Artificial intelligence / machine learning based multi-cell and multi-beam temporal radio resource management prediction

Abstract

Systems and methods for artificial intelligence / machine learning (AI / ML) -based multi-cell and multi-beam temporal radio resource management (RRM) prediction are disclosed herein. A user equipment (UE) performs a plurality of RSRP measurements on each of a plurality of transmit (Tx) -receive (Rx) beam pairs of a set of Tx-Rx beam pairs across a plurality of cells and a plurality of frequency layers; generates one or more tensors that associates the plurality of RSRP measurements to their corresponding Tx-Rx beam pairs, cells, and frequency layers; encodes the one or more tensors into a reduced dimensionality of features; generates, at an AI / ML model, using the reduced dimensionality of features, a predicted reduced dimensionality of features corresponding to the time t; and decodes the predicted reduced dimensionality of features into a predicted tensor having predicted RSRP values corresponding to the Tx-Rx beam pairs, cells, and frequency layers using a decoder.

Description

ARTIFICIAL INTELLIGENCE / MACHINE LEARNING BASED MULTI-CELL AND MULTI-BEAM TEMPORAL RADIO RESOURCE MANAGEMENT PREDICTIONTECHNICAL FIELD

[0001] This application relates generally to wireless communication systems, including wireless communication systems that use artificial intelligence (AI)  / machine learning (ML) to perform measurement predictions.BACKGROUND

[0002] Wireless mobile communication technology uses various standards and protocols to transmit data between a base station and a wireless communication device. Wireless communication system standards and protocols can include, for example, 3rd Generation Partnership Project (3GPP) Long Term Evolution (LTE) (e.g., 4G) , 3GPP New Radio (NR) (e.g., 5G) , and Institute of Electrical and Electronics Engineers (IEEE) 802.11 standard for Wireless Local Area Networks (WLAN) (commonly known to industry groups as  ) .

[0003] As contemplated by the 3GPP, different wireless communication systems' standards and protocols can use various radio access networks (RANs) for communicating between a base station of the RAN (which may also sometimes be referred to generally as a RAN node, a network node, or simply a node) and a wireless communication device known as a user equipment (UE) . 3GPP RANs can include, for example, Global System for Mobile communications (GSM) , Enhanced Data Rates for GSM Evolution (EDGE) RAN (GERAN) , Universal Terrestrial Radio Access Network (UTRAN) , Evolved Universal Terrestrial Radio Access Network (E-UTRAN) , and / or Next-Generation Radio Access Network (NG-RAN) .

[0004] Each RAN may use one or more radio access technologies (RATs) to perform communication between the base station and the UE. For example, the GERAN implements GSM and / or EDGE RAT, the UTRAN implements Universal Mobile Telecommunication System (UMTS) RAT or other 3GPP RAT, the E-UTRAN implements LTE RAT (sometimes simply referred to as LTE) , and NG-RAN implements NR RAT (sometimes referred to herein as 5G RAT, 5G NR RAT, or simply NR) . In certain deployments, the E-UTRAN may also implement NR RAT. In certain deployments, NG-RAN may also implement LTE RAT.

[0005] A base station used by a RAN may correspond to that RAN. One example of an E-UTRAN base station is an Evolved Universal Terrestrial Radio Access Network (E-UTRAN) Node B (also commonly denoted as evolved Node B, enhanced Node B, eNodeB,  or eNB) . One example of an NG-RAN base station is a next generation Node B (also sometimes referred to as a g Node B or gNB) .

[0006] A RAN provides its communication services with external entities through its connection to a core network (CN) . For example, E-UTRAN may utilize an Evolved Packet Core (EPC) while NG-RAN may utilize a 5G Core Network (5GC) .

[0007] Frequency bands for 5G NR may be separated into two or more different frequency ranges. For example, Frequency Range 1 (FR1) may include frequency bands operating in sub-6 gigahertz (GHz) frequencies, some of which are bands that may be used by previous standards, and may potentially be extended to cover new spectrum offerings from 410 megahertz (MHz) to 7125 MHz. Frequency Range 2 (FR2) may include frequency bands from 24.25 GHz to 52.6 GHz. Note that in some systems, FR2 may also include frequency bands from 52.6 GHz to 71 GHz (or beyond) . Bands in the millimeter wave (mmWave) range of FR2 may have smaller coverage but potentially higher available bandwidth than bands in FR1. Skilled persons will recognize these frequency ranges, which are provided by way of example, may change from time to time or from region to region.

[0008] BRIEF DESCRIPTION OF THE SEVERAL VIEWS OF THE DRAWINGS

[0009] To easily identify the discussion of any particular element or act, the most significant digit or digits in a reference number refer to the figure number in which that element is first introduced.

[0010] FIG. 1 illustrates a diagram showing a trajectory of a UE over time relative to cells of a RAN.

[0011] FIG. 2A illustrates a system model for the use of such an AI / ML model for predicting RSRPP (k, t) for a particular first prediction time t.

[0012] FIG. 2B illustrates a continuation of the system model introduced in FIG. 2A at a later point in time.

[0013] FIG. 3 illustrates a diagram for a procedure that implements dimensionality reduction prior to providing input to an AI / ML model.

[0014] FIG. 4A illustrates a diagram for a method of actually measuring some, but not all, Tx-Rx beam pairs across a full domain of all Tx-Rx beams that are possible between a UE and a network corresponding to a use of a temporal domain beam and / or cell prediction.

[0015] FIG. 4B illustrates a diagram for a method of actually measuring some, but not all, Tx-Rx beam pairs across a full domain of all Tx-Rx beams that are possible between a UE and a network corresponding to a use of a spatial domain beam and / or cell prediction.

[0016] FIG. 5A and FIG. 5B together illustrate an architecture for integrating a second AI / ML model implementing auto-encoder behavior into cases for dimensionality reduction on input to a first AI / ML model for generating RSRP predictions, according to embodiments herein.

[0017] FIG. 6 illustrates a method for a UE configured to identify a predicted Tx-Rx beam pair corresponding to a predicted cell of a predicted frequency layer for use at a time t of a prediction window from among a set of Tx-Rx beam pairs corresponding to Tx beams of a wireless network and Rx beams of the UE, according to embodiments discussed herein.

[0018] FIG. 7 illustrates an example architecture of a wireless communication system, according to embodiments disclosed herein.

[0019] FIG. 8 illustrates a system for performing signaling between a wireless device and a network device, according to embodiments disclosed herein.DETAILED DESCRIPTION

[0020] Various embodiments are described with regard to a UE. However, reference to a UE is merely provided for illustrative purposes. The example embodiments may be utilized with any electronic component that may establish a connection to a network and is configured with the hardware, software, and / or firmware to exchange information and data with the network. Therefore, the UE as described herein is used to represent any appropriate electronic component.

[0021] In some wireless communication systems, for artificial intelligence (AI)  / machine learning (ML) based mobility, enhancements in radio resource control (RRC) connected modes over an air interface follows an existing mobility framework (i.e., a handover decision is made at the network) . Mobility use cases may use a standalone NR primary cell (PCell) change. Further, a UE-sided and a network-sided AI / ML model may both be used.

[0022] Various objectives for mobility may be considered. For example, testability and interoperability of AI / ML based mobility, as well as the impacts on radio resource management (RRM) requirements and performance, may be evaluated and considered.

[0023] Additionally various cases for AI / ML based mobility have been considered and may be further specified. For example, in a first case, RRM measurement prediction may be considered as a first round of performance evaluation. In a second case, measurement event predictions may be considered. However they may be deprioritized. In a third case, radio link failure (RLF) and / or handover (HO) prediction may be considered. For example, the  RLF prediction may be further specified based on initial considerations and simulation assumptions. The HO prediction may be deprioritized.

[0024] In some wireless communication mechanisms, various protentional benefits and gains of AI / ML aided mobility for network triggered Layer 3 (L3) -based handover have been studied and evaluated. Such benefits may include various aspects such as AI / ML based RRM measurement and event prediction, cell level measurement prediction including intra and inter-frequency (using a UE sided or a network sided model) , inter-cell beam-level measurement prediction for L3 mobility (using a UE sided or a network sided model) , HO failure / RLF prediction (using a UE sided model) , and measurement events prediction (using a UE sided model) .

[0025] Additionally, the needs and / or benefits of UE assistance information for the network side model may be further considered. For example, the evaluation of the AI / ML aided mobility benefits may consider HO performance key performance indicators (KPIs) (e.g., ping-pong HO, handover failure (HOF)  / RLF, time of stay, handover interruption, prediction accuracy and measurement reduction) , etc. ) and complexity tradeoffs. Note that a simulation assumption and methodology can include, for example, that discussed in 3GPP technical report (TR) 38.901, 3GPP TR 38.843 and 3GPP TR 36.839. Potential AI / ML mobility specific enhancements may be based on a Rel-19 AI / ML air interface general framework (e.g., life cycle management (LCM) , performance monitoring) .

[0026] In some wireless communication systems, potential specification impacts of AI / ML aided mobility may be considered. For example, the testability, interoperability, and impacts on RRM requirements and performance may be evaluated. Note that such considerations may be defined by pre-allocated time units (TUs) . Further, note that a two-sided model might not be included in such considerations.

[0027] In various wide-area wireless communication systems (e.g., wireless communication systems using mmWave technologies) , it is useful for UEs to simultaneously track signals from multiple cells (as links to individual cells can be unreliable) . For example, it is beneficial to, for systems using mmWave technologies, track and predict link quality across multiple directions to ensure reliable communication. Additionally, most mmWave systems rely on dense cell deployments and multi-connectivity to provide macro-diversity, thereby offering resistance to signal blockage.

[0028] Multi-connectivity can be supported via carrier aggregation, where a UE can be simultaneously connected to multiple cells. In such cases, it may be useful for the UE to track and predict link quality aspects not only from multiple directions (corresponding to a  use of beamforming) but also from multiple directions from multiple cells (corresponding to uses beamforming coupled with macro-diversity) .

[0029] FIG. 1 illustrates a diagram 100 showing a trajectory 102 of a UE 104 over time relative to cells of a RAN including a first cell 106, a second cell 108, a third cell 110, a fourth cell 112, a fifth cell 114, a sixth cell 116, and a seventh cell 118.

[0030] As illustrated, the UE 104 is capable of using one or more of its receive (Rx) beams to communicate with various cells of the RAN as it moves along the trajectory 102 over time. The diagram 100 illustrates a case where, at one point in time, when the UE is on a particular point 136 on the trajectory 102, the UE 104 is operating on a first frequency layer (F1) and thus is operating with ones of the cells that operate on F1. For example, the UE 104 uses the first Rx beam 120 to communicate with the first cell 106 (which, as illustrated, is operating on F1) using first links 128 between the first Rx beam 120 and various transmit (Tx) beams of the first cell 106. Further, the UE 104 also uses the second Rx beam 122 to communicate with the second cell 108 (which, as illustrated, is operating on F1) using second links 130 between the second Rx beam 122 and various Tx beams of the second cell 108. Still further, the UE 104 also uses the third Rx beam 124 to communicate with the third cell 110 (which, as illustrated, is operating on F1) using third links 132 between the third Rx beam 124 and various Tx beams of the third cell 110. Still further, the UE 104 also uses the fourth Rx beam 126 to communicate with the fourth cell 112 (which, as illustrated, is operating on F1) using fourth links 134 between the fourth Rx beam 126 and various Tx beams of the fourth cell 112.

[0031] Note that the particular nature of the use of links with the cells (in other words, the particular Tx beams of the cells with which the UE Rx beams are used) may change as the UE moves along the trajectory 102 over time.

[0032] Note also that the UE is capable of alternating the frequency layer on which it operates over time. Accordingly, at some other time than that illustrated corresponding to the point 136, the UE may instead operate one or more of its Rx beams with Tx beams on the cells of a second frequency layer (F2) (e.g., the fifth cell 114, the sixth cell 116, and / or the seventh cell 118) .

[0033] Accordingly, with respect to this discussion of the diagram 100, it can be understood that communications between the UE 104 and the RAN can be categorized according to various applicable dimensions. These dimensions include a UE Rx beam dimension (an NRX dimension) , a cell Tx beam dimension (an NTX dimension) , a cell dimension (an Ncell dimension) and a frequency layer dimension (an Flayer dimension) .  Herein, a joint dimensionality corresponding to these dimensions may be denoted K. The diagram 100 summarizes this concept in terms of the notation 138 K = NTX × NRX × Ncell ×Flayer.

[0034] Note that while in the diagram 100 each of the first cell 106 through the seventh cell 118 is illustrated as corresponding to different physical base stations, the principles described in relation to FIG. 1 equally apply in cases where one or more cells of the RAN is co-located at a same physical location.

[0035] Embodiments herein relate mechanisms for both cell-level and beam-level temporal predictions in the context of a multi-link environment such as that described by way of example in relation to FIG. 1.

[0036] As contemplated herein, a cell-level reference signal receive power (RSRP) refers to a received signal strength from a specific cell (e.g., from a base station) . Temporal prediction at this level involves forecasting a future signal strength based on historical data and environmental dynamics.

[0037] Various beneficial use cases for cell-level RSRP prediction are contemplated. These include handover optimization cases. For example, predictions of future cell-level RSRPs may enable the use of proactive handovers, thereby effectuating dropped call reduction and user experience improvements.

[0038] Another beneficial use case for cell-level RSRP prediction relates to load balancing. For example, cell-level RSRP temporal predictions may be used to identify which cells may experience congestion or signal degradation. Traffic management decisions may then be made that take into account these predictions.

[0039] As contemplated herein, a beam-level RSRP relates to the measurement and tracking of signal strengths of individual beams in a beamforming system (e.g., both Rx and / or Tx beams and / or Tx-Rx pairs of these beams) . Predicting the future behavior of these beams may be particularly useful in mmWave networks where sufficient beam alignment is important for maintaining high-quality links.

[0040] Various beneficial use cases for beam-level RSRP prediction are contemplated. These include beam management cases. For example, RSRP predictions at a beam level can help the network dynamically adjust beamforming strategies to ensure stronger and more reliable links.

[0041] Another beneficial use case for beam-level RSRP is for reducing latency. For example, a timely prediction of beam-level RSRP aids in faster beam adjustments and / or reduces the time for beam switching. These predictions can also be used in place of actual  beam measurements in order to reduce the overhead of associated with actual beam measurements.

[0042] Embodiments herein relate to both cell-level and beam-level temporal prediction within dynamic environments. In real-world networks, especially in mmWave systems, signal strength at a UE varies with UE mobility, environmental blockages, and electromagnetic interference. Modeling these dynamic changes temporally is a complex endeavor.

[0043] One or more AI / ML models leveraging recurrent neural networks (RNNs) , Long Short-Term Memory (LSTM) , or other sequence prediction algorithms can help track these variations over time.

[0044] It is contemplated that a prediction model may account for correlations between multiple links (e.g., neighboring cells and / or different beams in the same sector) . The use of such multi-link models can improve the prediction accuracy by using shared / related information.

[0045] It is noted that accurate temporal prediction in this context may call for substantial amounts of historical RSRP data at both cell and beam levels. Such data may be processed by the AI / ML model to understand patterns, mobility trends, and environmental changes.

[0046] A system model corresponding to embodiments described herein is now provided. Consider a relevant time unit as being an amount of time to effectuate a reference signal burst during which Tx beams of the network and Rx beams are being swept.

[0047] Consider that there are Ncell cells that are each on one of Flayer frequency layers, that there are NTX Tx beams used by the network, that there are NRX Rx beams used at the UE, and that applicable discrete time steps correspond to t = 1, ..., T.

[0048] Then, let RSRP (i, j, l, m, t) denote the channel measured quality from cell i = 1, ..., Ncell; Tx beam j = 1, ..., NTX, Rx beam l = 1, ..., NRX, across all m = 1, ..., Flayer during one of the measurement periods represented in measurement period t (one of 1, ..., T) .

[0049] The first four dimensions i, j, l, and m for RSRP (i, j, l, m, t) may be merged into k, where k = 1, ..., NTX NRX Ncell Flayer. Notation according to this dimensional combination may be understood in terms of RSRP (k, t) . It will accordingly be understood that for each individual setting represented within k corresponds to an individual link between the UE and the network.

[0050] RSRP (k, t) may accordingly be understood as a multidimensional tensor K for the applicable time t, where the tensor K relates RSRP measurements to their corresponding / identifying k dimensional aspects (Tx beam, Rx beam, cell, and frequency  layer) at the represented time t. Note that the link qualities (the RSRPs) as represented within such tensors K may vary according to changing applicable times t for each tensor K. The variations will in general depend on UE motion, blocking, small-scale fading, hand blockage, and other channel characteristics change.

[0051] An AI / ML model may be trained on such data corresponding to multiple trajectories over time taken by a UE, where each trajectory is some route of the UE on which the UE experiencing some corresponding blockages, fadings, interferences, etc. In this case, we denote a tensor K for an n-th trajectory as RSRPn (k, t) . Accordingly, a trajectory can be understood in terms of multiple (atime series) of these RSRPn (k, t) tensors relating RSRPs on all beam-pairs at all cells and their corresponding frequency layers over t = 1, ..., T time steps.

[0052] Accordingly , given training data in the form of time series of tensors RSRPn (k, t) for various trajectories n = 1, ..., N, the AI / ML model can be trained against a loss. The loss may be understood in some cases according to a standard absolute mean error loss as defined as:

[0053] Long short-term memory (LSTM) AI / ML models may be used for these cases of wireless tracking problems due to their ability to capture both short-term dependencies, such as multipath fading, and long-term dependencies, like shadowing and blocking, that are represented in the data.

[0054] The desired result of training is an AI / ML model that is capable of predicting a tensor RSRPP (k, t) = P (RSRP (k, t -M -L: t -M) ) , for each of t = 1, ..., T. FIG. 2A illustrates a system model 200 for the use of such an AI / ML model for predicting RSRPP (k, t) for a particular first prediction time t 206.

[0055] The mechanism uses a first observation window (OW) 202 and a prediction window (PW) 204. During the first observation window 202, the UE performs RSRP measurements such that one or more tensors is constructed based on those measurements. The range covered by these tensors is accordingly understood in terms of t -M -L to t -M, where L represents the size of the first observation window 202 for which RSRP values are represented in the tensors, and the value M 208 is the duration between the end of the first observation window 202 and the start of the first prediction time t 206.

[0056] The one or more constructed tensors corresponding to the first observation window 202 are then provided to the AI / ML model, which generates a predicted tensor RSRPP (k, t) for the first prediction time t 206. RSRP values for various selections for the dimensionalities represented in that predicted tensor for the first prediction time t 206 can then be looked up within / using the predicted tensor RSRPP (k, t) .

[0057] FIG. 2B illustrates a continuation of the system model 200 at a later point in time. At this later point in time, the mechanism uses measurements of a second observation window 210 that is later in time than (but may overlap with) the first observation window 202 to generate a predicted tensor RSRPP (k, t) for a second prediction time t 212 that is later than the first prediction time t 206. After considering the new value for t, it is understood that during the second observation window 210, the UE performs RSRP measurements such that one or more tensors is constructed based on those measurements. The range covered by these tensors is accordingly understood in terms of t -M -L to t -M (according to the use of the second prediction time t 212 instead of the first prediction time t 206) , where L represents the size of the second observation window 210 for which RSRP values are represented in the tensors, and M is the duration between the end of the second observation window 210 and the start of the second prediction time t 212. Note that because the first observation window 202 and the second observation window 210 can overlap, one or more of these tensors may correspond to (and may be reused as determined according to) the first observation window 202.

[0058] The constructed tensors corresponding to the second observation window 210 are then provided to the AI / ML model, which generates a predicted tensor RSRPP (k, t) for the second prediction time t 212. RSRP values for various selections for the dimensionalities represented in that predicted tensor for the first prediction time t 206 can then be looked up from the predicted tensor RSRPP (k, t) .

[0059] FIG. 3 illustrates a diagram 300 for a procedure that further implements dimensionality reduction prior to providing input to an AI / ML model 302. In the case of the diagram 300, the AI / ML model 302 is an LSTM AI / ML model, as illustrated.

[0060] The diagram 300 illustrates temporal domain aspects using one time instance of the system model 200 just described (e.g., corresponding to the time represented in FIG. 2A) .

[0061] The diagram 300 illustrates the generation of one or more tensors 306 during the first observation window 202 and according to the dimensionality K 304 for such tensors.

[0062] Prior to the use of the AI / ML model 302, the one or more tensors 306 may be first provided to an auto-encoder 308, as illustrated. As is discussed herein, a tensor may use the  dimensionality K 304 that includes the NTX dimension, the NRX dimension, the Ncell dimension, and the Flayer dimension.

[0063] It has been determined that training and / or use of an AI / ML model (e.g., an LSTM model) with a number of discrete input paths corresponding to the dimensionality K 304 may use a large number of LSTM parameters. This large number of parameters could increase the generalization error by and inference complexity of the AI / ML model.

[0064] Accordingly, the purpose of the auto-encoder 308 is to receive the one or more tensors 306 that correspond to the first observation window 202 and encode them into a reduced dimensionality of features 310. As illustrated, the reduced dimensionality of features 310 represents an encoding of the data that was gathered into the one or more tensors 306 during the first observation window 202 according to a dimensionality C 312 that is of reduced dimension compared to the dimensionality K 304. This reduced dimensionality of features 310 may be mathematically denoted as x (k, t -M -L: t -M) , as illustrated. The auto-encoder 308 may accordingly be understood to operate in a combined spatial / frequency / cell domain, as illustrated.

[0065] The reduced dimensionality of features 310 is then provided to the AI / ML model

[0066] 302. Note that the AI / ML model 302 may have been trained using various time series of xn (k, t) values generated by an auto-encoder 308 corresponding to time series of RSRPn (k, t) values for various trajectories N (instead of training directly on time series of RSRPn (k, t) values themselves) . This process may have used loss values corresponding to this use of x (k, t) instead of loss values corresponding to the use of RSRP (k, t) . Accordingly, the AI / ML model 302 is able to take the reduced dimensionality of features 310 as an input and to predict a corresponding predicted reduced dimensionality of features 314 (an x (k, t) ) for the first prediction time t 206. In some embodiments, the predicted reduced dimensionality of features 314 may extend over the length of the prediction window 204, as illustrated.

[0067] A decoder that performs the reverse procedure to the auto-encoder 308 may be provided. Accordingly, the predicted reduced dimensionality of features 314 as generated by the AI / ML model 302 may be provided to the decoder 316, which decodes a predicted tensor 318 for predicted RSRP values according to of the dimensionality K 304 and for the first prediction time t 206 (an RSRPP (k, t) for the first prediction time t 206) .

[0068] One or more predicted RSRP measurements corresponding to the first prediction time t 206 from the set of predicted RSRP measurements within the predicted tensor 318 may then be identified as selected predicted RSRP measurements. For example, a highest predicted RSRP within the predicted tensor 318 may be identified. Then, according to the  dimensionality K 304 within the predicted tensor, a mapping of the selected predicted RSRP measurement to a corresponding predicted Tx-Rx beam pair corresponding a predicted cell of a predicted frequency layer can be made. This predicted information may then be used to improve one or more behaviors (beam management behaviors, load management behaviors, etc. ) .

[0069] Note that additional predicted tensors (additionally to the predicted tensor 318) could be so generated over time as new sets of one or more tensors corresponding to individual observation windows L corresponding to prediction times t for those predicted tensors are worked through the procedure as just described.

[0070] In some embodiments corresponding to the diagram 300 it may be understood that each of the one or more tensors 306 represents a set of RSRP measurements for a full domain of all Tx-Rx beams that are possible between the network and the UE. In other words, each of the tensors includes an actually taken RSRP measurement corresponding to each of all possible Tx-Rx beam pairs as between the UE and the network.

[0071] For some embodiments, using this number of actual RSRP measurements corresponding to the construction of each of the one or more tensors 306 may represent an undesirably large amount of overhead. Mechanisms to accordingly reduce this overhead are now discussed.

[0072] Corresponding to such circumstances, it may be that a second AI / ML model is used as an auto-encoder. In such cases, this second AI / ML model can take as input only some of all possible Tx-Rx beam pair RSRP measurements between the UE and the network (aproper subset of all possible RSRP Tx-Rx beam pair measurements between the UE and the network) and perform a beam and / or cell measurement prediction that is then used to generate a reduced dimensionality of features for inputting to the first AI / ML model (e.g., the LSTM) already discussed. Such (e.g., cell-level) RRM measurement predictions may lead to actual RRM measurement overhead reduction and thus, for example, alleviate the need for measurement gaps. This may lead to delay reductions corresponding to the RSRP measurement stage of the procedure.

[0073] Such cases may rely on organized / defined mechanisms for measuring some, but not all, RSRPs across a full domain of all Tx-Rx beams that are possible between a UE and a network for use with this second AI / ML model. FIG. 4A illustrates a diagram 402 for a method of actually measuring some, but not all, Tx-Rx beam pairs across a full domain of all Tx-Rx beams that are possible between a UE and a network corresponding to a use of a temporal domain beam and / or cell prediction. As illustrated, a UE 404 proceeds along a  trajectory 406 along a first cell 408, and then a second cell 410, and then a third cell 412. As the UE proceeds along the trajectory 406, it performs RSRP measurements on all of the Tx beams (e.g., using each of the UE Rx beams) on each of the first cell 408 and the second cell 410. Then, the second AI / ML model uses this information to predict RSRP measurements for Tx-Rx beam pairs between the UE and all of the beams of the third cell 412 (where the Tx beams of the third cell 412 are not actually measured, as illustrated) .

[0074] FIG. 4B illustrates a diagram 414 for a method of actually measuring some, but not all, Tx-Rx beam pairs across a full domain of all Tx-Rx beams that are possible between a UE and a network corresponding to a use of a spatial domain beam and / or cell prediction. As illustrated, a UE 416 proceeds along a trajectory 418 along a first cell 420, and then a second cell 422, and then a third cell 424. As the UE proceeds along the trajectory 418, it performs RSRP measurements (e.g., using each of the UE Rx beams) on Tx beams {1, 3, 5, 8} of the first cell 420, beams {1, 4, 5, 8} of the second cell 422, and beams {1, 3, 5, 7} of the third cell 424. Then, the second AI / ML model uses this information to predict RSRP for Tx-Rx beam pairs between the UE and each of the remaining beams of the first cell 420, the second cell 422, and the third cell 424 (which were not actually measured by the UE, as illustrated) .

[0075] FIG. 5A and FIG. 5B together illustrate an architecture 500 integrating a second AI / ML model 504 implementing auto-encoder behavior within embodiments that also use dimensionality reduction on input to a first AI / ML model 502 for generating RSRP predictions, according to embodiments herein. The second AI / ML model 504 may be configured to generate a reduced dimensionality of features corresponding a full domain of Tx-Rx beam pairs between the UE and the network, where only some of that full domain of Tx-Rx beam pairs is represented by an actual RSRP measurement in incoming data to the second AI / ML model 504.

[0076] The architecture 500 illustrates three tensors of dimensionality K 304 for actual RSRP measurements generated during an observation window L (the first tensor 508, the second tensor 510, and the third tensor 512, each corresponding to various time slices tm within an observation window L) . Note that more or less than this particular number of tensors may actually be generated during an observation window corresponding to non-illustrated alternative embodiments.

[0077] The first tensor 508 is understood in more detail according to the first expansion 516, the second tensor 510 is understood in more detail according to the second expansion 518, and the third tensor 512 is understood in more detail according to the third expansion  520. Each of the first expansion 516, the second expansion 518, and the third expansion 520 illustrates its information according to the axis space 514, in which the x-axis 522 represents cell identifiers (IDs)  / frequency layers of the measured cells, the y-axis 524 represents Tx beams of the network, and the z-axis 526 represents Rx beams of the UE.

[0078] Each of the first expansion 516, the second expansion 518, and the third expansion 520 illustrates that each of the first tensor 508, the second tensor 510, and the third tensor 512 includes actually measured RSRP values 506 representing some of the possible Tx-Rx beam pair combinations between the UE and the network, but does not include actual RSRP measurements for all possible Tx-Rx beam pair combinations between the UE and the network. This corresponds to a case where the UE did not actually measure the full domain of all possible Tx-Rx beam pairs when constructing the first tensor 508, the second tensor 510, and the third tensor 512. Accordingly, it is understood that the measurement behavior collected into each of the first tensor 508, the second tensor 510, and the third tensor 512 represents actual RSRP measurements for only a proper subset of the entire possible set of Tx-Rx beam pairs between the network and the UE.

[0079] Spatial dependencies in the data represented by the first tensor 508, the second tensor 510, and the third tensor 512 are first processed using the second AI / ML model 504. The second AI / ML model 504 may be a convolutional neural network (CNN) model, as a CNN may be well-suited to capturing spatial relationships according to detected local patterns and structures (e.g., such as neighboring / related beam patterns) .

[0080] FIG. 5B illustrates a more detailed view of the second AI / ML model 504. As illustrated, the incoming data to the second AI / ML model 504 may be processed according to one or more convolutional layers 528 and then according to one or more pooling layers 530. After extracting spatial features from the incoming data using these layers, a flattening layer 532 (in conjunction with a fully connected neural network 534) provides, to an output layer 536 of the second AI / ML model 504, a flattened vector representation (areduced dimensionality of features) corresponding to the data of the first tensor 508, the second tensor 510, and the third tensor 512.

[0081] Returning to FIG. 5A, this flattened vector representation (this reduced dimensionality of features) is then fed into the first AI / ML model 502 that is used for generating a predicted reduced dimensionality of features 314 (an x (k, t) ) as described herein. For example, the first AI / ML model 502 may be an LSTM) model that is designed for capturing temporal dependencies in sequential data. The LSTM processes this sequence  of spatial information across time, predicting how the dependencies evolve in the time domain.

[0082] By using this combination of the second AI / ML model 504 (aCNN) for spatial features and the first AI / ML model 502 (an LSTM) for temporal patterns, the output of the first AI / ML model 502 (once decoded by an decoder, as in the fully connected network 538) results in predictions for a prediction time t that have consider both the location-based and time-dependent aspects of the input data.

[0083] In some cases, this decoder represents these predictions in the form of a predicted tensor (as in the predicted tensor 318 of FIG. 3) that includes predicted RSRP values for each combination of network Tx beam, UE Rx beam, cell, and frequency layer (according to a full representation of the dimensionality of K within the predicted tensor) .

[0084] However, the architecture 500 illustrates an alternative / supplemental case where the fully connected network 538 that is acting as the decoder is configured to further indicate even more directly a network Tx beam, a UE Rx beam, and a cell of a one or more identified / selected predicted RSRP within the decoded data corresponding to this predicted tensor. Accordingly, the fully connected network 538 is illustrated as providing, as an output, a first Tx beam prediction 540, a first Rx beam prediction 542, and a first cell ID prediction 544 corresponding to the prediction time t. Note that multiple such predictions corresponding to multiply identified RSRPs for the data for prediction time t could be so provided.

[0085] The fully connected network 538 is also illustrated as providing, by way of example, a set of outputs including a next Tx beam prediction 546, a next Rx beam prediction 548, and a next cell ID prediction 550 corresponding to some time t + n that is later than the prediction time t corresponding to the window L for the first tensor 508, the second tensor 510, and the third tensor 512. Accordingly, it will be understood that the architecture 500 proceeds to iteratively generate predictions for next prediction values t corresponding to their sets of data (their unique set of tensors K) for their observation windows L.

[0086] FIG. 6 illustrates a method 600 for a UE configured to identify a predicted Tx-Rx beam pair corresponding to a predicted cell of a predicted frequency layer for use at a time t of a prediction window from among a set of Tx-Rx beam pairs corresponding to Tx beams of a wireless network and Rx beams of the UE, according to embodiments discussed herein. The method 600 includes performing 602 a plurality of RSRP measurements on each of a plurality of Tx-Rx beam pairs of the set of Tx-Rx beam pairs across a plurality of cells and  a plurality of frequency layers. The method 600 further includes generating 604 one or more tensors that associates the plurality of RSRP measurements to their corresponding Tx-Rx beam pairs, cells, and frequency layers. The method 600 further includes encoding 606 the one or more tensors into a reduced dimensionality of features using an auto-encoder. The method 600 further includes generating 608, at a first AI / ML model, using the reduced dimensionality of features, a predicted reduced dimensionality of features corresponding to the time t. The method 600 further includes decoding 610 the predicted reduced dimensionality of features into a predicted tensor using a decoder, wherein the predicted tensor associates a set of predicted RSRP measurements for the set of Tx-Rx beam pairs corresponding to the time t to their corresponding Tx-Rx beam pairs, cells, and frequency layers. The method 600 further includes identifying 612 a selected predicted RSRP measurement corresponding to the time t from the set of predicted RSRP measurements within the predicted tensor. The method 600 further includes mapping 614, using the predicted tensor, the selected predicted RSRP measurement to the predicted Tx-Rx beam pair corresponding to the predicted cell of the predicted frequency layer.

[0087] In some embodiments of the method 600, the plurality of Tx-Rx beam pairs for which the plurality of RSRP measurements are performed comprises a proper subset of the set of Tx-Rx beam pairs; and the auto-encoder comprises a second AI / ML model that generates, based on the one or more tensors, the predicted reduced dimensionality of features according to a full domain for the set of Tx-Rx beam pairs. In some such embodiments, the second AI / ML model generates the predicted reduced dimensionality of features according to the full domain of the set of Tx-Rx beam pairs based on RSRPs for one or more complete sets of Tx beams for one or more cells of the network that are represented in the one or more tensors. In some such embodiments, the second AI / ML model generates the predicted reduced dimensionality of features according to the full domain of the set of Tx-Rx beam pairs based on RSRPs for a plurality of partial sets of Tx beams for a plurality of cells of the network that are represented in the one or more tensors. In some such embodiments, the second AI / ML model comprises a CNN AI / ML model.

[0088] In some embodiments of the method 600, the plurality of Tx-Rx beam pairs for which the plurality of RSRP measurements are performed comprises each of the set of Tx-Rx beam pairs.

[0089] In some embodiments, the method 600 further includes reporting, to the wireless network, one or more of a predicted Tx beam of the predicted Tx-Rx beam pair, the predicted cell, and the predicted frequency layer.

[0090] In some embodiments, the method 600 further includes communicating with the network at the time t on the predicted cell of the predicted frequency layer using a predicted Rx beam of the predicted Tx-Rx beam pair.

[0091] In some embodiments of the method 600, the first AI / ML model comprises an LSTM AI / ML model.

[0092] In some embodiments, the method 600 further includes providing the first AI / ML model with a prior time series of one or more prior reduced dimensionalities of features corresponding to prior RSRP measurements for the plurality of Tx-Rx beam pairs, wherein the first AI / ML model further generates the predicted reduced dimensionality of features corresponding to the time t using the prior time series of the one or more prior reduced dimensionalities of features.

[0093] In some embodiments of the method 600, the selected predicted RSRP measurement is a strongest predicted RSRP measurement of the set of predicted RSRP measurements within the predicted tensor.

[0094] FIG. 7 illustrates an example architecture of a wireless communication system 700, according to embodiments disclosed herein. The following description is provided for an example wireless communication system 700 that operates in conjunction with the LTE system standards and / or 5G or NR system standards as provided by 3GPP technical specifications.

[0095] As shown by FIG. 7, the wireless communication system 700 includes UE 702 and UE 704 (although any number of UEs may be used) . In this example, the UE 702 and the UE 704 are illustrated as smartphones (e.g., handheld touchscreen mobile computing devices connectable to one or more cellular networks) , but may also comprise any mobile or non-mobile computing device configured for wireless communication.

[0096] The UE 702 and UE 704 may be configured to communicatively couple with a RAN 706. In embodiments, the RAN 706 may be NG-RAN, E-UTRAN, etc. The UE 702 and UE 704 utilize connections (or channels) (shown as connection 708 and connection 710, respectively) with the RAN 706, each of which comprises a physical communications interface. The RAN 706 can include one or more base stations (such as base station 712 and base station 714) that enable the connection 708 and connection 710.

[0097] In this example, the connection 708 and connection 710 are air interfaces to enable such communicative coupling, and may be consistent with RAT (s) used by the RAN 706, such as, for example, an LTE and / or NR.

[0098] In some embodiments, the UE 702 and UE 704 may also directly exchange communication data via a sidelink interface 716. The UE 704 is shown to be configured to access an access point (shown as AP 718) via connection 720. By way of example, the connection 720 can comprise a local wireless connection, such as a connection consistent with any IEEE 802.11 protocol, wherein the AP 718 may comprise a  router. In this example, the AP 718 may be connected to another network (for example, the Internet) without going through a CN 724.

[0099] In embodiments, the UE 702 and UE 704 can be configured to communicate using orthogonal frequency division multiplexing (OFDM) communication signals with each other or with the base station 712 and / or the base station 714 over a multicarrier communication channel in accordance with various communication techniques, such as, but not limited to, an orthogonal frequency division multiple access (OFDMA) communication technique (e.g., for downlink communications) or a single carrier frequency division multiple access (SC-FDMA) communication technique (e.g., for uplink and ProSe or sidelink communications) , although the scope of the embodiments is not limited in this respect. The OFDM signals can comprise a plurality of orthogonal subcarriers.

[0100] In some embodiments, all or parts of the base station 712 or base station 714 may be implemented as one or more software entities running on server computers as part of a virtual network. In addition, or in other embodiments, the base station 712 or base station 714 may be configured to communicate with one another via interface 722. In embodiments where the wireless communication system 700 is an LTE system (e.g., when the CN 724 is an EPC) , the interface 722 may be an X2 interface. The X2 interface may be defined between two or more base stations (e.g., two or more eNBs and the like) that connect to an EPC, and / or between two eNBs connecting to the EPC. In embodiments where the wireless communication system 700 is an NR system (e.g., when CN 724 is a 5GC) , the interface 722 may be an Xn interface. The Xn interface is defined between two or more base stations (e.g., two or more gNBs and the like) that connect to 5GC, between a base station 712 (e.g., a gNB) connecting to 5GC and an eNB, and / or between two eNBs connecting to 5GC (e.g., CN 724) .

[0101] The RAN 706 is shown to be communicatively coupled to the CN 724. The CN 724 may comprise one or more network elements 726, which are configured to offer various data and telecommunications services to customers / subscribers (e.g., users of UE 702 and UE 704) who are connected to the CN 724 via the RAN 706. The components of the CN 724 may be implemented in one physical device or separate physical devices including  components to read and execute instructions from a machine-readable or computer-readable medium (e.g., a non-transitory machine-readable storage medium) .

[0102] In embodiments, the CN 724 may be an EPC, and the RAN 706 may be connected with the CN 724 via an S1 interface 728. In embodiments, the S1 interface 728 may be split into two parts, an S1 user plane (S1-U) interface, which carries traffic data between the base station 712 or base station 714 and a serving gateway (S-GW) , and the S1-MME interface, which is a signaling interface between the base station 712 or base station 714 and mobility management entities (MMEs) .

[0103] In embodiments, the CN 724 may be a 5GC, and the RAN 706 may be connected with the CN 724 via an NG interface 728. In embodiments, the NG interface 728 may be split into two parts, an NG user plane (NG-U) interface, which carries traffic data between the base station 712 or base station 714 and a user plane function (UPF) , and the S1 control plane (NG-C) interface, which is a signaling interface between the base station 712 or base station 714 and access and mobility management functions (AMFs) .

[0104] Generally, an application server 730 may be an element offering applications that use internet protocol (IP) bearer resources with the CN 724 (e.g., packet switched data services) . The application server 730 can also be configured to support one or more communication services (e.g., VoIP sessions, group communication sessions, etc. ) for the UE 702 and UE 704 via the CN 724. The application server 730 may communicate with the CN 724 through an IP communications interface 732.

[0105] FIG. 8 illustrates a system 800 for performing signaling 832 between a wireless device 802 and a network device 818, according to embodiments disclosed herein. The system 800 may be a portion of a wireless communications system as herein described. The wireless device 802 may be, for example, a UE of a wireless communication system. The network device 818 may be, for example, a base station (e.g., an eNB or a gNB) of a wireless communication system.

[0106] The wireless device 802 may include one or more processor (s) 804. The processor (s) 804 may execute instructions such that various operations of the wireless device 802 are performed, as described herein. The processor (s) 804 may include one or more baseband processors implemented using, for example, a central processing unit (CPU) , a digital signal processor (DSP) , an application specific integrated circuit (ASIC) , a controller, a field programmable gate array (FPGA) device, another hardware device, a firmware device, or any combination thereof configured to perform the operations described herein.

[0107] The wireless device 802 may include a memory 806. The memory 806 may be a non-transitory computer-readable storage medium that stores instructions 808 (which may include, for example, the instructions being executed by the processor (s) 804) . The instructions 808 may also be referred to as program code or a computer program. The memory 806 may also store data used by, and results computed by, the processor (s) 804.

[0108] The wireless device 802 may include one or more transceiver (s) 810 that may include radio frequency (RF) transmitter circuitry and / or receiver circuitry that use the antenna (s) 812 of the wireless device 802 to facilitate signaling (e.g., the signaling 832) to and / or from the wireless device 802 with other devices (e.g., the network device 818) according to corresponding RATs.

[0109] The wireless device 802 may include one or more antenna (s) 812 (e.g., one, two, four, or more) . For embodiments with multiple antenna (s) 812, the wireless device 802 may leverage the spatial diversity of such multiple antenna (s) 812 to send and / or receive multiple different data streams on the same time and frequency resources. This behavior may be referred to as, for example, multiple input multiple output (MIMO) behavior (referring to the multiple antennas used at each of a transmitting device and a receiving device that enable this aspect) . MIMO transmissions by the wireless device 802 may be accomplished according to precoding (or digital beamforming) that is applied at the wireless device 802 that multiplexes the data streams across the antenna (s) 812 according to known or assumed channel characteristics such that each data stream is received with an appropriate signal strength relative to other streams and at a desired location in the spatial domain (e.g., the location of a receiver associated with that data stream) . Certain embodiments may use single user MIMO (SU-MIMO) methods (where the data streams are all directed to a single receiver) and / or multi user MIMO (MU-MIMO) methods (where individual data streams may be directed to individual (different) receivers in different locations in the spatial domain) .

[0110] In certain embodiments having multiple antennas, the wireless device 802 may implement analog beamforming techniques, whereby phases of the signals sent by the antenna (s) 812 are relatively adjusted such that the (joint) transmission of the antenna (s) 812 can be directed (this is sometimes referred to as beam steering) .

[0111] The wireless device 802 may include one or more interface (s) 814. The interface (s) 814 may be used to provide input to or output from the wireless device 802. For example, a wireless device 802 that is a UE may include interface (s) 814 such as microphones, speakers, a touchscreen, buttons, and the like in order to allow for input and / or output to the  UE by a user of the UE. Other interfaces of such a UE may be made up of transmitters, receivers, and other circuitry (e.g., other than the transceiver (s) 810 / antenna (s) 812 already described) that allow for communication between the UE and other devices and may operate according to known protocols (e.g.,  and the like) .

[0112] The wireless device 802 may include a measurement prediction module 816. The measurement prediction module 816 may be implemented via hardware, software, or combinations thereof. For example, the measurement prediction module 816 may be implemented as a processor, circuit, and / or instructions 808 stored in the memory 806 and executed by the processor (s) 804. In some examples, the measurement prediction module 816 may be integrated within the processor (s) 804 and / or the transceiver (s) 810. For example, the measurement prediction module 816 may be implemented by a combination of software components (e.g., executed by a DSP or a general processor) and hardware components (e.g., logic gates and circuitry) within the processor (s) 804 or the transceiver (s) 810.

[0113] The measurement prediction module 816 may be used for various aspects of the present disclosure, for example, aspects of FIG. 6. The measurement prediction module 816 may configure the wireless device 802 to perform a plurality of RSRP measurements on each of a plurality of Tx-Rx beam pairs of a set of Tx-Rx beam pairs across a plurality of cells and a plurality of frequency layers; generate one or more tensors that associates the plurality of RSRP measurements to their corresponding Tx-Rx beam pairs, cells, and frequency layers; encode the one or more tensors into a reduced dimensionality of features; generate, at an AI / ML model, using the reduced dimensionality of features, a predicted reduced dimensionality of features corresponding to the time t; and / or decode the predicted reduced dimensionality of features into a predicted tensor having predicted RSRP values corresponding to the Tx-Rx beam pairs, cells, and frequency layers using a decoder, as discussed herein.

[0114] The network device 818 may include one or more processor (s) 820. The processor (s) 820 may execute instructions such that various operations of the network device 818 are performed, as described herein. The processor (s) 820 may include one or more baseband processors implemented using, for example, a CPU, a DSP, an ASIC, a controller, an FPGA device, another hardware device, a firmware device, or any combination thereof configured to perform the operations described herein.

[0115] The network device 818 may include a memory 822. The memory 822 may be a non-transitory computer-readable storage medium that stores instructions 824 (which may  include, for example, the instructions being executed by the processor (s) 820) . The instructions 824 may also be referred to as program code or a computer program. The memory 822 may also store data used by, and results computed by, the processor (s) 820.

[0116] The network device 818 may include one or more transceiver (s) 826 that may include RF transmitter circuitry and / or receiver circuitry that use the antenna (s) 828 of the network device 818 to facilitate signaling (e.g., the signaling 832) to and / or from the network device 818 with other devices (e.g., the wireless device 802) according to corresponding RATs.

[0117] The network device 818 may include one or more antenna (s) 828 (e.g., one, two, four, or more) . In embodiments having multiple antenna (s) 828, the network device 818 may perform MIMO, digital beamforming, analog beamforming, beam steering, etc., as has been described.

[0118] The network device 818 may include one or more interface (s) 830. The interface (s) 830 may be used to provide input to or output from the network device 818. For example, a network device 818 that is a base station may include interface (s) 830 made up of transmitters, receivers, and other circuitry (e.g., other than the transceiver (s) 826 / antenna (s) 828 already described) that enables the base station to communicate with other equipment in a core network, and / or that enables the base station to communicate with external networks, computers, databases, and the like for purposes of operations, administration, and maintenance of the base station or other equipment operably connected thereto.

[0119] Embodiments contemplated herein include an apparatus comprising means to perform one or more elements of the method 600. This apparatus may be, for example, an apparatus of a UE (such as a wireless device 802 that is a UE, as described herein) .

[0120] Embodiments contemplated herein include one or more non-transitory computer-readable media comprising instructions to cause an electronic device, upon execution of the instructions by one or more processors of the electronic device, to perform one or more elements of the method 600. This non-transitory computer-readable media may be, for example, a memory of a UE (such as a memory 806 of a wireless device 802 that is a UE, as described herein) .

[0121] Embodiments contemplated herein include an apparatus comprising logic, modules, or circuitry to perform one or more elements of the method 600. This apparatus may be, for example, an apparatus of a UE (such as a wireless device 802 that is a UE, as described herein) .

[0122] Embodiments contemplated herein include an apparatus comprising: one or more processors and one or more computer-readable media comprising instructions that, when executed by the one or more processors, cause the one or more processors to perform one or more elements of the method 600. This apparatus may be, for example, an apparatus of a UE (such as a wireless device 802 that is a UE, as described herein) .

[0123] Embodiments contemplated herein include a signal as described in or related to one or more elements of the method 600.

[0124] Embodiments contemplated herein include a computer program or computer program product comprising instructions, wherein execution of the program by a processor is to cause the processor to carry out one or more elements of the method 600. The processor may be a processor of a UE (such as a processor (s) 804 of a wireless device 802 that is a UE, as described herein) . These instructions may be, for example, located in the processor and / or on a memory of the UE (such as a memory 806 of a wireless device 802 that is a UE, as described herein) .

[0125] For one or more embodiments, at least one of the components set forth in one or more of the preceding figures may be configured to perform one or more operations, techniques, processes, and / or methods as set forth herein. For example, a baseband processor as described herein in connection with one or more of the preceding figures may be configured to operate in accordance with one or more of the examples set forth herein. For another example, circuitry associated with a UE, base station, network element, etc. as described above in connection with one or more of the preceding figures may be configured to operate in accordance with one or more of the examples set forth herein.

[0126] Any of the above described embodiments may be combined with any other embodiment (or combination of embodiments) , unless explicitly stated otherwise. The foregoing description of one or more implementations provides illustration and description, but is not intended to be exhaustive or to limit the scope of embodiments to the precise form disclosed. Modifications and variations are possible in light of the above teachings or may be acquired from practice of various embodiments.

[0127] Embodiments and implementations of the systems and methods described herein may include various operations, which may be embodied in machine-executable instructions to be executed by a computer system. A computer system may include one or more general-purpose or special-purpose computers (or other electronic devices) . The computer system may include hardware components that include specific logic for performing the operations or may include a combination of hardware, software, and / or firmware.

[0128] It should be recognized that the systems described herein include descriptions of specific embodiments. These embodiments can be combined into single systems, partially combined into other systems, split into multiple systems or divided or combined in other ways. In addition, it is contemplated that parameters, attributes, aspects, etc. of one embodiment can be used in another embodiment. The parameters, attributes, aspects, etc. are merely described in one or more embodiments for clarity, and it is recognized that the parameters, attributes, aspects, etc. can be combined with or substituted for parameters, attributes, aspects, etc. of another embodiment unless specifically disclaimed herein.

[0129] It is well understood that the use of personally identifiable information should follow privacy policies and practices that are generally recognized as meeting or exceeding industry or governmental requirements for maintaining the privacy of users. In particular, personally identifiable information data should be managed and handled so as to minimize risks of unintentional or unauthorized access or use, and the nature of authorized use should be clearly indicated to users.

[0130] Although the foregoing has been described in some detail for purposes of clarity, it will be apparent that certain changes and modifications may be made without departing from the principles thereof. It should be noted that there are many alternative ways of implementing both the processes and apparatuses described herein. Accordingly, the present embodiments are to be considered illustrative and not restrictive, and the description is not to be limited to the details given herein, but may be modified within the scope and equivalents of the appended claims.

Claims

1.A method for a user equipment (UE) configured to identify a predicted transmit (Tx) -receive (Rx) beam pair corresponding to a predicted cell of a predicted frequency layer for use at a time t of a prediction window from among a set of Tx-Rx beam pairs corresponding to Tx beams of a wireless network and Rx beams of the UE, the method comprising:performing a plurality of RSRP measurements on each of a plurality of Tx-Rx beam pairs of the set of Tx-Rx beam pairs across a plurality of cells and a plurality of frequency layers;generating one or more tensors that associates the plurality of RSRP measurements to their corresponding Tx-Rx beam pairs, cells, and frequency layers;encoding the one or more tensors into a reduced dimensionality of features using an auto-encoder;generating, at a first artificial intelligence (AI)  / machine learning (ML) model, using the reduced dimensionality of features, a predicted reduced dimensionality of features corresponding to the time t;decoding the predicted reduced dimensionality of features into a predicted tensor using a decoder, wherein the predicted tensor associates a set of predicted RSRP measurements for the set of Tx-Rx beam pairs corresponding to the time t to their corresponding Tx-Rx beam pairs, cells, and frequency layers;identifying a selected predicted RSRP measurement corresponding to the time t from the set of predicted RSRP measurements within the predicted tensor; andmapping, using the predicted tensor, the selected predicted RSRP measurement to the predicted Tx-Rx beam pair corresponding to the predicted cell of the predicted frequency layer.2.The method of claim 1, wherein:the plurality of Tx-Rx beam pairs for which the plurality of RSRP measurements are performed comprises a proper subset of the set of Tx-Rx beam pairs; andthe auto-encoder comprises a second AI / ML model that generates, based on the one or more tensors, the predicted reduced dimensionality of features according to a full domain for the set of Tx-Rx beam pairs.3.The method of claim 2, wherein the second AI / ML model generates the predicted reduced dimensionality of features according to the full domain of the set of Tx-Rx beam pairs based  on RSRPs for one or more complete sets of Tx beams for one or more cells of the network that are represented in the one or more tensors.4.The method of claim 2, wherein the second AI / ML model generates the predicted reduced dimensionality of features according to the full domain of the set of Tx-Rx beam pairs based on RSRPs for a plurality of partial sets of Tx beams for a plurality of cells of the network that are represented in the one or more tensors.5.The method of claim 2, wherein the second AI / ML model comprises a convolutional neural network (CNN) AI / ML model.6.The method of claim 1, wherein the plurality of Tx-Rx beam pairs for which the plurality of RSRP measurements are performed comprises each of the set of Tx-Rx beam pairs.7.The method of claim 1, further comprising reporting, to the wireless network, one or more of a predicted Tx beam of the predicted Tx-Rx beam pair, the predicted cell, and the predicted frequency layer.8.The method of claim 1, further comprising communicating with the network at the time t on the predicted cell of the predicted frequency layer using a predicted Rx beam of the predicted Tx-Rx beam pair.9.The method of claim 1, wherein the first AI / ML model comprises a long short-term memory (LSTM) AI / ML model.10.The method of claim 1, further comprising providing the first AI / ML model with a prior time series of one or more prior reduced dimensionalities of features corresponding to prior RSRP measurements for the plurality of Tx-Rx beam pairs, wherein the first AI / ML model further generates the predicted reduced dimensionality of features corresponding to the time t using the prior time series of the one or more prior reduced dimensionalities of features.11.The method of claim 1, wherein the selected predicted RSRP measurement is a strongest predicted RSRP measurement of the set of predicted RSRP measurements within the predicted tensor.12.An apparatus comprising means to perform the method of any of claim 1 to claim 11.13.A computer-readable media comprising instructions to cause an electronic device, upon execution of the instructions by one or more processors of the electronic device, to perform the method of any of claim 1 to claim 11.14.An apparatus comprising logic, modules, or circuitry to perform the method of any of claim 1 to claim 11.15.A baseband processor for a user equipment (UE) that is configured to cause the UE to perform one or more elements of any one of claim 1 to claim 11.

Images