大数据流挖掘作为数据挖掘的一个重要分支,越来越成为人们关注的热点之一,尤其是随着网格计算,云计算,特别是大数据的出现,人们对大数据流的处理需求的迫切程度越来越高。本文主要介绍了大数据流挖掘中滞后相关性的概念和方法,介绍了传统数据流挖掘的相关知识与存在的问题,针对大数据流挖掘中滞后相关性研究工作包括以下两个方面:第一、本文提出了一种基于级数分层滑动窗口的数据流序列滞后相关性挖掘方法。该方法首先对序列按级数递增进行分层,在每层上计算滑动窗口的覆盖度g,之后再对每层的滑动窗口计算序列的参数值;最后根据各层滑动窗口的参数值,计算序列的滞后相关系数,以此来确定序列的滞后相关性,实验结果表明本文方法是有效的。第二、本文提出了一种基于布尔约减级数分层的数据流滞后相关性挖掘方法。该方法根据原数据流两段序列的序列均值x、y,设立flag变量对原数据流序列元素进行标记,对大数据流序列进行宏布尔变换,根据阈值?剔除元素,并由flag对剩余元素进行还原;其次,根据采样周期T及得到的宏布尔序列值进行微布尔变换,剔除序列元素后还原。对还原后的微布尔序列按级数递增进行分层,在每层上根据滑动窗口的宽度g和每次滑动窗口数目c,计算每层序列的参数值;最后根据参数值,计算滞后相关系数,以此来确定序列的滞后相关性。实验结果表明,本文方法可以大幅度的减少运算时间,在保证精度的情况下提高运算效率。数据流的增长从某种意义上来说是无限量的,不同的阶段会有不同的挑战,在未来的工作中,着重关注算法的适用性及稳定性,并会对算法在数据约减方面的误差做进一步的研究。