JP6881606B2 - 通信品質低下予測システム、方法およびプログラム - Google Patents

通信品質低下予測システム、方法およびプログラム Download PDF

Info

Publication number
JP6881606B2
JP6881606B2 JP2019559424A JP2019559424A JP6881606B2 JP 6881606 B2 JP6881606 B2 JP 6881606B2 JP 2019559424 A JP2019559424 A JP 2019559424A JP 2019559424 A JP2019559424 A JP 2019559424A JP 6881606 B2 JP6881606 B2 JP 6881606B2
Authority
JP
Japan
Prior art keywords
deterioration
communication quality
communication
prediction
amount
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.)
Active
Application number
JP2019559424A
Other languages
English (en)
Other versions
JPWO2019116417A1 (ja
Inventor
秋元　一郎
一郎 秋元
横井　大輔
大輔 横井
澤田　直樹
直樹 澤田
雅之 池田
雅之 池田
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 JPWO2019116417A1 publication Critical patent/JPWO2019116417A1/ja
Application granted granted Critical
Publication of JP6881606B2 publication Critical patent/JP6881606B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3913—Predictive models, e.g. based on neural network models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/40—Monitoring; Testing of relay systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/12—Avoiding congestion; Recovering from congestion
    • H04L47/127—Avoiding congestion; Recovering from congestion by using congestion prediction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Mobile Radio Communication Systems (AREA)

Description

本発明は、将来の通信品質の低下量または通信品質の低下の発生の有無を予測する通信品質低下予測システム、通信品質低下予測方法、および通信品質低下予測プログラムに関する。
特許文献１には、監視対象機器の故障を予測するための学習モデルを生成する学習装置と、その学習装置から学習モデルを受信し、その学習モデルを用いて監視対象機器の故障の発生を予測する故障予測装置とを備えたシステムが記載されている。
特開２０１６−１７３７８２号公報
特許文献１に記載された発明によれば、監視対象機器の故障の発生を予測することができる。しかし、通信機器を監視対象とする場合には、故障そのものの発生を予測するよりも、故障の前兆となる通信品質の低下に関する予測を行えることが好ましい。故障の前兆となる通信品質の低下に関する予測を行うことで、監視対象となる通信機器に対する対処をより早く行えるからである。
また、将来の通信品質の低下量または通信品質の低下の発生の有無を予測する場合、その予測の精度が高いことが好ましい。
そこで、本発明は、将来の通信品質の低下量または通信品質の低下の発生の有無を高い精度で予測することができる通信品質低下予測システム、通信品質低下予測方法、および通信品質低下予測プログラムを提供することを目的とする。
本発明による通信品質低下予測システムは、一の通信機器と、一の通信機器と通信可能に接続される他の通信機器との間の通信区間での通信品質の低下の原因に関連する属性である第１の属性に基づいて生成された第１の学習モデルを用いて、通信区間での将来の通信品質の低下量または通信品質の低下の発生の有無を予測する第１の予測部と、一の通信機器における通信区間外での通信品質の低下の原因に関連する属性である第２の属性に基づいて生成された第２の学習モデルを用いて、一の通信機器における通信区間外での将来の通信品質の低下量または通信品質の低下の発生の有無を予測する第２の予測部と、第１の予測部の予測結果と、第２の予測部の予測結果とに基づいて、一の通信機器における将来の通信品質の低下量または通信品質の低下の発生の有無を判定する判定部とを備えることを特徴とする。
また、本発明による通信品質低下予測方法は、一の通信機器と、一の通信機器と通信可能に接続される他の通信機器との間の通信区間での通信品質の低下の原因に関連する属性である第１の属性に基づいて生成された第１の学習モデルを用いて、通信区間での将来の通信品質の低下量または通信品質の低下の発生の有無を予測する第１の予測処理を実行し、一の通信機器における通信区間外での通信品質の低下の原因に関連する属性である第２の属性に基づいて生成された第２の学習モデルを用いて、一の通信機器における通信区間外での将来の通信品質の低下量または通信品質の低下の発生の有無を予測する第２の予測処理を実行し、第１の予測処理の予測結果と、第２の予測処理の予測結果とに基づいて、一の通信機器における将来の通信品質の低下量または通信品質の低下の発生の有無を判定することを特徴とする。
また、本発明による通信品質低下予測プログラムは、コンピュータに、一の通信機器と、一の通信機器と通信可能に接続される他の通信機器との間の通信区間での通信品質の低下の原因に関連する属性である第１の属性に基づいて生成された第１の学習モデルを用いて、通信区間での将来の通信品質の低下量または通信品質の低下の発生の有無を予測する第１の予測処理、一の通信機器における通信区間外での通信品質の低下の原因に関連する属性である第２の属性に基づいて生成された第２の学習モデルを用いて、一の通信機器における通信区間外での将来の通信品質の低下量または通信品質の低下の発生の有無を予測する第２の予測処理、および、第１の予測処理の予測結果と、第２の予測処理の予測結果とに基づいて、一の通信機器における将来の通信品質の低下量または通信品質の低下の発生の有無を判定する判定処理を実行させることを特徴とする。
本発明によれば、将来の通信品質の低下量または通信品質の低下の発生の有無を高い精度で予測することができる。
無線中継機器を示す模式図である。 本発明の第１の実施形態の通信品質低下予測システムの例を示すブロック図である。 単位時間毎に記憶された無線中継機器の情報の例を示す模式図である。 イベント情報の例を示す模式図である。 キャンペーン情報の例を示す模式図である。 第１の属性の値を含む教師データの例を示す模式図である。 第１の属性の値を含む教師データの他の例を示す模式図である。 第２の属性の値を含む教師データの例を示す模式図である。 第２の属性の値を含む教師データの他の例を示す模式図である。 無線中継機器５１ａにおける予測結果の統合の例を示す模式図である。 無線中継機器５１ａにおける予測結果の統合の他の例を示す模式図である。 第１の実施形態の通信品質低下予測システムの処理経過の例を示すフローチャートである。 本発明の第２の実施形態の通信品質低下予測システムの例を示すブロック図である。 第２の実施形態における、第１の属性の値を含む教師データの例を示す模式図である。 第２の実施形態における、第１の属性の値を含む教師データの他の例を示す模式図である。 第２の実施形態における、第２の属性の値を含む教師データの例を示す模式図である。 第２の実施形態における、第２の属性の値を含む教師データの他の例を示す模式図である。 第３の学習モデルを生成するために用いられる教師データの例を示す模式図である。 第２の実施形態の通信品質低下予測システムの処理経過の例を示すフローチャートである。 第２の実施形態の通信品質低下予測システムの処理経過の例を示すフローチャートである。 本発明の各実施形態に係るコンピュータの構成例を示す概略ブロック図である。 本発明の通信品質低下予測システムの概要を示すブロック図である。
以下、本発明の実施形態を図面を参照して説明する。
本発明による通信品質低下予測システムは、通信機器の通信品質の低下に関する予測を行う。以下に示す各実施形態では、予測対象となる通信機器が無線中継機器である場合を例にして説明する。ただし、予測対象となる通信機器は、無線中継機器に限定されず、例えば、基地局や、光通信を行う光通信機器であってもよい。
図１は、無線中継機器を示す模式図である。一般に、通信機器はペアをなす。図１に示す例では、無線中継機器５１ａと無線中継機器５１ｂとがペアをなし、無線中継機器５１ａと無線中継機器５１ｂとが無線で通信を行う。また、図１では、一方の無線中継機器５１ａに基地局５２が接続され、もう一方の無線中継機器５１ｂにルータ５３が接続されている場合を例示している。なお、各無線中継機器５１ａ，５１ｂを特に区別しない場合には、単に「無線中継機器５１」と記す。なお、「無線中継機器５１ａと無線中継機器５１ｂとがペアをなす。」とは、「無線中継機器５１ａと無線中継機器５１ｂとが通信可能に接続される。」と表現してもよい。
以下に示す各実施形態で、ペアをなす無線中継機器５１ａと無線中継機器５１ｂとの間の通信区間を通信区間Ｋと記す。
本発明の通信品質低下予測システムは、無線中継機器５１毎に、将来の通信品質の低下に関する予測を行うための学習モデルとして、通信区間Ｋに着目した場合の学習モデルと、通信区間Ｋの区間外に着目した場合の学習モデルとを生成する。後述するように、前者の学習モデルを第１の学習モデルと記し、後者の学習モデルを第２の学習モデルと記す。通信品質低下予測システムは、それらの学習モデルを用いて、通信品質の低下に関する予測を行う。
例えば、無線中継機器５１ａを予測対象とする場合には、無線中継機器５１ａから見て、基地局５２側の通信区間を、「通信区間Ｋ」の区間外とする。また、例えば、無線中継機器５１ｂを予測対象とする場合には、無線中継機器５１ｂから見て、ルータ５３側の通信区間を、「通信区間Ｋ」の区間外とする。
また、以下に示す各実施形態では、パケットロスによって通信品質を表す場合を例にして説明するが、パケットロス以外の指標によって通信品質を表してもよい。パケットロスによって通信品質を表す場合、パケットロスの量が、通信品質の低下量に該当する。
実施形態１．
図２は、本発明の第１の実施形態の通信品質低下予測システムの例を示すブロック図である。本発明の通信品質低下予測システム１は、データ受信部２と、データ記憶部３と、教師データ生成部４と、第１のモデル生成部５と、第２のモデル生成部６と、モデル記憶部７と、第１の予測部８と、第２の予測部９と、統合部１０とを備える。
データ記憶部３は、学習モデルの生成に用いる教師データに含まれることになる情報や、教師データを導出するために用いられる情報を記憶する記憶装置である。
以下、データ記憶部３が記憶する種々の情報について説明する。
データ記憶部３は、個々の無線中継機器５１の情報を記憶する。
個々の無線中継機器５１の情報には、無線中継機器５１が配置されている位置の天気の情報が含まれている。天気の情報の例として、「晴れ」、「曇り」または「雨」等の種類を示す情報や、降水量、気温、湿度等が挙げられる。これらの情報は例示であり、個々の無線中継機器５１の情報に、例示した天気の情報が全て含まれていなくてもよい。また、天気の情報として他の情報が、個々の無線中継機器５１の情報に含まれていてもよい。
また、個々の無線中継機器５１の情報には、無線中継機器５１のアンテナの向きや無線通信に用いる周波数の情報が含まれる。アンテナの向きは、例えば、アンテナの仰角および方位角によって表されてもよい。以下、アンテナの向きが仰角および方位角によって表される場合を例にして説明する。
また、個々の無線中継機器５１の情報には、無線中継機器５１周辺の電波状況を示す情報が含まれる。電波状況を示す情報とは、電波状況が良好か否か（例えば、電波干渉がないかあるか）を示す情報である。
また、個々の無線中継機器５１の情報には、無線中継機器５１が送受信したトラフィックの量や、受信時に破棄（discard ）したトラフィックの量等が含まれる。各実施形態では、図１に示す例において、基地局からルータへのトラフィックのフローに着目しているとする。この場合、無線中継機器５１ａの情報には、無線中継機器５１ａが基地局からのトラフィックを受信する際に破棄したトラフィックの量や、無線中継機器５１ａが無線中継機器５１ｂに送信したトラフィックの量等が含まれる。また、無線中継機器５１ｂの情報には、無線中継機器５１ｂが無線中継機器５１ａから受信したトラフィックの量や、無線中継機器５１ｂがルータ５３に向けて送信したトラフィックの量を含む。なお、本例では、データ記憶部３は、ルータ５３が無線中継機器５１ｂから受信したトラフィックの量も記憶する。なお、これらのトラフィックの量から、パケットロスの量が導出される。
天気の情報、アンテナの向き、無線通信に用いる周波数の情報、電波状況を示す情報、およびトラフィックの量に関する情報は、時刻によって変化し得る。このように変化し得る個々の無線中継機器５１の情報は、個々の無線中継機器５１から通信品質低下予測システム１に単位時間毎に送信され、データ受信部２がその情報を受信して、データ記憶部３に記憶させればよい。また、ルータ５３が無線中継機器５１ｂから受信したトラフィックの量は、ルータ５３から通信品質低下予測システム１に単位時間毎に送信され、データ受信部２がその情報を受信して、データ記憶部３に記憶させればよい。なお、この場合、個々の無線中継機器５１は、天気の情報を測定するための機器、および、電波状況が良好か否かを判定するための機器も備えていればよい。各無線中継機器５１が、天気の情報を測定するための機器を備えていない場合、各無線中継機器５１の近傍にそれぞれ、天気の情報を測定するための機器を設けておき、その機器が単位時間毎に、通信品質低下予測システム１に天気の情報を送信し、データ受信部２がその情報を受信して、データ記憶部３に記憶させればよい。
なお、各実施形態では、単位時間が１時間である場合を例にして説明する。なお、以下の説明や図面において、時刻を表記した場合、その表記は、その時刻までの単位時間分（１時間分）の期間を表しているものとする。例えば、「２０１７年１０月１０日１５時」と表記した場合、その表記は、２０１７年１０月１０日１４時から２０１７年１０月１０日１５時までの１時間を表しているものとする。
また、個々の無線中継機器５１の情報には、無線中継機器５１の位置、機種、設定内容等が含まれる。これらの位置、機種、設定内容等をインベントリ情報と記す。各実施形態では、インベントリ情報に、無線中継機器５１のアンテナの大きさおよび種類も含まれているものとする。データ記憶部３は、無線中継機器５１毎にインベントリ情報を記憶する。例えば、通信ネットワークの管理者、または、通信品質低下予測システム１の管理者が、無線中継機器５１毎のインベントリ情報を、予めデータ記憶部３に記憶させておく。
データ受信部２は、単位時間毎に受信する個々の無線中継機器５１の情報をデータ記憶部３に記憶させる場合、インベントリ情報に含まれているアンテナの大きさおよび種類も対応付けて記憶させる。図３は、このようにして単位時間毎に記憶された無線中継機器５１の情報の例を示す模式図である。図３では、無線中継機器５１ａの情報の例を示しているが、データ受信部２は、他の各無線中継機器５１に関しても、同様に、無線中継機器５１の情報をデータ記憶部３に記憶させる。なお、図３では、トラフィックの量の情報の図示を省略している。図３に示す例では、アンテナの種類は数値で区別されているものとする。
また、データ記憶部３は、種々のイベントの有無を示すイベント情報を記憶する。データ記憶部３は、単位期間毎（本例では、１時間毎）の種々のイベントの有無を記憶する。図４は、イベント情報の例を示す模式図である。図４に示すように、台風や地震等の種々の災害をイベントとしてもよい。図４では、イベントとして、「プロ野球の試合」、「サッカーワールドカップの試合」、「台風」および「地震」を例示しているが、何をイベントとするかについては、特に限定されない。
また、データ記憶部３は、キャンペーンの有無を示すキャンペーン情報を記憶する。データ記憶部３は、１日毎の種々のキャンペーンの有無を記憶する。図５は、キャンペーン情報の例を示す模式図である。キャンペーンの例として、例えば、トラフィックの送信元または宛先となる通信端末の販売促進のための広告活動等が挙げられるが、キャンペーンは本例に限定されない。
また、データ記憶部３は、ネットワークを形成するノード同士の関連を示すトポロジ情報を記憶する。より具体的には、トポロジ情報は、ノード同士の接続関係および接続されているノード間でのトラフィックのフローの向きを示す。トポロジ情報によって、例えば、無線中継機器５１ａに接続されている基地局の数の判断が可能となる。また、無線中継機器５１ｂがトラフィックを送信するルータ５３に接続されているネットワークの数を特定可能な態様でトポロジ情報が定められていてもよい。
また、データ記憶部３は、カレンダ情報を記憶する。カレンダ情報は、年月日の曜日、休日に該当する曜日、休日に該当する年月日、祝日に該当する年月日、および、行事日（例えば、クリスマスやハロウィン等の年中行事が行われる日）を示す情報である。カレンダ情報によって、各年月日が休日であるか平日であるかを判断することができる。また、カレンダ情報によって、各年月日が祝日に該当するか否かの判断や、各年月日に年中行事が行われるか否かの判断も可能となる。
また、データ記憶部３は、無線中継機器５１毎に、無線中継機器５１が存在する地区の人口動態を示す情報を記憶する。人口動態を示す情報は、例えば、各日からみて一定期間後（例えば、１年後）における人口がどれだけ増えるかまたは減るかを示す情報である。都市計画が定められている場合には、人口動態を示す情報として都市計画を用いてもよい。都市計画は、人口動態を示す情報の一態様であると言うことができる。
例えば、通信ネットワークの管理者、または、通信品質低下予測システム１の管理者が、イベント情報、キャンペーン情報、トポロジ情報、カレンダ情報、および、人口動態を示す情報を、予めデータ記憶部３に記憶させておく。
教師データ生成部４は、学習モデルの生成に用いられる教師データを、データ記憶部３に記憶されているデータに基づいて生成する。本実施形態の通信品質低下予測システム１は、無線中継機器５１毎に、将来のパケットロスに関する予測を行うための学習モデルとして、通信区間Ｋに着目した場合の学習モデルと、通信区間Ｋの区間外に着目した場合の学習モデルとを生成する。前者の学習モデルを第１の学習モデルと記す。後者の学習モデルを第２の学習モデルと記す。既に説明したように、例えば、図１に例示する無線中継機器５１ａを予測対象とする場合には、無線中継機器５１ａから見て、基地局５２側の通信区間を、「通信区間Ｋ」の区間外とする。また、例えば、無線中継機器５１ｂを予測対象とする場合には、無線中継機器５１ｂから見て、ルータ５３側の通信区間を、「通信区間Ｋ」の区間外とする。
第１の学習モデルおよび第２の学習モデルは、無線中継機器５１毎に生成される。従って、教師データ生成部４は、無線中継機器５１毎に、第１の学習モデルの生成に用いる教師データと、第２の学習モデルの生成に用いる教師データとを生成する。ここでは、主に、図１に示す無線中継機器５１ａの教師データを生成する場合を例にして説明する。また、既に述べたように、図１に示す例において、基地局からルータへのトラフィックのフローに着目しているとする。
まず、第１の学習モデルの生成に用いられる教師データを生成する動作について説明する。
ペアをなす無線中継機器５１ａと無線中継機器５１ｂとの間の通信区間Ｋ（図１参照）でのパケットロスの原因に関連する属性の例として、天気の情報、アンテナの向き（仰角および方位角）、アンテナの大きさ、アンテナの種類、周波数、電波状況等（すなわち、図３に例示した各属性）が挙げられる。以下、通信区間Ｋでのパケットロスの原因に関連する属性を、第１の属性と記す。また、通信区間Ｋでのパケットロスの原因を内的原因と記す。本発明の各実施形態において、第１の属性は、例えば、天気の情報、アンテナの向き、アンテナの大きさ、アンテナの種類、周波数、電波状況のうち、少なくとも、１つ以上の属性を含む。ただし、第１の属性として、例示した上記の各属性以外の属性を用いてもよい。
教師データ生成部４は、無線中継機器５１ａの各単位時間の各第１の属性の値のうち、文字列で表されている情報を数値化する。例えば、図３に例示した個々の第１の属性（天気の種類、気温、アンテナの仰角および方位角、アンテナの大きさ、アンテナの種類、周波数および電波状況）のうち、天気の種類および電波状況は、文字列で表されている。教師データ生成部４は、この文字列を数値化する。例えば、教師データ生成部４は、天気の種類という属性に関して「晴れ」、「曇り」、「雨」等の文字列を、予め定められたルールに従って、それぞれ、「０．０」、「０．５」、「１．０」等の数値に置き換える。また、例えば、教師データ生成部４は、属性「電場状況」に関して、「干渉有り」を「１」に置き換え、「干渉無し」を「０」に置き換える。
教師データ生成部４は、第１の属性の値が得られた単位時間から、所定期間経過後（例えば、２０日経過後）の単位時間におけるパケットロスの量を計算し、第１の属性の値が得られた時に対応付ける。例えば、教師データ生成部４は、図３に例示する「２０１７年１０月１０日１５時」の個々の第１の属性の値に対応付けるパケットロスの量として、「２０１７年１０月３０日１５時」のパケットロスの量を計算する。このパケットロスの量は、通信区間Ｋにおけるパケットロスの量である。そして、通信区間Ｋにおけるパケットロスの量は、無線中継機器５１ａが無線中継機器５１ｂに向けて送信したトラフィックの量（Ｔｘとする。）から、無線中継機器５１ｂが無線中継機器５１ａから受信したトラフィックの量（Ｒｘとする。）を減算することによって得られる。例えば、「２０１７年１０月３０日１５時」のパケットロスの量は、「２０１７年１０月３０日１５時」におけるＴｘから「２０１７年１０月３０日１５時」におけるＲｘを減算することによって得られる。教師データ生成部４は、計算によって得た「２０１７年１０月３０日１５時」のパケットロスの量を、図３に例示する「２０１７年１０月１０日１５時」の個々の第１の属性の値に対応付ける。教師データ生成部４は、同様の処理を図３に示す各時間について行う。このようにして、教師データ生成部４は、第１の属性の値を含む教師データを生成する。この教師データの例を、図６に示す。ただし、教師データは、第１の属性として、図６に示す全ての属性を含んでいなくてもよく、また、第１の属性として、他の属性を含んでいてもよい。また、教師データは、第１の属性（通信区間Ｋでのパケットロスの原因に関連する属性）以外の属性を含んでいてもよい。ただし、この教師データは、後述の第２の属性は含まない。
また、図６に示す例では、教師データに、所定期間経過後の「パケットロスの量」を含める場合を示した。教師データ生成部４は、所定期間経過後の「パケットロスの量」の代わりに、所定期間経過後の「パケットロスの発生の有無」を含めてもよい。パケットロスの発生有りの場合には、数値「１」で表し、パケットロスの発生無しの場合には、数値「０」で表せばよい。例えば、教師データ生成部４は、Ｔｘ−Ｒｘ＞０であれば、パケットロスの発生有りとみなし、Ｔｘ−Ｒｘ＝０であれば、パケットロスの発生無しとみなせばよい。所定期間経過のパケットロスの発生の有無を含む教師データの例を、図７に示す。
次に、第２の学習モデルの生成に用いられる教師データを生成する動作について説明する。
図１に例示する無線中継機器５１ａを予測対象とする場合には、無線中継機器５１ａから見て、基地局５２側の通信区間が、「通信区間Ｋ」の区間外となる。通信区間Ｋの区間外でのパケットロスの原因に関連する属性の例として、無線中継機器５１ａにトラフィックを送信する基地局の数、各種イベントの有無、キャンペーンの有無、無線中継機器５１ａが存在する地区の人口動態が挙げられる。以下、通信区間Ｋの区間外でのパケットロスの原因に関連する属性を、第２の属性と記す。また、通信区間Ｋの区間外でのパケットロスの原因を外的原因と記す。本発明の各実施形態において、第２の属性は、例えば、イベントの有無、キャンペーンの有無、無線中継機器が存在する地区の人口動態のうち、少なくとも、１つ以上の属性を含む。ただし、第２の属性として、例示した上記の各属性以外の属性を用いてもよい。
教師データ生成部４は、単位時間毎に、無線中継機器５１ａにトラフィックを送信する基地局の数、各種イベントの有無、キャンペーンの有無、無線中継機器５１ａが存在する地区の人口動態を対応付ける。このとき、教師データ生成部４は、文字列で表されている情報を数値化する。例えば、イベント情報（図４参照）やキャンペーン情報（図５参照）に含まれている「有り」という情報を数値「１」で表し、「無し」という情報を数値「０」で表す。
また、教師データ生成部４は、無線中継機器５１ａにトラフィックを送信する基地局の数を、トポロジ情報に基づいて導出すればよい。
そして、教師データ生成部４は、それぞれの単位時間から、所定期間経過後（本例では、２０日経過後）の単位時間における、通信区間Ｋの区間外でのパケットロスの量を特定する。例えば、「２０１７年１０月１０日１５時」の個々の第２の属性の値に対応付けるパケットロスの量として、「２０１７年１０月３０日１５時」に無線中継機器５１ａが基地局からのトラフィックを受信する際に破棄（discard ）したトラフィックの量を用いればよい。このようにして、教師データ生成部４は、第２の属性の値を含む教師データを生成する。この教師データの例を、図８に示す。ただし、教師データは、第２の属性として、図８に示す全ての属性を含んでいなくてもよく、また、第２の属性として、他の属性（例えば、カレンダ情報から得られる「休日か否か」等）を含んでいてもよい。また、教師データは、第２の属性以外の属性を含んでいてもよい。ただし、この教師データは、前述の第１の属性は含まない。
また、図８に示す例では、教師データに、所定期間経過後の「パケットロスの量」を含める場合を示した。教師データ生成部４は、所定期間経過後の「パケットロスの量」の代わりに、所定期間経過後の「パケットロスの発生の有無」を含めてもよい。パケットロスの発生有りの場合には、数値「１」で表し、パケットロスの発生無しの場合には、数値「０」で表せばよい。この場合、無線中継機器５１ａが基地局からのトラフィックを受信する際に破棄したトラフィックがあれば、パケットロスの発生有りとみなし、破棄したトラフィックがなければ、パケットロスの発生なしとみなせばよい。所定期間経過のパケットロスの発生の有無を含む教師データの例を、図９に示す。
なお、図８および図９では、無線中継機器５１ａに関して生成された、第２の学習モデル生成のための教師データを示した。基地局からルータへのトラフィックのフローにおいて、下流側の無線中継機器５１ｂに関して教師データを作成する場合について説明する。この場合、教師データ生成部４は、所定期間経過後の単位時間におけるパケットロスの量として、無線中継機器５１ｂがルータ５３に向けて送信したトラフィックの量から、ルータ５３が無線中継機器５１ｂから受信したトラフィックの量を減算した値を算出すればよい。教師データ生成部４は、パケットロスの発生の有無を特定する場合にも同様の計算を行い、減算結果が正であれば、パケットロスの発生有りとみなし、減算結果が０であれば、パケットロスの発生無しとみなせばよい。また、無線中継機器５１ｂにおける、第２の学習モデル生成のための教師データでは、基地局の数の代わりに、例えば、ルータ５３に接続されているネットワークの数を用いればよい。ルータ５３に接続されているネットワークの数は、例えば、トポロジ情報から求めてもよい。
なお、第１の学習モデル生成のための教師データにおける「所定期間」と、第２の学習モデル生成のための教師データにおける「所定期間」は、同一の期間である。本例では、所定期間が２０日である場合を例示したが、所定期間が２０日でなくてもよい。
教師データ生成部４は、無線中継機器５１毎に、第１の学習モデル生成のための教師データ、および、第２の学習モデル生成のための教師データを生成する。
第１のモデル生成部５は、第１の学習モデル生成のための教師データを用いて、機械学習によって、第１の学習モデルを生成する。第１の学習モデル生成のための教師データは、無線中継機器５１毎に生成される。従って、第１のモデル生成部５は、無線中継機器５１毎に、第１の学習モデルを生成する。
第２のモデル生成部６は、第２の学習モデル生成のための教師データを用いて、機械学習によって、第２の学習モデルを生成する。第２の学習モデル生成のための教師データは、無線中継機器５１毎に生成される。従って、第２のモデル生成部６は、無線中継機器５１毎に、第２の学習モデルを生成する。
第１のモデル生成部５および第２のモデル生成部６が実行する機械学習のアルゴリズムは特に限定されない。
ただし、第１のモデル生成部５が、パケットロスの量を予測するための第１の学習モデルを生成する場合には、第２のモデル生成部６も、パケットロスの量を予測するための第２の学習モデルを生成する。この場合、教師データ生成部４は、第１の学習モデル生成のための教師データとして、図６に例示する教師データを生成し、第２の学習モデル生成のための教師データとして、図８に例示する教師データを生成すればよい。また、この場合、学習モデルは、例えば、回帰式として得られる。
また、第１のモデル生成部５が、パケットロスの発生の有無を予測するための第１の学習モデルを生成する場合には、第２のモデル生成部６も、パケットロスの発生の有無を予測するための第２の学習モデルを生成する。この場合、教師データ生成部４は、第１の学習モデル生成のための教師データとして、図７に例示する教師データを生成し、第２の学習モデル生成のための教師データとして、図９に例示する教師データを生成すればよい。また、この場合、学習モデルは、例えば、判別式として得られる。
第１の学習モデルは、回帰式であっても、判別式であっても、例えば、以下に示す式（１）のように表すことができる。
ｙ＝ａ１ｘ１＋ａ２ｘ２＋・・・＋ａｎｘｎ＋ｂ （１）
ｘ１〜ｘｎは、教師データに含まれる種々の第１の属性に対応する説明変数であり、ａ１〜ａｎは、個々の説明変数の係数である。ｂは、定数項である。
ｙは、目的変数である。
式（１）が、パケットロスの量を予測するための回帰式である場合、ｙは、予測されるパケットロスの量を表す。ただし、このパケットロスの量は、通信区間Ｋでのパケットロスの量の予測値である。
式（１）が、パケットロスの発生の有無を予測するための判別式である場合、ｙは、０〜１の範囲の値をとる。ｙの値が１に近いほど、通信区間Ｋでパケットロスが発生する可能性が高いことを意味し、ｙの値が０に近いほど、通信区間Ｋでパケットロスが発生する可能性が低いことを意味する。
第２の学習モデルは、回帰式であっても、判別式であっても、例えば、以下に示す式（２）のように表すことができる。
Ｙ＝Ａ１Ｘ１＋Ａ２Ｘ２＋・・・＋ＡｍＸｍ＋Ｂ （２）
Ｘ１〜Ｘｍは、教師データに含まれる種々の第２の属性に対応する説明変数であり、Ａ１〜Ａｍは、個々の説明変数の係数である。Ｂは、定数項である。
Ｙは、目的変数である。
式（２）がパケットロスの量を予測するための回帰式である場合、Ｙは、予測されるパケットロスの量を表す。ただし、このパケットロスの量は、通信区間Ｋの区間外(例えば、無線中継機器５１ａから見て、基地局５２側の通信区間）でのパケットロスの量の予測値である。
式（２）が、パケットロスの発生の有無を予測するための判別式である場合、Ｙは、０〜１の範囲の値をとる。ｙの値が１に近いほど、通信区間Ｋの区間外でパケットロスが発生する可能性が高いことを意味し、Ｙの値が０に近いほど、通信区間Ｋの区間外でパケットロスが発生する可能性が低いことを意味する。
第１のモデル生成部５は、生成した第１の学習モデルをモデル記憶部７に記憶させる。同様に、第２のモデル生成部６は、生成した第２の学習モデルをモデル記憶部７に記憶させる。
モデル記憶部７は、第１のモデル生成部５が生成した第１の学習モデル、および、第２のモデル生成部６が生成した第２の学習モデルを記憶する記憶装置である。
なお、本実施形態では、第１の学習モデルが式（１）の形式で表され、第２の学習モデルが式（２）の形式で表される場合を示したが、第１の学習モデルおよび第２の学習モデルの形式は、式（１）や式（２）に示す形式に限定されない。
第１の予測部８は、第１の学習モデルを用いて、将来の通信区間Ｋでのパケットロスに関する予測を行う。以下、パケットロスに関する予測を行う対象となる将来の単位時間を予測対象時間と記す。
第１の学習モデル（式（１））が、パケットロスの量の予測を行うための回帰式であるとする。この場合、第１の予測部８は、予測対象時間から所定期間前における、式（１）の説明変数に対応する属性の値をデータ記憶部３から読み込み、その属性の値を説明変数に代入し、式（１）の計算によりｙの値を求める。このｙの値が、将来の予測対象時間における、通信区間Ｋでのパケットロスの量の予測値である。
第１の学習モデル（式（１））が、パケットロスの発生の有無を予測するための判別式であるとする。この場合においても、第１の予測部８は、予測対象時間から所定期間前における、式（１）の説明変数に対応する属性の値をデータ記憶部３から読み込み、その属性の値を説明変数に代入し、式（１）の計算によりｙの値を求める。式（１）が判別式である場合、ｙは０〜１の範囲の値をとる。第１の予測部８は、例えば、ｙの値が０．５以上であれば、ｙの値を１に置き換え、ｙの値が０．５未満であれば、ｙの値を０に置き換える。ｙの値が１であるということは、将来の予測対象時間において、通信区間Ｋでパケットロスが生じると予測されることを意味する。また、ｙの値が０であるということは、将来の予測対象時間において、通信区間Ｋでパケットロスが生じないと予測されることを意味する。
第２の予測部９は、第２の学習モデルを用いて、将来の通信区間Ｋの区間外（例えば、無線中継機器５１ａにおける予測を行う場合、無線中継機器５１ａから見て、基地局５２側の通信区間）でのパケットロスに関する予測を行う。
第２の学習モデル（式（２））が、パケットロスの量の予測を行うための回帰式であるとする。この場合、第２の予測部９は、予測対象時間から所定期間前における、式（２）の説明変数に対応する属性の値をデータ記憶部３から読み込み、その属性の値を説明変数に代入し、式（２）の計算によりＹの値を求める。このＹの値が、将来の予測対象時間における、通信区間Ｋの区間外でのパケットロスの量の予測値である。
第２の学習モデル（式（２））が、パケットロスの発生の有無を予測するための判別式であるとする。この場合においても、第２の予測部９は、予測対象時間から所定期間前における、式（２）の説明変数に対応する属性の値をデータ記憶部３から読み込み、その属性の値を説明変数に代入し、式（２）の計算によりＹの値を求める。式（２）が判別式である場合、Ｙは０〜１の範囲の値をとる。第２の予測部９は、例えば、Ｙの値が０．５以上であれば、Ｙの値を１に置き換え、ｙの値が０．５未満であれば、Ｙの値を０に置き換える。Ｙの値が１であるということは、将来の予測対象時間において、通信区間Ｋの区間外でパケットロスが生じると予測されることを意味する。また、Ｙの値が０であるということは、将来の予測対象時間において、通信区間Ｋの区間外でパケットロスが生じないと予測されることを意味する。
第１の予測部８および第２の予測部９は、無線中継機器５１毎に、上記の予測処理を実行する。
なお、第１の予測部８および第２の予測部９に対して予測対象時間を指定する動作は、通信品質低下予測システム１の管理者が行えばよい。管理者は、第１の予測部８および第２の予測部９に対して、予測対象時間として同一の単位時間を指定する。従って、第１の予測部８および第２の予測部９は、同一の予測対象時間におけるパケットロスに関する予測を行う。また、管理者は、第１の予測部８および第２の予測部９に対して、例えば、連続する複数の単位時間をそれぞれ、予測対象時間として指定してもよい。例えば、管理者は、連続する予測対象時間として、「２０１７年１０月３０日１５時」、「２０１７年１０月３０日１６時」、・・・等を指定してもよい。この場合、第１の予測部８および第２の予測部９は、予測対象時間毎に、それぞれ、パケットロスに関する予測を行う。管理者は、将来の「単位時間に該当する期間」を予測対象時間として指定すればよい。
統合部１０は、同一の予測対象時間における、第１の予測部８の予測結果と、第２の予測部９の予測結果とを統合する。
図１０は、無線中継機器５１ａにおける予測結果の統合の例を示す模式図である。図１０は、第１の予測部８および第２の予測部９がパケットロスの量を予測する場合の例である。この場合、統合部１０は、第１の予測部８の予測結果（通信区間Ｋにおけるパケットロス量の予測値）と、第２の予測部９の予測結果（通信区間Ｋの区間外におけるパケットロス量の予測値）との合計を計算する。この結果、無線中継機器５１ａにおけるパケットロスの総量の予測値が得られる。統合部１０は、この統合結果（本例では、無線中継機器５１ａにおけるパケットロスの総量の予測値）を、例えば、通信品質低下予測システム１に設けられるディスプレイ装置（図示略）に表示させてもよい。統合部１０は、無線中継機器５１毎に統合結果を表示させる。
図１１は、無線中継機器５１ａにおける予測結果の統合の他の例を示す模式図である。図１１は、第１の予測部８および第２の予測部９がパケットロスの発生の有無を予測する場合の例である。この場合、統合部１０は、第１の予測部８の予測結果（１または０で表される、通信区間Ｋでのパケットロスの発生の有無の予測結果）と、第２の予測部９の予測結果（１または０で表される、通信区間Ｋの区間外でのパケットロスの発生の有無の予測結果）の論理和（ＯＲ）を計算する。すなわち、統合部１０は、第１の予測部８の予測結果および第２の予測部９の予測結果のうち、少なくとも一方が「１（パケットロスが発生する。）」であれば、論理和として「１」を算出する。このことは、無線中継機器５１ａにおいてパケットロスが発生するという予測結果を表わしている。また、統合部１０は、第１の予測部８の予測結果および第２の予測部９の予測結果の両方が「０（パケットロスが発生しない。）」であれば、論理和として「０」を算出する。このことは、無線中継機器５１ａにおいてパケットロスが発生しないという予測結果を表わしている。統合部１０は、この統合結果（本例では、無線中継機器５１ａにおいてパケットロスが発生するか否か）を、例えば、通信品質低下予測システム１に設けられるディスプレイ装置（図示略）に表示させてもよい。統合部１０は、無線中継機器５１毎に統合結果を表示させる。
統合部１０は、第１の予測部８および第２の予測部９のいずれか一方または両方が、パケットロスが発生すると予測した場合、無線中継機器５１ａにおいてパケットロスが発生すると判定すると言うことができる。また、統合部１０は、第１の予測部８および第２の予測部９の両方が、パケットロスが発生しないと予測した場合、無線中継機器５１ａにおいてパケットロスが発生しないと判定すると言うことができる。
統合部１０は、無線中継機器５１毎に、上記の統合処理を実行する。
また、連続する複数の予測対象時間が指定されている場合には、統合部１０は、予測対象時間毎に、上記の統合処理を実行する。このとき、統合部１０は、例えば、無線中継機器５１ａで、連続５時間以上パケットロスが生じる期間があるか等の判定をおこなってもよい。また、また、統合部１０は、予測対象時間におけるパケットロス量の多い順に無線中継機器５１の順番を定めてもよい。
データ受信部２は、例えば、通信品質低下予測プログラムに従って動作するコンピュータのＣＰＵ（Central Processing Unit ）およびそのコンピュータの通信インタフェースによって実現される。例えば、ＣＰＵが、コンピュータのプログラム記憶装置等のプログラム記録媒体から通信品質低下予測プログラムを読み込み、そのプログラムに従って、通信インタフェースを用いて、データ受信部２として動作すればよい。また、教師データ生成部４、第１のモデル生成部５、第２のモデル生成部６、第１の予測部８、第２の予測部９および統合部１０も、例えば、通信品質低下予測プログラムに従って動作する上記のコンピュータのＣＰＵによって実現される。すなわち、上記のように、通信品質低下予測プログラムを読み込んだＣＰＵが、教師データ生成部４、第１のモデル生成部５、第２のモデル生成部６、第１の予測部８、第２の予測部９および統合部１０として動作すればよい。また、データ受信部２、教師データ生成部４、第１のモデル生成部５、第２のモデル生成部６、第１の予測部８、第２の予測部９および統合部１０がそれぞれ別々のハードウェアによって実現されていてもよい。
また、通信品質低下予測システム１は、２つ以上の物理的に分離した装置が有線または無線で接続されている構成であってもよい。
次に、通信品質低下予測システム１の処理経過の例について説明する。図１２は、第１の実施形態の通信品質低下予測システム１の処理経過の例を示すフローチャートである。なお、既に説明した事項については、詳細な説明を省略する。また、データ記憶部３には、各種データが既に記憶されているものとして説明する。また、管理者が、予め、第１の予測部８および第２の予測部９に対して予測対象時間を指定しているものとする。
通信品質低下予測システム１は、以下に示すステップＳ１〜Ｓ７を、無線中継機器５１毎に実行する。
まず、教師データ生成部４が、第１の学習モデルを生成するために用いられる教師データを生成する（ステップＳ１）。通信品質低下予測システム１がパケットロスの量を予測する場合、教師データ生成部４は、図６に例示する教師データを生成する。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、教師データ生成部４は、図７に例示する教師データを生成する。
次に、教師データ生成部４が、第２の学習モデルを生成するために用いられる教師データを生成する（ステップＳ２）。通信品質低下予測システム１がパケットロスの量を予測する場合、教師データ生成部４は、図８に例示する教師データを生成する。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、教師データ生成部４は、図９に例示する教師データを生成する。
次に、第１のモデル生成部５が、ステップＳ１で生成された教師データを用いて、機械学習によって、例えば、式（１）の形式で表される第１の学習モデルを生成する（ステップＳ３）。通信品質低下予測システム１がパケットロスの量を予測する場合、式（１）のｙは、通信区間Ｋでのパケットロスの量の予測値を表す。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、式（１）のｙは、通信区間Ｋでパケットロスが発生する可能性を表す。第１のモデル生成部５は、生成した第１の学習モデルをモデル記憶部７に記憶させる。
次に、第２のモデル生成部６が、ステップＳ２で生成された教師データを用いて、機械学習によって、例えば、式（２）の形式で表される第２の学習モデルを生成する（ステップＳ４）。通信品質低下予測システム１がパケットロスの量を予測する場合、式（２）のＹは、通信区間Ｋの区間外でのパケットロスの量の予測値を表す。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、式（２）のＹは、通信区間Ｋの区間外でパケットロスが発生する可能性を表す。第２のモデル生成部６は、生成した第２の学習モデルをモデル記憶部７に記憶させる。
次に、第１の予測部８は、予測対象時間から所定期間前における、式（１）の説明変数に対応する属性の値をデータ記憶部３から読み出し、その属性の値を、その説明変数に代入し、式（１）の計算を行う（ステップＳ５）。通信品質低下予測システム１がパケットロスの量を予測する場合、この計算結果は、通信区間Ｋでのパケットロスの量の予測値である。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、第１の予測部８は、ｙの計算結果が０．５以上であれば、そのｙの値を１に置き換え、ｙの計算結果が０．５未満であれば、そのｙの値を０に置き換える。置き換え後の「１」は、通信区間Ｋでパケットロスが発生するという予測結果を表わし、置き換え後の「０」は、通信区間Ｋでパケットロスが発生しないという予測結果を表わす。
次に、第２の予測部９は、予測対象時間から所定期間前における、式（２）の説明変数に対応する属性の値をデータ記憶部３から読み出し、その属性の値を、その説明変数に代入し、式（２）の計算を行う（ステップＳ６）。通信品質低下予測システム１がパケットロスの量を予測する場合、この計算結果は、通信区間Ｋの区間外でのパケットロスの量の予測値である。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、第２の予測部９は、Ｙの計算結果が０．５以上であれば、そのＹの値を１に置き換え、Ｙの計算結果が０．５未満であれば、Ｙの値を０に置き換える。置き換え後の「１」は、通信区間Ｋの区間外でパケットロスが発生するという予測結果を表わし、置き換え後の「０」は、通信区間Ｋの区間外でパケットロスが発生しないという予測結果を表わす。
次に、統合部１０は、ステップＳ５の結果と、ステップＳ６の結果とを統合する（ステップＳ７）。通信品質低下予測システム１がパケットロスの量を予測する場合、統合部１０は、ステップＳ５で計算された通信区間Ｋでのパケットロスの量の予測値と、ステップＳ６で計算された通信区間Ｋの区間外でのパケットロスの量の予測値との合計を求める。また、通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、統合部１０は、ステップＳ５の結果（１または０）と、ステップＳ６の結果（１または０）との論理和（ＯＲ）を計算する。論理和によって「１」が得られた場合、着目している無線中継機器５１でパケットロスが発生すると予測されることを意味し、論理和によって「０」が得られた場合、着目している無線中継機器５１でパケットロスが発生しないと予測されることを意味する。
本実施形態によれば、第１のモデル生成部５は、通信区間Ｋでのパケットロスの原因に関連する属性（第１の属性）の値を含む教師データに基づいて、通信区間Ｋでのパケットロスに関する予測を行うための第１の学習モデルを生成する。従って、第１の学習モデルによって、通信区間Ｋでのパケットロスに関する予測を高い精度で行うことができる。また、第２のモデル生成部６は、通信区間Ｋの区間外でのパケットロスの原因に関連する属性（第２の属性）の値を含む教師データに基づいて、通信区間Ｋの区間外でのパケットロスに関する予測を行うための第２の学習モデルを生成する。従って、第２の学習モデルによって、通信区間Ｋの区間外でのパケットロスに関する予測を高い精度で行うことができる。従って、通信区間Ｋでのパケットロスに関する予測結果と、通信区間Ｋの区間外でのパケットロスに関する予測結果を統合することによって得られる、１つの無線中継機器５１におけるパケットロスに関する予測結果も、高い精度で得られる。
次に、第１の実施形態の変形例について説明する。教師データ生成部４は、第１の学習モデルを生成するために用いられる教師データにおいて、「所定期間経過後のパケットロスの量（図６参照）」や「所定期間経過後のパケットロスの発生の有無（図７参照）」ではなく、「所定期間経過後における通信区間Ｋのリンクダウン時間」を含む教師データを生成してもよい。
そして、第１のモデル生成部５は、「所定期間経過後における通信区間Ｋのリンクダウン時間」を目的変数ｙとする学習モデル（式（１））を生成してもよい。
この場合、第１の予測部８が、予測対象時間から所定期間前における、式（１）の説明変数に対応する属性の値をデータ記憶部３から読み出し、その属性の値を、その説明変数に代入し、式（１）の計算を行えばよい。この計算の結果、予測対象時間における通信区間Ｋのリンクダウン時間の予測値が得られる。リンクダウン時間の予測値が０であれば、パケットロスが発生しないことを意味する。また、リンクダウン時間の予測値が０より大きければパケットロスが発生することを意味する。
また、リンクダウン時間の予測値からパケットロスの量の予測値を算出することができる。第１の予測部８が、パケットロスの量の予測値を算出する場合、第１の予測部８は、リンクダウン時間の予測値に、通信区間Ｋにおける理論最大帯域を乗算すればよい。この乗算結果は、通信区間Ｋでのパケットロス量とみなすことができる。この点は、後述の第２の実施形態においても同様である。
実施形態２．
本発明の第２の実施形態では、第１の学習モデルおよび第２の学習モデルの説明変数に、予測対象時間における無線中継機器５１のトラフィック量に対応する説明変数が含まれる。第１の実施形態の通信品質低下予測システムは、第１の学習モデルおよび第２の学習モデルで予測を行う前に、予測対象時間における無線中継機器５１のトラフィック量の予測を行い、トラフィック量の予測値を、第１の学習モデルおよび第２の学習モデルに含まれる説明変数に代入する。
図１３は、本発明の第２の実施形態の通信品質低下予測システムの例を示すブロック図である。第１の実施形態における構成要素と同様の構成要素については、図２と同一の符号を付し、適宜、説明を省略する。第２の実施形態の通信品質低下予測システム１は、第１の実施形態の通信品質低下予測システム１が備える要素に加えて、さらに、第３のモデル生成部２１と、第３の予測部２２とを備える。
第２の実施形態では、教師データ生成部４は、第１の学習モデル生成のための教師データに、第１の属性の値の他に、第１の属性の値が得られた単位時間から所定期間経過後の単位時間に無線中継機器５１を通過するトラフィック量も属性の値として含めて、教師データを生成する。このようにして得られた教師データの例を、図１４および図１５に示す。図１４は、図６に示す教師データに、第１の属性の値が得られた単位時間から所定期間経過後の単位時間における無線中継機器５１ａを通過するトラフィック量を属性として追加した教師データを模式的に示す。図１５は、図１４における「所定期間経過後のパケットロスの量」の代わりに、「所定期間経過後のパケットロスの発生の有無」を含めた場合の教師データを模式的に示す。
同様に、第２の実施形態では、教師データ生成部４は、第２の学習モデル生成のための教師データに、第２の属性の値の他に、第２の属性の値が得られた単位時間から所定期間経過後の単位時間に無線中継機器５１を通過するトラフィック量も属性の値として含めて、教師データを生成する。このようにして得られた教師データの例を、図１６および図１７に示す。図１６は、図８に示す教師データに、第２の属性の値が得られた単位時間から所定期間経過後の単位時間における無線中継機器５１ａを通過するトラフィック量を属性として追加した教師データを模式的に示す。図１７は、図１６における「所定期間経過後のパケットロスの量」の代わりに、「所定期間経過後のパケットロスの発生の有無」を含めた場合の教師データを模式的に示す。
また、第２の実施形態では、第３のモデル生成部２１が、所定期間経過後のトラフィック量を予測するための学習モデルも生成する。この学習モデルを、第３の学習モデルと記す。第３の学習モデルは、トラフィック量予測用学習モデルと称することもできる。また、第３のモデル生成部２１は、トラフィック量予測用学習モデル生成部と称することもできる。
教師データ生成部４は、第３の学習モデルを生成するために用いられる教師データも生成する。教師データ生成部４は、この教師データには、教師データに含まれる時刻が示す単位時間から所定期間経過後の単位時間のトラフィック量を含める。教師データ生成部４は、この教師データに、属性の値として、第１の属性の値および第２の属性の値の両方を含めてもよい。図１８は、第３の学習モデルを生成するために用いられる教師データの例を示す模式図である。
なお、第１の学習モデル生成のための教師データにおける「所定期間」と、第２の学習モデル生成のための教師データにおける「所定期間」と、第３の学習モデルにおける「所定期間」は、同一の期間である。
教師データ生成部４は、無線中継機器５１毎に、第１の学習モデル生成のための教師データ、第２の学習モデル生成のための教師データ、および、第３の学習モデル（トラフィック量予測用学習モデル）生成のための教師データを生成する。
第１のモデル生成部５は、第１の学習モデル生成のための教師データ（図１４または図１５を参照）を用いて、第１の学習モデルを生成する。第１の学習モデルは、式（１）の形式で表すことができる。ただし、第２の実施形態では、第１の学習モデルは、属性「所定期間後のトラフィック量」に対応する説明変数を含んでいる。第１のモデル生成部５は、無線中継機器５１毎に第１の学習モデルを生成する。
第２のモデル生成部６は、第２の学習モデル生成のための教師データ（図１６または図１７を参照）を用いて、第２の学習モデルを生成する。第２の学習モデルは、式（２）の形式で表すことができる。ただし、第２の実施形態では、第２の学習モデルは、属性「所定期間後のトラフィック量」に対応する説明変数を含んでいる。第２のモデル生成部６は、無線中継機器５１毎に第２の学習モデルを生成する。
第３のモデル生成部２１は、第３の学習モデル生成のための教師データ（図１８参照）を用いて、第３の学習モデルを生成する。第３の学習モデルは、回帰式であり、例えば、以下に示す式（３）のように表すことができる。
ｙ’＝ａ１’ｘ１’＋ａ２’ｘ２’＋・・・＋ａｋ’ｘｋ’＋ｂ’ （３）
ｘ１’〜 ｘｋ’は、教師データに含まれる種々の属性に対応する説明変数であり、ａ１’〜 ａｋ’は、個々の説明変数の係数である。ｂ’は、定数項である。
ｙ’は目的変数であり、予測される所定期間経過後のトラフィック量を表す。
第３のモデル生成部２１は、無線中継機器５１毎に第３の学習モデルを生成し、生成した第３の学習モデルをそれぞれ、モデル記憶部７に記憶させる。
第３のモデル生成部２１は、トラフィック量予測部と称することもできる。
第２の実施形態では、第１の学習モデルおよび第２の学習モデルは、属性「所定期間後のトラフィック量」に対応する説明変数を含んでいる。すなわち、第２の実施形態では、第１の学習モデルおよび第２の学習モデルで、予測対象時間のパケットロスに関する予測を行う場合、その予測対象時間におけるトラフィック量の値が必要になる。しかし、予測対象時間は将来であるので、予測対象時間におけるトラフィック量の値は、データ記憶部３に記憶されていない。そこで、本実施形態では、第３の予測部２２が、第３の学習モデルを用いて、予測対象時間におけるトラフィック量の予測値を計算する。第３の予測部２２は、無線中継機器５１毎に、予測対象時間におけるトラフィック量の予測値を計算する。
その後、第１の予測部８は、第１の属性の値の他に、第３の予測部２２によって計算された予測対象時間におけるトラフィック量も第１の学習モデル内の説明変数に代入し、予測対象時間におけるパケットロスに関する予測を行う。
同様に、第２の予測部９は、第２の属性の値の他に、第３の予測部２２によって計算された予測対象時間におけるトラフィック量も第２の学習モデル内の説明変数に代入し、予測対象時間におけるパケットロスに関する予測を行う。
その他の点は、第１の実施形態と同様である。
第３のモデル生成部２１および第３の予測部２２は、例えば、通信品質低下予測プログラムに従って動作するコンピュータのＣＰＵによって実現される。
図１９および図２０は、第２の実施形態の通信品質低下予測システム１の処理経過の例を示すフローチャートである。また、データ記憶部３には、各種データが既に記憶されているものとして説明する。また、管理者が、予め、第１の予測部８、第２の予測部９および第３の予測部２２に対して予測対象時間を指定しているものとする。
通信品質低下予測システム１は、以下に示すステップＳ１１〜Ｓ２０を、無線中継機器５１毎に実行する。
まず、教師データ生成部４が、第１の学習モデルを生成するために用いられる教師データとして、第１の属性の値が得られた単位時間から所定期間経過後の単位時間におけるトラフィック量を属性として含む教師データを生成する（ステップＳ１１）。通信品質低下予測システム１がパケットロスの量を予測する場合、教師データ生成部４は、図１４に例示する教師データを生成する。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、教師データ生成部４は、図１５に例示する教師データを生成する。
次に、教師データ生成部４が、第２の学習モデルを生成するために用いられる教師データとして、第２の属性の値が得られた単位時間から所定期間経過後の単位時間におけるトラフィック量を属性として含む教師データを生成する（ステップＳ１２）。通信品質低下予測システム１がパケットロスの量を予測する場合、教師データ生成部４は、図１６に例示する教師データを生成する。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、教師データ生成部４は、図１７に例示する教師データを生成する。
次に、教師データ生成部４が、第３の学習モデルを生成するために用いられる教師データを生成する（ステップＳ１３）。例えば、教師データ生成部４は、図１８に例示する教師データを生成する。
次に、第１のモデル生成部５が、ステップＳ１１で生成された教師データを用いて、機械学習によって、例えば、式（１）の形式で表される第１の学習モデルを生成する（ステップＳ１４）。このとき、第１のモデル生成部５は、「所定期間後のトラフィック量」に対応する説明変数を含んでいる第１の学習モデルを生成する。通信品質低下予測システム１がパケットロスの量を予測する場合、式（１）のｙは、通信区間Ｋでのパケットロスの量の予測値を表す。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、式（１）のｙは、通信区間Ｋでパケットロスが発生する可能性を表す。第１のモデル生成部５は、生成した第１の学習モデルをモデル記憶部７に記憶させる。
次に、第２のモデル生成部６が、ステップＳ１２で生成された教師データを用いて、機械学習によって、例えば、式（２）の形式で表される第２の学習モデルを生成する（ステップＳ１５）。このとき、第２のモデル生成部６は、「所定期間後のトラフィック量」に対応する説明変数を含んでいる第２の学習モデルを生成する。通信品質低下予測システム１がパケットロスの量を予測する場合、式（２）のＹは、通信区間Ｋの区間外でのパケットロスの量の予測値を表す。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、式（２）のＹは、通信区間Ｋの区間外でパケットロスが発生する可能性を表す。第２のモデル生成部６は、生成した第２の学習モデルをモデル記憶部７に記憶させる。
次に、第３のモデル生成部２１が、ステップＳ１３で生成された教師データを用いて、機械学習によって、例えば、式（３）の形式で表される第３の学習モデルを生成する（Ｓ１６）。第３のモデル生成部２１は、生成した第３の学習モデルをモデル記憶部７に記憶させる。
次に、第３の予測部２２は、予測対象時間から所定期間前における、式（３）の説明変数に対応する属性の値をデータ記憶部３から読み出し、その属性の値を、その説明変数に代入し、式（３）の計算を行う（ステップＳ１７）。この計算結果は、予測対象時間におけるトラフィック量の予測値である。
次に、第１の予測部８は、予測対象時間から所定期間前における、式（１）の説明変数に対応する属性の値をデータ記憶部３から読み出し、その属性の値を、その説明変数に代入し、また、予測対象時間におけるトラフィック量の予測値を、そのトラフィック量に対応する説明変数に代入する。そして、第１の予測部８は、式（１）の計算を行う（ステップＳ１８）。通信品質低下予測システム１がパケットロスの量を予測する場合、この計算結果は、通信区間Ｋでのパケットロスの量の予測値である。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、第１の予測部８は、ｙの計算結果が０．５以上であれば、そのｙの値を１に置き換え、ｙの計算結果が０．５未満であれば、そのｙの値を０に置き換える。置き換え後の「１」は、通信区間Ｋでパケットロスが発生するという予測結果を表わし、置き換え後の「０」は、通信区間Ｋでパケットロスが発生しないという予測結果を表わす。
次に、第２の予測部９は、予測対象時間から所定期間前における、式（２）の説明変数に対応する属性の値をデータ記憶部３から読み出し、その属性の値を、その説明変数に代入し、また、予測対象時間におけるトラフィック量の予測値を、そのトラフィック量に対応する説明変数に代入する。そして、第２の予測部９は、式（２）の計算を行う（ステップＳ１９）。通信品質低下予測システム１がパケットロスの量を予測する場合、この計算結果は、通信区間Ｋの区間外でのパケットロスの量の予測値である。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、第２の予測部９は、Ｙの計算結果が０．５以上であれば、そのＹの値を１に置き換え、Ｙの計算結果が０．５未満であれば、Ｙの値を０に置き換える。置き換え後の「１」は、通信区間Ｋの区間外でパケットロスが発生するという予測結果を表わし、置き換え後の「０」は、通信区間Ｋの区間外でパケットロスが発生しないという予測結果を表わす。
ステップＳ１８，Ｓ１９で用いられる予測対象時間におけるトラフィック量の予測値は、ステップＳ１７で得られる値である。
次に、統合部１０は、ステップＳ１８の結果と、ステップＳ１９の結果とを統合する（ステップＳ２０）。通信品質低下予測システム１がパケットロスの量を予測する場合、統合部１０は、ステップＳ１８で計算された通信区間Ｋでのパケットロスの量の予測値と、ステップＳ１９で計算された通信区間Ｋの区間外でのパケットロスの量の予測値との合計を求める。また、通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、統合部１０は、ステップＳ１８の結果（１または０）と、ステップＳ１９の結果（１または０）との論理和（ＯＲ）を計算する。論理和によって「１」が得られた場合、着目している無線中継機器５１でパケットロスが発生すると予測されることを意味し、論理和によって「０」が得られた場合、着目している無線中継機器５１でパケットロスが発生しないと予測されることを意味する。
第２の実施形態においても、第１の実施形態と同様の効果が得られる。さらに、第２の実施形態では、予測対象時間におけるトラフィック量の予測値（ステップＳ１７で得られる値）も用いて、パケットロスに関する予測を行う。従って、第２の実施形態では、パケットロスに関する予測を、より高い精度で行うことができる。
既に説明したように、パケットロス以外の指標によって通信品質を表してもよい。
また、上記の各実施形態では、ペアをなす通信機器が、無線中継機器である場合を例にして説明したが、ペアをなす通信機器は無線中継機器以外の通信機器であってもよい。例えば、ペアをなす通信機器が、光通信機器であってもよい。この場合、例えば、エラー率（error ratio ）の増加が、通信品質の低下を意味する。また、例えば、ペアをなす通信機器が、基地局とＥＰＣ（Evolved Packet Core ）であってもよい。この場合、例えば、基地局とＥＰＣとのセッション確立割合の低下が、通信品質の低下を意味する。なお、ＥＰＣは、センタに配置されるサーバである。ペアをなす通信機器が基地局とＥＰＣである場合、例えば、スマートフォン等の端末と基地局との間の通信区間が、基地局とＥＰＣとの間の通信区間の区間外に相当する。
図２１は、本発明の各実施形態に係るコンピュータの構成例を示す概略ブロック図である。コンピュータ１０００は、ＣＰＵ１００１と、主記憶装置１００２と、補助記憶装置１００３と、インタフェース１００４と、通信インタフェース１００５とを備える。
本発明の各実施形態の通信品質低下予測システム１は、コンピュータ１０００に実装される。通信品質低下予測システム１の動作は、通信品質低下予測プログラムの形式で補助記憶装置１００３に記憶されている。ＣＰＵ１００１は、その通信品質低下予測プログラムを補助記憶装置１００３から読み出して主記憶装置１００２に展開し、その通信品質低下予測プログラムに従って上記の処理を実行する。
補助記憶装置１００３は、一時的でない有形の媒体の例である。一時的でない有形の媒体の他の例として、インタフェース１００４を介して接続される磁気ディスク、光磁気ディスク、ＣＤ−ＲＯＭ（Compact Disk Read Only Memory ）、ＤＶＤ−ＲＯＭ（Digital Versatile Disk Read Only Memory ）、半導体メモリ等が挙げられる。また、このプログラムが通信回線によってコンピュータ１０００に配信される場合、配信を受けたコンピュータ１０００がそのプログラムを主記憶装置１００２に展開し、上記の処理を実行してもよい。
また、プログラムは、前述の処理の一部を実現するためのものであってもよい。さらに、プログラムは、補助記憶装置１００３に既に記憶されている他のプログラムとの組み合わせで前述の処理を実現する差分プログラムであってもよい。
また、各構成要素の一部または全部は、汎用または専用の回路（circuitry ）、プロセッサ等やこれらの組み合わせによって実現されてもよい。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。各構成要素の一部または全部は、上述した回路等とプログラムとの組み合わせによって実現されてもよい。
各構成要素の一部または全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントアンドサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。
次に、本発明の概要について説明する。図２２は、本発明の通信品質低下予測システムの概要を示すブロック図である。本発明の通信品質低下予測システムは、第１の予測部８３と、第２の予測部８４と、判定部８５とを備える。
第１の予測部８３（例えば、第１の予測部８）は、一の通信機器（例えば、無線中継機器５１ａ）と、一の通信機器と通信可能に接続される他の通信機器（例えば、無線中継機器５１ｂ）との間の通信区間（例えば、通信区間Ｋ）での通信品質の低下の原因に関連する属性である第１の属性に基づいて生成された第１の学習モデルを用いて、通信区間での将来の通信品質の低下量または通信品質の低下の発生の有無を予測する。
第２の予測部８４（例えば、第２の予測部９）は、一の通信機器における通信区間外での通信品質の低下の原因に関連する属性である第２の属性に基づいて生成された第２の学習モデルを用いて、一の通信機器における通信区間外での将来の通信品質の低下量または通信品質の低下の発生の有無を予測する。
判定部８５（例えば、統合部１０）は、第１の予測部の予測結果と、第２の予測部の予測結果とに基づいて、一の通信機器における将来の通信品質の低下量または通信品質の低下の発生の有無を判定する。
そのような構成によって、将来の通信品質の低下量または通信品質の低下の発生の有無を高い精度で予測することができる。
第１の属性の値と、通信区間での通信品質の低下量または通信品質の低下の発生の有無とを教師データとして、将来の通信品質の低下量または通信品質の低下の発生の有無を予測するための第１の学習モデルを生成する第１の学習モデル生成部（例えば、第１のモデル生成部５）と、第２の属性の値と、一の通信機器における通信区間外での通信品質の低下量または通信品質の低下の発生の有無とを教師データとして、将来の通信品質の低下量または通信品質の低下の発生の有無を予測するための第２の学習モデルを生成する第２の学習モデル生成部（例えば、第２のモデル生成部６）とを備える構成であってもよい。
また、第１の学習モデル生成部が、第１の属性の値と、通信区間での通信品質の低下量とを教師データとして、将来の通信品質の低下量を予測するための第１の学習モデルを生成し、第２の学習モデル生成部が、第２の属性の値と、一の通信機器における通信区間外での通信品質の低下量とを教師データとして、将来の通信品質の低下量を予測するための第２の学習モデルを生成し、第１の予測部８３が、通信区間での将来の通信品質の低下量を予測し、第２の予測部８４が、一の通信機器における通信区間外での通信品質の低下量を予測し、判定部８５が、第１の予測部によって予測された通信品質の低下量と、第２の予測部によって予測された通信品質の低下量との合計を、一の通信機器における将来の通信品質の低下量として求める構成であってもよい。
また、第１の学習モデル生成部が、第１の属性の値と、通信区間での通信品質の低下の発生の有無とを教師データとして、将来の通信品質の低下の発生の有無を予測するための第１の学習モデルを生成し、第２の学習モデル生成部が、第２の属性の値と、一の通信機器における通信区間外での通信品質の低下の発生の有無とを教師データとして、将来の通信品質の低下の発生の有無を予測するための第２の学習モデルを生成し、
第１の予測部８３が、通信区間での将来の通信品質の低下の発生の有無を予測し、
第２の予測部８４が、一の通信機器における通信区間外での通信品質の低下の有無を予測し、判定部８５が、第１の予測部および第２の予測部のいずれか一方または両方が、通信品質の低下が生じると予測した場合に、一の通信機器において通信品質の低下が生じると判定し、第１の予測部および第２の予測部の両方が、通信品質の低下が生じないと判定した場合に、一の通信機器において通信品質の低下が生じないと判定する構成であってもよい。
また、一の通信機器の将来のトラフィック量を予測するためのトラフィック量予測用学習モデル（例えば、第３の学習モデル）を生成するトラフィック量予測用学習モデル生成部（例えば、第３のモデル生成部２１）と、トラフィック量予測用学習モデルを用いて、一の通信機器の将来のトラフィック量を予測するトラフィック量予測部（例えば、第３の予測部２２）とを備え、第１の学習モデル生成部が、一の通信機器のトラフィック量の値を含む教師データを用いて、第１の学習モデルを生成し、第２の学習モデル生成部が、一の通信機器のトラフィック量の値を含む教師データを用いて、第２の学習モデルを生成し、第１の予測部８３が、トラフィック量予測部が予測した将来のトラフィック量と、第１の学習モデルとを用いて予測を実行し、第２の予測部８４が、トラフィック量予測部が予測した将来のトラフィック量と、第２の学習モデルとを用いて予測を実行する構成であってもよい。
第１の属性が、天気の情報、一の通信機器のアンテナの向き、アンテナの大きさ、アンテナの種類、周波数、電波状況のうち、少なくとも、１つ以上の属性を含み、第２の属性が、イベントの有無、キャンペーンの有無、一の通信機器が存在する地区の人口動態のうち、少なくとも、１つ以上の属性を含んでいてもよい。
以上、実施形態を参照して本願発明を説明したが、本願発明は上記の実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
産業上の利用の可能性
本発明は、将来の通信品質の低下量または通信品質の低下の発生の有無を予測する通信品質低下予測システムに好適に適用可能である。
１ 通信品質低下予測システム
２ データ受信部
３ データ記憶部
４ 教師データ生成部
５ 第１のモデル生成部
６ 第２のモデル生成部
７ モデル記憶部
８ 第１の予測部
９ 第２の予測部
１０ 統合部
２１ 第３のモデル生成部
２２ 第３の予測部

Claims (10)

  1. 一の通信機器と、前記一の通信機器と通信可能に接続される他の通信機器との間の通信区間での通信品質の低下の原因に関連する属性である第１の属性に基づいて生成された第１の学習モデルを用いて、前記通信区間での将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測する第１の予測部と、
    前記一の通信機器における前記通信区間外での前記通信品質の低下の原因に関連する属性である第２の属性に基づいて生成された第２の学習モデルを用いて、前記一の通信機器における前記通信区間外での将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測する第２の予測部と、
    前記第１の予測部の予測結果と、前記第２の予測部の予測結果とに基づいて、前記一の通信機器における将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を判定する判定部とを備える
    ことを特徴とする通信品質低下予測システム。
  2. 第１の属性の値と、通信区間での通信品質の低下量または前記通信品質の低下の発生の有無とを教師データとして、将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測するための第１の学習モデルを生成する第１の学習モデル生成部と、
    第２の属性の値と、一の通信機器における前記通信区間外での前記通信品質の低下量または前記通信品質の低下の発生の有無とを教師データとして、将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測するための第２の学習モデルを生成する第２の学習モデル生成部とを備える
    請求項１に記載の通信品質低下予測システム。
  3. 第１の学習モデル生成部は、
    第１の属性の値と、通信区間での通信品質の低下量とを教師データとして、将来の前記通信品質の低下量を予測するための第１の学習モデルを生成し、
    第２の学習モデル生成部は、
    第２の属性の値と、一の通信機器における前記通信区間外での前記通信品質の低下量とを教師データとして、将来の前記通信品質の低下量を予測するための第２の学習モデルを生成し、
    第１の予測部は、
    前記通信区間での将来の前記通信品質の低下量を予測し、
    第２の予測部は、
    前記一の通信機器における前記通信区間外での前記通信品質の低下量を予測し、
    判定部は、
    前記第１の予測部によって予測された前記通信品質の低下量と、前記第２の予測部によって予測された前記通信品質の低下量との合計を、前記一の通信機器における将来の前記通信品質の低下量として求める
    請求項２に記載の通信品質低下予測システム。
  4. 第１の学習モデル生成部は、
    第１の属性の値と、通信区間での通信品質の低下の発生の有無とを教師データとして、将来の前記通信品質の低下の発生の有無を予測するための第１の学習モデルを生成し、
    第２の学習モデル生成部は、
    第２の属性の値と、一の通信機器における前記通信区間外での前記通信品質の低下の発生の有無とを教師データとして、将来の前記通信品質の低下の発生の有無を予測するための第２の学習モデルを生成し、
    第１の予測部は、
    前記通信区間での将来の前記通信品質の低下の発生の有無を予測し、
    第２の予測部は、
    前記一の通信機器における前記通信区間外での前記通信品質の低下の有無を予測し、
    判定部は、
    前記第１の予測部および前記第２の予測部のいずれか一方または両方が、前記通信品質の低下が生じると予測した場合に、前記一の通信機器において前記通信品質の低下が生じると判定し、
    前記第１の予測部および前記第２の予測部の両方が、前記通信品質の低下が生じないと判定した場合に、前記一の通信機器において前記通信品質の低下が生じないと判定する
    請求項２に記載の通信品質低下予測システム。
  5. 一の通信機器の将来のトラフィック量を予測するためのトラフィック量予測用学習モデルを生成するトラフィック量予測用学習モデル生成部と、
    前記トラフィック量予測用学習モデルを用いて、前記一の通信機器の将来のトラフィック量を予測するトラフィック量予測部とを備え、
    第１の学習モデル生成部は、
    前記一の通信機器のトラフィック量の値を含む教師データを用いて、第１の学習モデルを生成し、
    第２の学習モデル生成部は、
    前記一の通信機器のトラフィック量の値を含む教師データを用いて、第２の学習モデルを生成し、
    第１の予測部は、
    前記トラフィック量予測部が予測した将来のトラフィック量と、前記第１の学習モデルとを用いて予測を実行し、
    第２の予測部は、
    前記トラフィック量予測部が予測した将来のトラフィック量と、前記第２の学習モデルとを用いて予測を実行する
    請求項２から請求項４のうちのいずれか１項に記載の通信品質低下予測システム。
  6. 第１の属性は、天気の情報、一の通信機器のアンテナの向き、前記アンテナの大きさ、前記アンテナの種類、周波数、電波状況のうち、少なくとも、１つ以上の属性を含み、
    第２の属性は、イベントの有無、キャンペーンの有無、前記一の通信機器が存在する地区の人口動態のうち、少なくとも、１つ以上の属性を含む
    請求項１から請求項５のうちのいずれか１項に記載の通信品質低下予測システム。
  7. 一の通信機器と、前記一の通信機器と通信可能に接続される他の通信機器との間の通信区間での通信品質の低下の原因に関連する属性である第１の属性に基づいて生成された第１の学習モデルを用いて、前記通信区間での将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測する第１の予測処理を実行し、
    前記一の通信機器における前記通信区間外での前記通信品質の低下の原因に関連する属性である第２の属性に基づいて生成された第２の学習モデルを用いて、前記一の通信機器における前記通信区間外での将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測する第２の予測処理を実行し、
    前記第１の予測処理の予測結果と、前記第２の予測処理の予測結果とに基づいて、前記一の通信機器における将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を判定する
    ことを特徴とする通信品質低下予測方法。
  8. 第１の属性の値と、通信区間での通信品質の低下量または前記通信品質の低下の発生の有無とを教師データとして、将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測するための第１の学習モデルを生成し、
    第２の属性の値と、一の通信機器における前記通信区間外での前記通信品質の低下量または前記通信品質の低下の発生の有無とを教師データとして、将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測するための第２の学習モデルを生成する 請求項７に記載の通信品質低下予測方法。
  9. コンピュータに、
    一の通信機器と、前記一の通信機器と通信可能に接続される他の通信機器との間の通信区間での通信品質の低下の原因に関連する属性である第１の属性に基づいて生成された第１の学習モデルを用いて、前記通信区間での将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測する第１の予測処理、
    前記一の通信機器における前記通信区間外での前記通信品質の低下の原因に関連する属性である第２の属性に基づいて生成された第２の学習モデルを用いて、前記一の通信機器における前記通信区間外での将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測する第２の予測処理、および、
    前記第１の予測処理の予測結果と、前記第２の予測処理の予測結果とに基づいて、前記一の通信機器における将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を判定する判定処理
    を実行させるための通信品質低下予測プログラム。
  10. コンピュータに、
    第１の属性の値と、通信区間での通信品質の低下量または前記通信品質の低下の発生の有無とを教師データとして、将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測するための第１の学習モデルを生成する第１の学習モデル生成処理、および、
    第２の属性の値と、一の通信機器における前記通信区間外での前記通信品質の低下量または前記通信品質の低下の発生の有無とを教師データとして、将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測するための第２の学習モデルを生成する第２の学習モデル生成処理
    を実行させる請求項９に記載の通信品質低下予測プログラム。
JP2019559424A 2017-12-11 2017-12-11 通信品質低下予測システム、方法およびプログラム Active JP6881606B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2017/044308 WO2019116417A1 (ja) 2017-12-11 2017-12-11 通信品質低下予測システム、方法およびプログラム

Publications (2)

Publication Number Publication Date
JPWO2019116417A1 JPWO2019116417A1 (ja) 2020-12-17
JP6881606B2 true JP6881606B2 (ja) 2021-06-02

Family

ID=66820797

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019559424A Active JP6881606B2 (ja) 2017-12-11 2017-12-11 通信品質低下予測システム、方法およびプログラム

Country Status (4)

Country Link
US (1) US11381331B2 (ja)
EP (1) EP3726755B1 (ja)
JP (1) JP6881606B2 (ja)
WO (1) WO2019116417A1 (ja)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6805193B2 (ja) * 2018-02-13 2020-12-23 日本電信電話株式会社 無線通信システム、無線通信方法、基地局及び端末
JP7338367B2 (ja) * 2019-09-27 2023-09-05 日本電気株式会社 サーバ及び制御方法
JP7383982B2 (ja) * 2019-10-30 2023-11-21 株式会社ジェイテクト 工具寿命予測システム
JP7346720B2 (ja) * 2020-03-30 2023-09-19 日本電気株式会社 フェージング予測装置、フェージング予測方法およびフェージング予測プログラム
US20220207430A1 (en) * 2020-12-31 2022-06-30 The Toronto-Dominion Bank Prediction of future occurrences of events using adaptively trained artificial-intelligence processes and contextual data
JP2022182441A (ja) 2021-05-28 2022-12-08 日本電気株式会社 干渉検知装置、干渉検知方法及びプログラム

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5083522B2 (ja) 2007-08-16 2012-11-28 日本電気株式会社 ネットワーク監視方法、ネットワーク監視装置、回線エラー防止システム、ネットワーク監視装置用プログラム
JP6167052B2 (ja) 2014-02-25 2017-07-19 Kddi株式会社 通信トラヒック予測装置およびプログラム
US10419958B2 (en) * 2014-04-25 2019-09-17 Nec Corporation Wireless communication control method and device in wireless communication control system, and wireless communication device
WO2015187071A1 (en) * 2014-06-04 2015-12-10 Telefonaktiebolaget L M Ericsson (Publ) Method and user equipment for predicting available throughput for uplink data
JP2016173782A (ja) 2015-03-18 2016-09-29 エヌ・ティ・ティ・コミュニケーションズ株式会社 故障予測システム、故障予測方法、故障予測装置、学習装置、故障予測プログラム及び学習プログラム
JP2016220060A (ja) 2015-05-21 2016-12-22 富士通株式会社 帯域予測プログラム、帯域予測装置、および帯域予測方法
JP2017046095A (ja) 2015-08-25 2017-03-02 日本電気株式会社 アクセスポイントの制御方法、アクセスポイント、プログラム
WO2017067572A1 (en) * 2015-10-19 2017-04-27 Huawei Technologies Co., Ltd. Methods and devices in a communication network
CN107182068A (zh) * 2016-03-11 2017-09-19 索尼公司 用于无线通信的装置和方法、参数优化装置和方法
KR102661600B1 (ko) * 2016-11-17 2024-04-30 삼성전자 주식회사 실재 환경관련 정보를 고려한 통신 채널 분석과 무선 망 설계 방법 및 장치

Also Published As

Publication number Publication date
EP3726755A1 (en) 2020-10-21
WO2019116417A1 (ja) 2019-06-20
US20210075528A1 (en) 2021-03-11
EP3726755B1 (en) 2022-09-07
JPWO2019116417A1 (ja) 2020-12-17
EP3726755A4 (en) 2020-12-23
US11381331B2 (en) 2022-07-05

Similar Documents

Publication Publication Date Title
JP6881606B2 (ja) 通信品質低下予測システム、方法およびプログラム
US11910265B2 (en) Hyper-localization based edge-converged telemetry
CN112740746A (zh) 检测警报的通信网络洞察力
US10728773B2 (en) Automated intelligent self-organizing network for optimizing network performance
CN106126391A (zh) 系统监控方法和装置
US11704495B2 (en) Prediction of film success-quotient
US20170364839A1 (en) Information processing device, model construction method, and program recording medium
CN110073567A (zh) 分布式资源电力需求预测系统和方法
US11489749B2 (en) Mobile telecommunications network capacity simulation, prediction and planning
US20190138974A1 (en) Systems and devices for parcel transportation management
CN110362242A (zh) 一种地图展示方法及终端设备
EP3923517A1 (en) System and method for predicting and handling short-term overflow
US20140067486A1 (en) Systems, methods, and computer program products for prioritizing information
CN112425122A (zh) 检测警报的通信网络洞察力
US20240163194A1 (en) Mobile telecommunications network capacity simulation, prediction and planning
US10671935B2 (en) Event based behavior prediction, classification, and service adjustment
CN112491900B (zh) 异常节点识别方法、装置、设备及介质
JPWO2019116418A1 (ja) 障害分析装置、障害分析方法および障害分析プログラム
CN116028730A (zh) 搜索资源异常识别方法、装置及电子设备
US8912918B2 (en) Method and system for optimized monitoring and identification of advanced metering infrastructure device communication failures
CN115361266A (zh) 告警根因定位方法、装置、设备及存储介质
US10164821B2 (en) Stream computing event models
US20230196137A1 (en) Computerized disruption handling in an environment
JP7173273B2 (ja) 障害分析装置、障害分析方法および障害分析プログラム
US11317244B1 (en) System, method, and computer program for making travel route recommendations based on a network quality of service prediction

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200603

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: 20210406

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210419

R150 Certificate of patent or registration of utility model

Ref document number: 6881606

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150