基于硬件能耗特征的物联网端云协同传输效能预测模型

在医疗物联网（WBSN）与边缘计算协同场景中，端侧物理硬件的功耗墙与内存墙是制约大规模 AI 和数据传输的核心瓶颈。本项目摒弃了传统纯数据驱动的“暴力特征堆砌”，深入微电子端侧通信的底层物理机制，通过分析 10,000 条异构传感器（ECG、血氧仪等）底层日志，构建了具有物理学意义的效能回归预测模型，为端侧算力分配与芯片前端能耗优化提供数据支撑。

• 深入底层通信物理机制，构造了 15+ 具有实际物理意义的衍生特征。
• 核心特征包括：单位字节传输功耗 (energy_per_byte)、任务平均功率 (avg_power)、能量收益比 (yield_per_energy) 及实际吞吐率等，精准刻画端侧芯片动态能耗。

• 针对真实物联网日志中的长尾偏态分布，引入**对数变换（Log Transform）**进行特征平滑。
• 在派生特征计算中严格引入极小量 (eps=1e-9) 惩罚项，彻底解决由于传感器采集异常导致的除零异常，大幅提升模型在复杂工况下的抗干扰性。

• 采用 5 折交叉验证 (5-Fold CV) 联合训练 GBDT 三剑客（XGBoost, LightGBM, CatBoost），严格生成 OOF (Out-of-Fold) 预测集，杜绝数据泄露。
• Level 1：构建基于误差倒数加权 (Inverse RMSE Weighting) 的线性融合 Baseline，锁死精度下限。
• Level 2：重构次级特征空间，动态择优选用 Random Forest 作为元模型 (Meta-model)，成功捕捉基模型间的非线性互补关系。

• 引入博弈论 SHAP 框架打开模型黑盒，实现从全局到个体的特征重要性量化。
• 关键发现：端侧射频收发器能耗、基带处理包大小与传输持续时间是主导通信效能的最关键驱动因素，从数据层面印证了“芯片前端能量瓶颈决定整体传输效率”的硬件直觉。

• 评估指标: 均方根误差 (RMSE)
• 最终得分: 0.3769 (相较于单一基模型表现出显著的精度跃升与泛化稳定性)

├── data/                  # 原始数据集与清洗后的数据 (10,000条传感器日志)
├── baseline.ipynb         # 核心 Jupyter Notebook (包含数据清洗、特征工程、EDA与模型训练全流程)
├── requirements.txt       # 项目依赖包
└── README.md              # 项目说明文档