加州大學(xué)的Deshpande等提出了一種模型驅(qū)動 ISO124P的查詢處理方法[17]，該方法的思想是：首先基于已經(jīng)存儲和正在產(chǎn)生的感知數(shù)據(jù)，建立一個感知數(shù)據(jù)的統(tǒng)計數(shù)學(xué)模型，然后基于這個模型來回答用戶的查詢。這種數(shù)據(jù)模型是對過去感知數(shù)據(jù)分布情況的總結(jié)（如是某種屬性的高斯分布），利用統(tǒng)計模型不僅可以計算出屬性的變化趨勢，還可以給出屬性最可能取值的置信區(qū)間和置信度，當(dāng)置信度達(dá)到一定要求（可以是用戶定義的，也可以是系統(tǒng)給定的門限標(biāo)準(zhǔn)）時可以僅利用模型就給出比較可信的屬性值；當(dāng)未達(dá)要求時根據(jù)模型也可計算出需要獲取哪些位置的哪些屬性值，而不必盲目查詢網(wǎng)絡(luò)中的各種感知數(shù)值。
    由于統(tǒng)計模型的參數(shù)表示和基于統(tǒng)計模型的查詢計算較為復(fù)雜，因此除了在基站端計算網(wǎng)絡(luò)全局?jǐn)?shù)據(jù)的統(tǒng)計模型外，網(wǎng)內(nèi)普通傳感器節(jié)點上由于存儲和計算能力限制不存儲模型或者僅存儲本節(jié)點（或包括相鄰一跳節(jié)點）的一個或幾個感知屬性的統(tǒng)計模型。例如，在圖8-6所示的基于概率的存儲模型中，基站計算機上存儲網(wǎng)內(nèi)所有屬性的概率模型，而在網(wǎng)內(nèi)節(jié)點A和B處存儲本節(jié)點附近的（一跳范圍內(nèi)的）同類型屬性的概率統(tǒng)計模型，A節(jié)點存儲附近的光強屬性值統(tǒng)計分布模型，B節(jié)點存儲附近溫度屬性值分布模型。利用節(jié)點A和B上的局部數(shù)據(jù)概率模型可以判斷并剔除錯誤數(shù)據(jù)，找出有問題的鄰居節(jié)點。

    基于模型驅(qū)動的查詢處理方法的優(yōu)點如下。
    ①利用模型可以計算出還需要哪些位置的哪些數(shù)據(jù)，減少查詢的盲目性，降低網(wǎng)內(nèi)查詢處理的數(shù)據(jù)量。
    ②利用統(tǒng)計模型可以計算數(shù)據(jù)之間的相關(guān)性信息，利用數(shù)據(jù)之間的相關(guān)性可以用查詢節(jié)能屬性數(shù)據(jù)的方式代替查詢耗能多的屬性，從而實現(xiàn)查詢節(jié)能。
    ③根據(jù)概率模型可以辨別出不可靠的數(shù)據(jù)及失效的節(jié)點，可提供給用戶網(wǎng)絡(luò)中存在問題的節(jié)點信息。
    ④提供用戶查詢結(jié)果的同時給出關(guān)于查詢結(jié)果的精確度，這對于科學(xué)工作者來說是很有用處的。
    ⑤根據(jù)模型預(yù)測分析未來數(shù)據(jù)的變化趨勢，有利于實現(xiàn)發(fā)展趨勢預(yù)測。
    然而，這種方案也存在一些不足，具體如下。
    ①要處理不斷連續(xù)變化的實時數(shù)據(jù)流，需要有良好的算法以實時更新數(shù)據(jù)的概率模型。
    ②傳感器節(jié)點端存儲概率模型和進行復(fù)雜的概率分布計算，需要耗費一定的存儲資源和計算時間。