رویکردی جدید بر معماری مفهومی توصیهگر در یادگیری اینترنت اشیاء متحرک (IOMT)

اینترنت اشیاء متحرک (Mobile Internet of Things, MIoT) به عنوان یکی از زیرشاخههای مهم اینترنت اشیاء (IoT)، با چالشهای متعددی از جمله تحرک، تغییرات پویای محیطی، محدودیت منابع و نیاز به پردازش داده ها در زمان واقعی مواجه است. یادگیری پیش بینیکننده (Predictive Learning) به عنوان یک رویکرد قدرتمند در تحلیل دادهها و پیش بینی رویدادهای آینده، می تواند نقش مهمی در بهبود عملکرد سیستم های MIoT ایفا کند. این مقاله به مرور جامع بر یادگیری پیش بینیکننده در حوزه MIoT میپردازد و چالش ها و فرصت های پژوهشی این حوزه را بررسی می کند. گسترش سیستمهای اینترنت اشیا (IoT) توجه زیادی را از سوی جامعه پژوهشی به خود جلب کرده است و نوآوری های بسیاری را به شهرهای هوشمند، به ویژه از طریق اینترنت اشیاء متحرک (IoMT) به همراه داشته است. توزیع دینامیک جغرافیایی دستگاه های IoMT به دستگاهها امکان می دهد تا خود و محیط اطراف خود را در مقیاس های 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 می رود که در آینده نزدیک، وظایف بهینهسازی و پیش بینی تاثیر بیشتری بر نحوه تعامل شهروندان با شهرهای هوشمند داشته باشد. در این مقاله به بررسی وضعیت عملکرد سیستمهای IoMT میپردازیم و نقش حیاتی آنها را در حمایت از یادگیری پیش بینیکننده مورد بحث قرار می دهیم. یادگیری پیش بینیکننده در MIoT از روشهای مختلف یادگیری ماشین و هوش مصنوعی بهره می برد. این روش ها به دو دسته کلی تقسیم میشوند: یادگیری نظارت شده و یادگیری غیرنظارت شده. عالوه بر این، روش های ترکیبی و پیشرفتهتری مانند یادگیری عمیق (Deep Learning) و یادگیری تقویتی (Reinforcement Learning) نیز در این حوزه مورد استفاده قرار میگیرند. حداکثر پتانسیل سیستم های IoMT در شهرهای هوشمند آینده میتواند 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 چالش ها و فرصتهای یادگیری پیش بینیکننده برای سیستمهای IoMT را بر خالف GIS بررسی میکنیم. نمای کلی ارائه شده در این مقاله، رهنمودها و سیاستها را برای تحقیقات آینده در مورد این موضوع نوظهور برجسته می کند به نمایش میگذاریم. ما همچنین چالش ها و فرصتهای یادگیری پیش بینیکننده برای سیستمهای IoMT را بر خالف GIS بررسی میکنیم. نمای کلی ارائه شده در این مقاله، رهنمودها و سیاست ها را برای تحقیقات آینده در مورد این موضوع نوظهور برجسته می کنیم. ما همچنین چالش ها و فرصت های یادگیری پیش بینیکننده برای سیستمهای IoMT را بر خالف GIS بررسی میکنیم. نمای کلی ارائه شده در این مقاله، رهنمودها و سیاست ها را برای تحقیقات آینده در مورد این موضوع نوظهور برجسته میکنیم.

کلیدواژه ها:

اینترنت اشیاء متحرک ، یادگیری پیش بینی کننده ، شهرهای هوشمند