CN113711540B - 用于预测与蜂窝网络的连接质量的方法和装置 - Google Patents
用于预测与蜂窝网络的连接质量的方法和装置 Download PDFInfo
- Publication number
- CN113711540B CN113711540B CN202080028871.8A CN202080028871A CN113711540B CN 113711540 B CN113711540 B CN 113711540B CN 202080028871 A CN202080028871 A CN 202080028871A CN 113711540 B CN113711540 B CN 113711540B
- Authority
- CN
- China
- Prior art keywords
- access point
- location
- characteristic
- vehicle
- training
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000001413 cellular effect Effects 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 87
- 239000013598 vector Substances 0.000 claims description 36
- 238000004891 communication Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 230000000704 physical effect Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- CNQCVBJFEGMYDW-UHFFFAOYSA-N lawrencium atom Chemical compound [Lr] CNQCVBJFEGMYDW-UHFFFAOYSA-N 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 239000004566 building material Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
- H04L43/0811—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking connectivity
-
- 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
- H04W4/029—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
- H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
- H04W4/23—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel for mobile advertising
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Electromagnetism (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Business, Economics & Management (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明的一个主题是一种用于预测表示车辆从道路网络上的目标位置与蜂窝网络的连接质量的值的方法,该方法包括:基于接入点与训练车辆的位置之间的确定的传播特性并且基于表示该车辆与所述接入点的连接质量的值来训练预测模型的步骤;以及基于该目标位置与识别的目标接入点之间的无线电信号的第二传播特性通过应用经训练的模型来预测表示道路网络上该目标位置处与蜂窝网络的连接质量的第二值的步骤。
Description
技术领域
本发明涉及一种用于预测在道路网络上与蜂窝网络的连接质量的装置和方法。
背景技术
到通信网络的连接的可用性是运输领域中日益严重的问题。特别地,连网车辆需要可用于发送或接收数据的连接,该数据如例如是道路地图、交通信息或者甚至是本地天气预报。
然而,尽管电信运营商做出了努力,但某些陆地区域没有被无线电信网络覆盖,或者仅允许有限的连接性。
已经提供了各种技术解决方案来识别具有有限连接性的区域。
第一种解决方案在于根据基于蜂窝塔的地理位置和地形起伏计算的模拟来产生网络覆盖地图。然而,即使这些地图有时可能突出某些“无服务区域”,但对于在连网车辆中使用而言仍然太不精确。
另一种解决方案是基于参与性方法。通过这样的方法,“志愿者”车辆在使用道路网络时对信号强度进行测量。因此,可以使用实际观察到的数据来完成模拟的地图。不幸的是,“志愿者”车辆很少并且相距很远,并且大多数道路网络都无法进行这样的测量。
因此,需要一种方法,该方法允许为无法进行测量的道路段获得表示与移动网络的连接质量的指标,并且该方法不具有上述缺点。
发明内容
鉴于以上内容,本发明的一个目的是提供一种表示从无法进行质量测量的道路网络位置与移动网络的连接质量的指标。
本发明的另一个目的是提供一种连接质量预测,与现有技术相比,该连接质量预测的准确度有所提高。
本发明的另一个目的是允许生成一种示出道路网络的各个部分上的连接质量的地图。
为此,本发明的一个主题是一种用于预测表示车辆从道路网络上的目标位置与蜂窝网络的连接质量的值的方法,该方法包括:
-训练预测模型的阶段,该阶段包括以下步骤:
o从连接到特定接入点的至少一个训练车辆接收该训练车辆的位置数据、该训练车辆连接到的该接入点的标识符以及表示该训练车辆与所述接入点的连接质量的值,
o确定接收的位置与识别的接入点之间的无线电信号的传播特性,
o基于所确定的与表示接收的连接质量的该值相关联的传播特性来训练该预测模型;以及
-预测表示在道路网络上的该目标位置处与蜂窝网络的连接质量的第二值的阶段,该阶段包括以下步骤:
o识别能够从该目标位置访问的目标蜂窝接入点,
o确定该目标位置与识别的目标接入点之间的无线电信号的第二传播特性,
o通过将该预测模型应用于该第二传播特性来预测表示从该目标位置与该目标蜂窝接入点的连接质量的值。
因此,本发明提出在一方面第一蜂窝接入点与连接质量已知的第一地理位置之间的信号的传播特性与另一方面第二蜂窝接入点与第二地理位置之间的信号的传播特性之间建立相关性,以便预测从第二位置的连接质量。为此,该方法确定该传播的至少一个特性值,并且将该特性值与观察到的连接质量相关联,以便训练预测模型。这样,经训练的模型可以预测从第二位置与第二接入点的连接质量。
因此,可以精确地提供表示从无法进行测量的位置与移动网络的连接质量的指标。这样的结果可以例如用于产生一个地区的网络覆盖地图,即使无法对整个地域都进行测量。
与通常提供给定位置的网络覆盖指标(即给定位置处的信号功率)的现有技术相反,该方法允许直接获得从给定位置的连接质量,而不必实施对每个接入点的覆盖的昂贵且不精确的模拟。
应注意,该信号的第一传播特性和该信号的第二传播特性具有相同的性质,并且是使用类似的技术来建立的。因此,如果用于训练模型的第一特性包括值[a,b,c],则该模型应用于的第二特性包括值[a',b',c'],这些值[a,b,c]和[a',b',c']分别具有相同的性质。
根据一个特定实施例,给定位置与识别的接入点之间的无线电信号的传播特性是根据接入点的环境中的至少一个地形元素的特性来确定的。
因此,该方法考虑了地形元素的存在和/或性质来表征无线电信号的传播。比如建筑物或地形起伏等地形元素会影响无线电波的传播。通过考虑这样的地形元素,预测模型可以在训练数据与要预测连接质量的位置之间建立更好的相关性。因此,该方法允许获得更可靠的预测。
根据一个特定实施例,该方法为使得给定位置与识别的接入点之间的无线电信号的传播特性是特性向量,该特性向量至少包括:
-信号从该识别的接入点到该给定位置的直线传播路径的长度,该信号被发送通过第一地形元素,以及
-该第一地形元素的至少一个特性。
为了训练预测模型并且预测从第二位置的连接质量而确定的传播特性包括接入点与传播特性被确定的位置之间的直线距离,以及无线电信号被发送通过的建筑物的特性。特别地,接入点与车辆之间的距离以及接入点的环境的地形配置是无线电信号传播的决定因素。这样的特性允许训练数据与期望预测的环境之间更好的相关性。因此提高了预测模型的有效性。
根据一个特定实施例,第一地形元素的特性对应于信号通过该地形元素的传播距离。在建筑物的情况下,例如,这是由传播信号追踪的(建筑物的)尺寸的问题。在无线电信号的直线路径上存在建筑物或地形起伏已知会导致信号衰减。因此,将可能影响信号传播的地形元素(比如信号被发送通过的建筑物或地形起伏)的尺寸考虑在内允许进一步提高预测模型的有效性。有利地,为了进一步提高模型在训练数据与预测环境之间建立的相关性,特性向量还包括表示这种地形元素的物理性质(建筑物、地形起伏、材料等)的值。
特性向量对应于输入到模型中的一组有序实数。根据本发明,这样的向量包括表示接入点与特定位置之间的无线电信号的传播情况的多个值。
根据一个特定实施例,该方法为使得为给定位置和识别的接入点确定的特性向量包括:
-信号从该接入点到该给定位置的反射传播路径的长度,该信号是从第二地形元素反射的,以及
-该信号从该第二地形元素的反射角度。
传播特性包括允许进一步表征接入点与地理位置之间的信号传播的附加元素。特别地,传播特性包括对应于当无线电信号被接入点环境中的第二地形元素反射时该无线电信号的路径长度的第二距离,以及该信号相对于该地形元素的反射角。因此,所确定的特性向量特别表示接入点与位置之间的信号的传播条件,从而允许更相关的预测。
有利地,为训练和预测目的而确定的特性向量进一步包括表示第二地形元素的物理性质的数据。反射无线电信号的地形元素的性质会影响从给定位置的接收质量,因为朝向特定位置反射的信号的功率取决于障碍物的性质。通过在训练和应用模型时考虑障碍物的性质,预测得到了改善。
根据一个特定实施例,该方法为使得为给定位置和识别的接入点确定的特性向量进一步包括该接入点的无线电配置。
众所周知,覆盖特定位置的接入点的无线电配置对信号在该接入点与特定位置之间传播的方式有影响。例如,所谓的低频在范围和对建筑物的穿透性方面具有比高频好得多的传播特性。因此,通过提出将该特性包括在用于训练和应用模型的特性向量中,该方法通过允许模型以特别相关的方式基于从第一地理位置观察到的连接条件推断从第二地理位置的连接条件,来进一步提高预测的质量。
根据一个特定实施例,该装置为使得为给定位置和识别的接入点确定的特性向量进一步包括表示空气中的湿气含量的值。
空气中的湿气含量会影响无线电信号在空气中的传播。因此,通过考虑表示空气中的湿气含量的值,该方法允许更精确地预测连接质量。
根据一个特定实施例,该方法为使得预测模型是多层感知器神经网络。
确定从特定位置与特定接入点的连接质量的问题是非线性的,因为障碍物通常会阻止无线电信号的直接传播。多层感知器(MLP)神经网络特别适合于求解非线性问题,并且具有容易且快速训练的优点。
根据另一方面,本发明涉及一种用于预测表示车辆从目标位置与蜂窝网络的连接质量的值的装置,该装置包括其中存储有指令的存储器、通信模块和计算机,该计算机当由这些指令配置时适合于实施:
-训练预测模型的阶段,该阶段包括以下步骤:
o经由该通信模块从连接到特定接入点的至少一个训练车辆接收该训练车辆的位置数据、该训练车辆连接到的该接入点的标识符以及表示该训练车辆与所述接入点的连接质量的值,
o经由特性提取模块确定接收的位置与识别的接入点之间的无线电信号的传播特性,
o基于所确定的与表示接收的连接质量的值相关联的传播特性来训练该预测模型;以及
-预测表示在道路网络上的该目标位置处与蜂窝网络的连接质量的第二值的阶段,该阶段包括以下步骤:
o识别能够从该目标位置访问的目标蜂窝接入点,
o经由该特性提取模块确定该目标位置与识别的目标接入点之间的无线电信号的第二传播特性,
o通过将该预测模型应用于该第二传播特性来预测表示从该目标位置与该目标蜂窝接入点的连接质量的值。
根据一个特定实施例,该装置为使得给定位置与识别的接入点之间的无线电信号的传播特性是根据接入点的环境中的至少一个地形元素的特性来确定的。
在一个特定实施例中,该预测装置为使得由特性提取模块确定的给定位置与识别的接入点之间的无线电信号的传播特性是特性向量,该特性向量至少包括:
-信号从该识别的接入点到该给定位置的直线传播路径的长度,该信号被发送通过第一地形元素,以及
-该第一地形元素的至少一个特性,
-信号从该识别的接入点到该给定位置的反射传播路径的长度,该信号是从第二地形元素反射的,以及
-该信号从该第二地形元素的反射角度。
本发明还涉及一种服务器,该服务器包括如上所述的用于预测连接质量的装置。
根据又一方面,本发明涉及一种包含计算机程序指令的数据介质,这些计算机程序指令被配置成当这些指令由处理器执行时实施如上所述的预测方法的步骤。
例如,该数据介质可以是非易失性数据介质,比如硬盘、闪存或光盘。
该数据介质可以是能够存储指令的任何实体或装置。例如,该介质可以包括比如ROM、RAM、PROM、EPROM、CD ROM等存储器件,或者甚至是例如硬盘等磁存储器件。
此外,该数据介质可以是可以通过无线电或通过其他手段经由电缆或光缆发送的可传输介质,比如电信号或光信号。
替代性地,该数据介质可以是程序被结合到其中的集成电路,该集成电路能够执行或用于执行所讨论的方法。
最后,本发明涉及一种道路地图,对于该地图上的位置,该道路地图至少包括表示与蜂窝网络的连接质量的值,所述值是使用如上所述的方法获得的。
各个前述实施例或特征可以彼此独立地或彼此组合地添加到预测方法的步骤中。这些服务器、装置和数据介质至少具有与它们所涉及的方法所赋予的优点类似的优点。
附图说明
通过阅读以下详细描述并分析附图,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示出了根据一个特定实施例的适合于实施预测方法的环境的示例,
[图2]图2展示了根据一个特定实施例的预测方法的主要步骤的流程图,
[图3]图3示出了根据一个特定实施例的预测装置的架构。
具体实施方式
图1示出了在行车道101中移动的车辆100。车辆100例如是包括无线通信接口的连网车辆,该无线通信接口例如是GPRS、EDGE、UMTS、3G、4G、Wi-Fi、WiMAX等的接口,从而允许该车辆经由无线接入网络连接到通信网络109,以便与连接到网络109的至少一个装置交换消息。
行车道的周围环境包括蜂窝通信网络的蜂窝塔104以及地形元素102和103(例如,建筑物)。蜂窝塔104包括符合比如GPRS、EDGE、UMTS、3G、4G、Wi-Fi、WiMAX等标准的蜂窝接入点,并且允许连网车辆100与电信网络109交换消息。
图1还示出了第二行车道301,该第二行车道的环境包含蜂窝塔304以及建筑物302和303。
图1还示出了连接到网络109的服务器110。服务器110被配置成实施根据本发明的预测方法。为此,服务器110包括至少一个计算机(例如处理器、微处理器、微控制器等)以及存储代码指令的存储器,这些代码指令可以由该计算机执行以实施根据一个特定实施例的预测方法。
服务器110进一步包括通信接口,该通信接口允许该服务器连接到电信网络109并且根据通信协议与其他装置交换消息。网络接口例如是以太网接口,允许经由蜂窝接入网络与数据库服务器106、107和108以及与车辆100交换符合TCP/IP协议的消息。
服务器110还包括多层感知器(MLP)神经网络预测模型。
数据库106包括与安装在地区中的蜂窝塔或无线接入点相关的记录。对于给定的接入点,数据库106的记录至少包括接入点的标识符以及地理位置。接入点的标识符允许接入点在地域中被唯一地标识。例如,当接入点是GSM小区时,这是“小区ID”的问题,在UMTS小区的情况下是“LCID”的问题,或者在LTE小区(LTE表示长期演进)的情况下是E-CID的问题。地理位置涉及接入点的安装地点,该安装地点例如以纬度和经度值以及可能的海拔值的形式存储。根据一个特定实施例,对于给定的接入点,数据库106的记录进一步包括该接入点的无线电配置。这样的配置例如对应于无线电信号的发送功率和/或接入点使用的频带。数据库106尤其包括与图1的接入点104和304相关的记录。
因此,服务器110可以询问数据库106,以基于接入点104的标识符获得该接入点的地理位置和可选的无线电配置。
数据库107包括与地区相关的地理位置地形信息。这样的地形信息与地形起伏和建筑物均有关。对于地形元素,数据库107的记录至少包括该元素的地理位置、该元素的占地面积和该元素的高度。在一个特定实施例中,地形元素的记录包括或允许获得三维模型、地理位置以及表示该元素的物理性质的数据,比如指示该元素是地形起伏还是建筑物的布尔值。
数据库107尤其包括与图1所示的建筑物102、103、302和303相关的信息。
因此,服务器110能够询问数据库107,以便获得对给定地理位置周围的一组地形元素的描述。例如,服务器110能够基于接入点104和/或车辆100的地理坐标来获得建筑物102和103的地理位置和三维表示,并且基于接入点304的位置或行车道301上的目标位置305来获得建筑物302和303的地理位置和三维表示。
数据库108是关于地区中的道路网络的地图数据的数据库,尤其包括行车道101和301的特性。常规地,这样的数据库允许获得给定地理位置周围的道路网络的表示。然而,在一个特定实施例中,这样的数据库对于本发明的实施不是必需的。
当然,数据库106、107和108中包含的信息可以例如以丰富地图的形式存储在单个数据库中,或者相反地分布在多个表格或数据库之间,但不会修改本发明的主题。
现在将参考图1和图2来描述用于预测与蜂窝网络的连接质量的方法。
根据本发明的预测方法包括第一阶段200,该第一阶段包括使用从一组训练车辆获得的参与性数据来训练预测模型。
在本说明书的上下文中,训练车辆是这样的车辆,该车辆适合于针对道路网络上的给定位置收集该车辆连接到的蜂窝网络的接入点的标识符以及表示与该接入点的连接质量的数据。训练车辆进一步适合于将这些数据发送到数据处理装置,比如服务器110。为此,训练车辆100配备有允许其在任何时间获得其地理位置的GNSS类型的地理定位系统(例如GPS),以及无线通信接口,该无线通信接口适合于经由GSM、2G、3G或4G蜂窝接入网络或者甚至Wi-Fi或WiMAX网络建立与通信网络的连接。地理定位系统还可以是相对定位系统,其适合于提供车辆相对于参考位置(例如相对于车辆连接到的接入点的位置)的位置。通信接口进一步允许车辆获得该车辆连接到的接入点的标识符(例如蜂窝网络的小区的标识符),以及表示与该接入点的连接质量的数据。这样的表示连接质量的数据例如是上行链路和/或下行链路吞吐量、接收的信号的功率、在与服务器交换数据期间的分组丢失率(丢包率)或者抖动或等待时间值。根据一个特定实施例,该表示连接质量的数据是通过分析车辆与服务器之间的数据传输,例如通过观察分组丢失率、等待时间或传输吞吐量来获得的。
训练车辆因此可以获得并且存储一定数量的记录,包括地理位置、接入点标识符和连接质量值,以便将它们发送到服务器110。
训练车辆的通信接口和定位系统可以是车辆的组成部分,或者对应于例如位于车辆上的移动终端、平板计算机或智能电话。在这种情况下,这些记录例如由可下载到终端上的应用程序收集并且发送到服务器。
车辆可以通过与蜂窝接入网络或Wi-Fi网络的连接来发送存储的记录。作为变体,这些记录可以存储在可移动存储介质上,比如USB闪存(USB表示通用串行总线),以便随后从例如个人计算机发送到服务器。
这样的训练车辆可以是个人的专用车辆或个人车辆,比如自行车、摩托车、汽车等。它还可以是专业车辆或公共交通车辆、或者甚至是在铁路网络上行进的火车。
因此,在第一步骤201中,服务器110从训练车辆获得至少一个记录。应注意,记录可以直接从训练车辆接收,或者从数据库中获得,在该数据库中存储有训练车辆预先发送以便对其进行处理的数据。如上所述,这样的记录包含至少一条关于地理位置的信息,比如纬度和经度、当该车辆位于所述地理位置时该车辆连接到的接入点的标识符,以及表示在所述地理位置观察到的连接质量的数据。
在步骤202中,服务器110询问数据库106以获得关于记录中识别的接入点的附加信息。数据库106可以经由SQL请求(SQL表示结构化查询语言)来询问,该请求被配置成基于蜂窝接入点标识符返回接入点的至少一个地理位置。可选地,该请求还可以返回接入点相对于地平面的高度以及塔的取向。根据一个特定实施例,该请求进一步被配置成返回无线电配置,该无线电配置包括无线电信号的发送功率和/或接入点使用的频带。
服务器110还询问数据库107,以便获得关于在所讨论的训练数据中识别的蜂窝接入点的安装地区的地形信息。为此,服务器发出SQL请求,该请求被配置成基于从数据库106获得的关于蜂窝接入点的位置的信息来获得至少一个地形元素。作为变体,该请求可以被配置成基于关于训练车辆的地理位置的信息来获得至少一个地形元素。根据另一变体,服务器110可以确定识别的接入点周围的感兴趣区,并且使用被配置成询问位于该感兴趣区中的地形元素的请求来询问服务器107。这样的感兴趣区例如是由接入点位置周围的半径定义的圆形区,该半径例如是取决于天线的无线电配置和/或接入点与训练车辆之间分开的距离来确定的。
因此,基于从数据库106和107获得的信息,服务器110获得接入点和训练车辆的环境的地形配置特性。该特定的地形配置会影响接入点与车辆之间的信号传播,并且因此影响车辆与接入点的连接质量。
在步骤203中,服务器基于在步骤202中从数据库106和107获得的数据来确定特性向量。
根据一个特定实施例,根据本发明的特性向量的确定包括计算信号从识别的接入点到给定位置的直线传播路径的长度D1,该信号被发送通过第一地形元素。因此,为车辆100的位置和车辆连接到的接入点104确定的特性向量至少包括在记录训练数据时接入点104与训练车辆100之间分开的直线距离D1。服务器110可以使用用于计算两个地理坐标之间的距离的常规技术来计算该距离,这两个地理坐标一方面是接入点的位置(该位置是从数据库106获得的),另一方面是包含在所讨论的记录中的训练车辆的位置。
根据一个特定实施例,根据本发明的特性向量进一步包括对于信号从接入点到训练车辆的直接传播形成障碍物的地形元素的至少一个特性。例如,该向量包括地形元素的厚度和性质。
因此,为车辆100的位置和该车辆连接到的接入点104确定的特性向量至少包括建筑物102的厚度W1及其性质,该建筑物对于信号在接入点104与车辆100之间的直接传播形成障碍物。障碍物的性质可以经由数据库107获得,并且由例如关于障碍物是建筑物、植被还是甚至是地形起伏的数字指示组成。当障碍物是建筑物时,障碍物的性质还可以对应于建筑材料。
为了确定这些特性,服务器110可以构建接入点周围的感兴趣区的三维模型。该模型包括接入点、确定的地形元素和训练车辆。服务器110采用射线追踪技术来确定对于信号在接入点的发送器与训练车辆位置之间的直接传播形成障碍物的地形元素的存在。这样的技术使得不仅可以识别位于信号的直接传播路径上的地形元素(比如图1的建筑物102),还可以确定该信号穿过的障碍物的厚度W1。此外,现代图形处理器包括用于执行这样的光线追踪的专用电路。这样的技术因此可以由服务器110容易地实施。
根据一个特定实施例,根据本发明的特性向量进一步包括,对于给定位置和识别的接入点,信号(该信号是从第二地形元素103反射的)从识别的接入点到给定位置的反射传播路径的长度D2,以及该信号从第二地形元素103的反射角度A2。
因此,在步骤204中,服务器110确定距离D2,该距离包括接入点104的塔与地形元素103之间的第一距离D21以及地形元素103与训练车辆100的位置之间的第二距离D22,该地形元素引起接入点发送的无线电信号以角度A2发生反射。值D2和A2由服务器在以上描述的建模的三维环境中使用射线追踪技术来确定。如此确定的特性D2和A2被添加到特性向量中。
根据一个特定实施例,根据本发明的特性向量进一步包括表示空气中的湿气含量的值。该值可以对应于在地区中观察到的平均值,并且可以经由通信网络109从天气数据服务器获得,或者从由训练车辆的传感器进行的测量中获得,并且在收集参与性数据的步骤201中被发送到服务器。
根据一个特定实施例,根据本发明的特性向量进一步包括关于接入点的无线电配置的至少一个数据。因此,由服务器110确定的特性向量可以包括表示接入点的无线电发送功率和/或接入点使用的频带的值,该值是从数据库106获得的。
在这个阶段,所确定的特性向量包括一组有序实数值,这些实数值可能已经使用常规的统计处理技术进行了缩放。
该方法包括步骤205,在该步骤中,一方面基于在步骤203和204中确定的特性向量、并且另一方面基于在步骤201中获得的表示连接质量的数据来训练预测模型。为此,步骤205在于将在步骤203和204中确定的特性向量输入到预测模型中,在步骤201中获得的表示连接质量的数据被添加到该特性向量中。这是监督式学习的问题,其示例是表示获得的连接质量的数据。
可能需要大量的记录来正确地训练模型。因此,对多个位置和多个训练车辆重复训练阶段,以便确定多个特性向量,基于这些特性向量重复训练步骤,直到模型被充分地训练。
训练阶段可以最后包括用于确定训练的结束的步骤206。根据一个特定实施例,当已经处理了预定数量的记录和/或位置时,该模型被认为是经训练的。
优选地,基于针对表示地区的接入点的一组接入点收集的参与性数据来执行训练。例如,基于与位于城市环境中的接入点和位于农村环境中的接入点以及被配置成使用各种频带的接入点相关的数据来执行训练。以这种方式,经训练的模型适于当被应用于来自具有相似地理配置和/或无线电配置的接入点的数据时提供更可靠的预测。因此,根据一个特定实施例,当输入到模型中的训练数据在拓扑、接入点无线电配置、距离等方面充分表示地区中的可能配置时,认为训练已经完成。
根据一个特定实施例,训练阶段在时间T开始,并且具有一定的持续时间,例如一周。在此时段期间,来自多个训练车辆针对自多个位置的数据被收集并且用于训练预测模型。然后在训练时段结束时,训练阶段结束。作为变体,在已经收集了新数据之后,训练阶段200被周期性地(例如每天晚上)重复,以便更新模型。
当服务器110在步骤206中确定预测模型已经被训练好时,该服务器实施预测阶段207。
为此,在步骤208中,服务器获得目标地理位置和特定接入点标识符,对于该位置和该标识符,请求对连接质量的预测。服务器110可以基于道路网络的地图(该地图是从数据库108获得的)或装置发送的请求来获得目标地理位置。
参考图1,目标位置例如对应于主干道301上的地理位置305,对于该位置,期望获得与蜂窝网络的连接质量的预测。基于目标地理位置305,服务器110确定当位于位置305处时车辆将连接到的接入点304。为此,服务器110可以例如使用数据库106来识别最接近位置305的接入点。当然,可以实施任何其他手段来确定用于从给定位置连接终端的蜂窝接入点。
在步骤209、210和211中,服务器110实施与分别在以上描述的步骤202、203和204中实施的机制类似的机制,以基于位置和接入点标识符来确定特性向量。换句话说,服务器从数据库106和107获得信息以便构建接入点304和目标位置305周围的感兴趣地区的三维模型,并且使用射线追踪技术来确定特性向量。在预测阶段确定的特性向量的值的类型、顺序和数量与在训练预测模型阶段确定的特性向量的值的类型、顺序和数量相同。
在步骤212中,服务器110将为目标位置305和接入点304确定的特性向量应用于经训练的预测模型,以获得表示从该目标位置的连接质量的值。
根据一个特定实施例,目标位置是从道路地图中确定的。例如,服务器可以从数据库108获得道路网络的地图,并且实施预测方法来确定在道路网络的各个区段上的不同位置处的连接质量。以这种方式,可以获得将预测的连接质量与道路区段上的位置相关联的道路网络的丰富地图。例如,当预测到在路线的未来部分存在不良连接时,这样的地图允许连网车辆提前下载大量数据。
根据一个特定实施例,该预测方法由预测装置实施。图3示意性地示出了这种装置的架构。
图3示出了根据一个特定实施例的适合于实施预测方法的装置500。
该装置包括例如存储器MEM等存储空间501、以及例如配备有处理器PROC的处理单元503。该处理单元可以由例如计算机程序PGR等程序502驱动,实施参考图1和图2描述的预测方法,并且特别是实施以下步骤:从连接到特定接入点的至少一个训练车辆接收该训练车辆的位置数据、该训练车辆连接到的该接入点的标识符以及表示该训练车辆与所述接入点的连接质量的值;确定接收的位置与识别的接入点之间的无线电信号的传播特性;基于所确定的与该接收的表示连接质量的值相关联的传播特性来训练该预测模型;以及识别可从该目标位置访问的目标蜂窝接入点以及该目标位置与该识别的目标接入点之间的无线电信号的第二传播特性;以及通过将该模型应用于第二传播特性来预测表示从该目标位置与该目标蜂窝接入点的连接质量的值。
在初始化时,计算机程序502的指令例如被加载到RAM(随机存取存储器)中,然后再被处理单元503的处理器执行。处理单元503的处理器根据计算机程序502的指令实施预测方法的步骤。
为此,装置500除了存储器501之外还包括通信器件504(COM),该通信器件允许该装置连接到通信网络并且经由电信网络与其他装置交换数据,并且特别是从连接到特定接入点的至少一个训练车辆接收该训练车辆的位置数据、该训练车辆连接到的该接入点的标识符以及表示该训练车辆与所述接入点的连接质量的值。通信器件例如是以下类型之一的无线网络接口:GSM、EDGE、2G、3G、4G、Wi-Fi、WiMAX等,并且允许根据TCP/IP通信协议交换消息。
该装置还包括预测模型508,该预测模型适合于基于第一组特性进行训练,以便基于第二组特性来预测值。这样的预测模型例如是多层感知器神经网络NN。预测模型508例如经由加载到装置的存储器501中并由处理单元503执行的计算机程序指令来实施。
该装置还包括特性提取模块506,该特性提取模块适合于确定地理位置与识别的接入点之间的无线电信号的至少一个传播特性。特别地,提取模块506适合于确定地理位置与识别的接入点之间的无线电信号的至少一个传播特性(该位置和该接入点是经由通信模块504从训练车辆接收的),以及目标地理位置与识别的目标接入点之间的无线电信号的至少一个传播特性。模块506可以经由计算机程序指令来实施,这些计算机程序指令被配置成当它们被处理器503执行时,基于接入点的标识符从数据库获得所述接入点的位置,并且在该接入点的环境的三维模型中实施射线追踪技术,以便确定:
-信号从识别的接入点到位置的直线传播路径的长度,该信号被发送通过第一地形元素,以及
-该第一地形元素的至少一个特性;
并且根据一个特定实施例,确定:
-信号从识别的接入点到给定位置的反射传播路径的长度,该信号是从第二地形元素反射的,以及
-该信号从该第二地形元素的反射角度。
装置500还包括用于训练预测模型507的模块505。训练模块505例如通过由指令驱动的处理器来实施,这些指令被配置成从:提取模块506获得地理位置与识别的接入点之间的无线电信号的至少一个传播特性(该位置和接入点是经由通信模块504接收的),以获得表示从该地理位置的连接质量的值;并且将获得的与表示连接质量的所述值相关联的无线电信号的传播特性输入到预测模型508中。
装置500最后包括通过由指令驱动的处理器实施的预测模块507。这些指令被配置成从提取模块506获得目标地理位置与识别的目标接入点之间的无线电信号的至少一个传播特性,以便将获得的传播特性输入到预测模型508中,从而通过将经训练的模型应用于所确定的传播特性来获得对目标位置的连接质量的预测。
根据一个特定实施例,该装置经由通过通信模块504发送的适当SQL请求,通过将预测的质量与地图上的地理位置相关联来更新地图数据的数据库。
根据一个特定实施例,该装置被集成到服务器中。
Claims (9)
1.一种用于预测表示车辆从道路网络上的目标位置与蜂窝网络的连接质量的值的方法,该方法包括:
训练预测模型的阶段(200),该阶段包括以下步骤:
从连接到特定接入点的至少一个训练车辆接收(201)该训练车辆的位置数据、该训练车辆连接到的该接入点的标识符以及表示该训练车辆与所述接入点的连接质量的值,确定(202,203,204)接收的训练车辆的位置与识别的接入点之间的无线电信号的传播特性,该传播特性包括该信号从该识别的接入点到该接收的训练车辆的位置的直线传播路径的至少一个长度(D1)以及第一地形元素(102)的至少一个特性(W1),该信号被发送通过该第一地形元素(102),
基于所确定的与表示接收的连接质量的值相关联的传播特性来训练(205)该预测模型;以及
预测表示在道路网络上的该目标位置处与蜂窝网络的连接质量的预测值的阶段(207),该阶段包括以下步骤:
识别(208)能够从该目标位置访问的目标蜂窝接入点,
确定(209,210,211)该目标位置与识别的目标蜂窝接入点之间的无线电信号的第二传播特性,该第二传播特性包括该信号从该识别的目标蜂窝接入点到该目标位置的直线传播路径的至少一个长度(D1)以及第一地形元素(102)的至少一个特性(W1),该信号被发送通过该第一地形元素(102),
通过将该预测模型应用于该第二传播特性来预测(212)表示从该目标位置与该目标蜂窝接入点的连接质量的值。
2.如权利要求1所述的方法,其中,为给定位置和识别的接入点确定的传播特性是特性向量,特性向量包括:
信号从该接入点到该给定位置的反射传播路径的长度,该信号是从第二地形元素反射的,以及
该信号从该第二地形元素的反射角度(A2)。
3.如权利要求2所述的方法,其中,为给定位置和识别的接入点确定的特性向量进一步包括表示该第二地形元素的物理性质的数据。
4.如权利要求2所述的方法,其中,为给定位置和识别的接入点确定的特性向量进一步包括该识别的接入点的无线电配置。
5.如权利要求2所述的方法,其中,为给定位置和识别的接入点确定的特性向量进一步包括表示空气中的湿气含量的值。
6.一种用于预测表示车辆从目标位置与蜂窝网络的连接质量的值的装置,该装置包括其中存储有指令(502)的存储器(501)、通信模块(504)、特性提取模块(506)和计算机(503),该计算机当由这些指令配置时适合于实施:
训练预测模型(507)的阶段,该阶段包括以下步骤:
经由该通信模块(504)从连接到特定接入点的至少一个训练车辆接收该训练车辆的位置数据、该训练车辆连接到的该接入点的标识符以及表示该训练车辆与所述接入点的连接质量的值,
经由特性提取模块(506)确定接收的训练车辆的位置与识别的接入点之间的无线电信号的传播特性,该传播特性包括该信号从该识别的接入点到该接收的训练车辆的位置的直线传播路径的至少一个长度(D1)以及第一地形元素(102)的至少一个特性(W1),该信号被发送通过该第一地形元素(102),
基于所确定的与表示接收的连接质量的值相关联的传播特性来训练该预测模型(507);以及
预测表示在道路网络上的该目标位置处与蜂窝网络的连接质量的预测值的阶段,该阶段包括以下步骤:
识别能够从该目标位置访问的目标蜂窝接入点,
经由该特性提取模块(506)确定该目标位置与识别的目标蜂窝接入点之间的无线电信号的第二传播特性,该第二传播特性包括该信号从该识别的目标蜂窝接入点到该目标位置的直线传播路径的至少一个长度(D1)以及第一地形元素(102)的至少一个特性(W1),该信号被发送通过该第一地形元素(102),
通过将该预测模型(507)应用于该第二传播特性来预测表示从该目标位置与该目标蜂窝接入点的连接质量的值。
7.一种服务器,该服务器包括如权利要求6所述的用于预测表示车辆从目标位置与蜂窝网络的连接质量的值的装置。
8.一种包含计算机程序指令的数据介质,这些计算机程序指令被配置成当这些指令由处理器执行时实施如权利要求1至5中任一项所述的用于预测表示车辆从道路网络上的目标位置与蜂窝网络的连接质量的值的方法的步骤。
9.一种制作道路地图的方法,该道路地图至少包括对于该地图上的位置表示与蜂窝网络的连接质量的值,所述值是使用如权利要求1至5中任一项所述的用于预测表示车辆从道路网络上的目标位置与蜂窝网络的连接质量的值的方法获得的。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FRFR1903993 | 2019-04-15 | ||
FR1903993A FR3095101B1 (fr) | 2019-04-15 | 2019-04-15 | Procédé et dispositif de prédiction d’une qualité de connexion à un réseau cellulaire |
PCT/EP2020/059428 WO2020212156A1 (fr) | 2019-04-15 | 2020-04-02 | Procédé et dispositif de prédiction d'une qualité de connexion à un réseau cellulaire |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113711540A CN113711540A (zh) | 2021-11-26 |
CN113711540B true CN113711540B (zh) | 2024-05-07 |
Family
ID=67875573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080028871.8A Active CN113711540B (zh) | 2019-04-15 | 2020-04-02 | 用于预测与蜂窝网络的连接质量的方法和装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220217558A1 (zh) |
EP (1) | EP3957027B1 (zh) |
CN (1) | CN113711540B (zh) |
FR (1) | FR3095101B1 (zh) |
WO (1) | WO2020212156A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
JP7478622B2 (ja) * | 2020-08-20 | 2024-05-07 | 本田技研工業株式会社 | 情報処理装置、その情報処理方法、およびプログラム |
CN113259947B (zh) * | 2021-05-13 | 2022-11-29 | 中国联合网络通信集团有限公司 | 网络覆盖数据确定方法、装置、设备、介质及产品 |
FR3124047A1 (fr) * | 2021-06-15 | 2022-12-16 | Psa Automobiles Sa | Procédé et dispositif de détermination d’une cartographie de zones non couvertes par un réseau de communication cellulaire |
WO2023220975A1 (en) * | 2022-05-18 | 2023-11-23 | Huawei Technologies Co., Ltd. | Method, apparatus and system for managing network resources |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9134398B2 (en) * | 1996-09-09 | 2015-09-15 | Tracbeam Llc | Wireless location using network centric location estimators |
JP3622875B2 (ja) * | 1996-11-11 | 2005-02-23 | ソニー株式会社 | パイロツト信号検出装置、パイロツト信号検出方法及び移動通信端末装置 |
US20030114169A1 (en) * | 2001-12-14 | 2003-06-19 | Hitachi, Ltd. | Method and system for detecting the position of mobile station |
JP3957501B2 (ja) * | 2001-12-14 | 2007-08-15 | ソフトバンクテレコム株式会社 | 電波伝搬環境シミュレータおよび電波伝搬環境シミュレータプログラム |
CN101592690A (zh) * | 2009-05-05 | 2009-12-02 | 上海大学 | 基于射线跟踪法的电磁波传播预测方法 |
EP2511717B1 (en) * | 2009-12-04 | 2017-07-05 | Ntt Docomo, Inc. | Propagation path estimation method, program, and device |
US20120303556A1 (en) * | 2011-05-27 | 2012-11-29 | Microsoft Corporation | Comparison of modeling and inference methods at multiple spatial resolutions |
EP2555569B1 (en) * | 2011-08-04 | 2013-10-09 | Deutsche Telekom AG | Method and system for proactive and dynamic cross-layer optimization of data transmission to vehicles |
GB2499625C (en) * | 2012-02-22 | 2016-07-27 | Creativity Software Ltd | Hybrid method for high accuracy and cost effective prediction of mobile device positions through mobile networks |
GB201211567D0 (en) * | 2012-06-29 | 2012-08-15 | Microsoft Corp | Determining suitability of an access network |
JP6326748B2 (ja) * | 2013-09-10 | 2018-05-23 | 株式会社デンソー | 移動通信装置、マップ作成装置、リソース管理装置、無線局管理装置及び無線アクセスシステム |
CN104602194B (zh) * | 2013-10-31 | 2019-04-12 | 国际商业机器公司 | 车联网中的数据传输方法及设备 |
US9532180B2 (en) * | 2014-06-19 | 2016-12-27 | Cellwize Wireless Technologies Ltd. | Method of analysing data collected in a cellular network and system thereof |
JP2017535211A (ja) * | 2014-09-23 | 2017-11-24 | 華為技術有限公司Huawei Technologies Co.,Ltd. | 端末、基地局、基地局コントローラ、およびミリメートル波のセルラー通信方法 |
JP6491329B2 (ja) * | 2014-10-10 | 2019-03-27 | ホアウェイ・テクノロジーズ・カンパニー・リミテッド | 通信ネットワーク上でモバイル・デバイスに向かってデータ・パケットを地理的にルーティングするためのネットワーク・エンティティ |
US20160380820A1 (en) * | 2015-06-29 | 2016-12-29 | Microsoft Technology Licensing, Llc | Reconfiguring Wireless Networks By Predicting Future User Locations and Loads |
US20200225655A1 (en) * | 2016-05-09 | 2020-07-16 | Strong Force Iot Portfolio 2016, Llc | Methods, systems, kits and apparatuses for monitoring and managing industrial settings in an industrial internet of things data collection environment |
US10445634B2 (en) * | 2016-12-14 | 2019-10-15 | Trackonomy Systems, Inc. | Fabricating multifunction adhesive product for ubiquitous realtime tracking |
KR102715376B1 (ko) * | 2016-12-30 | 2024-10-11 | 인텔 코포레이션 | 라디오 통신을 위한 방법 및 디바이스 |
US11165522B2 (en) * | 2017-10-12 | 2021-11-02 | Intel Corporation | Radio link quality prediction |
US20190215378A1 (en) * | 2018-01-05 | 2019-07-11 | Cisco Technology, Inc. | Predicting vehicle dwell time to optimize v2i communication |
US11263549B2 (en) * | 2018-03-22 | 2022-03-01 | Here Global B.V. | Method, apparatus, and system for in-vehicle data selection for feature detection model creation and maintenance |
US11006282B2 (en) * | 2018-04-12 | 2021-05-11 | Phantom Auto Inc. | Optimizing wireless networking using a virtual geographic information system overlay |
-
2019
- 2019-04-15 FR FR1903993A patent/FR3095101B1/fr active Active
-
2020
- 2020-04-02 US US17/603,889 patent/US20220217558A1/en active Pending
- 2020-04-02 EP EP20718126.4A patent/EP3957027B1/fr active Active
- 2020-04-02 CN CN202080028871.8A patent/CN113711540B/zh active Active
- 2020-04-02 WO PCT/EP2020/059428 patent/WO2020212156A1/fr unknown
Also Published As
Publication number | Publication date |
---|---|
CN113711540A (zh) | 2021-11-26 |
EP3957027A1 (fr) | 2022-02-23 |
FR3095101A1 (fr) | 2020-10-16 |
EP3957027B1 (fr) | 2023-06-07 |
US20220217558A1 (en) | 2022-07-07 |
WO2020212156A1 (fr) | 2020-10-22 |
FR3095101B1 (fr) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113711540B (zh) | 用于预测与蜂窝网络的连接质量的方法和装置 | |
US9797740B2 (en) | Method of determining trajectories through one or more junctions of a transportation network | |
US8359156B2 (en) | Map generation system and map generation method by using GPS tracks | |
US20130304379A1 (en) | Navigation apparatus and method | |
US20170307400A1 (en) | Device for providing electric-moving-body information and method for providing electric-moving-body information | |
JP2017524902A (ja) | ナビゲーションシステムのルート計画の方法、装置及び記憶媒体 | |
CN111683134A (zh) | 基于区块链技术的分布式车联网数据传输系统及方法 | |
CN113033301B (zh) | 基于ai图像识别技术采集道路巡检设施数据的方法 | |
KR100726567B1 (ko) | 위치정보와 지리정보에 기반한 정보 서비스 제공 방법 | |
Smith et al. | Wireless location technology-based traffic monitoring: Critical assessment and evaluation of an early-generation system | |
US12041473B2 (en) | Method for predicting a signal and/or service quality and associated device | |
US20220201584A1 (en) | Method for predicting a modification of the linkage conditions of a terminal to a cellular network | |
CN111194001A (zh) | Lte指纹定位校正的方法、装置及系统 | |
US8515448B2 (en) | Upload and download of position reference data | |
JP5058176B2 (ja) | 道路交通監視システム及び関連方法 | |
CN117453843A (zh) | 数据处理方法和装置、存储介质以及电子设备 | |
CN106028445B (zh) | 定位精准度的确定方法和装置 | |
CN112771352B (zh) | 车辆定位方法和装置 | |
US20230290246A1 (en) | Method and Computer System Determining a Representation of a Parameter | |
CN108932838A (zh) | 检测高速公路上的拥堵状况的方法和装置 | |
US11995981B2 (en) | Apparatus and method for surface condition monitoring | |
Herrnleben et al. | Investigating the Predictability of QoS Metrics in Cellular Networks | |
Satyakumar et al. | Travel time estimation and prediction using mobile phones: a cost effective method for developing countries | |
CN114845317A (zh) | 运营商覆盖情况的分析方法、装置和存储介质 | |
CN116939546A (zh) | 一种基于v2x场景的路口感知方法及装置 |
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 |
Effective date of registration: 20230301 Address after: Hannover Applicant after: Continental Automotive Technology Co.,Ltd. Address before: Hannover Applicant before: CONTINENTAL AUTOMOTIVE GmbH |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |