4. 弱链路预测与建模

在无人系统弱链路通信中，链路状态并非随机跳变，而是具有明显的时序相关性和统计规律。链路预测的目标，是利用历史观测数据推断未来一段时间内链路是否可用、质量如何变化，从而为切换、重传、速率调整和任务重规划提供提前量。本节围绕四类主流方法展开：马尔可夫链、隐马尔可夫模型、时间序列预测和机器学习分类器，重点说明它们各自适合解决什么问题、如何建模、如何实现，以及在实际系统中如何对比选型。

一、问题定义与建模对象

链路预测首先要明确预测对象。常见对象包括：链路连通状态（连通/中断）、接收信号强度 RSSI、信噪比 SNR、丢包率、往返时延 RTT、可用带宽等。按预测形式可分为三类：状态分类预测（未来是否中断）、数值回归预测（未来 SNR 或 RTT 数值）、状态序列预测（未来若干时隙的状态序列）。

设离散时间步为 t = 1, 2, ..., T，观测序列为 O = {o₁, o₂, ..., o_T}，预测目标为 y_{T+1} 或 y_{T+1:T+k}。不同方法对观测的假设不同：马尔可夫链假设状态直接可观测且满足一阶马尔可夫性；隐马尔可夫模型假设真实链路状态不可直接观测，只能通过 RSSI、丢包等观测间接推断；时间序列预测把链路指标看作连续数值序列；机器学习分类器则把预测问题转化为特征到标签的映射。

二、马尔可夫链：最简可解释的离散状态预测

马尔可夫链适用于链路状态可直接观测且状态空间较小的场景。例如把链路划分为“好、中、差、断”四个状态，记状态集合 S = {s₁, s₂, s₃, s₄}。一阶马尔可夫性假设下一状态只与当前状态有关，转移概率矩阵 P 的元素 p_{ij} = P(X_{t+1}=s_j | X_t=s_i)。

实际实现时，用历史状态序列统计转移频次并归一化。例如某段链路 1000 个时隙中，从“好”出发共 400 次，其中 320 次下一时隙仍为“好”，50 次转“中”，20 次转“差”，10 次转“断”，则 P(好→好)=0.80，P(好→中)=0.125，P(好→差)=0.05，P(好→断)=0.025。若当前状态为“好”，则下一时隙中断概率为 0.025；若当前为“差”，假设其转移行中“断”的概率为 0.30，则中断风险显著升高。

马尔可夫链的优点是计算量小、可解释性强、易于在线更新；缺点是状态划分粗糙、无法利用更早历史、对连续指标需先离散化。它适合作为链路预测的基线模型，用于快速给出短时中断概率。

三、隐马尔可夫模型：状态不可观测时的推断

在真实无线链路中，我们往往无法直接知道“链路真实质量状态”，只能观测到 RSSI、丢包率等含噪指标。隐马尔可夫模型（HMM）用隐状态 Q = {q₁, q₂, ..., q_N} 表示真实链路质量，用观测 O 表示可测量指标。模型由三组参数构成：初始状态分布 π、状态转移矩阵 A、观测概率矩阵 B。

训练阶段，使用 Baum-Welch 算法（EM 的一种）从历史观测序列中估计 π、A、B。预测阶段，用 Viterbi 算法求最可能隐状态序列，或用前向算法计算 P(X_{t+1}=q_j | O_{1:t})。例如设隐状态为“优、良、差”，观测为 RSSI 分档，若当前观测序列显示 RSSI 连续下降且丢包率上升，HMM 可推断隐状态正从“良”向“差”迁移，并给出下一时隙“差”的后验概率。

HMM 的优势是能处理观测噪声和状态隐藏问题，适合链路质量评估与中断预警；局限是假设观测独立、状态数需预先设定，且对长程依赖建模能力有限。

四、时间序列预测：连续指标的数值外推

当预测目标是 SNR、RTT、吞吐量等连续数值时，时间序列方法更自然。常用模型包括 AR（自回归）、MA（移动平均）、ARIMA（差分自回归移动平均）和指数平滑。以 ARIMA(p,d,q) 为例，p 为自回归阶数，d 为差分次数，q 为移动平均阶数。

实现流程：先对序列做平稳性检验（如 ADF 检验），若不稳定则差分；再通过 ACF/PACF 或 AIC/BIC 定阶；然后估计参数并做残差诊断；最后进行多步预测。例如某链路 SNR 序列经一阶差分后平稳，定阶为 ARIMA(2,1,1)，模型输出未来 5 个时隙的 SNR 预测值及置信区间。若预测值低于解调门限，则提前触发速率下调或切换准备。

时间序列方法可解释、适合短期数值预测，但对非线性突变和外部事件（如遮挡、干扰）响应较慢，通常需要与分类器或规则引擎结合。

五、机器学习分类器：多特征非线性预测

机器学习分类器把链路预测转化为监督学习问题。输入是滑动窗口内提取的特征，标签是未来是否中断或未来状态类别。常用特征包括：RSSI 均值/方差/斜率、SNR 均值、丢包率、RTT 均值与抖动、重传次数、历史中断次数、节点速度、距离变化率等。

样本构造示例：窗口长度 10 个时隙，预测未来 3 个时隙内是否中断。正样本为未来 3 时隙内出现中断，负样本为未中断。模型可选随机森林、梯度提升树、SVM 或 LSTM。训练时按时间划分训练集/验证集，避免随机划分造成信息泄漏。评价指标用准确率、召回率、F1 和 AUC，其中召回率对中断预警尤为重要，因为漏报代价高。

机器学习方法能融合多源特征、拟合非线性关系，预测精度通常高于单一统计模型；但需要足够标注数据、特征工程和在线更新机制，模型可解释性也较弱。

六、四类方法对比与选型建议

工程选型可遵循以下思路：若只需快速给出中断概率且状态可观测，先用马尔可夫链做基线；若观测噪声大、真实状态不可见，用 HMM 做质量推断；若关注 SNR、RTT 等连续指标，用 ARIMA 或指数平滑；若已有较丰富的历史数据和特征，用随机森林或 GBDT 做分类预测。实际系统常采用组合策略：HMM 输出隐状态概率，作为机器学习分类器的特征之一；时间序列预测的 SNR 趋势，作为切换触发的辅助判据。