مروری جامع بر یادگیری پیش‌بینی‌کننده برای اینترنت اشیاء متحرک: چالش‌ها و فرصت‌های پژوهشی

خلاصه

گسترش سیستم‌های اینترنت اشیا (IoT) توجه زیادی را از سوی جامعه پژوهشی به خود جلب کرده است و نوآوری‌های بسیاری را به شهرهای هوشمند، به ویژه از طریق اینترنت اشیاء متحرک (IoMT) به همراه داشته است. توزیع دینامیک جغرافیایی دستگاه‌های IoMT به دستگاه‌ها امکان می‌دهد تا خود و محیط اطراف خود را در مقیاس‌های زمانی- مکانی متعدد حس کنند، با یکدیگر در یک منطقه جغرافیایی وسیع تعامل داشته باشند، و وظایف تحلیلی خودکار را در همه جا و هر زمان انجام دهند. در حال حاضر، بیشتر کاربردهای جغرافیایی سیستم‌های IoMT برای تشخیص و نظارت غیرعادی توسعه یافته‌اند. با این حال، انتظار می‌رود که در آینده نزدیک، وظایف بهینه‌سازی و پیش‌بینی تأثیر بیشتری بر نحوه تعامل شهروندان با شهرهای هوشمند داشته باشد.
 این مقاله به بررسی وضعیت هنر سیستم‌های IoMT می‌پردازد و نقش حیاتی آن‌ها را در حمایت از یادگیری پیش‌بینی‌کننده مورد بحث قرار می‌دهد. حداکثر پتانسیل سیستم های IoMT در شهرهای هوشمند آینده می تواند به طور کامل از نظر تصمیم گیری فعال و تحویل تصمیم از طریق یک حلقه اقدام / بازخورد پیش بینی شده مورد بهره برداری قرار گیرد. ما همچنین چالش‌ها و فرصت‌های یادگیری پیش‌بینی‌کننده برای سیستم‌های IoMT را بر خلاف GIS بررسی می‌کنیم. نمای کلی ارائه شده در این مقاله، رهنمودها و رهنمودها را برای تحقیقات آینده در مورد این موضوع نوظهور برجسته می کند. ما همچنین چالش‌ها و فرصت‌های یادگیری پیش‌بینی‌کننده برای سیستم‌های IoMT را بر خلاف GIS بررسی می‌کنیم. نمای کلی ارائه شده در این مقاله، رهنمودها و رهنمودها را برای تحقیقات آینده در مورد این موضوع نوظهور برجسته می کند. ما همچنین چالش‌ها و فرصت‌های یادگیری پیش‌بینی‌کننده برای سیستم‌های IoMT را بر خلاف GIS بررسی می‌کنیم. نمای کلی ارائه شده در این مقاله، رهنمودها و رهنمودها را برای تحقیقات آینده در مورد این موضوع نوظهور برجسته می کند.

کلید واژه ها:

اینترنت اشیا ؛ اینترنت اشیاء متحرک ؛ یادگیری پیش بینی کننده ; GIS _ شهرهای هوشمند

1. معرفی

اینترنت اشیا (IoT) از زمان معرفی اولین بار توسط کوین اشتون در سال 1999 مورد توجه قابل توجهی از سوی جامعه تحقیقاتی قرار گرفته است [ 1 ، 2 ، 3 ].]. مفهوم اساسی اینترنت اشیا این است که هر چیز فیزیکی در یک شهر هوشمند به هم متصل است و می تواند به عنوان یک حسگر تعبیه شده در رایانه های کوچک عمل کند، که سپس از نظر جغرافیایی در منطقه وسیعی از یک شهر هوشمند توزیع می شوند. یک دستگاه اینترنت اشیا همیشه از طریق یک شبکه ارتباطی، از شبکه های برد کوتاه (به عنوان مثال، بلوتوث، Zigbee، ارتباطات میدان نزدیک (NFC))، تا شبکه های برد متوسط ​​(به عنوان مثال، Wi-Fi، Digi Mesh)، تا برد بزرگ متصل می شود. شبکه ها (به عنوان مثال، LoRaWan، تلفن همراه، WiMax). امروزه معمولاً از دستگاه‌های IoT انتظار می‌رود که داده‌های حسگر را جمع‌آوری کنند، با یکدیگر ارتباط برقرار کنند و بدون دخالت انسان تصمیم‌گیری کنند [ 4 ، 5 ، 6 ، 7 ]]. برخی از نمونه‌های دستگاه‌های اینترنت اشیا شامل چراغ‌های راهنمایی هوشمند، پارکومترهای هوشمند، کنتورهای هوشمند خانه، تلفن‌های هوشمند و دستگاه‌های پوشیدنی است [ 8 ، 9 ، 10 ، 11 ، 12 ، 13 ].
بازار اینترنت اشیا در شهرهای هوشمند به دلیل تعدادی از موانع فنی، سیاسی و مالی هنوز واقعاً رشد نکرده است. با این حال، مقالات نظرسنجی قبلی دیدگاه‌های متفاوتی را در رابطه با نقش اینترنت اشیا در شهرهای هوشمند نشان داده‌اند. اینها عمدتاً به دغدغه‌های معماری اینترنت اشیا مانند عناصر، امکانات، پروتکل‌ها و استانداردهای اینترنت اشیا [ 14 ، 15 ، 16 ، 17 ، 18 ، 19 ] و همچنین توسعه برنامه‌های کاربردی جدید اینترنت اشیا مانند کارخانه‌های هوشمند [ 20 ] مربوط می‌شوند. ، خانه های هوشمند [ 21 ] و بیمارستان های هوشمند [ 22 ].
اینترنت اشیاء متحرک (IoMT) این را یک گام فراتر می برد و می توان آن را به عنوان “گسترش مفهوم اینترنت اشیا به وسایل متحرک، که اساساً هر وسیله اینترنت اشیا حرکت می کند” تعریف کرد. به جای داشتن یک مکان ثابت در یک شهر هوشمند، یک دستگاه IoMT می تواند هر چیزی باشد که مردم می پوشند یا حمل می کنند، مانند لباس، گوشی های هوشمند، و پوشیدنی. یا چیزهایی که برای حمل و نقل استفاده می شوند، مانند اتومبیل، کامیون، قطار، دوچرخه و هواپیما. هنگامی که این دستگاه‌های IoMT به یکدیگر متصل می‌شوند، نه تنها می‌توانند خود (مثلاً سرعت، شتاب و جهت) و محیط اطراف خود (مانند دما، صدا و آلودگی هوا) را حس کنند، بلکه می‌توانند از منابع موجود نیز بهره‌برداری کنند. توسط لبه، مه، و محاسبات ابری.
بنابراین، دستگاه‌های IoMT جریان‌های داده نامحدودی را از تعداد زیادی مکان‌های داخلی و خارجی تولید می‌کنند که به یک پایگاه داده با تأخیر کم برای ذخیره و کاوش داده‌ها در فضا نیاز دارند. زمان یک بعد مهم است زیرا پنجره های زمانی متفاوتی که برای مدیریت جریان های داده IoMT استفاده می شود بر وظایف پیش پردازش، تحلیلی و تجسم تأثیر می گذارد. برخی از نمونه‌ها عبارتند از پنجره‌های شاخص [ 23 ]، پنجره‌های کشویی [ 24 ]، بیوه‌های مرطوب [ 25 ] و پنجره‌های کج شده [ 26 ]]. پنجره‌های زمانی مختلفی برای مقابله با انتقال جریان‌های داده پیشنهاد شده‌اند که در آن نرخ داده می‌تواند بر قدرت پردازش منابع محاسباتی در لبه، مه و ابر غلبه کند. در مقابل، بعد فضا تا کنون نادیده گرفته شده است، علیرغم این واقعیت که جریان های داده توسط دستگاه های IoMT در حال حرکت در مناطق جغرافیایی بزرگ، با دانه بندی فضایی خوب، تولید می شوند. اکنون علاقه و تقاضای فزاینده ای برای توسعه پلتفرم های IoT-GIS وجود دارد که می توانند جریان های داده تولید شده توسط دستگاه های IoMT را مدیریت کنند. این مقاله گامی در این مسیر است، عمدتاً به این دلیل که IoMT راه را برای یادگیری پیش‌بینی هموار می‌کند.
همانطور که در [ 27 ] نشان داده شد، یادگیری پیش بینی کننده اصطلاحی است که اغلب به اشتباه استفاده می شود. روزن آن را به عنوان “سیستمی که وضعیت فعلی آن توسط یک وضعیت آینده (پیش بینی شده) تعیین می شود”، در حالی که نادین آن را به عنوان “سیستمی که وضعیت فعلی آن نه تنها توسط یک وضعیت گذشته، بلکه توسط حالت های احتمالی آینده تعیین می شود” تعریف کرده است. 28 ، 29 ، 30 ، 31 ]. با این وجود، هر دو نویسنده توافق دارند که پیش‌بینی و پیش‌بینی مفاهیم قابل تعویض نیستند. توافق بر این است که یک سیستم پیش‌بینی‌کننده تصمیم می‌گیرد تا بر آینده تأثیر بگذارد تا به نفع کاربر باشد. در همین حال، یک سیستم پیش بینی از یک مدل پیش بینی استفاده می کند که می تواند وضعیت آینده خود سیستم را پیش بینی کند.
در این مقاله، یادگیری پیش بینی برای IoMT به عنوان “سیستمی که در آن وضعیت فعلی توسط رفتار گذشته و آینده دستگاه های IoMT تعیین می شود که توسط توزیع جغرافیایی پویا دستگاه های IoMT در طول زمان نشان داده می شود” تعریف می شود. این برای ایجاد هوش زمینه برای مدل‌های یادگیری پیش‌بینی ضروری است. عمدتاً به این دلیل که دستگاه‌های IoMT به حسگرهای مختلفی مجهز شده‌اند که جریان‌های داده‌ای از اطلاعات مکانی-زمانی را تولید می‌کنند که برای استنباط هوش زمینه‌ای در مورد آنچه اتفاق می‌افتد، کجا و چرا اتفاق می‌افتد، و آنچه باید در مورد آن انجام شود، استفاده می‌کنند. به عبارت دیگر، هوش زمینه ای مستلزم آن است که مدل های یادگیری پیش بینی دارای:(1) استراتژی سنجش زمینه رویدادهای مرتبط گذشته که توسط دستگاه های IoMT شناسایی یا نظارت می شود. (2) آگاهی مکانی-زمانی از متغیرهای زمینه ای فعلی که به طور مداوم برای داده های جمع آوری شده IoMT استفاده می شود. و (3) آگاهی کاربر محور از آینده ترجیحی، به طوری که سیستم بتواند تأثیر بگذارد و به کاربر کمک کند تا تصمیمات مناسب بگیرد.
محاسبات لبه-مه-ابر فعلی فناوری است که به ما امکان می دهد الگوریتم های یادگیری ماشین را اجرا کنیم و مدل های یادگیری پیش بینی کننده بسازیم [ 32 ، 33 ]. در مقابل، فناوری GIS فعلی ما در درجه اول برای پشتیبانی از سیستم های پیش بینی توسعه یافته است. تلاش‌های اخیر در طراحی IoMT-GIS محدودیت‌های اصلی GIS را در پردازش جریان‌های داده IoMT نشان داده‌اند [ 34 ، 35 ]. افزودن قابلیت‌های یک مدل یادگیری پیش‌بینی‌کننده به GIS تنها موانع بیشتری برای استفاده از GIS برای اجرای جریان یادگیری ماشینی برای ساخت مدل‌های یادگیری پیش‌بینی ایجاد می‌کند.
از آنجایی که یک مرور کلی نسبتاً سیستماتیک از سیستم‌های اینترنت اشیا اخیراً در جای دیگری منتشر شده است [ 36 ]، مقاله ما بر روی سیستم‌های IoMT تمرکز دارد. هدف ما نه تنها ارائه یک نمای کلی از تحقیقات IoMT است که مربوط به هر مرحله از یک مدل یادگیری پیش‌بینی است، بلکه همچنین ارائه برخی دستورالعمل‌ها و جهت‌های تحقیقاتی آینده برای ساخت مدل‌های یادگیری پیش‌بینی‌کننده برای سیستم‌های IoMT است.
بقیه مقاله به شرح زیر سازماندهی شده است. بخش 2 مفاهیم اصلی سیستم های IoMT را معرفی می کند و راهبردهای جمع آوری داده ها را که در حال حاضر در پروژه های تحقیقاتی استفاده می شود، مقایسه می کند. بخش 3 مراحل اصلی مربوط به ساخت مدل های پیش بینی برای سیستم های IoMT را شرح می دهد. بخش 4 تحقیقی را که بر روی سنجش زمینه در لبه شبکه انجام می شود، توضیح می دهد، در حالی که بخش 5 هوش زمینه را با استفاده از محاسبات مه معرفی می کند. بخش 6 پیش بینی و اقدامات هوشمندانه برای یادگیری پیش بینی را تشریح می کند. بخش 7یک مرور کلی از چالش ها و فرصت ها برای ایجاد یادگیری پیش بینی برای سیستم های IoMT ارائه می دهد. در نهایت، نتیجه گیری و تحقیقات آتی در بخش 8 آورده شده است.

2. اینترنت اشیاء متحرک

به طور کلی دستگاه های IoMT به انواع مختلفی از سنسورها از شتاب سنج و ژیروسکوپ گرفته تا حسگرهای مجاورت، نور و محیط و همچنین میکروفون و دوربین مجهز هستند. آنها همچنین توانایی محاسبات را با استفاده از طیف گسترده ای از رابط های ارتباطی مانند Wi-Fi، بلوتوث یا NFC دارند. توانایی درک خود و محیط اطرافشان برای تولید «جریان‌های داده‌های کوچک» در فضا و زمان کلیدی است، به گونه‌ای که بسیاری از ویژگی‌های کلان داده، از جمله پنج V را به اشتراک بگذارند: تنوع، سرعت، حجم، صحت و ارزش. [ 37 ، 38 ، 39 ، 40 ، 41 ].
ماهیت جریان های داده IoMT چند مدل، متنوع، ناهمگن و حجیم است. اغلب با سرعت بالا و با درجه ای از عدم قطعیت عرضه می شود. به طور کلی، این جریان های داده دارای ویژگی های متمایزی هستند که ذخیره سازی، مدیریت و پردازش سنتی GIS فعلی را منسوخ می کند [ 42 ]. این ویژگی ها را می توان به عنوان یکی از موارد زیر توصیف کرد:
  • داده در حرکت: دستگاه های IoMT این توانایی را دارند که با استفاده از متغیرهای زمینه مانند سرعت، شتاب و جهت در یک مکان و زمان خاص، خود را حس کنند. با این حال، آنها همچنین می توانند محیط اطراف خود را با استفاده از متغیرهای زمینه مانند دما، صدا و آلودگی هوا حس کنند و بسته به نوع حسگر مستقر در داخل دستگاه IoMT، این متغیرها ممکن است محدوده های مکانی مختلفی داشته باشند (به عنوان مثال، از 1 و 10 متر تا 100 متر و 1 کیلومتر) و همچنین دانه بندی های زمانی (به عنوان مثال، از میلی ثانیه و ثانیه تا ساعت و روز). به طور کلی داده‌های سنجش زمینه دائماً از دستگاه‌های IoMT به گره‌های لبه و مه، تا ابر بسته به قدرت پردازش و منابع ذخیره‌سازی موجود، در حال حرکت هستند.
  • داده‌ها به اشکال مختلف: بسته به هوش زمینه‌ای که برای یک مدل یادگیری پیش‌بینی‌شده در نظر گرفته شده است، هر دستگاه IoMT می‌تواند عملکردهای سنجش متفاوتی را برای جمع‌آوری داده‌های سری‌های زمانی و رویداد انجام دهد. این منجر به انواع داده‌های مختلف از جمله جریان‌های داده ساختاریافته، نیمه‌ساختار یافته، غیرساخت‌یافته و مختلط می‌شود.
  • داده در حالت سکون: این غیر قابل انکار است که دستگاه های IoMT حجم زیادی از جریان های داده را تولید می کنند که همیشه در طول زمان با یک مکان مرتبط هستند. این امر چالشی را برای ضبط، پردازش و مدیریت داده ها در یک مقیاس زمانی- مکانی مناسب ایجاد می کند که برای شناسایی پیشینی در هنگام توسعه مدل های یادگیری پیش بینی لازم است.
  • داده های مشکوک: عدم قطعیت به سوگیری ها، نویزها و ناهنجاری ها در جریان داده ها به دلایلی مانند ناهماهنگی و ناقص بودن داده ها، تأخیر، ابهام، فریب و تقریب اشاره دارد.
  • داده‌های بسیاری از مقادیر: زمینه بالقوه پنهان در اعماق جریان‌های داده IoMT قابل توجه است و هنوز به طور کامل مورد بهره‌برداری قرار نگرفته است. با پردازش، محاسبه، تجزیه و تحلیل و تصمیم گیری بر اساس این زمینه می تواند به ما در حمایت از اقدامات تصمیم گیری کمک کند. محاسبات پیش بینی در این مقاله به عنوان یک رویکرد کلیدی برای بهره برداری از این پتانسیل در نظر گرفته شده است.
جدول 1 برخی از پروژه های تحقیقاتی منتخب را مقایسه می کند که در آنها داده های دستگاه های IoMT با استفاده از چندین حسگر مختلف مانند GPS، برچسب های شناسایی فرکانس رادیویی (RFID) و دوربین ها جمع آوری شده است. آنها به چهار نوع متداول طبقه بندی شده اند: ساختاریافته، بدون ساختار، نیمه ساختاری و مختلط. داده های ساختاریافته اطلاعاتی هستند که با طرح و مدل های داده رسمی مطابقت دارند. در همین حال داده های بدون ساختار از هیچ مدل داده از پیش تعریف شده پیروی نمی کنند. داده های نیمه ساختاریافته در مدل داده قرار ندارند، اما دارای ساختارهای سازمانی هستند که تجزیه و تحلیل آنها را آسان تر می کند (به عنوان مثال، فایل CSV، XML، JSON). داده های ترکیبی ترکیبی از انواع مختلفی از داده ها با هم هستند. استدلال می‌شود که بخش بزرگی از داده‌های IoMT که امروزه تولید می‌شوند، داده‌های نیمه‌ساختار یافته یا بدون ساختار هستند [ 38 ]]. بررسی ادبیات پروژه های منتخب ما این فرضیه را تایید می کند و همچنین مسائل اصلی زیر را در GIS آشکار می کند:
  • منحصربه‌فرد بودن : جریان‌های داده IoMT یک نوع منحصربفرد از داده‌های مکانی-زمانی هستند، زیرا آنها ابر عظیمی از نقاط مکان را در طول زمان نشان می‌دهند، به گونه‌ای که نمایش‌های فضایی فعلی (مثلاً مسیرها، جغرافیای زمانی و لایه‌ها) نمی‌توانند حجم این نقاط داده و داده های نیمه ساختار یافته و بدون ساختار اختصاص داده شده به آنها.
  • انتشار: ما انتشار را به عنوان یک فرآیند زمان گسسته در نظر می گیریم که از یک نقطه داده به نقطه داده دیگر شروع می شود که قادر به جمع آوری اطلاعات زمینه است و توسط سرعت پیشرفت بین دو یا چند نقطه داده کنترل می شود. ماتریس‌های پیشرفت مکانی-زمانی در گذشته استفاده شده‌اند، اما نمی‌توانند جریان‌های داده‌های غیرساخت‌یافته و بدون ساختار را مدیریت کنند. کار تحقیقاتی بیشتری در این زمینه مورد نیاز است.
  • پردازش چندگانه: از جدول 1 به راحتی می توان دریافت که جریان های داده انباشته شده می توانند وارد شوند و نیاز به پردازش با سرعت های مختلف از دسته ای تا تقریباً زمان واقعی یا پردازش زمان واقعی دارند. اکثر پروژه های تحقیقاتی از پردازش دسته ای برای تجزیه و تحلیل داده های خود استفاده کرده اند. توسعه جریان GIS برای تجزیه و تحلیل جریان های داده به هنگام رسیدن آنها مورد نیاز است.

3. مدل یادگیری پیش بینی کننده

«انتظار مربوط به تغییر است، یعنی احساس آینده» [ 30 ]. از دیدگاه IoMT، ما باید بتوانیم جریان‌های داده‌ای را به دست آوریم که بتوان از آنها برای حس یک زمینه جامع در فضا و زمان استفاده کرد و اقدامات پیش‌بینی‌کننده را بر اساس پیش‌بینی‌های وضعیت آینده این زمینه استنتاج کرد. برای این منظور، شکل 1 چهار مرحله اصلی در ساخت مدل های یادگیری پیش بینی را نشان می دهد که عبارتند از: (1) سنجش زمینه. (2) هوش زمینه. (3) پیش بینی زمینه. و (4) حلقه اقدام / بازخورد پیش بینی ، همانطور که قبلا در [ 73 ، 74 ] پیشنهاد شده بود. اکثر تحقیقات پیشرفته در حال حاضر به سه مرحله اول محدود می شود. پژویچ و موسولیسی [ 27] بیان کرد که مانع اصلی برای تکثیر بیشتر محاسبات پیش‌بینی‌شده، ناتوانی دستگاه‌های IoMT (و به طور کلی اینترنت اشیا) در تعامل یکپارچه با انسان‌ها و ایجاد بازخورد است که برای هدایت فرآیند یادگیری پیش‌بینی‌کننده حیاتی است. بررسی ادبیات ارائه شده در این مقاله همچنین مانع دیگری را برای تکثیر مدل‌های یادگیری پیش‌بینی نشان می‌دهد که فقدان رویکردهایی برای نشان دادن دانش مکانی-زمانی پیشینی از یک زمینه خاص است. این برای جلوگیری از اینترنت «بی فایده» موبایل در هدایت فرآیندهای یادگیری پیش‌بینی در آینده نزدیک بسیار مهم است.

4. سنجش زمینه در لبه یک شبکه

برای یک مدل یادگیری پیش‌بینی‌کننده، سنجش نقش مهمی در ارائه داده‌های مورد استفاده برای تولید هوش زمینه ایفا می‌کند. زمینه ممکن است به دسته های مختلفی تقسیم شود (مکان، هویت، فعالیت، زمان) [ 75 ] و ممکن است جنبه های متعددی مانند جنبه های جغرافیایی، فیزیکی، اجتماعی و زمانی داشته باشد [ 76 ]. هدف سنجش متنی ایجاد رابط بین دستگاه‌های IoMT (اشیاء) در دنیای فیزیکی و یک فرد یا گروهی از افراد است.
در سنجش زمینه خودرو، دستگاه‌های IoMT در یک وسیله نقلیه می‌توانند جنبه‌های مهم رفتار راننده و محیط اطراف را در طول زمان تشخیص دهند. سنسورهای داخل خودرو و همچنین حسگرهای تعبیه شده در دستگاه‌های تلفن همراه که توسط راننده حمل می‌شوند نیز می‌توانند برای جمع‌آوری جریان‌های داده IoMT استفاده شوند. علاوه بر این، جریان‌های داده IoMT از خودروهای مختلف می‌تواند پوشش فضایی بیشتری را برای درک بهتر زمینه فراهم کند و همچنین می‌تواند به کاهش ابهام‌زدایی کمک کند. سنجش زمینه می تواند اطلاعاتی را در مورد تغییر مسیر رانندگان، علائم ایست، موانع و چاله ها ارائه دهد. این ویژگی ها را می توان بیشتر برای استنباط زمینه ای استفاده کرد که در یک مدل یادگیری پیش بینی برای بهبود ایمنی راننده و کارایی موتور استفاده می شود.
برای دستیابی به این هدف، پیش پردازش داده ها برای استخراج ویژگی ها از جریان های داده IoMT و استفاده از آن ویژگی ها برای ارائه هوش زمینه ضروری است. در دسترس بودن توان محاسباتی لبه به طور امیدوارکننده ای به ما این امکان را می دهد که بسیاری از تکنیک های پیش پردازش را در نزدیکی دستگاه IoMT اجرا کنیم، به جای اینکه همه جریان های داده IoMT به یک مرکز داده ارسال شوند [ 77 ، 78 ، 79 ، 80 ، 81 ]. انتخاب صحیح تکنیک های پیش پردازش در مراحل بعدی ساخت یک مدل یادگیری پیش بینی حیاتی خواهد بود. شرح مختصری از هر مرحله پیش پردازش به شرح زیر ارائه شده است:
  • رویارویی با داده های از دست رفته: برای یک جریان داده انباشته شده بزرگ، حذف مشاهدات بر اساس مقادیر از دست رفته معمولاً به عنوان یک مشکل در نظر گرفته نمی شود، اما برای یک جریان داده مداوم، ممکن است بر مراحل بعدی ما در یادگیری پیش بینی تأثیر بگذارد. بنابراین، مقادیر از دست رفته را می توان بر اساس مدل های پیش بینی جایگزین کرد [ 82 ، 83 ].
  • فیلتر کردن: دستگاه های IoMT معمولاً جریان های داده نویز تولید می کنند. به منظور به حداقل رساندن تأثیر بر مراحل بعدی، مجموعه واضحی از وظایف خودکار برای تعریف، شناسایی و تصحیح خطاها مورد نیاز است. برخی از رویکردهای جدید را می توان در [ 84 ، 85 ] یافت.
  • خلاصه سازی و تجمیع: برای برخی کاربردها، شکل خلاصه جریان داده های انباشته ممکن است برای تجزیه و تحلیل آماری کافی باشد [ 86 ، 87 ]. سایر برنامه ها ممکن است به تجمیع داده ها برای کاهش مصرف پهنای باند و همچنین تأخیر داده نیاز داشته باشند [ 88 ].
  • تمیز کردن: جریان های داده IoMT گاهی اوقات داده های نامربوط یا نادرست ایجاد می کنند. تکنیک های تمیز کردن برای کاهش زمان و پیچیدگی محاسباتی و بهبود عملکرد مدل پیش بینی، در نتیجه ویژگی های داده کمتر مورد نیاز است [ 83 ، 89 ].
  • تبدیل: برای مقابله با پیچیدگی جریان های داده IoMT، تجزیه و تحلیل مؤلفه اصلی (PCA) یک تکنیک رایج برای کاهش تعداد ویژگی های داده است [ 90 ]. روش دیگر، تخصیص دیریکله نهفته (LDA)، برای یافتن ترکیبی خطی از ویژگی هایی که دو یا چند کلاس را مشخص یا جدا می کند استفاده می شود [ 91 ، 92 ]. اخیراً کاهش الگو (PR) در [ 93 ] برای کاهش تعداد الگوها ارائه شده است.
این بسیار مهم است که جریان های داده IoMT قبل از عبور به مرحله بعدی (یعنی هوش زمینه) از قبل پردازش شوند. بنابراین، آیا ما باید تمام داده های IoMT خود را به ابر (مراکز داده) انتقال دهیم؟ پاسخ ما به این سوال منفی است. هر چه پیش پردازش به منبع داده نزدیکتر باشد، سیستم IoMT مزایای بیشتری دارد. با حجم عظیمی از جریان های داده IoMT تولید شده توسط انواع حسگرها، سیل و غرق در شبکه ها و مراکز داده (یعنی ابر) بسیار امکان پذیر است. علاوه بر این، برخی از وظایف پیش پردازش را می توان با استفاده از مجموعه خاصی از دستگاه های IoMT اجرا کرد که می تواند به بهبود تعامل بین دستگاه ها و بهبود کارایی کل سیستم کمک کند.

5. هوش زمینه در لایه مه یک شبکه

هوش زمینه نیاز به استدلال استقرایی برای استنتاج مفاهیم سطح بالاتر از جریان های داده IoMT از پیش پردازش شده دارد. با ارجاعات دانشگاهی از اوایل دهه 1980، این نظریه جدیدی نیست. با این حال، سیستم‌های IoMT نشان داده‌اند که هوش زمینه‌ای به مدل‌های یادگیری پیش‌بینی نیاز دارد که محدودیت‌های الگوریتم‌های ما را در تولید دانش جدید درک می‌کنند و می‌توانند این دانش را با محیطی متفاوت از محیطی که در آن مدل یادگیری آموزش داده شده است، تطبیق دهند. هوش زمینه ای مستلزم حرکت بسیار فراتر از تحلیل فضاهای اقتصادی، شهری، روستایی و بسیاری از فضاهای دیگر است. تکیه بر توضیحات ساده برای مفاهیم پیچیده سطح بالا (یعنی پدیده های پیچیده مانند رفتار انسان) معمول است.
چشم انداز ما از هوش زمینه، توزیع تجزیه و تحلیل جریان به یک ترتیب سلسله مراتبی است، که با تجزیه و تحلیل توصیفی شروع می شود، که می تواند در خود گره های لبه (یعنی دروازه ها) پردازش شود و تجزیه و تحلیل های تشخیصی پیچیده تری را روی گره های مه انجام دهد. بونومی و همکاران [ 77 و 78 ] قبلاً یک معماری توزیع‌شده سلسله مراتبی مبتنی بر محاسبات مه برای پردازش داده‌های اینترنت اشیا با تأخیر کم، آگاهی از موقعیت مکانی و پشتیبانی تحرک پیشنهاد کرده بود. ما این معماری توزیع شده را با عناصر زیر گسترش دادیم:
  • مقیاس پذیری: با توزیع وظایف تحلیلی خودکار، هوش زمینه به مقیاس پذیری دستگاه های IoMT بستگی دارد. بسیاری از مدل‌های زمینه به الگوریتم‌های یادگیری ماشینی ساده مانند پروتکل بازرسی خطی اسپانیایی (L-SIP) نیاز دارند که برای کاهش انتقال داده‌ها اعمال شده است. طبقه بندی حالت فیلتر شده (ClassAct) به عنوان طبقه بندی کننده وضعیت/فعالیت انسان بر اساس درخت تصمیم. و کدگذاری هیستوگرام با تخفیف (Bare Necessities) که برای خلاصه کردن زمان نسبی صرف شده در زمینه های داده شده استفاده می شود [ 94 ].
  • تحرک و توزیع جغرافیایی: اینها الزامات ضروری برای هوش زمینه هستند. با این حال، یک سیستم یادگیری پیش‌بینی‌کننده نیز نیازمند یک سناریوی غنی از ارتباطات و تعامل بین تمام منابع محاسباتی موجود است. برای دستیابی به این هدف، خطوط لوله داده پیشینی باید طراحی شود که از یک چارچوب تحلیلی در همه جا پشتیبانی کند [ 95 ، 96 ، 97 ].
  • ناهمگونی و قابلیت همکاری: بدیهی است که دستگاه‌های پایانه در سیستم IoMT می‌توانند داده‌ها را با مُهر زمانی، قالب‌ها و مکان‌های مختلف جمع‌آوری کنند. علاوه بر این، دستگاه‌های محاسباتی شبکه لبه‌ای که دروازه‌های اینترنت اشیا را مستقر می‌کنند، می‌توانند به طور یکپارچه از قابلیت همکاری بین دستگاه‌های ترمینال پشتیبانی کنند. برای مثال، مجموعه‌ای از دستگاه‌ها از جمله حسگر بازوبند، هدست بلوتوث، تلفن هوشمند، آنتن خارجی برای گیرنده GPS و یک لپ‌تاپ سبک با فرستنده گیرنده [ 98 ] برای جمع‌آوری داده‌های فعالیت انسانی ترکیب شدند، که سپس پردازش شدند. زمینه اطراف آنها را پیش بینی کنید.

6. پیش بینی زمینه و اقدامات پیش بینی

پیش‌بینی زمینه و اقدام پیش‌بینی دو مرحله مهم برای مدل‌های یادگیری پیش‌بینی‌کننده هستند. کنش پیش بینی کننده به عمل (رفتار)، از جمله تصمیم گیری واقعی اشاره دارد. مکانیسم های آماده سازی داخلی؛ یا یادگیری که به پیش بینی ها، انتظارات، اهداف یا باورها در مورد وضعیت های آینده وابسته است. با توجه به [ 31]، پیش بینی بر تأثیر یک پیش بینی یا انتظار رفتار فعلی متمرکز است. به بیان دیگر، اقدامات پیش‌بینی‌کننده نه تنها در مورد پیش‌بینی آینده یا انتظار یک رویداد آینده، بلکه در مورد تغییر رفتار (یا سوگیری‌ها و استعدادهای رفتاری) بر اساس این پیش‌بینی یا انتظار است. برای اینکه مدل‌های یادگیری پیش‌بینی‌کننده به شهروندان در تغییر رفتارشان کمک کنند، پیش‌بینی زمینه و اقدامات مبتنی بر هوش باید نقش اصلی را ایفا کند.
تحقیقات قبلی مدل‌های پیش‌بینی مختلفی را توصیف کرده‌اند که برای پیش‌بینی رفتار افراد یا دستگاه‌های IoMT استفاده می‌شوند. تسای، چون وی، و همکاران. [ 99 ] مروری کوتاه بر تکنیک های داده کاوی برای سیستم های اینترنت اشیا ارائه می دهد. شکل 2 وضعیت تحقیق پیش‌بینی زمینه را با استفاده از الگوریتم‌های تحلیلی مختلف و انواع منابع داده نشان می‌دهد، در حالی که جدول 2 زیر رویکردهای مورد استفاده برای ساخت یک مدل پیش‌بینی بر اساس تکنیک‌های پیش‌بینی نظارت شده و بدون نظارت [ 100 ، 101 ، 102 ] را خلاصه می‌کند.]. تکنیک‌های نظارت شده برای یافتن مدلی که می‌تواند بعداً روی یک مجموعه داده جدید اعمال شود، به داده‌های برچسب‌گذاری شده و آموزش متکی هستند. در مقابل، تکنیک‌های بدون نظارت از داده‌های بدون برچسب استفاده می‌کنند و سعی می‌کنند الگوهای رایج را پیش‌بینی کنند.

7. چالش ها و فرصت های تحقیق

در حالی که اصول مدل سازی یادگیری پیش بینی برای چندین دهه مورد مطالعه قرار گرفته است [ 28 ، 130 ]، IoMT در واقع در مراحل اولیه خود است. اگرچه اخیراً، محققان تلاش کرده‌اند یک فرآیند پیش‌بینی را در سیستم‌های یادگیری مصنوعی ادغام کنند [ 131 ، 132 ، 133 ، 134 ، 135 ]، تلاش‌های کمی در مورد برنامه‌های کاربردی تحقیقاتی یافت می‌شود که نظریه محاسبات پیش‌بینی را برای ایجاد هوش زمینه در دستگاه‌های IoMT اعمال می‌کنند [ 136 ] ، 137]. ما طرفدار این هستیم که تکثیر دستگاه‌های IoMT فرصتی منحصر به فرد برای کشف مدل‌های یادگیری پیش‌بینی‌کننده با استفاده از حجم وسیعی از جریان‌های داده IoMT ایجاد کرده است. این بخش چالش های تحقیقاتی را در به کارگیری محاسبات پیش بینی برای سیستم های IoMT مورد بحث قرار می دهد.

7.1. چالش های تحقیق

یادگیری پیش‌بینی‌شده برای سیستم‌های IoMT به زمینه‌های تحقیقاتی چند رشته‌ای مانند اینترنت اشیا، تجزیه و تحلیل داده‌های بزرگ، علم داده‌های مکانی، محاسبات ابری، محاسبات لبه، یادگیری ماشین و داده‌کاوی متکی است. چالش‌های ذاتی این موضوع در زیر مورد بحث قرار می‌گیرد.
  • حریم خصوصی: یکی از نگرانی‌های اصلی در مورد استقرار دستگاه‌های IoMT در اطراف یک شهر هوشمند این است که چگونه اقدامات پیش‌بینی‌کننده از جریان‌های داده IoMT بدون نقض حریم خصوصی کاربر ایجاد شود. برخی از نمونه‌های اطلاعات حساس جمع‌آوری‌شده توسط دستگاه‌های IoMT شامل مکان‌ها، فعالیت‌ها و احساسات است. برای مثال، محاسبات پیش‌بینی می‌تواند برای پیش‌بینی مکان‌ها یا فعالیت‌های کاربر آینده یک فرد مورد سوء استفاده قرار گیرد. حفظ حریم خصوصی زمانی که نوبت به در نظر گرفتن سیاست‌های حریم خصوصی متناقض در میان کاربران متعدد می‌شود، پیچیده‌تر می‌شود. یک مثال شامل مورد کاربری است که ممکن است فقط بخواهد یک نوع داده (یعنی داده بلوتوث) اهدا کند، در حالی که یکی دیگر دو نوع (مثلاً داده استفاده از بلوتوث و Wi-Fi) را اهدا می کند. وقتی این داده‌ها ترکیب می‌شوند و الگوهای هم‌مکانی پیدا می‌شوند، اطلاعات کاربر اول می‌تواند ناخواسته در معرض دید قرار گیرد.
  • امنیت : تنوع دستگاه‌های IoMT که ما در شهرهای هوشمند انتظار داریم، چالش مهمی برای تضمین امنیت کل فرآیند یادگیری پیش‌بینی‌شده، به‌ویژه در مورد دستگاه‌های پوشیدنی، شبکه‌های حسگر بدن یا اقلام حمل‌شده (مانند تلفن‌های هوشمند) ایجاد می‌کند. دستگاه های IoMT ممکن است به دلیل حساسیت به هک شدن، تهدیدی برای کاربران باشد. اگرچه در حال حاضر توجهی به موضوع امنیت برای سیستم های IoMT وجود دارد [ 138 ، 139 ، 140 ]، هیچ استاندارد، پروتکل یا چارچوب امنیتی مشترکی برای دستگاه های IoMT وجود ندارد. بنابراین، پرداختن به مسائل امنیتی برای IoMT اکنون یک نگرانی فوری در کار تحقیقاتی ما است.
  • اتصال : یکی از عوامل کلیدی برای کارآمد کردن دستگاه های IoMT، شبکه های ارتباطی مورد استفاده آنها است. تحرک از نظر حفظ یک اتصال پایدار بین دستگاه های IoMT در یک شهر هوشمند یک چالش است. در آینده، انتظار می‌رود که از فناوری شبکه‌ای جدید برای نگه داشتن دستگاه‌های IoMT در جمع‌آوری یکپارچه داده‌ها، بدون توجه به مکانشان، در دوره‌های زمانی کوتاه و طولانی استفاده شود [ 141 , 142 , 143 , 144 , 145 ]
  • آشفتگی : متفاوت از دستگاه‌های اینترنت اشیا مبتنی بر مکان ثابت، تحرک دستگاه‌ها معمولاً تعاملات آشفته و ناپایدار بین این دستگاه‌ها ایجاد می‌کند. به عنوان مثال، دستگاه های اینترنت اشیاء مستقر در یک مکان ثابت همیشه می دانند که با کدام همسایگان در ارتباط هستند. در مقابل، دستگاه‌های IoMT از همسایگان نزدیک خود اطلاعی ندارند. قانون اول جغرافیا باید از نظر تأثیر بالقوه مجاورت جغرافیایی بر قابلیت همکاری، مصرف برق، اتوماسیون وظایف تحلیلی، خطوط لوله داده و پروتکل های ارتباطی دستگاه های IoMT بیشتر مورد بررسی قرار گیرد.
  • مدیریت : انتخاب نوع مناسب دستگاه IoMT برای پشتیبانی از یک کار پیش بینی خاص، انتخاب آسانی نیست. اگر بسیاری از دستگاه‌های IoMT را انتخاب کنیم، ممکن است مشکلات زیادی مانند تخلیه برق، نویز و تأخیر داده‌ها ایجاد کند که به چند مورد اشاره می‌کنیم. از طرف دیگر، اگر دستگاه ها، گره های لبه و گره های مه کمتری در یک منطقه جغرافیایی بزرگ مستقر شوند، ممکن است شکاف هایی در جمع آوری داده ها وجود داشته باشد. چالش دیگر این است که چگونه الگوهای مصرف انرژی دستگاه‌های IoMT را در حین حرکت مدیریت کنیم.
  • از دست دادن اطلاعات : پردازش جریان های داده در لبه یک شبکه از دست دادن اطلاعات بالقوه را به همراه دارد، خطری که باید بین کارایی سیستم و ارزش اطلاعات متنی از دست رفته متعادل شود. همچنین یک سوال مهم در مورد شکاف جغرافیایی احتمالی ایجاد می‌کند، که در آن مناطق یک شهر هوشمند تعیین می‌کنند که کدام جریان‌های داده باید در گره‌های لبه پردازش شوند، و کدام جریان‌های داده باید در یک محیط محاسبات ابری پردازش شوند. تعیین نوع جریان داده و رفتار تحرک دستگاه‌های IoMT و اینکه کجا باید برای پردازش داده‌ها استفاده شوند، یک چالش تحقیقاتی جالب است.
  • تجزیه و تحلیل geospatial steaming : رابطه فضایی بین مکان‌های متغیرهای زمینه‌ای اندازه‌گیری شده با استفاده از دنباله‌ای از جریان‌های داده انباشته شده، روش‌های جدیدی را می‌طلبد که بر تراکم و مجاورت متکی نیستند، بلکه بر اتصال ابر عظیمی از نقاط داده تکیه دارند. چالش تحقیق سه مورد است: (1) چگونگی توسعه فرآیندهای درون یابی فضایی جدید برای تعیین اینکه کدام نقاط داده از جریان های داده فعلی باید برای تخمین مقادیر در سایر نقاط ناشناخته استفاده شوند. (2) نحوه انتخاب نوع پنجره های زمانی که باید برای جریان تجزیه و تحلیل جغرافیایی استفاده شود. و (3) خلاصه سازی جغرافیایی که در آن اتصال دستگاه های IoMT برای خلاصه کردن جریان های داده انباشته شده در مکان و زمان استفاده می شود.
  • چارچوب‌های تجزیه و تحلیل همه جا : از بررسی ادبیات ما، بیش از 400 معماری وجود دارد که برای مدیریت جریان‌های داده IoT ورودی با استفاده از استراتژی‌های مختلف مانند جریان، میکروبچ و پردازش دسته‌ای ایجاد شده‌اند. این استراتژی ها به گونه ای طراحی شده اند که به سمت یک رویکرد ناهمزمان برای دستگاه های IoT ایستا کار کنند. برای توسعه مدل‌های یادگیری پیش‌بینی‌کننده با استفاده از سیستم‌های IoMT، ما نیاز به چارچوب‌های تحلیلی در همه جا را شناسایی کردیم که قادر به شکستن قابلیت‌های پردازشی و تحلیلی به شبکه‌ای از وظایف جریانی و توزیع آن‌ها در گره‌های محاسباتی مختلف در یک پیوستار لبه-مه-ابر هستند. چالش تحقیق توسعه قابلیت‌های تحلیلی آگاه از موقعیت مکانی برای پشتیبانی از تحلیل‌های توصیفی، تشخیصی و پیش‌بینی جریان است.

7.2. فرصت ها

در کنار چالش های فوق، همیشه فرصت هایی وجود دارد. ما برخی از این موارد را از نظر محاسبات پیش‌بینی برای سیستم‌های IoMT نشان می‌دهیم.
  • مکان‌ها فرصت‌های زیادی را برای تحقیقات جغرافیایی فراهم می‌کنند: توانایی سنجش زمینه یک سیستم IoMT معمولاً جریان‌های داده‌ای را تولید می‌کند که فرصتی را برای توسعه برنامه‌های کاربردی جدید آگاه از مکان به ارمغان می‌آورد. تحرک این وسایل را می توان با استفاده از مقیاس های مکانی و زمانی مختلف نیز بررسی کرد. مدل‌های پیش‌بینی مکان و پیش‌بینی تحرک جدید برای پشتیبانی از مدل‌های یادگیری پیش‌بینی، به‌ویژه در مورد شهرهای هوشمند مورد نیاز است.
  • اقدامات پیش بینی در زمان واقعی: داشتن یک موتور یادگیری نزدیک به دستگاه IoMT و ترکیب دانش و بینشی که در یک محیط ابری محاسبه می شود، می تواند نیازهای شهروندان را در زمان واقعی پیش بینی کند. همانطور که در [ 146 ] تشریح شد، «اگر این تجزیه و تحلیل بلادرنگ به نوعی مدل پیش‌بینی وارد شود و از نتایج برای اتخاذ تصمیمات فعلی کاربر استفاده شود، آن‌گاه چیزی را خواهیم داشت که به عنوان محاسبات پیش‌بینی تعریف می‌شود. اگر خروجی مدل پیش‌بینی مستقیماً به یک فرآیند تصمیم‌گیری خودکار وارد شود، نتیجه مطلوب را تضمین می‌کند. این تجزیه و تحلیل تجویزی است. این نقشه راه اساساً آینده را شکل می دهد.»
  • ادغام با محاسبات فرصت طلب: این نگرانی وجود دارد که چگونه کاربرانی که دستگاه های IoMT را حمل می کنند می توانند به طور فرصت طلبانه با یکدیگر تعامل داشته باشند [ 147 ]. IoMT می‌تواند با ایجاد تعامل بیشتر بین کاربران از طریق دستگاه‌های متحرک، یک توانمندساز باشد. برخی از برنامه های معمولی ممکن است شامل سنجش انسان محور و به اشتراک گذاری داده باشد.
  • ترکیبی از زمینه‌های تحقیقاتی مختلف برای تقلید از اقدامات پیش‌بینی انسان: اخیراً برخی از دستیارهای دیجیتال مانند Apple Siri، Google Now، Microsoft Cortana [ 148 ] قادر به کمک به افراد در انجام کارهایی مانند ارسال متن، پخش آهنگ، اضافه کردن شده‌اند. یک یادآوری، و غیره. هیچ یک از این وظایف نیاز به اقدامات پیش بینی کننده ندارند. محققان به دنبال ابزاری هستند که بتواند تحویل آنی بدهد، زمینه اطراف را درک کند و بتواند حجم عظیمی از جریان داده را تجزیه و تحلیل کند [ 149 ]. برای دستیابی به این هدف، محاسبات پیش‌بینی‌کننده نیاز به ترکیب بسیاری از زمینه‌های تحقیقاتی مانند جغرافیا، یادگیری عمیق، روبات‌های انسان‌نما، هوش عمومی مصنوعی و تجزیه و تحلیل داده‌های بزرگ دارد.

8. نتیجه گیری

این مقاله محاسبات پیش‌بینی را مورد بحث قرار می‌دهد، که به سیستم‌هایی اشاره می‌کند که بر پیش‌بینی آنچه که بیشتر مربوط به کاربران است و بر اساس آن عمل می‌کنند، به جای اینکه فقط به دستورات کاربر واکنش نشان دهند، تمرکز دارند. اقدامات پیش‌بینی با ترکیب سطوح پردازشی مانند گره‌های ابر، لبه و مه که در اطراف یک شهر هوشمند مستقر شده‌اند، بر مدل‌های پیش‌بینی متفاوت متکی هستند. ذکر این نکته مهم است که سیستم های محاسباتی پیش بینی و IoMT به طور مداوم در حال تغییر هستند. علاوه بر این، تکثیر دستگاه‌های IoMT چالش‌ها و فرصت‌های تحقیقاتی مرتبط زیادی را ارائه می‌دهد که در این مقاله مورد بحث قرار گرفت.
گرایش امیدوارکننده به IoMT (و به طور کلی IoT) قبلاً محققانی را از صنایع مختلف، رشته‌های دانشگاهی، گروه‌های تحقیقاتی، ادارات دولتی و غیره جذب کرده است که پایه‌های شهرهای هوشمند را می‌سازند. ما شکافی را در این پایه شناسایی کرده‌ایم: اقدامات پیش‌بینی، که انتظار می‌رود تأثیر زیادی بر نحوه عملکرد شهرهای هوشمند در آینده داشته باشد. امیدواریم مسیری که در این مقاله ارائه شده است، رهنمودهای مفیدی برای تحقیقات بیشتر در این موضوع نوظهور ارائه دهد.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

ANN شبکه های عصبی مصنوعی
DBN شبکه بیزی پویا
نوار قلب الکتروکاردیوگرام
GIS سیستم اطلاعات جغرافیایی
جی پی اس سیستم موقعیت یاب جهانی
کلوب جی اس ام سیستم جهانی ارتباطات سیار
LDA تخصیص دیریکله نهفته
IoMT اینترنت اشیاء متحرک
اینترنت اشیا اینترنت اشیا
IPTV تلویزیون پروتکل اینترنت
NFC ارتباط میدان نزدیک
PCA تجزیه و تحلیل مؤلفه های اصلی
روابط عمومی کاهش الگو
RFID شناسایی فرکانس رادیویی
SVM ماشین بردار پشتیبانی
پهپاد وسیلهی نقلیهی هوایی بدون سرنشین
VoD ویدیوی درخواستی
VoIP صدا از طریق پروتکل اینترنت

منابع

  1. اشتون، کی. آن چیز «اینترنت چیزها». RFiD J. 2009 ، 22 ، 97-114. [ Google Scholar ]
  2. هولر، جی. سیاتسیس، وی. مولیگان، سی. کارنوسکوس، اس. اوسند، س. بویل، دی. از ماشین به ماشین تا اینترنت اشیا: مقدمه ای بر عصر جدید هوش . مطبوعات دانشگاهی: کمبریج، MA، ایالات متحده آمریکا، 2014; پ. 352. [ Google Scholar ]
  3. فیروزی، ف. فراهانی، ب. واینبرگر، ام. دی پیس، جی. Aliee، FS IoT Fundamentals: تعاریف، معماری، چالش ها و وعده ها. در اینترنت هوشمند اشیا ; Springer: برلین، آلمان، 2020؛ صص 3-50. [ Google Scholar ]
  4. فلیش، ای. اینترنت اشیا چیست؟ دیدگاه اقتصادی اقتصاد مدیریت مالی علامت گذاری. 2010 ، 5 ، 125-157. [ Google Scholar ]
  5. خان، دبلیو. رحمان، م. زنگوتی، ح. افضل، م. آرمی، ن. صلاح، K. اینترنت صنعتی اشیا: پیشرفت های اخیر، فناوری های توانمند و چالش های باز. محاسبه کنید. برق مهندس 2020 ، 81 ، 106522. [ Google Scholar ]
  6. اصغری، پ. رحمانی، ع.م. جوادی، برنامه های کاربردی اینترنت اشیاء HHS: مروری نظام مند. محاسبه کنید. شبکه 2019 ، 148 ، 241-261. [ Google Scholar ]
  7. نورد، جی اچ. کوهنگ، ا. پالیزکیویچ، جی. اینترنت اشیا: بررسی و چارچوب نظری. سیستم خبره Appl. 2019 . [ Google Scholar ] [ CrossRef ]
  8. بردلی، جی. باربیر، جی. Handler, D. پذیرش اینترنت همه چیز برای به دست آوردن سهم خود از 14. 4 تریلیون دلار . Cisco Systems, Inc.: San Jose, CA, USA, 2013; صص 1-18. [ Google Scholar ]
  9. اولیویرا، ال. مانرا، ال. Luz, P. سیستم کنترل چراغ راهنمایی هوشمند. در مجموعه مقالات ششمین کنفرانس بین المللی 2019 در اینترنت اشیا: سیستم ها، مدیریت و امنیت (IOTSMS)، گرانادا، اسپانیا، 22 تا 25 اکتبر 2019؛ صص 155-160. [ Google Scholar ]
  10. سوترس، پی. لانزا، جی. سانچز، ال. سانتانا، جی آر؛ لوپز، سی. Muñoz، L. شکستن فروشندگان و قفل های شهر از طریق یک سیستم جهانی اینترنت اشیاء با قابلیت تعامل با قابلیت معنایی: یک مورد پارکینگ هوشمند. Sensors 2019 , 19 , 229. [ Google Scholar ]
  11. Zemrane، H. بددی، ی. هاسبی، الف. اکوسیستم خانه هوشمند اینترنت اشیا. در فناوری های نوظهور برای اینترنت متصل وسایل نقلیه و شبکه های سیستم حمل و نقل هوشمند ؛ Springer: برلین، آلمان، 2020؛ صص 101-125. [ Google Scholar ]
  12. صدوقی، ف. بهمنش، ع. سیفوری، ن. اینترنت اشیاء در پزشکی: مطالعه نقشه برداری سیستماتیک. جی. بیومد. Inf. 2020 . [ Google Scholar ] [ CrossRef ]
  13. لنگلی، دی جی; ون دورن، جی. Ng، IC; استیگلیتز، اس. لازوویک، آ. Boonstra، A. اینترنت همه چیز: چیزهای هوشمند و تأثیر آنها بر مدل های کسب و کار. اتوبوس جی. Res. 2020 . [ Google Scholar ] [ CrossRef ]
  14. گوبی، جی. بویا، ر. ماروسیک، اس. Palaniswami، M. اینترنت اشیا (IoT): چشم انداز، عناصر معماری و جهت گیری های آینده. ژنرال آینده. محاسبه کنید. سیستم 2013 ، 29 ، 1645-1660. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  15. گلوحک، ع. کرکو، اس. ناتی، م. فایسترر، دی. میتون، ن. Razafindralambo, T. نظرسنجی در مورد امکانات برای تحقیقات آزمایشی اینترنت اشیا. IEEE Commun. Mag. 2011 ، 49 ، 58-67. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. شنگ، ز. یانگ، اس. یو، ی. واسیلاکوس، ا. مک کان، جی. Leung، K. نظرسنجی در مورد مجموعه پروتکل ietf برای اینترنت اشیا: استانداردها، چالش‌ها و فرصت‌ها. IEEE Wirel. اشتراک. 2013 ، 20 ، 91-98. [ Google Scholar ] [ CrossRef ]
  17. ماینتی، ال. پاترونو، ال. Vilei, A. تکامل شبکه های حسگر بی سیم به سمت اینترنت اشیا: یک بررسی. در مجموعه مقالات کنفرانس بین المللی نرم افزار، مخابرات و شبکه های کامپیوتری 2011، SoftCOM 2011، اسپلیت، کرواسی، 15–17 سپتامبر 2011. ص 16-21. [ Google Scholar ]
  18. Xu, LD; او، دبلیو. لی، اس. اینترنت اشیا در صنایع: نظرسنجی. IEEE Trans. Ind. اطلاع رسانی. 2014 ، 10 ، 2233-2243. [ Google Scholar ] [ CrossRef ]
  19. ویتمور، ا. آگاروال، ا. دا زو، ال. اینترنت اشیا – بررسی موضوعات و روندها. آگاه کردن. سیستم جلو. 2015 ، 17 ، 261-274. [ Google Scholar ] [ CrossRef ]
  20. شریعت زاده، ن. لوندهولم، تی. لیندبرگ، ال. سیوارد، جی. ادغام کارخانه دیجیتال با کارخانه هوشمند مبتنی بر اینترنت اشیا. Procedia CIRP 2016 ، 50 ، 512-517. [ Google Scholar ] [ CrossRef ]
  21. سلیمان، م. آبیودون، تی. حمودا، ت. ژو، جی. Lung, CH خانه هوشمند: ادغام اینترنت اشیا با خدمات وب و رایانش ابری. در مجموعه مقالات کنفرانس بین المللی فناوری و علم رایانش ابری، CloudCom، بریستول، انگلستان، 2 تا 5 دسامبر 2013. جلد 2، ص 317–320. [ Google Scholar ] [ CrossRef ]
  22. بوئی، ن. زورزی، م. برنامه های مراقبت بهداشتی: راه حلی مبتنی بر اینترنت اشیا. ACM Int. Conf. Proc. سر. 2011 . [ Google Scholar ] [ CrossRef ]
  23. لئونگ، CKS; کوزوکریا، آ. جیانگ، اف. کشف الگوهای مکرر از جریان‌های داده نامشخص با مدل‌های محو زمان و شاخص. در معاملات در مقیاس بزرگ داده ها و سیستم های دانش محور VIII ; Springer: برلین، آلمان، 2013; صص 174-196. [ Google Scholar ]
  24. لی، جی. یون، یو. Ryu، KH کاوی مبتنی بر پنجره کشویی حداکثر وزنی الگوی کاوی مکرر بر روی جریان های داده. سیستم خبره Appl. 2014 ، 41 ، 694-708. [ Google Scholar ]
  25. کارنین، ام. Trautmann, H. بهینه سازی نمایش جریان داده: یک بررسی گسترده در مورد الگوریتم های خوشه بندی جریان. اتوبوس. Inf. سیستم مهندس 2019 ، 61 ، 277-297. [ Google Scholar ]
  26. جیانلا، سی. هان، جی. پی، جی. یان، ایکس. Yu, PS Mining الگوهای مکرر در جریان های داده در دانه بندی های زمانی متعدد. نسل بعدی. حداقل داده 2003 ، 212 ، 191-212. [ Google Scholar ]
  27. پژوویچ، وی. Musolesi، M. محاسبات متحرک پیش بینی: بررسی وضعیت هنر و چالش های تحقیقاتی. کامپیوتر ACM. Surv. 2015 ، 47 ، 1-29. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. روزن، R. سیستم های پیش بینی. در سیستم های پیش بینی ; Springer: برلین، آلمان، 2012; صص 313-370. [ Google Scholar ]
  29. نادین، ام. محاسبات پیش بینی: از یک نظریه سطح بالا تا اجرای محاسبات ترکیبی. بین المللی J. Appl. Res. Inf. تکنولوژی محاسبه کنید. 2010 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. Nadin, M. آیا محاسبات پیش‌بینی‌کننده می‌تواند به سطح محاسبات پیش‌بینی‌کننده برسد؟ بین المللی J. Appl. Res. Inf. تکنولوژی محاسبه کنید. 2014 ، 5 ، 171. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  31. Butz، MV; سیگاود، او. جرارد، پی. رفتار پیش‌بینی‌کننده: بهره‌برداری از دانش درباره آینده برای بهبود رفتار فعلی . یادداشت های سخنرانی در هوش مصنوعی (زیر مجموعه یادداشت های سخنرانی در علوم کامپیوتر); Springer: برلین، آلمان، 2003; جلد 2684، ص 1-10. [ Google Scholar ] [ CrossRef ]
  32. کائو، اچ. واچوویچ، ام. رنسو، سی. Carlini، E. یک پلت فرم لبه-مه-ابر برای فرآیند یادگیری پیش بینی شده طراحی شده برای اینترنت چیزهای تلفن همراه. arXiv 2017 , arXiv:1711.09745. [ Google Scholar ]
  33. هرناندز، ال. کائو، اچ. Wachowicz, M. پیاده سازی یک معماری لبه-مه-ابر برای مدیریت داده های جریانی. در مجموعه مقالات کنگره جهانی مه IEEE 2017 (FWC)، سانتا کلارا، کالیفرنیا، ایالات متحده آمریکا، 30 اکتبر تا 1 نوامبر 2017؛ صص 1-6. [ Google Scholar ]
  34. کائو، اچ. Wachowicz, M. طراحی یک گردش کار تحلیلی جریان برای پردازش فیدهای حمل و نقل عظیم. در مجموعه مقالات دومین سمپوزیوم بین المللی محاسبات فضایی و زمانی، کمبریج، MA، ایالات متحده آمریکا، 7 تا 9 اوت 2017. [ Google Scholar ]
  35. کائو، اچ. Wachowicz, M. طراحی یک پلت فرم IoT-GIS برای انجام وظایف تحلیلی خودکار. محاسبه کنید. محیط زیست سیستم شهری 2019 ، 74 ، 23-40. [ Google Scholar ]
  36. لی، اس. دا خو، ال. ژائو، اس. اینترنت اشیا: یک نظرسنجی. Inf. سیستم جلو. 2015 ، 17 ، 243-259. [ Google Scholar ]
  37. باجاری، پ. چرنوژوکوف، وی. Hortaçsu، A. سوزوکی، جی. تاثیر کلان داده بر عملکرد شرکت: یک بررسی تجربی. AEA Pap. Proc. 2019 ، 109 ، 33-37. [ Google Scholar ]
  38. Assunção، MD; Calheiros، RN; بیانچی، اس. Netto، MA; Buyya، R. محاسبات کلان داده و ابرها: روندها و مسیرهای آینده. J. توزیع موازی. محاسبه کنید. 2015 ، 79-80 ، 3-15. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. مک آفی، ا. برینیولفسون، ای. داونپورت، تی. پاتیل، دی. بارتون، دی. داده های بزرگ: انقلاب مدیریت. هارو. اتوبوس. Rev. 2012 , 90 , 60-68. [ Google Scholar ]
  40. مرز، ن. وارن، جی. داده های بزرگ: اصول و بهترین روش های مقیاس پذیر سیستم های داده بلادرنگ ؛ منینگ انتشارات شرکت: گرینویچ، CT، ایالات متحده، 2015; پ. 328. [ Google Scholar ]
  41. دای، HN; وانگ، اچ. خو، جی. وان، جی. عمران، ام. تجزیه و تحلیل داده های بزرگ برای تولید اینترنت اشیا: فرصت ها، چالش ها و فناوری های توانمند. Enterp. Inf. سیستم 2019 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  42. Qin، Y. شنگ، QZ; فالکنر، نیوجرسی؛ دوستدار، س. وانگ، اچ. Vasilakos، AV وقتی همه چیز مهم است: نظرسنجی در مورد اینترنت اشیا مبتنی بر داده. J. Netw. محاسبه کنید. Appl. 2016 ، 64 ، 137-153. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. سان، دبلیو. ژو، جی. دوان، ن. گائو، پی. هو، جی کیو; دونگ، WS؛ وانگ، ژ. ژانگ، ایکس. جی، پی. ما، CY؛ و همکاران تجزیه و تحلیل نقشه شی متحرک: چارچوبی که امکان تجزیه و تحلیل مکانی-زمانی متنی برنامه های اینترنت اشیاء را فراهم می کند. در مجموعه مقالات کنفرانس بین المللی IEEE 2016 در عملیات خدمات و لجستیک و انفورماتیک، SOLI 2016، پکن، چین، 10-12 ژوئیه 2016؛ صص 101-106. [ Google Scholar ] [ CrossRef ]
  44. ژانگ، دی. ژائو، اس. یانگ، LT; چن، ام. وانگ، ی. Liu, H. NextMe: محلی‌سازی با استفاده از ردیابی سلولی در اینترنت اشیا. IEEE Trans. Ind. Inf. 2015 ، 11 ، 302-312. [ Google Scholar ] [ CrossRef ]
  45. کانتارچی، بی. مفتاح، جمع سپاری قابل اعتماد آگاه از HT Mobility در اینترنت اشیاء مبتنی بر ابر. در مجموعه مقالات سمپوزیوم بین المللی کامپیوتر و ارتباطات، فونچال، پرتغال، 23 تا 26 ژوئن 2014. [ Google Scholar ] [ CrossRef ]
  46. ویرا، ام آر. باربوسا، ال. کورماکسون، ام. Zadrozny، B. USapiens: سیستمی برای تحلیل داده های مسیر شهری. در مجموعه مقالات کنفرانس بین المللی IEEE در مدیریت داده های تلفن همراه، پیتسبورگ، PA، ایالات متحده آمریکا، 15-18 ژوئن 2015. جلد 1، ص 255-262. [ Google Scholar ] [ CrossRef ]
  47. سانچز لوپز، تی. Ranasinghe، DC; هریسون، ام. مک فارلین، دی. افزودن حس به اینترنت اشیاء: چارچوب معماری برای سیستم های اشیاء هوشمند. پارس محاسبات همه جا حاضر. 2012 ، 16 ، 291-308. [ Google Scholar ] [ CrossRef ]
  48. سوموف، ا. دوپون، سی. Giaffreda، R. پشتیبانی از تحرک شهر هوشمند با اینترنت شناختی اشیا. در مجموعه مقالات اجلاس آینده شبکه و موبایل 2013، FutureNetwork Summit 2013، لیسبون، پرتغال، 3 تا 5 ژوئیه 2013. [ Google Scholar ]
  49. مظفری، م. سعد، دبلیو. بنیس، م. Debbah, M. اینترنت موبایل اشیا: آیا پهپادها می توانند معماری موبایلی با انرژی کارآمد ارائه دهند؟ در مجموعه مقالات کنفرانس ارتباطات جهانی IEEE 2016 (GLOBECOM)، واشنگتن دی سی، ایالات متحده آمریکا، 4 تا 8 دسامبر 2016. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. پویو، دی. بیشوف، اس. سربانسکو، بی. نچیفور، اس. پریرا، جی. Schreiner, H. برنامه ریز سفر حمل و نقل عمومی که توسط تجزیه و تحلیل داده های اینترنت اشیا فعال شده است. در مجموعه مقالات بیستمین کنفرانس 2017 در مورد نوآوری ها در ابرها، اینترنت و شبکه ها (ICIN)، پاریس، فرانسه، 7 تا 9 مارس 2017؛ صص 355-359. [ Google Scholar ]
  51. آرائوجو، ا. کالیبه، آر. گیرائو، جی. گونسالوس، ک. نتو، ب. تجزیه و تحلیل قابلیت اطمینان یک برنامه پارکینگ هوشمند مبتنی بر اینترنت اشیا برای شهرهای هوشمند. در مجموعه مقالات کنفرانس بین‌المللی IEEE در سال 2017 درباره داده‌های بزرگ (Big Data)، بوستون، MA، ایالات متحده آمریکا، 11–14 دسامبر 2017؛ صفحات 4086-4091. [ Google Scholar ]
  52. ولبورن، ای. نبرد، ال. کول، جی. گولد، ک. رئیس، ک. رایمر، اس. بالازینسکا، م. Borriello, G. ساخت اینترنت اشیا با استفاده از RFID: تجربه اکوسیستم RFID. محاسبات اینترنتی IEEE. 2009 ، 13 ، 48-55. [ Google Scholar ] [ CrossRef ]
  53. کومار، ن. چیلامکورتی، ن. بازی ائتلاف Misra، S. Bayesian برای اینترنت اشیا: ارزیابی مبتنی بر هوش محیطی. IEEE Commun. Mag. 2015 ، 53 ، 48-55. [ Google Scholar ] [ CrossRef ]
  54. دورو، اس. گالوچیو، ال. مورابیتو، جی. Palazzo، S. بهره برداری از بومی سازی گروه شی در اینترنت اشیا: تجزیه و تحلیل عملکرد. IEEE Trans. وه تکنولوژی 2015 ، 64 ، 3645-3656. [ Google Scholar ] [ CrossRef ]
  55. ژو، ال. Chao، HC معماری امنیتی ترافیک چندرسانه ای برای اینترنت اشیا. IEEE Netw. 2011 ، 25 ، 35-40. [ Google Scholar ] [ CrossRef ]
  56. ناهرستت، ک. لی، اچ. نگوین، پی. چانگ، اس. Vu، L. اینترنت چیزهای موبایل: چالش‌ها، طراحی‌ها و پیاده‌سازی‌های مبتنی بر تحرک. در مجموعه مقالات اولین کنفرانس بین المللی IEEE 2016 در مورد طراحی و پیاده سازی اینترنت اشیا، IoTDI 2016، برلین، آلمان، 4 تا 8 آوریل 2016؛ صص 25-36. [ Google Scholar ] [ CrossRef ]
  57. آتزمولر، ام. فرایز، بی. Hayat, N. Sensing, processing and analytics-افزایش پلت فرم ubicon برای محاسبات همه جا حاضر پیش بینی. در مجموعه مقالات UbiComp 2016-مجموعه مقالات کنفرانس مشترک بین المللی ACM در سال 2016 در محاسبات فراگیر و همه جا، هایدلبرگ، آلمان، 12 تا 16 سپتامبر 2016. ص 1239–1246. [ Google Scholar ] [ CrossRef ]
  58. ما، ایکس. یو، اچ. وانگ، ی. وانگ، ی. پیش‌بینی تکامل تراکم شبکه حمل‌ونقل در مقیاس بزرگ با استفاده از نظریه یادگیری عمیق. PLoS ONE 2015 ، 10 . [ Google Scholar ] [ CrossRef ]
  59. زو، ایکس. کوی، اف. وانگ، ی. تجزیه و تحلیل پیش‌بینی‌کننده با استفاده از میانگین‌گیری مدل بیزی برای اینترنت اشیا در مقیاس بزرگ. بین المللی J. Distrib. Sens. Netw. 2013 , 2013 . [ Google Scholar ] [ CrossRef ]
  60. سمنجسکی، آی. گوتاما، S. برنامه تحرک شهر هوشمند – درختان تقویت کننده گرادیان برای پیش بینی و تجزیه و تحلیل تحرک بر اساس داده های جمع سپاری. Sensors 2015 ، 15 ، 15974-15987. [ Google Scholar ] [ CrossRef ]
  61. سمنجسکی، آی. لوپز، ای جی؛ گوتاما، اس. پیش بینی استفاده از حالت حمل و نقل با رویکرد مبتنی بر ماشین های بردار پشتیبانی. ترانس. ماریت. علمی 2016 ، 5 ، 111-120. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  62. ژانگ، اف. یوان، نیوجرسی؛ وانگ، ی. Xie، X. بازسازی تحرک فردی از تراکنش‌های کارت هوشمند: رویکرد همترازی فضای مشترک. بدانید. Inf. سیستم 2015 ، 44 ، 299-323. [ Google Scholar ] [ CrossRef ]
  63. ژانگ، دبلیو. لی، اس. Pan, G. استخراج معنایی جریان های مبدا-مقصد با استفاده از ردیابی تاکسی. UbiComp 2012 . [ Google Scholar ] [ CrossRef ]
  64. وانگ، جی. جیانگ، سی. هان، ز. رن، ی. Hanzo، L. اینترنت وسایل نقلیه: جمع آوری و انتشار اطلاعات حمل و نقل با کمک حسگر. IEEE Trans. وه تکنولوژی 2018 ، 67 ، 3813-3825. [ Google Scholar ]
  65. ژانگ، ام. وو، تی. زی، تی. لین، ایکس. Liu, Y. Carstream: یک سیستم صنعتی پردازش داده های بزرگ برای اینترنت وسایل نقلیه. Proc. VLDB Enddow. 2017 ، 10 ، 1766-1777. [ Google Scholar ]
  66. سلستی، ا. گالتا، ا. کارنوال، ال. فازیو، م. Ĺay-Ekuakille، A. Villari، M. یک سیستم ابری اینترنت اشیا برای نظارت بر ترافیک و پیشگیری از تصادفات خودرویی بر اساس پردازش داده‌های حسگر موبایل. IEEE Sens. J. 2017 , 18 , 4795–4802. [ Google Scholar ]
  67. یانگ، جی. هان، ی. وانگ، ی. جیانگ، بی. Lv، Z. Song, H. بهینه سازی تخصیص شبکه ترافیک بلادرنگ بر اساس داده های IoT با استفاده از مدل DBN و خوشه بندی در شهر هوشمند. ژنرال آینده. محاسبه کنید. سیستم 2017 . [ Google Scholar ] [ CrossRef ]
  68. تفیدیس، پ. تکسیرا، جی. بهمن خواه، ب. مکدو، ای. کوئلیو، ام سی؛ Bandeira, J. کاوش اطلاعات جمع سپاری برای پیش بینی اثرات مربوط به ترافیک. در مجموعه مقالات کنفرانس بین المللی IEEE 2017 در مورد محیط زیست و مهندسی برق و سیستم های قدرت صنعتی و تجاری IEEE 2017 اروپا (EEEIC/I&CPS Europe)، میلان، ایتالیا، 6 تا 9 ژوئن 2017؛ صص 1-6. [ Google Scholar ]
  69. منوگران، گ. Shakeel، PM; فواد، ح. نام، ی. بسکار، س. چیلامکورتی، ن. Sundarasekar, R. وصله ورود هوشمند IoT پوشیدنی: یک سیستم شبکه یادگیری عمیق بیزی مبتنی بر محاسبات لبه برای سیستم نظارت فیزیکی چند دسترسی. Sensors 2019 , 19 , 3030. [ Google Scholar ]
  70. وان، جی. الاولقی، م.ع. لی، ام. اوگریدی، ام. گو، ایکس. وانگ، جی. Cao, N. IoT پوشیدنی سیستم نظارت بر سلامت در زمان واقعی را فعال می کند. EURASIP J. Wirel. اشتراک. شبکه 2018 ، 2018 ، 298. [ Google Scholar ]
  71. هررا-کوینترو، LF; بانسه، ک. وگا-آلفونسو، جی. Venegas-Sanchez، A. سنسور هوشمند ITS برای برنامه ریزی حمل و نقل با استفاده از رویکردهای IoT و Bigdata برای تولید خدمات ابری ITS. در مجموعه مقالات هشتمین کنفرانس یورو آمریکا در سال 2016 در مورد سیستم های اطلاعاتی و تله ماتیک، EATIS 2016، کارتاخنا، کلمبیا، 28 تا 29 آوریل 2016. [ Google Scholar ] [ CrossRef ]
  72. وانگ، تی. کاردون، جی. کورادی، ا. تورسانی، ال. Campbell, AT WalkSafe: یک برنامه ایمنی عابر پیاده برای کاربران تلفن همراه که هنگام عبور از جاده ها راه می روند و صحبت می کنند. در مجموعه مقالات HotMobile 2012-13th Workshop on Mobile Computing Systems and Applications, San Diego, CA, USA, 28–29 فوریه 2012; صص 1-6. [ Google Scholar ] [ CrossRef ]
  73. Meurisch، C. هدایت شخصی هوشمندانه رفتار انسان با استفاده از مدل‌های پیش‌بینی‌کننده. در مجموعه مقالات کنفرانس مشترک بین المللی UbiComp 2016 ACM در مورد محاسبات فراگیر و فراگیر، هایدلبرگ، آلمان، 12 تا 16 سپتامبر 2016؛ صص 441-445. [ Google Scholar ] [ CrossRef ]
  74. موریش، سی. یانسن، اف. نعیم، یو. اشمیت، بی. اعظم، م. Möhlhäuser، M. Smarticipation-هدایت شخصی هوشمندانه رفتار انسانی با استفاده از مدل‌های پیش‌بینی‌کننده. در مجموعه مقالات کنفرانس مشترک بین المللی UbiComp 2016 ACM در مورد محاسبات فراگیر و فراگیر، هایدلبرگ، آلمان، 12 تا 16 سپتامبر 2016؛ ص 1227–1230. [ Google Scholar ] [ CrossRef ]
  75. Abowd، GD; دی، AK; براون، پی جی. دیویس، ن. اسمیت، ام. Steggles، P. Towards a Better Understanding of Context and Context-Awareness. در محاسبات دستی و همه جا حاضر . گلرسن، HW، اد. Springer: برلین، آلمان، 1999; صص 304-307. [ Google Scholar ]
  76. ترنر، EH; ترنر، آر.ام. فلپس، جی. نیل، ام. گروندن، سی. Mailman, J. جنبه های زمینه برای درک ارتباطات چند وجهی. لکت. یادداشت ها محاسبه. علمی 1999 ، 1688 ، 523-526. [ Google Scholar ] [ CrossRef ]
  77. بونومی، اف. میلیتو، آر. نطراجان، پ. ژو، جی. محاسبات مه: بستری برای اینترنت اشیا و تجزیه و تحلیل. در کلان داده و اینترنت اشیا: نقشه راه برای محیط های هوشمند ؛ انتشارات بین المللی Springer: چم، سوئیس، 2014; صص 169-186. [ Google Scholar ] [ CrossRef ]
  78. بونومی، اف. میلیتو، آر. ژو، جی. آدپالی، اس. محاسبات مه و نقش آن در اینترنت اشیا. در مجموعه مقالات اولین ویرایش از کارگاه MCC در محاسبات ابری سیار، هلسینکی، فنلاند، 17 اوت 2012; صص 13-16. [ Google Scholar ] [ CrossRef ]
  79. مادواکو، آی. کائو، اچ. هرناندز، ال. Wachowicz، M. ترکیب لبه و محاسبات ابری برای تجزیه و تحلیل تحرک. در مجموعه مقالات دومین سمپوزیوم ACM/IEEE در محاسبات لبه، سن خوزه، کالیفرنیا، ایالات متحده آمریکا، 12 تا 14 اکتبر 2017؛ صص 1-3. [ Google Scholar ]
  80. نینگ، ز. هوانگ، جی. Wang, X. محاسبات مه وسایل نقلیه: امکان مدیریت ترافیک در زمان واقعی برای شهرهای هوشمند. IEEE Wirel. اشتراک. 2019 ، 26 ، 87–93. [ Google Scholar ]
  81. بلاویستا، پ. بروکال، جی. کورادی، ا. داس، SK; فوشینی، ال. زانی، الف. نظرسنجی در مورد محاسبات مه برای اینترنت اشیا. اوباش فراگیر. محاسبه کنید. 2019 ، 52 ، 71–99. [ Google Scholar ]
  82. لاروس، دی.تی. Larose، CD کشف دانش در داده ها: مقدمه ای بر داده کاوی . جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 2014. جلد 4. [ Google Scholar ]
  83. کوهن، م. جانسون، ک. مدل سازی پیش بینی کاربردی ; Springer: برلین، آلمان، 2013; صص 1-600. [ Google Scholar ] [ CrossRef ]
  84. سائز، JA; گلار، م. لوئنگو، جی. هررا، اف. Inf. فیوژن 2016 ، 27 ، 19-32. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  85. سائز، جی. لوئنگو، جی. هررا، اف. پیش بینی کارایی فیلتر نویز با معیارهای پیچیدگی داده برای طبقه بندی نزدیکترین همسایه. تشخیص الگو 2013 ، 46 ، 355-364. [ Google Scholar ] [ CrossRef ]
  86. برنقی، پ. شث، ا. هنسون، سی. از داده‌ها تا دانش عملی: چالش‌های کلان داده در شبکه اشیا. IEEE Intell. سیستم 2013 ، 28 ، 6-11. [ Google Scholar ]
  87. لیو، ال. هو، ا. بیدرمن، ا. راتی، سی. چن، جی. درک الگوهای تحرک فردی و جمعی از سوابق کارت هوشمند: مطالعه موردی در شنژن. در مجموعه مقالات کنفرانس IEEE در مورد سیستم های حمل و نقل هوشمند، ITSC، شنژن، چین، 19-20 دسامبر 2009. صص 842-847. [ Google Scholar ] [ CrossRef ]
  88. کائو، اچ. براون، ام. چن، ال. اسمیت، آر. Wachowicz، M. درسهایی که از ادغام پردازش دسته ای و جریانی با استفاده از داده های اینترنت اشیا آموخته اند. در مجموعه مقالات ششمین کنفرانس بین المللی 2019 در اینترنت اشیا: سیستم ها، مدیریت و امنیت (IOTSMS)، گرانادا، اسپانیا، 22 تا 25 اکتبر 2019؛ صص 32-34. [ Google Scholar ]
  89. توو، ای. بوریسف، آ. رانگر، جی. Torkkola، K. انتخاب ویژگی با مجموعه‌ها، متغیرهای مصنوعی، و حذف افزونگی. جی. ماخ. فرا گرفتن. Res. 2009 ، 10 ، 1341-1366. [ Google Scholar ]
  90. عبدی، ح. ویلیامز، LJ تجزیه و تحلیل مؤلفه اصلی. وایلی اینتردیسپ. ریور کامپیوتر. آمار 2010 ، 2 ، 433-459. [ Google Scholar ]
  91. پرنس، اس جی. Elder، JH تحلیل افتراق خطی احتمالی برای استنباط در مورد هویت. در مجموعه مقالات کنفرانس بین المللی IEEE در بینایی کامپیوتر، ریودوژانیرو، برزیل، 14 تا 20 اکتبر 2007. [ Google Scholar ] [ CrossRef ]
  92. لیو، ی. زنگ، جی. بائو، جی. Xie, L. یک چارچوب نظارت احتمالی یکپارچه برای فرآیندهای چند حالته بر اساس تحلیل افتراقی خطی احتمالی. IEEE Trans. Ind. Inf. 2020 . [ Google Scholar ] [ CrossRef ]
  93. چیانگ، ام سی؛ Tsai، CW; یانگ، CS یک الگوریتم کاهش الگوی کارآمد در زمان برای خوشه‌بندی k-means. Inf. علمی 2011 ، 181 ، 716-731. [ Google Scholar ] [ CrossRef ]
  94. Gaura، EI; بروسی، جی. آلن، ام. ویلکینز، آر. گلداسمیت، دی. Rednic، R. Edge استخراج اینترنت اشیا. IEEE Sens. J. 2013 , 13 , 3816–3825. [ Google Scholar ] [ CrossRef ]
  95. کائو، اچ. واچوویچ، ام. رنسو، سی. کارلینی، ای. تجزیه و تحلیل در همه جا: ایجاد بینش از اینترنت اشیا. دسترسی IEEE 2019 ، 7 ، 71749–71769. [ Google Scholar ] [ CrossRef ]
  96. کائو، اچ. Wachowicz, M. An Edge-Fog-Cloud Architecture of Streaming Analytics برای برنامه های کاربردی اینترنت اشیا. Sensors 2019 , 19 , 3594. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  97. کائو، اچ. Wachowicz، M. Analytics در همه جا برای پخش داده های IoT. در مجموعه مقالات ششمین کنفرانس بین المللی 2019 در اینترنت اشیا: سیستم ها، مدیریت و امنیت (IOTSMS)، گرانادا، اسپانیا، 22 تا 25 اکتبر 2019؛ ص 18-25. [ Google Scholar ] [ CrossRef ]
  98. کراوس، ا. اسمایلاجیک، ع. Siewiorek، DP رایانش سیار با زمینه آگاه: یادگیری ترجیحات شخصی وابسته به زمینه از یک آرایه حسگر پوشیدنی. IEEE Trans. اوباش محاسبه کنید. 2006 ، 5 ، 113-127. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  99. Tsai، CW; لای، CF; چیانگ، ام سی؛ یانگ، LT داده کاوی برای اینترنت اشیا: یک نظرسنجی. IEEE Commun. Surv. معلم خصوصی 2014 ، 16 ، 77-97. [ Google Scholar ] [ CrossRef ]
  100. باربی، آی. مارتین، TL نظرسنجی در مورد پیش بینی تحرک شخصی. بین المللی جی. محاسبات فراگیر. اشتراک. 2012 . [ Google Scholar ] [ CrossRef ]
  101. علی، ن.ا. ابوالخیر، ام. مدیریت داده برای اینترنت اشیاء: مسیرهای سبز. IEEE Globecom Workshops GC Wkshps 2012 . [ Google Scholar ] [ CrossRef ]
  102. بین، اس. یوان، ال. Xiaoyi, W. تحقیق در مورد مدل های داده کاوی برای اینترنت اشیا. در مجموعه مقالات کنفرانس بین المللی IASP 10-2010 در مورد تجزیه و تحلیل تصویر و پردازش سیگنال، ژجیانگ، چین، 12-14 آوریل 2010. صص 127-132. [ Google Scholar ] [ CrossRef ]
  103. گرونربل، آ. عثمانی، وی. باله، جی. کاراسکو، جی سی. اوهلر، اس. مایورا، او. هارینگ، سی. Lukowicz, P. استفاده از ردیابی های تحرک تلفن های هوشمند برای تشخیص دوره های افسردگی و شیدایی در بیماران دوقطبی. در مجموعه مقالات پنجمین کنفرانس بین المللی انسان تقویت شده، کوبه، ژاپن، 7 تا 9 مارس 2014. پ. 38. [ Google Scholar ] [ CrossRef ]
  104. آناستازیو، ن. هورنگ، تی سی؛ Knottenbelt، W. استخراج مدل های عملکرد شبکه پتری تصادفی تعمیم یافته از داده های ردیابی موقعیت مکانی با دقت بالا. در مجموعه مقالات VALUETOOLS 2011-5th کنفرانس بین المللی ICST در مورد روش ها و ابزارهای ارزیابی عملکرد، پاریس، فرانسه، 16-20 مه 2011. صص 91-100. [ Google Scholar ] [ CrossRef ]
  105. باتاچاریا، ا. Das، SK LeZi-update: چارچوب نظری اطلاعاتی برای ردیابی تحرک شخصی در شبکه های PCS. سیم. شبکه 2002 ، 8 ، 121-135. [ Google Scholar ] [ CrossRef ]
  106. اسکلاتو، اس. موصلی، م. ماسکولو، سی. لاتورا، وی. کمپبل، AT NextPlace: یک چارچوب پیش‌بینی مکانی-زمانی برای سیستم‌های فراگیر. لکت. یادداشت ها محاسبه. علمی 2011 ، 6696 ، 152-169. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  107. آهنگ، ال. کوتز، دی. جین، آر. او، X. ارزیابی پیش‌بینی‌کننده‌های مکان با داده‌های تحرک Wi-Fi گسترده. در مجموعه مقالات IEEE INFOCOM، هنگ کنگ، چین، 7 تا 11 مارس 2004. جلد 2، ص 1414–1424. [ Google Scholar ] [ CrossRef ]
  108. د دومنیکو، م. لیما، ا. موصلی، م. وابستگی متقابل و پیش بینی پذیری تحرک انسانی و تعاملات اجتماعی. اوباش فراگیر. محاسبه کنید. 2013 ، 9 ، 798-807. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  109. اتر، وی. کفسی، م. کاظمی، ا. گروسگلاوزر، ام. تیران، پ. از اینجا کجا برویم؟ پیش بینی تحرک از اطلاعات آنی. اوباش فراگیر. محاسبه کنید. 2013 ، 9 ، 784-797. [ Google Scholar ] [ CrossRef ]
  110. کنگ، اف. لی، جی. جیانگ، بی. Song, H. پیش‌بینی کوتاه‌مدت جریان ترافیک در سیستم چند رسانه‌ای هوشمند برای اینترنت وسایل نقلیه بر اساس شبکه باور عمیق. ژنرال آینده. محاسبه کنید. سیستم 2019 ، 93 ، 460-472. [ Google Scholar ]
  111. عاطف، ی. خرازی، س. جیانگو، دی. Andler، تجزیه و تحلیل داده های اینترنت اشیا SF برای پیش بینی و راهنمایی در دسترس بودن پارکینگ. ترانس. ظهور. مخابرات تکنولوژی 2020 . [ Google Scholar ] [ CrossRef ]
  112. لیو، دبلیو. Shoji, Y. DeepVM: پیش‌بینی تحرک خودرو مبتنی بر RNN برای پشتیبانی از برنامه‌های هوشمند خودرو. IEEE Trans. Ind. Inf. 2019 . [ Google Scholar ] [ CrossRef ]
  113. سمنجسکی، آی. گوتاما، اس. بینش‌های تحرک جمع‌سپاری – بازتاب بخش‌های مبتنی بر نگرش بر روی داده‌های رفتار تحرک با وضوح بالا. ترانسپ Res. قسمت C Emerg. 2016 ، 71 ، 434-446. [ Google Scholar ] [ CrossRef ]
  114. چن، ایکس. خو، اس. هان، جی. فو، اچ. پی، ایکس. جو وانگ، سی. لی، ی. ژانگ، ال. نه، هی؛ Zhang، P. PAS: پیش‌بینی سیستم فعال‌سازی مبتنی بر پیش‌بینی برای سنجش ازدحام وسایل نقلیه به اشتراک‌گذاری وسایل نقلیه در مقیاس شهر. IEEE Internet Things J. 2020 . [ Google Scholar ] [ CrossRef ]
  115. پررا، ک. Dias، D. ابزار راهنمایی راننده هوشمند با استفاده از خدمات مبتنی بر مکان. در مجموعه مقالات کنفرانس بین المللی IEEE 2011 در مورد داده کاوی مکانی و خدمات دانش جغرافیایی، فوژو، چین، 29 ژوئن تا 1 ژوئیه 2011. ص 246-251. [ Google Scholar ] [ CrossRef ]
  116. وو، اف. لی، TKH; لی، ز. Han, J. MoveMine 2.0: استخراج روابط شیء از داده های حرکت. Proc. VLDB Enddow. 2014 ، 7 ، 1613-1616. [ Google Scholar ] [ CrossRef ]
  117. وانگ، اچ. آدامس.؛ وو، اس. وانگ، سی. مدل پیش‌بینی رفتار دنبال‌کردن خودروی راننده بر اساس داده‌های چند حسگر. EURASIP J. Wirel. اشتراک. شبکه 2020 ، 2020 ، 1-12. [ Google Scholar ]
  118. لاتیا، ن. کوئرسیا، دی. کراکرافت، جی. تصویر پنهان شهر: احساس رفاه جامعه از تحرک شهری. در کنفرانس بین المللی محاسبات فراگیر ; Springer: برلین، آلمان، 2012; ص 91-98. [ Google Scholar ]
  119. برودی، MAD; Coppens، MJM; لرد، اس آر؛ لاول، NH; Gschwind، YJ; ردموند، اس جی; دل روزاریو، مگابایت؛ وانگ، ک. استورنیکس، دی.ال. پرشینی، م. و همکاران نظارت بر دستگاه آویز پوشیدنی با استفاده از روش‌های جدید مبتنی بر موجک نشان می‌دهد که زندگی روزمره و راه رفتن‌های آزمایشگاهی متفاوت است. پزشکی Biol. مهندس محاسبه کنید. 2016 ، 54 ، 663-674. [ Google Scholar ] [ CrossRef ]
  120. ماتور، اس. جین، تی. کاستوریرنگان، ن. چاندراسخاران، ج. شو، دبلیو. گروتسر، م. Trappe، W. ParkNet: درایو با سنجش آمار پارکینگ کنار جاده. در مجموعه مقالات هشتمین کنفرانس بین المللی سیستم های تلفن همراه، برنامه های کاربردی و خدمات، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 15-18 ژوئن 2010. صص 123-136. [ Google Scholar ] [ CrossRef ]
  121. آن، جی. گی، ایکس. ژانگ، دبلیو. Jiang, J. Nodes شناخت روابط اجتماعی برای تحرک آگاه در اینترنت اشیا. در مجموعه مقالات کنفرانس های بین المللی IEEE 2011 در اینترنت اشیا و سایبر، محاسبات فیزیکی و اجتماعی، iThings/CPSCom 2011، دالیان، چین، 19 تا 22 اکتبر 2011. صص 687-691. [ Google Scholar ] [ CrossRef ]
  122. چو، ای. مایرز، SA; Leskovec, J. دوستی و تحرک: حرکت کاربر در شبکه های اجتماعی مبتنی بر مکان. در مجموعه مقالات کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 21 تا 24 اوت 2011. ص 1082-1090. [ Google Scholar ] [ CrossRef ]
  123. هورویتز، ای. آپسیبل، جی. سارین، ر. لیائو، ال. پیش‌بینی، انتظار و شگفتی: روش‌ها، طراحی‌ها و مطالعه سرویس پیش‌بینی ترافیک مستقر شده. در مجموعه مقالات بیست و یکمین کنفرانس در مورد عدم قطعیت در هوش مصنوعی، UAI 2005، ادینبورگ، بریتانیا، 26-29 ژوئیه 2005; ص 275-284. [ Google Scholar ]
  124. ایزاکمن، اس. بکر، آر. کاسرس، آر. کوبوروف، اس. مارتونوسی، م. رولند، جی. Varshavsky، A. شناسایی مکان های مهم در زندگی مردم از داده های شبکه سلولی. لکت. یادداشت ها محاسبه. علمی 2011 ، 6696 ، 133-151. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  125. مونوز-اورگانرو، م. رویز-بلاکز، آر. Sánchez-Fernández, L. تشخیص خودکار چراغ‌های راهنمایی، تقاطع خیابان‌ها و دوربرگردان‌های شهری که ترکیبی از تکنیک‌های تشخیص بیرونی و طبقه‌بندی یادگیری عمیق بر اساس ردیابی GPS هنگام رانندگی است. محاسبه کنید. محیط زیست سیستم شهری 2018 ، 68 ، 1-8. [ Google Scholar ]
  126. لیائو، ال. فاکس، دی. کاوتز، اچ. استخراج مکان ها و فعالیت ها از ردیابی های GPS با استفاده از فیلدهای تصادفی شرطی سلسله مراتبی. بین المللی ربات جی. 2007 ، 26 ، 119-134. [ Google Scholar ]
  127. مونریال، آ. پینلی، اف. Trasarti، R. WhereNext: پیش بینی مکان در استخراج الگوی مسیر. در مجموعه مقالات پانزدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی — KDD ’09، پاریس، فرانسه، 28 ژوئن تا 1 ژوئیه 2009. صص 637-645. [ Google Scholar ] [ CrossRef ]
  128. چانگ، YW; خاکی، بی. لی، تی. چو، سی. Gadh, R. الگوریتم مبتنی بر یادگیری ماشینی Ensemble برای پیش‌بینی رفتار کاربر خودروهای الکتریکی. Appl. Energy 2019 , 254 , 113732. [ Google Scholar ]
  129. کوون، دی. پارک، اس. بایک، اس. ملایا، RK; یون، جی. Ryu, JT مطالعه ای در مورد توسعه سیستم تشخیص نقطه کور برای ماشین متصل هوشمند مبتنی بر اینترنت اشیا. در مجموعه مقالات کنفرانس بین المللی IEEE 2018 در مورد لوازم الکترونیکی مصرفی (ICCE)، لاس وگاس، NV، ایالات متحده، 12 تا 14 ژانویه 2018؛ صص 1-4. [ Google Scholar ]
  130. نادین، ام. محاسبات پیش بینی. Ubiquity 2000 ، 2000 ، 2-es. [ Google Scholar ] [ CrossRef ]
  131. ولودیمیر، م. کورای، ک. دیوید، اس. روسو آندری، آ. جوئل، وی. بلمار مارک، جی. الکس، جی. مارتین، آر. Fidjeland Andreas، K. گئورگ، او. کنترل در سطح انسانی از طریق یادگیری تقویتی عمیق. Nature 2015 ، 518 ، 529. [ Google Scholar ]
  132. هندرسون، پی. اسلام، ر. باخمن، پی. پینو، جی. پرکاپ، دی. مگر، دی. یادگیری تقویتی عمیق که مهم است. در مجموعه مقالات سی و دومین کنفرانس AAAI در مورد هوش مصنوعی، نیواورلئان، لس آنجلس، ایالات متحده آمریکا، 2 تا 7 فوریه 2018. [ Google Scholar ]
  133. رادو، وی. تانگ، سی. باتاچاریا، اس. لین، ND؛ ماسکولو، سی. مارینا، MK; کوثر، ف. یادگیری عمیق چندوجهی برای شناخت فعالیت و زمینه. Proc. ACM Interact اوباش فناوری پوشیدنی همه جا. 2018 ، 1 ، 1-27. [ Google Scholar ]
  134. لکون، ی. بنژیو، ی. هینتون، جی. یادگیری عمیق. طبیعت 2015 ، 521 ، 436-444. [ Google Scholar ] [ CrossRef ]
  135. Butz، سیستم های طبقه بندی کننده یادگیری MV. در کتاب راهنمای هوش محاسباتی Springer ; Springer: برلین، آلمان، 2015; ص 961-981. [ Google Scholar ] [ CrossRef ]
  136. هلمبرگ، SC محاسبات پیش بینی با یک مدل فازی زمانی مکانی. AIP Conf. Proc. 1998 ، 437 ، 419-432. [ Google Scholar ] [ CrossRef ]
  137. پژوویچ، وی. Musolesi، M. محاسبات متحرک پیش بینی برای مداخلات تغییر رفتار. در مجموعه مقالات UbiComp 2014 – مجموعه مقالات الحاقی کنفرانس مشترک بین المللی ACM در سال 2014 در محاسبات فراگیر و همه جا، سیاتل، WA، ایالات متحده آمریکا، 13-17 سپتامبر 2014. ص 1025–1034. [ Google Scholar ]
  138. نشنکو، ن. بوحرب، ای. کریچینو، جی. کادوم، جی. غنی، ن. رمزگشایی از امنیت اینترنت اشیا: یک بررسی جامع در مورد آسیب پذیری های اینترنت اشیا و اولین نگاه تجربی به بهره برداری های اینترنت اشیا در مقیاس اینترنت. IEEE Commun. Surv. معلم خصوصی 2019 ، 21 ، 2702-2733. [ Google Scholar ]
  139. حسیجا، وی. چامولا، وی. ساکسنا، وی. جین، دی. گویال، پ. Sikdar، B. نظرسنجی در مورد امنیت اینترنت اشیا: حوزه های کاربردی، تهدیدات امنیتی و معماری راه حل. دسترسی IEEE 2019 ، 7 ، 82721–82743. [ Google Scholar ]
  140. بوتون، من. اوستربرگ، پ. Song, H. امنیت اینترنت اشیا: آسیب پذیری ها، حملات و اقدامات متقابل. IEEE Commun. Surv. معلم خصوصی 2019 ، 22 ، 616–644. [ Google Scholar ]
  141. لو، ن. چنگ، ن. ژانگ، ن. شن، ایکس. وسایل نقلیه متصل: راه حل ها و چالش ها. IEEE Internet Things J. 2014 , 1 , 289-299. [ Google Scholar ]
  142. توهی، اس. گلاوین، ام. جونز، ای. تریودی، م. Kilmartin, L. نسل بعدی شبکه های سیمی درون خودرویی، بررسی. در مجموعه مقالات سمپوزیوم وسایل نقلیه هوشمند IEEE، گلد کوست، استرالیا، 23 تا 26 ژوئن 2013. صص 777-782. [ Google Scholar ] [ CrossRef ]
  143. Bas، CU; Ergen، مدل کانال فوق پهن باند SC برای شبکه‌های حسگر بی‌سیم درون خودرویی در زیر شاسی: از مدل آماری تا شبیه‌سازی IEEE Trans. وه تکنولوژی 2013 ، 62 ، 14-25. [ Google Scholar ] [ CrossRef ]
  144. لوان، تی. شن، ایکس. Bai, F. انتقال محتوا مبتنی بر یکپارچگی در شبکه‌های موقتی خودروهای بزرگراه. در مجموعه مقالات the-IEEE INFOCOM، تورین، ایتالیا، 14-19 آوریل 2013. صص 2562–2570. [ Google Scholar ] [ CrossRef ]
  145. تانگ، اف. کاواموتو، ی. کاتو، ن. لیو، جی. شبکه خودروهای هوشمند و ایمن آینده به سمت 6G: رویکردهای یادگیری ماشینی. Proc. IEEE 2019 . [ Google Scholar ] [ CrossRef ]
  146. نیکولتی، بی. بیمه دیجیتال: نوآوری تجاری در عصر پس از بحران ؛ Springer: برلین، آلمان، 2016. [ Google Scholar ]
  147. کونتی، ام. کومار، ام. فرصت ها در محاسبات فرصت طلب. کامپیوتر 2010 ، 43 ، 42-50. [ Google Scholar ] [ CrossRef ]
  148. Strayer, DL; کوپر، جی.ام. توریل، جی. کلمن، جی آر. Hopman، RJ تلفن هوشمند و حجم کار شناختی راننده: مقایسه دستیاران شخصی هوشمند اپل، گوگل و مایکروسافت. می توان. J. Exp. روانی 2017 ، 71 ، 93-110. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  149. رید، دی. لاروس، جی. گانون، دی. تصور آینده: افکاری در مورد محاسبات. کامپیوتر 2012 ، 45 ، 25-30. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00272 g001 550
شکل 1. مروری بر مراحل اصلی درگیر در ساخت مدل های یادگیری پیش بینی با استفاده از سیستم های IoMT.
Ijgi 09 00272 g002 550
شکل 2. مروری بر رویکردهای مختلف توسعه یافته برای مدل های پیش بینی.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید