基于Informer的V2X通信QoS预测方法：基于真实路测数据的验证研究
一、研究团队与发表信息
本研究由Yaqi Xu（北京邮电大学网络与交换技术国家重点实验室）、Yan Shi（通讯作者，同单位）、Yuming Ge（中国信息通信研究院车联网技术创新与测试实验室）、Shanzhi Chen（中国电信研究院无线移动通信国家重点实验室）及Longxiang Wang（中国信通院车联网创新中心）合作完成，发表于期刊《Computer Networks》第235卷（2023年），文章编号109958。
二、学术背景与研究目标
科学领域：本研究属于智能交通系统（ITS）与车联网（V2X, Vehicle-to-Everything）通信的交叉领域，聚焦无线通信的服务质量（QoS, Quality of Service）预测。
研究动机：V2X通信在自动驾驶中需满足严格的低延迟与高可靠性要求，但QoS受无线电干扰、车辆移动性、用户设备密度等因素影响，传统预测方法（如BP神经网络、LSTM）存在计算复杂度高或难以捕捉复杂环境特征的缺陷。
目标：提出一种基于Informer模型的新型QoS预测方法，通过引入因果卷积自注意力机制（Causal Convolution Self-Attention）提升预测精度，并利用真实路测数据验证模型性能。
三、研究流程与方法
1. 模型设计
- 基础框架：以Informer模型（Transformer的变体）为核心，其ProbSparse自注意力机制将计算复杂度从O(n²)降至O(n log n)。
- 创新点：提出因果卷积自注意力机制，通过卷积核（kernel size=k, stride=1）捕获邻近时间序列的上下文特征，解决传统点对点注意力忽略局部动态的问题（图3）。
- 结构细节：编码器对QoS数值和时间戳分别卷积，通过最大池化压缩特征；解码器采用掩码多头注意力生成预测结果（公式1-2）。
数据采集与处理
实验对比
四、主要结果
1. 预测性能
- PLR预测：Informer的RMSE（4.497）、MAE（3.231）显著优于BP（7.528⁄5.785）和LSTM（6.178⁄4.693）（表2）。
- 延迟预测：Informer的RMSE（3.947）和Score（6.038）均为最优（表3）。
- 可视化对比：Informer预测曲线最接近真实值，波动最小（图8e、9e），而BP和Elman出现突变或滞后（图8a-b）。
五、结论与价值
科学价值：
- 首次将Informer模型应用于V2X的QoS预测，通过因果卷积自注意力机制解决了长序列依赖与局部动态建模的难题。
- 提出基于真实路测数据的验证框架，弥补了仿真数据（如NS-3）与简化场景（如校园测试）的局限性。
应用价值：
- 为自动驾驶车辆提供更可靠的通信性能预警，支持动态调整数据传输策略（如编码格式切换）或驾驶行为（如减速换道）。
- 助力网络资源分配优化，优先保障高优先级服务（如道路安全应用）的QoS。
六、研究亮点
1. 方法创新：结合Informer的低复杂度与因果卷积的局部感知能力，平衡了预测精度与计算效率。
2. 数据真实性：依托国家级测试场，构建包含高密度交通干扰的真实数据集。
3. 全面对比：在相同数据集中验证了模型相对于传统方法的优越性，尤其在高动态场景下的稳定性。
七、未来方向
1. 扩展测试场景（如隧道、地下停车场）以验证模型普适性。
2. 将模型集成至车联网系统，实现端到端的智能出行解决方案。
（注：本文实验代码与数据可依请求提供）