WO2023104683A1 - Procédé de prédiction d'une variation de qualité de service dans un réseau de communication v2x, dispositif de prédiction et programme d'ordinateur correspondants - Google Patents

Procédé de prédiction d'une variation de qualité de service dans un réseau de communication v2x, dispositif de prédiction et programme d'ordinateur correspondants Download PDF

Info

Publication number
WO2023104683A1
WO2023104683A1 PCT/EP2022/084337 EP2022084337W WO2023104683A1 WO 2023104683 A1 WO2023104683 A1 WO 2023104683A1 EP 2022084337 W EP2022084337 W EP 2022084337W WO 2023104683 A1 WO2023104683 A1 WO 2023104683A1
Authority
WO
WIPO (PCT)
Prior art keywords
prediction
key performance
service
quality
performance indicator
Prior art date
Application number
PCT/EP2022/084337
Other languages
English (en)
Inventor
Maroua DRISSI
Original Assignee
Orange
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Orange filed Critical Orange
Publication of WO2023104683A1 publication Critical patent/WO2023104683A1/fr

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/04—Arrangements for maintaining operational condition

Definitions

  • the field of the invention is that of Vehicle- to- Everything (V2X) communication. More particularly, the invention relates to the use of a quality of service (in English “ Quality of Service ”, or QoS) prediction model for adapting to a change in quality of service of user equipment in a network of V2X communications.
  • a quality of service in English “ Quality of Service ”, or QoS
  • V2X Vehicle-to-everything communication
  • external entities such as another vehicle, road infrastructures, pedestrians or a network of extended communication (eg Internet).
  • V2X communication is usually deployed on the basis of two technologies: Wi-Fi (for example according to the IEEE 802.11p standard), and the mobile network (for example the 4G network, or 5G).
  • Wi-Fi for example according to the IEEE 802.11p standard
  • the mobile network for example the 4G network, or 5G.
  • V2X communication is deployed on the existing mobile network.
  • V2X communication makes it possible to ensure and improve road safety, reduce fuel consumption and improve the experience between drivers and other road users, such as cyclists and pedestrians.
  • V2X communication can be used in various ways, e.g. for cooperative driving, traffic jam warning, collision avoidance, hazard warning, autonomous driving, driver assistance, infotainment...
  • the quality of service requirements related to each of these uses can be very different and have a significant impact on the telecommunications standards to be used to provide the adequate service. Indeed, safe and efficient driving, especially of automated vehicles, can be affected by sudden changes in the quality of service provided.
  • the invention meets this need by proposing a method for predicting a variation in a quality of service in a V2X communication network comprising at least one base station, to which at least one user equipment is connected.
  • the process includes: - an identification of at least one key performance indicator (KPI) representative of the quality of service for said at least one user equipment, called the key performance indicator of interest, - a prediction by deep learning from past values of at least one secondary key performance indicator, collected for said at least one base station, of a future value of said at least one key performance indicator of interest, - a transmission, if necessary, of an information notification of the variation in quality of service intended for said at least one user equipment, according to the predicted value.
  • KPI key performance indicator
  • the invention is based on an entirely new and inventive approach to QoS variation prediction in a V2X type communication network. More particularly, in order to satisfy the conditions of security and user quality of experience of a network based on V2X type communication, the method according to the invention implements a prediction of a variation in quality of service (QoS ).
  • QoS quality of service
  • This QoS prediction makes it possible in particular to anticipate variations in QoS and to warn, by sending an information notification, the user equipment of this variation. The equipment can then, upon receipt of the notification, anticipate and adapt its behavior to the change to come.
  • QoS prediction is then useful for the user devices of the V2X network to be informed in advance of any upcoming changes in the available quality of service, in order to allow V2X applications to take the appropriate measures.
  • measures are, for example, the adaptation or complete shutdown of applications that cannot be operated safely under the expected quality of service conditions (for example: autonomous driving).
  • the deep learning stage can accurately predict QoS variations.
  • the prediction by deep learning also takes into account a distance measurement of said at least one user equipment item to said at least one base station.
  • the method further comprises a selection, from a set of secondary key performance indicators, of said at least one secondary key performance indicator taken into account for the prediction, a value of said at least one selected secondary key performance indicator influencing a value of the key performance indicator of interest.
  • the QoS prediction implements in particular a step of selecting a set of factors (also called secondary KPIs) for at least one key performance indicator (KPI) of interest to be monitored for a case of use of the V2X communication network (e.g. remote operation).
  • KPI key performance indicator
  • different KPIs of interest are to be monitored according to the different use cases of V2X communication.
  • the KPI(s) of interest depend on other secondary KPIs that will influence it.
  • This selection of a relevant set of secondary KPIs, for a KPI of interest makes it possible to reduce the prediction time and increase its accuracy. Indeed, in an environment as dynamic as a V2X communication network, this selection makes it possible to eliminate secondary KPIs that would bias the QoS prediction.
  • the prediction by deep learning implements an algorithm of the LSTM type.
  • LSTM-type algorithm is particularly advantageous for predicting QoS variations over time. Indeed, this type of algorithm makes it possible to obtain precise temporal predictions, in particular by weighting the collected data by giving more importance to recent temporal data compared to older temporal data.
  • the LSTM type algorithm is implemented as a sliding window on said past values of said at least one selected secondary key performance indicator.
  • the prediction is implemented from past values of at least one secondary key performance indicator, collected for a plurality of neighboring base stations of said network.
  • the invention also relates to a device for predicting variation in a quality of service in a V2X communication network comprising at least one base station to which at least one user equipment is connected.
  • the prediction device is configured to: - identifying at least one key performance indicator (KPI) representative of the quality of service for said at least one user device, called the key performance indicator of interest, - predicting by deep learning from past values of at least one secondary key performance indicator, collected for said at least one base station, of a future value of said at least one key performance indicator of interest, - emitting, if necessary, an information notification of said variation in quality of service to said at least one user equipment item, as a function of said predicted value.
  • KPI key performance indicator
  • the device is configured to predict the future value by deep learning also taking into account a distance measurement of said at least one user equipment item to said at least one base station.
  • the prediction device is integrated into said at least one base station.
  • the prediction device is integrated into network equipment configured to implement the prediction from past values of at least one secondary key performance indicator, collected for a plurality of base neighbors of the network.
  • the prediction device when the prediction device is integrated into an operational subsystem (OSS), it is possible to collect KPI data (of interest or secondary) on a set of base stations located in a given geographical area.
  • KPI data of interest or secondary
  • the invention also relates to a computer program product comprising program code instructions for implementing a prediction method as described previously, when it is executed by a processor.
  • the invention also relates to user equipment connected to at least one base station of a V2X communication network.
  • This equipment includes: - a communication module configured to receive, if necessary, an information notification of a variation in quality of service predicted according to a prediction method as described above;
  • - a module for adapting a processing carried out in the user equipment to the variation in quality of service as a function of quality of service variation information included in said notification.
  • user equipment in a V2X communication network can anticipate the QoS variation by receiving a notification from a prediction device and relayed by a base station.
  • the V2X application via an adaptation module, reacts upstream of the QoS change upon receipt of the information notification.
  • the user equipment thanks to the V2X application, has already adapted its behavior.
  • the reception of an information notification of variation of quality of service before the actual change of QoS makes it possible to guarantee the security of the users of a V2X communication network.
  • such a communication module is advantageously configured to transmit a distance measurement from the user equipment to the base station. It is thus possible to make a spatio-temporal prediction of the variation of QoS for the user equipment.
  • the invention also relates to a recording medium readable by a computer on which is recorded a computer program comprising program code instructions for the execution of the steps of the method for predicting a variation in quality of service in a V2X communication network according to the invention as described above, when the program is executed by a processor.
  • Such recording medium can be any entity or device capable of storing the program.
  • the medium may include a storage medium, such as a ROM, for example a CD ROM or a microelectronic circuit ROM, or else a magnetic recording medium, for example a mobile medium (memory card) or a hard drive or SSD.
  • such a recording medium may be a transmissible medium such as an electrical or optical signal, which may be conveyed via an electrical or optical cable, by radio or by other means, so that the program computer it contains is executable remotely.
  • the program according to the invention can in particular be downloaded onto a network, for example the Internet network.
  • the recording medium may be an integrated circuit in which the program is incorporated, the circuit being adapted to execute the steps or to be used in the execution of the method for predicting a variation in quality of service in a network aforementioned V2X communication system.
  • the present technique is implemented by means of software and/or hardware components.
  • module or “device” may correspond in this document to a software component, a hardware component or a set of hardware and software components.
  • a software component corresponds to one or more computer programs, one or more sub-programs of a program, or more generally to any element of a program or software capable of implementing a function or a set of functions, as described below for the module concerned.
  • Such a software component is executed by a data processor of a physical entity (terminal, server, router, etc.) and is likely to access the hardware resources of this physical entity (memories, recording media, communication bus , electronic input/output cards, user interfaces, etc.).
  • resources means all sets of hardware and/or software elements supporting a function or service, whether unitary or combined.
  • a hardware component corresponds to any element of a hardware assembly (or hardware) able to implement a function or a set of functions, according to what is described below for the module concerned. It can be a hardware component that can be programmed or has an integrated processor for executing software, for example an integrated circuit, a smart card, a memory card, an electronic card for executing firmware ( “firmware” in English), etc.
  • the prediction device and the aforementioned corresponding computer program have at least the same advantages as those conferred by the method for securing an exchange according to the present invention.
  • FIG. 1 there depicts an exemplary environment of a Vehicle-to-All communication network within a base station network coverage according to one embodiment of the invention
  • FIG. 1 there schematically illustrates an example of architecture of a device for predicting a variation in quality of service in a V2X communication network, according to one embodiment of the invention.
  • the general principle of the invention is based on the use of a spatio-temporal prediction model of the change in the quality of service in a V2X communication network.
  • the invention allows V2X communication applications embedded in user equipment (for example: autonomous vehicles, smart phone, connected watch, etc.) to be informed of an upcoming QoS change and to react to it by upstream.
  • user equipment for example: autonomous vehicles, smart phone, connected watch, etc.
  • the spatio-temporal prediction of QoS for example along a specific route and/or in a specific time frame, makes it possible to adjust the behavior of user equipment connected to the V2X network at the application level (for example: change at the level of vehicle automation, change of vehicle speed, transfer to driver, display of alert notification, etc.). It is thus possible to guarantee the security of users of the V2X communication network, as well as the quality of the user experience.
  • QoS prediction helps to provide early notifications about predicted QoS changes to interested consumers.
  • V2X application e.g.: vehicle tele-operation, infotainment, etc.
  • QoS variation adaptation module e.g.: vehicle tele-operation, infotainment, etc.
  • These prior notifications when the predictions are sufficiently reliable, are then sent with a notice period before the new predicted QoS is felt. This notice period depends on the specific application and use case, but should be long enough to give the application time to adapt to future QoS.
  • This V2X communication network comprises various user equipment: vehicles V (V 1 , V 1' , V 2 , V 3 or V 4 ) connected to the V2X network, road infrastructures I, smart phones or watches connected pedestrians or cyclists P... and network equipment such as, for example, mobile network infrastructures N (base station or operational subsystem OSS).
  • vehicles V V 1 , V 1' , V 2 , V 3 or V 4
  • road infrastructures I smart phones or watches connected pedestrians or cyclists P...
  • network equipment such as, for example, mobile network infrastructures N (base station or operational subsystem OSS).
  • the connected vehicles are for example autonomous vehicles, such as autonomous cars or trucks, or any type of vehicle, such as for example boats, or planes.
  • Connected vehicles can also be non-autonomous vehicles, but can still connect to the V2X network and exchange data with other user equipment or with a V2X application management server in a wide area network.
  • “user equipment” of a V2X communication network is subsequently designated as any equipment that can connect to the V2X network and exchange data (for example: autonomous car, smartphone, bicycle navigator, road infrastructure, etc. ).
  • the user equipment includes in particular a communication module configured to transmit and receive data.
  • a user equipment is able to transmit its position to other equipment or to a base station, and to receive notifications, in particular from the base station.
  • Road infrastructures I can be traffic lights, streetlights, traffic or billboards, etc.
  • V2X communication network allows different specific types of communication, such as V2V (Vehicle-to-Vehicle), V2I (Vehicle-to-Infrastructure), V2N (Vehicle-to-Network) or V2P (Vehicle-to-Vehicle) communication.
  • V2V Vehicle-to-Vehicle
  • V2I Vehicle-to-Infrastructure
  • V2N Vehicle-to-Network
  • V2P Vehicle-to-Vehicle communication.
  • Pedestrian an infrastructure of relay antennas, or N base stations, makes it possible, via the deployment of a mobile network, for example 5G, to relay these communications.
  • an autonomous vehicle V 1 can establish communication with another vehicle V 1′ which is connected to the V2X network.
  • This second vehicle V 1' can also be an autonomous vehicle or not.
  • the autonomous vehicle V 1 can communicate with the connected vehicle V 1′ in front of it, for example requesting a transfer of data from the on-board camera in V 1′ to see if it can carry out an overtaking maneuver. It is thus possible to improve the perception of the autonomous vehicle V 1 by benefiting from data collected (for example via a camera) by one or more other vehicles connected to the V2X network.
  • a connected vehicle V 2 (autonomous or not) can establish communication with a road infrastructure I, for example a traffic light, which then warns the vehicle V 2 of a change in the color of the light.
  • a road infrastructure I for example a traffic light
  • a connected vehicle V 4 can communicate with an infrastructure of the mobile network, or base station N, either for access to the V2X communication network for communication with other network equipment, or for access with a wide area network WAN ( Wide Area Network ) for communication with a V2X application management server, for example for connection to the autonomous driving V2X service, or another V2X service.
  • This V2X application management server SERV_V2X is for example located in the network of the operator and then manages one or more different V2X applications.
  • KPIs Key performance indicators
  • - accessibility it groups together the measures that allow operators to collect information relating to the accessibility of mobile services for the subscriber (for example the KPI used is the success rate or " Success Rate " representing the number of times where the user manages to connect to the service),
  • - integrity it measures the high or low quality of a service while the subscriber is using it (e.g. latency or data rate),
  • KPIs must be taken into account.
  • the use case is infotainment
  • data rate is relevant.
  • the user's safety is at stake, as for example in the case of tele-operation
  • several KPIs are to be taken into account: data rate, latency and reliability.
  • the required QoS may vary. Table 1 below presents examples of KPIs to be taken into account for different use cases and examples of reactions of the V2X application when the QoS of these KPIs is not respected.
  • Table 1 only presents examples of KPIs for certain use cases. It should be noted that this list is not exhaustive, and that other KPIs may be taken into account.
  • the quality of service of a KPI (such as latency, or data rate) may be influenced by one or more other factors, also referred to below as secondary KPIs (for example: user density for a given base station, the quality of the mobile network etc.).
  • a connected and automated vehicle V which is remotely controlled by a tele-operated driving application (in English “ tele-operated driving ” or ToD) is described.
  • the software application must be able to receive sufficient quality video data from the vehicle's on-board cameras, as well as vehicle status data such as speed and direction.
  • tele-operation commands must be transmitted with a latency of the order of 20 ms or less for example, because a greater delay can lead to a lack of responsiveness.
  • the network must provide QoS specific to the tele-operation V2X application, especially in terms of minimum data rate (uplink) and maximum latency (downlink).
  • the connected and automated vehicle V drives for example with a minimum data rate of 20 Mbps, and a minimum latency of the order of 20 ms.
  • a QoS variation prediction device Disp_V2X, implements a step of predicting a QoS variation by taking into account the different KPIs for the teleoperation use case.
  • This QoS prediction step is presented below in connection with FIGS. 3A and 4A.
  • the Disp_V2X prediction device can be located directly at the level of a network infrastructure, such as the base station N.
  • this prediction device Disp_V2X can be located for example in a V2X application management server of the operator's network, at the level of the operational subsystem OSS
  • the prediction device Disp_V2X when the prediction device Disp_V2X is located in a SERV_V2X management of the operator, the latter has access to the data of several base stations.
  • the prediction device Disp_V2X determines that according to the trajectory that the vehicle V is following, in 20 seconds, the data download rate should drop below the 20 Mbps threshold and the latency below the threshold 20ms, for 30 seconds.
  • the prediction device Disp_V2X via the base station N, informs the V2X application of the vehicle V of the non-compliance with the data download rate and the latency by issuing a notification information on the variation of QoS.
  • this notification notably includes the predicted values of the KPIs of interest, such as latency and data rate.
  • this notification can also include the duration during which the change of QoS takes place, that is to say the duration during which the values of KPIs are not respected.
  • This notification can be sent for example via the 5G communication network, Wifi (in English “ Wireless Fidelity ”) or Lifi (in English “ Light Fidelity ”)... Depending on the use case and the level of security required, this notification is sent with sufficient notice to allow the application to make the necessary changes.
  • step E23 the V2X application on board the vehicle V takes an appropriate action/countermeasure, via an adaptation module. This allows the vehicle V to slow down and adapt its speed to allow the remote operation to continue under the future quality of service conditions. If the quality of service to come is not at all sufficient for tele-operation, the reaction of the vehicle V can, in the worst case, bring the vehicle V to a controlled and safe stop.
  • step E24 the violation of the data rate and the latency then takes effect, but the necessary measures have already been taken by the V2X application of the vehicle V.
  • the example related to only presents an example of V2N type communication in the context of tele-operation.
  • the prediction method presented above can be applied to all the types of V2X communication previously presented.
  • the method according to the invention makes it possible to ensure the security of the users by anticipating future QoS changes and by informing the user equipment of this change before it occurs.
  • one of the KPIs to consider for the tele-operation use case is latency, i.e. the time required for packets to data are transmitted from the V2X management server SERV_V2X to the base station N, or from the base station N to the connected and automated vehicle V.
  • this first embodiment of the invention it is sought to make a temporal prediction of the QoS for a KPI, such as latency, at the level of a base station.
  • This same temporal prediction model can be applied to any other relevant KPI in the context of tele-operation or other use cases.
  • the QoS temporal prediction is defined as the prediction over time of a QoS change taking into account at least one KPI for a given base station or for a piece of equipment. given user. It should be noted that when the Disp_V2X prediction device is located in an operator's management server, at the OSS level, it is possible to predict the QoS for several base stations and therefore to effectively manage situations of handover of the user equipment during its movement.
  • the prediction device Disp_V2X collects, via the base station, a set of secondary KPIs, or factors , which have a direct impact on the latency at base station N (e.g. connected subscriber density, mobile network quality). These secondary KPIs data are for example collected with a fine granularity of 15 min for the base station N. These data are then preprocessed to eliminate the null values, for example according to a standard statistical processing in which the null values are modified by the average or the median of the values of the KPI considered.
  • each base station in the network has different useful indicators (KPIs), for example depending on the density of users connected at different times of the day or season. .
  • a secondary KPI selection phase is applied.
  • the objective of this phase is to reduce the number of secondary input KPIs, in order to process only the most significant secondary KPIs, or the most relevant in predicting the future values of the KPI(s) of interest.
  • this step makes it possible to reduce the execution time of the prediction, but also to increase the precision of the prediction by removing the insignificant secondary KPIs which can bias the prediction.
  • the prediction model then comprises a learning step E32.
  • a “Sequence to Sequence” (or Seq2Seq) model.
  • This learning model transforms a sequence into another sequence (sequence transformation). It does this by using a recurrent neural network (or RNN for “ Recurrent Neural Network ”).
  • the first sequence contains the history of the values of secondary KPIs taken into account, i.e. selected in the previous step, which is transformed into an output sequence which goes from the current sample to the horizon of prediction.
  • the Seq2Seq algorithm is trained to match an input sequence of historical observations with an output sequence based on the prediction horizon. This process is repeated as a sliding window over the training data set.
  • the Seq2Seq model used in this prediction model is based on an LSTM ( Long Short-Term Memory ) algorithm.
  • LSTM Long Short-Term Memory
  • the use of a learning algorithm of the LSTM type makes it possible to obtain precise predictions.
  • This type of algorithm is particularly advantageous for dynamic environments, such as V2X communication.
  • Another advantage of LSTM is that it assigns more importance to recent values in time over older values. In one example, we know that the KPIs values at 6:00 a.m. are different from those at 12:00 p.m., but that the KPIs values at 11:00 a.m. are already closer to those at 12:00 p.m. Thus, when one wishes to predict the values of the KPIs at 12 o'clock, the LTSM algorithm gives more importance to the KPI values of 11 o'clock, than to those of 6 o'clock.
  • a step E33 predicted values are compared with the values of KPIs collected. For this, we use the root mean squared error (or RMSE for " Root Mean Squared Error ”) as an evaluation measure.
  • the accuracy rate of the QoS temporal prediction model according to the invention amounts to 79% accuracy for the latency at the level of a given base station.
  • the use of the above model for the temporal prediction of QoS in a V2X communication network makes it possible to accurately predict QoS changes over time. It is then possible to warn, by issuing a notification to user equipment, of this change in QoS, sufficiently in advance to allow time for the V2X application to adapt.
  • the position of the user equipment in the coverage of the base station is taken into account.
  • a base station N makes it possible to create a V2X communication network (for example by using a 5G telecommunications network), comprising the connected vehicles Va, Vb, Vc.
  • the base station N allows the exchange of data between user equipment and a Disp_V2X prediction device, for example in a network operator management server at the level of an operational subsystem (OSS).
  • OSS operational subsystem
  • the vehicles Va, Vb, and Vc are located at different positions in the network coverage C of the base station N.
  • the vehicle Vc is the closest and the vehicles Va and Vb the farthest.
  • the accuracy of the data transmitted by the user equipment, here the vehicles Va, Vb and Vc (for example: position of the vehicles) n is not the same, the same goes for the latency at the level of the user equipment.
  • the information coming from the vehicle Vc, closer to the base station N is more precise than that coming from the vehicles Va and Vb which are further away.
  • the latency at the level of the vehicle Vc is lower than that at the level of the more distant vehicles Va and Vb.
  • the QoS within the network coverage of a base station is not the same depending on whether the user is more or less close to the latter.
  • a spatio-temporal prediction of the QoS taking into account the QoS at the level of the base station N as presented in connection with the , and the distance of the user equipment to this base station N.
  • the prediction device Disp_V2X uses a linear regression model (for example according to the formulas below) using the temporal prediction data obtained at the prediction step E21 of the according to the process described in connection with the , of one or more base stations in a given geographical area and the distance from the user equipment to these base stations on a chosen route:
  • KPI 1 KPI 1 ,..., KPI p considered, for each of which n (n ⁇ 1) values are collected:
  • n1 represent the n values collected from the first KPI 1 ,
  • - x 1p ...x np represent the n values collected from the p-th KPI p considered.
  • y is a KPI whose n values y 1 to y n are to be predicted.
  • y' is the prediction of y, y' being calculated using a linear regression function based on p+1 linear regression coefficients ⁇ 0 , ⁇ 1 ,..., ⁇ p applied to an i-th value among n values collected for each of the p KPIs.
  • spatio-temporal prediction of QoS change allows users of connected vehicles to request predicted information from a specific base station, based on their routes.
  • the prediction device Disp_V2X comprises a random access memory RAM, a processing unit CPU equipped for example with a processor, and controlled by a computer program stored in a read only memory (for example a ROM memory or a hard disk). On initialization, the code instructions of the computer program are for example loaded into the random access memory RAM before being executed by the processor of the processing unit CPU.
  • the Disp_V2X prediction device also comprises a communication module COM for the reception/transmission of data originating from the user equipment of the V2X network via one or more base stations and the transmission of QoS change notifications.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Telephonic Communication Services (AREA)

Abstract

L'invention concerne un procédé de prédiction d'une variation d'une qualité de service dans un réseau de communication V2X comprenant au moins une station de base, à laquelle est connecté au moins un équipement utilisateur. Le procédé comprend : une identification d'au moins un indicateur clé de performance (KPI) représentatif de ladite qualité de service pour ledit au moins un équipement utilisateur, appelé indicateur clé de performance d'intérêt; une prédiction par apprentissage profond à partir de valeurs passées d'au moins un indicateur clé de performance secondaire, collectées pour ladite au moins une station de base, d'une valeur future dudit au moins un indicateur clé de performance d'intérêt; une émission, le cas échéant, d'une notification d'information de ladite variation de qualité de service à destination dudit au moins un équipement utilisateur, en fonction de ladite valeur prédite.

Description

Procédé de prédiction d’une variation de qualité de service dans un réseau de communication V2X, dispositif de prédiction et programme d’ordinateur correspondants Domaine de l'invention
Le domaine de l’invention est celui de la communication Véhicule-à-Tout (en anglais, « Vehicle-to-Everything » ou V2X). Plus particulièrement, l’invention concerne l’utilisation d’un modèle de prédiction de qualité de service (en anglais « Quality of Service », ou QoS) pour l’adaptation à un changement de qualité de service des équipements utilisateurs dans un réseau de communication V2X.
 Art antérieur
La communication Véhicule-à-Tout, ou V2X, est l’ensemble des systèmes de communication existants ou futurs qui permettent aux véhicules d'échanger des informations avec des entités extérieures comme un autre véhicule, des infrastructures routières, des piétons ou un réseau de communication étendu (par exemple Internet).
La communication V2X est généralement déployée sur la base de deux technologies : le Wi-Fi (par exemple selon la norme IEEE 802.11p), et le réseau de téléphonie mobile (par exemple le réseau 4G, ou 5G). En particulier, la communication V2X est déployée sur le réseau mobile existant.
La communication V2X, comprend différents types de communication :
  • la communication dite « V2V » pour Véhicule-à-Véhicule (ou « Vehicle-to-Vehicle » en anglais) : les véhicules qui prennent en charge ce type de communication peuvent échanger des messages (par exemple sur leur emplacement, leur vitesse, leur état, etc.). Cet échange de messages a lieu directement entre les véhicules ou via une infrastructure du réseau de téléphonie mobile (par exemple une station de base, au sein d’une cellule). La communication V2V permet a un véhicule d’alerter d’autres véhicules d’un danger, d’un problème ou simplement d’échanger des informations (vitesse, emplacement, sens de direction, freinage ou perte de stabilité etc.) afin que la circulation soit la plus fluide possible. Les véhicules peuvent alors agir et prendre des mesures afin d’éviter un problème lors d’un changement soudain de trajectoire ou d’un freinage d’urgence par exemple ;
  • la communication dite « V2I » pour Véhicule-à-Infrastructure (ou « Vehicle-to-Infrastructure » en anglais) : les véhicules qui prennent en charge ce type de communication peuvent échanger des messages avec les infrastructures routières qui les entourent. Ces infrastructures peuvent être des feux de signalisation, des marqueurs de voie, des lampadaires, des parcmètres, des caméras de surveillance… La communication V2I permet ainsi de récolter et d’échanger des données avec des infrastructures routières afin de fournir aux voyageurs et aux véhicules des informations en temps réel sur des éléments tels que les conditions de circulation, la fluidité du trafic, les accidents, les zones de travaux et les disponibilités de places dans les parkings. Il est alors possible d’anticiper certaines situations et d’agir en conséquence ;
  • la communication dite « V2N » pour Véhicule-à-Réseau (en anglais, « Vehicle-to-Network ») permet, via les infrastructures du réseau mobile, d’échanger des données et établir des communications entre les véhicules et un serveur de gestion des applications V2X par exemple. Les véhicules peuvent recevoir des alertes diffusées concernant des accidents plus loin sur la route ou des avertissements de congestion ou de files d'attente sur l'itinéraire prévu par exemple ;
  • la communication dite « V2P » pour Véhicule-à-Piéton (en anglais « Vehicle-to-Pedestrian ») implique des communications entre un véhicule et un piéton ou plusieurs piétons à proximité immédiate. En outre, la communication peut s'adresser à d'autres usagers de la route vulnérables, tels que les cyclistes. Le V2P est réalisé directement ou par l'intermédiaire de l'infrastructure du réseau mobile. Différents types de support aident à la communication V2P : téléphone intelligent, canne pour malvoyant, éclairages, navigateur vélo etc. Ce type de communication permet d'avertir le piéton de l'approche d'un véhicule, d'avertir le véhicule de la présence d'usagers vulnérables, grâce à leur localisation, et ainsi de garantir leur protection. Elle permet donc d’alerter le piéton et les conducteurs de véhicules connectés des potentiels dangers dans la rue.
Ainsi, la communication V2X permet d’assurer et améliorer la sécurité routière, de réduire la consommation de carburant ou encore d’améliorer l’expérience entre les conducteurs et les autres usagers de la route, tels que les cyclistes et les piétons. En particulier, la communication V2X peut être utilisée de différentes manières, par exemple pour la conduite coopérative, l’avertissement de bouchons, l’évitement des collisions, l’avertissement de dangers, la conduite autonome, l’assistance à la conduite, l’info-divertissement…
Les exigences de qualité de service liées à chacune de ces utilisations peuvent être très différentes et avoir un impact important sur les normes de télécommunication à utiliser pour fournir le service adéquat. En effet, la conduite sûre et efficace, notamment des véhicules automatisés, peut être affectée par des changements soudains de la qualité de service fournie.
Les solutions actuelles proposées pour faire face à des changements de QoS, ne peuvent être appliquées à la communication V2X. En effet, ces solutions sont principalement basées sur des modifications manuelles de la configuration des équipements utilisateurs basées sur l’observation dans le temps des variations de QoS (par exemple : augmentation manuelle de la capacité de certaines stations de base pendant des périodes où l’on sait que la densité de population va augmenter). Ces solutions ne sont pas suffisamment dynamiques. En particulier, elles ne permettent pas de laisser suffisamment de temps à l'application V2X embarquée dans les équipements utilisateurs (par exemple véhicules connectés, téléphones intelligents etc.) pour s'adapter en douceur et en toute sécurité aux variations de QoS.
Il existe donc un besoin d’améliorer les techniques d’adaptation à un changement de QoS dans un contexte de réseau de communication de type V2X afin d’assurer la sécurité des utilisateurs ou améliorer leur expérience. En particulier, il est primordial dans le cadre de la communication V2X de permettre à l’application V2X des équipements utilisateurs d’être informée en amont d’une variation de QoS et de réagir avec suffisamment de temps à cette dernière en toute sécurité pour l’utilisateur.
L’invention répond à ce besoin en proposant un procédé de prédiction d’une variation d’une qualité de service dans un réseau de communication V2X comprenant au moins une station de base, à laquelle est connecté au moins un équipement utilisateur. Le procédé comprend :
- une identification d’au moins un indicateur clé de performance (KPI) représentatif de la qualité de service pour ledit au moins un équipement utilisateur, appelé indicateur clé de performance d’intérêt,
- une prédiction par apprentissage profond à partir de valeurs passées d’au moins un indicateur clé de performance secondaire, collectées pour ladite au moins une station de base, d’une valeur future dudit au moins un indicateur clé de performance d’intérêt,
- une émission, le cas échéant, d’une notification d’information de la variation de qualité de service à destination dudit au moins un équipement utilisateur, en fonction de la valeur prédite.
Ainsi, l’invention repose sur une approche tout à fait nouvelle et inventive de la prédiction de variation de QoS dans un réseau de communication de type V2X. Plus particulièrement, afin de satisfaire aux conditions de sécurité et de qualité d’expérience utilisateur d’un réseau basé sur la communication de type V2X, le procédé selon l’invention met en œuvre une prédiction d’une variation de qualité de service (QoS). Cette prédiction de QoS permet notamment d’anticiper les variations de QoS et d’avertir, via l’envoi d’une notification d’information, l’équipement utilisateur de cette variation. L’équipement peut alors, sur réception de la notification, anticiper et adapter son comportement au changement à venir.
En effet, en raison des conditions variables du réseau mobile, il n’est pas toujours possible de satisfaire les exigences de qualité de service requises par les applications V2X. La prédiction de QoS est alors utile pour que les équipements utilisateurs du réseau V2X soient informés à l’avance de tout changement à venir dans la qualité de service disponible, afin de permettre aux applications V2X de prendre les mesures appropriées. Ces mesures sont par exemple l’adaptation ou l’arrêt complet des applications qui ne peuvent pas être exploitées en toute sécurité dans les conditions de qualité de service prévues (par exemple : conduite autonome).
L’étape d’apprentissage profond (en anglais « deep learning ») permet de prédire avec précision les variations de QoS.
Selon une caractéristique de l’invention, la prédiction par apprentissage profond tient également compte d’une mesure de distance dudit au moins un équipement utilisateur à ladite au moins une station de base.
De manière avantageuse, il est possible d’affiner la prédiction de variation de qualité de service au niveau de l’équipement utilisateur en prenant en compte la distance de l’équipement utilisateur au sein de la couverture réseau d’une station de base de ce réseau de communication V2X à laquelle l’équipement est connecté. En effet, il a été constaté que la qualité de service est différente en fonction de la position d’un équipement utilisateur dans la couverture réseau de la station de base.
Ainsi, il est possible de prédire une variation de QoS pour l’équipement utilisateur tout au long d’un itinéraire.
Selon une autre caractéristique de l’invention, le procédé comprend en outre une sélection, parmi un ensemble d’indicateurs clés de performance secondaires, dudit au moins un indicateur clé de performance secondaire pris en compte pour la prédiction, une valeur dudit au moins un indicateur clé de performance secondaire sélectionné influençant une valeur de l’indicateur clé de performance d’intérêt.
De manière avantageuse, la prédiction de QoS met en œuvre en particulier une étape de sélection d’un ensemble de facteurs (aussi appelés KPIs secondaires) pour au moins un indicateur clé de performance (KPI) d’intérêt à surveiller pour un cas d’usage du réseau de communication V2X (par exemple télé-opération). En effet, différents KPIs d’intérêts sont à surveiller en fonction des différents cas d’usage de communication V2X. Le ou les KPIs d’intérêts dépendent d’autres KPIs secondaires qui vont l’influencer. Cette sélection d’un ensemble pertinent de KPIs secondaires, pour un KPI d’intérêt, permet de réduire le temps de prédiction et d’en augmenter la précision. En effet, dans un environnement aussi dynamique qu’un réseau de communication V2X, cette sélection permet d’éliminer des KPIs secondaires qui biaiseraient la prédiction de QoS.
Ainsi, la combinaison de ces étapes spécifiques de prédiction de QoS permet d’obtenir une prédiction précise et donc d’avertir ensuite l’équipement utilisateur suffisamment en avance du changement de QoS.
Selon un aspect particulier de l’invention, la prédiction par apprentissage profond met en œuvre un algorithme de type LSTM.
La mise en œuvre d’un algorithme de type LSTM est particulièrement avantageuse pour la prédiction dans le temps de variation de QoS. En effet, ce type d’algorithme permet d’obtenir des prédictions temporelles précises, notamment en pondérant les données collectées en accordant plus d’importance aux données temporelles récentes par rapport aux données temporelles plus anciennes.
Selon un autre aspect particulier de l’invention, l’algorithme de type LSTM est mis en œuvre en tant que fenêtre glissante sur lesdites valeurs passées dudit au moins un indicateur clé de performance secondaire sélectionné.
Ainsi, il est possible d’optimiser les performances de l’algorithme de prédiction et d’obtenir une prédiction plus précise.
Selon une autre caractéristique de l’invention, la prédiction est mise en œuvre à partir de valeurs passées d’au moins un indicateur clé de performance secondaire, collectées pour une pluralité de stations de base voisines dudit réseau.
En utilisant les données des KPIs de plusieurs stations de base, par exemple par intégration au niveau du sous-système opérationnel (OSS, pour l’anglais « Operating Sub System »), on augmente ainsi la rapidité et la fiabilité de la prédiction par apprentissage profond.
L’invention concerne également un dispositif de prédiction de variation d’une qualité de service dans un réseau de communication V2X comprenant au moins une station de base à laquelle est connecté au moins un équipement utilisateur. Le dispositif de prédiction est configuré pour:
- identifier au moins un indicateur clé de performance (KPI) représentatif de la qualité de service pour ledit au moins un équipement utilisateur, appelé indicateur clé de performance d’intérêt,
- prédire par apprentissage profond à partir de valeurs passées d’au moins un indicateur clé de performance secondaire, collectées pour ladite au moins une station de base, d’une valeur future dudit au moins un indicateur clé de performance d’intérêt,
- émettre, le cas échéant, une notification d’information de ladite variation de qualité de service à destination dudit au moins un équipement utilisateur, en fonction de ladite valeur prédite.
Selon une caractéristique de l’invention, le dispositif est configuré pour prédire la valeur future par apprentissage profond en tenant également compte d’une mesure de distance dudit au moins un équipement utilisateur à ladite au moins une station de base.
Selon une autre caractéristique de l’invention, le dispositif est en outre configuré pour sélectionner, parmi un ensemble d’indicateurs clés de performance secondaires, ledit au moins un indicateur clé de performance secondaire pris en compte pour la prédiction, une valeur dudit au moins un indicateur clé de performance secondaire sélectionné influençant une valeur dudit indicateur clé de performance d’intérêt.
Selon une autre caractéristique de l’invention, le dispositif de prédiction est intégré à ladite au moins une station de base.
Selon une autre caractéristique de l’invention, le dispositif de prédiction est intégré dans un équipement du réseau configuré pour mettre en œuvre la prédiction à partir de valeurs passées d’au moins un indicateur clé de performance secondaire, collectées pour une pluralité de stations de base voisines du réseau.
Avantageusement, lorsque le dispositif de prédiction est intégré dans un sous-système opérationnel (OSS), il est possible de collecter des données de KPIs (d’intérêts ou secondaires) sur un ensemble de stations de base localisées dans une zone géographique donnée. Ainsi, il est possible de prédire un changement de QoS sur un itinéraire d’un équipement utilisateur, sur lequel il se connecte successivement à plusieurs stations de base.
L’invention concerne également un produit programme d’ordinateur comprenant des instructions de code de programme pour la mise en œuvre d’un procédé de prédiction tel que décrit précédemment, lorsqu’il est exécuté par un processeur.
L’invention concerne également un équipement utilisateur connecté à au moins une station de base d’un réseau de communication V2X. Cet équipement comprend :
- un module de communication configuré pour réceptionner, le cas échéant, une notification d’information d’une variation de qualité de service prédite selon un procédé de prédiction tel que décrit précédemment ;
- un module d’adaptation d’un traitement effectué dans l’équipement utilisateur à la variation de qualité de service en fonction d’une information de variation de qualité de service comprise dans ladite notification.
Avantageusement, un équipement utilisateur (comme une voiture autonome) dans un réseau de communication V2X peut anticiper la variation de QoS grâce à la réception d’une notification en provenance d’un dispositif de prédiction et relayée par une station de base. En d’autres termes, l’application V2X, via un module d’adaptation, réagit en amont du changement de QoS dès réception de la notification d’information. Ainsi, lorsque le changement de QoS a lieu, l’équipement utilisateur, grâce à l’application V2X, a déjà adapté son comportement. La réception d’une notification d’information de variation de qualité de service avant le changement réel de QoS permet de garantir la sécurité des utilisateurs d’un réseau de communication V2X.
En outre, un tel module de communication est avantageusement configuré pour transmettre une mesure de distance de l’équipement utilisateur à la station de base. On peut ainsi réaliser une prédiction spatio-temporelle de la variation de QoS pour l’équipement utilisateur.
L’invention vise également un support d’enregistrement lisible par un ordinateur sur lequel est enregistré un programme d’ordinateur comprenant des instructions de code de programme pour l’exécution des étapes du procédé de prédiction d’une variation de qualité de service dans un réseau de communication V2X selon l’invention tel que décrites ci-dessus, lorsque le programme est exécuté par un processeur.
Un tel support d'enregistrement peut être n'importe quelle entité ou dispositif capable de stocker le programme. Par exemple, le support peut comporter un moyen de stockage, tel qu'une ROM, par exemple un CD ROM ou une ROM de circuit microélectronique, ou encore un moyen d'enregistrement magnétique, par exemple un support mobile (carte mémoire) ou un disque dur ou un SSD.
D'autre part, un tel support d'enregistrement peut être un support transmissible tel qu'un signal électrique ou optique, qui peut être acheminé via un câble électrique ou optique, par radio ou par d'autres moyens, de sorte que le programme d’ordinateur qu’il contient est exécutable à distance. Le programme selon l'invention peut être en particulier téléchargé sur un réseau par exemple le réseau Internet.
Alternativement, le support d'enregistrement peut être un circuit intégré dans lequel le programme est incorporé, le circuit étant adapté pour exécuter les étapes ou pour être utilisé dans l'exécution du procédé de prédiction d’une variation de qualité de service dans un réseau de communication V2X précité.
Selon un exemple de réalisation, la présente technique est mise en œuvre au moyen de composants logiciels et/ou matériels. Dans cette optique, le terme « module » ou « dispositif » peut correspondre dans ce document aussi bien à un composant logiciel, qu'à un composant matériel ou à un ensemble de composants matériels et logiciels.
Un composant logiciel correspond à un ou plusieurs programmes d'ordinateur, un ou plusieurs sous-programmes d'un programme, ou de manière plus générale à tout élément d'un programme ou d'un logiciel apte à mettre en œuvre une fonction ou un ensemble de fonctions, selon ce qui est décrit ci-dessous pour le module concerné. Un tel composant logiciel est exécuté par un processeur de données d'une entité physique (terminal, serveur, routeur, etc.) et est susceptible d'accéder aux ressources matérielles de cette entité physique (mémoires, supports d'enregistrement, bus de communication, cartes électroniques d'entrées/sorties, interfaces utilisateur, etc.). Par la suite, on entend par ressources tous ensembles d’éléments matériels et/ou logiciels support d’une fonction ou d’un service, qu’ils soient unitaires ou combinés.
De la même manière, un composant matériel correspond à tout élément d'un ensemble matériel (ou hardware) apte à mettre en œuvre une fonction ou un ensemble de fonctions, selon ce qui est décrit ci-dessous pour le module concerné. Il peut s'agir d'un composant matériel programmable ou avec processeur intégré pour l'exécution de logiciel, par exemple un circuit intégré, une carte à puce, une carte à mémoire, une carte électronique pour l'exécution d'un micrologiciel (« firmware » en anglais), etc.
Chaque composante du système précédemment décrit met bien entendu en œuvre ses propres modules logiciels.
Les différents modes de réalisation mentionnés ci-dessus sont combinables entre eux pour la mise en œuvre de la présente technique.
Le dispositif de prédiction, et le programme d’ordinateur correspondants précités présentent au moins les mêmes avantages que ceux conférés par le procédé de sécurisation d’un échange selon la présente invention.
 Brève description des figures
D'autres buts, caractéristiques et avantages de l'invention apparaîtront plus clairement à la lecture de la description suivante, donnée à titre de simple exemple illustratif, et non limitatif, en relation avec les figures, parmi lesquelles :
 : la illustre un exemple d’un environnement d’un réseau de communication Véhicule-à-Tout selon un mode de réalisation de l’invention ;
 : la illustre les différentes étapes d’un procédé de prédiction d’une variation de qualité de service dans un réseau de communication V2X selon un mode de réalisation de l’invention ;
 : la présente un exemple d’étape de prédiction de la qualité de service dans un réseau de communication V2X selon un premier mode de réalisation de l’invention ;
 : la présente sous forme de graphique les résultats de la prédiction de la qualité de service dans un réseau de communication V2X selon le mode de réalisation de la  ;
 : la représente un exemple d’environnement d’un réseau de communication Véhicule-à-Tout au sein d’une couverture réseau d’une station de base selon un mode de réalisation de l’invention ;
 : la présente sous forme de graphique les résultats de prédiction de la qualité de service dans un réseau de communication V2X selon un deuxième mode de réalisation de l’invention ;
 : la illustre de façon schématique un exemple d’architecture d’un dispositif de prédiction d’une variation de qualité de service dans un réseau de communication V2X, selon un mode de réalisation de l’invention.
Le principe général de l’invention repose sur l’utilisation d’un modèle de prédiction spatio-temporelle du changement de la qualité de service dans un réseau de communication V2X.
En particulier, l’invention permet aux applications de communication V2X embarquées dans des équipements utilisateurs (par exemple : véhicules autonomes, téléphone intelligent, montre connectée etc.) d’être informées d’un changement de QoS à venir et d’y réagir en amont.
Ainsi, la prédiction spatio-temporelle de QoS, par exemple le long d'un itinéraire spécifique et/ou dans un laps de temps spécifique, permet d'ajuster le comportement des équipements utilisateurs connectés au réseau V2X au niveau applicatif (par exemple : changement au niveau de l’automatisation du véhicule, modification de la vitesse du véhicule, transfert au conducteur, affichage d’une notification d’alerte, etc.). Il est ainsi possible de garantir la sécurité des utilisateurs du réseau de communication V2X, ainsi que la qualité de l’expérience utilisateur.
Pour cela, la prédiction de QoS permet de fournir des notifications précoces sur les changements de QoS prédits aux consommateurs intéressés. Cela permet à une application V2X (par exemple : télé-opération de véhicule, info-divertissement…) grâce à un module d’adaptation aux variations de QoS, de réagir avant que le changement de QoS prévu ne prenne effet. Ces notifications préalables, lorsque les prédictions sont suffisamment fiables, sont alors envoyées avec un délai de préavis avant que la nouvelle QoS prédite ne soit ressentie. Cette période de préavis dépend de l'application spécifique et du cas d'utilisation, mais elle doit être suffisamment longue pour donner à l'application le temps de s'adapter à la future QoS.
On présente désormais en lien avec la un exemple d’un environnement d’un réseau de communication de type « Véhicule-vers-Tout » selon un mode de réalisation de l’invention.
Ce réseau de communication V2X, ou réseau V2X, comprend différents équipements utilisateurs : des véhicules V (V1, V1’, V2, V3 ou V4) connectés au réseau V2X, des infrastructures routières I, des téléphones intelligents ou montres connectées de piétons ou cyclistes P… et des équipements réseau comme par exemple des infrastructures de réseau mobile N (station de base ou sous-système opérationnel OSS).
Les véhicules connectés sont par exemple des véhicules autonomes, comme des voitures ou camions autonomes, ou tout type de véhicule, comme par exemple des bateaux, ou des avions. Les véhicules connectés peuvent également être des véhicules non autonomes, mais pouvant tout de même se connecter au réseau V2X et échanger des données avec d’autres équipements utilisateurs ou avec un serveur de gestion d’application V2X dans un réseau étendu.
Ainsi, on désigne par la suite par « équipements utilisateurs » d’un réseau de communication V2X, tout équipement pouvant se connecter au réseau V2X et échanger des données (par exemple : voiture autonome, téléphone intelligent, navigateur de vélo, infrastructures routières etc.). Les équipements utilisateurs comprennent en particulier un module de communication configuré pour émettre et recevoir des données. En particulier, via le module de communication, un équipement utilisateur est apte à transmettre sa position à d’autres équipements ou à une station de base, et recevoir des notifications, notamment de la station de base.
Les infrastructures routières I peuvent être des feux de signalisation, des lampadaires, des panneaux de signalisation ou d’affichage, etc.
Ce réseau de communication V2X permet différents types de communication particuliers, comme par exemple la communication V2V (Véhicule-à-Véhicule), V2I (Véhicule-à-Infrastructure), V2N (Véhicule-à-Réseau) ou V2P (Véhicule-à-Piéton). Pour cela, une infrastructure d’antennes relais, ou stations de base N, permet, via le déploiement de réseau mobile, par exemple 5G, de relayer ces communications.
Dans un exemple, un véhicule autonome V1 peut établir une communication avec un autre véhicule V1’ qui est connecté au réseau V2X. Ce second véhicule V1’ peut être également un véhicule autonome ou non. Le véhicule autonome V1 peut communiquer avec le véhicule connecté V1’ devant lui, par exemple demandant un transfert des données de la caméra embarquée dans V1’ pour voir s’il peut effectuer une manœuvre de dépassement. Il est ainsi possible d’améliorer la perception du véhicule autonome V1 en bénéficiant de données collectées (par exemple via une caméra) par un ou plusieurs autres véhicules connectés au réseau V2X.
Dans un autre exemple, un véhicule connecté V2 (autonome ou non) peut établir une communication avec une infrastructure routière I, par exemple un feu de signalisation, qui avertit alors le véhicule V2 d’un changement de couleur de feu.
Dans un autre exemple, un véhicule connecté V4 peut communiquer avec une infrastructure du réseau mobile, ou station de base N, soit pour l’accès au réseau de communication V2X pour une communication avec les autres équipements du réseau, soit pour l’accès avec un réseau étendu WAN (pour « Wide Area Network » en anglais) pour une communication avec un serveur de gestion d’application V2X, par exemple pour la connexion au service V2X de conduite autonome, ou un autre service V2X. Ce serveur de gestion d’application V2X SERV_V2X est par exemple situé dans le réseau de l’opérateur et gère alors une ou plusieurs applications V2X différentes.
Dans un autre exemple, un véhicule connecté V3 peut établir une communication avec un piéton, ou cycliste, via une communication de type V2P. Cette technologie se différencie des trois autres présentées par le fait qu’elle établit un lien entre un être vivant (le piéton) et un objet (le véhicule). La communication entre un véhicule connecté et un piéton (ou cycliste) se fait par exemple via une montre connectée, ou téléphone intelligent etc.
Les différentes applications V2X ont chacune des exigences spécifiques en matière de qualité de service qui dépend des performances du réseau mobile. Ces exigences peuvent être exprimées en termes d’indicateur clé de performance ou KPI (en anglais « Key Perfomance Indicator ») tels que : couverture, débit minimal requis, taux de perte de paquets acceptable, latence maximale admissible des paquets, etc. Les KPI sont principalement organisés en six classes :
- l'accessibilité : elle regroupe les mesures qui permettent aux opérateurs de recueillir des informations relatives à l'accessibilité des services mobiles pour l'abonné (par exemple le KPI utilisé est le taux de succès ou « Success Rate » représentant le nombre de fois où l’utilisateur arrive à se connecter au service),
- l'intégrité : elle mesure la qualité élevée ou faible d'un service pendant que l'abonné l'utilise (par exemple la latence ou le débit de données),
- l'utilisation : elle mesure la quantité et la qualité de l'information circulant dans le réseau,
- la rétention : elle mesure le nombre de fois où un service a été interrompu ou abandonné pendant son utilisation. Cela empêche donc l'abonné d'utiliser le service et l'opérateur ne peut pas le facturer (par exemple le KPI utilisé est le nombre de fois où l’utilisateur n’arrive pas à se connecter au service),
- la mobilité : elle mesure le nombre de fois où un service a été interrompu ou abandonné pendant le transfert d'un abonné ou sa mobilité d'une station de base à une autre,
- l’efficacité énergétique (EE) : mesure l'efficacité énergétique des données modulaires du réseau.
En fonction des cas d’usage ou d’utilisation, différents KPIs sont à prendre en compte. Par exemple, si le cas d’usage est l’info-divertissement, seul le débit de données est à prendre en compte. Au contraire, si la sécurité de l’usager est en jeu, comme par exemple dans le cas de la télé-opération, alors plusieurs KPIs sont à prendre en compte : le débit de données, la latence et la fiabilité. Pour ces différents cas d’usage et KPIs, la QoS exigée peut varier. Le tableau 1 ci-dessous présente des exemples de KPIs à prendre en compte pour différents cas d’usage et des exemples de réactions de l’application V2X lorsque la QoS de ces KPIs n’est pas respectée.
Cas d'utilisation KPIs à prédire pour le changement de QoS Exemples de réactions potentielles de l’application V2X lors d’un changement de QoS
Conduite télé-opérée débit de données, latence, fiabilité changer d'itinéraire, garer le véhicule, passer le relais à un conducteur proche, modifier l'ensemble ou les propriétés des capteurs, changer le mode de télé-opération (par exemple, passer de la manœuvre à la fourniture d'une trajectoire).
Groupement (ou peloton) de véhicule (en anglais « platooning ») à haute densité latence, fiabilité Modifier la distance inter-véhicules, passer le relais au conducteur, modifier la vitesse ou la longueur du peloton, mettre fin au peloton.
alerte sur les zones dangereuses
 fiabilité informer l'utilisateur de la disponibilité d'un service d'alerte, modifier la vitesse ou l'itinéraire.
fusion de voies
 latence, fiabilité modifier la vitesse de la tentative de fusion, interrompre la fusion de voies
mise à jour du logiciel
 débit de données reprogrammer, arrêter ou reprendre le téléchargement
Info-divertissement (en anglais : « infotainment ») débit de données Modifier la qualité vidéo, stopper la vidéo
Le tableau 1 présente seulement des exemples de KPIs pour certains cas d’usage. Il est à noter que cette liste n’est pas exhaustive, et que d’autres KPIs peuvent être pris en compte. En outre, la qualité de service d’un KPI (comme par exemple la latence, ou le débit de données) peut être influencée par un ou plusieurs autres facteurs, également appelés par la suite KPIs secondaires (par exemple : la densité d’utilisateurs pour une station de base donnée, la qualité du réseau mobile etc.).
On présente désormais en lien avec la un schéma illustrant les différentes étapes d’un procédé de prédiction d’une variation de qualité de service dans une communication V2X selon un mode de réalisation de l’invention.
Dans cet exemple, on décrit le cas d'un véhicule V connecté et automatisé qui est commandé à distance par une application de conduite télé-opérée (en anglais « tele-operated driving » ou ToD). Pour que l'opération à distance soit réussie, l’application logicielle doit pouvoir recevoir des données vidéo de qualité suffisante provenant des caméras embarquées du véhicule, ainsi que des données sur l'état du véhicule, telles que la vitesse et la direction. Dans le même temps, les commandes de télé-opération doivent être transmises avec une latence de l'ordre de 20 ms ou moins par exemple, car un délai plus important peut entraîner un manque de réactivité. Dans de tels scénarios, le réseau doit fournir une QoS spécifique à l'application V2X de télé-opération, notamment en termes de débit de données minimum (liaison montante) et de latence maximum (liaison descendante).
Dans une étape E20, le véhicule connecté et automatisé V roule par exemple avec un débit de données minimal de 20 Mbps, et une latence minimale de l’ordre de 20 ms.
Afin d’assurer la sécurité de l’utilisateur lors de la télé-opération, il est primordial d’anticiper un éventuel changement de qualité de service, notamment pour les KPIs précédents : débit de données et latence.
Ainsi, dans une étape E21, un dispositif de prédiction de variation de QoS, Disp_V2X, met en œuvre une étape de prédiction d’une variation de QoS en prenant en compte les différents KPIs pour le cas d’usage de télé-opération. Cette étape de prédiction de QoS est présentée par la suite en lien avec les figures 3A et 4A.
Autrement dit, en fonction du cas d’usage et des KPIs à prendre en compte pour ce dernier, le dispositif de prédiction Disp_V2X procède à une prédiction de QoS pour chaque KPI à surveiller pour le cas d’usage donné.
Le dispositif de prédiction Disp_V2X peut se trouver directement au niveau d’une infrastructure réseau, comme la station de base N.
Alternativement, ce dispositif de prédiction Disp_V2X peut se trouver par exemple dans un serveur de gestion d’application V2X du réseau de l’opérateur, au niveau du sous-système opérationnel OSS Avantageusement, lorsque le dispositif de prédiction Disp_V2X est situé dans un serveur de gestion SERV_V2X de l’opérateur, ce dernier a accès aux données de plusieurs stations de base.
Au cours de l’étape de prédiction E21, le dispositif de prédiction Disp_V2X détermine que selon la trajectoire que le véhicule V suit, dans 20 secondes, le débit de téléchargement des données devrait passer sous le seuil des 20 Mbps et la latence sous le seuil des 20ms, pendant 30 secondes.
Ce changement de situation dans lequel le réseau mobile n'est temporairement pas en mesure d'assurer la qualité de service convenue (i.e débit de téléchargement de 20 Mbps, latence de 20ms) peut encore être géré correctement, à condition que l'application V2X du véhicule V en soit informée à l'avance.
Ainsi, dans une étape E22, le dispositif de prédiction Disp_V2X, via la station de base N, informe l’application V2X du véhicule V du non-respect du débit de téléchargement de données et de la latence par l’émission d’une notification d’information sur la variation de QoS. En particulier, cette notification comprend notamment les valeurs prédites des KPIs d’intérêts, comme la latence et le débit de données. En outre, cette notification peut également comprendre la durée pendant laquelle le changement de QoS à lieu, c’est-à-dire la durée pendant laquelle les valeurs de KPIs ne sont pas respectées. Cette notification peut être envoyée par exemple via le réseau de communication 5G, le Wifi (en anglais « Wireless Fidelity ») ou le Lifi (en anglais « Light Fidelity ») … En fonction du cas d’usage et du niveau de sécurité exigé, cette notification est envoyée dans un délai de préavis suffisamment long pour permettre à l’application d’effectuer les changements nécessaires.
Dans une étape E23, l'application V2X embarquée dans le véhicule V prend une action/contre-mesure appropriée, via un module d’adaptation. Cela permet au véhicule V de ralentir et d'adapter sa vitesse pour permettre à la télé-opération de se poursuivre dans les conditions de qualité de service à venir. Si la qualité de service à venir n'est pas du tout suffisante pour la télé-opération, la réaction du véhicule V peut, dans le pire des cas, amener le véhicule V à un arrêt contrôlé et sûr.
Dans une étape E24, le non-respect du débit de données et de la latence prend alors effet, mais les mesures nécessaires ont déjà été prises par l’application V2X du véhicule V.
L’exemple en lien avec la présente seulement un exemple de communication de type V2N dans le cadre de la télé-opération. Le procédé de prédiction présenté ci-dessus, peut s’appliquer à tous les types de communication V2X précédemment présentées. Le procédé selon l’invention permet d’assurer la sécurité des utilisateurs en anticipant les changements de QoS à venir et en informant les équipements utilisateurs de ce changement avant qu’il n’intervienne.
On présente désormais en lien avec la un exemple d’étape de prédiction de la qualité de service dans un réseau de communication V2X selon un premier mode de réalisation de l’invention.
Comme présenté en lien avec le tableau 1 ci-dessus, l’un des KPIs à prendre en compte pour le cas d’usage de la télé-opération est la latence, c’est-à-dire le temps nécessaire pour que les paquets de données soient transmis depuis le serveur de gestion V2X SERV_V2X vers la station de base N, ou depuis la station de base N vers le véhicule V connecté et automatisé.
Dans ce premier mode de réalisation de l’invention, on cherche à faire une prédiction temporelle de la QoS pour un KPI, comme la latence, au niveau d’une station de base.
Ce même modèle de prédiction temporelle peut s’appliquer à n’importe quel autre KPI pertinent dans le cadre de la télé-opération ou d’autres cas d’usage.
En d’autres termes, pour un cas d’usage, la prédiction temporelle de QoS est définie comme la prédiction dans le temps d’un changement de QoS en prenant en compte au moins un KPI pour une station de base donnée ou pour un équipement utilisateur donné. Il est à noter que lorsque le dispositif de prédiction Disp_V2X se situe dans un serveur de gestion de l’opérateur, au niveau de l’OSS, il est possible de prédire la QoS pour plusieurs stations de base et donc de gérer efficacement les situations de handover de l’équipement utilisateur au cours de son déplacement.
On se place dans le cas où le KPI d’intérêt est la latence au niveau de la station de base N. Dans une étape E30, le dispositif de prédiction Disp_V2X collecte, via la station de base, un ensemble de KPIs secondaires, ou facteurs, qui ont un impact direct sur la latence au niveau de la station de base N (par exemple : densité d’abonnés connectés, qualité du réseau mobile …). Ces données de KPIs secondaires sont par exemple collectées avec une granularité fine de 15 min pour la station de base N. Ces données sont ensuite prétraitées pour éliminer les valeurs nulles, par exemple selon un traitement statistique standard dans lequel les valeurs nulles sont modifiées par la moyenne ou la médiane des valeurs du KPI considéré.
En présence d'un jeu de données très volumineux, il nécessaire de déterminer les données qui sont réellement informatives pour le modèle de prédiction. En effet, en raison de la dynamique élevée de l'environnement, chaque station de base du réseau a des indicateurs (KPIs) utiles différents, par exemple en fonction de la densité d’utilisateurs connectés à différents moments de la journée ou de la saison.
Ainsi, dans une étape E31, une phase de sélection des KPIs secondaires est appliquée. L'objectif de cette phase est de réduire le nombre de KPIs secondaires en entrée, afin de ne traiter que les KPIs secondaires les plus significatifs, ou les plus pertinents dans la prédiction des valeurs futures du ou des KPIs d’intérêt. Avantageusement, cette étape permet de réduire le temps d’exécution de la prédiction, mais également d’augmenter la précision de la prédiction en enlevant les KPIs secondaires non significatifs qui peuvent biaiser la prédiction.
Il existe un certain nombre de techniques de sélection des caractéristiques permettant d'estimer le degré d'information des données et, le cas échéant, d'éliminer celles qui ne sont pas pertinentes pour le modèle. Ici, on utilise à titre préférentiel un algorithme bien connu pour la sélection des caractéristiques : « Random Forest » (RF).
À partir des données filtrées précédemment, le modèle de prédiction comprend ensuite une étape d’apprentissage E32. Pour cela, on utilise un modèle « Séquence à Séquence » (ou Seq2Seq). Ce modèle d’apprentissage transforme une séquence en une autre séquence (transformation de séquence). Il le fait en utilisant un réseau neuronal récurrent (ou RNN pour « Recurrent Neural Network »). La première séquence contient l'historique des valeurs de KPIs secondaires pris en compte, c’est-à-dire sélectionnés à l’étape précédente, qui est transformé en une séquence de sortie qui va de l'échantillon actuel à l'horizon de prédiction. L’algorithme Seq2Seq est entraîné à mettre en correspondance une séquence d'entrée d'observations historiques avec une séquence de sortie en fonction de l'horizon de prédiction. Ce processus est répété en tant que fenêtre glissante sur l'ensemble des données d'entraînement. Le modèle Seq2Seq utilisé dans ce modèle de prédiction est basé sur un algorithme LSTM (en anglais « Long Short-Term Memory »). Avantageusement, l’utilisation d’un algorithme d’apprentissage de type LSTM permet d’obtenir des prédictions précises. Ce type d’algorithme est particulièrement avantageux pour les environnements dynamiques, comme la communication V2X. Un autre avantage du LSTM est qu’il attribue plus d’importance aux valeurs récentes dans le temps par rapport aux valeurs plus anciennes. Dans un exemple, on sait que les valeurs de KPIs à 6H du matin sont différentes de celles de 12H, mais que les valeurs de KPIs à 11H du matin sont déjà plus proches de celles de 12H. Ainsi, lorsqu’on souhaite prédire les valeurs des KPIs à 12h, l’algorithme LTSM donne plus d’importance aux valeurs de KPIs de 11H, qu’à celles de 6H.
Une fois l’algorithme de prédiction entrainé, on obtient des coefficients à appliquer sur de nouvelles données pour tester la prédiction.
Afin d’évaluer si le modèle permet de prédire de manière précise le changement de QoS, on compare dans une étape E33 des valeurs prédites aux valeurs de KPIs collectées. Pour cela on utilise l'erreur quadratique moyenne (ou RMSE pour « Root Mean Squared Error ») comme mesure d'évaluation.
Comme illustré en lien avec le graphique , le taux de précision du modèle de prédiction temporelle de QoS selon l’invention s’élève à 79% de précision pour la latence au niveau d’une station de base donnée.
Ainsi, l’utilisation du modèle ci-dessus pour la prédiction temporelle de la QoS dans un réseau de communication V2X permet de prédire de manière précise les changements de QoS dans le temps. Il est alors possible de prévenir, par émission d’une notification à destination d’équipements utilisateurs, de ce changement de QoS, suffisamment en amont pour laisser du temps à l’application V2X de s’adapter.
Afin d'améliorer ce modèle de prédiction temporelle d’un changement de QoS et donc augmenter la précision de prédiction, on prend en compte la position de l’équipement utilisateur dans la couverture de la station de base.
On présente désormais en lien avec la un exemple d’environnement d’un réseau de communication Véhicule-à-Tout au sein d’une couverture réseau d’une station de base selon un mode de réalisation de l’invention.
Dans cet exemple, une station de base N permet de créer un réseau de communication V2X (par exemple en utilisant un réseau de télécommunication 5G), comprenant les véhicules connectés Va, Vb, Vc. La station de base N permet l’échange de données entre les équipements utilisateurs et un dispositif de prédiction Disp_V2X, par exemple dans un serveur de gestion de l’opérateur réseau au niveau d’un sous-système opérationnel (OSS).
Les véhicules Va, Vb, et Vc sont situés à différentes positions dans la couverture réseau C de la station de base N. Ainsi, le véhicule Vc est celui le plus proche et les véhicules Va et Vb les plus éloignés. Il a été constaté qu’au sein même de la couverture réseau C d’une même station de base N, la précision des données transmises par les équipements utilisateurs, ici les véhicules Va, Vb et Vc (par exemple : position des véhicules) n’est pas la même, idem pour la latence au niveau de l’équipement utilisateur. En d’autres termes, les informations en provenance du véhicule Vc, plus proche de la station de base N, sont plus précises que celles en provenance des véhicules Va et Vb qui sont plus éloignés. Dans un autre exemple, la latence au niveau du véhicule Vc est plus faible que celle au niveau des véhicules plus éloignés Va et Vb.
Ainsi, la QoS au sein même de la couverture réseau d’une station de base n’est pas la même selon que l’utilisateur est plus ou moins proche de cette dernière.
Ainsi, dans un deuxième mode de réalisation de l’invention, on cherche à faire une prédiction spatio-temporelle de la QoS, en prenant en compte la QoS au niveau de la station de base N comme présenté en lien avec la , et la distance des équipements utilisateurs à cette station de base N. Autrement dit, on cherche à prédire la QoS au niveau de l’utilisateur en fonction de la QoS prédite temporellement au niveau de la station de base N et de la distance de l’utilisateur à cette station de base N.
Dans un exemple, on cherche à prédire la latence au niveau de l’équipement utilisateur, par exemple au niveau des véhicules Va, Vb, Vc.
Pour cela, le dispositif de prédiction Disp_V2X utilise un modèle de régression linéaire (par exemple selon les formules ci-dessous) en utilisant les données de prédiction temporelle obtenues à l’étape de prédiction E21 de la selon le procédé décrit en lien avec la , d’une ou plusieurs stations de base dans une zone géographique donnée et la distance de l’équipement utilisateur à ces stations de base sur un itinéraire choisi :
Figure pctxmlib-appb-M000001
Figure pctxmlib-appb-M000002
où pour p (p≥1) KPIs KPI1,…, KPIp considérés, pour chacun desquels n (n≥1) valeurs sont collectées :
- x11…xn1 représentent les n valeurs collectées du premier KPI1,
-…,
- x1p…xnp représentent les n valeurs collectées du p-ième KPIp considéré.
y est un KPI dont n valeurs y1 à yn sont à prédire.
Figure pctxmlib-appb-M000003
, 1≤i≤n,
où y’ est la prédiction de y, y’ étant calculé à l’aide d’une fonction de régression linéaire basée sur p+1 coefficients de régression linéaire β0, β1,…,βp appliqués à une i-ème valeur parmi n valeurs collectées pour chacun des p KPIs.
On présente en lien avec la les résultats de prédiction de la qualité de service dans un réseau de communication V2X selon ce modèle de prédiction spatio-temporelle de QoS. Ces résultats de prédiction sont représentatifs de la comparaison entre le KPI « y » à prédire et sa prédiction « y’ ». On constate que la combinaison de la prédiction temporelle d’un changement de QoS au niveau d’une station de base et de la distance de l’utilisateur à la station de base permet d’améliorer la précision de la prédiction de changement de QoS au niveau de l’utilisateur. En effet, le taux de précision est de 82% pour la prédiction de la latence au niveau utilisateur.
Ainsi, la prédiction spatio-temporelle de changement de QoS permet aux utilisateurs de véhicules connectés de demander les informations prédites d'une station de base spécifique, en fonction de leurs itinéraires.
Afin d’illustrer plus précisément le principe de l’invention, la présente de façon schématique l’architecture d’un dispositif de prédiction Disp_V2X, selon un mode de réalisation de l’invention.
Le dispositif de prédiction Disp_V2X, comprend une mémoire vive RAM, une unité de traitement CPU équipée par exemple d'un processeur, et pilotée par un programme d'ordinateur stocké dans une mémoire morte (par exemple une mémoire ROM ou un disque dur). A l'initialisation, les instructions de code du programme d'ordinateur sont par exemple chargées dans la mémoire vive RAM avant d'être exécutées par le processeur de l'unité de traitement CPU.
Le dispositif de prédiction Disp_V2X comprend en outre une mémoire MEM permettant de stocker des données d’un réseau de communication V2X, comme par exemple l’identité des équipements connectés, la densité des équipements connectés au réseau V2X pour chaque station de base dans une zone géographique donnée...
Le dispositif de prédiction Disp_V2X comprend également un module de communication COM pour la réception/transmission de données en provenance des équipements utilisateurs du réseau V2X via une ou plusieurs stations de base et la transmission des notifications de changement de QoS.
La illustre seulement une manière particulière, parmi plusieurs possibles, de réaliser le dispositif de prédiction Disp_V2X, afin qu’il effectue les étapes du procédé de prédiction d’une variation de qualité de service dans un réseau de communication V2X détaillé ci-dessus, en relation avec les figures 2 à 3A et 4A dans ses différents modes de réalisation. En effet, ces étapes peuvent être réalisées indifféremment sur une machine de calcul reprogrammable (un ordinateur PC, un processeur DSP ou un microcontrôleur) exécutant un programme comprenant une séquence d’instructions, ou sur une machine de calcul dédiée (par exemple un ensemble de portes logiques comme un FPGA ou un ASIC, ou tout autre module matériel).
Dans le cas où le dispositif de prédiction Disp_V2X est réalisé avec une machine de calcul reprogrammable, le programme correspondant (c'est-à-dire la séquence d’instructions) pourra être stocké dans un médium de stockage amovible (tel que par exemple une carte SD, une clé USB, un CD-ROM ou un DVD-ROM) ou non, ce médium de stockage étant lisible partiellement ou totalement par un ordinateur ou un processeur.

Claims (14)

  1. Procédé de prédiction d’une variation d’une qualité de service dans un réseau de communication V2X comprenant au moins une station de base, à laquelle est connecté au moins un équipement utilisateur, caractérisé en ce que ledit procédé comprend :
    - une identification d’au moins un indicateur clé de performance (KPI) représentatif de ladite qualité de service pour ledit au moins un équipement utilisateur, appelé indicateur clé de performance d’intérêt,
    - une prédiction par apprentissage profond (E32) à partir de valeurs passées d’au moins un indicateur clé de performance secondaire, collectées pour ladite au moins une station de base, d’une valeur future dudit au moins un indicateur clé de performance d’intérêt,
    - une émission, le cas échéant, d’une notification d’information de ladite variation de qualité de service à destination dudit au moins un équipement utilisateur, en fonction de ladite valeur prédite.
  2. Procédé de prédiction selon la revendication 1, caractérisé en ce que ladite prédiction par apprentissage profond (E32) tient également compte d’une mesure de distance dudit au moins un équipement utilisateur à ladite au moins une station de base.
  3. Procédé de prédiction selon l’une quelconque des revendications 1 ou 2, caractérisé en ce que ledit procédé comprend en outre une sélection (E31), parmi un ensemble d’indicateurs clés de performance secondaires, dudit au moins un indicateur clé de performance secondaire pris en compte pour ladite prédiction, une valeur dudit au moins un indicateur clé de performance secondaire sélectionné influençant une valeur dudit indicateur clé de performance d’intérêt.
  4. Procédé de prédiction selon l’une quelconque des revendications 1 à 3, caractérisé en ce que ladite prédiction par apprentissage profond (E32) met en œuvre un algorithme de type LSTM.
  5. Procédé de prédiction selon la revendication 4, caractérisé en ce que ledit algorithme de type LSTM est mis en œuvre en tant que fenêtre glissante sur lesdites valeurs passées dudit au moins un indicateur clé de performance secondaire sélectionné.
  6. Procédé de prédiction selon l'une quelconque des revendications 1 à 5, caractérisé en ce que ladite prédiction est mise en œuvre à partir de valeurs passées d’au moins un indicateur clé de performance secondaire, collectées pour une pluralité de stations de base voisines dudit réseau.
  7. Dispositif (Disp_V2X) de prédiction de variation d’une qualité de service dans un réseau de communication V2X comprenant au moins une station de base à laquelle est connecté au moins un équipement utilisateur, caractérisé en ce qu’il est configuré pour :
    - identifier au moins un indicateur clé de performance (KPI) représentatif de ladite qualité de service pour ledit au moins un équipement utilisateur, appelé indicateur clé de performance d’intérêt,
    - prédire par apprentissage profond (E32) à partir de valeurs passées d’au moins un indicateur clé de performance secondaire, collectées pour ladite au moins une station de base, d’une valeur future dudit au moins un indicateur clé de performance d’intérêt,
    - émettre, le cas échéant, une notification d’information de ladite variation de qualité de service à destination dudit au moins un équipement utilisateur, en fonction de ladite valeur prédite.
  8. Dispositif de prédiction (Disp_V2X) selon la revendication 7, caractérisé en ce qu’il est configuré pour prédire ladite valeur future par apprentissage profond en tenant également compte d’une mesure de distance dudit au moins un équipement utilisateur à ladite au moins une station de base.
  9. Dispositif de prédiction (Disp_V2X) selon l’une quelconque des revendications 7 à 8, caractérisé en ce qu’il est en outre configuré pour sélectionner (E31), parmi un ensemble d’indicateurs clés de performance secondaires, ledit au moins un indicateur clé de performance secondaire pris en compte pour ladite prédiction, une valeur dudit au moins un indicateur clé de performance secondaire sélectionné influençant une valeur dudit indicateur clé de performance d’intérêt.
  10. Dispositif de prédiction (Disp_V2X) selon l’une quelconque des revendications 7 à 9, caractérisé en ce qu’il est intégré à ladite au moins une station de base.
  11. Dispositif de prédiction (Disp_V2X) selon l’une quelconque des revendications 7 à 9, caractérisé en ce qu’il est intégré dans un équipement dudit réseau configuré pour mettre en œuvre ladite prédiction à partir de valeurs passées d’au moins un indicateur clé de performance secondaire, collectées pour une pluralité de stations de base voisines dudit réseau.
  12. Produit programme d’ordinateur comprenant des instructions de code de programme pour la mise en œuvre d’un procédé selon l’une quelconque des revendications 1 à 6, lorsqu’il est exécuté par un processeur.
  13. Équipement utilisateur connecté à au moins une station de base d’un réseau de communication V2X, caractérisé en ce qu’il comprend :
    - un module de communication configuré pour réceptionner une notification d’information d’une variation de qualité de service prédite selon un procédé de prédiction selon l’une quelconque des revendications 1 à 6 ;
    - un module d’adaptation d’un traitement effectué dans ledit équipement utilisateur à ladite variation de qualité de service en fonction d’une information de variation de qualité de service comprise dans ladite notification.
  14. Équipement utilisateur selon la revendication 13, caractérisé en ce que ledit module de communication est également configuré pour transmettre une mesure de distance dudit au moins un équipement utilisateur à ladite au moins une station de base.
PCT/EP2022/084337 2021-12-10 2022-12-05 Procédé de prédiction d'une variation de qualité de service dans un réseau de communication v2x, dispositif de prédiction et programme d'ordinateur correspondants WO2023104683A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2113319A FR3130487A1 (fr) 2021-12-10 2021-12-10 Procédé de prédiction d’une variation de qualité de service dans un réseau de communication V2X, dispositif de prédiction et programme d’ordinateur correspondants.
FRFR2113319 2021-12-10

Publications (1)

Publication Number Publication Date
WO2023104683A1 true WO2023104683A1 (fr) 2023-06-15

Family

ID=80446624

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/084337 WO2023104683A1 (fr) 2021-12-10 2022-12-05 Procédé de prédiction d'une variation de qualité de service dans un réseau de communication v2x, dispositif de prédiction et programme d'ordinateur correspondants

Country Status (2)

Country Link
FR (1) FR3130487A1 (fr)
WO (1) WO2023104683A1 (fr)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020227435A1 (fr) * 2019-05-07 2020-11-12 Intel Corporation Services v2x permettant de fournir des prédictions de qos spécifiques au trajet
WO2021018418A1 (fr) * 2019-07-28 2021-02-04 Telefonaktiebolaget Lm Ericsson (Publ) Notification d'événement attendu
US20210352454A1 (en) * 2018-08-28 2021-11-11 Nec Corporation Management apparatus, communication apparatus, system, method, and non-transitory computer readable medium

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210352454A1 (en) * 2018-08-28 2021-11-11 Nec Corporation Management apparatus, communication apparatus, system, method, and non-transitory computer readable medium
WO2020227435A1 (fr) * 2019-05-07 2020-11-12 Intel Corporation Services v2x permettant de fournir des prédictions de qos spécifiques au trajet
WO2021018418A1 (fr) * 2019-07-28 2021-02-04 Telefonaktiebolaget Lm Ericsson (Publ) Notification d'événement attendu

Also Published As

Publication number Publication date
FR3130487A1 (fr) 2023-06-16

Similar Documents

Publication Publication Date Title
US11977874B2 (en) Autonomous vehicle control assessment and selection
US11257377B1 (en) System for identifying high risk parking lots
US10185999B1 (en) Autonomous feature use monitoring and telematics
US9715711B1 (en) Autonomous vehicle insurance pricing and offering based upon accident risk
US11702081B2 (en) System and method for road condition monitoring
WO2023104683A1 (fr) Procédé de prédiction d'une variation de qualité de service dans un réseau de communication v2x, dispositif de prédiction et programme d'ordinateur correspondants
FR3100203A1 (fr) Procédé et dispositif d’alerte d’évènement pour véhicule
WO2019122573A1 (fr) Procédé de surveillance d'un environnement d'un premier élément positionné au niveau d'une voie de circulation, et système associé
US12005923B2 (en) Blockage routing and maneuver arbitration
FR3108880A1 (fr) Procédé et système d’aide à la conduite
WO2019122579A1 (fr) Procédé de détermination d'un scénario de communications et terminal associé
WO2023232821A1 (fr) Procédé d'aide à la circulation d'un véhicule connecté
FR3131261A1 (fr) Procédé et dispositif d’alerte sur un véhicule circulant dans un environnement routier
FR3124149A1 (fr) Procédé et dispositif d’aide à la conduite d’un véhicule autonome.
FR3106013A1 (fr) Procédé et dispositif de cartographie de route pour véhicule
WO2021123648A1 (fr) Procede de gestion d'un etat de crise d'un premier vehicule et dispositif de gestion associe
FR3130433A1 (fr) Procédé d’analyse prédictive en temps réel de la survenue d’un accident sur une zone accidentogène

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22823584

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2022823584

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022823584

Country of ref document: EP

Effective date: 20240710