我对可用于“实时”分析流数据的工具/技术感兴趣*，其中延迟是一个问题。最常见的例子可能是来自金融市场的价格数据，尽管它也出现在其他领域（例如在 Twitter 或 Google 搜索中寻找趋势）。
根据我的经验，最常见的软件类别是“复杂事件处理”。这包括诸如Streambase和Aleri 之类的商业软件或诸如Esper或Telegraph之类的开源软件（这是Truviso的基础）。
许多现有模型不适合这种分析，因为它们的计算成本太高。是否有专门设计用于处理实时数据的模型**？有什么工具可以用来做这个？
* “实时”是指“在创建数据时对其进行分析”。因此，我的意思不是“具有基于时间的相关性的数据”（如Hilary Mason 的演讲中所述）。
** “模型”是指描述研究对象行为的数学抽象（例如，根据随机变量及其相关的概率分布），用于描述或预测。这可以是机器学习或统计模型。
这个领域大致分为两类。第一个涉及流处理和查询问题以及相关的模型和算法。第二个是从数据流（或数据流挖掘）中学习的高效算法和模型。
我的印象是 CEP 行业与第一个领域有关。例如，StreamBase 起源于 Brown/Brandeis/MIT的Aurora项目。一个类似的项目是 Widom在斯坦福大学的STREAM 。审查这些项目所在地的出版物应该有助于探索该地区。
一篇很好的论文总结了第一个领域的研究问题（2002 年），是Babcock 等人的数据流系统中的模型和问题。在流挖掘中，我建议从挖掘数据流开始： Gaber 等人的评论。
顺便说一句，就特定型号而言，我不确定您对什么感兴趣。如果特别是流挖掘和分类，VFDT是一种流行的选择。两篇评论论文（上面链接）指向许多其他模型，并且非常符合上下文。
这在很大程度上取决于您到底在寻找什么，但从Muthukrishnan 的 Data Streams: Algorithms and Application 开始。
通过谷歌搜索“数据流算法”或遵循论文中的参考资料，可以找到许多其他算法。
我不确定这与您想做的事情有多相关，但请参阅名为FASTPACE的关于自适应问题设计的论文。该算法的目标是根据他/她以前的问题和答案向调查受访者提出下一个问题。
数据的到达速度不如股票价格，但延迟是一个问题，因为大多数受访者预计下一个问题会在几秒钟内出现。
贝叶斯网络非常适合在线估计，并提供多种模型。