論文の概要: ML-Based Hierarchical Prediction for Practical Energy Scheduling in Dynamic NTN-WPT Systems

• arxiv url: http://arxiv.org/abs/2608.08804v1
• Date: Sun, 09 Aug 2026 16:41:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.956012
• Title: ML-Based Hierarchical Prediction for Practical Energy Scheduling in Dynamic NTN-WPT Systems
• Title（参考訳）: 動的NTN-WPTシステムにおけるMLに基づく実用エネルギースケジューリングの階層的予測
• Abstract要約: 次世代無線ネットワークにおいて,長距離無線電力伝送(WPT)が有望なアプローチとして浮上している。 本稿では,エネルギー効率,タスク完了率,タスク待ち時間を共同で最適化するエネルギースケジューリング手法を提案する。
• 参考スコア（独自算出の注目度）: 22.833811934950045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With advancements in long-distance wireless power transfer (WPT) and space-based energy technologies, integrating WPT into non-terrestrial networks (NTNs), referred to as NTN-WPT, is emerging as a promising approach for next-generation wireless networks. This paper proposes an energy-scheduling approach that jointly optimizes energy efficiency, task completion rate, and task waiting time for power transfer from low Earth orbit satellites to terrestrial mobile user devices (UDs). To address scheduling challenges caused by satellite and UD mobility and channel uncertainty from stochastic propagation effects, we decompose the problem into three subproblems within a three-layer predictive framework: 1) a state prediction layer forecasts UD and satellite states; 2) an interaction mapping layer uses a graph neural network (GNN) to model energy transfer efficiency; and 3) a decision-making layer determines the energy allocation plan. Distinct machine learning (ML) methods are tailored to each layer. To balance the competing objectives, we adopt a multi-objective reinforcement learning (MORL) technique that scalarizes them into a weighted-sum reward, transforming the multi-objective problem into a tractable single-objective problem. We further introduce a multi-agent deep learning model integrating self-attention with multi-agent proximal policy optimization (MAPPO) to improve objective balancing. Simulation results show that the proposed approach achieves a better overall trade-off than baseline methods, maintaining competitive task completion rates and energy efficiency while reducing task waiting times, and remains robust under highly variable conditions.
• Abstract（参考訳）: 長距離無線送電(WPT)と宇宙ベースのエネルギー技術の発展に伴い、NTN-WPTと呼ばれる非地球ネットワーク(NTN)にWPTを統合することが次世代無線ネットワークにとって有望なアプローチとして浮上している。 本稿では,低軌道衛星から地上モバイル・ユーザ・デバイス(UD)への電力転送に要するエネルギー効率,タスク完了率,タスク待ち時間を共同で最適化するエネルギースケジューリング手法を提案する。 衛星・UDモビリティによるスケジューリング問題と確率的伝播効果によるチャネルの不確実性に対処するため,3層予測フレームワークにおいて,問題を3つのサブプロブレムに分解する。 1) 状態予測層は、UD及び衛星状態を予測する。 2)相互作用マッピング層は,エネルギー伝達効率をモデル化するためにグラフニューラルネットワーク(GNN)を用いる。 3)決定層がエネルギー配分計画を決定する。 個別機械学習(ML)メソッドは各レイヤに合わせて調整される。 競合する目的のバランスをとるために,多目的強化学習(MORL)技術を採用し,それらを重み付けした報酬にスキャラライズし,多目的問題を抽出可能な単目的問題に変換する。 さらに,自己意識とMAPPO(Multi-Adnt Proximal Policy Optimization)を統合した多エージェント深層学習モデルを導入し,客観的バランスを改善する。 シミュレーションの結果,提案手法は,タスク待ち時間を削減するとともに,競争力のあるタスク完了率とエネルギー効率を維持でき,高い変動条件下でも堅牢であることがわかった。

関連論文リスト

• Telecom World Models: Unifying Digital Twins, Foundation Models, and Predictive Planning for 6G [60.29349053952935]
  本稿では,テレコムシステムダイナミクスの学習,行動条件,不確実性を考慮したモデリングのためのアーキテクチャであるTWM(Telecom World Model)の概念を紹介する。 本研究では,空間環境予測のためのフィールドワールドモデル,動作条件付きキーパフォーマンス指標(KPI)軌道予測のための制御/力学ワールドモデル,意図翻訳とオーケストレーションのための通信基盤モデルレイヤからなる3層アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-04-08T09:41:58Z)
• Hierarchical Task Offloading and Trajectory Optimization in Low-Altitude Intelligent Networks Via Auction and Diffusion-based MARL [37.79695337425523]
  低高度インテリジェントネットワーク(LAIN)は、災害対応、環境モニタリング、リアルタイムセンシングといったミッションクリティカルなアプリケーションをサポートすることができる。 これらのシステムは、エネルギー制約のあるUAV、タスク到着、異種コンピューティングリソースなど、重要な課題に直面している。 本稿では,UAV軌道計画とタスクオフロード決定を協調的に最適化する,時間依存型整数型非線形計画問題の解法を提案する。
  論文  参考訳（メタデータ） (2025-12-05T08:14:45Z)
• Enhanced Evolutionary Multi-Objective Deep Reinforcement Learning for Reliable and Efficient Wireless Rechargeable Sensor Networks [44.91945854166524]
  ワイヤレス充電式センサネットワーク(WRSN)とモバイル充電機能は、ネットワーク寿命を延ばすための有望なソリューションを提供する。 WRSNは、ノード生存率の最大化と充電エネルギー効率の最大化の間の本質的にのトレードオフから、重要な課題に直面している。
  論文  参考訳（メタデータ） (2025-10-24T03:30:00Z)
• Decentralized Rank Scheduling for Energy-Constrained Multi-Task Federated Fine-Tuning in Edge-Assisted IoV Networks [5.034703123469061]
  インターネット・オブ・ビークルズ(IoV)システムでは、クライアントの移動性、異種資源、断続接続性のために、効率的な低遅延マルチタスク適応を実現することが困難である。 本稿では,道路側ユニット(RSU)と車両を協調し,動的IoVシナリオをまたいだ資源認識および移動性学習を支援する階層的なファインチューニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-13T06:29:00Z)
• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• Aerial Reliable Collaborative Communications for Terrestrial Mobile Users via Evolutionary Multi-Objective Deep Reinforcement Learning [59.660724802286865]
  無人航空機(UAV)は、地上通信を改善するための航空基地局(BS)として登場した。 この作業では、UAV対応仮想アンテナアレイによる協調ビームフォーミングを使用して、UAVから地上モバイルユーザへの伝送性能を向上させる。
  論文  参考訳（メタデータ） (2025-02-09T09:15:47Z)
• Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
  無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。 今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。 タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
  論文  参考訳（メタデータ） (2025-01-11T02:32:42Z)
• Energy Efficiency Optimization for Subterranean LoRaWAN Using A Reinforcement Learning Approach: A Direct-to-Satellite Scenario [5.218556747366303]
  地下のLoRaWANと非地球ネットワーク(NTN)の統合は、経済的および社会的利益をもたらす。 Co-SF干渉を最小限に抑えるために、準直交拡散因子(SF)をエンドデバイスに効果的に割り当てることは依然として困難である。 システムのエネルギー効率を最適化するための強化学習(RL)に基づくSF割当方式を提案する。
  論文  参考訳（メタデータ） (2023-11-03T06:33:56Z)
• Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual Antenna Arrays [55.736718475856726]
  無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である 既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。 協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
  論文  参考訳（メタデータ） (2023-08-03T02:49:50Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)

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。