随着当今技术的快速发展以及数据产生方式的多样化,人类所拥有的数据规模日趋庞大,海量数据带来了客观的数字价值,同时也在数据质量方面带来了更多的挑战。时间序列数据是伴随物联网的飞速发展产生的数据,工业界中的时间序列数据往往存在数据异常、数据乱序、属性值缺失、属性值错位等问题,其中属性值错位问题相关的研究比较少,但该问题在工业场景中十分常见,因此研究该问题具有重要的意义。本文从面向实际的数据流场景出发,首先提出了一种普适的方法,然后针对工业界中存在的属性值错位连续出现并且属性之间存在相关性的场景提出了更有针对性的方法。数据流环境下的研究重点是在数据无限且内存有限的情况下,及时检测和修复数据中的错位属性值,从而提高时间序列数据的质量。现有的异常检测和修复方法通常是把异常值修改为计算得出的值,但属性值错位通常是数值本身没有错误,只是位置错误,因此本文希望通过交换而非修改的方式进行修复,从而得到更真实的数据。本文首先设计了一种通用的属性值错位数据的异常检测和修复方法,该方法首先重新定义了元组间的距离计算方式,设计了一种基于距离的异常检测方法,通过被检测元组与历史元组集合之间的距离关系判断是否发生错位。基于检测结果设计了一种通过迭代交换进行修复的方法,对各个属性对距离的贡献程度进行评估和排序,优先对对总体距离贡献较大的属性进行交换。经实验发现,该方法可以在不修改原始数据数值的基础上修复85%以上的属性值错位。本文的第二部分设计了一种针对连续型属性值错位即子序列错位数据的异常检测和修复方法,该方法提出了属性间相关性系数的概念以及计算方法,并设计了一种基于相关性系数的子序列错位检测方法,通过检测属性之间的相关性系数是否发生变化判断是否发生子序列错位。随之提出了分段的概念,基于分段的思想结合检测结果对错位的子序列段进行交换修复,并根据重新计算的相关性系数进行修复结果评估。经实验发现,该方法在解决子序列错位问题上与第一部分的通用方法有接近的准确率,并且计算时间可以快2个数量级以上。