JP6696859B2

JP6696859B2 - 品質推定装置及び品質推定方法

Info

Publication number: JP6696859B2
Application number: JP2016162839A
Authority: JP
Inventors: 佐竹　孝; 孝佐竹
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 2016-08-23
Filing date: 2016-08-23
Publication date: 2020-05-20
Anticipated expiration: 2036-08-23
Also published as: JP2018032939A

Description

本発明は、品質推定装置及び品質推定方法に関し、特に移動体通信システムにおけるユーザ端末（UE：User Equipment）の面的品質推定を実現するための品質推定装置及び品質推定方法に関する。

移動体通信分野においては、2020年の5Gサービス開始へ向けて、無線アクセスを中心とした方式の検討が進められている。5Gの主要技術であるNew RAT（Radio Access Technologies）では、Massive MIMO／Beamforming等の高密度セル展開を可能とする技術も検討されており、都市部等エリアでのトラヒック混雑緩和にも資すると期待されている。4Gの更なる展開、及び5G導入に向けて、ネットワーク制御及び管理・運営上、よりきめの細かいエリア単位での品質管理が必要となることが想定される。

既存の品質管理手法として、周囲に建物及び樹木が存在する通信環境において電波伝搬をシミュレーションする研究が行われている。秦・奥村モデル等の電波伝搬モデルでは、建物及び樹木がある都市部や構外において電波が受ける影響をモデル化して、エリアにおける各点の電界強度を求めることができる。また、レイトレーシング（Ray Tracing）法においても、建物等の影響を考慮してエリアにおける各点の電界強度を求めることができる（非特許文献１参照）。

今井哲朗，"レイトレーシング法による移動伝搬シミュレーション"，電子情報通信学会論文誌B, Vol. J92-B, No. 9, pp.1333-1347，2009年

秦・奥村モデル等の電波伝搬モデルやレイトレーシング法といった、エリアにおける各点の電界強度を求める既存のRF（Radio Frequency）管理手法は、面的な網羅性はあるものの、推定精度には一定の限界がある。また入力データとして必要な地図や建物の数値データも精度には限界がある。また特に、レイトレーシング法は計算に時間がかかるといった問題もある。

また、移動体通信において、品質管理・制御等を行うため、各UEから測定データを一定間隔で基地局へ集めている。そのデータは、セルトレース（Cell Trace）といった形で基地局から取り出して利用可能である。また、例えば各ユーザが行ったスピードテストなどの測定結果と同時に測定した電界強度データをクラウドに収集・統計処理等をして利用することも可能である。UEにおいては、オンサイトで測定しているため、測定値自体の信頼度は比較的高いが、UEが在圏している点しかデータが取れないため、面的網羅性は低い。

本発明は、移動体通信における品質推定の面的網羅性を確保しつつ、推定精度を向上させることを目的とする。

本発明の一形態に係る品質推定装置は、
移動体通信における品質を推定する品質推定装置であって、
基地局からの電波伝搬に基づいて品質を計算するRF（Radio Frequency）管理手法により、品質のエリア分布を推定するエリア分布推定部と、
前記推定された品質のエリア分布と、エリア内の測定点において予め測定された品質の測定値とに基づいて、ニューラルネットワークモデルを使用して、当該エリア内の品質を推定する品質推定部と、
前記推定された品質を出力する出力部と、
を有し、
前記品質推定部は、前記エリア内の複数の測定点の中から代表測定点を設定し、前記エリア内の或る測定点において予め測定された品質の測定値と、当該或る測定点における品質のエリア分布により計算された品質の計算値との差、及び、前記代表測定点から当該或る測定点までの距離を、ニューラルネットワークモデルの入力として学習させることにより、前記エリア内の品質を推定することを特徴とする。

また、本発明の一形態に係る品質推定方法は、
移動体通信における品質を推定する品質推定装置における品質推定方法であって、
前記品質推定装置が、基地局からの電波伝搬に基づいて品質を計算するRF（Radio Frequency）管理手法により、品質のエリア分布を推定するステップと、
前記品質推定装置が、前記推定された品質のエリア分布と、エリア内の測定点において予め測定された品質の測定値とに基づいて、ニューラルネットワークモデルを使用して、当該エリア内の品質を推定するステップと、
前記品質推定装置が、前記推定された品質を出力するステップと、
を有し、
前記エリア内の品質を推定するステップにおいて、前記品質推定装置が、前記エリア内の複数の測定点の中から代表測定点を設定し、前記エリア内の或る測定点において予め測定された品質の測定値と、当該或る測定点における品質のエリア分布により計算された品質の計算値との差、及び、前記代表測定点から当該或る測定点までの距離を、ニューラルネットワークモデルの入力として学習させることにより、前記エリア内の品質を推定することを特徴とする。

本発明によれば、移動体通信における品質推定の面的網羅性を確保しつつ、推定精度を向上させることが可能になる。

本発明の実施例における品質推定の概要を示す図本発明の実施例に係る品質推定装置の機能構成を示す図品質推定部における品質推定方法の概要を示す図本発明の実施例における代表測定点の設定を示す図本発明の実施例における機械学習モジュールの学習の概要を示す図本発明の実施例において用いられるNNモデルの例を示す図本発明の実施例における機械学習モジュールを用いた品質推定の概要を示す図本発明の実施例における機械学習モジュールの学習の概要を示す図（土地利用区分を入力とする場合）本発明の実施例にて用いられる土地利用区分の例を示す図本発明の実施例における機械学習モジュールを用いた品質推定の概要を示す図（土地利用区分を入力とする場合）本発明の実施例に係る品質推定装置のハードウェア構成例を示す図

以下、図面を参照して本発明の実施例について説明する。

本発明の実施例では、移動体通信における品質を推定する品質推定装置について説明する。

図１に、本発明の実施例における品質推定の概要を示す。本発明の実施例では、上述のRF管理手法の面的網羅性の利点と、UE測定の信頼性の利点との双方を生かせるようなエリア推定・補間アルゴリズムを構築し、より高精細でかつインタラクティブなエリア品質管理を実現することを目指す。

アルゴリズムの具体的方針として、RF管理手法でラフな推定を得ておき、UE測定データが得られる点の近傍に関しては、そのデータを利用して近似精度を高める、といった考え方を採用する。

図１に示すように、RF管理手法により品質（例えば、RSRP（Reference Signal Received Power））のエリア分布を表す計算面が推定できる。しかし、RF管理手法による品質は、実際のUEにより測定された品質（以下、UE測定値と呼ぶ）に対して乖離がある。この場合、UE測定値の方が正しいとする。UEが存在しない点については、RF管理手法により推定された品質をUE測定値により補間することで品質を推定する。なお、図１は、簡単のために２次元で表現しているが、本発明のアルゴリズムは３次元にも適用可能である。

＜実施例１＞
図２に、本発明の実施例に係る品質推定装置１００の機能構成を示す。品質推定装置１００は、エリア分布推定部１０１と、測定値取得部１０３と、品質推定部１０５と、品質出力部１０７とを有する。

エリア分布推定部１０１は、基地局からの電波伝搬に基づいて品質を計算するRF管理手法により、品質のエリア分布を推定する。例えば、エリア分布推定部１０１は、秦・奥村モデル等の電波伝搬モデルやレイトレーシング法を用いて、基地局のアンテナ諸元を入力とし、電界強度のエリア分布を得る。

測定値取得部１０３は、UEによる品質の測定値（UE測定値）を取得する。UE測定値は、エリア内の測定点において予めUEにより取得され、基地局へ報告された値である。

品質推定部１０５は、エリア分布推定部１０１において推定された品質のエリア分布と、測定値取得部１０３において取得されたUE測定値とに基づいて、エリア内の品質を推定する。品質推定部１０５の詳細については以下に説明する。

品質出力部１０７は、品質推定部１０５において推定された品質をディスプレイ等に出力する。

図３に、品質推定部１０５における品質推定方法の概要を示す。まず、セルトレース等の形で基地局からUE測定値を取得する。また、RF管理手法により品質の計算値を推定する。通常は、UE測定値と品質の計算値の間には乖離があるため、UE測定値が得られる点（すなわち、UEが存在している点）においてはUEの測定値を尊重して、そちらの方が正しいとする。UEが存在しない点については、RF管理手法により推定された品質の計算値をUE測定値により補間することで品質を推定する。

例えば、３次元空間を

で表し、３次元ガウス関数gを

とする。ただし、Σは対称行列である分散共分散行列であり、μは平均ベクトルである。

m_iを座標(x,y,z)におけるUE測定値とRF管理手法により推定された品質の計算値E_RF(x,y,z,t)との差として、e_iを以下のように定義する。

この場合、時間tにおける座標(x,y,z)の品質は以下のように推定できる。

次に、機械学習モジュールを用いて品質の推定精度を高める手法について説明する。まず、UE測定値の中から代表測定点を定める。図４に、本発明の実施例における代表測定点の設定を示す。あらかじめ、或るエリア内の複数の測定点において測定をし、面的に凋密なUE測定値を得ておく。それらの中から、一部の点集合を選び出し、点集合の中から代表測定点x1を定める。代表測定点x1をUEに見立てて、そのUEからの距離に対して、各点x2, x3, x4,...のUE測定値とRF管理手法による値の差を入力とし、例えば、ニューラルネットワーク（NN：Neural Network）モデルのような機械学習モジュール等を用いて学習する。

図５に、本発明の実施例における機械学習モジュールの学習の概要を示す。図４に示す代表測定点以外の測定点x2, x3, x4,...におけるRSRP測定値（UE測定値）と、測定点x2, x3, x4,...においてRF管理手法により得られたRSRP計算値（品質の計算値）との差をNNモデルに入力する。また、代表測定点x1から測定点x2, x3, x4,...までの距離rをNNモデルに入力する。なお、UEの高さ、ビル等の構造物までの距離、エリアコード、室内／室外等のその他の各種のパラメータもNNモデルに入力してもよい。

NNモデルにおいては、図６に示すように、入力x_jに対して以下のようにy_ouputを出力するモデルを使用することができる。

ただし、f(t)はシグモイド関数であり、重みw_i,j ¹及びw_j,k ²は、バックプロパゲーションにより繰り返し更新される。y_outoputがRSRP補正値であり、このRSRP補正値が収束した場合、学習が完了する。なお、NNモデルの学習においては、測定点x2, x3, x4,...の全てを入力して学習させる必要はなく、或る収束条件を満たした場合に学習を完了させる。

図７に、本発明の実施例における機械学習モジュールを用いた品質推定の概要を示す。学習が完了した後は、任意の点（UEが存在しない点）における代表測定点からの距離r及びその他の各種のパラメータをNNモデルに入力し、RSRP補正値を得る。このRSRP補正値を、その任意の点においてRF管理手法により得られたRSRP計算値に加算することにより、品質を推定する。

＜実施例２＞
次に、エリア内の土地利用区分を機械学習モデルの入力として学習させることにより、品質の推定精度を更に高める手法について説明する。

図８に、土地利用区分を入力とする場合の本発明の実施例における機械学習モジュールの学習の概要を示す。本実施例では、図５に示す入力パラメータに加えて、土地利用区分を入力パラメータとして更に使用する。図９に、本発明の実施例にて用いられる土地利用区分の例を示す。土地利用区分は、ビル、農地、橋、公共用地等に分類されてもよく、ビルの高さ、樹木の高さ等によって更に詳細に分類されてもよい。土地利用区分には適当な値が付与され、その値がNNモデルに入力される。NNモデルの学習は、図５を参照して説明したように行われる。

図１０に、土地利用区分を入力とする場合の本発明の実施例における機械学習モジュールを用いた品質推定の概要を示す。学習が完了した後は、任意の点（UEが存在しない点）における代表測定点からの距離r、その任意の点における土地利用区分及びその他の各種のパラメータをNNモデルに入力し、RSRP補正値を得る。このRSRP補正値を、その任意の点においてRF管理手法により得られたRSRP計算値に加算することにより、品質を推定する。

このように、土地利用区分を考慮することにより、機械学習の学習精度が上がり、エリア推定制度が更に向上する。

以上のように、本発明の実施例によれば、移動体通信における品質推定の面的網羅性を確保しつつ、推定精度を向上させることが可能になる。更に、本発明の実施例によって得られた電界強度のエリア分布は、干渉やトラヒック量といった他のレイヤのインデックスと組み合わせて、より上位のインデックスを推定することが可能である。

＜ハードウェア構成例＞
図１１に、本発明の実施例に係る品質推定装置１００のハードウェア構成例を示す。品質推定装置１００は、CPU（Central Processing Unit）１５１等のプロセッサ、RAM（Random Access Memory）やROM（Read Only Memory）等のメモリ装置１５２、ハードディスク等の記憶装置１５３等から構成されたコンピュータでもよい。例えば、品質推定装置１００の機能及び処理は、記憶装置１５３又はメモリ装置１５２に格納されているデータやプログラムをCPU１５１が実行することによって実現される。また、品質推定装置１００に必要な情報は、入出力インタフェース装置１５４から入力され、品質推定装置１００において求められた結果は、入出力インタフェース装置１５４から出力されてもよい。

＜補足＞
説明の便宜上、本発明の実施例に係る品質推定装置は機能的なブロック図を用いて説明しているが、本発明の実施例に係る品質推定装置は、ハードウェア、ソフトウェア又はそれらの組み合わせで実現されてもよい。例えば、本発明の実施例は、コンピュータに対して本発明の実施例に係る品質推定装置の機能を実現させるプログラム、コンピュータに対して本発明の実施例に係る方法の各手順を実行させるプログラム等により、実現されてもよい。また、各機能部が必要に応じて組み合わせて使用されてもよい。また、本発明の実施例に係る方法は、実施例に示す順序と異なる順序で実施されてもよい。

以上、移動体通信における品質推定の面的網羅性を確保しつつ、推定精度を向上させるための手法について説明したが、本発明は、上記の実施例に限定されることなく、特許請求の範囲内において、種々の変更・応用が可能である。

１００品質推定装置
１０１エリア分布推定部
１０３測定値取得部
１０５品質推定部
１０７品質出力部
１５１ＣＰＵ
１５２メモリ装置
１５３記憶装置
１５４入出力インタフェース装置

Claims

移動体通信における品質を推定する品質推定装置であって、
基地局からの電波伝搬に基づいて品質を計算するRF（Radio Frequency）管理手法により、品質のエリア分布を推定するエリア分布推定部と、
前記推定された品質のエリア分布と、エリア内の測定点において予め測定された品質の測定値とに基づいて、ニューラルネットワークモデルを使用して、当該エリア内の品質を推定する品質推定部と、
前記推定された品質を出力する出力部と、
を有し、
前記品質推定部は、前記エリア内の複数の測定点の中から代表測定点を設定し、前記エリア内の或る測定点において予め測定された品質の測定値と、当該或る測定点における品質のエリア分布により計算された品質の計算値との差、及び、前記代表測定点から当該或る測定点までの距離を、ニューラルネットワークモデルの入力として学習させることにより、前記エリア内の品質を推定する、品質推定装置。
前記品質推定部は、更に、エリア内の土地利用区分を、ニューラルネットワークモデルの入力として学習させることにより、前記エリア内の品質を推定する、請求項１に記載の品質推定装置。
移動体通信における品質推定装置における品質を推定する品質推定方法であって、
前記品質推定装置が、基地局からの電波伝搬に基づいて品質を計算するRF（Radio Frequency）管理手法により、品質のエリア分布を推定するステップと、
前記品質推定装置が、前記推定された品質のエリア分布と、エリア内の測定点において予め測定された品質の測定値とに基づいて、ニューラルネットワークモデルを使用して、当該エリア内の品質を推定するステップと、
前記品質推定装置が、前記推定された品質を出力するステップと、
を有し、
前記エリア内の品質を推定するステップにおいて、前記品質推定装置が、前記エリア内の複数の測定点の中から代表測定点を設定し、前記エリア内の或る測定点において予め測定された品質の測定値と、当該或る測定点における品質のエリア分布により計算された品質の計算値との差、及び、前記代表測定点から当該或る測定点までの距離を、ニューラルネットワークモデルの入力として学習させることにより、前記エリア内の品質を推定する、品質推定方法。