CN114424504A - 用于移动性预测的ue辅助数据收集 - Google Patents
用于移动性预测的ue辅助数据收集 Download PDFInfo
- Publication number
- CN114424504A CN114424504A CN202080068555.3A CN202080068555A CN114424504A CN 114424504 A CN114424504 A CN 114424504A CN 202080068555 A CN202080068555 A CN 202080068555A CN 114424504 A CN114424504 A CN 114424504A
- Authority
- CN
- China
- Prior art keywords
- trajectory
- target
- rbs
- prediction model
- ues
- 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
- 238000013480 data collection Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 117
- 230000010267 cellular communication Effects 0.000 claims abstract description 30
- 230000007704 transition Effects 0.000 claims description 94
- 238000012545 processing Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 28
- 238000007405 data analysis Methods 0.000 claims description 20
- 238000007726 management method Methods 0.000 claims description 19
- 230000033001 locomotion Effects 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 7
- 241000700159 Rattus Species 0.000 claims 2
- 230000006870 function Effects 0.000 description 53
- 230000008569 process Effects 0.000 description 23
- 238000004891 communication Methods 0.000 description 12
- 230000011664 signaling Effects 0.000 description 11
- 230000009471 action Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000000737 periodic effect Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012357 Gap analysis Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 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 4
- 230000003993 interaction Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 239000011800 void material Substances 0.000 description 3
- 230000002730 additional effect Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 101150119040 Nsmf gene Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000000280 densification Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011522 transarterial infusion chemotherapy Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/08—Reselecting an access point
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/24—Reselection being triggered by specific parameters
- H04W36/32—Reselection being triggered by specific parameters by location or mobility data, e.g. speed data
- H04W36/324—Reselection being triggered by specific parameters by location or mobility data, e.g. speed data by mobility data, e.g. speed data
-
- 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
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本文中公开用于移动性预测的用户设备(UE)辅助数据收集的系统和方法。在一个实施例中,一种由UE执行的用于移动性预测的UE辅助数据收集的方法包括:从蜂窝通信系统的网络节点接收用于预测UE轨迹的UE轨迹预测模型。所述方法还包括:执行UE轨迹预测模型以产生UE的预测轨迹;将实际UE轨迹与预测UE轨迹进行比较;并且向蜂窝通信系统的网络节点发送实际UE轨迹与预测UE轨迹的比较的结果。以这种方式,提高了移动性预测性能。
Description
相关申请
本申请要求于2019年7月30日提交的序列号为62/880,464的临时专利申请的利益,由此其全部公开通过引用被并入本文中。
技术领域
本公开涉及蜂窝通信系统中的移动性预测。
背景技术
第三代合作伙伴计划(3GPP)网络数据分析功能(NWDAF)托管围绕网络数据分析的若干服务。例如,服务功能(SF)能够订阅用于提供网络切片拥塞事件的NWDAF服务。3GPP技术规范(TS)23.288包含NWDAF中当前可用的服务的列表。NWDAF的规范在3GPP中正在开发,并且预期添加多种服务。这些服务中的一些可被标准化,一些可保持专有。
爱立信研究中心已在NWDAF中开发人工智能(AI)模型,该模型能够预测用于移动用户装置或用户设备(UE)的下一个无线电基站(RBS)。这个模型能够例如被用于:优化寻呼,或优化要使用的用户平面功能(UPF)实例的选择。例如,参见于2019年3月15日提交的国际专利申请PCT/SE2019/050235。
UE轨迹预测模型需要用于训练和重新训练的数据。这种数据中的大部分来自第五代(5G)核心(5GC)网络中的接入管理功能(AMF)或来自第四代(4G)网络中的移动性管理实体(MME),接入管理功能(AMF)和移动性管理实体(MME)中的任一个已从UE和无线电接入网络(RAN)获得它的信息。这种操作被示出在图1中。
图1示出传统NWDAF轨迹预测服务的操作。如所示的,操作、管理和维护(OAM)节点订阅NWDAF的轨迹预测服务(步骤100),并且提供关键性能指标(KPI)作为订阅请求的一部分。NWDAF然后向AMF订阅事件(步骤102)。NWDAF然后向OAM发送对订阅请求的响应(步骤104)。在图1中示出的示例中,SF也发出订阅NWDAF的轨迹预测服务的请求(步骤106),并且接收对该请求的响应(步骤108)。这种交互是可选的,并且旨在示出多个实体可订阅NWDAF的轨迹预测服务。
当UE和其它移动装置改变位置时,这触发与新空口(NR)基站(gNB)的一些通信(步骤110)。这些通信中的一些通信触发事件的检测(步骤112)和针对AMF的事件通知消息的产生(步骤114)。这些事件的通知然后被从AMF发送给NWDAF(步骤116),其中每个事件包含关于UE的RBS转变的信息。每个事件至少包括时间戳、唯一UE标识符和新RBS的标识符。即使另外的信息(比如,前一RBS和在前一RBS过去的时间)还可由NWDAF从以前接收的事件推导,事件也可包括这种信息。
NWDAF运行用于UE轨迹预测的服务。这种服务使用从AMF接收的事件来执行轨迹预测(步骤118)。在图1中示出的示例中,两个SF已订阅NWDAF轨迹预测服务以便定期地接收关于服务状态的通知或当服务准备好时接收实际轨迹预测(步骤120、122)。
关于UE接下来将会前往哪个RBS的每次预测将会具有计算的准确性。通过将预测(例如,预测轨迹)与来自AMF的转变事件中的信息(例如,实际轨迹)进行比较,能够计算或测量预测准确性。典型KPI是正确地预测的转变的百分比。这个KPI将会随着时间过去而变化。当模型仍然未经训练时,性能将会低。但由于各种原因,已经训练的模型的KPI也可随着时间过去而变化。例如,当提供太少的重新训练数据时。在我们的用例中,当太多的UE在太长的时间段上产生太少的事件时,提供太少的数据。
当预测服务的性能高于一个给定KPI(或多个给定KPI)时,本公开将预测服务定义为“准备好”。最小KPI由请求预测服务的SF指定。在图1中示出的示例中,OAM在订阅消息中指定它需要的KPI(步骤100),并且SF在它的订阅消息中指定它需要的KPI(步骤106)。如在图1中能够看出的,KPI可由OAM、由服务的订户或由二者提供。在后一种情况下,OAM可提供最小KPI。当服务变为“准备好”或“未准备好”时,通知订户(步骤120-122)。如果订户接收到服务已变为准备好的通知(意味着预测服务的性能满足该订户的最低要求),则该通知还可包括轨迹预测。
关于跟踪区和空闲模式,当UE未接收或发送任何数据时,网络命令UE进入空闲模式。这是为了节省电池寿命的睡眠模式。在空闲模式下,UE和网络之间的信令保持在最小程度。然而,例如,当存在朝着UE的传入下行链路数据时,网络仍然需要能够到达UE。这是所谓的寻呼过程到来的情况。AMF命令最后看见UE的RBS广播消息“UE,你在吗”。如果UE未答复,则AMF命令邻近RBS广播该消息。如果仍然未接收到答复,则另外的邻居被询问,直至UE答复。
在没有任何另外的措施的情况下,以上的寻呼过程是低效的。在最坏的情况下,网络中的全部RBS发送广播消息以找到UE。为了提高效率,使用跟踪区的概念。每个RBS或者甚至每个RBS的每个小区定期地发送具有跟踪区代码(TAC)的广播消息。与这种代码一起,广播还包括运营商的网络标识。与网络标识组合的TAC形成跟踪区标识(TAI)。多个小区和多个RBS可广播相同的TAI。对于每个跟踪区(TA),存在一个唯一TAI。要广播什么TAI被配置一次,并且不能在运行中被改变。
每个UE配置有TAI的列表。UE在初始登记(初始附连)时从AMF接收这个列表,并且AMF可随着时间过去而改变UE的TAI列表。当空闲UE在它的TAI列表内移动时,它不需要联系网络。唯一的例外是它按照规则间隔(通常每小时一次)发送“我仍然存在”消息。但当UE移动到它的TAI列表之外时,它必须联系网络以请求更新的TAI列表。这些消息在4G中被称为“跟踪区更新”(TAU)消息或者在5G中被称为“周期性登记区更新”(RAU)消息。在本文件中,术语“跟踪区”和“登记区”被可互换地使用。参见3GPP TS 23.501和3GPP TS 23.401以了解定义。
当确定网络的规模时,需要找到平衡:
•TAI列表跨越大地理区域将会导致很少的TAU消息,但将会导致很多的寻呼消息。
•TAI列表跨越小地理区域将会导致很少的寻呼消息,但将会导致很多的TAU消息。
当前存在某个挑战(或某些挑战)。例如,AMF仅能够在它反过来已经经由RAN从UE接收到信息时发送移动性事件。这包括RBS切换、TAU/RAU或服务请求(参见3GPP TS 23.502章节4.2.3)。为了NWDAF的UE轨迹预测模型表现良好,重要的是,接收足够的关于RBS转变的事件。这与其中移动性处理信令保持在最小程度的4G/5G网络的当前设计相矛盾。在当前设计下,当UE处于空闲模式并且在它的跟踪区列表内移动时,不存在RBS切换事件。空闲UE发起的唯一事件是周期性TAU/RAU,所述周期性TAU/RAU在默认配置中每小时完成一次。这意味着:NWDAF将不会接收到空闲UE的全部RBS转变。这又将会导致NWDAF轨迹模型预测UE的下一个RBS的差的性能。
因此,需要用于解决UE轨迹预测的传统解决方案的前述挑战的系统和方法。
发明内容
本文中公开用于移动性预测的用户设备(UE)辅助数据收集的系统和方法。在一个实施例中,一种由UE执行的用于移动性预测的UE辅助数据收集的方法包括:从蜂窝通信系统的网络节点接收用于预测UE轨迹的UE轨迹预测模型。所述方法还包括:执行UE轨迹预测模型以产生UE的预测轨迹;将实际UE轨迹与UE的预测轨迹进行比较;并且向蜂窝通信系统的网络节点发送实际UE轨迹与UE的预测轨迹的比较的结果。以这种方式,提高了移动性预测性能。
在一个实施例中,发送实际UE轨迹与UE的预测轨迹的比较的结果包括:发送转变事件或轨迹事件。在另一实施例中,发送实际UE轨迹与UE的预测轨迹的比较的结果包括:发送描述实际UE轨迹和UE的预测轨迹之间的差别的误差数据。在一个实施例中,所述方法还包括:向另一UE发送实际UE轨迹与UE的预测轨迹的比较的结果。
在一个实施例中,所述方法还包括:在将实际UE轨迹与UE的预测轨迹进行比较之后,训练或重新训练UE轨迹模型。在一个实施例中,发送实际UE轨迹与UE的预测轨迹的比较的结果包括:上传已训练或已重新训练的UE轨迹预测模型。在一个实施例中,所述方法还包括:向另一UE发送已训练或已重新训练的UE轨迹预测模型。
在一个实施例中,接收UE轨迹预测模型包括:从网络数据分析功能(NWDAF)接收UE轨迹预测模型。在另一实施例中,接收UE轨迹预测模型包括:从管理数据分析功能、非实时智能控制器或近实时智能控制器接收UE轨迹预测模型。
在一个实施例中,发送比较的结果包括:向NWDAF发送比较的结果。在另一实施例中,发送比较的结果包括:向管理数据分析功能、非实时智能控制器或近实时智能控制器发送比较的结果。
还公开一种UE的对应实施例。在一个实施例中,一种用于移动性预测的UE辅助数据收集的UE适于:从蜂窝通信系统的网络节点接收用于预测UE轨迹的UE轨迹预测模型。UE还适于:执行UE轨迹预测模型以产生UE的预测轨迹;将实际UE轨迹与UE的预测轨迹进行比较;并且向蜂窝通信系统的网络节点发送实际UE轨迹与UE的预测轨迹的比较的结果。
在另一实施例中,一种用于移动性预测的UE辅助数据收集的UE包括:一个或多个传送器;一个或多个接收器;和处理电路,与所述一个或多个传送器和所述一个或多个接收器关联。所述处理电路被配置为:使UE从蜂窝通信系统的网络节点接收用于预测UE轨迹的UE轨迹预测模型。所述处理电路还被配置为:使UE执行UE轨迹预测模型以产生UE的预测轨迹;将实际UE轨迹与UE的预测轨迹进行比较;并且向蜂窝通信系统的网络节点发送实际UE轨迹与UE的预测轨迹的比较的结果。
还公开由蜂窝通信系统执行的用于移动性预测的UE辅助数据收集的方法的实施例。在一个实施例中,一种由蜂窝通信系统执行的用于移动性预测的UE辅助数据收集的方法包括:将用于预测目标UE的轨迹的UE轨迹预测模型下载到目标UE。所述方法还包括:从目标UE接收与训练或重新训练UE轨迹预测模型相关的信息;并且使用接收的信息来训练或重新训练UE轨迹预测模型。
在一个实施例中,所述方法还包括:更新目标UE中的UE轨迹预测模型。在一个实施例中,更新目标UE中的UE轨迹预测模型包括:将已训练或已重新训练的UE轨迹预测模型下载到目标UE。在另一实施例中,更新目标UE中的UE轨迹预测模型包括:将由目标UE中的UE轨迹预测模型使用的更新的参数下载到目标UE。
在一个实施例中,所述方法还包括:在将UE轨迹预测模型下载到目标UE之前,识别目标UE。在一个实施例中,识别目标UE包括:接收与至少一个UE关联的多个无线电基站(RBS)转变事件;确定第一UE的RBS转变事件涉及从第一RBS到不是第一RBS的邻居的第二RBS的转变;并且将第一UE识别为用于下载UE轨迹预测模型的目标。
在另一实施例中,识别目标UE包括:确定多个UE中的每个UE的RBS转变事件涉及从第一RBS到不是第一RBS的邻居的第二RBS的转变;将所述多个UE识别为用于下载相应UE轨迹预测模型的潜在目标UE;并且选择潜在目标UE的子集作为用于下载相应UE轨迹预测模型的目标UE,所述潜在目标UE的子集包括识别的目标UE。在一个实施例中,选择潜在目标UE的子集包括:基于至少一个参数选择潜在目标UE的子集。在一个实施例中,所述至少一个参数包括:其中UE轨迹预测模型的性能低于阈值的地区或区域中的UE的存在、UE类别或类型、UE速度、UE运动的类型、UE行为、由UE支持的无线电接入技术(RAT)或频带和/或UE电池容量。
在一个实施例中,所述方法的步骤中的至少一些步骤由NWDAF或操作、管理和维护(OAM)节点执行。
在一个实施例中,识别目标UE包括:从OAM节点接收目标UE的标识。
还公开一种用于移动性预测的UE辅助数据收集的系统的对应实施例。在一个实施例中,所述系统包括:用于蜂窝通信系统的至少一个网络节点。所述至少一个网络节点适于:将用于预测目标UE的轨迹的UE轨迹预测模型下载到目标UE。所述至少一个网络节点还适于:从目标UE接收与训练或重新训练UE轨迹预测模型相关的信息;并且使用接收的信息来训练或重新训练UE轨迹预测模型。
在另一实施例中,一种由网络节点执行的用于移动性预测的UE辅助数据收集的方法包括:接收与至少一个UE关联的多个RBS转变事件;并且基于所述多个RBS转变事件识别要从其获得用于训练或重新训练相应UE轨迹预测模型的信息的目标UE。
在一个实施例中,识别目标UE包括:从所述多个RBS转变事件之中确定第一UE的RBS转变事件涉及从第一RBS到不是第一RBS的邻居的第二RBS的转变;并且将第一UE识别为目标UE。
在一个实施例中,识别目标UE包括:从所述多个RBS转变事件之中确定多个UE中的每个UE的RBS转变事件涉及从第一RBS到不是第一RBS的邻居的第二RBS的转变。识别目标UE还包括:将所述多个UE识别为用于下载相应UE轨迹预测模型的潜在目标UE;并且选择潜在目标UE的子集作为用于下载相应UE轨迹预测模型的目标UE,所述潜在目标UE的子集包括识别的目标UE。在一个实施例中,所述UE的子集基于一个或多个参数而被选择。在一个实施例中,所述一个或多个参数包括:其中UE轨迹预测模型的性能低于阈值的地区或区域中的UE的存在、UE类别或类型、UE速度、UE运动的类型、UE行为、支持的RAT或频带和/或UE电池容量。
在一个实施例中,所述网络节点包括NWDAF或OAM节点。
还公开一种用于移动性预测的UE辅助数据收集的网络节点的对应实施例。在一个实施例中,一种用于移动性预测的UE辅助数据收集的网络节点适于:接收与至少一个UE关联的多个RBS转变事件;并且基于所述多个RBS转变事件识别要从其获得用于训练或重新训练相应UE轨迹预测模型的信息的目标UE。
在另一实施例中,一种用于移动性预测的UE辅助数据收集的网络节点包括处理电路,所述处理电路被配置为使网络节点:接收与至少一个UE关联的多个RBS转变事件;并且基于所述多个RBS转变事件识别要从其获得用于训练或重新训练相应UE轨迹预测模型的信息的目标UE。
附图说明
被并入本说明书中并且形成本说明书的一部分的附图示出本公开的若干方面,并且与描述一起用于解释本公开的原理。
图1示出传统网络数据分析功能(NWDAF)用户设备(UE)轨迹预测服务的操作;
图2示出其中可实现本公开的实施例的蜂窝通信系统的一个示例;
图3和4示出其中蜂窝通信系统是第五代(5G)系统(5GS)的示例性实施例;
图5A和5B示出根据本公开的一些实施例的用于移动性预测的UE辅助数据收集的过程;
图6A和6B示出根据本公开的一些其它实施例的用于移动性预测的UE辅助数据收集的过程;
图7A和7B示出根据本公开的一些实施例的过程,通过该过程,系统能够检测到UE轨迹预测服务的性能不够好,并且采取措施来增加可用于训练或重新训练UE轨迹预测模型的基站转变事件的数量;
图8示出根据本公开的一些实施例的用于识别要从其获得用于训练或重新训练相应UE轨迹预测模型的辅助信息的目标UE的过程;
图9是根据本公开的一些实施例的用于执行用于移动性预测的UE辅助数据收集的过程的NWDAF的方框图;
图10和11示出根据本公开的一些实施例的UE之间的用于训练或重新训练UE轨迹预测的辅助信息的共享;
图12至14是根据本公开的一些实施例的网络节点的示例性实施例的示意性方框图;以及
图15和16是根据本公开的一些实施例的UE的示例性实施例的示意性方框图。
具体实施方式
以下阐述的实施例表示使本领域技术人员能够实施实施例的信息,并且示出实施实施例的最佳方式。在考虑到附图而阅读下面的描述时,本领域技术人员将会理解本公开的概念并且将会意识到这些概念的在本文中未特别提及的应用。应该理解,这些概念和应用落在本公开的范围内。
无线电节点:如本文中所使用的,“无线电节点”是无线电接入节点或无线装置。
无线电接入节点:如本文中所使用的,“无线电接入节点”或“无线电网络节点”是蜂窝通信网络的无线电接入网络(RAN)中的任何节点,所述任何节点操作以便以无线方式传送和/或接收信号。无线电接入节点的一些示例包括但不限于基站(例如,第三代合作伙伴计划(3GPP)第五代(5G)NR网络中的新空口(NR)基站(gNB)或3GPP长期演进(LTE)网络中的增强或演进节点B(eNB))、高功率或宏基站、低功率基站(例如,微基站、微微基站、家庭eNB或诸如此类)和中继节点。基站在本文中还被称为无线电基站(RBS)。
核心网络节点:如本文中所使用的,“核心网络节点”是核心网络中的任何类型的节点或实现核心网络功能的任何节点。核心网络节点的一些示例包括例如移动性管理实体(MME)、分组数据网络网关(P-GW)、服务能力开放功能(SCEF)、归属订户服务器(HSS)或诸如此类。核心网络节点的一些其它示例包括实现接入管理功能(AMF)、用户平面功能(UPF)、会话管理功能(SMF)、鉴权服务器功能(AUSF)、网络切片选择功能(NSSF)、网络开放功能(NEF)、网络功能(NF)存储库功能(NRF)、策略控制功能(PCF)、统一数据管理(UDM)或诸如此类的节点。
无线装置:如本文中所使用的,“无线装置”是通过针对一个无线电接入节点(或多个无线电接入节点)以无线方式传送和/或接收信号来接入蜂窝通信网络(即,由蜂窝通信网络服务)的任何类型的装置。无线装置的一些示例包括但不限于机器类型通信(MTC)装置和3GPP网络中的用户设备装置(UE)。
网络节点:如本文中所使用的,“网络节点”是这样的任何节点:它是蜂窝通信网络/系统的RAN或核心网络的一部分。
注意,本文中给出的描述集中于3GPP蜂窝通信系统,并且因此,经常使用3GPP术语或与3GPP术语类似的术语。然而,本文中公开的概念不限于3GPP系统。
注意,在本文中的描述中,可提及术语“小区”;然而,特别地,针对5G NR概念,可替代于小区而使用波束,并且因此,重要的是注意,本文中描述的概念同样地适用于小区和波束二者。
如以上所论述的,为了网络数据分析功能(NWDAF)模型的UE轨迹预测模型表现良好,重要的是,接收足够的关于RBS转变的事件。这与其中移动性处理信令保持在最小程度的第四代(4G)/5G网络的当前设计相矛盾。在当前设计下,当UE处于空闲模式并且在它的跟踪区列表内移动时,不存在RBS切换事件。空闲UE发起的唯一事件是周期性跟踪区更新(TAU)/登记区更新(RAU),所述周期性跟踪区更新(TAU)/登记区更新(RAU)在默认配置中每小时完成一次。这意味着:NWDAF将不会接收到空闲UE的全部RBS转变。这又将会导致NWDAF轨迹模型预测UE的下一个RBS的差的性能。
可能存在NWDAF轨迹模型的性能不够好的多种原因。第一场景是:性能从来都不好,例如,因为仅仅尚未有足够的训练数据来实现良好的性能。第二场景是:性能良好,但随着时间过去而变坏。变坏的性能可能具有若干原因,包括:基础设施变化,例如,自模型的初始训练以来,新道路已开放/道路已关闭;网络变化,例如,自模型的初始训练以来,RBS已被添加或去除;以及使人们按照与以前不同的方式移动的假期时间段。值得注意的是,对于某个区域,对于某些时间,或者甚至对于具有某个能力的UE,性能问题可能是特定的。
本公开的某些方面和它们的实施例可为前述或其它挑战提供解决方案。根据一个方面,本公开提供使UE参与移动性预测模型的训练的方法和系统。在一些实施例中,这包括:将已训练模型下载到UE,使UE将来自模型的预测与它的真实移动进行比较,并且当预测不正确时使UE采取行动。可能的行动包括但不限于:(1)UE向网络提供正确的移动,因此网络能够重新训练;2)UE利用正确的输入在本地重新训练模型并且将所获得的模型上传到网络。
根据另一方面,本公开提供这样的方法和系统:通过所述方法和系统,系统本身检测到NWDAF的轨迹预测服务的性能不够好(例如,关联的关键性能指标(KPI)无法满足预定义或预先配置的阈值),并且网络采取措施来增加发送给NWDAF的基站转变事件的数量。由此,预测服务的性能将会增加。
某些实施例可提供下面的一个技术优点(或多个技术优点)中的一个或多个。这个解决方案的一个优点是具有更好的性能的移动性预测服务。另一优点是:这个服务能够被多个用例使用,所述多个用例包括寻呼和UPF重新选择。
图2示出其中可实现本公开的实施例的蜂窝通信系统200的一个示例。在本文中描述的实施例中,蜂窝通信系统200可以是包括NR RAN的5G系统(5GS)或包括LTE RAN的演进分组系统(EPS)。在这个示例中,RAN包括基站202-1和202-2,所述基站202-1和202-2在LTE中被称为eNB并且在5G NR中被称为gNB,控制对应(宏)小区204-1和204-2。基站202-1和202-2通常在本文中被共同称为基站202,并且被单独称为基站202。同样地,(宏)小区204-1和204-2通常在本文中被共同称为(宏)小区204,并且被单独称为(宏)小区204。RAN还可包括许多低功率节点206-1至206-4,所述低功率节点206-1至206-4控制对应小小区208-1至208-4。低功率节点206-1至206-4能够是小基站(诸如,微微或毫微微基站)或远程无线电头(RRH)或诸如此类。值得注意的是,尽管未示出,但小小区208-1至208-4中的一个或多个可备选地由基站202提供。低功率节点206-1至206-4通常在本文中被共同称为低功率节点206,并且被单独称为低功率节点206。同样地,小小区208-1至208-4通常在本文中被共同称为小小区208,并且被单独称为小小区208。蜂窝通信系统200还包括核心网络210,核心网络210在5GS中被称为5G核心(5GC)并且在EPS中被称为演进分组核心(EPC)。基站202(以及可选地还有低功率节点206)连接到核心网络210。
基站202和低功率节点206向对应小区204和208中的无线装置212-1至212-5提供服务。无线装置212-1至212-5通常在本文中被共同称为无线装置212,并且被单独称为无线装置212。无线装置212有时在本文中还被称为UE。
图3示出表示为由核心NF组成的5G网络架构的无线通信系统,其中任何两个NF之间的交互由点对点参考点/接口表示。图3能够被视为图2的蜂窝通信系统200的一个特定实现。
从接入侧看出,图3中示出的5G网络架构包括连接到RAN 202或接入网络(AN)以及AMF 300的多个UE 212。通常,R(AN)202包括基站,例如诸如eNB或gNB或类似物。从核心网络侧看出,图3中示出的5GC NF包括NSSF 302、AUSF 304、UDM 306、AMF 300、SMF 308、PCF 310和应用功能(AF) 312。
5G网络架构的参考点表示被用于在规范标准化中开发详细调用流程(callflow)。N1参考点被定义为在UE 212和AMF 300之间传送信令。用于在AN 202和AMF 300之间以及在AN 202和UPF 314之间连接的参考点分别被定义为N2和N3。在AMF 300和SMF 308之间存在参考点N11,这意味着SMF 308至少部分地由AMF 300控制。N4由SMF 308和UPF 314使用,从而UPF 314能够使用由SMF 308产生的控制信号而被设置,并且UPF 314能够向SMF308报告它的状态。分别地,N9是用于不同UPF 314之间的连接的参考点,并且N14是在不同AMF 300之间连接的参考点。N15和N7被定义,因为PCF 310分别将策略应用于AMF 300和SMF308。AMF 300执行UE 212的鉴权需要N12。N8和N10被定义,因为AMF 300和SMF 308需要UE212的订阅数据。
5GC网络旨在分离用户平面(UP)和控制平面(CP)。UP传送用户业务,而CP传送网络中的信令。在图3中,UPF 314在UP中,并且所有其它NF(即,AMF 300、SMF 308、PCF 310、AF312、NSSF 302、AUSF 304和UDM 306)在CP中。分离UP和CP保证每个平面资源被独立地缩放。它还允许UPF被按照分布式方式与CP功能分开地部署。在这种架构中,UPF可被部署为非常靠近UE以针对需要低延时的一些应用缩短UE和数据网络之间的往返时间(RTT)。
核心5G网络架构由模块化功能组成。例如,AMF 300和SMF 308是CP中的独立功能。分离的AMF 300和SMF 308允许独立演进和缩放。其它CP功能(比如,PCF 310和AUSF 304)能够被分离,如图3中所示。模块化功能设计使5GC网络能够灵活地支持各种服务。
每个NF直接与另一NF交互。可能的是,使用中间功能来将消息从一个NF路由到另一NF。在CP中,两个NF之间的一组交互被定义为服务,从而它的重新使用是可能的。这种服务能够实现对模块化的支持。UP支持不同UPF之间的交互,诸如转发操作。
图4示出替代于在图3的5G网络架构中使用的点对点参考点/接口、在CP中的NF之间使用基于服务的接口的5G网络架构。然而,以上参考图3描述的NF对应于图4中示出的NF。NF向其它授权NF提供的一个服务(或多个服务)等能够通过基于服务的接口而向授权NF开放。在图4中,基于服务的接口由后面跟随有NF的名称的字母“N”指示,例如用于AMF 300的基于服务的接口的Namf和用于SMF 308的基于服务的接口的Nsmf等。图4中的NEF 400、NRF402和NWDAF 404未被示出在以上论述的图3中。然而,应该澄清的是,图3中描绘的全部NF能够根据需要与图4的NEF 400和NRF 402交互,但未在图3中明确地指示。
图3和4中示出的NF的一些性质可被按照下面的方式描述。AMF 300提供基于UE的鉴权、授权、移动性管理等。甚至使用多种接入技术的UE 212也基本上连接到单个AMF 300,因为AMF 300独立于接入技术。SMF 308负责会话管理,并且将互联网协议(IP)地址分配给UE。它还选择和控制UPF 314以用于数据传递。如果UE 212具有多个会话,则不同的SMF 308可被分配给每个会话以单独管理它们并且可能按照会话提供不同的功能性。AF 312向负责策略控制的PCF 310提供关于分组流的信息以便支持服务质量(QoS)。基于该信息,PCF 310确定关于移动性和会话管理的策略以使AMF 300和SMF 308适当地操作。AUSF 304支持用于UE或类似装置的鉴权功能,并且因此,存储用于UE或类似装置的鉴权的数据,而UDM 306存储UE 212的订阅数据。数据网络(DN)(它不是5GC网络的一部分)提供互联网接入或运营商服务和类似服务。
NF可被实现为专用硬件上的网络元件,实现为在专用硬件上运行的软件实例,或实现为在合适的平台(例如,云基础设施)上实例化的虚拟化功能。
下面的描述和关联的附图描述用于移动性预测的UE辅助数据收集的非限制性示例。
在本公开的第一方面,提供UE辅助数据收集。图5A和5B示出根据本公开的一些实施例的用于移动性预测的UE辅助数据收集的过程。在图5A和5B中示出的实施例中,UE 212连续地向NWDAF 404提供信息,NWDAF 404能够使用该信息来训练或重新训练轨迹预测模型。标记为100至122的步骤与图1中的相同编号的步骤相同,并且因此,它们的描述将不会在这里重复。
然而,在图5A和5B中示出的实施例中,NWDAF 404采取另外的行动:将轨迹预测模型和一个性能KPI(或多个性能KPI)下载到UE 212(步骤500)。下载到UE 212的轨迹预测模型是UE 212的轨迹预测模型。下载到UE 212的模型可能已经被训练。UE 212安装并且运行该模型,并且当UE 212移动时,它将模型的预测移动与进行的真实移动进行比较(步骤502)。以这种方式,UE 212能够推导预测是否正确。
在图5A和5B中示出的实施例中,当预测不正确时(或者通常,当不满足KPI时),关于真实移动的信息能够例如作为转变事件被发送给网络(步骤504)。注意,如本文中所使用的,“转变事件”是与相应UE 212的从一个RBS到另一RBS的转变相关的事件。每个转变事件至少包括时间戳、唯一UE标识符和新RBS的标识符。即使另外的信息(比如,前一RBS和在前一RBS过去的时间)还可由NWDAF 404从以前接收的事件推导,事件也可包括这种信息。NWDAF 404接收的事件(步骤504)可被用作用于训练/重新训练模型的输入(步骤506)。在一些实施例中,UE 212可仅发送误差通知,例如在预测的转变与实际转变之间存在差异的情况下的通知。备选地,UE 212还可发送以下各项的通知:其它事件;或者NWDAF 404可能发现对训练/重新训练模型有用的其它种类的信息;或者甚至NWDAF 404可能发现对其它目的有用的信息。在一个实施例中,从步骤506获得的已训练/已重新训练的UE轨迹预测模型在UE212中被更新(步骤508)。在一个实施例中,更新UE 212中的UE轨迹预测模型包括将已训练或已重新训练的UE轨迹预测模型下载到UE 212。在另一实施例中,更新UE 212中的UE轨迹预测模型包括将由UE 212中的UE轨迹预测模型使用的更新的参数下载到UE 212。
在一些实施例中,NWDAF 404仍可继续从AMF 300接收转变事件,例如像步骤116中一样。备选地,NWDAF 404可仅直接从UE 212(例如,像步骤504中一样)而不从AMF 300接收信息。在这些场景中,可选的步骤116可能不发生。
以上解决方案的变型是这样的解决方案:其中,替代于在NWDAF 404中,在UE 212中完成重新训练。这使它成为联合学习解决方案。在图6A和6B中描述这种变型。
图6A和6B示出根据本公开的一些实施例的用于移动性预测的UE辅助数据收集的过程。在图6A和6B中示出的实施例中,UE 212连续地训练或重新训练它们的轨迹预测模型的副本,所述轨迹预测模型的副本可最终被上传到NWDAF 404。标记为100至122的步骤与图1中的相同编号的步骤相同,并且因此,它们的描述将不会在这里重复。
在图6A和6B中示出的实施例中,NWDAF 404采取另外的行动:将轨迹预测模型和一个性能KPI(或者多个性能KPI)下载到UE 212(步骤600)。下载到UE 212的模型可能已经被训练。UE 212安装并且运行该模型,并且当UE 212移动时,它将模型的预测移动与进行的真实移动进行比较(步骤602)。以这种方式,UE 212能够推导预测是否正确。
在图6A和6B中示出的实施例中,当预测不正确时(或者通常,当不满足KPI时),UE212内的轨迹预测模型的本地副本被训练或重新训练(步骤604)。立即或最终,已重新训练的轨迹预测模型被上传到NWDAF 404(步骤606),并且已重新训练的模型被并入到主模型或全局模型中(步骤608)。在一些实施例中,UE 212可仅发送更新的轨迹预测模型。备选地,UE212还可发送以下各项的通知:误差事件、其它事件、或者NWDAF 404可能发现对训练/重新训练模型有用的其它种类的信息、或者甚至NWDAF 404可能发现对其它目的有用的信息。在这些实施例中,由NWDAF 404维护的模型可独立于由UE 212维护的模型而被重新训练(例如,还使用来自其它UE的数据),并且当UE 212上传它的更新的轨迹预测模型时,NWDAF 404可使来自UE 212的模型与NWDAF 404的内部维护的模型一致。
在一个实施例中,从步骤608获得的已训练/已重新训练的UE轨迹预测模型在UE212中被更新(步骤610)。在一个实施例中,更新UE 212中的UE轨迹预测模型包括将已训练或已重新训练的UE轨迹预测模型下载到UE 212。在另一实施例中,更新UE 212中的UE轨迹预测模型包括将由UE 212中的UE轨迹预测模型使用的更新的参数下载到UE 212。
在一些实施例中,NWDAF 404仍可继续从AMF 300接收转变事件,例如像步骤116中一样。备选地,NWDAF 404可仅直接从UE 212(例如,像步骤606中一样)而不从AMF 300接收信息。在这些场景中,可选的步骤116可能不发生。
在这种变型中,每个UE 212利用来自它自己的观察的输入来重新训练它的本地模型(步骤604)。已重新训练的本地模型或一组参数(诸如,神经网络中的权重)被上传到网络(步骤606),其中NWDAF 404将所述本地模型并入到全局模型中(步骤608)。
在一些实施例中,多个本地模型可被以这种方式组合,可选地利用来自AMF 300的另外的输入来重新训练(步骤116),并且所获得的模型能够被用于服务不同的服务功能(步骤118、120和122),并且再次下载到UE(步骤600)。
关于UE行为,UE 212跟踪最近n次转变,因为这些转变被用作模型的输入,其中n可经由RAN广播信道、非接入层(NAS)信令或UE装置管理来配置。记录的转变被如上所述使用。
为了在以上的第一或第二解决方案之间选择,UE 212被提供规则。通过不同方式(包括为了该目的而扩展的NAS信令),规则被供应给UE 212。备选信令路径能够经由无线电资源控制(RRC)或经由应用层。
当网络命令UE 212观察移动性事件时,UE 212开始跟踪它的移动。除了答复RAN的报告请求之外,UE 212还在这些报告之间进行观察。不管UE 212是处于CONNECTED(连接)状态还是处于IDLE(空闲)状态,UE 212观察例如哪个基站提供最强信号。以这种方式,UE 212建立能够被用于训练的转变的列表。
关于要选择什么UE以用于获得用于移动性预测的UE辅助数据,可考虑下面的一般性准则。UE 212中的下载/上传、运行和重新训练在能耗、计算资源和信令方面引入新的成本。UE 212中的增加的电池消耗是一个问题。因此,重要的是,选择正确的一组UE 212。并非所有UE 212需要运行本地模型,并且运行本地模型的UE 212可能并不总是这样做。用于选择需要涉及的UE 212的示例性准则包括:
•挑选其中我们看见较差性能的某个区域/地区中的UE 212。
•将UE 212分类(诸如,很少移动、快速移动等),并且挑选其中性能未达到标准的种类中的UE 212。
•挑选没有电池或具有大电池的UE 212;例如,车载UE。
•观察到某个类别的UE 212(例如,支持某组无线电接入技术(RAT)和频带的UE)表现较差;选择的UE 212将会来自于这个类别。
此外,观察到性能在一天/一星期/一年的某些时间段较差,NWDAF 404能够辅助OAM选择要从选择的一组UE 212报告更多数据的适合时间。
在第二方面,提供空隙分析。用于UE选择的更先进的方式是使NWDAF 404或OAM执行分析以确定在数据中哪里存在空隙。底层假设在于:空隙引起差的预测性能。这被示出在图7A和7B的过程中。
图7A和7B示出根据本公开的一些实施例的过程,通过该过程,系统能够检测到NWDAF的轨迹预测服务的性能不够好,并且采取措施来增加发送给NWDAF 404的基站转变事件的数量。标记为100至122的步骤与图1中的相同编号的步骤相同,并且因此,它们的描述将不会在这里重复。
然而,在图7A和7B中示出的实施例中,关于UE将会最终到达的下一个RBS的每次预测将会具有一定准确性。通过将预测与来自AMF 300的转变事件中的信息进行比较,能够测量预测准确性。典型KPI是正确地预测的转变的百分比。这个KPI将会随着时间过去而变化。当模型仍然未经训练时,性能将会低。但由于各种原因,已经训练的模型的KPI也可随着时间过去而变化。例如,当提供太少的重新训练数据时。在我们的用例中,当太多的UE在太长的时间段上产生太少的事件时,提供太少的数据。
当预测服务的性能高于一个给定KPI(或多个给定KPI)时,我们将预测服务定义为“准备好”。这个KPI由OAM提供(步骤100),或由服务的订户提供(步骤106),或由二者提供。在后一种情况下,OAM可提供最小KPI。当服务变为“准备好”或“未准备好”时,通知订户(步骤104和108)。
在图7A和7B中示出的实施例中,系统确定模型的性能是否低于给定KPI,例如是否不满足轨迹预测服务KPI(步骤700)。如果模型的性能是可接受的,例如满足KPI,则NWDAF404向一个订户(或多个订户)通知轨迹预测服务准备好并且提供轨迹预测(步骤702)。如果模型的性能不可接受,则NWDAF 404向一个订户(或多个订户)通知轨迹预测服务未准备好(704),并且决定采取某种行动来提高模型性能(步骤706)。在图7A和7B中示出的实施例中,例如,NWDAF 404确定它应该向OAM通知不能满足KPI(步骤708),并且OAM能够决定采取行动来增加数据密度(步骤710)。
在以上流程图中,NWDAF 404是测量模型的性能的实体。通知OAM 的是NWDAF 404,并且OAM是发起该行动的实体。能够做出关于这些任务的划分的许多变型:
• NWDAF 404可在性能下降至低于给定阈值时直接联系AMF 300,并且请求AMF300生成更多事件。
• SF能够进行它自己的性能测量,并且向NWDAF 404或OAM报告。
• NWDAF 404可决定要采取的行动(替代于OAM),并且请求OAM执行该行动。OAM可在这种情况下向AMF 300转发该请求。
OAM能够采取的行动包括但不限于命令NWDAF 404将本地UE轨迹预测模型下载到UE 212,如关于本公开的第一方面所述。其它行动包括:
防止UE变为空闲。OAM请求AMF 300生成更多事件的一种方式是防止少量的UE 212变为空闲。因此,在一个实施例中,OAM向AMF 300发送命令,命令AMF 300使UE 212保持连接。当UE 212不进入空闲模式时,它将会在进行RBS切换时生成事件。AMF 300然后向NWDAF404转发这些事件作为RBS转变。
如果OAM发送这种请求并且UE 212已经空闲,则AMF 300能够根据已有寻呼过程寻呼UE 212(参见3GPP技术规范(TS)23.502章节4.2.3.3)。通常,在一定时间不活动之后,UE212将会变为空闲。保持这种定时器并且发起变为空闲的过程(参见3GPP TS 23.502章节4.2.6)的是RBS(例如,gNB或eNB)。在一个实施例中,AMF 300可将这个定时器设置为由OAM提供的值;也就是,即使在没有业务前往或来自UE 212的情况下UE 212也需要提供切换事件的时间段。这个参数可又被从AMF 300提供给RBS。注意,该过程可基于每个UE,因此“时间段”参数可对于不同UE而言是不同的。
在备选实施例中,OAM可经由普通UP信令向UE 212通信。UE 212可具有特殊应用,或者OAM可发送ping。在这种情况下,将会由于来自OAM的第一下行链路UP分组而发起寻呼(全部根据3GPP TS 23.502章节4.2.3.3中的已有过程)。为了防止UE 212变为空闲,OAM可周期性地重新发送下行链路UP分组。
更小的跟踪区。从UE获得更多移动性事件的另一方式将会是通过调整跟踪区列表。一小组UE可接收跨越更小区域的跟踪区列表。以这种方式,这些UE被迫在它们移动时生成更多TAU事件。
更短的周期性更新定时器。当UE处于空闲模式时,它周期性地进行登记更新(3GPPTS 23.501章节5.3.2)以向网络通知它仍然存在。这导致AMF事件,并且包括UE 212的当前RBS。AMF 300能够将这种信息作为转变转发给NWDAF 404。周期性登记更新定时器是UE简档的一部分,并且在登记时被提供给UE。UE配置更新过程(3GPP TS 23.502章节4.2.4.2)能够被用于提供新的值。
为了OAM请求更多移动性事件,它能够命令AMF 300向UE 212发送周期性登记更新定时器,其中定时器具有小值(例如,几分钟而非默认值一个小时)。
用户位置服务。向NWDAF 404馈送另外的转变事件的又一方式是使用如3GPP TS23.273章节6.1.2中所述的3GPP用户位置服务。在这种场景中,NWDAF 404充当周期性地请求UE的位置的外部客户端。在我们的用例中,提供的位置数据的格式可以是RBS标识。
在上述行动中,已有过程被用于产生更多事件。另一方式将会是引入用于获取UE位置信息的新机制。
新的信息元素(IE)。在一个实施例中,新的IE可被添加到每个RBS广播的系统信息(参见3GPP TS 36.300)。如果在给定区域中的数据集中存在空隙,则OAM命令该区域中的RBS在系统信息中指示UE 212需要提供位置信息。UE 212可使用已有过程(比如,发送周期性更新)或通过新的过程(比如,经由NAS向AMF 300提供位置信息,其中AMF 300向OAM转发位置信息)来这样做。
外部元数据。向模型提供更多训练数据的另一方式将会是从外部元数据产生假想UE的转变。一个可能的场景将会是获取RBS的物理位置并且将它们放置在地图上。地图还可保存关于道路、道路的类型和道路的速度限制的信息。给定这种信息,假想UE能够执行沿着这些道路的轨迹。然后,这种轨迹能够是用于产生RBS转变的基础,所述RBS转变被用于训练NWDAF 404中的模型。
非移动UE。特殊类别的UE 212是这样的UE:NWDAF 404长时间未接收到其转变。这包括非移动UE或仅在它们的跟踪区列表内移动的UE。由于NWDAF 404从未接收到用于这种UE的训练数据,所以难以进行轨迹预测。适应这个类别的UE的一种方式将会是使AMF 300周期性地生成其中源RBS和目标RBS相等的转变。
图8示出根据本公开的一些实施例的用于识别目标UE 212的过程。可在图5A和5B的过程中的步骤500之前或在图6A和6B的过程中的步骤600之前执行用于识别目标UE 212的这种过程,以便选择要将UE轨迹预测模型下载到其的UE 212,以便获得用于训练/重新训练该模型的辅助信息。如所示的,该过程包括识别要从其获得用于训练/重新训练相应UE轨迹预测模型的辅助信息的目标UE 212(步骤800)。在一个实施例中,识别目标UE 212包括从至少一个UE 212接收RBS转变事件(步骤800A),并且基于接收的RBS转变事件,识别要从其获得用于训练/重新训练相应UE轨迹预测模型的辅助信息的目标UE 212(步骤800B)。
在一个实施例中,为了在步骤800B中识别目标UE 212,该过程包括从接收的RBS转变事件之中确定第一UE的RBS转变事件涉及从第一RBS到不是第一RBS的邻居的第二RBS的转变(步骤800B1),并且将第一UE识别为目标UE 212(步骤800B2)。
在另一实施例中,为了在步骤800B中识别目标UE 212,该过程包括:从接收的RBS转变事件之中确定多个UE中的每个UE的RBS转变事件涉及从第一RBS到不是第一RBS的邻居的第二RBS的转变(步骤800B3);将所述多个UE识别为用于下载相应UE轨迹预测模型的潜在目标UE(步骤800B4);并且选择潜在目标UE的子集作为用于下载相应UE轨迹预测模型的一个目标UE(或多个目标UE),其中潜在目标UE的所述子集包括识别的目标UE(步骤800B5)。在一个实施例中,基于一个或多个参数(例如,其中UE轨迹预测模型的性能低于阈值的地区或区域中的UE的存在、UE类别或类型、UE速度、UE运动的类型、UE行为、由UE支持的RAT或频带和/或UE电池容量)完成选择潜在目标UE的所述子集。
在备选实施例中,步骤800中的识别目标UE包括从OAM节点接收目标UE的标识。
图9是根据本公开的一些实施例的用于执行用于移动性预测的UE辅助数据收集的过程的NWDAF的方框图。在图9中示出的实施例中,NWDAF 900(对应于NWDAF 404)包括轨迹预测模块902、空隙分析模块904和过滤模块906。
轨迹预测模块902接收关于UE(被称为“UE A”)的最近N次RBS转变的信息。轨迹预测模块902预测UE A的下一个RBS。
在一些实施例中,轨迹预测模型902使用许多最近事务作为输入;例如,一个实施例使用最近四个事务。事务信息包括当前和前一RBS和引起事务的事件类型。如果事件类型是切换,则NWDAF 900知道UE处于连接模式,因为这是切换过程被设计的方式。这意味着:在该切换事件中看见的当前和前一RBS是物理邻居。通过在较长的时间段上观察所有切换事件,NWDAF 900能够建立所有物理邻居的RBS地图。当然,物理邻居的地图还能够被按照其它方式获取;例如,作为外部元数据。
当具有非切换事件类型(例如,周期性登记更新)的转变到来时,NWDAF 900能够使用邻居地图来推导当前和前一RBS是否是物理邻居。如果当前和前一RBS不是物理邻居,则NWDAF 900能够推断在这个UE的数据中存在空隙。换句话说,UE是空闲的或已经是空闲的,并且在空闲的同时,UE已在它的跟踪区列表内在它的轨迹上经过一个或多个RBS,未针对所述一个或多个RBS创建移动性事件。
在一些实施例中,NWDAF 900能够被设计为具有空隙分析模块904。这个模块生成看见其空隙的UE的列表。另一模块可分析该列表,并且过滤出其存在许多或大空隙的UE。来自这个过滤出的列表的UE然后能够参与如上所述的训练的过程。空隙分析模块904可接收关于UE A的最近N次RBS转变的信息,比较RBS转变以查看它们是否涉及已知RBS邻居对(空隙分析模块904还接收关于已知RBS邻居对的信息)之间的转变,并且生成具有数据空隙的UE的列表。这种信息被提供给过滤模块906。
过滤模块906过滤具有数据空隙的UE的列表以创建应该从其收集另外的数据(还被称为“数据致密化”的过程)的UE的列表。这个列表上的UE是要将以上详细地论述的基于UE的轨迹预测模块和性能KPI下载并且安装到其中的候选目标。
前面的部分描述网络如何选择将要参与模型的数据收集和重新训练的UE。在一些实施例中,网络还可选择一组UE(例如,当前位于具有差的预测的地理位置中的一组UE),并且命令那些UE形成协作组。关于移动或已重新训练的模型更新的信息能够直接(甚至装置对装置)在这些UE之间共享。以这种方式,提供基于组的学习。
例如,考虑图5A和5B的过程,UE 212可向同一协作组中的另一UE(或另一些UE)发送步骤504的信息,如图10的步骤1000中所示。作为另一示例,考虑图6A和6B的过程,UE 212可向同一协作组中的另一UE(或另一些UE)发送步骤606的信息,如图11的步骤1100中所示。
在图1、5A、5B、6A和6B中,NWDAF 404和AMF 300直接通信。在备选实施例中,NWDAF404和AMF 300可经由OAM通信。这种方案将会给予OAM对以下方面更多的控制:选择哪些UE、何时使这些UE参与过程以及每个UE应该对照什么KPI进行衡量。
从移动性预测用例的上下文描述以上示例。然而,所述想法和概念同样适用于其它用例,比如UE通信模式,其涉及诸如由UE生成和/或消费什么业务、在什么时间以及在哪里的问题。
图12是根据本公开的一些实施例的网络节点1200的示意性方框图。网络节点1200可以是无线电接入节点或核心网络节点。无线电接入节点可以是例如基站202或206。如所示的,网络节点1200包括控制系统1202,控制系统1202包括一个或多个处理器1204(例如,中央处理单元(CPU)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)和/或诸如此类)、存储器1206和网络接口1208。所述一个或多个处理器1204在本文中还被称为处理电路。另外,网络节点1200可包括一个或多个无线电单元1210,每个无线电单元1210包括耦合到一个或多个天线1216的一个或多个传送器1212和一个或多个接收器1214。无线电单元1210可被称为无线电接口电路,或者可以是无线电接口电路的一部分。在一些实施例中,(一个或多个)无线电单元1210位于控制系统1202外部,并且经由例如有线连接(例如,光缆)连接到控制系统1202。然而,在一些其它实施例中,(一个或多个)无线电单元1210以及潜在地还有(一个或多个)天线1216与控制系统1202集成在一起。所述一个或多个处理器1204操作以提供如本文中所述的网络节点1200的一个或多个功能。在一些实施例中,所述(一个或多个)功能用软件实现,所述软件被存储在例如存储器1206中并且由所述一个或多个处理器1204执行。
图13是示出根据本公开的一些实施例的网络节点1200的虚拟化实施例的示意性方框图。这种论述同样地适用于其它类型的网络节点。另外,其它类型的网络节点可具有类似的虚拟化架构。
如本文中所使用的,“虚拟化”无线电接入节点是网络节点1200的实现,其中网络节点1200的功能性的至少一部分被实现为(一个或多个)虚拟部件(例如,经由在(一个或多个)网络中的(一个或多个)物理处理节点上执行的(一个或多个)虚拟机)。如所示的,在这个示例中,如上所述,网络节点1200包括控制系统1202和一个或多个无线电单元1210,控制系统1202包括一个或多个处理器1204(例如,CPU、ASIC、FPGA和/或诸如此类)、存储器1206和网络接口1208,每个无线电单元1210包括耦合到一个或多个天线1216的一个或多个传送器1212和一个或多个接收器1214。控制系统1202经由例如光缆或诸如此类连接到(一个或多个)无线电单元1210。控制系统1202经由网络接口1208连接到一个或多个处理节点1300,所述一个或多个处理节点1300耦合到(一个或多个)网络1302或者作为(一个或多个)网络1302的一部分而被包括。每个处理节点1300包括一个或多个处理器1304(例如,CPU、ASIC、FPGA和/或诸如此类)、存储器1306和网络接口1308。
在这个示例中,本文中描述的网络节点1200的功能1310被实现在一个或多个处理节点1300,或者按照任何预期方式被分布在控制系统1202和一个或多个处理节点1300上。在一些特定实施例中,本文中描述的网络节点1200的功能1310中的一些或全部被实现为由实现在由(一个或多个)处理节点1300托管的(一个或多个)虚拟环境中的一个或多个虚拟机执行的虚拟部件。如本领域普通技术人员将会理解的,使用(一个或多个)处理节点1300和控制系统1202之间的另外的信令或通信以便执行预期功能1310中的至少一些。值得注意的是,在一些实施例中,可能不包括控制系统1202,在这种情况下,(一个或多个)无线电单元1210经由(一个或多个)合适的网络接口直接与(一个或多个)处理节点1300通信。
在一些实施例中,提供一种计算机程序,所述计算机程序包括指令,当所述计算机程序由至少一个处理器执行时,所述计算机程序使所述至少一个处理器执行根据本文中描述的实施例中的任何实施例的以下节点的功能性:网络节点1200或在虚拟环境中实现网络节点1200的功能1310中的一个或多个功能的节点(例如,处理节点1300)。在一些实施例中,提供一种包括前述计算机程序产品的载体。所述载体是以下各项之一:电子信号、光信号、无线电信号或计算机可读存储介质(例如,非暂态计算机可读介质,诸如存储器)。
图14是根据本公开的一些其它实施例的网络节点1200的示意性方框图。网络节点1200包括一个或多个模块1400,每个模块1400用软件实现。(一个或多个)模块1400提供本文中描述的网络节点1200的功能性。这种论述同样地适用于图13的处理节点1300,其中模块1400可被实现在处理节点1300之一或被分布在多个处理节点1300上和/或被分布在(一个或多个)处理节点1300和控制系统1202上。
图15是根据本公开的一些实施例的UE 1500的示意性方框图。如所示的,UE 1500包括一个或多个处理器1502(例如,CPU、 ASIC、FPGA和/或诸如此类)、存储器1504和一个或多个收发器1506,每个收发器1506包括耦合到一个或多个天线1512的一个或多个传送器1508和一个或多个接收器1510。如本领域普通技术人员将会理解的,(一个或多个)收发器1506包括连接到(一个或多个)天线1512的无线电前端电路,所述无线电前端电路被配置为调节在(一个或多个)天线1512和(一个或多个)处理器1502之间传输的信号。处理器1502在本文中还被称为处理电路。收发器1506在本文中还被称为无线电电路。在一些实施例中,上述UE 1500的功能性可完全地或部分地用软件实现,所述软件被例如存储在存储器1504中并且由(一个或多个)处理器1502执行。注意,UE 1500可包括图15中未示出的另外的部件,诸如例如一个或多个用户接口部件(例如,输入/输出接口,包括显示器、按钮、触摸屏幕、麦克风、(一个或多个)扬声器和/或诸如此类和/或用于允许将信息输入到UE 1500中和/或允许从UE 1500输出信息的任何其它部件)、电源(例如,电池和关联的电源电路)等。
在一些实施例中,提供一种计算机程序,所述计算机程序包括指令,当所述计算机程序由至少一个处理器执行时,所述计算机程序使所述至少一个处理器执行根据本文中描述的实施例中的任何实施例的UE 1500的功能性。在一些实施例中,提供一种包括前述计算机程序产品的载体。所述载体是以下各项之一:电子信号、光信号、无线电信号或计算机可读存储介质(例如,非暂态计算机可读介质,诸如存储器)。
图16是根据本公开的一些其它实施例的UE 1500的示意性方框图。UE 1500包括一个或多个模块1600,每个模块1600用软件实现。(一个或多个)模块1600提供本文中描述的UE 1500的功能性。
可通过一个或多个虚拟设备的一个或多个功能单元或模块执行本文中公开的任何合适的步骤、方法、特征、功能或益处。每个虚拟设备可包括许多的这些功能单元。这些功能单元可经由处理电路以及其它数字硬件而被实现,所述处理电路可包括一个或多个微处理器或微控制器,所述其它数字硬件可包括数字信号处理器(DSP)、专用数字逻辑和诸如此类。处理电路可被配置为执行存储在存储器中的程序代码,所述存储器可包括一个或若干类型的存储器,诸如只读存储器(ROM)、随机存取存储器(RAM)、高速缓存、闪存装置、光存储装置等。存储在存储器中的程序代码包括用于执行一个或多个电信和/或数据通信协议的程序指令以及用于执行本文中描述的技术中的一种或多种技术的指令。在一些实现中,处理电路可被用于使相应功能单元执行根据本公开的一个或多个实施例的对应功能。
尽管附图中的过程可能示出由本公开的某些实施例执行的操作的特定次序,但应该理解,这种次序是示例性的(例如,备选实施例可按照不同次序执行操作,组合某些操作,使某些操作重叠,等等)。
本公开的一些示例性实施例如下:
实施例1:一种由用户设备UE执行的用于移动性预测的UE辅助数据收集的方法,所述方法包括:从电信核心网络节点接收(500,600)用于预测UE轨迹的UE轨迹预测模型;执行(502,602)UE轨迹预测模型以产生UE的预测轨迹;将实际UE轨迹与预测UE轨迹进行比较(502,602);并且向电信核心网络节点发送(504,606)实际UE轨迹与预测UE轨迹的比较的结果。
实施例2:如实施例1所述的方法,其中,发送实际UE轨迹与预测UE轨迹的比较的结果包括:发送(504)转变事件或轨迹事件。
实施例3:如实施例1或2所述的方法,其中,发送(504)实际UE轨迹与预测UE轨迹的比较的结果包括:发送描述实际UE轨迹和预测UE轨迹之间的差别的误差数据。
实施例4:如实施例2或3所述的方法,还包括:向另一UE发送实际UE轨迹与预测UE轨迹的比较的结果。
实施例5:如实施例1所述的方法,还包括:在将实际UE轨迹与预测UE轨迹进行比较(602)之后,训练或重新训练(604)UE轨迹模型。
实施例6:如实施例5所述的方法,其中,发送实际UE轨迹与预测UE轨迹的比较的结果包括:上传(606)已训练或已重新训练的UE轨迹模型。
实施例7:如实施例5或6所述的方法,还包括:向另一UE发送已训练或已重新训练的UE轨迹模型。
实施例8:如实施例1-7中任一实施例所述的方法,其中,从电信网络节点接收(500,600)UE轨迹模型包括:从网络数据分析功能NWDAF接收UE轨迹模型,并且其中,向电信核心网络节点发送(504,606)比较的结果包括:向NWDAF发送比较的结果。
实施例9:一种由网络节点执行的用于移动性预测的用户设备UE辅助数据收集的方法,所述方法包括:识别目标UE;将用于预测UE的轨迹的UE轨迹预测模型下载(500,600)到目标UE;从目标UE接收(504,606)由UE轨迹预测模型产生的信息;并且使用(506,608)接收的轨迹信息来训练或重新训练存储在网络节点中和/或由网络节点使用的UE轨迹预测模型。
实施例10:如实施例9所述的方法,还包括:更新目标UE中的UE轨迹预测模型。
实施例11:如实施例10所述的方法,其中,更新目标UE中的UE轨迹预测模型包括:将已训练或已重新训练的UE轨迹预测模型下载到目标UE。
实施例12:如实施例10所述的方法,其中,更新目标UE中的UE轨迹预测模型包括:将由目标UE中的UE轨迹预测模型使用的更新的参数下载到目标UE。
实施例13:如实施例9-12中任一实施例所述的方法,其中,识别目标UE包括:接收与至少一个UE关联的多个无线电基站RBS转变事件;确定第一UE的RBS转变事件涉及从第一RBS到与第一RBS不是邻近对的第二RBS的转变;将第一UE识别为用于下载UE轨迹预测模型的目标。
实施例14:如实施例13所述的方法,其中,识别目标UE包括:确定多个UE中的每个UE的RBS转变事件涉及从第一RBS到与第一RBS不是邻近对的第二RBS的转变;将所述多个UE识别为用于下载UE轨迹预测模型的潜在目标;并且从作为潜在目标的所述多个UE选择UE的子集作为用于下载UE轨迹预测模型的目标,所述UE的子集包括识别的目标UE。
实施例15:如实施例14所述的方法,其中,所述UE的子集根据选择算法而被选择。
实施例16:如实施例15所述的方法,其中,所述选择算法基于下面各项来选择所述UE的子集:其中性能低于阈值的地区或区域中的UE的存在、UE类别或类型、UE速度或运动的类型、UE行为、支持的UE无线电接入技术RAT或频带和/或UE电池容量。
实施例17:如实施例9-16中任一实施例所述的方法,其中,所述网络节点包括网络数据分析功能NWDAF或操作、管理和维护OAM节点。
实施例18:如实施例9-12中任一实施例所述的方法,其中,识别目标UE包括:从操作、行政和管理OAM节点接收目标UE的标识。
实施例19:一种由网络节点执行的用于移动性预测的用户设备UE辅助数据收集的方法,所述方法包括:接收与至少一个UE关联的多个无线电基站RBS转变事件;确定第一UE的RBS转变事件涉及从第一RBS到与第一RBS不是邻近对的第二RBS的转变;将第一UE识别为用于下载UE轨迹预测模型的目标。
实施例20:如实施例19所述的方法,其中,识别目标UE包括:确定多个UE中的每个UE的RBS转变事件涉及从第一RBS到与第一RBS不是邻近对的第二RBS的转变;将所述多个UE识别为用于下载UE轨迹预测模型的潜在目标;并且从作为潜在目标的所述多个UE选择UE的子集作为用于下载UE轨迹预测模型的目标,所述UE的子集包括识别的目标UE。
实施例21:如实施例20所述的方法,其中,所述UE的子集根据选择算法而被选择。
实施例22:如实施例21所述的方法,其中,所述选择算法基于下面各项来选择所述UE的子集:其中性能低于阈值的地区或区域中的UE的存在、UE类别或类型、UE速度或运动的类型、UE行为、支持的UE无线电接入技术RAT或频带和/或UE电池容量。
实施例23:如实施例19-22中任一实施例所述的方法,其中,所述网络节点包括网络数据分析功能NWDAF或操作、管理和维护OAM节点。
实施例24:一种用户设备UE(1500),包括:收发器(1506);处理器(1502);和存储器(1504),存储可由处理器执行的指令,由此UE可操作以执行如实施例1至8中任一实施例所述的步骤。
实施例25:一种网络节点(1200),包括:网络接口(1208);处理器(1502);和存储器(1206),存储可由处理器执行的指令,由此网络节点可操作以执行如实施例9至23中任一实施例所述的步骤。
实施例26:如实施例25所述的网络节点(1200),包括网络数据分析功能NWDAF(900)。
实施例27:如实施例25所述的NWDAF(900),还包括:轨迹预测模块(902)、空隙分析模块(904)和过滤模块(906),轨迹预测模块(902):接收用户设备UE无线电基站RBS转变并且预测UE的下一个RBS,空隙分析模块(904):接收UE RBS转变;确定RBS转变是从第一RBS到不是第一RBS的邻居的第二RBS,并且基于这种确定来识别数据空隙;并且产生与识别的数据空隙关联的UE的列表,过滤模块(906):过滤与识别的数据空隙关联的UE的列表并且生成应该从其收集另外的数据的UE的列表。
实施例28:一种通信系统,提供用于移动性预测的用户设备UE辅助数据收集,所述通信系统包括:网络数据分析功能NWDAF和UE,网络数据分析功能NWDAF:将用于预测UE的轨迹的UE轨迹预测模型下载到目标UE;从目标UE接收由UE轨迹预测模型产生的信息;并且使用接收的轨迹信息来训练或重新训练存储在网络节点中和/或由网络节点使用的UE轨迹预测模型,UE:从NWDAF接收用于预测UE轨迹的UE轨迹预测模型,执行UE轨迹预测模型以产生UE的预测轨迹;将实际UE轨迹与预测UE轨迹进行比较;并且向NWDAF发送实际UE轨迹与预测UE轨迹的比较的结果。
实施例29:如实施例28所述的通信系统,其中,所述NWDAF选择目标UE。
实施例30:如实施例28所述的通信系统,还包括选择目标UE的操作、行政和管理OAM节点。
下面的缩写中的至少一些缩写可被用在本公开中。如果在缩写之间存在不一致,则应该优先考虑上面它的使用方式。 如果在以下列出多次,则第一次列出应该优先于(一个或多个)任何随后的列出。
• 3GPP第三代合作伙伴计划
• 4G第四代
• 5G第五代
• 5GC第五代核心
• 5GS第五代系统
• AF应用功能
• AI人工智能
• AMF接入管理功能
• AN接入网络
• ASIC专用集成电路
• AUSF鉴权服务器功能
• CP控制平面
• CPU中央处理单元
• DN数据网络
• DSP数字信号处理器
• eNB增强或演进节点B
• EPC演进分组核心
• EPS演进分组系统
• FPGA现场可编程门阵列
• gNB新空口基站
• HSS归属订户服务器
• IE信息元素
• IP互联网协议
• KPI关键性能指标
• LTE长期演进
• MME移动性管理实体
• MTC机器类型通信
• NAS非接入层
• NEF网络开放功能
• NF网络功能
• NR新空口
• NRF网络功能存储库功能
• NSSF网络切片选择功能
• NWDAF网络数据分析功能
• OAM操作、管理和维护
• PCF策略控制功能
• P-GW分组数据网络网关
• QoS服务质量
• RAM随机存取存储器
• RAN无线电接入网络
• RAU登记区更新
• RAT无线电接入技术
• RBS无线电基站
• ROM只读存储器
• RRC无线电资源控制
• RRH远程无线电头
• RTT往返时间
• SCEF服务能力开放功能
• SF服务功能
• SMF会话管理功能
• TA跟踪区
• TAC跟踪区代码
• TAI跟踪区标识
• TAU跟踪区更新
• TS技术规范
• UDM统一数据管理
• UE用户设备
• UP用户平面
• UPF用户平面功能
本领域技术人员将会意识到对本公开的实施例的改进和修改。所有这种改进和修改被视为落在本文中公开的概念的范围内。
Claims (37)
1.一种由用户设备UE(212)执行的用于移动性预测的UE辅助数据收集的方法,所述方法包括:
从蜂窝通信系统(200)的网络节点接收(500;600)用于预测UE轨迹的UE轨迹预测模型;
执行(502;602)所述UE轨迹预测模型以产生所述UE(212)的预测轨迹;
将实际UE轨迹与所述UE(212)的所述预测轨迹进行比较(502;602);并且
向所述蜂窝通信系统(200)的网络节点发送(504;606)所述实际UE轨迹与所述UE(212)的所述预测轨迹的比较的结果。
2.如权利要求1所述的方法,其中,发送(504;606)所述实际UE轨迹与所述UE(212)的所述预测轨迹的比较的结果包括:发送(504)转变事件或轨迹事件。
3.如权利要求1或2所述的方法,其中,发送(504;606)所述实际UE轨迹与所述UE(212)的所述预测轨迹的比较的结果包括:发送(504)描述所述实际UE轨迹和所述UE(212)的所述预测轨迹之间的差别的误差数据。
4.如权利要求2或3所述的方法,还包括:向另一UE发送(1000)所述实际UE轨迹与所述UE(212)的所述预测轨迹的比较的结果。
5.如权利要求1所述的方法,还包括:在将所述实际UE轨迹与所述UE(212)的所述预测轨迹进行比较(602)之后,训练或重新训练(604)所述UE轨迹预测模型。
6.如权利要求5所述的方法,其中,发送(504;606)所述实际UE轨迹与所述UE(212)的所述预测轨迹的比较的结果包括:上传(606)已训练或已重新训练的UE轨迹预测模型。
7.如权利要求5或6所述的方法,还包括:向另一UE发送(1100)已训练或已重新训练的UE轨迹预测模型。
8.如权利要求1至7中任一项所述的方法,其中,接收(500;600)所述UE轨迹预测模型包括:从网络数据分析功能NWDAF接收所述UE轨迹预测模型。
9.如权利要求1至7中任一项所述的方法,其中,接收(500;600)所述UE轨迹预测模型包括:从管理数据分析功能、非实时智能控制器或近实时智能控制器接收所述UE轨迹预测模型。
10.如权利要求1至7中任一项所述的方法,其中,发送(504;606)所述比较的结果包括:向网络数据分析功能NWDAF发送所述比较的结果。
11.如权利要求1至7中任一项所述的方法,其中,发送(504;606)所述比较的结果包括:向管理数据分析功能、非实时智能控制器或近实时智能控制器发送所述比较的结果。
12.一种用于移动性预测的UE辅助数据收集的用户设备UE(212),所述UE(212)适于:
从蜂窝通信系统(200)的网络节点接收(500;600)用于预测UE轨迹的UE轨迹预测模型;
执行(502;602)所述UE轨迹预测模型以产生所述UE(212)的预测轨迹;
将实际UE轨迹与所述UE(212)的所述预测轨迹进行比较(502;602);并且
向所述蜂窝通信系统(200)的网络节点发送(504;606)所述实际UE轨迹与所述UE(212)的所述预测轨迹的比较的结果。
13.如权利要求12所述的UE(212),其中,所述UE(212)还适于执行如权利要求2至11中任一项所述的方法。
14.一种用于移动性预测的UE辅助数据收集的用户设备UE(212),所述UE(212)包括:
一个或多个传送器(1508);
一个或多个接收器(1510);和
处理电路(1502),与所述一个或多个传送器(1508)和所述一个或多个接收器(1510)关联,所述处理电路(1502)被配置为使所述UE(212):
从蜂窝通信系统(200)的网络节点接收(500;600)用于预测UE轨迹的UE轨迹预测模型;
执行(502;602)所述UE轨迹预测模型以产生所述UE(212)的预测轨迹;
将实际UE轨迹与所述UE(212)的所述预测轨迹进行比较(502;602);并且
向所述蜂窝通信系统(200)的网络节点发送(504;606)所述实际UE轨迹与所述UE(212)的所述预测轨迹的比较的结果。
15.一种由蜂窝通信系统(200)执行的用于移动性预测的用户设备UE辅助数据收集的方法,所述方法包括:
将用于预测目标UE(212)的轨迹的UE轨迹预测模型下载(500;600)到所述目标UE(212);
从所述目标UE(212)接收(504;606)与训练或重新训练所述UE轨迹预测模型相关的信息;并且
使用(506;608)接收的信息来训练或重新训练所述UE轨迹预测模型。
16.如权利要求15所述的方法,还包括:更新(508;610)所述目标UE(212)中的所述UE轨迹预测模型。
17.如权利要求16所述的方法,其中,更新(508;610)所述目标UE(212)中的所述UE轨迹预测模型包括:将已训练或已重新训练的UE轨迹预测模型下载(508;610)到所述目标UE(212)。
18.如权利要求16所述的方法,其中,更新(508;610)所述目标UE(212)中的所述UE轨迹预测模型包括:将由所述目标UE(212)中的所述UE轨迹预测模型使用的更新的参数下载(508;610)到所述目标UE(212)。
19.如权利要求15至18中任一项所述的方法,还包括:在将所述UE轨迹预测模型下载(500;600)到所述目标UE(212)之前,识别(800)所述目标UE(212)。
20.如权利要求19所述的方法,其中,识别(800)所述目标UE(212)包括:
接收(800A)与至少一个UE关联的多个无线电基站RBS转变事件;
确定(800B1)第一UE的RBS转变事件涉及从第一RBS到不是所述第一RBS的邻居的第二RBS的转变;并且
将所述第一UE识别(800B2)为用于下载所述UE轨迹预测模型的目标。
21.如权利要求19所述的方法,其中,识别(800)所述目标UE(212)包括:
确定(800B3)多个UE中的每个UE的无线电基站RBS转变事件涉及从第一RBS到不是所述第一RBS的邻居的第二RBS的转变;
将所述多个UE识别(800B4)为用于下载相应UE轨迹预测模型的潜在目标UE;并且
选择(800B5)所述潜在目标UE的子集作为用于下载所述相应UE轨迹预测模型的目标UE,所述潜在目标UE的所述子集包括识别的目标UE(212)。
22.如权利要求21所述的方法,其中,选择(800B5)所述潜在目标UE的所述子集包括:基于至少一个参数选择所述潜在目标UE的所述子集。
23.如权利要求22所述的方法,其中,所述至少一个参数包括:其中所述UE轨迹预测模型的性能低于阈值的地区或区域中的UE的存在、UE类别或类型、UE速度、UE运动的类型、UE行为、由所述UE支持的无线电接入技术RAT或频带和/或UE电池容量。
24.如权利要求15至23中任一项所述的方法,其中,所述方法的步骤中的至少一些步骤由网络数据分析功能NWDAF或操作、管理和维护OAM节点执行。
25.如权利要求19所述的方法,其中,识别(800)所述目标UE(212)包括:从操作、行政和管理OAM节点接收所述目标UE(212)的标识。
26.一种用于移动性预测的用户设备UE辅助数据收集的系统,所述系统包括:
用于蜂窝通信系统(200)的至少一个网络节点,所述至少一个网络节点适于:
将用于预测目标UE(212)的轨迹的UE轨迹预测模型下载(500;600)到所述目标UE(212);
从所述目标UE(212)接收(504;606)与训练或重新训练所述UE轨迹预测模型相关的信息;并且
使用(506;608)接收的信息来训练或重新训练所述UE轨迹预测模型。
27.如权利要求26所述的系统,其中,所述至少一个网络节点还适于执行如权利要求16至25中任一项所述的方法。
28.如权利要求26或27所述的系统,其中,所述至少一个网络节点中的每个网络节点包括处理电路(1204;1304),所述处理电路(1204;1304)被配置为使所述网络节点执行所述下载、接收和使用中的至少一种操作。
29.一种由网络节点执行的用于移动性预测的用户设备UE辅助数据收集的方法,所述方法包括:
接收(800A)与至少一个UE关联的多个无线电基站RBS转变事件;并且
基于所述多个RBS转变事件识别(800B)要从其获得用于训练或重新训练相应UE轨迹预测模型的信息的目标UE。
30.如权利要求29所述的方法,其中,识别(800B)所述目标UE包括:
从所述多个RBS转变事件之中确定(800B1)第一UE的RBS转变事件涉及从第一RBS到不是所述第一RBS的邻居的第二RBS的转变;并且
将所述第一UE识别(800B2)为所述目标UE。
31.如权利要求29所述的方法,其中,识别(800B)所述目标UE包括:
从所述多个RBS转变事件之中确定(800B3)多个UE中的每个UE的RBS转变事件涉及从第一RBS到不是所述第一RBS的邻居的第二RBS的转变;
将所述多个UE识别(800B4)为用于下载相应UE轨迹预测模型的潜在目标UE;并且
选择(800B5)所述潜在目标UE的子集作为用于下载所述相应UE轨迹预测模型的目标UE,所述潜在目标UE的所述子集包括识别的目标UE。
32.如权利要求31所述的方法,其中,所述潜在目标UE的所述子集基于一个或多个参数而被选择。
33.如权利要求32所述的方法,其中,所述一个或多个参数包括:其中所述UE轨迹预测模型的性能低于阈值的地区或区域中的UE的存在、UE类别或类型、UE速度、UE运动的类型、UE行为、支持的无线电接入技术RAT或频带和/或UE电池容量。
34.如权利要求29至33中任一项所述的方法,其中,所述网络节点包括网络数据分析功能NWDAF或操作、管理和维护OAM节点。
35.一种用于移动性预测的用户设备UE辅助数据收集的网络节点,所述网络节点适于:
接收与至少一个UE关联的多个无线电基站RBS转变事件;并且
基于所述多个RBS转变事件识别要从其获得用于训练或重新训练相应UE轨迹预测模型的信息的目标UE。
36.如权利要求35所述的网络节点,其中,所述网络节点还适于执行如权利要求30至34中任一项所述的方法。
37.一种用于移动性预测的用户设备UE辅助数据收集的网络节点(1200),所述网络节点(1200):
处理电路(1204;1304),被配置为使所述网络节点(1200):
接收与至少一个UE关联的多个无线电基站RBS转变事件;并且
基于所述多个RBS转变事件识别要从其获得用于训练或重新训练相应UE轨迹预测模型的信息的目标UE。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962880464P | 2019-07-30 | 2019-07-30 | |
US62/880464 | 2019-07-30 | ||
PCT/IB2020/057223 WO2021019498A1 (en) | 2019-07-30 | 2020-07-30 | Ue-assisted data collection for mobility prediction |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114424504A true CN114424504A (zh) | 2022-04-29 |
Family
ID=71996034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080068555.3A Pending CN114424504A (zh) | 2019-07-30 | 2020-07-30 | 用于移动性预测的ue辅助数据收集 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220386209A1 (zh) |
EP (1) | EP4005157B1 (zh) |
CN (1) | CN114424504A (zh) |
WO (1) | WO2021019498A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022186458A1 (en) * | 2021-03-04 | 2022-09-09 | Lg Electronics Inc. | Method and apparatus for performing handover based on ai model in a wireless communication system |
CN118077176A (zh) * | 2021-10-18 | 2024-05-24 | 高通股份有限公司 | 借助辅助的降低能力的机器学习 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104838708A (zh) * | 2012-12-14 | 2015-08-12 | 华为技术有限公司 | 用于用户设备移动性预测的系统和方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3529621B2 (ja) * | 1997-05-12 | 2004-05-24 | 株式会社東芝 | ルータ装置、データグラム転送方法及び通信システム |
US9477787B2 (en) * | 2011-08-30 | 2016-10-25 | Nokia Technologies Oy | Method and apparatus for information clustering based on predictive social graphs |
US20150170032A1 (en) * | 2012-06-08 | 2015-06-18 | Google Inc. | Accelerometer-Based Movement Prediction System |
CN111586783B (zh) * | 2012-12-10 | 2022-07-19 | 索尼公司 | 管理设备、通信设备、运动估计设备、系统、方法和介质 |
WO2015061960A1 (en) * | 2013-10-29 | 2015-05-07 | Telefonaktiebolaget L M Ericsson(Publ) | Methods and arrangements for optimized scheduled delivery |
CN107371206B (zh) * | 2016-05-12 | 2020-03-24 | 电信科学技术研究院 | 一种进行数据传输的方法和设备 |
US20210105638A1 (en) * | 2018-02-16 | 2021-04-08 | NEC Laboratories Europe GmbH | Network data analytics for oam |
US10785634B1 (en) * | 2019-03-08 | 2020-09-22 | Telefonaktiebolaget Lm Ericsson (Publ) | Method for end-to-end (E2E) user equipment (UE) trajectory network automation based on future UE location |
-
2020
- 2020-07-30 CN CN202080068555.3A patent/CN114424504A/zh active Pending
- 2020-07-30 US US17/630,956 patent/US20220386209A1/en active Pending
- 2020-07-30 WO PCT/IB2020/057223 patent/WO2021019498A1/en active Search and Examination
- 2020-07-30 EP EP20753808.3A patent/EP4005157B1/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104838708A (zh) * | 2012-12-14 | 2015-08-12 | 华为技术有限公司 | 用于用户设备移动性预测的系统和方法 |
Non-Patent Citations (1)
Title |
---|
""S2-1812032_FS_eNA_UE_analytics_v2"", 3GPP TSG_SA\\WG2_ARCH, 20 November 2018 (2018-11-20), pages 1 * |
Also Published As
Publication number | Publication date |
---|---|
EP4005157B1 (en) | 2023-05-24 |
US20220386209A1 (en) | 2022-12-01 |
WO2021019498A1 (en) | 2021-02-04 |
EP4005157A1 (en) | 2022-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11516090B2 (en) | Open network automation platform (ONAP)—fifth generation core (5GC) interaction for analytics | |
US20210258866A1 (en) | Resource allocation and activation/deactivation configuration of open radio access network (o-ran) network slice subnets | |
EP4099635A1 (en) | Method and device for selecting service in wireless communication system | |
CN110831261B (zh) | 用于组合的rrc非活动恢复、rrc rna&nas注册过程的装置 | |
JP7432758B2 (ja) | 無線インテリジェントコントローラのe2ポリシーへのユーザ機器ごとの制御の追加 | |
US11405803B2 (en) | Methods and systems for online services applications and application functions to provide UE-generated information to network data analytics to support network automation and optimization | |
EP4290917A2 (en) | Multi-access traffic management in open ran, o-ran | |
US20220217556A1 (en) | Network Node, User Equipment and Methods for Handling Signal Quality Variations | |
US20180041984A1 (en) | Location tracking in wireless networks | |
US20230388817A1 (en) | Activating intelligent wireless communciation device reporting in a wireless network | |
US11564270B2 (en) | Method and device for selecting a network mode for an internet of things device | |
US20220394570A1 (en) | Message sending method and apparatus, message receiving method and apparatus, and device and storage medium | |
CN114788348A (zh) | 使用基于机器学习的模型执行切换的通信设备、基础设施设备和方法 | |
EP4005157B1 (en) | Ue-assisted data collection for mobility prediction | |
US20210243592A1 (en) | Pci configuration and mobility robustness optimization son functionality for 5g networks | |
Alsaeedy et al. | A review of mobility management entity in LTE networks: Power consumption and signaling overhead | |
US8983496B1 (en) | Systems and methods of managing tracking area updates | |
WO2021161193A1 (en) | Registered ue count in slice service area | |
EP4250802A1 (en) | Optimizing physical cell id assignment in a wireless communication network | |
WO2023069506A1 (en) | New radio (nr) positioning measurement with reduced latency | |
CN117793688A (zh) | 针对af会话的外部参数提供的新方法 | |
US11723117B2 (en) | Mobility level control device and mobility level control method | |
US20240196187A1 (en) | Machine learning configuration information transfer to ue using proximity services (prose)/sidelink wireless communication | |
US20240211768A1 (en) | Signaling of training policies | |
US20230269573A1 (en) | Systems and methods for ue context management in sidelink relay scenarios |
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 |