Resumen

Las futuras redes celulares de alta velocidad requieren mecanismos eficientes y rápidos de transferencia. Sin embargo, las transferencias celulares tradicionales se basan en mediciones de la potencia de radio de la celda objetivo que requieren brechas frecuentes en las mediciones. Durante estas ventanas de medición, la transmisión de datos se detiene cada vez, mientras que se miden los niveles de la celda 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. Por lo tanto, este trabajo propone una técnica de transferencia predictiva ultra rápida y eficiente basada en XGBoost para las comunicaciones móviles de próxima generación. En general, el algoritmo de aprendizaje automático 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

• 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