继续采用图论的描述方法，把n 条流式数据的集合Sn＝｛S1，…，Sn｝中的每个流式数据Si（i ＝1，…，n）都看作一个结点，将能够描述Sn集合的图记为G＝（V，E）。其中，顶点集V ＝｛S1，…，Sn｝，E ＝｛eij｜Si，Sj，i≠j，i，j＝1，…n｝是图G 中边的集合。

给定固定窗口大小w，边eij在时间区间［t－w＋1，t］内的权重ρij度量了两条流式数据在时间区间内变化的相关性。多流式数据集合Sn的相似度矩阵为图G 在时间区间［t －w ＋1，t］内的邻接矩阵Ω（w） ＝（ρij（w））i，j＝1，…，n。∀Si，Sj∈Sn的相关系数由ρij（w）进行度量。Sn在时间区间［t－w＋1，t］上的图聚类模型定义为：Ck（w）＝｛C1，C2，…，Ck｝，k 为聚类数目。Ci是由一系列相似的流式数据组成，即Ci（w）＝｛S1，…，S｜Ci（w）｜｝。其中，｜Ci（w）｜是Ci（w）中流式数据的数目。Ci满足以下条件：

为了能够根据相似度矩阵对n 条流式数据进行聚类划分所得到的聚类模型，进而发现在某一时间区间内的多流式数据之间耦合关系的演化特性，本书借助文献［170］提出的多流式数据演化趋势发现思想，将交通多流式数据全局演化事件的定义如下：

给定采样时间区间［s，e］，流式数据集合Sn的全局演化事件划分定义为满足下列条件的时刻集合T＝｛t1，t2，…，tm，tm＋1｝，其中：(www.daowen.com)

①t1＝s，tm＋1＝e。

②全局时间被划分为m 个时间窗口w1，w2，…，wm。

③相邻时间窗口wi，wi＋1的聚类模型不同。