یادگیری ماشین برای تحلیل داده های اینترنت اشیا: مرور
توسعه های سریع در تکنولوژی های سخت افزاری، نرم افزاری و ارتباطاتی امکان پیدایش دستگاه هایی با حسگر متصل به اینترنت را فراهم ساخته اند که امکاناتی از جمله مشاهده و ارزیابی داده ها را از دنیای فیزیکی تهیه می کنند. تا سال 2020، براورد می شود که کل تعداد دستگاه های متصل به اینترنتی که قرار است استفاده شوند بین 50-25 میلیارد خواهد بود. با رشد تعداد و بالغ گشتن تکنولوژی ها، حجم داده های منتشر شده افزایش خواهد یافت. تکنولوژی دستگاه های متصل به اینترنت که اینترنت اشیا (IoT) نامیده می شود به گسترش اینترنت فعلی با فراهم سازی امکان اتصال و تعامل بین دنیاهای فیزیکی و سایبری ادامه می دهد. علاوه بر افزایش حجم، IoT، کلان داده را تولید می کند که طبق سرعت بر حسب وابستگی زمانی و مکانی با انواع وجوه و کیفیت های داده متغیر شناسایی می شود. پردازش هوشمند و آنالیز این کلان داده، کلیدی برای توسعه ی کاربردهای IoT هوشمند است. این مقاله به ارزیابی روش های یادگیری ماشین مختلفی می پردازد که به چالش های موجود در داده های IoT با در نظر گرفتن شهرهای هوشمند به عنوان مورد کاربری اصلی رسیدگی می کنند. هدف اصلی این مطالعه، ارائه ی طبقه بندی الگوریتم های یادگیری ماشین با شرح نحوه ی بکارگیری از تکنیک های مختلف برای داده ها به منظور استخراج اطلاعات سطح بالاتر است. پتانسیل و چالش های یادگیری ماشین برای تحلیل های داده IoT نیز مورد بحث و بررسی قرار خواهند گرفت. مورد کاربری بکارگیری ماشین بردار پشتیبان (SVM) بر روی داد های ترافیک شهر هوشمند ارهوس برای توضیح کامل تر ارائه می شود.
کلمات کلیدی: یادگیری ماشین، اینترنت اشیا، داده های هوشمند، شهر هوشمند
Machine Learning for Internet of Things Data Analysis: A Survey
Digital Communications and Networks
Abstract
Rapid developments in hardware, software, and communication technologies have allowed the emergence of Internet-connected sensory devices that provide observation and data measurement from the physical world. By 2020, it is estimated that the total number of Internet-connected devices being used will be between 25-50 billion. As the numbers grow and technologies become more mature, the volume of data published will increase. Internet-connected devices technology, referred to as Internet of Things (IoT), continues to extend the current Internet by providing connectivity and interaction between the physical and cyber worlds. In addition to increased volume, the IoT generates Big Data characterized by velocity in terms of time and location dependency, with a variety of multiple modalities and varying data quality. Intelligent processing and analysis of this Big Data is the key to developing smart IoT applications. This article assesses the di erent machine learning methods that deal with the challenges in IoT data by considering smart cities as the main use case. The key contribution of this study is presentation of a taxonomy of machine learning algorithms explaining how di erent techniques are applied to the data in order to extract higher level information. The potential and challenges of machine learning for IoT data analytics will also be discussed. A use case of applying Support Vector Machine (SVM) on Aarhus Smart City trac data is presented for a more detailed exploration.
Keywords: Machine Learning, Internet of Things, Smart Data, Smart City
