JP2019122008A - 電波伝搬推定装置、電波伝搬推定方法、及び、電波伝搬推定プログラム - Google Patents

Abstract

【課題】電波伝搬特性の推定時間を短縮し、また、電波伝搬特性の推定精度を向上する。【解決手段】電波伝搬推定装置１０は、抽出部１０１と、推定部１０２と、を備えてよい。抽出部１０１は、送信点から送信される電波の受信点を含む地図データに、畳み込みニューラルネットワーク（ＣＮＮ）を適用することによって、前記受信点を含む周辺環境において前記電波の障害となり得る構造を表す第１パラメータを前記地図データから抽出する。推定部１０２は、抽出部１０１において抽出された第１パラメータと、前記送信点と前記受信点との間において無線通信を行う無線通信システムの構成を表す第２パラメータと、に、全結合ニューラルネットワーク（ＦＮＮ）を適用することによって、前記電波の伝搬特性を推定する。【選択図】図１

Description

本発明は、電波伝搬推定装置、電波伝搬推定方法、及び、電波伝搬推定プログラムに関する。

移動通信システムのような無線通信システムにおける電波伝搬特性を推定するために、「レイトレーシング」又は「重回帰分析」が用いられることがある。

「レイトレーシング」を用いた電波伝搬推定では、例えば、無線通信システムの地理的及び構造的な環境を再現したシステムモデルにおいて、電波を表すレイを送信点から出射する。送信点から出射されたレイは、システムモデルにおける構造物などによって反射、回折、又は、透過して受信点に到達する。受信点に到達したレイの情報から、システムモデルにおける送信点及び受信点の間の電波伝搬特性が推定される。

例えば、受信点では、レイの受信特性を示す情報、例えば、伝搬損失（又は、受信電力）、遅延プロファイル、到来角度プロファイルなどが得られる。得られた受信特性を示す情報を用いて、受信点に到達したレイの電界強度、伝搬遅延（又は、遅延スプレッド）、及び／又は、到来角度（又は、角度スプレッド）が推定される。

一方、「重回帰分析」を用いた電波伝搬推定では、例えば、走行試験などによって事前に測定した伝搬損失データを用いて、推定式が重回帰分析によって作成される。推定式には、道路幅の広狭、及び、建物の高低といった都市構造に関連する情報（又はパラメータ）が考慮される。作成された推定式を用いて、受信電力等の電波伝搬特性が推定される。

特開２００５−７２６６７号公報

坂上修二、久保井潔、「市街地構造を考慮した伝搬損の推定」、信学論（B-II）、vol. J74-B-II、no. 1, pp. 17-25, Jan. 1991 市坪信一、木村正弘、「800MHz帯市街地伝搬損構造のモデル」、信学論（B-II）、vol. J75-B-II、no. 9, pp. 638-646, Sep. 1992 K. Kitao, S. Ichitsubo, "Path loss prediction formula in urban area for the fourth-generation mobile communication systems, " IEICE Trans. Commun., vol. E91-B, no. 6, pp. 1999-2009, June 2008 今井哲朗、「電波伝搬解析のためのレイトレーシング法」、コロナ社、2016

しかしながら、「レイトレーシング」を用いた電波伝搬推定では、計算量が多いために推定結果が得られるまでに時間がかかる傾向にある。また、推定結果に生じ得る誤差を最小化するために、レイトレースの演算式を修正することは容易ではないため、推定結果の誤差を簡単には補正できない。

一方、「重回帰分析」を用いた電波伝搬推定では、推定式に用いる都市構造に関連する情報の特定に、試行錯誤的な多岐にわたる検討を要する。また、推定式を構成する関数形の決定についても多岐にわたる検討を要する。そのため、推定結果が得られるまでに長時間を要する。

本発明の目的の１つは、電波伝搬特性の推定時間を短縮し、また、電波伝搬特性の推定精度を向上することにある。

電波伝搬推定装置の一態様は、送信点から送信される電波の受信点を含む地図データに、畳み込みニューラルネットワークを適用することによって、前記受信点を含む周辺環境において前記電波の障害となり得る構造を表す第１パラメータを前記地図データから抽出する抽出部と、前記抽出部において抽出された前記第１パラメータと、前記送信点と前記受信点との間において無線通信を行う無線通信システムの構成を表す第２パラメータと、に、全結合ニューラルネットワークを適用することによって、前記電波の伝搬特性を推定する推定部と、を備える。

電波伝搬特性の推定時間を短縮し、また、電波伝搬特性の推定精度を向上できる。

一実施形態に係る電波伝搬推定装置の構成例を示す機能ブロック図である。 図１に例示した機能ブロック図を図１よりも抽象化して示す機能ブロック図である。 一実施形態に係る、基地局の位置と移動局の位置とのペアに関して伝搬特性の推定に用いるデータの一例を示す図である。 一実施形態に係る建物マップデータの一例を示す図である。 一実施形態に係る見通しマップデータの一例を示す図である。 図４Ａ及び図４Ｂに例示した建物マップ及び見通しマップを入力データに用いた場合に得られた電波伝搬推定結果の一例を示す図である。 図１及び図２に例示した都市構造パラメータ抽出部及び伝搬推定部のそれぞれに用いられるニューラルネットワークの構成例を示すブロック図である。 図１、図２及び図５に例示した電波伝搬推定装置の学習段階に着目した動作例を示すフローチャートである。 図６に例示した学習段階が終了した後の、電波伝搬推定装置の推定段階に着目した動作例を示すフローチャートである。 図６に例示した学習段階における重みパラメータの更新回数に対する学習の推移の一例を示す図である。 図７に例示した推定段階において、重みパラメータの更新と共に評価した推定精度の推移の一例を示す図である。 一実施形態に係る電波伝搬推定装置のハードウェア構成例を示すブロック図である。

以下、本発明の一実施の形態について、図面を参照して詳細に説明する。

＜概要＞
近年の人工知能の発展は目覚ましく、現在、多くの応用研究が注目を集めている。その基礎となる技術の１つに、「ディープラーニング」（深層学習）がある。

「ディープラーニング」は、多層ニューラルネットワーク（multilayered neural network）を用いる機械学習（machine learning）の方法論の１つである。例えば、豊富な計算機資源と、インターネット上のビッグデータと、を多層ニューラルネットワークに活用することで、音声認識、画像認識、又は、自然言語処理等の処理性能を向上できる。処理性能を向上できる理由の１つに、ディープラーニングには、入力データから問題解決に使用される特徴量そのものを学習する能力が備わっていることが挙げられる。

移動通信などの無線通信の技術分野では、効率の良いセル設計のために、精度の良い伝搬損失（「パスロス」と称されることもある）の推定式が求められる。推定式を得るためのアプローチとしては、例えば、電磁界理論に基づくアプローチと、測定データ（「実測データ」又は「実測値」と称してもよい）に基づくアプローチと、がある。これらのアプローチのうち、無線通信の技術分野においては、後者のアプローチ、すなわち、測定データに基づくアプローチが多く用いられる。

例えば、無線通信システムにおいて想定される範囲内で、周波数、基地局アンテナ高、送受信間距離、及び／又は、伝搬環境などを変えて伝搬損失を測定し、これらのパラメータと、測定によって得られたデータと、の関係を分析して電波伝搬の推定式を作成する。

パラメータと測定データとの関係の分析に、重回帰分析を用いる場合、推定式を構成する「入力パラメータ」及び「関数形」が決定される。「入力パラメータ」とは、伝搬環境、例えば、市街地であれば、都市構造に関連する情報を意味する。なお、「都市構造に関連する情報」を、便宜的に、「都市構造パラメータ」と称することがある。都市構造関連パラメータの一例としては、建物占有面積率、道路幅、道路角、道路際建物高、平均建物高、及び、基地局近傍建物高などが挙げられる。

ここで、推定式のパラメータ及び関数形の決定には、推定式を作成する者のセンスと、使用したデータと、に依存するところが大きい。また、推定式のパラメータ及び関数形は、例えば、周辺建物高と、基地局及び／又は移動局のアンテナ高と、の関係が異なる毎に決定する必要がある。例えば、マクロセルとスモールセルとの関係のようにセルの展開シナリオ毎に、推定式に用いるパラメータ及び関数形が変わり得る。そのため、統一的な推定式を、上述した何れかのアプローチによって作成することは容易でない。

そこで、本実施形態では、電波伝搬の推定式に用いるパラメータ及び関数形の決定に、ニューラルネットワーク（neural network；ＮＮ）の一例であるディープニューラルネットワーク（deep neural network；ＤＮＮ）を用いることについて検討する。

既述のように、ＤＮＮでは、問題解決に求められる特徴量そのものを入力データから学習できるため、例えば、住宅地図等の地図データをＤＮＮの入力データに用いることで、電波伝搬推定に使用する都市構造パラメータそのものをＤＮＮによって学習できる。併せて、推定式を構成する「関数形」の決定にもＤＮＮを用いることで、既存の推定式よりも電波伝搬推定精度の高い推定式が得られる。

ＤＮＮの学習には、携帯電話などの個々の移動局（mobile station；ＭＳ）から通信ネットワークに送信（又は、報告）されるデータを利用できる。ＭＳから通信ネットワークに報告されるデータの一例としては、ＭＳの受信電力、ＭＳの位置、及び／又は、ＭＳが接続（アクセス）している基地局（base station；ＢＳ）などの電波伝搬環境を明示的又は暗示的（あるいは、直接又は間接的）に示す情報が挙げられる。なお、ＭＳは、ユーザ装置（user equipment；ＵＥ）の一例である。

移動局から通信ネットワークに報告されるデータは、例えば、通信ネットワークを構成する基地局、及び／又は、基地局の上位局において収集されてよい。データセンタのサーバコンピュータ（「クラウドコンピュータ」と称してもよい）が、上位局に相当してもよい。例えば、データセンタにおいて収集されたデータは、いわゆる「ビッグデータ」としてデータセンタの記憶装置において記憶、管理されてよい。

そのため、「ＤＮＮの学習に、ＭＳから報告されるデータを利用する」ことは、「ＤＮＮの学習に、電波伝搬環境に関するビッグデータを利用する」こと、と読み替えられてもよい。なお、ネットワークから得られないデータについては、例えば、レイトレーシングによるシミュレーション結果を用いて補完されてよい。

＜電波伝搬推定装置の構成例＞
図１は、一実施形態に係る電波伝搬推定装置１０の構成例を示す機能ブロック図である。「推定装置」は、「シミュレータ」、「モデル」、又は、「ツール」などに読み替えられてもよい。

図１に示すように、電波伝搬推定装置１０は、例示的に、都市構造パラメータ抽出部１０１と、伝搬推定部１０２と、誤差計算部１０３と、重み更新部１０４と、を備えてよい。なお、図１に例示したセンタＤＢ３００については、後述する。

都市構造パラメータ抽出部（以下「抽出部」と略称することがある）１０１は、例えば、住宅地図などの地図データが入力され、地図データから伝搬推定に用いる都市構造パラメータをニューラルネットワーク（ＮＮ）によって抽出する。

都市構造パラメータには、非限定的な一例として、既述の建物占有面積率、道路幅、道路角、道路際建物高、平均建物高、及び、基地局近傍建物高の中から選択された１つ以上のパラメータが含まれてよい。

都市構造パラメータは、例えば、基地局及び／又は移動局の位置と、周辺建物の位置と、の関係に応じて異なる値を取り得る。別言すると、都市構造パラメータは、送信点（基地局又は移動局）から送信される電波の受信点（移動局又は基地局）を含む周辺環境において電波の障害となり得る構造を表す第１パラメータの一例である。

ＮＮには、非限定的な一例として、畳み込みＮＮ（Convolutional Neural Network；ＣＮＮ）が適用されてよい。

ＣＮＮは、例えば図５にて後述するように、入力データ（例えば、画像）から局所的に特徴量を抽出する畳み込み層と、局所毎に特徴量をまとめるプーリング層と、を繰り返す構造を有する。プーリング層（又は、サブサンプリング層）は、例えば、畳み込み層からの入力データを処理し易い形式に圧縮（「ダウンサンプリング」と称されることもある）する。

ＣＮＮでは、畳み込みフィルタ（以下「フィルタ」と略称することがある）のパラメータは入力画像の全ての場所で共有される。そのため、単純な全結合ニューラルネットワーク（Fully Connected Neural Network；ＦＮＮ）に比べて、パラメータ数を削減できる。また、プーリング層によって、パラメータ数を更に削減でき、併せて、入力画像の平行移動に対する不変性を段階的に付与できる。

ＣＮＮは、入力データが画像データである場合、画像データの解像度を少しずつ落としながら異なるスケールにおいて隣り合う特徴量の共起を計算し、分類又は識別に有効な情報を選択的に次層（上位層）へ伝達してゆくネットワークであると概念的に解釈できる。

伝搬推定部１０２は、例えば、抽出部１０１によって抽出された都市構造パラメータと、システムパラメータと、が入力され、両パラメータを用いたＮＮによって無線通信システムにおける電波伝搬を推定する。なお、システムパラメータは、送信点と受信点との間において無線通信を行う無線通信システムの構成を表す第２パラメータの一例である。電波伝搬の「推定」は、「分析」、「解析」、又は、「シミュレーション」などに読み替えられてもよい。

システムパラメータには、例えば、送信点と受信点との間の距離である送受信間距離、電波伝搬の推定対象とする電波の周波数、基地局のアンテナ高、移動局のアンテナ高、及び、送受信点間の見通し（line of sight）の有無の中から選択された１つ以上を示す情報が含まれてよい。

システムパラメータは、電波伝搬の推定対象とするシステム及び／又はシナリオに応じて決定されてよい。例えば、マクロセル環境を推定対象とする場合、基地局アンテナは、周辺建物よりも高い位置に設置される（つまり、基地局アンテナ高＞周辺建物高）と仮定してよい。

また、「周波数」は、例えば、送信点及び受信点のいずれか一方に対応する基地局の配置態様（別言すると、セル設計）に応じて定められるため、送信点と受信点との位置関係に応じて定まるシステムパラメータの一例に含まれると捉えてよい。

伝搬推定部１０２におけるＮＮには、例えば、ＦＮＮを適用することで、入力パラメータから伝搬損失を推定する関数を表現する。ＦＮＮでは、各層のノードが次層のノードの全てと接続される。ＦＮＮは、下位層に至るまでに検出された特徴量の組み合わせを、特定の予測結果に分類する識別部の役割を果たす。なお、ＮＮにおいて、各層における「ノード」は、「ニューロン」又は「ユニット」と称されることもある。

誤差計算部１０３及び重み更新部１０４は、例えば、ＣＮＮ及びＦＮＮによって形成されるＤＮＮの重み係数（「重みパラメータ」と称されてもよい）を学習するために用いられる。

ＣＮＮにおいて、重みパラメータは、例えば、畳み込み層（Ｃ層）において適用される畳み込みフィルタのフィルタ係数に相当すると捉えることができる。ＦＮＮにおいては、重みパラメータは、ＦＮＮを成す各層間（別言すると、異なる層のノード間）の重み結合に付与された係数に相当すると捉えることができる。重みパラメータの学習には、例示的に、誤差逆伝搬法（back propagation）が適用されてよい。

誤差逆伝搬法は、例えば、各層の重みパラメータの更新量を、上位層側（出力層側）から得た値を利用して計算し、下位層（入力層）方向へ各層の重みパラメータの更新量を決める値を計算しながら伝搬させていく方法である。

例えば、誤差計算部１０３は、伝搬推定部１０２によって得られた電波伝搬特性（以下「伝搬特性」と略称することがある）の推定値と、実測値（又は、理論値でもよい）から得られた電波伝搬特性と、の誤差を計算する。計算された誤差が、与えられた収束条件に収束するまで、重み更新部１０４によってＤＮＮの重みパラメータが繰り返し更新される。

なお、誤差計算部１０３によって計算される誤差は、例えば、重みパラメータを引数とする誤差関数によって表されてよい。誤差関数は、損失関数、コスト関数、又は、（推定の）目的関数などと称されることもある。

重みパラメータの更新には、例えば、勾配降下法（Gradient Descent Method）が適用されてよい。勾配降下法では、例えば、誤差関数の勾配値をゼロに近づける、別言すると、誤差関数の偏微分値をゼロに近づけることで、ＤＮＮの重みパラメータを反復的に更新する。

図２は、図１に例示した機能ブロック図を図１よりも抽象化して示す機能ブロック図である。図２においては、上述した誤差逆伝搬法によってＤＮＮの各層における重みパラメータが上位層から下位層（図２の紙面右から左）に向かって、ＦＮＮ及びＣＮＮの重みパラメータが、順次、更新される様子を、ハッチングを付した矢印によって表現している。

勾配降下法を用いた重みパラメータの学習には、バッチ学習（batch learning）が適用されてもよいし、ミニバッチ学習（mini-batch learning）が適用されてもよい。ミニバッチ学習は、学習に用いるデータ（「学習データ」、「教師データ」又は「トレーニングデータ」と称されてもよい）を複数に分割した単位で学習を行う。

ミニバッチ学習によれば、バッチ学習に比して、学習時間の短縮、計算機資源の利用効率向上、及び／又は、学習効率の低下抑制などを図ることができる。例えば、既述の電波伝搬環境に関するビッグデータを学習データに用いる場合には、ミニバッチ学習を適用することが有用である。なお、学習データを分割した単位は、「エポック」（epoch）と称されることがある。

＜入力データの一例＞
次に、本実施形態の電波伝搬推定装置１０において用いる入力データの一例について説明する。

図３は、或るＢＳの位置と、或るＭＳの位置と、のペアに関して伝搬特性の推定に用いるデータ（例えば、地図データ）の一例を示す図である。図３においては、ＢＳの位置が送信点に対応し、ＭＳの位置が受信点に対応する。

受信点に対応したＭＳの位置が含まれる特定の領域（例えば、１２８ｍ×１２８ｍの矩形領域）の地図データが、都市構造パラメータ抽出部１０１に入力される。

なお、ＭＳの位置が含まれる特定の領域は、矩形領域に限られず、円形、及び、楕円形、その他の形状であってもよい。また、ＭＳの位置が含まれる特定の領域のサイズは、例えば、演算に見込まれる負荷などに応じて適宜に調整されてよい。

また、都市構造パラメータ抽出部１０１に入力される地図データは、図３に示したように、例えば、メッシュ状に分割されてよい。分割の単位である１つのメッシュのサイズは、例えば、２ｍ×２ｍである。ただし、分割の単位は、２ｍ×２ｍに限られず、例えば、演算に見込まれる負荷などに応じて適宜に調整されてよい。

また、都市構造パラメータ抽出部１０１に入力される地図データには、「建物マップデータ」（図４Ａ参照）及び「見通しマップデータ」（図４Ｂ参照）が含まれてよい。以下、「建物マップデータ」及び「見通しマップデータ」を、それぞれ、「建物マップ」及び「見通しマップ」と略称することがある。

図４Ａに例示した「建物マップ」は、例えば、「各メッシュにおける建物の高さ情報から構成される地図データ」であり、建物の存在しないメッシュは０ｍと定義される。一方、図４Ｂに例示した「見通しマップ」は、例えば、「ＢＳに対する各メッシュの見通しの有無の情報から構成される地図データ」である。例示的に、建物が存在せず、かつ、見通しの有るメッシュを「１」と定義し、それ以外のメッシュは「０」と定義する。

なお、図４Ｃは、図４Ａ及び図４Ｂに例示した建物マップ及び見通しマップを都市構造パラメータ抽出部１０１の入力データに用いた場合に、伝搬推定部１０２によって得られた推定結果（例えば、伝搬損失の地理的な分布）の一例を示す図である。

電波伝搬推定装置１０の動作を、学習段階と、学習終了後の推定段階と、に分けて考える場合、学習段階において既述のビッグデータがＣＮＮ及びＦＮＮの学習に利用されてよい。なお、「段階」は、「フェーズ」、「ステージ」、「手順」、又は「プロシージャ」といった他の用語に読み替えられてもよい。

また、学習段階及び推定段階において伝搬推定部１０２に入力するシステムパラメータは、例えば、ＢＳとＭＳとの間の距離に相当する「送受信間距離Ｄ」（メートル）、及び、「見通しの有無」の一方又は双方を示す情報である。

なお、「送受信間距離Ｄ（ｍ）」を示す情報には、送受信間距離の対数（ｌｏｇＤ）が用いられてもよい。また、「見通しの有無」を示す情報には、見通しフラグ（ＬＯＳ）が用いられてよい。見通しフラグは、見通しの有無をそれぞれ数値（例えば、「１」及び「０」）によって表したパラメータの一例である。

図３を用いて説明した入力データは、ＭＳが受信点に対応する場合の入力データである。ＢＳが受信点に対応する場合についても、受信点であるＢＳの位置が含まれる特定の領域の地図データを、都市構造パラメータ抽出部１０１に入力することで、受信点であるＢＳを含む周辺環境に対する都市構造パラメータを抽出できる。したがって、ＢＳを含む周辺環境の電波伝搬特性を推定できる。

＜ＤＮＮの構成例＞
次に、本実施形態の都市構造パラメータ抽出部１０１及び伝搬推定部１０２に適用するＤＮＮの構成例について、図５を参照して説明する。図５に示すように、都市構造パラメータ抽出部１０１には、例えばＣＮＮが適用され、伝搬推定部１０２には、例えばＦＮＮが適用される。

（ＣＮＮの構成例）
ＣＮＮは、例示的に、畳み込み層（Ｃ層）と、プーリング層（Ｐ層）と、全結合層（Ｆ層）と、を有する。

Ｃ層は、例えば、入力データに対して、畳み込みフィルタを用いた畳み込み演算を行うことによって、入力データにおける局所的なパターンの特徴量を抽出する。

Ｐ層は、入力データにおける小領域（「局所領域」と称されることもある）の値を、１つの値にプーリング（別言すると、集約）する。プーリングにおいて、多少の位置ずれは許容される。

Ｆ層は、Ｃ層及びＰ層で得られた特徴量に基づいた分類（又は識別）を行う。

図５において、都市構造パラメータ抽出部１０１は、非限定的な一例として、４つのＣ層（Ｃ_０〜Ｃ_３）と、２つのＰ層（Ｐ_０及びＰ_１）と、２つのＦ層（Ｆ_０及びＦ_１）を有する。ただし、Ｃ層、Ｐ層、及び、Ｆ層それぞれの数は、図５に例示した数に限られず、例えば、演算に見込まれる負荷などに応じて、適宜に調整されてよい。

図５に示すように、都市構造パラメータ抽出部１０１には、例えば、「６４×６４」のサイズの入力データが入力される。なお、「６４×６４」は、１マップあたりのサンプル数を表す。また、「６４×６４」のサイズの入力データに付記した「２」は、マップ数を表している。２つのマップは、例えば図４Ａ及び図４Ｂに例示した「建物マップ」及び「見通しマップ」に対応すると捉えてよい。

抽出部１０１は、「６４×６４」のサイズの入力データに対し、Ｃ_０層において、例えば、フィルタサイズ＝「５×５」、及び、フィルタ数＝「１２」の畳み込み演算を行う。

例えば、抽出部１０１は、「５×５」の２次元配列（別言すると、「行列」）によって表されるフィルタの要素値と、「６４×６４」の行列によって表される入力データの要素値（別言すると、サンプル値）と、を要素値毎に乗算し、乗算結果を加算（合計）する。

このような乗算及び加算を、「６４×６４」の２次元配列全体をカバーする範囲でフィルタをスライドさせながら行うことで、「６４×６４」の２次元配列に対する畳み込み演算結果が得られる。例えば、この畳み込み演算によって、「６０×６０」のサイズを有する、フィルタ数＝１２に等しい数のマップデータが得られる。

なお、入力データに対してスライドされるフィルタは、「スライド窓」、「カーネル」、あるいは、「特徴検出器」（feature detector）などと称されることもある。

次いで、抽出部１０１は、Ｐ_０層において、Ｃ_０層の出力（すなわち、「６０×６０」のサイズを有する「１２」個のマップデータ）に対し、例えば、局所領域のサイズとして「４×４」のサイズのプーリング演算を行う。

Ｐ_０層のプーリング演算によって、「６０×６０」のサイズが「１５×１５」のサイズに圧縮された、１２個のマップデータが得られる。なお、プーリング演算には、局所領域内の最大値を選択するＭａｘプーリング、及び、局所領域内の平均値を求めるＡｖｅｒａｇｅプーリングのいずれが適用されてもよい。以下では、便宜的に、Ａｖｅｒａｇｅプーリングが適用される例について説明する。

更に、抽出部１０１は、Ｃ_１層において、Ｐ_０層の出力（すなわち、「１５×１５」のサイズを有する１２個のマップデータ）に対し、例えば、フィルタサイズ＝「４×４」、及び、フィルタ数＝「２４」の畳み込み演算を行う。Ｃ_１層の畳み込み演算によって、「１２×１２」のサイズを有する、フィルタ数＝２４に等しい数のマップデータが得られる。

次いで、抽出部１０１は、Ｐ_１層において、Ｃ_１層の出力（すなわち、「１２×１２」のサイズを有する２４個のマップデータ）に対し、例えば、局所領域のサイズとして「２×２」のサイズのプーリング演算を行う。Ｐ_１層のプーリング演算によって、「１２×１２」のサイズが「６×６」のサイズに圧縮された、２４個のマップデータが得られる。

更に、抽出部１０１は、Ｃ_２層において、Ｐ_１層の出力（すなわち、「６×６」のサイズを有する２４個のマップデータ）に対し、例えば、フィルタサイズ＝「３×３」、及び、フィルタ数＝「４８」の畳み込み演算を行う。Ｃ_２層の畳み込み演算によって、「４×４」のサイズを有する、フィルタ数＝４８に等しい数のマップデータが得られる。

次いで、抽出部１０１は、Ｃ_３層において、Ｃ_２層の出力（すなわち、「４×４」のサイズを有する４８個のマップデータ）に対し、例えば、フィルタサイズ＝「３×３」、及び、フィルタ数＝「４８」の畳み込み演算を行う。Ｃ_３層の畳み込み演算によって、「２×２」のサイズを有する、フィルタ数＝４８に等しい数のマップデータが得られる。

抽出部１０１は、以上のような畳み込み演算とプーリング演算とを「建物マップ」と「見通しマップ」との２つのマップそれぞれについて繰り返すことで、Ｃ_３層の出力として、サンプル数＝１９２（２×２×４８）のデータを得る。

なお、「建物マップ」及び「見通しマップ」の２つのマップに対する畳み込み演算及びプーリング演算は、２つのマップに共通したシリアルな演算によって実行されてもよいし、２つのマップに個別のパラレルな演算によって実行されてもよい。

そして、抽出部１０１は、１９２個のサンプルのデータを、１０個のＦ_１層に全結合されたＦ_０層に入力することより、ＣＮＮによる最終的な出力として、１０個のデータ（別言すると、１０種類のデータ）をＦ_１層から出力する。

以上のように、都市構造パラメータ抽出部１０１では、サンプル数＝６４×６４×２＝８，１３２の地図データから、１０種類の都市構造パラメータの値を求めることができる。

なお、ＣＮＮへの入力データサイズ、並びに、Ｃ層（Ｃ_０〜Ｃ_３）、Ｐ層（Ｐ_０及びＰ_１）、及び、Ｆ層（Ｆ_０及びＦ_１）のそれぞれに適用するフィルタサイズ及び／又はフィルタ数は、上述した数値に限られない。例えば、演算に見込まれる負荷などに応じて、これらの数値は適宜に調整されてよい。

（ＦＮＮの構成例）
一方、伝搬推定部１０２に適用するＦＮＮは、図５に例示したように、入力層、中間層、及び、出力層の３層によって構成されてよい。

入力層には、都市構造パラメータ抽出部１０１によって得られた都市構造パラメータと、既述のシステムパラメータ（例えば、送受信間距離：ｌｏｇＤ、及び、見通し有無：ＬＯＳ）と、が入力される。したがって、伝搬推定部１０２を成すＦＮＮへの入力パラメータ数は「１２」である。なお、中間層及び出力層のノード数は、それぞれ、「３」及び「１」である。

当該ＦＮＮ構成では、２つのＦ層（Ｆ_２及びＦ_３）による２回の全結合ＮＮによって、伝搬特性（例えば、伝搬損失）の推定値が得られる。

（活性化関数）
次に、Ｃ層及びＦ層に適用する活性化関数（activation function）ｆ（ｘ）について説明する。なお、「ｘ」は、局所領域のインデクスを表す。Ｃ層（Ｃ_０〜Ｃ_３）のそれぞれには、例えば、下記の式（１）によって表されるＲｅＬＵ関数が適用されてよい。なお、「ＲｅＬＵ」は、「Rectified Linear Unit」の略称である。

これに対し、Ｆ層（Ｆ_０〜Ｆ_３）のうちＦ_０〜Ｆ_２層のそれぞれには、例えば、下記の式（２）によって表されるシグモイド関数が適用されてよい。

Ｆ_３層には、例えば、恒等関数:ｆ（ｘ）＝ｘが適用されてよい。

＜ＤＮＮの学習法＞
既述のとおり、重みパラメータの学習には誤差逆伝搬法が適用されてよい。ここで、ＤＮＮの規模が大きく、また、学習データ量が多いほど、ＤＮＮの学習にかかる時間が長くなる傾向にある。

そこで、ミニバッチ勾配降下法をＤＮＮの学習に適用することで、ＤＮＮの学習時間を短縮できる。ミニバッチ勾配降下法とは、サンプル数がＮ個の学習データに対して、ｎ（＜Ｎ）個のサンプル（別言すると、ミニバッチ）毎に、重みパラメータを勾配降下法によって更新する方法である。重みパラメータの収束性を高めるために、最適化手法の１つであるＡｄａｍ（adaptive moment estimation）が併用されてもよい。

＜Ｐ層のプーリング演算＞
Ｐ層は、既述のとおり、入力データを扱いやすい形式に変形するために、情報をダウンサンプリングして圧縮する。情報を圧縮することで、微小な位置変化に対するロバスト性の向上、過学習の抑制、及び／又は、演算コストの低減といった効果が期待できる。

ＭＡＸプーリングでは、局所領域に対して、最大値を選択する。例えば、ＤＮＮにおいて、上位層の（複数の）ノードに接続される下位層の複数のノードのうち、最大値をもつノードの値が上位層のノードの出力値となる。

別言すると、ＭＡＸプーリングでは、下位層の複数のノードの特徴量を、その複数のノードの中の「最大値」と扱って、サブサンプリングが行われる。ニューロンプールの観点から捉えると、ＭＡＸプーリングは、下位層の複数のニューロンによって構成されるニューロンプールから、「集中的」に、そのプールがもつ最大値を出力する構造であると云え、ニューロンプールの集中性を再現する。

例えば、下位層のノードのもつ値がほとんど「０」であり、一部に限って有効な値をもつような特性のデータセットが対象であれば、ＭＡＸプーリングは、ａｖｅｒａｇｅプーリングに比して、無駄な入力を高効率に分離できる。別言すると、ＭＡＸプーリングは、ａｖｅｒａｇｅプーリングに比して、ノイズフィルタとして高い性能をもつと云える。

一方、ａｖｅｒａｇｅプーリングでは、下位層の複数のノードから上位層のノードに対して出力する値が最大値ではなく平均値である。ニューロンプールの観点から捉えると、下位層のニューロンの総和に揺らぎが無いか、あるいは、その揺らぎが無視できる程度であれば、ノイズフィルタとして十分に機能する。

ａｖｅｒａｇｅプーリングでは、ＭＡＸプーリングのように最大値よりも小さな値のニューロンの値を無視しないため、ＭＡＸプーリングに比して、例えば、局所解問題（local minumum problem）に陥る可能性を低減できる。なお、「局所解問題」とは、例えば、部分的な最適解に系が収束し、真の最適解にたどり着かない現象を意味する。

＜動作例＞
以下、上述した構成を有する電波伝搬推定装置１０の動作例を、学習段階と推定段階とに分けて説明する。

（学習段階）
図６は、電波伝搬推定装置１０の学習段階に着目した動作例を示すフローチャートである。

図６に例示するように、電波伝搬推定装置１０は、例えば、都市構造パラメータ抽出部１０１及び伝搬推定部１０２において用いられる学習データを設定する（Ｓ１１）。学習データの設定は、例示的に、都市構造パラメータ抽出部１０１において行われてよい。

別言すると、都市構造パラメータ抽出部１０１は、学習データを設定する（第１）設定部としての機能を有してよい。第１設定部は、都市構造パラメータ抽出部１０１とは分離した機能ブロックとして電波伝搬推定装置１０内に備えられてもよい。

学習データの設定には、例示的に、データセンタのデータベース（ＤＢ）３００に記憶された、電波伝搬環境に関するビッグデータが利用されてよい。

例えば、都市構造パラメータ抽出部１０１は、電波伝搬環境に関するビッグデータに基づいて、ＭＳが接続しているＢＳ（接続ＢＳ）の情報、及び、ＭＳの位置情報を学習データに設定してよい。

また、電波伝搬推定装置１０は、例えば、地図データのＤＢ４００から図５に例示したようにＣＮＮに入力する地図データ（例えば、建物マップ及び見通しマップ）を取得する（Ｓ１２）。地図データのＤＢ４００は、電波伝搬推定装置１０内の記憶装置に記憶されていてもよいし、電波伝搬推定装置１０の外部（例えば、既述のデータセンタ）に備えられた記憶装置に記憶されていてもよい。

なお、データセンタのＤＢ３００及び地図データのＤＢ４００を、それぞれ、「センタＤＢ３００」及び「地図ＤＢ４００」と略記することがある。

また、電波伝搬推定装置１０は、例えば、ＤＮＮを成す各層のそれぞれについて学習の対象とするパラメータ（例えば、重みパラメータ）を設定する（Ｓ１３）。当該設定は、例示的に、都市構造パラメータ抽出部１０１において行われてよい。

別言すると、都市構造パラメータ抽出部１０１は、学習対象のパラメータを設定する（第２）設定部としての機能を有してよい。第２設定部は、既述の第１設定部と同様に、都市構造パラメータ抽出部１０１とは分離した機能ブロックとして、電波伝搬推定装置１０内に備えられてもよい。また、第２設定部は、既述の第１設定部とは別の機能ブロックでもよいし、第１設定部の機能ブロックに統合されてもよい。例えば、１つの設定部が、第１設定部としての機能と、第２設定部としての機能と、を有していてもよい。

なお、Ｓ１１、Ｓ１２、及び、Ｓ１３の各処理は、電波伝搬推定装置１０において、互いに順序が入れ替えられてもよいし、並行して実行されてもよい。

次いで、電波伝搬推定装置１０は、例えば、都市構造パラメータ抽出部１０１によって、図５にて説明したとおり、Ｓ１２において取得した地図データから、都市構造パラメータを計算する（Ｓ１４）。

都市構造パラメータが計算されると、電波伝搬推定装置１０は、例えば、伝搬推定部１０２によって、図５にて都市構造パラメータとシステムパラメータとを用いて、図５にて説明したとおり、伝搬特性を計算する（Ｓ１５）。

伝搬特性が計算されると、電波伝搬推定装置１０は、例えば、誤差計算部１０３によって、計算された伝搬特性（例えば、伝搬損失）の推定値と、伝搬特性に関する実測値（又は、理論値でもよい）に基づいて求められた伝搬特性と、の誤差を計算する（Ｓ１６）。

なお、伝搬特性に関する実測値（又は理論値）は、例えば、既述のセンタＤＢ４００に記憶された、ＢＳとＭＳとの間の電波伝搬環境に関する情報（別言すると、ビッグデータ）に基づいて求められてよい。

そして、誤差計算部１０３は、計算した誤差が、与えられた収束条件に収束したか否かを判定する（Ｓ１７）。計算した誤差が、与えられた収束条件に収束していなければ（Ｓ１７；ＮＯ）、例えば、重み更新部１０４によって、ＤＮＮを成すＦＮＮ及びＣＮＮの重みパラメータが誤差逆伝搬法によって更新される（Ｓ１８及びＳ１９）。

重みパラメータの更新後、都市構造パラメータ及び伝搬特性がそれぞれ抽出部１０１及び伝搬推定部１０２において再計算（Ｓ１４及びＳ１５）され、誤差計算部１０３において、再度、誤差が計算され、収束条件の判定が行われる（Ｓ１６及びＳ１７）。

以上の処理が、Ｓ１７において収束条件が満たされた（ＹＥＳ）と判定されるまで繰り返されることによって、ＤＮＮを成すＦＮＮ及びＣＮＮの重みパラメータが更新されてゆく。Ｓ１７においてＹＥＳと判定された場合、電波伝搬推定装置１０は、学習段階の処理を終了してよい。

（推定段階）
図７は、図６にて上述した学習段階が終了した後の、電波伝搬推定装置１０の推定段階に着目した動作例を示すフローチャートである。

図７に例示するように、電波伝搬推定装置１０は、例えば、電波伝搬の推定条件を設定する（Ｓ２１）。推定条件の設定は、例示的に、都市構造パラメータ抽出部１０１において行われてよい。

別言すると、都市構造パラメータ抽出部１０１は、推定条件を設定する（第３）設定部としての機能を有してよい。第３設定部は、都市構造パラメータ抽出部１０１とは分離した機能ブロックとして電波伝搬推定装置１０内に備えられてもよい。また、第３設定部は、既述の第１及び第２設定部の一方又は双方と統合されてもよい。

推定条件の設定データには、例示的に、ＭＳが接続し得るＢＳに相当する送信点の情報、及び、ＭＳに相当する受信点の情報が含まれてよい。

また、電波伝搬推定装置１０は、例えば、地図データのＤＢ４００から図５に例示したようにＣＮＮに入力する地図データ（例えば、建物マップ及び見通しマップ）を取得する（Ｓ２２）。

また、電波伝搬推定装置１０は、例えば、ＤＮＮを成す各層のそれぞれについて、電波伝搬推定に用いるパラメータ（例えば、重みパラメータ）を設定する（Ｓ２３）。当該設定は、例示的に、都市構造パラメータ抽出部１０１において行われてよい。

別言すると、都市構造パラメータ抽出部１０１は、電波伝搬推定に用いるパラメータを設定する（第４）設定部としての機能を有してよい。第４設定部は、都市構造パラメータ抽出部１０１とは分離した機能ブロックとして、電波伝搬推定装置１０内に備えられてもよい。また、第４設定部は、既述の第１〜第３設定部とは別の機能ブロックでもよいし、第１〜第３設定部の一部又は全部と統合されてもよい。

なお、Ｓ２１、Ｓ２２、及び、Ｓ２３の各処理は、電波伝搬推定装置１０において、互いに順序が入れ替えられてもよいし、並行して実行されてもよい。

次いで、電波伝搬推定装置１０は、例えば、学習段階において学習済みの都市構造パラメータ抽出部１０１によって、図５にて説明したとおり、Ｓ２２において取得した地図データから、都市構造パラメータを計算する（Ｓ２４）。

都市構造パラメータが計算されると、電波伝搬推定装置１０は、例えば、学習段階において学習済みの伝搬推定部１０２によって、都市構造パラメータとシステムパラメータとを用いて、図５にて説明したとおり、伝搬特性を計算する（Ｓ２５）。計算された伝搬特性の一例を示した図が、図４Ｃに相当する。

なお、図７に例示したフローチャートに従った動作は、図６に例示したフローチャートに従った動作と統合されてもよい。例えば、学習段階及び推定段階のいずれを実行するかを判定する判定処理を電波伝搬推定装置１０の動作に追加することで、当該判定処理の結果に応じて実行する動作を図６及び図７のいずれかに切り替えるようにしてもよい。

以上のように、一実施形態に係る電波伝搬推定装置１０によれば、ＣＮＮを用いた都市構造パラメータ抽出部１０１によって、例えば住宅地図等の地図データから、電波伝搬推定に寄与する都市構造パラメータを抽出して決定できる。したがって、電波伝搬推定に用いるべき都市構造パラメータの決定を、人為的な作業に依らず、自動化できる。よって、電波伝搬推定にかかる時間を短縮できる。

そして、伝搬推定部１０２による伝搬特性の推定では、上述のごとく地図データから決定された都市構造パラメータと、システムパラメータ（例えば、送受信間距離Ｄ及び見通しフラグＬＯＳ）と、を入力とするＦＮＮが用いられる。そのため、人為的に決定した都市構造パラメータを用いる場合に比して、伝搬特性の推定精度を高めることができる。また、送受信間距離Ｄと見通しフラグＬＯＳとの一方を用いる場合よりも、推定精度を高めることができる。

また、抽出部１０１及び伝搬推定部１０２に用いられるＤＮＮ（ＣＮＮ及びＦＮＮ）の学習に、例えば、ＭＳからネットワークに報告される、電波伝搬環境に関する情報（例えば、ビッグデータ）を用いることで、ＤＮＮの学習精度を高めることができる。ＤＮＮの学習精度を高めることができるため、伝搬特性の推定精度も高めることができる。

更に、伝搬推定部１０２のＦＮＮに、システムパラメータの一例として送受信間距離Ｄ及び見通しフラグＬＯＳが入力されるため、送受信点間の距離と見通しの有無とに応じて適切な伝搬特性の推定が可能である。また、例えば、ビッグデータに新たなデータが追加された場合には、それまでの学習によって得られた重み係数を初期条件として、再度、学習段階に移行することが可能である。この場合、学習を最初からやり直す必要がないため、学習段階の高速化に寄与する。

＜電波伝搬推定装置の性能評価＞
図８は、学習段階において、ミニバッチサイズをｎ＝１００に設定してＤＮＮの学習を行った場合の、重みパラメータの更新回数に対する学習の推移の一例を示す図である。図８において、横軸のエポック数「Ｍ」は、学習データの全体を何回考慮したか（別言すると、学習データがＤＮＮを通過した回数）を表す指標である。イタレーション回数を「ｍ」で表し、学習データのサンプル数を「Ｎ」で表すと、Ｍ＝ｍ×ｎ／Ｎとなる。

図８の左側の縦軸は、ＲＭＳ誤差［ｄＢ］を表し、図８の右側の縦軸は、相関係数を表す。なお、「ＲＭＳ」は、「root mean square」の略記である。図８において、左向きの矢印を付して示したグラフが、エポック数Ｍに対するＲＭＳ誤差の推移を表し、右向きの矢印を付して示したグラフが、エポック数Ｍに対する相関係数の推移を表す。

図８に例示したように、Ｍ＝３の辺りから、学習データに対する出力値のＲＭＳ誤差が１０ｄＢ以下となり、相関係数は０．８以上となることが分かる。なお、重みパラメータの更新は、ＲＭＳ誤差が１ｄＢ以下となったエポック数Ｍ＝１５６．６７５において停止されている。

一方、図９は、重みパラメータの更新と共に評価した推定精度（検証データに対する出力値のＲＭＳ誤差及び相関係数）の推移の一例を示す図である。図８と同様に、図９において、左側の縦軸は、ＲＭＳ誤差［ｄＢ］を表し、右側の縦軸は、相関係数を表す。

また、図９において、左向きの矢印を付して示したグラフが、エポック数Ｍに対するＲＭＳ誤差の推移を表し、右向きの矢印を付して示したグラフが、エポック数Ｍに対する相関係数の推移を表す。

図９に例示したように、エポック数Ｍ＝１０までは、ＤＮＮの学習が進むにつれて、ＲＭＳ誤差は減少し、かつ、相関係数は高くなる。

図８及び図９より、一実施形態に係る電波伝搬推定装置１０では、学習データを精度良く学習できている。イタレーション（iteration）回数を増やしても推定精度は劣化しないエポック数（例えば、Ｍ＝１２．６）の時のＲＭＳ誤差は、約５ｄＢであるため、十分な学習精度が得られている。

＜電波伝搬推定装置のハードウェア構成例＞
図１及び図２に例示した電波伝搬推定装置１０における機能ブロック（構成要素）は、ハードウェア及び／又はソフトウェアの任意の組み合わせによって実現されてよい。また、各機能ブロックの実現手段は特定の手段に限定されない。例えば、各機能ブロックは、物理的及び／又は論理的に結合した１つの装置によって実現されてもよいし、物理的及び／又は論理的に分離した複数の装置を直接、及び／又は、間接的に（例えば、有線及び／又は無線）によって接続することによって実現されてもよい。

図１０に、一実施形態に係る電波伝搬推定装置１０のハードウェア構成例を示す。電波伝搬推定装置１０は、例えば、パーソナルコンピュータ（ＰＣ）又はサーバコンピュータといったコンピュータによって構成されてよい。コンピュータは、情報処理装置の一例である。

電波伝搬推定装置１０は、１台のコンピュータによって構成されてもよいし、複数台のコンピュータによって構成されてもよい。複数台のコンピュータによって、電波伝搬推定装置１０が実行する処理の負荷分散が図られてよい。

図１０に示すように、電波伝搬推定装置１０は、例示的に、プロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、入力装置１００５、出力装置１００６、バス１００７を備えてよい。

なお、以下の説明において、「装置」という文言は、回路、デバイス、又は、ユニットなどに読み替えることができる。電波伝搬推定装置１０のハードウェア構成は、図１０に例示した各装置を１つ又は複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。

例えば、図１０において、プロセッサ１００１は１つだけ図示されているが、複数のプロセッサが電波伝搬推定装置１０に備えられていてもよい。また、電波伝搬推定装置１０における処理は、１つのプロセッサ１００１によって実行されてもよいし、複数のプロセッサによって実行されてもよい。１つ又は複数のプロセッサにおいて、複数の処理は同時に、並列に、又は、逐次に実行されてもよいし、その他の手法によって実行されてもよい。なお、プロセッサ１００１は、シングルコアプロセッサでもよいし、マルチコアプロセッサでもよい。プロセッサ１００１は、１つ以上のチップを用いて実装されてよい。

電波伝搬推定装置１０が有する１つ又は複数の機能は、例示的に、プロセッサ１００１及びメモリ１００２などのハードウェアに、所定のソフトウェアを読み込ませることで実現される。なお、「ソフトウェア」は、「プログラム」、「アプリケーション」、又は「ソフトウェアモジュール」と称されてもよい。

例えば、プロセッサ１００１は、メモリ１００２及びストレージ１００３の一方又は双方に記憶されたデータの読み出し及び書き込みの一方又は双方を制御することで、プログラムを読み込んで実行する。なお、プログラムは、通信装置１００４による電気通信回線を介した通信によってネットワークから送信されてもよい。

プログラムは、電波伝搬推定装置１０における処理の全部又は一部をコンピュータに実行させるプログラムであってよい。プログラムに含まれるプログラムコードの実行に応じて、電波伝搬推定装置１０の１つ以上の機能が実現される。プログラムコードの全部又は一部は、メモリ１００２又はストレージ１００３に記憶されてもよいし、オペレーティングシステム（ＯＳ）の一部として記述されてもよい。

例えば、プログラムは、図１及び図２に例示した機能ブロックを具現するプログラムコードを含んでよく、また、図６及び図７に例示したフローチャートを実行するプログラムコードを含んでもよい。そのようなプログラムコードを含んだプログラムは、「電波伝搬推定プログラム」と称されてもよい。

プロセッサ１００１は、処理部の一例であり、例えば、ＯＳを動作させてコンピュータ全体を制御する。プロセッサ１００１は、周辺装置とのインターフェース、制御装置、演算装置、レジスタなどを含む中央処理装置（ＣＰＵ：Central Processing Unit）を用いて構成されてもよい。

また、プロセッサ１００１は、例えば、プログラム及びデータの一方又は双方を、ストレージ１００３及び通信装置１００４の一方又は双方からメモリ１００２に読み出し、読み出したプログラム及び／又はデータに従って各種の処理を実行する。

メモリ１００２は、コンピュータ読み取り可能な記録媒体の一例であり、例えば、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、ＲＡＭ、ＳＳＤなどの少なくとも１つを用いて構成されてよい。なお、「ＲＯＭ」は、「Read Only Memory」の略称であり、「ＥＰＲＯＭ」は、「Erasable Programmable ＲＯＭ」の略称である。「ＥＥＰＲＯＭ」は、「Electrically Erasable Programmable ＲＯＭ」の略称であり、「ＲＡＭ」は、「Random Access Memory」の略称であり、「ＳＳＤ」は、「Solid State Drive」の略称である。

メモリ１００２は、レジスタ、キャッシュ、メインメモリ、ワークメモリ、主記憶装置などと呼ばれてもよい。メモリ１００２は、本発明の一実施の形態に係る電波伝搬推定方法を実施するために実行可能なプログラムを記憶する。

ストレージ１００３は、コンピュータ読み取り可能な記録媒体の一例であり、ＣＤ−ＲＯＭ（Compact Disc ＲＯＭ）などの光ディスク、ハードディスクドライブ（ＨＤＤ）、フレキシブルディスク、光磁気ディスク（例えば、コンパクトディスク、デジタル多用途ディスク、Ｂｌｕ−ｒａｙ（登録商標）ディスク）、スマートカード、フラッシュメモリ（例えば、カード、スティック、キードライブ）、フレキシブルディスク、磁気ストリップなどの少なくとも１つを用いて構成されてもよい。ストレージ１００３は、補助記憶装置と呼ばれてもよい。上述の記憶媒体は、例えば、メモリ１００２及びストレージ１００３の一方又は双方を含むデータベース、サーバその他の適切な媒体であってもよい。

通信装置１００４は、有線ネットワーク及び無線ネットワークの一方又は双方を介してコンピュータ間の通信を行うためのハードウェア（「送受信デバイス」と称してもよい。）の一例である。「通信装置」は、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュールなどと称されてもよい。

入力装置１００５は、電波伝搬推定装置１０の外部からの入力を受け付ける入力デバイスの一例である。例示的に、キーボード、マウス、マイクロフォン、スイッチ、ボタン、センサの１つ以上が、入力装置１００５に含まれてよい。

出力装置１００６は、電波伝搬推定装置１０の外部への出力を実施する出力デバイスの一例である。例示的に、ディスプレイ、スピーカー、ＬＥＤランプなどの１つ以上が、出力装置１００６に含まれてよい。なお、「ＬＥＤ」は、「light emitting diode」の略記である。

なお、入力装置１００５及び出力装置１００６は、個別の構成でもよいし、例えばタッチパネルのように一体構成であってもよい。

また、プロセッサ１００１及びメモリ１００２などの各装置は、バス１００７によって通信可能に接続されてよい。装置間は、単一のバス１００７で接続されてもよいし、複数のバスを用いて接続されてもよい。

電波伝搬推定装置１０は、マイクロプロセッサ、ＤＳＰ、ＡＳＩＣ、ＰＬＤ、ＦＰＧＡなどのハードウェアを含んで構成されてもよい。例えば、プロセッサ１００１は、これらのハードウェアの少なくとも１つで実装されてよい。当該ハードウェアにより、図１及び図２に例示した各機能ブロックの一部又は全てが実現されてよい。

なお、「ＤＳＰ」は、「Digital Signal Processor」の略称であり、「ＡＳＩＣ」は、「Application Specific Integrated Circuit」の略称である。「ＰＬＤ」は、「Programmable Logic Device」の略称であり、「ＦＰＧＡ」は、「Field Programmable Gate Array」の略称である。

（適応システム）
本明細書で説明した実施形態は、ＬＴＥ（Long Term Evolution）、ＬＴＥ−Ａ（LTE-Advanced）、ＳＵＰＥＲ ３Ｇ、ＩＭＴ−Ａｄｖａｎｃｅｄ、４Ｇ、５Ｇ、ＦＲＡ（Future Radio Access）、Ｗ−ＣＤＭＡ（登録商標）、ＧＳＭ（登録商標）、ＣＤＭＡ２０００、ＵＭＢ（Ultra Mobile Broadband）、ＩＥＥＥ ８０２．１１（Ｗｉ−Ｆｉ）、ＩＥＥＥ ８０２．１６（ＷｉＭＡＸ）、ＩＥＥＥ ８０２．２０、ＵＷＢ（Ultra-WideBand）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、その他の適切なシステムを利用するシステム及び／又はこれらに基づいて拡張された次世代システムに適用されてもよい。

（処理手順等）
本明細書で説明した各態様／実施形態の処理手順、シーケンス、フローチャートなどは、矛盾の無い限り、順序を入れ替えてもよい。例えば、本明細書で説明した方法については、例示的な順序で様々なステップの要素を提示しており、提示した特定の順序に限定されない。

（入出力された情報等の扱い）
入出力された情報等は特定の場所（例えば、メモリ）に保存されてもよいし、管理テーブルで管理してもよい。入出力される情報等は、上書き、更新、または追記され得る。出力された情報等は削除されてもよい。入力された情報等は他の装置に送信されてもよい。

（判定方法）
判定は、１ビットで表される値（０か１か）によって行われてもよいし、真偽値（Boolean：trueまたはfalse）によって行われてもよいし、数値の比較（例えば、所定の値との比較）によって行われてもよい。

（ソフトウェア）
ソフトウェアは、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語と呼ばれるか、他の名称で呼ばれるかを問わず、命令、命令セット、コード、コードセグメント、プログラムコード、プログラム、サブプログラム、ソフトウェアモジュール、アプリケーション、ソフトウェアアプリケーション、ソフトウェアパッケージ、ルーチン、サブルーチン、オブジェクト、実行可能ファイル、実行スレッド、手順、機能などを意味するよう広く解釈される。

また、ソフトウェア、命令などは、伝送媒体を介して送受信されてもよい。例えば、ソフトウェアが、同軸ケーブル、光ファイバケーブル、ツイストペア及びデジタル加入者回線（ＤＳＬ）などの有線技術及び／又は赤外線、無線及びマイクロ波などの無線技術を使用してウェブサイト、サーバ、又は他のリモートソースから送信される場合、これらの有線技術及び／又は無線技術は、伝送媒体の定義内に含まれる。

（情報、信号）
本明細書で説明した情報、信号などは、様々な異なる技術のいずれかを使用して表されてもよい。例えば、データ、命令、コマンド、情報、信号、ビット、シンボル、チップなどは、電圧、電流、電磁波、磁界若しくは磁性粒子、光場若しくは光子、又はこれらの任意の組み合わせによって表されてもよい。

なお、本明細書で説明した用語及び／又は本明細書の理解を助ける用語については、同一の又は類似する意味を有する用語に置き換えられてもよい。

（パラメータ）
また、本明細書で説明した情報、パラメータなどは、絶対値で表されてもよいし、所定の値からの相対値で表されてもよいし、対応する別の情報で表されてもよい。

上述したパラメータに使用する名称はいかなる点においても限定的なものではない。また、これらのパラメータを使用する数式等は、本明細書で明示的に開示したものと異なる場合もある。

（基地局）
基地局は、１つまたは複数（例えば、３つ）の（セクタとも呼ばれる）セルを収容することができる。基地局が複数のセルを収容する場合、基地局のカバレッジエリア全体は複数のより小さいエリアに区分でき、各々のより小さいエリアは、基地局サブシステム（例えば、屋内用の小型基地局ＲＲＨ：Remote Radio Head）によって通信サービスを提供することもできる。「セル」または「セクタ」という用語は、このカバレッジにおいて通信サービスを提供する基地局、及び／又は、基地局サブシステムのカバレッジエリアの一部または全体を指す。さらに、「基地局」、「ＢＳ」、「ｅＮＢ」、「ｇＮＢ」、「セル」、および「セクタ」という用語は、本明細書では互換的に使用され得る。基地局は、固定局（fixed station）、ＮｏｄｅＢ、ｅＮｏｄｅＢ（ｅＮＢ）、ｇＮｏｄｅＢ、アクセスポイント（access point）、スモールセルなどの用語で呼ばれる場合もある。スモールセルは、マクロセルよりもカバレッジの小さいセルの一例である。スモールセルは、カバレッジエリアに応じて呼称が異なってよい。例えば、スモールセルは、「フェムトセル」、「ピコセル」、「マイクロセル」、「ナノセル」、「メトロセル」、「ホームセル」等と称されてもよい。「セル」または「セクタ」という用語は、基地局が無線サービスを提供する個々の地理的範囲を意味する他、その個々の地理的範囲において端末と通信を行なうために基地局が管理する通信機能の一部をも意味してよい。

（ＵＥ）
ＵＥは、当業者によって、ユーザ端末、端末、移動局、加入者局、モバイルユニット、加入者ユニット、ワイヤレスユニット、リモートユニット、モバイルデバイス、ワイヤレスデバイス、ワイヤレス通信デバイス、リモートデバイス、モバイル加入者局、アクセス端末、モバイル端末、ワイヤレス端末、リモート端末、ハンドセット、ユーザエージェント、モバイルクライアント、クライアント、ＵＥ、又は、いくつかの他の適切な用語で呼ばれる場合もある。ＵＥは、その位置が変化しない固定端末であってもよいし、その位置が変化する移動端末であってもよい。非限定的な一例として、ＵＥは、携帯電話やスマートフォン、タブレット端末等の移動可能な端末であってよい。また、ＵＥは、ＩｏＴ（Internet of Things）端末であってもよい。ＩｏＴによって、様々な「物」に通信機能が搭載され得る。通信機能を搭載した様々な「物」は、インターネットや無線アクセス網等に接続して通信を行なうことができる。例えば、ＩｏＴ端末には、無線通信機能を具備したセンサデバイスやメータ（測定器）等が含まれてよい。センサデバイスやメータを搭載した監視カメラや火災報知器等の何らかの監視装置が端末に該当してもよい。監視装置等のＩｏＴ端末であるＵＥと基地局との間の無線通信は、ＭＴＣ（Machine Type Communications）と称されることがある。そのため、ＩｏＴ端末であるＵＥは「ＭＴＣデバイス」と称されることがある。

（用語の意味、解釈）
「判断（determining）」、「決定（determining）」という用語は、多種多様な動作を包含する場合がある。例えば、「判断」、「決定」は、判定（judging）、計算（calculating）、算出（computing）、処理（processing）、導出（deriving）、調査（investigating）、探索（looking up）（例えば、テーブル、データベース又は別のデータ構造での探索）、確認（ascertaining）した事を「判断」「決定」したと扱う事を含み得る。また、「判断」、「決定」は、受信（receiving）（例えば、情報を受信すること）、送信（transmitting）（例えば、情報を送信すること）、入力（input）、出力（output）、アクセス（access）（例えば、メモリ中のデータにアクセスすること）した事を「判断」「決定」したと扱う事を含み得る。また、「判断」、「決定」は、解決（resolving）、選択（selecting）、選定（choosing）、確立（establishing）、比較（comparing）などした事を「判断」「決定」したと扱う事を含み得る。つまり、「判断」、「決定」は、何らかの動作を「判断」、「決定」したと扱う事を含み得る。

「接続された（connected）」、「結合された（coupled）」という用語、又はこれらのあらゆる変形は、２又はそれ以上の要素間の直接的又は間接的なあらゆる接続又は結合を意味し、互いに「接続」又は「結合」された２つの要素間に１又はそれ以上の中間要素が存在することを含むことができる。要素間の結合又は接続は、物理的なものであっても、論理的なものであっても、或いはこれらの組み合わせであってもよい。２つの要素は、１又はそれ以上の電線、ケーブル及び／又はプリント電気接続を使用することにより、並びにいくつかの非限定的かつ非包括的な例として、無線周波数領域、マイクロ波領域及び光（可視及び不可視の両方）領域の波長を有する電磁エネルギーなどの電磁エネルギーを使用することにより、互いに「接続」又は「結合」されると考えることができる。

「・・・に基づいて」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」を意味しない。言い換えれば、「・・・に基づいて」という記載は、「・・・のみに基づいて」と「・・・に少なくとも基づいて」の両方の意味を包含する。

「含む（including）」、「含んでいる（comprising）」、及び、これらの変形が、本明細書あるいは特許請求の範囲で使用される場合、これらの用語は、用語「備える」と同様に、包括的であることが意図される。また、本明細書あるいは特許請求の範囲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。

本開示の全体において、例えば、英語でのa, an, 及びtheのように、翻訳により冠詞が付加された場合、これらの冠詞は、文脈から明らかに異なる意図が示されていなければ、複数形式を含むものとする。

（態様のバリエーション等）
本明細書で説明した各態様／実施形態は単独で用いてもよいし、組み合わせて用いてもよいし、実行に伴って切り替えて用いてもよい。また、所定の情報の通知（例えば、「Ｘであること」の通知）は、明示的な通知に限られず、暗示的な通知でもよい（例えば、当該所定の情報の通知を行わない）。

以上、実施の形態について詳細に説明したが、当業者にとって、本発明が実施形態の記載に限定されるものではないことは明らかである。本発明は、特許請求の範囲の記載により定まる本発明の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本明細書の記載は、例示的な説明を目的とするものであり、本発明に対して何ら制限的な意味を有するものではない。

本発明の一態様は、例えば、無線通信における電波伝搬特性の推定に有用である。

１０ 電波伝搬推定装置
１０１ 都市構造パラメータ抽出部
１０２ 伝搬推定部
１０３ 誤差計算部
１０４ 重み更新部
３００，４００ データベース（ＤＢ）
１００１ プロセッサ
１００２ メモリ
１００３ ストレージ
１００４ 通信装置
１００５ 入力装置
１００６ 出力装置
１００７ バス
Ｃ_０，Ｃ_１，Ｃ_２，Ｃ_３ 畳み込み層（Ｃ層）
Ｐ_０，Ｐ_１ プーリング層（Ｐ層）
Ｆ_０，Ｆ_１，Ｆ_２，Ｆ_３ 全結合層（Ｆ層）

Claims (6)

1. 送信点から送信される電波の受信点を含む地図データに、畳み込みニューラルネットワークを適用することによって、前記受信点を含む周辺環境において前記電波の障害となり得る構造を表す第１パラメータを前記地図データから抽出する抽出部と、
   前記抽出部において抽出された前記第１パラメータと、前記送信点と前記受信点との間において無線通信を行う無線通信システムの構成を表す第２パラメータと、に、全結合ニューラルネットワークを適用することによって、前記電波の伝搬特性を推定する推定部と、
   を備えた、電波伝搬推定装置。
2. 前記推定部によって推定された前記伝搬特性と、前記伝搬特性に関する実測値又は理論値と、の誤差を計算する誤差計算部と、
   前記誤差が所定の収束条件を満足するまで、前記畳み込みニューラルネットワーク及び前記全結合ニューラルネットワークの重みパラメータを、誤差逆伝搬法によって更新する更新部と、
   を備えた、請求項１に記載の電波伝搬推定装置。
3. 前記伝搬特性に関する実測値は、複数の前記受信点のそれぞれに対応する複数のユーザ装置から前記送信点に対応する基地局へ報告され、前記基地局又は前記基地局の上位局において収集された、電波伝搬環境に関する情報に基づいて求められる、
   請求項２に記載の電波伝搬推定装置。
4. 前記第２パラメータは、前記送信点と前記受信点との間の距離を示す情報、及び／又は、前記送信点と前記受信点との間の見通しの有無を示す情報、を含む、
   請求項１〜３のいずれか１項に記載の電波伝搬推定装置。
5. 送信点から送信される電波の受信点を含む地図データに、畳み込みニューラルネットワークを適用することによって、前記受信点を含む周辺環境において前記電波の障害となり得る構造を表す第１パラメータを前記地図データから抽出し、
   抽出された前記第１パラメータと、前記送信点と前記受信点との間において無線通信を行う無線通信システムの構成を表す第２パラメータと、に、全結合ニューラルネットワークを適用することによって、前記電波の伝搬特性を推定する、
   電波伝搬推定方法。
6. コンピュータに、
   送信点から送信される電波の受信点を含む地図データに、畳み込みニューラルネットワークを適用することによって、前記受信点を含む周辺環境において前記電波の障害となり得る構造を表す第１パラメータを前記地図データから抽出し、
   抽出された前記第１パラメータと、前記送信点と前記受信点との間において無線通信を行う無線通信システムの構成を表す第２パラメータと、に、全結合ニューラルネットワークを適用することによって、前記電波の伝搬特性を推定する、
   処理を実行させる、
   電波伝搬推定プログラム。

Images