一种基于嵌套交叉验证的机器学习新方法用于高铁系统负载均衡
机器学习
2023-10-03 v1 网络与互联网体系结构
摘要
第五代(5G)移动通信网络最近已在包括高铁在内的多个领域出现。然而，5G毫米波(mmWave)基站(BS)的密集部署与列车的高速运动导致频繁切换(HO)，这会对移动用户的服务质量(QoS)产生不利影响。因此，切换优化与资源分配是高铁系统移动性管理的重要考量。在本文中，我们用一种新颖的机器学习(ML)方法——嵌套交叉验证方案——对高铁系统的系统性能进行建模，该方案防止模型评估中的信息泄漏到模型参数调优中，从而避免过拟合并得到更好的泛化误差。为此，我们针对高铁系统场景采用ML方法。切换余量(HOM)和时间触发(TTT)值用作特征，若干KPI用作输出，并采用若干ML方法包括梯度提升回归(GBR)、自适应提升(AdaBoost)、CatBoost回归(CBR)、人工神经网络(ANN)、核岭回归(KRR)、支持向量回归(SVR)和k近邻回归(KNNR)来解决该问题。最后，依据平均绝对误差(MAE)和均方误差(MSE)指标，对交叉验证方案与各方法的性能进行比较。根据所得结果，采用嵌套交叉验证方案的提升方法ABR、CBR、GBR明显优于相同方法下的常规交叉验证方案结果。另一方面，采用嵌套方案的SVR、KNRR、KRR、ANN在某些KPI的预测上相对于其常规方案应用产生了有前景的结果。
引用
@article{arxiv.2310.01034,
title = {A Novel Approach for Machine Learning-based Load Balancing in High-speed Train System using Nested Cross Validation},
author = {Ibrahim Yazici and Emre Gures},
journal= {arXiv preprint arXiv:2310.01034},
year = {2023}
}
备注
Accepted by IEEE Wincom'23