Methods and devices for data preprocessing for artificial intelligence and machine learning model in mobile communication system

Abstract

The present disclosure describes methods, system, and devices for data processing in a mobile communication system. The method includes receiving, by a base station, data cleaning requirement for preprocessing measurement data from a first node providing control functions; receiving, by the base station, reference signal from a user equipment (UE); obtaining, by the base station, measurement data based on the reference signal; preprocessing, by the base station, the measurement data to obtain the preprocessed measurement data according to the data cleaning requirement; and sending, by the base station, the preprocessed measurement data to a second node for next step processing.

Description

METHODS AND DEVICES FOR DATA PREPROCESSING FOR ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING MODEL IN MOBILE COMMUNICATION SYSTEMTECHNICAL FIELD

[0001] The present disclosure is directed generally to wireless communications. Particularly, the present disclosure relates to methods and devices for data preprocessing for data processing models (e.g., an artificial intelligence / machine learning (AI / ML) model) in a mobile communication system.BACKGROUND

[0002] Wireless technologies are moving the world toward an increasingly connected and networked society. High-speed and low-latency wireless communication system rely on efficient network resource management and allocation between user equipment and wireless access network nodes (including but not limited to base stations and / or core networks) . A new generation network is expected to provide various data services, in addition to conventional communication service, with high speed, low latency, and highly reliable capabilities, so as to fulfill requirements under various circumstances.

[0003] In some wireless communication systems, various data processing models / functions may be adopted to provide data prediction / inference efficiently, for example, artificial intelligence or machine learning (AI / ML) models / functions. There are some issues / problems associates with adopting these data processing models / functions by the wireless communication systems. For one non-limiting example, one issue / problem may be how to preprocess data set for these data processing models / functions so that the data processing models / functions may be trained efficiently and provide data predictions effectively.

[0004] The present disclosure describes various embodiments for data preprocessing for data processing models (e.g., an artificial intelligence / machine learning (AI / ML) model) in a mobile communication system, addressing at least one of the issues / problems discussed in the present disclosure, thus increasing efficiency of the data processing models, enabling future wireless communication system to provide improved performance on data preprocessing and data prediction to meet various demands of new generation wireless services in wireless communication systems.SUMMARY

[0005] This document relates to methods, systems, and devices for data preprocessing for data processing models (e.g., an artificial intelligence / machine learning (AI / ML) model) in a mobile communication system, which is beneficial to enhance efficiency and performance of data processing models, increase the telecommunication resource efficiency, and / or boost performance of the wireless data service via wireless communication.

[0006] In one embodiment, the present disclosure describes a method for data preprocessing in a wireless communication system. The method includes receiving, by a base station, data cleaning requirement for preprocessing measurement data from a first node providing control functions; receiving, by the base station, reference signal from a user equipment (UE) ; obtaining, by the base station, measurement data based on the reference signal; preprocessing, by the base station, the measurement data to obtain the preprocessed measurement data according to the data cleaning requirement; and sending, by the base station, the preprocessed measurement data to a second node for next step processing.

[0007] In some other embodiments, an apparatus for wireless data service via wireless communication may include a memory storing instructions and a processing circuitry in communication with the memory. When the processing circuitry executes the instructions, the processing circuitry is configured to carry out the above methods.

[0008] In some other embodiments, a device for wireless data service via wireless communication may include a memory storing instructions and a processing circuitry in communication with the memory. When the processing circuitry executes the instructions, the processing circuitry is configured to carry out the above methods.

[0009] In some other embodiments, a computer-readable medium comprising instructions which, when executed by a computer, cause the computer to carry out the above methods. The computer-readable medium may be a non-transitory computer-readable medium.

[0010] The above and other aspects and their implementations are described in greater detail in the drawings, the descriptions, and the claims.BRIEF DESCRIPTION OF THE DRAWINGS

[0011] FIG. 1 shows an example of a wireless communication system.

[0012] FIG. 2 shows an example of a network node.

[0013] FIG. 3 shows an example of a user equipment.

[0014] FIG. 4 shows a schematic diagram of various embodiments in the present disclosure.

[0015] FIG. 5A shows a schematic diagram of an exemplary embodiment in the present disclosure.

[0016] FIG. 5B shows a schematic diagram of another exemplary embodiment in the present disclosure.

[0017] FIG. 5C shows a schematic diagram of another exemplary embodiment in the present disclosure.

[0018] FIG. 5D shows a schematic diagram of another exemplary embodiment in the present disclosure.

[0019] FIG. 5E shows a schematic diagram of another exemplary embodiment in the present disclosure.

[0020] FIG. 6 shows a flow diagram of a method for data processing in a mobile communication system.

[0021] FIG. 7 shows another schematic diagram of various embodiments in the present disclosure.

[0022] FIG. 8 shows another schematic diagram of various embodiments in the present disclosure.DETAILED DESCRIPTION

[0023] The present disclosure will now be described in detail hereinafter with reference to the accompanied drawings, which form a part of the present disclosure, and which show, by way of illustration, specific examples of embodiments. Please note that the present disclosure may, however, be embodied in a variety of different forms and, therefore, the covered or claimed subject matter is intended to be construed as not being limited to any of the embodiments to be set forth below.

[0024] Throughout the specification and claims, terms may have nuanced meanings suggested or implied in context beyond an explicitly stated meaning. Likewise, the phrase “in one embodiment” or “in some embodiments” as used herein does not necessarily refer to the same embodiment and the phrase “in another embodiment” or “in other embodiments” as used herein does not necessarily refer to a different embodiment. The phrase “in one implementation” or “in some implementations” as used herein does not necessarily refer to the same implementation and the phrase “in another implementation” or “in other implementations” as used herein does not necessarily refer to a different implementation. It is intended, for example, that claimed subject matter includes combinations of exemplary embodiments or implementations in whole or in part.

[0025] In general, terminology may be understood at least in part from usage in context. For example,  terms, such as “and” , “or” , or “and / or, ” as used herein may include a variety of meanings that may depend at least in part upon the context in which such terms are used. Typically, “or” if used to associate a list, such as A, B or C, is intended to mean A, B, and C, here used in the inclusive sense, as well as A, B or C, here used in the exclusive sense. In addition, the term “one or more” or “at least one” as used herein, depending at least in part upon context, may be used to describe any feature, structure, or characteristic in a singular sense or may be used to describe combinations of features, structures or characteristics in a plural sense. Similarly, terms, such as “a” , “an” , or “the” , again, may be understood to convey a singular usage or to convey a plural usage, depending at least in part upon context. In addition, the term “based on” or “determined by” may be understood as not necessarily intended to convey an exclusive set of factors and may, instead, allow for existence of additional factors not necessarily expressly described, again, depending at least in part on context.

[0026] The present disclosure describes methods and devices for data preprocessing for data processing models (e.g., an artificial intelligence / machine learning (AI / ML) model) in a mobile communication system.

[0027] Wireless technologies are moving the world toward an increasingly connected and networked society. High-speed and low-latency wireless communication system rely on efficient network resource management and allocation between user equipment and wireless access network nodes (including but not limited to base stations and / or core networks) . New generation networks are expected to provide various data services, in addition to conventional communication service, with high speed, low latency, and highly reliable capabilities, so as to fulfill requirements under various circumstances.

[0028] In some wireless communication systems, various data processing models / functions may be adopted to provide data prediction / inference efficiently, for example, artificial intelligence or machine learning (AI / ML) models / functions. AI / ML model may be adopted for mobile communication system, e.g., 5G (the fifth generation) , 5G-A (5G-Advanced) and 6G (the sixth generation) . Data sets (or data in general) may be used for model training, interference, monitoring or other possible functionalities, methods, algorithms, configurations, procedures, capabilities and etc. There are some issues / problems associates with adopting these data processing models / functions by the wireless communication systems. For one non-limiting example, one issue / problem may be how to preprocess data set for these data processing models / functions so that the data processing models / functions may be trained efficiently and provide data predictions effectively.

[0029] In some implementations, AI, in general, may refer to (or include) devices, components, software, and modules that have self-learning, such as machine learning (ML) , deep learning, reinforcement learning, migration learning, deep reinforcement learning, and meta-learning. In some implementations, AI may be  implemented by using an artificial intelligence network (or referred to as a neural network) . The neural network includes multiple layers, and each layer includes at least one node. Typically, the neural network includes an input layer, an output layer, and at least one hidden layer. The neural network of each layer includes but is not limited to using at least one of a full connection layer, a dense layer, a convolutional layer, a transposed convolutional layer, a direct connection layer, an activation function, a normalization layer, a pooling layer. In some implementations, each layer of the neural network may include one sub-neural network, such as a Residual Network block (or Resnet block) , a dense network block (Densenet Block) , a cyclic network (e.g., Recurrent Neural Network (RNN) ) .

[0030] In some implementations the artificial intelligence network includes a neural network model and / or a neural network parameter corresponding to the neural network model. The neural network model may be referred to as a network model in short, and the neural network parameter may be referred to as a network parameter in short. A network model may define an architecture of a network such as a quantity of layers of a neural network, a size of each layer, an activation function, a link status, a convolution kernel and a convolution step of a size, a convolution type (for example, 1D convolution, 2D convolution, 3D convolution, hollow convolution, transposed convolution, divided convolution, packet convolution, or extended convolution) . A network parameter is a weight and / or an offset of a network of each layer in the network model and a value of the weight and / or the offset of the network of each layer in the network model. One network model may correspond to a plurality of different sets of neural network parameter values to adapt to different scenarios. The value of the network parameter may be obtained through offline training and / or online training. For example, the neural network parameter is obtained by training the neural network model by inputting at least one sample and a label.

[0031] In some wireless communication systems, AI / ML may be a promising enhancement direction for mobile communication system, e.g., 5G, 5G-A, 6G, and etc. With the introduction of AI / ML technology into the mobile communication system, the system operating efficiency is expected to be improved, e.g., reducing the overhead of reference signal via AI / ML inference and prediction, and / or enhancing the accuracy of terminal positioning. Various other possible benefits for adopting AI / ML into mobile communication system or completely merged into mobile communication system are expected as well.

[0032] In the present disclosure, “model” may be a general term to describe a device in mobile system being capable of doing a processing method, a functionality, a feature, or a feature group; and / or “model” may refer to functionality, function, functionality module, function module, processing method, information  processing method, implementation, feature, feature group, configuration, configuration set, dataset (e.g., for model training) or data-driven algorithms. In some implementations, for the communication system with AI / ML technology, AI / ML model is included / adopted.

[0033] The present disclosure describes various embodiments for data preprocessing for data processing models (e.g., an artificial intelligence / machine learning (AI / ML) model) in a mobile communication system, addressing at least one of the issues / problems discussed in the present disclosure, thus increasing efficiency of the data processing models, enabling future wireless communication system to provide improved performance on data preprocessing and data prediction to meet various demands of new generation wireless services in wireless communication systems.

[0034] FIG. 1 shows a wireless communication system 100 including a core network (CN) 110, a radio access network (RAN) 130, and one or more user equipments (UEs) (152, 154, and 156) . The RAN 130 may include one or more base stations. The base stations may include at least one evolved NodeB (eNB) for 4G Long Term Evolution (LTE) , or a Next generation NodeB (gNB) for 5G New Radio (NR) , or a NodeB for 6G, or any other type of signal transmitting / receiving device such as a UMTS NodeB. In one implementation, the core network 110 may include a 5G core network (5GC) , and the interface 125 may include a new generation (NG) interface. The core network 110 further includes at least one location management function (LMF) , and / or at least one session management function (SMF) , and / or at least one user plane function (UPF) and / or at least one access and mobility management Function (AMF) , and / or etc.

[0035] Referring to FIG. 1, a first UE 152 may receive one or more downlink communication 142 from the RAN 130 and send one or more uplink communication 141 to the RAN 130. Likewise, a second UE 154 may receive downlink communication 144 from the RAN 130 and send uplink communication 143 to the RAN 130; and a third UE 156 may receive downlink communication 146 from the RAN 130 and send uplink communication 145 to the RAN 130. For example but not limited to, a downlink communication may include a physical downlink (DL) shared channel (PDSCH) or a physical downlink control channel (PDCCH) , and a uplink (UL) communication may include a physical uplink shared channel (PUSCH) or a physical uplink control channel (PUCCH) .

[0036] FIG. 2 shows an example of electronic device 200 to implement one or more core network functions, one or more network nodes, or one or more base stations. The example electronic device 200 may include radio transmitting / receiving (Tx / Rx) circuitry 208 to transmit / receive communication with UEs and / or other base stations. The electronic device 200 may also include network interface circuitry 209 to communicate the base  station with other base stations and / or a core network, e.g., optical or wireline interconnects, Ethernet, and / or other data transmission mediums / protocols. The electronic device 200 may optionally include an input / output (I / O) interface 206 to communicate with an operator or the like.

[0037] The electronic device 200 may also include system circuitry 204. System circuitry 204 may include processor (s) 221 and / or memory 222. Memory 222 may include an operating system 224, instructions 226, and parameters 228. Instructions 226 may be configured for the one or more of the processors 124 to perform the functions of the network node. The parameters 228 may include parameters to support execution of the instructions 226. For example, parameters may include network protocol settings, bandwidth parameters, radio frequency mapping assignments, and / or other parameters.

[0038] FIG. 3 shows an example of an electronic device to implement a terminal device 300 (for example, user equipment (UE) ) . The UE 300 may be a mobile device, for example, a smart phone or a mobile communication module disposed in a vehicle. The UE 300 may include communication interfaces 302, a system circuitry 304, an input / output interfaces (I / O) 306, a display circuitry 308, and a storage 309. The display circuitry may include a user interface 310. The system circuitry 304 may include any combination of hardware, software, firmware, or other logic / circuitry. The system circuitry 304 may be implemented, for example, with one or more systems on a chip (SoC) , application specific integrated circuits (ASIC) , discrete analog and digital circuits, and other circuitry. The system circuitry 304 may be a part of the implementation of any desired functionality in the UE 300. In that regard, the system circuitry 304 may include logic that facilitates, as examples, decoding and playing music and video, e.g., MP3, MP4, MPEG, AVI, FLAC, AC3, or WAV decoding and playback; running applications; accepting user inputs; saving and retrieving application data; establishing, maintaining, and terminating cellular phone calls or data connections for, as one example, internet connectivity; establishing, maintaining, and terminating wireless network connections, Bluetooth connections, or other connections; and displaying relevant information on the user interface 310. The user interface 310 and the inputs / output (I / O) interfaces 306 may include a graphical user interface, touch sensitive display, haptic feedback or other haptic output, voice or facial recognition inputs, buttons, switches, speakers and other user interface elements. Additional examples of the I / O interfaces 306 may include microphones, video and still image cameras, temperature sensors, vibration sensors, rotation and orientation sensors, headset and microphone input  / output jacks, Universal Serial Bus (USB) connectors, memory card slots, radiation sensors (e.g., IR sensors) , and other types of inputs.

[0039] Referring to FIG. 3, the communication interfaces 302 may include a Radio Frequency (RF)  transmit (Tx) and receive (Rx) circuitry 316 which handles transmission and reception of signals through one or more antennas 314. The communication interface 302 may include one or more transceivers. The transceivers may be wireless transceivers that include modulation  / demodulation circuitry, digital to analog converters (DACs) , shaping tables, analog to digital converters (ADCs) , filters, waveform shapers, filters, pre-amplifiers, power amplifiers and / or other logic for transmitting and receiving through one or more antennas, or (for some devices) through a physical (e.g., wireline) medium. The transmitted and received signals may adhere to any of a diverse array of formats, protocols, modulations (e.g., QPSK, 16-QAM, 64-QAM, or 256-QAM) , frequency channels, bit rates, and encodings. As one specific example, the communication interfaces 302 may include transceivers that support transmission and reception under the 2G, 3G, BT, WiFi, Universal Mobile Telecommunications System (UMTS) , High Speed Packet Access (HSPA) +, 4G  / Long Term Evolution (LTE) , 5G standards, and / or 6G or any future standards. The techniques described below, however, are applicable to other wireless communications technologies whether arising from the 3rd Generation Partnership Project (3GPP) , GSM Association, 3GPP2, IEEE, or other partnerships or standards bodies.

[0040] Referring to FIG. 3, the system circuitry 304 may include one or more processors 321 and memories 322. The memory 322 stores, for example, an operating system 324, instructions 326, and parameters 328. The processor 321 is configured to execute the instructions 326 to carry out desired functionality for the UE 300. The parameters 328 may provide and specify configuration and operating options for the instructions 326. The memory 322 may also store any BT, WiFi, 3G, 4G, 5G, 6G, or other data that the UE 300 may send, or has received, through the communication interfaces 302. In various implementations, a system power for the UE 300 may be supplied by a power storage device, such as a battery or a transformer.

[0041] The present disclosure describes various embodiments for data preprocessing for data processing models (e.g., an artificial intelligence / machine learning (AI / ML) model) in a mobile communication system, which may be implemented, partly or totally, by the core network function, network base station, and / or the user equipment described above in FIGs. 2-3. The various embodiments in the present disclosure may increase efficiency of data processing models, enabling future wireless communication system to provide improved performance on data preprocessing and data prediction to meet various demands of new generation wireless services in wireless communication systems.

[0042] In some implementations, FIG. 4 shows an exemplary schematic for a basic AI / ML framework used in communication systems. The general framework may include a portion or all of the following: a data collection 410, a model training 420, a management 430, an inference 440, and / or a model storage 450.

[0043] In some implementations, the data collection is a function that provides input data to other part of the framework, e.g., the model training, the management, and the inference functions. Data needed as input for the AI / ML model training function is / includes training data. Data needed as input for the management of AI / ML models or AI / ML functionalities is / includes monitoring data. Data needed as input for the AI / ML inference function is / includes inference data. Data collection is responsible for data preparation (e.g., data pre-processing and cleaning, formatting, and transformation) . In some implementations, a data generation function may be the pre-function before the data collection in some devices and may provide the measurement data or other data to the data collection.

[0044] In some implementations, the model training is a function that performs AI / ML model training, validation, and testing. The model training function may also be responsible for data pre-processing and cleaning, formatting, and transformation based on training data delivered by the data collection function when the above data preparation work is not done in the data collection function. Trained, validated, and tested AI / ML models is delivered to the model storage function.

[0045] In some implementations, the management is a function that oversees the operation (e.g., selection /  (de) activation / switching / fallback) and monitoring (e.g., performance) of AI / ML models or AI / ML functionalities. This function is also responsible for making decisions to ensure the proper inference operation based on data received from the data collection function and the inference function. Management instructions may include the information needed as input to manage the inference function. Model transfer / delivery request may be used to request model (s) to the model storage function. Performance feedback  / retraining request includes the information needed as input for the model training function, e.g., for model (re) training or updating purposes.

[0046] In some implementations, the inference is a function that provides outputs from the process of applying AI / ML models or AI / ML functionalities, using the data that is provided by the data collection function (i.e., inference data) as an input. The inference function is also responsible for data preparation (e.g., data pre-processing and cleaning, formatting, and transformation) based on inference data delivered by a data collection function, when the above data preparation work is not done in the data collection function. Inference output is the final output of the whole AI / ML model or functionality to be used for other parts in mobile system. The output data can also be internally used by the management function to monitor the performance of AI / ML models or AI / ML functionalities.

[0047] In some implementations, the model storage is a function responsible for storing trained / updated models that can be used to perform the inference function.

[0048] In some implementations, a data cleaning is a process of preparing data analysis by modifying, adding, or deleting data. This process is also referred to as data preprocessing. The quality of the data after pre-processing may directly affect all the conclusions and opinions obtained from the data or the trained model. Most real-life data has many places to be preprocessed, such as missing values, non-informative features, and so that the data may always need to be cleaned before being used to achieve the best results. In some implementations, the typical preprocessing ways / means include handling missing values, encoding categorical features, outliers detection, and transformations etc.

[0049] In some implementations, considering the framework of AI / ML used in communication system, after the data generation, the data cleaning is better to be handled in the data collection function. The data after cleaning may be used as input to functions of the model training, interference, and / or management. In some implementations, alternatively, the data cleaning may also be separately located in the functions of the model training, interference, and / or management when the data collection function doesn’t provide the data after cleaning. In some implementations, the data cleaning may also be located in the function of data generation which is before the data collection function.

[0050] In some implementations for mobile communication systems, the mostly data for training, inference, management is from the measurement in base station (BS) or user equipment (UE) , for example, received signal strength indicator (RSSI) , reference signal received power (RSRP) , reference signal received quality (RSRQ) , signal interference noise ratio (SINR) , and etc., some may come from the personality data of the device in mobile system, for example, the location information of the UE. Other data sources are not precluded. The measurement results may be generated in generation function or be directly forwarded for data collection and cleaned before training, inference and management. When the measurements occur in the BS or UE, the data cleaning is highly handled in the BS or UE correspondingly together with measurements, data generation or data collection. When the training, inference or management also occur in the BS or UE, basically, it can be confirmed that the data cleaning is handled in the BS or UE with data generation, data collection, training, inference or management. When training, inference or management doesn’t occur in the BS or UE but in the other device, e.g., the core network (CN) , OAM (operations, administration, and maintenance) , it is possible that data cleaning may be handled in the above other devices. In some implementations, the PRU (positioning reference unit) is kind of special UE which has all the function of normal UE with known position. In the below description, the UE term  may replace by (or include) the PRU.

[0051] Various embodiments / implementations in the present disclosure may use position / location as non-limiting examples, and may be applicable to other physical or environmental parameters.

[0052] In some implementations, the AI / ML is intended to enhance the accuracy of UE positioning. Depending on the device with model training / inference, whether the directed or assisted mode of positioning, and the device of output of UE final location, the AI / ML positioning can be described as a portion or all of the following cases. The new entity, location management function (LMF) , is central in the 5G positioning architecture. The core network may include the LMF, which receives measurements and assistance information from a base station (BS) (e.g., a next generation radio access network (NG-RAN) node) and / or the mobile device (or user equipment (UE) ) to compute the position of the UE. In some implementations, the communication to / from LMF may be via an access and mobility management function (AMF) over the NLs interface.

[0053] One case (Case 1) , referring to FIG. 5A, includes UE-based positioning with UE-side model, direct AI / ML or AI / ML assisted positioning for model training 510 and / or model inference 515. Another case (Case 2) , referring to FIG. 5B, includes UE-assisted / LMF-based positioning with UE-side model, AI / ML assisted positioning for model training 520 and / or model inference 525. Another case (Case 3) , referring to FIG. 5C, includes UE-assisted / LMF-based positioning with LMF-side model, direct AI / ML positioning for model training 530 and / or model inference 535. Another case (Case 4) , referring to FIG. 5D, includes a NG-RAN node assisted positioning with gNB-side model, AI / ML assisted positioning for model training 540 and / or model inference 545. Another case (Case 5) , referring to FIG. 5E, includes a NG-RAN node assisted positioning with LMF-side model, direct AI / ML positioning for model training 550 and / or model inference 555.

[0054] In some implementations, for example in Case 2, the AI / ML model is located in the UE, the final position information is from LMF, and / or the mode of positioning is assisted mode, i.e., the model in the UE assists the final calculation and output from LMF. For another example in Case 5, the AI / ML model is located in the LMF, and the device is same with the device for final calculation and output of position information, and the mode of positioning is assisted mode, i.e., the measurements from the BS (e.g., NG-RAN) assist the positioning processing.

[0055] In various embodiments, the AI / ML may be adopted for beam management, wherein the main purposes are intended to predict the spatial-domain downlink (DL) beam or temporal DL beam. The data cleaning or data preprocessing is also needed for AI / ML technology for beam management.

[0056] In various embodiments for data cleaning for AI positioning, separate embodiments are provided based on whether the data cleaning is handled in a UE, a BS or other device (e.g., LMF) . In some implementations, as the intentions of the functions of training, interference and monitoring are different, the rules of the data preprocessing or data cleaning may be different, and / or the rules may be individually defined and configured.

[0057] Referring to FIG. 6, the present disclosure describes various embodiments of a method 600 for data preprocessing in a wireless communication system. The method 600 may include a portion or all of the following: step 610, receiving, by a base station, data cleaning requirement for preprocessing measurement data from a first node providing control functions; step 620, receiving, by the base station, reference signal from a user equipment (UE) ; step 630, obtaining, by the base station, measurement data based on the reference signal; step 640, preprocessing, by the base station, the measurement data to obtain the preprocessed measurement data according to the data cleaning requirement; and / or step 650 sending, by the base station, the preprocessed measurement data to a second node for next step processing. In some implementations, taking an AI / ML model as example, the next step processing may include training and / or predicting, and / or the second node includes the AI / ML model.

[0058] In some implementations, in addition to a portion, an entire, or any combination of other implementation (s)  / embodiment (s) described in the present disclosure, the measurement data comprises at least one of the following categories: time domain measurement, power domain measurement, and phase domain measurement; and / or the measurement data comprises at least one of the following types: uplink relative time of arrival (UL RTOA) , timing advance, base station receiving-transmitting (Rx-Tx) time difference, uplink sounding reference signal reference signal received power (UL SRS-RSRP) , uplink sounding reference signal reference signal received path power (UL SRS-RSRPP) , uplink angle of arrival (UL AOA) , uplink reference signal carrier phase (UL RSCP) , channel impulse response (CIR) , power delay profile (PDP) , and / or delay profile (DP) .

[0059] In some implementations, in addition to a portion, an entire, or any combination of other implementation (s)  / embodiment (s) described in the present disclosure, the data cleaning requirement comprises at least one threshold for a type of the measurement data; and / or the reference signal from the UE comprises a sounding reference signal (SRS) .

[0060] In some implementations, in addition to a portion, an entire, or any combination of other implementation (s)  / embodiment (s) described in the present disclosure, the at least one threshold comprises at  least one relative threshold; and / or the at least one threshold comprises at least one absolute threshold.

[0061] In some implementations, in addition to a portion, an entire, or any combination of other implementation (s)  / embodiment (s) described in the present disclosure, the relative threshold is intended to select the largest ones according to the power of paths, or to set the relative threshold as a ratio.

[0062] In some implementations, in addition to a portion, an entire, or any combination of other implementation (s)  / embodiment (s) described in the present disclosure, the threshold is set to the other data which the other data and the data to be collected are corresponding to the same time instance.

[0063] In some implementations, in addition to a portion, an entire, or any combination of other implementation (s)  / embodiment (s) described in the present disclosure, the at least one threshold corresponds to at least one category for the measurement data.

[0064] In some implementations, in addition to a portion, an entire, or any combination of other implementation (s)  / embodiment (s) described in the present disclosure, the first node providing control functions is one of the following: the base station or the CN.

[0065] In some implementations, in addition to a portion, an entire, or any combination of other implementation (s)  / embodiment (s) described in the present disclosure, the base station obtains label information corresponding to the measurement data or other information. In some implementations, the other information may be the UE (actual) position.

[0066] In some implementations, in addition to a portion, an entire, or any combination of other implementation (s)  / embodiment (s) described in the present disclosure, the base station preprocesses the measurement data to obtain the preprocessed measurement data according to the data cleaning requirement; and / or the second node is a location management function (LMF) in the core network.

[0067] In some implementations, in addition to a portion, an entire, or any combination of other implementation (s)  / embodiment (s) described in the present disclosure, the LMF obtains label information corresponding to the measurement data or report from the UE; and / or the LMF performs the next step processing based on the label information and the preprocessed measurement data.

[0068] In some implementations, in addition to a portion, an entire, or any combination of other implementation (s)  / embodiment (s) described in the present disclosure, the LMF infers prediction based on the preprocessed measurement data.

[0069] The present disclosure describes various exemplary embodiments for data preprocessing for data processing models (e.g., an artificial intelligence / machine learning (AI / ML) model) in a mobile communication system. Any steps and / or operations in one same embodiment and / or implementation or more than one different embodiments / implementation in the present disclosure may be combined or arranged in any amount or order, as desired. Two or more of the steps and / or operations may be performed in parallel. Embodiments and implementations in the disclosure may be used separately or combined in any order. Further, each of the methods (or embodiments) may be implemented by processing circuitry (e.g., one or more processors or one or more integrated circuits) .

[0070] Embodiment Set I

[0071] The present disclosure describes various embodiments of another method for data preprocessing in a wireless communication system. The method may include a portion or all of the following: receiving, by a user equipment (UE) , data cleaning requirement for preprocessing measurement data from a first node providing control functions; receiving, by the UE, positioning reference signal (PRS) from a base station; obtaining, by the UE, measurement data based on the reference signal; preprocessing, by the UE, the measurement data to obtain the preprocessed measurement data according to the data cleaning requirement; and / or sending, by and within the UE, the preprocessed measurement data to a second node for next step processing. In some implementations, taking an AI / ML model as example, the next step processing may include training and / or predicting. In some implementations, the first node providing control functions is one of the following: the base station or the CN. In some implementations, the second node is within the UE or is a location management function (LMF) in the core network, and the second node includes an AI / ML model.

[0072] In various embodiments for Case 1, Case 2, and / or Case 3, data collection is located in the UE. The generated data are from the measurements in the UE, including one, some, or all of the following: DL reference signal time difference (DL RSTD) , UE Rx –Tx time difference, DL reference signal received power (DL RSRP) (for example, DL positioning reference signal reference signal received power (DL PRS RSRP) or other signal RSRP) , DL reference signal received quality (DL RSRQ) , DL received signal strength indicator (DL RSSI) , signal-to-noise and interference ratio (SINR) , DL PRS reference signal received path power (DL PRS-RSRPP) , DL-AOD (Angle-of-Departure) , DL reference signal carrier phase (DL RSCP) , channel impulse response (CIR) , power delay profile (PDP) , and / or delay profile (DP) .

[0073] DL RSTD: DL reference signal time difference is the DL relative timing difference between the Transmission Point (TP) j and the reference TP i.

[0074] UE Rx –Tx time difference: defined as TUE-RX –TUE-TX, TUE-RX is the UE received timing of downlink subframe #i from a Transmission Point (TP) , defined by the first detected path in time. TUE-TX is the UE transmit timing of uplink subframe #j that is closest in time to the subframe #i received from the TP.

[0075] DL PRS RSRP: DL PRS reference signal received power.

[0076] DL RSRQ: DL reference signal received quality is defined as the ratio of N×RSRP to RSSI.

[0077] RSSI: Received Signal Strength Indicator, comprises the linear average of the total received power (in [W] ) observed only per configured OFDM symbol and in the measurement bandwidth.

[0078] SINR: signal-to-noise and interference ratio (SINR) , is defined as the linear average over the power contribution (in [W] ) of the resource elements divided by the linear average of the noise and interference power contribution (in [W] ) .

[0079] DL PRS-RSRPP: DL PRS reference signal received path power (DL PRS-RSRPP) , is defined as the power of the linear average of the channel response at the i-th path delay of the resource elements that carry DL PRS signal configured for the measurement, where DL PRS-RSRPP for the 1st path delay is the power contribution corresponding to the first detected path in time.

[0080] DL AOD: Downlink Angle-of-Departure.

[0081] DL RSCP: DL reference signal carrier phase (RSCP) is defined as the phase of the channel response at the 1st path delay derived from the resource elements carrying DL PRS configured for the measurement.

[0082] CIR: channel impulse response, the description of channel multipath, composed of a list of measurements about delay, power and phase on multiple samples.

[0083] PDP: power delay profile, also the description of channel multipath, composed of a list of measurements about delay and power on multiple samples.

[0084] DP: delay profile, composed of a list of measurements about delay and power on multiple samples.

[0085] In some implementations, the above measurements may be classified as time domain, power domain and phase domain. The time domain measurements include DL RSTD, UE Rx –Tx time difference, delay in CIR / PDP / DP, wherein the unit is second (s) , millisecond (ms) , microsecond (us) , nanosecond (ns) , or other time unit. The power domain measurements include DL RSRP, DL RSRQ, DL RSSI, SINR, DL PRS-RSRPP and power in CIR / PDP, wherein the unit is watt (W) for power or the ratio between two power  measurements (e.g., expressed in dB) . The phase / angel domain measurement includes phase in DL RSCP, CIR, or the angel in DL AOD, wherein the unit is degree.

[0086] In some implementations, the generated data in the UE may also come from the personality data of the device, for example, the relative or absolute location information of the UE. Although the location information is generated in the UE, the information may also be applied to Case 4 and / or Case 5 as the ground truth label for model training or monitoring.

[0087] In some implementations, the data cleaning or data preprocessing may handle data deduplication, missing values, error data, noise, outliers detection, and transformations etc.

[0088] In some implementations for a mobile system, the data cleaning is expected to be a real time processing as at least the function of interference or monitoring is required very low latency for data preparation. It means the data cleaning should be the automated cleaning but not with manual processing.

[0089] In some implementations, the data with duplication, error or outlier and the noise data may be detected and be omitted based on some rules. The rules of detection is firstly to set the thresholds or upper  / lower boundaries for the values of data, and then data with value in the reasonable range according to the thresholds or upper  / lower boundaries are selected automatically as the next step input or intermediate data (need more preprocessing) for training, interference or monitoring. And the data with value out of the reasonable range will be omitted automatically.

[0090] In some implementations for time domain measurements, when the DL RSTD is applied, the thresholds or upper  / lower boundaries are the minimal time difference or the maximum time difference. The minimal time difference means the UE may located just in middle of two base stations and the received power from the two communicated base station is very lower and the path quality is not credible. The maximum time difference means the UE may located just under the signal tower of one base stations, and path from other base station is very weak which may negatively affect the location accuracy. The two kinds of measurements which less than minimal time difference or larger than maximum time difference is better to be omitted.

[0091] In some implementations for power domain measurements, the very weak power for the reference power is not useful for the positioning / location algorithms, or may deteriorate the performance of positioning. The data with value less than the threshold of power may be regarded as noise and be discarded. This principle is also be used for the ratio result from the measurements and the threshold for the ratio is also be configured or indicated.

[0092] In some implementations for phase / angel domain measurements, the special threshold to be set as any degree is possible to preclude the impossible angel and phase.

[0093] In some implementations, the omitting rules for time domain measurements, power domain measurements, phase domain measurements may be used crosswise as the data set may include multiple dimensions measurements, e.g., the CIR includes three dimensions measurements on time (delay) , power and phase. Only the data with values on all dimensions are satisfied in the scope based on the configured or indicated thresholds or upper  / lower boundaries can be chosen for next step processing and the data with values on any dimension are not satisfied in the scope will be omitted.

[0094] FIG. 7 shows a non-limiting example on how to clean the data, wherein the X axis is for time and Y axis is for power, and curve with two dimensions illustrate the measurements of CIR / PDP / DP. The solid arrow columns and dashed arrow columns are the samples of measurement result on reference signal resources element, which may also be called path from concept of channel impulse response. Typically, the number of the samples is 128, 256.

[0095] In some implementations, there may be two possible thresholds on time domain and power domain. Firstly a time threshold (710) may be used to omit or preclude the paths outside (right part of) the threshold, because it is obviously the path delay is exceeding the possible value calculated from the cell radius. Secondly a power threshold (720) may be used to omit or preclude the paths when the power of path is lower than threshold of power as the power is too low to help the positioning algorithm, even would harm the accuracy of positioning. The information of all the paths satisfied with the threshold will be reported to the next function. These thresholds are absolute values with the same unit of the time / power.

[0096] In some implementations, an envelope derived from all the samples are randomized due to the actual wireless channel, the omission of the paths is not regular. It means the number of selected paths is variable, and the size of report is variable which cause the overhead is not fixed. Then quality of service (QoS) of signaling is hard to guarantee. One possible way is to set the path power of the omitted path as zero to keep the number of the total report samples as fixed.

[0097] In some implementations, on the other hand, relative threshold may be used. One possible threshold is intended to select the largest ones according to the power of paths, for example, the largest 16, 32, or 64 paths among the 128 or 256 samples; or to set the relative threshold as a ratio e.g., -30dB compared with the highest power in all the paths to select the paths. The relative threshold may be easy to be determined and also beneficial  for the reduction of overhead of signaling.

[0098] Another non-limiting example may be based on the measurement other than CIR / PDP / DP, e.g., they may be the traditional time domain measurements including DL RSTD, UE Rx –Tx time difference, the power domain measurements including DL RSRP, DL RSRQ, DL RSSI, SINR, DL PRS-RSRPP or the angel domain measurement including DL RSCP, DL AOD.

[0099] In some implementations, a principle of absolute or relative threshold may also be applied to the data cleaning based on DL RSTD, UE Rx –Tx time difference, DL RSRP, DL RSRQ, DL RSSI, SINR, DL PRS-RSRPP as they have the similar features on time domain and power domain. For example, the DL RSTD, UE Rx –Tx time difference are the measurements on time which is similar with path delay. DL RSRP, DL RSRQ, DL RSSI, SINR are the measurements on power which is similar with power of paths. DL RSCP, DL AOD are the measurements on phase / angel which is similar with phase of paths.

[0100] In some implementations, there is no limitation that the threshold should be only set to the data to be collected. One example, when DL RSTD is intended to be collected and should be cleaned before training, inference or monitoring, the threshold could be set to the DL RSRP measurements which the DL RSRP and DL RSTD measurements are corresponding to the same time instance.

[0101] In some implementations, one threshold may be applied to a first measurement type for data preprocessing purpose, and a second measurement type may be used to feed into the model, wherein the first measurement type is associated with the second measurement type for a same data set. For example, for a data set, the first measurement type is in time domain and the second measurement type is in power domain.

[0102] The measurements mentioned above are related to time domain, power domain, or phase / angel domain. But as the time domain measurement and frequency domain measurement can also be easily bi-directionally converted through algorithms like discrete Fourier transform (DFT) or inverted / inverse discrete Fourier transform (IDFT) , the data from frequency domain measurement can also be cleaned based on the threshold in frequency domain.

[0103] FIG. 8 shows the basic protocol structure or procedure for data cleaning. Firstly, a control node 820 sends a data cleaning requirement to a data collection node (or the other function node) 830 for data cleaning. The requirement for data cleaning may include the absolute or relative threshold mentioned above. Secondly, the data collection node receives measurement result from a measurement node 840, and preform data cleaning according to the requirement. After data cleaning, the data is reported to the function nodes of  training / management (monitoring)  / inference node 810 for further handling.

[0104] In some implementations for Case 1, the UE positioning result may be directly derived from the model in the UE. All the nodes except the control node in FIG. 8 may be implemented in the UE internally. The control node may exist in the base station, the core network, the OAM, or other devices. The data cleaning requirement indication / configuration may depend on the radio resource control (RRC) signaling from the network to the UE. The data report after data cleaning may be the UE internal behavior.

[0105] In some implementations for Case 2, the UE positioning result may be derived from a LMF device and the model in the UE assists the LMF to derive the result. As the model is in the UE, the data collection node, measurement, training and inference node may be all in the UE. The management node is very likely in the UE, or in the base station or in the LMF. Like Case 1, the control node may exist in the base station, the core network, the OAM, or other devices. The data cleaning requirement indication / configuration and detailed information elements are also similar with Case 1. The data report after data cleaning is also UE internal behavior.

[0106] In some implementations for Case 3, the UE positioning result may be directly derived from the LMF device and the model is also in the LMF. The data collection node and measurement may be in the UE, training, management and inference node are in the LMF. Like Case 1 and / or Case 2, the control node may exist in the base station, the core network, the OAM, or other devices. The data cleaning requirement indication / configuration and detailed information elements are also similar with Case 1 and / or Case 2. The data report after data cleaning is from the UE to the LMF.

[0107] In some implementations, the information elements may include at least one of the below alternative parameters when measurements are CIR / PDP / DP: path-delay threshold, time-delay threshold; path-power threshold, path-profile threshold; a number of paths reported with the largest power; relative power threshold of paths; and / or other possible assistant parameters.

[0108] In some implementations, besides CIR / PDP / DP, when measurements are time domain measurements including DL RSTD, UE Rx –Tx time difference or the power domain measurements including DL RSRP, DL RSRQ, DL RSSI, SINR, DL PRS-RSRPP or the phase angel domain measurement including DL RSCP / DL AOD, the related information elements may include at least one of the below alternative parameters: DL RSTD threshold; UE Rx –Tx time difference threshold; DL RSRP threshold; DL RSRQ threshold; DL RSSI threshold; SINR threshold; DL PRS-RSRPP threshold; DL RSCP threshold; DL AOD threshold; and / or other possible assistant parameters.

[0109] Embodiment Set II

[0110] The present disclosure describes various embodiments of another method for data preprocessing in a wireless communication system. The method may include a portion or all of the following: receiving, by a base station, data cleaning requirement for preprocessing measurement data from a first node providing control functions; receiving, by the base station, reference signal from a user equipment (UE) ; obtaining, by the base station, measurement data based on the reference signal; preprocessing, by the base station, the measurement data to obtain the preprocessed measurement data according to the data cleaning requirement; and / or sending, by the base station, the preprocessed measurement data to a second node for next step processing. In some implementations, taking an AI / ML model as example, the next step processing may include training and / or predicting, and / or the second node includes the AI / ML model.

[0111] In various embodiments for Case 4 and / or Case 5, data collection may be located in a base station. The generated data are typical from the measurements in the base station such as: uplink (UL) relative time of arrival (UL RTOA) , Timing advance (TADV) , base station Rx-Tx time difference, UL sounding reference signal (SRS) reference signal received power (UL SRS-RSRP) , UL SRS reference signal received path power (UL SRS-RSRPP) , UL angle of arrival (UL AoA) , UL reference signal carrier phase (UL RSCP) , channel impulse response (CIR) , power delay profile (PDP) , and / or delay profile (DP) .

[0112] UL RTOA: The UL Relative Time of Arrival (TUL-RTOA) is the beginning of subframe i containing SRS received in Reception Point (RP) j, relative to the RTOA Reference Time.

[0113] Timing advance: Timing advance (TADV) is defined as the time difference TADV = (TgNB-RX –TgNB-TX) .

[0114] Base station Rx-Tx Time Difference: defined as TgNB-RX –TgNB-TX, TgNB-RX is the Transmission and Reception Point (TRP) received timing of uplink subframe #i containing SRS associated with UE, defined by the first detected path in time. TgNB-TX is the TRP transmit timing of downlink subframe #j that is closest in time to the subframe #i received from the UE.

[0115] UL SRS-RSRP: UL SRS reference signal received power (UL SRS-RSRP) is defined as linear average of the power contributions (in [W] ) of the resource elements carrying sounding reference signals (SRS) .

[0116] UL SRS-RSRPP: UL SRS reference signal received path power (UL SRS-RSRPP) is defined as the power of the linear average of the channel response at the i-th path delay of the resource elements that carry the  received UL SRS signal configured for the measurement, where UL SRS-RSRPP for 1st path delay is the power contribution corresponding to the first detected path in time.

[0117] UL AOA: UL Angle of Arrival (UL AoA) is defined as the estimated azimuth angle (A-AoA) and vertical angle (Z-AoA) of a UE with respect to a reference direction.

[0118] RSCP: UL reference signal carrier phase (RSCP) is defined as the phase of the channel response at the 1st path delay derived from the resource elements carrying sounding reference signals (SRS) configured for the measurement.

[0119] CIR: channel impulse response, the description of channel multipath, composed of a list of measurements about delay, power and phase on multiple samples.

[0120] PDP: power delay profile, also the description of channel multipath, composed of a list of measurements about delay and power on multiple samples.

[0121] DP: delay profile, composed of a list of measurements about delay and power on multiple samples.

[0122] In some implementations, the above measurements may also be classified as time domain, power domain and phase domain. The time domain measurements include UL RTOA, Timing advance, Base station Rx-Tx time difference, delay in CIR / PDP / DP, wherein the unit is s, ms, us, ns, or other time unit. The power domain measurements include UL SRS-RSRP, UL SRS-RSRPP and power of path in CIR / PDP, wherein the unit is watt (W) for power or the ratio (e.g., dB) between two power measurements. The phase domain measurement includes phase in UL RSCP, CIR and angel in UL AOA, wherein the unit is degree.

[0123] In some implementations, the data cleaning or data preprocessing may handle data deduplication, missing values, error data, noise, outliers detection, and transformations etc.

[0124] In some implementations, for a mobile system, the data cleaning is expected to be a real time processing as at least the function of interference or monitoring is required very low latency for data preparation. It means the data cleaning should be the automated cleaning but not with manual processing.

[0125] In some implementations, the data with duplication, error or outlier and the noise data may be detected and be omitted based on some rules. The rules of detection is firstly to set the thresholds or upper  / lower boundaries for the values of data, and then data with value in the reasonable range according to the thresholds or upper  / lower boundaries are selected automatically as the next step input or intermediate data (need more preprocessing) for training, interference or monitoring. And the data with value out of the reasonable  range will be omitted automatically.

[0126] In some implementations for time domain measurements, for example, when the UL RTOA is applied, the thresholds or upper  / lower boundaries are the minimal time or the maximum time. The minimal time means the UE may located just under the signal tower of one base stations and paths to other base stations are very weak which may negatively affect the location accuracy. The maximum time means the UE may located far away the signal tower of one base stations, and the received power on the two communicated base station is also very lower and the path quality is not credible. The two kinds of measurements which is less than minimal time or larger than maximum time is better to be omitted.

[0127] In some implementations for power domain measurements, the very weak power for the SRS power, such as UL SRS-RSRP, UL SRS-RSRPP is not useful for the positioning / location algorithms, or may deteriorate the performance of positioning. The data with value less than the threshold of power should be regarded as noise and be discarded. This principle is also be used for the ratio result from the measurements and the threshold for the ratio is also be configured or indicated.

[0128] In some implementations for phase / angel domain measurements, the special threshold to be set as any degree is possible to preclude the impossible angel and phase.

[0129] In some implementations, the omitting rules for time domain measurements, power domain measurements, phase / angel domain measurements may be used crosswise as the data set may include multiple dimensions measurements, e.g., the CIR includes three dimensions measurements on time (delay) , power and phase. Only the data with values on all dimensions are satisfied in the scope based on the configured or indicated thresholds or upper  / lower boundaries can be chosen for next step processing and the data with values on any dimension are not satisfied in the scope will be omitted.

[0130] In some implementations, FIG. 7 may also be used to illuminate the data cleaning from measurement on base station. In some implementations, two possible thresholds may be used on time domain and power domain. Firstly, a time threshold may omit or preclude the paths outside (right part) the threshold as it is obviously the path delay is exceeding the possible value calculated from the cell radius. Secondly a power threshold may omit or preclude the paths when the power of path is lower than threshold of power as the power is too low to help the positioning algorithm, even would harm the accuracy of positioning. The information of all the paths satisfied with the threshold will be reported to the next function. These thresholds are absolute values with the same unit of the time / power.

[0131] In some implementations, an envelope derived from all the samples may be randomized due to the actual wireless channel, the omission of the paths is not regular. It means the number of selected paths is variable, and the size of report is variable which cause the overhead is not fixed. Then the QoS of signaling is hard to guarantee. One possible way is to set the path power of the omitted path as zero to keep the number of the total report samples as fixed.

[0132] In some implementations, on the other hand, relative threshold may also be used. One possible threshold is intended to select the largest ones according to the power of paths, for example, the largest 16, 32, or 64 paths among the 128 or 256 samples; or to set the relative threshold as a ratio e.g., -30dB compared with the highest power in all the paths to select the paths. The relative threshold is easy to be determined and also beneficial for the reduction of overhead of signaling.

[0133] Another non-limiting example may be based on the measurement other than CIR / PDP / DP, e.g., they may be the traditional time domain measurements including UL RTOA, Timing advance, Base station Rx-Tx Time Difference, the power domain measurements including UL SRS-RSRP, UL SRS-RSRPP or the phase / angel domain measurement including UL RSCP, UL AOA.

[0134] In some implementations, a principle of absolute or relative threshold can also be applied to the data cleaning based on UL RTOA, Timing advance, Base station Rx-Tx Time Difference, UL SRS-RSRP, UL SRS-RSRPP as they have the similar features on time domain and power domain. For example, the UL RTOA, Timing advance, Base station Rx-Tx Time Difference are the measurements on time which is similar with path delay. UL SRS-RSRP and UL SRS-RSRPP are the measurements on power which is similar with power of paths. UL RSCP and UL AOA are the measurements on phase / angel which is similar with phase of paths.

[0135] In some implementations, there is no limitation that the threshold should be only set to the data to be collected. One example, when the UL RTOA is intended to be collected and should be cleaned before training, inference or monitoring, the threshold could be set to the UL SRS-RSRP measurements which the UL SRS-RSRP and UL RTOA measurements are corresponding to the same time instance.

[0136] In some implementations, the measurements mentioned above are related to time domain, power domain, or phase / angel domain. But as the time domain measurement and frequency domain measurement can also be easily bi-directionally converted through algorithms like DFT / IDFT, the data from frequency domain measurement can also be cleaned based on the threshold in frequency domain.

[0137] In some implementations, FIG. 8 may also be used to explain the basic protocol structure or  procedure for data cleaning in base station. Firstly, the control node sends the data cleaning requirement to the data collection node or the other function node with data cleaning, the requirement for data cleaning may include the absolute or relative threshold mentioned above. Secondly the data collection node receives the measurement result and do data cleaning according to the requirement. After data cleaning, the data is reported to the function nodes of training / management (monitoring)  / inference for further handling.

[0138] In some implementations for Case 4, the UE positioning result is derived from the LMF, and the model in the base station assists the LMF to derive the result. As the model is in base station, the data collection node, measurement, training and inference node may be all in the base station. The management node is very likely in base station, or in the LMF. The control node may exist in the base station, the core network, the OAM, or other devices. The data cleaning requirement indication / configuration and detailed information elements are base station internal behavior when the control node is located in the base station. When the control node is located in the LMF / OAM or other devices, the data cleaning requirement indication / configuration and detailed information elements need to be transferred from the device to base station. The data report after data cleaning is also base station internal behavior.

[0139] In some implementations for Case 5, the UE positioning result may be directly derived from the LMF device and the model is also in the LMF. The data collection node, measurement may be in the base station. Training, management and inference node may be in the LMF. Like Case 4, the control node may exist in the base station, the core network, the OAM, or other devices. When the control node doesn’t locate in the base station, the data cleaning requirement indication / configuration and detailed information elements are needed as in Case 4. The data report after data cleaning is from the base station to the LMF.

[0140] In some implementations, the information elements may include at least one of the below alternative parameters when measurements are CIR / PDP / DP whatever the information elements need specified: path-delay threshold, time-delay threshold; path-power threshold, path-profile threshold; a number of paths reported with the largest power; relative power threshold of paths; and / or other possible assistant parameters.

[0141] In some implementations, besides CIR / PDP / DP, when measurements are time domain measurements including UL RTOA, Timing advance, Base station Rx-Tx Time Difference or the power domain measurements including UL SRS-RSRP, UL SRS-RSRPP or the phase / angel domain measurement including UL RSCP, UL AOA, the related information elements may include at least one of the below alternative parameters: UL RTOA threshold; Timing advance threshold; Base station Rx-Tx Time Difference threshold; UL SRS-RSRP threshold; UL SRS-RSRPP threshold; UL RSCP threshold; UL AOA threshold; and / or other  possible assistant parameters.

[0142] Embodiment Set III

[0143] The present disclosure describes various embodiments of another method for data preprocessing in a wireless communication system, wherein data cleaning is handled in a LMF.

[0144] In some implementations, the data cleaning can also be in the LMF (or other devices) other than the UE and / or the base station. When the data cleaning is in the LMF, the model may also be in the LMF. Only Case 3 and Case 5 may be applied to such assumption on data cleaning in the LMF. Data collection, model training, management, inference may also be located in the LMF. The control node may be in the base station or in the LMF. The generated data are typical from the measurements in the UE or the base station mentioned in embodiments discussed above for Case 3 and / or Case 5.

[0145] In some implementations, as the measurements are the same with some other embodiments described above, the data cleaning principle on the measurements is same with those in the embodiments described above.

[0146] In some implementations, the basic protocol structure or procedure for data cleaning in the LMF may also be similar to that in some other embodiments described above.

[0147] In some implementations, when the control node is located in the base station (or other devices) other than the LMF, the data cleaning requirement indication / configuration and detailed information elements need to be notified from the base station or other device to LMF. The same content of indication / configuration and detailed information elements are the same with those in some other embodiments described above.

[0148] In various embodiments, the data cleaning may also be in other devices other than the UE, the base station, and / or the LMF. Similar principle for data cleaning or protocol can be reused.

[0149] In some wireless communication systems, data cleaning or data preprocessing is important to model training, interference, monitoring or management. The data cleaning is to handle data deduplication, missing values, error data, noise, outliers, and transformations etc. One of the principle for data cleaning is to omit the unreasonable generated data from the measurements in UE or base station, or to select the reasonable generated data from the measurements. The unreasonable data means the data with duplication, error, outlier or noise. For mobile system, the data cleaning is expected to be a real time processing as very lower latency for data preparation is required.

[0150] Various embodiments in the present disclosure may include rules for data cleaning, and the rules may be firstly to set the thresholds or upper  / lower boundaries for the values of data, and then data with value in the reasonable range according to the thresholds or upper  / lower boundaries are selected automatically as the next step input or intermediate data (need more preprocessing) for training, interference or monitoring. The data with value out of the reasonable range may be omitted automatically.

[0151] Various embodiments in the present disclosure may include original data, and the original data is from time domain measurements, power domain measurement or angel / phase domain measurement. The absolute or relative thresholds are set to the corresponding measurement results such as DL RSTD, UE Rx –Tx time difference, DL RSRP, DL RSRQ, DL RSSI, SINR, DL PRS-RSRPP, DL AOD (Angle-of-Departure) , DL RSCP, CIR, PDP or DP from UE, or UL RTOA, Timing advance, Base station Rx-Tx Time Difference, UL SRS-RSRP, UL SRS-RSRPP, UL AOA, and UL RSCP, CIR, PDP or DP from base station. Corresponding signaling is configured / indicated from control node to data collection node. For different cases, the located devices for control node and data collection node are differently accordingly, then the signaling directions are variable for different cases.

[0152] Some implementations may include absolute threshold, and the absolute threshold is the absolute value for the time, power, angel or phase. The relative threshold is not the absolute value, for example, it is intended to select the largest ones according to the power of paths, or to set the relative threshold as a ratio. In some implementations, there is no limitation that the threshold should be only set to the data to be collected. The threshold could be set to the other data which the other data and the data to be collected are corresponding to the same time instance.

[0153] The present disclosure describes methods, apparatus, and computer-readable medium for data preprocessing for data processing models (e.g., an artificial intelligence / machine learning (AI / ML) model) in a mobile communication system. The present disclosure addressed the issues with data preprocessing / cleaning in a wireless communication system. The methods, devices, and computer-readable medium described in the present disclosure may facilitate the performance of wireless data service, thus improving efficiency and overall performance. The methods, devices, and computer-readable medium described in the present disclosure may improves the overall efficiency of the wireless communication systems.

[0154] In some other embodiments, a computer-readable medium comprising instructions which, when executed by a computer, cause the computer to carry out the above methods. The computer-readable medium may be referred as non-transitory computer-readable media (CRM) that stores data for extended periods such as  a flash drive or compact disk (CD) , or for short periods in the presence of power such as a memory device or random access memory (RAM) . In some embodiments, computer-readable instructions may be included in a software, which is embodied in one or more tangible, non-transitory, computer-readable media. Such non-transitory computer-readable media can be media associated with user-accessible mass storage as well as certain short-duration storage that are of non-transitory nature, such as internal mass storage or ROM. The software implementing various embodiments of the present disclosure can be stored in such devices and executed by a processor (or processing circuitry) . A computer-readable medium can include one or more memory devices or chips, according to particular needs. The software can cause the processor (including CPU, GPU, FPGA, and the like) to execute particular processes or particular parts of particular processes described herein, including defining data structures stored in RAM and modifying such data structures according to the processes defined by the software.

[0155] Reference throughout this specification to features, advantages, or similar language does not imply that all of the features and advantages that may be realized with the present solution should be or are included in any single implementation thereof. Rather, language referring to the features and advantages is understood to mean that a specific feature, advantage, or characteristic described in connection with an embodiment is included in at least one embodiment of the present solution. Thus, discussions of the features and advantages, and similar language, throughout the specification may, but do not necessarily, refer to the same embodiment.

[0156] Furthermore, the described features, advantages and characteristics of the present solution may be combined in any suitable manner in one or more embodiments, for non-limiting examples, a portion from one or more embodiment may be combined with another portion of other embodiments. One of ordinary skill in the relevant art will recognize, in light of the description herein, that the present solution can be practiced without one or more of the specific features or advantages of a particular embodiment. In other instances, additional features and advantages may be recognized in certain embodiments that may not be present in all embodiments of the present solution.

Claims

1.A method for data preprocessing in a wireless communication system, comprising:receiving, by a base station, data cleaning requirement for preprocessing measurement data from a first node providing control functions;receiving, by the base station, reference signal from a user equipment (UE) ;obtaining, by the base station, measurement data based on the reference signal;preprocessing, by the base station, the measurement data to obtain the preprocessed measurement data according to the data cleaning requirement; andsending, by the base station, the preprocessed measurement data to a second node for next step processing.2.The method according to claim 1, whereinthe measurement data comprises at least one of the following categories: time domain measurement, power domain measurement, and phase domain measurement; orthe measurement data comprises at least one of the following types: uplink relative time of arrival (UL RTOA) , timing advance, base station receiving-transmitting (Rx-Tx) time difference, uplink sounding reference signal reference signal received power (UL SRS-RSRP) , uplink sounding reference signal reference signal received path power (UL SRS-RSRPP) , uplink angle of arrival (UL AOA) , uplink reference signal carrier phase (UL RSCP) , channel impulse response (CIR) , power delay profile (PDP) , or delay profile (DP) .3.The method according to any of the claims 1 to 2, whereinthe data cleaning requirement comprises at least one threshold for a type of the measurement data; orthe reference signal from the UE comprises a sounding reference signal (SRS) .4.The method according to claim 3, whereinthe at least one threshold comprises at least one relative threshold; orthe at least one threshold comprises at least one absolute threshold.5.The method according to claim 4, whereinthe relative threshold is intended to select the largest ones according to the power of paths, or to set the relative threshold as a ratio.6.The method according to claim 3, whereinthe threshold is set to the other data which the other data and the data to be collected are corresponding to the same time instance.7.The method according to claim 3, whereinthe at least one threshold corresponds to at least one category for the measurement data.8.The method according to any of claims 1 to 4, whereinthe first node providing control functions is one of the following: the base station or the CN.9.The method according to any of claims 1 to 4, whereinthe base station obtains label information corresponding to the measurement data or other information.10.The method according to any of claims 1 to 4, whereinthe base station preprocesses the measurement data to obtain the preprocessed measurement data according to the data cleaning requirement; andthe second node is a location management function (LMF) in the core network.11.The method according to any of claims 10, whereinthe LMF obtains label information corresponding to the measurement data or report from the UE; andthe LMF performs the next step processing based on the label information and the preprocessed measurement data.12.The method according to any of claims 10, whereinthe LMF infers prediction based on the preprocessed measurement data.13.A wireless data service apparatus comprising a processor and a memory, wherein the processor is configured to read code from the memory and implement a method recited in any of claims 1 to 12.14.A non-transitory computer program product comprising a computer-readable program medium code stored thereupon, the computer-readable program medium code, when executed by a processor, causing the processor to implement a method recited in any of claims 1 to 12.

Images