智能无线通信 课件 第六章 移动性管理中人工智能的应用

移动性管理中人工智能的应用

基于AI的切换管理与高精度定位基础概念理解：5G中的移动性管理

系统化理解移动性管理概念01基于AI的切换管理案例：基于LSTM用户移动性预测的切换管理

切换管理问题的抽象化建模03基于AI的高精度无线定位案例：基于CNN的CSIWi-Fi定位案例

高精度无线定位问题解决方案04本节教学内容AI基础知识：神经网络模型回顾

复习神经网络基础知识02移动通信知识回顾5G无线网络技术特点33大应用场景8个KPI指标移动通信知识回顾42G4G5G3G1G1G到5G移动性管理关键技术演进分区分频实现用户定位和呼叫电路交换位置区/寻呼区实现用户定位和呼叫分组交换

核心网/接入网分离软切换无缝切换载波聚合服务化架构控制面与用户面分离双连接……移动通信知识回顾55G网络的基本架构5G的无线网络被称为NR-RAN，对应的网元是gNB，主要功能包括无线资源管理、无线承载控制、无线准入控制、移动性控制、调度等。5G的核心网被称为5GC网，其包含AMF、UPF、SMF等网元。移动通信知识回顾65G网络的基本架构移动通信知识回顾75G接入网、核心网协议栈移动通信知识回顾85G接入网、核心网协议栈SDAP层：ServiceDataAdaptationProtocol服务数据调整协议PDCP层：PacketDataConvergenceProtocol分组数据汇聚协议RLC层：RadioLinkControl无线链路控制MAC层：MediumAccessControl媒体接入控制PHY层：Physical物理层NAS层：Non-AccessStratum非接入层RRC层：RadioResourceControl无线资源控制PDCP层：PacketDataConvergenceProtocolRLC层：RadioLinkControlMAC层：MediumAccessControlPHY层：Physical移动通信知识回顾95G接入网、核心网协议栈基础概念理解：5G中的移动性管理10移动性管理：通信系统中对移动终端位置信息、安全性及业务连续性进行管理的技术，旨在优化终端与网络连接状态并保障服务连续性。其核心功能包括位置管理和切换管理。用户侧：实现用户在不同地理区域和不同接入网络间切换时，语音、数据、多媒体等业务无缝切换，极大提升了用户体验。网络侧：优化网络资源分配，有效降低呼叫失败率、切换延迟与信令开销，提升网络服务质量。基础概念理解：移动性管理11空闲态非激活态公共陆地移动网络选择小区重选移动性广播系统信息公共陆地移动网络选择小区重选移动性广播系统信息由NG-RAN配置的RAN寻呼为用户建立5GC-NG-RAN连接用户AS上下文存储在NG-RAN和用户中NG-RAN知道用户所属的小区向/从用户传输单播数据网络控制移动性包括测量标准化中的移动性管理非连接态连接态移动终止数据的寻呼由5GC发起小区级移动性波束级移动性基础概念理解：5G中的移动性管理非连接态的移动性管理连接态的移动性管理12小区选择/重选区域B

③②区域A更新时刻①②①切换时刻区域B区域A切换基础概念理解：移动性管理13非连接态的移动性管理

正常驻留状态连接状态任意小区驻留状态利用存储信息进行小区选择初始的小区选择小区重选离开连接模式进行小区选择1122PLMN选定后执行没有找到适合小区找到适合小区找到适合小区找到适合小区没有找到适合小区返回到空闲状态没有找到适合小区找到适合小区插入USIM没有USIM发现更适合小区条件触发进入连接状态没有找到适合小区位置登记失败基础概念理解：5G中的移动性管理小区选择准则-S准则小区选择过程中，终端需要对将要选择的小区进行测量，以便进行信道质量评估，判断其是否符合驻留的标准。小区选择的测量准则被称为S准则。当某个小区的信道质量和信号强度满足S准则之后，就可能被选择为驻留小区。只搜索同频中的最强小区如果满足S准则，则选择全频扫描寻找合适小区如果满足S准则，则选择从储存的历史信息中寻找合适小区如果没有找到合适小区21初始接入时，即没有保存先验信息UE储存了先验信息S准则公式基础概念理解：5G中的移动性管理15小区重选准则-R准则NR小区重选(CellReselection)指UE在空闲模式或INACTIVE模式下通过监测邻区和当前小区的信号质量以选择一个最好的小区提供服务信号的过程。当邻区的信号质量及电平满足S准则且满足重选判决R准则时，终端将接入该小区驻留。R准则公式重选到低优先级小区UE重选到较低优先级频率小区的门限启动同频测量，找到合适小区重选重选到高优先级小区UE重选到较高优先级频率小区的门限重选到低优先级小区时服务小区门限低优先级频率小区高优先级频率小区同频测量门限服务小区不启动同频测量异频测量门限基础概念理解：移动性管理16连接态的移动性管理：切换管理基站（gNB）间切换过程：由源

gNB发起切换并通过Xn接口发出切换请求；目标gNB执行准入控制并提供RRC配置以完成切换确认；源gNB在切换命令中向用户（UE）提供RRC配置；UE将RRC连接移动到目标gNB并回复切换完成。

基础概念理解：移动性管理的基本内容17位置更新是指移动用户在改变自己所在的位置区时，向网络报告自己的新的位置信息，以便网络能够及时更新用户的位置档案。

减少网络对用户位置的不确定性，从而降低寻呼的代价。位置管理位置更新寻呼鉴权数据库更新数据库查询终端呼叫NG-RAN节点核心网寻呼连接态的移动性管理：位置管理基础概念理解：5G中的移动性管理

系统化理解移动性管理概念01基于AI的切换管理案例：基于LSTM用户移动性预测的切换管理

切换管理问题的抽象化建模03基于AI的高精度无线定位案例：基于CNN的CSIWi-Fi定位案例

高精度无线定位问题解决方案04本节教学内容AI基础知识：神经网络模型回顾

复习神经网络基础知识02AI赋能移动性管理19为什么需要AI？数据量增长、数据来源复杂，普通算法不好处理多样化的任务，如信号处理、资源分配等难以用规则表征，需要另辟蹊径充分利用快速发展的计算与存储设备AI的应用人脸识别、在线推荐自然语言处理自动驾驶无线通信AI赋能移动性管理20AI技术为5G发展带来了契机建立AI分析模型

5G网络特征提取海量终端智能管理数据决策模式机器学习完成AI是解决5G网络复杂性的必备良药KevinP.Murphy：能够自动探知数据中隐藏的“模式”，并利用这些模式去预测未来的数据或者作出其他类型决策的一系列方法AI赋能移动性管理网络超密集化，大规模机器类通信等新技术的引入导致基站密度和连接密度大幅增加，无线接入点切换频率大幅升高。传统切换管理技术难以处理复杂和频繁的连接变化，传统位置管理技术也显现出局限性。引入AI技术，对用户行为准确预测，移动性预测和移动性决策辅助越区切换的判决；引入AI技术，通过挖掘信道响应与位置坐标之间的映射关系，提高定位精度。21AI基础知识：神经网络模型回顾22基本人工神经元结构对应的连接权值神经元的N个输入net激活函数输出AI基础知识：神经网络模型回顾23基本人工神经元模型抽象AI基础知识：神经网络模型回顾24基本人工神经元数学抽象AI基础知识：神经网络模型回顾25激活函数激活函数有什么作用？引入非线性因素。什么是激活函数？神经网络中的每个神经元节点接受上一层神经元的输出值作为本神经元的输入值，并将输入值传递给下一层，输入层神经元节点会将输入属性值直接传递给下一层（隐层或输出层）。在多层神经网络中，上层节点的输出和下层节点的输入之间具有一个函数关系，这个函数称为激活函数（又称激励函数）。AI基础知识：神经网络模型回顾26激活函数激活函数可能具有的特性连续可导反向传播时需要计算激活函数的偏导数非线性函数在神经网络中引入非线性因素单调性单层神经网络的误差函数是凸的，好优化输出值范围有限的范围使得基于梯度的优化方法更加稳定无限的范围，训练更加高效AI基础知识：神经网络模型回顾27Sigmoid函数优点具有较好的可解释性输出范围有限单调连续缺点函数饱和，梯度容易消失输出不以0为中心计算复杂度高AI基础知识：神经网络模型回顾28tanh函数优点输出均值是0收敛速度要比sigmoid快输出范围有限单调连续缺点函数饱和，梯度容易消失Tanh函数的值域是-1到1，无法表示概率的输出AI基础知识：神经网络模型回顾29Relu函数优点收敛速度快更加简单的实现有效缓解梯度消失问题提供了神经网络的稀疏表达能力缺点不能避免梯度爆炸问题输出不以0为中心神经元坏死现象AI基础知识：神经网络模型回顾30输入层隐藏层输出层神经网络组成AI基础知识：神经网络技术回顾31神经网络中的符号说明l层的第i个神经元l-1层的第j个神经元到l层第i个神经元的权重l层神经网络输出：l-1层到l层权重矩阵：AI基础知识：神经网络模型回顾32神经网络建模AI基础知识：神经网络模型回顾33神经网络建模AI基础知识：神经网络模型回顾34Q:

The

catsatonthe_______.

三种方法基于语言模型的N-gram前馈神经网络（FFNN）循环神经网络（RNN）AI基础知识：神经网络模型回顾35Q:

The

catsatonthe_______.

“Thecatsatonthe”之后加一个单词WT，构成的这个句子出现的概率，在所有加一个单词构成的句子在所有人类文章中出现的概率，是最大的，则填入WT即使用chain-rule计算以下概率：问题：参数过多，计算过于复杂N-gram语言模型填词AI基础知识：神经网络模型回顾36假设语料库总数为13748使用语料库训练bigram的例子AI基础知识：神经网络模型回顾37“Thecatsatonthe”之后加一个单词WT，构成的这个句子出现的概率，在所有加一个单词构成的句子在所有人类文章中出现的概率，是最大的，则填入WTQ:

The

catsatonthe_______.

用2-gram解题AI基础知识：神经网络模型回顾38组合稀疏组合爆炸N-gram语言模型的问题AI基础知识：神经网络模型回顾39利用窗处理将不同时刻的向量并接成一个更大的向量解决问题：没有概率为0的情况引入问题：时间窗长度固定，依赖受限基于人工神经网络的填词具有局限性AI基础知识：神经网络模型回顾40RNN通过使用带自反馈的神经元，能够处理任意长度的时序数据。RNN比前馈神经网络更加符合生物神经网络的结构。RNN已经被广泛应用在语音识别、语言模型以及自然语言生成等任务中。活性值状态循环神经网络（RNN）的基本结构AI基础知识：神经网络模型回顾41x：某时刻的输入（输入层）s：隐藏状态（隐藏层）o：某时刻的输出（输出层）展开U：输入层到隐藏层的权重矩阵V：隐藏层到输出层的权重矩阵W：隐藏状态间的权重矩阵符号说明：循环神经网络（RNN）的基本结构AI基础知识：神经网络模型回顾42循环神经网络的隐藏状态s0，不仅取决于当前的输入x，还取决于上一时刻的隐藏状态st-1循环神经网络在所有时刻共享权重矩阵U、V、W，极大减少需要学习的参数量循环神经网络的隐藏状态s类似一个记忆单元，它可以捕捉之前所有时刻产生的信息（理想状态）RNN的特点AI基础知识：神经网络模型回顾43输出层计算公式：隐藏层计算公式：RNN如何考虑之前的任意多个输入进行预测的？AI基础知识：神经网络模型回顾44试着去预测“IgrewupinFrance...(此处省略一万字)Ispeakfluent____”最后的词当相关信息和当前预测位置间隔过大，RNN会丧失学习到连接如此远的信息的能力RNN的劣势AI基础知识：神经网络模型回顾45结构同RNN类似，但内部设计更复杂通过引入复杂门控来解决序列较长无法预测的问题LSTMLSTM可以实现“选择性的遗忘，有目的的记忆”LSTM可以很好地解决上述问题AI基础知识：神经网络模型回顾46在LSTM中，整体上除了输出h在随时间流动，细胞状态C(t)也在随时间流动，细胞状态C就代表着长期记忆。LSTM细胞状态AI基础知识：神经网络模型回顾47LSTM遗忘门AI基础知识：神经网络模型回顾48LSTM输入门AI基础知识：神经网络模型回顾49LSTM更新细胞状态通过输入门和遗忘门，更新当前的细胞状态，即“遗忘一些旧信息，更新一些新内容”AI基础知识：神经网络模型回顾50LSTM输出门AI基础知识：神经网络模型回顾51遗忘门：输入门：状态更新：输出门：LSTM的数学抽象AI基础知识：神经网络模型回顾52LSTM的简化：GRU门限循环单元AI基础知识：神经网络模型回顾53机器翻译输入：源语言中的一个词序列（例如，德语）输出：目标语言的一个词序列（例如，英语）关键点：在接收到了完整的输入后才会开始输出LSTM的传统应用举例基础概念理解：5G中的移动性管理

系统化理解移动性管理概念01基于AI的切换管理案例：基于LSTM用户移动性预测的切换管理

切换管理问题的抽象化建模03基于AI的高精度无线定位案例：基于CNN的CSIWi-Fi定位案例

高精度无线定位问题解决方案04本节教学内容AI基础知识：神经网络模型回顾

复习神经网络基础知识02基于LSTM用户移动性预测的切换管理：方案设计数据集预测目的降低切换频率554GLTESpeedDatasetandBandwidth：移动运营商在爱尔兰科克市及周边区域采集，覆盖真实4G（LTE）网络环境，包含用户终端与基站的交互数据运营商可以利用此数据集搭建人工智能预测模型，通过用户历史数据，推断用户未来的移动行为趋势以辅助切换决策，降低切换频率。56

基于LSTM用户移动性预测的切换管理：数据集介绍关键指标名称指标含义Timestamp样本的时间戳LongitudeandLatitude移动设备的GPS坐标Velocity移动设备的速度（单位：千米/小时）CellId移动设备对应的服务小区标识NetworkMode移动通信标准（2G/3G/4G）RSRQ参考信号接收功率与接收信号强度指示的比值，其信号强度是通过所有资源元素测量得到的，包含所有来源的干扰（单位：分贝）RSRP不同资源元素内承载的小区专用参考符号的平均功率，用于测量小区信号强度/覆盖范围，进而服务于小区选择（单位：分贝毫瓦）RSSI接收功率（宽带），包含服务小区信号以及其他来源的干扰和噪声。4GLTESpeedDatasetandBandwidth基于LSTM用户移动性预测的切换管理：数据集处理将数据按照基站名称和CellID分组存储在字典57删除长度过小的样本，防止模型学习错误信息或片面信息拆分长度过大的样本，帮助模型更有效地学习从字典中删除样本数过小的基站数据，防止模型训练过拟合将每个基站的样本按比例划分为训练集和测试集，并分别保存为pickle文件·只分析移动速度较快的公交车案例RacaD,QuinlanJJ,ZahranAH,etal.Beyondthroughput:A4GLTEdatasetwithchannelandcontextmetrics[C]//Proceedingsofthe9thACMmultimediasystemsconference.2018:460-465.基于LSTM用户移动性预测的切换管理：模型训练与评估根据已经给出的时间序列的历史数据预测该时间序列未来可能的行为，计算预测值与真实值间的误差。模型训练与评估58X轴代表迭代次数，Y轴代表损失值，损失函数随着迭代次数增加，下降速率减缓，趋向平稳。基于LSTM用户移动性预测的切换管理：用户移动模拟基于高斯-马尔科夫模型模拟用户移动，用户的当前位置和速度都会受到前一时刻状态的影响。用户移动模拟59基于LSTM用户移动性预测的切换管理：小区切换模拟决策问题预测切换存在明显优势基于对用户移动轨迹的有效预测辅助切换决策，降低切换次数。减少切换信令开销。60基于CNN的CSIWi-Fi定位案例：方案设计61CSI指纹定位技术CSI指纹定位技术采用非测距方式通过收集和利用环境中的信号、图像、传感器数据等构建位置指纹来实现定位，常用于GPS信号不足的环境，如室内定位。特征图滑动