序列模式挖掘问题,由于其在实践中广泛的应用,已引起学术界的持续关注。虽然目前已经有一些序列模式挖掘算法,但因为它们需要多次扫描整个数据库,所以效率相对较低,并且大多数算法都没有考虑到时间因素对序列模式挖掘的影响,它们并不能对有时间限制要求的序列模式进行出现频率的统计和挖掘。在对各个序列模式的出现频率进行统计的算法中,ONCE算法可以在只扫描一次数据库的情况下,统计出带有时间约束的序列模式在序列流中出现的频率。但该算法只能应用于处理序列模式之间无交叉的情况,当序列模式之间存在某种交叉时,使用ONCE算法统计出的结果就是不准确的。在本文中,我们对ONCE算法进行了修改,可以在序列模式之间存在交叉的情况下,也得到准确无误的结果。随着因特网,电信,工业系统的迅速发展,每天都会产生海量的信号序列和流式数据。一方面,由于海量序列中信号的数量十分巨大,分析这些序列是一件非常耗时的事情,所以要求处理的算法必须是高效的,可以并行化计算的。另一方面,由于流式数据是无限的,非匀速产生的,因此对于流式数据的计算方法,必须是可以动态更新和存储的,也同样要是高效的,当前的多数算法都无法达到要求。为了解决对海量数据和流式数据进行带有时间限制的序列模式的挖掘问题,在对各个序列模式进行频率统计的重要过程中,我们分别提出了两个高级的模型,SparkONCE和StreamingONCE。最后经过试验,SparkONCE显著提高了对于海量信号序列的处理效率,可以使用很少的时间和空间进行统计和计算。而StreamingONCE则可以很好地解决流式数据所面临的序列挖掘问题,可以对信号产生密集的流式数据进行处理,效率可以达到每秒处理数百万个信号。在对各个序列模式出现频率的统计算法分析结束后,我们讨论了怎样使用SparkONCE分别结合Apriori算法和FP-growth算法对海量数据进行高效的序列模式挖掘工作。接着还描述了使用StreamingONCE算法后如何使用时间倾斜窗口对统计后的数据进行动态的更新和存储,通过使用有限的空间存储无限的数据,并且能保证处理时间的稳定,以及数据统计的正确性。综上,在本文中我们主要对现有的ONCE算法进行了修改,使其可以对序列模式之间存在交叉情况进行准确的出现频率统计,而后又提出了SparkONCE和StreamingONCE两种算法,以满足对海量数据和流式数据进行带有时间约束的频繁序列挖掘的需求。