JP6938038B2 - 通信状況予測装置、通信状況予測方法、および、プログラム - Google Patents

Description

本発明は、無線通信の通信状況、通信状態の予測処理の技術に関する。

工場等の狭空間では工作機械・製品・作業員等の移動に伴う伝搬環境の変化や、複数の無線アプリケーション間の干渉等により想定外の通信品質（ＱｏＳ：Ｑｕａｌｉｔｙ ｏｆ Ｓｅｒｖｉｃｅ）低下が発生し、生産性が低下してしまう。

そのため、ＱｏＳの極端な劣化（通信障害）が発生する前に回避行動をとることが必要となり、その実現には通信障害発生の予測が必要となる。通信障害の予測により，例えば以下のような対策を講じることで、生産性の低下を未然に防止できる。
（１）ある無線端末の通信リンクにおいて通信障害の予兆が検知された場合に、同じ無線チャネルを利用している他無線端末の停止や利用帯域の変更を行うことにより伝送スループットの低下を未然に防止する。
（２）ある通信リンクで通信障害の予兆が検知された場合に、干渉の原因となっている端末の帯域制限を自動的に行い、伝送スループットの低下や大きなレイテンシの発生等を未然に防止する。

例えば、特許文献１、２には、過去の情報に基づいて、将来時刻の通信品質の予測を行う技術の開示がある。

特開２０１６−９１２７１号公報 特開２０１７−５４７３号公報

特許文献１、２の技術を通信障害の予兆検知に用いる場合、予測値が所要ＱｏＳ値を満たすか否かの２択の判定を行う、あるいは、所要ＱｏＳ値と予測値との類似度合い（例えば、所要ＱｏＳ値と予測値とのユークリッド距離）により通信障害の危険性を定量化し判定する等の方法が考えられる。このように過去情報に基づいた予測を行う場合、必然的に頻出の入力パターンについては精度良く予測できるが、稀な入力パターン、あるいは、未学習の入力パターンについては予測精度が劣化する。このため、上記のような技術を用いた場合、通信障害の不検出・誤検出を招くことになり問題となる。

そこで、本発明は上記課題に鑑み、稀な入力パターン、あるいは、未学習の入力パターンが発生した場合であっても、高精度な通信障害の予測処理を実行する通信状況予測装置、通信状況予測方法、および、プログラムを実現することを目的とする。

上記課題を解決するために、第１の発明は、レアリティ取得部と、調整基準値取得部と、予測値取得部と、判定部と、を備える通信状況予測装置である。

レアリティ取得部は、通信品質を示すデータである通信品質データの時系列パターンの発生頻度の稀少度合いを示すレアリティ値を取得する。

調整基準値取得部は、レアリティ値に基づいて、通信品質データの要求基準値を調整した値を、調整基準値として取得する。

予測値取得部は、現時刻において入力されている通信品質データの時系列パターンから、所定の時刻後の通信品質データの予測値を取得する。

判定部は、調整基準値および予測値に基づいて、将来における通信障害の発生の有無を判定する。

この通信状況予測装置では、通信障害を検知する際の重要な要因である、入力パターン（観測データ（例えば、ＱｏＳ値）の時系列データ）のめずらしさを示すレアリティ値を取得し、取得した当該レアリティ値を考慮して、通信障害の発生の予測処理を実行する。したがって、通信状況予測装置では、従来技術に比べ、より高精度な通信障害の予測が可能となる。

また、通信状況予測装置では、入力パターン（観測データ（例えば、ＱｏＳ値）の時系列データ）のめずらしさ（レアリティ値）を考慮した、通信障害の発生の予測処理を実行するので、稀な入力パターン、あるいは、未学習の入力パターンが発生した場合であっても、高精度な通信障害の予測処理を実行することができる。

第２の発明は、第１の発明であって、学習部と、記憶部と、をさらに備える。

学習部は、通信品質データの時系列パターンの発生パターンと、当該時系列パターンが発生した後の将来時刻の通信品質データとを用いて学習処理を実行する。

記憶部は、学習部により取得された通信品質データの時系列パターンの発生パターンを含むレアリティ算出用データセットと、当該時系列パターンが発生した後の所定の時刻後である将来時刻の通信品質データを含むラベルデータセットとを含む学習済みデータを記憶する。

そして、レアリティ取得部は、現時刻において取得される通信品質データの時系列パターンと、レアリティ算出用データセットに含まれる通信品質データの複数の時系列パターンとのノルムをそれぞれ算出し、算出したノルムのうちの最小値をレアリティ値として取得する。

この通信状況予測装置では、学習時において、観測データ（例えば、ＱｏＳ値）の時系列データの発生パターンを学習することで、頻出する観測データ（例えば、ＱｏＳ値）の時系列データの発生パターンを把握する。また、この通信状況予測装置では、学習時に取得した観測データ（例えば、ＱｏＳ値）の時系列データの発生パターンと、実際の観測データ（例えば、ＱｏＳ値）の時系列データとの類似性を、例えば、ノルム（例えば、ユークリッド距離）を算出することにより判定し、観測データ（例えば、ＱｏＳ値）の時系列データの出現の稀少度合いを示すレアリティ値を算出する。この通信状況予測装置では、上記のように取得したレアリティ値を用いて、高精度な通信障害の予測処理を実行することができる。

第３の発明は、第２の発明であって、調整基準値取得部は、所定の時間におけるレアリティ値の頻度分布を取得することで、レアリティ分布データを取得し、取得したレアリティ分布に含まれるレアリティ値を所定数のクラスに分類するための閾値群を取得する。

これにより、この通信状況予測装置では、レアリティ値の分布であるレアリティ分布を取得し、当該レアリティ分布に基づいて、レアリティ値のデータ群を閾値により所定のクラスに分類することができる。

第４の発明は、第３の発明であって、減算部をさらに備える。

減算部は、予測値取得部により取得された通信品質データの予測値と、当該予測値の真値との差である予測誤差値を取得する。

調整基準値取得部は、予測誤差値を、当該予測誤差値を取得するときに用いた通信品質データの時系列パターンのレアリティ値および閾値群に基づいて、決定されるクラスに分類し、分類された当該クラスに含まれる予測誤差値の標準偏差値を算出する。

また、調整基準値取得部は、算出した予測誤差値の標準偏差値に基づいて、マージンを決定し、当該マージンに基づいて、調整基準値を取得する。

これにより、この通信状況予測装置では、通信品質データの時系列パターンのレアリティ値に基づいて分類されたクラスごとに、通信品質データ（例えば、ＱｏＳ値）の要求基準値を調整するためのマージンを適切に取得することができる。つまり、レアリティ値が高い程、通信品質データの時系列パターンの出現頻度が低く、その結果、予測誤差値のばらつきは大きくなり予測誤差値の標準偏差値が大きくなる傾向にある。したがって、予測誤差値の標準偏差値に基づいて、マージンを設定し、当該マージンにより調整基準値を取得することで、高精度かつ適切に、通信障害の発生の有無の予測が可能となる。

第５の発明は、第１学習予測部と、第２学習予測部と、を備える通信状況予測装置である。 第１学習予測部は、第１学習部と、第１記憶部と、第１予測判定処理部とを備える。

第１学習部は、通信品質データの時系列パターンの発生パターンと、当該時系列パターンが発生した後の将来時刻の通信品質データとを用いて学習処理を実行する。

第１記憶部は、第１学習部により取得された通信品質データの時系列パターンの発生パターンを含むレアリティ算出用データセットと、当該時系列パターンが発生した後の所定の時刻後である将来時刻の通信品質データを含むラベルデータセットとを含む学習済みデータを記憶する。

第１予測判定処理部は、通信障害の発生の有無の予測判定処理を行う機能部であって、第１レアリティ取得部と、第１調整基準値取得部と、第１予測値取得部と、第１判定部と、を含む。

第１レアリティ取得部は、通信品質を示すデータである通信品質データの時系列パターンの発生頻度の稀少度合いを示すレアリティ値を取得する。

第１調整基準値取得部は、レアリティ値に基づいて、通信品質データの要求基準値を調整した値を、調整基準値として取得する。

第１予測値取得部は、現時刻において入力されている通信品質データの時系列パターンから、所定の時刻後の通信品質データの予測値を取得する。

第１判定部は、調整基準値および予測値に基づいて、将来における通信障害の発生の有無を判定する。

第２学習予測部は、第２学習部と、第２記憶部と、第２予測判定処理部とを備える。

第２学習部は、通信品質データの時系列パターンの発生パターンと、当該時系列パターンが発生した後の将来時刻の通信品質データとを用いて学習処理を実行する。

第２記憶部は、第２学習部により取得された通信品質データの時系列パターンの発生パターンを含むレアリティ算出用データセットと、当該時系列パターンが発生した後の所定の時刻後である将来時刻の通信品質データを含むラベルデータセットとを含む学習済みデータを記憶する。

第２予測判定処理部は、通信障害の発生の有無の予測判定処理を行う機能部であって、第２レアリティ取得部と、第２調整基準値取得部と、第２予測値取得部と、第２判定部と、を備える。

第２レアリティ取得部は、通信品質を示すデータである通信品質データの時系列パターンの発生頻度の稀少度合いを示すレアリティ値を取得する。

第２調整基準値取得部は、レアリティ値に基づいて、通信品質データの要求基準値を調整した値を、調整基準値として取得する。

第２予測値取得部は、現時刻において入力されている通信品質データの時系列パターンから、所定の時刻後の通信品質データの予測値を取得する。

第２判定部は、調整基準値および予測値に基づいて、将来における通信障害の発生の有無を判定する。

そして、第１学習予測部は、
（１）第２学習予測部が予測判定処理を実行しているときに、学習処理を実行し、
（２）第２学習予測部が学習処理を実行しているときに、予測判定処理を実行する。

これにより、この通信状況予測装置では、学習処理と予測判定処理とをパイプライン処理により実行することができる。その結果、この通信状況予測装置では、常に、学習処理、および、予測判定処理を実行させることができるため、さらに高精度の通信障害の予測を行うことができる。

第６の発明は、レアリティ取得ステップと、調整基準値取得ステップと、予測値取得ステップと、判定ステップと、を備える通信状況予測方法である。

レアリティ取得ステップは、通信品質を示すデータである通信品質データの時系列パターンの発生頻度の稀少度合いを示すレアリティ値を取得する。

調整基準値取得ステップは、レアリティ値に基づいて、通信品質データの要求基準値を調整した値を、調整基準値として取得する。

予測値取得ステップは、現時刻において入力されている通信品質データの時系列パターンから、所定の時刻後の通信品質データの予測値を取得する。

判定ステップは、調整基準値および予測値に基づいて、将来における通信障害の発生の有無を判定する。

これにより、第１の発明と同様の効果を奏する通信状況予測方法を実現することができる。

第７の発明は、第６の発明である通信状況予測方法をコンピュータに実行させるためのプログラムである。

これにより、第１の発明と同様の効果を奏する通信状況予測方法をコンピュータに実行させるためのプログラムを実現することができる。

本発明によれば、稀な入力パターン、あるいは、未学習の入力パターンが発生した場合であっても、高精度な通信障害の予測処理を実行する通信状況予測装置、通信状況予測方法、および、プログラムを実現することができる。

第１実施形態に係る無線状況予測装置１００（通信状況予測装置の一例）の概略構成図。 第１実施形態に係る無線状況予測装置１００の予測判定処理部２の概略構成図。 無線状況予測装置１００で取得されるＱｏＳ値の時系列データ（一例）を示す図。 無線状況予測装置１００において、学習期間に実行される第１ステップの処理を説明するための図。 無線状況予測装置１００において、学習期間に実行される第２ステップの処理を説明するための図。 無線状況予測装置１００において、学習期間に実行される第３ステップの処理を説明するための図。 無線状況予測装置１００において、学習期間に実行される第３ステップの処理を説明するための図。 無線状況予測装置１００において、予測処理実行期間に実行される予測処理を説明するための図。 予測処理（通信障害の予測実行処理）を説明するための図。 第２実施形態の無線状況予測装置２００の概略構成図。 無線状況予測装置２００で取得されるＱｏＳ値の時系列データ（一例）と、第１学習予測部Ｄｅｖ１の処理モードと、第２学習予測部Ｄｅｖ２の処理モードとを示すタイミングチャート。 ＣＰＵバス構成を示す図。

［第１実施形態］
第１実施形態について、図面を参照しながら、以下、説明する。

＜１．１：無線状況予測装置の構成＞
図１は、第１実施形態に係る無線状況予測装置１００（通信状況予測装置の一例）の概略構成図である。

図２は、第１実施形態に係る無線状況予測装置１００の予測判定処理部２の概略構成図である。

無線状況予測装置１００は、図１に示すように、アンテナＡｎｔ１と、復調処理部Ｄｍ１と、観測データ取得部ＦＥ１と、制御部ＣＰＵ１と、学習部１と、学習済みデータ記憶部Ｓｔ１と、予測判定処理部２とを備える。

アンテナＡｎｔ１は、外部からのＲＦ信号（例えば、搬送帯域ＯＦＤＭ信号）を受信するためのアンテナである。アンテナＡｎｔ１は、受信したＲＦ信号（例えば、搬送帯域ＯＦＤＭ信号）を信号ＲＦｉｎとして、復調処理部Ｄｍ１に出力する。なお、アンテナＡｎｔ１は、送信用アンテナとしても機能するアンテナ（送受信用アンテナ）であってもよい。

復調処理部Ｄｍ１は、ＲＦ処理部Ｄｍ１１と、ＢＢ処理部Ｄｍ１２とを備える。

ＲＦ処理部Ｄｍ１１は、信号ＲＦｉｎに対して、ＲＦ復調処理を実行し、ベースバンド信号を取得する。

ＢＢ処理部Ｄｍ１２は、ＲＦ処理部Ｄｍ１１により復調されたベースバンド信号に対して、ベースバンド復調処理を実行し、ベースバンド復調処理後の信号（データ）をデータＤ０として取得し、取得したデータＤ０を観測データ取得部ＦＥ１に出力する。

観測データ取得部ＦＥ１は、復調処理部Ｄｍ１から出力されるデータＤ０を入力し、当該データＤ０から、無線状況予測装置１００が置かれている無線通信環境のＱｏＳを示すデータであるＱｏＳ値を取得する。そして、観測データ取得部ＦＥ１は、取得したＱｏＳ値を含むデータをデータＤｉｎとして、学習部１および予測判定処理部２に出力する。

なお、ＱｏＳ値は、スループット、（連続）パケットロス数、遅延量等の通信品質を示す指標値である。

制御部ＣＰＵ１は、無線状況予測装置１００の各機能部を制御するための機能部である。制御部ＣＰＵ１は、無線状況予測装置１００の処理モード（例えば、（１）学習モード、（２）予測処理実行モード）を示すデータを含むモード信号Ｍｏｄｅを学習部１および予測判定処理部２に出力する。また、制御部ＣＰＵ１は、制御信号ｃｔｌ１を予測判定処理部２に出力する。

学習部１は、観測データ取得部ＦＥ１から出力されるデータＤｉｎを入力する。学習部１は、データＤｉｎ、すなわち、ＱｏＳ値の時系列データに対して、ＰＮＮ（Ｐｒｏｂａｂｉｌｉｓｔｉｃ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）等によるパターンマッチング系予測処理を実行するための学習処理を実行し、学習済みデータを取得する。学習済みデータとして、例えば、（１）Ｒａｒｉｔｙ計算用データセット、（２）将来値予測用データセットを取得する（詳細については後述）。学習部１は、取得した学習済みデータをデータＤ＿ｔｒａｉｎｅｄとして、学習済みデータ記憶部Ｓｔ１に記憶する。

学習済みデータ記憶部Ｓｔ１は、学習部１から出力される学習済みデータを記憶する。また、学習済みデータ記憶部Ｓｔ１は、予測判定処理部２からの要求に従い、データを読み出し、読み出したデータ（例えば、データＤ＿ｔｒａｉｎｅｄ）を予測判定処理部２に出力する。

予測判定処理部２は、図２に示すように、データ保持部２１と、レアリティ取得部２２と、予測値取得部２３と、減算器２４と、調整基準値取得部２５と、判定部２６とを備える。

データ保持部２１は、観測データ取得部ＦＥ１からのデータＤｉｎを入力する。データ保持部２１は、入力されたデータＤｉｎを所定の期間、記憶保持する。データ保持部２１は、データＤｉｎの時系列データをデータＤ１ｓとして、レアリティ取得部２２および予測値取得部２３に出力する。時刻ｉのデータＤｉｎをＤ_ｉと表記するとすると、データＤ１ｓは、例えば、３つの連続する時系列データＤ１ｓ＝｛Ｄ_ｉ，Ｄ_ｉ＋１，Ｄ_ｉ＋２｝として設定される。なお、時系列データＤ１ｓのデータ数は、３以外の任意の数であってもよい（ｋ１個（ｋ１：自然数）の連続する時系列データ（Ｄ１ｓ＝｛Ｄ_ｉ，Ｄ_ｉ＋１，・・・，Ｄ_{ｉ＋ｋ１−１}｝）であってもよい）。

また、データ保持部２１は、予測時刻を時刻ｉ＋ｋ（ｋ：自然数）とすると、時刻ｉ＋ｋの実際のデータＤｉｎ（＝Ｄ_ｉ＋ｋ）（真値）をデータＤ１＿ｔｒｕｅとして減算器２４に出力する。

レアリティ取得部２２は、図２に示すように、ノルム取得部２２１と、Ｒａｒｉｔｙ算出部２２２とを備える。

ノルム取得部２２１は、学習済みデータ記憶部Ｓｔ１から出力される学習済みデータＤ＿ｔｒａｉｎｅｄと、データ保持部２１から出力されるデータＤ１ｓとを入力する。ノルム取得部２２１は、学習済みデータＤ＿ｔｒａｉｎｅｄとデータＤ１ｓとを用いて、ノルム（例えば、ユークリッド距離）の算出を行い、算出したノルムを含むデータをデータＤ＿ｎｏｒｍとして、Ｒａｒｉｔｙ算出部２２２に出力する。なお、算出したノルムがｎ１個（ｎ１：自然数）ある場合、データＤ＿ｎｏｒｍは、ｎ１個のノルム（ｄ_０，ｄ_１，・・・，ｄ_ｎ１−１）を含む集合のデータとなる。このとき、データＤ＿ｎｏｒｍを、
Ｄ＿ｎｏｒｍ＝｛ｄ_０，ｄ_１，・・・，ｄ_ｎ１−１｝
と表記する。

Ｒａｒｉｔｙ算出部２２２は、ノルム取得部２２１から出力されるデータＤ＿ｎｏｒｍを入力し、データＤ＿ｎｏｒｍから、時系列データＤ１ｓの出現の稀少度合いを示すレアリティ（Ｒａｒｉｔｙ）を算出する。そして、Ｒａｒｉｔｙ算出部２２２は、算出したレアリティを含むデータをデータＤ２として、調整基準値取得部２５に出力する。

予測値取得部２３は、学習済みデータ記憶部Ｓｔ１から出力される学習済みデータＤ＿ｔｒａｉｎｅｄと、データ保持部２１から出力されるデータＤ１ｓとを入力する。予測値取得部２３は、学習済みデータＤ＿ｔｒａｉｎｅｄとデータＤ１ｓとを用いて予測処理（例えば、ＰＮＮを用いた予測処理）を行い、将来の時刻の予測データの値をデータＤ＿ｐｒｅｄｉｃｔとして取得する。そして、予測値取得部２３は、取得したデータＤ＿ｐｒｅｄｉｃｔを減算器２４および判定部２６に出力する。

減算器２４は、データ保持部２１から出力されるデータＤ１＿ｔｒｕｅと、予測値取得部２３から出力されるデータＤ＿ｐｒｅｄｉｃｔとを入力する。減算器２４は、
Ｄ＿ｐｒｅｄｉｃｔｉｏｎ＿ｅｒｒｏｒ＝Ｄ１＿ｔｒｕｅ―Ｄ＿ｐｒｅｄｉｃｔ
に相当する処理（減算処理）を実行して、予測誤差データＤ＿ｐｒｅｄｉｃｔｉｏｎ＿ｅｒｒｏｒを取得する。そして、減算器２４は、取得した予測誤差データＤ＿ｐｒｅｄｉｃｔｉｏｎ＿ｅｒｒｏｒを調整基準値取得部２５に出力する。

調整基準値取得部２５は、図２に示すように、セレクタＳＥＬ１と、Ｒａｒｉｔｙ分布取得部２５１と、クラス分類処理部２５２と、第１記憶部Ｓｔ２と、Ｒａｒｉｔｙクラス分類部２５３と、標準偏差取得部２５４と、マージン決定部２５５と、第２記憶部Ｓｔ３と、マージン設定部２５６とを備える。

セレクタＳＥＬ１は、１入力３出力のセレクタであり、レアリティ取得部２２のＲａｒｉｔｙ算出部２２２から出力されるデータＤ２と、制御部ＣＰＵ１から出力される制御信号ｃｔｌ１とを入力とする。セレクタＳＥＬ１は、制御信号ｃｔｌ１に従い、入力されたデータＤ２を、（１）Ｒａｒｉｔｙ分布取得部２５１、（２）Ｒａｒｉｔｙクラス分類部２５３、および、（３）マージン設定部２５６のいずれかに出力する。

Ｒａｒｉｔｙ分布取得部２５１は、セレクタＳＥＬ１から出力されるデータＤ２を入力する。Ｒａｒｉｔｙ分布取得部２５１は、データＤ２から、Ｒａｒｉｔｙ分布を取得し、取得したＲａｒｉｔｙ分布のデータをデータＤｉｓｔ＿Ｒａｒｉｔｙとして、クラス分類処理部２５２に出力する。

クラス分類処理部２５２は、Ｒａｒｉｔｙ分布取得部２５１から出力されるデータＤｉｓｔ＿Ｒａｒｉｔｙを入力する。クラス分類処理部２５２は、データＤｉｓｔ＿Ｒａｒｉｔｙに基づいて、クラス分類処理を実行し、クラス分類するための閾値の集合データＴｈを取得し、取得した閾値の集合データＴｈを第１記憶部Ｓｔ２に記憶する。

なお、クラス分類するために必要な閾値がｎ２個（ｎ２：自然数）である場合、閾値の集合データＴｈは、ｎ２個の閾値（ｔｈ_０，ｔｈ_１，・・・，ｔｈ_ｎ２−１）を含む集合のデータとなる。このとき、閾値の集合データＴｈを、
Ｔｈ＝｛ｔｈ_０，ｔｈ_１，・・・，ｔｈ_ｎ２−１｝
と表記する。

第１記憶部Ｓｔ２は、クラス分類処理部２５２から出力される閾値の集合データＴｈを記憶する。また、第１記憶部Ｓｔ２は、Ｒａｒｉｔｙクラス分類部２５３からのデータ読み出し要求に従い、データを読み出し、当該データをＲａｒｉｔｙクラス分類部２５３に出力する。また、第１記憶部Ｓｔ２は、マージン設定部２５６からのデータ読み出し要求に従い、データを読み出し、当該データをマージン設定部２５６に出力する。

Ｒａｒｉｔｙクラス分類部２５３は、セレクタＳＥＬ１から出力されるデータＤ２と、第１記憶部Ｓｔ２から出力される閾値の集合データＴｈとを入力する。Ｒａｒｉｔｙクラス分類部２５３は、閾値の集合データＴｈに基づいて、データＤ２をクラス分類し、データＤ２が振り分けられたクラスの番号ｊを含むデータをデータＤ３として、標準偏差取得部２５４に出力する。

標準偏差取得部２５４は、減算器２４から出力されるデータＤ＿ｐｒｅｄｉｃｔｉｏｎ＿ｅｒｒｏｒと、Ｒａｒｉｔｙクラス分類部２５３から出力されるデータＤ３とを入力する。標準偏差取得部２５４は、データＤ３に基づいて、データＤ＿ｐｒｅｄｉｃｔｉｏｎ＿ｅｒｒｏｒをクラスに振り分け、振り分けられたクラスごとに、データＤ＿ｐｒｅｄｉｃｔｉｏｎ＿ｅｒｒｏｒの標準偏差σ_ｊ（クラス番号ｊの標準偏差σ_ｊ）を取得する。そして、標準偏差取得部２５４は、取得した標準偏差σ_ｊを含むデータをデータＤ４として、マージン決定部２５５に出力する。

マージン決定部２５５は、標準偏差取得部２５４から出力されるデータＤ４を入力する。マージン決定部２５５は、データＤ４に基づいて、クラス番号ｊのクラスのデータにためのマージンＭｒｇｎ_ｊを決定し、決定したマージンＭｒｇｎ_ｊを含むデータをデータＤ５として、第２記憶部Ｓｔ３に記憶する。

第２記憶部Ｓｔ３は、マージン決定部２５５から出力されるデータＤ５を記憶する。また、第２記憶部Ｓｔ３は、マージン設定部２５６からのデータ読み出し要求に従い、データを読み出し、当該データをマージン設定部２５６に出力する。

マージン設定部２５６は、セレクタＳＥＬ１から出力されるデータＤ２と、第１記憶部Ｓｔ２から出力される閾値の集合データＴｈと、第２記憶部Ｓｔ３から出力されるマージンのデータＤ５と、通信品質データの要求基準値を示すデータＱｏＳ＿ｒｅｑとを入力する。マージン設定部２５６は、閾値の集合データＴｈに基づいてデータＤ２をクラス分類し、データＤ２が振り分けられたクラス（例えば、クラス番号がｊのクラス）に対応するマージン（例えば、Ｍｒｇｎ_ｊ）を用いて、データＱｏＳ＿ｒｅｑに対してマージン調整処理を実行し、マージン調整処理後の通信品質データ基準値ＱｏＳ＿ａｄｊを取得する。そして、マージン設定部２５６は、取得したマージン調整処理後の通信品質データ基準値ＱｏＳ＿ａｄｊを含むデータをデータＤ７として、判定部２６に出力する。

なお、通信品質データの要求基準値を示すデータＱｏＳ＿ｒｅｑは、無線状況予測装置１００内において予め設定されているデータ（例えば、無線状況予測装置１００内の記憶部（不図示）に予め設定され記憶保持されるデータ）であってもよいし、無線状況予測装置１００外部から設定されるデータであってもよい。

判定部２６は、予測値取得部２３から出力されるデータＤ＿ｐｒｅｄｉｃｔｅｄと、マージン設定部２５６から出力されるデータＤ７と、制御部ＣＰＵ１から出力されるモード信号Ｍｏｄｅとを入力する。判定部２６は、モード信号Ｍｏｄｅが「予測処理実行モード」を示す信号である場合、データＤ７（マージン調整処理後の通信品質データ基準値ＱｏＳ＿ａｄｊ）に基づいて、データＤ＿ｐｒｅｄｉｃｔｅｄが、通信障害が発生しているときのデータであるか否かを判定し、当該判定結果を含むデータをデータＤｏｕｔとして出力する。

＜１．２：無線状況予測装置の動作＞
以上のように構成された無線状況予測装置１００の動作について、以下、説明する。

図３は、無線状況予測装置１００で取得されるＱｏＳ値の時系列データ（一例）を示す図である。図３のグラフにおいて、横軸は時間であり、縦軸はＱｏＳ値である。

図４は、無線状況予測装置１００において、学習期間に実行される第１ステップの処理を説明するための図である。

図５は、無線状況予測装置１００において、学習期間に実行される第２ステップの処理を説明するための図である。

図６、７は、無線状況予測装置１００において、学習期間に実行される第３ステップの処理を説明するための図である。

図８は、無線状況予測装置１００において、予測処理実行期間に実行される予測処理を説明するための図である。

（１．２．１：学習処理）
まず、学習処理について説明する。学習処理は、（１）第１ステップの処理、（２）第２ステップ処理、および、（３）第３ステップの処理に分割されて実行される。
（１）第１ステップの処理では、ＱｏＳ値の時系列データ（観測値系列）から、学習ベクトルとラベルの取得処理が実行される。
（２）第２ステップの処理では、Ｒａｒｉｔｙ分布に基づいて、クラス判定用の閾値を算出する。
（３）第３ステップの処理では、ＱｏＳ値の予測誤差の標準偏差から、ＱｏＳ値の要求基準値を調整するためのマージンを取得する。

以下、（１）第１ステップの処理、（２）第２ステップ処理、および、（３）第３ステップの処理に分けて説明する。

（１．２．１．１：第１ステップの処理）
第１ステップの処理において、無線状況予測装置１００は、ＱｏＳ値の時系列データ（観測値系列）から、学習ベクトルとラベルの取得処理を実行する。

無線状況予測装置１００の復調処理部Ｄｍ１は、アンテナＡｎｔ１を介して受信した無線信号に対して復調処理を実行し、ＲＦ復調信号、ＢＢ復調信号を取得する。観測データ取得部ＦＥ１は、復調処理部Ｄｍ１により取得された、ＲＦ復調信号、および／または、ＢＢ復調信号から、ＱｏＳ値（スループット、（連続）パケットロス数、遅延量等の通信品質を示す指標値）を取得する。そして、観測データ取得部ＦＥ１は、取得したＱｏＳ値を含むデータをデータＤｉｎとして、学習部１に出力する。

制御部ＣＰＵ１は、モード信号Ｍｏｄｅを「学習モード」を示す信号値に設定し、学習部１に出力する。

学習部１は、データＤｉｎ、すなわち、ＱｏＳ値の時系列データに対して、ＰＮＮ（Ｐｒｏｂａｂｉｌｉｓｔｉｃ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）等によるパターンマッチング系予測処理を実行するための学習処理を実行し、学習済みデータを取得する。具体的には、学習部１は、以下の（１）〜（３）のように処理する。
（１）時系列の観測値系列（ＱｏＳ値の時系列データ）を、時刻ｉ（図４の場合の時刻ｔ０に相当）からｋ１個取得し、学習用ベクトルを取得する。また、当該学習用ベクトルに対応する将来値データ（正解データ）を時刻ｉ＋ｋ２の観測値（ＱｏＳ値）として、当該学習用ベクトルと対応付けるラベルに設定する。例えば、図４の場合、ｉ＝０、ｋ１＝３であり、ＱｏＳ値の時系列データＤ１ｓは、
Ｄ１ｓ＝｛Ｄ_ｉ，Ｄ_ｉ＋１，Ｄ_ｉ＋２｝
＝｛ａ_ｉ，ａ_ｉ＋１，ａ_ｉ＋２｝＝｛ａ_０，ａ_１，ａ_２｝
であり、上記のデータＤ１ｓを学習ベクトルとする。そして、図４の場合、ｋ２＝４であるので、当該学習ベクトルに対応付けるラベルを、時刻ｉ＋ｋ２（＝ｉ＋４）の観測値（ＱｏＳ値）ａ_ｉ＋４とする。なお、図４の場合の上記処理の対象データは、図４のウィンドウＷｉｎ１の区間（時刻ｔ０〜ｔｗの区間）に含まれるデータである。
（２）次に、時刻（時間ステップ）を１つ進める。つまり、図４のウィンドウＷｉｎ１の区間を１時間ステップ(１回のデータサンプリングに対応する時間)だけ、時間軸方向Ｄｉｒ１へずらし、ずらしたウィンドウＷｉｎ１の区間を処理の対象データとする。

処理（１）と同様に、時系列の観測値系列（ＱｏＳ値の時系列データ）を、時刻ｉ＋１からｋ１個取得し、学習用ベクトルを取得する。また、当該学習用ベクトルに対応する将来値データ（正解データ）を時刻ｉ＋ｋ２＋１の観測値（ＱｏＳ値）として、当該学習用ベクトルと対応付けるラベルに設定する。例えば、図４の場合、ｉ＝０、ｋ１＝３であり、ＱｏＳ値の時系列データＤ１ｓは、
Ｄ１ｓ＝｛Ｄ_ｉ＋１，Ｄ_ｉ＋２，Ｄ_ｉ＋３｝
＝｛ａ_ｉ＋１，ａ_ｉ＋２，ａ_ｉ＋３｝＝｛ａ_１，ａ_２，ａ_３｝
であり、上記のデータＤ１ｓを学習ベクトルとする。そして、図４の場合、ｋ２＝４であるので、当該学習ベクトルに対応付けるラベルを、時刻ｉ＋ｋ２（＝ｉ＋４）の観測値（ＱｏＳ値）ａ_ｉ＋５とする。
（３）学習部１は、上記（１）、（２）の処理を繰り返し実行する。

時刻ｉ＋ｎ１−１（ｎ１：自然数）において、処理（１）と同様に、時系列の観測値系列（ＱｏＳ値の時系列データ）を、時刻ｉ＋ｎ１−１からｋ１個取得し、学習用ベクトルを取得する。また、当該学習用ベクトルに対応する将来値データ（正解データ）を時刻ｉ＋ｎ１−１＋ｋ２の観測値（ＱｏＳ値）として、当該学習用ベクトルと対応付けるラベルに設定する。例えば、図４の場合、ｉ＝０、ｋ１＝３であり、ＱｏＳ値の時系列データＤ１ｓは、
Ｄ１ｓ＝｛Ｄ_{ｉ＋ｎ１−１}，Ｄ_ｉ＋ｎ１，Ｄ_{ｉ＋ｎ１＋１}｝
＝｛ａ_{ｉ＋ｎ１−１}，ａ_ｉ＋ｎ１，ａ_{ｉ＋ｎ１＋１}｝＝｛ａ_ｎ１−１，ａ_ｎ１，ａ_ｎ１＋１｝
であり、上記のデータＤ１ｓを学習ベクトルとする。そして、図４の場合、ｋ２＝４であるので、当該学習ベクトルに対応付けるラベルを、時刻ｉ＋ｎ１−１＋ｋ２（＝ｉ＋ｎ１＋３）の観測値（ＱｏＳ値）ａ_ｎ１＋３とする。

学習部１は、上記により取得したデータから、将来値予測用データセットＤｓｅｔ１、Ｒａｒｉｔｙ計算用データセットＤｓｅｔ２、および、ラベル（正解データ）のデータセットＤｓｅｔ＿Ｌａｂｅｌを取得する。

なお、説明便宜のため、ｋ１＝３、ｋ２＝２、１つの学習ベクトルに対応するラベルデータの個数を１個として（図４に示した場合に相当）、以下説明する。また、ｋ１、ｋ２、１つの学習ベクトルに対応するラベルデータの個数は、上記の数に限定されない。

上記の場合（図４に示した場合に相当）における、将来値予測用データセットＤｓｅｔ１、Ｒａｒｉｔｙ計算用データセットＤｓｅｔ２、および、ラベル（正解データ）のデータセットＤｓｅｔ＿Ｌａｂｅｌは、行列により、以下のように表現できる。

なお、上記のＲａｒｉｔｙ計算用データセットＤｓｅｔ２の行列において、各行ベクトルが、時刻ｉの学習ベクトルに対応する。

学習部１は、上記のデータセットを用いて、例えば、ＰＮＮによる学習処理を実行し、学習済みモデル（例えば、ＰＮＮによる学習モデル）を取得する。なお、ＰＮＮによる処理としては、例えば、特願２０１７−２３２４４２号、特願２０１８−０４２７４７号に開示されている技術を用いてもよい。

そして、学習部１は、上記のようにして取得したデータ（（１）将来値予測用データセットＤｓｅｔ１、（２）Ｒａｒｉｔｙ計算用データセットＤｓｅｔ２、および、（３）ラベル（正解データ）のデータセットＤｓｅｔ＿Ｌａｂｅｌ）を、学習済みデータＤ＿ｔｒａｉｎｅｄとして、学習済みデータ記憶部Ｓｔ１に記憶する。

（１．２．１．２：第２ステップの処理）
第２ステップの処理において、無線状況予測装置１００は、ＱｏＳ値の時系列データ（観測値系列）から、Ｒａｒｉｔｙ分布を取得し、当該Ｒａｒｉｔｙ分布に基づいて、クラス判定用の閾値を算出する処理を実行する。

無線状況予測装置１００の復調処理部Ｄｍ１は、アンテナＡｎｔ１を介して受信した無線信号に対して復調処理を実行し、ＲＦ復調信号、ＢＢ復調信号を取得する。観測データ取得部ＦＥ１は、復調処理部Ｄｍ１により取得された、ＲＦ復調信号、および／または、ＢＢ復調信号から、ＱｏＳ値を取得する。そして、観測データ取得部ＦＥ１は、取得したＱｏＳ値を含むデータをデータＤｉｎとして、予測判定処理部２のデータ保持部２１に出力する。

制御部ＣＰＵ１は、モード信号Ｍｏｄｅを「学習モード」を示す信号値に設定し、予測判定処理部２に出力する。また、制御部ＣＰＵ１は、制御信号ｃｔｌ１を「第２ステップの処理」を実行させるための信号値（セレクタＳＥＬ１の端子０が選択される信号値）に設定し、予測判定処理部２に出力する。

データ保持部２１は、観測データ取得部ＦＥ１からのデータＤｉｎを所定の期間、記憶保持する。データ保持部２１は、データＤｉｎの時系列データをデータＤ１ｓとして、レアリティ取得部２２および予測値取得部２３に出力する。時刻ｉのデータＤｉｎをＤ_ｉと表記するとすると、データＤ１ｓは、例えば、３つの連続する時系列データＤ１ｓ＝｛Ｄ_ｉ，Ｄ_ｉ＋１，Ｄ_ｉ＋２｝として設定される。なお、説明便宜のため、図５に示すように、時刻ｔ１以降のＱｏＳ値の観測値系列（時系列データ）を、ｂ_０，ｂ_１，ｂ_２，・・・とする。この場合、データ保持部２１は、データＤ１ｓ＝｛ｂ_０，ｂ_１，ｂ_２｝をレアリティ取得部２２に出力する。

レアリティ取得部２２のノルム取得部２２１は、学習済みデータ記憶部Ｓｔ１から学習済みデータＤ＿ｔｒａｉｎｅｄのＲａｒｉｔｙ計算用データセットＤｓｅｔ２を読み出すとともに、データ保持部２１から出力されるデータＤ１ｓとを入力する。なお、ここでは、ノルム取得部２２１が、データＤ１ｓ＝｛ｂ_０，ｂ_１，ｂ_２｝を処理する場合について説明する。

ノルム取得部２２１は、Ｒａｒｉｔｙ計算用データセットＤｓｅｔ２の各行ベクトルとデータＤ１ｓ（＝｛ｂ_０，ｂ_１，ｂ_２｝）とを用いて、ノルム（例えば、ユークリッド距離）の算出を行う。つまり、ノルム取得部２２１は、Ｒａｒｉｔｙ計算用データセットＤｓｅｔ２のｍ行目の行ベクトルをＤｓｅｔ２＿ｒ_ｍとすると、
ｄ_０＝Ｎｏｒｍ（Ｄｓｅｔ２＿ｒ_０，Ｄ１ｓ）
ｄ_１＝Ｎｏｒｍ（Ｄｓｅｔ２＿ｒ_１，Ｄ１ｓ）
ｄ_２＝Ｎｏｒｍ（Ｄｓｅｔ２＿ｒ_２，Ｄ１ｓ）
・・・
ｄ_ｎ１−１＝Ｎｏｒｍ（Ｄｓｅｔ２＿ｒ_ｎ１−１，Ｄ１ｓ）
Ｎｏｒｍ（ｖ１，ｖ２）：ベクトルｖ１とベクトルｖ２のノルム（例えば、ユークリッド距離）を取得する関数。
に相当する処理により、ノルムの集合データ｛ｄ_０，ｄ_１，・・・，ｄ_ｎ１−１｝を取得する。そして、ノルム取得部２２１は、取得したノルムの集合データ｛ｄ_０，ｄ_１，・・・，ｄ_ｎ１−１｝を含むデータをデータＤ＿ｎｏｒｍとして、Ｒａｒｉｔｙ算出部２２２に出力する。

Ｒａｒｉｔｙ算出部２２２は、ノルム取得部２２１から出力されるデータＤ＿ｎｏｒｍから、時系列データＤ１ｓの出現の稀少度合いを示すレアリティ（Ｒａｒｉｔｙ）を算出する。具体的には、Ｒａｒｉｔｙ算出部２２２は、
ｒ_ｉ＝ｍｉｎ（ｄ_ｉ，ｄ_ｉ＋１，・・・，ｄ_{ｉ＋ｎ１−１}）
ｍｉｎ（）：要素の最小値を取得する関数
に相当する処理を実行することで、ＱｏＳ値の時系列データ｛Ｄ_ｉ，Ｄ_ｉ＋１，Ｄ_ｉ＋２｝に対応するレアリティ値ｒ_ｉを取得する。なお、ここでは、ＱｏＳ値の時系列データ｛Ｄ_ｉ，Ｄ_ｉ＋１，Ｄ_ｉ＋２｝＝｛ｂ_０，ｂ_１，ｂ_２｝であるので、Ｒａｒｉｔｙ算出部２２２は、
ｒ_０＝ｍｉｎ（ｄ_０，ｄ_１，・・・，ｄ_ｎ１−１）
を取得する。

そして、Ｒａｒｉｔｙ算出部２２２は、算出したレアリティｒ_ｉを含むデータをデータＤ２として、調整基準値取得部２５のセレクタＳＥＬ１に出力する。

セレクタＳＥＬ１は、「第２ステップの処理」を実行させるための信号値（セレクタＳＥＬ１の端子０が選択される信号値）に設定されている制御信号ｃｔｌ１に従い、端子０を選択し、入力されたデータＤ２をＲａｒｉｔｙ分布取得部２５１に出力する。

Ｒａｒｉｔｙ分布取得部２５１は、セレクタＳＥＬ１から出力されるデータＤ２から、Ｒａｒｉｔｙ分布を取得する。具体的には、Ｒａｒｉｔｙ分布取得部２５１は、図５に示すように、各時刻（各サンプリング時刻）において取得されたレアリティ値ｒ_ｉを所定の期間分取得し、レアリティ値ｒｉの頻度分布図（ヒストグラム）（図５の右下図に相当）を取得する。Ｒａｒｉｔｙ分布取得部２５１は、上記のようにして取得したレアリティ値ｒｉの頻度分布図（ヒストグラム）を特定するデータをＲａｒｉｔｙ分布データＤｉｓｔ＿Ｒａｒｉｔｙとして、クラス分類処理部２５２に出力する。

クラス分類処理部２５２は、Ｒａｒｉｔｙ分布取得部２５１から出力されるデータＤｉｓｔ＿Ｒａｒｉｔｙに基づいて、クラス分類処理を実行する。具体的には、Ｋ−ｍｅａｎｓ法などのクラスタリング手法やＳＯＭ（Ｓｅｌｆ−ｏｒｇａｎｉｚｉｎｇ ｍａｐ）による手法を適用し、Ｒａｒｉｔｙを所定数のクラスに分類し、当該クラスを分類するための閾値Ｔｈ（＝｛ｔｈ_０，ｔｈ_１，・・・，ｔｈ_ｎ２−１｝）を取得する。

ここでは、Ｋ−ｍｅａｎｓ法を採用する場合について説明する。

クラス分類処理部２５２は、Ｒａｒｉｔｙ分布データＤｉｓｔ＿Ｒａｒｉｔｙに基づいて、各レアリティ値ｒ_ｉを予め設定されたクラス数（クラスタ数）ｋｃｌ（ｋｃｌ：２以上の自然数）に分類する場合、Ｋ−ｍｅａｎｓ法により、各レアリティ値ｒ_ｉと、クラスタ中心とのノルム（例えば、ユークリッド距離）を計算し、各レアリティ値ｒ_ｉを、最も近いクラスタ中心のクラスタに割り当てる。クラス分類処理部２５２は、この処理を繰り返し実行し、クラスタ割り当ての状況が変化しない、あるいは、変化量が所定の値以下になった場合、収束したと判断し、クラス分類処理を終了させる。そして、クラス分類処理部２５２は、クラス分類処理が終了した段階で、各クラス（各クラスタ）を分離するための閾値Ｔｈ（＝｛ｔｈ_０，ｔｈ_１，・・・，ｔｈ_ｎ２−１｝）を設定する。なお、クラス数（クラスタ数）ｋｃｌは、クラス分類処理部２５２において、予め設定されているものとする。

クラス分類処理部２５２は、以上のようにして取得したクラス分類するための閾値の集合データＴｈ（＝｛ｔｈ_０，ｔｈ_１，・・・，ｔｈ_ｎ２−１｝）を第１記憶部Ｓｔ２に記憶する。

なお、以下では、説明便宜のため、図５の右下図に示すように、クラス数を「３」とし、各クラスをクラスＣｌａｓｓ＿０、クラスＣｌａｓｓ＿１、および、クラスＣｌａｓｓ＿２とし、閾値Ｔｈ＝｛ｔｈ_０，ｔｈ_１｝とする場合について説明する。

（１．２．１．３：第３ステップの処理）
第３ステップの処理において、無線状況予測装置１００は、ＱｏＳ値の予測誤差の標準偏差から、ＱｏＳ値の要求基準値を調整するためのマージンを取得する。

無線状況予測装置１００の復調処理部Ｄｍ１は、アンテナＡｎｔ１を介して受信した無線信号に対して復調処理を実行し、ＲＦ復調信号、ＢＢ復調信号を取得する。観測データ取得部ＦＥ１は、復調処理部Ｄｍ１により取得された、ＲＦ復調信号、および／または、ＢＢ復調信号から、ＱｏＳ値を取得する。そして、観測データ取得部ＦＥ１は、取得したＱｏＳ値を含むデータをデータＤｉｎとして、予測判定処理部２のデータ保持部２１に出力する。

制御部ＣＰＵ１は、モード信号Ｍｏｄｅを「学習モード」を示す信号値に設定し、予測判定処理部２に出力する。また、制御部ＣＰＵ１は、制御信号ｃｔｌ１を「第３ステップの処理」を実行させるための信号値（セレクタＳＥＬ１の端子１が選択される信号値）に設定し、予測判定処理部２に出力する。

データ保持部２１は、観測データ取得部ＦＥ１からのデータＤｉｎを所定の期間、記憶保持する。データ保持部２１は、データＤｉｎの時系列データをデータＤ１ｓとして、レアリティ取得部２２および予測値取得部２３に出力する。時刻ｉのデータＤｉｎをＤ_ｉと表記するとすると、データＤ１ｓは、例えば、３つの連続する時系列データＤ１ｓ＝｛Ｄ_ｉ，Ｄ_ｉ＋１，Ｄ_ｉ＋２｝として設定される。なお、説明便宜のため、図６に示すように、時刻ｔ２以降のＱｏＳ値の観測値系列（時系列データ）を、ｃ_０，ｃ_１，ｃ_２，・・・とする。この場合、データ保持部２１は、データＤ１ｓ＝｛ｃ_０，ｃ_１，ｃ_２｝をレアリティ取得部２２および予測値取得部２３に出力する。

また、データ保持部２１は、予測値取得部２３で予測対象とした時刻の実際のデータ（真値）をデータＤ１＿ｔｒｕｅ（＝Ｄ_ｉ＋ｋ（図６の場合、ｃ_４））を減算器２４に出力する。

レアリティ取得部２２のノルム取得部２２１は、学習済みデータ記憶部Ｓｔ１から学習済みデータＤ＿ｔｒａｉｎｅｄのＲａｒｉｔｙ計算用データセットＤｓｅｔ２を読み出すとともに、データ保持部２１から出力されるデータＤ１ｓとを入力する。なお、ここでは、ノルム取得部２２１が、データＤ１ｓ＝｛ｃ_０，ｃ_１，ｃ_２｝を処理する場合について説明する。

ノルム取得部２２１は、Ｒａｒｉｔｙ計算用データセットＤｓｅｔ２の各行ベクトルとデータＤ１ｓ（＝｛ｃ_０，ｃ_１，ｃ_２｝）とを用いて、ノルム（例えば、ユークリッド距離）の算出を行う。つまり、ノルム取得部２２１は、Ｒａｒｉｔｙ計算用データセットＤｓｅｔ２のｍ行目の行ベクトルをＤｓｅｔ２＿ｒ_ｍとすると、
ｄ_０＝Ｎｏｒｍ（Ｄｓｅｔ２＿ｒ_０，Ｄ１ｓ）
ｄ_１＝Ｎｏｒｍ（Ｄｓｅｔ２＿ｒ_１，Ｄ１ｓ）
ｄ_２＝Ｎｏｒｍ（Ｄｓｅｔ２＿ｒ_２，Ｄ１ｓ）
・・・
ｄ_ｎ１−１＝Ｎｏｒｍ（Ｄｓｅｔ２＿ｒ_ｎ１−１，Ｄ１ｓ）
Ｎｏｒｍ（ｖ１，ｖ２）：ベクトルｖ１とベクトルｖ２のノルム（例えば、ユークリッド距離）を取得する関数。
に相当する処理により、ノルムの集合データ｛ｄ_０，ｄ_１，・・・，ｄ_ｎ１−１｝を取得する。そして、ノルム取得部２２１は、取得したノルムの集合データ｛ｄ_０，ｄ_１，・・・，ｄ_ｎ１−１｝を含むデータをデータＤ＿ｎｏｒｍとして、Ｒａｒｉｔｙ算出部２２２に出力する。

Ｒａｒｉｔｙ算出部２２２は、ノルム取得部２２１から出力されるデータＤ＿ｎｏｒｍから、時系列データＤ１ｓの出現の稀少度合いを示すレアリティ（Ｒａｒｉｔｙ）を算出する。具体的には、Ｒａｒｉｔｙ算出部２２２は、
ｒ_ｉ＝ｍｉｎ（ｄ_ｉ，ｄ_ｉ＋１，・・・，ｄ_{ｉ＋ｎ１−１}）
ｍｉｎ（）：要素の最小値を取得する関数
に相当する処理を実行することで、ＱｏＳ値の時系列データ｛Ｄ_ｉ，Ｄ_ｉ＋１，Ｄ_ｉ＋２｝に対応するレアリティ値ｒ_ｉを取得する。なお、ここでは、ＱｏＳ値の時系列データ｛Ｄ_ｉ，Ｄ_ｉ＋１，Ｄ_ｉ＋２｝＝｛ｃ_０，ｃ_１，ｃ_２｝であるので、Ｒａｒｉｔｙ算出部２２２は、
ｒ_０＝ｍｉｎ（ｄ_０，ｄ_１，・・・，ｄ_ｎ１−１）
を取得する。

そして、Ｒａｒｉｔｙ算出部２２２は、算出したレアリティｒ_ｉを含むデータをデータＤ２として、調整基準値取得部２５のセレクタＳＥＬ１に出力する。

セレクタＳＥＬ１は、「第３ステップの処理」を実行させるための信号値（セレクタＳＥＬ１の端子１が選択される信号値）に設定されている制御信号ｃｔｌ１に従い、端子１を選択し、入力されたデータＤ２をＲａｒｉｔｙクラス分類部２５３に出力する。

Ｒａｒｉｔｙクラス分類部２５３は、第１記憶部Ｓｔ２から閾値の集合データＴｈ（＝｛ｔｈ_０，ｔｈ_１｝）を読み出し、閾値の集合データＴｈ（＝｛ｔｈ_０，ｔｈ_１｝）に基づいて、データＤ２をクラス分類し、データＤ２が振り分けられたクラスの番号ｊを含むデータをデータＤ３として、標準偏差取得部２５４に出力する。

予測値取得部２３は、学習済みデータ記憶部Ｓｔ１から学習済みデータＤ＿ｔｒａｉｎｅｄ（Ｒａｒｉｔｙ計算用データセットＤｓｅｔ２、および、ラベル（正解データ）のデータセットＤｓｅｔ＿Ｌａｂｅｌ）を読み出す。予測値取得部２３は、ノルム取得部２２１で実行される処理と同様にＱｏＳ値の時系列データＤ１ｓ（＝｛ｃ_０，ｃ_１，ｃ_２｝）と、Ｒａｒｉｔｙ計算用データセットＤｓｅｔ２の各行ベクトルとのノルム（例えば、ユークリッド距離）を算出し、最小値となる行ベクトルを検出し、検出した行ベクトルに対応するラベル（正解データ）を、データセットＤｓｅｔ＿Ｌａｂｅｌを用いて特定する。これにより、予測値取得部２３は、ノルムの最小値をとる行ベクトルに対応するラベルを、将来の時刻の予測データ値Ｄ＿ｐｒｅｄｉｃｔとして取得する。例えば、図６に示す場合、ＱｏＳ値の時系列データＤ１ｓ（＝｛ｃ_０，ｃ_１，ｃ_２｝）と、Ｒａｒｉｔｙ計算用データセットＤｓｅｔ２の第３行目のベクトル（｛ａ_２，ａ_３，ａ_４｝）とのノルムが最小値をとるとすると、予測値取得部２３は、Ｒａｒｉｔｙ計算用データセットＤｓｅｔ２の第３行目のベクトル（｛ａ_２，ａ_３，ａ_４｝）に対応するラベルの値ａ_６（ラベル（正解データ）のデータセットＤｓｅｔ＿Ｌａｂｅｌの第３行目のデータ）を将来の時刻（現在時刻ｉとすると将来時刻ｉ＋４）の予測データ値Ｄ＿ｐｒｅｄｉｃｔであると特定する。

そして、予測値取得部２３は、上記のようにして取得した将来時刻（現在時刻ｉとすると将来時刻ｉ＋４）の予測データ値Ｄ＿ｐｒｅｄｉｃｔ（＝Ｄ’_ｉ＋ｋ＝ａ_６）を減算器２４に出力する。

減算器２４は、データ保持部２１から出力されるデータＤ１＿ｔｒｕｅ（＝Ｄ_ｉ＋ｋ＝ｃ_４）と、予測値取得部２３から出力されるデータＤ＿ｐｒｅｄｉｃｔ（＝Ｄ’_ｉ＋ｋ＝ａ_６）とを入力する。減算器２４は、
Ｄ＿ｐｒｅｄｉｃｔｉｏｎ＿ｅｒｒｏｒ＝Ｄ１＿ｔｒｕｅ―Ｄ＿ｐｒｅｄｉｃｔ
に相当する処理（減算処理）を実行して、予測誤差データＤ＿ｐｒｅｄｉｃｔｉｏｎ＿ｅｒｒｏｒ（＝Ｅｒｒ_ｉ＋ｋ）を取得する。そして、減算器２４は、取得した予測誤差データＤ＿ｐｒｅｄｉｃｔｉｏｎ＿ｅｒｒｏｒ（＝Ｅｒｒ_ｉ＋ｋ）を調整基準値取得部２５の標準偏差取得部２５４に出力する。

標準偏差取得部２５４は、減算器２４から出力されるデータＤ＿ｐｒｅｄｉｃｔｉｏｎ＿ｅｒｒｏｒと、Ｒａｒｉｔｙクラス分類部２５３から出力されるデータＤ３（＝ｊ＝ｃｌａｓｓ（ｒ_ｉ）、ｃｌａｓｓ（ｘ）は、Ｒａｒｉｔｙ値ｘが属するクラスの番号を取得する関数）とを入力する。標準偏差取得部２５４は、データＤ３に基づいて、データＤ＿ｐｒｅｄｉｃｔｉｏｎ＿ｅｒｒｏｒをクラスに振り分け、振り分けられたクラスごとに（同一クラスに振り分けられたデータ群について）、データＤ＿ｐｒｅｄｉｃｔｉｏｎ＿ｅｒｒｏｒの標準偏差σ_ｊ（クラス番号ｊの標準偏差σ_ｊ）を取得する。

そして、標準偏差取得部２５４は、取得した標準偏差σ_ｊを含むデータをデータＤ４（＝σ_ｊ）として、マージン決定部２５５に出力する。

マージン決定部２５５は、標準偏差取得部２５４から出力されるデータＤ４（＝σ_ｊ）を入力する。マージン決定部２５５は、データＤ４（＝σ_ｊ）に基づいて、クラス番号ｊのクラスのデータにためのマージンＭｒｇｎ_ｊを決定する。例えば、マージン決定部２５５は、クラス番号ｊのクラスのマージンＭｒｇｎ_ｊを
Ｍｒｇｎ_ｊ＝Ｇｍ×σ_ｊ
Ｇｍ：係数（例えば、Ｇｍ＝６）
により取得される値に決定する。

そして、マージン決定部２５５は、決定したマージンＭｒｇｎ_ｊを含むデータをデータＤ５（＝Ｍｒｇｎ_ｊ）として、第２記憶部Ｓｔ３に記憶する。

マージン設定部２５６は、第１記憶部Ｓｔ２から閾値の集合データＴｈ（＝｛ｔｈ_０，ｔｈ_１｝）を読み出すとともに、第２記憶部Ｓｔ３からマージンのデータＤ５（＝Ｍｒｇｎ_ｊ）を読み出す。マージン設定部２５６は、閾値の集合データＴｈ（＝｛ｔｈ_０，ｔｈ_１｝）に基づいてデータＤ２（＝ｒ_ｉ）をクラス分類し、データＤ２（＝ｒ_ｉ）が振り分けられたクラス（例えば、クラス番号がｊのクラス）に対応するマージン（例えば、Ｍｒｇｎ_ｊ）を用いて、データＱｏＳ＿ｒｅｑに対してマージン調整処理を実行し、マージン調整処理後の通信品質データ基準値ＱｏＳ＿ａｄｊを取得する。マージン設定部２５６は、図７に示すように、例えば、クラスＣｌａｓｓ＿０〜Ｃｌａｓｓ＿１について、マージン調整処理後の通信品質データ基準値ＱｏＳ＿ａｄｊを以下の値として取得する。
クラスＣｌａｓｓ＿０：ＱｏＳ＿ａｄｊ＝ＱｏＳ＿ｒｅｑ＋Ｇｍ×σ_０
クラスＣｌａｓｓ＿１：ＱｏＳ＿ａｄｊ＝ＱｏＳ＿ｒｅｑ＋Ｇｍ×σ_１
クラスＣｌａｓｓ＿２：ＱｏＳ＿ａｄｊ＝ＱｏＳ＿ｒｅｑ＋Ｇｍ×σ_２
Ｇｍ：係数（例えば、Ｇｍ＝６）
以上のようにして、無線状況予測装置１００では、学習処理が実行される。

（１．２．２：予測処理）
次に、予測処理（通信障害の予測実行処理）について説明する。

図８は、予測処理（通信障害の予測実行処理）を説明するための図である。

予測処理（通信障害の予測実行処理）において、無線状況予測装置１００は、将来時刻のＱｏＳ値の予測値Ｄ’_ｉ＋ｋと、マージン調整処理後の通信品質データ基準値ＱｏＳ＿ａｄｊとに基づいて、通信障害の発生の有無の予測処理を実行する。

無線状況予測装置１００の復調処理部Ｄｍ１は、アンテナＡｎｔ１を介して受信した無線信号に対して復調処理を実行し、ＲＦ復調信号、ＢＢ復調信号を取得する。観測データ取得部ＦＥ１は、復調処理部Ｄｍ１により取得された、ＲＦ復調信号、および／または、ＢＢ復調信号から、ＱｏＳ値を取得する。そして、観測データ取得部ＦＥ１は、取得したＱｏＳ値を含むデータをデータＤｉｎとして、予測判定処理部２のデータ保持部２１に出力する。

制御部ＣＰＵ１は、モード信号Ｍｏｄｅを「予測処理実行モード」を示す信号値に設定し、予測判定処理部２に出力する。また、制御部ＣＰＵ１は、制御信号ｃｔｌ１を「予測処理」を実行させるための信号値（セレクタＳＥＬ１の端子２が選択される信号値）に設定し、予測判定処理部２に出力する。

データ保持部２１は、観測データ取得部ＦＥ１からのデータＤｉｎを所定の期間、記憶保持する。データ保持部２１は、データＤｉｎの時系列データをデータＤ１ｓとして、レアリティ取得部２２および予測値取得部２３に出力する。時刻ｉのデータＤｉｎをＤ_ｉと表記するとすると、データＤ１ｓは、例えば、３つの連続する時系列データＤ１ｓ＝｛Ｄ_ｉ，Ｄ_ｉ＋１，Ｄ_ｉ＋２｝として設定される。なお、説明便宜のため、図８に示すように、時刻ｔ３以降のＱｏＳ値の観測値系列（時系列データ）を、ｑ_０，ｑ_１，ｑ_２，・・・とする。この場合、データ保持部２１は、データＤ１ｓ＝｛ｑ_０，ｑ_１，ｑ_２｝をレアリティ取得部２２および予測値取得部２３に出力する。

レアリティ取得部２２のノルム取得部２２１は、学習済みデータ記憶部Ｓｔ１から学習済みデータＤ＿ｔｒａｉｎｅｄのＲａｒｉｔｙ計算用データセットＤｓｅｔ２を読み出すとともに、データ保持部２１から出力されるデータＤ１ｓとを入力する。なお、ここでは、ノルム取得部２２１が、データＤ１ｓ＝｛ｑ_０，ｑ_１，ｑ_２｝を処理する場合について説明する。

ノルム取得部２２１は、Ｒａｒｉｔｙ計算用データセットＤｓｅｔ２の各行ベクトルとデータＤ１ｓ（＝｛ｑ_０，ｑ_１，ｑ_２｝）とを用いて、ノルム（例えば、ユークリッド距離）の算出を行う。つまり、ノルム取得部２２１は、Ｒａｒｉｔｙ計算用データセットＤｓｅｔ２のｍ行目の行ベクトルをＤｓｅｔ２＿ｒ_ｍとすると、
ｄ_０＝Ｎｏｒｍ（Ｄｓｅｔ２＿ｒ_０，Ｄ１ｓ）
ｄ_１＝Ｎｏｒｍ（Ｄｓｅｔ２＿ｒ_１，Ｄ１ｓ）
ｄ_２＝Ｎｏｒｍ（Ｄｓｅｔ２＿ｒ_２，Ｄ１ｓ）
・・・
ｄ_ｎ１−１＝Ｎｏｒｍ（Ｄｓｅｔ２＿ｒ_ｎ１−１，Ｄ１ｓ）
Ｎｏｒｍ（ｖ１，ｖ２）：ベクトルｖ１とベクトルｖ２のノルム（例えば、ユークリッド距離）を取得する関数。
に相当する処理により、ノルムの集合データ｛ｄ_０，ｄ_１，・・・，ｄ_ｎ１−１｝を取得する。そして、ノルム取得部２２１は、取得したノルムの集合データ｛ｄ_０，ｄ_１，・・・，ｄ_ｎ１−１｝を含むデータをデータＤ＿ｎｏｒｍとして、Ｒａｒｉｔｙ算出部２２２に出力する。

Ｒａｒｉｔｙ算出部２２２は、ノルム取得部２２１から出力されるデータＤ＿ｎｏｒｍから、時系列データＤ１ｓの出現の稀少度合いを示すレアリティ（Ｒａｒｉｔｙ）を算出する。具体的には、Ｒａｒｉｔｙ算出部２２２は、
ｒ_ｉ＝ｍｉｎ（ｄ_ｉ，ｄ_ｉ＋１，・・・，ｄ_{ｉ＋ｎ１−１}）
ｍｉｎ（）：要素の最小値を取得する関数
に相当する処理を実行することで、ＱｏＳ値の時系列データ｛Ｄ_ｉ，Ｄ_ｉ＋１，Ｄ_ｉ＋２｝に対応するレアリティ値ｒ_ｉを取得する。なお、ここでは、ＱｏＳ値の時系列データ｛Ｄ_ｉ，Ｄ_ｉ＋１，Ｄ_ｉ＋２｝＝｛ｃ_０，ｃ_１，ｃ_２｝であるので、Ｒａｒｉｔｙ算出部２２２は、
ｒ_０＝ｍｉｎ（ｄ_０，ｄ_１，・・・，ｄ_ｎ１−１）
を取得する。

そして、Ｒａｒｉｔｙ算出部２２２は、算出したレアリティｒ_ｉを含むデータをデータＤ２として、調整基準値取得部２５のセレクタＳＥＬ１に出力する。

セレクタＳＥＬ１は、「予測処理」を実行させるための信号値（セレクタＳＥＬ１の端子２が選択される信号値）に設定されている制御信号ｃｔｌ１に従い、端子２を選択し、入力されたデータＤ２（＝ｒ_ｉ）をマージン設定部２５６に出力する。

マージン設定部２５６は、第１記憶部Ｓｔ２から閾値の集合データＴｈ（＝｛ｔｈ_０，ｔｈ_１｝）を読み出すとともに、第２記憶部Ｓｔ３からマージンのデータＤ５（＝Ｍｒｇｎ_ｊ）を読み出す。マージン設定部２５６は、閾値の集合データＴｈ（＝｛ｔｈ_０，ｔｈ_１｝）に基づいてデータＤ２（＝ｒ_ｉ）をクラス分類し、データＤ２（＝ｒ_ｉ）が振り分けられたクラス（例えば、クラス番号がｊのクラス）に対応するマージン（例えば、Ｍｒｇｎ_ｊ）を用いて、データＱｏＳ＿ｒｅｑに対してマージン調整処理を実行し、マージン調整処理後の通信品質データ基準値ＱｏＳ＿ａｄｊを取得する。マージン設定部２５６は、例えば、クラスＣｌａｓｓ＿０〜Ｃｌａｓｓ＿１について、マージン調整処理後の通信品質データ基準値ＱｏＳ＿ａｄｊを以下の値として取得する。
クラスＣｌａｓｓ＿０：ＱｏＳ＿ａｄｊ＝ＱｏＳ＿ｒｅｑ＋Ｇｍ×σ_０
クラスＣｌａｓｓ＿１：ＱｏＳ＿ａｄｊ＝ＱｏＳ＿ｒｅｑ＋Ｇｍ×σ_１
クラスＣｌａｓｓ＿２：ＱｏＳ＿ａｄｊ＝ＱｏＳ＿ｒｅｑ＋Ｇｍ×σ_２
Ｇｍ：係数（例えば、Ｇｍ＝６）
そして、マージン設定部２５６は、取得したマージン調整処理後の通信品質データ基準値ＱｏＳ＿ａｄｊを判定部２６に出力する。

予測値取得部２３は、学習済みデータ記憶部Ｓｔ１から学習済みデータＤ＿ｔｒａｉｎｅｄ（Ｒａｒｉｔｙ計算用データセットＤｓｅｔ２、および、ラベル（正解データ）のデータセットＤｓｅｔ＿Ｌａｂｅｌ）を読み出す。予測値取得部２３は、ノルム取得部２２１で実行される処理と同様にＱｏＳ値の時系列データＤ１ｓ（＝｛ｑ_０，ｑ_１，ｑ_２｝）と、Ｒａｒｉｔｙ計算用データセットＤｓｅｔ２の各行ベクトルとのノルム（例えば、ユークリッド距離）を算出し、最小値となる行ベクトルを検出し、検出した行ベクトルに対応するラベル（正解データ）を、データセットＤｓｅｔ＿Ｌａｂｅｌを用いて特定する。これにより、予測値取得部２３は、ノルムの最小値をとる行ベクトルに対応するラベルを、将来の時刻の予測データ値Ｄ＿ｐｒｅｄｉｃｔとして取得する。例えば、図８に示す場合、ＱｏＳ値の時系列データＤ１ｓ（＝｛ｑ_０，ｑ_１，ｑ_２｝）と、Ｒａｒｉｔｙ計算用データセットＤｓｅｔ２の第３行目のベクトル（｛ａ_２，ａ_３，ａ_４｝）とのノルムが最小値をとるとすると、予測値取得部２３は、Ｒａｒｉｔｙ計算用データセットＤｓｅｔ２の第３行目のベクトル（｛ａ_２，ａ_３，ａ_４｝）に対応するラベルの値ａ_６（ラベル（正解データ）のデータセットＤｓｅｔ＿Ｌａｂｅｌの第３行目のデータ）を将来の時刻（現在時刻ｉとすると将来時刻ｉ＋４）の予測データ値Ｄ＿ｐｒｅｄｉｃｔとして取得する。

そして、予測値取得部２３は、上記のようにして取得した将来時刻（現在時刻ｉとすると将来時刻ｉ＋４）の予測データ値Ｄ＿ｐｒｅｄｉｃｔ（＝Ｄ’_ｉ＋ｋ＝ａ_６）を判定部２６に出力する。

判定部２６は、予測値取得部２３から出力されるデータＤ＿ｐｒｅｄｉｃｔｅｄ（＝Ｄ’_ｉ＋ｋ＝ａ_６）と、マージン設定部２５６から出力されるデータＤ７（＝ＱｏＳ＿ａｄｊ）と、制御部ＣＰＵ１から出力されるモード信号Ｍｏｄｅとを入力する。判定部２６は、モード信号Ｍｏｄｅが「予測処理実行モード」を示す信号である場合、データＤ７（マージン調整処理後の通信品質データ基準値ＱｏＳ＿ａｄｊ）に基づいて、データＤ＿ｐｒｅｄｉｃｔｅｄ（＝Ｄ’_ｉ＋ｋ＝ａ_６）が、通信障害が発生しているときのデータであるか否かを判定する。例えば、判定部２６は、マージン調整処理後の通信品質データ基準値ＱｏＳ＿ａｄｊとデータＤ＿ｐｒｅｄｉｃｔｅｄ（＝Ｄ’_ｉ＋ｋ＝ａ_６）との値の大小比較を行い、以下のように判定結果Ｄｏｕｔを取得する。
（１）Ｄ＿ｐｒｅｄｉｃｔｅｄ（＝Ｄ’_ｉ＋ｋ＝ａ_６）＞ＱｏＳ＿ａｄｊである場合、判定部２６は、将来時刻ｉ＋ｋ（＝ｉ＋４）において、通信障害は発生しないと予測し、判定結果Ｄｏｕｔを、例えば、通信障害の発生なしを示す信号値「０」に設定し、当該判定結果Ｄｏｕｔ（＝０）を出力する。
（２）Ｄ＿ｐｒｅｄｉｃｔｅｄ（＝Ｄ’_ｉ＋ｋ＝ａ_６）≦ＱｏＳ＿ａｄｊである場合、判定部２６は、将来時刻ｉ＋ｋ（＝ｉ＋４）において、通信障害が発生すると予測し、判定結果Ｄｏｕｔを、例えば、通信障害の発生ありを示す信号値「１」に設定し、当該判定結果Ｄｏｕｔ（＝１）を出力する。

以上のように、無線状況予測装置１００では、予測処理が実行される。

ここで、図９を用いて、観測データ（ＱｏＳ値）の時系列データの発生パターンが頻出する入力パターン（Ｒａｒｉｔｙ値が低い入力パターン）が無線状況予測装置１００に入力された場合（図９（ａ））と、観測データ（ＱｏＳ値）の時系列データの発生パターンが稀少な入力パターン（Ｒａｒｉｔｙ値が高い入力パターン）が無線状況予測装置１００に入力された場合（図９（ｂ）、（ｃ））のマージン調整処理後の通信品質データ基準値ＱｏＳ＿ａｄｊの設定について、説明する。

図９（ａ）の場合、観測データ（ＱｏＳ値）の時系列データの発生パターンが頻出する入力パターン（Ｒａｒｉｔｙ値が低い入力パターン）であり、Ｒａｒｉｔｙ値が低く、入力パターンの発生頻度が高いため、当該入力パターンから算出されるＲａｒｉｔｙ値の属するクラスの予測誤差の標準偏差値が小さい。したがって、マージン調整処理後の通信品質データ基準値ＱｏＳ＿ａｄｊは、図９（ａ）に示すように、通信品質データ基準値ＱｏＳ＿ｒｅｑとほぼ同値となる。そして、図９（ａ）に示すように、ウィンドウＷｉｎ２内の観測データ（ＱｏＳ値）の時系列データ（時刻ｔ_ｉからのデータ）から予測した将来時刻ｔ_ｉ＋ｋの予測値Ｄ’_ｉ＋ｋは、通信品質データ基準値ＱｏＳ＿ｒｅｑとほぼ同値となるマージン調整処理後の通信品質データ基準値ＱｏＳ＿ａｄｊと比較し、（予測値Ｄ’_ｉ＋ｋ）＞ＱｏＳ＿ａｄｊであるので、通信障害が発生しないと適切に判定される。

一方、図９（ｂ）、（ｃ）の場合、観測データ（ＱｏＳ値）の時系列データの発生パターンが稀少な入力パターン（Ｒａｒｉｔｙ値が高い入力パターン）であり、Ｒａｒｉｔｙ値が高く、入力パターンの発生頻度が低いため、当該入力パターンから算出されるＲａｒｉｔｙ値の属するクラスの予測誤差の標準偏差値が大きい。したがって、マージン調整処理後の通信品質データ基準値ＱｏＳ＿ａｄｊは、図９（ｃ）に示すように、通信品質データ基準値ＱｏＳ＿ｒｅｑよりも高い値に設定される。そして、図９（ｂ）（ｃ）に示すように、ウィンドウＷｉｎ３内の観測データ（ＱｏＳ値）の時系列データ（時刻ｔ_ｉからのデータ）から予測した将来時刻ｔ_ｉ＋ｋの予測値Ｄ’_ｉ＋ｋは、通信品質データ基準値ＱｏＳ＿ｒｅｑよりも大きな値をとり、実際の将来時刻ｔ_ｉ＋ｋの観測値（図９（ｂ）、（ｃ）の点線の時刻ｉ＋ｋの値）は、通信品質データ基準値ＱｏＳ＿ｒｅｑよりも小さな値をとる。したがって、通信品質データ基準値ＱｏＳ＿ｒｅｑにより、通信障害の発生の有無を判定すると、不適切な判定結果（予測失敗）となるが（図９（ｂ）の場合）、マージン調整処理後の通信品質データ基準値ＱｏＳ＿ａｄｊにより、通信障害の発生の有無を判定すると、適切な判定結果（予測成功）を取得することができる。つまり、無線状況予測装置１００では、Ｒａｒｉｔｙ値に応じて、マージン調整処理後の通信品質データ基準値ＱｏＳ＿ａｄｊを変更するため、上記のように、観測データ（ＱｏＳ値）の時系列データの発生パターンが稀少な入力パターンが入力された場合であっても、適切に通信障害の発生の有無を判定することができる。

以上のように、無線状況予測装置１００では、学習時において、観測データ（ＱｏＳ値）の時系列データの発生パターンを学習することで、頻出する観測データ（ＱｏＳ値）の時系列データの発生パターンを把握する。また、無線状況予測装置１００では、学習時に取得した観測データ（ＱｏＳ値）の時系列データの発生パターンと、実際の観測データ（ＱｏＳ値）の時系列データとの類似性を、例えば、ノルム（例えば、ユークリッド距離）を算出することにより判定し、観測データ（ＱｏＳ値）の時系列データの出現の稀少度合いを示すレアリティ値（Ｒａｒｉｔｙ値）を算出する。そして、無線状況予測装置１００では、レアリティ値の分布であるレアリティ分布を取得し、当該レアリティ分布に基づいて、レアリティ値のデータ群を閾値により所定のクラスに分類する。そして、クラスごとに、ＱｏＳ値の要求基準値を調整するためのマージンを取得する。

そして、無線状況予測装置１００は、予測時において、処理対象の観測データ（ＱｏＳ値）の時系列データのレアリティ値ｒ_ｉに基づいて、分類されるクラスを特定し、当該クラス（例えば、クラスｊ）に対応するマージン（例えば、Ｍｒｇｎ_ｊ）により、通信品質データ基準値ＱｏＳ＿ａｄｊを調整したマージン調整処理後の通信品質データ基準値ＱｏＳ＿ａｄｊを取得する。そして、無線状況予測装置１００は、将来時刻の観測データ（ＱｏＳ値）の予測値と、取得したマージン調整処理後の通信品質データ基準値ＱｏＳ＿ａｄｊとを比較することで、将来時刻において、通信障害が発生するか否かの判定を行う。

つまり、無線状況予測装置１００では、通信障害を検知する際の重要な要因である、入力パターン（観測データ（ＱｏＳ値）の時系列データ）のめずらしさ（Ｒａｒｉｔｙ）を考慮した、通信障害の発生の予測処理を実行することができる。したがって、無線状況予測装置１００では、従来技術に比べ、より高精度な通信障害の予測が可能となる。

さらに、無線状況予測装置１００では、入力パターン（観測データ（ＱｏＳ値）の時系列データ）のめずらしさ（Ｒａｒｉｔｙ）を考慮した、通信障害の発生の予測処理を実行するので、稀な入力パターン、あるいは、未学習の入力パターンが発生した場合であっても、高精度な通信障害の予測処理を実行することができる。

［第２実施形態］
次に、第２実施形態について、説明する。なお、上記実施形態と同様の部分については、同一符号を付し、詳細な説明を省略する。

図１０は、第２実施形態の無線状況予測装置２００の概略構成図である。

第２実施形態の無線状況予測装置２００は、図１０に示すように、第１実施形態の無線状況予測装置１００の学習部１、学習済みデータ記憶部Ｓｔ１、予測判定処理部２、および、制御部ＣＰＵ１を２組設けた構成を有している。つまり、第２実施形態の無線状況予測装置２００は、図１０に示すように、アンテナＡｎｔ１と、復調処理部Ｄｍ１と、観測データ取得部ＦＥ１と、第１学習予測部Ｄｅｖ１と、第２学習予測部Ｄｅｖ２とを備える。

第１学習予測部Ｄｅｖ１は、第１学習部１Ａと、第１学習済みデータ記憶部Ｓｔ１Ａと、第１予測判定処理部２Ａと、第１制御部ＣＰＵ１Ａとを備える。第１学習部１Ａ、第１学習済みデータ記憶部Ｓｔ１Ａ、第１予測判定処理部２Ａ、および、第１制御部ＣＰＵ１Ａは、それぞれ、第１実施形態の無線状況予測装置１００の学習部１、学習済みデータ記憶部Ｓｔ１、予測判定処理部２、および、制御部ＣＰＵ１と同じ機能部である。

第２学習予測部Ｄｅｖ２は、第２学習部１Ｂと、第２学習済みデータ記憶部Ｓｔ１Ｂと、第２予測判定処理部２Ｂと、第２制御部ＣＰＵ１Ｂとを備える。第２学習部１Ｂ、第２学習済みデータ記憶部Ｓｔ１Ｂ、第２予測判定処理部２Ｂ、および、第２制御部ＣＰＵ１Ｂは、それぞれ、第１実施形態の無線状況予測装置１００の学習部１、学習済みデータ記憶部Ｓｔ１、予測判定処理部２、および、制御部ＣＰＵ１と同じ機能部である。

図１１は、無線状況予測装置２００で取得されるＱｏＳ値の時系列データ（一例）と、第１学習予測部Ｄｅｖ１の処理モードと、第２学習予測部Ｄｅｖ２の処理モードとを示すタイミングチャートである。図１１のタイミングチャートにおいて、横軸は時間である。

無線状況予測装置２００では、図１１に示すように、第１学習予測部Ｄｅｖ１の処理モードと、第２学習予測部Ｄｅｖ２の処理モードとを互いに異なる処理モードとすることで、学習処理と予測処理とをパイプライン処理により実行する。つまり、無線状況予測装置２００において、第１学習予測部Ｄｅｖ１、および、第２学習予測部Ｄｅｖ２は、以下のように処理を実行し、さらに、以下の処理を繰り返し実行する。
（１）時刻ｔ００〜ｔ１０の期間において、第１学習予測部Ｄｅｖ１は、学習処理（第１実施形態の学習処理と同じ処理）を実行する。そして、第１制御部ＣＰＵ１Ａは、この期間において、「学習モード」を示す信号値のモード信号ＭｏｄｅＡを出力する。
（１−１）時刻ｔ００〜ｔ０１の期間において、第１学習予測部Ｄｅｖ１は、第１ステップの処理Ａ１１（第１実施形態の第１ステップの処理Ａ１と同じ処理）を実行する。そして、第１制御部ＣＰＵ１Ａは、この期間において、制御信号ｃｔｌ１Ａ（第１実施形態の制御信号ｃｔｌ１に対応する信号）を「第１ステップの処理」を実行させるための信号値に設定し、第１予測判定処理部２Ａに出力する。
（１−２）時刻ｔ０１〜ｔ０２の期間において、第１学習予測部Ｄｅｖ１は、第２ステップの処理Ａ１２（第１実施形態の第２ステップの処理Ａ２と同じ処理）を実行する。そして、第１制御部ＣＰＵ１Ａは、この期間において、制御信号ｃｔｌ１Ａを「第２ステップの処理」を実行させるための信号値に設定し、第１予測判定処理部２Ａに出力する。
（１−３）時刻ｔ０２〜ｔ１０の期間において、第１学習予測部Ｄｅｖ１は、第３ステップの処理Ａ１３（第１実施形態の第３ステップの処理Ａ３と同じ処理）を実行する。そして、第１制御部ＣＰＵ１Ａは、この期間において、制御信号ｃｔｌ１Ａを「第３ステップの処理」を実行させるための信号値に設定し、第１予測判定処理部２Ａに出力する。
（２）時刻ｔ１０〜ｔ２０の期間において、第１学習予測部Ｄｅｖ１は、予測処理（第１実施形態の予測処理と同じ処理）を実行し、判定結果ＤｏｕｔＡを出力する。そして、第１制御部ＣＰＵ１Ａは、この期間において、「予測処理実行モード」を示す信号値のモード信号ＭｏｄｅＡを出力する。
（２−１）時刻ｔ１０〜ｔ１１の期間において、第２学習予測部Ｄｅｖ２は、第１ステップの処理Ｂ１１（第１実施形態の第１ステップの処理Ａ１と同じ処理）を実行する。そして、第２制御部ＣＰＵ１Ｂは、この期間において、制御信号ｃｔｌ１Ｂ（第１実施形態の制御信号ｃｔｌ１に対応する信号）を「第１ステップの処理」を実行させるための信号値に設定し、第２予測判定処理部２Ｂに出力する。
（２−２）時刻ｔ１１〜ｔ１２の期間において、第２学習予測部Ｄｅｖ２は、第２ステップの処理Ｂ１２（第１実施形態の第２ステップの処理Ａ２と同じ処理）を実行する。そして、第２制御部ＣＰＵ１Ｂは、この期間において、制御信号ｃｔｌ１Ｂを「第２ステップの処理」を実行させるための信号値に設定し、第２予測判定処理部２Ｂに出力する。
（２−３）時刻ｔ１２〜ｔ２０の期間において、第２学習予測部Ｄｅｖ２は、第３ステップの処理Ｂ１３（第１実施形態の第３ステップの処理Ａ３と同じ処理）を実行する。そして、第２制御部ＣＰＵ１Ｂは、この期間において、制御信号ｃｔｌ１Ｂを「第３ステップの処理」を実行させるための信号値に設定し、第２予測判定処理部２Ｂに出力する。
（３）時刻ｔ２０〜ｔ３０の期間において、第２学習予測部Ｄｅｖ２は、予測処理（第１実施形態の予測処理と同じ処理）を実行し、判定結果ＤｏｕｔＢを出力する。そして、第２制御部ＣＰＵ１Ｂは、この期間において、「予測処理実行モード」を示す信号値のモード信号ＭｏｄｅＢを出力する。
（３−１）時刻ｔ２０〜ｔ２１の期間において、第１学習予測部Ｄｅｖ１は、第１ステップの処理Ａ２１（第１実施形態の第１ステップの処理Ａ１と同じ処理）を実行する。そして、第１制御部ＣＰＵ１Ａは、この期間において、制御信号ｃｔｌ１Ａ（第１実施形態の制御信号ｃｔｌ１に対応する信号）を「第１ステップの処理」を実行させるための信号値に設定し、第１予測判定処理部２Ａに出力する。
（３−２）時刻ｔ２１〜ｔ２２の期間において、第１学習予測部Ｄｅｖ１は、第２ステップの処理Ａ２２（第１実施形態の第２ステップの処理Ａ２と同じ処理）を実行する。そして、第１制御部ＣＰＵ１Ａは、この期間において、制御信号ｃｔｌ１Ａを「第２ステップの処理」を実行させるための信号値に設定し、第１予測判定処理部２Ａに出力する。
（３−３）時刻ｔ２２〜ｔ３０の期間において、第１学習予測部Ｄｅｖ１は、第３ステップの処理Ａ２３（第１実施形態の第３ステップの処理Ａ３と同じ処理）を実行する。そして、第１制御部ＣＰＵ１Ａは、この期間において、制御信号ｃｔｌ１Ａを「第３ステップの処理」を実行させるための信号値に設定し、第１予測判定処理部２Ａに出力する。

無線状況予測装置２００では、上記のように処理することで、学習処理と予測処理とをパイプライン処理により実行することができる。その結果、無線状況予測装置２００では、常に、学習処理、および、予測処理を実行させることができるため、さらに高精度の通信障害の予測を行うことができる。

［他の実施形態］
上記実施形態では、観測値がＱｏＳ値である場合について説明したが、これに限定されることはなく、観測値は、例えば、無線環境の状況を把握することができるデータであれば、他のデータを用いてもよい。

また、学習済みデータ記憶部Ｓｔ１、第１記憶部Ｓｔ２、第２記憶部Ｓｔ３、第１学習済みデータ記憶部Ｓｔ１Ａ、および、第２学習済みデータ記憶部Ｓｔ１Ｂは、無線状況予測装置１００、２００の外部に設けられるものであってもよい。

また、上記実施形態では、レアリティ値ｒ_ｉの分類されたクラスごとに、レアリティ値ｒ_ｉの標準偏差値を用いてマージンを決定する場合について説明したが、これに限定されることはなく、例えば、レアリティ値ｒ_ｉの分類されたクラスごとに、予測誤差の分散値を用いてマージンを決定するようにしてもよい。

また、上記実施形態では、無線環境の通信障害を予測する場合について、説明したが、これに限定されることはなく、無線状況予測装置において、例えば、有線の通信環境、あるいは、無線、有線が混在するネットワークのバックボーンにあるハブからＱｏＳ情報を取得し、通信環境の通信障害を予測するようにしてもよい。

また、上記実施形態で説明した無線状況予測装置１００、２００において、各ブロックは、ＬＳＩなどの半導体装置により個別に１チップ化されても良いし、一部又は全部を含むように１チップ化されても良い。

なお、ここでは、ＬＳＩとしたが、集積度の違いにより、ＩＣ、システムＬＳＩ、スーパーＬＳＩ、ウルトラＬＳＩと呼称されることもある。

また、集積回路化の手法はＬＳＩに限るものではなく、専用回路又は汎用プロセサで実現してもよい。ＬＳＩ製造後に、プログラムすることが可能なＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）や、ＬＳＩ内部の回路セルの接続や設定を再構成可能なリコンフィギュラブル・プロセッサーを利用しても良い。

また、上記各実施形態の各機能ブロックの処理の一部または全部は、プログラムにより実現されるものであってもよい。そして、上記各実施形態の各機能ブロックの処理の一部または全部は、コンピュータにおいて、中央演算装置（ＣＰＵ）により行われる。また、それぞれの処理を行うためのプログラムは、ハードディスク、ＲＯＭなどの記憶装置に格納されており、ＲＯＭにおいて、あるいはＲＡＭに読み出されて実行される。

また、上記実施形態の各処理をハードウェアにより実現してもよいし、ソフトウェア（ＯＳ（オペレーティングシステム）、ミドルウェア、あるいは、所定のライブラリとともに実現される場合を含む。）により実現してもよい。さらに、ソフトウェアおよびハードウェアの混在処理により実現しても良い。

例えば、上記実施形態の各機能部を、ソフトウェアにより実現する場合、図１２に示したハードウェア構成（例えば、ＣＰＵ、ＲＯＭ、ＲＡＭ、入力部、出力部等をバスＢｕｓにより接続したハードウェア構成）を用いて、各機能部をソフトウェア処理により実現するようにしてもよい。

また、上記実施形態における処理方法の実行順序は、必ずしも、上記実施形態の記載に制限されるものではなく、発明の要旨を逸脱しない範囲で、実行順序を入れ替えることができるものである。

前述した方法をコンピュータに実行させるコンピュータプログラム及びそのプログラムを記録したコンピュータ読み取り可能な記録媒体は、本発明の範囲に含まれる。ここで、コンピュータ読み取り可能な記録媒体としては、例えば、フレキシブルディスク、ハードディスク、ＣＤ−ＲＯＭ、ＭＯ、ＤＶＤ、ＤＶＤ−ＲＯＭ、ＤＶＤ−ＲＡＭ、大容量ＤＶＤ、次世代ＤＶＤ、半導体メモリを挙げることができる。

上記コンピュータプログラムは、上記記録媒体に記録されたものに限られず、電気通信回線、無線又は有線通信回線、インターネットを代表とするネットワーク等を経由して伝送されるものであってもよい。

なお、本発明の具体的な構成は、前述の実施形態に限られるものではなく、発明の要旨を逸脱しない範囲で種々の変更および修正が可能である。

１００ 無線状況予測装置
１ 学習部
２ 予測判定処理部
２２ レアリティ取得部
２３ 予測値取得部
２４ 減算器（減算部）
２５ 調整基準値取得部
２６ 判定部
Ｓｔ１ 学習済みデータ記憶部
Ｄｅｖ１ 第１学習予測部
Ｄｅｖ２ 第２学習予測部

Claims (7)

1. 通信品質を示すデータである通信品質データの時系列パターンの発生頻度の稀少度合いを示すレアリティ値を取得するレアリティ取得部と、
   前記レアリティ値に基づいて、前記通信品質データの要求基準値を調整した値を、調整基準値として取得する調整基準値取得部と、
   現時刻において入力されている前記通信品質データの時系列パターンから、所定の時刻後の前記通信品質データの予測値を取得する予測値取得部と、
   前記調整基準値および前記予測値に基づいて、将来における通信障害の発生の有無を判定する判定部と、
   を備える通信状況予測装置。
2. 前記通信品質データの前記時系列パターンの発生パターンと、当該時系列パターンが発生した後の将来時刻の前記通信品質データとを用いて学習処理を実行する学習部と、
   前記学習部により取得された前記通信品質データの前記時系列パターンの発生パターンを含むレアリティ算出用データセットと、当該時系列パターンが発生した後の所定の時刻後である将来時刻の前記通信品質データを含むラベルデータセットとを含む学習済みデータを記憶する記憶部と、
   をさらに備え、
   前記レアリティ取得部は、現時刻において取得される前記通信品質データの前記時系列パターンと、前記レアリティ算出用データセットに含まれる前記通信品質データの複数の前記時系列パターンとのノルムをそれぞれ算出し、算出したノルムのうちの最小値を前記レアリティ値として取得する、
   請求項１に記載の通信状況予測装置。
3. 前記調整基準値取得部は、
   所定の時間における前記レアリティ値の頻度分布を取得することで、レアリティ分布データを取得し、
   取得した前記レアリティ分布に含まれるレアリティ値を所定数のクラスに分類するための閾値群を取得する、
   請求項２に記載の通信状況予測装置。
4. 前記予測値取得部により取得された前記通信品質データの予測値と、当該予測値の真値との差である予測誤差値を取得する減算部をさらに備え、
   前記調整基準値取得部は、
   前記予測誤差値を、当該予測誤差値を取得するときに用いた前記通信品質データの前記時系列パターンの前記レアリティ値および前記閾値群に基づいて、決定されるクラスに分類し、分類された当該クラスに含まれる予測誤差値の標準偏差値を算出し、
   算出した前記予測誤差値の前記標準偏差値に基づいて、マージンを決定し、当該マージンに基づいて、前記調整基準値を取得する、
   請求項３に記載の通信状況予測装置。
5. 第１学習予測部と、
   第２学習予測部と、
   を備える通信状況予測装置であって、
   前記第１学習予測部は、
   通信品質データの時系列パターンの発生パターンと、当該時系列パターンが発生した後の将来時刻の前記通信品質データとを用いて学習処理を実行する第１学習部と、
   前記第１学習部により取得された前記通信品質データの前記時系列パターンの発生パターンを含むレアリティ算出用データセットと、当該時系列パターンが発生した後の所定の時刻後である将来時刻の前記通信品質データを含むラベルデータセットとを含む学習済みデータを記憶する第１記憶部と、
   通信障害の発生の有無の予測判定処理を行う第１予測判定処理部であって、
   通信品質を示すデータである通信品質データの時系列パターンの発生頻度の稀少度合いを示すレアリティ値を取得する第１レアリティ取得部と、
   前記レアリティ値に基づいて、前記通信品質データの要求基準値を調整した値を、調整基準値として取得する第１調整基準値取得部と、
   現時刻において入力されている前記通信品質データの時系列パターンから、所定の時刻後の前記通信品質データの予測値を取得する第１予測値取得部と、
   前記調整基準値および前記予測値に基づいて、将来における通信障害の発生の有無を判定する第１判定部と、
   を含む前記第１予測判定処理部と、
   を備え、
   前記第２学習予測部は、
   通信品質データの前記時系列パターンの発生パターンと、当該時系列パターンが発生した後の将来時刻の前記通信品質データとを用いて学習処理を実行する第２学習部と、
   前記第２学習部により取得された前記通信品質データの前記時系列パターンの発生パターンを含むレアリティ算出用データセットと、当該時系列パターンが発生した後の所定の時刻後である将来時刻の前記通信品質データを含むラベルデータセットとを含む学習済みデータを記憶する第２記憶部と、
   通信障害の発生の有無の予測判定処理を行う第２予測判定処理部であって、
   通信品質を示すデータである通信品質データの時系列パターンの発生頻度の稀少度合いを示すレアリティ値を取得する第２レアリティ取得部と、
   前記レアリティ値に基づいて、前記通信品質データの要求基準値を調整した値を、調整基準値として取得する第２調整基準値取得部と、
   現時刻において入力されている前記通信品質データの時系列パターンから、所定の時刻後の前記通信品質データの予測値を取得する第２予測値取得部と、
   前記調整基準値および前記予測値に基づいて、将来における通信障害の発生の有無を判定する第２判定部と、
   を含む前記第２予測判定処理部と、
   を備え、
   前記第１学習予測部は、
   （１）第２学習予測部が前記予測判定処理を実行しているときに、前記学習処理を実行し、
   （２）第２学習予測部が前記学習処理を実行しているときに、前記予測判定処理を実行する、
   通信状況予測装置。
6. 通信品質を示すデータである通信品質データの時系列パターンの発生頻度の稀少度合いを示すレアリティ値を取得するレアリティ取得ステップと、
   前記レアリティ値に基づいて、前記通信品質データの要求基準値を調整した値を、調整基準値として取得する調整基準値取得ステップと、
   現時刻において入力されている前記通信品質データの時系列パターンから、所定の時刻後の前記通信品質データの予測値を取得する予測値取得ステップと、
   前記調整基準値および前記予測値に基づいて、将来における通信障害の発生の有無を判定する判定ステップと、
   を備える通信状況予測方法。
7. 請求項６に記載の通信状況予測方法をコンピュータに実行させるためのプログラム。

Images