論文の概要: Intelligent Dynamic Handover via AI-assisted Signal Quality Prediction in 6G Multi-RAT Networks

• arxiv url: http://arxiv.org/abs/2510.14832v1
• Date: Thu, 16 Oct 2025 16:08:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.940552
• Title: Intelligent Dynamic Handover via AI-assisted Signal Quality Prediction in 6G Multi-RAT Networks
• Title（参考訳）: 6GマルチRATネットワークにおけるAIを用いた信号品質予測によるインテリジェント動的ハンドオーバ
• Authors: Maria Lamprini A. Bartsioka, Anastasios Giannopoulos, Sotirios Spantideas,
• Abstract要約: 本研究では,モデル駆動および短距離信号品質予測に基づく機械学習支援予測ハンドオーバ条件(P-CHO)フレームワークを提案する。 現実的なマルチRAT環境を考えると、モバイルユーザの信号品質指標を予測するために、RTT対応長短メモリ(LSTM)ネットワークを訓練する。 提案したP-CHOモデルは、セルラーおよびIEEE WiFi 802.11統合カバレッジのための異なるチャネルモデルの下で訓練され、評価される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The emerging paradigm of 6G multiple Radio Access Technology (multi-RAT) networks, where cellular and Wireless Fidelity (WiFi) transmitters coexist, requires mobility decisions that remain reliable under fast channel dynamics, interference, and heterogeneous coverage. Handover in multi-RAT deployments is still highly reactive and event-triggered, relying on instantaneous measurements and threshold events. This work proposes a Machine Learning (ML)-assisted Predictive Conditional Handover (P-CHO) framework based on a model-driven and short-horizon signal quality forecasts. We present a generalized P-CHO sequence workflow orchestrated by a RAT Steering Controller, which standardizes data collection, parallel per-RAT predictions, decision logic with hysteresis-based conditions, and CHO execution. Considering a realistic multi-RAT environment, we train RAT-aware Long Short Term Memory (LSTM) networks to forecast the signal quality indicators of mobile users along randomized trajectories. The proposed P-CHO models are trained and evaluated under different channel models for cellular and IEEE 802.11 WiFi integrated coverage. We study the impact of hyperparameter tuning of LSTM models under different system settings, and compare direct multi-step versus recursive P-CHO variants. Comparisons against baseline predictors are also carried out. Finally, the proposed P-CHO is tested under soft and hard handover settings, showing that hysteresis-enabled P-CHO scheme is able to reduce handover failures and ping-pong events. Overall, the proposed P-CHO framework can enable accurate, low-latency, and proactive handovers suitable for ML-assisted handover steering in 6G multi-RAT deployments.
• Abstract（参考訳）: 6G多重無線アクセス技術(multi-RAT)ネットワークの新たなパラダイムでは、セルラーおよび無線フィデリティ(WiFi)送信機が共存し、高速チャネルのダイナミックス、干渉、異種報道の下で信頼性の高いモビリティ決定を必要とする。 マルチRATデプロイメントのハンドオーバは、依然として非常に反応性が高く、イベントトリガーで、瞬時測定としきい値イベントに依存している。 本研究は、モデル駆動および短距離信号品質予測に基づく機械学習(ML)支援予測条件ハンドオーバ(P-CHO)フレームワークを提案する。 RATステアリングコントローラによって編成された一般化されたP-CHOシーケンスワークフローを提案し、データ収集、並列RAT予測、ヒステリシスに基づく決定論理、CHO実行を標準化する。 現実的なマルチRAT環境を考えると、ランダムな軌跡に沿ってモバイルユーザの信号品質指標を予測するために、RTT対応長短メモリ(LSTM)ネットワークを訓練する。 提案したP-CHOモデルは、セルラーおよびIEEE 802.11 WiFi統合カバレッジのための異なるチャネルモデルの下で訓練され、評価される。 システム設定の異なるLSTMモデルのハイパーパラメータチューニングの影響について検討し、直接マルチステップと再帰的なP-CHOの比較を行った。 また,ベースライン予測器との比較を行った。 最後に,提案したP-CHOはソフトかつハードなハンドオーバ設定下でテストされ,ヒステリシス対応のP-CHOスキームはハンドオーバ障害やピンポンイベントを低減できることを示した。 全体として、提案したP-CHOフレームワークは、6GマルチRATデプロイメントにおけるMLアシストハンドオーバステアリングに適した正確で低レイテンシ、前向きなハンドオーバを可能にする。

関連論文リスト

• Context-Aware Hybrid Routing in Bluetooth Mesh Networks Using Multi-Model Machine Learning and AODV Fallback [0.06445605125467573]
  Bluetoothベースのメッシュネットワークは、緊急およびリソース制約のあるシナリオにおけるオフライン通信のための有望なインフラストラクチャを提供する。 Adhoc On-Demand Distance Vector (AODV)のような従来のルーティング戦略は、しばしば混雑と動的トポロジ的変化の下で劣化する。 本研究では,教師付き機械学習によりAODVを増強し,ホップ選択を改善するハイブリッドなインテリジェントルーティングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-25T19:49:24Z)
• Generalized Multi-Objective Reinforcement Learning with Envelope Updates in URLLC-enabled Vehicular Networks [12.323383132739195]
  我々は,無線ネットワーク選択と自律運転ポリシーを協調的に最適化する,新しい多目的強化学習(MORL)フレームワークを開発した。 ベルマン方程式の一般化版を適用し、多目的Q値の凸包絡を最適化し、最適ポリシーを生成することができる統一パラメトリック表現を学習する。 数値計算により, エンベロープ型MORLソリューションの有効性を検証し, 車両動特性, HOs, 通信データ率の相互依存性に関する興味深い知見を示した。
  論文  参考訳（メタデータ） (2024-05-18T16:31:32Z)
• T-PRIME: Transformer-based Protocol Identification for Machine-learning at the Edge [7.170870264936032]
  T-PRIMEはTransformerベースの機械学習アプローチである。 送信フレームの構造設計をアテンション機構を通じて学習する。 これは、DeepWaveのAIR-Tプラットフォーム上でのT-PRIMEのリアルタイム実現可能性を厳格に分析します。
  論文  参考訳（メタデータ） (2024-01-09T22:01:55Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Deep Reinforcement Learning for Wireless Scheduling in Distributed Networked Control [37.10638636086814]
  完全分散無線制御システム(WNCS)の周波数チャネル数に制限のある結合アップリンクとダウンリンクのスケジューリング問題を考える。 深層強化学習(DRL)に基づくフレームワークを開発した。 DRLにおける大きなアクション空間の課題に対処するために,新しいアクション空間削減法とアクション埋め込み法を提案する。
  論文  参考訳（メタデータ） (2021-09-26T11:27:12Z)
• Unit-Modulus Wireless Federated Learning Via Penalty Alternating Minimization [64.76619508293966]
  Wireless Federated Learning(FL)は、分散データセットから無線通信を介してグローバルパラメトリックモデルをトレーニングする、新興機械学習パラダイムである。 本稿では、ローカルモデルパラメータをアップロードし、無線通信を介してグローバルモデルパラメータを算出する無線FLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-31T08:19:54Z)
• Low-Latency Federated Learning over Wireless Channels with Differential Privacy [142.5983499872664]
  フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。 本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
  論文  参考訳（メタデータ） (2021-06-20T13:51:18Z)
• Federated Learning on the Road: Autonomous Controller Design for Connected and Autonomous Vehicles [109.71532364079711]
  CAV(コネクテッド・アンド・自律車両)の自律制御設計のための新しい統合学習(FL)フレームワークの提案 CAVの移動性、無線フェーディングチャネル、および不均衡で非独立で同一に分散されたデータを考慮に入れた新しい動的フェデレーション・プロキシ(DFP)アルゴリズムが提案されている。 最適制御器を用いてCAVがどの程度の速度で収束するかを同定するために,提案アルゴリズムに対して厳密な収束解析を行う。
  論文  参考訳（メタデータ） (2021-02-05T19:57:47Z)
• Edge Federated Learning Via Unit-Modulus Over-The-Air Computation (Extended Version) [64.76619508293966]
  本稿では,効率の良いエッジフェデレーション学習を実現するために,UM-AirCompフレームワークを提案する。 ローカルモデルパラメータを同時にアップロードし、アナログビームフォーミングを通じてグローバルモデルパラメータを更新する。 車両間自動運転シミュレーションプラットフォームにおけるUM-AirCompの実装を実演する。
  論文  参考訳（メタデータ） (2021-01-28T15:10:22Z)

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。