Jun, 2024

使用真实世界数据建模 5G 能耗：能量指纹即所需

PDF
TL;DR该研究提出了一种基于实际数据集的新颖的 5G 基站能耗建模方法，通过将基站标识符（BSID）信息纳入输入特征并使用嵌入层进行编码，以准确表示不同基站的能源指纹，并引入了掩码训练方法和注意机制来提高模型的泛化能力和准确性，在评估中实现了显著改进，将平均绝对百分比误差（MAPE）从 12.75％降低到 4.98％，性能提升超过 60％。
发现论文，激发创造
  • 5G 基站的机器学习和能耗分析模型

    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

  • 5G 无线接入网络能效调查：大规模 MIMO、窄带设计、睡眠模式和机器学习

    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

  • 无线指纹定位的资源感知深度学习

    本文就无线定位方案的发展趋势和制定更可持续的 AI 技术进行了探讨，重点关注了使用深度学习实现指纹定位的能源效率问题，并提出了一种计算深度学习模型复杂度、能耗以及碳足迹，以便制定更节能的无线定位方案的方法。

    Oct, 2022

  • 基于深度上下文多臂赌博算法的 5G 毫米波网络高能效休眠模式优化

    本研究提出了一种用于毫米波基站的睡眠模式优化方法，在 3D 城市环境中通过神经网络和上下文多臂老虎机算法对用户设备进行动态和多样化的流量聚类，采用波束成形技术降低用户设备的能耗，并通过睡眠模式优化策略从基站的角度减少能量消耗，仿真结果表明该方法在用户速率和平均吞吐量上优于其他睡眠模式策略，并在能量效率方面表现出色。

    May, 2024

  • 5G + 移动设备上能源高效的联邦学习

    本文关注如何提高 5G 手机上基于联邦学习的机器学习的能效，探讨了图形处理单元计算和无线传输的能耗模型，以及梯度稀疏化、权重量化、修剪等多种能效学习技术，最终指出了未来几个研究方向。

    Jan, 2021

  • 面向能量感知的蜂窝网络联合流量预测

    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

  • 通过概率机器学习降低无线通信的环境影响

    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

  • 大规模网络中的基于专家知识和机器学习的数据驱动能效建模

    通过使用模拟通信网络 (SRCON) 框架，利用机器学习和专家模型，该研究详细介绍了一种基于真实网络数据的能效模拟方法，用于预测网络能效和用户设备服务质量，从而优化移动网络的能源消耗。

    Dec, 2023

  • 5G 基站流量预测的联邦学习

    本文研究联邦学习应用于基站聚合 LTE 数据的时序预测的有效性。我们使用 5 种不同的神经网络架构在联邦设置下进行一步预测，结果表明：适应联邦设置的学习架构与集中式设置具有相当的预测误差，基站的预处理技术导致更高的预测准确性，而现代聚合器并不比简单的方法好。

    Nov, 2022

  • 物联网无线充电效率监测

    本文提出了一个使用机器学习算法（XGBoost 和神经网络）的能量预估框架，以预测无线充电设备实际接收到的能量水平。收集了真实的无线能量数据集进行训练和测试，结果表明神经网络模型比 XGBoost 模型更准确。

    Mar, 2023