JP7476969B2

JP7476969B2 - 通信品質を予測する装置、方法及びプログラム

Info

Publication number: JP7476969B2
Application number: JP2022543236A
Authority: JP
Inventors: 央也小野; 裕希坂上; 聖成川
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 2020-08-21
Filing date: 2020-08-21
Publication date: 2024-05-01
Anticipated expiration: 2040-08-21
Also published as: JPWO2022038760A1; WO2022038760A1

Description

本開示は、通信品質を予測する装置、方法及びプログラムに関する。

ユーザはネットワークサービスを利用するとき、通信キャリアの提供する通信回線を利用する。利用できるアクセス手段として、光回線や無線通信回線など様々な物理媒体が存在する。例えば、光回線の場合、ＩＥＥＥ８０２．３（イーサネット（登録商標））やＩＴＵ－ＴＧ．９８３／Ｇ．９８４／Ｇ．９８７／Ｇ．９８９等の通信規格が存在する。無線通信回線の場合、３ＧＰＰ３６Ｓｅｒｉｅｓ（ＬＴＥ）やＩＥＥＥ８０２．１１（無線ＬＡＮ）、ＩＥＥＥ８０２．１６（ＷｉＭＡＸ）等の通信規格が存在する。

ユーザ端末は、複数の通信規格を使い分けて通信を行うことができる。例えば、スマートホンは、ＬＴＥと無線ＬＡＮ、Ｂｌｕｅｔｏｏｔｈのどれを利用するか選択することができる。また、同一の通信規格を利用した異種キャリアのアクセス手段を使い分けることも可能である。このような各アクセス手段は帯域や遅延等の通信品質が異なっているため、これらを用途に応じて適切に使い分けることでユーザの体感品質（ＱｏＥ：ＱｕａｌｉｔｙｏｆＥｘｐｅｒｉｅｎｃｅ）を最大化することが可能になる。

また、ユーザ端末の利用するアクセス手段決定機能は、必ずしもユーザ端末本体に存在する必要はなく、ネットワーク上のルータやサーバ、もしくは外部端末が保持することも可能である。そのようなネットワーク上の装置からユーザ端末に対して接続先の指示を行う方式を想定したメッセージ方式ＡＮＤＳＦ（ＡｃｃｅｓｓＮｅｔｗｏｒｋＤｉｓｃｏｖｅｒｙａｎｄＳｅｌｅｃｔｉｏｎＦｕｎｃｔｉｏｎ）が、３ＧＰＰにて標準化されている（非特許文献１を参照）。このような外部制御の方式を適用することで、制御エリア内のユーザ端末群の接続先組み合わせを変数とした最適化を実行することにより、ユーザ端末間のアクセス手段の競合などによる品質低下を抑制した接続先制御ができる。

前記のように、ある装置が対象エリア内のユーザ端末群の接続先組み合わせを制御可能であるとき、その装置は最適な接続先組み合わせを導出する処理を必要とする。その際、解の候補となる様々な接続先組み合わせによって実現される通信品質を把握する必要があるが、通信品質の把握は実際の接続を伴わずに予測によって実現できることが望ましい。予測に基づき最適接続先組み合わせ導出を実行することで、切り替え処理に伴う一時的な体感品質の低下を最小限にし、ユーザ端末群の最適アクセス手段の組み合わせを選択することが可能になる。

以上のことから、ユーザ端末群の接続先組み合わせを最適化するためには、現在の接続状態以外のパターンも含めた仮想の接続先組み合わせに対して、各ユーザ端末で得られる通信品質を予測する機能が必要となる。

（従来技術の課題１）
あるエリアにおけるユーザ端末群の仮想の接続状態に対して、実現される通信品質を予測する既存手法としては「数理モデルを用いる方法」と「ネットワークシミュレータを用いる方法」がある。前者の例としては非特許文献２のように、３ＧＰＰ準拠のセルラ基地局に関してＳＮＲ（Ｓｉｇｎａｌ－ＮｏｉｓｅＲａｔｉｏ）や割り当て周波数幅を基にしたスループット予測法や、８０２．１１準拠の無線ＬＡＮに関して基地局の総帯域とその基地局への接続台数を基にしたスループット予測法がある。このような数理モデルを用いた予測はネットワークシミュレータを用いる方法と比べて計算処理が少なく済む傾向にあるが、系が複雑化するにつれ予測精度が低下することや、ＴＣＰ（ＴｒａｎｓｍｉｓｓｉｏｎＣｏｎｔｒｏｌＰｒｏｔｏｃｏｌ）やＵＤＰ（ＵｓｅｒＤａｔａｇｒａｍＰｒｏｔｏｃｏｌ）のような上位プロトコルの振る舞いを考慮できないため、現実のアプリケーションで得られる品質を厳密には予測できないという課題がある。

後者のシミュレーションを用いる方法については品質予測精度が比較的高いと考えられるが、品質予測完了までに要する計算処理が多く、ユーザもしくはユーザ群で得られる予測通信品質を導出するのに非常に大きな時間がかかる。このことは、位置情報変化や利用アプリケーションの変化に追従してリアルタイムに最適な接続先を選択することを困難にする。実際、非特許文献３ではユーザ端末群の接続先最適処理を最適化アルゴリズムにより高速化したものの、ｎｓ－３（ＮｅｔｗｏｒｋＳｉｍｕｌａｔｏｒ３）のシミュレーションによる時間的ボトルネックが残存している。

（従来技術の課題２）
また、一般的に短時間かつ高精度で通信品質予測を行う方法として、機械学習を用いる方法が考えられる。例えば、非特許文献４では、ＩＥＥＥ８０２．１１準拠の無線ＬＡＮ基地局との通信において、ユーザ端末がある周波数チャネルを用いて接続した場合の実現品質を、機械学習を用いて予測する手法が提案されている。しかしながらこの手法は周囲のユーザ端末の振る舞いが静的であると仮定し、１台のユーザ端末の利用周波数チャネルの最適化に留まっている。よって、ユーザ端末群の接続先組み合わせを制御する目的には適用できない。

また、非特許文献５では、ネットワークシミュレータと機械学習を組み合わせた、移動型無線ＬＡＮ装置群の配置に対する実現品質予測手法が報告されている。しかし、非特許文献５ではユーザ端末群は自身から最も近い距離にある基地局に接続する制約条件を課していることに加え、出力する予測値が系全体の平均の品質であり、各ユーザ端末の実現品質に分解された予測値が得られない。よってユーザ端末群と基地局との接続パターンについて各ユーザ端末で得られる品質を予測する目的には適用できない。

以上のように、ユーザ端末群の仮想的な接続状態に対して、機械学習を用いて各ユーザ端末の実現品質を予測する具体的な手法は提案されていない。

３ＧＰＰＴＳ２４．３１２Ｖ１５．０．０（２０１８－０６），ＡｃｃｅｓｓＮｅｔｗｏｒｋＤｉｓｃｏｖｅｒｙａｎｄＳｅｌｅｃｔｉｏｎＦｕｎｃｔｉｏｎ（ＡＮＤＳＦ）ＭａｎａｇｅｍｅｎｔＯｂｊｅｃｔ（ＭＯ）ｈｔｔｐｓ：／／ｐｏｒｔａｌ．３ｇｐｐ．ｏｒｇ／ｄｅｓｋｔｏｐｍｏｄｕｌｅｓ／Ｓｐｅｃｉｆｉｃａｔｉｏｎｓ／ＳｐｅｃｉｆｉｃａｔｉｏｎＤｅｔａｉｌｓ．ａｓｐｘ？ｓｐｅｃｉｆｉｃａｔｉｏｎＩｄ＝１０７７Ｉ．Ｂ．Ｄｈｉａｅｔａｌ．， "Ｏｐｔｉｍｉｚａｔｉｏｎｏｆａｃｃｅｓｓｐｏｉｎｔｓｓｅｌｅｃｔｉｏｎａｎｄｒｅｓｏｕｒｃｅａｌｌｏｃａｔｉｏｎｉｎｈｅｔｅｒｏｇｅｎｅｏｕｓｗｉｒｅｌｅｓｓｎｅｔｗｏｒｋ，" ２０１７ＩＥＥＥ２８ｔｈＡｎｎｕａｌＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍｏｎＰｅｒｓｏｎａｌ，Ｉｎｄｏｏｒ，ａｎｄＭｏｂｉｌｅＲａｄｉｏＣｏｍｍｕｎｉｃａｔｉｏｎｓ（ＰＩＭＲＣ），Ｍｏｎｔｒｅａｌ，ＱＣ，２０１７，ｐｐ．１－７．小野他，"ベイズ最適化を用いたマルチアクセス環境における最適ユーザ収容アルゴリズムの検討"，２０２０年電子情報通信学会総合大会Ｂ－６－２６Ｓ．Ｋａｊｉｔａ，Ｈ．Ｙａｍａｇｕｃｈｉ，Ｔ．Ｈｉｇａｓｈｉｎｏ，Ｈ．Ｕｒａｙａｍａ，Ｍ．ＹａｍａｄａａｎｄＭ．Ｔａｋａｉ， "ＴｈｒｏｕｇｈｐｕｔａｎｄＤｅｌａｙＥｓｔｉｍａｔｏｒｆｏｒ２．４ＧＨｚＷｉＦｉＡＰｓ：ＡＭａｃｈｉｎｅＬｅａｒｎｉｎｇ－ＢａｓｅｄＡｐｐｒｏａｃｈ，" ２０１５８ｔｈＩＦＩＰＷｉｒｅｌｅｓｓａｎｄＭｏｂｉｌｅＮｅｔｗｏｒｋｉｎｇＣｏｎｆｅｒｅｎｃｅ（ＷＭＮＣ），Ｍｕｎｉｃｈ，２０１５，ｐｐ．２２３－２２６，ｄｏｉ：１０．１１０９／ＷＭＮＣ．２０１５．３０．Ｅ．Ｎ．Ａｌｍｅｉｄａ，Ｋ．Ｆｅｒｎａｎｄｅｓ，Ｆ．Ａｎｄｒａｄｅ，Ｐ．Ｓｉｌｖａ，Ｒ．ＣａｍｐｏｓａｎｄＭ．Ｒｉｃａｒｄｏ， "ＡＭａｃｈｉｎｅＬｅａｒｎｉｎｇＢａｓｅｄＱｕａｌｉｔｙｏｆＳｅｒｖｉｃｅＥｓｔｉｍａｔｏｒｆｏｒＡｅｒｉａｌＷｉｒｅｌｅｓｓＮｅｔｗｏｒｋｓ，" ２０１９ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＷｉｒｅｌｅｓｓａｎｄＭｏｂｉｌｅＣｏｍｐｕｔｉｎｇ，ＮｅｔｗｏｒｋｉｎｇａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎｓ（ＷｉＭｏｂ），Ｂａｒｃｅｌｏｎａ，Ｓｐａｉｎ，２０１９，ｐｐ．１－６，ｄｏｉ：１０．１１０９／ＷｉＭＯＢ．２０１９．８９２３２１７．

本開示は、各ユーザ端末で得られる通信品質を短時間かつ高精度で予測可能にすることを目的とする。

本開示は、基地局情報、端末情報、及びそれらの接続先情報と、各ユーザ端末で得られる通信品質のシミュレーション値もしくは実ネットワークでの実現値との関係を機械学習によって学習する。

具体的には、本開示の装置は、
複数のユーザ端末から各ユーザ端末の地理的位置を含むユーザ端末情報を収集し、前記複数のユーザ端末のうちの少なくともいずれかとの通信可能な複数のネットワーク装置から各ネットワーク装置の地理的位置を含むネットワーク情報を収集する、環境情報集約機能部と、
前記環境情報集約機能部の収集したユーザ端末情報及びネットワーク情報に基づいて、前記複数のユーザ端末がネットワーク装置に接続する接続パターンを抽出する予測パターン決定機能部と、
接続パターンとユーザ端末の通信品質との関係を予め学習して得られた品質予測モデルを保持し、前記予測パターン決定機能部の抽出した接続パターンを前記品質予測モデルの入力に適用し、前記複数のユーザ端末の品質予測を行う品質予測機能部と、
を備える。

具体的には、本開示の方法は、
環境情報集約機能部が、複数のユーザ端末から各ユーザ端末の地理的位置を含むユーザ端末情報を収集し、複数のネットワーク装置から各ネットワーク装置の地理的位置を含むネットワーク情報を収集し、
予測パターン決定機能部が、前記環境情報集約機能部の収集したユーザ端末情報及びネットワーク情報に基づいて、前記複数のユーザ端末がネットワーク装置に接続する接続パターンを抽出し、
品質予測機能部が、接続パターンとユーザ端末の通信品質との関係を予め学習して得られた品質予測モデルを保持し、前記予測パターン決定機能部の抽出した接続パターンを前記品質予測モデルの入力に適用し、前記複数のユーザ端末の品質予測を行う。

具体的には、本開示のプログラムは、本開示に係る装置に備わる各機能部としてコンピュータを実現させるためのプログラムであり、本開示に係る装置が実行する方法に備わる各ステップをコンピュータに実行させるためのプログラムである。

本開示によれば、各ユーザ端末群で得られる通信品質を短時間かつ高精度に予測することができ、接続先組み合わせの最適化をより高速に実行することが可能となる。

本開示の概略構成の一例を示す。基地局情報のデータ形式の一例を示す。ユーザ端末情報のデータ形式の一例を示す。接続先情報のデータ形式の一例を示す。本開示のシステム構成の一例を示す。本開示のブロック構成例を示す。シミュレーションを用いる学習フェーズの手順の一例を示す。実際のネットワークでの実現品質を用いる学習フェーズの手順の一例を示す。学習フェーズ後に行われる品質予測時のフローチャートの一例を示す。学習器の入力形式の第１例を示す。学習器の出力形式の第１例を示す。学習器の入力形式の第２例を示す。学習器の出力形式の第２例を示す。

以下、本開示の実施形態について、図面を参照しながら詳細に説明する。なお、本開示は、以下に示す実施形態に限定されるものではない。これらの実施の例は例示に過ぎず、本開示は当業者の知識に基づいて種々の変更、改良を施した形態で実施することができる。なお、本明細書及び図面において符号が同じ構成要素は、相互に同一のものを示すものとする。

（本開示の概要）
図１に本開示の概略構成の一例を示す。ユーザ端末情報及びネットワーク情報並びにこれらの接続関係に関する接続先情報とユーザ端末の通信品質との関係を予め学習して得られた品質予測モデルを用いる。ネットワーク情報は、ユーザ端末と通信接続可能な任意のネットワーク装置の情報である。以下では、実施形態の一例として、ネットワーク装置が基地局であり、ネットワーク情報が基地局情報である例について説明する。

品質予測モデルの学習は、シミュレーションで得られた情報を用いてもよいし、実ネットワークで得られた情報を用いてもよいし、これらの両方を用いてもよい。
・例えば、ネットワークシミュレータによる予測で用いる設定情報と、それを設定値としてシミュレーションすることによって得られる予測品質と、の関係を学習器が学習することで、ある接続パターンの設定に対する品質予測をより短時間に行う。
・例えば、実ネットワークにおけるネットワーク情報及びユーザ端末情報とそれらの接続先情報と、実現品質の関係と、を学習器が学習することで、ある接続パターンに対する予測品質を導出する。

また、後述する学習機能部１３で用いる学習器及び品質予測機能部１４への入力パラメータ値を、図２及び図３に示すように、ユーザ端末９２＿１，９２＿２および基地局９３＿１，９３＿２の地理的位置情報に対応した２次元もしくは３次元マップ上に配置する。

例えば、基地局９３＿１，９３＿２のサービスエリアを４×４の領域に分割し、分割された１６の領域のうちの基地局９３＿１，９３＿２の存在する領域に基地局９３＿１，９３＿２を示すパラメータｂ_１ ^１，ｂ_２ ^１を配置する。これにより、基地局９３＿１，９３＿２を示すパラメータｂ_１ ^１，ｂ_２ ^１を４×４の行列で表現する。図２の例では、基地局９３＿１を示すパラメータｂ_１ ^１を行列の（１，１）要素に配置し、基地局９３＿２を示すパラメータｂ_２ ^１を行列の（４，３）要素に配置する。なお、パラメータの種類が複数ある場合は、同サイズの行列を複数用意し、基地局９３＿１，９３＿２について同様の方法でｂ_１ ^２，ｂ_２ ^２などとして配置する。

また、分割された１６の領域のうちのユーザ端末９２＿１，＿９２＿２の存在する領域にユーザ端末９２＿１，＿９２＿２を示すパラメータａ_１ ^１，ａ_２ ^１を配置する。図３の例では、ユーザ端末９２＿１を示すパラメータａ_１ ^１を行列の（２，２）要素に配置し、ユーザ端末９２＿２を示すパラメータａ_２ ^１を行列の（３，３）要素に配置する。このように、基地局情報及びユーザ端末情報を行列で表す。なお、パラメータの種類が複数ある場合は、同サイズの行列を複数用意し、ユーザ端末９２＿１，＿９２＿２について同様の方法でａ_１ ^２，ａ_２ ^２などとして配置する。

また、分割された１６の領域のうちのユーザ端末９２＿１，＿９２＿２の存在する領域に、各ユーザ端末９２＿１，９２＿２が接続する基地局９３＿１，９３＿２の情報すなわち接続先情報ｃ_１ ^１，ｃ_２ ^１を、図４に示すように各基地局の地理的位置座標値で表現する。例えば、ユーザ端末９２＿１を基地局９３＿１に接続し、ユーザ端末９２＿２を基地局９３＿２に接続する場合、行列の（２，２）要素に基地局９３＿１の地理的位置座標（１，１）を記載し、行列の（３，３）要素に基地局９３＿２の地理的位置座標（３，４）を記載する。これにより、本開示は、複数のユーザ端末９２が含まれるユーザ端末９２群の基地局９３との接続先の組み合わせを表す接続先情報を行列データで表し、変数「接続パターン」として学習器に入力可能となる。

また、ｃ_１ ^２，ｃ_２ ^２に用いる値はユーザ端末９２＿１，＿９２＿２と基地局９３＿１，９３＿２の相対的な位置情報を用いても良い。例えば、上記の例では行列の（２，２）要素に（－１、－１）、および（３，３）要素に（０，１）となる。なお、複数次元にわたり座標情報を格納する場合は、同サイズの行列を複数用意し、同様の方法でｃ_１ ^１，ｃ_２ ^１にｙ軸方向の値を、ｃ_１ ^２，ｃ_２ ^２にｘ軸方向の値を配置などすれば良い。

なお、各基地局の地理的位置座標ｃ_１ ^１及びｃ_２ ^１に代えて、各基地局９３＿１，９３＿２を識別可能な任意の識別情報を用いることができる。また、設定情報、基地局情報、ユーザ端末情報、および接続先情報などの入力情報に含むパラメータはユーザ端末群の地理的位置情報、トラヒック発生パターンや上位プロトコルの情報等であり、具体的には以下の実施形態例に記載する。

（本開示の効果）
シミュレーションによる品質予測と同等もしくはそれ以上（実ネットワークに対応した）の予測精度でより高速に予測値を出力することができ、計算処理の負荷を軽減できる。このため、接続先の組み合わせの最適化をより高速に実行することができる。

（全体構成）
図５に、本開示のシステム構成の一例を示す。本開示では、系内にはＭ個のユーザ端末９２が存在することを想定しｍ番目のユーザ端末９２をユーザ端末ｍと表現する。ユーザ端末９２群の周囲にはアクセス手段であるＮ種類の基地局９３が存在するものとする。ここで、基地局９３は、ユーザ端末９２と通信接続可能な任意のネットワーク装置を含む。本開示では、ネットワークをＮＷと表記する場合があり、ｎ番目の基地局９３を基地局ｎと表現する。

本開示の通信品質予測装置９１は、上記の状況におけるユーザ端末９２群の特定の接続状態を仮定し、特定のユーザ端末９２もしくは系内に存在するユーザ端末９２群の通信品質予測を行う。通信品質予測装置９１は各アクセス手段よりも上位のオーバーレイネットワーク上のサーバやネットワーク装置をはじめ、インターネット上のサーバやネットワーク装置、各アクセス手段の上位ネットワークに位置するサーバやネットワーク装置およびユーザ端末９２であってもよい。

通信品質予測装置９１は、通信品質予測に必要なパラメータを保持していない場合、ユーザ端末９２や基地局９３から情報を取得もしくはパラメータ取得を行う。ユーザ端末９２から取得する情報を本開示ではユーザ端末情報と称する。基地局９３から取得する情報を本開示では基地局情報と称する。このパラメータ取得はある時間周期もしくは指定時間において同期して行われてもよく、通信品質予測装置９１と各通信装置が非同期に情報を交換しても良い。本通信品質予測装置９１は、通信キャリア及びネットワークサービスの提供者が、自身の管理するユーザ端末９２の利用ネットワークを最適化するため、接続先最適化エンジンのような外部装置から命令を受けて品質予測を実行しても良い。また、最適化エンジン相当の装置と情報記憶部などを共有してもよい。また、本通信品質予測装置９１およびプログラムを最適化エンジン内部の品質予測機能部として同一装置内に実装しても良い。また、本装置はユーザ端末９２やＮＷ装置から命令を受けて品質予測を実行しても良い。また、外部から命令を受けずとも、品質予測結果をユーザ端末９２やＮＷ装置に対して配信してもよい。

（機能ブロック図）
図６に、本開示のブロック構成例を示す。
ユーザ端末９２は環境情報通知機能部２１と実現品質通知機能部２２を持つ。
環境情報通知機能部２１は、通信品質予測装置９１が予測に必要なパラメータである、ユーザ端末９２に関するユーザ端末情報を送信する機能部である。ユーザ端末情報は、ユーザ端末９２の通信品質に関わる任意の情報であり、例えば、系内の接続可能なＮＷの情報、各ユーザ端末９２の地理的位置情報、トラヒック発生パターン、上位プロトコルの情報等のユーザ端末の環境情報を含む。
実現品質通知機能部２２は現在またはあるタイムスタンプにおける接続ネットワークとそこで得られた通信品質を送信する機能部である。通信品質は上り／下り方向スループットおよびその揺らぎ、片道／往復遅延およびその揺らぎなど、通信品質予測装置９１が予測する任意の通信品質でありうる。

基地局９３は環境情報通知機能部３１と実現品質通知機能部３２を持つ。
環境情報通知機能部３１は、通信品質予測装置９１が予測に必要なパラメータである、基地局９３に関する基地局情報を送信する機能部である。基地局情報は、ユーザ端末９２の通信品質に関わる任意の情報であり、例えば、自装置の地理的位置情報、無線区間の帯域情報、対応無線規格、上位ネットワークの情報等の基地局の環境情報を含む。
実現品質通知機能部３２は現在またはあるタイムスタンプにおいて、基地局９３を経由して通信を行ったユーザ端末９２の通信品質を送信する機能部である。

通信品質予測装置９１は、シミュレーション機能部１１、データセット生成部１２、学習機能部１３を通して、品質予測機能部１４において学習を行う品質予測モデルのパラメータを学習する。
シミュレーション機能部１１はあるネットワーク構成、ユーザ端末状態、及び接続パターンにおけるユーザ端末９２群の実現品質を予測し、データセット生成部１２―に結果を送信する。ここで用いるシミュレータはオープンソースのｎｓ－３や市販のシミュレーションソフト、および独自に開発したものを使用することができる。
データセット生成部１２は、ユーザ端末９２や基地局９３の実現品質通知機能部２２、３２から送信される通信品質情報、もしくはシミュレーション機能部１１の予測結果を基に、品質予測機能部１４の入出力形式に学習データを変換し、学習用データセットを作成する。

ここまでの過程は学習に必要なデータセットが揃うまで複数回行われる。学習機能部１３は学習データセットを用いて入力パラメータに対する出力を学習し、品質予測機能部１４において学習する品質予測モデルのパラメータの値を誤差逆伝搬法などによって調整する。シミュレーション機能部１１、データセット生成部１２及び学習機能部１３は、通信品質予測装置９１以外の外部装置９４が備えても良い。

通信品質予測装置９１は環境情報集約機能部１５で得たユーザ端末情報及び基地局情報から特定の接続パターンについて各ユーザ端末９２の通信品質を予測する。
環境情報集約機能部１５は、環境情報通知機能部２１及び３１から送信されたユーザ端末情報及び基地局情報を収集し、得た情報を集約情報記憶部１６に送信する。ユーザ端末９２の地理的位置情報等の動的な情報は、ユーザ端末９２から予測パターン決定機能部１７に直接入力しても良い。
集約情報記憶部１６は環境情報集約機能部１５から得た情報を記憶する。また、新たな情報が環境情報集約機能部１５から得られた場合は該当する情報を更新する。
予測パターン決定機能部１７は、環境情報集約機能部１５から得られたユーザ端末情報及び基地局情報に基づいて、現状のネットワーク構成及びユーザ端末９２周囲の環境において実現可能な接続パターンを一つ抽出し、品質予測機能部１４に送信する。この時のパターン抽出は実現可能パターンのリストから”順に抽出”、”ランダムに抽出”、“最適化アルゴリズムに基づいて抽出”するなどの方法を取ればよい。また、予測パターン決定は外部装置９４からの命令によって行われても良い。
品質予測機能部１４は、学習機能部１３によって指定された品質予測モデルに従ってユーザ端末９２群の通信品質を予測し、結果を予測結果出力部１８に送信する。
予測結果出力部１８は必要に応じて品質予測結果を加工及び部分抽出し、外部装置９４やユーザ端末９２及び基地局９３などに結果を送信する機能を持つ。また、その予測結果を基に他の接続パターンについて繰り返し品質予測を行う場合は、結果を予測パターン決定機能部１７に出力しても良い。

本通信品質予測装置９１は、学習フェーズを通して入力パラメータと実現品質の関係を事前に学習し、その学習結果を品質予測機能部１４に反映する。後述の品質予測フェーズによる品質予測は、学習フェーズの後に行われる。

（シミュレータを用いた学習フェーズ）
図７に、シミュレーションを用いる学習フェーズの手順の一例を示す。
Ｓ１１：シミュレーション機能部１１は、あるネットワーク構成、ユーザ端末状態及び接続パターンにおける、ユーザ端末９２群の実現品質を予測する。
Ｓ１２：シミュレーションでの入力パラメータと出力品質はデータセット生成部１２に集約される。
Ｓ１３：集約された入出力データは学習器の入出力形式に変換される。このときに、図２～図４で説明したように、系内のユーザ端末９２群の情報や、基地局９３群の情報、および端末９２群と基地局９３群間の接続パターンを行列で表す。
Ｓ１４：変換された入出力データは学習器のデータセットの要素として追加される。
Ｓ１５：ここまでの過程はデータセット数ｉが、十分精度の良い予測が学習器において可能となるデータセット数Ｎとなるまで繰り返される。
Ｓ１６：学習機能部１３は学習データセットを用いた学習を通して品質予測モデルのパラメータ調整を行い、最終結果を品質予測機能部１４に入力する。

（実ＮＷを用いた学習フェーズ）
図８に、実際のネットワークでの実現品質を用いる学習フェーズの手順の一例を示す。
Ｓ２１及びＳ２２：ユーザ端末９２及び基地局９３の環境情報通知機能部２１、３１は、あるタイムスタンプについて、学習器の入力となるパラメータをデータセット生成部１２に送信する。加えて、そのタイムスタンプにおける自身の通信品質情報を通信品質予測装置９１に対して送信する。これにより、データセット生成部１２が、ユーザ端末９２及び基地局９３の通信の結果得られた通信品質情報と、通信品質情報を得た際のユーザ端末９２及び基地局９３の環境情報と、を集約する（Ｓ２３）。この処理は外部装置９４から指定されたタイムスタンプについて行っても、内部でランダムもしくは周期的に生成されたタイムスタンプについて行ってもよい。また、所望のデータセット生成のために特定の条件を満たしたことｄをトリガーにして、このような処理を実行しても良い。
Ｓ２４：データセット生成部１２に集約された入出力データは学習器の入出力形式に変換される。このときに、図２～図４で説明したように、ユーザ端末情報、基地局情報及び接続パターンを行列で表す。接続パターンは、例えば、ユーザ端末９２及び基地局９３の送信する地理的情報や、ユーザ端末９２が接続した基地局名・番号に基づいて作成する。また、ユーザ端末９２及び基地局９３の通信品質情報についてもユーザ端末情報及び基地局情報と同様に行列で表す。
Ｓ２５：変換された入出力データは学習器のデータセットの要素として追加される。
Ｓ２６：ここまでの過程はデータセット数ｉが、十分精度の良い予測が学習器において可能となるデータセット数Ｎとなるまで複数回実行される
Ｓ２７：学習機能部１３は学習データセットを用いた学習を通して品質予測モデルのパラメータ調整を行い、最終結果を品質予測機能部１４に入力する。

（品質予測フェーズ）
図９に、学習フェーズ後に行われる品質予測時のフローチャートの一例を示す。
Ｓ３１及びＳ３２：ユーザ端末９２及び基地局９３の環境情報通知機能部２１及び３１は、あるタイムスタンプについて、学習器の入力となるパラメータを通信品質予測装置９１に送信する。これにより、環境情報集約機能部１５がユーザ端末情報及び基地局情報を集約する（Ｓ３３）。この処理は外部装置９４から指定されたタイムスタンプについて行っても、内部でランダムもしくは周期的に生成されたタイムスタンプについて行ってもよい。また、品質予測のために特定の条件を満たしたことをトリガーにして、このような処理を実行しても良い。トリガーの例としては、いずれかのユーザ端末９２の通信品質が劣化したことをトリガーにするなどの方法が考えられる。
Ｓ３４：通信品質予測装置９１の予測パターン決定機能部１７は集約したユーザ端末情報及び基地局情報を用いて、ユーザ端末９２群の接続先として実現可能なパターンをリストアップする。実現可能なパターンは各ユーザ端末９２のサービス契約状況や電波環境、基地局９３の収容可能なユーザ端末９２の数などに依存するが、それらに基づく実現可否の判定ロジックは任意とし、本開示の範囲には含めない。そして、予測パターン決定機能部１７は生成された接続パターンリストから評価対象の接続パターンを選択する。
Ｓ３５：選択された接続パターン及びユーザ端末情報及び基地局情報を、学習器の入力形式に変換する。このときに、図２～図４で説明したように、ユーザ端末情報、基地局情報及び接続パターンを行列で表す。
Ｓ３６：学習フェーズを通じてパラメータが調整された品質予測機能部１４により、入力データに対する通信品質の予測を実行する。
Ｓ３７：品質予測機能部１４は、得られた予測品質を外部装置９４またはユーザ端末９２、基地局９３、自身のメモリなどに出力する。
Ｓ３８：また、同シチュエーションの別の接続パターンについて予測を行う場合は評価対象の接続パターン選択以降の手順を繰り返す。その場合、前の繰り返しループで得られた品質予測結果を予測パターン決定機能部に入力し、それを加味した次回接続パターン選択を行っても良い。

（学習器の入出力パラメータの第１例）
データセット生成部１２および品質予測機能部１４における入出力データの形式についての具体例を示す。データセット生成部１２や品質予測機能部１４は、下記の入出力形式に沿うようデータの加工を行う。ユーザ端末９２や基地局９３が図１０に示す想定状況例のように位置しているとする。

図１０及び図１１に示すように、入力データ及び出力データは、それぞれ１枚もしくは複数枚の行列データ５１、５２、５３、６１、６２として表される。図１１に示すように、出力データ６１及び６２が行列となることで、系内のユーザ端末９２群に対する実現品質が一括で予測できる。なお、本通信品質予測装置９１の入出力に用いる地理的位置情報は１次元、２次元、３次元座標形式のいずれでも良い。行列の各要素は、ユーザ端末９２や基地局９３の地理的位置情報と対応する。このとき、地理的位置情報の分解能は問わない。

ユーザ端末情報の行列データ５１では、各ユーザ端末９２のアプリケーション情報や、ユーザ端末９２のハードウェア情報等が該当ユーザ端末９２の地理的位置に対応するよう格納される。アプリケーション情報として考えられるパラメータとして、要求帯域、上位プロトコル、通信発生周期、通信発生時間の割合などがある。ハードウェア情報として考えられるパラメータとして、ユーザ端末９２がサポートする無線規格やＣＰＵ性能、メモリ容量等がある。その他、各基地局９３のビーコン信号などから得られる電波強度やユーザ端末９２の移動速度やその方向ベクトルなど、定量化可能なあらゆるデータを用いてよい。複数の行列データを扱うとき、ｉ番目のパラメータに関するｍ番目のユーザ端末９２のデータをａ_ｍ ^ｉとする。

基地局情報の行列データ５２では、基地局９３の無線区間の帯域や上位ネットワークの帯域、対応無線規格等が、該当する基地局９３の地理的位置に対応するよう格納される。複数の行列データを扱うとき、ｊ番目のパラメータに関するｎ番目の基地局９３のデータをｂ_ｎ ^ｊとする。

各ユーザ端末９２の接続先を認識する接続先情報の行列データ５３として、ユーザ端末９２の地理的位置情報に対応する箇所に接続する基地局９３の番号もしくは座標を格納する。ここでの座標は、絶対座標でもよく、ユーザ端末９２から見た相対座標でもよい。また、同一の基地局９３に対して複数の仮想ネットワークが存在することが想定される場合は、座標の次元を１つ追加し、仮想ネットワークの番号を格納する。複数次元の座標データを扱うとき、ｋ番目の座標軸に関するｍ番目のユーザ端末９２のデータをｃ_ｍ ^ｋとする。

各ユーザ端末９２で実現される通信品質は、図１１に示す行列データ６１及び６２ように、出力行列における、該当ユーザ端末９２の座標上に出力される。出力品質指標が複数存在する場合は、出力行列が複数生成される。想定される品質指標としては、上り／下り方向スループットおよびその揺らぎ、片道／往復遅延およびその揺らぎ、パケットロス率及びその揺らぎなどが考えられる。図では、ｍ番目のユーザ端末９２におけるｌ番目の予測品質指標の値をｑ_ｍ ^ｌと表す。

（学習器の入出力パラメータの第２例）
また、あるユーザ端末９２の品質に絞った予測を行う実施例について、図１２及び図１３を参照しながら説明する。系全体の地理的位置情報がＬ_１×Ｌ_２の行列に基づいて管理されている場合、入力の形式は（２Ｌ_１－１）×（２Ｌ_２－１）行列とする。例えば、Ｌ_１×Ｌ_２が４×４の場合、７×７行列にし、地理的位置情報の範囲を拡大する。そして、対象とするユーザ端末９２＿１を示すａ_１ ^１を中心に配置する。

また入力におけるユーザ端末９２＿２のデータや基地局９３＿１及び９３＿２のデータ、および接続先情報の格納場所は、相対位置を維持するように移動する。これにより、評価対象となるユーザ端末９２＿１のデータを原点に置いたときの、ユーザ端末９２との相対座標とする。出力の形式は、図１３に示すように、対象とするユーザ端末９２に対して得られる各品質指標の配列とする。入力データや出力データの想定パラメータについては前ページと同様である。この手法を複数回繰り返すことにより、ユーザ端末９２群に対する品質予測を行うことも可能である。

本方式は対象となるユーザ端末９２＿１が入力行列の原点に必ず位置するように条件を設けることで、学習器が予測対象のユーザ端末９２を暗に認識させる方式である。この方式は入力データ量が大きくなる代わりに、品質予測機能部１４が出力するノード数が少なくなるため学習速度や予測精度が向上すると考えられる。

（その他実施例）
・学習の方法
本開示の入出力形式を適用可能な学習モデルとして、畳み込みニューラルネットワークがある。学習機能部１３は畳み込みニューラルネットワークを基本構造とした深層学習モデルによって実装することができる。また学習フェーズでは、未調整学習モデルにある学習データを入力したときの、学習データが示す出力と学習モデルが導き出す出力の誤差を小さくするように、ニューラルネットワーク内の係数を調整する。典型的な実現例としては誤差逆伝搬法がある。

以上の処理は、各プログラミング言語の既存ライブラリ（ｐｙｔｈｏｎのＫｅｒａｓなど）を用いて実装できる。品質予測機能部１４は学習機能部１３でパラメータ調整されたモデルを品質予測モデルとして受け取る。なお、本開示の装置はコンピュータとプログラムによっても実現でき、プログラムを記録媒体に記録することも、ネットワークを通して提供することも可能である。

（各無線規格への対応）
本開示に係る通信品質予測装置９１は、３ＧＰＰ準拠のセルラ無線規格（ＬＴＥ，５Ｇ）やＩＥＥＥ８０２．１１準拠の無線ＬＡＮ規格、およびＷｉＭＡＸ規格など、基地局９３を有するあらゆる無線通信規格に適用可能である。利用周波数の異なる無線規格の基地局９３が混在するような系では、以下の様な対処が考えられる。
・全ての基地局９３およびそれを利用するユーザ端末９２群のパラメータを同一の行列データ上に格納し、予測を行うことができる。この方法で予測精度を高めるためには、ＮＷ環境情報として、各基地局９３の準拠する規格の情報を含める。
・利用周波数の共通する規格の基地局９３およびそれに接続するユーザ端末９２を抜き出して、品質予測を行う。これを各無線規格および周波数領域について実施することで系全体のユーザ端末９２についての品質予測ができる。この場合には、各無線規格や周波数領域についてチューニングされた別々の学習モデルを用意する。また、ここでは周波数領域や無線規格を分類する粒度は限定しない。

本開示は情報通信産業に適用することができる。

１１：シミュレーション機能部
１２：データセット生成部
１３：学習機能部
１４：品質予測機能部
１５：環境情報集約機能部
１６：集約情報記憶部
１７：予測パターン決定機能部
１８：予測結果出力部
２１、３１：環境情報通知機能部
２２、３２：実現品質通知機能部
９１：通信品質予測装置
９２、９２＿１、９２＿２：ユーザ端末
９３、９３＿１、９３＿２：基地局
９４：外部装置

Claims

複数のユーザ端末から各ユーザ端末の地理的位置を含むユーザ端末情報を収集し、前記複数のユーザ端末のうちの少なくともいずれかと通信可能な複数のネットワーク装置から各ネットワーク装置の地理的位置を含むネットワーク情報を収集する、環境情報集約機能部と、
前記環境情報集約機能部の収集したユーザ端末情報及びネットワーク情報に基づいて、前記複数のユーザ端末がネットワーク装置に接続する接続パターンを抽出する予測パターン決定機能部と、
接続パターンとユーザ端末の通信品質との関係を予め学習して得られた品質予測モデルを保持し、前記予測パターン決定機能部の抽出した接続パターンを前記品質予測モデルの入力に適用し、前記複数のユーザ端末の品質予測を行う品質予測機能部と、
を備える装置。
前記品質予測機能部は、
前記環境情報集約機能部の収集したユーザ端末情報を各ユーザ端末の地理的位置で定められる行列データに変換し、
ユーザ端末の接続先のネットワーク装置の識別情報をユーザ端末の前記行列データの要素の値に用いることで、前記複数のユーザ端末がネットワーク装置に接続する接続パターンを、前記品質予測モデルへの入力形式に変換する、
請求項１に記載の装置。
前記品質予測機能部は、
予測対象のユーザ端末が１台のみの場合、
Ｌ_１×Ｌ_２の行列を（２Ｌ_１－１）×（２Ｌ_２－１）行列に変換し、
予測対象のユーザ端末を（２Ｌ_１－１）×（２Ｌ_２－１）行列の中心に配置し、
Ｌ_１×Ｌ_２の行列内に配置されていた他のユーザ端末を、予測対象のユーザ端末との相対位置を維持するように配置する、
請求項２に記載の装置。
前記複数のユーザ端末の通信品質情報を収集し、前記複数のユーザ端末が前記ネットワーク装置に接続する接続パターン及び各ユーザ端末の通信品質情報を各ユーザ端末の地理的位置で定められる行列データに変換するデータセット生成部と、
前記データセット生成部で変換された接続パターン及び各ユーザ端末の通信品質情報を用いて、接続パターンとユーザ端末の通信品質との関係を学習し、前記品質予測モデルを更新する学習機能部と、
をさらに備える請求項１から３のいずれかに記載の装置。
環境情報集約機能部が、複数のユーザ端末から各ユーザ端末の地理的位置を含むユーザ端末情報を収集し、複数のネットワーク装置から各ネットワーク装置の地理的位置を含むネットワーク情報を収集し、
予測パターン決定機能部が、前記環境情報集約機能部の収集したユーザ端末情報及びネットワーク情報に基づいて、前記複数のユーザ端末がネットワーク装置に接続する接続パターンを抽出し、
品質予測機能部が、接続パターンとユーザ端末の通信品質との関係を予め学習して得られた品質予測モデルを保持し、前記予測パターン決定機能部の抽出した接続パターンを前記品質予測モデルの入力に適用し、前記複数のユーザ端末の品質予測を行う、
方法。
請求項１から４のいずれかに記載の装置に備わる各機能部としてコンピュータを実現させるためのプログラム。