Resumen

Las futuras redes celulares de alta velocidad requieren mecanismos de transferencia eficientes y rápidos. Sin embargo, las transferencias celulares tradicionales se basan en mediciones de la potencia de la radio de la celda objetivo que requieren brechas de medición frecuentes. Durante estas ventanas de medición, la transmisión de datos se detiene cada vez, mientras se miden los rodamientos objetivo, lo que causa una degradación seria del rendimiento. Por lo tanto, se prefieren las técnicas de transferencia basadas en predicciones para eliminar las ventanas de medición frecuentes. Así, este trabajo propone una técnica de transferencia predictiva ultrarrápida y eficiente basada en XGBoost para las comunicaciones móviles de próxima generación. En general, el algoritmo de ML prefiere el 70% de datos de entrenamiento y prueba, respectivamente. Sin embargo, obtener siempre el 70% de muestras de entrenamiento en comunicaciones móviles es un desafío porque el canal permanece correlacionado solo dentro del tiempo de coherencia. Por lo tanto, recopilar muestras de entrenamiento más allá de los límites de tiempo de coherencia afecta el rendimiento y agrega retraso; por lo tanto, el trabajo propuesto entrena el modelo dentro del tiempo de coherencia donde esta división fija de datos del 70% y 30% hace que el modelo exceda el tiempo de coherencia. A pesar de que el modelo propuesto carece de las muestras de entrenamiento requeridas, no hay pérdida en la precisión de la predicción. Los resultados de las pruebas muestran una mejora máxima en el retraso de hasta 596ms con una eficiencia de rendimiento mejorada del 68.70% dependiendo del escenario. El modelo propuesto reduce el retraso y mejora la eficiencia al tener un período de entrenamiento apropiado; así, la técnica inteligente se activa más rápido con una precisión mejorada y elimina el retraso en el algoritmo para predecir la intensidad de la señal de mmWaves en contraste con medirlas realmente.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Eficacia; Mecanismos de traspaso; Predicción; XGBoost; Comunicaciones móviles; Muestras de entrenamiento
• Keywords:Efficient; Handover mechanisms; Prediction-based; XGBoost-based; Mobile communications; Training samples