1به­ کارگیری الگوکاوی بر روی داده­های مرتبط با مسیرها و جاده­ها، دستاوردهای با­ارزش و اثرگذاری را در حوزه­های مختلفی، همچون راه و شهرسازی، حمل و نقل و حتی پیش­بینی سرویس­های اجتماعی به ارمغان آورده است. در این مقاله به کاوش الگوهای خط­سیر در اشیا متحرک در شبکه­های جاده­ای پرداخته شده است. تا بتوان به کمک آن الگوهای مناسبی را استخراج نماییم. ازجمله چالش­های موجود در تکنیک­های خوشه­بندی در بحث الگوکاوی، پیدا کردن الگوهای متوالی همراه با زمان اجرای پایین می­باشد. برای حل این مشکل، از تکنیک­های خوشه­بندی برای معرفی یک الگوریتم پیشنهادی به نام BFEs-Enhanced استفاده شده است، که با استفاده از آن می­توان الگوهای Flock متوالی و معنی­داری را که دارای بازه زمانی پایینی می­باشند، استخراج نمود. نتایج شبیه­سازی نشان می­دهد که، روش پیشنهادی به دلیل استفاده از معیارهای مناسب برای خوشه­بندی که شامل: حداکثر فاصله ثابت و حداقل تعداد می­باشد و اضافه کردن معیار جدیدی به نام حداقل دوره زمانی به الگوریتم پیشنهادی و از طرف دیگر، در روش پیشنهادی علاوه بر معیار فاصله که الگوریتمBFE-Enhanced داشته است، معیار جهت نیز برای بهبود دقت عملکرد به الگوریتم پیشنهادی اضافه شده است. که در نتیجه، الگوریتم پیشنهادی، بازه زمانی را کاهش و تعداد الگوهای معنی­دار و متوالی را افزایش می­دهد.

کنترل محدوده ها، اماکن و سنسورهای حرکتی در اینترنت اشیا نیازمند کنترل پیوسته و مستمر برای تشخیص فعالیت های انسانی در شرایط مختلف است که این مهم، خود چالشی از جمله نیروی انسانی و خطای انسانی را نیز در بر دارد. کنترل همیشگی توسط انسان نیز بر سنسورهای حرکتی اینترنت اشیا غیر ممکن به نظر می رسد. اینترنت اشیا فراتر از برقراری یک ارتباط ساده بین دستگاه ها و سیستم ها می باشد. اطلاعات سنسورها و سیستم های اینترنت اشیا به شرکت ها کمک می کند تا دید بهتری نسبت به کارایی سیستم داشته باشند. در این پژوهش روشی مبتنی بر یادگیری عمیق و شبکه عصبی عمیق سی لایه ای برای تشخیص فعالیت های انسانی روی مجموعه داده تشخیص فعالیت دانشگاه فوردهام ارائه شده است. این مجموعه داده دارای بیش از یک میلیون سطر در شش کلاس برای تشخیص فعالیت در اینترنت اشیا است. بر اساس نتایج به دست آمده، مدل پیشنهادی ما در راستای تشخیص فعالیت های انسانی در معیارهای ارزیابی مورد نظر کارایی 90 درصد و میزان خطای 2/2 درصد را داشت. نتایج به دست آمده نشان از عملکرد خوب و مناسب یادگیری عمیق در تشخیص فعالیت است.

فناوری اینترنت اشیا ) IoT ( شامل تعداد زیادی گرههای حسگر است که حجم انبوهی از داده تولید میکنند. مصرف بهینه انرژی گرههای حسگر یک چالش اساسی در این نوع از شبکههاست. خوشهبندی گرههای حسگر در دستههای مجزا و تبادل اطلاعات از طریق سرخوشهها، یکی از راهکارهای بهبود مصرف انرژی است. این مقاله یک پروتکل مسیریابی مبتنی بر خوشهبندی جدید به نام 1KHCMSBA را ارائه میدهد. پروتکل پیشنهادی بطور بیولوژیکی از ویژگیهای جستجوی سریع و مؤثر الهام گرفته بر اساس رفتار غذایابی میگوها در الگوریتم بهینهسازی گروه میگوها برای خوشهبندی گرههای حسگر استفاده میکند. در پروتکل پیشنهادی همچنین از چاهک متحرک برای جلوگیری از مشکل نقطه داغ استفاده می شود. فرآیند خوشهبندی در ایستگاه پایه با یک الگوریتم کنترل متمرکز انجام میشود که از سطوح انرژی و موقعیت قرارگیری گرههای حسگر آگاه است. بر خلاف سایر پروتکلهای موجود در سایر تحقیقات، KHCMSBA مدل انرژی واقع بینانهای را در شبکه در نظر میگیرد که در شبیه ساز Opnet عملکرد آن مورد آزمایش قرار میگیرد و نتایج حاصل از شبیه سازی با پروتکل ( Artifical Fish Swarm Routing Protocol) AFSRP مقایسه میشوند. نتایج حاصل از شبیه سازی حاکی از عملکرد بهتر روش پیشنهادی از نظر انرژی مصرفی به میزان 71 / 12 درصد، نرخ گذردهی به میزان 22 / 14 درصد، تأخیر انتها به انتها به میزان 07 / 76 درصد، نسبت سیگنال به نویز به میزان 82 / 46 درصد نسبت به پروتکل AFSRP است.