[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

WO2024032694A1 - Csi预测处理方法、装置、通信设备及可读存储介质 - Google Patents

Csi预测处理方法、装置、通信设备及可读存储介质 Download PDF

Info

Publication number
WO2024032694A1
WO2024032694A1 PCT/CN2023/112141 CN2023112141W WO2024032694A1 WO 2024032694 A1 WO2024032694 A1 WO 2024032694A1 CN 2023112141 W CN2023112141 W CN 2023112141W WO 2024032694 A1 WO2024032694 A1 WO 2024032694A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
model
csi
channel
prediction
Prior art date
Application number
PCT/CN2023/112141
Other languages
English (en)
French (fr)
Inventor
孙布勒
Original Assignee
维沃移动通信有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 维沃移动通信有限公司 filed Critical 维沃移动通信有限公司
Publication of WO2024032694A1 publication Critical patent/WO2024032694A1/zh

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3913—Predictive models, e.g. based on neural network models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic

Definitions

  • the present application belongs to the field of communication technology, and specifically relates to a CSI prediction processing method, device, communication equipment and readable storage medium.
  • Channel state information can describe the current channel environment.
  • the base station transmits channel state information-reference signal (CSI-RS), and the terminal evaluates the channel state information and provides quantitative feedback.
  • CSI Channel State Information
  • the base station can make timely adjustments when sending the channel state information reference signal, thereby reducing the bit error rate at the terminal and obtaining the optimal received signal.
  • channel prediction can be used to make up for the delay between channel measurement and actual scheduling operations to improve throughput. How to obtain relevant information about channel prediction is an urgent problem to be solved.
  • Embodiments of the present application provide a CSI prediction processing method, device, communication equipment and readable storage medium, which can solve the problem of obtaining relevant information of channel prediction.
  • the first aspect provides a CSI prediction processing method, including:
  • the first device sends the first information to the second device
  • the first information includes at least one of the following:
  • the second information includes a comparison result between the channel information at the historical moment and the target channel information or target channel characteristics, and the second information is used to determine parameters and/or models for CSI prediction;
  • a CSI prediction processing method including:
  • the second device receives the first information from the first device
  • the first information includes at least one of the following:
  • the second information includes a comparison result between the channel information at the historical moment and the target channel information or target channel characteristics, and the second information is used to determine parameters and/or models for CSI prediction;
  • a CSI prediction processing device including:
  • the first sending module is used to send the first information to the second device
  • the first information includes at least one of the following: second information, the second information includes a comparison result of channel information at a historical moment and target channel information or target channel characteristics, and the second information is used to determine the Parameters and/or models for CSI prediction; parameters for CSI prediction; and an identifier of the first AI model used for CSI prediction.
  • a CSI prediction processing device including:
  • a second receiving module configured to receive the first information from the first device
  • the first information includes at least one of the following: second information, the second information includes a comparison result of channel information at a historical moment and target channel information or target channel characteristics, and the second information is used to determine the Parameters and/or models for CSI prediction; parameters for CSI prediction; and an identifier of the first AI model used for CSI prediction.
  • a communication device including: a processor, a memory, and a program or instruction stored on the memory and executable on the processor.
  • the program or instruction is executed by the processor Implement the steps of the method described in the first aspect or the second aspect.
  • a readable storage medium In a sixth aspect, a readable storage medium is provided. Programs or instructions are stored on the readable storage medium. When the programs or instructions are executed by a processor, the steps of the method described in the first or second aspect are implemented. .
  • a chip in a seventh aspect, includes a processor and a communication interface.
  • the communication interface is coupled to the processor.
  • the processor is used to run programs or instructions to implement the first aspect or the second aspect. the steps of the method described.
  • a computer program/program product is provided, the computer program/program product is stored in a non-transitory storage medium, and the program/program product is executed by at least one processor to implement the first aspect or the steps of the method described in the second aspect.
  • a ninth aspect provides a communication system.
  • the communication system includes a first device and a second device.
  • the first device is used to perform the steps of the method described in the first aspect.
  • the second device is used to perform The steps of the method as described in the second aspect.
  • the first device can send the first information to the second device, and the second device can determine the CSI prediction model or CSI prediction parameters based on the first information.
  • the first device can also provide applicable information without performing prediction verification. Based on the CSI prediction model or CSI prediction parameters of the actual channel, the overhead of model adjustment or model search is reduced by determining the CSI prediction parameters or CSI prediction model in advance.
  • Figure 1 is a schematic diagram of a neural network
  • Figure 2 is a schematic diagram of a neuron
  • Figure 3 is a schematic diagram of AI-based CSI prediction
  • Figure 4 is a schematic diagram of the performance of predicting different future moments
  • Figure 5 is a schematic diagram of predicting the performance of +5ms in the future using different amounts of historical CSI
  • Figure 6 is a schematic architectural diagram of a wireless communication system according to an embodiment of the present application.
  • Figure 7 is one of the flow charts of the CSI prediction processing method provided by the embodiment of the present application.
  • Figure 8 is the second flow chart of the CSI prediction processing method provided by the embodiment of the present application.
  • Figure 9 is the third flowchart of the CSI prediction processing method provided by the embodiment of the present application.
  • Figure 10 is one of the schematic diagrams of the CSI prediction processing device provided by the embodiment of the present application.
  • Figure 11 is a second schematic diagram of a CSI prediction processing device provided by an embodiment of the present application.
  • Figure 12 is a schematic diagram of a terminal provided by an embodiment of the present application.
  • Figure 13 is a schematic diagram of a network side device provided by an embodiment of the present application.
  • Figure 14 is a schematic diagram of a communication device provided by an embodiment of the present application.
  • first, second, etc. in the description and claims of this application are used to distinguish similar objects and are not used to describe a specific order or sequence. It is to be understood that the terms so used are interchangeable under appropriate circumstances so that the embodiments of the present application can be practiced in sequences other than those illustrated or described herein, and that "first" and “second” are distinguished objects It is usually one type, and the number of objects is not limited.
  • the first object can be one or multiple.
  • “and/or” in the description and claims indicates at least one of the connected objects, and the character “/" generally indicates that the related objects are in an "or” relationship.
  • LTE Long Term Evolution
  • LTE-Advanced, LTE-A Long Term Evolution
  • LTE-A Long Term Evolution
  • CDMA Code Division Multiple Access
  • TDMA Time Division Multiple Access
  • FDMA Frequency Division Multiple Access
  • OFDMA Orthogonal Frequency Division Multiple Access
  • SC-FDMA Single-carrier Frequency Division Multiple Access
  • NR New Radio
  • AI Artificial Intelligence
  • neural networks such as neural networks, decision trees, support vector machines, Bayesian classifiers, etc.
  • This application takes a neural network as an example for explanation, but does not limit the specific type of AI module.
  • the structure of the neural network is shown in Figure 1.
  • the neural network is composed of neurons, and the schematic diagram of neurons is shown in Figure 2.
  • a 1 , a 2 ,...a K is the input
  • w is the weight (multiplicative coefficient)
  • b is the bias (additive coefficient)
  • ⁇ (.) is the activation function
  • z a 1 w 1 +...+ a k w k +...+a K w K +b.
  • Common activation functions include Sigmoid function, tanh function, Rectified Linear Unit (ReLU), etc.
  • the parameters of neural networks can be optimized through optimization algorithms.
  • An optimization algorithm is a type of algorithm that can minimize or maximize an objective function (sometimes also called a loss function).
  • the objective function is often a mathematical combination of model parameters and data. For example, given data X and its corresponding label Y, construct a neural network model f(.). With the model, the predicted output f(x) can be obtained based on the input The difference between (f(x)-Y), this is the loss function. If the appropriate W and b are found to minimize the value of the above loss function, the smaller the loss value, the closer the model is to the real situation.
  • BP error Back Propagation
  • the basic idea of BP algorithm is that the learning process consists of two processes: forward propagation of signals and back propagation of errors.
  • the input sample is passed in from the input layer, processed layer by layer by each hidden layer, and then transmitted to the output layer. If the actual output of the output layer does not match the expected output, it will enter the error backpropagation stage.
  • Error backpropagation is to backpropagate the output error in some form to the input layer layer by layer through the hidden layer, and distribute the error to all units in each layer, thereby obtaining the error signal of each layer unit, and this error signal is used as a correction for each unit The basis for the weight.
  • This process of adjusting the weights of each layer in forward signal propagation and error back propagation is carried out over and over again.
  • the process of continuous adjustment of weights is the learning and training process of the network. This process continues until the error of the network output is reduced to an acceptable level, or until a preset number of learning times.
  • the AI algorithm selected and the model used are also different.
  • the main method to use AI to improve the network performance of the fifth generation mobile communication technology is to enhance or replace existing algorithms or processing modules through neural network-based algorithms and models.
  • neural network-based algorithms and models can achieve better performance than deterministic-based algorithms.
  • the more commonly used neural networks include deep neural networks, convolutional neural networks, and recurrent neural networks. With the help of existing AI tools, the construction, training and verification of neural networks can be achieved.
  • CSI channel state information
  • Figure 5 depicts the performance of using different numbers of historical CSI to predict the future +5ms. It can be seen that as the number of historical CSI increases, the prediction accuracy will also increase. However, more historical CSI numbers mean higher complexity and cache overhead, so the number of historical CSIs cannot be increased blindly.
  • channel prediction can be used to compensate for the delay between channel measurement and actual scheduling operations to improve throughput.
  • the accuracy of CSI prediction has a great relationship with the prediction parameters.
  • different prediction models need to be used for different channels.
  • the node that performs prediction does not necessarily store all models, but dynamically requests new prediction models based on actual needs. Even if the prediction node stores a prediction model suitable for the current channel, the overhead of model adjustment or model search can be reduced by estimating prediction parameters or prediction models in advance.
  • FIG. 6 shows a block diagram of a wireless communication system to which embodiments of the present application are applicable.
  • the wireless communication system includes a terminal 61 and a network side device 62.
  • the wireless communication system can be a communication system with wireless AI functions such as 5G-Advanced or 6G.
  • the terminal 61 can be a mobile phone, a tablet computer (Tablet Personal Computer), a laptop computer (Laptop Computer), or a notebook computer, a personal digital assistant (Personal Digital Assistant, PDA), a handheld computer, a netbook, or a super mobile personal computer.
  • Tablet Personal Computer Tablet Personal Computer
  • laptop computer laptop computer
  • PDA Personal Digital Assistant
  • the terminal involved in this application can also be a chip within the terminal, such as a modem chip or a system on chip (SoC). It should be noted that the specific type of terminal 61 is not limited in the embodiment of this application.
  • the network side device 62 may include an access network device or a core network device, where the access network device may also be called a radio access network device, a radio access network (Radio Access Network, RAN), a radio access network function or a wireless access network unit.
  • Access network equipment may include a base station, a Wireless Local Area Network (WLAN) access point or a WiFi node, etc.
  • WLAN Wireless Local Area Network
  • the base station may be called a Node B, an Evolved Node B (eNB), an access point, a base transceiver station ( Base Transceiver Station (BTS), radio base station, radio transceiver, Basic Service Set (BSS), Extended Service Set (ESS), home B-node, home evolved B-node, transmitting and receiving point ( Transmitting Receiving Point (TRP) or some other appropriate terminology in the field, as long as the same technical effect is achieved, the base station is not limited to specific technical terms. It should be noted that in the embodiment of this application, only in the NR system The base station is introduced as an example, and the specific type of base station is not limited.
  • Core network equipment may include but is not limited to at least one of the following: core network nodes, core network functions, mobility management entities (Mobility Management Entity, MME), access and mobility management functions (Access and Mobility Management Function, AMF), session management Function (Session Management Function, SMF), User Plane Function (UPF), Policy Control Function (PCF), Policy and Charging Rules Function (PCRF), Edge Application Service Discovery Function (Edge Application Server Discovery Function, EASDF), Unified Data Management (UDM), Unified Data Repository (UDR), Home Subscriber Server (HSS), centralized network configuration (Centralized network configuration, CNC), network storage function (Network Repository Function, NRF), network opening function (Network Exposure Function, NEF), local NEF (Local NEF, or L-NEF), binding support function (Binding Support Function) , BSF), application function (Application Function, AF), etc.
  • MME mobility management entities
  • AMF Access and Mobility Management Function
  • SMF Session Management Function
  • UPF User Plane Function
  • the AI model involved in the embodiment of this application may also be called an ML model.
  • this embodiment of the present application provides a CSI prediction processing method. Specific steps include: step 701.
  • Step 701 The first device sends the first information to the second device;
  • the first information can assist the second device in performing CSI prediction, that is, the second device can determine a model for CSI prediction or parameters for CSI prediction based on the first information.
  • the first device may include a communication device with wireless AI functionality.
  • the first information includes at least one of the following:
  • Second information which includes a comparison result between channel information representing a historical moment and target channel information or target channel characteristics.
  • the second information is used to determine parameters and/or models for CSI prediction.
  • the channel information at the historical moment can be called historical CSI, and the historical moment is used to represent the moment corresponding to the historical CSI.
  • multiple historical CSIs include: CSI t_K ,..., CSI t_1 , CSI t 0 , the corresponding historical moments are t _K , t _1 , and t 0 before the current moment respectively.
  • the error, mean square error, normalized mean square error or cosine similarity between the channel information at the historical moment and the target channel information or target channel characteristics is calculated to obtain a comparison result.
  • the comparison result can be Expressed by a score, the higher the score, the more similar the channel information at the historical moment is to the target channel information or target channel characteristics.
  • the above target channel information may also be called typical channel information, and the target channel characteristics may also be called typical channel characteristics.
  • the first device can determine the parameters for CSI prediction based on the second information, that is, determine the prediction parameters based on the comparison result of the channel information at the historical moment and the target channel information or target channel characteristics, without making predictions.
  • prediction parameters suitable for the actual channel can also be given, and the cost of AI model adjustment or AI model search can be reduced by determining the prediction parameters in advance.
  • the first device may determine the identity of the first AI model based on the second information. Specifically, the first device selects the first AI model that matches the current environment based on the second information, and sends the first AI model to the second device.
  • the identification of the AI model that is, the first AI model can be determined based on the comparison result between the channel information at the historical moment and the target channel information or target channel characteristics.
  • the first AI suitable for the actual channel can be given without prediction verification. model, by determining the first AI model in advance to reduce the cost of AI model adjustment or AI model search.
  • the method further includes:
  • the first device receives third information from the second device
  • the third information includes at least one of the following: (1) a second AI model, the second AI model is used for CSI prediction; (2) an identification of the second AI model.
  • the first device receives the third information sent by the second device according to the first information, and the third information carries relevant information of the second AI model suggested by the second device, so that the first device and the second device can Synchronize the second AI model.
  • the first device may perform CSI prediction through the second AI model.
  • the first AI model and the second AI model are the same model, or the first AI model and the second AI model are not the same model.
  • the method further includes:
  • the first device obtains the first information based on the third AI model.
  • the input of the third AI model includes at least one of the following: channel information of N historical moments, the target channel information or target channel characteristics, where N is an integer greater than or equal to 1.
  • the input of the third AI model includes channel information of at least one historical moment
  • the input of the third AI model may also include target channel information or channel characteristics corresponding to the second AI model or parameters used for CSI prediction.
  • the third AI model includes a model for channel comparison and/or a model for obtaining parameters for CSI prediction.
  • the model includes at least one of the following:
  • Siamese networks based on binary cross-entropy, contrast function or triplet loss
  • the first AI model has a first corresponding relationship with at least one of the target channel information or target channel characteristics.
  • each first AI model has a corresponding target channel information or target channel characteristics, that is, the corresponding first AI model can be determined based on the target channel information or target channel.
  • the parameters used for CSI prediction are related to at least one target channel information or target The corresponding channel characteristics have a second corresponding relationship.
  • corresponding parameters for CSI prediction may be determined.
  • the first corresponding relationship or the second corresponding relationship is agreed upon in a protocol, configured by the first device, or negotiated between the first device and the second device. determined, or configured by the second device to the first device.
  • the first corresponding relationship or the second corresponding relationship may be predefined by a protocol, or may be interactively negotiated by the first device and the second device through signaling.
  • the parameters used for CSI prediction include at least one of the following:
  • the prediction time information is used to represent the time position to be measured, such as 1 ms in the future, 2 ms in the future, etc., or 1 time slot in the future, 2 slots in the future, etc.
  • the CSI interval is used to represent the interval between multiple predicted historical CSIs.
  • the above-mentioned CSI interval may also be called a CSI period.
  • the number of CSIs is used to represent the number of predicted multiple historical CSIs.
  • the CSI window length is used to represent the time domain length occupied by multiple predicted historical CSIs.
  • the predicted frequency domain information may include: at least one of the number of Physical Resource Blocks (PRBs, PRBs), PRB positions, subband numbers, subband positions, etc.
  • PRBs Physical Resource Blocks
  • PRBs Physical Resource Blocks
  • subband numbers subband positions, etc.
  • the predicted airspace information may include: at least one of the number of antennas, the number of ports, the number of beams, etc.
  • the first information and/or the third information are carried in at least one of the following signaling or information:
  • PUSCH Physical Uplink Shared Channel
  • the first device is a terminal
  • the second device is a network-side device.
  • the first information and/or the third information are carried in at least one of the following signaling or information:
  • DCI Downlink Control Information
  • SIB System Information Block
  • the first device is a network-side device
  • the second device is a terminal
  • the first information and/or the third information are carried in at least one of the following signaling or information:
  • PSCCH Physical Sidelink Control Channel
  • PSSCH Physical Sidelink Shared Channel
  • PSBCH Physical Sidelink Broadcast Channel
  • PSDCH Physical Sidelink Discovery Channel
  • the first device is a first terminal
  • the second device is a second terminal
  • the first information and/or the third information are carried in at least one of the following signaling:
  • X2 interface signaling For example, X2 interface signaling.
  • the first device is a first network side device
  • the second device is a second network side device.
  • the first device can send the first information to the second device, and the second device can determine the CSI prediction model or CSI prediction parameters based on the first information.
  • the first device can provide The CSI prediction model or CSI prediction parameters suitable for the actual channel can reduce the cost of AI model adjustment or AI model search by determining the CSI prediction parameters or CSI prediction model in advance.
  • an embodiment of the present application provides a CSI prediction processing method, which is applied to a second device.
  • the second device may include a communication device with a wireless AI function. Specific steps include: step 801.
  • Step 801 The second device receives the first information from the first device
  • the first information includes at least one of the following: (1) Second information, the second information includes historical moments The comparison result between the channel information and the target channel information or target channel characteristics, the second information is used to determine the parameters and/or models used for CSI prediction; (2) the parameters used for CSI prediction; (3) the first Identification of the AI model, the first AI model is used for CSI prediction.
  • the method further includes:
  • the second device sends third information to the first device
  • the third information includes at least one of the following: (1) a second AI model, the second AI model is used for CSI prediction; (2) an identification of the second AI model.
  • the first AI model and the second AI model are the same model, or the first AI model and the second AI model are not the same model.
  • the first information is obtained by the first device according to the third AI model.
  • the input of the third AI model includes at least one of the following: channel information of N historical moments, the target channel information or target channel characteristics, where N is an integer greater than or equal to 1.
  • the first AI model includes a model for channel comparison and/or a model for obtaining parameters for CSI prediction.
  • the model includes at least one of the following: twin network, comparative learning network, prototype network, and relationship network.
  • the first AI model has a first corresponding relationship with at least one of the target channel information or target channel characteristics.
  • the parameter used for CSI prediction has a second corresponding relationship with at least one target channel information or target channel feature.
  • the first corresponding relationship or the second corresponding relationship is agreed upon in a protocol, configured by the first device, or negotiated between the first device and the second device. determined, or configured by the second device to the first device.
  • the parameters used for CSI prediction include at least one of the following:
  • the first information and/or the third information are carried in at least one of the following signaling or information:
  • the first device is a terminal
  • the second device is a network-side device.
  • the first information and/or the third information are carried in at least one of the following signaling or information:
  • the first device is a network-side device
  • the second device is a terminal
  • the first information and/or the third information are carried in at least one of the following signaling or information:
  • the first device is a first terminal
  • the second device is a second terminal
  • the first information and/or the third information are carried in at least one of the following signaling:
  • the first device is a first network side device
  • the second device is a second network side device.
  • the second device can determine the CSI prediction model or CSI prediction parameters based on the first information from the first device, so that the first device can give CSI predictions suitable for the actual channel without performing prediction verification.
  • Model or CSI prediction parameters reduce the cost of AI model adjustment or AI model search by determining CSI prediction parameters or CSI prediction model in advance.
  • Step 1 The first device compares the channel information at the historical moment with the target channel information or target channel characteristics through the third AI model, and obtains the comparison result;
  • Step 2 The first device sends the first information to the second device according to the comparison result
  • Step 3 The second device determines the second AI model based on the first information
  • Step 4 The second device sends third information to the first device, where the third information carries relevant information of the second AI model;
  • Step 5 The first device performs CSI prediction according to the second AI model.
  • the first device can send the first information to the second device, and the second device can determine the CSI prediction model or CSI prediction parameters based on the first information.
  • the first device can also provide applicable information without performing prediction verification.
  • the overhead of AI model adjustment or AI model search can be reduced by determining the CSI prediction parameters or CSI prediction model in advance.
  • an embodiment of the present application provides a CSI prediction processing device, which is applied to a first device.
  • the first device may include a communication device with a wireless AI function.
  • the device 1000 includes:
  • the first sending module 1001 is used to send the first information to the second device;
  • the first information includes at least one of the following:
  • the second information includes a comparison result between the channel information at a historical moment and the target channel information or target channel characteristics, and the second information is used to determine parameters and/or models for CSI prediction;
  • the above target channel information may also be called typical channel information, and the target channel characteristics may also be called typical channel characteristics.
  • the device further includes:
  • a first receiving module configured to receive third information from the second device
  • the third information includes at least one of the following: (1) a second AI model, the second AI model is used for CSI prediction; (2) an identification of the second AI model.
  • the first AI model and the second AI model are the same model, or the first AI model and the second AI model are not the same model.
  • the device further includes:
  • a processing module configured to obtain the first information according to the third AI model.
  • the input of the third AI model includes at least one of the following: channel information of N historical moments, the target channel information or target channel characteristics, where N is an integer greater than or equal to 1.
  • the third AI model includes a model for channel comparison and/or a model for obtaining the parameters for CSI prediction.
  • the model includes at least one of the following: twin network, contrastive learning network, matching network, prototype network, and relationship network.
  • the first AI model has a first corresponding relationship with at least one of the target channel information or target channel characteristics.
  • the parameter used for CSI prediction has a second corresponding relationship with at least one target channel information or target channel feature.
  • the first corresponding relationship or the second corresponding relationship is agreed upon in a protocol, configured by the first device, or negotiated between the first device and the second device. determined, or configured by the second device to the first device.
  • the parameters used for CSI prediction include at least one of the following:
  • the first information and/or the third information are carried in at least one of the following signaling or information:
  • the first device is a terminal
  • the second device is a network-side device.
  • the first information and/or the third information are carried in at least one of the following signaling or information:
  • the first device is a network-side device
  • the second device is a terminal
  • the first information and/or the third information are carried in at least one of the following signaling or information:
  • the first device is a first terminal
  • the second device is a second terminal
  • the first information and/or the third information are carried in at least one of the following signaling:
  • the first device is a first network side device
  • the second device is a second network side device.
  • the device provided by the embodiment of the present application can implement each process implemented by the method embodiment in Figure 7 and achieve the same technical effect. To avoid duplication, the details will not be described here.
  • an embodiment of the present application provides a CSI prediction processing device, which is applied to a second device.
  • the second device includes a communication device with a wireless AI function.
  • the device 1100 includes:
  • the second receiving module 1101 is used to receive the first information from the first device
  • the first information includes at least one of the following: (1) Second information, the second information includes a comparison result of channel information at a historical moment and target channel information or target channel characteristics, and the second information is To determine parameters and/or models used for CSI prediction; (2) parameters used for CSI prediction; (3) identification of the first AI model used for CSI prediction.
  • the device further includes:
  • a second sending module configured to send third information to the first device
  • the third information includes at least one of the following: (1) a second AI model, the second AI model is used for CSI prediction; (2) an identification of the second AI model.
  • the first AI model and the second AI model are the same model, or Or the first AI model and the second AI model are not the same model.
  • the first information is obtained by the first device according to the third AI model.
  • the input of the third AI model includes at least one of the following: channel information of N historical moments, the target channel information or target channel characteristics, where N is an integer greater than or equal to 1.
  • the first AI model includes a model for channel comparison and/or a model for obtaining parameters for CSI prediction.
  • the model includes at least one of the following: twin network, comparative learning network, prototype network, and relationship network.
  • the first AI model has a first corresponding relationship with at least one of the target channel information or target channel characteristics.
  • the parameter used for CSI prediction has a second corresponding relationship with at least one target channel information or target channel feature.
  • the first corresponding relationship or the second corresponding relationship is agreed upon in a protocol, configured by the first device, or negotiated between the first device and the second device. determined, or configured by the second device to the first device.
  • the parameters used for CSI prediction include at least one of the following:
  • the first information and/or the third information are carried in at least one of the following signaling or information:
  • the first device is a terminal
  • the second device is a network-side device.
  • the first information and/or the third information are carried in at least one of the following signaling or information:
  • the first device is a network-side device
  • the second device is a terminal
  • the first information and/or the third information are carried in at least one of the following signaling or information:
  • the first device is a first terminal
  • the second device is a second terminal
  • the first information and/or the third information are carried in at least one of the following signaling:
  • the first device is a first network side device
  • the second device is a second network side device.
  • the device provided by the embodiment of the present application can implement each process implemented by the method embodiment in Figure 8 and achieve the same technical effect. To avoid duplication, the details will not be described here.
  • FIG 12 is a schematic diagram of the hardware structure of a terminal that implements an embodiment of the present application.
  • the terminal 1200 includes but is not limited to: a radio frequency unit 1201, a network module 1202, an audio output unit 1203, an input unit 1204, a sensor 1205, a display unit 1206, a user input unit 1207, an interface unit 1208, a memory 1209, a processor 1220, etc. At least some parts.
  • the terminal 1200 may also include a power supply (such as a battery) that supplies power to various components.
  • the power supply may be logically connected to the processor 1220 through a power management system, thereby managing charging, discharging, and power consumption through the power management system. Management and other functions.
  • the terminal structure shown in Figure 12 does not constitute a limitation on the terminal.
  • the terminal may include more or fewer components than shown in the figure, or combine certain components, or arrange different components, which will not be discussed here. Repeat.
  • the input unit 1204 may include a graphics processing unit (Graphics Processing Unit, GPU) 12041 and a microphone 12042.
  • the graphics processor 12041 is responsible for the image capture device (GPU) in the video capture mode or the image capture mode. Process the image data of still pictures or videos obtained by cameras (such as cameras).
  • the display unit 1206 may include a display panel 12061, which may be configured in the form of a liquid crystal display, an organic light emitting diode, or the like.
  • the user input unit 1207 includes at least one of a touch panel 12071 and other input devices 12072 .
  • Touch panel 12071 also known as touch screen.
  • the touch panel 12071 may include two parts: a touch detection device and a touch controller.
  • Other input devices 12072 may include but are not limited to physical keyboards, function keys (such as volume control keys, switch keys, etc.), trackballs, mice, and joysticks, which will not be described again here.
  • the radio frequency unit 1201 after receiving downlink data from the network side device, the radio frequency unit 1201 can transmit it to the processor 1220 for processing; in addition, the radio frequency unit 1201 can send uplink data to the network side device.
  • the radio frequency unit 1201 includes, but is not limited to, an antenna, amplifier, transceiver, coupler, low noise amplifier, duplexer, etc.
  • Memory 1209 may be used to store software programs or instructions as well as various data.
  • the memory 1209 may mainly include a first storage area for storing programs or instructions and a second storage area for storing data, wherein the first storage area may store an operating system, an application program or instructions required for at least one function (such as a sound playback function, Image playback function, etc.) etc.
  • memory 1209 may include volatile memory or nonvolatile memory, or memory 1209 may include both volatile and nonvolatile memory.
  • non-volatile memory can be read-only memory (Read-Only Memory, ROM), programmable read-only memory (Programmable ROM, PROM), erasable programmable read-only memory (Erasable PROM, EPROM), electrically removable memory.
  • Volatile memory can be random access memory (Random Access Memory, RAM), static random access memory (Static RAM, SRAM), dynamic random access memory (Dynamic RAM, DRAM), synchronous dynamic random access memory (Synchronous DRAM, SDRAM), double data rate synchronous dynamic random access memory (Double Data Rate SDRAM, DDRSDRAM), enhanced synchronous dynamic random access memory (Enhanced SDRAM, ESDRAM), synchronous link dynamic random access memory (Synch link DRAM) , SLDRAM) and direct memory bus random access memory (Direct Rambus RAM, DRRAM).
  • RAM Random Access Memory
  • SRAM static random access memory
  • DRAM dynamic random access memory
  • synchronous dynamic random access memory Synchronous DRAM, SDRAM
  • Double data rate synchronous dynamic random access memory Double Data Rate SDRAM, DDRSDRAM
  • Enhanced SDRAM, ESDRAM synchronous link dynamic random access memory
  • Synch link DRAM synchronous link dynamic random access memory
  • SLDRAM direct memory bus random access memory
  • the processor 1220 may include one or more processing units; optionally, the processor 1220 integrates an application processor and a modem processor, where the application processor mainly handles operations related to the operating system, user interface, application programs, etc., Modem processors mainly process wireless communication signals, such as baseband processors. It can be understood that the above modem processor may not be integrated into the processor 1220.
  • the terminal provided by the embodiment of the present application can implement each process implemented by the method embodiment of Figure 7 or Figure 8 and achieve the same technical effect. To avoid duplication, details will not be described here.
  • Figure 13 is a structural diagram of a communication device applied in an embodiment of the present invention.
  • the communication device 1300 includes: a processor 1301, a transceiver 1302, a memory 1303 and a bus interface.
  • the processor 501 May be responsible for managing the bus architecture and general processing.
  • Memory 1303 may store information generated by processor 1301 when performing operations. Data used.
  • the communication device 1300 further includes: a program stored in the memory 1203 and executable on the processor 1301. When the program is executed by the processor 1301, the steps in the method shown in Figure 7 or Figure 8 are implemented. .
  • the bus architecture may include any number of interconnected buses and bridges, specifically linked together by various circuits of one or more processors represented by processor 1301 and memory represented by memory 1303.
  • the bus architecture can also link together various other circuits such as peripherals, voltage regulators, and power management circuits, which are all well known in the art and therefore will not be described further herein.
  • the bus interface provides the interface.
  • Transceiver 1302 may be a plurality of elements, including a transmitter and a receiver, providing a unit for communicating with various other devices over a transmission medium.
  • this embodiment of the present application also provides a communication device 1400, which includes a processor 1401 and a memory 1402.
  • the memory 1402 stores programs or instructions that can be run on the processor 1401, such as , when the communication device 1400 is a terminal, the program or instruction is executed by the processor 1401 to implement the steps of the method embodiment in FIG. 7 or FIG. 8 .
  • the communication device 1400 is a network-side device, the program or instruction is executed by the processor 1401 .
  • each step of the above-mentioned method embodiment in Figure 8 or Figure 7 is implemented and the same technical effect can be achieved. To avoid repetition, details will not be described here.
  • Embodiments of the present application also provide a readable storage medium, with programs or instructions stored on the readable storage medium.
  • the program or instructions are executed by a processor, the method in Figure 7 or Figure 8 and each process of the above embodiments are implemented. , and can achieve the same technical effect, so to avoid repetition, they will not be described again here.
  • the processor is the processor in the terminal described in the above embodiment.
  • the readable storage medium includes computer readable storage media, such as computer read-only memory ROM, random access memory RAM, magnetic disk or optical disk, etc.
  • An embodiment of the present application also provides a chip.
  • the chip includes a processor and a communication interface.
  • the communication interface is coupled to the processor.
  • the processor is used to run programs or instructions to implement what is shown in Figure 7 or Figure 8 and each process of the above method embodiments, and can achieve the same technical effect. To avoid repetition, they will not be described again here.
  • chips mentioned in the embodiments of this application may also be called system-on-chip, system-on-a-chip, system-on-chip or system-on-chip, etc.
  • Embodiments of the present application also provide a computer program/program product, the computer program/program product is stored in a storage medium, and the computer program/program product is executed by at least one processor to implement what is shown in Figure 7 or Figure 8
  • the computer program/program product is executed by at least one processor to implement what is shown in Figure 7 or Figure 8
  • Embodiments of the present application also provide a communication system.
  • the communication system includes a terminal and a network-side device.
  • the terminal is used to perform various processes in Figure 7 or Figure 8 and the above method embodiments.
  • the network-side device uses In order to avoid duplication, each process shown in Figure 8 or Figure 7 and the above-mentioned method embodiments is executed and the same technical effect can be achieved, which will not be described again here.
  • the methods of the above embodiments can be implemented by means of software plus the necessary general hardware platform. Of course, it can also be implemented by hardware, but in many cases the former is better. implementation.
  • the technical solution of the present application can be embodied in the form of a computer software product that is essentially or contributes to the existing technology.
  • the computer software product is stored in a storage medium (such as ROM/RAM, disk , CD), including several instructions to cause a terminal (which can be a mobile phone, computer, server, air conditioner, or network device, etc.) to execute the methods described in various embodiments of this application.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请公开了一种CSI预测处理方法、装置、通信设备及可读存储介质，涉及通信技术领域，该方法包括：第一设备向第二设备发送第一信息；其中，所述第一信息包括以下至少一项：第二信息，所述第二信息包括历史时刻的信道信息与目标信道信息或目标信道特征的比对结果，所述第二信息用于确定用于CSI预测的参数和/或模型；用于CSI预测的参数；第一AI模型的标识，所述第一AI模型用于CSI预测。

Description

CSI预测处理方法、装置、通信设备及可读存储介质
相关申请的交叉引用
本申请主张在2022年08月10日在中国提交的中国专利申请No.202210957898.6的优先权，其全部内容通过引用包含于此。
技术领域
本申请属于通信技术领域，具体涉及一种CSI预测处理方法、装置、通信设备及可读存储介质。
背景技术
信道状态信息可对当前信道环境进行描述，在移动通信网络中，基站发射信道状态信息-参考信号(Channel State Information-Reference Signal，CSI-RS)，终端对信道状态信息进行评估并将其量化反馈给基站，通过引入信道状态信息(Channel State Information，CSI)反馈信息，基站侧在发送信道状态信息参考信号时可及时进行调整，从而在终端降低误码率，获得最优接收信号。
在无线通信中，信道预测可用来弥补信道测量和实际调度两个操作之间的延迟，提高吞吐量，如何获取信道预测的相关信息是亟待解决的问题。
发明内容
本申请实施例提供一种CSI预测处理方法、装置、通信设备及可读存储介质,能够解决获取信道预测的相关信息的问题。
第一方面，提供一种CSI预测处理方法，包括：
第一设备向第二设备发送第一信息；
其中，所述第一信息包括以下至少一项：
第二信息，所述第二信息包括历史时刻的信道信息与目标信道信息或目标信道特征的比对结果，所述第二信息用于确定用于CSI预测的参数和/或模型；
用于CSI预测的参数；
第一AI模型的标识，所述第一AI模型用于CSI预测。
第二方面，提供一种CSI预测处理方法，包括：
第二设备从第一设备接收第一信息；
其中，所述第一信息包括以下至少一项：
第二信息，所述第二信息包括历史时刻的信道信息与目标信道信息或目标信道特征的比对结果，所述第二信息用于确定用于CSI预测的参数和/或模型；
用于CSI预测的参数；
第一AI模型的标识，所述第一AI模型用于CSI预测。
第三方面，提供一种CSI预测处理装置，包括：
第一发送模块，用于向第二设备发送第一信息；
其中，所述第一信息包括以下至少一项：第二信息，所述第二信息包括历史时刻的信道信息与目标信道信息或目标信道特征的比对结果，所述第二信息用于确定用于CSI预测的参数和/或模型；用于CSI预测的参数；第一AI模型的标识，所述第一AI模型用于CSI预测。
第四方面，提供一种CSI预测处理装置，包括：
第二接收模块，用于接收来自第一设备的第一信息；
其中，所述第一信息包括以下至少一项：第二信息，所述第二信息包括历史时刻的信道信息与目标信道信息或目标信道特征的比对结果，所述第二信息用于确定用于CSI预测的参数和/或模型；用于CSI预测的参数；第一AI模型的标识，所述第一AI模型用于CSI预测。
第五方面，提供了一种通信设备，包括：处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面或第二方面所述的方法的步骤。
第六方面，提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面或第二方面所述的方法的步骤。
第七方面，提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面或第二方面所述的法的步骤。
第八方面，提供了一种计算机程序/程序产品，所述计算机程序/程序产品被存储在非瞬态的存储介质中，所述程序/程序产品被至少一个处理器执行以实现如第一方面或第二方面所述的方法的步骤。
第九方面，提供一种通信系统，所述通信系统包括第一设备与第二设备，所述第一设备用于执行如第一方面所述的方法的步骤，所述第二设备用于执行如第二方面所述的方法的步骤。
在本申请实施例中，第一设备可以向第二设备发送第一信息，第二设备可以根据第一信息确定CSI预测模型或者CSI预测参数，第一设备在不做预测验证也可以给出适用于实际信道的CSI预测模型或者CSI预测参数，通过提前确定CSI预测参数或者CSI预测模型来降低模型调整或模型搜索的开销。
附图说明
图1是神经网络的示意图；
图2是神经元的示意图；
图3是基于AI的CSI预测示意图；
图4是预测不同的未来时刻的性能的示意图；
图5是使用不同数量的历史CSI预测未来+5ms的性能的示意图；
图6为本申请实施例的无线通信系统的架构示意图；
图7是本申请实施例提供的CSI预测处理方法的流程图之一；
图8是本申请实施例提供的CSI预测处理方法的流程图之二；
图9是本申请实施例提供的CSI预测处理方法的流程图之三；
图10是本申请实施例提供的CSI预测处理装置的示意图之一；
图11是本申请实施例提供的CSI预测处理装置的示意图之二；
图12是本申请实施例提供的终端的示意图；
图13是本申请实施例提供的网络侧设备的示意图；
图14是本申请实施例提供的通信设备的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”所区别的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”一般表示前后关联对象是一种“或”的关系。
值得指出的是，本申请实施例所描述的技术不限于长期演进型(Long Term Evolution，LTE)/LTE的演进(LTE-Advanced，LTE-A)系统，还可用于其他无线通信系统，诸如码分多址(Code Division Multiple Access，CDMA)、时分多址(Time Division Multiple Access，TDMA)、频分多址(Frequency Division Multiple Access，FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access，OFDMA)、单载波频分多址(Single-carrier Frequency Division Multiple Access，SC-FDMA)和其他系统。本申请实施例中的术语“系统”和“网络”常被可互换地使用，所描述的技术既可用于以上提及的系统和无线电技术，也可用于其他系统和无线电技术。以下描述出于示例目的描述了新空口(New Radio，NR)系统，并且在以下大部分描述中使用NR术语，但是这些技术也可应用于NR系统应用以外的应用，如第6代(6th Generation，6G)通信系统。
为了便于理解本申请的实施方式，下面先介绍以下技术点。
1、关于神经网络的介绍
人工智能目前在各个领域获得了广泛的应用。人工智能(Artificial Intelligence，AI)模块有多种实现方式，例如神经网络、决策树、支持向量机、贝叶斯分类器等。
本申请以神经网络为例进行说明，但是并不限定AI模块的具体类型，神经网络的结构如图1所示。
其中，神经网络由神经元组成，神经元的示意图如图2所示。其中a1,a2,…aK为输入，w为权值(乘性系数)，b为偏置(加性系数)，σ(.)为激活函数，z＝a1w1+…+akwk+…+aKwK+b。常见的激活函数包括Sigmoid函数、tanh函数、修正线性单元(Rectified Linear Unit，ReLU)等等。
神经网络的参数可以通过优化算法进行优化。优化算法就是一种能够最小化或者最大化目标函数(有时候也叫损失函数)的一类算法。而目标函数往往是模型参数和数据的数学组合。例如给定数据X和其对应的标签Y，构建一个神经网络模型f(.)，有了模型后，根据输入x就可以得到预测输出f(x)，并且可以计算出预测值和真实值之间的差距(f(x)-Y)，这个就是损失函数。如果找到合适的W,b使上述的损失函数的值达到最小，损失值越小，则说明模型越接近于真实情况。
目前常见的优化算法，基本都是基于误差反向传播(error Back Propagation，BP)算法。BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐藏层逐层处理后，传向输出层。若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐藏层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。
一般而言，根据解决类型不同，选取的AI算法和采用的模型也有所差别。根据相关技术，借助AI提升第五代移动通信技术(5th Generation，5G)网络性能的主要方法是通过基于神经网络的算法和模型增强或者替代目前已有的算法或处理模块。在特定场景下，基于神经网络的算法和模型可以取得比基于确定性算法更好的性能。比较常用的神经网络包括深度神经网络、卷积神经网络和循环神经网络等。借助已有AI工具，可以实现神经网络的搭建、训练与验证工作。
通过AI/机器学习(Machine Learning，ML)方法替代现有系统中的模块能够有效提升系统性能。
如信道状态信息(Channel State Information，CSI)预测，将历史CSI输入给AI模型，AI模型分析信道的时域变化特性，输出未来的CSI。具体如图3所示。
对应的系统性能如图4和图5所示。可以看到CSI预测相比于不预测的方案会有非常 大的性能增益。同时，预测的未来时刻不同，可以达到的预测精度也会不一样，如图4所示。
此外，输入AI模型的历史CSI个数也会影响CSI预测的性能，图5描述的是使用不同数量的历史CSI预测未来+5ms的性能。可见，随着历史CSI个数的增加，预测精度也会提高。但是，更多的历史CSI个数意味着更高的复杂度和缓存开销，因此也不能一味地增加历史CSI个数。
在无线通信中，信道预测可用来弥补信道测量和实际调度两个操作之间的延迟，提高吞吐量。CSI预测的精度与预测参数有非常大的关系。对于泛化能力不足的预测模型，需要针对不同信道使用不同的预测模型。实际中，执行预测的节点不一定存储所有的模型，而是根据实际需求动态地请求新的预测模型。即使预测节点存储了适用于当前信道的预测模型，也可以通过提前估计预测参数或预测模型来降低模型调整或模型搜索的开销。
图6示出本申请实施例可应用的一种无线通信系统的框图。无线通信系统包括终端61和网络侧设备62。其中，无线通信系统可以是5G演进(5G-Advanced)或6G等具备无线AI功能的通信系统。
其中，终端61可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)或称为笔记本电脑、个人数字助理(Personal Digital Assistant，PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personal computer，UMPC)、移动上网装置(Mobile Internet Device，MID)、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、机器人、可穿戴式设备(Wearable Device)、车载设备(Vehicle User Equipment，VUE)、行人终端(Pedestrian User Equipment，PUE)、智能家居(具有无线通信功能的家居设备，如冰箱、电视、洗衣机或者家具等)、游戏机、个人计算机(personal computer，PC)、柜员机或者自助机等终端侧设备，可穿戴式设备包括：智能手表、智能手环、智能耳机、智能眼镜、智能首饰(智能手镯、智能手链、智能戒指、智能项链、智能脚镯、智能脚链等)、智能腕带、智能服装等。除了上述终端设备，本申请涉及的终端也可以是终端内的芯片，例如调制解调器(Modem)芯片，系统级芯片(System on Chip，SoC)。需要说明的是，在本申请实施例并不限定终端61的具体类型。
网络侧设备62可以包括接入网设备或核心网设备，其中，接入网设备也可以称为无线接入网设备、无线接入网(Radio Access Network,RAN)、无线接入网功能或无线接入网单元。接入网设备可以包括基站、无线局域网(Wireless Local Area Network，WLAN)接入点或WiFi节点等，基站可被称为节点B、演进节点B(eNB)、接入点、基收发机站(Base Transceiver Station，BTS)、无线电基站、无线电收发机、基本服务集(Basic Service Set，BSS)、扩展服务集(Extended Service Set，ESS)、家用B节点、家用演进型B节点、发送接收点(Transmitting Receiving Point，TRP)或所述领域中其他某个合适的术语，只要达到相同的技术效果，所述基站不限于特定技术词汇，需要说明的是，在本申请实施例中仅以NR系统中的基站为例进行介绍，并不限定基站的具体类型。
核心网设备可以包含但不限于如下至少一项：核心网节点、核心网功能、移动管理实体(Mobility Management Entity，MME)、接入和移动管理功能(Access and Mobility Management Function，AMF)、会话管理功能(Session Management Function，SMF)、用户平面功能(User Plane Function，UPF)、策略控制功能(Policy Control Function，PCF)、策略与计费规则功能单元(Policy and Charging Rules Function，PCRF)、边缘应用服务发现功能(Edge Application Server Discovery Function，EASDF)、统一数据管理(Unified Data Management，UDM)，统一数据仓储(Unified Data Repository，UDR)、归属用户服务器(Home Subscriber Server，HSS)、集中式网络配置(Centralized network configuration，CNC)、网络存储功能(Network Repository Function，NRF)，网络开放功能(Network Exposure Function，NEF)、本地NEF(Local NEF，或L-NEF)、绑定支持功能(Binding Support Function，BSF)、应用功能(Application Function，AF)等。需要说明的是，在本申请实施例中仅以NR系统中的核心网设备为例进行介绍，并不限定核心网设备的具体类型。
本申请实施例涉及的AI模型也可以称为ML模型。
下面结合附图，通过一些实施例及其应用场景对本申请实施例提供的CSI预测处理方法、装置、通信设备及可读存储介质进行详细地说明。
参见图7，本申请实施例提供一种CSI预测处理方法，具体步骤包括：步骤701。
步骤701：第一设备向第二设备发送第一信息；
其中，第一信息可以辅助第二设备进行CSI预测，即第二设备可以根据第一信息确定用于CSI预测的模型，或者用于CSI预测的参数。
第一设备可以包括具有无线AI功能的通信设备。
其中，所述第一信息包括以下至少一项：
(1)第二信息，所述第二信息包括表示历史时刻的信道信息与目标信道信息或目标信道特征的比对结果，所述第二信息用于确定用于CSI预测的参数和/或模型；
其中，历史时刻的信道信息可以称为历史CSI，历史时刻用于表示对应历史CSI的时刻，如图3所示，多个历史CSI包括：CSI t_K，……，CSI t_1，CSI t0，对应的历史时刻分别是当前时刻之前的t_K，t_1，t0。
示例性的，计算历史时刻的信道信息与目标信道信息或目标信道特征的误差，均方误差、归一化的均方误差或者余弦相似度，得到比对结果，可选的，该对比结果可以用分值表示，分值越高表示历史时刻的信道信息与目标信道信息或目标信道特征越相似。
上述目标信道信息也可以称为典型信道信息，目标信道特征也可以称为典型信道特征。
(2)用于CSI预测的参数；
可选的，第一设备可以根据第二信息，确定用于CSI预测的参数，也就是，基于历史时刻的信道信息与目标信道信息或目标信道特征的比对结果确定预测参数，在不做预测验证的情况下也可以给出适用于实际信道的预测参数，通过提前确定预测参数来降低AI模型调整或AI模型搜索的开销。
(3)第一AI模型的标识，所述第一AI模型用于CSI预测。
可选的，第一设备可以根据第二信息，确定第一AI模型的标识，具体地，第一设备根据第二信息选择与当前环境匹配的第一AI模型，并向第二设备发送第一AI模型的标识，也就是，可以基于历史时刻的信道信息与目标信道信息或目标信道特征的比对结果确定第一AI模型，在不做预测验证也可以给出适用于实际信道的第一AI模型，通过提前确定第一AI模型来降低AI模型调整或AI模型搜索的开销。
在本申请的一种实施方式中，所述方法还包括：
所述第一设备接收来自所述第二设备的第三信息；
其中，所述第三信息包括以下至少一项：(1)第二AI模型，所述第二AI模型用于CSI预测；(2)所述第二AI模型的标识。
可选的，第一设备接收第二设备根据第一信息发送的第三信息，第三信息中携带第二设备建议的第二AI模型的相关信息，这样可以在第一设备和第二设备间同步第二AI模型。第一设备可以通过第二AI模型进行CSI预测。
在本申请的一种实施方式中，所述第一AI模型与所述第二AI模型是同一个模型，或者所述第一AI模型与所述第二AI模型不是同一个模型。
在本申请的一种实施方式中，所述方法还包括：
所述第一设备根据第三AI模型，得到所述第一信息。
在本申请的一种实施方式中，所述第三AI模型的输入包括以下至少一项：N个历史时刻的信道信息、所述目标信道信息或目标信道特征，N为大于等于1的整数。
比如，第三AI模型的输入包括至少一个历史时刻的信道信息，该第三AI模型的输入还可以包括与第二AI模型或用于CSI预测的参数对应的目标信道信息或信道特征。
在本申请的一种实施方式中，所述第三AI模型包括用于信道比对的模型和/或用于获取用于CSI预测的参数的模型。
在本申请的一种实施方式中，所述模型包括以下至少一项：
(1)孪生网络(Siamese Network)；
比如，基于二元交叉熵、对比函数或三元组损失的孪生网络；
(2)对比学习网络(Contrastive Learning Network)；
(3)匹配网络(Matching Network)；
(4)原型网络(Prototypical Network)；
(5)关系网络(Relation Network)。
在本申请的一种实施方式中，所述第一AI模型与至少一个所述目标信道信息或目标信道特征具有第一对应关系。
可选的，每一个第一AI模型都有一个与之对应的目标信道信息或目标信道特征，也就是基于目标信道信息或目标信道可以确定与其对应的第一AI模型。
在本申请的一种实施方式中，所述用于CSI预测的参数与至少一个目标信道信息或目 标信道特征对应具有第二对应关系。
也就是，基于目标信道信息或目标信道可以确定与其对应的用于CSI预测的参数。
在本申请的一种实施方式中，所述第一对应关系或第二对应关系是协议约定的，或者是所述第一设备配置的，或者是所述第一设备和所述第二设备协商确定的，或者是所述第二设备给所述第一设备配置的。
比如，该第一对应关系或第二对应关系可以是协议预先定义的，也可以是第一设备和第二设备通过信令交互协商的。
在本申请的一种实施方式中，所述用于CSI预测的参数包括以下至少一项：
(1)预测时间信息；
可选的，预测时间信息用于表示待测的时间位置，比如，未来1ms、未来2ms等，或者未来1时隙(slot)、未来2slot等。
(2)CSI间隔；
可选的，CSI间隔用于表示预测的多个历史CSI之间的间隔。
上述CSI间隔也可以称为CSI周期。
(3)CSI个数；
可选的，CSI个数用于表示预测的多个历史CSI的个数。
(4)CSI窗口长度；
可选的，CSI窗口长度用于表示预测的多个历史CSI占的时域长度。
(5)预测的频域信息；
可选的，预测的频域信息可以包括：物理资源块(Physical Resource Block，PRB)数、PRB位置、子带数、子带位置等中的至少一项。
(6)预测的空域信息。
可选的，预测的空域信息可以包括：天线数、端口数、波束数等中的至少一项。
在本申请的一种实施方式中，所述第一信息和/或第三信息承载于以下信令或信息中的至少一项：
(1)物理上行控制信道(Physical Uplink Control Channel，PUCCH)的层1信令；
(2)物理随机接入信道(Physical Random Access Channel，PRACH)的MSG 1；
(3)PRACH的MSG 3；
(4)PRACH的MSG A；
(5)物理上行共享信道(Physical Uplink Shared Channel，PUSCH)的信息。
在本实施例中，所述第一设备为终端，所述第二设备为网络侧设备。
在本申请的另一种实施方式中，所述第一信息和/或第三信息承载于以下信令或信息中的至少一项：
(1)媒体接入控制(medium access control，MAC)控制元素(control element，CE)；
(2)无线资源控制(Radio Resource Control，RRC)消息；
(3)非接入层(Non-Access Stratum，NAS)消息；
(4)管理编排消息；
(5)用户面数据；
(6)下行控制信息(Downlink Control Information，DCI)；
(7)系统信息块(System Information Block，SIB)；
(8)物理下行控制信道(Physical Downlink Control Channel，PDCCH)的层1信令；
(9)物理下行共享信道(Physical Downlink Shared Channel，PDSCH)的信息；
(10)PRACH的MSG 2；
(11)PRACH的MSG 4；
(12)PRACH的MSG B。
在本实施例中，所述第一设备为网络侧设备，所述第二设备为终端。
在本申请的又一种实施方式中，所述第一信息和/或第三信息承载于以下信令或信息中的至少一项：
(1)Xn接口信令；
(2)PC5接口信令；
(3)物理直通链路控制信道(Physical Sidelink Control Channel，PSCCH)的信息；
(4)物理直通链路共享信道(Physical Sidelink Shared Channel，PSSCH)的信息；
(5)物理直通链路广播信道(Physical Sidelink Broadcast Channel，PSBCH)的信息；
(6)物理直通链路发现信道(Physical Sidelink Discovery Channel，PSDCH)的信息；
(7)物理直通链路反馈信道(Physical Sidelink Feedback Channel，PSFCH)的信息。
本实施例中，所述第一设备为第一终端，所述第二设备为第二终端。
在本申请的又一种实施方式中，所述第一信息和/或第三信息承载于以下信令中的至少一项：
(1)S1接口信令；
(2)Xn接口信令。
比如，X2接口信令。
本实施例中，所述第一设备为第一网络侧设备，所述第二设备为第二网络侧设备。
在本申请实施例中，第一设备可以向第二设备发送第一信息，第二设备可以根据第一信息确定CSI预测模型或者CSI预测参数，这样第一设备在不做预测验证也可以给出适用于实际信道的CSI预测模型或者CSI预测参数，通过提前确定CSI预测参数或者CSI预测模型来降低AI模型调整或AI模型搜索的开销。
参见图8，本申请实施例提供一种CSI预测处理方法，应用于第二设备，该第二设备可以包括具有无线AI功能的通信设备，具体步骤包括：步骤801。
步骤801：第二设备接收来自第一设备的第一信息；
其中，所述第一信息包括以下至少一项：(1)第二信息，所述第二信息包括历史时刻 的信道信息与目标信道信息或目标信道特征的比对结果，所述第二信息用于确定用于CSI预测的参数和/或模型；(2)用于CSI预测的参数；(3)第一AI模型的标识，所述第一AI模型用于CSI预测。
在本申请的一种实施方式中，所述方法还包括：
所述第二设备向所述第一设备发送第三信息；
其中，所述第三信息包括以下至少一项：(1)第二AI模型，所述第二AI模型用于CSI预测；(2)所述第二AI模型的标识。
在本申请的一种实施方式中，所述第一AI模型与所述第二AI模型是同一个模型，或者所述第一AI模型与所述第二AI模型不是同一个模型。
在本申请的一种实施方式中，所述第一信息是所述第一设备根据第三AI模型得到的。
在本申请的一种实施方式中，所述第三AI模型的输入包括以下至少一项：N个历史时刻的信道信息、所述目标信道信息或目标信道特征，N为大于等于1的整数。
在本申请的一种实施方式中，所述第一AI模型包括用于信道比对的模型和/或用于获取CSI预测的参数的模型。
在本申请的一种实施方式中，所述模型包括以下至少一项：孪生网络、对比学习网络、原型网络、关系网络。
在本申请的一种实施方式中，所述第一AI模型与至少一个所述目标信道信息或目标信道特征具有第一对应关系。
在本申请的一种实施方式中，所述用于CSI预测的参数与至少一个目标信道信息或目标信道特征对应具有第二对应关系。
在本申请的一种实施方式中，所述第一对应关系或第二对应关系是协议约定的，或者是所述第一设备配置的，或者是所述第一设备和所述第二设备协商确定的，或者是所述第二设备给所述第一设备配置的。
在本申请的一种实施方式中，所述用于CSI预测的参数包括以下至少一项：
(1)预测时间信息；
(2)CSI间隔；
(3)CSI个数；
(4)CSI窗口长度；
(5)预测的频域信息；
(6)预测的空域信息。
在本申请的一种实施方式中，所述第一信息和/或第三信息承载于以下信令或信息中的至少一项：
(1)PUCCH的层1信令；
(2)PRACH的MSG 1；
(3)PRACH的MSG 3；
(4)PRACH的MSG A；
(5)PUSCH的信息。
在本实施例中，所述第一设备为终端，所述第二设备为网络侧设备。
在本申请的另一种实施方式中，所述第一信息和/或第三信息承载于以下信令或信息中的至少一项：
(1)MAC CE；
(2)RRC消息；
(3)NAS消息；
(4)管理编排消息；
(5)用户面数据；
(6)DCI；
(7)SIB；
(8)PDCCH的层1信令；
(9)PDSCH的信息；
(10)PRACH的MSG 2；
(11)PRACH的MSG 4；
(12)PRACH的MSG B。
在本实施例中，所述第一设备为网络侧设备，所述第二设备为终端。
在本申请的又一种实施方式中，所述第一信息和/或第三信息承载于以下信令或信息中的至少一项：
(1)Xn接口信令；
(2)PC5接口信令；
(3)PSCCH的信息；
(4)PSSCH的信息；
(5)PSBCH的信息；
(6)PSDCH的信息；
(7)PSFCH的信息。
本实施例中，所述第一设备为第一终端，所述第二设备为第二终端。
在本申请的又一种实施方式中，所述第一信息和/或第三信息承载于以下信令中的至少一项：
(1)S1接口信令；
(2)Xn接口信令。
本实施例中，所述第一设备为第一网络侧设备，所述第二设备为第二网络侧设备。
在本申请实施例中，第二设备可以根据来自第一设备的第一信息确定CSI预测模型或者CSI预测参数，这样该第一设备在不做预测验证也可以给出适用于实际信道的CSI预测 模型或者CSI预测参数，通过提前确定CSI预测参数或者CSI预测模型来降低AI模型调整或AI模型搜索的开销。
为了便于理解本申请的实施方式，下面结合实施例一进行介绍。
实施例一
参见图9，具体步骤如下：
步骤1：第一设备通过第三AI模型对历史时刻的信道信息与目标信道信息或目标信道特征进行比对，得到比对结果；
步骤2：第一设备根据比对结果向第二设备发送第一信息；
步骤3：第二设备根据第一信息，确定第二AI模型；
步骤4：第二设备向第一设备发送第三信息，所述第三信息携带第二AI模型的相关信息；
步骤5：第一设备根据第二AI模型进行CSI预测。
在本申请实施例中，第一设备可以向第二设备发送第一信息，第二设备可以根据第一信息确定CSI预测模型或者CSI预测参数，第一设备在不做预测验证也可以给出适用于实际信道的CSI预测模型或者CSI预测参数，通过提前确定CSI预测参数或者CSI预测模型来降低AI模型调整或AI模型搜索的开销。
参见图10，本申请实施例提供一种CSI预测处理装置，应用于第一设备，该第一设备可以包括具有无线AI功能的通信设备，装置1000包括：
第一发送模块1001，用于向第二设备发送第一信息；
其中，所述第一信息包括以下至少一项：
(1)第二信息，所述第二信息包括历史时刻的信道信息与目标信道信息或目标信道特征的比对结果，所述第二信息用于确定用于CSI预测的参数和/或模型；
上述目标信道信息也可以称为典型信道信息，目标信道特征也可以称为典型信道特征。
(2)用于CSI预测的参数；
(3)第一AI模型的标识，所述第一AI模型用于CSI预测。
在本申请的一种实施方式中，所述装置还包括：
第一接收模块，用于接收来自所述第二设备的第三信息；
其中，所述第三信息包括以下至少一项：(1)第二AI模型，所述第二AI模型用于CSI预测；(2)所述第二AI模型的标识。
在本申请的一种实施方式中，所述第一AI模型与所述第二AI模型是同一个模型，或者所述第一AI模型与所述第二AI模型不是同一个模型。
在本申请的一种实施方式中，所述装置还包括：
处理模块，用于根据第三AI模型，得到所述第一信息。
在本申请的一种实施方式中，所述第三AI模型的输入包括以下至少一项：N个历史时刻的信道信息、所述目标信道信息或目标信道特征，N为大于等于1的整数。
在本申请的一种实施方式中，所述第三AI模型包括用于信道比对的模型和/或用于获取所述用于CSI预测的参数的模型。
在本申请的一种实施方式中，所述模型包括以下至少一项：孪生网络、对比学习网络、匹配网络、原型网络、关系网络。
在本申请的一种实施方式中，所述第一AI模型与至少一个所述目标信道信息或目标信道特征具有第一对应关系。
在本申请的一种实施方式中，所述用于CSI预测的参数与至少一个目标信道信息或目标信道特征对应具有第二对应关系。
在本申请的一种实施方式中，所述第一对应关系或第二对应关系是协议约定的，或者是所述第一设备配置的，或者是所述第一设备和所述第二设备协商确定的，或者是所述第二设备给所述第一设备配置的。
在本申请的一种实施方式中，所述用于CSI预测的参数包括以下至少一项：
(1)预测时间信息；
(2)CSI间隔；
(3)CSI个数；
(4)CSI窗口长度；
(5)预测的频域信息；
(6)预测的空域信息。
在本申请的一种实施方式中，所述第一信息和/或第三信息承载于以下信令或信息中的至少一项：
(1)PUCCH的层1信令；
(2)PRACH的MSG 1；
(3)PRACH的MSG 3；
(4)PRACH的MSG A；
(5)PUSCH的信息。
在本实施例中，所述第一设备为终端，所述第二设备为网络侧设备。
在本申请的另一种实施方式中，所述第一信息和/或第三信息承载于以下信令或信息中的至少一项：
(1)MAC CE；
(2)RRC消息；
(3)NAS消息；
(4)管理编排消息；
(5)用户面数据；
(6)DCI信息；
(7)SIB；
(8)PDCCH的层1信令；
(9)PDSCH的信息；
(10)PRACH的MSG 2；
(11)PRACH的MSG 4；
(12)PRACH的MSG B。
在本实施例中，所述第一设备为网络侧设备，所述第二设备为终端。
在本申请的又一种实施方式中，所述第一信息和/或第三信息承载于以下信令或信息中的至少一项：
(1)Xn接口信令；
(2)PC5接口信令；
(3)PSCCH的信息；
(4)PSSCH的信息；
(5)PSBCH的信息；
(6)PSDCH的信息；
(7)PSFCH的信息。
本实施例中，所述第一设备为第一终端，所述第二设备为第二终端。
在本申请的又一种实施方式中，所述第一信息和/或第三信息承载于以下信令中的至少一项：
(1)S1接口信令；
(2)Xn接口信令。
本实施例中，所述第一设备为第一网络侧设备，所述第二设备为第二网络侧设备。
本申请实施例提供的装置能够实现图7的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
参见图11，本申请实施例提供一种CSI预测处理装置，应用于第二设备，该第二设备包括具有无线AI功能的通信设备，装置1100包括：
第二接收模块1101，用于接收来自第一设备的第一信息；
其中，所述第一信息包括以下至少一项：(1)第二信息，所述第二信息包括历史时刻的信道信息与目标信道信息或目标信道特征的比对结果，所述第二信息用于确定用于CSI预测的参数和/或模型；(2)用于CSI预测的参数；(3)第一AI模型的标识，所述第一AI模型用于CSI预测。
在本申请的一种实施方式中，所述装置还包括：
第二发送模块，用于向所述第一设备发送第三信息；
其中，所述第三信息包括以下至少一项：(1)第二AI模型，所述第二AI模型用于CSI预测；(2)所述第二AI模型的标识。
在本申请的一种实施方式中，所述第一AI模型与所述第二AI模型是同一个模型，或 者所述第一AI模型与所述第二AI模型不是同一个模型。
在本申请的一种实施方式中，所述第一信息是所述第一设备根据第三AI模型得到的。
在本申请的一种实施方式中，所述第三AI模型的输入包括以下至少一项：N个历史时刻的信道信息、所述目标信道信息或目标信道特征，N为大于等于1的整数。
在本申请的一种实施方式中，所述第一AI模型包括用于信道比对的模型和/或用于获取CSI预测的参数的模型。
在本申请的一种实施方式中，所述模型包括以下至少一项：孪生网络、对比学习网络、原型网络、关系网络。
在本申请的一种实施方式中，所述第一AI模型与至少一个所述目标信道信息或目标信道特征具有第一对应关系。
在本申请的一种实施方式中，所述用于CSI预测的参数与至少一个目标信道信息或目标信道特征对应具有第二对应关系。
在本申请的一种实施方式中，所述第一对应关系或第二对应关系是协议约定的，或者是所述第一设备配置的，或者是所述第一设备和所述第二设备协商确定的，或者是所述第二设备给所述第一设备配置的。
在本申请的一种实施方式中，所述用于CSI预测的参数包括以下至少一项：
(1)预测时间信息；
(2)CSI间隔；
(3)CSI个数；
(4)CSI窗口长度；
(5)预测的频域信息；
(6)预测的空域信息。
在本申请的一种实施方式中，所述第一信息和/或第三信息承载于以下信令或信息中的至少一项：
(1)PUCCH的层1信令；
(2)PRACH的MSG 1；
(3)PRACH的MSG 3；
(4)PRACH的MSG A；
(5)PUSCH的信息。
在本实施例中，所述第一设备为终端，所述第二设备为网络侧设备。
在本申请的另一种实施方式中，所述第一信息和/或第三信息承载于以下信令或信息中的至少一项：
(1)MAC CE；
(2)RRC消息；
(3)NAS消息；
(4)管理编排消息；
(5)用户面数据；
(6)DCI信息；
(7)SIB；
(8)PDCCH的层1信令；
(9)PDSCH的信息；
(10)PRACH的MSG 2；
(11)PRACH的MSG 4；
(12)PRACH的MSG B。
在本实施例中，所述第一设备为网络侧设备，所述第二设备为终端。
在本申请的又一种实施方式中，所述第一信息和/或第三信息承载于以下信令或信息中的至少一项：
(1)Xn接口信令；
(2)PC5接口信令；
(3)PSCCH的信息；
(4)PSSCH的信息；
(5)PSBCH的信息；
(6)PSDCH的信息；
(7)PSFCH的信息。
本实施例中，所述第一设备为第一终端，所述第二设备为第二终端。
在本申请的又一种实施方式中，所述第一信息和/或第三信息承载于以下信令中的至少一项：
(1)S1接口信令；
(2)Xn接口信令。
本实施例中，所述第一设备为第一网络侧设备，所述第二设备为第二网络侧设备。
本申请实施例提供的装置能够实现图8的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
图12为实现本申请实施例的一种终端的硬件结构示意图。该终端1200包括但不限于：射频单元1201、网络模块1202、音频输出单元1203、输入单元1204、传感器1205、显示单元1206、用户输入单元1207、接口单元1208、存储器1209以及处理器1220等中的至少部分部件。
本领域技术人员可以理解，终端1200还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器1220逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图12中示出的终端结构并不构成对终端的限定，终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再 赘述。
应理解的是，本申请实施例中，输入单元1204可以包括图形处理单元(Graphics Processing Unit，GPU)12041和麦克风12042，图形处理器12041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元1206可包括显示面板12061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板12061。用户输入单元1207包括触控面板12071以及其他输入设备12072中的至少一种。触控面板12071，也称为触摸屏。触控面板12071可包括触摸检测装置和触摸控制器两个部分。其他输入设备12072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
本申请实施例中，射频单元1201接收来自网络侧设备的下行数据后，可以传输给处理器1220进行处理；另外，射频单元1201可以向网络侧设备发送上行数据。通常，射频单元1201包括但不限于天线、放大器、收发信机、耦合器、低噪声放大器、双工器等。
存储器1209可用于存储软件程序或指令以及各种数据。存储器1209可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外，存储器1209可以包括易失性存储器或非易失性存储器，或者，存储器1209可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本申请实施例中的存储器1209包括但不限于这些和任意其它适合类型的存储器。
处理器1220可包括一个或多个处理单元；可选的，处理器1220集成应用处理器和调制解调处理器，其中，应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到处理器1220中。
本申请实施例提供的终端能够实现图7或图8的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
请参阅图13，图13是本发明实施例应用的通信设备的结构图，如图13所示，通信设备1300包括：处理器1301、收发机1302、存储器1303和总线接口，其中，处理器501可以负责管理总线架构和通常的处理。存储器1303可以存储处理器1301在执行操作时所 使用的数据。
在本发明的一个实施例中，通信设备1300还包括：存储在存储器1203并可在处理器1301上运行的程序，程序被处理器1301执行时实现以上图7或图8所示方法中的步骤。
在图13中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器1301代表的一个或多个处理器和存储器1303代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机1302可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。
可选的，如图14所示，本申请实施例还提供一种通信设备1400，包括处理器1401和存储器1402，存储器1402上存储有可在所述处理器1401上运行的程序或指令，例如，该通信设备1400为终端时，该程序或指令被处理器1401执行时实现上述图7或图8方法实施例的各个步骤，该通信设备1400为网络侧设备时，该程序或指令被处理器1401执行时实现上述图8或图7方法实施例的各个步骤且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现图7或图8方法及上述各个实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的终端中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例还提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现图7或图8所示及上述各个方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片，系统芯片，芯片系统或片上系统芯片等。
本申请实施例还提供了一种计算机程序/程序产品，所述计算机程序/程序产品被存储在存储介质中，所述计算机程序/程序产品被至少一个处理器执行以实现图7或图8所示及上述各个方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提供一种通信系统，所述通信系统包括终端与网络侧设备，所述终端用于执行如图7或图8及上述各个方法实施例的各个过程，所述网络侧设备用于执行如图8或图7及上述各个方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他 性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (42)

  1. 一种信道状态信息CSI预测处理方法，包括：
    第一设备向第二设备发送第一信息；
    其中，所述第一信息包括以下至少一项：
    第二信息，所述第二信息包括历史时刻的信道信息与目标信道信息或目标信道特征的比对结果，所述第二信息用于确定用于CSI预测的参数和/或模型；
    用于CSI预测的参数；
    第一人工智能AI模型的标识，所述第一AI模型用于CSI预测。
  2. 根据权利要求1所述的方法，其中，所述方法还包括：
    所述第一设备从所述第二设备接收第三信息；
    其中，所述第三信息包括以下至少一项：
    第二AI模型，所述第二AI模型用于CSI预测；
    所述第二AI模型的标识。
  3. 根据权利要求2所述的方法，其中，所述第一AI模型与所述第二AI模型是同一个模型，或者所述第一AI模型与所述第二AI模型不是同一个模型。
  4. 根据权利要求1所述的方法，其中，所述方法还包括：
    所述第一设备根据第三AI模型，得到所述第一信息。
  5. 根据权利要求4所述的方法，其中，所述第三AI模型的输入包括以下至少一项：N个历史时刻的信道信息、所述目标信道信息或目标信道特征，N为大于等于1的整数。
  6. 根据权利要求4或5所述的方法，其中，所述第三AI模型包括用于信道比对的模型和/或用于获取用于CSI预测的参数的模型。
  7. 根据权利要求6所述的方法，其中，所述模型包括以下至少一项：孪生网络、对比学习网络、匹配网络、原型网络、关系网络。
  8. 根据权利要求1所述的方法，其中，所述第一AI模型与至少一个所述目标信道信息或目标信道特征具有第一对应关系。
  9. 根据权利要求1所述的方法，其中，所述用于CSI预测的参数与至少一个目标信道信息或目标信道特征对应具有第二对应关系。
  10. 根据权利要求8或9所述的方法，其中，所述第一对应关系或第二对应关系是协议约定的，或者是所述第一设备配置的，或者是所述第一设备和所述第二设备协商确定的，或者是所述第二设备给所述第一设备配置的。
  11. 根据权利要求1所述的方法，其中，所述用于CSI预测的参数包括以下至少一项：
    预测时间信息；
    CSI间隔；
    CSI个数；
    CSI窗口长度；
    预测的频域信息；
    预测的空域信息。
  12. 根据权利要求1或2所述的方法，其中，所述第一信息和/或第三信息承载于以下信令或信息中的至少一项：
    物理上行控制信道PUCCH的层1信令；
    物理随机接入信道PRACH的MSG 1；
    PRACH的MSG 3；
    PRACH的MSG A；
    物理上行共享信道PUSCH的信息。
  13. 根据权利要求12所述的方法，其中，所述第一设备为终端，所述第二设备为网络侧设备。
  14. 根据权利要求1或2所述的方法，其中，所述第一信息和/或第三信息承载于以下信令或信息中的至少一项：
    媒体接入控制控制元素MAC CE；
    无线资源控制RRC消息；
    非接入层NAS消息；
    管理编排消息；
    用户面数据；
    下行控制信息DCI；
    系统信息块SIB；
    物理下行控制信道PDCCH的层1信令；
    物理下行共享信道PDSCH的信息；
    PRACH的MSG 2；
    PRACH的MSG 4；
    PRACH的MSG B。
  15. 根据权利要求14所述的方法，其中，所述第一设备为网络侧设备，所述第二设备为终端。
  16. 根据权利要求1或2所述的方法，其中，所述第一信息和/或第三信息承载于以下信令或信息中的至少一项：
    Xn接口信令；
    PC5接口信令；
    物理直通链路控制信道PSCCH的信息；
    物理直通链路共享信道PSSCH的信息；
    物理直通链路广播信道PSBCH的信息；
    物理直通链路发现信道PSDCH的信息；
    物理直通链路反馈信道PSFCH的信息。
  17. 根据权利要求16所述的方法，其中，所述第一设备为第一终端，所述第二设备为第二终端。
  18. 根据权利要求1或2所述的方法，其中，所述第一信息和/或第三信息承载于以下信令中的至少一项：
    S1接口信令；
    Xn接口信令。
  19. 根据权利要求18所述的方法，其中，所述第一设备为第一网络侧设备，所述第二设备为第二网络侧设备。
  20. 一种CSI预测处理方法，包括：
    第二设备从第一设备接收第一信息；
    其中，所述第一信息包括以下至少一项：
    第二信息，所述第二信息包括历史时刻的信道信息与目标信道信息或目标信道特征的比对结果，所述第二信息用于确定用于CSI预测的参数和/或模型；
    用于CSI预测的参数；
    第一AI模型的标识，所述第一AI模型用于CSI预测。
  21. 根据权利要求20所述的方法，其中，所述方法还包括：
    所述第二设备向所述第一设备发送第三信息；
    其中，所述第三信息包括以下至少一项：
    第二AI模型，所述第二AI模型用于CSI预测；
    所述第二AI模型的标识。
  22. 根据权利要求21所述的方法，其中，所述第一AI模型与所述第二AI模型是同一个模型，或者所述第一AI模型与所述第二AI模型不是同一个模型。
  23. 根据权利要求20所述的方法，其中，所述第一信息是所述第一设备根据第三AI模型得到的。
  24. 根据权利要求23所述的方法，其中，所述第三AI模型的输入包括以下至少一项：N个历史时刻的信道信息、所述目标信道信息或目标信道特征，N为大于等于1的整数。
  25. 根据权利要求23或24所述的方法，其中，所述第一AI模型包括用于信道比对的模型和/或用于获取CSI预测的参数的模型。
  26. 根据权利要求25所述的方法，其中，所述模型包括以下至少一项：孪生网络、对比学习网络、原型网络、关系网络。
  27. 根据权利要求20所述的方法，其中，所述第一AI模型与至少一个所述目标信道信息或目标信道特征具有第一对应关系。
  28. 根据权利要求20所述的方法，其中，所述用于CSI预测的参数与至少一个目标 信道信息或目标信道特征对应具有第二对应关系。
  29. 根据权利要求27或28所述的方法，其中，所述第一对应关系或第二对应关系是协议约定的，或者是所述第一设备配置的，或者是所述第一设备和所述第二设备协商确定的，或者是所述第二设备给所述第一设备配置的。
  30. 根据权利要求20所述的方法，其中，所述用于CSI预测的参数包括以下至少一项：
    预测时间信息；
    CSI间隔；
    CSI个数；
    CSI窗口长度；
    预测的频域信息；
    预测的空域信息。
  31. 根据权利要求20或21所述的方法，其中，所述第一信息和/或第三信息承载于以下信令或信息中的至少一项：
    PUCCH的层1信令；
    PRACH的MSG 1；
    PRACH的MSG 3；
    PRACH的MSG A；
    PUSCH的信息。
  32. 根据权利要求31所述的方法，其中，所述第一设备为终端，所述第二设备为网络侧设备。
  33. 根据权利要求20或21所述的方法，其中，所述第一信息和/或第三信息承载于以下信令或信息中的至少一项：
    MAC CE；
    RRC消息；
    NAS消息；
    管理编排消息；
    用户面数据；
    DCI；
    SIB；
    PDCCH的层1信令；
    PDSCH的信息；
    PRACH的MSG 2；
    PRACH的MSG 4；
    PRACH的MSG B。
  34. 根据权利要求33所述的方法，其中，所述第一设备为网络侧设备，所述第二设备为终端。
  35. 根据权利要求20或21所述的方法，其中，所述第一信息和/或第三信息承载于以下信令或信息中的至少一项：
    Xn接口信令；
    PC5接口信令；
    PSCCH的信息；
    PSSCH的信息；
    PSBCH的信息；
    PSDCH的信息；
    PSFCH的信息。
  36. 根据权利要求35所述的方法，其中，所述第一设备为第一终端，所述第二设备为第二终端。
  37. 根据权利要求20或21所述的方法，其中，所述第一信息和/或第三信息承载于以下信令或信息中的至少一项：
    S1接口信令；
    Xn接口信令。
  38. 根据权利要求37所述的方法，其中，所述第一设备为第一网络侧设备，所述第二设备为第二网络侧设备。
  39. 一种CSI预测处理装置，包括：
    第一发送模块，用于向第二设备发送第一信息；
    其中，所述第一信息包括以下至少一项：第二信息，所述第二信息包括历史时刻的信道信息与目标信道信息或目标信道特征的比对结果，所述第二信息用于确定用于CSI预测的参数和/或模型；用于CSI预测的参数；第一AI模型的标识，所述第一AI模型用于CSI预测。
  40. 一种CSI预测处理装置，包括：
    第二接收模块，用于接收来自第一设备的第一信息；
    其中，所述第一信息包括以下至少一项：第二信息，所述第二信息包括历史时刻的信道信息与目标信道信息或目标信道特征的比对结果，所述第二信息用于确定用于CSI预测的参数和/或模型；用于CSI预测的参数；第一AI模型的标识，所述第一AI模型用于CSI预测。
  41. 一种通信设备，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至38中任一项所述的方法的步骤。
  42. 一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处 理器执行时实现如权利要求1至38中任一项所述的方法的步骤。
PCT/CN2023/112141 2022-08-10 2023-08-10 Csi预测处理方法、装置、通信设备及可读存储介质 WO2024032694A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210957898.6 2022-08-10
CN202210957898.6A CN117639862A (zh) 2022-08-10 2022-08-10 Csi预测处理方法、装置、通信设备及可读存储介质

Publications (1)

Publication Number Publication Date
WO2024032694A1 true WO2024032694A1 (zh) 2024-02-15

Family

ID=89850928

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2023/112141 WO2024032694A1 (zh) 2022-08-10 2023-08-10 Csi预测处理方法、装置、通信设备及可读存储介质

Country Status (2)

Country Link
CN (1) CN117639862A (zh)
WO (1) WO2024032694A1 (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113595666A (zh) * 2021-07-13 2021-11-02 华中科技大学 大规模mimo系统基于时频联合相关性的信道预测方法和系统
US20210376895A1 (en) * 2020-05-29 2021-12-02 Qualcomm Incorporated Qualifying machine learning-based csi prediction
CN114362855A (zh) * 2021-12-30 2022-04-15 重庆两江卫星移动通信有限公司 一种基于lstm的信道状态预测方法及系统
CN114402560A (zh) * 2019-09-19 2022-04-26 高通股份有限公司 用于确定信道状态信息的系统和方法
CN114422059A (zh) * 2022-01-24 2022-04-29 清华大学 信道预测方法、装置、电子设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114402560A (zh) * 2019-09-19 2022-04-26 高通股份有限公司 用于确定信道状态信息的系统和方法
US20210376895A1 (en) * 2020-05-29 2021-12-02 Qualcomm Incorporated Qualifying machine learning-based csi prediction
CN113595666A (zh) * 2021-07-13 2021-11-02 华中科技大学 大规模mimo系统基于时频联合相关性的信道预测方法和系统
CN114362855A (zh) * 2021-12-30 2022-04-15 重庆两江卫星移动通信有限公司 一种基于lstm的信道状态预测方法及系统
CN114422059A (zh) * 2022-01-24 2022-04-29 清华大学 信道预测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN117639862A (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
WO2023066288A1 (zh) 模型请求方法、模型请求处理方法及相关设备
WO2024032694A1 (zh) Csi预测处理方法、装置、通信设备及可读存储介质
WO2024032695A1 (zh) Csi预测处理方法、装置、通信设备及可读存储介质
WO2024067665A1 (zh) Csi预测处理方法、装置、通信设备及可读存储介质
WO2024078405A1 (zh) 传输方法、装置、通信设备及可读存储介质
WO2024093713A1 (zh) 资源配置方法、装置、通信设备及可读存储介质
WO2024067281A1 (zh) Ai模型的处理方法、装置及通信设备
WO2024067280A1 (zh) 更新ai模型参数的方法、装置及通信设备
WO2024160085A1 (zh) 通信处理方法、装置、设备及可读存储介质
WO2024041421A1 (zh) 测量反馈处理方法、装置、终端及网络侧设备
WO2024164962A1 (zh) 通信处理方法、装置、设备及可读存储介质
WO2024120409A1 (zh) Ai网络模型的确定方法、信息传输方法、装置和通信设备
WO2024208260A1 (zh) 基于ai的csi预测的数据采集方法及装置
WO2024027683A1 (zh) 模型匹配方法、装置、通信设备及可读存储介质
WO2024104070A1 (zh) 波束报告的发送方法、接收方法、装置及通信设备
WO2023179540A1 (zh) 信道预测方法、装置及无线通信设备
WO2024160086A1 (zh) 通信处理方法、装置、设备及可读存储介质
WO2024125391A2 (zh) Ai模型监测方法、ai模型性能的测量方法、装置及设备
WO2024208211A1 (zh) Csi预测性能的监测方法、装置、终端及网络侧设备
WO2023098535A1 (zh) 信息交互方法、装置及通信设备
WO2024099091A1 (zh) 波束预测方法、装置、终端、网络侧设备及存储介质
WO2023186091A1 (zh) 样本确定方法、装置及设备
WO2023098586A1 (zh) 信息交互方法、装置及通信设备
WO2023134761A1 (zh) 波束信息交互方法、装置、设备及存储介质
WO2024120358A1 (zh) 信息传输方法、信息传输装置和通信设备

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23851915

Country of ref document: EP

Kind code of ref document: A1