مروری جامع بر پیش بینی داده در رایانش مه و لبه

امروزه اینترنت اشیا در زندگی روزمره اهمیت زیادی پیدا کرده است. برنامه های اینترنت اشیاء از طریق شبکه های ارتباطی برای تبادل اطلاعات، شناسایی اشیاء، به روز رسانی مکان، نظارت بر امنیت و غیره به هم متصل می شوند.. در نتیجه حجم عظیمی از داده­ها تولید و از طریق شبکه منتقل می­شود. بنابراین، این داده ها به فضای ذخیره سازی و قدرت محاسباتی عظیم برای پردازش بی درنگ و با سرعت بالا نیاز دارند. انتقال تمام داده های اینترنت اشیا به سطح ابر ممکن است به دلیل تاخیر بیش از حد، محدودیت پهنای باند و هزینه های ارتباطی بالا بر عملکرد شبکه و کیفیت خدمات تاثیر منفی بگذارد. برای رویارویی با این چالش ها مفهومی به نام رایانش مه/ لبه مطرح شده است. رایانش مه به عنوان یک واسطه بین لبه و ابر برای اهداف مختلف عمل می کند. با این حال، ارتباطات داده بخش قابل توجهی از منابع انرژی را در شبکه مصرف می کند. بنابراین، به رویکردهایی نیاز است که حجم انتقال داده ها از حسگرها را بدون به خطر انداختن دقت داده ها، کاهش دهد. یکی از راه های دستیابی به این هدف، بهره برداری از روش­های پیش بینی داده [۲] است. علاوه بر کاهش انتقال داده­ها، امروزه از روش­های پیش­بینی داده در بسیاری از حوزه­ها از جمله مراقبت­های بهداشتی هوشمند، کشاورزی هوشمند، حمل و نقل و غیره استفاده می شود. روش­های پیش بینی داده، می توانند با تحلیل داده های یک سازمان، ریسک ها و فرصت های احتمالی آن ها را در آینده پیش بینی نمایند. این مقاله، مروری بر روش­های پیش بینی داده در مه/ لبه است. مقالات و مطالعات مرتبط با موضوع در بازه زمانی ۲۰۱۸ تا ۲۰۲۲ بررسی شده اند. سپس به دسته بندی هر کدام از پژوهش ها از منظر موضوع اصلی، مزایا، معایب، یافته های جدید، حوزه کاربرد، نتایج ارزیابی، محیط ارزیابی و معیارهای ارزیابی در قالب جدول و نیز به صورت آماری پرداخته شده است

کلیدواژه ها:

رایانش مه/ لبه ، پیش بینی داده ، اینترنت اشیاء ، شبکه حسگر بی سیم