Многошаговое прогнозирование пропускной способности каналов мобильной связи 5G FR2
Автор: Трошин А.В.
Журнал: Инфокоммуникационные технологии @ikt-psuti
Рубрика: Технологии телекоммуникаций
Статья в выпуске: 4 т.19, 2021 года.
Бесплатный доступ
Для использования всех возможностей мобильных сетей связи пятого поколения требуется освоение нового миллиметрового диапазона частот FR2, который ранее не применялся для мобильной связи. Его применение позволяет достигнуть максимальных скоростей доступа в сетях 5G, однако может приводить к сильным колебаниям пропускной способности каналов во времени. Для ряда мобильных приложений, таких как трансляция видео высокой четкости, может потребоваться адаптация к таким колебаниям на длительных временных интервалах. Такая адаптация возможна с использованием многошагового прогнозирования пропускной способности каналов 5G на основе предыдущих измерений и ряда других внешних факторов. Данная работа посвящена рассмотрению возможностей многошагового прогнозирования пропускной способности каналов 5G FR2 с использованием широкого круга моделей машинного обучения.
5g, машинное обучение, многошаговое прогнозирование, нейронные сети
Короткий адрес: https://sciup.org/140293918
IDR: 140293918
Список литературы Многошаговое прогнозирование пропускной способности каналов мобильной связи 5G FR2
- Lumos5G: Mapping and predicting commercial MmWave 5G throughput / A. Narayanan [et al.] // Proceedings of the ACM Internet Measurement Conference. 2020. P. 176-193.
- 5G. URL: https://ru.wikipedia.org/wiki/5G (дата обращения: 20.11.2021).
- Что такое sub-6GHz, mmWave? Зачем нужен 5G? URL: https://habr.com/ru/post/524854 (дата обращения: 20.11.2021).
- 5G NR frequency bands. URL: https://en.wikipedia.org/wiki/5G_NR_frequency_bands (дата обращения: 20.11.2021).
- Efficient prediction of network traffic for real-time applications / Z. Xu [et al.] // Journal of Computer Networks and Communications. 2019. Vol. 2019. DOI: 10.1155/2019/4067135
- DeepChannel: Wireless channel quality prediction using deep learning / A. Kulkarni [et al.] // IEEE Transactions on Vehicular Technology. 2020. Vol. 69, no. 1. P. 443-456. DOI: 10.1109/TVT.2019.2949954
- Chandra R., Goyal S., Gupta R. Evaluation of deep learning models for multi-step ahead time series prediction // IEEE Access. 2021. Vol. 9. P. 83105-83123. DOI: 10.1109/ACCESS.2021.3085085
- Huang C., Chiang C., Li Q. A study of deep learning networks on mobile traffic forecasting // IEEE 28th Annual International Symposium on Personal, Indoor, and Mobile Radio Communications (PIMRC). 2017. P. 1-6. DOI: 10.1109/PIMRC.2017.8292737
- Трошин А.В. Машинное обучение для прогнозирования трафика в сети LTE // Инфокоммуникационные технологии. 2019. Т. 17, № 4. С. 400-407. DOI: 10.18469/ikt.2019.17.4.06
- Brownlee J. Taxonomy of Time Series Forecasting Problems. URL: https://machinelearning- mastery.com/taxonomy-of-time-series-forecasting-problems/ (дата обращения: 20.11.2021).
- Brownlee J. 4 Strategies for Multi-Step Time Series Forecasting. URL: https://machinelearningmastery. com/multi-step-time-series-forecasting/ (дата обращения: 20.11.2021).
- Lumos5G: Mapping and Predicting Commercial MmWave 5G Throughput / A. Narayanan [et al.]. URL: https://lumos5g.umn.edu/ (дата обращения: 20.11.2021).
- Troshin A. 5G Throughput Prediction. URL: https://github.com/av-troshin77/5gthroughput (дата обращения: 20.11.2021).
