近日，计算机科学领域国际顶级刊物《IEEE Transactions on Cognitive Communications and Networking》（一区TOP，IF 7.0）报道了人工智能学院协同控制团队在工业无线网络的研究进展，相关成果以“Learning to Predict: Collaborative Cloud-Edge Multi-Time-Scale Attention Model for Industrial Wireless Channel Prediction”为题在线发表。

在工业4.0背景下，工业无线网络面临着前所未有的严峻考验。由于其信道环境复杂多变、动态干扰强，这使得智能工厂中实时性与可靠性的严苛要求很难满足，因此实时准确的信道预测成为该领域学者们的关注重点。在传统的信道预测方法中，当面对视距（LoS）与非视距（NLoS）同时存在的异构场景时，往往陷入了两难的困境，难以在预测精度与时延之间找到一个平衡点，而且其模型的适应性也存在明显缺陷，无法有效应对信道状态的快速变化。尽管云边协同的出现为攻克这一难题带来了新的思路，但如何在资源相对受限的边缘端实现模型的高效部署，并且能够智能地调度云、边任务，从而巧妙地平衡预测精度与时延，已然成为当前工业互联网领域亟待解决的关键技术难题。

为应对上述挑战，该研究提出了一种新型云边协同工业无线信道预测架构。该架构的核心是多时间尺度注意力（MTSA）模型：在云端，通过多任务学习（MTL）框架构建高精度预测模型（Cloud-PM），实现对LoS/NLoS异构信道的精准建模；在边缘端，设计了轻量化预测模型（Edge-PM），通过跨层参数共享机制继承云端知识，实现高效推理。此外，该研究还设计了一种基于深度强化学习的多目标动态任务调度（MODTS）算法，该算法能够根据实时网络状态动态优化云边任务分配，以实现预测精度与时延的最佳权衡。实验结果表明，该架构在预测精度、实时性能和模型鲁棒性方面均显著优于现有方法，为实现高可靠、低时延的工业无线通信提供了有效的技术方案。

图 1 云边协同的工业无线信道预测架构

图 2 不同模型在信噪比预测任务中的性能比较

图 3 参数共享和实时更新策略对模型性能影响的对比

图 4 不同预测步长下的任务调度策略的性能比较

本项工作主要由学院2022级本科生任晓泉和靳凯博在石华光、周毅老师的联合指导下完成。该研究受到国家自然科学基金、河南省自然科学基金、国家重点研发计划“政府间国际科技创新合作”重点专项、中原科技创新青年拔尖人才计划等项目支持。

论文链接：https://ieeexplore.ieee.org/document/11062653