近年来,随着数据流应用的发展,数据规模呈指数增长,如在网络监控、环境监测、传感器网络、气象监测和金融服务等领域。与传统静态数据相比,数据流具有无限、连续、大量、突变的特点,并且在数据流处理过程中,只能被有限次读取,传统的判识算法无法直接应用于数据流处理中。在数据流中,存在着与正常数据不一致且不是随机产生的各种事件数据。对数据流中的事件进行实时判识,有广泛的应用,如网络入侵判识、环境污染判识、灾害事件判识、天气变化判识、股票走向判识等。数据流均具有时间的特性,因此,对应的事件为时序事件,如何能实时的判识出数据流中的时序事件,一直是数据流研究中专家学者的研究热点。本文针对现有时序事件判识方法构建的时序事件规模小,模型复杂不准确,不能自适应更新以及滞后判识等问题,提出一种数据流时序事件实时判识方法,包括两级回归的时序事件模型(TRTM)构建方法与基于TRTM的时序事件实时判识方法,保证了模型构建的效率及准确性,且对于新到来的流式时序事件数据具有更好适应性,提高了数据流事件判识的稳定性及实时性。首先,在时序事件模型构建阶段,通过对历史时序事件数据进行归一化处理,把不同尺度的事件数据变换在同一尺度下,利用一级移动回归法提取数据特征,解决数据规模大的问题,然后对提取的数据特征,进行二级线性回归构建时序事件模型,量化时序事件随时间的变化趋势,便于时序事件实时判识;当新时序事件累积时,使用区域压缩法对时序事件模型进行自适应更新,有效地结合历史信息和更新信息,解决了随着时间推移,环境改变时序模型不准确的问题。然后,在时序事件判识阶段,构建时序事件判识域,使用窗口互相关运算,确定感知数据中的时序事件起始点及漂移幅度;提出置信因子概念用以对实时时序事件感知数据进行趋势判识;基于置信因子概念,提出置信因子变换策略判识实时感知数据与时序事件模型的相似程度,并对感知数据趋势的危险程度做出估计,实现对时序事件由低到高多级分阶判识机制,解决传统时序事件判识滞后的问题。最后,针对本文提出的方法,在构建时序模型过程中,把历史数据规模对时序事件模型的误差影响进行实验分析,及通过实验确定模型的最优拟合度。在时序事件判识过程中,置信因子变换策略与现有判识算法在实时性、效率及可靠性方面进行对比。实验表明,本文提出的基于TRTM的时序事件判识方法可以对时序事件进行实时有效的判识。