随着电子数据采集设备的普及,每天都有大量的信号序列数据通过网络传输的方式,源源不断的输送到数据终端。这些采集到的序列数据里,相邻事件之间可能存在某些必然的联系,揭示设备中事件的发生规律。近年来,计算设备数据处理能力的提升,使得人们从海量序列数据中,挖掘出频繁出现的序列情节片段成为可能。如何对序列信号数据进行高效的频繁情节挖掘,发现序列信号中潜在的规律信息,引起学术界的持续关注。与序列模式挖掘不同,情节挖掘面向的数据是一长串的序列事件数据流,贸然对其进行分割处理可能导致某些情节被截断,因此如何在整条数据中挖掘有意义的情节发生,一直是学界面临的一项挑战。近年来,学者们根据挖掘侧重点的不同,提出了多种情节发生的定义方式,但这些方式在统计情节发生数量时,或存在重复计数问题,或因情节无交叠性,对交叉发生的事件直接丢弃。本文在现有工作基础上,考虑关联事件间的发生时间跨度和情节相互交叉发生的情况,提出互异的带时间约束的可交叉最小发生的情节定义方法。该方法有效弥补现有情节发生定义工作的不足,且针对这一情节定义,利用ONCE算法的Occ Map结构并加以修改,提出ONCE-TDM情节计数算法,通过一次扫描,实现精确捕获和计数特定情节发生的工作。在完成情节定义和精确计数工作的基础上,我们针对动态的流式数据进行实时频繁情节挖掘。通过使用滑动窗口,定位当前时刻下值得关注的序列数据,对窗口中数据进行情节挖掘分析。采用前缀树这一树形结构,对挖掘到的情节信息进行压缩存储,同时便于对频繁情节进行快速查找。方案通过设计前缀树中节点的存储数据,使得算法能在旧窗口挖掘结果的基础上,根据过期数据和新到达数据的事件类型,仅修改部分情节数据和对窗口中少部分序列数据进行扫描和情节计数,即可完成面向新窗口数据的频繁情节挖掘工作。综上所述,本文在数据实时到达的背景下,结合文章提出的支持度定义方式,提出一套完整的面向动态流式数据的带时间约束的频繁情节挖掘算法。最后,本文在真实数据和人工生成数据环境下,通过改变窗口大小、时间间隔约束、情节支持度参数,分别对算法挖掘到的情节数目、时间消耗情况进行实验测试,通过与静态批处理环境下情节挖掘结果进行对比,证明了算法的可行性和高效性。