МЕТОД ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ ПЕРЕДАЧІ МЕРЕЖ WI-FI ТА LTE-U З ВИКОРИСТАННЯМ ML-АЛГОРИТМІВ

Анотація

У статті розглядається задача адаптивного доступу LTE у
неліцензованому спектрі з урахуванням співіснування з Wi-Fi, регуляторних обмежень та
обмежених ресурсів краєвих пристроїв. Пропонується робоча архітектура, що поєднує легкі
згорткові нейронні мережі для класифікації та детекції радіосигналів, рекурентні моделі для
короткострокового прогнозування завантаження каналу і алгоритми підкріплювального навчання
для прийняття рішень про вибір каналу, TXOP та шаблони вимкнення. Запропонований підхід
оптимізує пропускну здатність LTE за умови збереження справедливості щодо Wi-Fi, мінімізуючи
накладні витрати та передачу сирих даних за рахунок легких моделей і федеративних стратегій.
Наведено критерії оцінки, описано експериментальні сценарії та обґрунтовано переваги над
статичними методами. Запропонований підхід комбінує методи спостереження, прогнозування та
управління в єдину робочу архітектуру, яка забезпечує практичну можливість підвищення
спектральної ефективності LTE у неліцензованому діапазоні при одночасному дотриманні критеріїв
справедливості щодо Wi-Fi.
Ключові слова: Wi-Fi, LTE, неліцензований спектр, CNN, машинне навчання, RL-LSTM, Qнавчання

Список використаної літератури
1. License assisted access-WiFi coexistence with TXOP backoff for LTE in unlicensed band / S.
Saadat et al. China Communications. 2017. Vol. 14, no. 3. P. 1–14. URL:
https://doi.org/10.1109/cc.2017.7897317.
2. Alhulayil M., Lopez-Benitez M. LTE/Wi-Fi Coexistence in Unlicensed Bands Based on
Dynamic Transmission Opportunity. 2020 IEEE Wireless Communications and Networking
Conference Workshops (WCNCW), Seoul, Korea (South), 6–9 April 2020. 2020. URL:
https://doi.org/10.1109/wcncw48565.2020.9124747.
3. Machine Learning Enabled Spectrum Sharing in Dense LTE-U/Wi-Fi Coexistence Scenarios
/ A. Dziedzic et al. IEEE Open Journal of Vehicular Technology. 2020. Vol. 1. P. 173–189. URL:
https://doi.org/10.1109/ojvt.2020.2981519.
4. An Alytical Study Of Cellular Networks LTE-U and Wi-Fi in 5G Environment. Lahore
Garrison University Research Journal of Computer Science and Information Technology. 2024. P.
17–31. URL: https://doi.org/10.54692/lgurjcsit.2024.083503.
5. Ahmad O., Farooq B. Auxiliary-LSTM based floor-level occupancy prediction using Wi-Fi
access point logs. Journal of Smart Cities and Society. 2022. Vol. 1, no. 3. P. 195–211. URL:
https://doi.org/10.3233/scs-220012.
6. A Q-Learning Scheme for Fair Coexistence Between LTE and Wi-Fi in Unlicensed Spectrum
/ V. Maglogiannis et al. IEEE Access. 2018. Vol. 6. P. 27278–27293. URL:
https://doi.org/10.1109/access.2018.2829492.
7. Dynamic Spectrum Coexistence of NR-V2X and Wi-Fi 6E using Deep Reinforcement
Learning / K. D. Shah et al. IEEE Open Journal of the Computer Society. 2025. P. 1–12. URL:
https://doi.org/10.1109/ojcs.2025.3586664.
8. Wi-Fi Coexistence with Duty Cycled LTE-U / Y. Pang et al. Wireless Communications and
Mobile Computing. 2017. Vol. 2017. P. 1–10. URL: https://doi.org/10.1155/2017/6486380.
9. RL-Based Energy-Efficient Data Transmission Over Hybrid BLE/LTE/Wi-Fi/LoRa UAVAssisted Wireless Network / W. A. Nelson et al. IEEE/ACM Transactions on Networking. 2023. P.
1–16. URL: https://doi.org/10.1109/tnet.2023.3332296.
10. He L., Cheng H., Zhang Y. Centralized and Decentralized Event-Triggered Nash EquilibriumSeeking Strategies for Heterogeneous Multi-Agent Systems. Mathematics. 2025. Vol. 13, no. 3. P.
419. URL: https://doi.org/10.3390/math13030419.
11. Ali R., Almagrabi A. O. Beyond Wi-Fi 7: Enhanced Decentralized Wireless Local Area
Networks with Federated Reinforcement Learning. Computers, Materials & Continua. 2025. P. 1–10.
URL: https://doi.org/10.32604/cmc.2025.070224.
12. Reinforcement Learning for Efficient and Fair Coexistence Between LTE-LAA and Wi-Fi /
M. Han et al. IEEE Transactions on Vehicular Technology. 2020. Vol. 69, no. 8. P. 8764–8776. URL:
https://doi.org/10.1109/tvt.2020.2994525.
13. Basnet M. B. Predicting Channel Quality Indicator (CQI) in LTE Using Ensemble Learning
Approaches. Divya Gyan Journal of Business and Computing. 2026. Vol. 1, no. 1. P. 55–72. URL:
https://doi.org/10.3126/dgjbc.v1i1.91087.
14. Muthirayan D., Kalathil D., Khargonekar P. P. Meta-Learning Online Control for Linear
Dynamical Systems. IEEE Transactions on Automatic Control. 2025. P. 1–7. URL:
https://doi.org/10.1109/tac.2025.3536839.