論文の概要: Practical Commercial 5G Standalone (SA) Uplink Throughput Prediction
- arxiv url: http://arxiv.org/abs/2307.12417v1
- Date: Sun, 23 Jul 2023 20:01:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 16:22:53.939257
- Title: Practical Commercial 5G Standalone (SA) Uplink Throughput Prediction
- Title（参考訳）: 商業用5Gスタンドアローン(SA)アップリンクスループット予測
- Authors: Kasidis Arunruangsirilert, Jiro Katto
- Abstract要約: 我々は,過去のアップリンクスループットとRFパラメータに基づいて,将来的なアップリンクスループットを予測するために,ConvLSTMベースのニューラルネットワークを提案する。
このネットワークは、通勤列車に乗りながら商用の5G SAネットワークで実世界のドライブテストのデータを用いて訓練されている。
我々のモデルは平均予測精度98.9%に達し、平均RMSEは1.80Mbpsである。
- 参考スコア（独自算出の注目度）: 12.675818403052041
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While the 5G New Radio (NR) network promises a huge uplift of the uplink
throughput, the improvement can only be seen when the User Equipment (UE) is
connected to the high-frequency millimeter wave (mmWave) band. With the rise of
uplink-intensive smartphone applications such as the real-time transmission of
UHD 4K/8K videos, and Virtual Reality (VR)/Augmented Reality (AR) contents,
uplink throughput prediction plays a huge role in maximizing the users' quality
of experience (QoE). In this paper, we propose using a ConvLSTM-based neural
network to predict the future uplink throughput based on past uplink throughput
and RF parameters. The network is trained using the data from real-world drive
tests on commercial 5G SA networks while riding commuter trains, which
accounted for various frequency bands, handover, and blind spots. To make sure
our model can be practically implemented, we then limited our model to only use
the information available via Android API, then evaluate our model using the
data from both commuter trains and other methods of transportation. The results
show that our model reaches an average prediction accuracy of 98.9\% with an
average RMSE of 1.80 Mbps across all unseen evaluation scenarios.
- Abstract（参考訳）: 5Gニューラジオ(NR)ネットワークはアップリンクスループットの大幅なアップリフトを約束するが、ユーザ機器(UE)が高周波ミリ波(mmWave)帯域に接続されている場合にのみ改善が見られる。
UHD 4K/8Kビデオのリアルタイム伝送やバーチャルリアリティ(VR)/拡張現実(AR)コンテンツなどのアップリンク集約型スマートフォンアプリケーションの増加に伴い、アップリンクスループット予測はユーザー体験の質(QoE)を最大化する上で大きな役割を果たす。
本稿では,過去のアップリンクスループットとRFパラメータに基づく将来のアップリンクスループットを予測するために,ConvLSTMベースのニューラルネットワークを提案する。
このネットワークは、様々な周波数帯、ハンドオーバ、盲点を考慮した通勤列車に乗りながら、商用の5G SAネットワーク上の実世界のドライブテストのデータを用いて訓練されている。
モデルの実装を確実にするために,Android API経由で利用可能な情報のみを使用するようにモデルを制限し,通勤電車や他の交通手段からのデータを用いてモデルを評価する。
その結果,我々のモデルの平均予測精度は98.9\%に達し,平均RMSEは1.80Mbpsであることがわかった。
関連論文リスト
- Satellite Streaming Video QoE Prediction: A Real-World Subjective Database and Network-Level Prediction Models [59.061552498630874]
LIVE-Viasat Real-World Satellite QoE Databaseを紹介する。
このデータベースは、現実世界のストリーミングサービスから記録された179のビデオで構成されている。
本稿では,QoE予測モデルの有効性を評価することで,この新たな資源の有用性を実証する。
また、ネットワークパラメータを予測された人間の知覚スコアにマッピングする新しいモデルを作成しました。
論文 参考訳（メタデータ） (2024-10-17T18:22:50Z) - Hand gesture recognition using 802.11ad mmWave sensor in the mobile
device [2.5476515662939563]
スマートフォンにおける802.11ad 60GHz (mmWave) 技術を用いたAI支援手振り認識の実現可能性について検討する。
我々は、時間分割デュプレックス(TDD)によってレーダーセンシングと通信波形が共存できるプロトタイプシステムを構築した。
センシングデータを収集し、100ミリ秒以内にジェスチャーを予測する。
論文 参考訳（メタデータ） (2022-11-14T03:36:17Z) - Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。
デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。
本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文 参考訳（メタデータ） (2022-09-01T03:27:33Z) - Variational Autoencoder Assisted Neural Network Likelihood RSRP
Prediction Model [2.881201648416745]
MDTデータとデジタルツイン(DT)を利用したRSRP予測のための生成モデルについて検討する。
実世界のデータを用いた提案モデルでは,実証モデルと比較して約20%以上の精度向上が示されている。
論文 参考訳（メタデータ） (2022-06-27T17:27:35Z) - Real-time Object Detection for Streaming Perception [84.2559631820007]
ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。
ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。
提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
論文 参考訳（メタデータ） (2022-03-23T11:33:27Z) - Predicting Bandwidth Utilization on Network Links Using Machine Learning [0.966840768820136]
本稿では,異なるネットワークリンク間の帯域利用率を高精度に予測する手法を提案する。
シミュレーションネットワークは、各インタフェース上のネットワークリンクのパフォーマンスに関するデータを収集するために作成される。
提案手法は,SDN (Software-Defined Networking) プラットフォームによって管理される反応を用いて,リアルタイムで利用できることを示す。
論文 参考訳（メタデータ） (2021-12-04T19:47:41Z) - Network-wide Multi-step Traffic Volume Prediction using Graph
Convolutional Gated Recurrent Neural Network [16.56822335262946]
本稿では,新しいディープラーニングモデルであるGCGRNN(Graph Convolutional Gated Recurrent Neural Network)を提案する。
我々は,カリフォルニア州ロサンゼルスの150個のセンサーから抽出した2つのトラフィックデータセットを,それぞれ1時間15分で評価した。
論文 参考訳（メタデータ） (2021-11-22T16:41:13Z) - Workshop on Autonomous Driving at CVPR 2021: Technical Report for
Streaming Perception Challenge [57.647371468876116]
本稿では,現実的な自律運転シナリオのためのリアルタイム2次元物体検出システムについて紹介する。
私たちの検出器は、YOLOXと呼ばれる新しい設計のYOLOモデルで構築されています。
Argoverse-HDデータセットでは,検出のみのトラック/トラックで2位を7.8/6.1上回る41.0ストリーミングAPを達成した。
論文 参考訳（メタデータ） (2021-07-27T06:36:06Z) - Convergence of Federated Learning over a Noisy Downlink [84.55126371346452]
我々は,遠隔パラメータサーバの助けを借りて,ローカルデータセットを利用してグローバルモデルを協調訓練するフェデレーション学習について検討した。
このフレームワークは、PSからデバイスへのダウンリンク送信と、デバイスからPSへのアップリンク送信を必要とする。
本研究の目的は、ダウンリンクとアップリンクの両方における帯域幅制限された共有無線媒体がFLの性能に与える影響を検討することである。
論文 参考訳（メタデータ） (2020-08-25T16:15:05Z) - A Big Data Enabled Channel Model for 5G Wireless Communication Systems [71.93009775340234]
本稿では,ビッグデータ解析,特に無線通信およびチャネルモデリングにおける機械学習アルゴリズムの様々な応用について検討する。
本稿では,ビッグデータと機械学習を利用した無線チャネルモデルフレームワークを提案する。
提案するチャネルモデルは、フィードフォワードニューラルネットワーク(FNN)やラジアル基底関数ニューラルネットワーク(RBF-NN)を含む、人工ニューラルネットワーク(ANN)に基づいている。
論文 参考訳（メタデータ） (2020-02-28T05:56:14Z)
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。