TWI814629B - 行動網路用戶交遞預估與異常預測系統及方法 - Google Patents
行動網路用戶交遞預估與異常預測系統及方法 Download PDFInfo
- Publication number
- TWI814629B TWI814629B TW111141198A TW111141198A TWI814629B TW I814629 B TWI814629 B TW I814629B TW 111141198 A TW111141198 A TW 111141198A TW 111141198 A TW111141198 A TW 111141198A TW I814629 B TWI814629 B TW I814629B
- Authority
- TW
- Taiwan
- Prior art keywords
- base station
- handover
- user device
- neural network
- information
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 71
- 238000013468 resource allocation Methods 0.000 claims abstract 3
- 238000013528 artificial neural network Methods 0.000 claims description 68
- 238000012549 training Methods 0.000 claims description 46
- 238000013480 data collection Methods 0.000 claims description 32
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
一種行動網路用戶交遞預估與異常預測系統及方法,該方法包括:服務基地台從使用者裝置獲取量測資訊;智能模型將量測資訊轉換三維陣列格式,以進行決策預估,傳送預估的交遞資訊至服務基地台以及預估交遞的目標基地台;服務基地台基於交遞資訊向目標基地台傳送交遞請求,目標基地台依據交遞請求進行資源配置,服務基地台向使用者裝置傳送交遞請求,使用者裝置接收交遞請求且從服務基地台交遞到目標基地台,以完成交遞操作;服務基地台重新獲取量測資訊並且傳送至智能模型;以及智能模型依據重新獲取的量測資訊進行更新操作。
Description
本發明是有關於行動網路用戶交遞,且特別是有關於行動網路用戶交遞預估與異常預測系統及方法。
隨著智慧手機與物聯網設備之蓬勃發展,全球行動網路需求急劇增加,為因應大幅成長的網路需求,透過布建大量小型基地台來提升行動網路的流量,當大量布建的時候,UE在不同基地台的重疊服務區中,何時進行交遞以及是否有交遞異常將是非常重要的議題。而交遞異常會導致RLF(Radio Link Failure)或頻繁交遞,用戶感受不佳,造成路徑上發生來回交遞(乒乓效應)以及不必要的資源損耗,無法因應5G時代要求高速度、低延遲、廣連接的挑戰。
在行動網路中,透過交遞機制使UE能在覆蓋網路的區域內無縫移動,交遞機制涉及將一個正在接受網路服務的UE,從原基地台重新分配至另一個基地台。
因此,如何透過蒐集基地台回報的資訊,以人工智能方式預估下一時刻所接取之基地台配置,藉此預測UE是否交遞到過遠的基地台,或是預估基地台短時間內是否進行頻繁交遞是非常重要的議題。
本發明提供一種行動網路用戶交遞預估與異常預測系統及方法,以人工智能方式預估下一時刻所接取之基地台配置。
本發明的一種行動網路用戶交遞預估與異常預測系統,適用於行動網路,行動網路包括多個基地台,該些基地台至少包括服務基地台及目標基地台,該系統包括使用者裝置以及智能模型。使用者裝置與服務基地台通訊連接,服務基地台對使用者裝置發出量測控制請求,以從使用者裝置獲取量測資訊,量測資訊至少包括使用者裝置的位置、交遞時間以及鄰近的基地台的參考信號接收功率資訊。智能模型與服務基地台通訊連接,從服務基地台接收量測資訊且將量測資訊轉換三維陣列格式,智能模型依據三維陣列格式的量測資訊進行決策預估,以傳送預估的交遞資訊至服務基地台以及預估交遞的目標基地台。其中,服務基地台基於交遞資訊向目標基地台傳送交遞請求,目標基地台依據交遞請求進行資源配置,並且確認交遞請求,服務基地台向使用者裝置傳送交遞請求,使用者裝置接收交遞請求且從服務基地台交遞到目標基地台,以完成交遞操作。其中,服務基地台重新獲取使
用者裝置的位置、交遞時間以及鄰近的基地台的參考信號接收功率資訊並且傳送至智能模型。其中,智能模型依據重新獲取的使用者裝置的位置、交遞時間以及鄰近的基地台的參考信號接收功率資訊進行更新操作。
在本發明的一實施例中,上述的行動網路用戶交遞預估與異常預測系統,其中系統包括多個行動資料收集模組,行動資料收集模組為定位伺服器,用以從使用者裝置獲取量測資訊。
在本發明的一實施例中,上述的行動網路用戶交遞預估與異常預測系統,其中智能模型包括資料匯集模組以及神經網路訓練模組。資料匯集模組與該些行動資料收集模組通訊連接,用以從該些行動資料收集模組接收量測資訊並且將量測資訊轉換成三維陣列格式。神經網路訓練模組與資料匯集模組電性連接,用以接收轉換為三維陣列格式的量測資訊以進行決策預估,並且神經網路訓練模組依據重新獲取的使用者裝置的位置、交遞時間以及鄰近的基地台的參考信號接收功率資訊進行更新操作。
在本發明的一實施例中,上述的行動網路用戶交遞預估與異常預測系統,其中更新操作中,神經網路訓練模組更用以經循環神經網路操作、注意力機制操作以及深度神經網路操作,將三維陣列格式的量測資訊轉換為一維反饋分數陣列;神經網路訓練模組更用以提取神經網路輸出的具最大反饋分數的基地台的參數,以更新場域狀態與使用者裝置反饋;神經網路訓練模組更用以更新目標獎勵函數,使用目標獎勵分數與反饋分數的均方誤差
作為損失函數;以及神經網路訓練模組更用以使用梯度下降法降低損失函數的數值,以進行神經網路訓練。
在本發明的一實施例中,上述的行動網路用戶交遞預估與異常預測系統,其中目標基地台為下一時刻服務使用者裝置的基地台。
本發明的一種行動網路用戶交遞預估與異常預測方法,適用於行動網路,行動網路包括多個基地台,該些基地台至少包括服務基地台及目標基地台,其中服務基地台分別與使用者裝置以及智能模型通訊連接,該方法包括:服務基地台對使用者裝置發出量測控制請求,以從使用者裝置獲取量測資訊,量測資訊至少包括使用者裝置的位置、交遞時間以及鄰近的基地台的參考信號接收功率資訊;智能模型從服務基地台接收量測資訊且將量測資訊轉換三維陣列格式,依據三維陣列格式的量測資訊進行決策預估,以傳送預估的交遞資訊至服務基地台以及預估交遞的目標基地台;服務基地台基於交遞資訊向目標基地台傳送交遞請求,目標基地台依據交遞請求進行資源配置,並且確認交遞請求,服務基地台向使用者裝置傳送交遞請求,使用者裝置接收交遞請求且從服務基地台交遞到目標基地台,以完成交遞操作;服務基地台重新獲取使用者裝置的位置、交遞時間以及鄰近的基地台的參考信號接收功率資訊並且傳送至智能模型;以及智能模型依據重新獲取的使用者裝置的位置、交遞時間以及鄰近的基地台的參考信號接收功率資訊進行更新操作。
在本發明的一實施例中,上述的行動網路用戶交遞預估與異常預測方法,其中智能模型包括資料匯集模組以及與資料匯集模組電性連接的神經網路訓練模組,其中資料匯集模組用以從該些行動資料收集模組接收量測資訊並且將量測資訊轉換成三維陣列格式,其中神經網路訓練模組用以接收轉換為三維陣列格式的量測資訊以進行決策預估,並且神經網路訓練模組依據重新獲取的使用者裝置的位置、交遞時間以及鄰近的基地台的參考信號接收功率資訊進行更新操作。
在本發明的一實施例中,上述的行動網路用戶交遞預估與異常預測方法,其中更新操作包括:神經網路訓練模組經循環神經網路操作、注意力機制操作以及深度神經網路操作,將三維陣列格式的量測資訊轉換為一維反饋分數陣列;神經網路訓練模組提取神經網路輸出的具最大反饋分數的基地台的參數,以更新場域狀態與使用者裝置反饋;神經網路訓練模組更新目標獎勵函數,使用目標獎勵分數與反饋分數的均方誤差作為損失函數;以及神經網路訓練模組使用梯度下降法降低損失函數的數值,以進行神經網路訓練。
在本發明的一實施例中,上述的行動網路用戶交遞預估與異常預測方法,其中該方法更包括,將經神經網路訓練的智能模型應用於行動網路中;從使用者裝置獲取量測資訊,並且將量測資訊輸入至智能模型中進行決策預估,以傳送預估的交遞資訊至服務基地台以及預估交遞的目標基地台;以及將預估的交遞資
訊應用於多個使用場景中。
在本發明的一實施例中,上述的行動網路用戶交遞預估與異常預測方法,其中目標基地台為下一時刻服務使用者裝置的基地台。
基於上述,本發明提供一種行動網路用戶交遞預估與異常預測系統及方法,以人工智能方式預估下一時刻所接取之基地台配置,不僅可透過週期性的方式蒐集基地台和使用者裝置之相關資訊,並考量系統更新需求性,且能於固定時間或足夠資料數後進行參數更新,針對不同時間點產生的資料給予不同的權重去影響神經網路,藉此提高神經網路效能,能夠支援以模擬軟體對該區域進行訊號強度模擬並事前訓練一神經網路參數,避免神經網路訓練初期的不穩定性,並且透過預估交遞之基地台是否正確,用以訓練使用者裝置所接取之基地台模型作為強化學習的獎勵配置。
為讓本發明的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
10:行動網路用戶交遞預估與異常預測系統
101:使用者裝置
102:服務基地台
103:智能模型
1031:資料匯集模組
1032:神經網路訓練模組
104:目標基地台
105:行動資料收集模組
S301、S302、S303、S304、S305、S306、S307、S308、S401、S402、S403、S404、S501、S502、S503、S504:步驟
圖1是依照本發明的一實施例的行動網路用戶交遞預估與異常預測系統的示意圖。
圖2是依照本發明的一實施例的智能模型應用於實際行動網
路的示意圖。
圖3是依照本發明的一實施例的行動網路用戶交遞預估與異常預測方法的流程圖。
圖4是依照本發明的一實施例的智能模型經神經網路訓練的流程圖。
圖5是依照本發明的一實施例的神經網路參數訓練的流程圖。
圖6是依照本發明的一第一實施例的第一使用場景的示意圖。
圖7是依照本發明的一第二實施例的第二使用場景的示意圖。
圖8是依照本發明的一第三實施例的第三使用場景的示意圖。
本發明的部份實施例接下來將會配合附圖來詳細描述,以下的描述所引用的元件符號,當不同附圖出現相同的元件符號將視為相同或相似的元件。這些實施例只是本發明的一部份,並未揭示所有本發明的可實施方式。更確切的說,這些實施例只是本發明的專利申請範圍中的方法、電子裝置以及電腦可讀取儲存媒體的範例。
圖1是依照本發明的一實施例的行動網路用戶交遞預估
與異常預測系統的示意圖。圖2是依照本發明的一實施例的智能模型應用於實際行動網路的示意圖。
請參照圖1及圖2,於一實施例中,行動網路用戶交遞預估與異常預測系統10適用於行動網路,行動網路包括多個基地台,該些基地台可包括服務基地台102及目標基地台104,其中目標基地台104為下一時刻服務使用者裝置101的基地台。行動網路用戶交遞預估與異常預測系統10包括使用者裝置101、智能模型103以及行動資料收集模組105(例如行動資料收集模組105可包括行動資料收集模組1、行動資料收集模組2...行動資料收集模組n),行動資料收集模組105可為定位伺服器,用以週期性地從使用者裝置101獲取量測資訊。
使用者裝置101與服務基地台102通訊連接,服務基地台102對使用者裝置101發出量測控制請求,以從使用者裝置101獲取量測資訊。量測資訊可包括使用者裝置101的位置、交遞時間以及鄰近的基地台的參考信號接收功率資訊。
智能模型103與服務基地台102通訊連接,從服務基地台102接收量測資訊且將量測資訊轉換三維陣列格式,智能模型103依據三維陣列格式的量測資訊進行決策預估,以傳送預估的交遞資訊至服務基地台102以及預估交遞的目標基地台104。
其中,服務基地台102基於交遞資訊向目標基地台104傳送交遞請求,目標基地台104依據交遞請求進行資源配置,並且確認交遞請求,服務基地台102向使用者裝置101傳送交遞請
求,使用者裝置101接收交遞請求且從服務基地台102交遞到目標基地台104,以完成交遞操作。
其中,服務基地台102重新獲取使用者裝置101的位置、交遞時間以及鄰近的基地台的參考信號接收功率資訊並且傳送至智能模型103。
其中,智能模型103依據重新獲取的使用者裝置101的位置、交遞時間以及鄰近的基地台的參考信號接收功率資訊進行更新操作。
更具體而言,智能模型103可包括資料匯集模組1031以及神經網路訓練模組1032。資料匯集模組1031與行動資料收集模組105通訊連接,用以從行動資料收集模組105接收量測資訊並且將量測資訊轉換成三維陣列格式。神經網路訓練模組1032與資料匯集模組1031電性連接,用以接收轉換為三維陣列格式的量測資訊以進行決策預估,並且神經網路訓練模組1032依據重新獲取的使用者裝置101的位置、交遞時間以及鄰近的基地台的參考信號接收功率資訊進行更新操作。
圖3是依照本發明的一實施例的行動網路用戶交遞預估與異常預測方法的流程圖。
請結合圖1至圖3,於一實施例中,行動網路用戶交遞預估與異常預測方法,適用於行動網路,行動網路可包括多個基地台,該些基地台可包括服務基地台102及目標基地台104,其中服務基地台102分別與使用者裝置101以及智能模型103通訊連接。
目標基地台104為下一時刻服務使用者裝置101的基地台。
於步驟S301中,服務基地台102對使用者裝置101發出量測控制請求,以從使用者裝置101獲取量測資訊,量測資訊至少包括使用者裝置101的位置、交遞時間以及鄰近的基地台的參考信號接收功率資訊。
於步驟S302中,智能模型103從服務基地台102接收量測資訊且將量測資訊轉換三維陣列格式,依據三維陣列格式的量測資訊進行決策預估,以傳送預估的交遞資訊至服務基地台102以及預估交遞的目標基地台104。
於步驟S303中,服務基地台102基於交遞資訊向目標基地台104傳送交遞請求,目標基地台104依據交遞請求進行資源配置,並且確認交遞請求,服務基地台102向使用者裝置101傳送交遞請求,使用者裝置101接收交遞請求且從服務基地台102交遞到目標基地台104,以完成交遞操作。
於步驟S304中,服務基地台102重新獲取使用者裝置101的位置、交遞時間以及鄰近的基地台的參考信號接收功率資訊並且傳送至智能模型103。
於步驟S305中,智能模型103依據重新獲取的使用者裝置101的位置、交遞時間以及鄰近的基地台的參考信號接收功率資訊進行更新操作,以執行神經網路訓練。具體操作如圖4所示。
圖4是依照本發明的一實施例的智能模型經神經網路訓練的流程圖。
請參考圖4所示,於步驟S401中,重新收集裝置101的位置、交遞時間以及鄰近的基地台的參考信號接收功率資訊。
於步驟S402中,提取使用者裝置101的位置、交遞時間以及鄰近的基地台的參考信號接收功率資訊並輸入至神經網路。
於步驟S403中,提取神經網路參數進行強化學習的交遞預估參數配置,選擇使用者裝置101所接取的基地台,並執行決策預估。
於步驟S404中,訓練神經網路參數。具體操作如圖5所示。
圖5是依照本發明的一實施例的神經網路參數訓練的流程圖。
請參考圖5所示,具體而言,依據epsilon-Greedy算法選取基地台並與使用者裝置接取,以獲得無線通訊使用者反饋,同時該區域的使用者裝置的位置、使用者裝置接取的基地台與鄰近基地台參考信號接收功率資訊也因此發生改變,將最新狀態資料與原資料重整,建立新的三維陣列格式的量測資訊,第一維度為量測資訊數目,第二維度為選取時間長度,第三維度為特徵資訊數量。
於步驟S501中,經循環神經網路操作、注意力機制操作以及深度神經網路操作,將三維陣列格式的量測資訊轉換為一維反饋分數陣列。一維反饋分數陣列對應使用者裝置與鄰近基地台之交遞反饋參數。
於步驟S502中,提取神經網路輸出的具最大反饋分數的基地台的參數,以更新場域狀態與使用者裝置反饋。
於步驟S503中,更新目標獎勵函數,使用該目標獎勵分數與反饋分數的均方誤差作為損失函數。
於步驟S504中,使用梯度下降法降低該損失函數的數值,以進行神經網路訓練。
在智能模型103執行更新操作及神經網路訓練完畢之後,於步驟S306中,將經神經網路訓練的智能模型103應用於行動網路中。
於步驟S307中,重新從使用者裝置101獲取量測資訊,並且將量測資訊輸入至智能模型103中進行決策預估,以傳送預估的交遞資訊至服務基地台102以及預估交遞的目標基地台104。
於步驟S308中,將預估的交遞資訊應用於多個使用場景中。
以下具體結合實施例及不同的使用場景說明行動網路用戶交遞預估與異常預測系統10如何進行用戶交遞預估與異常預測。
圖6是依照本發明的一第一實施例的第一使用場景的示意圖。
於一第一使用場景中,較遠的Macrocell(目標基地台)由於其服務的涵蓋範圍較廣,UE1可能於邊緣地區從Femtocell(服務基地台)交遞至Macrocell,但是Macrocell因服務較邊緣的地
區,訊號品質不穩定無法於時間內再交遞回Femtocell,導致RLF發生,藉由行動網路用戶交遞預估與異常預測系統10,可預先知道何時會交遞至較遠的Macrocell,並且紀錄UE回報的RLF,以避免資源浪費。
圖7是依照本發明的一第二實施例的第二使用場景的示意圖。
於一第二使用場景中,UE2在鄰近有多個可服務的基地台(BS1、BS2以及BS3)的區域移動時,因UE2位於多基地台涵蓋的邊緣複雜區,導致UE2於複雜區內移動時,會進行頻繁交遞造成資源浪費,藉由行動網路用戶交遞預估與異常預測系統10之智能模型與歷史資料,可判斷是否於短時間內有頻繁交遞,並標記提醒,以利後續之應用。
圖8是依照本發明的一第三實施例的第三使用場景的示意圖。
於一第三使用場景中,UE3在兩基地台(BS1、BS2)間移動時,因兩基地台訊號強度相近,導致UE3於移動路徑上頻繁的在兩基地台(BS1、BS2)間反覆進行交遞,藉由行動網路用戶交遞預估與異常預測系統10之智能模型與歷史資料,判斷短時間內使否進行過交遞行為並且預測下一時刻會再執行交遞,針對此行為進行標記,以利後續之應用。
基於上述,本發明提供一種行動網路用戶交遞預估與異常預測系統及方法,以人工智能方式預估下一時刻所接取之基地
台配置,不僅可透過週期性的方式蒐集基地台和使用者裝置之相關資訊,並考量系統更新需求性,且能於固定時間或足夠資料數後進行參數更新,針對不同時間點產生的資料給予不同的權重去影響神經網路,藉此提高神經網路效能,能夠支援以模擬軟體對該區域進行訊號強度模擬並事前訓練一神經網路參數,避免神經網路訓練初期的不穩定性,並且透過預估交遞之基地台是否正確,用以訓練使用者裝置所接取之基地台模型作為強化學習的獎勵配置。
雖然本揭露已以實施例揭露如上,然其並非用以限定本揭露,任何所屬技術領域中具有通常知識者,在不脫離本揭露的精神和範圍內,當可作些許的更動與潤飾,故本揭露的保護範圍當視後附的申請專利範圍所界定者為準。
10:行動網路用戶交遞預估與異常預測系統
101:使用者裝置
102:服務基地台
103:智能模型
104:目標基地台
Claims (8)
- 一種行動網路用戶交遞預估與異常預測系統,適用於行動網路,該行動網路包括多個基地台,該些基地台至少包括服務基地台及目標基地台,該系統包括:使用者裝置,與該服務基地台通訊連接,該服務基地台對該使用者裝置發出量測控制請求,以從該使用者裝置獲取量測資訊,該量測資訊至少包括該使用者裝置的位置、交遞時間以及鄰近的基地台的參考信號接收功率資訊;以及智能模型,與該服務基地台通訊連接,從該服務基地台接收該量測資訊且將該量測資訊轉換三維陣列格式,該智能模型依據該三維陣列格式的量測資訊進行決策預估,以傳送預估的交遞資訊至該服務基地台以及預估交遞的該目標基地台,其中,該服務基地台基於該交遞資訊向該目標基地台傳送交遞請求,該目標基地台依據該交遞請求進行資源配置,並且確認該交遞請求,該服務基地台向該使用者裝置傳送該交遞請求,該使用者裝置接收該交遞請求且從該服務基地台交遞到該目標基地台,以完成交遞操作,其中,該服務基地台重新獲取該使用者裝置的該位置、該交遞時間以及該鄰近的基地台的參考信號接收功率資訊並且傳送至該智能模型,其中,該智能模型依據重新獲取的該使用者裝置的該位置、該交遞時間以及該鄰近的基地台的參考信號接收功率資訊進 行更新操作,其中該更新操作中,該神經網路訓練模組更用以經循環神經網路操作、注意力機制操作以及深度神經網路操作,將該三維陣列格式的該量測資訊轉換為一維反饋分數陣列;該神經網路訓練模組更用以提取神經網路輸出的具最大反饋分數的基地台的參數,以更新場域狀態與該使用者裝置反饋;該神經網路訓練模組更用以更新目標獎勵函數,使用該目標獎勵分數與反饋分數的均方誤差作為損失函數;以及該神經網路訓練模組更用以使用梯度下降法降低該損失函數的數值,以進行神經網路訓練。
- 如請求項1所述的行動網路用戶交遞預估與異常預測系統,其中該系統包括多個行動資料收集模組,該些行動資料收集模組為定位伺服器,用以從該使用者裝置獲取該量測資訊。
- 如請求項2所述的行動網路用戶交遞預估與異常預測系統,其中該智能模型包括:資料匯集模組,與該些行動資料收集模組通訊連接,用以從該些行動資料收集模組接收該量測資訊並且將該量測資訊轉換成該三維陣列格式;以及神經網路訓練模組,與該資料匯集模組電性連接,用以接收轉換為該三維陣列格式的該量測資訊以進行決策預估,並且該神經網路訓練模組依據重新獲取的該使用者裝置的該位置、該交遞時間以及該鄰近的基地台的參考信號接收功率資訊進行該更新操 作。
- 如請求項1所述的行動網路用戶交遞預估與異常預測系統,其中該目標基地台為下一時刻服務該使用者裝置的基地台。
- 一種行動網路用戶交遞預估與異常預測方法,適用於行動網路,該行動網路包括多個基地台,該些基地台至少包括服務基地台及目標基地台,其中該服務基地台分別與使用者裝置以及智能模型通訊連接,該方法包括:該服務基地台對該使用者裝置發出量測控制請求,以從該使用者裝置獲取量測資訊,該量測資訊至少包括該使用者裝置的位置、交遞時間以及鄰近的基地台的參考信號接收功率資訊;該智能模型從該服務基地台接收該量測資訊且將該量測資訊轉換三維陣列格式,依據該三維陣列格式的量測資訊進行決策預估,以傳送預估的交遞資訊至該服務基地台以及預估交遞的該目標基地台;該服務基地台基於該交遞資訊向該目標基地台傳送交遞請求,該目標基地台依據該交遞請求進行資源配置,並且確認該交遞請求,該服務基地台向該使用者裝置傳送該交遞請求,該使用者裝置接收該交遞請求且從該服務基地台交遞到該目標基地台,以完成交遞操作; 該服務基地台重新獲取該使用者裝置的該位置、該交遞時間以及該鄰近的基地台的參考信號接收功率資訊並且傳送至該智能模型;以及該智能模型依據重新獲取的該使用者裝置的該位置、該交遞時間以及該鄰近的基地台的參考信號接收功率資訊進行更新操作,其中該更新操作包括:該神經網路訓練模組經循環神經網路操作、注意力機制操作以及深度神經網路操作,將該三維陣列格式的該量測資訊轉換為一維反饋分數陣列;該神經網路訓練模組提取神經網路輸出的具最大反饋分數的基地台的參數,以更新場域狀態與該使用者裝置反饋;該神經網路訓練模組更新目標獎勵函數,使用該目標獎勵分數與反饋分數的均方誤差作為損失函數;以及該神經網路訓練模組使用梯度下降法降低該損失函數的數值,以進行神經網路訓練。
- 如請求項5所述的行動網路用戶交遞預估與異常預測方法,其中該智能模型包括資料匯集模組以及與該資料匯集模組電性連接的神經網路訓練模組,其中該資料匯集模組用以從多個行動資料收集模組接收該量測資訊並且將該量測資訊轉換成該三維陣列格式,其中該神經網路訓練模組用以接收轉換為該三維陣列格式的該量測資訊以進行決策預估,並且該神經網路訓練模組依據重新 獲取的該使用者裝置的該位置、該交遞時間以及該鄰近的基地台的參考信號接收功率資訊進行該更新操作。
- 如請求項5所述的行動網路用戶交遞預估與異常預測方法,其中該方法更包括,將經神經網路訓練的該智能模型應用於該行動網路中;從該使用者裝置獲取該量測資訊,並且將該量測資訊輸入至該智能模型中進行決策預估,以傳送預估的該交遞資訊至該服務基地台以及預估交遞的該目標基地台;以及將該預估的該交遞資訊應用於多個使用場景中。
- 如請求項5所述的行動網路用戶交遞預估與異常預測方法,其中該目標基地台為下一時刻服務該使用者裝置的基地台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111141198A TWI814629B (zh) | 2022-10-28 | 2022-10-28 | 行動網路用戶交遞預估與異常預測系統及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111141198A TWI814629B (zh) | 2022-10-28 | 2022-10-28 | 行動網路用戶交遞預估與異常預測系統及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI814629B true TWI814629B (zh) | 2023-09-01 |
TW202418791A TW202418791A (zh) | 2024-05-01 |
Family
ID=88966079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111141198A TWI814629B (zh) | 2022-10-28 | 2022-10-28 | 行動網路用戶交遞預估與異常預測系統及方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI814629B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI277352B (en) * | 2004-06-22 | 2007-03-21 | Ind Tech Res Inst | Method and system for providing fast handoff in a WLAN-like communication system using active neighboring sets |
TW202131667A (zh) * | 2020-02-14 | 2021-08-16 | 緯創資通股份有限公司 | 行動通訊裝置及資料流量傳遞之排程方法 |
US20210289406A1 (en) * | 2020-03-04 | 2021-09-16 | Nokia Solutions And Networks Oy | Machine learning based handover parameter optimization |
US20220124580A1 (en) * | 2020-10-16 | 2022-04-21 | Samsung Electronics Co., Ltd. | Handover reliability enhancement in wireless communication |
US20220303855A1 (en) * | 2021-03-19 | 2022-09-22 | Dish Wireless L.L.C. | Intelligent mobility in communication networks |
US20220312293A1 (en) * | 2021-03-24 | 2022-09-29 | T-Mobile Usa, Inc. | Methods and systems for selecting a gateway node to support handover in a wireless communication network |
US20220322195A1 (en) * | 2019-06-19 | 2022-10-06 | Telefonaktiebolaget Lm Ericsson (Publ) | Machine learning for handover |
-
2022
- 2022-10-28 TW TW111141198A patent/TWI814629B/zh active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI277352B (en) * | 2004-06-22 | 2007-03-21 | Ind Tech Res Inst | Method and system for providing fast handoff in a WLAN-like communication system using active neighboring sets |
US20220322195A1 (en) * | 2019-06-19 | 2022-10-06 | Telefonaktiebolaget Lm Ericsson (Publ) | Machine learning for handover |
TW202131667A (zh) * | 2020-02-14 | 2021-08-16 | 緯創資通股份有限公司 | 行動通訊裝置及資料流量傳遞之排程方法 |
US20210289406A1 (en) * | 2020-03-04 | 2021-09-16 | Nokia Solutions And Networks Oy | Machine learning based handover parameter optimization |
US20220124580A1 (en) * | 2020-10-16 | 2022-04-21 | Samsung Electronics Co., Ltd. | Handover reliability enhancement in wireless communication |
US20220303855A1 (en) * | 2021-03-19 | 2022-09-22 | Dish Wireless L.L.C. | Intelligent mobility in communication networks |
US20220312293A1 (en) * | 2021-03-24 | 2022-09-29 | T-Mobile Usa, Inc. | Methods and systems for selecting a gateway node to support handover in a wireless communication network |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10050844B2 (en) | Techniques for dynamic network optimization using geolocation and network modeling | |
CN112913274B (zh) | 用于自组织网络的优化的过程 | |
EP3046358B1 (en) | Techniques for dynamic network optimization using geolocation and network modeling | |
CN104053195B (zh) | 一种确定黑名单列表成员的方法及装置 | |
CN113438663A (zh) | 基于机器学习的切换参数优化 | |
Kousaridas et al. | QoS prediction for 5G connected and automated driving | |
CN104838708A (zh) | 用于用户设备移动性预测的系统和方法 | |
JP2005512423A (ja) | 認知モデルデータに基づいた、無線チャネルの最適使用のための方法および装置 | |
Moysen et al. | Conflict resolution in mobile networks: a self-coordination framework based on non-dominated solutions and machine learning for data analytics [application notes] | |
US11997505B2 (en) | Method and apparatus for CBRS network planning and operating in an enterprise network | |
Lin et al. | Data‐Driven Handover Optimization in Next Generation Mobile Communication Networks | |
Xiao et al. | AdaptiveFog: A modelling and optimization framework for fog computing in intelligent transportation systems | |
WO2017135152A1 (ja) | 無線品質予測装置、無線基地局、無線端末、無線品質予測方法および無線品質予測プログラム | |
Mosbah et al. | Enhancing Device-to-Device direct discovery based on predicted user density patterns | |
Kwong et al. | An adaptive fuzzy handover triggering approach for Long‐Term Evolution network | |
TWI814629B (zh) | 行動網路用戶交遞預估與異常預測系統及方法 | |
WO2023052010A1 (en) | Trajectory data collection in mobile telecommunication systems | |
TW202418791A (zh) | 行動網路用戶交遞預估與異常預測系統及方法 | |
Aziz et al. | Autonomous neighbor relation detection and handover optimization in LTE | |
US20130072211A1 (en) | Method and Equipment of Communication | |
Moses et al. | An integrated AHP‐ELECTRE and deep reinforcement learning methods for handover performance optimization in an LTE‐A networks | |
US12035421B2 (en) | Procedure for optimization of self-organizing network | |
Zhang et al. | A novel heuristic for handover priority in mobile heterogeneous networks based on a multimodule Takagi–Sugeno–Kang fuzzy system | |
WO2023197245A1 (en) | Methods and apparatuses for an ai or ml based cco mechanism | |
CN114630378B (zh) | 网络的分流确定方法、装置、服务器及存储介质 |