机器学习在5G超密集网络切换中的应用
来源：电讯技术杂志2019年第12期北京时间：
作者：张燕燕,王鹤鸣,姬天相,王军选
单位：(西安邮电大学 通信与信息工程学院，西安 710121)
摘要：超密集网络（Ultra-dense Network,UDN）作为5G网络架构的关键技术，其切换时延及无效切换等已成为网络发展的巨大挑战。提出了一种基于集成策略的机器学习算法，并结合用户的移动性数据，进行较高精确度的切换预测，减少切换时延及非必要切换等目标。仿真结果表明，采用结合改进机器学习算法的切换策略，不必要切换率降低了40.2%，平均时延降低了28.6%。
关键词：5G；超密集网络；切换预测；机器学习；
基金资助：国家科技重大专项（2017ZX03001012-005）
