摘要

本文探讨了高速铁路（HSR）通信中的人工智能（AI）基于波束级和小区级移动性管理的问题背景，提出了一种结合压缩感知（CS）和AI的方法，以改善空间-时间波束预测和小区切换性能。该解决方案通过减少测量开销，提高了系统吞吐量，并展示了AI辅助小区切换相对于传统移动切换机制的性能增益。此外，该方法在保持与传统方法相当的无线链路故障性能的同时，能够节省50%的波束测量开销。

原理

本文提出的AI-based beam-level和cell-level mobility management方法的核心在于利用压缩感知（CS）技术对多波束通道测量进行压缩，然后通过深度学习（DL）模型进行空间-时间波束预测。具体来说，DL模型使用历史多波束通道测量在压缩域中输出未来时隙的波束质量，其中CS测量矩阵是联合学习的。在训练阶段，完整的波束通道信息作为模型输入，CS矩阵作为第一层，即线性压缩层，压缩后的通道信息输入到剩余的神经网络中，重建所有候选波束的未来实例的完整RSRP信息。在推理阶段，训练好的测量矩阵应用于收发器，压缩测量输入到训练好的神经网络进行波束预测。

流程

本文提出的AI模型CSAI的工作流程包括以下步骤：

1. 使用CS技术对多波束通道测量进行压缩。
2. 将压缩后的测量数据输入到训练好的神经网络中。
3. 神经网络输出未来时隙的波束质量预测。
4. 根据预测结果进行波束切换或小区切换。 具体示例中，考虑了户外30 GHz毫米波通信的UMa场景，UE沿直线轨迹移动，代表HSR场景。通过实验比较了AI-based方法和传统非AI方法的性能，结果显示AI-based方法在高速移动情况下仍能保持较高的预测准确性。

应用

本文提出的AI-based mobility management方法适用于高速铁路通信系统，能够有效应对高速移动带来的挑战，如时间变化的无线通道、增加的信令开销和降低的系统吞吐量。该方法的应用前景包括但不限于：

1. 提高铁路安全、运营和维护的通信可靠性。
2. 支持铁路多媒体调度和高清视频监控等新兴应用。
3. 在高速移动环境下保持稳定的通信质量。