CN113678407A - 用于预测信号质量和/或服务质量的方法及相关联装置 - Google Patents

用于预测信号质量和/或服务质量的方法及相关联装置 Download PDF

Info

Publication number
CN113678407A
CN113678407A CN202080028805.0A CN202080028805A CN113678407A CN 113678407 A CN113678407 A CN 113678407A CN 202080028805 A CN202080028805 A CN 202080028805A CN 113678407 A CN113678407 A CN 113678407A
Authority
CN
China
Prior art keywords
quality
service
antenna
signal quality
parameter
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
Application number
CN202080028805.0A
Other languages
English (en)
Other versions
CN113678407B (zh
Inventor
S·皮里乌
G·维亚尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Continental Automotive Technologies GmbH
Original Assignee
Continental Automotive GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Continental Automotive GmbH filed Critical Continental Automotive GmbH
Publication of CN113678407A publication Critical patent/CN113678407A/zh
Application granted granted Critical
Publication of CN113678407B publication Critical patent/CN113678407B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • 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
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • 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
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/026—Services making use of location information using location based information parameters using orientation information, e.g. compass
    • 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
    • H04W76/00—Connection management
    • H04W76/10—Connection setup
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/18—Selecting a network or a communication service

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提出了一种用于预测表示当装置连接到被配置为与所述装置建立连接的多个天线中的一个射频天线时能够提供给该装置的信号质量和/或服务质量的至少一个参数的方法，该方法由计算机实施，该方法包括：‑获得该信号质量和/或服务质量下降的至少一个参数的步骤，‑通过应用至少一个预测模型来预测表示信号质量和/或服务质量的至少一个参数的步骤，该至少一个预测模型被配置为基于该信号质量和/或服务质量下降的估计参数以及对必须执行预测的时刻和该装置的位置的指示来预测表示信号质量和/或服务质量的至少一个参数，该预测模型事先已在训练数据库上通过监督式学习进行了训练，该训练数据库包括，对于多个装置：*表示当该装置连接到射频天线时的信号质量和/或服务质量的至少一个参数，*该装置的位置的指标，*该装置与该天线的连接时刻的指标，*该信号质量和/或服务质量下降的至少一个参数。

Description

用于预测信号质量和/或服务质量的方法及相关联装置
技术领域
本发明涉及预测可以连接到射频天线的装置在给定时间和该装置的给定位置处的信号质量和/或服务质量。
背景技术
目前，存在地图可以识别出射频天线覆盖的区域和未覆盖的区域(称为白点)。这些地图是在连接到蜂窝电话网络的小区或例如连接到Wi-Fi天线的多个装置接收到信息之后建立的，该信息使得可以估计装置与其所连接的天线之间的连接质量。不幸的是，这些地图是基于数据的统计处理建立的，并且不能预测装置在给定位置和给定时间将获得的信号质量或服务质量。
在给定时间针对给定位置的服务质量的预测，对于特别是与通过互联网网络传递数据有关的各种应用来说是有意义的，以便能够规划数据传输。
这些应用之一涉及例如用于连网车辆的服务，这些车辆使用蜂窝电话网络通过射频无线通信将数据发送到“云”类型的远程服务器，以进行远程计算并将各种类型的信息发送回车辆。其他应用涉及到预测例如在忙碌的情况下(例如在机场)在Wi-Fi网络上可以获得的服务质量，并且涉及相应地调整数据共享和传输策略。
发明内容
本发明的目的特别是为了减轻上述现有技术的缺点。
特别地，本发明的一个目的是提供一种用于预测在给定时间和针对能够连接到射频天线的装置的给定位置可以获得的服务质量或信号质量的方法。
本发明的另一个目的是考虑可能影响服务质量或信号质量的外部因素，比如天气状况或天线的饱和。
本发明的另一个目的是能够预测在道路网络上的车辆的路线上可以获得的服务质量和/或信号质量。
根据第一方面，提出了一种用于预测表示当装置连接到被配置为与所述装置建立连接的多个天线中的一个射频天线时能够提供给该装置的信号质量和/或服务质量的至少一个参数的方法，该方法由计算机实施，该方法包括：
-获得该信号质量和/或服务质量下降的至少一个参数的步骤，
-通过应用至少一个预测模型来预测表示信号质量和/或服务质量的至少一个参数的步骤，该至少一个预测模型被配置为基于该信号质量和/或服务质量下降的估计参数以及对必须执行预测的时刻和该装置的位置的指示来预测表示信号质量和/或服务质量的至少一个参数，该预测模型事先已在训练数据库上通过监督式学习进行了训练，该训练数据库包括，对于多个装置：
*表示当该装置连接到射频天线时的信号质量和/或服务质量的至少一个参数，
*该装置的位置的指标/标示/标识，
*该装置与该天线的连接时刻的指标，
*该信号质量和/或服务质量下降的至少一个参数。
在一个实施例中，该信号质量和/或服务质量下降的参数是影响射频信号在空气中传播的气象状况的指标，或者是表示连接到天线的装置的数量的参数。
在一个实施例中，该表示连接到该天线的装置的数量的参数是测量的或预测的连接到该天线的装置的数量或存在于该天线和该装置附近的装置的数量。
在一个实施例中，该预测步骤包括从多个预测模型中选择至少一个预测模型，每个预测模型事先都已使用训练数据库通过监督式学习进行了训练，该训练数据库包括与连接到相应天线的装置有关的数据。
在一个实施例中，该装置的位置的指标是该装置相对于相应天线的相对位置，所选预测模型对应于使用包括该装置相对于该相应天线的相对位置的训练数据库训练的预测模型。该装置的相对位置可以包括该装置与该相应天线之间的角度和距离。
在一个实施例中，该方法进一步包括：事先实施对用于预测表示射频天线能够提供的服务质量和/或信号质量的至少一个参数的至少一个模型的训练，该事先实施包括：
建立训练数据库的步骤，该步骤包括：
*接收由多个装置收集的数据的子步骤，收集的数据包括，对于每个装置：
-表示当该装置连接到射频天线时的信号质量和/或服务质量的至少一个参数的测量值，
-当该装置连接到该天线时，该装置的GNSS位置，
-连接到该天线的日期和时间，
*对于在给定连接日期和给定连接时间连接到天线的每个装置，估计该信号质量和/或服务质量下降的至少一个参数的子步骤，
*基于该收集的数据的至少一部分以及与该数据相关联的该信号质量和/或服务质量下降的参数的至少一部分来创建至少一个训练数据库的子步骤，
根据训练数据库通过对表示信号质量和/或服务质量的至少一个参数的监督式学习来训练至少一个预测模型的步骤。
在一个实施例中，该收集的数据进一步包括装置在给定连接日期和给定连接时间已连接到的天线的标识符，建立训练数据库的步骤包括创建多个训练数据库，每个训练数据库包括与连接到具有相应标识符的相应天线的装置有关的数据以及与该数据相关联的该信号质量和/或服务质量下降的参数，该训练步骤包括在该多个训练数据库中的每个训练数据库上通过对表示信号质量和/或服务质量的至少一个参数的监督式学习来训练预测模型。
在一个实施例中，每个训练数据库包括每个装置在连接到该相应天线的日期和时间相对于该相应天线的相对位置。
在一个实施例中，该装置相对于该相应天线的相对位置包括该装置与该相应天线之间的距离和角度。
本发明的另一主题是一种用于预测被配置为与所述装置建立连接的多个天线中的一个射频天线在道路网络上的车辆的预定路线上能够获得的信号质量和/或服务质量的方法，该方法由计算机实施，该方法包括：
-估计该车辆应到达该路线上的预定位置的时间和日期，-通过实施根据前述描述的预测方法，来预测表示在所确定的时间和日期、在该路线上的预定位置的信号质量和/或服务质量的至少一个参数。
在本申请的其余部分中，表述“表示信号质量和/或服务质量的至少一个参数”是指至少一个服务质量参数、至少一个信号质量参数或表示服务质量和/或信号质量参数组合的至少一个参数。
使用这一个或多个参数，可以根据情况考虑多个服务质量参数来确定信号质量、服务质量和/或连接质量，并且因此确定用户体验质量。
有利地，对在道路网络上的车辆的预定路线上可以获得的服务质量的预测使得可以为具有良好服务质量的区段规划数据传输。替代性地，这种预测可以使得能够从多个可能的路线中选择特定的路线，以使所采取路线上的服务质量最大化。
有利地，对在道路网络上的车辆的预定路线上可以获得的信号质量的预测使得可以建立能够避开白点的路线。
根据另一方面，提出了一种计算机程序，该计算机程序包括用于在该程序由计算机执行时实施如本文定义的预测方法或训练方法的指令。
根据另一方面，提出了一种计算机，该计算机被配置为实施根据前述描述的方法。
附图说明
通过阅读以下详细描述并且通过分析附图，本发明的其他特征、细节和优点将变得显而易见，在附图中：
图1
[图1]展示了根据本发明的一个实施例的用于预测表示连接质量的至少一个参数的方法；
图2
[图2]展示了根据本发明的一个实施例的用于训练预测模型的方法，该预测模型被配置为预测表示信号质量和服务质量的至少一个参数；
图3
[图3]展示了根据本发明的一个实施例的使得可以通过对表示连接质量的至少一个参数的监督式学习来训练至少一个预测模型的系统。
具体实施方式
附图和以下描述主要包含具有某种性质的元素。因此，它们不仅可以用于提高对本发明的理解，而且还可以在适用时有助于对其进行定义。
现在参考图1。
图1展示了根据本发明的一个实施例的用于预测表示当装置连接到射频天线时在给定时刻和该装置的给定位置可以提供的信号质量和/或服务质量的至少一个参数的方法。
在本申请的上下文中，其可以是对表示信号质量和/或服务质量的一个或多个参数的预测。关于信号质量，其可以是表示接收功率的至少一个参数以及其他附加参数，比如信噪比、例如分配给天线的块数，或者是使得可以评估信号强度是否足以实现令人满意的数据传递的任何其他参数。关于服务质量，其可以是表示带宽的至少一个参数以及其他附加参数，比如吞吐量、等待时间率、丢包率、抖动，或者是使得可以评估与装置同天线之间的数据传递相关联的速度和/或响应时间的任何其他参数。表示信号质量和/或服务质量的参数也可以是根据表示信号质量和/或服务质量的一个或多个参数的组合计算出的至少一个参数。例如，可以使用表示服务质量的多个参数(比如等待时间、丢包率、吞吐量和抖动)来确定连接质量，然后该连接质量使得可以评估用户体验质量。
应注意，术语“小区(cellule)”在蜂窝电话领域通常用于描述天线的发射/接收区域，并且当射频天线是蜂窝电话网络的天线时，可以使用术语小区。
该预测方法包括：获得特别是与预测的位置和时刻有关的参数的步骤S100；以及使用被配置为预测表示信号质量和/或服务质量的至少一个参数的至少一个预测模型来预测表示信号质量和/或服务质量的至少一个参数的步骤S200。
步骤S100包括确定要进行预测的时刻和位置的子步骤S110。该子步骤可以涉及从实施该预测方法的步骤的计算机的存储器中检索例如所讨论的日期、时间和位置。该子步骤还可以涉及在车辆的预定路线上估计车辆应到达其路线上的预定位置的时间和日期。在可选的子步骤S115中，还可以取决于所使用的预测模型确定是同一天还是一周中的某一天。替代性地，该子步骤可以在预测表示信号质量和/或服务质量的至少一个参数的步骤S200期间实施。
步骤S100包括估计在预定时刻和预定位置的信号质量和/或服务质量下降的至少一个参数的子步骤S120。信号质量和/或服务质量下降的参数可以从例如影响射频信号在空气中传播的气象状况的指标和表示连接到天线的装置的数量的参数中选择。表示连接到天线的装置的数量的参数换句话说是使得可以评估天线的饱和的参数，该参数以已知的方式影响信号质量和/或服务质量。
影响射频信号在空气中传播的气象状况的指标例如可以是湿度水平。例如，湿度水平可以根据湿度水平的测量值来估计。具体地，当在预定位置附近可获得最近的测量值，并且可以假定该测量值在进行测量的时刻与所讨论的预定时刻之间变化很小时，这个测量值可以用来估计在预定时刻和预定位置的湿度水平。也可以通过在车辆上检测挡风玻璃雨刮器是否在预定位置附近的区域内打开，并再次假定气象状况(比如下雨)变化很小，来获得与这种气象状况有关的指示。也可以从天气预报网站上估计气象状况的指标，如例如温度、日照程度、雨雪风险或风速。湿度水平本身可以从天气预报网站上检索到。
表示连接到天线的装置的数量的参数可以根据在给定时刻物理连接到天线的装置的数量的测量值来估计。如果测量值与期望的估计值之间的时间间隔太大，则可以通过监督式学习训练用于预测在给定时刻(例如在一天中的给定时间，例如一周中的给定一天)连接到天线的装置的数量的预测模型，并使用该预测模型来估计在给定时刻连接的装置的数量。
表示连接到天线的装置的数量的参数可以通过咨询服务器或专门的网站来间接估计，该服务器或专门的网站使得可以检索在给定时刻存在于给定位置附近区域中的装置的密度的测量值或估计值。例如，这种数据可以由提供关于交通状况的信息的专用移动应用程序收集的装置位置来提供。
步骤S200包括应用至少一个预测模型的子步骤S210，该至少一个预测模型被配置为基于在步骤S110中估计的信号质量和/或服务质量下降的至少一个估计参数以及对必须执行预测的时刻和该装置的位置的指示来预测表示信号质量和/或服务质量的至少一个参数，该预测模型事先已在训练数据库上通过监督式学习进行了训练，该训练数据库包括，对于多个装置：
*表示当该装置连接到射频天线时的信号质量和/或服务质量的至少一个参数，
*该装置的位置的指标，
*该装置与该天线的连接时刻的指标，
*该信号质量和/或服务质量下降的至少一个参数。
取决于所使用的预测模型，对要实施预测的时刻和该装置的位置的指示可能是不同的。关于对时间的指示，例如，在一个实施例中，其可以是如在步骤S100中确定的日期和时间(也就是说，一天中的某个时间)，并且在另一实施例中，可以是一周中的某一天和一天中的某个时间。关于对位置的指示，在一个实施例中，其可以是在步骤S100中确定的装置的GNSS位置，并且在另一实施例中，可以是装置相对于天线的相对位置，例如，装置与天线之间的角度和距离。
在一个实施例中，使用单个预测模型根据在步骤S110中估计的信号质量和/或服务质量下降的至少一个参数、对要实施预测的时刻和该装置的位置的指示来预测服务质量和/或信号质量的一个或多个参数。
在另一实施例中，步骤S200进一步包括在步骤S210之前的步骤S205：从多个预测模型中选择至少一个预测模型，每个预测模型事先都已使用训练数据库通过监督式学习进行了训练，该训练数据库包括与连接到相应天线的装置有关的数据。在这种情况下，可以使用装置相对于相应天线的相对位置的指示。有利地，该指示可以是装置与相应天线之间的角度和距离。
被配置为预测表示信号质量和/或服务质量的至少一个参数的所述至少一个预测模型可以事先加载到实施该预测方法的计算机的存储器中，或者可以由该计算机通过实施参考图2描述的训练方法来确定。
图2示出了用于训练用于预测表示天线能够提供的服务质量和/或信号质量的至少一个参数的所述至少一个模型的方法。
该训练方法包括：建立训练数据库的步骤S010；以及根据训练数据库通过对表示信号质量和/或服务质量的至少一个参数的监督式学习来训练至少一个预测模型的步骤S020。
建立训练数据库的步骤S010包括接收由多个装置收集的数据的子步骤S011，对于每个装置，收集的数据包括：
-表示当该装置连接到射频天线时的信号质量和/或服务质量的至少一个参数的测量值，
-当该装置连接到该天线时，该装置的GNSS位置，
-连接到该天线的日期和时间。
如上文针对步骤S200所述，装置的位置可以是装置相对于天线的相对位置，例如，装置与天线之间的角度和距离，该相对位置可以从装置的绝对GNSS坐标获得。本实施例使得可以简化神经网络的训练。替代性地，神经网络也可以使用绝对GNSS坐标来训练。
每个装置连接到天线的日期和时间是该模型的相关信息，因为该日期和时间允许该模型检测信号质量和/或服务质量的变化，这些变化根据一天中的时间或一周中的一天可能是周期性的。例如，城市小区的使用率在一天中的某些时间(在白天而不是晚上)、或在某些天(如工作日)会更高。此外，一年中的某些特定日子(如例如国家或宗教节日或特定事件(例如体育赛事)的日子)可能是对网络需求非常大的日子，这种非常大的网络需求可能会干扰信号质量和/或服务质量。
步骤S010还包括子步骤S012，即如上文参考图1所述的对于在给定连接日期和给定连接时间连接到天线的每个装置，估计信号质量和/或服务质量下降的至少一个参数。特别地，考虑影响射频信号传播的气象状况对于模型的建立是有利的，因为气象状况(并且特别是空气中的湿度水平)对波的传播有很大影响，因此可能会降低信号质量和/或服务质量。考虑连接到天线的装置的数量也是有利的参数，因为该参数提供了对到天线的并发连接数量的指示，并因此提供了对天线的可能饱和的指示，天线的饱和也可能大大降低信号质量和/或服务质量。
步骤S010还包括子步骤S013，即基于该收集的数据的至少一部分以及与该数据相关联的信号质量和/或服务质量下降的参数的至少一部分来创建至少一个训练数据库。
在步骤S020中，根据训练数据库通过监督式学习来训练至少一个预测模型，其用于预测表示信号质量和/或服务质量的至少一个参数。有利地，通过监督式学习进行的预测模型的训练是通过训练神经网络来完成的。
在一个实施例中，在步骤S012中创建多个训练数据库，并根据相应训练数据库通过监督式学习来训练多个预测模型。
在一个实施例中，在子步骤S011中收集的数据进一步包括装置在给定连接日期和给定连接时间已连接到的天线的标识符。该标识符被用于创建至少一个训练数据库的子步骤S012中以创建多个训练数据库，每个训练数据库包括与连接到具有预定标识符的同一天线的装置有关的数据以及在所讨论的装置连接到该天线的时间和日期的信号质量和/或服务质量下降的参数。接着，在步骤S020中，训练多个预测模型，每个预测模型使得可以预测表示所讨论的天线之一的信号质量和/或服务质量的至少一个参数。
使用多个预测模型(每个预测模型被配置为预测表示给定天线的信号质量和/或服务质量的至少一个参数)具有优势，因为很容易通过为新天线添加附加预测模型来更新预测方法。然后只需要创建新训练数据库，该新训练数据库包括与连接到新天线的装置有关的数据以及所讨论的装置连接到新天线的时间和日期的信号质量和/或服务质量下降的参数。
如果只使用一个预测模型，则必须创建新训练数据库，该新训练数据库包括先前使用的数据库和与新天线有关的数据以及与此数据相关联的信号质量和/或服务质量下降的参数，并且必须基于该新训练数据库再次实施训练步骤S020。
应该注意的是，在子步骤S013中创建的一个或多个训练数据库包括，对于多个装置：
*表示当该装置连接到射频天线时的信号质量和/或服务质量的至少一个参数，
*该装置的位置的指标，
*该装置与该天线的连接时刻的指标，
*该信号质量和/或服务质量下降的至少一个参数。
装置的位置的指标可以对应于装置在给定连接日期和给定连接时间连接到射频天线时装置的GNSS位置，或者对应于该装置相对于其所连接的天线的相对位置。
在这种情况下，该训练方法还包括接收包括射频天线小区的标识符和所述小区的GNSS位置的数据库的预备步骤S005，并且创建至少一个数据库的子步骤S013包括：根据所选装置的GNSS位置和该装置所连接的天线的GNSS位置计算所讨论的装置相对于其所连接的天线的相对位置。
在上述每个天线训练一个预测模型的情况下，使用装置相对于其所连接的天线的相对距离是特别有利的。这样，预测模型的训练就更快且更可靠。
关于装置与天线的连接时刻的指标，其可以是连接的日期和时间(也就是说，一天中的某个时间)，但也可以是例如一周中的连接日子和一天中的连接时间。具体地，根据讨论的一周中的一天和一天中的时间来预测与交通或与预定区域中人的存在有关的状况比较容易。
在一个实施例中，训练方法由与实施预测方法的计算机相同的计算机实施。在这种情况下，步骤S010是在步骤S100之前执行的。在另一实施例中，训练方法由另一计算机实施，并且然后被传输到实施预测方法的计算机。
图3展示了系统100，该系统包括能够连接到多个装置的远程服务器200，该多个装置在其不同的位置连接到多个射频天线。在这里展示的示例中，这些是在道路网络(未示出)上移动的车辆100。远程服务器200和车辆110两者都包括至少一个通信接口、存储器以及计算机。远程服务器的计算机被配置为实施参考图2描述的用于特别是基于每个车辆收集的数据来训练至少一个预测模型的方法。因此，远程服务器的存储器包括用于实施预测方法的代码指令。
如上所述，远程服务器200也可以可选地被配置为连接到其他远程服务器120、130。例如，远程服务器120可以是被配置为提供天气预报从而传输关于针对给定时刻和给定位置的气象状况的一个或多个指示的服务器。远程服务器130可以是被配置为提供有关例如交通状况的信息的服务器。
在一个实施例中，相同的远程服务器200可以用于实施参考图1描述的用于预测表示信号质量和/或服务质量的至少一个参数的方法。然后，远程服务器的存储器包括用于实施该预测方法的代码指令，并且该计算机被配置为预测表示装置在连接到被配置为与所述装置建立连接的多个天线中的一个射频天线时可以获得的信号质量和/或服务质量的至少一个参数。
在这种情况下，远程服务器的计算机被配置为实施以下步骤：
-估计该信号质量和/或服务质量下降的至少一个参数，
-使用至少一个预测模型来预测表示信号质量和/或服务质量的至少一个参数，该至少一个预测模型被配置为基于信号质量和/或服务质量下降的估计参数以及对必须执行预测的时刻和该装置的位置的指示来预测表示信号质量和/或服务质量的至少一个参数，通过监督式学习的该预测模型事先已在训练数据库上通过监督式学习进行了训练，该训练数据库包括，对于多个装置：
*表示当该装置连接到射频天线时的信号质量和/或服务质量的至少一个参数，
*该装置的位置的指标，
*该装置与该天线的连接时刻的指标，
*该信号质量和/或服务质量下降的至少一个参数。
在另一实施例中，预测模型可以被加载到另一服务器的存储器中，并且该服务器的计算机以同样的方式配置。当为其收集数据的装置是例如蜂窝电话时，这是特别有利的。然后，可以通过远程网站咨询信号质量和/或服务质量的预测，以便执行规划对包括这些天线的网络的接入的任务。

Claims (11)

1.一种用于预测表示当装置连接到被配置为与所述装置建立连接的多个天线中的一个射频天线时能够提供给该装置的信号质量和/或服务质量的至少一个参数的方法，该方法由计算机实施，该方法包括：
-获得该信号质量和/或服务质量下降的至少一个参数的步骤(S120)，
-通过应用至少一个预测模型来预测表示信号质量和/或服务质量的至少一个参数的步骤(S200)，该至少一个预测模型被配置为基于该信号质量和/或服务质量下降的估计参数以及对必须执行预测的时刻和该装置的位置的指示来预测表示信号质量和/或服务质量的至少一个参数，该预测模型事先已在训练数据库上通过监督式学习进行了训练，该训练数据库包括，对于多个装置：
*表示当该装置连接到射频天线时的信号质量和/或服务质量的至少一个参数，
*该装置的位置的指标，
*该装置与该天线的连接时刻的指标，
*该信号质量和/或服务质量下降的至少一个参数，
该方法的特征在于：
-该预测步骤包括从多个预测模型中选择至少一个预测模型，每个预测模型事先都已使用训练数据库通过监督式学习进行了训练，该训练数据库包括与连接到相应天线的装置有关的数据，并且
-该装置的位置的指标是该装置相对于相应天线的相对位置，所选预测模型对应于使用包括该装置相对于该相应天线的相对位置的训练数据库训练的预测模型。
2.如权利要求1所述的预测方法，其中，该信号质量和/或服务质量下降的参数是影响射频信号在空气中传播的气象状况的指标，或者是表示连接到天线的装置的数量的参数。
3.如权利要求2所述的预测方法，其中，表示连接到天线的装置的数量的该参数是测量的或预测的连接到该天线的装置的数量。
4.如权利要求1至3之一所述的用于预测表示信号质量和/或服务质量的至少一个参数的方法，其中，该装置的相对位置包括该装置与该相应天线之间的角度和距离。
5.如前述权利要求中任一项所述的方法，进一步包括：事先实施对用于预测表示射频天线能够提供的服务质量和/或信号质量的至少一个参数的至少一个模型的训练，该事先实施包括：
建立训练数据库的步骤(S010)，该步骤包括：
*接收由多个装置收集的数据的子步骤(S011)，收集的数据包括，对于每个装置：
-表示当该装置连接到射频天线时的信号质量和/或服务质量的至少一个参数的测量值，
-当该装置连接到该天线时，该装置的GNSS位置，
-连接到该天线的日期和时间，
*对于在给定连接日期和给定连接时间连接到天线的每个装置，估计该信号质量和/或服务质量下降的至少一个参数的子步骤(S012)，
*基于该收集的数据的至少一部分以及与该数据相关联的该信号质量和/或服务质量下降的参数的至少一部分来创建至少一个训练数据库的子步骤(S013)，以及
根据训练数据库通过对表示信号质量和/或服务质量的至少一个参数的监督式学习来训练至少一个预测模型的步骤(S020)。
6.如权利要求5所述的方法，其中：
-该收集的数据进一步包括装置在给定连接日期和给定连接时间已连接到的天线的标识符，
-建立训练数据库的步骤包括创建多个训练数据库，每个训练数据库包括与连接到具有相应标识符的相应天线的装置有关的数据以及与该数据相关联的该信号质量和/或服务质量下降的参数，
-该训练步骤包括在该多个训练数据库中的每个训练数据库上通过对表示信号质量和/或服务质量的至少一个参数的监督式学习来训练预测模型。
7.如权利要求6所述的方法，其中，每个训练数据库包括每个装置在连接到该相应天线的日期和时间相对于该相应天线的相对位置。
8.如权利要求7所述的方法，其中，该装置相对于该相应天线的相对位置包括该装置与该相应天线之间的距离和角度。
9.一种用于预测被配置为与所述装置建立连接的多个天线中的一个射频天线在道路网络上的车辆的预定路线上能够获得的信号质量和/或服务质量的方法，该方法由计算机实施，该方法包括：
-估计该车辆应到达该路线上的预定位置的时间和日期，-通过实施如权利要求1至8中任一项所述的预测方法，来预测表示在所确定的时间和日期、在该路线上的该预定位置的信号质量和/或服务质量的至少一个参数。
10.一种计算机程序产品，该计算机程序产品包括在其由计算机实施时用于实施如前述权利要求中任一项所述的方法的代码指令。
11.一种计算机，该计算机被配置为实施如权利要求1至9中任一项所述的方法。
CN202080028805.0A 2019-04-15 2020-04-06 用于预测信号质量和/或服务质量的方法及相关联装置 Active CN113678407B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
FR1903992A FR3095100B1 (fr) 2019-04-15 2019-04-15 Procédé de prédiction d’une qualité de signal et/ou de service et dispositif associé
FRFR1903992 2019-04-15
PCT/EP2020/059719 WO2020212176A1 (fr) 2019-04-15 2020-04-06 Procédé de prédiction d'une qualité de signal et/ou de service et dispositif associé

Publications (2)

Publication Number Publication Date
CN113678407A true CN113678407A (zh) 2021-11-19
CN113678407B CN113678407B (zh) 2023-09-12

Family

ID=67875572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080028805.0A Active CN113678407B (zh) 2019-04-15 2020-04-06 用于预测信号质量和/或服务质量的方法及相关联装置

Country Status (5)

Country Link
US (1) US12041473B2 (zh)
EP (1) EP3957028B1 (zh)
CN (1) CN113678407B (zh)
FR (1) FR3095100B1 (zh)
WO (1) WO2020212176A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10917308B2 (en) * 2018-12-20 2021-02-09 Verizon Patent And Licensing Inc. Virtualized network service management and diagnostics
FR3095100B1 (fr) * 2019-04-15 2021-09-03 Continental Automotive Procédé de prédiction d’une qualité de signal et/ou de service et dispositif associé
CN115567132A (zh) * 2022-10-14 2023-01-03 浙江吉利控股集团有限公司 网络强度预测模型的训练方法及网络资源切换控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090245118A1 (en) * 2008-03-31 2009-10-01 Verizon Data Services Llc System and method for providing quality of service mapping
EP2346283A1 (en) * 2010-01-14 2011-07-20 General Electric Company Intelligent heterogeneous wireless handoff
US20140200038A1 (en) * 2013-01-16 2014-07-17 Apple Inc. Location Assisted Service Capability Monitoring
US20170179592A1 (en) * 2015-12-22 2017-06-22 Taoglas Group Holdings Directional antenna with signal strength feedback and methods
CN107332704A (zh) * 2017-07-03 2017-11-07 南京华苏科技有限公司 评估高速铁路移动用户使用lte服务质量的方法和系统
CN109347668A (zh) * 2018-10-17 2019-02-15 网宿科技股份有限公司 一种服务质量评估模型的训练方法及装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE506341C2 (sv) * 1996-04-10 1997-12-08 Ericsson Telefon Ab L M Metod och anordning för rekonstruktion av en mottagen talsignal
US20020181419A1 (en) * 2001-06-01 2002-12-05 Tao Zhang Method for handoff in multimedia wireless networks
WO2011141586A1 (es) * 2010-05-14 2011-11-17 Telefonica, S.A. Método para calcular la percepción de experiencia de usuario de la calidad de los servicios monitorizados integrados en operadores de telecomunicaciones
US8706120B2 (en) * 2011-03-20 2014-04-22 Samsung Electronics Co., Ltd. Mobile telecommunication system with adaptive handoff mechanism and method of operation thereof
US10341701B2 (en) * 2015-04-21 2019-07-02 Edge2020 LLC Clustering and adjudication to determine a recommendation of multimedia content
WO2018011742A1 (en) * 2016-07-13 2018-01-18 Incelligent P.C. Early warning and recommendation system for the proactive management of wireless broadband networks
CN109843176A (zh) * 2016-07-29 2019-06-04 诺瓦达克技术有限公司 用于利用机器学习来表征受验者的组织的方法和系统
US9900790B1 (en) * 2016-12-08 2018-02-20 Futurewei Technologies, Inc. Prediction of performance indicators in cellular networks
DE112018003399T5 (de) * 2017-07-01 2020-03-12 Intel Corporation Verfahren und vorrichtungen für fahrzeugfunkkommunikationen
FR3095100B1 (fr) * 2019-04-15 2021-09-03 Continental Automotive Procédé de prédiction d’une qualité de signal et/ou de service et dispositif associé
FR3095099B1 (fr) * 2019-04-15 2021-09-03 Continental Automotive Procédé de prédiction d’une modification des conditions d’attachement d’un terminal à un réseau cellulaire
FR3095101B1 (fr) * 2019-04-15 2021-09-03 Continental Automotive Procédé et dispositif de prédiction d’une qualité de connexion à un réseau cellulaire

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090245118A1 (en) * 2008-03-31 2009-10-01 Verizon Data Services Llc System and method for providing quality of service mapping
EP2346283A1 (en) * 2010-01-14 2011-07-20 General Electric Company Intelligent heterogeneous wireless handoff
US20140200038A1 (en) * 2013-01-16 2014-07-17 Apple Inc. Location Assisted Service Capability Monitoring
US20170179592A1 (en) * 2015-12-22 2017-06-22 Taoglas Group Holdings Directional antenna with signal strength feedback and methods
CN107332704A (zh) * 2017-07-03 2017-11-07 南京华苏科技有限公司 评估高速铁路移动用户使用lte服务质量的方法和系统
CN109347668A (zh) * 2018-10-17 2019-02-15 网宿科技股份有限公司 一种服务质量评估模型的训练方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱若函: ""异构网络无线资源管理中小区选择与接入控制方法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》, pages 136 - 487 *

Also Published As

Publication number Publication date
EP3957028A1 (fr) 2022-02-23
FR3095100B1 (fr) 2021-09-03
US20220217557A1 (en) 2022-07-07
FR3095100A1 (fr) 2020-10-16
US12041473B2 (en) 2024-07-16
WO2020212176A1 (fr) 2020-10-22
EP3957028B1 (fr) 2023-06-07
CN113678407B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN113678407B (zh) 用于预测信号质量和/或服务质量的方法及相关联装置
CN102027523B (zh) 虚拟交通传感器
JP4537584B2 (ja) 通信システムにおける無線状態の測定及び予測を行う方法及び装置
US8037749B2 (en) Network monitoring method, network monitoring apparatus, line failure prevention system and computer program of network monitoring apparatus
US8515453B2 (en) Estimating a location of a mobile device
KR102432397B1 (ko) 머신러닝을 기반으로 하는 기상청 제공 기상영상정보를 활용한 강우확률정보 제공 시스템 및 이를 이용한 방법
US6041236A (en) Method and apparatus for minimizing the number of samples needed to determine cell area coverage reliability in a radiotelephone system
CN113711540B (zh) 用于预测与蜂窝网络的连接质量的方法和装置
JP2001136121A (ja) 特定の地理的領域についてのカバレージを決定する方法
US9743287B2 (en) Methods and apparatus for determining and planning wireless network deployment sufficiency when utilizing vehicle-based relay nodes
JP5472291B2 (ja) 電波状況測定システム、電波状況測定方法、および電波状況測定プログラム
EP2868157A1 (en) Method and radio access node for incorporating a moving cell in a wireless communication network
EP3632152B1 (en) Planning deployment of a node in a communications network with a drone
US20100273493A1 (en) Radio access network management device, facility plan support system, and facility plan support method used therefor
US20220201584A1 (en) Method for predicting a modification of the linkage conditions of a terminal to a cellular network
Schäufele et al. Terminal-side data rate prediction for high-mobility users
US8515448B2 (en) Upload and download of position reference data
KR20220111578A (ko) 머신러닝을 기반으로 하는 기상청 제공 기상영상정보를 활용한 강우확률정보 제공 시스템 및 이를 이용한 방법
CN101637042A (zh) 无线小区监视方法、其设备及其程序
WO1998027773A2 (en) Method and apparatus for a radiotelephone system optimized for cell boundary coverage reliability
US20060223521A1 (en) System and method for testing a mobile telephone network
CN115483991A (zh) 基于神经网络的无人机空中信号强度预测方法及装置
KR20220072671A (ko) 개인무선단말기의 전파정보를 이용한 강우확률정보 제공 시스템 및 이를 이용한 방법
KR20220095622A (ko) 개인무선단말기의 전파정보를 이용한 강우확률정보 제공 시스템 및 이를 이용한 방법
CN114845317B (zh) 运营商覆盖情况的分析方法、装置和存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230302

Address after: Hannover

Applicant after: Continental Automotive Technology Co.,Ltd.

Address before: Hannover

Applicant before: CONTINENTAL AUTOMOTIVE GmbH

GR01 Patent grant
GR01 Patent grant