A method for measurement / prediction reporting in wireless communication system with artificial intelligence functionalities

Abstract

This disclosure is directed generally to intelligent wireless communication networks and particularly to timing and contents for reporting measurements and Artificial Intelligence (AI) prediction of network measurement objects in order to reduce reporting overhead and facilitate improvement of network resource and mobility provisioning. For example, differential reporting may be implemented for reporting network measurements or predictions of a plurality of time instances at a configurable cell set level. For a particular measurement object, a reference measurement or prediction may be identified within the cell set and other measurements or predictions in the cell set may be differentially reported relative to the reference. Further, various schemes are disclosed for determining a timing and contents for reporting the measurements and / or predictions depending on the availability of historical measurements / predictions and future predictions.

Description

A METHOD FOR MEASUREMENT / PREDICTION REPORTING IN WIRELESS COMMUNICATION SYSTEM WITH ARTIFICIAL INTELLIGENCE FUNCTIONALITIESTECHNICAL FIELD

[0001] This disclosure is directed generally to intelligent wireless communication networks and particularly to timing and contents for reporting measurements and Artificial Intelligence (AI) prediction of network measurement objects in order to facilitate improvement of network resource and mobility provisioning.BACKGROUND

[0002] In a wireless communication system, mobility management and provisioning of wireless terminals may require lengthy and resource-intensive measurement of current network conditions as well as reporting of a large amount of such measurement. Such mobility management and provisioning may only be reactive in that it derives resource allocation and other network configuration for the mobility based on current network conditions without considering potential future change of the network conditions at the time mobility management is performed.SUMMARY

[0003] This disclosure is directed generally to intelligent wireless communication networks and particularly to timing and contents for reporting measurements and Artificial Intelligence (AI) prediction of network measurement objects in order to reduce reporting overhead and facilitate improvement of network resource and mobility provisioning. For example, differential reporting may be implemented for reporting network measurements or predictions of a plurality of time instances at a configurable cell set level. For a particular measurement object, a reference measurement or prediction may be identified within the cell set and other measurements or predictions in the cell set may be differentially reported relative to the reference. Further, various schemes are disclosed for determining a timing and contents for reporting the measurements and / or predictions depending on the availability of historical measurements / predictions and future predictions.

[0004] In some example implementations, a method performed by a User Equipment (UE) in communication with a network node in a wireless communication network is disclosed. The method may include, receiving, from the network node, a measurement and reporting configuration for assisting with Artificial Intelligence (AI) functionalities for provisioning the wireless communication network; performing network measurements and / or AI predictions of a network measurement object according to the measurement and reporting configuration; generating a report of the network measurements and / or the AI predictions according to the measurement and reporting configuration; and transmitting the report to the network node.

[0005] In the example implementations above, the report comprises results of AI predictions obtained for the network measurement object within a future prediction window.

[0006] In any one of the example implementations above, the report is generated and transmitted at a triggering time when a configured reporting event is met, and wherein the report comprises measurement or prediction results obtained for the network measurement object: at the triggering time when the triggering time coincide with a configured measurement or prediction time; at the nearest configured measurement or prediction time to the triggering time in response to the triggering time coinciding with any configured measurement or prediction time; at the nearest configured measurement or prediction time prior to the triggering time in response to the triggering time not coinciding with any configured measurement or prediction time; at the nearest configured measurement of prediction times both prior to or after the triggering time in response to the triggering time not coinciding with any configured measurement or prediction time; or at the latest measurement or prediction time for the network measurement objects within a time-to-trigger window preceding the triggering time.

[0007] In any one of the example implementations above, the report is generated and transmitted at a triggering time when a configured reporting event is met, and the report comprises measurement or prediction results obtained at a time instance when an entering condition associated with the configured reporting event is fulfilled based on actual measurements or future predictions.

[0008] In any one of the example implementations above, the report indicates one or more time windows and corresponding probabilities that a measurement event is triggered within the one or more time windows.

[0009] In any one of the example implementations above, the report is generated and transmitted periodically according to the measurement and reporting configuration.

[0010] In any one of the example implementations above, in response to that only historical actual measurements or historical AI predictions are available at a reporting time instance: including the latest of the historical actual measurement or historical AI predictions in the report; dropping the report at the reporting time instance; or postponing the report for the reporting time instance to a later until at least one future measurement or AI prediction becomes available.

[0011] In any one of the example implementations above, in response to that the latest historical measurement results is from actual measurements and that at least one future AI prediction is available at a reporting time instance, including in the report corresponding to the reporting time instance: the at least one future AI prediction; only the earliest of the at least one future AI prediction; only the latest of the historical measurements; the nearest, to the reporting time instance, of the historical measurements and the at least one future AI prediction; or only the latest of the historical measurements in response to a time gap between the historical measurements to the reporting time instance is less than a threshold time distance, or only the earliest of the at least one future AI prediction otherwise.

[0012] In any one of the example implementations above, in response to that AI predictions are not performed for a cell, including in the report corresponding to a reporting time instance: the latest of actual historical measurements for the cell; no measurements for the cell; or only the latest of the actual historical measurements for the cell in response to a time gap between the actual historical measurements to the reporting time instance is less than or equal to a threshold time distance, or no measurements for the cell otherwise.

[0013] In any one of the example implementations above, in response to that historical or future measurements or AI predictions for one or more beams are available, including in the report, K top historical measurements or AI predictions for the one or more beams, K being a positive integer.

[0014] In any one of the example implementations above, the K top historical measurements or AI predictions for the one or more beams are determined among measurements or AI predictions at one or more particular time instances.

[0015] In any one of the example implementations above, the one or more particular time instances comprises: the latest time instance for the historical measurements or AI predictions for the one or more beams; an event triggering time for the one or more beams; or a last measurement or prediction time instance within a time-to-trigger window for event triggering for the one or more beams.

[0016] In some other example implementations, methods performed by the wireless network node above corresponding to the methods above are further disclosed.

[0017] In some other implementations, a UE or wireless network node comprising at least one a processor and a memory is disclosed. The at least one processor may be configured to read computer code from the memory to implement any one of the methods above.

[0018] In yet some other implementations, a computer program product comprising a non-transitory computer-readable program medium with computer code stored thereupon is disclosed. The computer code, when executed by a processor, may cause the processor to implement any one of the methods above.

[0019] The above embodiments and other aspects and alternatives of their implementations are described in greater detail in the drawings, the descriptions, and the claims below.BRIEF DESCRIPTION OF THE DRAWINGS

[0020] FIG. 1 illustrates an example wireless communication network including a wireless access network, a core network, and data networks.

[0021] FIG. 2 illustrates an example wireless access network including a plurality of mobile stations / terminals or User Equipments (UEs) and a wireless access network node in communication with one another via an over-the-air radio communication interface.

[0022] FIG. 3 shows an example radio access network (RAN) architecture.

[0023] FIG. 4 shows an example communication protocol stack in a wireless access network node or wireless terminal device including various network layers.

[0024] FIG. 5 illustrates an example intra-frequency temporal domain measurement and prediction scheme.

[0025] FIG. 6 illustrates another example intra-frequency temporal domain measurement and prediction scheme.

[0026] FIG. 7 illustrates an example measurement / prediction reporting structure.

[0027] FIG. 8 illustrated another example measurement / prediction reporting structure.

[0028] FIG. 9 illustrates an example flow for configuring measurement / prediction reporting and for reporting measurements / predictions.

[0029] FIG. 10 illustrates an example measurement and prediction sequence.

[0030] FIG. 11 illustrates another example measurement and prediction sequence.

[0031] FIG. 12 illustrates example triggering time windows with predicted triggering probabilities.

[0032] FIG. 13 illustrates an example measurement / prediction reporting structure.

[0033] FIG. 14 illustrates example periodic reporting of measurements and predictions for a plurality of cells.DETAILED DESCRIPTION

[0034] The present disclosure will now be described in detail hereinafter with reference to the accompanied drawings, which form a part of the present disclosure, and which show, by way of illustration, specific examples of embodiments. The present disclosure may, however, be embodied in a variety of different forms and, therefore, the covered or claimed subject matter is intended to be construed as not being limited to any of the embodiments to be set forth below.

[0035] Throughout the specification and claims, terms may have nuanced meanings suggested or implied in context beyond an explicitly stated meaning. Likewise, the phrase “in one embodiment” or “in some embodiments” as used herein does not necessarily refer to the same embodiment and the phrase “in another embodiment” or “in other embodiments” as used herein does not necessarily refer to a different embodiment. The phrase “in one implementation” or “in some implementations” as used herein does not necessarily refer to the same implementation and the phrase “in another implementation” or “in other implementations” as used herein does not necessarily refer to a different implementation. It is intended, for example, that claimed subject matter includes combinations of exemplary embodiments or implementations in whole or in part.

[0036] In general, terminology may be understood at least in part from usage in context. For example, terms, such as “and” , “or” , or “and / or, ” as used herein may include a variety of meanings that may depend at least in part upon the context in which such terms are used. Typically, “or” if used to associate a list, such as A, B or C, is intended to mean A, B, and C, here used in the inclusive sense, as well as A, B or C, here used in the exclusive sense. In addition, the term “one or more” or “at least one” as used herein, depending at least in part upon context, may be used to describe any feature, structure, or characteristic in a singular sense or may be used to describe combinations of features, structures or characteristics in a plural sense. Similarly, terms, such as “a” , “an” , or “the” , again, may be understood to convey a singular usage or to convey a plural usage, depending at least in part upon context. In addition, the term “based on” or “determined by” may be understood as not necessarily intended to convey an exclusive set of factors and may, instead, allow for existence of additional factors not necessarily expressly described, again, depending at least in part on context.

[0037] This disclosure is directed generally to intelligent wireless communication networks and particularly to timing and contents for reporting measurements and Artificial Intelligence (AI) prediction of network measurement objects in order to reduce reporting overhead and facilitate improvement of network resource and mobility provisioning. For example, differential reporting may be implemented for reporting network measurements or predictions of a plurality of time instances at a configurable cell set level. For a particular measurement object, a reference measurement or prediction may be identified within the cell set and other measurements or predictions in the cell set may be differentially reported relative to the reference. Further, various schemes are disclosed for determining a timing and contents for reporting the measurements and / or predictions depending on the availability of historical measurements / predictions and future predictions.

[0038] Wireless Network Overview

[0039] An example wireless communication network, shown as 100 in FIG. 1, may include wireless terminal devices or user equipment (UE) 110, 111, and 112, a carrier network 102, various service applications 140, and other data networks 150. The wireless terminal devices or UEs, may be alternatively referred to as wireless terminals. The carrier network 102, for example, may include access network nodes 120 and 121, and a core network 130. The carrier network 110 may be configured to transmit voice, data, and other information (collectively referred to as data traffic) among UEs 110, 111, and 112, between the UEs and the service applications 140, or between the UEs and the other data networks 150. The access network nodes 120 and 121 may be configured as various wireless access network nodes (WANNs, alternatively referred to as wireless base stations) to interact with the UEs on one side of a communication session and the core network 130 on the other. The term “access network” may be used more broadly to refer a combination of the wireless terminal devices 110, 111, and 112 and the access network nodes 120 and 121. A wireless access network may be alternatively referred to as Radio Access Network (RAN) . The core network 130 may include various network nodes configured to control communication sessions and perform network access management and traffic routing. The service applications 140 may be hosted by various application servers deployed outside of but connected to the core network 130. Likewise, the other data networks 150 may also be connected to the core network 130.

[0040] In the example wireless communication network of 100 of FIG. 1, the UEs may communicate with one another via the wireless access network. For example, UE 110 and 112 may be connected to and communicate via the same access network node 120. The UEs may communicate with one another via both the access networks and the core network. For example, UE 110 may be connected to the access network node 120 whereas UE 111 may be connected to the access network node 121, and as such, the UE 110 and UE 111 may communicate to one another via the access network nodes 120 and 121, and the core network 130. The UEs may further communicate with the service applications 140 and the data networks 150 via the core network 130. Further, the UEs may communicate to one another directly via side link communications, as shown by 113.

[0041] FIG. 2 further shows an example system diagram of the wireless access network 120 including a WANN 202 serving UEs 110 and 112 via the over-the-air interface 204. The wireless transmission resources for the over-the-air interface 204 include a combination of frequency, time, and / or spatial resource. Each of the UEs 110 and 112 may be a mobile or fixed terminal device installed with mobile access units such as SIM / USIM modules for accessing the wireless communication network 100. The UEs 110 and 112 may each be implemented as a terminal device including but not limited to a mobile phone, a smartphone, a tablet, a laptop computer, a vehicle on-board communication equipment, a roadside communication equipment, a sensor device, a smart appliance (such as a television, a refrigerator, and an oven) , or other devices that are capable of communicating wirelessly over a network. As shown in FIG. 2, each of the UEs such as UE 112 may include transceiver circuitry 206 coupled to one or more antennas 208 to effectuate wireless communication with the WANN 120 or with another UE such as UE 110. The transceiver circuitry 206 may also be coupled to a processor 210, which may also be coupled to a memory 212 or other storage devices. The memory 212 may be transitory or non-transitory and may store therein computer instructions or code which, when read and executed by the processor 210, cause the processor 210 to implement various ones of the methods described herein.

[0042] Similarly, the WANN 120 may include a wireless base station or other wireless network access point capable of communicating wirelessly via the over-the-air interface 204 with one or more UEs and communicating with the core network 130. For example, the WANN 120 may be implemented, without being limited, in the form of a 2G base station, a 3G nodeB, an LTE eNB, a 4G LTE base station, a 5G NR base station of a 5G gNB, a 5G central-unit base station, or a 5G distributed-unit base station. Each type of these WANNs may be configured to perform a corresponding set of wireless network functions. The WANN 202 may include transceiver circuitry 214 coupled to one or more antennas 216, which may include an antenna tower 218 in various forms, to effectuate wireless communications with the UEs 110 and 112. The transceiver circuitry 214 may be coupled to one or more processors 220, which may further be coupled to a memory 222 or other storage devices. The memory 222 may be transitory or non-transitory and may store therein instructions or code that, when read and executed by the one or more processors 220, cause the one or more processors 220 to implement various functions of the WANN 120 described herein.

[0043] Data packets in a wireless access network such as the example described in FIG. 2 may be transmitted as protocol data units (PDUs) . The data included therein may be packaged as PDUs at various network layers wrapped with nested and / or hierarchical protocol headers. The PDUs may be communicated between a transmitting device or transmitting end (these two terms are used interchangeably) and a receiving device or receiving end (these two terms are also used interchangeably) once a connection (e.g., a radio resource control (RRC) connection) is established between the transmitting and receiving ends. Any of the transmitting device or receiving device may be either a wireless terminal device such as device 110 and 120 of FIG. 2 or a wireless access network node such as node 202 of FIG. 2. Each device may both be a transmitting device and receiving device for bi-directional communications.

[0044] The core network 130 of FIG. 1 may include various network nodes geographically distributed and interconnected to provide network coverage of a service region of the carrier network 102. These network nodes may be implemented as dedicated hardware network nodes. Alternatively, these network nodes may be virtualized and implemented as virtual machines or as software entities. These network nodes may each be configured with one or more types of network functions which collectively provide the provisioning and routing functionalities of the core network 130.

[0045] Returning to wireless radio access network (RAN) , FIG. 3 illustrates an example RAN 340 in communication with a core network 310 and wireless terminals UE1 to UE7. The RAN 340 may include one or more various types of wireless base station or WANNs 320 and 321 which may include but are not limited to gNB, eNodeB, NodeB, or other type of base stations. The RAN 340 may be backhauled to the core network 310. The WANNs 320, for example, may further include multiple separate access network nodes in the form of a Central Unit (CU) 322 and one or more Distributed Unit (DU) 324 and 326. The CU 322 is connected with DU1 324 and DU2 326 via various interfaces, for example, an F1 interface. The F1 interface, for example, may further include an F1-C interface and an F1-U interface, which may be used to carry control plane information and user plane data, respectively. In some embodiments, the CU may be a gNB Central Unit (gNB-CU) , and the DU may be a gNB Distributed Unit (gNB-DU) . While the various implementations described below are provided in the context of a 5G cellular wireless network, the underlying principles described herein are applicable to other types of radio access networks including but not limited to other generations of cellular network, as well as Wi-Fi, Bluetooth, ZigBee, and WiMax networks.

[0046] The UEs may be connected to the network via the WANNs 320 over an air interface. The UEs may be served by at least one cell. Each cell is associated with a coverage area. These cells may be alternatively referred to as serving cells. The coverage areas between cells may partially overlap. Each UE may be actively communicating with at least one cell while may be potentially connected or connectable to more than one cell. In the example of FIG. 1, UE1, UE2, and UE3 may be served by cell1 330 of the DU1, whereas UE4 and UE5 may be served by cell2 332 of the DU1, and UE6 and UE7 may be served by cell3 associated with DU2. In some implementations, a UE may be served simultaneously by two or more cells. Each of the UE may be mobile and the signal strength and quality from the various cells at the UE may depend on the UE location and mobility.

[0047] In some example implementations, the cells shown in FIG. 3 may be alternatively referred to as serving cells. The serving cells may be grouped into serving cell groups (CGs) . A serving cell group may be either a Master CG (MCG) or Secondary CG (SCG) . Within each type of cell groups, there may be one primary cell and one or more secondary cells. A primary cell in a MSG, for example, may be referred to as a PCell, whereas a primary cell in a SCG may be referred to as PScell. Secondary cells in either an MCG or an SCG may be all referred to as SCell. The primary cells including PCell and PScell may be collectively referred to as spCell (special Cell) . All these cells may be referred to as serving cells or cells. The term “cell” and “serving cell” may be used interchangeably in a general manner unless specifically differentiated. The term “serving cell” may refer to a cell that is serving, will serve, or may serve the UE. In other words, a “serving cell” may not be currently serving the UE. While the various embodiment described below may at times be referred to one of the types of serving cells above, the underlying principles apply to all types of serving cells in both types of serving cell groups.

[0048] FIG. 4 further illustrates a simplified view of the various network layers involved in transmitting user-plane PDUs from a transmitting device 402 to a receiving device 404 in the example wireless access network of FIGs. 1-3. FIG. 4 is not intended to be inclusive of all essential device components or network layers for handling the transmission of the PDUs. FIG. 4 illustrates that the data packaged by upper network layers 420 at the transmitting device 402 may be transmitted to corresponding upper layer 430 (such as radio resource control or RRC layer) at the receiving device 304 via Packet Data Convergence Protocol layer (PDCP layer, not shown in FIG. 4) and radio link control (RLC) layer 422 and of the transmitting device, the physical (PHY) layers of the transmitting and receiving devices and the radio interface, as shown as 406, and the media access control (MAC) layer 434 and RLC layer 432 of the receiving device. Various network entities in each of these layers may be configured to handle the transmission and retransmission of the PDUs.

[0049] In FIG. 4, the upper layers 420 may be referred as layer-3 or L3, whereas the intermediate layers such as the RLC layer and / or the MAC layer and / or the PDCP layer (not shown in FIG. 4) may be collectively referred to as layer-2, or L2, and the term layer-1 is used to refer to layers such as the physical layer and the radio interface-associated layers. In some instances, the term “low layer” may be used to refer to a collection of L1 and L2, whereas the term “high layer” may be used to refer to layer-3. In some situations, the term “lower layer” may be used to refer to a layer among L1, L2, and L3 that are lower than a current reference layer. Control signaling may be initiated and triggered at each of L1 through L3 and within the various network layers therein. These signaling messages may be encapsulated and cascaded into lower layer packages and transmitted via allocated control or data over-the-air radio resources and interfaces. The term “layer” generally includes various corresponding entities thereof. For example, a MAC layer encompasses corresponding MAC entities that may be created. The layer-1, for example, encompasses PHY entities. The layer-2, for another example encompasses MAC layers / entities, RLC layers / entities, service data adaptation protocol (SDAP) layers and / or PDCP layers / entities.

[0050] AI / ML Assisted Wireless Network Provisioning and Configuration

[0051] AI and Machine Learning (ML) (alternatively referred to AL generally) may facilitate more efficient configuration and provisioning in wireless networks. At the core of a general AI framework are various AI models. An AI model generally contains a large number of model parameters that are determined through a training process where correlations in a set of training data are learned and embedded in the trained model parameters. The trained model parameters may thus be used to generate inference or predictions from a set of input datasets. AI models are particularly suitable for situations where there is few trackable deterministic or analytical derivation paths between input data and output but correlations in historical data may be identified and may be embedded into the AI models via training processes.

[0052] AI models may be constructed and trained for various inference or predictive functionalities. Inferences or predictions generated by these AI models may facilitate various aspect of the configuration and provisioning of the over-the-air interface of a wireless network, including but not limited to resource management, resource allocation / selection (including spatial, radio frequency, and time resources) , mobility management, and radio link failure management.

[0053] Merely as an example, AI assisted mobility management and radio link failure management may be particularly beneficial. Specifically, traditional beam, cell, and radio frequency provisioning involved in mobility and radio link failure management is inflexible and consumes much overhead. For example, traditional beam management typically relies on exhaustive beam sweeping / scanning and measurements. A UE may be configured to monitor and measure each reference signal and then report the measurement results to the NW for the NW to decide the best beam for the UE to switch to during mobility. This process is resource and power intensive and time consuming. Trained AI models that embed learned correlation between various network condition parameters can at least help reduce the number of measurements (or requiring fewer reference signals) via inference capability of these AI models. For example, in some implementations, AI models may help identify inferences of best candidate beams using other network conditions and / or reduced number of beam measurement, and then only sweep and measure a smaller number of candidate beams to select the beam for use in current communication.

[0054] The traditional non-AI approaches to mobility and / or radio failure management are further only reactive in that they do not take historical time correlations into consideration and thus can only react to current measurements in relation to predetermined or configured threshold values. Such traditional approaches thus cannot predict future network conditions and unable to provide proactive mobility and radio link failure management. As such, in situations where cell quality changes, e.g., degrades, rapidly (e.g., when UE mobility is high) , the network may not be able to know the degraded cell quality in time based on the traditional reactive approaches, leading to frequent handover failure or radio link failure during mobility. Therefore, it may be desirable in at least in such situations to implement a proactive rather than reactive scheme. A proactive approach may also be based on AI techniques described above. In an AI-based proactive scheme for mobility and / or radio link failure management, for example, the network can know the beam / cell quality change in advance (even before the change actually happens) via Artificial Intelligence / Machine Learning (AI / ML) algorithm. For example, the UE  / NW may be able to predict whether the beams / cells will become worse in a future time instance via temporal-domain prediction.

[0055] In some example implementations of AI / ML assisted network provisioning, AI models may reside on the UE side. In some other implementations, AI model may instead reside on the network (NW) side. AI models may be provided as a service. AI models may be retrained and updated as needed. The UE or the NW may determine what models to retrieve or retain and how they are updated and configured for assisting in the various aspects of wireless communications.

[0056] Network Measurements and AI Predictions and Reporting of Network Measurements and Predictions

[0057] AI / ML models may be specifically deployed to for measurements and measurement events prediction. In non-AI measurement mechanism, a UE may be configured by the network to perform measurement on each MO. For each cell, the UE may measure one or more beams of the cell to derive or determine beam quality and cell quality, and then reports the results to the network if triggering criterion for reporting are met. Without AI assistance, the network / UE could only perceive the radio channel quality change after the change have occurred. However, when cell quality changes rapidly (e.g., UE mobility is high) , the network may not be able to perceive the degraded cell quality in time with non-AI based measurements, which may result in, for example, handover failure or radio link failure, or otherwise non-optical resource configuration and mobility management. AI / ML based measurements and measurement events prediction thus enable a proactive scheme of managing mobility. For example, the UE  / network can predict whether the beams / cells become worse in the future time instance via temporal-domain measurement prediction.

[0058] For measurement and measurement event prediction, AI / ML models or algorithms may be trained to process a particular set of input and generate inference output as measurement predictions. For example, the measurement predictions may be in the temporal domain, frequency domain, or spatial domain. Temporal domain predictions may refer to predictions of future measurements made by the AI / ML models based on historical or current measurement and other network condition data. Frequency domain predictions may refer to predictions of measurements at radio frequency / frequencies (predicted frequency / frequencies) using measurements and other network condition data at another radio frequency / frequencies (measured frequency / frequencies) . The term “radio frequency” and “frequency” may be used interchangeably for purposes of this disclosure. Spatial domain predictions may refer to predictions of measurements related cells or beams with spatial characteristics (location, direction, etc. ) (predicted spatial characteristics) using measurements and other network condition data associated with cells or beams of other spatial characteristics (measured spatial characteristics) .

[0059] In some example implementations, triggering of a measurement event may be associated with an entering condition, a leaving condition, and a time-to-Trigger (or TimeToTrigger) , all of which may be predefined or configured by the network. The entering condition is used to assess when to evaluate whether to trigger the measurement event. When the entering condition is met, the evaluation of the triggering of the measurement event begins. If during the TimeToTrigger the leaving condition is not met, then the measurement event may be triggered. In some example implementations, the entering condition, leaving condition, and TimeToTrigger may be applied to a particular cell to determine whether the measurement event is triggered for the specific cell.

[0060] Temporal domain measurement predictions may fall into two example cases, referred to as temporal domain prediction case A and case B. Temporal domain prediction case A is illustrated in FIG. 5. As shown in FIG. 5, for temporal domain prediction case A, continuous measurement results in a prediction window (PW) are predicted by continuous historical measurement result (s) in an observation window (OW) , as shown by the first row of FIG. 5. The OW and PW may then slide forward with one or more sample period  / measurement period such that the previous prediction results will be actually measured next, as shown by the second row of FIG. 5.

[0061] Temporal domain prediction case B is illustrated in FIG. 6. As shown in FIG. 6, for temporal domain prediction case B, measurement results in PW are predicted by historical measurement result (s) in OW, as shown by the first row of FIG. 6. Then observation window and prediction window slide forward with one or more sample period  / measurement period, and the previous prediction results will not be actual measured, as shown by the first row of FIG. 5. In some alternative implementations of FIG. 6 for temporal domain prediction case B, the measurement (e.g., on cell / beam) results within the observation window can include the predicted results in previous prediction (such that the measurement data used for the measurement prediction may include previously predicted measurements) .

[0062] For frequency domain predictions, the measurement results at frequency 2 (or frequency to be predicted) , alternatively referred to as freq 2, are predicted by the measurement results at frequency 1 (or frequency to be measured) , alternatively referred to as freq 1. For example, the cell (s) at the frequency to be measured and cell (s) at the freq to be predicted are located in the same sector of either serving site or same neighbor site (i.e., in a co-located scenario) . For another example, the cell (s) at the frequency to be measured and cell (s) at the frequency to be predicted are not located in the same sector of either serving site or same neighbor site (i.e., non-collocated scenario) .

[0063] Spatial domain measurement prediction may be intra-cell or inter-cell. For intra-cell spatial domain prediction, the cell results and / or beam results of all reference signals (e.g., SSB) can be predicted via a subset of configured reference signal. For example, the best / top-N SSB results of 64 SSB can be predicted via the SSB results of 8 SSB. For inter-cell spatial domain prediction, the cell results can be predicted via the measurement results of intra-freq neighbor cell (s) .

[0064] In some example implementations, an AI / ML model can be trained and used in more than one prediction use cases in combination above. For example, an AI module may be trained and used for frequency domain prediction together with temporal domain prediction case A, such that future measurement results at frequency 2 can be predicted via historical measurement results at frequency 1.

[0065] In some further example implementations, a cluster-based approach may be applied for AI-based measurement predictions. In such cluster-based approach, for example, measurement results from more than one cells (acluster of cells) can be used as AI model input for measurement prediction. For a particular example, an AI model may be trained to predict measurement results of cells 1, 2 and 3 at frequency 1 via measurement results at cells 4, 5 and 6 at frequency 2.

[0066] Input to the AI / ML models above for measurement prediction may include historical measurement results, prior measurement predictions. One AI / ML model above may be only applicable for one or more certain network arrangement and configuration parameters. The network arrangement and configuration parameters, for example, may include network configurations, deployment scenario and / or settings.

[0067] With respect to reporting, in some example implementations, a UE may measure one or more beams of cell to derive beam quality and / or cell quality, perform temporary, spatial, or other AI predictions, and reports the results for the measurements and / or predictions to the network if triggering criterion are met. The reporting criterion can be periodical or may be described as triggering conditions for a measurement event, referred to periodic reporting or triggering event-based reporting. The measurement event may be triggered, for example by L3 measurement or L1 measurement. The term “measurement’ is used to refer to the determination or quantification of the various network qualities (or measurement objects, such as beam or cell qualities) . The term “measurement event” is used to refer to triggered events based on the measurements, such as A3 event. For example, A3 event may be based on L3 measurements.

[0068] When the report of measurements / predictions is triggered (either periodically or by event) , a plurality of measurements and predictions may be included in the report according to a report configuration provided, for example, by the network. The various schemes disclosed below provide examples as to which of the measurements / predictions should be reported and when and how should they be reported under various different conditions in order to in order to facilitate improvement of network provisioning and mobility.

[0069] Differential Reporting

[0070] In some example implementations, to save the signaling overhead, when the UE reports cell and / or beam measurements or predictions to the network, a differential reporting mechanism of the measurements / prediction results may be employed.

[0071] Specifically, for a plurality of cell and / or beam results of measurements or predictions for a set of cells (referred to as cell set A) to be included in a report, the UE may use one of the measurement / prediction results as reference value (or reference result) and report other measurement / prediction results in a form of offset or difference with respect to the reference value. A quantization step size may be configured for the difference, providing discrete differential levels to report, in order to further reduce the signaling overhead. The differential reporting may be applied to a particular network quality being measured for the set of cells (e.g., the Reference Signal Received Power (RSRP) of the beams of each cell in the cell set) .

[0072] The reference value above for differential reporting may be one of:

[0073] ● largest cell measurement / prediction result at multiple time instance of all cells in the cell set A;

[0074] ● largest beam measurement / prediction result at multiple time instances of all beams or all beams which needs to be reported in the cell set A; or

[0075] ● larger value of the largest cell result and the largest beam result above.

[0076] In some example implementation, the UE may further include time information of the reference result in the report transmitted to the network. In particular, the report may include the time instance at which the reference result is measured or predicted. In some example implementations, such time information may be indicated as absolute time or a relative time compared to other time instances for the reported measurements / predictions, e.g., a relative position of a reference time instance among all time instances. In some example implementations, the reference time can be: (1) the earliest time for the results to be reported; (2) the earliest time instance for prediction. As such, the reference results can be reported as a relative time to the reference time and the other time instances can be reported as relative to the reported time of the reference result.

[0077] Each cell set may be associated with one reference measurement / prediction for differential reporting purposes. One or more cell sets may be configured by the network or pre--defined. In some example implementations, a cell set, e.g., the cell set A above can be one of the following:

[0078] ● one cell in the measurement report (such that measurements / prediction at a plurality of time instances for each cell are differentially reported) ;

[0079] ● all cells in the measurement report irrespective of whether differential reporting is allowed;

[0080] ● all cells that differential reporting is allowed in the measurement report;

[0081] ● all neighbor cells (of the current serving cells) in the measurement report (so that neighboring cells and serving cells belong to separate cell sets for differential reporting purposes) ;

[0082] ● all serving cells in the measurement report (so that neighboring cells and serving cells belong to separate cell sets for differential reporting purposes) ;

[0083] ● all neighbor cells except for best neighbor cell in the measurement report (that is, in some situations, the best neighbor cell may be grouped together with the serving cells as a different set for simplifying reporting) ;

[0084] ● all cells within the same Radio Access Technology (RAT) in the measurement report (e.g., LTE cells and NR cells belongs to different cell set for differential reporting purposes) ;

[0085] ● all cells that the cell / beam results are from AI prediction in the measurement report (e.g., the cells whose results are predicted from measurement / prediction in other cells) ; or

[0086] ● all cells that prediction is performed in the measurement report.

[0087] In some example implementations, measurement of one quality (e.g., beam RSRP) may be associated with more than one cell set, and thus has more than one reference result, with each of the reference result used for differential reporting for each cell set. In some example implementations, multiple measurement quantities (e.g., RSRP RSRQ SINR) may need to report to the network. In this case, each quantity can have one reference value.

[0088] For example, the RSRQ value and RSRP value for cell set A need to be reported to the network, RSRP values have one reference value, and RSRQ values have one reference value.

[0089] For the differential value calculation, in some example implementations, for differential reporting RSRP for a cell set, the RSRP may be quantized to a multi-bit, e.g., 7-bit value in the range [-140, -44] dBm with 1dB step size. The differential RSRP value relative to the largest RSRP in the results to be reported as the reference value may be computed with 2 dB step size to yield 16 discrete levels for the differential RSRP, which is capped at -30dBm.

[0090] In some alternative example implementations, a different step size of or the differential values may be used, with different capping boundary. If the measured value minus reference value is less than and / or equal to the capping boundary, the reported differential value = floor [ (Measured value –reference value)  / step size] . However, if the measured value minus reference value is less than or equal to the boundary, the UE reports a specific value, e.g., floor [capping boundary / step size] .

[0091] The step size for differential values and the boundary cap may be predefined or may be configured by the network. For example, the step size for differential values may be 1dB and the capping boundary may be -15dB. The above calculation procedure may be represented by the following table (where the reporting values are represented in 4 bits) :

[0092] In some example implementations, the step size above for different cell sets, e.g., for a cell set of serving cells and a cell set of neighbor cells may be different. For example, the step size for the cell set of serving cells may be smaller than that for the neighboring cells because reporting serving cell measurements / prediction with higher resolution may be more important. In some other example implementations, the step size above for differentially reporting cell results and for reporting beam results may be different.

[0093] To illustrate the different value calculation and reporting above, example measurement / prediction results of three cells, cell 1, cell 2 and cell 3 at four future time instances need to be reported. Among the three cells, assume that cell 3 is a serving cell, and cell 1 and cell 2 are neighbor cells. These measurement / prediction results are shown in the table below.

[0094] In the situation where each of the three cells above are considered as separate cell sets for differential reporting purposes (that is, cell1, cell 2, cell 3 are each considered as a cell set) , then each cell of cell 1～3 has its own reference value. Using the largest measurement / prediction value as the reference value and using a quantization step size = 1dB and a capping difference boundary of -15dB (see table above) , the reported differential values would be:

[0095] An example report structure for the example above is shown in FIG. 7. In the example report structure of FIG. 7, the serving cells and the neighboring cells are reported separately. For each cell as a different reporting cell set, a reference value (largest measurement / prediction among all instances withing each cell set) is reported along with the different values as determined above.

[0096] For another example, the three cells above may be grouped into two cell sets, one for serving cells (set A, including cell 3) and another one for neighboring cell (Set B, including cell 1 and cell 2) . As such, one reference value for differential reporting may be determined within cell 3 and another reference value for differential reporting may be determined for cell 1 and cell2 together. Assuming the step size for set A is 1dB and the capping differential boundary is -15dB; the step size for set B is 2dB and the capping differential boundary is -30dB.

[0097] In some example implementations, the reference value, step size, and / or capping boundary above for beam results and cell results may be different or may be determined in a different manner. They may be included in separate portions of the report. For example, cell results may have better resolution than beam result in differential reporting. An example of beam level results may be individual SSB RSRP whereas an example cell level result may be, for example, average RSRP of top K beams of the cell, K being a positive integer.

[0098] In some example implementations, for a cell set, not all results may be reported differentially. Some results may be reported fully and some results may be reported differentially. The network may configure the results that is not allowed under differential reporting, and / or may configure the results that is to be reported differentially. For example, the following measurement / prediction of a cell set may be reported differentially (whereas other results may be reported fully) :

[0099] ● both beam results and cell results can use the differential reporting mechanism;

[0100] ● only beam results can use differential reporting mechanism;

[0101] ● only cell results can use differential reporting mechanism;

[0102] ● an indication is used to indicate whether the UE is allowed to use differential reporting to report beam and / or cell results.

[0103] In some example implementations, the granularity of the indication of what can be reported differentially can be at per UE level; per measurement object level; per measurement ID level; or per cell level. For example, one indication in the measObjectNR / ReportConfigNR may be used to indicate whether differential reporting is allowed for neighbor cell. For another example, a list may be configured by the network to indicate the cells within a measObjectNR that differential reporting is allowed.

[0104] In some example implementations, the UE may report indication of the cell ID and / or beam ID and / or time information of the reference result to the network. The reporting of such indication may be implicit or explicit.

[0105] An example reporting structure is shown in FIG. 8, where results under measurement object include results for cell 3, including its ID, its reference value for differential reporting, its time position relative to other reported time instances and the differential results of other time instances in their time order.

[0106] In some example implementations, the cell results / beam results may be obtained from UE actual measurement (e.g. via L1 measurement or L3 measurement) or AI prediction or some other manners (e.g. obtained from the report from other UE) . The differential reporting mechanism above applies to actual measurements, prediction made using actual measurement, or prediction made using actual measurements and or other predictions for a plurality of time instances.

[0107] In some example implementations, the measurement results reporting with differential reporting mechanism above can be used in the one or more the following scenario involving reporting of a results at a plurality of time instances:

[0108] ● predicted results reporting in the UE sided model with AI;

[0109] ● measurement results reporting in the network side model in the AI;

[0110] ● training data collection for network side model and / or UE side model;

[0111] ● monitoring results reporting for network side model and / or UE side model.

[0112] In some example implementations, the measurement results using differential reporting can be carried in the RRC or MAC CE or DCI or lower layer signaling that sent by RRC or MAC.

[0113] Measurement Results Reporting in UE Side AI Model

[0114] FIG. 9 shows an example procedure for measurement configuraiton and reporting with AI in the wireless communication system above, including (1) the network sending measurement (and prediction, and reporting) configuration to the UE; (2) the UE perform measurement and / or AI prediction according to the measurement (and prediction) configuraiton; and (3) the UE generating and transmitting report (s) to the network according to reporting configuration. The UE, for example, may include measurement or prediction results in the report.

[0115] In some example implementations, as described above, the UE may be configured to report the measurements / prediction results as triggered by events, referred to event-triggered type of report. In some example implementations, the triggering of the report may involve an entering condition, a time-to-trigger after which the report is triggered if no leaving condition is detected, as described above.

[0116] In some example implementations for event-triggered reporting, the measurement results included in the report may include at least one of:

[0117] 1) Current actual measurement results.

[0118] 2) All future measurement results (predictions) within a prediction window or TTT.

[0119] 3) Measurement results (actual measurements or predictions) at event-triggered time. In the situation when is no prediction / actual results at the event-triggered time, the UE may report one of the followings:

[0120] ○ The latest predicted / measured results within the time-to-trigger (TTT) .

[0121] ○ The nearest measurement / prediction results to the event-triggered time instance regardless of being before event-triggered time or after event-triggered time.

[0122] ○ The nearest measurement / prediction results after event-triggered time.

[0123] ○ Both the measurement / prediction results before event triggered time and after event triggered time.

[0124] 4) The measurement / prediction results at time instances indicated by the network configuration. In some example implementations, the network can configure the UE to report prediction at ith future time instance, i being configured by the network.

[0125] 5) The measurement / prediction results at a time instance when the entering condition for determining triggering of the report is fulfilled based on actual measurement or prediction results. In some example implementations, the UE may report the measurement / prediction results at the time instance when the entering is fulfilled based on the prediction results for future time instances.

[0126] Example implementations for (3) above is illustrated in the context of FIG. 10. FIG. 10 shows the situation where a measurement / prediction periodicity is 200 ms, the TTT for event-triggered reporting is 320 ms, which is not a multiple of the periodicity 200 ms. As a result, depending on where the current time instance at which the TTT starts, the triggering of the report at the end of the TTT may not coincide any measurement time or prediction time. FIG. 10 shows that measurements 1 and 2 are actual measurements, and measurements 3 and 4 are AI predictions. Under the reporting configuration (3) above, different schemes may be implemented as to which measurements / predictions to include in the event triggered report.

[0127] For example, the UE may be configured to report the prediction results at time instance 3 (the latest prediction within TTT) .

[0128] For another example, assume that time instance 3 is 120 ms before the end of TTT and time instance 4 is 80 ms after the end of TTT, UE may be configured to report prediction at time instance 3 (nearest measurement / prediction results to the event-triggered time instance regardless of being before event-triggered time or after event-triggered time) .

[0129] For another example, the UE may report the prediction results at time instance 4 if configured to report the nearest measurement / prediction results after event-triggered time.

[0130] For another example, the UE may report the prediction results at time instance 3 and 4 if configured to report both the measurement / prediction results before event triggered time and after event triggered time.

[0131] Similar reporting may also be configured with respect to another example context illustrated in FIG. 11. In FIG. 11, time instances 1 and 3 are associated with actual measurements and time instances 2 and 4 are associated with predictions. Again, the end of TTT corresponds to no actual or predicted results. Under the configuration for reporting the latest predicted / measured results within the time-to-trigger, actual measurement 3 would be included in the report. Under the configuration for reporting the nearest measurement / prediction results to the event-triggered time instance regardless of being before event-triggered time or after event-triggered time, the prediction 4 would be included in the report if the time instance 4 is closer to the end of TTT compared to the time instance 3. Under the configuration for reporting the nearest measurement / prediction results after event-triggered time, the prediction 4 would be included in the report. Under the condition for reporting both the measurement / prediction results before event triggered time and after event triggered time, the actual measurement 3 and prediction 4 would be included in the report.

[0132] In some example implementations, the report above may further include the time that the entering condition is met for event-triggered reporting. In some example implementations, such a time may be reported as an absolute time value, or may be reported as a relative time related to a reference time. In some other implementations, if the measurement result is from L3 measurement, the time information above may be reported as an absolute time, and may be indicated via a reporting IE referred to as absoluteTimeInfo.

[0133] In some example implementations, the reference time above may be configured in the measurement configuration, and the UE may report time information above as relative time related to the reference time.

[0134] In some example implementations, the unit of the reference time above may be in milliseconds or second.

[0135] In some example implementations, the report above may include event-triggering probabilities. For example, the UE may be configured to report one or more time windows  / time occasions and / or corresponding probability that the measurement event is triggered within the one or more time windows or at the one or more time occasions.

[0136] In some example implementations, the time window lengths and / or the time gaps between the current time instance and the start of the one or more time windows, e.g., the first of the one or more time windows, may be configured by the network.

[0137] In some example implementations, each of the one or more time windows may be indicated via a start time instance, an end time instance, a duration, or a combination thereof. In some other implementations, these time instances may be indicated via absolute time or as relative to a reference time.

[0138] In some example implementations, if more than one occurrence probability and corresponding to more than one time windows need to be reported, the earliest time window may be indicated via absolute time and the subsequent time window may be indicated via relative time to the first time window (e.g., relative to the start or end of the first time window) .

[0139] In some example implementations, the probabilities above can be indicated via (1) probability values; (2) probability value ranges (for example, value 0 may indicate that the probability is 95%～100%) ; or (3) indications of probability categories (e.g., high, low, medium) . The corresponding criterion for probability range and categories may be pre-defined or configured.

[0140] In some example implementations, for each time window or time occasion above, the the cell that event is triggered on information may be included in the measurement report.

[0141] FIG. 12 illustrates an example for time windows and triggering probabilities implementations described above. The example of FIG. 12 illustrates three time windows with predicted triggering probabilities of 40%, 90%, and 30%.

[0142] In some example implementations, the UE may only report corresponding probabilities to the network in the order of time. In this example of FIG. 12, the UE may report a list of probabilities: 40%, 90%and 30%.

[0143] In some example implementations of FIG. 12, the UE may be configured to report the probabilities and the corresponding time window information to the network based on a signaling that the first window starts t1, the second window starts at t1+80 ms, and the third window starts at t1 + 160 ms.

[0144] FIG. 13 shows an example report structure that include reporting of the time windows and event-triggering probabilities above. The reporting structure include an explicit probability list IE, contains information for each time windows, including the start time, the predicted triggering probability, and the predicted best cell, as an example.

[0145] In some other example implementations, as described above, the reporting of measurements / predictions may be configured as periodic with a configured periodicity.

[0146] FIG. 14 illustrates an example configuration for measurements and predictions for a particular measurement object (MO) at various time instances for cell 1 through cell 4 in order to illustrates the various example implementations below for periodic reporting. Cases 1 through 4 illustrates four different time instances where periodic reporting is to be made. In FIG. 14, the squares indicate measurements or prediction time instances. The squares shaded with slanted lines represent actual measurements. The open box and the black boxes represent predictions based on measurements from measurements from two preceding time instances. Specifically in FIG. 14:

[0147] For case 1: For cells that prediction is performed, report the latest historical measurement results, and for cells that prediction is not performed, report the latest actual measurement results., e.g., in FIG. 14, the UE may, for cell 1～4, report the measurement results at time instance 1.

[0148] For case 2: For cells that prediction is performed, report the earliest prediction results and for the cells that prediction is not performed, report the latest actual measurement results, e.g., in FIG. 14, for cell 1～3, the UE reports the measurement  / prediction results at time instance 3. For cell 4, the UE reports the measurement results at time instance 2.

[0149] For case 3: For cells that the prediction is performed, report the earliest prediction results, and for the cells that prediction is not performed, report the latest actual measurement results, e.g., in FIG. 14, for cell 1～3, the UE reports the prediction results at time instance 4; for cell 4, the UE reports the measurement results at time instance 2.

[0150] For case 4: For cells that prediction is performed, Report the latest historical measurement results, and for the cells that prediction is not performed, report the latest actual measurement results, e.g., for cell 1～3, the UE reports the prediction results at time instance 4; for cell 4, the UE reports the measurement results at time instance 2.

[0151] In some example implementations of periodic reporting, and for cells that AI prediction is performed, if the latest historical measurement result is from actual measurement / prediction, and there is no future measurement results (prediction) available (corresponding to case 1 and case 4 for cells 1-3 of FIG. 14) . At time instance of case 1, measurement 2 is not made yet, and future prediction 3 and 4 are not available because measurement 2 as an input to the prediction of 3 and 4 is not performed yet. In case 4, there is no future prediction yet) , the UE may be configured to:

[0152] ● Report the latest historical measurement results;

[0153] ● Indicates to the network that the measurement result is historical;

[0154] ● Drop the corresponding measurement / prediction report; or

[0155] ● Postpone the measurement / prediction results reporting until the at least one future measurement result (prediction) is available.

[0156] In some example implementations of periodic reporting, if the latest historical measurement result is from actual measurement and future measurement results (prediction) have become available (e.g., case 2 of FIG. 14, where both 1 and 2 are measured, and thus 3 and 4 predictions are available at time instance of case 2) , the UE may be configured to:

[0157] ● Report the future measurement results (predictions) and latest historical measurement result;

[0158] ● If a time gap between historical time instance and current time instance is larger than a threshold, the UE only reports the future prediction results; otherwise report both latest historical measurement results and future prediction results; the threshold may be configured by the network or pre-defined;

[0159] ● Report The earliest prediction results (e.g., prediction 3 in case 2 of FIG. 14) ;

[0160] ● Indicate to the network that the measurement result is future prediction;

[0161] ● The latest historical measurement results;

[0162] ● The nearest results, depending which time instance of the results for reporting is closer to the reporting time instance; or

[0163] ● If the time gap between historical time instance and current time instance is less than a threshold, the UE reports the latest historical measurement results, otherwise, the UE report the earliest prediction results.

[0164] In some example implementations of periodic reporting, if the latest historical measurement result is from prediction and there is future measurement results available (e.g., case 3 of FIG. 14) , the UE may be configured to:

[0165] ● Report the earliest prediction results;

[0166] ● indicates to the network that the measurement result is future prediction;

[0167] ● Report the latest historical prediction result; or

[0168] ● Report The nearest results, depending which time instance of the results for reporting is closer to the reporting time instance.

[0169] In some example implementations of periodic reporting, for cells that AI prediction is not performed (e.g., cell 4 of FIG. 14) , the UE may be configured to:

[0170] ● Report the latest actual measurement results;

[0171] ● not report the corresponding measurement results;

[0172] ● Report the latest actual measurement results if the time difference between reporting triggered time and last measurement is less than or equal to a threshold. Otherwise, not report the measurement results for this cell. The threshold is configured by the network or pre-defined; or

[0173] In some example implementations of periodical reporting, the UE Reports measurement / prediction results to the network via differential reporting.

[0174] In some example implementations of periodic reporting, the UE may transmit the measurement report via RRC or MAC CE or lower layer signaling that sent by RRC or MAC.

[0175] In some example implementations of periodic reporting and for event-triggered reporting, for the cells that has future beam results available, when reporting beam results, the UE may be configured to to report top-K beam results (or K top beam results) . The top-K beams may be determined based on:

[0176] ● measurement  / predicted results at one time instance, such as:

[0177] ○ The latest measurement / prediction historical results;

[0178] ○ The earliest prediction results;

[0179] ○ The measurement / prediction results at event-triggered time;

[0180] ○ The last measurement / prediction results within TTT;

[0181] ○ The measurement / prediction results when entering condition is met; or

[0182] ○ The measurement / prediction results at the time instance indicated by the network.

[0183] ● If one beam is the top-K beam results at one time instance, for this cell, report the beam results over all future time instance; or

[0184] ● For each time instance, report the top-K beam results based on the predicted / measured results at that time instance.

[0185] In some example implementations of periodic reporting and for event-triggered reporting, for neighbor cells having future cell results available, when reporting top-K neighbor cell results, the UE may be configured to report top-K cell results:

[0186] ● based on the measurement  / predicted results at one time instance, such as:

[0187] ○ The latest measurement / prediction historical results;

[0188] ○ The earliest prediction results;

[0189] ○ The measurement / prediction results at event-triggered time;

[0190] ○ The last measurement / prediction results within TTT;

[0191] ○ The measurement / prediction results when entering condition of the event is met; or

[0192] ○ The measurement results at the time instance indicated by the network;

[0193] ● If one cell is the top-K cell at one time instance, for this cell, report the cell results over all future time instance; or

[0194] ● For each time instance, report the top-K cell results based on the predicted  / measured results at that time instance.

[0195] The description and accompanying drawings above provide specific example embodiments and implementations. The described subject matter may, however, be embodied in a variety of different forms and, therefore, covered or claimed subject matter is intended to be construed as not being limited to any example embodiments set forth herein. A reasonably broad scope for claimed or covered subject matter is intended. Among other things, for example, subject matter may be embodied as methods, devices, components, systems, or non-transitory computer-readable media for storing computer codes. Accordingly, embodiments may, for example, take the form of hardware, software, firmware, storage media or any combination thereof. For example, the method embodiments described above may be implemented by components, devices, or systems including memory and processors by executing computer codes stored in the memory.

[0196] Throughout the specification and claims, terms may have nuanced meanings suggested or implied in context beyond an explicitly stated meaning. Likewise, the phrase “in one embodiment / implementation” as used herein does not necessarily refer to the same embodiment and the phrase “in another embodiment / implementation” as used herein does not necessarily refer to a different embodiment. It is intended, for example, that claimed subject matter includes combinations of example embodiments in whole or in part.

[0197] Reference throughout this specification to features, advantages, or similar language does not imply that all of the features and advantages that may be realized with the present solution should be or are included in any single implementation thereof. Rather, language referring to the features and advantages is understood to mean that a specific feature, advantage, or characteristic described in connection with an embodiment is included in at least one embodiment of the present solution. Thus, discussions of the features and advantages, and similar language, throughout the specification may, but do not necessarily, refer to the same embodiment.

[0198] Furthermore, the described features, advantages and characteristics of the present solution may be combined in any suitable manner in one or more embodiments. One of ordinary skill in the relevant art will recognize, in light of the description herein, that the present solution can be practiced without one or more of the specific features or advantages of a particular embodiment. In other instances, additional features and advantages may be recognized in certain embodiments that may not be present in all embodiments of the present solution.

Claims

1.A method performed by a User Equipment (UE) in communication with a network node in a wireless communication network, comprising:receiving, from the network node, a measurement and reporting configuration for assisting with Artificial Intelligence (AI) functionalities for provisioning the wireless communication network;performing network measurements and / or AI predictions of a network measurement object according to the measurement and reporting configuration;generating a report of the network measurements and / or the AI predictions according to the measurement and reporting configuration; andtransmitting the report to the network node.2.The method of claim 1, wherein the report comprises results of AI predictions obtained for the network measurement object within a future prediction window.3.The method of claim 1, wherein the report is generated and transmitted at a triggering time when a configured reporting event is met, and wherein the report comprises measurement or prediction results obtained for the network measurement object:at the triggering time when the triggering time coincide with a configured measurement or prediction time;at the nearest configured measurement or prediction time to the triggering time in response to the triggering time coinciding with any configured measurement or prediction time;at the nearest configured measurement or prediction time prior to the triggering time in response to the triggering time not coinciding with any configured measurement or prediction time;at the nearest configured measurement of prediction times both prior to or after the triggering time in response to the triggering time not coinciding with any configured measurement or prediction time; orat the latest measurement or prediction time for the network measurement object within a time-to-trigger window preceding the triggering time.4.The method of claim 1, wherein the report is generated and transmitted at a triggering time when a configured reporting event is met, and the report comprises measurement or prediction results obtained at a time instance when an entering condition associated with the configured reporting event is fulfilled based on actual measurements or future predictions.5.The method of claim 1, wherein the report indicates one or more time windows and corresponding probabilities that a measurement event is triggered within the one or more time windows.6.The method of claim 1, wherein the report is generated and transmitted periodically according to the measurement and reporting configuration.7.The method of claim 6, wherein, in response to that only historical actual measurements or historical AI predictions are available at a reporting time instance:including the latest of the historical actual measurement or historical AI predictions in the report;dropping the report at the reporting time instance; orpostponing the report for the reporting time instance to a later until at least one future measurement or AI prediction becomes available.8.The method of claim 6, wherein, in response to that the latest historical measurement results is from actual measurements and that at least one future AI prediction is available at a reporting time instance, including in the report corresponding to the reporting time instance:the at least one future AI prediction;only the earliest of the at least one future AI prediction;only the latest of the historical measurements;the nearest, to the reporting time instance, of the historical measurements and the at least one future AI prediction; oronly the latest of the historical measurements in response to a time gap between the historical measurements to the reporting time instance is less than a threshold time distance, or only the earliest of the at least one future AI prediction otherwise.9.The method of claim 6, in response to that AI predictions are not performed for a cell, including in the report corresponding to a reporting time instance:the latest of actual historical measurements for the cell;no measurements for the cell; oronly the latest of the actual historical measurements for the cell in response to a time gap between the actual historical measurements to the reporting time instance is less than or equal to a threshold time distance, or no measurements for the cell otherwise.10.The method of claim 1, in response to that historical or future measurements or AI predictions for one or more beams are available, including in the report, K top historical measurements or AI predictions for the one or more beams, K being a positive integer.11.The method of claim 10, wherein the K top historical measurements or AI predictions for the one or more beams are determined among measurements or AI predictions at one or more particular time instances.12.The method of claim 11, wherein the one or more particular time instances comprises:the latest time instance for the historical measurements or AI predictions for the one or more beams;an event triggering time for the one or more beams; ora last measurement or prediction time instance within a time-to-trigger window for event triggering for the one or more beams.13.A method performed by a network node in communication with a User Equipment (UE) in a wireless communication network, comprising:transmitting, to the UE, a measurement and reporting configuration for assisting with Artificial Intelligence (AI) functionalities for provisioning the wireless communication network; andreceiving a report of network measurements and / or AI predictions generated by the UE according to the measurement and reporting configuration after the UE performs the network measurements and / or the AI predictions of a network measurement object according to the measurement and reporting configuration.14.The method of claim 13, wherein the report comprises results of AI predictions obtained for the network measurement object within a future prediction window.15.The method of claim 13, wherein the report is received at a triggering time when a configured reporting event is met, and wherein the report comprises measurement or prediction results obtained for the network measurement object:at the triggering time when the triggering time coincide with a configured measurement or prediction time;at the nearest configured measurement or prediction time to the triggering time in response to the triggering time coinciding with any configured measurement or prediction time;at the nearest configured measurement or prediction time prior to the triggering time in response to the triggering time not coinciding with any configured measurement or prediction time;at the nearest configured measurement of prediction times both prior to or after the triggering time in response to the triggering time not coinciding with any configured measurement or prediction time; orat the latest measurement or prediction time for the network measurement objects within a time-to-trigger window preceding the triggering time.16.The method of claim 13, wherein the report is received at a triggering time when a configured reporting event is met, and the report comprises measurement or prediction results obtained at a time instance when an entering condition associated with the configured reporting event is fulfilled based on actual measurements or future predictions.17.The method of claim 13, wherein the report indicates one or more time windows and corresponding probabilities that a measurement event is triggered within the one or more time windows.18.The method of claim 13, wherein the report is received periodically according to the measurement and reporting configuration.19.The method of claim 18, wherein, when only historical actual measurements or historical AI predictions are available at a reporting time instance, the report:includes the latest of the historical actual measurement or historical AI predictions in the report;is dropped at the reporting time instance; oris postponed to a later until at least one future measurement or AI prediction becomes available.20.The method of claim 18, wherein, when the latest historical measurement results is from actual measurements and that at least one future AI prediction is available at a reporting time instance, the report corresponding to the reporting time instance comprises:the at least one future AI prediction;only the earliest of the at least one future AI prediction;only the latest of the historical measurements;the nearest, to the reporting time instance, of the historical measurements and the at least one future AI prediction; oronly the latest of the historical measurements in response to a time gap between the historical measurements to the reporting time instance is less than a threshold time distance, or only the earliest of the at least one future AI prediction otherwise.21.The method of claim 18, when AI predictions are not performed for a cell, the report corresponding to a reporting time instance comprises:the latest of actual historical measurements for the cell;no measurements for the cell; oronly the latest of the actual historical measurements for the cell in response to a time gap between the actual historical measurements to the reporting time instance is less than or equal to a threshold time distance, or no measurements for the cell otherwise.22.The method of claim 13, wherein when historical or future measurements or AI predictions for one or more beams are available, the report comprises K top historical measurements or AI predictions for the one or more beams, K being a positive integer.23.The method of claim 22, wherein the K top historical measurements or AI predictions for the one or more beams are determined among measurements or AI predictions at one or more particular time instances.24.The method of claim 23, wherein the one or more particular time instances comprises:the latest time instance for the historical measurements or AI predictions for the one or more beams;an event triggering time for the one or more beams; ora last measurement or prediction time instance within a time-to-trigger window for event triggering for the one or more beams.25.An electronic device, comprising a memory for storing instructions and at least one processor configured to execute the instructions to perform any one of the methods of claims 1 to 24.

Images