在工业互联网与6G通信快速发展的背景下，高精度、低时延的无线信道预测成为保障系统可靠性与实时性的关键。近期，人工智能学院科研团队在无线信道预测方向取得系列进展：成果被通信领域权威期刊《IEEE Transactions on Wireless Communications》和《IEEE Transactions on Cognitive Communications and Networking》收录。
值得强调的是，成果主要完成人靳凯博、任晓泉均为人工智能学院2022级本科生，该项工作在石华光、周毅老师联合指导下完成，河南大学为第一通讯单位，充分体现了我校本科生培养模式革新和创新的成效与活力。
1.ChannelMamba：6G物联网高移动性MIMO信道预测模型
面向6G大规模多输入多输出（m-MIMO）物联网系统在高移动性场景下面临的信道老化与预测效率瓶颈，科研团队首次将新兴的Mamba架构引入无线信道预测领域，提出了名为ChannelMamba的端到端预测模型。
图 1: ChannelMamba 模型总体框架图（双域输入、TD-Mamba/双向Mamba、轻量注意力）
如图 1 所示，ChannelMamba模型通过双域输入模块，同时处理频域信道状态信息（CSI）和时延域信道冲激响应（CIR）数据，以获取更全面的信道特征。模型核心采用参数共享的Mamba模块高效捕捉信道的快速时变动态，并设计了双向Mamba结构来建模信道数据中复杂的跨维度依赖关系。此外，一个轻量级的注意力模块被用于最终的全局上下文精炼。该模型在保持线性计算复杂度的同时，在预测精度、鲁棒性和泛化能力方面均取得显著提升（图2所示）。
图 2: 不同信噪比和速度下的性能对比实验图
该项成果“ChannelMamba: A Mamba-Driven Selective State-Space Model for Channel Prediction of High-Mobility MIMO in 6G IoT”为题发表在通信领域国际顶级刊物《IEEE Transactions on Wireless Communications》（中科院一区TOP，IF 10.7）。
2.面向工业物联网的云边协同多时序注意力信道预测
针对工业4.0场景下无线信道复杂多变、传统预测模型难以兼顾精度与实时性的挑战，研究团队提出了一种云边协同多时序注意力（MTSA）信道预测模型。
图 3: 基于云边协同的工业无线信道预测架构
如图 3所示，该架构创新性地将计算任务在云端与边缘端进行协同分配。云端预测模型（Cloud-PM）利用多任务学习框架，对视距（LoS）与非视距（NLoS）两种异构信道进行高精度建模；边缘预测模型（Edge-PM）则通过跨层参数共享机制，在资源受限的边缘设备上实现轻量化部署与快速预测。为优化任务调度，团队进一步提出了基于双深度Q网络的多目标动态任务调度（MODTS）算法，有效平衡了预测精度与任务延迟的矛盾。实验结果表明，该架构在预测准确性、实时性能和模型鲁棒性方面均显著优于现有方法（图4所示）。
图 4:模型精度与时延对比实验图
该项成果以“Learning to Predict: Collaborative Cloud-Edge Multi-Time-Scale Attention Model for Industrial Wireless Channel Prediction”为题发表在通信领域国际顶级刊物《IEEE Transactions on Cognitive Communications and Networking》（中科院一区TOP，IF 7.0）。
研究工作得到国家重点研发计划“政府间国际科技创新合作”重点专项、国家自然科学基金、河南省自然科学基金-优秀青年科学基金、中原科技创新青年拔尖人才等项目支持。
