从本质上来说，数据挖掘就是“从大量数据中获取有效的、潜在有用的并且最终可理解的知识或模式的非平凡过程”。可以这样理解，就是从大量的数据里提取或者“挖掘”知识。数据挖掘涉及统计学、数据库、人工智能和机器学习等多个领域，是一门交叉学科。其工作的简要过程，如图1所示

数据挖掘的主要方法有分类，预测，关联分析，聚类，时序模式分析及偏差分析等这些。数据分类，是数据挖掘中一项非常重要的技术，一直是研究的热点之一。数据分类，是数据挖掘中一项非常重要的技术，一直是研究的热点之一。分类器是好还是坏将直接影响分类结果的准确性和数据挖掘的效率,不同的分类算法将产生不同的分类器,分类大规模海量数据时,选择最合适的分类算法是非常关键的。

近年来，国内外对于数据挖掘分类算法的研究不曾停止，其主要集中在以下两个方面：第一，是直接将传统的分类算法或者组合应用到实际案例中，开发出各种应用系统；第二，是对传统分类算法进行改进或在小数据集上验证各种改良算法。然而，从更深层次而言，对各种分类算法进行深入的对比研究的然而并不多。

数据挖掘所获得的信息具备了预先未知、可实用以及有效性等显著特征。数据挖掘并不是为了代替传统的分析统计技术，相反的，数据挖掘是传统分析统计方法学的扩展。数据挖掘技术的出现和发展，使得数据库技术进入了一个更为高级的发展阶段，它不仅能够查询以往的数据，而且可以找到以往数据间的潜在联系，推动了数据信息的传播，使未来的社会更加智能化。

1.3 数据挖掘方面的研究进展

1.4 物联网中的数据挖掘的发展

物联网是下一代网络，数以万亿计的节点来代表各种对象。很多年前，IBM公司就提出了IOT的概念，而今，智慧地球，智慧城市，智能交通，智能家居的概览都已朗朗上口，国内已有很多的公司和研究院在研究。

从技术上来讲，物联网是传感器网络的集成，包括RFID（射频识别技术）和无所不在的网络。所以，每天，物联网都将产生大量的信息。例如，当一个规模中等的超市引入RFID技术供应链。而每个RFID标识都包括3个部分：时间，地点，EPC(RFID读者的唯一标识)。估算一下，一个超市大约有600000万的RFID记录，每个记录用18字节储存。那么假设每秒钟都有人在浏览记录，那么就有10.8GB的数据流产生，那么每天就会产生500TB左右的数据。可见，数据量是极其巨大的。所以，发展有效的思想和算法去管理、挖掘、分析数据是非常必要的。

从以上的分析可见，对于RFID的数据流的分析是有必要的。而实际中，确实有对于RFID的数据流分析的研究。Hector Gonzalez等人提出了用于储存RFID信息的模型，能很好的保护数据对象并压缩数据总量。他们建立RFID的立方体模型，即通过3张表来管理信息：（1）信息表，存储物品的相关信息；（2）停留表，存储物体所在的位置信息；（3）地图表，存储用于分析的结构路径信息。他们使用流程图的方法来表示商品的运输过程，并可以捕捉运动轨迹和重要的RFID异常。

在GPS应用上，也有研究者涉足。有研究者提出了新的框架，用于移动物体的异常检测；也有研究人员提出了，基于运动目标的运动轨迹的孤立点的分割检测框架。在某个国度，他们的交通情况并不是那么的良好。他们的城市中，有很多坑坑洼洼的路段的，于是他们想出了通过传感器和大数据分析技术，寻找基于整个路况的布局，并加以导航技术，能很好的避免车子的耗损和交通事故的发生。当然，这也只是个大数据的分析的例子，当政者更应该去修建条件好的公路。但我们应该感受到了，随着车辆的越来越多，每当遇到拥堵情况时候，一旦你打开广播的话，你可能听到广播员会提醒驾车者前方某些路段拥堵，请另行择道。在这个决策的其中，就恐怕有传感器网络或者监控设施扮演的信息的采集者的角色。 面向物联网的分类研究(4):http://www.youerw.com/jisuanji/lunwen_49028.html