JP6978777B2 - 無線状況予測装置、無線状況予測方法、および、プログラム - Google Patents

無線状況予測装置、無線状況予測方法、および、プログラム Download PDF

Info

Publication number
JP6978777B2
JP6978777B2 JP2018042747A JP2018042747A JP6978777B2 JP 6978777 B2 JP6978777 B2 JP 6978777B2 JP 2018042747 A JP2018042747 A JP 2018042747A JP 2018042747 A JP2018042747 A JP 2018042747A JP 6978777 B2 JP6978777 B2 JP 6978777B2
Authority
JP
Japan
Prior art keywords
data
prediction
unit
radio
wireless
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
JP2018042747A
Other languages
English (en)
Other versions
JP2019161341A (ja
Inventor
ジュリアン ウェバー
宣理 菅
ニヤ アボルファズル メーボド
直人 江頭
一人 矢野
智明 熊谷
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.)
ATR Advanced Telecommunications Research Institute International
Original Assignee
ATR Advanced Telecommunications Research Institute International
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 ATR Advanced Telecommunications Research Institute International filed Critical ATR Advanced Telecommunications Research Institute International
Priority to JP2018042747A priority Critical patent/JP6978777B2/ja
Publication of JP2019161341A publication Critical patent/JP2019161341A/ja
Application granted granted Critical
Publication of JP6978777B2 publication Critical patent/JP6978777B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Mobile Radio Communication Systems (AREA)

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。
従来の無線通信方式、たとえば、３ＧＰＰ（3rd Generation Partnership Project）で標準化が行なわれた無線通信システムであるＬＴＥ（Long Term Evolution）リリース８（Rel-8）は、最大２０ＭＨｚの帯域を利用して通信を行うことが可能である。
さらに、ＬＴＥの発展版であるＬＴＥ−Ａ（Long Term Evolution-Advanced）では、ＬＴＥとの後方互換性を確保しつつ、更なる高速伝送を実現するため、ＬＴＥでサポートされる帯域幅を基本単位としたコンポーネントキャリア（ＣＣ：Component Carrier）を複数束ねて同時に用いるキャリアアグリゲーション（ＣＡ：Carrier Aggregation）技術が採用されている。これにより、ＬＴＥ−Ａでは、最大で５ＣＣ（１００ＭＨｚ幅）を用いて１００ＭＨｚ幅の広帯域伝送が実現可能である。ただし、このようなキャリアアグリゲーションは、近接する周波数バンドでの異なるチャネルを用いた伝送である。
上記のような高速化が図られてはいるものの、近年、スマートフォン等の高機能な携帯端末の普及に伴って、移動通信トラフィックの需要が急激に増大している。その結果、従来からの無線ＬＡＮ（Local Area Network）の利用拡大に加え、スマートフォンの普及によるモバイルデータトラフィックの増大により無線ＬＡＮへのオフロードが進展し、免許不要帯域（２．４ＧＨｚ帯、５ＧＨｚ帯）でのトラフィックが急増している。
また、ＩｏＴ（Internet Of Things）やＭ２Ｍ(Machine to Machine)に関する技術が多くのシステムに適用される傾向にあり、上記周波数帯および９２０ＭＨｚ帯の更なる逼迫が懸念され、これらの周波数帯の周波数利用効率向上は喫緊の課題となっている。
ここで、無線リソースの利用状況は時間・場所・周波数帯や無線チャネル等によって変動するため、一部の周波数帯（や無線チャネル）のみが混雑する状況が発生し得る。
つまり、無線システム全体として無線リソースに空きがある場合であっても、輻輳が発生するおそれがある。既存の自営系無線システム（例えばＩＥＥＥ８０２．１１無線ＬＡＮ）は単一の周波数帯を用いるか、予め使用する帯域をひとつ決めてから通信を行う。例えば、ＩＥＥＥ８０２．１１ｎは２．４ＧＨｚ帯と５ＧＨｚ帯のいずれを使用するかを設定してから使用する。このため、既存の自営系無線システム全体として無線リソースに空きがある場合であっても、輻輳が発生するおそれがある。
ここで、無線通信リソースの有効利用を図るためコグニティブ無線技術が注目されている。「コグニティブ無線技術」とは、無線端末が周囲の電波の利用状況を認識し、その状況に応じて利用する無線通信リソースを変えることをいう。コグニティブ無線技術には、異なる無線通信規格を状況に応じて選択して使うヘテロジニアス型と、無線端末が空き周波数を探し出して必要な通信帯域を確保する周波数共用型とがある。
ヘテロジニアス型においては、コグニティブ無線機は、周辺で運用されている複数の無線システムを認識し、各システムの利用度や実現可能な伝送品質に関する情報を入手し、適切な無線システムに接続する。即ち、ヘテロジニアス型のコグニティブ無線は、周辺に存在する無線システムの利用効率を高めることにより、間接的に周波数資源の利用効率を高めるものである。
一方、周波数共用型においては、コグニティブ無線機は、他の無線システムが運用されている周波数帯域において、一時的、または局所的に利用されていない周波数資源（これは、ｗｈｉｔｅ ｓｐａｃｅと呼ばれる）の存在を検知し、これを利用して信号伝送を行う。即ち、周波数共用型のコグニティブ無線は、ある周波数帯域における周波数資源の利用効率を直接的に高めるものである。
そして、上述したような免許不要帯域におけるトラフィックの増大の問題を解決する一手法として、使用周波数帯の異なる複数の無線ＬＡＮ規格（例えば、２．４ＧＨｚ帯無線ＬＡＮ規格と５ＧＨｚ帯無線ＬＡＮ規格）を選択あるいは並行利用する、ヘテロジニアス型コグニティブ無線的アプローチが考えられる（たとえば、特許文献１、特許文献２）。
しかし、このヘテロジニアス型コグニティブ無線的アプローチでは送信データを適宜分割し、それぞれどの周波数帯で伝送するかを事前に振り分けておく必要がある。この結果、各周波数帯の混雑度合いによっては使用周波数帯によって伝送遅延が大きく異なったり、データが宛先に到着する順番が入れ替わったりする、等の問題が新たに発生してしまう。
そこで、互いに大きく分離した複数の周波数帯、たとえば、２．４ＧＨｚ帯無線ＬＡＮと５ＧＨｚ帯無線ＬＡＮにおいて、既存システムと周波数を共用して、コグニティブな無線通信を実現することが望ましい。
しかしながら、複数の互いに分離した周波数帯域で同時並行に通信をする場合に、どのようなデータの分配を行い、送信タイミングをどのように決定すべきかについては、必ずしも明らかでない。
そこで、複数周波数帯（各周波数帯の中では1つ以上の無線チャネル）の利用状況（各無線チャネルの空き状況など）を観測し、このような観測結果に基づいて、送信のタイミングや使用する無線チャネルを制御するということが考えられる。具体的には、各無線チャネルがいつまで利用可能であるか、あるいはいつから利用可能であるかに応じて、送信のタイミングと使用する無線チャネルとを決定する。
ただし、このような送信制御には、過去の観測結果から、将来の利用状況の予測をすることが必要になる。
このとき、フレーム送信を試みる度に空き状況やビジー確率（ビジー状態である確率）等を頻繁に予測する必要があることを考えると、予測アルゴリズム（予測方法）は、高速かつ高精度な予測データを取得できるものであることが好ましい。
数多くの無線装置が無線伝送を行い、種々の通信トラフィックが混在している状況下では、無線リソース利用パターンが複雑化していると考えられる。そのような状況に対する簡易な表現でのモデル化が非常に困難である。そのため、予測アルゴリズム（予測方法）の設計や複雑さの低減などが重要な課題である。
ここで、無線通信の利用状況を予測するための従来技術としては、以下のようなものがある。
非特許文献１では、ＡＲ（autoregressive）法に基づく無線リソース利用率（ＣＯＲ : channel occupation ratio）の予測アルゴリズムを提案している。
非特許文献２では、隠れマルコフモデルを用いてトラフィックをモデル化し、ＣＯＲの予測を行っている。また、非特許文献３では、autoregressive integrated moving average (ARIMA)モデルを使ってＣＯＲの解析や予測を行っている。
非特許文献４では、実測結果に基づき無線チャネルの利用モデルの検討を行っている。また、チャネル状況の予測手法について概説している。
特開２０１１−２１１４３３号明細書 特開２０１３−１８７５６１号明細書
S. Kaneko, S. Nomoto, T. Ueda, S. Nomura, and K. Takeuchi, "Predicting radio resource availability in cognitive radio-an experimental examination," in Proc. CrownCom, Singapore, pp. 1-8, May 2008. E. Chatziantoniou, B. Allen and V. Velisavljevic, "An HMM-based spectrum occupancy predictor for energy efficient cognitive radio," IEEE PIMRC, London, pp. 601-605, Sept. 2013. Z. Wang and S. Salous, "Spectrum occupancy statistics and time series models for cognitive radio," J. Signal Process. Syst., vol. 62, no. 2, pp. 145-155, Feb. 2011. Y. Chen and H.S. Oh, "A Survey of Measurement-Based Spectrum Occupancy Modeling for Cognitive Radios," IEEE Communications Surveys & Tutorials, vol. 18, no. 1, pp. 848-859, First quarter 2016.
しかしながら、上記の技術では、高速かつ高精度に、無線環境状況を予測することは困難である。例えば、無線信号の反射波が多い狭い空間では、当該空間内での物の移動等（例えば、無人搬送車（ＡＧＶ（Ａｕｔｏｍａｔｉｃ Ｇｕｉｄｅｄ Ｖｅｈｉｃｌｅ））の移動等）により無線環境が複雑に変化する。このような複雑に無線環境が変化する状況において、上記の技術では、高速かつ高精度に、無線環境状況を予測することは困難である。
そこで、本発明は上記課題に鑑み、複雑に無線環境が変化する状況においても、高速かつ高精度に、無線環境状況を予測する無線状況予測装置、無線状況予測方法、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、移動体と、Ｎ個（Ｎ：自然数）の無線装置とを含む無線状況予測システムに用いられる無線状況予測装置であって、位置データ取得部と、予測部と、を備える。
位置データ取得部は、移動体が所定の経路を移動しているときの移動体の時刻ｔの位置に関するデータである位置データを取得する。
予測部は、移動体の時刻ｔの位置データと、時刻ｔにおいてＮ個の無線装置のそれぞれが受信した無線信号に関するデータである無線信号データとを含むデータを教師データとして、移動体の位置を示すインデックス情報を予測するためのモデルを学習する学習処理を実行する。また、予測部と、学習処理により取得された学習済みモデルを用いて、無線信号に関するデータから移動体の位置を示すインデックス情報を予測する予測処理を実行する。
この無線状況予測装置では、移動体が所定の経路をたどるときに、複数の無線装置で受信した無線信号データを用いて学習処理を実行するので、移動体の位置を示すインデックス情報を予測するためのモデルを効率良く構築することができる。そして、上記学習処理により取得した学習モデルにより、無線信号に関するデータから移動体の位置を示すインデックス情報を、高精度で予測することができる。したがって、この無線状況予測装置では、複雑に無線環境が変化する状況においても、高速かつ高精度に、無線環境状況を予測することができる。
第２の発明は、第１の発明であって、予測部は、Ｎ個の無線装置のそれぞれに対応付けた第１〜第Ｎ予測部と、第１〜第Ｎ予測部からの出力から、合成インデックスデータを取得するインデックス合成部と、を備える。
第ｋ予測部（ｋ：自然数、１≦ｋ≦Ｎ）は、移動体の時刻ｔの位置データと、第ｋの無線装置が、時刻ｔにおいて受信した無線信号データと、を含むデータを教師データとして、移動体の位置を示すインデックス情報を予測するための第ｋ予測部用のモデルを学習する学習処理を実行する。また、第ｋ予測部は、学習処理により取得された第ｋ予測部用の学習済みモデルを用いて、無線信号に関するデータから移動体の位置を示すインデックス情報を予測したデータを第ｋ予測データＴｏｋ（ｔ）として取得する。
インデックス合成部は、第１〜第Ｎ予測部からの出力であるデータＴｏ１（ｔ）〜ＴｏＮ（ｔ）を用いて合成処理をすることで、合成インデックスデータを取得する。
これにより、この無線状況予測装置では、複数の無線装置のそれぞれに対応した学習済みモデルを取得することができ、その学習済みモデルを用いて予測した結果（インデックス情報）を複数個取得することができる。そして、この無線状況予測装置では、取得した複数個の予測結果（インデックス情報）に対して合成処理をすることで、より精度の高い予測結果（インデックス情報）を取得することができる。
なお、「合成処理」として、例えば、（１）取得された各インデックス情報の最頻値を合成インデックス情報として取得する多数決方式、（２）取得された各インデックス情報に個別の重み付けをして加算した値を合成インデックス情報として取得する重み付け加算方式、（３）取得された各インデックス情報の平均値または中間値を合成インデックス情報として取得する方式による処理がある。
なお、上記（２）の重み付け加算方式では、各インデックス情報の重み付け値は、総和が「１」となるように設定し、信頼度の高いインデックス情報の重み付け値を大きくすることが好ましい。
第３の発明は、第２の発明であって、Ｎ個の無線装置のそれぞれに対応付けた第１〜第Ｎ未来予測部と、Ｎ個の無線装置のそれぞれに対応付けた第１〜第Ｎルックアップテーブルと、時間オフセットｋ１を設定するオフセット設定部と、をさらに備える。
第ｋルックアップテーブル（ｋ：自然数、１≦ｋ≦Ｎ）は、第ｋ予測部が学習を終了したときの無線信号データの教師データをインデックス情報と対応づけて記憶する。
第ｋ未来予測部（ｋ：自然数、１≦ｋ≦Ｎ）は、予測処理により取得されたインデックス情報に基づいて、第ｋルックアップテーブルに保持されている無線信号データを取得し、取得した当該無線信号データから、予測処理が実行される時刻ｔからオフセットｋ１だけ未来の無線信号データを予測する。
この無線状況予測装置では、移動体が所定の経路をたどるときに、複数の無線装置の無線信号データにより学習した学習済みモデルにより、移動体の現在位置を推定するとともに、そのときの無線環境の状態を推定する。さらに、この無線状況予測装置では、学習時に、移動体が所定の経路をたどるときの無線環境の状態の変化を示すデータを無線装置ごとに対応させたルックアップテーブルに記憶保持させるので、予測時において、上記の推定結果から、所定の期間先の無線環境の状態を高精度に予測することができる。
つまり、この無線状況予測装置では、複雑に無線環境が変化する状況においても、高速かつ高精度に、無線環境状況を予測することができる。
第４の発明は、第１から第３のいずれかの発明であって、無線信号データは、無線信号の電力値、無線チャネルのビジー状態およびアイドル状態の時系列データ、および、タイムスロット内における無線チャネルのビジー状態の占有率のいずれか１つである。
これにより、この無線状況予測装置では、上記データのうちの１つを用いて、無線状況の予測処理を行うことができる。
第５の発明は、第１または第２の発明であって、学習処理の対象となるモデルである学習モデルは、パラメータθにより調整されるものであり、学習モデルの入力データをｘとし、学習モデルの出力データをｙとし、入力データｘが学習モデルに入力されたときに出力データｙが出力される条件付き確率をＰ（ｙ｜ｘ）とすると、
第１〜第Ｎ予測部は、それぞれ、
Figure 0006978777
に相当する処理を行うことで、最適化した学習モデルの最適パラメータθ＿ｏｐｔを取得する。
これにより、この無線状況予測装置では、上記最適パラメータにより取得される学習済みモデルにより予測処理を行うことができる。
第６の発明は、第５の発明であって教師データは、無線信号データから取得される予測用行列データＰと目標インデックス行列データＴとを含む。
パラメータθは、
（１）予測用行列データＰの行数Ｎｒ、
（２）予測用行列データＰの列数Ｎｃ、
の少なくとも１つを含む。
第７の発明は、第１から第６のいずれかの発明であって、第１〜第Ｎ予測部は、それぞれ、確率的ニューラルネットワークを用いた学習モデルにより学習処理および予測処理を実行する。
これにより、この無線状況予測装置では、確率的ニューラルネットワークを用いた学習モデルを用いて予測処理を行うことができる。
第８の発明は、第７の発明であって、予測用行列データＰがＮｃ行の行列データであり、予測用行列データＰの各行のデータＸｖとして第１〜第Ｎ予測部に、それぞれ、入力されるものとし、第ｃ番目のクラスに対応し学習モデルが最適化されたときの予測用行列データＰの各行のデータをデータｖｃ，１、ｖｃ，２、・・・、ｖｃ，Ｎｃとし、第ｃ番目のクラスの放射基底関数データをｇｃとすると、
第１〜第Ｎ予測部は、それぞれ、
Figure 0006978777
Ｘｖ＝［Ｘ１，Ｘ２，・・・，ＸＮｃ］
σｃ：第ｃ番目のクラスの標準偏差
に相当する処理により、データＸｖが入力されたときの第ｃ番目のクラスの放射基底関数データｇｃ（Ｘｖ）を取得する。そして、第１〜第Ｎ予測部は、それぞれ、取得した第ｃ番目のクラスの放射基底関数データｇｃ（Ｘｖ）に基づいて、予測処理を実行する。
これにより、この無線状況予測装置では、放射基底関数データｇｃ（Ｘｖ）の値により、クラスを選択し、効率よくインデックス情報を推定することができる。
第９の発明は、第８の発明であって、学習モデルは、パラメータθにより調整されるものであり、パラメータθは、
（１）予測用行列データＰの行数Ｎｒ、
（２）予測用行列データＰの列数Ｎｃ、
（３）第ｃ番目のクラスの標準偏差σｃ
の少なくとも１つを含む。
第１０の発明は、第１から第９のいずれかの発明であって予測部は、１つの予測用行列データＰを取得するために必要な時系列データを取得する期間を１単位としたとき、Ｒ単位（Ｒ：自然数）ごとに、取得される予測用行列データＰを用いて、学習処理を実行する。
これにより、この無線状況予測装置では、Ｒ単位（Ｒブロック）ごとに、再学習を行うことができるため、無線環境が急激に変化した場合であっても、再学習により、素早く最適化モデルを取得することができる。その結果、この無線状況予測装置では、無線環境が急激に変化した場合であっても、高速かつ高精度に、無線状況を予測することができる。
第１１の発明は、第１０の発明であって、予測部は、予測処理を行っているときの予測精度を取得し、取得した予測精度に応じて、学習処理を実行する間隔を決定する数値Ｒを調整する。
これにより、このチャネル状態予測装置では、学習処理（再学習）を実行する間隔を決定する数値Ｒを動的に変更することができる。
第１２の発明は、第１０の発明であって、予測部は、
Ｑ個（Ｑ：自然数）のＲを、Ｒ［１］，Ｒ［２］，・・・，Ｒ［Ｑ］とし、
Ｒ［１］＜Ｒ［２］＜・・・＜Ｒ［Ｑ］
を満たすように設定し、
Ｒ＝Ｒ［ｉ］（ｉ：自然数、１≦ｉ≦Ｑ）のときの予測精度ＰＣＥｉ（０≦ＰＣＥｉ≦１）を正解データを取得した確率ＰＣＥｉ（０≦ＰＣＥｉ≦１）として取得し、
Ｒを、Ｒ［１］からＲ［Ｑ］まで順番に変化させたとき、
ＰＣＥｉ／ＰＣＥｉ−１＜Ｔｈ
Ｔｈ：閾値
を初めて満たすときのｉをｉ０として取得し、
Ｒを、
Ｒ＝Ｒ［ｉ０］
として設定する。
これにより、この無線状況予測装置では、予測精度ＰＣＥｉが、閾値Ｔｈで決定される所定の精度に到達したときのＲ（＝Ｒ［ｉ０］）を取得することができ、当該Ｒ（＝Ｒ［ｉ０］）間隔で、再学習を行うことができる。つまり、この無線状況予測装置では、閾値Ｔｈで決定される所定の精度を実現することができる最大の間隔Ｒ（＝Ｒ［ｉ０］）で最学習を行うため、再学習の頻度を最小限に抑えつつ、高精度で予測処理を行うことができる。
第１３の発明は、第１０から第１２のいずれかの発明であって、学習モデルは、パラメータθにより調整されるものである。
パラメータθは、
（１）予測用行列データＰの行数Ｎｒ、
（２）予測用行列データＰの列数Ｎｃ、
（３）Ｒ、
の少なくとも１つを含む。
第１４の発明は、移動体と、Ｎ個（Ｎ：自然数）の無線装置とを含む無線状況予測システムに用いられる無線状況予測方法であって、位置データ取得ステップと、予測ステップと、を含む。
位置データ取得ステップは、移動体が所定の経路を移動しているときの移動体の時刻ｔの位置に関するデータである位置データを取得する。
予測ステップは、移動体の時刻ｔの位置データと、時刻ｔにおいてＮ個の無線装置のそれぞれが受信した無線信号に関するデータである無線信号データとを含むデータを教師データとして、移動体の位置を示すインデックス情報を予測するためのモデルを学習する学習処理を実行する。また、予測ステップは、学習処理により取得された学習済みモデルを用いて、無線信号に関するデータから移動体の位置を示すインデックス情報を予測する予測処理を実行する。
これにより、第１の発明と同様の効果を奏する無線状況予測方法を実現することができる。
第１５の発明は、第１４の発明である無線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無線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、複雑に無線環境が変化する状況においても、高速かつ高精度に、無線環境状況を予測する無線状況予測装置、無線状況予測方法、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システム１０００の概略構成図。 第１実施形態に係る無線装置Ｒｘ１の概略構成図。 第１実施形態に係る無線状況予測装置１００の概略構成図。 第１実施形態に係る無線状況予測装置１００の第１予測部２１の概略構成図。 第１実施形態に係る予測処理部２１２の概略構成図。 第１実施形態に係るパラメータ調整部２１３の概略構成図。 第１実施形態に係る無人搬送車ＡＧＶ１の概略構成図。 第１実施形態に係る無線状況制御装置Ｄｅｖ１の概略構成図。 無線環境予測システム１０００を含む狭空間の平面図。 時間軸を一致させて、無線装置Ｒｘ１、Ｒｘ２、Ｒｘ３で取得される無線信号データＳ１（ｔ）、Ｓ２（ｔ）、Ｓ３（ｔ）を示した図。 無線信号データのシリアルデータから予測処理用データＤａｔａ＿Ｐと、入力インデックスデータＤａｔａ＿Ｔとを生成する方法を説明するための図。 入力データｘ（データＸｖ）と、各クラスの放射基底関数データｇｃとの関係を示すグラフ。 入力データｘ（データＸｖ）と、各クラスの放射基底関数データｇｃとの関係を示すグラフであり、予測処理部での追加処理を説明するための図。 入力データｘ（データＸｖ）と、各クラスの放射基底関数データｇｃとの関係を示すグラフであり、予測処理部での置換処理を説明するための図。 無線装置Ｒｘ１、Ｒｘ２、Ｒｘ３で取得される無線信号データＳ１（ｔ）、Ｓ２（ｔ）、Ｓ３（ｔ）を示した図。 無線装置Ｒｘ１、Ｒｘ２、Ｒｘ３で取得される無線信号データＳ１（ｔ）、Ｓ２（ｔ）、Ｓ３（ｔ）を示した図。 無線装置Ｒｘ１、Ｒｘ２、Ｒｘ３で取得される無線信号データＳ１（ｔ）、Ｓ２（ｔ）、Ｓ３（ｔ）を示した図（未来予測処理を説明するための図）。 再学習を説明するための図。 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：無線状況予測システムの構成＞
図１は、第１実施形態に係る無線状況予測システム１０００の概略構成図である。
図２は、第１実施形態に係る無線装置Ｒｘ１の概略構成図である。
図３は、第１実施形態に係る無線状況予測装置１００の概略構成図である。
図４は、第１実施形態に係る無線状況予測装置１００の第１予測部２１の概略構成図である。
図５は、第１実施形態に係る予測処理部２１２の概略構成図である。
図６は、第１実施形態に係るパラメータ調整部２１３の概略構成図である。
図７は、第１実施形態に係る無人搬送車ＡＧＶ１の概略構成図である。
図８は、第１実施形態に係る無線状況制御装置Ｄｅｖ１の概略構成図である。
無線状況予測システム１０００は、図１に示すように、無線状況予測装置１００と、無線状況制御装置Ｄｅｖ１と、複数の無線装置（無線装置Ｒｘ１、Ｒｘ２、Ｒｘ３）と、無人搬送車ＡＧＶ１とを備える。無線装置Ｒｘ１、Ｒｘ２、Ｒｘ３は、それぞれ、有線あるいは無線のネットワークにより、無線状況予測装置１００、および／または、無線状況制御装置Ｄｅｖ１と通信コネクションを確立することができ、互いに通信を行うことができる。
無線装置Ｒｘ１は、図２に示すように、送信部Ｒ１と、受信部Ｒ２と、チャネル利用状況観測部Ｒ３と、データ処理部Ｒ４と、通信インターフェースＲ５と、送信用アンテナＡｎｔ＿ｔｘと、受信用アンテナＡｎｔ＿ｒｘとを備える。
送信部Ｒ１は、図２に示すように、ＥＣＣ部Ｒ１１と、インターリーブ部Ｒ１２と、無線フレーム生成部Ｒ１３と、送信側ＲＦ部Ｒ１４と、アクセス制御部Ｒ１５と、を備える。
ＥＣＣ部Ｒ１１は、データＤｉｎを入力し、データＤｉｎに対して誤り訂正符号化処理を実行する。そして、ＥＣＣ部Ｒ１１は、誤り訂正符号化処理後のデータをデータＤｔ１としてインターリーブ部１２に出力する。
インターリーブ部Ｒ１２は、ＥＣＣ部Ｒ１１から出力されるデータＤｔ１を入力し、データＤｔ１に対してインターリーブ処理を実行する。そして、インターリーブ部Ｒ１２は、インターリーブ処理後のデータをデータＤｔ２として、無線フレーム生成部Ｒ１３に出力する。
無線フレーム生成部Ｒ１３は、インターリーブ部Ｒ１２から出力されるデータＤｔ２と、アクセス制御部Ｒ１５から出力される制御信号ＣＴＬ１とを入力する。無線フレーム生成部Ｒ１３は、制御信号ＣＴＬ１に基づいて、データＤｔ２に対してベースバンド処理（ＯＦＤＭのベースバンド処理）を実行する。つまり、無線フレーム生成部Ｒ１３は、データＤｔ２に対して、シリアル／パラレル変換、マッピング処理、逆ＦＦＴ変換、ガードインターバル（ＧＩ）付加処理、Ｄ／Ａ変換を行うことで、ベースバンドＯＦＤＭ信号を取得する。そして、無線フレーム生成部Ｒ１３は、取得したベースバンドＯＦＤＭ信号を信号Ｄｔ３として送信側ＲＦ部Ｒ１４に出力する。
送信側ＲＦ部Ｒ１４は、無線フレーム生成部Ｒ１３から出力されるベースバンドＯＦＤＭ信号Ｄｔ３と、アクセス制御部１５から出力される制御信号ＣＴＬ２と、送信用発振器Ｏｃｒ１から出力される参照周波数信号ｆｒ＿ｔｘとを入力する。送信側ＲＦ部Ｒ１４は、制御信号ＣＴＬ２に基づいて、ベースバンドＯＦＤＭ信号Ｄｔ３に対して、送信用発振器Ｏｃｒ１から出力される参照周波数信号ｆｒ＿ｔｘを用いた直交変調処理、アップコンバート処理、電力増幅処理を実行することで、搬送帯域ＯＦＤＭ信号を取得する。そして、送信側ＲＦ部Ｒ１４は、取得した搬送帯域ＯＦＤＭ信号Ｄｔ４を送信用アンテナＡｎｔ＿ｔｘに出力する。
また、送信側ＲＦ部Ｒ１４は、チャネル利用状況観測部Ｒ３と接続されており、チャネル利用状況観測部Ｒ３からの指令により、キャリアセンス、あるいは、チャネルセンスを実行し、その実行結果を示す信号をチャネル利用状況観測部Ｒ３に出力する。
送信用発振器Ｏｃｒ１は、参照周波数信号ｆｒ＿ｔｘを生成し、生成した参照周波数信号ｆｒ＿ｔｘを送信側ＲＦ部Ｒ１４に出力する。
アクセス制御部Ｒ１５は、無線フレーム生成部Ｒ１３を制御するための制御信号ＣＴＬ１を生成し、所定のタイミングで、制御信号ＣＴＬ１を無線フレーム生成部Ｒ１３に出力する。また、アクセス制御部Ｒ１５は、送信側ＲＦ部Ｒ１４を制御するための制御信号ＣＴＬ２を生成し、所定のタイミングで、制御信号ＣＴＬ２を送信側ＲＦ部Ｒ１４に出力する。また、アクセス制御部Ｒ１５は、データ処理部Ｒ４から制御信号ＣＴＬ３を入力し、制御信号ＣＴＬ３に基づいて、制御信号ＣＴＬ１、ＣＴＬ２を生成する。
送信用アンテナＡｎｔ＿ｔｘは、外部へＲＦ信号（搬送帯域ＯＦＤＭ信号）を送信するためのアンテナである。送信用アンテナＡｎｔ＿ｔｘは、送信側ＲＦ部Ｒ１４からの搬送帯域ＯＦＤＭ信号Ｄｔ４を入力し、搬送帯域ＯＦＤＭ信号を外部に送信する。
受信用アンテナＡｎｔ＿ｒｘは、外部からのＲＦ信号（搬送帯域ＯＦＤＭ信号）を受信するためのアンテナである。受信用アンテナＡｎｔ＿ｒｘは、受信したＲＦ信号（搬送帯域ＯＦＤＭ信号）を信号Ｄｒ１として、受信側ＲＦ部Ｒ２１に出力する。なお、受信用アンテナＡｎｔ＿ｒｘは、送信用アンテナＡｎｔ＿ｔｘと共用してもよい。つまり、無線装置Ｒｘ１において、送信用アンテナＡｎｔ＿ｔｘおよび受信用アンテナＡｎｔ＿ｒｘを設ける代わりに、１つの送受信用アンテナを設けるようにしてもよい。
受信部Ｒ２は、図１に示すように、受信側ＲＦ部Ｒ２１と、受信用発振器Ｏｃｒ２と、同期処理部Ｒ２２と、ベースバンド処理部Ｒ２３と、デインターリーブ部Ｒ２４と、ＥＣＣ部Ｒ２５と、を備える。
受信側ＲＦ部Ｒ２１は、受信用アンテナＡｎｔ＿ｒｘからの搬送帯域ＯＦＤＭ信号Ｄｒ１と、受信用発振器Ｏｃｒ２から出力される参照周波数信号ｆｒ＿ｒｘとを入力する。受信側ＲＦ部Ｒ２１は、搬送帯域ＯＦＤＭ信号Ｄｒ１に対して、増幅処理、参照周波数信号ｆｒ＿ｒｘに基づくダウンコンバート処理、自動周波数制御処理（ＡＦＣ処理）、参照周波数信号ｆｒ＿ｒｘに基づく直交復調処理、Ａ／Ｄ変換処理を実行することで、復調搬送帯域ＯＦＤＭ信号を信号Ｄｒ２として取得する。そして、受信側ＲＦ部Ｒ２１は、復調搬送帯域ＯＦＤＭ信号Ｄｒ２を同期処理部Ｒ２２およびベースバンド処理部Ｒ２３に出力する。
また、受信側ＲＦ部Ｒ２１は、チャネル利用状況観測部Ｒ３と接続されており、チャネル利用状況観測部Ｒ３からの指令により、キャリアセンス、あるいは、チャネルセンスを実行し、その実行結果を示す信号をチャネル利用状況観測部Ｒ３に出力する。
同期処理部Ｒ２２は、受信側ＲＦ部Ｒ２１から出力される復調搬送帯域ＯＦＤＭ信号Ｄｒ２を入力し、入力された復調搬送帯域ＯＦＤＭ信号Ｄｒ２に基づいて、同期処理を実行する。同期処理部Ｒ２２は、同期処理により、ＯＦＤＭシンボルの始まりを検出するためのシンボルタイミング同期などに使用される同期タイミング信号Ｓｉｇ＿Ｓｙｎｃを取得する。そして、同期処理部Ｒ２２は、取得した同期タイミング信号Ｓｉｇ＿Ｓｙｎｃをベースバンド処理部Ｒ２３に出力する。また、同期処理部Ｒ２２は、復調搬送帯域ＯＦＤＭ信号Ｄｒ２のプリアンブル部の信号（プリアンブル信号）から受信用発振器Ｏｃｒ２の周波数オフセットの検出を行い、受信用発振器Ｏｃｒ２の発振周波数を制御するための信号（発振周波数制御信号）ｆｓ＿ｃｔｌを生成し、生成した発振周波数制御信号ｆｓ＿ｃｔｌを受信用発振器Ｏｃｒ２に出力する。
受信用発振器Ｏｃｒ２は、同期処理部Ｒ２２から出力される発振周波数制御信号ｆｓ＿ｃｔｌを入力し、発振周波数制御信号ｆｓ＿ｃｔｌに基づいて、受信側ＲＦ部Ｒ２１の処理動作の基準となるクロック信号である参照周波数信号ｆｒ＿ｒｘを生成する。そして、受信用発振器Ｏｃｒ２は、生成した参照周波数信号ｆｒ＿ｒｘを受信側ＲＦ部Ｒ２１に出力する。
ベースバンド処理部Ｒ２３は、受信側ＲＦ部Ｒ２１から出力される復調搬送帯域ＯＦＤＭ信号Ｄｒ２と、同期処理部Ｒ２２から出力される同期タイミング信号Ｓｉｇ＿Ｓｙｎｃとを入力する。ベースバンド処理部Ｒ２３は、同期タイミング信号Ｓｉｇ＿Ｓｙｎｃに基づいて、ガードインターバル（ＧＩ）除去処理、ＦＦＴ変換、デマッピング処理、パラレル／シリアル変換を行うことで、復調ベースバンドＯＦＤＭ信号を信号Ｄｒ３として取得する。そして、ベースバンド処理部Ｒ２３は、取得した復調ベースバンドＯＦＤＭ信号Ｄｒ３をデインターリーブ部２４に出力する。
デインターリーブ部Ｒ２４は、ベースバンド処理部Ｒ２３から出力される復調ベースバンドＯＦＤＭ信号Ｄｒ３を入力する。デインターリーブ部Ｒ２４は、復調ベースバンドＯＦＤＭ信号Ｄｒ３に対してデインターリーブ処理を実行し、デインターリーブ処理後の信号（データ）を信号（データ）Ｄｒ４として取得する。そして、デインターリーブ部Ｒ２４は、取得したデータＤｒ４をＥＣＣ部Ｒ２５に出力する。
ＥＣＣ部Ｒ２５は、デインターリーブ部Ｒ２４から出力されるデータＤｒ４を入力し、データＤｒ４に対してエラー訂正処理を実行する。ＥＣＣ部Ｒ２５は、エラー訂正処理後のデータをデータＤｏｕｔとして出力する。
チャネル利用状況観測部Ｒ３は、各周波数帯（各周波数帯の中では１つ以上の無線チャネル）の利用状況（各無線チャネルの空き状況など）を観測するために、キャリアセンス、および／または、チャネルセンスを実行するための指令信号を生成する。そして、チャネル利用状況観測部Ｒ３は、生成した指令信号を、送信側ＲＦ部Ｒ１４、および／または、受信側ＲＦ部Ｒ２１に出力することで、キャリアセンス、および／または、チャネルセンスを実行する。
また、チャネル利用状況観測部Ｒ３は、受信電力を取得するための指令信号を、送信側ＲＦ部Ｒ１４、および／または、受信側ＲＦ部Ｒ２１に出力し、無線装置Ｒｘ１の受信電力を取得する。また、取得した受信電力の値を所定の期間観測することで、無線リソース利用率（ＣＯＲ：ｃｈａｎｎｅｌ ｏｃｃｕｐａｔｉｏｎ ｒａｔｉｏ）を取得する。そして、チャネル利用状況観測部Ｒ３は、取得した受信電力および／または無線リソース利用率ＣＯＲを含むデータをデータＤａｔａ１（無線信号データＤａｔａ１）としてデータ処理部Ｒ４に出力する。
データ処理部Ｒ４は、チャネル利用状況観測部Ｒ３から出力されるデータＤａｔａ１を入力し、入力したデータＤａｔａ１を、通信インターフェースＲ５を介して、無線状況予測装置１００に出力（送信）する。また、データ処理部Ｒ４は、無線状況制御装置Ｄｅｖ１から送信されるデータを、通信インターフェースＲ５を介して、受信する。そして、データ処理部Ｒ４は、無線状況制御装置Ｄｅｖ１から送信されたデータに基づいて、制御信号ＣＴＬ３を生成し、生成した制御信号ＣＴＬ３を送信部Ｒ１のアクセス制御部Ｒ１５に出力する。
通信インターフェースＲ５は、外部の装置と、有線または無線のネットワークを介して、データを送受信するための通信用のインターフェースである。
なお、無線装置Ｒｘ２、Ｒｘ３も、無線装置Ｒｘ１と同様の構成を有している。
無線状況予測装置１００は、図３に示すように、通信インターフェースＩＦ１と、位置データ取得部１と、ｎ個（ｎ：自然数）の予測部である第１予測部２１、第２予測部２２、・・・、第ｎ予測部２ｎと、インデックス合成部３と、オフセット設定部４と、ｎ個（ｎ：自然数）の未来予測部である第１未来予測部５１、第２未来予測部５２、・・・、第ｎ未来予測部５ｎと、ルックアップテーブルＬＵＴ１〜ＬＵＴｎとを備える。
通信インターフェースＩＦ１は、外部の装置（例えば、無線装置Ｒｘ１〜Ｒｘ３、無人搬送車ＡＧＶ１）と、有線または無線のネットワークを介して、データを送受信するための通信用のインターフェースである。通信インターフェースＩＦ１は、無線装置Ｒｘｋ（ｋ：自然数）からの無線信号データＤｉｎ（Ｒｘｋ）を受信し、受信したデータを無線信号データＳｋ（ｔ）（ｔ：時刻）として、第ｋ予測部２ｋに出力する。また、通信インターフェースＩＦ１は、無人搬送車ＡＧＶ１から送信される無人搬送車ＡＧＶ１の位置情報を含むデータ（位置データ）Ｄｉｎ（Ｔｘ１）（＝Ｐｏｓ（ＡＧＶ１））を受信し、受信したデータをデータＤ１（Ｔｘ１）として、位置データ取得部１に出力する。
位置データ取得部１は、通信インターフェースＩＦ１から出力されるデータＤ１（Ｔｘ１）とモード（学習モードまたは予測モード）を示すモード信号Ｍｏｄｅとを入力する。なお、モード信号Ｍｏｄｅは、無線状況予測装置の各機能部を制御する制御部（不図示）から出力される信号である。位置データ取得部１は、学習モードを示すモード信号Ｍｏｄｅが入力されているとき（学習モードにおいて）、データＤ１（Ｔｘ１）から、時刻ｔのインデックスデータの正解データ（教師データ）Ｔ＿ｃｏｒｒｅｃｔ（ｔ）を生成する。そして、位置データ取得部１は、生成した時刻ｔのインデックスデータの正解データ（教師データ）Ｔ＿ｃｏｒｒｅｃｔ（ｔ）を第１〜第ｎ予測部に出力する。
第１予測部２１は、通信インターフェースＩＦ１から出力される無線装置Ｒｘ１の無線信号データＳ１（ｔ）と、モード信号Ｍｏｄｅとを入力する。また、第１予測部２１は、学習モード（学習処理が実行されるモード）において、位置データ取得部１から出力される時刻ｔのインデックスデータの正解データ（教師データ）Ｔ＿ｃｏｒｒｅｃｔ（ｔ）を入力する。第１予測部２１は、学習モードにおいて、学習処理を実行し、時刻ｔの出力インデックスデータＴｏ１（ｔ）をインデックス合成部３に出力する。また、第１予測部２１は、予測モード（予測処理が実行されるモード）において、予測処理を実行し、時刻ｔの出力インデックスデータＴｏ１（ｔ）をインデックス合成部３に出力する。なお、第１予測部２１は、モード信号Ｍｏｄｅに従い、モード（学習モード、予測モード）を切り替える。
第１予測部２１は、図４に示すように、予測用データ取得部２１１と、予測処理部２１２と、パラメータ調整部２１３とを備える。
予測用データ取得部２１１は、通信インターフェースＩＦ１から出力される無線信号データＳ１（ｔ）と、パラメータ調整部２１３から出力される第１パラメータθ１と、無線状況予測装置１００の各機能部を制御する制御部（不図示）から出力されるモード信号Ｍｏｄｅと、を入力する。予測用データ取得部２１１は、モード信号Ｍｏｄｅにより、学習モードまたは予測モードに設定される。
予測用データ取得部２１１は、学習モードにおいて、第１パラメータθ１に基づいて、無線信号データＳｋ（ｔ）（シリアルデータ）から予測処理用データＤａｔａ＿Ｐと、入力インデックスデータＤａｔａ＿Ｔとを生成する。そして、予測用データ取得部２１１は、学習モードにおいて、生成した予測処理用データＤａｔａ＿Ｐおよび入力インデックスデータＤａｔａ＿Ｔを予測処理部２１２に出力する。
予測用データ取得部２１１は、予測モードにおいて、通信インターフェースＩＦ１から出力される無線信号データＳ１（ｔ）を、そのまま予測処理部２１２に出力する。
予測処理部２１２は、予測用データ取得部２１１から出力される予測処理用データＤａｔａ＿Ｐおよび入力インデックスデータＤａｔａ＿Ｔと、パラメータ調整部２１３から出力される第２パラメータθ２と、無線状況予測装置１００の各機能部を制御する制御部（不図示）から出力されるモード信号Ｍｏｄｅと、を入力する。予測処理部２１２は、学習モードにおいて、学習処理が終了した場合、第１予測部２１〜第ｎ予測部２ｎで学習処理が終了したときの重み付けデータに対応する無線信号データを、それぞれ、更新用データＤｕ１〜Ｄｕｎとして取得し、取得した更新用データＤｕ１〜Ｄｕｎを、それぞれ、ルックアップテーブルＬＵＴ１からＬＵＴｎに出力する。
予測処理部２１２は、例えば、確率的ニューラルネットワーク（ＰＮＮ：Ｐｒｏｂａｂｉｌｉｓｔｉｃ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）により構成される。
図５は、予測処理部２１２を確率的ニューラルネットワークＰＮＮを用いて構成する場合の予測処理部２１２の概略構成図を示す図である。以下では、説明便宜のため、予測処理部２１２が確率的ニューラルネットワークＰＮＮを用いて構成される場合について説明する。
図５に示すように、予測処理部２１２は、データ抽出部２１２１と、ＦＩＦＯ型メモリＦＩＦＯ１と、入力層（Ｉｎｐｕｔ ｌａｙｅｒ）２１２２と、隠れ層（Ｈｉｄｄｅｎ ｌａｙｅｒ）２１２３と、総和計算層（Ｓｕｍ ｌａｙｅｒ）２１２４と、クラス評価処理部２１２５と、を備える。
データ抽出部２１２１は、予測用データ取得部２１１から出力される入力インデックスデータＤａｔａ＿Ｐおよび無線信号データＳｋ（ｔ）と、モード信号Ｍｏｄｅとを入力する。データ抽出部２１２１は、学習モードにおいて、予測用データ取得部２１１から出力される入力インデックスデータＤａｔａ＿Ｐから、時刻ｔの無線信号データＳｋ（ｔ）を抽出し、ＦＩＦＯ型メモリＦＩＦＯ１に出力する。データ抽出部２１２１は、予測モードにおいて、予測用データ取得部２１１から出力される無線信号データＳｋ（ｔ）を入力し、そのまま、ＦＩＦＯ型メモリＦＩＦＯ１に出力する。
ＦＩＦＯ型メモリＦＩＦＯ１は、データ抽出部２１２１から出力されるデータを入力する。ＦＩＦＯ型メモリＦＩＦＯ１は、Ｎｃ個のデータを記憶するＦＩＦＯ（Ｆｉｒｓｔ Ｉｎ Ｆｉｒｓｔ Ｏｕｔ）メモリである。ＦＩＦＯ型メモリＦＩＦＯ１は、データ抽出部２１２１からデータが入力されるごとに、保持しているデータの記憶位置をシフトさせるとともに、最も古いデータを破棄する。なお、ＦＩＦＯ型メモリＦＩＦＯ１は、図５に示すように、各メモリセル（各記憶位置）において、データＸ１〜ＸＮｃとして、データを保持する。
ＦＩＦＯ型メモリＦＩＦＯ１は、各記憶位置に保持しているデータＸ１〜ＸＮｃを並列に入力層２１２２に出力する。
入力層（Ｉｎｐｕｔ ｌａｙｅｒ）２１２２は、ＦＩＦＯ型メモリＦＩＦＯ１から出力されるデータＸ１〜ＸＮｃを入力する。
入力層（Ｉｎｐｕｔ ｌａｙｅｒ）２１２２は、図５に示すように、Ｎｃ個のシナプスを有しており、第ｑ番目（ｑ：自然数、１≦ｑ≦Ｎｃ）のシナプスには、無線信号データＸｑが入力される。
入力層２１２２の各シナプスは、図５に示すように、隠れ層２１２３の全てのシナプスと結合されている。
隠れ層（Ｈｉｄｄｅｎ ｌａｙｅｒ）２１２３は、図５に示すように、Ｍ個（Ｍ：自然数）のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓ１〜Ｂｌｋ＿ｃｌａｓｓＭを有している。各シナプス群は、Ｎｃ個のシナプスを有している。
第１番目のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓ１の第ｓ番目（ｓ：自然数、１≦ｓ≦Ｎｃ）のシナプスには、重み付けデータｖ１，ｓが割り当てられている。
つまり、第ｒ番目（ｒ：自然数、１≦ｒ≦Ｍ）のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓｒの第ｓ番目（ｓ：自然数、１≦ｓ≦Ｎｃ）のシナプスには、重み付けデータｖｒ，ｓが割り当てられている。
そして、シナプス群Ｂｌｋ＿ｃｌａｓｓｒでは、入力層２１２２からのデータに対して、重み付けデータｖｒ，ｓによる演算処理が実行され、演算処理結果データが総和計算層２１２４に出力される。なお、隠れ層２１２３には、第２パラメータθ２が入力され、第２パラメータθ２により、上記重み付けデータｖｒ，ｓによる演算処理が実行される。
総和計算層（Ｓｕｍ ｌａｙｅｒ）２１２４は、図５に示すように、Ｍ個（Ｍ：自然数）のシナプスを有している。第ｕ番目（ｕ：自然数、１≦ｕ≦Ｍ）のシナプスは、隠れ層の第ｕ番目のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓｕに含まれる各シナプスからの出力データを入力とし、入力データに対して総和計算処理を実行し、第ｕ番目のクラスの放射基底関数（ＲＢＦ：Ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ）の値を、第ｕ番目のクラスの放射基底関数データｇｕとして取得する。そして、取得された第ｕ番目のクラスの放射基底関数データｇｕは、クラス評価処理部２１２５に出力される。なお、総和計算層２１２４には、第２パラメータθ２が入力され、第２パラメータθ２に基づいて、シナプスの追加処理が実行される。
クラス評価処理部２１２５は、総和計算層２１２４から出力されるＭ個の放射基底関数データｇｕを入力する。クラス評価処理部２１２５は、入力されたＭ個の放射基底関数データｇｕのうち最大値となるクラスに対応するインデックスデータを検出し、検出したインデックスデータを含むデータを出力インデックスデータＴｏｋ（ｔ）として、インデックス合成部３およびパラメータ調整部２１３に出力する。
パラメータ調整部２１３は、図６に示すように、評価部２１３１と、パラメータ調整処理部２１３２と、パラメータ保持部２１３３とを備える。
評価部２１３１は、位置データ取得部１から出力されるインデックスデータの正解データＴ＿ｃｏｒｒｅｃｔ（ｔ）と、予測処理部２１２から出力される出力インデックスデータＴｏｋ（ｔ）と、モード信号Ｍｏｄｅと、を入力する。評価部２１３１は、モード信号Ｍｏｄｅにより、学習モードまたは予測モードに設定される。
評価部２１３１は、学習モードにおいて、インデックスデータの正解データＴ＿ｃｏｒｒｅｃｔ（ｔ）と、出力インデックスデータＴｏｋ（ｔ）と、に基づいて、予測処理部２１２での予測処理の結果データの精度を判定し、当該判定結果を示すデータをデータＲｓｔとしてパラメータ調整処理部２１３２に出力する。
評価部２１３１は、予測モードにおいて、インデックスデータの正解データＴ＿ｃｏｒｒｅｃｔ（ｔ）と、出力インデックスデータＴｏｋ（ｔ）とに基づいて、予測処理部２１２での予測処理の結果データの精度を判定し、当該判定結果を示すデータをデータＲｓｔとしてパラメータ調整処理部２１３２に出力する。
パラメータ調整処理部２１３２は、評価部２１３１から出力されるデータＲｓｔと、モード信号Ｍｏｄｅとを入力する。パラメータ調整処理部２１３２は、学習モードにおいて、データＲｓｔに基づいて、パラメータ調整処理を実行し、パラメータ調整処理後の第１パラメータθ１を予測用データ取得部２１１に出力し、パラメータ調整処理後の第２パラメータθ２を予測処理部２１２に出力する。
また、パラメータ調整処理部２１３２は、学習モードにおいて、予測処理の精度を示すデータＲｓｔに基づいて、予測処理の精度が十分なものであると判断した場合、そのときの第１パラメータを最適第１パラメータθ１＿ｏｐｔとして取得し、第２パラメータを最適第２パラメータθ２＿ｏｐｔとして取得する。そして、パラメータ調整処理部２１３２は、最適第１パラメータθ１＿ｏｐｔおよび最適第２パラメータθ２＿ｏｐｔをパラメータ保持部２１３３に出力する。
また、パラメータ調整処理部２１３２は、学習が終了し、予測モードに移行する場合、パラメータ保持部２１３３から最適第１パラメータθ１＿ｏｐｔおよび最適第２パラメータθ２＿ｏｐｔを取得する。そして、パラメータ調整処理部２１３２は、パラメータ保持部２１３３から取得した最適第１パラメータθ１＿ｏｐｔを、第１パラメータθ１として予測用データ取得部２１１に出力し、パラメータ保持部２１３３から取得した最適第２パラメータθ２＿ｏｐｔを、第２パラメータθ２として予測処理部２１２に出力する。
パラメータ保持部２１３３は、パラメータ調整処理部２１３２から出力される最適第１パラメータθ１＿ｏｐｔおよび最適第２パラメータθ２＿ｏｐｔを入力し、当該最適第１パラメータθ１＿ｏｐｔおよび最適第２パラメータθ２＿ｏｐｔを記憶する。また、パラメータ保持部２１３３は、パラメータ調整処理部２１３２からの要求に基づいて、記憶している最適第１パラメータθ１＿ｏｐｔおよび／または最適第２パラメータθ２＿ｏｐｔをパラメータ調整処理部２１３２に出力する。
なお、第２〜第ｎ予測部も、第１予測部２１と同様の構成を有している。
インデックス合成部３は、第１予測部２１〜第ｎ予測部２ｎから出力される出力インデックスデータＴｏ１（ｔ）〜Ｔｏｎ（ｔ）を入力する。インデックス合成部３は、出力インデックスデータＴｏ１（ｔ）〜Ｔｏｎ（ｔ）から、合成インデックスデータＴｏ＿ａｌｌ（ｔ）を生成し、生成した合成インデックスデータＴｏ＿ａｌｌ（ｔ）を第１未来予測部５１〜第ｎ未来予測部５ｎに出力する。
オフセット設定部４は、オフセットｋ１を設定し、設定したオフセットｋ１を第１未来予測部５１〜第ｎ未来予測部５ｎに出力する。
第１未来予測部５１は、インデックス合成部３から出力される合成インデックスデータＴｏ＿ａｌｌ（ｔ）と、オフセット設定部４から出力されるオフセットｋ１とを入力する。第１未来予測部５１は、合成インデックスデータＴｏ＿ａｌｌ（ｔ）とオフセットｋ１とに基づいて、時刻ｔ＋ｋ１の無線装置Ｒｘ１の無線信号データの予測値Ｓｏ１（ｔ＋ｋ１）を、ルックアップテーブルＬＵＴ１を参照して、取得する。そして、第１未来予測部５１は、取得した無線装置Ｒｘ１の無線信号データの予測値Ｓｏ１（ｔ＋ｋ１）を出力する。
なお、第２未来予測部５２、・・・、第ｎ未来予測部５ｎは、第１未来予測部５１と同様の構成を有している。
第１未来予測部５１〜第ｎ未来予測部５ｎで取得される、無線装置Ｒｘ１〜Ｒｘｎの無線信号データの予測値Ｓｏ１（ｔ＋ｋ１）〜Ｓｏｎ（ｔ＋ｋ１）は、データＤｏｕｔとして、無線状況制御装置Ｄｅｖ１に出力される。
ルックアップテーブルＬＵＴ１は、インデックスデータと、当該インデックスデータに対応付けた無線装置Ｒｘ１の無線信号データ（予測データ）とを保持するルックアップテーブルである。ルックアップテーブルＬＵＴ１は、第１未来予測部５１からの指令により、当該指令で指定されているインデックスデータに対応する無線装置Ｒｘ１の無線信号データ（予測データ）を第１未来予測部５１に出力する。
また、ルックアップテーブルＬＵＴ１は、第１予測部２１から出力される更新用データＤｕ１を入力し、当該更新用データＤｕ１に基づいて、保持しているデータを更新する。
なお、ルックアップテーブルＬＵＴ２〜ＬＵＴｎは、ルックアップテーブルＬＵＴ１と同様の構成を有しており、それぞれ、無線装置Ｒｘ２〜Ｒｘｎの無線信号データ（予測データ）を記憶保持している。
無人搬送車ＡＧＶ１は、図７に示すように、位置取得部ＡＧ１と、送信部ＡＧ２と、アンテナＡｎｔ＿ＡＧＶ１とを備える。
位置取得部ＡＧ１は、無人搬送車ＡＧＶ１の位置情報を取得する。位置取得部ＡＧ１は、取得した位置情報を含むデータＤｉｎ（データＰｏｓ（ＡＧＶ１））を生成し、送信部ＡＧ２に出力する。
送信部ＡＧ２は、無線装置Ｒｘ１の送信部Ｒ１と同様の構成を有している。送信部ＡＧ２は、位置取得部ＡＧ１から出力される、無人搬送車ＡＧＶ１の位置情報を含むデータＤｉｎ（データＰｏｓ（ＡＧＶ１））を入力し、当該データＤｉｎ（データＰｏｓ（ＡＧＶ１））を、アンテナＡｎｔ＿ＡＧＶ１を介して、無線状況予測装置１００に送信する。また、送信部ＡＧ２は、データＤｉｎ（無人搬送車ＡＧＶ１の位置情報を含むデータ以外のデータ）を入力し、当該データＤｉｎを、アンテナＡｎｔ＿ＡＧＶ１を介して、外部に送信する。
無線状況制御装置Ｄｅｖ１は、図８に示すように、無線状況評価部Ｄｖ１と、無線環境調整処理部Ｄｖ２と、通信インターフェースＤｖ３とを備える。
無線状況評価部Ｄｖ１は、無線状況予測装置１００から出力されるデータＤｏｕｔを入力し、当該データＤｏｕｔに基づいて、無線状況予測システム１０００の無線環境の状態を評価し、評価結果Ｒｓｔ１を取得する。そして、無線状況評価部Ｄｖ１は、評価結果Ｒｓｔ１を無線環境調整処理部Ｄｖ２に出力する。
無線環境調整処理部Ｄｖ２は、無線状況評価部Ｄｖ１から出力される評価結果Ｒｓｔ１を入力する。無線環境調整処理部Ｄｖ２は、当該評価結果Ｒｓｔ１に基づいて、無線環境調整処理を実行し、無線状況予測システム１０００の無線環境を調整するためのデータＤ＿ａｄｊを取得する。そして、無線環境調整処理部Ｄｖ２は、取得したデータＤ＿ａｄｊを、通信インターフェースＤｖ３を介して、外部に出力（送信）する。
通信インターフェースＤｖ３は、外部の装置と、有線または無線のネットワークを介して、データを送受信するための通信用のインターフェースである。
＜１．２：無線状況予測システムの動作＞
以上のように構成された無線環境状況システム１０００の動作について、以下、説明する。
図９は、無線環境状況システム１０００を含む狭空間の平面図である。具体的には、図９は、無人搬送車ＡＧＶ１と、無線装置Ｒｘ１、Ｒｘ２、Ｒｘ３と、無線環境を劣化させる原因物体Ｓｃｔ１、Ｓｃｔ２、Ｓｃｔ３、Ｓｃｔ４との位置と、無人搬送車ＡＧＶ１が移動する経路ＲＴ１とを模式的に示した図である。
図１０は、時間軸を一致させて、無線装置Ｒｘ１、Ｒｘ２、Ｒｘ３で取得される無線信号データＳ１（ｔ）、Ｓ２（ｔ）、Ｓ３（ｔ）を示した図である。
図１１は、無線信号データのシリアルデータから予測処理用データＤａｔａ＿Ｐと、入力インデックスデータＤａｔａ＿Ｔとを生成する方法を説明するための図である。
図１５は、時間軸を一致させて、無線装置Ｒｘ１、Ｒｘ２、Ｒｘ３で取得される無線信号データＳ１（ｔ）、Ｓ２（ｔ）、Ｓ３（ｔ）を示した図であり、サンプル取得方法を説明するための図である。
説明便宜のため、以下では、（１）無人搬送車ＡＧＶ１が、図９に示す経路ＲＴ１を繰り返し移動し、かつ、（２）無線装置Ｒｘ１、Ｒｘ２、Ｒｘ３と、無線環境を劣化させる原因物体Ｓｃｔ１、Ｓｃｔ２、Ｓｃｔ３、Ｓｃｔ４との位置は、固定である場合（一例）について、説明する。なお、以下では、無線装置が３つの場合について説明するが、無線装置の数は「３」に限定されることはなく、他の数であってもよい。
また、以下では、（１）学習モードと、（２）予測モードとに分けて、無線環境状況システム１０００の動作を説明する。
（１．２．１：学習モード）
まず、無線環境状況システム１０００の学習モードの処理について説明する。
無線装置Ｒｘ１〜Ｒｘ３は、それぞれ、無人搬送車ＡＧＶ１が経路ＲＴ１の始点ｐｏｓ（１）から終点ｐｏｓ（Ｎ）まで移動する期間に、Ｎ個（Ｎ：自然数）の受信信号の電力値のサンプルデータＳｉ（ｉ：自然数、１≦ｉ≦Ｎ）を取得するものとする。なお、図９、図１０に示すように、無人搬送車ＡＧＶ１が経路ＲＴ１の始点ｐｏｓ（１）に存在するときの時刻を時刻ｔ０とし、無人搬送車ＡＧＶ１が経路ＲＴ１の始点ｐｏｓ（Ｎ）に存在するときの時刻を時刻ｔ５とする。
また、図１０に示すように、（１）時刻ｔ０〜ｔ１の期間Ｔｄ１は、無線装置Ｒｘ１が受信する無線信号が劣化している期間（物体Ｓｃｔ１の影響等により無線信号が劣化する期間）であり、（２）時刻ｔ２〜ｔ３の期間Ｔｄ２は、無線装置Ｒｘ２が受信する無線信号が劣化している期間（物体Ｓｃｔ２の影響等により無線信号が劣化する期間）であり、（３）時刻ｔ４〜ｔ５の期間Ｔｄ３は、無線装置Ｒｘ３が受信する無線信号が劣化している期間（物体Ｓｃｔ３、Ｓｃｔ４の影響等により無線信号が劣化する期間）である。
無線装置Ｒｘ１〜Ｒｘ３は、それぞれ、無人搬送車ＡＧＶ１が経路ＲＴ１の始点ｐｏｓ（１）から終点ｐｏｓ（Ｎ）まで移動する期間において、無線信号データＳ１（ｔ）〜Ｓ３（ｔ）を取得し、データＤｉｎ（Ｒｘ１）〜Ｄｉｎ（Ｒｘ３）として、無線状況予測装置１００に送信する。
また、無人搬送車ＡＧＶ１は、無線状況予測装置１００へ、無人搬送車ＡＧＶ１の位置情報を含むデータＤｉｎ（データＰｏｓ（ＡＧＶ１））を送信する。
無線状況予測装置１００の通信インターフェースＩＦ１は、無線装置Ｒｘ１〜Ｒｘ３から送信されるデータＤｉｎ（Ｒｘ１）〜Ｄｉｎ（Ｒｘ３）を受信し、無線装置Ｒｘ１から受信したデータを無線信号データＳ１（ｔ）として第１予測部２１に出力し、無線装置Ｒｘ２から受信したデータを無線信号データＳ２（ｔ）として第２予測部２２に出力し、無線装置Ｒｘ３から受信したデータを無線信号データＳ３（ｔ）として第３予測部２３に出力する。
また、無線状況予測装置１００の通信インターフェースＩＦ１は、無人搬送車ＡＧＶ１から送信されるデータＤｉｎ（Ｔｘ１）（＝Ｐｏｓ（ＡＧＶ１））を受信し、受信したデータを位置データ取得部１に出力する。
位置データ取得部１は、データＤ１（Ｔｘ１）から、時刻ｔのインデックスデータの正解データ（教師データ）Ｔ＿ｃｏｒｒｅｃｔ（ｔ）を生成する。そして、位置データ取得部１は、生成した時刻ｔのインデックスデータの正解データ（教師データ）Ｔ＿ｃｏｒｒｅｃｔ（ｔ）を第１〜第ｎ予測部に出力する。なお、本実施形態では、ｎ＝３である。
第１予測部２１は、時刻ｔのインデックスデータの正解データ（教師データ）Ｔ＿ｃｏｒｒｅｃｔ（ｔ）と、無線装置Ｒｘ１から受信した無線信号データＳ１（ｔ）とを用いて、学習処理を実行する。当該学習処理について、具体的に説明する。
予測用データ取得部２１１は、モード信号Ｍｏｄｅにより、学習モードに設定される。
予測用データ取得部２１１は、学習モードにおいて、第１パラメータθ１に基づいて、無線信号データＳｋ（ｔ）（シリアルデータ）から予測処理用データＤａｔａ＿Ｐと、入力インデックスデータＤａｔａ＿Ｔとを生成する。そして、予測用データ取得部２１１は、生成した予測処理用データＤａｔａ＿Ｐおよび入力インデックスデータＤａｔａ＿Ｔを予測処理部２１２に出力する。
予測処理部２１２は、予測用データ取得部２１１から出力される予測処理用データＤａｔａ＿Ｐおよび入力インデックスデータＤａｔａ＿Ｔと、パラメータ調整部２１３から出力される第２パラメータθ２と、無線状況予測装置１００の各機能部を制御する制御部（不図示）から出力されるモード信号Ｍｏｄｅと、を入力する。予測処理部２１２は、学習モードにおいて、学習処理が終了した場合、第１予測部２１〜第ｎ予測部２ｎで学習処理が終了したときの重み付けデータに対応する無線信号データを、それぞれ、更新用データＤｕ１〜Ｄｕｎとして取得し、取得した更新用データＤｕ１〜Ｄｕｎを、それぞれ、ルックアップテーブルＬＵＴ１からＬＵＴｎに出力する。
予測処理部２１２のデータ抽出部２１２１は、学習モードにおいて、予測用データ取得部２１１から出力される入力インデックスデータＤａｔａ＿Ｐから、時刻ｔの無線信号データＳｋ（ｔ）を抽出し、ＦＩＦＯ型メモリＦＩＦＯ１に出力する。具体的には、データ抽出部２１２１は、入力インデックスデータＤａｔａ＿ＰからＮｃ個ずつサンプルデータＳ１〜ＳＮｃを、データを取得した時間順に抽出し、ＦＩＦＯ型メモリＦＩＦＯ１に出力する。なお、入力インデックスデータＤａｔａ＿Ｐは、行列データであり、Ｎｃは、当該行列データの列数である。
ＦＩＦＯ型メモリＦＩＦＯ１は、各記憶位置に保持しているデータＳ１〜ＳＮｃを並列に入力層２１２２に出力する。
予測処理部２１２の入力層（Ｉｎｐｕｔ ｌａｙｅｒ）２１２２は、図５に示すように、Ｎｃ個のシナプスを有しており、第ｑ番目（ｑ：自然数、１≦ｑ≦Ｎｃ）のシナプスには、無線信号データＳｑが入力される。
つまり、入力層２１２２の第１番目のシナプスには、無線信号データＳ１が入力される。
同様に、入力層２１２２の第ｉ番目のシナプスには、無線信号データＳ１が入力される。
隠れ層（Ｈｉｄｄｅｎ ｌａｙｅｒ）２１２３は、図５に示すように、Ｍ個（Ｍ：自然数）のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓ１〜Ｂｌｋ＿ｃｌａｓｓＭを有している。各シナプス群は、Ｎｃ個のシナプスを有している。
第１番目のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓ１の第ｓ番目（ｓ：自然数、１≦ｓ≦Ｎｃ）のシナプスには、データｖ１，ｓで表される重み付けデータが割り当てられる。
つまり、第ｒ番目（ｒ：自然数、１≦ｒ≦Ｍ）のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓｒの第ｓ番目（ｓ：自然数、１≦ｓ≦Ｎｃ）のシナプスには、データｖｒ，ｓで表される重み付けデータが割り当てられる。
ここで、図１１に示すデータを用いて学習処理を実行する場合について、説明する。
図１１は、予測用データ取得部２１１により生成される予測処理用データＤａｔａ＿Ｐと、入力インデックスデータＤａｔａ＿Ｔとを説明するための図である。
予測用データ取得部２１１は、無人搬送車ＡＧＶ１が位置ｐｏｓ（１）（時刻ｔ０のときの位置）から位置ｐｏｓ（Ｎ）（時刻ｔ５のときの位置）まで経路ＲＴ１を移動するときに、無線装置Ｒｘ１で取得されるデータ列Ｓ１、Ｓ２、・・・、ＳＮ（Ｎ個の無線信号データ（サンプルデータ））を取得する。そして、予測用データ取得部２１１は、上記データ列の中から、Ｎｃ個のサンプルデータを、添え字が１つずつ増加する方向にずらしながら、Ｎ−Ｎｃ＋１個のベクトルデータＸｖ（Ｓｐ）（ｐ：自然数、１≦ｐ＜Ｎ−Ｎｃ＋１）を取得する、つまり、予測用データ取得部２１１は、
Ｘｖ（Ｓ１）＝［Ｓ１，Ｓ２，・・・，ＳＮｃ］
Ｘｖ（Ｓ２）＝［Ｓ２，Ｓ３，・・・，ＳＮｃ＋１］
Ｘｖ（Ｓ３）＝［Ｓ３，Ｓ４，・・・，ＳＮｃ＋２］
・・・
Ｘｖ（ＳＮ−Ｎｃ＋１）＝［ＳＮ−Ｎｃ＋１，ＳＮ−Ｎｃ＋２，・・・，ＳＮ］
のＮ−Ｎｃ＋１個のベクトルデータＸｖ（Ｓｐ）を取得する。そして、予測用データ取得部２１１は、上記により取得した各ベクトルデータＸｖを行データとする行列データＤａｔａ＿Ｐを取得する。
また、予測用データ取得部２１１は、図１１に示すように、Ｎ−Ｎｃ＋１個のベクトルデータＸｖ（Ｓｐ）に対応するインデックス番号を「ｐ」とする入力インデックスデータＤａｔａ＿Ｔ（図１１に示す１×（Ｎ−Ｎｃ＋１）の行列データＴ）を生成し、生成した入力インデックスデータＤａｔａ＿Ｔを予測処理部２１２に出力する。
ベクトルデータＸｖ（Ｓ１）は、図１５に示すウィンドウＷｉｎ１（ｔ０，ｔ１）に含まれるＮｃ個のサンプルデータを要素とするベクトルデータである。
そして、ベクトルデータＸｖ（Ｓ２）は、図１５に示すウィンドウＷｉｎ１（ｔ０，ｔ１）を右方向（Ｄｉｒ１で示す方向）に１サンプル分ずらしたウィンドウに含まれるＮｃ個のサンプルデータを要素とするベクトルデータである。
そして、ベクトルデータＸｖ（Ｓ３）は、図１５に示すウィンドウＷｉｎ１（ｔ０，ｔ１）を右方向（Ｄｉｒ１で示す方向）に２サンプル分ずらしたウィンドウに含まれるＮｃ個のサンプルデータを要素とするベクトルデータである。
そして、ベクトルデータＸｖ（ＳＮ−Ｎｃ＋１）は、図１５に示すウィンドウＷｉｎ１（ｔ０，ｔ１）を右方向（Ｄｉｒ１で示す方向）に（Ｎ−Ｎｃ）サンプル分ずらしたウィンドウに含まれるＮｃ個のサンプルデータを要素とするベクトルデータである。ベクトルデータＸｖ（ＳＮ−Ｎｃ＋１）は、図１５に示すウィンドウＷｉｎ１（ｔ４，ｔ５）に含まれるＮｃ個のサンプルデータを要素とするベクトルデータである。
つまり、予測用データ取得部２１１は、図１５に示すように、ウィンドウＷｉｎ１（ｔ０，ｔ１）を１サンプルずつ右方向にずらしながら、上記のようにして、Ｎ−Ｎｃ＋１個のベクトルデータＸｖ（Ｓｐ）を取得する。これにより、予測用データ取得部２１１は、無人搬送車ＡＧＶ１が位置ｐｏｓ（１）から位置ｐｏｓ（Ｎ）に経路ＲＴ１に沿って移動するときの全てのサンプルデータ（無線信号データ）を取得することができる。
上記のようにして取得したデータを用いて、隠れ層２１２３の各シナプスの重み付けデータを設定する。
具体的には、第１番目のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓ１の第１番目のシナプスには、データＳ１が重み付けデータｖ１，１として割り当てられる。
第１番目のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓ１の第２番目のシナプスには、データＳ２が重み付けデータｖ１，２として割り当てられる。
第１番目のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓ１の第Ｎｃ番目のシナプスには、データＳＮｃが重み付けデータとして割り当てられる。
上記と同様にして、第ｒ番目のクラスに対応するシナプス群Ｂｌｋ＿ｃｌａｓｓｒの第ｓ番目（ｓ：自然数、１≦ｓ≦Ｎｃ）のシナプスには、ベクトルデータＸｖ（Ｓ１）のｓ番目のデータが重み付けデータとして割り当てる。
そして、第ｃ番目（ｃ：自然数、１≦ｃ≦Ｍ）のクラスのシナプス群Ｂｌｋ＿ｃｌａｓｓｃでは、予測処理部２１２のＦＩＦＯ型メモリＦＩＦＯ１に保持されているデータＸｉと上記のように設定された各シナプスの重み付けデータｖｃ，ｉとのノルムを変数とするガウス分布（放射基底関数（ＲＢＦ：Ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ））により算出される出力値を出力する。そして、当該出力値が総和計算層２１２４の当該クラスに対応するシナプスで加算されることで、第ｃ番目のクラスのクラス評価値ｇｃ（Ｘｖ）が取得される。つまり、下記の数式に相当する処理を実行することで、第ｃ番目のクラスの放射基底関数データｇｃ（Ｘｖ）が取得される。
Figure 0006978777
σｃ：第ｃ番目（ｃ：自然数、１≦ｃ≦Ｍ）のクラスの標準偏差
Ｘｖ＝［Ｘ１，Ｘ２，・・・，ＸＮｃ］
そして、取得された第ｃ番目のクラスの放射基底関数データｇｃは、クラス評価処理部２１２５に出力される。
クラス評価処理部２１２５は、入力されたＭ個の放射基底関数データｇｕのうち最大値となるクラスに対応するインデックスデータを検出し、検出したインデックスデータを含むデータを出力インデックスデータＴｏｋ（ｔ）として、インデックス合成部３およびパラメータ調整部２１３に出力する。
パラメータ調整部２１３の評価部２１３１は、学習モードにおいて、インデックスデータの正解データＴ＿ｃｏｒｒｅｃｔ（ｔ）と、出力インデックスデータＴｏｋ（ｔ）と、に基づいて、予測処理部２１２での予測処理の結果データの精度を判定し、当該判定結果を示すデータをデータＲｓｔとしてパラメータ調整処理部２１３２に出力する。
例えば、図１０の時刻ｔ０〜ｔ１の期間のサンプルデータＳ１〜ＳＮｃの値が、第１番目のクラスに対応する中間層２１２３のシナプスの重み付け値に設定した場合、第１番目のクラスに対応する放射基底関数データｇｃの値が最大値となる。つまり、無線装置Ｒｘ１が取得した無線信号データが、図１０の時刻ｔ０〜ｔ１の期間のサンプルデータＳ１〜ＳＮｃに近似する無線信号データであればあるほど、図１０のデータを取得したときの時刻ｔ１の位置ｐｏｓ（Ｎｃ）に、無人搬送車ＡＧＶ１が存在する可能性が高いと予測することができる。
つまり、図１１に示すサンプルデータＳ１〜ＳＮｃにおいて、
（１）ＦＩＦＯ型メモリＦＩＦＯ１に保持されているデータがＸｖ（Ｓ１）＝［Ｓ１，Ｓ２，・・・，ＳＮｃ］であるとき、正解の出力インデックスデータは、Ｔｏ１（ｔ）＝１（無人搬送車ＡＧＶ１の位置：ｐｏｓ（Ｎｃ））であるので、このとき、出力インデックスデータがＴｏ１（ｔ）＝１となるように学習処理が実行される。
（２）ＦＩＦＯ型メモリＦＩＦＯ１に保持されているデータがＸｖ（Ｓ２）＝［Ｓ２，Ｓ３，・・・，ＳＮｃ＋１］であるとき、正解の出力インデックスデータは、Ｔｏ１（ｔ）＝２（無人搬送車ＡＧＶ１の位置：ｐｏｓ（Ｎｃ＋１））であるので、このとき、出力インデックスデータがＴｏ１（ｔ）＝２となるように学習処理が実行される。
（３）ＦＩＦＯ型メモリＦＩＦＯ１に保持されているデータがＸｖ（Ｓ３）＝［Ｓ３，Ｓ４，・・・，ＳＮｃ＋２］であるとき、正解の出力インデックスデータは、Ｔｏ１（ｔ）＝３（無人搬送車ＡＧＶ１の位置：ｐｏｓ（Ｎｃ＋２））であるので、このとき、出力インデックスデータがＴｏ１（ｔ）＝３となるように学習処理が実行される。
（４）ＦＩＦＯ型メモリＦＩＦＯ１に保持されているデータがＸｖ（ＳＮ−Ｎｃ＋１）＝［ＳＮ−Ｎｃ＋１，ＳＮ−Ｎｃ＋２，・・・，ＳＮ］であるとき、正解の出力インデックスデータは、Ｔｏ１（ｔ）＝Ｎ−Ｎｃ＋１（無人搬送車ＡＧＶ１の位置：ｐｏｓ（Ｎ））であるので、このとき、出力インデックスデータがＴｏ１（ｔ）＝Ｎ−Ｎｃ＋１となるように学習処理が実行される。
評価部２１３１は、例えば、上記の正解データと、出力インデックスデータＴｏ１（ｔ）との誤差に基づくデータを学習処理の精度を示すデータＲｓｔとして取得する。そして、評価部２１３１は、取得したデータＲｓｔをパラメータ調整処理部２１３２に出力する。
パラメータ調整処理部２１３２は、学習モードにおいて、データＲｓｔに基づいて、パラメータ調整処理を実行し、パラメータ調整処理後の第１パラメータθ１を予測用データ取得部２１１に出力し、パラメータ調整処理後の第２パラメータθ２を予測処理部２１２に出力する。
パラメータ調整処理部２１３２は、判定結果データＲｓｔに基づいて、予測精度が十分ではない場合、第１パラメータθ１（例えば、Ｎｒ、Ｎｃ）、および／または、第２パラメータθ２（例えば、σ、ｖ＿ａｐｐｎｄ＿ｒｐｌｃ、Ｎｒ、Ｎｃ）を調整し、調整後の第１パラメータを予測用データ取得部２１１に出力し、また、調整後の第２パラメータθ２を予測処理部２１２に出力する。
予測用データ取得部２１１では、調整後の第１パラメータ（例えば、Ｎｒ、Ｎｃ）により、予測処理用データＤａｔａ＿Ｐ、および、入力インデックスＤａｔａ＿Ｔを生成し、予測処理部２１１に出力する。そして、上記と同様にして、パラメータ調整部２１３により、予測精度を判定し、予測精度が十分であると判定されるまで、上記処理を繰り返す。
また、予測処理部２１２では、調整後の第２パラメータθ２により、処理が実行される。例えば、予測処理部２１２では、調整後のσ（σは、各クラスの標準偏差σｃを含むデータであるものとする）に基づいて、各クラスの標準偏差σｃ（０≦σｃ≦１）が設定され、予測処理部２１２の処理が実行される。そして、上記と同様にして、パラメータ調整部２１３により、予測精度を判定し、予測精度が十分であると判定されるまで、上記処理を繰り返す。
また、予測処理部２１２では、データｖ＿ａｐｐｎｄ＿ｒｐｌｃに基づいて、隠れ層のクラスの追加処理（アペンド処理）、および／または、置換処理が実行される。これについて、図１２〜図１４を用いて説明する。
図１２は、入力データｘ（データＸｖ）と、各クラスの放射基底関数データｇｃとの関係を示すグラフである。つまり、図１２は、入力データＸｖを確率変数ｘとしたときの確率密度関数Ｐ（ｘ）を示すグラフである。
図１３は、入力データｘ（データＸｖ）と、各クラスの放射基底関数データｇｃとの関係を示すグラフであり、予測処理部２１２での追加処理を説明するための図である。
図１４は、入力データｘ（データＸｖ）と、各クラスの放射基底関数データｇｃとの関係を示すグラフであり、予測処理部２１２での置換処理を説明するための図である。
まず、予測処理部２１２での追加処理について説明する。
図１２に示すように、予測処理部２１２への入力データがデータＸｖ１、Ｘｖ２、・・・、ＸｖＭのいずれかに近いパターンのデータである場合、予測処理部２１２での予測処理により、入力パターンに対応するクラスを特定することができ、その結果、精度の高い予測処理を実行することができる。しかし、予測処理部２１２への入力データがデータＸｖ１、Ｘｖ２、・・・、ＸｖＭのいずれにも近いパターンでない場合、入力パターンに対応するクラスを特定することができず、その結果、精度の高い予測処理を実行することができない。例えば、予測処理部２１２への入力データが図１２のデータＸｖＭ＋１である場合、データＸｖ１、Ｘｖ２、・・・、ＸｖＭのいずれにも近いパターンでないので、精度の高い予測処理を実行することはできない。
そこで、このような場合、パラメータ調整部２１３から、予測処理部２１２に指令信号（データ）ｖ＿ａｐｐｎｄ＿ｒｐｌｃを送信し、予測処理部２１２に、新たなクラス（Ｍ＋１番目のクラス）を追加する。例えば、図１３に「ＣｌａｓｓＭ＋１」として示す放射基底関数データｇｃとなるように、隠れ層２１２３に新たなシナプスを追加し、さらに、総和計算層２１２４に第Ｍ＋１番目のシナプスを追加する。これにより、予測処理部２１２への入力データがデータＸｖＭ＋１と近いパターンである場合、第Ｍ＋１番目のクラスの放射基底関数データｇｃ（＝ｇＭ＋１）が大きな値をとるため、ＸｖＭ＋１に対応するインデックスが選択され、高精度の予測処理が可能となる。
そして、上記のクラスを追加する処理を行った後、パラメータ調整部２１３により、予測精度を判定し、予測精度が十分であると判定されるまで、上記処理を繰り返す。
次に、予測処理部２１２での置換処理について説明する。
予測処理部２１２への入力データがデータＸｖ１、Ｘｖ２、・・・、ＸｖＭのいずれにも近いパターンでない場合、入力パターンに対応するクラスを特定することができず、その結果、精度の高い予測処理を実行することができない。例えば、予測処理部２１２への入力データが図１４のデータＸｖＭ’である場合、データＸｖ１、Ｘｖ２、・・・、ＸｖＭのいずれにも近いパターンでないので、精度の高い予測処理を実行することはできない。
そこで、このような場合、パラメータ調整部２１３から、予測処理部２１２に指令信号（データ）ｖ＿ａｐｐｎｄ＿ｒｐｌｃを送信し、予測処理部２１２に、例えば、第Ｍ番目のクラスの重み付けデータ（隠れ層２１２３のシナプス）を置換する。例えば、図１４に「ＣｌａｓｓＭ’」として示す放射基底関数データｇｃとなるように、隠れ層２１２３において、第Ｍ番目のクラスの重み付けデータ（隠れ層２１２３のシナプス）を置換する。これにより、予測処理部２１２への入力データがデータＸｖＭ’と近いパターンである場合、置換処理後の第Ｍ番目のクラスの放射基底関数データｇｃ（＝ｇＭ）が大きな値をとるため、ＸｖＭ’に対応するインデックスが選択され、高精度の予測処理が可能となる。
そして、上記のクラスを置換する処理を行った後、パラメータ調整部２１３により、予測精度を判定し、予測精度が十分であると判定されるまで、上記処理を繰り返す。
以上のように、無線状況予測装置１００において、第１パラメータθ１（例えば、Ｎｒ、Ｎｃ）、および／または、第２パラメータθ２（例えば、σ、ｖ＿ａｐｐｎｄ＿ｒｐｌｃ、Ｎｒ、Ｎｃ）を調整し、十分な予測精度が取得される状態になったら、学習を終了させる。そして、パラメータ調整処理部２１３２は、そのときの第１パラメータθ１を最適第１パラメータθ１＿ｏｐｔとして、第１パラメータθ１を最適第１パラメータθ１＿ｏｐｔとして、パラメータ保持部２１３３に出力し、パラメータ保持部２１３３に記憶保持させる。
また、パラメータ調整処理部２１３２は、学習が終了し、予測モードに移行する場合、パラメータ保持部２１３３から最適第１パラメータθ１＿ｏｐｔおよび最適第２パラメータθ２＿ｏｐｔを取得する。そして、パラメータ調整処理部２１３２は、パラメータ保持部２１３３から取得した最適第１パラメータθ１＿ｏｐｔを、第１パラメータθ１として予測用データ取得部２１１に出力し、パラメータ保持部２１３３から取得した最適第２パラメータθ２＿ｏｐｔを、第２パラメータθ２として予測処理部２１２に出力する。
パラメータ保持部２１３３は、パラメータ調整処理部２１３２から出力される最適第１パラメータθ１＿ｏｐｔおよび最適第２パラメータθ２＿ｏｐｔを入力し、当該最適第１パラメータθ１＿ｏｐｔおよび最適第２パラメータθ２＿ｏｐｔを記憶する。また、パラメータ保持部２１３３は、パラメータ調整処理部２１３２からの要求に基づいて、記憶している最適第１パラメータθ１＿ｏｐｔおよび／または最適第２パラメータθ２＿ｏｐｔをパラメータ調整処理部２１３２に出力する。
以上のようにして、第１予測部２１では、学習処理が実行される。そして、学習処理が終了したときに取得した中間層２１２３の各シナプスの重み付けデータをＤｕ１として、ルックアップテーブルＬＵＴ１に書き込む。例えば、学習処理が終了したときの上記重み付けデータに対するデータが、図１０のＳ１（ｔ）で示す無線信号データのＮ個のサンプル値（期間ｔ０〜ｔ５のＮ個のサンプル値）である場合、当該Ｎ個のサンプル値が、Ｎｃ個ずつに分けられ、対応するインデックスデータとともに、データＤｕ１として、ルックアップテーブルＬＵＴ１に書き込まれる。つまり、
（１）インデックスデータ「１」のデータとして、データＳ１〜ＳＮｃが、ＬＵＴ１に書き込まれ、
（２）インデックスデータ「２」のデータとして、データＳ２〜ＳＮｃ＋１が、ＬＵＴ１に書き込まれ、
（３）インデックスデータ「３」のデータとして、データＳ３〜ＳＮｃ＋２が、ＬＵＴ１に書き込まれ、
（４）インデックスデータ「Ｎ−Ｎｃ＋１」のデータとして、データＳＮ−Ｎｃ＋１〜ＳＮが、ＬＵＴ１に書き込まれる。
また、第２予測部２２〜第ｎ予測部２ｎについても、上記の第１予測部２１と同様の処理が実行されることで、学習処理が実行される。
なお、説明便宜のために、
（１）第１予測部２１において、学習処理が終了したときに取得した第１予測部２１の中間層２１２３の各シナプスの重み付けデータＤｕ１が、図１０のＳ１（ｔ）で示す無線信号データのＮ個のサンプル値（期間ｔ０〜ｔ５のＮ個のサンプル値）であるものとし、
（２）第２予測部２２において、学習処理が終了したときに取得した第２予測部２２の中間層の各シナプスの重み付けデータＤｕ２が、図１０のＳ２（ｔ）で示す無線信号データのＮ個のサンプル値（期間ｔ０〜ｔ５のＮ個のサンプル値）であるものとし、
（３）第３予測部２３において、学習処理が終了したときに取得した第３予測部２３の中間層の各シナプスの重み付けデータＤｕ２が、図１０のＳ３（ｔ）で示す無線信号データのＮ個のサンプル値（期間ｔ０〜ｔ５のＮ個のサンプル値）であるものとして、以下説明する。
このとき、無線装置Ｒｘ１〜Ｒｘ３で受信する無線信号データが、図１０に示す無線信号データと近似しているほど、無線状況予測システム１０００での予測精度は高くなる。
（１．２．２：予測モード）
次に、無線状況予測システム１０００の予測モードの処理について説明する。
説明便宜のため、図１６に示す無線信号データが、時刻ｔ０’〜ｔ１’の期間において、無線装置Ｒｘ１、Ｒｘ２、Ｒｘ３で受信された場合について、以下、説明する。なお、現時刻をｔ１’とし、時刻ｔ０’〜ｔ１’の期間において、Ｎｃ個のサンプルデータが取得されるものとする。また、時刻ｔ０’において、無人搬送車ＡＧＶ１は、位置ｐｏｓ（１０）に存在し、時刻ｔ１’において、無人搬送車ＡＧＶ１は、位置ｐｏｓ（Ｎｃ＋９）に存在するものとする。
無線装置Ｒｘ１は、時刻ｔ０’〜時刻ｔ１’の期間において、無線状況予測装置１００へ、無線信号データＳ１（ｔ）を送信する。
無線状況予測装置１００の第１予測部２１の予測処理部２１２では、現時刻ｔ１’において、ＦＩＦＯ型メモリＦＩＦＯ１のデータＸ１〜ＸＮｃとして、無線信号データのサンプルデータＳ１（ｔ０’）〜Ｓ１（ｔ１’）が記憶保持されている。
そして、上記データＸ１〜ＸＮｃに対して、隠れ層２１２３、総和計算層２１２４での処理が実行され、各クラスの放射基底関数データｇｃ（Ｘｖ）が取得される。
そして、クラス評価処理部２１２５は、取得された各クラスの放射基底関数データｇｃ（Ｘｖ）の中から最大値をとるクラスを決定し、当該クラスに対応するインデックスを決定する。
上記の場合、図１６に示すデータＳ１（ｔ）は、図１５に示すデータＳ１（ｔ）の時刻ｔ０’（ＡＧＶ１がｐｏｓ（１０）のときの時刻）から時刻ｔ１’（ＡＧＶ１がｐｏｓ（Ｎｃ＋９）のときの時刻）に近似しているため、クラス評価処理部２１２５は、Ｔｏ１（ｔ）＝１０として、出力インデックスデータＴｏ１（ｔ）を出力する。
また、無線装置Ｒｘ２は、時刻ｔ０’〜時刻ｔ１’の期間において、無線状況予測装置１００へ、無線信号データＳ２（ｔ）を送信する。
無線状況予測装置１００の第２予測部２２の予測処理部では、現時刻ｔ１’において、ＦＩＦＯ型メモリＦＩＦＯ１のデータＸ１〜ＸＮｃとして、無線信号データのサンプルデータＳ２（ｔ０’）〜Ｓ２（ｔ１’）が記憶保持されている。
そして、上記データＸ１〜ＸＮｃに対して、隠れ層、総和計算層での処理が実行され、各クラスの放射基底関数データｇｃ（Ｘｖ）が取得される。
そして、クラス評価処理部は、取得された各クラスの放射基底関数データｇｃ（Ｘｖ）の中から最大値をとるクラスを決定し、当該クラスに対応するインデックスを決定する。
上記の場合、図１６に示すデータＳ２（ｔ）は、図１５に示すデータＳ２（ｔ）の時刻ｔ０’（ＡＧＶ１がｐｏｓ（１０）のときの時刻）から時刻ｔ１’（ＡＧＶ１がｐｏｓ（Ｎｃ＋９）のときの時刻）に近似しているため、第２予測部２２のクラス評価処理部は、Ｔｏ２（ｔ）＝１０として、出力インデックスデータＴｏ２（ｔ）を出力する。
また、無線装置Ｒｘ３は、時刻ｔ０’〜時刻ｔ１’の期間において、無線状況予測装置１００へ、無線信号データＳ３（ｔ）を送信する。
無線状況予測装置１００の第３予測部２３の予測処理部では、現時刻ｔ１’において、ＦＩＦＯ型メモリＦＩＦＯ１のデータＸ１〜ＸＮｃとして、無線信号データのサンプルデータＳ３（ｔ０’）〜Ｓ３（ｔ１’）が記憶保持されている。
そして、上記データＸ１〜ＸＮｃに対して、隠れ層、総和計算層での処理が実行され、各クラスの放射基底関数データｇｃ（Ｘｖ）が取得される。
そして、クラス評価処理部は、取得された各クラスの放射基底関数データｇｃ（Ｘｖ）の中から最大値をとるクラスを決定し、当該クラスに対応するインデックスを決定する。
上記の場合、図１６に示すデータＳ２（ｔ）は、図１５に示すデータＳ２（ｔ）の時刻ｔ０’’（ＡＧＶ１がｐｏｓ（９）のときの時刻とする）から時刻ｔ１’’（ＡＧＶ１がｐｏｓ（Ｎｃ＋８）のときの時刻とする）に近似しているとする。このとき、クラス評価処理部２１２５は、Ｔｏ３（ｔ）＝９として、出力インデックスデータＴｏ３（ｔ）を出力する。
インデックス合成部３は、第１予測部２１〜第３予測部２３から出力される出力インデックスデータＴｏ１（ｔ）〜Ｔｏ３（ｔ）を入力する。インデックス合成部３は、出力インデックスデータＴｏ１（ｔ）〜Ｔｏ３（ｔ）から、合成インデックスデータＴｏ＿ａｌｌ（ｔ）を生成する。具体的には、インデックス合成部３は、以下の方式により、合成インデックスデータＴｏ＿ａｌｌ（ｔ）を生成する。
（１）多数決方式
インデックス合成部３は、出力インデックスデータＴｏ１（ｔ）〜Ｔｏ３（ｔ）の中において、最も多く含まれているインデックスデータ（最頻のインデックスデータ）を、合成インデックスデータＴｏ＿ａｌｌ（ｔ）とする。上記の場合（図１６の場合）、最頻のインデックスデータは、「１０」であるので、インデックス合成部３は、合成インデックスデータＴｏ＿ａｌｌ（ｔ）を「１０」とする。
（２）重み付け合成方式
インデックス合成部３は、
Ｔｏ＿ａｌｌ（ｔ）＝ｗ１×Ｔｏ１（ｔ）＋ｗ２×Ｔｏ２（ｔ）＋ｗ３×Ｔｏ３（ｔ）
により、Ｔｏ＿ａｌｌ（ｔ）を取得する。なお、この場合、Ｔｏ＿ａｌｌ（ｔ）は、実数値となるため、四捨五入、切り捨て処理等により、Ｔｏ＿ａｌｌ（ｔ）を整数値にする。上記の場合（図１６の場合）、上記処理により取得した実数値を四捨五入することで、Ｔｏ＿ａｌｌ（ｔ）＝１０として取得される。なお、重み付け合成方式では、各インデックス情報の重み付け値は、総和が「１」となるように設定し、信頼度の高い無線装置に対応するインデックス情報の重み付け値を大きくすることが好ましい。
なお、上記以外の方式として、インデックス合成部３は、出力インデックスデータＴｏ１（ｔ）〜Ｔｏ３（ｔ）の中から、平均値、中間値を取得し、取得した当該値、あるいは、その値を四捨五入、切り捨て処理等により取得した整数値を、Ｔｏ＿ａｌｌ（ｔ）とするようにしてもよい。
上記のようにして取得された合成インデックスデータＴｏ＿ａｌｌ（ｔ）は、インデックス合成部３から、第１未来予測部５１、第２未来予測部５２、および、第３未来予測部５３に出力される。
第１未来予測部５１は、合成インデックスデータＴｏ＿ａｌｌ（ｔ）とオフセットｋ１とに基づいて、時刻ｔ＋ｋ１の無線装置Ｒｘ１の無線信号データの予測値Ｓｏ１（ｔ＋ｋ１）を、ルックアップテーブルＬＵＴ１を参照して、取得する。ルックアップテーブルＬＵＴ１には、図１５に示すＳ１（ｔ）に相当するデータが格納されているので、上記処理により、時刻ｔ＋ｋ１の無線装置Ｒｘ１の無線信号データの予測値Ｓｏ１（ｔ＋ｋ１）が取得される。
第２未来予測部５２は、合成インデックスデータＴｏ＿ａｌｌ（ｔ）とオフセットｋ１とに基づいて、時刻ｔ＋ｋ１の無線装置Ｒｘ２の無線信号データの予測値Ｓｏ２（ｔ＋ｋ１）を、ルックアップテーブルＬＵＴ２を参照して、取得する。ルックアップテーブルＬＵＴ２には、図１５に示すＳ２（ｔ）に相当するデータが格納されているので、上記処理により、時刻ｔ＋ｋ１の無線装置Ｒｘ２の無線信号データの予測値Ｓｏ２（ｔ＋ｋ１）が取得される。
第３未来予測部５３は、合成インデックスデータＴｏ＿ａｌｌ（ｔ）とオフセットｋ１とに基づいて、時刻ｔ＋ｋ１の無線装置Ｒｘ３の無線信号データの予測値Ｓｏ３（ｔ＋ｋ１）を、ルックアップテーブルＬＵＴ３を参照して、取得する。ルックアップテーブルＬＵＴ３には、図１５に示すＳ３（ｔ）に相当するデータが格納されているので、上記処理により、時刻ｔ＋ｋ１の無線装置Ｒｘ３の無線信号データの予測値Ｓｏ３（ｔ＋ｋ１）が取得される。
また、オフセット設定部４により、オフセットｋ１を連続的に変化させることで、無線装置Ｒｘ１〜Ｒｘ３の予測値Ｓｏ１（ｔ＋ｋ１）〜Ｓｏ３（ｔ＋ｋ１）を連続的に取得することができる。このようにして、時刻ｔ１’以降の無線装置Ｒｘ１〜Ｒｘ３の予測値Ｓｏ１（ｔ＋ｋ１）〜Ｓｏ３（ｔ＋ｋ１）が、図１７に示すようなデータとして取得される。
上記処理により取得された無線装置Ｒｘ１〜Ｒｘ３の予測値Ｓｏ１（ｔ＋ｋ１）〜Ｓｏ３（ｔ＋ｋ１）は、データＤｏｕｔとして、無線状況予測装置１００から無線状況制御装置Ｄｅｖ１に出力される。
無線状況制御装置Ｄｅｖ１では、上記のようにして取得された無線装置Ｒｘ１〜Ｒｘ３の予測値Ｓｏ１（ｔ＋ｋ１）〜Ｓｏ３（ｔ＋ｋ１）から、例えば、所定の時刻において、所定の無線装置の受信状態が劣化することを予測し、所定の措置を講ずる。
例えば、図１７の場合、無線状況制御装置Ｄｅｖ１の無線状況評価部Ｄｖ１は、データＤｏｕｔから、無線装置Ｒｘ２が、時刻ｔ２〜ｔ３において（現時刻ｔ１’からｔ２−ｔ１’後から期間Ｔｄ２の間）、無線信号の受信状態が劣化することが予測できる。これに対処するため、無線環境調整処理部Ｄｖ２は、例えば、無線装置Ｒｘ２に対して、時刻ｔ２〜ｔ３において、使用しているチャネルとは異なるチャネルで無線通信する、あるいは、無線通信を休止させるように指示するデータを送信する。そして、無線装置Ｒｘ２は、無線状況制御装置Ｄｅｖ１から、当該データを受信したら、時刻ｔ２〜ｔ３において、使用しているチャネルとは異なるチャネルで無線通信する、あるいは、無線通信を休止させるようにする。これにより、無線装置Ｒｘ２の受信状態（無線環境）の劣化を適切に防止することができる。
また、図１７の場合、無線状況制御装置Ｄｅｖ１の無線状況評価部Ｄｖ１は、データＤｏｕｔから、無線装置Ｒｘ３が、時刻ｔ４〜ｔ５において（現時刻ｔ１’からｔ４−ｔ１’後から期間Ｔｄ３の間）、無線信号の受信状態が劣化することが予測できる。これに対処するため、無線環境調整処理部Ｄｖ２は、例えば、無線装置Ｒｘ３に対して、時刻ｔ４〜ｔ５において、使用しているチャネルとは異なるチャネルで無線通信する、あるいは、無線通信を休止させるように指示するデータを送信する。そして、無線装置Ｒｘ３は、無線状況制御装置Ｄｅｖ１から、当該データを受信したら、時刻ｔ２〜ｔ３において、使用しているチャネルとは異なるチャネルで無線通信する、あるいは、無線通信を休止させるようにする。これにより、無線装置Ｒｘ３の受信状態（無線環境）の劣化を適切に防止することができる。
以上のように、無線状況予測システム１０００では、無人搬送車ＡＧＶ１が所定の経路をたどるときに、複数の無線装置の無線信号データにより学習した学習済みモデル（例えば、ＰＮＮによるモデル）により、無人搬送車ＡＧＶ１の現在位置を推定するとともに、そのときの無線環境の状態を推定する。さらに、無線状況予測システム１０００では、学習時に、無人搬送車ＡＧＶ１が所定の経路をたどるときの無線環境の状態の変化を示すデータを記憶保持させるので、予測時において、上記の推定結果から、所定の期間先の無線環境の状態を高精度に予測することができる。そして、無線状況予測システム１０００では、上記処理により、未来の無線環境の状態を高精度に予測することができるので、当該予測結果に基づいて、対応措置を講ずることで、高速かつ高精度な無線環境を安定して維持させることができる。
つまり、無線状況予測システム１０００では、複雑に無線環境が変化する状況においても、高速かつ高精度に、無線環境状況を予測することができる。
なお、無線状況予測装置１００において、Ｒブロック（Ｒ：自然数）ごとに、再学習を行うようにしてもよい。これについて、図１８を用いて説明する。
図１８は、再学習を説明するための図である。
図１８に示すように、無線状況予測装置１００において、最初にデータＤａｔａ＿Ｐを取得するとき（無人搬送車ＡＧＶ１が経路ＲＴ１を始点から終点まで移動する期間に相当）、すなわち、図１８における最初のブロックＰ１＿１を取得するときに、学習処理を行い、後続するブロックＰ１＿２〜Ｐ１＿Ｒを取得するときに、予測処理を行う。そして、ブロックＰ１＿Ｒの次のブロックＰ２＿１において（ブロックＰ１＿Ｒの次にデータＤａｔａ＿Ｐを取得するときに）、無線状況予測装置１００において再度、学習処理を行うようにしてもよい（再学習を行うようにしてもよい）。つまり、無線状況予測装置１００において、Ｒブロックごとに、再学習を行うようにしてもよい。再学習においては、第１パラメータθ１、第２パラメータθ２を調整することで、最適第１パラメータθ１＿ｏｐｔ、最適第２パラメータθ２＿ｏｐｔを取得し、取得した最適パラメータにより予測部のモデルを最適化する。このようにすることで、無線環境が急激に変化した場合であっても、無線状況予測装置１００において、最適な予測処理を行うことができる。また、予測処理を実行しているブロックにおいて、予測精度を監視し、予測精度に応じて、再学習の間隔を決定するＲを変更するようにしてもよい。つまり、予測精度が高い場合は、Ｒを大きな値にし、予測精度が低い場合、Ｒを小さな値にすることで、無線状況予測装置１００における予測処理の精度を高精度に保つことができる。
［他の実施形態］
上記実施形態では、無線信号データが無線信号の電力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、例えば、無線信号に関するデータＳｉ（ｔ）として、無線リソース利用率ＣＯＲを用いてもよい。また、無線信号に関するデータＳｉ（ｔ）として、所定の期間（例えば、タイムスロット期間）における無線チャネルの空／塞の状態を示すデータを用いてもよい。
また、無線状況予測装置１００において、第２パラメータθ２に含まれる標準偏差のデータσは、予測処理部２１２の各クラスに応じて個別にσｃとして設定されるものであってもよいし、全てのクラスで共通の標準偏差σが設定されるものであってもよい。
また、上記実施形態では、ＯＦＤＭを採用した無線状況予測システム１０００について説明したが、これに限定されることはなく、他の変調方式を用いてもよい。
また、上記では、移動体が無人搬送車ＡＧＶ１であるとして、説明したが、これに限定されることはなく、例えば、無線通信機能を有し、所定の経路を移動する移動体であれば、他のものであってもよい。例えば、無線通信機能を有するプリンタヘッド（所定のレールを往復するプリンタヘッド）や、無線ハーネスの発信装置等についても、本発明を適用することができる。
また、上記実施形態で説明した無線状況予測システム、無線状況予測装置１００、無線装置において、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１９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。
１０００ 無線状況予測システム
１００ 無線状況予測装置
Ｒｘ１〜Ｒｘ３ 無線装置
ＡＧＶ１ 無人搬送車（移動体）
２１ 第１予測部
２２ 第２予測部
２ｎ 第ｎ予測部
３ インデックス合成部
４ オフセット設定部
５１ 第１未来予測部
５２ 第２未来予測部
５ｎ 第ｎ未来予測部

Claims (15)

  1. 移動体と、Ｎ個（Ｎ：自然数）の無線装置とを含む無線状況予測システムに用いられる無線状況予測装置であって、
    前記移動体が所定の経路を移動しているときの前記移動体の時刻ｔの位置に関するデータである位置データを取得する位置データ取得部と、
    前記移動体の時刻ｔの前記位置データと、時刻ｔにおいて前記Ｎ個の無線装置のそれぞれが受信した無線信号に関するデータである無線信号データとを含むデータを教師データとして、前記移動体の位置を示すインデックス情報を予測するためのモデルである学習モデルに対して学習処理を実行するとともに、前記学習処理により取得された学習済みモデルを用いて、前記無線信号に関するデータから前記移動体の位置を示すインデックス情報を予測する予測処理を実行する予測部と、
    を備える無線状況予測装置。
  2. 前記予測部は、
    前記Ｎ個の無線装置のそれぞれに対応付けた第１〜第Ｎ予測部と、
    前記第１〜第Ｎ予測部からの出力から、合成インデックスデータを取得するインデックス合成部と、
    を備え、
    第ｋ予測部（ｋ：自然数、１≦ｋ≦Ｎ）は、
    前記移動体の時刻ｔの前記位置データと、第ｋの無線装置が、前記時刻ｔにおいて受信した前記無線信号データと、を含むデータを教師データとして、前記移動体の位置を示すインデックス情報を予測するための前記第ｋ予測部用の前記学習モデルに対して学習処理を実行するとともに、前記学習処理により取得された第ｋ予測部用の学習済みモデルを用いて、前記無線信号に関するデータから前記移動体の位置を示すインデックス情報を予測したデータを第ｋ予測データＴｏｋ（ｔ）として取得し、
    前記インデックス合成部は、
    前記第１〜第Ｎ予測部からの出力であるデータＴｏ１（ｔ）〜ＴｏＮ（ｔ）を用いて合成処理をすることで、前記合成インデックスデータを取得する、
    請求項１に記載の無線状況予測装置。
  3. 前記Ｎ個の無線装置のそれぞれに対応付けた第１〜第Ｎ未来予測部と、
    前記Ｎ個の無線装置のそれぞれに対応付けた第１〜第Ｎルックアップテーブルと、
    時間オフセットｋ１を設定するオフセット設定部と、
    をさらに備え、
    第ｋルックアップテーブル（ｋ：自然数、１≦ｋ≦Ｎ）は、前記第ｋ予測部が学習を終了したときの前記無線信号データの教師データを前記インデックス情報と対応づけて記憶し、
    第ｋ未来予測部（ｋ：自然数、１≦ｋ≦Ｎ）は、
    前記予測処理により取得された前記インデックス情報に基づいて、前記第ｋルックアップテーブルに保持されている前記無線信号データを取得し、取得した当該無線信号データから、前記予測処理が実行される時刻ｔから前記時間オフセットｋ１だけ未来の前記無線信号データを予測する、
    請求項２に記載の無線状況予測装置。
  4. 前記無線信号データは、無線信号の電力値、無線チャネルのビジー状態およびアイドル状態の時系列データ、および、タイムスロット内における無線チャネルのビジー状態の占有率のいずれか１つである、
    請求項１から３のいずれかに記載の無線状況予測装置。
  5. 前記学習モデルは、パラメータθにより調整されるものであり、
    前記学習モデルの入力データを入力データｘとし、前記学習モデルの出力データを出力データｙとし、前記入力データｘが前記学習モデルに入力されたときに前記出力データｙが出力される条件付き確率をＰ（ｙ｜ｘ）とすると、
    前記第１〜第Ｎ予測部は、それぞれ、
    Figure 0006978777
    に相当する処理を行うことで、前記学習モデルの最適パラメータθ＿ｏｐｔを取得する、
    請求項２に記載の無線状況予測装置。
  6. 前記教師データは、前記無線信号データから取得される予測用行列データＰと目標インデックス行列データＴとを含み、
    前記パラメータθは、
    （１）前記予測用行列データＰの行数Ｎｒ、
    （２）前記予測用行列データＰの列数Ｎｃ、
    の少なくとも１つを含む、
    請求項５に記載の無線状況予測装置。
  7. 前記第１〜第Ｎ予測部は、それぞれ、確率的ニューラルネットワークを用いた学習モデルにより前記学習処理および前記予測処理を実行する、
    請求項２、３、５、６のいずれかに記載の無線状況予測装置。
  8. 前記予測用行列データＰがＮｃ行の行列データであり、前記予測用行列データＰの各行のデータＸｖとして前記第１〜第Ｎ予測部に、それぞれ、入力されるものとし、
    第ｃ番目のクラスに対応し前記学習モデルが最適化されたときの前記予測用行列データＰの各行のデータをデータｖｃ，１、ｖｃ，２、・・・、ｖｃ，Ｎｃとし、第ｃ番目のクラスの放射基底関数データをｇｃとすると、
    前記第１〜第Ｎ予測部は、それぞれ、
    Figure 0006978777
    Ｘｖ＝［Ｘ１，Ｘ２，・・・，ＸＮｃ］
    σｃ：第ｃ番目のクラスの標準偏差
    に相当する処理により、データＸｖが入力されたときの第ｃ番目のクラスの放射基底関数データｇｃ（Ｘｖ）を取得し、取得した第ｃ番目のクラスの放射基底関数データｇｃ（Ｘｖ）に基づいて、前記予測処理を実行する、
    請求項６に記載の無線状況予測装置。
  9. 前記学習モデルは、パラメータθにより調整されるものであり、
    前記パラメータθは、
    （１）前記予測用行列データＰの行数Ｎｒ、
    （２）前記予測用行列データＰの列数Ｎｃ、
    （３）前記第ｃ番目のクラスの標準偏差σｃ
    の少なくとも１つを含む、
    請求項８に記載の無線状況予測装置。
  10. 前記予測部は、
    １つの前記予測用行列データＰを取得するために必要な時系列データを取得する期間を１単位としたとき、Ｒ単位（Ｒ：自然数）ごとに、取得される前記予測用行列データＰを用いて、前記学習処理を実行する、
    請求項６、８、９のいずれかに記載の無線状況予測装置。
  11. 前記予測部は、
    前記予測処理を行っているときの予測精度を取得し、取得した予測精度に応じて、前記学習処理を実行する間隔を決定する数値Ｒを調整する、
    請求項１０に記載の無線状況予測装置。
  12. 前記予測部は、
    Ｑ個（Ｑ：自然数）のＲを、Ｒ［１］，Ｒ［２］，・・・，Ｒ［Ｑ］とし、
    Ｒ［１］＜Ｒ［２］＜・・・＜Ｒ［Ｑ］
    を満たすように設定し、
    Ｒ＝Ｒ［ｉ］（ｉ：自然数、１≦ｉ≦Ｑ）のときの予測精度ＰＣＥｉ（０≦ＰＣＥｉ≦１）を正解データを取得した確率ＰＣＥｉ（０≦ＰＣＥｉ≦１）として取得し、
    Ｒを、Ｒ［１］からＲ［Ｑ］まで順番に変化させたとき、
    ＰＣＥｉ／ＰＣＥｉ−１＜Ｔｈ
    Ｔｈ：閾値
    を初めて満たすときのｉをｉ０として取得し、
    前記Ｒを、
    Ｒ＝Ｒ［ｉ０］
    として設定する、
    請求項１０に記載の無線状況予測装置。
  13. 前記学習モデルは、パラメータθにより調整されるものであり、
    前記パラメータθは、
    （１）前記予測用行列データＰの行数Ｎｒ、
    （２）前記予測用行列データＰの列数Ｎｃ、
    （３）前記Ｒ、
    の少なくとも１つを含む、
    請求項１０から１２のいずれかに記載の無線状況予測装置。
  14. 移動体と、Ｎ個（Ｎ：自然数）の無線装置とを含む無線状況予測システムに用いられる無線状況予測方法であって、
    前記移動体が所定の経路を移動しているときの前記移動体の時刻ｔの位置に関するデータである位置データを取得する位置データ取得ステップと、
    前記移動体の時刻ｔの前記位置データと、時刻ｔにおいて前記Ｎ個の無線装置のそれぞれが受信した無線信号に関するデータである無線信号データとを含むデータを教師データとして、前記移動体の位置を示すインデックス情報を予測するためのモデルを学習する学習処理を実行するとともに、前記学習処理により取得された学習済みモデルを用いて、前記無線信号に関するデータから前記移動体の位置を示すインデックス情報を予測する予測処理を実行する予測ステップと、
    を備える無線状況予測方法。
  15. 請求項１４に記載の無線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。

JP2018042747A 2018-03-09 2018-03-09 無線状況予測装置、無線状況予測方法、および、プログラム Active JP6978777B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018042747A JP6978777B2 (ja) 2018-03-09 2018-03-09 無線状況予測装置、無線状況予測方法、および、プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018042747A JP6978777B2 (ja) 2018-03-09 2018-03-09 無線状況予測装置、無線状況予測方法、および、プログラム

Publications (2)

Publication Number Publication Date
JP2019161341A JP2019161341A (ja) 2019-09-19
JP6978777B2 true JP6978777B2 (ja) 2021-12-08

Family

ID=67992724

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018042747A Active JP6978777B2 (ja) 2018-03-09 2018-03-09 無線状況予測装置、無線状況予測方法、および、プログラム

Country Status (1)

Country Link
JP (1) JP6978777B2 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7360309B2 (ja) 2019-11-27 2023-10-12 株式会社京三製作所 学習モデル生成方法、推定装置および無線列車制御システム
CN113938895B (zh) * 2021-09-16 2023-09-05 中铁第四勘察设计院集团有限公司 铁路无线信号的预测方法、装置、电子设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2006095866A1 (ja) * 2005-03-10 2008-08-21 パイオニア株式会社 通信環境学習装置および通信環境学習方法
JP4774106B2 (ja) * 2009-01-13 2011-09-14 株式会社エヌ・ティ・ティ・ドコモ 電界強度を推定する装置及び方法
JP5551886B2 (ja) * 2009-03-30 2014-07-16 三菱重工業株式会社 端末位置検出システム及び船員位置管理システム

Also Published As

Publication number Publication date
JP2019161341A (ja) 2019-09-19

Similar Documents

Publication Publication Date Title
JP7166584B2 (ja) チャネル状態予測装置、無線通信装置、チャネル状態予測方法、および、プログラム
US10701641B2 (en) Interference mitigation in ultra-dense wireless networks
US20190356516A1 (en) Machine Learning for Channel Estimation
US10716010B2 (en) Target carrier radio predictions using source carrier measurements
JP6978777B2 (ja) 無線状況予測装置、無線状況予測方法、および、プログラム
CN110178329A (zh) 用于无线通信系统的电子设备和方法
US20180316466A1 (en) Configuration of resolution of uplink data
US20230388809A1 (en) Learning-Based Spectrum Occupancy Prediction Exploiting Multi-Dimensional Correlation
US20210281356A1 (en) Feature detection in collaborative radio networks
CN112752347B (zh) 调度数据传输的方法和装置
EP3804383B1 (en) Cell assignment in wireless networks
EP3382904B1 (en) Efficient beam search methods for three-dimensional beamforming with non-precoded reference signals
Urmonov et al. Multi-agent deep reinforcement learning for enhancement of distributed resource allocation in vehicular network
JP7439948B2 (ja) 通信情報予測装置、通信情報予測方法、および通信情報予測プログラム
CN115913486A (zh) 信息上报方法、装置、终端及可读存储介质
WO2022260651A1 (en) Transmitter detection in shared spectrum band
JP7278120B2 (ja) 無線通信装置、無線通信方法、および、プログラム
Lindner et al. Time-and frequency-domain dynamic spectrum access: learning cyclic medium access patterns in partially observable environments
JP2020182155A (ja) 基地局および基地局の通信方法
EP3282797A1 (en) Methods for a mobile communication system, a base station, and a mobile station, mobile communication system, base station, and mobile station
WO2023242918A1 (ja) 無線通信システム、無線通信方法及び無線通信装置
US12035295B2 (en) Scheduling apparatus, scheduling method and program
KR20180045705A (ko) 무선랜 시스템의 네트워크 장치에서의 스케줄링을 위한 방법 및 장치
US20230199565A1 (en) Methods and devices for management of the radio resources
US20230336318A1 (en) Interference avoidance for cellular networks

Legal Events

Date Code Title Description
A80 Written request to apply exceptions to lack of novelty of invention

Free format text: JAPANESE INTERMEDIATE CODE: A80

Effective date: 20180330

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20201001

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210819

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210824

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211018

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: 20211102

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211105

R150 Certificate of patent or registration of utility model

Ref document number: 6978777

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150