传感流数据指来自设备和传感器、反映物理世界状态的一类序列数据,具有持续、时变、复杂、不确定等特征。利用服务抽象和数据融合等手段提升其价值密度和共享程度是当前研究热点。现有方法面临的难点问题包括:如何捕捉物理传感源变化与动态数据关联并适应性调整数据映射策略,如何以数据驱动的方式主动、有效的捕获传感流数据中的价值信息,以及如何保障应用并发或动态数据请求的实时性需求。本文针对上述难点问题展开研究,主要工作和创新性贡献如下:1.提出了一种自适应的主动式数据服务模型。针对传感流数据服务化建模,面对传感流数据源及数据关联动态变化的问题,提出了一个自适应的主动式数据服务（Self-Adaptive Proactive Data Service,简记APDS）模型。APDS模型中集成了一个基于“决策-执行-学习-调整”适应环的适应性控制器,能够适配动态传感流数据源并主动选择协作对象。为在有限的计算资源下保障服务协作的有效性,提出了一个基于学习的启发式决策执行算法。实验结果表明,APDS模型支持在运行时动态更新流数据源和操作处理,在保障事件捕获有效性的前提下显著降低服务的系统负载（降低30%的CPU负载和26%的内存负载）,并能够更多的响应来自其他服务的事件（增加67%）,有效提升服务协作的效果。2.提出了一种数据驱动的主动式数据服务实例持续优化方法。针对传感流数据的不确定性和复杂性问题,考虑了基于趋势和基于状态相关的两类传感数据关联,分别提出了基于动态时间弯曲的相关性分析算法和基于FP树的最大频繁项挖掘（FP-MFSM）算法。提出了基于阶段性数据关联及服务实际效果相结合的服务实例持续优化算法,使服务实例能够接入和分析相关传感流数据,并在运行时更新演化。实验结果表明,服务实例能够捕获更准确丰富的价值事件（提升22%的准确率、9%的召回率以及25%的覆盖率）,且其有效性不会在服务运行中出现明显下降的情况。3.提出了一种主动式数据服务的实时性保障方法。针对应用并发及动态数据请求的实时性需求,考虑不同请求中存在的事件类型交叉和重复状况,提出了一个基于多级索引机制和匹配树相结合的事件匹配（MI-Tree）算法,避免了处理操作的重复执行,实现了服务中高效的事件捕获。实验证明,该方法能够较好的满足应用对事件获取的实时性需求,随着并发请求数目的增加,服务响应时间一直维持在20ms以内,且能够应对应用的动态请求。研究成果在电网实际案例中进行了实验性应用,实验结果进一步印证了上述方法和机制的有效性。