流数据具有实时、连续、动态变化的特点,其广泛存在于网络监测、金融交易以及传感器检测等领域。从流数据中挖掘信息、发现规律,并对系统行为进行分析,预测未来的变化趋势,可以提高生产生活中的决策和评判效率,具有重要意义。流数据海量实时的特点,要求处理系统需具备高负荷的处理能力。基于CPU（Central Processing Unit）的串行处理是当前处理流数据的主要方式。串行方式不仅耗时长,而且难以达到高性能的处理要求。为了提高流数据处理的时效性,采用并行方式处理流数据是一个值得研究的问题。随着高性能平台的不断发展,图形处理单元GPU（Graphics Processing Unit）强大的并行计算潜力在科学计算领域越来越受到重视,基于CPU+GPU的异构计算已逐步发展为高性能计算领域的主流模式。本文选取粒子群优化算法（Particle Swarm Optimization,PSO）作为基础的函数建模方法,并针对函数建模的特点对其进行适配化的设计与改进。首先针对建模精度的提高,用改进的PSO优化函数建模问题,在基本的PSO基础上引入变异和散开算子,并结合分层自主学习的更新方式,以提高建模的精度。针对建模实时性的提高,在CUDA（Compute Unified Device Architecture）平台上将本文的算法实现并行化以及一系列的优化,以满足建模的实时性要求。为了验证并行算法的有效性,分别在等粒子数等迭代次数、等粒子数等精度、不同数据规模三种条件下,对静态数据进行加速比实验。实验表明,在相同条件下并行方案相比于串行方案可达到8-50倍的加速效果。而且随着数据规模的增加,加速效果愈加明显。随后将本文的并行算法应用在对流数据的函数建模上,采用链式重写窗口模型划分流数据,分别在基本流数据、含有概念漂移的流数据、多元流数据和实际流数据上进行实验,并与基因表达式编程算法（Gene Expression Programming,GEP）对比。为了评判所建模型的精度和优劣,对比两个算法的均方根误差（Root Mean Square Error,RMSE）和平均绝对百分误差（Mean Absolute Percentage Error,MAPE）。实验表明,本文算法在大多数点的RMSE和MAPE值都比GEP低,有更好的建模精度和预测效果。为了进一步提高建模的精度,将散开算子进行改进,用于增大粒子的利用率,并引入一种数据融合的方法用于提高预测的精度。为了适应流数据的动态变化,引入模型保留机制。实验表明,本文算法在加入这些机制后,能够得到精度更高的模型和预测结果。