.png){kind=icon}
返回
A smart mobility management framework for 5G networks using robust artificial intelligence-driven framework
.png){kind=icon}
PRE
AI
DOI：10.1007/s13198-026-03193-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
频繁切换、信令开销、延迟和丢包都使得在5G网络中有效管理移动性变得困难。这些因素共同影响了资源分配、切换决策的准确性以及网络可靠性。通过集成深度学习和元启发式优化，可以在动态5G环境中显著提高移动性预测和切换性能。为验证这一理论，本研究提出了一种集成框架，使用Crackwave残差卷积神经网络（CRCNN）进行移动性预测，并采用增强红熊猫优化算法（ERPOA）优化切换决策。通过利用CRCNN，从用户活动、切换请求和实时网络变化中提取并评估了深度移动性特征，实现了准确的移动性预测。同时，通过利用ERPOA，自适应资源分配有助于在切换决策过程中通过利用与CRCNN相同的计算因素来保持小区负载平衡、减少拥塞并最小化延迟。该框架在矩阵实验室（MATLAB）中实现并与基准方法进行比较。结果表明，所提出的框架持续优于竞争方法，实现了98%的整体切换成功率。根据这些结果，该框架已被证明是有效且可适应的，并且进一步提高了连接性、频谱效率和用户体验。
Keyword:
Mobility management
Handovers
Signaling overhead
Latency
Packet loss
Real-time network variations
Congestion
Connectivity
Spectrum efficiency
期刊
I
IF:
1.4
论文数:
370
被引数:
3.0K
机构
引用论文
分享收藏Key Challenges, Drivers and Solutions for Mobility Management in 5G Networks: A Survey5g网络中移动性管理的主要挑战、驱动因素和解决方案: 调查.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Mobility Management in Emerging Ultra-Dense Cellular Networks: A Survey, Outlook, and Future Research DirectionsIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容