Les chercheurs proposent d'utiliser un Réseau Neurale Graphique Spatio-Temporel Spectral (StemGNN) pour prédire les états futurs d'ordonnancement des équipements utilisateurs, afin de répondre à la dégradation des performances dans les réseaux 5G distribués causée par la latence du backhaul. En remplaçant les informations inter-cellules obsolètes par ces prédictions, le framework atténue les effets négatifs de la coordination retardée sur le beamforming coordonné.
- StemGNN atteint une précision moyenne de prédiction d'ordonnancement de 87,57 %, surpassant les bases LSTM, GRU, Simple RNN et chaîne de Markov sur tous les horizons évalués.
- Le modèle montre des gains allant jusqu'à 7,71 % par rapport à LSTM aux horizons plus longs où les dépendances structurelles inter-équipements utilisateurs dominent.
- Intégré au beamforming coordonné, les prédictions récupèrent 57 à 73 % de la perte de débit total causée par un intervalle de temps de transmission de délai de backhaul.
- Cette approche améliore le débit total de 9,58 à 14,35 % par rapport à la base sans prédiction et récupère jusqu'à 83 % de la perte d'équité Lag-1 pour les utilisateurs en bordure de cellule.
Traiter la latence du backhaul comme un problème de prévision spatio-temporel fournit une méthode efficace pour maintenir une coordination inter-cellules robuste dans les réseaux sous contrainte de délai.