具体实施方式

现在将参照附图更全面地描述各种示例性实施例，在附图中示出 了一些示例性实施例。在附图中，为了清楚起见，线、层或区域的厚 度可能被夸大。任选部件可用折线、断续线或点划线来表示。

因此，尽管示例性实施例能够有各种修改和备选形式，但是其实 施例在附图中以示例的方式示出，并将在本文中详细描述。然而，应 当理解，并不打算将示例性实施例限制于所公开的特定形式，相反， 示例性实施例将覆盖落入本发明的范围内的所有修改、等同物和备选 方案。贯穿附图的描述，相同的数字是指相同或相似的元件。

如本文所用，术语“或”是指非排他性的“或”，除非另有说明(例如， “否则”或“或在替代方案中”)。此外，如本文所用，用于描述元件之间 的关系的词语应该被广义地解释为包括直接关系或中间元件的存在， 除非另有说明。例如，当元件被称为“连接”或“联接”到另一个元件时， 该元件可直接连接或联接到另一个元件，或者可存在居间元件。相反，当元件被称为“直接连接”或“直接联接”到另一个元件时，不存在居间 元件。类似地，诸如“在...之间”、“相邻”等的词语应该以类似的方式 来解释。

本文使用的术语仅仅是为了描述特定实施例，而并不旨在限制示 例性实施例。如本文所用，单数形式“一”、“一个”和“该”也旨在包括 复数形式，除非上下文另有明确说明。还应当理解，当在本文中使用 时，术语“包括”、“包含”或“含有”指定所陈述的特征、整数、步骤、 操作、元件或部件的存在，但不排除一个或多个其它特征、整数、步 骤、操作、元件、部件或它们的组合的存在或添加。

除非另有定义，本文使用的所有术语(包括技术和科学术语)具有 与示例性实施例所属领域的普通技术人员通常理解的含义相同的含 义。还应当理解，术语(例如在常用词典中定义的那些术语)应当被解 释为具有与它们在相关领域的上下文中的含义一致的含义，并且除非 在本文中明确如此定义，否则不会以理想化或过于正式的意义来解 释。

图1a和图1b示出了用于预测移动收发器100和另一个移动收发 器102之间的无线通信链路的未来服务质量的方法的实施例的流程 图。该方法包括在多个时间点上确定110移动收发器的环境中的一个 或多个活动收发器104的多个环境模型。该方法包括使用对多个环境 模型的时间序列预测125来确定120一个或多个活动收发器在未来时 间点的预测的未来环境模型。该方法包括使用机器学习模型预测130 未来时间点的无线通信链路的未来服务质量。机器学习模型被训练来 提供关于给定环境模型的预测服务质量的信息。预测的未来环境模型 作为机器学习模型的输入来使用135。

图1c示出了用于预测移动收发器100和另一个移动收发器102 之间的无线通信链路的未来服务质量的对应装置10以及包括该装置 10的移动收发器100(诸如车辆)的示意图。该装置包括用于在移动通 信系统中通信的一个或多个接口12。该装置包括控制模块14，该控 制模块14被配置成执行图1a、图1b和/或图1d所示的方法中的至少 一种。通常，控制模块14可例如结合一个或多个接口12来提供装置 10的功能。

以下描述涉及图1a和/或图1b的方法和图1c的装置两者。结合 图1a和/或图1b的方法描述的特征同样可应用于图1c的装置。

本公开的实施例涉及用于预测移动收发器和另一个移动收发器 之间的无线通信链路的未来服务质量的方法、装置和计算机程序。为 了预测未来的服务可用性和QoS，对无线电环境有一个良好的了解可 能是有益的。无线电环境的典型特性可能是路径损耗、干扰条件、系 统的负载、载波频率数量、多种无线电接入技术(RAT)等。无线电环 境模拟得越详细，其分类所需的信息量就越大。

如上所述，无线通信链路的未来QoS被确定。在这种情况下，前 缀“未来”表示预测未来某个时间点的QoS。为了实现这一点，可为未 来预测一个或多个活动收发器的存在(以及因此的活动)(例如，使用一 个或多个活动收发器的轨迹)，并且对未来QoS的预测可基于对一个 或多个活动收发器的未来活动的预测。被预测的QoS可包括一个或多 个方面，诸如无线链路上的预测最小、平均和/或最大数据传输速率、 最小、平均和/或最大分组或比特误码率、分组的两次成功传输之间的 最小、平均或最大时间(例如，也表示为分组间接收时间PIR)、最小、 平均或最大时延等。换句话说，预测服务质量可涉及无线通信链路的 分组间接收时间、分组差错率、时延和数据速率中的至少一个。通常， 预测的QoS可指示无线链路的预期性能和/或预期可靠性。

在实施例中，无线链路的未来QoS可由移动收发器预测，即由无 线链路上的无线传输的接收器预测。因此，该方法可由移动收发器执 行，和/或移动收发器可包括图1c的装置。

该方法包括在多个时间点上确定110移动收发器的环境中的一个 或多个活动收发器104的多个环境模型。通常，一个或多个活动收发 器的环境模型可针对一个或多个活动收发器的存在和/或传输活动来 对移动收发器的环境进行建模。例如，环境模型可包括和/或表示一个 或多个活动收发器在移动收发器的环境中的位置。在各种实施例中， 环境模型可限于移动收发器周围的预定范围，例如预定的圆形距离， 或者根据网格的预定尺寸。例如，一个或多个活动收发器可被放置在 环境模型内的网格上。该网格可包括多个相邻的小区。一个或多个活 动收发器可被聚集在网格内的每个小区中。换句话说，一个或多个移 动收发器的位置和/或距离可由它们被置于的网格的小区来表示。

例如，在一些情况下，网格可为二维矩形网格。换句话说，网格 的小区可具有矩形形状。另外，网格的每个小区可具有(基本上)相同 的大小/尺寸。

备选地，网格可为圆形网格，例如一维圆形网格。在一维圆形网 格中，网格的小区沿着一个尺寸(即距中心的距离)形成，使得多个同 心圆形成网格，圆之间的空间是网格的小区。在二维圆形网格中，两 个相邻圆之间的每个空间被进一步细分，例如分成象限。换句话说， 网格可由圆形成，两个圆之间的空间是(在一维圆形网格中)或者包括 (在二维圆形网格中)网格的小区。如果使用二维圆形网格，两个圆之 间的每个空间可被划分成例如象限，使得在两个圆之间的空间中存在 多个小区。圆形网格的每个圆可代表距离。例如，放置在圆形网格的 中心点(即移动收发器所处的位置)和第一个圆(从中心点起)之间的小 区中的活动收发器可具有距移动收发器至多n米的距离，放置在第一 个圆和第二个圆之间的小区中的活动收发器可具有距活动收发器的 多于n米且至多2n米的距离，等等。这种网格应用于图2的表格中。

在实施例中，确定110多个环境模型可包括获得关于一个或多个 活动收发器的信息。例如，该方法可包括经由一个或多个活动收发器 的无线消息(例如，无线车对车消息，如果活动收发器是车辆的话)收 集关于一个或多个活动收发器的位置的信息。例如，可处理一个或多 个活动收发器的周期性状态消息，以收集关于一个或多个活动收发器 的位置的信息。因此，该方法可包括接收一个或多个活动收发器的无 线传输。移动收发器可接收一个或多个活动收发器(例如，其它车辆/ 收发器)的无线传输。基于接收到的无线传输，可确定一个或多个活动 收发器的位置。例如，无线传输可包括关于已经发送相应无线消息的活动收发器的位置的信息。该方法可包括基于所接收的一个或多个活 动收发器的无线传输来确定一个或多个活动收发器的环境模型。更一 般地说，该方法可包括基于所确定的一个或多个活动收发器的位置来 生成环境模型。

在各种实施例中，该方法可包括从另一个移动收发器(例如从一 个或多个活动收发器的移动收发器)接收多个环境模型的至少一个子 集的至少一部分。例如，在确定它们的环境模型之后，移动收发器可 与其它移动收发器共享信息，例如通过广播相应的环境模型。换句话 说，该方法可包括向其它移动收发器广播环境模型。

基于由移动收发器共同收集的信息，每个移动收发器/车辆可执行 对其与其它移动收发器保持的无线链路的未来QoS的预测。

在实施例中，在多个时间点上确定一个或多个活动收发器的多个 环境模型。多个环境模型中的每一个可表示在多个时间点中的一个时 间点移动收发器的环境中的一个或多个活动收发器。多个环境模型可 随时间推移(例如周期性地)生成。图2示出了在多个时间点(例如每0.5 秒)生成的多个环境模型的示例。在本公开的上下文中，术语“在(未来的)一个或多个时间点处或对于(未来的)一个或多个时间点”仅仅表示 执行了与该一个或多个时间点相关的动作，并且不一定表示该动作精 确地在相同的一个或多个未来时间点处执行。然而，在一些情况下， 可在相同的时间点执行相应的动作，例如在特定时间点确定(而不是预 测)服务质量的情况下。

该方法包括使用对多个环境模型的时间序列预测125来确定120 一个或多个活动收发器在未来时间点的预测的未来环境模型。通常， 基于关于一个或多个数值的历史数据，时间序列预测预测一个或多个 数值在时间间隔(包括多个时间点)上的发展。换句话说，可基于关于 数值的历史数据来预测一个或多个数值的趋势，并且可预测数值的发 展的时间序列。在实施例中，一个或多个数值可表示(即形成)环境模 型。例如，每个环境模型可用多个数值来表示。例如，每个环境可包 括关于网格的每个小区的活动收发器的数量的数字信息，其中网格的 每个小区的活动收发器的数量是对其执行时间序列预测的值。因此， 移动收发器的环境中的一个或多个活动收发器的多个环境模型可为 关于一个或多个数值的历史数据(表示预测的未来环境模型)。

存在不同的方法来执行时间序列预测。在一些实施例中，可使用 基于统计的方法。例如，可基于统计拟合函数或基于时间自相关函数 来执行125时间序列预测。在统计拟合函数中，可通过对关于数值的 历史数据执行拟合来预测该数值的趋势。时间自相关是对时间序列执 行的自相关函数，用于预测时间序列在未来的时间点或时间段的发 展。这两个函数都可应用于上述目标。例如，统计拟合函数或时间自 相关函数可应用于多个环境模型中，以确定预测的未来环境模型(在未 来的时间点，或者在至少两个未来的时间点)。

备选地，可使用机器学习来执行时间序列预测。换句话说，时间 序列预测125是使用另一个机器学习模型来执行的。通常，如稍后将 介绍的，经由机器学习模型的数值的预测可使用基于回归的机器学习 算法来执行。为了训练另一个机器学习模型，多个环境模型(由数值表 示)可被分成训练输入、训练输出和未使用的环境模型。例如，如果未 来环境模型将在预定时间间隔之外的时间点被预测，则对于每个训练 样本，可选择多个环境模型的子集作为用于训练另一个机器学习模型 的训练输入，并且可将为距离环境模型的子集(在未来)预定时间间隔 之外的时间确定的环境模型用作训练输出。该子划分可在多个环境模型上以滑动窗口的方式重复。基于该训练，另一个机器学习模型可被 配置成生成未来某个时间点的预测的未来环境模型，该未来某个时间 点是被输入到该另一个机器学习模型中的预定时间间隔。再次，该另 一个机器学习模型可以滑动窗口方式对多个环境模型的子集使用，以 确定至少两个/多个未来的时间点的预测的未来环境模型(或者更确切 地说，至少两个/多个预测的未来环境模型)。相同的概念可应用于基 于统计的函数。

这两种方法都试图预测环境模型在未来的发展(即，直到未来的 时间点)，以便能够随后使用预测的未来环境模型来预测未来的服务质 量。换句话说，可确定125时间序列预测，使得环境模型朝向预测的 未来环境模型的进展被预测。在任何情况下，未来环境模型的预测可 尝试对一个或多个活动收发器的移动以及移动收发器(和另一个移动 收发器)的相应移动进行建模。

与直觉相反，时间序列预测可能不能直接应用于未来服务质量的 预测(因为在没有一些附加输入的情况下这可能不太可靠)，而是应用 于作为未来服务质量的预测的基础的环境模型。换句话说，时间序列 预测可产生预测的未来环境模型，其中未来服务质量基于预测的未来 环境模型来预测。

该方法包括使用机器学习模型预测130未来时间点的无线通信链 路的未来服务质量。预测的未来环境模型作为机器学习模型的输入来 使用135。机器学习模型的输出可为无线通信链路的未来服务质量， 或者可基于机器学习模型的输出来预测无线通信链路的未来服务质 量。

机器学习是指这样的算法和统计模型：在不使用显式指令，而是 依赖模型和推理的情况下，计算机系统可使用该算法和统计模型来执 行特定任务。例如，在机器学习中，可使用从历史和/或训练数据的分 析中推断出的数据转换，而不是基于规则的数据转换。例如，可使用 机器学习模型或使用机器学习算法来分析图像的内容。为了使机器学 习模型分析图像的内容，可使用训练图像作为输入和训练内容信息作 为输出来训练机器学习模型。通过用大量训练图像和相关联的训练内 容信息训练机器学习模型，机器学习模型“学习”识别图像的内容，因 此可使用机器学习模型识别训练图像中未包括的图像的内容。同样的 原理也可用于其它类型的传感器数据：通过使用训练传感器数据和期 望的输出来训练机器学习模型，机器学习模型“学习”传感器数据和输 出之间的转换，该转换可用于基于提供给机器学习模型的非训练传感 器数据来提供输出。在实施例中，机器学习模型被训练成提供环境模 型和根据环境模型预测的无线通信链路的服务质量之间的转换。换句 话说，机器学习模型被训练成将环境模型与无线通信链路的预测服务 质量相关联。

使用训练输入数据来训练机器学习模型。上面指定的示例使用了 一种称为“监督学习”的训练方法。在监督学习中，使用多个训练样本 来训练机器学习模型，其中每个样本可包括多个输入数据值和多个期 望输出值，即每个训练样本与期望输出值相关联。通过指定训练样本 和期望输出值两者，机器学习模型基于与训练期间提供的样本相似的 输入样本来“学习”提供哪个输出值。监督学习可基于监督学习算法， 例如分类算法、回归算法或相似性学习算法。当输出被限制为有限的 一组值时，即输入被分类为该有限的一组值之一时，可使用分类算法。 当输出可能具有任何数值(在一定范围内)时，可使用回归算法。相似性学习算法类似于分类算法和回归算法两者，但基于使用相似性函数 从示例中学习，该函数测量两个对象的相似性或相关性。

通常，机器学习模型被训练来提供关于给定环境模型的预测服务 质量的信息。例如，无线通信链路的预测服务质量可用数值来表示， 该数值可使用基于回归的机器学习算法来获得。例如，预测服务质量 可涉及分组间接收时间、分组差错率、时延和数据速率中的至少一个， 这些指标都可由数值来表示。因此，机器学习模型可被训练为实现(即， 基于)回归算法，例如，以预测无线通信链路的分组间接收时间、分组 差错率、时延和数据速率中的至少一个。

在一些实施例中，机器学习模型是专门为移动收发器训练的。备 选地，机器学习模型可为适用于不同移动收发器的通用机器学习模 型。在任一种情况下，该方法可包括训练机器学习模型，或者机器学 习模型可由另一个实体训练(可为其使用另一种方法，如图1d所示)。

通常，机器学习模型可被训练成将(预测)服务质量与移动收发器 的环境中的一个或多个活动收发器的环境模型相关联。因此，环境模 型和相应的服务质量可用于训练机器学习模型。通常，使用多个训练 样本来训练机器学习模型。在实施例中，在多个时间点上确定一个或 多个活动收发器的多个环境模型。相应地，该方法可包括在多个时间 点确定140无线通信链路的服务质量。换句话说，对于多个时间点， 可确定服务质量(根据移动收发器的环境中的一个或多个活动收发 器)。例如，服务质量可通过确定无线通信链路的度量(诸如无线通信 链路的分组间接收时间、分组差错率、时延和/或数据速率)来确定。 该方法可包括使用在多个时间点的多个环境模型作为训练输入以及 在相应的多个时间点的无线通信链路的服务质量作为机器学习模型 的训练的训练输出来训练145机器学习模型。换句话说，多个环境模 型中的环境模型可与相应的服务质量一起作为用于机器学习模型的 训练的训练样本使用。

在一些实施例中，机器学习模型的输出可为不同于各种服务质量 特性的“原始”值的东西。例如，一些重要的特性(诸如无线链路的分组 间接收时间(PIR时间))通常处于它们的最小值(即传输时间)，因为相 应的传输第一次是成功的。在这种情况下训练机器学习模型可产生偏 向该最小值的机器学习模型。这可通过训练机器学习模型输出代理值 来避免，该代理值可用于确定实际的服务质量特性。一个这样的代理 是概率分布，它模拟了对于给定的环境模型，服务质量特性的给定值 (诸如分组间接收时间、分组差错率、时延和数据速率)的概率有多高。 换句话说，机器学习模型可被训练以提供给定环境模型的预测服务质 量的概率分布。例如，如结合图3a至图3d所示，服务质量的一些特 性(诸如分组间接收时间(PIR时间))可使用概率的指数分布来建模。这 种指数分布可使用以下公式来建模，其中γ为服务质量特性，并且λ为 率。

该率可被建模为环境模型(即，移动收发器的环境中的一个或多 个活动收发器的分布)和发射器与接收器之间的距离(天线间距离，IAD) 的函数λ(x)。

该率指示服务质量的特性(例如PIR时间)的(指数)概率分布。因 此，机器学习模型可被训练以提供给定环境模型的(预测)服务质量的 (预测)率，并因此提供概率分布。该方法可包括基于由机器学习模型 提供的率/概率分布来确定无线链路的预测未来服务质量。另外的细节 可在结合图3a至图3d提供的示例中找到，其中基于模拟数据训练合 适的机器学习模型。

随后，该率可用于确定预测的未来服务质量。对于指数分布，可 使用1/λ来获得预测的未来服务质量值。可使用指数分布的分位数函数 (也称为逆累积分布函数)来获得预测的未来服务质量值的分位数：

例如，使用p＝0.75获得第三分位数，并且使用p＝0.9获得第九 分位数。

在各种实施例中，为未来的多个时间点(即，未来的至少两个时 间点)预测未来的服务质量。例如，该方法可包括预测未来的多个时间 点上未来服务质量的发展。通过确定在未来的多个时间点的预测的未 来环境模型(或者更确切地说，多个预测的未来环境模型)，并且使用 预测的未来环境模型作为机器学习模型的输入，可在未来的多个时间 点上缩放本公开的实施例。换句话说，通过确定120在至少两个未来 的时间点的一个或多个活动收发器的预测未来环境模型，并且使用 135在至少两个未来的时间点的一个或多个活动收发器的预测未来环 境模型作为机器学习模型的输入，可预测至少两个未来的时间点的无 线通信链路的未来服务质量。

在下文中，示出了另一种方法，该方法可用于独立于上面提供的 方法来训练机器学习模型。图1d示出了用于训练机器学习模型的方 法的实施例的流程图。图1d的方法包括：确定140在多个时间点的 无线通信链路的服务质量；以及使用在多个时间点的多个环境模型作 为训练输入以及在相应的多个时间点的无线通信链路的服务质量作 为机器学习模型的训练的训练输出来训练145机器学习模型。

机器学习算法通常基于机器学习模型。换句话说，术语“机器学 习算法”可表示可用于创建、训练或使用机器学习模型的一组指令。术 语“机器学习模型”可表示代表例如基于由机器学习算法执行的训练的 所学知识的数据结构和/或规则集。在实施例中，机器学习算法的使用 可意味着底层机器学习模型(或多个底层机器学习模型)的使用。机器 学习模型的使用可意味着机器学习模型和/或作为机器学习模型的数 据结构/规则集是由机器学习算法训练的。

例如，机器学习模型可为人工神经网络(ANN)。ANN是由诸如可 在大脑中找到的生物神经网络启发的系统。ANN包括多个互连的节点 和节点之间的多个连接(所谓的边)。通常有三种类型的节点，即，接 收输入值的输入节点、(仅)连接到其它节点的隐藏节点以及提供输出 值的输出节点。每个节点可代表人工神经元。每个边可从一个节点向 另一个节点传输信息。节点的输出可定义为其输入之和的(非线性)函 数。节点的输入可用在基于边的或提供输入的节点的“权重”的函数中。 节点的和/或边的权重可在学习过程中调整。换句话说，人工神经网络 的训练可包括调整人工神经网络的节点的和/或边的权重，即对于给定 的输入实现期望的输出。在至少一些实施例中，机器学习模型可为深 度神经网络，例如包括一层或多层隐藏节点(即隐藏层)(优选地多层隐 藏节点)的神经网络。

图3c示出了机器学习模型的示例性架构的示意图。机器学习模 型包括具有输入节点的输入层，输入节点用于移动收发器和另一个移 动收发器之间的距离d，以及用于宽度为g的圆形网格的小区中的活动 收发器(由A_1，g...A_n，g表示)的数量，其中n是所考虑的圆形网格的小区的 数量。该架构还包括n_h个隐藏层，每个隐藏层具有n_n个节点该架构还包括输出层，该输出层输出率λ和因此服务质量的概率分布。

在一些实施例中，机器学习模型可为支持向量机。支持向量机(即 支持向量网络)是具有相关联的学习算法的监督学习模型，该学习算法 可用于例如在分类或回归分析中分析数据。支持向量机可通过提供具 有属于两个类别之一的多个训练输入值的输入来训练。支持向量机可 被训练为向两个类别之一分配新的输入值。备选地，机器学习模型可 为贝叶斯网络，它是概率定向无环图形模型。贝叶斯网络可使用定向 无环图形来表示一组随机变量及其条件依赖性。备选地，机器学习模 型可基于遗传算法，遗传算法是模拟自然选择的过程的搜索算法和启 发式技术。

装置10和移动收发器100、102、104(例如车辆或实体)可通过移 动通信系统进行通信。移动通信系统可例如对应于第三代合作伙伴计 划(3GPP)标准化移动通信网络中的一种，其中术语移动通信系统被用 作移动通信网络的同义词。因此，消息(输入数据、测量数据、控制信 息)可通过多个网络节点(例如，因特网、路由器、交换机等)和移动通 信系统进行通信，该系统产生实施例中考虑的延迟或时延。

移动或无线通信系统可对应于第五代移动通信系统(5G或新无线 电)，并且可使用毫米波技术。移动通信系统可对应于或包括例如长期 演进(LTE)、高级长期演进(LTE-A)、高速分组接入(HSPA)、通用移动 电信系统(UMTS)或UMTS陆地无线接入网络(UTRAN)、演进的 UTRAN(e-UTRAN)、全球移动通信系统(GSM)或增强型数据速率GSM 演进(EDGE)网络、GSM/EDGE无线接入网络(GERAN)或具有不同标 准(例如，微波接入全球互操作(WIMAX)网络IEEE 802.16或无线局域 网(WLAN)IEEE 802.11)的移动通信网络，通常是正交频分多址(OFDMA)网络、时分多址(TDMA)网络、码分多址(CDMA)网络、宽 带CDMA(WCDMA)网络、频分多址(FDMA)网络、空分多址(SDMA) 网络等。

服务提供可由诸如基站收发器、中继站或UE的网络部件来执行， 该网络部件例如在多个UE/车辆的集群或组中协调服务提供。基站收 发器可操作用于或被配置成与一个或多个活动的移动收发器/车辆通 信，并且基站收发器可位于另一个基站收发器(例如宏小区基站收发器 或小小区基站收发器)的覆盖区域中或附近。因此，实施例可提供包括 两个或更多个移动收发器/车辆100、102和一个或多个基站收发器的 移动通信系统，其中基站收发器可建立宏小区或小小区，例如微微小 区、城域小区或毫微微小区。移动收发器或UE可对应于智能手机、 蜂窝电话、膝上型电脑、笔记本电脑、个人计算机、个人数字助理(PDA)、通用串行总线(USB)棒、轿车、车辆、道路参与者、交通实体、 交通基础设施等。根据3GPP术语，移动收发器也可被称为用户设备(UE)或移动电话。例如，移动收发器、另一个移动收发器和/或一个或 多个活动收发器的至少一个子集可为车辆，例如陆地车辆、公路车辆、 轿车、汽车、非公路车辆、机动车辆、卡车或货车。

基站收发器可位于网络或系统的固定或静止部分中。基站收发器 可为或对应于远程无线电头端、传输点、接入点、宏小区、小小区、 微小区、毫微微小区、城域小区等。基站收发器可为有线网络的无线 接口，其能够实现向UE或移动收发器的无线电信号传输。这种无线 电信号可符合例如由3GPP标准化的无线电信号，或者通常符合一个 或多个以上列出的系统。因此，基站收发器可对应于NodeB、eNodeB、 gNodeB、基站收发台(BTS)、接入点、远程无线电头端、中继站、传 输点等，其可进一步细分为远程单元和中央单元。

移动收发器或车辆100可与基站收发器或小区相关联。术语小区 是指由例如NodeB(NB)、eNodeB(eNB)、gNodeB、远程无线电头端、 传输点等的基站收发器提供的无线电服务的覆盖区域。基站收发器可 在一个或多个频率层上操作一个或多个小区，在一些实施例中，小区 可对应于扇区。例如，扇区可使用扇区天线来实现，扇区天线提供了 覆盖远程单元或基站收发器周围的角向部段的特性。在一些实施例 中，基站收发器可例如分别操作覆盖120°(在三个小区的情况下)、 60°(在六个小区的情况下)的扇区的三个或六个小区。基站收发器可操 作多个扇区化天线。在下文中，小区可表示生成该小区的相应基站收 发器，或者同样地，基站收发器可表示基站收发器生成的小区。

在实施例中，装置10可包括在服务器、基站、NodeB、UE、移 动收发器、中继站或任何服务协调网络实体中。应当注意，术语网络 部件可包括多个子部件，诸如基站、服务器等。

在实施例中，一个或多个接口12可对应于用于获得、接收、发 送或提供模拟或数字信号或信息的任何装置，例如任何连接器、触点、 引脚、寄存器、输入端口、输出端口、导体、通道等，其允许提供或 获得信号或信息。接口可为无线的或有线的，并且它可被配置成与另 外的内部或外部部件通信，即发送或接收信号、信息。一个或多个接 口12可包括另外的部件，以实现移动通信系统中的相应通信，这些 部件可包括收发器(发射器和/或接收器)部件，诸如一个或多个低噪声 放大器(LNA)、一个或多个功率放大器(PA)、一个或多个双功器、一 个或多个双工器、一个或多个滤波器或滤波器电路、一个或多个转换 器、一个或多个混频器、相应地适配的射频部件等。一个或多个接口 12可联接到一个或多个天线，这些天线可对应于任何发射和/或接收 天线，诸如喇叭天线、偶极天线、贴片天线、扇面天线等。天线可布 置成限定的几何设置，诸如均匀阵列、线性阵列、圆形阵列、三角形 阵列、均匀场天线、场阵列、它们的组合等。在一些示例中，一个或 多个接口12可用于发送或接收或者发送和接收信息的目的，诸如信 息、输入数据、控制信息、另外的信息消息等。

如图1c所示，相应的一个或多个接口12联接到装置10处的相 应控制模块14。在实施例中，控制模块14可使用一个或多个处理单 元、一个或多个处理设备、用于处理的任何装置(诸如处理器、计算机 或可利用相应地适配的软件操作的可编程硬件部件)来实现。换句话 说，控制模块14的所述功能也可在软件中实现，该软件然后在一个 或多个可编程硬件部件上执行。这种硬件部件可包括通用处理器、数 字信号处理器(DSP)、微控制器等。

在实施例中，通信(即发送、接收或两者)可直接发生在移动收发 器/车辆100、102之间，例如向/从控制中心转发输入数据或控制信息。 这种通信可利用移动通信系统。这种通信可直接进行，例如借助于设 备到设备(D2D)通信。这种通信可使用移动通信系统的规范来进行。 D2D的示例是车辆之间的直接通信，也分别被称为车辆对车辆通信 (V2V)、车对车通信、专用短程通信(DSRC)。支持这种D2D通信的技 术包括802.11p、3GPP系统(4G、5G、NR及以上)等。

在实施例中，一个或多个接口12可被配置成在移动通信系统中 无线通信。为此，使用无线电资源，例如频率、时间、代码和/或空间 资源，其可用于与基站收发器的无线通信以及直接通信。无线电资源 的分配可由基站收发器控制，即确定哪些资源用于D2D以及哪些不用 于。这里和下面，相应部件的无线电资源可对应于无线电载波上可想 到的任何无线电资源，并且它们可在相应的载波上使用相同或不同的 粒度。无线电资源可对应于资源块(如在 LTE/LTE-A/LTE-unlicensed(LTE-U)中的RB)、一个或多个载波、子载 波、一个或多个无线电帧、无线电子帧、无线电时隙、潜在地具有相 应扩频因子的一个或多个代码序列、一个或多个空间资源(诸如空间子 信道、空间预编码向量)、它们的任意组合等。例如，在直接蜂窝车辆 到任意事物(C-V2X)中，其中V2X至少包括V2V、V2-基础设施(V2I) 等，根据3GPP版本14及以上版本的传输可由基础设施(所谓的模式 3)管理或者在UE中运行。

该方法、装置或移动收发器的更多细节和方面结合所提出的概念 或上面或下面描述的一个或多个示例(例如，图2至图3d)来提及。该 方法、装置或移动收发器可包括对应于所提出的概念的一个或多个方 面或上面或下面描述的一个或多个示例的一个或多个附加任选特征。

各种实施例涉及一种使用时间序列预测来增加QoS预测中的预 测时域的方法。在协同驾驶的范围内，当服务质量(QoS)条件变化时， 对未来服务质量的预测能够实现车辆应用。实际上，当没有提供预测 QoS(PQoS)时，应用仅可对变化做出反应，并且因此被限制在通信系 统的下界性能。PQoS系统可在车辆(通信节点)上利用诸如处于其独立 模式的LTE-V或5G-V2X或IEEE 802.11p的无线接入技术(RAT)运 行。这些技术的组合也可应用于多RAT系统。在这种PQoS系统中， 车辆可交换关于通信周围环境的信息，以便提供PQoS。因此，实施 例可涉及用于在未来预测QoS的方法。

在例如诸如Jornod、El Assad、Kwoczek和Kürner的论文 “Prediction of PacketInter Reception Time for Platooning using Conditional ExponentialDistribution”的其它方法中，提供了环境密度和 分组间接收时间之间的统计联系。然而，在该论文中所示的方法中， 预测只是瞬时的，而实施例旨在预测未来的服务质量。更具体地说， 在统计学意义上，预测涉及瞬时数据的建模和未来值的预报预测。根 据该定义，使用时间序列预测进行预报，并且预报的结果用于预测未 来的服务质量。

实施例可提供一种在未来使用历史数据和时间序列预测来预报 QoS的方法。

该方法包括以下特征中的一个或多个：

1.从接收器(即移动收发器)收集传输数据(即无线传输)以及周围 通信节点(即一个或多个活动收发器)的位置。

2.计算来自该接收器的感兴趣的QoS指标(即服务质量)

3.对周围通信环境建模(例如通过生成环境模型)，例如获得周围 通信环境的指标。

4.就发射器和接收器的时间和位置而言，将传输数据的计算的 QoS指标与周围通信环境模型相匹配(例如，将服务质量与相应的环境 模型相联系)，例如，使得能够估计周围环境的指标与QoS的指标之 间的相关性。

5.在收集的数据上训练分布模型(例如机器学习模型)(参见表)

6.在未来执行时间序列预测，以在预测时域预报未来的QoS(例 如，使用时间序列预测来确定预测的未来环境模型)，例如，能够根据 周围环境的指标和QoS的指标之间的相关性的变化来预测QoS

7.改变预测时域以获得沿时间/方向的动态链路QoS图(例如，在 未来的至少两个时间点确定预测的未来环境模型)，例如，以能够创建 QoS图，该QoS图使得能够在调整应用设置方面进行决策。

8.用积累的数据重复先前的一个或多个特征，以改进学习(例如， 加强学习)

通信环境数据收集可通过使用无线电接收器作为传感器或者通 过与通信共享该信息来执行。周围通信环境的建模可使用针对无线电 活动的网格状抽象方法来执行。例如，周围的通信环境可使用环境的 网格状划分来建模，并且根据通信车辆的数量和它们的消息的周期性 来分配无线电活动数值级别。例如，可执行未来的时间序列预测，以 通过使用先前环境预测因子值和先前的QoS值之间的相关性的变化 来预报预测时域的未来QoS。时间序列预测可通过使用从过去t₀-t_p到 t₀的样本来模拟(图2 210)在t₀+t_f(图2 230)的QoS的分布来执行(其 中，t₀是当前时间(图2 220)，t_p是回看时间，例如10s，并且t_f是预测时域)。预测时域的变化可导致多链路QoS图，每个未来时间步长一 个。它可能随着时间/位移而变化，在这个意义上，它是动态的。计算 和预报的QoS指标可为分组差错率(PER)、分组间接收(PIR)时间、时 延、数据速率。例如，时间序列预测可使用统计预测方法，诸如多层感知器(例如，如图3c所示)。

图2提供了用于例如根据结合图3a至图3d提供的示例之一训练 预测模型的数据的示例。图2示出了与环境模型相关的服务质量属性 随时间的发展的表。该表包括各种列，第一列显示时间戳(时间)，第 二和第三列显示目的地和源节点的标识(dst和src)，第四列显示分组 的大小(大小)，第五列显示PIR值(pir)，第六列显示发射器和接收器 之间的距离(dist，其保持相当恒定)，并且第七列和随后的列显示了围 绕接收器(src)的地理区域(即，圆形网格的小区或环面)中的节点的数 量d*，其中*表示最大距离(例如，d30＝0直到30米，d60＝大于30， 直到60等等)。矩形210限定了回看数据，矩形220限定了当前时间 步长(定义了到预测时域的预定义时间间隔)，并且矩形230限定了目 标预测时域，例如8秒。这个“滑动窗口”可应用于所有时间步长，以 便训练预测模型，当我们查看未来数据时，它将有效地成为预报模型。

在各种实施例中，该方法包括监测周围通信环境的指标(诸如网 格小区中周围通信车辆的数量)，并将该变化与QoS的变化相关联。 例如，该方法可包括根据周围通信车辆的指标的变化和QoS的变化的 相关性来预测QoS(适用于V2V通信)。该方法可包括将关于周围通信 环境的信息用于V2V链路。该方法可包括创建QoS图。该方法可包 括执行通信环境指标和QoS变化之间的匹配。该方法可包括使用环境 预测因子和QoS之间的相关性的过去变化来预测QoS未来值。实施 例可在更高层(消息级)使用聚集的通信活动，其中我们希望预测隐藏 节点的影响和由于周围通信车辆造成的信道过载。

图3a至图3d示出了与机器学习模型的训练相关的示意图。在下 文中，介绍两种类似的方法，这两种方法涉及机器学习模型的训练， 该机器学习模型适合于为给定的环境模型提供关于预测的服务质量 的概率分布。虽然机器学习模型是使用模拟环境模型来训练的，但是 相同的原理可应用于在“真实的”移动收发器/车辆中收集的数据。

在下文中，介绍这两种方法的背景。AQoSA(自适应服务质量适 配)的一个有趣的应用是高密度列队行驶(HDPL)：这是一个协同的车 辆应用，其中车辆协调它们的控制，以实现低于15m的较小的车间距 (IVD)。在AQoSA的范围内，需要能够预报未来QoS的预测系统。该 预测系统可利用其周围环境知识来发挥作用。以下场景的特点是在椭 圆形多车道测试跑道上在25米/秒的速度下的五卡车HDPL行驶。这 种队列的目标是5和25m之间的IVD。它是通过广播列队行驶控制消 息(PCM)来协调的，该消息是利用IEEE 802.11p无线接入技术(RAT) 以20Hz的速率传输的700B的消息。为了挑战通信系统，引入了在 相反方向的车道上密度不断增加的车辆流量。在发射器周围400m范 围内，这种周围的流量达到200以上的车辆数量。周围的车辆利用相 同的RAT以10Hz的速率广播400B CAM(协同感知消息)。周围交通 的机动性在城市机动性模拟(SUMO)中进行建模，这是一种模拟工具， 它充分利用了其能力来生成具有特定密度的随机车辆。该流量模拟器 与网络模拟器ns-3相结合，网络模拟器利用其IEEE 802.11p模型来操 作无线传输。这种设置允许模拟真实的车辆运动以及相当精确的通信 系统模型。利用ns-3的跟踪能力，收集了总共106个传输观测值。这 些观测值包括观测到的PIR时间和在下文中描述的环境预测因子。表 示为γ的PIR时间被定义为从接收器开始测量的一对通信伙伴中的两 个连续消息之间的持续时间。PIR值是连续传输失败的结果，这产生 了高PIR值的低表示。然而，这些较高的值对于应用来说是非常重要的，因为它们可能会限制应用的性能。直接预测γ最有可能导致对0.05 秒的PCM传输周期的系统预测，因为它是最小PIR和最有代表性的 值。相反，PIR概率分布可被建模。第一组特征是IAD d，即发射器 和接收器之间的距离，在它们的天线之间计算出。第二组包括发射器周围的环面内的通信车辆的数量D_n，g＝card(a_n，g)或由其组成。环面a_n，g由它们的半径差和它们的指数来限定。在G.Jornod、A.El Assaad、A.Kwoczek和T.Kürner在2019年第28届IEEE欧洲网络和 通信会议中的“Packet inter-reception time modelingfor high-density platooning in varying surrounding traffic density”中给出了这些特征的进 一步描述。在模拟中，计算了在PIR、400m半径内的车辆的总数量和 IAD之间的关系的表示。在这种情况下，当周围通信车辆的数量超过 150辆时，PIR急剧增加。总数对目标也有影响；当IAD变得大于100m 时，这种影响急剧降低。

在下文中，基于提供指数分布的参数的非线性函数的学习，提供 预测模型(其可实现结合图1a至图1d介绍的机器学习模型)。

PIR的分布可视为条件指数分布。在文献中，显示通过指数分布、 对数正态分布、威布尔分布、伽玛分布对PIR进行了很好的建模，优 选最后两种分布，其通过了90％显著性检验。因此，在下文中，PIR 可用指数分布来建模。指数分布可被看作是伽马分布的特例，其优点 是具有单个参数，即率λ＞0。其概率密度函数(PDF)表示为：

并且在图3a中示出了几个感兴趣的率λ，以及在图3b中示出了 其累积密度函数(CDF)。λ被空间预测因子参数化：

其中，x是仅具有相互作用(例如省略d²)的预测因子d和D_n，g的二 次多项式组合。这种建模允许计算训练数据的范围内预测因子的任何 组合的PIR密度。建模的目的则是利用观测数据逼近非线性函数λ(x)。 为此，使用了MLP回归器(参见图3c)。使用了基于Keras的实现，其 中使用亚当优化算法训练该模型，以负对数似然作为损失函数：

其中，Ω是包含训练数据的指数的集合。为大小的选择进行了k 倍交叉验证，并使用scikit-learn应用了隐藏层的数量(分别为n∈{1,2, 3}和m∈{100,500,1000})，k＝8。该模型的一个局限性是它没有利 用预测因子的先前值。事实上，PIR时间代表两次成功事件之间的时 间：连续分组失败的来源可能发生在两次观测之间。然而，考虑到预 测因子是移动的车辆，它们的运动足够平滑，使得模型对这种局限性 是鲁棒的。这两个python库的组合的使用使得学习策略的快速原型化 成为可能。选择MLP回归器是因为它能够捕捉在数据探索阶段期间 突出显示的非线性性。

下面提出另一种方法。在下文中，示出了使用通信节点的空间分 布进行的PIR分布的预测。以前的研究表明，PIR可用指数分布来建 模。此外，IAD和周围的通信流量密度改变通信系统的性能。在下面 的概念中，利用这两个前提来建立将预测目标的分布与节点的空间分 布的变化联系起来的模型。随后，研究了在以五卡车HDPL为特征的 全尺寸系统级车辆自组织网络(VANET)模拟中对这种关系的快速学 习。

利用ns-3的跟踪能力，收集了总共4·10⁷个传输观测值。其中， 2.5·10⁶在接收侧上具有队列成员，并且9·10⁵描述了队列内通信。这些 观测值包括观测到的PIR时间、源和目的地以及关于周围车辆的位置 的信息。图3d示出了PIR的示例性分布。PIR时间显示出重尾分布， 这激发了对其分布的进一步建模，而不是简单地预测值。实际上，PIR 值是连续传输失败的结果，这产生了高PIR值的低表示。然而，这些 较高的值对于应用来说是非常重要的，因为它们可能会限制应用的性 能。如在Jornod,El Assaad、Kwoczek和Kürner的“Prediction of Packet Inter-Reception Time for Platooning using ConditionalExponential Distribution,”in 16th Int.IEEE Symp.Wireless Commun.Sys.(ISWCS),2019,第265–270页中强调的，简单的预测最有可能导致最有代表性 的值0.05秒的系统预测。然而，车辆数量的分布不同于以前的研究。 实际上，车辆是以随机方式引入场景的。车辆随后在场景中沿着随机 路线行驶，并可能聚集，这是一种实验设计选择，旨在研究该方法对 未知或不太频繁的情况的鲁棒性。

在以前的研究中，显示出考虑IAD和周围车辆的数量之间的相互 作用的重要性。模拟了IAD和车号间隔的组合的平均PIR。观测到在 125m以上平均PIR值的急剧增加。一般来说，它也会随着周围车辆 的数量和IAD两者而增加。在80至100辆车辆之间的区域中，观测 到了较高的PIR值。该区域以及它诱导的第二梯度在以前的结果中没 有看到。实际上，在该先前的研究中，周围的车辆被限制在笔直的公 路上。在这个新的场景中，周围车辆的空间分布更急剧地变化。这种 新模式以及从原点到椭圆的顶部的第二条增加路径的出现是这种新 分布的结果。这进一步激发了该分布的建模以及非线性回归模型的使 用。

在下文中，介绍了建模策略。第一步是计算目标关键绩效指标 (KPI)，PIR时间(即服务质量)。第二步是周围通信环境的建模(即环境 模型)，其包括位置日志预处理和环境的抽象化。第三步是将这些环境 特征和我们目标(即训练数据的生成)的分布之间的关系形式化。第四 步也是最后一步是为这种关系的学习创建策略。在这个示例中，预测 目标是PIR时间。如前所述，该度量在VANET研究中越来越受到重 视。在HDPL的范围内，它衡量车辆不能依靠通信与其它车辆协调的 时间。此外，由于预测算法，现代控制系统能够应对低更新输入速率。 然而，对于不规则的输入，它们的表现较差。这种规律性被PIR分布 所捕捉。PIR是从每个源的接收器测量的两个消息的接收之间的时间 差。该KPI是针对所有接收到的信息为队列成员研究的。因为这些消 息是周期性消息，所以PIR时间是传输周期的倍数，加上或减去经历 的时延。它反映了连续丢弃消息的数量。

在下文中，介绍了环境特征。一个目标是考虑所有通信车辆(即 一个或多个活动收发器)的位置。主要挑战是输入的数量是可变的(理 论上，如果关注点不在特定范围内，该数量可从几辆车跨越到无穷大)。 此外，即使范围缩小到特定范围，大多数预测方法也需要固定大小和 有序的输入。结果，使用了用于周围通信环境信息的适当的聚集方法 (来表示环境模型)。在G.Jornod、A.El Assaad、A.Kwoczek和T.Kürner 在2019年第28届IEEE欧洲网络和通信会议(EuCNC)第187–192页 的“Packet inter-reception time modeling forhigh-density platooning in varying surrounding traffic density”中，介绍了基于环面的环境模型(即， 基于圆形网格),例如在图3a至图3d中所示。核心思想是在接收器周围的同心圆中划分空间，并计算形成的环面中存在的车辆的数量。这 些圆的半径是粒度参数r的倍数。结果，A_n，r是包含在中的车辆的数 量，该车辆是以接收器为中心的具有半径差的同心环面中的通 信车辆，是环面的指数。

利用该模型，捕获周围车辆的空间分布对信道负载的影响。环面 被定义为：

A_n，r＝card(a_n，r)

其中是周围车辆位置向量的集合，n是环面指数，r是其粒度值， 并且x_r是接收器的位置向量。环面划分设计用于高速公路使用情况和 在相对车道上车辆进入的特定场景。

在该示例中，这种建模(即环境模型)通过引入扇区划分来完善。 这种划分捕获了干扰节点的位置，尤其是相对于发射器位置，当IAD 相对较高时，发射器可能检测不到这些干扰。该空间被划分为角度α的n_s个规则扇区，这些扇区以接收器(即圆形网格的中心点)为中心，并与 接收器-发射器区段对齐。划分方法可定义为：

其中，是提供正x轴和向量x之间的角度的函数，β是产生Rx–Tx 和Rx–干扰车辆向量之间的角度的函数。是角度α＝2π/n_s的第m 个扇区内的车辆的数量。最后，引入偏移π/2，以便表示当n_s＝2时 的前/后划分，而不是左/右划分。通过结合基于环面的模型和基于扇 形的模型，获得了所谓的环面-扇区模型。其部段由环面和扇区的交点 限定。在该示例中，表示环面与扇区的交点。类似地，包 含在部段中的车辆组及其基数被定义为：

可以注意到，和在该示例中，扇区总是相 对于发射器定向，并且环面反映了干扰源的距离。当通过特征的多项 式组合的步骤与IAD组合时，该环境模型提供了解决隐藏节点问题的 可能性。这个问题可通过加权过程在目标和特征之间的关系的建模中 解决。

集合表示周围的节点位置。这被区分为两种情况：全局知识和 局部知识。在全局知识的情况下，它包含模拟中的所有节点，并且表 示为该集合可从传输日志和位置日志获得。在局部知识的情况下， 该集合被表示为并收集了接收器在最后T秒内从其接收到CAM的 节点。根据信道负载，在具有较低T值的情况下，该集合中包含的节 点的数量可急剧减少。当没有实现集体感知系统时，该缩减的集合也 反映了周围通信环境的现实知识。同样，可使用传输日志来计算该集 合。在示例的评估中，T被设置为10秒。

在该示例中，预测目标是PIR时间。在下文中，Γ表示作为随机 变量的PIR。如图3d所示，其分布是重尾的。分布的这种特征可能妨 碍旨在直接预测PIR的经典回归方法的使用。实际上，由于较低的值 比较大的值更具代表性，简单的预测将导致对更具代表性的值的系统 预测，这恰好是传输周期。相反，可预测目标值的分布，这在解决学 习方法之前增加了分布建模的步骤。在文献中，显示通过指数分布、 对数正态分布、威布尔分布、伽玛分布对PIR进行了很好的建模。

指数分布的概率密度函数(PDF)给出如下：

其优点是具有单个参数，即率λ。因此，建模任务可能是找到适 合收集的数据的合适的λ。可注意到，在没有相对时延的情况下，PIR 时间是离散变量。在M.E.Renda、G.Resta、P.Santi、F.Martelli和 A.Franchini的“IEEE 802.11p VANets:Experimentalevaluation of packet inter-reception time,”Comput.Commun.,第75卷,第26–38页,2016中，用几何分布对PIR进行建模。指数分布是这种分布的连续模 拟。它使得可以避免在收集的数据中消除相对时延的步骤。

上一小节描述了环境特征。在此之前，显示了研究周围车辆数量 和IAD的影响及其相互作用的前提。结果表明，车辆的数量和IAD 共同影响CAM信息的平均PIR。一方面，基于接收器周围的车辆数 量，另一方面，基于IAD，计算条件CDF。第一个观测结果是所有提供的CDF都类似于指数分布的CDF。第二个观测结果是，该率λ随着 车辆的数量n_v和IADd的变化而变化。当结合两个环面划分的间隔(n_v，1和n_v，1)时，该率也不同，这显示了周围节点的空间分布的影响。这促 进了λ与环境特征的参数化。建议将λ作为空间分布特征和IAD的多项式组合的函数：

其中，x是仅具有相互作用(例如省略d²)的二次多项式组合。因此， 剩余的步骤是逼近函数λ(x)，使得Γ～Exp(λ(x))。这个过程被称为条件 密度估计(CDE)。

在下文中，显示了一种学习方法(例如，用于训练机器学习模型)。 目标可能是提供一种灵活的方法，该方法实现对PIR分布的快速学习。 非线性函数λ(x)可用多层感知机(MLP)逼近。Keras的界面可被充分利 用并与scikit-learn结合用于超参数优化。然后，通过交叉验证的网格 搜索自动进行隐藏层的数量n_h和层内节点的数量n_n的选择。该模型(即，机器学习模型)使用亚当优化算法训练，以负对数似然作为损失 函数：

其中Ω₁是训练数据的集合。MLP被输入特征的多项式组合(即基 于环境模型的多项式组合)，并输出率λ(其可用于确定服务质量的概率 分布)。图3c示出了基于环面的环境模型的这个过程。学习模型具有 三个参数：学习率LR、隐藏层的数量n_h和每层中的神经元的数量n_n。 例如，可假设在每层中具有相同数量的神经元。环面-扇区模型的性能 可根据参数r和n_s进行比较。这通过使用MLP回归器对由队列成员在 前30分钟内收集的数据(即多个环境模型和相应的服务质量)进行。k 倍交叉验证策略用于训练集和测试集之间的分割。该策略应用于每个 评估的模型，并被报告为平均性能。该模型选择步骤还可包括三个学习参数(学习率、层的大小和数量)。报告了r和n_s的每个组合的最佳性 能模型。然后，在总的模拟持续时间内使用该最佳性能模型。MLP回 归器是用由训练队列成员收集的数据迭代地训练的。在这个训练过程 中，每次迭代都更新回归器的权重。根据测试数据评估模型的性能， 测试数据包括由剩余卡车在模拟持续时间内收集的所有观测结果。上 面给出的对数似然被用作MLP模型的训练的损失函数。

评估发现，性能最佳的环面-扇区模型参数对于全局范围为r＝30、 n_s＝8LR＝0.0001、n_n＝1000和n_h＝9，对于局部范围为r＝60、n_s＝4， LR＝0.0001、n_n＝500和n_h＝10。评估了以下值：r＝n30m，其中 n∈{1，2，3，4，6，13}、n_s∈{1，2，4，8}、LR＝{0.1，0.01，0.001，0.0001}、 n_n＝{50，100，500，1000}并且n_h＝{2，3，...，10}。

使用先前模型比较的结果，在整个模拟期间以在线方式训练所选 择的模型。每次训练节点接收到传输时，都会更新拟合的模型。对两 个数据集执行该模型的性能：(i)直到感兴趣节点的接收时间为止所收 集的数据，其为训练集的子集；(ii)以及由其它队列成员收集的全部数 据。

评估显示，即使在收敛后，模型也可继续学习，以提高其鲁棒性。

该概念的更多细节和方面结合所提出的概念或上面或下面描述 的一个或多个示例(例如，图1a至图2)来提及。该概念可包括对应于 所提出的概念的一个或多个方面或上面或下面描述的一个或多个示 例的一个或多个附加任选特征。

如已经提到的，在实施例中，相应的方法可实现为计算机程序或 代码，其可在相应的硬件上执行。因此，另一个实施例是具有程序代 码的计算机程序，当该计算机程序在计算机、处理器或可编程硬件部 件上执行时，该程序代码用于执行上述方法中的至少一种。另一个实 施例是存储指令的计算机可读存储介质，当被计算机、处理器或可编 程硬件部件执行时，该指令导致计算机实现本文描述的方法中的一 种。

本领域技术人员将容易认识到，上述各种方法的步骤可由编程的 计算机来执行，例如，可确定或计算时隙的位置。这里，一些实施例 还旨在覆盖程序存储设备，例如数字数据存储介质，其是机器或计算 机可读的，并且对机器可执行或计算机可执行的指令程序进行编码， 其中所述指令执行本文描述的方法的一些或所有步骤。程序存储设备 可为例如数字存储器、诸如磁盘和磁带的磁存储介质、硬盘驱动器或 光学可读数字数据存储介质。实施例还旨在覆盖被编程为执行本文描 述的方法的所述步骤的计算机或被编程为执行上述方法的所述步骤 的(现场)可编程逻辑阵列((F)PLA)或(现场)可编程门阵列((F)PGA)。

说明书和附图仅仅说明了本发明的原理。因此，应当理解，本领 域的技术人员将能够设计各种布置，尽管在本文中没有明确描述或示 出，但是这些布置体现了本发明的原理，并且包括在其精神和范围内。 此外，本文叙述的所有示例主要旨在明确地仅用于教学目的，以帮助 读者理解本发明的原理和发明人为推进本领域所贡献的概念，并且被 解释为不限于这些具体叙述的示例和条件。此外，本文叙述本发明的 原理、方面和实施例的所有陈述以及其具体示例旨在包含其等同物。

当由处理器提供时，功能可由单个专用处理器、单个共享处理器 或多个单独的处理器提供，其中一些处理器可为共享的。此外，术语 “处理器”或“控制器”的明确使用不应被解释为专门指能够执行软件的 硬件，并且可隐含地包括但不限于数字信号处理器(DSP)硬件、网络 处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、用于存储 软件的只读存储器(ROM)、随机存取存储器(RAM)和非易失性存储。 也可包括其它常规的或定制的硬件。它们的功能可通过程序逻辑的操 作、通过专用逻辑、通过程序控制和专用逻辑的交互、或者甚至手动 地实现，具体技术能够由实现者在根据上下文更具体地理解时选择。

本领域技术人员应该理解，本文的任何框图都代表体现本发明的 原理的说明性电路的概念图。类似地，应当理解，任何流程表单、流 程图、状态转换图、伪代码等表示各种过程，这些过程可基本上在计 算机可读介质中表示，并且如此由计算机或处理器执行，无论是否明 确示出了这样的计算机或处理器。

此外，所附权利要求书由此被结合到详细描述中，其中每项权利 要求可作为单独的实施例独立存在。虽然每项权利要求可作为单独的 实施例独立存在，但是应当注意，尽管从属权利要求在权利要求书中 可指与一个或多个其它权利要求的特定组合，但是其它实施例也可包 括该从属权利要求与每个其它从属权利要求的主题的组合。除非声明 特定的组合不是意图的，否则本文建议这样的组合。此外，还旨在将 权利要求的特征包括到任何其它独立权利要求，即使该权利要求不直 接从属于独立权利要求。

还应当注意，说明书或权利要求书中公开的方法可由具有用于执 行这些方法的每个相应步骤的装置的设备来实现。

附图标记列表

10 装置

12 一个或多个接口

14 控制模块

100 移动收发器

102 另一个移动收发器

104 一个或多个活动收发器

110 确定多个环境模型

120 确定预测的未来环境模型

120 执行时间序列预测

130 预测未来的服务质量

135 使用预测的未来环境模型作为机器学习模型的输入

140 确定服务质量

145 训练机器学习模型