JP2021525933A - 無線セルラーネットワークにおけるセル状態の検出に関する方法、装置およびコンピュータ可読媒体 - Google Patents

Abstract

本開示の実施形態は、無線セルラーネットワークにおけるセル状態の検出と、無線セルラーネットワークにおけるセル状態を検出するための分類器モデルのトレーニングとのための方法、装置およびコンピュータ可読媒体を提供する。一実施形態では、無線セルラーネットワークにおけるセル状態を検出するために分類器モデルをトレーニングする方法は、無線セルラーネットワークの複数のセルの各セルについて、複数の性能メトリックについての時系列データを取得することと、複数のセルの各セルについて、時系列データをそれぞれの画像データセットにコンバートすることと、画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類することと、画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類するための分類器モデルを生成するために、分類された画像データセットを含むトレーニングデータに機械学習アルゴリズムを適用することとを含む。【選択図】図２

Description

本開示の実施形態は、無線セルラーネットワークにおけるセル状態の検出に関し、詳細には、無線セルラーネットワークにおけるセル状態の検出と、無線セルラーネットワークにおけるセル状態を検出するための分類器モデルのトレーニングとのための方法、装置およびコンピュータ可読媒体に関する。

現代の無線セルラーネットワークにおけるモバイルブロードバンドトラフィックは、極めて動的であり、数分から数ヶ月までの範囲内で変動することがある。したがって、ネットワーク性能への悪影響を回避し、動作効率を増加させるために、正確でオンタイムのセル容量プロビジョニングが重要である。たとえば、セル容量の不足は、長いウェブページダウンロード時間またはビデオストリームのフリーズの観点から、不十分なエンドユーザ体感を引き起こし得る。一方、セル容量の過剰プロビジョニングは、セルリソースの過少利用、したがって、動作非効率を生じる。この点について、高い精度でセルトラフィック負荷問題点を検出および識別し、適時にエンドユーザ需要を満たすために必要とされる容量を提供することが有利である。

現在、様々な無線アクセスネットワーク（ＲＡＮ）技術についてセルトラフィック負荷を分析するためにいくつかの異なる技法が使用されている。これらの技法は、一般に、異なる性能測定メトリックについての所定のしきい値と組み合わせられたルールベース命令のセットを適用する。たとえば、Ｐｅｔｅｒ ＳｚｉｌａｇｙｉおよびＳｚａｂｏｌｃｓ Ｎｏｖａｃｚｋｉによる論文（「Ａｎ Ａｕｔｏｍａｔｉｃ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｄｉａｇｎｏｓｉｓ Ｆｒａｍｅｗｏｒｋ ｆｏｒ Ｍｏｂｉｌｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍｓ」、ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｔｗｏｒｋ ａｎｄ Ｓｅｒｖｉｃｅ Ｍａｎａｇｅｍｅｎｔ、ｖｏｌ ９、ｉｓｓｕｅ ２、１８４〜１９７ページ）を参照されたい。これらのルールおよびしきい値は、人間の観測および小さいサンプリングされたデータセットに基づく。さらに、セル負荷問題点を識別するために考慮される性能メトリックの数は、一般に少なく、一般的なメトリックからなるにすぎない。

したがって、より正確にセル状態を検出するための方法が必要とされる。

本開示の実施形態は、これらおよび他の問題に対処しようとする。

一態様では、無線セルラーネットワークにおけるセル状態を検出するために分類器モデルをトレーニングする方法が提供される。本方法は、無線セルラーネットワークの複数のセルの各セルについて、複数の性能メトリックについての時系列データを取得することと、複数のセルの各セルについて、時系列データをそれぞれの画像データセットにコンバートすることと、画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類することと、画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類するための分類器モデルを生成するために、分類された画像データセットを含むトレーニングデータに機械学習（ｍａｃｈｉｎｅ−ｌｅａｒｎｉｎｇ）アルゴリズムを適用することとを含む。

別の態様では、無線セルラーネットワークにおけるセル状態を検出する方法が提供される。本方法は、無線セルラーネットワークのセルについて、複数の性能メトリックについての時系列データを取得することと、時系列データを画像データセットにコンバートすることと、画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類するために、機械学習された（ｍａｃｈｉｎｅ−ｌｅａｒｎｅｄ）分類器モデルを画像データセットに適用することとを含む。

これらの方法を実施するための、ネットワークノードおよびコンピューティングデバイスなど、装置も提供される。

一態様では、無線セルラーネットワークにおけるセル状態を検出するために分類器モデルをトレーニングするためのコンピューティングデバイスが提供される。本コンピューティングデバイスは、処理回路と非一時的機械可読媒体とを備え、非一時的機械可読媒体は、処理回路によって実行されたとき、本コンピューティングデバイスに、無線セルラーネットワークの複数のセルの各セルについて、複数の性能メトリックについての時系列データを取得することと、複数のセルの各セルについて、時系列データをそれぞれの画像データセットにコンバートすることと、画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類することと、画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類するための分類器モデルを生成するために、分類された画像データセットを含むトレーニングデータに機械学習アルゴリズムを適用することとを行わせる命令を記憶する。

別の態様では、無線セルラーネットワークにおけるセル状態を検出するためのコンピューティングデバイスが提供される。本コンピューティングデバイスは、処理回路と非一時的機械可読媒体とを備え、非一時的機械可読媒体は、処理回路によって実行されたとき、本コンピューティングデバイスに、無線セルラーネットワークのセルについて、複数の性能メトリックについての時系列データを取得することと、時系列データを画像データセットにコンバートすることと、画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類するために、機械学習された分類器モデルを画像データセットに適用することとを行わせる命令を記憶する。

上記で説明された方法を実施するためのコンピュータ可読媒体も提供される。

一態様では、コンピューティングデバイスの処理回路によって実行されたとき、コンピューティングデバイスに、無線セルラーネットワークの複数のセルの各セルについて、複数の性能メトリックについての時系列データを取得することと、複数のセルの各セルについて、時系列データをそれぞれの画像データセットにコンバートすることと、画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類することと、画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類するための分類器モデルを生成するために、分類された画像データセットを含むトレーニングデータに機械学習アルゴリズムを適用することとを行わせる命令を記憶する非一時的コンピュータ可読媒体が提供される。

別の態様では、コンピューティングデバイスの処理回路によって実行されたとき、コンピューティングデバイスに、無線セルラーネットワークのセルについて、複数の性能メトリックについての時系列データを取得することと、時系列データを画像データセットにコンバートすることと、画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類するために、機械学習された分類器モデルを画像データセットに適用することとを行わせる命令を記憶する非一時的コンピュータ可読媒体が提供される。

本開示をより良く理解するために、および本開示がどのように実現され得るかを示すために、次に、例として、添付の図面への参照がなされる。

本開示の実施形態による、システムの概略図である。 本開示の実施形態による、方法のフローチャートである。 本開示の実施形態による、データを前処理する方法のフローチャートである。 本開示の実施形態による、セルについての画像データセットを示す図である。 本開示の実施形態による、データ注釈の方法のフローチャートである。 本開示の実施形態による、オートエンコーダの概略図である。 本開示の実施形態による、データ増補の方法のフローチャートである。 本開示の実施形態による、無線セルラーネットワークにおけるセル状態を検出する方法のフローチャートである。 本開示の実施形態による、ネットワークノードの概略図である。 本開示のさらなる実施形態による、ネットワークノードの概略図である。 本開示のまたさらなる実施形態による、ネットワークノードの概略図である。

以下は、限定ではなく説明の目的で、特定の実施形態など、具体的な詳細を記載する。しかし、他の実施形態が、これらの具体的な詳細から離れて採用され得ることが当業者によって諒解されよう。いくつかの事例では、よく知られている方法、ノード、インターフェース、回路、およびデバイスの詳細な説明が、不要な詳細で説明を不明瞭にしないように省略される。説明される機能が、ハードウェア回路（たとえば、特殊な機能を実施するために相互接続されたアナログおよび／または個別論理ゲート、ＡＳＩＣ、ＰＬＡなど）を使用して、および／またはそのようなプログラムの実行に基づいて、本明細書で開示される処理を行うように特別に適応された１つまたは複数のデジタルマイクロプロセッサまたは汎用コンピュータとともにソフトウェアプログラムおよびデータを使用して、１つまたは複数のノードにおいて実装され得ることを、当業者は諒解されよう。また、エアインターフェースを使用して通信するノードは、好適な無線通信回路を有する。その上、本技術は、加えて、本明細書で説明される技法をプロセッサに行わせることになるコンピュータ命令の適切なセットを含んでいる、固体メモリ、磁気ディスク、または光ディスクなど、任意の形態のコンピュータ可読メモリ内で完全に具現されると見なされ得る。

ハードウェア実装形態は、限定はしないが、デジタル信号プロセッサ（ＤＳＰ）ハードウェアと、縮小命令セットプロセッサと、限定はしないが、（１つまたは複数の）特定用途向け集積回路（ＡＳＩＣ）および／または（１つまたは複数の）フィールドプログラマブルゲートアレイ（ＦＰＧＡ）を含むハードウェア（たとえば、デジタルまたはアナログ）回路と、（適切な場合）そのような機能を実施することが可能な状態機械とを含むかまたは包含し得る。

コンピュータ実装形態に関して、コンピュータは、概して、１つまたは複数のプロセッサ、１つまたは複数の処理モジュールまたは１つまたは複数のコントローラを備えると理解され、コンピュータ、プロセッサ、処理モジュールおよびコントローラという用語は、互換的に採用され得る。コンピュータ、プロセッサ、またはコントローラによって提供されるとき、機能は、単一の専用コンピュータまたはプロセッサまたはコントローラによって、単一の共有コンピュータまたはプロセッサまたはコントローラによって、あるいはそのうちのいくつかが共有または分散され得る、複数の個々のコンピュータまたはプロセッサまたはコントローラによって提供され得る。その上、「プロセッサ」または「コントローラ」という用語は、上記で具陳された例示的なハードウェアなど、そのような機能を実施することおよび／またはソフトウェアを実行することが可能な他のハードウェアをも指す。

図１は、本開示の実施形態による、無線通信システムを示す。図示の実施形態では、システムは、３つの部分、すなわち、無線アクセスネットワーク１００、無線端末デバイス（またはＵＥ）１１０、およびコアネットワークサーバ１２０、またはそのようなコアネットワークに接続されたサーバに構成される。

無線アクセスネットワーク１００は、各々が１つまたは複数のセル１０４をサーブする、複数の無線アクセスネットワークノード１０２を備える。図示の実施形態では、各無線アクセスネットワークノード１０２が、単一のセル１０４をサーブするが、無線アクセスネットワークノード１０２が２つ以上のセルをサーブするように設定され得ることを、当業者は諒解されよう。

本明細書で使用される無線アクセスネットワークノードは、ＵＥと通信する任意のタイプのネットワークノードに対応する。無線アクセスネットワークノードの例は、ノードＢ、ＭｅＮＢ、ＳｅＮＢ、ＭＣＧまたはＳＣＧに属するネットワークノード、基地局（ＢＳ）、マルチスタンダード無線（ＭＳＲ）ＢＳなどのＭＳＲ無線ノード、ｅノードＢ、ｇノードＢ、ネットワークコントローラ、無線ネットワークコントローラ（ＲＮＣ）、基地局コントローラ（ＢＳＣ）、リレー、ドナーノード制御リレー、基地トランシーバ局（ＢＴＳ）、アクセスポイント（ＡＰ）、送信ポイント、送信ノード、ＲＲＵ、ＲＲＨ、分散アンテナシステム（ＤＡＳ）におけるノードなどである。その上、以下の説明が、ネットワークノードまたは無線アクセスノードにおいてまたはそれらによってとられるステップに言及する場合、これは、処理および／または意思決定ステップの一部または全部が、ノードの無線アンテナとは物理的に別個であるが、その無線アンテナに論理的に接続された、デバイスにおいて実施され得る可能性をも含む。したがって、処理および／または意思決定が「クラウドにおいて」行われる場合、関連する処理デバイスは、これらの目的のためのノードの一部であると見なされる。

コアネットワーク１２０は、サーバ１２２を備えるかまたはサーバ１２２に結合され、サーバ１２２は、したがって、無線アクセスネットワーク１００に通信可能に結合される。本開示の実施形態によれば、サーバ１２２は、無線アクセスネットワーク１００からデータを受信することと、受信されたデータに基づいてセル状態を検出するための１つまたは複数の方法を実施することとを行うように設定される。

本開示の実施形態は、さらに、受信されたデータに基づいてセル状態を検出するための分類器モデルの使用に関する。そのような分類器モデルは、本明細書でさらに詳述されるように、１つまたは複数の機械学習アルゴリズムを使用してトレーニングされ、次いで、セル状態を検出するために展開され得る。

図２は、本開示の実施形態による、方法のフローチャートである。フローチャートは、（上記で説明された無線アクセスネットワーク１００などの）無線セルラーネットワークにおけるセル状態を検出するために分類器モデルをトレーニングすることと、（上記で説明された無線アクセスネットワーク１００などの）無線セルラーネットワークにおけるセル状態を検出するために分類器モデルを使用することとを行う方法を実施する。分類器モデルをトレーニングするための方法と、分類器モデルを使用するための方法とは、別個のエンティティによっておよび／または異なる時間において別個に実施され得ることを、当業者は諒解されよう。したがって、本開示は、無線セルラーネットワークにおけるセル状態を検出するために分類器モデルをトレーニングすることと、無線セルラーネットワークにおけるセル状態を検出するために分類器モデルを使用することとを行う別個の方法を提供する。

本方法は、（ネットワークノード１２２などの）システムのコアネットワーク１２０中にあるか、またはコアネットワーク１２０に結合された、ネットワークノードまたはサーバにおいて実施され得る。

本方法は、ステップ２００において開始し、データが取得され、前処理される。データは、ネットワーク１００の複数のセルの各セルについて、複数の性能メトリックについての時系列データを含む。データは、ネットワーク１００のあらゆるセル、またはそのネットワークのセルのサブセットについて取得され得る。したがって、ある時間期間にわたって、セルごとに複数の性能メトリックが監視され、各性能メトリックについての時系列データが前処理される。

データは、図３および図４に関して以下でより詳細に説明される様式で前処理される。本開示の実施形態によれば、時系列データは、セルごとに１つまたは複数の画像データセットが生成されるように、画像データにコンバートされる。セルごとに２つ以上の画像データセットが生成される場合、画像データセットは、異なる時間ウィンドウにおいて収集されたデータに関係し得る。

ステップ２０２において、前処理されたデータ（たとえば、画像データセット）は、複数のあらかじめ規定されたセル状態のうちの１つまたは複数で注釈を付けられる。ステップ２０２は、特定の画像データセットによって提示される１つまたは複数のセル状態を識別するための人間の相互作用の１つまたは複数のステップを含み得、したがって、特定の画像データセットは、それらの１つまたは複数のセル状態で注釈を付けられ得る。しかしながら、ステップ２０２は、手動ですべての画像データセットについてセル状態を識別するタスクを著しく改良するための１つまたは複数のステップをも含み得る。この態様は、図５および図６に関して以下でより詳細に説明される。

あらかじめ規定されたセル状態は、障害のある（および、逆に障害のない）セル動作、セルが受ける負荷に関係する状態、セルの性能に関係する状態など、任意のタイプのセル状態に関係し得る。あらかじめ規定されたセル状態のいくつかの特定の例は、セル負荷、−セル負荷および干渉、高いダウンリンク（ＤＬ）およびアップリンク（ＵＬ）利用率、高いＤＬ利用率、高いＵＬ利用率、高いプロセッサ負荷、不十分な物理アップリンク制御チャネル（ＰＵＣＣＨ）性能、ランダムアクセスチャネル（ＲＡＣＨ）アクセシビリティ、およびシグナリング負荷を含む。

ステップ２０４において、前処理され、注釈を付けられたデータが増補される。この随意のステップでは、分類器モデルをトレーニングするためのトレーニングデータセットのサイズを増加させるように、前処理され注釈を付けられたデータに基づいて追加のデータが取得される。この態様に関するさらなる詳細が、図７に関して以下で提供される。

ステップ２０６において、分類器モデルは、複数のあらかじめ規定されたセル状態の各々を識別するために、前処理され、注釈を付けられた（および随意に増補された）データセットに基づいて、および機械学習アルゴリズムを使用してトレーニングされる。たとえば、分類器モデルは、最初に、トレーニングデータの第１の部分（ｆｒａｃｔｉｏｎ）（たとえば、５０％）に関してトレーニングされ得る。分類器モデルが、第１の部分における画像データセットを分類することが可能であると、分類器モデルは、トレーニングデータの第２の部分（たとえば、さらなる２５％）に適用され得る。第２の部分に関する分類器モデルの性能がテストされ、測定された性能に基づいてモデルのパラメータが変更され得る。最後に、分類器モデルは、第３の部分（たとえば、残りの２５％）に適用され、その部分に関する性能が満足のいくものであることが予想される。これが当てはまらない場合、トレーニングは繰り返され得る。

一実施形態では、機械学習アルゴリズムは、深層ニューラルネットワークを含む。（たとえば、複数の畳み込み層に基づく）畳み込みニューラルネットワークが、画像を分類するタスクに特に適していることがある。

ステップ２０８において、分類器モデルは、（無線アクセスネットワーク１００などの）無線セルラーネットワークにおけるセル状態を検出するために展開される。随意に、展開される間に収集された追加のデータが、さらに分類器モデルをトレーニングするためのフィードバックデータとして利用され得、したがって、分類器モデルは、変化するネットワーク状態を考慮するために経時的に変化することができる。この態様に関するさらなる詳細が、図９に関して以下で提供される。

したがって、図３は、データを前処理するための方法のフローチャートである。たとえば、本方法は、上記で説明されたステップ２００において展開され得る。

ステップ３００において、ネットワークノードは、セルごとに複数の性能メトリックについての時系列データを取得する。このステップ中に、生入力データが、無線アクセスネットワーク１００（たとえば、ノード１０２）、無線アクセスネットワーク１００および／またはコアネットワーク１２０に関連する１つまたは複数の管理ノードなど、様々なデータソースから集められる。データは、ネットワークにおけるセルのすべてまたはサブセットについて取得され得る。たとえば、データは、特定の地理的エリアにおけるセル、または特定のネットワークオペレータに属するセルについて取得され得る。

データは、時系列データのフォーマットのものであり、特定の時間ウィンドウに関係し、すなわち、その時間ウィンドウにわたって時間の異なるインスタンスにおいて収集されるデータ値のシーケンスであり得る。時間ウィンドウは、数秒、数分、または数時間の長さのオーダーのものであり得る。一実施形態では、時間ウィンドウは、２４時間の長さである。さらに、異なる時間ウィンドウ（たとえば、異なる日など）において、同じセルについてデータの複数のセットが取得され得ることに留意されたい。

各セルについて監視される性能メトリックは、セルが受ける負荷、セルが受ける干渉、セルによってサーブされる端末デバイスが受ける無線状態などに関係し得る。この点について、提案される方法は、従来の方法の比較的少数のよく知られている性能メトリックに限定されず、場合によっては非従来型性能メトリックを含む、比較的多数の性能メトリックを含み得ることに留意されたい。たとえば、性能メトリックは、以下のうちの１つまたは複数を含み得る。
− 時間送信間隔（ＴＴＩ）ごとのダウンリンクおよびアップリンクユーザのアクティブ数
− ＴＴＩごとのダウンリンクおよびアップリンクスケジューリングエンティティ
− 無線リソース制御（ＲＲＣ）接続試行
− ＲＲＣ接続ユーザの平均および最大数
− データ無線ベアラ（ＤＲＢ）トラフィックについてのダウンリンクおよびアップリンクデータボリューム
− シグナリング無線ベアラ（ＳＲＢ）トラフィックについてのダウンリンクおよびアップリンクデータボリューム
− ダウンリンクおよびアップリンク物理リソースブロック（ＰＲＢ）利用率
− 物理ダウンリンク制御チャネル（ＰＤＣＣＨ）制御チャネルエレメント（ＣＣＥ）負荷
− 平均チャネル品質インジケータ（ＣＱＩ）
− しきい値を下回る（たとえば、６を下回る）ＣＱＩのレート
− ダウンリンクおよびアップリンクユーザスループット
− ダウンリンクおよびアップリンクセルスループット
− 無線アクセスチャネル（ＲＡＣＨ）試行
− ランダムアクセス成功率
− ダウンリンクおよびアップリンクハイブリッドＡＲＱ（ＨＡＲＱ）間欠送信比
− 平均物理アップリンク共有チャネル（ＰＵＳＣＨ）信号対雑音比（ＳＩＮＲ）
− 平均物理アップリンク制御チャネル（ＰＵＣＣＨ）ＳＩＮＲ
− −２ｄＢレートを下回るＰＵＳＣＨ ＳＩＮＲ
− ０ｄＢレートを下回るＰＵＣＣＨ ＳＩＮＲ
− ＰＵＳＣＨ干渉レベル
− ＰＵＣＣＨ干渉レベル
− 平均パスロス
− １３０ｄＢレートを下回るパスロス
− ＵＥ電力制限レート
− 平均プロセッサ負荷
− プロセッサ負荷の９０パーセンタイル

ステップ３００においてデータが取得された後に、生データは、１つまたは複数のデータクレンジング（ｃｌｅａｎｓｉｎｇ）技法を受け得る。たとえば、データは、消失したデータ、誤ったデータ、外れ値および一貫性のないデータなどが、一貫したやり方でハンドリングされたことを保証することによって、クレンジングされ（ｃｌｅａｎｓｅ）得る。

データがこのようにして準備された後に、各基地局セルｊについて、｛０．．．Ｋ｝の範囲内の時間シーケンスにわたって観測された特定の性能測定メトリックｉが、ｄ_ｉ，ｊによって表現され得ると仮定され得る。この性能メトリックベクトルは、次のように書かれ得る。
ｄ_ｉ，ｊ＝［ｄ_{ｉ，０，ｊ} ｄ_{ｉ，１，ｊ} ・・・ ｄ_{ｉ，Ｋ−１，ｊ} ｄ_{ｉ，Ｋ，ｊ}］

時間シーケンスの細分性（ｇｒａｎｕｌａｒｉｔｙ）は、セルトラフィック負荷パターンについての所望の時間ウィンドウ観測に応じて、数分から数時間、数日、数週間までフレキシブルに規定され得る。

ステップ３０２において、時系列データは、異なる無線アクセス技術、異なるハードウェア、異なる測定技法などを利用し得る、異なるセル間でデータが一貫していることを保証するために正規化される。正規化中に、性能メトリック値は、ユニバーサル最小値とユニバーサル最大値とによって規定された範囲内に、たとえば、０と１との間の範囲内に入るように符号化される。このようにして、この変換の後の性能メトリック値は、絶対値ではなく強度に対応する。

一実施形態では、値の正規化は、各性能メトリックについての最大値の決定を含む。特定の時間インスタンスにおける性能メトリックについての測定された値が、その性能メトリックについての最大値に等しいかまたはそれよりも大きい場合、測定された値は、１に等しくなるように符号化される。性能メトリックについての測定された値が最大値よりも小さい場合、測定された値は、０と１との間の値に符号化される。

たとえば、対応する性能メトリックベクトルｄ_ｉ，ｊの各エレメントが、以下のように符号化され得る。

ここで、ｅ_ｉは、符号化値（ｅｎｃｏｄｉｎｇ ｖａｌｕｅ）（すなわち、上記で言及された最大値）であり、ここで、α_{ｉ，ｋ，ｊ}は、セルｊについての時間ｋにおけるｉ番目の性能メトリックについての符号化された値である。その結果、（外れ値に対応する）１を上回るすべての値の上限が１に定められる。

符号化値ｅ_ｉは、様々なやり方で各性能メトリックについて決定され得る。一実施形態では、符号化値は、適切な最大値を決定するために、性能メトリックの統計的分析に基づいて選択される。決定された最大値は、性能メトリックの最も高い値でないことがあるが、統計的外れ値を考慮に入れ得ることに留意されたい。

たとえば、統計的外れ値が、以下の状態を満たす性能メトリックについての任意の値と見なされ得る。
サンプル値＞サンプル分布の７５パーセンタイル＋１．５＊ＩＲＱ、
ここで、ＩＲＱは、７５パーセンタイル−２５パーセンタイルとして規定された四分位範囲（ばらつき）である。最大値は、外れ値でない最も高いサンプル値として決定され得る。

代替的に、当業者が、その人の体感およびドメイン知識に基づいて、性能メトリックについての最大値を示唆するために採用され得る。

さらなる代替実施形態では、これらの２つの方法は、２つの方法のうちの一方または他方から性能メトリックについての最大値が決定され得るように組み合わせられ得る。たとえば、２つの示唆された（すなわち、統計的分析によって提案された、および当業者によって提案された）最大値のうちの低いほうが、符号化値として選択され得る。

提案される符号化手法は、以下を可能にするので、著しい利点を有する。
− 絶対性能メトリック値に依存しない一般的な特徴学習、すなわち、学習された一般的なセルトラフィック負荷問題点特徴が、異なるオペレータネットワークに適用可能であるが、それらの性能メトリック統計値が著しく異なることがある。
− 符号化値を適応させることによる、異なる機器を使用する多数の異なるネットワークに対する分類モデルのフレキシビリティおよび適用可能性。
− 異なるオペレータのネットワークデータが、ユーザ要件に基づいて異なるやり方で符号化され、適用された符号化値に応じてより厳しいまたはあまり厳しくないセル状態検出を可能にし得る。

ステップ３０４において、本開示の実施形態によれば、正規化されたデータは、画像データにコンバートされる。したがって、各セルおよび各時間ウィンドウについて、正規化された性能メトリックに基づいて画像データセットが構築される。

画像データへのコンバージョンは、符号化されたデータセットを３Ｄアレイ表現に変換することによって達成され得る。この点について、すべての符号化された性能メトリックベクトル
α_ｉ，ｊ＝［α_{ｉ，０，ｊ} α_{ｉ，１，ｊ} ・・・ α_{ｉ，Ｋ−１，ｊ} α_{ｉ，Ｋ，ｊ}］
が、各セルｊについて、以下のような大きい（スパース）行列Ｘ_ｊに構造化され得る。

ここで、Ｌは、各セルについてキャプチャされた性能メトリックの数に対応する。行列Ｘ_ｊは、セルｊについての特徴画像のピクセル強度を表現し、次元Ｌ×Ｋを有する。

したがって、すべてのセルのコンパクトな特徴表現Ｆが、以下として規定され得る。

上記の説明は、各セルが単一のデータセットを備えると仮定した。事実上、前述のように、異なる時間ウィンドウにおいて各セルについて複数のデータセットが形成され得る。したがって、一実施形態では、Ｂ個のセルがあり、これは、データセットの数に対応する。別の実施形態では、次元Ｂは、Ｂ個またはより少数のセルからのデータに関係し得る、データセットの数を指す。

データは、様々な異なるやり方で構成され得、本開示は、その点において限定されない。一実施形態では、画像データセットは、図４に示されているように構成され得る。

この実施形態では、異なる性能メトリックがＹ軸上に構成され、時間がＸ軸上に示され、（ｘ，ｙ）におけるピクセル値が、時間ｘにおけるｙ番目の性能メトリックについての符号化された値に対応する。図４の場合のように可視化されたとき、ピクセル値は、色またはシェードに対応し得る。もちろん、画像データは、このようにして実際に表示される必要はない。性能メトリックは、各画像データセットについて一貫して（たとえば、同じ順序で）構成されるべきであり、時間ウィンドウのサイズは、すべての画像データセットについて同じであるべきであることが、当業者によって理解されよう。

この画像表現は、様々な性能メトリックの時間および空間関係に関する追加情報が抽出されることを可能にする。これらの関係は、従来の分類システムまたは人間の眼によってしばしば検出され得ない複雑なパターンを形成する。提案される画像表現に基づいて、これらのパターンの重要な代表的特徴が学習され得る。

分類問題を画像パターン認識問題に変換することは、多種多様なセル状態を検出するための分類器モデルを作成するための、極めて強力な畳み込みニューラルネットワーク（ＣＮＮ）の使用を可能にする。これは、ＣＮＮが、通常使用される多層パーセプトロン（ＭＬＰ）ネットワークと比較して複雑さならびに過剰適合（ｏｖｅｒｆｉｔｔｉｎｇ）を著しく削減することができるので、重要な利点を有する。たとえば、ＭＬＰネットワークでは、画像の各値（ここでは、ピクセル）が、独立した入力として扱われる。その結果、ＭＬＰネットワークの第１の隠れ層がｈ個のニューロンを有する場合、第１の重み行列における重みの数は、ｈ＊画像幅＊画像高さになるであろう。多数の重みを有することにより、トレーニング時間の増加をもたらすだけでなく、モデルが、多数のパラメータにより過剰適合を受けやすくなる。

さらに、ＣＮＮを適用することは、すべての関連する特徴が効率的に検出されることを可能にし、ＭＬＰネットワークと比較してより一般的な特徴学習を可能にし、各畳み込み層において特徴マップのセットを作り出す。これらの一般的な学習された特徴は、画像上のすべての位置のために使用され得る。これは、セル状態がそれらの発生の時間（日中または夜間、最繁時など）とは無関係に検出され得るという利点を有する。

したがって、データ前処理ステップ２００および図３の方法の出力は、各セルについての複数の画像データセット（および潜在的に複数の時間ウィンドウ）である。ステップ２０２において、これらの画像データセットは、複数のあらかじめ規定されたセル状態のうちの１つに従って注釈を付けられる。

あらかじめ規定されたセル状態は、障害のある（および、逆に障害のない）セル動作、セルが受ける負荷に関係する状態、セルの性能に関係する状態など、任意のタイプのセル状態に関係し得る。あらかじめ規定されたセル状態のいくつかの特定の例は、セル負荷、−セル負荷および干渉、高いダウンリンク（ＤＬ）およびアップリンク（ＵＬ）利用率、高いＤＬ利用率、高いＵＬ利用率、高いプロセッサ負荷、正常、不十分な物理アップリンク制御チャネル（ＰＵＣＣＨ）性能、ランダムアクセスチャネル（ＲＡＣＨ）アクセシビリティ、およびシグナリング負荷を含む。

図５は、本開示の実施形態による、画像データセットに注釈を付けるための方法のフローチャートである。本方法は、たとえば、上記で説明されたステップ２０２において利用され得る。

セル状態を検出するために分類器モデルを作成およびトレーニングすることは、ラベリングされた／注釈を付けられたデータセットに依拠し得る。すなわち、分類器モデルは、あらかじめ規定されたセル状態のうちの１つまたは複数にすでに分類された画像データセットを使用してトレーニングされる。しかしながら、データ注釈は、高品質ラベリングを提供するために人間の専門家を必要とする。このプロセスは、極めてコストがかかることがあり、大きいデータセットに注釈を付けるために必要とされる労力および時間が法外である。図５に関して以下で説明される方法は、データセット注釈の複雑さおよびコストを著しく削減するために、１つまたは複数の教師なし機械学習アルゴリズムを利用する。

本方法は、ステップ５００において開始し、画像データセットが、異常画像データセット、たとえば、「正常」でないセル状態をもつ画像データセットを検出するために分析される。

ここで、データが、バイアスなしにネットワークから取得されると仮定すると、大部分のデータセットが、正常セル動作を表現することになることを理解されよう。画像データセットの大部分（たとえば９０％超）が、「正常」セル状態に対応することになる。したがって、大部分とは異なる画像データセットは、「正常」以外のあらかじめ規定されたセル状態うちの１つまたは複数に分類され得る、正常でない、または異常なセル状態を表現する。

一実施形態では、異常画像データセットを識別するためにオートエンコーダが使用される。

図６は、本開示の実施形態による、オートエンコーダ６００の概略図である。オートエンコーダ６００は、ＭＬＰまたはフィードフォワード人工ニューラルネットワークなど、ニューラルネットワークを実装し得る。

オートエンコーダ６００は、有向グラフにおけるニューロンの複数の層（６０２、６０４、６０６、６０８、６１０）からなり、各層が、次の層に全結合される（１つの層における各ニューロンが、隣接する層におけるニューロンの各々に結合される）。図示の実施形態では、オートエンコーダ６００は５つの層を備え、当業者は、任意の数の層が提供され得ることを諒解されよう。

入力層６０２が、最大数のニューロンを有し、次に続く層は、ボトルネック層６０６に達するまで、より少数のニューロンを有する。ボトルネック層６０６は、最も少数のニューロンを有する。ボトルネック層６０６の後に、次に続く層は、出力層６１０に達するまで、より多数のニューロンを有する。

オートエンコーダは、２つの構成要素から作られる。第１の構成要素は、高次元入力からのデータを、ニューロンの数が最も小さいボトルネック層６０６にもたらすエンコーダ６１２である。その結果、層６０２における元の入力データからの大きい数の変数が圧縮され、入力データの本質的特徴のみをキャプチャするモデルを作成する。

第２の構成要素は、この符号化された入力をとり、その入力を元の入力形状（ここでは、画像）にコンバートする、デコーダ６１４である。次いで、層６０２における元の入力（元の画像）と層６１０における再生された入力（出力画像）の両方が比較され、そのペア間の差が、異常の重大度（たとえば、元の画像データセットがデータセットの大部分から逸脱する程度）を示す。たとえば、その差は、すべての個々の変数または性能メトリック値の平均２乗誤差（ＭＳＥ）によって測定され得る。次いで、たとえば、その差がしきい値を超える場合、画像データセットが異常として識別される。

トレーニングされたオートエンコーダモデルは、大量の入力データ（画像データセット）を供給され、すべての種類の正常でないセル挙動を有するセルを検出する。これらの正常でない画像データセットは、次いで、ステップ５００から出力される。

フィルタ処理された正常でないデータセットは、通常、依然として極めて大きく、したがって、このデータセットをラベリングすることは、時間および専門知識において依然として多大な労力を必要とするであろう。

さらにデータセット注釈を容易にするために、ステップ５０２において、異常画像データセットは、異常画像データセットを異なるカテゴリーにカテゴリー分類するために、最も関連する特徴を抽出するために分析される。

本開示の一実施形態によれば、この分析を実施するために、第２のオートエンコーダが使用され得る。したがって、ステップ５００における第１のオートエンコーダの出力が、第２のオートエンコーダのための入力として使用され得る。その目標は、実際の注釈プロセスが簡略化されるように、検出された正常でないセルを、同様の正常でない性能メトリックパターンをもつクラスタに自動的にカテゴリー分類することである。この点について、第２のオートエンコーダは、正常でないデータセットの最も関連する特徴を抽出するために使用される。これらの特徴は、トレーニングされたオートエンコーダのボトルネック層６０６から取得され得、しばしば、圧縮された潜在空間表現とも呼ばれる。第２のオートエンコーダは、図６に示されている図によって概略的に表され得るが、ニューロンの値は、第１のオートエンコーダと第２のオートエンコーダとの間で異なることになることが、当業者によって理解されよう。

正常でないデータセットの潜在空間は、異なる正常でないセル性能メトリックパターンを区別するために使用され得る。したがって、ステップ５０４において、異常画像データセットは、ステップ５０２において抽出された特徴に基づいて、クラスタにグループ化される。

そうするために、抽出された潜在空間の次元数を３Ｄ空間に削減するために、次元数削減（ｄｉｍｅｎｓｉｏｎａｌｉｔｙ−ｒｅｄｕｃｔｉｏｎ）技法（たとえば、ｔ分布型確率的近傍埋め込み（ｔ−ＳＮＥ：Ｔ−ｄｉｓｔｒｉｂｕｔｉｏｎ Ｓｔｏｃｈａｓｔｉｃ Ｎｅａｒｅｓｔ Ｅｍｂｅｄｄｉｎｇ））が使用され得る。得られた３Ｄ潜在空間表現は、次いで、たとえば、ｋ平均クラスタリングアルゴリズムによってクラスタリングされ得る。

ステップ５０６において、異なるクラスタは、次いで、適切な記述およびラベル（たとえば、あらかじめ規定されたセル状態のうちの１つ）でデータセットに注釈を付けることができる、ドメイン知識専門家によってサンプリングおよび検査される。各クラスタ中の画像データセットが同様のパターンを呈するとき、クラスタ全体を分類するために、比較的少数の画像データセットが専門家によって実際に検査される必要がある。専門家によって各クラスタ中の画像データセットのうちの１つまたは複数に適用される１つまたは複数のあらかじめ規定されたセル状態が、各クラスタ中の他の画像データセットに自動的に適用され得る。さらに、性能メトリックの画像表現により、人間のためのパターン理解は、パターンを識別するために各個々の性能メトリックの時間傾向表現を分析することが人間にとってはるかに複雑であるので、簡略化される。したがって、提案される方法は、データセットに注釈を付けるために必要とされる複雑さおよび時間労力を削減する。

ステップ２０４において、注釈を付けられた画像データセットは、追加のデータを伴って随意に増補される。このようにして、（注釈を付けられた画像データセットと追加のデータとを含む）トレーニングデータセットは、サイズが増加され、分類器モデルが場合によってはまれなセル状態を分類する正確さを増加させ得る。

画像データセットへの性能メトリックデータの変換は、セル状態分類器モデルの性能（精度および再現率）をさらに改善するためのいくつかのデータ増補技法の適用を容易にする。データ増補を使用することによって、ラベリングされたデータサンプルの数が、さらなる人間のラベリング労力の必要なしに増加される。これは、より少数のサンプルをもつセル状態が、より平衡したトレーニングデータセットを取得するために重要である。セル状態の実際の分布は、通常、平衡でなく、これは、しばしば、モデルが良く学習および一般化するための課題をもたらす。データ増補技法は、モデルが、見えないデータについての予測精度をより良く一般化し、すなわち改善するのを助ける特徴学習を改善するためにも使用され得る。

図７は、データ増補の方法のフローチャートであり、これは、上記で説明されたステップ２０４において利用され得る。本方法は、（図示の実施形態の場合のように、ステップ７００、７０２および７０４の各々において）組み合わせて、または別個に使用され得る３つのデータ増補技法を提示する。

ステップ７００において、ステップ２０２または５０６から出力された注釈を付けられた画像データセットについて、ミラー画像データセットが生成され、そこで、時間方向（たとえば、ｘ軸）が逆転される。これは、パターンの特徴を変更しないが、時間軸上のパターン発生を変動させる。得られたパターン変動は、特徴学習を改善し、データセットを平衡させるのを助ける。

ステップ７０２において、画像が、一般的な特徴学習を改善するために拡大され、したがって、分類器モデルの一般化を向上させる。たとえば、画像データセットは、カーネルとの畳み込みによって拡大され得る。カーネルは、小さい（すなわち、画像データセット自体よりも小さい）行列である。畳み込みニューラルネットワークは、カーネルを入力データと畳み込み、すなわち、カーネルに等しいサイズの入力画像データセットからパッチを取り、パッチ中の値とカーネル行列の値との間で畳み込む。カーネルが小さいほど、より多くの情報が保存される。比較的低い解像度から比較的高い解像度に画像データセットを拡大し、たとえば、３×３のカーネルサイズを使用することによって、パターン形状に関するより多くの情報が分類器モデルによって保存および学習され得る。

画像データセットのすべて（たとえば、元の注釈を付けられた画像データセットおよび／またはステップ７００から出力されたミラー画像データセット）が拡大を受けるか、または画像データセットのサブセットのみが拡大を受け得ることに留意されたい。

ステップ７０４において、機械学習されたモデルを使用して、新しい画像データセットが合成され得る。このステップは、いくつかのセル状態が他のセル状態よりも多くのデータサンプルを有する、データセット不平衡の問題点に対処し得る。

新しい画像データセットは、注釈を付けられた画像データセット（たとえば、元の画像データセット、ミラー画像データセットおよび／または拡大された画像データセット）に基づいて合成され得る。この点について、少数カテゴリーについて追加のデータサンプルを合成するために、敵対的生成ネットワーク（ＧＡＮ：Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ）が利用され得る。

ＧＡＮは、データの任意の密度分布を模倣することを学習することができる。本コンテキストでは、ＧＡＮは、「現実の」画像データセットと区別不可能である特定のセル状態を呈する合成画像データセットを作成することを教示され得る。実際の画像のようなセル負荷トラフィック問題点画像。

ＧＡＮは、２つの構成要素からなる。生成器と呼ばれる、一方のニューラルネットワークは、トレーニングデータセット（たとえば、特定のセル状態についての既存の画像データセット）に基づいて新しいデータインスタンスを生成し、他方のニューラルネットワーク、弁別器は、真正性についてそれらのデータインスタンスを評価し、すなわち、弁別器は、弁別器が検討するデータの各インスタンスが、実際のトレーニングデータセットに属するか否かを決める。したがって、生成器は、元の画像データセットとともに、生成器が弁別器に受け渡す、新しい画像データセットを作成する。生成器の目的は、弁別器が、現実の、真正の画像データセットと区別することができない、合成画像データセットを生成することである。弁別器の目的は、生成器から来る画像を偽として識別することである。弁別器の決定の正当性は、合成画像データセットを検出する弁別器の能力を改善するために、弁別器にフィードバックされ、合成画像データセットを生成する生成器の能力を改善するために、生成器にフィードバックされる。多くの反復の後に、生成器は、元の入力データの分布を学習することが可能であり、分類器モデルの性能を改善するために使用され得る追加の注釈を付けられた画像データセットを合成することができる。

したがって、ＧＡＮは、各セル状態（または特に比較的少数のサンプルがあるセル状態）を呈する画像データセットに基づいて別々にトレーニングされ、同じセル状態を呈する追加の画像データセットを作成するために使用され得る。

ステップ２０４において、データセット（たとえば、複数の注釈を付けられた画像データセット、およびステップ２０２からの潜在的に追加のデータ）は、複数のあらかじめ規定されたセル状態のうちの１つを検出するために分類器モデルをトレーニングするために使用される。この態様に関するさらなる詳細が上記で説明された。

トレーニングされると、分類器モデルは、無線セルラーネットワークの任意のセルにおけるセル状態を検出するために展開および使用され得る。図８は、上記で説明されたようにトレーニングされた分類器モデルを展開および使用するための方法のフローチャートである。本方法は、たとえば、ステップ２０６において使用され得る。

ステップ８００において、ネットワークノードは、ネットワークにおけるセル（たとえば、セル１０４のうちの１つ）についての複数の性能メトリックについての時系列データを取得する。この態様は、上記で説明されたステップ３００と実質的に同様であるが、複数のセルではなくただ１つのセル（すなわち、分類されるべきセル）についてのものである。したがって、時系列データは、クレンジングされ、ステップ８０２において正規化され得る。ステップ８０２は、上記で説明されたステップ３０２と実質的に同様であり得る。正規化された時系列データは、次いで、ステップ８０４において、画像データセットにコンバートされる。ステップ８０４は、上記で説明されたステップ３０４と実質的に同様であり得る。

ステップ８０６において、トレーニングされた分類器モデルは、複数のあらかじめ規定されたセル状態のうちの１つにセルを分類するために、画像データセットに適用される。

ステップ８０６における分類は、人間の監督を受け得る。したがって、特に、分類器モデルが、まれなまたは通常でないセル状態を検出した場合、当業者は、その正確さについて分類を検討し得る。この検討は、フィードバックを（分類が正しかったことを指示するための正であろうと、分類が不正確であったことを指示するための負であろうと）生成し得、分類器モデルは、そのフィードバックを用いて再トレーニングされ得る。ステップ８０８において、随意に、このフィードバックは、分類器モデルを適応させるために、ステップ２０６において機械学習アルゴリズムに提供され、したがって、分類器モデルは、将来、同様の画像データセットをより良く分類することが可能である。

図９は、本開示の実施形態による、ネットワークノード９００の概略図である。ネットワークノード９００は、図２、図３、図５、図７および図８に関して説明された方法など、上記で説明された方法のいずれか１つに記載の方法を実施するように動作可能であり得る。ネットワークノード９００は、無線セルラーネットワークに結合されたまたは無線セルラーネットワークの一部である、任意の好適なコンピューティングデバイスまたは処理デバイスであり得る。たとえば、ネットワークノード９００は、図１に関して上記で説明されたサーバまたはネットワークノード１２２において具現され得る。

ネットワークノード９００は、処理回路９０２（たとえば、１つまたは複数のプロセッサ）、非一時的機械可読媒体９０４、および、随意に、１つまたは複数のインターフェース９０６を備える。図示の実施形態では、これらの構成要素は、線形に互いに接続され、処理回路９０２は、媒体９０４およびインターフェース９０６に直接結合される。他の実施形態では、構成要素は、１つまたは複数のシステムバスを介してなど、間接的におよび／または非線形に互いに結合され得る。インターフェース９０６は、他のノードまたは機器からのデータ信号を送信および／または受信するためのハードウェアおよび／またはソフトウェアを備え得る。たとえば、インターフェース９０６は、光信号を送信および受信するための光送信機および光受信機、無線信号を送信および受信するための無線送信機および無線受信機（または無線トランシーバ）、ならびに電子信号を送信および受信するための電子インターフェースのうちの１つまたは複数を備え得る。

一実施形態では、非一時的機械可読媒体９０４は、処理回路９０２によって実行されたとき、処理回路に、無線セルラーネットワークの複数のセルの各セルについて、複数の性能メトリックについての時系列データを取得することと、複数のセルの各セルについて、時系列データをそれぞれの画像データセットにコンバートすることと、画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類することと、画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類するための分類器モデルを生成するために、分類された画像データセットを含むトレーニングデータに機械学習アルゴリズムを適用することとを行わせる命令を記憶する。

別の実施形態では、非一時的機械可読媒体９０４は、処理回路９０２によって実行されたとき、処理回路に、無線セルラーネットワークのセルについて、複数の性能メトリックについての時系列データを取得することと、時系列データを画像データセットにコンバートすることと、画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類するために、機械学習された分類器モデルを画像データセットに適用することとを行わせる命令を記憶する。

図１０は、本開示のさらなる実施形態による、ネットワークノード１０００の概略図である。ネットワークノード１０００は、図２、図３、図５および図７に関して説明された方法など、上記で説明された方法のいずれか１つに記載の方法を実施するように動作可能であり得る。ネットワークノード１０００は、無線セルラーネットワークに結合されたまたは無線セルラーネットワークの一部である、任意の好適なコンピューティングデバイスまたは処理デバイスであり得る。たとえば、ネットワークノード１０００は、図１に関して上記で説明されたサーバまたはネットワークノード１２２において具現され得る。

ネットワークノード１０００は、取得モジュール１００２と、画像コンバージョンモジュール１００４と、分類モジュール１００６と、トレーニングモジュール１００８とを備える。一実施形態では、取得モジュール１００２は、無線セルラーネットワークの複数のセルの各セルについて、複数の性能メトリックについての時系列データを取得するように設定される。画像コンバージョンモジュール１００４は、複数のセルの各セルについて、時系列データをそれぞれの画像データセットにコンバートするように設定される。分類モジュール１００６は、画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類するかまたは画像データセットに注釈を付けるように設定される。トレーニングモジュール１００８は、画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類するための分類器モデルを生成するために、分類されたまたは注釈を付けられた画像データセットを含むトレーニングデータに機械学習アルゴリズムを適用するように設定される。

図１１は、本開示のまたさらなる実施形態による、ネットワークノード１１００の概略図である。ネットワークノード１１００は、図２および図８に関して説明された方法など、上記で説明された方法のいずれか１つに記載の方法を実施するように動作可能であり得る。ネットワークノード１１００は、無線セルラーネットワークに結合されたまたは無線セルラーネットワークの一部である、任意の好適なコンピューティングデバイスまたは処理デバイスであり得る。たとえば、ネットワークノード１１００は、図１に関して上記で説明されたサーバまたはネットワークノード１２２において具現され得る。

ネットワークノード１１００は、取得モジュール１１０２と、画像コンバージョンモジュール１１０４と、分類モジュール１１０６とを備える。一実施形態では、取得モジュール１１０２は、無線セルラーネットワークのセルについて、複数の性能メトリックについての時系列データを取得するように設定される。画像コンバージョンモジュール１１０４は、時系列データを画像データセットにコンバートするように設定される。分類モジュール１１０６は、画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類するために、機械学習された分類器モデルを画像データセットに適用するように設定される。

一実施形態では、図１０および図１１に関して上記で説明されたモジュールは、純粋にソフトウェアで実装される。別の実施形態では、図１０および図１１に関して上記で説明されたモジュールは、純粋にハードウェアで実装される。さらなる実施形態では、図１０および図１１に関して上記で説明されたモジュールは、ソフトウェアとハードウェアの組合せで実装される。

したがって、本開示の実施形態は、無線セルラーネットワークにおけるセル状態を検出するために、分類器モデルをトレーニングおよび利用するための方法、装置およびコンピュータ可読媒体を提供する。

性能メトリックを画像データにコンバートすることによって、現在の技法の限界、すなわち、時間ウィンドウにわたる限られた数の変数（性能メトリック）、ネットワーク環境に動的に適応することができないこと、システムの上限および下限しきい値の必須の事前知識が対処される。分類器モデルは、高次元空間（深層画像表現）から学習するので、分類器モデルは、良く一般化することができ、時間ウィンドウ内の変数（性能メトリック）の任意の組合せが考慮される。したがって、トラフィック負荷分布または傾向の変化が容易に検出および分類され得る。動作しきい値、またはドメイン専門家が設計したしきい値に基づいて、知られている異常履歴から学習する必要なしに、提案される技法は、一般的な特徴を学習することと、データセット全体を一般化し、再生された入力値を元の入力値と比較する、数学的モデルを作成することとが可能である。

Claims (35)

1. 無線セルラーネットワーク（１００）におけるセル状態を検出するために分類器モデルをトレーニングする方法であって、前記方法が、
   前記無線セルラーネットワークの複数のセル（１０４）の各セルについて、複数の性能メトリックについての時系列データを取得すること（３００）と、
   前記複数のセルの各セルについて、前記時系列データをそれぞれの画像データセットにコンバートすること（３０４）と、
   前記画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類すること（２０２）と、
   画像データセットを前記複数のあらかじめ規定されたセル状態のうちの１つに分類するための分類器モデルを生成するために、前記分類された画像データセットを含むトレーニングデータに機械学習アルゴリズムを適用すること（２０６）と
   を含む、方法。
2. 前記画像データセットを前記複数のあらかじめ規定されたセル状態のうちの１つに分類することは、
   異常画像データセットを検出するために、第１のオートエンコーダを使用して前記画像データセットを分析すること（５００）であって、前記異常画像データセットが、セル異常を示す画像データセットである、前記画像データセットを分析すること（５００）と、
   前記異常画像データセットを区別する特徴を抽出するために、第２のオートエンコーダを使用して、前記異常画像データセットを分析すること（５０２）と、
   前記抽出された特徴に基づいて、前記異常画像データセットを複数のクラスタにグループ化すること（５０４）であって、クラスタ内の各画像データセットが、前記複数のあらかじめ規定されたセル状態のうちの１つまたは複数の特定のセル状態を示す、前記異常画像データセットを複数のクラスタにグループ化すること（５０４）と
   を含む、請求項１に記載の方法。
3. 前記第１のオートエンコーダが、ニューロンの第１の複数の層（６０２、６０４、６０６、６０８、６１０）を備え、前記第１の複数の層が、前記画像データセットを第１のボトルネック層（６０６）における複数の特徴に符号化するための層の第１のサブセット（６１２）と、前記画像データセットを再作成するために、前記第１のボトルネック層（６０６）における前記特徴を復号するための層の第２のサブセット（６１４）とを備え、前記第１のオートエンコーダを使用して前記画像データセットを分析することが、
   前記画像データセットを、前記再作成された画像データセットと比較することと、前記比較に基づいて異常画像データセットを識別することと
   を含む、請求項２に記載の方法。
4. 前記第２のオートエンコーダが、ニューロンの第２の複数の層（６０２、６０４、６０６、６０８、６１０）を備え、前記第２の複数の層が、前記異常画像データセットを第２のボトルネック層（６０６）における複数の特徴に符号化するための層の第３のサブセット（６１２）と、前記異常画像データセットを再作成するために、前記第２のボトルネック層（６０６）における前記特徴を復号するための層の第４のサブセット（６１４）とを備え、前記第２のオートエンコーダを使用して前記異常画像データセットを分析することが、
   前記異常画像データセットを区別する前記特徴として前記第２のボトルネック層における前記複数の特徴を抽出すること
   を含む、請求項２または３に記載の方法。
5. 前記異常画像データセットを前記複数のクラスタにグループ化することが、
   前記複数の抽出された特徴の次元数を３次元空間に削減すること
   を含む、請求項２から４のいずれか一項に記載の方法。
6. 各画像データセットが、時間を表す第１の次元と、前記性能メトリックを表す第２の次元とを含み、各ピクセルが、特定の時刻における前記性能メトリックについての値を含む、請求項１から５のいずれか一項に記載の方法。
7. 各セルについての前記時系列データが、複数の時間ウィンドウに区分され、前記時系列データが、各時間ウィンドウについて、前記複数のセルの各セルについてそれぞれの画像データセットにコンバートされる、請求項１から６のいずれか一項に記載の方法。
8. 各性能メトリックについての前記時系列データが、ユニバーサル最小値とユニバーサル最大値との間に正規化される、請求項１から７のいずれか一項に記載の方法。
9. 前記トレーニングデータが、前記分類された画像データセットと、１つまたは複数の合成された画像データセットとを含む、請求項１から８のいずれか一項に記載の方法。
10. 前記１つまたは複数の合成された画像データセットは、以下の技法、
    前記時系列データの時間方向が逆転される（７００）、
    前記画像データが、カーネルとの前記画像データセットの畳み込みによって拡大される（７０２）、および
    前記画像データセットに基づいてトレーニングされた機械学習されたモデルによる合成（７０４）
    のうちの１つまたは複数が適用された画像データセットを備える、請求項９に記載の方法。
11. 前記機械学習アルゴリズムがニューラルネットワークである、請求項１から１０のいずれか一項に記載の方法。
12. 無線セルラーネットワーク（１００）におけるセル状態を検出する方法であって、前記方法が、
    前記無線セルラーネットワークのセル（１０４）について、複数の性能メトリックについての時系列データを取得すること（８００）と、
    前記時系列データを画像データセットにコンバートすること（８０４）と、
    前記画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類するために、機械学習された分類器モデルを前記画像データセットに適用すること（８０６）と
    を含む、方法。
13. 前記画像データセットが、時間を表す第１の次元と、前記性能メトリックを表す第２の次元とを含み、各ピクセルが、特定の時刻における前記性能メトリックについての値を含む、請求項１２に記載の方法。
14. 各セルについての前記時系列データが、複数の時間ウィンドウに区分され、前記時系列データが、各時間ウィンドウについて、それぞれの画像データセットにコンバートされる、請求項１２または１３に記載の方法。
15. 各性能メトリックについての前記時系列データが、ユニバーサル最小値とユニバーサル最大値との間に正規化される（８０２）、請求項１２から１４のいずれか一項に記載の方法。
16. 前記方法が、前記無線セルラーネットワークのノード（１２２、９００、１０００、１１００）において実装される、請求項１２から１５のいずれか一項に記載の方法。
17. 請求項１から１６のいずれか一項に記載の方法を実施するように設定されたコンピューティングデバイス（１２２、９００、１０００、１１００）。
18. 無線セルラーネットワーク（１００）におけるセル状態を検出するために分類器モデルをトレーニングするためのコンピューティングデバイス（９００）であって、前記コンピューティングデバイスが、処理回路（９０２）と非一時的機械可読媒体（９０４）とを備え、前記非一時的機械可読媒体（９０４）が、前記処理回路によって実行されたとき、前記コンピューティングデバイス（９００）に、
    前記無線セルラーネットワークの複数のセルの各セルについて、複数の性能メトリックについての時系列データを取得すること（３００）と、
    前記複数のセルの各セルについて、前記時系列データをそれぞれの画像データセットにコンバートすること（３０４）と、
    前記画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類すること（２０２）と、
    画像データセットを前記複数のあらかじめ規定されたセル状態のうちの１つに分類するための分類器モデルを生成するために、前記分類された画像データセットを含むトレーニングデータに機械学習アルゴリズムを適用すること（２０６）と
    を行わせる命令を記憶する、コンピューティングデバイス（９００）。
19. 前記コンピューティングデバイスは、
    異常画像データセットを検出するために、第１のオートエンコーダを使用して前記画像データセットを分析すること（５００）であって、前記異常画像データセットが、セル異常を示す画像データセットである、前記画像データセットを分析すること（５００）と、
    前記異常画像データセットを区別する特徴を抽出するために、第２のオートエンコーダを使用して、前記異常画像データセットを分析すること（５０２）と、
    前記抽出された特徴に基づいて、前記異常画像データセットを複数のクラスタにグループ化すること（５０４）であって、クラスタ内の各画像データセットが、前記複数のあらかじめ規定されたセル状態のうちの１つまたは複数の特定のセル状態を示す、前記異常画像データセットを複数のクラスタにグループ化すること（５０４）と
    によって、前記画像データセットを前記複数のあらかじめ規定されたセル状態のうちの１つに分類することを引き起こされる、請求項１８に記載のコンピューティングデバイス。
20. 前記第１のオートエンコーダが、ニューロンの第１の複数の層（６０２、６０４、６０６、６０８、６１０）を備え、前記第１の複数の層が、前記画像データセットを第１のボトルネック層（６０６）における複数の特徴に符号化するための層の第１のサブセット（６１２）と、前記画像データセットを再作成するために、前記第１のボトルネック層（６０６）における前記特徴を復号するための層の第２のサブセット（６１４）とを備え、前記コンピューティングデバイスが、
    前記画像データセットを、前記再作成された画像データセットと比較することと、前記比較に基づいて異常画像データセットを識別することと
    によって、前記第１のオートエンコーダを使用して前記画像データセットを分析することを引き起こされる、請求項１９に記載のコンピューティングデバイス。
21. 前記第２のオートエンコーダが、ニューロンの第２の複数の層（６０２、６０４、６０６、６０８、６１０）を備え、前記第２の複数の層が、前記異常画像データセットを第２のボトルネック層（６０６）における複数の特徴に符号化するための層の第３のサブセット（６１２）と、前記異常画像データセットを再作成するために、前記第２のボトルネック層（６０６）における前記特徴を復号するための層の第４のサブセット（６１４）とを備え、前記コンピューティングデバイスが、
    前記異常画像データセットを区別する前記特徴として前記第２のボトルネック層における前記複数の特徴を抽出すること
    によって、前記第２のオートエンコーダを使用して前記異常画像データセットを分析することを引き起こされる、請求項１９または２０に記載のコンピューティングデバイス。
22. 前記コンピューティングデバイスが、
    前記複数の抽出された特徴の次元数を３次元空間に削減すること
    によって、前記異常画像データセットを前記複数のクラスタにグループ化することを引き起こされる、請求項１９から２１のいずれか一項に記載のコンピューティングデバイス。
23. 各画像データセットが、時間を表す第１の次元と、前記性能メトリックを表す第２の次元とを含み、各ピクセルが、特定の時刻における前記性能メトリックについての値を含む、請求項１８から２２のいずれか一項に記載のコンピューティングデバイス。
24. 各セルについての前記時系列データが、複数の時間ウィンドウに区分され、前記時系列データが、各時間ウィンドウについて、前記複数のセルの各セルについてそれぞれの画像データセットにコンバートされる、請求項１８から２３のいずれか一項に記載のコンピューティングデバイス。
25. 各性能メトリックについての前記時系列データが、ユニバーサル最小値とユニバーサル最大値との間に正規化される（３０２）、請求項１８から２４のいずれか一項に記載のコンピューティングデバイス。
26. 前記トレーニングデータが、前記分類された画像データセットと、１つまたは複数の合成された画像データセットとを含む、請求項１８から２５のいずれか一項に記載のコンピューティングデバイス。
27. 前記１つまたは複数の合成された画像データセットは、以下の技法、
    前記時系列データの時間方向が逆転される（７００）、
    前記画像データが、カーネルとの前記画像データセットの畳み込みによって拡大される（７０２）、および
    前記画像データセットに基づいてトレーニングされた機械学習されたモデルによる合成（７０４）
    のうちの１つまたは複数が適用された画像データセットを備える、請求項２６に記載のコンピューティングデバイス。
28. 前記機械学習アルゴリズムがニューラルネットワークである、請求項１８から２７のいずれか一項に記載のコンピューティングデバイス。
29. 無線セルラーネットワーク（１００）におけるセル状態を検出するためのコンピューティングデバイス（９００）であって、前記コンピューティングデバイスが、処理回路（９０２）と非一時的機械可読媒体（９０４）とを備え、前記非一時的機械可読媒体（９０４）が、前記処理回路によって実行されたとき、前記コンピューティングデバイスに、
    前記無線セルラーネットワークのセル（１０４）について、複数の性能メトリックについての時系列データを取得すること（８００）と、
    前記時系列データを画像データセットにコンバートすること（８０４）と、
    前記画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類するために、機械学習された分類器モデルを前記画像データセットに適用すること（８０６）と
    を行わせる命令を記憶する、コンピューティングデバイス（９００）。
30. 前記画像データセットが、時間を表す第１の次元と、前記性能メトリックを表す第２の次元とを含み、各ピクセルが、特定の時刻における前記性能メトリックについての値を含む、請求項２９に記載のコンピューティングデバイス。
31. 各セルについての前記時系列データが、複数の時間ウィンドウに区分され、前記時系列データが、各時間ウィンドウについて、それぞれの画像データセットにコンバートされる、請求項２９または３０に記載のコンピューティングデバイス。
32. 各性能メトリックについての前記時系列データが、ユニバーサル最小値とユニバーサル最大値との間に正規化される、請求項２９から３１のいずれか一項に記載のコンピューティングデバイス。
33. 前記コンピューティングデバイスが、前記無線セルラーネットワークのノードにおいて実装される、請求項２９から３２のいずれか一項に記載のコンピューティングデバイス。
34. コンピューティングデバイスの処理回路によって実行されたとき、前記コンピューティングデバイスに、
    無線セルラーネットワークの複数のセルの各セルについて、複数の性能メトリックについての時系列データを取得することと、
    前記複数のセルの各セルについて、前記時系列データをそれぞれの画像データセットにコンバートすることと、
    前記画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類することと、
    画像データセットを前記複数のあらかじめ規定されたセル状態のうちの１つに分類するための分類器モデルを生成するために、前記分類された画像データセットを含むトレーニングデータに機械学習アルゴリズムを適用することと
    を行わせる命令を記憶する非一時的コンピュータ可読媒体。
35. コンピューティングデバイスの処理回路によって実行されたとき、前記コンピューティングデバイスに、
    前記無線セルラーネットワークのセルについて、複数の性能メトリックについての時系列データを取得することと、
    前記時系列データを画像データセットにコンバートすることと、
    前記画像データセットを複数のあらかじめ規定されたセル状態のうちの１つに分類するために、機械学習された分類器モデルを前記画像データセットに適用することと
    を行わせる命令を記憶する非一時的コンピュータ可読媒体。

Images