UAV 지원 6G 핫스팟 네트워크를 위한 공간 딥러닝 기반 동적 TDD 제어

정적 시간 분할 중복(TDD)과 비교할 때, 동적 TDD(D-TDD)는 셀룰러 네트워크의 스펙트럼 효율성을 크게 증가시켰습니다. 그러나 기존 시스템은 정확한 채널 상태 정보를 기반으로 작동하여 높은 통신 오버헤드와 지연을 초래합니다. 공간 딥러닝은 공간 지리 정보를 훈련 데이터로 사용하는 것을 의미합니다. 본 연구에서는 6G 핫스팟 네트워크를 위한 공간 딥러닝 기반 D-TDD 방안을 조사합니다. 첫째, 교통 수요 밀도 그리드 행렬의 형태로 지리적 위치 정보를 나타냅니다. 둘째, 교통 수요 밀도 그리드 행렬을 입력으로 사용하여 업링크 및 다운링크 서비스 이득과 손해의 차별화된 특징을 추출하기 위해 공간 컨볼루션 필터를 사용합니다. 이후, 추출된 특징 행렬은 분류를 위한 계산 비용을 줄이기 위해 스파스 컨볼루션 블록으로 처리됩니다. 마지막으로, 모든 기지국에 대한 최적에 가까운 무선 슬롯 구성을 효율적으로 학습하기 위해 추출된 특징을 활용한 새로운 딥 듀얼 신경망을 개발합니다. 수치 결과는 제안된 접근 방식이 최신 중앙 집중식 D-TDD, 경쟁 강화 학습 및 탐욕적 접근 방식에서 달성한 것보다 사용자당 평균 비율을 각각 2.5%, 6%, 523.3% 개선함을 보여줍니다. 또한, 제안된 접근 방식은 고급 검색 알고리즘을 통해 최적 방안의 데이터 전송률 성능의 최대 98.7%를 달성합니다.