物联网的“智慧”(2)

在通常情况下，数据分析的步骤是：首先收集数据，将其存储在数据库中，再用模型对数据库进行搜索，这种高度结构化的方式通常需要耗费很多时间；其次要对收集的数据进行融合，该过程是对多维数据或信息进行处理，组合出更有效、更符合用户需求的数据；最后用先进的软件算法在数据流入同时即对其进行分析，让程序在短时间内对环境变化做出智能的回应。

数据融合的方法普遍应用在日常生活中，比如在辨别一个事物的时候通常会综合各种感官信息，包括视觉、触觉、嗅觉和听觉等。单独依赖一个感官获得的信息往往不足以对事物做出准确的判断，而综合各种感官数据，对事物的描述会更准确。许多时候我们只关心结果，并不需要收到大量原始数据，数据融合是实现此目的的重要手段。

如何完成由收集融合后的数据到信息、到知识、再到智慧的转换呢？IT技术的发展成就已远远出乎人们的想象，只要给它提供一个平台，它就可以向精灵一样创造出无限的智慧。完成这一过程有很多方式，可以用机器学习的办法让机器本身具有一定的智能，也可以采用专家系统，建立一个内部含有大量的某个领域专家水平的知识与经验的数据库，使系统能够利用人类专家的知识和解决问题的方法来处理该领域问题。 从学习的方法来看有两类任务：有监督的学习和无监督的学习。前者利用已知的类别标识，对一组训练样本进行学习，发现样本特征与类别之间的关系，用于预测新样本的类别，这个过程称为分类。后者在样本类别未知的情况下，根据样本之间的相似性进行分组，这个过程称为聚类。在物联网数据挖掘中，同样存在这两种学习，由于所处理的样本数据蕴含着路径信息，称为基于路径的分类和聚类。基于路径的分类根据物品在一段时间内的移动路径，判断物品所属的类别。例如，在物流监控中，将货物的运输轨迹分为正常和异常两种，发现这两类轨迹的特征可以用来监测可疑行为。对路径的分类通常需要先将路径划分为子序列，然后利用决策树、神经网络、贝叶斯等方法进行分类。基于路径的聚类发现相似的路径群，揭示路径之间的关系以及路径与其它特征之间的关系。聚类的结果可以用来优化道路设计，减少交通阻塞，预测交通流量。路径聚类一般包括数据表示、相似度量定义、聚类、聚类描述和聚类评价几个步骤。通过以上步骤便使得物联网具有一定的智能，能够自行地处理一些问题，使人们的生活更加便捷舒适。