Aktive Systeme sind für den Umgang mit dynamischen Ereignissen in verschiedenen Bereichen, einschließlich Geschäftsprozessen, von entscheidender Bedeutung. In der ersten Arbeit wird eine intelligente Methode vorgestellt, die Integer-Codierung für die Protokollvorverarbeitung, Bat-Optimierung für die Merkmalsauswahl und Deep Convolutional Neural Networks für die Erkennung anormaler Ereignisse verwendet, obwohl CNNs keine räumliche Konsistenz aufweisen. Um dieses Problem zu beheben, implementiert die zweite Arbeit Eclat-basiertes Association Rule Mining (EARM) zur Erkennung und Priorisierung von anormalen Ereignissen, aber es generiert übermäßige Kandidatensätze und erfordert umfangreiches Scannen der Datenbank. Die dritte Arbeit verbessert die Vorhersage von Ereignissen in Luft- und Raumfahrtsystemen durch die Integration von Animal Migration Optimization (AMO) mit Association Rule Mining (ARM), wobei Apriori Assoziationsregeln generiert und AMO diese durch Eliminierung von Regeln mit geringem Nutzen verfeinert. Für die numerische Konvertierung wird die One-Hot-Codierung angewandt, die eine effiziente Ereignisableitung gewährleistet. Dieser strukturierte Ansatz optimiert die Berechnungseffizienz und verbessert gleichzeitig die Genauigkeit der Ereigniserkennung und die Priorisierung.