JP7547366B2 - ワイヤレス無線アクセスネットワークに機械学習技術を適用するための無線マッピングアーキテクチャ - Google Patents

Description

［関連出願の相互参照］
本出願は、２０１９年５月２０日に出願されたインド仮特許出願第２０１９４１０１９８９９号に対する優先権を主張し、その完全な開示はすべて、参照により本明細書に組み込まれる。

［技術分野］
本明細書の実施形態は、一般に、無線マッピングアーキテクチャに関し、より詳細には、機械学習（ＭＬ）技術をワイヤレス無線アクセスネットワークに適用するための無線マッピングアーキテクチャに関する。

現在、ワイヤレスネットワークを展開するためのネットワーク計画技術は静的であることが多く、その結果、エッジユーザを過度に強調して最悪の場合のセルまたはエリアカバレッジの最適化を行っている。セルエッジは、隣接セルのサービスエリアの境界に最も近いセルのサービスエリア内の領域を指す。セルエッジ内の移動局は、サービス提供セルからの信号に対して比較的高い経路損失を有し、他の近隣セルからの潜在的な干渉信号に対して比較的低い経路損失を有すると想定される。無線環境は、（短い）時間間隔および空間にわたって著しく変化し、動的である傾向があるので、モバイルワイヤレスネットワークのこのような静的ネットワーク計画技術によって、スペクトル効率が低減する結果となり、一般に、スペクトルリソースが準最適で使用される結果となる。

より具体的には、基準信号に割り当てられた帯域幅の一部およびこれらの基準信号のロバスト性は、最悪の場合のシナリオ下でも復調を可能にするように静的に構成されている。したがって、これらは、無線周波数（ＲＦ）条件がより良性である場合に、より高い不要なオーバーヘッドをもたらす。

前述のように、無線環境は動的であり、パラメータの多様な組み合わせに基づいて急速に変化する傾向がある。典型的には、このようなネットワークの構成は、広範囲のパラメータを設定することによって行われる。パラメータのいくつかは、最悪の場合のシナリオを想定して静的であるが、いくつかはオンザフライで動的に測定され、その後推論が引き出される。一般に、このようなシステムの構成は、本質的に準静的であるか、あるいは、有意なランダム誤差を有する測定値の単一の組み合わせに基づくかのいずれかである。また、計算能力および機械学習アーキテクチャの進歩により、履歴データおよびコンテキストデータを使用して分析を実行し、所与の位置におけるＲＦ条件のより正確な推定を得ることが可能になっている。さらに、ネットワークは、無線環境の動的な性質を追跡しない。しかしながら、ソフトウェア定義ネットワーク（ＳＤＮ）またはネットワーク機能仮想化ＮＦＶによって、機械学習（ＭＬ）技術が効率的に実装される典型的なネットワークの上位層において、問題はある程度解決されている。以下は、エッジネットワークのアクセス層および物理層（レイヤ１）において、機械学習（ＭＬ）技術が実装されていない理由のリストである。
１．チャネル状態情報ＣＳＩ／ＣＱＩ、信号対雑音比ＳＮＲなどの無線周波数ＲＦパラメータをマッピングするために利用可能な大きなデータセットがないこと。
２．さらなる利用のためにデータが構造化（例えば、正確なジオタギング）されていないこと。
３．モデムが測定する広範囲のパラメータ（物理層およびＭＡＣ層）が、さらなるネットワーク最適化に使用できる形式で利用可能ではない場合が多いこと。

近年の大規模な多入力多出力（ＭＩＭＯ）システムは、従来のモバイルネットワークにおいて例外的に高いスペクトル効率を期待させてきた。ＭＩＭＯシステムは、複数の送信アンテナおよび受信アンテナを使用してマルチパス伝搬を利用し、無線リンクの容量を増加させる方法である。ＭＩＭＯシステムは、膨大な数のアンテナおよびトランシーバのチェーンを有することによってこれを行ってきた。ＭＩＭＯシステムは、ビームフォーミングに依存して複数の仮想チャネルを作成し、複数の仮想チャネルによってモバイルネットワークの容量を大幅に増加させる。

ほとんどの大規模ＭＩＭＯシステムは、チャネル状態情報（ＣＳＩ）が完全に分かっている条件下では、極めて高いスペクトル効率を示す。ビームフォーミング技術は、ＭＩＭＯシステムに採用され、信頼できるチャネル状態情報（ＣＳＩ）に依存する。しかしながら、実際には、ＭＩＭＯシステムは、前述の１６倍以上と比較して２～３倍のオーダのわずかな改善を達成するのも稀である。これは主に、ユーザ機器がモバイル機器であり、特に屋内にある場合、フィールド条件におけるＣＳＩが理想的である場合はほとんどなく、多くの場合、精度よく利用することはできないという事実に起因する。ＣＳＩは、特定のユーザ装置にビームフォーミングするためのチャネル推定に使用され、信頼できるＣＳＩがないことにより、誤った推定がもたらされる。

さらに、ＣＱＩなどの現在のモバイルワイヤレスネットワークインジケータでは、最良のサービス提供基地局、基地局間のハンドオフ、変調、ベアラに対する符号化、およびチャネル推定はすべて、ユーザ機器ＵＥで行われる一点測定に基づいている。通常、現在展開されているネットワークでは、リアルタイム測定が行われ、最適な受信のためのチャネルパラメータを決定する。ＲＦ環境と受信機の実装の不完全性との両方に起因する測定データの大きな変動のために、このような実装は、無線環境の時間および空間の変動を取り込まない。これにより、限界無線周波数ＲＦパラメータ（例えば、信号対干渉雑音比ＳＩＮＲ、受信信号強度インジケータＲＳＳＩなど）の不十分な推定がもたらされる。ＳＮＲの大規模な変動によって、モバイルワイヤレスネットワークの性能に影響を及ぼす準最適な決定、例えば、高いビット誤り率（ＢＥＲ）、より多くの自動再送要求（ＡＲＱ）またはハイブリッド自動再送要求（ＨＡＲＱ）、モバイルワイヤレスネットワークの十分活用されていない容量などと、干渉元の不十分な推定に起因する干渉軽減戦略（例えば、高機能セル間干渉制御ｅｌＣＩＣ）の実装の失敗とがもたらされる。

したがって、現在のシステムおよび方法に関連付けられた欠点を軽減および／または克服する必要がある。

前述のことを考慮して、本明細書の実施形態は、ワイヤレスネットワークのための無線マッピングアーキテクチャを提供する。無線マッピングアーキテクチャは、ユーザ機器（ＵＥ）、スペクトル監視ユニット、およびサーバを含む。サーバは、無線マッピングデータベースおよび機械学習（ＭＬ）モジュールを含む。ＵＥは、１又は２以上の無線パラメータの測定を実行する。スペクトル監視ユニットは、（ｉ）１又は２以上の無線パラメータを取り込み、（ｉｉ）１又は２以上の無線パラメータを継続的に監視し、１又は２以上の無線パラメータを無線マッピングデータベースに格納し、（ｉｉｉ）１又は２以上の基地局およびユーザ機器（ＵＥ）に対応する１又は２以上の無線パラメータを抽出して、無線マッピングデータベースの入力スキーマに追加し、無線マッピングデータベース内の抽出されたパラメータを定期的に更新する。入力スキーマは、無線マッピングデータベースのデータベーススキーマであり、無線マッピングデータベースの構造を記述する。

サーバは、ＵＥおよびスペクトル監視ユニットから１又は２以上の無線パラメータを定期的に取り込む無線マッピングデータベースを含む。無線マッピングデータベースは、抽出されたパラメータおよびジオタグ付き結果をスペクトル監視ユニットから定期的に取り込む。無線マッピングデータベースの入力スキーマは、（ｉ）スペクトル監視ユニットおよび（ｉｉ）ＵＥのうちの少なくとも１つによって検知された１又は２以上の無線パラメータを用いて更新される。機械学習（ＭＬ）モジュールは、（ｉ）無線マッピングデータベースに格納された１又は２以上の無線パラメータに基づいて機械学習モデルを訓練し、（ｉｉ）無線マッピングデータベースに格納された入力スキーマから、１又は２以上の動的に変更されたパラメータを予測して、ＭＬモデルに基づいて出力スキーマを導出し、（ｉｉｉ）無線マッピングデータベースのＭＬモデルによって予測された１又は２以上の動的に変更されたパラメータを更新し、（ｉｖ）１又は２以上の無線パラメータまたは抽出されたパラメータに基づいて、ＭＬモデルを動的に改良し、（ｖ）スペクトル監視ユニットおよびＵＥに対するトリガを生成して、無線マッピングデータベースに格納された１又は２以上の無線パラメータを更新するために、使用される。

いくつかの実施形態では、１又は２以上の無線パラメータからスペクトル監視ユニットによって導出された入力スキーマは、１又は２以上の位置パラメータ、１又は２以上のＲＦパラメータ、１又は２以上のネットワークパラメータ、および１又は２以上の物理層パラメータを含む。

いくつかの実施形態では、１又は２以上の位置パラメータは、測定時刻、緯度、経度、高度、および精度低下率（ＤｏＰ）を含む。いくつかの実施形態では、１又は２以上のＲＦパラメータは、チャネルインパルス応答（ＣＩＲ）、受信信号強度インジケータ（ＲＳＳＩ）、基準信号受信電力（ＲＳＲＰ）、基準信号受信品質（ＲＳＲＱ）、信号対干渉雑音比（ＳＩＮＲ）、隣接チャネル干渉波レベル、チャネルモデル、送信機電力、およびキャリア周波数を含む。いくつかの実施形態では、１又は２以上のＲＦパラメータは、ジオタギングされ、タイムスタンプ付けされる。いくつかの実施形態では、１又は２以上のネットワークパラメータは、ＵＥのモデル、ＵＥに見える基地局（ＢＴＳ）、公衆陸上移動体通信網（ＰＬＭＮ）識別情報、タイプ割り当てコード（ＴＡＣ）、キャリアアグリゲーション（ＣＡ）設定、および物理セルＩＤ（ＰＣＩ）を含む。いくつかの実施形態では、１又は２以上の物理層パラメータは、ハイブリッド自動再送要求（ＨＡＲＱ）、ランク、ブロック誤り率（ＢＬＥＲ）、ジッタ、および呼出しミュートを含む。

いくつかの実施形態では、基地局（ＢＴＳ）は、物理セルＩＤ（ＰＣＩ）および基地局からスペクトル監視ユニットへの伝搬時間に関連付けられた遅延を含む基地局の数を示す。いくつかの実施形態では、基地局は、マルチユーザ多入力多出力（ＭＵ－ＭＩＭＯ）機能を含む。

いくつかの実施形態では、１又は２以上の動的に変更されたパラメータから導出された出力スキーマは、緯度、経度、高度、および予測された無線パラメータを含む。いくつかの実施形態では、予測無線パラメータは、ＲＳＲＰ、ＲＳＲＱ、ＳＩＮＲ、チャネルモデル、およびチャネル行列を含む。

いくつかの実施形態では、ＭＬモジュールは、動的に予測された無線パラメータと、無線マッピングデータベースに格納されたＵＥの位置に対応する１又は２以上の無線パラメータとに基づいて、当該位置においてＵＥに最適な性能を提供する信号波形のグループを設計する。

いくつかの実施形態では、機械学習モジュールは、ＵＥにトリガを定期的に送信して、位置に対応する現在チャネル状態情報（ＣＳＩ）が送信され、ＵＥから受信した現在チャネル状態情報を用いて無線マッピングデータベースを更新する。

いくつかの実施形態では、ＵＥが移動していることを基地局が識別すれば、機械学習モジュールがドップラーシフトを推定する。

いくつかの実施形態では、機械学習モジュールは、ＵＥにおいてＧＰＳ座標が利用可能である場合、（ｉ）グローバルナビゲーション衛星システム（ＧＮＳＳ）座標の変化、（ｉｉ）予測された無線パラメータ、または（ｉｉｉ）ＵＥに関連付けられた慣性センサのうちの少なくとも１つを使用してＵＥの移動を決定する。

いくつかの実施形態では、機械学習モジュールは、ＵＥにおいてＧＰＳ座標が利用可能でない場合、観測到着時間差（ＯＴＤＯＡ）アルゴリズムと、利用可能なＢｌｕｅｔｏｏｔｈ Ｌｏｗ Ｅｎｅｒｇｙ（ＢＬＥ）または利用可能なＷｉ－Ｆｉベースのビーコンとの組み合わせに基づいて、ＵＥの位置を決定する。

いくつかの実施形態では、基地局がＵＥにビームフォームを行う必要がある場合、基地局は、（ｉ）ＵＥの位置情報を送信するようにＵＥに要求し、（ｉｉ）ＵＥによって共有された位置情報に基づいて無線マッピングデータベースに現在状態情報（ＣＳＩ）を問い合わせ、（ｉｉｉ）無線マッピングデータベースから取得したＣＳＩを使用してビームフォームを行う。

いくつかの実施形態では、無線マッピングデータベースは、サービスエリア内の各地点において精細な解像度に外挿されたＣＳＩを含む。いくつかの実施形態では、ＣＳＩの外挿は、（ｉ）１又は２以上のサンプリング地点の周りのサービスエリアをサンプリングすること、（ｉｉ）無線マッピングデータベースに格納された１又は２以上のＲＦパラメータの性質に基づいて１つのサンプリング地点を選択すること、および（ｉｉｉ）選択されたサンプリング地点が１又は２以上のサンプリング地点の内側にある場合にＣＳＩを内挿し、選択されたサンプリング地点が１又は２以上のサンプリング地点の内側にない場合にＣＳＩを外挿することによって行われる。

いくつかの実施形態では、機械学習モジュールは、サービスエリアをグリッドに細分することによってサービスエリアをサンプリングする。いくつかの実施形態では、グリッドのサイズは、設定可能であり、（ｉ）対象周波数、および（ｉｉ）無線伝搬に影響を及ぼす地形のうちの少なくとも１つに基づいて決定される。

いくつかの実施形態では、セルラコアネットワークは、ＵＥにサービスを提供する予測された基地局を無線マッピングデータベースに問い合わせる。

いくつかの実施形態では、機械学習モジュールは、ＵＥにサービスを提供する基地局を予測し、予測された基地局を無線マッピングデータベースに格納する。いくつかの実施形態では、機械学習モジュールは、（ｉ）無線アクセス技術、（ｉｉ）基地局によって合成された最適なビーム形状、または（ｉｉｉ）その位置にサービスを提供するアクセスポイントのうちの少なくとも１つを使用して、ＵＥにサービスを提供する基地局を予測する。

いくつかの実施形態では、ＵＥがその位置から移動すれば、機械学習モジュールは、機械学習モジュールによって予測された新しい基地局にＵＥを割り当てて、ＵＥにサービスを提供する。いくつかの実施形態では、機械学習モジュールは、機械学習モジュールによって予測されたアクセスポイントに対応するアクセス情報を、極超短波（ＵＨＦ）ブロードキャストリンクを介してＵＥに通信する。

いくつかの実施形態では、スペクトル監視ユニットは、１又は２以上のＲＦダウンコンバータと、１又は２以上のソフトウェア定義復調器と、アジャイルＲＦダウンコンバータと、周波数掃引源とを含む。１又は２以上のＲＦダウンコンバータは、共通周波数およびタイミング基準を含む。１又は２以上のソフトウェア定義復調器は、ＩサンプルおよびＱサンプルの形態で、無線フレームの多くの部分を取り込む。アジャイルＲＦダウンコンバータをスタンドアロンモードで使用し、（ｉ）異なるキャリア周波数でＲＦ信号を取り込み、（ｉｉ）チャネル漏洩を決定する。いくつかの実施形態では、アジャイルＲＦダウンコンバータは、異なるＲＦ通信規格を並行して分析する。アジャイルＲＦダウンコンバータに関連付けられた周波数掃引源は、高度ソフトウェア定義復調器が所与の位置において広範囲の周波数を走査することを可能にする。

いくつかの実施形態では、スペクトル監視ユニットは、ＧＮＳＳモジュールと、セルラモデムと、監視回路と、イベントロガーとを含む。ＧＮＳＳモジュールは、位置の緯度、経度および高度を決定する。いくつかの実施形態では、ＧＮＳＳモジュールは、ＧＰＳ値の推定誤差を示す精度低下率（ＤｏＰ）を提供する。セルラモデムは、ネットワークへ音声通話およびデータ通話を行い、受信信号強度インジケータ（ＲＳＳＩ）、基準信号受信電力（ＲＳＲＰ）、信号対干渉雑音比（ＳＩＮＲ）、基準信号受信品質（ＲＳＲＱ）、ブロック誤り率（ＢＬＥＲ）、パケットジッタ、および呼出しミュートを測定することができる。監視回路は、アップリンク制御シグナリングをスヌープして、スケジュール要求、確認応答（ＡＣＫ）、否定応答（ＮＡＣＫ）、およびハイブリッド自動再送要求（ＨＡＲＱ）の発生を含むイベントを検出する。イベントロガーは、監視回路から検出されたイベントを取り込み、トリガを生成して、イベントの特定の組み合わせの発生に基づいて無線マッピングデータベースに格納された１又は２以上の無線パラメータを更新する。いくつかの実施形態では、イベントの特定の組み合わせは、ネットワーク中断、故障の検出、干渉検出、または予想より多い通信量に関連する。

一態様では、無線マッピングアーキテクチャの無線マッピングデータベースにデータ入力し、更新された無線パラメータを用いて、無線マッピングデータベースにおける予測された無線パラメータを更新する方法が提供される。本方法は、（ｉ）ユーザ機器（ＵＥ）およびスペクトル監視ユニットのうちの少なくとも１つが、１又は２以上の無線パラメータを抽出することを可能にすることと、（ｉｉ）スペクトル監視ユニットおよびＵＥの機能に基づいて、スペクトル監視ユニットおよびＵＥのうちの少なくとも１つから、１又は２以上の無線パラメータを取り込むことと、（ｉｉｉ）１又は２以上の無線パラメータを無線マッピングデータベースに定期的に格納することと、（ｉｖ）無線マッピングデータベースとセルラコアネットワークとの間で、１又は２以上の無線パラメータを交換することと、（ｖ）機械学習モジュールによって生成された機械学習モデルに基づいて無線パラメータ予測モデルを生成することと、（ｖｉ）ＵＥの位置、またはＵＥによって検知されたＲＦ環境のうちの少なくとも１つに変化があった場合に、更新された無線パラメータを受け入れることと、（ｖｉｉ）更新された無線パラメータに基づいて無線パラメータ予測モデルを改良することと、（ｖｉｉｉ）改良された無線パラメータ予測モデルを使用して、ＵＥの所与の位置に対して無線マッピングデータベースの予測された無線パラメータを更新することとを含む。

いくつかの実施形態では、セルラコアネットワーク、無線アクセスネットワーク、およびスケジューラは、事前定義されたアプリケーションプログラミングインタフェース（ＡＰＩ）を介して無線マッピングデータベースにアクセスする。

いくつかの実施形態では、基地局と連動するセルラコアネットワークは、基地局と連動するセルラコアネットワークと、ＵＥからのアップリンク信号のチャネル推定および到来角との関連付けを含む情報の大きなリポジトリを有する。いくつかの実施形態では、無線マッピングデータベースは、基地局と連動するセルラコアネットワークから情報を取り込む。

いくつかの実施形態では、無線パラメータ予測モデルは、（ｉ）３Ｄ地形マップをインポートし、（ｉｉ）３Ｄ地形マップをセグメント化し、類似のＲＦ環境を有する１又は２以上のエリアを含むセグメントを決定し、（ｉｉｉ）セグメントを統計的にサンプリングし、（ｉｖ）サンプリングされたセグメントについて事前予測された無線パラメータを実行し、（ｖ）セグメントのフィールド測定データを収集し、（ｖｉ）最新の無線パラメータを用いて無線パラメータ予測モデルを調整し、セグメントに基づいてアップグレードされた無線パラメータ予測モデルを取得し、（ｖｉｉ）アップグレードされた無線パラメータ予測モデルを使用し、類似の形態を含むセグメントについて無線パラメータ予測を実行する。いくつかの実施形態では、事前予測された無線パラメータは、セグメントに対応する最適な無線パラメータ予測モデルに基づいて選択される。

いくつかの実施形態では、無線パラメータ予測モデルは、無線マッピングデータベースの所与の位置に対する、３Ｄ地形データ上にオーバーレイされたデータのレイヤを格納する。いくつかの実施形態では、データのレイヤは、第１レイヤ、第２レイヤ、第３レイヤ、および第４レイヤを含む。いくつかの実施形態では、第１レイヤは３Ｄ地形データを表し、第２レイヤは無線パラメータ予測の第１レベルを表し、第３レイヤはサンプル地点の測定値を表し、第４レイヤはアップグレードされた無線パラメータ予測モデルに基づく予測された無線パラメータを表す。

別の態様では、無線マッピングアーキテクチャを使用して、１又は２以上の動的に変更されたパラメータを予測する方法が提供される。本方法は、（ｉ）スペクトル監視ユニットまたはユーザ機器（ＵＥ）のうちの少なくとも１つを使用して、１又は２以上の無線パラメータを取り込むことと、（ｉｉ）スペクトル監視ユニットを使用して、１又は２以上の無線パラメータを継続的に監視し、１又は２以上の無線パラメータを無線マッピングデータベースに格納することと、（ｉｉｉ）スペクトル監視ユニットを使用して、１又は２以上の基地局およびユーザ機器（ＵＥ）に対応する１又は２以上の無線パラメータを抽出して無線マッピングデータベースの入力スキーマに入力し、無線マッピングデータベース内の抽出されたパラメータを定期的に更新することと、（ｉｖ）サーバに関連付けられた機械学習モジュールを使用して、無線マッピングデータベースに格納された１又は２以上の無線パラメータに基づいて機械学習モデルを訓練することと、（ｖ）ＭＬモデルに基づいて出力スキーマを導出するために、無線マッピングデータベースに格納された入力スキーマから、１又は２以上の動的に変更されたパラメータを予測することと、（ｖｉ）無線マッピングデータベースのＭＬモデルによって予測された、１又は２以上の動的に変更されたパラメータを更新することと、（ｖｉｉ）１又は２以上の無線パラメータまたは抽出されたパラメータに基づいて、ＭＬモデルを動的に改良することと、（ｖｉｉｉ）無線マッピングデータベースに格納された１又は２以上の無線パラメータを更新するために、スペクトル監視ユニットおよびＵＥに対するトリガを生成することとを含む。

いくつかの実施形態では、無線マッピングアーキテクチャは、機械学習技術をモデム実装形態に組み込むことを可能にする。大規模ＭＩＭＯシステムの場合、無線マッピングアーキテクチャはスペクトル効率を大幅に改善し、大規模ＭＩＭＯシステムを実用的にする。無線マッピングアーキテクチャは、追加のデータを有する受信機に対するチャネル推定アルゴリズムを可能にし、受信機を最適にする。いくつかの実施形態では、デジタル化されたアーキテクチャは、受信機アルゴリズムに革新をもたらし、モバイルワイヤレスネットワークを展開することに革命をもたらすことができる。モバイルワイヤレスネットワークは、より適応的になるので、ネットワークの全体的な効率を改善することができる。

いくつかの実施形態では、無線マッピングアーキテクチャは、ＭＵ－ＭＩＭＯおよびビームフォーミングを含むＭＩＭＯをサポートする基地局の実装形態を含み、ユーザ位置に応じて、予測されたチャネルインパルス応答およびチャネル行列に基づいて、（時間領域と空間領域との両方で）事前にひずみが生じた信号を送信することができ、その結果、ユーザ機器で最適な受信が得られる。

いくつかの実施形態では、無線マッピングアーキテクチャは、無線マッピングデータベースを含み、この無線マッピングデータベースは、バックグラウンドプロセスにおけるすべての計算的に複雑なタスクが非リアルタイムであることを可能にする分析に対して有用な情報を問い合わせて生成するためのモデムインタフェースをデジタル化するプロセスに関する改善された結果を提供する。いくつかの実施形態では、無線マッピングアーキテクチャは、より正確な結果のために送信パラメータ（ＲＡＴ、電力レベル、変調、および符号化など）を選択するために、同じ位置で使用される複数の測定値を使用する。いくつかの実施形態では、無線マッピングアーキテクチャにおける計算は非リアルタイムであり、基地局およびアクセスポイントの複雑さを大幅に低減する。いくつかの実施形態では、クラウドベースのコアネットワークが所与のエリアの異なるＲＡＴにおける通信量負荷に関する情報を含む場合、無線マッピングアーキテクチャは、ＵＨＦに対するブロードキャストオフロード、Ｗｉ－Ｆｉオフロード、ｍｍ波（６０ＧＨｚ）に対するオフロードなどの通信量オフロード戦略を可能にしてもよい。

いくつかの実施形態では、無線マッピングアーキテクチャは、ＧＰＳ拒否環境におけるユーザ機器（ＵＥ）の位置を正確に決定する。いくつかの実施形態では、無線マッピングアーキテクチャは、通信プロセスを開始するためにＵＥと基地局との両方に続いて通知される最良の可能なチャネルパラメータを含む。これは、ＵＥと基地局との両方からの計算労力の多くの部分をオフロードすることによってＭＩＭＯ通信の場合に重要であり、複雑さ、電力消費を節約し、チャネル推定時間を改善する。この実施形態のようなインフラストラクチャは、このような方法論およびインフラストラクチャが一般的になり、次世代通信規格に組み込まれると、より大きな重要性を想定することができる。

いくつかの実施形態では、無線マッピングアーキテクチャは、ブロードキャストネットワークにおけるスペクトル効率を大幅に改善する。ＡＴＳＣ３．０およびＤＶＢ－Ｔ２などの現在のブロードキャスト規格は、ガードインターバル、ＦＦＴサイズ、変調、および符号化などの広範囲の構成可能な物理層パラメータを有する。現在の実施形態で説明する無線マッピングアーキテクチャを使用して、最良のパラメータは、所与のコンテンツおよびそれらの空間分布に対する、現在のＲＦ条件およびアクティブなユーザ数に基づいて動的に選択されてもよい。いくつかの実施形態では、無線マッピングアーキテクチャは、オーディオコンテンツおよびビデオコンテンツを含むマルチメディア通信量を可能にし、最悪の場合のチャネル条件および使用される変調および符号化に最も適した特定のコーデックプロファイルに対するトランスコーディングを行ってもよい。ユニキャストネットワークの場合、このような方式は、ＤＡＳＨのようなプロトコルによって使用される。無線マッピングアーキテクチャは、同じ方式をブロードキャストネットワークへ拡張する。

いくつかの実施形態では、無線マッピングアーキテクチャは、単一周波数ネットワーク（ＳＦＮ）を使用するＦｏｗ Ｐｏｗｅｒ Ｆｏｗ Ｔｏｗｅｒ（ＦＰＦＴ）送信機に基づくブロードキャストネットワークを、ローカライズされたブロードキャストサービスを提供する手段を提供することによって提供してもよい。ＲＦマップを画像として扱って、画像セグメント化技術を使用して、セル化されたブロードキャストネットワーク全体からより小さいクラスタを見つけて、クラスタ境界における最悪の場合のＳＩＮＲに対応する所与の目標ビットレートのためのローカライズされたＳＦＮを作成する。

いくつかの実施形態では、無線マッピングアーキテクチャは、ブロードキャストネットワークにおけるこのような誤差補正メカニズムの符号化率を最適化してもよく、その結果、同じ情報を搬送するためにより多くの帯域幅を必要とする極端に低い符号化率を使用しないことによって帯域幅を節約してもよい。

本明細書の実施形態の前述の態様および他の態様は、以下の説明および添付の図面と併せて考慮すると、よりよく理解されるであろう。しかしながら、以下の説明は、好ましい実施形態、および好ましい実施形態の多くの特定の詳細を示しているが、限定ではなく例示の目的で与えられていることを理解されるべきである。本明細書の実施形態の趣旨から逸脱することなく、本明細書の実施形態の範囲内で多くの変更および修正を行うことができ、本明細書の実施形態はすべてのこのような修正形態を含む。

本明細書における実施形態は、下記の図面を参照するとともに、次の詳細な説明から容易に理解することができる。

本明細書におけるいくつかの実施形態による、基地局からユーザ機器（ＵＥ）への信号品質、およびＵＥから基地局への信号品質に影響を与える１又は２以上の無線パラメータを図示するブロック図である。

本明細書におけるいくつかの実施形態による、１又は２以上の基地局、および１又は２以上のワイヤレスアクセスポイントからの同時送信がある状態で、ユーザ機器（ＵＥ）において受信される信号を図示するブロック図である。

本明細書におけるいくつかの実施形態による、１又は２以上の基地局、および１又は２以上のワイヤレスアクセスポイントを含む位置と、無線周波数（ＲＦ）条件における変動との地理的表現を図示する例示的な図である。

本明細書におけるいくつかの実施形態による、無線マッピングアーキテクチャのブロック図である。

本明細書のいくつかの実施形態による、図４の無線マッピングデータベースに格納された入力スキーマを示すテーブル図である。

本明細書のいくつかの実施形態による、図４の機械学習（ＭＬ）モジュールからの出力スキーマを示すテーブル図５０１である。

本明細書のいくつかの実施形態による、図４のスペクトル監視ユニットのサブブロックの典型的な例を示すブロック図である。

本明細書におけるいくつかの実施形態による、無線マッピングアーキテクチャの無線マッピングデータベースにデータ入力し、無線マッピングデータベースの予測された無線パラメータを、更新された無線パラメータを用いて更新する方法を示すフローチャートである。

本明細書におけるいくつかの実施形態による、図７の無線パラメータ予測モデルを調整する方法を示すフロー図である。

本明細書のいくつかの実施形態による、無線パラメータ予測モデルによって無線マッピングデータベース４０２に格納された所与の位置に対する、基本３Ｄ地形データ上にオーバーレイされたデータのレイヤを示す例示的な図である。

本明細書のいくつかの実施形態による、無線マッピングアーキテクチャを使用して、１又は２以上の動的に変更されたパラメータを予測する方法を示すフロー図である。

本明細書の実施形態とその様々な特徴および有利な詳細とを添付の図面に示し、以下の説明に詳細に説明する限定的でない実施形態を参照してより完全に説明する。本明細書の実施形態を不必要に不明瞭にしないために、周知の構成要素および処理技術の説明は省略する。本明細書で使用する例は、本明細書の実施形態が実施され得る方法の理解を容易にすること、および当業者が本明細書の実施形態を実施することをさらに可能にすることのみを意図している。したがって、例は、本明細書の実施形態の範囲を限定するものと解釈されるべきではない。

前述のように、モバイルワイヤレスネットワークのパフォーマンスを改善するための無線マッピングアーキテクチャが依然として必要とされている。本明細書の実施形態は、無線周波数ＲＦ環境のデジタル化を提案することによってこのアーキテクチャを達成し、このデジタル化は、特定の位置のＲＦ環境を取り込む地理的データベースを作成することを含む。

定義

無線地図：無線地図は、測定し、または導出した無線パラメータの組み合わせを特定の地理的位置と関連付けるデータベースとして定義される。

デジタル化：デジタル化とは、タイムスタンプ付きおよびジオタグ付きの、ＲＦパラメータおよび予測されたデータのアクセス可能なデータベースを意味する。いくつかの実施形態では、これらの非常に有用なデータを生成するほとんどのモデムは、機械学習（ＭＬ）型アーキテクチャに適していない独自仕様のインタフェースを有する。

クラウド化：クラウド化は、クラウドコンピューティングを利用するための、データおよびアプリケーションプログラムの変換および／または移行である。データのデジタル化と組み合わせたアーキテクチャのクラウド化によって、ＲＦ環境の無線マッピングを可能にする「マッピング」アーキテクチャがもたらされた。

ここで図面、より具体的には図１～図１０を参照すると、同様の参照符号は、対応する特徴を図面全体を通して一貫して示しており、好ましい実施形態を示している。

図１は、本明細書におけるいくつかの実施形態による、基地局１０２からユーザ機器（ＵＥ）１０４への信号品質、およびＵＥ１０４から基地局１０２への信号品質に影響を与える１又は２以上の無線パラメータを図示するブロック図１００である。ブロック図１００は、基地局１０２およびユーザ機器１０４を含む。１又は２以上の無線パラメータは、Ｈと呼ばれる基地局１０２の地上からの高さ、ｈと呼ばれるユーザ機器１０４の地上からの高さ、およびＤと呼ばれるユーザ機器１０４と基地局１０２との間の距離を含む。ブロック図１００は、ユーザ機器１０４において基地局１０２から受信される信号、および基地局１０２においてユーザ機器１０４から受信される信号の品質を意味する。

図２は、本明細書におけるいくつかの実施形態による、１又は２以上の基地局２０２Ａ～２０２Ｎ、および１又は２以上のワイヤレスアクセスポイント２０４Ａ～２０４Ｎからの同時送信がある状態で、ユーザ機器１０４において受信される信号を図示するブロック図２００である。ブロック図２００は、ユーザ機器１０４、１又は２以上の基地局２０２Ａ～２０２Ｎ、１又は２以上のワイヤレスアクセスポイント２０４Ａ～２０４Ｎ、地上デジタルテレビ（ＤＴＴ）送信機２０６、ネットワーク２０８、スペクトル監視ユニット２１０、およびサーバ２１２を含む。ブロック図２００は、ユーザ機器１０４において、１又は２以上の基地局２０２Ａ～２０２Ｎ、１又は２以上のワイヤレスアクセスポイント２０４Ａ～２０４Ｎ、およびＤＴＴ送信機２０６から受信された信号を示す。いくつかの実施形態では、ユーザ機器１０４において基地局２０２Ａから受信される信号は、他の基地局および１又は２以上のワイヤレスアクセスポイント２０４Ａ～２０４Ｎから受信される信号とは異なる。

スペクトル監視ユニット２１０は、ＵＥ１０４、１又は２以上の基地局２０２Ａ～２０２Ｎ、ＤＴＴ送信機２０６、および、１又は２以上のワイヤレスアクセスポイント２０４Ａ～２０４Ｎからの信号を直接傍受し、ネットワーク２０８を介してサーバ２１２に接続されている。いくつかの実施形態では、ネットワーク２０８は有線ネットワークである。いくつかの実施形態では、ネットワーク２０８はワイヤレスネットワークである。いくつかの実施形態では、「Ｄ」および「ｈ」が事前に知られているスペクトル監視ユニット２１０は、スペクトル監視ユニット２１０の近傍の１又は２以上の基地局２０２Ａ～２０２Ｎから受信した信号レベルを監視する。いくつかの実施形態では、この情報は、その近傍に存在する１又は２以上のユーザ機器から収集された情報と共に、基地局アンテナのフィールド上放射パターンを推定し、信号レベル、雑音レベル、および干渉レベル、信号経路遅延、ネットワーク輻輳などを決定してもよい。抽出される１又は２以上の無線パラメータのさらなる詳細については後ほど説明する。

図３は、本明細書におけるいくつかの実施形態による、１又は２以上の基地局２０２Ａ～２０２Ｎ、および１又は２以上のワイヤレスアクセスポイント２０４Ａ～２０４Ｎを含む位置と、無線周波数（ＲＦ）条件における変動との地理的表現を図示する例示的な図３００である。例示的な図３００は、１又は２以上の基地局２０２Ａ～２０２Ｎの信号と１又は２以上のワイヤレスアクセスポイント２０４Ａ～２０４Ｎの信号との間で受信機によって見られる信号強度を図示する。いくつかの実施形態では、源の数が増加すると、干渉および信号強度が増加する。いくつかの実施形態では、１又は２以上の基地局２０２Ａ～２０２Ｎ、および１又は２以上のワイヤレスアクセスポイント２０４Ａ～２０４Ｎの近くにあるエリアは、最も高い信号強度を有する。いくつかの実施形態では、信号強度は、多くの要因、例えば壁の存在、ユーザ装置の数などに起因して変化する。いくつかの実施形態では、リアルタイム干渉は未知のままである。いくつかの実施形態では、高い信号強度または良好なサービスエリアを含む領域３０２、中程度の信号強度または中程度のサービスエリアを含む領域３０４、低い信号強度または弱いサービスエリアを含む領域３０６、およびサービスエリアを有さない領域３０８がある。いくつかの実施形態では、例えばワイヤレスアクセスポイント２０４Ａおよびワイヤレスアクセスポイント２０４Ｂのように、受信機が２つの基地局の間または２つのワイヤレスアクセスポイントの間で高い干渉を受ける領域３１０が存在する。

図４は、本明細書におけるいくつかの実施形態による、無線マッピングアーキテクチャ４００のブロック図である。無線マッピングアーキテクチャ４００は、基地局１０２、ユーザ機器（ＵＥ）１０４、ネットワーク２０８、スペクトル監視ユニット２１０、およびサーバ２１２を含む。サーバ２１２は、無線マッピングデータベース４０２および機械学習（ＭＬ）モジュール４０４を含む。いくつかの実施形態では、無線周波数を、本明細書において以下ではＲＦと呼ぶ。いくつかの実施形態では、機械学習は、本明細書において以下ではＭＬと呼ぶ。ＵＥ１０４は、１又は２以上の無線パラメータの測定を行う機能を含む。いくつかの実施形態では、１又は２以上の無線パラメータを、後続のセクションでさらに詳細に説明している。

スペクトル監視ユニット２１０は、１又は２以上の無線パラメータを取り込み、１又は２以上の無線パラメータを継続的に監視する。いくつかの実施形態では、無線マッピングアーキテクチャ４００のスペクトル監視ユニット２１０は、無線ネットワークパラメータ監視システムを介して接続されてもよい。いくつかの実施形態では、無線マッピングアーキテクチャ４００は、ハードウェアまたはソフトウェアコンポーネントとしてすべての無線システムに組み込まれてもよい。

いくつかの実施形態では、スペクトル監視ユニット２１０は、典型的な市販のＵＥと比較して正確な測定を可能にするために高性能受信チェーンを有する。いくつかの実施形態では、干渉元をノッチ／キャンセルし、干渉元を推定するために使用される、より高性能の干渉キャンセラを、スペクトル監視ユニット２１０は有する。いくつかの実施形態では、スペクトル監視ユニット２１０の地理的位置は正確に知られている。スペクトル監視ユニット２１０の地理的位置は、測定位置と実際の位置との間の誤差に基づいて、すべての位置決定アルゴリズムを較正するための基準点として機能してもよい。

いくつかの実施形態では、１又は２以上のスペクトル監視ユニットがネットワーク２０８に接続されて、１又は２以上の無線パラメータを継続的に監視し、１又は２以上の無線パラメータを無線マッピングデータベース４０２に格納する。いくつかの実施形態では、ネットワーク２０８に接続された１又は２以上のスペクトル監視ユニットは、標準化されたアプリケーションプログラミングインタフェース（ＡＰＩ）を介してユーザにサービスを提供してもよい。

スペクトル監視ユニット２１０は、１又は２以上の無線パラメータを無線マッピングデータベース４０２に格納する。スペクトル監視ユニット２１０は、１又は２以上の基地局２０２Ａ～２０２ＮおよびＵＥ１０４に対応する１又は２以上の無線パラメータを抽出して無線マッピングデータベース４０２の入力スキーマを導出し、無線マッピングデータベース４０２内の抽出したパラメータを定期的に更新する。無線マッピングデータベース４０２に対する入力スキーマは、スペクトル監視ユニット２１０およびＵＥ１０４の少なくとも１つによって検知された１又は２以上の無線パラメータを用いて更新される。入力スキーマは、無線マッピングデータベース４０２のデータベーススキーマであり、無線マッピングデータベース４０２の構造を説明する。

１又は２以上の無線パラメータからスペクトル監視ユニット２１０によって導出される入力スキーマは、１又は２以上の位置パラメータ、１又は２以上のＲＦパラメータ、１又は２以上のネットワークパラメータ、および１又は２以上の物理層パラメータを含む。１又は２以上の位置パラメータは、測定時刻、緯度、経度、高度、および精度低下率（ＤｏＰ）を含む。１又は２以上のＲＦパラメータは、チャネルインパルス応答（ＣＩＲ）、受信信号強度インジケータ（ＲＳＳＩ）、基準信号受信電力ＲＳＲＰ、基準信号受信品質ＲＳＲＱ、信号対干渉雑音比（ＳＩＮＲ）、隣接チャネル干渉元レベル、チャネルモデル、送信機電力、およびキャリア周波数を含む。１又は２以上のＲＦパラメータは、ジオタギングされ、タイムスタンプ付けされる。１又は２以上のネットワークパラメータは、ＵＥ１０４のモデル、ＵＥ１０４に見える基地局（ＢＴＳ）、公衆陸上移動体通信網（ＰＬＭＮ）識別情報、タイプ割り当てコード（ＴＡＣ）、キャリアアグリゲーション（ＣＡ）設定、および物理セルＩＤ（ＰＣＩ）を含む。１又は２以上の物理層パラメータは、ハイブリッド自動再送要求（ＨＡＲＱ）、ランク、ブロック誤り率（ＢＬＥＲ）、ジッタ、および呼出しミュートを含む。

１又は２以上の無線パラメータは、基地局１０２およびＵＥ１０４の地上における測定値（ｒ、シータ、ファイ）の高さと、時刻と、アンテナ構成（高度および方位におけるアンテナゲインパターン）と、地形の情報および無線インフラ情報と、アップリンクにおけるＣＩＲを算出するための無線環境とを含む。

動的無線周波数（ＲＦ）環境のチャネルインパルス応答（ＣＩＲ）は、短い入力信号を用いて提示されたときの出力であり、インパルスと呼ばれる。いくつかの実施形態では、インパルス応答は、何らかの外部変化に応じた動的無線周波数ＲＦ環境の反応である。いくつかの実施形態では、チャネルインパルス応答は、時間の関数として、または場合によっては無線周波数ＲＦ環境の動的挙動をパラメータ化する他の何らかの独立変数の関数として、動的無線周波数ＲＦ環境の反応を説明する。いくつかの実施形態では、チャネルの遅延スプレッドおよびコヒーレンス時間は、ＣＩＲに影響を及ぼす重要なパラメータであり、特性付ける必要がある。

チャネルインパルス応答（ＣＩＲ）は、横断方向フィルタとしてモデル化してもよい。したがって、横断方向フィルタの長さおよび係数は、所与のチャネルを完全に指定してもよい。いくつかの実施形態では、ＣＩＲは、チャネルのインパルス応答のテールを時間の関数として説明する一連の複素数である。周波数領域の特徴付けも行ってもよい。

大規模多入力多出力（ＭＩＭＯ）システムに対するチャネル状態情報（ＣＳＩ）とは、「ｍ」個の送信チェーンを「ｎ」個の受信チェーンにマッピングするｍ×ｎ個のチャネル行列（Ｈ）を意味する。いくつかの実施形態では、ＣＩＲとＣＳＩ情報との両方における大幅な圧縮は、少なくとも１つの一般的に発生するパターンを「インデックス」値と関連付けることによって達成される。いくつかの実施形態では、インデックス値を使用して、低レイテンシ、帯域幅、およびストレージでＣＩＲおよびＣＳＩを通信し、または格納する。

受信信号強度インジケータ（ＲＳＳＩ）は、基地局１０２またはワイヤレスアクセスポイントからユーザ機器（ＵＥ）１０４によって受信された信号の測定値である。ＲＳＳＩは、ＵＥ１０４が良好なモバイルワイヤレスネットワーク接続を得るのに十分な信号を含むか否かを決定するために使用される値である。信号対干渉雑音比（ＳＩＮＲ）は、（他のすべての干渉信号からの）干渉電力と何らかの背景雑音の電力との和で除算された、対象ＲＦ信号の電力として定義される。いくつかの実施形態では、隣接チャネル干渉元レベルは、隣接チャネルのＲＦ信号からの外来電力によって引き起こされる干渉であり、この干渉は、受信機チェーンによって拒否される必要がある。

サーバ２１２は、無線マッピングデータベース４０２に格納された１又は２以上の無線パラメータに基づいて、機械学習モデルを訓練するために使用される機械学習（ＭＬ）モジュール４０４を含む。ＭＬモジュール４０４は、無線マッピングデータベース４０２に格納されている入力スキーマから、動的に変化した１又は２以上のパラメータを予測して、ＭＬモデルに基づく出力スキーマを導出する。いくつかの実施形態では、ＭＬモジュール４０４は、時間に関して動的に変更される１又は２以上のパラメータを決定する。

いくつかの実施形態では、１又は２以上の動的に変更されたパラメータから導出された出力スキーマは、緯度、経度、高度、および予測された無線パラメータを含む。いくつかの実施形態では、予測された無線パラメータは、チャネル状態情報（ＣＳＩ）、基準信号受信電力（ＲＳＲＰ）、基準信号受信品質（ＲＳＲＱ）、信号対干渉雑音比（ＳＩＮＲ）、チャネルモデル、およびチャネル行列を含む。

ＭＬモジュール４０４は、無線マッピングデータベース４０２の動的に変更される１又は２以上のパラメータを更新する。いくつかの実施形態では、ＭＬモジュール４０４は、無線マッピングデータベース４０２の１又は２以上の動的に変更されたパラメータを更新して、最適なワイヤレスネットワークを設計する。

ＭＬモジュール４０４は、１又は２以上の無線パラメータまたは抽出されたパラメータに基づいて、ＭＬモデルを動的に改良する。ＭＬモジュール４０４は、スペクトル監視ユニット２１０およびＵＥ１０４に対するトリガを生成して、無線マッピングデータベース４０２に格納された１又は２以上の無線パラメータを更新する。

いくつかの実施形態では、ＭＬモジュール４０４は、ＵＥ１０４にトリガを定期的に送信して、ＵＥ１０４の位置に対応する現在チャネル状態情報（ＣＳＩ）を送信し、ＵＥ１０４から受信した現在チャネル状態情報を用いて無線マッピングデータベース４０２を更新する。いくつかの実施形態では、ＭＬモジュール４０４は、ＵＥ１０４にトリガを定期的に送信して、要求に応じて現在チャネル状態情報（ＣＳＩ）を送信する。いくつかの実施形態では、分析コンポーネントは、ＣＳＩを使用し、更新されたＣＳＩを用いて無線マッピングデータベース４０２を更新する。

いくつかの実施形態では、無線マッピングデータベース４０２は、サービスエリアの各地点において精細な解像度に外挿されたＣＳＩを含む。いくつかの実施形態では、ＣＳＩの外挿は、（ｉ）１又は２以上のサンプリング地点の周りのサービスエリアをサンプリングすること、（ｉｉ）無線マッピングデータベース４０２に格納された１又は２以上のＲＦパラメータの性質に基づいて１つのサンプリング地点を選択すること、および（ｉｉｉ）選択されたサンプリング地点が１又は２以上のサンプリング地点の内側にある場合にはＣＳＩを内挿すること、または選択されたサンプリング地点が１又は２以上のサンプリング地点の内側にない場合にはＣＳＩを外挿することによって行われる。

いくつかの実施形態では、ＭＬモジュール４０４は、計算で使用されるアルゴリズムを使用してサンプリング地点を選択する。いくつかの実施形態では、ＭＬモジュール４０４は、サービスエリアをグリッドに細分することによって、位置の周囲のサービスエリアをサンプリングする。いくつかの実施形態では、グリッドのサイズは、（ｉ）対象周波数、および（ｉｉ）無線伝搬に影響を及ぼす地形のうちの少なくとも１つに基づいて、設定可能であり、決定される。いくつかの実施形態では、ＭＬモジュール４０４は、シミュレーションツールを使用してグリッド内のＣＳＩを導出する。

いくつかの実施形態では、ＵＥ１０４が移動していることを基地局１０２が識別すると、ＭＬモジュール４０４がドップラーシフトを推定する。無線マッピングデータベース４０２は、１又は２以上の基地局２０２Ａ～２０２Ｎの位置情報と、１又は２以上の基地局２０２Ａ～２０２Ｎから発信されている基準信号の性質とを含む。いくつかの実施形態では、位置のすぐ近くのサービスエリアが無線マッピングデータベース４０２に格納された測定情報を含むと、ＭＬモジュール４０４は、光線追跡および他のＲＦ予測ツールなどの１又は２以上の方法を使用して、すぐ近くのサービスエリアを内挿して所望の位置をカバーする。

いくつかの実施形態では、ＭＬモジュール４０４は、ＵＥ１０４においてＧＰＳ座標が利用可能である場合、（ｉ）グローバルナビゲーション衛星システム（ＧＮＳＳ）座標の変化、（ｉｉ）予測された無線パラメータ、または（ｉｉｉ）ＵＥ１０４に関連付けられた慣性センサのうちの少なくとも１つを使用して、ＵＥ１０４の移動を決定する。

いくつかの実施形態では、ＭＬモジュール４０４は、ＵＥ１０４においてＧＰＳ座標が利用可能でない場合、観測到着時間差（ＯＴＤＯＡ）アルゴリズムと利用可能なＢｌｕｅｔｏｏｔｈ Ｌｏｗ Ｅｎｅｒｇｙ（ＢＬＥ）またはＷｉ－Ｆｉベースのビーコンとの組み合わせに基づいて、ＵＥ１０４の位置を決定する。

いくつかの実施形態では、ＭＬモジュール４０４は、観測到着時間差（ＯＴＤＯＡ）アルゴリズムに基づいて、（ｉ）１又は２以上の基地局２０２Ａ～２０２Ｎから発信された基準信号の情報を取得すること、および（ｉｉ）三角測量を使用して、ＵＥ１０４から取得された情報に基づいてＵＥ１０４の位置を決定することによって、ＵＥ１０４の位置を決定する。いくつかの実施形態では、情報は、１又は２以上の基地局２０２Ａ～２０２ＮからＵＥ１０４で受信された第１の受信信号と後続の基準信号との間で測定された時間間隔を含む。いくつかの実施形態では、ＭＬモジュール４０４は、所与のエリアに対する地理的情報およびマルチパス伝搬に基づく三角測量を使用して、ＵＥ１０４の位置を決定する。いくつかの実施形態では、１又は２以上の基地局２０２Ａ～２０２Ｎに関連付けられた各基地局送信機は、「セル固有」基準信号を発信する。いくつかの実施形態では、受信機は、１又は２以上の基地局２０２Ａ～２０２Ｎから基準信号を受信し、最も近い基地局から受信した基準信号などの第１の受信信号と後続の基準信号との間の時間間隔を測定する。

いくつかの実施形態では、基地局１０２またはｅノードＢがＵＥ１０４にビームフォーミングする必要があると、基地局１０２は、（ｉ）基地局１０２に位置情報を送信するようにＵＥ１０４に要求し、（ｉｉ）位置情報を使用して現在の状態情報（ＣＳＩ）を無線マッピングデータベース４０２に問い合わせ、（ｉｉｉ）無線マッピングデータベース４０２から取得されたＣＳＩを使用してビームフォーミングする。いくつかの実施形態では、ビームフォーミングは、ブロードキャストアンテナからのすべての方向に信号を拡散させるのではなく、特定の受信装置に向けて無線信号を集中させる技術である。

いくつかの実施形態では、ＮＢ－ＩｏＴまたはＬｏＲａなどのＩｏＴ指向の通信リンクは、アップリンクにおいてＵＥ１０４の位置およびＲＦ測定データを通信するために使用され、ＡＴＳＣ－３．０またはＤＶＢ－Ｔ２などのブロードキャスト技術は、ダウンリンクにおいてチャネル状態情報を通信するために使用される。

いくつかの実施形態では、セルラコアネットワークは、予測された基地局を無線マッピングデータベース４０２に問い合わせ、ＵＥ１０４にサービスを提供し、ハンドオフ性能を改善する。ＭＬモジュール４０４は、無線マッピングデータベース４０２とセルラコアネットワークとの間で１又は２以上の無線パラメータを交換する。いくつかの実施形態では、セルラコアネットワークは、事前定義されたアプリケーションプログラミングインタフェース（ＡＰＩ）を介して無線マッピングデータベース４０２にアクセスする。いくつかの実施形態では、無線マッピングデータベース４０２は、一組のクエリをサポートして、１又は２以上の無線パラメータを取得して格納する。いくつかの実施形態では、ＥＰＣ（パケットコア）または５Ｇコアの仮想化されたコアコンポーネントは、無線マッピングデータベース４０２のインタフェースとなる。いくつかの実施形態では、クラウドベースのアプリケーションは、無線マッピングデータベース４０２からの１又は２以上の無線パラメータにアクセスするための一組のＡＰＩを提供する。

いくつかの実施形態では、ＵＥ１０４がその位置から移動すると、ＭＬモジュール４０４は、ＭＬモジュール４０４によって予測された新しい基地局にＵＥ１０４を割り当てて、ＵＥ１０４にサービスを提供する。ＭＬモジュール４０４は、（ｉ）例えばＷｉ－Ｆｉ、セルラ周波数帯域などの無線アクセス技術、（ｉｉ）基地局１０２によって合成された最適なビーム形状、または（ｉｉｉ）その位置にサービスを提供するためのアクセスポイントのうちの少なくとも１つを使用して、ＵＥ１０４にサービスを提供する基地局１０２を予測する。ＭＬモジュール４０４は、アクセスポイントに対応するアクセス情報を、極超短波（ＵＨＦ）ブロードキャストリンク、例えば、ＡＴＳＣ３．０／ＤＶＢ－Ｔ２を介してＵＥ１０４に通信し、極超短波（ＵＨＦ）ブロードキャストリンクでは、多くのスペクトルが利用可能であり、伝搬特性がより良性である。

ＭＬモジュール４０４は、動的に予測された無線パラメータと、無線マッピングデータベース４０２に格納されたＵＥ１０４の位置に対応する１又は２以上の無線パラメータとに基づいて、位置においてＵＥ１０４に最適な性能を提供するための信号波形のグループを設計する。高干渉エリアの場合、攻撃ノードと犠牲ノードとの両方がこの実施形態によって説明する無線マッピングアーキテクチャ４００に関連付けられるときはいつでも、逐次干渉除去またはｅｎｈａｎｃｅｄ Ｉｎｔｅｒ－Ｃｅｌｌ Ｉｎｔｅｒｆｅｒｅｎｃｅ Ｃｏｏｒｄｉｎａｔｉｏｎなどの干渉軽減の簡略化されたメカニズムを可能にする干渉を考慮した動的な波形のクラスが設計される。

いくつかの実施形態では、無線マッピングアーキテクチャ４００は、広帯域スペクトル監視ユニットを含み、広帯域スペクトル監視ユニットは、無線マッピングデータベース４０２からのデータにユーザが無線プラットフォームを介してアクセスすることをサービスとして可能にする無線プラットフォームとして機能する１又は２以上のソフトウェアＡＰＩとして、対象パラメータおよびプラットフォームを収集する。

ＭＬモジュール４０４は、ＭＬモジュール４０４によって生成されたＭＬモデルに基づいて、無線パラメータ予測モデルを生成する。ＭＬモジュール４０４は、ＵＥ１０４によって検知されたＵＥ１０４の位置、またはＲＦ環境の少なくとも１つに変化があった場合に、更新された無線パラメータを受け入れる。ＭＬモジュール４０４は、更新された無線パラメータに基づいて無線パラメータ予測モデルを改良する。ＭＬモジュール４０４は、改良された無線パラメータ予測モデルを使用して、ＵＥ１０４の所与の位置に対して無線マッピングデータベース４０２の予測された無線パラメータを更新する。

図５Ａは、本明細書のいくつかの実施形態による、図４の無線マッピングデータベース４０２に格納された入力スキーマ５００を示すテーブル図である。１又は２以上の無線パラメータからスペクトル監視ユニット２１０によって導出される入力スキーマ５００は、１又は２以上の位置パラメータ、１又は２以上のＲＦパラメータ、１又は２以上のネットワークパラメータ、および１又は２以上の物理層パラメータを含む。１又は２以上の位置パラメータは、ＵＥ１０４の統合されたＧＮＳＳモジュールまたはスペクトル監視ユニット２１０によって決定される、測定タイム５０２、緯度５０４、経度５０６、高度５０８、および精度低下率（ＤｏＰ）５１０を含む。１又は２以上のＲＦパラメータは、チャネルインパルス応答（ＣＩＲ）、受信信号強度インジケータ（ＲＳＳＩ）５１６、ＲＳＲＰ５１８、ＲＳＲＱ５２０、信号対干渉雑音比（ＳＩＮＲ）５２２、隣接チャネル干渉元レベル、チャネルモデル５２４、送信機電力５２６、およびキャリア周波数５２８を含む。

１又は２以上のネットワークパラメータは、ＵＥの（ＵＥの通信機能および測定機能を示す）モデル５１２、ＵＥ１０４に見える基地局（ＢＴＳ）５１４、公衆陸上移動体通信網（ＰＬＭＮ）識別情報５３０、タイプ割り当てコード（ＴＡＣ）５３２、キャリアアグリゲーション（ＣＡ）設定５３４、および物理セルＩＤ（ＰＣＩ）５３６を含む。１又は２以上の物理層パラメータは、ハイブリッド自動再送要求（ＨＡＲＱ）５３８、ランク５４０、ブロック誤り率（ＢＬＥＲ）５４２、ジッタ５４４、および呼出しミュート５４５を含む。

いくつかの実施形態では、１又は２以上の無線パラメータがユーザ機器（ＵＥ）１０４によって決定され、スペクトル監視ユニット２１０が図４に示されている。示している量は例示的なものであり、４Ｇネットワークに対応する。いくつかの実施形態では、パラメータのいくつかは、２Ｇ、３Ｇ、５Ｇ、またはＷｉ－Ｆｉネットワークに対して変化してもよい。いくつかの実施形態では、４Ｇネットワークに対してであってもパラメータの異なる組み合わせが使用される。

モデル５１２は、測定装置のモデル番号、例えばスペクトル監視ユニット２１０のタイプ、携帯電話モデルを参照し、すなわちＴＭタイプも取り込まれる。基地局（ＢＴＳ）５１４は、信号が測定装置において検出可能である基地局の数を示す。基地局（ＢＴＳ）５１４は、１又は２以上の基地局、例えばＢＴＳ Ａ～ＢＴＳ Ｎを含む。各基地局は、例えば基地局に対応するＰＣＩ５４６Ａなどの物理セルＩＤ（ＰＣＩ）と、例えばＢＴＳ Ａなどの基地局から測定ユニットまでの伝搬時間に関連付けられた遅延５５０Ａとを含む。いくつかの実施形態では、基地局５１４は、マルチユーザ多入力多出力（ＭＵ－ＭＩＭＯ）機能、例えばＭＵ－ＭＩＭＯ５４８Ａを含んでもよい。このような場合、可視ビームレットの各々に関連付けられた電力レベルを別個に測定してもよい。

図５Ｂは、本明細書のいくつかの実施形態による、図４のＭＬモジュール４０４からの出力スキーマを示すテーブル図５０１である。出力スキーマ５０１は、緯度５０４Ａ、経度５０６Ａ、高度５０８Ａ、および予測された無線パラメータ５５２を含む。いくつかの実施形態では、予測された無線パラメータ５５２は、ＲＳＲＰ５１８Ａ、ＲＳＲＱ５２０Ａ、ＳＩＮＲ５２２Ａ、チャネルモデル５２４Ａ、およびチャネル行列５５４を含む。

図６は、本明細書のいくつかの実施形態による、図４のスペクトル監視ユニット２１０のサブブロックの典型的な例を示すブロック図６００である。ブロック図６００は、１又は２以上のＲＦダウンコンバータ６０２Ａ～６０２Ｎと、１又は２以上のソフトウェア定義復調器６０４Ａ～６０４Ｎと、共通クロックおよびキャリア基準６０５と、アジャイルＲＦダウンコンバータ６０６と、高度ソフトウェア定義復調器６０８と、１又は２以上の可変帯域除去フィルタ６０９Ａ～６０９Ｎと、周波数掃引源６１０と、アンテナ６１１と、制御バスおよび同期バス６１２と、グローバルナビゲーション衛星システム（ＧＮＳＳ）モジュール６１４と、ランダムアクセスメモリ（ＲＡＭ）６１６と、フラッシュメモリ６１８と、メインＣＰＵおよび周辺機器６２０と、セルラモデム６２２と、監視回路６２４とを含む。

ＲＦダウンコンバータ６０２Ａ～６０２Ｎは、共通周波数およびタイミング基準６０５を含む。１又は２以上のソフトウェア定義復調器６０４Ａ～６０４Ｎは、ＩサンプルおよびＱサンプルの形態で無線フレームの大部分を取り込み、無線フレームの大部分はメインＣＰＵおよび周辺機器６２０に転送される。

１又は２以上のソフトウェア定義復調器６０４Ａ～６０４Ｎおよび高度ソフトウェア定義復調器６０８は、事後データを取り込む。メインＣＰＵおよび周辺機器６２０は、ＩサンプルおよびＱサンプルを非リアルタイムで処理する。これにより、リアルタイム実装の困難さに起因してセルラ規格でまだ利用されていないより高度なアルゴリズムの利用が可能になる。例えば、逐次干渉除去を使用して、従来のセルラ受信機によって見落とされる場合がある、より強い信号の下に隠れた弱い信号を検出することができる。いくつかの実施形態では、基準信号について、信号の先験的情報および送信機の位置に起因して、深く埋め込まれた信号情報が決定される。

メインＣＰＵおよび周辺機器６２０は、ビームフォーミングを実現するための「合成開口」ソフトウェア受信機を実現することによって非リアルタイムでデータを分析する。いくつかの実施形態では、メインＣＰＵおよび周辺機器６２０は、電子的に水平線を通過する高度に指向性のある受信アンテナを実現する。

アジャイルＲＦダウンコンバータ６０６をスタンドアロンモードで使用し、（ｉ）異なるキャリア周波数でＲＦ信号を取り込み、（ｉｉ）チャネル漏洩を決定する。いくつかの実施形態では、アジャイルＲＦダウンコンバータ６０６は、異なるＲＦ通信規格を並行して分析する。アジャイルＲＦダウンコンバータ６０６と共に、周波数掃引源６１０は、高度ソフトウェア定義復調器６０８が所与の位置において広範囲の周波数を走査することを可能にする。いくつかの実施形態では、１又は２以上の可変帯域除去フィルタ６０９Ａ～６０９Ｎは、望ましくない狭帯域干渉信号を拒否する。アンテナ６１１は、複数の偏波角でＲＦ信号を検知する。

いくつかの実施形態では、アジャイルＲＦダウンコンバータ６０６、高度ソフトウェア定義復調器６０８、１又は２以上の可変帯域除去フィルタ６０９Ａ～６０９Ｎ、および周波数掃引源６１０は、最初に予備分析に使用され、例としては、干渉信号の発見することであって、発見の後、１又は２以上のＲＦダウンコンバータ６０２Ａ～６０２Ｎ、および１又は２以上のソフトウェア定義復調器６０４Ａ～６０４Ｎなどの受信機のアレイが問題の詳細な分析に使用される。ＧＮＳＳモジュール６１４は、所与の位置の、緯度、経度、および高度を決定する。いくつかの実施形態では、ＧＮＳＳモジュール６１４は、ＧＮＳＳ誤差を決定する。ＧＮＳＳモジュール６１４は、全地球測位システム（ＧＰＳ）値の推定誤差を示す精度低下率（ＤｏＰ）を提供する。ランダムアクセスメモリ（ＲＡＭ）６１６は、現在使用されているデータおよびマシンコードを格納するコンピュータデータ記憶装置の形態である。フラッシュメモリ６１８は、電気的に消去され再プログラムされる電子（ソリッドステート）不揮発性コンピュータ記憶媒体である。

セルラモデム６２２は、音声通話およびデータ通話を行い、受信信号強度インジケータ（ＲＳＳＩ）５１６、基準信号受信電力（ＲＳＲＰ）５１８、基準信号受信品質（ＲＳＲＱ）５２０、信号対干渉雑音比（ＳＩＮＲ）５２２、ブロック誤り率（ＢＬＥＲ）５４２、パケットジッタ５４４、呼出しミュート５４５などを測定してもよい。いくつかの実施形態では、ＵＥ１０４のための市販のセルラモデムの物理および媒体アクセス層パラメータがアプリケーションソフトウェアに公開されていないのであれば、監視回路６２４が追加される。監視回路６２４は、アップリンク制御シグナリングをスヌープして、スケジュール要求、確認応答（ＡＣＫ）の発生、否定応答（ＮＡＣＫ）、およびハイブリッド自動再送要求（ＨＡＲＱ）５３８などのイベントを検出する。いくつかの実施形態では、ＨＡＲＱ５３８の高い発生率は、基地局のクラスタ全体の高い輻輳またはネットワーク計画におけるいくつかの問題を示す。いくつかの実施形態では、スペクトル監視ユニット２１０は、スケジュール要求、ＡＣＫの発生、ＮＡＣＫ、およびＨＡＲＱ５３８などの検出されたイベントを取り込み、無線マッピングデータベース４０２に格納された１又は２以上の無線パラメータを、イベントの特定の組み合わせの発生に基づいて更新するためのトリガを生成するイベントロガーを含む。

スペクトル監視ユニット２１０は、誤差伝搬を検出するためのエッジ分析の要素を組み込んでもよく、単一の根本原因に対応する複数のイベントが検出される。いくつかの実施形態では、スペクトル監視ユニット２１０は、運用サポートサブシステムに対する重大なサービス中断につながる重大な誤差を通知してもよい。

いくつかの実施形態では、スペクトル監視ユニット２１０は、送信機として構成されてもよく、送信機の信号は、近くの他のこのようなユニットによって監視されてもよい。スペクトル監視ユニット２１０は、無線サウンディング活動に対するすべてのＲＦパラメータを仮想的に決定して、特定の位置における無線環境を特徴付けてもよい。いくつかの実施形態では、決定されたＲＦパラメータをＭＬモジュール４０４が使用し、不完全な測定されたデータがある位置におけるＲＦサービスエリアを決定する。いくつかの実施形態では、定義された規格と独自の規格との両方のサウンディング信号が無線サウンディング活動に対して使用される。

いくつかの実施形態では、スペクトル監視ユニット２１０は携帯型ユニットである。いくつかの実施形態では、スペクトル監視ユニット２１０は、バス、電車、タクシー、または自家用車両などの公共輸送車両に展開され、多数のユニットを用いて短時間にデータを迅速に収集することを可能にする。

図７は、本明細書におけるいくつかの実施形態による、無線マッピングアーキテクチャ４００の無線マッピングデータベース４０２にデータ入力し、無線マッピングデータベース４０２の予測された無線パラメータを、更新された無線パラメータを用いて更新する方法７００を示すフローチャートである。ステップ７０２において、方法７００は、スペクトル監視ユニット２１０およびユーザ機器１０４が、１又は２以上の無線パラメータを抽出することを可能にすることを含む。いくつかの実施形態では、１又は２以上の無線パラメータは、チャネルインパルス応答（ＣＩＲ）、（ｉｉ）受信信号強度インジケータ（ＲＳＳＩ）、（ｉｉｉ）信号対干渉雑音比（ＳＩＮＲ）または信号対雑音比（ＳＮＲ）、および（ｉｖ）隣接チャネル干渉元レベルを含む。ステップ７０４において、方法７００は、スペクトル監視ユニット２１０およびＵＥ１０４の機能に基づいて、ユーザ機器１０４またはスペクトル監視ユニット２１０から、１又は２以上の無線パラメータを取り込むことを含む。ステップ７０６において、方法７００は、１又は２以上の無線パラメータを無線マッピングデータベース４０２において定期的に更新することを含む。ステップ７０８において、方法７００は、１又は２以上の無線パラメータを無線マッピングデータベース４０２に格納することを含む。

ステップ７１０において、方法７００は、無線マッピングデータベース４０２とセルラコアネットワークとの間で、１又は２以上の無線パラメータを交換することを含む。いくつかの実施形態では、セルラコアネットワーク、無線アクセスネットワーク、およびスケジューラは、事前定義されたアプリケーションプログラミングインタフェース（ＡＰＩ）を介して無線マッピングデータベース４０２にアクセスする。いくつかの実施形態では、基地局１０２と連動するセルラコアネットワークは、情報の大きなリポジトリと、基地局１０２と連動するセルラコアネットワークとユーザ機器１０４からのアップリンク信号のチャネル推定および到来角との関連付けとを含む。これらは、ＵＥ１０４およびスペクトル監視ユニット２１０とは別に、無線マッピングデータベース４０２のための追加情報源として機能してもよい。加えて、セルラコアネットワークは、機械学習（ＭＬ）モジュール４０４によって生成された情報にアクセスして、セルラコアネットワークの性能を改善してもよい。ステップ７１２において、方法７００は、ＭＬモジュール４０４によって生成された機械学習モデルに基づいて無線パラメータ予測モデルを生成することと、ユーザ機器１０４の位置、またはＵＥ１０４によって検知されたＲＥ環境の少なくとも１つに変化があった場合に、更新された無線パラメータを受け入れることとを含む。ステップ７１４において、方法７００は、更新された無線パラメータに基づいて無線パラメータ予測モデルを改良することを含む。ステップ７１６において、方法７００は、改良された無線パラメータ予測モデルを使用して、ＵＥ１０４の所与の位置に対して無線マッピングデータベース４０２の予測された無線パラメータを更新することを含む。いくつかの実施形態では、このプロセスは、ＭＬモジュール４０４がほぼ理想的に正確になるまで進行する。

いくつかの実施形態では、ＭＬモジュール４０４は、機械学習機能を含み、機械学習機能には、所与の地形に対する予測のための最適な方法論を選択することと、方法論で仮定されたモデルがモデリングタスクを実行するために組み込むパラメータの最適な組み合わせを発見することと、３Ｄ地理情報からの地形を分類することとなどに関連する機能が含まれるが、これらに制限されない。いくつかの実施形態では、ＭＬモジュール４０４は、機械学習アルゴリズムが、ヒューリスティックスの形態であってもよく、ソフトコンピューティング（例えば、テンソルフロー、遺伝的アルゴリズム、焼きなまし法、または量子コンピューティングさえも含むニューラルネットワーク）の要素、またはヒューリスティックスとソフトコンピューティングとの両方の組み合わせを組み込んでもよい。

図８は、本明細書におけるいくつかの実施形態による、図７の無線パラメータ予測モデルを調整する方法８００を示すフロー図である。ステップ８０２において、方法８００は、３Ｄ地形マップをインポートすることを含む。いくつかの実施形態では、無線パラメータ予測モデルは、セルラサイトの、追加、除去、または機器の誤動作を考慮してもよい。ステップ８０４において、方法８００は、３Ｄ地形マップをセグメント化し、類似のＲＦ環境を有する１又は２以上のエリアを含むセグメントを決定することを含む。ステップ８０６において、方法８００は、セグメントを統計的にサンプリングする。ステップ８０８において、方法８００は、サンプリングされたセグメントについて事前予測された無線パラメータを実行することを含む。事前予測された無線パラメータは、セグメントに対応する最適な無線パラメータ予測モデルに基づいて選択される。ステップ８１０において、方法８００は、セグメントのフィールド測定データを収集することを含む。ステップ８１２において、方法８００は、１又は２以上の無線パラメータを用いて無線パラメータ予測モデルを調整し、セグメントに基づいてアップグレードされた無線パラメータ予測モデルを取得することを含む。ステップ８１４において、方法８００は、アップグレードされた無線パラメータ予測モデルを使用し、類似の形態を有するセグメントについて予測を実行することを含む。

図９は、本明細書のいくつかの実施形態による、無線パラメータ予測モデルによって無線マッピングデータベース４０２に格納された所与の位置に対する、基本３Ｄ地形データ上にオーバーレイされたデータのレイヤを示す例示的な図９００である。例示的な図９００は、第１レイヤ９０２、第２レイヤ９０４、第３レイヤ９０６、および第４レイヤ９０８を含む。第１レイヤ９０２は３Ｄ地形データを表し、第２レイヤ９０４は無線パラメータ予測の第１のレベルを表し、第３レイヤ９０６はサンプル地点の測定値を表し、第４レイヤ９０８はアップグレードされた無線パラメータ予測モデルに基づく予測された無線パラメータを表す。第１レイヤ９０２は、群葉と、丘、建物、および水域からのナイフエッジ回折となどを含む、ＲＦ伝搬に影響を与える地理的特徴を組み込む。いくつかの実施形態では、地理的データベースから利用可能な従来の地形データにわたって、データのレイヤが追加される。葉枯れに起因する植生の深度は、所与の地域の植生マッピングに基づいて推定される。いくつかの実施形態では、群葉およびナイフエッジ効果を含む経路損失が考慮され、地理的データベースに格納される。いくつかの実施形態では、送信される波の偏波の影響もそれに応じて考慮される。第２レイヤ９０４および第４レイヤ９０８は、異なる信号強度を表す色を濃くした領域を含む。いくつかの実施形態では、色を濃くした領域は信号強度の減少を表す。例えば、色を濃くした領域９０４Ｄの信号品質は、色を濃くした領域９０４Ｃの信号品質よりも良好であるが、両方とも、色を濃くした領域９０４Ａよりも良好な品質を有する。

図１０は、本明細書のいくつかの実施形態による、無線マッピングアーキテクチャ４００を使用して、１又は２以上の動的に変更されたパラメータを予測する方法１０００を示すフロー図である。ステップ１００２において、方法１０００は、ＵＥ１０４またはスペクトル監視ユニット２１０のうちの少なくとも１つを使用して、１又は２以上の無線パラメータを取り込むことを含む。ステップ１００４において、方法１０００は、スペクトル監視ユニット２１０を使用して、１又は２以上の無線パラメータを継続的に監視し、１又は２以上の無線パラメータを無線マッピングデータベース４０２に格納することを含む。ステップ１００６において、方法１０００は、スペクトル監視ユニット２１０を使用して、１又は２以上の基地局２０２Ａ～２０２Ｎおよびユーザ機器（ＵＥ）１０４に対応する１又は２以上の無線パラメータを抽出して無線マッピングデータベース４０２の入力スキーマ５００に追加し、無線マッピングデータベース４０２内の抽出されたパラメータを定期的に更新することを含む。ステップ１００８において、方法１０００は、サーバ２１２に関連付けられた機械学習モジュール４０４を使用して、無線マッピングデータベース４０２に格納された１又は２以上の無線パラメータに基づいて機械学習モデルを訓練することを含む。

ステップ１０１０において、方法１０００は、ＭＬモデルに基づいて出力スキーマ５０１を導出するために、無線マッピングデータベース４０２に格納された入力スキーマ５００から、１又は２以上の動的に変更されたパラメータを予測することを含む。ステップ１０１２において、方法１０００は、無線マッピングデータベース４０２のＭＬモデルによって予測された、１又は２以上の動的に変更されたパラメータを更新することを含む。ステップ１０１４において、方法１０００は、１又は２以上の無線パラメータまたは抽出されたパラメータに基づいて、ＭＬモデルを動的に改良することを含む。ステップ１０１６において、方法１０００は、無線マッピングデータベース４０２に格納された１又は２以上の無線パラメータを更新するために、スペクトル監視ユニット２１０およびＵＥ１０４に対してトリガを生成することを含む。

具体的な実施形態の前述の説明は、本明細書の実施形態の一般的な性質を十分に明らかにするので、他者は、現在の知識を適用することによって、一般的な概念から逸脱することなく、このような具体的な実施形態を様々な応用形態のために容易に修正および／または適合させることができるので、このような適合および修正は、開示した実施形態の均等物の意味および範囲内で理解されるべきであり、理解されるように意図している。本明細書で使用した表現または用語は、説明のためのものであり、限定のためのものではないことを理解されたい。したがって、本明細書の実施形態を好ましい実施形態の観点から説明してきたが、当業者であれば、本明細書の実施形態は、添付の特許請求の範囲の精神および範囲内で修正して実施してもよいことを認識するであろう。

Claims (20)

1. ワイヤレスネットワークのための無線マッピングアーキテクチャ（４００）であって、
   少なくとも１つの無線パラメータの測定を実行するユーザ機器（ＵＥ）（１０４）、またはスペクトル監視ユニット（２１０）と、
   サーバ（２１２）と、を備え、
   前記スペクトル監視ユニット（２１０）が、
   前記少なくとも１つの無線パラメータを取り込み、
   前記少なくとも１つの無線パラメータを継続的に監視し、前記少なくとも１つの無線パラメータを無線マッピングデータベース（４０２）に格納し、
   少なくとも１つの基地局および前記ユーザ機器（ＵＥ）（１０４）に対応する前記少なくとも１つの無線パラメータを抽出して、前記無線マッピングデータベース（４０２）の入力スキーマ（５００）にデータ入力し、前記無線マッピングデータベース（４０２）内の抽出されたパラメータを定期的に更新し、ここで、前記入力スキーマ（５００）は、前記無線マッピングデータベース（４０２）のデータベーススキーマであり、前記無線マッピングデータベース（４０２）の構造を記述するものであり、
   前記サーバ（２１２）が、
   前記ＵＥ（１０４）および前記スペクトル監視ユニット（２１０）から前記少なくとも１つの無線パラメータを定期的に取り込む前記無線マッピングデータベース（４０２）と、機械学習（ＭＬ）モジュール（４０４）とを含み、前記無線マッピングデータベース（４０２）は、前記抽出されたパラメータおよびジオタグ付き結果を前記スペクトル監視ユニット（２１０）から定期的に取り込み、前記無線マッピングデータベース（４０２）の前記入力スキーマ（５００）は、（ｉ）前記スペクトル監視ユニット（２１０）および（ｉｉ）前記ＵＥ（１０４）のうちの少なくとも１つによって検知された前記少なくとも１つの無線パラメータを用いて更新されるものであり、
   前記機械学習（ＭＬ）モジュール（４０４）が、
   前記無線マッピングデータベース（４０２）内に格納された前記少なくとも１つの無線パラメータに基づいて機械学習モデルを訓練し、
   前記ＭＬモデルに基づいて出力スキーマ（５０１）を導出するために、前記無線マッピングデータベース（４０２）内に格納された前記入力スキーマ（５００）から少なくとも１つの動的に変更されるパラメータを予測し、
   前記無線マッピングデータベース（４０２）の前記ＭＬモデルによって予測される前記少なくとも１つの動的に変更されたパラメータを更新し、
   前記少なくとも１つの無線パラメータまたは前記抽出されたパラメータに基づいて前記ＭＬモデルを動的に改良し、
   前記無線マッピングデータベース（４０２）内に格納された前記少なくとも１つの無線パラメータを更新するために、前記スペクトル監視ユニット（２１０）および前記ＵＥ（１０４）に対するトリガを生成するために使用されるものであり、
   前記機械学習モジュール（４０４）を使用して、前記予測された無線パラメータと、前記無線マッピングデータベース（４０２）に格納された前記ＵＥ（１０４）の位置に対応する前記少なくとも１つの無線パラメータとに基づいて、前記位置において前記ＵＥ（１０４）に最適な性能を提供するための信号波形のグループを設計する
   ことを特徴とする無線マッピングアーキテクチャ（４００）。
2. 前記少なくとも１つの無線パラメータから前記スペクトル監視ユニット（２１０）によって導出された前記入力スキーマ（５００）が、少なくとも１つの位置パラメータと、少なくとも１つのＲＦパラメータと、少なくとも１つのネットワークパラメータと、少なくとも１つの物理層パラメータとを含む、請求項１に記載の無線マッピングアーキテクチャ（４００）。
3. 前記少なくとも１つの位置パラメータが、測定タイム（５０２）、緯度（５０４）、経度（５０６）、高度（５０８）、および精度低下率（ＤｏＰ）（５１０）を含み、前記少なくとも１つのＲＦパラメータが、チャネルインパルス応答（ＣＩＲ）、受信信号強度インジケータ（ＲＳＳＩ）（５１６）、基準信号受信電力（ＲＳＲＰ）（５１８）、基準信号受信品質（ＲＳＲＱ）（５２０）、信号対干渉雑音比（ＳＩＮＲ）（５２２）、隣接チャネル干渉元レベル、チャネルモデル（５２４）、送信機電力（５２６）、およびキャリア周波数（５２８）を含み、前記少なくとも１つのＲＦパラメータが、ジオタグ付きであり、タイムスタンプ付きであり、前記少なくとも１つのネットワークパラメータが、前記ＵＥ（１０４）のモデル（５１２）、前記ＵＥ（１０４）に見える基地局（ＢＴＳ）（５１４）、公衆陸上移動体通信網（ＰＬＭＮ）識別情報（５３０）、タイプ割り当てコード（ＴＡＣ）（５３２）、キャリアアグリゲーション（ＣＡ）設定（５３４）、および物理セルＩＤ（ＰＣＩ）（５３６）を含み、前記少なくとも１つの物理層パラメータが、ハイブリッド自動再送要求（ＨＡＲＱ）（５３８）、ランク（５４０）、ブロック誤り率（ＢＬＥＲ）（５４２）、ジッタ（５４４）、および呼出しミュート（５４５）を含む、請求項２に記載の無線マッピングアーキテクチャ（４００）。
4. 前記基地局（ＢＴＳ）（５１４）が、物理セルＩＤ（ＰＣＩ）（５４６Ａ～５４６Ｎ）と、基地局から前記スペクトル監視ユニット（２１０）への伝搬時間に関連付けられた遅延（５５０Ａ～５５０Ｎ）とを含む基地局の数を示し、前記基地局（５１４）が、マルチユーザ多入力多出力（ＭＵ－ＭＩＭＯ）機能（５４８Ａ～５４８Ｎ）を備える、請求項３に記載の無線マッピングアーキテクチャ（４００）。
5. 前記少なくとも１つの動的に変更されたパラメータから導出された前記出力スキーマ（５０１）が、緯度（５０４Ａ）、経度（５０６Ａ）、高度（５０８Ａ）、および予測された無線パラメータ（５５２）を含み、
   前記予測された無線パラメータ（５５２）が、ＲＳＲＰ（５１８Ａ）、ＲＳＲＱ（５２０Ａ）、ＳＩＮＲ（５２２Ａ）、チャネルモデル（５２４Ａ）、およびチャネル行列（５５４）を含む、請求項１に記載の無線マッピングアーキテクチャ（４００）。
6. 前記機械学習モジュール（４０４）が、前記ＵＥ（１０４）に前記トリガを定期的に送信して、前記位置に対応する現在チャネル状態情報（ＣＳＩ）が送信され、前記ＵＥ（１０４）から受信した前記現在チャネル状態情報を用いて前記無線マッピングデータベース（４０２）を更新する、請求項１に記載の無線マッピングアーキテクチャ（４００）。
7. 前記ＵＥ（１０４）が移動していることを前記基地局（１０２）が識別すると、前記機械学習モジュール（４０４）がドップラーシフトを推定する、請求項１に記載の無線マッピングアーキテクチャ（４００）。
8. 前記機械学習モジュール（４０４）が、前記ＵＥ（１０４）においてＧＰＳ座標が利用可能である場合、（ｉ）グローバルナビゲーション衛星システム（ＧＮＳＳ）座標の変化、（ｉｉ）前記予測された無線パラメータ（５５２）、または（ｉｉｉ）前記ＵＥ（１０４）に関連付けられた慣性センサのうちの少なくとも１つを使用して、前記ＵＥ（１０４）の移動を決定する、請求項１に記載の無線マッピングアーキテクチャ（４００）。
9. 前記ＵＥ（１０４）においてＧＰＳ座標が利用可能でない場合、前記機械学習モジュール（４０４）が、観測到着時間差（ＯＴＤＯＡ）アルゴリズムと利用可能なＢｌｕｅｔｏｏｔｈ Ｌｏｗ Ｅｎｅｒｇｙ（ＢＬＥ）またはＷｉ－Ｆｉベースのビーコンとの組み合わせに基づいて、前記ＵＥ（１０４）の位置を決定する、請求項１に記載の無線マッピングアーキテクチャ（４００）。
10. 前記基地局（１０２）が前記ＵＥ（１０４）にビームフォームを行う必要がある場合、前記基地局（１０２）が、（ｉ）前記ＵＥ（１０４）の位置情報を送信するように前記ＵＥ（１０４）に要求し、（ｉｉ）前記ＵＥ（１０４）によって共有された前記位置情報に基づいて現在状態情報（ＣＳＩ）を前記無線マッピングデータベース（４０２）に問い合わせ、（ｉｉｉ）前記無線マッピングデータベース（４０２）から取得した前記ＣＳＩを使用してビームフォームを行う、請求項１に記載の無線マッピングアーキテクチャ（４００）。
11. 前記無線マッピングデータベース（４０２）が、サービスエリア内の各地点において精細な解像度になるように外挿されたＣＳＩを含み、前記ＣＳＩの外挿は、
    （ｉ）１又は２以上のサンプリング地点の周りの前記サービスエリアをサンプリングし、
    （ｉｉ）前記無線マッピングデータベース（４０２）内に格納された少なくとも１つのＲＦパラメータの性質に基づいて１つのサンプリング地点を選択し、
    （ｉｉｉ）選択されたサンプリング地点が前記１又は２以上のサンプリング地点の内側にある場合には前記ＣＳＩを内挿し、前記選択されたサンプリング地点が前記１又は２以上のサンプリング地点の内側にない場合には前記ＣＳＩを外挿することによって行われる、請求項１に記載の無線マッピングアーキテクチャ（４００）。
12. 前記機械学習モジュール（４０４）が、前記サービスエリアをグリッドに細分することによって前記サービスエリアをサンプリングし、グリッドのサイズが、（ｉ）対象周波数、および（ｉｉ）無線伝搬に影響を及ぼす地形のうちの少なくとも１つに基づいて、設定可能であり、決定される、請求項１１に記載の無線マッピングアーキテクチャ（４００）。
13. 前記機械学習モジュール（４０４）が、前記ＵＥ（１０４）にサービスを提供する前記基地局（１０２）を予測し、前記予測された基地局を前記無線マッピングデータベース（４０２）に格納し、
    前記機械学習モジュール（４０４）が、（ｉ）無線アクセス技術、（ｉｉ）前記基地局（１０２）によって合成された最適ビーム形状、または（ｉｉｉ）前記位置にサービスを提供するためのアクセスポイント、のうちの少なくとも１つを使用して、前記ＵＥ（１０４）にサービスを提供する前記基地局（１０２）を予測する、請求項１に記載の無線マッピングアーキテクチャ（４００）。
14. 前記ＵＥ（１０４）が前記位置から移動する場合、前記機械学習モジュール（４０４）が、前記機械学習モジュール（４０４）によって予測された新しい基地局に前記ＵＥ（１０４）を割り当てて、前記ＵＥ（１０４）にサービスを提供し、前記機械学習モジュール（４０４）が、前記機械学習モジュール（４０４）によって予測されたアクセスポイントに対応するアクセス情報を、超高周波（ＵＨＬ）ブロードキャストリンクを介して前記ＵＥ（１０４）に通信する、請求項１に記載の無線マッピングアーキテクチャ（４００）。
15. 無線マッピングアーキテクチャ（４００）の無線マッピングデータベース（４０２）にデータ入力し、前記無線マッピングデータベース（４０２）の予測された無線パラメータ（５５２）を更新された無線パラメータを用いて更新するための方法であって、
    （ｉ）ユーザ機器（ＵＥ）（１０４）および（ｉｉ）スペクトル監視ユニット（２１０）のうちの少なくとも１つが、少なくとも１つの無線パラメータを抽出することを可能にし、
    前記スペクトル監視ユニット（２１０）および前記ＵＥ（１０４）の機能に基づいて、（ｉ）前記スペクトル監視ユニット（２１０）および（ｉｉ）前記ＵＥ（１０４）のうちの少なくとも１つから、前記少なくとも１つの無線パラメータを取り込み、
    前記少なくとも１つの無線パラメータを前記無線マッピングデータベース（４０２）に定期的に格納し、
    前記無線マッピングデータベース（４０２）とセルラコアネットワークとの間で、前記少なくとも１つの無線パラメータを交換し、
    機械学習モジュール（４０４）によって生成された機械学習モデルに基づいて無線パラメータ予測モデルを生成し、
    前記ＵＥ（１０４）の位置、または前記ＵＥ（１０４）によって検知されたＲＦ環境の少なくとも１つに変化があった場合に、前記更新された無線パラメータを受け入れ、
    前記更新された無線パラメータに基づいて前記無線パラメータ予測モデルを改良し、
    改良された無線パラメータ予測モデルを使用して、前記ＵＥ（１０４）の所与の位置に対して前記無線マッピングデータベース（４０２）の前記予測された無線パラメータ（５５２）を更新し、
    前記機械学習モジュール（４０４）を使用して、前記予測された無線パラメータと、前記無線マッピングデータベース（４０２）に格納された前記ＵＥ（１０４）の位置に対応する前記少なくとも１つの無線パラメータとに基づいて、前記位置において前記ＵＥ（１０４）に最適な性能を提供するための信号波形のグループを設計する
    ことを特徴とする方法。
16. 前記セルラコアネットワーク、無線アクセスネットワーク、およびスケジューラが、事前定義されたアプリケーションプログラミングインタフェース（ＡＰＩ）を介して前記無線マッピングデータベース（４０２）にアクセスする、請求項１５に記載の方法。
17. 基地局（１０２）と連動する前記セルラコアネットワークが、前記基地局（１０２）と連動する前記セルラコアネットワークと、チャネル推定、および前記ＵＥ（１０４）からのアップリンク信号の到来角との関連付けを含む情報の大きなリポジトリを備え、前記無線マッピングデータベース（４０２）が、前記基地局（１０２）と連動する前記セルラコアネットワークから前記情報を取り込む、請求項１５に記載の方法。
18. 前記無線パラメータ予測モデルが、
    （ｉ）３Ｄ地形マップをインポートし、
    （ｉｉ）前記３Ｄ地形マップをセグメント化し、類似のＲＦ環境を有する少なくとも１つのエリアを含むセグメントを決定し、
    （ｉｉｉ）前記セグメントを統計的にサンプリングし、
    （ｉｖ）サンプリングされたセグメントについて、前記セグメントに対応する最適な無線パラメータ予測モデルに基づいて選択された事前予測された無線パラメータを実行し、
    （ｖ）前記セグメントのフィールド測定データを収集し、
    （ｖｉ）前記少なくとも１つの無線パラメータを用いて前記無線パラメータ予測モデルを調整し、前記セグメントに基づいてアップグレードされた無線パラメータ予測モデルを取得し、
    （ｖｉｉ）前記アップグレードされた無線パラメータ予測モデルを使用し、類似の形態を含むセグメントについて前記無線パラメータ予測を実行する、請求項１５に記載の方法。
19. 前記無線パラメータ予測モデルが、前記無線マッピングデータベース（４０２）の所与の位置に対する、３Ｄ地形データ上にオーバーレイされたデータのレイヤを格納し、前記データのレイヤが、第１レイヤ（９０２）、第２レイヤ（９０４）、第３レイヤ（９０６）、および第４レイヤ（９０８）を含み、前記第１レイヤ（９０２）が前記３Ｄ地形データを表し、前記第２レイヤ（９０４）が前記少なくとも１つの無線パラメータ予測の第１のレベルを表し、前記第３レイヤ（９０６）がサンプル地点の測定値を表し、前記第４レイヤ（９０８）が前記アップグレードされた無線パラメータ予測モデルに基づく前記予測された無線パラメータを表す、請求項１８に記載の方法。
20. 無線マッピングアーキテクチャ（４００）を使用して少なくとも１つの動的に変更されたパラメータを予測する方法であって、
    ユーザ機器（ＵＥ）（１０４）またはスペクトル監視ユニット（２１０）の少なくとも１つを使用して、少なくとも１つの無線パラメータを取り込み、
    前記スペクトル監視ユニット（２１０）を使用して、前記少なくとも１つの無線パラメータを継続的に監視し、前記少なくとも１つの無線パラメータを無線マッピングデータベース（４０２）に格納し、
    前記スペクトル監視ユニット（２１０）を使用して、少なくとも１つの基地局および前記ユーザ機器（ＵＥ）（１０４）に対応する前記少なくとも１つの無線パラメータを抽出し、前記無線マッピングデータベース（４０２）の入力スキーマ（５００）にデータ入力し、前記無線マッピングデータベース（４０２）の抽出されたパラメータを定期的に更新し、
    サーバー（２１２）に関連付けられた機械学習モジュール（４０４）を使用して、前記無線マッピングデータベース（４０２）に格納された前記少なくとも１つの無線パラメータに基づいて機械学習モデルを訓練し、
    前記機械学習モデルに基づいて出力スキーマ（５０１）を導出するために、前記無線マッピングデータベース（４０２）に格納された前記入力スキーマ（５００）から、前記少なくとも１つの動的に変更されたパラメータを予測し、
    前記無線マッピングデータベース（４０２）の前記機械学習モデルによって予測された、前記少なくとも１つの動的に変更されたパラメータを更新し、
    前記少なくとも１つの無線パラメータまたは前記抽出されたパラメータに基づいて、前記機械学習モデルを動的に改良し、
    前記無線マッピングデータベース（４０２）内に格納された前記少なくとも１つの無線パラメータを更新するために、前記スペクトル監視ユニット（２１０）および前記ＵＥ（１０４）に対するトリガを生成し、
    前記機械学習モジュール（４０４）を使用して、前記予測された無線パラメータと、前記無線マッピングデータベース（４０２）に格納された前記ＵＥ（１０４）の位置に対応する前記少なくとも１つの無線パラメータとに基づいて、前記位置において前記ＵＥ（１０４）に最適な性能を提供するための信号波形のグループを設計する
    ことを特徴とする方法。

Images