近年来,移动互联网、物联网等技术高速发展,各种形式的网络应用走进日常生活中,例如移动支付,传感器网络等。这些应用每天都在处理海量的数据,并且提供实时的网络服务,例如数据查询和个性化推荐,智能服务等。许多应用的数据以数据流的形式产生。由于数据流具有海量、连续快速产生和随时间不断动态变化的特点,数据流中的数据处理必须满足实时性的要求。传统的数据挖掘算法面临巨大挑战,需要针对数据流的本身特点和应用特点提出相应的算法。同时,数据流中存在概念漂移问题,数据中的概念会随着时间和背景环境发生改变,数据流中的模型需要及时发现这些变化,对这些变化进行检测,使模型能够及时对新概念进行学习。而传统的概念漂移检测方法一般根据某些检测指标将概念划分为发生漂移、没有发生漂移两类。这些方法容易受到噪音等不确定因素的影响,将变化速度较缓慢的概念漂移判定为概念没有漂移,将不确定因素造成的检测指标变化判定为概念发生漂移,检测准确率较低。针对这个问题,本文提出一种三支决策的概念漂移检测算法,提高了检测性。1.本文提出一种三支决策概念漂移检测算法。利用决策树学习数据流中的概念,然后不断检测概念是否发生漂移。决策树中的每棵子树对应一个概念,在检测过程中,用决策树对训练数据进行分类,然后根据各子树的分类错误率,将它们划入三支决策的L域、R域、M域中,分别代表概念没有漂移,概念发生漂移,概念可能漂移。2.提出一种对M域进一步划分的方法。在数据流中,不确定因素广泛存在,数据流中含有大量噪音数据和异常数据。如何区分概念漂移和噪音等不确定因素是概念漂移检测的关键。本文根据不确定因素和概念漂移对数据分布影响的幅度和变化趋势的差异,提出一种基于累积和的概念划分方法,对不确定是否发生漂移的概念进一步划分。3.通过在数据流分析平台上进行对比实验,验证了算法对概念漂移的检测能力。在人工数据集上,比较概念漂移发生后的最低分类准确率和分类准确率的变化情况,在真实数据集上比较各算法的平均分类准确率,反映了本文提出算法可以及时准确地检测出概念漂移,提高分类器对概念漂移的适应能力。