JP7287680B2 - 学習装置、通信システム、学習方法及び学習プログラム - Google Patents

Description

本発明は、学習装置、通信システム、学習方法及び学習プログラムに関する。

近年、通信網の高速化が進んでおり、いかに速くデータ通信を行うことができるかが製品としての魅力の一つになっている。しかし、通信網の高速化に比例して消費電力は大きくなっている上に通信機器は通信していない状態でも一定の電力を消費する。特に無線通信ではアクセス要求の有無にかかわらず定期的にネットワーク内のすべての端末装置にビーコンと呼ばれる信号を送信するため、消費電力量も大きい。

関連する技術として、例えば、特許文献１や２が知られている。特許文献１には、スマートフォンなどのモバイル機器において、通信の送信要求が発生した場合に、将来発生する通信予測の結果、及び、通信の接続状態に基づいて、省電力の観点から、送信要求に対して送信処理を実行するタイミングを判断することが記載されている。特許文献２には、ＬＡＮ（Local Area Network）スイッチなどのネットワーク機器において、通信速度を下げる等により消費電力を低減することが記載されている。

特開２０１５－２０１６９８号公報 特開２０１１－２３４３０４号公報

上記のように関連する技術では、送信要求に対して送信処理を実行するタイミングや通信速度等を制御することにより消費電力を削減させている。しかしながら、関連する技術では、適切に通信装置の消費電力の低減を図ることが困難であるという問題がある。

本開示は、このような課題に鑑み、適切に通信装置の消費電力の低減を図ることが可能な学習装置、通信システム、学習方法及び学習プログラムを提供することを目的とする。

本開示に係る学習装置は、端末装置が接続された通信装置から、前記端末装置の通信状況情報を取得する取得部と、前記通信装置の省エネレベルを教師データとして、前記通信状況情報を機械学習する学習部と、を備えるものである。

本開示に係る通信システムは、端末装置が接続された通信装置と、学習装置とを備え、前記学習装置は、前記通信装置から、前記端末装置の通信状況情報を取得する取得部と、前記通信装置の省エネレベルを教師データとして、前記通信状況情報を機械学習する学習部と、を備えるものである。

本開示に係る学習方法は、端末装置が接続された通信装置から、前記端末装置の通信状況情報を取得し、前記通信装置の省エネレベルを教師データとして、前記通信状況情報を機械学習するものである。

本開示に係る学習プログラムは、端末装置が接続された通信装置から、前記端末装置の通信状況情報を取得し、前記通信装置の省エネレベルを教師データとして、前記通信状況情報を機械学習する、処理をコンピュータに実行させるための学習プログラムである。

本開示によれば、適切に通信装置の消費電力の低減を図ることが可能な学習装置、通信システム、学習方法及び学習プログラムを提供することができる。

実施の形態に係る通信システムの概要を示す構成図である。 実施の形態に係る学習装置の概要を示す構成図である。 実施の形態１に係る通信システムの構成例を示す構成図である。 実施の形態１に係る接続端末の構成例を示す構成図である。 実施の形態１に係る通信機器の構成例を示す構成図である。 実施の形態１に係る学習装置の構成例を示す構成図である。 実施の形態１に係る通信システムの動作例を示すフローチャートである。 実施の形態１に係る通信システムの動作例を説明するための図である。 実施の形態１に係る通信システムで使用するデータ例を示す図である。 実施の形態１に係る通信システムの動作例を示すシーケンス図である。 実施の形態１に係る接続端末の表示例を示す図である。 実施の形態１に係る学習装置で使用するデータ例を示す図である。 実施の形態１に係る省エネレベル、要求内容及び通信量の対応関係を示す図である。 実施の形態１に係る想定する利用状況と通信量の関係を示す図である。 実施の形態１に係る学習装置で使用するデータ例を示す図である。 実施の形態１に係る学習方法を説明するための図である。 実施の形態１に係る通信システムの動作例を示すシーケンス図である。 実施の形態１に係る学習装置で使用するデータ例を示す図である。

以下、図面を参照して実施の形態について説明する。説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略される。

（実施の形態の概要）
上記のように、近年、通信速度の高速化により、消費電力が増大していることから、利用時の通信速度を維持しつつ消費電力を削減する方法が求められている。例えば、ユーザが使用したいときに通信は高速な状態を保ちつつ、利用していないときに消費電力を減らすことが望まれる。

ユーザが自分で活動時間を定めてスケジュールを組む方法が考えられるが、生活スタイルが変わるたびにスケジュールを組むのはユーザに多大な負担がかかる。加えて自身の通信量の多い時間帯を把握しているユーザは少なくスケジュールで通信の速度を調整するのは現実的ではない。

そこで、実施の形態は、通信機器の消費電力に関するもので、ユーザの使用状況を学習することで生活スタイルに合わせて通信しない時間を予測し、その時間の消費電力を抑えることによりユーザがストレスを感じることなく節電を実現できることを特徴とする。

実施の形態では、ユーザの使用状況を学習し、予測した結果を用いて通信速度の加減、機能の抑制を行うことにより、ユーザが利用時間を個別に設定する負担を減らし、通信速度に不満を持たずに消費電力を抑えることを可能とする。

図１及び図２を用いて、実施の形態の概要について説明する。図１は、実施の形態に係る通信システムの概要を示し、図２は、実施の形態に係る学習装置の概要を示している。図１に示すように、実施の形態に係る通信システム１は、学習装置１０、通信装置２０、端末装置３０を備えている。学習装置１０と通信装置２０とは通信可能に接続され、通信装置２０と端末装置３０とは通信可能に接続される。

図２に示すように、実施の形態に係る学習装置１０は、取得部１１、学習部１２を備えている。取得部１１は、端末装置３０が接続された通信装置２０から、端末装置３０の通信状況を示す通信状況情報を取得する。学習部１２は、通信装置２０の消費電力を低減する省エネレベルを教師データとして、取得部１１が取得した通信状況情報を機械学習する。

このように、実施の形態では、端末装置の通信状況情報を、通信装置の省エネレベルを教師データとして機械学習することにより、通信状況に応じた省エネレベルを得ることが可能となる。したがって、学習装置の学習結果を利用することにより、適切に通信装置の消費電力の低減を図ることができる。

（実施の形態１）
以下、図面を参照して実施の形態１の構成及び動作について説明する。

＜構成＞
図３～図６を用いて、本実施の形態の構成について説明する。図３は、本実施の形態に係る通信システムの構成例を示し、図４は、本実施の形態に係る接続端末の構成例を示し、図５は、本実施の形態に係る通信機器の構成例を示し、図６は、本実施の形態に係る学習装置の構成例を示している。

図３に示すように、本実施の形態に係る通信システム２は、学習装置１００、通信機器２００、接続端末３００を備えている。通信システム２は、複数の接続端末３００を備えることができる。なお、学習装置１００の機能の一部または全部を通信機器２００に含めてもよい。例えば、学習装置１００と通信機器２００を一つの装置としてもよい。また、各装置の構成は一例であり、後述の動作（方法）が可能であれば、その他の構成でもよい。

接続端末３００は、ユーザが操作するユーザ端末であり、アプリケーションプログラムやユーザの操作等に応じて通信機器２００と通信を行う端末装置である。例えば、接続端末３００は、無線通信を行う無線端末であるが、有線通信を行う有線端末でもよい。接続端末３００は、スマートフォンや携帯電話、タブレット端末等のモバイル機器でもよいし、パーソナルコンピュータ等のコンピュータ装置でもよい。

図４に示すように、接続端末３００は、通信部３１０、要求送信部３２０、表示部３３０、操作部３４０を備えている。通信部３１０は、通信機器２００との間で有線または無線による接続を介して通信を行う。例えば、通信部３１０は、無線接続することで通信機器２００と通信を行うが、必要に応じて有線接続してもよい。

要求送信部３２０は、ユーザの操作に応じた制御要求を通信機器２００へ送信する。制御要求は、通信機器２００の通信速度や機能のＯＮ／ＯＦＦを制御するコマンドである。なお、後述のように、制御要求は省エネレベルに対応しているため、制御要求により省エネレベルを要求してもよい。

表示部３３０は、通信状態やＧＵＩ（Graphical User Interface）などを表示画面に表示する表示装置である。表示部３３０は、例えば、液晶ディスプレイや有機ＥＬ（Electro Luminescence）ディスプレイ等である。

操作部３４０は、ユーザの操作に応じて情報を入力する入力インタフェース（入力部）である。操作部３４０は、例えば、表示部３３０に表示されるＧＵＩであり、キーボードやマウス、タッチパネル等の入力装置から、ユーザの操作に応じた情報が入力される。

通信機器２００は、接続端末３００とユーザのための通信を行うとともに、学習装置１００と学習のための通信を行うネットワーク機器（通信装置）である。通信機器２００は、複数の接続端末３００と通信可能である。例えば、通信機器２００は、無線通信を行う無線中継装置であるが、有線通信を行う有線中継装置でもよい。通信機器２００は、無線ＬＡＮのアクセスポイントやルータ、携帯電話の基地局装置でもよいし、有線ＬＡＮのルータやスイッチなどでもよい。

図５に示すように、通信機器２００は、通信部２１１、通信部２１２、通信制御部２２０、無線通信制御部２３０、通信状況通知部２４０、予測結果取得部２５０、動作制御部２６０、要求受信部２７０、要求通知部２８０を備えている。

通信部２１１は、接続端末３００との間で有線または無線による接続を介して通信を行う。例えば、通信部２１１は、無線接続することで接続端末３００と通信を行うが、必要に応じて有線接続してもよい。通信部２１２は、学習装置１００との間で有線または無線による接続を介して通信を行う。通信部２１２は、学習のための通信が可能であれば、任意の方法で接続されてもよい。なお、通信部２１１と通信部２１２を一つの通信部として、接続端末３００及び学習装置１００の両方と通信を行ってもよい。

通信制御部２２０は、通信部２１１における接続端末３００との通信を制御する制御部であり、また、通信部２１１における接続端末３００（ユーザ）の通信状況を測定する測定部である。例えば、通信制御部２２０は、物理レイヤ（無線レイヤ）よりも上位レイヤの通信を制御する。通信制御部２２０は、測定部の例として、通信量測定部２２１、通信時間測定部２２２を備える。通信量測定部２２１は、通信部２１１における接続端末３００の通信（接続）ごとの通信量を測定する。通信時間測定部２２２は、通信部２１１における接続端末３００の通信ごとの通信時間（接続時間）を測定する。

無線通信制御部２３０は、通信部２１１における接続端末３００との無線通信を制御する制御部であり、また、通信部２１１における接続端末３００（ユーザ）の無線通信状況を測定する測定部である。例えば、通信制御部２２０は、物理レイヤ（無線レイヤ）の通信を制御する。無線通信制御部２３０は、測定部の例として、電波強度測定部２３１、接続端末測定部２３２を備える。電波強度測定部２３１は、通信部２１１における接続端末３００の無線通信（無線接続）ごとの電波強度を測定する。接続端末測定部２３２は、通信部２１１に接続されている接続端末数を測定する。

通信状況通知部２４０は、通信制御部２２０及び無線通信制御部２３０が測定した通信状況（通信状況情報）を学習装置１００へ通知する。通信状況通知部２４０は、測定された通信量、通信時間、電波強度、接続端末数に、日付、曜日等を加えて通知する。

予測結果取得部２５０は、学習装置１００が現在の通信状況から予測した予測結果を取得する。例えば、予測結果取得部２５０は、予測結果として学習モデルが予測した省エネレベルを取得する。要求受信部２７０は、接続端末３００からユーザの操作に応じた制御要求を受信する。要求通知部２８０は、接続端末３００から受信した制御要求の要求内容を学習装置１００へ通知する。

動作制御部２６０は、学習装置１００が予測した省エネレベル、または、接続端末３００から受信した制御要求に応じて通信部２１１の動作を制御する。なお、通信部２１１に限らず、通信部２１２を制御してもよい。２つの通信部を制御することで、さらに消費電力を削減できる。動作制御部２６０は、制御部の例として、通信速度制御部２６１、機能制御部２６２を備える。通信速度制御部２６１は、省エネレベル及び制御要求に従って通信部２１１の通信速度を制御する。機能制御部２６２は、省エネレベル及び制御要求に従って通信部２１１の機能のＯＮ／ＯＦＦを制御する。例えば、通信部２１１の通信機能の全体をＯＮ／ＯＦＦしてもよいし、通信部２１１の通信機能の一部をＯＮ／ＯＦＦしてもよい。一部の機能を制御する場合、無線機能（物理レイヤ）をＯＮ／ＯＦＦしてもよいし、一部の通信ポートをＯＮ／ＯＦＦしてもよい。なお、通信速度や機能のＯＮ／ＯＦＦに限らず、消費電力を削減するためのその他の制御を行ってもよい。例えば、ビーコンを送信する場合、ビーコンの送信間隔を制御してもよいし、出力する電波の強度を制御してもよい。複数の通信方式が利用できる場合、消費電力の低い通信方式を選択してもよい。

学習装置１００は、通信機器２００における通信状況を学習する学習モデル生成装置であり、また、学習結果から現在の通信状況に応じた省エネレベル（次の通信状況）を予測する予測装置でもある。学習装置１００は、例えば、パーソナルコンピュータやサーバコンピュータ等のコンピュータ装置である。

図６に示すように、学習装置１００は、通信部１１０、通信状況取得部１２０、要求取得部１３０、情報制御部１４０、情報格納部１５０、状態観測部１６０、判定データ取得部１７０、学習部１８０、予測部１９０を備えている。通信部１１０は、通信機器２００との間で有線または無線による接続を介して通信を行う。通信機器２００と同様、通信部１１０は、学習のための通信が可能であれば、任意の方法で接続されてもよい。

通信状況取得部１２０は、通信機器２００から接続端末３００の通信状況（通信状況情報）を取得する。例えば、通信状況取得部１２０は、学習動作時、学習に使用するために複数の通信状況を取得し、また、予測動作時、予測に使用するために現在の通信状況を取得する。要求取得部１３０は、通信機器２００から接続端末３００が要求した制御要求の要求内容を取得する。例えば、要求取得部１３０は、学習動作時、学習に使用するために要求内容を取得する。

情報格納部１５０は、学習装置１００の学習動作や予測動作等に必要な情報を格納する。例えば、情報格納部１５０は、フラッシュメモリなどの不揮発性メモリやハードディスク装置等である。情報制御部１４０は、情報格納部１５０における情報の格納や取得を制御する。情報制御部１４０は、情報管理部１４１、情報登録部１４２を備える。

情報管理部１４１は、要求された情報を情報格納部１５０から取得する。例えば、情報管理部１４１は、状態観測部１６０または判定データ取得部１７０が利用するデータを情報格納部１５０から取得し、取得したデータを状態観測部１６０または判定データ取得部１７０へ出力する。情報登録部１４２は、取得された情報を情報格納部１５０に登録（格納）する。情報登録部１４２は、通信機器２００から取得された通信状況及び要求内容（行動データ）を情報格納部１５０に格納する。例えば、通信状況情報は、学習用のデータ形式の状態データ、または、予測用のデータ形式の判定データとして格納される。

状態観測部１６０は、学習動作時、情報格納部１５０から情報管理部１４１を介して、学習モデル１８１の生成に使用する状態データを取得する。学習部１８０は、ニューラルネットワークを用いて、取得された複数の通信状況を含む状態データを学習する。例えば、学習部１８０は、状態データをニューラルネットワークの入力層に入力するとともに、状態データ（または要求内容）から教師データを分類（生成）し、学習モデル１８１を生成する。学習モデル１８１は、情報格納部１５０に格納してもよい。学習部１８０は、機械学習のための教師データを生成する生成部であるとも言える。例えば、学習部１８０は、省エネレベルを教師データとして機械学習する。学習部１８０は、通信状況情報に含まれる通信量や、制御要求の要求内容に基づいて教師データを生成する。学習モデル１８１は、現在の通信状況から次の時刻の通信状況に対応した省エネレベルを予測する予測モデルである。省エネレベルは、通信機器２００の消費電力を低減するレベルであり、接続状態に対応しており、高くなるほど通信機能の抑制や通信速度の低速化を行い、電力消費量を抑えることが可能になる。省エネレベルは、通信機器２００が、通信機器２００の通信速度、または、通信機器２００の通信機能のＯＮ／ＯＦＦを制御するための指標でもある。

なお、学習モデル１８１は、現在の通信状況から次の時刻の通信状況（接続状態）を予測しているとも言える。予測する次の時刻は、現在よりも後の任意の時刻でもよい。接続状態とは、ユーザがその時間どのくらい無線端末（接続端末３００）で通信をしているかを表す。例えば、接続状態には、テレビ電話等の「リアルタイムでのレスポンスが必要になる通信（リアルタイムを求める状態）」や、動画再生やファイルのダウンロード等、ユーザが頻繁に通信を行い「速い通信速度が要求される状態」、頻度は高くないがデータの送受信が行われ通信速度が「遅くても支障が出ない状態」、無線端末は接続されているが「ユーザは操作していない状態」、「何も端末が繋がれていない状態」がある。これらの状態にそれぞれ対応した省エネレベルを予測する。

判定データ取得部１７０は、予測動作時、情報格納部１５０から情報管理部１４１を介して、省エネレベルを予測するための判定データを取得する。予測部１９０は、学習部１８０で生成された学習モデル１８１を利用して、判定データから省エネレベル（制御動作）を予測し、予測結果を通信機器２００へ通知する。これにより、ユーザの次の行動を予測し自動的に通信機器２００の動作を制御することができる。

＜動作の概要＞
次に、図７及び図８を用いて、本実施の形態の動作の概要について説明する。図７及び図８は、本実施の形態に係る通信システムの動作の流れを示している。ここでは、学習装置１００がユーザの通信状況（接続情報）を集計して学習し、学習モデルから予測した予測結果を通信機器２００にフィードバックする動作について説明する。図７及び図８において、Ｓ１０１～Ｓ１０４は、通信状況を学習する学習動作を示し、Ｓ１０５～Ｓ１０７は、学習結果から予測及び制御を行う予測動作（予測制御動作）を示している。なお、学習動作及び予測動作は、必要に応じて繰り返し行われる。すなわち、学習モデルを生成した後、さらに、通信状況や制御要求に基づいて学習モデルが更新（学習）される。

まず、通信機器２００は、学習装置１００との間で通信（接続）を確立し、学習装置１００と通信可能な状態となっている。また、通信機器２００にユーザが利用する接続端末３００が接続（無線接続）されている。

図７及び図８に示すように、一定時間経過後、通信機器２００は、接続端末３００の通信状況（通信状況情報）を学習装置１００へ通知する（Ｓ１０１）。通信機器２００は、接続端末３００の通信状況情報を通知し、学習装置１００は、通知された通信状況情報を、学習のための状態データとして保持する。学習装置１００は、一定期間、学習に必要な複数の状態データ（通信状況情報）を蓄積する。
図９は、通知及び学習する通信状況情報の一例を示している。図９に示すように、通信状況情報は、例えば、通信（接続）ごとの日付、曜日、Mac address、接続時間（通信時間）、通信量、電波強度、接続端末数を含んでいる。日付及び曜日は、通信が行われた日付（日時）及び曜日であり、例えば、通信（接続）が確立（開始）された日付及び曜日である。Mac addressは、接続端末３００の識別情報であり、IP addressなどその他の識別情報でもよい。接続時間は、通信（接続）が確立（開始）されてから切断（終了）されるまでの時間（例えば秒）である。通信量は、確立された通信（接続）を介して送受信されるデータ量（例えばバイト）である。電波強度は、接続端末３００の電波の受信信号強度（RSSI : Received Signal Strength Indicator）、すなわち、接続端末３００から受信する電波の強度（例えばｄＢｍ）である。接続端末数は、接続端末３００の通信が行われている間に通信部２１１に接続された端末（接続されている状態の端末）の数である。通信状況情報は、少なくとも接続状態の予測（学習）に関連する情報であり、これらのいずれかを含んでもよいし、その他の情報を含んでもよい。例えば、曜日及び通信量から、特定の曜日の通信量の特徴を抽出し、特定の曜日の要求される通信速度が予測可能である。接続時間及び通信量から、接続端末の使用時間を予測し、特定の時間の要求される通信速度が予測可能である。電波強度及び通信量から、特定の電波強度（通信機器からの距離に応じたユーザの現在位置）の通信量の特徴を抽出し、特定の電波強度の「ユーザが操作していない状態」を予測可能である。接続端末数及び曜日から、特定の曜日の「何も端末が繋がれていない状態」を予測可能である。

また、通信機器２００は、接続端末３００から制御要求を受信すると、受信した制御要求の要求内容を学習装置１００へ通知する（Ｓ１０２）。通信機器２００は、接続端末３００から通信速度変更要求、機能ＯＮ要求、機能ＯＦＦ要求のいずれかを受信した場合、受信した要求に応じて通信速度や機能の動作を制御し、その要求内容を学習装置１００へ通知する。学習装置１００は、通知された要求内容を、学習のための行動データとして保持する。また、通信機器２００は、接続端末３００から制御要求を受信した場合も、Ｓ１０１と同様に接続端末３００の通信状況情報を学習装置１００へ通知する。

次に、学習装置１００は、教師あり学習を行うために、教師データを生成する（Ｓ１０３）。この例では、教師データ（教師ラベル）は、通信速度や機能ＯＮ／ＯＦＦの段階に対応した省エネレベルである。なお、状態データと省エネレベルを含めて教師データとしてもよい。状態データの教師データを生成するとは、状態データを省エネレベルに分類することであるとも言え、また、状態データに対応する省エネレベル（教師ラベル）を付与することであるとも言える。

例えば、接続端末３００から制御要求を受信している場合、その要求内容となる行動データに基づいて教師データを生成する。また、接続端末３００から制御要求を受信していない場合、状態データに含まれる通信料に基づいて教師データを生成する。すなわち、通信量が大きい場合は通信速度の速い状態が最適であるように学習するため、通信量の大きさから分類する。

次に、学習装置１００は、通信状況（状態データ）を学習し、学習モデル１８１を生成する（Ｓ１０４）。学習装置１００は、状態データ及び教師データ（省エネレベル）を用いて学習モデル（予測モデル）１８１を生成する。学習装置１００は、複数の状態データを時系列に機械学習することで、次の時刻の通信状況を予測する学習モデル１８１を生成する。その際、ユーザの要望が最優先されるように学習するため、行動データ（要求内容）が教師となるように状態データに重みを付ける。

次に、学習装置１００は、現在の通信状況から省エネレベルを予測する（Ｓ１０５）。学習モデル１８１が生成された後、Ｓ１０１と同様、通信機器２００は、接続端末３００の通信状況（通信状況情報）を通知し、学習装置１００は、通知された現在の通信状況を判定データとして、学習モデルを用いて省エネレベル（ユーザの次の接続状況）を予測する。

次に、学習装置１００は、予測結果である省エネレベルを通信機器２００へ通知し（Ｓ１０６）、通信機器２００は、通知された省エネレベルに応じて通信部２１１の動作を制御する（Ｓ１０７）。通信機器２００は、省エネレベルに対応した通信速度及び機能ＯＮ／ＯＦＦを制御する。省エネレベルが高い場合、通信速度を低く、また、機能をＯＦＦに制御し、省エネレベルが低い場合、通信速度を高く、また、機能をＯＮに制御する。このようにして、通信機器２００は学習装置１００で予測された結果を用いてユーザの使用状況に対応した消費電力の削減が可能となる。

＜具体的な動作＞
次に、本実施の形態の具体的な動作について説明する。図１０を用いて、学習装置１００が、通信機器２００から取得したデータから学習モデルを生成する処理について説明する。なお、図１０は、図７のＳ１０１～Ｓ１０４の学習動作に対応している。

図１０に示すように、通信機器２００の通信部２１２と学習装置１００の通信部１１０は、通信機器２００と学習装置１００の間の通信（接続）を確立する（Ｓ２０１）。また、通信機器２００の通信部２１１と接続端末３００の通信部３１０は、通信機器２００と接続端末３００の間の通信（無線接続）を確立する（Ｓ２０２）。これにより、通信機器２００と学習装置１００との間、通信機器２００と接続端末３００との間のそれぞれで、データ通信可能な状態（接続された状態）となる。

次に、接続端末３００の要求送信部３２０は、ユーザの操作に応じて制御要求（機能制御要求）を送信するか否か判定し（Ｓ２０３）、送信すると判定された場合、通信を確立している通信機器２００に対して制御要求を送信する（Ｓ２０４）。例えば、ユーザが接続端末３００を使用している際に、通信状況を変更したい場合、接続端末３００を操作し、接続端末３００がその操作に応じて制御要求を送信する。

図１１は、接続端末３００の表示部３３０に表示される制御要求用のＧＵＩの例を示している。例えば、接続端末３００は通信機器２００に制御要求を送るためのアプリケーションプログラムを搭載し、アプリケーションプログラムを実行することで、表示部３３０に制御要求用のＧＵＩが表示される。図１１の例では、表示部３３０に省エネレベルに対応した制御要求（高速通信／低速通信／一部機能ＯＦＦ／機能ＯＦＦ）を示すボタンＢ１～Ｂ４が表示される。ユーザがボタンＢ１～Ｂ４のいずれかを選択操作すると、選択されたボタンに対応する制御要求が送信される。この機能により、学習モデルの生成後にユーザが予測結果に不満があった場合、すぐに通信機器２００の制御を変更し学習に反映させることが可能になる。

次に、通信機器２００の要求受信部２７０は、接続端末３００から制御要求を受信したか否か判定し（Ｓ２０５）、制御要求を受信したと判定した場合、動作制御部２６０は、受信した制御要求にしたがって通信部２１１の動作を制御する（Ｓ２０６）。例えば、通信速度制御部２６１は、高速通信／低速通信の要求に応じて、通信部２１１の通信速度を高速／低速に制御し、機能制御部２６２は、一部機能ＯＦＦ／機能ＯＦＦの要求に応じて通信部２１１の一部機能／全機能をＯＦＦする。

次に、通信機器２００の要求通知部２８０は、受信した制御要求の要求内容（高速通信／低速通信／一部機能ＯＦＦ／機能ＯＦＦ）を学習装置１００に通知する（Ｓ２０７）。学習装置１００の要求取得部１３０は、通信機器２００から要求内容を取得し、情報格納部１５０は、取得した要求内容（行動データ）を格納する。

次に、要求内容を通知した後、または、制御要求を受信しない場合、通信機器２００の通信量測定部２２１は、確立している接続端末３００の通信（接続）の通信量を測定し（Ｓ２０８）、通信時間測定部２２２は、接続端末３００の通信の通信時間を測定し（Ｓ２０９）、電波強度測定部２３１は、接続端末３００の通信における電波強度を測定する（Ｓ２１０）。また、接続端末測定部２３２は、接続端末３００の通信の間に通信部２１１に接続された接続端末数を測定する。

次に、通信機器２００の通信状況通知部２４０は、測定した通信量、通信時間、電波強度、接続端末数に、その通信の日付及び曜日、接続端末３００のMac addressを加えて通信状況情報とし、学習装置１００へ通知する（Ｓ２１１）。

次に、学習装置１００の通信状況取得部１２０は、通信機器２００から通信状況情報を取得し、情報格納部１５０（状態データベース）は、取得した通信状況情報を、学習する際に入力データとなる状態データの形式として格納する（Ｓ２１２）。

次に、学習装置１００の状態観測部１６０は、格納された状態データを取得し、学習部１８０は、取得された状態データから学習モデル１８１を生成する（Ｓ２１３）。

図１２は、学習モデル生成に利用されるデータの一例である。図１２に示すように、状態データは、ユーザの生活スタイルを加味した無線端末の使用状況を予測するために、実際に使用している各曜日、日付毎の通信量、無線端末を使用している時間、つまり通信時間（接続時間）を含む。また、状態データは、ユーザが特定の場所（浴室、リビング等）にいるときの通信量を学習することでユーザの現在位置からも無線端末の使用状況を予測するために電波強度を含む。

状態データは、日付、曜日、Mac address、接続時間、通信量、電波強度、接続端末数（すなわち通信状況情報）に、さらに要求の有無が付加されている。例えば、要求の有無は、状態データの格納時（通信状況情報受信時）に、制御要求の受信の有無に応じて設定される。

学習部１８０は、状態データに含まれる日付、曜日、Mac address、接続時間、通信量、電波強度、接続端末数（すなわち通信状況情報）を入力データとし、要求の有無に応じて行動データから制御要求の要求内容を参照する。学習部１８０は、制御要求がある場合はその要求内容に対応する省エネレベルを教師データとし、制御要求が無い場合は通信量の大きさに応じた省エネレベルを教師データとする。通信量を指標とした省エネレベルの付与は、値が高くなるほど消費電力が大きくなるように行う。

図１３は、省エネレベル、要求内容及び通信量の対応関係（省エネレベルデータ）の例を示している。図１３に示すように、要求内容の高速通信、低速通信、一部機能ＯＦＦ、機能ＯＦＦは、それぞれ省エネレベル１～４に対応する。また、４段階に区分された通信量は、大きい順に省エネレベル１～４に対応する。学習装置１００及び通信機器２００は、このような省エネレベルデータを予め保持している。学習部１８０は、図１３の対応関係に基づき、要求内容または通信量に応じて教師データを生成する。

図１４は、想定する利用状況と通信量の関係、具体的には、省エネレベル、通信量、接続状態、想定する利用状況の関係の例を示している。この例では、省エネレベル１～５は、通信量大～通信量小、通信なしに対応する。例えば、省エネレベル１は、「リアルタイムを求める状態」であり、「頻繁にデータのやり取りをする、速度の低下がユーザの操作に支障をきたす（ビデオチャットでの映像の乱れなど）」という状況が想定される。省エネレベル２は、「速い通信速度が要求される状態」であり、「ユーザが無線端末を利用し続けている」という状況が想定される。省エネレベル３は、「遅くても支障が出ない状態」であり、「ユーザが無線端末を使い続けてはいないが、データの送受信は行っている」という状況が想定される。省エネレベル４は、「ユーザが操作していない状態」であり、「データを受信しているだけの状態」が想定される。省エネレベル５は、「何も端末が繋がれていない状態」である。

図１５及び図１６を用いて、学習部１８０の学習動作の例を説明する。例えば、図１５に示すように、ニューラルネットワークの入力層に入力データ（日付、曜日、Mac address、接続時間、通信量、電波強度、接続端末数）が入力されると、中間層を介して出力層からデータの特徴量に応じた省エネレベルが出力データとして出力される。中間層において、各データの共通部分、非共通部分から各レベルを判定する特徴を取得し、入力データに対する出力が教師データに近づくように学習し、学習モデルを生成する。取得した各状態データを通信量から決めた省エネレベルへ判定するように学習することで、データの類似項目から省エネレベル予測の特徴となる情報、特定の曜日、電波強度、接続時間を特定する。

図１６は、学習モデルの生成に使用するニューラルネットワークの例を示している。学習部１８０は、時系列の状態データを学習するため、例えばＬＳＴＭ（Long Short Term Memory）を利用する。図１６に示すように、ＬＳＴＭに時系列の入力データ（ｘ）（日付、曜日、Mac address、接続時間、通信量、電波強度、接続端末数）を入力することで、出力データ（ｙ）として各時間の省エネレベルが出力される。なお、ＬＳＴＭに限らず時系列データを学習可能なＲＮＮ（Recurrent Neural Network）を利用してもよい。

ＬＳＴＭはディープラーニングの手法の一つであり、その特徴は時系列データを扱うモデルである。従来のニューラルネットワークでは未知のデータを分類することはできるが、次の動作を予測することには不適当なモデルであるため、時系列データを扱うＬＳＴＭが拡張された。時系列データとは時間の経過に従って観測されたデータであり、本実施の形態の状態データは日付の時間経過に従って取得されているので時系列データとなる。時系列データを扱うことにより前の時間帯の状態を保持しながら学習することが可能となる。よって、時間ごとの通信状況の流れを学習に反映することにより次のユーザの通信状況を予測することが可能である。

次に、図１７を用いて、学習装置１００が生成された学習モデルを用いて省エネレベル予測し、通信機器２００が機能制御を行うまでの処理について説明する。なお、図１７は、図７のＳ１０５～Ｓ１０７の予測動作に対応している。

図１７に示すように、図１０のＳ２０１と同様、通信機器２００の通信部２１２と学習装置１００の通信部１１０は、通信機器２００と学習装置１００と間の通信（接続）を確立する（Ｓ３０１）。これにより、通信機器２００と学習装置１００との間でデータ通信可能な状態（接続された状態）となる。

次に、図１０のＳ２０８～Ｓ２１１と同様、通信機器２００の通信量測定部２２１は、接続を確立している接続端末３００の通信量を測定し（Ｓ３０２）、通信時間測定部２２２は、接続端末３００の通信時間を測定し（Ｓ３０３）、電波強度測定部２３１は、接続端末３００の電波強度を測定し（Ｓ３０４）、通信状況通知部２４０は、測定結果を含む通信状況情報を、通信が確立している学習装置１００に通知する（Ｓ３０５）。

次に、学習装置１００の通信状況取得部１２０は、通信機器２００から通信状況情報を取得し、情報格納部１５０（判定データベース）は、取得した通信状況情報を、予測のための入力データとなる判定データの形式として格納する（Ｓ３０６）。

次に、学習装置１００の判定データ取得部１７０は、格納された判定データを取得し、予測部１９０は、取得された判定データを学習モデル１８１に入力し（Ｓ３０７）、省エネレベル（接続状態）を予測する（Ｓ３０８）。

図１８は省エネレベルの予測に利用されるデータの一例である。判定データは、通信状況情報と同様、日付、曜日、Mac address、接続時間、通信量、電波強度、接続端末数を含み、これらを入力データとして学習モデルに入力する。例えば、予測する際、現在の日付から接続端末数を、通信機器２００から取得し判定データとする。予測部１９０（学習モデル）は、判定データから学習して取得した特徴との類似度を計算し、一番類似するデータの多い省エネレベルを判定する。

次に、学習装置１００の予測部１９０は、予測結果である機能制御の段階を指定する省エネレベルを通信機器２００に通知する（Ｓ３０９）。通信機器２００の予測結果取得部２５０は、学習装置１００から予測結果を取得し、動作制御部２６０は、受信した予測結果にしたがって動作を制御する（Ｓ３１０）。例えば、図１３の対応関係に基づき、省エネレベル１の場合、通信速度制御部２６１は通信部２１１の通信速度を高速に制御し、省エネレベル２の場合、通信速度制御部２６１は通信部２１１の通信速度を低速に制御し、省エネレベル３の場合、機能制御部２６２は通信部２１１の一部機能をＯＦＦに制御し、省エネレベル４の場合、機能制御部２６２は通信部２１１の全機能をＯＦＦに制御する。

＜効果＞
以上のように、本実施の形態では、ユーザの通信量、接続時間、接続端末数、電波強度を集計して学習した学習モデルに基づいて、現在のユーザの状態から先の利用状況を予測し、その予測結果から通信機器の消費電力を削減させることを可能とする。これにより、次のような効果が得られる。第１の効果として、ユーザの生活スタイルに合わせて自動的に消費電力を低減させることができるため、節電の設定に関わる操作におけるユーザの負荷を減少させることが可能である。第２の効果として、ユーザの接続状況を予測した結果を用いて、ユーザの使用したいときに適切な通信速度に切り替えることが可能である。第３の効果として、アプリからユーザの反応を反映できるため、よりユーザの意思を加味した接続状況を予測することが可能である。第４の効果として、電波強度を学習することでユーザの位置関係から接続状況を予測することが可能である。

（その他の実施の形態）
上記実施の形態において、以下のような構成や方法としてもよい。
（１）ユーザからのアクションをユーザの表情から判断した感情やユーザがアプリに話しかけた内容にすることも可能である。すなわち、これらの情報を含めて学習及び予測を行ってもよい。
（２）ユーザの接続情報を学習するのに利用した通信情報は、変更・追加することが可能である。
（３）学習時の教師データを通信量の大きさを使用する例としていたが、別のデータを利用することも可能である。
（４）学習時にユーザからの要求が教師データになっている状態データのみに重みを付けていたが、例えば接続切断時のデータなど他の状態データにも重みを付けることが可能である。
（５）学習方法はニューラルネットワークの他にも、現在の接続状態をユーザが正解か不正解か判断し、その結果を学習することでユーザの利用時間帯を予測する手法として強化学習等で構築することも可能である。
（６）通信速度や機能ＯＦＦの段階を省エネレベルとしているが、他の要因に変更・追加することが可能である。

なお、本開示は上記実施の形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。

上述の実施形態における各構成は、ハードウェア又はソフトウェア、もしくはその両方によって構成され、１つのハードウェア又はソフトウェアから構成してもよいし、複数のハードウェア又はソフトウェアから構成してもよい。各装置の機能（処理）を、ＣＰＵやメモリ等を有するコンピュータにより実現してもよい。例えば、記憶装置に実施形態における方法を行うためのプログラムを格納し、各機能を、記憶装置に格納されたプログラムをＣＰＵで実行することにより実現してもよい。

これらのプログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（random access memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記１）
端末装置が接続された通信装置から、前記端末装置の通信状況情報を取得する取得部と、
前記通信装置の省エネレベルを教師データとして、前記通信状況情報を機械学習する学習部と、
を備える、学習装置。
（付記２）
前記通信状況情報は、前記端末装置の通信の日付、曜日、通信時間、通信量及び電波強度、前記通信装置に接続された接続端末数のいずれかを含む、
付記１に記載の学習装置。
（付記３）
前記学習部は、前記通信量に基づいて前記教師データを生成する、
付記２に記載の学習装置。
（付記４）
前記学習部は、前記端末装置から要求された制御要求に基づいて前記教師データを生成する、
付記１または２に記載の学習装置。
（付記５）
前記学習部は、前記通信装置が、前記通信装置の通信速度、または、前記通信装置の通信機能のＯＮ／ＯＦＦを制御するための前記省エネレベルを生成する、
付記１乃至４のいずれか一項に記載の学習装置。
（付記６）
前記学習部は、前記通信状況情報を時系列に学習し、次の時刻の通信状況に対応する前記省エネレベルを予測する学習モデルを生成する、
付記１乃至５のいずれか一項に記載の学習装置。
（付記７）
前記学習部は、ＬＳＴＭ（Long Short Term Memory）を用いて、前記学習モデルを生成する、
付記６に記載の学習装置。
（付記８）
前記学習モデルを用いて、前記通信状況情報から前記省エネレベルを予測する予測部を備える、
付記６または７に記載の学習装置。
（付記９）
端末装置が接続された通信装置と、学習装置とを備え、
前記学習装置は、
前記通信装置から、前記端末装置の通信状況情報を取得する取得部と、
前記通信装置の省エネレベルを教師データとして、前記通信状況情報を機械学習する学習部と、
を備える、通信システム。
（付記１０）
前記学習装置は、前記機械学習結果に基づいて、前記通信状況情報から次の時刻の通信状況に対応する前記省エネレベルを予測する予測部を備える、
付記９に記載の通信システム。
（付記１１）
前記通信装置は、前記予測された省エネレベルに応じて通信動作を制御する制御部を有する、
付記１０に記載の通信システム。
（付記１２）
端末装置が接続された通信装置から、前記端末装置の通信状況情報を取得し、
前記通信装置の省エネレベルを教師データとして、前記通信状況情報を機械学習する、
学習方法。
（付記１３）
前記通信状況情報は、前記端末装置の通信の日付、曜日、通信時間、通信量及び電波強度、前記通信装置に接続された接続端末数のいずれかを含む、
付記１２に記載の学習方法。
（付記１４）
付記１２または１３に記載の学習方法を実行する機能を有する通信装置。
（付記１５）
端末装置が接続された通信装置から、前記端末装置の通信状況情報を取得し、
前記通信装置の省エネレベルを教師データとして、前記通信状況情報を機械学習する、
処理をコンピュータに実行させるための学習プログラム。
（付記１６）
前記通信状況情報は、前記端末装置の通信の日付、曜日、通信時間、通信量及び電波強度、前記通信装置に接続された接続端末数のいずれかを含む、
付記１５に記載の学習プログラム。
（付記１７）
付記１５または１６に記載の学習プログラムを実行する機能を有する通信装置。

１、２ 通信システム
１０ 学習装置
１１ 取得部
１２ 学習部
２０ 通信装置
３０ 端末装置
１００ 学習装置
１１０ 通信部
１２０ 通信状況取得部
１３０ 要求取得部
１４０ 情報制御部
１４１ 情報管理部
１４２ 情報登録部
１５０ 情報格納部
１６０ 状態観測部
１７０ 判定データ取得部
１８０ 学習部
１８１ 学習モデル
１９０ 予測部
２００ 通信機器
２１１、２１２ 通信部
２２０ 通信制御部
２２１ 通信量測定部
２２２ 通信時間測定部
２３０ 無線通信制御部
２３１ 電波強度測定部
２３２ 接続端末測定部
２４０ 通信状況通知部
２５０ 予測結果取得部
２６０ 動作制御部
２６１ 通信速度制御部
２６２ 機能制御部
２７０ 要求受信部
２８０ 要求通知部
３００ 接続端末
３１０ 通信部
３２０ 要求送信部
３３０ 表示部
３４０ 操作部

Claims (10)

1. 端末装置が接続された通信装置から、前記端末装置の通信状況情報を取得する取得部と、
   前記通信装置の省エネレベルを教師データとして、前記通信状況情報を機械学習する学習部と、
   を備え、
   前記学習部は、前記端末装置から要求された制御要求に基づいて前記教師データを生成し、前記教師データを用いて前記通信状況情報を時系列に学習し、次の時刻の通信状況に対応する前記省エネレベルを予測する学習モデルを生成し、
   前記学習モデルを用いて、前記通信状況情報から前記省エネレベルを予測する予測部をさらに備える、
   学習装置。
2. 前記通信状況情報は、前記端末装置の通信の日付、曜日、通信時間、通信量及び電波強度、前記通信装置に接続された接続端末数のいずれかを含む、
   請求項１に記載の学習装置。
3. 前記学習部は、前記通信量に基づいて前記教師データを生成する、
   請求項２に記載の学習装置。
4. 前記学習部は、前記通信装置が、前記通信装置の通信速度、または、前記通信装置の通信機能のＯＮ／ＯＦＦを制御するための前記省エネレベルを生成する、
   請求項１乃至３のいずれか一項に記載の学習装置。
5. 前記学習部は、ＬＳＴＭ（Long Short Term Memory）を用いて、前記学習モデルを生成する、
   請求項１乃至４のいずれか一項に記載の学習装置。
6. 前記予測部は、前記予測された省エネレベルを前記通信装置に通知し、前記通信装置の通信動作を制御する、
   請求項１乃至５のいずれか一項に記載の学習装置。
7. 端末装置が接続された通信装置と、学習装置とを備え、
   前記学習装置は、
   前記通信装置から、前記端末装置の通信状況情報を取得する取得部と、
   前記通信装置の省エネレベルを教師データとして、前記通信状況情報を機械学習する学習部と、
   を備え、
   前記学習部は、前記端末装置から要求された制御要求に基づいて前記教師データを生成し、前記教師データを用いて前記通信状況情報を時系列に学習し、次の時刻の通信状況に対応する前記省エネレベルを予測する学習モデルを生成し、
   前記学習装置は、前記学習モデルを用いて、前記通信状況情報から前記省エネレベルを予測する予測部をさらに備える、
   通信システム。
8. 前記通信装置は、前記予測された省エネレベルに応じて通信動作を制御する制御部を有する、
   請求項７に記載の通信システム。
9. 端末装置が接続された通信装置から、前記端末装置の通信状況情報を取得し、
   前記通信装置の省エネレベルを教師データとして、前記通信状況情報を機械学習し、
   前記機械学習において、前記端末装置から要求された制御要求に基づいて前記教師データを生成し、前記教師データを用いて前記通信状況情報を時系列に学習し、次の時刻の通信状況に対応する前記省エネレベルを予測する学習モデルを生成し、
   さらに、前記学習モデルを用いて、前記通信状況情報から前記省エネレベルを予測する、
   学習方法。
10. 端末装置が接続された通信装置から、前記端末装置の通信状況情報を取得し、
    前記通信装置の省エネレベルを教師データとして、前記通信状況情報を機械学習し、
    前記機械学習において、前記端末装置から要求された制御要求に基づいて前記教師データを生成し、前記教師データを用いて前記通信状況情報を時系列に学習し、次の時刻の通信状況に対応する前記省エネレベルを予測する学習モデルを生成し、
    さらに、前記学習モデルを用いて、前記通信状況情報から前記省エネレベルを予測する、
    処理をコンピュータに実行させるための学習プログラム。

Images