امروزه اینترنت اشیا در زندگی روزمره اهمیت زیادی پیدا کرده است. برنامه های اینترنت اشیاء از طریق شبکه‌های ارتباطی برای تبادل اطلاعات، شناسایی اشیاء، به روز رسانی مکان، نظارت بر امنیت و غیره به هم متصل می شوند.. در نتیجه حجم عظیمی از داده­ها تولید و از طریق شبکه منتقل می­شود. بنابراین، این داده‌ها به فضای ذخیره‌سازی و قدرت محاسباتی عظیم برای پردازش بی‌درنگ و با سرعت بالا نیاز دارند. انتقال تمام داده‌های اینترنت اشیا به سطح ابر ممکن است به دلیل تاخیر بیش از حد، محدودیت پهنای باند و هزینه‌های ارتباطی بالا بر عملکرد شبکه و کیفیت خدمات تأثیر منفی بگذارد. برای رویارویی با این چالش‌ها مفهومی به نام رایانش مه/ لبه مطرح شده است. رایانش مه به عنوان یک واسطه بین لبه و ابر برای اهداف مختلف عمل می‌کند. با این حال، ارتباطات داده بخش قابل توجهی از منابع انرژی را در شبکه مصرف می کند. بنابراین، به رویکردهایی نیاز است که حجم انتقال داده‌ها از حسگرها را بدون به خطر انداختن دقت داده‌ها، کاهش دهد. یکی از راه‌های دستیابی به این هدف، بهره‌برداری از روش­های پیش‌بینی داده‌^[2] است. علاوه بر کاهش انتقال داده­ها، امروزه از روش­های پیش­بینی داده در بسیاری از حوزه­ها از جمله مراقبت­های بهداشتی هوشمند، کشاورزی هوشمند، حمل و نقل و غیره استفاده می‌شود. روش­های پیش‌بینی داده، می‌توانند با تحلیل داده‌های یک سازمان، ریسک‌ها و فرصت‌های احتمالی آن‌ها را در آینده پیش‌بینی نمایند. این مقاله، مروری بر روش­های پیش‌بینی داده‌ در مه/ لبه است. مقالات و مطالعات مرتبط با موضوع در بازه زمانی 2018 تا 2022 بررسی شده‌اند. سپس به دسته‌بندی هر کدام از پژوهش‌ها از منظر موضوع اصلی، مزایا، معایب، یافته‌های جدید، حوزه کاربرد، نتایج ارزیابی، محیط ارزیابی و معیارهای ارزیابی در قالب جدول و نیز به صورت آماری پرداخته شده است