一些先進 應用如欺詐檢測和趨勢學習等帶來了數(shù)據(jù)流頻繁模式挖掘的發(fā)展。不同于靜態(tài)數(shù)據(jù)，數(shù)據(jù)流挖掘面臨著時空約束和項集組合爆炸等問題。對已有數(shù)據(jù)流頻繁模式挖掘算法進行綜述并對經(jīng)典和最新算法進行分析。按照模式集合的完整程度進行分類，數(shù)據(jù)流中頻繁模式分為全集模式和壓縮模式。壓縮模式主要包括閉合模式、最大模式.top-k 模式以及三者的組合模式。不同之處是閉合模式是無損壓縮的，而其他模式是有損壓縮的。為了得到有趣的頻繁模式，可以挖掘基于用戶約束的模式。為了處理數(shù)據(jù)流中的新近事務，將算法分為基于窗口模型和基于衰減模型的方法。數(shù)據(jù)流中模式挖掘常見的還包含序列模式和高效用模式，對經(jīng)典和最新算法進行介紹。最后給出了數(shù)據(jù)流模式挖掘的下一步工作。

　　在一些新興的應用場景下，例如智能城市、大型基礎設施監(jiān)控、物聯(lián)網(wǎng)等，數(shù)據(jù)產(chǎn)生的速度越來越快。數(shù)據(jù)流（ datastream）被認為是高速率數(shù)據(jù)，通常被認為是大數(shù)據(jù)，它是無限的、快速的變化的和有序的。在某些環(huán)境下，數(shù)據(jù)流的處理方法必須快速且能適應變化。數(shù)據(jù)流模型面臨的主要約束“包括：

　　1）數(shù)據(jù)量巨大，可以認為是無限的。因此，無法存儲所有的數(shù)據(jù)。合理的方法是存儲數(shù)據(jù)的概要信息。

　　2）數(shù)據(jù)到達的速度快。因此，需要實時處理數(shù)據(jù)，且處理后數(shù)據(jù)即被丟棄。

　　3）數(shù)據(jù)項的分布可能隨著時間而變化。因此，歷史數(shù)據(jù)會變得無用甚至有害。