QoS prediction in radio vehicular environments via prior user information

要約

信頼性の高い無線通信は、現在のユースケースを強化し、コネクテッド自動運転、隊列走行、協調操縦、遠隔操作運転、スマートナビゲーションなどの新しいユースケースを可能にするため、自動車業界で重要な役割を果たしています。
これらおよびその他の使用例は、多くの場合、通信の特定のサービス品質 (QoS) レベルに依存します。
最近、予測サービス品質 (QoS) の分野が、通信品質を事前に十分に予測するための重要な手段として大きな注目を集めています。
ただし、信頼性の高い方法で QoS を予測することは、非常に難しい作業であることで知られています。
この論文では、セルラー テスト ネットワークから収集したデータを使用して、数分の範囲で QoS を予測する ML ツリー アンサンブル手法を評価します。
無線環境の特性について説明し、これらを使用して ML のパフォーマンスを向上させ、商用ネットワークでの ML の導入をさらにサポートする方法を紹介します。
具体的には、ターゲット車両の予測を強化するために、以前の車両の情報を含めることにより、無線環境から得られる測定値の相関関係を使用します。
さらに、我々は、いかに長い予測期間をサポートできるかを示すことにより、従来技術を拡張している。

要約(オリジナル)

Reliable wireless communications play an important role in the automotive industry as it helps to enhance current use cases and enable new ones such as connected autonomous driving, platooning, cooperative maneuvering, teleoperated driving, and smart navigation. These and other use cases often rely on specific quality of service (QoS) levels for communication. Recently, the area of predictive quality of service (QoS) has received a great deal of attention as a key enabler to forecast communication quality well enough in advance. However, predicting QoS in a reliable manner is a notoriously difficult task. In this paper, we evaluate ML tree-ensemble methods to predict QoS in the range of minutes with data collected from a cellular test network. We discuss radio environment characteristics and we showcase how these can be used to improve ML performance and further support the uptake of ML in commercial networks. Specifically, we use the correlations of the measurements coming from the radio environment by including information of prior vehicles to enhance the prediction of the target vehicles. Moreover, we are extending prior art by showing how longer prediction horizons can be supported.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google