用于主动切换预测的元持续移动性预测
机器学习
2025-12-16 v1 网络与互联网体系结构
摘要
短期移动性预测是蜂窝网络中主动切换的核心需求。真实世界的移动性具有高度非平稳性：急转弯、速度突变和不可预测的用户行为会导致传统预测器发生漂移，从而导致切换时机不当或失败。我们提出了一种轻量级的元持续预测框架，该框架集成了基于 GRU 的预测器、用于快速少样本自适应的 Reptile 元初始化，以及一个仅在发生漂移时触发紧凑在线更新的 EWMA 残差检测器。在可复现的 GeoLife 和 DeepMIMO 流水线上进行评估，我们的方法在零样本设置下实现了 4.46 m 的 ADE 和 7.79 m 的 FDE，在 10-shot 下将少样本 ADE 提升至 3.71 m，并且从突发漂移中恢复的速度比离线 GRU 快约 2 到 3 倍。应用于下游 HO 预测时，该方法将 F1 提高至 0.83，AUROC 提高至 0.90，同时显著减少了漏检 HO 和乒乓事件。该模型轻量级（128k 参数），适合在 5G 和 6G 系统中进行边缘部署。
引用
@article{arxiv.2512.11841,
title = {Meta-Continual Mobility Forecasting for Proactive Handover Prediction},
author = {Sasi Vardhan Reddy Mandapati},
journal= {arXiv preprint arXiv:2512.11841},
year = {2025}
}
备注
6 pages, 1 figure