基于 GCN 的面向吞吐率的稠密 5G 车联网手接管理
机器学习
2025-05-09 v1
摘要
5G 的快速发展已变革了车联网络，提供了高带宽、低时延和快速数据速率，对于智慧城市和车辆中的实时应用至关重要。这些改进提升了交通安全和娱乐服务。然而，5G 网络中的覆盖范围有限且频繁的切换在高动态环境下尤其会导致网络不稳定，尤其是因 Ping-Pong 效应。在此基础上，本文提出了 TH-GCN（面向吞吐率的图卷积网络），用于优化稠密 5G 网络中的手接管理。通过图神经网络（GNN），TH-GCN 将车辆和基站建模为动态图中的节点，图中包含信噪质量、吞吐率、车辆速度和基站负载等特征。通过集成用户设备和基站的视角，这种双中心方法实现了自适应的、实时的手接决策，从而提高网络稳定性。仿真结果表明，TH-GCN 可将手接次数降低最高 78%，并将信噪质量提高 10%，优于现有方法。
引用
@article{arxiv.2505.04894,
title = {GCN-Based Throughput-Oriented Handover Management in Dense 5G Vehicular Networks},
author = {Nazanin Mehregan and Robson E. De Grande},
journal= {arXiv preprint arXiv:2505.04894},
year = {2025}
}
备注
Accepted at IEEE DCOSS-IoT 2025