[论文解读] Predicting Channel Quality Indicators for 5G Downlink Scheduling in a Deep Learning Approach

Hao Yin, X.P. Guo+3 more|arXiv (Cornell University)|Aug 3, 2020

Advanced MIMO Systems Optimization参考文献 6被引用 12

一句话总结

本文提出一种基于LSTM的深度学习方法，用于预测5G新空口（NR）下行链路调度中的信道质量指示符（CQI），以解决高速移动场景中CQI过时的问题。该方法在ns-3仿真框架内采用在线训练，结果表明，LSTM在CQI预测精度和系统吞吐量方面均优于前馈神经网络（FNN），尤其在70 m/s以内的速度下表现更优。

ABSTRACT

5G networks provide more bandwidth and more complex control to enhance user's experiences, while also requiring a more accurate estimation of the communication channels compared with previous mobile networks. In this paper, we propose a channel quality indicator (CQI) prediction method in a deep learning approach in that a Long Short-Term Memory (LSTM) algorithm. An online training module is introduced for the downlink scheduling in the 5G New Radio (NR) system, to reduce the negative impact of outdated CQI for communication degradation, especially in high-speed mobility scenarios. First, we analyze the impact of outdated CQI in the downlink scheduling of the 5G NR system. Then, we design a data generation and online training module to evaluate our prediction method in ns-3. The simulation results show that the proposed LSTM method outperforms the Feedforward Neural Networks (FNN) method on improving the system performance of the downlink transmission. Our study may provide insights into designing new deep learning algorithms to enhance the network performance of the 5G NR system.

研究动机与目标

• 为解决在高速移动场景下因CQI过时导致的性能下降问题，特别是在5G NR下行链路调度中。
• 设计一种可重复、开源的ns-3仿真框架，用于评估基于深度学习的CQI预测方法。
• 通过利用信道质量数据中的时间依赖性，提升CQI预测精度和系统吞吐量。
• 评估LSTM与FNN在不同移动条件下预测CQI的有效性。

提出的方法

• 在ns-3仿真器中集成在线训练模块，以实现实时CQI预测，使用深度学习模型。
• LSTM模型基于历史CQI报告进行训练，以捕捉时间动态并预测未来的CQI值。
• 在ns-3内构建数据生成管道，收集不同移动速度和场景下用户的真实CQI反馈。
• 系统采用200个样本的输入窗口和40个样本的预测时延，用于训练LSTM和FNN模型。
• 训练使用批量大小为20、30个LSTM单元以及SELU激活函数，以优化学习稳定性。
• 将预测的CQI值反馈至ns-3仿真中，以评估实时系统性能，包括吞吐量。

实验结果

研究问题

• RQ1 在高速5G NR场景下，过时的CQI如何影响下行链路调度性能？
• RQ2 在高速移动环境中，基于LSTM的CQI预测是否能相比传统FNN模型提升系统吞吐量？
• RQ3 在模拟的ns-3环境中进行在线训练，在多大程度上提升了CQI预测的精度和鲁棒性？
• RQ4 在单用户和多用户场景下，LSTM与FNN的预测精度如何随用户速度增加而变化？

主要发现

• 在70 m/s时，LSTM模型的CQI预测精度仍保持在50%以上，而FNN模型在高速下无法提供可靠预测。
• 在多用户场景下，LSTM的平均预测精度始终高于FNN，且用户间的标准差更小。
• 在单用户和多用户场景下，使用LSTM预测CQI的吞吐量性能均优于FNN或延迟CQI。
• 系统级仿真表明，基于LSTM的预测可显著提升平均用户吞吐量，尤其在高速移动条件下。
• 将在线训练与ns-3集成，实现了对基于深度学习的CQI预测方法的可重复且真实的评估。
• 所提出方法在实际部署中具有可行性，后续计划在5G NR测试平台上进行测试，以评估计算成本。