该研究介绍了一类新的连续时间循环神经网络模型，采用非线性互联门来调制线性一阶动力系统的网络。这些神经网络表现出稳定和有界的行为，具有优秀的表达能力，可以更好地应对时间序列预测任务。

Jun, 2020

利用激光雷达数据来实现对毫米波和太赫兹通信网络中的连接障碍的预测，分析了静态噪声簇消除算法和机器学习模型，在深感 6G 结构下的实际测试中展示了 95％的准确性，并可以通过主动切换来提高网络可靠性和延迟。

Nov, 2021

使用机器学习工具，针对毫米波 MIMO 系统中基站和移动用户之间的可靠性和延迟挑战，提出了一种有效的解决方案，使基站能够学习如何预测下一个时间框架中某个链接将经历阻塞，并且根据其过去的观察结果主动将用户移交给具有高概率的 LOS 链接的另一个基站，从而保证了移动毫米波系统的高可靠性和低延迟。

Jul, 2018

通过基于 LiDAR 传感器的深度学习和射线投射的技术，我们提出了一种端到端的系统来预测未来可能遇到的人体遮挡，从而在不失去数据准确性的情况下，提高确定信号路径的正确性。在 300ms 的窗口期内，本系统可以达到 87% 的准确率，同时保持 78% 的精确度和 79% 的召回率。

Oct, 2021

本研究通过利用时空视觉传感信息，展示了主动接收功率预测在可靠毫米波网络中的可行性。通过使用摄像头图像和机器学习，该机制可以预测从下一时刻到几百毫秒后的接收功率时间序列。通过卷积 LSTM 的使用，该机制可以在不到 3ms 的推理时间内，以 3.5 dB 的均方根误差预测接收功率的时间序列高达 500ms。

Mar, 2018

通过使用机器学习网络，本文针对多信道随机接入网络中的突发流量，提出了一种轻量级灵活的框架，并通过在线预测算法实时更新网络状态，实现了对突发流量的准确预测，提高了长期预测精度达到 52%。

May, 2024

本文探讨利用 LiDAR 获取的三维点云数据进行毫米波通信中的链路质量预测，该方法将替代传统基于图像的方式并且可避免隐私泄露。通过实验验证，该方法证明了在存在人体阻挡时，点云数据可以有效预测毫米波信号强度的大幅度丢失。

Jan, 2023

本文介绍了一种新的状态空间结构 Liquid-S4 ，它可以通过对状态转移矩阵的对角线及低秩分解进一步提高序列建模任务的表现，达到了 Long-Range Arena 基准测试的最新水平，并在 Speech Command 识别数据集上实现了 96.78% 的精度。

Sep, 2022

使用数据驱动的方法，预测网络参数条件下稀有延迟的概率分布尾部，以实现对无线传输中的网络延迟的更精确控制。

Jul, 2023

利用深度学习模型从 sub-6GHz 信道预测 mmWave 波束和阻塞状态，DeepMIMO 数据集验证模型可以超过 90% 的成功预测 mmWave 阻塞，这种方法避免了波束训练的开销并且在没有完美信道知识的情况下逼近最优数据速率。

Oct, 2019