本文提出了一种基于机器学习模型的 5G 基站功耗模型，具有高精度和有效的能源节省机制，是理解和优化 5G BS 能效的基本工具。

Sep, 2022

该研究探讨了电力行业由中央集中化向分散化的转变，重点关注了机器学习在推动可再生能源和改善电网管理方面的关键作用。研究使用了人工神经网络、支持向量机和决策树等多种技术，将机器学习模型应用于预测可再生能源的生成和消耗，并采用数据预处理方法提高预测准确性。通过结合大数据和机器学习技术，智能电网能够提高能源效率、更有效地响应需求并更好地整合可再生能源。然而，需要解决大数据处理、网络安全和获取专业技术等挑战。总之，该研究揭示了电力行业由中央集中化向分散化解决方案转变，并通过应用机器学习创新和分布式决策塑造了更高效和可持续的能源未来。

Oct, 2023

机器学习方法在通信问题中被越来越广泛地采用，尤其是在下一代无线设置中。通过使用贝叶斯参数调整和时空高斯过程代理建模，我们能够降低现有硬件的能耗并改善网络性能，同时减少下一代混合波束赋形系统的开销，从而大大提高网络的能效和针对高移动用户的目标能力。贝叶斯范式本身对于能源使用也是有帮助的，因为训练一个贝叶斯优化模型所需的计算要比训练深度神经网络要少得多。

Sep, 2023

我们提出了一种创新的方法，旨在协调 Open Radio Access Network（O-RAN）中的多个独立 xAPPs，以实现网络切片和资源分配，并优化用户设备（UE）之间的加权吞吐量和物理资源块（PRB）的分配。通过设计 power control xAPP 和 PRB allocation xAPP，我们的方法通过监督学习和无监督学习的组合实现了高效的网络切片问题解决方案。与其他方法相比，我们的方法在不同场景中展现出更高的性能和效果。

Jan, 2024

本研究提出了一个新颖的基于神经网络和元启发式算法的框架，以达到在移动应用开发领域中强大的能量预测的目标。通过综合实验，证明了我们的方法在能量消耗预测方面取得了显著成果。

Sep, 2023

通过提出一个可评估机器学习模型可行性的新方法，本文在实际基站测量的基础上，对巴塞罗那地区的联邦学习场景中使用的最先进的深度学习体系结构进行全面评估，发现较大的机器学习模型在性能上略有提升，但在碳足迹方面产生了显著的环境影响，使其在实际应用中不切实际。

Sep, 2023

通过使用 MCReSANet 构建高度非线性的谐波电压和电流之间的数据驱动模型，本文提出了解决分布系统中不同负载之间相互作用对谐波电压和电流关系的分析建模问题的方法。使用芬兰和德国的两个数据集进行实证分析，证明了 MCReSANet 能够建立准确的非线性映射，并且相较于 CNN 和 MLP 模型，在降低 MAE 和模型不确定性方面实现了显著的改进。此外，通过特征重要性分析，揭示了谐波电压和电流在分布系统中各阶谐波之间的详细关系，以及不同负载类型对谐波电流排放的影响模式，从而增强了对分布系统中不同 PE 负载引起的谐波电流排放的理解和预测能力，为优化不同电网环境下的电能质量提供了更有效的管理手段。

Nov, 2023

本文介绍了第五代（5G）射频技术，以及第三代伙伴关系项目（3GPP）新射频规范，提供了用于显著降低下一代网络能耗和温室气体排放的工具。重点介绍了能够实现能效的关键技术，例如大规模多输入多输出（MIMO），轻载波设计和先进的空闲模式，探讨了其在能源消耗方面的最佳操作点和理论折衷。最后，讨论了未来网络需要更多努力实现绿色网络的研究领域。

Jan, 2021

本篇论文主张采用通信启发式方法来设计机器学习系统，分别采用确定性和随机性版本。采用此方法可以充分利用机器学习算法和应用，以解决其在能量受限制平台上部署时面临的挑战。

Oct, 2016

利用 O-RAN 的智能和灵活的网络控制，本研究介绍了一种基于开放和可重构网络的用例，以预测切换事件，并理解此类预测对所有依赖通信网络进行业务的利益相关者的价值。我们提出了一种基于长短期记忆机器学习方法，使用标准无线接入网络测量数据来预测切换事件。通过在真实网络数据上进行训练，我们的结果表明所提出的方法可以根据应用层目标进行优化，以提高精度或召回率。我们还将机器学习算法的性能与网络运营成本联系起来，结果表明相比长期资源购买，基于机器学习的资源匹配可以将运营成本降低 80% 以上。

Apr, 2024