دانلود مقاله انگلیسی رایگان:بعد کجا برویم؟ : ارزیابی واقعی پیش بینی کننده های تحرک با کمک هوش مصنوعی برای HetNets - 2020
بلافاصله پس از پرداخت دانلود کنید
دانلود مقاله انگلیسی هوش مصنوعی رایگان
  • Where to Go Next? : A Realistic Evaluation of AI-Assisted Mobility Predictors for HetNets Where to Go Next? : A Realistic Evaluation of AI-Assisted Mobility Predictors for HetNets
    Where to Go Next? : A Realistic Evaluation of AI-Assisted Mobility Predictors for HetNets

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    Where to Go Next? : A Realistic Evaluation of AI-Assisted Mobility Predictors for HetNets


    ترجمه فارسی عنوان مقاله:

    بعد کجا برویم؟ : ارزیابی واقعی پیش بینی کننده های تحرک با کمک هوش مصنوعی برای HetNets


    منبع:

    IEEE - 2020 IEEE 17th Annual Consumer Communications & Networking Conference (CCNC);2020; ; ;10.1109/CCNC46108.2020.9045127


    نویسنده:

    Marvin Manalastas, Hasan Farooq, Syed Muhammad Asad Zaidi and Ali Imran


    چکیده انگلیسی:

    Abstract—5G is considered as the ecosystem to abet the ever growing number of mobile devices and users requiring an unprecedented amount of data and highly demanding Quality of Experience (QoE). To accommodate these demands, 5G requires extreme densification of base station deployment, which will result in a network that requires overwhelming efforts to maintain and manage. User mobility prediction in wireless communications can be exploited to overcome these foregoing challenges. Knowledge of where users will go next enables cellular networks to improve handover management. In addition, it allows networks to engage in advanced resource allocation and reservation, cell load prediction and proactive energy saving. However, anticipating the movement of humans is, in itself, a challenge due to the lack of realistic mobility models and insufficiencies of cellular system models in capturing a real network dynamics. In this paper, we have evaluated Artificial Intelligence (AI)-assisted mobility predictors. We model mobility prediction as a multi-class classification problem to predict the future base station association of the mobile users using Extreme Gradient Boosting Trees (XGBoost) and Deep Neural Networks (DNN). Using a realistic mobility model and a 3GPPcompliant cellular network simulator, results show that, XGBoost outperforms DNN with prediction accuracy reaching up to 95% in a heterogeneous network (HetNet) scenario with shadowing varied from 0dB to 4dB.
    Index Terms: Mobility prediction | AI | self- organizing networks (SON) | Deep Neural Networks | XGBoost | HetNets


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 6
    حجم فایل: 1034 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi