JP6445108B2

JP6445108B2 - データ駆動型ロールアウトプランニングの最適化方法

Info

Publication number: JP6445108B2
Application number: JP2017181386A
Authority: JP
Inventors: スカンフェーラダミアーノ; ベラノヴィックパヴレ
Original assignee: Swisscom AG
Current assignee: Swisscom AG
Priority date: 2016-09-21
Filing date: 2017-09-21
Publication date: 2018-12-26
Anticipated expiration: 2037-09-21
Also published as: EP3477983B1; US20180084435A1; US10645594B2; US20200267570A1; JP2018050295A; EP3477983A3; US10887775B2; CN107864478B; EP3477983A2; US10299141B2; US11716636B2; EP3300411B1; US11533635B2; US20190335340A1; US20240031820A1; CN107864478A; US20230066688A1; EP3300411A1; US20210127276A1

Description

本発明は、移動体通信キャリアのための、具体的にはセルラネットワークオペレータのためのロールアウトプランニングの分野に関する。

近年、ストリーミングサービス又はデータダウンロードなどの帯域幅消費アプリケーションが、出先で、公共の場で又は公共交通手段使用時にますます多くの人々に使用されている。さらに、作業目的のためのＶＰＮ（仮想プライベートネットワーク）のようなリモートアクセスソリューションも、長距離移動及び／又は通勤時間に人々によって広く使用され、彼らは熱心に、それぞれ数メガバイトに達するサイズの電子メールの添付ファイルを含む大量のデータを任意の可能な時間にダウンロードする。その結果、モバイルネットワーク上にはデータトラフィックの増加が生じ、ユビキタス演算処理及び向上したネットワーク容量を可能として、恒久的に信頼性のあるデータ通信を提供するためにいずれも拡張されたカバレッジが要求される。

ノマディック使用について、いわゆるＷｉＦｉ接続を通じた高速インターネットアクセスを提供するのに、ＷＬＡＮとしても知られる無線ＬＡＮ技術が広く普及している。これは、今となってはすべてのスマートフォン、タブレット及びラップトップがインターネット接続性のためにそのような無線インターフェースに適合されている理由である。それにもかかわらず、そのようなタイプの接続が利用可能であるいわゆる「ホットスポット」エリアの到達範囲は、最大で約１００メートルに限られ、実際には、仕切りの壁及び床による減衰に起因して、室内で約１００平方メートルのサイズに低下する。したがって、それらの使用は通常、ホテル、レストラン、店舗などに制限される。さらに、隣接エリア間でのハンドオーバーは想定外であるので、移動性サポートの余地がない。

これに対して、大規模な移動体セルラネットワークは、同期音声チャネルの確立を主目的とし、そのような移動性サポートを提供するが、広範囲に及ぶ高速データ接続にはこれまで適していなかった。今では、３Ｇ及びＵＭＴＳ＆ＬＴＥのような４Ｇなどの新たなセルラ技術の出現とともに一層良好な帯域幅容量性を示し、ネットワークのカバレッジと容量の双方が向上でき、そのようなモバイルネットワークのパラダイムは、単なる同期音声トラフィックのサポートから増強されたカバレッジへと飛躍的にシフトされ、さらに帯域幅は同様に、これらのタイプのネットワークが利用可能な場合にはＷＬＡＮネットワークを補うものとして、またあるいはそれらの代替としてデータトラフィックを提供する。さらにその結果、これらモバイルネットワークの容量も検証される。

顧客からの継続的に高まる要望のペースに遅れを取らないために、モバイルネットワークのオペレータは、新たなネットワーク機器を常時ロールアウトし、それにより彼らの期待に応えることができる。しかし、新しく基地局を加えるなどの最も関連する漸進的変化は、カバレッジ及び容量に重大な影響を及ぼすだけでなく、当然のことながら同時に予算検討にも大きく影響し、これらネットワーク要素及びそれらの関連建設費が最大の資本支出額となるため、可能な限り低コストでのネットワーク容量の最大化は非常に困難な作業である。その一方で、より軽微な調整を行うのに技術者から実際の経験を集めても、ほとんど効果のないことが分かる。

したがって、利用可能なネットワークカウンタデータの活用及び厳しい予算的制約の検討の考慮に伴って、現在のトラフィックデータに応じてロールアウトプランニングするためのデータ駆動型モデルが提示されている。

予測アルゴリズムのタスクは、ユーザが、接続されている現在のユーザ数に応じてどのようにして固有のセル上で、すなわち、特定のキャリア周波数でデータトラフィックのサービスを受けやすいかを判定することである。このアルゴリズムは、そのようなトラフィックに利用可能な物理的リソースブロックの量を、音声トラフィックを除外することによってまず判定し、その後、どのようなものがセルにおけるユーザにとって達成可能なデータスループットとなるかを評価するのに確率質量関数のモデリングを使用し得る。そして、累積分布関数を演算処理し、最も低い質でサービングされるユーザに対してスループットの下限境界を設定することによって、これらのユーザがキャリアの規格に従って良好な品質でサービングされやすいか、あるいは適切な再寸法設計手段が採られるかを確認することができる。

予測アルゴリズムは、キャリアアグリゲーション（ＣＡ）が可能である場合、より一層有用となり得る。キャリアアグリゲーション技術は、新世代の無線技術において今ではかなり普及しており、とりわけＬＴＥのような新規４Ｇ規格上で利用可能である。したがって、提示されるセルに基づくモデリングが、新規ユーザが所与の物理的位置でモバイルネットワークに接続しやすい場合にどのようにして実際にサービスを受けるかを評価するのに一層現実的となり得るので、複数のセルを含むセクタに対するそのようなアルゴリズムから導出される技術的推奨値は改善されることができ、又はモバイルネットワークをアップグレードするために任意のロールアウトプランニングを完全に最適化するのに少なくとも役立つ。

したがって、モバイルネットワークキャリアのためのロールアウトプランニング方法の要望があり、それはまた、特定のキャリアアグリゲーションにおいてこれらの展開を考慮することができる。

本発明は、キャリアアグリゲーションをサポートし、向上した精度でデータトラフィックの予測を取得する移動体キャリアのための一層最適化されたロールアウトプランニング方法を提供することを目的としている。

本発明の他の最終目標は、技術的推奨値をより改良するために広範囲の重み付けパラメータをサポートする移動体キャリアのための一層最適化されたロールアウトプランニング方法を提供することである。

このような目的に向けて、本発明は、複数のセルに適合されたセクタを含むモバイルネットワークのために最適化ネットワークロールアウトプランを提供するための方法に関し、各セルはそれ自体の個々のキャリア周波数で動作し、方法は、
−いくつかのネットワークカウンタからデータを収集する第１のステップと、続いて、
−データトラフィックに利用可能なネットワークリソースを判定するデータ解析ステップ
とを含み、どのようなものが、前記セクタに存在するユーザに対して達成可能なデータスループットとなるかを評価するために、確率質量関数（ＰＭＦ）及び累積分布（ＣＤＦ）のモデリングを使用する輻輳検出サブステップをさらに含む。輻輳検出サブステップは、セルの間の少なくとも１つのキャリアアグリゲーション（ＣＡ）シナリオをさらに含み、すべての可能なセル接続構成確率に基づいて重み付けされたアグリゲートＣＤＦ曲線の所定のパーセンタイルを、所定の最小スループットレベルと比較することによって、輻輳状況を検出する。

請求項に係る解決手段によってもたらされる効果は、アグリゲートメトリックを通じてここではセクタ毎に物理的位置に存在しているユーザがどのようにしてサービスを受けるかを評価するために、より広い範囲のモデリングシナリオを含むように使用され得ることである。その結果、物理的位置に存在しているユーザに対して許容可能なデータスループットはより正確に定義され、容量調整は座標の形態で予想されるが、各セルの微調整はそれでも個別に実行される。

好適な実施形態によると、ペインポイントは、測定された負荷分散構成に応じてセル毎に識別される。これによって、ロールアウトプランニングを実行する場合、各セクタに対してモジュールの形態で改良点を標的にすることが可能となる。

他の好適な実施形態によると、その後、すべての利用可能なセルの間の負荷分散構成に基づくネットワーク上で識別されたペインポイントは、カバレッジ又は容量の問題点として標識化される。これによって、ロールアウトプランニングを実行する場合、すべての利用可能な技術的解決手段をその関連サブセットのみとなるまで除去し、したがって処理全体を一層容易にすることが可能となる。

他の好適な実施形態によると、ユーザプロファイルに対応するサービスの分類は加入タイプに基づいて定義され、達成可能なスループットは、各セクタの各ユーザプロファイルに対して演算処理される。その結果、ネットワークの寸法設計は、プロファイル毎に導出されるパターンに従って、トラフィックの制約を完全に一致させることができる。

他の好適な実施形態によると、提示されたロールアウトプランニング方法は、移動体キャリアによって設定されたセクタ値と、さらにペインポイントの重要度とに応じる後続の優先順位付けステップをさらに含む。この優先順位付けステップは、ロールアウトプランニングの改良及び最適化にさらに役立つ。

他の好適な実施形態によると、提示されたロールアウトプランニング方法は、資本及び運用支出額の双方を含む、コスト推定ステップをさらに含む。このコスト推定ステップは、所定の予算的制約を考慮して既定の推奨値を検証するために、好ましくは優先順位付けステップ後に実行され、それによりネットワーク所有者の合計コスト全体が並行して最小化される。

他の好適な実施形態によると、提示されたロールアウトプランニング方法は、ロールアウトについてタイムラインを微調整するために、トラフィック成長予測手法をさらに含む。例えば、タイプによる新規の加入予定に応じて、サービスクラスの区別手法と組み合わせる場合には、ロールアウトのためのタイムラインはユーザプロファイルに関して全体のトラフィック成長の分散に応じても調整され得る。

したがって、提示されたロールアウトプランニング方法は、可能な限り低コストでモニタされるモバイルネットワークの容量を最大化するためには、どこで、いつ及びどの技術が使用されるべきかについて推奨値を示すために、モバイルネットワークのカウンタを効果的に使用する。

モバイルネットワークのロールアウトを最適化する目的のさらなる有利な構成を、本発明についての好適な実施形態を示す図面を参照して、以下に詳細な説明で記述する。これら好適な実施形態のそれぞれに関する有利な構成は、本発明を実施するために単独で又は組み合わせて採用され得ることが分かるはずである。

添付の図面を参照して、ここに発明をより詳細に説明する。

図１は、本発明の好適な実施形態による最適化されたロールアウトプランニングのための提示された方法について一連のステップを示す。図２ａは、各セルに対するネットワークカウンタから導出された累積分布関数曲線及び２つのセルによるキャリアアグリゲーションのシナリオにおけるその組合せ並びにさらにスループットの閾値の比較及びトラフィック輻輳の解析に使用されるアグリゲート累積分布関数曲線を示す。図２ｂは、前述の図２ａと同じ累積分布関数を示すが、ここでは負荷分散解析のための各セルの寄与を重視する。

移動体セルラネットワークでは、１以上のセクタに分かれた物理的位置を一般的にはサイトという。通常、等方サービス容量性を提供するために、３つのセクタはそれぞれ１２０°に及ぶ。そして、各セクタは、サイトの周囲で物理的エリアとして画定され、１以上のセルにカバーされ、すなわち、ネットワーク要素が１以上のアンテナ要素を通じ特定のキャリア及び技術を使用してセクタをサービングする。

以下では、好適なロールアウトプランニング最適化方法を、ＬＴＥ技術（ロングタームエボリューション、４Ｇ移動体規格）及び２つのセルを含み、８００ＭＨｚ及び１８００ＭＨｚの個々のキャリア周波数でそれぞれ動作し、それらのキャリア中心周波数にわたって中心となる１０ＭＨｚ及び２０ＭＨｚのそれぞれの帯域幅を有するサイトについて説明する。しかしながら、この好適な実施形態及びそれに関連する構成のすべては、単なる例示を表し、限定的な形態で制約されるべきではなく、特に、以下の説明を考慮して、提示されるアルゴリズムによって使用される数式はまた３以上のセルを備えるセクタまで拡張され、通常、追加の第３のセルは２１００ＭＨｚのキャリア周波数で動作しており、また２６００ＭＨｚなどのキャリア周波数で動作する第４のセルまでさらに拡張されてもよく、それによってその後、キャリアアグリゲーションは、各キャリア周波数において利用可能な帯域幅に関係なく、利用可能な任意のキャリア周波数で実行されることが可能である（ＮＢ：ＬＴＥの例示としての中心周波数を純粋に表し、提示のアルゴリズムは他の任意の中心周波数によって同様に動作する）。

図１は、本発明の最適化されたロールアウトプランニングの提示された方法を実施するための好適な一連のステップ（Ａ）〜（Ｆ）を示す概略図であり、モバイルネットワーク１００の、好ましくはセルラモバイルネットワーク１００のための向上したロールアウトプラン１０１を与える。モバイルネットワークの各セクタは、カウンタデータのセットをその運転支援システム（ＯＳＳ）に周期的に送信するため、第１のデータ収集ステップ（Ａ）では、提示された方法がこれらカウンタのサブセットを使用して入力パラメータを供給し、そして、どのようなものがユーザにとって達成可能なスループットとなるかを評価するために、後続のデータ解析ステップ（Ｂ）では、セクタ毎にそれらを処理する。第１の輻輳検出サブステップ（Ｂ１）では、キャリアに品質規格に従って、最も低い品質のサービングされるユーザに対して十分なスループットが利用可能であるかを判定し、そして、さらなるペインポイント識別サブステップ（Ｂ２）では、可能であればいつでも第１の場所に関連するセルを指摘し、最終的に、第３のいわゆるペインポイント分類サブステップ（Ｂ３）では、この識別されたセルに対して生じる問題の種類が、すなわち、それが容量又はカバレッジに主に関連しているか、補助的に設定される。そのようにカバレッジ又は容量の問題点として標識化することができる場合、後続のアクション推奨ステップ（Ｄ）は、関連しない技術的オプションがこの解析ステップ（Ｂ）の出力として既に除去されているので、大幅に簡略化される。

実際に、例示として、輻輳が検出された場合に採用され得る可能なアクションは、以下のリスト：
−エリアに新たな屋外マクロサイトを設置する
−所与のセクタに新たなセルを付加する
−所与のセルの帯域幅を拡張する
−アンテナ要素を付加する
−エリアに新たな屋内スモールセルを設置する
−エリアに新たな屋外スモールセルを設置する
−所与のセクタにおいて既存のセル間の負荷分散調整を実行する
の中から選択され得る。

これらの提示されたすべての技術的オプションの中には、基本的にカバレッジを対象とするもの（例えば、新たな屋内スモールセルの設置）もあれば、基本的に容量を対象とするもの（例えば、既存のセクタにおける新たなセルの付加）もあるので、カバレッジ又は容量として標識化されたあるタイプの問題を解決する解決手段は、他のタイプの問題点を解決しようとする場合には単純に無視され得る。

その結果、例えば、セクタ値（例えば、多くのトラフィックが一般的に生じる鉄道の駅、及びサービスの質の観点から、移動体キャリアの評判に対して非常に重要な他の類似の重要拠点）及び問題の重症度に依存して、また推定されたリソースの不足レベルに依存して後続の優先順位付けステップ（Ｅ）もまた、簡略化される。

そして、最適なロールアウトプラン１０１が、最後のいわゆるコスト推定ステップ（Ｆ）では、（アンテナなどのような新規ネットワーク材料の取得を含み、ＣＡＰＥＸとしても周知の）資本支出及び（人件費及び維持管理費用を主に対象とする、ＯＰＥＸとしても周知の）運営支出の観点から予算的制約を考慮することによってもたらされる。そして、予算は、最重要かつ緊急アクションとなるリストの上位から開始して下位へ、予算が底を突くまで分配される。

ロールアウトプラン（１０１）を最適化するためにこれまで考慮されなかった一態様は、期限の設定及び調整である。実際に今までのところ、ネットワークカウンタによって供給されるデータは、現在のデータであるとして提示されるので、ネットワークトラフィックが短期及び中期でどのように進化するかを予想するために、トラフィックの進化の歴史的見通しも推定手法も提供しない。成長予測ステップ（Ｃ）では、タイムラインにどのように取り組むかを正確に対処し、その機能は、通常、次の６、１２及び２４ヶ月にわたってネットワークデータを予想し、そして、データ解析ステップ（Ｂ）及びそのサブステップ（Ｂ１、Ｂ２、Ｂ３）のすべてが繰り返され、それによって期限は、各段で最も可能性が高い技術的オプションと共に微細な粒度によるロールアウトに対して設定され得る。データ解析ステップ（Ｂ）の反復は、図１において成長予測ステップ（Ｃ）からデータ解析ステップ（Ｂ）に戻るフィードバックループによって実体化される。成長予測手法のモデリングについての好適な例は、ロールアウトプランニングをさらに最適化するために本文書で後に詳述する。

以下では、リソース要素（ＲＥ）について記述し、それは定義された量の時間周波数リソースと、さらに物理的リソースブロック（ＰＲＢ）に対応し、ＲＥのセットで構成されたユーザへの割当て可能な最小リソースに、及びＲＥ毎に送信され得るビット数を表すことによってユーザと所与のセルとの間の無線チャネルの品質を表示するチャネル品質指標（ＣＱＩ）に対応している。ＬＴＥにおいて１ｍｓに設定された伝送時間間隔（ＴＴＩ）は、一人のユーザに対する最小スケジューリング時間に相当する。ここで以下に定義される数式は、発明のためのロールアウトプランニングプロセスに好適な実施形態によるデータ解析ステップ（Ｂ）を実施するように意図され、ユーザが２以上のセルのリソースを合成可能なキャリアアグリゲーション（ＣＡ）技術は、ここでスループット推定のために考慮される。

さらに図１を参照すると、８個の異なるネットワークカウンタが、本発明の枠組みの中で実施されるアルゴリズムに対して入力パラメータとしての役割を果たすデータを供給するために使用され、
１．第１のカウンタｃ１は、セルにおいて１日におけるＴＴＩ毎に利用可能なＰＲＢの総数をカウントし、
２．第２のカウンタｃ２は、そのセルにおいて１日におけるユーザの総人数をカウントし、
３．第３のカウンタｃ３は、そのセルにおいて１日におけるアクティブユーザの人数をカウントし、
４．第４のカウンタｃ４は、ＶｏＬＴＥ、すなわち、ＬＴＥを介する音声に対して使用された１日におけるＰＲＢの数をカウントし、
５．第５のカウンタｃ５は、１日におけるＣＱＩの平均分布をカウントし、
６．第６のカウンタｃ６は、ＣＡ及び特定数の二次セルを支持する１日におけるユーザの人数をカウントし、
７．第７のカウンタｃ７は、ＣＡを支持するもののうち特定数の二次セルで構成された１日におけるユーザの人数をカウントし、
８．第８のカウンタｃ８は、音声又はデータが送信されることを要求された１日におけるＴＴＩの数をカウントする。

このデータ解析ステップ中にロールアウトプランニング方法によって用いられたアルゴリズムを実行するための入力として使用されるパラメータは、以下のとおりであり、
−ＲＥ_ＰＲＢは、１つのＰＲＢにおけるＲＥの数であり、このパラメータは使用される技術によって設定される。
−ＴＴＩ毎の総ＰＲＢは、１つのＴＴＩに対するセルにおける利用可能なＰＲＢの総数であり、単純にセルの帯域幅（例えば、１０ＭＨｚに対して５０ＰＲＢ／ＴＴＩ、２０ＭＨｚに対して１００ＰＲＢ／ＴＴＩ）の関数であり、この値は第１のカウンタｃ１によって返される。
−ＶｏＬＴＥのＰＲＢは、ＶｏＬＴＥトラフィックに使用されるセルにおけるＰＲＢ数である。この入力値は、例えば、ＱＣＩを活用して、すなわち、サービス品質（ＱｏＳ）クラス識別子を活用して、第４のカウンタｃ４によって返される。実際に、一般的に、音声トラフィックが、遅延及びジッタに非常に敏感であるためネットワーク上で高度に優先順位付けされ、したがって、最も可能性が高い優先順位（すなわち、ＱＣＩ＝１）に割り当てられる。その結果、このクラスのサービスでタグ付けされたトラフィックの全体を、より一般的に言えば、音声トラフィックに関して可能なすべてのクラスのサービス（すなわち、通常ＱＣＩ１及び５）を測定することが正に必要である。
−総ＵＥは、セルにおけるユーザの総人数である。この入力値は、第２のカウンタｃ２によって返される。
−活性ＴＴＩは、未使用となったものは無視するので、データ又は音声が観測期間中に、−通常毎日−、実際に送信されたＴＴＩの総数である。この入力値は、第８のカウンタｃ８によって返される。
−ＴＴＩ毎の活性ＵＥは、１つのＴＴＩに対するセルにおけるアクティブなユーザの平均人数であり、「アクティブ」は、データが、そのようなユーザに対して送信されるプロセス中であること、又は送信待機中であることを意味する。この入力値は、第８のカウンタｃ８によって返されたもので、第３のカウンタｃ３によって返された値を分割することによって得られる。
−ＣＡ不可能なＵＥは、ＣＡをサポートせず、したがって、一度に１つのセルとのみ接続され得るセルにおけるユーザの人数である。
−ＣＡ可能なＵＥは、より多くのセル（３，４・・・）でも可能であるが、本例では少なくとも２つのセルによって、ＣＡをサポートするセルにおけるユーザの人数である。この入力値は、第６のカウンタｃ６によって返される。
−ＣＡ可能及び構成のＵＥは、ＣＡをサポートするセルにおけるユーザの人数のサブセットである。それはＣＡを使用することが可能であるだけでなく、使用するように構成されるセルにおけるユーザの人数を表す。この入力値は、第７のカウンタｃ７によって返される。
−ＣＡ可能であるが構成でないＵＥであり、この入力値は、実際にＣＡ可能であるがＣＡを使用するようには構成されていないセルにおけるユーザの人数として、前カウンタｃ６及びｃ７の両方によって生成される。
−Ｔｈｒ_ＲＥは、ＣＱＩ値（一般的に、ＬＴＥ技術に対して１６）についての関数としての、１つのＲＥに対するビットの達成可能なスループットである。

−セルにおけるＣＱＩの確率質量関数（ＰＭＦ）は、

である。

これらの入力値は、第５のカウンタｃ５によって供給される利用可能なデータに由来する。

所与のセルＣ_ｉのユーザがどのようにサービングされるかを評価するために、そのセルにおいてＴＴＩ毎のデータに対して利用可能な第１のＰＲＢ数は、以下で数式（１）に説明するように、音声トラフィックを除外することによって計算される。

そして、セルＣ_ｉに現時点で存在しているユーザがデータに対して使用することを期待可能なセルＣ_ｉにおけるＴＴＩ毎のＰＲＢ数は、以下の数式（２）のように演算処理される。

そして最終的に、セルＣ＝Ｃ_ｉを使用してセクタに存在するユーザに対して達成可能なスループットのＰＭＦは、数式（２）によって得られた値に基づいて、以下の数式（３）によって導出され、ここでパラメータＲｔは、オーバージエアで送信されるビットがすべて正確に受信されるわけではないことにより、補正計数に相当する。したがって、Ｒｔは、ブロック誤り率（ＢＬＥＲ）の割合に相当し、一般的には、１０％程度と推定される。

ここで、

である。

サイトに存在するユーザによって達成される平均スループットのより現実的な推定を提供するために、そのセクタは、単一のセルＣ_ｉだけでなく、異なるキャリアで同一のエリアをカバーしている多数のセルが適合されており、ここでは提示するロールアウトプランニング方法が、新たな確率的モデリングにＣＡを組み込む。

２つのセルＣ_ｉ及びＣ_ｊを有するセクタの場合には、第１のキャリア周波数Ｌ１及び第２のキャリア周波数Ｌ２にそれぞれ作用して、ユーザに対して３つの可能な構成がある。
（ｉ）ユーザが、セルＣ_ｉにのみ接続される
（ｉｉ）ユーザが、セルＣ_ｊにのみ接続される
（ｉｉｉ）ユーザが、ＣＡを使用してセルＣ_ｉ及びＣ_ｊの双方に接続される。

セルＣ_ｉにのみ接続されているセクタにおけるユーザの確率は、以下の数式（４）によって与えられ、構成シナリオ（ｉ）に相当する。

同様の数式（４）が、当然、構成シナリオ（ｉｉ）のセルＣ_ｊに適用される。

構成シナリオ（ｉｉｉ）に関する限りは、Ｃ_ｉ＋Ｃ_ｊに接続されているセクタにおけるユーザの確率は、以下の数式（５）によって与えられる。

さらに、セルＣ_ｉ及びＣ_ｊの双方を使用してセクタにおけるユーザが達成可能なスループットのＰＭＦは、以下に数式（６）によって与えられ、

ここで、

である。

セクタにおけるユーザに対して達成されたスループットのＰＭＦは、３つの可能な構成すべてのアグリゲーションに相当し、したがって、以下の数式（７）により正確かつ現実的なモデリングを提供し、それはこの上記の数式（３）の実際に変形されたものであり、ここではＣＡを考慮し、重み付けをｗとして上述の数式（４）及び（５）によって得られた各シナリオの確率である。

ここで、

である。

そして、セクタにおいて最も低い品質でサービングされる数人のユーザのスループットは、セクタにおけるすべてのユーザの達成可能なスループットのＰＭＦの低パーセンタイルＰｅとして定義され、得られた値が所定の最小スループットレベルＴｍを下回る場合には、それ相応に推奨値がもたらされ、これ以降に記述する図２Ａを考慮してさらに説明するように、輻輳が生じるか否かを判定する。現時点で説明する好適な実施形態では、この低パーセンタイルＰｅは、以下の数式（９）に示すように、０．１、すなわち、１０％に設定される。

したがって、上記の数式（９）に定義される任意のＰＭＦスループットの累積分布関数（ＣＤＦ）は、以下の数式（１０）によって定義されるので、

数式（９）は、以下の数式（１１）として再式化され得る。

ここで図２Ａでは、上記数式に従って演算処理された期待スループットのＣＤＦ曲線を示し、第１の曲線ｆ１は、第１のキャリア周波数Ｌ１、−通常ＬＴＥに対して８００ＭＨｚで動作する第１のセルＣ_ｉについて示し、第２の曲線ｆ２は、第２のキャリア周波数Ｌ２−、通常ＬＴＥに対して１８００ＭＨｚで動作する第２のセルＣ_ｊについて示し、第３の曲線ｆ３は、Ｃ_ｉとＣ_ｊの間のキャリアアグリゲーションに相当し、最後に第４の、いわゆるアグリゲート曲線ｇは、数式（７）並びに数式（４）及び（５）の重み付けｗを適用することによる最初の３つの曲線を重み付けすることによって得られる。

数式（１１）をアグリゲート曲線ｇに適用することによって、ローエンドスループットは、ＣＤＦ＝０．１の値に相当する水平線がいつこのアグリゲート曲線ｇと交差するかを検出することによって簡単に得られる。このポイントは、太い黒丸によって実体化され、図示する例に従って、９．３３Ｍｂｐｓのスループットとなる。この値を解釈するために、それを、図示する実施形態に従って１０Ｍｂｐｓに設定された所定の最小スループットレベルＴｍと比較する必要がある。そのような閾値は、データをダウンロードするために、またビデオストリーミングのためにも、妥当であると考えられる。そして、輻輳状況Ｃｓは、得られたローエンドスループット値をこの最小スループットレベルＴｍと比較することによって容易に視覚化されることができ、Ｔｈｒ＜Ｔｍであれば、輻輳が検出される。したがって、図２Ａでは、得られた９．３３Ｍｂｐｓのローエンドスループット値が実際に予め設定された境界線の１０Ｍｂｐｓを下回るので、輻輳が生じる。他の代替的実施形態によると、最小スループットレベルＴｍが他の閾値に設定されてもよく、パーセンタイルもまた他の割合に設定されてもよいが、最小スループットレベルＴｍが設定されるより高い値と共に、より低いパーセンタイル値が選択される場合に、より良好なサービス品質が確実になることが分かるはずである。

さらに図２Ａでは、他のすべてのＣＤＦ曲線ｆ１、ｆ２及びｆ３の他のスループットが、黒丸の代わりに十字形で表示され、０．１のＣＤＦ値がそれぞれ２．９３Ｍｂｐｓ、８．８４Ｍｂｐｓ及び１８．０９Ｍｂｐｓと読み取られるが、決して現実の統計的モデリングに相当するという意味ではなく、ローエンドサービスシナリオに相当するアグリゲート曲線ｇの９．３３Ｍｂｐｓのものとは異なり、これらのスループット値は、独立的に採用されるシナリオ（ｉ）、（ｉｉ）及び（ｉｉｉ）のそれぞれにローエンドスループットが到達され得るということを単に表している。

ここでは９．３３Ｍｂｐｓであり図２Ａの太い黒丸で表示される得られたローエンドスループット値を最小スループットレベルＴｍと比較することによって、輻輳状況Ｃｓの検出は、図１に前述したデータ解析ステップ（Ｂ）の第１の輻輳検出サブステップ（Ｂ１）と見なされ得る。そのような輻輳状況Ｃｓは、図２Ａに図示する最小スループットレベルＴｍに相当する縦線の左側に位置する破線領域に、演算処理された太丸ポイント自体を見付けると生じる。アグリゲート曲線ｇについて得られたローエンドスループットと最小スループットレベルＴｍとの間の差異、又はこれら２つの値の割合に応じて、輻輳レベルもまた判定されることができ、それは図１に図示する優先順位付けステップ（Ｅ）のように、後続のステップにおいて採用するアクションを優先順位付けするのに役立ち得る。本詳細例では、９．３３のスループットが１０Ｍｂｐｓに接近しており、それにより輻輳レベルは飛躍的なものではない。これに対して、５Ｍｂｐｓのスループットは提示される方法に従う計算によって返されるはずなので、輻輳レベルは極端なものであると見なされ得る。

本発明についてロールアウトプランニング方法の好適な実施形態によると、データ解析ステップ（Ｂ）の次のサブステップはペインポイント識別サブステップ（Ｂ２）であり、図２Ｂ並びに以下の数式（１２）、（１３）及び（１４）を考慮して以下でさらに説明される。

実際に、Ｔｈｒ_{ｗｏｒｓｔ＿ＵＥ}に関する０．１の確率は、３つの寄与の合計であり、ユーザ構成のそれぞれ１つが、

であり、各寄与が以下のように定義される。

０．１のＣＤＦを有するアグリゲート曲線ｇの太丸ポイントは、図２Ａにおいて確認できた上に図２Ｂでも確認でき、前数式（４）及び（５）によって得られた重み付けｗを曲線ｆ１、ｆ２及びｆ３に適用することによって実際に得られる。図２Ｂにおいて確認できる十字形は、数式（１３）によって使用されるＣＤＦ値を表す。そして、２つのセルの寄与の割合ｒは、その後、以下のように定義される。

ペインポイントＰＰは、以下の数式（１５）に従って判定され、

パラメータｂは、バランス比に相当し、ここでは１．２５と等しくなるように選択される。言い換えると、２つのセルＣ_ｉ及びＣ_ｊの寄与の割合が０．８〜１．２５内に含まれ、すなわち、１に近い場合、双方のセルは輻輳の問題によって等しく影響を受けると考えられる。あるいは、２つのセルＣ_ｉ及びＣ_ｊのうちどちらの１つが最も影響を受けるか、正確に示すことが可能である。言い換えると、ペインポイント識別サブステップ（Ｂ２）では、輻輳の問題がセル間でバランスの取れた状態であるかを表す可能性があり、さもなければどのセルが最も関与しているかを表す。したがって、このペインポイント識別サブステップ（Ｂ２）の結果として、この段階では、後続のアクション推奨ステップ（Ｄ）中に解析される各セクタの特定のセルに対して採用される測定値に注目することがすでに可能であり得る。

ペインポイント識別サブステップ（Ｂ２）中に特定のセルが識別される場合、これらのペインポイント（ＰＰ）をサブカテゴリに分類し、さらに関連する技術的オプションを除外して後続のアクション推奨ステップ（Ｄ）中に考慮される輻輳の問題を解決するために、その後、データ解析ステップ（Ｂ）のさらに有利な分類サブステップ（Ｂ３）が説明される好適な実施形態に従って提示される。

特に、ペインポイント（ＰＰ）がバランスの取れた状態でないため、所与のセル、例えば、セルＣ_ｉが関係している場合、ペインポイント分類サブステップ（Ｂ３）は、検出される問題点が以下の、

のようにカバレッジ又は容量に関連しているかを判定し、ここで、屋内又はセルエッジとなるセルにおけるユーザの確率は、

のように定義される。

上記の数式（１７）では、不良カバレッジである確率は、関連するセルにおいてＣＡを潜在的に使用したであろうユーザの人数の間の割合を測定することによって推定されるが、実際は、それらの無線条件のために推定されなかった。この割合は、カバレッジ（ｃｏｖ）又は容量（ｃａｐ）が関連するペインポイントにとって最も重大な問題であるかを判定するために、数式（１６）において、通常およそ２０％に設定されるＰＣｏｖ境界パーセントと比較される。

その結果、ペインポイント分類サブステップ（Ｂ３）は、モデリングパラメータとしてキャリアアグリゲーション（ＣＡ）をさらに含むことによるカバレッジ又は容量の問題として、ペインポイント（ＰＰ）の標識化を可能とする。利用可能な技術的オプションの追加的除外によって、後続の推奨ステップ（Ｄ）の処理をさらに簡略化する。変形実施形態によると、技術的オプションのフィルタリングがどのように実行されようとしているかに応じて、ペインポイント識別サブステップ（Ｂ２）に使用される入力パラメータｂ（バランス比）及びペインポイント分類サブステップ（Ｂ３）に使用されるＰＣｏｖ（不良カバレッジの境界確率）は、異なるレベルに調整され得る。バランス比ｂの設定が１に接近するにつれて、個々のセルを正確に示し、その後続の分類を実施することがより容易になり、不良カバレッジの境界確率Ｐｃｏｖの設定が高くなるにつれて、より多くの技術的推奨値は容量の解決に向けられる。

すでに上述したように、さらに図２Ａ及び２Ｂを考慮してデータ解析ステップ（Ｂ）について所与の詳細な例が、２つのキャリア周波数のみで動作する２つのセルを含むにもかかわらず、開示される方法はＣＡについて同じ原理を使用して、他の個々のキャリア、例えば、第３のキャリア周波数Ｌ３で、通常、ＬＴＥに対して２１００ＭＨｚで動作する第３のセルＣ_ｋ、及び第４のキャリア周波数Ｌ４で、通常、ＬＴＥに対して２６００ＭＨｚで動作する第４のセルＣ_ｌなどで動作する追加的セルを含むシナリオにも拡張され得る。

ランダム数のキャリアの多重化は、ＣＡをサポートする所与の技術に対して同時に可能であり、すなわち、同時に２より多くても可能であるとすると、例えば、そのような技術を使用する３つのセルを有するセクタに対するシナリオは、その後、
（ｉ）セル１Ｃ_ｉに接続されたユーザ
（ｉｉ）セル１Ｃ_ｊに接続されたユーザ
（ｉｉｉ）セル３Ｃ_ｋに接続されたユーザ
（ｉｖ）セル１＋セル２のＣ_ｉ＋Ｃ_ｊに接続されたユーザ
（ｖ）セル１＋セル３のＣ_ｉ＋Ｃ_ｋに接続されたユーザ
（ｖｉ）セル２＋セル３のＣ_ｊ＋Ｃ_ｋに接続されたユーザ
（ｖｉｉ）セル１＋セル２＋セル３のＣ_ｉ＋Ｃ_ｊ＋Ｃ_ｋに接続されたユーザ
となるはずである。

そして、アグリゲートＣＤＦ曲線は、追加的ネットワークカウンタからさらに入力を取得し、関連する数式、例えば、（４）及び（５）を調整することによって、これらのシナリオ（ｉ）〜（ｖｉｉ）の１つである構成の確率、すなわち、Ｐｒ（Ｃｏｎｆ＝（ｉ）−（ｖｉｉ））の対応する重み付けと、これらのＣＤＦのすべてを合成することによって、得られるはずである。そして、輻輳検出は、ＣＤＦアグリゲート曲線の通常、０．１でもある選択パーセンタイルが、通常、さらに１０Ｍｂｐｓである所定の最小スループットレベルＴｍを下回るか比較することによって、同様に得られるはずである。

そして、この第１の輻輳検出サブステップ（Ｂ１）を実行した後、ペインポイント識別のためのトリガポイントが、数式（１２）、（１３）及び（１４）に従って上記のように、各セルの寄与も計算することによって同様に設定されるはずである。そして、１つの割合ｒのみの代わりに、セル１及びセル２（Ｃ_ｉ及びＣ_ｊ）の寄与についての第１の割合並びにセル１及びセル３（Ｃ_ｉ及びＣ_ｊ）の寄与についての第２の割合の２つの割合が計算され得る。そして、トリガポイントを識別するために、我々は、同じ閾値１．２５及び０．８を−すなわち、同じ値のバランス比ｂを適用することによって−再度使用する。ペインポイント（ＰＰ）構成は、以下の：
−１つのセルの寄与が他の２つのセルより高い場合、１つのセルのみ識別される。この場合には、後続の分類サブステップ（Ｂ３）は、この識別されたセルが主にカバレッジ又は容量の問題に関係するかを判定するために、さらに実行され得る。
−２つのセルの寄与が第３のものより高いがそれらの間でバランスが取れている場合、２つのセルが識別され、その場合には、２つにはさらなる演算処理が実行されて意思決定プロセスを簡略化し、最終的に、上記のように、
−３つのセルすべての寄与が同様であるバランスの取れた状況では、さらなる演算処理ステップは行われない。
のようになればよい。

同じ原理及び数式の調整は、データ解析ステップ（Ｂ）中に同順のサブステップ（Ｂ１、Ｂ２、Ｂ３）が適用するための４つのキャリアシナリオ又はそれより多くのシナリオに対してなされ、ペインポイント分類ステップ（Ｂ３）は、先のペインポイント識別サブステップ（Ｂ２）の結果に従ってそのままである。

図１に図示する好適な実施形態によると、本発明の枠組みの中では、ユーザの各カテゴリーに対してデータフローを分離して個別演算処理するために、ユーザの加入タイプを考慮することも可能となり得る。実際に、ある移動体キャリアは、加入タイプ（例えば、最大で、小容量パッケージ「Ｓ」に対して１Ｍｂｐｓ、中容量パッケージ「Ｍ」に対して１０Ｍｂｐｓ、及び大容量パッケージ「Ｌ」に対して３０Ｍｂｐｓ）に応じて、種々のレベルの最大データスループットを提示するように主張し、その結果、すべてのネットワークリソースが、彼らの加入カテゴリーに関わらず、すべてのユーザに等しく分配されるべきであると考えるのは、非現実的又は不公平にすらなってしまう。したがって、本発明の枠組みの中では、これらのカテゴリーに応じて差別化されたネットワークリソース割当手法を提供するために、加入カテゴリーを種々のクラスのサービスにマッピングすることが提示される。例えば、ＬＴＥ技術を使用して、音声関連トラフィックはユーザのＱＣＩデータクラスに関わらず、常時、ＱＣＩクラスの１及び５でマーキングされる。先の計算では、音声関連トラフィックが、データスループット曲線を計算する前に、キャリアの利用可能なリソースから、常時、除去され、そして、残りのリソース、すなわち、データトラフィックに利用可能なリソースは、例えば、この文書では前で紹介された数式（１）を参照して、任意のＱＣＩデータクラスとは独立的にアクティブなユーザに等しく分割された。結果として、キャリア毎に１つのアグリゲート曲線だけが得られた。図１において「Ｓ」、「Ｍ」及び「Ｌ」で標識化された矢印の背景にある考え方は、各ＱＣＩデータクラス毎に１つのローエンドスループット値を生成するために、ＱＣＩデータクラス（例えば、加入タイプ「Ｓ」に対してマッピングされるクラス９、加入タイプ「Ｍ」に対してマッピングされるクラス８及び加入タイプ「Ｌ」に対してマッピングされるクラス７）毎に１つのアグリゲートスループット分布を計算することによって、各加入タイプに対してデータフローを分離する可能性を表示することである。このように、移動体キャリアのリソースは、それらの優先順位を考慮して各ＱＣＩデータクラスに割り当てられることになり、セクタにおけるユーザに対する期待スループットを評価するために提供された確率的モデリングをより一層現実的なものとする。ＱｏＳクラスセグメント化を含むそのようなトラフィックモデリングは、このＱｏＳセグメント化が任意のＣＡ技術の使用に対して後順位ではないので、必ずしも複数セルを有するセクタに対してではなく、独立的に採用された単一セルにも適用され得ることもさらに分かるはずである。

加入タイプを考慮するそのようなモデリングは、まず１つには、ロールアウトプランニングをさらに微調整するために、各データクラスに応じて最小スループットレベルＴｍも調整可能とする追加の理由に対してさらに有利である。期待ローエンドスループットを演算処理する場合に加入タイプを考慮する他の基本的な効果は、それによって計算が成長予測を向上させることができ、したがって、特にタイムラインに関して、ロールアウトプランのより良好な微調整が可能となることである。実際に、加入タイプ毎のユーザ数は劇的に変動し、それによってその臨界質量に従う重み付けは、トレンド、例えば、固定された時間スライディングウィンドウ（例えば、直近の６ヶ月又は１２ヶ月）にわたってＷ／週の割合でアクティブなユーザ数の線形成長率を評価するのに使用され得る履歴カウンタデータに加えて、トラフィック成長予測の推定と高度に関連し得る（例えば、一般的に最も販売される加入タイプは、圧倒的に中間の「Ｍ」である）。

図１に示すステップ（Ｃ）において将来のローエンドスループット値の予測は、将来のカウンタ値（ここではｃ１〜ｃ８）にも基づき得るが、一方の各カウンタについて将来の値の予測は、トレンドが導出されるそのカウンタの履歴（過去）の値に基づく。なお、カウンタの履歴の値についての解析では、必ずしも線形でないトレンドが得られることがあり、指数関数的、対数的などであってもよい。さらに、カウンタの履歴の値は、混乱を含む。そのような混乱によって、トレンドの推定が曖昧になり、又は極端な場合には完全に誤ったものとなり得る。

混乱には２つのタイプがあり、一時的及び恒久的なものである。一時的混乱は、制限期間で終了する稀なイベントであり、その間のカウンタ値は例外的であり、特徴的でない。一時的混乱の例は、クリスマスから新年の時期（約２週間にわたる期間）、一般的に７月と８月に及ぶ夏休み、及びネットワーク要素の故障（非常に限られた期間、例えば、１時間続く）を含む。これに対して、恒久的混乱は、ある時点で発生しその新たな状態に留まるネットワーク構成の根本的変化である。恒久的混乱の例は、エリアにおける新規ネットワーク要素の配備又は新規ショッピングモールの開業を含む。

履歴カウンタ値におけるこれらのタイプは両方とも予測ステップ（Ｃ）に悪影響を与えてしまうので、好適な実施形態により、予測ステップ（Ｃ）は、混乱が一方のタイプであるか又は他方のタイプであるかをまず検出してから分類し、そして、その影響を除去するためにこれらの混乱を処理し、それによって予測の結果をより正確にする。

さらに他の好適な実施形態によると、一時的混乱の処理は、このタイプの混乱が予測ステップ（Ｃ）について部分的に又は完全に見過ごされることを伴う。部分的に見過ごすとは、一時的混乱によって影響を受けると考えられるデータサンプルは低重要度に指定されるので、（例えば、１の代わりに係数０．２で乗算されることによって）それに従って重み付けされるが、普通の重要度を有する他のサンプルのすべては重み付けされないということを意味する。完全に見過ごすとは、重み付け係数が０に等しくなるように選択され、それにより一時的混乱によって影響を受けるデータサンプルが完全に無視されるということを意味することになる。

これに対して、恒久的混乱は、決して見過ごされず、期限を履歴データ解析にさらに設定する。実際に、カウンタの履歴値において恒久的混乱が検出される場合、恒久的混乱が発生した時間は、現在から、解析が時間を後退し得るまでの以前の時間制限までの時間ウィンドウを好ましくは設定する。これは、カウンタのトレンドを推定するデータ解析が、最後の恒久的混乱後のサンプルのみを考慮して、その混乱より前のものを考慮しないことを意味する。成長予測ステップ（Ｃ）に関する限り、前段落で説明したように、ＱＣＩクラスのセグメント化及び混乱の検出だけでなく、ネットワーク機器の構成データの使用も、トラフィック成長予測をより正確に行うのに有用となり得る。実際に、ネットワーク機器の構成データを考慮して、主な構成変化（例えば、セクタにおける新規キャリア、エリアにおける新規セクタ、送信電力の変化など）が生じた最後を判定し、トレンド推定の開始地点としてその主な変化からのみ振り返ることが可能であり、したがって、データはより一層正確になる。これらの機器構成データは、ネットワークカウンタに加えて、図１に表示するいわゆる、他のデータソース１０２によって返されるさらなる入力の一部である。

本発明の枠組みの中では、他の関連入力が、ネットワーク機器の構成データに加えて、ロールアウトプランニングプロセスをさらに最適化するためにネットワーク及びユーザが生成するイベントの追跡も活用され得るような図１に表示された、これら他のデータソース１０２によって提供されたことも分かるはずである。実際に、イベントの追跡をせずに計算されたすべての結果は、セクタの全地理的エリアと相関し、したがって、セクタの任意の特定部分について全体としてのセクタだけでは、状態を表現し又は何らかの結論を引き出すことは不可能である。それぞれ個別のユーザによって報告される、ユーザが生成するイベントの追跡を使用して、例えば、三辺測量アルゴリズムを適用することによって、セクタ内の特定の地理的エリアに重点を置いて結果を特定地域に限定することが可能となり得る。そして、セクタのエリア内のサブペインポイントとして異なるタイプのホットスポットを識別することが可能となり、例えば、追加のスモールセルが設置され得る。

説明したロールアウトプランニング最適化方法の好適な実施形態は、ＬＴＥセルラモバイルネットワークのセクタに対応するが、当業者であれば、このロールアウトプランニング方法が、他世代のセルラネットワークと、他のキャリア周波数とを含み、さらにＷＬＡＮ、ＷｉＭＡＸなどのようなＩＥＥＥ標準も場合によっては含む、キャリアアグリゲーション技術をサポートする任意のモバイルネットワーク技術にも適用され得るということを理解するはずである。

使用されるネットワークカウンタは、特にネットワーク容量をピーク時に調整するために、日毎以外に、例えば、１５分毎又は時間毎を最も適当であるとして、入力を提供するように設定され得るということも分かるはずである。

最後になるが大切なことに、物理的位置に存在するユーザの達成可能なスループットを考慮する代わりに、ロールアウトプランニングをサポートするために、セクタ全体の現実的スループット推定及び輻輳検出評価を提供することが主な目的である提示された演算処理手法はまた、本発明の範囲から逸脱することなく、正に同じ物理的位置に入来する新規ユーザに対するスループットの計算に適用され得るということに留意すべきである。実際に、セクタにおける現在の全ユーザ間で平均を演算処理する代わりに、データトラフィックに利用可能な既存のリソースを考慮してどのようにしてその後新規ユーザが限界的にサービングされやすいかを判定しようすることを表現するために、第１の数式（１）及び（２）には、わずかな変化が要求されることになる。

Ａデータ収集ステップ
Ｂデータ解析ステップ
Ｂ１輻輳検出サブステップ
Ｂ２ペインポイント識別サブステップ
Ｂ３ペインポイント分類サブステップ
Ｃ成長予測テップ
Ｄアクション推奨ステップ
Ｅ優先順位付けステップ
Ｆコスト推定ステップ
ｂバランス比
ｃ１第１のネットワークカウンタ
ｃ２第２のネットワークカウンタ
ｃ３第３のネットワークカウンタ
ｃ４第４のネットワークカウンタ
ｃ５第５のネットワークカウンタ
ｃ６第６のネットワークカウンタ
ｃ７第７のネットワークカウンタ
Ｃｉセル識別子
ｆ１第１のキャリア周波数に相当する第１の曲線
ｆ２第２のキャリア周波数に相当する第２の曲線
ｆ３第１及び第２のキャリア周波数の双方に相当する第３の曲線
ｇアグリゲート曲線
ｌ１第１のキャリア周波数
ｌ２第２のキャリア周波数
ｌ３第３のキャリア周波数
ｌ４第４のキャリア周波数
Ｌ「大」加入パッケージ
Ｍ「中」加入パッケージ
Ｔｍスループット最小レベル（キャリによって予め設定）
Ｃｓ輻輳状況
Ｐｅ計算に使用されるＰＭＦの低パーセンタイル
Ｐｃｏｖ不良カバレッジの下限境界の確率
ｑＣＱＩ値
Ｒｔブロック誤り率
Ｓ「小」加入パッケージ
ｗ重み付けパラメータ
１００モバイルネットワーク
１０１ロールアウトプラン
１０２他のデータソースさらにネットワークカウンタ
ＣＡキャリアアグリゲーション
Ｃａｐ容量
ＣＤＦ累積分布関数
Ｃｏｖカバレッジ
ＣＱＩチャネル品質指標
ＬＴＥロングタームエボリューション（４Ｇモバイル技術標準）
ＰＭＦ確率質量関数
ＰＰペインポイント
ＰＲＢ物理的リソースブロック
ＱＣＩサービス品質（ＱｏＳ）クラス識別子
ＲＥリソース要素
Ｔｈｒスループット
ＴＴＩ伝送時間間隔
ＵＥユーザ機器
ＶｏＬＴＥＬＴＥを介する音声

Claims

個々のキャリア周波数で動作する複数のセルに適合されたセクタを備えるモバイルネットワーク（１００）のために最適化されたネットワークロールアウトプラン（１０１）を提供する方法であって、
いくつかのネットワークカウンタからデータを収集する第１のステップ（Ａ）、続いて、
データトラフィックに対して利用可能なネットワークリソースを判定するデータ解析ステップ（Ｂ）であって、前記データ解析ステップ（Ｂ）が、どのようなものが、前記セクタに存在するユーザに対して達成可能なデータスループットとなるかを評価するために、確率質量関数（ＰＭＦ）及び累積分布関数（ＣＤＦ）モデリングを使用する輻輳検出サブステップ（Ｂ１）をさらに備え、前記輻輳検出サブステップ（Ｂ１）が、セルの間の少なくとも１つのキャリアアグリゲーション（ＣＡ）シナリオをさらに含み、すべての可能なセル接続構成の確率に基づいて重み付けされたアグリゲートＣＤＦ曲線（ｇ）の所定のパーセンタイルを所定の最小スループットレベル（Ｔｍ）と比較することによって輻輳状況（Ｃｓ）を検出する、データ解析ステップ（Ｂ）
を備える方法。
前記セクタが少なくとも３つのセル（Ｃ_ｉ、Ｃ_ｊ、Ｃ_ｋ）を備え、キャリアアグリゲーション（ＣＡ）技術が、ランダム数のキャリア周波数の多重化をサポートするように提示された、請求項１に記載のモバイルネットワーク（１００）のために最適化されたネットワークロールアウトプラン（１０１）を提供する方法。
前記データ解析ステップ（Ｂ）が、輻輳が主に生じるセクタ内のセルを識別することを目的とするペインポイント（ＰＰ）識別サブステップ（Ｂ２）をさらに備える、請求項１又は２に記載のモバイルネットワーク（１００）のために最適化されたネットワークロールアウトプラン（１０１）を提供する方法。
前記ペインポイント（ＰＰ）識別サブステップ（Ｂ２）が、セル間の寄与についての少なくとも１つの割合（ｒ）とバランス比（ｂ）との比較を伴う、請求項３に記載のモバイルネットワーク（１００）のために最適化されたネットワークロールアウトプラン（１０１）を提供する方法。
前記ペインポイント（ＰＰ）識別サブステップ（Ｂ２）が、ある単一セルを識別する場合、前記ペインポイント（ＰＰ）識別サブステップ（Ｂ２）に後続のペインポイント分類サブステップ（Ｂ３）が続き、前記識別された単一セルがカバレッジ又は容量の問題点によって主に影響を受けるかを判定する、請求項３又は４に記載のモバイルネットワーク（１００）のために最適化されたネットワークロールアウトプラン（１０１）を提供する方法。
不良カバレッジの確率を計算する前記ペインポイント分類サブステップ（Ｂ３）が、不良カバレッジのこの計算された確率を所定の下限境界の確率（ＰＣｏｖ）と比較し、それに従って前記セルを標識化するカバレッジ又は容量を導出する、請求項５に記載のモバイルネットワーク（１００）のために最適化されたネットワークロールアウトプラン（１０１）を提供する方法。
前記データ解析ステップ（Ｂ）が、異なるユーザプロファイルに従って異なるアグリゲートＣＤＦ曲線をさらに演算処理し、各ユーザプロファイルが加入タイプに相当し、各加入タイプがサービスの特定クラスにマッピングされる、請求項１〜６のいずれか１項に記載のモバイルネットワーク（１００）のために最適化されたネットワークロールアウトプラン（１０１）を提供する方法。
前記モバイルネットワーク（１００）によって使用される技術がＬＴＥであり、前記サービスのクラスがＱＣＩクラスである、請求項７に記載のモバイルネットワーク（１００）のために最適化されたネットワークロールアウトプラン（１０１）を提供する方法。
履歴カウンタデータに基づく成長予測ステップ（Ｃ）をさらに備える、請求項１〜８のいずれか１項に記載のモバイルネットワーク（１００）のために最適化されたネットワークロールアウトプラン（１０１）を提供する方法。
前記成長予測ステップ（Ｃ）が、入力パラメータとしてネットワーク機器の構成データをさらに含む、請求項９に記載のモバイルネットワーク（１００）のために最適化されたネットワークロールアウトプラン（１０１）を提供する方法。
前記成長予測ステップ（Ｃ）が、履歴カウンタデータの展開に基づく混乱検出ステップをさらに含み、それによって混乱が、引き続き一時的又は恒久的なものとして分類され、それによって一時的混乱が少なくとも部分的に見過ごされ、一方の恒久的混乱がトレンドの推定のための時間ウィンドウを設定する、請求項９又は１０に記載のモバイルネットワーク（１００）のために最適化されたネットワークロールアウトプラン（１０１）を提供する方法。
技術的オプションを列挙することを含む後続のアクション推奨ステップ（Ｄ）をさらに備え、前記技術的オプションのリストが前記データ解析ステップ（Ｂ）の結果に従って除去される、請求項１〜１１のいずれか１項に記載のモバイルネットワーク（１００）のために最適化されたネットワークロールアウトプラン（１０１）を提供する方法。
査定手法及び／又は輻輳レベルによって重み付けされる後続の優先順位付けステップ（Ｅ）をさらに備える、請求項１２に記載のモバイルネットワーク（１００）のために最適化されたネットワークロールアウトプラン（１０１）を提供する方法。
後続のコスト最適化ステップ（Ｆ）をさらに備える、請求項１〜１３のいずれか１項に記載のモバイルネットワーク（１００）のために最適化されたネットワークロールアウトプラン（１０１）を提供する方法。
輻輳が生じる位置特定情報を改良するために、ネットワーク及びユーザが生成したイベントの追跡をさらに使用することを特徴とする、請求項１〜１４のいずれか１項に記載のモバイルネットワーク（１００）のために最適化されたネットワークロールアウトプラン（１０１）を提供する方法。