CN114826445A - 估计不同类型的无线电接入技术的功率消耗 - Google Patents
估计不同类型的无线电接入技术的功率消耗 Download PDFInfo
- Publication number
- CN114826445A CN114826445A CN202210072460.XA CN202210072460A CN114826445A CN 114826445 A CN114826445 A CN 114826445A CN 202210072460 A CN202210072460 A CN 202210072460A CN 114826445 A CN114826445 A CN 114826445A
- Authority
- CN
- China
- Prior art keywords
- radio access
- type
- access technology
- machine learning
- learning model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005516 engineering process Methods 0.000 title claims abstract description 101
- 238000010801 machine learning Methods 0.000 claims abstract description 98
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000010200 validation analysis Methods 0.000 claims description 3
- 241000700159 Rattus Species 0.000 description 49
- 238000004891 communication Methods 0.000 description 22
- 210000004027 cell Anatomy 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000010267 cellular communication Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 229920003087 methylethyl cellulose Polymers 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 238000012360 testing method 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/02—Details
- H04L12/14—Charging, metering or billing arrangements for data wireline or wireless communications
- H04L12/1403—Architecture for metering, charging or billing
-
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
- H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/08—Access point devices
- H04W88/10—Access point devices adapted for operation in multiple networks, e.g. multi-mode access points
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Electromagnetism (AREA)
- Environmental & Geological Engineering (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
公开了估计不同类型的无线电接入技术的功率消耗。一种方法包括:确定由装置支持的无线电接入技术的类型,其中装置支持至少两种类型的无线电接入技术;向机器学习模型提供输入,其中机器学习模型包括对于每种类型的无线电接入技术的对应的机器学习模型,并且针对每种类型的无线电接入技术,与该类型的无线电接入技术关联的参数被作为输入提供给对应的机器学习模型;以及针对每种类型的无线电接入技术,获得由对应的机器学习模型提供的功率消耗估计。
Description
技术领域
以下示例性实施例涉及无线通信和用于实现无线通信的不同技术。
背景技术
无线通信可以是通过不同的技术实现的。另外,不同的技术具有不同的特征,并且因此具有不同的功能和能力。再者那些不同技术中的至少一些可以共存并且可以由一个装置支持。如果装置能够支持多种无线电接入技术,则由于用户可以具有更好的并且可用的无线通信而因此实现益处。
发明内容
对于各个实施例而言所寻求的保护范围由独立权利要求阐明。在本说明书中描述的未落在独立权利要求的范围内的示例性实施例和特征(如果有的话)要被解释为对于理解本发明的各种实施例而言有用的示例。
根据第一方面,提供了一种装置,其包括至少一个处理器和包括计算机程序代码的至少一个存储器,其中至少一个存储器和计算机程序代码被配置为与至少一个处理器一起引起所述装置:确定由所述装置支持的无线电接入技术的类型,其中所述装置支持至少两种类型的无线电接入技术;向机器学习模型提供输入,其中机器学习模型包括对于每种类型的无线电接入技术的对应的机器学习模型,并且针对每种类型的无线电接入技术,与该类型的无线电接入技术关联的参数被作为输入提供给对应的机器学习模型;以及针对每种类型的无线电接入技术,获得由对应的机器学习模型提供的功率消耗估计。
根据第二方面,提供了一种装置,其包括用于如下的部件:确定由装置支持的无线电接入技术的类型,其中所述装置支持至少两种类型的无线电接入技术;向机器学习模型提供输入,其中机器学习模型包括对于每种类型的无线电接入技术的对应的机器学习模型,并且针对每种类型的无线电接入技术,与该类型的无线电接入技术关联的参数被作为输入提供给对应的机器学习模型;以及针对每种类型的无线电接入技术,获得由对应的机器学习模型提供的功率消耗估计。
根据第三方面,提供了一种方法,其包括:确定由装置支持的无线电接入技术的类型,其中所述装置支持至少两种类型的无线电接入技术;向机器学习模型提供输入,其中机器学习模型包括对于每种类型的无线电接入技术的对应的机器学习模型,并且针对每种类型的无线电接入技术,将与该类型的无线电接入技术关联的参数作为输入提供给对应的机器学习模型;以及针对每种类型的无线电接入技术,获得由对应的机器学习模型提供的功率消耗估计。
根据第四方面,提供了一种计算机程序,其包括用于引起装置执行至少如下的指令:确定由所述装置支持的无线电接入技术的类型,其中所述装置支持至少两种类型的无线电接入技术;向机器学习模型提供输入,其中机器学习模型包括对于每种类型的无线电接入技术的对应的机器学习模型,并且针对每种类型的无线电接入技术,与该类型的无线电接入技术关联的参数被作为输入提供给对应的机器学习模型;以及针对每种类型的无线电接入技术,获得由对应的机器学习模型提供的功率消耗估计。
根据第五方面,提供了一种计算机程序产品,其包括用于引起装置执行至少如下的指令:确定由所述装置支持的无线电接入技术的类型,其中所述装置支持至少两种类型的无线电接入技术;向机器学习模型提供输入,其中机器学习模型包括对于每种类型的无线电接入技术的对应的机器学习模型,并且针对每种类型的无线电接入技术,与该类型的无线电接入技术关联的参数被作为输入提供给对应的机器学习模型;以及针对每种类型的无线电接入技术,获得由对应的机器学习模型提供的功率消耗估计。
根据第六方面,提供了一种计算机程序,其包括存储在其上的用于执行至少如下的指令:确定由装置支持的无线电接入技术的类型,其中所述装置支持至少两种类型的无线电接入技术;向机器学习模型提供输入,其中机器学习模型包括对于每种类型的无线电接入技术的对应的机器学习模型,并且针对每种类型的无线电接入技术,与该类型的无线电接入技术关联的参数被作为输入提供给对应的机器学习模型;以及针对每种类型的无线电接入技术,获得由对应的机器学习模型提供的功率消耗估计。
根据第七方面,提供了一种非暂态计算机可读介质,其包括用于引起装置执行至少如下的程序指令:确定由所述装置支持的无线电接入技术的类型,其中所述装置支持至少两种类型的无线电接入技术;向机器学习模型提供输入,其中机器学习模型包括对于每种类型的无线电接入技术的对应的机器学习模型,并且针对每种类型的无线电接入技术,与该类型的无线电接入技术关联的参数被作为输入提供给对应的机器学习模型;以及针对每种类型的无线电接入技术,获得由对应的机器学习模型提供的功率消耗估计。
根据第八方面,提供了一种非暂态计算机可读介质,其包括存储在其上的用于执行至少如下的程序指令:确定由装置支持的无线电接入技术的类型,其中所述装置支持至少两种类型的无线电接入技术;向机器学习模型提供输入,其中机器学习模型包括对于每种类型的无线电接入技术的对应的机器学习模型,并且针对每种类型的无线电接入技术,与该类型的无线电接入技术关联的参数被作为输入提供给对应的机器学习模型;以及针对每种类型的无线电接入技术,获得由对应的机器学习模型提供的功率消耗估计。
附图说明
下面将参照实施例和随附附图更详细地描述本发明,在附图中
图1图示无线电接入网的示例性实施例。
图2A和图2B图示支持多种类型的RAT的基站以及与其关联的机器学习方法的示例性实施例。
图3和图4图示根据示例性实施例的流程图。
图5和图6图示模拟结果。
图7图示装置的示例性实施例。
具体实施方式
以下实施例进行例示。虽然说明书可能在文本的若干位置中提及“一个”、“一种”或“一些”(多个)实施例,但是这未必意味着每次提及相同的(多个)实施例,或者特定特征仅适用于单个实施例。不同实施例的单个特征也可以被组合以提供其它实施例。
如在本申请中使用的那样,术语“电路”指代以下的所有:(a)仅硬件的电路实现,诸如仅以模拟和/或数字电路的实现;以及(b)电路和软件(和/或固件)的组合,诸如(如适用的):(i)(多个)处理器的组合或(ii)(多个)处理器/软件的部分,包括一起工作以引起装置执行各种功能的(多个)数字信号处理器、软件和(多个)存储器;以及(c)诸如(多个)微处理器或(多个)微处理器的一部分的电路,其要求软件或固件以用于操作,即使软件或固件不是物理存在的。“电路”的这种定义适用于本申请中对该术语的所有使用。作为进一步的示例,如在本申请中使用的那样,术语“电路”还将覆盖仅处理器(或多个处理器)或处理器的一部分以及它的(或它们的)伴随软件和/或固件的实现。术语“电路”还将覆盖例如——并且如果适用于特定元件的话——用于移动电话的基带集成电路或应用处理器集成电路或者服务器、蜂窝网络设备或另外的网络设备中的类似的集成电路。上面描述的电路的实施例也可以被认为是提供用于执行在本文中描述的方法或处理的实施例的部件的实施例。
在此描述的技术和方法可以通过各种方式实现。例如,这些技术可以以硬件(一个或多个设备)、固件(一个或多个设备)、软件(一个或多个模块)或其组合来实现。对于硬件实现而言,实施例的(多个)装置可以被实现在如下中:一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、图形处理单元(GPU)、处理器、控制器、微控制器、微处理器、被设计为执行在此描述的功能的其它电子单元或者它们的组合。对于固件或软件而言,可以通过执行在此描述功能的至少一个芯片组的模块(例如过程、功能等)来进行实现。软件代码可以被存储在存储器单元中并且由处理器执行。存储器单元可以在处理器内或处理器外部实现。在后一种情况下,其可以经由任何合适的方式通信地耦合到处理器。附加地,如由本领域技术人员将领会的那样,在此描述的系统的组件可以被重新布置和/或由附加的组件补充以便促进关于其描述的各种方面等的实现,并且其不限制于在给定的各图中阐述的精确配置。
如在此使用的那样,术语“确定”(以及其语法变体)可以特别是包括:计算、运算、处理、推导、测量、调查、查找(例如在表、数据库或另外的数据结构中查找)和确认等。另外,“确定”可以包括接收(例如接收信息)、访问(例如访问存储器中的数据)和获得等。另外,“确定”可以包括解析、选择、选取和建立等。
图1示出终端设备100和102,其被配置为在小区中的一个或多个通信信道上与提供小区的接入节点(诸如(e/g)NodeB)104无线连接。接入节点104也可以被称为节点。从终端设备到(e/g)NodeB的物理链路被称为上行链路或反向链路,并且从(e/g)NodeB到终端设备的物理链路被称为下行链路或正向链路。应当领会的是(e/g)NodeB或它们的功能可以通过使用适合于这样的用途的任何节点、主机、服务器或接入点等实体来实现。要注意虽然为了简化解释而在该示例性实施例中讨论了一个小区,但是在一些示例性实施例中可以由一个接入节点提供多个小区。
通信系统可以包括多于一个的(e/g)NodeB,在这种情况下(e/g)NodeB还可以被配置为通过为此目的设计的有线或无线链路来彼此通信。这些链路可以被用于信号传输目的。(e/g)NodeB是被配置为控制其所耦合到的通信系统的无线电资源的计算设备。(e/g)NodeB还可以被称为基站、接入点或任何其它类型的接口设备,包括能够在无线环境中操作的中继站。(e/g)NodeB包括收发器或者耦合到收发器。从(e/g)NodeB的收发器向天线单元提供连接,天线单元建立到用户设备的双向无线电链路。天线单元可以包括多个天线或天线元件。(e/g)NodeB进一步连接到核心网络110(CN或下一代核心NGC)。取决于系统,CN侧上的相对方可以是服务网关(S-GW,路由并且转发用户数据封包)、用于将终端设备(UE)的连接性提供到外部封包数据网络的封包数据网络网关(P-GW)、或移动管理实体(MME)等。
终端设备(还被称为UE、用户装备、用户终端、用户设备等)图示一种类型的装置,空中接口上的资源被分配和指派到该装置,并且因此在此利用终端设备描述的任何特征可以利用诸如中继节点之类的对应装置来实现。这样的中继节点的示例是朝向基站的层3中继(自回程中继)。这样的中继节点的另一示例是层2中继。这样的中继节点可以包含终端设备部分和分布式单元(DU)部分。CU(集中单元)可以例如经由F1AP接口来协调DU操作。
终端设备可以指代便携式计算设备,其包括在具有或不具有订户标识模块(SIM)或嵌入式SIM、eSIM的情况下操作的无线移动通信设备,包括但是不限制于以下类型的设备:移动站(移动电话)、智能电话、个人数字助理(PDA)、手持机、使用无线调制解调器的设备(警报或测量设备等)、膝上型和/或触摸屏计算机、平板电脑、游戏控制台、笔记本电脑和多媒体设备。终端设备还可以是具有在物联网(IoT)网络中操作的能力的设备。
在此描述的各种技术还可以应用于信息物理系统(CPS)(控制物理实体的协作计算元件的系统)。CPS可以使得能够实现和利用嵌入在不同位置处的物理对象中的大量的互连的ICT设备(传感器、致动器、处理器、微控制器等)。其中所探讨的物理系统具有固有的移动性的移动信息物理系统是信息物理系统的子类别。移动物理系统的示例包括由人或动物运输的移动机器人和电子设备。
附加地,虽然装置已经被描绘为单个的实体,但是可以实现不同的单元、处理器和/或存储器单元(图5中未全部示出)。
5G使得能够使用多输入多输出(MIMO)天线、比LTE多得多的基站或节点(所谓的小小区构思),包括与更小的站合作操作的宏站点并且根据服务需要、使用情况和/或可用的谱来采用各种无线电技术。5G移动通信支持广范围的使用情况和相关应用,包括视频流、增强现实、不同的数据共享方式和诸如(大量的)机器类型通信(mMTC)的各种形式的机器类型应用,包括车辆安全、不同的传感器和实时控制。5G被期望为具有多个无线电接口,即低于6GHz、cmWave和mmWave,并且还是与诸如LTE的现有传统无线电接入技术可集成的。与LTE的集成可以至少在早期阶段被实现为系统,其中宏覆盖是由LTE提供的,并且5G无线电接口接入通过聚合到LTE而来自小小区。换句话说,5G被计划为支持RAT间可操作性(诸如LTE-5G)和RI间可操作性(无线电接口间可操作性,诸如低于6 GHz—cmWave,低于6 GHz—cmWave—mmWave)这两者。被认为要使用在5G网络中的构思之一是网络切分,其中可以在相同的基础设施内创建多个独立的和专用的虚拟子网络(网络实例),以运行对时延、可靠性、吞吐量和移动性具有不同要求的服务。
LTE网络中的当前架构完全分布在无线电中并且完全集中在核心网络中。5G中的低时延应用和服务可能要求将内容带到无线电附近,这可能导致本地疏导(local breakout)和多接入边缘计算(MEC)。5G使得分析和知识生成能够在数据源处发生。该方法要求对可能未连续地连接到网络的资源(诸如膝上型计算机、智能电话、平板电脑和传感器)进行杠杆利用。MEC为应用和服务托管提供分布式计算环境。其还具有为了更快的响应时间而存储和处理紧密接近于蜂窝订户的内容的能力。边缘计算覆盖广范围的技术,诸如无线传感器网络、移动数据获取、移动签名分析、合作分布式对等自组织联网和处理,还可分类为本地云/雾计算和栅网/网格计算、露水计算、移动边缘计算、微云、分布式数据存储和检索、自主自愈网络、远程云服务、增强和虚拟现实、数据缓存、物联网(大量连接和/或时延关键)、关键通信(自主车辆、交通安全、实时分析、时间关键控制、健康护理应用)。
通信系统还能够与诸如公共交换电话网络或互联网112的其它网络通信,和/或利用由它们提供的服务。通信网络还可以能够支持云服务的使用,例如核心网络操作的至少一部分可以是作为云服务执行的(这在图1中由“云”114描绘)。通信系统还可以包括中央控制实体等,其为不同运营商的网络提供设施以例如在谱共享方面进行合作。
边缘云可以是通过利用网络功能虚拟化(NFV)和软件定义网络(SDN)而被带入到无线电接入网络(RAN)中的。使用边缘云可以意味着要至少部分地在操作地耦合到包括无线电部分的远程无线电头或基站的服务器、主机或节点中执行的接入节点操作。还可能的是节点操作将被分布在多个服务器、节点或主机当中。cloudRAN架构的应用使得RAN实时功能能够在RAN侧(在分布式单元DU 104中)执行,并且非实时功能能够以集中方式(在集中单元CU 108中) 执行。
5G还可以利用卫星通信以例如通过提供回程来增强或补充5G服务的覆盖。卫星通信可以利用地球同步轨道(GEO)卫星系统,但是也可以利用低地球轨道(LEO)卫星系统,例如巨型星座(其中部署了数百(纳米)卫星的系统)。星座中的每个卫星106可以覆盖创建地面上小区的若干个卫星使能的网络实体。地面上单元可以是通过地面上中继节点104或者由位于地面上或卫星中的gNB创建的,或者gNB的一部分可以在卫星上,例如DU,并且gNB的一部分可以在地面上,例如CU。
要注意所描绘的系统是无线电接入系统的一部分的示例,并且系统可以包括多个(e/g)NodeB,终端设备可以接入多个无线电小区,并且系统还可以包括其它装置,诸如物理层中继节点或其它网络元件等。
无线电接入技术RAT可以被理解为用于基于无线电的通信网络的物理连接方法。RAT类型因此包括例如2G、3G、4G和5G。装置可以支持多种RAT类型,其可以被理解为能够具有使用所支持的RAT类型的无线连接。不同类型的RAT具有不同的能力,并且因此它们的特性——诸如功率消耗和硬件资源的使用——也可能不同。未来网络的功率消耗也可能由于例如增加的蜂窝密度和大量的MIMO而超过当前的功率消耗。因此,对任何大规模基础设施的能量监控是有利的,以便能够跟踪能量消耗,并且如果可能的话调整功能性以使得减少能量消耗。
基站消耗RAN所要求的能量的相当大的部分。例如,包括在基站中的功率放大器具有相当大的功率消耗以及基带处理和切换。基站可以支持多种类型的RAT并且因此可能感兴趣的是监控不同的RAT引起多少功率被消耗。基站可以包括功率计,其可以指示基站的总的功率消耗。然而,该结果并不指示每一RAT类型消耗了多少功率,并且因此理解每一RAT类型对于总的功率消耗有什么影响可能是有挑战的。进一步地,由于基站可以包括模块,模块可以包括硬件和/或软件资源,因此可以在由基站支持的不同RAT当中共享这些模块。由于共享,例如,可能无法知道例如哪种RAT类型是造成在给定时间利用某些模块的资源的原因。
为了能够至少估计基站中由每种RAT类型引起的功率消耗,可以使用机器学习。机器学习模型可以被广泛地分类为受监督的或无监督的。受监督模型可以应用已经在过去使用标记的示例学习的内容来预测未来事件。受监督算法可能要求已知为训练数据的数据集,包括输入数据和被认为是机器学习算法的输出值的标记。从对训练数据的分析开始,机器学习算法产生诸如数学模型的模型,其关于输出值作出预测。在充分训练之后,模型可以为任何新的输入数据提供准确的输出值。模型的准确度,即训练的适当性可以通过诸如交叉验证方法的技术来验证。在训练时,标记的训练数据的某一部分不被用于训练而是被保存以用于估计模型准确度,即模型是否向已知的输出值给出正确的标记。无监督算法反而取得包括没有标记的输入数据的数据集,并且在输入数据中找到结构,如数据点的分组或聚类。因此,对比于受监督方法,无监督方法不需要标记的输入数据用于训练的,而是可以从尚未被标记的输入数据中进行学习。
存在多个受监督的机器学习模型,并且受监督的机器学习模型的一个示例是人工神经网络ANN,其也可以被称为神经网络。人工神经网络包括松散地类似生物脑中的神经元的连接的神经元。神经元是计算实体,其在被连接时可以形成一个或多个层。两个神经元之间的连接类似生物脑中的突触。由于算法学习以识别训练数据的模式并且由此能够识别新的数据,因此训练数据的选择对于在由神经网络提供的框架上执行的算法为了提供正确的并且可靠的结果而学习得有多好具有显著影响。由于学习是基于模式的,因此越是好地从训练数据提取模式越好,算法可以越是好地进行学习。
图2A和图2B图示利用机器学习模型来估计由基站支持的每种类型的RAT的功率消耗的示例性实施例。如果基站支持RAT,则认为基站能够提供该RAT的与基站相关的功能。在图2A中,图示支持三种类型的RAT 210、220和230的基站200。要注意还可以支持另外的数量的RAT类型。在该示例性实施例中,RAT类型210为2G,RAT类型220为3G,并且RAT类型230为4G。在一些其它示例性实施例中,也可以支持一些其它的RAT类型。在该示例性实施例中,基站200包括功率计240,可以从功率计240获得基站的总的功率消耗的测量。例如,功率计可以是DC功率计。功率计不能测量由基站200支持的每种类型的RAT的功率。然而,存在与不同类型的RAT关联的若干参数,其可以被获得并且与在给定时间的总的功率消耗关联。参数包括例如内部系统计数器和关键性能指标KPI。在一些示例性实施例中,还可以获得用于估计特定RAT的功率消耗的对于支持单一类型的RAT的基站可用的全系统功率测量。换句话说,与基站相关的大量数据可以是可用的。该数据因此可以被用于训练学习与所支持的特定类型的RAT相关的负载和功率消耗之间的现有关联的一组人工神经网络。
对于基站而言,基站的总的功率消耗可以是从功率计获得的,并且所测量的功率可以与在给定时间的各种参数关联。参数可以是关键性能指标,诸如RAT所经历的业务负载、温度、一天中的时间、湿度等。因此使用一个或多个参数作为输入并且使用对应的功率消耗作为输出,可以获得用于训练机器学习模型的数据集。
图2B图示将一组人工神经网络用于基站200。针对由基站支持的每种类型的RAT,训练对应的ANN。在该示例性实施例中,ANN 255对应于2G,ANN 265对应于3G并且ANN 275对应于4G。每个RAT类型可以被认为是基站200的子系统,并且针对每个子系统,可以存在对应的经训练的ANN。要注意在一些其它示例性实施例中,可以存在被训练以对例如其它基站子系统的功率消耗进行建模的附加的ANN,诸如基带处理。还要注意虽然在该示例性实施例中使用ANN,但是也可以使用任何其它合适的机器学习模型。
在该示例性实施例中,在每个ANN中使用完全连接的层,并且各层被堆叠在一起,以使得这些层类似于多层感知器MLP。MLP包括至少三层节点:输入层、隐藏层和输出层。然而,在该示例性实施例中,ANN不共享任何隐藏层。
在该示例性实施例中,使用相同的训练数据和验证数据集来训练ANN。提供可用于每种类型的RAT的参数作为用于ANN的输入。例如,参数可以包括以下中的一个或多个:业务负载,其与由射频RF计数器测量的特定RAT的RF功率成比例;上行链路和下行链路谱占用;回程负载;CPU负载;以及上下文信息,诸如时间戳、温度和/或湿度。除了业务负载之外,诸如温度之类的另外的因素也可能影响基站的功率消耗。因此,可用于ANN的输入越多,模型越复杂,并且其越有可能可以在数据中找到非明显的模式。
在该示例性实施例中,为了最小化广义误差,从基站配置的集合获得的数据就RF配置而言是尽可能异类的。例如,从仅具有2G有效的基站获得计数器数据,再从仅3G有效的基站获得计数器数据,从仅具有4G有效的基站获得计数器数据,以及从这些基站的各种组合获得计数器数据。附加地,对不同的RF功率配置进行采样,并且获得数据作为输入数据。
输入数据与功率消耗关联,并且在该示例性实施例中当训练模型时使用关联的功率消耗作为输出数据。在该示例性实施例中,训练每个ANN以从对总的功率消耗以及用于关联类型的RAT的可用KPI进行观察来建立其相应的RAT的功率消耗的一致模型。ANN然后针对给定输入提供用于其关联类型的RAT的功率消耗估计。由于然后对功率消耗估计进行相加,因此获得基站的总的功率消耗。因此,ANN 255被提供有包括诸如2G所经历的业务负载之类的参数的输入250,ANN 265被提供有包括诸如3G所经历的业务负载之类的参数的输入260,并且ANN 275被提供有包括诸如4G所经历的业务负载之类的参数的输入270。ANN 255、ANN265和ANN 275的输出然后被相加在一起作为总的功率消耗估计280。在对模型进行训练之后,模型可以被部署到基站中。该部署例如可以是作为软件更新完成的。
图3图示根据示例性实施例的流程图,在该示例性实施例中训练诸如ANN的机器学习模型,并且然后部署该机器学习模型以估计由基站支持的每种类型的RAT的功率消耗。首先,在S1中,获得用于训练和用于评估的数据集。例如,所获得的数据集可以是如上面解释那样的。例如,可以从一个或多个基站(在其使用期间)、仿真和/或实验室中的测试获得数据集。存在的数据越多并且数据越通用,机器学习模型将越可能在数据中找到相关的关联,由此在被部署时提供更好的结果。要注意将针对由基站支持的每个RAT类型训练对应的机器学习模型。
接着,在S2中,将获得的数据集分成训练数据集和验证数据集。训练数据集被用于训练机器学习模型,并且机器学习模型由此被利用相同的训练数据训练。训练数据包括输入和其关联的输出。输入包括诸如业务负载的参数并且输出包括基站的功率消耗。可以使用评估数据评估训练的结果,其中评估数据包括在训练期间未提供的输入以及与输入关联的功率消耗。
然后,在S3中,使用训练数据集来训练机器学习模型。然后使用评估数据集评估训练的结果。经训练的机器学习模型提供用于它们所关联于的类型的RAT的功率消耗估计,并且所提供的功率消耗估计然后被相加在一起以得到总的功率消耗的估计。然后可以将总的功率消耗的估计与测量的实际功率消耗进行比较,并且基于该比较,可以确定误差函数的总成本。然后可以将误差函数的总成本用于在训练期间修改机器学习模型。修改可以包括例如修改每个机器学习模型的权重和偏置。一旦评估为完成训练,就在S4中部署机器学习模型。
一旦部署了机器学习模型,就可以在给定时间向经训练的机器学习模型提供输入。在部署期间,对每个机器学习模型提供输入,输入包括与机器学习模型对应于的RAT类型对应的参数,诸如业务负载。换句话说,用于每个机器学习模型的输入是不同的。针对每种类型的RAT,由对应的机器学习模型提供功率消耗估计。因此,在S5中,可以针对由基站支持的每种类型的RAT获得功率消耗估计。针对给定的输入,经训练的机器学习模型提供针对机器学习模型关联于的RAT类型的功率消耗估计。因此,可以获得由基站支持的单独的RAT的功率消耗,并且可以不需要将功率消耗估计相加在一起或者总和可以被丢弃。在一些示例性实施例中,可以周期性地获得针对不同RAT类型的功率消耗估计,这将允许监控关于不同RAT类型的功率消耗的长期发展。
如果将功率消耗估计相加在一起,则可以例如可选地将该结果与针对基站从功率计获得的功率消耗测量进行比较。然后可以将差值与阈值进行比较,阈值例如可以是预定的。如果差值大于阈值,则那么可以提供指示。指示可以是用以评估是否要求重新训练的触发。指示可以是以任何适当的形式提供的并且例如其可以被提供到设备。
图4图示根据示例性实施例的流程图。在该示例性实施例中,在S1中,确定由基站支持的无线电接入技术的类型。然后在S2中,向机器学习模型提供输入,其中机器学习模型包括对于每种类型的无线电接入技术的对应的机器学习模型,并且针对每种类型的无线电接入技术,与该类型的无线电接入技术关联的参数被作为输入提供给对应的机器学习模型。最后,在S3中,针对每种类型的无线电接入技术,获得由对应的机器学习模型提供的功率消耗估计。
已经在多RAT基站功率消耗的模拟器上测试了根据上面描述的示例性实施例的机器学习模型的训练和使用。在表1中总结了模型的各种参数。
表1。
图5图示训练期间的训练和验证误差的演变。基本训练值被图示为510,并且基本验证被图示为520。在较低的学习率的情况下较低的误差可以是可能的。图6图示针对不同的特定RAT负载的特定RAT功率消耗以及总的功率估计的预测。在线图610中,线图示总的功率消耗,并且沿着线的点图示针对总的功率消耗的估计。线图620图示针对3G考虑总和的功率消耗的估计、线图630图示针对2G考虑总和的功率消耗的估计,并且线图640图示针对4G考虑总和的功率消耗的估计。
上面描述的示例性实施例可以使得能够相当准确地估计支持多种RAT类型的基站中的特定RAT类型的功率消耗。可以在给定时间获得估计或者以给定间隔或者以任何其它适当的周期来获得估计。
图7的装置700图示可以是基站的装置或者可以包括在基站中的装置的示例性实施例。装置可以是例如可应用于接入节点以实现所描述的实施例的电路或芯片组。装置700可以是包括一个或多个电子电路的电子设备。装置700可以包括通信控制电路710(诸如至少一个处理器)和包括计算机程序代码(软件)722的至少一个存储器720,其中至少一个存储器和计算机程序代码(软件)722被配置为与至少一个处理器一起引起装置700执行上面描述的接入节点的示例实施例中的任何一个。
存储器720可以是使用任何合适的数据存储技术实现的,诸如为基于半导体的存储器设备、闪速存储器、磁存储器设备和系统、光存储器设备和系统、固定存储器和可移除存储器。存储器可以包括用于存储配置数据的配置数据库。例如,配置数据库可以存储当前的邻近小区列表,并且在一些示例实施例中,可以存储在检测到的邻近小区中使用的帧的结构。
装置700可以进一步包括通信接口730,其包括用于根据一个或多个通信协议实现通信连接的硬件和/或软件。通信接口730可以向装置提供无线电通信能力以在蜂窝通信系统中通信。通信接口可以例如向终端设备提供无线电接口。装置700可以进一步包括朝向核心网络(诸如网络协调器装置)和/或对于蜂窝通信系统的接入节点的另外的接口。装置700可以进一步包括被配置为分配资源的调度器740。
处理器710解释计算机程序指令并且处理数据。处理器710可以包括一个或多个可编程处理器。处理器710可以包括具有嵌入的固件的可编程硬件,并且可以替换地或附加地包括一个或多个专用集成电路ASIC。
处理器710被耦合到存储器720。处理器被配置为从存储器720读取数据以及将数据写入到存储器720。存储器720可以包括一个或多个存储器单元。存储器单元可以是易失性的或非易失性的。要注意在一些示例实施例中可以存在一个或多个非易失性存储器单元和一个或多个易失性存储器单元,或者替换地可以存在一个或多个非易失性存储器单元,或者替换地可以存在一个或多个易失性存储器单元。易失性存储器可以是例如RAM、DRAM或SDRAM。非易失性存储器可以是例如ROM、PROM、EEPROM、闪速存储器、光存储器或磁存储器。一般而言,存储器可以被称为非暂态计算机可读介质。存储器720存储由处理器710执行的计算机可读指令。例如,非易失性存储器存储计算机可读指令,并且处理器710使用用于临时存储数据和/或指令的易失性存储器执行指令。
计算机可读指令可以已经被预先存储到存储器720,或者替换地或附加地,计算机可读指令可以被由装置经由电磁载波信号接收和/或可以被从诸如计算机程序产品的物理实体拷贝。计算机可读指令的执行引起装置700执行上面描述的功能。
在本文的上下文中,“存储器”或“计算机可读介质”可以是可以包含、存储、通信、传播或传输用于由诸如计算机之类的指令执行系统、装置或设备使用或者与诸如计算机之类的指令执行系统、装置或设备结合地使用的指令的任何非暂态介质或部件。
要注意装置700可以进一步包括在图7中未图示的各种组件。各种组件可以是硬件组件和/或软件组件。
虽然已经在上面参照根据随附附图的示例描述了本发明,但是清楚的是本发明不局限于此而是可以在所附权利要求的范围内被以若干方式进行修改。因此,所有用语和表达应当被宽泛地解释并且它们旨在说明而不是限制实施例。对于本领域技术人员来说将是明显的是,随着技术进步创新的构思可以以各种方式实现。进一步地,对于本领域技术人员来说清楚的是所描述的实施例可以但是不要求被以各种方式与其它实施例组合。
Claims (15)
1.一种装置,其包括至少一个处理器和包括计算机程序代码的至少一个存储器,其中所述至少一个存储器和计算机程序代码被配置为与所述至少一个处理器一起引起所述装置:
确定由所述装置支持的无线电接入技术的类型,其中所述装置支持至少两种类型的无线电接入技术;
向机器学习模型提供输入,其中机器学习模型包括对于每种类型的无线电接入技术的对应的机器学习模型,并且针对每种类型的无线电接入技术,与该类型的无线电接入技术关联的参数被作为输入提供给对应的机器学习模型;以及
针对每种类型的无线电接入技术,获得由对应的机器学习模型提供的功率消耗估计。
2.根据权利要求1所述的装置,其中进一步引起所述装置基于将针对所述装置获得的功率消耗测量与针对每种类型的无线电接入技术获得的功率消耗估计的总和进行比较来确定误差函数的总成本。
3.根据权利要求2所述的装置,其中进一步引起所述装置基于误差函数的总成本针对每种类型的无线电接入技术修改关联的机器学习模型。
4.根据权利要求2或3所述的装置,其中进一步引起所述装置确定针对每种类型的无线电接入技术获得的功率消耗估计的总和与功率消耗测量之间的差值是否大于阈值,并且如果是,则提供指示差值大于阈值的指示。
5.根据前述权利要求中的任何一项所述的装置,其中至少一个机器学习模型包括人工神经网络。
6.根据前述权利要求中的任何一项所述的装置,其中参数至少包括用于对应的类型的无线电接入技术的业务负载。
7.根据前述权利要求中的任何一项所述的装置,其中机器学习模型已经被使用相同的训练数据集和相同的验证数据集来训练。
8.根据前述权利要求中的任何一项所述的装置,其中支持一定类型的无线电接入技术包括为所述类型的无线电接入技术提供基站功能。
9.根据前述权利要求中的任何一项所述的装置,其中所述装置是基站。
10.一种方法,包括:
确定由装置支持的无线电接入技术的类型,其中装置支持至少两种类型的无线电接入技术;
向机器学习模型提供输入,其中机器学习模型包括对于每种类型的无线电接入技术的对应的机器学习模型,并且针对每种类型的无线电接入技术,将与该类型的无线电接入技术关联的参数作为输入提供给对应的机器学习模型;以及
针对每种类型的无线电接入技术,获得由对应的机器学习模型提供的功率消耗估计。
11.根据权利要求10所述的方法,其中所述方法进一步包括基于将针对装置获得的功率消耗测量与针对每种类型的无线电接入技术获得的功率消耗估计的总和进行比较来确定误差函数的总成本。
12.根据权利要求11所述的方法,其中所述方法进一步包括基于误差函数的总成本针对每种类型的无线电接入技术修改关联的机器学习模型。
13.根据权利要求11或12所述的方法,其中所述方法进一步包括确定针对每种类型的无线电接入技术获得的功率消耗估计的总和与功率消耗测量之间的差值是否大于阈值,并且如果是,则提供指示差值大于阈值的指示。
14.根据权利要求10至13中的任何一项所述的方法,其中参数至少包括用于对应的类型的无线电接入技术的业务负载。
15.一种非暂态计算机可读介质,包括用于引起装置执行至少以下的程序指令:
确定由装置支持的无线电接入技术的类型,其中装置支持至少两种类型的无线电接入技术;
向机器学习模型提供输入,其中机器学习模型包括对于每种类型的无线电接入技术的对应的机器学习模型,并且针对每种类型的无线电接入技术,与该类型的无线电接入技术关联的参数被作为输入提供给对应的机器学习模型;以及
针对每种类型的无线电接入技术,获得由对应的机器学习模型提供的功率消耗估计。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FI20215069A FI20215069A1 (en) | 2021-01-21 | 2021-01-21 | Estimation of power consumption for different types of radio access technologies |
FI20215069 | 2021-01-21 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114826445A true CN114826445A (zh) | 2022-07-29 |
CN114826445B CN114826445B (zh) | 2024-09-17 |
Family
ID=80119025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210072460.XA Active CN114826445B (zh) | 2021-01-21 | 2022-01-21 | 估计不同类型的无线电接入技术的功率消耗 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220232470A1 (zh) |
EP (1) | EP4033730A1 (zh) |
CN (1) | CN114826445B (zh) |
FI (1) | FI20215069A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024040617A1 (en) * | 2022-08-26 | 2024-02-29 | Qualcomm Incorporated | Ml model generalization and specification |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11644882B2 (en) * | 2021-06-02 | 2023-05-09 | Hewlett Packard Enterprise Development Lp | System and method for predicting power usage of network components |
WO2024031543A1 (en) * | 2022-08-11 | 2024-02-15 | Nec Corporation | Methods, devices, and medium for communication |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080141048A1 (en) * | 2006-12-07 | 2008-06-12 | Juniper Networks, Inc. | Distribution of network communications based on server power consumption |
CN106576275A (zh) * | 2014-08-13 | 2017-04-19 | 三星电子株式会社 | 用于异构网络中的设备优化的网络环境感测和切换 |
CN109511144A (zh) * | 2018-12-26 | 2019-03-22 | 清华大学深圳研究生院 | 网络接入类型决策方法、装置、切换控制装置及存储介质 |
US20190166534A1 (en) * | 2017-11-30 | 2019-05-30 | Google Llc | Carrier Switching |
WO2020038544A1 (en) * | 2018-08-20 | 2020-02-27 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods, apparatus and computer-readable mediums relating to detection of sleeping cells in a cellular network |
CN111107651A (zh) * | 2019-12-27 | 2020-05-05 | 中国联合网络通信集团有限公司 | 一种无线资源的调度方法及装置 |
US20200281035A1 (en) * | 2019-02-28 | 2020-09-03 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Multi-link network access method |
CN112119655A (zh) * | 2018-05-31 | 2020-12-22 | 谷歌有限责任公司 | 用于无线网络的移动设备配置 |
US20210084601A1 (en) * | 2019-09-16 | 2021-03-18 | Movandi Corporation | 5g signals detection using neural network |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105745972A (zh) * | 2013-12-05 | 2016-07-06 | 诺基亚技术有限公司 | 在蜂窝传输之前的ip分组的动态解除群组 |
US11012945B2 (en) * | 2017-09-29 | 2021-05-18 | Apple Inc. | Devices and methods for power allocation |
US11451277B2 (en) * | 2018-05-03 | 2022-09-20 | Telefonaktiebolaget Lm Ericsson (Publ) | Systems and methods of controlling a component of a network node in a communication system |
WO2020076145A1 (ko) * | 2018-10-12 | 2020-04-16 | 엘지전자 주식회사 | 무선 통신 시스템에서 복수개의 무선 접속 방식을 지원하는 단말 및 네트워크의 능력을 설정하는 방법 및 이를 위한 장치 |
US10785721B1 (en) * | 2019-05-10 | 2020-09-22 | International Business Machines Corporation | Energy saving control of mobile equipment |
US20220095085A1 (en) * | 2020-03-21 | 2022-03-24 | Trackonomy Systems, Inc. | Distributed Intelligent Software for Vibration and Acoustic Monitoring and Systems and Methods Implementing the Same |
-
2021
- 2021-01-21 FI FI20215069A patent/FI20215069A1/en unknown
-
2022
- 2022-01-06 US US17/647,253 patent/US20220232470A1/en active Pending
- 2022-01-12 EP EP22151158.7A patent/EP4033730A1/en active Pending
- 2022-01-21 CN CN202210072460.XA patent/CN114826445B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080141048A1 (en) * | 2006-12-07 | 2008-06-12 | Juniper Networks, Inc. | Distribution of network communications based on server power consumption |
CN106576275A (zh) * | 2014-08-13 | 2017-04-19 | 三星电子株式会社 | 用于异构网络中的设备优化的网络环境感测和切换 |
US20190166534A1 (en) * | 2017-11-30 | 2019-05-30 | Google Llc | Carrier Switching |
CN112119655A (zh) * | 2018-05-31 | 2020-12-22 | 谷歌有限责任公司 | 用于无线网络的移动设备配置 |
WO2020038544A1 (en) * | 2018-08-20 | 2020-02-27 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods, apparatus and computer-readable mediums relating to detection of sleeping cells in a cellular network |
CN109511144A (zh) * | 2018-12-26 | 2019-03-22 | 清华大学深圳研究生院 | 网络接入类型决策方法、装置、切换控制装置及存储介质 |
US20200281035A1 (en) * | 2019-02-28 | 2020-09-03 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Multi-link network access method |
US20210084601A1 (en) * | 2019-09-16 | 2021-03-18 | Movandi Corporation | 5g signals detection using neural network |
CN111107651A (zh) * | 2019-12-27 | 2020-05-05 | 中国联合网络通信集团有限公司 | 一种无线资源的调度方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024040617A1 (en) * | 2022-08-26 | 2024-02-29 | Qualcomm Incorporated | Ml model generalization and specification |
Also Published As
Publication number | Publication date |
---|---|
CN114826445B (zh) | 2024-09-17 |
EP4033730A1 (en) | 2022-07-27 |
US20220232470A1 (en) | 2022-07-21 |
FI20215069A1 (en) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114826445B (zh) | 估计不同类型的无线电接入技术的功率消耗 | |
CN109496416A (zh) | 对物联网网络进行未来验证和原型制作 | |
WO2020152389A1 (en) | Machine learning for a communication network | |
US11671308B2 (en) | Diagnosis knowledge sharing for self-healing | |
CN115486117B (zh) | 机器学习辅助操作控制 | |
US11797828B2 (en) | Beams to monitor | |
US20220264514A1 (en) | Rf-fingerprinting map update | |
Aguilar-Garcia et al. | Location-aware self-organizing methods in femtocell networks | |
CN111542111A (zh) | 用于提供定时同步的方法和装置 | |
Cheng et al. | Mobile big data based network intelligence | |
US20230319707A1 (en) | Power saving in radio access network | |
US20220217620A1 (en) | Controlling network access | |
US11647532B1 (en) | Algorithm for mitigation of impact of uplink/downlink beam mismatch | |
US11997627B2 (en) | Predicting clock drifting | |
CN115707075A (zh) | 使用小区的断开来优化电力的使用 | |
US11800458B2 (en) | Selection of power control parameters | |
US20230084811A1 (en) | Device positioning | |
US20240306026A1 (en) | Correlation-based measurement reporting reduction | |
Miyazawa et al. | Energy-efficient power management for O-RAN base stations utilizing pedestrian flow analytics and non-terrestrial networks | |
WO2024068008A1 (en) | Managing distributed radio resources |
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 | ||
GR01 | Patent grant |