本公開涉及使用學習模型來執行與移動性有關的動作的終端。
背景技術：
1、第3代合作伙伴計劃（3rd?generation?partnership?project：3gpp（注冊商標））對第5代移動通信系統（5th?generation?mobile?communication?system）（也被稱作5g、新空口（new?radio：nr）或下一代（next?generation：ng）。）進行了規范化，還進行了被稱作beyond?5g、5g?evolution或6g的下一代移動通信系統的規范化。
2、在release?18中，正在討論導入人工智能（artificial?intelligence，ai）/機器學習（machine?learning，ml）。ai/ml模型（以下，也稱為學習模型）從基站（以下，也稱為gnodeb、gnb）下載，應用于終端（以下，也稱為用戶裝置（user?equipment）、ue。）。
3、通過將學習模型應用于ue，期待提高信道狀態信息（channel?stateinformation，csi）反饋、波束管理（bm）、定位（positioning）、移動性、網絡切片、體驗質量（quality?of?experience，qoe）等各種領域中的性能。關于移動性，正在研究應用無線資源管理（rrm）用的學習模型（非專利文獻1）。
4、現有技術文獻
5、非專利文獻
6、非專利文獻1：“moderator's?summary?for?rel-19?ran2?topic?ai/ml?for?airinterface?si（mobility）”，rp-232622，3gpp?tsg?ran?meeting?#101，3gpp，september11-15，2023
技術實現思路
1、通過應用rrm用的學習模型，ue能夠計算小區質量的預測值，來代替實際測量小區質量。小區質量的預測值例如可以是作為t秒后的小區質量的值而被預測的值。ue基于小區質量的預測值，能夠進行測量報告的發送、自主的切換（ho）的執行等。
2、小區質量的預測值根據所應用的學習模型的算法或實現方法的不同，有可能按每個ue而不同。另外，由于用于計算預測值的參數多種多樣，因此存在規定計算預測值的基準也不容易的情況。因此，即使在相同的狀況下，與移動性有關的動作（例如，上述的測量報告的發送或自主的ho的執行）也有可能按每個ue而不同。即，即使在相同的狀況下，也有可能混合存在執行移動性動作的ue和不執行移動性動作的ue。
3、因此，本公開是鑒于這樣的狀況而完成的，其目的在于，提供無論所應用的學習模型的算法或實現方法如何，都能夠統一執行與移動性有關的動作的終端。
4、公開的一個方式是一種終端，其具備：控制部（控制部270），其使用學習模型來計算小區質量的預測值，并對所述預測值與閾值進行比較；以及發送部（無線信號收發部210），其基于所述控制部的比較，發送與所述小區質量有關的測量報告，所述控制部對所述預測值和所述閾值中的任意方加上偏移值來進行比較。
5、公開的一個方式是一種終端，其具備：接收部（無線信號收發部210），其接收用于執行自主的切換的閾值；以及控制部（控制部270），其使用學習模型來計算小區質量的預測值，并對所述預測值與所述閾值進行比較，所述控制部對所述預測值和所述閾值中的任意方加上偏移值來進行比較。
1.一種終端，其具備：
2.根據權利要求1所述的終端，其中，
3.根據權利要求1所述的終端，其中，
4.一種終端，其具備：
5.根據權利要求4所述的終端，其中，
6.根據權利要求4所述的終端，其中，