Machine Learning System for Predicting Latency in Next-Generation Wireless Network
Notice bibliographique
Résumé
The upcoming wireless networks 5G and 6G need extremely short delays to support essential applications such as autonomous systems together with real-time voice and data communications. The precise prediction of latency needs to be established for wireless networks to optimize resources and improve user satisfaction. The research develops a machine learning prediction system for wireless networks' latency in heterogeneous environments through Random Forest and XGBoost and Long Short-Term Memory (LSTM) network implementations. The predictive system integrates signal-to- noise ratio (SNR) along with bandwidth into its analysis besides using user mobility parameters and base station loading metrics and channel environmental data. The LSTM model demonstrated excellent results during testing of simulated and genuine datasets along with reaching an R<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> score of 0.93 and a Mean Absolute Error (MAE) of 1.83 ms above traditional regression models. The research findings show that the model successfully predicts latency measurements using precise accuracy across different network operational conditions. This anticipatory system creates a flexible real-time scheduling solution for 5G and 6G networks which controls ultra-reliable low-latency communication (URLLC) applications efficiently.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 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 ».