Key points are not available for this paper at this time.
لتلبية المتطلبات المتنوعة ولكن الصارمة للغاية للجيل الخامس، أصبحت عملية نشر الشبكة الفعالة من حيث التكلفة واستخدام الموارد الشبكية بوعي حركة المرور أمراً أساسياً. تعتمد هذه الورقة مخطط تشغيل خلايا صغيرة افتراضية معتمداً على توقع النقاط الساخنة لتحسين كفاءة التكلفة وكفاءة التشغيل في شبكات الجيل الخامس. تركز هذه الورقة على كيفية توقع النقاط الساخنة باستخدام التعلم العميق، ثم توضح كيف يمكن الاستفادة من هذه التوقعات لدعم تشكيل الأشعة التكيفية وتشغيل خلايا VSC. أولاً، نستفيد من قدرات استخراج الميزات للتعلم العميق ونستغل استخدام شبكة عصبية من نوع الذاكرة طويلة وقصيرة الأجل (LSTM) لتحقيق توقع النقاط الساخنة لتشكيل محتمل لـ VSCs. لدعم تشغيل VSCs، يتم ضبط تشكيل الأشعة الهجينة المعتمدة على مصفوفة هوائيات كبيرة الحجم بشكل تكيفي للإرسال عالي الاتجاه لتغطية هذه الأنظمة VSCs المعتمدة على النقاط الساخنة. داخل كل VSC، يتم اختيار معدات مستخدم مناسبة كرأس خلية لجمع حركة المرور داخل الخلية في نطاق غير مرخص ويقوم بنقل حركة المرور المجمعة إلى محطة قاعدة الخلية الكبيرة باستخدام النطاق المرخص. توضح نتائج المحاكاة لدينا أن الطريقة المقترحة المعتمدة على LSTM يمكن أن تستخرج ميزات حركة المرور المكانية والزمانية للنقاط الساخنة بدقة أعلى، مقارنة ببعض الأساليب الحالية للتعلم العميق وغير العميق. كما تظهر النتائج الرقمية أن VSCs مع توقع النقاط الساخنة وتشكيل الأشعة الهجينة يمكن أن تحسن كفاءة الطاقة بشكل كبير مع نشر مرن وزمن استجابة منخفض، مقارنة بسيناريو الخلايا الصغيرة الثابتة الالتفافية.
دراسة ليو وآخرون (جمعة) هذا السؤال.