本記事では、6Gのマルチラジオアクセス技術（multi-RAT）ネットワークにおける効果的なハンドオーバー戦略について論じました。特に、異なる伝送技術（セルラーとWiFi）が共存する環境において、素早いチャネルの動的変化や干渉に対応するための信号品質予測の必要性を強調しています。従来の反応型ハンドオーバー方法ではなく、機械学習に基づく予測条件ハンドオーバー（P-CHO）フレームワークを提案し、ユーザーの移動経路に基づいて信号品質を短期間で予測するアプローチを採用しています。このフレームワークは、データ収集、個別のRATによる予測、意思決定ロジック、およびハンドオーバー実行を統合したワークフローを提供し、特にLSTMネットワークのトレーニングを通じて精度と低遅延のプロアクティブなハンドオーバーを実現します。最終的に、提案されたP-CHOは、ハンドオーバーの失敗や「ピングポン」イベントを削減することに成功しました。