JP4702851B2 - トラヒック量変動の上限値を予測するトラヒック量予測装置、プログラム及び方法 - Google Patents

Description

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

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

特開２００４−２３１１４号公報

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

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

本発明によれば、複数ユーザからのトラヒックが多重されるネットワーク設備の集線部におけるトラヒック量変動の上限値を予測するトラヒック量予測装置であって、
過去の実績トラヒック量の時系列データを、該トラヒック量の測定日時に関する通日と曜日及び／又は休日とに基づくカレンダ情報と、トラヒック量を発生させている契約種別毎のユーザ数とからなる「日時属性情報」に対応付けて蓄積した実績トラヒックデータベースと、
目的関数における重み係数を蓄積する重み係数記憶手段と、
実績トラヒックデータベースから実績トラヒック量及び日時属性情報と、重み係数記憶手段から重み係数とを入力し、重み付き二乗誤差の最小化を目的関数とした重回帰分析によって回帰式を導出し、学習トラヒック量を出力する重回帰処理手段と、
実績トラヒック量が、学習トラヒック量よりも大きい場合にのみ、その差に応じて重み係数を増分する重み係数決定手段と、
重回帰処理手段及び重み係数決定手段を所定回数だけ繰り返すように制御し、結果的に回帰式を導出する繰り返し制御手段と、
予測すべき日時属性情報を入力し、回帰式を用いて予測トラヒック量を出力するトラヒック予測手段と
を有することを特徴とする。

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

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

本発明のトラヒック量予測装置における他の実施形態によれば、
繰り返し制御手段へ、所定回数を指示する過少見積り測定手段を更に有し、
過少見積り測定手段は、実績トラヒック量が学習トラヒック量を上回る過少見積りとなる日数の割合が、予め設定された過少見積りの所定割合よりも低下した際に、その所定回数を維持するように繰り返し制御手段へ指示する
ことも好ましい。

本発明によれば、複数ユーザからのトラヒックが多重されるネットワーク設備の集線部におけるトラヒック量変動の上限値を予測するように、コンピュータを機能させるトラヒック量予測プログラムであって、
過去の実績トラヒック量の時系列データを、該トラヒック量の測定日時に関する通日と曜日及び／又は休日とに基づくカレンダ情報と、トラヒック量を発生させている契約種別毎のユーザ数とからなる「日時属性情報」に対応付けて蓄積した実績トラヒックデータベースと、
目的関数における重み係数を蓄積する重み係数記憶手段と、
実績トラヒックデータベースから実績トラヒック量及び日時属性情報と、重み係数記憶手段から重み係数とを入力し、重み付き二乗誤差の最小化を目的関数とした重回帰分析によって回帰式を導出し、学習トラヒック量を出力する重回帰処理手段と、
実績トラヒック量が、学習トラヒック量よりも大きい場合にのみ、その差に応じて重み係数を増分する重み係数決定手段と、
重回帰処理手段及び重み係数決定手段を所定回数だけ繰り返すように制御し、結果的に回帰式を導出する繰り返し制御手段と、
予測すべき日時属性情報を入力し、回帰式を用いて予測トラヒック量を出力するトラヒック予測手段と
してコンピュータを機能させることを特徴とする。

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

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

本発明のトラヒック量予測プログラムにおける他の実施形態によれば、
繰り返し制御手段へ所定回数を指示する過少見積り測定手段として、コンピュータを更に機能させ、
過少見積り測定手段は、実績トラヒック量が学習トラヒック量を上回る過少見積りとなる日数の割合が、予め設定された過少見積りの所定割合よりも低下した際に、その所定回数を維持するように繰り返し制御手段へ指示するようにコンピュータを機能させることも好ましい。

本発明によれば、複数ユーザからのトラヒックが多重されるネットワーク設備の集線部におけるトラヒック量変動の上限値を予測するトラヒック量予測方法であって、
過去の実績トラヒック量の時系列データを、該トラヒック量の測定日時に関する通日と曜日及び／又は休日とに基づくカレンダ情報と、トラヒック量を発生させている契約種別毎のユーザ数とからなる「日時属性情報」に対応付けて蓄積した実績トラヒックデータベースと、
目的関数における重み係数を蓄積する重み係数記憶部と
を有する装置を用いて、
実績トラヒックデータベースに蓄積された実績トラヒック量毎に、
実績トラヒックデータベースから１つの実績トラヒック量及び日時属性情報と、重み係数記憶部から重み係数とを入力し、重み付き二乗誤差の最小化を目的関数とした重回帰分析によって回帰式を導出し、学習トラヒック量を出力するステップと、
実績トラヒック量が、学習トラヒック量よりも大きい場合にのみ、その差に応じて重み係数を増分するステップと
を所定回数だけ繰り返すように制御し、結果的に回帰式を導出する第１のステップと、
予測すべき日時属性情報を入力し、回帰式を用いて予測トラヒック量を出力する第２のステップと
を有することを特徴とする。

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

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

本発明は、重回帰分析を用いる。重回帰分析とは、複数の説明変数に基づいて、目的変数を予測するための分析である。分析の結果、説明変数毎に回帰係数が算出され、以下の回帰式が導出される。この回帰式を用いることにより、説明変数から目的変数を算出する。
ｙ＝α₀＋α₁ｘ₁＋α₂ｘ₂＋・・・
ｙ：目的変数（実績トラヒック量）
α：回帰係数
ｘ：説明変数（日時属性情報）

複数の説明変数からなる回帰式に基づく分析は、重回帰分析と称される。重回帰分析では、最小二乗法を代表的な推計方法として用いる。最初に、回帰式を設定し、次に、「目的変数の測定値と、目的変数の推定値との差の二乗平均」が最小となるように求める。

本発明によれば、入力情報（日時属性情報）及び教師情報（実績トラヒック量）を用いて、重回帰分析に基づく学習結果（学習トラヒック量）を出力する。各日時における教師情報（実績トラヒック量）と学習結果（学習トラヒック量）との誤差は、記憶される。記憶された誤差は、次回に実行される重回帰分析（回帰式構築処理）の目的変数に使用される重み係数を算出する際に参照される。

本発明は、「予測モデル構築ステップ」と「予測処理ステップ」とから構成される。「予測モデル構築ステップ」は、過去の実績トラヒック量と、そのトラヒック量の測定日時に関する日時属性情報とから、予測モデルとなる回帰式を導出する。また、「予測処理ステップ」は、予測すべき日時属性情報から、予測モデル構築ステップで構築された回帰式を用いて、予測トラヒック量を出力する。

本発明の装置は、実績トラヒックデータベースと、重み係数記憶部とを有する。

実績トラヒックデータベースは、過去の実績トラヒック量と、そのトラヒック量の測定日時に関する日時属性情報とを対応付けて蓄積している。日時属性情報は、通日と曜日及び／又は休日（祝日等も含む）とに基づくカレンダ情報である。通日は、初日からの通し日数である。勿論、日時属性情報は、日に限られず、時間であってもよい。

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

重み係数記憶部は、回帰式における重み係数ｗ_ｉを蓄積する。

図１は、本発明における予測モデル構築ステップのフローチャートである。

（Ｓ１０）繰り返し制御処理（Ｓ１５）から指示された所定回数ｎだけ、Ｓ１１〜Ｓ１３の処理を繰り返す。所定回数ｎは、過少見積り測定処理（Ｓ１２）によって決定される。また、重み係数記憶部に記憶されている重み係数ｗ_ｉも通知される。

（Ｓ１１）最初に、重回帰処理をする。重回帰処理は、実績トラヒックデータベースから、一定数日分（例えば３００日分）の実績トラヒック量ｙ_ｉと、日時属性情報（通日並びに曜日及び／又は休日）と、重み係数ｗ_ｉとを入力する。

（Ｓ１１１）回帰式構築処理は、重み付き二乗誤差を最小とする目的関数とした重回帰分析によって回帰式を出力する。具体的には、目的変数の測定値ｙ_ｉ（実績トラヒック量）と、説明変数の測定値及び回帰式を用いて求めた目的変数の推定値ｚ_ｉ（学習トラヒック量）の差の二乗平均」が最小になるように求める。

（Ｓ１１２）所定回数ｎに達したか否かを判定する。所定回数ｎに達したならば、フローチャートを終了し、その回帰式を出力する。この回帰式は、予測処理ステップにおけるトラヒック予測処理によって用いられる。所定回数ｎに達していなければ、次に、学習トラヒック量算出処理へ移行する。

（Ｓ１１３）学習トラヒック量算出処理は、先に導出された回帰式を用いて、学習トラヒック量ｚ_ｉを出力する。

（Ｓ１２）次に、重回帰分析の重み係数ｗ_ｉを決定する。
（Ｓ１２１）誤差算出処理として、実績トラヒック量ｙ_ｉと、ｎ回目の重回帰分析における学習トラヒック量ｚ_ｉとの誤差（ｒ_ｉ＝ｙ_ｉ−ｚ_ｉ）を算出する。
（Ｓ１２２）次に、その誤差に基づいて重み係数決定処理をする。その誤差が正である場合にのみ（ｙ_ｉ＞ｚ_ｉ）、その誤差（ｒ_ｉ＝ｙ_ｉ−ｚ_ｉ）に応じて、ｋ＋１回目の重回帰分析における重み係数ｗ_ｉ＋１を大きくする。

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

前述した数３の式以外に、以下のような式も考えることができる。

（Ｓ１３）Ｓ１０へ戻り、Ｓ１０に基づいてＳ１１及びＳ１２を繰り返す。

図２は、予測処理ステップのフローチャートである。

（Ｓ２０）予測すべき通日ｉ及び曜日の情報が入力され、予測モデルとなる回帰式を用いて、予測トラヒック量が計算される。ここでは、単純に回帰式に対して、日時属性情報（通日iと曜日及び／又は休日の情報）を入力するだけである。

図３は、過少見積り及び過大見積りのトレードオフの説明図である。

図３によれば、過少見積り測定処理に基づいて、所定回数ｎが大きくなるほど、以下のような関係になる。
（１）過少見積り（実績トラヒック量が学習トラヒック量を上回る）となる日数の割合（「危険率」という）が低下する。
（２）過大見積り（実績トラヒック量が学習トラヒック量を下回る）となる日数の割合が増加する。

過少見積りの危険率の観点からは、所定回数ｎが多くなるほど、予測モデルの予測精度は向上する。しかしながら、逆に過大見積りの問題も生じる。従って、両者のトレードオフの観点から、所定回数ｎを導出する必要がある。そこで、実績トラヒック量が学習トラヒック量を上回る日数の割合が、利用者によって設定される過少見積りの割合（危険率）を低下した際に、それまでの回数を所定回数ｎとして決定する。

具体的にネットワーク設備について適用した場合、図２におけるトラヒック量予測のための処理フローは、複数ユーザからのトラヒックが多重される集線部におけるトラヒック量の予測に用いられる。ここで、日時属性情報に、契約種別毎のユーザ数を更に含ませることができる。例えば、集線部のポート毎に、以下のように通日ｉ毎の契約種別毎のユーザ数を、実績トラヒック量に含ませることができる。
・契約種別１００Ｍｂｐｓのユーザ数ｘ_ｉ
・契約種別５０Ｍｂｐｓのユーザ数ｙ_ｉ
・契約種別１０Ｍｂｐｓのユーザ数ｚ_ｉ
この場合、重回帰分析の説明変数として、曜日及び通日ｉに加えて、契約種別毎のユーザ数を入力する必要がある。

図４は、本発明におけるトラヒック予測装置の機能構成図である。

図４によれば、トラヒック予測装置１は、実績トラヒックデータベース１０１と、重み係数記憶部１０２と、重回帰処理部１０３（回帰式構築処理部１０３１及び学習トラヒック量算出処理部１０３２）と、重み係数決定部１０４（誤差算出処理部１０４１及び重み係数決定処理部１０４２）と、繰り返し制御部１０５と、過少見積り測定部１０６と、トラヒック予測部１０７とを有する。これら機能部は、装置に搭載されたコンピュータによって実行されるプログラムにより実現できる。

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

重み係数記憶部１０２は、目的関数における通日i毎の重み係数ｗ_ｉを蓄積する。

重回帰処理部１０３は、実績トラヒックデータベース１０１から実績トラヒック量ｙ_ｉ及び日時属性情報と、重み係数記憶部１０２から重み係数ｗ_ｉとを入力し、重み付き二乗誤差の最小化を目的関数とした重回帰分析によって回帰式を導出し、学習トラヒック量ｚ_ｉを出力する。重回帰処理部１０３は、図１のＳ１１と同様の処理をする。

重み係数決定部１０４は、実績トラヒック量ｙ_ｉが、学習トラヒック量ｚ_ｉよりも大きい場合にのみ、その差に応じて重み係数ｗ_ｉを増分する。ここで、その差に応じて単調増加するように重み係数ｗ_ｉを増分するものであってもよい。重み係数決定部１０４は、図１のＳ１２と同様の処理をする。尚、誤差算出処理部１０４１によって、実績トラヒック量と学習トラヒック量との誤差ｒ_ｉも記憶される。

繰り返し制御部１０５は、重回帰処理部１０３及び重み係数決定部１０４の処理を所定回数ｎだけ繰り返すように制御し、結果的に、予測モデルとなる回帰式を導出する。繰り返し制御部１０５は、図１のＳ１０、Ｓ１３及びＳ１５と同様の処理をする。

トラヒック予測部１０６は、予測すべき日時属性情報を入力し、重回帰処理部１０３によって導出された回帰式を用いて予測トラヒック量ｚ_ｉを出力する。図２のＳ２０と同様の処理をする。

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

過少見積り測定部１０６は、繰り返し制御部１０５へ繰り返し回数ｎを指示する。例えば、最初に、繰り返し回数ｎを少ない数で指示する。その後、実績トラヒック量が学習トラヒック量を上回る日数の割合が、予め設定された所定の値（危険率）に低下するまで、繰り返し回数ｎを増分しながら、繰り返し制御部１０５へ指示する。そして、実績トラヒック量が学習トラヒック量を上回る日数の割合が、予め設定された過少見積りの所定危険率を低下した際に、その繰り返し回数ｎを維持する。これにより、繰り返し制御部１０５は、所定危険率を確保する繰り返し回数ｎを決定することができ、無駄に重回帰処理の繰り返しをすることがない。

以下では、実績トラヒック補間機能の処理について説明する。

図５は、実績トラヒック量の異常値を表すグラフである。横軸が通日を表し、縦軸が実績トラヒック量を表す。

過去の実績トラヒックデータについて、一時的且つ突発的に大きく（小さく）なっている値を、異常値とみなす。時系列データの複数の実績トラヒックデータについて、ウィンドウとなる移動平均区間を予め設定する。例えば、移動平均区間window＝７とし、７日間の実績トラヒック量ｘ(j)の平均値avgＸを算出する。図５は、通日第１８日〜第２４日の１つの移動平均区間について表している。
avgＸ(j)＝（Σ_{i=i〜i+window7}ｙ_ｉ）／window７

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

図６は、残差の累積分布を表すグラフである。横軸が累積残差を表し、縦軸が累積率を表す。

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

図７は、本発明における学習トラヒック量のグラフである。

図８は、本発明における予測トラヒック量のグラフである。

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

図７は、本発明における所定回数ｎ＝２０とした学習トラヒック量と、従来技術における所定回数ｎ＝１とした学習トラヒック量とを表す。本発明における学習トラヒック量は、実績トラヒック量の上限値に沿っていることが明らかである。

図８は、本発明によって構築された予測モデルと、従来技術によって構築された予測モデルとを用いて、２ヶ月間のトラヒックを予測したものである。図７によれば、従来技術の重回帰分析（ｎ＝１回）を用いた場合、平均的な変動を捉えることは可能である。しかし、実際に流れた現トラヒック量を大きく下回る予測をする。これに対し、本発明の重回帰分析（ｎ＝１０回）によれば、ほぼ上限値の変動が捉えられていることが理解できる。

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

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

本発明における予測モデル構築ステップのフローチャートである。 予測処理ステップのフローチャートである。 過少見積り及び過大見積りのトレードオフの説明図である。 本発明におけるトラヒック予測装置の機能構成図である。 実績トラヒック量の異常値を表すグラフである。 残差の累積分布を表すグラフである。 本発明における学習トラヒック量のグラフである。 本発明における予測トラヒック量のグラフである。

符号の説明

１ トラヒック量予測装置
１０１ 実績トラヒックデータベース
１０２ 重み係数記憶部
１０３ 重回帰処理部
１０３１ 回帰式構築処理部
１０３２ 学習トラヒック量算出処理部
１０４ 重み係数決定部
１０４１ 誤差算出処理部
１０４２ 重み係数決定処理部
１０５ 繰り返し制御部
１０６ 過少見積り測定部
１０７ トラヒック予測部

Claims (6)

1. 複数ユーザからのトラヒックが多重されるネットワーク設備の集線部におけるトラヒック量変動の上限値を予測するトラヒック量予測装置であって、
   過去の実績トラヒック量の時系列データを、該トラヒック量の測定日時に関する通日と曜日及び／又は休日とに基づくカレンダ情報と、前記トラヒック量を発生させている契約種別毎のユーザ数とからなる「日時属性情報」に対応付けて蓄積した実績トラヒックデータベースと、
   目的関数における重み係数を蓄積する重み係数記憶手段と、
   前記実績トラヒックデータベースから実績トラヒック量及び日時属性情報と、前記重み係数記憶手段から前記重み係数とを入力し、重み付き二乗誤差の最小化を目的関数とした重回帰分析によって回帰式を導出し、学習トラヒック量を出力する重回帰処理手段と、
   前記実績トラヒック量が、前記学習トラヒック量よりも大きい場合にのみ、その差に応じて前記重み係数を増分する重み係数決定手段と、
   前記重回帰処理手段及び前記重み係数決定手段を所定回数だけ繰り返すように制御し、結果的に前記回帰式を導出する繰り返し制御手段と、
   予測すべき日時属性情報を入力し、前記回帰式を用いて予測トラヒック量を出力するトラヒック予測手段と
   を有することを特徴とするトラヒック量予測装置。
2. 前記重み係数決定手段は、前記実績トラヒック量と前記学習トラヒック量との差に応じて単調増加するように前記重み係数を増分することを特徴とする請求項１に記載のトラヒック量予測装置。
3. 前記実績トラヒックデータベースに蓄積された過去の実績トラヒック量について、所定数毎の平均トラヒック量に対する残差の累積分布に基づいて異常値を除去する実績トラヒック補間手段を更に有することを特徴とする請求項１又は２に記載のトラヒック量予測装置。
4. 前記繰り返し制御手段へ、所定回数を指示する過少見積り測定手段を更に有し、
   前記過少見積り測定手段は、前記実績トラヒック量が前記学習トラヒック量を上回る過少見積りとなる日数の割合が、予め設定された過少見積りの所定割合よりも低下した際に、その所定回数を維持するように前記繰り返し制御手段へ指示する
   ことを特徴とする請求項１から３のいずれか１項に記載のトラヒック量予測装置。
5. 複数ユーザからのトラヒックが多重されるネットワーク設備の集線部におけるトラヒック量変動の上限値を予測するように、コンピュータを機能させるトラヒック量予測プログラムであって、
   過去の実績トラヒック量の時系列データを、該トラヒック量の測定日時に関する通日と曜日及び／又は休日とに基づくカレンダ情報と、前記トラヒック量を発生させている契約種別毎のユーザ数とからなる「日時属性情報」に対応付けて蓄積した実績トラヒックデータベースと、
   目的関数における重み係数を蓄積する重み係数記憶手段と、
   前記実績トラヒックデータベースから実績トラヒック量及び日時属性情報と、前記重み係数記憶手段から前記重み係数とを入力し、重み付き二乗誤差の最小化を目的関数とした重回帰分析によって回帰式を導出し、学習トラヒック量を出力する重回帰処理手段と、
   前記実績トラヒック量が、前記学習トラヒック量よりも大きい場合にのみ、その差に応じて前記重み係数を増分する重み係数決定手段と、
   前記重回帰処理手段及び前記重み係数決定手段を所定回数だけ繰り返すように制御し、結果的に前記回帰式を導出する繰り返し制御手段と、
   予測すべき日時属性情報を入力し、前記回帰式を用いて予測トラヒック量を出力するトラヒック予測手段と
   してコンピュータを機能させることを特徴とするトラヒック量予測プログラム。
6. 複数ユーザからのトラヒックが多重されるネットワーク設備の集線部におけるトラヒック量変動の上限値を予測するトラヒック量予測方法であって、
   過去の実績トラヒック量の時系列データを、該トラヒック量の測定日時に関する通日と曜日及び／又は休日とに基づくカレンダ情報と、前記トラヒック量を発生させている契約種別毎のユーザ数とからなる「日時属性情報」に対応付けて蓄積した実績トラヒックデータベースと、
   目的関数における重み係数を蓄積する重み係数記憶部と
   を有する装置を用いて、
   前記実績トラヒックデータベースに蓄積された実績トラヒック量毎に、
   前記実績トラヒックデータベースから１つの実績トラヒック量及び日時属性情報と、前記重み係数記憶部から前記重み係数とを入力し、重み付き二乗誤差の最小化を目的関数とした重回帰分析によって回帰式を導出し、学習トラヒック量を出力するステップと、
   前記実績トラヒック量が、前記学習トラヒック量よりも大きい場合にのみ、その差に応じて前記重み係数を増分するステップと
   を前記所定回数だけ繰り返すように制御し、結果的に前記回帰式を導出する第１のステップと、
   予測すべき日時属性情報を入力し、前記回帰式を用いて予測トラヒック量を出力する第２のステップと
   を有することを特徴とするトラヒック量予測方法。

Images