基于MDT数据与深度强化学习的蜂窝网络容量与覆盖增强
网络与互联网体系结构
2023-01-30 v1 机器学习
摘要
近年来，通信网络中数据和计算资源的可用性显著增加。这促使数据驱动算法超越模型驱动算法，用于网络自动化。本文研究了一种最小化路测（MDT）驱动的深度学习强化（DRL）算法，通过调节TIM蜂窝网络中信元簇的天线倾角来优化覆盖与容量。我们联合利用MDT数据、电磁仿真和网络关键性能指标（KPIs）来定义一个模拟网络环境，用于训练深度Q网络（DQN）智能体。对经典DQN公式做了一些调整，以提升智能体的样本效率、稳定性和性能。特别地，设计了一种自定义探索策略，在训练时引入软约束。结果表明，所提算法在长期回报和样本效率方面优于DQN和最佳优先搜索等基线方法。我们的结果表明，MDT驱动的方法构成了移动无线网络自主覆盖与容量优化的有力工具。
引用
@article{arxiv.2202.10968,
title = {Cellular Network Capacity and Coverage Enhancement with MDT Data and Deep Reinforcement Learning},
author = {Marco Skocaj and Lorenzo Mario Amorosa and Giorgio Ghinamo and Giuliano Muratore and Davide Micheli and Flavio Zabini and Roberto Verdone},
journal= {arXiv preprint arXiv:2202.10968},
year = {2023}
}
备注
15 pages, 17 figures