JP2004023114A

JP2004023114A - 通信トラヒック予測方法およびその装置

Info

Publication number: JP2004023114A
Application number: JP2002170972A
Authority: JP
Inventors: Hiromichi Kawano; 川野　弘道; Yoko Hoshiai; 星合　擁湖; Ken Nishimatsu; 西松　研
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 2002-06-12
Filing date: 2002-06-12
Publication date: 2004-01-22

Abstract

【課題】従来の重回帰式モデル、カルマンフィルタ表現モデルの問題点を解決した通信トラヒック予測方法を提供する。
【解決手段】日毎に測定される通信トラヒックの統計量の時系列データと、月情報、曜日情報を含む通信トラヒック測定日の暦上の属性を示すカレンダー情報をニューロネットワークヘの入力とし、ｋ日先までの通信トラヒックを予測する方法であって、予測値と実績値とを逐次統計的に比較することで、統計量の構造変化に伴なう、予測式の見直しの有無の検定を行い、予測式見直しが必要と判定された場合には、予測パラメータの学習を行うことで統計量の構造変化に追随する時系列予測方法であり、長期間の実績データ保存、説明変数間の独立性及び線形性を必要としない。
【選択図】　　　　図２

Description

【０００１】
【発明の属する技術分野】
本発明は、日々変動する通信トラヒック（通信需要や売上高）等の予測方法およびその装置に関するものである。
【０００２】
【従来の技術】
従来の日々変動する通信トラヒック（通信需要や売上高）予測では、月、曜日、休日、料金改定前後等の、通信トラヒック予測対象日の暦上の属性を示すカレンダー情報と、日々に測定された通信トラヒック量の時系列データとにより、いわゆる数量化理論Ｉ類を用いた予測方法が用いられてきた。
この数量化理論Ｉ類を用いた予測方法は、例えば「１９９０年電子情報通信学会秋季全国大会、Ｂ−３９３、“数量化Ｉ類による日々トラヒック予測方法”、松田、枝野著」、「１９９１年ＯＲ学会春季発表会、“数量化Ｉ類のカルマンフィルタ表現を用いた日トラヒック予測方法”井出著」に詳しく記述されている。前者の方法は、月、曜日、休日、料金改定前後等の、通信トラヒック予測対象日の暦上の属性を示すカレンダー情報を質的変数とする説明変数とし、日々に測定された通信トラヒック量の時系列データを被説明変数とする重回帰式に帰着する。後者の方法は、前者の重回帰式をカルマンフィルタ表現モデルに拡張し、予測データと実績データとの誤差に基いて誤差が一定範囲内に収まるように重回帰式における偏回帰係数の修正を行う逐次予測方法である。
【０００３】
【発明が解決しようとする課題】
前者の重回帰式モデルの問題点は、長期間の実績データを保存するための大きな記憶容量が必要であることと、過去のデータを同じ重みで分析するため、統計量の時間的構造変化に追随できない点にあり、後者のカルマンフィルタ表現モデルは前者の問題点は解決しているが、カレンダー情報に代表される説明変数間の独立性と線形性を前提としており、構造変化による独立性と線形性の変化にも対処できない。
本発明は、前記問題点を解決するためになされたものであり、本発明の目的は、記憶容量の削減、統計量の時間的構造変化への追従、変数間の独立性と線形性を意識する必要がないという特徴を有する。
【０００４】
【課題を解決するための手段】
第１の発明は、日毎に測定される通信トラヒックの統計量の時系列データと、月情報、曜日情報を含む通信トラヒック測定日の暦上の属性を示すカレンダー情報をニューロネットワークヘの入力とし、ｋ日先までの通信トラヒックを予測する方法であって、予測値と実績値とを逐次統計的に比較することで、統計量の構造変化に伴なう、予測式の見直しの有無の検定を行い、予測式見直しが必要と判定された場合には、予測パラメータの学習を行うことで統計量の構造変化に追随することを特徴とする時系列予測方法であり、長期間の実績データ保存、説明変数間の独立性及び線形性を必要としない。
【０００５】
第２の発明は、第１の発明の通信トラヒック予測方法において、学習用時系列Ｐ_０、Ｐ_１、・・・・Ｐ_ｎに対し、階差ΔＰ_ｉをとり、“数１５”とし
【数１５】
ΔＰ_ｉ＝Ｐ_ｉ−Ｐ_ｉ−１
新たな時系列ΔＰ_１、ΔＰ_２、・・・・ΔＰ_ｉを生成し、“数１６”、“数１７”、“数１８”を計算し、“数１８”を標準化時系列ΔＱ_ｉとして“数１５”に代わる学習用時系列として使用する機能を備えて構成したものである。
【数１６】
μ＝（ΣΔＰ_ｉ）／ｎ
【数１７】
σ^２＝Σ（ΔＰ_ｉ−μ）^２／（ｎ−１）
【数１８】
ΔＱ_ｉ＝（ΔＰ_ｉ−μ）／σ
【０００６】
第３の発明は、第１の発明の通信トラヒック予測方法において、学習用時系列ΔＱ_１、ΔＱ_２、・・・・ΔＱ_ｎに対し、月情報、曜日情報を含む通信トラヒック測定日の暦上の属性を示すカレンダー情報をＭ_１（１月）、Ｍ_２（２月）、・・・・、Ｍ_１２（１２月）、Ｗ_１（月）、Ｗ_２（火）、・・・・、Ｗ_７（日又は祝日）を対応付け、さらに、ΔＱ_ｉに対し“数１９”、“数２０”を対応づけ、これらのデータをニューロネットワークの入力として使用する機能を備えて構成したものである。
【数１９】
Ｘ_ｉ＝過去７日間の時系列ΔＱ_ｉ−６，・・・・ΔＱ_ｉの平日平均
【数２０】
Ｙ_ｉ＝過去７日間の時系列ΔＱ_ｉ−６，・・・・ΔＱ_ｉの土日祝日平均
【０００７】
第４の発明は、第１の発明の通信トラヒック予測方法において、学習用時系列ΔＱ_１、ΔＱ_２、・・・・ΔＱ_ｎに対し、第３の発明の入力を使ってフィードフォワード型ニューロネットワークで誤差伝播法により学習を行ったニューロネットワークに対し、予測日をｉ＝１，２，，，，ｋと逐次更新させ、第ｎ＋ｉ日目の暦上の属性及び予測値Ｘ’_ｎ＋ｉ、Ｙ’_ｎ＋ｉを用いて予測値ΔＱ’_ｎ＋１、ΔＱ’_ｎ＋２、・・・・ΔＱ’_ｎ＋ｋ及び“数２１”により目的とするｋ日先までの予測値ΔＰ’_ｎ＋１、ΔＰ’_ｎ＋２、・・・・ΔＰ’_ｎ＋ｋを求める機能を備えて構成したものである。
【数２１】
Ｐ’_ｎ＋ｉ＝Ｐ’_{ｎ＋ｉ−１}＋ΔＱ’_ｎ＋ｉ×σ／μ
【０００８】
第５の発明は、第４の発明の手順で求めた予測値Ｐ’_ｎ＋ｉに対し、第ｎ＋ｉ日にＰ_ｎ＋ｉを観測した時点でＰ_ｎ＋ｉを学習データとして誤差伝播法により学習を行い、逐次学習を行う機能を備えて構成したものである。
【０００９】
第６の発明は、第１の発明の通信トラヒック予測方法において、第４の発明の手順で“数２１”として求めた予測値Ｐ’_ｎ＋ｉに対し、第ｎ＋ｉ日にＰ_ｎ＋ｉを観測した時点で“数２２”、“数２３”、“数２４”、“数２５”、“数２６”、“数２７”を算出し、“式６”を満足した時にのみ第５の発明の逐次学習を行う機能を備えて構成したものである。
【数２２】
Δε_ｎ＋ｉ＝Ｐ’_ｎ＋ｉ−Ｐ_ｎ＋ｉ
ただし、Ｐ_ｎ＋ｉは第ｎ＋ｉ日における実績トラヒック、Ｐ’_ｎ＋ｉはｎ日に予測した第ｎ＋ｉ日のトラヒック。
【数２３】
Ｐｒ１（Ｐ’_ｎ＋ｉ）＝Ｎ（Δε_ｎ＋ｉ，μ１，σ１）
ただしＮ（Δε_ｎ＋ｉ，μ１，σ１）はΔε_ｎ＋ｉが平均μ１、分散σ１の正規分布に属する確率で、μ１、σ１は学習用時系列で求めた予測誤差の平均と分散。
【００１０】
【数２４】
Ｐｒ２（Ｐ’_ｎ＋ｉ）＝１−Ｎ（Δε_ｎ＋ｉ，μ１，σ１）
【数２５】
λ_ｉ＝Ｐｒ１（Ｐ’_ｎ＋１）Ｐｒ１（Ｐ’_ｎ＋２）・・Ｐｒ１（Ｐ’_ｎ＋ｉ）／Ｐｒ２（Ｐ’_ｎ＋１）Ｐｒ２（Ｐ’_ｎ＋２）・・Ｐｒ２（Ｐ’_ｎ＋ｉ）
【数２６】
Ｃ_１＝β／（１−α）
ただしαは逐次学習が必要であるのにもかかわらず、必要でないと判断する誤り率（第１種の誤り確率）。βは逐次学習が必要でないのにもかかわらず、必要であると判断する誤り率（第２種の誤り確率）。
【数２７】
Ｃ_２＝（１−β）／α
［式４］λ_ｉ＜Ｃ_１
［式５］Ｃ_１＜λ_ｉ＜Ｃ_２
［式６］Ｃ_２＜λ_ｉ
【００１１】
第７の発明は、第６の発明の手順で“式６”を満足した時にのみ“数２８”で与えられるデータを学習用データとしてニューロネットワークの再学習を行う機能を備えて構成したものである。
【数２８】
Ｄ＝｛Ｐ_ｉ｜Ｃ_１＜λ_ｉ＜Ｃ_２，１≦ｉ≦ｋ｝
【００１２】
第８の発明は、通信トラヒック予測対象日の暦上の属性を示すカレンダー情報を入力するカレンダー情報入力部と、日毎に測定される通信トラヒックの統計量の時系列データを入力する時系列データ入力部と、入力された前記時系列データの標準化及び統計量の作成を行う前処理部と、ニューロネットワークにより通信トラヒックの予測を行う通信トラヒック予測部と、前記通信トラヒック予測部の出力結果を目的とする通信トラヒックに変換する後処理部と、予測値と実績値を用いた確率比検定を行うことでニューロネットワーク再学習の可否を判断するニューロネットワーク再学習検定部と、を備えた通信トラヒック予測装置である。
【００１３】
上述のように、従来技術と比較して、第１の発明は過去の時系列データを保存しておく必要が無いことと説明変数と被説明変数との線形性、説明変数間の独立性を考慮する必要が無いこと、予測値と実績値とを逐次統計的に比較することで、時系列の構造変化に追随できることに特徴がある。
また、第２の発明では、学習用時系列データに対する前処理として、トレンド成分の除去、ニューロネットワークによる学習効率を上げるためのデータの標準化を行っている。
第３の発明では、トレンド成分を予測するための入力データの作成を行っている。
第４、５の発明では、学習用時系列データを使った誤差伝播法によるニューロネットワークの作成と、ニューロネットワークを用いたトラヒック予測を行っている。
第６、７の発明では、予測値と実績値とを逐次統計的に比較することで、ニューロネットワークの見直しの可否の判断を行っている。
第８の発明は、本発明の通信トラヒック予測を行うための装置である。
【００１４】
【発明の実施の形態】
図１は、本発明の実施の形態である通信トラヒック予測装置を示す図である。同図において、数字符号１は通信トラヒック予測対象日の暦上の属性を示すカレンダー情報入力部、２は日毎に測定される通信トラヒックの統計量の時系列データ入力部、３は２で入力された時系列データの標準化及び統計量の作成を行う前処理部、４はニューロネットワークによる通信トラヒック予測部、５は４の出力結果を目的とする通信トラヒックに変換する後処理部を示している。
【００１５】
カレンダー情報入力部１は入力された通信トラヒック予測対象日の暦上の属性を通信トラヒック予測部４におけるニューロネットワークヘ入力する装置である。
時系列データ入力部２は学習時には前記第２の発明の学習用時系列Ｐ_０、Ｐ_１、・・・・Ｐ_ｎを、予測時には第ｎ日（最新）の通信トラヒックを入力する装置である。
前処理部３は、時系列データ入力部２に入力されたデータに対して前記第２の発明の標準化処理を行い“数１８”の算出と前記第３の発明の“数１９”、“数２０”を算出する装置である。
通信トラヒック予測部４は、カレンダー情報入力部１への入力データ及び前処理部３で計算された数値をニューロネットワークに入力することで第ｎ＋ｉ日の標準化された統計量を予測する装置である。
後処理部５は、通信トラヒック予測部４により予測された標準化された統計量を通信トラヒックに変換する装置である。
ニューロネットワーク再学習検定部６は予測値と実績値を用いた確率比検定を行うことでニューロネットワーク再学習の可否を判断する装置である。
【００１６】
図２は第ｎ日（最新）から第ｎ＋ｋ日までの通信トラヒックを予測する手順を示す。同図において、Ｓ０〜Ｓ７との符号表示は、処理の各ステップを示すもので、以下の説明中のステップ０〜ステップ７との記載と対応している。
【００１７】
ステップ０
時系列データ入力部２に入力された第ｎ日（最新）の通信トラヒックデータＰ_ｎに対し第ｎ−１日（昨日）の通信トラヒックデータＰ_ｎ−１との階差ΔＰ_ｎをとり、“数２９”とし
【数２９】
ΔＰ_ｎ＝Ｐ_ｎ−Ｐ_ｎ−１
“数２９”に対し標準化処理を行い標準化データΔＱ_ｎ“数３０”を計算する。
【数３０】
ΔＱ_ｎ＝（ΔＰ_ｎ−μ）／σ
尚、μ、σは、学習用時系列を用いて前記第２の発明の“数１６”、“数１７”として既に計算済。
【００１８】
ステップ１
第ｎ−７日、第ｎ−６日、、、第ｎ−１日の通信トラヒックデータＰ_ｎ−７、Ｐ_ｎ−６、、、Ｐ_ｎ−１に対し、その階差ΔＰ_ｎ−６、、、ΔＰ_ｎ−１を“数３１”として計算する。
【数３１】
ΔＰ_ｎ−ｉ＝Ｐ_ｎ−ｉ−Ｐ_{ｎ−ｉ−１}
“数３１”に対し標準化処理を行い標準化データΔＱ_ｎ“数３２”を計算する。
【数３２】
ΔＱ_ｎ−ｉ＝（ΔＰ_ｎ−ｉ−μ）／σ
“数３２”に対し“数３３”、“数３４”を計算する。
【数３３】
Ｘ_ｎ＝過去７日間の時系列ΔＱ_ｎ−６，・・・・ΔＱ_ｎの平日平均
【数３４】
Ｙ_ｎ＝過去７日間の時系列ΔＱ_ｎ−６，・・・・ΔＱ_ｎの土日祝日平均
【００１９】
ステップ２
カレンダー情報入力部１に入力された通信トラヒック予測対象日の暦上の属性に基づきｎ＋１日（翌日）の暦上の属性と、ステップ１で算出した“数３３”、“数３４”をニューロネットワークの入力とし、ｎ＋１日（翌日）の統計量ΔＱ’_ｎ＋１を予測する。
【００２０】
ステップ３
後処理部でΔＱ’_ｎ＋１を“数３５”に変換しｎ＋１日（翌日）の通信トラヒックとする。
【数３５】
Ｐ’_ｎ＋１＝Ｐ_ｎ＋ΔＱ’_ｎ＋１×σ／μ
【００２１】
ステップ４
第ｎ＋ｋ日までの通信トラヒックを予測したか否かの判断を行い、否の場合には、通信トラヒックデータの最新予測値Ｐ_ｎ＋ｉを最新日のトラヒックデータと見なしてステップ０の処理へもどる。是の場合はステップ５へ進む。
【００２２】
ステップ５
第ｎ＋ｉ日において実績トラヒックＰ_ｎ＋ｉを測定し、第ｎ日に予測した第ｎ＋ｉ日のトラヒックＰ’_ｎ＋ｉとの予測誤差“数３６”を計算する。ただし１≦ｉ≦ｋ。
【数３６】
Δε_ｎ＋ｉ＝Ｐ’_ｎ＋ｉ−Ｐ_ｎ＋ｉ
【００２３】
ステップ６
“数３６”に対し統計量“数３７”、“数３８”を算出する。
【数３７】
Ｐｒ１（Ｐ’_ｎ＋ｉ）＝Ｎ（Δε_ｎ＋ｉ，μ１，σ１）
ただしＮ（Δε_ｎ＋ｉ，μ１，σ１）はΔε_ｎ＋ｉが平均μ１、分散σ１の正規分布に属する確率で、μ１、σ１は学習用時系列で求めた予測誤差の平均と分散。
【数３８】
Ｐｒ２（Ｐ’_ｎ＋ｉ）＝１−Ｎ（Δε_ｎ＋ｉ，μ１，σ１）
“数３７”、“数３８”を用いて確率比“数３９”を算出する。
【数３９】
λｉ＝Ｐｒ１（Ｐ’_ｎ＋１）Ｐｒ（Ｐ’_ｎ＋２）・・Ｐｒ１（Ｐ’_ｎ＋ｉ）／Ｐｒ２（Ｐ’_ｎ＋１）Ｐｒ２（Ｐ’_ｎ＋２）・・Ｐｒ２（Ｐ’_ｎ＋ｉ）
【００２４】
ステップ７
第１種の誤り確率α（＝０．０１）、第２種の誤り確率β（＝０．０１）を使って“数４０”、“数４１”を算出する。
【数４０】
Ｃ_１＝β／（１−α）
【数４１】
Ｃ_２＝（１−β）／α
【００２５】
“式７”、“式８”、“式９”に基づき、“式７”を満足する場合は、時系列の構造変化は生じておらずニューロネットワークの見直しは不必要ない。“式８”を満足する場合は、時系列の構造変化によるニューロネットワークの見直し判断保留とし、実績値Ｐ_ｎ＋ｉを保存する。“式９”を満足する場合は、時系列の構造変化が生じ、ニューロネットワークの見直しが必要と判断し、“数４２”による学習を実行し、ステップ０〜ステップ６の処理を行いｋ日先までの予測の再計算を行う。
［式７］λ_ｉ＜Ｃ_１
［式８］Ｃ_１＜λ_ｉ＜Ｃ_２
［式９］Ｃ_２＜λ_ｉ
【数４２】
Ｄ＝｛Ｐ_ｉ｜Ｃ_１＜λ_ｉ＜Ｃ_２，１≦ｉ≦ｋ｝
【００２６】
以上、本発明者によってなされた発明を、前記実施の形態に基づき具体的に説明したが、本発明は、前記実施の形態に限定されるものではなく、その要旨を逸脱しない範囲において種々変更可能であることは勿論である。
【００２７】
【発明の効果】
以上説明したように、本発明によれば、長期間の実績データを保存するための大きな記憶容量が不要であることと、統計量の時間的構造変化に追随できること、説明変数間の独立性と線形性を前提としないことにある。
【図面の簡単な説明】
【図１】本発明の実施の形態の通信トラヒック予測装置を示す図である。
【図２】本発明の実施の形態の通信トラヒック予測の手順を示す流れ図である。
【符号の説明】
１…カレンダー情報入力部、２…時系列データ入力部、３…前処理部、４…通信トラヒック予測部、５…後処理部、６…ニューロネットワーク再学習検定部、
Ｓ０〜Ｓ８…処理のステップ

Claims

日毎に測定される通信トラヒックの統計量の時系列データと、月情報、曜日情報を含む通信トラヒック測定日の暦上の属性を示すカレンダー情報をニューロネットワークの入力とし、日毎に測定される通信トラヒックのｋ日先までの通信トラヒックを予測する方法であって、予測値と実績値との差を逐次統計的に検定することで、時系列の構造変化に伴う、ニューロネットワーク再学習の有無の判断を行い、再学習が必要と判定された場合には、ニューロネットワークの学習を行うことで時系列の構造変化に追随することを特徴とする通信トラヒック予測方法。
請求項１記載の通信トラヒック予測方法において、学習用時系列Ｐ_０、Ｐ_１、・・・・Ｐ_ｎに対し、階差ΔＰ_ｉをとり、“数１”とし

新たな時系列ΔＰ_１、ΔＰ_２、・・・・ΔＰ_ｉを生成し、“数１”を用いて“数２”、“数３”、“数４”を計算し“数４”を標準化時系列ΔＱ_ｉとして“数１”に代わる学習用時系列とすることを特徴とする通信トラヒック予測方法。
請求項１記載の通信トラヒック予想方法において、学習用時系列ΔＱ_１、ΔＱ_２、・・・・ΔＱ_ｎに対し、月情報、曜日情報を含む通信トラヒック測定日の暦上の属性を示すカレンダー情報Ｍ_１（１月）、Ｍ_２（２月）、・・・・、Ｍ_１２（１２月）、Ｗ_１（月）、Ｗ_２（火）、・・・・、Ｗ_７（日又は祝日）を対応付け、さらに、ΔＱ_ｉに対し“数５”、“数６”を対応づけ、これらのデータをニューロネットワークの入力とすることを特徴とする通信トラヒック予測方法。
請求項３記載の通信トラヒック予測方法において、学習用時系列ΔＱ_１、ΔＱ_２、・・・・ΔＱ_ｎを用いて、請求項３で記載した入力を使ってフィードフォワード型ニューロネットワークで誤差伝播法により学習を行ったニューロネットワークに対し、予測日をｉ＝１，２，，，，ｋと逐次更新させ、第ｎ＋ｉ日目の暦上の属性及び予測値Ｘ’_ｎ＋ｉ、Ｙ’_ｎ＋ｉを用いて予測値ΔＱ’_ｎ＋１、ΔＱ’_ｎ＋２、・・・・ΔＱ’_ｎ＋ｋ及び“数７”により目的とするｋ日先までの予測値ΔＰ’_ｎ＋１、ΔＰ’_ｎ＋２、・・・・ΔＰ’_ｎ＋ｋを求めることを特徴とする通信トラヒック予測方法。
請求項４記載の通信トラヒック予測方法において、請求項４に記載する手順で求めた予測値Ｐ’_ｎ＋ｉに対し、第ｎ＋ｉ日にＰ_ｎ＋ｉを観測した時点でＰ_ｎ＋ｉを学習データとして誤差伝播法により学習を行い、逐次学習を行うことを特徴とする通信トラヒック予測方法。
請求項５記載の通信トラヒック予測方法において、請求項４に記載する手順で“数７”として求めた予測値Ｐ’_ｎ＋ｉに対し、第ｎ＋ｉ日にＰ_ｎ＋ｉを観測した時点で“数８”、“数９”、“数１０”、“数１１”、“数１２”、“数１３”を算出し、“式３”を満足した時にのみ請求項５で記載したニューロネットワークの再学習を行うことを特徴とする通信トラヒック予測方法。

ただし、Ｐ_ｎ＋ｉは第ｎ＋ｉ日における実績トラヒック、Ｐ’_ｎ＋ｉはｎ日に予測した第ｎ＋ｉ日のトラヒック。

分布に属する確率で、μ１、σ１は学習用時系列で求めた予測誤差の平均と分散。

ただしαは再学習が必要であるのにもかかわらず、必要でないと判断する誤り率（第１種の誤り確率）。βは再学習が必要でないのにもかかわらず、必要であると判断する誤り率（第２種の誤り確率）。

［式１］
λ_ｉ＜Ｃ_１
［式２］
Ｃ_１＜λ_ｉ＜Ｃ_２
［式３］
Ｃ_２＜λ_ｉ
請求項６記載の通信トラヒック予測方法において、請求項６に記載する手順で“式３”を満足した時にのみ“数１４”で与えられるデータを学習用データとしてニューロネットワークの再学習を行うことを特徴とする通信トラヒック予測方法。
通信トラヒック予測対象日の暦上の属性を示すカレンダー情報を入力するカレンダー情報入力部と、日毎に測定される通信トラヒックの統計量の時系列データを入力する時系列データ入力部と、入力された前記時系列データの標準化及び統計量の作成を行う前処理部と、ニューロネットワークにより通信トラヒックの予測を行う通信トラヒック予測部と、前記通信トラヒック予測部の出力結果を目的とする通信トラヒックに変換する後処理部と、予測値と実績値を用いた確率比検定を行うことでニューロネットワーク再学習の可否を判断するニューロネットワーク再学習検定部と、を備えたことを特徴とする通信トラヒック予測装置。