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
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 Download PDFInfo
- Publication number
- JP2021525933A JP2021525933A JP2020568304A JP2020568304A JP2021525933A JP 2021525933 A JP2021525933 A JP 2021525933A JP 2020568304 A JP2020568304 A JP 2020568304A JP 2020568304 A JP2020568304 A JP 2020568304A JP 2021525933 A JP2021525933 A JP 2021525933A
- Authority
- JP
- Japan
- Prior art keywords
- image
- image dataset
- cell
- computing device
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 230000001413 cellular effect Effects 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 210000004027 cell Anatomy 0.000 claims description 203
- 230000002547 anomalous effect Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 26
- 210000002569 neuron Anatomy 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000001052 transient effect Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 abstract description 5
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000013434 data augmentation Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 239000002131 composite material Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 241000282412 Homo Species 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001771 impaired effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000003719 b-lymphocyte Anatomy 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 229920000747 poly(lactic acid) Polymers 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
Description
− 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
di,j=[di,0,j di,1,j ・・・ di,K−1,j di,K,j]
ここで、ei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、αi,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。
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。
− 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。
αi,j=[αi,0,j αi,1,j ・・・ αi,K−1,j αi,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Xj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Xj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。
Claims (35)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。
- 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。
- 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。
- 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。
- 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。 - 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。
- 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。 - 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。
- 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。
- 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。
- 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。
- 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)。
- 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)。 - 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。 - 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。 - 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。 - 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。 - 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。
- 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。
- 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。
- 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。
- 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。 - 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。
- 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)。 - 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。
- 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。
- 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。
- 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。
- 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。 - 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。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18382407 | 2018-06-08 | ||
EP18382407.7 | 2018-06-08 | ||
PCT/EP2019/053543 WO2019233635A1 (en) | 2018-06-08 | 2019-02-13 | Methods, apparatus and computer-readable mediums relating to detection of cell conditions in a wireless cellular network |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2021525933A true JP2021525933A (ja) | 2021-09-27 |
JPWO2019233635A5 JPWO2019233635A5 (ja) | 2022-01-21 |
JP7301888B2 JP7301888B2 (ja) | 2023-07-03 |
Family
ID=62750907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020568304A Active JP7301888B2 (ja) | 2018-06-08 | 2019-02-13 | 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 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210241441A1 (ja) |
EP (1) | EP3803694B1 (ja) |
JP (1) | JP7301888B2 (ja) |
CN (1) | CN112513882A (ja) |
ES (1) | ES2951477T3 (ja) |
WO (1) | WO2019233635A1 (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052308B (zh) * | 2019-12-26 | 2024-05-03 | 中国移动通信集团北京有限公司 | 训练目标小区识别模型的方法及目标小区识别方法 |
JP7452055B2 (ja) | 2020-02-10 | 2024-03-19 | 株式会社タダノ | ウインチドラム乱巻検出装置 |
CN111595237B (zh) * | 2020-05-13 | 2022-05-20 | 广西大学 | 一种基于机器视觉的织物尺寸测量分布式系统及方法 |
EP4238343A1 (en) | 2020-10-30 | 2023-09-06 | Telefonaktiebolaget LM Ericsson (publ) | Cell similarity indicator based on coverage area morphology |
US20240171452A1 (en) | 2021-03-02 | 2024-05-23 | Telefonaktiebolaget Lm Ericsson (Publ) | Automated root cause analysis of network issues in a cellular network using machine learning |
CN114513367B (zh) * | 2021-12-10 | 2023-02-10 | 西安电子科技大学 | 基于图神经网络的蜂窝网络异常检测方法 |
WO2023123291A1 (zh) * | 2021-12-30 | 2023-07-06 | 深圳华大生命科学研究院 | 时间序列信号识别方法、装置与计算机可读存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011091678A (ja) * | 2009-10-23 | 2011-05-06 | Ntt Docomo Inc | 故障検出装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2434225A (en) * | 2006-01-13 | 2007-07-18 | Cytokinetics Inc | Random forest modelling of cellular phenotypes |
US9432521B1 (en) * | 2014-12-22 | 2016-08-30 | Amazon Technologies, Inc. | Systems, methods, and computer-readable media for determining excessive use of a cellular network |
US9872188B2 (en) * | 2015-07-28 | 2018-01-16 | Futurewei Technologies, Inc. | Adaptive filtering based network anomaly detection |
CN106650709A (zh) * | 2017-01-22 | 2017-05-10 | 深圳市唯特视科技有限公司 | 一种基于传感器数据的深度学习脚步检测方法 |
CN107370617A (zh) * | 2017-03-10 | 2017-11-21 | 南京航空航天大学 | 基于svm的蜂窝网络故障诊断系统 |
-
2019
- 2019-02-13 US US16/972,755 patent/US20210241441A1/en active Pending
- 2019-02-13 CN CN201980052787.7A patent/CN112513882A/zh active Pending
- 2019-02-13 WO PCT/EP2019/053543 patent/WO2019233635A1/en unknown
- 2019-02-13 EP EP19704621.2A patent/EP3803694B1/en active Active
- 2019-02-13 JP JP2020568304A patent/JP7301888B2/ja active Active
- 2019-02-13 ES ES19704621T patent/ES2951477T3/es active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011091678A (ja) * | 2009-10-23 | 2011-05-06 | Ntt Docomo Inc | 故障検出装置 |
Non-Patent Citations (2)
Title |
---|
GABRIELA F. CIOCARLIE, ET AL.: "Detecting Anomalies in Cellular Networks Using an Ensemble Method", PROCEEDINGS OF THE 9TH INTERNATIONAL CONFERENCE ON NETWORK AND SERVICE MANAGEMENT (CNSM 2013), JPN6022053285, 18 October 2013 (2013-10-18), ISSN: 0004947858 * |
NIMA HATAMI, ET AL.: "Classification of Time-Series Images Using Deep Convolutional Neural Networks", [ONLINE], JPN6022053284, 7 October 2017 (2017-10-07), ISSN: 0004947859 * |
Also Published As
Publication number | Publication date |
---|---|
WO2019233635A1 (en) | 2019-12-12 |
ES2951477T3 (es) | 2023-10-23 |
EP3803694B1 (en) | 2023-06-28 |
JP7301888B2 (ja) | 2023-07-03 |
EP3803694A1 (en) | 2021-04-14 |
CN112513882A (zh) | 2021-03-16 |
US20210241441A1 (en) | 2021-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7301888B2 (ja) | 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 | |
Mulvey et al. | Cell fault management using machine learning techniques | |
EP4204841A2 (en) | Unsupervised learning for simultaneous localization and mapping in deep neural networks using channel state information | |
Saija et al. | A machine learning approach for SNR prediction in 5G systems | |
US20220286215A1 (en) | Neural network-based spatial inter-cell interference learning | |
CN115905450B (zh) | 一种基于无人机监控的水质异常溯源方法及系统 | |
US20220167183A1 (en) | Detecting interference in a wireless network | |
US11929853B2 (en) | Data-driven probabilistic modeling of wireless channels using conditional variational auto-encoders | |
US11558262B2 (en) | Method and an apparatus for fault prediction in network management | |
Bakri et al. | Channel stability prediction to optimize signaling overhead in 5G networks using machine learning | |
US20220269904A1 (en) | Network status classification | |
EP3997901B1 (en) | Life cycle management | |
US20220405602A1 (en) | Channel feature extraction via model-based neural networks | |
Aoki et al. | Few-shot learning and self-training for eNodeb log analysis for service-level assurance in LTE networks | |
WO2023070486A1 (en) | Channel state feedback for reduced resource consumption reference signals | |
KR102444841B1 (ko) | 인공 지능 기반 이동 통신망 품질 불량 원인 추론 시스템 | |
KR102516198B1 (ko) | 인공신경망을 이용한 비전 검사를 위한 장치 및 이를 위한 방법 | |
Pavan et al. | Machine Learning based Prediction for Channel Stability in a 5G Network | |
KR20240099148A (ko) | 감소된 리소스 소비 기준 신호들에 대한 채널 상태 피드백 | |
US20230004763A1 (en) | Radio frequency environment awareness with explainable results | |
Serghini et al. | 1-D Convolutional Neural Network-Based Models for Cooperative Spectrum Sensing | |
WO2023076047A1 (en) | Bottleneck band-based channel state estimation | |
WO2023009249A1 (en) | Signaling for additional training of neural networks for multiple channel conditions | |
WO2023247019A1 (en) | Bi-directional learning for performance prediction | |
CN117014918A (zh) | 基于联邦学习的流量预测方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220113 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220113 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221220 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230320 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230508 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230523 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230621 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7301888 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |