研究人员对数据流处理的研究不断深入，我们认为出现了以下新的动向：

未来略图

引入更多多的的统计

计技技术来构造略图

G. Cormode等主要处理对频繁项的计算。它以前人的主项（majority item ）算法([116, 117])为基础，使用了error-correcting codes来处理问题。如数据的每一位设立一个计数器，再根据这些计数器的计数结果来推断频繁项集合。

Y. Tao等[118]实质上是对Probabilistic counting (已经广泛地用于数据库领域的distinct counting)在数据流处理的一种应用。

扩展略图

对略图进行扩展，以处理更更复复杂的查询询需需求

Lin等在文献[93]中构造了一个复杂的略图体系，可用于滑动窗口模型（sliding window model ）和n-of-N模型的分位数估计，这是简单略图难以做到的。

在滑动窗口模型下，文献[93]将数据按时间顺序分为多个桶，在每个桶中建立略图（精度比要求的高），然后查询时再将这些略图合并（merge），其中对最后一个桶可能需要进行提升（lift ）操作。维护时只删除过期的桶，增加新的桶。

在n-of-N model中，文献[93]将数据按EH Partitioning技术分为多个大小不同的桶，在每个桶中建立略图（精度比要求的高），然后查询时再将其中一部分略图合并，可以保证要求的精度，其中对最后一个同可能需要进行提升。

结合时空数据

与时空数据处理的进一步结合：

J. Sun等在文献[120]中虽然主要针对时空数据的历史查询和预测处理。然而，文章却强调时空数据是以数据流的形式出现的，处理中也更着重于时空数据的更新性能。

Y. Tao等[118]使用数据流的方法处理时空数据，通过对动态的时空数据构造略图，用于分辨物体是否在多个区域间运动或静止的状态，并估算其数量。而这种问题在原先的时空处理中是很难解决的。