JP7478287B1 - COMMUNICATION CONTROL DEVICE AND COMMUNICATION CONTROL METHOD - Google Patents
COMMUNICATION CONTROL DEVICE AND COMMUNICATION CONTROL METHOD Download PDFInfo
- Publication number
- JP7478287B1 JP7478287B1 JP2023096005A JP2023096005A JP7478287B1 JP 7478287 B1 JP7478287 B1 JP 7478287B1 JP 2023096005 A JP2023096005 A JP 2023096005A JP 2023096005 A JP2023096005 A JP 2023096005A JP 7478287 B1 JP7478287 B1 JP 7478287B1
- Authority
- JP
- Japan
- Prior art keywords
- communication
- communication terminal
- data communication
- period
- machine learning
- 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
Links
- 230000006854 communication Effects 0.000 title claims abstract description 460
- 238000004891 communication Methods 0.000 title claims abstract description 459
- 238000000034 method Methods 0.000 title claims description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 72
- 238000004364 calculation method Methods 0.000 claims abstract description 43
- 230000006870 function Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000001186 cumulative effect Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
【課題】通信端末で使用される合計データ通信量を推論し、無線リソースの有効活用につなげることを目的とする。
【解決手段】
通信制御装置１は、通信端末２で使用されたデータ通信量を予め設定された第１期間ごとに収集するように構成された収集部１０と、第１期間ごとに収集されたデータ通信量を未知の入力として学習済みの機械学習モデルに与え、学習済みの機械学習モデルの演算を行って、第１期間よりも長い期間である第２期間に通信端末２によって使用される合計データ通信量を出力するように構成された演算部１２と、演算部１２によって出力された合計データ通信量に関する情報を提示するように構成された提示部１５とを備える。
【選択図】図１
The present invention aims to infer the total amount of data communication used by a communication terminal, leading to effective use of wireless resources.
SOLUTION
The communication control device 1 includes a collection unit 10 configured to collect the amount of data communication used by the communication terminal 2 for each predetermined first period, a calculation unit 12 configured to provide the data communication amount collected for each first period as an unknown input to a trained machine learning model, perform calculations on the trained machine learning model, and output a total data communication amount used by the communication terminal 2 for a second period that is longer than the first period, and a presentation unit 15 configured to present information regarding the total data communication amount output by the calculation unit 12.
[Selected Figure] Figure 1
Description
本発明は、通信制御装置および通信制御方法に関する。 The present invention relates to a communication control device and a communication control method.
スマートフォンなどの通信端末によって使用可能な通信容量は、通信キャリアにより提供されるデータ通信プランに基づいて決定される。例えば、月単位で無制限、２０ＧＢ、１０ＧＢ、２ＧＢ等までのデータ通信量を高速通信で行うことができるデータ通信プランが提供されている。契約中のデータ通信プランの上限のデータ通信量を超過した場合には、通信キャリアは、その通信端末に対する通信制限を行い、例えば、通信速度を高速通信から低速通信に移行させる場合がある。 The communication capacity available to a communication device such as a smartphone is determined based on the data communication plan provided by the communication carrier. For example, data communication plans are provided that allow unlimited data communication up to 20 GB, 10 GB, 2 GB, etc. per month at high speed. If the data communication volume limit of the contracted data communication plan is exceeded, the communication carrier may impose communication restrictions on the communication device, for example, shifting the communication speed from high speed to low speed.
通信サービスを利用するユーザの中には、契約しているデータ通信プランのデータ通信量の上限まで達するユーザが存在する一方で、上限まで使い切らないユーザも存在する。例えば、特許文献１は、複数の通信端末（子機）とモバイルルータ（親機）とを親子関係とし、この親子関係のもと、複数の子機と親機との上限速度の総和に基づいて、モバイルルータを介した通信において各々の通信端末のユーザが契約している料金プランに基づく通信速度を一時的に変更する技術を開示している。 Some users of communication services reach the upper limit of the data communication volume of their contracted data communication plan, while others do not use up the entire limit. For example, Patent Document 1 discloses a technology in which a parent-child relationship is established between multiple communication terminals (child devices) and a mobile router (parent device), and based on this parent-child relationship, the communication speed based on the rate plan subscribed to by the users of each communication terminal in communication via the mobile router is temporarily changed based on the sum of the upper limit speeds of the multiple child devices and the parent device.
しかしながら、特許文献１に記載された技術では、一時的な通信速度の変更が可能だとしても、特に、データ通信量の上限まで使用しないユーザに対して高速通信に係る通信帯域を割り当てていることには変わりない。これは、通信キャリアによって確保される合計通信帯域は、一般に、契約者数すなわち通信端末の数に、高速通信時の通信速度を乗じて算出されることによる。そのため、全体の通信帯域はむだに広げられている状態ともいえ、通信キャリア全体としての通信帯域の有効活用はできていない。 However, even if the technology described in Patent Document 1 allows for temporary changes in communication speed, it still allocates communication bandwidth for high-speed communication, especially to users who do not use the data communication volume up to the upper limit. This is because the total communication bandwidth secured by a communication carrier is generally calculated by multiplying the number of subscribers, i.e., the number of communication terminals, by the communication speed during high-speed communication. For this reason, it can be said that the overall communication bandwidth is unnecessarily expanded, and the communication bandwidth is not being effectively utilized by the communication carrier as a whole.
従来の技術では、通信端末で使用される合計データ通信量は推論されていなかった。そのため、従来の技術では、合計データ通信量の推論値に基づいた無線リソースの有効活用はなされていなかった。 In conventional technology, the total amount of data communication used by a communication terminal was not inferred. Therefore, in conventional technology, effective use of wireless resources based on the inferred value of the total amount of data communication was not achieved.
本発明は、上述した課題を解決するためになされたものであり、通信端末で使用される合計データ通信量を推論し、無線リソースの有効活用につなげることを目的とする。 The present invention has been made to solve the above-mentioned problems, and aims to infer the total data communication volume used by a communication terminal, leading to more effective use of wireless resources.
上述した課題を解決するために、本発明に係る通信制御装置は、通信端末で使用されたデータ通信量を予め設定された第１期間ごとに収集するように構成された収集部と、前記第１期間ごとに収集された前記データ通信量を未知の入力として学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記第１期間よりも長い期間である第２期間に前記通信端末によって使用される合計データ通信量を出力するように構成された演算部と、前記演算部によって出力された前記合計データ通信量に関する情報を提示するように構成された提示部とを備える。 In order to solve the above-mentioned problems, the communication control device according to the present invention includes a collection unit configured to collect the amount of data communication used by a communication terminal for each preset first period, a calculation unit configured to provide the amount of data communication collected for each first period as an unknown input to a trained machine learning model, perform calculations on the trained machine learning model, and output a total amount of data communication used by the communication terminal for a second period that is longer than the first period, and a presentation unit configured to present information related to the total amount of data communication output by the calculation unit.
また、本発明に係る通信制御装置において、さらに、前記通信端末によって使用される前記データ通信量についての前記第１期間ごとの値と、前記第２期間において前記通信端末によって使用される前記合計データ通信量との関係を、機械学習モデルを用いて学習するように構成された学習部と、前記学習部によって構築された前記学習済みの機械学習モデルを記憶するように構成された記憶部とを備え、前記演算部は、前記記憶部から前記学習済みの機械学習モデルを読み出して、前記学習済みの機械学習モデルの演算をしてもよい。 In addition, the communication control device according to the present invention further includes a learning unit configured to learn the relationship between the value for the data communication volume used by the communication terminal for each of the first time period and the total data communication volume used by the communication terminal in the second time period using a machine learning model, and a storage unit configured to store the trained machine learning model constructed by the learning unit, and the calculation unit may read out the trained machine learning model from the storage unit and perform calculations on the trained machine learning model.
また、本発明に係る通信制御装置において、さらに、前記演算部によって出力された前記合計データ通信量の値に基づいて、所定の通信規格のコアネットワークを介して、前記通信端末に対して設定されている通信速度を変更するように構成された通信制御部を備えていてもよい。 The communication control device according to the present invention may further include a communication control unit configured to change the communication speed set for the communication terminal via a core network of a specified communication standard based on the value of the total data communication volume output by the calculation unit.
また、本発明に係る通信制御装置において、前記機械学習モデルは、入力層、隠れ層、および出力層を有するニューラルネットワークであってもよい。 In addition, in the communication control device according to the present invention, the machine learning model may be a neural network having an input layer, a hidden layer, and an output layer.
上述した課題を解決するために、本発明に係る通信制御方法は、通信端末で使用されたデータ通信量を予め設定された第１期間ごとに収集する第１ステップと、前記第１期間ごとに収集された前記データ通信量を未知の入力として学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記第１期間よりも長い期間である第２期間に前記通信端末によって使用される合計データ通信量を出力する第２ステップと、前記第２ステップで出力された前記合計データ通信量に関する情報を提示する第３ステップとを備える。 In order to solve the above-mentioned problems, the communication control method according to the present invention includes a first step of collecting the amount of data communication used by a communication terminal for each preset first period, a second step of providing the amount of data communication collected for each first period as an unknown input to a trained machine learning model, performing calculations on the trained machine learning model, and outputting a total amount of data communication used by the communication terminal for a second period that is longer than the first period, and a third step of presenting information related to the total amount of data communication output in the second step.
また、本発明に係る通信制御方法において、さらに、前記通信端末によって使用される前記データ通信量についての前記第１期間ごとの値と、前記第２期間において前記通信端末によって使用される前記合計データ通信量との関係を、機械学習モデルを用いて学習する第４ステップと、前記第４ステップで構築された前記学習済みの機械学習モデルを記憶部に記憶する第５ステップとを備え、前記第２ステップは、前記記憶部から前記学習済みの機械学習モデルを読み出して、前記学習済みの機械学習モデルの演算を行ってもよい。 The communication control method according to the present invention further includes a fourth step of learning, using a machine learning model, the relationship between the value for the data communication volume used by the communication terminal for each of the first time periods and the total data communication volume used by the communication terminal in the second time period, and a fifth step of storing the trained machine learning model constructed in the fourth step in a storage unit, and the second step may read out the trained machine learning model from the storage unit and perform a calculation of the trained machine learning model.
また、本発明に係る通信制御方法において、さらに、前記第２ステップで出力された前記合計データ通信量の値に基づいて、所定の通信規格のコアネットワークを介して、前記通信端末に対して設定されている通信速度を変更する第６ステップを備えていてもよい。 The communication control method according to the present invention may further include a sixth step of changing the communication speed set for the communication terminal via a core network of a specified communication standard based on the value of the total data communication volume output in the second step.
本発明によれば、第１期間ごとに収集されたデータ通信量を未知の入力として学習済みの機械学習モデルに与え、学習済みの機械学習モデルの演算を行って、第１期間よりも長い期間である第２期間に通信端末によって使用される合計データ通信量を出力する。このように、合計データ通信量が推論されるため、無線リソースの有効活用につながる。 According to the present invention, the data communication volume collected for each first period is provided as an unknown input to a trained machine learning model, and the trained machine learning model is operated to output the total data communication volume used by the communication terminal during a second period that is longer than the first period. In this way, the total data communication volume is inferred, leading to effective use of wireless resources.
以下、本発明の好適な実施の形態について、図１から図６を参照して詳細に説明する。 A preferred embodiment of the present invention will be described in detail below with reference to Figures 1 to 6.
［通信制御システムの構成］
まず、本発明の実施の形態に係る通信制御装置１を備える通信制御システムの概要について説明する。図１に示すように、通信制御システムは、通信制御装置１、複数の通信端末２ａ、２ｂ、２ｃ、基地局３、およびコアネットワーク４を備える。
[Configuration of communication control system]
First, an overview of a communication control system including a communication control device 1 according to an embodiment of the present invention will be described. As shown in Fig. 1, the communication control system includes the communication control device 1, a plurality of communication terminals 2a, 2b, and 2c, a base station 3, and a core network 4.
通信制御システムは、予め設定された周期、例えば、１日ごとに収集された、通信端末２ａ、２ｂ、２ｃの各々が使用したデータ通信量に基づいて、学習済みの機械学習モデルの演算により、例えば、１か月間での通信端末２ａ、２ｂ、２ｃの各々の合計データ通信量を推論する。さらに、推論した１か月間の合計データ通信量に基づいて、通信端末２ａ、２ｂ、２ｃの各々のデータ通信における通信速度を変更する。 The communication control system infers, for example, the total data communication volume of each of the communication terminals 2a, 2b, and 2c for one month by calculation of a trained machine learning model based on the data communication volume used by each of the communication terminals 2a, 2b, and 2c collected at a preset period, for example, once a day. Furthermore, the communication control system changes the communication speed for data communication of each of the communication terminals 2a, 2b, and 2c based on the inferred total data communication volume for one month.
図１に示すように、通信端末２ａ、２ｂ、２ｃは、ＳＩＭを備えるスマートフォンなどの携帯通信端末、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ）、タブレット型コンピュータ、ラップトップ型コンピュータ（いわゆる、ノートパソコン）により実現される。 As shown in FIG. 1, communication terminals 2a, 2b, and 2c are realized by mobile communication terminals such as smartphones equipped with SIM cards, PDAs (Personal Digital Assistants), tablet computers, and laptop computers (so-called notebook computers).
本実施の形態では、通信端末２ａ、２ｂ、２ｃの各々のユーザは、同一の通信キャリアと契約しており、通信端末２ａ、２ｂ、２ｃは、それぞれ、ＳＩＭを識別する加入者識別番号であるＩＭＳＩ（Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｍｏｂｉｌｅ Ｓｕｂｓｃｒｉｂｅｒ Ｉｄｅｎｔｉｔｙ）により一意に識別される。また、各々のユーザは、通信キャリアが提供するデータ通信プランのいずれかに契約している。通信キャリアは、回線網や通信設備などのコアネットワーク４および基地局３などを有するモバイル通信事業者であり、ユーザに回線を貸与してデータ通信などの通信サービスを提供する。 In this embodiment, each user of communication terminals 2a, 2b, and 2c has a contract with the same communication carrier, and communication terminals 2a, 2b, and 2c are uniquely identified by an IMSI (International Mobile Subscriber Identity), which is a subscriber identification number that identifies a SIM. Each user also has a contract with one of the data communication plans offered by the communication carrier. A communication carrier is a mobile communication operator that has a core network 4 such as a line network and communication facilities, and base stations 3, and provides communication services such as data communication by lending lines to users.
通信端末２ａ、２ｂ、２ｃの各々は、各ユーザが契約しているデータ通信プランに応じた月間の上限データ通信量の範囲で高速通信によるデータ通信を行うことができる。例えば、通信端末２ａは、月間２０ＧＢまでのデータ通信を利用できるデータ通信プランに契約しているものとする。また、例えば、通信端末２ｂ、２ｃは、月間のデータ通信量が無制限に利用できるデータ通信プランに契約している場合を例に挙げる。 Each of the communication terminals 2a, 2b, and 2c can perform high-speed data communication within the monthly upper limit of data communication volume according to the data communication plan subscribed to by each user. For example, it is assumed that the communication terminal 2a has subscribed to a data communication plan that allows data communication up to 20 GB per month. Also, for example, it is assumed that the communication terminals 2b and 2c have subscribed to a data communication plan that allows unlimited data communication volume per month.
通信端末２ａは、月間のデータ通信量の上限２０ＧＢまでは、高速通信（例えば、通信速度２２０Ｍｂｐｓ）でデータ通信を行うことができ、上限２０ＧＢに達すると、次の日から月末までの通信速度が制限され、低速通信（例えば、通信速度１２８Ｋｂｐｓ）によるデータ通信に移行する。通信端末２ｂ、２ｃは、高速通信によりデータ通信量の上限なくデータ通信を行うことができる。 Communication terminal 2a can perform data communication at high speed (e.g., communication speed of 220 Mbps) up to the monthly data communication limit of 20 GB. When the 20 GB limit is reached, the communication speed is limited from the next day until the end of the month, and data communication is switched to low speed communication (e.g., communication speed of 128 Kbps). Communication terminals 2b and 2c can perform data communication at high speed with no limit on data communication.
通信端末２ａ、２ｂ、２ｃにおいて、月間のデータ通信量の上限に達しない場合には、原則として、高速通信による通信速度でデータ通信が行われる。本実施の形態において、通信キャリアが通信網全体として確保する通信帯域は、通信端末２の台数である全契約者数に高速通信時の通信速度（例えば、通信速度２２０Ｍｂｐｓ）を乗じた値で算出される。なお、以下において、通信端末２ａ、２ｂ、２ｃを区別しない場合には、通信端末２と総称する場合がある。 When the monthly data communication volume limit has not been reached in communication terminals 2a, 2b, and 2c, data communication is performed at the high-speed communication speed in principle. In this embodiment, the communication bandwidth secured by the communication carrier for the entire communication network is calculated by multiplying the total number of subscribers, which is the number of communication terminals 2, by the communication speed during high-speed communication (e.g., a communication speed of 220 Mbps). Note that, in the following, when communication terminals 2a, 2b, and 2c are not to be distinguished from one another, they may be collectively referred to as communication terminals 2.
基地局３は、ＬＴＥ方式の無線通信に対応した無線基地局、および５Ｇ方式に対応した無線基地局で構成される。基地局３は、在圏する通信端末２ａ、２ｂ、２ｃとコアネットワーク４との間の通信を中継する。 The base station 3 is composed of a wireless base station compatible with LTE wireless communication and a wireless base station compatible with 5G. The base station 3 relays communication between the communication terminals 2a, 2b, and 2c located within its range and the core network 4.
コアネットワーク４は、５ＧのＳＡ（Ｓｔａｎｄ Ａｌｏｎｅ）方式、およびＮＳＡ（Ｎｏｎ Ｓｔａｎｄ Ａｌｏｎｅ）方式のコアネットワークで構成される。コアネットワーク４は、通信端末２ａ、２ｂ、２ｃが基地局３を介して送信する位置登録信号やデータ信号などの信号処理、通信プロトコルやセキュリティ機能の管理、通信速度など通信の品質や安全性を確保する機能を有する。 The core network 4 is composed of 5G SA (Stand Alone) and NSA (Non Stand Alone) core networks. The core network 4 has functions to process signals such as location registration signals and data signals transmitted by the communication terminals 2a, 2b, and 2c via the base station 3, to manage communication protocols and security functions, and to ensure communication quality and safety, such as communication speed.
コアネットワーク４は、ＮＳＡ方式のアーキテクチャおよびＳＡ方式のアーキテクチャを構成する各装置が、図示されないネットワークを介して接続されている。図１に示す例では、コアネットワーク４は、ＮＳＡ方式のアーキテクチャとして、ＰＧＷ－Ｕ（Ｐａｃｋｅｔ Ｄａｔａ Ｎｅｔｗｏｒｋ Ｇａｔｅｗａｙ）４０を備え、他の装置については省略している。また、コアネットワーク４を構成するＳＡ方式のアーキテクチャとして、図１に示すように、ＵＰＦ（Ｕｓｅｒ Ｐｌａｎｅ Ｆｕｎｃｔｉｏｎ）４１を備える。 In the core network 4, each device constituting the NSA architecture and the SA architecture is connected via a network not shown. In the example shown in FIG. 1, the core network 4 includes a PGW-U (Packet Data Network Gateway) 40 as the NSA architecture, and other devices are omitted. In addition, as shown in FIG. 1, the core network 4 includes a UPF (User Plane Function) 41 as the SA architecture constituting the core network 4.
ＰＧＷ－Ｕ４０およびＵＰＦ４１は外部のインターネットに接続し、ユーザーデータのパケット転送を行うユーザープレーン機能に係る処理を行う。 PGW-U40 and UPF41 connect to the external Internet and perform processing related to the user plane function for forwarding user data packets.
また、ＰＧＷ－Ｕ４０は、３ＧＰＰ ＴＳ ２３．５０３に規定されている、「ＰＣＣ（Ｐｏｌｉｃｙ ａｎｄ Ｃｈａｒｇｉｎｇ Ｃｏｎｔｒｏｌ） Ｒｕｌｅｓ」に基づいて、ＩＭＳＩ単位で通信速度を変更する機能を有する。ＰＧＷ－Ｕ４０は、通信端末２のＩＭＳＩをキーにして、使用されたデータ通信量をカウントおよび保持する。本実施の形態では、ＰＧＷ－Ｕ４０は、通信制御装置１との通信を行うインターフェース４０ａを備える。 The PGW-U 40 also has the function of changing the communication speed on an IMSI basis based on the "PCC (Policy and Charging Control) Rules" defined in 3GPP TS 23.503. The PGW-U 40 counts and retains the amount of data communication used, using the IMSI of the communication terminal 2 as a key. In this embodiment, the PGW-U 40 has an interface 40a that communicates with the communication control device 1.
ＵＰＦ４１は、ＰＧＷ－Ｕ４０と同様に、３ＧＰＰ ＴＳ ２３．５０３に規定されている「ＰＣＣ（Ｐｏｌｉｃｙ ａｎｄ Ｃｈａｒｇｉｎｇ Ｃｏｎｔｒｏｌ） Ｒｕｌｅｓ」に基づいて、ＩＭＳＩ単位で通信速度を変更する機能を有する。ＵＰＦ４１は、通信端末２のＩＭＳＩをキーにして、使用されたデータ通信量をカウントおよび保持する。本実施の形態では、ＵＰＦ４１は、通信制御装置１との通信を行うインターフェース４１ａを備える。 The UPF 41, like the PGW-U 40, has the function of changing the communication speed on an IMSI basis based on the "PCC (Policy and Charging Control) Rules" defined in 3GPP TS 23.503. The UPF 41 counts and holds the amount of data communication used, using the IMSI of the communication terminal 2 as a key. In this embodiment, the UPF 41 has an interface 41a that communicates with the communication control device 1.
［通信制御装置の機能ブロック］
通信制御装置１は、収集部１０、学習部１１、演算部１２、機械学習（ＭＬ）モデル記憶部１３、通信制御部１４、および提示部１５を備える。通信制御装置１は、通信端末２によって使用される合計データ通信量を推論し、推論された合計データ通信量に基づいて、通信端末２のデータ通信に係る通信速度を変更する。
[Functional block of communication control device]
The communication control device 1 includes a collection unit 10, a learning unit 11, a calculation unit 12, a machine learning (ML) model storage unit 13, a communication control unit 14, and a presentation unit 15. The communication control device 1 infers a total data communication volume used by the communication terminal 2, and changes a communication speed related to data communication of the communication terminal 2 based on the inferred total data communication volume.
収集部１０は、通信端末２が使用したデータ通信量を、予め設定された第１期間ごとに収集する。第１期間の長さは、１か月、１日、１時間などの任意の収集周期に基づく期間を採用することができる。例えば、通信制御装置１が、１日間に通信端末２によって使用されるデータ通信量を推論する場合には、第１期間を１時間とし、１時間ごとに通信端末２によって使用されたデータ通信量を収集することができる。あるいは、月単位のデータ通信量を推論する場合には、第１期間を１日または１時間とし、１日ごとあるいは１時間ごとに通信端末２が使用したデータ通信量を収集することができる。 The collection unit 10 collects the amount of data communication used by the communication terminal 2 for each preset first period. The length of the first period can be a period based on any collection cycle, such as one month, one day, or one hour. For example, when the communication control device 1 infers the amount of data communication used by the communication terminal 2 in one day, the first period can be one hour, and the amount of data communication used by the communication terminal 2 can be collected every hour. Alternatively, when inferring the amount of data communication on a monthly basis, the first period can be one day or one hour, and the amount of data communication used by the communication terminal 2 can be collected every day or every hour.
本実施の形態では、一例として、収集部１０は、第１期間を１日とし、１日周期で通信端末２が使用したデータ通信量を収集する場合について説明する。収集部１０によって第１期間ごとに収集されるデータ通信量は、収集時点までに通信端末２が使用したデータ通信量の累積値である。したがって、収集開始から第ｋ（ｋ＝１，２，３，・・・）日目に収集されたデータ通信量の値とは、収集開始からｋ日目までに通信端末２が使用したデータ通信量の累積値である。 In this embodiment, as an example, a case will be described in which the collection unit 10 collects the amount of data communication used by the communication terminal 2 in a one-day cycle, with the first period being one day. The amount of data communication collected by the collection unit 10 for each first period is the cumulative value of the amount of data communication used by the communication terminal 2 up to the time of collection. Therefore, the value of the amount of data communication collected on the kth day (k=1, 2, 3, ...) from the start of collection is the cumulative value of the amount of data communication used by the communication terminal 2 from the start of collection to the kth day.
収集部１０は、コアネットワーク４のＰＧＷ－Ｕ４０およびＵＰＦ４１から、通信端末２ａ、２ｂ、２ｃの各々のＩＭＳＩに関連付けられて記憶されている使用済みのデータ通信量の値を収集する。 The collection unit 10 collects the values of the used data communication volume that are associated with the IMSI of each of the communication terminals 2a, 2b, and 2c and stored from the PGW-U 40 and UPF 41 of the core network 4.
学習部１１は、通信端末２が使用するデータ通信量の第１期間（例えば、１日）ごとの値と、第１期間よりも長い期間である第２期間（例えば、１か月間）に通信端末２によって使用される合計データ通信量との関係を、機械学習モデルを用いて学習する。 The learning unit 11 uses a machine learning model to learn the relationship between the value of the data communication volume used by the communication terminal 2 for each first period (e.g., one day) and the total data communication volume used by the communication terminal 2 for a second period (e.g., one month) that is longer than the first period.
図２は、収集部１０によって第１期間（例えば、１日）ごとに収集される通信端末２の使用済みのデータ通信量を模式的に示した図である。図２の横軸は、通信端末２の使用済みデータ通信量の収集回数Ｘを示している。縦軸は、通信端末２によって使用されたデータ通信量の累積値Ｙを示している。各黒丸点は、１日ごとに収集されたデータ通信量の累積値を示している。なお、図２は、１台の通信端末２による使用済みデータ通信量を示している。 Figure 2 is a diagram showing a schematic diagram of the amount of data communication used by the communication terminal 2 collected by the collection unit 10 for each first period (e.g., each day). The horizontal axis of Figure 2 shows the number of times X that the amount of data communication used by the communication terminal 2 has been collected. The vertical axis shows the cumulative value Y of the amount of data communication used by the communication terminal 2. Each black dot shows the cumulative value of the amount of data communication collected for each day. Note that Figure 2 shows the amount of data communication used by one communication terminal 2.
学習部１１は、通信端末２が使用した第１期間（例えば、１日）ごとのデータ通信量の累積値と、当該通信端末２が実際に使用した第２期間（例えば、１か月間）での合計データ通信量Ｍとの関係を、機械学習モデルに学習させる。図２に示す曲線は、通信端末２が実際に使用したデータ通信量の累積値Ｙを示す教師データであり、学習部１１は次式（１）で表される教師データを用いて学習を行う。
Ｙ＝（Ｍ／Ｎ）×Ｘ ・・・（１）
The learning unit 11 causes the machine learning model to learn the relationship between the cumulative value of the amount of data communication used by the communication terminal 2 for each first period (e.g., one day) and the total amount of data communication M for a second period (e.g., one month) actually used by the communication terminal 2. The curve shown in Fig. 2 is teacher data indicating the cumulative value Y of the amount of data communication actually used by the communication terminal 2, and the learning unit 11 performs learning using the teacher data expressed by the following formula (1).
Y = (M / N) × X ... (1)
上式（１）において、Ｎは、合計データ通信量Ｍが使用された第２期間までのデータ通信量の収集回数を示し、例えば、１か月分の日ごとの収集回数では、Ｎ＝３０（回）を示す。学習部１１は、上式（１）で表される教師データを用いて、第１期間（例えば、１日）ごとに収集された通信端末２の使用済みのデータ通信量が、上式（１）で表されるデータ通信量の値となるように、機械学習モデルの学習パラメータを学習する。 In the above formula (1), N indicates the number of times data communication volume has been collected up to the second period in which the total data communication volume M has been used. For example, in the case of the number of times data communication volume has been collected per day for one month, N=30 (times). Using the teacher data expressed by the above formula (1), the learning unit 11 learns the learning parameters of the machine learning model so that the data communication volume used by the communication terminal 2 collected per first period (for example, per day) becomes the value of the data communication volume expressed by the above formula (1).
図４は、学習部１１が学習を行う機械学習モデルの一例として採用する、ニューラルネットワーク構造を示す。ニューラルネットワークは、入力層ｘ、隠れ層ｈ、および出力層ｙを備える。図４の例では入力ノードｘｋおよび出力ノードｙｋの数は同数であり、これらは、収集部１０が収集したデータ通信量のデータ数に対応する。 4 shows a neural network structure adopted as an example of a machine learning model for learning by the learning unit 11. The neural network includes an input layer x, a hidden layer h, and an output layer y. In the example of FIG. 4, the number of input nodes x k and the number of output nodes y k are the same, which correspond to the number of data items of the data traffic collected by the collection unit 10.
図２で説明したように、入力ノードｘ１には、第１日目に収集された通信端末２の使用済みのデータ通信量が入力される。同様に、入力ノードｘ２～ｘｋのそれぞれには、第２日目から第ｋ日目にそれぞれ収集された通信端末２の使用済みデータ通信量の値が入力される。ｋおよびＮは、ｋ≦Ｎの関係にある。つまり、１か月間の合計データ通信量を推論する場合には、３０回以下の収集回数分の日ごとのデータ通信量を入力データとして用いる。 2, the used data communication amount of the communication terminal 2 collected on the first day is input to the input node x1 . Similarly, the used data communication amount of the communication terminal 2 collected on the second to kth days is input to each of the input nodes x2 to xk . k and N have a relationship of k≦N. In other words, when inferring the total data communication amount for one month, the daily data communication amount collected 30 times or less is used as input data.
学習部１１は、通信端末２によって使用されたデータ通信量の１日ごとの累積値をニューラルネットワークの入力層に与え、入力の重み付け総和に活性化関数を適用し、閾値処理により決定された出力を出力層に渡す。図４の例において、出力層の出力ノードは、入力ノードの数に対応する数のノードが設けられている。 The learning unit 11 provides the daily cumulative value of the amount of data communication used by the communication terminal 2 to the input layer of the neural network, applies an activation function to the weighted sum of the inputs, and passes the output determined by threshold processing to the output layer. In the example of Figure 4, the output layer has output nodes whose number corresponds to the number of input nodes.
隠れ層ｈのレイヤ数、およびニューラルネットワークのノード間の結合の疎密を含む機械学習モデルのサイズや要素は、十分な推論精度が得られる設計であれば限定されず、例えば、ノード間の結合として全結合あるいはスパース化した構造であってもよい。 The size and elements of the machine learning model, including the number of layers in the hidden layer h and the density of connections between nodes in the neural network, are not limited as long as the design provides sufficient inference accuracy. For example, the connections between nodes may be fully connected or sparsely structured.
図４に示すように、入力層の各入力ノードおよび出力ノードは、上から順に、第１日目から第ｋ日目までの１日ごとに収集された通信端末２のデータ通信量に対応する。図２において説明したように、入力ノードｘ１には、第１日目に収集された通信端末２のデータ通信量が入力される。同様に、入力ノードｘ２～ｘｋのそれぞれには、第２日目から第ｋ日目に収集された通信端末２のデータ通信量の値が入力される。 As shown in Fig. 4, the input nodes and output nodes of the input layer correspond, from top to bottom, to the data traffic of the communication terminal 2 collected for each day from the first day to the kth day. As described in Fig. 2 , the data traffic of the communication terminal 2 collected on the first day is input to the input node x1. Similarly, the values of the data traffic of the communication terminal 2 collected on the second day to the kth day are input to each of the input nodes x2 to xk .
学習部１１は、次式（２）に示す目的関数Ｅを導入することで、通信端末２が使用するデータ通信量の第１期間（例えば、１日）ごとの値が、実際に第２期間（例えば、１か月間）に使用された合計データ通信量に基づく１日ごとのデータ通信量の正解ラベルの値となるように、ニューラルネットワークのパラメータを学習する。 By introducing an objective function E shown in the following formula (2), the learning unit 11 learns the parameters of the neural network so that the value of the data communication amount used by the communication terminal 2 for a first period (e.g., one day) becomes the correct label value of the data communication amount for each day based on the total data communication amount actually used in a second period (e.g., one month).
上式（２）において、ｙ１，ｙ２，・・・，ｙｋは各出力ノードの出力値、Ｚ１，Ｚ２，・・・，Ｚｋは正解ラベルを示す。Ｚｋは、上式（１）で表される。目的関数Ｅの値は、機械学習モデルの上記入力値ｘ１，ｘ２，・・・，ｘｋ、つまり、１日ごとに収集される通信端末２のデータ通信量の値に対する出力値ｙ１，ｙ２，・・・，ｙｋが、目標出力Ｚ１，Ｚ２，・・・，Ｚｋに一致する場合に０となる。学習部１１は、目的関数Ｅが最小、つまり０となるように、ニューラルネットワークの重みパラメータを調整する。 In the above formula (2), y1 , y2 , ..., yk indicate the output values of each output node, and Z1 , Z2 , ..., Zk indicate the correct label. Zk is expressed by the above formula (1). The value of the objective function E is 0 when the input values x1 , x2 , ..., xk of the machine learning model, that is, the output values y1 , y2 , ..., yk for the data communication volume values of the communication terminal 2 collected every day, match the target outputs Z1 , Z2 , ..., Zk . The learning unit 11 adjusts the weight parameters of the neural network so that the objective function E is minimized, that is, 0.
学習部１１は、誤差逆伝搬法や確率的勾配降下法などを用いて、目的関数Ｅを勾配法で最適化することができる。さらに、学習部１１は、入力ノードの数ｋについても調整することができる。学習部１１は、第２期間の合計データ使用量を求めるのに最適な入力ノード数ｋを備えたネットワーク構造において、目的関数Ｅが最小となるようにニューラルネットワークの重みパラメータを調整する。 The learning unit 11 can optimize the objective function E by gradient methods using backpropagation, stochastic gradient descent, or the like. Furthermore, the learning unit 11 can also adjust the number k of input nodes. The learning unit 11 adjusts the weight parameters of the neural network so that the objective function E is minimized in a network structure having the optimal number k of input nodes for determining the total data usage amount for the second period.
学習部１１は、全ての通信端末２ａ、２ｂ、２ｃに共通の機械学習モデルを学習する構成とすることができる。この場合、ｋ日分の通信端末２ａ、２ｂ、２ｃの各々のデータ通信量の入力に対して、通信端末２ａ、２ｂ、２ｃの各々が実際に使用した１か月間での合計データ通信量を正解ラベルとした教師データを用いて学習を行うことができる。このように、学習部１１は、多数のユーザのデータ通信量に係る学習データを用いて、ニューラルネットワークを学習することができる。 The learning unit 11 can be configured to learn a machine learning model common to all communication terminals 2a, 2b, and 2c. In this case, learning can be performed using teacher data in which the total data communication volume actually used by each of communication terminals 2a, 2b, and 2c over one month is used as the correct answer label for the input of the data communication volume of each of communication terminals 2a, 2b, and 2c for k days. In this way, the learning unit 11 can train the neural network using learning data related to the data communication volumes of many users.
その他にも、学習部１１は、通信端末２ごとに機械学習モデルのパラメータを学習する構成としてもよい。あるいは、学習部１１は、予めグループ化された複数の通信端末２ごとに、機械学習モデルのパラメータを学習する構成としてもよい。学習部１１によって構築された学習済みのパラメータは、後述のＭＬ記憶部１３に記憶される。 In addition, the learning unit 11 may be configured to learn parameters of the machine learning model for each communication terminal 2. Alternatively, the learning unit 11 may be configured to learn parameters of the machine learning model for each of a plurality of communication terminals 2 that are grouped in advance. The learned parameters constructed by the learning unit 11 are stored in the ML storage unit 13 described below.
図１に戻り、演算部１２は、予め設定された第１期間である１日ごとに収集されたデータ通信量を未知の入力として学習済みの機械学習モデルに与え、学習済みの機械学習モデルの演算を行って、第１期間よりも長い期間である第２期間に通信端末２によって使用される合計データ通信量を出力する。 Returning to FIG. 1, the calculation unit 12 provides the data communication volume collected for each day in a first period set in advance as an unknown input to the trained machine learning model, performs calculations on the trained machine learning model, and outputs the total data communication volume used by the communication terminal 2 in a second period that is longer than the first period.
演算部１２は、ＭＬ記憶部１３から、学習済みのパラメータをロードし、収集部１０によって第１期間すなわち１日ごとに収集された、通信端末２で使用されたデータ通信量の入力データｘ１～ｘｋを未知の入力として与え、第２期間である１か月間に通信端末２で使用される合計データ通信量を推論する。図４の例を用いると、演算部１２は、学習済みのニューラルネットワークの演算により得られた、ｋ日分の日ごとの通信端末２のデータ通信量の入力データｘ１～ｘｋに対する出力データｙ１～ｙｋに基づいて、月単位の合計データ通信量を推論する。 The calculation unit 12 loads the learned parameters from the ML storage unit 13, and provides as unknown input the input data x 1 to x k of the data communication volume used by the communication terminal 2 during the first period, i.e., each day, collected by the collection unit 10, to infer the total data communication volume used by the communication terminal 2 during one month, which is the second period. Using the example of Fig. 4, the calculation unit 12 infers the total data communication volume per month based on the output data y 1 to y k for the input data x 1 to x k of the data communication volume of the communication terminal 2 for each day for k days, which are obtained by the calculation of the trained neural network.
例えば、Ｎ＝３０である１か月間（３０日間）の合計データ通信量を推論する場合、演算部１２は、ｙ１～ｙｋの各値に基づいて算出される１か月間での合計データ通信量の平均値を、１か月間での合計のデータ通信量とすることができる。演算部１２は、次式（３）より、Ｎ＝３０、すなわち１か月間での合計データ通信量ＹＮを算出することができる。
ＹＮ＝［｛（ｙ１／１）×Ｎ｝＋｛（ｙ２／２）×Ｎ｝＋｛（ｙ３／３）×Ｎ｝＋，・・・｛（ｙｋ／ｋ）×Ｎ｝］／ｋ ・・・（３）
For example, when estimating the total data communication volume for one month (30 days) where N=30, the calculation unit 12 can set the average value of the total data communication volume for one month calculated based on each value of y1 to yk as the total data communication volume for one month. The calculation unit 12 can calculate N=30, that is, the total data communication volume YN for one month, from the following formula (3).
YN = [{( y1 /1) x N} + {( y2 /2) x N} + {( y3 /3) x N} + , . . . {( yk /k) x N}] / k ... (3)
演算部１２は、上式（３）によりｋ個の出力データの平均値を用いて合計データ通信量を求めるため、例えば、（ｙｋ／ｋ）×Ｎなど、１日分のデータ通信量のみに基づいて合計データ通信量を算出する場合と比較して、値のばらつきを低減することができる。 The calculation unit 12 calculates the total data communication volume using the average value of k output data using the above formula (3), so that the variation in the value can be reduced compared to when the total data communication volume is calculated based only on the data communication volume for one day, for example, (y k /k)×N.
通信制御部１４は、演算部１２によって出力された１か月間の合計データ通信量の値に基づいて、所定の通信規格のコアネットワーク４を介して、通信端末２に対して設定されている通信速度を変更する。具体的には、通信制御部１４は、ネットワークＮＷを介して、コアネットワーク４のＰＧＷ－Ｕ４０およびＵＰＦ４１に対して、各通信端末２の通信速度の設定を変更する制御信号を送信することができる。 The communication control unit 14 changes the communication speed set for the communication terminal 2 via the core network 4 of a specific communication standard based on the value of the total data communication volume for one month output by the calculation unit 12. Specifically, the communication control unit 14 can transmit a control signal to the PGW-U 40 and UPF 41 of the core network 4 via the network NW to change the communication speed setting of each communication terminal 2.
さらに具体的には、通信制御部１４は、３ＧＰＰ ＴＳ ２３．５０３で規定されている「ＰＣＣ（Ｐｏｌｉｃｙ ａｎｄ Ｃｈａｒｇｉｎｇ Ｃｏｎｔｒｏｌ） Ｒｕｌｅｓ」に基づいて、ＩＭＳＩ単位で通信速度を変更する機能を有するＰＧＷ－Ｕ４０、およびＵＰＦ４１に対して、ＩＭＳＩごとに通信速度の変更を行う制御信号を送信する。 More specifically, the communication control unit 14 transmits a control signal to change the communication speed for each IMSI to the PGW-U 40, which has the function of changing the communication speed on an IMSI basis, and the UPF 41, based on the "PCC (Policy and Charging Control) Rules" defined in 3GPP TS 23.503.
例えば、月間のデータ通信量の上限２０ＧＢの通信端末２ａにおいて、１か月間の合計データ通信量の推論値が１９ＧＢであったとする。この場合、通信制御部１４は、通信端末２ａの通信速度を、２２０Ｍｂｐｓから２０９Ｍｂｐｓ（｛２２０Ｍｂｐｓ／２０ＧＢ｝×１９ＧＢ）に変更する制御信号をＰＧＷ－Ｕ４０、およびＵＰＦ４１に対して送信することができる。 For example, suppose that the estimated total data traffic volume for one month is 19 GB for a communication terminal 2a with a monthly data traffic volume upper limit of 20 GB. In this case, the communication control unit 14 can send a control signal to the PGW-U 40 and UPF 41 to change the communication speed of the communication terminal 2a from 220 Mbps to 209 Mbps ({220 Mbps/20 GB}×19 GB).
別の例として、通信端末２ａの１か月の合計データ通信量の推論値が９ＧＢであった場合、通信制御部１４は、通信端末２ａの通信速度を、２２０Ｍｂｐｓから９９Ｍｂｐｓ（｛２２０Ｍｂｐｓ／２０ＧＢ｝×９ＧＢ）に変更する制御信号を同様にＰＧＷ－Ｕ４０、およびＵＰＦ４１に対して送信することができる。月間のデータ通信量が無制限である通信端末２ｂ、２ｃに対しても同様に、通信制御部１４は、通信速度の変更をすることができる。通信制御部１４は、通信の品質等の観点から適切な通信速度の変更を行うことができる。 As another example, if the inferred value of the total data communication volume for one month of communication terminal 2a is 9 GB, communication control unit 14 can similarly send a control signal to PGW-U 40 and UPF 41 to change the communication speed of communication terminal 2a from 220 Mbps to 99 Mbps ({220 Mbps/20 GB}×9 GB). Similarly, communication control unit 14 can change the communication speed for communication terminals 2b and 2c, which have unlimited monthly data communication volume. Communication control unit 14 can change the communication speed appropriately from the viewpoint of communication quality, etc.
ＭＬモデル記憶部１３は、学習部１１によって構築されたが学習済みの機械学習モデルの学習済みのパラメータを記憶する。 The ML model storage unit 13 stores the learned parameters of the machine learning model that has been constructed and learned by the learning unit 11.
提示部１５は、演算部１２によって推論された通信端末２の合計データ通信量に関する情報を提示する。また、提示部１５は、通信制御部１４によって制御される通信端末２の通信速度の設定情報に関する情報を提示することができる。 The presentation unit 15 presents information related to the total data communication volume of the communication terminal 2 inferred by the calculation unit 12. The presentation unit 15 can also present information related to the setting information of the communication speed of the communication terminal 2 controlled by the communication control unit 14.
［通信制御装置のハードウェア構成］
次に、上述した機能を有する通信制御装置１を実現するハードウェア構成の一例について、図３を用いて説明する。
[Hardware configuration of the communication control device]
Next, an example of a hardware configuration for implementing the communication control device 1 having the above-described functions will be described with reference to FIG.
図５に示すように、通信制御装置１は、例えば、バス１０１を介して接続されるプロセッサ１０２、主記憶装置１０３、通信インターフェース１０４、補助記憶装置１０５、入出力Ｉ／Ｏ１０６を備えるコンピュータと、これらのハードウェア資源を制御するプログラムによって実現することができる。 As shown in FIG. 5, the communication control device 1 can be realized, for example, by a computer including a processor 102, a main memory device 103, a communication interface 104, an auxiliary memory device 105, and an input/output (I/O) 106 connected via a bus 101, and a program that controls these hardware resources.
主記憶装置１０３には、プロセッサ１０２が各種制御や演算を行うためのプログラムが予め格納されている。プロセッサ１０２と主記憶装置１０３とによって、図１に示した収集部１０、学習部１１、演算部１２、通信制御部１４など通信制御装置１の各機能が実現される。 The main memory device 103 stores in advance programs that allow the processor 102 to perform various controls and calculations. The processor 102 and the main memory device 103 realize the various functions of the communication control device 1, such as the collection unit 10, learning unit 11, calculation unit 12, and communication control unit 14 shown in FIG. 1.
通信インターフェース１０４は、通信制御装置１と各種外部電子機器との間をネットワーク接続するためのインターフェース回路である。 The communication interface 104 is an interface circuit for network connection between the communication control device 1 and various external electronic devices.
補助記憶装置１０５は、読み書き可能な記憶媒体と、その記憶媒体に対してプログラムやデータなどの各種情報を読み書きするための駆動装置とで構成されている。補助記憶装置１０５には、記憶媒体としてハードディスクやフラッシュメモリなどの半導体メモリを使用することができる。 The auxiliary storage device 105 is composed of a readable and writable storage medium and a drive for reading and writing various information such as programs and data from the storage medium. The auxiliary storage device 105 can use semiconductor memory such as a hard disk or flash memory as the storage medium.
補助記憶装置１０５は、通信制御装置１が実行する通信制御プログラムを格納するプログラム格納領域を有する。また、補助記憶装置１０５は、機械学習モデルの学習を行うための学習プログラムを格納する領域を有する。補助記憶装置１０５によって、図１で説明したＭＬモデル記憶部１３が実現される。 The auxiliary storage device 105 has a program storage area for storing the communication control program executed by the communication control device 1. The auxiliary storage device 105 also has an area for storing a learning program for learning a machine learning model. The auxiliary storage device 105 realizes the ML model storage unit 13 described in FIG. 1.
また、補助記憶装置１０５は、通信端末２ａ、２ｂ、２ｃの各々において契約されている通信プランに対応する月間のデータ通信量の上限値に関する情報を記憶する領域を有する。さらには、例えば、上述したデータやプログラムなどをバックアップするためのバックアップ領域などを有していてもよい。 The auxiliary storage device 105 also has an area for storing information regarding the monthly data communication volume upper limit corresponding to the communication plan subscribed to in each of the communication terminals 2a, 2b, and 2c. Furthermore, the auxiliary storage device 105 may have, for example, a backup area for backing up the above-mentioned data, programs, etc.
入出力Ｉ／Ｏ１０６は、外部機器からの信号を入力したり、外部機器へ信号を出力したりする入出力装置である。 The input/output I/O 106 is an input/output device that inputs signals from external devices and outputs signals to external devices.
［通信制御装置の動作］
次に、上述した構成を有する通信制御装置１の動作を、図５および図６のフローチャートを参照して説明する。図５は、通信制御装置１による学習処理を示すフローチャートである。図６は、学習済みの機械学習モデルの演算により、通信端末２の通信速度を変更する通信処理を示すフローチャートである。
[Operation of the communication control device]
Next, the operation of the communication control device 1 having the above-mentioned configuration will be described with reference to the flowcharts of Fig. 5 and Fig. 6. Fig. 5 is a flowchart showing a learning process by the communication control device 1. Fig. 6 is a flowchart showing a communication process for changing the communication speed of the communication terminal 2 by calculation of a trained machine learning model.
まず、図５に示すように、学習部１１は、機械学習モデルの入力ノードの数ｋを設定する（ステップＳ１）。具体的には、学習部１１は、機械学習モデルとしてニューラルネットワークを採用し、入力層、隠れ層、および出力層の設定、並びに重みパラメータおよび閾値その他のパラメータの初期値を設定する。学習部１１は、推論するデータ通信量の精度が十分に得られる入力層のノード数ｋを採用することができる。 First, as shown in FIG. 5, the learning unit 11 sets the number k of input nodes of the machine learning model (step S1). Specifically, the learning unit 11 employs a neural network as the machine learning model, and sets the settings of the input layer, hidden layer, and output layer, as well as the initial values of weight parameters, thresholds, and other parameters. The learning unit 11 can employ the number k of nodes in the input layer that can provide sufficient accuracy in estimating the amount of data communication.
次に、学習部１１は、通信端末２が使用するデータ通信量の第１期間（例えば、１日）ごとの値と、第２期間（例えば、１か月間）に通信端末２によって使用される合計データ通信量との関係を、機械学習モデルを用いて学習する（ステップＳ２）。具体的には、学習部１１は、収集部１０によって１日ごとに収集された、通信端末２による使用済みのデータ通信量の値に、収集部１０で収集された１か月分の使用済み合計データ通信量が正解ラベルとして付された教師データを用いて、機械学習モデルを学習することができる。 Next, the learning unit 11 learns the relationship between the value of the data communication amount used by the communication terminal 2 for each first period (e.g., one day) and the total data communication amount used by the communication terminal 2 for each second period (e.g., one month) using a machine learning model (step S2). Specifically, the learning unit 11 can learn the machine learning model using training data in which the total data communication amount used for one month collected by the collection unit 10 is attached as a correct answer label to the value of the data communication amount used by the communication terminal 2 collected by the collection unit 10 for each day.
学習部１１は、例えば、図４に示すニューラルネットワーク構造の機械学習モデルを採用し、上式（１）で表される教師データを用いて、ニューラルネットワークモデルの重みパラメータを学習することができる。 The learning unit 11 can adopt, for example, a machine learning model with a neural network structure as shown in FIG. 4, and learn the weight parameters of the neural network model using the teacher data represented by the above formula (1).
また、学習部１１は、上式（２）を用いて、各入力ノードｘ１～ｘｋに入力される第１日目から第ｋ日目までの通信端末２のデータ通信量の値が、通信端末２が実際に１か月間に使用した合計データ通信量の値に基づく各日のデータ通信量の累積値となるように、目的関数Ｅを最小とする重みパラメータを調整および更新を繰り返し、重みパラメータの値を決定する。学習部１１は、目的関数Ｅを最小とする入力ノードの数ｋを調整し、繰り返し学習処理を行い、最適な入力ノード数ｋを決定することができる。 Furthermore, the learning unit 11 determines the value of the weight parameter by repeatedly adjusting and updating the weight parameter that minimizes the objective function E , using the above formula (2), so that the value of the data communication volume of the communication terminal 2 from the first day to the kth day input to each of the input nodes x 1 to x k becomes the accumulated value of the data communication volume for each day based on the value of the total data communication volume actually used in one month by the communication terminal 2. The learning unit 11 adjusts the number k of input nodes that minimizes the objective function E, and repeatedly performs learning processing, thereby determining the optimal number k of input nodes.
学習部１１は、全ての通信端末２で共通の機械学習モデルを学習させることができるが、設計に応じて、所定の複数の通信端末２に共通の機械学習モデルを学習、あるいは、通信端末２ごとに機械学習モデルを学習してもよい。 The learning unit 11 can train a machine learning model common to all communication terminals 2, but depending on the design, it may also train a machine learning model common to a specified number of communication terminals 2, or train a machine learning model for each communication terminal 2.
その後、ＭＬモデル記憶部１３は、ステップＳ２の学習処理により得られた学習済みの重みパラメータ、入力ノードの数ｋを記憶する（ステップＳ３）。 Then, the ML model storage unit 13 stores the learned weight parameters and the number k of input nodes obtained by the learning process in step S2 (step S3).
次に、図６を参照して、学習済みのニューラルネットワークを用いた通信端末２の通信速度の制御処理を説明する。まず、収集部１０は、通信端末２が使用したデータ通信量の累積値を第１期間（例えば、１日）ごとに収集する（ステップＳ１０）。具体的には、収集部１０は、コアネットワーク４のＰＧＷ－Ｕ４０のインターフェース４０ａおよびＵＰＦ４１のインターフェース４１ａを介して、通信端末２に割り当てられているＩＭＳＩに関連付けられて記憶されている１日ごとのデータ通信量のカウント値を収集する。 Next, referring to FIG. 6, a process for controlling the communication speed of the communication terminal 2 using the trained neural network will be described. First, the collection unit 10 collects the cumulative value of the amount of data communication used by the communication terminal 2 for each first period (e.g., each day) (step S10). Specifically, the collection unit 10 collects the count value of the amount of data communication used for each day that is stored in association with the IMSI assigned to the communication terminal 2 via the interface 40a of the PGW-U 40 and the interface 41a of the UPF 41 of the core network 4.
次に、演算部１２は、ＭＬ記憶部１３から学習済みのパラメータをロードする（ステップＳ１１）。次に、演算部１２は、収集部１０によって収集された、通信端末２が使用したデータ通信量の第１期間（例えば、１日）ごとの累積値を未知の入力として学習済みのニューラルネットワークに与え、学習済みのニューラルネットワークの演算を行う（ステップＳ１２）。演算部１２は、ステップＳ１２での演算により、第２期間（例えば、１か月間）に通信端末２が使用する合計データ通信量を出力する（ステップＳ１３）。 Next, the calculation unit 12 loads the learned parameters from the ML storage unit 13 (step S11). Next, the calculation unit 12 provides the accumulated value of the data communication amount used by the communication terminal 2 for each first period (e.g., one day) collected by the collection unit 10 as an unknown input to the trained neural network, and performs calculations on the trained neural network (step S12). The calculation unit 12 outputs the total data communication amount used by the communication terminal 2 for the second period (e.g., one month) based on the calculation in step S12 (step S13).
次に、通信制御部１４は、ステップＳ１３で出力された合計データ通信量に基づいて、通信端末２に設定されている通信速度を変更する（ステップＳ１４）。具体的には、通信制御部１４は、ステップＳ１３で出力された、通信端末２において１か月間で使用される合計データ通信量の推論値と、通信端末２の月間のデータ通信量の上限値とを比較して、合計データ通信量の値が上限値よりも小さい場合には、通信端末２のデータ通信に係る通信速度を高速通信時の通信速度よりも減少させることができる。通信制御部１４は、コアネットワーク４のＰＧＷ－Ｕ４０およびＵＰＦ４１に対して、通信端末２ごとの通信速度を変更する制御信号を送信する。 Next, the communication control unit 14 changes the communication speed set in the communication terminal 2 based on the total data communication volume output in step S13 (step S14). Specifically, the communication control unit 14 compares the inferred value of the total data communication volume used in the communication terminal 2 for one month output in step S13 with the upper limit of the monthly data communication volume of the communication terminal 2, and if the value of the total data communication volume is smaller than the upper limit, the communication speed for data communication of the communication terminal 2 can be reduced below the communication speed during high-speed communication. The communication control unit 14 transmits a control signal to the PGW-U 40 and UPF 41 of the core network 4 to change the communication speed for each communication terminal 2.
その後、提示部１５は、通信制御部１４による通信端末２の通信速度の制御情報を提示する（ステップＳ１５）。 Then, the presentation unit 15 presents control information on the communication speed of the communication terminal 2 by the communication control unit 14 (step S15).
なお、上述の実施の形態では、ＬＴＥおよび５Ｇに準拠する通信制御システムである場合を例示した。しかし、所定の通信規格とは、ＬＴＥおよび５Ｇに限定されるものではなく、６Ｇに準拠する通信制御システムであってもよい。 In the above embodiment, a communication control system that complies with LTE and 5G has been exemplified. However, the specified communication standard is not limited to LTE and 5G, and may be a communication control system that complies with 6G.
また、上述した実施の形態では、学習部１１が、ニューラルネットワークを機械学習モデルとして用いて学習処理を行う場合について説明した。しかし、機械学習モデルは、上述したニューラルネットワークモデルの他、ロジスティック回帰、ランダムフォレスト、決定木等、さらにニューラルネットワークを多層化したディープラーニングを用いてもよい。また、これらの教師あり学習の他、教師なし学習を行う機械学習モデルとして、敵対的生成ネットワークや変分オードエンコーダ等の生成モデルを用いてもよい。 In the above-described embodiment, the learning unit 11 performs the learning process using a neural network as a machine learning model. However, in addition to the above-described neural network model, the machine learning model may also use logistic regression, random forest, decision tree, or deep learning in which a neural network is multi-layered. In addition to these supervised learning models, generative models such as a generative adversarial network or a variational autoencoder may also be used as machine learning models that perform unsupervised learning.
また、説明した実施の形態では、学習処理を行う学習部１１、および学習済みの機械学習モデルに基づいて、合計データ通信量を演算する演算部１２、および合計データ通信量に基づいて、通信端末２の通信速度を変更する通信制御部１４の全てが通信制御装置１に搭載される場合について説明した。しかし、学習部１１、演算部１２、および通信制御部１４は同一のハードウェア構成として設けられている場合の他、複数のサーバ等によっても学習処理と通信制御処理とをネットワークＮＷ上の別のサーバ等により分散することもできる。 In the embodiment described above, the learning unit 11 that performs the learning process, the calculation unit 12 that calculates the total data communication volume based on the learned machine learning model, and the communication control unit 14 that changes the communication speed of the communication terminal 2 based on the total data communication volume are all mounted on the communication control device 1. However, the learning unit 11, the calculation unit 12, and the communication control unit 14 may be provided as the same hardware configuration, or the learning process and the communication control process may be distributed by multiple servers or the like on the network NW.
以上説明したように、本実施の形態に係る通信制御装置１によれば、第１期間ごとに収集された通信端末２のデータ通信量を未知の入力として学習済みの機械学習モデルに与え、学習済みの機械学習モデルの演算を行って、第１期間よりも長い期間である第２期間に通信端末２によって使用される合計データ通信量を出力する。したがって、推論された合計データ通信量に基づいて、データ通信量の上限まで使用しないユーザに対しては通信速度を変更するため、無線リソースを有効活用することができる。 As described above, according to the communication control device 1 of this embodiment, the data communication volume of the communication terminal 2 collected for each first period is provided as an unknown input to the trained machine learning model, and the trained machine learning model is calculated to output the total data communication volume used by the communication terminal 2 in the second period, which is a period longer than the first period. Therefore, based on the inferred total data communication volume, the communication speed is changed for users who do not use the data communication volume up to the upper limit, thereby making it possible to effectively utilize wireless resources.
以上、本発明の通信制御装置および通信制御方法における実施の形態について説明したが、本発明は説明した実施の形態に限定されるものではなく、請求項に記載した発明の範囲において当業者が想定し得る各種の変形を行うことが可能である。 The above describes the embodiments of the communication control device and communication control method of the present invention, but the present invention is not limited to the described embodiments, and various modifications that a person skilled in the art can imagine are possible within the scope of the invention described in the claims.
１…通信制御装置、１０…収集部、１１…学習部、１２…演算部、１３…ＭＬモデル記憶部、１４…通信制御部、１５…提示部、２、２ａ、２ｂ、２ｃ…通信端末、３…基地局、４…コアネットワーク、４０…ＰＧＷ－Ｕ、４０ａ、４１ａ、…インターフェース、４１…ＵＰＦ、１０１…バス、１０２…プロセッサ、１０３…主記憶装置、１０４…通信インターフェース、１０５…補助記憶装置、１０６…入出力Ｉ／Ｏ、ＮＷ…ネットワーク。
1...communication control device, 10...collection unit, 11...learning unit, 12...calculation unit, 13...ML model memory unit, 14...communication control unit, 15...presentation unit, 2, 2a, 2b, 2c...communication terminal, 3...base station, 4...core network, 40...PGW-U, 40a, 41a, ...interface, 41...UPF, 101...bus, 102...processor, 103...main memory device, 104...communication interface, 105...auxiliary memory device, 106...input/output I/O, NW...network.
Claims (5)
前記第１期間ごとに収集された前記データ通信量の累積値を未知の入力として学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記第１期間よりも長い期間である第２期間に前記通信端末によって使用される合計データ通信量を出力するように構成された演算部と、
前記演算部によって出力された前記合計データ通信量に関する情報を提示するように構成された提示部と、
前記演算部によって出力された前記合計データ通信量の値に基づいて、所定の通信規格のコアネットワークを介して、前記通信端末に対して設定されている通信速度を変更するように構成された通信制御部と
を備え、
前記学習済みの機械学習モデルは、前記通信端末によって使用された前記データ通信量の前記第１期間ごとの累積値が、前記通信端末によって実際に前記第２期間において使用された前記合計データ通信量に基づく前記第１期間ごとのデータ通信量の累積値に係る正解ラベルの値となるように学習された機械学習モデルであり、
前記通信制御部は、前記コアネットワークのＰＧＷ－Ｕ（Ｐａｃｋｅｔ Ｄａｔａ Ｎｅｔｗｏｒｋ Ｇａｔｅｗａｙ）またはＵＰＦ（Ｕｓｅｒ Ｐｌａｎｅ Ｆｕｎｃｔｉｏｎ）に対して、通信端末の加入者識別番号ごとに通信速度の変更を行う制御信号を送信することで、前記通信端末に対して設定されている前記通信速度を変更し、
前記通信制御部は、前記演算部によって出力された、前記第２期間に前記通信端末によって使用される前記合計データ通信量の値と、前記通信端末に対して設定されている前記第２期間のデータ通信量の上限値とを比較して、前記合計データ通信量の値が前記上限値よりも小さい場合には、前記通信端末に対して設定されている前記通信速度を減少させる
通信制御装置。 a collection unit configured to collect a data traffic volume used by a communication terminal having a subscriber identification number for each preset first period, the collected data traffic volume being a cumulative value of the data traffic volume used by the communication terminal up to a collection point for each first period;
a calculation unit configured to provide a cumulative value of the data communication amount collected for each first period as an unknown input to a trained machine learning model, perform a calculation of the trained machine learning model, and output a total data communication amount used by the communication terminal during a second period that is longer than the first period;
a presentation unit configured to present information regarding the total data communication volume output by the calculation unit ;
a communication control unit configured to change a communication speed set for the communication terminal via a core network of a predetermined communication standard based on the value of the total data communication volume output by the calculation unit;
Equipped with
the trained machine learning model is a machine learning model trained so that a cumulative value of the data communication amount used by the communication terminal for each of the first time period becomes a correct label value related to a cumulative value of the data communication amount for each of the first time period based on the total data communication amount actually used by the communication terminal in the second time period ;
The communication control unit changes the communication speed set for the communication terminal by transmitting a control signal for changing the communication speed for each subscriber identification number of the communication terminal to a PGW-U (Packet Data Network Gateway) or a UPF (User Plane Function) of the core network,
The communication control unit compares the value of the total data communication amount used by the communication terminal during the second period output by the calculation unit with an upper limit value of the data communication amount for the second period set for the communication terminal, and when the value of the total data communication amount is smaller than the upper limit value, reduces the communication speed set for the communication terminal.
Communications control device.
さらに、前記通信端末によって使用される前記データ通信量についての前記第１期間ごとの累積値と、前記第２期間において前記通信端末によって使用される前記合計データ通信量との関係を、前記機械学習モデルを用いて学習するように構成された学習部と、
前記学習部によって構築された前記学習済みの機械学習モデルを記憶するように構成された記憶部と
を備え、
前記演算部は、前記記憶部から前記学習済みの機械学習モデルを読み出して、前記学習済みの機械学習モデルの演算を行う
ことを特徴とする通信制御装置。 2. The communication control device according to claim 1,
a learning unit configured to learn, using the machine learning model, a relationship between a cumulative value of the data communication amount used by the communication terminal for each of the first time periods and the total data communication amount used by the communication terminal in the second time period;
A storage unit configured to store the trained machine learning model constructed by the training unit,
The calculation unit reads the trained machine learning model from the storage unit and performs calculations on the trained machine learning model.
前記機械学習モデルは、入力層、隠れ層、および出力層を有するニューラルネットワークである
ことを特徴とする通信制御装置。 3. The communication control device according to claim 2 ,
The communication control device, wherein the machine learning model is a neural network having an input layer, a hidden layer, and an output layer.
前記第１期間ごとに収集された前記データ通信量の累積値を未知の入力として学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記第１期間よりも長い期間である第２期間に前記通信端末によって使用される合計データ通信量を出力する第２ステップと、
前記第２ステップで出力された前記合計データ通信量に関する情報を提示する第３ステップと、
前記第２ステップで出力された前記合計データ通信量の値に基づいて、所定の通信規格のコアネットワークを介して、前記通信端末に対して設定されている通信速度を変更する第６ステップと
を備え、
前記学習済みの機械学習モデルは、前記通信端末によって使用された前記データ通信量の前記第１期間ごとの累積値が、前記通信端末によって実際に前記第２期間において使用された前記合計データ通信量に基づく前記第１期間ごとのデータ通信量の累積値に係る正解ラベルの値となるように学習された機械学習モデルであり、
前記第６ステップは、前記コアネットワークのＰＧＷ－Ｕ（Ｐａｃｋｅｔ Ｄａｔａ Ｎｅｔｗｏｒｋ Ｇａｔｅｗａｙ）またはＵＰＦ（Ｕｓｅｒ Ｐｌａｎｅ Ｆｕｎｃｔｉｏｎ）に対して、通信端末の加入者識別番号ごとに通信速度の変更を行う制御信号を送信することで、前記通信端末に対して設定されている前記通信速度を変更し、
前記第６ステップは、前記第２ステップで出力された、前記第２期間に前記通信端末によって使用される前記合計データ通信量の値と、前記通信端末に対して設定されている前記第２期間のデータ通信量の上限値とを比較して、前記合計データ通信量の値が前記上限値よりも小さい場合には、前記通信端末に対して設定されている前記通信速度を減少させる
通信制御方法。 a first step of collecting a data traffic volume used by a communication terminal having a subscriber identification number for each preset first period, the collected data traffic volume being a cumulative value of the data traffic volume used by the communication terminal up to a collection point for each first period;
a second step of providing the cumulative value of the data communication volume collected for each first period as an unknown input to a trained machine learning model, performing a calculation on the trained machine learning model, and outputting a total data communication volume used by the communication terminal during a second period that is longer than the first period;
a third step of presenting information related to the total data communication volume output in the second step ;
a sixth step of changing a communication speed set for the communication terminal through a core network of a predetermined communication standard based on the value of the total data communication amount output in the second step;
Equipped with
the trained machine learning model is a machine learning model trained so that a cumulative value of the data communication amount used by the communication terminal for each of the first time period becomes a correct label value related to a cumulative value of the data communication amount for each of the first time period based on the total data communication amount actually used by the communication terminal in the second time period ;
The sixth step includes changing the communication speed set for the communication terminal by transmitting a control signal for changing the communication speed for each subscriber identification number of the communication terminal to a PGW-U (Packet Data Network Gateway) or a UPF (User Plane Function) of the core network;
The sixth step compares the value of the total data communication amount used by the communication terminal during the second period output in the second step with an upper limit value of the data communication amount for the second period set for the communication terminal, and reduces the communication speed set for the communication terminal when the value of the total data communication amount is smaller than the upper limit value.
Communications control method.
さらに、前記通信端末によって使用される前記データ通信量についての前記第１期間ごとの累積値と、前記第２期間において前記通信端末によって使用される前記合計データ通信量との関係を、前記機械学習モデルを用いて学習する第４ステップと、
前記第４ステップで構築された前記学習済みの機械学習モデルを記憶部に記憶する第５ステップと
を備え、
前記第２ステップは、前記記憶部から前記学習済みの機械学習モデルを読み出して、前記学習済みの機械学習モデルの演算を行う
ことを特徴とする通信制御方法。 5. The communication control method according to claim 4 ,
Further, a fourth step of learning, using the machine learning model, a relationship between an accumulated value of the data communication amount used by the communication terminal for each of the first time periods and the total data communication amount used by the communication terminal in the second time period;
A fifth step of storing the trained machine learning model constructed in the fourth step in a storage unit,
The communication control method, wherein the second step reads the trained machine learning model from the storage unit and performs a calculation on the trained machine learning model.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023096005A JP7478287B1 (en) | 2023-06-12 | 2023-06-12 | COMMUNICATION CONTROL DEVICE AND COMMUNICATION CONTROL METHOD |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023096005A JP7478287B1 (en) | 2023-06-12 | 2023-06-12 | COMMUNICATION CONTROL DEVICE AND COMMUNICATION CONTROL METHOD |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP7478287B1 true JP7478287B1 (en) | 2024-05-02 |
Family
ID=90827037
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023096005A Active JP7478287B1 (en) | 2023-06-12 | 2023-06-12 | COMMUNICATION CONTROL DEVICE AND COMMUNICATION CONTROL METHOD |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7478287B1 (en) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004023114A (en) | 2002-06-12 | 2004-01-22 | Nippon Telegr & Teleph Corp <Ntt> | Method and system for predicting communication traffic |
| WO2020040675A1 (en) | 2018-08-24 | 2020-02-27 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and communication device for controlling reception of data |
-
2023
- 2023-06-12 JP JP2023096005A patent/JP7478287B1/en active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004023114A (en) | 2002-06-12 | 2004-01-22 | Nippon Telegr & Teleph Corp <Ntt> | Method and system for predicting communication traffic |
| WO2020040675A1 (en) | 2018-08-24 | 2020-02-27 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and communication device for controlling reception of data |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110809306B (en) | Terminal access selection method based on deep reinforcement learning | |
| CN103379002B (en) | The adaptive monitoring of telecommunication network | |
| TW202131661A (en) | Device and method for network optimization and non-transitory computer-readable medium | |
| CN105094305B (en) | Identify method, user equipment and the Activity recognition server of user behavior | |
| CN106993048B (en) | Determine method and device, information recommendation method and the device of recommendation information | |
| CN103281241A (en) | Dynamic service information for the access network | |
| CN107302784A (en) | Smart connection manager | |
| JP2022551104A (en) | Federated Learning Using Heterogeneous Model Types and Architectures | |
| CN103621167A (en) | Adjusting the quality of service based on network addresses associated with a mobile device | |
| CN106973399A (en) | A kind of data transmission disposal method and mobile terminal | |
| CN103718508A (en) | Advanced determination, processing and control in communication networks | |
| CN110213097B (en) | Edge service supply optimization method based on dynamic resource allocation | |
| CN103731173A (en) | Transceiver operating in wireless communication network, network transmission system and method | |
| CN108901058A (en) | Internet of things node access channel optimization selection method | |
| Kim et al. | Mathematical model of operation of a cell of a mobile communication network with adaptive modulation schemes and handover of mobile users | |
| JP7478287B1 (en) | COMMUNICATION CONTROL DEVICE AND COMMUNICATION CONTROL METHOD | |
| CN108632088B (en) | Method for processing business, device and server | |
| CN114064394A (en) | Safety monitoring method and device based on edge calculation and terminal equipment | |
| CN109948803A (en) | Algorithm model optimization method, device and equipment | |
| CN101848453A (en) | Method and device for dynamically adjusting data transmission | |
| CN110009061B (en) | AP self-adaptive optimization selection method based on machine learning | |
| CN109587053A (en) | Network shunt method and relevant device | |
| CN115190027B (en) | Natural fault survivability evaluation method based on network digital twin | |
| CN115189908B (en) | Random attack survivability evaluation method based on network digital twin | |
| CN107787565A (en) | The channel coding of real-time wireless service |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230612 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230612 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230817 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230913 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20231206 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240201 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20240213 |
|
| 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: 20240418 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240419 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7478287 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |