随着人们对互联网的需求日益增强,许多行业的数据更新速度越来越快。随着时间推移而不断更新的数据称为流式数据。基于流式数据建立模型时,要求预测模型能够随着流式数据更新而进行相应的更新。在线学习算法可以按照时间先后次序应用流式数据对预测模型进行实时的更新。在线序列极限学习机算法(Online Sequential ELM,OS-ELM)是基于极限学习概念的在线学习算法。流式数据更新之后,OS-ELM可以利用最新数据快速地更新预测模型。流式数据在更新过程中,同时还具有两个特性。一是时效性。所谓时效性是指在线学习中数据随着时间的推移而逐渐失效。二是差异性。所谓差异性是指有效数据因新旧程度对预测模型的贡献不同。通常来说,新数据比旧数据对模型的贡献要大。OS-ELM算法无法解决流式数据的时效性和差异性。为此,本文对基于OS-ELM算法提出了记忆减退型在线序列极限学习机算法(Memory Degradation based OS-ELM,MDOS-ELM)。本文的主要工作如下:(1)针对流式数据的时效性,本文借鉴带遗忘机制OS-ELM(OS-ELM with Forgetting Mechanism,FOS-ELM)算法所提的有效时段的概念。有效时段是指数据样本从被采集或测量到最终失效这一段时间。当数据样本在超过其有效时段,则这些数据就会变为失效数据。失效数据的使用往往会降低模型的预测精度。为此,MDOS-ELM算法采用遗忘机制及时淘汰失效数据。(2)针对流式数据的差异性,本文引入记忆因子自动调整新旧数据的比重。在流式数据更新过程中,新数据比旧数据更能反映当前数据的特点和变化趋势。因此,新旧数据的信息在模型中所占比重不同。也可以这样理解,随着时间的累积MDOS-ELM对新旧数据的记忆能力不同。越靠近当前时刻的数据“记忆越深”;越远离当前时刻的数据“记忆越浅”。记忆因子是由新旧数据的相似度以及上一代所获模型对当新数据的预测误差共同决定的。MDOS-ELM算法来解决在线学习的两个问题:一是数据的时效性,二是有效数据样本之间的差异性。同时为了验证所本文提出的MDOS-ELM算法的性能,采用9组回归数据集和14组分类数据集进行实验。并与OS-ELM算法和FOS-ELM算法进行对比,实验结果表明本文所提的MDOS-ELM算法具有更高的预测精度。