每當清晨，窗簾會適時自動打開將第一縷陽光灑滿你房間；當你將手掌貼在衣柜門上，衣柜就會檢測到你的體溫，并綜合氣溫為你搭配著裝；家里的冰箱會對其中的食物進行監(jiān)控，提示哪些食物即將過期，如果某些食物短缺，也會自動地聯(lián)系超市幫助訂購……這些近似科幻的生活場景正是物聯(lián)網(wǎng)時代帶給我們的便利生活。

“智慧”應用領域

物聯(lián)網(wǎng)的應用領域覆蓋到各個角落、各個領域，開篇提到的僅僅是物聯(lián)網(wǎng)提供給我們的智能生活，除此還有以下四個值得特別關注的領域：

智能電網(wǎng)：能源事關國家的命脈，所以發(fā)展物聯(lián)網(wǎng)首先要關注智能電網(wǎng)。在傳輸能源的同時采集數(shù)據(jù)，通過優(yōu)化模型對數(shù)據(jù)進行挖掘和分析，可以預測電能流的情況，如電壓變化和用電量分布，為發(fā)電、輸電、配電、用電各方及監(jiān)管單位提供決策支持，實現(xiàn)用電的優(yōu)化配置、節(jié)能減排。

智慧汽車：智慧汽車將是汽車產(chǎn)業(yè)的未來發(fā)展方向。在汽車的部件上裝上傳感器，通過網(wǎng)絡和GPS定位讓汽車與指揮后臺、汽車與汽車之間彼此自動溝通，這樣人們在駕駛時，就可以預知哪個地方出了故障、哪個路段特別擁擠，以減少汽車追尾事故、減少等待時間和尾氣排放等等。這是智慧城市和車聯(lián)網(wǎng)時代必不可少的一部分。

智慧醫(yī)療：如果把嵌入式芯片裝到患者身上，就可以隨時感知到患者的血糖、血壓和臟器的情況，并通過網(wǎng)絡與后臺的醫(yī)療、保健系統(tǒng)聯(lián)系在一起，隨時給出警示和應對建議，緊急情況下還可以自動呼叫急救中心，并發(fā)送定位信息。

射頻識別（RFID）產(chǎn)業(yè)：物流、金融、零售、物品防偽、環(huán)境保護、身份識別等很多方面，都離不開RFID，今后隨著物聯(lián)網(wǎng)的大規(guī)模應用，其應用范圍將更加廣闊。

“智慧”實現(xiàn)技術

物聯(lián)網(wǎng)技術采用射頻識別、紅外感應器、全球定位系統(tǒng)、激光掃描器等信息傳感設備采集物體信息，使物品與互聯(lián)網(wǎng)連接起來，進行信息交換和通訊，實現(xiàn)智能化識別、定位、跟蹤、監(jiān)控和管理。

物聯(lián)網(wǎng)通過各式各樣的傳感器抓取信息，隨之而來的，就是如何處理急速膨脹的數(shù)據(jù)？又怎樣讓這些數(shù)據(jù)產(chǎn)生智慧呢？這無疑對數(shù)據(jù)挖掘技術提出了新的挑戰(zhàn)。數(shù)據(jù)挖掘在這里只是一個代表性概念，它是一些能夠實現(xiàn)物聯(lián)網(wǎng)“智能化”、“智慧化”的分析技術和應用的統(tǒng)稱。細分起來，包括數(shù)據(jù)挖掘和數(shù)據(jù)倉庫、計算智能、人工智能、專家系統(tǒng)、決策支持等技術和應用。

在通常情況下，數(shù)據(jù)分析的步驟是：首先收集數(shù)據(jù)，將其存儲在數(shù)據(jù)庫中，再用模型對數(shù)據(jù)庫進行搜索，這種高度結構化的方式通常需要耗費很多時間；其次要對收集的數(shù)據(jù)進行融合，該過程是對多維數(shù)據(jù)或信息進行處理，組合出更有效、更符合用戶需求的數(shù)據(jù)；最后用先進的軟件算法在數(shù)據(jù)流入同時即對其進行分析，讓程序在短時間內對環(huán)境變化做出智能的回應。

數(shù)據(jù)融合的方法普遍應用在日常生活中，比如在辨別一個事物的時候通常會綜合各種感官信息，包括視覺、觸覺、嗅覺和聽覺等。單獨依賴一個感官獲得的信息往往不足以對事物做出準確的判斷，而綜合各種感官數(shù)據(jù)，對事物的描述會更準確。許多時候我們只關心結果，并不需要收到大量原始數(shù)據(jù)，數(shù)據(jù)融合是實現(xiàn)此目的的重要手段。

如何完成由收集融合后的數(shù)據(jù)到信息、到知識、再到智慧的轉換呢？IT技術的發(fā)展成就已遠遠出乎人們的想象，只要給它提供一個平臺，它就可以向精靈一樣創(chuàng)造出無限的智慧。完成這一過程有很多方式，可以用機器學習的辦法讓機器本身具有一定的智能，也可以采用專家系統(tǒng)，建立一個內部含有大量的某個領域專家水平的知識與經(jīng)驗的數(shù)據(jù)庫，使系統(tǒng)能夠利用人類專家的知識和解決問題的方法來處理該領域問題。 從學習的方法來看有兩類任務：有監(jiān)督的學習和無監(jiān)督的學習。前者利用已知的類別標識，對一組訓練樣本進行學習，發(fā)現(xiàn)樣本特征與類別之間的關系，用于預測新樣本的類別，這個過程稱為分類。后者在樣本類別未知的情況下，根據(jù)樣本之間的相似性進行分組，這個過程稱為聚類。在物聯(lián)網(wǎng)數(shù)據(jù)挖掘中，同樣存在這兩種學習，由于所處理的樣本數(shù)據(jù)蘊含著路徑信息，稱為基于路徑的分類和聚類?；诼窂降姆诸惛鶕?jù)物品在一段時間內的移動路徑，判斷物品所屬的類別。例如，在物流監(jiān)控中，將貨物的運輸軌跡分為正常和異常兩種，發(fā)現(xiàn)這兩類軌跡的特征可以用來監(jiān)測可疑行為。對路徑的分類通常需要先將路徑劃分為子序列，然后利用決策樹、神經(jīng)網(wǎng)絡、貝葉斯等方法進行分類?；诼窂降木垲惏l(fā)現(xiàn)相似的路徑群，揭示路徑之間的關系以及路徑與其它特征之間的關系。聚類的結果可以用來優(yōu)化道路設計，減少交通阻塞，預測交通流量。路徑聚類一般包括數(shù)據(jù)表示、相似度量定義、聚類、聚類描述和聚類評價幾個步驟。通過以上步驟便使得物聯(lián)網(wǎng)具有一定的智能，能夠自行地處理一些問題，使人們的生活更加便捷舒適。（吉林大學計算機學院 黃嵐、王巖、陳亮）