Deep Learning Based Hotspot Prediction and Beam Management for Adaptive Virtual Small Cell in 5G Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
To meet the extremely stringent but diverse requirements of 5G, cost-effective network deployment and traffic-aware adaptive utilization of network resources are becoming essential. In this paper, a hotspot prediction based virtual small cell (VSC) operation scheme is adopted to improve both the cost efficiency and operational efficiency of 5G networks. This paper focuses on how to predict the hotspots by using deep learning, and then demonstrates how the predictions can be leveraged to support adaptive beamforming and VSC operation. We first leverage the feature extraction capabilities of deep learning and exploit use of a long short-term memory (LSTM) neural network to achieve hotspot prediction for the potential formation of the VSCs. To support the operation of VSCs, large-scale antenna array enabled hybrid beamforming is adaptively adjusted for highly directional transmission to cover these hotspot-based VSCs. Within each VSC, an appropriate user equipment is selected as a cell head to collect the intra-cell traffic in the unlicensed band and relays the aggregated traffic to the macro-cell base station by using the licensed band. Our simulation results illustrate that the proposed LSTM-based method can extract spatial and temporal traffic features of hotspot with higher accuracy, compared with some existing deep and non-deep learning approaches. Numerical results also show that VSCs with hotspot prediction and hybrid beamforming can improve the energy efficiency dramatically with flexible deployment and low latency, compared with the scenario of the convolutional fixed small cells.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle