近几年,人们意识到在一些应用中数据模型不再是形成持久性的关系模型而是表现为一种瞬时的流。此类的应用有很多,例如金融、生产制造、网络管理、安全、通信、web应用、传感器网络等领域。本文重点对时间序列数据流在线预测方法进行了研究。针对传统的滑动窗口存在滑动过程中需要移动所有数据,而导致时间效率不高的问题,本文提出一种链式可重写窗口技术。该技术在滑动过程中不需要移动数据,而是采用重写的方式来完成数据更新。理论分析和实验对比表明,该技术有显著的时间效率提升,能够高效地应用于实际的数据流处理。并且介绍了一种分析非线性、非平稳信号的方法—EMD方法,与传统的对信号做积分变换的方法不同,它将信号中不同尺度的波动或趋势逐级分解,产生一系列具有不同特征尺度的数据序列,每一个序列称为一个固有模态函数。而每个固有模态函数包含并突出了原信号的局部特征信息,这样通过对各个固有模态函数分析,便能够良好的把握原信号中所含有的特征信息量。实验证明,EMD适用于非线性、非平稳信号,它分解出来的固有模态函数就代表了原信号的各频率分量。事实上作为一种只是提取信号特征量的方法,EMD方法常常是与其他各种方法联合起来对信号进行分析。用神经网络进行预测本质是一个模式识别的问题。其难点是如何有效的提取信号中的特征量,即分类标准的找寻。EMD方法的提出为解决该问题提供了新的途径。所以本文结合经验模式分解和径向基神经网络建立时间序列数据流在线预测模型一Online_DSPM。实验表明,EMD方法与RBF网络的联合不仅能够提高判别的准确率,而且大大缩短了RBF网络的学习收敛时间。