基于Bi-LSTM与深度强化学习的5G/6G高移动性场景下AI原生预测性切换管理框架
《Machine Learning and Knowledge Extraction》:Hybrid Bi-LSTM and Deep Reinforcement Learning for AI-Native Predictive Mobility Management in High-Mobility 5G/6G Networks
【字体:
大
中
小
】
时间:2026年09月29日
来源:Machine Learning and Knowledge Extraction 8.4
编辑推荐:
对于高移动性5G/6G应用——例如智慧城市、智能交通系统(ITS)和车联网——而言,可靠的移动性管理至关重要。然而,随着用户设备(UE)速度的提升,被动的3GPP切换机制变得不再可靠。本文提出一种混合双向长短期记忆网络(Bi-LSTM)与深度强化学习(DRL)的框架,用于实现
对于高移动性5G/6G应用——例如智慧城市、智能交通系统(ITS)和车联网——而言,可靠的移动性管理至关重要。然而,随着用户设备(UE)速度的提升,被动的3GPP切换机制变得不再可靠。本文提出一种混合双向长短期记忆网络(Bi-LSTM)与深度强化学习(DRL)的框架,用于实现AI原生的预测性切换管理:Bi-LSTM编码器提取知识嵌入并预测未来的网络观测,形成一个预测状态,供带有优先经验回放的Dueling Double DQN(Dueling DDQN)选用切换动作。一个闭环的双频刷新机制会周期性地从累积的网络经验中更新两个模块,无需人工重新调参。该框架通过蒙特卡洛仿真在智慧城市、智能交通系统和车联网场景以及城市、郊区和混合部署条件下进行评估。所提出的Bi-LSTM预测器相较于持续法基线将均方根误差(RMSE)降低了51.9%–68.6%,相较于Transformer预测器降低了8.4%–25.6%,其中高移动性条件下的提升最为显著。端到端评估表明,该框架实现了67.0 Mbps的吞吐量、48.1 ms的时延、3.47%的切换失败率以及0.678的平均效用,优于所有消融变体;其中,关闭闭环刷新会导致最大的性能下降(吞吐量下降7.0%,失败率升至33.1%)。泛化实验表明,在未见过的条件下,性能仅有有限下降,且在域偏移后,闭环适应机制能在100个刷新轮次内将效用从约0.588恢复至0.678。这些结果表明,将预测性知识提取、自适应决策和持续刷新相结合,能够为面向主动式5G/6G移动性管理的AI原生移动性管理提供一套稳健的闭环架构。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号