Para peneliti mengusulkan penggunaan Jaringan Syaraf Graf Temporal Spekttral (StemGNN) untuk memprediksi keadaan penjadwalan peralatan pengguna di masa depan, mengatasi degradasi kinerja dalam jaringan 5G terdistribusi yang disebabkan oleh latensi backhaul. Dengan mengganti informasi antar-sel yang usang dengan prediksi ini, kerangka kerja mengurangi efek negatif dari koordinasi tertunda pada beamforming terkoordinasi.
- StemGNN mencapai akurasi prediksi penjadwalan rata-rata sebesar 87,57%, mengungguli baseline LSTM, GRU, Simple RNN, dan rantai Markov di semua horizon yang dievaluasi.
- Model menunjukkan peningkatan hingga 7,71% dibandingkan dengan LSTM pada horizon yang lebih panjang di mana ketergantungan struktural antar-peralatan pengguna mendominasi.
- Terintegrasi ke dalam beamforming terkoordinasi, prediksi memulihkan 57-73% dari kehilangan laju jumlah yang disebabkan oleh satu interval waktu transmisi keterlambatan backhaul.
- Pendekatan ini meningkatkan laju jumlah sebesar 9,58-14,35% dibandingkan baseline tanpa prediksi dan memulihkan hingga 83% dari kehilangan keadilan Lag-1 untuk pengguna di tepi sel.
Memperlakukan latensi backhaul sebagai masalah peramalan spasial-temporal menyediakan metode yang efektif untuk mempertahankan koordinasi antar-sel yang kuat dalam jaringan dengan batasan keterlambatan.