用于 URLLC 场景下干扰预测与资源分配的非线性自回归神经网络
信号处理
2021-12-01 v1
摘要
超可靠低时延通信（URLLC）是 5G 中引入的一类新服务，其特征是严格的可靠性 和低时延要求（1 ms）。为满足这些要求，已开发了过度资源配置和信道预测算法等多种策略。本文描述了一种非线性自回归神经网络（NARNN）的应用，作为一种新颖方法来预测无线系统中的干扰水平，以实现高效的资源分配。准确的干扰预测还使得在 URLLC 场景中满足特定中断概率要求成为可能。该方案的性能源于 NARNN 预测精度与系统资源使用情况的评估。我们提出的方法在干扰预测上取得了 7.8% 的有望平均绝对百分比误差，并且与近期提出的干扰预测算法相比，资源使用最多减少了 15%。
引用
@article{arxiv.2111.15630,
title = {A Nonlinear Autoregressive Neural Network for Interference Prediction and Resource Allocation in URLLC Scenarios},
author = {Christian Padilla and Ramin Hashemi and Nurul Huda Mahmood and Matti Latva-aho},
journal= {arXiv preprint arXiv:2111.15630},
year = {2021}
}
备注
6 pages, 8 figures