CN113875175A - 用于处置信号质量变化的网络节点、用户设备和方法 - Google Patents
用于处置信号质量变化的网络节点、用户设备和方法 Download PDFInfo
- Publication number
- CN113875175A CN113875175A CN201980096236.0A CN201980096236A CN113875175A CN 113875175 A CN113875175 A CN 113875175A CN 201980096236 A CN201980096236 A CN 201980096236A CN 113875175 A CN113875175 A CN 113875175A
- Authority
- CN
- China
- Prior art keywords
- signal quality
- network node
- ues
- network
- change
- 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 87
- 230000008859 change Effects 0.000 claims abstract description 110
- 238000005259 measurement Methods 0.000 claims description 191
- 230000009471 action Effects 0.000 claims description 41
- 238000010801 machine learning Methods 0.000 claims description 27
- 230000003247 decreasing effect Effects 0.000 claims description 24
- 230000000977 initiatory effect Effects 0.000 claims description 21
- 238000003066 decision tree Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000001419 dependent effect Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 49
- 210000004027 cell Anatomy 0.000 description 40
- 230000005540 biological transmission Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 18
- 238000011156 evaluation Methods 0.000 description 16
- 230000015654 memory Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 11
- 230000015556 catabolic process Effects 0.000 description 6
- 238000006731 degradation reaction Methods 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000011664 signaling Effects 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 108091005487 SCARB1 Proteins 0.000 description 2
- 102100037118 Scavenger receptor class B member 1 Human genes 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 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
- 230000000670 limiting effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 101100150273 Caenorhabditis elegans srb-1 gene Proteins 0.000 description 1
- 241000760358 Enodes Species 0.000 description 1
- 108700026140 MAC combination Proteins 0.000 description 1
- 101150039363 SIB2 gene Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 210000001153 interneuron Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
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
- H04W36/00837—Determination of triggering parameters for hand-off
- H04W36/008375—Determination of triggering parameters for hand-off based on historical data
-
- 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
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- 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
- H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- 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
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/12—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/34—Modification of an existing route
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/02—Access restriction performed under specific conditions
- H04W48/06—Access restriction performed under specific conditions based on traffic conditions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/51—Allocation or scheduling criteria for wireless resources based on terminal or device properties
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本文的实施例涉及一种由网络节点(110)执行的用于处置UE(120)的信号质量变化的方法。网络节点(110)预测指示由网络节点(110)正在服务的第二UE(120b)的移动路径的未来信号质量变化。该预测基于网络节点(110)已经服务的一个或多个第一UE(120a)的先前信号质量变化的历史数据。先前信号质量变化的历史数据指示一个或多个第一UE(120a)的移动路径。网络节点(110)基于预测的信号质量变化确定改变第二UE(120b)的网络配置。网络节点(110)发起第二UE(120b)的网络配置的改变。本文的实施例进一步涉及由UE(120a,120b)执行的用于处置UE(120a,120b)的信号质量变化的方法。
Description
技术领域
本文的实施例涉及网络节点、用户设备(UE)和在其中执行的方法。特别地,它们涉及预测无线通信网络中的UE的信号质量变化。
背景技术
在典型的无线通信网络中,无线装置(也称为无线通信装置、移动站、站(STA)和/或用户设备(UE))经由诸如WiFi网络或无线电接入网(RAN)的局域网与一个或多个核心网络(CN)通信。RAN覆盖被划分为服务区域或小区区域(它们也可以被称为波束或波束组)的地理区域,其中每个服务区域或小区区域由无线电网络节点服务,无线电网络节点诸如无线电接入节点,例如Wi-Fi接入点或无线电基站(RBS),其在一些网络中也可以被表示为NodeB、eNodeB(eNB)或者第五代(5G)中所表示的gNB。服务区域或小区区域是由无线电网络节点提供无线电覆盖的地理区域。无线电网络节点通过在无线电频率上操作的空中接口与无线电网络节点范围内的无线装置通信。无线电网络节点在下行链路(DL)中向无线装置传递,并在上行链路(UL)中从无线装置传递。
演进的分组系统(EPS)(也称为第四代(4G)网络)的规范已经在第三代合作伙伴计划(3GPP)中完成,并且这项工作在即将到来的3GPP版本中继续,例如指定第五代(5G)网络,也称为5G新空口(NR)。EPS包括演进的通用地面无线电接入网(E-UTRAN)(也称为长期演进(LTE)无线电接入网)以及演进的分组核心(EPC)(也称为系统架构演进(SAE)核心网络)。E-UTRAN/LTE是3GPP无线电接入网的变型,其中无线电网络节点被直接连接到EPC核心网络,而不是在第三代(3G)网络中使用的RNC。一般而言,在E-UTRAN/LTE中,3G RNC的功能被分布在无线电网络节点(例如LTE中的eNodeB)与核心网络之间。因此,EPS的RAN具有基本上“扁平”的结构,包括直接连接到一个或多个核心网络的无线电网络节点,即,它们没有连接到RNC。为了弥补这一点,E-UTRAN规范定义了无线电网络节点之间的直接接口,该接口被称为X2接口。
除了更快的峰值互联网连接速度之外,5G规划旨在比当前的4G更高的容量,允许每单位面积有更高数量的移动宽带用户,并允许每个月和每个用户消耗更高或无限的千兆字节数据量。当Wi-Fi热点无法到达时,这将使大部分人口每天用他们的移动装置流式传输高清媒体很多小时可行。5G研发还旨在改进对于机器到机器通信(也称为物联网)的支持,旨在比4G设备更低的成本、更低的电池消耗和更低的时延。
为了增加容量,在5G中已经提供了对更高频带的支持。虽然前几代3GPP通信网络在低于6GHz的频率上操作,但5G NR可以在高达300GHz的频带上操作。通过使用更高的频率,支持高数据传输速度而不干扰其他无线信号或变得过于杂乱的能力增加了。然而,当在NR中的较高频率下,诸如例如在高于28 GHz的频率下操作时,遮蔽和穿透损耗将增加,因为较高的频率。这可能导致非常快速的信号丢弃,例如当UE在市区环境中(例如在城市中)操作时,并且失去了到基站的视线,例如当UE转过拐角并且建筑物或障碍物阻挡了从UE到服务基站的直接无线电路径时。
发明内容
从而,本文的实施例的目的是改进在无线通信网络中操作的UE的性能,并避免由于快速信号丢弃引起的服务丢弃。
根据本文实施例的第一方面,该目的通过由网络节点执行的用于处置UE的信号质量变化的方法来实现。网络节点预测指示由网络节点正在服务的第二UE的移动路径的未来信号质量变化,其中预测基于由网络节点已经服务的一个或多个第一UE的先前信号质量变化的历史数据。先前信号质量变化的历史数据指示一个或多个第一UE的移动路径。网络节点基于预测的信号质量变化确定改变第二UE的网络配置。网络节点进一步发起第二UE的网络配置的改变。
根据本文实施例的第二方面,该目的通过由UE执行的用于处置UE的信号质量变化的方法来实现。UE在多个时间实例测量信号质量。UE进一步向网络节点传送与在不同时间实例的所述多个信号质量测量相关的信息,其中与所述多个信号质量测量相关的信息指示UE的移动路径。UE进一步基于从所述网络节点接收的指示,执行与未来时间实例的所述网络配置的改变相关的动作,其中所述动作取决于由所述网络节点预测的所述UE的未来信号质量。
根据本文实施例的第三方面,该目的通过用于处置UE的信号质量变化的网络节点来实现。网络节点被配置成基于网络节点已经服务的一个或多个第一UE的先前信号质量变化的历史数据,预测由网络节点正在服务的第二UE的未来信号质量变化。先前信号质量变化的历史数据指示一个或多个第一UE的移动路径。网络节点被配置成基于预测的信号质量变化确定改变第二UE的网络配置。网络节点被进一步配置成发起第二UE的网络配置的改变。
根据本文实施例的第四方面,该目的通过用于处置UE的信号质量变化的UE来实现。UE被配置成在多个时间实例测量信号质量。UE被配置成在不同的时间实例向网络节点传送与多个信号质量测量相关的信息。与多个信号质量测量相关的信息指示UE的移动路径。UE被进一步配置成基于从网络节点接收的指示,执行与未来时间实例的网络配置的改变相关的动作。该动作取决于网络节点预测的UE的未来信号质量。
通过基于一个或多个第一UE的历史数据预测指示第二UE的移动路径的未来信号质量变化,网络节点可以发起UE的网络配置的改变,以补偿即将到来的预测信号质量下降。由此,服务质量可以被改进,并且呼叫丢弃的风险可以降低。
本文公开的实施例的优点在于,它们通过构建例如能预测装置的未来信号质量的模型,使得网络能够适应环境,所述模型然后能被用于改进无线电性能,诸如:
-切换决策,
-调度决策-基于预测的质量调度UE,和/或
-链路自适应。
根据本文的一些实施例提出的报告格式还允许UE使用计数器来估计其信号质量随时间的改变,好处是UE不需要在其存储器中存储多个样本,而只需要更新若干计数器ChangeThreshold、Numdrop/increaseThreshold和Totaldrop/increaseThreshold。UE可以将添加计数器定义为Combineddrop/increase = (Totaldrop/increaseThreshold / Numdrop/increaseThreshold)。
使用计数器,UE能基于其移动性更新其切换、小区重选以及无线电链路监测参数,并且从而增强上述特征的性能。
附图说明
本文实施例的示例参考附图进行更详细地描述,附图中:
图1是图示在市区中的UE移动期间信号质量变化的示意图;
图2是图示无线通信网络的实施例的示意框图;
图3是描绘UE的切换过程的信令图;
图4是描绘根据本文实施例的由网络节点执行的方法的实施例的流程图;
图5是描绘根据本文实施例的由UE执行的方法的实施例的流程图;
图6是两个UE沿着类似路径移动的场景的示意图;
图7是图示在图6所示的场景中两个UE的信号质量变化的图解;
图8图示了用于报告信号质量测量的两种不同方法的报告工作;
图9图示了使用从UE接收的信号质量测量来训练和实现预测模型;
图10a-b图示了用于预测模型的基于分类的训练方法的示例;
图11图示了用于使用若干过去的测量来预测未来值的预测模型的训练方法;
图12a-d图示了用于创建预测模型的机器学习方法的示例;
图13图示了根据本文实施例的用于评估基于计数器的报告方法的多个评估时机的测量的方法;
图14a是图示网络节点的一些第一实施例的示意框图;
图14b是图示网络节点的一些第二实施例的示意框图;
图15a是图示UE的一些第一实施例的示意框图;
图15b是图示UE的一些第二实施例的示意框图;
图16是图示根据一些实施例的主机计算机经由基站通过部分无线连接与用户设备通信的示意框图;
图17是根据一些实施例的主机计算机通过部分无线连接经由基站与用户设备通信的示意性概述;
图18是描绘根据一些实施例在包括主机计算机、基站和用户设备的通信系统中实现的方法的流程图;
图19是描绘根据一些实施例在包括主机计算机、基站和用户设备的通信系统中实现的方法的流程图;
图20是描绘根据一些实施例在包括主机计算机、基站和用户设备的通信系统中实现的方法的流程图;
图21是描绘根据一些实施例在包括主机计算机、基站和用户设备的通信系统中实现的方法的流程图。
具体实施方式
作为本文开发实施例的一部分,发明人已经标识了首先将被讨论的问题。
图1公开了一种场景,其中网络节点110位于市区,诸如例如包括大量建筑物和障碍物的城市中心。网络节点110具有它能服务于UE的服务区域。当UE移动通过市区时,它通常遵循由市区街道确定的特定路径。当UE在网络节点110附近时,网络节点110可以提供高信号质量用于向UE的传输。然而,如果UE突然转过街角,则周围的建筑物可能会阻挡UE和网络节点110之间的直接视线。这可能导致移动UE的信号质量突然下降。图1中的虚线指示,当由网络节点110服务时,与当UE沿着图1中实线标记的路径移动时相比,沿着虚线路径移动的UE的信号质量下降<-120dBm。在同一区域内移动的两个UE 120,例如沿着同一条街道或者在街道的同一拐角处转弯,将经历类似的信号质量特性。
从而,本文的实施例涉及一种用于网络(诸如例如网络节点110)学习的方法,该方法也可以被称为确定UE的信号质量变化,并且基于该学习,设置网络参数或执行网络决策。换句话说,网络节点可以通过研究先前的信号质量变化来确定预测模型,并且可以使用预测模型来预测信号质量变化,诸如例如移动UE的信号质量的快速下降。例如,网络可以通过使用例如来自先前已经通过网络模式110在区域服务中移动的其他UE的历史数据来学习UE何时可能发生快速信号质量下降,并且由此例如设立频率间测量,以便执行到提供更好信号质量的网络节点的切换。从而,预测模型可以用于基于从UE接收的数据采取用于降低信号丢弃的影响的措施。为了限制UE影响,本文还描述了用于UE监测信号质量变化的基于计数器的框架。在另一个实施例中,网络可以基于UE移动性来配置切换参数,其中UE可以利用根据本文的一些实施例提出的新的基于计数器的框架来有效地监测其移动性。
基于计数器的框架使UE能够监测信号质量变化,而不需要存储过量的数据。UE可以有多个计数器,并且如何使用这些计数器的UE行为可以在标准中指定。新提出的计数器可以包括以下一个或多个:
1)Numdrop/increase:连续丢弃/改进的测量量(RSRP/RSRQ/SINR等)的数量。
2)Totaldrop/increase:在计数器复位之间的时间段期间累计丢弃/改进的测量量。
除了这些计数器之外,网络还提供其中一个或多个阈值(在其他实施例中,这些阈值也可能在标准中固定),要与这些计数器结合使用的ChangeThreshold、Numdrop/increaseThreshold和Totaldrop/increaseThreshold。在第5.4节中提供了如何配置和使用这些计数器。
图2是描绘其中可以实现本文实施例的无线通信网络100的示意图。无线通信网络100包括一个或多个RAN和一个或多个CN。无线通信网络100可以使用若干不同的技术,诸如Wi-Fi、长期演进( LTE)、LTE-高级、5G新空口、宽带码分多址(WCDMA)、全球移动通信系统/GSM演进的增强数据速率(GSM/EDGE)、微波接入全球互操作性(WiMax)或超移动宽带(UMB),只提到几个可能的实现。本文的实施例涉及在5G上下文中特别感兴趣的最新技术趋势,然而,实施例也适用于现有无线通信系统的进一步发展,诸如例如WCDMA和LTE。
在无线通信网络100中,无线装置,例如一个或多个UE 120,诸如第一UE 120a和第二UE 120b,也称为装置,诸如移动站、非接入点(non-AP) STA、STA、用户设备和/或无线终端,经由一个或多个接入网(AN)(例如RAN)与一个或多个核心网络(CN)通信。本领域的技术人员应该理解,“无线装置”是一个非限制性术语,它意味着任何终端、无线通信终端、用户设备、机器类型通信(MTC)装置、装置到装置(D2D)终端或节点,例如智能电话、膝上型电脑、移动电话、传感器、中继站、移动平板电脑,甚至是在小区内通信的小型基站。
无线通信网络100包括在诸如小区130的地理区域上提供无线电覆盖的一个或多个网络节点110、111,小区也可以被称为第一无线电接入技术(RAT)(诸如5G、LTE、Wi-Fi或类似技术)的波束或波束组。网络节点110例如可以是无线电网络节点,诸如NG-RAN节点、传输点和接收点,例如基站、无线电接入网节点,诸如无线局域网(WLAN)接入点或接入点站(AP STA)、接入控制器、基站,例如无线电基站,诸如NodeB、演进的节点B(eNB、eNode B)、gNB、基站收发信台、无线电远程单元、接入点基站、基站路由器、无线电基站的传输布置、独立接入点或能够与由网络节点110服务的服务区域内的无线装置通信的任何其他网络单元,例如取决于所使用的第一无线电接入技术和术语。当网络节点利用从网络节点110发送到UE 120的下行链路(DL)传输和由网络节点110从UE 120接收的上行链路(UL)传输与一个或多个UE 120通信时,网络节点110可以被称为服务网络节点或源节点。
作为备选,分布式节点(DN)和功能性(例如,包含在如图1所示的云160中)可被用于执行或部分执行本文公开的方法。
当UE 120移动通过网络100时,它们可以离开服务网络节点110的覆盖区域130。为了确保连续服务,UE 120被配置成对UE 120附近的网络节点110、111执行移动性测量,并将这些测量报告给服务网络节点110,以便确定是否应该执行到提供比服务网络节点110更好的服务质量的目标网络节点111的切换。
当UE 120处于无线电资源控制(RRC)连接模式(其在LTE中也可以被称为RRC_CONNECTED UE)时,网络可以将其配置成执行测量,并且在触发测量报告时,网络可以向UE120发送切换命令。切换命令可以由LTE中的RRCConnectionReconfiguration消息中的mobilityControlInfo信息元素(IE)和NR中的RRCReconfiguration消息中的reconfigurationWithSync IE传递。在下文中,LTE也可以被称为EUTRA。
这些重配置字段,即mobilityControlInfo和reconfigurationWithSync,由负责目标小区的目标网络节点111根据来自源网络节点110的请求(在EUTRA-EPC的情况下通过X2或S1接口,或者在EUTRA-5GC或NR-5GC的情况下通过Xn或NG接口)准备,并将UE 120与源小区具有的现有RRC配置考虑进去。可以在源节点和目标节点之间的节点间请求中提供现有的RRC配置。在其他参数中,由目标节点提供的重新配置可以包括UE 120接入目标小区需要的所有信息,例如随机接入配置、由目标网络节点111指配的在目标小区中有效的新C-RNTI以及使UE 120能够计算与目标小区关联的新安全密钥的安全参数,使得UE 120能在接入目标小区时基于新安全密钥在信令无线电承载1 (SRB1)上发送切换完成消息。SRB1是一种加密和完整性保护的无线电承载。
图3示出了在NR/5GC场景中的切换过程期间,在UE 120、源节点110和目标节点111之间的信令流。
在LTE和NR中,对于切换都存在一些原则,这些原则在更一般的术语中可以被称为在RRC_CONNECTED状态下的移动性:
- 在RRC_CONNECTED状态下的移动性是基于网络的,因为网络具有关于当前情况的最佳信息,诸如例如负载状况、不同节点和小区中的资源、可用频率等。出于资源分配的角度,网络还可以考虑网络中许多UE 120的情况,例如出于负载平衡的目的涉及切换。
- 网络可以在UE 120接入该特定小区之前准备目标小区。在节点间切换的情况下,源节点110可以向UE 120提供要在目标小区中使用的RRC配置,诸如例如从目标节点(诸如例如网络节点111)接收的RRC配置,包括用于发送切换(HO)完成消息的SRB1配置。
- 目标节点,诸如例如网络节点111,可以向UE 120提供目标小区无线电网络临时标识符(C-RNTI),即,目标节点可以从媒体接入控制(MAC)级别上的消息3(MSG.3)中识别UE120。更准确地说,C-RNTI可以被包括在包括HO完成消息的MAC协议数据单元(PDU)中的C-RNTIMAC控制元素(CE)中。因此,除非故障发生,否则没有上下文提取。
- 为了加速切换,网络可以提供关于如何接入目标小区的所需信息,诸如例如随机接入信道(RACH)配置,因此UE 120不必在切换和目标小区接入之前获取目标小区中的系统信息(SI)。
- 可以向UE提供包括专用随机接入前导码的无竞争无线电接入(CFRA)资源,即,在这种情况下,目标节点从随机接入前导码(MSG.1)中识别UE 120。此外,可以利用专用资源来优化CFRA过程。在有条件切换(下面将进一步描述)中,这可能有点棘手,因为关于最终目标小区并且还关于定时存在不确定性。
- 可以在UE 120接入目标小区之前准备安全机制,即,基于新的密钥以及加密的和完整性保护的密钥,在发送HO完成消息(诸如例如LTE中的RRCConnectionReconfigurationComplete消息或NR中的RRCReconfigurationComplete消息)之前必须刷新密钥,使得UE120可以在目标小区中被验证。
完全和增量重新配置(其中增量重新配置意味着仅发信号通知与旧配置的差异)都受到支持,使得HO命令可以被最小化。
现在将参考图4所描绘的流程图来描述由网络节点110执行的用于处置UE的信号质量变化的方法的示例实施例。
该方法包括如下动作,这些动作可采取任何适合的顺序。可选的动作在图4中用虚线框呈现。
动作410
网络节点110可以获得关于一个或多个第一UE 120a的多个时间实例的信号质量测量的信息。
通过从一个或多个第一UE 120a接收关于一个或多个第一UE 120a中每一个的信号质量的DL测量的信息可以获得关于一个或多个第一UE 120a的信号质量测量的信息。
在一些实施例中,关于信号质量测量的信息可以由网络节点110执行一个或多个第一UE 120a中每一个的信号质量的UL测量来获得。
在一些实施例中,关于一个或多个第一UE 120a的信号质量测量的信息可以作为多个测量来获得。
然而,关于一个或多个第一UE 120a的信号质量测量的信息也可以作为表示多个测量的多项式来获得。
在一些进一步的实施例中,关于一个或多个第一UE 120a的信号质量测量的信息可以作为所测量的信号质量已经连续增加到高于预定阈值或降低到低于预定阈值的若干后续测量时机来获得。
所获得的信号质量可以是RSRQ、RSRP或SINR之一。换句话说,所获得的信号质量测量可以是RSRQ、RSRP或SINR测量之一。
动作420
网络节点110可以基于在一个或多个先前时间实例所获得的针对所述一个或多个第一UE 120a中的每一个的信号质量测量,生成110在一时间实例所获得的针对所述一个或多个第一UE 120a中的每一个的信号质量测量的预测模型,其中,所述信号质量测量指示所述一个或多个第一UE 120a的移动路径。
该动作420类似于下面关于机器学习模型所描述的训练阶段。
动作430
网络节点110预测指示由网络节点110正在服务的第二UE 120b的移动路径的未来信号质量变化。该预测基于网络节点110已经服务的一个或多个第一UE 120a的先前信号质量变化的历史数据。先前信号质量变化的历史数据指示一个或多个第一UE 120a的移动路径。该动作430对应于预测功能和/或预测阶段,如下所述。
动作430a
网络节点110可以通过获得关于第二UE 120b的多个时间实例的信号质量测量的信息来预测第二UE 120b的信号质量变化。
关于第二UE 120b的信号质量测量的信息可以通过从第二UE 120b接收关于一个或多个第一UE 120b中每一个的信号质量的DL测量的信息来获得。
在一些实施例中,关于信号质量测量的信息可以通过网络节点110执行第二UE120b的信号质量的UL测量来获得。
在一些实施例中,关于第二UE 120b的信号质量测量的信息可以作为多个测量来获得。
然而,关于第二UE 120b的信号质量测量的信息也可以作为表示多个测量的多项式来获得。
在一些进一步的实施例中,关于第二UE 120b的信号质量测量的信息可以作为所测量的信号质量已经连续增加或降低到高于预定阈值的若干后续测量时机来获得。
动作430b
网络节点110可以进一步基于在动作430a获得的关于第二UE 120b的信号质量测量的信息,使用基于指示一个或多个第一UE 120a的移动路径的所获得的信号质量测量生成的预测模型,来确定第二UE 120b在未来时间实例的信号质量。
预测模型可以是基于机器学习的模型,所述模型基于先前信号质量变化的历史数据进行训练。基于机器学习的模型可以是决策树模型、决策树随机森林模型、神经网络、最近邻居模型和/或逻辑递归模型或任何其他合适的模型中的一种或其组合。
动作440
网络节点110基于指示第二UE 120b的移动路径的预测信号质量变化,决定改变第二UE 120b的网络配置。对网络配置的改变可以是例如发起频率间和/或频率内切换、设置切换/重选参数或者改变UE调度器优先级,例如当预期信号质量良好时调度第二UE 120b。
该动作440类似于下文所描述的“基于学习的网络激励”一节中描述的实施例。
动作450
网络节点110发起第二UE 120b的网络配置的改变。
网络节点110可以例如通过向第二UE 120b发送改变网络配置的指示来发起网络配置的改变。改变第二UE 120b的网络配置的指示可以是发起频率间切换、发起频率内切换和/或改变切换和/或重选参数的指示中的一个或多个。
网络节点110可以通过改变第二UE 120b的调度优先级来发起网络配置的改变。
现在将参考图5所描绘的流程图描述由UE 120a、120b执行的用于处置UE 120a、120b的信号质量变化的方法的示例实施例。
该方法包括如下动作,这些动作可采取任何适合的顺序。可选的动作在图5中用虚线框呈现。
动作510
UE 120a、120b在多个时间实例测量信号质量。所测量的信号质量可以是参考信号接收质量RSRQ、参考信号接收功率RSRP、信号与干扰和噪声比SINR中的一个。信号质量可以由DL中的UE 120a、120b来测量。
动作520a
UE 120a、120b可以基于所测量的信号质量,确定表示在所述多个时间实例上测量的信号质量的多项式,
动作520b
UE 120a、120b可以基于所测量的信号质量,确定所测量的信号质量已经连续增加或降低的后续测量时机的数量。
动作530
UE 120a、120b向网络节点110传送与在不同时间实例的所述多个信号质量测量相关的信息,其中,与所述多个信号质量测量相关的信息指示UE 120a、120b的移动路径。
当UE 120a、120b已经确定了表示在多个时间实例上测量的信号质量的多项式时,UE 120a、120b可以将信号质量测量作为所确定的多项式传送。
动作540
UE 120a、120b可以从网络节点110接收改变网络配置的指示。网络配置可以例如针对未来时间实例而改变。改变第二UE 120b的网络配置的指示例如可以是发起频率间切换、发起频率内切换和/或改变切换和/或重选参数的指示中的一个或多个。
该指示例如可以是一组阈值或多项式,基于该组阈值或多项式,UE 120将触发向网络节点110的测量报告。
动作550
UE 120a、120b基于从网络节点110接收的指示,执行与未来时间实例的网络配置的改变相关的动作。该动作取决于网络节点110预测的UE 120a、120b的未来信号质量。
由UE 120a、120b执行的动作可以是发起频率间切换、发起频率内切换和/或改变切换/重选参数中的一个或多个。
当UE 120a、120b已经确定所测量的信号质量已经连续增加或降低的后续测量时机的数量时,当所测量的信号质量已经连续增加或降低的后续测量时机的数量高于预定阈值时,UE 120a、120b可以执行与网络配置的改变相关的动作。
现在将进一步描述和举例说明诸如上面提到的本文实施例。下面的文本适用于上述任何合适的实施例,并且可以与之组合。
为了预测诸如第二UE 120b的UE 120的信号质量变化,在一个实施例中,网络节点110可以使用基于机器学习模型的训练的方法。
这个方法将首先通过图6所示的示例来描述。在图6所示的示例中,根据图6所示的位置图,第一UE 120a和第二UE 120b正沿着类似的路径移动,并且正转过相同的街角。用实线示出的第一UE 120a首先转过拐角,并且经历大的信号质量下降。根据本文的实施例,这里用虚线示出的第二UE 120b的信号质量下降可以通过学习第一UE 120a的经验来减轻,这也可以被称为研究。图7示出了当第一UE 120a和第二UE 120b根据图6所示的示例沿着相同或类似的路径移动时,第一UE 120a和第二UE 120b如何具有类似的测量信号质量特性,在该示例中为RSRP特性。
根据上述示例,下面进一步描述两个重要步骤。首先将描述UE报告框架,例如报告如图7所示的信号质量,并且其次将描述基于从UE 120接收的数据和激励的机器学习模型训练。
报告和触发报告
LTE和NR中的UE需要基于(一个或多个)参考信号来监测下行链路质量,根据分别3GPP TS 36.133中为LTE和在3GPP TS 38.133中为NR指定的要求,对所识别小区的参考信号(诸如例如,针对NR小区的辅同步-参考信号接收功率(SS-RSRP)、辅同步-参考信号接收质量(SS-RSRQ)、辅同步-信号干扰和噪声比(SS-SINR))执行测量,并将测量的样本报告给网络。
当满足网络所配置的条件时,UE 120可以发送测量报告。这些条件可以是基于时间的(例如,周期性报告)或基于接收信号相关测量的(例如,事件触发报告)。事件触发报告与参考信号接收功率(RSRP)、参考信号接收质量(RSRQ)或信号干扰和噪声比(SINR)相关测量关联。用于评估事件触发标准的测量经过第3层(L3)滤波。
为了控制何时需要从UE发送测量,网络可以使用几个参数,如Ax偏移(A1偏移、A2偏移、…、A6偏移)、频率特定偏移、触发时间(TTT)等。A1事件的定义(在3GPP TS 38.331规范5.5.4.2中定义)示例如下。
事件A1(服务变得比阈值更好)
UE 120应:
1 >当满足条件A1-1时,考虑满足该事件的进入条件,如下规定;
1 >当满足条件A1-2时,考虑满足该事件的离开条件,如下规定;
1 >对于该测量,考虑对应于与该事件关联的关联measObjectNR的NR服务小区。
其中条件A1-1和A1-2定义如下。
不等式A1-1(进入条件)
Ms – Hys > Thresh
不等式A1-2(离开条件)
Ms + Hys < Thresh
公式中的变量定义如下:
Ms是服务小区的测量结果,不考虑任何偏移。
Hys是此事件的滞后参数(即,在此事件的reportConfigNR中所定义的滞后)。
Thresh是此事件的阈值参数(即,a1-在此事件的reportConfigNR中所定义的阈值)。
在RSRP的情况下,Ms用dBm表示,或者在RSRQ和RS-SINR的情况下,则用dB表示。
Hys用dB表示。
Thresh用与Ms相同的单位表示。
触发时间参数在3GPP TS 38.331规范中定义如下。
IE TimeToTrigger规定用于触发时间参数的值范围,该参数涉及在期间需要满足事件的特定标准以便触发测量报告的时间。值ms0对应于0ms的时间,即,定时器应启动并应立即到期,ms40对应于40ms后到期的定时器,依此类推。
TimeToTrigger信息元素
基于速度的缩放切换参数
在LTE和NR中,已经引入了针对连接模式定义的基于速度的TTT缩放和T重选(针对空闲模式定义的)参数。对于在LTE和NR中处于RRC空闲模式的UE,广播的系统信息可以包括速度相关的缩放相关参数,如TCRmax、NCR、NCR、TCRmaxHyst等。这些定义如下(在3GPP TS36.304中为LTE指定,而在3GPP TS 38.304中为NR指定)。
速度相关重选参数
速度相关重选参数在系统信息中广播,并从服务小区读取,如下所示:
TCRmax指定用于评估允许的(一个或多个)小区重选的量的持续时间。
NCR_M指定进入中等移动性状态的最大数量的小区重选。
NCR_H指定进入高移动性状态的最大数量的小区重选。
TCRmaxHyst指定UE能进入正常移动性状态之前的附加时间段。
用于Qhyst的速度相关ScalingFactor
这指定了Qhyst的缩放因子,用于高移动性状态的sf-High和用于中等移动性状态的sf-Medium。
用于TreselectionEUTRA的速度相关ScalingFactor
这指定了用于TreselectionEUTRA的缩放因子,针对高移动性状态的sf-High和针对中等移动性状态的sf-Medium。
图8示出了两种不同类型的UE测量报告。UE 120可以使用现有的NR测量事件,诸如在TS 38.133的第9.1.2节中描述的例如使用周期性报告或事件触发报告,来报告RSRP/SINR/RSRQ。使用该报告,网络,诸如例如网络节点110,可以接收由图8中虚线中的点所图示的测量。然而,这可能导致过量的报告。
在一个实施例中,如果RSRP值已经增加到超过阈值或者降低到低于阈值,则可以触发UE报告,该阈值可以例如相对于最后的UE测量报告用dB定义。
在另一个实施例中,UE 120可以报告表示所指定时间窗口的最强波束的所测量RSRP/RSRQ/SINR的多项式,或者所有测量的CSI-RS资源的所测量RSRP的多项式,或者CSI-RS资源的所测量RSRP高于从网络(诸如例如从网络节点110)发信号通知的信号强度阈值的多项式。多项式的时间窗口可以在网络处诸如例如由网络节点110配置。图8中的实线示出了具有30个样本的多项式的示例。与RSRP数据的周期性报告相比,如虚线所示,报告量可能减少。在图8所示的示例中,虚线要求报告30个样本,而实线只需要报告多项式系数,在这种情况下,多项式系数可以是三阶多项式。UE 120可以被配置有多项式阶,或者它可以在UE120处被选择。
在又一个实施例中,当网络(诸如例如网络节点110)已经构建了什么多项式应该触发动作(诸如例如信号质量将下降)的模型时,它可以向UE 120配置一个或多个多项式,并且当UE 120与任何配置的多项式匹配时,它向网络(诸如例如网络节点110)报告(一个或多个)多项式。
在另一个实施例中,可以使用来自UE 120的上行链路探测来估计信号质量。对于上行链路,网络节点110,其可以是基站(BS),诸如例如eNB或gNB,可以基于UE传送的探测参考信号(SRS)来计算信道估计。SRS传输可以是周期性的,其中SRS以固定的周期性或非周期性传送,其中控制信道触发一次性SRS传输。换句话说,网络节点110可以经由控制信道触发非周期性SRS传输。仅基于上行链路的信号质量估计的好处在于,可以消除与报告下行链路测量(诸如例如,CSI-RS RSRP测量)的UE相关的开销。
基于从UE 120接收的数据,网络,诸如例如网络节点110,可以学习例如什么RSRP序列导致大的信号质量下降,该序列例如可以是UE 120转过拐角,如图6所示。这可以例如通过将周期性报告的RSRP数据划分成训练和预测窗口来完成,如图9所示。
更一般地,机器学习(ML)模型可以包括输入特征x、ML模型f和输出y。机器学习可用于找到给定数据集的预测函数;数据集通常是给定输入到输出之间的映射。从而,想法是通过收集x和y两者的测量来确定f(x)→y之间的映射。预测函数(或映射函数)可以在训练阶段生成,其中训练阶段假定输入和输出两者的知识。后续测试阶段可以包括预测给定输入的输出。机器学习的应用可以是例如曲线拟合、面部识别和/或垃圾邮件过滤器。图10a和10b示出了一种类型机器学习的示例,即分类,其中的任务是训练一个将两类分离的预测函数,在这种情况下是圆形和交叉类。在图10a中,特征1和特征2提供了输出类别的低分离,因此与使用特征3和特征4的图10b相比,导致更差的预测性能。如图10b所示,使用特征3和特征4使得能够实现更好的分离和分类性能。一般来说,机器学习者的性能与输入和输出之间的相关性成比例。因此,机器学习中的一个关键问题是找到和/或创建该模型的良好特征。更进一步,重要的是收集足够的数据样本。
在预测阶段期间,可以基于作为输入x收集的测量来预测输出y,并且可以基于预测的y采取动作,这将在下面进一步解释。
在本文公开的实施例中,模型f的输入x可以是以下一个或多个的序列:
- 上行链路信道质量测量
o 例如,UE传送的SRS的总和/或平均接收的信号功率。
- 上行链路信道估计
o 可以为每个资源块和天线执行一个信道估计。如果有100个天线和20MHz带宽,其中子载波间距为15kHz(根据标准LTE配置,其是100个资源块),则一个时间实例的输入为100×100维。
- 下行链路UE信号质量估计,诸如:
o SS-RSRP、SS-RSRQ、SS-SINR
o CSI-RS-RSRP、CSI-RS-RSRQ、CSI-RS-SINR
- 上述信号质量估计的多项式表示:
o 如上所述,UE 120还可以报告一个或多个参考信号在时间窗口上的多项式表示。这也允许诸如网络节点110的网络创建预测未来UE信号质量的模型。到ML模型的输入可以是(一个或多个)多项式的系数。
来自模型f的输出y可以是:
- 时间T内参考信号(如SS-RS)的信号质量,其中T是最后一次输入测量后的时间实例。信号质量可以是例如:
o RSRP,
o RSRQ,和/或
o SINR。
- 移动性状态,
- 切换参数,和/或
- 波束故障检测参数。
在训练阶段,网络,诸如例如网络节点110,可以获得一个或多个第一UE 120a在特定持续时间上的测量样本。然后,网络可以使用以确定的窗口大小获得的样本来构建模型。这在图11中针对UE以持续时间N=10进行了说明,其中ML模型输入x由三个时间测量组成,并且其中ML模型在未来时间帧中(在本例中,进一步是1个时间帧)学习输出y。时间可以表示LTE/NR中的子帧号、时隙号、OFDM符号等。诸如网络节点110的网络通过使用三个过去的测量来训练模型f,以预测未来值y。在具有十个收集的测量和一个时间步长预测的这种设置中,网络可以使用七个样本来训练模型。
模型f可以是例如以下的一个或多个:
o 决策树模型。决策树,如图12a所示,其也被称为分类树或递归树,是有监督的学习方法,用于通过学习从数据特征推断的简单决策规则来创建预测目标变量的模型。为了预测响应,按照以下决策从根节点到达叶节点。
o 随机森林模型。如图12b所示,一组决策树可以被组合以形成随机森林。
o 神经网络。如图11c所示,神经网络包括由特定规则连接的一组神经元/激励。输入层负责接收输入数据x1至xn。图12c所示的最右层y1被称为输出层,其接收输出数据。在多跳神经网络中间的隐藏层计算输入的函数,该函数不直接与网络外侧接口连接。同一层的神经元之间没有连接,并且第n层的每个神经元都连接到第(n-1)层的所有神经元。第(n-1)层的输出是第n层的输入。每个神经元间连接可以具有关联的乘法权重,并且层中的每个神经元可以具有加性偏置项。图11c描述了前馈神经网络。该模型也可以是其他神经网络类型,诸如例如:
o 长短期记忆(LSTM), 或者
o 递归神经网络(RNN),如图12d所示。
与前馈网络相比,LSTM和RNN也输入了其之前所学习的知识,这使它们成为输入顺序数据的问题的准确模型。诸如例如信号质量数据点的时间序列。LSTM和RNN的区别在于记忆大小,其中LSTM能有效地处置来自较长序列的输入,诸如例如历史数据。
- 逻辑递归模型,和/或
- 最近邻居。
基于学习的网络激励
在模型已经被训练之后,对于UE 120的信号质量预测可以用于:
- 发起频率间和/或频率内切换
- 设置切换/重选参数(以防在前一步骤没有被预测)。
- 改变UE调度器优先级,例如通过当预期信号质量良好时调度UE。
在一些实施例中,诸如网络节点110的网络可以学习哪个多项式应该触发UE报告,例如哪个学习的输入多项式对应于某个未来RSRP值,或者哪个多项式指示UE 120将超出覆盖范围。网络节点110可以向UE 120配置一个或多个多项式,并且当UE 120与任何配置的多项式匹配时,它可以向网络报告(一个或多个)多项式。
在另一个实施例中,所学习的多项式可以用于在UE 120处设置移动性状态,例如,如果多项式系数匹配特定标准,诸如例如,当匹配速度状态时,UE 120可以缩放切换/重选参数中的一个或多个。速度状态例如可以是UE 120被认为处于快速无线电转变区。
可以基于速度状态缩放的参数例如可以是TTT和/或TReselection,像LTE中那样。在一些子实施例中,缩放也可以被应用于Ax偏移、频率特定偏移和/或不同的定时器,诸如例如由3GPP定义的T310定时器。
在又一个实施例中,可以缩放波束故障检测参数以及无线电链路监测资源。例如,当UE 120处于快速改变的无线电环境中时,第一参数beamFailureInstanceMaxCount和第二参数beamFailureDetectionTimer可以被设置为较小的值,而当UE 120处于缓慢改变的无线电环境中时,它们可以被设置为较大值,以避免不必要的波束故障检测。在另一个示例中,分配给无线电链路监测的若干资源radioLinkMonitoringRS可以包括多达8个无线电资源的集合,诸如例如在FR2中的SSB或CSI-RS或它们的混合。用于无线电链路监测的分配资源的数量可以根据无线电环境的改变来缩放。
基于计数器的报告
根据另一个实施例,可以使用基于计数器的报告方法。在基于计数器的报告方法中,UE 120周期性地评估RSRP、RSRQ、SINR和/或其他测量。评估时机可以在规范中定义,或者可以由网络配置,例如基于不连续接收(DRX)周期设置或者明确指定的或者与每个测量时机相联。
与上面讨论的基于机器学习的模型相比,该实施例不需要UE 120记住过去的RSRP样本(例如,创建多项式),或者周期性地报告RSRP值,而是将历史信息存储在有限的计数器集合中。
评估过程
在每次评估期间,UE 120可以将评估时机的测量信号质量值(诸如例如,RSRP、RSRQ或SINR)与先前评估时机的测量信号质量值进行比较。在下文中,RSRP将被用作示例性的信号质量。如果信号质量值已经降低或增加了预定阈值,该阈值可以被称为ChangeThreshold,则评估结果被视为“降低”或“增加”。否则,结果被视为“不变”。
UE 120可以使用第一计数器(其可以被称为Numdrop/increase)来记录被视为连续“降低”或连续“增加”的评估时机数量。
- 在一个实施例中,如果评估结果不同于先前的,则UE 120可以将计数器Numdrop/increase重置为零。
- 在另一个实施例中,当RSRP改变值不满足ChangeThreshold标准时,UE 120可以将计数器Numdrop/increase重置为零(参见表中的时间实例7)。
- 在又一实施例中,如果多达“X”个时间实例不满足ChangeThreshold标准,则UE 120可以将计数器Numdrop/increase重置为零。
UE 120可以进一步使用第二计数器(其可以被称为Totaldrop/increase)来记录在被视为连续“减少”或连续“增加”的评估时机的邻近评估时机的RSRP值之间累积的差异。当Numdrop/increase被重置为零时,Totaldrop/increase也可以被重置为零。
- 在一个实施例中,如果评估结果不同于先前的,则UE 120可以将计数器Totaldrop/increase重置为零。换句话说,如果对RSRP的评估已经示出连续的增加,并且下一次评估示出减少,则UE 120可以重置计数器。
- 在另一个实施例中,当RSRP改变值不满足ChangeThreshold标准时,UE 120可以将计数器Totaldrop/increase重置为零(参见表中的时间实例7)。
- 在又一实施例中,如果多达“X”个时间实例不满足ChangeThreshold标准,则UE 120可以将计数器Totaldrop/increase重置为零。
图13示出了针对某个测量量(在此示例中为RSRP)随时间的UE 测量。在UE 120执行RRM测量的每个时间样本中,UE 120计算在当前评估时机与先前评估时机期间测量的测量量之间的差。
在图13和上表所示的示例中,示出了对于UE 120,RSRP随时间朝着网络的小区或波束改变。此外,网络可以提供阈值,诸如例如ChangeThreshold >= 1.5dB、Numdrop/increaseThreshold = 3和Totaldrop/increaseThreshold = 5。也可能有其他组合阈值,诸如例如Combineddrop/increaseThreshold=(Totaldrop/increaseThreshold /Numdrop/increaseThreshold )=5/3。
当测量的RSRP样本落到低于ChangeThreshold或升到高于ChangeThreshold时,可以使UE120处的计数器Numdrop/increase递增。每当计数器Numdrop/increase递增时,RSRP中的实际改变可被累积在Totaldrop/increase计数器中。在一个实施例中,当计数器Numdrop/increase的值超过Numdrop/increaseThreshold时和/或当计数器Totaldrop/increase的值超过Totaldrop/increaseThreshold时,UE 120可以认为它自己处于快速无线电转变区。在又一实施例中,如果组合值例如Combineddrop/increase=(Totaldrop/increase/Numdrop/increase)超过Combineddrop/increaseThreshold,则UE 120可以认为它自己处于快速无线电转变条件。在检测到其处于快速无线电转变区时,诸如例如当UE 120在图2中转过拐角时,UE 120可以缩放切换/重选参数中的一个或多个。这样做可能是为了补偿快速无线电转变条件。
在第一阶段(训练阶段),诸如网络节点110的网络可以学习应该如何设置切换/重选参数和缩放系数。当计数器Totaldrop/increase超过Totaldrop/increaseThreshold时或者当计数器Combineddrop/increase超过Combineddrop/increaseThreshold时,网络(诸如网络节点110)可以将UE120配置成请求新的切换或小区重选参数。基于训练阶段的教导,网络节点110可以给UE120配置用于触发UE报告的触发条件。在又一实施例中,切换/重选参数的设置可以在UE120中实现,并且因此将不需要在网络侧进行任何改变。
对于连接模式UE 120,在一个实施例中,所使用的测量样本,诸如例如RSRP样本,可以是第3层(L3)滤波样本,而在另一个实施例中,这可以是未滤波样本。此外,对于空闲和/或不活动的UE 120,这可以是在每个DRX周期的实际测量样本,或者是基于滤波的样本。
应当注意,尽管以上实施例是以RSRP作为测量量进行描述的,但是也可以使用其他测量量,诸如例如RSRQ或SINR或其他量。
在一些实施例中,可以有另外的阈值来辅助UE 120将其自己分类在不同的类别下,这些类别也可以被称为移动性状态。例如,这些可以是非常快速改变的、快速改变的或正常改变的类别。然而,对于UE也可能存在不止三个不同的类别。在这种情况下,诸如网络节点110的网络可以提供用于这些类别中的每一个的阈值。可以根据以下3GPP TS 38.304v. 15.1.0中所定义的规则来确定UE 120的不同移动性状态,如下所示:
5.2.4.3 UE的移动性状态
5.2.4.3.0介绍
如果参数(TCRmax、NCR_H、NCR_M和TCRmaxHyst)在服务小区的系统信息中广播,则确定UE移动性状态。
状态检测标准:
正常移动性状态标准:
- 如果在时间段TCRmax期间的小区重选次数小于NCR_M。
中等移动性状态标准:
- 如果在时间段TCRmax期间的小区重选次数大于或等于NCR_M但小于NCR_H。
高移动性状态标准:
- 如果在时间段TCRmax期间的小区重选次数大于NCR_H。
UE不应考虑连续的重选,其中在针对移动性状态检测标准的一次重选之后再次重选小区。
状态转变:
UE应:
- 如果检测到高移动性状态的标准:
- 则进入高移动性状态。
- 否则,如果检测到中等移动性状态的标准:
- 则进入中等移动性状态。
- 否则,如果在时间段TCRmaxHyst期间未检测到中等或高移动性状态的标准:
- 则进入正常移动性状态。
如果UE处于高或中等移动性状态,则UE将应用如子条款5.2.4.3.1中所定义的速度相关缩放规则。
5.2.4.3.1缩放规则
UE将应用以下缩放规则:
- 如果中等或高移动性状态都未检测到:
- 则不应用缩放。
- 如果检测到高移动性状态:
- 如果在系统信息中广播,则将“Qhyst的速度相关ScalingFactor”的sf-High添加到Qhyst;
- 对于NR小区,如果在系统信息中广播,则将TreselectionEUTRA乘以“TreselectionEUTRA的速度相关ScalingFactor”的sf-High;
- 对于EUTRA小区,如果在系统信息中广播,则将TreselectionEUTRA乘以“TreselectionEUTRA的速度相关ScalingFactor”的sf-High。
- 如果检测到中等移动性状态:
- 如果在系统信息中广播,则将“Qhyst的速度相关ScalingFactor”的sf-Medium添加到Qhyst;
例如,为了将它自己分类到非常快速改变的类别中,UE测量的RSRP应该满足基于ChangeThresholdVeryFast、Numdrop/increaseThresholdVeryFast和Totaldrop/increaseThresholdVeryFast阈值的条件。类似地,为了将它自己分类到快速改变的类别中,UE测量的RSRP应满足基于ChangeThresholdFast、Numdrop/increaseThresholdFast和Totaldrop/increaseThresholdFast阈值的条件。还有,为了将它自己分类到正常改变的类别,UE测量的RSRP应满足基于ChangeThresholdNormal、Numdrop/increaseThresholdNormal和Totaldrop/increaseThresholdNormal阈值的条件。
上述阈值可以是网络配置的,在3GPP标准中是固定的,或者可以取决于UE实现。在网络配置的实施例的情况下,这些阈值可以被专门提供给每个UE 120,诸如例如作为measConfig或measObject的一部分,或者某个其他IE,或者可以诸如例如在SIB2/SIB4中被广播。除了称为 RadioChangeMonitoringConfig 的新IE之外,在下文还示出了measConfig相关配置。
MeasConfig信息元素
- RadioChangeMonitoringConfig
IE RadioStateScaleFactors涉及要用于将UE分类为UE非常快速改变、快速改变或正常改变的无线电条件。
信息元素
为了执行以上用于处置通信网络100中的UE 120的信号质量变化的方法动作,网络节点110可以包括图14a和14b中描绘的布置。
网络节点110可以包括被配置成例如与UE 120a、120b通信的输入和输出接口1400。输入和输出接口1400可以包括无线接收器(未示出)和无线传送器(未示出)。
网络节点110可以进一步包括预测单元1410、确定单元1420、发起单元1430、发送单元1440、获得单元1450、接收单元1460、生成单元1470和/或测量单元1480。
网络节点110被配置成,例如借助于预测单元1410被配置成,基于由网络节点110已经服务的一个或多个第一UE 120a的先前信号质量变化的历史数据来预测由网络节点110正在服务的第二UE 120b的未来信号质量变化,其中先前信号质量变化的历史数据指示一个或多个第一UE 120a的移动路径。
网络节点110被配置成,例如借助于确定单元1420被配置成,基于预测的信号质量变化来确定改变第二UE 120b的网络配置。
网络节点110被配置成,例如借助于发起单元1430被配置成,发起第二UE 120b的网络配置的改变。
网络节点110被配置成,例如借助于发送单元1440被配置成,向第二UE 120b发送改变网络配置的指示。
为了预测第二UE 120b的信号质量变化,网络节点110可以被配置成,例如借助于获得单元1450被配置成,获得关于第二UE 120b的多个时间实例的信号质量测量的信息。
为了预测第二UE 120b的信号质量变化,网络节点110可以进一步被配置成,例如借助于确定单元1420被配置成,基于从第二UE 120b获得的关于信号质量测量的信息,使用基于指示一个或多个第一UE 120a的移动路径的所获得的信号质量测量的历史数据而生成的预测模型,来确定第二UE 120b在未来时间实例的信号质量。
网络节点110可以被配置成,例如,借助于获得单元1450被配置成,获得关于一个或多个第一UE 120a的不同时间实例的多个信号质量测量的信息。
网络节点110可以被配置成,例如借助于生成单元1470被配置成,基于在一个或多个先前时间实例从一个或多个第一UE 120a中的每一个接收的所获得的信号质量测量,生成用于在一个时间实例从一个或多个第一UE 120a中的每一个获得的信号质量测量的预测模型,其中信号质量测量指示一个或多个第一UE 120a的移动路径。
网络节点110可以被配置成,例如借助于获得单元1450或接收单元1460被配置成,通过从一个或多个第一UE 120a和/或第二UE 120b接收一个或多个第一UE 120a和/或第二UE 120b中的每一个的信号质量的DL测量来获得信号质量。
网络节点110可以被配置成,例如借助于获得单元1450或测量单元1480被配置成,通过对一个或多个第一UE 120a和/或第二UE 120b中的每一个执行信号质量的UL测量来获得信号质量。
网络节点110可以被配置成,例如借助于获得单元1450被配置成,获得一个或多个第一UE 120a和第二UE 120b的信号质量测量,作为表示所测量的信号质量的多项式。
网络节点110可以被配置成,例如借助于获得单元1450被配置成,获得一个或多个第一UE 120a和/或第二UE 120b的信号质量测量作为多个测量。
网络节点110可以被配置成,例如借助于获得单元1450被配置成,获得一个或多个第一UE 120a和第二UE 120b的信号质量测量作为所测量的信号质量已经连续增加到高于预定阈值或者降低到低于预定阈值的若干后续测量时机。
网络节点110可以被配置成,例如借助于预测单元1410被配置成,使用基于机器学习的模型来预测所述未来信号质量变化,所述模型基于先前信号质量变化的历史数据进行训练。
网络节点110可以被配置成,例如借助于预测单元1410被配置成,使用基于机器学习的模型来预测未来的信号质量变化,所述基于机器学习的模型诸如是决策树模型、随机决策树森林模型、神经网络、最近邻居模型和/或逻辑递归模型中的一个或多个。
网络节点110被配置成,例如借助于发起单元1430被配置成,发起所述网络配置的改变是通过向所述第二UE 120b发送改变所述网络配置的指示。
网络节点110被配置成,例如借助于发起单元1430被配置成,通过发起频率间切换、发起频率内切换和/或设置切换/重选参数,向第二UE 120b指示改变第二UE 120b的网络配置。
网络节点110被配置成,例如借助于发起单元1430被配置成,通过改变所述第二UE120b的调度优先级来发起所述网络配置的改变。
本文的实施例可以通过相应的处理器或一个或多个处理器(诸如图14b所描绘的网络节点110中的处理电路的处理器1490连同用于执行本文的实施例的功能和动作的相应计算机程序代码来实现。上面提到的程序代码也可被提供为计算机程序产品,例如以携带计算机程序代码的数据载体的形式,所述计算机程序代码当被加载到网络节点110中时用于执行本文的实施例。一种这样的载体可以是CD ROM盘的形式。然而,用诸如存储条的其他数据载体是可行的。计算机程序代码可更进一步被提供为服务器上的纯程序代码,并被下载到网络节点110。
网络节点110可以进一步包括包含一个或多个存储器单元的存储器1491。存储器包括由处理器1490可执行的指令。存储器1491被布置成用于存储例如关于波束特定信号质量、信道估计参数和信道估计方法、适配的信道估计参数和信道估计方法、接收信号的协方差估计参数和协方差估计方法、适配的协方差估计参数和适配的协方差估计方法、协方差矩阵、协方差矩阵的一个或多个元素以及第一和第二阈值的信息,以及当在网络节点110中运行时执行本文的方法的应用。
本领域技术人员还将理解,上面提到的网络节点110中的单元可以指模拟和数字电路的组合,和/或配置有例如存储在网络节点110中的软件和/或固件的一个或多个处理器,所述软件和/或固件由相应的一个或多个处理器(诸如上面描述的处理器)执行。这些处理器中的一个或多个以及其他数字硬件可以被包括在单个专用集成电路(ASIC)中,或者几个处理器和各种数字硬件可以被分布在几个单独的组件中间,无论是单独封装还是组装到片上系统(SoC)中。
在一些实施例中,计算机程序1492包括指令,即软件代码部分,当其由相应的至少一个处理器1490运行时,使得网络节点110的至少一个处理器1490执行根据以上针对网络节点110描述的实施例的动作。
在一些实施例中,载体1493包括计算机程序1493,其中载体1492是电信号、光信号、电磁信号、磁信号、电子信号、无线电信号、微波信号或计算机可读存储介质中的一种。
本文的实施例中描述的网络节点110、120也可以在云中实现。尽管本文中由网络节点110执行的方法动作是在网络节点(诸如例如无线电网络节点)的上下文中讨论的,但是该方法也可以由核心网络节点或包括在第一云中的分布式节点(诸如例如服务器和/或数据中心)来执行。该方法动作可以例如由逻辑功能来执行,该逻辑功能可以是托管在网络装置或分布式节点上的集中式服务。
为了执行以上用于处置通信网络100中的UE 120的信号质量变化的方法动作,UE120,诸如第一UE 120a或第二UE 120b,可以包括图15a和15b所描绘的布置。
UE 120;120a、120b可以包括被配置成例如与网络节点110通信的输入和输出接口1500。输入和输出接口1500可以包括无线接收器(未示出)和无线传送器(未示出)。
UE 120;120a、120b可以进一步包括测量单元1510、传送单元1520、执行单元1530、确定单元1540、发起单元1550和/或接收单元1560。
UE 120;120a、120b被配置成,例如借助于测量单元1510被配置成,在多个时间实例测量信号质量。
UE 120;120a、120b被配置成,例如借助于传送单元1520被配置成,向网络节点110传送与在不同时间实例的多个信号质量测量相关的信息,其中与多个信号质量测量相关的信息指示UE 120a、120b的移动路径。
UE 120;120a、120b被配置成,例如借助于执行单元1530被配置成,基于从网络节点110接收的指示来执行与未来时间实例的网络配置的改变相关的动作,其中该动作取决于由网络节点110预测的UE 120a、120b的未来信号质量。
UE 120;120a、120b可以被配置成,例如借助于确定单元1540被配置成,基于所测量的信号质量来确定表示在多个时间实例上测量的信号质量的多项式。
UE 120;120a、120b可以被配置成,例如借助于传送单元1520被配置成,将信号质量测量作为所确定的多项式传送。
UE 120;120a、120b可以被配置成,例如借助于确定单元1540被配置成,基于所测量的信号质量来确定所测量的信号质量已经连续增加或降低的后续测量时机的数量。
UE 120;120a、120b可以被配置成,例如借助于执行单元1530被配置成,当所测量的信号质量已经连续增加或降低的后续测量时机的数量高于预定阈值时,执行与所述网络配置的改变相关的动作。
UE 120;120a、120b可以被配置成,例如借助于执行单元1530和/或发起单元1550被配置成,执行以下与发起频率间切换、发起频率内切换和/或改变切换/重选参数的网络配置的改变相关的动作中的一个或多个。
UE 120;120a、120b可以被配置成,例如借助于接收单元1560被配置成,从网络节点110接收改变未来时间实例的网络配置的指示。
本文的实施例可以通过相应的处理器或一个或多个处理器(诸如图15b所描绘的UE 120中的处理电路的处理器1590连同用于执行本文的实施例的功能和动作的相应计算机程序代码来实现。上面提到的程序代码还可提供为计算机程序产品,例如形式为承载当被加载到UE 120; 120a、120b中时执行本文实施例的计算机程序代码的数据载体。一种这样的载体可以是CD ROM盘的形式。然而,用诸如存储条的其他数据载体是可行的。计算机程序代码而且可提供为服务器上的纯程序代码,并例如远程下载到UE 120; 120a、120b。
UE 120; 120a、120b可以进一步包括包含一个或多个存储单元的存储器1591。存储器包括由处理器1590可执行的指令。存储器1591被布置成用于存储例如关于波束特定信号质量、信道估计参数和信道估计方法、适配的信道估计参数和信道估计方法、接收信号的协方差估计参数和协方差估计方法、适配的协方差估计参数和适配的协方差估计方法、协方差矩阵、协方差矩阵的一个或多个元素以及第一和第二阈值的信息,以及当在UE 120;120a、120b中运行时执行本文的方法的应用。
本领域技术人员还将理解,上面提到的UE 120; 120a、120b中的单元可以指模拟和数字电路的组合,和/或配置有例如存储在UE 120; 120a、120b中的软件和/或固件的一个或多个处理器,所述软件和/或固件由相应的一个或多个处理器(诸如上面描述的处理器)执行。这些处理器中的一个或多个以及其他数字硬件可以被包括在单个专用集成电路(ASIC)中,或者几个处理器和各种数字硬件可以被分布在几个单独的组件中间,无论是单独封装还是组装到片上系统(SoC)中。
在一些实施例中,计算机程序1592包括指令,即软件代码部分,当其由相应的至少一个处理器1590运行时,使得UE 120; 120a、120b的至少一个处理器1590执行根据以上针对UE 120; 120a、120b描述的实施例的动作。
在一些实施例中,载体1593包括计算机程序1593,其中载体1592是电信号、光信号、电磁信号、磁信号、电子信号、无线电信号、微波信号或计算机可读存储介质中的一种。
这将是熟悉通信设计的那些人容易理解的,功能部件或单元可以使用数字逻辑和/或一个或多个微控制器、微处理器或其它数字硬件实现。在一些实施例中,各种功能中的若干或所有功能可以一起实现,诸如在单个专用集成电路(ASIC)中,或者在它们之间具有适当硬件和/或软件接口的两个或更多单独的装置中。功能中的几个可以实现在与UE或网络节点的其它功能组件共享的处理器上。
备选地,论述的处理部件的功能元件中的几个可以通过使用专用硬件来提供,而其它功能元件被提供有用于执行软件的硬件,连同适当的软件或固件。从而,本文所使用的术语“处理器”或“控制器”不排他地指能够执行软件的硬件,并且可以隐式地包含而不限于:数字信号处理器(DSP)硬件、用于存储软件的只读存储器(ROM)、用于存储软件和/或程序或应用数据的随机存取存储器以及非易失性存储器。还可以包含其它硬件、约定和/或习惯。网络节点或装置的设计者将认识到在这些设计选择中固有的成本、性能和维护折衷。
另外的扩展和变化
参考图16,根据一个实施例,通信系统包括电信网络3210,诸如无线通信网络100,例如NR网络,诸如3GPP类型的蜂窝网络,该网络包括接入网3211(诸如无线电接入网)以及核心网络3214。接入网3211包括多个基站3212a、3212b、3212c(诸如第一或第二无线电节点110、120、接入节点、AP STA NB、eNB、gNB或其他类型的无线接入点),各定义对应的覆盖区域3213a、3213b、3213c。每个基站3212a、3212b、3212c通过有线或无线连接3215可连接到核心网络3214。位于覆盖区域3213c中的第一用户设备(UE)(例如UE 120,诸如非AP STA3291)被配置成无线连接到对应的基站3212c,或由其寻呼。覆盖区域3213a中的第二UE3292(例如第一无线电节点110或第二无线电节点120,诸如AP STA)可无线连接到对应的基站3212a。虽然在该示例中图示了多个UE 3291、3292,但是所公开的实施例同样适用于其中唯一UE在覆盖区中或者其中唯一UE正连接到对应的基站3212的情形。
电信网络3210本身连接到主机计算机3230,该主机计算机可以被体现在独立服务器、云实现的服务器、分布式服务器的硬件和/或软件中,或者体现为服务器场中的处理资源。主机计算机3230可以在服务提供商的所有权或控制下,或者可以由服务提供商或者代表服务提供商操作。电信网络3210和主机计算机3230之间的连接3221、3222可以直接从核心网络3214延伸到主机计算机3230,或者可以经由可选的中间网络3220延伸。中间网络3220可以是公用、私用或托管网络中的一个或一个以上的组合;中间网络3220(如果有的话)可以是主干网或因特网;特别地,中间网络3220可包括两个或更多个子网(未示出)。
图6的通信系统作为整体实现所连接的UE 3291、3292之一与主机计算机3230之间的连接性。该连接性可以被描述为过顶(OTT)连接3250。主机计算机3230和连接的UE 3291、3292被配置成使用接入网3211、核心网络3214、任何中间网络3220和可能的另外基础设施(未示出)作为中介,经由OTT连接3250传递数据和/或信令。在OTT连接3250通过的参与通信装置不知道上行链路和下行链路通信的路由的意义上,OTT连接3250可以是透明的。例如,基站3212可以不或者不需要被通知关于传入下行链路通信的过去路由,其中源自主机计算机3230的数据将被转发(例如,切换)到所连接的UE 3291。类似地,基站3212不需要知道从UE 3291始发的朝向主机计算机3230的传出上行链路通信的将来路由。
根据实施例,现在将参考图17来描述在前面段落中讨论的UE、基站和主机计算机的示例实现。在通信系统3300中,主机计算机3310包括硬件3315,该硬件包括通信接口3316,该通信接口被配置成设立和维持与通信系统3300的不同通信装置的接口的有线或无线连接。主机计算机3310进一步包括处理电路3318,该处理电路可具有存储和/或处理能力。特别地,处理电路3318可包括一个或多个可编程处理器、专用集成电路、现场可编程门阵列或适于执行指令的这些的组合(未示出)。主机计算机3310进一步包括软件3311,该软件被存储在主机计算机3310中或由其可访问,并且由处理电路3318可执行。软件3311包括主机应用3312。主机应用3312可以可操作以将服务提供给远程用户,诸如经由端接于UE3330和主机计算机3310的OTT连接3350连接的UE 3330。在向远程用户提供服务时,主机应用3312可以提供使用OTT连接3350传送的用户数据。
通信系统3300进一步包括基站3320,该基站被设置在电信系统中,并且包括使其能够与主机计算机3310并与UE 3330通信的硬件3325。硬件3325可以包括用于设立和维持与通信系统3300的不同通信装置的接口的有线或无线连接的通信接口3326,以及用于设立和维持与位于由基站3320服务的覆盖区域(图17中未示出)的UE 3330的至少无线连接3370的无线电接口3327。通信接口3326可以被配置成促进到主机计算机3310的连接3360。连接3360可以是直接的,或者它可以经过电信系统的核心网络(图17中未示出),和/或经过电信系统外部的一个或多个中间网络。在所示的实施例中,基站3320的硬件3325进一步包括处理电路3328,该处理电路可包括一个或多个可编程处理器、专用集成电路、现场可编程门阵列或适于执行指令的这些的组合(未示出)。基站3320进一步具有内部存储的或经由外部连接可访问的软件3321。
通信系统3300进一步包括已经提及的UE 3330。其硬件3335可包括无线电接口3337,该接口被配置成设立和维持与服务于UE 3330当前所位于的覆盖区的基站的无线连接3370。UE 3330的硬件3335进一步包括处理电路3338,该处理电路可包括一个或多个可编程处理器、专用集成电路、现场可编程门阵列或适于执行指令的这些的组合(未示出)。UE3330进一步包括软件3331,该软件被存储在UE 3330中或由其可访问,并且由处理电路3338可执行。软件3331包括客户端应用3332。客户端应用3332可以可操作以在主机计算机3310的支持下,经由UE 3330向人类或非人类用户提供服务。在主机计算机3310中,正在执行的主机应用3312可以经由端接于UE 3330和主机计算机3310的OTT连接3350与正在执行的客户端应用3332通信。在向用户提供服务时,客户端应用3332可从主机应用3312接收请求数据,并响应于该请求数据而提供用户数据。OTT连接3350可传递请求数据和用户数据两者。客户端应用3332可与用户交互以生成它提供的用户数据。
注意,图17所图示的主机计算机3310、基站3320和UE 3330可以分别等同于图16的主机计算机3230、基站32l2a、32l2b、32l2c之一和UE 3291、3292之一。也就是说,这些实体的内部工作可如图17所示,并且独立地,周围的网络拓扑可以是图16的网络拓扑。
在图17中,OTT连接3350已经被抽象地画出,以说明主机计算机3310和用户设备3330之间经由基站3320的通信,而没有明确提及任何中间装置和经由这些装置的消息的精确路由。网络基础设施可以确定路由,该路由可以被配置成对UE 3330或者对操作主机计算机3310的服务提供商隐藏,或者对两者都隐藏。当OTT连接3350活动时,网络基础设施可进一步做出决定,通过这些决定,它动态地改变路由(例如,基于网络的重新配置或负载平衡考虑)。
UE 3330与基站3320之间的无线连接3370根据贯穿本公开描述的实施例的教导。各种实施例中的一个或多个实施例改进了使用OTT连接3350提供给UE 3330的OTT服务的性能,其中无线连接3370形成最后一段。更精确地说,通过预测UE的信号质量下降并执行移动性测量和/或切换到提供更好信号质量的网络节点,可以改进数据速率、时延、功耗,并且从而提供诸如用户等待时间、放松对文件大小的限制、更好的响应性和延长的电池寿命的好处。
为了监测数据速率、时延和一个或多个实施例改进的其他因素的目的,可以提供测量过程。可以进一步存在可选的网络功能性,用于响应于测量结果的变化而重新配置主机计算机3310和UE 3330之间的OTT连接3350。用于重新配置OTT连接3350的测量过程和/或网络功能性可以用主机计算机3310的软件3311实现,或者用UE 3330的软件3331实现,或者用两者实现。在实施例中,传感器(未示出)可以被部署在OTT连接3350所经过的通信装置中或与之关联;传感器可以通过提供上面例示的所监测量的值,或者提供软件3311、3331可以从中计算或估计所监测量的其他物理量的值,来参与测量过程。OTT连接3350的重新配置可以包括消息格式、重传设置、优选路由等;重新配置不需要影响基站3320,并且这对基站3320可能是未知的或者不可察觉的。这样的过程和功能性在本领域中可能已知并且实践了。在某些实施例中,测量可以涉及专有的UE信令,促进主机计算机3310对吞吐量、传播时间、时延等的测量。可以实现测量,因为软件3311、3331在它监测传播时间、错误等的同时,使用OTT连接3350来使消息(特别是空的或“虚拟的”消息)被传送。
图18是图示根据一个实施例的在通信系统中实现的方法的流程图。通信系统包括主机计算机、基站(诸如AP STA)和UE(诸如非AP STA),它们可以是参考图16和17描述的主机计算机、基站和UE。为了简化本公开,在本节将仅包括对图18的附图参考。在方法的第一动作3410中,主机计算机提供用户数据。在第一动作3410的可选子动作3411中,主机计算机通过执行主机应用提供用户数据。在第二动作3420,主机计算机向UE发起携带用户数据的传输。在可选的第三动作3430中,根据贯穿本公开描述的实施例的教导,基站向UE传送在主机计算机发起的传输中携带的用户数据。在可选的第四动作3440中,UE执行与主机计算机执行的主机应用关联的客户端应用。
图19是图示根据一个实施例在通信系统中实现的方法的流程图。通信系统包括主机计算机、基站(诸如AP STA)和UE(诸如非AP STA),它们可以是参考图16和17描述的主机计算机、基站和UE。为了简化本公开,在本节将仅包括对图19的附图参考。在方法的第一动作3510中,主机计算机提供用户数据。在可选的子动作(未示出)中,主机计算机通过执行主机应用提供用户数据。在第二动作3520,主机计算机向UE发起携带用户数据的传输。根据贯穿本公开描述的实施例的教导,传输可以通过基站。在可选的第三动作3530中,UE接收在传输中携带的用户数据。
图20是图示根据一个实施例在通信系统中实现的方法的流程图。通信系统包括主机计算机、基站(诸如AP STA)和UE(诸如非AP STA),它们可以是参考图16和17描述的主机计算机、基站和UE。为了简化本公开,在本节将仅包括对图20的附图参考。在该方法的可选的第一动作3610中,UE接收由主机计算机提供的输入数据。附加地或备选地,在可选的第二动作3620中,UE提供用户数据。在第二动作3620的可选子动作3621中,UE通过执行客户端应用提供用户数据。在第一动作3610的另外的可选子动作3611中,UE执行客户端应用,该客户端应用作为对由主机计算机提供的接收到的输入数据的反应而提供用户数据。在提供用户数据时,所执行的客户端应用可以进一步考虑从用户接收到的用户输入。不管提供用户数据的特定方式如何,在可选的第三子动作3630中,UE向主机计算机发起用户数据的传输。在该方法的第四动作3640中,根据贯穿此公开描述的实施例的教导,主机计算机接收从UE传送的用户数据。
图21是图示根据一个实施例在通信系统中实现的方法的流程图。通信系统包括主机计算机、基站(诸如AP STA)和UE(诸如非AP STA),它们可以是参考图16和17描述的主机计算机、基站和UE。为了简化本公开,在本节将仅包括对图21的附图参考。在该方法的可选第一动作3710中,根据贯穿本公开描述的实施例的教导,基站从UE接收用户数据。在可选第二动作3720中,基站向主机计算机发起所接收到的用户数据的传输。在第三动作3730中,主机计算机接收由基站发起的传输中携带的用户数据。
当使用词语“包括”时,它应被解释为非限制性的,即,意味着“至少由......组成”。
本文的实施例不限于以上描述的优选实施例。可使用各种备选、修改和等效方案。
本文的实施例可以进一步涉及:
1. 一种用于处置用户设备(UE)的信号质量变化的网络节点(110),包括处理器和存储器,所述存储器包含可由所述处理器执行的指令,其中所述网络节点(110)操作以:
- 基于由所述网络节点(110)已经服务的一个或多个第一UE的先前信号质量变化的历史数据,预测由所述网络节点(110)正在服务的第二UE的未来信号质量变化,其中先前信号质量变化的所述历史数据指示所述一个或多个第一UE的移动路径,
- 基于所述预测的信号质量变化确定改变所述第二UE的网络配置,
- 发起所述第二UE的所述网络配置的改变。
2. 根据段落1的网络节点(110),其中网络节点(110)进一步操作以:
- 获得关于针对所述第二UE的多个时间实例的信号质量测量的信息,
- 基于所获得的关于来自所述第二UE的信号质量测量的信息,使用基于所获得的指示所述一个或多个第一UE的移动路径的信号质量测量的历史数据生成的预测模型,确定所述第二UE在未来时间实例的信号质量。
3. 根据段落1或2的网络节点(100),其中网络节点(100)进一步操作以:
- 获得关于针对所述一个或多个第一UE的不同时间实例的多个信号质量测量的信息,
- 基于在一个或多个先前时间实例从所述一个或多个第一UE中的每一个接收的所获得的信号质量测量,生成在一时间实例从所述一个或多个第一UE中的每一个所获得的信号质量测量的预测模型,其中,所述信号质量测量指示所述一个或多个第一UE的移动路径。
4. 根据段落2或段落3的网络节点(110),当从属于段落3时,其中网络节点(110)进一步操作以:
- 通过从一个或多个第一UE和/或第二UE接收针对所述一个或多个第一UE和/或所述第二UE中的每一个的所述信号质量的下行链路DL测量来获得信号质量。
5. 根据段落2或段落3的网络节点(110),当从属于段落3时,其中网络节点(110)进一步操作以:
- 通过执行针对所述一个或多个第一UE和/或所述第二UE中的每一个的所述信号质量的上行链路UL测量来获得信号质量。
6. 根据段落2至5中任一段落的网络节点(110),其中网络节点(110)进一步操作以:获得所述一个或多个第一UE和所述第二UE的所述信号质量测量,作为表示所测量的信号质量的多项式。
7. 根据段落2至5中任一段落的网络节点(110),其中网络节点(110)进一步操作以:获得所述一个或多个第一UE和所述第二UE的所述信号质量测量,作为多个测量。
8. 根据段落2至5中任一段落的网络节点(110),其中网络节点(110)进一步操作以:获得一个或多个第一UE和第二UE的信号质量测量,作为所测量的信号质量已经连续增加到高于预定阈值或者减低到低于预定阈值的若干后续测量时机。
9. 根据段落1至8中任一段落的网络节点(110),其中网络节点(110)进一步操作以:使用基于机器学习的模型来预测所述未来信号质量变化,所述模型基于先前信号质量变化的历史数据进行训练。
10. 根据段落1至9中任一段落的网络节点(110),其中网络节点(110)进一步操作以:使用基于机器学习的模型来预测所述未来信号质量变化,所述模型诸如是以下一个或多个:
- 决策树模型,
- 决策树随机森林模型,
- 神经网络,
- 最近邻居模型,和/或
- 逻辑递归模型。
11. 根据段落1至9中任一段落的网络节点(110),其中网络节点(110)进一步操作以:通过向第二UE发送改变网络配置的指示来发起网络配置的改变。
12. 根据段落11的任一段落的网络节点(110),其中网络节点(110)进一步操作以:通过以下方式向第二UE指示改变第二UE的网络配置:
- 发起频率间切换,
- 发起频率内切换,和/或
- 设置切换/重选参数。
13. 根据段落1至9中任一段落的网络节点(110),其中网络节点(110)进一步操作以:通过改变第二UE的调度优先级来发起网络配置的改变。
14. 一种用户设备UE(120),用于执行用于处置UE(120)处理信号质量变化的方法,包括处理器和存储器,所述存储器包含可由所述处理器执行的指令,其中所述UE(120)操作以:
- 在多个时间实例测量所述信号质量,
- 向网络节点(110)传送与在不同时间实例的所述多个信号质量测量相关的信息,其中,与所述多个信号质量测量相关的信息指示UE(120)的移动路径,
- 基于从所述网络节点(110)接收的指示,执行与未来时间实例的所述网络配置的改变相关的动作,其中,所述动作取决于由所述网络节点(110)预测的所述UE(120)的未来信号质量。
15. 根据段落14的UE(120),其中UE(120)进一步操作以:
- 基于所测量的信号质量,确定表示在所述多个时间实例上测量的信号质量的多项式,以及
- 将所述信号质量测量作为所确定的多项式传送。
16. 根据段落14的UE(120),其中UE(120)进一步操作以:
- 基于所测量的信号质量,确定所测量的信号质量已经连续增加或降低的后续测量时机的数量,以及
- 当所测量的信号质量已经连续增加或降低的后续测量时机的数量高于预定阈值时,执行与所述网络配置的改变相关的动作。
17. 根据段落14至16中任一段落的UE(120),其中UE(120)进一步操作以:执行与所述网络配置的改变相关的一个或多个以下动作:
- 发起频率间切换,
- 发起频率内切换,
- 改变切换/重选参数。
18. 根据段落14至17中任一段落的UE(120),其中UE(120)进一步操作以:从所述网络节点(110)接收改变未来时间实例的网络配置的指示。
根据第二示例,本文的实施例还可以涉及:
19. 一种用于处置用户设备UE(120)的信号质量变化的网络节点(110),包括:
- 预测单元(1410),被配置成基于由所述网络节点(110)已经服务的一个或多个第一UE(120a)的先前信号质量变化的历史数据,预测由所述网络节点(110)正在服务的第二UE(120b)的未来信号质量变化,其中先前信号质量变化的所述历史数据指示所述一个或多个第一UE(120a)的移动路径,
- 确定单元(1420),被配置成基于所述预测的信号质量变化确定(1420)改变所述第二UE(120b)的网络配置,
- 发起单元(1430)被配置成发起第二UE(120b)的网络配置的改变。
20. 根据段落19的网络节点(110),其中所述网络节点(110)为了预测第二UE(120b)的信号质量变化,包括:
- 获得单元(1450),被配置成获得关于针对所述第二UE(120b)的多个时间实例的信号质量测量的信息,
- 确定单元(1420)被配置成基于所获得的关于来自所述第二UE(120b)的信号质量测量的信息,使用基于所获得的指示所述一个或多个第一UE(120a)的移动路径的信号质量测量的历史数据生成的预测模型,确定所述第二UE(120b)在未来时间实例的信号质量。
21. 如权利要求19或20所述的网络节点(110),其中所述网络节点(110)进一步包括:
- 获得单元(1450),被配置成获得关于针对所述一个或多个第一UE(120a)的不同时间实例的多个信号质量测量的信息,
- 生成单元(1470),被配置成基于在一个或多个先前时间实例从所述一个或多个第一UE(120a)中的每一个接收的所获得的信号质量测量,生成在一时间实例从所述一个或多个第一UE(120a)中的每一个所获得的信号质量测量的预测模型,其中,所述信号质量测量指示所述一个或多个第一UE(120a)的移动路径。
22. 如权利要求20或权利要求21所述的网络节点(110),当从属于权利要求20时,其中所述网络节点(110)包括获得单元(1450),所述获得单元被进一步配置成通过从所述一个或多个第一UE(120a)和/或所述第二UE(120b)接收针对所述一个或多个第一UE(120a)和/或所述第二UE(120b)中的每一个的所述信号质量的下行链路DL测量来获得所述信号质量。
23. 如权利要求20或权利要求21所述的网络节点(110),当从属于权利要求20时,其中所述网络节点(110)包括获得单元(1450),所述获得单元被进一步配置成通过执行针对所述一个或多个第一UE(120a)和/或所述第二UE(120b)中的每一个的所述信号质量的上行链路UL测量来获得所述信号质量。
24. 如权利要求20至23中任一项所述的网络节点(110),其中所述网络节点(110)包括获得单元(1450),所述获得单元被进一步配置成获得所述一个或多个第一UE(120a)和所述第二UE(120b)的所述信号质量测量,作为表示所测量的信号质量的多项式。
25. 如权利要求20至23中任一项所述的网络节点(110),其中所述网络节点(110)包括获得单元(1450),所述获得单元被进一步配置成获得所述一个或多个第一UE(120a)和所述第二UE(120b)的所述信号质量测量,作为多个测量。
26. 如权利要求20至23中任一项所述的网络节点(110),其中所述网络节点(110)包括获得单元(1450),所述获得单元被进一步配置成获得所述一个或多个第一UE(120a)和所述第二UE(120b)的所述信号质量测量作为所测量的信号质量已经连续增加到高于预定阈值或者降低到低于预定阈值的若干后续测量时机。
27. 如权利要求20至26中任一项所述的网络节点(110),其中所述网络节点包括预测单元(1410),所述预测单元被配置成使用基于机器学习的模型来预测所述未来信号质量变化,所述模型基于先前信号质量变化的历史数据进行训练。
28. 如权利要求20至27中任一项所述的网络节点(110),其中所述网络节点包括预测单元(1410),所述预测单元被配置成使用基于机器学习的模型来预测所述未来信号质量变化,所述模型诸如是以下一个或多个:
- 决策树模型,
- 决策树随机森林模型,
- 神经网络,
- 最近邻居模型,和/或
- 逻辑递归模型。
29. 如权利要求19至28中任一项所述的网络节点(110),其中网络节点(110)包括发起单元(1430),所述发起单元被进一步配置成通过向第二UE (120b)发送改变网络配置的指示来发起网络配置的改变。
30. 如权利要求29中任一项所述的网络节点(110),其中所述网络节点(110)包括发送单元(1440),所述发送单元被配置成通过以下方式向所述第二UE(120b)指示改变所述第二UE(120b)的所述网络配置:
- 发起频率间切换,
- 发起频率内切换,和/或
- 设置切换/重选参数。
31. 如权利要求19至29中任一项所述的网络节点(110),其中网络节点(110)包括发起单元(1430),所述发起单元被进一步配置成通过改变第二UE(120b)的调度优先级来发起网络配置的改变。
32. 一种用户设备UE(120),用于处置UE(120)的信号质量变化,所述UE(120)被配置成:
- 测量单元(1510),被配置成在多个时间实例测量信号质量,
- 传送单元(1520),被配置成向网络节点(110)传送与在不同时间实例的所述多个信号质量测量相关的信息,其中,与所述多个信号质量测量相关的信息指示UE(120)的移动路径,
- 执行单元(1530),被配置成基于从所述网络节点(110)接收的指示,执行(1530)与未来时间实例的所述网络配置的改变相关的动作,其中,所述动作取决于由所述网络节点(110)预测的所述UE(120a,120b)的未来信号质量。
33. 如权利要求32所述的UE(120),其中所述UE(120)进一步包括:
- 确定单元(1540),被配置成基于所测量的信号质量,确定表示在所述多个时间实例上测量的信号质量的多项式,以及
- 传送单元(1520),被配置成将信号质量测量作为所确定的多项式传送。
34. 如权利要求32所述的UE(120),其中所述UE(120)进一步包括:
- 确定单元(1540),被配置成基于所测量的信号质量,确定所测量的信号质量已经连续增加或降低的后续测量时机的数量,以及
- 执行单元(1530),被配置成当所测量的信号质量已经连续增加或降低的后续测量时机的数量高于预定阈值时,执行与所述网络配置的改变相关的动作。
35. 如权利要求32至34中任一项所述的UE(120),其中所述UE(120)包括执行单元(1530),所述执行单元被进一步配置成执行与所述网络配置的改变相关的一个或多个以下动作:
- 发起频率间切换,
- 发起频率内切换,
- 改变切换/重选参数。
36. 如权利要求32至35中任一项所述的UE(120),其中所述UE(120)进一步包括:
- 接收单元(1560),被配置成从所述网络节点(110)接收改变未来时间实例的网络配置的指示。
Claims (40)
1.一种由网络节点(110)执行的用于处置用户设备UE(120)的信号质量变化的方法,所述方法包括:
预测(430)指示由所述网络节点(110)正在服务的第二UE(120b)的移动路径的未来信号质量变化,其中,所述预测基于由所述网络节点(110)已经服务的一个或多个第一UE(120a)的先前信号质量变化的历史数据,其中,先前信号质量变化的所述历史数据指示所述一个或多个第一UE(120a)的移动路径,
基于所预测的信号质量变化来确定(440)改变所述第二UE(120b)的网络配置,
发起(450)所述第二UE(120b)的所述网络配置的所述改变。
2.如权利要求1所述的方法,其中,所述预测(430)所述第二UE(120b)的所述信号质量变化包括:
获得(430a)关于针对所述第二UE(120b)的多个时间实例的信号质量测量的信息,
基于关于来自所述第二UE(120b)的信号质量测量的所获得的信息,使用基于指示所述一个或多个第一UE(120a)的移动路径的所获得信号质量测量生成的预测模型,确定(430b)所述第二UE(120b)在未来时间实例的信号质量。
3.如权利要求1或2所述的方法,其中,所述方法进一步包括:
获得(410)关于针对所述一个或多个第一UE(120a)的多个时间实例的信号质量测量的信息,
基于在一个或多个先前时间实例针对所述一个或多个第一UE(120a)中的每一个所获得信号质量测量,生成(420)在时间实例针对所述一个或多个第一UE(120a)中的每一个所获得信号质量测量的预测模型,其中,所述信号质量测量指示所述一个或多个第一UE(120a)的移动路径。
4.如权利要求2或从属于权利要求2时的权利要求3所述的方法,其中,所述信号质量是通过从所述一个或多个第一UE(120a)和/或所述第二UE(120b)接收针对所述一个或多个第一UE(120a)和/或所述第二UE(120b)中的每一个的所述信号质量的下行链路DL测量来获得的。
5.如权利要求2或从属于权利要求2时的权利要求3所述的方法,其中,所述信号质量是通过执行针对所述一个或多个第一UE(120a)和/或所述第二UE(120b)中的每一个的所述信号质量的上行链路UL测量来获得的。
6.如权利要求2至5中任一项所述的方法,其中,关于所述一个或多个第一UE(120a)和所述第二UE(120b)的信号质量测量的所述信息作为多个测量来获得。
7.如权利要求2至5中任一项所述的方法,其中,关于所述一个或多个第一UE(120a)和所述第二UE(120b)的信号质量测量的所述信息作为表示所述多个测量的多项式来获得。
8.如权利要求2至5中任一项所述的方法,其中,关于所述一个或多个第一UE(120a)和所述第二UE(120b)的信号质量测量的所述信息作为所测量的信号质量已经连续增加超过预定阈值或者降低低于预定阈值的多个后续测量时机来获得。
9.如权利要求2至8中任一项所述的方法,其中,所述预测模型是基于机器学习的模型,所述基于机器学习的模型基于先前信号质量变化的历史数据来训练。
10.如权利要求9中任一项所述的方法,其中,所述基于机器学习的模型是以下之一或组合:
- 决策树模型,
- 决策树随机森林模型,
- 神经网络,
- 最近邻居模型,和/或
- 逻辑递归模型。
11.如前述权利要求中任一项所述的方法,其中,发起(450)所述网络配置的所述改变包括向所述第二UE(120b)发送改变所述网络配置的指示。
12.如权利要求11所述的方法,其中,改变所述第二UE(120b)的所述网络配置的指示可以是针对以下一个或多个的指示:
- 发起频率间切换,
- 发起频率内切换,
- 改变切换和/或重选参数。
13.如权利要求1至10中任一项所述的方法,其中,发起(450)所述网络配置的所述改变包括改变所述第二UE(120b)的调度优先级。
14.如前述权利要求中任一项所述的方法,其中,所获得的信号质量是参考信号接收质量RSRQ、参考信号接收功率RSRP、信号与干扰和噪声比SINR中的一个。
15.一种由用户设备UE(120;120a,120b)执行的用于处置所述UE(120;120a,120b)的信号质量变化的方法,所述方法包括:
在多个时间实例测量(510)所述信号质量,
向网络节点(110)传送(530)与在不同时间实例的所述多个信号质量测量相关的信息,其中,与所述多个信号质量测量相关的所述信息指示UE(120;120a,120b)的移动路径,
基于从所述网络节点(110)接收的指示,执行(550)与未来时间实例的所述网络配置的改变相关的动作,其中,所述动作取决于由所述网络节点(110)预测的所述UE(120;120a,120b)的未来信号质量。
16.如权利要求8所述的方法,其中,所述方法进一步包括:
基于所测量的信号质量,确定(520a)表示在所述多个时间实例上所测量的信号质量的多项式,
并且其中,所述传送(530)包括将所述信号质量测量作为所确定的多项式传送。
17.如权利要求8所述的方法,其中,所述方法进一步包括:
基于所测量的信号质量,确定(520b)所测量的信号质量已经连续增加或降低的后续测量时机的数量,以及
当所测量的信号质量已经连续增加或降低的后续测量时机的所述数量高于预定阈值时,执行(550)与所述网络配置的所述改变相关的动作。
18.如权利要求8至10中任一项所述的方法,其中,在步骤(550)中执行的所述动作是以下一个或多个:
- 发起频率间切换,
- 发起频率内切换,
- 改变切换/重选参数。
19.如权利要求8至11中任一项所述的方法,其中,所述方法进一步包括:
从所述网络节点(110)接收(540)改变未来时间实例的网络配置的指示。
20.如权利要求8至12中任一项所述的方法,其中,所测量的信号质量是参考信号接收质量RSRQ、参考信号接收功率RSRP、信号与干扰和噪声比SINR中的一个。
21.一种用于处置用户设备UE(120)的信号质量变化的网络节点(110),所述网络节点(110)被配置成:
基于已经由所述网络节点(110)服务的一个或多个第一UE(120a)的先前信号质量变化的历史数据,预测由所述网络节点(110)正在服务的第二UE(120b)的未来信号质量变化,其中,先前信号质量变化的所述历史数据指示所述一个或多个第一UE(120a)的移动路径,
基于所述预测的信号质量变化确定改变所述第二UE(120b)的网络配置,
发起所述第二UE(120b)的所述网络配置的所述改变。
22.如权利要求21所述的网络节点(110),其中,所述网络节点(110)被配置成预测所述第二UE(120b)的所述信号质量变化是通过被配置成:
获得关于针对所述第二UE(120b)的多个时间实例的信号质量测量的信息,
基于所获得的关于来自所述第二UE(120b)的信号质量测量的信息,使用基于所获得的指示所述一个或多个第一UE(120a)的移动路径的信号质量测量的历史数据生成的预测模型,确定所述第二UE(120b)在未来时间实例的信号质量。
23.如权利要求21或22所述的网络节点(110),其中,所述网络节点(110)进一步被配置成:
获得关于针对所述一个或多个第一UE(120a)的不同时间实例的多个信号质量测量的信息,
基于在一个或多个先前时间实例从所述一个或多个第一UE(120a)中的每一个接收的所获得的信号质量测量,生成在一时间实例从所述一个或多个第一UE(120a)中的每一个所获得的信号质量测量的预测模型,其中,所述信号质量测量指示所述一个或多个第一UE(120a)的移动路径。
24.如权利要求22或权利要求23所述的网络节点(110),当从属于权利要求22时,其中,所述网络节点(110)被配置成通过从所述一个或多个第一UE(120a)和/或所述第二UE(120b)接收针对所述一个或多个第一UE(120a)和/或所述第二UE(120b)中的每一个的所述信号质量的下行链路DL测量来获得所述信号质量。
25.如权利要求22或权利要求23所述的网络节点(110),当从属于权利要求22时,其中,所述网络节点(110)被配置成通过执行针对所述一个或多个第一UE(120a)和/或所述第二UE(120b)中的每一个的所述信号质量的上行链路UL测量来获得所述信号质量。
26.如权利要求22至25中任一项所述的网络节点(110),其中,所述网络节点(110)被配置成获得所述一个或多个第一UE(120a)和所述第二UE(120b)的所述信号质量测量,作为表示所测量的信号质量的多项式。
27.如权利要求22至25中任一项所述的网络节点(110),其中,所述网络节点(110)被配置成获得所述一个或多个第一UE(120a)和所述第二UE(120b)的信号质量测量作为多个测量。
28.如权利要求22至25中任一项所述的网络节点(110),其中,所述网络节点(110)被配置成获得所述一个或多个第一UE(120a)和所述第二UE(120b)的所述信号质量测量作为所测量的信号质量已经连续增加超过预定阈值或者降低到低于预定阈值的若干后续测量时机。
29.如权利要求22至28中任一项所述的网络节点(110),其中,所述网络节点被配置成使用基于机器学习的模型来预测所述未来信号质量变化,所述模型基于先前信号质量变化的历史数据进行训练。
30.如权利要求22至29中任一项所述的网络节点(110),其中,所述网络节点被配置成使用基于机器学习的模型来预测所述未来信号质量变化,所述模型诸如是以下一个或多个:
- 决策树模型,
- 决策树随机森林模型,
- 神经网络,
- 最近邻居模型,和/或
- 逻辑递归模型。
31.如权利要求21至30中任一项所述的网络节点(110),其中,所述网络节点(110)被配置成发起所述网络配置的改变是通过向所述第二UE(120b)发送改变所述网络配置的指示。
32.如权利要求31中任一项所述的网络节点(110),其中,所述网络节点(110)被配置成通过以下方式向所述第二UE(120b)指示改变所述第二UE(120b)的所述网络配置:
- 发起频率间切换,
- 发起频率内切换,和/或
- 设置切换/重选参数。
33.如权利要求21至30中任一项所述的网络节点(110),其中,所述网络节点(110)被配置成通过改变所述第二UE(120b)的调度优先级来发起所述网络配置的改变。
34.一种用户设备UE(120;120a,120b),用于处置所述UE(120;120a,120b)的信号质量变化,所述UE(120;120a,120b)被配置成:
在多个时间实例测量所述信号质量,
向网络节点(110)传送与在不同时间实例的所述多个信号质量测量相关的信息,其中,与所述多个信号质量测量相关的信息指示UE(120;120a,120b)的移动路径,
基于从所述网络节点(110)接收的指示,执行与未来时间实例的所述网络配置的改变相关的动作,其中,所述动作取决于由所述网络节点(110)预测的所述UE(120;120a,120b)的未来信号质量。
35.如权利要求34所述的UE(120;120a,120b),其中,所述UE(120;120a、120b)进一步被配置成:
基于所测量的信号质量,确定表示在所述多个时间实例上测量的信号质量的多项式,
并将所述信号质量测量作为所确定的多项式传送。
36.如权利要求34所述的UE(120;120a,120b),其中,所述UE(120;120a、120b)进一步被配置成:
基于所测量的信号质量,确定所测量的信号质量已经连续增加或降低的后续测量时机的数量,以及
当所测量的信号质量已经连续增加或降低的后续测量时机的数量高于预定阈值时,执行与所述网络配置的改变相关的动作。
37.如权利要求34至36中任一项所述的UE(120;120a,120b),其中,所述UE(120;120a、120b)被配置成执行与所述网络配置的改变相关的一个或多个以下动作:
- 发起频率间切换,
- 发起频率内切换,
- 改变切换/重选参数。
38.如权利要求34至37中任一项所述的UE(120;120a,120b),其中,所述UE(120;120a、120b)进一步被配置成:
从所述网络节点(110)接收改变未来时间实例的网络配置的指示。
39.一种包括指令的计算机程序,所述指令当由处理器执行时,使得所述处理器执行如权利要求1至20中任一项所述的动作。
40.一种包括如权利要求39所述的计算机程序的载体,其中,所述载体是电子信号、光信号、电磁信号、磁信号、电信号、无线电信号、微波信号或计算机可读存储介质之一。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/SE2019/050411 WO2020226542A1 (en) | 2019-05-09 | 2019-05-09 | Network node, user equipment and methods for handling signal quality variations |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113875175A true CN113875175A (zh) | 2021-12-31 |
Family
ID=73051608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980096236.0A Pending CN113875175A (zh) | 2019-05-09 | 2019-05-09 | 用于处置信号质量变化的网络节点、用户设备和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220217556A1 (zh) |
EP (1) | EP3966971A4 (zh) |
CN (1) | CN113875175A (zh) |
WO (1) | WO2020226542A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023165347A1 (zh) * | 2022-03-01 | 2023-09-07 | 华为技术有限公司 | 信道切换方法和装置 |
CN117824661A (zh) * | 2024-02-29 | 2024-04-05 | 中亿(深圳)信息科技有限公司 | 基于大数据的安防移动侦测方法及系统 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220377633A1 (en) * | 2019-07-17 | 2022-11-24 | Telefonaktiebolaget Lm Ericsson (Publ) | Conditional Configuration in a Wireless Communication Network |
US11696119B2 (en) | 2019-12-16 | 2023-07-04 | Qualcomm Incorporated | Neural network configuration for wireless communication system assistance |
EP4256486A1 (en) | 2020-12-04 | 2023-10-11 | Telefonaktiebolaget LM Ericsson (publ) | Methods for processing data samples in communication networks |
US11949465B2 (en) | 2021-02-19 | 2024-04-02 | Nokia Technologies Oy | Machine learning based channel state information estimation and feedback configuration |
US11539603B2 (en) * | 2021-03-01 | 2022-12-27 | Verizon Patent And Licensing Inc. | Systems and methods for over-the-air update scheduling of smart devices based on signal quality and device availability metrics |
US20220286927A1 (en) * | 2021-03-08 | 2022-09-08 | Samsung Electronics Co., Ltd. | Method and apparatus for support of machine learning or artificial intelligence techniques for handover management in communication systems |
WO2023277780A1 (en) | 2021-07-01 | 2023-01-05 | Telefonaktiebolaget Lm Ericsson (Publ) | Enabling downloadable ai |
US20230076253A1 (en) * | 2021-09-08 | 2023-03-09 | Qualcomm Incorporated | Techniques for beam failure recovery in wireless communications |
WO2023203195A1 (en) | 2022-04-22 | 2023-10-26 | Telefonaktiebolaget Lm Ericsson (Publ) | Managing a plurality of wireless devices that are operable to connect to a communication network |
WO2023212224A2 (en) * | 2022-04-27 | 2023-11-02 | Interdigital Patent Holdings, Inc. | Machine learning assisted position determination |
WO2023232743A1 (en) | 2022-05-30 | 2023-12-07 | Telefonaktiebolaget Lm Ericsson (Publ) | Systems and methods for user equipment assisted feature correlation estimation feedback |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8948779B1 (en) * | 2012-02-01 | 2015-02-03 | Sprint Communications Company L.P. | Communication profiles for mobile devices based on historical characteristics |
US20160044692A1 (en) * | 2012-09-06 | 2016-02-11 | Dell Products, Lp | Method and Apparatus for Determining Optimized Wireless Link Selection for a Mobile Device Along a Predicted Path |
CN105432118A (zh) * | 2013-07-31 | 2016-03-23 | 高通股份有限公司 | 使用预测移动性调适移动设备行为 |
WO2016058648A1 (en) * | 2014-10-17 | 2016-04-21 | Telefonaktiebolaget L M Ericsson (Publ) | Streaming service control |
US20180152875A1 (en) * | 2013-11-18 | 2018-05-31 | At&T Mobility Ii Llc | Method and apparatus for managing handovers in a wireless network |
US20180368009A1 (en) * | 2017-06-16 | 2018-12-20 | Futurewei Technologies, Inc. | System and Method for Triggering Beam Recovery |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2819331B1 (en) * | 2013-06-28 | 2018-08-29 | Harman Becker Automotive Systems GmbH | Method and system for predicting the best reception frequency |
US9693276B1 (en) * | 2013-11-25 | 2017-06-27 | Google Inc. | System and method for intelligent network connection selection |
-
2019
- 2019-05-09 CN CN201980096236.0A patent/CN113875175A/zh active Pending
- 2019-05-09 US US17/595,004 patent/US20220217556A1/en active Pending
- 2019-05-09 EP EP19928265.8A patent/EP3966971A4/en active Pending
- 2019-05-09 WO PCT/SE2019/050411 patent/WO2020226542A1/en unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8948779B1 (en) * | 2012-02-01 | 2015-02-03 | Sprint Communications Company L.P. | Communication profiles for mobile devices based on historical characteristics |
US20160044692A1 (en) * | 2012-09-06 | 2016-02-11 | Dell Products, Lp | Method and Apparatus for Determining Optimized Wireless Link Selection for a Mobile Device Along a Predicted Path |
CN105432118A (zh) * | 2013-07-31 | 2016-03-23 | 高通股份有限公司 | 使用预测移动性调适移动设备行为 |
US20180152875A1 (en) * | 2013-11-18 | 2018-05-31 | At&T Mobility Ii Llc | Method and apparatus for managing handovers in a wireless network |
WO2016058648A1 (en) * | 2014-10-17 | 2016-04-21 | Telefonaktiebolaget L M Ericsson (Publ) | Streaming service control |
US20180368009A1 (en) * | 2017-06-16 | 2018-12-20 | Futurewei Technologies, Inc. | System and Method for Triggering Beam Recovery |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023165347A1 (zh) * | 2022-03-01 | 2023-09-07 | 华为技术有限公司 | 信道切换方法和装置 |
CN117824661A (zh) * | 2024-02-29 | 2024-04-05 | 中亿(深圳)信息科技有限公司 | 基于大数据的安防移动侦测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
EP3966971A4 (en) | 2022-05-18 |
WO2020226542A1 (en) | 2020-11-12 |
EP3966971A1 (en) | 2022-03-16 |
US20220217556A1 (en) | 2022-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113875175A (zh) | 用于处置信号质量变化的网络节点、用户设备和方法 | |
US11930419B2 (en) | Autonomous handover on a shared communication medium | |
US20230025432A1 (en) | Methods, ue and first network node for handling mobility information in a communications network | |
Goyal et al. | Handover optimization scheme for LTE-Advance networks based on AHP-TOPSIS and Q-learning | |
US20240040461A1 (en) | Ue, network node and methods for handling mobility information in a communications network | |
RU2657249C1 (ru) | Мобильность в сетях с плотным расположением узлов | |
US9414290B2 (en) | Mobility control method and device in mobile communication network | |
CN109495935B (zh) | 一种切换方法、基站及用户终端 | |
CN103703858B (zh) | 蜂窝无线电通信中移动性信息的交换 | |
WO2014032908A2 (en) | A method for reducing signaling messages and handovers in wireless networks | |
EP3646477A1 (en) | A network node, a wireless device and methods therein for beam selection | |
Ahmad et al. | An efficient handover decision in heterogeneous LTE-A networks under the assistance of users’ profile | |
Haghrah et al. | A survey on the handover management in 5G-NR cellular networks: aspects, approaches and challenges | |
Kasim et al. | Evolutionary paths towards mobility management in 5G Heterogeneous Networks | |
CN114424504A (zh) | 用于移动性预测的ue辅助数据收集 | |
Li et al. | Prediction handover trigger scheme for reducing handover latency in two-tier femtocell networks | |
WO2022261834A1 (zh) | 小区切换方法、装置、设备及存储介质 | |
US20230115591A1 (en) | Base Station, First User Equipment, Second User Equipment and Methods in a Wireless Communications Network | |
JP6432739B2 (ja) | 通信システム、端末、基地局及び通信制御方法 | |
Giménez et al. | UE autonomous cell management in a high-speed scenario with dual connectivity | |
JP2016189545A (ja) | 通信装置及び通信制御方法 | |
JP6601789B2 (ja) | 通信装置及びセル選択方法 | |
JP6418395B2 (ja) | 通信装置、基地局及び通信制御方法 | |
KR20130029275A (ko) | 무선 통신 시스템에서의 핸드오버 방법 및 장치 | |
CN117441372A (zh) | 用于处理通信网络中的mpm重新配置的方法、ue和网络节点 |
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 |