論文の概要: Cellular Network Capacity and Coverage Enhancement with MDT Data and
Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2202.10968v1
- Date: Tue, 22 Feb 2022 15:16:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-24 05:49:49.877651
- Title: Cellular Network Capacity and Coverage Enhancement with MDT Data and
Deep Reinforcement Learning
- Title(参考訳): MDTデータと深部強化学習によるセルラーネットワーク容量と被覆性向上
- Authors: Marco Skocaj, Lorenzo Mario Amorosa, Giorgio Ghinamo, Giuliano
Muratore, Davide Micheli, Flavio Zabini, Roberto Verdone
- Abstract要約: 本稿では,TIMのセルネットワークからセル群に傾斜したアンテナをチューニングすることにより,DRL(Deep Reinforcement Learning)アルゴリズムを用いて,範囲とキャパシティを最適化する。
我々は、MDTデータ、電磁シミュレーション、ネットワークキーパフォーマンスインジケータ(KPI)を併用して、Deep Q-Network(DQN)エージェントのトレーニングのためのシミュレーションネットワーク環境を定義する。
- 参考スコア(独自算出の注目度): 2.2412873466757297
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recent years witnessed a remarkable increase in the availability of data and
computing resources in communication networks. This contributed to the rise of
data-driven over model-driven algorithms for network automation. This paper
investigates a Minimization of Drive Tests (MDT)-driven Deep Reinforcement
Learning (DRL) algorithm to optimize coverage and capacity by tuning antennas
tilts on a cluster of cells from TIM's cellular network. We jointly utilize MDT
data, electromagnetic simulations, and network Key Performance indicators
(KPIs) to define a simulated network environment for the training of a Deep
Q-Network (DQN) agent. Some tweaks have been introduced to the classical DQN
formulation to improve the agent's sample efficiency, stability, and
performance. In particular, a custom exploration policy is designed to
introduce soft constraints at training time. Results show that the proposed
algorithm outperforms baseline approaches like DQN and best-fist search in
terms of long-term reward and sample efficiency. Our results indicate that
MDT-driven approaches constitute a valuable tool for autonomous coverage and
capacity optimization of mobile radio networks.
- Abstract(参考訳): 近年では、通信ネットワークにおけるデータおよびコンピューティングリソースの可用性が著しく向上している。
これにより、ネットワーク自動化のためのモデル駆動アルゴリズムよりもデータ駆動型のアルゴリズムが台頭した。
本稿では,timのセルネットワークのクラスタ上でアンテナの傾きを調整してカバレッジとキャパシティを最適化する,ドライブテスト(mdt)駆動型深層強化学習(drl)アルゴリズムの最小化について検討する。
我々は、MDTデータ、電磁シミュレーション、ネットワークキーパフォーマンスインジケータ(KPI)を併用して、Deep Q-Network(DQN)エージェントのトレーニングのためのシミュレーションネットワーク環境を定義する。
エージェントのサンプル効率、安定性、性能を改善するために、古典的なDQNの定式化が導入された。
特に、訓練時にソフト制約を導入するためにカスタムサーベイポリシーが設計されている。
その結果,提案アルゴリズムは,DQNやベストリスト検索などのベースライン手法よりも長期報酬やサンプル効率に優れていた。
以上の結果から,MTTによるアプローチは,移動無線ネットワークの自律的カバレッジとキャパシティ最適化に有用なツールであることが示唆された。
関連論文リスト
- Energy-Efficient Federated Edge Learning with Streaming Data: A Lyapunov Optimization Approach [34.00679567444125]
本研究では,長期エネルギー制約下でのデータ到着や資源の可利用性に固有のランダム性に対処する動的スケジューリングと資源割当アルゴリズムを開発した。
提案アルゴリズムは, デバイススケジューリング, 計算容量調整, 帯域幅の割り当ておよび各ラウンドの送信電力を適応的に決定する。
本手法の有効性をシミュレーションにより検証し,ベースライン方式と比較して学習性能とエネルギー効率が向上したことを示す。
論文 参考訳(メタデータ) (2024-05-20T14:13:22Z) - RACH Traffic Prediction in Massive Machine Type Communications [5.416701003120508]
本稿では,ALOHAネットワークにおけるバーストトラフィック予測に適した機械学習ベースのフレームワークを提案する。
我々は,mMTCネットワークから頻繁に収集されたデータを活用することでLSTMネットワークの状態を更新する,新しい低複雑さオンライン予測アルゴリズムを開発した。
本研究では,単一基地局と数千のデバイスを異なるトラフィック発生特性を持つグループに編成したネットワーク上でのフレームワークの性能を評価する。
論文 参考訳(メタデータ) (2024-05-08T17:28:07Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳(メタデータ) (2023-09-02T11:01:16Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳(メタデータ) (2023-05-30T08:24:01Z) - Using Neural Networks by Modelling Semi-Active Shock Absorber [0.0]
絶え間なく増加する自動車制御システムには、デジタルマッピングに対する新しいアプローチが必要である。
ニューラルネットワーク(NN)を適用する様々な手法は、自動車制御系設計における関連するデジタルツイン(DT)ツールの候補となる。
本稿では, 半能動衝撃吸収器のモデリングにより, 回帰タスクを効率的に処理する方法を示す。
論文 参考訳(メタデータ) (2022-07-19T09:21:21Z) - Reinforcement Learning-Empowered Mobile Edge Computing for 6G Edge
Intelligence [76.96698721128406]
モバイルエッジコンピューティング(MEC)は、第5世代(5G)ネットワークなどにおける計算と遅延に敏感なタスクのための新しいパラダイムであると考えた。
本稿では、フリー対応RLに関する総合的な研究レビューと、開発のための洞察を提供する。
論文 参考訳(メタデータ) (2022-01-27T10:02:54Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳(メタデータ) (2021-08-09T08:45:47Z) - Data-Driven Random Access Optimization in Multi-Cell IoT Networks with
NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。
本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。
ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文 参考訳(メタデータ) (2021-01-02T15:21:08Z) - Deep Reinforcement Learning Based Mobile Edge Computing for Intelligent
Internet of Things [10.157016543999045]
我々は、深層強化学習アルゴリズムを用いて、オフロード戦略をインテリジェントに提案することで、システムを考案する。
ディープQネットワークは、システムパフォーマンスを最適化するために、オフロードの決定を自動的に学習するために使用される。
ニューラルネットワーク(NN)は、環境システムからトレーニングデータが生成されるオフロード動作を予測するために訓練される。
特に、提案した深部強化学習に基づくアルゴリズムにより、レイテンシとエネルギー消費のシステムコストを大幅に削減することができる。
論文 参考訳(メタデータ) (2020-08-01T11:45:54Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳(メタデータ) (2020-05-05T18:08:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。