Pesquisadores propõem o uso de uma Rede Neural Gráfica Espacial-Temporal (StemGNN) para prever os estados futuros de agendamento dos equipamentos de usuário, abordando a degradação de desempenho em redes 5G distribuídas causada pela latência do backhaul. Ao substituir informações intercelulares desatualizadas por essas previsões, o framework mitiga os efeitos negativos da coordenação atrasada no beamforming coordenado.
- StemGNN atinge uma precisão média de previsão de agendamento de 87,57%, superando as bases LSTM, GRU, Simple RNN e cadeia de Markov em todos os horizontes avaliados.
- O modelo mostra ganhos de até 7,71% sobre o LSTM em horizontes mais longos, onde as dependências estruturais entre equipamentos de usuário predominam.
- Integrado ao beamforming coordenado, as previsões recuperam 57-73% da perda de taxa de soma causada por um intervalo de tempo de transmissão de atraso no backhaul.
- Esta abordagem melhora a taxa de soma em 9,58-14,35% em relação à base sem previsão e recupera até 83% da perda de justiça Lag-1 para usuários na borda da célula.
Tratar a latência do backhaul como um problema de previsão espaço-temporal fornece um método eficaz para manter uma coordenação intercelular robusta em redes com restrições de atraso.