CN109076403A - 无线网络中信道预测改善的测量模型优化 - Google Patents
无线网络中信道预测改善的测量模型优化 Download PDFInfo
- Publication number
- CN109076403A CN109076403A CN201680084796.0A CN201680084796A CN109076403A CN 109076403 A CN109076403 A CN 109076403A CN 201680084796 A CN201680084796 A CN 201680084796A CN 109076403 A CN109076403 A CN 109076403A
- Authority
- CN
- China
- Prior art keywords
- parameter
- filter
- channel
- network equipment
- update
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 83
- 238000005457 optimization Methods 0.000 title claims description 14
- 238000001914 filtration Methods 0.000 claims description 85
- 238000000034 method Methods 0.000 claims description 70
- 230000006870 function Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 230000003068 static effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 34
- 238000012545 processing Methods 0.000 description 28
- 238000004891 communication Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 15
- 230000007246 mechanism Effects 0.000 description 8
- 230000001413 cellular effect Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0083—Determination of parameters used for hand-off, e.g. generation or modification of neighbour cell lists
- H04W36/00835—Determination of neighbour cell lists
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0083—Determination of parameters used for hand-off, e.g. generation or modification of neighbour cell lists
- H04W36/0085—Hand-off measurements
Abstract
一种网络设备，所述网络设备包括：适于接收/收集/获取信道测量信息的接收器，适于计算更新UE的滤波器的参数的参数更新的处理器，所述计算包括：基于所述信道测量信息确定预测性能，以及基于所述滤波器的测量模型和所述预测性能确定更新所述UE的所述滤波器的所述参数的所述参数更新，以及适于向所述UE发送和/或提供所述参数更新的发送器。
Description
背景技术
本发明，在其一些实施例中，涉及改善无线网络中的信道预测，并且更具体地但非排他地，涉及通过优化信道测量信息模型来改善无线网络中的信道预测。
例如通用陆地无线电接入网络(universal terrestrial radio accessnetwork，UTRAN)的无线网络在例如基站的网络基础设施和诸如例如蜂窝电话、端点等的多个用户设备(user equipment，UE)装置之间的通信期间监视通信链路的信道信息。信道信息可以用于多个应用，例如，为通信链路定义调制和编码方案(modulation and codingscheme，MCS)、选择基站、评估UE在基站之间的切换、管理无线电资源等。
诸如例如参考信号接收功率(reference signal received power，RSRP)、参考信号接收质量(reference signal received quality，RSRQ)和与信道有关的其他测量的信道测量在UE处收集，并且通常在UE处使用一个或多个滤波器来处理以产生信道信息。信道测量的处理和/或滤波可以由相应的标准来定义，例如，如在第三代合作伙伴计划(3rdgeneration partnership project，3GPP)中针对通用移动电信系统(universal mobiletelecommunications system，UMTS)和/或长期演进(long term evolution，LTE)标准所定义的那样。
信道信息可以由UE发送到一个或多个网络设备，例如可以利用上面呈现的用于一个或多个应用的信道信息的基站和/或无线电网络控制器(radio network controller，RNC)。
由于通信链路中的固有延迟，信道信息可以在收集信道信息的时间的显著延迟后被网络设备接收和/或分析。因此，信道信息可能不再相关和/或反映过时的通信链路特征。
为了克服固有延迟，预测模型由基于先前接收的信道信息预测信道信息的网络设备采用。
发明内容
根据本发明的一些实施例的一个方面，提供了一种网络设备，包括：接收器，适于接收、收集和/或获取信道测量信息；处理器，适于计算用于更新UE的滤波器的参数的参数更新，所述计算包括基于所述信道测量信息确定预测性能，以及基于滤波器的测量模型和所述预测性能确定用于更新所述UE的所述滤波器的所述参数的所述参数更新；以及发送器，适于向所述UE发送和/或提供所述参数更新。
所述处理器适于通过基于测量预测估计评估预测误差来确定所述参数更新。
所述处理器适于根据优化和/或学习函数来计算所述参数更新，根据对多个先前确定的预测性能和相应获得的预测质量的分析确定所述优化和/或学习函数。
所述预测性能是基于所述UE测量的多普勒频移和/或信号干扰噪声比(signal tointerference noise ratio，SINR)计算的。
所述参数更新是基于至少一些变量计算的参数的值，从由多普勒频移、SINR、采样周期、物理层测量模型、预测方法、预测范围(horizon)和/或观察窗组成的组中选择所述至少一些变量。
通过从静态预先计算的表，特别是查找表(look-up table，LUT)，中提取值来计算所述参数更新。
所述接收器适于在多次迭代中的每次迭代中接收所述信道测量信息，并且所述处理器适于计算所述参数更新并指示所述发送器在所述多次迭代中的每次迭代中向所述UE发送所述参数更新。
根据本发明的一些实施例的一个方面，提供了一种适用于将测量模型参数的更新传送给无线通信设备的无线网络的方法，包括：接收信道测量信息，基于所述信道测量信息确定预测性能，基于UE的滤波器的测量模型和所述预测性能确定用于更新所述滤波器的滤波器参数的参数更新，以及向所述UE发送和/或提供所述参数更新。
所述预测性能和/或所述参数更新用于未来计算额外的参数更新。
可选地，存储所述预测性能和/或所述参数更新中的一个或多个。
根据本发明的一些实施例的一个方面，提供了一种UE，包括：接收器，适于从网络设备接收参数更新，和处理器，适于基于所述参数更新来更新一个或多个滤波器的参数，所述一个或多个滤波器用于对所述接收器接收的传输的信道测量信息进行滤波。
可选地，所述UE包括发送器，所述发送器适于将与传输有关的使用所述一个或多个滤波器对其进行滤波的所述信道测量信息发送到网络设备。其中根据所述信道测量信息计算所述参数更新。
根据本发明的一些实施例的一个方面，提供了一种更新UE的滤波器的方法，包括在UE处从网络设备无线地接收参数更新，以及基于所述参数更新更新所述UE的滤波器。
可选地，将基于所述滤波器的滤波收集的所述信道测量信息发送到所述网络设备。其中根据所述信道测量信息滤波器计算所述参数更新。
除非另外定义，本文使用的所有技术和/或科学术语具有与本发明所属领域的本领域技术人员通常理解的相同的含义。尽管与本文所述相似或等同的方法和材料可用于本发明的实施例的实践或测试中，示例性方法和/或材料在下面描述。万一发生冲突，包括定义在内的专利说明书将控制。另外，材料、方法和实例仅是说明性的，并非意图作为必要的限制。
附图说明
本文仅通过举例的方式参照附图描述了本发明的一些实施例。现在具体参考附图，应当强调的是，所示的细节是作为示例并且出于说明性讨论本发明实施例的目的。就这点而言，结合附图的描述使得对于本领域技术人员而言，可以如何实施本发明的实施例变得显而易见。
在附图中：
图1是示例性通用陆地无线电接入网络(UTRAN)的示意图；
图2是根据本发明的一些实施例的优化信道测量信息模型的示例性过程的流程图；
图3是根据本发明的一些实施例的示例性滤波参数对网络性能的影响的分析的图；
图4是根据本发明的一些实施例的选择预定义的滤波参数以优化信道测量信息模型的示例性预定义滤波参数源的图和表；
图5是根据本发明的一些实施例的选择滤波参数以优化信道测量信息模型的示例性学习机制的优化策略的示意图；
图6是根据本发明的一些实施例的示例性UE的示意图；
图7是根据本发明的一些实施例的更新UE处的信道信息处理参数的示例性过程的流程图；
图8是根据本发明一些实施例的示例性网络设备的示意图；以及
图9是根据本发明的一些实施例的计算由UE使用来产生信道信息的更新的参数的示例性过程的流程图。
具体实施方式
本发明，在其一些实施例中，涉及改善无线网络中的信道预测，并且更具体地但非排他地，涉及通过优化信道测量信息模型来改善无线网络中的信道预测。
本发明提出了用于在UE(即诸如，例如蜂窝电话、蜂窝设备、端点等的UE)处调整一个或多个参数的系统和方法。可以调整参数，以便改善信道预测并因此改善网络性能，例如，一个或多个无线电接入技术(radio access technology，RAT)网络的吞吐量、链路质量等，例如，如在3GPP中针对UMTS和/或LTE定义的。
信道信息由UE创建，该UE收集例如RSRP、RSRQ等信道测量，并通过应用例如一个或多个滤波器以产生信道信息来处理给信道测量。UE可以将所述信道信息发送到一个或多个网络设备，例如基站、RNC等。在本发明的一些实施例中，采用设备到设备(device-to-device，D2D)通信，其中两个或多个UE彼此直接通信而不是通过基站进行通信。在D2D网络部署中，网络设备可以被在本文中被称为发送UE的另一个UE用作为发送UE。该发送UE可以从一个或多个另外的UE接收信道信息，并且作为网络设备执行。网络设备可以使用信道信息进行信道(网络)预测，以克服UE和网络设备之间的通信链路中的固有延迟。所述网络设备可以使用信道预测来预测网络性能，并相应地采取一个或多个动作，例如为与UE之间的通信链路定义MCS、选择基站、评估和/或判定UE在基站之间的切换、管理无线电资源等。信道预测在网络设备处被连续地监测和分析以确定信道预测的性能，即确定与从随后从UE接收的实际信道信息相比，信道预测预测信道信息有多准确。信道预测可以在具有性能分析的闭合反馈回路中执行，以使得可以调整信道预测处理的一个或多个属性和/或方面，从而改善信道预测性能。基于该分析，可以通过调整用于创建信道信息的UE处的滤波器的一个或多个参数来改善信道预测。信道预测性能分析还可以暴露(接收)信道信息以允许对信道预测性能进行更准确的分析和/或适当地计算要在UE处调整的滤波器参数。调整的参数可以从标准化的参数空间中选择以保持符合规范，例如3GPP。可以将调整的参数发送给UE，UE可以用接收的调整的参数更新其滤波器。通过调整UE滤波器的参数，UE提供的信道信息可以更好地服务于网络设备处的信道预测模型，以改善信道预测并因此改善网络性能。可以使用预先定义的参数值和/或通过学习模型来完成参数调整，选择该预先定义的参数值以提供最佳信道预测结果，该学习模型演进并且可以基于获取的经验动态地计算参数值。
本文呈现的系统和方法可以通过关联观察到的网络性能和信道信息获取来显着地改善网络性能，这与现有的解决方案相反，在现有的解决方案中，UE处的信道信息的获取与网络设备处使用获取的信道信息进行的适用分离。虽然现有方法可能使用偏差和/或不准确的信道信息，但是本发明针对基于信道预测分析网络性能和在UE处使用调整的参数更新信道信息获取，以更好地获取信道信息，以便改善信道预测准确度并因此改善网络性能。
此外，网络通信，特别是蜂窝网络通信，可能是动态的并且受到各种干扰、条件变化等影响。通过在UE处动态调整信道信息获取参数，信道预测可以改善并因此显著改善网络性能。
此外，分析信道预测，确定调整的参数并发送要在UE处更新的调整的参数的系统和方法可以是模块化的，从而它们可以与各种预测方法组合和/或可以是灵活地集成到现有系统中。
在详细解释本发明的至少一个实施例之前，应当理解的是，本发明在其应用中不必然限于以下描述中阐述和/或在附图和/或示例中示出的组件和/或方法的构造和布置的细节。本发明能够具有其它实施例或者以各种方式实践或执行。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质(或媒介)，该计算机可读存储介质(或媒介)上具有使处理器执行本发明的各方面的计算机可读程序指令。
计算机可读存储介质可以是能够保留和存储指令以供指令执行设备使用的有形设备。计算机可读存储介质可以是，例如但不限于，电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或前述的任何适当组合。
这里描述的计算机可读程序指令可以从计算机可读存储介质下载到相应的计算/处理设备，或者经由网络(例如因特网、局域网、广域网和/或无线网络)下载到外部计算机或外部存储设备。
计算机可读程序指令可以完全在用户的计算机上执行、作为独立的软件包部分在用户的计算机(诸如用户设备(UE))上执行、部分在用户的计算机上执行并且部分在诸如网络设备的远程计算机上执行或完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过包括局域网(local area network，LAN)或广域网(wide area network，WAN)的任何类型的网络连接到用户的计算机，或者可以连接到外部计算机(例如通过使用互联网服务提供商的因特网)。在一些实施例中，包括例如可编程逻辑电路、现场可编程门阵列(field-programmable gate array，FPGA)或可编程逻辑阵列(programmable logicarray，PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令，以个性化电子电路，以便执行本发明的各个方面。
在本文中参考根据本发明的实施例的方法、设备(系统)和计算机程序产品的流程图和/或框图来描述本发明的各方面。将理解的是，可以通过计算机可读程序指令来实施流程图和/或框图的每个框以及流程图和/或框图中的框的组合。
附图中的流程图和框图示出了根据本发明的各种实施例的系统、方法和计算机程序产品的可能实施方式的架构、功能和操作。就这一点而言，流程图或框图中的每个框可以表示指令的模块、程序段或部分，该指令的模块、程序段或部分包括用于实现特定的逻辑功能的一个或多个可执行指令。在一些替代实施方式中，框中提到的功能可以不按图中标注的顺序发生。例如，取决于所涉及的功能，连续示出的两个框实际上可以基本上同时执行，或者框有时可以以相反的顺序执行。还将注意到，可以由执行特定功能或动作或者执行专用硬件和计算机指令的组合的基于专用硬件的系统实现框图和/或流程图的每个框以及框图和/或流程图中的框的组合。
现在参考图1，其是示例性通用陆地无线电接入网络(UTRAN)的示意图。UTRAN 100包括多个UE 104，该多个UE104通过无线网络，特别是蜂窝网络，例如UMTS、LTE等连接到一个或多个网络设备102，例如连接到网络106的核心的基站和/或RNC。每个UE 104均可以是例如蜂窝电话、蜂窝设备、端点等。在本发明的一些实施例中，其中UTRAN 100和/或其一部分利用D2D网络部署，发送UE(另一个UE)可以作为用于一个或多个UE 104的网络设备102来执行。在D2D网络部署中，用作为网络设备102的发送UE可以直接与UE 104进行通信而不经过基站。
还参考图2，图2是根据本发明一些实施例的优化信道测量信息模型的示例性过程的流程图。优化信道测量信息模型的过程200包括两部分200A和200B。第一处理部分200A在诸如UE 104的UE处执行。第二部分在诸如网络设备102的网络设备处执行。
如202处所示的，过程部分200A以UE104收集信道测量开始，该信道测量包括UE104与网络设备102之间的信道(通信链路)的一个或多个测量，例如RSRP、RSRQ等。该信道测量可以指示例如信道的质量、信号强度、来自其他信号和/或背景信号的干扰等。可以使用一个或多个标准和/或规范(诸如例如3GPP标准等)对收集的信道测量进行滤波和/或处理。
应该注意的是，虽然本文呈现的方法和系统描述了根据3GPP规范对信道测量进行滤波和/或处理，但是可以根据其他通信信道、网络和/或目前已知和/或现在要定义的规范应用信道测量的其他滤波和/或处理方法。
如在204处所示的，L1(层1)滤波器被应用于信道测量，以例如平均在预定义的时间间隔内的收集的瞬时测量。预定义时间间隔(T)可以被认为是可以被选择和/或适配以影响L1滤波器对收集的信道测量的处理和/或改进L1滤波器的输出的滤波参数。平均收集的瞬时测量是在L1处应用于信道测量的一个可能处理，可以在L1处应用其他处理方法。因此，可以在L1滤波器处使用其他参数(除了时间间隔(T))。
如在206处所示的，应用L3(层3)滤波器对从L1滤波器输入的所得到的信道数据执行递归滤波。使用根据3GPP规范的滤波变量来完成该递归滤波，以创建信道信息。滤波变量(a)可以被认为是可以被选择和/或适配以影响L3滤波器对收集的信道测量的处理和/或改进L3滤波器输出的信道信息的滤波参数。递归滤波是在L3处应用于从L1滤波器输入的信道测量的一个可能处理，可以在L3处应用其他处理方法。因此，可以在L1滤波器处使用其他参数(除了滤波变量(a))。
如在208处所示的，将信道信息与一个或多个报告准则进行比较以判定是否应该将信道信息发送到网络设备102。例如，可以根据相应的报告准则检查RSRP，诸如，例如阈值。在满足报告准则(即测量的RSRP水平低于阈值)的情况下，信道信息可以由UE 104发送到网络设备102。作为另一个示例，信道信息可以由UE104周期性地报告到网络设备102。可以选择和/或适配报告间隔以增加或减少UE104向网络设备102报告新的信道信息的频率。
如在作为过程200B的第一个步骤的210处所示的，由UE104发送的信道信息在网络设备102处被接收。网络设备可以使用信道信息(测量)进行一个或多个适用的操作，例如，为与UE之间的通信链路定义MCS、选择基站、评估和/或判定UE在基站之间的切换、管理无线电资源等。
如212处所示的，与使用信道信息和/或测量进行适用的应用并行的，网络设备102可以使用信道信息进行信道预测。网络设备102可以使用信道预测来选择和/或应用适用的操作以克服在UE104处获得信道测量的时间与网络设备102实际使用信道信息的时间之间的固有延迟。该固有延迟可以例如由UE 104处的信道信息处理时间和/或UE 104与网络设备102之间的传输时间引起。信道预测由网络设备102使用一个或多个预测模型(prediction model，PM)基于接收的信道信息(测量)执行，以估计UE104和网络设备102之间的(通信)信道的一个或多个特性。例如，网络设备102可以使用由UE104测量的信道的多普勒频移和/或信号干扰噪声比(SINR)。该预测模型可以应用于长距离预测和/或短期预测，并且可以采用一种或多种预测方法，例如线性预测、多项式近似等。网络设备102可以在闭合反馈回路中执行信道预测，从而可以调整信道预测模型的一个或多个方面以基于下文在步骤214描述的当前信道预测性能的评估来改善信道预测性能。信道预测方法超出了本发明的范围，但是，根据网络设备102采用的选择的信道预测方法、模型和/或算法适配改善预测性能的信道测量模型的优化。
如在214处所示的，网络设备102评估信道预测的性能。由于信道预测极大地依赖于从UE 104接收的实际信道信息(测量)，所以滤波参数设置可能对信道预测性能和/或准确度具有显著的影响。因此，通过适配UE 104的滤波器以产生最适合网络设备102使用的信道预测方法、模型和/或算法的信道信息，可以显著提高信道预测性能和/或准确度，并且因此可以提高网络设备102和UE 104之间的信道的性能。
通过比较为当前信道预测计算的性能和通过使用替代滤波参数的模拟为信道预测计算的性能来评估信道预测的性能。该模拟可以将不同的滤波参数设置应用于网络设备102使用的信道预测方法(PM)，该不同的滤波参数设置例如是L1滤波器的时间间隔(T)、L3滤波器的滤波变量和/或报告准则。可以模拟多个滤波参数设置，以例如通过计算均方误差(MSE)来确定产生最低信道预测误差的滤波参数集。MSE未必是凸函数，并且可以从预测性能评估函数中提取。
滤波参数设置可以包括从中选择的滤波参数，是整个可能的滤波参数空间。可以基于一个或多个信道特性(例如多普勒频移、L1和/或L3滤波器的采样周期、物理层测量模型周期、预测方法、模型和/或算法、预测范围和/或观察窗)来选择选择的滤波参数。该参数空间涉及例如由3GPP规范(标准)定义的滤波参数和/或报告准则的允许的可能值集。可以考虑滤波参数和/或报告准则的其他值，但可能不符合标准。
网络设备102可以使用UE104当前使用的信道信息来评估信道预测性能。使用接收的信道信息可以允许网络设备102更好地评估信道预测模型的性能，因为与信道预测模型的输出相比，可以评估信道预测模型的输入。
现在参考图3，图3是根据本发明的一些实施例的示例性滤波参数对网络性能的影响的分析的图。三维(three dimensional，3D)图300示出了相对于在轴线Y处的以秒为单位的L1滤波器时间间隔(T)和在轴线Y处的L3滤波参数(a)在轴向Z处以百分比(％)表示的相对吞吐量增益的3D分布。图300描绘了具有100Hz的多普勒频移和SINRγ＝10dB的移动UE104的相对吞吐量结果。多普勒频移和/或SINR由UE 104测量并被发送到网络设备102。与最差情况下的滤波参数集进行比较来计算相对吞吐量增益。图300演示了如何通过增强信道预测来改善信道性能；其中通过优化诸如UE 104的UE的信道信息模型来改善信道预测，例如通过优化UE 104处的滤波参数。
如所看到的，参考点302表示预测方法使用应用在UE 104的L1和L3滤波器处的参考滤波参数T和a实现的11.79％的相对吞吐量增益。在UE 104处使用的参考滤波参数被设置为：
T＝200ms(0.2s)且
如所看到的，最佳点304表示使用应用在UE 104的L1和L3滤波器(分别)处的最佳滤波参数T和a获得的18.71％的相对吞吐量增益。最佳滤波参数被设置为：
T＝300ms(0.3s)且
最佳滤波参数相对于参考滤波参数表现出约7％的相对吞吐量增益，并且相对于最坏情况的滤波参数表现出几乎20％的相对吞吐量增益。
如前所讨论的，可以通过模拟多个滤波参数组合集来识别用于识别最佳点304的最佳集的最佳滤波参数，以识别为给定信道特性提供最佳性能的集。
可以离线完成模拟以识别针对基于多个情况和/或(一个或多个)信道特性呈现最佳信道预测的最佳滤波参数集。
现在参考图4，图4是根据本发明的一些实施例的选择预定义的滤波参数以优化信道测量信息模型的示例性预定义滤波参数源的图和表。网络设备102可以从例如列表、表、数据库等的一个或多个源检索滤波参数集。示例性的查找表(look up table，LUT)402保存多个条目，每个条目存储一个滤波参数集。可以通过穷举优化过程离线地探索和/或构建构成LUT 402的滤波参数集，以识别针对多种不同情况和/或不同信道特征在标准化的参数空间内计算的呈现最小MSE的滤波参数集。不同情况和/或信道特征可以包括例如多普勒频移、SINR、特定关联、L1和/或L3滤波器的采样周期、物理层测量模型周期、信道预测方法、模型和/或算法、预测范围和/或观察窗。选择的滤波参数集可以针对UE104测量的当前信道特性呈现最小MSE的最佳集。
示例性LUT 402将滤波参数集示出为多普勒频率的函数。例如，考虑多普勒频移fd＝30Hz的移动UE104的示例，在可能的滤波参数集(T和a)内计算信道预测误差。因此，包括T*＝200m且a*＝1/8的集被推断为是针对该多普勒频移的最佳参数集，然后被存储在LUT402中。根据如图404所示的离线执行的模拟选择包括滤波参数T*＝200ms且a*＝1/8的最佳参数集。图404在轴Y处示出了针对多普勒频移fd＝30Hz的信道，在X轴处的多个L1平均时间周期值内通过对五个L3滤波器值进行模拟计算得到的MSE。根据图404显而易见的是，包括采样T*＝200ms且a*＝1/8的集呈现出最低的信道预测MSE，并因此被存储在LUT402中的适当条目中。
可选地，网络设备102采用学习机器来选择滤波参数集。学习机制可以采用在线学习算法，该在线学习算法允许基于与使用先前选择的滤波参数集获得的信道预测性能和/或准确度相比较来分析先前选择的滤波参数集以选择最佳滤波参数值集。例如，可以采用本领域中描述的上限置信度(upper bound confidence，UBC)学习算法来从可能的滤波参数空间中选择滤波参数集。UBC方法允许实现探索与开发之间的折衷。探索是指相对于相应获得的信道预测准确度和/或性能的不同滤波参数值的尝试。开发是指从先前选择的滤波参数集收集的知识和使用这些集获得的信道预测准确度和/或性能。
在线学习算法可以由诸如网络设备102的网络设备执行，其中可以评估信道预测的准确度和/或性能。可以主动的方式实现滤波参数的选择。在时间t的每个时刻，网络设备102执行的测量模型优化功能评估是否应该更新滤波参数。
在此上下文中可以采用示例性上置信界限(Upper Confidence Bound，UCB)在线学习算法。下面的等式1给出了L3滤波参数(a)的一组可能值。
等式1：
UCB学习算法可以采用判定函数(decision function，DF)来计算的每个值的信道预测性能。判定函数(DF)在下面的等式2中给出。
等式2：
其中μi,t是当在时间t使用滤波器参数ai时与预测均方误差相对应的信道预测准确度和/或性能值，其中xk是实际测量值，且是预测值。
var(μi,t)是当使用ai直到时间t时的平均回报的方差。
c是调整探索可能性的常数。
ni,t是其中ai直到时间t(t<T)都被选择的迭代次数，其中T是有限的评估范围。
现在参考图5，图5是根据本发明的一些实施例的选择滤波参数以优化信道测量信息模型的示例性学习机制的优化策略的示意图。示意图500示出了在诸如网络设备102的网络设备上执行的学习机制的过程，该网络设备在多个时间点向诸如UE 104的UE提供更新的滤波参数集。每个X表示当前使用的(瞬时)滤波参数值，其中在当前示例中，滤波参数指的是L3滤波参数(a)。如在可以被指定为初始化时间段502的第一时间周期期间可以看到的，学习机制可以向UE 104提供不同的滤波参数值集，诸如L3滤波参数，并评估每个不同的集获取的信道预测。逐渐地，学习机制收敛到提供最佳信道预测准确度和/或性能的在UE 104处使用的最佳滤波参数集504。然而，在识别最佳滤波参数集504的期间和/或之后，学习机制仍然可以探索其他滤波参数集506以评估可以提供更好的信道预测准确度和/或性能的集的可能性。在探索的滤波参数集506呈现比选择的最佳滤波参数集合504更好的信道预测准确度和/或性能的情况下，探索的滤波参数集合506可以被认为是最佳滤波参数集504。
再次参考图2。如在216处所示的，选择呈现最低预测误差的滤波参数集。该集包括一个或多个更新的滤波参数，例如L1滤波器的时间间隔(T)、L3滤波器的滤波参数(a)和/或报告准则可以由网络设备102发送到UE 104。UE 104可以相应地使用接收的更新的滤波参数更新相应的滤波器和/或报告机制。
过程200可以被重复以向UE104提供更新的滤波参数值，以补偿信道预测性能和/或准确度的变化。信道预测性能和/或准确度的变化可以由信道的一个或多个方面的变化引起，例如，干扰电平的变化、UE 104的位置的变化、到不同小区/网络设备(诸如网络设备102)的切换等。
现在参考图6，图6是根据本发明一些实施例的示例性UE的示意图。诸如UE104的UE包括从诸如网络设备102的网络设备接收更新的滤波参数的接收器602和在UE104的一个或多个滤波器中应用更新的滤波参数的处理单元604。可选地，UE104包括向网络设备102发送信道信息(测量)的发送器606。处理单元604可以包括一个或多个处理器(同构或异构)，其可以被布置用于并行处理，作为集群和/或作为一个或多个多核处理单元。处理单元604可以执行来自一个或多个存储设备(例如，易失性存储器、非易失性存储器、硬盘驱动器等)的程序指令。
参考图7，图7是根据本发明的一些实施例的更新UE处的信道信息处理参数的示例性过程的流程图。可以由UE104的处理单元604执行更新UE 104的一个或多个信道信息处理参数的过程700。过程700对应于上文中呈现的过程200A。应该注意的是，网络设备102可以使用过程900来更新UE104可以用于产生信道信息的任何参数，当前已知的和/或将来定义的参数。
如在702处所示的，过程700以收集包括UE 104与网络设备102之间的信道(通信链路)的一个或多个测量(例如RSRP，RSRQ等)的信道测量开始。信道测量可以指示例如信道的质量、信号强度、来自其他信号和/或背景信号的干扰等。处理单元604可以根据诸如例如LTE标准等的一个或多个标准和/或规范从接收器602收集信道测量。
如在704处所示的，可以处理收集的信道测量，例如，如204和/或206所述的使用L1和/或L3滤波器对收集的信道测量进行滤波以产生信道信息。
如在706处所示的，其是与过程200A的步骤208对应的判定点，产生的信道信息可以与一个或多个报告准则比较，以判定是否应该将信道信息发送到网络设备102。例如，UE104与网络设备102之间的信道的RSRP水平可以与相应的报告准则对照。
如在708处所示的，在满足报告准则的情况下，UE 104可以使用发送器606将信道信息发送到网络设备102。
如在710处所示的，UE104可以通过接收器602接收要应用于信道测量的处理的一个或多个更新的参数。更新的参数可以包括例如L1滤波器的时间间隔(T)、L3滤波器的滤波参数(a)和/或报告准则。
如在712处所示的，更新的参数可以被应用于UE104的一个或多个处理元件，该一个活多个处理元件处理收集的信道测量以产生信道信息。例如，可以分别使用接收的更新的滤波参数来更新L1滤波器和/或L3滤波器，接收的更新的滤波参数是时间间隔(T)和滤波参数(α)。
过程700可以被重复以使用从网络设备102接收的一个或多个额外的更新参数来更新信道测量处理。
现在参考图8，图8是根据本发明的一些实施例的示例性网络设备的示意图。诸如网络设备102的网络设备包括从一个或诸如UE 104的多个UE接收信道信息的接收器802、计算UE 104处的更新的参数处理信道信息的处理单元804和发送更新的参数给UE104的发送器806。处理单元804可以包括一个或多个处理器(同构或异构)，其可以被布置用于并行处理，作为集群和/或作为一个或多个多核处理单元。处理单元804可以执行来自一个或多个存储设备(例如，易失性存储器、非易失性存储器、硬盘驱动器等)的程序指令。
现在参考图9，图9是根据本发明一些实施例的计算由UE使用以产生信道信息的更新参数的示例性过程的流程图。可以由网络设备102的处理单元804执行用于UE104处的信道信息处理的更新参数的过程900。过程900对应于上文中呈现的过程200B。应该注意的是，网络设备102可以使用过程900来更新UE104可以用于产生信道信息的任何参数，当前已知的和/或将来定义的参数。
如在对应于过程200B的步骤210的902处所示的，过程900以接收从UE 104发送的信道信息开始。可以通过接收器802接收信道信息。信道信息可以被网络设备用于一个或多个适用操作，例如为与UE之间的通信链路定义MCS、选择基站、评估和/或判定UE在基站之间的切换、管理无线电资源等。
如在对应于过程200B的步骤212的904处所示的，信道预测由例如网络设备102的处理单元804执行。处理单元804可以基于接收的信道信息(测量)采用一个或多个预测模型(PM)估计UE 104与网络设备102之间的(通信)信道的一个或多个特性。信道预测旨在克服在UE104处收集信道测量的时间与在网络设备102处使用信道信息的时间之间的延迟和/或等待时间。
如在对应于过程200B的步骤214的906处所示的，评估信道预测的性能和/或准确度。
通过比较为当前信道预测计算的性能和使用替代参数为信道预测计算的性能评估信道预测的性能。该模拟可以将不同的参数设置应用于网络设备102使用的信道预测方法(PM)，该不同的参数设置例如是UE104处的L1滤波器的平均时间间隔(T)、UE104处的L3滤波器的滤波参数(a)和/或UE104处的报告准则。信道预测的性能也可以由网络设备102实时评估，例如，使用在线学习算法。网络设备102可以评估相对于UE 104用于产生评估的信道预测使用的信道信息的参数的信道预测性能。网络设备102可以进一步探索一个或多个参数设置以识别当信道预测模型使用时呈现最佳信道预测性能的参数集。
如在908处所示的，可以模拟多个参数设置，以例如通过计算MSE来确定产生最低信道预测误差的最佳参数集。最佳参数集可以包括例如UE104的L1滤波器时间间隔(T)、L3滤波参数(a)和/或报告准则中的一个或多个的最佳组合。
如在910处所示的，可以使用发送器806将最佳的更新的参数集发送给UE 104，UE104转而可以使用更新的参数来更新其信道信息处理机制。
过程900可以被重复以更新要被发送到UE204的一个或多个额外的更新参数，以补偿由于例如干扰电平的变化、传播环境的变化、UE 104的位置和/或速度的改变等引起的信道预测的劣化。
已经出于说明的目的给出了对本发明的各种实施例的描述，但是对本发明的各种实施例的描述并非旨在穷尽或限于所公开的实施例。在不脱离所描述的实施例的范围和精神的情况下，许多修改和变化对于本领域的普通技术人员来说将是显而易见的。选择本文使用的术语以最好地解释实施例的原理，相对于市场上发现的技术的实际应用或技术改进，或者使本领域的其他技术人员能够理解本文公开的实施例。
期望的是，在本申请逐渐成熟的专利生命期间，将开发许多相关的信道信息方面、信道信息滤波/处理和/或信道预测模型，并且术语信道信息、信道信息滤波和/或处理和信道预测的范围分别旨在预先包括所有这些新技术。
如在本文所使用的，术语“约”是指±10％。
术语“包括(comprises或者comprising)”、“包括(includes或者including)”、“具有”及其变化意味着“包括但不限于”。此术语包括术语“由…组成”和“基本由…组成”。
短语“基本由…组成”是指构造或方法可以包括额外的组成部分和/或步骤，但只有当该额外的组成部分和/或步骤不实质上改变要求保护的构造或方法的基本和新颖特征时。
如本文所使用的，除非上下文另有明确说明，否则单数形式“一”、“一个”和“所述”包括复数指代。例如，术语“一种化合物”或“至少一种化合物”可以包括多种化合物，包括其混合物。
本文使用词语“示例性”表示“用作示例、实例或说明”。被描述为“示例性”的任何实施例不应当被解释为相对于其他实施例是优选的或有利的，和/或排除从其他实施例引入特征。
本文使用术语“可选地”表示“在一些实施例中提供而在其他实施例中不提供”。本发明的任何特定实施例可以包括多个“可选的”特征，除非这些特征相冲突。
在整个申请中，本发明的各种实施例可以以范围形式呈现。应该理解的是，范围形式的描述仅仅是为了方便和简洁，而不应该被解释为对本发明的范围的不灵活的限制。因此，应该认为范围的描述已经具体公开了所有可能的子范围以及该范围内的单个数值。例如，应该认为诸如从1到6的范围的描述已经具体公开了诸如从1到3、1到4、1到5、2到4、2到6、3到6等的子范围，以及在该范围内的单个数字，例如1、2、3、4、5、6。无论范围的宽度如何，这都适用。
无论何时在本文中指示数字范围，其意图包括在所指示的范围内的任何引用的数字(分数或整数)。短语第一指示数字和第二指示数字“之间的范围/范围”以及“范围/范围从”第一指示数字“到”第二指示数字在本文中可互换使用，并且意在包括第一和第二指示的数字及它们之间的所有分数和整数数字。
可以理解的是，为了清楚起见，在单独实施例的上下文中描述的本发明的某些特征也可以在单个实施例中组合提供。相反，为了简洁起见，在单个实施例的上下文中描述的本发明的各种特征也可以单独地或以任何合适的子组合提供或在本发明的任何其它描述的实施例中适当地提供。在各种实施例的上下文中描述的某些特征不被认为是那些实施例的基本特征，除非该实施例在没有这些元件的情况下不工作。
在本说明书中提及的所有出版物、专利和专利申请在此通过引用整体并入本说明书，其程度如同每个单独的出版物、专利或专利申请被具体地和单独地指出通过引用并入本文。此外，本申请中的任何参考文献的引用或识别不应被解释为承认这种参考文献可作为本发明的现有技术。在使用章节标题的范围内，它们不应被解释为必然限制。
Claims (14)
1.一种网络设备，包括：
接收器，适于接收/收集/获取信道测量信息；
处理器，适于：
计算用于更新用户设备UE的滤波器的参数的参数更新，所述计算包括：
基于所述信道测量信息确定预测性能，以及
基于所述滤波器的测量模型和所述预测性能确定用于更新所述UE的所述滤波器的所述参数的所述参数更新；以及
发送器，适于向所述UE发送和/或提供所述参数更新。
2.根据权利要求1所述的网络设备，其中所述处理器适于通过基于测量预测估计评估预测误差来确定所述参数更新。
3.根据前述任一权利要求所述的网络设备，其中所述处理器适于根据优化和/或学习函数来计算所述参数更新，根据对多个先前确定的预测性能和相应获得的预测质量的分析确定所述优化和/或学习函数。
4.根据前述任一权利要求所述的网络设备，其中所述预测性能是基于所述UE测量的多普勒频移和/或信号干扰噪声比SINR计算的。
5.根据前述任一权利要求所述的网络设备，其中所述参数更新是基于至少一些变量计算的参数的值，从由多普勒频移、SINR、采样周期、物理层测量模型、预测方法、预测范围和观察窗组成的组中选择所述至少一些变量。
6.根据前述任一权利要求所述的网络设备，其中通过从静态预先计算的表格，特别是查找表LUT，中提取值来计算所述参数更新。
7.根据前述任一权利要求所述的网络设备，其中所述接收器适于在多次迭代中的每次迭代中接收所述信道测量信息，并且所述处理器适于计算所述参数更新并指示所述发送器在所述多次迭代中的每次迭代中向所述UE发送所述参数更新。
8.一种适于将测量模型参数的更新传送给无线通信设备的无线网络的方法，包括：
接收信道测量信息；
基于所述信道测量信息确定预测性能；
基于UE的滤波器的测量模型和所述预测性能确定用于更新所述滤波器的滤波器参数的参数更新；以及
向所述UE发送和/或提供所述参数更新。
9.根据权利要求8所述的方法，还包括所述存储所述预测性能和/或所述参数更新以用于未来计算额外的参数更新。
10.根据权利要求8所述的方法，还包括存储所述至少预测性能和/或所述参数更新中的至少一个。
11.一种UE，包括：
接收器，适于从网络设备接收参数更新；和
处理器，适于基于所述参数更新来更新至少一个滤波器的参数，所述至少一个滤波器用于对所述接收器接收的传输的信道测量信息进行滤波。
12.根据权利要求11所述的UE，还包括发送器，所述发送器适于：
将与传输相关的使用所述至少一个滤波器对其进行滤波的所述信道测量信息发送到网络设备；
其中根据所述信道测量信息计算所述参数更新。
13.一种更新UE的滤波器的方法，包括：
在UE处从网络设备无线地接收参数更新；以及
基于所述参数更新更新所述UE的滤波器。
14.根据权利要求13所述的方法，还包括将基于所述滤波器的滤波收集的信道测量信息发送到所述网络设备，并且
其中根据所述信道测量信息滤波器计算所述参数更新。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/EP2016/059667 WO2017186309A1 (en) | 2016-04-29 | 2016-04-29 | Measurement model optimization for channel prediction improvement in wireless networks |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109076403A true CN109076403A (zh) | 2018-12-21 |
| CN109076403B CN109076403B (zh) | 2020-08-07 |
Family
ID=55910951
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201680084796.0A Active CN109076403B (zh) | 2016-04-29 | 2016-04-29 | 网络设备、更新传送方法、用户设备及更新滤波器的方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109076403B (zh) |
| WO (1) | WO2017186309A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021051362A1 (en) * | 2019-09-19 | 2021-03-25 | Nokia Shanghai Bell Co., Ltd. | Machine learning-based channel estimation |
| WO2023088387A1 (zh) * | 2021-11-17 | 2023-05-25 | 维沃移动通信有限公司 | 信道预测方法、装置、ue及系统 |
| WO2023093725A1 (zh) * | 2021-11-24 | 2023-06-01 | 华为技术有限公司 | 一种校准方法及装置 |
| WO2023179540A1 (zh) * | 2022-03-24 | 2023-09-28 | 维沃移动通信有限公司 | 信道预测方法、装置及无线通信设备 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220078637A1 (en) * | 2018-12-28 | 2022-03-10 | Telefonaktiebolaget Lm Ericsson (Publ) | Wireless device, a network node and methods therein for updating a first instance of a machine learning model |
| WO2022241726A1 (en) * | 2021-05-20 | 2022-11-24 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and apparatus for determining communication parameter |
| WO2023027311A1 (ko) * | 2021-08-25 | 2023-03-02 | 엘지전자 주식회사 | 무선 통신 시스템에서 핸드오버를 수행하기 위한 장치 및 방법 |
| WO2024072295A1 (en) * | 2022-09-27 | 2024-04-04 | Telefonaktiebolaget Lm Ericsson (Publ) | User equipment, radio network nodes, and methods for handling communications |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101682351A (zh) * | 2007-03-26 | 2010-03-24 | 北电网络有限公司 | 自适应信道利用的方法和设备 |
| WO2012113435A1 (en) * | 2011-02-21 | 2012-08-30 | Nokia Siemens Networks Oy | Minimizing drive tests measurements configuration for signal strength reporting in mobile communications environments |
| US20140133333A1 (en) * | 2012-11-14 | 2014-05-15 | Futurewei Technologies, Inc. | Systems and Methods for Adaptation and Reconfiguration in a Wireless Network |
| CN104685842A (zh) * | 2012-09-28 | 2015-06-03 | 瑞典爱立信有限公司 | 信道估计的自适应平滑 |
| US20160095136A1 (en) * | 2014-09-26 | 2016-03-31 | Cecilia Carbonelli | Network assisted parameter estimation in the presence of inter-cell interference |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100466505C (zh) * | 2006-03-28 | 2009-03-04 | 华为技术有限公司 | 实现高速下行链路分组调度的方法和装置 |
| CN104350778A (zh) * | 2012-05-31 | 2015-02-11 | 交互数字专利控股公司 | 设备到设备(d2d)链路自适应 |
| US8995255B2 (en) * | 2012-08-03 | 2015-03-31 | Intel Corporation | Coverage adjustment in E-UTRA networks |
| CN104521268B (zh) * | 2013-05-27 | 2019-02-19 | 华为技术有限公司 | 一种信号质量测量信息的上报方法和设备 |
-
2016
- 2016-04-29 CN CN201680084796.0A patent/CN109076403B/zh active Active
- 2016-04-29 WO PCT/EP2016/059667 patent/WO2017186309A1/en active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101682351A (zh) * | 2007-03-26 | 2010-03-24 | 北电网络有限公司 | 自适应信道利用的方法和设备 |
| WO2012113435A1 (en) * | 2011-02-21 | 2012-08-30 | Nokia Siemens Networks Oy | Minimizing drive tests measurements configuration for signal strength reporting in mobile communications environments |
| CN104685842A (zh) * | 2012-09-28 | 2015-06-03 | 瑞典爱立信有限公司 | 信道估计的自适应平滑 |
| US20140133333A1 (en) * | 2012-11-14 | 2014-05-15 | Futurewei Technologies, Inc. | Systems and Methods for Adaptation and Reconfiguration in a Wireless Network |
| US20160095136A1 (en) * | 2014-09-26 | 2016-03-31 | Cecilia Carbonelli | Network assisted parameter estimation in the presence of inter-cell interference |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021051362A1 (en) * | 2019-09-19 | 2021-03-25 | Nokia Shanghai Bell Co., Ltd. | Machine learning-based channel estimation |
| WO2023088387A1 (zh) * | 2021-11-17 | 2023-05-25 | 维沃移动通信有限公司 | 信道预测方法、装置、ue及系统 |
| WO2023093725A1 (zh) * | 2021-11-24 | 2023-06-01 | 华为技术有限公司 | 一种校准方法及装置 |
| WO2023179540A1 (zh) * | 2022-03-24 | 2023-09-28 | 维沃移动通信有限公司 | 信道预测方法、装置及无线通信设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2017186309A1 (en) | 2017-11-02 |
| CN109076403B (zh) | 2020-08-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109076403A (zh) | 无线网络中信道预测改善的测量模型优化 | |
| Cerar et al. | Machine learning for wireless link quality estimation: A survey | |
| CN107171831B (zh) | 网络部署方法和装置 | |
| CN105554782B (zh) | 用户感知指标的预测方法和装置 | |
| CN110493720B (zh) | 终端的定位方法、装置及存储介质 | |
| CN107113634A (zh) | 用于优化小区专用天线配置参数的方法和设备 | |
| US20170149619A1 (en) | Method and device for discovering network topology | |
| CN104468192B (zh) | 一种多尺度多权重链路质量评估的路由方法 | |
| EP2934037B1 (en) | Technique for Evaluation of a Parameter Adjustment in a Mobile Communications Network | |
| Raida et al. | Crowdsensed performance benchmarking of mobile networks | |
| Qureshi et al. | Enhanced MDT-based performance estimation for AI driven optimization in future cellular networks | |
| US11792656B2 (en) | Determining cell suitability for multiple-input multiple-output deployment | |
| CN107182068A (zh) | 用于无线通信的装置和方法、参数优化装置和方法 | |
| Konstantinov et al. | Fading channel prediction for 5g | |
| Zhou et al. | Performance evaluation over dl-based channel prediction algorithm on realistic csi | |
| Sliwa et al. | Towards data-driven simulation of end-to-end network performance indicators | |
| Sofra et al. | Link residual-time estimation for VANET cross-layer design | |
| CN115208773B (zh) | 网络隐性故障监测方法及装置 | |
| WO2020216431A1 (en) | Network configuration optimization using a reinforcement learning agent | |
| CN114828045A (zh) | 网络优化方法、装置、电子设备及计算机可读存储介质 | |
| Galindo-Serrano et al. | Cellular coverage optimization: A radio environment map for minimization of drive tests | |
| CN105165080A (zh) | 用于无线网络中的用户速度估计的方法和系统 | |
| Saleh et al. | Probabilistic path loss predictors for mmWave networks | |
| CN103139787B (zh) | 一种路测数据的干扰抑制方法及相关装置 | |
| Salah | Multi-TRxPs for industrial automation with 5G URLLC requirements |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |