Para lograr altas ganancias de múltiples antenas en sistemas 5G, la estación base (gNB) construye precodificadores utilizando mediciones de canal obtenidas en base a señales piloto. Para una alta movilidad del usuario, las mediciones rápidamente se vuelven obsoletas, lo cual es especialmente crucial para el tráfico de comunicaciones ultrarreliable de baja latencia (URLLC) porque aumenta el consumo de recursos de canal para proporcionar transmisiones altamente confiables y, en consecuencia, reduce la capacidad del sistema. Las transmisiones frecuentes de pilotos pueden proporcionar una estimación precisa del canal y un precodificador de alta calidad, pero conllevan una gran sobrecarga. Afortunadamente, los sistemas 5G permiten un dúplex por división de tiempo flexible (TDD), lo que permite a la gNB cambiar dinámicamente la configuración de los slots de enlace descendente y ascendente y ajustar el período de las mediciones de canal. El documento explota esta característica y diseña un nuevo enfoque de predicción basado en autoregresión y TDD flexible (PABAFT) que pronostica el canal entre transmisiones de pilotos consecuentes. Para aprender propiedades de canal detalladas, la gNB configura la transmisión de pilotos ascendentes en cada slot. Cuando se recopilan los datos de entrenamiento y se ajusta el modelo, la gNB vuelve a la configuración de slot regular con un largo período de transmisión de piloto. Simulaciones extensas con NS-3 en escenarios de alta movilidad muestran que PABAFT proporciona una relación señal-ruido (SNR) cercana a la que se tendría con el conocimiento ideal del canal en la gNB. Además, PABAFT reduce significativamente el consumo de recursos de canal y, por lo tanto, aumenta la capacidad para el tráfico URLLC en comparación con las soluciones existentes.