Early switch from WIFI to cellular using machine learning

Abstract

Techniques pertaining to early switch from WiFi to cellular using machine learning in wireless communications are described. An apparatus (e.g., user equipment (UE)) determines to switch from a first type of wireless connection to a second type of wireless connection based on a pattern recognized by machine learning. In response to the determining, the apparatus switches from the first type of wireless connection to the second type of wireless connection.

Description

EARLY SWITCH FROM WIFI TO CELLULAR USING MACHINE LEARNINGCROSS REFERENCE TO RELATED PATENT APPLICATION (S)

[0001] The present disclosure is part of a non-provisional application claiming the priority benefit of U.S. Patent Application No. 63 / 661, 633, filed 19 June 2024, the content of which herein being incorporated by reference in its entirety.TECHNICAL FIELD

[0002] The present disclosure is generally related to wireless communications and, more particularly, to early switch from WiFi to cellular using machine learning (ML) in wireless 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 wireless communications such as mobile communications in accordance with the 3rd Generation Partnership Project (3GPP) standards, mobile devices (e.g., user equipment (UE) ) can be equipped with cellular (e.g., 4th Generation (4G) and / or 5th Generation (5G) ) and WiFi modules. The Internet Protocol (IP) data stack of a mobile device can use WiFi whenever the mobile device can connect to a WiFi coverage. When WiFi is out of coverage, the data stack switches to a cellular network.

[0005] Currently, in a typical mobile device, the switch from WiFi to cellular does not occur until the WiFi signal is very weak of even until the WiFi link is lost. However, when the strength of the WiFi signal is weak, the throughput and service quality tends to be already poor, thereby negatively impacting user experience. Such scenario can happen, for example, when the user of the mobile device walks out of a building (e.g., house, office or hotel) with WiFi to an open space where cellular services are available. One reason to keep WiFi connection as long as possible could be that often times WiFi connection is free of charge. Accordingly, if the mobile device can change its internet connectivity from WiFi to cellular earlier, then it is likely that the mobile device could maintain good throughput and service quality, especially when the mobility pattern is known or predictable (e.g., that the mobile device is to eventually leave the WiFi coverage) .

[0006] Therefore, there is a need for a solution of early switch from WiFi to cellular using machine learning in wireless communications.SUMMARY

[0007] 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. Selected 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.

[0008] An objective of the present disclosure is to propose solutions or schemes that address the issue (s) described herein. More specifically, various schemes proposed in the present disclosure pertain to early switch from WiFi to cellular using machine learning in wireless communications. It is believed that implementations of the various proposed schemes may address or otherwise alleviate the aforementioned issue (s) .

[0009] For instance, under the proposed schemes in accordance with the present disclosure, a mobile device may perform early switch from WiFi to cellular by using machine learning with a neural network (and training results thereof) to differentiate patterns in the drop or decay in WiFi received signal strength indicators (RSSIs) between leaving a WiFi network (e.g., leaving a house or building) and staying in the WiFi network (e.g., staying in the house or building) . Additionally, under the proposed schemes, a WiFi access point (AP) basic service set identifier (BSSID) may be used as an input to the neural network for training and inference in addition to inputting data of WiFi RSSI time series. Moreover, under the proposed schemes, a partial data series may expand to a full data by interpolation to provide early prediction. Advantageously, one or more of the proposed schemes may allow the mobile device to utilize machine learning to recognize patterns of leaving a WiFi network soon and early enough to switch from a WiFi connection to a cellular connection, without waiting till the mobile device is out of WiFi coverage when throughput is low or quality of service (QoS) is poor.

[0010] In one aspect, a method may involve an apparatus (e.g., a mobile device / UE) determining to switch from a first type of wireless connection to a second type of wireless connection based on a pattern recognized by machine learning. The method may also involve the apparatus switching from the first type of wireless connection to the second type of wireless connection responsive to the determining.

[0011] In another aspect, an apparatus may include a transceiver configured to communicate wirelessly and a processor coupled to the transceiver. The processor may determine to switch from a first type of wireless connection to a second type of wireless connection based on a pattern recognized by machine learning. The processor may also switch, via the transceiver, from the first type of wireless connection to the second type of wireless connection responsive to the determining.

[0012] It is noteworthy that, although description provided herein may be in the context of certain radio access technologies, networks, and network topologies for wireless communication, such as 5th Generation (5G)  / New Radio (NR) mobile communications, 6th Generation (6G) mobile communications and beyond, 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 such as, for example and without limitation, Evolved Packet System (EPS) , Long-Term Evolution (LTE) , LTE-Advanced, LTE-Advanced Pro, Internet-of-Things (IoT) , Narrow Band Internet of Things (NB-IoT) , Industrial Internet of Things (IIoT) , vehicle-to-everything (V2X) , and non-terrestrial network (NTN) communications. 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 of an example scenario under a proposed scheme in accordance with the present disclosure.

[0015] FIG. 2 is a diagram of an example scenario under a proposed scheme in accordance with the present disclosure.

[0016] FIG. 3 is a diagram of an example scenario under a proposed scheme in accordance with the present disclosure.

[0017] FIG. 4 is a diagram of an example scenario under a proposed scheme in accordance with the present disclosure.

[0018] FIG. 5 is a diagram of an example scenario under a proposed scheme in accordance with the present disclosure.

[0019] FIG. 6 is a diagram of an example scenario under a proposed scheme in accordance with the present disclosure.

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

[0021] FIG. 8 is a flowchart of an example process under a proposed scheme in accordance with the present disclosure.DETAILED DESCRIPTION

[0022] 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 the 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

[0023] Implementations in accordance with the present disclosure relate to various techniques, methods, schemes and / or solutions pertaining to early switch from WiFi to cellular using machine learning in wireless 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. Moreover, although various proposed schemes in accordance with the present disclosure may be described in the context of performing early switch from WiFi to cellular, the proposed schemes may also be applied to other contexts of early switch from one wireless technology (or a first type of wireless connection) to another wireless technology (or a second type of wireless connection) and not limited to early switch from WiFi to cellular.

[0024] FIG. 1 illustrates an example scenario 100 under a proposed scheme in accordance with the present disclosure. Part (A) of FIG. 1 shows an example operation in a mobile device, or UE, capable of wireless communications via different technologies including WiFi, in compliance with the Institute of Electrical and Electronics Engineers (IEEE) 802.11 standard (s) , and cellular communications, in compliance with the 3rd Generation Partnership Project (3GPP) standard (s) . That is, the mobile device may be equipped with WiFi and cellular modules. When the mobile device is within WiFi coverage, the mobile device may transmit and receive data via a WiFi connection. When the mobile device is out of WiFi coverage but in cellular coverage, the mobile device may switch to a cellular connection to transmit and receive data.

[0025] Part (B) of FIG. 1 shows late switch from WiFi to cellular versus early switch from WiFi to cellular. As the mobile device moves away from an AP of a WiFi network (e.g., a wireless local area network (WLAN) ) , the WiFi RSSI tends to decay or drop. In conventional and existing approaches, the WiFi to cellular switch typically does not happen until the WiFi signal strength or quality is very poor, and this is shown as “Case 2” as late switch from WiFi to cellular. Under various proposed schemes in accordance with the present disclosure, early switch from WiFi to cellular for the mobile device may happen by using machine learning with a neural network to differentiate WiFi RSSI drop patterns between a scenario of leaving a WiFi network (e.g., leaving a house or building) and another scenario of staying in the WiFi network (e.g., staying in the house or building) . For instance, the BSSID associated with the WiFi AP may be used as an input for training and inference of the neural network, in addition to inputting data of WiFi RSSI time series. Advantageously, the switch from WiFi to cellular may occur before the WiFi RSSI decays or otherwise degrades to a predefined threshold, thereby avoiding negative user experience.

[0026] FIG. 2 illustrates an example scenario 200 under a proposed scheme in accordance with the present disclosure. Referring to FIG. 2, machine learning with a neural network (or deep learning) may be utilized in assisting or otherwise achieving the early switch from WiFi to cellular under the proposed schemes in accordance with the present disclosure, as machine Learning with a neural network may mimic human thinking to recognize different patterns. Under the proposed scheme, one neural network may include an input layer, one or more hidden layers, and an output layer. To enable the neural network to recognize patterns (e.g., mobility patterns of a mobile device) , the neural network may be pre-trained with one or more training data sets including multiple instances of input and correct output (called label yj) . The process of training the neural network with correct output may be referred to as supervised learning. After training (e.g., with training data set (s) including input (s) and output (s) ) , the neural network may infer the output  based on new input xi. Under the proposed scheme, one application of machine learning with the neural network may be to classify between two classes (e.g., a mobile device is leaving a WiFi network versus the mobile device is staying in coverage of the WiFi network) .

[0027] FIG. 3 illustrates an example scenario 300 under a proposed scheme in accordance with the present disclosure. In scenario 300, the neural network may be used to infer whether or not a mobile device is leaving a WiFi network or still stays in the WiFi network. The neural network may use any available deep learning method of classifying between two classes (e.g., Class 1 and Class 0) in the output, as expressed below for example:

[0028] The neural network may take time series of WiFi RSSI values as input (e.g., r (1) , …r (i) , …r (n) ) , where each data point may be a time periodic sample of received WiFi RSSI at the mobile device. For instance, a neural network model may use any recurrent neural network (RNN) or one-dimensional convolution neural network (CNN) .

[0029] FIG. 4 illustrates an example scenario 400 under a proposed scheme in accordance with the present disclosure. Since different WiFi networks can present different RSSI decay patterns, a respective neural network may be used for each WiFi AP, which may be identified by its associated BSSID. Thus, in scenario 400, different neural networks associated different WiFi APs may be trained with different training data sets as well as represented with different neural network parameters. Depending on a current BSSID, the respective neural network may be invoked to provide inference.

[0030] FIG. 5 illustrates an example scenario 500 under a proposed scheme in accordance with the present disclosure. Different from scenario 400, in scenario 500, one neural network may use WiFi BSSID as input for training and inference, in addition to RSSI time series.

[0031] FIG. 6 illustrates an example scenario 600 under a proposed scheme in accordance with the present disclosure. In scenario 600, data for training may be collected for a duration starting when the WiFi RSSI is below a predefined threshold (e.g., the threshold shown in part (B) of FIG. 1) . Although the input to the neural network for inference may require an n-point time series, early inference with only partial k-point (k < n) may use interpolation to expand to an n-point input.

[0032] In view of the above, it may be summarized that, under one or more of the proposed schemes a mobile device may utilize WiFi RSSI in machine learning (e.g., using a neural network or deep learning) to learn WiFi drop or decay patterns of the mobile device leaving a WiFi network or staying in coverage of the WiFi network. Additionally, neural network patterns may be separated per WiFi AP BSSID and may use currently sojourned WiFi AP BSSID to select or choose associated neural network parameters for inference. Moreover, WiFi AP BSSID (s) may be part of input to a neural network in learning and inference. Furthermore, input data may be expanded to a required full data set before inference. Illustrative Implementations

[0033] FIG. 7 illustrates an example communication system 700 having at least an example apparatus 710 and an example apparatus 720 in accordance with an implementation of the present disclosure. Each of apparatus 710 and apparatus 720 may perform various functions to implement schemes, techniques, processes and methods described herein pertaining to early switch from WiFi to cellular using machine learning in wireless communications, including the various schemes described above with respect to various proposed designs, concepts, schemes and systems, as well as example process (es) described below.

[0034] Each of apparatus 710 and apparatus 720 may be a part of an electronic apparatus, which may be a lab computer, a network apparatus. In some implementations, each of apparatus 710 and apparatus 720 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 complex-instruction-set-computing (CISC) processors, or one or more reduced-instruction-set-computing (RISC) processors. In the various schemes described above, each of apparatus 710 and apparatus 720 may be implemented in or as a network apparatus or a UE. Each of apparatus 710 and apparatus 720 may include at least some of those components shown in FIG. 7 such as a processor 712 and a processor 722, respectively, for example. Each of apparatus 710 and 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 apparatus 710 and apparatus 720 are neither shown in FIG. 7 nor described below in the interest of simplicity and brevity.

[0035] In one aspect, each of 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 or RISC processors. That is, even though a singular term “a processor” is used herein to refer to processor 712 and processor 722, each of 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 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 processor 712 and processor 722 is a special-purpose machine specifically designed, arranged and configured to perform specific tasks including those pertaining to early switch from WiFi to cellular using machine learning in wireless communications in accordance with various implementations of the present disclosure.

[0036] In some implementations, apparatus 710 may also include a transceiver 716 coupled to processor 712. Transceiver 716 may be capable of wirelessly transmitting and receiving data. In some implementations, transceiver 716 may be capable of wirelessly communicating with different types of wireless networks of different radio access technologies (RATs) . In some implementations, transceiver 716 may be equipped with a plurality of antenna ports (not shown) such as, for example, four antenna ports. That is, transceiver 716 may be equipped with multiple transmit antennas and multiple receive antennas for MIMO wireless communications. In some implementations, apparatus 720 may also include a transceiver 726 coupled to processor 722. Transceiver 726 may include a transceiver capable of wirelessly transmitting and receiving data. In some implementations, transceiver 726 may be capable of wirelessly communicating with different types of UEs / wireless networks of different RATs. In some implementations, transceiver 726 may be equipped with a plurality of antenna ports (not shown) such as, for example, four antenna ports. That is, transceiver 726 may be equipped with multiple transmit antennas and multiple receive antennas for MIMO wireless communications.

[0037] In some implementations, apparatus 710 may further include a memory 714 coupled to processor 712 and capable of being accessed by processor 712 and storing data therein. In some implementations, apparatus 720 may further include a memory 724 coupled to processor 722 and capable of being accessed by processor 722 and storing data therein. Each of memory 714 and memory 724 may include a type of random-access memory (RAM) such as dynamic RAM (DRAM) , static RAM (SRAM) , thyristor RAM (T-RAM) and / or zero-capacitor RAM (Z-RAM) . Alternatively, or additionally, each of memory 714 and memory 724 may include a type of read-only memory (ROM) such as mask ROM, programmable ROM (PROM) , erasable programmable ROM (EPROM) and / or electrically erasable programmable ROM (EEPROM) . Alternatively, or additionally, each of memory 714 and memory 724 may include a type of non-volatile random-access memory (NVRAM) such as flash memory, solid-state memory, ferroelectric RAM (FeRAM) , magnetoresistive RAM (MRAM) and / or phase-change memory.

[0038] Each of apparatus 710 and apparatus 720 may be a communication entity capable of communicating with each other using various proposed schemes in accordance with the present disclosure. For illustrative purposes and without limitation, a description of capabilities of apparatus 710, as a mobile device or UE, and apparatus 720, as a WiFi AP or network node of a network (e.g., WLAN or 5G / NR mobile network) , is provided below in the context of example process 800. Illustrative Processes

[0039] FIG. 8 illustrates an example process 800 in accordance with an implementation of the present disclosure. Process 800 may represent an aspect of implementing various proposed designs, concepts, schemes, systems and methods described above pertaining to early switch from WiFi to cellular using machine learning in wireless communications, whether partially or entirely, including those pertaining to those described above. Each process may include one or more operations, actions, or functions as illustrated by one or more of blocks. Although illustrated as discrete blocks, various blocks of each process may be divided into additional blocks, combined into fewer blocks, or eliminated, depending on the desired implementation. Moreover, the blocks / sub-blocks of each process may be executed in the order shown in each figure, or alternatively in a different order. Furthermore, one or more of the blocks / sub-blocks of each process may be executed iteratively. Solely for illustrative purposes and without limiting the scope, process 800 is described below in the context of apparatus 710 as a mobile device (e.g., a UE equipped with cellular and WiFi modules as shown in FIG. 1) and apparatus 720 as a network node (e.g., an AP of a WiFi network or a base station of a cellular network) . Process 800 may begin at block 810.

[0040] At 810, process 800 may involve processor 712 of apparatus 710 determining to switch from a first type of wireless connection to a second type of wireless connection based on a pattern recognized by machine learning. Process 800 may proceed from 810 to 820.

[0041] At 820, process 800 may involve processor 712 switching, via transceiver 716, from the first type of wireless connection to the second type of wireless connection responsive to the determining.

[0042] In some implementations, in determining to switch based on the pattern recognized by machine learning, process 800 may involve processor 712 performing machine learning with a neural network to differentiate signal strength drop patterns between leaving the first type of wireless connection and staying in the first type of wireless connection.

[0043] In some implementations, in performing machine learning with the neural network to differentiate signal strength drop patterns between leaving the first type of wireless connection and staying in the first type of wireless connection, process 800 may involve processor 712 performing machine learning with the neural network to differentiate WiFi RSSI drop patterns between leaving a WiFi network and staying in the WiFi network.

[0044] In some implementations, in performing machine learning with the neural network to differentiate signal strength drop patterns between leaving the first type of wireless connection and staying in the first type of wireless connection, process 800 may involve processor 712: (a) using the neural network to infer whether or not the apparatus is leaving the WiFi network or staying in the WiFi network based on a deep learning method to classify between two classes in an output of the neural network; and (b) using time series of WiFi RSSI values as another input, with each data point as a time periodic sample of a received WiFi RSSI at the apparatus. In some implementations, in using the neural network, process 800 may involve processor 712 using a RNN or one-dimensional CNN.

[0045] In some implementations, in performing machine learning with the neural network to differentiate signal strength drop patterns between leaving the first type of wireless connection and staying in the first type of wireless connection, process 800 may involve processor 712 training different neural networks, each associated with a respective WiFi AP among different WiFi APs, with different training data, and wherein each AP is identified by a respective BSSID.

[0046] In some implementations, in performing machine learning with the neural network to differentiate signal strength drop patterns between leaving the first type of wireless connection and staying in the first type of wireless connection, process 800 may involve processor 712 using a WiFi BSSID and RSSI time series as input to the neural network for training and inference.

[0047] In some implementations, in performing machine learning with the neural network to differentiate signal strength drop patterns between leaving the first type of wireless connection and staying in the first type of wireless connection, process 800 may involve processor 712 training the neural network with data collected when the RSSI is below a threshold.

[0048] In some implementations, in switching, process 800 may involve processor 712 switching from connecting to a WiFi network to connecting to a cellular network.

[0049] In some implementations, in switching, process 800 may involve processor 712 switching from the first type of wireless connection to the second type of wireless connection before at least a throughput or a QoS drops to or below a threshold. Additional Notes

[0050] 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.

[0051] 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 the sake of clarity.

[0052] 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. ”

[0053] 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:determining, by a processor of an apparatus, to switch from a first type of wireless connection to a second type of wireless connection based on a pattern recognized by machine learning; andswitching, by the processor, from the first type of wireless connection to the second type of wireless connection responsive to the determining.2.The method of Claim 1, wherein the determining to switch based on the pattern recognized by machine learning comprises performing machine learning with a neural network to differentiate signal strength drop patterns between leaving the first type of wireless connection and staying in the first type of wireless connection.3.The method of Claim 2, wherein the performing of machine learning with the neural network to differentiate signal strength drop patterns between leaving the first type of wireless connection and staying in the first type of wireless connection comprises performing machine learning with the neural network to differentiate WiFi received signal strength indicator (RSSI) drop patterns between leaving a WiFi network and staying in the WiFi network.4.The method of Claim 3, wherein the performing of machine learning with the neural network to differentiate signal strength drop patterns between leaving the first type of wireless connection and staying in the first type of wireless connection comprises:using the neural network to infer whether or not the apparatus is leaving the WiFi network or staying in the WiFi network based on a deep learning method to classify between two classes in an output of the neural network; andusing time series of WiFi RSSI values as another input, with each data point as a time periodic sample of a received WiFi RSSI at the apparatus.5.The method of Claim 4, wherein the using of the neural network comprises using a recurrent neural network (RNN) or one-dimensional convolution neural network (CNN) .6.The method of Claim 3, wherein the performing of machine learning with the neural network to differentiate signal strength drop patterns between leaving the first type of wireless connection and staying in the first type of wireless connection comprises training different neural networks, each associated with a respective WiFi access point (AP) among different WiFi APs, with different training data, and wherein each AP is identified by a respective basic service set identifier (BSSID) .7.The method of Claim 3, wherein the performing of machine learning with the neural network to differentiate signal strength drop patterns between leaving the first type of wireless connection and staying in the first type of wireless connection comprises using a WiFi basic service set identifier (BSSID) and RSSI time series as input to the neural network for training and inference.8.The method of Claim 3, wherein the performing of machine learning with the neural network to differentiate signal strength drop patterns between leaving the first type of wireless connection and staying in the first type of wireless connection comprises training the neural network with data collected when the RSSI is below a threshold.9.The method of Claim 1, wherein the switching comprises switching from connecting to a WiFi network to connecting to a cellular network.10.The method of Claim 1, wherein the switching comprises switching from the first type of wireless connection to the second type of wireless connection before at least a throughput or a quality of service (QoS) drops to or below a threshold.11.An apparatus implementable in a user equipment (UE) , comprising:a transceiver configured to communicate wirelessly; anda processor coupled to the transceiver and configured to perform operations comprising:determining to switch from a first type of wireless connection to a second type of wireless connection based on a pattern recognized by machine learning; andswitching, via the transceiver, from the first type of wireless connection to the second type of wireless connection responsive to the determining.12.The apparatus of Claim 11, wherein the determining to switch based on the pattern recognized by machine learning comprises performing machine learning with a neural network to differentiate signal strength drop patterns between leaving the first type of wireless connection and staying in the first type of wireless connection.13.The apparatus of Claim 12, wherein the performing of machine learning with the neural network to differentiate signal strength drop patterns between leaving the first type of wireless connection and staying in the first type of wireless connection comprises performing machine learning with the neural network to differentiate WiFi received signal strength indicator (RSSI) drop patterns between leaving a WiFi network and staying in the WiFi network.14.The apparatus of Claim 13, wherein the performing of machine learning with the neural network to differentiate signal strength drop patterns between leaving the first type of wireless connection and staying in the first type of wireless connection comprises:using the neural network to infer whether or not the apparatus is leaving the WiFi network or staying in the WiFi network based on a deep learning method to classify between two classes in an output of the neural network; andusing time series of WiFi RSSI values as another input, with each data point as a time periodic sample of a received WiFi RSSI at the apparatus.15.The apparatus of Claim 14, wherein the using of the neural network comprises using a recurrent neural network (RNN) or one-dimensional convolution neural network (CNN) .16.The apparatus of Claim 13, wherein the performing of machine learning with the neural network to differentiate signal strength drop patterns between leaving the first type of wireless connection and staying in the first type of wireless connection comprises training different neural networks, each associated with a respective WiFi access point (AP) among different WiFi APs, with different training data, and wherein each AP is identified by a respective basic service set identifier (BSSID) .17.The apparatus of Claim 13, wherein the performing of machine learning with the neural network to differentiate signal strength drop patterns between leaving the first type of wireless connection and staying in the first type of wireless connection comprises using a WiFi basic service set identifier (BSSID) and RSSI time series as input to the neural network for training and inference.18.The apparatus of Claim 13, wherein the performing of machine learning with the neural network to differentiate signal strength drop patterns between leaving the first type of wireless connection and staying in the first type of wireless connection comprises training the neural network with data collected when the RSSI is below a threshold.19.The apparatus of Claim 11, wherein the switching comprises switching from connecting to a WiFi network to connecting to a cellular network.20.The apparatus of Claim 11, wherein the switching comprises switching from the first type of wireless connection to the second type of wireless connection before at least a throughput or a quality of service (QoS) drops to or below a threshold.

Images