文献

J-GLOBAL ID：201902215360133835   整理番号：19A0990819

密なネットワークにおけるモビリティ管理のための深層学習に基づく知的二重接続性【JST・京大機械翻訳】

Deep Learning-Based Intelligent Dual Connectivity for Mobility Management in Dense Network

著者 (4件)： Wang Chujie (Zhejiang University, College of ISEE, Zheda Road 38, Hangzhou, 310027, China) ,  Zhao Zhifeng (Zhejiang University, College of ISEE, Zheda Road 38, Hangzhou, 310027, China) ,  Sun Qi (China Mobile Research Institute, Beijing, 100053, China) ,  Zhang Honggang (Zhejiang University, College of ISEE, Zheda Road 38, Hangzhou, 310027, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： VTC-Fall  ページ： 1-5  発行年： 2018年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 第5世代(5G)移動通信システムにおける容量目標を達成するためのキー技術として,超高密度ネットワーク配置が提案されている。しかしながら,より小さいセルの配置は,必然的により頻繁なハンドオーバをもたらし,したがって,移動度管理をより困難にし,高密度ネットワーク配置により提供される容量利得を低減する。このようなネットワーク環境におけるモバイルユーザに対する利得を完全に再現するために,著者らは,深い学習ベースの移動度予測を通して,移動度管理のための知的二重接続機構を提案した。最初に,LSTM(Long Short Termory Memory)アルゴリズムを用いて,その歴史的軌跡からあらゆるユーザ装置(UE)移動度パターンを学習し,将来のその動き傾向を予測した。対応する予測結果に基づいて,ネットワークは,ハンドオーバがUEに必要であるかどうかを判断する。ハンドオーバケースでは,関連するUEに対して二重接続が確立される。このように,UEはハンドオーバプロセスにおいて2つの基地局から無線信号を得ることができた。シミュレーション結果により,提案した知的二重接続機構は,ネットワークエネルギー効率を保証しながら,ハンドオーバプロセスにおけるモバイルユーザのサービス品質を著しく改善できることを検証した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ハンドオーバ ,  エネルギー効率 ,  *ネットワーク ,  軌跡 ,  基地局 ,  アルゴリズム ,  利得 ,  計算機シミュレーション ,  予測 ,  *連結性 ,  *学習 ,  移動度
準シソーラス用語： サービス品質 ,  ワイヤレス ,  モバイルユーザ ,  高密度 , 【Automatic Indexing@JST】

分類 (3件)： 移動通信  (ND08030H) ,  図形・画像処理一般  (JE04010I) ,  無線通信一般  (ND08010L)

タイトルに関連する用語 (3件)： モビリティ管理 ,  深層学習 ,  接続性