数据集中常包含有价值的聚集值信息,它能为用户提供决策支持,并能广泛应用于分析、预测等领域。传统的数据聚集查询通过查询条件执行筛选后计算相应聚集值,但这样的方法在海量高维度数据背景下存在时间瓶颈。为了提高聚集查询的效率,过去的研究主要提供了两种思路:使用数据立方体计算和近似查询。前者重用预计算结果来提升查询效率,后者则牺牲查询精度换取时间性能。但高维空间中建立数据立方体的空间开销巨大,使得基于数据立方体的方法在海量数据情境下无法得到显著的空间性能改善。而近似查询的方式显著依赖于所选择的近似表示方法,通常无法广泛应用于多种数据场景。机器学习方法的出现提供了一种用模型来表征数据的全新方法。基于这样的思路,本文尝试使用学习模型实现类似数据立方体的表示方法,构建一个近似聚集方法,研究该方法在数据聚集查询领域的可行性。该方法将机器学习方法引入数据查询领域,将海量数据以模型表征形式保存,并在这些模型上实现了数据集的查询和预测功能。本文的主要研究内容包括:（1）对原始数据集进行数据处理和分析,在统计分析的基础上根据数据分布特征进行预分区;（2）在每个数据子空间上分别进行机器学习模型训练,实现用机器学习模型表征目标聚集值随其他属性的变化情况。模型训练完毕后即可舍弃原数据集,实现用小量模型存储空间表征原始数据分布;（3）基于已构建模型进行近似聚集查询处理,查询到来时将查询属性送入一个或多个模型得到查询结果。由于模型拟合存在误差,所以基于这些模型的查询结果是近似的,得到的结果为近似聚集值;（4）对方法进行误差和近似比分析,基于实际数据场景建立原型系统并进行测试。实验的研究结果表明,针对海量高维数据场景下精度要求不高的聚集查询需求,本文提出的近似聚集方法能在较短时间内构建模型,且显著减少数据存储的空间开销,从而解决数据立方体在处理高维数据时的时间和空间瓶颈。在准确性上,本文也证明了其表示和预测误差具有可控性,能满足一定的近似比需求。同时,该方案能通过模块内的方法调整适应数据变化场景,避免使用单一数据分布建模对数据集表示不完全的问题。