Predictive Handover Strategy in 6G and Beyond: A Deep and Transfer Learning Approach

下一代蜂窝网络将演变成更复杂和虚拟化的系统，采用机器学习进行增强优化，并利用更高频段和更密集的部署来满足各种服务需求。这种演进虽然带来了许多优势，但也会带来挑战，特别是在移动管理方面，因为它将增加由于覆盖面积较小和信号衰减较高而导致的漫游总数。为了解决这些挑战，我们提出了一种基于深度学习的算法，利用连续的用户设备测量来预测未来的服务小区，以最小化漫游失败和中断时间。我们的算法使网络运营商能够动态调整漫游触发事件或整合无人机基站以增强覆盖范围和容量，通过转移学习技术优化网络目标，如负载平衡和能源效率。我们的框架符合O-RAN规范，并可以部署在近实时的RAN智能控制器中，作为利用E2SM-KPM服务模型的xApp。评估结果表明，我们的算法在高概率下预测未来服务小区的准确率达到92%。最后，通过利用转移学习，我们的算法在动态引入新的漫游触发决策或无人机基站时，显著减少了91%和77%的重新训练时间。

论文旨在通过深度学习算法解决下一代移动网络中的移动管理问题，包括预测未来服务单元和减少切换失败和中断时间。

论文提出了一种基于深度学习的算法，利用连续的用户设备测量来预测未来的服务单元，从而最小化切换失败和中断时间。

论文使用了转移学习技术，优化了网络目标，如负载平衡和能源效率，并实现了高达92%的准确率。此外，论文还遵循了O-RAN规范，并可以作为xApp部署在Near-Real-Time RAN Intelligent Controller中。

在这个领域的相关研究还包括基于机器学习的移动管理和利用无人机基站增强网络覆盖和容量的研究。