[go: up one dir, main page]

WO2025211433A1 - 通信方法、ユーザ装置、及びネットワークノード - Google Patents

通信方法、ユーザ装置、及びネットワークノード

Info

Publication number
WO2025211433A1
WO2025211433A1 PCT/JP2025/013699 JP2025013699W WO2025211433A1 WO 2025211433 A1 WO2025211433 A1 WO 2025211433A1 JP 2025013699 W JP2025013699 W JP 2025013699W WO 2025211433 A1 WO2025211433 A1 WO 2025211433A1
Authority
WO
WIPO (PCT)
Prior art keywords
event
measurement report
measurement
future
occur
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
PCT/JP2025/013699
Other languages
English (en)
French (fr)
Inventor
真人 藤代
光孝 秦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kyocera Corp
Original Assignee
Kyocera Corp
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 Kyocera Corp filed Critical Kyocera Corp
Publication of WO2025211433A1 publication Critical patent/WO2025211433A1/ja
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/08—Access point devices

Definitions

  • This disclosure relates to a communication method, user equipment, and network node used in a mobile communication system.
  • 3GPP Third Generation Partnership Project
  • AI/ML artificial intelligence or machine learning
  • a communication method is a communication method executed by a user equipment in a mobile communication system, and includes: performing, in a radio resource control (RRC) connected state in which the user equipment is connected to a network node, event prediction using an artificial intelligence or machine learning (AI/ML) model to predict whether a measurement report event that will trigger transmission of a measurement report to the network node will occur in the future; and, in response to the user equipment predicting that the measurement report event will occur in the future, transmitting a message regarding the result of the event prediction to the network node.
  • RRC radio resource control
  • AI/ML artificial intelligence or machine learning
  • a network node is a network node used in a mobile communication system, and includes a receiving unit that receives a message relating to the result of an event prediction using an artificial intelligence or machine learning (AI/ML) model from a user equipment in a radio resource control (RRC) connected state connected to the network node, and a control unit that performs mobility control for the user equipment based on the message.
  • the event prediction is a process of predicting whether a measurement report event that will trigger the transmission of a measurement report to the network node will occur in the future.
  • the message indicates that the measurement report event is predicted to occur in the future.
  • FIG. 2 is a diagram illustrating an example of an operation scenario of the mobile communication system according to the embodiment.
  • FIG. 10 is a diagram showing another example of an operation scenario of the mobile communication system according to the embodiment.
  • FIG. 10 is a diagram illustrating a specific example of an operation according to the embodiment.
  • FIG. 10 is a diagram for explaining an operation according to a modified example.
  • the technology described in the background art above can be considered as a use case for AI/ML technology in mobility control of user equipment.
  • AI/ML technology for example, it is conceivable to apply AI/ML technology to control the switching of serving cells from a source cell to a target cell.
  • a specific mechanism for applying AI/ML technology to mobility control of user equipment has not yet been established, making it difficult to utilize AI/ML technology in mobile communication systems.
  • the purpose of this disclosure is to utilize AI/ML technology in mobile communication systems.
  • FIG. 1 is a diagram showing an example of the configuration of a mobile communication system 1 according to an embodiment.
  • the mobile communication system 1 conforms to the 3GPP standard 5th Generation System (5GS). While the following description uses 5GS as an example, the mobile communication system may also be at least partially based on an LTE (Long Term Evolution) system. The mobile communication system may also be at least partially based on a 6th Generation (6G) system.
  • 5GS 3GPP standard 5th Generation System
  • LTE Long Term Evolution
  • 6G 6th Generation
  • NG-RAN10 includes base stations (referred to as "gNBs" in 5G systems) 200, which are a type of network node. gNBs 200 are connected to each other via an Xn interface, which is an interface between base stations. gNBs 200 manage one or more cells. gNBs 200 perform wireless communication with UEs 100 that have established a connection with their own cell. gNBs 200 have radio resource management (RRM) functions, user data (hereinafter simply referred to as “data”) routing functions, measurement control functions for mobility control and scheduling, and more.
  • RRM radio resource management
  • Cell is used as a term to indicate the smallest unit of a wireless communication area.
  • Cell is also used as a term to indicate functions or resources for wireless communication with UEs 100.
  • One cell belongs to one carrier frequency (hereinafter simply referred to as "frequency").
  • gNBs can also connect to the EPC (Evolved Packet Core), which is the LTE core network.
  • EPC Evolved Packet Core
  • LTE base stations can also connect to 5GC.
  • LTE base stations and gNBs can also be connected via a base station-to-base station interface.
  • 5GC20 includes an AMF (Access and Mobility Management Function) and a UPF (User Plane Function) 300.
  • the AMF performs various mobility controls for UE100.
  • the AMF manages the mobility of UE100 by communicating with UE100 using NAS (Non-Access Stratum) signaling.
  • the UPF controls data forwarding.
  • the AMF and UPF are connected to gNB200 via the NG interface, which is an interface between the base station and the core network.
  • the transmitting unit 120 performs various transmissions under the control of the control unit 130.
  • the transmitting unit 120 includes an antenna and a transmitter.
  • the transmitter converts the baseband signal (transmission signal) output by the control unit 130 into a radio signal and transmits it from the antenna.
  • the control unit 130 performs various controls and processes in the UE 100. Such processes include the processes of each layer described below. The operations of the UE 100 described above and below may be operations under the control of the control unit 230.
  • the control unit 130 includes at least one processor and at least one memory.
  • the memory stores programs executed by the processor and information used in the processing by the processor.
  • the processor may include a baseband processor and a CPU (Central Processing Unit).
  • the baseband processor performs modulation/demodulation and encoding/decoding of baseband signals.
  • the CPU executes programs stored in the memory to perform various processes.
  • FIG. 3 is a diagram showing an example configuration of a gNB200 (network node) according to an embodiment.
  • the gNB200 has a transmitter 210, a receiver 220, a controller 230, and a network communication unit 240.
  • the transmitter 210 and receiver 220 constitute a wireless communication unit 250 that performs wireless communication with the UE100.
  • the network communication unit 240 has a transmitter 241 that performs transmission and a receiver 242 that performs reception.
  • the transmitting unit 210 performs various transmissions under the control of the control unit 230.
  • the transmitting unit 210 includes an antenna and a transmitter.
  • the transmitter converts the baseband signal (transmission signal) output by the control unit 230 into a radio signal and transmits it from the antenna.
  • the receiving unit 220 performs various types of reception under the control of the control unit 230.
  • the receiving unit 220 includes an antenna and a receiver.
  • the receiver converts the radio signal received by the antenna into a baseband signal (received signal) and outputs it to the control unit 230.
  • the control unit 230 performs various controls and processes in the gNB 200. Such processes include the processes of each layer described below.
  • the operations of the gNB 200 described above and below may be operations under the control of the control unit 230.
  • the control unit 230 includes at least one processor and at least one memory.
  • the memory stores programs executed by the processor and information used in the processing by the processor.
  • the processor may include a baseband processor and a CPU.
  • the baseband processor performs modulation/demodulation and encoding/decoding of baseband signals.
  • the CPU executes programs stored in the memory to perform various processes.
  • the network communication unit 240 is connected to adjacent base stations via an Xn interface, which is an interface between base stations.
  • the network communication unit 240 is connected to the AMF/UPF 300 via an NG interface, which is an interface between a base station and a core network.
  • the gNB 200 may be composed of a CU (Central Unit) and a DU (Distributed Unit) (i.e., functionally divided), and the two units may be connected via an F1 interface, which is a fronthaul interface.
  • Figure 4 shows the protocol stack configuration of the user plane radio interface that handles data.
  • the user plane radio interface protocol has a physical (PHY) layer, a medium access control (MAC) layer, a radio link control (RLC) layer, a packet data convergence protocol (PDCP) layer, and a service data adaptation protocol (SDAP) layer.
  • PHY physical
  • MAC medium access control
  • RLC radio link control
  • PDCP packet data convergence protocol
  • SDAP service data adaptation protocol
  • the PHY layer performs encoding/decoding, modulation/demodulation, antenna mapping/demapping, and resource mapping/demapping.
  • Data and control information are transmitted between the PHY layer of UE100 and the PHY layer of gNB200 via a physical channel.
  • the PHY layer of UE100 receives downlink control information (DCI) transmitted from gNB200 on the physical downlink control channel (PDCCH).
  • DCI downlink control information
  • UE100 performs blind decoding of the PDCCH using a radio network temporary identifier (RNTI) and acquires successfully decoded DCI as DCI addressed to the UE.
  • RNTI radio network temporary identifier
  • the DCI transmitted from gNB200 has CRC (Cyclic Redundancy Code) parity bits scrambled by the RNTI added.
  • the RLC layer uses the functions of the MAC layer and PHY layer to transmit data to the RLC layer on the receiving side. Data and control information are transmitted between the RLC layer of UE100 and the RLC layer of gNB200 via logical channels.
  • the PDCP layer performs header compression/decompression, encryption/decryption, etc.
  • the SDAP layer maps IP flows, which are the units by which the core network controls QoS (Quality of Service), to radio bearers, which are the units by which the AS (Access Stratum) controls QoS. Note that if the RAN is connected to the EPC, SDAP is not required.
  • Figure 5 shows the protocol stack configuration of the radio interface of the control plane, which handles signaling (control signals).
  • RRC signaling for various settings is transmitted between the RRC layer of UE100 and the RRC layer of gNB200.
  • the RRC layer controls logical channels, transport channels, and physical channels in accordance with the establishment, re-establishment, and release of radio bearers.
  • RRC connection connection between the RRC of UE100 and the RRC of gNB200
  • UE100 is in an RRC connected state.
  • RRC connection no connection between the RRC of UE100 and the RRC of gNB200
  • UE100 is in an RRC idle state.
  • UE100 is in an RRC inactive state.
  • the NAS layer (also simply referred to as "NAS"), located above the RRC layer, performs session management, mobility management, etc.
  • NAS signaling is transmitted between the NAS layer of UE100 and the NAS layer of AMF300A.
  • UE100 also has an application layer, etc.
  • the layer below the NAS layer is called the AS layer (also simply referred to as "AS").
  • measurement targets also called “measurement objects”
  • a measurement object is, for example, a monitored frequency (carrier frequency), but it can also be a cell.
  • measurement objects For each measurement object, one or more reporting configurations can be defined, which define the reporting criteria. There are three reporting criteria (measurement report types): event-triggered reporting, periodic reporting, and event-triggered periodic reporting for measurement reports.
  • the measurement report event type set in UE100 by the reporting configuration may be, for example, Event A1 (Serving becomes better than threshold), Event A2 (Serving becomes worse than threshold), or Event A3 (Neighborhood becomes amount of offset better than PCell/PSCell).
  • Event A1 is a measurement report event that indicates that the measurement result of the current serving cell has become better than the threshold.
  • Event A2 is a measurement report event that indicates that the measurement result of the current serving cell has become worse than the threshold.
  • Event A3 is a measurement report event that indicates that the measurement result of a neighboring cell has improved beyond the measurement result of the current serving cell (specifically, PCell/PSCell) plus an offset value.
  • the reporting configuration may include configuration of such event types and settings of the thresholds and/or offset values used for those event types.
  • the reporting settings for event-triggered reporting and event-triggered periodic reporting may include a TTT (Time To Trigger) setting.
  • UE100 triggers the transmission of a single or periodic measurement report when the measurement reporting event set for UE100 in the reporting settings remains satisfied for the TTT period.
  • "Occurrence of a measurement reporting event” may mean that the conditions for the measurement reporting event are satisfied and that this state continues for the TTT period.
  • UE100 in the RRC connected state measures at least one beam of a cell and averages the measurement results (power values) to derive the radio quality (also referred to as "reception quality") for that cell.
  • UE100 is configured to consider a subset of the detected beams.
  • filtering which is measurement averaging, is performed at two different levels.
  • UE100 first derives beam quality using L1 filtering, which is filtering at the physical layer (PHY, Layer 1 (L1)), and then derives cell quality from multiple beams using L3 filtering, which is filtering at the RRC layer (Layer 3 (L3)) level.
  • L1 filtering which is filtering at the physical layer (PHY, Layer 1 (L1)
  • L3 filtering which is filtering at the RRC layer (Layer 3 (L3)
  • cell quality from beam measurements is derived in the same way for serving and non-serving cells.
  • UE100 may include measurement results of the X best beams in the L3 measurement report, depending on the configuration by gNB
  • FIG. 6 is a diagram showing the configuration for measurements by a UE 100 according to an embodiment.
  • the control unit 130 of the UE 100 has an L1 filter 11, a beam combining/selecting unit 12, an L3 filter 13, an evaluation unit 14, an L3 beam filter 15, and a beam selecting unit 16.
  • the control unit 130 receives the wireless quality of a beam measured by one of the receivers 111 in the receiving unit 110.
  • the receiver 111 is also referred to as an "RF (Radio Frequency) chain.”
  • the multiple receivers 111 may support different frequencies.
  • the L1 filter 11 includes K L1 filters 11 corresponding to the K beams.
  • K measurement results A obtained by the UE 100 (receiving unit 110) measuring the radio quality for each of the K beams are input to the L1 filter 11.
  • the K measurement results A for the K beams are measurement results (beam-specific samples) within the physical layer, and are measurement results of SSB (SS/PBCH block) or CSI (Channel State Information) reference signal resources detected by the UE 100 (receiving unit 110) in L1.
  • the L1 filter 11 performs L1 filtering on the K measurement results A for the K beams in L1, and outputs the beam-specific measurement results A1 after L1 filtering to the beam combining/selecting unit 12 and the L3 beam filter 15.
  • the beam integrating/selecting unit 12 integrates the beam-specific measurement results A1 , derives the cell radio quality (cell quality) B, and outputs the cell quality B to the L3 filter 13.
  • the operation of the beam integrating/selecting unit 12 is configured by RRC signaling from the gNB 200.
  • the L3 filter 13 filters the measurement result (cell quality B) output by the beam combining/selection unit 12 at L3 and outputs the measurement result C after L3 filtering to the evaluation unit 14.
  • the operation of the L3 filter 13 is configured by RRC signaling from the gNB 200.
  • the measurement result C after L3 filtering is used as input for one or more evaluations of the L3 measurement report from the UE 100 to the gNB 200.
  • the L3 filter 13 filters the measurement results for each cell measurement and each beam measurement by the following equation (1) before using them for evaluation of reporting criteria or for L3 measurement reporting:
  • F n (1-a) ⁇ F n-1 +a ⁇ M n ...(1)
  • M n is the latest measurement from the physical layer (L1)
  • F n is the updated filtered measurement, used for evaluation of reporting criteria or L3 measurement reporting
  • F n-1 is the old filtered measurement
  • F 0 is set to M 1 when the first measurement is received from the physical layer (L1).
  • a 1/2 (ki/4) , where k i is the filter coefficient (filterCoefficient) of the corresponding measurement of the i-th QuantityConfigNR in the quantityConfigNR-List, and i is indicated by the quantityConfigIndex in MeasObjectNR.
  • a 1/2 (k/4) , where k is the filter coefficient of the corresponding measurement received by the quantityConfig.
  • the L3 filter 13 adapts the filter so that its time characteristics are preserved at different input rates, while assuming a sample rate where the filter coefficient k is equal to X milliseconds.
  • the value of X corresponds to one intra-frequency L1 measurement period assuming non-DRX operation and is frequency range dependent.
  • the evaluation unit 14 evaluates whether an L3 measurement report D to the gNB 200 is necessary. This evaluation can be made based on a comparison of multiple measurement flows at reference point C, for example, different measurement results. This is shown by input C and input C1 .
  • the evaluation unit 14 performs a measurement reporting event evaluation corresponding to the reporting criteria at least every time a new measurement result is reported at points C and C1 .
  • the reporting criteria setting is provided by RRC signaling from the gNB 200.
  • the L3 measurement report D represents measurement report information (RRC message) transmitted from the UE 100 to the gNB 200.
  • the L3 measurement report D includes the measurement ID of the associated measurement setting that triggered the report.
  • Supervised learning is a method that uses correct answer data as training data.
  • Unsupervised learning is a method that does not use correct answer data as training data. For example, in unsupervised learning, feature points are memorized from a large amount of training data, and the correct answer is determined (range estimation).
  • Reinforcement learning is a method that assigns a score to the output result and learns how to maximize the score.
  • the data processing unit A4 receives the inference result data and performs processing that utilizes the inference result data.
  • the AI/ML technique is applied to mobility control of the UE 100. Specifically, when the UE 100 is in an RRC-connected state, the AI/ML technique is applied to handover in which the RRC layer takes the lead in switching the serving cell (primary cell) of the UE 100.
  • UE100 has an AI/ML model for predicting (specifically, predicting using model inference) whether a measurement report event will occur in the future. That is, in this embodiment, a UE-side model is used.
  • a measurement report event will occur in the future may mean that a measurement report event will not occur in the current radio environment, but will occur in the near future.
  • current radio environment may mean the current measurement results for the measurement target.
  • the “measurement target” is one of a cell, frequency, beam, reference signal, and measurement object.
  • the reference signal (RS) may be SSB (synchronization signal (SS)/physical broadcast channel (PBCH)), channel state information (CSI)-RS, demodulation (DM)-RS, etc.
  • SSB synchronization signal
  • PBCH physical broadcast channel
  • CSI channel state information
  • DM demodulation
  • gNB200 transmits an RRC message including measurement configuration to UE100.
  • UE100 receives the measurement configuration and starts measurement according to the measurement configuration.
  • the measurement configuration may include a measurement object (and its ID), a reporting configuration (and its ID), and a measurement ID.
  • Event-triggered reporting (or event-triggered periodic reporting) may be configured in UE100 by the reporting configuration.
  • Event A1, Event A2, and/or Event A3 may be configured in UE100 as the measurement report event type in the reporting configuration.
  • the measurement configuration may include configuration information for configuring event prediction (also referred to as "event prediction configuration").
  • the configuration information for configuring event prediction may be configured in UE100 in association with the measurement ID.
  • step S2 UE100 performs measurements on measurement targets (cells in this embodiment) defined according to the measurement object. For example, UE100 measures the reception quality of each cell belonging to each frequency specified in the measurement object and/or each cell specified in the measurement object to obtain measurement results.
  • the "measurement results” may be a set of the ID of the measurement target and its measurement value.
  • the “measurement values” may be reference signal received power (RSRP), reference signal radio quality (RSRQ), and/or signal-to-interference-and-noise ratio (SINR), etc.
  • RSRP reference signal received power
  • RSRQ reference signal radio quality
  • SINR signal-to-interference-and-noise ratio
  • step S3 model inference
  • UE100 uses AI/ML model 101 to predict whether a measurement report event will occur in the future, based at least in part on the measurement results in step S2 (measurement). That is, UE100 uses AI/ML model 101 to perform event prediction, which predicts whether a measurement report event that triggers the transmission of a measurement report to gNB200 will occur in the future.
  • AI/ML model 101 outputs the prediction result of when the measurement report event will occur through event prediction.
  • the prediction result may include a value indicating the probability (likelihood) that the measurement report event will occur in the future, i.e., a value indicating the prediction accuracy.
  • the AI/ML model 101 possessed by UE100 is assumed to have learned the correlation between these parameters through model learning.
  • the AI/ML model 101 has learned the causal relationship between parameters including measurement results for each measurement target and the measurement report event occurrence history for each cell through model learning.
  • at least a partially trained AI/ML model 101 may be set to UE100 by gNB200.
  • the AI/ML model 101 may be transferred from gNB200 to UE100 when communication between gNB200 and UE100 begins.
  • UE100 may generate a trained AI/ML model 101 by performing model learning in various environments.
  • step S4 UE100 transmits a measurement report to gNB200.
  • UE100 transmits the measurement results of each cell to gNB200 via an RRC message (measurement report) at a timing determined according to the reporting setting associated with the measurement object, for example, at the timing when a measurement report event occurs.
  • UE100 transmits a measurement report to gNB200 in response to the prediction that a measurement report event will occur in the future based on the model inference (event prediction) of step S3.
  • the measurement report is an example of a message regarding the result of the event prediction.
  • the measurement report includes a measurement ID associated with the measurement report event predicted to occur in the future.
  • the gNB200 that receives the measurement report performs mobility control for the UE100 based on the measurement report. For example, the gNB200 determines a target cell for handover and performs mobility control to switch the serving cell from the current serving cell (source cell) to the target cell.
  • UE100 in response to the prediction that a measurement report event will occur in the future through the model inference (event prediction) of step S3, triggers the transmission of a measurement report before the measurement report event occurs and/or upon assuming that the measurement report event has occurred.
  • This allows gNB200 to recognize the need for mobility control (e.g., handover) of UE100 at an earlier stage, thereby improving mobility control.
  • UE100 performing such operations has, in an RRC connected state connected to gNB200, a control unit 130 that performs event prediction using AI/ML model 101 to predict whether a measurement report event that will trigger the transmission of a measurement report to gNB200 will occur in the future, and a transmission unit 120 that transmits a message regarding the result of the event prediction to gNB200 in response to the prediction that a measurement report event will occur in the future (see Figure 2).
  • gNB200 has a reception unit 220 that receives a message regarding the result of the event prediction using AI/ML model 101 from UE100 in the RRC connected state, and a control unit 230 that performs mobility control for UE100 based on the message (see Figure 3).
  • gNB200 may further have a transmission unit 210 that transmits configuration information for configuring event prediction to UE100.
  • step S101 UE100 is in an RRC connected state with the cell of gNB200 as the serving cell.
  • gNB200 transmits the measurement configuration and event prediction configuration to UE100.
  • UE100 receives the measurement configuration and event prediction configuration.
  • the measurement configuration and event prediction configuration may be transmitted from gNB200 to UE100 in an RRC message (e.g., an RRC Reconfiguration message).
  • the event prediction configuration may be included in the measurement configuration as part of the measurement configuration (e.g., part of the reporting configuration).
  • the event prediction configuration may be associated with a measurement ID.
  • the event prediction setting may include a setting for specifying a measurement report event type to which the event prediction applies, and the setting may be information specifying which type of measurement report event (e.g., Event A1, Event A2, or Event A3) the prediction corresponds to.
  • the event prediction setting may include a setting for specifying a model ID of the AI/ML model 101 to be used for event prediction.
  • the UE 100 may select the AI/ML model 101 with the specified model ID and perform event prediction using the selected AI/ML model 101.
  • step S103 UE100 performs measurements on each measurement target (each cell) based on the measurement settings in step S102.
  • step S104 UE 100 performs event prediction using AI/ML model 101 based on the measurement results of step S103. If a threshold is set in the event prediction setting, UE 100 may predict that a measurement report event will occur when the probability value output by AI/ML model 101 exceeds the threshold. UE 100 may also predict what type of measurement report event will occur.
  • UE100 may predict whether the state in which the conditions for the measurement report event are met will continue for the time TTT. For example, UE100 infers whether the conditions will be met for the time TTT when the conditions for Event A3 are met and timing of TTT begins (i.e., when the radio environment first meets the conditions). If UE100 predicts that the conditions will be met for the time TTT, it may predict that a measurement report event will occur even if the time TTT has not yet elapsed.
  • step S105 If UE100 does not predict that a measurement report event will occur (step S105: NO), UE100 returns to step S103.
  • step S106 UE100 triggers the transmission of a measurement report before the measurement report event occurs or assumes that a measurement report event has occurred, and transmits the measurement report to gNB200.
  • the measurement report includes a measurement ID associated with the measurement report event that is predicted to occur.
  • the measurement report may include the measurement results of each measurement target measured in step S103.
  • the measurement results may include the measurement results of each measurement target predicted in step S104.
  • step S107 gNB200, which has received the measurement report from UE100, performs mobility control for UE100 based on the received measurement report. For example, gNB200 hands over UE100 to an appropriate cell or changes the primary/secondary cell (PS cell) of UE100.
  • PS cell primary/secondary cell
  • the notification information (message) of step S206 may include the cell ID of the target cell of the measurement report event predicted to occur in the future. That is, the notification information may include a cell ID for identifying which cell the measurement report event is intended to occur for. For example, if a measurement report event of Event A1 (Serving becomes better than threshold) or Event A2 (Serving becomes worse than threshold) is predicted to occur, UE100 may include the cell ID of the current serving cell in the notification information. If a measurement report event of Event A3 (Neighbor becomes amount of offset better than PCell/PSCell) is predicted to occur, UE100 may include the cell ID of the neighboring cell (and the cell ID of PCell/PSCell) in the notification information.
  • the notification information (message) of step S206 may include information indicating the prediction accuracy of the event prediction. This information may be a value indicating the likelihood (probability) that a measurement report event will occur.
  • the base station is an NR base station (gNB), but the base station may also be an LTE base station (eNB) or a 6G base station.
  • the base station may be a relay node such as an IAB (Integrated Access and Backhaul) node.
  • the base station may also be a DU of an IAB node.
  • UE100 may be an MT (Mobile Termination) of an IAB node.
  • UE100 may be a terminal function unit (a type of communication module) that allows the base station to control a repeater that relays signals.
  • Such a terminal function unit is referred to as an MT.
  • IAB-MT other examples of MT include NCR (Network Controlled Repeater)-MT and RIS (Reconfigurable Intelligent Surface)-MT.
  • network node primarily refers to a base station, but may also refer to a core network device or part of a base station (CU, DU, or RU).
  • a network node may also be composed of a combination of at least part of a core network device and at least part of a base station.
  • a program may be provided that causes a computer to execute each process performed by UE100 or gNB200.
  • the program may be recorded on a computer-readable medium.
  • the computer-readable medium can be used to install the program on a computer.
  • the computer-readable medium on which the program is recorded may be a non-transitory recording medium.
  • the non-transitory recording medium is not particularly limited, but may be, for example, a CD-ROM and/or DVD-ROM.
  • circuits that execute each process performed by UE100 or gNB200 may be integrated, and at least a portion of UE100 or gNB200 may be configured as a semiconductor integrated circuit (chipset, SoC: System on a chip).
  • UE100 or gNB200 may be implemented in circuitry or processing circuitry, including general-purpose processors, application-specific processors, integrated circuits, ASICs (Application Specific Integrated Circuits), CPUs (Central Processing Units), conventional circuits, and/or combinations thereof, programmed to perform the described functions.
  • a processor includes transistors and/or other circuits and is considered to be circuitry or processing circuitry.
  • a processor may also be a programmed processor that executes a program stored in memory.
  • circuitry, unit, or means refers to hardware that is programmed to perform the described functions or hardware that executes them.
  • the hardware may be any hardware disclosed herein or any hardware known to be programmed or capable of performing the described functions. If the hardware is a processor, which is considered a type of circuitry, the circuitry, means, or unit is a combination of hardware and software used to configure the hardware and/or processor.
  • ⁇ Appendix 1 A communication method performed by a user device in a mobile communication system, comprising: In a Radio Resource Control (RRC) Connected state in which the user equipment is connected to a network node, performing event prediction using an artificial intelligence or machine learning (AI/ML) model to predict whether a measurement reporting event that will trigger transmission of a measurement report to the network node will occur in the future; In response to the user equipment predicting that the measurement reporting event will occur in the future, sending a message to the network node regarding a result of the event prediction.
  • RRC Radio Resource Control
  • AI/ML artificial intelligence or machine learning
  • ⁇ Appendix 2 2. The communication method of claim 1, wherein the message is the measurement report including a measurement ID associated with the measurement report event predicted to occur in the future.
  • ⁇ Appendix 3 The communication method according to Supplementary Note 1 or 2, wherein the user equipment triggers transmission of the measurement report before the measurement report event occurs in response to predicting that the measurement report event will occur in the future.
  • ⁇ Appendix 4 The communication method according to Supplementary Note 1 or 2, wherein the user equipment, in response to predicting that the measurement report event will occur in the future, considers the measurement report event to have occurred and triggers transmission of the measurement report.
  • Appendix 5 The communication method according to any one of Supplementary Notes 1 to 4, wherein the user equipment, in response to predicting that the measurement report event will occur in the future, transmits the message to the network node, the message including notification information indicating a result of the event prediction.
  • ⁇ Appendix 6 The communication method according to any one of Supplementary Notes 1 to 5, wherein the message includes information indicating a measurement ID associated with the measurement report event predicted to occur in the future, and/or an event type of the measurement report event predicted to occur in the future.
  • Appendix 7 The communication method according to any one of Supplementary Notes 1 to 6, wherein the message includes a cell ID of a target cell of the measurement report event predicted to occur in the future.
  • Appendix 8 The communication method according to any one of Supplementary Notes 1 to 7, wherein the message includes information indicating prediction accuracy of the event prediction.
  • Appendix 9 The communication method according to any one of Supplementary Notes 1 to 8, wherein the message includes information indicating a timing at which the measurement report event is predicted to occur in the future.
  • Appendix 10 10. The communication method according to any one of Supplementary Notes 1 to 9, wherein the message includes a model ID of the AI/ML model used for the event prediction.
  • Appendix 11 receiving configuration information from the network node for configuring the event prediction; The communication method according to any one of Supplementary Notes 1 to 10, wherein the user device performs the event prediction based on the setting information.
  • Appendix 12 The communication method according to claim 11, wherein the configuration information includes a setting that specifies a future time range for which the event prediction is to predict the occurrence of the measurement report event.
  • Appendix 13 The user equipment obtains a value indicating a probability that the measurement report event will occur in the future using the AI/ML model; 13.
  • Appendix 14 The communication method according to any one of Supplementary Notes 11 to 13, wherein the configuration information includes a setting for specifying a measurement report event type to which the event prediction is to be applied.
  • Appendix 15 The communication method according to any one of appendices 11 to 14, wherein the setting information includes a setting for specifying a model ID of the AI/ML model used for the event prediction.
  • Appendix 16 A user device for use in a mobile communication system, comprising: a control unit that performs event prediction using an artificial intelligence or machine learning (AI/ML) model in a radio resource control (RRC) connected state in which the user equipment is connected to a network node to predict whether a measurement report event that triggers transmission of a measurement report to the network node will occur in the future; a transmitter configured to, in response to predicting that the measurement reporting event will occur in the future, transmit a message to the network node regarding a result of the event prediction.
  • a control unit that performs event prediction using an artificial intelligence or machine learning (AI/ML) model in a radio resource control (RRC) connected state in which the user equipment is connected to a network node to predict whether a measurement report event that triggers transmission of a measurement report to the network node will occur in the future
  • RRC radio resource control
  • a network node for use in a mobile communication system comprising: a receiving unit configured to receive a message relating to a result of an event prediction using an artificial intelligence or machine learning (AI/ML) model from a user equipment in a radio resource control (RRC) connected state connected to the network node; a control unit that performs mobility control for the user equipment based on the message, the event prediction is a process of predicting whether a measurement report event that triggers transmission of a measurement report to the network node will occur in the future; The message indicates to a network node that the measurement reporting event is predicted to occur in the future.
  • AI/ML artificial intelligence or machine learning
  • RRC radio resource control
  • Appendix 18 18.
  • Mobile communication system 5 Network 10: RAN (NG-RAN) 11: L1 filter 12: Beam integration/selection unit 13: L3 filter 14: Evaluation unit 15: L3 beam filter 16: Beam selection unit 20: CN (5GC) 100: UE 101: AI/ML model 110: Receiving unit 111: Receiver (RF chain) 120: Transmitter 130: Controller 140: Wireless Communication Unit 200: gNB 210: Transmitting unit 220: Receiving unit 230: Control unit 240: Network communication unit 241: Transmitting unit 242: Receiving unit 250: Wireless communication unit A1: Data collecting unit A2: Model learning unit A3: Model inference unit A4: Data processing unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

移動通信システムにおいてユーザ装置が実行する通信方法は、前記ユーザ装置がネットワークノードに接続した無線リソース制御（ＲＲＣ）コネクティッド状態において、人工知能又は機械学習（ＡＩ／ＭＬ）モデルを用いて、前記ネットワークノードへの測定報告の送信をトリガする測定報告イベントが将来発生するかについて予測するイベント予測を行うことと、前記ユーザ装置が、前記測定報告イベントが将来発生すると予測したことに応じて、前記イベント予測の結果に関するメッセージを前記ネットワークノードに送信することと、を有する。

Description

通信方法、ユーザ装置、及びネットワークノード
　本開示は、移動通信システムで用いる通信方法、ユーザ装置、及びネットワークノードに関する。
　移動通信システムの標準化プロジェクトである３ＧＰＰ（Ｔｈｉｒｄ　Ｇｅｎｅｒａｔｉｏｎ　Ｐａｒｔｎｅｒｓｈｉｐ　Ｐｒｏｊｅｃｔ）（登録商標。以下同じ）において、人工知能又は機械学習（「ＡＩ／ＭＬ」とも称する）技術を移動通信システムの無線通信（すなわち、エアインターフェイス）に適用しようとする検討がされている。
３ＧＰＰ寄書：ＲＰ－２３４０５５、「Ｓｔｕｄｙ　ｏｎ　Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ　（ＡＩ）／Ｍａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇ　（ＭＬ）　ｆｏｒ　ｍｏｂｉｌｉｔｙ　ｉｎ　ＮＲ」
　第１の態様に係る通信方法は、移動通信システムにおいてユーザ装置が実行する通信方法であって、前記ユーザ装置がネットワークノードに接続した無線リソース制御（ＲＲＣ）コネクティッド状態において、人工知能又は機械学習（ＡＩ／ＭＬ）モデルを用いて、前記ネットワークノードへの測定報告の送信をトリガする測定報告イベントが将来発生するかについて予測するイベント予測を行うことと、前記ユーザ装置が、前記測定報告イベントが将来発生すると予測したことに応じて、前記イベント予測の結果に関するメッセージを前記ネットワークノードに送信することと、を有する。
　第２の態様に係るユーザ装置は、移動通信システムで用いるユーザ装置であって、前記ユーザ装置がネットワークノードに接続した無線リソース制御（ＲＲＣ）コネクティッド状態において、人工知能又は機械学習（ＡＩ／ＭＬ）モデルを用いて、前記ネットワークノードへの測定報告の送信をトリガする測定報告イベントが将来発生するかについて予測するイベント予測を行う制御部と、前記測定報告イベントが将来発生すると予測したことに応じて、前記イベント予測の結果に関するメッセージを前記ネットワークノードに送信する送信部と、を有する。
　第３の態様に係るネットワークノードは、移動通信システムで用いるネットワークノードであって、前記ネットワークノードに接続した無線リソース制御（ＲＲＣ）コネクティッド状態のユーザ装置から、人工知能又は機械学習（ＡＩ／ＭＬ）モデルを用いたイベント予測の結果に関するメッセージを受信する受信部と、前記メッセージに基づいて前記ユーザ装置に対するモビリティ制御を行う制御部と、を有する。前記イベント予測は、前記ネットワークノードへの測定報告の送信をトリガする測定報告イベントが将来発生するかについて予測する処理である。前記メッセージは、前記測定報告イベントが将来発生すると予測されることを示す。
実施形態に係る移動通信システムの構成例を示す図である。 実施形態に係るＵＥ（ユーザ装置）の構成例を示す図である。 実施形態に係るｇＮＢ（ネットワークノード）の構成例を示す図である。 データを取り扱うユーザプレーンの無線インターフェイスのプロトコルスタックの構成を示す図である。 シグナリング（制御信号）を取り扱う制御プレーンの無線インターフェイスのプロトコルスタックの構成を示す図である。 実施形態に係るＵＥによる測定に関する構成を示す図である。 実施形態に係る移動通信システムにおけるＡＩ／ＭＬ技術の機能ブロック構成を示す図である。 実施形態に係る移動通信システムの動作シナリオの一例を示す図である。 実施形態に係る移動通信システムの動作シナリオの他の例を示す図である。 実施形態に係る動作の具体例を示す図である。 変更例に係る動作を説明するための図である。
　上述した背景技術で説明した技術は、ＡＩ／ＭＬ技術のユースケースとしてユーザ装置のモビリティ制御が考えられる。例えば、ソースセルからターゲットセルへのサービングセルの切り替えの制御にＡＩ／ＭＬ技術を適用することが考えられる。しかしながら、ユーザ装置のモビリティ制御にＡＩ／ＭＬ技術を適用する具体的なメカニズムは未だ確立されておらず、移動通信システムにおいてＡＩ／ＭＬ技術を活用することが難しい。
　本開示は、移動通信システムにおいてＡＩ／ＭＬ技術を活用することを目的とする。
　図面を参照しながら、実施形態に係る移動通信システムについて説明する。図面の記載において、同一又は類似の部分には同一又は類似の符号を付している。
　（１）移動通信システムの構成
　図１は、実施形態に係る移動通信システム１の構成例を示す図である。移動通信システム１は、３ＧＰＰ規格の第５世代システム（５ＧＳ：５ｔｈ　Ｇｅｎｅｒａｔｉｏｎ　Ｓｙｓｔｅｍ）に準拠する。以下において、５ＧＳを例に挙げて説明するが、移動通信システムにはＬＴＥ（Ｌｏｎｇ　Ｔｅｒｍ　Ｅｖｏｌｕｔｉｏｎ）システムが少なくとも部分的に適用されてもよい。移動通信システムには第６世代（６Ｇ）システムが少なくとも部分的に適用されてもよい。
　移動通信システム１は、ユーザ装置（ＵＥ：Ｕｓｅｒ　Ｅｑｕｉｐｍｅｎｔ）１００と、５Ｇの無線アクセスネットワーク（ＮＧ－ＲＡＮ：Ｎｅｘｔ　Ｇｅｎｅｒａｔｉｏｎ　Ｒａｄｉｏ　Ａｃｃｅｓｓ　Ｎｅｔｗｏｒｋ）１０と、５Ｇのコアネットワーク（５ＧＣ：５Ｇ　Ｃｏｒｅ　Ｎｅｔｗｏｒｋ）２０とを有する。以下において、ＮＧ－ＲＡＮ１０を単にＲＡＮ１０と称することがある。また、５ＧＣ２０を単にコアネットワーク（ＣＮ）２０と称することがある。ＲＡＮ１０及びＣＮ２０は、移動通信システム１のネットワーク５を構成する。
　ＵＥ１００は、移動可能な無線通信装置である。ＵＥ１００は、ユーザにより利用される装置であればどのような装置であっても構わない。例えば、ＵＥ１００は、携帯電話端末（スマートフォンであってもよい）及び／又はタブレット端末、ノートＰＣ、通信モジュール（通信カード又はチップセットであってもよい）、センサ若しくはセンサに設けられる装置、車両若しくは車両に設けられる装置（Ｖｅｈｉｃｌｅ　ＵＥ）、飛行体若しくは飛行体に設けられる装置（Ａｅｒｉａｌ　ＵＥ）である。ＵＥ１００からネットワーク５への送信方向のリンクを上りリンク（ＵＬ）と称し、ネットワーク５からＵＥ１００への送信方向のリンクを下りリンク（ＤＬ）と称する。
　ＮＧ－ＲＡＮ１０は、ネットワークノードの一種である基地局（５Ｇシステムにおいて「ｇＮＢ」と称される）２００を含む。ｇＮＢ２００は、基地局間インターフェイスであるＸｎインターフェイスを介して相互に接続される。ｇＮＢ２００は、１又は複数のセルを管理する。ｇＮＢ２００は、自セルとの接続を確立したＵＥ１００との無線通信を行う。ｇＮＢ２００は、無線リソース管理（ＲＲＭ）機能、ユーザデータ（以下、単に「データ」という）のルーティング機能、モビリティ制御・スケジューリングのための測定制御機能等を有する。「セル」は、無線通信エリアの最小単位を示す用語として用いられる。「セル」は、ＵＥ１００との無線通信を行う機能又はリソースを示す用語としても用いられる。１つのセルは１つのキャリア周波数（以下、単に「周波数」と称する）に属する。
　なお、ｇＮＢがＬＴＥのコアネットワークであるＥＰＣ（Ｅｖｏｌｖｅｄ　Ｐａｃｋｅｔ　Ｃｏｒｅ）に接続することもできる。ＬＴＥの基地局が５ＧＣに接続することもできる。ＬＴＥの基地局とｇＮＢとが基地局間インターフェイスを介して接続されることもできる。
　５ＧＣ２０は、ＡＭＦ（Ａｃｃｅｓｓ　ａｎｄ　Ｍｏｂｉｌｉｔｙ　Ｍａｎａｇｅｍｅｎｔ　Ｆｕｎｃｔｉｏｎ）及びＵＰＦ（Ｕｓｅｒ　Ｐｌａｎｅ　Ｆｕｎｃｔｉｏｎ）３００を含む。ＡＭＦは、ＵＥ１００に対する各種モビリティ制御等を行う。ＡＭＦは、ＮＡＳ（Ｎｏｎ－Ａｃｃｅｓｓ　Ｓｔｒａｔｕｍ）シグナリングを用いてＵＥ１００と通信することにより、ＵＥ１００のモビリティを管理する。ＵＰＦは、データの転送制御を行う。ＡＭＦ及びＵＰＦは、基地局－コアネットワーク間インターフェイスであるＮＧインターフェイスを介してｇＮＢ２００と接続される。
　図２は、実施形態に係るＵＥ１００（ユーザ装置）の構成例を示す図である。ＵＥ１００は、受信部１１０、送信部１２０、及び制御部１３０を有する。受信部１１０及び送信部１２０は、ｇＮＢ２００との無線通信を行う無線通信部１４０を構成する。
　受信部１１０は、制御部１３０の制御下で各種の受信を行う。受信部１１０は、アンテナ及び受信機を含む。受信機は、アンテナが受信する無線信号をベースバンド信号（受信信号）に変換して制御部１３０に出力する。
　送信部１２０は、制御部１３０の制御下で各種の送信を行う。送信部１２０は、アンテナ及び送信機を含む。送信機は、制御部１３０が出力するベースバンド信号（送信信号）を無線信号に変換してアンテナから送信する。
　制御部１３０は、ＵＥ１００における各種の制御及び処理を行う。このような処理は、後述の各レイヤの処理を含む。上述及び後述のＵＥ１００の動作は、制御部２３０の制御による動作であってもよい。制御部１３０は、少なくとも１つのプロセッサ及び少なくとも１つのメモリを含む。メモリは、プロセッサにより実行されるプログラム、及びプロセッサによる処理に用いられる情報を記憶する。プロセッサは、ベースバンドプロセッサと、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）とを含んであってもよい。ベースバンドプロセッサは、ベースバンド信号の変調・復調及び符号化・復号等を行う。ＣＰＵは、メモリに記憶されるプログラムを実行して各種の処理を行う。
　図３は、実施形態に係るｇＮＢ２００（ネットワークノード）の構成例を示す図である。ｇＮＢ２００は、送信部２１０、受信部２２０、制御部２３０、及びネットワーク通信部２４０を有する。送信部２１０及び受信部２２０は、ＵＥ１００との無線通信を行う無線通信部２５０を構成する。ネットワーク通信部２４０は、送信を行う送信部２４１と、受信を行う受信部２４２とを有する。
　送信部２１０は、制御部２３０の制御下で各種の送信を行う。送信部２１０は、アンテナ及び送信機を含む。送信機は、制御部２３０が出力するベースバンド信号（送信信号）を無線信号に変換してアンテナから送信する。
　受信部２２０は、制御部２３０の制御下で各種の受信を行う。受信部２２０は、アンテナ及び受信機を含む。受信機は、アンテナが受信する無線信号をベースバンド信号（受信信号）に変換して制御部２３０に出力する。
　制御部２３０は、ｇＮＢ２００における各種の制御及び処理を行う。このような処理は、後述の各レイヤの処理を含む。上述及び後述のｇＮＢ２００の動作は、制御部２３０の制御による動作であってもよい。制御部２３０は、少なくとも１つのプロセッサ及び少なくとも１つのメモリを含む。メモリは、プロセッサにより実行されるプログラム、及びプロセッサによる処理に用いられる情報を記憶する。プロセッサは、ベースバンドプロセッサと、ＣＰＵとを含んであってもよい。ベースバンドプロセッサは、ベースバンド信号の変調・復調及び符号化・復号等を行う。ＣＰＵは、メモリに記憶されるプログラムを実行して各種の処理を行う。
　ネットワーク通信部２４０は、基地局間インターフェイスであるＸｎインターフェイスを介して隣接基地局と接続される。ネットワーク通信部２４０は、基地局－コアネットワーク間インターフェイスであるＮＧインターフェイスを介してＡＭＦ／ＵＰＦ３００と接続される。なお、ｇＮＢ２００は、ＣＵ（Ｃｅｎｔｒａｌ　Ｕｎｉｔ）とＤＵ（Ｄｉｓｔｒｉｂｕｔｅｄ　Ｕｎｉｔ）とで構成され（すなわち、機能分割され）、両ユニット間がフロントホールインターフェイスであるＦ１インターフェイスで接続されてもよい。
　図４は、データを取り扱うユーザプレーンの無線インターフェイスのプロトコルスタックの構成を示す図である。
　ユーザプレーンの無線インターフェイスプロトコルは、物理（ＰＨＹ）レイヤと、ＭＡＣ（Ｍｅｄｉｕｍ　Ａｃｃｅｓｓ　Ｃｏｎｔｒｏｌ）レイヤと、ＲＬＣ（Ｒａｄｉｏ　Ｌｉｎｋ　Ｃｏｎｔｒｏｌ）レイヤと、ＰＤＣＰ（Ｐａｃｋｅｔ　Ｄａｔａ　Ｃｏｎｖｅｒｇｅｎｃｅ　Ｐｒｏｔｏｃｏｌ）レイヤと、ＳＤＡＰ（Ｓｅｒｖｉｃｅ　Ｄａｔａ　Ａｄａｐｔａｔｉｏｎ　Ｐｒｏｔｏｃｏｌ）レイヤとを有する。
　ＰＨＹレイヤは、符号化・復号、変調・復調、アンテナマッピング・デマッピング、及びリソースマッピング・デマッピングを行う。ＵＥ１００のＰＨＹレイヤとｇＮＢ２００のＰＨＹレイヤとの間では、物理チャネルを介してデータ及び制御情報が伝送される。なお、ＵＥ１００のＰＨＹレイヤは、ｇＮＢ２００から物理下りリンク制御チャネル（ＰＤＣＣＨ）上で送信される下りリンク制御情報（ＤＣＩ）を受信する。具体的には、ＵＥ１００は、無線ネットワーク一時識別子（ＲＮＴＩ）を用いてＰＤＣＣＨのブラインド復号を行い、復号に成功したＤＣＩを自ＵＥ宛てのＤＣＩとして取得する。ｇＮＢ２００から送信されるＤＣＩには、ＲＮＴＩによってスクランブルされたＣＲＣ（Ｃｙｃｌｉｃ　Ｒｅｄｕｎｄａｎｃｙ　Ｃｏｄｅ）パリティビットが付加されている。
　ＭＡＣレイヤは、データの優先制御、ハイブリッドＡＲＱ（ＨＡＲＱ：Ｈｙｂｒｉｄ　Ａｕｔｏｍａｔｉｃ　Ｒｅｐｅａｔ　ｒｅＱｕｅｓｔ）による再送処理、及びランダムアクセスプロシージャ等を行う。ＵＥ１００のＭＡＣレイヤとｇＮＢ２００のＭＡＣレイヤとの間では、トランスポートチャネルを介してデータ及び制御情報が伝送される。ｇＮＢ２００のＭＡＣレイヤはスケジューラを含む。スケジューラは、上下リンクのトランスポートフォーマット（トランスポートブロックサイズ、変調・符号化方式（ＭＣＳ：Ｍｏｄｕｌａｔｉｏｎ　ａｎｄ　Ｃｏｄｉｎｇ　Ｓｃｈｅｍｅ））及びＵＥ１００への割当リソースブロックを決定する。
　ＲＬＣレイヤは、ＭＡＣレイヤ及びＰＨＹレイヤの機能を利用してデータを受信側のＲＬＣレイヤに伝送する。ＵＥ１００のＲＬＣレイヤとｇＮＢ２００のＲＬＣレイヤとの間では、論理チャネルを介してデータ及び制御情報が伝送される。
　ＰＤＣＰレイヤは、ヘッダ圧縮・伸張、及び暗号化・復号化等を行う。
　ＳＤＡＰレイヤは、コアネットワークがＱｏＳ（Ｑｕａｌｉｔｙ　ｏｆ　Ｓｅｒｖｉｃｅ）制御を行う単位であるＩＰフローとＡＳ（Ａｃｃｅｓｓ　Ｓｔｒａｔｕｍ）がＱｏＳ制御を行う単位である無線ベアラとのマッピングを行う。なお、ＲＡＮがＥＰＣに接続される場合は、ＳＤＡＰが無くてもよい。
　図５は、シグナリング（制御信号）を取り扱う制御プレーンの無線インターフェイスのプロトコルスタックの構成を示す図である。
　制御プレーンの無線インターフェイスのプロトコルスタックは、図４に示したＳＤＡＰレイヤに代えて、ＲＲＣ（Ｒａｄｉｏ　Ｒｅｓｏｕｒｃｅ　Ｃｏｎｔｒｏｌ）レイヤ及びＮＡＳ（Ｎｏｎ－Ａｃｃｅｓｓ　Ｓｔｒａｔｕｍ）レイヤを有する。
　ＵＥ１００のＲＲＣレイヤとｇＮＢ２００のＲＲＣレイヤとの間では、各種設定のためのＲＲＣシグナリングが伝送される。ＲＲＣレイヤは、無線ベアラの確立、再確立及び解放に応じて、論理チャネル、トランスポートチャネル、及び物理チャネルを制御する。ＵＥ１００のＲＲＣとｇＮＢ２００のＲＲＣとの間にコネクション（ＲＲＣ接続）がある場合、ＵＥ１００はＲＲＣコネクティッド状態である。ＵＥ１００のＲＲＣとｇＮＢ２００のＲＲＣとの間にコネクション（ＲＲＣ接続）がない場合、ＵＥ１００はＲＲＣアイドル状態である。ＵＥ１００のＲＲＣとｇＮＢ２００のＲＲＣとの間のコネクションがサスペンドされている場合、ＵＥ１００はＲＲＣインアクティブ状態である。
　ＲＲＣレイヤの上位に位置するＮＡＳレイヤ（単に「ＮＡＳ」とも称する）は、セッション管理及びモビリティ管理等を行う。ＵＥ１００のＮＡＳレイヤとＡＭＦ３００ＡのＮＡＳレイヤとの間では、ＮＡＳシグナリングが伝送される。なお、ＵＥ１００は、無線インターフェイスのプロトコル以外にアプリケーションレイヤ等を有する。また、ＮＡＳレイヤよりも下位のレイヤをＡＳレイヤと称する（単に「ＡＳ」とも称する）。
　（２）ＵＥによる測定
　ＲＲＣコネクティッド状態のＵＥ１００は、モビリティ制御に用いられる測定を行う。測定には、現在のサービングセルと同じ周波数内でのイントラ周波数測定と、現在のサービングセルと異なる周波数内でのインター周波数測定とがある。また、測定には、現在のサービングセルと異なるＲＡＴ（Ｒａｄｉｏ　Ａｃｃｅｓｓ　Ｔｅｃｈｎｏｌｏｇｙ）に対するインターＲＡＴ測定もある。ｇＮＢ２００は、ＲＲＣで測定設定（測定コマンド）をＵＥ１００に送信し、測定の開始、変更、又は停止を指示する。
　各測定のタイプに対して、１つ又は複数の測定対象（「測定オブジェクト」とも称される）を定義できる。測定オブジェクトは、例えば、監視される周波数（搬送波周波数）であるが、セルであってもよい。各測定オブジェクトに対して、１つ又は複数の報告設定を定義でき、報告設定は報告基準を定義する。報告基準（測定報告のタイプ）には、測定報告（Ｍｅａｓｕｒｅｍｅｎｔ　Ｒｅｐｏｒｔ）のイベントトリガ報告、定期報告、イベントトリガ定期報告の３つがある。
　このような測定報告をＬ３測定報告又はＲＲＣ測定報告とも称する。実施形態では、イベントトリガ報告及びイベントトリガ定期報告を主として想定する。イベントトリガ報告では、ＵＥ１００は、報告設定でＵＥ１００に設定された測定報告イベントが満たされたことに応じて、１回の測定報告の送信をトリガする。イベントトリガ定期報告では、ＵＥ１００は、報告設定でＵＥ１００に設定された測定報告イベントが満たされたことに応じて、定期的な測定報告の送信をトリガする。
　報告設定でＵＥ１００に設定される測定報告イベント種別は、例えば、Ｅｖｅｎｔ　Ａ１（Ｓｅｒｖｉｎｇ　ｂｅｃｏｍｅｓ　ｂｅｔｔｅｒ　ｔｈａｎ　ｔｈｒｅｓｈｏｌｄ）、Ｅｖｅｎｔ　Ａ２（Ｓｅｒｖｉｎｇ　ｂｅｃｏｍｅｓ　ｗｏｒｓｅ　ｔｈａｎ　ｔｈｒｅｓｈｏｌｄ）、Ｅｖｅｎｔ　Ａ３（Ｎｅｉｇｈｂｏｕｒ　ｂｅｃｏｍｅｓ　ａｍｏｕｎｔ　ｏｆ　ｏｆｆｓｅｔ　ｂｅｔｔｅｒ　ｔｈａｎ　ＰＣｅｌｌ／ＰＳＣｅｌｌ）のいずれかであってもよい。Ｅｖｅｎｔ　Ａ１は、現在のサービングセルの測定結果が閾値よりも良くなったという測定報告イベントである。Ｅｖｅｎｔ　Ａ２は、現在のサービングセルの測定結果が閾値よりも悪くなったという測定報告イベントである。Ｅｖｅｎｔ　Ａ３は、隣接セルの測定結果が現在のサービングセル（具体的には、ＰＣｅｌｌ／ＰＳＣｅｌｌ）の測定結果にオフセット値を加えた値よりも良くなったという測定報告イベントである。報告設定は、このようなイベント種別の設定及び当該イベント種別で用いる閾値及び／又はオフセット値の設定を含み得る。
　イベントトリガ報告及びイベントトリガ定期報告の報告設定は、ＴＴＴ（Ｔｉｍｅ　Ｔｏ　Ｔｒｉｇｇｅｒ）の設定を含み得る。ＵＥ１００は、報告設定でＵＥ１００に設定された測定報告イベントが満たされた状態がＴＴＴの時間だけ継続した際に、１回の又は定期的な測定報告の送信をトリガする。「測定報告イベントの発生」とは、測定報告イベントの条件が満たされ、且つその状態がＴＴＴの時間だけ継続したことを意味してもよい。
　測定オブジェクト（測定オブジェクトＩＤ）と報告設定（測定設定ＩＤ）との間の関連付けは、測定アイデンティティ（測定ＩＤ）によって行われる。測定ＩＤは、同じＲＡＴの１つの測定オブジェクトと１つの報告設定とをリンクする。複数の測定ＩＤ（測定オブジェクトと報告設定とのペアに１つ）を使用すると、複数の報告設定を１つの測定オブジェクトに関連付けたり、１つの報告設定を複数の測定オブジェクトに関連付けたりすることができる。測定ＩＤは、測定結果を報告するときにも使用される。
　ＲＲＣコネクティッド状態のＵＥ１００は、セルの少なくとも１つのビームを測定し、測定結果（電力値）を平均して当該セルについての無線品質（「受信品質」とも称する）を導出する。その際、ＵＥ１００は、検出されたビームのサブセットを考慮するように設定される。ここで、測定平均化であるフィルタリングが２つの異なるレベルで行われる。ＵＥ１００は、まず物理層（ＰＨＹ、レイヤ１（Ｌ１））のフィルタリングであるＬ１フィルタリングによりビーム品質を導出し、次にＲＲＣ層（レイヤ３（Ｌ３））レベルのフィルタリングであるＬ３フィルタリングにより複数のビームからセル品質を導き出す。なお、ビーム測定からのセル品質は、サービングセル及び非サービングセルについて同じ方法で導出される。ＵＥ１００は、ｇＮＢ２００による設定に応じて、Ｌ３測定報告にＸ個の最良のビームの測定結果を含める場合がある。
　図６は、実施形態に係るＵＥ１００による測定に関する構成を示す図である。ＵＥ１００の制御部１３０は、Ｌ１フィルタ１１と、ビーム統合／選択部１２と、Ｌ３フィルタ１３と、評価部１４と、Ｌ３ビームフィルタ１５と、ビーム選択部１６とを有する。制御部１３０には、受信部１１０内のいずれかの受信機１１１で測定したビームの無線品質が入力される。図示の例では、受信機１１１が２つ（受信機１１１ａ及び受信機１１１ｂ）であるが、受信機１１１は１つ、又は３つ以上であってもよい。以下において、受信機１１１を「ＲＦ（Ｒａｄｉｏ　Ｆｒｅｑｕｅｎｃｙ）チェーン」とも称する。複数の受信機１１１は、対応可能な周波数が互いに異なっていてもよい。
　Ｌ１フィルタ１１は、Ｋ個のビームに対応するＫ個のＬ１フィルタ１１を含む。Ｌ１フィルタ１１には、ＵＥ１００（受信部１１０）がＫ個のビームのそれぞれに対する無線品質を測定して得られたＫ個の測定結果Ａが入力される。Ｋ個のビームのＫ個の測定結果Ａは、物理層内部の測定結果（ビーム固有のサンプル）であり、Ｌ１でＵＥ１００（受信部１１０）によって検出されるＳＳＢ（ＳＳ／ＰＢＣＨ　ｂｌｏｃｋ）又はＣＳＩ（Ｃｈａｎｎｅｌ　Ｓｔａｔｅ　Ｉｎｆｏｒｍａｔｉｏｎ）参照信号リソースの測定結果である。Ｌ１フィルタ１１は、Ｌ１において、Ｋ個のビームのＫ個の測定結果Ａに対するＬ１フィルタリングを行い、Ｌ１フィルタリング後のビーム固有の測定結果Ａ１をビーム統合／選択部１２及びＬ３ビームフィルタ１５に出力する。
　ビーム統合／選択部１２は、ビーム固有の測定結果Ａ１を統合し、セルの無線品質（Ｃｅｌｌ　ｑｕａｌｉｔｙ）Ｂを導出し、セル品質ＢをＬ３フィルタ１３に出力する。ビーム統合／選択部１２の動作の設定は、ｇＮＢ２００からのＲＲＣシグナリングによって提供される。
　Ｌ３フィルタ１３は、ビーム統合／選択部１２が出力する測定結果（セル品質Ｂ）に対して、Ｌ３においてフィルタリングを行い、Ｌ３フィルタリング後の測定結果Ｃを評価部１４に出力する。Ｌ３フィルタ１３の動作の設定は、ｇＮＢ２００からのＲＲＣシグナリングによって提供される。Ｌ３フィルタリング後の測定結果Ｃは、ＵＥ１００からｇＮＢ２００へのＬ３測定報告の１つ以上の評価の入力として使用される。
　Ｌ３フィルタ１３は、各セル測定量及び各ビーム測定量について、報告基準の評価又はＬ３測定報告に使用する前に次の式（１）によって測定結果をフィルタリングする：
　　　Ｆｎ＝（１－ａ）×Ｆｎ－１＋ａ×Ｍｎ　　　・・・（１）
　ここで、Ｍｎは、物理層（Ｌ１）からの最新の測定結果である。Ｆｎは、更新されたフィルタリングされた測定結果であり、報告基準の評価又はＬ３測定報告に使用される。Ｆｎ－１は、古いフィルタリングされた測定結果であり、物理層（Ｌ１）から最初の測定結果を受け取ったときにＦ０がＭ１にセットされる。
　ＲＲＣでＭｅａｓＯｂｊｅｃｔＮＲが設定された場合、ａ＝１／２（ｋｉ／４）である。ここで、ｋｉは、ｑｕａｎｔｉｔｙＣｏｎｆｉｇＮＲ－Ｌｉｓｔ内のｉ番目のＱｕａｎｔｉｔｙＣｏｎｆｉｇＮＲの対応する測定量のフィルタ係数（ｆｉｌｔｅｒＣｏｅｆｆｉｃｉｅｎｔ）であり、ｉは、ＭｅａｓＯｂｊｅｃｔＮＲ内のｑｕａｎｔｉｔｙＣｏｎｆｉｇＩｎｄｅｘによって示される。他の測定結果の場合、ａ＝１／２（ｋ／４）である。ここでｋは、ｑｕａｎｔｉｔｙＣｏｎｆｉｇによって受信された対応する測定量のフィルタ係数である。
　Ｌ３フィルタ１３は、フィルタ係数ｋがＸミリ秒に等しいサンプルレートを仮定しながら、フィルタの時間特性が異なる入力レートで保存されるようにフィルタを適応させる。Ｘの値は、非ＤＲＸ動作を想定した１つの周波数内Ｌ１測定期間に相当し、周波数レンジに依存する。
　なお、フィルタ係数ｋが０（ゼロ）にセットされている場合、Ｌ３フィルタリングは適用されない。
　評価部１４は、ｇＮＢ２００へのＬ３測定報告Ｄが必要か否かの評価を行う。この評価は、基準ポイントＣでの複数の測定フロー、例えば、異なる測定結果の比較に基づいて行うことができる。これは入力Ｃと入力Ｃ１で示されている。評価部１４は、少なくとも新しい測定結果がポイントＣ、Ｃ１で報告されるたびに、報告基準（ｒｅｐｏｒｔｉｎｇ　ｃｒｉｔｅｒｉａ）に対応する測定報告イベント評価を行う。報告基準の設定は、ｇＮＢ２００からのＲＲＣシグナリングによって提供される。Ｌ３測定報告Ｄは、ＵＥ１００からｇＮＢ２００へ送信される測定報告情報（ＲＲＣメッセージ）を表す。Ｌ３測定報告Ｄには、報告をトリガした関連する測定設定の測定ＩＤが含まれる。
　Ｌ３ビームフィルタ１５は、ｋ個の測定結果Ａ１（つまり、ビーム固有の測定結果）に対してビーム単位でフィルタリングを行い、ｋ個の測定結果Ｅ（つまり、ビーム固有の測定結果）をビーム選択部１６に出力される。測定結果Ｅは、報告されるＸ個の測定結果を選択するための入力として使用される。
　ビーム選択部１６は、ｋ個の測定結果ＥからＸ個の測定結果Ｆを選択し、Ｘ個の測定結果Ｆを出力する。Ｘ個の測定結果Ｆは、Ｅ１００からｇＮＢ２００へ送信される測定報告情報（ＲＲＣメッセージ）に含まれるビーム測定情報である。
　（３）ＡＩ／ＭＬ技術の概要
　ＡＩ／ＭＬ技術の概要について説明する。実施形態に係る移動通信システム１は、ＡＩ／ＭＬ技術を無線通信（すなわち、エアインターフェイス）に適用する。
　図７は、実施形態に係る移動通信システム１におけるＡＩ／ＭＬ技術の機能ブロック構成を示す図である。当該機能ブロック構成は、データ収集部Ａ１と、モデル学習部Ａ２と、モデル推論部Ａ３と、データ処理部Ａ４とを有する。
　データ収集部Ａ１は、入力データ、具体的には、学習用データ及び推論用データを収集し、学習用データをモデル学習部Ａ２に出力し、推論用データをモデル推論部Ａ３に出力する。データ収集部Ａ１は、データ収集部Ａ１が設けられる自装置におけるデータを入力データとして取得してもよい。データ収集部Ａ１は、別の装置におけるデータを入力データとして取得してもよい。
　モデル学習部Ａ２は、モデル学習（「学習処理」とも称する）を行う。具体的には、モデル学習部Ａ２は、学習用データを用いた機械学習により学習モデル（以下、「モデル」又は「ＡＩ／ＭＬモデル」とも称する。）のパラメータを最適化し、学習済みモデルを導出（生成、更新）し、学習済みモデルをモデル推論部Ａ３に出力する。モデルは、ＡＩ／ＭＬ技術を適用して、入力のセットに基づいて出力のセットを生成するデータ駆動型アルゴリズムである。例えば、
　ｙ＝ａｘ＋ｂ
で考えると、ａ（傾き）及びｂ（切片）がパラメータであって、これらを最適化していくことが機械学習に相当する。一般的に、機械学習には、教師あり学習（ｓｕｐｅｒｖｉｓｅｄ　ｌｅａｒｎｉｎｇ）、教師なし学習（ｕｎｓｕｐｅｒｖｉｓｅｄ　ｌｅａｒｎｉｎｇ）、及び強化学習（ｒｅｉｎｆｏｒｃｅｍｅｎｔ　ｌｅａｒｎｉｎｇ）がある。教師あり学習は、学習用データに正解データを用いる方法である。教師なし学習は、学習用データに正解データを用いない方法である。例えば、教師なし学習では、大量の学習用データから特徴点を覚え、正解の判断（範囲の推定）を行う。強化学習は、出力結果にスコアを付けて、スコアを最大化する方法を学習する方法である。
　モデル推論部Ａ３は、モデル推論（「推論処理」とも称する）を行う。具体的には、モデル推論部Ａ３は、学習済みモデルを用いて推論用データから出力を推論し、推論結果データをデータ処理部Ａ４に出力する。例えば、
　ｙ＝ａｘ＋ｂ
で考えると、ｘが推論用データであって、ｙが推論結果データに相当する。なお、「ｙ＝ａｘ＋ｂ」はモデルである。傾き及び切片が最適化されたモデル、例えば「ｙ＝５ｘ＋３」は学習済みモデルである。ここで、モデルの手法は様々であり、線形回帰分析、ニューラルネットワーク、決定木分析等がある。上記の「ｙ＝ａｘ＋ｂ」は線形回帰分析の一種と考えることができる。モデル推論部Ａ３は、モデル学習部Ａ２に対してモデル性能フィードバックを行ってもよい。
　データ処理部Ａ４は、推論結果データを受け取り、推論結果データを利用する処理を行う。
　モデル学習及び／又はモデル推論をネットワーク５側で行うケース、すなわち、ＡＩ／ＭＬモデルをネットワーク５が有するケースをネットワーク側（Ｎｅｔｗｏｒｋ－ｓｉｄｅｄ）モデルと称する。モデル学習及び／又はモデル推論をＵＥ１００側で行うケース、すなわち、ＡＩ／ＭＬモデルをＵＥ１００が有するケースをＵＥ側（ＵＥ－ｓｉｄｅｄ）モデルと称する。
　（４）ＵＥ側モデルを用いたモビリティ制御
　実施形態では、ＡＩ／ＭＬ技術をＵＥ１００のモビリティ制御に適用する。具体的には、ＵＥ１００がＲＲＣコネクティッド状態であるときにＲＲＣレイヤ主導でＵＥ１００のサービングセル（プライマリセル）を切り替えるハンドオーバにＡＩ／ＭＬ技術を適用する。
　ＵＥ１００は、測定報告イベントが将来発生するかについて予測（具体的には、モデル推論を用いて予測）するためのＡＩ／ＭＬモデルを有する。すなわち、実施形態では、ＵＥ側モデルを用いる。
　「測定報告イベントが将来発生する」とは、現在の無線環境では測定報告イベントが発生しないものの、近い将来測定報告イベントが発生することを意味してもよい。ここで、「現在の無線環境」とは、測定対象に対する現在の測定結果を意味してもよい。「測定対象」は、セル、周波数、ビーム、参照信号、及び測定オブジェクトのうち１つである。参照信号（ＲＳ）は、ＳＳＢ（同期信号（ＳＳ）／物理ブローキャストチャネル（ＰＢＣＨ））、チャネル状態情報（ＣＳＩ）－ＲＳ、又は復調（ＤＭ）－ＲＳ等であってもよい。実施形態では、測定対象がセル（又は周波数）である一例について主として説明する。また、上述のように、「測定報告イベントが発生する」とは、測定報告イベントの条件が満たされ、且つその状態がＴＴＴの時間だけ継続したことを意味してもよい。
　図８は、実施形態に係る移動通信システム１の動作シナリオの一例を示す図である。
　図示の例では、ＵＥ１００は、ｇＮＢ２００のセルａをサービングセルとしてＲＲＣコネクティッド状態である。このサービングセルと一部重複して複数の隣接セル（セルｂ、セルｃ、セルｄ）が存在する。隣接セルは、サービングセルと同じｇＮＢ２００が管理していてもよい。当該隣接セルは、サービングセルと異なるｇＮＢ２００が管理していてもよい。各セルの周波数は、同じであってもよいし、異なっていてもよい。
　ステップＳ１（測定設定）において、ｇＮＢ２００は、測定設定を含むＲＲＣメッセージをＵＥ１００に送信する。ＵＥ１００は、測定設定を受信し、測定設定に従った測定を開始する。測定設定は、測定オブジェクト（及びそのＩＤ）、報告設定（及びそのＩＤ）、測定ＩＤを含み得る。ＵＥ１００には、報告設定によりイベントトリガ報告（又はイベントトリガ定期報告）が設定されてもよい。ＵＥ１００には、報告設定における測定報告イベント種別として、例えば、Ｅｖｅｎｔ　Ａ１、Ｅｖｅｎｔ　Ａ２、及び／又はＥｖｅｎｔ　Ａ３が設定されてもよい。実施形態では、測定設定（報告設定）は、イベント予測を設定する設定情報（「イベント予測設定」とも称する）を含んでもよい。イベント予測を設定する設定情報は、測定ＩＤと関連付けてＵＥ１００に設定されてもよい。
　ステップＳ２（測定）において、ＵＥ１００は、測定オブジェクトに応じて定められる測定対象（実施形態では、セル）に対する測定を行う。例えば、ＵＥ１００は、測定オブジェクトで指定された各周波数に属する各セル及び／又は測定オブジェクトで指定された各セルの受信品質を測定して測定結果を得る。「測定結果」は、測定対象のＩＤとその測定値とのセットであってもよい。「測定値」は、参照信号受信電力（ＲＳＲＰ）、参照信号無線品質（ＲＳＲＱ）、及び／又は信号対干渉雑音比（ＳＩＮＲ）等であってもよい。
　ステップＳ３（モデル推論）において、ＵＥ１００は、ステップＳ２（測定）での測定結果に少なくとも部分的に基づいて、測定報告イベントが将来発生するかについてＡＩ／ＭＬモデル１０１を用いて予測する。すなわち、ＵＥ１００は、ＡＩ／ＭＬモデル１０１を用いて、ｇＮＢ２００への測定報告の送信をトリガする測定報告イベントが将来発生するかについて予測するイベント予測を行う。ＡＩ／ＭＬモデル１０１は、イベント予測により、測定報告イベントがいつ発生するかの予測結果をイベント予測結果として出力する。当該予測結果は、測定報告イベントが将来発生する確率（尤度）を示す値、すなわち、予測精度を示す値を含んでいてもよい。
　例えば、ＵＥ１００は、セルごとの時系列の測定結果、ＵＥ１００の位置データ（測定値）、ＵＥ１００の移動速度（測定値）、及びセルの周波数（設定値）等のパラメータを推論用データとして、測定報告イベントが将来発生するかについてＡＩ／ＭＬモデル１０１を用いて予測する。
　ＵＥ１００が有するＡＩ／ＭＬモデル１０１は、これらのパラメータの相関関係をモデル学習により学習済みであるものとする。例えば、ＡＩ／ＭＬモデル１０１は、各測定対象に対する測定結果を含むパラメータとセルごとの測定報告イベント発生履歴との因果関係をモデル学習により学習している。なお、少なくとも部分的に学習済みのＡＩ／ＭＬモデル１０１がｇＮＢ２００からＵＥ１００に設定されてもよい。例えば、ｇＮＢ２００とＵＥ１００との通信開始時にＡＩ／ＭＬモデル１０１がｇＮＢ２００からＵＥ１００に転送されてもよい。或いは、ＵＥ１００は、様々な環境でモデル学習を行うことで学習済みのＡＩ／ＭＬモデル１０１を生成してもよい。
　ステップＳ４（測定報告）において、ＵＥ１００は、測定報告をｇＮＢ２００に送信する。従来技術では、ＵＥ１００は、測定オブジェクトと関連付けられた報告設定に応じて定められるタイミング、例えば、測定報告イベントが発生したタイミングで、各セルの測定結果をＲＲＣメッセージ（測定報告）によりｇＮＢ２００に送信する。
　これに対し、実施形態では、ＵＥ１００は、ステップＳ３のモデル推論（イベント予測）により、測定報告イベントが将来発生すると予測したことに応じて、測定報告をｇＮＢ２００に送信する。当該測定報告は、イベント予測の結果に関するメッセージの一例である。当該測定報告は、将来発生すると予測された測定報告イベントと関連付けられた測定ＩＤを含む。
　ＵＥ１００は、ステップＳ３のモデル推論（イベント予測）により、測定報告イベントが将来発生すると予測したことに応じて、当該測定報告イベントが発生する前に測定報告の送信をトリガしてもよい。或いは、ＵＥ１００は、ステップＳ３のモデル推論（イベント予測）により、測定報告イベントが将来発生すると予測したことに応じて、当該測定報告イベントが発生したとみなして測定報告の送信をトリガしてもよい。
　測定報告を受信したｇＮＢ２００は、測定報告に基づいてＵＥ１００のモビリティ制御を行う。例えば、ｇＮＢ２００は、ハンドオーバのターゲットセルを決定し、現在のサービングセル（ソースセル）からターゲットセルへサービングセルを切り替えるためのモビリティ制御を行う。
　このように、実施形態によれば、ＵＥ１００は、ステップＳ３のモデル推論（イベント予測）により、測定報告イベントが将来発生すると予測したことに応じて、当該測定報告イベントが発生する前に、及び／又は当該測定報告イベントが発生したとみなして、測定報告の送信をトリガする。これにより、ｇＮＢ２００は、より早い段階でＵＥ１００のモビリティ制御（例えばハンドオーバ）の必要性を認識できるため、モビリティ制御を改善できる。
　このような動作を行うＵＥ１００は、ｇＮＢ２００に接続したＲＲＣコネクティッド状態において、ＡＩ／ＭＬモデル１０１を用いて、ｇＮＢ２００への測定報告の送信をトリガする測定報告イベントが将来発生するかについて予測するイベント予測を行う制御部１３０と、測定報告イベントが将来発生すると予測したことに応じて、イベント予測の結果に関するメッセージをｇＮＢ２００に送信する送信部１２０と、を有する（図２参照）。一方、ｇＮＢ２００は、ＲＲＣコネクティッド状態のＵＥ１００から、ＡＩ／ＭＬモデル１０１を用いたイベント予測の結果に関するメッセージを受信する受信部２２０と、当該メッセージに基づいてＵＥ１００に対するモビリティ制御を行う制御部２３０と、を有する（図３参照）。ｇＮＢ２００は、イベント予測を設定する設定情報をＵＥ１００に送信する送信部２１０をさらに有していてもよい。
　なお、図８の例では、ＡＩ／ＭＬモデル１０１は、ステップＳ２（測定）での各セルの測定結果に少なくとも部分的に基づいて、測定報告イベントがいつ発生するかのイベント予測結果を出力する。しかしながら、図９に示すように、ＡＩ／ＭＬモデル１０１は、ステップＳ２（測定）での各セルの測定結果に少なくとも部分的に基づいて、将来における各セルの測定結果の予測値（予測結果）を出力してもよい。当該予測結果は、セルごとの時系列の予測結果であってもよい。評価部１４は、ＡＩ／ＭＬモデル１０１が出力する各セルの予測結果に基づいて、測定報告イベントがいつ発生するかのイベント予測結果を出力してもよい。
　実施形態に係る動作の具体例について説明する。図１０は、実施形態に係る動作の具体例を示す図である。ここでは、上述の動作と重複する動作については重複する説明を省略する。
　ステップＳ１０１において、ＵＥ１００は、ｇＮＢ２００のセルをサービングセルとしてＲＲＣコネクティッド状態である。
　ステップＳ１０２において、ｇＮＢ２００は、測定設定及びイベント予測設定をＵＥ１００に送信する。ＵＥ１００は、測定設定及びイベント予測設定を受信する。測定設定及びイベント予測設定は、ＲＲＣメッセージ（例えば、ＲＲＣ　Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎメッセージ）でｇＮＢ２００からＵＥ１００に送信されてもよい。イベント予測設定は、測定設定の一部（例えば、報告設定の一部）として測定設定に含まれていてもよい。イベント予測設定は、測定ＩＤと関連付けられていてもよい。
　イベント予測設定は、イベント予測で測定報告イベントの発生を予測する対象とする将来の時間範囲を指定する設定を含んでもよい。当該設定は、時間的にどのくらい事前に（どのくらい先の）測定報告イベントの発生を予測するのかを指定する情報（例えば、５０ｍｓ先又は１００ｍｓ先等）であってもよい。
　イベント予測設定は、イベント予測で測定報告イベントが将来発生するとみなすために満たされるべき確率の閾値を指定する設定（例えば、８０％等）を含んでもよい。ＵＥ１００は、ＡＩ／ＭＬモデル１０１が出力する確率の値が閾値を超えた場合、測定報告イベントが将来発生するとみなしてもよい。
　イベント予測設定は、イベント予測を適用する測定報告イベント種別を指定する設定を含んでもよい。当該設定は、どの種別の測定報告イベント（例えば、Ｅｖｅｎｔ　Ａ１、Ｅｖｅｎｔ　Ａ２、又はＥｖｅｎｔ　Ａ３）に対応する予測なのかを指定する情報であってもよい。
　イベント予測設定は、イベント予測に用いるＡＩ／ＭＬモデル１０１のモデルＩＤを指定する設定を含んでもよい。ＵＥ１００は、複数のＡＩ／ＭＬモデル１０１を有している場合、指定されたモデルＩＤのＡＩ／ＭＬモデル１０１を選択し、選択したＡＩ／ＭＬモデル１０１を用いてイベント予測を行ってもよい。
　ステップＳ１０３において、ＵＥ１００は、ステップＳ１０２の測定設定に基づいて各測定対象（各セル）の測定を行う。
　ステップＳ１０４において、ＵＥ１００は、ステップＳ１０３の測定の結果に基づいて、ＡＩ／ＭＬモデル１０１を用いてイベント予測を行う。イベント予測設定で閾値が設定された場合、ＵＥ１００は、ＡＩ／ＭＬモデル１０１が出力する確率の値が閾値を超えた際に、測定報告イベントが発生すると予測してもよい。ＵＥ１００は、どの種別の測定報告イベントが発生するのかを予測してもよい。
　ステップＳ１０４において、ＵＥ１００は、測定報告イベントの条件が満たされた際に、測定報告イベントの条件が満たされた状態がＴＴＴの時間だけ継続するか否かを予測しても良い。例えば、ＵＥ１００は、Ｅｖｅｎｔ　Ａ３の条件が満たされて、ＴＴＴの計時を開始した時点（すなわち、最初に条件を満たす無線環境になった時点）で、ＴＴＴ時間にわたって当該条件が満たされるかを推論する。そして、ＵＥ１００は、ＴＴＴ時間にわたって当該条件が満たされると予測した場合、ＴＴＴの時間が経過していなくても測定報告イベントが発生すると予測してもよい。
　測定報告イベントが発生すると予測しない場合（ステップＳ１０５：ＮＯ）、ＵＥ１００は、ステップＳ１０３に処理を戻す。
　一方、測定報告イベントが発生すると予測した場合（ステップＳ１０５：ＹＥＳ）、ステップＳ１０６において、ＵＥ１００は、測定報告イベントが発生する前に、又は測定報告イベントが発生したとみなして、測定報告の送信をトリガし、測定報告をｇＮＢ２００に送信する。当該測定報告は、発生が予測された測定報告イベントと関連付けられた測定ＩＤを含む。当該測定報告は、ステップＳ１０３で測定された各測定対象の測定結果を含んでもよい。当該測定結果は、ステップＳ１０４で予測された各測定対象の測定結果を含んでもよい。
　ステップＳ１０７において、ＵＥ１００から測定報告を受信したｇＮＢ２００は、受信した測定報告に基づいてＵＥ１００のモビリティ制御を行う。例えば、ｇＮＢ２００は、ＵＥ１００を適切なセルにハンドオーバしたり、ＵＥ１００のプライマリ・セカンダリセル（ＰＳセル）を変更したりする。
　（５）変更例
　上述の実施形態に係る動作の変更例について説明する。本変更例では、ＵＥ１００は、イベント予測により、測定報告イベントが将来発生すると予測したことに応じて、当該イベント予測の結果を示す通知情報を含むメッセージをｇＮＢ２００に送信する。当該メッセージは、測定報告とは異なるＲＲＣメッセージ、例えば、ＵＥ　Ａｓｓｉｓｔａｎｃｅ　Ｉｎｆｏｒｍａｔｉｏｎメッセージ又はＡＩ／ＭＬ向けの新規メッセージであってもよい。或いは、当該メッセージは、ＡＩ／ＭＬ向けの新規ＭＡＣ制御要素（ＭＡＣ　ＣＥ）であってもよい。ｇＮＢ２００は、当該通知情報に基づいて、測定報告イベント設定を含む報告設定（測定設定）をＵＥ１００に対して行ってもよい。
　図１１は、本変更例に係る動作を説明するための図である。ここでは、上述の実施形態に係る動作と重複する動作については重複する説明を省略する。
　ステップＳ２０１乃至ステップＳ２０５の動作は、上述の実施形態に係る動作（図１０参照）と同様である。
　測定報告イベントが発生すると予測した場合（ステップＳ２０５：ＹＥＳ）、ステップＳ２０６において、ＵＥ１００は、ステップＳ２０４のイベント予測の結果を示す通知情報を含むメッセージをｇＮＢ２００に送信する。ｇＮＢ２００は、当該通知情報（メッセージ）を受信する。
　ステップＳ２０６の通知情報（メッセージ）は、将来発生すると予測された測定報告イベントと関連付けられた測定ＩＤ、及び／又は将来発生すると予測された測定報告イベントのイベント種別（例えば、Ｅｖｅｎｔ　Ａ１、Ｅｖｅｎｔ　Ａ２、又はＥｖｅｎｔ　Ａ３）を示す情報を含んでもよい。
　ステップＳ２０６の通知情報（メッセージ）は、将来発生すると予測された測定報告イベントの対象セルのセルＩＤを含んでもよい。すなわち、当該通知情報は、どのセルを対象とした測定報告イベントの発生であるのかを特定するためのセルＩＤを含んでもよい。例えば、Ｅｖｅｎｔ　Ａ１（Ｓｅｒｖｉｎｇ　ｂｅｃｏｍｅｓ　ｂｅｔｔｅｒ　ｔｈａｎ　ｔｈｒｅｓｈｏｌｄ）又はＥｖｅｎｔ　Ａ２（Ｓｅｒｖｉｎｇ　ｂｅｃｏｍｅｓ　ｗｏｒｓｅ　ｔｈａｎ　ｔｈｒｅｓｈｏｌｄ）の測定報告イベントが発生すると予測された場合、ＵＥ１００は、現在のサービングセルのセルＩＤを当該通知情報に含めてもよい。Ｅｖｅｎｔ　Ａ３（Ｎｅｉｇｈｂｏｕｒ　ｂｅｃｏｍｅｓ　ａｍｏｕｎｔ　ｏｆ　ｏｆｆｓｅｔ　ｂｅｔｔｅｒ　ｔｈａｎ　ＰＣｅｌｌ／ＰＳＣｅｌｌ）の測定報告イベントが発生すると予測された場合、ＵＥ１００は、当該隣接セルのセルＩＤ（及びＰＣｅｌｌ／ＰＳＣｅｌｌのセルＩＤ）を当該通知情報に含めてもよい。
　ステップＳ２０６の通知情報（メッセージ）は、イベント予測の予測精度を示す情報を含んでもよい。当該情報は、測定報告イベントが発生する尤もらしさ（確率）の値であってもよい。
　ステップＳ２０６の通知情報（メッセージ）は、測定報告イベントが将来発生すると予測されるタイミングを示す情報を含んでもよい。当該情報は、測定報告イベントがどのくらい先のタイミング（例えば、５０ｍｓ先又は１００ｍｓ先等）で発生するのかを示す情報であってもよい。
　ステップＳ２０６の通知情報（メッセージ）は、イベント予測に用いたＡＩ／ＭＬモデル１０１のモデルＩＤを含んでもよい。ｇＮＢ２００は、当該モデルＩＤと、各ＡＩ／ＭＬモデル１０１の性能情報を含むデータベースとに基づいて、ＵＥ１００における予測精度を判断してもよい。
　ステップＳ２０７において、ＵＥ１００から通知情報（メッセージ）を受信したｇＮＢ２００は、受信した通知情報に基づいてＵＥ１００のモビリティ制御を行う。例えば、ｇＮＢ２００は、発生が予測された測定報告イベントをＵＥ１００に設定する測定設定（報告設定）をＵＥ１００に送信してもよい。或いは、ｇＮＢ２００は、ＵＥ１００を適切なセルにハンドオーバしたり、ＵＥ１００のプライマリ・セカンダリセル（ＰＳセル）を変更したりしてもよい。
　なお、ステップＳ２０６の通知情報（メッセージ）に含まれる情報のうち少なくとも１つを、上述の実施形態に係る測定報告に含めてもよい。すなわち、測定報告のメッセージフォーマットを拡張する又は新たな測定報告メッセージを規定し、当該メッセージに、ステップＳ２０６の通知情報（メッセージ）に含まれる情報のうち少なくとも１つを含めてもよい。
　（６）他の実施形態
　上述の実施形態では、モビリティ制御の一例としてハンドオーバについて説明したが、ハンドオーバに限定されるものではなく、あらゆるモビリティ制御に適用可能である。例えば、上述の実施形態に係る動作を、条件付きハンドオーバにおけるハンドオーバ実行条件の設定に応用してもよい。或いは、上述の実施形態に係る動作を、レイヤ１及び／又はレイヤ２（Ｌ１／Ｌ２）主導のセル切り替えであるＬＴＭ（Ｌ１／Ｌ２　Ｔｒｉｇｇｅｒｅｄ　Ｍｏｂｉｌｉｔｙ）に応用してもよい。この場合、上述の測定報告をＬ１測定報告と読み替えてもよい。或いは、ＲＲＣレイヤ主導でＵＥ１００のプライマリ・セカンダリセル（ＰＳＣｅｌｌ）を切り替えるＰＳＣｅｌｌ変更（ＰＳＣｅｌｌ　Ｃｈａｎｇｅ）に応用してもよい。また、ＲＲＣコネクティッド状態におけるモビリティ制御に限定されるものではなく、ＲＲＣアイドル状態又はＲＲＣインアクティブ状態におけるモビリティ制御（例えば、セル再選択）に応用してもよい。
　上述の実施形態では、イベント予測により測定報告イベントの発生を予測する一例について説明したが、条件付きハンドオーバの場合、ＵＥ１００は、ｇＮＢ２００から設定されたハンドオーバ実行条件（ハンドオーバ実行イベント）の発生を予測してもよい。また、条件付きＬＴＭの場合、ＵＥ１００は、ｇＮＢ２００から設定されたセル切り替え実行条件（セル切り替えイベント）の発生を予測してもよい。
　上述の実施形態では、ＡＩ／ＭＬ技術に関連するシグナリングがＲＲＣレイヤ（すなわち、レイヤ３）のシグナリングであるＲＲＣメッセージである一例について主として説明したが、ＡＩ／ＭＬ関連のシグナリングは、ＭＡＣレイヤ（すなわち、レイヤ２）のシグナリングであるＭＡＣ　ＣＥであってもよい。当該シグナリングは、ＰＨＹレイヤ（すなわち、Ｌ１）のシグナリングである下りリンク制御情報（ＤＣＩ）及び／又は上りリンク制御情報（ＵＣＩ）であってもよい。下りリンクのＡＩ／ＭＬ関連シグナリングは、ＵＥ個別シグナリング（デディケイテッドシグナリング）であってもよい。当該シグナリングは、ブロードキャストシグナリング（例えば、ＳＩＢ（Ｓｙｓｔｅｍ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｂｌｏｃｋ））であってもよい。ＡＩ／ＭＬ関連シグナリングは、人工知能又は機械学習に特化した新たなレイヤ（例えばＡＩ／ＭＬレイヤ）におけるシグナリングであってもよい。
　上述の各動作フローは、別個独立に実施する場合に限らず、２以上の動作フローを組み合わせて実施可能である。例えば、１つの動作フローの一部のステップを他の動作フローに追加してもよいし、１つの動作フローの一部のステップを他の動作フローの一部のステップと置換してもよい。各フローにおいて、必ずしもすべてのステップを実行する必要は無く、一部のステップのみを実行してもよい。また、各フローにおいて、ステップ間の順序が適宜変更されてもよい。
　上述の実施形態及び実施例において、基地局がＮＲ基地局（ｇＮＢ）である一例について説明したが基地局がＬＴＥ基地局（ｅＮＢ）又は６Ｇ基地局であってもよい。また、基地局は、ＩＡＢ（Ｉｎｔｅｇｒａｔｅｄ　Ａｃｃｅｓｓ　ａｎｄ　Ｂａｃｋｈａｕｌ）ノード等の中継ノードであってもよい。基地局は、ＩＡＢノードのＤＵであってもよい。また、ＵＥ１００は、ＩＡＢノードのＭＴ（Ｍｏｂｉｌｅ　Ｔｅｒｍｉｎａｔｉｏｎ）であってもよい。すなわち、ＵＥ１００は、信号中継を行う中継器を基地局が制御するための端末機能部（通信モジュールの一種）であってもよい。このような端末機能部をＭＴと称する。ＭＴの例としては、ＩＡＢ－ＭＴ以外に、例えば、ＮＣＲ（Ｎｅｔｗｏｒｋ　Ｃｏｎｔｒｏｌｌｅｄ　Ｒｅｐｅａｔｅｒ）－ＭＴ、ＲＩＳ（Ｒｅｃｏｎｆｉｇｕｒａｂｌｅ　Ｉｎｔｅｌｌｉｇｅｎｔ　Ｓｕｒｆａｃｅ）－ＭＴなどがある。
　また、用語「ネットワークノード」は、主として基地局を意味するが、コアネットワークの装置又は基地局の一部（ＣＵ、ＤＵ、又はＲＵ）を意味してもよい。また、ネットワークノードは、コアネットワークの装置の少なくとも一部と基地局の少なくとも一部との組み合わせにより構成されてもよい。
　ＵＥ１００又はｇＮＢ２００が行う各処理をコンピュータに実行させるプログラムが提供されてもよい。プログラムは、コンピュータ読取り可能媒体に記録されていてもよい。コンピュータ読取り可能媒体を用いれば、コンピュータにプログラムをインストールすることが可能である。ここで、プログラムが記録されたコンピュータ読取り可能媒体は、非一過性の記録媒体であってもよい。非一過性の記録媒体は、特に限定されるものではないが、例えば、ＣＤ－ＲＯＭ及び／又はＤＶＤ－ＲＯＭ等の記録媒体であってもよい。また、ＵＥ１００又はｇＮＢ２００が行う各処理を実行する回路を集積化し、ＵＥ１００又はｇＮＢ２００の少なくとも一部を半導体集積回路（チップセット、ＳｏＣ：Ｓｙｓｔｅｍ　ｏｎ　ａ　ｃｈｉｐ）として構成してもよい。
　ＵＥ１００又はｇＮＢ２００により実現される機能は、当該記載された機能を実現するようにプログラムされた、汎用プロセッサ、特定用途プロセッサ、集積回路、ＡＳＩＣｓ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔｓ）、ＣＰＵ（ａ　Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、従来型の回路、及び／又はそれらの組合せを含む、ｃｉｒｃｕｉｔｒｙ（回路）又はｐｒｏｃｅｓｓｉｎｇ　ｃｉｒｃｕｉｔｒｙ（処理回路）において実装されてもよい。プロセッサは、トランジスタ及び／又はその他の回路を含み、ｃｉｒｃｕｉｔｒｙ又はｐｒｏｃｅｓｓｉｎｇ　ｃｉｒｃｕｉｔｒｙとみなされる。プロセッサは、メモリに格納されたプログラムを実行する、ｐｒｏｇｒａｍｍｅｄ　ｐｒｏｃｅｓｓｏｒであってもよい。本明細書において、ｃｉｒｃｕｉｔｒｙ、ユニット、手段は、記載された機能を実現するようにプログラムされたハードウェア、又は実行するハードウェアである。当該ハードウェアは、本明細書に開示されているあらゆるハードウェア、又は、当該記載された機能を実現するようにプログラムされた、又は、実行するものとして知られているあらゆるハードウェアであってもよい。当該ハードウェアがｃｉｒｃｕｉｔｒｙのタイプであるとみなされるプロセッサである場合、当該ｃｉｒｃｕｉｔｒｙ、手段、又はユニットは、ハードウェアと、当該ハードウェア及び又はプロセッサを構成するために用いられるソフトウェアの組合せである。
　本開示で使用されている「に基づいて（ｂａｓｅｄ　ｏｎ）」、「に応じて（ｄｅｐｅｎｄｉｎｇ　ｏｎ／ｉｎ　ｒｅｓｐｏｎｓｅ　ｔｏ）」という記載は、別段に明記されていない限り、「のみに基づいて」、「のみに応じて」を意味しない。「に基づいて」という記載は、「のみに基づいて」及び「に少なくとも部分的に基づいて」の両方を意味する。同様に、「に応じて」という記載は、「のみに応じて」及び「に少なくとも部分的に応じて」の両方を意味する。「含む（ｉｎｃｌｕｄｅ）」、「備える（ｃｏｍｐｒｉｓｅ）」、及びそれらの変形の用語は、列挙する項目のみを含むことを意味せず、列挙する項目のみを含んであってもよいし、列挙する項目に加えてさらなる項目を含んであってもよいことを意味する。また、本開示において使用されている用語「又は（ｏｒ）」は、排他的論理和ではないことが意図される。さらに、本開示で使用されている「第１」、「第２」等の呼称を使用した要素へのいかなる参照も、それらの要素の量又は順序を全般的に限定するものではない。これらの呼称は、２つ以上の要素間を区別する便利な方法として本明細書で使用され得る。したがって、第１及び第２の要素への参照は、２つの要素のみがそこで採用され得ること、又は何らかの形で第１の要素が第２の要素に先行しなければならないことを意味しない。本開示において、例えば、英語でのａ，ａｎ，及びｔｈｅのように、翻訳により冠詞が追加された場合、これらの冠詞は、文脈から明らかにそうではないことが示されていなければ、複数のものを含むものとする。
　以上、図面を参照して実施形態について詳しく説明したが、具体的な構成は上述のものに限られることはなく、要旨を逸脱しない範囲内において様々な設計変更等をすることが可能である。
　本願は、日本国特許出願第２０２４－０６０８６７号（２０２４年４月４日出願）の優先権を主張し、その内容の全てが本願明細書に組み込まれている。
　（７）付記
　上述の実施形態に関する特徴について付記する。
　・付記１
　移動通信システムにおいてユーザ装置が実行する通信方法であって、
　前記ユーザ装置がネットワークノードに接続した無線リソース制御（ＲＲＣ）コネクティッド状態において、人工知能又は機械学習（ＡＩ／ＭＬ）モデルを用いて、前記ネットワークノードへの測定報告の送信をトリガする測定報告イベントが将来発生するかについて予測するイベント予測を行うことと、
　前記ユーザ装置が、前記測定報告イベントが将来発生すると予測したことに応じて、前記イベント予測の結果に関するメッセージを前記ネットワークノードに送信することと、を有する
　通信方法。
　・付記２
　前記メッセージは、前記将来発生すると予測された前記測定報告イベントと関連付けられた測定ＩＤを含む前記測定報告である
　付記１に記載の通信方法。
　・付記３
　前記ユーザ装置は、前記測定報告イベントが将来発生すると予測したことに応じて、前記測定報告イベントが発生する前に前記測定報告の送信をトリガする
　付記１又は２に記載の通信方法。
　・付記４
　前記ユーザ装置は、前記測定報告イベントが将来発生すると予測したことに応じて、前記測定報告イベントが発生したとみなして前記測定報告の送信をトリガする
　付記１又は２に記載の通信方法。
　・付記５
　前記ユーザ装置は、前記測定報告イベントが将来発生すると予測したことに応じて、前記イベント予測の結果を示す通知情報を含む前記メッセージを前記ネットワークノードに送信する
　付記１乃至４のいずれかに記載の通信方法。
　・付記６
　前記メッセージは、前記将来発生すると予測された前記測定報告イベントと関連付けられた測定ＩＤ、及び／又は前記将来発生すると予測された前記測定報告イベントのイベント種別を示す情報を含む
　付記１乃至５のいずれかに記載の通信方法。
　・付記７
　前記メッセージは、前記将来発生すると予測された前記測定報告イベントの対象セルのセルＩＤを含む
　付記１乃至６のいずれかに記載の通信方法。
　・付記８
　前記メッセージは、前記イベント予測の予測精度を示す情報を含む
　付記１乃至７のいずれかに記載の通信方法。
　・付記９
　前記メッセージは、前記測定報告イベントが将来発生すると予測されるタイミングを示す情報を含む
　付記１乃至８のいずれかに記載の通信方法。
　・付記１０
　前記メッセージは、前記イベント予測に用いた前記ＡＩ／ＭＬモデルのモデルＩＤを含む
　付記１乃至９のいずれかに記載の通信方法。
　・付記１１
　前記イベント予測を設定する設定情報を前記ネットワークノードから受信することをさらに有し、
　前記ユーザ装置は、前記設定情報に基づいて前記イベント予測を行う
　付記１乃至１０のいずれかに記載の通信方法。
　・付記１２
　前記設定情報は、前記イベント予測で前記測定報告イベントの発生を予測する対象とする将来の時間範囲を指定する設定を含む
　付記１１に記載の通信方法。
　・付記１３
　前記ユーザ装置は、前記測定報告イベントが将来発生する確率を示す値を前記ＡＩ／ＭＬモデルを用いて取得し、
　前記設定情報は、前記イベント予測で前記測定報告イベントが将来発生するとみなすために満たされるべき前記確率の閾値を指定する設定を含む
　付記１１又は１２に記載の通信方法。
　・付記１４
　前記設定情報は、前記イベント予測を適用する測定報告イベント種別を指定する設定を含む
　付記１１乃至１３のいずれかに記載の通信方法。
　・付記１５
　前記設定情報は、前記イベント予測に用いる前記ＡＩ／ＭＬモデルのモデルＩＤを指定する設定を含む
　付記１１乃至１４のいずれかに記載の通信方法。
　・付記１６
　移動通信システムで用いるユーザ装置であって、
　前記ユーザ装置がネットワークノードに接続した無線リソース制御（ＲＲＣ）コネクティッド状態において、人工知能又は機械学習（ＡＩ／ＭＬ）モデルを用いて、前記ネットワークノードへの測定報告の送信をトリガする測定報告イベントが将来発生するかについて予測するイベント予測を行う制御部と、
　前記測定報告イベントが将来発生すると予測したことに応じて、前記イベント予測の結果に関するメッセージを前記ネットワークノードに送信する送信部と、を有する
　ユーザ装置。
　・付記１７
　移動通信システムで用いるネットワークノードであって、
　前記ネットワークノードに接続した無線リソース制御（ＲＲＣ）コネクティッド状態のユーザ装置から、人工知能又は機械学習（ＡＩ／ＭＬ）モデルを用いたイベント予測の結果に関するメッセージを受信する受信部と、
　前記メッセージに基づいて前記ユーザ装置に対するモビリティ制御を行う制御部と、を有し、
　前記イベント予測は、前記ネットワークノードへの測定報告の送信をトリガする測定報告イベントが将来発生するかについて予測する処理であり、
　前記メッセージは、前記測定報告イベントが将来発生すると予測されることを示す
　ネットワークノード。
　・付記１８
　前記イベント予測を設定する設定情報を前記ユーザ装置に送信する送信部をさらに有する
　付記１７に記載のネットワークノード。
　１　　　　：移動通信システム
　５　　　　：ネットワーク
　１０　　　：ＲＡＮ（ＮＧ－ＲＡＮ）
　１１　　　：Ｌ１フィルタ
　１２　　　：ビーム統合／選択部
　１３　　　：Ｌ３フィルタ
　１４　　　：評価部
　１５　　　：Ｌ３ビームフィルタ
　１６　　　：ビーム選択部
　２０　　　：ＣＮ（５ＧＣ）
　１００　　：ＵＥ
　１０１　　：ＡＩ／ＭＬモデル
　１１０　　：受信部
　１１１　　：受信機（ＲＦチェーン）
　１２０　　：送信部
　１３０　　：制御部
　１４０　　：無線通信部
　２００　　：ｇＮＢ
　２１０　　：送信部
　２２０　　：受信部
　２３０　　：制御部
　２４０　　：ネットワーク通信部
　２４１　　：送信部
　２４２　　：受信部
　２５０　　：無線通信部
　Ａ１　　　：データ収集部
　Ａ２　　　：モデル学習部
　Ａ３　　　：モデル推論部
　Ａ４　　　：データ処理部

Claims (18)

  1. 　移動通信システムにおいてユーザ装置が実行する通信方法であって、
    　前記ユーザ装置がネットワークノードに接続した無線リソース制御（ＲＲＣ）コネクティッド状態において、人工知能又は機械学習（ＡＩ／ＭＬ）モデルを用いて、前記ネットワークノードへの測定報告の送信をトリガする測定報告イベントが将来発生するかについて予測するイベント予測を行うことと、
    　前記ユーザ装置が、前記測定報告イベントが将来発生すると予測したことに応じて、前記イベント予測の結果に関するメッセージを前記ネットワークノードに送信することと、を有する
    　通信方法。
  2. 　前記メッセージは、前記将来発生すると予測された前記測定報告イベントと関連付けられた測定ＩＤを含む前記測定報告である
    　請求項１に記載の通信方法。
  3. 　前記ユーザ装置は、前記測定報告イベントが将来発生すると予測したことに応じて、前記測定報告イベントが発生する前に前記測定報告の送信をトリガする
    　請求項１に記載の通信方法。
  4. 　前記ユーザ装置は、前記測定報告イベントが将来発生すると予測したことに応じて、前記測定報告イベントが発生したとみなして前記測定報告の送信をトリガする
    　請求項１に記載の通信方法。
  5. 　前記ユーザ装置は、前記測定報告イベントが将来発生すると予測したことに応じて、前記イベント予測の結果を示す通知情報を含む前記メッセージを前記ネットワークノードに送信する
    　請求項１に記載の通信方法。
  6. 　前記メッセージは、前記将来発生すると予測された前記測定報告イベントと関連付けられた測定ＩＤ、及び／又は前記将来発生すると予測された前記測定報告イベントのイベント種別を示す情報を含む
    　請求項１乃至５のいずれか１項に記載の通信方法。
  7. 　前記メッセージは、前記将来発生すると予測された前記測定報告イベントの対象セルのセルＩＤを含む
    　請求項１乃至５のいずれか１項に記載の通信方法。
  8. 　前記メッセージは、前記イベント予測の予測精度を示す情報を含む
    　請求項１乃至５のいずれか１項に記載の通信方法。
  9. 　前記メッセージは、前記測定報告イベントが将来発生すると予測されるタイミングを示す情報を含む
    　請求項１乃至５のいずれか１項に記載の通信方法。
  10. 　前記メッセージは、前記イベント予測に用いた前記ＡＩ／ＭＬモデルのモデルＩＤを含む
    　請求項１乃至５のいずれか１項に記載の通信方法。
  11. 　前記イベント予測を設定する設定情報を前記ネットワークノードから受信することをさらに有し、
    　前記ユーザ装置は、前記設定情報に基づいて前記イベント予測を行う
    　請求項１乃至５のいずれか１項に記載の通信方法。
  12. 　前記設定情報は、前記イベント予測で前記測定報告イベントの発生を予測する対象とする将来の時間範囲を指定する設定を含む
    　請求項１１に記載の通信方法。
  13. 　前記ユーザ装置は、前記測定報告イベントが将来発生する確率を示す値を前記ＡＩ／ＭＬモデルを用いて取得し、
    　前記設定情報は、前記イベント予測で前記測定報告イベントが将来発生するとみなすために満たされるべき前記確率の閾値を指定する設定を含む
    　請求項１１に記載の通信方法。
  14. 　前記設定情報は、前記イベント予測を適用する測定報告イベント種別を指定する設定を含む
    　請求項１１に記載の通信方法。
  15. 　前記設定情報は、前記イベント予測に用いる前記ＡＩ／ＭＬモデルのモデルＩＤを指定する設定を含む
    　請求項１１に記載の通信方法。
  16. 　移動通信システムで用いるユーザ装置であって、
    　前記ユーザ装置がネットワークノードに接続した無線リソース制御（ＲＲＣ）コネクティッド状態において、人工知能又は機械学習（ＡＩ／ＭＬ）モデルを用いて、前記ネットワークノードへの測定報告の送信をトリガする測定報告イベントが将来発生するかについて予測するイベント予測を行う制御部と、
    　前記測定報告イベントが将来発生すると予測したことに応じて、前記イベント予測の結果に関するメッセージを前記ネットワークノードに送信する送信部と、を有する
    　ユーザ装置。
  17. 　移動通信システムで用いるネットワークノードであって、
    　前記ネットワークノードに接続した無線リソース制御（ＲＲＣ）コネクティッド状態のユーザ装置から、人工知能又は機械学習（ＡＩ／ＭＬ）モデルを用いたイベント予測の結果に関するメッセージを受信する受信部と、
    　前記メッセージに基づいて前記ユーザ装置に対するモビリティ制御を行う制御部と、を有し、
    　前記イベント予測は、前記ネットワークノードへの測定報告の送信をトリガする測定報告イベントが将来発生するかについて予測する処理であり、
    　前記メッセージは、前記測定報告イベントが将来発生すると予測されることを示す
    　ネットワークノード。
  18. 　前記イベント予測を設定する設定情報を前記ユーザ装置に送信する送信部をさらに有する
    　請求項１７に記載のネットワークノード。
PCT/JP2025/013699 2024-04-04 2025-04-04 通信方法、ユーザ装置、及びネットワークノード Pending WO2025211433A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2024-060867 2024-04-04
JP2024060867 2024-04-04

Publications (1)

Publication Number Publication Date
WO2025211433A1 true WO2025211433A1 (ja) 2025-10-09

Family

ID=97267149

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2025/013699 Pending WO2025211433A1 (ja) 2024-04-04 2025-04-04 通信方法、ユーザ装置、及びネットワークノード

Country Status (1)

Country Link
WO (1) WO2025211433A1 (ja)

Similar Documents

Publication Publication Date Title
US20230269606A1 (en) Measurement configuration for local area machine learning radio resource management
US20240251258A1 (en) Method, UE and Network Node for Handling MPM Re-Configuration in a Communications Network
CN119631473A (zh) 小区切换方法、装置、设备和存储介质
CN117652175A (zh) 通信设备、基站以及通信方法
WO2025211433A1 (ja) 通信方法、ユーザ装置、及びネットワークノード
WO2025211432A1 (ja) 通信方法、ユーザ装置、及びネットワークノード
WO2023144443A1 (en) Enhancing connection quality after handover
WO2025211279A1 (ja) 通信方法、ユーザ装置、及びネットワークノード
WO2025211268A1 (ja) 通信方法、ユーザ装置、及びネットワークノード
WO2025211269A1 (ja) 通信方法、ユーザ装置、及びネットワークノード
CN117793766A (zh) 一种通信方法及装置
JP2023010464A (ja) ユーザ装置、基地局及び通信制御方法
US12501327B2 (en) Device and method for cell management in radio access networks
US20240147331A1 (en) Ai/ml assisted csi-pilot based beam management and measurement reduction
US20230354120A1 (en) Device and method for cell management in radio access networks
US20250365634A1 (en) Communication control method, network node and user equipment
WO2025140493A1 (en) Methods and apparatus of model based rrm measurement for wireless communication system
WO2025026084A1 (zh) 一种被用于无线通信的通信节点中的方法和装置
WO2025234454A1 (ja) 通信制御方法、ネットワーク装置、及びユーザ装置
CN119629648A (zh) 一种被用于无线通信的通信节点中的方法和装置
WO2025041637A1 (ja) 通信方法、ユーザ装置、及びネットワークノード
CN119854953A (zh) 一种被用于无线通信的通信节点中的方法和装置
WO2025210191A1 (en) Using an ai/ml model for handover and cell reselection
WO2025037584A1 (ja) 通信方法、ユーザ装置、及びネットワークノード
WO2025211434A1 (ja) 通信制御方法

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: 25782619

Country of ref document: EP

Kind code of ref document: A1