物联网搜索是指从海量物联网智能设备中寻找用户需要的资源。为了避免在搜索时访问所有的传感节点,现有搜索架构会在云服务器上建立预测模型,搜索时依据预测模型产生的传感器数据寻找符合搜索条件的传感节点。这种搜索框架在云端依据传感器历史数据逐个建立预测模型,在大规模终端的IoT系统中模型利用效率不高,同时缺少预测模型的在线更新机制,忽视了高度动态的IoT数据可能导致预测模型的性能在长期预测中逐渐下降的问题。针对现有搜索架构在大规模场景下效率不高以及无法在动态环境下进行有效预测的问题,本文的主要工作如下:(1)为了在大规模资源受限的场景下以最小的代价维持云端高可用的预测,本文基于双向预测思路设计了一种物联网搜索的协同预测架构。架构中云服务器建立预测模型并下发传感器,传感器每周期对比预测数据和真实数据的差别来计算数据的传送价值,有选择地上报价值高的数据。云端使用传感器的上报数据在线更新其预测模型,并将新的模型参数及时地同步到相应的传感器上。通过这种协同方式确保了云端能够始终有效地预测传感器的当前读数,为搜索引擎提供准确地传感器数据索引。该架构通过传感器的自适应数据上报减轻了资源受限传感器的通信压力,通过云服务器上的在线更新机制确保架构能够在动态环境下进行有效预测。(2)基于协同预测架构本文提出了相似传感器协同聚类算法和预测模型协同更新算法:聚类算法能够对数据分布相似的传感器建立统一的预测模型,从而在大规模搜索场景下减少服务器的计算压力;更新方法能够通过基于CLCSS的传送判决和多种在线更新算法实现预测模型的在线更新,维持预测模型的高可用性。使用典型的速变数据集的仿真分析结果表明,与现有的物联网搜索架构相比,本文提出的协同预测方法对传感器数据的平均预测准确度为94.65%,通信开销降低77%,表明方法在保证数据准确度的同时有效降低了网络开销。本文设计的协同预测方法能够有效减少传感器的数据上报频率,确保云服务器上维护的预测模型的高可用性,使得在大规模场景下进行物联网搜索能够更快地根据预测数据得到搜索结果,节省验证需要的通信开销。