📘 《AI 時代系列（6）：進階通訊工程——邁向2035年太空星鏈網路時代》
📘 第 9周: 🤖 AI-native Network：RAN × Core × NTN 的智慧大腦
未來 6G 的核心章節
86／150單元： AI QoE / 智慧切換 🔄
用 AI 找到「最佳基地台」：Quality of Experience × Smart Handover
________________________________________
🎯 單元導讀
在 4G / 5G 時代，手機選台主要靠：
• RSRP
• RSRQ
• SINR
• 負載
• 小區黑名單
但到了 6G / NTN / Dense HetNet / O-RAN，這些指標根本不夠用了。
使用者真正關心的是：
❗「影片能不卡嗎？」
❗「遊戲 ping 穩不穩？」
❗「上傳衛星影像速度快不快？」
❗「視訊會議會不會突然 freeze？」
這些體驗的品質叫做：
⭐ QoE：Quality of Experience
而 AI 會做的事是：
📌 不只是看訊號
📌 也不只是看負載
📌 而是 預測使用者一分鐘後、五分鐘後的體驗
📌 並選出 未來最佳基地台（proactive HO）
這就是 6G 的智慧切換。
________________________________________
🧠 一、什麼是 QoE（Quality of Experience）？
QoE = 人類感受到的品質
不像 QoS（封包指標），QoE考慮：
• buffer freeze 數
• 遊戲 jitter
• web loading time
• video bitrate
• FEC recovery 數量
• UE activity pattern
• App 類型（遊戲 / 影片 / Chat / IoT）
• 使用者未來移動軌跡
AI 會把這些全部抓進模型裡。
________________________________________
🧠 二、AI 智慧切換 Smart Handover：跟過去差在哪？
傳統切換（HO）依賴：
✓ 門檻
✓ 過濾器
✓ RSRP/RSRQ rule
✓ A3/A5 event
這些有三大問題：
❌ 太慢（反應不及移動 UE）
❌ 太笨（只看訊號，不看體驗）
❌ 太死板（無法自我預測）
6G 的 AI HO 是：
⭐ 預測未來 5–10 秒的 QoE
⭐ 並選擇未來體驗最好的基地台
⭐ 而不是訊號最強的那個
________________________________________
🧠 三、AI HO 的輸入是什麼？
AI 會吃「巨量資料」：
________________________________________
📡 資料 1：無線側（RAN）
• RSRP（參考訊號接收功率）
• RSRQ（參考訊號接收品質）
• SINR（訊號對干擾雜訊比）
• CQI（通道品質指標）
• MCS（調變與編碼配置）
• BLER / HARQ（區塊錯誤率／混合自動重傳）
• 上下行流量（Uplink / Downlink Traffic）
• UE 速度（用戶設備移動速度）
• UE 方向（from Doppler）（由都卜勒推估的移動方向）
• beam ID / sector ID（波束／扇區識別碼）
• Interference pattern（干擾分佈樣態）
________________________________________
🌐 資料 2：核心網（Core）
• session type（連線會話類型）
• slice type（網路切片類型）
• RTT（往返延遲時間）
• mobility anchor load（行動性錨點負載）
• UE session history（用戶連線歷史紀錄）
________________________________________
📱 資料 3：UE APP 層（QoE layer）
• YouTube freezing events（影音卡頓／凍結事件）
• TCP throughput（TCP 傳輸吞吐量）
• game jitter（遊戲延遲抖動）
• HTTP latency（HTTP 請求延遲）
• App type (video, game, IoT)（應用類型：影音／遊戲／物聯網）
________________________________________
🛰 資料 4：NTN / LEO 專屬（NTN / LEO-specific）
• beam switching pattern（波束切換樣態）
• satellite trajectory（衛星軌道／運行路徑）
• Doppler slope（都卜勒變化斜率）
• probabilistic coverage（機率式覆蓋範圍）
________________________________________
⭐ 四、AI 模型如何預測「下一個最佳基地台」？
AI 用：
✓ LSTM → 看 UE 的移動軌跡
✓ Transformer → 看頻譜時間序列
✓ GNN → 看小區間干擾拓撲
✓ CNN → 看頻譜特徵
✓ RL（強化學習）→ 決策最優切換行為
✓ Meta-learning → 新環境快速適應
邏輯：
📌 Step 1：吃進 UE 過去 5–20 秒的 RSRP/SINR/流量
📌 Step 2：預測未來 QoE
📌 Step 3：找出未來 QoE 最高的基地台
📌 Step 4：提前切換（proactive HO）
讓切換不再「被動」，而是「預判」。
________________________________________
🛰 五、AI 智慧切換 × NTN（星鏈 × LEO）
LEO 手機通訊有：
• Beam footprint 一直動
• Doppler shift 很大
• 衛星與地面塔要共存
• HO 可能每 10 秒一次
• UE 遮蔽（建築、山）嚴重
• throughput 波動大
AI 對 NTN 的價值是：
✔ 預測衛星經過時間
✔ 預測 Doppler slope
✔ 預測衛星遮蔽
✔ 預測 UE 最佳 beam
✔ 預測「最佳切換時間點」
使 NTN HO 從：
❌ 每次都亂切 → delay spikes
變成
⭐ 預測式切換 → 穩定低延遲
________________________________________
📐 六、ASCII 圖：AI 智慧切換流程
UE 測量數據 + QoE資料 + NTN軌跡
│
▼
┌─────────────────────┐
│ AI QoE Predictor │
│ (預測未來5秒體驗) │
└─────────┬───────────┘
▼
┌─────────────────────┐
│ AI Handover Selector │
│ (選出最佳基地台) │
└─────────┬───────────┘
▼
Next Cell / Beam
________________________________________
🧩 七、模擬題
________________________________________
1️⃣ 專業題
為什麼 QoE（體驗）比 SINR（訊號品質）更適合做 6G 手機切換？
📘 答：
SINR 只能反映無線品質，而 QoE 同時考慮 App 行為、負載、延遲、吞吐、預測體驗，因此更符合實際使用者需求。
________________________________________
2️⃣ 應用題
以下哪個模型最適合預測 UE 5 秒後的 QoE？
A. CNN
B. LSTM ✔
C. Kmeans
D. PCA
👉 QoE（吞吐量、延遲、卡頓）具有明顯時間序列特性，LSTM 能建模短期歷史行為，適合預測 UE 在未來 5 秒內的體驗變化。
________________________________________
3️⃣ 情境題
LEO 衛星下，哪一項是造成高頻率 HO 的主因？
A. UE 太慢
B. 衛星軌道造成 beam footprint 移動 ✔
C. UE MCS 太低
D. WiFi 干擾
👉 LEO 衛星高速運行使 beam footprint 持續在地表移動，即使 UE 靜止也需頻繁進行 Handover。
________________________________________
🛠 八、實務演練題
1️⃣ 使用 LSTM 預測 UE 的未來 SINR
2️⃣ 以 QoE score（例如 MOS）訓練 AI 來做 HO 決策
3️⃣ 建立 Multi-cell / Multi-RAT 資料集
4️⃣ 測試「Reactive HO vs Predictive HO」差異
5️⃣ 用 Transformer 處理 NTN 頻譜時間序列（Doppler-aware HO）
________________________________________
✅ 九、小結：AI HO 是 6G 的靈魂級「智慧移動腦」
✔ 不再被動切換，而是預測式切換
✔ 目標不再是訊號最強，而是體驗最好的
✔ 6G / NTN 全面必備
✔ AI-native RAN / O-RAN RIC 的標準功能
✔ QoE 是終端真實感受，AI 才能學會
一句話：
⭐ AI QoE × 智慧切換 = 手機永遠連到「未來 5 秒最好的基地台」。
