《Machine Learning and Knowledge Extraction》：GRIMCELL: A Graph Neural Network to Predict the Impact of New Cells in Mobile Networks
编辑推荐：
网络致密化将在下一代蜂窝网络中发挥重要作用，因为它解决了无线接入域中的覆盖和容量问题。然而，新增小区部署可能对邻区产生负面影响，需要仔细规划。不幸的是，超5G（Beyond 5G, B5G）和未来6G网络中实现的高级无线资源管理方案的复杂性，使得准确预测无线部
网络致密化将在下一代蜂窝网络中发挥重要作用，因为它解决了无线接入域中的覆盖和容量问题。然而，新增小区部署可能对邻区产生负面影响，需要仔细规划。不幸的是，超5G（Beyond 5G, B5G）和未来6G网络中实现的高级无线资源管理方案的复杂性，使得准确预测无线部署对现有小区的影响变得具有挑战性。本工作提出了GRIMCELL，一种新颖的数据驱动方法，用于估计无线部署（即新载波、扇区或站点）对小区性能的影响。为此，GRIMCELL结合了从商业供应商设备中收集的无线规划、配置管理（Configuration Management, CM）和性能管理（Performance Management, PM）数据。GRIMCELL的核心是一个经过验证的消息传递图神经网络（XENet），用于预测部署后新小区和现有小区的性能。对商业LTE-A Pro网络数据的评估表明，GRIMCELL在各种部署场景中提供了高精度和灵活性。
研究背景与意义方面，网络致密化是下一代蜂窝网络提升无线接入网覆盖和容量的关键手段，但新增小区可能对邻区性能产生负面影响，需要精细规划。超5G（Beyond 5G, B5G）和未来6G网络采用复杂度极高的先进无线资源管理机制，传统基于静态系统级仿真的规划工具计算代价高且难以反映时间动态，无法满足持续致密化需求。移动网络产生的海量数据使机器学习成为构建网络数字孪生的关键工具，而图神经网络（Graph Neural Network, GNN）擅长建模小区间的空间依赖，因此研究人员提出GRIMCELL，一种数据驱动的无线部署影响估计方法。该论文发表在《Machine Learning and Knowledge Extraction》。
研究人员利用无线规划信息、配置管理（Configuration Management, CM）数据和性能管理（Performance Management, PM）数据，核心采用经过验证的消息传递图神经网络（XENet）作为预测引擎，用于估计部署后新小区和现有小区的性能。方法分为三个阶段：数据集生成、图预处理和GNN模型。数据集生成阶段从无线电规划信息中构建邻区拓扑，根据定时提前
