研究人员提出使用时频图神经网络（StemGNN）来预测未来的用户设备调度状态，以解决由回程延迟引起的分布式5G网络中的性能下降问题。通过用这些预测值替换过时的小区间信息，该框架减轻了协调延迟对协同波束成形的负面影响。

  • StemGNN 实现了87.57%的平均调度预测准确率，在所有评估的时间范围内均优于LSTM、GRU、Simple RNN和马尔可夫链基线。
  • 在用户设备间结构依赖性占主导的较长时间范围内，该模型相比LSTM最高可获得7.71%的性能增益。
  • 集成到协同波束成形中，这些预测值恢复了由一个传输时间间隔（TTI）的回程延迟引起的57-73%的总速率损失。
  • 与无预测基线相比，该方法将总速率提高了9.58-14.35%，并恢复了高达83%的小区边缘用户的Lag-1公平性损失。

将回程延迟视为时空预测问题，为在延迟受限的网络中维持稳健的小区间协调提供了一种有效的方法。