基于机器学习的利用被动下行链路指标预测LTE及即将到来的5G网络上行传输功率
网络与互联网体系结构
2020-02-20 v2
摘要
节能系统设计对于基于静态和移动物联网(IoT)的传感器节点而言是一项重要的优化任务，尤其是对于移动机器人系统等高度资源受限的载具。对于基于4G/5G的蜂窝通信系统，上行数据传输的有效传输功率对于整体系统功耗至关重要。不幸的是，该信息通常隐藏在现成调制解调器和移动手持设备内部，因此无法被用于实现绿色通信。此外，在大多数既有的仿真框架中，移动设备的动态传输功率控制行为甚至未被显式建模。在本文中，我们提出了一种新颖的基于机器学习的方法，用于根据可用的被动网络质量指标和应用层信息预测数据传输出所用的上行传输功率。该模型源自在公共蜂窝网络中进行的综合路测数据，并可被参数化以将给定目标平台能够提供的一切测量值整合进预测过程。在三种不同机器学习方法的比较中，随机森林(Random-Forest)模型表现最为优异，平均绝对误差为3.166 dB。由于误差绝对值之和趋于零，且平均在28次预测后降至1 dB以下，该方法非常适用于长期功率估计。
引用
@article{arxiv.1806.06620,
title = {Machine Learning Based Uplink Transmission Power Prediction for LTE and Upcoming 5G Networks using Passive Downlink Indicators},
author = {Robert Falkenberg and Benjamin Sliwa and Nico Piatkowski and Christian Wietfeld},
journal= {arXiv preprint arXiv:1806.06620},
year = {2020}
}