[go: up one dir, main page]

CN113242064B - 基于用户空域特征和信道预测的多小区调度方法 - Google Patents

基于用户空域特征和信道预测的多小区调度方法 Download PDF

Info

Publication number
CN113242064B
CN113242064B CN202110516817.4A CN202110516817A CN113242064B CN 113242064 B CN113242064 B CN 113242064B CN 202110516817 A CN202110516817 A CN 202110516817A CN 113242064 B CN113242064 B CN 113242064B
Authority
CN
China
Prior art keywords
cell
scheduling
users
time
cells
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110516817.4A
Other languages
English (en)
Other versions
CN113242064A (zh
Inventor
苏劲宁
李凯
朱磊
杨旸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ShanghaiTech University
Original Assignee
ShanghaiTech University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ShanghaiTech University filed Critical ShanghaiTech University
Priority to CN202110516817.4A priority Critical patent/CN113242064B/zh
Publication of CN113242064A publication Critical patent/CN113242064A/zh
Application granted granted Critical
Publication of CN113242064B publication Critical patent/CN113242064B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/12—Wireless traffic scheduling
    • H04W72/1263—Mapping of traffic onto schedule, e.g. scheduled allocation or multiplexing of flows

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供了一种基于用户空域特征和信道预测的多小区调度方法，作用对象为多小区通信系统，在该多小区通信系统拓扑中，以每个基站为中心，周围共有3个不同小区，每个小区中含有数量不等的若干用户，其特征在于，每个基站在每个调度周期调度每个小区的N个用户，N≥1。在多输入多输出(MIMO)的5G环境下，本发明计算用户的空域特征以及进行信道预测，通过发明的算法提升各小区调度预测的准确性，降低算法的复杂性，保证调度的公平性以及提升系统总的吞吐量。

Description

基于用户空域特征和信道预测的多小区调度方法
技术领域
本发明涉及一种在大规模多输入多输出(MIMO)的5G环境下,利用基于信道预测以及时域空域的双向变换对相邻小区间进行信息交互从而实现多小区间调度序列的优化重组的方法。
背景技术
MIMO技术是5G的关键技术之一，具有频谱效率高、吞吐量大的优点。而在大规模MIMO多小区组网的场景中，准确、快速同步多小区之间的资源调度策略、干扰信息，并基于这些环境信息实现高效的资源分配，并逼近全局优化的性能，成为了小区间调度的重要目标之一。
在当今5G的环境下，当前业界方案对于多小区干扰协调，资源调度的处理算法复杂度较高，计算开销大，不利于产品实现，比如：算法所需迭代次数多，没有充分利用先验信息进行综合分析，对领域知识利用不够；算法鲁棒性不足，比如在特定条件下无法收敛等；当前能够同时满足Massive MIMO场景的无线资源分配方案所要求的高维空间优化能力、实时优化调度、多小区干协调能力、低计算资源开销的成熟研究成果很少，远未达到能够支持商业应用的要求。
目前小区间调度技术的主要提升方向在于降低小区间协调信息开销，提升各小区调度预测的准确性，降低算法的复杂性，保证调度的公平性以及提升系统总的吞吐量等方面入手，业界方案一般都是基于信道测量的频域信息设计算法进行干扰协调。
发明内容
本发明的目的是：提供一种基于信道预测以及时域空域双向变换的小区资源调度算法。
为了达到上述目的，本发明的技术方案是提供了一种基于用户空域特征和信道预测的多小区调度方法，作用对象为多小区通信系统，在该多小区通信系统拓扑中，以每个基站为中心，周围共有3个不同小区，每个小区中含有数量不等的若干用户，其特征在于，每个基站在每个调度周期调度每个小区的N个用户，N≥1，对于任意一个基站的任意一个调度周期，所述多小区调度方法包括以下步骤：
步骤1、采用轮询选择当前基站周围的3个小区中的一个小区为主小区P-Cell，其他两个小区为从小区S-Cell；
步骤2、根据信道预测和历史系统吞吐量数据计算得到主小区P-Cell中比例公平因子最大的N个用户，该N个用户组成了主小区P-Cell的调度用户组；
步骤3、对两个从小区S-Cell使用基于角度特征的干扰近似计算方法获得对主小区P-Cell的调度用户组干扰较大的用户，将这些用户分别从两个从小区S-Cell中含有的所用用户中删除，两个从小区S-Cell中剩余的N个用户分别组成了两个从小区S-Cell的调度用户组。
优选地，步骤2中，步骤2中，任意用户调度时刻t的所述比例公平因子pfpc，g(t)采用下式计算得到：
Figure BDA0003062625230000021
式中，rpc，g(t)表示调度时刻t的瞬时吞吐量；Tpc，g(i)表示前t-1时刻中第i个时刻的历史吞吐量，则有
Figure BDA0003062625230000022
表示前t-1个时刻的历史吞吐量的平均值。
优选地，根据koopman operator的信道预测方法得到相应时间跨度Tw的信道矩阵，并根据香农公式计算相应的瞬时吞吐量rpc，g(t)，一个调度周期的时间跨度为Tw。
与现有技术相比，本发明具有如下优点：信息共享开销和计算复杂度显著降低，在低速和中等速度的情况下，本发明提供的方法可以极大地改善系统和边缘吞吐量。
附图说明
图1为基于干扰规避的系统模型；
图2为调度算法整体框架；
图3为调度算法顺序框图；
图4为SU-MIMO用户分布1；
图5为SU-MIMO用户分布1性能效果；
图6为SU-MIMO用户分布2；
图7为SU-MIMO用户分布2性能结果；
图8为MU-MIMO用户分布1性能结果；
图9为MU-MIMO用户分布2性能结果；
图10为两种分组方法性能差异。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明提供的一种基于用户空域特征和信道预测的多小区调度方法的作用对象是一个多小区通信系统，本发明需要对于该系统进行系统模型的建立。对于该系统模型，本发明采用图1所示的拓扑。在图1的下行链路中，选取一个基站为中心，其周围共有3个不同小区，每个小区中含有数量不等的若干用户。本发明要面对的场景是在基站发射波束时，位于小区边缘的一些用户存在本身吞吐量性能较差，但同时对相邻小区的性能较好的用户干扰较大的场景。
根据上文所述，在调度时刻t，存在一些用户本身吞吐量性能较差，但对于相邻小区的性能较好的用户干扰较大的场景，因此本发明提出在明确主小区的情况下，按照比例公平因子选择主小区调度用户，而其他小区的调度用户则采用对主小区较好性能用户进行规避的方式确定。
如图2所示，以每个调度周期TTI调度单用户的场景为例，为了兼顾系统中各小区的性能，采用轮询选择一个小区为主小区P-Cell。当根据信道预测和历史系统吞吐量数据计算得到图1中用户User 3的比例公平因子最大，因此确定主小区P-Cell的调度用户为用户User 3，此时两个从小区S-Cell使用基于角度特征的干扰近似计算方法，发现用户User2与用户User 1对主小区调度用户干扰较大，因此经过迭代选择干扰较小的用户User 6和用户User 5作为从小区的调度用户。在预测调度之后，在整个仿真平台上运行保存相应的用户吞吐量数据。
基于上文所述的算法框架后，结合图3，本发明的算法具体方案包括以下步骤：
(1)初始化基本参数和相关协调参数。本发明中，假定信道估计是理想的。在初始化预热时间段T内，为了便于在正式调度阶段进行信道预测和计算相关用户组的比例公平因子，将各小区的调度用户的平均吞吐量进行保存(参考Y.Yang,Y.Li,K.Li,S.Zhao,R.Chen,J.Wang,and S.Ci.Decco:Deep-learning enabled coverage and capacityoptimization for massive mimo systems.IEEE Access,6:23361–23371,2018.)。
(2)小区间共享调度序列
本小区根据调度准则计算时间窗Tw(时间窗Tw是信道预测的时间窗)内的本小区的用户组调度序列，并共享给相邻小区，作为调度用户组的备选集合。本发明提前确定好备选集合，这个备选集合是组内用户间干扰比较小的组别。
(3)确定主小区和主小区调度用户组
使用轮询(round robin)方法确定主小区P-Cell，并根据koopman operator的信道预测方法得到相应时间窗Tw的信道矩阵，并根据香农公式计算相应的调度时刻t的瞬时吞吐量rpc，g(t)
Figure BDA0003062625230000041
其中B是t时刻分配的信道带宽，In表示n阶单位矩阵，P表示t时刻信号功率，σ表示t时刻噪声功率，H表示t时刻信道矩阵，H*表示t时刻信道矩阵的复共轭矩阵，det(·)表示计算行列式。
根据历史吞吐量，计算相应的调度时刻t的比例公平因子pfpc，g(t)，选择具有最大比例公平因子的多个用户组成用户组作为主小区的调度用户组。其中：
Figure BDA0003062625230000042
式中，rpc，g(t)表示调度时刻t的瞬时吞吐量；Rpc，g(i)表示前t-1时刻中第i个时刻的历史吞吐量，则有
Figure BDA0003062625230000043
表示前t-1个时刻的历史吞吐量的平均值。
(4)在确定主小区P-Cell后，主小区P-Cell的调度用户组也就确定下来，而从小区S-Cell的用户则使用基于角度的小区间用户干扰计算方法对与主小区的调度用户组进行干扰规避(参考Yu Wenxin,Li Kai,Zhou Mingtuo,Li Jian,and Yang Yang.Research onadaptive neural network for 3d channel amplitude prediction based on ray-tracing data.Journal of University of Chinese Academy of Sciences,2020.)。
(5)在时间窗口T(T为系统的预热时间)之后重复步骤(2)至步骤(4)。
以下介绍算法在建模后的系统上实施的效果，在具体算法实现时，选取时间窗口为5个TTI，对应的信道预测方法为Koopman算子的预测方法(参考Bevanda P,Sosnowski S,Hirche S.Koopman Operator Dynamical Models:Learning,Analysis and Control[J].2021.)，用户分组方法采用的是基于信道矩阵计算信道容量的分组方法，其他网络配置参数同表1-1：
Figure BDA0003062625230000051
Figure BDA0003062625230000061
表1-1仿真参数基本配置
(1)SU-MIMO场景
用户分布1见图4及图5。
方法 小区1 小区2 小区3 系统平均
直接RR 31499987 33743992 28853556 31365845
方案1 45364230 46778654 47095194 46412693
表1：SU_MIMO场景用户分布1情况下不同方案吞吐量对比
通过对比各小区直接使用轮询调度相应用户的基准方法，三个小区总的吞吐量分别有了44..01％，38.63％，63.22％的性能提升，总体系统吞吐量提升47.97％，由吞吐量的CDF图可以看出边缘用户性能有所提升，牺牲了少量中心用户的性能，同时对于一些较好的的中心用户的性能也通过规避使得性能较大提升。
用户分布2见图6及图7。
方法 小区1 小区2 小区3 系统平均
直接RR 44502165 40550693 32529704 39194187
RR+JSDM 64065017 56716166 60215619 60332267
方案1 67022510 44367553 64416742 58602268
表2：SU_MIMO场景用户分布2情况下不同方案吞吐量对比
通过对比各小区直接使用轮询调度相应用户的基准方法以及在轮询过后使用JSDM对小区间干扰进行预编码消除的基准方法，三个小区使用规避方法总的吞吐量分别有了50％，9％，98％的性能提升，总体系统吞吐量提升49％，与使用JSDM方法小消除小区间干扰的方法性能基本一致，但计算复杂度较小，由吞吐量的CDF图可以看出边缘用户性能有较大提升，牺牲了少量性能极好的中心用户的性能。
2)MU-MIMO场景
MU-MIMO场景下，各小区根据信道矩阵计算容量进行分组，用户分布与上述SU-MIMO的单用户场景用户分布1一致，其他参数配置与表1-1配置一致。
Figure BDA0003062625230000062
Figure BDA0003062625230000071
表3：MU-MIMO用户分布1情况下不同方案吞吐量对比
这里除了将轮询的和在轮询之后使用JSDM消除小区间干扰的的方法进行对比，增加了几种测试方法，PF为相应方法调度时使用的比例公平方法，这里不做重复阐释；
这里主要分析基准RR，使用RR和JSDM联合方法，与提出规避轮询方法的性能对比，由结果可得对应的系统总体吞吐量平均提升28％，且由对应的CDF可知对应的边缘用户性能有所改善；
MU-MIMO场景下，各小区根据信道矩阵计算容量进行分组，用户分布与上述SU-MIMO的单用户场景用户分布2一致，其他的参数配置与表1-1的配置一致。
方法 小区1 小区2 小区3 系统平均
直接RR 37112210 26297380 57019653 40143081
RR+JSDM 54463120 44075132 53699119 50745790
方案1 63346831 55501069 63327593 60725164
表4：MU-MIMO用户分布2情况下不同方案吞吐量对比
通过对比各小区直接使用轮询调度相应用户的基准方法以及在轮询过后使用JSDM对小区间干扰进行预编码消除的基准方法，三个小区使用规避方法总的吞吐量分别有了70.69％，111.05％，11.06％的性能提升，总体系统吞吐量提升51.27％，与使用JSDM方法小消除小区间干扰的方法性能相比也平均增体提升19.67％，同时计算复杂度较小，由吞吐量的CDF图可以看出边缘用户性能有较大提升。
(3)添加FSST得到的角度差异，与实际信道相关性用户分组的差异性对比
在保持数据等设置不变情况下，更改用户分组方法，虚线为使用信道容量进行分组的性能，实线为使用角度特征分组系统性能，蓝线为对应的直接使用轮询调度用户组的调度方法，红线为使用轮询和JSDM方法消除小区间干扰的方法。
由图可知，使用基于角度分组的整体性能结果要优于使用信道容量分组的结果，在选择用户组的SINR和吞吐量方面都有一定的性能提升；经过统计得到各方法对应小区吞吐量结果如下表5所示：
方法 小区1 小区2 小区3 系统平均
RR+AngularG 45578672 41236039 35003776 40606162
RR+CapacityG 33007279 33729872 30899118 32545423
RR+JSDM+Angular 51173607 44463801 44984289 46873899
RR+JSDM+Capacity 44830050 41191001 51702589 45907880
表5：各方法对应小区吞吐量对比表
由吞吐量可知，直接轮询调度时整体系统性能在基于角度特征分组时比基于容量分组时提升达到24.77％；而对用的在此基础上使用JSDM消除小区间干扰时，整体性能基本保持一致，间接佐证了基于角度的分组方式更好的规避了较差与较好的用户分组在一起的情况，使得性能更加稳定。

Claims (1)

1.一种基于用户空域特征和信道预测的多小区调度方法，作用对象为多小区通信系统，在该多小区通信系统拓扑中，以每个基站为中心，周围共有3个不同小区，每个小区中含有数量不等的若干用户，其特征在于，每个基站在每个调度周期调度每个小区的N个用户，N≥1，对于任意一个基站的任意一个调度周期，所述多小区调度方法包括以下步骤：
步骤1、初始化基本参数和相关协调参数；假定信道估计是理想的；在初始化预热时间段T内，为了便于在正式调度阶段进行信道预测和计算相关用户组的比例公平因子，将各小区的调度用户的平均吞吐量进行保存；
步骤2、小区间共享调度序列
本小区根据调度准则计算时间窗Tw内的本小区的用户组调度序列，时间窗Tw是信道预测的时间窗，并共享给相邻小区，作为调度用户组的备选集合；提前确定好备选集合，这个备选集合是组内用户间干扰比较小的组别；
步骤3、使用轮询方法确定当前基站周围的3个小区中的一个小区为主小区P-Cell，其他两个小区为从小区S-Cell；
根据koopman operator的信道预测方法得到相应时间窗Tw的信道矩阵，并根据香农公式计算相应的调度时刻t的瞬时吞吐量rpc,g(t)
Figure FDA0003506954040000011
式中，B是调度时刻t分配的信道带宽，In表示n阶单位矩阵，P表示调度时刻t信号功率，σ表示调度时刻t噪声功率，H表示调度时刻t信道矩阵，H*表示调度时刻t信道矩阵的复共轭矩阵，det(·)表示计算行列式；
步骤4、根据信道预测和历史系统吞吐量数据，计算相应的调度时刻t的比例公平因子pfpc,g(t)，选择具有最大比例公平因子的N个用户组成用户组作为主小区P-Cell的调度用户组，其中，任意用户调度时刻t的所述比例公平因子pfpc,g(t)采用下式计算得到：
Figure FDA0003506954040000012
式中，rpc,g(t)表示调度时刻t的瞬时吞吐量；Rpc,g(i)表示前t-1时刻中第i个时刻的历史吞吐量，则有
Figure FDA0003506954040000013
表示前t-1个时刻的历史吞吐量的平均值；
步骤5、对两个从小区S-Cell使用基于角度特征的干扰近似计算方法获得对主小区P-Cell的调度用户组干扰较大的用户，将这些用户分别从两个从小区S-Cell中含有的所用用户中删除，两个从小区S-Cell中剩余的N个用户分别组成了两个从小区S-Cell的调度用户组，从小区S-Cell的用户则使用基于角度的小区间用户干扰计算方法对与主小区的调度用户组进行干扰规避；
步骤6、在时间窗口T之后重复步骤2至步骤5，T为系统的预热时间。
CN202110516817.4A 2021-05-12 2021-05-12 基于用户空域特征和信道预测的多小区调度方法 Active CN113242064B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110516817.4A CN113242064B (zh) 2021-05-12 2021-05-12 基于用户空域特征和信道预测的多小区调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110516817.4A CN113242064B (zh) 2021-05-12 2021-05-12 基于用户空域特征和信道预测的多小区调度方法

Publications (2)

Publication Number Publication Date
CN113242064A CN113242064A (zh) 2021-08-10
CN113242064B true CN113242064B (zh) 2022-06-21

Family

ID=77133691

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110516817.4A Active CN113242064B (zh) 2021-05-12 2021-05-12 基于用户空域特征和信道预测的多小区调度方法

Country Status (1)

Country Link
CN (1) CN113242064B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114626302B (zh) * 2022-03-18 2024-11-29 杭州勒贝格智能系统有限责任公司 基于Koopman算子和机器学习的信道预测方法、系统、终端及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102356561A (zh) * 2009-02-02 2012-02-15 高通股份有限公司 用于协作式波束成形的调度算法
CN111386747A (zh) * 2017-12-20 2020-07-07 联想（新加坡）私人有限公司 用于调度请求的随机接入过程

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102196587B (zh) * 2011-03-10 2015-04-15 东南大学 中继辅助通信系统中考虑多小区协作时的无线资源调度方法
US9917629B2 (en) * 2011-12-14 2018-03-13 Qualcomm Incoroporated Multi-hypothesis channel quality indicator feedback
WO2016065516A1 (zh) * 2014-10-27 2016-05-06 华为技术有限公司 一种自适应调制编码的方法及装置
CN105187163A (zh) * 2015-09-25 2015-12-23 河海大学 一种基于轮循调度的多小区联合自适应调制编码方法
CN110461000B (zh) * 2019-04-29 2022-04-01 中国联合网络通信集团有限公司 5g小区网络容量预测方法及装置
CN111246585B (zh) * 2020-01-14 2022-04-22 重庆邮电大学 一种基于信道状态的5g资源调度方法
CN112019245B (zh) * 2020-08-26 2021-11-16 上海科技大学 信道信息实时预测与测量方法、装置、设备和介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102356561A (zh) * 2009-02-02 2012-02-15 高通股份有限公司 用于协作式波束成形的调度算法
CN111386747A (zh) * 2017-12-20 2020-07-07 联想（新加坡）私人有限公司 用于调度请求的随机接入过程

Also Published As

Publication number Publication date
CN113242064A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
Yoshida et al. MAB-based client selection for federated learning with uncertain resources in mobile networks
Wang et al. Joint interference alignment and power control for dense networks via deep reinforcement learning
Zhao et al. Coordinated multipoint transmission with limited backhaul data transfer
Chen et al. Energy efficient resource allocation for IRS assisted CoMP systems
Zhang et al. Deep learning based user association in heterogeneous wireless networks
CN114143150B (zh) 一种用户公平性通信传输方法
CN107105453B (zh) 基于层次分析法和进化博弈理论的异构网络选择接入方法
Boccardi et al. Network MIMO with reduced backhaul requirements by MAC coordination
Yang et al. Mutual interference-aware throughput enhancement in massive IoT: A graph reinforcement learning framework
Huang et al. A DRL-based automated algorithm selection framework for cross-layer QoS-aware scheduling and antenna allocation in massive MIMO systems
CN113242064B (zh) 基于用户空域特征和信道预测的多小区调度方法
Hlophe et al. Energy-efficient transmissions in federated learning-assisted cognitive radio networks
Zhang et al. Downlink resource allocation for NOMA-based hybrid spectrum access in cognitive network
CN106788934B (zh) 一种大规模mimo系统中多小区联合的导频分配方法
Guo et al. QRMP-DQN empowered task offloading and resource allocation for the STAR-RIS assisted MEC systems
Karmakar et al. A learning-based dynamic clustering for coordinated multi-point (CoMP) operation with carrier aggregation in LTE-advanced
Li et al. Reinforcement learning power control algorithm based on graph signal processing for ultra-dense mobile networks
CN116133142B (zh) QoS约束下基于智能框架的高能效上行资源分配方法
Yan et al. BS-UE association and power allocation in heterogeneous massive MIMO systems
Li et al. User scheduling for uplink OFDMA systems by deep learning
CN108064070B (zh) 一种用于大规模mimo多小区网络的用户接入方法
Shao et al. Access optimization in 802.11 ax wlan for load balancing and competition avoidance of iptv traffic
Liu et al. A synchronous training hypergraph neural network for power allocation in multi-cell multi-user networks
Huang et al. Ellipsoid-based learning for robust resource allocation with differentiated QoS in massive internet of vehicles networks
Li et al. Convolutional neural network-based channel allocation and resource optimization for D2D communications

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant