回程延迟下用于弹性协同波束成形的时空调度预测

大家读完觉得有帮助记得关注和点赞！！！

摘要
分布式5G网络中的协同波束成形依赖于小区间调度信息的及时交换，但回程延迟会使这些信息变得陈旧。即使是一个传输时间间隔（TTI）的延迟，也会使CBF-SLNR性能降至非协同基线以下，因为预编码器会抑制对已不再活动用户的干扰。因此，基于陈旧信息的协同效果不如不进行协同。为解决这一问题，我们提出一个两阶段预测框架，其中谱时空图神经网络（StemGNN）从延迟的历史观测中预测未来的用户设备（UE）调度状态，并将预测结果替代CBF-SLNR预编码器的陈旧输入。在采用Quadriga城市微蜂窝（UMi）信道模型和比例公平调度器的三小区大规模MIMO下行链路场景（60个UE，每基站64天线）下进行评估，StemGNN实现了87.57%的平均调度预测准确率，在所有评估时域上均优于LSTM、GRU、简单RNN和马尔可夫链基线，在较长时域上（此时UE间结构依赖关系占主导，超过时间自相关）相比LSTM最高提升7.71%。当集成到协同波束成形中时，预测恢复了一个TTI回程延迟所造成总速率损失的57–73%，相比无预测基线总速率提升9.58–14.35%，并恢复了Lag-1场景下小区边缘用户公平性损失的83%，公平性增益在更高延迟值（吞吐量增益开始减弱时）依然持续。这些结果表明，将回程延迟视为时空预测问题，是延迟受限网络中实现鲁棒小区间协调的有效方法。

1 引言

现代5G网络及新兴的6G网络采用多基站（BS）间的协同波束成形（CBF）来降低小区间干扰并保持高频谱效率[10, 27, 5, 17]。在分布式无线接入网中，相邻基站通过回程链路交换信道状态和调度信息。这些链路带宽有限、常异步，且频繁引入延迟[25, 3]。结果，每个基站对更广网络视图几乎总是过时的，而用户活动变化快得多：用户持续地进入、离开或改变其调度状态[29, 15]。标准的CBF算法，如加权最小均方误差（WMMSE）优化[27, 26]，假设每个基站拥有新鲜的全局信道和调度信息。一旦这个假设被打破，总速率下降，小区间服务质量变得不均衡。

从边缘AI的角度看，每个基站是一个自治边缘节点，必须利用关于对等体的不完整和部分过时信息做出实时、延迟关键的决策。回程延迟、抖动和异步更新相当于节点间链路的一种部分故障：基站需要的信息并没有完全丢失，只是来得晚且陈旧。因此，边缘的波束成形控制器需要对这种信息陈旧故障保持鲁棒性，以维持服务可用性和跨小区一致的用户体验。

此问题的信任方面同样重要。每个基站的波束成形器依赖于从邻居接收的调度和信道报告，并且没有内置方式来区分异常或延迟到达的报告是反映了真实的网络行为、回程故障，还是路径中某处注入的篡改消息。基站越直接地依赖原始的最后收到的邻居数据，这个信任面就越大。一个基于学习、训练于合法邻居调度时间模式的预测器可以减少这种依赖：基站可以依赖自己对邻区的预测视图，并将延迟到达的报告视为修正而非地面真值。本文不旨在检测对抗性输入，但同样处理延迟的预测步骤也缩小了回程上攻击者暴露的攻击面。

尽管在CBF和机器学习辅助干扰管理方面取得了诸多进展，大多数现有工作要么假设理想的信息交换，要么将问题的空间和时间方面分开处理。图神经网络（GNN）通过将基站和用户表示为图中的节点，很好地捕捉了无线网络的空间结构[35, 16, 11]，近期基于GNN的波束成形方法[13, 23, 8, 9]表现强劲，但通常假设静态用户配置和同步信息访问。另一方面，谱时序预测模型如StemGNN[2, 31]捕捉多元时间依赖关系，但未与物理层波束成形决策关联。因此，现有框架均未联合解决：(i) 延迟的基站间信息，(ii) 动态用户群体，和 (iii) 适合边缘部署的协同波束成形。

在本文中，我们将回程延迟下的协同波束成形重构为预测辅助决策问题，在每个基站本地运行。每个边缘节点使用基于StemGNN[2]的谱时序GNN，从过去的延迟观测中预测相邻小区的当前用户设备（UE）调度状态，并将这些预测馈入信漏噪比（SLNR）协同波束成形器（概述见图1）。为处理实际网络中动态变化的用户群体，我们扩展了架构以支持可变数量的UE和置换不变表示，使得同一模型在用户加入、离开或重排时仍然有效。由此产生的控制器即使在回程延迟且用户活动随机时也能抑制小区间干扰，并为协作无线推理提供了一个容错边缘AI管道的具体实例。

图1：所提出的预测辅助协同波束成形框架。每个基站使用谱时序GNN从延迟的回程观测中预测相邻小区的当前调度状态，并将预测馈入基于SLNR的协同波束成形器。

贡献。本文的主要贡献如下：

• 我们将回程延迟下的基站间UE调度预测形式化为多变量二值时间序列问题，并对谱时序GNN与循环网络（RNN, LSTM, GRU）和马尔可夫基线进行了基准测试。

• 我们用置换不变的输入和输出表示扩展了StemGNN，支持动态、可变数量的UE而无需重新训练，使其适用于实际边缘部署。

• 我们将预测的调度状态集成到基于SLNR的CBF管道中，并在多种回程延迟和动态用户活动条件下，测量相对于直接使用陈旧信息的传统波束成形的总速率增益。

2 相关工作

2.1 协同波束成形与陈旧信息的代价

大规模MIMO和协同波束成形已成为密集多小区部署中管理干扰的标准工具[22, 17, 20, 1, 10]。该领域的经典算法，主要是WMMSE[27]和分数规划[26]，当每个基站拥有来自所有邻居的准确且及时的信道状态和调度信息时，能达到接近最优的总速率。实际中很少如此。在云和分布式RAN架构中，回程链路带宽受限且异步，用于驱动这些算法的小区间信息是延迟的、部分的，或两者兼有[3, 25]。WMMSE和FP中的重复矩阵求逆和迭代步骤也将其计算成本推高到超出在基站等边缘节点上实时执行的合理范围[20, 22]。去中心化变体减轻了部分负担，但仍需要频繁的小区间信令，而这同样受回程延迟影响[10, 19]。从边缘部署的角度看，这指向一个明确的故障模式：当馈送给协同算法的数据迟到或不完整时，算法会产生一个自信但错误的决策，而系统没有后备方案。

2.2 机器学习方法及其边缘影响

为绕过这些限制，大量近期工作使用机器学习进行无线资源分配和干扰管理[7, 33, 12]。基本思想是用从网络状态到控制动作的学习映射替代迭代优化，这降低了推理延迟并适应边缘执行的时序预算。强化学习已被应用于波束成形、功率分配和小区间协调，将其建模为序贯决策问题[21, 24]，尽管在快速变化条件下的稳定性仍然令人担忧。将信道观测直接映射到波束成形向量的监督深度学习模型[28]进一步降低复杂度，但往往忽略小区间的结构依赖。从部署角度看，这些模型也引发了信任和鲁棒性问题：在边缘运行学习模型的基站继承其训练数据和运行时输入数据的完整性，而大多数工作并未讨论当这些输入陈旧、缺失或被篡改时模型的行为。

2.3 图模型与时空模型

无线网络具有天然的图结构，基站和用户为节点，干扰关系为边。图神经网络（GNN）[16, 11, 30, 35]非常适合这种结构，因为其消息传递是置换不变的，并尊重网络的连通性。基于GNN的波束成形方法，包括HSTGNN[13, 34]等异质变体以及[23, 8, 9]中的方法，能在毫秒级推理内达到接近最优的总速率，这与边缘执行兼容。这类工作的主要限制是假设静态或缓慢变化的用户配置。真实的蜂窝流量并非如此：用户在更短的时间尺度上进入、离开和改变调度状态[5, 29, 15]。

在时序方面，谱时序模型如StemGNN[2]通过在频域联合建模时间依赖和序列间相关性来预测多元时间序列。Graph WaveNet[31]将图卷积与扩张时间卷积结合用于类似目的，DCRNN和STGCN也遵循相关思路[18, 32]。这些模型被设计为预测器，通常不与波束成形等物理层决策相连接。

2.4 本文定位

综合这些线索，对于分布式RAN中的边缘AI部署，有三点观察尤为突出。经典CBF假设边缘实际并不具备的信息条件。基于ML的波束成形捕捉空间结构但将用户活动视为静态。时空预测器捕捉时序方面但止于波束成形管道。据我们所知，尚无现有框架以可边缘部署的形式联合解决：(i) 网络的空间结构，(ii) 用户活动的时间演化，和 (iii) 基站间信息的陈旧性。本文正是针对这一交集，将用于延迟邻居调度的谱时序GNN预测器与基于SLNR的协同波束成形器相结合，使每个基站能够在不盲目信任可能出错或陈旧的邻居报告的情况下做出波束成形决策。

3 系统模型与问题描述

3.1 多小区下行链路模型

我们考虑一个下行链路大规模MIMO网络，包含B个基站在相同的时频资源上运行，每个基站*b* ∈ {1, …,B} 有M根天线，服务K_b个单天线用户设备（UE）。网络中UE总数为K= Σ_{b=1}^{B}K_b。我们将从基站b'到由基站*b*服务的UE *k*的信道向量表示为h_{b', b, k} ∈ ℂ^M。在我们的实验中，这些信道使用Quadriga城市微蜂窝传播模型[5]生成，该模型捕获路径损耗、阴影和多径衰落。

在时隙（TTI）*t*，基站*b*发送线性预编码信号

其中w{b,k}(t) ∈ ℂ^M 是小区*b*中UE *k*的波束成形向量，s{b,k}(t) ∼ 𝒞𝒩(0,1) 是单位功率数据符号。每个基站受每小区发射功率约束 Σ_{k=1}^{K_b} ‖w_{b,k}(t)‖² ≤ P_max。

小区*b*中UE *k*接收到的信号为

其中 u_{b,k} ∼ 𝒞𝒩(0, σ_u²) 是加性高斯噪声（为可读性省略时间下标）。右侧三项分别为期望信号、小区内干扰和小区间干扰。由此，UE (b,k) 的SINR和可达速率为

3.2 用户调度与回程延迟

在每个TTI，基站*b*运行比例公平调度器[15, 29]，选择其UE的子集进行传输。我们用二值调度向量表示这一决策

只有活动UE对(2)中的干扰项有贡献，因此全局调度状态s(t) = [s_1(t); …;s_B(t)] 直接塑造网络中每个UE处的干扰模式。

在分布式RAN中，每个基站通过回程链路与邻居共享其调度决策和信道状态。我们将回程建模为引入固定延迟 τ ≥ 1 个TTI。因此，在TTI t，每个基站仅能观察到关于其邻居的

从边缘部署角度看，这种延迟是边缘节点间链路的结构属性，而非偶然事件，因此基站上运行的任何协调逻辑都必须通过设计容忍它。

3.3 基于陈旧信息的协同波束成形

协同波束成形旨在每基站功率约束下最大化网络总速率：

该问题非凸；迭代方法如WMMSE[27]和分数规划[26]在假设每个基站能及时访问全局信道和调度状态下求解。基于信漏噪比（SLNR）准则的协同波束成形为每个UE提供了闭式替代方案，非常适合边缘的分布式执行[10]。对于小区*b*中的UE *k*，SLNR定义为

其中泄漏协方差

仅对相邻小区中当前活动的UE求和。最大化SLNR的预编码器是矩阵对 (h{b,b,k}h{b,b,k}^H ,Q_b(t) + σ_u²I) 的主广义特征向量，实际中我们使用Q_b(t)的秩-L近似以将复杂度保持在边缘节点每TTI预算内。

(8)中对当前调度状态s_l(t) 的依赖是核心问题。当基站仅有陈旧观测s_l(t-τ) 时，它要么 (i) 直接将陈旧观测代入(8)，这会构建错误的泄漏协方差，将零陷导向已不再活动的UE，同时忽略在此期间变为活动的UE；要么 (ii) 从延迟历史推断当前调度状态。我们选择第二种方案。

3.4 预测辅助形式化

令

表示在相邻基站观察到的、小区b'最近的T_win个延迟调度向量。每个基站应用学习的每小区预测器 f_{θ_{b'}} 来生成当前时刻估计

并将此替代(8)中的s{b'}(t-τ)。整体设计问题因此成为一个联合学习与控制任务：学习每小区预测器 { f{θ_{b'}} }，当接入(7)-(8)的SLNR预编码器时，在延迟τ下尽可能多地恢复(6)中的总速率。

边缘设置带来了两个实际约束。首先，预测器必须在基站本地以TTI粒度运行，这排除了任何集中式或高延迟方案。其次，预测器不应依赖于固定的UE身份或固定顺序，因为用户连续进入和离开小区。因此，我们要求 f_θ 在UE维度上是置换不变的，使得同一训练模型无需重新训练即可处理可变的K_{b'}。

4 所提出的时空调度预测框架

所提出的框架是一个两阶段管道（图1）。在第一阶段，每个基站基于自身观测到的（延迟的）邻居调度历史训练一个谱时序GNN预测器。在第二阶段，训练好的预测器被接入SLNR协同波束成形器，使得泄漏协方差(8)基于ŝ{b'}(t) 而非s{b'}(t-τ) 构建。两个阶段共享相同的仿真器、信道实现和比例公平调度器，因此预测器在其后续部署的相同运行状态下训练。

4.1 谱时序GNN预测器

我们使用StemGNN架构[2]，一种最初为多元时间序列预测提出的谱时序图神经网络。其适用性是直接的：小区b'的K_{b'}条调度序列通过生成它们的比例公平调度器而相互关联，StemGNN在谱域联合建模时间依赖和序列间依赖。该网络有三个组件。

潜在相关层。输入窗口X∈ {0,1}^{T_win × K_{b'}} 通过GRU[4]，对隐藏状态的自注意力层产生学习到的邻接矩阵A∈ ℝ^{K_{b'} × K_{b'}}。该A捕获哪些UE对倾向于被共同调度，是从数据中学习而非先验指定的。

StemGNN块。使用A的特征基的图傅里叶变换（GFT）将多元输入投影到谱域，其中UE间相关性变为正交。谱序贯单元随后对每个（现已解相关）分量沿时间轴应用离散傅里叶变换，用1D卷积和门控线性单元处理频域表示，并逆变换回时域。学习的图卷积和逆GFT封闭该块。两个这样的块堆叠并带有残差连接，其中第二块学习第一块的重构残差。

输出层。门控线性单元后接全连接层产生每UE激活logits，通过sigmoid σ(·)并阈值化0.5（如(10)）得到二值调度预测。由于调度预测是二分类任务而非[2]中的回归任务，我们用二值交叉熵损失训练网络：

其中 ŷ_k = σ( f_θ(𝐗) )_k，𝒟 是（历史窗口，目标调度）对的训练集。

4.2 置换不变性与可变用户数量

为满足上述第二个边缘约束，输入UE被视为潜在图的节点而非向量中的固定位置。潜在相关层在每次前向传递中从数据推断A，谱图卷积在构建上是置换等变的，每UE输出头在UE索引间共享。结果，同一训练模型无需重新训练即可处理小区b'中可变数量的UE：进入小区的UE作为新节点添加，离开的则丢弃，参数θ不变。

4.3 与SLNR波束成形器的集成

在推理时，每个接收基站*b*对每个相邻小区运行B-1份训练好的预测器副本，输入其手中现有的延迟历史 ℋ_{b'}(t)。预测的邻居调度向量ŝ_{b'}(t) 被馈入(8)以构建估计的泄漏协方差Q̂_b(t)，然后通过秩-L广义特征值分解计算(7)的SLNR预编码器。波束成形算法本身不做其他更改，这使预测器和波束成形器清晰解耦，预测器可重新训练或更换而无需触及物理层代码路径。

在操作上，每个基站每TTI持续产生波束成形决策，即使邻居报告延迟到达，该决策也不再是最近接收消息的直接函数。预测器充当邻居预期行为的学习模型，因此单个缺失、延迟或异常报告本身无法驱动波束成形器进入故障状态。

4.4 算法

算法1总结了完整管道。第3-5行涵盖初始数据收集阶段，在此期间基站运行使用陈旧调度的常规CBF-SLNR，并累积历史张量 ℋ ∈ {0,1}^{B × K × T_total}。在固定TTI t_train，每个基站基于其累积历史训练自己的预测器（第16-19行）。从 t_train+1 开始，训练好的预测器在SLNR预编码器中替代陈旧邻居调度（第7-10行）。训练使用Adam优化器，学习率10⁻³，小批量大小32，梯度裁剪最大范数1.0，验证损失早停耐心15，并按严格时间顺序80/20训练-验证划分，避免未来到过去的时序泄漏。

算法1 两阶段预测辅助CBF-SLNR管道
输入：信道H；回程延迟 τ；历史窗口 T_win；总时域 T_total；训练触发 t_train。
输出：波束成形器 {w{b,k}(t)}；总速率；边缘速率。
1: 初始化历史 ℋ ∈ {0,1}^{B×K×T_total}，PF速率历史 r̄_b(t)，预测器 ← ∅
2: for t ← 0 to T_total-1 do
3: // 调度
4: for each BS b dosb(t) ← PF(H, r̄_b(t) ); 存储至 ℋ[·,·,t]
5: // 邻居调度估计
6: if 预测器 = ∅ then
7:ŝ{b'}(t) ←s{b'}(t-τ) for all b' // 陈旧基线
8: else
9: for each BS b' do
10: ℋ_{b'}(t) ← ℋ[ b', ·, t-τ-T_win+1 : t-τ ]
11:ŝ{b'}(t) ← 𝟙[ f{θ_{b'}}( ℋ_{b'}(t) ) > 0.5 ]
12: end for
13: end if
14: // CBF-SLNR
15: 从 {ŝ{b'}(t) }{b'≠b} 通过(8)构建Q̂b(t)
16: 通过 (h{b,b,k}h{b,b,k}^H ,Q̂b(t)+σ_u²I) 的秩-L GEVD 计算SLNR预编码器w{b,k}(t)
17: 通过(3)计算速率 R{b,k}(t)；更新 r̄_b(t)
18: // 一次性训练预测器
19: if t = t_train then
20: for each BS b' do
21: 从 ℋ[ b', ·, 0:t_train ] 构建 𝒟_{b'}，使用延迟τ、窗口T_win；时间顺序80/20划分
22: 通过最小化(11)训练 f_{θ_{b'}}，使用Adam、BCE损失、梯度裁剪、早停
23: end for
24: 预测器 ← { f_{θ_{b'}} }{b'=1}^B
25: end if
26: end for
27: return {w{b,k}(t)}，总速率，边缘速率

5 实验结果

5.1 实验设置

我们在一个三小区大规模MIMO下行链路网络中评估所提出的框架，该网络有60个单天线UE（小区0、1、2分别有22、20和18个），每基站64根天线，每个BS运行相同的比例公平调度器。信道矩阵使用Quadriga城市微蜂窝（UMi）传播模型[5]生成，该模型捕获现实城市条件下的路径损耗、阴影和多径衰落，广泛用于5G和6G系统级评估。配置遵循代表性的大规模MIMO部署参数，而非程式化学术设置。评估了两种子载波配置：1 SC（窄带）和48 SC（宽带），共同覆盖实际部署的典型运行体制。考虑回程延迟 τ ∈ {1, 3, 5} TTI。所有模型使用12步延迟历史窗口（T_win=12）。

StemGNN的基准模型包括LSTM[14]、GRU[4]、简单RNN[6]、三阶马尔可夫链和简单移动平均基线。进行两个实验。实验1评估2000个TTI上的独立调度预测，采用70/20/10时间顺序训练/验证/测试划分。实验2将训练好的预测器集成到实时CBF-SLNR管道中，持续2000个TTI，模型训练在TTI 1600触发，基于协同波束成形条件下积累的调度历史，性能在最后400个TTI上测量。StemGNN相对于基线的相对改进报告为 (V_StemGNN - V_baseline) / V_baseline × 100%。结果汇总自18个独立运行条件，即不同UE数量的三个小区、两种子载波配置和三种回程延迟，因此以下趋势反映一致行为而非单次有利运行。

5.2 调度预测准确率

表1报告了Horizon 1的预测准确率以及StemGNN相比各基线的相对提升。

表1：Horizon 1的调度预测准确率（%），以及StemGNN相比各基线的相对提升。

StemGNN在Horizon 1达到87.57%的平均准确率，在每个小区上均领先。它比最强的循环基线（GRU）高出1.83个百分点，比三阶马尔可夫链高出2.70，比简单移动平均高出40.92。循环基线紧密聚集在85.82%至86.00%之间，这表明对于短程二值调度动态，门控机制相较于普通循环带来的增益很小。在Horizon 1，谱图预测器相比调优良好的循环基线的领先幅度虽不大但跨小区一致。

表2报告了Horizon 3和5的准确率。

表2：在预测步长3和5下的调度预测准确率（%），以及StemGNN相较于各循环基线模型的平均提升幅度。

StemGNN在两个较长时域上均保持领先循环基线3至6个百分点，且差距随预测时域增大而扩大。相比LSTM的优势从Horizon 1的1.84%扩大到Horizon 3的7.71%，相比GRU的优势在相同范围内从1.83%扩大到5.72%。在较长时域，短程时间自相关衰减后，主导预测信号转向UE间协同调度结构，StemGNN的谱图组件联合捕获所有UE的这种结构，而循环模型仍孤立处理每个序列。

5.3 CBF-SLNR集成结果

表3报告了无ML补偿、使用陈旧调度时的CBF-SLNR性能。此设置隔离了回程故障未纠正时发生的情况。

表3：无ML预测条件下，不同回程延迟时的CBF-SLNR性能。总和速率与边缘速率的单位为比特/秒/赫兹。

一个TTI的回程延迟使48-SC总速率下降11.5%，实际性能低于非协同REZF基线（138.93 vs 149.40），这意味着在陈旧输入上运行协同波束成形比完全不协同更差。在Lag 1，预编码器将零陷导向上一时隙调度但可能已不活动的UE，并将干扰导向实际活动的UE。Lag 3部分恢复，因为几个时隙前的信息失去特异性，预编码器退化为通用的非协同波束成形，相比之下无害。这正是部署系统需要在新鲜信息缺失时激活故障容忍机制的场景。

表4和图2报告了Lag 1（增益最大的工作点）下使用ML预测调度的端到端CBF-SLNR性能。

表4：延迟1条件下，采用ML预测调度时的CBF-SLNR性能。总和速率与边缘速率单位为比特/秒/赫兹；Improv.表示StemGNN相较于基线方案在总和速率上的相对增益。

图2：使用ML预测调度的CBF-SLNR总速率随回程延迟变化，左为1 SC，右为48 SC。StemGNN在所有延迟值上持续领先。虚线标记理想的Lag 0上界。

在Lag 1接入StemGNN预测器后，48-SC总速率从138.93提升至152.24 bits/s/Hz，恢复了与理想Lag-0上界差距的73%，比无预测基线改进9.58%。在1-SC设置中，StemGNN恢复了Lag-1损失的57%，总速率比无预测基线提升14.35%。最大增益出现在Lag-1工作点，而这也正是未经补偿系统最不安全、最不适于部署的点。StemGNN在集成下也持续领先循环基线：相比GRU提升0.99%（48 SC）和3.09%（1 SC），相比LSTM提升1.56%（48 SC）和2.91%（1 SC）。优势在更高延迟下缩小，因为所有模型收敛至相似的准确率平台，这从图2中清晰可见。

边缘速率的增益在相对值上大于总速率增益，我们认为这是边缘可用性设置中更重要的发现之一。在1-SC配置中，StemGNN在Lag 1将边缘速率从1.507提升至1.757 bits/s/Hz，改进16.59%，并恢复了Lag-1公平性损失的83%。在Lag 3和Lag 5，即使总速率收益开始减弱，改进仍然持续，这表明框架在回程降级时为最易受协调失败影响的小区边缘用户保持了一致的服务质量[29]。在边缘部署中，这直接转化为回程退化时跨小区更均匀的体验质量。

图3：CBF-SLNR集成期间的调度预测准确率（48子载波）。所有模型从Lag 1到Lag 3急剧下降，此后趋于平稳。StemGNN在Lag 1以83.88%领先。

图3报告了CBF-SLNR集成期间不同回程延迟值下的预测准确率。所有模型从Lag 1到Lag 3急剧下降，StemGNN下降约21个百分点（从83.88%至62.91%），此后趋于平稳。在Lag 1，StemGNN领先GRU 2.42个百分点，领先LSTM 4.19个百分点。Lag 3准确率的崩溃直接解释了图2中总速率收益缩减的原因。Lag 1的集成准确率（83.88%）略低于独立预测的Horizon 1准确率（87.57%）。这一差距反映了闭环分布偏移：预测器自身对波束成形器的影响改变了干扰环境，并使调度动态微妙地偏离了其训练时的模式。这是任何闭环学习控制器的已知属性，而非模型本身的缺陷。

5.4 讨论

突出的三个发现如下：

首先，延迟-性能关系是非单调的。Lag 1比Lag 3或Lag 5更差，因为预编码器将零陷指向前一时隙活动但可能已不再活动的用户，因此自信的错误信息比完全没有信息更糟糕。所提出的框架直接针对这种故障模式，恢复了Lag-1总速率损失的57%至73%，相比无预测基线改进9.58%至14.35%。从容错角度看，这是边缘控制器必须存活的最坏情况窗口，也是预测器带来最大增益的窗口。

其次，StemGNN相比循环基线的优势随预测时域增长，在Horizon 3时相比LSTM最高达到7.71%。这证实了短程自相关衰减后，UE间协同调度结构成为主导预测信号。本文报告的数字应视为保守估计。使用比例公平调度器的Quadriga UMi仿真器产生的调度模式比真实网络（具有突发流量、高用户移动性、更密集部署和每小区更多UE）更规则。在这些更现实的条件下，谱图组件捕获的结构性UE间依赖将具有更大的预测价值，我们预期与纯时间循环模型的差距会扩大。

第三，Lag 1准确率较高（StemGNN为83.88%），但在Lag 3下降约21个百分点并此后平稳。两个效应在这里叠加：多步预测的不确定性增长，以及前述闭环分布偏移。这一准确率崩溃是当前框架的主要瓶颈，也是限制Lag 3和Lag 5总速率恢复的原因。这种失效曲线的形状本身对边缘部署是有用信息：系统在最需要可靠的工作点上最为可靠，且随着延迟进一步增长，系统优雅地退化为非协同基线，而非崩溃到故障状态。在评估的所有18个运行条件下，StemGNN相对循环和统计基线的排名保持一致，表明增益反映了框架的结构属性，而非特定配置的产物。

6 结论

本文解决了分布式5G网络中回程延迟下的协同波束成形问题，将其建模为边缘AI控制器必须在来自对等体的陈旧信息上运行的容错问题。我们提出了一个两阶段预测框架，其中谱时序GNN从延迟历史观测中预测未来UE调度状态，预测结果替代CBF-SLNR预编码器的陈旧输入，而无需修改核心波束成形算法。

三个结论突出如下。第一，延迟-性能关系是非单调的。一个TTI的延迟比三个或五个更有害，因为预编码器主动抑制对已不活动用户的干扰。自信的错误信息比没有信息更糟糕。预测在恰好这个最困难的工作点上最具价值，所提框架恢复了Lag-1总速率损失的57%至73%，使性能接近假设零延迟的理想上界。因此，该框架在系统最易受回程故障影响时恢复了服务可用性。

第二，时空图建模捕捉了纯时间循环模型无法捕捉的UE间协同调度依赖关系。优势随预测时域增长，这证实了短程自相关衰减后，结构性UE间相关性成为主导预测信号。本文报告的增益是保守的，在更大、更具突发性且用户移动性更高的部署中，谱图组件的结构优势预期会扩大。

第三，性能收益不成比例地落在小区边缘用户上。该框架在1-SC配置中恢复了Lag-1公平性损失的83%，这使得它既是一个吞吐量恢复工具，也是一个针对最易受影响用户的公平性机制。对于边缘部署，这意味着在相同回程故障条件下跨小区更均匀的体验质量。

未来工作将通过不确定性感知预测来应对从Lag 1到Lag 3的准确率急剧下降，其中模型输出置信度估计，预编码器根据可靠性加权邻居调度状态。这也扩展了引言中的信任论点，缩小了暴露给延迟或异常报告的面。进一步方向包括在任务感知损失下进行端到端联合训练、处理闭环分布偏移的在线自适应学习，以及在更大网络拓扑上的评估。