LLSP:用于物联网应用的轻量级长期频谱预测模型

《Computer Communications》:LLSP: A lightweight long-term spectrum prediction model for IoT applications

【字体: 大 中 小 】 时间:2026年10月22日 来源:Computer Communications 4.2

编辑推荐:

   摘要随着物联网(IoT)的快速发展,频谱预测在优化频谱分配和确保可靠的无线通信中发挥着关键作用。对于高维、非线性且本质上动态变化的频谱数据,传统方法往往难以维持预测精度,而现有的深度学习方法则主要集中在短期预测上。为应对精确长期预测和资源受限的物联网部署这两大挑战,本文提出了

  

摘要

随着物联网(IoT)的快速发展,频谱预测在优化频谱分配和确保可靠的无线通信中发挥着关键作用。对于高维、非线性且本质上动态变化的频谱数据,传统方法往往难以维持预测精度,而现有的深度学习方法则主要集中在短期预测上。为应对精确长期预测和资源受限的物联网部署这两大挑战,本文提出了LLSP——一种轻量级长期频谱预测模型。LLSP将输入序列分解为趋势和季节性分量,根据快速傅里叶变换(FFT)识别出的主导周期对其进行重组,并执行轻量级多尺度编码与混合解码。在真实频谱数据集上的大量实验表明,LLSP在预测精度与计算效率之间实现了良好的平衡。在原始苏黎世数据集上,LLSP始终优于所评估的基线方法;而在不同地理和频谱条件下收集的独立数据集上的额外评估则显示,LLSP在较短预测周期下保持竞争力,在较长预测周期下取得最佳整体性能。在标准个人电脑和资源受限的Jetson Nano上的实验进一步验证了其计算效率。此外,LLSP在不改变其核心架构的情况下可拓展至空间频谱预测,展示了其在时空预测方面的可扩展性。

引言

电磁频谱是无线通信系统的基础资源,支撑着现代网络大部分部分的性能、容量和可靠性 [1], [2]。随着无线设备的普及以及对高速和稳定连接需求的增加,高效的频谱利用变得至关重要。物联网(IoT)的快速发展进一步加剧了这一挑战。数十亿物联网设备,包括智能传感器、工业自动化节点和联网车辆,都依赖于动态频谱接入,导致了复杂的干扰动态和时空频谱变化。认知无线电网络作为一种关键的赋能技术,通过智能感知、决策和共享机制来动态管理频谱资源,从而应对频谱稀缺问题。在这一范式下,频谱预测——即预测未来的电磁频谱使用情况——在优化频谱资源分配和确保高质量无线通信方面发挥着关键作用 [3], [4]。
早期的频谱预测方法主要依赖传统时间序列模型,包括马尔可夫链 [5] 和自回归积分滑动平均模型(ARIMA)[6],并辅以选择性机器学习技术,如支持向量机(SVM)[7] 和支持向量回归(SVR)[8]。这些方法框架提供了关于频谱利用模式的基本见解,但无法适应大规模物联网网络中固有的动态和异构频谱接入场景。此外,物联网设备密度的不断增加导致了复杂的干扰模式和频谱使用的时空波动,给传统模型准确表征这些特征带来了重大挑战。
近年来,数据驱动的深度学习技术在各个领域取得了前所未有的成功 [9], [10], [11], [12]。凭借其提取和建模高维数据集中非线性特征的卓越能力,深度学习方法已被广泛应用于频谱预测领域。越来越多的研究系统地应用深度学习进行频谱预测,取得了显著且具有前景的进展 [13], [14], [15]。值得注意的是,文献[13]中提出的一种创新的自适应循环神经网络(RNN)模型显著提高了动态频谱共享效率并增强了频谱感知精度。同时,文献[14]介绍了一种基于长短期记忆(LSTM)架构的复杂协作频谱预测方法,策略性地运用软协作融合机制来全面建模复杂的时空依赖关系。在文献[15]中,Yu等人提出了一种深度时空残差网络,该网络包含卷积层和残差单元以建模城市范围内的频谱依赖关系。
然而,当前的频谱预测深度学习方法主要集中在短期预测上,通常仅预测紧随其后的时间槽的频谱使用情况。相比之下,长期预测代表着更具挑战性的模式,涉及对未来数十甚至数百个时间槽的频谱使用预测。随着频谱资源需求的日益增加,精确的长期预测对于制定战略性和知情的频谱利用决策变得根本至关重要 [16], [17], [18]。此外,长期频谱预测对于由物联网驱动的环境尤为关键,因为在这些环境中,由于资源受限,频繁的频谱重构可能代价高昂。
更重要的是,随着预测周期的逐步延长,两大主要挑战随之出现。首先,深度学习方法会遇到预测误差的逐步积累,从而导致预测精度明显下降 [19]。其次,现有的深度学习架构通常需要大量的计算资源,尤其是进行长期预测时。实现可接受的长期预测精度需要大幅增加模型参数和计算复杂度,从而带来更大的计算开销 [20], [21], [22]。因此,在开发长期预测模型时,我们必须同时应对预测精度和计算资源优化这两大关键挑战。
在本文中,我们提出了LLSP——一种专为物联网应用设计的轻量级长期频谱预测模型。LLSP利用趋势分解技术将输入时间序列分解为趋势和季节性分量,从而实现对长期和短期模式的聚焦建模。随后,这些分量根据FFT识别出的主导周期进行重组,并通过轻量级的基于多层感知机(MLP)的架构进行多尺度处理。该设计旨在保持较长预测周期下的预测性能,同时将模型保持精简以适应资源受限的物联网应用。为进一步验证其实际可部署性,LLSP不仅在个人电脑上进行了测试,还在资源受限的嵌入式设备(Jetson Nano)上进行了测试,该设备在物联网场景中广泛应用。此外,我们将LLSP拓展至空间频谱预测,这对于多点物联网网络(如工业物联网、智能电网和交通系统)至关重要。对此拓展功能的验证表明,该模型能够在空间数据集预测中保持高性能,增强了其在实际物联网应用中的实用价值。
本文的技术贡献总结如下:
  • •
    分解引导的周期性多尺度架构。LLSP将输入频谱序列分解为趋势和季节性分量,并根据FFT识别出的主导周期进行重组,以实现轻量级多尺度编码。
  • •
    周期性感知的多尺度融合。从不同周期尺度提取的特征被恢复至原始时间组织并通过加权融合进行组合后再进行解码,使得多个周期结构能够在精简架构内被建模。
  • •
    保持结构的扩展至空间频谱预测。LLSP通过将空间-频率维度重塑为扩展特征维度来扩展至空间频谱预测,同时保留相同的分解-编码-解码核心架构。
本文其余部分组织如下:第2节概述相关工作,重点介绍基于深度学习的电磁频谱预测方法的演进。第3节描述我们提出的LLSP模型,包括整体架构和关键模块。第4节展示在个人电脑和资源受限嵌入式平台(Jetson Nano)上的实验结果和对比分析。第5节探讨LLSP在空间频谱数据预测场景中的应用。最后,第6节总结全文的贡献并展望未来研究方向。

章节摘要

基于深度学习的短期频谱预测

随着深度学习技术的指数级进步,越来越多的研究系统地采用这些技术进行短期电磁频谱数据预测。LSTM作为RNN的一种变体,通过策略性地引入记忆单元和遗忘门,展现出在缓解梯度爆炸和消失问题方面的卓越能力。这种架构创新显著增强了时间相关性特征的提取,

问题建模

长期频谱预测的目标是利用观测到的历史数据来预测未来较长时期的频谱使用模式,通常远超即时或短期时间槽。长期频谱预测的示意图如图1所示,在本文中,通过监测目标地理位置收集单点的历史频谱数据,并记录为功率谱密度(PSD)序列。设其长度为

性能评估

本节全面概述了用于验证所提出LLSP模型性能的实验设计和评估方法。通过将我们的模型与代表性基线方法进行比较,我们旨在全面评估其在电磁频谱预测方面的预测精度和计算效率。

进一步探讨

在本节中,我们进一步考察了LLSP向空间频谱预测的架构可扩展性。具体而言,从数据集#1和数据集#2构建了基于网格的空间频谱表示,并将LLSP应用于该表示,且不改变其核心的分解-编码-解码架构。

结论

本文提出了LLSP——一种面向物联网应用的轻量级长期频谱预测模型。LLSP结合趋势-季节性分解、基于FFT的周期组织、多尺度编码和混合解码来建模较长预测周期下的频谱变化,同时保持模型的精简。在两个苏黎世数据集上的实验表明,LLSP在所测试的预测周期上均取得了比所评估基线方法更高的预测精度。一项额外的实验使用

CRediT作者贡献声明

赖俊宇:论文写作——审阅与编辑,论文写作——初稿,概念构思。鞠静泽:论文写作——初稿,可视化,验证,软件,方法论。朱俊宏:论文写作——审阅与编辑。甘连强:论文写作——初稿,监督指导。蒋巍巍:论文写作——审阅与编辑。余继国:论文写作——审阅与编辑。

利益冲突声明

作者声明不存在任何已知的竞争性财务利益或个人关系,这些关系可能会影响本文所报告的工作。
赖俊宇 | 鞠静泽 | 朱俊宏 | 甘连强 | 蒋巍巍 | 余继国
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号