JP7397814B2

JP7397814B2 - Model creation device, model creation method and program

Info

Publication number: JP7397814B2
Application number: JP2021001444A
Authority: JP
Inventors: 智史伊藤; 高弘林; 竜也長尾
Original assignee: KDDI Research Inc
Current assignee: KDDI Research Inc
Priority date: 2021-01-07
Filing date: 2021-01-07
Publication date: 2023-12-13
Anticipated expiration: 2041-01-07
Also published as: JP2022106445A

Description

本発明は、電波の時空間伝搬特性を特定するために用いられるモデル作成装置、モデル作成方法及びプログラムに関する。 The present invention relates to a model creation device, a model creation method, and a program used to specify the spatiotemporal propagation characteristics of radio waves.

空間内の電波の伝搬特性を推定する手法として、受信点を含む地図データにＣＮＮ（Convolutional Neural Network）を適用して都市構造パラメータを特徴量として抽出し、抽出された特徴量からＦＮＮ（Fully-connected Neural Network）により推定する手法が知られている（例えば、特許文献１を参照）。 As a method for estimating the propagation characteristics of radio waves in space, CNN (Convolutional Neural Network) is applied to map data including reception points to extract urban structure parameters as features, and FNN (Fully-Neural Network) is applied from the extracted features. A method of estimating using a connected neural network is known (for example, see Patent Document 1).

特開２０１９－１２２００８号公報JP 2019-122008 Publication

時空間伝搬特性には、送信点及び受信点から視認可能な構造物が大きく影響するが、従来の手法においては、時空間伝搬特性への影響が比較的小さい領域の構造物に関する情報も使用される。したがって、時空間伝搬特性の学習に長時間を要するという問題が生じていた。 The spatio-temporal propagation characteristics are greatly influenced by structures visible from the transmitting and receiving points, but in conventional methods, information about structures in areas that have a relatively small effect on the spatio-temporal propagation characteristics is also used. Ru. Therefore, a problem has arisen in that it takes a long time to learn the spatio-temporal propagation characteristics.

そこで、本発明はこれらの点に鑑みてなされたものであり、空間の画像データを用いて電波の時空間伝搬特性を機械学習により推定するために要する時間を短縮することを目的とする。 The present invention has been made in view of these points, and an object of the present invention is to shorten the time required to estimate the spatiotemporal propagation characteristics of radio waves by machine learning using spatial image data.

本発明の第１の態様のモデル作成装置は、電波を送信する送信機が設置された送信位置、又は前記電波を受信する受信機が設置された受信位置の少なくとも一方から視認することができる領域を示す機械学習用の可視領域画像データを取得する画像データ取得部と、前記可視領域画像データに対応する三次元空間において前記送信機から前記受信機まで前記電波を送信した場合の時空間伝搬特性を示す機械学習用時空間伝搬特性データを取得する特性データ取得部と、前記可視領域画像データと、前記送信位置と、前記受信位置と、前記機械学習用時空間伝搬特性データとを教師データとして機械学習し、前記可視領域画像データと、前記送信位置と、前記受信位置と、が入力されると、入力された前記送信位置から前記受信位置まで前記電波が送信された場合の時空間伝搬特性を示す時空間伝搬特性データを出力する時空間伝搬特性モデルを作成するモデル作成部と、を有する。 The model creation device according to the first aspect of the present invention provides an area that can be visually recognized from at least one of a transmission position where a transmitter that transmits radio waves is installed, and a reception position where a receiver that receives the radio waves is installed. an image data acquisition unit that acquires visible region image data for machine learning indicating the visible region image data, and spatiotemporal propagation characteristics when the radio waves are transmitted from the transmitter to the receiver in a three-dimensional space corresponding to the visible region image data. a characteristic data acquisition unit that acquires spatio-temporal propagation characteristic data for machine learning indicating the above-mentioned visible region image data, the transmission position, the reception position, and the spatio-temporal propagation characteristic data for machine learning as teacher data; Through machine learning, when the visible region image data, the transmission position, and the reception position are input, the spatiotemporal propagation characteristics when the radio wave is transmitted from the input transmission position to the reception position are calculated. a model creation unit that creates a spatio-temporal propagation characteristic model that outputs spatio-temporal propagation characteristic data indicating .

前記モデル作成部は、前記三次元空間に含まれる構造物の表面における、前記送信機が送信した電波に基づく電力の分布を示す電力分布データが関連付けられた前記可視領域画像データを前記教師データとして用いて機械学習することにより前記時空間伝搬特性モデルを作成してもよい。 The model creation unit uses, as the teacher data, the visible region image data associated with power distribution data indicating the distribution of power based on the radio waves transmitted by the transmitter on the surface of the structure included in the three-dimensional space. The spatio-temporal propagation characteristic model may be created by machine learning using the method.

前記モデル作成部は、前記三次元空間に含まれる構造物の表面の深度を示す深度データが関連付けられた前記可視領域画像データを前記教師データとして用いて機械学習することにより前記時空間伝搬特性モデルを作成してもよい。 The model creation unit creates the spatio-temporal propagation characteristic model by performing machine learning using the visible region image data associated with depth data indicating the depth of the surface of a structure included in the three-dimensional space as the teacher data. may be created.

前記モデル作成部は、前記三次元空間のうち、前記送信位置及び前記受信位置の両方から視認可能な領域を示す視認領域データが関連付けられた前記可視領域画像データを前記教師データとして用いて機械学習することにより前記時空間伝搬特性モデルを作成してもよい。 The model creation unit performs machine learning using the visible area image data associated with visible area data indicating an area visible from both the transmitting position and the receiving position in the three-dimensional space as the teacher data. The spatio-temporal propagation characteristic model may be created by doing so.

前記モデル作成部は、前記三次元空間に含まれる構造物の面の角度を示す角度データが関連付けられた前記可視領域画像データを前記教師データとして用いて機械学習することにより前記時空間伝搬特性モデルを作成してもよい。 The model creation unit creates the spatio-temporal propagation characteristic model by performing machine learning using the visible area image data associated with angle data indicating angles of surfaces of structures included in the three-dimensional space as the teacher data. may be created.

前記モデル作成部は、前記可視領域画像データのうち、前記三次元空間に含まれる構造物のエッジ部分から所定の範囲内の領域に対応するデータを前記教師データとして用いて機械学習することにより前記時空間伝搬特性モデルを作成してもよい。 The model creation unit performs machine learning using, as the teacher data, data corresponding to an area within a predetermined range from an edge portion of a structure included in the three-dimensional space, out of the visible area image data. A spatio-temporal propagation characteristic model may also be created.

前記モデル作成部は、前記送信位置に光源を配置した場合に前記光源が発した光を視認可能な前記受信位置から視認することができる前記可視領域画像データを前記教師データとして用いて機械学習することにより前記時空間伝搬特性モデルを作成してもよい。 The model creation unit performs machine learning using the visible region image data that can be viewed from the receiving position where light emitted by the light source is visible when the light source is placed at the transmitting position as the teacher data. The spatio-temporal propagation characteristic model may be created by doing so.

本発明の第２の態様のモデル作成方法は、コンピュータが実行する、電波を送信する送信機が設置された送信位置、又は前記電波を受信する受信機が設置された受信位置の少なくとも一方から視認することができる領域を示す機械学習用の可視領域画像データを取得するステップと、前記可視領域画像データに対応する三次元空間において前記送信機から前記受信機まで前記電波を送信した場合の時空間伝搬特性を示す機械学習用時空間伝搬特性データを取得するステップと、前記可視領域画像データと、前記送信位置と、前記受信位置と、前記機械学習用時空間伝搬特性データとを教師データとして学習し、前記可視領域画像データと、前記送信位置と、前記受信位置と、が入力されると、入力された前記送信位置から前記受信位置まで前記電波が送信された場合の時空間伝搬特性を示す時空間伝搬特性データを出力する時空間伝搬特性モデルを作成するステップと、を有する。 The model creation method according to the second aspect of the present invention is performed by a computer and includes visual confirmation from at least one of a transmitting position where a transmitter that transmits radio waves is installed, or a receiving position where a receiver that receives the radio waves is installed. a step of acquiring visible region image data for machine learning indicating an area where the visible region image data can be used; and a spatio-temporal space when the radio waves are transmitted from the transmitter to the receiver in a three-dimensional space corresponding to the visible region image data. a step of acquiring spatiotemporal propagation characteristic data for machine learning indicating propagation characteristics; and learning using the visible region image data, the transmission position, the reception position, and the spatiotemporal propagation characteristic data for machine learning as training data. When the visible region image data, the transmission position, and the reception position are input, the time-space propagation characteristics are shown when the radio wave is transmitted from the input transmission position to the reception position. creating a spatio-temporal propagation characteristic model that outputs spatio-temporal propagation characteristic data.

本発明の第３の態様のプログラムは、コンピュータに、電波を送信する送信機が設置された送信位置、又は前記電波を受信する受信機が設置された受信位置の少なくとも一方から視認することができる領域を示す機械学習用の可視領域画像データを取得するステップと、前記可視領域画像データに対応する三次元空間において前記送信機から前記受信機まで前記電波を送信した場合の時空間伝搬特性を示す機械学習用時空間伝搬特性データを取得するステップと、前記可視領域画像データと、前記送信位置と、前記受信位置と、前記機械学習用時空間伝搬特性データとを教師データとして学習し、前記可視領域画像データと、前記送信位置と、前記受信位置と、が入力されると、入力された前記送信位置から前記受信位置まで前記電波が送信された場合の時空間伝搬特性を示す時空間伝搬特性データを出力する時空間伝搬特性モデルを作成するステップと、を実行させる。 The program according to the third aspect of the present invention can be visually checked on a computer from at least one of a transmitting position where a transmitter for transmitting radio waves is installed, or a receiving position where a receiver for receiving the radio waves is installed. A step of acquiring visible region image data for machine learning indicating a region, and showing spatiotemporal propagation characteristics when the radio wave is transmitted from the transmitter to the receiver in a three-dimensional space corresponding to the visible region image data. a step of acquiring spatio-temporal propagation characteristic data for machine learning, learning the visible region image data, the transmission position, the reception position, and the spatio-temporal propagation characteristic data for machine learning as teacher data; When the regional image data, the transmission position, and the reception position are input, a spatiotemporal propagation characteristic indicating a spatiotemporal propagation characteristic when the radio wave is transmitted from the input transmission position to the reception position. A step of creating a spatio-temporal propagation characteristic model for outputting data is executed.

本発明によれば、空間の画像データを用いて電波の時空間伝搬特性の機械学習をするために要する時間を短縮することができるという効果を奏する。 According to the present invention, it is possible to reduce the time required for machine learning of the spatio-temporal propagation characteristics of radio waves using spatial image data.

本実施形態に係るモデル作成装置の概要を説明するための図である。FIG. 1 is a diagram for explaining an overview of a model creation device according to the present embodiment. モデル作成装置１の構成を示す図である。1 is a diagram showing the configuration of a model creation device 1. FIG. 送信位置及び受信位置から視認可能な領域の例を示す図である。FIG. 3 is a diagram illustrating an example of an area that is visible from a transmission position and a reception position. 時空間伝搬特性特定装置２の構成を示す図である。1 is a diagram showing the configuration of a spatio-temporal propagation characteristic identification device 2. FIG.

［モデル作成装置の概要］
図１は、本実施形態に係るモデル作成装置の概要を説明するための図である。モデル作成装置は、電波の時空間伝搬特性を示す時空間伝搬特性モデルを作成するためのコンピュータである。時空間伝搬特性は、例えば遅延スプレッド、角度スプレッド、ドップラースプレッド、Ｋファクタ、又はシャドウフェージング偏差である。 [Overview of model creation device]
FIG. 1 is a diagram for explaining an overview of a model creation device according to this embodiment. The model creation device is a computer for creating a spatio-temporal propagation characteristic model indicating the spatio-temporal propagation characteristics of radio waves. The spatiotemporal propagation characteristics are, for example, delay spread, angular spread, Doppler spread, K-factor, or shadow fading deviation.

図１は、構造物が存在する領域を上方から見た状態を模式的に示している。構造物は、例えばビル、家、ホール等の建物であり、電波の時空間伝搬特性に影響を与える物体である。図１には、電波を送信する送信機Ｔと、電波を受信する受信機Ｒとが示されている。送信機Ｔが送信した電波はアンテナの指向性に対応する方向に放射されるが、図１においては、受信機Ｒに向けて放射される電波Ｗ１、構造物Ｂ１に向けて放射される電波Ｗ２１、及び構造物Ｂ２に向けて放射される電波Ｗ３１が示されている。 FIG. 1 schematically shows a state in which a region where a structure exists is viewed from above. The structure is, for example, a building, a house, a hall, or the like, and is an object that affects the spatiotemporal propagation characteristics of radio waves. FIG. 1 shows a transmitter T that transmits radio waves and a receiver R that receives radio waves. The radio waves transmitted by the transmitter T are radiated in the direction corresponding to the directivity of the antenna, but in FIG. 1, the radio waves W1 are radiated toward the receiver R, and the radio waves W21 are radiated toward the structure B1. , and a radio wave W31 radiated toward the structure B2.

図１（ａ）においては、電波Ｗ１は送信機Ｔから受信機Ｒに直接届く。電波Ｗ２１は、構造物Ｂ１の壁で反射し、反射したＷ２２が受信機Ｒに届く。しかし、構造物Ｂ２に向けて放射された電波Ｗ３１は、構造物Ｂ１で遮られて構造物Ｂ２には届かない。図１（ｂ）においては、電波Ｗ３１が構造物Ｂ２に届いて構造物Ｂ２の壁で反射するが、反射した電波Ｗ３２は構造物Ｂ１に遮られて受信機Ｒには届かない。 In FIG. 1(a), a radio wave W1 directly reaches a receiver R from a transmitter T. The radio wave W21 is reflected by the wall of the structure B1, and the reflected wave W22 reaches the receiver R. However, the radio wave W31 radiated toward the structure B2 is blocked by the structure B1 and does not reach the structure B2. In FIG. 1B, the radio wave W31 reaches the structure B2 and is reflected by the wall of the structure B2, but the reflected radio wave W32 is blocked by the structure B1 and does not reach the receiver R.

以上のように、送信機Ｔから送信された電波は、構造物Ｂ２で反射して受信機Ｒに到達しないので、送信機Ｔから受信機Ｒへの電波の時空間伝搬特性に、構造物Ｂ２の存在は影響しない。従来、送信機Ｔから受信機Ｒへの電波の時空間伝搬特性を推定する際には、送信機Ｔ及び受信機Ｒの周辺の全ての構造物の影響が考慮されていた。しかし、本実施形態に係るモデル作成装置は、図１に示す構造物Ｂ２のように伝搬特性に影響しない構造物等の構造物を考慮することなく、送信機Ｔ又は受信機Ｒの少なくともいずれかから見通すことができる構造物の位置及び形状等に基づいて時空間伝搬特性を機械学習することにより、時空間伝搬特性モデルを作成するために要する時間を短縮することができる。 As described above, the radio waves transmitted from the transmitter T are reflected by the structure B2 and do not reach the receiver R, so the spatio-temporal propagation characteristics of the radio waves from the transmitter T to the receiver R are presence has no effect. Conventionally, when estimating the spatio-temporal propagation characteristics of radio waves from the transmitter T to the receiver R, the influence of all structures around the transmitter T and receiver R has been taken into consideration. However, the model creation device according to the present embodiment does not take into account structures such as structures that do not affect the propagation characteristics, such as structure B2 shown in FIG. The time required to create a spatio-temporal propagation characteristic model can be reduced by machine learning the spatio-temporal propagation characteristics based on the position, shape, etc. of the structure that can be seen from the ground.

以下、本実施形態に係るモデル作成装置、及びモデル作成装置が作成した時空間伝搬特性モデルに基づいて時空間伝搬特性を特定する時空間伝搬特性特定装置の構成及び動作を詳細に説明する。 Hereinafter, the configuration and operation of the model creation device according to this embodiment and the spatiotemporal propagation characteristic identifying device that identifies spatiotemporal propagation characteristics based on the spatiotemporal propagation characteristic model created by the model creation device will be described in detail.

［モデル作成装置１の構成］
図２は、モデル作成装置１の構成を示す図である。モデル作成装置１は、送信位置と受信位置との間での電波の時空間伝搬特性を示すモデルを作成するための装置であり、例えばコンピュータである。モデル作成装置１は、通信部１１と、記憶部１２と、制御部１３と、を有する。制御部１３は、画像データ取得部１３１と、特性データ取得部１３２と、モデル作成部１３３と、を有する。 [Configuration of model creation device 1]
FIG. 2 is a diagram showing the configuration of the model creation device 1. The model creation device 1 is a device for creating a model showing the spatio-temporal propagation characteristics of radio waves between a transmission position and a reception position, and is, for example, a computer. The model creation device 1 includes a communication section 11, a storage section 12, and a control section 13. The control unit 13 includes an image data acquisition unit 131, a characteristic data acquisition unit 132, and a model creation unit 133.

通信部１１は、ネットワークを介して各種のデータを送受信するための通信インターフェースを有する。通信部１１は、モデル作成装置１がモデルを作成するために使用する画像データ及び時空間伝搬特性データを外部装置から取得する。 The communication unit 11 has a communication interface for transmitting and receiving various data via a network. The communication unit 11 acquires image data and spatiotemporal propagation characteristic data used by the model creation device 1 to create a model from an external device.

画像データは、電波を送信する送信機Ｔが設置された送信位置、又は電波を受信する受信機Ｒが設置された受信位置の少なくとも一方から視認することができる領域を示す機械学習用の可視領域画像データである。可視領域画像データは、例えば三次元空間における構造物の位置及び向きの情報を含む全天球画像データであり、モデル作成部１３３が機械学習により時空間伝搬特性モデルを構築するための教師データとして使用される。可視領域画像データは、送信位置又は受信位置の少なくとも一方から視認することができる領域の画像データのみを含んでもよい。 The image data is a visible area for machine learning that indicates an area that can be viewed from at least one of the transmission position where the transmitter T that transmits radio waves is installed, or the reception position where the receiver R that receives radio waves is installed. This is image data. The visible region image data is, for example, spherical image data that includes information on the position and orientation of structures in three-dimensional space, and is used as training data for the model creation unit 133 to construct a spatio-temporal propagation characteristic model by machine learning. used. The visible area image data may include only image data of an area that can be visually recognized from at least one of the transmitting position and the receiving position.

可視領域画像データは、例えば、三次元空間における深度を示す深度情報及び自由空間伝搬損失（ＦＳＰＬ：Free Space Path Loss）情報を含んでいる。深度は、例えば、可視領域画像の撮影方向における基準位置（例えば観測点の位置）から構造物の表面までの距離である。通信部１１は、例えば、外部のコンピュータに記憶されている三次元構造物情報データベース、点群情報データベース、又は実測全天球画像データベースにアクセスすることにより、可視領域画像データを取得する。 The visible region image data includes, for example, depth information indicating depth in three-dimensional space and free space path loss (FSPL) information. The depth is, for example, the distance from the reference position (for example, the position of an observation point) to the surface of the structure in the photographing direction of the visible region image. The communication unit 11 acquires the visible region image data by accessing, for example, a three-dimensional structure information database, a point cloud information database, or a measured spherical image database stored in an external computer.

時空間伝搬特性データは、可視領域画像データに対応する三次元空間において送信機Ｔから受信機Ｒまで電波を送信した場合の時空間伝搬特性を示す機械学習用時空間伝搬特性データである。時空間伝搬特性データは、送信機Ｔから受信機Ｒまで電波が伝送される間に生じる時空間伝搬特性を示す実測データであり、モデル作成部１３３が機械学習により時空間伝搬特性モデルを構築するための教師データとして使用される。 The spatiotemporal propagation characteristic data is spatiotemporal propagation characteristic data for machine learning that indicates the spatiotemporal propagation characteristic when radio waves are transmitted from the transmitter T to the receiver R in the three-dimensional space corresponding to the visible region image data. The spatio-temporal propagation characteristic data is actually measured data indicating the spatio-temporal propagation characteristics that occur during the transmission of radio waves from the transmitter T to the receiver R, and the model creation unit 133 constructs a spatio-temporal propagation characteristic model by machine learning. used as training data for

記憶部１２は、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）及びＳＳＤ（Solid State Drive）等の記憶媒体を有する。記憶部１２は、制御部１３が実行するプログラムを記憶する。また、記憶部１２は、モデル作成部１３３により作成される時空間伝搬特性モデル１２１を記憶する。時空間伝搬特性モデル１２１は、モデル作成部１３３により作成された後に更新されてもよい。時空間伝搬特性モデル１２１は、時空間伝搬特性の推定が必要な三次元空間の可視領域情報が入力されると、当該三次元空間において指定された送信位置と受信位置との間の遅延スプレッド及び角度スプレッド等の時空間伝搬特性の推定値を出力する機械学習モデルである。 The storage unit 12 includes storage media such as ROM (Read Only Memory), RAM (Random Access Memory), and SSD (Solid State Drive). The storage unit 12 stores programs executed by the control unit 13. The storage unit 12 also stores the spatiotemporal propagation characteristic model 121 created by the model creation unit 133. The spatiotemporal propagation characteristic model 121 may be updated after being created by the model creation unit 133. When the spatio-temporal propagation characteristic model 121 receives the three-dimensional visible area information that requires estimation of the spatio-temporal propagation characteristic, the spatio-temporal propagation characteristic model 121 calculates the delay spread and the This is a machine learning model that outputs estimated values of spatiotemporal propagation characteristics such as angular spread.

制御部１３は、例えばＣＰＵ（Central Processing Unit）を含む。制御部１３は、記憶部１２に記憶されたプログラムを実行することにより、画像データ取得部１３１、特性データ取得部１３２及びモデル作成部１３３として機能する。 The control unit 13 includes, for example, a CPU (Central Processing Unit). The control unit 13 functions as an image data acquisition unit 131, a characteristic data acquisition unit 132, and a model creation unit 133 by executing a program stored in the storage unit 12.

画像データ取得部１３１は、通信部１１を介して、モデル作成部１３３が機械学習に使用する可視領域画像データを取得する。可視領域画像データは、三次元空間がカメラで撮影されることにより作成された撮像画像データであってもよく、三次元空間内の構造物の位置及び形状が実測されて作成された画像データであってもよい。画像データ取得部１３１は、取得した可視領域画像データをモデル作成部１３３に入力する。 The image data acquisition unit 131 acquires, via the communication unit 11, visible region image data that the model creation unit 133 uses for machine learning. The visible area image data may be captured image data created by photographing a three-dimensional space with a camera, or may be image data created by actually measuring the position and shape of a structure in the three-dimensional space. There may be. The image data acquisition unit 131 inputs the acquired visible region image data to the model creation unit 133.

画像データ取得部１３１は、取得した可視領域画像データをそのままモデル作成部１３３に入力してもよいが、取得した可視領域画像データに、送信位置及び受信位置の両方から視認できない領域の画像データが含まれている場合、取得した可視領域画像データのうち、送信位置又は受信位置の少なくともいずれかから視認可能な領域の画像データのみを抽出し、抽出した可視領域画像データをモデル作成部１３３に入力してもよい。画像データ取得部１３１は、送信位置及び受信位置の両方から視認可能な領域の画像データのみを抽出し、抽出した可視領域画像データをモデル作成部１３３に入力してもよい。 The image data acquisition unit 131 may input the acquired visible area image data as is to the model creation unit 133, but if the acquired visible area image data includes image data of an area that is not visible from both the transmitting position and the receiving position. If it is included, extract only the image data of the area that is visible from at least either the transmission position or the reception position from the acquired visible area image data, and input the extracted visible area image data to the model creation unit 133. You may. The image data acquisition unit 131 may extract only the image data of the area that is visible from both the transmission position and the reception position, and input the extracted visible area image data to the model creation unit 133.

特性データ取得部１３２は、通信部１１を介して、モデル作成部１３３が機械学習に使用する時空間伝搬特性データを取得する。時空間伝搬特性データは、可視領域画像データが示す三次元空間内の２つの位置の組み合わせに関連付けられている。時空間伝搬特性データは、例えば、可視領域画像に含まれる三次元空間内の送信機Ｔの位置を示す緯度・経度情報及び受信機Ｒの位置を示す緯度・経度情報に関連付けられており、送信機Ｔから受信機Ｒに電波が送信された際の時空間伝搬特性を実測した結果に基づいて作成されている。特性データ取得部１３２は、取得した時空間伝搬特性データをモデル作成部１３３に入力する。 The characteristic data acquisition unit 132 acquires, via the communication unit 11, spatiotemporal propagation characteristic data that the model creation unit 133 uses for machine learning. The spatiotemporal propagation characteristic data is associated with a combination of two positions in the three-dimensional space indicated by the visible region image data. The spatiotemporal propagation characteristic data is associated with, for example, latitude/longitude information indicating the position of the transmitter T in the three-dimensional space included in the visible region image and latitude/longitude information indicating the position of the receiver R, and It is created based on the results of actual measurements of the spatio-temporal propagation characteristics when radio waves are transmitted from device T to receiver R. The characteristic data acquisition unit 132 inputs the acquired spatiotemporal propagation characteristic data to the model creation unit 133.

モデル作成部１３３は、可視領域画像データと、送信位置と、受信位置と、機械学習用時空間伝搬特性データとを教師データとして機械学習する。モデル作成部１３３は、機械学習することにより、可視領域画像データと、送信位置と、受信位置と、が入力されると、入力された送信位置から受信位置まで電波が送信された場合の時空間伝搬特性を示す時空間伝搬特性データを出力する時空間伝搬特性モデル１２１を作成する。 The model creation unit 133 performs machine learning using the visible region image data, the transmission position, the reception position, and the spatiotemporal propagation characteristic data for machine learning as teacher data. By machine learning, the model creation unit 133 calculates, when the visible region image data, the transmission position, and the reception position are input, the time and space when radio waves are transmitted from the input transmission position to the reception position. A spatiotemporal propagation characteristic model 121 is created that outputs spatiotemporal propagation characteristic data indicating the propagation characteristic.

モデル作成部１３３は、三次元空間のうち、送信位置及び受信位置の両方から視認可能な領域を示す視認領域データが関連付けられた可視領域画像データを教師データとして用いて機械学習することにより時空間伝搬特性モデル１２１を作成してもよい。送信位置及び受信位置の両方から視認可能な領域を示す視認領域データは、例えば図１における構造物Ｂ１のように、送信機Ｔ及び受信機Ｒから見通すことができる構造物の位置及び形状を示すデータである。 The model creation unit 133 performs machine learning using visible area image data associated with visible area data indicating an area visible from both the transmitting position and the receiving position in the three-dimensional space as training data. A propagation characteristic model 121 may also be created. Visible area data indicating an area that is visible from both the transmitting position and the receiving position indicates the position and shape of a structure that can be seen from the transmitter T and the receiver R, such as structure B1 in FIG. 1, for example. It is data.

図１（ａ）に示した構造物Ｂ２は、送信機Ｔ及び受信機Ｒの両方から見通すことができないので、構造物Ｂ２は、送信位置及び受信位置の両方から視認可能な領域に含まれない。図１（ｂ）に示した構造物Ｂ２は、送信機Ｔから見通すことができるが、受信機Ｒから見通すことができない。このような場合にも、構造物Ｂ２は、送信位置及び受信位置の両方から視認可能な領域に含まれない。 Since the structure B2 shown in FIG. 1(a) cannot be seen from both the transmitter T and the receiver R, the structure B2 is not included in the area that is visible from both the transmitting position and the receiving position. . The structure B2 shown in FIG. 1(b) can be seen from the transmitter T, but cannot be seen from the receiver R. In such a case, the structure B2 is not included in the visible area from both the transmitting position and the receiving position.

図３は、送信位置及び受信位置から視認可能な領域の例を示す図である。図３（ａ）と図３（ｂ）とでは、送信機Ｔの位置と受信機Ｒの位置とが異なっている。図３における白い四角形は、送信機Ｔと受信機Ｒの両方から視認可能な構造物である。図３における網点の四角形は、送信機Ｔ又は受信機Ｒのいずれか一方から視認可能な構造物である。図３における斜線の四角形は、送信機Ｔからも受信機Ｒからも視認できない構造物である。 FIG. 3 is a diagram illustrating an example of an area that is visible from the transmission position and the reception position. The position of the transmitter T and the position of the receiver R are different between FIG. 3(a) and FIG. 3(b). The white squares in FIG. 3 are structures visible from both the transmitter T and the receiver R. The halftone squares in FIG. 3 are structures that are visible from either the transmitter T or the receiver R. The diagonally shaded rectangle in FIG. 3 is a structure that cannot be seen from either the transmitter T or the receiver R.

モデル作成部１３３は、例えば、図３における白い四角形で示される構造物の位置及び形状を示すデータを教師データとして用いて機械学習することにより時空間伝搬特性モデル１２１を作成するモデル作成部１３３が、このように、送信位置及び受信位置の両方から視認可能な領域を示す視認可能領域データが関連付けられた可視領域画像データを教師データとして用いることで、送信位置及び受信位置のいずれか一方から視認できず、時空間伝搬特性への影響が比較的小さい領域が使用されないので、推定精度を損なわずに機械学習により時空間伝搬特性モデル１２１を作成するための時間を短縮することができる。 For example, the model creation unit 133 creates the spatiotemporal propagation characteristic model 121 by machine learning using data indicating the position and shape of the structure indicated by the white rectangle in FIG. 3 as training data. In this way, by using visible area image data associated with visible area data indicating an area visible from both the transmitting position and the receiving position as training data, it is possible to make it visible from either the transmitting position or the receiving position. Since regions that cannot be used and have a relatively small influence on the spatio-temporal propagation characteristics are not used, the time required to create the spatio-temporal propagation characteristic model 121 by machine learning can be shortened without impairing estimation accuracy.

なお、モデル作成部１３３は、送信機Ｔ又は受信機Ｒの一方から見通すことができる領域内の構造物は、Ｔと受信機Ｒとの間の伝搬特性への影響がゼロではないことから、送信機Ｔ又は受信機Ｒの一方から見通すことができる領域内の構造物の位置及び形状を含む可視領域画像データを教師データとして用いてもよい。図３に示す例の場合、モデル作成部１３３は、網点で示す構造物の位置及び形状を示すデータを教師データとして用いてもよい。 Note that the model creation unit 133 assumes that structures within an area that can be seen from either the transmitter T or the receiver R have a non-zero influence on the propagation characteristics between the transmitter T and the receiver R. Visible area image data including the position and shape of a structure within an area that can be seen from either the transmitter T or the receiver R may be used as the teacher data. In the case of the example shown in FIG. 3, the model creation unit 133 may use data indicating the position and shape of the structure indicated by halftone dots as the teacher data.

モデル作成部１３３は、三次元空間に含まれる構造物の表面における、送信機Ｔが送信した電波に基づく電力の分布を示す電力分布データが関連付けられた可視領域画像データを教師データとして用いて機械学習することにより時空間伝搬特性モデル１２１を作成してもよい。電力分布データは、構造物の表面における複数の位置それぞれに電波が照射されることで受ける電力の大きさを示すデータである。構造物の表面は、構造物の壁、窓ガラス、ベランダの手すり等のような部位によって異なる状態になっており、送信機Ｔが送信した電波の反射特性が異なるため、表面が受ける電力の分布が異なっている。 The model creation unit 133 uses visible region image data associated with power distribution data indicating the distribution of power based on the radio waves transmitted by the transmitter T on the surface of the structure included in the three-dimensional space as training data. The spatio-temporal propagation characteristic model 121 may be created by learning. The power distribution data is data indicating the amount of power received by irradiating radio waves to each of a plurality of positions on the surface of a structure. The surface of a structure is in a different state depending on its parts, such as the structure's walls, window glass, balcony handrails, etc., and the reflection characteristics of the radio waves transmitted by the transmitter T are different, so the distribution of power received by the surface is different. are different.

そこで、モデル作成部１３３は、可視領域内の構造物の表面それぞれの電力分布の理論値を電力分布データとして算出又は取得する。モデル作成部１３３は、当該電力分布データを教師データとして用いることで、時空間伝搬特性モデル１２１の精度を向上させることができる。モデル作成部１３３は、例えばレイトレーシングの手法を用いることにより、可視領域画像データに基づいて電力分布データを作成することができる。 Therefore, the model creation unit 133 calculates or obtains the theoretical value of the power distribution on each surface of the structure within the visible region as power distribution data. The model creation unit 133 can improve the accuracy of the spatiotemporal propagation characteristic model 121 by using the power distribution data as teacher data. The model creation unit 133 can create power distribution data based on the visible region image data by using, for example, a ray tracing method.

モデル作成部１３３は、三次元空間に含まれる構造物の表面の深度を示す深度データが関連付けられた可視領域画像データを教師データとして用いて機械学習することにより時空間伝搬特性モデルを作成してもよい。深度データは、構造物の表面における複数の位置それぞれの基準位置（例えば可視領域画像データの撮影位置）からの距離を示すデータである。 The model creation unit 133 creates a spatiotemporal propagation characteristic model by performing machine learning using visible region image data associated with depth data indicating the depth of the surface of a structure included in a three-dimensional space as training data. Good too. The depth data is data indicating the distance of each of a plurality of positions on the surface of the structure from a reference position (for example, a photographing position of visible region image data).

モデル作成部１３３は、深度データと電力分布データの両方が構造物の表面における複数の位置に関連付けられた可視領域画像データを教師データとして用いてもよい。モデル作成部１３３は、深度データが関連付けられた可視領域画像データを教師データとして用いることにより、可視領域画像データが示す領域内の構造物の三次元形状と時空間伝搬特性とを関連付けて機械学習することができるので、深度データが含まれる可視領域画像データを取得できる場合に適した時空間伝搬特性モデル１２１を作成することができる。 The model creation unit 133 may use visible region image data in which both depth data and power distribution data are associated with a plurality of positions on the surface of the structure as training data. The model creation unit 133 performs machine learning by associating the three-dimensional shape and spatio-temporal propagation characteristics of structures in the region indicated by the visible region image data by using the visible region image data associated with the depth data as training data. Therefore, it is possible to create a spatio-temporal propagation characteristic model 121 suitable for the case where visible region image data including depth data can be acquired.

モデル作成部１３３は、三次元空間に含まれる構造物の面の角度を示す角度データが関連付けられた可視領域画像データを教師データとして用いて機械学習することにより時空間伝搬特性モデル１２１を作成してもよい。構造物の面の角度は、電波が反射する向きに影響するため、モデル作成部１３３が構造物の面の角度を示す可視領域画像データを教師データとして用いることで、時空間伝搬特性モデル１２１の精度が向上する。 The model creation unit 133 creates the spatio-temporal propagation characteristic model 121 by machine learning using visible region image data associated with angle data indicating the angle of the surface of a structure included in a three-dimensional space as training data. You can. Since the angle of the structure's surface affects the direction in which radio waves are reflected, the model creation unit 133 uses visible range image data indicating the angle of the structure's surface as training data to create the spatio-temporal propagation characteristic model 121. Improves accuracy.

なお、モデル作成部１３３は、送信位置又は受信位置の少なくともいずれかから視認できる領域に含まれる構造物については、電力分布データ、深度データ、又は角度データの少なくともいずれかが関連付けられており、他の領域に含まれる構造物については電力分布データ、深度データ、及び角度データが関連付けられていない可視領域画像データを使用してもよい。モデル作成部１３３がこのような可視領域画像データを使用することで、送信位置又は受信位置の少なくともいずれかから視認できる領域に関するデータ量が増えながらも、他の領域に関するデータ量の増加を抑えることができるので、機械学習に要する時間を抑制しつつ、作成する時空間伝搬特性モデル１２１の精度を向上させることができる。 Note that the model creation unit 133 associates at least one of power distribution data, depth data, and angle data with respect to structures included in an area that is visible from at least one of the transmission position and the reception position, and For structures included in the area, visible area image data to which power distribution data, depth data, and angle data are not associated may be used. By using such visible region image data, the model creation unit 133 can suppress an increase in the amount of data regarding other regions even though the amount of data regarding the region that can be seen from at least one of the transmitting position and the receiving position increases. Therefore, the accuracy of the spatio-temporal propagation characteristic model 121 to be created can be improved while suppressing the time required for machine learning.

また、モデル作成部１３３は、可視領域画像データのうち、三次元空間に含まれる構造物のエッジ部分から所定の範囲内の領域に対応するデータを教師データとして用いて機械学習することにより時空間伝搬特性モデル１２１を作成してもよい。構造物における複数の面が接するエッジにおいては、電波の伝搬状態が、他の位置に比べて複雑である。そこで、モデル作成部１３３が、このような構造物のエッジの周辺の部分が抽出された可視領域画像データを教師データとして使用することで、モデル作成部１３３は、機械学習をする際の処理データ量を削減しつつ、時空間伝搬特性モデル１２１の精度を十分なレベルにすることができる。 In addition, the model creation unit 133 performs machine learning using data corresponding to a region within a predetermined range from the edge portion of a structure included in the three-dimensional space as training data among the visible region image data. A propagation characteristic model 121 may also be created. At the edge of a structure where multiple surfaces are in contact, the propagation state of radio waves is more complex than at other locations. Therefore, the model creation unit 133 uses the visible area image data from which the peripheral parts of the edges of such structures are extracted as training data, so that the model creation unit 133 can use the data to be processed when performing machine learning. The accuracy of the spatio-temporal propagation characteristic model 121 can be made to a sufficient level while reducing the amount.

モデル作成部１３３は、送信位置に光源を配置した場合に光源が発した光を視認可能な受信位置から視認することができる可視領域画像データを教師データとして用いて機械学習することにより時空間伝搬特性モデル１２１を作成してもよい。光源が発した光を視認可能な受信位置は、光源を直接視認可能な位置であってもよく、光源が発した光が物体において反射した光又は空間内で散乱した光を視認可能な位置であってもよい。送信位置に光源を配置した場合に光源が発した光を視認可能な受信位置は、例えば、送信位置と受信位置とを結ぶ直線の間に遮蔽物がないという位置である。モデル作成部１３３が、このような可視領域画像データを教師データとして用いることで、機械学習をする際の処理データ量を削減しつつ、見通せる２地点間での時空間伝搬特性を示す時空間伝搬特性モデル１２１の精度を十分なレベルにすることができる。 The model creation unit 133 uses visible region image data that can be seen from the receiving position where the light emitted by the light source is visible when the light source is placed at the transmitting position as training data to perform machine learning to propagate the spatio-temporal propagation. A characteristic model 121 may also be created. The receiving position where the light emitted by the light source can be seen may be a position where the light source can be seen directly, or a position where the light emitted by the light source can be seen reflected from an object or scattered in space. There may be. When a light source is placed at a transmitting position, the receiving position where the light emitted by the light source can be visually recognized is, for example, a position where there is no obstruction between the straight line connecting the transmitting position and the receiving position. By using such visible region image data as training data, the model creation unit 133 can reduce the amount of processing data when performing machine learning, and generate spatiotemporal propagation that shows the spatiotemporal propagation characteristics between two visible points. The accuracy of the characteristic model 121 can be made to a sufficient level.

［伝搬特性特定装置２の構成］
図４は、伝搬特性特定装置２の構成を示す図である。伝搬特性特定装置２は、モデル作成装置１が作成した時空間伝搬特性モデル１２１を用いて、指定された送信位置と受信位置との間での電波の伝搬特性を特定するための装置であり、例えばコンピュータである。 [Configuration of propagation characteristic identification device 2]
FIG. 4 is a diagram showing the configuration of the propagation characteristic specifying device 2. As shown in FIG. The propagation characteristic specifying device 2 is a device for specifying the propagation characteristic of radio waves between a specified transmission position and a specified reception position using the spatio-temporal propagation characteristic model 121 created by the model creation device 1, For example, a computer.

伝搬特性特定装置２は、通信部２１と、表示部２２と、操作部２３と、記憶部２４と、制御部２５と、を有する。制御部２５は、データ取得部２５１と、指定受付部２５２と、出力部２５３と、を有する。 The propagation characteristic specifying device 2 includes a communication section 21 , a display section 22 , an operation section 23 , a storage section 24 , and a control section 25 . The control unit 25 includes a data acquisition unit 251, a designation reception unit 252, and an output unit 253.

通信部２１は、ネットワークを介して各種のデータを送受信するための通信インターフェースを有する。通信部２１は、伝搬特性特定装置２が時空間伝搬特性を特定するために使用する可視領域画像データを外部装置から受信し、受信した可視領域画像データをデータ取得部２５１に入力する。 The communication unit 21 has a communication interface for transmitting and receiving various data via a network. The communication unit 21 receives visible region image data used by the propagation characteristic identifying device 2 to identify spatiotemporal propagation characteristics from an external device, and inputs the received visible region image data to the data acquisition unit 251.

表示部２２は、各種のデータを表示するためのディスプレイである。表示部２２は、例えば、出力部２５３から入力された、特定した時空間伝搬特性を示すデータを表示する。 The display unit 22 is a display for displaying various data. The display unit 22 displays, for example, data input from the output unit 253 and indicating the specified spatiotemporal propagation characteristic.

操作部２３は、伝搬特性特定装置２を使用するユーザの操作を受け付けるデバイスであり、例えばキーボード、マウス又はタッチパネルである。操作部２３は、ユーザにより入力された操作の内容を示す情報を指定受付部２５２に通知する。 The operation unit 23 is a device that receives operations from a user who uses the propagation characteristic specifying device 2, and is, for example, a keyboard, a mouse, or a touch panel. The operation unit 23 notifies the specification reception unit 252 of information indicating the content of the operation input by the user.

記憶部２４は、ＲＯＭ、ＲＡＭ及びＳＳＤ等の記憶媒体を有する。記憶部２４は、制御部２５が実行するプログラムを記憶している。また、記憶部２４は、モデル作成装置１が作成した時空間伝搬特性モデル１２１を記憶している。 The storage unit 24 includes storage media such as ROM, RAM, and SSD. The storage unit 24 stores programs executed by the control unit 25. Furthermore, the storage unit 24 stores the spatiotemporal propagation characteristic model 121 created by the model creation device 1.

制御部２５は、例えばＣＰＵを有しており、記憶部２４に記憶されたプログラムを実行することにより、データ取得部２５１、指定受付部２５２及び出力部２５３として機能する。 The control unit 25 includes, for example, a CPU, and functions as a data acquisition unit 251, a designation reception unit 252, and an output unit 253 by executing a program stored in the storage unit 24.

データ取得部２５１は、所定の位置から視認することができる領域を示す可視領域画像データを取得する。所定の位置は、伝搬特性特定装置２を使用するユーザが時空間伝搬特性を知りたい位置である。当該可視領域画像データは、ユーザが伝搬特性を知りたい位置で撮影されることにより作成された画像データであってもよく、ユーザが伝搬特性を知りたい位置を視認できる位置で撮影されることにより作成された画像データであってもよい。データ取得部２５１は、取得した可視領域画像データを出力部２５３に入力することにより、可視領域画像データを表示部２２に表示させる。 The data acquisition unit 251 acquires visible area image data indicating an area that can be viewed from a predetermined position. The predetermined position is a position where the user using the propagation characteristic specifying device 2 wants to know the spatiotemporal propagation characteristic. The visible region image data may be image data created by photographing at a position where the user wants to know the propagation characteristics, or image data created by photographing at a position where the user wants to know the propagation characteristics. It may be created image data. The data acquisition unit 251 displays the visible area image data on the display unit 22 by inputting the acquired visible area image data to the output unit 253.

指定受付部２５２は、可視領域画像データにおける、送信機Ｔの位置である送信位置、及び受信機Ｒの位置である受信位置の指定を受け付ける。指定受付部２５２は、例えば、可視領域画像データが表示部２２に表示された状態で、ユーザが操作部２３を用いて行った操作の内容を取得し、操作の内容に基づいて、可視領域画像データにおけるユーザが指定した送信位置及び受信位置の座標を特定する。 The designation receiving unit 252 receives designations of a transmission position, which is the position of the transmitter T, and a reception position, which is the position of the receiver R, in the visible region image data. For example, the specification reception unit 252 acquires the details of the operation performed by the user using the operation unit 23 while the visible area image data is displayed on the display unit 22, and based on the details of the operation, specifies the visible area image. Specify the coordinates of the transmitting position and receiving position specified by the user in the data.

出力部２５３は、モデル作成装置１が作成した時空間伝搬特性モデル１２１に、データ取得部２５１が取得した可視領域画像データと、指定受付部２５２が受け付けた送信位置及び受信位置とを入力し、時空間伝搬特性モデル１２１から出力される時空間伝搬特性データを取得することにより、送信位置から受信位置まで電波が伝搬した場合の時空間伝搬特性データを出力する。出力部２５３は、時空間伝搬特性データを表示部２２に表示させてもよく、プリンタに印刷させてもよい。 The output unit 253 inputs the visible region image data acquired by the data acquisition unit 251 and the transmission position and reception position received by the designation reception unit 252 into the spatio-temporal propagation characteristic model 121 created by the model creation device 1, By acquiring the spatio-temporal propagation characteristic data output from the spatio-temporal propagation characteristic model 121, the spatio-temporal propagation characteristic data when the radio wave propagates from the transmitting position to the receiving position is output. The output unit 253 may display the spatio-temporal propagation characteristic data on the display unit 22 or may cause a printer to print it.

なお、以上の説明においては、記憶部２４が時空間伝搬特性モデル１２１を記憶している場合を例示したが、記憶部２４が時空間伝搬特性モデル１２１を記憶していなくてもよい。この場合、出力部２５３は、通信部１１を介して、モデル作成装置１又は他のコンピュータが記憶している時空間伝搬特性モデル１２１にアクセスすることにより、時空間伝搬特性データを取得してもよい。 In addition, in the above description, although the case where the storage part 24 memorize|stored the spatio-temporal propagation characteristic model 121 was illustrated, the storage part 24 does not need to memorize|store the spatio-temporal propagation characteristic model 121. In this case, the output unit 253 may obtain the spatio-temporal propagation characteristic data by accessing the spatio-temporal propagation characteristic model 121 stored in the model creation device 1 or another computer via the communication unit 11. good.

［モデル作成装置１による効果］
以上説明したように、モデル作成装置１は、電波を送信する送信機が設置された送信位置、又は前記電波を受信する受信機が設置された受信位置の少なくとも一方から視認することができる領域を示す機械学習用の可視領域画像データを用いて機械学習することにより、時空間伝搬特性モデル１２１を作成する。モデル作成装置１がこのような可視領域画像データを用いることにより、送信位置及び受信位置から視認できない構造物に関するデータも含むデータを用いて機械学習をする場合に比べて、推定精度を落とすことなく時空間伝搬特性モデルを作成するために要する計算時間を短縮することができる。 [Effects of model creation device 1]
As explained above, the model creation device 1 creates an area that can be visually recognized from at least one of the transmission position where a transmitter that transmits radio waves is installed, or the reception position where a receiver that receives the radio waves is installed. A spatio-temporal propagation characteristic model 121 is created by machine learning using the visible region image data for machine learning shown in FIG. By using such visible area image data, the model creation device 1 can perform machine learning without reducing estimation accuracy, compared to the case where machine learning is performed using data that also includes data regarding structures that cannot be seen from the transmitting and receiving positions. The calculation time required to create a spatio-temporal propagation characteristic model can be reduced.

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されず、その要旨の範囲内で種々の変形及び変更が可能である。例えば、装置の全部又は一部は、任意の単位で機能的又は物理的に分散・統合して構成することができる。また、複数の実施の形態の任意の組み合わせによって生じる新たな実施の形態も、本発明の実施の形態に含まれる。組み合わせによって生じる新たな実施の形態の効果は、もとの実施の形態の効果を併せ持つ。 Although the present invention has been described above using the embodiments, the technical scope of the present invention is not limited to the scope described in the above embodiments, and various modifications and changes can be made within the scope of the gist. be. For example, all or part of the device can be functionally or physically distributed and integrated into arbitrary units. In addition, new embodiments created by arbitrary combinations of multiple embodiments are also included in the embodiments of the present invention. The effects of the new embodiment resulting from the combination have the effects of the original embodiment.

１モデル作成装置
２伝搬特性特定装置
１１通信部
１２記憶部
１３制御部
２１通信部
２２表示部
２３操作部
２４記憶部
２５制御部
１２１伝搬特性モデル
１３１画像データ取得部
１３２特性データ取得部
１３３モデル作成部
２５１データ取得部
２５２指定受付部
２５３出力部
1 Model creation device 2 Propagation characteristic identification device 11 Communication unit 12 Storage unit 13 Control unit 21 Communication unit 22 Display unit 23 Operation unit 24 Storage unit 25 Control unit 121 Propagation characteristic model 131 Image data acquisition unit 132 Characteristic data acquisition unit 133 Model creation Section 251 Data acquisition section 252 Specification reception section 253 Output section

Claims

Acquire visible region image data for machine learning that indicates an area that can be visually recognized from at least one of a transmission position where a transmitter that transmits radio waves is installed or a reception position where a receiver that receives the radio waves is installed. an image data acquisition unit;
a characteristic data acquisition unit that acquires spatiotemporal propagation characteristic data for machine learning indicating spatiotemporal propagation characteristics when the radio waves are transmitted from the transmitter to the receiver in a three-dimensional space corresponding to the visible region image data;
Machine learning is performed using the visible area image data, the transmitting position, the receiving position, and the spatiotemporal propagation characteristic data for machine learning as teacher data, and the visible area image data, the transmitting position, and the receiving position are A model that creates a spatio-temporal propagation characteristic model that outputs spatio-temporal propagation characteristic data indicating spatio-temporal propagation characteristics when the radio wave is transmitted from the inputted transmission position to the reception position when , is input. The creation department and
A model creation device having:

The model creation unit uses, as the teacher data, the visible region image data associated with power distribution data indicating the distribution of power based on the radio waves transmitted by the transmitter on the surface of the structure included in the three-dimensional space. creating the spatio-temporal propagation characteristic model by machine learning using
The model creation device according to claim 1.

The model creation unit creates the spatio-temporal propagation characteristic model by performing machine learning using the visible region image data associated with depth data indicating the depth of the surface of a structure included in the three-dimensional space as the teacher data. create,
The model creation device according to claim 1 or 2.

The model creation unit performs machine learning using the visible area image data associated with visible area data indicating an area visible from both the transmitting position and the receiving position in the three-dimensional space as the teacher data. creating the spatiotemporal propagation characteristic model by
The model creation device according to any one of claims 1 to 3.

The model creation unit creates the spatio-temporal propagation characteristic model by performing machine learning using the visible area image data associated with angle data indicating angles of surfaces of structures included in the three-dimensional space as the teacher data. create,
The model creation device according to any one of claims 1 to 4.

The model creation unit performs machine learning using, as the teacher data, data corresponding to an area within a predetermined range from an edge portion of a structure included in the three-dimensional space, out of the visible area image data. Create a spatio-temporal propagation characteristic model,
The model creation device according to any one of claims 1 to 5.

The model creation unit performs machine learning using the visible region image data that can be viewed from the receiving position where light emitted by the light source is visible when the light source is placed at the transmitting position as the teacher data. creating the spatio-temporal propagation characteristic model by
The model creation device according to any one of claims 1 to 6.

computer executes
Acquire visible region image data for machine learning that indicates an area that can be visually recognized from at least one of a transmission position where a transmitter that transmits radio waves is installed or a reception position where a receiver that receives the radio waves is installed. step and
acquiring spatiotemporal propagation characteristic data for machine learning indicating spatiotemporal propagation characteristics when the radio waves are transmitted from the transmitter to the receiver in a three-dimensional space corresponding to the visible region image data;
The visible area image data, the transmitting position, the receiving position, and the spatiotemporal propagation characteristic data for machine learning are learned as teacher data, and the visible area image data, the transmitting position, and the receiving position are learned. , is input, creating a spatio-temporal propagation characteristic model that outputs spatio-temporal propagation characteristic data indicating spatio-temporal propagation characteristics when the radio wave is transmitted from the inputted transmission position to the reception position; ,
A model creation method having

to the computer,
Acquire visible region image data for machine learning that indicates an area that can be visually recognized from at least one of a transmission position where a transmitter that transmits radio waves is installed or a reception position where a receiver that receives the radio waves is installed. step and
acquiring spatiotemporal propagation characteristic data for machine learning indicating spatiotemporal propagation characteristics when the radio waves are transmitted from the transmitter to the receiver in a three-dimensional space corresponding to the visible region image data;
The visible area image data, the transmitting position, the receiving position, and the spatiotemporal propagation characteristic data for machine learning are learned as teacher data, and the visible area image data, the transmitting position, and the receiving position are learned. , is input, creating a spatio-temporal propagation characteristic model that outputs spatio-temporal propagation characteristic data indicating spatio-temporal propagation characteristics when the radio wave is transmitted from the inputted transmission position to the reception position; ,
A program to run.