[发明专利]执行切换过程

说明书

在通信网络中的用户设备UE中确定是否执行从第一网络节点到第二网络节点的切换过程的方法中，将UE的位置作为输入提供给UE上存储的模型，该模型已经使用机器学习过程进行训练以基于UE的位置来预测通信网络中的第二网络节点的状况。该模型提供了对所提供的UE位置处的第二网络节点的状况的预测。然后接收到的预测状况被用于确定是否执行切换过程。

技术领域

本公开涉及通信网络中的方法、节点和系统。更具体但非排他地，本公开涉及通信网络中的切换过程。

背景技术

本文的公开内容涉及通信网络，例如无线电接入网络。更具体地，本文的公开内容涉及通信网络中的从第一节点到第二节点的切换。

在通信网络上，订户(例如，用户设备和设备)的数量不断增加。此外，所述订户的性能要求也在增加。因此，在通信网络中需要更好地协调，以确保良好的资源使用。如果例如网络的某些节点过度拥挤，服务于许多用户，而其他节点未得到充分利用，这会导致闲置的网络容量，因为拥挤节点仅占总网络容量的一部分，拥挤节点可能限制其用户，这些用户本来可以被切换到未充分利用的节点。

因此，本文公开的一个目的在于提供改进的用户设备在通信网络中的不同节点之间的切换。

发明内容

切换通常涉及：用户设备(UE)必须执行频率间测量以确定要连接到的适当节点。这可能需要UE将其接收链重新配置到与源小区的频率载波不同的频率载波，除非UE能够支持可以同时在多个频率载波上进行测量的多个接收链。在前一种情况下，UE在新的频率载波上进行测量时无法与源小区进行通信。此外，这两种场景都需要增加UE的电池消耗。随着由5G驱动的毫米波的部署，UE可被服务的载波数量正在增加，因此为UE找到最佳载波可能需要UE进行相当大数量的频率间测量。

该问题的一种可能解决方案包括：使用机器学习模型以基于对与一个或多个其他节点相关联的状况的测量来预测UE可以切换到的一个或多个可能节点的状况(例如，目标载波预测)。然而，使用这种方式的目标载波预测仍然需要对源载波信息的频繁测量，并且通常，目标载波预测的准确性随着源载波信息的增加而增加，从而激励测量尽可能多的频率上的状况。源载波信息可以包括对相邻节点的测量，因此也需要UE大量的测量开销。

使用诸如UE位置之类的其他输入参数会带来复杂性，因为由于位置数据属于敏感类型，除了在紧急情况下或在特定的商业用例中，位置通常不会被报告给网络，因此不能被用于构建需要频繁的位置信息或可以受益于频繁的位置信息的网络决策功能(例如，同频/频率间切换)。

本文的实施例的一个目的在于提供改进的切换过程，该过程只需要进行较少的频率间测量并因此消耗较少的电池电量。

根据本文的第一方面，存在一种在通信网络中的用户设备UE中确定是否执行从第一网络节点到第二网络节点的切换过程的方法。该方法包括：将UE的位置作为输入提供给UE上存储的模型，该模型已经使用机器学习过程进行训练以基于UE的位置来预测通信网络中的第二网络节点的状况；从模型接收对所提供的UE位置处的第二网络节点的状况的预测；以及，使用接收到的预测状况来确定是否执行到第二网络节点的切换过程。

在一些实施例中，使用联合机器学习过程来训练模型。

基于UE的位置来预测第二网络节点的状况只需要UE进行较少的频率间测量，从而节省电池电量，同时仍然提供对第二网络节点的状况的可靠预测。此外，使用通过利用联合机器学习过程进行训练的模型确保了不用为了训练或使用用于预测的模型而在网络间传输UE位置。这确保了UE位置数据的数据保密。