CN113498095A - 用于预测无线通信链路的未来服务质量的方法、装置和计算机程序 - Google Patents
用于预测无线通信链路的未来服务质量的方法、装置和计算机程序 Download PDFInfo
- Publication number
- CN113498095A CN113498095A CN202110295471.XA CN202110295471A CN113498095A CN 113498095 A CN113498095 A CN 113498095A CN 202110295471 A CN202110295471 A CN 202110295471A CN 113498095 A CN113498095 A CN 113498095A
- Authority
- CN
- China
- Prior art keywords
- future
- active transceivers
- service
- machine learning
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 117
- 238000004891 communication Methods 0.000 title claims abstract description 100
- 238000004590 computer program Methods 0.000 title claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 113
- 230000007613 environmental effect Effects 0.000 claims abstract description 89
- 238000012549 training Methods 0.000 claims description 59
- 238000009826 distribution Methods 0.000 claims description 52
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000010295 mobile communication Methods 0.000 claims description 21
- 230000033001 locomotion Effects 0.000 claims description 16
- 210000004027 cell Anatomy 0.000 description 40
- 230000005540 biological transmission Effects 0.000 description 32
- 230000006870 function Effects 0.000 description 20
- 238000000869 ion-assisted deposition Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 239000000969 carrier Substances 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 229920000582 polyisocyanurate Polymers 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- OAWXYINGQXLWOE-UHFFFAOYSA-N (2-acetyloxybenzoyl) 2-acetyloxybenzoate Chemical compound CC(=O)OC1=CC=CC=C1C(=O)OC(=O)C1=CC=CC=C1OC(C)=O OAWXYINGQXLWOE-UHFFFAOYSA-N 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 101100001669 Emericella variicolor andD gene Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 239000013257 coordination network Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/20—Monitoring; Testing of receivers
- H04B17/27—Monitoring; Testing of receivers for locating or positioning the transmitter
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
- H04W52/0251—Power saving arrangements in terminal devices using monitoring of local events, e.g. events related to user activity
- H04W52/0258—Power saving arrangements in terminal devices using monitoring of local events, e.g. events related to user activity controlling an operation mode according to history or models of usage information, e.g. activity schedule or time of day
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明涉及一种用于基于所预测的未来环境模型来预测无线通信链路的未来服务质量的装置、方法和计算机程序，该所预测的未来环境模型是通过确定一个或多个活动无线收发器的轨迹来预测的。该方法包括：确定移动收发器的环境中的一个或多个活动收发器的环境模型。该方法包括：确定关于一个或多个活动收发器的轨迹的信息。该方法包括：基于关于一个或多个活动收发器的轨迹的信息来确定一个或多个活动收发器在未来时间点处的所预测的未来环境模型。该方法包括：使用机器学习模型针对未来时间点来预测无线通信链路的未来服务质量。机器学习模型被训练成针对给定环境模型来提供关于预测服务质量的信息。使用所预测的未来环境模型作为去往机器学习模型的输入。
Description
技术领域
本发明涉及一种用于基于所预测的未来环境模型来预测无线通信链路的未来服务质量的装置、方法和计算机程序，该所预测的未来环境模型是通过确定一个或多个活动（active）收发器的轨迹来预测的。
背景技术
在移动收发器之间的通信是一个研究和开发的领域。例如，在车辆应用中，正在执行研究以便改进车辆之间的无线通信在不断改变的环境中的性能和可预测性。例如，在协作式驾驶的范围内，当QoS条件变化时，对两个车辆之间的无线通信链路的未来服务质量（QoS）的预测将改进车辆应用的运作。事实上，当未提供任何预测性QoS（PQoS）时，该应用可能仅对变化做出反应，并且因此可能受限于通信系统的下限性能。PQoS系统可以利用其独立模式下的无线电接入技术（RAT）（诸如，LTE-V（用于车辆通信的长期演进）或5G-V2X（用于车辆到任何事物通信的第五代移动通信系统））、或者IEEE 802.11p（电气和电子工程师协会的标准）在车辆、通信节点上运行。这些技术的组合还可以应用在多RAT系统中。在这种PQoS系统中，车辆可以交换关于通信周围环境的信息以便提供PQoS。
在文献中，信道模型（如空间信道模型（SCM）之类的半随机模型、以及如射线追踪（ray tracing）之类的确定性模型）提供了对路径损耗以及来自其他通信节点的干扰的估计。统计性模型可以提供关于周围车辆与服务质量之间的一些映射的想法。Ma、Chen和Refai的“Performance and Reliability of DSRC Vehicular Safety Communication：AFormal Analysis and IEEE 802.11p VANets：Experimental evaluation of packetinter-reception time provide such model”中示出了示例。Jornod、El Assad、Kwoczek和Kürner的论文“Prediction of Packet Inter Reception Time for Platooning usingConditional Exponential Distribution”提供了周围密度与分组间接收时间之间的统计性链接。它还示出了一种用圆形区域来划分周围环境以表示发射器周围的交通密度的方式。它使用收发器之间的距离来估计链路的QoS。
美国专利申请2019/0036630 A1涉及无线电链路质量预测。在该专利申请中，从运动数据中导出移动设备的一个或多个可能的路径。可以使用机器学习模型来基于移动设备的可能路径、基于覆盖图、以及基于环境条件来预测移动设备的无线电链路质量。然而，在所述专利申请中，其他移动设备的移动被忽略。
可能需要用于预测车辆之间的无线通信链路的服务质量的改进概念。
实施例基于以下发现：用于预测服务质量的先前方法集中于提供针对单个时间点的预测，而不是使用跟踪移动收发器的环境的逐步发展、并且因此跟踪移动收发器与另一个移动收发器之间的无线通信链路的服务质量的逐步发展的预测方法。例如，在本公开的实施例中，分析一个或多个活动收发器的轨迹以预测移动收发器周围的活动收发器的未来环境模型。基于针对未来时间点（或多个时间点）所预测的环境模型，可以使用机器学习模型来确定一个或多个未来时间点处的服务质量。因此，通过分析移动收发器的环境中的活动收发器的轨迹，来预测无线通信链路的服务质量的发展，该发展受活动收发器的轨迹并且因此受其未来位置所影响。
发明内容
本公开的实施例提供了一种用于预测移动收发器与另外的移动收发器之间的无线通信链路的未来服务质量的方法。该方法包括：确定移动收发器的环境中的一个或多个活动收发器的环境模型。该方法包括：确定关于一个或多个活动收发器的轨迹的信息。该方法包括：基于关于一个或多个活动收发器的轨迹的信息来确定一个或多个活动收发器在未来时间点处的所预测的未来环境模型。该方法包括：使用机器学习模型针对未来时间点来预测无线通信链路的未来服务质量。机器学习模型被训练成针对给定环境模型来提供关于预测服务质量的信息。使用所预测的未来环境模型作为去往机器学习模型的输入。通过分析一个或多个活动收发器的轨迹，可以根据一个或多个活动收发器的轨迹来改变环境，以获得所预测的未来环境模型。现在可以使用该所预测的未来环境模型针对未来时间点来预测无线通信链路的未来服务质量。
存在用于确定关于一个或多个活动收发器的轨迹的信息的各种选项。例如，确定关于一个或多个活动收发器的轨迹的信息可以包括：跟踪一个或多个活动收发器的移动。确定关于一个或多个活动收发器的轨迹的信息可以包括：基于一个或多个活动收发器的移动来外推（extrapolate）一个或多个活动收发器的轨迹。例如，如果一个或多个活动收发器的位置随时间已知，则可以外推它们的轨迹。
在一些实施例中，确定关于一个或多个活动收发器的轨迹的信息可以包括：从一个或多个活动收发器接收关于一个或多个活动收发器的轨迹的信息。例如，例如除它们的位置之外或代替于它们的位置，可以从一个或多个活动收发器获得一个或多个活动收发器的当前轨迹。
在各种实施例中，确定关于一个或多个活动收发器的轨迹的信息可以包括：将一个或多个活动收发器的轨迹与移动收发器的环境的地图对准。换句话说，可以调整一个或多个活动收发器的轨迹以遵循道路的路线，由此增加预测的可靠性。
在一些实施例中，确定关于一个或多个活动收发器的轨迹的信息可以包括：从一个或多个活动收发器接收关于一个或多个活动收发器的计划路线的信息。在这种情况下，一个或多个活动收发器的轨迹不仅可能遵循该道路，而且如果活动收发器驶出道路的出口，其轨迹也可能被准确地确定。
在各种实施例中，针对至少两个未来时间点来预测无线通信链路的未来服务质量。例如，可以针对至少两个未来时间点来预测所预测的未来环境模型，并且随后将其用于针对至少两个未来时间点来预测未来服务质量。
例如，通过确定一个或多个活动收发器在至少两个未来时间点处的所预测的未来环境模型、并且使用一个或多个活动收发器在至少两个未来时间点处的所预测的未来环境模型作为机器学习模型的输入，可以针对至少两个未来时间点来预测无线通信链路的未来服务质量。因此，可以在未来时间点的时间线上提供未来服务质量的预测。
在一些实施例中，在多个时间点上确定一个或多个活动收发器的多个环境模型。该方法可以包括确定多个时间点处的无线通信链路的服务质量。该方法可以包括：使用多个时间点处的多个环境模型作为机器学习模型训练的训练输入、并且使用对应的多个时间点处的无线通信链路的服务质量作为机器学习模型训练的训练输出来训练机器学习模型。因此，可以在由移动收发器生成和/或针对移动收发器生成的环境模型上训练机器学习模型。
例如，机器学习模型可以被训练成实现回归算法。基于回归的机器学习算法可以用于确定（一定范围内的）数值，诸如未来服务质量。
在各种实施例中，机器学习模型可以被训练成针对给定环境模型来提供关于预测服务质量的概率分布。可以这样做是为了避免其中公共的服务质量预测值使该预测偏斜（skew）的情况。
在一些实施例中，一个或多个活动收发器被放置在环境模型内的网格上。网格可以包括多个相邻的小区。在网格内，可以按每个小区来聚集一个或多个活动收发器。例如，网格可以用于便于环境模型的维持并且限制机器学习模型的输入数量。
例如，网格可以是圆形网格。其他活动收发器的传输会基于其距离而影响无线通信链路，该距离可以由圆形网格来建模。
预测服务质量可以涉及分组间接收时间、分组错误率、等待时间和数据率中的至少一个。这些是可以使用上述机器学习模型来预测的服务质量属性。
本公开的实施例进一步提供了一种具有程序代码的计算机程序，该程序代码用于当在计算机、处理器或可编程硬件组件上执行该计算机程序时执行上述方法。
本公开的实施例进一步提供了一种用于预测移动收发器与另外的移动收发器之间的无线通信链路的未来服务质量的装置。该装置包括用于在移动通信系统中进行通信的一个或多个接口。该装置包括被配置成执行上述方法的控制模块。
附图说明
将仅通过示例的方式并且参考附图、使用装置或方法或计算机程序或计算机程序产品的以下非限制性实施例来描述一些其他特征或方面，在附图中：
图1a和1b示出了用于预测移动收发器与另外的移动收发器之间的无线通信链路的未来服务质量的方法的实施例的流程图；
图1c示出了用于预测移动收发器与另外的移动收发器之间的无线通信链路的未来服务质量的装置、以及包括该装置的移动收发器（诸如，车辆）的示意图；
图1d示出了用于训练机器学习模型的方法的实施例的流程图；
图2示出了与环境模型相关的服务质量属性随时间的发展的表；
图3a至3f示出了一个或多个活动收发器的轨迹的示意图；以及
图4a至4d示出了与机器学习模型的训练有关的示意图。
具体实施方式
现在将参考其中图示了一些示例实施例的附图来更充分地描述各种示例实施例。在附图中，为了清楚，可以扩大线、层或区域的厚度。可以使用断线、短划线或虚线来图示可选的组件。
相应地，虽然示例性实施例能够有各种修改和替代形式，但是其实施例通过示例的方式在图中被示出并且将在本文中被详细地描述。然而，应当理解的是，不存在使示例性实施例限于所公开的特定形式的意图，而相反，示例性实施例要涵盖落入本发明的范围和权利要求的范围内的所有修改、等同方案和替代方案。相同的附图标记贯穿对图的描述指代相同或类似的元件。
如本文所使用的，术语“或”指代非排他性的“或”，除非以其他方式指示（例如，“要不然是”，或者“或可替换地”）。此外，如在本文中使用的那样，用来描述元件之间的关系的词应当被宽泛地解释成包括直接关系或中间元件的存在，除非以其他方式指示。例如，当元件被称为“连接”或“耦合”到其他元件时，该元件可以直接连接或耦合到其他元件或者可能存在中间元件。相比之下，当元件被称为“直接地连接”或“直接地耦合”到另一元件时，则不存在中间元件。类似地，诸如“之间”、“相邻”等词语应当以类似的方式来解释。
本文中所使用的术语仅出于描述特定实施例的目的并且不意图限制示例性实施例。如本文所使用的，单数形式“一”、“一个”和“该”还意图包括复数形式，除非上下文以其他方式清楚地指示。将进一步理解的是，术语“包括”、“包括有”、“包含”或“包含有”当在本文中使用时指定所陈述的特征、整数、步骤、操作、元件或组件的存在，但不排除一个或多个其他特征、整数、步骤、操作、元件、组件或其群组的存在或添加。
除非以其他方式定义，否则本文中所使用的所有术语（包括技术术语和科学术语）具有与示例性实施例所属领域的普通技术人员通常理解的含义相同的含义。将进一步理解的是，术语（例如，在常用词典中定义的术语）应当被解释为具有与其在相关领域的情境中的含义一致的含义，并且将不会以理想化或过于正式的含义来解释，除非在本文中明确地这样定义。
图1a和1b示出了用于预测移动收发器100与另外的移动收发器102之间的无线通信链路的未来服务质量（QoS）的方法的实施例的流程图。例如，移动收发器100可以是经由无线通信链路传输的无线通信的接收器。该方法包括：确定110移动收发器的环境中的一个或多个活动收发器104的环境模型。该方法包括：确定120关于一个或多个活动收发器的轨迹的信息。该方法包括：基于关于一个或多个活动收发器的轨迹的信息来确定130一个或多个活动收发器在未来时间点处的所预测的未来环境模型。该方法包括：使用机器学习模型针对未来时间点来预测140无线通信链路的未来服务质量。机器学习模型被训练成针对给定环境模型来提供关于预测服务质量的信息。使用145所预测的未来环境模型作为去往机器学习模型的输入。
图1c示出了用于预测移动收发器100与另外的移动收发器102之间的无线通信链路的未来服务质量的装置10、以及包括装置10的移动收发器100（诸如，车辆）的示意图。该装置包括用于在移动通信系统中进行通信的一个或多个接口12。该装置包括被配置成执行图1a、1b和/或1d中所示的方法中的至少一个的控制模块14。通常，控制模块14可以例如结合一个或多个接口12来提供装置10的功能。
以下描述涉及图1a和/或1b的方法以及图1c的装置两者。结合图1a和/或1b的方法描述的特征可以类似地应用于图1c的装置。
本公开的实施例涉及一种用于预测移动收发器与另外的移动收发器之间的无线通信链路的未来服务质量的方法、装置和计算机程序。为了预测未来的服务可用性和QoS，对无线电环境具有一个很好的了解可能是有益的。无线电环境的典型属性可以是路径损耗、干扰条件、系统负载、频率载波的数量、无线电接入技术（RAT）的数量等。无线电环境被建模得越详细，针对其分类所需要的信息量就越高。
如上已经阐述的，确定无线通信链路的未来QoS。在该上下文中，前缀“未来”指示针对未来时间点来预测QoS。为了实现这一点，可以针对未来（例如，使用一个或多个活动收发器的轨迹）来预测一个或多个活动收发器的存在（以及因此预测其活动），并且未来QoS的预测可以基于一个或多个活动收发器的未来活动的预测。被预测的QoS可以包括一个或多个方面，诸如无线链路上所预测的最小、平均和/或最大数据传输速率、最小、平均和/或最大分组或比特错误率、分组的两次成功传输之间的最小、平均或最大时间（例如，也表示为分组间接收时间，PIR）、最小、平均或最大等待时间等。换句话说，预测服务质量可以涉及无线通信链路的分组间接收时间、分组错误率、等待时间和数据率中的至少一个。通常，所预测的QoS可以指示无线链路的预期性能和/或预期可靠性。
在实施例中，可以由移动收发器、即由无线链路上的无线传输的接收器来预测无线链路的未来QoS。因此，该方法可以由移动收发器来执行，和/或移动收发器可以包括图1c的装置。
该方法包括：确定110移动收发器的环境中的一个或多个活动收发器104的环境模型。通常，一个或多个活动收发器的环境模型可以关于一个或多个活动收发器的存在和/或传输活动来对移动收发器的环境进行建模。例如，环境模型可以包括和/或表示移动收发器的环境内的一个或多个活动收发器的位置、距离和/或轨迹。在各种实施例中，环境模型可以被限于移动收发器周围的预定义范围，例如预定义的圆形距离，或根据网格的预定义大小。例如，一个或多个活动收发器可以被放置在环境模型内的网格上。网格可以包括多个相邻的小区。在网格内，可以按每个小区来聚集一个或多个活动收发器。换句话说，一个或多个移动收发器的位置和/或距离可以由它们被放置在其中的网格的小区来表示。
例如，在一些情况下，网格可以是二维矩形网格。换句话说，网格的小区可以具有矩形形状。附加地，网格的每个小区可以具有（基本上）相同的大小/尺寸。
替代地，如图3b至3f所示，网格可以是圆形网格，例如一维圆形网格。在一维圆形网格中，沿着一个维度（即，距中心的距离）来形成网格的小区，使得多个同心圆形成网格，其中圆之间的空间是网格的小区。在二维圆形网格中，两个相邻圆之间的每个空间被进一步细分，例如细分成象限。换句话说，网格可以由圆形成，其中两个圆之间的空间（在一维圆形网格中）是网格的小区、或（在二维圆形网格中）包括网格的小区。如果使用二维圆形网格，则可以将两个圆之间的每个空间例如划分成象限，使得两个圆之间的空间中存在多个小区。圆形网格的每个圆可以表示距离。例如，被放置在圆形网格的中心点（即，移动收发器所位于的地方）与（距中心点的）第一个圆之间的小区中的活动收发器距移动收发器的距离可以最多为n米，被放置在第一个圆与第二个圆之间的小区中的活动收发器距活动收发器的距离可以多于n米并且最多为2n米等等。这种网格被应用于图2的表中。
在实施例中，确定110环境模型可以包括获得关于一个或多个活动收发器的信息。例如，该方法可以包括：经由一个或多个活动收发器的无线消息（例如，如果活动收发器是车辆，则该无线消息是无线车辆到车辆消息）来收集关于一个或多个活动收发器的位置和/或轨迹的信息。例如，可以处理一个或多个活动收发器的周期性状态消息以收集关于一个或多个活动收发器的位置和/或轨迹的信息。因此，该方法可以包括接收一个或多个活动收发器的无线传输。移动收发器可以接收一个或多个活动收发器（例如，其他车辆/收发器）的无线传输。基于接收到的无线传输，可以确定一个或多个活动收发器的位置。例如，无线传输可以包括关于已经传输了相应无线消息的活动收发器的位置的信息。因此，关于一个或多个活动收发器的信息可以包括一个或多个活动收发器的位置，并且该方法可以包括基于一个或多个活动收发器的接收到的无线传输来确定一个或多个活动收发器的环境模型。更一般地讲，该方法可以包括基于一个或多个活动收发器的所确定的位置来生成环境模型。
在各种实施例中，该方法可以包括从另一个移动收发器、例如从一个或多个活动收发器中的移动收发器来接收环境模型的至少一部分。例如，在确定它们的环境模型之后，移动收发器可以例如通过广播相应的环境模型来与其他移动收发器共享信息。换句话说，该方法可以包括将环境模型广播到其他移动收发器。
基于由移动收发器共同收集的信息，每个移动收发器/车辆可以执行其与其他移动收发器维持的无线链路的未来QoS的预测。
在各种实施例中，在多个时间点上确定一个或多个活动收发器的多个环境模型。换句话说，该方法可以包括在多个时间点上确定一个或多个活动收发器的多个环境模型。多个环境模型中的每一个可以表示在多个时间点中的时间点处的移动收发器的环境中的一个或多个活动收发器。可以随时间（例如，周期性地）生成多个环境模型。图2示出了在多个时间点上（例如，每0.5秒）生成的多个环境模型的示例。在本公开的上下文中，术语“在一个或多个（未来）时间点处或针对一个或多个（未来）时间点”仅仅指示执行与一个或多个时间点有关的动作，而不一定指示恰好在相同的一个或多个未来时间点处执行该动作。然而，在一些情况下，例如在其中在具体时间点处确定（而不是预测）服务质量的情况下，可以在相同的时间点处执行相应动作。
该方法包括：确定120关于一个或多个活动收发器的轨迹的信息。通常，针对一个或多个活动收发器中的每一个，关于一个或多个活动收发器的轨迹的信息可以表示活动收发器的（抽象）运动向量（例如，包括速度和方向的运动向量）、或表示活动收发器沿着一个或多个道路的轨迹。可以使用以下方法之一来确定关于轨迹的信息。例如，通过在一时间段内跟踪一个或多个活动收发器的位置，并且基于所跟踪的位置来外推一个或多个活动收发器的轨迹，可以确定一个或多个活动收发器的轨迹。换句话说，确定120关于一个或多个活动收发器的轨迹的信息可以包括：跟踪122一个或多个活动收发器的移动（例如，包括一个或多个活动收发器的多个位置的移动），并且基于一个或多个活动收发器的移动来外推一个或多个活动收发器的轨迹。例如，可以初始地使用线性外推来外推一个或多个活动收发器的轨迹。可以基于一个或多个活动收发器的接收到的无线传输来获得一个或多个活动收发器的位置和/或移动。
替代地或附加地，可以从一个或多个活动收发器接收一个或多个活动收发器的轨迹。换句话说，确定120关于一个或多个活动收发器的轨迹的信息可以包括：从一个或多个活动收发器接收124关于一个或多个活动收发器的轨迹的信息。可以在一个或多个活动收发器的接收到的无线传输内获得一个或多个活动收发器的轨迹。
在各种实施例中，针对一个或多个活动发射器所确定的轨迹可以被表示为抽象运动向量，例如表示为速度和方向的组合。然而，存在其中这种轨迹可能未能产生可靠预测的场景，例如在道路具有许多弯曲的情况下，或者在多个道路部分地彼此并排延伸的情况下。在这些情况下，可以基于一个或多个道路的路线来调整一个或多个活动发射器的轨迹，以更可靠地表示一个或多个活动收发器所遵循的轨迹。换句话说，确定120关于一个或多个活动收发器的轨迹的信息可以包括：将一个或多个活动收发器的轨迹与移动收发器的环境的地图对准126。例如，可以将一个或多个活动收发器的轨迹调整为地图的一个或多个道路的路线。
如先前已经指出的，即使将一个或多个活动收发器的轨迹与环境的地图对准，这也可能不会考虑到其中活动收发器驶出出口的情况、或其中道路被一分为二的情况。可以通过基于一个或多个活动收发器的计划路线来确定一个或多个活动收发器的轨迹从而避免这一点。换句话说，确定120关于一个或多个活动收发器的轨迹的信息可以包括：从一个或多个活动收发器接收128关于一个或多个活动收发器的计划路线的信息。例如，一个或多个活动收发器的计划路线可以指示一个或多个活动收发器正在采用哪个道路，并且一个或多个活动收发器的轨迹可以沿着计划路线的道路来确定。
在所有的上述方法中，可以经由中介（例如，经由另一个移动收发器）从一个或多个活动收发器接收相应的信息。
该方法包括：基于关于一个或多个活动收发器的轨迹的信息来确定130一个或多个活动收发器在未来时间点处的所预测的未来环境模型。在本申请的上下文中，术语“在未来时间点处”涉及被预测的信息，而不涉及在其处执行该预测的时间。换句话说，该方法可以包括基于一个或多个活动收发器的轨迹来预测一个或多个活动收发器在未来时间点处的位置。例如，可以通过如下方式来预测一个或多个活动收发器的未来环境模型：基于一个或多个活动收发器的轨迹、并且基于一个或多个活动收发器在环境模型（例如，该环境模型与移动收发器的环境的地图对准）内的位置来外推一个或多个活动收发器在未来时间点处的位置。换句话说，从移动收发器的环境中的一个或多个活动收发器的位置（其由所确定的环境模型表示）开始，可以基于一个或多个活动收发器的轨迹来（沿着地图的一个或多个道路）预测一个或多个活动收发器在未来时间点处的未来位置。基于一个或多个活动收发器在未来时间点处的所预测的位置，可以确定未来环境模型，例如类似于环境模型的确定110。
在实施例中，确定一个或多个活动收发器在未来时间点处的所预测的未来环境模型还可以考虑移动收发器的轨迹。例如，取决于移动收发器的轨迹（即，方向和速度），一个或多个活动收发器的不同环境模型可以随着收发器相对于彼此的位置改变而被预测。因此，所预测的未来环境模型可以进一步基于移动收发器在未来时间点处的所预测的位置（其可以基于移动收发器的轨迹来预测）。该方法可以包括预测移动收发器（以及可选地还有另外的移动收发器）在未来时间点处的位置。
在各种实施例中，可以针对至少两个未来时间点（例如，随时间）来确定所预测的未来环境模型。换句话说，该方法可以包括确定130一个或多个活动收发器在至少两个未来时间点处的所预测的未来环境模型。
该方法包括：使用机器学习模型针对未来时间点来预测140无线通信链路的未来服务质量。使用145所预测的未来环境模型作为去往机器学习模型的输入。机器学习模型的输出可以是无线通信链路的未来服务质量，或者可以基于机器学习模型的输出来预测无线通信链路的未来服务质量。
机器学习指代计算机系统可以用于不使用显式指令而是取而代之地依赖于模型和推理来执行特定任务的算法和统计性模型。例如，在机器学习中，代替于基于规则的数据变换，可以使用从历史和/或训练数据的分析中推理出的数据变换。例如，可以使用机器学习模型或使用机器学习算法来分析图像的内容。为了使机器学习模型分析图像的内容，可以使用训练图像作为输入并且使用训练内容信息作为输出来训练机器学习模型。通过利用大量训练图像和相关联的训练内容信息来训练机器学习模型，机器学习模型进行“学习”以识别图像的内容，因此可以使用机器学习模型来识别训练图像中未包含的图像内容。相同的原理也可以用于其他种类的传感器数据：通过使用训练传感器数据和期望输出来训练机器学习模型，机器学习模型“学习”传感器数据与输出之间的变换，该变换可以用于基于提供给机器学习模型的非训练传感器数据来提供输出。在实施例中，机器学习模型被训练成根据环境模型来提供环境模型与无线通信链路的预测服务质量之间的变换。换句话说，机器学习模型被训练成将环境模型与无线通信链路的预测服务质量进行相关。
使用训练输入数据来训练机器学习模型。上面指定的示例使用被称为“监督学习”的训练方法。在监督学习中，使用多个训练样本来训练机器学习模型，其中每个样本可以包括多个输入数据值和多个期望输出值，即每个训练样本与期望输出值相关联。通过指定训练样本和期望输出值两者，机器学习模型基于与训练期间提供的样本类似的输入样本来“学习”要提供哪个输出值。监督学习可以基于监督学习算法，例如分类算法、回归算法或相似性学习算法。当输出被限制为有限的值集合、即输入被分类为该有限的值集合中的一个时，可以使用分类算法。当输出可以具有（一定范围内的）任何数值时，可以使用回归算法。相似性学习算法与分类算法和回归算法两者类似，但是相似性学习算法基于使用相似性函数从示例中进行学习，该相似性函数测量两个对象的相似程度或相关程度。
通常，机器学习模型被训练成针对给定环境模型来提供关于预测服务质量的信息。例如，无线通信链路的预测服务质量可以由数值表示，该数值可使用基于回归的机器学习算法来获得。例如，预测服务质量可以涉及分组间接收时间、分组错误率、等待时间和数据率中的至少一个，它们可以全部由数值表示。因此，机器学习模型可以被训练成实现回归算法，例如以预测无线通信链路的分组间接收时间、分组错误率、等待时间和数据率中的至少一个。
在一些实施例中，机器学习模型是具体地针对移动收发器来训练的。替代地，机器学习模型可以是适用于不同移动收发器的通用机器学习模型。在任一个情况下，该方法可以包括训练机器学习模型，或者机器学习模型可以由另一个实体来训练（针对该实体，可以使用另一种方法，如图1d中所示）。
通常，机器学习模型可以被训练成将（预测）服务质量与移动收发器的环境中的一个或多个活动收发器的环境模型进行相关。因此，可以使用环境模型和对应的服务质量来训练机器学习模型。通常，使用多个训练样本来训练机器学习模型。因此，可以在多个时间点上确定一个或多个活动收发器的多个环境模型。该方法可以包括确定150多个时间点处的无线通信链路的服务质量。换句话说，针对多个时间点，可以（根据移动收发器的环境中的一个或多个活动收发器）确定服务质量。例如，可以通过确定无线通信链路的度量来确定服务质量，该度量诸如无线通信链路的分组间接收时间、分组错误率、等待时间和/或数据率。该方法可以包括：使用多个时间点处的多个环境模型作为机器学习模型训练的训练输入、并且使用对应的多个时间点处的无线通信链路的服务质量作为机器学习模型训练的训练输出来训练155机器学习模型。换句话说，可以将多个环境的环境模型与对应的服务质量一起用作用于训练机器学习模型的训练样本。
在一些实施例中，机器学习模型的输出可以是除了各种服务质量属性的“原始”值之外的事物。例如，诸如无线链路的分组间接收时间（PIR时间）之类的一些重要属性通常处于其最小值（即，传输时间），这是因为相应传输在第一次是成功的。在这种场景中训练机器学习模型可能会产生朝向该最小值偏斜的机器学习模型。这可以通过训练机器学习模型以输出代理值来避免，该代理值可以用于确定实际的服务质量属性。一个这种代理是概率分布，其对服务质量属性（诸如，分组间接收时间、分组错误率、等待时间和数据率）的给定值对于给定环境模型而言概率有多高进行建模。换句话说，机器学习模型可以被训练成针对给定环境模型来提供关于预测服务质量的概率分布。例如，如结合图4a至4d所示，可以使用概率的指数分布来对服务质量的一些属性（诸如，分组间接收时间（PIR时间））进行建模。可以使用以下公式对这种指数分布进行建模，其中 γ是服务质量属性，并且λ是比率（rate）。
该比率可以被建模为环境模型（即，移动收发器的环境中的一个或多个活动收发器的分布）以及发射器与接收器之间的距离（天线间距离，IAD）的函数λ(x)。
该比率指示服务质量属性（例如，PIR时间）的（指数）概率分布。因此，机器学习模型可以被训练成针对给定环境模型来提供（预测）服务质量的（预测）比率、以及因此提供其概率分布。该方法可以包括：基于由机器学习模型提供的比率/概率分布来确定无线链路的所预测的未来服务质量。可以在结合图4a至4d提供的示例中找到进一步的细节，其中基于所仿真的数据来训练合适的机器学习模型。
随后，该比率可以用于确定所预测的未来服务质量。所预测的未来服务质量值可以使用针对指数分布的1/λ来获得。所预测的未来服务质量值的分位数可以使用指数分布的分位数函数（也被称为逆累积分布函数）来获得：
例如，使用p=0.75来获得第3个四分位数，并且利用p=0.9来获得第9个分位数。
在各种实施例中，针对多个未来时间点（即，至少两个未来时间点）来预测未来服务质量。例如，该方法可以包括预测多个未来时间点上的未来服务质量的发展。通过确定多个未来时间点处的所预测的未来环境模型（或更确切地说，多个所预测的未来环境模型）、并且使用所预测的未来环境模型作为去往机器学习模型的输入，可以在多个未来时间点上扩展本公开的实施例。换句话说，通过确定130一个或多个活动收发器在至少两个未来时间点处的所预测的未来环境模型、并且使用145一个或多个活动收发器在至少两个未来时间点处的所预测的未来环境模型作为机器学习模型的输入，可以针对至少两个未来时间点来预测无线通信链路的未来服务质量。
在一些实施例中，移动收发器可以具有采用不同的道路或以不同的速度行进的选项，这可能导致移动收发器在未来的一个或多个时间点处处于不同的位置。因此，可以针对不同的位置来预测未来服务质量。换句话说，可以针对移动收发器在未来时间点处或在多个未来时间处的多个不同的未来位置（即，至少两个不同的位置）来预测未来服务质量。例如，通过基于至少两个未来位置来确定130一个或多个活动收发器的所预测的未来环境模型、并且使用145一个或多个活动收发器在至少两个未来位置处的所预测的未来环境模型作为机器学习模型的输入，可以针对移动收发器的至少两个未来位置来预测无线通信链路的未来服务质量。这可以与上述方法组合。例如，通过组合上述方法，可以针对移动收发器的至少两个未来位置以及至少两个未来时间点来预测无线通信链路的未来服务质量。
在下文中，示出了另一种方法，该方法可以用于与上面呈现的方法分开地训练机器学习模型。图1d示出了用于训练机器学习模型的方法的实施例的流程图。图1d的方法包括：确定150多个时间点处的无线通信链路的服务质量；以及使用多个时间点处的多个环境模型作为机器学习模型训练的训练输入、并且使用对应的多个时间点处的无线通信链路的服务质量作为机器学习模型训练的训练输出来训练155机器学习模型。
机器学习算法通常基于机器学习模型。换句话说，术语“机器学习算法”可以指示可用于创建、训练或使用机器学习模型的指令集。术语“机器学习模型”可以指示如下数据结构和/或规则集合：该数据结构和/或规则集合表示例如基于由机器学习算法执行的训练所学习到的知识。在实施例中，机器学习算法的使用可以暗示基础机器学习模型（或多个基础机器学习模型）的使用。机器学习模型的使用可以暗示机器学习模型和/或作为机器学习模型的数据结构/规则集合是由机器学习算法来训练的。
例如，机器学习模型可以是人工神经网络（ANN）。ANN是由生物神经网络（诸如，可以在大脑中找到的生物神经网络）启发的系统。ANN包括多个互连的节点、以及节点之间的多个连接——即所谓的边缘。通常有三种类型的节点：接收输入值的输入节点、（仅）连接到其他节点的隐藏节点、以及提供输出值的输出节点。每个节点可以表示人工神经元。每个边缘可以从一个节点到另一个节点地传输信息。节点的输出可以被定义为其输入的总和的（非线性）函数。可以在基于边缘或提供输入的节点的“权重”的函数中使用节点的输入。可以在学习过程中调整节点和/或边缘的权重。换句话说，人工神经网络的训练可以包括调整人工神经网络的节点和/或边缘的权重，即用以针对给定输入实现期望的输出。在至少一些实施例中，机器学习模型可以是深度神经网络，例如包括一个或多个层的隐藏节点（即，隐藏层）、优选地多个层的隐藏节点的神经网络。
图4c示出了用于机器学习模型的示例性架构的示意图。机器学习模型包括具有由
表示的输入节点的输入层，这些输入节点针对移动收发器与另外的移动收发器之间的距离d、以及宽度为g的圆形网格的小区中的活动收发器的数量，其中n是所考虑的圆形网格的小区数量。该架构进一步包括n h 个隐藏层，每个隐藏层具有n n 个节点（
）。该架构进一步包括输出层，输出层输出比率λ，以及因此输出服务质量的概率分布。
在一些实施例中，机器学习模型可以是支持向量机。支持向量机（即，支持向量网络）是具有相关联的学习算法的监督学习模型，该学习算法可以用于例如在分类或回归分析中分析数据。可以通过提供具有属于两个类别之一的多个训练输入值的输入来训练支持向量机。可以将支持向量机训练成将新的输入值指派给两个类别之一。替代地，机器学习模型可以是贝叶斯网络，贝叶斯网络是概率有向无环图模型。贝叶斯网络可以使用有向无环图来表示一组随机变量及其条件相关性。替代地，机器学习模型可以基于遗传算法，遗传算法是模仿自然选择过程的搜索算法和启发式技术。
装置10和移动收发器100；102；104（例如，车辆或实体）可以通过移动通信系统进行通信。移动通信系统可以例如与第三代合作伙伴计划（3GPP）标准化移动通信网络之一相对应，其中术语移动通信系统与移动通信网络同义地使用。因此可以通过多个网络节点（例如，互联网、路由器、交换机等）以及移动通信系统来传送消息（输入数据、测量数据、控制信息），这生成了实施例中所考虑的延迟或等待时间。
移动或无线通信系统可以对应于第三代合作伙伴计划（3GPP）标准化移动通信网络之一，其中术语移动通信系统与移动通信网络同义地使用。移动或无线通信系统400可以对应于第五代（5G，或新型无线电）移动通信系统，并且可以使用毫米波技术。移动通信系统可以对应于或者包括例如长期演进（LTE）、高级LTE（LTE-A）、高速分组接入（HSPA）、通用移动电信系统（UMTS）或UMTS陆地无线电接入网络（UTRAN）、演进的UTRAN（e-UTRAN）、全球移动通信系统（GSM）或增强型数据速率GSM演进（EDGE）网络、GSM/EDGE无线电接入网络（GERAN）、或者具有不同标准的移动通信网络，例如全球微波接入互操作性（WIMAX）网络IEEE 802.16或无线局域网（WLAN）IEEE 802.11，一般是正交频分多址（OFDMA）网络、时分多址（TDMA）网络、码分多址（CDMA）网络、宽带CDMA（WCDMA）网络、频分多址（FDMA）网络、空分多址（SDMA）网络等等。
服务提供可以由网络组件执行，网络组件诸如基站收发器、中继站或UE，例如协调多个UE/车辆的集群或群组中的服务提供。基站收发器可以可操作或被配置成与一个或多个活动的移动收发器/车辆进行通信，并且基站收发器可以位于另一基站收发器的覆盖区域中或邻近于另一基站收发器的覆盖区域，该另一基站收发器例如宏小区基站收发器或小小区基站收发器。因此，实施例可以提供包括两个或更多个移动收发器/车辆100；102和一个或多个基站收发器的移动通信系统，其中基站收发器可以建立宏小区或小小区，作为例如微微小区、城域小区或毫微微小区。移动收发器或UE可以对应于智能电话、蜂窝电话、膝上型电脑、笔记本电脑、个人计算机、个人数字助理（PDA）、通用串行总线（USB）棒、汽车、车辆、道路参与者、交通实体、交通基础设施等等。移动收发器还可以被称为用户设备（UE）或符合3GPP术语的移动设备。例如，移动收发器、另外的移动收发器、和/或一个或多个活动收发器的至少子集可以是车辆，例如陆地车辆、道路车辆、汽车、自动车、非道路车辆、机动车辆、卡车或货车。
基站收发器可以位于网络或系统的固定或静止部分中。基站收发器可以是或者对应于远程无线电头、传输点、接入点、宏小区、小小区、微小区、毫微微小区、城域小区等。基站收发器可以是有线网络的无线接口，其使得能够将无线电信号传输到UE或移动收发器。这种无线电信号可以遵从如例如由3GPP标准化或一般地符合上面列出的系统中的一个或多个的无线电信号。因此，基站收发器可以对应于NodeB、eNodeB、gNodeB、基站收发信台（BTS）、接入点、远程无线电头、中继站、传输点等等，它们可以进一步被细分成远程单元和中央单元。
移动收发器或车辆100可以与基站收发器或小区相关联。术语“小区”指代由基站收发器（例如，NodeB（NB）、eNodeB（eNB）、gNodeB、远程无线电头、传输点等）提供的无线电服务的覆盖区域。基站收发器可以在一个或多个频率层上操作一个或多个小区，在一些实施例中，小区可以对应于扇区。例如，扇区可以使用扇区天线来实现，该扇区天线提供用于覆盖远程单元或基站收发器周围的角度部分的特性。在一些实施例中，基站收发器可以例如操作分别覆盖120°扇区（在三个小区的情况下）、60°扇区（在六个小区的情况下）的三个或六个小区。基站收发器可以操作多个扇区化的天线。在下文中，小区可以表示生成该小区的相应基站收发器，或者同样地，基站收发器可以表示该基站收发器生成的小区。
在实施例中，装置10可以被包括在服务器、基站、NodeB、UE、移动收发器、中继站或任何服务协调网络实体中。要注意的是，术语网络组件可以包括多个子组件，诸如基站、服务器等。
在实施例中，一个或多个接口12可以对应于用于获得、接收、传输或提供模拟或数字信号或信息的任何部件，例如任何连接器、触点、引脚、寄存器、输入端口、输出端口、导体、通道等，其允许提供或获得信号或信息。接口可以是无线的或有线的，并且它可以被配置成与另外的内部或外部组件进行通信，即传输或接收信号、信息。一个或多个接口12可以包括另外的组件，以实现移动通信系统中的相应通信，这些组件可以包括收发器（发射器和/或接收器）组件，诸如一个或多个低噪声放大器（LNA）、一个或多个功率放大器（PA）、一个或多个双工器（duplexer）、一个或多个天线共用器（diplexer）、一个或多个滤波器或滤波器电路、一个或多个转换器、一个或多个混频器、相应适配的射频组件等。一个或多个接口12可以耦合到一个或多个天线，这些天线可以对应于任何发射和/或接收天线，诸如喇叭天线、偶极天线、贴片天线、扇区天线等。天线可以以所定义的几何设置来布置，该几何设置诸如均匀阵列、线性阵列、圆形阵列、三角形阵列、均匀场天线、场阵列、其组合等。在一些示例中，一个或多个接口12可以用于传输或接收信息（诸如，信息、输入数据、控制信息、进一步的信息消息等）或者既传输又接收信息的目的。
如图1c中所示，相应的一个或多个接口12在装置10处耦合到相应的控制模块14。在实施例中，控制模块14可以使用一个或多个处理单元、一个或多个处理设备、用于处理的任何部件（诸如，处理器、计算机、或利用相应适配的软件而可操作的可编程硬件组件）来实现。换句话说，控制模块14的所描述的功能也可以用软件来实现，该软件然后在一个或多个可编程硬件组件上执行。这种硬件组件可以包括通用处理器、数字信号处理器（DSP）、微控制器等等。
在实施例中，通信（即传输、接收或其两者）可以直接地发生在移动收发器/车辆100；102当中，例如向/从控制中心转发输入数据或控制信息。这种通信可以利用移动通信系统。可以例如借助于设备到设备（D2D）通信来直接实施这种通信。可以使用移动通信系统的规范来实施这种通信。D2D的示例是车辆之间的直接通信，也相应地被称为车辆到车辆通信（V2V）、汽车到汽车、专用短距离通信（DSRC）。使得这种D2D通信能够实现的技术包括802.11p、3GPP系统（4G、5G、NR以及这些之外）等。
在实施例中，一个或多个接口12可以被配置成在移动通信系统中进行无线通信。为了这样做，使用了无线电资源，例如频率、时间、代码和/或空间资源，它们可以被用于与基站收发器的无线通信以及用于直接通信。可以由基站收发器来控制无线电资源的指派，即确定哪些资源用于D2D而哪些资源不用于D2D。在这里以及在下文中，相应组件的无线电资源可以对应于可在无线电载波上想到的任何无线电资源，并且它们可以在相应载波上使用相同或不同的粒度。无线电资源可以对应于资源块（如LTE/LTE-A/非许可的LTE（LTE-U）中的RB）、一个或多个载波、子载波、一个或多个无线电帧、无线电子帧、无线电时隙、潜在地具有相应扩展（spreading）因子的一个或多个代码序列、一个或多个空间资源（诸如，空间子信道、空间预编码向量）、其任何组合等等。例如，在直接蜂窝式车辆到任何事物（C-V2X）（其中V2X包括至少V2V、V2-基础设施（V2I）等）中，根据3GPP Release（版本）14起的传输可以由基础设施来管理（所谓的模式3），或者在UE中运行。
结合所提出的概念、或者上面或下面描述的一个或多个示例（例如，图2至4d）来提及该方法、装置或移动收发器的更多细节和方面。该方法、装置或移动收发器可以包括与所提出的概念、或者上面或下面描述的一个或多个示例的一个或多个方面对应的一个或多个附加可选特征。
本公开的各种实施例涉及一种用于通过在未来投影预测输入（即，所预测的未来环境模型）来增加QoS预测中的预测范围（horizon）的方法。
在协作式驾驶的范围内，对未来服务质量（QoS）的预测使得能够在QoS条件变化时使用诸如成排（platooning）之类的车辆应用。事实上，当未提供任何预测性QoS（PQoS）时，该应用可能仅对变化做出反应，并且因此受限于通信系统的下限性能。PQoS系统可以利用其独立模式下的无线电接入技术（RAT）（诸如，LTE-V或5G-V2X）、或者IEEE 802.11p在车辆、通信节点上运行。这些技术的组合还可以应用在多RAT系统中。在这种PQoS系统中，车辆可以交换关于通信周围环境的信息以便提供PQoS。因此，实施例可以涉及用于预测未来的QoS的方法。
在其他方法中，诸如Jornod、El Assad、Kwoczek和Kürner的论文“Prediction ofPacket Inter Reception Time for Platooning using Conditional ExponentialDistribution”，提供了周围密度与分组间接收时间之间的统计性链接。然而，在该论文中所示的方法中，预测仅仅是瞬时的，而实施例旨在预测未来的服务质量。
实施例提供了一种用于通过将瞬时预测模型的输入投影到未来从而预报QoS（即，所预测的未来服务质量）的方法。该方法可以包括以下操作中的一个或多个：
1. 从接收器收集传输数据（即，无线传输）、以及周围通信车辆（即，一个或多个活动收发器）的位置、速度和前进方向。替代地或附加地，这些车辆可以共享其路线。例如，可以在多个时间点处收集数据。
2. 计算来自该接收器的感兴趣的QoS指标（例如，通过确定多个时间点处的无线通信链路的服务质量）。
3. 对周围通信环境进行建模（例如，通过确定环境模型），例如以获得周围通信环境的指标。
4. 关于发射器和接收器的时间和位置以及关于周围通信车辆的位置，将传输数据的所计算的QoS指标与周围通信环境模型相匹配（例如，将服务质量与对应的环境模型相链接）。
5. 在所收集的数据（见表）上训练分布模型（例如，机器学习模型），例如以使用数据库来训练用于QoS估计的模型，该QoS估计作为环境预测因子（周围车辆的空间分布）的函数。
6. 使用速度和前进方向、或者替代地使用其路线（例如，其轨迹，还参见图3a至3f）在未来投影发射器、接收器以及周围车辆（在10秒…100秒内）的位置，例如以确定所预测的未来环境模型。
7. 针对先前步骤中所预测的位置来建模周围的通信环境（即，所预测的未来环境模型），例如以使用车辆的（在6中估计的）投影位置以匹配于4和5的数据格式。
8. 在所投影的数据上使用经训练的模型（例如，以通过使用所预测的未来环境模型作为去往机器学习模型的输入、经由机器学习模型来预测未来服务质量）。
9. 建立针对未来的动态链路QoS映射（例如，通过针对两个或更多个未来时间点和/或针对移动收发器的两个或更多个未来位置来确定所预测的未来环境模型）。
10. 利用累积的数据重复先前步骤，以改进学习和预测。
所预测的QoS可以是PER、PIR、等待时间、数据率等。例如，可以通过如下任一个方式来执行通信环境数据收集：通过使用无线电接受器（receptor）作为传感器、通过使用用于组合先前链路质量测量结果和位置以创建基于链路的映射的方法，该映射将用于取决于通信伙伴的位置和其他通信车辆的位置来预测未来的链路QoS；或者通过使用用于在移动收发器之间交换关于所测量的信道质量的报告的方法。例如，关于一位置处的移动收发器所测量的信道质量的报告可以从该移动收发器被传输到另一个移动收发器，并且它可以被转发到又一个移动收发器。
可以使用如下方法来执行对周围通信环境的建模：该方法用于将针对每个无线电接入技术的通信环境描述成具有描述了信道使用的信息的小区。例如，该方法可以包括：确定关于移动收发器的环境中的一个或多个活动收发器的信息；生成移动收发器的无线电环境的网格，网格包括多个相邻的小区；以及指示网格中的每个小区的一个或多个活动收发器的活动。
图2提供了用于例如根据结合图4a至4d所提供的示例之一来训练预测模型的数据的示例。图2示出了与环境模型相关的服务质量属性随时间的发展的表。该表包括各种列，第一列示出了时间戳（time（时间）），第二列和第三列示出了目的地和源节点的标识（dst和src），第四列示出了分组的大小（size），第五列示出了PIR值（pir），第六列示出了发射器与接收器之间的距离（dist，其保持相当恒定），并且第七列和随后的列示出了接收器（src）周围的地理区域（即，圆形网格的小区、或环带（annulus））中的节点数量d*，其中*指示最大距离（例如，d30 = 0直到30米，d60 = 大于30直到60米等）。
图3a至3f示出了确定一个或多个活动收发器的轨迹的示意图。在图3a中，示出了如下设置：其中具有移动收发器100（接收器，rx）和另外的移动收发器102（发射器，tx），其两者都是车辆，并且其中具有一个或多个活动收发器104（其也是车辆），它们将位置、速度、轨迹和/或路线传输到移动收发器100。在图3b至3f中，示出了这些车辆如何在多个时间点上相对于彼此移动，从而导致不同的环境模型。在图3b中，示出了圆形网格的小区（即，环带）a 1…a 6，其中D 1…D 6指示每个网格的活动收发器的数量。每个网格的活动收发器的该数量集合可以用作环境模型。在图3b中，除了发射器和接收器之外，小区a 1-a 3是空的（D 1=D 2=D 3=0），小区a 4包含两个车辆（D 4=2），a 5包含三个车辆（D 5=3），并且a 6也包含三个车辆（D 6=3）。在图3c中，小区a 1-a 2是空的（D 1=D 2=0），小区a 3包含两个车辆（D 3=2），小区a 4包含三个车辆（D 4=3），a 5包含三个车辆（D 5=3），并且a 6包含零个车辆（D 6=0）。在图3d中，小区a 4-a 6是空的（D 4=D 5=D 6=0），小区a 1包含两个车辆（D 1=2），小区a 2包含三个车辆（D 2=3），并且a 3包含三个车辆（D 3=3）。在图3e中，小区a 3-a 6是空的（D 3=D 4=D 5=D 6=0），小区a 1包含六个车辆（D 1=6），并且小区a 2包含两个车辆（D 2=4），其中小区2在发射器和接收器的远侧上继续。在图3f中，小区a 5-a 6是空的（D 5=D 6=0），小区a 1包含零个车辆（D 1=0），小区a 2包含三个车辆（D 2=3），小区a 3包含三个车辆（D 3=3），并且小区a 4包含两个车辆（D 4=2）。
图4a至4d示出了与机器学习模型的训练有关的示意图。在下文中，介绍了两种类似的方法，它们涉及机器学习模型的训练，该机器学习模型适合于针对给定环境模型来提供关于预测服务质量的概率分布。虽然使用仿真的环境模型来训练机器学习模型，但是可以将相同的原理应用到“实际”移动收发器/车辆中收集的数据。
在下文中，介绍了这两种方法的背景。AQoSA（敏捷服务质量适配）的一个感兴趣的应用是高密度成排（HDPL）：这是一种协作式车辆应用，其中车辆协调它们的控制，以便以较小的车辆间距离（IVD）——15 m以下为目标。在AQoSA的范围内，需要能够预报未来QoS的预测性系统。该预测性系统可以利用其周围的环境知识来运作。以下场景的特征在于：以25m/s的速度在椭圆形多车道测试轨道上的五卡车HDPL驾驶。该排以5与25m之间的IVD为目标。它通过成排控制消息（PCM）的广播来协调，该成排控制消息是利用IEEE 802.11p无线电接入技术（RAT）以20Hz的速率传输的700 B消息。为了对通信系统提出挑战，在相反方向的车道上以增加的密度来引入车辆交通。该周围交通在发射器周围的400m范围内达到了200以上的车辆数量。周围车辆在相同RAT上以10Hz的速率来广播400 B CAM（协作式意识消息）。在城市移动性仿真（SUMO）中对周围交通的移动性进行建模，城市移动性仿真是一种利用其以特定密度产生随机车辆的能力的仿真工具。该交通仿真器与网络仿真器ns-3组合，网络仿真器ns-3利用其IEEE 802.11p模型来操作无线传输。这种设置允许仿真出逼真的车辆运动、以及相当精确的通信系统模型。使用ns-3的追踪能力，总共收集了106个传输观察结果。这些观察结果包括观察到的PIR时间以及下文中描述的环境预测因子。指示为γ的PIR时间被定义为一对通信伙伴内的两个连续消息之间的持续时间，该持续时间是从接收器测量的。PIR值是连续传输失败的结果，这产生了高PIR值的低表示。然而，这些较高的值对于应用而言是非常感兴趣的，这是因为它们可能会限制应用的性能。直接预测γ将最有可能导致对PCM传输周期0.05s的系统性预测，这是因为它是最小PIR和最具代表性的值。取而代之，可以对PIR概率分布进行建模。例如在图3b中示出了环境预测因子。第一组特征是IADd，即发射器与接收器（图3b中的Tx 102与Rx 100）之间的距离，该距离是在它们的天线之间计算出的。第二组包括发射器周围的环带内的通信车辆的数量
，或者由该数量
组成。环带
由它们的半径差
以及它们的索引
来定义。这些特征的进一步描述在G. Jornod、A. El Assaad、A. Kwoczek和T. Kürner的“Packet inter-reception time modeling for high-density platooning in varyingsurrounding traffic density”（28th IEEE Eur. Conf. Net. Commun. IEEE，2019年）中给出。在仿真中，计算了PIR与400m半径内的车辆总数以及IAD之间的关系。在这种场景中，当周围通信车辆的数量高于150时，PIR会急剧增加。该总数也对目标具有影响；当IAD变得大于100m时，这种影响会急剧降低。
在下文中，基于提供了指数分布参数的非线性函数的学习，呈现了预测模型（其可以实现结合图1a至1d所介绍的机器学习模型）。
PIR的分布可以被视为是条件指数分布。在文献中，PIR被示出为通过指数分布、对数正态分布、威布尔分布和伽玛分布被很好地建模，其中优选通过了90%显著性测试的最后两个。因此，在下文中，可以利用指数分布对PIR进行建模。可以将其视为伽玛分布的特殊情况，其优点是具有单个参数——比率λ > 0。其概率密度函数（PDF）被表述为：
并且在图4a中针对感兴趣的若干个比率λ对其概率密度函数（PDF）、以及在图4b中对其累积密度函数（CDF）进行了说明。利用空间预测因子将λ参数化：
其中x是仅交互（interaction only）情况下（例如，忽略d 2）的预测因子d和D n,g 的2次多项式组合。该建模允许针对训练数据的范围内的预测因子的任何组合来计算PIR密度。然后，该建模的目的是使用观察数据来逼近非线性函数λ(x)。为了这么做，使用了MLP回归器（参见图4c）。使用了基于Keras的实现方式，其中该模型是使用具有负对数似然作为损失函数的Adam优化算法来训练的：
其中Ω是包含训练数据的索引的集合。执行了用于大小选择的k倍交叉验证，并且使用scikit-learn应用了隐藏层的数量（分别为n∈{1,2,3}和m∈{100,500,1000}），其中k=8。该模型的一个限制在于它不利用预测因子的先前值。事实上，PIR时间表示两个成功事件之间的时间：连续分组失败的源可能已经发生在两次观察之间。然而，考虑到预测因子是移动的车辆，它们的运动足够平滑，以使该模型对该限制是鲁棒的。使用这两个python库的组合允许学习策略的快速原型化（fast prototyping）。MLP回归器的选择通过其捕获数据探索阶段期间突出显示的非线性的能力所激励。
下文中呈现了另一种方法。在下文中，示出了使用通信节点的空间分布的PIR分布的预测。先前的研究表明，可以通过指数分布对PIR进行建模。而且，IAD和周围的通信交通密度会更改通信系统性能。在以下概念中，利用这两个前提（premise）来构建如下模型：该模型将预测目标的分布与节点的空间分布的变化进行链接。随后，研究了在以五卡车HDPL为特征的全尺度（full scale）系统级车辆自组织网络（VANET）仿真内对这种关系的即时学习（learning on the fly）。
使用ns-3的追踪功能，总共收集了4·107个传输观察结果。在这些当中，2.5·106个具有接收侧上的排成员，并且9·105个描述了排内通信。这些观察结果包括观察到的PIR时间、源和目的地、以及关于周围车辆的位置的信息。图4d示出了PIR的示例性分布。PIR时间示出了重尾分布，这激励了对其分布进行进一步建模，而不是简单地预测出值。事实上，PIR值是连续传输失败的结果，这产生了高PIR值的低表示。然而，这些较高的值对于应用而言是非常感兴趣的，这是因为它们可能会限制应用的性能。如Jornod、El Assaad、Kwoczek和Kürner的“Prediction of Packet Inter-Reception Time for Platooning usingConditional Exponential Distribution”（16th Int. IEEE Symp. Wireless Commun.Sys.（ISWCS），2019年，第265-270页）中强调的那样，简单的预测将最有可能导致对最具代表性的值——0.05秒的系统性预测。然而，车辆数量的分布不同于先前的研究。事实上，在该场景中以随机的方式引入这些车辆。然后，车辆在该场景中遵循随机路线并且可能累积，这是实验性设计选择，旨在研究该方法对未知情况或较不频繁情况的鲁棒性。
在先前的研究中，示出了考虑IAD与周围车辆数量之间的交互的重要性。针对IAD和车辆数量区间的组合的平均PIR被仿真。观察到了125m以上的平均PIR值的急剧增加。通常，它还与周围车辆数量和IAD两者一起增加。在80至100个之间的车辆的区域中，观察到了PIR的较高值。在先前的结果中，没有看到该区域以及它所引发的第二个梯度。事实上，在该先前的研究中，周围车辆被限制在笔直的高速公路上。在该新场景中，周围车辆的空间分布更急剧地变化。该新种类的模式、以及从原点到椭圆顶部的第二个增加路径的出现是该新分布的结果。这进一步激励了对这种分布的建模、以及对非线性回归模型的使用。
在下文中，介绍了建模策略。第一个步骤是计算目标关键性能指标（KPI）——PIR时间（即，服务质量）。第二个步骤是对周围通信环境进行建模（即，环境模型），这包括位置日志预处理以及对环境的抽象。第三个步骤是对这些环境特征与我们的目标的分布之间的关系进行形式化（即，生成训练数据）。第四个并且是最后的步骤是创建用于学习这种关系的策略。在该示例中，预测目标是PIR时间。如先前部分中所提及，该度量在VANET研究中越来越受到关注。在HDPL的范围内，它测量如下时间：在该时间期间，车辆不能够依靠通信与其他车辆进行协调。此外，由于预测算法，现代控制系统能够应对低的更新输入速率。然而，它们在无规律输入的情况下示出了较差性能。这种规律性是通过PIR分布来捕获的。针对每个源从接收器来测量PIR，作为对两个消息的接收之间的时间差。针对排成员、针对所有接收到的消息研究了该KPI。由于这些消息是周期性消息，因此PIR时间是传输周期的倍数加上或减去所经历的等待时间。它反映了连续的被丢弃消息的数量。
在下文中，介绍了环境特征。一个目标是考虑所有通信车辆（即，一个或多个活动收发器）的位置。主要的挑战是：输入的数量是可变的（理论上，如果重点不在具体范围上，则它可以从几个车辆跨越到无穷大）。此外，即使将范围减小到具体范围，大多数预测方法也需要固定大小且有序的输入。作为结果，使用针对周围通信环境信息的适当聚集方法（以表示环境模型）。在G. Jornod、A. El Assaad、A. Kwoczek和T. Kürner的“Packet inter-reception time modeling for high-density platooning in varying surroundingtraffic density”（28th IEEE Eur. Conf. Net. Commun.（EuCNC），2019年，第187-192页）中，介绍了例如在图3a至3e中示出的基于环带的环境模型（即，基于圆形网格）。核心思想是以接收器周围的同心圆来划分空间，并且对所形成的环带中存在的车辆的数量进行计数。这些圆的半径是粒度参数r的倍数。作为结果，
是被包含在
中的车辆的数量，这些车辆是以接收器为中心的半径差为
的同心环带中的通信车辆，
是环带的索引。
利用该模型，捕获了周围车辆的空间分布对信道负载的影响。环带被定义为：
其中
是周围车辆位置向量的集合，n是环带索引，r是其粒度值，并且x r 是接收器的位置向量。环带划分是针对高速公路用例以及车辆在相对车道上驶来的具体场景而设计的。
在该示例中，通过引入扇区划分来完善该建模（即，环境模型）。该划分捕获了尤其是相对于发射器位置的干扰节点的位置，当IAD相对高时，发射器位置可能无法检测到这些干扰。空间被划分为角度为α的n s 个规则扇区，它们以接收器（即，圆形网格的中心点）为中心，并且与接收器-发射器段对准。该划分方法可以被定义为：
其中φ是提供正x轴与向量x之间的角度的函数，β是产生了Rx-Tx与Rx干扰车辆向量之间的角度的函数。
是在角度为
的第m个扇区
内的车辆的数量。最后，当n s =2时，引入偏移量π/2以便表示前/后划分而不是左/右划分。通过组合基于环带的模型和基于扇区的模型，获得了所谓的环带-扇区模型。它的部分由环带与扇区的交集所定义。在该示例中，
表示环带
与扇区
的交集。类似地，这些部分中包含的车辆集合及其基数（cardinality）被定义为：
可能注意到的是，
并且
。在该示例中，扇区始终相对于发射器而定向，并且环带反映了干扰源的距离。当通过特征的多项式组合的步骤与IAD组合时，该环境模型提供了计及隐藏节点问题的可能性。通过加权过程，可以在目标与特征之间的关系的建模中解决该问题。
集合
表示周围节点位置。有两种情况是有区别的，即全局知识和局部知识。在全局知识的情况下，它涵盖了该仿真中的所有节点，并且被指示为
。该集合可以从传输日志和位置日志中获得。在局部知识的情况下，该集合被指示为
，并且收集接收器在最后T秒中从其接收到了CAM的节点。取决于信道负载，在低T值的情况下，可以大幅减少该集合中包含的节点数量。当没有实现共同感知系统时，该减少的集合也反映了周围通信环境的现实知识。同样，该集合可以使用传输日志来计算。在该示例的评估中，T被设置为10秒。
在该示例中，预测目标是PIR时间。在下文中，
将PIR指示为随机变量。如图4d中所示，其分布是重尾的。该分布特征可能会阻止使用旨在直接预测PIR的传统回归。事实上，由于较低值与较大值相比在很大程度上更具代表性，因此幼稚的预测将导致对更具代表性的值的系统性预测，该更具代表性的值恰好是传输周期。取而代之，可以预测目标值的分布，这在处理学习方法之前增加了分布建模的步骤。在文献中，PIR被示出为通过指数分布、对数正态分布、威布尔分布和伽玛分布被很好地建模。
其概率密度函数（PDF）被给出为
的指数分布的优点是具有单个参数——比率λ。因此，建模任务可以是找到拟合所收集的数据的λ。可能注意到的是，在没有相对等待时间的情况下，PIR时间是离散变量。在ME Renda、G.Resta、P.Santi、F.Martelli和A.Franchini的“IEEE 802.11 p VANets：Experimental evaluation ofpacket inter-reception time”（Comput. Commun.，vol. 75，第26-38页，2016年）中，PIR是利用几何分布而被建模的。指数分布是该分布的连续类似物。它允许避免移除所收集的数据中的相对等待时间的步骤。
先前小节描述了环境特征。在此之前，示出了研究周围车辆数量和IAD以及其交互的影响的前提。所示出的是：车辆数量以及IAD联合地影响CAM消息的平均PIR。条件CDF在一方面是基于接收器周围的车辆数量来计算的，并且在另一方面是基于IAD来计算的。第一个观察结果是，所有提供的CDF类似于指数分布CDF。第二个观察结果是：比率λ随着车辆数量n v 和IAD d而变化。当组合了两个环带划分的区间（n v,1和n v,1）时，该比率也会变化，这示出了周围节点的空间分布的影响。这激发了具有环境特征的λ的参数化。所提议的是，使λ成为空间分布特征和IAD的多项式组合的函数：
其中x是在仅交互情况下（例如，忽略d 2）的2次多项式组合。然后，其余步骤是近似函数λ(x)，使得
。该过程被称为条件密度估计（CDE）。
在下文中，示出了一种学习方法（例如，用于训练机器学习模型）。目的可以是提供一种使得能够即时学习PIR分布的灵活方法。可以利用多层感知器（MLP）来近似非线性函数λ(x)。可以利用Keras的接口，并且将其与scikit-learn组合以用于超参数优化。然后，利用交叉验证的网格搜索，使对隐藏层的数量n h 和层内的节点数量n n 的选择自动化。该模型（即，机器学习模型）是使用具有负对数似然作为损失函数的Adam优化算法来训练的：
其中
是训练数据的集合。MLP输入特征的多项式组合（即，基于环境模型的多项式组合），并且输出比率λ（其可以用于确定服务质量的概率分布）。图4c图示了用于基于环带的环境模型的该过程。该学习模型具有三个参数，学习速率LR、隐藏层的数量n h 、以及每一层中的神经元数量n n 。例如，可以在每一层中假设有均匀数量的神经元。可以取决于参数r和n s 来比较环带-扇区模型的性能。这是通过在由排成员在前30分钟期间所收集的数据（即，多个环境模型和对应的服务质量）上使用MLP回归器来完成的。k倍交叉验证策略用于训练与测试集合之间的分割。该策略被应用在每个评估的模型上，并且被报告为平均性能。该模型选择步骤还可以涵盖三个学习参数（学习速率、以及层的大小和数量）。针对r和n s 的每个组合，报告了表现最佳的模型。然后，在总仿真持续时间上使用该表现最佳的模型。利用训练排成员所收集的数据，迭代地对MLP回归器进行了训练。在该训练过程中，回归器的权重在每次迭代时被更新。在测试数据上评估了模型的性能，该数据包括其余卡车在仿真持续时间内所收集的所有观察结果。上面呈现的对数似然被用作用于训练MLP模型的损失函数。
该评估发现：针对全局范围，表现最佳的环带-扇区模型参数是r=30、n s =8、LR=0.0001、n n =1000和n h =9，并且针对局部范围，表现最佳的环带-扇区模型参数是r=60、n s =4、LR=0.0001、n n =500和n h =10。评估了以下值：r=n30米，其中n∈{1,2,3,4,6,13}、n s ∈{1,2,4,8}、LR={0.1,0.01,0.001,0.0001}、n n ={50,100,500,1000}和n h ={2,3,…,10}。
使用先前模型比较的结果，在整体仿真时段期间以在线方式训练了所选模型。每当训练节点接收到传输时，更新所拟合的模型。执行了该模型在如下两个数据集上的性能：（i）直到感兴趣节点的接收时间为止所收集的数据，其是训练集合的子集；（ii）以及其他排成员所收集的整体数据。
该评估示出了：即使在收敛之后，该模型仍可以保持学习以便改进其鲁棒性。
结合所提出的概念、或者上面或下面描述的一个或多个示例（例如，图1a至3f）提及了该概念的更多细节和方面。该概念可以包括与所提出的概念、或者上面或下面描述的一个或多个示例的一个或多个方面相对应的一个或多个附加可选特征。
如已经提到的，在实施例中，相应的方法可以被实现为计算机程序或代码，它们可以在相应的硬件上执行。因此，另一个实施例是具有程序代码的计算机程序，该程序代码用于当在计算机、处理器或可编程硬件组件上执行计算机程序时实行上面的方法中的至少一个。进一步的实施例是存储指令的计算机可读存储介质，该指令在被计算机、处理器或可编程硬件组件执行时使得计算机实现本文中描述的方法之一。
本领域技术人员将容易地认识到，各种上面描述的方法的步骤可以通过经编程的计算机来执行，例如可以确定或计算时隙的位置。在本文中，一些实施例也意图涵盖程序存储设备，例如数字数据存储介质，该程序存储设备是机器或计算机可读的并且对机器可执行或计算机可执行的指令程序进行编码，其中所述指令实行在本文中描述的方法的步骤中的一些或全部。程序存储设备可以是例如数字存储器、诸如磁盘和磁带之类的磁存储介质、硬盘驱动器、或光学可读数字数据存储介质。实施例也意图涵盖被编程成执行在本文中描述的方法的所述步骤的计算机，或者涵盖被编程成执行上面描述的方法的所述步骤的（现场）可编程逻辑阵列（（F）PLA）或（现场）可编程门阵列（（F）PGA）。
说明书和附图仅说明了本发明的原理。因此将领会的是，本领域技术人员将能够设想尽管未在本文中明确地描述或示出但是体现了本发明的原理并且被包括在其范围内的各种布置。此外，本文中记载的所有示例原则上明确地意图仅用于教学目的以协助读者理解本发明的原理、以及由（一个或多个）发明人推动本领域所贡献的概念，并且应被解释为不限于这种具体记载的示例和条件。此外，在本文中记载本发明的原理、方面和实施例以及其特定示例的所有陈述都意图涵盖它们的等同方案。当由处理器提供功能时，这些功能可以由单个专用处理器、由单个共享处理器、或由多个单独的处理器（它们中的一些可以是共享的）来提供。此外，不应当将术语“处理器”或“控制器”的明确使用解释成排外性地指代能够执行软件的硬件，并且可以隐含地包括但不限于数字信号处理器（DSP）硬件、网络处理器、专用集成电路（ASIC）、现场可编程门阵列（FPGA）、用于存储软件的只读存储器（ROM）、随机存取存储器（RAM）和非易失性存储装置。还可以包括常规的或定制的其他硬件。它们的功能可以通过程序逻辑的操作、通过专用逻辑、通过程序控制和专用逻辑的交互、或者甚至手动地来执行，特定技术可由实现者来选择，如根据上下文更具体地理解的那样。
本领域技术人员应当领会的是，本文中的任何框图都表示体现本发明的原理的说明性电路的概念上的视图。类似地，将领会的是，任何流程图、流程图解、状态转移图解、伪随机代码等等表示如下各种过程：该各种过程基本上可以在计算机可读介质中表示并且因此由计算机或处理器执行而不管这种计算机或处理器是否被明确示出。
此外，将以下权利要求在此结合到具体实施方式中，其中每个权利要求都可以独立作为单独的实施例。虽然每个权利要求都可以独立作为单独的实施例，但是要注意的是：尽管从属权利要求在权利要求书中指代与一个或多个其他权利要求的特定组合，但是其他实施例也可以包括从属权利要求与每个其他从属权利要求的主题的组合。本文中提出了这种组合，除非声明了特定组合不是所意图的。此外，意图将权利要求的特征也包括到任何其他独立权利要求中，即使不直接使该权利要求从属于该独立权利要求。
要进一步注意的是，在说明书中或在权利要求书中所公开的方法可以由一设备来实现，该设备具有用于实行这些方法的相应步骤中的每一个的部件。
附图标记列表
10 装置
12 一个或多个接口
14 控制模块
100 移动收发器
102 另外的移动收发器
104 一个或多个活动收发器
110 确定环境模型
120 确定关于轨迹的信息
122 对移动进行跟踪
124 接收关于轨迹的信息
126 将轨迹与地图对准
128 接收关于计划路线的信息
130 确定所预测的未来环境模型
140 预测未来服务质量
145 使用所预测的未来环境模型作为机器学习模型的输入
150 确定服务质量
155 训练机器学习模型
Claims (15)
1.一种用于预测移动收发器（100）与另外的移动收发器（102）之间的无线通信链路的未来服务质量的方法，所述方法包括：
确定（110）所述移动收发器的环境中的一个或多个活动收发器（104）的环境模型；
确定（120）关于所述一个或多个活动收发器的轨迹的信息；
基于关于所述一个或多个活动收发器的轨迹的信息来确定（130）所述一个或多个活动收发器在未来时间点处的所预测的未来环境模型；以及
使用机器学习模型针对未来时间点来预测（140）无线通信链路的未来服务质量，
其中机器学习模型被训练成针对给定环境模型来提供关于预测服务质量的信息，
其中使用（145）所预测的未来环境模型作为去往机器学习模型的输入。
2.根据权利要求1所述的方法，其中确定（120）关于所述一个或多个活动收发器的轨迹的信息包括：跟踪（122）所述一个或多个活动收发器的移动，以及基于所述一个或多个活动收发器的移动来外推所述一个或多个活动收发器的轨迹。
3.根据前述权利要求中的一项所述的方法，其中确定（120）关于所述一个或多个活动收发器的轨迹的信息包括：从所述一个或多个活动收发器接收（124）关于所述一个或多个活动收发器的轨迹的信息。
4.根据前述权利要求中的一项所述的方法，其中确定（120）关于所述一个或多个活动收发器的轨迹的信息包括：将所述一个或多个活动收发器的轨迹与所述移动收发器的环境的地图对准（126）。
5.根据前述权利要求中的一项所述的方法，其中确定（120）关于所述一个或多个活动收发器的轨迹的信息包括：从所述一个或多个活动收发器接收（128）关于所述一个或多个活动收发器的计划路线的信息。
6.根据前述权利要求中的一项所述的方法，其中针对至少两个未来时间点来预测无线通信链路的未来服务质量。
7.根据权利要求6所述的方法，其中通过确定（130）所述一个或多个活动收发器在所述至少两个未来时间点处的所预测的未来环境模型、并且使用（145）所述一个或多个活动收发器在所述至少两个未来时间点处的所预测的未来环境模型作为机器学习模型的输入，来针对所述至少两个未来时间点预测无线通信链路的未来服务质量。
8.根据前述权利要求中的一项所述的方法，其中在多个时间点上确定所述一个或多个活动收发器的多个环境模型，所述方法包括：确定（150）所述多个时间点处的无线通信链路的服务质量；以及使用所述多个时间点处的所述多个环境模型作为机器学习模型训练的训练输入、并且使用对应的多个时间点处的无线通信链路的服务质量作为机器学习模型训练的训练输出来训练（155）机器学习模型。
9.根据前述权利要求中的一项所述的方法，其中机器学习模型被训练成实现回归算法。
10.根据前述权利要求中的一项所述的方法，其中机器学习模型被训练成针对给定环境模型来提供关于预测服务质量的概率分布。
11.根据前述权利要求中的一项所述的方法，其中所述一个或多个活动收发器被放置在环境模型内的网格上，所述网格包括多个相邻的小区，其中在所述网格内，按每个小区来聚集所述一个或多个活动收发器。
12.根据权利要求11所述的方法，其中所述网格是圆形网格。
13.根据前述权利要求中的一项所述的方法，其中预测服务质量涉及分组间接收时间、分组错误率、等待时间和数据率中的至少一个。
14.一种具有程序代码的计算机程序，所述程序代码用于在计算机、处理器或可编程硬件组件上执行所述计算机程序时执行权利要求1至13中的一项所述的方法。
15.一种用于预测移动收发器与另外的移动收发器之间的无线通信链路的未来服务质量的装置，所述装置包括：
一个或多个接口（12），其用于在移动通信系统中进行通信；以及
控制模块（14），其被配置成执行根据权利要求1至13中的一项所述的方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP20164488.7 | 2020-03-20 | ||
| EP20164488.7A EP3883149A1 (en) | 2020-03-20 | 2020-03-20 | Method, apparatus and computer program for predicting a future quality of service of a wireless communication link |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113498095A true CN113498095A (zh) | 2021-10-12 |
Family
ID=69941209
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110295471.XA Pending CN113498095A (zh) | 2020-03-20 | 2021-03-19 | 用于预测无线通信链路的未来服务质量的方法、装置和计算机程序 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11489602B2 (zh) |
| EP (1) | EP3883149A1 (zh) |
| CN (1) | CN113498095A (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3955643A4 (en) * | 2019-04-09 | 2022-04-13 | NISSAN MOTOR Co., Ltd. | INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD AND SERVER |
| US11438038B1 (en) * | 2021-02-17 | 2022-09-06 | Qualcomm Incorporated | Neural network based nonlinear MU-MIMO precoding |
| WO2023172176A1 (en) * | 2022-03-08 | 2023-09-14 | Telefonaktiebolaget Lm Ericsson (Publ) | Network node and method for handling operation of a ue using machine learning for maintaining quality of service |
| CN117479182A (zh) * | 2022-07-22 | 2024-01-30 | 华为技术有限公司 | 信息传输的方法与通信装置 |
| CN116209030B (zh) * | 2023-05-06 | 2023-08-18 | 四川中普盈通科技有限公司 | 一种移动平台抗弱网通信网关接入方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190036630A1 (en) * | 2017-10-12 | 2019-01-31 | Intel Corporation | Radio link quality prediction |
| CN110876147A (zh) * | 2018-09-04 | 2020-03-10 | 大众汽车有限公司 | 预测通信的服务质量的方法、装置、车辆、后台服务器 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2294216A4 (en) * | 2008-05-14 | 2011-11-23 | Dermtech Int | DIAGNOSIS OF MELANOMA AND SOLAR LENTIGO BY ANALYSIS OF NUCLEIC ACIDS |
| US8862138B2 (en) * | 2011-02-09 | 2014-10-14 | Nokia Corporation | Forecasting of dynamic environmental parameters to optimize operation of a wireless communication system |
| WO2015193727A1 (en) * | 2014-06-19 | 2015-12-23 | Orange | Method, apparatus and readable medium for an api notifying an application that qos will change in future |
| US9743254B2 (en) * | 2015-04-30 | 2017-08-22 | Mist Systems, Inc. | Methods and apparatus relating to the use of received signals to determine wireless terminal location and/or refine location determination models |
| US11774944B2 (en) * | 2016-05-09 | 2023-10-03 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for the industrial internet of things |
| DE102017204326A1 (de) | 2016-10-21 | 2018-04-26 | Volkswagen Aktiengesellschaft | Verfahren zur Überwachung der Qualität einer Datenverbindung sowie Teilnehmerstation und Netzverwaltungseinheit zur Verwendung bei dem Verfahren |
| EP3376696B1 (en) | 2017-03-13 | 2021-02-17 | Volkswagen Aktiengesellschaft | Apparatuses, methods and computer programs for estimating a multi-hop radio channel between a transmitter, one or more relay stations, and a receiver in a mobile communication system |
| CN110546958B (zh) | 2017-05-18 | 2022-01-11 | 驾优科技公司 | 无线多链路车辆通信的装置、系统和方法 |
| CA3099659A1 (en) * | 2018-05-07 | 2019-11-14 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
| US20210231447A1 (en) * | 2018-06-07 | 2021-07-29 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and vehicle manager for managing remote-controlled vehicle |
| US11172329B2 (en) * | 2019-09-27 | 2021-11-09 | Sonos, Inc. | Systems and methods for target device prediction |
| US10869180B1 (en) * | 2019-10-10 | 2020-12-15 | Accenture Global Solutions Limited | Intelligent accident detection system |
| WO2021175436A1 (en) * | 2020-03-06 | 2021-09-10 | Nokia Technologies Oy | Determining target positions of mobile devices |
-
2020
- 2020-03-20 EP EP20164488.7A patent/EP3883149A1/en active Pending
-
2021
- 2021-03-18 US US17/205,879 patent/US11489602B2/en active Active
- 2021-03-19 CN CN202110295471.XA patent/CN113498095A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190036630A1 (en) * | 2017-10-12 | 2019-01-31 | Intel Corporation | Radio link quality prediction |
| CN110876147A (zh) * | 2018-09-04 | 2020-03-10 | 大众汽车有限公司 | 预测通信的服务质量的方法、装置、车辆、后台服务器 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210297172A1 (en) | 2021-09-23 |
| EP3883149A1 (en) | 2021-09-22 |
| US11489602B2 (en) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aldossari et al. | Machine learning for wireless communication channel modeling: An overview | |
| US11489602B2 (en) | Method, apparatus and computer program for predicting a future quality of service of a wireless communication link | |
| US11641244B2 (en) | Method, apparatus and computer program for predicting a future quality of service of a wireless communication link | |
| EP3847841B1 (en) | Procedure for optimization of self-organizing network | |
| Fortes et al. | Location-based distributed sleeping cell detection and root cause analysis for 5G ultra-dense networks | |
| WO2023143267A1 (zh) | 一种模型配置方法及装置 | |
| Wainer et al. | Machine learning-based indoor localization and occupancy estimation using 5G ultra-dense networks | |
| EP3796687B1 (en) | Method, apparatus and computer program for predicting a future quality of service of a wireless communication link | |
| Alablani et al. | An SDN/ML-based adaptive cell selection approach for HetNets: a real-world case study in London, UK | |
| Gures et al. | A comparative study of machine learning-based load balancing in high-speed | |
| Qureshi et al. | Towards addressing training data scarcity challenge in emerging radio access networks: A survey and framework | |
| Toufga et al. | Effective prediction of V2I link lifetime and vehicle's next cell for software defined vehicular networks: A machine learning approach | |
| Wang et al. | Mobile device localization in 5G wireless networks | |
| Alves et al. | A novel approach for user equipment indoor/outdoor classification in mobile networks | |
| EP3461166B1 (en) | A method to classify a neighbor in an ad-hoc network, a classification device, a vehicle comprising a classification device and a computer program | |
| EP4047382A1 (en) | Rf-fingerprinting map update | |
| AlAblani et al. | A2T-Boost: An adaptive cell selection approach for 5G/SDN-based vehicular networks | |
| JP7439948B2 (ja) | 通信情報予測装置、通信情報予測方法、および通信情報予測プログラム | |
| Vielhaus et al. | Handover predictions as an enabler for anticipatory service adaptations in next-generation cellular networks | |
| Yajnanarayana et al. | AI Based Landscape Sensing Using Radio Signals | |
| Mallikarjun et al. | Machine Learning Based SINR Prediction in Private Campus Networks | |
| Jornod et al. | Prediction of packet inter-reception time for platooning using conditional exponential distribution | |
| EP3883284A1 (en) | A method, a computer program, an apparatus, and a vehicle for generating a quality of service map | |
| da FONSECA et al. | Integrating Connected UAVs into Future Mobile Networks | |
| Lima et al. | User-level handover decision making based on machine learning approaches |
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 |