WO2024067665A1 - Csi预测处理方法、装置、通信设备及可读存储介质 - Google Patents

Csi预测处理方法、装置、通信设备及可读存储介质 Download PDF

Info

Publication number
WO2024067665A1
WO2024067665A1 PCT/CN2023/121889 CN2023121889W WO2024067665A1 WO 2024067665 A1 WO2024067665 A1 WO 2024067665A1 CN 2023121889 W CN2023121889 W CN 2023121889W WO 2024067665 A1 WO2024067665 A1 WO 2024067665A1
Authority
WO
WIPO (PCT)
Prior art keywords
time
prediction
measurement result
csi
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/CN2023/121889
Other languages
English (en)
French (fr)
Inventor
孙布勒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Vivo Mobile Communication Co Ltd
Original Assignee
Vivo Mobile Communication Co Ltd
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 Vivo Mobile Communication Co Ltd filed Critical Vivo Mobile Communication Co Ltd
Publication of WO2024067665A1 publication Critical patent/WO2024067665A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3913—Predictive models, e.g. based on neural network models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic

Definitions

  • the present application belongs to the field of communication technology, and specifically relates to a channel state information (CSI) prediction and processing method, device, communication equipment and readable storage medium.
  • CSI channel state information
  • channel prediction can be used to compensate for the delay between channel measurement and actual scheduling, thereby improving throughput.
  • the accuracy of CSI prediction is closely related to the prediction parameters. For prediction models with insufficient generalization capabilities, different prediction models need to be used for different channels, resulting in high overhead for prediction model adjustment or prediction model search.
  • the embodiments of the present application provide a CSI prediction processing method, apparatus, communication device and readable storage medium to solve the problem of high overhead of prediction model adjustment or prediction model search due to the need to use different prediction models for different channels.
  • CSI prediction processing method including:
  • the first device receives first information sent by the second device, where the first information includes: a model identification ID of a first prediction model and/or a first prediction parameter, where the first prediction model and/or the first prediction parameter are determined by the second device based on a first similarity between a first channel measurement result and a second channel measurement result.
  • a CSI prediction processing method including:
  • the second device acquires a first similarity between the first channel measurement result and the second channel measurement result
  • the second device determines a first prediction model and/or a first prediction parameter according to the first similarity
  • the second device sends first information to the first device, where the first information includes: a model ID and/or a first prediction parameter of the first prediction model.
  • a CSI prediction processing device including:
  • the first receiving module is used to receive first information sent by the second device, wherein the first information includes: a model identification ID of a first prediction model and/or a first prediction parameter, wherein the first prediction model and/or the first prediction parameter are determined by the second device based on a first similarity between a first channel measurement result and a second channel measurement result.
  • a CSI prediction processing device including:
  • An acquisition module configured to acquire a first similarity between a first channel measurement result and a second channel measurement result
  • a determination module configured to determine a first prediction model and/or a first prediction parameter according to the first similarity
  • the third sending module is used to send first information to the first device, where the first information includes: a model ID and/or a first prediction parameter of the first prediction model.
  • a communication device comprising: a processor, a memory, and a program or instruction stored in the memory and executable on the processor, wherein the program or instruction, when executed by the processor, implements the steps of the method described in the first aspect or the second aspect.
  • a readable storage medium on which a program or instruction is stored.
  • the program or instruction is executed by a processor, the steps of the method described in the first aspect or the second aspect are implemented.
  • a chip comprising a processor and a communication interface, wherein the communication interface is coupled to the processor, and the processor is used to run a program or instruction to implement the steps of the method described in the first aspect or the second aspect.
  • a computer program/program product is provided, wherein the computer program/program product is stored in a non-volatile storage medium, and the program/program product is executed by at least one processor to implement the steps of the method described in the first aspect or the second aspect.
  • a communication system which includes a terminal and a network side device, wherein the terminal is used to execute the steps of the method described in the first aspect or the second aspect, and the network side device is used to execute the steps of the method described in the first aspect or the second aspect.
  • the first device can obtain the CSI prediction parameters and/or prediction model provided by the second device based on the channel characteristic comparison result, that is, the second device can also provide the first device with prediction parameters suitable for the actual channel and/or a prediction model matching the actual channel without performing prediction verification. This can ensure that the accuracy of the prediction is high enough at the beginning, improve the accuracy and efficiency of the CSI prediction, and reduce the overhead of prediction model adjustment or prediction model search.
  • Figure 1 is a schematic diagram of a neural network
  • Figure 2 is a schematic diagram of a neuron
  • FIG3 is a schematic diagram of CSI prediction based on AI
  • FIG4 is a schematic diagram of predicting performance at different future moments
  • FIG5 is a schematic diagram of predicting the performance of the future +5 ms using different amounts of historical CSI
  • FIG6 is a schematic diagram of the architecture of a wireless communication system according to an embodiment of the present application.
  • FIG. 7 is a flowchart of a CSI prediction method according to an embodiment of the present application.
  • FIG8 is a second flowchart of the CSI prediction processing method provided in an embodiment of the present application.
  • FIG9 is a third flowchart of the CSI prediction processing method provided in an embodiment of the present application.
  • FIG10 is a schematic diagram of a CSI prediction processing device according to an embodiment of the present application.
  • FIG11 is a second schematic diagram of a CSI prediction processing device provided in an embodiment of the present application.
  • FIG12 is a schematic diagram of a terminal provided in an embodiment of the present application.
  • FIG13 is a schematic diagram of a network side device provided in an embodiment of the present application.
  • FIG. 14 is a schematic diagram of a communication device provided in an embodiment of the present application.
  • first, second, etc. in the specification and claims of the present application are used to distinguish similar objects, and are not used to describe a specific order or sequence. It should be understood that the terms used in this way are interchangeable under appropriate circumstances, so that the embodiments of the present application can be implemented in an order other than those illustrated or described here, and the objects distinguished by “first” and “second” are generally of the same type, and the number of objects is not limited.
  • the first object can be one or more.
  • “and/or” in the specification and claims represents at least one of the connected objects, and the character “/" generally represents that the objects associated with each other are in an "or” relationship.
  • LTE Long Term Evolution
  • LTE-A Long Term Evolution
  • CDMA Code Division Multiple Access
  • TDMA Time Division Multiple Access
  • FDMA Frequency Division Multiple Access
  • SC-FDMA Single-carrier Frequency Division Multiple Access
  • NR New Radio
  • 6G 6th Generation
  • AI Artificial Intelligence
  • This application uses a neural network as an example for illustration, but does not limit the specific type of AI module.
  • the structure of the neural network is shown in FIG1 .
  • the neural network is composed of neurons, and the schematic diagram of neurons is shown in Figure 2.
  • a1, a2, ... aK are inputs
  • w is the weight (multiplicative coefficient)
  • b is the bias (additive coefficient)
  • ⁇ (.) is the activation function
  • z a1w1 + ... + akwk + ... + aKwK + b.
  • Common activation functions include Sigmoid function, tanh function, Rectified Linear Unit (ReLU), etc.
  • the parameters of a neural network can be optimized using an optimization algorithm.
  • An optimization algorithm is a type of algorithm that can minimize or maximize an objective function (sometimes called a loss function).
  • the objective function is often a mathematical combination of model parameters and data. For example, given data X and its corresponding label Y, a neural network model f(.) is constructed. With the model, the predicted output f(x) can be obtained based on the input x, and the difference between the predicted value and the true value (f(x)-Y) can be calculated. This is the loss function. If a suitable W,b is found to minimize the value of the above loss function, the smaller the loss value, the closer the model is to the actual situation.
  • the common optimization algorithms are basically based on the error back propagation (BP) algorithm.
  • BP error back propagation
  • the basic idea of the BP algorithm is that the learning process consists of two processes: forward propagation of the signal and back propagation of the error.
  • the input sample is passed from the input layer, processed by each hidden layer layer by layer, and then passed to the output layer. If the actual output of the output layer does not match the expected output, it enters the error back propagation stage.
  • Error back propagation is to propagate the output error layer by layer through the hidden layer to the input layer in some form, and distribute the error to all units in each layer, so as to obtain the error signal of each layer unit.
  • This error signal is used as the basis for correcting the weights of each unit. This signal is forward propagated.
  • the process of adjusting the weights of each layer in the back propagation of errors is repeated over and over again.
  • the process of continuous adjustment of weights is the learning and training process of the network. This process continues until the error of the network output is reduced to an acceptable level, or until the pre-set number of learning times is reached.
  • the selected AI algorithms and models vary depending on the type of solution.
  • the main way to improve the network performance of the fifth generation mobile communication technology (5th Generation, 5G) with the help of AI is to enhance or replace existing algorithms or processing modules through algorithms and models based on neural networks.
  • algorithms and models based on neural networks can achieve better performance than those based on deterministic algorithms.
  • the more commonly used neural networks include deep neural networks, convolutional neural networks, and recurrent neural networks.
  • CSI Channel State Information
  • AI model analyzes the time domain variation characteristics of the channel and outputs the future CSI. See Figure 3 for details.
  • Figure 5 describes the performance of using different numbers of historical CSIs to predict the future +5ms. It can be seen that as the number of historical CSIs increases, the prediction accuracy will also improve. However, more historical CSIs mean higher complexity and cache overhead, so the number of historical CSIs cannot be increased blindly.
  • the accuracy of CSI prediction is closely related to the prediction parameters. For prediction models with insufficient generalization capabilities, different prediction models need to be used for different channels.
  • the node that performs prediction does not necessarily store all models, but dynamically requests new prediction models based on actual needs. Even if the prediction node stores a prediction model suitable for the current channel, the cost of model adjustment or model search can be reduced by estimating the prediction parameters or prediction model in advance.
  • FIG6 shows a block diagram of a wireless communication system applicable to an embodiment of the present application.
  • the wireless communication system includes a terminal 61 and a network side device 62.
  • the wireless communication system may be a communication system with wireless AI functions such as 5G-Advanced or 6G.
  • the terminal 61 may be a mobile phone, a tablet computer, a laptop computer, a personal digital assistant, or a notebook computer.
  • the terminal side devices include: PDA, PDA, netbook, ultra-mobile personal computer (UMPC), mobile Internet device (MID), augmented reality (AR)/virtual reality (VR) equipment, robot, wearable device (Wearable Device), vehicle user equipment (VUE), pedestrian terminal (Pedestrian User Equipment, PUE), smart home (home equipment with wireless communication function, such as refrigerator, TV, washing machine or furniture, etc.), game console, personal computer (personal computer, PC), teller machine or self-service machine, etc.
  • wearable devices include: smart watch, smart bracelet, smart headset, smart glasses, smart jewelry (smart bracelet, smart bracelet, smart ring, smart necklace, smart anklet, smart anklet, etc.), smart wristband, smart clothing, etc.
  • the terminal involved in the present application can also be a chip in the terminal, such as a modem chip, a system on chip (SoC). It should be noted that the specific type of terminal 61 is not limited in the embodiment of the present application.
  • the network side device 62 may include an access network device or a core network device, wherein the access network device may also be referred to as a wireless access network device, a wireless access network (Radio Access Network, RAN), a wireless access network function or a wireless access network unit.
  • the access network device may include a base station, a wireless local area network (Wireless Local Area Network, WLAN) access point or a WiFi node, etc.
  • the base station may be referred to as a node B, an evolved node B (eNB), an access point, a base transceiver station (Base Transceiver Station, BTS), a radio base station, a radio transceiver, a basic service set (Basic Service Set, BSS), an extended service set (Extended Service Set, ESS), a home B node, a home evolved B node, a transmitting and receiving point (Transmitting Receiving Point, TRP) or some other appropriate term in the field, as long as the same technical effect is achieved, the base station is not limited to a specific technical vocabulary, it should be noted that in the embodiment of the present application, only the base station in the NR system is used as an example for introduction, and the specific type of the base station is not limited.
  • the core network equipment may include but is not limited to at least one of the following: core network node, core network function, mobility management entity (Mobility Management Entity, MME), access and mobility management function (Access and Mobility Management Function, AMF), session management function (Session Management Function, SMF), user plane function (User Plane Function, UPF), policy control function (Policy Control Function, PCF), policy and charging rules function unit (Policy and Charging Rules Function, PCRF), edge application service discovery function (Edge Application Server Discovery Function, EASDF), unified data management (Unified Data Management, UDM), unified data storage (Unified Data Repository, UDR), home user server (Home Subscriber Server, HSS), centralized network configuration (Centralized network configuration, CNC), Network Repository Function (NRF), Network Exposure Function (NEF), Local NEF (Local NEF, or L-NEF), Binding Support Function (BSF), Application Function (AF), etc.
  • MME mobility management entity
  • AMF Access and Mobility Management Function
  • SMF Ses
  • the prediction model involved in this application can also be called an AI model.
  • an embodiment of the present application provides a CSI prediction processing method, which is applied to a first device, and the specific steps include: Step 701 .
  • Step 701 The first device receives first information sent by the second device, where the first information includes: a model identifier (ID) of a first prediction model and/or a first prediction parameter, where the first prediction model and/or the first prediction parameter are determined by the second device based on a first similarity between a first channel measurement result and a second channel measurement result.
  • ID model identifier
  • the second device selects the first prediction model and/or first prediction parameter applicable to the current channel environment based on the first similarity between the first channel measurement result and the second channel measurement result. For example, when the first similarity is higher than a threshold, it indicates that the current channel environment is relatively stable, and the second device selects the corresponding first prediction model and/or first prediction parameter; and when the first similarity is lower than a threshold, it indicates that the current channel environment is unstable, and the second device selects the corresponding first prediction model and/or first prediction parameter.
  • the first channel measurement result and the second channel measurement result may be two consecutive channel measurement results. It can be understood that this embodiment does not limit the time interval between the first channel measurement result and the second channel measurement result.
  • the second device can provide the first device with prediction parameters suitable for the actual channel and/or a prediction model matching the actual channel without performing prediction verification, thereby ensuring that the accuracy of the prediction is high enough at the beginning.
  • the first device may be a network side device or a terminal
  • the second device may be a terminal or a network side device
  • the second device is a device for performing CSI prediction, that is, the second device may be referred to as a node for performing prediction
  • the first device is a terminal
  • the second device is a network side device
  • both the first device and the second device are network side devices
  • both the first device and the second device are terminals
  • the first device is a network side device and the second device is Prepared as a terminal.
  • the method further comprises:
  • the first device sends second information to the second device, where the second information includes at least one of the following: a prediction instruction, a second prediction model, or a model ID of the second prediction model.
  • the prediction instructions include but are not limited to one of the following: start CSI prediction, stop CSI prediction, continue CSI prediction, pause CSI prediction, switch CSI prediction model or algorithm (the algorithm can be a non-AI CSI prediction algorithm).
  • the second information can be generated based on the first information, that is, the first device can refer to the prediction model and prediction parameters recommended by the second device and feedback the prediction instructions and/or prediction model to the second device, or the second information is not generated based on the first information.
  • Example 1 After receiving the first information, the first device may send the second information to the second device based on the first information, that is, the second information is obtained based on the first information.
  • the first device may send a prediction instruction and/or a second prediction model or a model ID of the second prediction model to the second device according to the model identification ID and/or the first prediction parameter of the first prediction model provided by the second device, so that the second device performs CSI prediction according to the second prediction model or stops CSI prediction or continues CSI prediction or suspends CSI prediction or switches CSI prediction model or algorithm.
  • Example 2 The first device sends second information to the second device, and the second information is not obtained based on the first information, that is, the first device sends a second prediction model or a model ID and a prediction instruction of the second prediction model to the second device, so that the second device can perform CSI prediction according to the second prediction model or stop CSI prediction or continue CSI prediction or suspend CSI prediction or switch CSI prediction model or algorithm.
  • the method further includes:
  • the first device sends third information to the second device, where the third information includes at least one of the following: a first time interval, a second time interval, a first time, a second time, and a third time;
  • the first time interval is the time interval between the first channel measurement result and the second channel measurement result for comparison. Assuming that the first channel measurement result is measured at time T1, the second channel measurement result is measured at time [T1+first time interval].
  • the second time interval is the time position of CSI prediction to be performed, that is, when performing CSI prediction, at which future time point is the CSI predicted, and the time point to be predicted is generally [the time of the most recent channel measurement+the second time interval].
  • the first time refers to the time of measuring the first channel measurement result
  • the second time refers to the time of measuring the second channel measurement result
  • the third time is the time position of CSI prediction to be performed.
  • the time position for CSI prediction to be performed in the present application refers to the time position corresponding to the CSI prediction result. For example, if CSI prediction is performed at 0 ms and the CSI predicted is the CSI of the future 5 ms, then the second time interval represents the time of the future 5 ms to be predicted.
  • the value of at least one of the first time interval, the second time interval, the first time, the second time and the third time is an integer multiple of the first time granularity
  • the first time granularity includes at least one of the following: time slot, millisecond, symbol, half frame, frame, CSI measurement period, CSI feedback period, Channel State Information-Reference Signal (CSI-RS) period.
  • CSI-RS Channel State Information-Reference Signal
  • the first time interval and the second time interval may be equal.
  • the first information further includes at least one of the following:
  • the predictability indicates that the second device can use the first time interval to perform CSI prediction, or the predictability indicates that the second device cannot use the first time interval to perform CSI prediction, for example, "1" indicates that the first time interval can be used to perform CSI prediction, and "0" indicates that the first time interval cannot be used to perform CSI prediction.
  • Predictability can be obtained in a variety of ways, such as setting a threshold, and if the first similarity is higher than the threshold, it is unpredictable, and if the first similarity is lower than or equal to the threshold, it is predictable;
  • the first prediction parameter includes at least one of the following:
  • the first time difference is a time difference value for adjusting the first time interval suggested by the second device, for example, the suggested time interval can be calculated by [first time interval + first time difference value].
  • the first time difference value can be a specific time value, or a quantized or tabular time value (for example, "00" represents +1 first time granularity, "01” represents +2 first time granularities, "10” represents -1 first time granularity, and "11” represents -2 first time granularities).
  • the second time difference is a time difference suggested by the second device for adjusting the second time interval.
  • a first CSI interval (or referred to as a first CSI cycle), where the first CSI interval is an interval between multiple historical CSIs used for prediction;
  • a first CSI window length where the first CSI window length is a time domain length occupied by multiple historical CSIs used for prediction.
  • the first prediction model is the same as or different from the second prediction model.
  • the first device can obtain the CSI prediction parameters and/or prediction model provided by the second device based on the channel characteristic comparison result, that is, the second device can provide the first device with prediction parameters suitable for the actual channel and/or a prediction model matching the actual channel without performing prediction verification. This can ensure that the accuracy of the prediction is high enough at the beginning, improve the accuracy and efficiency of the CSI prediction, and reduce the overhead of prediction model adjustment or prediction model search.
  • an embodiment of the present application provides a CSI prediction processing method, which is applied to a second device.
  • the specific steps include: step 801 , step 802 , and step 803 .
  • Step 801 The second device obtains a first similarity between a first channel measurement result and a second channel measurement result
  • Step 802 The second device determines a first prediction model and/or a first prediction parameter according to the first similarity
  • the second device can determine, based on the first similarity, the first prediction model and/or the first prediction parameter that are suitable for the current channel environment.
  • Step 803 The second device sends first information to the first device, where the first information includes: a model ID and/or a first prediction parameter of the first prediction model.
  • the method further includes:
  • the second device receives second information sent by the first device, where the second information includes at least one of the following: a prediction instruction, a second prediction model, or a model ID of the second prediction model.
  • the method further includes:
  • the second device receives third information sent by the first device, where the third information includes at least one of the following: a first time interval, a second time interval, a first time, a second time, and a third time;
  • the first time interval is the time interval between the first channel measurement result and the second channel measurement result for comparison
  • the second time interval is the time position for CSI prediction to be performed
  • the first time refers to the time for measuring the first channel measurement result
  • the second time refers to the time for measuring the second channel measurement result
  • the third time is the time position for CSI prediction to be performed.
  • the value of at least one of the first time interval, the second time interval, the first time, the second time and the third time is an integer multiple of a first time granularity
  • the first time granularity includes at least one of the following: time slot, millisecond, symbol, half frame, frame, CSI measurement period, CSI feedback period, channel state information reference signal CSI-RS period.
  • the first time interval and the second time interval may be equal.
  • the first information further includes at least one of the following:
  • predictability where the predictability indicates that the second device can perform CSI prediction using the first time interval, or the predictability indicates that the second device cannot perform CSI prediction using the first time interval;
  • the first prediction parameter includes at least one of the following:
  • a first CSI interval where the first CSI interval is an interval between multiple historical CSIs used for prediction
  • a first CSI window length where the first CSI window length is a time domain length occupied by multiple historical CSIs used for prediction.
  • the first prediction model is the same as or different from the second prediction model.
  • the second device acquires a first similarity between the first channel measurement result and the second channel measurement result, including:
  • the second device determines, according to at least one of pre-configured information, information indicated by the network side, information agreed upon in the protocol, and information negotiated between the first device and the second device, a method for acquiring a first similarity between the first channel measurement result and the second channel measurement result;
  • the second device obtains the first similarity according to the obtaining method.
  • the acquisition method includes:
  • a first similarity between the first channel measurement result and the second channel measurement result is obtained through a first neural network, wherein the first channel measurement result and the second channel measurement result are input information of the first neural network, and the first similarity is related to output information of the first neural network.
  • the output information of the first neural network includes correlation information, and a larger value of the correlation information indicates a higher similarity between the first channel measurement result and the second channel measurement result;
  • the output information of the first neural network includes difference class information, and a lower value of the difference class information indicates a higher similarity between the first channel measurement result and the second channel measurement result.
  • the acquisition method includes:
  • the relevant information includes relevant information in at least one of the following domains: time domain, frequency domain, spatial domain, delay domain, Doppler domain, beam domain, and angle domain;
  • a first similarity between the first channel measurement result and the second channel measurement result is determined according to the relevant information.
  • the first prediction model is the same as or different from the second prediction model.
  • the second device can provide CSI prediction parameters and/or prediction models to the first device based on the channel characteristic comparison results, that is, the second device can provide the first device with prediction parameters suitable for the actual channel and/or a prediction model that matches the actual channel without performing prediction verification. This can ensure that the accuracy of the prediction is high enough at the beginning, improve the efficiency of the prediction, and reduce the overhead of prediction model adjustment or prediction model search.
  • Example 1 The implementation of the present application is described below in conjunction with Example 1 and Example 2.
  • Step 901 The first device sends third information, wherein the second device is a device for performing CSI prediction.
  • the third information includes at least one of the following:
  • the first time interval is a time interval between a first channel measurement result and a second channel measurement result for comparison.
  • the second channel measurement result is measured at time [T1+first time interval].
  • the second time interval is the time position of the CSI prediction to be performed, that is, when performing CSI prediction, the CSI at which future time point is predicted, and the time point to be predicted is generally [the time of the most recent channel measurement + the second time interval].
  • the second time refers to a time when the measurement result of the second channel is measured
  • the value of at least one of the first time interval, the second time interval, the first time, the second time and the third time is an integer multiple of the first time granularity, and the first time can be any one of a time slot, millisecond, symbol, half frame, frame, CSI measurement period, CSI feedback period, CSI-RS period, etc.
  • the second time interval may be equal to the first time interval.
  • Step 902 The second device calculates a first similarity between a first channel measurement result and a second channel measurement result
  • Step 903 The second device sends the first information
  • the first message includes at least one of the following:
  • the first similarity can be obtained by a first neural network (such as a Siamese network, a contrastive learning network, a matching network, a prototypical network, a relation network, etc. based on binary cross entropy, a contrast function or a triplet loss, where the input of the neural network is the first channel measurement result and the second channel measurement result.
  • the output layer of the neural network may be correlation information, where a larger value of the correlation information indicates a higher similarity; the output layer of the neural network may also be difference information, where a lower value of the difference information indicates a higher similarity.
  • the first similarity can also be obtained by calculating relevant information between the first channel measurement result and the second channel measurement result (such as mutual correlation coefficient, mutual correlation matrix, mutual covariance information, mutual covariance matrix, etc.), and the relevant information includes relevant information of at least one of the following domains: time domain, frequency domain, spatial domain, delay domain, Doppler domain, beam domain, angle domain, etc.
  • the method for obtaining the first similarity may be pre-defined by the protocol, or may be a consensus reached between the first device and the second device through signaling interaction.
  • the method of obtaining predictability includes but is not limited to: setting a threshold, if the first similarity is higher than the threshold, the first time interval cannot be used for CSI prediction, if the first similarity is lower than or equal to the threshold, the first time interval can be used for CSI prediction.
  • the first prediction parameter includes but is not limited to at least one of the following: a third time interval, a fourth time interval, a first time difference, a second time difference, a fourth time, a fifth time, a sixth time, a first CSI interval (or period), a first CSI number, and a first CSI window length.
  • the third time interval is a time interval recommended by the second device
  • the third time interval is a time interval between the first channel measurement result and the second channel measurement result for comparison
  • the fourth time interval is a time position for CSI prediction to be performed.
  • the first time difference is a time difference recommended by the second device to adjust the first time interval, for example, the recommended time interval can be calculated by [first time interval + first time difference].
  • the first time difference can be a specific time value, or it can be a quantized or tabular time value, for example, "00" represents +1 first time granularity, "01” represents +2 first time granularity, "10” represents -1 first time granularity, and "11” represents -2 first time granularity.
  • the second time difference is the time difference used to adjust the second time interval
  • the fourth time refers to the time of measuring the first channel measurement result
  • the fifth time refers to the time of measuring the second channel measurement result
  • the sixth time is the time position of the CSI prediction to be performed
  • the first CSI interval (or period) is the interval (or period) between multiple historical CSIs used for prediction.
  • the first CSI number is the number of multiple historical CSIs used for prediction.
  • the first CSI window length is the time domain length occupied by multiple historical CSIs used for prediction.
  • a first prediction model ID that is, an ID of a CSI prediction model suitable for the current environment obtained by the second device based on the first similarity judgment.
  • Step 904 The first device sends second information.
  • the first device may obtain the second information according to the first information, and then the first device sends the second information to the second device, or the first device may obtain the second information in other ways, and then the first device sends the second information to the second device.
  • the second information includes at least one of the following:
  • Prediction instruction which is used to indicate at least one of the following: start CSI prediction (activation), stop CSI prediction (deactivation), continue CSI prediction, pause CSI prediction, and switch CSI prediction model or algorithm (the algorithm here can be a non-AI CSI prediction algorithm).
  • the second prediction model may be the first prediction model.
  • the first device and the second device may be a terminal or a network side device, respectively.
  • the signal sending end and the signal receiving end involved may be a terminal or a network side device, and the signaling or information in the related technology may be multiplexed into the following four cases:
  • the information in the interaction process (such as the third information and the first information) can be carried in at least one of the following signaling or information:
  • PUSCH Physical uplink shared channel
  • the information in the interaction process (such as: the third information, the matching result, the relevant information of the AI network model received by the first device, and at least one of the second information) can be carried in at least one of the following signaling or information:
  • MAC CE Medium Access Control Element
  • NAS Non-Access Stratum
  • DCI Downlink Control Information
  • SIB System Information Block
  • the information in the interaction process (such as: the third information, the matching result, the relevant information of the AI network model received by the first device, and at least one of the second information) can be carried in at least one of the following signaling or information:
  • PSCCH Physical Sidelink Control Channel
  • PSSCH Physical Sidelink Shared Channel
  • PSBCH Physical Sidelink Broadcast Channel
  • PSDCH Physical Sidelink Discovery Channel
  • the information in the interaction process (such as: the above-mentioned third information, the above-mentioned matching result, the relevant information of the AI network model received by the first device, and at least one of the above-mentioned second information) can be carried in at least one of the following signaling or information:
  • an embodiment of the present application provides a CSI prediction processing apparatus, which is applied to a first device.
  • the apparatus 1000 includes:
  • the first receiving module 1001 is used to receive first information sent by the second device, wherein the first information includes: a model identification ID and/or a first prediction parameter of a first prediction model, wherein the first prediction model and/or the first prediction parameter are determined by the second device according to a first similarity between a first channel measurement result and a second channel measurement result.
  • the device further includes:
  • the first sending module is used to send second information to the second device, where the second information includes at least one of the following: a prediction instruction, a second prediction model, or a model ID of the second prediction model.
  • the device further includes:
  • a second sending module configured to send third information to the second device, where the third information includes at least one of the following: a first time interval, a second time interval, a first time, a second time, and a third time;
  • the first time interval is the time interval between the first channel measurement result and the second channel measurement result for comparison
  • the second time interval is the time position for CSI prediction to be performed
  • the first time refers to the time for measuring the first channel measurement result
  • the second time refers to the time for measuring the second channel measurement result
  • the third time is the time position for CSI prediction to be performed.
  • the value of at least one of the first time interval, the second time interval, the first time, the second time and the third time is an integer multiple of the first time granularity
  • the first time granularity includes at least one of the following: time slot, millisecond, symbol, half frame, frame, CSI measurement period, CSI feedback period, channel state information reference signal CSI-RS period.
  • the first time interval and the second time interval may be equal.
  • the first information further includes at least one of the following:
  • predictability where the predictability indicates that the second device can perform CSI prediction using the first time interval, or the predictability indicates that the second device cannot perform CSI prediction using the first time interval;
  • the first prediction parameter includes at least one of the following:
  • a first CSI interval where the first CSI interval is an interval between multiple historical CSIs used for prediction
  • a first CSI window length where the first CSI window length is a time domain length occupied by multiple historical CSIs used for prediction.
  • the first prediction model is the same as or different from the second prediction model.
  • the device provided in the embodiment of the present application can implement each process implemented by the method embodiment of Figure 7 and achieve the same technical effect. To avoid repetition, it will not be repeated here.
  • an embodiment of the present application provides a CSI prediction processing apparatus, which is applied to a second device.
  • the apparatus 1100 includes:
  • An acquisition module 1101 is configured to acquire a first similarity between a first channel measurement result and a second channel measurement result
  • a determination module 1102 configured to determine a first prediction model and/or a first prediction parameter according to the first similarity
  • the third sending module 1103 is used to send first information to the first device, where the first information includes: a model ID and/or a first prediction parameter of the first prediction model.
  • the device further includes:
  • the second receiving module is used to receive second information sent by the first device, wherein the second information includes at least one of the following: Item: prediction instruction, second prediction model, or model ID of the second prediction model.
  • the device further includes:
  • a third receiving module configured to receive third information sent by the first device, where the third information includes at least one of the following: a first time interval, a second time interval, a first time, a second time, and a third time;
  • the first time interval is the time interval between the first channel measurement result and the second channel measurement result for comparison
  • the second time interval is the time position for CSI prediction to be performed
  • the first time refers to the time for measuring the first channel measurement result
  • the second time refers to the time for measuring the second channel measurement result
  • the third time is the time position for CSI prediction to be performed.
  • the value of at least one of the first time interval, the second time interval, the first time, the second time and the third time is an integer multiple of a first time granularity
  • the first time granularity includes at least one of the following: time slot, millisecond, symbol, half frame, frame, CSI measurement period, CSI feedback period, channel state information reference signal CSI-RS period.
  • the first time interval and the second time interval may be equal.
  • the first information further includes at least one of the following:
  • predictability where the predictability indicates that the second device can perform CSI prediction using the first time interval, or the predictability indicates that the second device cannot perform CSI prediction using the first time interval;
  • the first prediction parameter includes at least one of the following:
  • a first CSI interval where the first CSI interval is an interval between multiple historical CSIs used for prediction
  • a first CSI window length where the first CSI window length is a time domain length occupied by multiple historical CSIs used for prediction.
  • the first prediction model is the same as or different from the second prediction model.
  • obtaining a first similarity between a first channel measurement result and a second channel measurement result includes:
  • the first similarity is acquired according to the acquisition method.
  • the acquisition method includes:
  • a first similarity between the first channel measurement result and the second channel measurement result is obtained through a first neural network, wherein the first channel measurement result and the second channel measurement result are input information of the first neural network, and the first similarity is related to output information of the first neural network.
  • the output information of the first neural network includes correlation information, and a larger value of the correlation information indicates a higher similarity between the first channel measurement result and the second channel measurement result;
  • the output information of the first neural network includes difference class information, and a lower value of the difference class information indicates a higher similarity between the first channel measurement result and the second channel measurement result.
  • the acquisition method includes:
  • the relevant information includes relevant information in at least one of the following domains: time domain, frequency domain, spatial domain, delay domain, Doppler domain, beam domain, and angle domain;
  • a first similarity between the first channel measurement result and the second channel measurement result is determined according to the relevant information.
  • the first prediction model is the same as or different from the second prediction model.
  • the device provided in the embodiment of the present application can implement each process implemented by the method embodiment of Figure 8 and achieve the same technical effect. To avoid repetition, it will not be repeated here.
  • FIG12 is a schematic diagram of the hardware structure of a terminal implementing an embodiment of the present application.
  • the terminal 1200 includes but is not limited to In: at least some of the components among the RF unit 1201, the network module 1202, the audio output unit 1203, the input unit 1204, the sensor 1205, the display unit 1206, the user input unit 1207, the interface unit 1208, the memory 1209 and the processor 1210.
  • the terminal 1200 may also include a power source (such as a battery) for supplying power to each component, and the power source may be logically connected to the processor 1210 through a power management system, so as to implement functions such as charging, discharging, and power consumption management through the power management system.
  • a power source such as a battery
  • the terminal structure shown in FIG12 does not constitute a limitation on the terminal, and the terminal may include more or fewer components than shown in the figure, or combine certain components, or arrange components differently, which will not be described in detail here.
  • the input unit 1204 may include a graphics processing unit (GPU) 12041 and a microphone 12042, and the graphics processor 12041 processes the image data of the static picture or video obtained by the image capture device (such as a camera) in the video capture mode or the image capture mode.
  • the display unit 1206 may include a display panel 12061, and the display panel 12061 may be configured in the form of a liquid crystal display, an organic light emitting diode, etc.
  • the user input unit 507 includes a touch panel 12071 and at least one of other input devices 12072.
  • the touch panel 12071 is also called a touch screen.
  • the touch panel 12071 may include two parts: a touch detection device and a touch controller.
  • Other input devices 12072 may include, but are not limited to, a physical keyboard, function keys (such as a volume control key, a switch key, etc.), a trackball, a mouse, and a joystick, which will not be repeated here.
  • the RF unit 1201 can transmit the data to the processor 1210 for processing; in addition, the RF unit 1201 can send uplink data to the network side device.
  • the RF unit 1201 includes but is not limited to an antenna, an amplifier, a transceiver, a coupler, a low noise amplifier, a duplexer, etc.
  • the memory 1209 can be used to store software programs or instructions and various data.
  • the memory 1209 may mainly include a first storage area for storing programs or instructions and a second storage area for storing data, wherein the first storage area may store an operating system, an application program or instruction required for at least one function (such as a sound playback function, an image playback function, etc.), etc.
  • the memory 1209 may include a volatile memory or a non-volatile memory, or the memory 1209 may include both volatile and non-volatile memories.
  • the non-volatile memory may be a read-only memory (ROM), a programmable read-only memory (PROM), an erasable programmable read-only memory (EPROM), an electrically erasable programmable read-only memory (EEPROM), or a flash memory.
  • the volatile memory may be a random access memory (RAM), a static random access memory (SRAM), a dynamic random access memory (DRAM), or a volatile memory.
  • RAM random access memory
  • SRAM static random access memory
  • DRAM dynamic random access memory
  • the memory 1209 in the embodiment of the present application includes but is not limited to these and any other suitable types of memory.
  • the processor 1210 may include one or more processing units; optionally, the processor 1210 integrates an application processor and a modem processor, wherein the application processor mainly processes operations related to an operating system, a user interface, and application programs, and the modem processor mainly processes wireless communication signals, such as a baseband processor. It is understandable that the modem processor may not be integrated into the processor 1210.
  • the terminal provided in the embodiment of the present application can implement each process implemented by the method embodiment of Figure 7 or Figure 8 and achieve the same technical effect. To avoid repetition, it will not be repeated here.
  • FIG. 13 is a structural diagram of a communication device applied in an embodiment of the present invention.
  • the communication device 1300 includes: a processor 1301, a transceiver 1302, a memory 1303 and a bus interface, wherein the processor 1301 may be responsible for managing the bus architecture and general processing.
  • the memory 1303 may store data used by the processor 1301 when performing operations.
  • the communication device 1300 further includes: a program stored in the memory 1303 and executable on the processor 1301 , and when the program is executed by the processor 1301 , the steps in the method shown in FIG. 7 or FIG. 8 are implemented.
  • the bus architecture may include any number of interconnected buses and bridges, specifically linking together various circuits of one or more processors represented by processor 1301 and memory represented by memory 1303.
  • the bus architecture may also link together various other circuits such as peripherals, voltage regulators, and power management circuits, which are well known in the art and are therefore not further described herein.
  • the bus interface provides an interface.
  • the transceiver 1302 may be a plurality of components, namely, a transmitter and a receiver, providing a unit for communicating with various other devices over a transmission medium.
  • the embodiment of the present application further provides a communication device 1400, including a processor 1401 and a memory 1402, wherein the memory 1402 stores a program or instruction that can be run on the processor 1401.
  • the communication device 1400 is a terminal
  • the program or instruction is executed by the processor 1401 to implement the various steps of the method embodiment of FIG. 7 or FIG. 8.
  • the communication device 1400 is a network side device
  • the program or instruction is executed by the processor
  • each step of the method embodiment of FIG. 7 or FIG. 8 is implemented and the same technical effect can be achieved. To avoid repetition, it will not be described here.
  • An embodiment of the present application also provides a readable storage medium, on which a program or instruction is stored.
  • a program or instruction is stored.
  • the method of Figure 7 or Figure 8 and the various processes of the above-mentioned embodiments are implemented, and the same technical effect can be achieved. To avoid repetition, it will not be repeated here.
  • the processor is the processor in the terminal described in the above embodiment.
  • the readable storage medium includes a computer readable storage medium, such as a computer read-only memory ROM, a random access memory RAM, a magnetic disk or an optical disk.
  • An embodiment of the present application further provides a chip, which includes a processor and a communication interface, wherein the communication interface is coupled to the processor, and the processor is used to run programs or instructions to implement the various processes shown in Figure 7 or Figure 8 and the various method embodiments mentioned above, and can achieve the same technical effect. To avoid repetition, it will not be repeated here.
  • the chip mentioned in the embodiments of the present application can also be called a system-level chip, a system chip, a chip system or a system-on-chip chip, etc.
  • the embodiments of the present application further provide a computer program/program product, which is stored in a storage medium, and is executed by at least one processor to implement the various processes shown in Figure 7 or Figure 8 and the various method embodiments described above, and can achieve the same technical effect. To avoid repetition, it will not be described here.
  • An embodiment of the present application further provides a communication system, which includes a terminal and a network-side device.
  • the terminal is used to execute the various processes as shown in Figure 7 and the various method embodiments described above
  • the network-side device is used to execute the various processes as shown in Figure 8 and the various method embodiments described above, and can achieve the same technical effects. To avoid repetition, they are not repeated here.
  • the technical solution of the present application can be embodied in the form of a computer software product, which is stored in a storage medium (such as ROM/RAM, magnetic disk, optical disk), and includes a number of instructions for a terminal (which can be a mobile phone, computer, server, air conditioner, or network equipment, etc.) to execute the methods described in each embodiment of the present application.
  • a storage medium such as ROM/RAM, magnetic disk, optical disk
  • a terminal which can be a mobile phone, computer, server, air conditioner, or network equipment, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请公开了一种CSI预测处理方法、装置、通信设备及可读存储介质，该方法包括：第一设备接收第二设备发送的第一信息，所述第一信息包括：第一预测模型的模型标识ID和/或第一预测参数，所述第一预测模型和/或第一预测参数是所述第二设备根据第一信道测量结果和第二信道测量结果的第一相似度确定的。

Description

CSI预测处理方法、装置、通信设备及可读存储介质
相关申请的交叉引用
本申请主张在2022年09月30日在中国提交的中国专利申请No.202211216993.7的优先权，其全部内容通过引用包含于此。
技术领域
本申请属于通信技术领域，具体涉及一种信道状态信息(Channel State Information，CSI)预测处理方法、装置、通信设备及可读存储介质。
背景技术
在无线通信中，信道预测可用来弥补信道测量和实际调度两个操作之间的延迟，提高吞吐量。CSI预测的精度与预测参数有非常大的关系。对于泛化能力不足的预测模型，需要针对不同信道使用不同的预测模型，导致预测模型调整或预测模型搜索的开销较大。
发明内容
本申请实施例提供一种CSI预测处理方法、装置、通信设备及可读存储介质，解决由于针对不同信道需要使用不同的预测模型，导致预测模型调整或预测模型搜索的开销较大的问题。
第一方面，提供一种信道状态控制信息CSI预测处理方法，包括：
第一设备接收第二设备发送的第一信息，所述第一信息包括：第一预测模型的模型标识ID和/或第一预测参数，所述第一预测模型和/或第一预测参数是所述第二设备根据第一信道测量结果和第二信道测量结果的第一相似度确定的。
第二方面，提供一种CSI预测处理方法，包括：
第二设备获取第一信道测量结果和第二信道测量结果之间的第一相似度；
所述第二设备根据所述第一相似度，确定第一预测模型和/或第一预测参数；
所述第二设备向第一设备发送第一信息，所述第一信息包括：所述第一预测模型的模型ID和/或第一预测参数。
第三方面，提供一种CSI预测处理装置，包括：
第一接收模块，用于接收第二设备发送的第一信息，所述第一信息包括：第一预测模型的模型标识ID和/或第一预测参数，所述第一预测模型和/或第一预测参数是所述第二设备根据第一信道测量结果和第二信道测量结果的第一相似度确定的。
第四方面，提供一种CSI预测处理装置，包括：
获取模块，用于获取第一信道测量结果和第二信道测量结果之间的第一相似度；
确定模块，用于根据所述第一相似度，确定第一预测模型和/或第一预测参数；
第三发送模块，用于向第一设备发送第一信息，所述第一信息包括：所述第一预测模型的模型ID和/或第一预测参数。
第五方面，提供了一种通信设备，包括：处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面或第二方面所述的方法的步骤。
第六方面，提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面或第二方面所述的方法的步骤。
第七方面，提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面或第二方面所述的法的步骤。
第八方面，提供了一种计算机程序/程序产品，所述计算机程序/程序产品被存储在非瞬态的存储介质中，所述程序/程序产品被至少一个处理器执行以实现如第一方面或第二方面所述的方法的步骤。
第九方面，提供一种通信系统，所述通信系统包括终端与网络侧设备，所述终端用于执行如第一方面或第二方面所述的方法的步骤，所述网络侧设备用于执行如第一方面或第二方面所述的方法的步骤。
在本申请实施例中，第一设备可以获取由第二设备基于信道特征对比结果提供的CSI预测参数和/或预测模型，即第二设备在不做预测验证的情况下也可以向第一设备提供适用于实际信道的预测参数和/或匹配实际信道的预测模型，这样可以保障预测一开始的精度就足够高，提高CSI预测的精度和效率，并且降低预测模型调整或预测模型搜索的开销。
附图说明
图1是神经网络的示意图；
图2是神经元的示意图；
图3是基于AI的CSI预测示意图；
图4是预测不同的未来时刻的性能的示意图；
图5是使用不同数量的历史CSI预测未来+5ms的性能的示意图；
图6为本申请实施例的无线通信系统的架构示意图；
图7是本申请实施例提供的CSI预测处理方法的流程图之一；
图8是本申请实施例提供的CSI预测处理方法的流程图之二；
图9是本申请实施例提供的CSI预测处理方法的流程图之三；
图10是本申请实施例提供的CSI预测处理装置的示意图之一；
图11是本申请实施例提供的CSI预测处理装置的示意图之二；
图12是本申请实施例提供的终端的示意图；
图13是本申请实施例提供的网络侧设备的示意图；
图14是本申请实施例提供的通信设备的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”所区别的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”一般表示前后关联对象是一种“或”的关系。
值得指出的是，本申请实施例所描述的技术不限于长期演进型(Long Term Evolution，LTE)/LTE的演进(LTE-Advanced，LTE-A)系统，还可用于其他无线通信系统，诸如码分多址(Code Division Multiple Access，CDMA)、时分多址(Time Division Multiple Access，TDMA)、频分多址(Frequency Division Multiple Access， FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access，OFDMA)、单载波频分多址(Single-carrier Frequency Division Multiple Access，SC-FDMA)和其他系统。本申请实施例中的术语“系统”和“网络”常被可互换地使用，所描述的技术既可用于以上提及的系统和无线电技术，也可用于其他系统和无线电技术。以下描述出于示例目的描述了新空口(New Radio，NR)系统，并且在以下大部分描述中使用NR术语，但是这些技术也可应用于NR系统应用以外的应用，如第6代(6th Generation，6G)通信系统。
为了便于理解本申请的实施方式，下面先介绍以下技术点。
1、关于神经网络的介绍
人工智能目前在各个领域获得了广泛的应用。人工智能(Artificial Intelligence，AI)模块有多种实现方式，例如神经网络、决策树、支持向量机、贝叶斯分类器等。
本申请以神经网络为例进行说明，但是并不限定AI模块的具体类型，神经网络的结构如图1所示。
其中，神经网络由神经元组成，神经元的示意图如图2所示。其中a1,a2,…aK为输入，w为权值(乘性系数)，b为偏置(加性系数)，σ(.)为激活函数，z＝a1w1+…+akwk+…+aKwK+b。常见的激活函数包括Sigmoid函数、tanh函数、修正线性单元(Rectified Linear Unit，ReLU)等等。
神经网络的参数可以通过优化算法进行优化。优化算法就是一种能够最小化或者最大化目标函数(有时候也叫损失函数)的一类算法。而目标函数往往是模型参数和数据的数学组合。例如给定数据X和其对应的标签Y，构建一个神经网络模型f(.)，有了模型后，根据输入x就可以得到预测输出f(x)，并且可以计算出预测值和真实值之间的差距(f(x)-Y)，这个就是损失函数。如果找到合适的W,b使上述的损失函数的值达到最小，损失值越小，则说明模型越接近于真实情况。
目前常见的优化算法，基本都是基于误差反向传播(error Back Propagation，BP)算法。BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐藏层逐层处理后，传向输出层。若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐藏层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播 与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。
一般而言，根据解决类型不同，选取的AI算法和采用的模型也有所差别。根据相关技术，借助AI提升第五代移动通信技术(5th Generation，5G)网络性能的主要方法是通过基于神经网络的算法和模型增强或者替代目前已有的算法或处理模块。在特定场景下，基于神经网络的算法和模型可以取得比基于确定性算法更好的性能。比较常用的神经网络包括深度神经网络、卷积神经网络和循环神经网络等。借助已有AI工具，可以实现神经网络的搭建、训练与验证工作。
通过AI或机器学习(Machine Learning，ML)方法替代相关技术系统中的模块能够有效提升系统性能。
如信道状态信息(Channel State Information，CSI)预测，将历史CSI输入给AI模型，AI模型分析信道的时域变化特性，输出未来的CSI。具体如图3所示。
对应的系统性能如图4和图5所示。可以看到CSI预测相比于不预测的方案会有非常大的性能增益。同时，预测的未来时刻不同，可以达到的预测精度也会不一样，如图4所示。
此外，输入AI模型的历史CSI个数也会影响CSI预测的性能，图5描述的是使用不同数量的历史CSI预测未来+5ms的性能。可见，随着历史CSI个数的增加，预测精度也会提高。但是，更多的历史CSI个数意味着更高的复杂度和缓存开销，因此也不能一味地增加历史CSI个数。
CSI预测的精度与预测参数有非常大的关系。对于泛化能力不足的预测模型，需要针对不同信道使用不同的预测模型。实际中，执行预测的节点不一定存储所有的模型，而是根据实际需求动态地请求新的预测模型。即使预测节点存储了适用于当前信道的预测模型，也可以通过提前估计预测参数或预测模型来降低模型调整或模型搜索的开销。
图6示出本申请实施例可应用的一种无线通信系统的框图。无线通信系统包括终端61和网络侧设备62。其中，无线通信系统可以是5G演进(5G-Advanced)或6G等具备无线AI功能的通信系统。
其中，终端61可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)或称为笔记本电脑、个人数字助理(Personal Digital Assistant， PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personal computer，UMPC)、移动上网装置(Mobile Internet Device，MID)、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、机器人、可穿戴式设备(Wearable Device)、车载设备(Vehicle User Equipment，VUE)、行人终端(Pedestrian User Equipment，PUE)、智能家居(具有无线通信功能的家居设备，如冰箱、电视、洗衣机或者家具等)、游戏机、个人计算机(personal computer，PC)、柜员机或者自助机等终端侧设备，可穿戴式设备包括：智能手表、智能手环、智能耳机、智能眼镜、智能首饰(智能手镯、智能手链、智能戒指、智能项链、智能脚镯、智能脚链等)、智能腕带、智能服装等。除了上述终端设备，本申请涉及的终端也可以是终端内的芯片，例如调制解调器(Modem)芯片，系统级芯片(System on Chip，SoC)。需要说明的是，在本申请实施例并不限定终端61的具体类型。
网络侧设备62可以包括接入网设备或核心网设备，其中，接入网设备也可以称为无线接入网设备、无线接入网(Radio Access Network,RAN)、无线接入网功能或无线接入网单元。接入网设备可以包括基站、无线局域网(Wireless Local Area Network，WLAN)接入点或WiFi节点等，基站可被称为节点B、演进节点B(eNB)、接入点、基收发机站(Base Transceiver Station，BTS)、无线电基站、无线电收发机、基本服务集(Basic Service Set，BSS)、扩展服务集(Extended Service Set，ESS)、家用B节点、家用演进型B节点、发送接收点(Transmitting Receiving Point，TRP)或所述领域中其他某个合适的术语，只要达到相同的技术效果，所述基站不限于特定技术词汇，需要说明的是，在本申请实施例中仅以NR系统中的基站为例进行介绍，并不限定基站的具体类型。
核心网设备可以包含但不限于如下至少一项：核心网节点、核心网功能、移动管理实体(Mobility Management Entity，MME)、接入和移动管理功能(Access and Mobility Management Function，AMF)、会话管理功能(Session Management Function，SMF)、用户平面功能(User Plane Function，UPF)、策略控制功能(Policy Control Function，PCF)、策略与计费规则功能单元(Policy and Charging Rules Function，PCRF)、边缘应用服务发现功能(Edge Application Server Discovery Function，EASDF)、统一数据管理(Unified Data Management，UDM)，统一数据仓储(Unified Data Repository，UDR)、归属用户服务器(Home Subscriber Server，HSS)、集中式网络配置(Centralized network  configuration，CNC)、网络存储功能(Network Repository Function，NRF)，网络开放功能(Network Exposure Function，NEF)、本地NEF(Local NEF，或L-NEF)、绑定支持功能(Binding Support Function，BSF)、应用功能(Application Function，AF)等。需要说明的是，在本申请实施例中仅以NR系统中的核心网设备为例进行介绍，并不限定核心网设备的具体类型。
本申请涉及的预测模型也可以称为AI模型。
下面结合附图，通过一些实施例及其应用场景对本申请实施例提供的CSI预测处理方法、装置、通信设备及可读存储介质进行详细地说明。
参见图7，本申请实施例提供一种CSI预测处理方法，应用于第一设备，具体步骤包括：步骤701。
步骤701：第一设备接收第二设备发送的第一信息，所述第一信息包括：第一预测模型的模型标识(Identifier，ID)和/或第一预测参数，所述第一预测模型和/或第一预测参数是所述第二设备根据第一信道测量结果和第二信道测量结果的第一相似度确定的。
可以理解的是，第二设备根据第一信道测量结果和第二信道测量结果的第一相似度选择适用于当前信道环境的第一预测模型和/或第一预测参数，比如，在第一相似度高于阈值的情况下，表明当前信道环境比较稳定，第二设备选择对应的第一预测模型和/或第一预测参数，而在第一相似度低于阈值的情况下，表明当前信道环境不稳定，第二设备选择对应的第一预测模型和/或第一预测参数。
可选的，第一信道测量结果和第二信道测量结果可以是前后两次信道测量结果，可以理解的是，本实施例中对于第一信道测量结果和第二信道测量结果之间的时间间隔的大小不做限定。
本申请的实施例中，第二设备可以在不做预测验证的情况下向第一设备提供适用于实际信道的预测参数和/或匹配实际信道的预测模型，这样可以保障预测一开始的精度就足够高。
在本申请的实施例中，第一设备可以为网络侧设备或终端，第二设备可以为终端或网络侧设备，其中，第二设备是进行CSI预测的设备，即第二设备可以称为执行预测的节点，比如，第一设备为终端，第二设备为网络侧设备，或者第一设备和第二设备均为网络侧设备，或者第一设备和第二设备均为终端，或者第一设备为网络侧设备，第二设 备为终端。
在本申请的一种实施方式中，方法还包括：
第一设备向第二设备发送第二信息，所述第二信息包括以下至少一项：预测指令、第二预测模型或第二预测模型的模型ID。
其中，预测指令包括但不限于以下之一：开始CSI预测，停止CSI预测，继续CSI预测，暂停CSI预测，切换CSI预测模型或算法(该算法可以是非AI的CSI预测算法)。
可以理解的是，第二信息可以基于第一信息生成，也就是第一设备可以参考第二设备建议的预测模型和预测参数，向第二设备反馈预测指令和/或预测模型，或者第二信息并不基于第一信息生成。
示例1：第一设备在接收到第一信息之后，第一设备可以基于第一信息向第二设备发送第二信息，即第二信息是基于第一信息得到的，第一设备可以根据第二设备提供的第一预测模型的模型标识ID和/或第一预测参数，向第二设备发送预测指令，和/或第二预测模型或第二预测模型的模型ID，使得第二设备根据第二预测模型执行CSI预测或者停止CSI预测或继续CSI预测续或暂停CSI预测或切换CSI预测模型或算法。
示例2：第一设备向第二设备发送第二信息，第二信息不是基于第一信息得到的，，即第一设备向第二设备发送第二预测模型或第二预测模型的模型ID和预测指令，使得第二设备可以根据第二预测模型执行CSI预测或者停止CSI预测或继续CSI预测续或暂停CSI预测或切换CSI预测模型或算法。
在本申请的一种实施方式中，所述方法还包括：
所述第一设备向所述第二设备发送第三信息，所述第三信息包括以下至少一项：第一时间间隔、第二时间间隔、第一时间、第二时间和第三时间；
其中，所述第一时间间隔是用于对比的所述第一信道测量结果和所述第二信道测量结果之间的时间间隔，假设第一信道测量结果是在时间T1进行测量的，则第二信道测量结果是在时间[T1+第一时间间隔]进行测量的，所述第二时间间隔是待进行CSI预测的时间位置，即在进行CSI预测时是预测的未来哪个时间点上的CSI，待预测的时间点一般是[最近的一次信道测量的时间+第二时间间隔]，所述第一时间是指测量所述第一信道测量结果的时间，所述第二时间是指测量所述第二信道测量结果的时间，所述第三时间是待进行CSI预测的时间位置。
本申请中的待进行CSI预测的时间位置是指CSI预测结果对应的时间位置，比如，在0ms时做进行CSI预测，预测的是未来第5ms的CSI，则第二时间间隔表示的是要预测的未来第5ms的这个时间。
在本申请的一种实施方式中，所述第一时间间隔、第二时间间隔、第一时间、第二时间和第三时间中的至少一项的取值是第一时间粒度的整数倍值，所述第一时间粒度包括以下至少一项：时隙，毫秒，符号，半帧，帧，CSI测量周期，CSI反馈周期、信道状态信息参考信号(Channel State Information-Reference Signal，CSI-RS)周期。
在本申请的一种实施方式中，所述第一时间间隔和第二时间间隔可以相等。
在本申请的一种实施方式中，所述第一信息还包括以下至少一项：
(1)所述第一相似度；
(2)可预测性，所述可预测性表示所述第二设备能用第一时间间隔进行CSI预测，或者所述可预测性表示所述第二设备不能用所述第一时间间隔进行CSI预测，比如，如“1”表示可以用第一时间间隔做CSI预测，“0”表示不可以用第一时间间隔做CSI预测。可以有多种方式获得可预测性，比如设置一个门限，第一相似度高于这个门限则不可预测，第一相似度低于或等于这个门限则可预测；
(3)所述第二设备对所述第一时间间隔的评估，如“00”表示第一时间间隔过大(建议第一设备减小第一时间间隔)，“01”表示第一时间间隔过小(建议第一设备减小第一时间间隔)，“10”表示第一时间间隔大小正好(建议第一设备使用当前第一时间间隔进行预测)。
在本申请的一种实施方式中，所述第一预测参数包括以下至少一项：
(1)第三时间间隔，所述第三时间间隔是用于对比的所述第一信道测量结果和所述第二信道测量结果之间的时间间隔；
(2)第四时间间隔，所述第四时间间隔是待进行CSI预测的时间位置；
(3)第一时间差值，所述第一时间差值是用于调整所述第一时间间隔的时间差值；
该第一时间差值是第二设备建议的对第一时间间隔作出调整的时间差值，比如建议的时间间隔可通过[第一时间间隔+第一时间差值]计算得出。第一时间差值可以是具体时间值，也可以是量化的或表格化的时间值(比如“00”表示+1个第一时间粒度，“01”表示+2个第一时间粒度，“10”表示-1个第一时间粒度，“11”表示-2个第一时间粒度)。
(4)第二时间差值，所述第二时间差值是用于调整所述第二时间间隔的时间差值；
该第二时间差值是第二设备建议的对第二时间间隔作出调整的时间差值。
(5)第四时间，所述第四时间是指测量所述第一信道测量结果的时间；
(6)第五时间，所述第五时间是指测量所述第二信道测量结果的时间；
(7)第六时间，所述第六时间是待进行CSI预测的时间位置；
(8)第一CSI间隔(或者称为第一CSI周期)，所述第一CSI间隔是用于预测的多个历史CSI之间的间隔；
(9)第一CSI个数，所述第一CSI个数是用于预测的多个历史CSI的个数；
(10)第一CSI窗口长度，所述第一CSI窗口长度是用于预测的多个历史CSI占的时域长度。
在本申请的一种实施方式中，所述第一预测模型与所述第二预测模型相同或不同。
在本实施例中，第一设备可以获取由第二设备基于信道特征对比结果提供的CSI预测参数和/或预测模型，即第二设备在不做预测验证的情况下也可以向第一设备提供适用于实际信道的预测参数和/或匹配实际信道的预测模型，这样可以保障预测一开始的精度就足够高，提高CSI预测的精度和效率，并且降低预测模型调整或预测模型搜索的开销。
参见图8，本申请的实施例提供一种CSI预测处理方法，应用于第二设备，具体步骤包括：步骤801、步骤802、步骤803。
步骤801：第二设备获取第一信道测量结果和第二信道测量结果之间的第一相似度；
步骤802：第二设备根据所述第一相似度，确定第一预测模型和/或第一预测参数；
也就是，第二设备可以根据第一相似度判断得出适用于当前信道环境的第一预测模型和/或第一预测参数。
步骤803：第二设备向第一设备发送第一信息，所述第一信息包括：所述第一预测模型的模型ID和/或第一预测参数。
在本申请的一种实施方式中，所述方法还包括：
第二设备接收第一设备发送的第二信息，所述第二信息包括以下至少一项：预测指令、第二预测模型或第二预测模型的模型ID。
在本申请的一种实施方式中，所述方法还包括：
所述第二设备接收第一设备发送的第三信息，所述第三信息包括以下至少一项：第一时间间隔、第二时间间隔、第一时间、第二时间和第三时间；
其中，所述第一时间间隔是用于对比的第一信道测量结果和第二信道测量结果之间的时间间隔，所述第二时间间隔是待进行CSI预测的时间位置，所述第一时间是指测量所述第一信道测量结果的时间，所述第二时间是指测量所述第二信道测量结果的时间，所述第三时间是待进行CSI预测的时间位置。
在本申请的一种实施方式中，所述第一时间间隔、所述第二时间间隔、所述第一时间、所述第二时间和所述第三时间中的至少一项的取值是第一时间粒度的整数倍值，所述第一时间粒度包括以下至少一项：时隙，毫秒，符号，半帧，帧，CSI测量周期，CSI反馈周期、信道状态信息参考信号CSI-RS周期。
在本申请的一种实施方式中，所述第一时间间隔和第二时间间隔可以相等。
在本申请的一种实施方式中，所述第一信息还包括以下至少一项：
(1)所述第一相似度；
(2)可预测性，所述可预测性表示所述第二设备能用第一时间间隔进行CSI预测，或者所述可预测性表示所述第二设备不能用所述第一时间间隔进行CSI预测；
(3)所述第二设备对所述第一时间间隔的评估。
在本申请的一种实施方式中，所述第一预测参数包括以下至少一项：
(1)第三时间间隔，所述第三时间间隔是用于对比的所述第一信道测量结果和所述第二信道测量结果之间的时间间隔；
(2)第四时间间隔，所述第四时间间隔是待进行CSI预测的时间位置；
(3)第一时间差值，所述第一时间差值是用于调整所述第一时间间隔的时间差值；
(4)第二时间差值，所述第二时间差值是用于调整所述第二时间间隔的时间差值；
(5)第四时间，所述第四时间是指测量所述第一信道测量结果的时间；
(6)第五时间，所述第五时间是指测量所述第二信道测量结果的时间；
(7)第六时间，所述第六时间是待进行CSI预测的时间位置；
(8)第一CSI间隔，所述第一CSI间隔是用于预测的多个历史CSI之间的间隔；
(9)第一CSI个数，所述第一CSI个数是用于预测的多个历史CSI的个数；
(10)第一CSI窗口长度，所述第一CSI窗口长度是用于预测的多个历史CSI占的时域长度。
在本申请的一种实施方式中，所述第一预测模型与所述第二预测模型相同或不同。
在本申请的一种实施方式中，所述第二设备获取第一信道测量结果和第二信道测量结果之间的第一相似度，包括：
所述第二设备根据预配置的信息、网络侧指示的信息、协议约定的信息、所述第一设备和第二设备协商的信息中的至少一项，确定所述第一信道测量结果和第二信道测量结果之间的第一相似度的获取方式；
所述第二设备根据所述获取方式，获取所述第一相似度。
在本申请的一种实施方式中，所述获取方式包括：
通过第一神经网络，得到所述第一信道测量结果和第二信道测量结果之间的第一相似度，其中所述第一信道测量结果和第二信道测量结果为所述第一神经网络的输入信息，所述第一相似度与所述第一神经网络的输出信息相关。
在本申请的一种实施方式中，所述第一神经网络的输出信息包括相关性类信息，所述相关性类信息的值越大表示所述第一信道测量结果和第二信道测量结果之间的相似度越高；
或者，
所述第一神经网络的输出信息包括差别类信息，所述差别类信息的值越低表示所述第一信道测量结果和第二信道测量结果之间的相似度越高。
在本申请的一种实施方式中，所述获取方式包括：
获取所述第一信道测量结果和第二信道测量结果之间的相关信息，所述相关信息包括以下至少一个域的相关信息：时域、频域、空域、时延域、多普勒域、波束域、角度域；
根据所述相关信息，确定所述第一信道测量结果和第二信道测量结果之间的第一相似度。
在本申请的一种实施方式中，所述第一预测模型与所述第二预测模型相同或不同。
在本实施例中，第二设备可以基于信道特征对比结果向第一设备提供CSI预测参数和/或预测模型，即第二设备在不做预测验证的情况下也可以向第一设备提供适用于实际信道的预测参数和/或匹配实际信道的预测模型，这样可以保障预测一开始的精度就足够高，提高预测的效率，并且降低预测模型调整或预测模型搜索的开销。
下面结合实施例一和实施例二介绍本申请的实施方式。
实施例一
参见图9，具体步骤如下：
步骤901：第一设备发送第三信息，其中第二设备是进行CSI预测的设备。
可选的，所述第三信息包括以下至少一项：
(1)第一时间间隔；
其中，所述第一时间间隔是用于对比的第一信道测量结果和第二信道测量结果之间的时间间隔。
假设第一信道测量结果是在时间T1进行测量的，则第二信道测量结果是在时间[T1+第一时间间隔]进行测量的。
(2)第二时间间隔。
其中，所述第二时间间隔是待进行CSI预测的时间位置，即在进行CSI预测时是预测的未来哪个时间点上的CSI，待预测的时间点一般是[最近的一次信道测量的时间+第二时间间隔]。
(3)第一时间，所述第一时间是指测量所述第一信道测量结果的时间；
(4)第二时间，所述第二时间是指测量所述第二信道测量结果的时间；
(5)第三时间，所述第三时间是待进行CSI预测的时间位置；
可选的，第一时间间隔、第二时间间隔、第一时间、第二时间和第三时间中的至少一项的取值是第一时间粒度的整数倍值，所述第一时间可以是时隙(slot)，毫秒，符号，半帧、帧、CSI测量周期，CSI反馈周期、CSI-RS周期等中的任意一项。
可选的，第二时间间隔可以与第一时间间隔相等。
步骤902：第二设备计算第一信道测量结果和第二信道测量结果之间的第一相似度；
步骤903：第二设备发送第一信息；
可选的，所述第一消息包括以下至少一项：
(1)第一相似度。
所述第一相似度可以通过第一神经网络(如基于二元交叉熵、对比函数或三元组损失的孪生网络(Siamese network)、对比学习网络(contrastive learning network)、匹配网络(matching network)，原型网络(Prototypical Network)，关系网络(Relation Network)等来获得，此时神经网络的输入是第一信道测量结果和第二信道测量结果，该 神经网络的输出层可以是相关性类信息，该相关性类信息值越大表示相似度越高；该神经网络的输出层也可以是差别类信息，差别类信息的值越低表示相似度越高。
或者，第一相似度也可以通过计算第一信道测量结果和第二信道测量结果之间的相关信息(如互相关系数、互相关矩阵、互协方差信息、互协方差矩阵等)，该相关信息包括以下至少一个域的相关信息：时域、频域、空域、时延域、多普勒域、波束域、角度域等。
其中，第一相似度的获取方式可以是协议预先定义好的，或者也可以是第一设备和第二设备通过信令交互达成共识的。
(2)可预测性。
比如，“1”表示可以用第一时间间隔做CSI预测，“0”表示不可以用第一时间间隔做CSI预测。
在本申请的实施例中，获得可预测性的方式包括但不限于：设置一个门限，如果第一相似度高于该门限，则第一时间间隔不可用于CSI预测，如果第一相似度低于或等于该门限，则第一时间间隔可用于CSI预测。
(3)第一时间间隔的评估。
比如，“00”表示第一时间间隔过大(建议第一设备减小第一时间间隔)，“01”表示第一时间间隔过小(建议第一设备减小第一时间间隔)，“10”表示第一时间间隔大小正好(建议第一设备使用当前第一时间间隔进行预测)。
(4)第一预测参数。
可选的，所述第一预测参数包括但不限于以下至少一项：第三时间间隔、第四时间间隔、第一时间差值、第二时间差值、第四时间、第五时间、第六时间、第一CSI间隔(或周期)、第一CSI个数、第一CSI窗口长度。
其中，第三时间间隔是第二设备建议的时间间隔，所述第三时间间隔是用于对比的所述第一信道测量结果和所述第二信道测量结果之间的时间间隔，所述第四时间间隔是待进行CSI预测的时间位置。第一时间差值是第二设备建议的对第一时间间隔作出调整的时间差值，比如建议的时间间隔可通过[第一时间间隔+第一时间差值]计算得出。第一时间差值可以是具体时间值，或者也可以是量化的或表格化的时间值，比如“00”表示+1个第一时间粒度，“01”表示+2个第一时间粒度，“10”表示－1个第一时间粒度，“11”表示－2个第一时间粒度。
其中，所述第二时间差值是用于调整所述第二时间间隔的时间差值，所述第四时间是指测量所述第一信道测量结果的时间，所述第五时间是指测量所述第二信道测量结果的时间，所述第六时间是待进行CSI预测的时间位置，第一CSI间隔(或周期)是用于预测的多个历史CSI之间的间隔(或周期)。第一CSI个数是用于预测的多个历史CSI的个数。第一CSI窗口长度是用于预测的多个历史CSI占的时域长度。
(5)第一预测模型ID，即第二设备基于第一相似度判断得出的适用于当前环境的CSI预测的模型的ID。
步骤904：第一设备发送第二信息。
可选的，第一设备可以根据第一信息得到第二信息，然后第一设备向第二设备发送第二信息，或者第一设备通过其他方式得到第二信息，然后该第一设备向第二设备发送第二信息。
可选的，第二信息至少包括以下一项：
(1)预测指令，预测指令用于指示以下至少一项：开始CSI预测(activation)，停止CSI预测(deactivation)，继续CSI预测，暂停CSI预测，切换CSI预测模型或算法(这里算法可以是非AI的CSI预测算法)。
(2)第二预测模型或第二预测模型的ID。
可选的，所述第二预测模型可以是第一预测模型。
实施例二
具体的，第一设备和第二设备分别可以是终端或网络侧设备，可以基于第一设备、第二设备之间的信息交互，所涉及的信号发送端以及信号接收端是终端还是网络侧设备，分为以下4种情况来复用相关技术中的信令或信息：
情况1)假设第一设备与第二设备之间的信息交互过程中，信息发送端为终端，且信息接收端为网络侧设备，则该交互过程中的信息(如：第三信息、第一信息)可以承载于以下信令或信息中的至少一项：
(1)物理上行控制信道(Physical Uplink Control Channel，PUCCH)的层(layer)1信令；
(2)物理随机接入信道(Physical Random Access Channel，PRACH)的MSG 1；
(3)PRACH的MSG 3；
(4)PRACH的MSG A；
(5)物理上行共享信道(Physical Uplink Shared Channel，PUSCH)的信息。
情况2)假设第一设备与第二设备之间的信息交互过程中，信息发送端为网络侧设备，且信息接收端为终端，则该交互过程中的信息(如：上述第三信息、上述匹配结果、第一设备接收的AI网络模型的相关信息以及上述第二信息中的至少一项)可以承载于以下信令或信息中的至少一项：
(1)媒体接入控制控制元素(Medium Access Control Control Element，MAC CE)；
(2)无线资源控制(Radio Resource Control，RRC)消息；
(3)非接入层(Non-Access Stratum，NAS)消息；
(4)管理编排消息；
(5)用户面数据；
(6)下行控制信息(Downlink Control Information，DCI)信息；
(7)系统信息块(System Information Block，SIB)；
(8)物理下行控制信道(Physical Downlink Control Channel，PDCCH)的层1信令；
(9)物理下行共享信道(Physical Downlink Shared Channel，PDSCH)的信息；
(10)PRACH的MSG 2；
(11)PRACH的MSG 4；
(12)PRACH的MSG B。
情况3)假设第一设备与第二设备之间的信息交互过程中，信息发送端和信息接收端为不同终端，则该交互过程中的信息(如：上述第三信息、上述匹配结果、第一设备接收的AI网络模型的相关信息以及上述第二信息中的至少一项)可以承载于以下信令或信息中的至少一项：
(1)Xn接口信令；
(2)PC5接口信令；
(3)物理旁路控制信道(Pysical Sidelink Control Channel，PSCCH)的信息；
(4)物理旁路共享信道(Physical Sidelink Shared Channel，PSSCH)的信息；
(5)物理直通链路广播信道(Physical Sidelink Broadcast Channel，PSBCH)的信息；
(6)物理直通链路发现信道(Physical Sidelink Discovery Channel，PSDCH)的信 息；
(7)物理旁路反馈信道(Physical Sidelink Feedback Channel，PSFCH)的信息。
情况4)假设第一设备与第二设备或第三设备之间的信息交互过程中，信息发送端和信息接收端为不同网络侧设备，则该交互过程中的信息(如：上述第三信息、上述匹配结果、第一设备接收的AI网络模型的相关信息以及上述第二信息中的至少一项)可以承载于以下信令或信息中的至少一项：
(1)S1接口信令；
(2)Xn接口信令(如：X2接口信令)。
参见图10，本申请实施例提供一种CSI预测处理装置，应用于第一设备，该装置1000包括：
第一接收模块1001，用于接收第二设备发送的第一信息，所述第一信息包括：第一预测模型的模型标识ID和/或第一预测参数，所述第一预测模型和/或第一预测参数是所述第二设备根据第一信道测量结果和第二信道测量结果的第一相似度确定的。
在本申请的一种实施方式中，所述装置还包括：
第一发送模块，用于向第二设备发送第二信息，所述第二信息包括以下至少一项：预测指令、第二预测模型或第二预测模型的模型ID。
在本申请的一种实施方式中，所述装置还包括：
第二发送模块，用于向所述第二设备发送第三信息，所述第三信息包括以下至少一项：第一时间间隔、第二时间间隔、第一时间、第二时间和第三时间；
其中，所述第一时间间隔是用于对比的所述第一信道测量结果和所述第二信道测量结果之间的时间间隔，所述第二时间间隔是待进行CSI预测的时间位置，所述第一时间是指测量所述第一信道测量结果的时间，所述第二时间是指测量所述第二信道测量结果的时间，所述第三时间是待进行CSI预测的时间位置。
在本申请的一种实施方式中，所述第一时间间隔、第二时间间隔、第一时间、第二时间和第三时间中的至少一项的取值是第一时间粒度的整数倍值，所述第一时间粒度包括以下至少一项：时隙，毫秒，符号，半帧，帧，CSI测量周期，CSI反馈周期、信道状态信息参考信号CSI-RS周期。
在本申请的一种实施方式中，所述第一时间间隔和第二时间间隔可以相等。
在本申请的一种实施方式中，所述第一信息还包括以下至少一项：
(1)所述第一相似度；
(2)可预测性，所述可预测性表示所述第二设备能用第一时间间隔进行CSI预测，或者所述可预测性表示所述第二设备不能用所述第一时间间隔进行CSI预测；
(3)所述第二设备对所述第一时间间隔的评估。
在本申请的一种实施方式中，所述第一预测参数包括以下至少一项：
(1)第三时间间隔，所述第三时间间隔是用于对比的所述第一信道测量结果和所述第二信道测量结果之间的时间间隔；
(2)第四时间间隔，所述第四时间间隔是待进行CSI预测的时间位置；
(3)第一时间差值，所述第一时间差值是用于调整所述第一时间间隔的时间差值；
(4)第二时间差值，所述第二时间差值是用于调整所述第二时间间隔的时间差值；
(5)第四时间，所述第四时间是指测量所述第一信道测量结果的时间；
(6)第五时间，所述第五时间是指测量所述第二信道测量结果的时间；
(7)第六时间，所述第六时间是待进行CSI预测的时间位置；
(8)第一CSI间隔，所述第一CSI间隔是用于预测的多个历史CSI之间的间隔；
(9)第一CSI个数，所述第一CSI个数是用于预测的多个历史CSI的个数；
(10)第一CSI窗口长度，所述第一CSI窗口长度是用于预测的多个历史CSI占的时域长度。
在本申请的一种实施方式中，所述第一预测模型与所述第二预测模型相同或不同。
本申请实施例提供的装置能够实现图7的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
参见图11，本申请的实施例提供一种CSI预测处理装置，应用于第二设备，装置1100包括：
获取模块1101，用于获取第一信道测量结果和第二信道测量结果之间的第一相似度；
确定模块1102，用于根据所述第一相似度，确定第一预测模型和/或第一预测参数；
第三发送模块1103，用于向第一设备发送第一信息，所述第一信息包括：所述第一预测模型的模型ID和/或第一预测参数。
在本申请的一种实施方式中，所述装置还包括：
第二接收模块，用于接收第一设备发送的第二信息，所述第二信息包括以下至少一 项：预测指令、第二预测模型或第二预测模型的模型ID。
在本申请的一种实施方式中，所述装置还包括：
第三接收模块，用于接收第一设备发送的第三信息，所述第三信息包括以下至少一项：第一时间间隔、第二时间间隔、第一时间、第二时间和第三时间；
其中，所述第一时间间隔是用于对比的第一信道测量结果和第二信道测量结果之间的时间间隔，所述第二时间间隔是待进行CSI预测的时间位置，所述第一时间是指测量所述第一信道测量结果的时间，所述第二时间是指测量所述第二信道测量结果的时间，所述第三时间是待进行CSI预测的时间位置。
在本申请的一种实施方式中，所述第一时间间隔、所述第二时间间隔、所述第一时间、所述第二时间和所述第三时间中的至少一项的取值是第一时间粒度的整数倍值，所述第一时间粒度包括以下至少一项：时隙，毫秒，符号，半帧，帧，CSI测量周期，CSI反馈周期、信道状态信息参考信号CSI-RS周期。
在本申请的一种实施方式中，所述第一时间间隔和第二时间间隔可以相等。
在本申请的一种实施方式中，所述第一信息还包括以下至少一项：
(1)所述第一相似度；
(2)可预测性，所述可预测性表示所述第二设备能用第一时间间隔进行CSI预测，或者所述可预测性表示所述第二设备不能用所述第一时间间隔进行CSI预测；
(3)所述第二设备对所述第一时间间隔的评估。
在本申请的一种实施方式中，所述第一预测参数包括以下至少一项：
(1)第三时间间隔，所述第三时间间隔是用于对比的所述第一信道测量结果和所述第二信道测量结果之间的时间间隔；
(2)第四时间间隔，所述第四时间间隔是待进行CSI预测的时间位置；
(3)第一时间差值，所述第一时间差值是用于调整所述第一时间间隔的时间差值；
(4)第二时间差值，所述第二时间差值是用于调整所述第二时间间隔的时间差值；
(5)第四时间，所述第四时间是指测量所述第一信道测量结果的时间；
(6)第五时间，所述第五时间是指测量所述第二信道测量结果的时间；
(7)第六时间，所述第六时间是待进行CSI预测的时间位置；
(8)第一CSI间隔，所述第一CSI间隔是用于预测的多个历史CSI之间的间隔；
(9)第一CSI个数，所述第一CSI个数是用于预测的多个历史CSI的个数；
(10)第一CSI窗口长度，所述第一CSI窗口长度是用于预测的多个历史CSI占的时域长度。
在本申请的一种实施方式中，所述第一预测模型与所述第二预测模型相同或不同。
在本申请的一种实施方式中，获取第一信道测量结果和第二信道测量结果之间的第一相似度，包括：
根据预配置的信息、网络侧指示的信息、协议约定的信息、所述第一设备和第二设备协商的信息中的至少一项，确定所述第一信道测量结果和第二信道测量结果之间的第一相似度的获取方式；
根据所述获取方式，获取所述第一相似度。
在本申请的一种实施方式中，所述获取方式包括：
通过第一神经网络，得到所述第一信道测量结果和第二信道测量结果之间的第一相似度，其中所述第一信道测量结果和第二信道测量结果为所述第一神经网络的输入信息，所述第一相似度与所述第一神经网络的输出信息相关。
在本申请的一种实施方式中，所述第一神经网络的输出信息包括相关性类信息，所述相关性类信息的值越大表示所述第一信道测量结果和第二信道测量结果之间的相似度越高；
或者，
所述第一神经网络的输出信息包括差别类信息，所述差别类信息的值越低表示所述第一信道测量结果和第二信道测量结果之间的相似度越高。
在本申请的一种实施方式中，所述获取方式包括：
获取所述第一信道测量结果和第二信道测量结果之间的相关信息，所述相关信息包括以下至少一个域的相关信息：时域、频域、空域、时延域、多普勒域、波束域、角度域；
根据所述相关信息，确定所述第一信道测量结果和第二信道测量结果之间的第一相似度。
在本申请的一种实施方式中，所述第一预测模型与所述第二预测模型相同或不同。
本申请实施例提供的装置能够实现图8的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
图12为实现本申请实施例的一种终端的硬件结构示意图。该终端1200包括但不限 于：射频单元1201、网络模块1202、音频输出单元1203、输入单元1204、传感器1205、显示单元1206、用户输入单元1207、接口单元1208、存储器1209以及处理器1210等中的至少部分部件。
本领域技术人员可以理解，终端1200还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器1210逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图12中示出的终端结构并不构成对终端的限定，终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
应理解的是，本申请实施例中，输入单元1204可以包括图形处理单元(Graphics Processing Unit，GPU)12041和麦克风12042，图形处理器12041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元1206可包括显示面板12061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板12061。用户输入单元507包括触控面板12071以及其他输入设备12072中的至少一种。触控面板12071，也称为触摸屏。触控面板12071可包括触摸检测装置和触摸控制器两个部分。其他输入设备12072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
本申请实施例中，射频单元1201接收来自网络侧设备的下行数据后，可以传输给处理器1210进行处理；另外，射频单元1201可以向网络侧设备发送上行数据。通常，射频单元1201包括但不限于天线、放大器、收发信机、耦合器、低噪声放大器、双工器等。
存储器1209可用于存储软件程序或指令以及各种数据。存储器1209可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外，存储器1209可以包括易失性存储器或非易失性存储器，或者，存储器1209可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic  RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本申请实施例中的存储器1209包括但不限于这些和任意其它适合类型的存储器。
处理器1210可包括一个或多个处理单元；可选的，处理器1210集成应用处理器和调制解调处理器，其中，应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到处理器1210中。
本申请实施例提供的终端能够实现图7或图8的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
请参阅图13，图13是本发明实施例应用的通信设备的结构图，如图13所示，通信设备1300包括：处理器1301、收发机1302、存储器1303和总线接口，其中，处理器1301可以负责管理总线架构和通常的处理。存储器1303可以存储处理器1301在执行操作时所使用的数据。
在本发明的一个实施例中，通信设备1300还包括：存储在存储器1303并可在处理器1301上运行的程序，程序被处理器1301执行时实现以上图7或图8所示方法中的步骤。
在图13中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器1301代表的一个或多个处理器和存储器1303代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机1302可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。
可选的，如图14所示，本申请实施例还提供一种通信设备1400，包括处理器1401和存储器1402，存储器1402上存储有可在所述处理器1401上运行的程序或指令，例如，该通信设备1400为终端时，该程序或指令被处理器1401执行时实现上述图7或图8方法实施例的各个步骤，该通信设备1400为网络侧设备时，该程序或指令被处理器 1401执行时实现上述图7或图8方法实施例的各个步骤且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现图7或图8方法及上述各个实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的终端中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现图7或图8所示及上述各个方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片，系统芯片，芯片系统或片上系统芯片等。
本申请实施例另提供了一种计算机程序/程序产品，所述计算机程序/程序产品被存储在存储介质中，所述计算机程序/程序产品被至少一个处理器执行以实现图7或图8所示及上述各个方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例另提供一种通信系统，所述通信系统包括终端与网络侧设备，所述终端用于执行如图7及上述各个方法实施例的各个过程，所述网络侧设备用于执行如图8及上述各个方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合 各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对相关技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (25)

  1. 一种信道状态控制信息CSI预测处理方法，包括：
    第一设备接收第二设备发送的第一信息，所述第一信息包括：第一预测模型的模型标识ID和/或第一预测参数，所述第一预测模型和/或第一预测参数是所述第二设备根据第一信道测量结果和第二信道测量结果的第一相似度确定的。
  2. 根据权利要求1所述的方法，其中，所述方法还包括：
    所述第一设备向第二设备发送第二信息，所述第二信息包括以下至少一项：预测指令、第二预测模型或第二预测模型的模型ID。
  3. 根据权利要求1所述的方法，其中，所述方法还包括：
    所述第一设备向所述第二设备发送第三信息，所述第三信息包括以下至少一项：第一时间间隔、第二时间间隔、第一时间、第二时间和第三时间；
    其中，所述第一时间间隔是用于对比的所述第一信道测量结果和所述第二信道测量结果之间的时间间隔，所述第二时间间隔是待进行CSI预测的时间位置，所述第一时间是指测量所述第一信道测量结果的时间，所述第二时间是指测量所述第二信道测量结果的时间，所述第三时间是待进行CSI预测的时间位置。
  4. 根据权利要求3所述的方法，其中，所述第一时间间隔、第二时间间隔、第一时间、第二时间和第三时间中的至少一项的取值是第一时间粒度的整数倍值，所述第一时间粒度包括以下至少一项：时隙，毫秒，符号，半帧，帧，CSI测量周期，CSI反馈周期、信道状态信息参考信号CSI-RS周期。
  5. 根据权利要求3所述的方法，其中，所述第一时间间隔和第二时间间隔相等。
  6. 根据权利要求1所述的方法，其中，所述第一信息还包括以下至少一项：
    所述第一相似度；
    可预测性，所述可预测性表示所述第二设备能用第一时间间隔进行CSI预测，或者所述可预测性表示所述第二设备不能用所述第一时间间隔进行CSI预测；
    所述第二设备对所述第一时间间隔的评估。
  7. 根据权利要求1所述的方法，其中，所述第一预测参数包括以下至少一项：
    第三时间间隔，所述第三时间间隔是用于对比的所述第一信道测量结果和所述第二信道测量结果之间的时间间隔；
    第四时间间隔，所述第四时间间隔是待进行CSI预测的时间位置；
    第一时间差值，所述第一时间差值是用于调整所述第一时间间隔的时间差值；
    第二时间差值，所述第二时间差值是用于调整所述第二时间间隔的时间差值；
    第四时间，所述第四时间是指测量所述第一信道测量结果的时间；
    第五时间，所述第五时间是指测量所述第二信道测量结果的时间；
    第六时间，所述第六时间是待进行CSI预测的时间位置；
    第一CSI间隔，所述第一CSI间隔是用于预测的多个历史CSI之间的间隔；
    第一CSI个数，所述第一CSI个数是用于预测的多个历史CSI的个数；
    第一CSI窗口长度，所述第一CSI窗口长度是用于预测的多个历史CSI占的时域长度。
  8. 根据权利要求2所述的方法，其中，所述第一预测模型与所述第二预测模型相同或不同。
  9. 一种CSI预测处理方法，包括：
    第二设备获取第一信道测量结果和第二信道测量结果之间的第一相似度；
    所述第二设备根据所述第一相似度，确定第一预测模型和/或第一预测参数；
    所述第二设备向第一设备发送第一信息，所述第一信息包括：所述第一预测模型的模型ID和/或第一预测参数。
  10. 根据权利要求9所述的方法，其中，所述方法还包括：
    所述第二设备接收第一设备发送的第二信息，所述第二信息包括以下至少一项：预测指令、第二预测模型或第二预测模型的模型ID。
  11. 根据权利要求9所述的方法，其中，所述方法还包括：
    所述第二设备接收第一设备发送的第三信息，所述第三信息包括以下至少一项：第一时间间隔、第二时间间隔、第一时间、第二时间和第三时间；
    其中，所述第一时间间隔是用于对比的第一信道测量结果和第二信道测量结果之间的时间间隔，所述第二时间间隔是待进行CSI预测的时间位置，所述第一时间是指测量所述第一信道测量结果的时间，所述第二时间是指测量所述第二信道测量结果的时间，所述第三时间是待进行CSI预测的时间位置。
  12. 根据权利要求11所述的方法，其中，所述第一时间间隔、所述第二时间间隔、所述第一时间、所述第二时间和所述第三时间中的至少一项的取值是第一时间粒度的整数倍值，所述第一时间粒度包括以下至少一项：时隙，毫秒，符号，半帧，帧，CSI测 量周期，CSI反馈周期、信道状态信息参考信号CSI-RS周期。
  13. 根据权利要求11所述的方法，其中，所述第一时间间隔和第二时间间隔相等。
  14. 根据权利要求9所述的方法，其中，所述第一信息还包括以下至少一项：
    所述第一相似度；
    可预测性，所述可预测性表示所述第二设备能用第一时间间隔进行CSI预测，或者所述可预测性表示所述第二设备不能用所述第一时间间隔进行CSI预测；
    所述第二设备对所述第一时间间隔的评估。
  15. 根据权利要求9所述的方法，其中，所述第一预测参数包括以下至少一项：
    第三时间间隔，所述第三时间间隔是用于对比的所述第一信道测量结果和所述第二信道测量结果之间的时间间隔；
    第四时间间隔，所述第四时间间隔是待进行CSI预测的时间位置；
    第一时间差值，所述第一时间差值是用于调整所述第一时间间隔的时间差值；
    第二时间差值，所述第二时间差值是用于调整所述第二时间间隔的时间差值；
    第四时间，所述第四时间是指测量所述第一信道测量结果的时间；
    第五时间，所述第五时间是指测量所述第二信道测量结果的时间；
    第六时间，所述第六时间是待进行CSI预测的时间位置；
    第一CSI间隔，所述第一CSI间隔是用于预测的多个历史CSI之间的间隔；
    第一CSI个数，所述第一CSI个数是用于预测的多个历史CSI的个数；
    第一CSI窗口长度，所述第一CSI窗口长度是用于预测的多个历史CSI占的时域长度。
  16. 根据权利要求10所述的方法，其中，所述第一预测模型与所述第二预测模型相同或不同。
  17. 根据权利要求9所述的方法，其中，所述第二设备获取第一信道测量结果和第二信道测量结果之间的第一相似度，包括：
    所述第二设备根据预配置的信息、网络侧指示的信息、协议约定的信息、所述第一设备和第二设备协商的信息中的至少一项，确定所述第一信道测量结果和第二信道测量结果之间的第一相似度的获取方式；
    所述第二设备根据所述获取方式，获取所述第一相似度。
  18. 根据权利要求17所述的方法，其中，所述获取方式包括：
    通过第一神经网络，得到所述第一信道测量结果和第二信道测量结果之间的第一相似度，其中所述第一信道测量结果和第二信道测量结果为所述第一神经网络的输入信息，所述第一相似度与所述第一神经网络的输出信息相关。
  19. 根据权利要求18所述的方法，其中，所述第一神经网络的输出信息包括相关性类信息，所述相关性类信息的值越大表示所述第一信道测量结果和第二信道测量结果之间的相似度越高；
    或者，
    所述第一神经网络的输出信息包括差别类信息，所述差别类信息的值越低表示所述第一信道测量结果和第二信道测量结果之间的相似度越高。
  20. 根据权利要求17所述的方法，其中，所述获取方式包括：
    获取所述第一信道测量结果和第二信道测量结果之间的相关信息，所述相关信息包括以下至少一个域的相关信息：时域、频域、空域、时延域、多普勒域、波束域、角度域；
    根据所述相关信息，确定所述第一信道测量结果和第二信道测量结果之间的第一相似度。
  21. 根据权利要求10所述的方法，其中，所述第一预测模型与所述第二预测模型相同或不同。
  22. 一种CSI预测处理装置，包括：
    第一接收模块，用于接收第二设备发送的第一信息，所述第一信息包括：第一预测模型的模型标识ID和/或第一预测参数，所述第一预测模型和/或第一预测参数是所述第二设备根据第一信道测量结果和第二信道测量结果的第一相似度确定的。
  23. 一种CSI预测处理装置，包括：
    获取模块，用于获取第一信道测量结果和第二信道测量结果之间的第一相似度；
    确定模块，用于根据所述第一相似度，确定第一预测模型和/或第一预测参数；
    第三发送模块，用于向第一设备发送第一信息，所述第一信息包括：所述第一预测模型的模型ID和/或第一预测参数。
  24. 一种通信设备，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，其中，所述程序或指令被所述处理器执行时实现如权利要求1至21中任一项所述的方法的步骤。
  25. 一种可读存储介质，所述可读存储介质上存储程序或指令，其中，所述程序或指令被处理器执行时实现如权利要求1至21中任一项所述的方法的步骤。
PCT/CN2023/121889 2022-09-30 2023-09-27 Csi预测处理方法、装置、通信设备及可读存储介质 Ceased WO2024067665A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202211216993.7 2022-09-30
CN202211216993.7A CN117856942A (zh) 2022-09-30 2022-09-30 Csi预测处理方法、装置、通信设备及可读存储介质

Publications (1)

Publication Number Publication Date
WO2024067665A1 true WO2024067665A1 (zh) 2024-04-04

Family

ID=90476352

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2023/121889 Ceased WO2024067665A1 (zh) 2022-09-30 2023-09-27 Csi预测处理方法、装置、通信设备及可读存储介质

Country Status (2)

Country Link
CN (1) CN117856942A (zh)
WO (1) WO2024067665A1 (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021258259A1 (en) * 2020-06-22 2021-12-30 Qualcomm Incorporated Determining a channel state for wireless communication
CN114402560A (zh) * 2019-09-19 2022-04-26 高通股份有限公司 用于确定信道状态信息的系统和方法
WO2022175084A1 (en) * 2021-02-19 2022-08-25 Nokia Technologies Oy Machine learning based channel state information estimation and feedback configuration
CN115022896A (zh) * 2021-03-05 2022-09-06 维沃移动通信有限公司 信息上报方法、装置、第一设备及第二设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114402560A (zh) * 2019-09-19 2022-04-26 高通股份有限公司 用于确定信道状态信息的系统和方法
WO2021258259A1 (en) * 2020-06-22 2021-12-30 Qualcomm Incorporated Determining a channel state for wireless communication
WO2022175084A1 (en) * 2021-02-19 2022-08-25 Nokia Technologies Oy Machine learning based channel state information estimation and feedback configuration
CN115022896A (zh) * 2021-03-05 2022-09-06 维沃移动通信有限公司 信息上报方法、装置、第一设备及第二设备

Also Published As

Publication number Publication date
CN117856942A (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
WO2023040887A1 (zh) 信息上报方法、装置、终端及可读存储介质
WO2024032694A1 (zh) Csi预测处理方法、装置、通信设备及可读存储介质
US20240323741A1 (en) Measurement method and apparatus, device, and storage medium
WO2024067281A1 (zh) Ai模型的处理方法、装置及通信设备
WO2024041421A1 (zh) 测量反馈处理方法、装置、终端及网络侧设备
US20250240663A1 (en) Transmission method and apparatus, communication device, and readable storage medium
WO2024099094A1 (zh) 波束测量方法、装置、终端、网络侧设备及存储介质
WO2024125391A2 (zh) Ai模型监测方法、ai模型性能的测量方法、装置及设备
WO2024099091A1 (zh) 波束预测方法、装置、终端、网络侧设备及存储介质
WO2023179540A1 (zh) 信道预测方法、装置及无线通信设备
WO2024208260A1 (zh) 基于ai的csi预测的数据采集方法及装置
WO2024067280A1 (zh) 更新ai模型参数的方法、装置及通信设备
WO2024093771A1 (zh) 参考信号确定方法、终端及网络侧设备
WO2024125525A1 (zh) Ai算力上报方法、终端及网络侧设备
WO2024041420A1 (zh) 测量反馈处理方法、装置、终端及网络侧设备
WO2023036309A1 (zh) 参考信号序列生成方法、装置、设备及介质
WO2024093713A1 (zh) 资源配置方法、装置、通信设备及可读存储介质
WO2024067665A1 (zh) Csi预测处理方法、装置、通信设备及可读存储介质
WO2024164962A1 (zh) 通信处理方法、装置、设备及可读存储介质
WO2024032695A1 (zh) Csi预测处理方法、装置、通信设备及可读存储介质
WO2024240036A1 (zh) 通信处理方法、装置、设备及可读存储介质
WO2024104070A1 (zh) 波束报告的发送方法、接收方法、装置及通信设备
WO2024067878A1 (zh) 信道预测方法、装置及通信设备
WO2025036188A1 (zh) 信息传输方法、装置、终端及网络侧设备
CN120162207A (zh) Ai功能的性能监督方法、装置、网络侧设备及终端设备

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: 23870892

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 23870892

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 23870892

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 05/09/2025)