编辑推荐：
测量与处理延迟可能使窄波束在传输前失准，这促使研究人员基于近期含噪功率扫描进行预测。研究人员提出锚定波束卷积预测（ABCP），该方法将因果拟合的当前功率剖面与沿波束轴的浅层卷积校正相结合。在不重叠的仿真路径上进行的测试表明，与所评估的稠密和循环基线相比，ABC
测量与处理延迟可能使窄波束在传输前失准，这促使研究人员基于近期含噪功率扫描进行预测。研究人员提出锚定波束卷积预测（ABCP），该方法将因果拟合的当前功率剖面与沿波束轴的浅层卷积校正相结合。在不重叠的仿真路径上进行的测试表明，与所评估的稠密和循环基线相比，ABCP使用的可学习参数显著更少，而主要增益比较仍无定论。消融实验相对于受限对照支持了有序历史与局部滤波，且等效的NumPy实现比所测的PyTorch多层感知机（MLP）实现了更低的处理器时延。额外的路径划分与外部源空间评估刻画了分布敏感性。研究结论涵盖含噪的仿真全扫描观测及实现局限性。研究人员提出一个仅基于功率的紧凑预测器如何从全扫描中保留有序历史与相邻波束结构这一问题。ABCP将因果拟合的当前功率锚定与浅层共享波束轴校正相结合，采用既有的卷积、时间通道、残差学习与循环填充。受控比较考察了历史、局部性、锚定与填充，同时考察路径划分、外部迁移与代价。第2节观测与决策模型、第3节锚定波束卷积预测（ABCP）、第4节实验设置分别描述模型与实验，随后给出结果与局限性。表1中相关预测器使用不同的观测与预测目标，条目仅描述架构而不对其性能排序，?表示基于摘要的概述。图1(a)展示了基站（BS）与用户设备（UE）之间的延迟波束选择。半波长均匀线性阵列（ULA）采用??=??=32个阵元和离散傅里叶变换（DFT）波束。令????,??,??为经波束赋形的信道电压，按发射至噪声功率比之平方根缩放，在子带??上。在高斯加性接收机噪声下，定义干净功率与测量功率，标称噪声????,??,??～????(0,1)。在线推理期间，预测器仅观测含噪扫描??0:??，而干净功率????,??作为离线训练目标与评估真值。给定预测剖面，系统选择?????+??|??=arg max?? ?????+??|??,??，平局按最低索引解决。在10 ms探测间隔下，时域??∈{4,8}给出40 ms与80 ms前瞻延迟。研究人员定义归一化波束增益，并采用高斯信道速率表达式计算总频谱效率，增益中断定义为????,??<0.5，速率中断定义为????,??<1 bit/s/Hz，命中率表示选择最强功率波束的经验频率。ABCP将锚定与图1(b)所示的学习校正相结合。对于非负波束功率??∈???，定义??(??)对波束功率重新缩放同时保持其比值，分母下限防止除零。输入????∈?8×??按时间顺序堆叠??(?????7),…,??(????)以区分时间趋势，启动时重复最早可用扫描。对每个波束，对最近四个观测拟合最小二乘直线并在??处求值，得到裁剪归一化锚定????，其中较早步骤拟合所有可用样本。固定权重源于等间隔采样，和为1，并在裁剪前恢复仿射历史的当前端点。最旧的负权重将拟合与移动平均区分开，零CNN校正可恢复锚定。校正采用带循环波束索引的标准CNN卷积，两个宽度为三、16通道的层配以修正线性单元（ReLU）??，随后是宽度为一的线性输出。在每个时域上训练最小化对??(????+??)的均方误差（MSE），无置信门控、角度分解或在线自适应。宽度为三的层在八个扫描上覆盖1+2+2=5个归一化区间而无循环，偏好局部波束模式同时在归一化全局耦合下限制直接交互。宽度为一的头提供有符号残差校正以应对含噪拟合或突变，而循环填充连接端点波束。归一化、锚定、共享卷积与裁剪与循环波束索引移位????可交换，从而在精确算术下唯一最大值相应移位而无需各向同性传播。QuaDRiGa 2.8.1在Octave 9.4.0中生成3GPP TR 38.901城市微小区视距（LOS）与非视距（NLOS）信道，含球面波漂移。直线轨迹保留原生路损、阴影与簇归一化，子带功率相等且无时间插值。预测器在四个传播/速度分层间共享观测与目标，轨迹细节见补充第S7节。测试路径在传播/速度分层间平衡且与开发路径不重叠，模型选择在测试前完成。压力测试在主测试信道上增加32条6 m/s路径及从??20=1到4的成对观测方差缩放。学习基线共享开发数据与五个随机种子。多层感知机（MLP）与门控循环单元（GRU）使用ABCP的锚定与裁剪，采用MSE拟合并按验证增益选择检查点。补充第S3与S7节给出架构与拟合协议。增益、总频谱效率（SE）与中断在路径、分层与五次拟合上于??=40,…,319???平均。主要40 ms比较采用5000次成对自助重采样，在分层内重采样路径与五次拟合，并对三项主要比较进行Bonferroni调整。其他比较使用个体95%置信区间而不进行多重比较调整。这些区间反映固定训练与验证划分下测试路径与训练运行的变异。五次交叉验证（CV）按物理路径划分272条开发路径，按传播/速度分层，检查点与学习率在内层验证路径上选择。原始测试与压力路径被排除，划分与拟合细节见补充第S1节。外部迁移使用首尔、纽约与波士顿的DeepMIMO静态射线追踪，每城市30条路径及全部五个不变的QuaDRiGa拟合。时域四/八计数空间样本，无测试标签拟合。表3报告40/80 ms性能，粗体值标记描述性极值，神经计数不含较早门控预测器的拟合决策树。在40 ms，ABCP相对MLP的估计增益差为＋0.252个百分点（pp），Bonferroni调整区间从?1.379到1.632 pp。相对GRU差为＋0.394 pp，界限为?1.269与1.860 pp，相对无锚定为＋0.321 pp，界限为?0.195与1.389 pp。由于所有主要区间包含零，既未确立优越性也未确立等效性。在80 ms，＋0.740与＋1.091 pp的次要差异区间亦跨越零。在40与80 ms，次要ABCP减MLP总SE差为0.00825与0.01537 bit/s/Hz。由于总SE不含全扫描探测开销，这些差异不意味净吞吐增益。补充第S4–S5节提供剖面、分布、额外区间与速率中断结果。消融去除锚定、应用零填充、使用宽度为一核与433参数的点式变体、在当前重复变体中跨学习通道重复最新扫描，或使用锚定微型MLP含256–4–32单元与1188参数。当前重复保留锚定历史，而点式滤波降低容量。当前重复在40/80 ms降低增益4.972/5.708 pp，两个次要区间均排除零。点式损失0.764/1.170 pp具有正区间，但容量降低混淆了空间解释。约参数匹配的微型MLP损失3.354/4.330 pp。这些结果相对于所测对照支持有用的时间与局部结构。锚定的主要40 ms区间无定论。其次要80 ms优势为1.938 pp（[0.558,3.413]），无全零无锚定预测表明裁剪崩溃。零填充产生平均增益0.8253/0.8215，ABCP减零填充区间在两个时域均含零。因此，循环填充仍为预设选择而无已证明的增益益处。对于探索性延迟扫描，图2(a–d)中20–100 ms扫描复用120条测试路径与40/80 ms检查点，并在其他延迟额外拟合。同时增益区间在所有九个延迟含零，而总SE带在整个区间偏好ABCP胜过GRU，并在40–100 ms胜过MLP。ABCP具有比MLP与GRU更高的合并路径CV增益，图3(a,b)显示增益在各折间的变化。这些结果描述所开发架构的划分敏感性并补充原始测试区间。在图3(c–f)的外部测试中，相对更强锚定/持续性控制的描述性增益通常较小。在四样本，波士顿持续性得分0.8335对ABCP的0.8325。这些测试结合源、频带、带宽、间距与噪声变化而未隔离地理效应或验证时间性能。共享滤波器允许ABCP处理更多波束而不增加其可学习参数数。对于??波束、历史长度??、隐藏通道宽度??与核宽度??，两个隐藏卷积与宽度为一输出每次预测需要??(??????+????2+??)次乘累加（MAC）运算。历史归一化增加??(????)工作，而四扫描锚定、裁剪与波束选择各需??(??)。ABCP含偏置有??????+????2+3??+1个可学习参数，历史与激活的逻辑存储为??(??(??+??))。在固定??,??,??下，三个网络均具有??(??)推理工作与工作存储，而ABCP的可学习权重存储对??为??(1)，相比MLP与GRU的??(??)。补充第S3节给出详细基线公式、内存计数与测量条件。ABCP使用的参数比MLP与GRU少逾97%，但表4与图2(g,h)的时延随实现变化。PyTorch ABCP慢于PyTorch MLP，而等效NumPy推理比所测PyTorch MLP快约25%。因此参数数不决定执行代价，且未评估同等优化的MLP。T/N表示PyTorch/NumPy，MAC计数不含预处理、偏置加法与非线性。中央处理单元（CPU）时延含特征构建、预测与argmax但不含无线电采集与通信。在更高噪声下，ABCP平均增益低于MLP 0.736/0.254 pp，两个区间均跨越零。在单独6 m/s路径上，2.908 pp（[1.385,4.649]）与3.676 pp（[2.299,5.200]）的次要优势支持速度插值。主测试均值在3 m/s NLOS低于MLP而在10 m/s NLOS更高。ABCP需要全扫描与来自有限历史而无循环的延迟波束决策。因此系统级评估必须包含探测、通信与调度代价。循环填充假设端点邻接而不保证泛化，残差学习既不保证更易优化也不保证更小误差。直线轨迹遗漏转弯、簇过渡与扫描内运动。路径CV以所开发架构为条件，延迟扫描复用原始测试路径。静态射线追踪评估组合源/协议迁移，包括首尔的不同频率，而无实测时间验证或广泛地理覆盖。未来工作应首先在含重复轨迹、转弯与阻塞事件的实测时间信道上评估ABCP。此类数据将允许将预测误差与实际决策延迟上观测到的波束功率变化相关联。训练与评估应分离物理路径与采集会话，而额外环境与天线配置将检验同一架构是否在当前仿真之外仍有用。比较固定模型与在有限目标数据上重新训练的模型也将有助于区分直接迁移与局部自适应益处。部分扫描操作是第二个方向，因为当前输入假设每次观测每个波束都被探测。预测器可将可用功率与观测掩码及时间戳相结合，评估时考虑探测减少带来的信息损失。设备上测量随后应在所有方法相同资源预算下包含采集、特征构建、推理与波束切换延迟。在共同平台上测试优化的ABCP、MLP与GRU实现将阐明较小参数数是否转化为更低决策时延或能耗。以预期传输时间为条件进行预测可在一个模型内支持多个延迟时域，测试评估对处理与调度估计误差的敏感性。预测性网络控制、可重构传输、无人机移动性与卫星协调需要在确立净速率或能量益处前进行单独的观测与定时评估。进一步步骤是将预测耦合到考虑不确定性与额外探测代价的决策规则，然后在完整通信周期上评估有用数据速率。该决策规则的评估应在固定探测预算下跟踪额外探测请求、中断频率与有用数据速率，从而将可靠性与通信代价一并评估。ABCP将拟合的当前功率锚定与浅层波束轴校正相结合。其1201个参数比所评估的稠密与循环基线少逾97%，而主要增益比较仍无定论。消融支持有序历史与局部滤波，尽管点式对照降低容量。在这些含噪、填充与实现局限的仿真全扫描测试中，NumPy ABCP实现比PyTorch MLP更低的实测时延。
研究背景方面，移动性与信道变化可能在测量和处理延迟期间使窄波束失准，而探测又会带来额外开销。例如，控制器保留每10 ms采样的八个全扫描，可能需要为40或80 ms后的传输选择波束。基于摄像头的车载预测需要额外感知，而本研究在不依赖定位、相位相干信道或在线干净标签的条件下从含噪扫描预测未来功率。相关工作利用无相位接收信号强度（RSS）进行长短期记忆（LSTM）波束预测，卷积神经网络（CNN）从参考信号接收功率（RSRP）子集推断波束对。CSI-PNet的残差变体使用小卷积核配循环填充与时间输入通道预测复数信道状态信息（CSI）。相关方法包括R2-TBP，其结合卷积残差LSTM（CRLSTM）与注意力预测未来RSRP，以及移动感知深度波束追踪。在波束预测之外，MambaX使用状态预测控制进行图像超分辨率，SpectralGPT学习有序空间与频谱表示，其图像目标不同于功率扫描预测。本研究提出的核心问题是：一个仅基于功率的紧凑预测器如何从全扫描中保留有序历史与相邻波束结构。ABCP将因果拟合的当前功率锚定与浅层共享波束轴校正相结合，采用既有的卷积、时间通道、残差学习与循环填充。受控比较考察历史、局部性、锚定与填充，同时考察路径划分、外部迁移与代价。研究人员开展了仿真实验，得出ABCP使用显著更少可学习参数而主要增益比较无定论的结论，其意义在于提供了一种轻量、可解释的功率域预测架构并刻画了其分布敏感性与实现局限。为开展研究，关键技术方法包括：采用QuaDRiGa 2.8.1在Octave 9.4.0中生成3GPP TR 38.901城市微小区LOS与NLOS信道（含球面波漂移），样本队列为208/64/120条不重叠的训练/验证/测试路径，另有32条6 m/s压力测试路径及首尔、纽约、波士顿各30条DeepMIMO静态射线追踪外部迁移路径；采用五折交叉验证按物理路径划分272条开发路径并按传播/速度分层；主要比较采用5000次成对自助重采样并进行Bonferroni调整；采用NumPy与PyTorch实现进行CPU时延测量。研究结果方面，5.1性能比较通过表3的40/80 ms性能统计得出主要增益区间均含零、既未确立优越性也未确立等效性的结论。5.2消融分析通过去除锚定、零填充、点式变体、当前重复变体与锚定微型MLP的对照得出有序历史与局部滤波相对所测对照有用的结论，其中锚定主要40 ms区间无定论而次要80 ms优势为1.938 pp。5.3划分稳定性与空间迁移通过路径交叉验证与外部测试得出ABCP具有更高合并路径CV增益、外部描述性增益通常较小的结论。5.4复杂度与鲁棒性通过参数量与MAC分析及CPU时延测量得出ABCP参数少逾97%但时延随实现变化、NumPy推理比PyTorch MLP快约25%的结论，并报告更高噪声下ABCP平均增益低于MLP而6 m/s路径上具次要优势。讨论部分指出ABCP需要全扫描与来自有限历史而无循环的延迟决策，系统级评估必须包含探测、通信与调度代价；循环填充假设端点邻接而不保证泛化，残差学习既不保证更易优化也不保证更小误差；直线轨迹遗漏转弯、簇过渡与扫描内运动；路径CV以所开发架构为条件且延迟扫描复用原始测试路径；静态射线追踪评估组合源/协议迁移而无实测时间验证或广泛地理覆盖。未来工作建议在含重复轨迹、转弯与阻塞事件的实测时间信道上评估，分离物理路径与采集会话，探索部分扫描操作与观测掩码，在共同平台上测量采集、特征构建、推理与波束切换延迟，并将预测耦合到考虑不确定性与探测代价的决策规则。研究结论译为：ABCP将拟合的当前功率锚定与浅层波束轴校正相结合，其1201个参数比所评估的稠密与循环基线少逾97%，而主要增益比较仍无定论；消融支持有序历史与局部滤波，尽管点式对照降低容量；在这些含噪、填充与实现局限的仿真全扫描测试中，NumPy ABCP实现比PyTorch MLP更低的实测时延。
