2019 3rd International Conference on Advanced Information and Communications Technologies (AICT) 2019
DOI: 10.1109/aiact.2019.8847734
|View full text |Cite
|
Sign up to set email alerts
|

Intelligent Handover Management in 5G Mobile Networks based on Recurrent Neural Networks

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
4
1

Citation Types

0
27
0
1

Year Published

2020
2020
2024
2024

Publication Types

Select...
7
1

Relationship

0
8

Authors

Journals

citations
Cited by 29 publications
(28 citation statements)
references
References 6 publications
0
27
0
1
Order By: Relevance
“…Для проведення експерименту згенеровано навчальну вибірку, яка імітує кількість запитів до інформаційного ресурсу для кожної комірки в залежності від часу доби. Для обробки такого типу даних створено модель рекурентної нейронної мережі на основі архітектури GRU, яка має доведену ефективність для розв'язку задач регресії [15].…”
Section: прогнозування популярності контенту на основі рекурентних нейронних мережunclassified
“…Для проведення експерименту згенеровано навчальну вибірку, яка імітує кількість запитів до інформаційного ресурсу для кожної комірки в залежності від часу доби. Для обробки такого типу даних створено модель рекурентної нейронної мережі на основі архітектури GRU, яка має доведену ефективність для розв'язку задач регресії [15].…”
Section: прогнозування популярності контенту на основі рекурентних нейронних мережunclassified
“…Some of these include deep and reinforcement learning (RL) handoffs (HOs). The challenge is that most of the previous HO works [3][4][5][6] selected target cells on the basis of initial maximum network performance values. However, the challenge is that the optimum initial value does not always guarantee reliability of the connection after HO.…”
Section: Introductionmentioning
confidence: 99%
“…However, the challenge is that the optimum initial value does not always guarantee reliability of the connection after HO. For instance, the selection of mmWave target links based on the highest SINR values [4][5][6][7] does not always reveal the reliability of the link after a HO or caching [7] event. In most cases, HOs end up getting executed too early, too late, wrongly, or wastefully.…”
Section: Introductionmentioning
confidence: 99%
“…Some of these include Deep and Reinforcement Learning (RL) Handoffs (HOs). The challenge is that most of the previous HO works [5,7] select target cells based on initial maximum network performance values. However, the challenge is the optimum initial value do not always guarantee reliability of the connection after HO.…”
Section: Introductionmentioning
confidence: 99%
“…However, the challenge is the optimum initial value do not always guarantee reliability of the connection after HO. For instance, the selection of mmWave target links based on highest SINR values [4][5][6][7], does not always reveal the reliability of the link after a HO event. In most cases, HOs end up getting executed too early, too late, wrongly, or wastefully.…”
Section: Introductionmentioning
confidence: 99%