在基于传统的排序、回归的年龄估计方法中，存在不能有效利用人脸的演化特征、构建不同排序标签之间的相关性，且二分类方法进行年龄估计会产生排序不一致的问题。基于上述问题，提出一致性保留的集成排序年龄估计方法，充分利用年龄与排序值之间的相关性，抑制排序不一致问题；并提出新指标——排序不一致样本比例，用于评估二分类排序方法中排序不一致问题。首先，通过设计的编码方法将年龄类别转换成排序矩阵形式；然后，使用残差网络ResNet34（Residual Network）特征提取网络提取面部特征，再通过提出的编码学习模块进行编码学习；最后，通过基于度量方法的排序解码器将网络预测结果解码成图片的预测年龄。在MORPH Ⅱ数据集上的实验结果达到平均绝对误差（MAE）2.18，并在其他公开数据集上与同样基于排序、有序回归方法的OR-CNN（Ordinal Regression with CNN）、CORAL（COnsistent RAnk Logits）等方法相比，所提方法有更准确的预测结果，同时抑制了排序不一致样本的比例，排序不一致度量性能比OR-CNN方法提升了约65%。

在大数据与云计算时代，时态大数据的查询分析面临许多重要挑战。针对其中时态聚合范围查询性能不佳和不能有效利用索引等问题，提出一种用于时态聚合范围查询的分布式时态索引（DTI）。首先，采用随机或轮询策略对时态数据分区；其次，采用基于时间位数组前缀的分区内索引构造算法建立索引，同时记录包括时间跨度在内的分区统计信息；再次，利用谓词下推筛选时间跨度与查询时间区间重叠的数据分区，扫描索引进行预聚合；最后，将各分区得到的预聚合值按时间归并并聚合。实验结果表明，索引的分区内构造算法处理时间密度2 400条每单位时间和0.001条每单位时间的数据的执行时间相近。索引的聚合查询算法相较于ParTime算法：在查询时间线前75%的数据时，每一步用时都至少减少22%；执行选择型聚合函数时，每一步用时都至少减少11%。因此，索引在多数时态聚合范围查询任务中具有更高的速度，它的分区内构造算法能解决数据稀疏问题且执行效率高。