在分布式5G网络中，协调波束赋形依赖于及时交换小区间的调度信息，但回传延迟会使这些信息变得过时。即使是一个传输时间间隔（TTI）的延迟，也会使CBF-SLNR性能低于未协调的基线，因为预编码器会抑制对已不再活跃用户的干扰。因此，基于过时信息的协调比没有协调更糟。
为了解决这个问题，本文提出了一种两阶段预测框架，其中光谱时序图神经网络（StemGNN）从延迟的历史观测中预测未来的用户设备（UE）调度状态，并将这些预测替换为CBF-SLNR预编码器的过时输入。
在一个包含60个UE和每个基站64个天线的三小区大规模MIMO下行链路上，在Quadriga城市微型（UMi）信道和比例公平调度器下进行评估，StemGNN达到了87.57%的平均调度预测准确率，超越了LSTM、GRU、简单RNN和马尔可夫链基线，在所有评估的时间范围内，特别是在UE间结构依赖性主导于时间自相关的较长时间范围内，相比LSTM获得了高达7.71%的增益。
当将预测集成到协调波束赋形中时，这些预测恢复了因一个TTI的回传延迟导致的57-73%的总速率损失，相比于无预测基线提高了9.58-14.35%的总速率，并恢复了高达83%的Lag-1公平性损失，对于小区边缘用户的公平性提升在更高的滞后值下也持续存在，尽管吞吐量增益减小。
这些结果表明，将回传延迟视为时空预测问题是应对延迟约束网络中小区间协调的有效方法。
博主点评： 本文通过引入光谱时序图神经网络，成功解决了回传延迟问题对5G网络波束赋形性能的影响，展示了深度学习在通信领域的应用潜力，具有很高的实际意义和参考价值。未来的研究可以进一步探讨如何优化模型的实时性和准确性，以应对更复杂的网络环境。