基于不确定性感知传输周期控制的物联网数据质量与能耗优化研究

《Engineering Science and Technology, an International Journal》：Leveraging uncertainty for transmission period control in IoT applications

本文针对物联网（IoT）传感器在数据采集过程中面临的能耗与数据质量平衡难题，提出了一种不确定性感知的传输周期控制（U-OTPC）方法。通过构建Quality Prophet-MLP（QP-MLP）模型预测数据重构误差及其不确定性，结合蒙特卡洛Dropout（MC Dropout）技术量化预测可靠性，实现了动态调整传输周期τp。实验表明，该方法在KAIST-IAQ、SEHM等数据集上显著降低能耗（如SEHM温度数据能耗降低28%）并提升数据准确性（如IAQ-CO2数据RMSE改善13.9%），为资源受限的IoT设备提供了智能自适应传输策略。

　　

随着物联网（IoT）技术的快速发展，数以亿计的传感器设备被部署在环境监测、智能家居、工业自动化等领域，持续采集并传输海量数据。然而，这些资源受限的IoT设备面临一个核心矛盾：频繁的数据传输可以保证数据采集的完整性，但会急剧消耗设备能量，缩短其使用寿命；而为了节能延长传输周期，又会导致大量数据缺失，需要后期重构，严重影响数据质量。如何动态调整数据传输策略，在能耗与数据质量之间取得最佳平衡，成为IoT领域亟待解决的关键问题。

传统方法多采用固定传输周期或基于简单规则调整策略，难以适应复杂多变的环境。近年来，虽有研究尝试利用预测模型指导传输决策，但大多忽略了一个重要因素——预测本身的不确定性。在数据波动剧烈或传感器出现异常时，预测模型的可靠性会显著下降，若仍按原计划执行传输，可能导致重构误差激增。为此，韩国科学技术院（KAIST）的研究团队在《Engineering Science and Technology, an International Journal》上发表论文，提出了一种名为“不确定性感知最优传输周期控制（Uncertainty-aware Optimal Transmission Period Control, U-OTPC）”的新方法。该方法创新性地将数据重构误差的预测不确定性纳入优化目标，使传输控制策略不仅能响应数据变化，还能感知决策风险，从而实现更智能、更鲁棒的能耗与质量权衡。

为开展研究，作者团队利用了多个公开数据集，包括KAIST室内空气质量（KAIST-IAQ）数据集（包含温度、湿度、CO₂浓度数据）、家庭用电量（IHEPC）数据集以及独居老人家庭监测（SEHM）数据集。研究的关键技术方法包括：1）构建了Quality Prophet-MLP（QP-MLP）模型，该多层感知机（MLP）利用蒙特卡洛Dropout（MC Dropout）技术进行多次前向传播，以同时预测给定传输周期τ_p下的数据重构误差R(X_i,l, τ_p)及其不确定性U(R(X_i,l, τ_p))；2）建立了包含能量消耗函数E(τ_p)和数据质量函数Q(X_i,l, τ_p) = R(·) + β·U(·)的优化问题，并通过严格的数学证明表明该问题具有唯一最优解；3）设计了一种k叉搜索算法（本研究中k=5）来高效求解最优传输周期τ_p^*，该算法在每次迭代中评估多个候选点，比传统的二分搜索更快地收敛到最优解。

研究结果

1. 能量消耗与数据质量的权衡关系得以量化

通过理论推导和实验验证，研究明确展示了能量消耗函数E(τ_p)关于τ_p严格递减，而数据质量函数Q(X_i,l, τ_p)关于τ_p严格递增的性质。这一定性关系为传输周期控制提供了根本依据：延长传输周期节省能量，但代价是数据重构误差增大。U-OTPC框架的核心就在于寻找使max(α·E(τ_p), Q(X_i,l, τ_p))这个目标函数最小的操作点。

2. 不确定性估计显著提升高误差场景下的控制性能

ablation研究（即控制变量研究）表明，在重构误差最高的10%数据样本中，引入不确定性估计的U-OTPC模型相比不考虑不确定性的基线模型，能显著降低均方根误差（RMSE）。例如，在IAQ-CO2数据集上，RMSE改善了13.90%，在KAIST-IAQ温度数据上改善了5.41%。这证明在数据波动大、预测不可靠时，不确定性信息能引导系统采取更保守（传输更频繁）的策略，从而有效控制最坏情况下的数据质量损失。

3. U-OTPC模型在多项指标上优于现有基准方法

与动态估计布林带（DEBB）、预测驱动的自适应传输周期控制（PBATPC）、用户驱动的自适应采样算法（UDASA）以及深度学习驱动的鲁棒数据传输周期控制（DL-RDTPC）等基准方法相比，U-OTPC在综合评估指标周期控制分数（PCS, Period Control Score）上表现最优。PCS综合考虑了归一化的能耗和RMSE。在大多数数据集（如SEHM的湿度和温度数据、IAQ的CO2数据等）上，U-OTPC的PCS值最低，表明其能更好地平衡能耗与数据质量。特别是在SEHM温度数据集上，U-OTPC在保持数据精度相当的同时，实现了比DL-RDTPC低28%的能量消耗。

4. 模型对网络参数变化具有适应性

研究还探讨了数据大小和传输速率的变化对U-OTPC性能的影响。当传输每个数据包的能耗增加时（例如，数据包变大或传输速率变慢），模型会自适应地调整策略。实验结果（见表3）显示，在这种情况下，U-OTPC会倾向于选择更短的传输周期，优先保障数据质量，因为相对于急剧增长的基础能耗，自适应策略节省的能量占比更大，优化目标更侧重于控制重构误差。这体现了模型在不同网络条件下的鲁棒性。

5. 超参数α和β作为有效的控制旋钮

参数α（权衡能耗的权重）和β（权衡不确定性的权重）的敏感性分析表明，它们可以作为系统管理者根据实际需求调整策略的有效控制旋钮。提高α值，系统会更倾向于节能，允许更长的传输周期和更高的RMSE；提高β值，系统会对预测不确定性更加敏感，倾向于更频繁的传输以保障数据质量。这为在实际部署中实现定制化的能耗-质量权衡策略提供了灵活性。

结论与意义

本研究提出的U-OTPC框架，通过将深度学习驱动的数据重构误差预测与贝叶斯方法提供的不确定性量化相结合，为物联网传感器的数据传输周期控制提供了一种新颖且强大的解决方案。其重要意义在于：

1. 1.
   理论创新：首次将预测不确定性明确引入传输周期控制的优化目标中，建立了更完整的决策模型，并通过严格的数学论证保证了问题解的存在性和唯一性。
2. 2.
   性能优越：大量实验证明，U-OTPC能够智能地在能耗和数据质量之间进行动态权衡，尤其在数据动态性强、预测挑战大的场景下，其考虑不确定性的优势更加明显，整体性能优于现有先进方法。
3. 3.
   实用性强：所采用的QP-MLP模型结构相对简单，k叉搜索算法效率较高，适合在资源有限的边缘设备或网关上部署。超参数α和β提供了直观的策略调整接口，便于实际应用中的策略定制。
4. 4.
   广泛适用性：方法在涉及环境监测（温度、湿度、CO₂）、用电负荷、老年人活动监测等多种类型的时序数据上均表现良好，展示了其跨领域的适用潜力。

这项工作为解决物联网领域核心的“能耗-质量”权衡问题提供了新的思路和工具，推动了自适应、智能化、且对不确定性具有感知能力的物联网数据采集技术的发展，对于构建可持续、高可靠性的物联网系统具有重要的理论和实践价值。