1、正像傳統(tǒng)搜索技術(shù)在互聯(lián)網(wǎng)上扮演的重要角色一般，物聯(lián)網(wǎng)搜索技術(shù)作為基礎(chǔ)性服務(wù)也將成為物聯(lián)網(wǎng)應(yīng)用不可或缺的一部分。對(duì)于物聯(lián)網(wǎng)搜索來(lái)說(shuō)，由于傳感器感知的實(shí)體狀態(tài)動(dòng)態(tài)變化，能夠在物理世界中實(shí)時(shí)搜尋指定狀態(tài)的實(shí)體變得十分困難。如何在大量傳感器存在且各傳感器狀態(tài)動(dòng)態(tài)變化的情況下，減少搜索引擎訪問(wèn)傳感器的數(shù)量，增加搜索引擎訪問(wèn)傳感器的正確性，高效且低時(shí)延地返回匹配用戶查詢狀態(tài)的傳感器集合，是本文要解決的首要問(wèn)題。利用數(shù)據(jù)挖掘中的一種周期模式挖掘算法，

2、結(jié)合人們?cè)谌粘Ｉ钪斜憩F(xiàn)出來(lái)的行為規(guī)律性，提出了基于預(yù)測(cè)模型的傳感器排序算法，它有效地實(shí)現(xiàn)了基于傳感器狀態(tài)的搜索。排序算法的基本思想是通過(guò)傳感器輸出狀態(tài)的歷史數(shù)據(jù)計(jì)算出經(jīng)過(guò)排序的傳感器列表，列表中傳感器排名越高，那么它越有可能匹配用戶提出的查詢，以此為搜索引擎提供處理優(yōu)先級(jí)，將資源使用在最有可能匹配查詢的傳感器上。這些資源是通過(guò)網(wǎng)絡(luò)讀取傳感器當(dāng)前值以檢查它是否匹配查詢的開(kāi)銷(xiāo)。若沒(méi)有傳感器的預(yù)先排名，搜索引擎可能需要訪問(wèn)大量的傳感器才能返

3、回結(jié)果，這會(huì)產(chǎn)生巨大的時(shí)延。
　　本文利用網(wǎng)上教室預(yù)訂系統(tǒng)的數(shù)據(jù)集以及辦公樓內(nèi)移動(dòng)監(jiān)測(cè)傳感器的數(shù)據(jù)集，統(tǒng)計(jì)傳感器排序列表中的排序錯(cuò)誤率，比較了不對(duì)數(shù)據(jù)集采用預(yù)測(cè)模型和對(duì)數(shù)據(jù)集采用預(yù)測(cè)模型兩種情況下的排序錯(cuò)誤率，驗(yàn)證了傳感器排名算法中單周期預(yù)測(cè)模型和多周期預(yù)測(cè)模型的適用場(chǎng)景和優(yōu)勢(shì)。此外，準(zhǔn)確地表示出預(yù)測(cè)模型并且使之與現(xiàn)有的搜索引擎進(jìn)行整合，是本文接下來(lái)要解決的一個(gè)難題?；谀壳皐eb的發(fā)展以及語(yǔ)義傳感器網(wǎng)絡(luò)本體的成熟，利用資源描述框