本發(fā)明涉及無線通訊的，尤其涉及一種工業(yè)無線信道預(yù)測方法。
背景技術(shù)：
：：1、2、傳統(tǒng)的深度學(xué)習(xí)方法(如cnn、lstm)，例如申請?zhí)枮?02211281296.x的發(fā)明公開了一種無線網(wǎng)絡(luò)信道狀態(tài)預(yù)測方法、裝置、設(shè)備及存儲介質(zhì)。盡管在某些應(yīng)用中取得了良好的效果，但在異構(gòu)環(huán)境下存在兩個問題。第一，現(xiàn)有模型難以有效區(qū)分los與nlos場景的信道的共性與差異，導(dǎo)致泛化性能受限。多任務(wù)學(xué)習(xí)(mtl)雖通過共享特征提升異構(gòu)建模能力，但其多目標(biāo)優(yōu)化過程復(fù)雜，難以在資源受限的環(huán)境中部署。第二，傳統(tǒng)深度學(xué)習(xí)模型缺乏實(shí)時調(diào)整機(jī)制，面對信道狀態(tài)的劇烈波動時，魯棒性和適應(yīng)性不足。3、隨著云計(jì)算和邊緣計(jì)算的發(fā)展，云邊協(xié)同架構(gòu)作為一種有效的解決方案，逐漸應(yīng)用于工業(yè)無線信道的預(yù)測任務(wù)。云服務(wù)器主要負(fù)責(zé)處理全局特征建模和復(fù)雜數(shù)據(jù)計(jì)算，分析信道的全局模式和長期趨勢；邊緣計(jì)算節(jié)點(diǎn)則負(fù)責(zé)近實(shí)時的數(shù)據(jù)處理和短期動態(tài)的預(yù)測，以降低通信延遲和計(jì)算負(fù)載。然而，現(xiàn)有的云邊協(xié)同架構(gòu)仍存在一些不足，尤其是在任務(wù)調(diào)度策略上，傳統(tǒng)的靜態(tài)調(diào)度和啟發(fā)式方法往往難以適應(yīng)信道狀態(tài)的動態(tài)變化，導(dǎo)致在實(shí)時性和預(yù)測精度之間難以取得理想的平衡。4、為了解決這一問題，近年來，深度強(qiáng)化學(xué)習(xí)(drl)方法在多任務(wù)優(yōu)化和資源調(diào)度方面得到了廣泛應(yīng)用。drl通過動態(tài)決策優(yōu)化，能夠適應(yīng)復(fù)雜的工業(yè)環(huán)境。然而，現(xiàn)有的基于drl的調(diào)度方法大多數(shù)專注于單一目標(biāo)的優(yōu)化(如最小化延遲)，缺乏能夠有效處理多目標(biāo)(如延遲和預(yù)測精度)之間的沖突的機(jī)制，限制了其在工業(yè)環(huán)境中的應(yīng)用。5、為了彌補(bǔ)以上信道預(yù)測的精度與預(yù)測任務(wù)延遲的不足，需要設(shè)計(jì)一種更適用于實(shí)際工業(yè)場景，且具有更好泛化性以及高精度、低延遲的工業(yè)無線信道預(yù)測方法。技術(shù)實(shí)現(xiàn)思路1、針對現(xiàn)有方法在工業(yè)無線信道的預(yù)測中存在精度低、延遲高的技術(shù)問題，本發(fā)明提出一種基于多時間尺度注意力機(jī)制的云邊協(xié)同工業(yè)無線信道預(yù)測方法，將以多時間尺度注意力模型為核心的預(yù)測模型部署于設(shè)計(jì)的云邊協(xié)同工業(yè)無線信道預(yù)測架構(gòu)中，利用多目標(biāo)動態(tài)信道預(yù)測任務(wù)調(diào)度算法對預(yù)測任務(wù)進(jìn)行智能分配，實(shí)現(xiàn)在云端和邊緣端之間動態(tài)平衡預(yù)測精度和延遲。2、為了達(dá)到上述目的，本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：3、一種基于多時間尺度注意力機(jī)制的云邊協(xié)同工業(yè)無線信道預(yù)測方法，包括以下步驟：4、s1、建立包括一臺云服務(wù)器、至少一臺與云服務(wù)器通信的邊緣服務(wù)器，以及至少一個與邊緣服務(wù)器通信的工業(yè)終端設(shè)備的云邊協(xié)同工業(yè)無線信道預(yù)測架構(gòu)；5、s2、基于雙深度q網(wǎng)絡(luò)和時序加權(quán)注意力機(jī)制，建立多目標(biāo)動態(tài)信道預(yù)測任務(wù)調(diào)度算法并部署在邊緣服務(wù)器；建立基于多時間尺度注意力機(jī)制的云邊協(xié)同工業(yè)無線信道預(yù)測模型，包括部署在云服務(wù)器的云端預(yù)測模型和部署在邊緣服務(wù)器的邊緣預(yù)測模型；6、s3、工業(yè)終端設(shè)備實(shí)時采集信道數(shù)據(jù)并基于信道特性將信道數(shù)據(jù)標(biāo)記為los或nlos場景數(shù)據(jù)，將標(biāo)記后的信道數(shù)據(jù)上傳至邊緣服務(wù)器；7、s4、邊緣服務(wù)器接收到工業(yè)終端設(shè)備上傳的標(biāo)記后的信道數(shù)據(jù)后，通過多目標(biāo)動態(tài)信道預(yù)測任務(wù)調(diào)度算法進(jìn)行信道預(yù)測任務(wù)分配；若信道預(yù)測任務(wù)被分配給邊緣服務(wù)器，則邊緣服務(wù)器將標(biāo)記后的信道數(shù)據(jù)輸入邊緣預(yù)測模型，得到信道狀態(tài)預(yù)測結(jié)果；若信道預(yù)測任務(wù)被分配給云服務(wù)器，則邊緣服務(wù)器將標(biāo)記后的信道數(shù)據(jù)上傳至云服務(wù)器，云服務(wù)器通過云端預(yù)測模型獲得信道狀態(tài)預(yù)測結(jié)果。8、進(jìn)一步，在建立多目標(biāo)動態(tài)信道預(yù)測任務(wù)調(diào)度算法前，需獲取基于多目標(biāo)動態(tài)信道預(yù)測任務(wù)調(diào)度的馬爾可夫決策模型，方法為：對狀態(tài)空間和邊緣服務(wù)器的動作空間建模；建立綜合考慮信道預(yù)測精度與信道預(yù)測任務(wù)延遲的獎勵函數(shù)；9、所述對狀態(tài)空間和邊緣服務(wù)器的動作空間建模包括如下步驟：10、在時隙t內(nèi)，系統(tǒng)狀態(tài)由邊緣服務(wù)器的負(fù)載、網(wǎng)絡(luò)帶寬、數(shù)據(jù)量和傳輸時延構(gòu)成；11、智能體選擇的動作at＝{0，1}，其中，動作at＝0表示信道預(yù)測任務(wù)分配至邊緣服務(wù)器，動作at＝1表示信道預(yù)測任務(wù)分配至云服務(wù)器，當(dāng)邊緣服務(wù)器的負(fù)載lt大于等于邊緣服務(wù)器的負(fù)載上限lmax時，信道預(yù)測任務(wù)僅上傳至云服務(wù)器，此時動作at＝1，其中，lmax表示邊緣服務(wù)器的負(fù)載上限；12、所述建立綜合考慮信道預(yù)測精度與信道預(yù)測任務(wù)延遲的獎勵函數(shù)的方法為：建立在時隙t內(nèi)的延遲獎勵；建立在時隙t內(nèi)的誤差獎勵；綜合延遲獎勵與誤差獎勵，得到獎勵函數(shù)。13、進(jìn)一步，所述系統(tǒng)狀態(tài)的表達(dá)式為：st＝{lt,bt,ct,dt}，其中，lt為邊緣服務(wù)器的負(fù)載，bt為邊緣服務(wù)器的網(wǎng)絡(luò)帶寬，ct為邊緣服務(wù)器的數(shù)據(jù)量，dt為邊緣服務(wù)器的傳輸時延；14、所述延遲獎勵的表達(dá)式為：15、16、其中，ttans表示數(shù)據(jù)傳輸延遲，tinfer表示云邊協(xié)同工業(yè)無線信道預(yù)測模型的推理延遲；所述誤差獎勵的表達(dá)式為：17、18、其中，error(st,at)表示預(yù)測誤差的具體度量；19、所述獎勵函數(shù)的表達(dá)式為：其中，α1和α2為權(quán)重系數(shù)且均大于零。20、進(jìn)一步，所述基于雙深度q網(wǎng)絡(luò)和時序加權(quán)注意力機(jī)制，建立多目標(biāo)動態(tài)信道預(yù)測任務(wù)調(diào)度算法的方法為：建立包括獨(dú)立的延遲網(wǎng)絡(luò)與誤差網(wǎng)絡(luò)的雙重深度q網(wǎng)絡(luò)，并在q值計(jì)算之前引入設(shè)計(jì)的時序加權(quán)注意力機(jī)制，得到基于時序加權(quán)注意力的雙重深度q網(wǎng)絡(luò)；21、所述邊緣服務(wù)器接收到工業(yè)終端設(shè)備上傳的標(biāo)記后的信道數(shù)據(jù)后，通過多目標(biāo)動態(tài)信道預(yù)測任務(wù)調(diào)度算法進(jìn)行信道預(yù)測任務(wù)分配的方法為：邊緣服務(wù)器利用基于時序加權(quán)注意力的雙重深度q網(wǎng)絡(luò)，以當(dāng)前系統(tǒng)狀態(tài)st作為輸入，通過獎勵函數(shù)rt計(jì)算獎勵值，基于獎勵值通過ε-greedy策略選擇動作at，根據(jù)動作at進(jìn)行信道預(yù)測任務(wù)的分配。22、進(jìn)一步，通過設(shè)計(jì)的時序加權(quán)注意力機(jī)制，基于時序加權(quán)注意力的雙重深度q網(wǎng)絡(luò)輸出q值的方法為：23、通過獨(dú)立的延遲網(wǎng)絡(luò)與誤差網(wǎng)絡(luò)分別估計(jì)延遲q值與誤差q值24、25、其中，θl和θe分別為延遲網(wǎng)絡(luò)和誤差網(wǎng)絡(luò)的參數(shù)；26、通過設(shè)計(jì)的時序加權(quán)注意力機(jī)制動態(tài)調(diào)整延遲q值和誤差q值的權(quán)重，基于歷史的上下文向量和平均獎勵信號通過gru模塊，生成動態(tài)權(quán)重其中，和分別為平均延遲和平均誤差，和分別表示延遲和誤差的權(quán)重；27、將動態(tài)權(quán)重與當(dāng)前時隙的上下文向量vt逐元素相乘，得到加權(quán)上下文向量并與延遲q值和誤差q值結(jié)合輸入多頭注意力機(jī)制來捕捉短期與長期依賴特性，然后拼接多頭注意力機(jī)制的輸出并通過全連接層生成綜合q值qt。28、進(jìn)一步，所述云端預(yù)測模型由多時間尺度注意層、任務(wù)特定分支層和輸出層依次連接組成；所述邊緣預(yù)測模型由多時間尺度注意層和輸出層依次連接組成；云端預(yù)測模型和邊緣預(yù)測模型中的多時間尺度注意層相同；29、所述多時間尺度注意層由變量選擇網(wǎng)絡(luò)、lstm編碼器、gate和add&norm層ⅰ、門控殘差網(wǎng)絡(luò)ⅰ、多尺度局部自注意力網(wǎng)絡(luò)、gate和add&norm層ⅱ、以及門控殘差網(wǎng)絡(luò)ⅱ依次連接組成。30、進(jìn)一步，所述云端預(yù)測模型和邊緣預(yù)測模型均通過多時間尺度注意層從標(biāo)記后的信道數(shù)據(jù)中提取多時間尺度特征，包括以下步驟：31、先將標(biāo)記后的信道數(shù)據(jù)組織為滑動窗口時間序列，滑動窗口時間序列被送入對應(yīng)的變量選擇網(wǎng)絡(luò)，經(jīng)變量選擇網(wǎng)絡(luò)處理后，得到滑動窗口時間序列中每個特征向量的加權(quán)特征，進(jìn)而得到滑動窗口時間序列的加權(quán)特征矩陣；32、滑動窗口時間序列的加權(quán)特征矩陣輸入lstm編碼器進(jìn)行時序依賴特征的提取，得到隱藏狀態(tài)序列；33、對隱藏狀態(tài)序列進(jìn)行隨機(jī)失活操作，生成稀疏化的狀態(tài)序列并送入gate和add&norm層ⅰ，得到門控狀態(tài)序列；34、通過門控殘差網(wǎng)絡(luò)ⅰ對門控狀態(tài)序列進(jìn)一步進(jìn)行特征提取，生成輸入至多尺度局部自注意力網(wǎng)絡(luò)的特征，經(jīng)多尺度局部自注意力網(wǎng)絡(luò)處理后，得到多時間尺度特征矩陣；35、多時間尺度特征矩陣經(jīng)過gate和add&norm層ⅱ、門控殘差網(wǎng)絡(luò)ⅱ依次處理后，得到多時間尺度特征。36、進(jìn)一步，在邊緣預(yù)測模型中，多時間尺度特征被傳入輸出層，在輸出層中將多時間尺度特征映射為信道狀態(tài)預(yù)測結(jié)果，得到未來t個預(yù)測時間步長的信道狀態(tài)預(yù)測序列37、進(jìn)一步，在云端預(yù)測模型中，多時間尺度特被傳遞給任務(wù)特定分支層，分別針對los和nlos場景進(jìn)行特性提?。?8、對于los場景，通過lstm層ⅰ、門控殘差網(wǎng)絡(luò)ⅲ、lstm層ⅱ依次對多時間尺度特征進(jìn)行特征提取，得到長期全局特征o′為多時間尺度特征，k為窗口長度，dh為隱藏層維度，grn為門控殘差網(wǎng)絡(luò)操作，lstm為長短期記憶網(wǎng)絡(luò)操作；39、對于nlos場景，通過一維卷積網(wǎng)絡(luò)ⅰ、門控殘差網(wǎng)絡(luò)ⅳ、一維卷積網(wǎng)絡(luò)ⅱ依次對多時間尺度特征進(jìn)行特征提取，得到局部特征conv-1d為一維卷積操作；40、通過門控機(jī)制融合將長期全局特征與局部特征進(jìn)行融合，融合過程如下：41、glos＝σ(wloshlos+blos)42、hfusion＝glos⊙hlos+(1-glos)⊙hnlos43、其中，wlos和blos分別是門控單元的權(quán)重和偏置，glos為門控值，σ(·)為sigmoid激活函數(shù)，hfusion為融合后的特征矩陣；44、融合后的特征矩陣hfusion被傳遞給輸出層，得到未來t個預(yù)測時間步長的信道狀態(tài)預(yù)測序列45、進(jìn)一步，所述邊緣預(yù)測模型通過淺層參數(shù)共享機(jī)制與云端預(yù)測模型共享多時間尺度注意力層的參數(shù)，邊緣預(yù)測模型通過淺層參數(shù)更新機(jī)制進(jìn)行多時間尺度注意力層的參數(shù)更新：46、(1)淺層參數(shù)共享機(jī)制中，來自云端預(yù)測模型共享的多時間尺度注意力層參數(shù)θshared被卸載到邊緣服務(wù)器，替換邊緣預(yù)測模型中多時間尺度注意力層的參數(shù)集，邊緣預(yù)測模型的參數(shù)表示為：47、θedge-pm＝{θshared,θadjustable}48、其中，θadjustable表示邊緣預(yù)測模型的特定參數(shù)，共享的多時間尺度注意力層參數(shù)被凍結(jié)，僅需訓(xùn)練θadjustable部分以適配邊緣服務(wù)器的特定任務(wù)需求；49、(2)淺層參數(shù)更新機(jī)制中，當(dāng)邊緣服務(wù)器收集的實(shí)時數(shù)據(jù)達(dá)到設(shè)定容量時，數(shù)據(jù)將被上傳至云服務(wù)器，云服務(wù)器對云端預(yù)測模型的多時間尺度注意力層參數(shù)進(jìn)行微調(diào)，并共享至邊緣服務(wù)器。50、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：51、1、本發(fā)明綜合考慮了工業(yè)無線信道環(huán)境的復(fù)雜性和高動態(tài)性，基于數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)，建立了基于分層智能調(diào)度的云邊協(xié)同工業(yè)無線信道預(yù)測架構(gòu)。具有較高精度和低延遲。52、2、本發(fā)明具有較強(qiáng)的泛化性和實(shí)用性，基于多時間尺度注意力機(jī)制的云邊協(xié)同工業(yè)無線信道預(yù)測模型可解決復(fù)雜動態(tài)場景下的信道數(shù)據(jù)的異構(gòu)性等問題，彌補(bǔ)了過往算法信道預(yù)測的精度不足缺點(diǎn)。53、3、本發(fā)明具有較強(qiáng)的魯棒性，通過所設(shè)計(jì)的多目標(biāo)動態(tài)信道預(yù)測任務(wù)調(diào)度能夠適應(yīng)環(huán)境惡劣的工業(yè)場景，在實(shí)際工業(yè)應(yīng)用中，實(shí)時性強(qiáng)，可靠性高。當(dāng)前第1頁12當(dāng)前第1頁12