WO2019116417A1 - 通信品質低下予測システム、方法およびプログラム - Google Patents

通信品質低下予測システム、方法およびプログラム Download PDF

Info

Publication number
WO2019116417A1
WO2019116417A1 PCT/JP2017/044308 JP2017044308W WO2019116417A1 WO 2019116417 A1 WO2019116417 A1 WO 2019116417A1 JP 2017044308 W JP2017044308 W JP 2017044308W WO 2019116417 A1 WO2019116417 A1 WO 2019116417A1
Authority
WO
WIPO (PCT)
Prior art keywords
communication quality
communication
prediction
learning model
decrease
Prior art date
Application number
PCT/JP2017/044308
Other languages
English (en)
French (fr)
Inventor
秋元　一郎
横井　大輔
澤田　直樹
雅之 池田
Original Assignee
日本電気株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to EP17934481.7A priority Critical patent/EP3726755B1/en
Priority to PCT/JP2017/044308 priority patent/WO2019116417A1/ja
Priority to JP2019559424A priority patent/JP6881606B2/ja
Priority to US16/771,457 priority patent/US11381331B2/en
Publication of WO2019116417A1 publication Critical patent/WO2019116417A1/ja

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3913—Predictive models, e.g. based on neural network models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/40—Monitoring; Testing of relay systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/12—Avoiding congestion; Recovering from congestion
    • H04L47/127—Avoiding congestion; Recovering from congestion by using congestion prediction

Definitions

  • the present invention relates to a communication quality degradation prediction system, communication quality degradation prediction method, and communication quality degradation prediction program that predicts future communication quality degradation amount or presence or absence of communication quality degradation.
  • Patent Document 1 a learning device for generating a learning model for predicting a failure of a monitored device, and a learning model from the learning device are received, and occurrence of a failure of the monitored device is predicted using the learning model. And a system having a failure prediction device.
  • Patent Document 1 it is possible to predict the occurrence of a failure of the monitoring target device.
  • the communication device it is preferable to be able to make predictions about the drop in communication quality that is a precursor to failure rather than predicting the occurrence of the failure itself. This is because the communication device to be monitored can be dealt with more quickly by performing prediction on the deterioration of the communication quality leading to a failure.
  • the accuracy of the prediction be high.
  • the present invention provides a communication quality degradation prediction system, a communication quality degradation prediction method, and a communication quality degradation prediction program that can predict with a high degree of accuracy whether or not communication quality degradation will occur in the future. Intended to be provided.
  • the communication quality deterioration prediction system is an attribute related to the cause of deterioration in communication quality in a communication section between one communication device and another communication device communicably connected to one communication device.
  • a first prediction unit that predicts, in the communication section, a future amount of decrease in communication quality or the presence or absence of a decrease in communication quality using a first learning model generated based on a first attribute; Using a second learning model generated based on a second attribute, which is an attribute related to the cause of deterioration in communication quality outside the communication section in one communication device, outside the communication section in one communication device
  • the prediction result of the first prediction unit, and the prediction result of the second prediction unit Amount of decrease in future communication quality in one communication device or Characterized in that it comprises a determination unit that determines occurrence of decrease in signal quality.
  • the communication quality deterioration prediction method relates to the cause of the deterioration in communication quality in the communication section between one communication device and another communication device communicably connected to the one communication device.
  • Using the second learning model generated based on the second attribute which is an attribute related to the cause of the deterioration of the communication quality outside the communication section in the one communication device, in the one communication device.
  • the second prediction process is performed to predict the future decrease in communication quality or the occurrence of a decrease in communication quality outside the communication section, and the prediction result of the first prediction process and the prediction of the second prediction process Based on the results, the future of one communication device And judging the occurrence of decrease or reduction in the communication quality of the signal quality.
  • the communication quality deterioration prediction program according to the present invention is a cause of deterioration in communication quality in a communication section between a communication device between one communication device and another communication device communicably connected with the communication device.
  • Prediction processing using a second learning model generated based on a second attribute that is an attribute related to the cause of deterioration in communication quality outside the communication section in one communication device, in one communication device A second prediction process for predicting the future amount of decrease in communication quality or the occurrence of a decrease in communication quality outside the communication section, a prediction result of the first prediction process, and a prediction result of the second prediction process And one communication device based on Characterized in that to execute a definitive determination processing of determining presence of occurrence of the decrease or drop in communication quality of future communication quality.
  • the communication quality degradation prediction system predicts the degradation of communication quality of a communication device.
  • the communication device to be predicted is a wireless relay device will be described as an example.
  • the communication device to be predicted is not limited to the wireless relay device, and may be, for example, a base station or an optical communication device that performs optical communication.
  • FIG. 1 is a schematic view showing a wireless relay device.
  • communication devices form a pair.
  • the wireless relay device 51a and the wireless relay device 51b form a pair, and the wireless relay device 51a and the wireless relay device 51b communicate wirelessly.
  • FIG. 1 illustrates the case where the base station 52 is connected to one of the wireless relay devices 51a and the router 53 is connected to the other wireless relay device 51b.
  • the wireless relay devices 51a and 51b are not particularly distinguished, they are simply referred to as "wireless relay device 51".
  • the wireless relay device 51a and the wireless relay device 51b form a pair
  • a communication section between the wireless relay device 51a and the wireless relay device 51b forming a pair is referred to as a communication section K.
  • the former learning model is described as a first learning model
  • the latter learning model is described as a second learning model.
  • the communication quality degradation prediction system uses these learning models to make predictions regarding degradation of communication quality.
  • the communication section on the base station 52 side is outside the section of the “communication section K” as viewed from the wireless relay apparatus 51a.
  • the communication section on the router 53 side is outside the section of the “communication section K” as viewed from the wireless relay device 51b.
  • communication quality may be represented by an index other than packet loss.
  • the amount of the packet loss corresponds to the decrease amount of the communication quality.
  • FIG. 2 is a block diagram showing an example of a communication quality deterioration prediction system according to the first embodiment of this invention.
  • the communication quality degradation prediction system 1 of the present invention includes a data receiving unit 2, a data storage unit 3, a teacher data generating unit 4, a first model generating unit 5, a second model generating unit 6, and a model storage.
  • a unit 7, a first prediction unit 8, a second prediction unit 9, and an integration unit 10 are provided.
  • the data storage unit 3 is a storage device that stores information to be included in teacher data used to generate a learning model, and information used to derive teacher data.
  • the data storage unit 3 stores information of each wireless relay device 51.
  • the information on each wireless relay device 51 includes information on the weather at the position where the wireless relay device 51 is disposed.
  • weather information include information indicating types such as “fine”, “cloudy”, or “rain”, as well as precipitation, temperature, humidity, and the like. These pieces of information are examples, and the information of each wireless relay device 51 may not include all the information of the illustrated weather. In addition, other information may be included in the information of each wireless relay device 51 as the weather information.
  • the information of each wireless relay device 51 includes the direction of the antenna of the wireless relay device 51 and information of the frequency used for wireless communication.
  • the orientation of the antenna may, for example, be represented by the elevation and azimuth of the antenna.
  • the case where the orientation of the antenna is represented by the elevation angle and the azimuth angle will be described as an example.
  • each wireless relay device 51 includes information indicating the radio wave condition around the wireless relay device 51.
  • the information indicating the radio wave condition is information indicating whether the radio wave condition is good (for example, there is no or no radio wave interference).
  • the information of each wireless relay device 51 includes the amount of traffic transmitted / received by the wireless relay device 51, the amount of traffic discarded upon reception, and the like. In each embodiment, it is assumed that the flow of traffic from the base station to the router is focused on in the example shown in FIG. In this case, the information of the wireless relay device 51a includes the amount of traffic discarded when the wireless relay device 51a receives traffic from the base station, the amount of traffic transmitted by the wireless relay device 51a to the wireless relay device 51b, etc. Is included.
  • the information on the wireless relay device 51 b includes the amount of traffic received by the wireless relay device 51 b from the wireless relay device 51 a and the amount of traffic transmitted from the wireless relay device 51 b to the router 53. In the present example, the data storage unit 3 also stores the amount of traffic received by the router 53 from the wireless relay device 51b. Note that the amount of packet loss is derived from the amount of traffic.
  • Information on weather, direction of antenna, information on frequency used for wireless communication, information on radio wave condition, and information on the amount of traffic may change with time.
  • the information on each of the wireless relay devices 51 that can change in this way is transmitted from the respective wireless relay devices 51 to the communication quality deterioration prediction system 1 every unit time, and the data reception unit 2 receives the information, It may be stored in the storage unit 3.
  • the amount of traffic received by the router 53 from the wireless relay device 51 b is transmitted from the router 53 to the communication quality deterioration prediction system 1 per unit time, and the data receiving unit 2 receives the information, and the data storage unit 3 It should be stored in In this case, each wireless relay device 51 may be provided with a device for measuring weather information and a device for determining whether the radio wave condition is good.
  • each wireless relay device 51 does not have a device for measuring weather information
  • a device for measuring weather information is provided in the vicinity of each wireless relay device 51, and the device is a unit Information on weather may be transmitted to the communication quality deterioration prediction system 1 every time, and the data receiving unit 2 may receive the information and store the information in the data storage unit 3.
  • the unit time is one hour
  • the time represents a period of unit time (one hour) until that time.
  • the term represents one hour from 14 o'clock on October 10, 2017 to 15 o'clock on October 10, 2017.
  • each wireless relay device 51 includes the position, model, setting contents and the like of the wireless relay device 51. These positions, models, setting contents, and the like are described as inventory information.
  • the inventory information also includes the size and type of the antenna of the wireless relay device 51.
  • the data storage unit 3 stores inventory information for each wireless relay device 51.
  • the administrator of the communication network or the administrator of the communication quality deterioration prediction system 1 stores in advance the inventory information of each wireless relay device 51 in the data storage unit 3.
  • FIG. 3 is a schematic view showing an example of the information of the wireless relay device 51 stored in this way for each unit time.
  • FIG. 3 shows an example of the information of the wireless relay device 51a
  • the data receiving unit 2 similarly stores the information of the wireless relay device 51 in the data storage unit 3 for each of the other wireless relay devices 51.
  • the information of the traffic amount is omitted.
  • the types of antennas are distinguished by numerical values.
  • the data storage unit 3 also stores event information indicating the presence or absence of various events.
  • the data storage unit 3 stores the presence or absence of various events for each unit period (every hour in this example).
  • FIG. 4 is a schematic view showing an example of event information. As shown in FIG. 4, various disasters such as a typhoon or an earthquake may be used as the event. Although FIG. 4 exemplifies “pro baseball game”, “football world cup game”, “typhoon” and “earthquake” as events, there is no particular limitation on what to set as an event.
  • the data storage unit 3 also stores campaign information indicating the presence or absence of a campaign.
  • the data storage unit 3 stores the presence or absence of various campaigns every day.
  • FIG. 5 is a schematic view showing an example of campaign information. Examples of the campaign include, for example, advertising activities for promoting communication terminals to be traffic sources or destinations, but the campaign is not limited to this example.
  • the data storage unit 3 also stores topology information indicating the relationship between nodes forming a network. More specifically, the topology information indicates the connection relationship between nodes and the flow direction of traffic between connected nodes.
  • the topology information enables, for example, determination of the number of base stations connected to the wireless relay device 51a. Also, the topology information may be defined in such a manner that the number of networks connected to the router 53 to which the wireless relay device 51b transmits traffic can be identified.
  • the data storage unit 3 also stores calendar information.
  • Calendar information includes the day of the year, the day of the week corresponding to a holiday, the date corresponding to a holiday, the date corresponding to a holiday, and the day of the event (for example, an annual event such as Christmas or Halloween is performed Day).
  • Calendar information can determine whether each day is a holiday or a weekday. Further, it is possible to determine whether each date corresponds to a public holiday or to determine whether an annual event is performed on each date according to the calendar information.
  • the data storage unit 3 also stores, for each of the wireless relay devices 51, information indicating the demographics of the area in which the wireless relay device 51 is present.
  • the information indicating the demographics is, for example, information indicating how much the population increases or decreases after a certain period of time (eg, one year later) from each day. If a city plan is defined, the city plan may be used as information indicating demographics. It can be said that city planning is an aspect of information indicating demographics.
  • the manager of the communication network or the manager of the communication quality deterioration prediction system 1 causes the data storage unit 3 to store in advance the event information, the campaign information, the topology information, the calendar information, and the information indicating the demographics. Keep it.
  • the teacher data generation unit 4 generates teacher data used to generate a learning model based on the data stored in the data storage unit 3.
  • the communication quality deterioration prediction system 1 is a learning model for focusing on the communication section K and a section of the communication section K, as a learning model for performing prediction on future packet loss for each wireless relay device 51. Generate a learning model when focusing on the outside.
  • the former learning model is referred to as a first learning model.
  • the latter learning model is referred to as a second learning model.
  • the communication section on the base station 52 side as viewed from the wireless relay device 51a is a section of “communication section K”. Let's go outside. Further, for example, in the case where the wireless relay device 51b is to be predicted, the communication section on the router 53 side is outside the section of the “communication section K” as viewed from the wireless relay device 51b.
  • the first learning model and the second learning model are generated for each wireless relay device 51. Therefore, the teacher data generation unit 4 generates, for each of the wireless relay devices 51, teacher data used to generate the first learning model and teacher data used to generate the second learning model.
  • teacher data of the wireless relay device 51a shown in FIG. 1 is generated is mainly described as an example. Also, as described above, in the example shown in FIG. 1, it is assumed that the flow of traffic from the base station to the router is focused.
  • the attribute related to the cause of packet loss in the communication section K (see FIG. 1) between the wireless relay device 51a and the wireless relay device 51b forming a pair , Antenna size, antenna type, frequency, radio wave condition, etc. (ie, each attribute illustrated in FIG. 3).
  • the attribute related to the cause of the packet loss in the communication section K will be referred to as a first attribute.
  • the cause of the packet loss in the communication section K is described as an internal cause.
  • the first attribute includes, for example, at least one or more of weather information, antenna orientation, antenna size, antenna type, frequency, and radio wave condition.
  • an attribute other than the illustrated each attribute may be used.
  • the teacher data generation unit 4 digitizes the information represented by the character string among the values of the first attribute of each unit time of the wireless relay device 51a. For example, among the individual first attributes (the type of weather, temperature, elevation and azimuth of antenna, size of antenna, type of antenna, frequency and radio condition) illustrated in FIG. 3, the type of weather and radio condition Is represented by a string.
  • the teacher data generation unit 4 digitizes this character string. For example, the teacher data generation unit 4 sets character strings such as “fine”, “cloudy”, and “rain” with respect to the attribute "type of weather” to "0.0" and "0.” according to a predetermined rule. Replace with 5 ",” 1.0 ", etc. Also, for example, regarding the attribute “field condition”, the teacher data generation unit 4 replaces “with interference” with “1” and replaces “without interference” with “0”.
  • the teacher data generation unit 4 calculates the amount of packet loss in a unit time after a predetermined period (for example, after 20 days has elapsed) from the unit time in which the value of the first attribute is obtained, and the value of the first attribute It corresponds when the is obtained. For example, as the amount of packet loss to be associated with the value of the first attribute of “October 10, 2017 at 15 o'clock” illustrated in FIG. Calculate the amount of packet loss of The amount of packet loss is the amount of packet loss in the communication section K.
  • the amount of packet loss in the communication section K is the traffic received by the wireless relay device 51b from the wireless relay device 51a from the amount of traffic (Tx) transmitted from the wireless relay device 51a to the wireless relay device 51b.
  • the teacher data generation unit 4 calculates the amount of packet loss of “October 30, 2017 15 o'clock” obtained by the calculation in the individual first attribute of “October 10, 2017 15 o'clock” illustrated in FIG. 3. Map to the value of.
  • the teacher data generation unit 4 performs the same process for each time shown in FIG. Thus, the teacher data generation unit 4 generates teacher data including the value of the first attribute. An example of this teacher data is shown in FIG. However, the teacher data may not include all the attributes shown in FIG.
  • the teacher data may include an attribute other than the first attribute (attribute related to the cause of the packet loss in the communication section K). However, this teacher data does not include the second attribute described later.
  • the teacher data generation unit 4 may include “presence or absence of occurrence of packet loss” after the elapse of the predetermined period, instead of “the amount of packet loss” after the predetermined period.
  • occurrence of packet loss it may be represented by a numerical value "1”
  • no occurrence of packet loss it may be represented by a numerical value "0”.
  • An example of teacher data including the presence or absence of occurrence of packet loss over a predetermined period is shown in FIG.
  • the communication zone on the base station 52 side is out of the zone of “communication zone K” when viewed from the wireless relay device 51a.
  • the attribute related to the cause of the packet loss outside the communication section K the number of base stations transmitting traffic to the wireless relay device 51a, the presence or absence of various events, the presence or absence of a campaign, the wireless relay device 51a exists The population dynamics of the district can be mentioned.
  • the attribute related to the cause of the packet loss outside the communication section K will be referred to as a second attribute.
  • the cause of packet loss outside the communication section K is described as an external cause.
  • the second attribute includes at least one or more attributes among, for example, the presence or absence of an event, the presence or absence of a campaign, and the demographics of the area in which the wireless relay device is present.
  • an attribute other than the illustrated each attribute may be used.
  • the teacher data generation unit 4 associates, for each unit time, the number of base stations transmitting traffic to the wireless relay device 51a, the presence or absence of various events, the presence or absence of a campaign, and the demographics of the area where the wireless relay device 51a exists. At this time, the teacher data generation unit 4 digitizes the information represented by the character string. For example, information “present” included in event information (see FIG. 4) or campaign information (see FIG. 5) is represented by a numerical value "1", and information "absent" is represented by a numerical value "0".
  • the teacher data generation unit 4 may derive the number of base stations transmitting traffic to the wireless relay device 51a based on the topology information.
  • the teacher data generation unit 4 specifies the amount of packet loss outside the communication section K in the unit time after a predetermined period (in this example, after 20 days) in the predetermined period. For example, as the amount of packet loss associated with the value of each second attribute of “10 o'clock on October 10, 2017”, the wireless relay device 51 a receives traffic from the base station at “15 o'clock on October 30, 2017”. The amount of traffic discarded may be used when receiving.
  • the teacher data generation unit 4 generates teacher data including the value of the second attribute. An example of this teacher data is shown in FIG. However, the teacher data does not have to include all the attributes shown in FIG.
  • the teacher data may include attributes other than the second attribute. However, this teacher data does not include the above-mentioned first attribute.
  • the teacher data generation unit 4 may include “presence or absence of occurrence of packet loss” after the elapse of the predetermined period, instead of “the amount of packet loss” after the predetermined period.
  • occurrence of packet loss it may be represented by a numerical value "1”
  • no occurrence of packet loss it may be represented by a numerical value "0”.
  • if there is traffic discarded when the wireless relay device 51a receives traffic from the base station it may be regarded as occurrence of packet loss, and if there is no traffic discarded, it may be considered as occurrence of no packet loss.
  • An example of teacher data including the presence or absence of occurrence of packet loss over a predetermined period is shown in FIG.
  • FIGS. 8 and 9 show teacher data for generating the second learning model, which is generated for the wireless relay device 51a.
  • the teacher data generation unit 4 receives, from the amount of traffic transmitted from the wireless relay device 51b to the router 53, the router 53 from the wireless relay device 51b as the amount of packet loss in unit time after the predetermined period has elapsed. A value obtained by subtracting the amount of traffic generated may be calculated.
  • the teacher data generation unit 4 performs the same calculation when specifying the presence or absence of occurrence of packet loss, and if the result of subtraction is positive, it is regarded as occurrence of packet loss, and if the result of subtraction is 0, the packet It can be regarded as no loss.
  • the number of networks connected to the router 53 may be used instead of the number of base stations. The number of networks connected to the router 53 may be determined from, for example, topology information.
  • the “predetermined period” in the teacher data for generating the first learning model and the “predetermined period” in the teacher data for generating the second learning model are the same period. Although the case where the predetermined period is 20 days is illustrated in this example, the predetermined period may not be 20 days.
  • the teacher data generation unit 4 generates teacher data for generating a first learning model and teacher data for generating a second learning model for each wireless relay device 51.
  • the first model generation unit 5 generates a first learning model by machine learning using teacher data for generating the first learning model.
  • the teacher data for generating the first learning model is generated for each wireless relay device 51. Therefore, the first model generation unit 5 generates a first learning model for each wireless relay device 51.
  • the second model generation unit 6 generates a second learning model by machine learning using the teacher data for generating the second learning model.
  • the teacher data for generating the second learning model is generated for each wireless relay device 51. Therefore, the second model generation unit 6 generates a second learning model for each wireless relay device 51.
  • the algorithm of machine learning performed by the first model generator 5 and the second model generator 6 is not particularly limited.
  • the second model generation unit 6 also predicts the amount of packet loss. Generate a second learning model.
  • the teacher data generation unit 4 generates teacher data illustrated in FIG. 6 as teacher data for generating a first learning model, and generates teacher data for generating a second learning model in FIG. It is sufficient to generate the exemplified teacher data.
  • the learning model is obtained, for example, as a regression equation.
  • the second model generation unit 6 When the first model generation unit 5 generates a first learning model for predicting the presence or absence of the occurrence of packet loss, the second model generation unit 6 also detects the presence or absence of the occurrence of the packet loss. Generate a second learning model to predict.
  • the teacher data generation unit 4 generates teacher data illustrated in FIG. 7 as teacher data for generating a first learning model, and generates teacher data for generating a second learning model in FIG. It is sufficient to generate the exemplified teacher data. Also, in this case, the learning model is obtained, for example, as a discriminant.
  • the first learning model can be expressed as Equation (1) shown below, for example, whether it is a regression equation or a discriminant.
  • x 1 to x n are explanatory variables corresponding to various first attributes included in the teacher data, and a 1 to a n are coefficients of individual explanatory variables.
  • b is a constant term.
  • Y is a target variable.
  • equation (1) is a regression equation to predict the amount of packet loss
  • y represents the amount of packet loss that is predicted.
  • the amount of packet loss is a predicted value of the amount of packet loss in the communication section K.
  • y takes a value in the range of 0 to 1. The closer the value of y is to 1, the higher the possibility of packet loss in the communication section K, and the closer the value of y is to 0, the lower the possibility of packet loss in the communication section K.
  • the second learning model can be expressed as Equation (2) shown below, for example, whether it is a regression equation or a discriminant.
  • X 1 to X m are explanatory variables corresponding to various second attributes included in the teacher data, and A 1 to A m are coefficients of individual explanatory variables.
  • B is a constant term.
  • Y is an objective variable.
  • Equation (2) is a regression equation to predict the amount of packet loss
  • Y represents the amount of packet loss that is predicted.
  • the amount of packet loss is a predicted value of the amount of packet loss outside the section of the communication section K (for example, the communication section on the base station 52 side as viewed from the wireless relay device 51a).
  • Y takes a value in the range of 0 to 1. The closer the value of y is to 1, the higher the probability that packet loss will occur outside the communication section K, and the closer to the value of Y, the packet loss will occur outside the communication section K. It means that the possibility of doing is low.
  • the first model generation unit 5 stores the generated first learning model in the model storage unit 7.
  • the second model generation unit 6 stores the generated second learning model in the model storage unit 7.
  • the model storage unit 7 is a storage device that stores the first learning model generated by the first model generation unit 5 and the second learning model generated by the second model generation unit 6.
  • the first learning model is expressed in the form of equation (1)
  • the second learning model is expressed in the form of equation (2).
  • the form of the second learning model and the second learning model is not limited to the form shown in Equation (1) or Equation (2).
  • the first prediction unit 8 predicts the packet loss in the future communication section K using the first learning model.
  • a future unit time to be subjected to prediction regarding packet loss will be referred to as a prediction target time.
  • the first learning model (equation (1)) is a regression equation for predicting the amount of packet loss.
  • the first prediction unit 8 reads from the data storage unit 3 the value of the attribute corresponding to the explanatory variable of equation (1) a predetermined period before the prediction target time, and substitutes the value of the attribute into the explanatory variable. Then, the value of y is obtained by the calculation of equation (1).
  • the value of y is a predicted value of the amount of packet loss in the communication section K in the future prediction target time.
  • the first learning model (Equation (1)) is a discriminant for predicting the occurrence of packet loss.
  • the first prediction unit 8 reads from the data storage unit 3 the value of the attribute corresponding to the explanatory variable of Formula (1) a predetermined period before the prediction target time, and the value of the attribute is described as the explanatory variable And calculate the value of y by the calculation of equation (1).
  • y takes a value in the range of 0 to 1.
  • the first prediction unit 8 replaces the value of y with 1 when the value of y is 0.5 or more, and replaces the value of y with 0 when the value of y is less than 0.5. That the value of y is 1 means that it is predicted that packet loss will occur in the communication section K in the future prediction target time. In addition, that the value of y is 0 means that no packet loss is expected to occur in the communication section K in the future prediction target time.
  • the second prediction unit 9 uses the second learning model and is outside the section of the communication section K in the future (for example, when performing prediction in the wireless relay device 51a, the base station 52 side is viewed from the wireless relay device 51a). Prediction of packet loss in the
  • the second learning model (Equation (2)) is a regression equation for predicting the amount of packet loss.
  • the second prediction unit 9 reads from the data storage unit 3 the value of the attribute corresponding to the explanatory variable of Expression (2) a predetermined period before the prediction target time, and substitutes the value of the attribute into the explanatory variable. Then, the value of Y is obtained by the calculation of equation (2).
  • the value of Y is a predicted value of the amount of packet loss outside the communication section K in the future prediction target time.
  • the second learning model (Equation (2)) is a discriminant for predicting the occurrence of packet loss.
  • the second prediction unit 9 reads from the data storage unit 3 the value of the attribute corresponding to the explanatory variable of Expression (2) a predetermined period before the prediction target time, and the value of the attribute is described as the explanatory variable And calculate the value of Y by the calculation of equation (2).
  • Y takes a value in the range of 0 to 1.
  • the second prediction unit 9 replaces the value of Y with 1 when the value of Y is 0.5 or more, and replaces the value of Y with 0 when the value of y is less than 0.5.
  • That the value of Y is 1 means that it is predicted that a packet loss will occur outside the section of the communication section K in the future prediction target time.
  • that the value of Y is 0 means that it is predicted that no packet loss will occur outside the communication section K in the future prediction target time.
  • the first prediction unit 8 and the second prediction unit 9 execute the above-described prediction processing for each wireless relay device 51.
  • the manager of the communication quality deterioration prediction system 1 may perform the operation of designating the prediction target time to the first prediction unit 8 and the second prediction unit 9.
  • the administrator designates the same unit time as the prediction target time to the first prediction unit 8 and the second prediction unit 9. Therefore, the first prediction unit 8 and the second prediction unit 9 perform prediction on packet loss at the same prediction target time.
  • the administrator may designate, for example, a plurality of continuous unit times as prediction target times for the first prediction unit 8 and the second prediction unit 9. For example, the administrator may designate “Oct. 30, 2017 at 15 o'clock”, “Oct. 30, 2017 at 16 o'clock”, and the like as continuous forecast target times. In this case, the first prediction unit 8 and the second prediction unit 9 each perform prediction on packet loss for each prediction target time.
  • the manager may designate the future “period corresponding to unit time” as the time to be predicted.
  • the integration unit 10 integrates the prediction result of the first prediction unit 8 and the prediction result of the second prediction unit 9 at the same prediction target time.
  • FIG. 10 is a schematic view showing an example of integration of prediction results in the wireless relay device 51a.
  • FIG. 10 shows an example in which the first prediction unit 8 and the second prediction unit 9 predict the amount of packet loss.
  • the integration unit 10 outputs the prediction result of the first prediction unit 8 (predicted value of the packet loss amount in the communication section K) and the prediction result of the second prediction section 9 (packet loss outside the communication section K) Calculate the sum with the predicted value of the quantity). As a result, a predicted value of the total amount of packet loss in the wireless relay device 51a can be obtained.
  • the integration unit 10 displays the integration result (in this example, the predicted value of the total amount of packet loss in the wireless relay device 51a) on a display device (not shown) provided in the communication quality deterioration prediction system 1, for example. Good.
  • the integration unit 10 displays the integration result for each wireless relay device 51.
  • FIG. 11 is a schematic view showing another example of integration of prediction results in the wireless relay device 51a.
  • FIG. 11 is an example in which the first prediction unit 8 and the second prediction unit 9 predict the presence or absence of the occurrence of packet loss.
  • the integration unit 10 calculates the prediction result of the first prediction unit 8 (the prediction result of the occurrence of the packet loss in the communication section K represented by 1 or 0) and the second prediction unit 9 A logical sum (OR) of the prediction results (represented by 1 or 0, the prediction results of the presence or absence of occurrence of packet loss outside the communication section K) is calculated.
  • the integration unit 10 performs a logical sum operation. Calculate "1". This represents the prediction result that a packet loss will occur in the wireless relay device 51a. Further, if both the prediction result of the first prediction unit 8 and the prediction result of the second prediction unit 9 are “0 (no packet loss occurs)”, the integration unit 10 “0” as the logical sum. Calculate This represents the prediction result that no packet loss occurs in the wireless relay device 51a.
  • the integration unit 10 displays the integration result (in this example, whether or not packet loss occurs in the wireless relay device 51a) on a display device (not shown) provided in the communication quality deterioration prediction system 1, for example. It is also good.
  • the integration unit 10 displays the integration result for each wireless relay device 51.
  • the integration unit 10 may determine that a packet loss will occur in the wireless relay device 51a. it can. In addition, when both the first prediction unit 8 and the second prediction unit 9 predict that no packet loss will occur, the integration unit 10 may determine that no packet loss occurs in the wireless relay device 51a. it can.
  • the integration unit 10 executes the above integration process for each of the wireless relay devices 51.
  • the integration unit 10 executes the above-described integration processing every prediction target time. At this time, the integration unit 10 may determine, for example, whether or not there is a period in which packet loss occurs continuously for 5 hours or more in the wireless relay device 51a. Also, the integration unit 10 may determine the order of the wireless relay devices 51 in descending order of the amount of packet loss at the prediction target time.
  • the data receiving unit 2 is realized by, for example, a CPU (Central Processing Unit) of a computer that operates according to a communication quality deterioration prediction program and a communication interface of the computer.
  • the CPU may read the communication quality deterioration prediction program from a program storage medium such as a program storage device of a computer, and operate as the data receiving unit 2 using the communication interface according to the program.
  • the communication quality deterioration prediction program is also used for the teacher data generation unit 4, the first model generation unit 5, the second model generation unit 6, the first prediction unit 8, the second prediction unit 9, and the integration unit 10.
  • the CPU that has read the communication quality deterioration prediction program is the teacher data generation unit 4, the first model generation unit 5, the second model generation unit 6, the first prediction unit 8, and the second It may operate as the prediction unit 9 and the integration unit 10.
  • the data receiving unit 2, the teacher data generating unit 4, the first model generating unit 5, the second model generating unit 6, the first predicting unit 8, the second predicting unit 9, and the integrating unit 10 are respectively different. It may be realized by hardware.
  • the communication quality deterioration prediction system 1 may have a configuration in which two or more physically separated devices are connected by wire or wirelessly.
  • FIG. 12 is a flowchart illustrating an example of the process progress of the communication quality deterioration prediction system 1 according to the first embodiment. The detailed description of the items already described will be omitted. Further, it is assumed that various data are already stored in the data storage unit 3. In addition, it is assumed that the administrator has designated in advance the prediction target time to the first prediction unit 8 and the second prediction unit 9.
  • the communication quality deterioration prediction system 1 executes the following steps S1 to S7 for each wireless relay device 51.
  • the teacher data generation unit 4 generates teacher data used to generate a first learning model (step S1).
  • the teacher data generation unit 4 When the communication quality deterioration prediction system 1 predicts the amount of packet loss, the teacher data generation unit 4 generates teacher data illustrated in FIG.
  • the teacher data generation unit 4 When the communication quality deterioration prediction system 1 predicts the presence or absence of the occurrence of packet loss, the teacher data generation unit 4 generates teacher data illustrated in FIG. 7.
  • the teacher data generation unit 4 generates teacher data used to generate the second learning model (step S2).
  • the teacher data generation unit 4 When the communication quality deterioration prediction system 1 predicts the amount of packet loss, the teacher data generation unit 4 generates teacher data illustrated in FIG.
  • the teacher data generation unit 4 When the communication quality deterioration prediction system 1 predicts the presence or absence of occurrence of a packet loss, the teacher data generation unit 4 generates teacher data illustrated in FIG.
  • the first model generation unit 5 generates a first learning model represented, for example, in the form of Expression (1) by machine learning using the teacher data generated in step S1 (step S3).
  • y in Equation (1) represents a predicted value of the amount of packet loss in the communication section K.
  • y in equation (1) represents the possibility of occurrence of packet loss in the communication section K.
  • the first model generation unit 5 stores the generated first learning model in the model storage unit 7.
  • the second model generation unit 6 generates a second learning model represented, for example, in the form of Expression (2) by machine learning using the teacher data generated in step S2 (step S4).
  • Y in Equation (2) represents a predicted value of the amount of packet loss outside the communication segment K.
  • Y in equation (2) represents the possibility of occurrence of packet loss outside the section of the communication section K.
  • the second model generation unit 6 stores the generated second learning model in the model storage unit 7.
  • the first prediction unit 8 reads from the data storage unit 3 the value of the attribute corresponding to the explanatory variable of the equation (1) a predetermined period before the prediction target time, and the value of the attribute is the explanatory variable To calculate equation (1) (step S5).
  • the calculation result is a predicted value of the amount of packet loss in the communication section K.
  • the first prediction unit 8 replaces the value of y with 1 if the calculation result of y is 0.5 or more, and If the calculation result is less than 0.5, replace the value of y with 0.
  • the “1” after replacement represents the prediction result that a packet loss occurs in the communication section K, and the “0” after replacement represents a prediction result that a packet loss does not occur in the communication section K.
  • the second prediction unit 9 reads from the data storage unit 3 the value of the attribute corresponding to the explanatory variable of the equation (2) a predetermined period before the prediction target time, and the value of the attribute is the explanatory variable To calculate equation (2) (step S6).
  • the calculation result is a predicted value of the amount of packet loss outside the communication segment K.
  • the second prediction unit 9 replaces the value of Y with 1 if the calculation result of Y is 0.5 or more, and If the calculation result is less than 0.5, replace the value of Y with 0.
  • the “1” after replacement represents the prediction result that a packet loss occurs outside the communication section K, and the “0” after replacement represents a prediction result that no packet loss occurs outside the communication section K. Show.
  • the integration unit 10 integrates the result of step S5 and the result of step S6 (step S7).
  • the integration unit 10 predicts the amount of packet loss in the communication segment K calculated in step S5 and the communication segment K calculated in step S6. The sum of the amount of packet loss and the predicted value outside the interval of
  • the integration unit 10 ORs (1 or 0) the result (1 or 0) of step S5 and the result (1 or 0) of step S6. Calculate OR).
  • the first model generation unit 5 determines, in the communication section K, the teacher data including the value of the attribute (first attribute) related to the cause of the packet loss in the communication section K. Generate a first learning model for making predictions regarding packet loss. Therefore, the first learning model can predict packet loss in the communication section K with high accuracy.
  • the second model generation unit 6 is based on teacher data including the value of the attribute (second attribute) related to the cause of the packet loss outside the communication zone K, outside the communication zone K. Generate a second learning model for making predictions regarding packet loss of Therefore, with the second learning model, prediction regarding packet loss outside the communication section K can be performed with high accuracy. Therefore, the prediction result on the packet loss in one wireless relay device 51 obtained by integrating the prediction result on the packet loss in the communication section K and the prediction result on the packet loss outside the communication section K is also high Obtained with accuracy.
  • the teacher data generation unit 4 In the teacher data used to generate the first learning model, the teacher data generation unit 4 generates “amount of packet loss after a predetermined period (see FIG. 6)” or “packet loss after a predetermined period has elapsed”. Instead of “presence or absence of (see FIG. 7)”, teacher data may be generated that includes “the link down time of the communication section K after a predetermined period has elapsed”.
  • the first model generation unit 5 may generate a learning model (Formula (1)) in which “the link down time of the communication section K after a predetermined period has elapsed” is the target variable y.
  • the first prediction unit 8 reads from the data storage unit 3 the value of the attribute corresponding to the explanatory variable of equation (1) a predetermined period before the prediction target time, and the value of the attribute is the explanatory variable And calculate equation (1).
  • a predicted value of the link down time of the communication section K at the time to be predicted can be obtained. If the predicted value of the link down time is 0, it means that no packet loss occurs. Also, if the predicted value of the link down time is larger than 0, it means that packet loss occurs.
  • the first prediction unit 8 may multiply the predicted value of the link down time by the theoretical maximum bandwidth in the communication section K.
  • the multiplication result can be regarded as the amount of packet loss in the communication section K. This point is the same as in the second embodiment described later.
  • the explanatory variables of the first learning model and the second learning model include the explanatory variables corresponding to the traffic volume of the wireless relay device 51 at the prediction target time.
  • the communication quality deterioration prediction system according to the first embodiment predicts the traffic volume of the wireless relay device 51 at the prediction target time before performing the prediction with the first learning model and the second learning model, and The predicted value is substituted into an explanatory variable included in the first learning model and the second learning model.
  • FIG. 13 is a block diagram showing an example of a communication quality deterioration prediction system according to the second embodiment of this invention.
  • the communication quality deterioration prediction system 1 of the second embodiment further includes a third model generation unit 21 and a third prediction unit 22 in addition to the elements included in the communication quality deterioration prediction system 1 of the first embodiment.
  • the teacher data generation unit 4 uses the unit time at which the value of the first attribute is obtained.
  • the amount of traffic passing through the wireless relay device 51 in the unit time after the elapse of the predetermined period is also included as the value of the attribute to generate teacher data. Examples of teacher data obtained in this manner are shown in FIGS. 14 and 15.
  • FIG. 14 shows teacher data in which the amount of traffic passing through the wireless relay device 51a in a unit time after a predetermined period has elapsed from the unit time when the value of the first attribute is obtained is added to the teacher data shown in FIG. Shown schematically.
  • FIG. 15 schematically shows teacher data in the case where “presence or absence of occurrence of packet loss after a predetermined period has elapsed” is included instead of “the amount of packet loss after the predetermined period has elapsed” in FIG.
  • the teacher data generation unit 4 obtains the value of the second attribute in addition to the value of the second attribute in the teacher data for generating the second learning model.
  • the amount of traffic passing through the wireless relay device 51 in the unit time after the elapse of a predetermined period from the unit time is also included as the value of the attribute to generate teacher data. Examples of teacher data obtained in this manner are shown in FIGS. 16 and 17.
  • FIG. 16 shows teacher data in which the amount of traffic passing through the wireless relay device 51a in a unit time after a predetermined period has elapsed from the unit time when the value of the second attribute is obtained is added to the teacher data shown in FIG. Shown schematically.
  • FIG. 17 schematically shows teacher data in the case where “presence or absence of occurrence of packet loss after a predetermined period has elapsed” is included instead of “the amount of packet loss after the predetermined period has elapsed” in FIG.
  • the third model generation unit 21 also generates a learning model for predicting the traffic amount after the predetermined period has elapsed.
  • This learning model is referred to as a third learning model.
  • the third learning model can also be referred to as a traffic volume prediction learning model.
  • the third model generation unit 21 can also be referred to as a traffic amount prediction learning model generation unit.
  • the teacher data generation unit 4 also generates teacher data used to generate a third learning model.
  • the teacher data generation unit 4 includes, in the teacher data, the traffic volume of a unit time after a predetermined period has elapsed from the unit time indicated by the time included in the teacher data.
  • the teacher data generation unit 4 may include both the value of the first attribute and the value of the second attribute as the value of the attribute in the teacher data.
  • FIG. 18 is a schematic view showing an example of teacher data used to generate a third learning model.
  • predetermined period in teacher data for generating the first learning model “predetermined period” in teacher data for generating the second learning model, and “predetermined period” in the third learning model are It is the same period.
  • the teacher data generation unit 4 includes, for each wireless relay device 51, teacher data for generating a first learning model, teacher data for generating a second learning model, and a third learning model (for traffic volume prediction). Generate training data for learning model) generation.
  • the first model generation unit 5 generates a first learning model using teacher data (see FIG. 14 or 15) for generating the first learning model.
  • the first learning model can be expressed in the form of equation (1).
  • the first learning model includes an explanatory variable corresponding to the attribute “the amount of traffic after a predetermined period”.
  • the first model generation unit 5 generates a first learning model for each wireless relay device 51.
  • the second model generation unit 6 generates a second learning model using teacher data (see FIG. 16 or 17) for generating the second learning model.
  • the second learning model can be expressed in the form of equation (2).
  • the second learning model includes an explanatory variable corresponding to the attribute “traffic volume after a predetermined period”.
  • the second model generation unit 6 generates a second learning model for each wireless relay device 51.
  • the third model generation unit 21 generates a third learning model using teacher data (see FIG. 18) for generating the third learning model.
  • the third learning model is a regression equation, and can be expressed, for example, as Equation (3) below.
  • x 1 'to x k ' are explanatory variables corresponding to various attributes included in the teacher data, and a 1 'to a k ' are coefficients of individual explanatory variables.
  • b ' is a constant term.
  • Y ' is a target variable and represents the volume of traffic after a predetermined period of time predicted.
  • the third model generation unit 21 generates a third learning model for each wireless relay device 51, and causes the model storage unit 7 to store the generated third learning models.
  • the third model generation unit 21 can also be referred to as a traffic amount prediction unit.
  • the first learning model and the second learning model include an explanatory variable corresponding to the attribute “the amount of traffic after a predetermined period”. That is, in the second embodiment, when the first learning model and the second learning model predict the packet loss at the prediction target time, the traffic volume value at the prediction target time is required. However, since the time to be predicted is the future, the value of the traffic volume at the time to be predicted is not stored in the data storage unit 3. So, in this embodiment, the 3rd prediction part 22 computes the predicted value of the traffic volume in prediction object time using a 3rd learning model. The third prediction unit 22 calculates, for each of the wireless relay devices 51, a predicted value of the traffic volume at the time to be predicted.
  • the first prediction unit 8 substitutes the traffic volume at the time to be predicted calculated by the third prediction unit 22 into the explanatory variable in the first learning model, Make predictions about packet loss at the time to be predicted.
  • the second prediction unit 9 substitutes not only the value of the second attribute but also the traffic volume at the time to be predicted calculated by the third prediction unit 22 into the explanatory variable in the second learning model. , And perform prediction on packet loss at the time to be predicted.
  • the third model generation unit 21 and the third prediction unit 22 are realized by, for example, the CPU of a computer that operates according to the communication quality deterioration prediction program.
  • FIG. 19 and FIG. 20 are flowcharts showing an example of the process progress of the communication quality deterioration prediction system 1 of the second embodiment. Further, it is assumed that various data are already stored in the data storage unit 3. In addition, it is assumed that the administrator designates in advance the prediction target time to the first prediction unit 8, the second prediction unit 9, and the third prediction unit 22.
  • the communication quality deterioration prediction system 1 executes the following steps S11 to S20 for each wireless relay device 51.
  • the teacher data generation unit 4 attributes the traffic volume in a unit time after a predetermined period has elapsed from the unit time when the value of the first attribute is obtained. To generate teacher data (step S11).
  • the teacher data generation unit 4 When the communication quality deterioration prediction system 1 predicts the amount of packet loss, the teacher data generation unit 4 generates teacher data illustrated in FIG.
  • the teacher data generation unit 4 When the communication quality deterioration prediction system 1 predicts the presence or absence of the occurrence of a packet loss, the teacher data generation unit 4 generates teacher data illustrated in FIG.
  • the teacher data generation unit 4 determines the amount of traffic in the unit time after the elapse of a predetermined period from the unit time when the value of the second attribute is obtained. Teacher data to be included as an attribute is generated (step S12).
  • the teacher data generation unit 4 When the communication quality deterioration prediction system 1 predicts the amount of packet loss, the teacher data generation unit 4 generates teacher data illustrated in FIG.
  • the teacher data generation unit 4 When the communication quality deterioration prediction system 1 predicts the presence or absence of occurrence of packet loss, the teacher data generation unit 4 generates teacher data illustrated in FIG.
  • the teacher data generation unit 4 generates teacher data used to generate the third learning model (step S13). For example, the teacher data generation unit 4 generates teacher data illustrated in FIG.
  • the first model generation unit 5 generates a first learning model represented, for example, in the form of Expression (1) by machine learning using the teacher data generated in step S11 (step S14). At this time, the first model generation unit 5 generates a first learning model including an explanatory variable corresponding to “the amount of traffic after a predetermined period”.
  • y in Equation (1) represents a predicted value of the amount of packet loss in the communication section K.
  • y in equation (1) represents the possibility of occurrence of packet loss in the communication section K.
  • the first model generation unit 5 stores the generated first learning model in the model storage unit 7.
  • the second model generation unit 6 generates a second learning model represented, for example, in the form of Expression (2) by machine learning using the teacher data generated in step S12 (step S15). At this time, the second model generation unit 6 generates a second learning model including an explanatory variable corresponding to “the amount of traffic after a predetermined period”.
  • Y in Equation (2) represents a predicted value of the amount of packet loss outside the communication segment K.
  • Y in equation (2) represents the possibility of occurrence of packet loss outside the section of the communication section K.
  • the second model generation unit 6 stores the generated second learning model in the model storage unit 7.
  • the third model generation unit 21 generates a third learning model represented, for example, in the form of Expression (3) by machine learning using the teacher data generated in step S13 (S16). ).
  • the third model generation unit 21 stores the generated third learning model in the model storage unit 7.
  • the third prediction unit 22 reads out from the data storage unit 3 the value of the attribute corresponding to the explanatory variable of Expression (3) a predetermined period before the prediction target time, and the value of the attribute is the explanatory variable To calculate equation (3) (step S17).
  • This calculation result is a predicted value of the traffic volume at the time to be predicted.
  • the first prediction unit 8 reads from the data storage unit 3 the value of the attribute corresponding to the explanatory variable of the equation (1) a predetermined period before the prediction target time, and the value of the attribute is the explanatory variable And substitute the predicted value of the traffic volume at the time to be forecasted into the explanatory variable corresponding to the traffic volume. Then, the first prediction unit 8 calculates Equation (1) (step S18). When the communication quality deterioration prediction system 1 predicts the amount of packet loss, the calculation result is a predicted value of the amount of packet loss in the communication section K.
  • the first prediction unit 8 replaces the value of y with 1 if the calculation result of y is 0.5 or more, and If the calculation result is less than 0.5, replace the value of y with 0.
  • the “1” after replacement represents the prediction result that a packet loss occurs in the communication section K
  • the “0” after replacement represents a prediction result that a packet loss does not occur in the communication section K.
  • the second prediction unit 9 reads from the data storage unit 3 the value of the attribute corresponding to the explanatory variable of the equation (2) a predetermined period before the prediction target time, and the value of the attribute is the explanatory variable And substitute the predicted value of the traffic volume at the time to be forecasted into the explanatory variable corresponding to the traffic volume. Then, the second prediction unit 9 calculates Equation (2) (step S19). When the communication quality deterioration prediction system 1 predicts the amount of packet loss, the calculation result is a predicted value of the amount of packet loss outside the communication segment K.
  • the second prediction unit 9 replaces the value of Y with 1 if the calculation result of Y is 0.5 or more, and If the calculation result is less than 0.5, replace the value of Y with 0.
  • the “1” after replacement represents the prediction result that a packet loss occurs outside the communication section K
  • the “0” after replacement represents a prediction result that no packet loss occurs outside the communication section K. Show.
  • the predicted value of the traffic volume at the time to be predicted used in steps S18 and S19 is the value obtained in step S17.
  • the integration unit 10 integrates the result of step S18 and the result of step S19 (step S20).
  • the integration unit 10 predicts the amount of packet loss in the communication segment K calculated in step S18 and the communication segment K calculated in step S19. The sum of the amount of packet loss and the predicted value outside the interval of
  • the integration unit 10 performs an OR operation (1 or 0) of the result of step S18 and the result (1 or 0) of step S19. Calculate OR).
  • the same effects as in the first embodiment can be obtained. Furthermore, in the second embodiment, prediction on packet loss is performed using the predicted value of the traffic volume at the time to be predicted (the value obtained in step S17). Therefore, in the second embodiment, it is possible to predict packet loss with higher accuracy.
  • the communication quality may be represented by an index other than packet loss.
  • the communication apparatus which makes a pair may be communication apparatuses other than a wireless relay apparatus.
  • the communication devices forming a pair may be optical communication devices.
  • an increase in error ratio means a decrease in communication quality.
  • the communication device forming a pair may be a base station and an EPC (Evolved Packet Core).
  • EPC is a server arrange
  • FIG. 21 is a schematic block diagram showing a configuration example of a computer according to each embodiment of the present invention.
  • the computer 1000 includes a CPU 1001, a main storage 1002, an auxiliary storage 1003, an interface 1004, and a communication interface 1005.
  • the communication quality deterioration prediction system 1 is implemented in a computer 1000.
  • the operation of the communication quality deterioration prediction system 1 is stored in the auxiliary storage device 1003 in the form of a communication quality deterioration prediction program.
  • the CPU 1001 reads the communication quality deterioration prediction program from the auxiliary storage device 1003 and expands the read program on the main storage device 1002, and executes the above processing according to the communication quality deterioration prediction program.
  • the auxiliary storage device 1003 is an example of a non-temporary tangible medium.
  • Other examples of non-transitory tangible media include magnetic disks connected via an interface 1004, magneto-optical disks, CD-ROMs (Compact Disk Read Only Memory), DVD-ROMs (Digital Versatile Disk Read Only Memory), Semiconductor memory etc. are mentioned.
  • the computer 1000 that has received the distribution may deploy the program in the main storage device 1002 and execute the above processing.
  • the program may be for realizing a part of the above-mentioned processing. Furthermore, the program may be a difference program that realizes the above-described processing in combination with other programs already stored in the auxiliary storage device 1003.
  • each component may be realized by a general purpose or special purpose circuit (circuitry), a processor or the like, or a combination thereof. These may be configured by a single chip or may be configured by a plurality of chips connected via a bus. Some or all of the components may be realized by a combination of the above-described circuits and the like and a program.
  • the plurality of information processing devices, circuits, and the like may be centrally disposed or may be distributed.
  • the information processing apparatus, the circuit, and the like may be realized as a form in which each is connected via a communication network, such as a client and server system, a cloud computing system, and the like.
  • FIG. 22 is a block diagram showing an outline of a communication quality deterioration prediction system of the present invention.
  • the communication quality deterioration prediction system of the present invention includes a first prediction unit 83, a second prediction unit 84, and a determination unit 85.
  • the first prediction unit 83 may be one communication device (for example, the wireless relay device 51a) and another communication device (for example, one communication device) communicably connected to the one communication device.
  • a first learning model generated based on a first attribute that is an attribute related to the cause of the deterioration of communication quality in the communication section (for example, communication section K) with the wireless relay device 51 b)
  • predict the occurrence of a decrease in communication quality or a decrease in communication quality in the future in the communication section Using a first learning model generated based on a first attribute that is an attribute related to the cause of the deterioration of communication quality in the communication section (for example, communication section K) with the wireless relay device 51 b) And predict the occurrence of a decrease in communication quality or a decrease in communication quality in the future in the communication section.
  • the second prediction unit 84 (for example, the second prediction unit 9) is generated based on a second attribute that is an attribute related to the cause of the deterioration of the communication quality outside the communication section in one communication device.
  • the second learning model is used to predict the future decrease in communication quality or the presence or absence of a decrease in communication quality outside the communication section in one communication device.
  • the determination unit 85 determines a future amount of decrease in communication quality or communication quality in one communication device based on the prediction result of the first prediction unit and the prediction result of the second prediction unit. To determine if there is a drop in
  • a second learning model is generated to predict a future amount of decrease in communication quality or a presence or absence of decrease in communication quality using the amount of decrease in quality or the occurrence of a decrease in communication quality as teacher data second
  • a learning model generation unit for example, the second model generation unit 6
  • a first learning model for predicting a future communication quality reduction amount using the first attribute value and the communication quality reduction amount in the communication section as teacher data as the first learning model generation unit A model is generated, and the second learning model generation unit uses the value of the second attribute and the decrease in communication quality outside the communication section of one communication device as teacher data to determine the future decrease in communication quality
  • the second prediction unit 83 generates a second learning model for predicting the next, and the first prediction unit 83 predicts the amount of decrease in the communication quality in the future in the communication section, and the second prediction unit 84 in one communication device.
  • the amount of decrease in communication quality outside the communication section is predicted, and the determination unit 85 determines the amount of decrease in communication quality predicted by the first prediction unit and the amount of decrease in communication quality predicted by the second prediction unit. Of the total of the future communication quality of one communication device And it may be formed.
  • the first learning model generation unit predicts the presence or absence of the future deterioration of the communication quality by using the value of the first attribute and the presence or absence of the occurrence of the deterioration of the communication quality in the communication section as teacher data.
  • the first learning model is generated, and the second learning model generation unit is instructed to teach the value of the second attribute and the presence or absence of the occurrence of the deterioration of the communication quality outside the communication section in one communication device.
  • the first prediction unit 83 predicts the occurrence of the future deterioration of communication quality in the communication section
  • the second prediction unit 84 predicts the presence or absence of deterioration in communication quality outside the communication section in one communication device
  • the determination unit 85 selects one or both of the first prediction unit and the second prediction unit. Determines that the communication quality is degraded in one communication device when it is predicted that the communication quality is degraded, and both the first prediction unit and the second prediction unit degrade the communication quality. If it is determined that the communication quality is not determined, it may be determined that the communication quality does not decrease in one communication device.
  • a learning model generation unit for traffic volume prediction (for example, third model generation) that generates a learning model for traffic volume prediction (for example, a third learning model) for predicting the future traffic volume of one communication device
  • a traffic amount prediction unit (for example, a third prediction unit 22) that predicts the future traffic amount of one communication device using a traffic amount prediction learning model
  • a generation unit generates a first learning model using teacher data including a traffic amount value of one communication device
  • a second learning model generation unit includes a traffic amount value of one communication device.
  • the second learning model is generated using the teacher data, and the first prediction unit 83 predicts using the first learning model and the future traffic volume predicted by the traffic volume predicting unit.
  • Run, second prediction unit 84, and the amount of traffic future traffic volume prediction unit predicts may be configured to perform prediction using a second learning model.
  • the first attribute includes at least one or more of the following: weather information, antenna orientation of one communication device, antenna size, antenna type, frequency, radio wave condition, and second attribute , Presence or absence of an event, presence or absence of a campaign, and demographics of the area where one communication device is present may include at least one or more attributes.
  • the present invention is suitably applicable to a communication quality degradation prediction system that predicts the occurrence of future communication quality degradation or communication quality degradation.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

第１の予測部８３は、一の通信機器と、一の通信機器と通信可能に接続される他の通信機器との間の通信区間での通信品質の低下の原因に関連する属性である第１の属性に基づいて生成された第１の学習モデルを用いて、通信区間での将来の通信品質の低下量または通信品質の低下の発生の有無を予測する。第２の予測部８４は、一の通信機器における通信区間外での通信品質の低下の原因に関連する属性である第２の属性に基づいて生成された第２の学習モデルを用いて、一の通信機器における通信区間外での将来の通信品質の低下量または通信品質の低下の発生の有無を予測する。判定部８５は、第１の予測部の予測結果と、第２の予測部の予測結果とに基づいて、一の通信機器における将来の通信品質の低下量または通信品質の低下の発生の有無を判定する。

Description

通信品質低下予測システム、方法およびプログラム
　本発明は、将来の通信品質の低下量または通信品質の低下の発生の有無を予測する通信品質低下予測システム、通信品質低下予測方法、および通信品質低下予測プログラムに関する。
　特許文献１には、監視対象機器の故障を予測するための学習モデルを生成する学習装置と、その学習装置から学習モデルを受信し、その学習モデルを用いて監視対象機器の故障の発生を予測する故障予測装置とを備えたシステムが記載されている。
特開２０１６－１７３７８２号公報
　特許文献１に記載された発明によれば、監視対象機器の故障の発生を予測することができる。しかし、通信機器を監視対象とする場合には、故障そのものの発生を予測するよりも、故障の前兆となる通信品質の低下に関する予測を行えることが好ましい。故障の前兆となる通信品質の低下に関する予測を行うことで、監視対象となる通信機器に対する対処をより早く行えるからである。
　また、将来の通信品質の低下量または通信品質の低下の発生の有無を予測する場合、その予測の精度が高いことが好ましい。
　そこで、本発明は、将来の通信品質の低下量または通信品質の低下の発生の有無を高い精度で予測することができる通信品質低下予測システム、通信品質低下予測方法、および通信品質低下予測プログラムを提供することを目的とする。
　本発明による通信品質低下予測システムは、一の通信機器と、一の通信機器と通信可能に接続される他の通信機器との間の通信区間での通信品質の低下の原因に関連する属性である第１の属性に基づいて生成された第１の学習モデルを用いて、通信区間での将来の通信品質の低下量または通信品質の低下の発生の有無を予測する第１の予測部と、一の通信機器における通信区間外での通信品質の低下の原因に関連する属性である第２の属性に基づいて生成された第２の学習モデルを用いて、一の通信機器における通信区間外での将来の通信品質の低下量または通信品質の低下の発生の有無を予測する第２の予測部と、第１の予測部の予測結果と、第２の予測部の予測結果とに基づいて、一の通信機器における将来の通信品質の低下量または通信品質の低下の発生の有無を判定する判定部とを備えることを特徴とする。
　また、本発明による通信品質低下予測方法は、一の通信機器と、一の通信機器と通信可能に接続される他の通信機器との間の通信区間での通信品質の低下の原因に関連する属性である第１の属性に基づいて生成された第１の学習モデルを用いて、通信区間での将来の通信品質の低下量または通信品質の低下の発生の有無を予測する第１の予測処理を実行し、一の通信機器における通信区間外での通信品質の低下の原因に関連する属性である第２の属性に基づいて生成された第２の学習モデルを用いて、一の通信機器における通信区間外での将来の通信品質の低下量または通信品質の低下の発生の有無を予測する第２の予測処理を実行し、第１の予測処理の予測結果と、第２の予測処理の予測結果とに基づいて、一の通信機器における将来の通信品質の低下量または通信品質の低下の発生の有無を判定することを特徴とする。
　また、本発明による通信品質低下予測プログラムは、コンピュータに、一の通信機器と、一の通信機器と通信可能に接続される他の通信機器との間の通信区間での通信品質の低下の原因に関連する属性である第１の属性に基づいて生成された第１の学習モデルを用いて、通信区間での将来の通信品質の低下量または通信品質の低下の発生の有無を予測する第１の予測処理、一の通信機器における通信区間外での通信品質の低下の原因に関連する属性である第２の属性に基づいて生成された第２の学習モデルを用いて、一の通信機器における通信区間外での将来の通信品質の低下量または通信品質の低下の発生の有無を予測する第２の予測処理、および、第１の予測処理の予測結果と、第２の予測処理の予測結果とに基づいて、一の通信機器における将来の通信品質の低下量または通信品質の低下の発生の有無を判定する判定処理を実行させることを特徴とする。
　本発明によれば、将来の通信品質の低下量または通信品質の低下の発生の有無を高い精度で予測することができる。
無線中継機器を示す模式図である。 本発明の第１の実施形態の通信品質低下予測システムの例を示すブロック図である。 単位時間毎に記憶された無線中継機器の情報の例を示す模式図である。 イベント情報の例を示す模式図である。 キャンペーン情報の例を示す模式図である。 第１の属性の値を含む教師データの例を示す模式図である。 第１の属性の値を含む教師データの他の例を示す模式図である。 第２の属性の値を含む教師データの例を示す模式図である。 第２の属性の値を含む教師データの他の例を示す模式図である。 無線中継機器５１ａにおける予測結果の統合の例を示す模式図である。 無線中継機器５１ａにおける予測結果の統合の他の例を示す模式図である。 第１の実施形態の通信品質低下予測システムの処理経過の例を示すフローチャートである。 本発明の第２の実施形態の通信品質低下予測システムの例を示すブロック図である。 第２の実施形態における、第１の属性の値を含む教師データの例を示す模式図である。 第２の実施形態における、第１の属性の値を含む教師データの他の例を示す模式図である。 第２の実施形態における、第２の属性の値を含む教師データの例を示す模式図である。 第２の実施形態における、第２の属性の値を含む教師データの他の例を示す模式図である。 第３の学習モデルを生成するために用いられる教師データの例を示す模式図である。 第２の実施形態の通信品質低下予測システムの処理経過の例を示すフローチャートである。 第２の実施形態の通信品質低下予測システムの処理経過の例を示すフローチャートである。 本発明の各実施形態に係るコンピュータの構成例を示す概略ブロック図である。 本発明の通信品質低下予測システムの概要を示すブロック図である。
　以下、本発明の実施形態を図面を参照して説明する。
　本発明による通信品質低下予測システムは、通信機器の通信品質の低下に関する予測を行う。以下に示す各実施形態では、予測対象となる通信機器が無線中継機器である場合を例にして説明する。ただし、予測対象となる通信機器は、無線中継機器に限定されず、例えば、基地局や、光通信を行う光通信機器であってもよい。
　図１は、無線中継機器を示す模式図である。一般に、通信機器はペアをなす。図１に示す例では、無線中継機器５１ａと無線中継機器５１ｂとがペアをなし、無線中継機器５１ａと無線中継機器５１ｂとが無線で通信を行う。また、図１では、一方の無線中継機器５１ａに基地局５２が接続され、もう一方の無線中継機器５１ｂにルータ５３が接続されている場合を例示している。なお、各無線中継機器５１ａ，５１ｂを特に区別しない場合には、単に「無線中継機器５１」と記す。なお、「無線中継機器５１ａと無線中継機器５１ｂとがペアをなす。」とは、「無線中継機器５１ａと無線中継機器５１ｂとが通信可能に接続される。」と表現してもよい。
　以下に示す各実施形態で、ペアをなす無線中継機器５１ａと無線中継機器５１ｂとの間の通信区間を通信区間Ｋと記す。
　本発明の通信品質低下予測システムは、無線中継機器５１毎に、将来の通信品質の低下に関する予測を行うための学習モデルとして、通信区間Ｋに着目した場合の学習モデルと、通信区間Ｋの区間外に着目した場合の学習モデルとを生成する。後述するように、前者の学習モデルを第１の学習モデルと記し、後者の学習モデルを第２の学習モデルと記す。通信品質低下予測システムは、それらの学習モデルを用いて、通信品質の低下に関する予測を行う。
　例えば、無線中継機器５１ａを予測対象とする場合には、無線中継機器５１ａから見て、基地局５２側の通信区間を、「通信区間Ｋ」の区間外とする。また、例えば、無線中継機器５１ｂを予測対象とする場合には、無線中継機器５１ｂから見て、ルータ５３側の通信区間を、「通信区間Ｋ」の区間外とする。
　また、以下に示す各実施形態では、パケットロスによって通信品質を表す場合を例にして説明するが、パケットロス以外の指標によって通信品質を表してもよい。パケットロスによって通信品質を表す場合、パケットロスの量が、通信品質の低下量に該当する。
実施形態１．
　図２は、本発明の第１の実施形態の通信品質低下予測システムの例を示すブロック図である。本発明の通信品質低下予測システム１は、データ受信部２と、データ記憶部３と、教師データ生成部４と、第１のモデル生成部５と、第２のモデル生成部６と、モデル記憶部７と、第１の予測部８と、第２の予測部９と、統合部１０とを備える。
　データ記憶部３は、学習モデルの生成に用いる教師データに含まれることになる情報や、教師データを導出するために用いられる情報を記憶する記憶装置である。
　以下、データ記憶部３が記憶する種々の情報について説明する。
　データ記憶部３は、個々の無線中継機器５１の情報を記憶する。
　個々の無線中継機器５１の情報には、無線中継機器５１が配置されている位置の天気の情報が含まれている。天気の情報の例として、「晴れ」、「曇り」または「雨」等の種類を示す情報や、降水量、気温、湿度等が挙げられる。これらの情報は例示であり、個々の無線中継機器５１の情報に、例示した天気の情報が全て含まれていなくてもよい。また、天気の情報として他の情報が、個々の無線中継機器５１の情報に含まれていてもよい。
　また、個々の無線中継機器５１の情報には、無線中継機器５１のアンテナの向きや無線通信に用いる周波数の情報が含まれる。アンテナの向きは、例えば、アンテナの仰角および方位角によって表されてもよい。以下、アンテナの向きが仰角および方位角によって表される場合を例にして説明する。
　また、個々の無線中継機器５１の情報には、無線中継機器５１周辺の電波状況を示す情報が含まれる。電波状況を示す情報とは、電波状況が良好か否か（例えば、電波干渉がないかあるか）を示す情報である。
　また、個々の無線中継機器５１の情報には、無線中継機器５１が送受信したトラフィックの量や、受信時に破棄（discard ）したトラフィックの量等が含まれる。各実施形態では、図１に示す例において、基地局からルータへのトラフィックのフローに着目しているとする。この場合、無線中継機器５１ａの情報には、無線中継機器５１ａが基地局からのトラフィックを受信する際に破棄したトラフィックの量や、無線中継機器５１ａが無線中継機器５１ｂに送信したトラフィックの量等が含まれる。また、無線中継機器５１ｂの情報には、無線中継機器５１ｂが無線中継機器５１ａから受信したトラフィックの量や、無線中継機器５１ｂがルータ５３に向けて送信したトラフィックの量を含む。なお、本例では、データ記憶部３は、ルータ５３が無線中継機器５１ｂから受信したトラフィックの量も記憶する。なお、これらのトラフィックの量から、パケットロスの量が導出される。
　天気の情報、アンテナの向き、無線通信に用いる周波数の情報、電波状況を示す情報、およびトラフィックの量に関する情報は、時刻によって変化し得る。このように変化し得る個々の無線中継機器５１の情報は、個々の無線中継機器５１から通信品質低下予測システム１に単位時間毎に送信され、データ受信部２がその情報を受信して、データ記憶部３に記憶させればよい。また、ルータ５３が無線中継機器５１ｂから受信したトラフィックの量は、ルータ５３から通信品質低下予測システム１に単位時間毎に送信され、データ受信部２がその情報を受信して、データ記憶部３に記憶させればよい。なお、この場合、個々の無線中継機器５１は、天気の情報を測定するための機器、および、電波状況が良好か否かを判定するための機器も備えていればよい。各無線中継機器５１が、天気の情報を測定するための機器を備えていない場合、各無線中継機器５１の近傍にそれぞれ、天気の情報を測定するための機器を設けておき、その機器が単位時間毎に、通信品質低下予測システム１に天気の情報を送信し、データ受信部２がその情報を受信して、データ記憶部３に記憶させればよい。
　なお、各実施形態では、単位時間が１時間である場合を例にして説明する。なお、以下の説明や図面において、時刻を表記した場合、その表記は、その時刻までの単位時間分（１時間分）の期間を表しているものとする。例えば、「２０１７年１０月１０日１５時」と表記した場合、その表記は、２０１７年１０月１０日１４時から２０１７年１０月１０日１５時までの１時間を表しているものとする。
　また、個々の無線中継機器５１の情報には、無線中継機器５１の位置、機種、設定内容等が含まれる。これらの位置、機種、設定内容等をインベントリ情報と記す。各実施形態では、インベントリ情報に、無線中継機器５１のアンテナの大きさおよび種類も含まれているものとする。データ記憶部３は、無線中継機器５１毎にインベントリ情報を記憶する。例えば、通信ネットワークの管理者、または、通信品質低下予測システム１の管理者が、無線中継機器５１毎のインベントリ情報を、予めデータ記憶部３に記憶させておく。
　データ受信部２は、単位時間毎に受信する個々の無線中継機器５１の情報をデータ記憶部３に記憶させる場合、インベントリ情報に含まれているアンテナの大きさおよび種類も対応付けて記憶させる。図３は、このようにして単位時間毎に記憶された無線中継機器５１の情報の例を示す模式図である。図３では、無線中継機器５１ａの情報の例を示しているが、データ受信部２は、他の各無線中継機器５１に関しても、同様に、無線中継機器５１の情報をデータ記憶部３に記憶させる。なお、図３では、トラフィックの量の情報の図示を省略している。図３に示す例では、アンテナの種類は数値で区別されているものとする。
　また、データ記憶部３は、種々のイベントの有無を示すイベント情報を記憶する。データ記憶部３は、単位期間毎（本例では、１時間毎）の種々のイベントの有無を記憶する。図４は、イベント情報の例を示す模式図である。図４に示すように、台風や地震等の種々の災害をイベントとしてもよい。図４では、イベントとして、「プロ野球の試合」、「サッカーワールドカップの試合」、「台風」および「地震」を例示しているが、何をイベントとするかについては、特に限定されない。
　また、データ記憶部３は、キャンペーンの有無を示すキャンペーン情報を記憶する。データ記憶部３は、１日毎の種々のキャンペーンの有無を記憶する。図５は、キャンペーン情報の例を示す模式図である。キャンペーンの例として、例えば、トラフィックの送信元または宛先となる通信端末の販売促進のための広告活動等が挙げられるが、キャンペーンは本例に限定されない。
　また、データ記憶部３は、ネットワークを形成するノード同士の関連を示すトポロジ情報を記憶する。より具体的には、トポロジ情報は、ノード同士の接続関係および接続されているノード間でのトラフィックのフローの向きを示す。トポロジ情報によって、例えば、無線中継機器５１ａに接続されている基地局の数の判断が可能となる。また、無線中継機器５１ｂがトラフィックを送信するルータ５３に接続されているネットワークの数を特定可能な態様でトポロジ情報が定められていてもよい。
　また、データ記憶部３は、カレンダ情報を記憶する。カレンダ情報は、年月日の曜日、休日に該当する曜日、休日に該当する年月日、祝日に該当する年月日、および、行事日（例えば、クリスマスやハロウィン等の年中行事が行われる日）を示す情報である。カレンダ情報によって、各年月日が休日であるか平日であるかを判断することができる。また、カレンダ情報によって、各年月日が祝日に該当するか否かの判断や、各年月日に年中行事が行われるか否かの判断も可能となる。
　また、データ記憶部３は、無線中継機器５１毎に、無線中継機器５１が存在する地区の人口動態を示す情報を記憶する。人口動態を示す情報は、例えば、各日からみて一定期間後（例えば、１年後）における人口がどれだけ増えるかまたは減るかを示す情報である。都市計画が定められている場合には、人口動態を示す情報として都市計画を用いてもよい。都市計画は、人口動態を示す情報の一態様であると言うことができる。
　例えば、通信ネットワークの管理者、または、通信品質低下予測システム１の管理者が、イベント情報、キャンペーン情報、トポロジ情報、カレンダ情報、および、人口動態を示す情報を、予めデータ記憶部３に記憶させておく。
　教師データ生成部４は、学習モデルの生成に用いられる教師データを、データ記憶部３に記憶されているデータに基づいて生成する。本実施形態の通信品質低下予測システム１は、無線中継機器５１毎に、将来のパケットロスに関する予測を行うための学習モデルとして、通信区間Ｋに着目した場合の学習モデルと、通信区間Ｋの区間外に着目した場合の学習モデルとを生成する。前者の学習モデルを第１の学習モデルと記す。後者の学習モデルを第２の学習モデルと記す。既に説明したように、例えば、図１に例示する無線中継機器５１ａを予測対象とする場合には、無線中継機器５１ａから見て、基地局５２側の通信区間を、「通信区間Ｋ」の区間外とする。また、例えば、無線中継機器５１ｂを予測対象とする場合には、無線中継機器５１ｂから見て、ルータ５３側の通信区間を、「通信区間Ｋ」の区間外とする。
　第１の学習モデルおよび第２の学習モデルは、無線中継機器５１毎に生成される。従って、教師データ生成部４は、無線中継機器５１毎に、第１の学習モデルの生成に用いる教師データと、第２の学習モデルの生成に用いる教師データとを生成する。ここでは、主に、図１に示す無線中継機器５１ａの教師データを生成する場合を例にして説明する。また、既に述べたように、図１に示す例において、基地局からルータへのトラフィックのフローに着目しているとする。
　まず、第１の学習モデルの生成に用いられる教師データを生成する動作について説明する。
　ペアをなす無線中継機器５１ａと無線中継機器５１ｂとの間の通信区間Ｋ（図１参照）でのパケットロスの原因に関連する属性の例として、天気の情報、アンテナの向き（仰角および方位角）、アンテナの大きさ、アンテナの種類、周波数、電波状況等（すなわち、図３に例示した各属性）が挙げられる。以下、通信区間Ｋでのパケットロスの原因に関連する属性を、第１の属性と記す。また、通信区間Ｋでのパケットロスの原因を内的原因と記す。本発明の各実施形態において、第１の属性は、例えば、天気の情報、アンテナの向き、アンテナの大きさ、アンテナの種類、周波数、電波状況のうち、少なくとも、１つ以上の属性を含む。ただし、第１の属性として、例示した上記の各属性以外の属性を用いてもよい。
　教師データ生成部４は、無線中継機器５１ａの各単位時間の各第１の属性の値のうち、文字列で表されている情報を数値化する。例えば、図３に例示した個々の第１の属性（天気の種類、気温、アンテナの仰角および方位角、アンテナの大きさ、アンテナの種類、周波数および電波状況）のうち、天気の種類および電波状況は、文字列で表されている。教師データ生成部４は、この文字列を数値化する。例えば、教師データ生成部４は、天気の種類という属性に関して「晴れ」、「曇り」、「雨」等の文字列を、予め定められたルールに従って、それぞれ、「０．０」、「０．５」、「１．０」等の数値に置き換える。また、例えば、教師データ生成部４は、属性「電場状況」に関して、「干渉有り」を「１」に置き換え、「干渉無し」を「０」に置き換える。
　教師データ生成部４は、第１の属性の値が得られた単位時間から、所定期間経過後（例えば、２０日経過後）の単位時間におけるパケットロスの量を計算し、第１の属性の値が得られた時に対応付ける。例えば、教師データ生成部４は、図３に例示する「２０１７年１０月１０日１５時」の個々の第１の属性の値に対応付けるパケットロスの量として、「２０１７年１０月３０日１５時」のパケットロスの量を計算する。このパケットロスの量は、通信区間Ｋにおけるパケットロスの量である。そして、通信区間Ｋにおけるパケットロスの量は、無線中継機器５１ａが無線中継機器５１ｂに向けて送信したトラフィックの量（Ｔｘとする。）から、無線中継機器５１ｂが無線中継機器５１ａから受信したトラフィックの量（Ｒｘとする。）を減算することによって得られる。例えば、「２０１７年１０月３０日１５時」のパケットロスの量は、「２０１７年１０月３０日１５時」におけるＴｘから「２０１７年１０月３０日１５時」におけるＲｘを減算することによって得られる。教師データ生成部４は、計算によって得た「２０１７年１０月３０日１５時」のパケットロスの量を、図３に例示する「２０１７年１０月１０日１５時」の個々の第１の属性の値に対応付ける。教師データ生成部４は、同様の処理を図３に示す各時間について行う。このようにして、教師データ生成部４は、第１の属性の値を含む教師データを生成する。この教師データの例を、図６に示す。ただし、教師データは、第１の属性として、図６に示す全ての属性を含んでいなくてもよく、また、第１の属性として、他の属性を含んでいてもよい。また、教師データは、第１の属性（通信区間Ｋでのパケットロスの原因に関連する属性）以外の属性を含んでいてもよい。ただし、この教師データは、後述の第２の属性は含まない。
　また、図６に示す例では、教師データに、所定期間経過後の「パケットロスの量」を含める場合を示した。教師データ生成部４は、所定期間経過後の「パケットロスの量」の代わりに、所定期間経過後の「パケットロスの発生の有無」を含めてもよい。パケットロスの発生有りの場合には、数値「１」で表し、パケットロスの発生無しの場合には、数値「０」で表せばよい。例えば、教師データ生成部４は、Ｔｘ－Ｒｘ＞０であれば、パケットロスの発生有りとみなし、Ｔｘ－Ｒｘ＝０であれば、パケットロスの発生無しとみなせばよい。所定期間経過のパケットロスの発生の有無を含む教師データの例を、図７に示す。
　次に、第２の学習モデルの生成に用いられる教師データを生成する動作について説明する。
　図１に例示する無線中継機器５１ａを予測対象とする場合には、無線中継機器５１ａから見て、基地局５２側の通信区間が、「通信区間Ｋ」の区間外となる。通信区間Ｋの区間外でのパケットロスの原因に関連する属性の例として、無線中継機器５１ａにトラフィックを送信する基地局の数、各種イベントの有無、キャンペーンの有無、無線中継機器５１ａが存在する地区の人口動態が挙げられる。以下、通信区間Ｋの区間外でのパケットロスの原因に関連する属性を、第２の属性と記す。また、通信区間Ｋの区間外でのパケットロスの原因を外的原因と記す。本発明の各実施形態において、第２の属性は、例えば、イベントの有無、キャンペーンの有無、無線中継機器が存在する地区の人口動態のうち、少なくとも、１つ以上の属性を含む。ただし、第２の属性として、例示した上記の各属性以外の属性を用いてもよい。
　教師データ生成部４は、単位時間毎に、無線中継機器５１ａにトラフィックを送信する基地局の数、各種イベントの有無、キャンペーンの有無、無線中継機器５１ａが存在する地区の人口動態を対応付ける。このとき、教師データ生成部４は、文字列で表されている情報を数値化する。例えば、イベント情報（図４参照）やキャンペーン情報（図５参照）に含まれている「有り」という情報を数値「１」で表し、「無し」という情報を数値「０」で表す。
　また、教師データ生成部４は、無線中継機器５１ａにトラフィックを送信する基地局の数を、トポロジ情報に基づいて導出すればよい。
　そして、教師データ生成部４は、それぞれの単位時間から、所定期間経過後（本例では、２０日経過後）の単位時間における、通信区間Ｋの区間外でのパケットロスの量を特定する。例えば、「２０１７年１０月１０日１５時」の個々の第２の属性の値に対応付けるパケットロスの量として、「２０１７年１０月３０日１５時」に無線中継機器５１ａが基地局からのトラフィックを受信する際に破棄（discard ）したトラフィックの量を用いればよい。このようにして、教師データ生成部４は、第２の属性の値を含む教師データを生成する。この教師データの例を、図８に示す。ただし、教師データは、第２の属性として、図８に示す全ての属性を含んでいなくてもよく、また、第２の属性として、他の属性（例えば、カレンダ情報から得られる「休日か否か」等）を含んでいてもよい。また、教師データは、第２の属性以外の属性を含んでいてもよい。ただし、この教師データは、前述の第１の属性は含まない。
　また、図８に示す例では、教師データに、所定期間経過後の「パケットロスの量」を含める場合を示した。教師データ生成部４は、所定期間経過後の「パケットロスの量」の代わりに、所定期間経過後の「パケットロスの発生の有無」を含めてもよい。パケットロスの発生有りの場合には、数値「１」で表し、パケットロスの発生無しの場合には、数値「０」で表せばよい。この場合、無線中継機器５１ａが基地局からのトラフィックを受信する際に破棄したトラフィックがあれば、パケットロスの発生有りとみなし、破棄したトラフィックがなければ、パケットロスの発生なしとみなせばよい。所定期間経過のパケットロスの発生の有無を含む教師データの例を、図９に示す。
　なお、図８および図９では、無線中継機器５１ａに関して生成された、第２の学習モデル生成のための教師データを示した。基地局からルータへのトラフィックのフローにおいて、下流側の無線中継機器５１ｂに関して教師データを作成する場合について説明する。この場合、教師データ生成部４は、所定期間経過後の単位時間におけるパケットロスの量として、無線中継機器５１ｂがルータ５３に向けて送信したトラフィックの量から、ルータ５３が無線中継機器５１ｂから受信したトラフィックの量を減算した値を算出すればよい。教師データ生成部４は、パケットロスの発生の有無を特定する場合にも同様の計算を行い、減算結果が正であれば、パケットロスの発生有りとみなし、減算結果が０であれば、パケットロスの発生無しとみなせばよい。また、無線中継機器５１ｂにおける、第２の学習モデル生成のための教師データでは、基地局の数の代わりに、例えば、ルータ５３に接続されているネットワークの数を用いればよい。ルータ５３に接続されているネットワークの数は、例えば、トポロジ情報から求めてもよい。
　なお、第１の学習モデル生成のための教師データにおける「所定期間」と、第２の学習モデル生成のための教師データにおける「所定期間」は、同一の期間である。本例では、所定期間が２０日である場合を例示したが、所定期間が２０日でなくてもよい。
　教師データ生成部４は、無線中継機器５１毎に、第１の学習モデル生成のための教師データ、および、第２の学習モデル生成のための教師データを生成する。
　第１のモデル生成部５は、第１の学習モデル生成のための教師データを用いて、機械学習によって、第１の学習モデルを生成する。第１の学習モデル生成のための教師データは、無線中継機器５１毎に生成される。従って、第１のモデル生成部５は、無線中継機器５１毎に、第１の学習モデルを生成する。
　第２のモデル生成部６は、第２の学習モデル生成のための教師データを用いて、機械学習によって、第２の学習モデルを生成する。第２の学習モデル生成のための教師データは、無線中継機器５１毎に生成される。従って、第２のモデル生成部６は、無線中継機器５１毎に、第２の学習モデルを生成する。
　第１のモデル生成部５および第２のモデル生成部６が実行する機械学習のアルゴリズムは特に限定されない。
　ただし、第１のモデル生成部５が、パケットロスの量を予測するための第１の学習モデルを生成する場合には、第２のモデル生成部６も、パケットロスの量を予測するための第２の学習モデルを生成する。この場合、教師データ生成部４は、第１の学習モデル生成のための教師データとして、図６に例示する教師データを生成し、第２の学習モデル生成のための教師データとして、図８に例示する教師データを生成すればよい。また、この場合、学習モデルは、例えば、回帰式として得られる。
　また、第１のモデル生成部５が、パケットロスの発生の有無を予測するための第１の学習モデルを生成する場合には、第２のモデル生成部６も、パケットロスの発生の有無を予測するための第２の学習モデルを生成する。この場合、教師データ生成部４は、第１の学習モデル生成のための教師データとして、図７に例示する教師データを生成し、第２の学習モデル生成のための教師データとして、図９に例示する教師データを生成すればよい。また、この場合、学習モデルは、例えば、判別式として得られる。
　第１の学習モデルは、回帰式であっても、判別式であっても、例えば、以下に示す式（１）のように表すことができる。
　ｙ＝ａ１ｘ１＋ａ２ｘ２＋・・・＋ａｎｘｎ＋ｂ　　　　　　（１）
　ｘ１～ｘｎは、教師データに含まれる種々の第１の属性に対応する説明変数であり、ａ１～ａｎは、個々の説明変数の係数である。ｂは、定数項である。
　ｙは、目的変数である。
　式（１）が、パケットロスの量を予測するための回帰式である場合、ｙは、予測されるパケットロスの量を表す。ただし、このパケットロスの量は、通信区間Ｋでのパケットロスの量の予測値である。
　式（１）が、パケットロスの発生の有無を予測するための判別式である場合、ｙは、０～１の範囲の値をとる。ｙの値が１に近いほど、通信区間Ｋでパケットロスが発生する可能性が高いことを意味し、ｙの値が０に近いほど、通信区間Ｋでパケットロスが発生する可能性が低いことを意味する。
　第２の学習モデルは、回帰式であっても、判別式であっても、例えば、以下に示す式（２）のように表すことができる。
　Ｙ＝Ａ１Ｘ１＋Ａ２Ｘ２＋・・・＋ＡｍＸｍ＋Ｂ　　　　　　（２）
　Ｘ１～Ｘｍは、教師データに含まれる種々の第２の属性に対応する説明変数であり、Ａ１～Ａｍは、個々の説明変数の係数である。Ｂは、定数項である。
　Ｙは、目的変数である。
　式（２）がパケットロスの量を予測するための回帰式である場合、Ｙは、予測されるパケットロスの量を表す。ただし、このパケットロスの量は、通信区間Ｋの区間外(例えば、無線中継機器５１ａから見て、基地局５２側の通信区間）でのパケットロスの量の予測値である。
　式（２）が、パケットロスの発生の有無を予測するための判別式である場合、Ｙは、０～１の範囲の値をとる。ｙの値が１に近いほど、通信区間Ｋの区間外でパケットロスが発生する可能性が高いことを意味し、Ｙの値が０に近いほど、通信区間Ｋの区間外でパケットロスが発生する可能性が低いことを意味する。
　第１のモデル生成部５は、生成した第１の学習モデルをモデル記憶部７に記憶させる。同様に、第２のモデル生成部６は、生成した第２の学習モデルをモデル記憶部７に記憶させる。
　モデル記憶部７は、第１のモデル生成部５が生成した第１の学習モデル、および、第２のモデル生成部６が生成した第２の学習モデルを記憶する記憶装置である。
　なお、本実施形態では、第１の学習モデルが式（１）の形式で表され、第２の学習モデルが式（２）の形式で表される場合を示したが、第１の学習モデルおよび第２の学習モデルの形式は、式（１）や式（２）に示す形式に限定されない。
　第１の予測部８は、第１の学習モデルを用いて、将来の通信区間Ｋでのパケットロスに関する予測を行う。以下、パケットロスに関する予測を行う対象となる将来の単位時間を予測対象時間と記す。
　第１の学習モデル（式（１））が、パケットロスの量の予測を行うための回帰式であるとする。この場合、第１の予測部８は、予測対象時間から所定期間前における、式（１）の説明変数に対応する属性の値をデータ記憶部３から読み込み、その属性の値を説明変数に代入し、式（１）の計算によりｙの値を求める。このｙの値が、将来の予測対象時間における、通信区間Ｋでのパケットロスの量の予測値である。
　第１の学習モデル（式（１））が、パケットロスの発生の有無を予測するための判別式であるとする。この場合においても、第１の予測部８は、予測対象時間から所定期間前における、式（１）の説明変数に対応する属性の値をデータ記憶部３から読み込み、その属性の値を説明変数に代入し、式（１）の計算によりｙの値を求める。式（１）が判別式である場合、ｙは０～１の範囲の値をとる。第１の予測部８は、例えば、ｙの値が０．５以上であれば、ｙの値を１に置き換え、ｙの値が０．５未満であれば、ｙの値を０に置き換える。ｙの値が１であるということは、将来の予測対象時間において、通信区間Ｋでパケットロスが生じると予測されることを意味する。また、ｙの値が０であるということは、将来の予測対象時間において、通信区間Ｋでパケットロスが生じないと予測されることを意味する。
　第２の予測部９は、第２の学習モデルを用いて、将来の通信区間Ｋの区間外（例えば、無線中継機器５１ａにおける予測を行う場合、無線中継機器５１ａから見て、基地局５２側の通信区間）でのパケットロスに関する予測を行う。
　第２の学習モデル（式（２））が、パケットロスの量の予測を行うための回帰式であるとする。この場合、第２の予測部９は、予測対象時間から所定期間前における、式（２）の説明変数に対応する属性の値をデータ記憶部３から読み込み、その属性の値を説明変数に代入し、式（２）の計算によりＹの値を求める。このＹの値が、将来の予測対象時間における、通信区間Ｋの区間外でのパケットロスの量の予測値である。
　第２の学習モデル（式（２））が、パケットロスの発生の有無を予測するための判別式であるとする。この場合においても、第２の予測部９は、予測対象時間から所定期間前における、式（２）の説明変数に対応する属性の値をデータ記憶部３から読み込み、その属性の値を説明変数に代入し、式（２）の計算によりＹの値を求める。式（２）が判別式である場合、Ｙは０～１の範囲の値をとる。第２の予測部９は、例えば、Ｙの値が０．５以上であれば、Ｙの値を１に置き換え、ｙの値が０．５未満であれば、Ｙの値を０に置き換える。Ｙの値が１であるということは、将来の予測対象時間において、通信区間Ｋの区間外でパケットロスが生じると予測されることを意味する。また、Ｙの値が０であるということは、将来の予測対象時間において、通信区間Ｋの区間外でパケットロスが生じないと予測されることを意味する。
　第１の予測部８および第２の予測部９は、無線中継機器５１毎に、上記の予測処理を実行する。
　なお、第１の予測部８および第２の予測部９に対して予測対象時間を指定する動作は、通信品質低下予測システム１の管理者が行えばよい。管理者は、第１の予測部８および第２の予測部９に対して、予測対象時間として同一の単位時間を指定する。従って、第１の予測部８および第２の予測部９は、同一の予測対象時間におけるパケットロスに関する予測を行う。また、管理者は、第１の予測部８および第２の予測部９に対して、例えば、連続する複数の単位時間をそれぞれ、予測対象時間として指定してもよい。例えば、管理者は、連続する予測対象時間として、「２０１７年１０月３０日１５時」、「２０１７年１０月３０日１６時」、・・・等を指定してもよい。この場合、第１の予測部８および第２の予測部９は、予測対象時間毎に、それぞれ、パケットロスに関する予測を行う。管理者は、将来の「単位時間に該当する期間」を予測対象時間として指定すればよい。
　統合部１０は、同一の予測対象時間における、第１の予測部８の予測結果と、第２の予測部９の予測結果とを統合する。
　図１０は、無線中継機器５１ａにおける予測結果の統合の例を示す模式図である。図１０は、第１の予測部８および第２の予測部９がパケットロスの量を予測する場合の例である。この場合、統合部１０は、第１の予測部８の予測結果（通信区間Ｋにおけるパケットロス量の予測値）と、第２の予測部９の予測結果（通信区間Ｋの区間外におけるパケットロス量の予測値）との合計を計算する。この結果、無線中継機器５１ａにおけるパケットロスの総量の予測値が得られる。統合部１０は、この統合結果（本例では、無線中継機器５１ａにおけるパケットロスの総量の予測値）を、例えば、通信品質低下予測システム１に設けられるディスプレイ装置（図示略）に表示させてもよい。統合部１０は、無線中継機器５１毎に統合結果を表示させる。
　図１１は、無線中継機器５１ａにおける予測結果の統合の他の例を示す模式図である。図１１は、第１の予測部８および第２の予測部９がパケットロスの発生の有無を予測する場合の例である。この場合、統合部１０は、第１の予測部８の予測結果（１または０で表される、通信区間Ｋでのパケットロスの発生の有無の予測結果）と、第２の予測部９の予測結果（１または０で表される、通信区間Ｋの区間外でのパケットロスの発生の有無の予測結果）の論理和（ＯＲ）を計算する。すなわち、統合部１０は、第１の予測部８の予測結果および第２の予測部９の予測結果のうち、少なくとも一方が「１（パケットロスが発生する。）」であれば、論理和として「１」を算出する。このことは、無線中継機器５１ａにおいてパケットロスが発生するという予測結果を表わしている。また、統合部１０は、第１の予測部８の予測結果および第２の予測部９の予測結果の両方が「０（パケットロスが発生しない。）」であれば、論理和として「０」を算出する。このことは、無線中継機器５１ａにおいてパケットロスが発生しないという予測結果を表わしている。統合部１０は、この統合結果（本例では、無線中継機器５１ａにおいてパケットロスが発生するか否か）を、例えば、通信品質低下予測システム１に設けられるディスプレイ装置（図示略）に表示させてもよい。統合部１０は、無線中継機器５１毎に統合結果を表示させる。
　統合部１０は、第１の予測部８および第２の予測部９のいずれか一方または両方が、パケットロスが発生すると予測した場合、無線中継機器５１ａにおいてパケットロスが発生すると判定すると言うことができる。また、統合部１０は、第１の予測部８および第２の予測部９の両方が、パケットロスが発生しないと予測した場合、無線中継機器５１ａにおいてパケットロスが発生しないと判定すると言うことができる。
　統合部１０は、無線中継機器５１毎に、上記の統合処理を実行する。
　また、連続する複数の予測対象時間が指定されている場合には、統合部１０は、予測対象時間毎に、上記の統合処理を実行する。このとき、統合部１０は、例えば、無線中継機器５１ａで、連続５時間以上パケットロスが生じる期間があるか等の判定をおこなってもよい。また、また、統合部１０は、予測対象時間におけるパケットロス量の多い順に無線中継機器５１の順番を定めてもよい。
　データ受信部２は、例えば、通信品質低下予測プログラムに従って動作するコンピュータのＣＰＵ（Central Processing Unit ）およびそのコンピュータの通信インタフェースによって実現される。例えば、ＣＰＵが、コンピュータのプログラム記憶装置等のプログラム記録媒体から通信品質低下予測プログラムを読み込み、そのプログラムに従って、通信インタフェースを用いて、データ受信部２として動作すればよい。また、教師データ生成部４、第１のモデル生成部５、第２のモデル生成部６、第１の予測部８、第２の予測部９および統合部１０も、例えば、通信品質低下予測プログラムに従って動作する上記のコンピュータのＣＰＵによって実現される。すなわち、上記のように、通信品質低下予測プログラムを読み込んだＣＰＵが、教師データ生成部４、第１のモデル生成部５、第２のモデル生成部６、第１の予測部８、第２の予測部９および統合部１０として動作すればよい。また、データ受信部２、教師データ生成部４、第１のモデル生成部５、第２のモデル生成部６、第１の予測部８、第２の予測部９および統合部１０がそれぞれ別々のハードウェアによって実現されていてもよい。
　また、通信品質低下予測システム１は、２つ以上の物理的に分離した装置が有線または無線で接続されている構成であってもよい。
　次に、通信品質低下予測システム１の処理経過の例について説明する。図１２は、第１の実施形態の通信品質低下予測システム１の処理経過の例を示すフローチャートである。なお、既に説明した事項については、詳細な説明を省略する。また、データ記憶部３には、各種データが既に記憶されているものとして説明する。また、管理者が、予め、第１の予測部８および第２の予測部９に対して予測対象時間を指定しているものとする。
　通信品質低下予測システム１は、以下に示すステップＳ１～Ｓ７を、無線中継機器５１毎に実行する。
　まず、教師データ生成部４が、第１の学習モデルを生成するために用いられる教師データを生成する（ステップＳ１）。通信品質低下予測システム１がパケットロスの量を予測する場合、教師データ生成部４は、図６に例示する教師データを生成する。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、教師データ生成部４は、図７に例示する教師データを生成する。
　次に、教師データ生成部４が、第２の学習モデルを生成するために用いられる教師データを生成する（ステップＳ２）。通信品質低下予測システム１がパケットロスの量を予測する場合、教師データ生成部４は、図８に例示する教師データを生成する。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、教師データ生成部４は、図９に例示する教師データを生成する。
　次に、第１のモデル生成部５が、ステップＳ１で生成された教師データを用いて、機械学習によって、例えば、式（１）の形式で表される第１の学習モデルを生成する（ステップＳ３）。通信品質低下予測システム１がパケットロスの量を予測する場合、式（１）のｙは、通信区間Ｋでのパケットロスの量の予測値を表す。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、式（１）のｙは、通信区間Ｋでパケットロスが発生する可能性を表す。第１のモデル生成部５は、生成した第１の学習モデルをモデル記憶部７に記憶させる。
　次に、第２のモデル生成部６が、ステップＳ２で生成された教師データを用いて、機械学習によって、例えば、式（２）の形式で表される第２の学習モデルを生成する（ステップＳ４）。通信品質低下予測システム１がパケットロスの量を予測する場合、式（２）のＹは、通信区間Ｋの区間外でのパケットロスの量の予測値を表す。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、式（２）のＹは、通信区間Ｋの区間外でパケットロスが発生する可能性を表す。第２のモデル生成部６は、生成した第２の学習モデルをモデル記憶部７に記憶させる。
　次に、第１の予測部８は、予測対象時間から所定期間前における、式（１）の説明変数に対応する属性の値をデータ記憶部３から読み出し、その属性の値を、その説明変数に代入し、式（１）の計算を行う（ステップＳ５）。通信品質低下予測システム１がパケットロスの量を予測する場合、この計算結果は、通信区間Ｋでのパケットロスの量の予測値である。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、第１の予測部８は、ｙの計算結果が０．５以上であれば、そのｙの値を１に置き換え、ｙの計算結果が０．５未満であれば、そのｙの値を０に置き換える。置き換え後の「１」は、通信区間Ｋでパケットロスが発生するという予測結果を表わし、置き換え後の「０」は、通信区間Ｋでパケットロスが発生しないという予測結果を表わす。
　次に、第２の予測部９は、予測対象時間から所定期間前における、式（２）の説明変数に対応する属性の値をデータ記憶部３から読み出し、その属性の値を、その説明変数に代入し、式（２）の計算を行う（ステップＳ６）。通信品質低下予測システム１がパケットロスの量を予測する場合、この計算結果は、通信区間Ｋの区間外でのパケットロスの量の予測値である。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、第２の予測部９は、Ｙの計算結果が０．５以上であれば、そのＹの値を１に置き換え、Ｙの計算結果が０．５未満であれば、Ｙの値を０に置き換える。置き換え後の「１」は、通信区間Ｋの区間外でパケットロスが発生するという予測結果を表わし、置き換え後の「０」は、通信区間Ｋの区間外でパケットロスが発生しないという予測結果を表わす。
　次に、統合部１０は、ステップＳ５の結果と、ステップＳ６の結果とを統合する（ステップＳ７）。通信品質低下予測システム１がパケットロスの量を予測する場合、統合部１０は、ステップＳ５で計算された通信区間Ｋでのパケットロスの量の予測値と、ステップＳ６で計算された通信区間Ｋの区間外でのパケットロスの量の予測値との合計を求める。また、通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、統合部１０は、ステップＳ５の結果（１または０）と、ステップＳ６の結果（１または０）との論理和（ＯＲ）を計算する。論理和によって「１」が得られた場合、着目している無線中継機器５１でパケットロスが発生すると予測されることを意味し、論理和によって「０」が得られた場合、着目している無線中継機器５１でパケットロスが発生しないと予測されることを意味する。
　本実施形態によれば、第１のモデル生成部５は、通信区間Ｋでのパケットロスの原因に関連する属性（第１の属性）の値を含む教師データに基づいて、通信区間Ｋでのパケットロスに関する予測を行うための第１の学習モデルを生成する。従って、第１の学習モデルによって、通信区間Ｋでのパケットロスに関する予測を高い精度で行うことができる。また、第２のモデル生成部６は、通信区間Ｋの区間外でのパケットロスの原因に関連する属性（第２の属性）の値を含む教師データに基づいて、通信区間Ｋの区間外でのパケットロスに関する予測を行うための第２の学習モデルを生成する。従って、第２の学習モデルによって、通信区間Ｋの区間外でのパケットロスに関する予測を高い精度で行うことができる。従って、通信区間Ｋでのパケットロスに関する予測結果と、通信区間Ｋの区間外でのパケットロスに関する予測結果を統合することによって得られる、１つの無線中継機器５１におけるパケットロスに関する予測結果も、高い精度で得られる。
　次に、第１の実施形態の変形例について説明する。教師データ生成部４は、第１の学習モデルを生成するために用いられる教師データにおいて、「所定期間経過後のパケットロスの量（図６参照）」や「所定期間経過後のパケットロスの発生の有無（図７参照）」ではなく、「所定期間経過後における通信区間Ｋのリンクダウン時間」を含む教師データを生成してもよい。
　そして、第１のモデル生成部５は、「所定期間経過後における通信区間Ｋのリンクダウン時間」を目的変数ｙとする学習モデル（式（１））を生成してもよい。
　この場合、第１の予測部８が、予測対象時間から所定期間前における、式（１）の説明変数に対応する属性の値をデータ記憶部３から読み出し、その属性の値を、その説明変数に代入し、式（１）の計算を行えばよい。この計算の結果、予測対象時間における通信区間Ｋのリンクダウン時間の予測値が得られる。リンクダウン時間の予測値が０であれば、パケットロスが発生しないことを意味する。また、リンクダウン時間の予測値が０より大きければパケットロスが発生することを意味する。
　また、リンクダウン時間の予測値からパケットロスの量の予測値を算出することができる。第１の予測部８が、パケットロスの量の予測値を算出する場合、第１の予測部８は、リンクダウン時間の予測値に、通信区間Ｋにおける理論最大帯域を乗算すればよい。この乗算結果は、通信区間Ｋでのパケットロス量とみなすことができる。この点は、後述の第２の実施形態においても同様である。
実施形態２．
　本発明の第２の実施形態では、第１の学習モデルおよび第２の学習モデルの説明変数に、予測対象時間における無線中継機器５１のトラフィック量に対応する説明変数が含まれる。第１の実施形態の通信品質低下予測システムは、第１の学習モデルおよび第２の学習モデルで予測を行う前に、予測対象時間における無線中継機器５１のトラフィック量の予測を行い、トラフィック量の予測値を、第１の学習モデルおよび第２の学習モデルに含まれる説明変数に代入する。
　図１３は、本発明の第２の実施形態の通信品質低下予測システムの例を示すブロック図である。第１の実施形態における構成要素と同様の構成要素については、図２と同一の符号を付し、適宜、説明を省略する。第２の実施形態の通信品質低下予測システム１は、第１の実施形態の通信品質低下予測システム１が備える要素に加えて、さらに、第３のモデル生成部２１と、第３の予測部２２とを備える。
　第２の実施形態では、教師データ生成部４は、第１の学習モデル生成のための教師データに、第１の属性の値の他に、第１の属性の値が得られた単位時間から所定期間経過後の単位時間に無線中継機器５１を通過するトラフィック量も属性の値として含めて、教師データを生成する。このようにして得られた教師データの例を、図１４および図１５に示す。図１４は、図６に示す教師データに、第１の属性の値が得られた単位時間から所定期間経過後の単位時間における無線中継機器５１ａを通過するトラフィック量を属性として追加した教師データを模式的に示す。図１５は、図１４における「所定期間経過後のパケットロスの量」の代わりに、「所定期間経過後のパケットロスの発生の有無」を含めた場合の教師データを模式的に示す。
　同様に、第２の実施形態では、教師データ生成部４は、第２の学習モデル生成のための教師データに、第２の属性の値の他に、第２の属性の値が得られた単位時間から所定期間経過後の単位時間に無線中継機器５１を通過するトラフィック量も属性の値として含めて、教師データを生成する。このようにして得られた教師データの例を、図１６および図１７に示す。図１６は、図８に示す教師データに、第２の属性の値が得られた単位時間から所定期間経過後の単位時間における無線中継機器５１ａを通過するトラフィック量を属性として追加した教師データを模式的に示す。図１７は、図１６における「所定期間経過後のパケットロスの量」の代わりに、「所定期間経過後のパケットロスの発生の有無」を含めた場合の教師データを模式的に示す。
　また、第２の実施形態では、第３のモデル生成部２１が、所定期間経過後のトラフィック量を予測するための学習モデルも生成する。この学習モデルを、第３の学習モデルと記す。第３の学習モデルは、トラフィック量予測用学習モデルと称することもできる。また、第３のモデル生成部２１は、トラフィック量予測用学習モデル生成部と称することもできる。
　教師データ生成部４は、第３の学習モデルを生成するために用いられる教師データも生成する。教師データ生成部４は、この教師データには、教師データに含まれる時刻が示す単位時間から所定期間経過後の単位時間のトラフィック量を含める。教師データ生成部４は、この教師データに、属性の値として、第１の属性の値および第２の属性の値の両方を含めてもよい。図１８は、第３の学習モデルを生成するために用いられる教師データの例を示す模式図である。
　なお、第１の学習モデル生成のための教師データにおける「所定期間」と、第２の学習モデル生成のための教師データにおける「所定期間」と、第３の学習モデルにおける「所定期間」は、同一の期間である。
　教師データ生成部４は、無線中継機器５１毎に、第１の学習モデル生成のための教師データ、第２の学習モデル生成のための教師データ、および、第３の学習モデル（トラフィック量予測用学習モデル）生成のための教師データを生成する。
　第１のモデル生成部５は、第１の学習モデル生成のための教師データ（図１４または図１５を参照）を用いて、第１の学習モデルを生成する。第１の学習モデルは、式（１）の形式で表すことができる。ただし、第２の実施形態では、第１の学習モデルは、属性「所定期間後のトラフィック量」に対応する説明変数を含んでいる。第１のモデル生成部５は、無線中継機器５１毎に第１の学習モデルを生成する。
　第２のモデル生成部６は、第２の学習モデル生成のための教師データ（図１６または図１７を参照）を用いて、第２の学習モデルを生成する。第２の学習モデルは、式（２）の形式で表すことができる。ただし、第２の実施形態では、第２の学習モデルは、属性「所定期間後のトラフィック量」に対応する説明変数を含んでいる。第２のモデル生成部６は、無線中継機器５１毎に第２の学習モデルを生成する。
　第３のモデル生成部２１は、第３の学習モデル生成のための教師データ（図１８参照）を用いて、第３の学習モデルを生成する。第３の学習モデルは、回帰式であり、例えば、以下に示す式（３）のように表すことができる。
　ｙ’＝ａ１’ｘ１’＋ａ２’ｘ２’＋・・・＋ａｋ’ｘｋ’＋ｂ’　　　　　　（３）
　ｘ１’～ ｘｋ’は、教師データに含まれる種々の属性に対応する説明変数であり、ａ１’～ ａｋ’は、個々の説明変数の係数である。ｂ’は、定数項である。
　ｙ’は目的変数であり、予測される所定期間経過後のトラフィック量を表す。
　第３のモデル生成部２１は、無線中継機器５１毎に第３の学習モデルを生成し、生成した第３の学習モデルをそれぞれ、モデル記憶部７に記憶させる。
　第３のモデル生成部２１は、トラフィック量予測部と称することもできる。
　第２の実施形態では、第１の学習モデルおよび第２の学習モデルは、属性「所定期間後のトラフィック量」に対応する説明変数を含んでいる。すなわち、第２の実施形態では、第１の学習モデルおよび第２の学習モデルで、予測対象時間のパケットロスに関する予測を行う場合、その予測対象時間におけるトラフィック量の値が必要になる。しかし、予測対象時間は将来であるので、予測対象時間におけるトラフィック量の値は、データ記憶部３に記憶されていない。そこで、本実施形態では、第３の予測部２２が、第３の学習モデルを用いて、予測対象時間におけるトラフィック量の予測値を計算する。第３の予測部２２は、無線中継機器５１毎に、予測対象時間におけるトラフィック量の予測値を計算する。
　その後、第１の予測部８は、第１の属性の値の他に、第３の予測部２２によって計算された予測対象時間におけるトラフィック量も第１の学習モデル内の説明変数に代入し、予測対象時間におけるパケットロスに関する予測を行う。
　同様に、第２の予測部９は、第２の属性の値の他に、第３の予測部２２によって計算された予測対象時間におけるトラフィック量も第２の学習モデル内の説明変数に代入し、予測対象時間におけるパケットロスに関する予測を行う。
　その他の点は、第１の実施形態と同様である。
　第３のモデル生成部２１および第３の予測部２２は、例えば、通信品質低下予測プログラムに従って動作するコンピュータのＣＰＵによって実現される。
　図１９および図２０は、第２の実施形態の通信品質低下予測システム１の処理経過の例を示すフローチャートである。また、データ記憶部３には、各種データが既に記憶されているものとして説明する。また、管理者が、予め、第１の予測部８、第２の予測部９および第３の予測部２２に対して予測対象時間を指定しているものとする。
　通信品質低下予測システム１は、以下に示すステップＳ１１～Ｓ２０を、無線中継機器５１毎に実行する。
　まず、教師データ生成部４が、第１の学習モデルを生成するために用いられる教師データとして、第１の属性の値が得られた単位時間から所定期間経過後の単位時間におけるトラフィック量を属性として含む教師データを生成する（ステップＳ１１）。通信品質低下予測システム１がパケットロスの量を予測する場合、教師データ生成部４は、図１４に例示する教師データを生成する。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、教師データ生成部４は、図１５に例示する教師データを生成する。
　次に、教師データ生成部４が、第２の学習モデルを生成するために用いられる教師データとして、第２の属性の値が得られた単位時間から所定期間経過後の単位時間におけるトラフィック量を属性として含む教師データを生成する（ステップＳ１２）。通信品質低下予測システム１がパケットロスの量を予測する場合、教師データ生成部４は、図１６に例示する教師データを生成する。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、教師データ生成部４は、図１７に例示する教師データを生成する。
　次に、教師データ生成部４が、第３の学習モデルを生成するために用いられる教師データを生成する（ステップＳ１３）。例えば、教師データ生成部４は、図１８に例示する教師データを生成する。
　次に、第１のモデル生成部５が、ステップＳ１１で生成された教師データを用いて、機械学習によって、例えば、式（１）の形式で表される第１の学習モデルを生成する（ステップＳ１４）。このとき、第１のモデル生成部５は、「所定期間後のトラフィック量」に対応する説明変数を含んでいる第１の学習モデルを生成する。通信品質低下予測システム１がパケットロスの量を予測する場合、式（１）のｙは、通信区間Ｋでのパケットロスの量の予測値を表す。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、式（１）のｙは、通信区間Ｋでパケットロスが発生する可能性を表す。第１のモデル生成部５は、生成した第１の学習モデルをモデル記憶部７に記憶させる。
　次に、第２のモデル生成部６が、ステップＳ１２で生成された教師データを用いて、機械学習によって、例えば、式（２）の形式で表される第２の学習モデルを生成する（ステップＳ１５）。このとき、第２のモデル生成部６は、「所定期間後のトラフィック量」に対応する説明変数を含んでいる第２の学習モデルを生成する。通信品質低下予測システム１がパケットロスの量を予測する場合、式（２）のＹは、通信区間Ｋの区間外でのパケットロスの量の予測値を表す。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、式（２）のＹは、通信区間Ｋの区間外でパケットロスが発生する可能性を表す。第２のモデル生成部６は、生成した第２の学習モデルをモデル記憶部７に記憶させる。
　次に、第３のモデル生成部２１が、ステップＳ１３で生成された教師データを用いて、機械学習によって、例えば、式（３）の形式で表される第３の学習モデルを生成する（Ｓ１６）。第３のモデル生成部２１は、生成した第３の学習モデルをモデル記憶部７に記憶させる。
　次に、第３の予測部２２は、予測対象時間から所定期間前における、式（３）の説明変数に対応する属性の値をデータ記憶部３から読み出し、その属性の値を、その説明変数に代入し、式（３）の計算を行う（ステップＳ１７）。この計算結果は、予測対象時間におけるトラフィック量の予測値である。
　次に、第１の予測部８は、予測対象時間から所定期間前における、式（１）の説明変数に対応する属性の値をデータ記憶部３から読み出し、その属性の値を、その説明変数に代入し、また、予測対象時間におけるトラフィック量の予測値を、そのトラフィック量に対応する説明変数に代入する。そして、第１の予測部８は、式（１）の計算を行う（ステップＳ１８）。通信品質低下予測システム１がパケットロスの量を予測する場合、この計算結果は、通信区間Ｋでのパケットロスの量の予測値である。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、第１の予測部８は、ｙの計算結果が０．５以上であれば、そのｙの値を１に置き換え、ｙの計算結果が０．５未満であれば、そのｙの値を０に置き換える。置き換え後の「１」は、通信区間Ｋでパケットロスが発生するという予測結果を表わし、置き換え後の「０」は、通信区間Ｋでパケットロスが発生しないという予測結果を表わす。
　次に、第２の予測部９は、予測対象時間から所定期間前における、式（２）の説明変数に対応する属性の値をデータ記憶部３から読み出し、その属性の値を、その説明変数に代入し、また、予測対象時間におけるトラフィック量の予測値を、そのトラフィック量に対応する説明変数に代入する。そして、第２の予測部９は、式（２）の計算を行う（ステップＳ１９）。通信品質低下予測システム１がパケットロスの量を予測する場合、この計算結果は、通信区間Ｋの区間外でのパケットロスの量の予測値である。通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、第２の予測部９は、Ｙの計算結果が０．５以上であれば、そのＹの値を１に置き換え、Ｙの計算結果が０．５未満であれば、Ｙの値を０に置き換える。置き換え後の「１」は、通信区間Ｋの区間外でパケットロスが発生するという予測結果を表わし、置き換え後の「０」は、通信区間Ｋの区間外でパケットロスが発生しないという予測結果を表わす。
　ステップＳ１８，Ｓ１９で用いられる予測対象時間におけるトラフィック量の予測値は、ステップＳ１７で得られる値である。
　次に、統合部１０は、ステップＳ１８の結果と、ステップＳ１９の結果とを統合する（ステップＳ２０）。通信品質低下予測システム１がパケットロスの量を予測する場合、統合部１０は、ステップＳ１８で計算された通信区間Ｋでのパケットロスの量の予測値と、ステップＳ１９で計算された通信区間Ｋの区間外でのパケットロスの量の予測値との合計を求める。また、通信品質低下予測システム１がパケットロスの発生の有無を予測する場合、統合部１０は、ステップＳ１８の結果（１または０）と、ステップＳ１９の結果（１または０）との論理和（ＯＲ）を計算する。論理和によって「１」が得られた場合、着目している無線中継機器５１でパケットロスが発生すると予測されることを意味し、論理和によって「０」が得られた場合、着目している無線中継機器５１でパケットロスが発生しないと予測されることを意味する。
　第２の実施形態においても、第１の実施形態と同様の効果が得られる。さらに、第２の実施形態では、予測対象時間におけるトラフィック量の予測値（ステップＳ１７で得られる値）も用いて、パケットロスに関する予測を行う。従って、第２の実施形態では、パケットロスに関する予測を、より高い精度で行うことができる。
　既に説明したように、パケットロス以外の指標によって通信品質を表してもよい。
　また、上記の各実施形態では、ペアをなす通信機器が、無線中継機器である場合を例にして説明したが、ペアをなす通信機器は無線中継機器以外の通信機器であってもよい。例えば、ペアをなす通信機器が、光通信機器であってもよい。この場合、例えば、エラー率（error ratio ）の増加が、通信品質の低下を意味する。また、例えば、ペアをなす通信機器が、基地局とＥＰＣ（Evolved Packet Core ）であってもよい。この場合、例えば、基地局とＥＰＣとのセッション確立割合の低下が、通信品質の低下を意味する。なお、ＥＰＣは、センタに配置されるサーバである。ペアをなす通信機器が基地局とＥＰＣである場合、例えば、スマートフォン等の端末と基地局との間の通信区間が、基地局とＥＰＣとの間の通信区間の区間外に相当する。
　図２１は、本発明の各実施形態に係るコンピュータの構成例を示す概略ブロック図である。コンピュータ１０００は、ＣＰＵ１００１と、主記憶装置１００２と、補助記憶装置１００３と、インタフェース１００４と、通信インタフェース１００５とを備える。
　本発明の各実施形態の通信品質低下予測システム１は、コンピュータ１０００に実装される。通信品質低下予測システム１の動作は、通信品質低下予測プログラムの形式で補助記憶装置１００３に記憶されている。ＣＰＵ１００１は、その通信品質低下予測プログラムを補助記憶装置１００３から読み出して主記憶装置１００２に展開し、その通信品質低下予測プログラムに従って上記の処理を実行する。
　補助記憶装置１００３は、一時的でない有形の媒体の例である。一時的でない有形の媒体の他の例として、インタフェース１００４を介して接続される磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ（Compact Disk Read Only Memory ）、ＤＶＤ－ＲＯＭ（Digital Versatile Disk Read Only Memory ）、半導体メモリ等が挙げられる。また、このプログラムが通信回線によってコンピュータ１０００に配信される場合、配信を受けたコンピュータ１０００がそのプログラムを主記憶装置１００２に展開し、上記の処理を実行してもよい。
　また、プログラムは、前述の処理の一部を実現するためのものであってもよい。さらに、プログラムは、補助記憶装置１００３に既に記憶されている他のプログラムとの組み合わせで前述の処理を実現する差分プログラムであってもよい。
　また、各構成要素の一部または全部は、汎用または専用の回路（circuitry ）、プロセッサ等やこれらの組み合わせによって実現されてもよい。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。各構成要素の一部または全部は、上述した回路等とプログラムとの組み合わせによって実現されてもよい。
　各構成要素の一部または全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントアンドサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。
　次に、本発明の概要について説明する。図２２は、本発明の通信品質低下予測システムの概要を示すブロック図である。本発明の通信品質低下予測システムは、第１の予測部８３と、第２の予測部８４と、判定部８５とを備える。
　第１の予測部８３（例えば、第１の予測部８）は、一の通信機器（例えば、無線中継機器５１ａ）と、一の通信機器と通信可能に接続される他の通信機器（例えば、無線中継機器５１ｂ）との間の通信区間（例えば、通信区間Ｋ）での通信品質の低下の原因に関連する属性である第１の属性に基づいて生成された第１の学習モデルを用いて、通信区間での将来の通信品質の低下量または通信品質の低下の発生の有無を予測する。
　第２の予測部８４（例えば、第２の予測部９）は、一の通信機器における通信区間外での通信品質の低下の原因に関連する属性である第２の属性に基づいて生成された第２の学習モデルを用いて、一の通信機器における通信区間外での将来の通信品質の低下量または通信品質の低下の発生の有無を予測する。
　判定部８５（例えば、統合部１０）は、第１の予測部の予測結果と、第２の予測部の予測結果とに基づいて、一の通信機器における将来の通信品質の低下量または通信品質の低下の発生の有無を判定する。
　そのような構成によって、将来の通信品質の低下量または通信品質の低下の発生の有無を高い精度で予測することができる。
　第１の属性の値と、通信区間での通信品質の低下量または通信品質の低下の発生の有無とを教師データとして、将来の通信品質の低下量または通信品質の低下の発生の有無を予測するための第１の学習モデルを生成する第１の学習モデル生成部（例えば、第１のモデル生成部５）と、第２の属性の値と、一の通信機器における通信区間外での通信品質の低下量または通信品質の低下の発生の有無とを教師データとして、将来の通信品質の低下量または通信品質の低下の発生の有無を予測するための第２の学習モデルを生成する第２の学習モデル生成部（例えば、第２のモデル生成部６）とを備える構成であってもよい。
　また、第１の学習モデル生成部が、第１の属性の値と、通信区間での通信品質の低下量とを教師データとして、将来の通信品質の低下量を予測するための第１の学習モデルを生成し、第２の学習モデル生成部が、第２の属性の値と、一の通信機器における通信区間外での通信品質の低下量とを教師データとして、将来の通信品質の低下量を予測するための第２の学習モデルを生成し、第１の予測部８３が、通信区間での将来の通信品質の低下量を予測し、第２の予測部８４が、一の通信機器における通信区間外での通信品質の低下量を予測し、判定部８５が、第１の予測部によって予測された通信品質の低下量と、第２の予測部によって予測された通信品質の低下量との合計を、一の通信機器における将来の通信品質の低下量として求める構成であってもよい。
　また、第１の学習モデル生成部が、第１の属性の値と、通信区間での通信品質の低下の発生の有無とを教師データとして、将来の通信品質の低下の発生の有無を予測するための第１の学習モデルを生成し、第２の学習モデル生成部が、第２の属性の値と、一の通信機器における通信区間外での通信品質の低下の発生の有無とを教師データとして、将来の通信品質の低下の発生の有無を予測するための第２の学習モデルを生成し、
　第１の予測部８３が、通信区間での将来の通信品質の低下の発生の有無を予測し、
　第２の予測部８４が、一の通信機器における通信区間外での通信品質の低下の有無を予測し、判定部８５が、第１の予測部および第２の予測部のいずれか一方または両方が、通信品質の低下が生じると予測した場合に、一の通信機器において通信品質の低下が生じると判定し、第１の予測部および第２の予測部の両方が、通信品質の低下が生じないと判定した場合に、一の通信機器において通信品質の低下が生じないと判定する構成であってもよい。
　また、一の通信機器の将来のトラフィック量を予測するためのトラフィック量予測用学習モデル（例えば、第３の学習モデル）を生成するトラフィック量予測用学習モデル生成部（例えば、第３のモデル生成部２１）と、トラフィック量予測用学習モデルを用いて、一の通信機器の将来のトラフィック量を予測するトラフィック量予測部（例えば、第３の予測部２２）とを備え、第１の学習モデル生成部が、一の通信機器のトラフィック量の値を含む教師データを用いて、第１の学習モデルを生成し、第２の学習モデル生成部が、一の通信機器のトラフィック量の値を含む教師データを用いて、第２の学習モデルを生成し、第１の予測部８３が、トラフィック量予測部が予測した将来のトラフィック量と、第１の学習モデルとを用いて予測を実行し、第２の予測部８４が、トラフィック量予測部が予測した将来のトラフィック量と、第２の学習モデルとを用いて予測を実行する構成であってもよい。
　第１の属性が、天気の情報、一の通信機器のアンテナの向き、アンテナの大きさ、アンテナの種類、周波数、電波状況のうち、少なくとも、１つ以上の属性を含み、第２の属性が、イベントの有無、キャンペーンの有無、一の通信機器が存在する地区の人口動態のうち、少なくとも、１つ以上の属性を含んでいてもよい。
　以上、実施形態を参照して本願発明を説明したが、本願発明は上記の実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
産業上の利用の可能性
　本発明は、将来の通信品質の低下量または通信品質の低下の発生の有無を予測する通信品質低下予測システムに好適に適用可能である。
　１　通信品質低下予測システム
　２　データ受信部
　３　データ記憶部
　４　教師データ生成部
　５　第１のモデル生成部
　６　第２のモデル生成部
　７　モデル記憶部
　８　第１の予測部
　９　第２の予測部
　１０　統合部
　２１　第３のモデル生成部
　２２　第３の予測部

Claims (10)

  1. 　一の通信機器と、前記一の通信機器と通信可能に接続される他の通信機器との間の通信区間での通信品質の低下の原因に関連する属性である第１の属性に基づいて生成された第１の学習モデルを用いて、前記通信区間での将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測する第１の予測部と、
    　前記一の通信機器における前記通信区間外での前記通信品質の低下の原因に関連する属性である第２の属性に基づいて生成された第２の学習モデルを用いて、前記一の通信機器における前記通信区間外での将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測する第２の予測部と、
    　前記第１の予測部の予測結果と、前記第２の予測部の予測結果とに基づいて、前記一の通信機器における将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を判定する判定部とを備える
    　ことを特徴とする通信品質低下予測システム。
  2. 　第１の属性の値と、通信区間での通信品質の低下量または前記通信品質の低下の発生の有無とを教師データとして、将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測するための第１の学習モデルを生成する第１の学習モデル生成部と、
    　第２の属性の値と、一の通信機器における前記通信区間外での前記通信品質の低下量または前記通信品質の低下の発生の有無とを教師データとして、将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測するための第２の学習モデルを生成する第２の学習モデル生成部とを備える
    　請求項１に記載の通信品質低下予測システム。
  3. 　第１の学習モデル生成部は、
    　第１の属性の値と、通信区間での通信品質の低下量とを教師データとして、将来の前記通信品質の低下量を予測するための第１の学習モデルを生成し、
    　第２の学習モデル生成部は、
    　第２の属性の値と、一の通信機器における前記通信区間外での前記通信品質の低下量とを教師データとして、将来の前記通信品質の低下量を予測するための第２の学習モデルを生成し、
    　第１の予測部は、
    　前記通信区間での将来の前記通信品質の低下量を予測し、
    　第２の予測部は、
    　前記一の通信機器における前記通信区間外での前記通信品質の低下量を予測し、
    　判定部は、
    　前記第１の予測部によって予測された前記通信品質の低下量と、前記第２の予測部によって予測された前記通信品質の低下量との合計を、前記一の通信機器における将来の前記通信品質の低下量として求める
    　請求項２に記載の通信品質低下予測システム。
  4. 　第１の学習モデル生成部は、
    　第１の属性の値と、通信区間での通信品質の低下の発生の有無とを教師データとして、将来の前記通信品質の低下の発生の有無を予測するための第１の学習モデルを生成し、
    　第２の学習モデル生成部は、
    　第２の属性の値と、一の通信機器における前記通信区間外での前記通信品質の低下の発生の有無とを教師データとして、将来の前記通信品質の低下の発生の有無を予測するための第２の学習モデルを生成し、
    　第１の予測部は、
    　前記通信区間での将来の前記通信品質の低下の発生の有無を予測し、
    　第２の予測部は、
    　前記一の通信機器における前記通信区間外での前記通信品質の低下の有無を予測し、
    　判定部は、
    　前記第１の予測部および前記第２の予測部のいずれか一方または両方が、前記通信品質の低下が生じると予測した場合に、前記一の通信機器において前記通信品質の低下が生じると判定し、
    　前記第１の予測部および前記第２の予測部の両方が、前記通信品質の低下が生じないと判定した場合に、前記一の通信機器において前記通信品質の低下が生じないと判定する
    　請求項２に記載の通信品質低下予測システム。
  5. 　一の通信機器の将来のトラフィック量を予測するためのトラフィック量予測用学習モデルを生成するトラフィック量予測用学習モデル生成部と、
    　前記トラフィック量予測用学習モデルを用いて、前記一の通信機器の将来のトラフィック量を予測するトラフィック量予測部とを備え、
    　第１の学習モデル生成部は、
    　前記一の通信機器のトラフィック量の値を含む教師データを用いて、第１の学習モデルを生成し、
    　第２の学習モデル生成部は、
    　前記一の通信機器のトラフィック量の値を含む教師データを用いて、第２の学習モデルを生成し、
    　第１の予測部は、
    　前記トラフィック量予測部が予測した将来のトラフィック量と、前記第１の学習モデルとを用いて予測を実行し、
    　第２の予測部は、
    　前記トラフィック量予測部が予測した将来のトラフィック量と、前記第２の学習モデルとを用いて予測を実行する
    　請求項２から請求項４のうちのいずれか１項に記載の通信品質低下予測システム。
  6. 　第１の属性は、天気の情報、一の通信機器のアンテナの向き、前記アンテナの大きさ、前記アンテナの種類、周波数、電波状況のうち、少なくとも、１つ以上の属性を含み、
    　第２の属性は、イベントの有無、キャンペーンの有無、前記一の通信機器が存在する地区の人口動態のうち、少なくとも、１つ以上の属性を含む
    　請求項１から請求項５のうちのいずれか１項に記載の通信品質低下予測システム。
  7. 　一の通信機器と、前記一の通信機器と通信可能に接続される他の通信機器との間の通信区間での通信品質の低下の原因に関連する属性である第１の属性に基づいて生成された第１の学習モデルを用いて、前記通信区間での将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測する第１の予測処理を実行し、
    　前記一の通信機器における前記通信区間外での前記通信品質の低下の原因に関連する属性である第２の属性に基づいて生成された第２の学習モデルを用いて、前記一の通信機器における前記通信区間外での将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測する第２の予測処理を実行し、
    　前記第１の予測処理の予測結果と、前記第２の予測処理の予測結果とに基づいて、前記一の通信機器における将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を判定する
    　ことを特徴とする通信品質低下予測方法。
  8. 　第１の属性の値と、通信区間での通信品質の低下量または前記通信品質の低下の発生の有無とを教師データとして、将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測するための第１の学習モデルを生成し、
    　第２の属性の値と、一の通信機器における前記通信区間外での前記通信品質の低下量または前記通信品質の低下の発生の有無とを教師データとして、将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測するための第２の学習モデルを生成する　請求項７に記載の通信品質低下予測方法。
  9. 　コンピュータに、
    　一の通信機器と、前記一の通信機器と通信可能に接続される他の通信機器との間の通信区間での通信品質の低下の原因に関連する属性である第１の属性に基づいて生成された第１の学習モデルを用いて、前記通信区間での将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測する第１の予測処理、
    　前記一の通信機器における前記通信区間外での前記通信品質の低下の原因に関連する属性である第２の属性に基づいて生成された第２の学習モデルを用いて、前記一の通信機器における前記通信区間外での将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測する第２の予測処理、および、
    　前記第１の予測処理の予測結果と、前記第２の予測処理の予測結果とに基づいて、前記一の通信機器における将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を判定する判定処理
    　を実行させるための通信品質低下予測プログラム。
  10. 　コンピュータに、
    　第１の属性の値と、通信区間での通信品質の低下量または前記通信品質の低下の発生の有無とを教師データとして、将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測するための第１の学習モデルを生成する第１の学習モデル生成処理、および、
    　第２の属性の値と、一の通信機器における前記通信区間外での前記通信品質の低下量または前記通信品質の低下の発生の有無とを教師データとして、将来の前記通信品質の低下量または前記通信品質の低下の発生の有無を予測するための第２の学習モデルを生成する第２の学習モデル生成処理
    　を実行させる請求項９に記載の通信品質低下予測プログラム。
PCT/JP2017/044308 2017-12-11 2017-12-11 通信品質低下予測システム、方法およびプログラム WO2019116417A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP17934481.7A EP3726755B1 (en) 2017-12-11 2017-12-11 Communication quality deterioration prediction system, method, and program
PCT/JP2017/044308 WO2019116417A1 (ja) 2017-12-11 2017-12-11 通信品質低下予測システム、方法およびプログラム
JP2019559424A JP6881606B2 (ja) 2017-12-11 2017-12-11 通信品質低下予測システム、方法およびプログラム
US16/771,457 US11381331B2 (en) 2017-12-11 2017-12-11 Communication quality deterioration prediction system, method, and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2017/044308 WO2019116417A1 (ja) 2017-12-11 2017-12-11 通信品質低下予測システム、方法およびプログラム

Publications (1)

Publication Number Publication Date
WO2019116417A1 true WO2019116417A1 (ja) 2019-06-20

Family

ID=66820797

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/044308 WO2019116417A1 (ja) 2017-12-11 2017-12-11 通信品質低下予測システム、方法およびプログラム

Country Status (4)

Country Link
US (1) US11381331B2 (ja)
EP (1) EP3726755B1 (ja)
JP (1) JP6881606B2 (ja)
WO (1) WO2019116417A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2021199120A1 (ja) * 2020-03-30 2021-10-07
US20220207430A1 (en) * 2020-12-31 2022-06-30 The Toronto-Dominion Bank Prediction of future occurrences of events using adaptively trained artificial-intelligence processes and contextual data
JP7338367B2 (ja) 2019-09-27 2023-09-05 日本電気株式会社 サーバ及び制御方法
JP7383982B2 (ja) 2019-10-30 2023-11-21 株式会社ジェイテクト 工具寿命予測システム

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6805193B2 (ja) * 2018-02-13 2020-12-23 日本電信電話株式会社 無線通信システム、無線通信方法、基地局及び端末

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015158861A (ja) * 2014-02-25 2015-09-03 Kddi株式会社 通信トラヒック予測装置およびプログラム
JP2016173782A (ja) 2015-03-18 2016-09-29 エヌ・ティ・ティ・コミュニケーションズ株式会社 故障予測システム、故障予測方法、故障予測装置、学習装置、故障予測プログラム及び学習プログラム
JP2016220060A (ja) * 2015-05-21 2016-12-22 富士通株式会社 帯域予測プログラム、帯域予測装置、および帯域予測方法
JP2017046095A (ja) * 2015-08-25 2017-03-02 日本電気株式会社 アクセスポイントの制御方法、アクセスポイント、プログラム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5083522B2 (ja) * 2007-08-16 2012-11-28 日本電気株式会社 ネットワーク監視方法、ネットワーク監視装置、回線エラー防止システム、ネットワーク監視装置用プログラム
WO2015162878A1 (ja) * 2014-04-25 2015-10-29 日本電気株式会社 無線通信システムにおける無線通信制御方法および装置、ならびに無線通信装置
EP3152951B1 (en) * 2014-06-04 2018-09-19 Telefonaktiebolaget LM Ericsson (publ) Method and user equipment for predicting available throughput for uplink data
WO2017067572A1 (en) * 2015-10-19 2017-04-27 Huawei Technologies Co., Ltd. Methods and devices in a communication network
CN107182068A (zh) * 2016-03-11 2017-09-19 索尼公司 用于无线通信的装置和方法、参数优化装置和方法
KR102661600B1 (ko) * 2016-11-17 2024-04-30 삼성전자 주식회사 실재 환경관련 정보를 고려한 통신 채널 분석과 무선 망 설계 방법 및 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015158861A (ja) * 2014-02-25 2015-09-03 Kddi株式会社 通信トラヒック予測装置およびプログラム
JP2016173782A (ja) 2015-03-18 2016-09-29 エヌ・ティ・ティ・コミュニケーションズ株式会社 故障予測システム、故障予測方法、故障予測装置、学習装置、故障予測プログラム及び学習プログラム
JP2016220060A (ja) * 2015-05-21 2016-12-22 富士通株式会社 帯域予測プログラム、帯域予測装置、および帯域予測方法
JP2017046095A (ja) * 2015-08-25 2017-03-02 日本電気株式会社 アクセスポイントの制御方法、アクセスポイント、プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3726755A4

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7338367B2 (ja) 2019-09-27 2023-09-05 日本電気株式会社 サーバ及び制御方法
JP7383982B2 (ja) 2019-10-30 2023-11-21 株式会社ジェイテクト 工具寿命予測システム
JPWO2021199120A1 (ja) * 2020-03-30 2021-10-07
JP7346720B2 (ja) 2020-03-30 2023-09-19 日本電気株式会社 フェージング予測装置、フェージング予測方法およびフェージング予測プログラム
US20220207430A1 (en) * 2020-12-31 2022-06-30 The Toronto-Dominion Bank Prediction of future occurrences of events using adaptively trained artificial-intelligence processes and contextual data

Also Published As

Publication number Publication date
US11381331B2 (en) 2022-07-05
US20210075528A1 (en) 2021-03-11
EP3726755B1 (en) 2022-09-07
JP6881606B2 (ja) 2021-06-02
JPWO2019116417A1 (ja) 2020-12-17
EP3726755A1 (en) 2020-10-21
EP3726755A4 (en) 2020-12-23

Similar Documents

Publication Publication Date Title
WO2019116417A1 (ja) 通信品質低下予測システム、方法およびプログラム
CN107819829B (zh) 访问区块链的方法、系统、区块链节点设备及用户终端
JP2022514508A (ja) 機械学習モデルの解説可能性ベースの調節
US11197075B1 (en) Clock synchronization in a heterogeneous system
US20190239095A1 (en) Automated intelligent self-organizing network for optimizing network performance
US20170364839A1 (en) Information processing device, model construction method, and program recording medium
WO2019116418A1 (ja) 障害分析装置、障害分析方法および障害分析プログラム
US20190138974A1 (en) Systems and devices for parcel transportation management
US20140067486A1 (en) Systems, methods, and computer program products for prioritizing information
US10657547B2 (en) Forecast model calibration
US20220209876A1 (en) Weather impact modeling of satellite based services
CN108322819A (zh) 预测用户行为的方法及装置
US10467888B2 (en) System and method for dynamically adjusting an emergency coordination simulation system
US10515381B2 (en) Spending allocation in multi-channel digital marketing
US10671935B2 (en) Event based behavior prediction, classification, and service adjustment
CN107688878B (zh) 空气质量预测方法及装置
US20230196137A1 (en) Computerized disruption handling in an environment
CN117041139B (zh) 数据包传输方法、装置、计算机设备和存储介质
Lakshman Narayana et al. An intelligent IoT framework for handling multidimensional data generated by IoT gadgets
CN114900441B (zh) 网络性能预测方法，性能预测模型训练方法及相关装置
US11317244B1 (en) System, method, and computer program for making travel route recommendations based on a network quality of service prediction
US10997600B1 (en) Data transaction scheduling using crowd-sourced network data
CN109246231B (zh) 一种智能路由方法及智能路由设备
JPWO2011093475A1 (ja) 指標スケジュール抽出装置、指標スケジュール抽出プログラム記録媒体、および指標スケジュール抽出方法
CN114091670A (zh) 一种模型线上更新方法及装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17934481

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019559424

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2017934481

Country of ref document: EP

Effective date: 20200713