通过AI辅助信号质量预测实现6G多无线接入技术网络中的智能动态切换
机器学习
2025-10-17 v1 网络与互联网体系结构
摘要
6G多无线接入技术(multi-RAT)网络的新兴范式，其中蜂窝和无线保真(WiFi)发射机共存，要求移动性决策在快速信道动态、干扰和异构覆盖下保持可靠。多RAT部署中的切换仍然是高度反应性和事件触发的，依赖于瞬时测量和阈值事件。本文提出了一种基于模型驱动和短时域信号质量预测的机器学习(ML)辅助预测性条件切换(P-CHO)框架。我们提出了一个由RAT转向控制器编排的通用P-CHO序列工作流，该工作流标准化了数据收集、并行每RAT预测、基于迟滞条件的决策逻辑以及CHO执行。考虑一个现实的多RAT环境，我们训练了RAT感知的长短期记忆(LSTM)网络，以预测沿随机轨迹移动用户的信号质量指标。所提出的P-CHO模型在蜂窝和IEEE 802.11 WiFi集成覆盖的不同信道模型下进行训练和评估。我们研究了不同系统设置下LSTM模型超参数调优的影响，并比较了直接多步与递归P-CHO变体。还与基线预测器进行了比较。最后，所提出的P-CHO在软切换和硬切换设置下进行了测试，结果表明，启用迟滞的P-CHO方案能够减少切换失败和乒乓事件。总体而言，所提出的P-CHO框架能够实现准确、低延迟和主动的切换，适用于6G多RAT部署中ML辅助的切换转向。
引用
@article{arxiv.2510.14832,
title = {Intelligent Dynamic Handover via AI-assisted Signal Quality Prediction in 6G Multi-RAT Networks},
author = {Maria Lamprini A. Bartsioka and Anastasios Giannopoulos and Sotirios Spantideas},
journal= {arXiv preprint arXiv:2510.14832},
year = {2025}
}
备注
9 pages, 17 figures