Aktywne systemy mają kluczowe znaczenie dla obslugi dynamicznych zdarzeń w różnych domenach, w tym w procesach biznesowych. Pierwsza praca wprowadza inteligentną metodę wykorzystującą kodowanie liczb calkowitych do wstępnego przetwarzania dziennika, optymalizację nietoperzy do wyboru funkcji oraz glębokie konwolucyjne sieci neuronowe do wykrywania nieprawidlowych zdarzeń, chociaż CNN nie mają spójności przestrzennej. Aby temu zaradzic, druga praca implementuje Eclat-based Association Rule Mining (EARM) do wykrywania i priorytetyzacji nieprawidlowych zdarzeń, ale generuje nadmierne zestawy kandydatów i wymaga obszernego skanowania bazy danych. Trzecia praca poprawia przewidywanie incydentów w systemach lotniczych poprzez integrację optymalizacji migracji zwierząt (AMO) z eksploracją regul asocjacyjnych (ARM), gdzie Apriori generuje reguly asocjacyjne, a AMO udoskonala je, eliminując reguly o niskiej użyteczności. Kodowanie one-hot jest stosowane do konwersji numerycznej, zapewniając wydajne wyprowadzanie zdarzeń. To ustrukturyzowane podejście optymalizuje wydajnośc obliczeniową, jednocześnie poprawiając dokladnośc wykrywania zdarzeń i priorytetyzację.