GNN-based Handover Management in 5G Vehicular Networks
Notice bibliographique
Résumé
The rapid advancement of 5G technology has transformed vehicular networks, delivering high bandwidth, low latency, and faster data rates for real-time applications in smart vehicles and smart cities. This enhances traffic safety and the quality of entertainment services. However, challenges remain, such as 5G's limited coverage range, which requires the installation of additional base stations, and frequent handovers, known as the "ping-pong effect," that can cause network instability, especially in high-mobility environments. \n \nTraditional reactive methods struggle to manage these issues effectively. In this study, we propose TH-GCN (Throughput-oriented Graph Convolutional Network), which optimizes handover management in dense 5G environments using graph neural networks (GNNs). TH-GCN predicts optimal connections and the best handover choices by modeling vehicles and towers as nodes in a dynamic graph, with connections depicted as edges and incorporating features like signal quality, vehicle mobility, throughput, and tower load. By shifting from a purely user-centric to a combined user equipment and base station-centric approach, our method provides a comprehensive view of the network and enhances adaptability in real-time handover decisions. \n \nAfter conducting several batch tests in our Simu5G simulator, the results showed significant improvements, including up to a 78% reduction in handovers and a 10% improvement in signal quality compared to state-of-the-art methods. TH-GCN effectively reduced handovers while maintaining optimal levels of throughput and latency, particularly in high-density, high-mobility scenarios.
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.
Comment cette classification a été obtenuedéplier
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».