تصل بيانات استشعار التلخيص المتعدد المحطات عادةً بشكل غير مرتب إلى تقنية (O-RAN) Near-RT RIC بسبب التذبذب غير المحدد في حزم البروتوكولات المعتمدة على السحابة، مما يسبب تأثير "خلط زمني" يُ invalidates الدمج المكاني التقليدي. لسد هذه الفجوة، نقدم مفهوم عمر الاستشعار (AoS) كمقياس موثوقية ديناميكي للتقارير الاستشعارية غير المتزامنة ونؤسس نموذج شبكة عصبية بيانية (GNN) على دراية بـ AoS لدمج الاستشعار غير المتزامن. يُحول هذا النموذج التركيز من التجميع المكاني التقليدي فقط إلى استنتاج واعٍ بالوقت عن طريق دمج نضارة الاستشعار بشكل صريح في الدمج القائم على الرسم البياني. كتحقيق مستنير فيزيائي لهذا النموذج، نقدم دمج واعٍ بالوقت (TA-Fusion) الذي يقدم آلية بوابة TA لإعادة معايرة ثقة العقد قبل تجميع الرسم البياني. على عكس الدمج السلبي للميزات، تعمل بوابة TA كإشارة تحكم نشطة لإعطاء أولوية لبيانات التلخيص الحديثة مع تخفيف القيم الشاذة القديمة بشكل تكيفي. على معيار موحد لـ O-RAN، تحقق TA-Fusion نسبة خطأ جذر المتوسط التربيعي (RMSE) قدرها 12.22 م، مما يوفر تخفيضًا قدره 21.7% في معدل الخطأ المطلق (MAE) مقارنة بأسلوب GNN المعتمد على AoS، مع الحفاظ على القوة في سيناريوهات التذبذب الشديد حيث تعاني الأساليب الخطية التقليدية من تدهور دقيق شديد نظرًا لمنطق الوزن الثابت الخاص بها. تؤكد عمليات محاكاة Monte Carlo الواسعة أن الإطار يحافظ على حدود خطأ ثابتة عبر هندسات محطات الأساس المتنوعة دون إعادة المعايرة اليدوية. تدعم هذه النتائج الإمكانية في الوقت الحقيقي للنموذج المقترح لخدمات الاستشعار والاتصالات المتكاملة (ISAC) ذات الحساسية الكبيرة لتأخيرات، مما يوفر أساسًا مكانيًا مرنًا لإدارة 6G تحت تذبذبات طبقة الشبكة الكبيرة.
قام شين وآخرون (سون،) بدراسة هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: