《Computer Networks》：Machine Learning-based CQI Prediction Mechanisms for Existing and Future Cellular Networks
编辑推荐：
信道质量指示（CQI）预测对提升移动通信可靠性至关重要，但传统方法依赖合成数据且无法适应快速变化的信道环境。本文提出基于LSTM的CQI预测机制，采用韩国Gyeonggi-do地区真实用户轨迹与CQI数据集，对比ARIMA、CNN、CLDNN及Markov模型，实验表明该机制在RMSE、验证损失和测试误差等指标上均显著优于基线模型，尤其在高移动性场景下表现突出，适用于3G/4G/5G及未来6G网络。
Kamrul Hasan|Seong Ho Jeong
韩国京畿道龙仁市西渊区摩云邑Oaedae-ro 81号，汉城外国语大学，邮编17035
摘要
准确预测信道质量指标（CQI）对于确保蜂窝网络中移动设备与基站之间的可靠通信至关重要，尤其是在减轻CQI老化效应方面。机器学习技术为提高CQI预测准确性提供了有前景的途径。然而，许多现有研究依赖于可能无法反映现实世界条件的合成数据集。本文通过提出一种基于LSTM的CQI预测机制来解决这一问题，该机制使用真实的CQI值数据集开发，适用于当前和未来的蜂窝网络。我们的方法根据用户位置、移动性和历史CQI反馈等因素来预测CQI值，并适用于3G、4G和5G网络。我们使用真实数据集评估了我们的机制，并将其与自回归积分移动平均（ARIMA）模型、卷积神经网络（CNN）、卷积长短期深度神经网络（CLDNN）以及一阶和二阶马尔可夫模型等模型进行了对比。大量实验表明，基于LSTM的方法在预测准确性方面优于这些模型，这体现在较低的均方根误差（RMSE）、验证损失和测试误差上。这些结果突显了机器学习技术在提高现有和未来蜂窝网络中CQI预测准确性方面的潜力。
引言
信道质量指标（CQI）及其在3G、4G和5G技术蜂窝网络中的预测的重要性不容忽视[1]、[2]。CQI是一个关键指标，用于确定移动设备与基站之间通信链路的质量。基站利用CQI值来确定适当的数据传输调制和编码方案（MCS）。较高的CQI值对应于选择更高级别的MCS和更高的吞吐量，而较低的CQI值则需要更保守的MCS选择。通过持续的CQI监控和相应的MCS调整，蜂窝网络可以在不同的信道条件下优化数据传输速率。然而，尽管CQI非常重要，但由于延迟、量化限制和报告开销等因素，其反馈的准确性会降低，尤其是在快速变化或干扰丰富的环境中。这使得CQI预测对于提高现有和未来蜂窝网络中的链路可靠性、频谱效率和用户感知性能至关重要。
CQI预测在蜂窝网络中对于加速内容传输、优化网络资源和提升整体用户体验是不可或缺的。基站依赖于定期的CQI报告；然而，由于传播延迟、处理时间和调度间隔，接收到的CQI会变得过时——这种现象被称为CQI老化效应。在移动性情况下，这种不匹配会导致MCS选择不当、吞吐量降低和服务质量（QoS）下降。传统的基于预测的方法试图补偿这种延迟，但它们通常假设无线衰落过程是线性的或稳定的。在实际的移动场景中，这些假设并不成立，因为多普勒效应、多径动态和波束不对齐会导致信道快速波动。这一限制促使人们转向能够学习无线信道中非线性时空模式的基于机器学习的解决方案。
CQI老化效应在涉及用户设备（UE）高速移动或环境具有高度移动性的情况下尤为重要，例如在车辆或火车内的场景[3]。随着无线信道的变化，之前报告的CQI很快就会失去相关性。这导致链路适应决策不准确，网络性能下降。
为了解决CQI老化效应的影响，蜂窝网络运营商通常采用一系列技术，包括缩短CQI报告间隔、增加基站的天线数量以及利用复杂的信号处理算法来减轻干扰和衰落的影响——尽管这些方法在某些场景下可能效果不佳。特别是卡尔曼滤波器、维纳滤波器、ARIMA和基于马尔可夫的估计器在信道变化缓慢的情况下表现良好，但在移动性引起的非平稳性增加时性能会急剧下降。它们无法捕捉时间、频率和空间域中的复杂相关性，因此不适合具有超密集拓扑结构、太赫兹频率和智能反射表面（RIS）的未来网络。
已经使用了多种经典的人工智能（AI）、机器学习（ML）和深度学习（DL）方法进行CQI预测。马尔可夫链模型利用CQI状态之间的转移概率[4]、[5]。线性回归、ARIMA和卡尔曼/维纳滤波器利用历史模式和当前信道统计数据进行估计[6]、[7]，但在高多普勒和高移动性条件下其预测准确性会下降。随着蜂窝系统向6G发展，采用亚太赫兹载波、RIS辅助传播和高移动性空中/车辆用户，由于信道相干时间极短，CQI老化效应变得更加严重。这些趋势进一步需要强大的机器学习方法来捕捉复杂且快速变化的信道行为，超出传统预测模型的能力。
神经网络已成为CQI预测的强大替代方案。这些模型学习了用户位置、速度、波束索引和衰落条件等输入之间的非线性依赖关系。卷积神经网络（CNN）有效提取空间特征，而长短期记忆（LSTM）捕捉CQI演变中的时间序列。卷积长短期记忆深度神经网络（CLDNN）架构结合了CNN、LSTM和深度神经网络（DNN）层，进一步增强了时空建模能力[8]、[9]。最近的研究表明，基于神经网络的模型在移动性情况下优于传统方法，尽管大多数工作仅限于简化的数据集、静态用户或特定的5G场景，缺乏对异构或未来6G环境的泛化能力[10]。这些研究空白激发了对涵盖3G、4G、5G和新兴6G环境的基于ML的CQI预测的更全面研究。
本文提出了一种适用于现有和未来蜂窝网络的基于LSTM的CQI预测机制。它还结合了ARIMA、CNN、CLDNN以及一阶和二阶马尔可夫模型[11]、[12]进行对比评估。本文的具体贡献如下：
1.开发了一个统一的CQI预测框架，该框架由实时数据收集和预处理流程支持，能够在不同的移动模式、频段和蜂窝世代（3G/4G/5G）中生成准确且可复制的CQI数据集。
2.通过对同一真实世界CQI数据集评估多种传统和基于ML的模型（ARIMA、一阶/二阶马尔可夫、CNN、CLDNN和LSTM），在真实的信道和移动性条件下对其预测能力进行了严格的比较。
3.设计了一种适用于快速变化无线信道的新型基于LSTM的CQI预测机制，在高移动性和易延迟场景中显示出比所有基线模型更优越的预测准确性。
4.提供了一个精心设计的预测模型和可复制的 methodology，通过RMSE、训练阶段验证损失和详细的测试误差分析验证了其有效性——证明了所提出方法的准确性和稳健性。
本文的结构如下：第2节概述了相关的工作。第3节讨论了3G、4G和5G网络范围内的CQI。第4节提出了问题陈述和解决方案。第5节描述了我们设计的CQI预测方法。第6节提供了全面的性能分析。第7节总结了结论。
相关文献片段
相关工作
蜂窝网络领域采用了CQI映射机制[13]、[14]，这是一种将CQI值与信号强度（SS）和信噪比（SNR）等相互关联的指标关联起来的成熟策略。现有方法利用查找表或数学映射函数根据接收到的CQI反馈确定最佳的MCS级别[15]。CQI估计机制[16]反过来有助于向基站提供精确的反馈，使其能够
3G、4G和5G中的CQI
3G [24]、4G [25]和5G [26]网络中CQI的定义和计算机制略有不同，但基本概念相同。CQI是一个用于指示UE与基站之间无线信道质量的指标。在3G网络中，可以通过测量接收信号的信号干扰比（SIR）、SNR、SINR和信号噪声加失真比（SNDR）来计算CQI。UE向基站发送一个导频信号，基站利用该信号
CQI预测方法
根据数据集特征和底层网络场景，可以使用多种方法进行CQI预测。为了克服现有研究的局限性，这些研究通常依赖于合成数据集、简化的CQI映射或狭窄的实验条件，本文介绍了一种适用于真实蜂窝环境的CQI预测框架，适用于当前和未来的异构网络。首先是一个完整的CQI跟踪和预处理流程
问题陈述和提出的解决方案
在3G、4G和5G蜂窝网络中预测CQI的主要挑战在于提高异构网络环境中的预测准确性，并改进UE与基站（BS）之间的CQI反馈机制的效率。CQI是蜂窝网络中的关键参数，代表了无线信道的质量。它帮助基站优化传输参数，最终目标是提高吞吐量和可靠性。然而，CQI反馈的精度
实验结果
通过移动跟踪应用程序[28]跟踪了多个用户的CQI历史记录，在韩国京畿道生成了一个数据集。该跟踪应用程序提供了关于用户移动的所有必要信息，包括连接的蜂窝详情、GPS坐标和相应的CQI值。收集到的移动历史记录按照规定要求进行了预处理，然后实现了TensorFlow [32]。用于训练ARIMA模型、马尔可夫模型、CNN
结论
在本文中，我们介绍了一种用于预测当前和未来蜂窝网络中CQI的新型基于LSTM的机器学习机制。利用真实数据集，我们将我们的方法与ARIMA模型以及一阶和二阶马尔可夫模型进行了对比。我们提出的方法的有效性得到了严格的评估和比较。研究结果清楚地表明，基于LSTM的方法不仅实现了更优越的预测
CRediT作者贡献声明
Kamrul Hasan：撰写——原始草稿、可视化、验证、方法论、调查、正式分析、数据管理、概念化。Seong Ho Jeong：撰写——审阅与编辑、验证、监督、资源管理、项目管理、调查、资金获取。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文所述的工作。
