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

本文提出了一个两层框架，使用深度强化学习进行异步的多用户控制，用于学习在支持移动物联网用户或传统蜂窝用户的大规模无线系统中，以降低手动切换率并确保一定的系统吞吐量。

Jan, 2018

本研究针对未来雾计算系统，提出了一种基于学习的车联网移交优化方案，利用机器学习算法学习车辆与雾节点的互动，运用神经网络预测给定位置和时间的正确雾节点，以及实现了一种双层堆叠的循环神经网络，可以学习处理请求的高延时服务，用于创建智能请求路由机制，优化服务中断并预测低覆盖区域，其测试集准确率达到 99.2%。

Dec, 2018

本文提出了一种基于深度学习的资源分配策略，通过优化带宽和传输功率来最小化基站的总功耗，并使用级联结构的神经网络和深度迁移学习来应对无线网络中的非平稳性。实验结果表明，相对于全连接神经网络，在 QoS 保证方面，级联神经网络的性能更好。

Mar, 2020

本文提出了一种基于在线学习和机器学习的频段切换方案，利用 UE 位置信息和不同频段射线数据集来实现无需测量间隙的频段切换，达到约 30% 提高的速率和低于 0.5% 的误差率。

Oct, 2019

本文提出了一种基于边缘控制器的 5G 移动网络结构，利用全球用户的移动模式来动态聚类和关联基站和控制器，以及通过控制器运行机器学习算法来预测每个基站的用户数量，为高层次应用程序提供路由服务，以提高网络的重要性能指标。

Aug, 2018

基于边缘计算的新型预测框架使用通过大规模测量活动在边缘获取的数据集，设计了基于卷积神经网络（CNN）和循环神经网络（RNN）的两种主要深度学习架构，并在不同训练条件下进行了测试。使用知识迁移学习（KTL）技术改进模型性能并降低计算资源需求，模拟结果表明 CNN 架构优于 RNN。提供了对所需训练能量的估计，并应用两种前沿可解释人工智能技术来解释得出的学习模型。

Oct, 2023

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

基于过去的上行吞吐量和射频参数，我们提出使用基于 ConvLSTM 的神经网络来预测未来的上行吞吐量，该网络使用了在商业 5G SA 网络上的真实行车测试数据进行训练，通过限制只使用 Android API 可获取的信息并使用乘坐通勤列车和其他交通方式的数据进行评估，结果显示我们的模型在所有未知评估场景中达到平均 98.9% 的预测准确率和 1.80 Mbps 的平均 RMSE。

Jul, 2023

本文提出了一种基于 Markov 决策过程的移动网络小区选择算法，针对 mmWave 频段信道状态的不稳定性进行了优化，模拟结果表明该算法提升了网络容量和服务质量。

Jul, 2015