A Hybrid User Mobility Prediction Approach for Handover Management in Mobile 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
Mobile networks are expected to face major problems such as low network capacity, high latency, and limited resources but are expected to provide seamless connectivity in the foreseeable future. It is crucial to deliver an adequate level of performance for network services and to ensure an acceptable quality of services for mobile users. Intelligent mobility management is a promising solution to deal with the aforementioned issues. In this context, modeling user mobility behaviour is of great importance in order to extract valuable information about user behaviours and to meet their demands. In this paper, we propose a hybrid user mobility prediction approach for handover management in mobile networks. First, we extract user mobility patterns using a mobility model based on statistical models and deep learning algorithms. We deploy a vector autoregression (VAR) model and a gated recurrent unit (GRU) to predict the future trajectory of a user. We then reduce the number of unnecessary handover signaling messages and optimize the handover procedure using the obtained prediction results. We deploy mobility data generated from real users to conduct our experiments. The simulation results show that the proposed VAR-GRU mobility model has the lowest prediction error in comparison with existing methods. Moreover, we investigate the handover processing and transmission costs for predictive and non-predictive scenarios. It is shown that the handover-related costs effectively decrease when we obtain a prediction in the network. For vertical handover, processing cost and transmission cost improve, respectively, by 57.14% and 28.01%.
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 | 0,001 | 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