随着当前的数据采集设备女RFID(R.adio Frequency Identification)、传感器等的广泛应用及其高速发展,产生了空前的海量动态数据流。由于相关的事件处理技术能够帮助人们从这些海量数据中获取有用信息,因而近年来受到了广泛关注与研究。事件处理广泛地应用于商业检测和预测、供应链管理、气候环境监测与预报以及医疗等领域,然而目前对事件的研究大多是基于检测的且面向确定事件数据的,而对于不确定事件形成的概率流却无能为力。在现实中很多情况下,人们需要基于以往发生的事件获取即将发生或未来一段时间内可能会发生的事件,而目前几乎没有对事件流进行预测的研究成果,因此对不确定事件预测方法的研究迫在眉睫。为了实现不确定事件的预测,本文以传统的支持向量机(Support Vector Machine, SVM)理论为基础,结合事件流自身的特点,设计了特殊的事件存储结构—数据网格(Data Grid),并基于该结构使用双向建模和二次建模策略使得对不确定事件的预测成为可能。本文的主要贡献如下：首先,提出了针对不确定事件的预测方法。基于SVM,通过双向建模和二次建模,成功实现事件流上的不确定事件预测。其次,提出了事件存储结构—数据网格。该结构能够对支持数据清洗和填补,能够为建立预测模型提供最佳的训练数据。最后,基于本文提出的数据结构特点和可扩展性需求,为纵向模型和横向模型设计出合适的淘汰策略,在淘汰的同时迅速建立起准确的新的预测模型。通过理论和实验的评估,证明了本文为进行事件预测所提出的数据处理、事件存储、建模、预测以及模型更新策略能够对不确定事件进行预测并使得预测具有较高的性能和准确率,应用前景广阔。