近年来,随着信息科技的发展,数据的累积正在飞速的发展,使得机器学习和数据挖掘领域也得到了飞速的发展。然而,越来越多的数据是以流式数据出现的。与传统批数据不同,流数据具有速度快,数据量大,不可再现,有序等特点,使得传统的批处理预测技术不太适合这些流数据。面对数据流出现的各种特点,本文研究的内容是面向数据流的演化式预测技术。增量学习主要是针对流式数据的一种技术,当数据流源源不断到来时,原来的学习模型随着新数据的到来进行调整,模型参数也随之变化。概念漂移是数据流的特点之一,这也是现如今数据流挖掘领域最大的挑战之一。当数据流逐渐发生概念漂移时,由于数据分布发生变化,其学习模型对于数据流的预测性能慢慢下降。故需要能够及时探测其是否发生概念漂移,然后对模型进行调整和训练,之后再进行动态数据流的预测。本文针对数据流中概念漂移的发生,概述目前已有的探测与解决方法。然后针对该研究所面临的问题,提出本文的研究课题。针对稠密的数据流,本文提出一种基于无限的,高速的,时间变化的数据流,能够增量地学习数据流的竞争集成算法。该算法集成两棵增量模型树FIMT-DD,基模型FIMT-DD是一个时间变化学习数据流的算法。在所提出的的算法中,是通过学习两棵这种增量模型树,在滑动窗口内用性能更好的全局或者局部基模型作为最终预测的模型,该基模型更加适应将要到达的新的数据流。同时算法所需的空间复杂度也并不是很高。在发生概念漂移时,实现局部变化的检测和适应。最后实验表明,该算法无论是平稳数据流还是非平稳数据流,都可以很好适应。针对稀疏的数据流,本文改进目前表现最好的在线稀疏数据流分类算法FTRL,使得它能够很好地应对数据流概念漂移的问题。由于在稀疏数据流发生漂移情况下,此时原算法FTRL的模型参数基本已经固定,同时学习率非常低,普通的FTRL算法已经不能学习到新的概念。因此,在改进中,模型先探测数据流发生概念漂移的情况。若发生,对FTRL模型进行调整并重新训练,迅速使得FTRL适应新的数据流。经过仿真数据流表明,改进后的模型可以很好地解决各种概念漂移数据流,并且具有很好的鲁棒性和稳定性。