CN116137553A - 一种信道预测方法、装置、ue及系统 - Google Patents
一种信道预测方法、装置、ue及系统 Download PDFInfo
- Publication number
- CN116137553A CN116137553A CN202111364923.1A CN202111364923A CN116137553A CN 116137553 A CN116137553 A CN 116137553A CN 202111364923 A CN202111364923 A CN 202111364923A CN 116137553 A CN116137553 A CN 116137553A
- Authority
- CN
- China
- Prior art keywords
- model
- prediction
- coefficient
- target
- information
- 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
Images
Classifications
-
- 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
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
Abstract
本发明实施例公开了一种信道预测方法、装置、UE及系统,涉及通信技术领域。该方法包括:UE可以向网络侧设备发送第一信息;网络侧设备可以接收第一信息,并根据第一信息进行信道预测;第一信息包括信道预测结果和目标特定算子模型的模型参数,或包括目标特定算子模型的模型参数;其中,信道预测结果为所述UE基于目标特定算子模型的模型参数和历史信道估计结果预测得到的信道结果,目标特定算子模型为UE基于历史信道估计结果构建的特定算子模型;网络侧设备根据第一信息进行信道预测。
Description
技术领域
本发明实施例涉及通信技术领域,尤其涉及一种信道预测方法、装置、UE及系统。
背景技术
目前,对时变信道可以使用特定算子模型(例如线性模型、多项式拟合模型等)进行递推预测,特定算子模型是一个时间滤波器,输入历史的信道估计,输出为未来等时间间隔时刻的信道;并且由于特定算子模型只需要内生变量而不需要借助其他外生变量,因此运用特定算子模型进行信道预测的建模比较简单。
然而,由于在复杂环境中运用特定算子模型进行信道预测时,特定算子模型的模型参数较多,因此导致采用特定算子模型进行信道预测的计算复杂度较高。
发明内容
本发明实施例提供一种信道预测方法、装置、UE及系统,可以解决采用特定算子模型进行信道预测的计算复杂度较高的问题。
第一方面,提供了一种信道预测方法,应用于用户设备UE(User Equipment,UE),该方法可以包括:UE向网络侧设备发送第一信息,第一信息用于网络侧设备进行信道预测,第一信息包括信道预测结果和目标特定算子模型的模型参数,或包括目标特定算子模型的模型参数;其中,信道预测结果为UE基于目标特定算子模型的模型参数和历史信道估计结果预测得到的信道结果,目标特定算子模型为UE基于历史信道估计结果构建的特定算子模型。
第二方面,提供了一种信道预测装置,包括:发送模块。发送模块,用于向网络侧设备发送第一信息,第一信息用于网络侧设备进行信道预测,所述第一信息包括信道预测结果和目标特定算子模型的模型参数,或包括目标特定算子模型的模型参数;其中,信道预测结果为UE基于目标特定算子模型的模型参数和历史信道估计结果预测得到的信道结果,目标特定算子模型为UE基于历史信道估计结果构建的特定算子模型。
第三方面,提供了一种信道预测方法,应用于网络侧设备,该方法包括:网络侧设备获取第一信息,第一信息包括信道预测结果和目标特定算子模型的模型参数,或包括目标特定算子模型的模型参数;其中,信道预测结果为所述UE基于目标特定算子模型的模型参数和历史信道估计结果预测得到的信道结果,目标特定算子模型为UE基于历史信道估计结果构建的特定算子模型;网络侧设备根据第一信息进行信道预测。
第四方面,提供了一种信道预测装置,包括:获取模块和预测模块。获取模块,用于获取第一信息,第一信息包括信道预测结果和目标特定算子模型的模型参数,或包括目标特定算子模型的模型参数;其中,信道预测结果为UE基于目标特定算子模型的模型参数和历史信道估计结果预测得到的信道结果,目标特定算子模型为UE基于历史信道估计结果构建的特定算子模型;预测模块,用于根据获取模块获取的第一信息进行信道预测。
第五方面,提供了一种用户设备UE,该包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第六方面,提供了一种用户设备UE,包括处理器及通信接口,其中,所述处理器用于:构建目标特定算子模型,或用于构建目标特定算子模型和基于目标特定算子模型的模型参数和历史信道估计结果预测得到的信道结果,进行信道预测,得到信道预测结果;目标特定算子模型为UE基于历史信道估计结果构建的特定算子模型;所述通信接口用于向网络侧设备发送第一信息,第一信息中包括该模型参数和/或信道预测结果。
第七方面,提供了一种网络侧设备,该网络侧设备包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第三方面所述的方法的步骤。
第八方面,提供了一种网络侧设备,包括处理器及通信接口,其中,所述通信接口用于获取第一信息,第一信息包括信道预测结果和目标特定算子模型的模型参数,或包括目标特定算子模型的模型参数;其中,目标特定算子模型为UE基于历史信道估计结果构建的特定算子模型,该信道预测结果为UE基于目标特定算子模型的模型参数和历史信道估计结果预测得到的信道结果;处理器用于根据第一信息进行信道预测。
第九方面,提供了一种通信系统,用户设备UE及网络侧设备,所述UE可用于执行如第一方面所述的信道预测方法的步骤,所述网络侧设备可用于执行如第三方面所述的信道预测方法的步骤。
第十方面,提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤,或者实现如第三方面所述的方法的步骤。
第十一方面,提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如第一方面所述的方法,或实现如第三方面所述的方法。
第十二方面,提供了一种计算机程序/程序产品,所述计算机程序/程序产品被存储在存储介质中,所述计算机程序/程序产品被至少一个处理器执行以实现如第一方面所述的信道预测方法的步骤,或者实现如第三方面所述的信道预测方法的步骤。
在本申请实施例中,UE可以向网络侧设备发送第一信息(用于网络侧设备进行信道预测);网络侧设备可以接收第一信息,并根据第一信息进行信道预测;第一信息包括信道预测结果和目标特定算子模型的模型参数,或包括目标特定算子模型的模型参数;其中,信道预测结果为所述UE基于目标特定算子模型的模型参数和历史信道估计结果预测得到的信道结果,目标特定算子模型为UE基于历史信道估计结果构建的特定算子模型;网络侧设备根据第一信息进行信道预测。通过该方案,由于UE可以向网络侧设备发送包括UE基于历史信道估计结果构建的特定算子模型的模型参数,或包括UE基于历史信道估计结果构建的特定算子模型的模型参数和UE基于该模型参数的信道预测结果的第一信息,因此网络侧设备可以在接收到第一信息后,根据第一信息进行信道预测;即本申请实施例提供的信道预测方法可以基于UE发送的模型参数,或者,基于UE发送的模型参数和信道预测结果间接预测信道,从而可以减少通过特定算子模型进行信道预测的计算复杂度。
附图说明
图1为本发明实施例提供的一种通信系统的架构示意图;
图2为本发明实施例提供的一种信道预测方法的示意图;
图3为本发明实施例提供的一种信道预测方法中通过滑动窗口在历史时域信道中采样的示意图;
图4为本发明实施例提供的一种信道预测方法的信道预测流程示意图;
图5为本发明实施例提供的一种信道预测装置的结构示意图之一;
图6为本发明实施例提供的一种信道预测装置的结构示意图之二;
图7是本申请实施例提供的一种通信设备的硬件结构示意图;
图8是本申请实施例提供的一种UE的硬件结构示意图;
图9是本申请实施例提供的一种网络侧设备的硬件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”所区别的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”一般表示前后关联对象是一种“或”的关系。
值得指出的是,本申请实施例所描述的技术不限于长期演进型(Long TermEvolution,LTE)/LTE的演进(LTE-Advanced,LTE-A)系统,还可用于其他无线通信系统,诸如码分多址(Code Division Multiple Access,CDMA)、时分多址(Time DivisionMultiple Access,TDMA)、频分多址(Frequency Division Multiple Access,FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access,OFDMA)、单载波频分多址(Single-carrier Frequency Division Multiple Access,SC-FDMA)和其他系统。本申请实施例中的术语“系统”和“网络”常被可互换地使用,所描述的技术既可用于以上提及的系统和无线电技术,也可用于其他系统和无线电技术。以下描述出于示例目的描述了新空口(New Radio,NR)系统,并且在以下大部分描述中使用NR术语,但是这些技术也可应用于NR系统应用以外的应用,如第6代(6th Generation,6G)通信系统。
图1示出本申请实施例可应用的一种无线通信系统的框图。无线通信系统包括终端11和网络侧设备12。其中,终端11可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)或称为笔记本电脑、个人数字助理(Personal DigitalAssistant,PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personalcomputer,UMPC)、移动上网装置(Mobile Internet Device,MID)、增强现实(augmentedreality,AR)/虚拟现实(virtual reality,VR)设备、机器人、可穿戴式设备(WearableDevice)、车载设备(VUE)、行人终端(PUE)、智能家居(具有无线通信功能的家居设备,如冰箱、电视、洗衣机或者家具等)、游戏机、个人计算机(personal computer,PC)、柜员机或者自助机等终端侧设备,可穿戴式设备包括:智能手表、智能手环、智能耳机、智能眼镜、智能首饰(智能手镯、智能手链、智能戒指、智能项链、智能脚镯、智能脚链等)、智能腕带、智能服装等。需要说明的是,在本申请实施例并不限定终端11的具体类型。网络侧设备12可以包括接入网设备或核心网设备,其中,接入网设备12也可以称为无线接入网设备、无线接入网(Radio Access Network,RAN)、无线接入网功能或无线接入网单元。接入网设备12可以包括基站、WLAN接入点或WiFi节点等,基站可被称为节点B、演进节点B(eNB)、接入点、基收发机站(Base Transceiver Station,BTS)、无线电基站、无线电收发机、基本服务集(BasicService Set,BSS)、扩展服务集(Extended Service Set,ESS)、家用B节点、家用演进型B节点、发送接收点(Transmitting Receiving Point,TRP)或所述领域中其他某个合适的术语,只要达到相同的技术效果,所述基站不限于特定技术词汇,需要说明的是,在本申请实施例中仅以NR系统中的基站为例进行介绍,并不限定基站的具体类型。
根据泰勒展开公式可以知道,任何非线性的东西都可以被线性的东西来拟合,所以理论上线性模型可以模拟物理世界的绝大多数现象。
假设现象P有N个属性来描述:
X=[x1,x2,...,xN]。其中,X为现象P的属性集合,xN为现象P的第N个属性。
线性模型:为试图学得一个通过N个属性的线性组合来进行线性P的预测的函数,即线性模型可以为:f(X)=(w1x1+b1)+(w2x2+b2)+...+(wNxN+bN),wN和bN分别为现象P的第N个属性的线性系数和偏移值。
线性模型以向量形式可以写成:
f(X)=WXT+b
W=[w1,w2,...,wN]
b=[b1,b2,...,bN]
其中,若线性模型f(X)为实数域上的实值函数,那么上述线性模型f(X)被称为线性回归模型。理论上,若是能够解出线性模型f(X)的参数W和b,那么现象P可以通过该线性模型f(X)进行推演预测。
时变信道过程可以看作时自回归滑动平均过程,在信噪比足够的情况下可以认为完全可预测过程。对时变信道可以使用线性模型进行递推预测;此时,线性模型是一个时间滤波器,输入历史的信道估计结果,输出为未来等时间间隔时刻的信道。
信道可以用一个P阶的线性过程建模为:
其中,H(n)表示第n个时刻的信道信息,P为线性模型的阶数,w(n)为白噪声,{am}Pm=1为线性模型的滤波器系数,线性模型的系数和阶数称为线性模型参数。
要利用线性模型进行信道预测必须先要求得线性模型的参数(具体为参数值),求线性模型的参数值有很多方法,这里以最小二乘法为例,构造超定方程组:
Y=Xa+w。
a=[a1,a2,...,an]T,w=[wn+1,wn+2,...,wn+N]T;
可以理解,对于上述公式(1),假设比如信道样本中包含连续10个时刻的信道信息,假设这10个时刻为t1,t2,t3,t4,t5,t6,t7,t8,t9,t10;又假设线性模型阶数设定为4,那么:需要利用4个历史时刻的信道信息,去拟合得到第10个时刻的信道信息,从而第10个时刻的信道信息可以表示为:H10=[H6,H7,H8,H9]*a+w,也可以表示为H10=[H5H6,H7,H8]*a+w,还可以表示为H10=[H4,H5,H6,H7]*a+w,以此类推。
线性模型的系数a的最小二乘估计为:
a=(XHX)-1XHY。
通过超定方程组,可知道残差w为:
w=Y-Xa。
残差w代表理论与实际值之间的差别,使残差平方和达到最小时的线性模型的系数a,说明线性模型拟合数据样本最好,即可实现未来时刻的信道预测,残差平方和公式(方程)为:
即可以基于残差平方和公式(方程),确定线性模型的系数方程。可以看出,该方程中还缺少矩阵X的列数,即线性模型的阶数P;矩阵X的列数同样也可以理解为输入线性模型的历史信道样本需要多少个用于未来时刻的信道预测。
可以理解,一个好的线性模型通常要求残差较小,同时模型相对简单,即是要求线性模型的阶数较低,从而可以通过一些定阶准则来比较不同阶数情况下的线性模型的优劣。常用的定阶准则有最终预报误差准则FPE(Final Prediction Error,FPE)、赤池信息量准则AIC(Akaike information criterion,AIC)和贝叶斯信息准则BIC(Bayesianinformation criterion,BIC)准则函数。
结合上述论述可知,运用线性模型进行信道预测的其优点是模型十分简单,线性模型只需要内生变量而不需要借助其他外生变量;从而线性模型建模比较简单。然而,线性模型的缺点也很明显,具体为:在复杂环境中运用线性模型进行信道预测时模型参数会很大,计算量会偏大;进一步地,目前基于线性模型的信道预测存在一定局限性,只能预测同历史输入数据等间隔的未来一个时刻的信道。
在本申请实施例提供的信道预测方法中,UE可以向网络侧设备发送包括UE基于历史信道估计结果构建的特定算子模型的模型参数和/或基于该模型参数的信道预测结果的第一信息,从而网络侧设备可以在接收到第一信息后,根据第一信息进行信道预测,即网络侧设备可以基于UE发送的模型参数和/或信道预测结果间接预测信道,从而可以减少通过特定算子模型进行信道预测的计算复杂度。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的信息处理方法进行详细地说明。
本申请实施例提供一种信号传输方法,图2示出了本申请实施例提供的一种信道预测方法的流程图。如图2所示,本申请实施例提供的信号传输方法可以包括下述的步骤201和步骤203。
步骤201、UE向网络侧设备发送第一信息。
其中,第一信息可以用于网络侧设备进行信道预测,第一信息包括信道预测结果和目标特定算子模型的模型参数,或包括目标特定算子模型的模型参数。其中,该信道预测结果为UE基于历史信道估计结果和目标特定算子模型的模型参数预测得到的信道结果,目标特定算子模型为UE基于历史信道估计结果构建的特定算子模型。
可选地,本申请实施例中,目标特定算子模型可以为线性模型、多项式拟合模型、esprit算法模型、music算法模型,或其他任意可以用于进行信道预测的模型,具体可以根据实际使用需求确定,本申请实施例不作限定。
可选地,本申请实施例中,上述历史信道估计结果为UE采用常规手段(如通过测量CSI-RS/DMRS来估计信道)进行估计得到的信道估计结果。
可选地,本申请实施例中,UE可以多个历史信道估计结果构建目标特定算子模型。
可选地,本申请实施例中,上述模型参数可以包括第一模型阶数和第一模型系数;第一模型阶数可以用于网络侧设备确定目标系数预测组件,第一模型系数可以用于网络侧设备基于目标系数预测组件进行信道预测。
可选地,本申请实施例中,当目标特定算子模型为线性模型时,上述模型参数可以为称为线性滤波器参数,该线性滤波器参数可以包括线性滤波器的阶数(即第一模型阶数)和系数(即第一模型系数)。
本申请实施例中,UE基于目标特定算子模型进行信道预测,并上报得到的信道预测结果和目标特定算子模型的模型参数,从而可以保证UE和网络侧设备采用的模型参数保持统一,便于网络侧设备(例如基站)选择合适的目标系数预测组件进行未来时刻的模型系数预测;网络侧设备在得到未来时刻的模型系数后,可以基于得到的模型系数预测未来时刻上的信道。
可选地,本申请实施例中,目标系数预测组件可以为以下至少一项:通过一个或多个小区标识构建的系数预测组件、通过一个或多个发送和接收点TRP标识构建的系数预测组件、通过一个或多个的信道特征信息构建的系数预测组件、通过一个小区内的波束标识构建的系数预测组件、通过不同的地理位置构建的系数预测组件。
可选地,本申请实施例中,上述信道特征信息指的是通过信道状态信息CSI(Channel State Information,CSI)反馈得到的预编码矩阵指示PMI(Precoding MatrixIndicator,PMI)、信道质量指示CQI(Channel quality indication,CQI)、秩指示RI(RANKIndicator,RI)等。
可以理解,本申请实施例中,网络侧设备可以将相同信道特征信息的UE构建为一个系数预测组件。
需要说明的是,上述地理位置可以人为划分,不对地理位置的划分作具体划分方法限定。
可选地,本申请实施例中,当目标系数预测组件为通过一个或多个小区标识构建的系数预测组件时,这些小区标识中包括UE的小区的小区标识。当目标系数预测组件为通过一个或多个TRP标识构建的系数预测组件时,这些TRP标识中包括UE的TRP标识。
可选地,本申请实施例中,网络侧设备可以以一个或多个小区标识构建为单位,构建系数预测组件;或者,可以以一个或多个TRP标识为单位,构建系数预测组件。
可选地,本申请实施例中,目标系数预测组件可以为以下任一项:每个RB特有的线性系数预测组件、每个子带特有的系数预测组件、多个RB或多个子带的系数预测组件、宽带的系数预测组件。
其中,在目标系数预测组件为每个RB特有的线性系数预测组件的情况下,目标系数预测组件的频域预测粒度为RB;在目标系数预测组件为每个子带特有的线性系数预测组件的情况下,目标系数预测组件的频域预测粒度为该子带;在目标系数预测组件为多个RB特有的线性系数预测组件的情况下,目标系数预测组件的频域预测粒度为多个RB;在目标系数预测组件为多个子带特有的线性系数预测组件的情况下,目标系数预测组件的频域预测粒度为多个子带;在目标系数预测组件为宽带的线性系数预测组件的情况下,目标系数预测组件的频域预测粒度为宽带。
可选地,本申请实施例中,目标系数预测组件可以为基于神经网络(例如卷积神经网络)的系数预测组件,或为基于其他具有学习能力的任意人工智能AI(ArtificialIntelligence,AI)网络的系数预测组件,具体可以根据实际使用需求确定,本申请实施例不作限定。
可选地,本申请实施例中,上述信道预测结果可以为UE在第一模型阶数小于或等于历史信道估计结果(为UE构建目标算子模型基于的历史信道估计结果)的数量(为了便于描述,以下称为目标数量)的情况下,基于第一模型参数和该历史信道估计结果进行信道预测得到的。
可以理解,本申请实施例中,第一模型阶数是否小于或等于目标数量为UE是否基于目标特定算子模型进行信道预测的信道预测条件。如果第一模型阶数小于或等于目标数量,则UE可以基于第一模型参数和该历史信道估计结果进行信道预测,并项网络侧设备发送信道预测结果和目标特定算子的模型参数;如果第一模型阶数大于目标数量,则UE本次不基于第一模型参数和该历史信道估计结果进行信道预测,且不向网络侧设备上报目标特定算子模型的模型参数,从而UE需要重新构建特定算子模型。
示例性地,假设目标特定算子模型为线性模型,那么当第一模型阶数小于或等于目标数量时,UE可以通过第一模型参数和历史信道估计结果,进行等间隔时间的信道预测。可以理解,受线性模型的特性的限制,UE预测的时间不可任意指定,只能预测从当前预测时刻起与历史数据(即上述历史信道估计结果)之间的间隔相等的时刻的信道,且只能往后预测一个时刻的信道;然后UE可以向网络侧设备发送本次预测的信道预测结果和目标特定算子的模型参数。
可选地,本申请实施例中,第一信息还可以包括UE期望的模型系数预测粒度,该模型系数预测粒度用于网络侧设备进行模型系数的预测;其中,该模型系数预测粒度可以包括以下至少一项:时域粒度、频域粒度。
本申请实施例中,由于第一信息中包括UE期望的模型系数预测粒度,因此当网络侧设备接收到第一信息之后,网络侧设备可以参考UE期望的模型预测粒度进行模型系数的预测,从而可以确保网络侧设备进行信道预测的准确性。
可选地,本申请实施例中,上述步骤201具体可以通过下述的步骤201a或步骤201b实现。
步骤201a、UE在目标资源上,向网络侧设备发送第一信息。
其中,目标资源可以包括以下至少一项:无线资源控制RRC(Radio ResourceControl,RRC)预配置固定的资源、媒体接入控制-控制单元MAC CE(Medium AccessControl-Control Element,MAC CE)指示的资源、下行控制信息DCI(Downlink ControlInformation DCI)指示的资源。
步骤201b、UE在发送CSI测量信息的资源上,向网络侧设备发送第一信息。
需要说明的是,本申请实施例中,UE在发送CSI测量信息的资源上,向网络侧设备发送第一信息可以避免因上报第一信息进行信令交互造成额外时延和资源配置。
本申请实施例中,由于可以采用在不同的资源上,向网络侧设备发送第一信息,因此可以提高发送第一信息的灵活性。
步骤202、网络侧设备获取第一信息。
对于第一信息的描述,具体可以参见上述实施例中对第一信息的相关描述,为了避免重复,此处不再赘述。
可选地,本申请实施例中,网络侧设备获取第一信息具体可以为:网络侧设备接收UE发送的第一信息;或者,网络侧设备可以采用其他手段获取第一信息(例如第一信息预先存储在网络侧设备中的);具体可以根据实际使用需求确定,本申请实施例不作限定。
步骤203、网络侧设备根据第一信息进行信道预测。
可选地,本申请实施例中,上述模型参数中包括第一模型阶数和第一模型系数,上述步骤203具体可以通过下述的步骤A至步骤C实现。
步骤A、网络侧设备根据第一模型阶数,确定与第一模型阶数对应的目标系数预测组件。
可选地,本申请实施例中,目标系数预测组件对应的阶数与第一模型阶数相同。对于目标系数预测组件对应的阶数的描述,具体参见下述实施例中对系数预测组件对应的阶数的相关描述,为了避免重复,此处不予赘述。
步骤B、网络侧设备采用目标系数预测组件,根据第一模型系数进行模型系数的预测,得到第二模型系数。
可选地,本申请实施例中,网络侧设备可以将第一模型系数输入目标系数预测组件中,以通过目标系数预测组件和第一模型系数,对未来时刻上的模型系数进行预测,得到第二模型系数。即第二模型系数为未来时刻上的模型系数。
可选地,本申请实施例中,第二模型系数的时域粒度可以为以下任一项:一个时隙、多个时隙、当前帧的剩余时隙、CSI的测量时刻、多个CSI测量时刻、CSI测量周期内每个时隙、多个CSI测量周期内每个时隙;和/或,第二模型系数的频域粒度可以为以下任一项:资源块RB(Resource Block,RB)、子带、宽带。
本申请实施例中,在不改变目标特定算子模型(具体为线性模型)的前提下,本申请实施例提供的信道预测方法引入目标系数预测组件,实现对等间隔的多个时刻的线性模型的线性系数进行预测,进而可以得到等时间间隔的多个时刻的信道状态,如此可以提升信道预测精度。
可选地,本申请实施例中,在第一信息还包括UE期望的模型系数预测粒度的情况下,上述步骤B具体可以通过下述的步骤B1实现。
步骤B1、在第一信息还包括UE期望的模型系数预测粒度的情况下,网络侧设备采用目标系数预测组件,根据第一模型系数、UE期望的模型系数预测粒度和其他UE期望的模型系数预测粒度,进行模型系数的预测,得到第二模型系数。
对于UE期望的模型系数预测粒度的描述,具体可以参见上述步骤101中对UE期望的模型系数预测粒度的相关描述,为了避免重复,此处不再赘述。
本申请实施例中,在第一信息还包括UE期望的模型系数预测粒度的情况下,基站(网络侧设备)可以根据第一模型参数、UE期望的模型系数预测粒度和此时来自的其他UE的线性系数预测需求(即其他UE期望的线性模型预测粒度)进行合理的粒度分配,并进行第二模型系数的预测;即网络侧设备可以综合第一模型系数、UE期望的模型系数预测粒度和其他UE期望的模型系数预测粒度,进行模型参数预测,从而可以提高网络侧设备进行模型系数的准确性和合理性。
可选地,本申请实施例中,如果第一信息中包括UE期望的模型系数预测粒度,那么网络侧设备在确定目标系数预测组件之后,可以先将UE期望的模型系数预测粒度与目标系数预测组件的目标预测粒度比对,若UE期望的模型系数预测粒度与目标预测粒度匹配(例如两者相同),则网络侧设备可以根据UE期望的模型系数预测粒度,进行模型系数的预测,以得到第二模型系数。若UE期望的模型系数预测粒度与目标预测粒度不匹配(例如两者不同),则网络侧设备可以根据目标预测粒度,进行模型系数的预测,以得到第二模型系数。
需要说明的是,本申请实施例中,当UE期望的模型系数预测粒度与目标预测粒度不匹配时,网络侧设备可以按照向上(宽粒度)或向下(窄粒度)兼容的策略,确定进行模型系数预测的预测粒度。
可以理解,本申请实施例中,频域粒度按照由宽至窄的顺序排列为:宽带、子带、RB;即频域粒度的大小顺序为:宽带>子带>RB。
可选地,本申请实施例中,上述步骤B具体可以通过下述的步骤B2实现。
步骤B2、网络侧设备在UE期望的模型系数预测粒度与目标预测粒度不匹配的情况下,采用目标系数预测组件,根据第一模型系数和目标预测粒度进行模型系数的预测,得到第二模型系数。
下面结合UE期望的模型系数预测粒度与目标预测粒度不匹配的5种情形,具体为下述的(a~e),对步骤B2进行示例性地说明。
a,UE期望的模型系数预测粒度为宽带中的子带/RB,目标预测粒度为宽带;
可选地,本申请实施例中,在UE期望的模型系数预测粒度为宽带中的子带/RB、且目标预测粒度为宽带的情况下,第二模型系数为宽带内的每个子带/RB共用宽带的预测结果。
b,UE期望的模型系数预测粒度为宽带,目标预测粒度为宽带中的子带。
可选地,本申请实施例中,在UE期望的模型系数预测粒度为宽带、且目标预测粒度为宽带中的子带的情况下,第二模型系数为宽带内所有子带中信道质量指示CQI(Channelquality indication,CQI)最低的子带上的预测结果;
c,UE期望的模型系数预测粒度为子带中的RB,目标预测粒度为子带。
可选地,本申请实施例中,在UE期望的模型系数预测粒度为子带中的RB、且目标预测粒度为子带的情况下,第二模型系数为子带内的每个RB共用子带的预测结果。
d,UE期望的模型系数预测粒度为子带,目标预测粒度为子带中的RB。
可选地,本申请实施例中,在UE期望的模型系数预测粒度为子带、且目标预测粒度为子带中的RB的情况下,第二模型系数为子带内所有RB中CQI最低的RB的预测结果;
e,UE期望的模型系数预测粒度为宽带,目标预测粒度为宽带中的子带下的RB。
可选地,本申请实施例中,在UE期望的模型系数预测粒度为宽带、且目标预测粒度为宽带中的子带下的RB的情况下,第二模型系数使用宽带内所有RB中CQI最低的RB的结果。
下面再结合具体示例对步骤B进行示例性地说明。
示例性地,假设基站(即网络侧设备)收到第一信息中,UE期望的频域粒度为子带;基站可以根据当前预测业务需求的实际情况决定是否要将预测粒度定为终端所期望的粒度(即子带)。具体的,若确定的目标预测粒度充足,则基站可以采用目标系数预测组件,进行UE期望的粒度的模型系数预测;若基站确定的目标预测粒度为宽带,即目标预测粒度为宽带与UE期望的子带不匹配,则基站可以进行宽带内的每个子带共用宽带的信道预测,即得到的预测结果为宽带内的每个子带共用宽带的预测结果;也就是说,每个子带共用宽带,各自利用宽带进行时隙(slot)级别的模型系数预测。
本申请实施例中,在所述UE期望的模型系数预测粒度与所述目标预测粒度不匹配的情况下,由于网络侧设备可以基于目标预测粒度,进行模型系数预测,因此可以提高网络侧设备进行模型系数预测的成功概率。
步骤C、网络侧设备根据第二模型系数和第一模型阶数,进行信道预测。
可选地,本申请实施例中,网络侧设备可以根据第二模型系数、第一模型阶数和UE发送的信道预测结果,进行信道预测。
可选地,本申请实施例中,当目标特定算子模型为线性模型时,网络侧设备可以根据第二模型系数、第一模型阶数、UE发送的信道预测结果、UE发送的历史信道估计结果,预测未来等时间间隔的多个时刻的信道。
本申请实施例中,由于网络侧设备可以基于获取的第一模型阶数,确定与第一模型阶数对应的目标系数预测组件;且采用目标系数预测组件,根据所述第一模型系数进行模型系数的预测,得到第二模型系数;并根据第二模型系数和第一模型阶数,进行信道预测;即网络侧设备可以根据网络侧设备预测的模型系数和UE预测的模型阶数,间接进行信道预测;因此相比于相关技术中网络侧设备直接采用特定算子模型进行信道预测的方案,本申请实施例提供的信道预测方法通过预测模型系数方式来间接预测信道,减少了信道预测的复杂度。
在本申请实施例提供的信道预测方法中,由于UE可以向网络侧设备发送包括UE基于历史信道估计结果构建的特定算子模型的模型参数和/或基于该模型参数的信道预测结果的第一信息,因此网络侧设备可以在接收到第一信息后,根据第一信息进行信道预测;即本申请实施例提供的信道预测方法可以基于UE发送的模型参数和/或信道预测结果间接预测信道,从而可以减少通过特定算子模型进行信道预测的计算复杂度。
可选地,本申请实施例中,在上述步骤201之前,本申请实施例提供的信道预测方法还可以包括下述的步骤204和步骤205。
步骤204、网络侧设备向UE发送第二信息。
步骤205、UE接收第二信息。
其中,本申请实施例中,第二信息可以用于指示UE构建目标特定算子模型所需的历史信道估计结果的最小数量门限。
可选地,本申请实施例中,最小数量门限为网络侧设备在进行系数预测组件的离线训练时得到的经验值。该最小数量门限由网络侧设备根据至少一个阶数值确定,至少一个阶数值为至少一个阶数组对应的阶数值,该至少一个阶数组中的阶数的数量均满足预设条件,且每个阶数组包括的多个阶数的阶数值相同。
可选地,本申请实施例中,上述预设条件包括以下任一项:上述至少一个阶数组中的阶数的数量大于或等于预设数量阈值、上述至少一个阶数组中为按照阶数数量由小至大排列的N个阶数组中的前M个阶数组;其中,M与该至少一个阶数组的数量相同,M为正整数。
可选地,本申请实施例中,假设满足预设条件的至少一个阶数组中的阶数为N个阶数中的阶数,那么:该N个阶数包括以下任一项:
网络侧设备对UE的波束对应的系数预测组件进行离线训练时采用的所有阶数;
网络侧设备对UE所处地理区域对应的系数预测组件进行离线训练时采用的所有阶数;
网络侧设备对UE对应的跟踪区域TA对应的系数预测组件进行离线训练时采用的所有阶数;
网络侧设备对同一个信道特征信息对应的系数预测组件进行离线训练时采用的所有阶数。
需要说明的是,本申请实施例中,网络侧设备可以采用阶数相同的多个特定算子模型的模型系数,进行系数预测组件的离线训练,得到一个系数预测组件;该系数预测组件对应的阶数与该多个特定算子模型的阶数相同。
可以理解,本申请实施例中,UE在接收到第二信息之后,可以采用常规手段进行信道估计,以收集历史信道估计结果;当收集的历史信道估计结果的数量达到上述最小数量门限时,UE可以开始尝试基于收集的所有历史信道估计结果构建目标特定算子模型。
可选地,本申请实施例中,第二信息可以包括以下至少一项:RRC预配置的一个参数或一套参数、MAC CE、DCI。
可选地,本申请实施例中,当RRC预配置一个参数时,最小数量门限可以仅通过该参数进行指示,该参数即为最小数量门限。当RRC预配置一套参数,例如该套参数可以为一组阶数值,分别为:7、9、11时,第二信息还可以包括MAC CE或DCI,以通过MAC CE和DCI从该套参数中确定一个参数作为最小数量门限。
可选地,本申请实施例中,当第二信息包括:MAC CE或DCI时,上述最小数量门限可以包含在MAC CE或DCI中,UE解码DCI和MAC CE即可直接可以直接获取最小数量门限;例如,MAC CE或DCI上可以承载一个指示信息,以通过该指示信息指示最小数量门限。
本申请实施例中,MAC CE和DCI的区别在于延时,且MAC CE的延时>DCI的延时。
另外,在时延上,RRC>MAC CE>DCI,即越往上层的信令延时越高,同时可携带的信息量越多。
本申请实施例中,由于网络侧设备可以通过第二信息UE构建目标特定算子模型所需的历史信道估计结果的最小数量门限,因此在UE接收到第二信息之后,可以在收集的历史信道估计结果的数量大于或等于该最小数量门限后再创建目标特定算子模型,从而可以节省UE的开销,并提高目标特定算子模型的准确性。
可选地,本申请实施例中,在上述步骤C之前,本申请实施例提供的信道预测方法还可以包括下述的步骤206。
步骤206、网络侧设备根据目标信息,确定目标系数预测模块。
本申请实施例中,目标系数预测模块中可以包括多个系数预测组件,该多个系数预测组件中可以包括目标系数预测组件。
其中,目标信息可以包括以下至少一项:UE的地理位置信息、UE发送的CSI测量信息、UE对应的跟踪区域标识TAI、UE的波束覆盖范围、UE的波束标识、UE对应的场景信息。
可选地,本申请实施例中,UE对应的场景信息可以为UE的地理位置信息指示的地理位置的场景信息。其中,地理位置的场景信息可以指示以下至少一项:密集建筑群场景、开阔场景(例如高速路)、乡镇场景。
可以理解,本申请实施例中,目标信息不同,网络侧设备确定的目标系数预测模块也可能不同,从而目标系数预测组件也不同,具体可以根据实际使用需求确定,本申请实施例不作限定。
为了更好地理解本申请实施例提供的信道预测方法,下面对网络侧设备对构建系数预测模型的方式进行示例性地说明。
i,考虑到系数预测模块的通用性和预测准确性,网络侧设备可以以影响信道状态的因素为标准对网络侧设备搭建/构建的系数预测组件划分(归类),组成多个系数预测模块,每个系数预测模块中包括多个系数预测组件。系数预测组件可以根据以下的一种为标准构建系数预测模块:
根据波束覆盖范围或UE所属波束标识划分不同波束的系数预测模块;
根据TAI构建不同TA的系数预测模块;
根据UE的地理位置信息,构建不同地理位置上的系数预测模块;
根据有差别较大的CSI测量信息(结果),如CQI、PMI,构建不同CSI测量信息的系数预测模块。
可选地,本申请实施例中,网络侧设备以最能影响信道状态的因素为标准,构建不同标准下的系数预测模块,且每个系数预测模块中可以包含不同模型阶数下的线性系数预测组件。
ii,考虑到不同模型阶数对模型系数预测的影响,网络侧设备可以构建不同模型阶数的系数预测模块。
iii,考虑到不同场景下的信道预测,网络侧设备可以构建以下的一种或多种的系数预测模块:
每个RB特有的系数预测模块,适用于密集建筑群场景;
每个子带特有的系数预测模块,适用于乡镇场景;
多个RB或多个子带的系数预测模块,适用于开阔场景;
宽带的系数预测模块,适用于开阔场景。
需要说明的是,UE的信道状态会随着周围环境的不同有明显变化,能够以最影响信道变换条件的因素为标准构建系数预测模块,而非终端特定(specific)的系数预测模块,增加了系数预测模块的通用性。
进一步地,随着UE的移动和环境的变化,网络侧设备确定的用于预测模型系数的目标系数预测模块也会对应变化,提高了预测灵活性和预测精度。
可选地,本申请实施例中,若已知预测间隔内的每个时隙上的模型系数,则本申请实施例提供的信道预测方法可以进行未来间隔内的每个时隙上的信道预测。
为了便于理解本申请实施例提供的信道预测方法,下面以特定算子模型(例如目标特定算子模型)为线性模型为例,对本申请实施例提供的信道预测方法的执行过程进行示例性地说明。
一、系数预测组件训练数据集构建:
为了简化描述,以一个beam下的单个UE历史时间的t+k个信道来简述本方案。
假设UEi的历史时域信道为:H=[H1,H2,...Ht,...,Ht+k],如图3所示,实线框30是一个滑动窗口,窗口大小可以配置;又假设以T(注:K>>T)大小的滑动窗口在UEi的历史信道中进行滑动。每次滑动一个slot且每滑动一次,则以当前滑动窗口内的时域信道采样值为数据样本构造线性模型的超定方程组,时域信道采样的间隔与网络侧RRC配置的CSI-RS测量周期保持一致,计算该线性模型的阶数P(T>P)及线性系数a。具体步骤为:
步骤1,假设在t时刻,采样间隔为g,采样总数为n,窗口大小为T,则滑动窗口内,具体为图3中的加粗实现方框30内的历史信道样本集合Y1为:
Y1=[Ht-T,Ht-T+1*g+1*1,...,Ht-T+(n-1)*g+(n-1)*1];
根据历史信道样本集合Y1构造线性模型,根据准则函数得到线性模型的最优阶数P1,然后计算历史信道样本集合Y1下的线性系数:
步骤2,历史信道样本集合Y1的线性系数aP2计算完成后,滑动窗口向前推移1个slot,在将滑动窗口移动1个slot之后,将滑动窗口内,具体为图3中实现方框31内的信道采样值作为另外一个历史信道样本集合Y2;同步骤1一样,根据历史信道样本集合Y2构造一个线性模型,并根据准则函数得到该线性模型的最优阶数P2,然后计算历史信道样本集合Y2下的线性系数
YN=[Ht+k-T,Ht+k-T+g*1+1*1,...,Ht+k-T+(n-1)*g+(n-1)*1];
如此,可以得到N个线性模型的线性系数,分别为aP1,aP2,......,aPN。
二、系数预测组件离线训练,也称为系数预测组件创建:
将N个线性模型的线性系数中相同阶数对应的线性系数组合在一起,构造不同阶数下的线性系数集合。将每个线性阶数下的线性系数按照滑动窗口对应时刻的先后进行排序(例如:若时刻j<k,则滑动窗口在时刻j时计算的线性系数aj和滑动窗口在时刻k时计算的线性系数ak的排列顺序为[aj,ak])。然后将排序后的不同阶数下的线性系数集合分别作为AI网络模型的输入进行训练,以得到不同阶数下的系数预测组件。
可以看出,每个系数预测组件由相同阶数下的线性系数集合离线训练得到,且不同系数预测组件由不同阶数下的线性系数集合离线训练得到。
需要说明的是,本申请实施例中,基站可以在历史时域信道中,利用时间滑窗,构造线性模型的线性系数集合,将线性系数集合放入AI网络模型中进行离线训练,学习任意预测时刻的线性模型系数。
三、信道预测过程:
假设网络侧设备为处于开阔场景的基站(如高速路),由于该基站附近的障碍物少,多数是视距(LOS)的传播条件,因此多径效应不明显,不同RB之间的信道也不会有很大变化,因此处于开阔场景下的基站离线训练的系数预测模块为宽带的系数预测模块。
图4为运用线性模型进行信道预测的流程示意图,具体步骤如下:
1.UE确定线性模型(即目标特定算子模型)的模型参数。
a)UE接入基站后,基站可以通过由RRC信令(即第二信息)指示UE一个信道估计收集数量参考值N,即UE构建所述目标特定算子模型所需的历史信道估计结果的最小数量门限,N为正整数。
b)如图4所示,UE收集的历史信道估计结果的数量达到N后,UE可以利用N个历史信道估计结果尝试构造线性模型的超定方程组;然后,UE可以根据信息论的准则函数确定线性模型的阶数P(即第一模型阶数)。在确定阶数P之后,UE可以先判断阶数P是否满足信道预测条件,若阶数P满足信道预测条件,则计算线性模型的线性系数a,否则不计算线性模型的线性系数a。
具体的:
i,若P>N,则确定线性模型不满足信道预测条件,从而UE本次不进行线性模型的信道预测,具体为不进行线性模型的线性系数的计算。
ii,若P≤N,则确定线性模型满足信道预测条件,从而UE可以计算线性模型的线性系数a。
2.UE基于线性模型的信道预测。
UE确定线性模型的模型参数之后,UE可以通过线性模型的模型参数和N个历史信道估计结果,进行等间隔时间的信道预测(受线性模型的限制,预测的时间不可任意指定,只能预测从当前预测时刻起与历史数据之间的间隔相等的时刻的信道,且往后预测一个间隔时刻的信道),具体的,如图4所示,假设N个历史信道估计结果中的第N个历史信道估计结果为t1时刻的信道结果,那么UE可以根据线性模型的模型参数和N个历史信道估计结果,进行t2时刻的信道预测,即可以得到t2时刻的信道预测结果。
3.参数上报,即向网络侧设备发送第一信息。
UE可以在确定线性模型的线性系数之后,向网络侧设备上报线性模型的模型参数,该模型参数可以包括线性模型的阶数P和线性模型的线性系数a。
a)在上报阶段,为避免上报参数的信令交互造成额外的时延和资源配置,因此UE可以在进行CSI测量信息上报时,连同信道预测结果和线性模型的模型参数(即第一信息)也上报给基站。
b)由于终端处于高速移动,多普勒频移会造成信道在不同时刻下的相位和/或频率有较大改变,因此为了使基站更加准确地进行信道预测,UE可以在上报信息(即第一信息)中携带UE需求的线性系数预测频域粒度(即UE期望的线性系数预测粒度),且该线性系数预测频域粒度为子带。
4.基站进行线性系数预测。
a)基站接收UE发送的第一信息之后,可以根据UE处于哪个beam的覆盖范围(即UE的波束覆盖范围)或UE所属波束标识(即UE的波束标识),确定目标系数预测模块,目标系数预测模块中包括多个系数预测组件。
b)基站根据UE上报的模型参数中的阶数P,确定使用目标系数预测模块中的哪个线性系数预测组件(即目标系数预测组件),例如,目标系数预测组件为阶数P下的系数预测组件。
c)基站将UE上报的线性模型的线性系数a输入目标系数预测组件中,即使用基站最终确定的线性系数预测组件,进行当前线性参数预测时刻(例如图5中的t2时刻)的下一间隔时刻(例如图5中的t3时刻)上的线性系数预测,得到一个线性系数(即第二模型系数)。
d)UE上报的信息中包括UE需求预测的频域粒度,即UE期望的线性系数频域预测粒度,从而基站可以根据当前预测业务需求的实际情况,决定是否要将预测频域粒度确定为终端所期望的粒度。
具体的,若基站可调度的处理单元资源(即目标预测粒度)充足,例如目标预测粒度与UE期望的模型系数预测粒度相同,则基站可以确定进行UE期望的模型系数预测粒度的信道预测;然而,由于目标系数预测组件为宽带的系数预测模块中的系数预测组件,即目标系数预测组件的预测粒度(也可以称为目标预测粒度)为宽带,因此基站可以确定目标预测粒度与UE期望的模型系数预测粒度(即子带)不匹配,从而基站可以基于目标系数预测组件,利用目标预测粒度和第一模型系数,进行时隙级别的线性系数预测,以得到第二模型系数(为一个线性系数)。
5.线性系数(例如AI系数)预测下的信道预测。
基站采用目标系数预测组件,根据UE上报的线性模型的线性系数a,预测出下一个间隔时刻(例如图5中的t3时刻)上的线性系数;然后,基站可以利用UE上报的预测信息(例如UE基于线性模型预测的图5中的t2时刻的信道结果)和历史测量上报的信道信息(例如图5中的N个历史信道估计结果)组成阶数P要求的输入样本,对下一个间隔时刻的信道进行预测。
其中,历史测量上报的信道信息可以包括以下至少一项:UE基于模型参数和N个历史信道估计结果预测得到的信道结果、N个历史信道估计结果;其他UE历史测量上报的信道结果。
本申请实施例中,相比于相关技术中需求基站可以根据t2时刻(时隙)和更早的信道信息(例如N个历史信道估计结果)构建的模型参数后在基于构建的模型参数和这些信息信息进行未来时刻的信道预测的方案,由于本申请实施例提供的信道预测方法可以直接通过目标系数预测组件预测出第二模型系数,因此可以简化信道预测的复杂度。
本申请实施例中,由于基站可以通过能够预测线性系数的目标系数预测组件来间接预测信道,从而减少了信道预测的复杂度。
本申请实施例提供的信道预测方法,执行主体还可以为信道预测装置。本申请实施例中以信道预测装置执行信道预测方法为例,说明本申请实施例提供的信道预测装置。
图5示出了本申请实施例中涉及的信道预测装置的一种可能的结构示意图。如图5所示,该信道预测装置50可以包括:发送模块51。
其中,发送模块51,用于向网络侧设备发送第一信息,第一信息包括信道预测结果和目标特定算子模型的模型参数,或包括目标特定算子模型的模型参数;其中,信道预测结果为UE基于目标特定算子模型的模型参数和历史信道估计结果预测得到的信道结果,目标特定算子模型为UE基于历史信道估计结果构建的特定算子模型。
在一种可能的实现方式中,上述模型参数包括第一模型阶数和第一模型系数,第一模型阶数用于网络侧设备确定目标系数预测组件,第一模型系数用于网络侧设备基于目标系数预测组件进行信道预测。
在一种可能的实现方式中,上述信道预测结果为UE在第一模型阶数小于或等于历史信道估计结果的数量的情况下,基于第一模型参数和历史信道估计结果进行信道预测得到的。
在一种可能的实现方式中,上述信道预测装置还包括接收模块。接收模块,用于在发送模块51向网络侧设备发送第一信息之前,接收网络侧设备发送的第二信息,第二信息用于指示UE构建目标特定算子模型所需的历史信道估计结果的最小数量门限;
其中,第二信息包括以下至少一项:无线资源控制RRC预配置的一个参数或一套参数、媒体接入控制-控制单元MAC CE、下行控制信息DCI。
在一种可能的实现方式中,上述第一信息还包括UE期望的模型系数预测粒度,模型系数预测粒度用于网络侧设备进行模型系数的预测;
其中,模型系数预测粒度包括以下至少一项:时域粒度、频域粒度。
在一种可能的实现方式中,上述发送模块51,具体用于在目标资源上,向网络侧设备发送第一信息,目标资源包括以下至少一项:无线资源控制RRC预配置固定的资源、媒体接入控制-控制单元MAC CE指示的资源、下行控制信息DCI指示的资源;
或者,
发送模块51,具体用于在发送CSI测量信息的资源上,向网络侧设备发送第一信息。
本申请实施例提供一种信道预测装置,信道预测装置可以向网络侧设备发送包括信道预测装置基于历史信道估计结果构建的特定算子模型的模型参数和/或基于该模型参数的信道预测结果的第一信息,因此网络侧设备可以在接收到第一信息后,根据第一信息进行信道预测;即本申请实施例提供的信道预测方法可以基于信道预测装置构建的特定算子模型的模型参数和/或基于该特定算子模型预测的信道预测结果间接预测信道,从而可以减少通过特定算子模型进行信道预测的计算复杂度。
本申请实施例中的信道测量装置可以是电子设备,例如具有操作系统的电子设备,也可以是电子设备中的部件,例如集成电路或芯片。该电子设备可以是终端,也可以为除终端之外的其他设备。示例性的,终端可以包括但不限于上述所列举的终端11的类型,网络附属存储器(Network Attached Storage,NAS)等,本申请实施例不作具体限定。
本申请实施例中的信道预测装置可以是装置或UE,也可以是UE中的部件、集成电路、或芯片。
本申请实施例提供的信道测量装置能够实现图2至图5的方法实施例中UE实现的各个过程,并达到相同的技术效果,为避免重复,这里不再赘述。
图6示出了本申请实施例中涉及的信道预测装置的一种可能的结构示意图。如图6所示,信道预测装置60可以包括:获取模块61和预测模块62。获取模块,用于获取第一信息,第一信息包括信道预测结果和目标特定算子模型的模型参数,或包括目标特定算子模型的模型参数;其中,信道预测结果为UE基于目标特定算子模型的模型参数和历史信道估计结果预测得到的信道结果,目标特定算子模型为UE基于历史信道估计结果构建的特定算子模型;预测模块,用于根据获取模块获取的第一信息进行信道预测。
在一种可能的实现方式中,上述模型参数包括第一模型阶数和第一模型系数;预测模块包括确定子模块和预测子模块。确定子模块,用于根据第一模型阶数,确定与第一模型阶数对应的目标系数预测组件;预测子模块,用于采用确定子模块确定的目标系数预测组件,根据第一模型系数进行模型系数的预测,得到第二模型系数;并根据第二模型系数和第一模型阶数,进行信道预测。
在一种可能的实现方式中,上述确定子模块,还用于在根据第一模型阶数,确定与第一模型阶数对应的目标系数预测组件之前,根据目标信息,确定目标系数预测模块,目标系数预测模块中包括多个系数预测组件,多个系数预测组件中包括目标系数预测组件;
其中,目标信息包括以下至少一项:UE的地理位置信息、UE发送的CSI测量信息、UE对应的跟踪区域标识TAI、UE的波束覆盖范围、UE的波束标识、UE对应的场景信息。
在一种可能的实现方式中,上述第一信息还包括UE期望的模型系数预测粒度,模型系数预测粒度包括以下至少一项:时域粒度、频域粒度;
预测子模块,具体用于采用目标系数预测组件,根据第一模型系数、UE期望的模型系数预测粒度和其他UE期望的模型系数预测粒度,进行模型系数的预测,得到第二模型系数。
在一种可能的实现方式中,上述第二模型系数的时域粒度为以下任一项:一个时隙、多个时隙、当前帧的剩余时隙、下一个信道状态信息CSI的测量时刻、多个CSI测量时刻、CSI测量周期内每个时隙、多个CSI测量周期内每个时隙;
和/或,
第二模型系数的频域粒度为以下任一项:资源块RB、子带、宽带。
在一种可能的实现方式中,上述预测子模块,具体用于在UE期望的模型系数预测粒度与目标预测粒度不匹配的情况下,采用目标系数预测组件,根据第一模型系数和目标预测粒度进行模型系数的预测,得到第二模型系数;
其中,目标预测粒度为目标系数预测组件的预测粒度。
在一种可能的实现方式中,在UE期望的模型系数预测粒度为宽带中的子带/RB、且目标预测粒度为宽带的情况下,第二模型系数为宽带内的每个子带/RB共用宽带的预测结果;或者,
在UE期望的模型系数预测粒度为宽带、且目标预测粒度为宽带中的子带的情况下,第二模型系数为宽带内所有子带中信道质量指示CQI最低的子带上的预测结果;或者,
在UE期望的模型系数预测粒度为子带中的RB、且目标预测粒度为子带的情况下,第二模型系数为子带内的每个RB共用子带的预测结果;或者,
在UE期望的模型系数预测粒度为子带、且目标预测粒度为子带中的RB的情况下,第二模型系数为子带内所有RB中CQI最低的RB的预测结果;或者,
在UE期望的模型系数预测粒度为宽带、且目标预测粒度为宽带中的子带下的RB的情况下,第二模型系数使用宽带内所有RB中CQI最低的RB的结果。
在一种可能的实现方式中,上述目标系数预测组件为以下任一项:通过一个或多个小区标识构建的系数预测组件、通过一个或多个发送和接收点TRP标识构建的系数预测组件。
在一种可能的实现方式中,上述信道预测装置还可以包括:发送模块;
发送模块,用于在获取模块获取第一信息之前,向UE发送第二信息,第二信息用于指示UE构建目标特定算子模型所需的历史信道估计结果的最小数量门限;其中,第二信息包括以下至少一项:无线资源控制RRC预配置的一个参数或一套参数、媒体接入控制-控制单元MAC CE、下行控制信息DCI。
本申请实施例提供一种信道预测装置,信道预测装置可以接收UE发送的包括UE基于历史信道估计结果构建的特定算子模型的模型参数和/或基于该模型参数的信道预测结果的第一信息,因此信道预测装置可以在接收到第一信息后,根据第一信息进行信道预测;即本申请实施例提供的信道预测方法可以基于UE构建的特定算子模型的模型参数和/或基于该特定算子模型预测的信道预测结果间接预测信道,从而可以减少通过特定算子模型进行信道预测的计算复杂度。
本申请实施例中的信道测量装置可以是电子设备,例如具有操作系统的电子设备,也可以是电子设备中的部件,例如集成电路或芯片。该电子设备可以是终端,也可以为除终端之外的其他设备。示例性的,终端可以包括但不限于上述所列举的终端11的类型,网络附属存储器(Network Attached Storage,NAS)等,本申请实施例不作具体限定。
本申请实施例中的信道预测装置可以是装置或UE,也可以是UE中的部件、集成电路、或芯片。
本申请实施例提供的信道测量装置能够实现图2至图5的方法实施例中网络侧设备实现的各个过程,并达到相同的技术效果,为避免重复,这里不再赘述。
可选的,如图7所示,本申请实施例还提供一种通信设备200,包括处理器201和存储器202,存储器202上存储有可在所述处理器201上运行的程序或指令,例如,该通信设备200为UE时,该程序或指令被处理器201执行时实现上述信道预测方法实施例中UE的各个步骤,且能达到相同的技术效果。该通信设备200为网络侧设备时,该程序或指令被处理器201执行时实现上述信道预测方法实施例中网络侧设备的各个步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供一种UE,包括处理器及通信接口,其中,所述处理器用于构建目标特定算子模型,和/或,基于目标特定算子模型的模型参数和历史信道估计结果预测得到的信道结果,进行信道预测,得到信道预测结果;目标特定算子模型为UE基于历史信道估计结果构建的特定算子模型;所述通信接口用于向网络侧设备发送第一信息,第一信息中包括该模型参数和/或信道预测结果。该UE实施例与上述UE侧方法实施例对应,上述UE侧方法实施例的各个实施过程和实现方式均可适用于该UE实施例中,且能达到相同的技术效果。具体地,图8为实现本申请实施例的一种UE的硬件结构示意图。
该UE1000包括但不限于:射频单元1001、网络模块1002、音频输出单元1003、输入单元1004、传感器1005、显示单元1006、用户输入单元1007、接口单元1008、存储器1009以及处理器1010等中的至少部分部件。
本领域技术人员可以理解,终端1000还可以包括给各个部件供电的电源(比如电池),电源可以通过电源管理系统与处理器1010逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图8中示出的UE结构并不构成对UE的限定,UE可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置,在此不再赘述。
应理解的是,本申请实施例中,输入单元1004可以包括图形处理单元(GraphicsProcessing Unit,GPU)10041和麦克风10042,图形处理器10041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元1006可包括显示面板10061,可以采用液晶显示器、有机发光二极管等形式来配置显示面板10061。用户输入单元1007包括触控面板10071以及其他输入设备10072中的至少一种。触控面板10071,也称为触摸屏。触控面板10071可包括触摸检测装置和触摸控制器两个部分。其他输入设备10072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
本申请实施例中,射频单元1001接收来自网络侧设备的下行数据后,可以传输给处理器1010进行处理;另外,射频单元1001可以向网络侧设备发送上行数据。通常,射频单元1001包括但不限于天线、放大器、收发信机、耦合器、低噪声放大器、双工器等。
存储器1009可用于存储软件程序或指令以及各种数据。存储器1009可主要包括存储程序或指令的第一存储区和存储数据的第二存储区,其中,第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外,存储器1009可以包括易失性存储器或非易失性存储器,或者,存储器1009可以包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(SynchronousDRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本申请实施例中的存储器1009包括但不限于这些和任意其它适合类型的存储器。
处理器1010可包括一个或多个处理单元;可选的,处理器1010集成应用处理器和调制解调处理器,其中,应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作,调制解调处理器主要处理无线通信信号,如基带处理器。可以理解的是,上述调制解调处理器也可以不集成到处理器1010中。
其中,射频单元1001,用于向网络侧设备发送第一信息,所述第一信息用于所述网络侧设备进行信道预测,第一信息包括信道预测结果和目标特定算子模型的模型参数,或包括目标特定算子模型的模型参数;其中,所述信道预测结果为处理器1010基于目标特定算子模型的模型参数和历史信道估计结果预测得到的信道结果,所述目标特定算子模型为处理器1010基于历史信道估计结果构建的特定算子模型。
本申请实施例提供一种UE,UE可以向网络侧设备发送包括UE基于历史信道估计结果构建的特定算子模型的模型参数和/或基于该模型参数的信道预测结果的第一信息,因此网络侧设备可以在接收到第一信息后,根据第一信息进行信道预测;即本申请实施例提供的信道预测方法可以基于UE构建的特定算子模型的模型参数和/或基于该特定算子模型预测的信道预测结果间接预测信道,从而可以减少通过特定算子模型进行信道预测的计算复杂度。
在一种可能的实现方式中,上述模型参数包括第一模型阶数和第一模型系数,第一模型阶数用于网络侧设备确定目标系数预测组件,第一模型系数用于网络侧设备基于目标系数预测组件进行信道预测。
在一种可能的实现方式中,射频单元1001,还用于在向网络侧设备发送第一信息之前,接收网络侧设备发送的第二信息,第二信息用于指示UE构建目标特定算子模型所需的历史信道估计结果的最小数量门限;其中,第二信息包括以下至少一项:无线资源控制RRC预配置的一个参数或一套参数、媒体接入控制-控制单元MAC CE、下行控制信息DCI。
本申请实施例还提供一种网络侧设备,包括处理器及通信接口,其中,所述通信接口用于获取第一信息,第一信息包括目标特定算子模型的模型参数和信道预测结果中至少一项;其中,目标特定算子模型为UE基于历史信道估计结果构建的特定算子模型,该信道预测结果为UE基于目标特定算子模型的模型参数和历史信道估计结果预测得到的信道结果;处理器用于根据第一信息进行信道预测。该网络侧设备实施例与上述网络侧设备方法实施例对应,上述方法实施例的各个实施过程和实现方式均可适用于该网络侧设备实施例中,且能达到相同的技术效果。
具体地,本申请实施例还提供了一种网络侧设备。如图9所示,该网络侧设备为基站700包括:天线71、射频装置72、基带装置73、处理器74和存储器75。天线71与射频装置72连接。在上行方向上,射频装置72通过天线71接收信息,将接收的信息发送给基带装置73进行处理。在下行方向上,基带装置73对要发送的信息进行处理,并发送给射频装置72,射频装置72对收到的信息进行处理后经过天线71发送出去。
以上实施例中网络侧设备执行的方法可以在基带装置73中实现,该基带装置73包括基带处理器。
基带装置73例如可以包括至少一个基带板,该基带板上设置有多个芯片,如图7所示,其中一个芯片例如为基带处理器,通过总线接口与存储器75连接,以调用存储器75中的程序,执行以上方法实施例中所示的网络设备操作。
该网络侧设备还可以包括网络接口76,该接口例如为通用公共无线接口(commonpublic radio interface,CPRI)。
具体地,本发明实施例的网络侧设备700还包括:存储在存储器75上并可在处理器74上运行的指令或程序,处理器74调用存储器75中的指令或程序执行图6所示各模块执行的方法,并达到相同的技术效果,为避免重复,故不在此赘述。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述信道预测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的UE或网络侧设备中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述信道预测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片,系统芯片,芯片系统或片上系统芯片等。
本申请实施例另提供了一种计算机程序/程序产品,所述计算机程序/程序产品被存储在存储介质中,所述计算机程序/程序产品被至少一个处理器执行以实现上述信道预测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供了一种通信系统,包括:UE及网络侧设备,所述UE可用于执行如上所述的信道预测方法实施例中UE执行的步骤,所述网络侧设备可用于执行如上所述的信道预测方法实施例中网络侧设备执行的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (34)
1.一种信道预测方法,其特征在于,包括:
用户设备UE向网络侧设备发送第一信息,所述第一信息用于所述网络侧设备进行信道预测,所述第一信息包括信道预测结果和目标特定算子模型的模型参数,或包括目标特定算子模型的模型参数;
其中,所述信道预测结果为所述UE基于目标特定算子模型的模型参数和历史信道估计结果预测得到的信道结果,所述目标特定算子模型为所述UE基于历史信道估计结果构建的特定算子模型。
2.根据权利要求1所述的方法,其特征在于,所述模型参数包括第一模型阶数和第一模型系数,所述第一模型阶数用于所述网络侧设备确定目标系数预测组件,所述第一模型系数用于所述网络侧设备基于所述目标系数预测组件进行信道预测。
3.根据权利要求2所述的方法,其特征在于,所述信道预测结果为所述UE在所述第一模型阶数小于或等于所述历史信道估计结果的数量的情况下,基于所述第一模型参数和所述历史信道估计结果进行信道预测得到的。
4.根据权利要求3所述的方法,其特征在于,所述UE向网络侧设备发送第一信息之前,所述方法还包括:
所述UE接收所述网络侧设备发送的第二信息,所述第二信息用于指示所述UE构建所述目标特定算子模型所需的历史信道估计结果的最小数量门限;
其中,所述第二信息包括以下至少一项:无线资源控制RRC预配置的一个参数或一套参数、媒体接入控制-控制单元MAC CE、下行控制信息DCI。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述第一信息还包括所述UE期望的模型系数预测粒度,所述模型系数预测粒度用于所述网络侧设备进行模型系数的预测;
其中,所述模型系数预测粒度包括以下至少一项:时域粒度、频域粒度。
6.根据权利要求1所述的方法,其特征在于,所述UE向网络侧设备发送第一信息,包括:
所述UE在目标资源上,向所述网络侧设备发送所述第一信息,所述目标资源包括以下至少一项:RRC预配置固定的资源、MAC CE指示的资源、DCI指示的资源;
或者,
所述UE在发送信道状态信息CSI测量信息的资源上,向所述网络侧设备发送所述第一信息。
7.一种信道预测装置,其特征在于,包括:发送模块;
所述发送模块,用于向网络侧设备发送第一信息,所述第一信息用于所述网络侧设备进行信道预测,所述第一信息包括信道预测结果和目标特定算子模型的模型参数,或包括目标特定算子模型的模型参数;
其中,所述信道预测结果为所述UE基于目标特定算子模型的模型参数和历史信道估计结果预测得到的信道结果,所述目标特定算子模型为所述UE基于历史信道估计结果构建的特定算子模型。
8.根据权利要求7所述的装置,其特征在于,所述模型参数包括第一模型阶数和第一模型系数,所述第一模型阶数用于所述网络侧设备确定目标系数预测组件,所述第一模型系数用于所述网络侧设备基于所述目标系数预测组件进行信道预测。
9.根据权利要求8所述的装置,其特征在于,所述信道预测结果为所述UE在所述第一模型阶数小于或等于所述历史信道估计结果的数量的情况下,基于所述第一模型参数和所述历史信道估计结果进行信道预测得到的。
10.根据权利要求9所述的装置,其特征在于,还包括:接收模块;
所述接收模块,用于在所述发送模块向所述网络侧设备发送第一信息之前,接收所述网络侧设备发送的第二信息,所述第二信息用于指示所述UE构建所述目标特定算子模型所需的历史信道估计结果的最小数量门限;
其中,所述第二信息包括以下至少一项:无线资源控制RRC预配置的一个参数或一套参数、媒体接入控制-控制单元MAC CE、下行控制信息DCI。
11.根据权利要求7至10中任一项所述的装置,其特征在于,所述第一信息还包括所述UE期望的模型系数预测粒度,所述模型系数预测粒度用于所述网络侧设备进行模型系数的预测;
其中,所述模型系数预测粒度包括以下至少一项:时域粒度、频域粒度。
12.根据权利要求7所述的装置,其特征在于,
所述发送模块,具体用于在目标资源上,向所述网络侧设备发送所述第一信息,所述目标资源包括以下至少一项:RRC预配置固定的资源、MAC CE指示的资源、DCI指示的资源;
或者,
所述发送模块,具体用于在发送信道状态信息CSI测量信息的资源上,向所述网络侧设备发送所述第一信息。
13.一种信道预测方法,其特征在于,包括:
网络侧设备获取第一信息,所述第一信息包括信道预测结果和目标特定算子模型的模型参数,或包括目标特定算子模型的模型参数;
其中,所述信道预测结果为所述UE基于目标特定算子模型的模型参数和历史信道估计结果预测得到的信道结果,所述目标特定算子模型为所述UE基于历史信道估计结果构建的特定算子模型;
所述网络侧设备根据所述第一信息进行信道预测。
14.根据权利要求13所述的方法,其特征在于,所述模型参数包括第一模型阶数和第一模型系数;
所述网络侧设备根据所述第一信息进行信道预测,包括:
所述网络侧设备根据所述第一模型阶数,确定与所述第一模型阶数对应的目标系数预测组件;
所述网络侧设备采用所述目标系数预测组件,根据所述第一模型系数进行模型系数的预测,得到第二模型系数;
所述网络侧设备根据所述第二模型系数和所述第一模型阶数,进行信道预测。
15.根据权利要求14所述的方法,其特征在于,所述网络侧设备根据所述第一模型阶数,确定与所述第一模型阶数对应的目标系数预测组件之前,所述方法还包括:
所述网络侧设备根据目标信息,确定目标系数预测模块,所述目标系数预测模块中包括多个系数预测组件,所述多个系数预测组件中包括所述目标系数预测组件;
其中,所述目标信息包括以下至少一项:所述UE的地理位置信息、所述UE发送的CSI测量信息、所述UE对应的跟踪区域标识TAI、UE的波束覆盖范围、UE的波束标识、所述UE对应的场景信息。
16.根据权利要求14所述的方法,其特征在于,所述第一信息还包括所述UE期望的模型系数预测粒度,所述模型系数预测粒度包括以下至少一项:时域粒度、频域粒度;
所述网络侧设备采用所述目标系数预测组件,根据所述第一模型系数进行模型系数的预测,得到第二模型系数,包括:
所述网络侧设备采用所述目标系数预测组件,根据所述第一模型系数、所述UE期望的模型系数预测粒度和其他UE期望的模型系数预测粒度,进行模型系数的预测,得到所述第二模型系数。
17.根据权利要求14至16中任一项所述的方法,其特征在于,所述第二模型系数的时域粒度为以下任一项:一个时隙、多个时隙、当前帧的剩余时隙、下一个信道状态信息CSI的测量时刻、多个CSI测量时刻、CSI测量周期内每个时隙、多个CSI测量周期内每个时隙;
和/或,
所述第二模型系数的频域粒度为以下任一项:资源块RB、子带、宽带。
18.根据权利要求14所述的方法,其特征在于,所述网络侧设备采用所述目标系数预测组件,根据所述第一模型系数进行模型系数的预测,得到第二模型系数,包括:
所述网络侧设备在所述UE期望的模型系数预测粒度与目标预测粒度不匹配的情况下,采用所述目标系数预测组件,根据所述第一模型系数和所述目标预测粒度进行模型系数的预测,得到所述第二模型系数;
其中,所述目标预测粒度为所述目标系数预测组件的预测粒度。
19.根据权利要求18所述的方法,其特征在于,在所述UE期望的模型系数预测粒度为宽带中的子带/RB、且所述目标预测粒度为宽带的情况下,所述第二模型系数为所述宽带内的每个子带/RB共用所述宽带的预测结果;
在所述UE期望的模型系数预测粒度为宽带、且所述目标预测粒度为所述宽带中的子带的情况下,所述第二模型系数为所述宽带内所有子带中信道质量指示CQI最低的子带上的预测结果;
在所述UE期望的模型系数预测粒度为子带中的RB、且所述目标预测粒度为所述子带的情况下,所述第二模型系数为所述子带内的每个RB共用所述子带的预测结果;
在所述UE期望的模型系数预测粒度为子带、且所述目标预测粒度为所述子带中的RB的情况下,所述第二模型系数为所述子带内所有RB中CQI最低的RB的预测结果;
在所述UE期望的模型系数预测粒度为宽带、且所述目标预测粒度为所述宽带中的子带下的RB的情况下,所述第二模型系数使用所述宽带内所有RB中CQI最低的RB的结果。
20.根据权利要求13所述的方法,其特征在于,所述目标系数预测组件为以下任一项:通过一个或多个小区标识构建的系数预测组件、通过一个或多个发送和接收点TRP标识构建的系数预测组件。
21.根据权利要求13所述的方法,其特征在于,所述网络侧设备获取第一信息之前,所述方法还包括:
所述网络侧设备向所述UE发送第二信息,所述第二信息用于指示所述UE构建所述目标特定算子模型所需的历史信道估计结果的最小数量门限;
其中,所述第二信息包括以下至少一项:无线资源控制RRC预配置的一个参数或一套参数、媒体接入控制-控制单元MAC CE、下行控制信息DCI。
22.一种信道预测装置,其特征在于,包括:获取模块和预测模块;
所述获取模块,用于获取第一信息,所述第一信息包括信道预测结果和目标特定算子模型的模型参数,或包括目标特定算子模型的模型参数;其中,所述信道预测结果为所述UE基于目标特定算子模型的模型参数和历史信道估计结果预测得到的信道结果,所述目标特定算子模型为所述UE基于历史信道估计结果构建的特定算子模型;
所述预测模块,用于根据所述获取模块获取的所述第一信息进行信道预测。
23.根据权利要求22所述的装置,其特征在于,所述模型参数包括第一模型阶数和第一模型系数;所述预测模块包括确定子模块和预测子模块;
所述确定子模块,用于根据所述第一模型阶数,确定与所述第一模型阶数对应的目标系数预测组件;
所述预测子模块,用于采用所述确定子模块确定的所述目标系数预测组件,根据所述第一模型系数进行模型系数的预测,得到第二模型系数;并根据所述第二模型系数和所述第一模型阶数,进行信道预测。
24.根据权利要求23所述的装置,其特征在于,所述确定子模块,还用于在根据所述第一模型阶数,确定与所述第一模型阶数对应的目标系数预测组件之前,根据目标信息,确定目标系数预测模块,所述目标系数预测模块中包括多个系数预测组件,所述多个系数预测组件中包括所述目标系数预测组件;
其中,所述目标信息包括以下至少一项:所述UE的地理位置信息、所述UE发送的CSI测量信息、所述UE对应的跟踪区域标识TAI、UE的波束覆盖范围、UE的波束标识、所述UE对应的场景信息。
25.根据权利要求23所述的装置,其特征在于,所述第一信息还包括所述UE期望的模型系数预测粒度,所述模型系数预测粒度包括以下至少一项:时域粒度、频域粒度;
所述预测子模块,具体用于采用所述目标系数预测组件,根据所述第一模型系数、所述UE期望的模型系数预测粒度和其他UE期望的模型系数预测粒度,进行模型系数的预测,得到所述第二模型系数。
26.根据权利要求23至25中任一项所述的装置,其特征在于,所述第二模型系数的时域粒度为以下任一项:一个时隙、多个时隙、当前帧的剩余时隙、下一个信道状态信息CSI的测量时刻、多个CSI测量时刻、CSI测量周期内每个时隙、多个CSI测量周期内每个时隙;
和/或,
所述第二模型系数的频域粒度为以下任一项:资源块RB、子带、宽带。
27.根据权利要求23所述的装置,其特征在于,所述预测子模块,具体用于在所述UE期望的模型系数预测粒度与目标预测粒度不匹配的情况下,采用所述目标系数预测组件,根据所述第一模型系数和所述目标预测粒度进行模型系数的预测,得到所述第二模型系数;
其中,所述目标预测粒度为所述目标系数预测组件的预测粒度。
28.根据权利要求27所述的装置,其特征在于,在所述UE期望的模型系数预测粒度为宽带中的子带/RB、且所述目标预测粒度为所述宽带的情况下,所述第二模型系数为所述宽带内的每个子带/RB共用所述宽带的预测结果;
在所述UE期望的模型系数预测粒度为宽带、且所述目标预测粒度为所述宽带中的子带的情况下,所述第二模型系数为所述宽带内所有子带中信道质量指示CQI最低的子带上的预测结果;
在所述UE期望的模型系数预测粒度为子带中的RB、且所述目标预测粒度为所述子带的情况下,所述第二模型系数为所述子带内的每个RB共用所述子带的预测结果;
在所述UE期望的模型系数预测粒度为子带、且所述目标预测粒度为所述子带中的RB的情况下,所述第二模型系数为所述子带内所有RB中CQI最低的RB的预测结果;
在所述UE期望的模型系数预测粒度为宽带、且所述目标预测粒度为所述宽带中的子带下的RB的情况下,所述第二模型系数使用所述宽带内所有RB中CQI最低的RB的结果。
29.根据权利要求22所述的装置,其特征在于,所述目标系数预测组件为以下任一项:通过一个或多个小区标识构建的系数预测组件、通过一个或多个发送和接收点TRP标识构建的系数预测组件。
30.根据权利要求22所述的装置,其特征在于,还包括:发送模块;
所述发送模块,用于在所述获取模块获取所述第一信息之前,向所述UE发送第二信息,所述第二信息用于指示所述UE构建所述目标特定算子模型所需的历史信道估计结果的最小数量门限;
其中,所述第二信息包括以下至少一项:无线资源控制RRC预配置的一个参数或一套参数、媒体接入控制-控制单元MAC CE、下行控制信息DCI。
31.一种用户设备UE,其特征在于,包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至6中任一项所述的信道预测方法的步骤。
32.一种网络侧设备,其特征在于,包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求13至21中任一项所述的信道预测方法的步骤。
33.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1至6中任一项所述的信道预测方法,或者实现如权利要求13至21中任一项所述的信道预测方法的步骤。
34.一种通信系统,其特征在于,所述通信系统包括如权利要求7至12中任一项所述的信道预测装置以及如权利要求22至30中任一项所述的信道预测装置;或者,
所述通信系统包括如权利要求31所述的用户设备UE以及如权利要求32所述的网络侧设备。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111364923.1A CN116137553A (zh) | 2021-11-17 | 2021-11-17 | 一种信道预测方法、装置、ue及系统 |
PCT/CN2022/132642 WO2023088387A1 (zh) | 2021-11-17 | 2022-11-17 | 信道预测方法、装置、ue及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111364923.1A CN116137553A (zh) | 2021-11-17 | 2021-11-17 | 一种信道预测方法、装置、ue及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116137553A true CN116137553A (zh) | 2023-05-19 |
Family
ID=86332665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111364923.1A Pending CN116137553A (zh) | 2021-11-17 | 2021-11-17 | 一种信道预测方法、装置、ue及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116137553A (zh) |
WO (1) | WO2023088387A1 (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1921464B (zh) * | 2005-08-22 | 2010-05-05 | 松下电器产业株式会社 | 频域信道预测算法 |
CN101960757B (zh) * | 2008-02-28 | 2014-02-05 | 京瓷株式会社 | 信道信息预测系统以及信道信息预测方法 |
CN109076403B (zh) * | 2016-04-29 | 2020-08-07 | 华为技术有限公司 | 网络设备、更新传送方法、用户设备及更新滤波器的方法 |
CN110635858B (zh) * | 2019-04-09 | 2021-11-09 | 杭州电子科技大学 | 一种基于量子计算的自回归模型信道预测方法 |
CN112054825B (zh) * | 2019-06-06 | 2022-05-10 | 华为技术有限公司 | 一种信道测量方法和通信装置 |
KR102648514B1 (ko) * | 2019-10-15 | 2024-03-18 | 삼성전자주식회사 | 무선 통신 시스템에서 채널을 추정하기 위한 장치 및 방법 |
EP4096177A4 (en) * | 2020-02-21 | 2023-01-18 | Huawei Technologies Co., Ltd. | CHANNEL STATE INFORMATION PREDICTION METHOD AND APPARATUS |
US20210326726A1 (en) * | 2020-04-16 | 2021-10-21 | Qualcomm Incorporated | User equipment reporting for updating of machine learning algorithms |
-
2021
- 2021-11-17 CN CN202111364923.1A patent/CN116137553A/zh active Pending
-
2022
- 2022-11-17 WO PCT/CN2022/132642 patent/WO2023088387A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023088387A1 (zh) | 2023-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116266216A (zh) | 客户端筛选方法及装置、客户端及中心设备 | |
CN114531355B (zh) | 通信方法、装置及通信设备 | |
WO2023066288A1 (zh) | 模型请求方法、模型请求处理方法及相关设备 | |
CN116137553A (zh) | 一种信道预测方法、装置、ue及系统 | |
EP4236428A1 (en) | Communication data processing method and apparatus, and communication device | |
CN116415476A (zh) | 模型的构建方法、装置及通信设备 | |
CN114501353B (zh) | 通信信息的发送、接收方法及通信设备 | |
CN116567806A (zh) | 基于人工智能ai模型的定位方法及通信设备 | |
CN115913486A (zh) | 信息上报方法、装置、终端及可读存储介质 | |
WO2024067281A1 (zh) | Ai模型的处理方法、装置及通信设备 | |
WO2023174325A1 (zh) | Ai模型的处理方法及设备 | |
WO2024017239A1 (zh) | 数据采集方法及装置、通信设备 | |
CN116489035A (zh) | 通信网络预测方法、终端及网络侧设备 | |
WO2023174253A1 (zh) | Ai模型的处理方法及设备 | |
CN116074210A (zh) | 信道预测方法、装置、网络侧设备及终端 | |
CN115843021A (zh) | 数据传输方法及装置 | |
WO2023179540A1 (zh) | 信道预测方法、装置及无线通信设备 | |
CN117997457A (zh) | 参考信号确定方法、终端及网络侧设备 | |
CN117692954A (zh) | 测量反馈处理方法、装置、终端及网络侧设备 | |
CN115329954A (zh) | 训练数据集获取方法、无线传输方法、装置及通信设备 | |
CN116684296A (zh) | 数据采集方法及设备 | |
CN117676687A (zh) | 测量反馈处理方法、装置、终端及网络侧设备 | |
CN117060959A (zh) | 信道特征信息的获取方法、终端及网络侧设备 | |
CN117834427A (zh) | 更新ai模型参数的方法、装置及通信设备 | |
CN116233906A (zh) | 测量方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |