近年来,在传感器网络、系统性能保持等应用领域中产生的数据量越来越大,每天以数以百万计甚至没有上限的速度增长,这样的数据流中蕴含大量信息,可以用来作为智能决策的依据,如何从这些连续不断的非平稳的数据流中挖掘有用的信息,正变成我们需要面对的新考验,这是传统的数据挖掘方法无法解决的问题。本文重点对时间序列数据流预测方法进行了研究。结合流数据挖掘领域中的滑动窗口技术和分析非线性、非平稳数据的HHT方法给出了一种时间序列数据流预测的新方法Online-HHT,并提出了运用此方法进行预测的通用模型,此模型适合所有应用领域的时间序列数据流预测。时间序列数据流的连续性、数据量大以及数据一次处理等固有的特点是预测方法处理的一个难题。针对数据流的连续性,本文采用滑动窗口技术对原始数据流建模,使得应用只关注最近一段时间内数据的变化,滑动窗口技术在本文用for循环实现;针对某个时间点对应的滑动窗口中的数据,采用HHT方法进行分析,从而进行预测;本文对已有HHT方法采用了并行处理的思想,当滑动窗口中的数据量多时,先将数据分段,对每段分别采用HHT方法进行EMD分解,加快了算法处理的速度。Online-HHT方法解决了已有方法如小波分解等无法进行在线自适应预测以及分解的准确性问题。最后,本文用Online-HHT方法对贵州电网提供的电力负荷时间序列数据流进行分析,通过仿真实验表明,该方法能够有效地对时间序列数据流进行趋势预测。