Los investigadores proponen utilizar una Red Neuronal Gráfica Espaciotemporal Espectral (StemGNN) para predecir los estados futuros de programación del equipo de usuario, abordando la degradación del rendimiento en redes 5G distribuidas causada por la latencia del enlace troncal. Al reemplazar la información intercelular desactualizada con estas predicciones, el marco mitiga los efectos negativos de la coordinación retardada en la formación de haz coordinada.
- StemGNN logra una precisión media de programación de 87,57%, superando a LSTM, GRU, Simple RNN y cadenas de Markov como líneas base en todos los horizontes evaluados.
- El modelo muestra ganancias de hasta 7,71% sobre LSTM en horizontes más largos donde dominan las dependencias estructurales entre equipos de usuario.
- Integrado en la formación de haz coordinada, las predicciones recuperan del 57% al 73% de la pérdida de tasa sumatoria causada por un intervalo de tiempo de transmisión de retardo en el enlace troncal.
- Este enfoque mejora la tasa sumatoria entre 9,58% y 14,35% respecto a la línea base sin predicción y recupera hasta el 83% de la pérdida de equidad Lag-1 para los usuarios en el borde de la celda.
Tratar la latencia del enlace troncal como un problema de pronóstico espaciotemporal proporciona un método eficaz para mantener una coordinación intercelular robusta en redes con restricciones de retardo.