Methods and apparatus of measurement event prediction in mobile communications

Abstract

Various solutions for measurement event prediction in mobile communications are described. A user equipment (UE) may perform measurement on a first set of radio resource. The UE may obtain predicted measurement results on a second set of radio resources based on the measurement by performing a measurement prediction at one or a combination of a temporal domain, a spatial domain, and a frequency domain with an artificial intelligence (AI) or machine learning (ML) based model. The UE may transmit a measurement report to a network node according to measurement results of the measurement on the first set of radio resources and / or the predicted measurement results.

Description

METHODS AND APPARATUS OF MEASUREMENT EVENT PREDICTION IN MOBILE COMMUNICATIONSCROSS REFERENCE TO RELATED PATENT APPLICATION (S)

[0001] The present disclosure is part of a non-provisional application claiming the priority benefit of PCT Application No. PCT / CN2024 / 084471, filed 28 March 2024, the content of which herein being incorporated by reference in its entirety.TECHNICAL FIELD

[0002] The present disclosure is generally related to mobile communications and, more particularly, to artificial intelligence (AI) or machine learning (ML) based measurement event prediction with respect to user equipment and network apparatus in mobile communications.BACKGROUND

[0003] Unless otherwise indicated herein, approaches described in this section are not prior art to the claims listed below and are not admitted as prior art by inclusion in this section.

[0004] In 3rd generation partnership project (3GPP) 5G new radio (NR) networks, UE mobility is an important consideration. To maintain service continuity and quality, the UE measures and reports radio resource signal environment quality. However, legacy handover (HO) designs, controlled by layer 3 (L3) procedures including radio resource management (RRM) measurement and radio resource control (RRC) reconfiguration, introduce a significant amount of signaling and latency. To address this, lower-layer triggered mobility (LTM, also known as layer 1 (L1)  / layer 2 (L2) triggered mobility) is introduced to enable serving cell changes via beam management with L1 / L2 signaling, reducing latency, overhead, and interruption during UE mobility.

[0005] On the other hand, with the increasing integration of artificial intelligence (AI) or machine learning (ML) to enhance network performance, leveraging AI / ML to further improve mobility procedures, such as enabling proactive measurement reports (MR) and handovers, and / or reducing unnecessary handovers, has become an important issue.SUMMARY

[0006] The following summary is illustrative only and is not intended to be limiting in any way. That is, the following summary is provided to introduce concepts, highlights, benefits and advantages of the novel and non-obvious techniques described herein. Select implementations are further described below in the detailed description. Thus, the following summary is not intended to identify essential features of the claimed subject matter, nor is it intended for use in determining the scope of the claimed subject matter.

[0007] An objective of the present disclosure is to propose solutions or schemes that address the aforementioned issue pertaining to artificial intelligence (AI) or machine learning (ML) based measurement event prediction with respect to user equipment (UE) and network apparatus in mobile communications.

[0008] In one aspect, a method may involve an apparatus performing measurement on a first set of radio resources. The method may also involve the apparatus obtaining predicted measurement results on a second set of radio resources based on the measurement by performing a measurement prediction at one or a combination of a temporal domain, a spatial domain, and a frequency domain with an AI / ML based model. The method may further involve the apparatus transmitting a measurement report to a network node according to measurement results of the measurement on the first set of radio resources and / or the predicted measurement results.

[0009] In another aspect, an apparatus may comprise a transceiver which, during operation, wirelessly communicates with a network. The apparatus may also comprise a processor communicatively coupled to the transceiver. The processor, during operation, may perform operations comprising performing measurement on a first set of radio resources. The processor, during operation, may perform operations comprising obtaining predicted measurement results on a second set of radio resources based on the measurement by performing a measurement prediction at one or a combination of a temporal domain, a spatial domain, and a frequency domain with an artificial intelligence (AI) or machine learning (ML) based model. The processor, during operation, may perform operations comprising transmitting, via the transceiver, a measurement report to a network node according to measurement results of the measurement on the first set of radio resources and / or the predicted measurement results.

[0010] In another aspect, a method may involve an apparatus performing an AI / ML based prediction. The method may also involve the apparatus starting a handover (HO) preparation in an event that a measurement event is predicted to happen based on a result of the AI or ML based prediction. The method may also involve the apparatus receiving an HO command from a network node in an event that a triggering condition of the measurement event is met. The method may further involve the apparatus performing an HO execution according to the HO command.

[0011] In yet another aspect, a method may involve a network node receiving a measurement report from a UE. The measurement report is generated based on a result of an AI / ML based prediction. The method may also involve the network node making an HO decision based on the measurement report. The method may further involve the network node transmitting an HO command according to the HO decision to the UE.

[0012] It is noteworthy that, although description provided herein may be in the context of certain radio access technologies, networks and network topologies such as LTE, LTE-Advanced, LTE-Advanced Pro, 5G, NR, 5G-Advanced, Internet-of-Things (IoT) , Narrow Band Internet of Things (NB-IoT) , Industrial Internet of Things (IIoT) , beyond 5G (B5G) , and 6th Generation (6G) , the proposed concepts, schemes and any variation (s)  / derivative (s) thereof may be implemented in, for and by other types of radio access technologies, networks and network topologies. Thus, the scope of the present disclosure is not limited to the examples described herein.BRIEF DESCRIPTION OF THE DRAWINGS

[0013] The accompanying drawings are included to provide a further understanding of the disclosure and are incorporated in and constitute a part of the present disclosure. The drawings illustrate implementations of the disclosure and, together with the description, serve to explain the principles of the disclosure. It is appreciable that the drawings are not necessarily in scale as some components may be shown to be out of proportion than the size in actual implementation in order to clearly illustrate the concept of the present disclosure.

[0014] FIG. 1 is a diagram depicting an example scenario of a communication environment in which various solutions and schemes in accordance with the present disclosure may be implemented.

[0015] FIG. 2 is a diagram depicting example scenarios of prediction in accordance with implementations of the present disclosure.

[0016] FIG. 3 is a diagram depicting a flow of current measurement procedure.

[0017] FIGs. 4A to 4E are diagrams depicting example flows of measurement procedure incorporating an artificial intelligence (AI) or machine learning (ML) based prediction model in accordance with implementations of the present disclosure.

[0018] FIG. 5 is a diagram depicting an example procedure of early measurement report in accordance with implementations of the present disclosure.

[0019] FIG. 6 is a diagram depicting an example procedure of measurement event prediction within time to trigger (TTT) and prediction period in accordance with implementations of the present disclosure.

[0020] FIG. 7 is a block diagram of an example communication system in accordance with an implementation of the present disclosure.

[0021] FIG. 8 is a flowchart of an example process in accordance with an implementation of the present disclosure.

[0022] FIG. 9 is a flowchart of another example process in accordance with an implementation of the present disclosure.

[0023] FIG. 10 is a flowchart of yet another example process in accordance with an implementation of the present disclosure. DETAILED DESCRIPTION OF PREFERRED IMPLEMENTATIONS

[0024] Detailed embodiments and implementations of the claimed subject matters are disclosed herein. However, it shall be understood that the disclosed embodiments and implementations are merely illustrative of the claimed subject matters which may be embodied in various forms. The present disclosure may, however, be embodied in many different forms and should not be construed as limited to the exemplary embodiments and implementations set forth herein. Rather, these exemplary embodiments and implementations are provided so that description of the present disclosure is thorough and complete and will fully convey the scope of the present disclosure to those skilled in the art. In the description below, details of well-known features and techniques may be omitted to avoid unnecessarily obscuring the presented embodiments and implementations. Overview

[0025] Implementations in accordance with the present disclosure relate to various techniques, methods, schemes and / or solutions pertaining to artificial intelligence or machine learning (also referred to as “AI or ML” or “AI / ML” ) based measurement event prediction in mobile communications. According to the present disclosure, a number of possible solutions may be implemented separately or jointly. That is, although these possible solutions may be described below separately, two or more of these possible solutions may be implemented in one combination or another.

[0026] FIG. 1 illustrates an example scenario 100 of a communication environment in which various solutions and schemes in accordance with the present disclosure may be implemented. Scenario 100 involves a user equipment (UE) 110 in wireless communication with a wireless network consisting of an access network 125 and a core network (CN) 130. The wireless network may be a 5G NR network, 5G-Advanced network, 6G network, however, the present disclosure is not limited thereto. The UE 110 may be a smart phone, a wearable device, an IoT device, and a tablet, etc. Alternatively, the UE 110 may be a notebook (NB) or personal computer (PC) inserted or installed with a data card which includes a modem and radio frequency (RF) transceiver (s) to provide the functionality of wireless communication. The CN 130 may include entities such as user plane function (UPF) , mobility management function (AMF) , session management function (SMF) and unified data management (UDM) , etc. The access network 125 may include one or more base stations (BSs) , such as the BS 120. The BS 120 may be an evolved NodeBs (eNB) , a next generation NodeB (gNB) , or a transmission and reception point (TRP) , but the present disclosure is not limited thereto. The BS 120 may provide communication coverage for a geographic coverage area where communications with the UE 110 is supported.

[0027] In scenario 100, the UE 110 establish a connection (e.g., a radio resource control (RRC) connection) with the BS 120. The BS 120 may provide a measurement configuration (e.g., time to trigger (TTT) and offset) to the UE 110 by RRC signaling. The BS 120 may request the UE 110 to measure intra-frequency and / or inter-frequency measurements. The UE 110 may perform the measurements (e.g., the radio resource management (RRM) measurements) according to the measurement configuration and evaluate the reporting criteria (also referred to as the reporting condition) for triggering the measurement report based on the measurement results. In this embodiment, the UE 110 utilizes an AI / ML based prediction module 115 including one or more AI / ML based models to predict the measurements results. For example, the UE 110 may utilize the AI / ML based prediction module 115 to predict whether a specific measurement event is likely to happen. The output of the AI / ML based prediction module 115 includes event prediction information indicating the prediction result. The AI / ML based prediction module 115 may include component (s) implemented in hardware and / or software. The AI / ML based model in the AI / ML based prediction module 115 may be cell specific. That is, one AI / ML based model corresponds to one cell. Alternatively, the AI / ML based model may be cluster specific (i.e., one AI / ML based model corresponds to a cluster of cells) .

[0028] By utilizing the AI / ML based prediction module 115, the UE 110 performs measurement event prediction and decides when to report the model output (e.g., the event prediction information) to the BS 120. Then, the BS 120 may determine how to perform a mobility related process (e.g., a handover (HO) ) based on the event prediction information reported by the UE 110. For example, the BS 120 may make a handover (HO) decision and sends an HO command to the UE 110.

[0029] Specifically, the UE 110 may use measurement results associated with a first set of radio resources to predict measurement results associated with a second set of radio resources. The first set of radio resources may correspond to a first set of reference signals for a first set of cells and the second set of radio resources may correspond to a second set of reference signals for a second set of cells. The reference signal quality may include a signal-to-noise ratio (SNR) , a reference signal received power (RSRP) , or a received signal strength (RSS) . The radio resource of reference signals may be defined by temporal domain, or by temporal domain with any combinations of the spatial and frequency domains. In one embodiment, the UE 110 performs the measurement on the first set of reference signals for a first set of cells (e.g., the serving cells and the neighboring cells of intra-frequency or inter-frequency) , and predicts the measurement results on the second set of reference signals for a second set of cells with the AI / ML based prediction module 115. The second set of cells may be the serving cells and the neighboring cells of intra-frequency or inter-frequency, which may be same or different from the first set of cells. The UE 110 may derive the cell quality of the first and / or second set of cells. Further, the UE 110 may evaluate the reporting criteria and trigger condition, and decide to send the measurement report to the BS 120. In another embodiment, the UE 110 may collect the measurement results of the first set of reference signals for the first set of cells and the second set of reference signals for the second set of cells, and train one or more AI / ML based models based on the collected measurement results with or without other assistance information. More specifically, the UE 110 measures the first set of reference signals for a first set of cells and the second set of reference signals for a second set of cells at a training stage of the AI / ML based mode. The UE 110 may perform model training by using the measurement results of the first set of reference signals for the first set of cells as model input and using the measurement results of the second set of reference signals for the second set of cells as label.

[0030] FIG. 2 is a diagram depicting example scenarios of prediction with one or more AI / ML based models in accordance with implementations of the present disclosure. Referring to scenario 210, the UE 110 may perform the measurement prediction at temporal domain with one or multiple AI / ML based models. That is, the first set of reference signals for the first set of cells (i.e., the model input) and the second set of reference signals for the second set of cells (i.e., model label) are the same in frequency and spatial domains. That is, the radio resource of the first and second sets of reference signals is defined by an identical frequency domain and an identical spatial domain. During the training stage, an AI / ML based model is trained using historical measurement results measured in the time period [T-N, T] as model input and future measurement results in the time period [T+1, T+M] as label. By utilizing one or more trained AI / ML based models, the UE 110 measures the first set of reference signals for the first set of cells in the time period [T-N, T] to predict the second set of reference signals for the second set of cells in the time period [T, T+M] .

[0031] Referring to scenario 220, the UE 110 may perform the measurement prediction at temporal and spatial domains with one or multiple AI / ML based models. In other words, the first set of reference signals for the first set of cells and the second set of reference signals for the second set of cells are same in frequency domain. That is, the radio resource of the first and second sets of reference signals is defined by an identical frequency domain. As shown in scenario 220, the solid lines indicate the measured set of beams and the dotted line indicated the predicted set of beams. During the training stage, an AI / ML based model is trained using measurement results of partial beams as model input and the entire beam results or the other part of beam results as label. By utilizing one or more trained AI / ML based models, the UE 110 measures the first set of reference signals for the first set of cells at partial beams set in the time period [T-N, T] with dotted line to predict the second set of reference signals for the second set of cells of the entire / other part of beam set in the time period [T, T+M] with solid line.

[0032] Referring to scenario 230, the UE 110 may perform the measurement prediction at temporal and frequency domains with one or multiple AI / ML based models, which means that the first set of reference signals for the first set of cells and the second set of reference signals for the second set of cells are same in spatial domain. That is, the radio resource of the first and second sets of reference signals is defined by an identical spatial domain. The first set of reference signals and the second set of reference signals may be inter-frequency or intra-frequency. As shown in scenario 230, the solid line indicates the measured bandwidth parts (BWPs)  / frequencies, and the dotted line indicated the predicted full or other BWPs / frequencies. During the training stage, an AI / ML based model is trained using measurement results of some BWPs / frequencies in the time period [T-N, T] as model input and full or other BWPs / frequencies results in the time period [T, T+M] as label. By utilizing one or more trained AI / ML based models, the UE 110 measures the first set of reference signals of some BWPs / frequencies in the time period [T-N, T] with dotted line to predict the second set of reference signals of the full or other BWPs / frequencies in the time period [T, T+M] with solid line.

[0033] In yet another embodiment, the UE 110 may perform the measurement prediction at temporal, spatial, and frequency domains with one or multiple AI / ML based models. For example, during the training stage, using historical measurement results measured in the time period [T-N, T] of partial beams for some BWPs / frequencies as model input and future measurement results in the time period [T+1, T+M] of the full / other part beam for full / other BWPs / frequencies as label. By utilizing one or more trained AI / ML based models, the UE 110 measures the first set of reference signals for the first set of cells associated with partial beams set and a set of BWPs / frequencies in the time period [T-N, T] to predict the second set of reference signals for the second set of cells associated with the entire / other part of beam set and the full or other BWPs / frequencies in the time period [T, T+M] .

[0034] FIG. 3 is a diagram depicting a flow of current measurement procedure including beam-level and cell-level filtering. In a connected state (e.g., RRC CONNECTED state) , a UE measures multiple beams (at least one) of a cell and the measurements results (power values) are averaged to derive the cell quality. In doing so, the UE is configured to consider a subset of the detected beams. Filtering takes place at two different levels: at the physical layer to derive beam quality and then at RRC level to derive cell quality from multiple beams. Cell quality from beam measurements is derived in the same way for the serving cell (s) and for the non-serving cell (s) . Measurement reports may contain the measurement results of the X best beams if the UE is configured to do so by the gNB. Scenario 300 includes an L1 filtering stage, a beam consolidation / selection stage, an L3 filtering for cell quality stage, an evaluation of reporting criteria stage, an L3 beam filtering stage, and a beam selection for reporting stage. In scenario 300, K beams correspond to the measurements on synchronization signal block (SSB) or channel state information-reference signal (CSI-RS) resources configured for layer 3 (L3) mobility by gNB and detected by a UE at layer 1 (L1) . Point A is the measurements (beam specific samples) internal to the physical layer. The L1 filtering stage includes an internal L1 filtering of the inputs measured at point A and the implementation is up to UE. Point A1 represents the measurements reported by L1 to L3 after L1 filtering. The beam consolidation / selection stage performs consolidation of beam specific measurements to derive cell quality. The L3 filtering for cell quality stage performs filtering on the measurements provided at point B. Point C is the measurement after processing of L3 filtering for cell quality. The evaluation of reporting criteria stage checks whether actual measurement reporting is necessary at point D. That is, the measurement report information (message) may be sent at point D. The L3 beam filtering stage filters the measurement provided at point A1. The beam selection for beam reporting stage selects X measurements from the measurements provided at point E. The behavior of the beam consolidation / selection stage, L3 filtering for cell quality stage, evaluation of reporting criteria stage, L3 beam filtering stage, and beam selection for beam reporting stage is standardized. The configuration of these stages is provided by RRC signaling.

[0035] In the present disclosure, one or more AI / ML based models may be incorporated into the flow of measurement procedure for performing the measurement event prediction, and the prediction may be a cell-level radio RRM measurement prediction or a beam-level RRM measurement prediction. FIGs. 4A to 4E are diagrams depicting example flows of measurement procedure incorporating an AI / ML based prediction model in accordance with implementations of the present disclosure. However, the present disclosure is not limited to FIGs. 4A to 4E. That is, the output of an AI / ML based model may be an input of one or a combination of the L1 filtering stage, the beam consolidation / selection stage, the L3 filtering for cell quality stage, the evaluation of reporting criteria stage, the L3 beam filtering stage, and the beam selection for reporting stage. In one example, by utilizing one or more AI / ML based models, L1 beam-level measurement result (s) may be predicted based on actual L1 beam-level measurement result (s) and then L3 cell-level measurement result is generated. In one example, L3 Cell-level measurement result (s) may be predicted based on actual L3 cell-level measurement result (s) . In one example, L3 Cell-level measurement result (s) may be predicted based on actual L1 beam-level measurement result (s) . In one example, L1 filtered beam-level measurement result (s) may be predicted based on actual L1 beam-level measurement result (s) and then L3 beam-level measurement result is generated. In one example, L3 beam-level measurement result (s) may be predicted based on actual L3 beam-level measurement result (s) . In one example, L3 beam-level measurement result (s) may be predicted based on actual L1 beam-level measurement result (s) .

[0036] Referring to flow 400a shown in FIG. 4A, the measurement results at point A without L1 filtering are used for AI / ML based RRM prediction (i.e., as the input of one or more AI / ML based models) . To be specific, using measurements results of the first set of reference signals without L1 filtering as model input, the UE 110 may predict the measurement results on the second set of reference signals at point A’, and then performs L1 and L3 filtering on the measurement results of both the first set and the second set of reference signals. After that the UE 110 performs beam consolidation / selection and finally derives the cell quality. In one embodiment, the first set of reference signals and the second set of reference signals are defined by one or a combination of spatial, temporal, and frequency domains.

[0037] Referring to flow 400b shown in FIG. 4B, the L1 measurement results at point A1 (after L1 filtering) are used for AI / ML based RRM prediction (i.e., as the input of one or more AI / ML based models) . Specifically, using measurements results of the first set of reference signals after L1 filtering as model input, the UE 110 may predict the measurement results on the second set of reference signals first at point A1’, and then performs L3 filtering on the measurement results of both the first set and the second set of reference signals. The UE 110 may then perform beam consolidation / selection and finally derive the cell quality. The first set of reference signals and the second set of reference signals may be defined by one or a combination of spatial, temporal, and frequency domains.

[0038] Referring to flow 400c shown in FIG. 4C, the L3 measurement results at point E are used for AI / ML based RRM prediction (i.e., as the input of one or more AI / ML based models) . For example, by using measurements results of the first set of reference signals after L3 beam filtering as model input, the UE 110 may predict the measurement results on the second set of reference signals at point E’. In one embodiment, the UE 110 may perform L3 filter on the measurement results of the first set of reference signals first, performs measurement prediction on the second set of reference signals, then performs beam consolidation / selection and finally derives the cell quality. The first set of reference signals and the second set of reference signals may be defined by one or a combination of spatial, temporal, and frequency domains.

[0039] The RRM measurements cell-quality prediction may be realized by flow 400d shown in FIG. 4D or flow 400e shown in FIG. 4E. In flow 400d, the measurement results at point B are used for AI / ML based RRM prediction, which are L1 measurement results after L1 filtering and beam consolidation / selection. In flow 400e shown in FIG. 4E, the measurement results at point C are used for AI / ML based RRM prediction, which are L3 measurement results after L3 cell filtering. The UE 110 may measure the first set of cells and predict the measurement results of the second set of cells. For example, the measured first set of cells may be the same as the predicted second set of cells. Alternatively, the measured first set of cells may be different from the predicted second set of cells. The first set of reference signals and the second set of reference signals may be defined by one or a combination of spatial, temporal, and frequency domains.

[0040] FIG. 5 is a diagram depicting an example procedure of early measurement report in accordance with implementations of the present disclosure. In procedure 500, the UE 110 may evaluate the configured reporting criteria with the predicted RRM results and report the predicted measurement event at the measurement period. In one example, for the temporal domain beam-quality prediction, the UE 110 may perform full beam sweeping at observation time window and stop beam sweeping at prediction time window. In another example, for the temporal-spatial domain beam-quality prediction, the UE 110 may perform partial beam sweeping at observation time window. The evaluation of the reporting criteria considers measured results, predicted results, or a combination thereof, as configured by the BS 120. Further, during the measurement period, the UE 110 may report the measurement event based on predicted results, measured results, or a combination thereof, as configured by the BS 120. With early reported measurement event, the BS 120 may make an early HO decision and send an HO command to the UE 110. Accordingly, the UE 110 may perform an HO execution according to the HO command. For example, the UE 110 starts an HO preparation when an event (A3 event) is predicted to happen, and HO command is sent when A3 entering conditions are met based on actual / real measurement and an event is predicted to be met for the duration of TTT.

[0041] FIG. 6 is a diagram depicting an example procedure of measurement event prediction within TTT and prediction period in accordance with implementations of the present disclosure. In procedure 600, the UE 110 may evaluate the reporting criteria with longer period including TTT and prediction period, and report the measurement event at the predicted moment when the reporting criteria with longer TTT is satisfied. In one example, for the temporal domain beam-quality prediction, the UE 110 may perform full beam sweeping at observation time window and stop beam sweeping at prediction time window. In another example, for the temporal-spatial domain beam-quality prediction, the UE 110 may perform partial beam sweeping at observation time window. The UE 110 may evaluate the reporting criteria within TTT which approach to use is configured by the BS 120 and prediction period with the measurement results which are predicted, or both of actual and predicted measurement are used. Further, the UE 110 may report the measurement event which satisfied the reporting criteria with TTT and prediction period at certain prediction moment. That is, the UE 110 evaluates reporting criteria based on measurements from both the TTT period and the prediction period. If the criteria are met, the UE 110 reports the measurement event at a specific prediction moment, rather than waiting for the TTT period to conclude. In other words, the UE 110 does not only report at the end of the TTT, it may report earlier at a certain prediction time during the TTT, based on the evaluation of the combined TTT and prediction period measurement results. To predict longer than TTT may avoid unnecessary measurement report and HO. Illustrative Implementations

[0042] FIG. 7 illustrates an example communication system 700 having at least an example communication apparatus 710 and an example network apparatus 720 in accordance with an implementation of the present disclosure. Each of the communication apparatus 710 and network apparatus 720 may perform various functions to implement schemes, techniques, processes and methods described herein pertaining to AI / ML based measurement event prediction in mobile communications, including scenarios / schemes described above as well as processes 800.900 and 1000 described below.

[0043] Communication apparatus 710 may be a part of an electronic apparatus, which may be a UE such as a portable or mobile apparatus, a wearable apparatus, a wireless communication apparatus or a computing apparatus. For instance, communication apparatus 710 may be implemented in a smartphone, a smartwatch, a personal digital assistant, a digital camera, or a computing equipment such as a tablet computer, a laptop computer or a notebook computer. Communication apparatus 710 may also be a part of a machine type apparatus, which may be an IoT, NB-IoT, or IIoT apparatus such as an immobile or a stationary apparatus, a home apparatus, a wire communication apparatus or a computing apparatus. For instance, communication apparatus 710 may be implemented in a smart thermostat, a smart fridge, a smart door lock, a wireless speaker or a home control center. Alternatively, communication apparatus 710 may be implemented in the form of one or more integrated-circuit (IC) chips such as, for example and without limitation, one or more single-core processors, one or more multi-core processors, one or more reduced-instruction set computing (RISC) processors, or one or more complex-instruction-set-computing (CISC) processors. Communication apparatus 710 may include at least some of those components shown in FIG. 7 such as a processor 712, for example. Communication apparatus 710 may further include one or more other components not pertinent to the proposed scheme of the present disclosure (e.g., internal power supply, display device and / or user interface device) , and, thus, such component (s) of communication apparatus 710 are neither shown in FIG. 7 nor described below in the interest of simplicity and brevity.

[0044] Network apparatus 720 may be a part of a network apparatus, which may be a network node such as a satellite, a base station, a small cell, a router or a gateway. For instance, network apparatus 720 may be implemented in an eNB in an LTE network, in a gNB in a 5G / NR, IoT, NB-IoT or IIoT network or in a satellite or base station in a 6G network. Network apparatus 720 may include at least some of those components shown in FIG. 7 such as a processor 722, for example. Processor 722 may further include protocol stacks and a set of control functional modules and circuits. Network apparatus 720 may further include one or more other components not pertinent to the proposed scheme of the present disclosure (e.g., internal power supply, display device and / or user interface device) , and, thus, such component (s) of network apparatus 720 are neither shown in FIG. 7 nor described below in the interest of simplicity and brevity.

[0045] In one aspect, each of the processor 712 and processor 722 may be implemented in the form of one or more single-core processors, one or more multi-core processors, or one or more CISC processors. That is, even though a singular term “aprocessor” is used herein to refer to processor 712 and processor 722, each of the processor 712 and processor 722 may include multiple processors in some implementations and a single processor in other implementations in accordance with the present disclosure. In another aspect, each of the processor 712 and processor 722 may be implemented in the form of hardware (and, optionally, firmware) with electronic components including, for example and without limitation, one or more transistors, one or more diodes, one or more capacitors, one or more resistors, one or more inductors, one or more memristors and / or one or more varactors that are configured and arranged to achieve specific purposes in accordance with the present disclosure. In other words, in at least some implementations, each of the processor 712 and processor 722 is a special-purpose machine specifically designed, arranged and configured to perform specific tasks in a device (e.g., as represented by communication apparatus 710) and a network (e.g., as represented by network apparatus 720) in accordance with various implementations of the present disclosure.

[0046] In some implementations, communication apparatus 710 may also include a memory 714 coupled to processor 712 and capable of being accessed by processor 712 and storing data therein. In some implementations, communication apparatus 710 may further include a transceiver 716 coupled to processor 712 and capable of wirelessly transmitting and receiving data.

[0047] In some implementations, network apparatus 720 may further include a memory 724 coupled to processor 722 and capable of being accessed by processor 722 and storing data therein, and a transceiver 726 coupled to processor 722 and capable of wirelessly transmitting and receiving data. Accordingly, communication apparatus 710 and network apparatus 720 may wirelessly communicate with each other via transceiver 716 and transceiver 726, respectively.

[0048] For illustrative purposes and without limitation, descriptions of capabilities of the communication apparatus 710 and network apparatus 720 are provided below with process 800, process 900, and process 1000. In which, communication apparatus 710 is implemented in or as a communication apparatus or a UE, and network apparatus 720 is implemented in or as a network node of a communication network (e.g., a base station) . Illustrative Processes

[0049] FIG. 8 illustrates an example process 800 in accordance with an implementation of the present disclosure. Process 800 may be an example implementation of above scenarios / schemes, whether partially or completely, with respect to AI / ML based measurement event prediction in mobile communications. Process 800 may represent an aspect of implementation of features of communication apparatus 710. Process 800 may include one or more operations, actions, or functions as illustrated by one or more of blocks 810, 820 and 830. Although illustrated as discrete blocks, various blocks of process 800 may be divided into additional blocks, combined into fewer blocks, or eliminated, depending on the desired implementation. Moreover, the blocks of process 800 may be executed in the order shown in FIG. 8 or, alternatively, in a different order. Process 800 may be implemented by communication apparatus 710 or any suitable UE (e.g., UE 110) or machine type devices. Solely for illustrative purposes and without limitation, process 800 is described below in the context of communication apparatus 710 as a UE. Process 800 may begin at block 810.

[0050] At block 810, process 800 may involve processor 712 of communication apparatus 710 performing measurement on a first set of radio resources. Process 800 may proceed from block 810 to block 820.

[0051] At block 820, process 800 may involve processor 712 obtaining predicted measurement results on a second set of radio resources based on the measurement by performing a measurement prediction at one or a combination of a temporal domain, a spatial domain, and a frequency domain with an AI / ML based model. Process 800 may proceed from block 820 to block 830.

[0052] At block 830, process 800 may involve processor 712 transmitting, via transceiver 716, a measurement report to a network node (e.g., network apparatus 720) according to measurement results of the measurement on the first set of radio resources and / or the predicted measurement results.

[0053] In some implementations, the measurement prediction may include a cell-level RRM measurement prediction or a beam-level RRM measurement prediction.

[0054] In some implementations, the measurement results may correspond to L1 measurement results, an output of L1 filtering, an output of L3 beam filtering, an output of beam consolidation or selection, or an output of L3 filtering for cell quality.

[0055] In some implementations, the measurement results used for the measurement prediction comprises L1 measurement results. Process 800 may also involve processor 712 predicting the predicted measurement results on the second set of radio resources. Process 800 may further involve processor 712 performing an L3 filtering on the measurement results associated with the first set of radio resources and the predicted measurement result associated with the second set of radio resources.

[0056] In some implementations, the measurement results used for the measurement prediction comprises L3 measurement results. Process 800 may also involve processor 712 performing an L3 filtering on the measurement results associated with the first set of radio resources. Process 800 may further involve processor 712 predicting the predicted measurement result on the second set of radio resources.

[0057] In some implementations, process 800 may also involve processor 712 performing the L3 filtering on the measurement results associated with the first set of radio resources, obtaining the predicted measurement results on the second set of radio resources by performing the measurement prediction, performing a beam consolidation or selection, and deriving a cell quality.

[0058] In some implementations, the first set of radio resources corresponds to a first set of reference signals for a first set of cells and the second set of radio resources corresponds to a second set of reference signals for a second set of cells. The first set of reference signals and the second set of reference signals are in an identical frequency domain and an identical spatial domain. Process 800 may also involve processor 712 performing the measurement prediction at the temporal domain by using the measurement results measured in a first time period as an input of the AI or ML based model and the predicted measurement results associated with a second time period as a label of the AI or ML based model, wherein the first time period precedes the second time period.

[0059] In some implementations, the first set of radio resources corresponds to a first set of reference signals for a first set of cells and the second set of radio resources corresponds to a second set of reference signals for a second set of cells. The first set of reference signals and the second set of reference signals are in an identical frequency domain. Process 800 may also involve processor 712 performing the measurement prediction at a combination of the temporal domain and the spatial domain by using the measurement results of a first part of beams measured in a first time period as an input of the AI or ML based model and the predicted measurement results of a second part of or an entire beam associated with a second time period as a label of the AI or ML based model, wherein the first time period precedes the second time period.

[0060] In some implementations, the first set of radio resources corresponds to a first set of reference signals for a first set of cells and the second set of radio resources corresponds to a second set of reference signals for a second set of cells. The first set of reference signals and the second set of reference signals are in an identical spatial domain. Process 800 may also involve processor 712 performing the measurement prediction at a combination of the temporal domain and the frequency domain by using the measurement results of a first BWP or frequency set measured in a first time period as an input of the AI or ML based model and the predicted measurement results of a second or full BWP or frequency set associated with a second time period as a label of the AI or ML based model, wherein the first time period precedes the second time period.

[0061] In some implementations, process 800 may also involve processor 712 performing the measurement prediction at a combination of the temporal domain, the spatial domain, and the frequency domain by using the measurement results of a first part of beams for a first BWP or frequency set measured in a first time period as an input of the AI or ML based model and the predicted measurement results of a second part of or an entire beams for a second or full BWP or frequency set associated with a second time period as a label of the AI or ML based model, wherein the first time period precedes the second time period.

[0062] In some implementations, the first set of radio resources corresponds to a first set of cells and the second set of radio resources corresponds to a second set of cells. Process 800 may involve processor 712 deriving a cell quality of the first set of cells, the second set of cells, or both.

[0063] In some implementations, a prediction information indicates that a measurement event is predicted to happen. Process 800 may involve processor 712 evaluating a reporting condition for triggering a transmission of the prediction information, wherein the measurement results and / or the predicted measurement results are used for evaluating the reporting condition based on a network configuration.

[0064] In some implementations, process 800 may involve processor 712 evaluating a reporting condition for a predicted moment. Further, process 800 may involve processor 712 reporting a measurement event at a measurement moment in an event that the reporting condition is met.

[0065] In some implementations, process 800 may involve processor 712 evaluating a reporting condition within a period comprising a TTT and a predicted moment. Further, process 800 may involve processor 712 reporting a measurement event at the predicted moment in an event that the reporting condition with a longer TTT is met.

[0066] In some implementations, the AI / ML based model corresponds to one or a cluster of cells.

[0067] In some implementations, a quality of a reference signal associated with the measurement results includes an SNR, an RSRP, or an RSS.

[0068] In some implementations, process 800 may involve processor 712 training the AI / ML based model based on the measurement results and the predicted measurement results.

[0069] FIG. 9 illustrates an example process 900 in accordance with an implementation of the present disclosure. Process 900 may be an example implementation of above scenarios / schemes, whether partially or completely, with respect to AI / ML based measurement event prediction in mobile communications. Process 900 may represent an aspect of implementation of features of communication apparatus 710. Process 900 may include one or more operations, actions, or functions as illustrated by one or more of blocks 910, 920, 930, and 940. Although illustrated as discrete blocks, various blocks of process 900 may be divided into additional blocks, combined into fewer blocks, or eliminated, depending on the desired implementation. Moreover, the blocks of process 900 may be executed in the order shown in FIG. 9 or, alternatively, in a different order. Process 900 may be implemented by communication apparatus 710 or any suitable UE (e.g., UE 110) or machine type devices. Solely for illustrative purposes and without limitation, process 900 is described below in the context of communication apparatus 710 as a UE. Process 900 may begin at block 910.

[0070] At block 910, process 900 may involve processor 712 of communication apparatus 710 performing an AI / ML based prediction. Process 900 may proceed from block 910 to block 920.

[0071] At block 920, process 900 may involve processor 712 starting an HO preparation in an event that a measurement event is predicted to happen based on a result of the AI / ML based prediction. Process 900 may proceed from block 920 to block 930.

[0072] At block 930, process 900 may involve processor 712 receiving, via transceiver 716, an HO command from a network node (e.g., network apparatus 720) in an event that a triggering condition of the measurement event is met. Process 900 may proceed from block 930 to block 940.

[0073] At block 940, process 900 may involve processor 712 performing an HO execution according to the HO command.

[0074] In some implementations, the measurement event is predicted to happen based on the result of the AI / ML based prediction and ameasurement result.

[0075] In some implementations, process 900 may involve processor 712 transmitting, via transceiver 716, a measurement report to the network node based on the result of the AI / ML based prediction.

[0076] In some implementations, process 900 may involve processor 712 evaluating a reporting condition based on the result of the AI / ML based prediction.

[0077] In some implementations, process 900 may involve processor 712 evaluating a reporting condition with a TTT and a predicted moment based on a measurement result and the result of the AI or ML based prediction.

[0078] FIG. 10 illustrates an example process 1000 in accordance with an implementation of the present disclosure. Process 1000 may be an example implementation of above scenarios / schemes, whether partially or completely, with respect to AI / ML based measurement event prediction in mobile communications. Process 1000 may represent an aspect of implementation of features of network apparatus 720. Process 1000 may include one or more operations, actions, or functions as illustrated by one or more of blocks 1010.1020, and 1030. Although illustrated as discrete blocks, various blocks of process 1000 may be divided into additional blocks, combined into fewer blocks, or eliminated, depending on the desired implementation. Moreover, the blocks of process 1000 may be executed in the order shown in FIG. 10 or, alternatively, in a different order. Process 1000 may be implemented by network apparatus 720 or any base stations (e.g., BS 120) or network nodes. Solely for illustrative purposes and without limitation, process 1000 is described below in the context of network apparatus 720. Process 1000 may begin at block 1010.

[0079] At block 1010, process 1000 may involve processor 722 of network apparatus 720 receiving, via transceiver 726, a measurement report from a UE (e.g., communication apparatus 710) . The measurement report is generated based on a result of an AI / ML based prediction. Process 1000 may proceed from block 1010 to block 1020.

[0080] At block 1020, process 1000 may involve processor 722 making an HO decision based on the measurement report. Process 1000 may proceed from block 1020 to block 1030.

[0081] At block 1030, process 1000 may involve processor 712 transmitting, via transceiver 726, an HO command according to the HO decision to the UE. Additional Notes

[0082] The herein-described subject matter sometimes illustrates different components contained within, or connected with, different other components. It is to be understood that such depicted architectures are merely examples, and that in fact many other architectures can be implemented which achieve the same functionality. In a conceptual sense, any arrangement of components to achieve the same functionality is effectively "associated" such that the desired functionality is achieved. Hence, any two components herein combined to achieve a particular functionality can be seen as "associated with" each other such that the desired functionality is achieved, irrespective of architectures or intermedial components. Likewise, any two components so associated can also be viewed as being "operably connected" , or "operably coupled" , to each other to achieve the desired functionality, and any two components capable of being so associated can also be viewed as being "operably couplable" , to each other to achieve the desired functionality. Specific examples of operably couplable include but are not limited to physically mateable and / or physically interacting components and / or wirelessly interactable and / or wirelessly interacting components and / or logically interacting and / or logically interactable components.

[0083] Further, with respect to the use of substantially any plural and / or singular terms herein, those having skill in the art can translate from the plural to the singular and / or from the singular to the plural as is appropriate to the context and / or application. The various singular / plural permutations may be expressly set forth herein for sake of clarity.

[0084] Moreover, it will be understood by those skilled in the art that, in general, terms used herein, and especially in the appended claims, e.g., bodies of the appended claims, are generally intended as “open” terms, e.g., the term “including” should be interpreted as “including but not limited to, ” the term “having” should be interpreted as “having at least, ” the term “includes” should be interpreted as “includes but is not limited to, ” etc. It will be further understood by those within the art that if a specific number of an introduced claim recitation is intended, such an intent will be explicitly recited in the claim, and in the absence of such recitation no such intent is present. For example, as an aid to understanding, the following appended claims may contain usage of the introductory phrases "at least one" and "one or more" to introduce claim recitations. However, the use of such phrases should not be construed to imply that the introduction of a claim recitation by the indefinite articles "a" or "an" limits any particular claim containing such introduced claim recitation to implementations containing only one such recitation, even when the same claim includes the introductory phrases "one or more" or "at least one" and indefinite articles such as "a" or "an, " e.g., “a” and / or “an” should be interpreted to mean “at least one” or “one or more; ” the same holds true for the use of definite articles used to introduce claim recitations. In addition, even if a specific number of an introduced claim recitation is explicitly recited, those skilled in the art will recognize that such recitation should be interpreted to mean at least the recited number, e.g., the bare recitation of "two recitations, " without other modifiers, means at least two recitations, or two or more recitations. Furthermore, in those instances where a convention analogous to “at least one of A, B, and C, etc. ” is used, in general such a construction is intended in the sense one having skill in the art would understand the convention, e.g., “a system having at least one of A, B, and C” would include but not be limited to systems that have A alone, B alone, C alone, A and B together, A and C together, B and C together, and / or A, B, and C together, etc. In those instances where a convention analogous to “at least one of A, B, or C, etc. ” is used, in general such a construction is intended in the sense one having skill in the art would understand the convention, e.g., “a system having at least one of A, B, or C” would include but not be limited to systems that have A alone, B alone, C alone, A and B together, A and C together, B and C together, and / or A, B, and C together, etc. It will be further understood by those within the art that virtually any disjunctive word and / or phrase presenting two or more alternative terms, whether in the description, claims, or drawings, should be understood to contemplate the possibilities of including one of the terms, either of the terms, or both terms. For example, the phrase “A or B” will be understood to include the possibilities of “A” or “B” or “A and B. ”

[0085] From the foregoing, it will be appreciated that various implementations of the present disclosure have been described herein for purposes of illustration, and that various modifications may be made without departing from the scope and spirit of the present disclosure. Accordingly, the various implementations disclosed herein are not intended to be limiting, with the true scope and spirit being indicated by the following claims.

Claims

1.A method, comprising:performing, by a processor of an apparatus, measurement on a first set of radio resources;obtaining, by the processor, predicted measurement results on a second set of radio resources based on the measurement by performing a measurement prediction at one or a combination of a temporal domain, a spatial domain, and a frequency domain with an artificial intelligence (AI) or machine learning (ML) based model; andtransmitting, by the processor, a measurement report to a network node according to measurement results of the measurement on the first set of radio resources and / or the predicted measurement results.2.The method of Claim 1, wherein:the measurement prediction comprises a cell-level radio resource management (RRM) measurement prediction or a beam-level RRM measurement prediction; orthe measurement results correspond to layer 1 (L1) measurement results, an output of L1 filtering, an output of layer 3 (L3) beam filtering, an output of beam consolidation or selection, or an output of L3 filtering for cell quality.3.The method of Claim 1, wherein the measurement results used for the measurement prediction comprises layer 1 (L1) measurement results, and the method further comprises:predicting, by the processor, the predicted measurement results on the second set of radio resources; andperforming, by the processor, a layer 3 (L3) filtering on the measurement results associated with the first set of radio resources and the predicted measurement result associated with the second set of radio resources.4.The method of Claim 1, wherein the measurement results used for the measurement prediction comprises layer 3 (L3) measurement results, and the method further comprises:performing, by the processor, an L3 filtering on the measurement results associated with the first set of radio resources; andpredicting, by the processor, the predicted measurement result on the second set of radio resources.5.The method of Claim 4, further comprising:performing, by the processor, the L3 filtering on the measurement results associated with the first set of radio resources;obtaining, by the processor, the predicted measurement results on the second set of radio resources by performing the measurement prediction;performing, by the processor, a beam consolidation or selection; andderiving, by the processor, a cell quality.6.The method of Claim 1, wherein the first set of radio resources corresponds to a first set of reference signals for a first set of cells and the second set of radio resources corresponds to a second set of reference signals for a second set of cells, wherein the first set of reference signals and the second set of reference signals are in an identical frequency domain and an identical spatial domain, and the obtaining of the predicted measurement results further comprises:performing the measurement prediction at the temporal domain by using the measurement results measured in a first time period as an input of the AI or ML based model and the predicted measurement results associated with a second time period as a label of the AI or ML based model, wherein the first time period precedes the second time period.7.The method of Claim 1, wherein the first set of radio resources corresponds to a first set of reference signals for a first set of cells and the second set of radio resources corresponds to a second set of reference signals for a second set of cells, wherein the first set of reference signals and the second set of reference signals are in an identical frequency domain, and the obtaining of the predicted measurement results further comprises:performing the measurement prediction at a combination of the temporal domain and the spatial domain by using the measurement results of a first part of beams measured in a first time period as an input of the AI or ML based model and the predicted measurement results of a second part of or an entire beam associated with a second time period as a label of the AI or ML based model, wherein the first time period precedes the second time period.8.The method of Claim 1, wherein the first set of radio resources corresponds to a first set of reference signals for a first set of cells and the second set of radio resources corresponds to a second set of reference signals for a second set of cells, wherein the first set of reference signals and the second set of reference signals are in an identical spatial domain, and the obtaining of the predicted measurement results further comprises:performing the measurement prediction at a combination of the temporal domain and the frequency domain by using the measurement results of a first bandwidth part (BWP) or frequency set measured in a first time period as an input of the AI or ML based model and the predicted measurement results of a second or full BWP or frequency set associated with a second time period as a label of the AI or ML based model, wherein the first time period precedes the second time period.9.The method of Claim 1, wherein the obtaining of the predicted measurement results further comprises:performing the measurement prediction at a combination of the temporal domain, the spatial domain, and the frequency domain by using the measurement results of a first part of beams for a first bandwidth part (BWP) or frequency set measured in a first time period as an input of the AI or ML based model and the predicted measurement results of a second part of or an entire beams for a second or full BWP or frequency set associated with a second time period as a label of the AI or ML based model, wherein the first time period precedes the second time period.10.The method of Claim 1, wherein the first set of radio resources corresponds to a first set of cells and the second set of radio resources corresponds to a second set of cells, and the method further comprises:deriving, by the processor, a cell quality of the first set of cells, the second set of cells, or both.11.The method of Claim 1, wherein a prediction information indicates that a measurement event is predicted to happen, and the method further comprises:evaluating, by the processor, a reporting condition for triggering a transmission of the prediction information, wherein the measurement results and / or the predicted measurement results are used for evaluating the reporting condition based on a network configuration.12.The method of Claim 1, further comprising:evaluating, by the processor, a reporting condition for a predicted moment; andreporting, by the processor, a measurement event at a measurement moment in an event that the reporting condition is met.13.The method of Claim 1, further comprising:evaluating, by the processor, a reporting condition within a period comprising a time to trigger (TTT) and a predicted moment; andreporting, by the processor, a measurement event at the predicted moment in an event that the reporting condition with a longer TTT is met.14.The method of Claim 1, wherein the AI or ML based model corresponds to one or a cluster of cells.15.The method of Claim 1, wherein a quality of a reference signal associated with the measurement results comprises a signal-to-noise ratio (SNR) , a reference signal received power (RSRP) , or a received signal strength (RSS) .16.The method of Claim 1, furthering comprising:training, by the processor, the AI or ML based model based on the measurement results and the predicted measurement results.17.A method, comprising:performing, by a processor of an apparatus, an artificial intelligence (AI) or machine learning (ML) based prediction;starting, by the processor, a handover (HO) preparation in an event that a measurement event is predicted to happen based on a result of the AI or ML based prediction;receiving, by the processor, an HO command from a network node in an event that a triggering condition of the measurement event is met; andperforming, by the processor, an HO execution according to the HO command.18.The method of Claim 17, wherein the measurement event is predicted to happen based on the result of the AI or ML based prediction and a measurement result.19.The method of Claim 17, further comprising:transmitting, by the processor, a measurement report to the network node based on the result of the AI or ML based prediction.20.The method of Claim 19, further comprising:evaluating, by the processor, a reporting condition based on the result of the AI or ML based prediction.21.The method of Claim 19, further comprising:evaluating, by the processor, a reporting condition with a time to trigger (TTT) and a predicted moment based on a measurement result and the result of the AI or ML based prediction.22.A method, comprising:receiving, by a processor of a network node, a measurement report from a user equipment (UE) , wherein the measurement report is generated based on a result of an artificial intelligence (AI) or machine learning (ML) based prediction;making, by the processor, a handover (HO) decision based on the measurement report; andtransmitting, by the processor, an HO command according to the HO decision to the UE.23.An apparatus, comprising:a transceiver which, during operation, communicates wirelessly; anda processor communicatively coupled to the transceiver such that, during operation, the processor performs operations comprising:performing measurement on a first set of radio resources;obtaining predicted measurement results on a second set of radio resources based on the measurement by performing a measurement prediction at one or a combination of a temporal domain, a spatial domain, and a frequency domain with an artificial intelligence (AI) or machine learning (ML) based model; andtransmitting, via the transceiver, a measurement report to a network node according to measurement results of the measurement on the first set of radio resources and / or the predicted measurement results.

Images