يقترح الباحثون استخدام شبكة عصبية رسومية طيفية زمنية (StemGNN) للتنبؤ بحالات جدولة معدات المستخدم المستقبلية، لمعالجة تدهور الأداء في شبكات الجيل الخامس الموزعة الناجم عن زمن انتقال الخلفية. من خلال استبدال معلومات الخلايا القديمة بهذه التنبؤات، يخفف الإطار من الآثار السلبية للتنسيق المتأخر على تشكيل الحزمة المنسق.
- يحقق StemGNN دقة متوسطة للتنبؤ بالجدولة تبلغ 87.57٪، متفوقًا على الأساسيات LSTM وGRU وSimple RNN وسلسلة ماركوف عبر جميع الأفق الزمني المُقيّمة.
- يُظهر النموذج مكاسب تصل إلى 7.71٪ مقارنة بـ LSTM في الأفق الزمني الأطول حيث تهيمن التبعيات الهيكلية بين معدات المستخدم.
- مُدمجًا في تشكيل الحزمة المنسق، تستعيد التنبؤات 57-73٪ من فقدان معدل المجموع الناتج عن فترة نقل واحدة لتأخير الخلفية.
- تحسّن هذه النهج معدل المجموع بنسبة 9.58-14.35٪ مقارنة بالأساس بدون تنبؤ وتستعيد ما يصل إلى 83٪ من فقدان الإنصاف Lag-1 لمستخدمي حافة الخلية.
يعتبر تأخير الخلفية كمشكلة توقع مكاني زمني يوفر طريقة فعالة للحفاظ على تنسيق قوي بين الخلايا في الشبكات ذات القيود الزمنية.