Appropriate allocation of system resources is essential for meeting the increased user-traffic demands in the next generation wireless technologies. Traditionally, the system relies on channel state information (CSI) of the users for optimizing the resource allocation, which becomes costly for fast-varying channel conditions. In such cases, an estimate of the terminals’ position information provides an alternative to estimating the channel condition. In this work, we propose a coordinates-based resource allocation scheme using supervised machine learning techniques, and investigate how efficiently this scheme performs in comparison to the traditional approach under various propagation conditions. We consider a simple system setup as a first step, where a single transmitter serves a single mobile user. The performance results show that the coordinates-based resource allocation scheme achieves a performance very close to the CSI-based scheme, even when the available user’s coordinates are erroneous. The performance is quite consistent, especially when complex learning frameworks like random forest and neural network are used for resource allocation. In terms of applicability, a training time of about 4 s is required for coordinates-based resource allocation using random forest algorithm, and the appropriate resource allocation is predicted in less than 90 $\mu \text{s}$ with a learnt model of size < 1 kB.

中文翻译：

---

通过监督机器学习实现基于坐标的资源分配

适当分配系统资源对于满足下一代无线技术中不断增长的用户流量需求至关重要。传统上，系统依赖于用户的信道状态信息 (CSI) 来优化资源分配，这对于快速变化的信道条件变得昂贵。在这种情况下，终端位置信息的估计提供了估计信道条件的替代方案。在这项工作中，我们使用监督机器学习技术提出了一种基于坐标的资源分配方案，并研究了该方案在各种传播条件下与传统方法相比的效率。我们将简单的系统设置视为第一步，其中单个发射机为单个移动用户提供服务。性能结果表明，即使可用用户的坐标是错误的，基于坐标的资源分配方案的性能与基于 CSI 的方案非常接近。性能相当一致，尤其是在使用随机森林和神经网络等复杂学习框架进行资源分配时。在适用性方面，使用随机森林算法进行基于坐标的资源分配需要大约4 s的训练时间，并且在小于90的时间内预测出合适的资源分配 特别是当使用随机森林和神经网络等复杂的学习框架进行资源分配时。在适用性方面，使用随机森林算法进行基于坐标的资源分配需要大约4 s的训练时间，并且在小于90的时间内预测出合适的资源分配 特别是当使用随机森林和神经网络等复杂的学习框架进行资源分配时。在适用性方面，使用随机森林算法进行基于坐标的资源分配需要大约4 s的训练时间，并且在小于90的时间内预测出合适的资源分配 $\mu \text{s}$ 学习模型的大小 < 1 kB。