《Applied Sciences》：A Hybrid Computing Power Demand Prediction and Proactive Resource Scheduling Method for Edge Computing in Smart Agriculture
编辑推荐：
现代智能农业日益依赖边缘计算来执行广域无人机作物监测等实时高并发任务。然而，农业物联网（IoT）网络中高度波动的负载和严峻的环境噪声，使得依赖传统反应式调度时容易出现资源拥塞和高延迟。为应对这些挑战，本文提出了一种用于边缘计算的混合预测驱动型主动资源调度方法。
现代智能农业日益依赖边缘计算来执行广域无人机作物监测等实时高并发任务。然而，农业物联网（IoT）网络中高度波动的负载和严峻的环境噪声，使得依赖传统反应式调度时容易出现资源拥塞和高延迟。为应对这些挑战，本文提出了一种用于边缘计算的混合预测驱动型主动资源调度方法。研究人员构建了变分模态分解-卷积神经网络-注意力机制-双向长短期记忆网络（VMD-CNN-Attention-BiLSTM）模型，以滤除环境噪声并准确捕获突发流量的时空特征。此外，一种基于近端策略优化（PPO）的深度强化学习调度算法将未来负载趋势纳入其状态空间，动态优化任务卸载。为评估所提出的预测计算调度框架（PCSF），研究人员开发了定制的边缘计算模拟环境，并合成了一个混合数据集，该数据集结合了来自阿里巴巴集群跟踪（Alibaba Cluster Trace）的真实服务器日志，以及源自小麦病害图像库的深度学习推理工作负载。模拟结果表明，该预测模型的均方根误差（RMSE）为0.030，平均绝对误差（MAE）为0.0215。与静态和反应式基线相比，PCSF将平均任务超时违规次数降至2.2，系统总能耗降低近40%。这种主动机制有效克服了决策滞后，为现代农业设施实现了高效、低延迟的计算资源分配。
**论文解读：智能农业边缘计算中混合算力预测与主动资源调度研究**
**研究背景与问题**
随着农业与农村现代化进程加速，算力资源已成为驱动农业高质量发展和优化现代农业生产要素配置的关键新型资源。在物联网、5G、人工智能和大数据技术赋能下，现代农业加速向数字化、网络化、智能化转型，对算力网络的依赖日益增强。移动边缘计算通过将计算和存储能力下沉至网络边缘，可显著降低服务响应延迟并缓解骨干网压力。然而，在智能农业实际部署中，边缘节点的计算资源和能源供给通常有限，异构设备间缺乏高效协作机制。以小麦病虫害监测与无人机巡检为例，病害高发期大量多光谱无人机和地面监测设备会同时激活，瞬时向边缘节点并发传输海量高清图像与视频流，导致算力需求呈现极强的突发性和波动性。同时，田间风雨引起的设备抖动、大型农机作业产生的电磁干扰，以及无线信道不稳定导致的数据重传，使边缘节点接收的任务负载时间序列混有大量高频随机噪声，呈现高度非线性。现有单一预测模型难以适应高噪声农业数据，而反应式调度策略在应对突发负载时缺乏前瞻性。为此，研究人员提出一种面向智能农业边缘计算的预测计算调度框架（PCSF）。
**研究内容与总体结论**
该框架首先设计了一种VMD-CNN-Attention-BiLSTM混合预测模型，利用变分模态分解降低序列非平稳性，结合注意力机制强化关键特征提取，显著提高预测精度。其次，制定了预测感知的主动调度机制，将预测的未来负载趋势纳入状态空间，构建基于近端策略优化（PPO）的深度强化学习调度算法，使智能体能够提前感知算力瓶颈并动态调整策略。最后，通过混合模拟实验验证了该方法在降低平均响应延迟、提高资源利用率和系统稳定性方面的有效性。该研究发表在《Applied Sciences》期刊上。
**关键技术方法**
研究人员采用的主要技术方法包括：变分模态分解（VMD）用于将原始负载序列分解为多个固有模态函数，降低非线性与噪声干扰；一维卷积神经网络（CNN）用于提取短时局部突变特征；注意力机制用于动态加权历史时刻的关键信息；双向长短期记忆网络（BiLSTM）用于捕获双向时序依赖。调度层面采用基于近端策略优化（PPO）的深度强化学习，将预测负载窗口拼接至状态向量，通过裁剪目标函数稳定策略更新。实验数据来源于阿里巴巴集群跟踪（Alibaba Cluster Trace v2018）与小麦病害图像库（Wheat Plant Diseases），通过任务配对、时间对齐和工作负载缩放融合为包含14,154条任务记录的混合数据集，并按时间顺序划分训练集、验证集和测试集。
**研究结果**
**5.1 负载预测性能评估**
为客观评估所提预测模型在复杂农业边缘场景中的有效性，研究人员对比了ARIMA、LSTM、BiLSTM三种基线算法。通过提取包含突发流量的连续时间片段进行对比，发现真实农业负载呈现显著非平稳性和剧烈尖峰。ARIMA几乎无法捕获高维非线性振荡，预测输出退化为平坦均值轨迹；LSTM和BiLSTM虽能吸收宏观负载演化，但普遍存在削峰和相位滞后。所提混合模型在稳定负载区间和剧烈振荡尖峰上均表现出极高的拟合精度，无滞后和系统性低估。定量指标方面，所提模型RMSE为0.030，MAE为0.0215，相比ARIMA分别降低53.1%和41.9%，相比最优双向基线分别降低41.4%和32.8%。关于MAPE指标偏大的现象，论文指出这是农业负载序列中近零值时段导致MAPE数学计算的内在缺陷，因此以RMSE和MAE为主要评估指标。
**5.2 调度策略性能评估**
研究人员将所提PCSF与静态基线（随机、贪心、仅本地、仅边缘）及深度强化学习基线（无预测的PPO、无预测的DQN）进行对比。实验在固定评估协议下进行，每个策略在留出测试集上运行10个独立回合，记录平均累计奖励、平均完成时间、总能耗和超时违规数。结果表明，面对农业突发流量，随机、贪心和仅边缘策略均产生超过148次超时违规，平均奖励低于-60,000；仅本地策略违规数降至74.2，但受限于本地硬件算力。而PCSF平均超时违规仅2.2次，平均奖励为-309.97，平均任务完成时间约20.0秒，系统能耗约为678,115焦耳，相比贪心和仅边缘协议降低了近40%。与反应式PPO相比，无预测的PPO平均完成时间升至36.6秒，超时违规超16次，系统累计奖励跌至-3300.98；无预测的DQN超时违规超过88.2次，奖励跌至-47,578.3，暴露出反应式调度在突发流量下的决策滞后与价值网络的训练不稳定性。
**5.3 消融研究**
为评估框架各组成部分的贡献，研究人员进行了消融实验，对比完整PCSF与四种退化配置：去除VMD（w/o VMD）、去除注意力（w/o Attention）、去除预测窗口（w/o Prediction）、将PPO替换为DQN（w/o PPO）。实验结果显示，完整PCSF获得最高累计奖励和最低超时违规数。去除VMD后平均处理时间增加13.74秒，违规数升至13.0；去除注意力后奖励骤降37,528.1，违规数增加16.6；去除预测窗口后处理时间增加14.16秒，违规数增加10.7。尽管完整PCSF因预测模块计算开销能耗略高（678,115.0 J对比650,000.0 J），但相比延迟和可靠性的大幅改善，该权衡高度有利。替换为DQN后调度策略完全失稳，能耗剧增且违规率不可接受，证明PPO的裁剪机制对于稳定策略更新至关重要。
**讨论与结论**
在讨论部分，研究人员指出所提混合预测模型通过VMD分解有效隔离了农业环境中的高频噪声，而传统Bi-LSTM等直接应用会产生相位滞后和低估。消融研究表明，VMD、注意力、预测窗口的引入虽带来轻微能耗增加，但换取了任务完成时间和超时违规的显著降低。PPO算法通过近端裁剪机制防止策略剧烈振荡，确保在高度非平稳农业环境中的训练稳定性。该预测驱动范式为感知层设备提供连续低延迟数据处理，是农业供应链韧性与安全的重要基础设施支撑。研究局限性包括：当前仅考虑单网关决策，未探索多智能体分散协作调度；未将偏远农业节点绿色能源供应的波动性纳入调度决策。结论部分强调，随着智慧农业4.0推进，边缘计算在管理海量数据和保障极低延迟方面发挥基础作用。该研究通过变分模态分解有效中和环境噪声，利用集成注意力结构捕获突发数据波动的时序特征，验证了预测调度框架相比传统启发式机制和非预测强化学习在延迟降低和能耗优化上的显著优势。研究建议，农业企业和主管部门应重新认识分散算力作为关键生产要素的地位，在农业基础设施规划中积极嵌入网络计算布局，以提升系统韧性并应对突发处理需求，最终实现算力资源的精准配置，保障农业时效性并避免运营崩溃。
