JP7338367B2 - サーバ及び制御方法 - Google Patents

サーバ及び制御方法 Download PDF

Info

Publication number
JP7338367B2
JP7338367B2 JP2019176447A JP2019176447A JP7338367B2 JP 7338367 B2 JP7338367 B2 JP 7338367B2 JP 2019176447 A JP2019176447 A JP 2019176447A JP 2019176447 A JP2019176447 A JP 2019176447A JP 7338367 B2 JP7338367 B2 JP 7338367B2
Authority
JP
Japan
Prior art keywords
base station
data
unit
model
abnormality
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
JP2019176447A
Other languages
English (en)
Other versions
JP2021057650A (ja
Inventor
大地 石倉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Priority to JP2019176447A priority Critical patent/JP7338367B2/ja
Priority to US17/030,938 priority patent/US11546785B2/en
Publication of JP2021057650A publication Critical patent/JP2021057650A/ja
Application granted granted Critical
Publication of JP7338367B2 publication Critical patent/JP7338367B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0823—Errors, e.g. transmission errors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • H04L43/0882—Utilisation of link capacity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/04—Arrangements for maintaining operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
    • H04L43/0817—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking functioning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/08—Access point devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Medical Informatics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)

Description

本発明は、基地局の異常を検出する機能を備えるサーバ及びサーバの制御方法に関する。
近年、トラフィック量の急増とともに無線通信ネットワークの重要性が高まっており、無線基地局に異常が発生した場合、人々の生活に大きな支障をきたす恐れがある。そのため、無線基地局の異常の有無を正確に把握することが求められる。
例えば、特許文献１には、無線基地局の異常を検出する方法として、過去のトラフィック量の時系列データから、未来のトラフィック量の時系列データを推測し、実際のトラフィック量と比較することで異常を検知する手法が開示されている。
特開２０１８－１９５９２９号公報
しかし、例えばスタジアムやイベントスペースなど、特定の時間帯や日付に多数の人々が集まる建造物や場所では、過去のトラフィック量の時系列データのみから未来のトラフィック量の時系列データを推測することは難しい。そのため、特許文献１に記載された装置ではイベントの開催に伴うトラフィック量の急激な増大、イベントの終了に伴うトラフィック量の急激な減少などを推測できないと考えられる。結果として、起こっているはずの異常を検知できず、また起こっていない異常を誤検知する可能性がある。
本発明の目的の一例は、無線基地局の異常をより正確に検知することができるサーバ及びサーバの制御方法を提供することにある。
本発明の目的の一例におけるサーバは、
基地局から、複数の種別のデータを受信する受信部と、
前記複数の種別のデータから、第１のモデルを生成する第１のモデル生成部と、
前記第１のモデル生成部が生成した前記第１のモデルを用いて、基地局の動作状況を表す指標の推測値を算出する算出部と、
前記基地局の動作状況を表す指標の推測値と基地局の動作状況を表す指標の実測値を比較し、
比較の結果が基準を満たさない場合、前記基地局に異常があると判定する第１の判定部と、
を有する。
本発明の目的の一例におけるサーバは、
複数の基地局それぞれから、複数の種別のデータを受信する受信部と、
異常を判定する基地局以外における前記複数の種別のデータから、第１のモデルを生成する第１のモデル生成部と、
前記異常を判定する基地局における前記の複数の種別のデータと、前記第１のモデル生成部が生成した前記第１のモデルを用いて、前記異常を判定する基地局の動作状況を表す指標の推測値を算出する算出部と、
前記異常を判定する基地局の動作状況を表す指標の推測値と基地局の動作状況を表す指標の実測値を比較し、
前記推測値と前記実測値の一致度が判定条件を満たさない場合、前記基地局に異常があると判定する第１の判定部と、
を有する。
本発明の目的の一例におけるサーバの制御方法は、
基地局から、複数の種別のデータを受信し、
前記複数の種別のデータから、第１のモデルを生成し、
前記第１のモデルを用いて、基地局の動作状況を表す指標の推測値を算出し、
前記基地局の動作状況を表す指標の推測値と基地局の動作状況を表す指標の実測値を比較し、前記推測値と前記実測値が判定条件を満たさない場合、前記基地局に異常があると判定する、ことを特徴とする。
以上のように、本発明によれば、無線基地局の異常をより正確に検知することができる。
図１は、第１の実施形態におけるサーバの構成の一例を示すブロック図である。 図２は、第１の実施形態におけるサーバの処理の一例を示すフローチャートである。 図３は、第２の実施形態における無線通信システムの一例を示す図である。 図４は、第２の実施形態におけるサーバの構成の一例を示すブロック図である。 図５は、第２の実施形態におけるサーバの処理の一例を示すフローチャートである。 図６は、第３の実施形態における無線通信システムの一例を示す図である。 図７は、第３の実施形態におけるサーバの構成の一例を示すブロック図である。 図８は、第３の実施形態におけるサーバの処理の一例を示すフローチャートである。 図９は、第４の実施形態における無線通信システムの一例を示す図である。 図１０は、第４の実施形態におけるサーバの構成の一例を示すブロック図である。 図１１は、第４の実施形態におけるサーバの処理の一例を示すフローチャートである。 図１２は、第５の実施形態における無線通信システムの一例を示す図である。 図１３は、第５の実施形態におけるサーバの構成の一例を示すブロック図である。 図１４は、第５の実施形態におけるサーバの処理の一例を示すフローチャートである。 図１５は、本発明の実施形態におけるサーバを実現するコンピュータの一例を示すブロック図である。
以下、本発明を実施するための形態について、図面を参照して説明する。
［第１の実施形態］
第１の実施形態のサーバについて図１を用いて説明する。図１はサーバの構成の一例を示すブロック図である。
図１に示すように、本実施の形態におけるサーバ１１は、受信部１ａ、第１のモデル生成部１ｂ、算出部１ｃ、第１の判定部１ｄを含む。
受信部１ａは、基地局から複数の種別のデータを受信する。第１のモデル生成部１ｂは、受信部１ａで受信した複数の種別のデータを用いて第１のモデルを生成する。算出部１ｃは、第１のモデルから基地局の動作状況を表す指標の推測値を算出する。第１の判定部１ｄは、算出された基地局の動作状況を表す指標の推測値と、基地局の動作状況を表す指標の実測値とを比較し、比較した結果が基準を満たさない場合は、基地局に異常があると判定する。
続いて、図２を用いて、本実施の形態におけるサーバ１１の動作をより詳細に説明する。図２は本実施の形態における処理の一例を示したフローチャートである。
［ステップＳ１０１］受信部１ａは、サーバに接続された基地局から複数の種別のデータを受信する。複数の種別のデータとは、例えば、ＲＳＳＩ（Ｒｅｃｅｉｖｅｄ Ｓｉｇｎａｌ Ｓｔｒｅｎｇｔｈ Ｉｎｄｉｃａｔｏｒ）、伝搬損失率、帯域幅、ＤＴＸ（Ｄｉｓｃｏｎｔｉｎｕｏｕｓ Ｔｒａｎｓｍｉｓｓｏｎ）率又はＳＩＮＲ（Ｓｉｇｎａｌ－ｔｏ－Ｉｎｔｅｒｆｅｒｅｎｃｅ ｐｌｕｓ Ｎｏｉｓｅ ｐｏｗｅｒ Ｒａｔｉｏ）などの無線品質に関わる指標、無線品質に関わる指標のユーザ分布、各種完了率（ＲＲＣ（Ｒａｄｉｏ Ｒｅｓｏｕｒｃｅ Ｃｏｎｔｒｏｌ）接続成功率など）、トラフィック量、アップリンクのスループット、ダウンリンクのスループット、基地局が形成するエリアに存在するユーザ数、基地局の割り当て周波数、基地局の諸元データ、基地局の設置に関する情報などのうち２つ以上のデータであるが、これらにが挙げられるが、これらに限定されない。基地局の設置に関する情報とは、例えば、基地局の位置情報、基地局のアンテナの角度、基地局がカバーするエリア情報などであるが、これに限定されない。基地局の位置情報などの、基地局の設置に関する情報を含めて学習に用いることで、第１のモデルが算出する推測値の精度が向上する効果がある。
［ステップＳ１０２］第１のモデル生成部１ｂは、受信した複数の種別のデータから、機械学習アルゴリズムを用いて第１のモデルを生成する。例えば、トラフィック量を推測する第１のモデルを生成する。第１のモデル生成部１ｂは、受信した複数の種別のデータの内、トラフィック量を示すデータとトラフィック量を示すデータ以外のデータとの２種類のデータを少なくとも用い、第１のモデルを生成する。本実施の形態において用いられる機械学習アルゴリズムは、既存の機械学習アルゴリズムであってもよいし、今後開発される機械学習アルゴリズムであってもよい。また、本実施の形態において用いられる第１のモデルにおけるモデル式の種類は、既存の種類であってもよいし、今後開発される種類であってもよい。
［ステップＳ１０３］算出部１ｃは、生成された第１のモデルから基地局の動作状況を表す指標の推測値を算出する。基地局の動作状況を表す指標とは、例えば、ＲＳＳＩ、伝搬損失率、帯域幅、ＤＴＸ率又はＳＩＮＲなどの無線品質に関わる指標、各種完了率（ＲＲＣ接続成功率など）、トラフィック量、アップリンクのスループット、ダウンリンクのスループット、などが挙げられるが、基地局の動作状況を表す指標であればよく、これらに限定されない。
［ステップＳ１０４］第１の判定部１ｄは、算出された基地局の動作状況を表す指標の推測値と、基地局の動作状況を表す指標の実測値とを比較する。
［ステップＳ１０５］第１の判定部１ｄは、比較の結果が基準を満たす場合は異常がないと判定し、比較の結果が基準を満たさない場合、異常があると判定する。比較の方法は、例えば、推測値と実測値との差分の絶対値を計算し、あらかじめ設定した閾値を上回った場合に異常があると判定してもよい。また、第１の判定部１ｄは、推測値に対する実測値の割合が閾値を下回った場合に異常があると判定してもよいし、実測値に対する推測値の割合が閾値を上回った場合に異常があると判定してもよい。
このように、サーバ１１は基地局から受信した複数の種別のデータを用いて第１のモデルを生成し、第１のモデルを用いて算出された基地局の動作状況を表す指標の推測値と、基地局の動作状況を表す指標の実測値を比較して異常の判定を行う。これにより、サーバ１１は基地局の異常の検出をより正確に行うことが可能になる。
［第２の実施形態］
次に、第２の実施形態について説明する。図３は、第２の実施形態における無線通信システム２００の一例を示す。無線通信システム２００は、サーバ２１と、基地局２２と、基地局２２以外の機器２３とを含む。図４にサーバ２１の一例を示す。サーバ２１は、受信部２ａ、分割部２ｂ、加工部２ｃ、保存部２ｄ、時間帯決定部２ｅ、第１の学習部２ｆ、第１の第１のモデル生成部２ｇ、算出部２ｈ、第１の判定部２ｉを含む。例えば、サーバ２１は基地局２２および機器２３と接続している。
受信部２ａは、基地局２２から、複数の種別のデータを受信し、機器２３から基地局２２に関係するデータを受信する。分割部２ｂは、受信した複数の種別のデータおよび基地局２２に関係するデータを、基地局２２の動作状況を表す第１の指標（以下、第１の指標 ）の実測値と基地局２２の動作状況を表す第２の指標（以下、第２の指標）の実測値とに分割する。加工部２ｃは分割した実測値に対し加工処理を行う。保存部２ｄは処理が施された実測値を保存する。時間帯決定部２ｅは、基地局２２の異常を判定する時間帯Ｔ１を決定する。第１の学習部２ｆは、異常を判定する時間帯Ｔ１における第１の指標の実測値Ｖ１１と、異常を判定する時間帯Ｔ１以外における第１の指標の実測値Ｖ１２と、異常を判定する時間帯Ｔ１における第２の指標の実測値Ｖ２１と、異常を判定する時間帯Ｔ１以外における第２の指標の実測値Ｖ２２との関係を学習する。なお、第１の学習部２ｆは、異常を判定する時間帯Ｔ１における第１の指標の実測値Ｖ１１、異常を判定する時間帯Ｔ１における第２の指標の実測値Ｖ２１を、学習する際に学習の対象から除いてもよい。第１のモデル生成部２ｇは、学習の結果から第１のモデルを生成する。算出部２ｈは、異常を判定する時間帯Ｔ１における第２の指標の実測値V２１と第１のモデルとを用いて、異常を判定する時間帯Ｔ１における第１の指標の推測値を算出する。第１の判定部２ｉは、異常を判定する時間帯Ｔ１における第１の指標の推測値と異常を判定する時間帯Ｔ１における第１の指標の実測値V１１とを比較し、比較の結果が基準を満たさない場合は基地局２２に異常があると判定する。
続いて、図５を用いて、本実施の形態におけるサーバ２１の動作をより詳細に説明する。図５は、本実施の形態における処理を示したフローチャートである。
［ステップＳ２０１］受信部２ａは、基地局２２から複数の種別のデータを受信し、また、装置２３から基地局２２に関係するデータを受信する。基地局２２に関係するデータとは、例えば、ユーザが使用しているアプリの種別に関する統計データなどであるが、これに限定されない。また、データの受信方法は、例えば、システム化し自動で受信する方法や、装置２３から人がデータをダウンロードし、サーバ２１にアップロードする方法などがあるが、これに限定されない。
［ステップＳ２０２］分割部２ｂは、受信部２ａで受信された複数の種別のデータを、基地局２２の動作状況を表す第１の指標の実測値と、基地局２２の動作状況を表す第２の指標の実測値とに分割する。第１の指標とは、例えば、トラフィック量に関する種別のデータである。トラフィックの関する種別のデータとは、例えば、トラフィック量が挙げられる。他には、ＲＳＳＩ、伝搬損失率、帯域幅、ＤＴＸ率又はＳＩＮＲなどの無線品質に関わる指標、無線品質に関わる指標のユーザ分布、各種完了率（ＲＲＣ接続成功率など）、アップリンクのスループット、ダウンリンクのスループット、基地局２２が形成するエリアに存在するユーザ数、基地局２２の割り当て周波数、基地局２２の諸元データ、基地局２２の設置に関する情報などが挙げられるが、これに限定されない。基地局２２の設置に関する情報とは、例えば、基地局２２の位置情報、基地局２２のアンテナの角度、基地局２２がカバーするエリア情報、などが挙げられるが、これに限定されない。第２の指標とは、第１の指標を推測するための種別のデータである。例えば、第１の指標がトラフィック量である場合、第２の指標はトラフィック量を推測するための種別のデータである。具体的には、この場合の第２の指標は第１の指標としたトラフィック量を除く、ＲＳＳＩ、伝搬損失率、帯域幅、ＤＴＸ率又はＳＩＮＲなどの無線品質に関わる指標、無線品質に関わる指標のユーザ分布、各種完了率（ＲＲＣ接続成功率など）、アップリンクのスループット、ダウンリンクのスループット、基地局２２が形成するエリアに存在するユーザ数、基地局２２の割り当て周波数、基地局２２の諸元データ、基地局２２の設置に関する情報などが挙げられるが、これに限定されない。基地局２２の設置に関する情報とは、例えば、基地局２２の位置情報、基地局２２のアンテナの角度、基地局２２がカバーするエリア情報などが挙げられるが、これに限定されない。また、例えば、第１の指標がＳＩＮＲである場合、第2の指標はＳＩＮＲを推測するための種別のデータである。具体的には、この場合の第２の指標は第１の指標としたＳＩＮＲを除く、ＲＳＳＩ、伝搬損失率、帯域幅、ＤＴＸ率などの無線品質に関わる指標、無線品質に関わる指標のユーザ分布、各種完了率（ＲＲＣ接続成功率など）、トラフィック量、アップリンクのスループット、ダウンリンクのスループット、基地局２２が形成するエリアに存在するユーザ数、基地局２２の割り当て周波数、基地局２２の諸元データ、基地局２２の設置に関する情報などが挙げられるが、これに限定されない。基地局２２の設置に関する情報とは、例えば、基地局２２の位置情報、基地局２２のアンテナの角度、基地局２２がカバーするエリア情報などが挙げられるが、これに限定されない。
［ステップＳ２０３］加工部２ｃは、分割したデータに対して加工処理を行う。分割したデータは、基地局２２ごとに固定のデータや、データの時間変化を記録した時系列形式のデータを含む。時系列形式のデータについては時間軸の単位が異なることもあるため、適切な処理を行ってもよい。適切な処理とは、時系列形式のデータの結合・分割、異常値の除外、区間を決めた平均値・最大値処理を含む。また、新たな種別のデータを定義し、第１の指標あるいは第２の指標に追加してもよい。例えば、次のような種別のデータを定義し、第１の指標あるいは第２の指標に追加してもよい。
Figure 0007338367000001
上記の種別のデータは、ユーザ数が同じ場合でも帯域幅が違えば混雑具合が異なるという知識をデータ化し、定義した例である。このように、加工部２ｃは新たな種別のデータを定義し、第１の指標あるいは第２の指標に追加してもよい。
［ステップＳ２０４］保存部２ｄは、第１の指標の実測値および第２の指標の実測値をサーバ内の保存部２ｄに保存する。
［ステップＳ２０５］時間帯決定部２ｅは、基地局２２の異常を判定する時間帯Ｔ１を決定する。異常を判定する時間帯は、特定の時間帯のみとしても良いし、複数の時間帯を設定してもよい。また、設定する時間帯の長さは、短い場合は数分であってもよいし、長い場合は数ヶ月であってもよい。
［ステップＳ２０６］第１の学習部２ｆは、第１の指標の実測値および第２の指標の実測値を訓練データとして保存部２ｄから読みこむ。
［ステップＳ２０７］第１の学習部２ｆは、保存部２ｄから読み込んだデータを、機械学習アルゴリズムを用いて学習する。
本実施の形態における第１の学習部２ｆの動作を更に詳細に、表１を用いて説明する。表１は、本実施の形態で用いられる第１の指標の実測値および第２の指標の実測値の種別について説明する表である。
Figure 0007338367000002
第１の学習部２ｆは、実測値Ｖ１１、実測値Ｖ１２、実測値Ｖ２１、実測値Ｖ２２の間にある関係を学習する。本実施の形態において用いられる機械学習アルゴリズムは、既存の機械学習アルゴリズムであってもよいし、今後開発される機械学習アルゴリズムであってもよい。例えば、第１の学習部２ｆは、線形回帰やニューラルネットワークといった機械学習アルゴリズムを用いてもよい。また、本実施の形態では、基地局２２の異常を判定する時間帯Ｔ１の第１の指標の実測値Ｖ１１および第２の指標の実測値Ｖ２１を除いた、異常を判定する時間帯Ｔ１以外の時間帯における第１の指標の実測値Ｖ１２および第２の指標の実測値Ｖ２２を訓練データとしてもよい。基地局２２の異常を判定する時間帯Ｔ１のデータを学習に用いないことで、第１のモデルの信頼性が向上する効果が期待できる。
［ステップＳ２０８］第１のモデル生成部２ｇは、学習した結果から、第１の指標の実測値と第２の指標の実測値との関係を示す第１のモデルを生成する。本実施の形態における第１のモデルとは、第１の指標の実測値を目的変数、第２の指標の実測値を説明変数として、目的変数を１つ以上の種別の説明変数によって表せるモデル式のことである。数１は、スループットを目的変数とし、ＳＩＮＲと帯域幅、ユーザ数を説明変数とした場合の第１のモデルの一例である。また、数２は、目的変数をＳＩＮＲとし、ＲＳＳＩと伝搬損失率を説明変数とした場合の第１のモデルの一例である。
Figure 0007338367000003
Figure 0007338367000004
このようにして、第１のモデル生成部２ｇは目的変数を説明変数で表せるモデル式を生成する。本実施の形態において用いられる第１のモデルにおけるモデル式の種類は、既存の種類であってもよいし、今後開発される種類であってもよい。目的変数はスループットまたはＳＩＮＲに限定されない。同様に、説明変数はＳＩＮＲ、帯域幅、ユーザ数、伝搬損失率に限定されない。第１のモデル生成部２ｇは、トラフィック量を目的変数とする場合、トラフィック量に関する種別のデータとトラフィック量を推定するための種別のデータを、説明変数として用いてもよい。第１のモデルの生成に、トラフィック量に関する種別のデータとトラフィック量を推定するための種別のデータを用いることで、第１のモデル生成部２ｇが生成する第１のモデルの精度が向上する効果がある。また、第１のモデル生成部２ｇは、第１のモデルの生成に基地局の設置に関する情報を用いてもよい。第１のモデルの生成に基地局の設置に関する情報を用いることで、第１のモデル生成部２ｇが生成する第１のモデルの精度が向上する効果がある。
［ステップＳ２０９］算出部２ｈは、基地局２２の異常を判定する時間帯Ｔ１における第２の指標の実測値Ｖ２１を第１のモデルに入力する。
［ステップＳ２１０］算出部２ｈは、実測値Ｖ２１と第１のモデルを用いて異常を判定する時間帯における第１の指標の推測値を算出する。例えば、基地局２２の異常を判定する時間帯Ｔ１におけるトラフィック量を推測したい場合を考える。算出部２ｈは、トラフィック量を目的変数とした第１のモデルのモデル式に従い、必要な説明変数を第１のモデルに入力し、基地局２２の異常を判定する時間帯におけるトラフィック量を算出する。
［ステップＳ２１１］第１の判定部２ｉは、基地局２２の異常を判定する時間帯Ｔ１における第１の指標の実測値Ｖ１１を保存部２ｄから読み込む。
［ステップＳ２１２］第１の判定部２ｉは、第１の指標の実測値Ｖ１１と、［ステップＳ２１０］で算出された基地局２２の異常を判定する時間帯Ｔ１における第１の指標の推測値とを比較する。比較の方法は、例えば、推測値と実測値との差分の絶対値を計算してもよい。また、第１の判定部２ｉは、推測値に対する実測値の割合を計算してもよいし、実測値に対する推測値の割合を計算してもよい。
［ステップＳ２１３］第１の判定部２ｉは、比較の結果が基準を満たす場合、基地局２２に異常がないと判定し、比較の結果が基準を満たさない場合、基地局２２に異常があると判定する。判定の基準は、例えば、推測値と実測値との差分の絶対値が、あらかじめ設定した閾値を上回った場合に異常があると判定してもよい。また、第１の判定部２ｉは、推測値に対する実測値の割合が閾値を下回った場合に異常があると判定してもよいし、実測値に対する推測値の割合が閾値を上回った場合に異常があると判定してもよい。
このように、サーバ２１は、基地局２２及び機器２３から受信した複数の種別のデータを用いて第１のモデルを生成し、第１のモデルを用いて算出された基地局２２の第１の指標の推測値と、基地局２２の第１の指標の実測値Ｖ１１を比較して異常の判定を行う。本実施の形態によれば、サーバ２１は基地局２２からのみならず、機器２３からも基地局に関するデータを受信することが可能であり、これにより、より多くの種別のデータを用いて、第１のモデルを生成することができる。そのため、より正確な推測値を算出することのできる第１のモデルを生成できる。また、第１のモデルの生成に異常を判定する時間帯のデータを用いないことで、第１のモデルの信頼性が向上する。
［第３の実施形態］
次に、第３の実施形態について説明する。図６は、本実施の形態における無線通信システム３００の一例を示す。無線通信システム３００は、サーバ３１と、複数の基地局３２－１～３２－ｎと、複数の基地局３２－１～３２－ｎ以外の機器３３とを含む。図７に、サーバ３１の一例を示す。サーバ３１は、受信部３ａ、分割部３ｂ、加工部３ｃ、保存部３ｄ、基地局決定部３ｅ、時間帯決定部３ｆ、第１の学習部３ｇ、第１のモデル生成部３ｈ、算出部３ｉ、第１の判定部３ｊを含む。例えば、サーバ３１は基地局３２－１～３２－ｎおよび機器３３と接続している。
受信部３ａは、複数の基地局３２－１～３２－ｎそれぞれから複数の種別のデータを受信し、機器３３から複数の基地局３２－１～３２－ｎそれぞれに関係するデータを受信する。分割部３ｂは、受信した複数の種別のデータおよび複数の基地局３２－１～３２－ｎそれぞれに関係するデータを、複数の基地局３２－１～３２－ｎそれぞれの動作状況を表す第１の指標（以下、第１の指標）の実測値と複数の基地局３２－１～３２－ｎそれぞれの動作状況を表す第２の指標（以下、第２の指標）の実測値とに分割する。加工部３ｃは分割した実測値に対し適切な処理を行う。保存部３ｄは処理が施された実測値を保存する。基地局決定部３ｅは、複数の基地局３２－１～３２－ｎの内、異常を判定する基地局３２－Xを決定する。時間帯決定部３ｆは、異常を判定する基地局３２－Xの異常を判定する時間帯Ｔ２を決定する。
第１の学習部３ｇについて、表２を用いて説明する。なお、表２におけるｎは自然数である。
Figure 0007338367000005
表２において、V３１は異常を判定する基地局３２－Xの異常を判定する時間帯Ｔ２における第１の指標の実測値である。Ｖ３２は異常を判定する基地局３２－Xの異常を判定する時間帯Ｔ２以外における第１の指標の実測値である。Ｖ４１―A～Ｖ４１－Ｎは異常を判定する基地局３２－Xの異常を判定する時間帯Ｔ２における第２の指標のうち、種別Ａから種別Nまでの実測値である。Ｖ４２－Ａ～Ｖ４２－Ｎは異常を判定する基地局３２－Xの異常を判定する時間帯Ｔ２以外における第２の指標のうち、種別Aから種別Ｎまでの実測値である。同様に、Ｖ３１－１～Ｖ３１－ｎは異常を判定する基地局３２－X以外の基地局３２－１～３２－ｎにおける異常を判定する時間帯Ｔ２の第１の指標の実測値である。Ｖ３２－１～Ｖ３２－ｎは異常を判定する基地局３２－X以外の基地局３２－１～３２－ｎにおける異常を判定する時間帯Ｔ２以外の時間帯の第１の指標の実測値である。Ｖ４１－Ａ－１～Ｖ４１－N－１は異常を判定する基地局３２－X以外の基地局３２－１における異常を判定する時間帯Ｔ２の第２の指標のうち、種別Aから種別Nまでの実測値である。Ｖ４２－Ａ－１～Ｖ４２－N－１は異常を判定する基地局３２－X以外の基地局３２－１における異常を判定する時間帯Ｔ２以外の時間帯の第２の指標のうち、種別Aから種別Nまでの実測値である。Ｖ４１－A－ｎ～Ｖ４１－N－ｎは異常を判定する基地局３２－X以外の基地局３２－ｎにおける異常を判定する時間帯Ｔ２の第２の指標のうち、種別Aから種別Nの実測値である。Ｖ４２－A－ｎ～Ｖ４２－N－ｎは異常を判定する基地局３２－X以外の基地局３２－１における異常を判定する時間帯Ｔ２以外の時間帯の第２の指標のうち、種別Aから種別Nの実測値である。第１の学習部３ｇは、実測値Ｖ３１と、実測値Ｖ３２と、実測値Ｖ４１－Ａ～実測値V４１－Ｎと、実測値Ｖ４２―A～実測値Ｖ４２－Ｎと、同様にして異常を判定する基地局３２－X以外の基地局から得られる実測値（実測値Ｖ４１－Ａ－１～実測値Ｖ４１－Ｎ－ｎ、実測値Ｖ４２－Ａ－１～実測値Ｖ４２－Ｎ－ｎ）との、関係を学習する。なお、実測値Ｖ３１、実測値Ｖ３２、実測値Ｖ４１－Ａ～実測値Ｖ４１－Ｎ、実測値Ｖ４２－Ａ～実測値Ｖ４２－Ｎを、学習する際に学習の対象から除いてもよい。第１のモデル生成部３ｈは、学習の結果から第１のモデルを生成する。算出部３ｉは、実測値Ｖ４１－Ａ～実測値Ｖ４１－Ｎと第１のモデルとを用いて、異常を判定する基地局３２－Xの異常を判定する時間帯Ｔ２における第１の指標の推測値を算出する。第１の判定部２ｉは、異常を判定する基地局３２－Xの異常を判定する時間帯Ｔ２における第１の指標の推測値と実測値Ｖ３１とを比較し、比較の結果が基準を満たさない場合は異常を判定する基地局３２－Xに異常があると判定する。
続いて、図８を用いて、本実施の形態におけるサーバ３１の動作をより詳細に説明する。図８は、本実施の形態における処理を示したフローチャートである。
［ステップＳ３０１］受信部３ａは、複数の基地局３２－１～３２－ｎそれぞれから複数の種別のデータを受信し、また、装置３３から複数の基地局３２－１～３２－ｎそれぞれに関係するデータを受信する。複数の基地局３２－１～３２－ｎそれぞれに関係するデータとは、例えば、それぞれの基地局のエリア内に在圏しているユーザが使用しているアプリの種別に関する統計データなどであるが、これに限定されない。また、データの受信方法は、例えば、システム化し自動で受信する方法や、装置３３から人がデータをダウンロードし、サーバ３１にアップロードする方法などがあるが、これに限定されない。
［ステップＳ３０２］分割部３ｂは、受信部３ａで受信されたデータを、複数の基地局３２－１～３２－ｎそれぞれの動作状況を表す第１の指標の実測値と、複数の基地局３２－１～３２－ｎそれぞれの動作状況を表す第２の指標の実測値とに分割する。第１の指標とは、例えば、トラフィック量に関する種別のデータである。トラフィックの関する種別のデータとは、例えば、トラフィック量が挙げられる。他には、ＲＳＳＩ、伝搬損失率、帯域幅、ＤＴＸ率又はＳＩＮＲなどの無線品質に関わる指標、無線品質に関わる指標のユーザ分布、各種完了率（ＲＲＣ接続成功率など）、アップリンクのスループット、ダウンリンクのスループット、複数の基地局３２－１～３２－ｎそれぞれが形成するエリアに存在するユーザ数、複数の基地局３２－１～３２－ｎそれぞれの割り当て周波数、複数の基地局３２－１～３２－ｎそれぞれの諸元データ、複数の基地局３２－１～３２－ｎそれぞれの設置に関する情報などが挙げられるが、これに限定されない。複数の基地局３２－１～３２－ｎそれぞれの設置に関する情報とは、例えば、複数の基地局３２－１～３２－ｎそれぞれの位置情報、複数の基地局３２－１～３２－ｎそれぞれのアンテナの角度、複数の基地局３２－１～３２－ｎそれぞれがカバーするエリア情報、などが挙げられるが、これに限定されない。第２の指標とは、第１の指標を推測するための種別のデータである。例えば、第１の指標がトラフィック量である場合、第２の指標はトラフィック量を推測するための種別のデータである。具体的には、この場合の第２の指標はＲＳＳＩ、伝搬損失率、帯域幅、ＤＴＸ率又はＳＩＮＲなどの無線品質に関わる指標、無線品質に関わる指標のユーザ分布、各種完了率（ＲＲＣ接続成功率など）、アップリンクのスループット、ダウンリンクのスループット、複数の基地局３２－１～３２－ｎそれぞれが形成するエリアに存在するユーザ数、複数の基地局３２－１～３２－ｎそれぞれの割り当て周波数、複数の基地局３２－１～３２－ｎそれぞれの諸元データ、複数の基地局３２－１～３２－ｎそれぞれの設置に関する情報などが挙げられるが、これに限定されない。複数の基地局３２－１～３２－ｎそれぞれの設置に関する情報とは、例えば、複数の基地局３２－１～３２－ｎそれぞれの位置情報、複数の基地局３２－１～３２－ｎそれぞれのアンテナの角度、複数の基地局３２－１～３２－ｎそれぞれがカバーするエリア情報、などが挙げられるが、これに限定されない。また、例えば、第１の指標がＳＩＮＲである場合、第2の指標はＳＩＮＲを推測するための種別のデータである。具体的には、この場合の第２の指標はＲＳＳＩ、伝搬損失率、帯域幅、ＤＴＸ率などの無線品質に関わる指標、無線品質に関わる指標のユーザ分布、各種完了率（ＲＲＣ接続成功率など）、トラフィック量、アップリンクのスループット、ダウンリンクのスループット、複数の基地局３２－１～３２－ｎそれぞれが形成するエリアに存在するユーザ数、複数の基地局３２－１～３２－ｎそれぞれの割り当て周波数、複数の基地局３２－１～３２－ｎそれぞれの諸元データ、複数の基地局３２－１～３２－ｎそれぞれの設置に関する情報などが挙げられるが、これに限定されない。複数の基地局３２－１～３２－ｎそれぞれの設置に関する情報とは、例えば、複数の基地局３２－１～３２－ｎそれぞれの位置情報、複数の基地局３２－１～３２－ｎそれぞれのアンテナの角度、複数の基地局３２－１～３２－ｎそれぞれがカバーするエリア情報、などが挙げられるが、これに限定されない。
［ステップＳ３０３］加工部３ｃは、分割したデータに対して適切な処理を行う。分割したデータは、複数の基地局３２－１～３２－ｎそれぞれにおいて固定のデータや、データの時間変化を記録した時系列形式のデータを含む。時系列形式のデータについては時間軸の単位が異なることもあるため、適切な処理を行ってもよい。適切な処理とは、時系列形式のデータの結合・分割、異常値の除外、区間を決めた平均値・最大値処理を含む。また、新たな種別のデータを定義し、第２の指標に含まれる種別に追加してもよい。例えば、次のような種別のデータを定義し、第２の指標に含まれる種別に追加してもよい。
Figure 0007338367000006
上記の種別のデータは、ユーザ数が同じ場合でも帯域幅が違えば混雑具合が異なるという知識をデータ化し、定義した例である。このように、加工部３ｃは新たな種別のデータを定義し、第２の指標に含まれる種別に追加してもよい。
［ステップＳ３０４］保存部３ｄは、第１の指標の実測値および第２の指標の実測値をサーバ内の保存部３ｄに保存する。
［ステップＳ３０５］基地局決定部３ｅは、複数の基地局３２－１～３２－ｎの内、異常を判定する基地局３２－Xを決定する。なお、基地局決定部３ｅは、異常を判定する基地局を１つ指定してもよいし、複数指定してもよい。
［ステップＳ３０６］時間帯決定部３ｆは、異常を判定する基地局３２－Xの異常を判定する時間帯を決定する。異常を判定する時間帯は、特定の時間帯のみとしても良いし、複数の時間帯を設定してもよい。また、設定する時間帯の長さは、短い場合は数分であってもよいし、長い場合は数ヶ月であってもよい。
［ステップＳ３０７］第１の学習部３ｇは、実測値Ｖ３１と、実測値Ｖ３２と、実測値Ｖ４１－Ａ～実測値V４１－Ｎと、実測値Ｖ４２―A～実測値Ｖ４２－Ｎと、同様にして異常を判定する基地局３２－X以外の基地局から得られる実測値を訓練データとして保存部３ｄから読み込む。
［ステップＳ３０８］第１の学習部３ｇは、訓練データと機械学習アルゴリズムを用いて、実測値の関係を学習する。本実施の形態において用いられる機械学習アルゴリズムは、既存の機械学習アルゴリズムであってもよいし、今後開発される機械学習アルゴリズムであってもよい。例えば、線形回帰やニューラルネットワークといった機械学習アルゴリズムを用いてもよい。また、本実施の形態では、実測値Ｖ３１および実測値Ｖ４１－Ａ～Ｖ４１－Ｎを除いて訓練データとしてもよい。異常を判定する基地局３２－Xの異常を判定する時間帯Ｔ２のデータを学習に用いないことで、第１のモデルの信頼性が向上する効果が期待できる。また、本実施の形態では、実測値Ｖ３１、実測値Ｖ３２、実測値Ｖ４１－Ａ～実測値Ｖ４１－Ｎ、実測値Ｖ４２－Ａ～実測値Ｖ４２－Ｎを除いて訓練データとしてもよい。異常を判定する基地局３２－Xのデータを学習に用いないことで、第１のモデルの信頼性がさらに向上する効果が期待できる。
［ステップＳ３０９］第１のモデル生成部３ｈは、学習した結果から、第１の指標の実測値と第２の指標の実測値との関係を示す第１のモデルを生成する。本実施の形態における第１のモデルとは、第１の指標の実測値を目的変数、第２の指標の実測値を説明変数として、目的変数を１つ以上の種別の説明変数によって表せるモデル式のことである。数３は、スループットを目的変数とし、ＳＩＮＲと帯域幅、ユーザ数を説明変数とした場合の第１のモデルの一例である。また、数４は、目的変数をＳＩＮＲとし、ＲＳＳＩと伝搬損失率を説明変数とした場合の第１のモデルの一例である。
Figure 0007338367000007
Figure 0007338367000008
このようにして、第１のモデル生成部３ｈは目的変数を説明変数で表せるモデル式を生成する。本実施の形態において用いられる第１のモデルにおけるモデル式の種類は、既存の種類であってもよいし、今後開発される種類であってもよい。当然、目的変数は第１の指標であればよく、スループットまたはＳＩＮＲに限定されない。同様に、説明変数は第２の指標であればよく、ＳＩＮＲ、帯域幅、ユーザ数、伝搬損失率に限定されない。第１のモデル生成部３ｈは、トラフィック量を目的変数とする場合、トラフィック量に関する種別のデータとトラフィック量を推定するための種別のデータを、説明変数として用いてもよい。第１のモデルの生成に、トラフィック量に関する種別のデータとトラフィック量を推定するための種別のデータを用いることで、第１のモデル生成部３ｈが生成する第１のモデルの精度が向上する効果がある。また、第１のモデル生成部３ｈは、第１のモデルの生成に基地局の設置に関する情報を用いてもよい。第１のモデルの生成に基地局の設置に関する情報を用いることで、第１のモデル生成部３ｈが生成する第１のモデルの精度が向上する効果がある。
［ステップＳ３１０］算出部３ｉは、実測値Ｖ４１－Ａ～実測値Ｖ４１－Ｎを第１のモデルに入力する。
［ステップＳ３１１］算出部３ｉは、異常を判定する時間帯Ｔ２における第１の指標の推測値を算出する。例えば、異常を判定する基地局３２－Xの異常を判定する時間帯Ｔ２におけるトラフィック量を推測したい場合を考える。算出部３ｉは、トラフィック量を目的変数とした第１のモデルのモデル式に従い、必要な説明変数を第１のモデルに入力し、異常を判定する基地局３２－Xの異常を判定する時間帯Ｔ２におけるトラフィック量を算出する。
［ステップＳ３１２］第１の判定部３ｊは、実測値Ｖ３１を保存部３ｄから読み込む。
［ステップＳ３１３］第１の判定部３ｊは、実測値Ｖ３１と、［ステップＳ２２］で算出された異常を判定する基地局３２－Xの異常を判定する時間帯Ｔ２における第１の指標の推測値とを比較する。比較の方法は、例えば、推測値と実測値との差分の絶対値を計算してもよい。また、推測値に対する実測値の割合を計算してもよいし、実測値に対する推測値の割合を計算してもよい。
［ステップＳ３１４］第１の判定部３ｊは、比較の結果が基準を満たす場合、異常を判定する基地局３２－Xに異常がないと判定する。比較の結果が基準を満たさない場合、異常を判定する基地局３２－Xに異常があると判定する。判定の方法は、例えば、第１の判定部３ｊは、推測値と実測値との差分の絶対値があらかじめ設定した閾値を上回った場合に異常があると判定してもよい。また、第１の判定部３ｊは、推測値に対する実測値の割合が閾値を下回った場合に異常があると判定してもよいし、実測値に対する推測値の割合が閾値を上回った場合に異常があると判定してもよい。
このように、サーバ３１は、複数の基地局３２－１～３２－ｎそれぞれから受信した複数の種別のデータ及び機器３３から受信した複数の基地局３２－１～３２－ｎそれぞれに関係するデータを用いて第１のモデルを生成し、第１のモデルを用いて算出された異常を判定する基地局３２－Xの第１の指標の推測値と、実測値Ｖ３１を比較して異常の判定を行う。本実施の形態によれば、サーバ３１は複数の基地局３２－１～３２－ｎに加え、機器３３からも基地局に関するデータを受信することが可能である。これにより、より多くのデータを用いて、第１のモデルを生成することができる。そのため、より正確な推測値を算出することのできる第１のモデルをより短い時間で生成できる。また、第１のモデルの生成に異常を判定する基地局３２－Xのデータの一部、あるいは全てを用いなければ、第１のモデルの信頼性を向上させることも可能である。
［第４の実施形態］
次に、第４の実施形態について説明する。本実施の形態は、既出の第１～第３の実施形態に記載の発明が実施された後に実施される。第１～第３の実施形態では、基地局に異常があることまで判定できる。加えて、本実施の形態は、基地局の異常の要因を判定することを可能にする。図９は、本実施の形態における無線通信システム４００の一例を示す。無線通信システム４００はサーバ４１と、異常の要因が判明した複数の基地局４２－１～基地局４２－ｑと、異常の要因を判定したい基地局４３を有する。サーバ４１の一例を、図１０に示す。図１０に記載のサーバ４１は、第３の実施形態に記載の発明が実施された後に本実施の形態が実施される例である。サーバ４１は、第２の保存部４ａ、第２の学習部４ｂ、第２のモデル生成部４ｃ、データ決定部４ｄ、データ入力部４ｅ、第２の判定部４ｆを含む。また、サーバ４１は、ラベル付け部４ｇを含んでもよい。なお、本実施の形態に記載の発明は、単独で実施されてもよい。
表３は複数の基地局４２－１～基地局４２－ｑ、および基地局４３から受信した複数の種別のデータの実測値および推測値と、異常の要因を対応づける表である。
表３を用いて本実施の形態について説明する。第２の保存部４ａは、基地局４３と、異常と判定された複数の基地局４２－１～４２－ｑから受信した複数の種別のデータの実測値および推測値を保存する。サーバ４１のオペレータは、第２の保存部４ａに保存されている、異常と判定された複数の基地局４２－１～４２－ｑから受信した複数の種別のデータの実測値および推測値に、基地局ごとの異常の要因をラベル付けする。例えば、オペレータは、基地局４２－１におけるトラフィック量という種別の実測値１１、トラフィック量という種別の推測値１２などの複数の種別のデータの実測値および推測値に、異常の要因はアンテナであるとラベル付けする。なお、推測値は既出の第１～第３の実施形態に記載の発明が実施された際に算出されるものでもよい。ラベル付けされたあとの各データは、例えば表３のようになる。ただし、表３におけるｑ、ｒ、ｓは自然数である。複数の種別のデータの実測値および推測値とは、例えば、トラフィック量、ＲＳＳＩ、伝搬損失率、帯域幅、ＤＴＸ率又はＳＩＮＲなどの無線品質に関わる指標、無線品質に関わる指標のユーザ分布、各種完了率（ＲＲＣ接続成功率など）、アップリンクのスループット、ダウンリンクのスループットなどの実測値および推測値が挙げられるが、これに限定されない。
Figure 0007338367000009
第２の学習部４ｂは、複数の基地局４２－１～基地局４２－ｑに関するラベル付けされた複数の種別のデータの実測値および推測値を、第２の保存部４ａから読み込み、データの種別ごとに実測値と推測値の一致度を計算する。例えば、基地局４２－１における複数の種別のデータの実測値および推測値を第２の保存部４ａから読み込み、表３における実測値１１と推測値１２の一致度と、実測値１３と推測値１４の一致度を計算してもよい。第２の学習部４ｂは、データの種別ごとの一致度と異常の要因の関係を学習する。第２のモデル生成部４ｃは、第２の学習部４ｂが学習した結果をもとに、第２のモデルを生成する。データ決定部４ｄは、第２の保存部４ａに保存されているデータのうち、基地局４３から受信した複数の種別のデータの実測値および推測値を、異常の要因を判定するデータとして決定する。データ入力部４ｅは、データ決定部４ｄで決定した基地局４３における複数の種別のデータの実測値および推測値を第２のモデルに入力する。第２の判定部４ｆは、データ入力部４ｅが入力したデータと、第２のモデルを用いて、基地局４３の異常の要因を判定する。ラベル付け部４ｇは、データ決定部４ｄで決定したデータに、実際の点検等で判明した基地局４３の真の異常の要因をラベル付けする。
第２の学習部４ｂの動作について、より詳細に説明する。第２の学習部４ｂは、基地局４２－１～基地局４２－ｑにおける各種別のデータの推測値と実測値の一致度を計算する。そして、第２の学習部４ｂは、各種別のデータの一致度とラベル付けされた異常の要因を学習し、ルールを生成する。
第２の学習部４ｂは、例えば、数５に示すようにｘを算出し、０＜ｘ＜１であればアンテナに異常があり、１＜ｘ＜２であればソフトウェアに異常がある、というルールを生成してもよい。a,b,cは定数とする。
Figure 0007338367000010
第２の学習部４ｂは、数６、数７、数８に示すようにx1、x2、x3を算出し、x1、x2、x3それぞれの数の大小からルールを生成してもよい。a,b,cは定数とする。
Figure 0007338367000011
Figure 0007338367000012
Figure 0007338367000013
第２の学習部４ｂは、一致度を３段階に分け、複数の基地局４２－１～４２－ｑの各種別のデータにおける一致度と異常の要因からルールを生成してもよい。例えば、第２の学習部４ｂは、一致度を高い順に○、△、×の３段階に分け、複数の基地局４２－１～４２－ｑにおける複数の種別のデータの実測値および推測値から表４に示すような表を作成する。
表４は複数の基地局４２－１～基地局４２－ｑ、および基地局４３から受信した複数の種別のデータの実測値および推測値の一致度と、異常の要因を対応づける表である。ただし、ｑは自然数とする。なお、当然ながら一致度は所望する複数の段階に分けられてもよい。さらに、第２の学習部４ｂは、ＲＳＳＩの一致度が○であり、伝搬損失率が×であるならば、異常の要因はアンテナであるというルールを生成してもよい。
Figure 0007338367000014
また、サーバ４１は基地局４３における異常の要因がラベル付けされた複数の時間帯における複数の種別のデータの実測値および推測値と第２のモデルを用いて、基地局４３における異常の要因が判明していない時間帯における異常の要因を判定してもよい。一例として、表５を用いてサーバ４１の動作を説明する。表５は基地局４３の複数の時間帯Ｔ１～時間帯Ｔｚにおける、複数の種別のデータにおける実測値および推測値と、異常の要因を対応付けた表である。なお、ｑ、ｒ、ｓ、ｚは自然数である。複数の種別のデータの実測値および推測値とは、例えば、トラフィック量、ＲＳＳＩ、伝搬損失率、帯域幅、ＤＴＸ率又はＳＩＮＲなどの無線品質に関わる指標、無線品質に関わる指標のユーザ分布、各種完了率（ＲＲＣ接続成功率など）、アップリンクのスループット、ダウンリンクのスループットなどが挙げられるが、これに限定されない。
Figure 0007338367000015
第２の保存部４ａは、基地局４３について複数の時間帯における複数の種別のデータの実測値および推測値を保存する。サーバ４１のオペレータは、第２の保存部４ａに保存されている、基地局４３に異常が起きた時間帯Ｔ１～時間帯Ｔｑにおける複数の種別のデータの実測値および推測値の実測値、および基地局４３に異常が起きた時間帯Ｔ１～時間帯Ｔｑにおける複数の種別のデータの実測値および推測値の推測値に、異常の要因をラベル付けする。例えば、オペレータは、異常と判定された時間帯Ｔ１におけるトラフィック量の実測値Ｗ１１、トラフィック量の推測値Ｗ１２などの複数の種別のデータの実測値および推測値に、異常の要因はアンテナであるとラベル付けする。ラベル付けされたあとの各データは、例えば表５のようになる。なお、推測値は既出の第１～第３の実施形態に記載の発明が実施された際に算出されるものでもよい。第２の学習部４ｂは、ラベル付けされた複数の種別のデータの実測値および推測値を第２の保存部４ａから読み込み、データの種別ごとに実測値と推測値の一致度を計算する。もちろん、複数の種別について実測値と推測値の一致度を計算してもよい。例えば表５における実測値W１１と推測値W１２の一致度と、実測値Ｗ１３と推測値Ｗ１４の一致度を計算してもよい。第２の学習部４ｂは、データの種別ごとの一致度と異常の要因の関係を学習する。第２のモデル生成部４ｃは、第２の学習部４ｂが学習した結果をもとに、第２のモデルを生成する。データ決定部４ｄは、第２の保存部４ａに保存されているデータのうち、基地局４３から受信したデータにおいて異常の要因が判定されていない時間帯のデータに対し、異常の要因を判定すると決定する。例えば、データ決定部４ｄは、表５における時間帯Ｔｚにおける複数の種別のデータの実測値および推測値に対し、異常の要因を判定すると決定してもよい。データ入力部４ｅは、データ決定部４ｄで決定した時間帯における複数の種別のデータの実測値および推測値を第２のモデルに入力する。第２の判定部４ｆは、データ入力部４ｅが入力したデータと、第２のモデルを用いて、基地局４３における異常の要因が判定されていない時間帯の異常の要因を判定する。ラベル付け部４ｇは、データ決定部４ｄで決定したデータに、実際の点検等で判明した基地局４３の真の異常の要因をラベル付けする。
第２の学習部４ｂは、基地局４３における異常の要因がラベル付けされた複数の時間帯Ｔ３～時間帯Ｔｚのデータを用いて、各種別のデータの推測値と実測値の一致度を計算し、各種別のデータの一致度とラベル付けされた異常の要因を学習し、ルールを見つけ出してもよい。
第２の学習部４ｂは、基地局４３における異常の要因がラベル付けされた複数の時間帯Ｔ１～時間帯Ｔｚのデータを用いて、各種別のデータの推測値と実測値の一致度を計算し、各種別のデータの一致度とラベル付けされた異常の要因を学習し、ルールを生成してもよい。
第２の学習部４ｂは、例えば、数９に示すようにxを算出し、０＜ｘ＜１であればアンテナに異常があり、１＜ｘ＜２であればソフトウェアに異常がある、というルールを生成してもよい。ただし、a,b,cは定数とする。
Figure 0007338367000016
第２の学習部４ｂは、数１０、数１１、数１２に示すようにx1、x2、x3を算出し、x1、x2、x3それぞれの数の大小からルールを生成してもよい。
Figure 0007338367000017
Figure 0007338367000018
Figure 0007338367000019
また、第２の学習部４ｂは、例えば、一致度を高い順に○、△、×の３段階に分け、基地局４３に異常が起きた時間帯Ｔ１～Ｔｑの複数の種別のデータの実測値および推測値から表６に示すような表を作成する。表６は複数の時間帯Ｔ１～時間帯Ｔｚにおける複数の種別のデータの実測値および推測値の一致度と、異常の要因を対応付けた表である。ただし、ｑ、ｚは自然数である。なお、当然ながら一致度は所望する複数の段階に分けられてもよい。第２の学習部４ｂは、例えば、表６における結果から、ＲＳＳＩの一致度が○であり、伝搬損失率が×であるならば、異常の要因はアンテナであるというルールを生成してもよい。
Figure 0007338367000020
続いて、図１１を用いて本実施の形態におけるサーバ４１の動作をより詳細に説明する。図１０は、本実施における処理を示したフローチャートである。
［ステップＳ４０１］第２の保存部４ａは、基地局４３と、異常と判定された複数の基地局４２－１～４２－ｑから受信した実測値および推測値を保存する。また、第２の保存部４ａは、基地局４３と、複数の基地局４２－１～４２－ｑにおいて、複数の時間帯における複数の種別のデータの実測値および推測値を保存してもよい。
［ステップＳ４０２］サーバ４１のオペレータは、第２の保存部４ａに保存されている、複数の基地局４２－１～４２－ｑから受信した複数の種別のデータの実測値および推測値における実測値、および推測値に、基地局ごとの異常の要因をラベル付けする。例えば、サーバ４１のオペレータは、表３におけるトラフィック量の実測値１１、トラフィック量の推測値１２などの複数の種別のデータの実測値および推測値に、異常の要因はアンテナであるとラベル付けしてもよい。ラベル付けされたあとの各データは、例えば表３のようになる。また、サーバ４１のオペレータは、第２の保存部４ａに保存されている、異常の要因を判定したい基地局４３に異常が起きた時間帯Ｔ１～Ｔｑにおける複数の種別のデータの実測値および推測値に、異常の要因をラベル付けしてもよい。例えば、表４におけるトラフィック量の実測値W１１、トラフィック量の推測値W１２などの複数の種別のデータの実測値および推測値に、異常の要因はアンテナであるとラベル付けしてもよい。ラベル付けされたあとの各データは、例えば表４のようになる。異常の要因とは、例えば、アンテナを始めとする各ハードウェアの名称でもよいし、各ハードウェアの故障の要因でもよいし、基地局を制御するソフトウェアの名称でもよい。
［ステップＳ４０３］第２の保存部４ａは、異常の要因がラベル付けされた複数の種別のデータの実測値および推測値を第２の保存部４ａに保存する。
［ステップＳ４０４］第２の学習部４ｂは、ラベル付け複数の種別のデータの実測値および推測値を第２の保存部４ａから読み込む。なお、読み込む複数の種別のデータの実測値および推測値は、複数の基地局４２－１～基地局４２－ｑから得られた値でもよいし、同一の基地局４３における異なる時間帯のデータの組み合わせでもよい。
［ステップＳ４０５］第２の学習部４ｂは、複数の種別のデータの実測値および推測値に含まれる各種別の実測値と推測値から、実測値と推測値の一致度を計算する。各種別のデータとは、例えば、トラフィック量、ＲＳＳＩ、伝搬損失率、帯域幅、ＤＴＸ率又はＳＩＮＲなどの無線品質に関わる指標、無線品質に関わる指標のユーザ分布、各種完了率（ＲＲＣ接続成功率など）、アップリンクのスループット、ダウンリンクのスループットなどが挙げられるが、これに限定されない。また、一致度は、推測値と実測値との差分の絶対値や、推測値に対する実測値の割合、あるいは実測値に対する推測値の割合などから計算してもよい。
［ステップＳ４０６］第２の学習部４ｂは、各種別のデータごとに計算した複数の一致度と、ラベル付けされた異常の要因との組み合わせを機械学習アルゴリズムを用いて学習し、ルールを生成する。また、第２の学習部４ｂは、計算した一致度を所望する段階に分け、各種別のデータの一致度に対応する段階と、異常の要因との関係を機械学習アルゴリズムを用いて学習し、ルールを生成してもよい。本実施の形態において用いられる機械学習アルゴリズムは、既存の機械学習アルゴリズムであってもよいし、今後開発される機械学習アルゴリズムであってもよい。例えば、線形回帰やニューラルネットワークといった機械学習アルゴリズムを用いてもよい。
［ステップＳ４０７］第２のモデル生成部４ｃは、学習の結果から第２のモデルを生成する。本実施の形態における第２のモデルとは、複数の種別のデータの実測値および推測値における一致度から異常の要因を判定できるモデルのことである。
［ステップＳ４０８］データ選択部４ｅは、異常の要因の判定に用いるデータとして、異常の要因がラベル付けされていない複数の種別のデータの実測値および推測値を第２の保存部４ａに保存されたデータの中から選択する。
［ステップＳ４０９］データ入力部４ｅは、データ選択部４ｅが選択した複数の種別のデータの実測値および推測値を第２のモデル生成部４ｃが生成した第２のモデルに入力する。
［ステップＳ４１０］第２の判定部４ｆは、第２のモデルと、データ決定部４ｄが決定したデータを用いて、基地局４３の異常の要因を判定する。なお、判定する要因は１つであってもよいし、複数の要因を判定してもよい。
また、サーバ４１は、ラベル付け部４ｇを有してもよい。ラベル付け部４ｇは、例えば、異常と判定された基地局の復帰に伴って実際に調査され、確認された異常の要因を用いる。ラベル付け部４ｇは、調査で判明した異常の要因を真の異常の要因として、当該基地局から取得した異常と判定された複数の種別のデータの実測値および推測値にラベル付けする。また、第２のモデル生成部４ｃは、第２の保存部４ａに既に保存されているラベル付けされた複数の種別のデータの実測値および推測値に加えて、新たにラベル付け部４ｇによりラベル付けされた複数の種別のデータの実測値および推測値を用いて第２のモデルを更新してもよい。これにより、サーバ４１がより正確に異常の要因を判定できる。
このように、サーバ４１は、異常の要因がラベル付けされた複数の種別のデータの実測値および推測値を用いて、異常の要因と、複数の種別のデータの実測値および推測値との関係を学習し、第２のモデルを生成する。このため、サーバ４１は、異常の要因がラベル付けされていない複数の種別のデータの実測値および推測値に対して異常の要因を判定することができ、異常と判定された基地局の早期復旧につながる。
［第５の実施形態］
次に、第５の実施形態について説明する。本実施の形態では、既出の第１～第３の実施形態において、オペレータが基地局に対して設定していた判定条件をサーバが学習し、サーバが自動で判定条件を設定する。これにより、オペレータがまだ判定条件を設定していない基地局に対しても自動で判定条件の設定が可能になり、ひいてはデータの収集から異常の自動判定までをサーバが行えるようになる。図１２は、本実施の形態における無線通信システム５００の一例を示す。無線通信システム５００は、サーバ５１と判定条件を設定した複数の基地局５２－１～基地局５２－ｑと、判定条件を設定したい基地局５３を含む。サーバ５１の一例を、図１３に示す。サーバ５１は、時系列データ作成部５ａと、基準取得部５ｂと、保存部５ｃと、第３の学習部５ｄと、第３のモデル生成部５ｅと、データ決定部５ｆと、データ入力部５ｇと、基準算出部５ｈと、第３の判定部５ｉ、第１の判定部５ｊを含む。なお、第１の判定部５ｊは、第１の実施形態における第１の判定部１ｄ、第２の実施形態における第１の判定部２ｉ、第３の実施形態における第１の判定部３ｊと同様の構成である。
第３の判定部５ａについて、図１３を用いて説明する。時系列データ作成部５ａは、複数の基地局５２－１～基地局５２－ｑそれぞれ及び、基地局５３における、基地局の動作状況を表す第１の指標の実測値と、基地局の動作状況を表す第１の指標の推測値を第１の判定部５ｊから取得し、それぞれの時系列データを作成する。基地局の動作状況を表す第１の指標とは、例えば、トラフィック量であり、他には、ＲＳＳＩ、伝搬損失率、帯域幅、ＤＴＸ率又はＳＩＮＲなどの無線品質に関わる指標、無線品質に関わる指標のユーザ分布、各種完了率（ＲＲＣ接続成功率など）、アップリンクのスループット、ダウンリンクのスループット、複数の基地局５２－１～５２－ｑそれぞれが形成するエリアに存在するユーザ数などが挙げられるが、これに限定されない。
時系列データについて、より詳細に説明する。既出の第１～第３の実施形態において、サーバは、基地局の動作状況を表す第１の指標の実測値と、基地局の動作状況を表す第１の指標の推測値とを比較し、その比較の結果が判定条件を満たさない場合に基地局に異常があると判定している。例えば、判定条件とは、推測値と実測値との差分の絶対値が、設定された閾値を上回る場合にサーバは基地局に異常があると判定してもよい。また、閾値を下回った場合にサーバは、基地局に異常があると判定してもよいし、実測値に対する推測値の割合が閾値を上回った場合に基地局に異常があると判定してもよい。第１のモデルによる推測値と、実測値には全く差がない状態が理想的である。例えば、差分の絶対値は常に０であり、割合は常に１であることが理想的な状態である。しかし、第１のモデルの精度が低いなどの理由から、現実的には、基地局に異常が発生していなくとも、実測値と推測値には差が発生する。そして、その差は基地局ごとに異なっていると考えられる。また、その差は時間が経つにつれ変化しており、特に、基地局に異常が発生した際には、実測値と推測値の差が大きくなると考えられる。そのため、オペレータは基地局ごとに異常を判定する判定条件と、そのための基準値を設定している。そして、基準値を設定するには、実測値と推測値の時間変化のデータが必要となる。本実施の形態における時系列データとは、第１の指標の実測値と、第１の指標の推測値における時間変化を記録したものである。
基準取得部５ｂは、複数の基地局５２－１～基地局５２－ｑそれぞれに設定された判定条件と、基準値を第１の判定部５ｊから取得する。
保存部５ｃは、時系列データに、基準取得部５ｂが取得した判定条件と基準値を対応付けて保存する。また、保存部５ｃは、基地局５３の実測値および推測値も保存する。表７は、保存部５ｃが保存したデータの一例である。なお、保存する時系列データは第１の指標であればよく、種類を限定する必要はない。
Figure 0007338367000021
学習部５ｄは、時系列データと、判定条件および基準値の関係を、機械学習アルゴリズムを用いて学習する。具体的には、時系列データに対して、オペレータがどのような種類の判定条件を選択しているか、また、オペレータがどのような基準値を設定しているか、を学習する。学習に用いるデータは、オペレータが決定してもよいし、学習部５ｄが決定してもよい。また、学習部５ｄは、より長時間の時系列データを優先して選んでも良い。通常状態である区間に比べて異常状態である区間が短い時系列データの場合、第３のモデルの精度が向上する効果がある。本実施の形態において用いられる機械学習アルゴリズムは、既存の機械学習アルゴリズムであってもよいし、今後開発される機械学習アルゴリズムであってもよい。例えば、線形回帰やニューラルネットワークといった機械学習アルゴリズムを用いてもよい。第３のモデル生成部５ｅは、学習の結果から第３のモデルを生成する。第３のモデルとは、時系列データを入力すると、判定条件を決定し、基準値を算出するモデルである。データ決定部５ｆは、基地局５３における判定条件および基準値を自動設定する時系列データを、保存部５ｃに保存されている時系列データの中から決定する。なお、時系列データの決定はオペレータが行っても良い。データ入力部５ｇは、データ決定部５ｆが決定した時系列データのうち、全ての区間、あるいは一部の区間を第３のモデルに入力する。なお、入力する時系列データの区間はオペレータが設定しても良い。異常でない状態の区間のみの時系列データを入力させると、第３のモデルが設定する基準値の精度が向上する効果がある。基準算出部５ｈは、データ入力部５ｇが入力した時系列データと、第３のモデルとを用いて、判定条件を決定し、基準値を算出する。基準算出部５ｈは、決定した判定条件に合わせ、実測値と推測値の時系列データに対して加工を行う。例えば、判定条件に実測値と推測値との差分の絶対値を用いる場合、基準算出部５ｈは、実測値と推測値の時系列データを用いて、実測値と推測値における差分の絶対値の時系列データを作成する。判定条件に実測値と推測値との割合を用いる場合も、基準算出部５ｈは、同様に割合の時系列データを作成する。第３の判定部５ｉは、決定された判定条件を用いて、算出された基準値と、データ決定部５ｇが決定した時系列データとを比較し、比較した結果が判定条件を満たさない場合は、基地局に異常があると判定する。
続いて、図１４を用いて本実施の形態におけるサーバ５１の動作をより詳細に説明する。図１４は、本実施の形態における処理を表したフローチャートである。
［ステップＳ５０１］時系列データ作成部５ａは、複数の基地局５２－１～基地局５２－ｑそれぞれにおける、基地局の動作状況を表す第１の指標の実測値と、基地局の動作状況を表す第１の指標の推測値を第１の判定部５ｊから取得する。取得する実測値および推測値の時間間隔は特に限定されない。
［ステップＳ５０２］時系列データ作成部５ａは、複数の基地局５２－１～基地局５２－ｑそれぞれから受信した第１の指標の実測値と推測値の時系列データを作成する。なお、取得する実測値および推測値の種別は基地局の動作状況を表す第１の指標であればよく、また全ての基地局で統一された種別を用いる必要はない。また、作成する時系列データの期間は特に限定されない。
［ステップＳ５０３］基準取得部５ｂは、複数の基地局５２－１～基地局５２－ｑそれぞれに設定された判定条件、および基準値を第１の判定部５ｊから取得する。判定条件とは、例えば、推測値と実測値との差分の絶対値が、設定された閾値を上回る場合に異常があると判定する、という条件でもよい。また、判定条件は、閾値を下回った場合に異常があると判定するという条件でもよい。加えて、判定条件は、実測値に対する推測値の割合が閾値を上回った場合に異常があると判定するという条件でもよい。例えば基準値とは、閾値であってもよい。
［ステップＳ５０４］保存部５ｃは、時系列データに、判定条件と基準値を対応付けて保存する。例えば、保存部５ｃは、表７に示すようにして時系列データに、判定条件と基準値を対応付けて保存する。なお、保存する時系列データは第１の指標であればよく、種類を限定する必要はない。
［ステップＳ５０５］学習部５ｄは、時系列データと、判定条件および基準値の関係を学習する。具体的には、学習部５ｄは、時系列データに対して、オペレータがどのような種類の判定条件を選択しているか、また、オペレータがどのような基準値を設定しているか、を学習する。学習に用いるデータは、オペレータが決定してもよいし、学習部５ｄが決定してもよい。また、学習部５ｄは、より長時間の時系列データを優先して選んでもよい。学習に用いるデータにおける記録された時間が長いほど、第３のモデルが算出する基準値の精度が向上する効果がある。また、学習部５ｄは通常状態である区間に比べて異常状態である区間が短い時系列データを優先して選んでもよい。通常状態である区間に比べて異常状態である区間が短い時系列データを優先して選んだ場合、第３のモデルが算出する基準値の精度が向上する効果がある。本実施の形態において用いられる機械学習アルゴリズムは、既存の機械学習アルゴリズムであってもよいし、今後開発される機械学習アルゴリズムであってもよい。例えば、線形回帰やニューラルネットワークといった機械学習アルゴリズムを用いてもよい。
［ステップＳ５０６］第３のモデル生成部５ｅは、学習の結果から第３のモデルを生成する。第３のモデルとは、時系列データを入力すると、判定条件を決定し、基準値を算出するモデルである。
［ステップＳ５０７］データ決定部５ｆは、基地局５３における判定条件および基準値を自動設定する時系列データを、判定条件および基準値が決められていない時系列データから決定する。なお、時系列データの決定はオペレータが行っても良い。また、基地局５３と、時系列データは複数選んでもよい。
［ステップＳ５０８］データ入力部５ｇは、データ決定部５ｆが決定した時系列データのうち、全てのデータ、あるいは一部のデータを第３のモデルに入力する。なお、入力する時系列データの区間はオペレータが設定しても良い。異常でない状態ののみの時系列データを入力させると、第３のモデルが設定する基準値の精度が向上する効果がある。
［ステップＳ５０９］基準算出部５ｈは、データ入力部５ｇが入力した時系列データと、第３のモデルとを用いて、判定条件を決定し、基準値を算出する。
［ステップＳ５１０］基準算出部５ｈは、決定した判定条件に合わせ、実測値と推測値の時系列データに対して加工を行う。例えば、判定条件に実測値と推測値との差分の絶対値を用いる場合、基準算出部５ｈは、実測値と推測値の時系列データを用いて、実測値と推測値における差分の絶対値の時系列データを作成する。判定条件に実測値と推測値との割合を用いる場合も、基準算出部５ｈは、同様に割合の時系列データを作成する。
［ステップＳ５１１］第３の判定部５ｉは、基準算出部５ｈが算出した基準値と、基準算出部５ｈが加工した時系列データとを比較する。
［ステップＳ５１２］第３の判定部５ｉは、比較した結果が設定した判定条件を満たす場合は基地局に異常がないと判定し、比較した結果が設定した判定条件を満たさない場合は、基地局に異常があると判定する。図１４に示したフローチャートは、判定条件を差分の絶対値とした際の一例であり、他には実測値に対する推測値の割合や、推測値に対する実測値の割合が考えられるが、これらに限定されるものではない。
本実施の形態によれば、サーバ５１は基地局から受信した実測値の時系列データと、推測値との時系列データと、第３のモデルを用いて、基地局に対し異常を判定する判定条件と、異常を判定する基準値を自動で設定することが可能になる。これにより、オペレータの負担の減少につながる。
［プログラム］
本発明におけるプログラムは、コンピュータに、図２に示すステップＳ１０１～Ｓ１０５、図５に示すステップＳ２０１～Ｓ２１３、図８に示すステップＳ３０１～Ｓ３１４、図１１に示すステップＳ４０１～Ｓ４１０、図１４に示すステップＳ５０１～Ｓ５１２を実行させるプログラムであればよい。このプログラムをコンピュータにインストールし、実行することによって、本発明におけるサーバ１１、サーバ２１、サーバ３１、サーバ４１、サーバ５１とサーバの制御方法とを実現することができる。この場合、コンピュータのＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）は、受信部１ａ、第１のモデル生成部１ｂ、算出部１ｃ、第１の判定部１ｄ、受信部２ａ、分割部２ｂ、加工部２ｃ、時間帯決定部２ｅ、第１の学習部２ｆ、第１のモデル生成部２ｇ、算出部２ｈ、第１の判定部２ｉ、受信部３ａ、分割部３ｂ、加工部３ｃ、基地局決定部３ｅ、時間帯決定部３ｆ、第１の学習部３ｇ、第１のモデル生成部３ｈ、算出部３ｉ、第１の判定部３ｊ、第２の学習部４ｂ、第２のモデル生成部４ｃ、データ決定部４ｄ、データ入力部４ｅ、第２の判定部４ｆ、時系列データ作成部５ａ、基準取得部５ｂ、第３の学習部５ｄ、第３のモデル生成部５ｅ、データ決定部５ｆ、データ入力部５ｇ、基準算出部５ｈ、第３の判定部５ｉ、及び第１の判定部５ｊとして機能し、処理を行う。
また、本発明におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されてもよい。この場合は、例えば、各コンピュータが、それぞれ、受信部１ａ、第１のモデル生成部１ｂ、算出部１ｃ、第１の判定部１ｄ、受信部２ａ、分割部２ｂ、加工部２ｃ、時間帯決定部２ｅ、第１の学習部２ｆ、第１のモデル生成部２ｇ、算出部２ｈ、第１の判定部２ｉ、受信部３ａ、分割部３ｂ、加工部３ｃ、基地局決定部３ｅ、時間帯決定部３ｆ、第１の学習部３ｇ、第１のモデル生成部３ｈ、算出部３ｉ、第１の判定部３ｊ、第２の学習部４ｂ、第２のモデル生成部４ｃ、データ決定部４ｄ、データ入力部４ｅ、第２の判定部４ｆ、時系列データ作成部５ａ、基準取得部５ｂ、第３の学習部５ｄ、第３のモデル生成部５ｅ、データ決定部５ｆ、データ入力部５ｇ、基準算出部５ｈ、第３の判定部５ｉ、及び第１の判定部５ｊのいずれかとして機能してもよい。
［物理構成］
図１５に示すように、コンピュータ１００は、ＣＰＵ１０１と、メインメモリ１０２と、記憶装置１０３と、入力インターフェース１０４と、データリーダ／ライタ１０５と、通信インターフェース１０６とを備える。これらの各部は、バス１０７を介して、互いにデータ通信可能に接続される。
ＣＰＵ１０１は、記憶装置１０３に格納された、本発明におけるプログラム（コード）をメインメモリ１０２に展開し、これらを所定順序で実行することにより、各種の演算を実施する。メインメモリ１０２は、典型的には、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等の揮発性の記憶装置である。また、本発明におけるプログラムは、コンピュータが読み取り可能な記録媒体１０８に格納された状態で提供される。なお、本発明におけるプログラムは、通信インターフェース１０６を介して接続されたインターネット上で流通するものであってもよい。
また、記憶装置１０３の具体例としては、ハードディスクドライブの他、フラッシュメモリ等の半導体記憶装置が挙げられる。入力インターフェース１０４は、ＣＰＵ１０１と、キーボード及びマウスといった入力機器１０９との間のデータ転送を仲介する。
データリーダ／ライタ１０５は、ＣＰＵ１０１と記録媒体１０８との間のデータ転送を仲介し、記録媒体１０８からのプログラムの読み出し、及びコンピュータ１００における処理結果の記録媒体１０８への書き込みを実行する。通信インターフェース１０６は、ＣＰＵ１０１と他のコンピュータとの間のデータ転送を仲介する。
また、記録媒体１０８の具体例としては、ＣＦ（Ｃｏｍｐａｃｔ Ｆｌａｓｈ（登録商標））及びＳＤ（Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌ）等の汎用的な半導体記憶デバイス、フレキシブルディスク（Ｆｌｅｘｉｂｌｅ Ｄｉｓｋ）及びハードディスク等の磁気記録媒体、又はＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）などの光学記録媒体が挙げられる。
なお、本発明におけるサーバ１１、サーバ２１、サーバ３１、サーバ４１、サーバ５１は、プログラムがインストールされたコンピュータではなく、各部に対応したハードウェアを用いることによっても実現可能である。更に、サーバ１１、サーバ２１、サーバ３１、サーバ４１、サーバ５１は、一部がプログラムで実現され、残りの部分がハードウェアで実現されていてもよい。
上述した実施の形態の一部又は全部は、以下に記載する（付記１）～（付記１３）によって表現することができるが、以下の記載に限定されるものではない。
（付記１）
基地局から、複数の種別のデータを受信する受信部と、
前記複数の種別のデータから、第１のモデルを生成する第１のモデル生成部と、
前記第１のモデル生成部が生成した前記第１のモデルを用いて、基地局の動作状況を表す指標の推測値を算出する算出部と、
前記基地局の動作状況を表す指標の推測値と基地局の動作状況を表す指標の実測値を比較し、
比較の結果が判定条件を満たさない場合、前記基地局に異常があると判定する第１の判定部と、
を有する、
サーバ。
（付記２）
前記受信部は、
複数の基地局それぞれから前記複数の種別のデータを取得する、
付記１に記載のサーバ。
（付記３）
前記複数の種別のデータは、
前記基地局のトラフィック量に関する種別のデータ及び前記トラフィック量を推測するための種別のデータを含む、
付記１から２のいずれかに記載のサーバ。
（付記４）
前記複数の種別のデータは、
前記基地局の設置に関する情報を含む、
付記１から３のいずれかに記載のサーバ。
（付記５）
前記設置に関する情報は、
前記基地局の位置情報、前記基地局がカバーするエリア情報又は前記基地局が備えるアンテナの角度情報の内、少なくともいずれか１つを含む、
付記４に記載のサーバ。
（付記６）
前記受信部は、
前記基地局に関する、前記複数の種別のデータ以外の種別のデータを、前記基地局以外の装置から取得し、
前記モデル生成部は、
モデルの生成に、前記複数の種別のデータに加え、前記装置から取得した前記データを用いる、
付記１から５のいずれかに記載のサーバ。
（付記７）
前記サーバは、
異常の要因がラベル付けされた複数の種別のデータから第２のモデルを生成し、
前記第２のモデルと、異常と判定された基地局における複数の種別のデータから、異常の要因を判定する、
付記１から６のいずれかに記載のサーバ。
（付記８）
前記サーバは、
前記算出部が算出した前記推測値と前記実測値との時系列データと、前記基準を用いて、第３のモデルを生成し、
前記基準が設定されていない基地局における時系列データに対し、前記第３のモデルを用いて、前記基準を設定し、
前記推測値と前記実測値を比較し、
比較の結果が前記基準を満たさない場合、前記基地局に異常があると判定する、
付記２から７に記載のサーバ。
（付記９）
複数の基地局それぞれから、複数の種別のデータを受信する受信部と、
異常を判定する基地局以外における前記複数の種別のデータから、第１のモデルを生成するモデル生成部と、
前記異常を判定する基地局における前記複数の種別のデータと、前記モデル生成部が生成した前記第１のモデルを用いて、前記異常を判定する基地局の動作状況を表す指標の推測値を算出する算出部と、
前記異常を判定する基地局の動作状況を表す指標の推測値と基地局の動作状況を表す指標の実測値を比較し、
前記推測値と前記実測値の比較の結果が基準を満たさない場合、前記基地局に異常があると判定する異常判定部と、
を有する、
サーバ。
（付記１０）
基地局から、複数の種別のデータを受信し、
前記複数の種別のデータから、第１のモデルを生成し、
前記モデル生成部が生成した前記第１のモデルを用いて、基地局の動作状況を表す指標の推測値を算出し、
前記基地局の動作状況を表す指標の推測値と基地局の動作状況を表す指標の実測値を比較し、前記推測値と前記実測値が基準を満たさない場合、前記基地局に異常があると判定する、ことを特徴とするサーバの制御方法。
（付記１１）
前記サーバは、ラベル付け部を有し、
前記ラベル付け部は、
前記サーバが前記異常の要因を判定した際に用いた、前記異常を判定する基地局における複数の種別のデータに、前記異常を判定する基地局の異常を確認した時に判明した真の異常の要因を記したラベルを付ける、
付記７に記載のサーバ。
（付記１２）
前記サーバは、
ラベル付けされた複数の種別のデータを用いて、第２のモデルを更新する、
付記７又は付記１２のいずれかに記載のサーバ。
（付記１３）
前記判定条件とは、
前記推測値と前記実測値との差分の絶対値における第１の閾値、前記推測値に対する前記実測値の割合における第２の閾値、または前記実測値に対する前記推測値の割合における第３の閾値を含む、
付記１から１２に記載のサーバ。
以上、実施の形態を参照して本発明を説明したが、本願発明は上記実施の形態に限定されるものではない。本発明の構成や詳細には、本発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
以上のように、本発明によれば、無線基地局の異常をより精度よく検知することができる。本発明は、無線通信に関する分野に有用である。
１１ サーバ
１ａ 受信部
１ｂ 第１のモデル生成部
１ｃ 算出部
１ｄ 第１の判定部
２００ 無線通信システム
２１ サーバ
２２ 基地局
２３ 基地局以外の機器
２ａ 受信部
２ｂ 分割部
２ｃ 加工部
２ｄ 保存部
２ｅ 時間帯決定部
２ｆ 第１の学習部
２ｇ 第１のモデル生成部
２ｈ 算出部
２ｉ 第１の判定部
Ｔ１ 基地局２２の異常を判定する時間帯
Ｖ１１ 時間帯Ｔ１における第１の指標の実測値
Ｖ１２ 時間帯Ｔ１以外における第１の指標の実測値
Ｖ２１ 時間帯Ｔ１における第２の指標の実測値
Ｖ２２ 時間帯Ｔ１以外における第２の指標の実測値
３００ 無線通信システム
３１ サーバ
３２－１ 基地局
３２－ｎ 基地局
３２－Ｘ 異常を判定する基地局
３３ 基地局以外の機器
３ａ 受信部
３ｂ 分割部
３ｃ 加工部
３ｄ 保存部
３ｅ 基地局決定部
３ｆ 時間帯決定部
３ｇ 第１の学習部
３ｈ 第１のモデル生成部
３ｉ 算出部
３ｊ 第１の判定部
Ｔ２ 基地局３２－Xの異常を判定する時間帯
Ｖ３１ 時間帯Ｔ２における基地局３２－Ｘの第１の指標の実測値
Ｖ３１－１ 時間帯Ｔ２における基地局３２－１の第１の指標の実測値
Ｖ３１－ｎ 時間帯Ｔ２における基地局３２－ｎの第１の指標の実測値
Ｖ３２ 時間帯Ｔ２以外の時間帯における基地局３２－Ｘの第１の指標の実測値
Ｖ３２－１ 時間帯Ｔ２以外の時間帯における基地局３２－１の第１の指標の実測値
Ｖ３２－ｎ 時間帯Ｔ２以外の時間帯における基地局３２－ｎの第１の指標の実測値
Ｖ４１－Ａ 時間帯Ｔ２における基地局３２－Ｘの第２の指標のうち種別Ａの実測値
Ｖ４１―Ｎ 時間帯Ｔ２における基地局３２－Ｘの第２の指標のうち種別Nの実測値
Ｖ４１－Ａ－１ 時間帯Ｔ２における基地局３２－１の第２の指標のうち種別Ａの実測値
Ｖ４１－Ｎ－１ 時間帯Ｔ２における基地局３２－１の第２の指標のうち種別Nの実測値
Ｖ４１－Ａ－ｎ 時間帯Ｔ２における基地局３２－ｎの第２の指標のうち種別Ａの実測値
Ｖ４１－Ｎ－ｎ 時間帯Ｔ２における基地局３２－ｎの第２の指標のうち種別Ｎの実測値
Ｖ４２－Ａ 時間帯Ｔ２以外の時間帯における基地局３２－Ｘの第２の指標のうち種別Ａの実測値
Ｖ４２－Ｎ 時間帯Ｔ２以外の時間帯における基地局３２－Ｘの第２の指標のうち種別Ｎの実測値
Ｖ４２－Ａ－１ 時間帯Ｔ２以外の時間帯における基地局３２－１の第２の指標のうち種別Ａの実測値
Ｖ４２－N－１ 時間帯Ｔ２以外の時間帯における基地局３２－１の第２の指標のうち種別Nの実測値
Ｖ４２－Ａ－ｎ 時間帯Ｔ２以外の時間帯における基地局３２－ｎの第２の指標のうち種別Aの実測値
Ｖ４２－N－ｎ 時間帯Ｔ２以外の時間帯における基地局３２－ｎの第２の指標のうち種別Nの実測値
４００ 無線通信システム
４１ サーバ
４ａ 第２の保存部
４ｂ 第２の学習部
４ｃ 第２のモデル生成部
４ｄ データ決定部
４ｅ データ入力部
４ｆ 第２の判定部
４ｇ ラベル付け部
４２－１ 異常の要因が判明した基地局
４２－ｑ 異常の要因が判明した基地局
４３ 異常の要因を判定したい基地局
Ｘ１１ 基地局４２－１における、トラフィック量の実測値
Ｘ１２ 基地局４２－１における、トラフィック量の推測値
Ｔ３ 基地局４３における、異常の要因が判明した時間帯
Ｔｑ 基地局４３における、異常の要因が判明した時間帯
Ｔｚ 基地局４３における、異常の要因を判定したい時間帯
Ｗ１１ 時間帯Ｔ３における、基地局４３のトラフィック量の実測値
Ｗ１２ 時間帯Ｔ３における、基地局４３のトラフィック量の推測値
Ｗ１３ 時間帯Ｔ３における、基地局４３のＲＳＳＩの実測値
Ｗ１４ 時間帯Ｔ３における、基地局４３のＲＳＳＩの推測値
５００ 無線通信システム
５１ サーバ
５ａ 時系列データ作成部
５ｂ 基準取得部
５ｃ 保存部
５ｄ 第３の学習部
５ｅ 第３のモデル生成部
５ｆ データ決定部
５ｇ データ入力部
５ｈ 基準算出部
５ｉ 第３の判定部
５ｊ 第１の判定部
５２－１ 基地局
５２－ｑ 基地局
５３ 判定条件を設定したい基地局
１００ コンピュータ
１０１ ＣＰＵ
１０２ メインメモリ
１０３ 記憶装置
１０４ 入力インターフェース
１０５ データリーダ／ライタ
１０６ 通信インターフェース
１０７ バス
１０８ 記録媒体
１０９ 入力機器

Claims (8)

  1. 基地局の設置に関する情報を少なくとも含む基地局のトラフィック量に関する第１の種別のデータと、前記第１の種別のデータを推測するための第２の種別のデータと、を取得する取得部と、
    前記第１及び第２の種別のデータから、前記第１の種別の指標を目的変数、前記第２の種別の指標を説明変数とする第１のモデルを生成する第１のモデル生成部と、
    前記第１のモデル生成部が生成した前記第１のモデルを用いて、前記基地局の前記第１の種別の指標の推測値を算出する算出部と、
    前記基地局の前記第１の種別の指標の推測値と前記基地局の前記第１の種別の指標の実測値を比較し、比較の結果が判定条件を満たさない場合、前記基地局に異常があると判定する第１の判定部と、
    を有する、
    サーバ。
  2. 前記設置に関する情報は、
    前記基地局の位置情報、前記基地局がカバーするエリア情報又は前記基地局が備えるアンテナの角度情報の内、少なくともいずれか１つを含む、
    請求項１に記載のサーバ。
  3. 前記取得部は、
    複数の基地局それぞれから前記第１及び第２の種別のデータを取得する、
    請求項１又は２に記載のサーバ。
  4. 前記取得部は、
    前記基地局に関する、前記第１及び第２の種別のデータ以外の種別のデータを、前記基地局以外の装置から取得し、
    前記第１のモデル生成部は、
    前記第１及び第２の種別のデータに加え、前記装置から取得した前記データを用いて前記第１のモデルを生成する、
    請求項１から３のいずれかに記載のサーバ。
  5. 前記サーバは、
    異常の要因がラベル付けされた前記第１及び第２の種別のデータから第２のモデルを生成する第２のモデル生成部と、
    前記第２のモデルと、異常と判定された基地局における前記第１及び第２の種別のデータから、異常の要因を判定する第２の判定部と、
    を有する、
    請求項１から４のいずれかに記載のサーバ。
  6. 前記サーバは、前記算出部が算出した前記推測値と前記実測値との時系列データと、前記判定条件を用いて、第３のモデルを生成する第３のモデル生成部と、
    前記判定条件が設定されていない基地局における時系列データに対し、前記第３のモデルを用いて、前記判定条件を決定する基準算出部と、
    前記推測値と前記実測値を比較し、比較の結果が前記判定条件を満たさない場合、前記基地局に異常があると判定する第３の判定部と、
    を有する、
    請求項２から５のいずれかに記載のサーバ。
  7. 複数の基地局それぞれから、基地局の設置に関する情報を少なくとも含む基地局のトラフィック量に関する第１の種別のデータと、前記第１の種別のデータを推測するための第２の種別のデータと、を取得する取得部と、
    異常を判定する基地局以外における前記第１及び第２の種別のデータから、前記第１の種別の指標を目的変数、前記第２の種別の指標を説明変数とする第１のモデルを生成する第１のモデル生成部と、
    前記異常を判定する基地局における前記第１及び第２の種別のデータと、前記第１のモデル生成部が生成した前記第１のモデルを用いて、前記異常を判定する基地局の前記第１の種別の指標の推測値を算出する算出部と、
    前記異常を判定する基地局の前記第１の種別の指標の推測値と前記第１の種別の指標の実測値を比較し、前記推測値と前記実測値の比較の結果が判定条件を満たさない場合、前記基地局に異常があると判定する第１の判定部と、
    を有する、
    サーバ。
  8. 基地局の設置に関する情報を少なくとも含む基地局のトラフィック量に関する第１の種別のデータと、前記第１の種別のデータを推測するための第２の種別のデータと、を取得し、
    前記第１及び第２の種別のデータから、前記第１の種別の指標を目的変数、前記第２の種別の指標を説明変数とする第１のモデルを生成し、
    前記第１のモデルを用いて、前記基地局の前記第１の種別の指標の推測値を算出し、
    前記基地局の前記第１の種別の指標の推測値と前記基地局の前記第１の種別の指標の実測値を比較し、前記推測値と前記実測値が判定条件を満たさない場合、前記基地局に異常があると判定する、
    サーバの制御方法。
JP2019176447A 2019-09-27 2019-09-27 サーバ及び制御方法 Active JP7338367B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2019176447A JP7338367B2 (ja) 2019-09-27 2019-09-27 サーバ及び制御方法
US17/030,938 US11546785B2 (en) 2019-09-27 2020-09-24 Server, radio communication system, and control method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019176447A JP7338367B2 (ja) 2019-09-27 2019-09-27 サーバ及び制御方法

Publications (2)

Publication Number Publication Date
JP2021057650A JP2021057650A (ja) 2021-04-08
JP7338367B2 true JP7338367B2 (ja) 2023-09-05

Family

ID=75162644

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019176447A Active JP7338367B2 (ja) 2019-09-27 2019-09-27 サーバ及び制御方法

Country Status (2)

Country Link
US (1) US11546785B2 (ja)
JP (1) JP7338367B2 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11418862B2 (en) * 2020-06-25 2022-08-16 Lenovo Enterprise Solutions (Singapore) Pte. Ltd. Link fault management for optical adapters

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011097156A (ja) 2009-10-27 2011-05-12 Ntt Docomo Inc 故障検出装置
JP2016201794A (ja) 2015-04-10 2016-12-01 富士通株式会社 故障検出装置、方法及びシステム
WO2019116417A1 (ja) 2017-12-11 2019-06-20 日本電気株式会社 通信品質低下予測システム、方法およびプログラム

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6256468B2 (ja) * 2013-06-28 2018-01-10 富士通株式会社 制御装置及び制御方法
US20220019451A1 (en) * 2015-10-28 2022-01-20 Qomplx, Inc. System and methods for creation and use of meta-models in simulated environments
US10318886B2 (en) * 2015-10-30 2019-06-11 Citrix Systems, Inc. Anomaly detection with K-means clustering and artificial outlier injection
US10057787B2 (en) * 2016-04-06 2018-08-21 Futurewei Technologies, Inc. System and method for millimeter wave communications
TWI660640B (zh) * 2016-05-24 2019-05-21 財團法人資訊工業策進會 基地台中控伺服器及其基地台運行中斷補償方法
US11277420B2 (en) * 2017-02-24 2022-03-15 Ciena Corporation Systems and methods to detect abnormal behavior in networks
JP6993559B2 (ja) 2017-05-16 2022-01-13 富士通株式会社 トラフィック管理装置、トラフィック管理方法およびプログラム
US11093518B1 (en) * 2017-09-23 2021-08-17 Splunk Inc. Information technology networked entity monitoring with dynamic metric and threshold selection
US11018967B2 (en) * 2018-03-29 2021-05-25 Viavi Solutions Inc. Determining an end user experience score based on client device, network, server device, and application metrics
US10944581B2 (en) * 2018-11-08 2021-03-09 International Business Machines Corporation Increasing processing capacity of processor cores during initial program load processing
US11494380B2 (en) * 2019-10-18 2022-11-08 Splunk Inc. Management of distributed computing framework components in a data fabric service system
US11316749B1 (en) * 2019-10-21 2022-04-26 Splunk Inc. Generating three-dimensional representation of one or more cloud computing systems
US11797883B2 (en) * 2020-03-04 2023-10-24 Cisco Technology, Inc. Using raw network telemetry traces to generate predictive insights using machine learning
US11811588B2 (en) * 2020-04-22 2023-11-07 Samsung Electronics Co., Ltd. Configuration management and analytics in cellular networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011097156A (ja) 2009-10-27 2011-05-12 Ntt Docomo Inc 故障検出装置
JP2016201794A (ja) 2015-04-10 2016-12-01 富士通株式会社 故障検出装置、方法及びシステム
WO2019116417A1 (ja) 2017-12-11 2019-06-20 日本電気株式会社 通信品質低下予測システム、方法およびプログラム

Also Published As

Publication number Publication date
US11546785B2 (en) 2023-01-03
US20210099897A1 (en) 2021-04-01
JP2021057650A (ja) 2021-04-08

Similar Documents

Publication Publication Date Title
CN109983798B (zh) 蜂窝网络中的性能指标的预测
US10440503B2 (en) Machine learning-based geolocation and hotspot area identification
JP4215600B2 (ja) 無線通信システムの運用管理システム及び運用管理方法並びにプログラム
WO2017215647A1 (en) Root cause analysis in a communication network via probabilistic network structure
JP7135969B2 (ja) 情報処理方法及び情報処理装置
EP2750432A1 (en) Method and system for predicting the channel usage
KR102456900B1 (ko) 에지 컴퓨팅 기반 데이터 분석 시스템 및 그 방법
CN109362084A (zh) 通信业务质量优化的方法、装置、设备和介质
JP5953990B2 (ja) 通信制御装置、通信制御システムおよび通信制御方法
JP7338367B2 (ja) サーバ及び制御方法
CN115185721B (zh) 一种基于人工智能的数据处理方法及系统
JP2018201071A (ja) 推定装置、推定方法及び推定プログラム
JP6502062B2 (ja) 通信品質予測装置及び通信品質予測プログラム
EP3849231B1 (en) Configuration of a communication network
JP6625839B2 (ja) 負荷実績データ判別装置、負荷予測装置、負荷実績データ判別方法及び負荷予測方法
JP6916445B2 (ja) 環境情報取得方法、環境情報取得装置及び環境情報取得システム
JP5915776B2 (ja) 障害原因判定装置、方法及びプログラム
EP4117332A1 (en) Abnormality detection device, abnormality detection method, and non-transitory computer-readable medium
CN109729531B (zh) 确定信道规划
JP2016136714A (ja) 無線通信利用状況測定方法
CN111095868A (zh) 软件定义网络中的数据流量管理
KR102160769B1 (ko) 무선 센서 네트워크의 수명 연장을 위한 연결성 취약 노드 추정 장치 및 방법
JP6217439B2 (ja) 電界強度情報記録装置、電界強度情報記録方法、及び電界強度情報記録プログラム
WO2024066292A1 (zh) 设备群障识别方法、装置和计算机可读存储介质
US20230269693A1 (en) Methods and systems for radio frequency signature generation and position estimation

Legal Events

Date Code Title Description
RD01 Notification of change of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7421

Effective date: 20200205

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20200205

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220801

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230413

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230418

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230602

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: 20230725

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230807

R151 Written notification of patent or utility model registration

Ref document number: 7338367

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151