复杂事件处理(Complex Event Processing,CEP)是一种新兴的基于事件流的技术,它将系统数据看作不同类型的事件,通过分析事件间的关系,利用过滤、关联、聚合等技术,最终由简单事件产生高级事件。随着CEP在现实生活,特别是金融领域中广泛使用,博得了越来越多的相关企业与学术研究者的关注。在CEP系统开发过程中,复杂事件规则的定义是不可或缺的一个环节。通常由相关领域专家定义好所需的事件类型,分析完整不同事件之间的关系,再由事件模式语言书写出复杂事件规则。但有些系统对事件属性值的精度要求很高,另外一些特殊系统的规则并非一层不变,而是随着它不断运行,规则中的某些参数会产生微小但关键的变化。这些情形下,规则多变,繁琐。如果由专家们定义出全部的,完美的规则,工作量显然巨大,甚至不能人工完成。于此,复杂事件规则学习应运而生。在目前国内外研究中,复杂事件规则学习主要包含从复杂事件历史记录学习与规则在线更新两类。本文的主要工作如下:(1)提出了基于序列树的模块化规则学习算法。该算法利用了同一类型的复杂事件历史记录包含相似的原子事件以及它们之间的先后顺序这一特征,以原子事件先后顺序为骨架,模仿挖掘关联规则构建频繁树的过程构建序列树,从而合并不同正路径(产生了复杂事件的历史记录)的共同前缀,减少重复而无用的计算。并设计了一系列的实验,实验结果验证了序列树的高效可行。(2)提出了基于shapelets规则学习算法。该算法主要依据CEP与时间序列早期分类的众多契合,模仿后者挖掘最具有辨别性的时间子序列(称为shapelets)的算法思想。并分别地以真实数据设计了基于shapelets的单事件与多事件规则学习的实验。实验结果表明该算法对复杂事件规则学习有效。