.png){kind=icon}
返回
Data-Driven Cellular Mobility Management Via Bayesian Optimization and Reinforcement Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TMLCN.2025.3647807.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
蜂窝网络中的移动性管理由于网络密集化和异构用户移动特性而面临日益增长的复杂性。传统的切换（HO）机制依赖预定义参数（如A3-offset和时间触发时间（TTT）），往往无法在变化的速度和部署条件下优化移动性性能。固定的A3-offset和TTT配置要么延迟HO，增加无线链路故障（RLFs），要么加速HO，导致过多的乒乓效应。为应对这些挑战，我们提出了两种不同的数据驱动移动性管理方法，利用高维贝叶斯优化（HD-BO）和深度强化学习（DRL）。HD-BO优化预定义的HO参数（如A3-offset和TTT），而DRL提供无参数替代方案，允许代理根据实时网络条件选择服务小区。我们在真实世界特定站点部署场景（采用Sionna射线追踪进行特定站点信道传播建模）中系统比较了这两种方法，突出其互补优势。结果表明，HD-BO和DRL均优于3GPP基准集1（TTT为480 ms，A3-offset为3 dB）和基准集5（TTT为40 ms，A3-offset为-1 dB）。我们通过迁移学习增强HD-BO，使其能泛化到不同用户速度范围。将相同的迁移学习策略应用于DRL方法，在保持最优HO性能的同时将训练时间减少2.5倍，表明其能高效适应无人机（UAVs）等空中用户的移动性。模拟进一步揭示HD-BO比DRL更具样本效率，更适合训练数据有限的场景。
Keyword:
Optimization
Cellular networks
Transfer learning
Bayes methods
3GPP
Benchmark testing
Analytical models
Tuning
Three-dimensional displays
Signal to noise ratio
Mobility management
cellular networks
Bayesian optimization
reinforcement learning
data-driven optimization
期刊
I
机构
引用论文
.png){kind=icon}
REQIBA: Regression and Deep Q-Learning for Intelligent UAV Cellular User to Base Station Association
OAAI
OAAI分享收藏
查看更多内容