随着信息技术的快速发展,数据量呈爆炸性的速度持续增长,使得传统的数据库系统软件与数据计算技术难以在交互式响应时间内对用户查询进行分析、计算和处理。而在具体的决策分析任务中,用户通常只需要从数据中获取大致的趋势,不要求精确的结果。因此,以近似查询处理、查询负载预测以及查询语句预测为代表的海量数据近似计算算法因能够提升查询计算任务的处理效率而受到研究者的广泛关注。然而,在实际的数据处理过程中,海量数据近似计算算法面临着诸多的挑战:（1）海量数据的分布不均匀,存在严重的偏斜问题,从而影响查询结果的准确性;（2）查询负载随时间动态变化且难以被有效预测,致使数据库管理系统无法及时优化;（3）用户大都存在模糊查询问题且相邻查询之间往往存在一定的时间间隔而未能有效利用。针对上述问题,本文采用深度学习技术,以近似查询处理、查询负载预测和查询语句预测为核心,对海量数据近似计算算法展开研究。本文主要的研究内容可概括如下:1.针对近似计算领域中出现的由于数据偏斜所导致的查询准确率低的问题,提出了一种新型的近似查询处理算法。首先,以条件生成对抗网络为核心建立样本生成模型,并融入条件变分自编码器,保证算法执行的稳定性。其次使用Wasserstein距离衡量模型误差,防止模型坍塌。最后,将该生成模型与聚集预计算相结合,构成高效的近似查询处理框架,更加准确、快速地回答交互式查询。实验结果表明,与其他近似查询处理算法相比,该方法可以有效地克服数据偏斜的影响,同时能够在更短的交互时间内更加准确地回答用户查询。2.针对近似计算领域中查询负载难以有效预测所导致的数据库管理系统无法及时优化的问题,提出了一种新型的查询负载预测算法。首先,对历史查询数据预处理,构建查询负载序列。其次,以时间卷积神经网络为核心建立时序预测模型,高效地提取查询负载数据的历史变化趋势及自相关性特征;同时,融入设计的时域注意力机制,对查询负载序列进行重要性加权,保证模型的分析计算效率,提升预测算法性能。最后,基于上述时序模型,充分利用查询间隔时间完成对未来查询负载的精确预测。实验结果表明,本文设计的查询负载预测算法可以快速的实现对未来查询负载的有效预测,且该算法的预测精度显著优于其他对标算法。3.针对近似计算领域中出现的模糊查询以及查询间隔未利用的问题,提出了一种新型的查询语句预测算法。首先,采用过滤、分域、提取及编码等技术对历史的用户查询数据进行预处理,得到便于网络模型分析训练的查询语句序列。其次,以时间卷积神经网络为核心建立时序预测模型,且融入一维卷积及长短期记忆网络,分别从时间与空间两个维度提取查询语句序列的相关性特征及历史变化趋势,并充分利用查询间隔时间完成对未来查询语句关键内容的精确预测。实验结果表明,与其他查询语句预测算法相比,该方法可以在较短的时间内更加精确地预测未来查询语句的关键内容。4.本文基于上文所提出的新型的近似计算领域内的关键算法,结合用户市场需求,开发了一款集近似查询处理、查询负载预测以及查询语句预测等功能于一体的海量数据近似计算系统。