摘要

本文提出了一种名为GenTrap的新型无线链路故障预测框架，该框架针对5G无线接入网络（RAN）中的无线链路故障（RLF）预测系统。GenTrap框架通过引入图神经网络（GNN）基于的可学习天气效应聚合模块和最先进的时间序列转换器，有效地学习了RAN及其周围天气站的时空上下文。该框架能够集成到任何现有的预测模型中，以实现更好的性能和泛化能力。通过在两个真实世界数据集（农村和城市）上进行评估，GenTrap在F1分数上显著优于其他模型，显示出其在5G网络中确保无缝通信和满足高数据速率、低延迟和改进可靠性要求的潜力。

原理

GenTrap框架的核心在于其能够动态学习天气属性对无线链路的影响，并利用时间序列转换器编码复杂的时序依赖关系。具体来说，GenTrap通过GNN模块动态学习周围天气站对无线链路的影响，并实现对未见无线链路的泛化模型。此外，时间序列转换器能够通过学习过去的时间点来关注预测未来链路故障的重要时间点。这种结合了GNN和转换器的方法，使得GenTrap能够有效地捕捉天气效应并应用于时间序列的无线和天气数据编码，从而实现先进的无线链路故障预测。

流程

GenTrap的工作流程包括三个主要模块：GNN聚合、广义转换器分支和前馈分支。首先，GNN聚合模块学习无线和天气站的时空上下文。其次，转换器分支处理时间序列的无线链路和天气站数据。最后，前馈分支处理静态的无线链路和天气站特征，并将两个上下文特征向量连接起来，通过最终的前馈网络产生链路故障的最终输出向量。整个流程通过动态选择最接近的天气站并使用转换器模块生成上下文感知表示向量，然后通过全局平均池化和最大聚合操作生成最终的节点嵌入向量，用于链路故障预测。

应用

GenTrap框架的应用前景广泛，特别是在需要高网络带宽、强可靠性和快速通信速度的现代网络应用中，如工业4.0、智能交通系统、健康信息学和增强/虚拟现实（AR/VR）。通过预测无线链路故障，服务提供商可以采取必要的预防措施，支持实时应用，从而提高用户体验并节省网络运营商的时间、成本和资源。此外，GenTrap的泛化能力使其能够适应动态变化的链路，为未来的5G网络部署提供了强大的支持。