JP2023543936A - 無線品質推定方法、装置、システム及びプログラム - Google Patents

無線品質推定方法、装置、システム及びプログラム Download PDF

Info

Publication number
JP2023543936A
JP2023543936A JP2023520542A JP2023520542A JP2023543936A JP 2023543936 A JP2023543936 A JP 2023543936A JP 2023520542 A JP2023520542 A JP 2023520542A JP 2023520542 A JP2023520542 A JP 2023520542A JP 2023543936 A JP2023543936 A JP 2023543936A
Authority
JP
Japan
Prior art keywords
information
weather
observation point
wireless
base station
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.)
Pending
Application number
JP2023520542A
Other languages
English (en)
Inventor
ディーラッジ コタギリー
亜南 沢辺
孝法 岩井
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Publication of JP2023543936A publication Critical patent/JP2023543936A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools

Abstract

本開示の目的は、無線品質をより正確に推定することができる方法を提供することにある。方法は、第１の観測地点における第１の気象情報及び第１の地理情報と、第２の観測地点における第２の気象情報及び第２の地理情報と、無線基地局における無線品質の情報を取得し（ステップＳ１１）、前記第１の気象情報と前記第１の地理情報、前記第２の気象情報と前記第２の地理情報、及び前記無線品質の情報に基づいて、無線品質を推定するモデルを学習し（ステップＳ１２）、前記第１の観測地点における第３の気象情報と、前記第２の観測地点における第４の気象情報との少なくとも１つと、前記モデルとを用いて、前記無線品質を推定する（ステップＳ１３）ことを含む。【選択図】図２

Description

本開示は無線品質推定方法、装置及びシステムに関する。
５Ｇの出現により、 ミリ波帯域は無線通信にますます使用されている。特に、ミリ波帯域はバックホールリンクによく使用される。これらのバックホールリンクは高い信頼性を必要とし、通常、９９．９９９％を超える正確さでデータを送信する必要がある。したがって、小さな障害であっても、その運用にとっては危機的となる。
しかしながら、ミリ波帯域で動作する無線リンクは、雨、雪、湿度、風などの気象条件に影響を受けやすい。
この問題に関して、ＮＰＬ１は、気象変動に対して無線チャネル品質を制御する無線通信制御方法を開示している。具体的には、無線通信制御装置（１００）は、他の無線通信機（１１）から無線通信機（１０）への電波強度の減衰の履歴から将来の減衰を予測する減衰予測部（１０３）と、予測された減衰に基づいて無線通信機（１０）を制御する制御部（１０４）とを備える。現在までの時系列減衰量から将来の減衰量が推定されるので、大きな気象変化による電波強度の減衰が生じる前に、無線通信機の無線通信パラメータを予め制御することができる。
国際公開第２０１５／１６２８７８号
上記の問題を解決する一例として、観測所で測定された気象情報を用いて電波状態を予測する方法が考えられる。しかしながら、気象情報は、例えば、観測局から無線基地局までの距離や、観測局から無線基地局までの地形といった地理的な理由により、無線品質を推定するために直接使用されない場合がある。ＮＰＬ１に開示された方法は、この問題に焦点を当てていない。
本開示の目的は、無線品質をより正確に推定することができる無線品質推定方法、装置及びシステムを提供することにある。
第１の例示側面において、方法は、
第１の観測地点における第１の気象情報及び第１の地理情報と、第２の観測地点における第２の気象情報及び第２の地理情報と、無線基地局における無線品質の情報を取得し、
前記第１の気象情報と前記第１の地理情報、前記第２の気象情報と前記第２の地理情報、及び前記無線品質の情報に基づいて、無線品質を推定するモデルを学習し、
前記第１の観測地点における第３の気象情報と、前記第２の観測地点における第４の気象情報との少なくとも１つと、前記モデルとを用いて、前記無線品質を推定することを備える。
第２の例示側面において、装置は、
第１の観測地点における第１の気象情報及び第１の地理情報と、第２の観測地点における第２の気象情報及び第２の地理情報と、無線基地局における無線品質の情報を取得する取得手段と、
前記取得手段によって取得された前記第１の気象情報と前記第１の地理情報、前記第２の気象情報と前記第２の地理情報、及び前記無線品質の情報に基づいて、無線品質を推定するモデルを学習する学習手段と、
前記第１の観測地点における第３の気象情報と、前記第２の観測地点における第４の気象情報との少なくとも１つと、前記モデルとを用いて、前記無線品質を推定する推定手段と、を備える。
第３の例示側面において、システムは、
無線基地局と、
装置と、を備え、
前記装置は、
第１の観測地点における第１の気象情報及び第１の地理情報と、第２の観測地点における第２の気象情報及び第２の地理情報と、前記無線基地局における無線品質の情報を取得する取得手段と、
前記取得手段によって取得された前記第１の気象情報と前記第１の地理情報、前記第２の気象情報と前記第２の地理情報、及び前記無線品質の情報に基づいて、無線品質を推定するモデルを学習する学習手段と、
前記第１の観測地点における第３の気象情報と、前記第２の観測地点における第４の気象情報との少なくとも１つと、前記モデルとを用いて、前記無線品質を推定する推定手段と、を有する。
本開示により、無線品質をより正確に推定することができる無線品質推定方法、装置及びシステムを提供することができる。
図１は、実施の形態１にかかる装置のブロック図である。 図２は、実施の形態１にかかる無線品質を推定する方法を示すフローチャートである。 図３は、実施の形態２において示される無線リンクステーションの位置を示すマップＭである。 図４は、実施の形態２にかかる装置のブロック図を示す。 図５は、実施の形態２にかかる処理を示す模式図である。 図６は、グラフ生成部２３が生成したグラフを示す。 図７は、グラフ生成部２３が生成したグラフを示す。 図８は、実施の形態２にかかる装置のブロック図を示す。 図９は、実施の形態にかかる情報処理装置の構成図である。
実施の形態１
以下、図面を参照して本開示の実施の形態１について説明する。図１を参照すると、装置１０は、取得部１１と、学習部１２と、推定部１３とを含む。装置１０は、無線基地局における無線品質を推定するために設置される。
取得部１１は、第１観測地点における第１の気象情報及び第１の地理情報と、第２観測地点における第２の気象情報及び第２の地理情報と、無線基地局における無線品質の情報とを取得する。取得部１１は、例えば、メモリおよび／またはネットワークインタフェースを含む。例えば、観測所又は観測機器が第１観測地点に配置され、観測所又は観測機器によって観測され、ネットワークに出力された第１の気象情報を、取得部１１のネットワークインタフェースが取得しても良い。取得部１１は、同様にして、第２の気象情報を取得しても良い。しかしながら、気象情報は、観測地点に配置された観測所又は観測機器ではなく、人工衛星等、観測地点と離れた場所に設けられた観測機器によって観測されたものであっても良い。その他の場合、観測された気象情報をデータベース化して取得部１１のメモリに格納することもできる。
第１の気象情報は、第１観測地点において観測された、又は第１観測地点において将来に向けて予測された気象情報である。第２の気象情報は、第２観測地点において観測された、又は第２観測地点において将来に向けて予測された気象情報である。気象情報は、無線品質を変化し得る情報であり、晴れ、雨等の空の状態、気温、湿度、気圧、降水量、風速及び風向きといった情報の少なくとも１つが含まれる。
第１の地理情報は、例えば、第１の観測地点の地形情報、無線基地局と第１の観測地点との相対位置に関する情報の少なくとも１つを含んでいても良い。第２の地理情報は、例えば、第２の観測地点の地形情報、無線基地局と第２の観測地点との相対位置に関する情報の少なくとも１つを含んでいても良い。地形情報は、観測地点の場所の特性を示すものであり、平原、森林、農地、砂漠、山間部、空閑地、都市、工業地帯といったものが挙げられる。相対位置に関する情報は、例えば、地図上における無線基地局と第１又は第２の観測地点との位置情報から取得できる。位置情報は、例えば、緯度、経度、高度の少なくとも１つを用いて表すことができる。これらの要素は、気象変化に与える影響が大きいため、気象に基づいた無線品質の推定に大きな影響を与える。したがって、本開示では、第１の地理情報、第２の地理情報を、モデルの生成に用いる。
学習部１２は、取得手段により取得された第１の気象情報及び第１の地理情報と、第２の気象情報及び第２の地理情報と、無線品質の情報とに基づいて、無線品質を推定するためのモデルを学習するように構成されている。例えば、学習部１２は、所定のアルゴリズムに基づいて教師あり学習を行い、ＡＩ（人工知能）モデルを構築してもよい。ただし、学習部１２は、他の学習方法によってモデルを生成してもよい。
推定部１３は、モデルと、第１観測地点における第３の気象情報及び第２観測地点における第４の気象情報の少なくとも１つとを用いて無線品質を推定する。第３の気象情報は、第１観測地点において観測された、又は第１観測地点において将来に向けて予測された気象情報である。第４の気象情報は、第２観測地点において観測された、又は第２観測地点において将来に向けて予測された気象情報である。
例えば、推定部１３は、第１観測地点における第３の気象情報と、第２観測地点における第４の気象情報の両方を利用することができる。しかしながら、例えば、モデルにおいて、第１観測地点の気象情報の電波品質への寄与が小さい場合には、推定部１３は、第１観測地点の第３の気象情報を用いることなく、第２観測地点の第４の気象情報を用いることができる。逆に、モデルにおいて、第２観測地点の気象情報の無線品質への寄与が小さい場合、推定部１３は、第２観測地点の第４の気象情報を用いることなく、第１観測地点の第３の気象情報を用いることができる。そのような場合の具体的な例は次の通りである：第１／第２観測地点の気象情報の寄与が、第２／第１観測地点の気象情報の寄与の所定比率未満である場合、又は、第１／第２観測地点の気象情報の寄与が所定値未満である場合である。
図２は、実施の形態１に係る装置１０が実行する処理の一例を示すフローチャートである。以下、装置１０により実行される処理を説明する。
まず、取得部１１は、過去に観測されたデータとして、第１の観測地点における第１の気象情報及び第１の地理情報と、第２の観測地点における第２の気象情報及び第２の地理情報と、無線基地局における無線品質の情報を、学習用のデータとして取得する（ステップＳ１１）。
次に、学習部１２は、取得した情報に基づいて、無線品質を推定するためのモデルを学習する（ステップＳ１２）。この例では、モデルは、例えば所定の値（例えば気象情報）を入力することにより、推定された無線品質を示す出力値を出力する。また、このモデルの生成には、観測地点の地理情報が考慮されていることに留意されたい。
そして、推定部１３は、モデルに、第１観測地点における第３の気象情報及び第２観測地点における第４の気象情報の少なくとも１つを入力することで、無線品質を推定するための出力値を得る。このようにして、推定部１３は、無線品質を推定する（ステップＳ１３）。この第３の気象情報、第４の気象情報は、処理実行時またはそれ以前に観測された気象情報であっても良いし、将来に向けて予測された気象情報であっても良い。
装置１０は、観測地点の気象情報のみならず、地理情報が反映された予測モデルを生成することにより、さらに正確に無線品質を推定することができる。また、一例として、装置１０と無線基地局はシステムを構成しても良い。
実施の形態２
以下、図面を参照して本開示の実施の形態２について説明する。
図３は、実施の形態２において説明のために示される無線リンクステーションの位置を示すマップＭである。マップＭでは、無線リンクステーションＲＬ１～ＲＬ３が示されており、無線リンクステーションＲＬ１～ＲＬ３は、無線基地局（無線通信機）として、無線通信を中継するバックホールを構成する。なお、無線リンクステーションＲＬ１～ＲＬ３は、それぞれ、現在の通信状態又は予測された通信状態に基づいて、どの無線リンクステーションに無線信号を送信するかを変更することができる。この実施形態では、無線リンクステーションＲＬ２の無線品質を推定する方法を説明する。
気象観測所（weather station）ＷＳ１～ＷＳ５は、無線リンクステーションＲＬ１～ＲＬ３の周辺に設けられており、それらの観測所での気象を観測して、気象データを取得する。観測される気象情報は、晴れ、雨等の空の状態、気温、湿度、気圧、風速及び風向きを含む。気温の情報は、最低気温及び最高気温の情報を含み得る。また、気象観測所ＷＳ１～ＷＳ５を管轄する気象当局は、気象観測所ＷＳ１～ＷＳ５からの気象情報及び他の情報に基づいて、気象観測所ＷＳ１～ＷＳ５における気象を予測することもできる。
上述の通り、気象観測所ＷＳ１～ＷＳ５は、無線リンクステーションＲＬ１～ＲＬ３の周辺に設けられているため、気象観測所ＷＳ１～ＷＳ５の気象に基づいて、無線リンクステーションＲＬ１～ＲＬ３における将来の気象が予測され得る。これにより、無線リンクステーションＲＬ１～ＲＬ３における無線品質が推定され得る。しかしながら、気象観測所ＷＳ１～ＷＳ５のそれぞれの気象が、無線リンクステーションＲＬ１～ＲＬ３の将来の気象に対して及ぼす影響は一律ではない。
例えば、気象観測所ＷＳ１の気象が晴天であり、気象観測所ＷＳ２の気象が雨天であって、気象観測所ＷＳ２からＷＳ１に風が吹いている場合には、気象観測所ＷＳ２周辺にある雨雲が無線リンクステーションＲＬ２に向かって流れる。そのため、気象観測所ＷＳ２の気象が、無線リンクステーションＲＬ２での将来の気象になる可能性が高い。一方、気象観測所ＷＳ１周辺の気象が、無線リンクステーションＲＬ２の将来の気象になる可能性は低い。したがって、無線リンクステーションＲＬ２での将来の気象は、雨天になると考えられる。
実施の形態２では、無線品質の予測モデルの生成において、気象観測所ＷＳ１～ＷＳ５の風向き及び風速の情報（以下、風の情報とも定義し得る）を取り入れている。これにより、風の情報が気象に及ぼす影響が反映された予測モデルを生成することができる。
さらに、無線リンクステーション及び気象観測所周辺の地形は、それぞれの気象に影響を及ぼし得る。地形は、各スポット周辺の陸上又は海上の特性を示すものであり、例えば、平原、森林、砂漠、山間部、都市、工業地帯を含む。地形によって、発生しやすい気象状況や、気象の変化（例えば、雨雲の流れ方）に違いが生じ得る。
以上に述べた通り、実施の形態２では、地形情報を予測モデルに用いることで、さらに正確な無線リンクステーションの気象の予測、その結果として、さらに正確な無線品質の予測をすることを可能としている。
次に、実施形態２に係る推定装置の構成及び処理について説明する。図４を参照すると、推定装置２０は、取得部２１と、前処理部２２と、グラフ生成部２３と、モデル生成部２４と、分類部２５と、メモリ２６を含む。推定装置２０は、例えば、無線リンクステーションＲＬ１～ＲＬ３における無線通信を制御し、これらの無線リンクステーションにおける無線通信を制御する制御装置として設けられても良い。
取得部２１は、無線リンクステーションＲＬ２の気象の推移を予測するために、４種類の情報を学習用データとして取得する。第１に、気象観測所ＷＳ１～ＷＳ５及び無線リンクステーションＲＬ１～ＲＬ３の位置情報、第２に、気象観測所ＷＳ１～ＷＳ５において観測された気象情報、第３に、無線リンクステーションＲＬ１～ＲＬ３の無線情報、第４に、気象観測所ＷＳ１～ＷＳ５及び無線リンクステーションＲＬ１～ＲＬ３における地形情報である。取得部２１は、外部との通信を可能とするインタフェースである。
取得部２１は、気象観測所ＷＳ１～ＷＳ５の位置情報を、外部ネットワークから取得する。例えば、取得部２１は、気象観測所を管轄する当局等の組織のホームページ又はデータベースにアクセスして、これらの気象観測所の位置情報を取得しても良い。例えば、日本の場合には、気象庁のホームページからこの位置情報を取得することができる。また、取得部２１は、メモリ２６に事前に格納された無線リンクステーションＲＬ１～ＲＬ３の位置情報を取得する。無線リンクステーションＲＬ１～ＲＬ３が位置情報を発信している場合には、取得部２１は、その位置情報を受信して取得しても良い。この例における位置情報には、気象観測所又は無線リンクステーションの緯度、経度及び高度が含まれる。これにより、取得部２１は、図３に示した気象観測所と無線リンクステーションとの位置関係を把握することができる。
取得部２１は、気象観測所ＷＳ１～ＷＳ５において所定期間内に観測された気象情報を、位置情報と同様にして、外部ネットワークから取得する。気象情報の具体的な内容については、上述の通りであるため、その説明を省略する。
しかしながら、取得部２１は、気象観測所ＷＳ１～ＷＳ５の位置情報及び気象情報を、気象観測所ＷＳ１～ＷＳ５から個別に取得しても良い。あるいは、メモリ２６、又は外部のデータベースから、この情報は取得されても良い。
また、取得部２１は、無線リンクステーションＲＬ１～ＲＬ３から、無線リンクステーションＲＬ１～ＲＬ３における所定期間内の無線情報を受信する。無線情報は、無線リンクステーションが他局と通信するときに用いる周波数帯域、容量、変調方式、偏波、無線リンク長などの少なくとも１つを含む無線品質の情報である。無線リンクステーションＲＬ１～ＲＬ３における無線情報の測定期間は、気象観測所ＷＳ１～ＷＳ５における気象情報の観測期間と対応した（例えば、同一の）期間である。
さらに、取得部２１は、気象観測所ＷＳ１～ＷＳ５及び無線リンクステーションＲＬ１～ＲＬ３における地形情報を取得する。取得部２１は、例えば、外部ネットワークから地図情報を取得し、その地図情報を解析することにより地形情報を取得しても良い。又は、取得部２１は、メモリ２６に事前に格納された地形情報を取得しても良い。地形情報の具体的な内容については、上述の通りであるため、その説明を省略する。
前処理部２２は、取得部２１が取得したデータについて、以下の前処理を行う。前処理部２２は、取得されたデータからノイズを除去し、気象観測所ＷＳ１～ＷＳ５及び無線リンクステーションＲＬ１～ＲＬ３の位置情報、及び、気象観測所ＷＳ１～ＷＳ５において観測された気象情報を後処理のために統合する。さらに、前処理部２２は、取得部２１が取得した位置情報、気象情報、無線情報、及び地形情報において欠損データがあるか否かを判定し、いずれかの情報において欠損データがある場合に、その欠損データが外挿等により補間されるか、又は異なる情報を用いてその欠損データが補間されても良い。
グラフ生成部２３は、前処理部２２が前処理した、気象観測所ＷＳ１～ＷＳ５及び無線リンクステーションＲＬ１～ＲＬ３の位置情報、及び気象観測所ＷＳ１～ＷＳ５において観測された気象情報のデータを用いて、ＡＩモデル用の接続グラフを生成する。この生成方法の詳細については後述する。また、グラフ生成部２３は、グラフ内の各リンクの向きを計算する。
モデル生成部２４は、グラフ生成部２３が生成したグラフを用いて、教師有り学習を行い、無線品質予測のためのＡＩモデルを生成する。このモデルは、気象観測所ＷＳ１～ＷＳ５において観測された気象情報、無線リンクステーションＲＬ１～ＲＬ３の無線情報、及び気象観測所ＷＳ１～ＷＳ５及び無線リンクステーションＲＬ１～ＲＬ３における地形情報が入力値であり、無線リンクステーションＲＬ２の無線品質を示す値が出力値であるときに、入力値に応じた値が出力されるように学習されたモデルである。この生成方法の詳細についても後述する。
分類部２５は、モデル生成部２４が生成したＡＩモデルに対し、気象観測所ＷＳ１～ＷＳ５において観測された現在の気象情報を入力値として入力することにより、現在から所定時間後の無線リンクステーションＲＬ２の無線通信の品質について、出力値を取得する。分類部２５は、出力値を９分類に分類することにより、無線リンクステーションＲＬ２の無線通信の品質を推定する。
メモリ２６は、取得部２１～分類部２５が実行する処理をアルゴリズムとして格納する。メモリ２６には、上述の通り、位置情報、気象情報といった情報が予め格納されていても良い。
図５は、実施の形態２に係る処理を示す模式図である。以下、図５を用いて、推定装置２０が実行する処理を説明する。
まず、データ収集の段階において、取得部２１は、気象観測所ＷＳ１～ＷＳ５及び無線リンクステーションＲＬ１～ＲＬ３の位置情報、気象観測所ＷＳ１～ＷＳ５において観測された気象情報、無線リンクステーションＲＬ１～ＲＬ３の無線情報、並びに気象観測所ＷＳ１～ＷＳ５及び無線リンクステーションＲＬ１～ＲＬ３における地形情報を取得する（ステップＳ２１）。前処理部２２は、取得したデータの前処理を行う。
次に、グラフ生成部２３は、モデル生成に必要なグラフを生成する。まず、グラフ生成部２３は、気象観測所ＷＳ１～ＷＳ５及び無線リンクステーションＲＬ１～ＲＬ３の位置情報を用いて、図３に示した地図Ｍを生成する。そして、グラフ生成部２３は、図３の地図Ｍにおいて、気象観測所及び無線リンクステーション（以下、ノードとも記載）のそれぞれが、１本以上のリンク（エッジ）で他のノードと結ばれるネットワークを構成するグラフを生成する。グラフ生成部２３は、各ノードに対して、半径ｄの円内にある他のノードとリンクを結ぶような処理を実行する。
グラフ生成部２３は、ステップＳ２２及びＳ２３において、適切なｄの範囲を決定する。まず、グラフ生成部２３は、地図Ｍにおいて、結合されないノードが存在しない（すなわち、ノードが疎結合とならない）程度にｄが大きく、かつ、全てのノードが１ホップで結合しない（すなわち、ノードが全結合とならない）程度にｄが小さくなるような、ｄの範囲を設定する（ステップＳ２２）。
ノードが疎結合の場合、無線品質の推定対象となる無線リンクステーションＲＬ２に関して、最初から考慮されないノードのデータが生じてしまうため、予測精度が劣化する可能性があり、好ましくない。一方、ノードが全結合の場合、無線リンクステーションＲＬ２に関して、全てのノードのデータが１ホップで反映されることになり、モデル生成に必要なパラメータ及び学習データが多くなってしまうため、好ましくない。
以上の条件に基づき、グラフ生成部２３は、所定のアルゴリズムを用いて、適切なｄの範囲を決定する。なお、グラフ生成部２３は、ｄの範囲内で、ノードの位置がわずかに変更される、又は特徴（空間におけるホモロジー的なポリゴン構造）が変化しないような値を設定しても良い。このようなｄは、永続的な距離（persistent distance）とも定義し得る。
次に、グラフ生成部２３は、ステップＳ２２で決定したｄの範囲の中から、ＡＩモデルに適したｄの値を決定する（ステップＳ２３）。例えば、グラフ生成部２３は、所定のｄのリンクで結合された２つの気象観測所間における距離を、２つの気象観測所で観測された風の情報を考慮した時間的距離（temporal distance）に変換する。この時間的距離は、２つの気象観測所で観測された風向きの一致度が高いほど短く、一致度が低いほど長い。時間的距離は、各観測所での風速が速いほど短く、風速が遅いほど長い。この時間的距離は、一方の気象観測所の気象状態が、風によって、他方の気象観測所の気象状態に影響を及ぼすまでの時間を表現したものである。例えば、一方の気象観測所の上空にある雨雲が、他方の気象観測所の上空に移動するまでの時間が、時間的距離によって知覚（perceived）される。グラフ生成部２３は、全てのリンク、又は、無線品質の判定対象となる無線リンクステーションＲＬ２と所定数以内のホップ数の範囲内における各々のリンクに対して、時間的距離を算出する。
グラフ生成部２３は、ステップＳ２２で決定された範囲内の複数のｄ（例えば、所定値ずつ離れた複数のｄ）において上述の計算を実行する。全てのリンクにおいて算出された時間的距離に関して、時間的距離の偏り（例えば分散関係）が所定値未満又は最小となるｄが決定される。
ノード間の気象の推移は、ノード間の距離だけでなく、風速、風向きといった情報にも依存する。例えば、所定のｄにおいて、気象の推移が遅いリンクと、気象の推移が早い（例えば、風向きが強い）リンクとが混在していると、モデルの生成に必要な推定が複雑になってしまう。このことを考慮し、ステップＳ２３で、グラフ生成部２３は、各リンク（例えば、隣接する気象観測所間）において想定される気象の推移時間の差ができるだけ小さくなるようなｄを選択する。このようなｄを、不変時間距離（invariant temporary distance）と定義し得る。このようなｄを設定してモデル用に分析される範囲を決定すると、気象の傾向の予測が簡略化される。そのため、推定装置２０は、より単純で正確なモデルを作成することができる。また、モデル作成に必要な処理も、少なくすることができる。
グラフ生成部２３は、ステップＳ２３で選択したｄを用いて、地図Ｍにおけるグラフを生成する。図６は、この方法で生成されたグラフを示す。グラフ生成部２３は、図６に示された情報に基づいて、無線品質の判定対象となる無線リンクステーションＲＬ２に関し、他のノードが何次で（すなわち、どれだけのホップ数で）結合するかを判定することができる。
次に、グラフ生成部２３は、グラフで結合された各気象観測所における風速及び風向きの情報を用いて、図６に示された全てのリンクに対して、リンクの向きを決定する。リンクの向きは、リンクの両端部の２点のノードの入力側（すなわち、リンクにおける風上側）と出力側（すなわち、リンクにおける風下側）を決定する。例えば、グラフ生成部２３は、リンクの両端のノードにおいて測定された風速のベクトルを合成することにより、リンクの向きを決定しても良い。
図７は、このようにしてリンクの向きが決定されたグラフを示す。対象となる無線リンクステーションＲＬ２に関し、地図Ｍにおいて左側にあるノードは入力側に該当し、右側にあるノードは出力側に該当する。すなわち、図７において、風が左側から右側に吹いていることになる。
より詳細にいえば、図７において、無線リンクステーションＲＬ２の１次の入力は気象観測所ＷＳ１及びＷＳ５となり、２次の入力は無線リンクステーションＲＬ１及び気象観測所ＷＳ３となる。無線リンクステーションＲＬ２の１次の出力は気象観測所ＷＳ４となり、２次の出力は無線リンクステーションＲＬ３及び気象観測所ＷＳ２となる。なお、図示されていないが、推定装置２０は、無線リンクステーションＲＬ２の３次のオーダーの入力及び出力を認識することもできる。
このようにして、推定装置２０は、無線リンクステーションＲＬ２に関し、他のノードが有する入力数又は出力数を決定することができるため、無線リンクステーションＲＬ２における気象の推移が予測され得る。
図５に戻り、推定装置２０の実行する処理を下記に説明する。モデル生成部２４は、教師データをステップＳ２３で生成されたグラフに適用し、学習することで、入力データに応じた出力データが出力されるようなＡＩモデルを生成する（ステップＳ２５）。教師データは、入力データとして、気象情報、無線情報、及び無線リンクステーションＲＬ２から数次以内の入力及び出力のノードに関する地形情報を含み、出力データとして、無線リンクステーションＲＬ２の無線品質を示す値を含む。上述の通り、気象情報は、気象観測所ＷＳ１～ＷＳ５が観測した気象情報であり、無線情報は、無線リンクステーションＲＬ１～ＲＬ３の無線情報であり、地形情報は、気象観測所ＷＳ１～ＷＳ５及び無線リンクステーションＲＬ１～ＲＬ３の地形情報である。
例えば、モデル生成部２４は、無線リンクステーションＲＬ２から３次のオーダーまで離れた位置にあるノードに関して、ＡＩモデルを生成しても良い。一例として、モデル生成部２４は、１次～３次のノードの入力値を、オーダーに基づいた、結合された特徴マトリックス（concatenated feature matrix）として用い、畳み込み計算を行う。そして、モデル生成部２４は、ＬＳＴＭ（Long short-term memory）を用いて、低次のオーダーのノードが高次のオーダーのノードに与える影響を計算する。モデル生成部２４は、１次～３次のノードの出力値に関しても、同様の計算を行う。モデル生成部２４は、入力側と出力側の計算結果に基づいて、ＡＩモデルを生成する。モデル生成部２４は、畳み込み計算として、３Ｄ畳み込み計算を実行しても良い。
例えば、図７に示されるグラフにおいて、無線リンクステーションＲＬ２における１次の入力値のマトリックスは、以下の通りになる。
Figure 2023543936000002
 ここで、Ｗ５，ｔ、Ｒ５，ｔ、Ｔ５は、それぞれ、気象観測所ＷＳ５における気象情報、無線情報、地形情報である。Ｗ１，ｔ、Ｒ１，ｔ、Ｔ１は、それぞれ、気象観測所ＷＳ１における気象情報、無線情報、地形情報である。
無線リンクステーションＲＬ２における１次の出力値のマトリックスは、以下の通りになる。
Figure 2023543936000003
 ここで、Ｗ４，ｔ、Ｒ４，ｔ、Ｔ４は、それぞれ、気象観測所ＷＳ４における気象情報、無線情報、地形情報である。なお、以上に示した各気象観測所における無線情報は、形式上入力値として取り扱われるが、実際のモデルの計算結果には反映されない。
以上に示したように、モデル生成部２４は、選定された気象観測所の気象情報と、無線品質との関係を学習する。そして、分類部２５は、学習されたＡＩモデルに対して、気象観測所の現在及び将来の少なくとも１つの気象情報を入力することで、無線リンクステーションＲＬ２の無線品質に関する予測値（例えば、無線リンクの障害を予測する値）を取得する。
なお、推定装置２０が、現在から所定時間後の無線リンクステーションＲＬ２の無線品質の予測をし、現在の気象観測所における気象情報を用いる場合、教師データの入力値における気象情報は、対応する教師データの出力値の無線品質の情報を得る所定時間前に得られたものとするのが好ましい。これは、学習の際の入力値と出力値との時間差と、予測の際の入力値と出力値との時間差を合わせることにより、予測をより正確なものとするためである。
同様の理由で、推定装置２０が、現在から所定時間後の無線リンクステーションＲＬ２の無線品質の予測をし、気象観測所におけるその所定時間後の気象予報を用いる場合、教師データの入力値における気象予報の情報は、対応する教師データの出力データの無線品質の情報が得られた時間に得られたものとすることが好ましい。
図８は、出力された２種類の予測値及びその分類を示すグラフの一例である。図８では、予測値として、グラフの横軸に、指定された時間内の（バイト単位における）エラーの合計量を示すBackground Bit Error（ＢＢＥ）が示され、グラフの縦軸に、エラーが発生する１秒周期のカウントを示すError seconds（ＥＳ）が示されている。
図８において、分類部２５は、ＢＢＥが所定値Ｔ１未満であり、かつ、ＥＳが所定値Ｔ３未満である場合に、無線リンクの障害確率が低いと判定する。分類部２５は、ＢＢＥが所定値Ｔ２（＞Ｔ１）以上であり、かつ、ＥＳが所定値Ｔ４（＞Ｔ３）以上である場合に、無線リンクの障害確率が高いと判定する。分類部２５は、これらの２つのいずれの状況にも該当しない場合に、無線リンクの障害確率が中程度であると判定する。
上述の通り、ＡＩモデル生成時に、グラフ生成部２３は、各リンクにおいて想定される気象の推移時間の差ができるだけ小さくなるようなｄを選択する。そのグラフに基づいて、無線リンクステーションにおける気象の推移を予測するグラフの方向が決定される。これにより、学習対象として選定される気象観測所の気象の推移が、無線品質を特定する対象となる無線リンクステーションにおける気象の推移と類似する。学習対象として、対象となる無線リンクステーションと単純に距離の近い気象観測所が選定されても、風向きによっては、気象観測所の気象は、無線リンクステーションと同じような気象の推移をしない可能性がある。この場合、モデル生成に時間がかかることや、モデルの精度の劣化が生じる可能性がある。しかしながら、実施の形態２では、そのようなことがないため、モデルの精度を向上させることができる。
バックホールのリンクにおける無線品質の損失を補償する現行の方法は、実際の信号損失を検出することによってなされる。この方法は、実際の信号損失が生じた後で実行される。そのため、通信障害の可能性を予め減らすためには、通信障害を予測することが好ましい。無線品質は気象による影響を受けやすいため、気象を用いて無線品質の予測を行うことが想定される。
しかしながら、通信障害の予測には、以下の課題がある。第１に、気象情報を用いて通信障害を予測する場合、気象観測所又は無線リンクステーションにおける地形に依存して気象が変化し得るため、気象予測の精度が低くなることで、通信障害の予測精度が低くなる可能性がある。また、無線状態（例えば変調タイプ、負荷／容量）によっても、通信障害の予測精度が変化し得る。
第２に、気象観測所における気象の観測又は予報のデータを無線リンクステーションの気象予測に用いる場合、予測の正確性は、地域又は国に依存して変化し得る。気象観測所の観測頻度（換言すれば、データの時間的分解能）が高いほど、無線リンクステーションでの予測対象となる時間帯に用いることが可能なデータが多くなるため、予測の正確性が上がる。しかしながら、気象観測所の観測頻度が低いと、予測の正確性は下がる。また、所定の領域当たりの気象観測所の数（換言すれば、データの空間的分解能）が多いほど、無線リンクステーションに近接した気象観測所、又は無線リンクステーションにおける将来の気象が予測される気象観測所のデータを用いることができるため、予測の正確性が上がる。しかしながら、気象観測所の数が少ないと、予測の正確性は下がる。したがって、特に気象観測所の気象観測の頻度が低い、又は気象観測所の数が少ない地域において、正確な無線品質の予測ができない可能性があった。また、様々な地域への適用ができないため、スケーラビリティの観点からも課題がある。
この第２の課題を解決するために、無線リンクステーションに設置された特別なセンサから正確な気象観測データを取得することも考えられるが、コストの観点で課題がある。
実施の形態２に係る推定装置２０は、このような課題を解決するものである。推定装置２０は、外部から気象データを取得することにより、気象情報、位置情報、地形情報、無線状態といった、十分な特徴に基づく学習モデルを生成する。
学習モデルの生成にあたって、推定装置２０は、気象観測所の地理情報及び風向きの情報を用いて、モデルを生成する。これによって、推定装置２０は、モデルをより単純かつ正確に生成する。推定装置２０が風速の情報も用いることにより、さらにこの効果は高まる。また、地理情報として、推定装置２０が、気象観測所と無線リンクステーションとの相対位置の情報をモデルの生成に用いることにより、気象観測所で観測された気象が無線リンクステーションに反映される事象を、モデルに反映させることができる。
推定装置２０は、気象を決定付けるパラメータである、気象観測所の地形情報を教師データとして用いることによって、モデルをより正確に生成することができる。
推定装置２０は、無線リンクステーションと複数の気象観測所とがそれぞれ結合されたネットワークグラフを生成し、無線リンクステーションから各気象観測所までのホップ数を用いて、モデルを学習する。これにより、各気象観測所における気象がどの程度の時間で無線リンクステーションの気象に反映されるかを考慮してモデルが生成されるので、モデルの精度を向上させることができる。
推定装置２０は、気象観測所と無線リンクステーションとの距離及び地形情報が反映されたモデルを生成するため、気象観測所の観測頻度が低い、又は気象観測所の数が少ない地域であっても、正確な無線品質の予測（例えば、無線リンクにおける障害の有無）を実行することができる。また、様々な特性を有する地域への適用ができるため、スケーラビリティも向上する。
推定装置２０は、グラフに基づいて、空間的及び時間的な特徴を捉えるモデルを生成できるため、高精度でスケーラブルなＡＩモデルを開発することができる。
グラフベースのＡＩモデルは、次のような利点がある。第１に、モデルに対して、マルチモーダル（Multi-modal）な情報の入力が可能となる。入力される情報は、例えば、テキスト、数字、画像等である。第２に、学習用の入力データは、グラフのリンクに対応した、比較的少量のデータであっても良い。そのため、予測に必要な処理が削減される。
さらに、推定装置２０はいかなる特別なセンサ等を必要としないため、コストの点でも有利である。
また、推定装置２０は、大規模なマップ、または多数の気象観測所と無線リンクを備えたマップを用いる場合、ノードの集合（特徴マトリックスの組み合わせ）を使用することにより、計算の複雑さを軽減することもできる。
なお、本発明は上記実施の形態に限られたものではなく、発明の趣旨を逸脱しない範囲で適宜変更することが可能である。例えば、位置情報、無線情報、地形情報の具体例は、上述の実施の形態に記載されたものに限られない。推定装置２０は、無線リンクステーションＲＬ２だけでなく、他の無線リンクステーションの無線品質を推定できることは言うまでもない。
推定装置２０は、将来の特定の時間における無線リンクステーションＲＬ２の無線品質を推定するだけでなく、将来の特定の時間帯における無線リンクステーションＲＬ２の無線品質を推定しても良い。
推定装置２０は、過去の気象観測の結果に代えて、又はそれと併用して、過去の気象予測の結果を教師データとして用いても良い。例えば、教師データとして、過去の気象観測の結果に代えて、気象観測所における過去の気象予報を入力値とし、その気象予報が予測するタイミングにおける無線リンクステーションＲＬ２の無線品質の情報を出力値としても良い。これにより、推定装置２０は、無線品質の予測時における気象観測所の気象予報に基づいて、無線リンクステーションＲＬ２の無線品質を予測することができる。その際に、推定装置２０は、気象観測所の気象予報と、その気象観測所が実際に観測した気象との合致度を判定することで、気象観測所の気象予報の信頼性を判定しても良い。その気象観測所の気象予報の信頼性を入力データに反映させることで、より正確な予測が可能となる。
グラフ生成器２３は、ステップＳ２３において、気象観測所ＷＳ１～ＷＳ５及び無線リンクステーションＲＬ１～ＲＬ３における地形情報をさらに用いて、時間的距離を決定しても良い。地形情報は、風が所定の方向に吹きやすい地形的特性（例えば山間部や都市部）と、風が所定の方向に吹きにくい地形的特性を含む。このような地形情報を用いることにより、ノード間での時間的距離をさらに正確に設定できるため、実際の風の流れが反映されたグラフを生成することができる。したがって、推定装置２０は、より精度の高いモデルを生成することができる。
分類部２５は、ＢＢＥ及びＥＳのうち１つだけを、予測値として解析（すなわち、モデルが予測値として出力）しても良い。さらに、他の算出値が、単独で、又はＢＢＥ及びＥＳの少なくとも１つと併用して、用いられても良い。そのような算出値の一例として、３０％を超えるエラーが発生する１秒間隔のカウントを示すSerious error seconds（ＳＥＳ）が挙げられる。 分類部２５は、出力値を９分類に限らず、任意の分類数で出力値を分類しても良い。
推定装置２０は、実施の形態２において、無線リンクの障害確率が高い又は中程度のいずれかの場合に、警報出力部から警報を発しても良い。また、上述の場合に、推定装置２０は、将来の無線リンクステーションＲＬ２の無線通信に異常が生じないように、推定した無線品質の時間又は時間帯において、無線リンクステーションＲＬ２に対して以下の処理をするようにリクエストを送信しても良い。処理の例としては、無線リンクステーションＲＬ２が行う無線通信（送信又は受信の少なくともいずれか）に用いられる電力の増加、ビットレートの削減、変調方式における冗長性の向上、及びトラフィックの再ルーティングが挙げられる。また、無線リンクステーションＲＬ２に対して無線通信を実行する無線リンクステーションＲＬ１及び無線リンクステーションＲＬ３の少なくとも１つについても、同様の処理を実行させるようにリクエストが送信されても良い。このような処理を自動的に実行することで、推定装置２０は、バックホールの無線品質における異常を緩和することができる。また、必要な場合において、電力増加又は通信速度の低下に関する上述の処理を実行するため、不要な場合における通信網の電力増加や通信速度の低下を軽減することができる。
気象観測所に関する高解像度のデータが利用可能である場合、推定装置２０は、２つの気象データ間の相互情報量を最大化することにより、上述の時間的距離を設定することもできる。高解像度のデータが利用可能である場合、２つの気象データ間の相互情報を最大化することで、時間的距離を見つけ出すことが可能となる。
実施の形態２において、位置情報、無線情報、地形情報といった異なる種類の情報間におけるデータ解像度、又は同種類の情報内における詳細な情報間におけるデータ解像度が、取得した情報源によって異なる場合が想定される。このような場合、推定装置２０は、前処理部２２において、データ解像度を揃える最小／最大操作を実行しても良い。これにより、推定装置２０は、データ解像度を一致させて、単純化された処理でＡＩモデルを生成することができる。
次に、上述の複数の実施形態において説明された装置のハード構成例を、図９を参照して以下で説明する。
図９は、情報処理装置の構成例を示すブロック図である。図９に示される通り、情報処理装置９０は、ネットワークインタフェース９１、プロセッサ９２及びメモリ９３を含む。ネットワークインタフェース９１は、無線通信によって他の装置とデータを送受信することができる。
プロセッサ９２は、メモリ９３からソフトウェア（コンピュータプログラム）を読み出して実行することで、上述の実施形態のシーケンス図及びフローチャートを参照して説明された、情報処理装置９０によって実行される処理を実行する。プロセッサ９２は、例えば、マイクロプロセッサ、ＭＰＵ（Micro Processing Unit）又はＣＰＵ（Central Processing Unit）であっても良い。プロセッサ９２は、複数のプロセッサを含んでも良い。
メモリ９３は、揮発性メモリ及び不揮発性メモリの組み合わせによって構成される。メモリ９３は、プロセッサ９２から離れて配置されたストレージを含んでもよい。この場合、プロセッサ９２は、（不図示の）Ｉ/Ｏインタフェースを介してメモリ９３にアクセスしてもよい。
図９に示した例では、メモリ９３は、ソフトウェアモジュール群を格納するために使用される。プロセッサ９２は、これらのソフトウェアモジュール群をメモリ９３から読み出して実行することで、上述の実施形態において説明された情報処理装置によって実行される処理を実行することができる。
図９を参照して以上で説明したように、上述の実施形態における情報処理装置に含まれる各プロセッサは、図面を参照して以上で説明されたアルゴリズムをコンピュータに実行させるための命令群を含む１又は複数のプログラムを実行する。
さらに、情報処理装置９０には、ネットワークインタフェースが含まれていてもよい。ネットワークインタフェースは、通信システムを構成する他のネットワークノード装置との通信に使用される。ネットワークインタフェースには、例えば、ＩＥＥＥ８０２．３シリーズに準拠したネットワークインタフェースカード（ＮＩＣ）を含めることができる。情報処理装置９０は、ネットワークインタフェースを使用して、入力特徴マップ(Input Feature Map)を受信、又は、出力特徴マップ（Output Feature Map）を送信することができる。
上述の例において、プログラムは、任意の種類の非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに供給されることができる。非一時的なコンピュータ可読媒体は、任意の種類の有形の記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブなど）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（compact disc read only memory）、ＣＤ－Ｒ（compact disc recordable）、ＣＤ－Ｒ／Ｗ（compact disc rewritable）、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（random access memory）など）を含む。プログラムは、任意の種類の一時的なコンピュータ可読媒体（transitory computer readable medium）を用いてコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、有線通信路（例えば電線及び光ファイバ）、又は無線通信路を介して、プログラムをコンピュータに供給できる。
上記の実施形態の一部又は全部は、以下の付記のようにも記載され得るが、本開示はこれに限定されない。
（付記１）
第１の観測地点における第１の気象情報及び第１の地理情報と、第２の観測地点における第２の気象情報及び第２の地理情報と、無線基地局における無線品質の情報を取得し、
前記第１の気象情報と前記第１の地理情報、前記第２の気象情報と前記第２の地理情報、及び前記無線品質の情報に基づいて、無線品質を推定するモデルを学習し、
前記第１の観測地点における第３の気象情報と、前記第２の観測地点における第４の気象情報との少なくとも１つと、前記モデルとを用いて、前記無線品質を推定する、
方法。
（付記２）
前記モデルは、前記第１の観測地点における前記第１の気象情報、前記第１の地理情報及び第１の風向きの情報と、前記第２の観測地点における前記第２の気象情報、前記第２の地理情報、及び第２の風向きの情報と、前記無線品質の情報に基づいて学習される、
付記１に記載の方法。
（付記３）
前記モデルは、前記第１の観測地点における前記第１の気象情報、前記第１の地理情報、並びに第１の風向き及び風速の情報と、前記第２の観測地点における前記第２の気象情報、前記第２の地理情報、並びに第２の風向き及び風速の情報と、前記無線品質の情報に基づいて学習される、
付記１又は２に記載の方法。
（付記４）
前記第１の地理情報は、前記第１の観測地点の地形情報を含み、前記第２の地理情報は、前記第２の観測地点の地形情報を含む、
付記１ないし３のいずれか１項に記載の方法。
（付記５）
前記第１の地理情報は、前記無線基地局と前記第１の観測地点との相対位置に関する情報を含み、前記第２の地理情報は、前記無線基地局と前記第２の観測地点との相対位置に関する情報を含む、
付記１ないし４のいずれか１項に記載の方法。
（付記６）
前記無線基地局と前記第１の観測地点、及び前記無線基地局と前記第２の観測地点がそれぞれ結合されたネットワークグラフを生成し、
前記ネットワークグラフにおける前記無線基地局から前記第１の観測地点までのホップ数と、前記ネットワークグラフにおける前記無線基地局から前記第２の観測地点までのホップ数とを用いて、前記モデルが学習される、
付記１ないし５のいずれか１項に記載の方法。
（付記７）
第１の観測地点における第１の気象情報及び第１の地理情報と、第２の観測地点における第２の気象情報及び第２の地理情報と、無線基地局における無線品質の情報を取得する取得手段と、
前記取得手段によって取得された前記第１の気象情報と前記第１の地理情報、前記第２の気象情報と前記第２の地理情報、及び前記無線品質の情報に基づいて、無線品質を推定するモデルを学習する学習手段と、
前記第１の観測地点における第３の気象情報と、前記第２の観測地点における第４の気象情報との少なくとも１つと、前記モデルとを用いて、前記無線品質を推定する推定手段と、を備える
装置。
（付記８）
前記学習手段は、前記モデルを、前記第１の観測地点における前記第１の気象情報、前記第１の地理情報及び第１の風向きの情報と、前記第２の観測地点における前記第２の気象情報、前記第２の地理情報、及び第２の風向きの情報と、前記無線品質の情報に基づいて学習する、
付記７に記載の装置。
（付記９）
前記学習手段は、前記モデルを、前記第１の観測地点における前記第１の気象情報、前記第１の地理情報、並びに第１の風向き及び風速の情報と、前記第２の観測地点における前記第２の気象情報、前記第２の地理情報、並びに第２の風向き及び風速の情報と、前記無線品質の情報に基づいて学習する、
付記７又は８に記載の装置。
（付記１０）
前記第１の地理情報は、前記第１の観測地点の地形情報を含み、前記第２の地理情報は、前記第２の観測地点の地形情報を含む、
付記７ないし９のいずれか１項に記載の装置。
（付記１１）
前記第１の地理情報は、前記無線基地局と前記第１の観測地点との相対位置に関する情報を含み、前記第２の地理情報は、前記無線基地局と前記第２の観測地点との相対位置に関する情報を含む、
付記７ないし１０のいずれか１項に記載の装置。
（付記１２）
前記無線基地局と前記第１の観測地点、及び前記無線基地局と前記第２の観測地点がそれぞれ結合されたネットワークグラフを生成する生成手段をさらに備え、
前記学習手段は、前記ネットワークグラフにおける前記無線基地局から前記第１の観測地点までのホップ数と、前記ネットワークグラフにおける前記無線基地局から前記第２の観測地点までのホップ数とを用いて、前記モデルを学習する、
付記７ないし１１のいずれか１項に記載の装置。
（付記１３）
無線基地局と、
装置と、を備え、
前記装置は、
第１の観測地点における第１の気象情報及び第１の地理情報と、第２の観測地点における第２の気象情報及び第２の地理情報と、前記無線基地局における無線品質の情報を取得する取得手段と、
前記取得手段によって取得された前記第１の気象情報と前記第１の地理情報、前記第２の気象情報と前記第２の地理情報、及び前記無線品質の情報に基づいて、無線品質を推定するモデルを学習する学習手段と、
前記第１の観測地点における第３の気象情報と、前記第２の観測地点における第４の気象情報との少なくとも１つと、前記モデルとを用いて、前記無線品質を推定する推定手段と、を有する
システム。
（付記１４）
前記学習手段は、前記モデルを、前記第１の観測地点における前記第１の気象情報、前記第１の地理情報及び第１の風向きの情報と、前記第２の観測地点における前記第２の気象情報、前記第２の地理情報、及び第２の風向きの情報と、前記無線品質の情報に基づいて学習する、
付記１３に記載のシステム。
（付記１５）
前記学習手段は、前記モデルを、前記第１の観測地点における前記第１の気象情報、前記第１の地理情報、並びに第１の風向き及び風速の情報と、前記第２の観測地点における前記第２の気象情報、前記第２の地理情報、並びに第２の風向き及び風速の情報と、前記無線品質の情報に基づいて学習する、
付記１３又は１４に記載のシステム。
（付記１６）
前記第１の地理情報は、前記第１の観測地点の地形情報を含み、前記第２の地理情報は、前記第２の観測地点の地形情報を含む、
付記１３ないし１５のいずれか１項に記載のシステム。
（付記１７）
前記第１の地理情報は、前記無線基地局と前記第１の観測地点との相対位置に関する情報を含み、前記第２の地理情報は、前記無線基地局と前記第２の観測地点との相対位置に関する情報を含む、
付記１３ないし１６のいずれか１項に記載のシステム。
（付記１８）
前記装置は、前記無線基地局と前記第１の観測地点、及び前記無線基地局と前記第２の観測地点がそれぞれ結合されたネットワークグラフを生成する生成手段をさらに備え、
前記学習手段は、前記ネットワークグラフにおける前記無線基地局から前記第１の観測地点までのホップ数と、前記ネットワークグラフにおける前記無線基地局から前記第２の観測地点までのホップ数とを用いて、前記モデルを学習する、
付記１３ないし１７のいずれか１項に記載のシステム。
（付記１９）
第１の観測地点における第１の気象情報及び第１の地理情報と、第２の観測地点における第２の気象情報及び第２の地理情報と、無線基地局における無線品質の情報を取得し、
前記第１の気象情報と前記第１の地理情報、前記第２の気象情報と前記第２の地理情報、及び前記無線品質の情報に基づいて、無線品質を推定するモデルを学習し、
前記第１の観測地点における第３の気象情報と、前記第２の観測地点における第４の気象情報との少なくとも１つと、前記モデルとを用いて、前記無線品質を推定する、
ことをコンピュータに実行させるプログラムが格納された非一時的コンピュータ可読媒体。
広く説明されている本開示の精神または範囲から逸脱することなく、具体的な実施形態に示されているように、本開示に数多くのバリエーションおよび／または変更がなされてもよいことが、当業者に理解されるであろう。したがって、この実施形態は、すべての点で例示的なものであり、制限的なものではないとみなされる。
１０ 装置
１１ 取得部
１２ 学習部
１３ 推定部
２０ 推定装置
２１ 取得部
２２ 前処理部
２３ グラフ生成部
２４ モデル生成部
２５ 分類部
２６ メモリ
この問題に関して、特許文献１は、気象変動に対して無線チャネル品質を制御する無線通信制御方法を開示している。具体的には、無線通信制御装置（１００）は、他の無線通信機（１１）から無線通信機（１０）への電波強度の減衰の履歴から将来の減衰を予測する減衰予測部（１０３）と、予測された減衰に基づいて無線通信機（１０）を制御する制御部（１０４）とを備える。現在までの時系列減衰量から将来の減衰量が推定されるので、大きな気象変化による電波強度の減衰が生じる前に、無線通信機の無線通信パラメータを予め制御することができる。
上記の問題を解決する一例として、観測所で測定された気象情報を用いて電波状態を予測する方法が考えられる。しかしながら、気象情報は、例えば、観測局から無線基地局までの距離や、観測局から無線基地局までの地形といった地理的な理由により、無線品質を推定するために直接使用されない場合がある。特許文献１に開示された方法は、この問題に焦点を当てていない。
学習部１２は、取得部１１により取得された第１の気象情報及び第１の地理情報と、第２の気象情報及び第２の地理情報と、無線品質の情報とに基づいて、無線品質を推定するためのモデルを学習するように構成されている。例えば、学習部１２は、所定のアルゴリズムに基づいて教師あり学習を行い、ＡＩ（人工知能）モデルを構築してもよい。ただし、学習部１２は、他の学習方法によってモデルを生成してもよい。
次に、実施形態２に係る推定装置の構成及び処理について説明する。図４を参照すると、推定装置２０は、取得部２１と、前処理部２２と、グラフ生成部２３と、モデル生成部２４と、分類部２５と、メモリ２６を含む。推定装置２０は、例えば、無線リンクステーションＲＬ１～ＲＬ３における無線通信を制御する制御装置として設けられても良い。
グラフ生成部２３は、ステップＳ２３において、気象観測所ＷＳ１～ＷＳ５及び無線リンクステーションＲＬ１～ＲＬ３における地形情報をさらに用いて、時間的距離を決定しても良い。地形情報は、風が所定の方向に吹きやすい地形的特性（例えば山間部や都市部）と、風が所定の方向に吹きにくい地形的特性を含む。このような地形情報を用いることにより、ノード間での時間的距離をさらに正確に設定できるため、実際の風の流れが反映されたグラフを生成することができる。したがって、推定装置２０は、より精度の高いモデルを生成することができる。

Claims (18)

  1. 第１の観測地点における第１の気象情報及び第１の地理情報と、第２の観測地点における第２の気象情報及び第２の地理情報と、無線基地局における無線品質の情報を取得し、
    前記第１の気象情報と前記第１の地理情報、前記第２の気象情報と前記第２の地理情報、及び前記無線品質の情報に基づいて、無線品質を推定するモデルを学習し、
    前記第１の観測地点における第３の気象情報と、前記第２の観測地点における第４の気象情報との少なくとも１つと、前記モデルとを用いて、前記無線品質を推定する、
    方法。
  2. 前記モデルは、前記第１の観測地点における前記第１の気象情報、前記第１の地理情報及び第１の風向きの情報と、前記第２の観測地点における前記第２の気象情報、前記第２の地理情報、及び第２の風向きの情報と、前記無線品質の情報に基づいて学習される、
    請求項１に記載の方法。
  3. 前記モデルは、前記第１の観測地点における前記第１の気象情報、前記第１の地理情報、並びに第１の風向き及び風速の情報と、前記第２の観測地点における前記第２の気象情報、前記第２の地理情報、並びに第２の風向き及び風速の情報と、前記無線品質の情報に基づいて学習される、
    請求項１又は２に記載の方法。
  4. 前記第１の地理情報は、前記第１の観測地点の地形情報を含み、前記第２の地理情報は、前記第２の観測地点の地形情報を含む、
    請求項１ないし３のいずれか１項に記載の方法。
  5. 前記第１の地理情報は、前記無線基地局と前記第１の観測地点との相対位置に関する情報を含み、前記第２の地理情報は、前記無線基地局と前記第２の観測地点との相対位置に関する情報を含む、
    請求項１ないし４のいずれか１項に記載の方法。
  6. 前記無線基地局と前記第１の観測地点、及び前記無線基地局と前記第２の観測地点がそれぞれ結合されたネットワークグラフを生成し、
    前記ネットワークグラフにおける前記無線基地局から前記第１の観測地点までのホップ数と、前記ネットワークグラフにおける前記無線基地局から前記第２の観測地点までのホップ数とを用いて、前記モデルが学習される、
    請求項１ないし５のいずれか１項に記載の方法。
  7. 第１の観測地点における第１の気象情報及び第１の地理情報と、第２の観測地点における第２の気象情報及び第２の地理情報と、無線基地局における無線品質の情報を取得する取得手段と、
    前記取得手段によって取得された前記第１の気象情報と前記第１の地理情報、前記第２の気象情報と前記第２の地理情報、及び前記無線品質の情報に基づいて、無線品質を推定するモデルを学習する学習手段と、
    前記第１の観測地点における第３の気象情報と、前記第２の観測地点における第４の気象情報との少なくとも１つと、前記モデルとを用いて、前記無線品質を推定する推定手段と、を備える
    装置。
  8. 前記学習手段は、前記モデルを、前記第１の観測地点における前記第１の気象情報、前記第１の地理情報及び第１の風向きの情報と、前記第２の観測地点における前記第２の気象情報、前記第２の地理情報、及び第２の風向きの情報と、前記無線品質の情報に基づいて学習する、
    請求項７に記載の装置。
  9. 前記学習手段は、前記モデルを、前記第１の観測地点における前記第１の気象情報、前記第１の地理情報、並びに第１の風向き及び風速の情報と、前記第２の観測地点における前記第２の気象情報、前記第２の地理情報、並びに第２の風向き及び風速の情報と、前記無線品質の情報に基づいて学習する、
    請求項７又は８に記載の装置。
  10. 前記第１の地理情報は、前記第１の観測地点の地形情報を含み、前記第２の地理情報は、前記第２の観測地点の地形情報を含む、
    請求項７ないし９のいずれか１項に記載の装置。
  11. 前記第１の地理情報は、前記無線基地局と前記第１の観測地点との相対位置に関する情報を含み、前記第２の地理情報は、前記無線基地局と前記第２の観測地点との相対位置に関する情報を含む、
    請求項７ないし１０のいずれか１項に記載の装置。
  12. 前記無線基地局と前記第１の観測地点、及び前記無線基地局と前記第２の観測地点がそれぞれ結合されたネットワークグラフを生成する生成手段をさらに備え、
    前記学習手段は、前記ネットワークグラフにおける前記無線基地局から前記第１の観測地点までのホップ数と、前記ネットワークグラフにおける前記無線基地局から前記第２の観測地点までのホップ数とを用いて、前記モデルを学習する、
    請求項７ないし１１のいずれか１項に記載の装置。
  13. 無線基地局と、
    装置と、を備え、
    前記装置は、
    第１の観測地点における第１の気象情報及び第１の地理情報と、第２の観測地点における第２の気象情報及び第２の地理情報と、前記無線基地局における無線品質の情報を取得する取得手段と、
    前記取得手段によって取得された前記第１の気象情報と前記第１の地理情報、前記第２の気象情報と前記第２の地理情報、及び前記無線品質の情報に基づいて、無線品質を推定するモデルを学習する学習手段と、
    前記第１の観測地点における第３の気象情報と、前記第２の観測地点における第４の気象情報との少なくとも１つと、前記モデルとを用いて、前記無線品質を推定する推定手段と、を有する
    システム。
  14. 前記学習手段は、前記モデルを、前記第１の観測地点における前記第１の気象情報、前記第１の地理情報及び第１の風向きの情報と、前記第２の観測地点における前記第２の気象情報、前記第２の地理情報、及び第２の風向きの情報と、前記無線品質の情報に基づいて学習する、
    請求項１３に記載のシステム。
  15. 前記学習手段は、前記モデルを、前記第１の観測地点における前記第１の気象情報、前記第１の地理情報、並びに第１の風向き及び風速の情報と、前記第２の観測地点における前記第２の気象情報、前記第２の地理情報、並びに第２の風向き及び風速の情報と、前記無線品質の情報に基づいて学習する、
    請求項１３又は１４に記載のシステム。
  16. 前記第１の地理情報は、前記第１の観測地点の地形情報を含み、前記第２の地理情報は、前記第２の観測地点の地形情報を含む、
    請求項１３ないし１５のいずれか１項に記載のシステム。
  17. 前記第１の地理情報は、前記無線基地局と前記第１の観測地点との相対位置に関する情報を含み、前記第２の地理情報は、前記無線基地局と前記第２の観測地点との相対位置に関する情報を含む、
    請求項１３ないし１６のいずれか１項に記載のシステム。
  18. 前記装置は、前記無線基地局と前記第１の観測地点、及び前記無線基地局と前記第２の観測地点がそれぞれ結合されたネットワークグラフを生成する生成手段をさらに備え、
    前記学習手段は、前記ネットワークグラフにおける前記無線基地局から前記第１の観測地点までのホップ数と、前記ネットワークグラフにおける前記無線基地局から前記第２の観測地点までのホップ数とを用いて、前記モデルを学習する、
    請求項１３ないし１７のいずれか１項に記載のシステム。
JP2023520542A 2020-10-12 2020-10-12 無線品質推定方法、装置、システム及びプログラム Pending JP2023543936A (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/038415 WO2022079747A1 (en) 2020-10-12 2020-10-12 Radio quality estimation method, device and system

Publications (1)

Publication Number Publication Date
JP2023543936A true JP2023543936A (ja) 2023-10-18

Family

ID=81207856

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023520542A Pending JP2023543936A (ja) 2020-10-12 2020-10-12 無線品質推定方法、装置、システム及びプログラム

Country Status (3)

Country Link
US (1) US20230370858A1 (ja)
JP (1) JP2023543936A (ja)
WO (1) WO2022079747A1 (ja)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3495025B2 (ja) * 2002-01-08 2004-02-09 エヌ・ティ・ティ・コムウェア株式会社 移動体通信網における電波状況測定システム、及び電波状況測定方法
JP2015082756A (ja) * 2013-10-23 2015-04-27 Kddi株式会社 ハンドオーバ制御装置、基地局装置、ゲートウェイ装置およびプログラム
WO2018216768A1 (ja) * 2017-05-26 2018-11-29 京セラ株式会社 通信システム、通信ブイ、及び制御装置
DE112018006458T5 (de) * 2017-12-19 2020-08-27 Sony Corporation Kommunikationsvorrichtung, kommunikationsverfahren und kommunikationssystem

Also Published As

Publication number Publication date
US20230370858A1 (en) 2023-11-16
WO2022079747A1 (en) 2022-04-21

Similar Documents

Publication Publication Date Title
KR102337776B1 (ko) 강한 대류기상을 예측하기 위한 방법 및 장치
US10425832B1 (en) Network design optimization
US20180372914A1 (en) Local weather forecast
JP2011138487A (ja) 空間−時間関係に基づく交通予測方法およびシステム
US10700930B1 (en) Network design optimization
CN112285807B (zh) 一种气象信息预测方法及装置
CN113473514B (zh) 电力无线专网故障诊断模型训练方法、诊断方法及装置
US20220110012A1 (en) Predictive Weather-aware Communication Network Management
US10588110B2 (en) Location accuracy assessment and remediation for indoor positioning system deployments
CN112598883B (zh) 基于贝叶斯网络的输电线路落雷概率预警方法及预警系统
EP3454285A1 (en) An apparatus and method for assessing flooding behaviour and an apparatus and method for predicting a flood property
US11379274B2 (en) Hybrid spatial-temporal event probability prediction method
US11880767B2 (en) Increasing accuracy and resolution of weather forecasts using deep generative models
WO2018149901A1 (en) Route planning of a vessel
US10706720B2 (en) Predicting vehicle travel times by modeling heterogeneous influences between arterial roads
EP3073460A1 (en) Predicting the trajectory of mobile users
JP2023543936A (ja) 無線品質推定方法、装置、システム及びプログラム
KR20220111578A (ko) 머신러닝을 기반으로 하는 기상청 제공 기상영상정보를 활용한 강우확률정보 제공 시스템 및 이를 이용한 방법
JP6357837B2 (ja) 無線通信装置、無線通信ネットワークシステム、情報処理方法、および情報処理プログラム
WO2023004260A1 (en) Deep learning for rain fade prediction in satellite communications
CN112783192B (zh) 无人机路径规划方法、装置、设备和存储介质
KR20230101350A (ko) 가상 표준기상데이터 기반 발전량 예측 알고리즘 시스템
EP3073776A1 (en) Method and apparatus for predicting wireless link states
JP6638313B2 (ja) 制御装置、制御方法およびプログラム
JP7431415B2 (ja) 情報処理装置および情報処理方法

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230404

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230404