并行海量数据挖掘技术利用并行计算(Parallel Computing)技术,针对海量数据特点,研究数据挖掘的新理论和新方法.关联规则、分类、聚类、相似性搜索和时间序列模式是挖掘算法的研究核心.为此我们以抽样方法和并行技术为重点,研究了关联规则、相似性搜索、分类、聚类和时间序列模式的串行抽样挖掘算法和并行挖掘算法.研究工作的创新之处主要表现在如下五个方面:(1)针对已有关联规则算法存在多遍扫描数据库的缺点,我们提出了一个至多扫描数据库两遍的新抽样算法,还提出了相对支持度概念和叠加原理.(2)提出了用于相似性搜索的两个新的索引结构:rgh-tree和pgh-tree.(3)针对已有聚类算法出现的各种问题,该文提出了一个新的聚类模型和算法.(4)由于决策树分类模型建立过程的计算时间主要消耗在最优分割点的选取上,传统方法需要对全体数据的所有可能的分割点逐个计算,计算量很大.该文采用了两次抽样的方法,首先对数据集合进行抽样,选取一部分数据用于建立初步模型.其次对分割点进行抽样,可以有效的减小分割点选取的计算量.(5)提出了一个用于时间序列分析上的新的概念—波动率,它是一个相似变换下的不变量,它不同于传统的时间序列相似性度量—欧几里得距离.它基于波动率进行相似性比较,同人的直觉相一致,在4种相似性变换下该度量保持不变.提出了一个计算和标记这种不变量的方法,我们的实验结果表明基于波动率的时间序列相似性分析精度更高.该文利用抽样方法和并行计算技术对海量数据情况下的数据挖掘问题进行了探索,部分解决了海量数据情况下的数据挖掘问题.