Artificial intelligence / machine learning spatial-temporal radio resource management prediction for mobility

Abstract

Systems and methods for artificial intelligence (AI) / machine learning (ML) based spatial-temporal prediction are discussed herein. For example, a UE may measure, at a measurement occasion using a subset of receive (Rx) beams, reference signals transmitted by the wireless network on a subset of Tx beams of the plurality of Tx beams to generate measured reference signal received power (RSRP) values for a subset of Tx-Rx beam pairs of the plurality of Tx-Rx beam pairs. The UE may process the measured RSRP values, using a first AI / ML model based on spatial dependencies, to generate spatial features. Then, the UE may process the spatial features, using a second AI / ML model based on temporal dependencies, to generate predicted RSRP values for the plurality of Tx-Rx beam pairs at one or more prediction occasions and determine a selected Tx-Rx beam pair at the one or more prediction occasions.

Description

ARTIFICIAL INTELLIGENCE / MACHINE LEARNING SPATIAL-TEMPORAL RADIO RESOURCE MANAGEMENT PREDICTION FOR MOBILITYTECHNICAL FIELD

[0001] This application relates generally to wireless communication systems, including systems providing radio resource management.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] BRIEF DESCRIPTION OF THE SEVERAL VIEWS OF THE DRAWINGS

[0008] 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.

[0009] FIG. 1 illustrates an example of performing beam measurements and temporal beam predictions, according to certain embodiments.

[0010] FIG. 2A illustrates an example of a temporal beam prediction procedure.

[0011] FIG. 2B illustrated an example LSTM model used to perform temporal beam prediction in certain wireless communication systems.

[0012] FIG. 3 illustrates an example of a spatial-temporal beam prediction procedure, according to certain embodiments.

[0013] FIG. 4A and FIG. 4B illustrate an AI / ML architecture used for spatial-temporal prediction, according to certain embodiments.

[0014] FIG. 5 illustrates a flowchart of a method for a UE configured for spatial-temporal RRM prediction, according to certain embodiments.

[0015] FIG. 6 illustrates a flowchart of a method for a wireless network, according to certain embodiments.

[0016] FIG. 7 illustrates an example architecture of a wireless communication system, according to embodiments disclosed herein.

[0017] FIG. 8 illustrates a system for performing signaling between a wireless device and a network device, according to embodiments disclosed herein.DETAILED DESCRIPTION

[0018] 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.

[0019] 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.

[0020] 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.

[0021] 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.

[0022] 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) .

[0023] 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) .

[0024] 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.

[0025] In some wireless systems, three alternative methods for measurement reduction have been identified and may be further considered. In a first alternative, spatial prediction may be used wherein the UE does not measure every cell and / or beam. In a second alternative, temporal prediction is used wherein the UE may skip some of the measurement time steps (same cell as for temporal prediction) . In a third alternative, inter-frequency prediction may be used wherein a set of measured or predicted cells or beams includes cells or beams from different frequency layers. Inter-frequency prediction may be utilized to reduce the number of inter-frequency measurements that a UE may need to perform. As a result, this reduction can also decrease the number of measurement gaps that the UE may be configured to use. It should be understood that in current mechanisms, the temporal prediction, spatial prediction, and inter-frequency prediction are done independently of each other.

[0026] However, in certain embodiments disclosed herein, temporal, spatial, and / or frequency based measurements and predictions may be combined. For example, spatial prediction of a cell may include using a first cell’s partial transmit (Tx) beam measurement results as a reduced set (set B) to predict all of the first cell’s Tx beam results. Cell prediction may use the first cell’s measurement results (cell level measurement results can be based on Tx beam averaging or based on best Tx beam) as set B to, for example, predict the first cell’s reference signal received power (RSRP) in a future prediction window using temporal prediction, predict a second cell on a second carrier frequency (F2) (i.e., a collocated inter-frequency cell) using spatial / frequency  predictions, predict a second cell on first carrier frequency (F1) (i.e., an intra-frequency non-collocated cell) using spatial prediction, or predict a second cell on F2 (i.e., an inter-frequency non-collocated cell) using spatial / frequency prediction.

[0027] In some embodiments, an AI / ML model may use Tx beam measurement results of a subset of Tx beams of a first plurality of cells at a first carrier frequency (F1) to predict future Tx beams of the first plurality of cells using cell spatial and temporal prediction. In other embodiments, an AI / ML model may use Tx beam measurement of a first plurality of cells at a first carrier frequency (F1) to predict future RSRP measurements for the first plurality of cells using cell temporal prediction. In other embodiments, an AI / ML model may use reduced Tx beam measurement results (i.e., set B) of a first plurality of cells to predict the Tx beams of a second plurality of cells using intra-frequency non-collocated cell spatial prediction. In other embodiments, an AI / ML model may use cell measurement results for a first plurality of cells to predict RSRP values for a second plurality of cells using intra-frequency non-collocated cell prediction. In other embodiments, an AI / ML model may use Tx beam measurement results (set B) for a first plurality of cells in F1 to predict Tx beams for the first plurality of cells in F2 using inter-frequency collocated cell spatial prediction. In other embodiments, an AI / ML model may use cell measurement results of a first plurality of cells to predict RSRP values for the first plurality of cells using inter-frequency collocated cell prediction. In other embodiments, an AI / ML model may use Tx beam measurement results (set B) of a first plurality of cells to predict Tx beams of a second plurality of cells using inter-frequency non-collocated cell spatial prediction. In other embodiments, an AI / ML model may use cell measurement results of a first plurality of cells to predict RSRP values of a second plurality of cells using inter-frequency non-collocation.

[0028] In some wireless communication systems, for beam management (BM) , spatial beam prediction (BM-Case1) or temporal beam prediction (BM-Case2) are under consideration. These use cases focus on predicting future beam configurations to optimize network performance in dynamic environments. Note, however, that BM-Case1 and BM-Case2 are independent of each other in current systems.

[0029] Spatial domain beam prediction (BM-Case1) includes predicting optimal beam directions based solely on the spatial context. Prior evaluations for this case have focused exclusively on spatial relationships between the Tx beams from the network to  the UE, without incorporating time-dependent factors. This "spatial-only" approach assumes that spatial changes alone (e.g., UE movement) drive the need for beam changes. However, in realistic deployment scenarios, spatial-only beam prediction may be impractical. In dynamic wireless environments, time may also play a role. The positions of the UEs change over time, and the radio environment evolves due to factors such as the movement of objects, interference patterns, and time-varying channel conditions. According to embodiments herein, to generate accurate and meaningful predictions, the temporal aspect (e.g., how beam patterns change over time) is incorporated alongside spatial considerations because simply predicting beam changes based on static spatial relationships may not capture the complete picture of beam dynamics.

[0030] As a result, for spatial beam prediction, embodiments herein extend predictions / evaluations to include both spatial and temporal domains, reflecting real-world network operations more accurately. Beam management in a network involves not just the direction of the beam at a given moment but also predicting how that direction evolves based on movement, signal quality fluctuations, and even network traffic load.

[0031] Temporal domain beam prediction (BM-Case2) includes predicting beam changes primarily from a temporal perspective. This means forecasting future beam configurations based on how beam directions have changed over time in the past. In some wireless communication systems, according to evaluations for BM-Case2, it has been assumed that the set of beams in use at time A is the same as the set of beams at time B, effectively being a temporal-only beam prediction. However, this assumption does not reflect the true nature of wireless networks. In practice, the beam sets evolve as UEs move across different sectors and signal conditions vary. The assumption that beams at time A and beams at time B are identical may lead to inaccurate predictions.

[0032] As a result, according to embodiments herein, for temporal beam prediction, the system may consider not only time-based patterns but also the changing nature of beam sets in response to various environmental and network conditions (i.e., spatial based patterns) .

[0033] In some embodiments, for both cases (BM-Case1 and BM-Case2) in real-world operations, an integration uses both spatial and temporal elements. Beam management may continuously adjust to both the movement of UEs and the time-varying characteristics of the wireless environment. In some examples, evaluations and  algorithms for AI / ML-based beam prediction may take into account the interplay between these factors, rather than isolating them as done in current systems. By considering spatial prediction and temporal prediction together, measurements may be reduced across both time and spatial domains.

[0034] FIG. 1 illustrates an example of performing beam measurements and temporal beam predictions, according to certain embodiments. A UE may perform measurements 102 of Tx beams from a network (NW) at certain time instances tm (also referred to herein as “measurement occasions” ) and determine predictions 104 based on the measurements 102 at time instances (also referred to herein as “prediction occasions” ) within a prediction window 106. For example, the UE periodically performs the measurements 102 at time instances tm = t, t+LT, t+2LT, …, t+QLT, where t is a time instance corresponding to a first measurement occasion, T is a time interval corresponding to a measurement occasion or prediction occasion, L is a number of time intervals T in a period, and Q ∈ 0, 1, 2, .... Accordingly, over one period LT, the UE may use an AI / ML model to make predictions 104 at prediction occasions t+T, t+2T, t+3T, …, t+ (L-1) T of a prediction window 106.

[0035] As shown, it may be assumed that inside a time T the UE may perform a full measurement of Tx beams 108 (transmitted by the network) and receive (Rx) Rx beams 110 (at the UE) . Inside the time interval T, the UE may compute a vector xUE (t) based on the measurement at time t, such that xUE (t) = [x11 (t) , x12 (t) , …, xNTx, NRx] where xij corresponds to the RSRP value comprised of the i-th Tx beam and j-th Rx beam pair, for NTx number of Tx beams 108 from the network and NRx number of Rx beams 110 at the UE. This vector quantity is computed at tm instances (i.e., the UE measures xUE (tm) ) . In certain embodiments, at each measurement occasion, the UE only measures a subset of the Tx beams 108 using a subset of the Rx beams 110.

[0036] FIG. 2A illustrates an example of a temporal beam prediction procedure. In certain wireless communication temporal beam prediction procedures, a UE performs all beam measurements between Tx beams and Rx beams. After all spatial measurements are performed across various measurement occasions, a long-short term memory (LSTM) model performs predictions at prediction occasions to predict the best beam based on the RSRP measurements. Note that a set B of beams may be equal to a set A of beams in such temporal beam prediction procedures.

[0037] For example, as shown in FIG. 2A, during each measurement occasion 214 (e.g., at times LT, 2LT, 3LT, ..., QLT) corresponding to a respective beam measurement duration 212, the Tx beams 204 transmitted by Tx antenna (s) of a base station 202 may be received by Rx antenna (s) of a UE 208 and measured by the UE 208 at different instances using a first Rx beam 206a to generate RSRP measurements 210a, a second Rx beam 206b to generate RSRP measurements 210b, a third Rx beam 206c to generate RSRP measurements 210c, a fourth Rx beam 206d to generate RSRP measurements 210d, etc. Then, at various prediction occasions 216, the LSTM model at the UE 208 may generate predictions 218 to determine 220 a best Tx-Rx beam pair 226 based on the generated RSRP measurements.

[0038] FIG. 2B illustrated an example LSTM model 224 used to perform temporal beam prediction in certain wireless communication systems. The UE 208 may pass a vector forms 222 of the RSRP measurements 210a, 210b, 210c, 210d, etc. at each measurement occasion 214 to the LSTM model 224 as an input. For example, the UE 208 may pass, to the LSTM model 224, RSRP measurement vectors such as vector corresponding to measurement occasion 214 LT, vector corresponding to measurement occasion 214 2LT, up to vector corresponding to measurement occasion 214 QLT. The LSTM model 224 may output a predicted best beam at future time instances based on the vector forms 222 of all of the Tx beams 204 transmitted by the base station 202. For example, the LSTM model 224 may output the vector corresponding to prediction occasion 216 QLT+T and the vector corresponding to prediction occasion 216 QLT+ (L-1) T.

[0039] In certain embodiments, a UE uses a first set of Rx beams at the UE to measure reference signals transmitted by the wireless network on a first set of Tx beams to generate measured RSRP values for a first set of Tx-Rx beam pairs. The UE then processes the measured RSRP values using a first AI / ML model (e.g., convolutional neural network (CNN) ) based on spatial dependencies to generate spatial features for a second set (e.g., a full set) of Tx-Rx beam pairs corresponding to a measurement occasion (i.e., a beam measurement duration) . The UE may then process the spatial features using a second AI / ML model based on temporal dependencies (e.g., an LSTM)  to generate predicted RSRP values for the second set of Tx-Rx beam pairs at one or more prediction occasions subsequent to the measurement occasion. Based on the predicted RSRP values, the UE may then determine a best Tx-Rx beam pair at the one or more prediction occasions.

[0040] For example, FIG. 3 illustrates an example of a spatial-temporal beam prediction procedure, according to certain embodiments. In this example, set B beams that are measured may or may not be a subset of the set A beams (e.g., set B beams may comprise wide beams and the set A beams may comprise narrow beams, or the set B beams that are measured may be a subset of the set A beams) . The set A and set B beams may be extended to the Rx beam domain as well. In some cases, the Rx beam measurements may be reduced (only a subset of beams are measured) with an enhanced AI / ML model to predict a full map of RSRP (e.g., Tx, Rx) beam values. Therefore the enhanced AI / ML model may make predictions across time, the Tx spatial domain, and the Rx spatial domain (e.g., using a UE-sided model or a network-sided model) . The UE may report, to the network, the best predicted Tx beam identifiers (IDs) or the predicted RSRPs associated with those predicted best beam (s) . In some examples, the UE may report, to the network, the measured RSRP values of the subset of beams for the network-sided model to predict the best beam (s) .

[0041] For example, as shown in FIG. 3, during each measurement occasion 316 (e.g., at times LT, 2LT, ..., QLT) corresponding to a respective beam measurement duration 320, the Tx beams 302 transmitted by Tx antenna (s) of a base station 304 may be received by Rx antenna (s) of a UE 312, but the UE only measures a subset of Tx beams 306 (shown in solid lines) without measuring the other Tx beams 308 (shown in dashed lines) of the full set of Tx beams 302. Further, in this example, the UE 312 only uses a subset of Rx beams to measure the subset of Tx beams 306. As shown, for example, the UE uses a first Rx beam 310a to generate RSRP measurements 314a and a third Rx beam 310c to generate RSRP measurements 314b, but does not use a second Rx beam 310b or a fourth Rx beam 310d.

[0042] Then, for various prediction occasions 318, the UE uses a first AI / ML model (e.g., CNN) based on spatial dependencies to generate spatial features for the full set of Tx-Rx beam pairs, and processes the spatial features using a second AI / ML model (e.g., LSTM) based on temporal dependencies to generate predicted RSRP values for the full set of Tx-Rx beam pairs (i.e., including those corresponding to Tx beams and Rx beams  that were not used for the measurements) . The UE 312 then determines a best Tx-Rx beam pair based on the predicted RSRP values. The UE 312 may report the best Tx beam IDs or the RSRP values associated with those beams. In other embodiments, the UE 312 may report the RSRP measurements of the subset of Tx-Rx beam pairs and one or more network-sided AI / ML model may predict a best beam or multiple best beams.

[0043] FIG. 4A and FIG. 4B illustrate an AI / ML architecture used for spatial-temporal prediction, according to certain embodiments.

[0044] In some embodiments, an enhanced AI / ML model may be introduced for use in spatial-temporal prediction. For example, spatial dependencies in the data (e.g., RSRP measurements) are first processed using a convolutional neural network (CNN 416) model. The data inputted into the AI / ML model (the CNN 416) include a subset of Tx-Rx beam pair measurements 402 from various reference signal strength maps 432 (including the RSRP measurements) of a larger overall set (e.g., all) of the Tx-Rx beam pairs between the Tx beams of the network and the Rx beams of the UE. The reference signal strength map 432 may be in terms of three dimensions. The X dimension 412 and the Y dimension 410 respectively correspond to horizontal and vertical indexes that together identify applicable Tx beams. The Z dimension 414 then contains multiple X-Y planes of such reference signal strengths (RSRP values) , where each individual plane represents reference signal strengths for a different one of the Rx beams with respect to the Tx beams.

[0045] The reference signal strength maps 432 fed into the AI / ML model may be per measurement occasion such as at measurement occasion LT 404, at measurement occasion 2LT 406, and up to measurement occasion QLT 408.

[0046] The CNN 416 is well-suited to capturing spatial relationships because it detects local patterns and structures, such as neighboring beam patterns. As shown in FIG. 4B, the CNN 416 may include a convolutional layer 422, a pooling layer 424, a flattening layer 426 a fully connected fully connected neural network 428 and an output layer 430. The spatial features are extracted using the convolutional layer 422 and the pooling layer 424. After extracting these spatial features, the CNN 416 output is flattened into a vector representation (at the flattening layer 426) , which condenses the spatial information into a format that can be used for further processing. The vector representation is passed to the fully connected neural network 428 to perform various other processing steps (e.g.,  further flattening, weighting certain values, incorporating various other parameters) and then passed to the output layer 430 to be outputted by the CNN 416.

[0047] As shown in FIG. 4A, this flattened vector (output of the CNN 416) is fed into a long short-term memory (LSTM 418) model which is designed to capture temporal dependencies in sequential data. The LSTM 418 processes this sequence of spatial information across time, predicting how the dependencies evolve in the time domain. The LSTM 418 may then pass the prediction to a fully connected network 420 which may process the output of the LSTM 418 (e.g., by weighting certain LSTM 418 outputs, performing matrix multiplication on the LSTM 418 output, or incorporating other parameters to aid in predicting the best beam (s) ) and outputs predicted beam / cell IDs various other beam information corresponding to the predicted / selected beam at prediction occasions such as at times QLT+T, ..., QLT + (L-1) T. The prediction may include, for example, a Tx beam identifier (ID) , an Rx beam ID, a cell identifier (ID) and a Tx beam RSRP value. By using the combination of the CNN 416 for spatial features and the LSTM 418 for temporal patterns, the AI / ML model makes accurate predictions that consider both the location-based and time-dependent aspects of the input data (spatial-temporal predictions) .

[0048] Embodiments herein may enhance beam tracking in dynamic environments. For example, embodiments herein may allow for seamless mobility as the spatial-temporal prediction enables more accurate tracking of the UE as it moves, thus allowing the network to dynamically adjust beam directions based on both spatial location and movement patterns over time. Note that if the AI / ML model is at the network, the network can predict the beam and signal this information (e.g., a synchronization signal block (SSB) index) to the UE. If the AI / ML model is at the UE, the UE informs the network to use that particular Tx beam in the prediction time occasions. This minimizes handover failures and ensures more consistent service quality (e.g., in dense urban environments or for high-speed users) .

[0049] Embodiments herein may enhance predictive beam switching, . For example, by understanding how beams are likely to change over time, the network can proactively switch beams (e.g., for data transmission) before performance deteriorates. This is useful in scenarios like vehicle-to-network communications, where users are constantly moving and the network needs to predict and adjust beam configurations.

[0050] Embodiments herein may enhance energy efficiency. For example, by predicting when and where beam changes are needed, the spatial-temporal AI / ML models help reduce unnecessary beam sweeping or signaling, leading to lower energy consumption for both the network and the user equipment.

[0051] Embodiments herein may enhance proactive handover management by reducing handovers. For example, by using spatial-temporal prediction, the network can foresee when a handover is likely to be needed and prepare for it in advance, avoiding the reactive approach that can lead to unnecessary handovers or connection drops. The enhancements to proactive handover management may also allow for faster handover decision making. For example, by integrating time into the beam prediction process, the network can make faster, more informed decisions about when to initiate handovers, reducing service interruptions and improving user experience.

[0052] Embodiments herein may enhance the robustness in challenging scenarios and enhance network optimizations. For example, adaptability to fast-changing conditions may be enhanced. In fast-changing network environments, such as high-speed trains or airplanes, spatial-temporal prediction helps the network adapt to rapid movement and fluctuating signal conditions, maintaining reliable connectivity. Further, handling user density and traffic variations may be enhanced. The ability to predict spatial-temporal patterns may allow the network to better manage varying user densities and traffic loads, ensuring optimal beam usage even during peak periods or in congested areas.

[0053] FIG. 5 illustrates a flowchart of a method 500 for a UE configured for spatial-temporal RRM prediction, according to certain embodiments. In block 502, the UE 500 measures, at a measurement occasion using a first set of Rx beams at the UE, reference signals transmitted by the wireless network on a first set of Tx beams to generate measured RSRP values for a first set of Tx-Rx beam pairs. In block 504, the UE processes the measured RSRP values, using a first AI / ML model based on spatial dependencies, to generate spatial features for a second set Tx-Rx beam pairs corresponding to the measurement occasion. In block 506, the UE processes the spatial features, using a second AI / ML model based on temporal dependencies, to generate predicted RSRP values for the second set of Tx-Rx beam pairs at one or more prediction occasions subsequent to the measurement occasion. In block 508, based on the predicted RSRP values, the UE determines a selected Tx-Rx beam pair at the one or more prediction occasions.

[0054] In some embodiments, the method 500 further comprises signaling, from the UE to the wireless network, beam information associated with the selected Tx-Rx beam pair at each of the one or more prediction occasions. In some such embodiments, the beam information associated with a first selected Tx-Rx beam pair at a first prediction occasion is different than the beam information associated with a second selected Tx-Rx beam pair at a second prediction occasion. In some other such embodiments, the beam information associated with the selected Tx-Rx beam pair at each of the one or more prediction occasions comprises one or more of a Tx beam ID, an Rx beam ID, and a Tx beam RSRP value. In yet some other such embodiments, the beam information comprises the predicted RSRP values associated with the selected Tx-Rx beam pair at each of the one or more prediction occasions.

[0055] In some embodiments of the method 500, the second set of Tx-Rx beam pairs comprises a second set of Tx beams that is different than the first set of Tx beams.

[0056] In some embodiments of the method 500, the second set of Tx-Rx beam pairs comprises a second set of Tx beams that is a subset of the first set of Tx beams.

[0057] In some embodiments of the method 500, the second set of Tx-Rx beam pairs comprises a second set of Rx beams that is different than the first set of Rx beams.

[0058] In some embodiments of the method 500, the second set of Tx-Rx beam pairs comprises a second set of Rx beams that is a subset of the first set of Rx beams.

[0059] In some embodiments of the method 500, the second set of Tx-Rx beam pairs comprises the first set of Rx beams.

[0060] In some embodiments of the method 500, the predicted RSRP values correspond to a full map of RSRP beam values for the second set of Tx-Rx beam pairs at the one or more prediction occasions.

[0061] In some embodiments of the method 500, the first AI / ML model comprises a CNN, and wherein the CNN analyzes the spatial dependencies to detect local structures and neighboring beam patterns. In some such embodiments, the CNN formats the spatial features into a flattened vector representation.

[0062] In some embodiments of the method 500, the second AI / ML model comprises a LSTM model and wherein the LSTM model analyzes the temporal dependencies in a sequence of spatial information across time.

[0063] FIG. 6 illustrates a flowchart of a method 600 for a wireless network, according to certain embodiments. In block 602, the method 600 includes transmitting, to a UE, reference signals using beam sweeping. In block 604, the method 600 includes receiving, from the UE, measured RSRP values for a first set of Tx-Rx beam pairs corresponding to a measurement occasion. In block 606, method 600 includes processing the measured RSRP values, using a first AI / ML model based on spatial dependencies, to generate spatial features for a second set of Tx-Rx beam pairs corresponding to the measurement occasion. In block 608, the method 600 includes processing the spatial features, using a second AI / ML model based on temporal dependencies, to generate predicted RSRP values for the second set of Tx-Rx beam pairs at one or more prediction occasions subsequent to the measurement occasion. In block 610, based on the predicted RSRP values, the method 600 includes determining a selected Tx-Rx beam pair at the one or more prediction occasions.

[0064] In some embodiments, the method 600 further comprises signaling, from the wireless network to the UE, beam information associated with the selected Tx-Rx beam pair at each of the one or more prediction occasions. In some such embodiments, the beam information associated with a first selected Tx-Rx beam pair at a first prediction occasion is different than the beam information associated with a second selected Tx-Rx beam pair at a second prediction occasion. In some other such embodiments, the beam information associated with the selected Tx-Rx beam pair at each of the one or more prediction occasions comprises one or more of a Tx beam ID, and an Rx beam ID. In yet some other such embodiments, the beam information associated with the selected Tx-Rx beam pair at each of the one or more prediction occasions comprises an SSB index of a Tx beam of the selected Tx-Rx beam pair. In yet some other such embodiments, the beam information comprises the predicted RSRP values associated with the selected Tx-Rx beam pair at each of the one or more prediction occasions.

[0065] In some embodiments of the method 600, the predicted RSRP values correspond to a full map of RSRP beam values for the second set of Tx-Rx beam pairs at the one or more prediction occasions.

[0066] In some embodiments of the method 600, the first AI / ML model comprises a CNN, and wherein the CNN analyzes the spatial dependencies to detect local structures and neighboring beam patterns. In some such embodiments, the CNN formats the spatial features into a flattened vector representation.

[0067] In some embodiments of the method 600, the second AI / ML model comprises a LSTM model and wherein the LSTM model analyzes the temporal dependencies in a sequence of spatial information across time.

[0068] 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.

[0069] 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.

[0070] 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.

[0071] 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.

[0072] 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.

[0073] 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.

[0074] 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) .

[0075] 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) .

[0076] 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) .

[0077] 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) .

[0078] 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.

[0079] FIG. 8 illustrates a system 800 for performing signaling 834 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.

[0080] 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.

[0081] 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.

[0082] 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 834) to and / or from the wireless device 802 with other devices (e.g., the network device 818) according to corresponding RATs.

[0083] 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) .

[0084] 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) .

[0085] 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) .

[0086] The wireless device 802 may include a spatial-temporal prediction module 816. The spatial-temporal prediction module 816 may be implemented via hardware, software, or combinations thereof. For example, the spatial-temporal 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 spatial-temporal prediction module 816 may be integrated within the processor (s) 804 and / or the transceiver (s) 810. For example, the spatial-temporal 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.

[0087] The spatial-temporal prediction module 816 may be used for various aspects of the present disclosure, for example, aspects of FIG. 1, FIG. 2A, FIG. 2B, FIG. 3, FIG. 4A, FIG. 4B, and FIG. 5. The spatial-temporal prediction module 816 is configured to cause the wireless device 802 to measure, at a measurement occasion using a subset of Rx beams of the plurality of Rx beams at the wireless device 802, reference signals transmitted by the network device 818 on a subset of Tx beams of the plurality of Tx beams to generate measured RSRP values for a subset of Tx-Rx beam pairs of the plurality of Tx-Rx beam pairs. The spatial-temporal prediction module 816 is further configured to cause the wireless device 802 to process the measured RSRP values, using a first AI / ML model based on spatial dependencies, to generate spatial features for the plurality of Tx-Rx beam pairs corresponding to the measurement occasion. The spatial-temporal prediction module 816 is further configured to cause the wireless device 802 to processing the spatial features, using a second AI / ML model based on temporal dependencies, to generate predicted RSRP values for the plurality of Tx-Rx beam pairs at one or more prediction occasions subsequent to the measurement occasion. The spatial-temporal prediction module 816 is further configured to cause the wireless device 802 to, based on the predicted RSRP values for the plurality of Tx-Rx beam pairs, determining a selected Tx-Rx beam pair at the one or more prediction occasions.

[0088] 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.

[0089] 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.

[0090] 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 834) to and / or from the network device 818 with other devices (e.g., the wireless device 802) according to corresponding RATs.

[0091] 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.

[0092] 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.

[0093] The network device 818 may include a spatial-temporal prediction module 832. The spatial-temporal prediction module 832 may be implemented via hardware, software, or combinations thereof. For example, the spatial-temporal prediction module 832 may be implemented as a processor, circuit, and / or instructions 824 stored in the memory 822 and executed by the processor (s) 820. In some examples, the spatial-temporal prediction module 832 may be integrated within the processor (s) 820 and / or the transceiver (s) 826. For example, the spatial-temporal prediction module 832 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) 820 or the transceiver (s) 826.

[0094] The spatial-temporal prediction module 832 may be used for various aspects of the present disclosure, for example, aspects of FIG. 1, FIG. 2A, FIG. 2B, FIG. 3, FIG. 4A, FIG. 4B, and FIG. 5. The spatial-temporal prediction module 832 is configured to cause the network device 818 to transmit, to the wireless device 802, reference signals on a plurality of Tx beams to perform beam sweeping. The spatial-temporal prediction module 832 is further configured to cause the network device 818 to receive, from the wireless device 802, measured RSRP values for a subset of Tx-Rx beam pairs of the plurality of Tx-Rx beam pair. The spatial-temporal prediction module 832 is further configured to cause the network device 818 to process the measured RSRP values, using a first AI / ML model based on spatial dependencies, to generate spatial features for the plurality of Tx-Rx beam pairs corresponding to a measurement occasion. The spatial-temporal prediction module 832 is further configured to cause the network device 818 to process the spatial features, using a second AI / ML model based on temporal dependencies, to generate predicted RSRP values for the plurality of Tx-Rx beam pairs at one or more prediction occasions subsequent to the measurement occasion. The spatial-temporal prediction module 832 is further configured to cause the network device 818 to, based on the predicted RSRP values for the plurality of Tx-Rx beam pairs, determine a selected Tx-Rx beam pair at the one or more prediction occasions.

[0095] Embodiments contemplated herein include an apparatus comprising means to perform one or more elements of the method 500. This apparatus may be, for example, an apparatus of a UE (such as a wireless device 802 that is a UE, as described herein) .

[0096] 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 500. 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) .

[0097] Embodiments contemplated herein include an apparatus comprising logic, modules, or circuitry to perform one or more elements of the method 500. This apparatus  may be, for example, an apparatus of a UE (such as a wireless device 802 that is a UE, as described herein) .

[0098] 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 500. This apparatus may be, for example, an apparatus of a UE (such as a wireless device 802 that is a UE, as described herein) .

[0099] Embodiments contemplated herein include a signal as described in or related to one or more elements of the method 500.

[0100] 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 500. 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) .

[0101] 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 base station (such as a network device 818 that is a base station, as described herein) .

[0102] 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 base station (such as a memory 822 of a network device 818 that is a base station, as described herein) .

[0103] 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 base station (such as a network device 818 that is a base station, as described herein) .

[0104] 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 base station (such as a network device 818 that is a base station, as described herein) .

[0105] Embodiments contemplated herein include a signal as described in or related to one or more elements of the method 600.

[0106] Embodiments contemplated herein include a computer program or computer program product comprising instructions, wherein execution of the program by a processing element is to cause the processing element to carry out one or more elements of the method 500. The processor may be a processor of a base station (such as a processor (s) 820 of a network device 818 that is a base station, as described herein) . These instructions may be, for example, located in the processor and / or on a memory of the base station (such as a memory 822 of a network device 818 that is a base station, as described herein) .

[0107] 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.

[0108] 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.

[0109] 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.

[0110] 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.

[0111] 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.

[0112] 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 for spatial-temporal radio resource management (RRM) prediction, the method comprising:measuring, at a measurement occasion using a first set of receive (Rx) beams at the UE, reference signals transmitted by the wireless network on a first set of transmit (Tx) beams to generate measured reference signal received power (RSRP) values for a first set of Tx-Rx beam pairs;processing the measured RSRP values, using a first artificial intelligence (AI)  / machine learning (ML) model based on spatial dependencies, to generate spatial features for a second set Tx-Rx beam pairs corresponding to the measurement occasion;processing the spatial features, using a second AI / ML model based on temporal dependencies, to generate predicted RSRP values for the second set of Tx-Rx beam pairs at one or more prediction occasions subsequent to the measurement occasion; andbased on the predicted RSRP values, determining a selected Tx-Rx beam pair at the one or more prediction occasions.2.The method of claim 1, further comprising signaling, from the UE to the wireless network, beam information associated with the selected Tx-Rx beam pair at each of the one or more prediction occasions.3.The method of claim 2, wherein the beam information associated with a first selected Tx-Rx beam pair at a first prediction occasion is different than the beam information associated with a second selected Tx-Rx beam pair at a second prediction occasion.4.The method of claim 2, wherein the beam information associated with the selected Tx-Rx beam pair at each of the one or more prediction occasions comprises one or more of a Tx beam identifier (ID) , an Rx beam ID, and a Tx beam RSRP value.5.The method of claim 2, wherein the beam information comprises the predicted RSRP values associated with the selected Tx-Rx beam pair at each of the one or more prediction occasions.6.The method of claim 1, wherein the second set of Tx-Rx beam pairs comprises a second set of Tx beams that is different than the first set of Tx beams.7.The method of claim 1, wherein the second set of Tx-Rx beam pairs comprises a second set of Tx beams that is a subset of the first set of Tx beams.8.The method of claim 1, wherein the second set of Tx-Rx beam pairs comprises a second set of Rx beams that is different than the first set of Rx beams.9.The method of claim 1, wherein the second set of Tx-Rx beam pairs comprises a second set of Rx beams that is a subset of the first set of Rx beams.10.The method of claim 1, wherein the second set of Tx-Rx beam pairs comprises the first set of Rx beams.11.The method of claim 1, wherein the predicted RSRP values correspond to a full map of RSRP beam values for the second set of Tx-Rx beam pairs at the one or more prediction occasions.12.The method of claim 1, wherein the first AI / ML model comprises a convolutional neural network (CNN) , and wherein the CNN analyzes the spatial dependencies to detect local structures and neighboring beam patterns.13.The method of claim 12, wherein the CNN formats the spatial features into a flattened vector representation.14.The method of claim 1, wherein the second AI / ML model comprises a long short-term memory (LSTM) model and wherein the LSTM model analyzes the temporal dependencies in a sequence of spatial information across time.15.A method for a wireless network, the method comprising:transmitting, to a user equipment (UE) , reference signals using beam sweeping;receiving, from the UE, measured reference signal received power (RSRP) values for a first set of transmit (Tx) -receive (Rx) beam pairs corresponding to a measurement occasion;processing the measured RSRP values, using a first artificial intelligence (AI)  / machine learning (ML) model based on spatial dependencies, to generate spatial features for a second set of Tx-Rx beam pairs corresponding to the measurement occasion;processing the spatial features, using a second AI / ML model based on temporal dependencies, to generate predicted RSRP values for the second set of Tx-Rx beam pairs at one or more prediction occasions subsequent to the measurement occasion; andbased on the predicted RSRP values, determining a selected Tx-Rx beam pair at the one or more prediction occasions.16.The method of claim 15, further comprising signaling, from the wireless network to the UE, beam information associated with the selected Tx-Rx beam pair at each of the one or more prediction occasions.17.The method of claim 16, wherein the beam information associated with a first selected Tx-Rx beam pair at a first prediction occasion is different than the beam information associated with a second selected Tx-Rx beam pair at a second prediction occasion.18.The method of claim 16, wherein the beam information associated with the selected Tx-Rx beam pair at each of the one or more prediction occasions comprises one or more of a Tx beam identifier (ID) , and an Rx beam ID.19.The method of claim 16, wherein the beam information associated with the selected Tx-Rx beam pair at each of the one or more prediction occasions comprises a synchronization signal block (SSB) index of a Tx beam of the selected Tx-Rx beam pair.20.The method of claim 16, wherein the beam information comprises the predicted RSRP values associated with the selected Tx-Rx beam pair at each of the one or more prediction occasions.21.The method of claim 15, wherein the predicted RSRP values correspond to a full map of RSRP beam values for the second set of Tx-Rx beam pairs at the one or more prediction occasions.22.The method of claim 15, wherein the first AI / ML model comprises a convolutional neural network (CNN) , and wherein the CNN analyzes the spatial dependencies to detect local structures and neighboring beam patterns.23.The method of claim 21, wherein the CNN formats the spatial features into a flattened vector representation.24.The method of claim 15, wherein the second AI / ML model comprises a long short-term memory (LSTM) model and wherein the LSTM model analyzes the temporal dependencies in a sequence of spatial information across time.25.An apparatus comprising means to perform the method of any one of claim 1 to claim 24.26.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 one of claim 1 to claim 24.27.An apparatus comprising logic, modules, or circuitry to perform the method of any one of claim 1 to claim 24.28.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 14.29.A baseband processor for a base station in a wireless network that is configured to cause the base station to perform one or more elements of any one of claim 15 to claim 24.

Images