5G RAN中的广义基于Transformer的无线链路故障预测框架
本研究介绍了 TeleGraph 数据集作为评估和促进节点关联技术的方式,表明大多数算法在类似树状的数据集上表现不佳,需要特别关注实际情况下设计或部署节点关联算法。
Apr, 2022
本研究旨在利用移动网络运营商可获得的真实网络数据,对5G网络中的预测延迟进行彻底分析,并利用机器学习中的贝叶斯学习和图学习技术进行概率回归、异常检测和预测预测框架测试,并使用来自车辆移动、城市交通等场景的数据进行验证,结果为预测算法在实际应用中的有效性提供了有价值的见解。
Jul, 2023
近年来, 许多研究探讨了深度学习算法在城市通信网络中确定发射器和接收器对之间的大规模信号衰落(也称为“路损”)的应用。本文通过发布包含真实城市地图和开放数据源的航拍图像的模拟路损无线电地图公共数据集,进行了关于模型架构、输入特征设计以及从航拍图像估计路损地图的初步实验,并提供了相关代码。
Jan, 2024
在这项研究中,我们使用卫星图像数据来预测电信网络的性能,实验证明模型在不同地区都表现出很好的泛化能力,并且对于新部署的站点提供了一个可行的初始性能估计方法。
Apr, 2024
从电信角度看,用户数量和增长的服务对下一代网络提出了交通需求和资源限制。准确的交通预测可以为网络运营商提供宝贵的网络状况洞察,并建议最优分配策略。最近,使用图神经网络的时空预测方法已成为蜂窝网络流量预测的一种有前景的方法。然而,现有的研究借鉴了道路流量预测的方法,忽视了基站的动态部署和移除,要求基于图神经网络的预测模型能处理不断演化的图。本文提出了一种新颖的归纳学习方案和一个通用的基于图神经网络的预测模型,可以一次训练就能处理多样化的蜂窝网络流量图。我们还证明了该模型可以轻松地进行迁移学习,使其适用于不同领域。实验结果表明,在稀缺数据的情况下,与最先进技术相比,性能提升高达9.8%,特别是当训练数据减少到20%以下的情况。
May, 2024
通过分析电磁波对降雨的影响,以及其对移动网络性能的影响,本文提出了一种将时间序列数据编码为图像并利用卷积神经网络作为图像分类问题的新方法,以解决在4G/LTE移动终端中从接收信号水平(RSL)中识别特定天气现象的问题,并通过不同的数据增强方法,如移动平均值等,对时间序列进行增强。通过综合分析所使用的数据集,进行降雨估计任务以及时间序列转换为图像的方法,最后通过实验展示和讨论结果,为读者提供简洁而综合的概述。
Jun, 2024
全球站点天气预测(GSWF)对航空、农业、能源和灾害准备等各个领域至关重要。最近深度学习的进展通过基于公共气象数据优化模型,显著提高了天气预测的准确性。然而,现有的GSWF优化和基准数据集仍存在重大限制,如规模小、时间覆盖有限和缺乏全面的变量。为了应对这些挑战,我们推出了WEATHER-5K数据集,它包含来自全球5,672个气象站点的全面数据收集,涵盖了10年的时间间隔为一小时。该数据集包含多个关键的天气要素,为预测提供了更可靠、可解释的资源。此外,我们的WEATHER-5K数据集可作为评估现有著名预测模型的基准,扩展到GSWF方法之外,支持未来的时间序列研究挑战和机会。数据集和基准实现已公开在:这个https网址。
Jun, 2024
5G技术带来了重大的里程碑发展,允许新的应用,如增强现实和自动驾驶车辆。然而,这些改进带来了管理复杂性的增加和对故障处理的特别关注,因为5G旨在支持的应用程序严重依赖于高网络性能和低延迟。因此,自动自愈解决方案已经成为处理这一要求的有效方式,允许基于学习的系统自动检测异常并执行根本原因分析(RCA)。然而,实施这种智能系统存在固有的挑战。首先,在异常检测和RCA方面缺乏合适的数据,因为故障场景的标记数据不常见。其次,当前的智能解决方案针对LTE网络定制,没有完全捕捉到数据中存在的时空特征。鉴于此,我们利用一个校准的模拟器Simu5G,生成开源的正常和故障场景数据。使用该数据,我们提出了Simba,一个在5G无线接入网络(RANs)中进行异常检测和根本原因分析的最先进方法。我们利用图神经网络来捕捉空间关系,而Transformer模型则用于学习数据的时间依赖性。我们实现了Simba的原型并对多个故障进行了评估。将结果与现有解决方案进行比较,验证了Simba的优越性。
Jun, 2024