劉琳嵐，肖庭忠，舒 堅(jiān)，牛明曉

(1.南昌航空大學(xué) 信息工程學(xué)院，江西 南昌 330063；2.南昌航空大學(xué) 軟件學(xué)院，江西 南昌 330063)

無(wú)線傳感器網(wǎng)絡(luò)（wireless sensor network，WSN）是一種由大量具有感知能力和通信能力的微型節(jié)點(diǎn)部署在感知區(qū)域形成的網(wǎng)絡(luò)[1]，在環(huán)境監(jiān)測(cè)[2]、智能交通[3]、智能家具[4]等領(lǐng)域廣泛應(yīng)用。通過(guò)預(yù)測(cè)鏈路質(zhì)量，選擇高質(zhì)量鏈路進(jìn)行數(shù)據(jù)傳輸，可以減少數(shù)據(jù)丟失和數(shù)據(jù)重傳次數(shù)，提高網(wǎng)絡(luò)的吞吐量[5–6]，因此，鏈路質(zhì)量預(yù)測(cè)具有重要意義。

鏈路質(zhì)量預(yù)測(cè)的方法主要包括：基于鏈路特性的方法、基于概率估計(jì)的方法和基于機(jī)器學(xué)習(xí)的方法[7]?；阪溌诽匦缘姆椒ㄖ饕捎媒邮招盘?hào)強(qiáng)度指標(biāo)（received signal strength indication，RSSI）、鏈路質(zhì)量指標(biāo)（link quality indicator，LQI）或信噪比（signal noise ratio，SNR）等物理層參數(shù)預(yù)測(cè)鏈路質(zhì)量，這些參數(shù)可以直接獲取，不需額外的計(jì)算，能耗低，但這些參數(shù)均依賴于節(jié)點(diǎn)，而硬件本身存在校準(zhǔn)誤差，且忽略了分組丟失，易產(chǎn)生高估鏈路質(zhì)量的問(wèn)題?；诟怕使烙?jì)的方法通過(guò)發(fā)送大量探測(cè)包，接收端計(jì)算包接收率（packet reception rate，PRR）等信息來(lái)預(yù)測(cè)鏈路質(zhì)量[8]，但是該方法需要發(fā)送大量探測(cè)包，不僅增加了額外的通信開銷，且對(duì)鏈路狀況的反應(yīng)不夠靈敏。

基于機(jī)器學(xué)習(xí)的鏈路質(zhì)量預(yù)測(cè)方法主要通過(guò)將鏈路質(zhì)量預(yù)測(cè)問(wèn)題轉(zhuǎn)化為時(shí)序預(yù)測(cè)問(wèn)題，利用機(jī)器學(xué)習(xí)或深度學(xué)習(xí)的方法挖掘訓(xùn)練樣本的特征，深入學(xué)習(xí)模型輸入與輸出之間的潛在關(guān)系，利用得到的模型對(duì)下一時(shí)刻的鏈路質(zhì)量進(jìn)行預(yù)測(cè)。Liu等[9]提出4C （Foresee)，將LQI和PRR輸入邏輯回歸模型，預(yù)測(cè)下一時(shí)刻的PRR，然而該方法的預(yù)測(cè)準(zhǔn)確率并不高；Liu等[10]提出一種預(yù)測(cè)大波動(dòng)鏈路質(zhì)量的方法，命名為WNN_LQP（wavelet neural network based link quality prediction），該方法利用過(guò)渡區(qū)鏈路質(zhì)量指標(biāo)的高分辨率以及小波神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力預(yù)測(cè)下一時(shí)刻的鏈路質(zhì)量，然而對(duì)于相對(duì)較小的波動(dòng)，該模型無(wú)法進(jìn)行準(zhǔn)確預(yù)測(cè)；Xue等[11]提出一種基于隨機(jī)向量函數(shù)鏈的鏈路質(zhì)量預(yù)測(cè)方法（link quality prediction based on random vector functional link，RVFL_LQP），選擇SNR為鏈路質(zhì)量參數(shù)，利用隨機(jī)向量函數(shù)鏈建立時(shí)變序列和隨機(jī)序列方差，對(duì)SNR的概率保證區(qū)間邊界進(jìn)行預(yù)測(cè)，但在真實(shí)應(yīng)用中該結(jié)果無(wú)法快速反映鏈路是否可用；Xu等[12]提出一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）的鏈路質(zhì)量預(yù)測(cè)方法（recurrent neural network based link quality prediction，RNN_LQP），降低了預(yù)測(cè)誤差，但RNN內(nèi)部結(jié)構(gòu)復(fù)雜、訓(xùn)練周期長(zhǎng)，且易出現(xiàn)梯度消失、梯度爆炸等問(wèn)題[13]，導(dǎo)致RNN_LQP模型復(fù)雜度高，模型效果不穩(wěn)定。采用機(jī)器學(xué)習(xí)的方法能夠有效地挖掘出訓(xùn)練樣本的特征，相比基于鏈路特性的方法和基于概率估計(jì)的方法，具有更高的準(zhǔn)確性和穩(wěn)定性，是目前WSN鏈路質(zhì)量預(yù)測(cè)的主流方法，因此本文使用機(jī)器學(xué)習(xí)的方法進(jìn)行鏈路質(zhì)量預(yù)測(cè)研究。

GRU作為RNN的一種變體，在時(shí)序問(wèn)題建模方面比其他機(jī)器學(xué)習(xí)方法更有優(yōu)勢(shì)[14]，且已被證明在時(shí)序預(yù)測(cè)問(wèn)題上具有更好的預(yù)測(cè)效果[15]?，F(xiàn)有研究中，Abdel–Nasser等[16]將GRU應(yīng)用于無(wú)線社交網(wǎng)絡(luò)中的鏈路質(zhì)量預(yù)測(cè)中，并取得不錯(cuò)的效果。

因此，本文提出一種基于門控循環(huán)單元（gate recurrent unit，GRU）的鏈路質(zhì)量預(yù)測(cè)方法，具體可分為3個(gè)步驟：首先，采用Gap Statistic算法優(yōu)化的K-means++聚類算法，自適應(yīng)地劃分鏈路質(zhì)量等級(jí)，避免由于人為選定臨界點(diǎn)帶來(lái)的誤差干擾，獲得更加貼近真實(shí)的鏈路質(zhì)量樣本標(biāo)簽。其次，采用CatBoost構(gòu)建鏈路質(zhì)量評(píng)估模型，對(duì)當(dāng)前時(shí)刻的鏈路質(zhì)量進(jìn)行評(píng)估。最后，采用GRU構(gòu)建鏈路質(zhì)量預(yù)測(cè)模型，將評(píng)估模型的結(jié)果作為輸入，借助GRU在時(shí)序問(wèn)題上的優(yōu)勢(shì)提取鏈路質(zhì)量等級(jí)的時(shí)序信息，采用支持向量回歸機(jī)（support vector regression，SVR）預(yù)測(cè)得到下一時(shí)刻鏈路質(zhì)量等級(jí)，提高鏈路質(zhì)量預(yù)測(cè)的準(zhǔn)確率。

1 鏈路質(zhì)量等級(jí)劃分

本文采用Gap Statistic算法[17]優(yōu)化的K-means++算法[18]對(duì)PRR進(jìn)行聚類，劃分鏈路質(zhì)量等級(jí)，獲得鏈路質(zhì)量樣本標(biāo)簽。

1.1 Gap Statistic算法

Gap Statistic算法以樣本集的統(tǒng)計(jì)規(guī)律為基礎(chǔ)，通過(guò)間隙統(tǒng)計(jì)量刻畫樣本觀察值和參考分布下期望值之間的差異，得到最佳聚類數(shù)。本文采用Gap Statistic算法確定聚類數(shù)目，具體過(guò)程描述如下：

1）對(duì)于任意兩個(gè)PRR樣本pm和pm′，計(jì)算它們之間的距離dmm′：

式中：m=1,2,···,N；m′=1,2,···,N；m≠m′；N為PRR樣本數(shù)。

2）假設(shè)將PRR樣本集分為K類{C1,C2,···,Ck,···,CK} ，計(jì)算第k類中樣本距離總和Dk：

式中， |Ck|為 第k類樣本數(shù)目。

計(jì)算所有類的樣本距離的平均和WK：

3）對(duì)WK取對(duì)數(shù)，并與使用蒙特卡洛模擬對(duì)數(shù)的期望進(jìn)行比較，如式（4）所示：

式中，E?(lb(WK)) 為 使用蒙特卡洛模擬得到的lb(WK)的期望。

4）取使式（5）成立的最小值K為PRR樣本集的最佳聚類數(shù)目。

式中，sK+1為修正后的標(biāo)準(zhǔn)差，其表達(dá)式為：

1.2 改進(jìn)的K-means++算法

K-means算法實(shí)現(xiàn)簡(jiǎn)單，聚類效果好，非常容易部署實(shí)施，在機(jī)器視覺(jué)、地質(zhì)統(tǒng)計(jì)學(xué)等領(lǐng)域得到成功的應(yīng)用[19]。K-means算法需要提前給出聚類數(shù)目K，但在不同的數(shù)據(jù)集中K的取值很難確定[20]，由于隨機(jī)選擇K個(gè)樣本點(diǎn)作為聚類中心，不同的初始聚類中心可能導(dǎo)致不同的聚類結(jié)果[21]。與K-means算法不同，K-means++算法在選取聚類中心時(shí)，盡量使聚類中心互相離得遠(yuǎn)，可減小聚類結(jié)果的波動(dòng)。

本文采用Gap Statistic算法確定聚類數(shù)目K，再采用K-means++算法劃分鏈路質(zhì)量等級(jí)，具體過(guò)程如下：

1） 采用Gap Statistic算法確定K。

2） 從PRR樣本集中隨機(jī)選擇一個(gè)樣本點(diǎn)作為第一個(gè)初始化聚類中心。

3） 計(jì)算PRR樣本與它最近聚類中心的歐式距離D(pm)：

式中，p為 距離pm最近的聚類中心。

4） 計(jì)算樣本被選為下一個(gè)聚類中心的概率Q(pm)，如式（8）所示，并使用輪盤法選出下一個(gè)聚類中心。

5） 重復(fù)步驟3）和4），直到選出K個(gè)聚類中心。

6） 將每個(gè)樣本點(diǎn)歸類到離它最近聚類中心所屬的類。

7） 重新計(jì)算每個(gè)聚類內(nèi)PRR的均值，將其定為新的聚類中心。

8） 重復(fù)步驟6）和7），直至聚類中心不再變化。

9） 得到每個(gè)樣本xi的 鏈路質(zhì)量等級(jí)yi。

2 鏈路質(zhì)量評(píng)估

以鏈路質(zhì)量參數(shù)作為輸入，第1節(jié)得到的鏈路質(zhì)量等級(jí)作為輸出，采用CatBoost構(gòu)建鏈路質(zhì)量評(píng)估模型，主要包括評(píng)估樣本的構(gòu)建、樣本預(yù)處理及評(píng)估模型的構(gòu)建。

2.1 評(píng)估樣本的構(gòu)建

本文選取RSSI均值、LQI均值和SNR均值為鏈路質(zhì)量參數(shù)，采用鏈路質(zhì)量等級(jí)評(píng)價(jià)鏈路質(zhì)量。鏈路質(zhì)量樣本集為：

式中：xi=()，其中，為樣本xi的RSSI均值，為樣本xi的LQI均值，為樣本xi的SNR均值；yi為樣本xi的鏈路質(zhì)量等級(jí)；N為樣本數(shù)。

2.2 樣本的預(yù)處理

由于傳感器節(jié)點(diǎn)在收發(fā)信息時(shí)會(huì)受到多徑效應(yīng)、信道、溫濕度或障礙物等的干擾，收集到的數(shù)據(jù)存在缺失值，本文計(jì)算缺失值樣本在一個(gè)發(fā)送周期內(nèi)的均值，采用均值填充法對(duì)樣本進(jìn)行預(yù)處理。

2.3 基于CatBoost的鏈路質(zhì)量評(píng)估模型的構(gòu)建

CatBoost 是由Yandex的研究人員和工程師開發(fā)的基于梯度提升決策樹（gradient boosting decision tree，GBDT）的機(jī)器學(xué)習(xí)模型[22]，采用排序提升算法替換GBDT中的梯度估計(jì)方法[23]，能夠減少GBDT算法中因梯度偏差和預(yù)測(cè)偏移而導(dǎo)致的過(guò)擬合問(wèn)題，有著更好的泛化能力[24]。

本文提出基于CatBoost的鏈路質(zhì)量評(píng)估模型（link quality estimation based on CatBoost，CatBoost_LQE），其中，排序提升算法描述如下：

1）對(duì)訓(xùn)練集中 τ個(gè)樣本對(duì)進(jìn)行隨機(jī)排列，將序列標(biāo)記為 ψ。

2）對(duì)于每一個(gè)樣本對(duì) (xi,yi)，初始化該樣本對(duì)的模型Mi。

3）對(duì)于每一輪迭代：

①計(jì)算樣本xi的無(wú)偏度梯度估計(jì)：

②對(duì)于每一個(gè)樣本對(duì) (xi,yi)，使用該樣本對(duì)在序列 ψ之前的訓(xùn)練集 (xj,gj):ψ(j)≤i訓(xùn)練下一個(gè)分類回歸樹 ?M，將其更新到模型中，如式（11）所示：

4）迭代完成，輸出Mτ即為最終模型。

設(shè)第e?1 輪迭代得到的學(xué)習(xí)器為Fe?1(·)，計(jì)算Fe?1(·) 的梯度ge?1(xi,yi)：

式中，E(yi,Fe?1(xi))為Fe?1(·)的損失。

將第e?1輪的負(fù)梯度作為殘差，傳遞到第e輪，找到一個(gè)新的弱學(xué)習(xí)器he(·)， 使損失值最小，he(·)表達(dá)式如下：

得到最終的強(qiáng)學(xué)習(xí)器Fe(·)：

3 鏈路質(zhì)量預(yù)測(cè)

根據(jù)鏈路質(zhì)量在短期內(nèi)表現(xiàn)出強(qiáng)時(shí)間相關(guān)性的特點(diǎn)，本文采用CatBoost_LQE得到的鏈路質(zhì)量等級(jí)時(shí)間序列作為輸入，采用滑動(dòng)窗口法確定輸入序列的長(zhǎng)度，進(jìn)而構(gòu)建基于GRU的鏈路質(zhì)量預(yù)測(cè)模型。

3.1 預(yù)測(cè)樣本的構(gòu)建

采用CatBoost_LQE對(duì)歷史鏈路質(zhì)量樣本進(jìn)行評(píng)估，得到鏈路質(zhì)量等級(jí)值序列 {l1,l2,···,li,···,ln}，其中，li為第i個(gè)時(shí)刻鏈路質(zhì)量等級(jí)值，n為樣本數(shù)。使用大小為w的時(shí)間窗口構(gòu)建時(shí)序樣本集：

式中：鏈路質(zhì)量等級(jí)時(shí)間序列Ii={li,li+1,···,li+w?1}；?i=li+w，?i作為標(biāo)簽值。

展會(huì)注重與行業(yè)協(xié)會(huì)緊密合作，浙江省環(huán)保機(jī)械行業(yè)協(xié)會(huì)、宜興市環(huán)保產(chǎn)業(yè)協(xié)會(huì)等多家與主辦方長(zhǎng)期合作的行業(yè)協(xié)會(huì)將為展會(huì)帶來(lái)更多優(yōu)質(zhì)的污水處理設(shè)備廠商新面孔。浙江省大型環(huán)境工程公司、浙江海拓環(huán)境技術(shù)有限公司、浙江四通環(huán)境工程有限公司、浙江弘潤(rùn)機(jī)械制造有限公司、浙江愛迪曼水科技有限公司等早已確定集體出展，向?qū)I(yè)觀眾展示最新處理技術(shù)和解決方案。

滑動(dòng)時(shí)間窗口的大小影響模型的預(yù)測(cè)結(jié)果。如果時(shí)間序列過(guò)短，就會(huì)導(dǎo)致歷史信息學(xué)習(xí)的缺失；反之，如果時(shí)間序列太長(zhǎng)，則會(huì)增加模型的復(fù)雜度，甚至使預(yù)測(cè)效果變差。本文通過(guò)實(shí)驗(yàn)確定時(shí)間窗口大小。

3.2 基于GRU的鏈路質(zhì)量預(yù)測(cè)

本文利用GRU能夠很好地處理和預(yù)測(cè)序列數(shù)據(jù)的優(yōu)點(diǎn)，構(gòu)建鏈路質(zhì)量預(yù)測(cè)模型GRU_LQP（link quality prediction based on gate recurrent unit），如圖1所示。

圖1 GRU_LQP的結(jié)構(gòu)Fig.1 Structure of GRU_LQP

由圖1可知：GRU_LQP包括輸入層、GRU模塊層、全連接層和輸出層。輸入鏈路質(zhì)量等級(jí)時(shí)間序列{li,li+1,···,li+w?1}，通過(guò)GRU模塊中的GRU單元學(xué)習(xí)輸入序列之間的時(shí)序關(guān)系，通過(guò)全連接層集成鏈路質(zhì)量等級(jí)時(shí)序特征。為了增強(qiáng)鏈路質(zhì)量預(yù)測(cè)模型的泛化性，在全連接層中加入Dropout操作，設(shè)置其縮放權(quán)重為0.5[25]。選用Softmax函數(shù)映射得到下一時(shí)刻各等級(jí)的概率，實(shí)現(xiàn)鏈路質(zhì)量預(yù)測(cè)。

GRU模塊使用多個(gè)GRU單元的堆疊實(shí)現(xiàn)對(duì)輸入鏈路質(zhì)量等級(jí)時(shí)間序列的學(xué)習(xí)，GRU單元的結(jié)構(gòu)如圖2所示。圖2中，ht?1為 前個(gè)GRU的隱藏層輸出，lt為本輪GRU輸入的鏈路質(zhì)量等級(jí)， σ為Sigmoid函數(shù)，zt和rt分別為GRU的更新門和重置門，為經(jīng)過(guò)更新的中間狀態(tài)，ht為本輪GRU的隱藏層輸出。

圖2 GRU的結(jié)構(gòu)Fig.2 Structure of GRU

GRU主要通過(guò)兩個(gè)門控對(duì)鏈路質(zhì)量等級(jí)信息進(jìn)行更新，更新門zt用于控制前一個(gè)狀態(tài)中鏈路質(zhì)量等級(jí)信息被代入到當(dāng)前狀態(tài)的程度，更新門的值越接近1，說(shuō)明代入了更多前一個(gè)狀態(tài)的鏈路質(zhì)量等級(jí)信息。重置門rt控制前一狀態(tài)有多少鏈路質(zhì)量等級(jí)信息被寫入到當(dāng)前的候選集上，重置門越小，前一狀態(tài)的鏈路質(zhì)量等級(jí)信息被寫入得越少。通過(guò)Sigmoid 函數(shù)將數(shù)據(jù)變換到0～1之間，并結(jié)合乘法操作可以實(shí)現(xiàn)對(duì)輸入鏈路質(zhì)量等級(jí)信息及歷史鏈路質(zhì)量等級(jí)信息的選擇性重置。

GRU的計(jì)算過(guò)程如式（16）～（19）所示：

式（16）～（19）中，wr為重置門的權(quán)重，wz為更新門的權(quán)重，whˉ為中間狀態(tài)的權(quán)重。

本文使用隨機(jī)梯度下降法優(yōu)化權(quán)重參數(shù)wr、wz、whˉ，學(xué)習(xí)率取經(jīng)驗(yàn)值0.01。

3.3 預(yù)測(cè)模型的優(yōu)化

為了進(jìn)一步提高鏈路質(zhì)量預(yù)測(cè)的準(zhǔn)確率，本文采用SVR作為鏈路質(zhì)量等級(jí)預(yù)測(cè)器，優(yōu)化GRU_LQP，構(gòu)建了GRU_SVR（link quality prediction based on gate recurrent unit and support vector regression）鏈路質(zhì)量預(yù)測(cè)模型，如圖3所示。

圖3 GRU_SVR的結(jié)構(gòu)Fig.3 Structure of GRU_SVR

GRU_SVR的參數(shù)設(shè)置如表1所示。

表1 GRU_SVR參數(shù)Tab.1 Parameters of GRU_SVR

3.4 模型評(píng)價(jià)

本文采用均方誤差（mean square error，MSE）評(píng)價(jià)預(yù)測(cè)結(jié)果，MSE的計(jì)算式為：

式中， ?i為樣本中輸入鏈路質(zhì)量等級(jí)時(shí)間序列的標(biāo)簽，為預(yù)測(cè)值。MSE值越小則表明預(yù)測(cè)模型預(yù)測(cè)誤差越小，性能越好。

4 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

在3個(gè)真實(shí)場(chǎng)景中進(jìn)行實(shí)驗(yàn)，通過(guò)與同類模型對(duì)比驗(yàn)證本文模型的有效性。

4.1 實(shí)驗(yàn)設(shè)計(jì)

分別在實(shí)驗(yàn)室、走廊及停車場(chǎng)布置傳感器節(jié)點(diǎn)，如圖4所示。實(shí)驗(yàn)室場(chǎng)景中，無(wú)線設(shè)備及人員的走動(dòng)等對(duì)鏈路質(zhì)量造成影響；走廊場(chǎng)景中，節(jié)點(diǎn)產(chǎn)生的串?dāng)_及人員的走動(dòng)等對(duì)鏈路質(zhì)量造成影響；停車場(chǎng)場(chǎng)景中，車輛出入及車載設(shè)備等對(duì)鏈路質(zhì)量造成影響。

圖4 實(shí)驗(yàn)場(chǎng)景Fig.4 Experimental scenarios

實(shí)驗(yàn)在南昌航空大學(xué)物聯(lián)網(wǎng)實(shí)驗(yàn)室開發(fā)的WSN鏈路質(zhì)量測(cè)試平臺(tái)（wireless sensor networks link quality testbed，WSN–LQT）[25]上進(jìn)行，連續(xù)3天收集RSSI、LQI、SNR、PRR等鏈路質(zhì)量數(shù)據(jù)，將預(yù)處理后的鏈路質(zhì)量樣本集以7∶3的比例劃分為評(píng)估模型的訓(xùn)練集和測(cè)試集，根據(jù)評(píng)估結(jié)果構(gòu)建鏈路質(zhì)量等級(jí)時(shí)序樣本集，并以7∶3的比例劃分為預(yù)測(cè)模型的訓(xùn)練集和測(cè)試集。WSN–LQT中參數(shù)設(shè)置如表2所示。

表2 WSN–LQT參數(shù)Tab.2 Parameters of WSN–LQT

4.2 主要實(shí)驗(yàn)參數(shù)確定

1）聚類數(shù)目

采用Gap Statistic算法確定聚類數(shù)目K，采用Kmeans++聚類算法對(duì)PRR聚類，得到鏈路質(zhì)量等級(jí)。設(shè)Γ=Gap(K)?Gap(K+1)+sK+1，3個(gè)實(shí)驗(yàn)場(chǎng)景中不同K值對(duì)應(yīng)的Γ 值如圖5所示。

圖5 不同K值對(duì)應(yīng)的 Γ值Fig.5 Values of Γ corresponding to different K values

由圖5可知，3個(gè)實(shí)驗(yàn)場(chǎng)景中，使式（5）成立的K值均為3。因此，將實(shí)驗(yàn)室、走廊及停車場(chǎng)3個(gè)實(shí)驗(yàn)場(chǎng)景的PRR均劃分為3個(gè)鏈路質(zhì)量等級(jí)，其中，第1等級(jí)的鏈路為鏈路質(zhì)量差的鏈路，第2等級(jí)的鏈路為鏈路質(zhì)量中等的鏈路，第3等級(jí)的鏈路為鏈路質(zhì)量好的鏈路。

2）評(píng)估模型的參數(shù)

CatBoost_LQE評(píng)估模型的參數(shù)主要有：學(xué)習(xí)率lr、L2正則參數(shù)l2_leaf_reg、樹的深度depth、決策樹最大的數(shù)量iterations。為了提高CatBoost_LQE的評(píng)估準(zhǔn)確率，本文采用網(wǎng)格搜索法對(duì)上述參數(shù)尋優(yōu)，結(jié)果如表3所示。

表3 CatBoost_LQE的參數(shù)值Tab.3 Parameter values of CatBoost_LQE

3）滑動(dòng)時(shí)間窗口的大小

本文通過(guò)對(duì)比不同時(shí)間窗口下GRU_SVR的MSE，選擇合適的時(shí)間窗口大小。3個(gè)場(chǎng)景中，不同的時(shí)間窗口下GRU_SVR的MSE結(jié)果如圖6所示。

圖6 GRU_SVR的MSE Fig.6 MSE of GRU_SVR

由圖6可知，滑動(dòng)時(shí)間窗口大小影響預(yù)測(cè)模型的準(zhǔn)確率。在實(shí)驗(yàn)室場(chǎng)景中，滑動(dòng)時(shí)間窗口大小為10時(shí)，MSE值最小。在停車場(chǎng)和走廊場(chǎng)景中，滑動(dòng)時(shí)間窗口大小為9時(shí)，MSE值最小。因此，實(shí)驗(yàn)室、走廊及停車場(chǎng)場(chǎng)景中，滑動(dòng)時(shí)間窗口的大小分別設(shè)置為10、9、9。

4.3 模型的驗(yàn)證

為驗(yàn)證GRU_SVR預(yù)測(cè)模型的有效性，與GRU_LQP、4C[9]、WNN_LQP[10]、RFVL_LQP[11]及RNN_LQP[12]預(yù)測(cè)模型進(jìn)行對(duì)比，結(jié)果如圖7所示。

圖7 不同預(yù)測(cè)模型的MSE值Fig.7 MSE values of different prediction models

由圖7可知：實(shí)驗(yàn)室場(chǎng)景中，干擾較多，鏈路質(zhì)量整體較差，GRU_SVR的均方誤差最小。走廊實(shí)驗(yàn)場(chǎng)景中，鏈路的干擾較少，鏈路質(zhì)量整體較好，GRU_SVR的均方誤差也是最小的?？梢姡cGRU_LQP、4C、WNN_LQP、RFVL_LQP及RNN_LQP預(yù)測(cè)模型相比，本文提出的GRU_SVR預(yù)測(cè)模型無(wú)論是在鏈路質(zhì)量較差還是較好的環(huán)境中，均有更好的預(yù)測(cè)準(zhǔn)確率。

5 結(jié) 論

本文提出一種基于GRU的鏈路質(zhì)量預(yù)測(cè)方法。首先，采用基于Gap Statistic算法優(yōu)化的K-means++算法劃分鏈路質(zhì)量等級(jí)，獲得樣本標(biāo)簽；然后，選擇RSSI、LQI、SNR作為輸入，基于CatBoost構(gòu)建鏈路質(zhì)量評(píng)估模型，評(píng)估當(dāng)前時(shí)刻的鏈路質(zhì)量，在不同場(chǎng)景中使用網(wǎng)格搜索法優(yōu)化評(píng)估模型的參數(shù)；最后，采用GRU學(xué)習(xí)鏈路質(zhì)量等級(jí)序列的時(shí)序信息，采用SVR預(yù)測(cè)下一時(shí)刻的鏈路質(zhì)量等級(jí)。在真實(shí)世界中，部署節(jié)點(diǎn)并收集數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，結(jié)果表明相比于其他模型，本文所提模型具有更低的預(yù)測(cè)誤差。下一步將致力于解決鏈路質(zhì)量數(shù)據(jù)不平衡給鏈路質(zhì)量預(yù)測(cè)帶來(lái)的影響，進(jìn)一步提高鏈路質(zhì)量預(yù)測(cè)的準(zhǔn)確率。