信息物理系统(Cyber Physical System,CPS)将计算进程和物理进程进行融合,是集计算机技术、通信和控制技术于一体的智能系统。CPS应用需要面对的一个重要问题就是如何处理系统中持续产生的海量、异构和不确定性的数据流。现有的面向数据流的处理平台大多数只支持流式数据的基础处理,比如过滤、转换和计数等功能,难以满足从在线数据流中实时挖掘并做出反馈的需求。作为CPS的核心技术之一,主动式复杂事件处理技术不仅能够实时处理大量数据流,而且可以对已获得的数据进行预测分析,从而提供改变系统未来状态的决策能力。目前主动式复杂事件处理还面临着一些问题,其中的重点和难点包括了设计过程中的不确定性事件处理、事件的上下文处理、预测分析和决策方法等。本文针对这些问题,以CPS应用中的智能交通系统为背景,分别引入了模糊C均值、贝叶斯网络、马尔科夫决策过程和Q-learning等方法,并结合其他并行优化技术进行了研究。本文的贡献主要包括以下几个方面:(1)针对不确定性数据处理问题,提出了一种并行复杂事件处理方法(Parallel Indeterminate Stream Complex Event Processing,PISCEP)。在CPS的实际应用中,由于传感器噪声等因素,数据存在不确定性的情况非常普遍。因此,很有必要专门针对不确定性数据进行处理。本文在引入不确定性事件概率计算的基础上,通过匹配树与缓存表相结合的方法实现对原始事件流的高速处理,还特别针对复杂事件处理中最重要的顺序事件(SEQ)做了并行优化。从实验结果中可以看出,与RFID复杂事件检测方法(PRCEDA)相比,本文提出的PISCEP方法生成的复杂事件数量平均改进率为25.65%,与SASE系统相比,PISCEP方法处理时间平均缩短17.66%,表明了PISCEP方法有极大的可用性。(2)针对CPS数据流中普遍存在上下文的情况,提出了一种事件上下文处理方法(Event Context Processing Method,ECPM)。在面向CPS的主动式复杂事件处理过程中,对于事件上下文的感知和处理同样值得研究。事件的上下文种类繁多,将其聚类后分别处理具有十分重要的意义。传统的模糊C均值算法要求先确定聚类中心,如何选取聚类中心是算法的关键。针对上述问题,本文采用模糊本体对事件上下文进行建模,然后通过改进的模糊C均值算法实现事件上下文的数据聚类,为后面的预测模型提供学习和预测的依据。将ECPM方法与FCM、Kmeans和SOM对比,准确率分别提高2.82%、6.34%和9.86%。(3)针对单一的预测模型无法适应多种环境的问题,提出了一种基于适应性贝叶斯网络的上下文敏感复杂事件预测方法(Context-aware Prediction Method for Complex Event,CPMCE)。在事件上下文聚类的基础上,CPMCE可根据不同的事件上下文学习对应的贝叶斯网络模型结构,在预测分析时能够根据事件上下文匹配一个或多个模型。该方法基于一种混合型的增强学习方法实现贝叶斯网络的结构,并通过高斯混合模型来做出近似推断。实验结果显示,CPMCE方法在真实数据上的准确率比贝叶斯网络和深度信念网络平均提高了6.06%和4.08%,在模拟数据上和上述方法相比,准确率平均提高了9.67%和8.47%。(4)针对CPS中马尔科夫决策过程(MDP)存在的状态数量巨大的问题,提出了基于结点状态划分的并行马尔科夫决策过程(Parallel MDP,PMDP),来支持主动式的复杂事件处理决策。PMDP根据预测分析和结点状态划分的结果,同时引入了报酬分解的方法实现了并行优化。在此基础上,当面向更大规模的数据时,本文提出了一种基于子问题状态划分的并行Q-Learning方法(Parallel QLearning,PQ)来提高系统的性能。在以CPS中的智能交通系统为背景的实验中表明,PMDP和PQ方法都可以有效地降低结点的拥塞程度,其中PQ方法在处理大规模数据具有更好的决策效果。