Исследователи предлагают использовать спектрально-временную графовую нейронную сеть (StemGNN) для прогнозирования будущих состояний планирования пользовательского оборудования, решая проблему снижения производительности в распределённых сетях 5G, вызванную задержкой магистральной сети. Заменяя устаревшую межъячеичную информацию этими прогнозами, система смягчает негативные эффекты запаздывания координации для согласованного формирования луча.
- StemGNN достигает средней точности прогнозирования расписания 87,57%, превосходя базовые модели LSTM, GRU, Simple RNN и марковские цепи на всех оценённых горизонтах.
- Модель демонстрирует прирост до 7,71% по сравнению с LSTM на более длинных горизонтах, где доминируют структурные зависимости между пользовательскими устройствами.
- Интегрированный в согласованное формирование луча, прогноз восстанавливает 57–73% потери суммарной пропускной способности, вызванной задержкой магистральной сети в один интервал передачи.
- Этот подход увеличивает суммарную пропускную способность на 9,58–14,35% по сравнению с базовым уровнем без прогнозирования и восстанавливает до 83% потери справедливости Lag-1 для пользователей на границе ячейки.
Рассмотрение задержки магистральной сети как задачи пространственно-временного прогнозирования обеспечивает эффективный метод поддержания надёжной межъячеичной координации в сетях с ограничениями по задержке.