JP2007221699A - トラヒック量変動の上限値を予測するトラヒック量予測装置、プログラム及び方法 - Google Patents

Abstract

【課題】トラヒック量変動の上限値を予測するトラヒック量予測装置、プログラム及び方法を提供する。
【解決手段】過去の実績トラヒック量とその日時属性情報とを対応付けて蓄積した実績トラヒックデータベースと、目的関数における重み係数ｗ_ｉを蓄積する重み係数記憶部とを有する。誤差逆伝搬法を用いて重み付き二乗誤差の最小化を目的関数としたニューラルネットワークによる回帰処理をし、学習トラヒック量を出力するニューラルネットワーク処理部と、実績トラヒック量ｙ_ｉが、予測トラヒック量ｚ_ｉよりも大きい場合にのみ、その差に応じて重み係数ｗ_ｉを増分する重み係数決定部を有する。実績トラヒック量ｙ_ｉ毎に、ニューラルネットワーク処理部及び重み係数決定部の処理を所定回数だけ繰り返すように制御し、予測モデルとなる重み係数を算出する。
【選択図】図１

Description

本発明は、トラヒック量変動の上限値を予測するトラヒック量予測装置、プログラム及び方法に関する。

ネットワーク設備の運用管理者にとって、設計・運用計画を策定するために、将来のトラヒック量変動を予測することは非常に重要である。通常、そのような計画は、過去のトラヒック量変動を参照して決定される。一般に、平均的なトラヒック量変動を予測する時系列予測方法が用いられる（例えば特許文献１参照）。

特開２００４−２３１１４号公報

しかしながら、従来技術によれば、平均的なトラヒック量変動の予測は可能であっても、上限値の変動を予測するのは難しい。ネットワークがＩＰ(Internet Protocol)ネットワークであった場合、バースト的な通信が発生することも多い。この場合、ネットワーク設備の運用管理者は、特にトラヒック量変動の上限値を考慮する必要がある。

そこで、本発明は、トラヒック量変動の上限値を予測するトラヒック量予測装置、プログラム及び方法を提供することを目的とする。

本発明によれば、トラヒック量変動の上限値を予測するトラヒック量予測装置であって、
過去の実績トラヒック量の時系列データと、該トラヒック量の測定日時に関する日時属性情報とを対応付けて蓄積した実績トラヒックデータベースと、
目的関数における重み係数を蓄積する重み係数記憶手段と、
実績トラヒックデータベースから実績トラヒック量及び日時属性情報と、重み係数記憶手段から重み係数とを入力し、誤差逆伝搬法を用いて重み付き二乗誤差の最小化を目的関数としたニューラルネットワークによる回帰処理をし、学習トラヒック量を出力するニューラルネットワーク処理手段と、
実績トラヒック量が、学習トラヒック量よりも大きい場合にのみ、その差に応じて重み係数を増分する重み係数決定手段と、
ニューラルネットワーク処理手段及び重み係数決定手段の処理を所定回数だけ繰り返すように制御し、予測モデルとなる重み係数を算出する予測モデル構築制御手段と、
予測すべき日時属性情報を入力し、重み係数記憶手段を用いて予測トラヒック量を出力するトラヒック予測手段と
を有することを特徴とする。

本発明のトラヒック量予測装置における他の実施形態によれば、日時属性情報は、通日及び曜日のカレンダ情報であることも好ましい。

本発明のトラヒック量予測装置における他の実施形態によれば、日時属性情報は、契約種別毎のユーザ数を更に含むことも好ましい。

また、本発明のトラヒック量予測装置における他の実施形態によれば、重み係数決定手段は、実績トラヒック量と学習トラヒック量との差に応じて単調増加するように重み係数を増分することも好ましい。

更に、本発明のトラヒック量予測装置における他の実施形態によれば、実績トラヒックデータベースに蓄積された過去の実績トラヒック量について、所定数毎の平均トラヒック量に対する残差の累積分布に基づいて異常値を除去する実績トラヒック補間手段を更に有することも好ましい。

本発明によれば、トラヒック量変動の上限値を予測するように、コンピュータを機能させるトラヒック量予測プログラムであって、
過去の実績トラヒック量の時系列データと、該トラヒック量の測定日時に関する日時属性情報とを対応付けて蓄積した実績トラヒックデータベースと、
目的関数における重み係数を蓄積する重み係数記憶手段と、
実績トラヒックデータベースから実績トラヒック量及び日時属性情報と、重み係数記憶手段から重み係数とを入力し、誤差逆伝搬法を用いて重み付き二乗誤差の最小化を目的関数としたニューラルネットワークによる回帰処理をし、学習トラヒック量を出力するニューラルネットワーク処理手段と、
実績トラヒック量が、学習トラヒック量よりも大きい場合にのみ、その差に応じて重み係数を増分する重み係数決定手段と、
ニューラルネットワーク処理手段及び重み係数決定手段の処理を所定回数だけ繰り返すように制御し、予測モデルとなる重み係数を算出する予測モデル構築制御手段と、
予測すべき日時属性情報を入力し、重み係数記憶手段を用いて予測トラヒック量を出力するトラヒック予測手段と
してコンピュータを機能させることを特徴とする。

本発明のトラヒック量予測プログラムにおける他の実施形態によれば、日時属性情報は、通日及び曜日のカレンダ情報であるようにコンピュータを機能させることも好ましい。

本発明のトラヒック量予測プログラムにおける他の実施形態によれば、日時属性情報は、契約種別毎のユーザ数を更に含むようにコンピュータを機能させることも好ましい。

また、本発明のトラヒック量予測プログラムにおける他の実施形態によれば、重み係数決定手段は、実績トラヒック量と学習トラヒック量との差に応じて単調増加するように重み係数ｗ_ｉを増分するようにコンピュータを機能させることも好ましい。

更に、本発明のトラヒック量予測プログラムにおける他の実施形態によれば、実績トラヒックデータベースに蓄積された過去の実績トラヒック量について、所定数毎の平均トラヒック量に対する残差の累積分布に基づいて異常値を除去する実績トラヒック補間手段として更にコンピュータを機能させることも好ましい。

本発明によれば、トラヒック量変動の上限値を予測するトラヒック量予測方法であって、
過去の実績トラヒック量の時系列データと、該トラヒック量の測定日時に関する日時属性情報とを対応付けて蓄積した実績トラヒックデータベースと、
目的関数における重み係数を蓄積する重み係数記憶部と
を有する装置を用いて、
実績トラヒックデータベースに蓄積された実績トラヒック量毎に、
実績トラヒックデータベースから１つの実績トラヒック量及び日時属性情報と、重み係数記憶部から重み係数とを入力し、誤差逆伝搬法を用いて重み付き二乗誤差の最小化を目的関数としたニューラルネットワークによる回帰処理をし、学習トラヒック量を出力するステップと、
実績トラヒック量が、学習トラヒック量よりも大きい場合にのみ、その差に応じて重み係数を増分するステップと
を所定回数だけ繰り返すように制御し、予測モデルとなる重み係数を算出する第１のステップと、
予測すべき日時属性情報を入力し、重み係数記憶部を用いて予測トラヒック量を出力する第２のステップと
を有することを特徴とする。

本発明によれば、トラヒック量変動の上限値を予測することができる。特に、ネットワークがＩＰネットワークのようにバースト的な通信が発生する場合であっても、トラヒック量変動の上限値を考慮したネットワーク設備の設計・運用計画を策定することができる。

以下では、図面を用いて、本発明を実施するための最良の形態について詳細に説明する。

本発明は、ニューロンが互いに結合して１つのネットワークを構成したニューラルネットワークを用いる。ニューロンは、複数の入力及び１つの出力を有し、入力された複数の信号に対して重み付けして加算した１つの信号を出力する。本発明におけるニューラルネットワークは、入力層、隠れ層及び出力層の３階層にニューロンを分類し、層毎に、ニューロンが結合された階層型で構成される。尚、本発明におけるニューラルネットワークは、信号が入力層から出力層へ向かって一方向にのみ流れるフィードフォワード型である。

本発明におけるニューラルネットワークは、誤差逆伝搬法を用いて学習をする。誤差逆伝搬法は、出力層の出力の一部が入力層にフィードバックする学習機能を有する。

隠れ層の出力関数は、例えば以下のシグモイド関数とするが、それ以外のものであってもよい。
sigmoid(x)＝１／（１＋exp(-x)）
また、出力層の出力関数は、以下の関数とする。
linear(x)＝x

本発明によれば、入力情報（日時属性情報）及び教師情報（実績トラヒック量）を用いて、ニューラルネットワークが、重み係数によって重み付けされた二乗誤差を最小とするように学習し、その学習結果（学習トラヒック量）を出力する。各日時における教師情報（実績トラヒック量）と学習結果（学習トラヒック量）との誤差は、重み係数と共に記憶される。対応する日時の重み係数は、記憶された誤差を用いて算出される。

本発明は、予測モデル構築ステップと、予測処理ステップとから構成される。予測モデル構築ステップとは、過去の実績トラヒック量と、そのトラヒック量の測定日時に関する日時属性情報とから、予測モデルとなる重み係数を構築するステップをいう。また、予測処理ステップは、予測すべき日時属性情報から、予測モデル構築ステップで決定された重み係数を用いて、予測トラヒック量を出力するステップをいう。

本発明の装置は、実績トラヒックデータベースと、重み係数蓄積部とを有する。

実績トラヒックデータベースは、過去の実績トラヒック量と、そのトラヒック量の測定日時に関する日時属性情報とを対応付けて蓄積している。日時属性情報は、曜日及び通日のようなカレンダ情報である。通日は、初日からの通し日数である。勿論、日時属性情報は、日に限られず、時間であってもよい。

以下の表１は、実績トラヒックデータベースに登録された３００日の実績トラヒック量である。この３００日の実績トラヒック量を用いて、予測モデルを構築することができる。

重み係数蓄積部は、目的関数における重み係数ｗ_ｉを蓄積する。

図１は、本発明における予測モデル構築ステップのフローチャートである。

（Ｓ１０１）３００日分のトラヒックデータについて、通日順に、過去の１日分の実績トラヒック量毎に、Ｓ１０２〜Ｓ１０５までの処理を繰り返す。
（Ｓ１０２）所定回数ｎ_itrだけ、Ｓ１０３及びＳ１０４の処理を繰り返す（ｋ回目＝１〜ｎ_itr）。所定回数ｎ_itrが多いほど、予測モデルの予測精度は向上する。

（Ｓ１０３）実績トラヒックデータベースから、１日分の実績トラヒック量ｙ_ｉと、その通日及び曜日（日時属性情報）とを取得し、ニューラルネットワーク処理をする。ここで、重み係数記憶部に記憶されている重み係数ｗ_ｉも取得する。ニューラルネットワーク処理によって、学習トラヒック量ｚ_ｉが出力される。ニューラルネットワーク処理は、誤差逆伝搬法を用いて、重み付き二乗誤差を最小とする目的関数を用いる。以下の式のように表される。

（Ｓ１０４）次に、ニューラルネットワークの重み付けｗ_ｉを決定する。ここで、実績トラヒック量ｙ_ｉが、ｋ回目（ｋ＝１〜ｎ_itr）のニューラルネットワークにおける学習トラヒック量ｚ_ｉよりも大きい場合にのみ、その差ｒ_ｉ＝ｙ_ｉ−ｚ_ｉに応じて、ｋ＋１回目のニューラルネットワークにおける学習トラヒック量ｙ_ｉを大きくする。

ここで、本発明の本質は、残差に比例した重みｗ_ｉを与えるということであり、一般的に以下の式のように考えることができる。

前述した数３の式以外に、以下のような式も考えることができる。

（Ｓ１０５）所定回数ｎ_itrだけ、Ｓ１０２へ戻る。
（Ｓ１０６）Ｓ１０１へ戻り、次の１日分の実績トラヒックデータについて処理する。

図２は、予測処理ステップのフローチャートである。

（Ｓ２０１）予測すべき通日ｉ及び曜日の情報が入力され、予測モデルとなる重み係数記憶部を用いて、ニューラルネットワーク処理がなされる。ここでは、実績トラヒックデータを教師情報として学習し、その予測すべき日の予測トラヒック量を出力する。

前述したトラヒック量予測のための処理フローは、具体的にネットワーク設備に特化して考えた場合、複数ユーザからのトラヒックが多重される集線部におけるトラヒック量の予測に用いられる。ここで、日時属性情報に、契約種別毎のユーザ数を更に含ませることができる。例えば、集線部のポート毎に、以下のように通日ｉを変数とする契約種別毎のユーザ数を、実績トラヒック量に含ませることができる。
・契約種別１００Ｍｂｐｓのユーザ数ｘ［ｉ］
・契約種別５０Ｍｂｐｓのユーザ数ｙ［ｉ］
・契約種別１０Ｍｂｐｓのユーザ数ｚ［ｉ］
この場合、ニューラルネットワークに、曜日及び通日ｉに加えて、契約種別を入力する必要がある。

図３は、本発明におけるトラヒック予測装置の機能構成図である。

図３によれば、トラヒック予測装置１は、実績トラヒックデータベース１０１と、重み係数記憶部１０２と、ニューラルネットワーク処理部１０３と、重み係数決定部１０４と、予測モデル構築制御部１０５と、トラヒック予測部１０６と、実績トラヒック補間部１０７とを有する。これら機能部は、装置に搭載されたコンピュータによって実行されるプログラムにより実現できる。

実績トラヒックデータベース１０１は、過去の実績トラヒック量ｙ_ｉの時系列データと、該トラヒック量の測定日時に関する日時属性情報とを対応付けて蓄積する。日時属性情報は、通日ｉ及び曜日のカレンダ情報である。

重み係数記憶部１０２は、目的関数における重み係数ｗ_ｉを蓄積する。尚、実績トラヒック量と学習トラヒック量との誤差ｒ_ｉも記憶する。

ニューラルネットワーク処理部１０３は、実績トラヒックデータベースから１つの実績トラヒック量ｙ_ｉ及び日時属性情報と、重み係数記憶手段から重み係数ｗ_ｉとを入力し、誤差逆伝搬法を用いて重み付き二乗誤差の最小化を目的関数としたニューラルネットワークによる回帰処理をし、学習トラヒック量ｚ_ｉを出力する。ニューラルネットワーク処理部１０３は、図１のＳ１０３と同様の処理をする。

重み係数決定部１０４は、実績トラヒック量ｙ_ｉが、予測トラヒック量ｚ_ｉよりも大きい場合にのみ、その差に応じて重み係数ｗ_ｉを増分する。ここで、その差に応じて単調増加するように重み係数ｗ_ｉを増分するものであってもよい。重み係数決定部１０４は、図１のＳ１０４と同様の処理をする。

予測モデル構築制御部１０５は、実績トラヒックデータベースに蓄積された実績トラヒック量ｙ_ｉ毎に、ニューラルネットワーク処理手段及び重み係数決定手段の処理を所定回数だけ繰り返すように制御し、予測モデルとなる重み係数を算出する。予測モデル構築制御部１０５は、図１のＳ１０１、Ｓ１０２、Ｓ１０５及びＳ１０６と同様の処理をする。

トラヒック予測部１０６は、予測すべき日時属性情報を入力し、重み係数記憶部１０２を用いて予測トラヒック量ｚ_ｉを出力する。図２のＳ２０１と同様の処理をする。

実績トラヒック補間部１０７は、実績トラヒックデータベース１０１に蓄積された過去の実績トラヒック量について、所定数毎の平均トラヒック量に対する残差の累積分布に基づいて異常値を除去する。

以下では、実績トラヒック補間部１０７の処理について説明する。

図４は、実績トラヒック量の異常値を表すグラフである。横軸が通日を表し、縦軸が実績トラヒック量を表す。

過去の実績トラヒックデータについて、一時的且つ突発的に大きく（小さく）なっている値を、異常値とみなす。時系列データの複数の実績トラヒックデータについて、ウィンドウとなる移動平均区間を予め設定する。例えば、移動平均区間window＝７とし、７日間の実績トラヒック量ｘ(j)の平均値avgＸを算出する。図４は、通日第１８日〜第２４日の１つの移動平均区間について表している。
avgＸ(j)＝（Σ_{i=i〜i+window7}ｙ_ｉ）／window７

移動平均トラヒック量avgＸ(j)と、実績トラヒック量ｙ_ｉとの残差ｒ(i)を算出する。
ｒ(i)＝｜ｙ_ｉ−avgＸ(j)｜

図５は、残差の累積分布を表すグラフである。横軸が累積残差を表し、縦軸が累積率を表す。

図４で得られた残差ｒ(i)を、図５のように累積分布で表す。ここで、累積率９９％以上を異常値として予め設定する。異常値に相当する実績トラヒックは、除去される。尚、ここで、単に異常値を除去するだけでなく、同じ日時属性情報に相当する前後の実績トラヒック量に合わせるものであってもよい。

図６は、本発明における学習トラヒック量のグラフである。

図７は、本発明における予測トラヒック量のグラフである。

予測対象を、あるネットワーク装置のポートを通過した１日の最大トラヒック量に関する時系列データとした。本発明を検証するために、過去１年間のデータを、古い方から３００日の第１のデータと、残り２か月の第２のデータとに分ける。第１のデータは、予測モデル構築のための実績トラヒックデータとし、第２のデータを予測対象データとした。

図６は、本発明における所定回数ｎ_itr＝１０とした学習トラヒック量と、従来技術における所定回数ｎ_itr＝１とした予測トラヒック量とを表す。本発明における学習トラヒック量は、実績トラヒック量の上限値に沿っていることが明らかである。

図７は、本発明によって構築された予測モデルと、従来技術によって構築された予測モデルとを用いて、２ヶ月間のトラヒックを予測したものである。図７によれば、従来技術のニューラルネットワーク（ｎ_itr＝１回）を用いた場合、平均的な変動を捉えることは可能である。しかし、実際に流れた現トラヒック量を大きく下回る予測する。これに対し、本発明のニューラルネットワーク（ｎ_itr＝１０回）によれば、ほぼ上限値の変動が捉えられていることが理解できる。

本発明によれば、トラヒック量変動の上限値を予測することができる。特に、ネットワークがＩＰネットワークのようにバースト的な通信が発生する場合であっても、トラヒック量変動の上限値を考慮したネットワーク設備の設計・運用計画を策定することができる。

前述した本発明における種々の実施形態によれば、当業者は、本発明の技術思想及び見地の範囲における種々の変更、修正及び省略を容易に行うことができる。前述の説明はあくまで例であって、何ら制約しようとするものではない。本発明は、特許請求の範囲及びその均等物として限定するものにのみ制約される。

本発明における予測モデル構築ステップのフローチャートである。 予測処理ステップのフローチャートである。 本発明におけるトラヒック予測装置の機能構成図である。 実績トラヒック量の異常値を表すグラフである。 残差の累積分布を表すグラフである。 本発明における学習トラヒック量のグラフである。 本発明における予測トラヒック量のグラフである。

符号の説明

１ トラヒック量予測装置
１０１ 実績トラヒックデータベース
１０２ 重み係数記憶部
１０３ ニューラルネットワーク処理部
１０４ 重み係数決定部
１０５ 予測モデル構築制御部
１０６ トラヒック予測部
１０７ 実績トラヒック補間部

Claims (11)

1. トラヒック量変動の上限値を予測するトラヒック量予測装置であって、
   過去の実績トラヒック量の時系列データと、該トラヒック量の測定日時に関する日時属性情報とを対応付けて蓄積した実績トラヒックデータベースと、
   目的関数における重み係数を蓄積する重み係数記憶手段と、
   前記実績トラヒックデータベースから実績トラヒック量及び日時属性情報と、前記重み係数記憶手段から前記重み係数とを入力し、誤差逆伝搬法を用いて重み付き二乗誤差の最小化を目的関数としたニューラルネットワークによる回帰処理をし、学習トラヒック量を出力するニューラルネットワーク処理手段と、
   前記実績トラヒック量が、前記学習トラヒック量よりも大きい場合にのみ、その差に応じて前記重み係数を増分する重み係数決定手段と、
   前記ニューラルネットワーク処理手段及び前記重み係数決定手段の処理を前記所定回数だけ繰り返すように制御し、予測モデルとなる前記重み係数を算出する予測モデル構築制御手段と、
   予測すべき日時属性情報を入力し、前記重み係数記憶手段を用いて予測トラヒック量を出力するトラヒック予測手段と
   を有することを特徴とするトラヒック量予測装置。
2. 前記日時属性情報は、通日及び曜日のカレンダ情報であることを特徴とする請求項１に記載のトラヒック量予測装置。
3. 前記日時属性情報は、契約種別毎のユーザ数を更に含むことを特徴とする請求項２に記載のトラヒック量予測装置。
4. 前記重み係数決定手段は、前記実績トラヒック量と前記学習トラヒック量との差に応じて単調増加するように前記重み係数を増分することを特徴とする請求項１から３のいずれか１項に記載のトラヒック量予測装置。
5. 前記実績トラヒックデータベースに蓄積された過去の実績トラヒック量について、所定数毎の平均トラヒック量に対する残差の累積分布に基づいて異常値を除去する実績トラヒック補間手段を更に有することを特徴とする請求項１から４のいずれか１項に記載のトラヒック量予測装置。
6. トラヒック量変動の上限値を予測するように、コンピュータを機能させるトラヒック量予測プログラムであって、
   過去の実績トラヒック量の時系列データと、該トラヒック量の測定日時に関する日時属性情報とを対応付けて蓄積した実績トラヒックデータベースと、
   目的関数における重み係数を蓄積する重み係数記憶手段と、
   前記実績トラヒックデータベースから実績トラヒック量及び日時属性情報と、前記重み係数記憶手段から前記重み係数とを入力し、誤差逆伝搬法を用いて重み付き二乗誤差の最小化を目的関数としたニューラルネットワークによる回帰処理をし、学習トラヒック量を出力するニューラルネットワーク処理手段と、
   前記実績トラヒック量が、前記学習トラヒック量よりも大きい場合にのみ、その差に応じて前記重み係数を増分する重み係数決定手段と、
   前記ニューラルネットワーク処理手段及び前記重み係数決定手段の処理を前記所定回数だけ繰り返すように制御し、予測モデルとなる前記重み係数を算出する予測モデル構築制御手段と、
   予測すべき日時属性情報を入力し、前記重み係数記憶手段を用いて予測トラヒック量を出力するトラヒック予測手段と
   してコンピュータを機能させることを特徴とするトラヒック量予測プログラム。
7. 前記日時属性情報は、通日及び曜日のカレンダ情報であるようにコンピュータを機能させることを特徴とする請求項６に記載のトラヒック量予測プログラム。
8. 前記日時属性情報は、契約種別毎のユーザ数を更に含むようにコンピュータを機能させることを特徴とする請求項７に記載のトラヒック量予測プログラム。
9. 前記重み係数決定手段は、前記実績トラヒック量と前記学習トラヒック量との差に応じて単調増加するように前記重み係数を増分するようにコンピュータを機能させることを特徴とする請求項６から８のいずれか１項に記載のトラヒック量予測プログラム。
10. 前記実績トラヒックデータベースに蓄積された過去の実績トラヒック量について、所定数毎の平均トラヒック量に対する残差の累積分布に基づいて異常値を除去する実績トラヒック補間手段として更にコンピュータを機能させることを特徴とする請求項６から９のいずれか１項に記載のトラヒック量予測プログラム。
11. トラヒック量変動の上限値を予測するトラヒック量予測方法であって、
    過去の実績トラヒック量の時系列データと、該トラヒック量の測定日時に関する日時属性情報とを対応付けて蓄積した実績トラヒックデータベースと、
    目的関数における重み係数を蓄積する重み係数記憶部と
    を有する装置を用いて、
    前記実績トラヒックデータベースに蓄積された実績トラヒック量毎に、
    前記実績トラヒックデータベースから１つの実績トラヒック量及び日時属性情報と、前記重み係数記憶部から前記重み係数とを入力し、誤差逆伝搬法を用いて重み付き二乗誤差の最小化を目的関数としたニューラルネットワークによる回帰処理をし、学習トラヒック量を出力するステップと、
    前記実績トラヒック量が、前記学習トラヒック量よりも大きい場合にのみ、その差に応じて前記重み係数を増分するステップと
    を前記所定回数だけ繰り返すように制御し、予測モデルとなる重み係数を算出する第１のステップと、
    予測すべき日時属性情報を入力し、前記重み係数記憶部を用いて予測トラヒック量を出力する第２のステップと
    を有することを特徴とするトラヒック量予測方法。
    

Images