由于大数据时代数据的爆炸性增长，为用户分析和提取有意义的数据是一项艰巨的任务。 由于时间敏感性，需要及时操作数据，因此在存储和计算方面面临巨大压力。 针对难以在短时间内从大数据乱序流中获取有价值的信息的问题，提出了一种基于改进BP算法的模型匹配算法。 在该算法中，匹配模型是动态设置的。 根据数据到达时间的顺序为用户提取信息。 此外，算法参数在学习和匹配过程中会自动调整。 因此，加快了学习的响应速度并且减少了匹配时间。 在仿真中，通过自适应调整机制获得了一组改进的BP的最佳参数。 阈值（TH），连接权重（CW）和学习率（LR）分别等于1.5、3和1。 我们对具有这些参数的10000组乱序流实施模型匹配算法。 结果表明，该算法可以明显提高匹配的准确性和速度，并具有较好的稳定性。
