[发明专利]移动通信网络中移动终端的位置追踪方法、设备及存储介质

说明书

移动通信网络中移动终端的位置追踪方法、设备及存储介质。本发明涉及一种通信方法、设备及存储介质，该方法包括：接收用户端的当前时隙的通信信号；基于所述当前时隙的通信信号的参数得到特征向量；根据预先训练得到的机器学习模型，对所述特征向量进行处理以预测在下一时隙的所述用户端的移动；其中，所述当前时隙的通信信号的参数包括频谱信息、星座图和/或星座图误差向量幅度。利用本发明能够提高预测用户移动的精度，减少通信中的中断情况。

技术领域

本发明涉及通信技术领域，特别是涉及一种通信方法、移动通信网络中移动终端的位置追踪方法、设备、及存储介质。

背景技术

此处的陈述仅提供与本发明有关的背景信息，而不必然地构成现有技术。

根据爱立信移动报告，到2023年，全球移动用户将增加到89亿，移动物联网(简称IoT)连接将达到35亿，全球每月移动数据总流量将达到107EB。毫米波(mmWave)通信扩展了当前的无线通信，其从30ghz到300ghz的宽带有助于提供极高的数据速率。毫米波通信擅于支持高速率业务的短程应用，如miracast、虚拟现实(简称VR)和移动游戏等。除了信道带宽大之外，毫米波通信还具有波长较短、波束窄、路径长、路径损耗高、穿透损耗高、对信道阻塞敏感、对视距(line of sight，简称LoS)通信信道有很高的要求等特点。基于波束形成技术的视距通信信道的定向通信对于室外远程毫米波通信尤其必要。由于毫米波段的短波长，天线阵列结构可以嵌入到便携式设备中。毫米波系统的特殊性在给下一代通信带来挑战的同时也增加了机遇。

定向毫米波通信(The directional mmWave communication)是利用高增益定向天线或天线阵列产生定向波束来实现的，由于通信波束的覆盖范围有限，这在移动毫米波网络(mobile mmWave networks)中仍然具有挑战性。传统的波束追踪方法，如基于压缩感知的信道估计、基于卡尔曼滤波(Kalman filtering，简称KF)和基于最小均方(简称LMS)的波束追踪方法，都是在假设信道是静态的情况下，利用高开销波束训练来估计信道参数。但是在移动场景中，用户需要频繁地向基站更新自己的位置信息。在实际应用中，特别是在室内环境中，由于GPS信号有时不起作用，用户的位置信息很难得到。

发明内容

本发明的目的在于提供一种新的通信方法、设备及存储介质。

本发明的目的采用以下技术方案来实现。依据本发明提出的通信方法，包括以下步骤：接收用户端的当前时隙的通信信号；基于所述当前时隙的通信信号的参数得到特征向量；根据预先训练得到的机器学习模型，对所述特征向量进行处理以预测在下一时隙的所述用户端的移动；其中，所述当前时隙的通信信号的参数包括频谱信息、星座图和/或星座图误差向量幅度。

在一个较佳实施例中，所述机器学习模型的训练过程包括，基于训练数据的参数得到特征向量，并基于所述训练数据的特征向量来训练所述机器学习模型；所述训练数据的参数包括频谱信息、星座图和/或星座图误差向量幅度。

在一个较佳实施例中，所述星座图包括一个正方形区域以及所述正方形区域内的多个点，所述点位于理想中心的周围；以每个所述理想中心为中心将所述正方形区域划分为多个正方形子空间；

所述基于所述当前时隙的通信信号的参数得到特征向量以及所述基于训练数据的参数得到特征向量包括：在所述星座图的每个所述子空间选取一个或多个正方形覆盖区域；基于所述正方形覆盖区域所覆盖的所述点的信息，得到与所述星座图相对应的向量；以及，根据所述与所述星座图相对应的向量得到所述特征向量。