随着数据流应用的需求不断增加,数据流上的挖掘算法越来越受到国内外研究学者的重视。本文针对多时间序列数据流环境,提出计算数据流对间多层次相关度的方法,并且在多层次相关度计算的基础上提出针对多数据流环境的挖掘算法。多层次相关度计算的优点:(1)多数据流的多层次相关度的计算方法对传统时间序列统计相关度的方法进行了改进,适应数据流多变性和不可重复性的特点;(2)运用离散傅立叶变换来对数据流数据进行压缩和处理,降低了系统内存存储需求,加快了计算机处理的时间;(3)运用多层次时间窗口模型对数据流进行多层次相关度的统计,不仅知道当前时刻的数据流对间相关性,而且可以通过多粒度聚集树(DSMGA-Tree)结构查询数据流对间历史时刻的相关性,并返回多层次的相关度信息,在一定的误差范围内满足了详细查询请求。在多层次相关度计算的基础上,本文提出针对多数据流环境的动态挖掘算法。(1)算法将传统数据库领域的数据挖掘技术运用到多数据流环境,动态地实现了多数据流聚类;(2)提出基于相关度的多数据流动态聚类算法(CBDMSClustering),运用DBSCAN基于密度的聚类思想,可以聚集出任意形状的类,同时,时间复杂度并没有增加;(3)在CBDMSClustering算法的基础上进一步改进,提出基于相对相关度的多数据流动态聚类算法(RCBDMSClustering),除了可以聚集出任意形状的结果,还可以区分出不同相关度的类,将受低相关类掩盖的高相关类识别出来。实验证明了多数据流动态聚类算法的改进可以得出更好的聚类结果。