随着计算机技术在不同行业中的广泛应用,大量业务数据随之产生,这些数据超出传统持久关系的数据模型,以瞬时数据流的形式存在。人们希望利用这类数据的特点对其进行分析,挖掘出数据流中的趋势变化规律,进而实现对数据流的预测。然而这类数据的规模通常很庞大并且更新速度快,无法在有限的空间中对其进行完整保存,为数据流中的处理、分析和预测带来很大困难。因此研究数据流预测的相关技术和算法具有重要的理论价值和现实意义。本文针对数据流的特点,重点研究数据流预测算法,并设计基于有向图的数据存储模型,以解决数据流数据量庞大、计算复杂、实时性要求高的问题。通过研究数据流预测的过程、结合有向图存储的要求,将其分为基于有向图存储的数据流预处理、有向图的构造维护和基于有向图存储的预测计算三个过程。本文提出的算法具有以下优势：首先,利用有向图作为存储数据流状态的数据结构,设计有向图的构造与维护算法,将数据流中的无限数据映射为有限的数据状态,降低数据存储和处理的难度,节省存储空间。其次,本文在数据流预处理过程中以滑动窗口模型为基础,采用数据流聚类技术实现,并引入密度聚类的思想。其聚类结果为有向图的构造和维护提供数据输入,提高有向图描述数据流特征的精度,减少噪点。再次,根据有向图中描述的数据状态在不同步长下的迁移统计信息,得到概率并进行叠加处理,并应用中值的概念实现基于叠加马尔可夫模型的点值预测,得出数据流在下一时刻可能到来的数据项值,将预测结果由区间变为点值,提高数据流预测的准确性。实验结果表明,该数据流预测模型通过有向图构造能够高效的记录并描述数据流的变化态势,能够对数据流在下一时刻的到来数据进行有效预测。