.png){kind=icon}
返回
Hypergraph Attention Network for Spatio-Temporal Interference Modeling in Cellular Networks
.png){kind=icon}
PRE
AI
DOI：10.1109/LWC.2025.3611392.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
干扰是无线蜂窝网络不可磨灭的突出特征，对传输质量和网络容量产生严重影响。尽管已投入大量精力构建旨在通过复杂信道传播模型来表征信号分布的无线电地图，但网络干扰建模在很大程度上仍被忽视，导致网络规划和优化中的性能评估不完整且不准确。在本通信中，我们提出了一种创新的数据驱动方法，用于表征多小区网络的时空干扰模式，或统计干扰地图，而无需了解确切的复杂底层传播环境和业务模式。具体而言，设计了一种超图注意力网络（HGAT），其中节点和边的表示与无线网络的整体结构和运行内在一致，捕捉基站、用户、无线资源块和接收干扰之间的复杂依赖关系。通过利用时空卷积，HGAT有效地编码网络动态和干扰特征，实现了准确且稳健的统计预测。实验结果表明，本方法在精度、效率和可扩展性方面优于传统方法，标志着迈向智能高效无线网络规划和优化的重大一步。
Keyword:
Interference modeling
interference map
hypergraph attention network
spatio-temporal convolution
期刊
I
IF:
5.5
论文数:
892
被引数:
0
机构
查看更多机构
引用论文
.png){kind=icon}
A-GCRNN: Attention Graph Convolution Recurrent Neural Network for Multi-Band Spectrum PredictionA-GCRNN: 用于多频带频谱预测的注意力图卷积递归神经网络
PREAI
分享收藏Graph Attention Network-Based Deep Reinforcement Learning Scheduling Framework for in-Vehicle Time-Sensitive Networking基于图注意网络的车载时间敏感网络深度强化学习调度框架
PREAI
分享收藏Denoising Diffusion Probabilistic Model for Radio Map Estimation in Generative Wireless Networks
PREAI
分享收藏分享收藏 没有更多内容