WO2020217457A1 - 通信システム及び基地局 - Google Patents

通信システム及び基地局 Download PDF

Info

Publication number
WO2020217457A1
WO2020217457A1 PCT/JP2019/017945 JP2019017945W WO2020217457A1 WO 2020217457 A1 WO2020217457 A1 WO 2020217457A1 JP 2019017945 W JP2019017945 W JP 2019017945W WO 2020217457 A1 WO2020217457 A1 WO 2020217457A1
Authority
WO
WIPO (PCT)
Prior art keywords
communication
information
base station
unit
communication quality
Prior art date
Application number
PCT/JP2019/017945
Other languages
English (en)
French (fr)
Inventor
理一 工藤
井上　武
篤 谷口
晃平 水野
Original Assignee
日本電信電話株式会社
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 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to JP2021515691A priority Critical patent/JP7276431B2/ja
Priority to PCT/JP2019/017945 priority patent/WO2020217457A1/ja
Priority to US17/604,248 priority patent/US12028788B2/en
Publication of WO2020217457A1 publication Critical patent/WO2020217457A1/ja

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Definitions

  • the present disclosure relates to prediction of communication quality in a system in which communication quality changes depending on the surrounding environment and control of a base station equipped with a communication device.
  • IoT Internet of things
  • wireless LAN Local Area Network
  • Bluetooth registered trademark
  • LPWA Low Power Wide Area
  • IoT Internet of things
  • car communication specified by the standardization standard IEEE802.11
  • Supporting wireless standards such as ETC (Electronic IoT Collection System), VICS (registered trademark) (Vehicle Information and Communication System), and ARIB-STD-T109 used are also developing, and are expected to spread in the future.
  • wireless communication is used for various purposes, there is a problem that wireless communication cannot always meet the requirements for communication quality depending on the service.
  • IEEE802.11ad and 5G of cellular communication since a high frequency in the millimeter band is used, blocking by a shield between transmission and reception during wireless communication becomes a big problem.
  • wireless communication of not only millimeter waves but also other frequencies blocking by shielding and changes in the propagation environment due to the movement of reflectors affect communication quality.
  • the Doppler shift caused by the movement of the reflector is also known to affect communication.
  • IEEE Std 802.11ac (TM) -2013 IEEE Standard for Information technology -Telecommunications and information exchange between systems Local and metropolitan area networks - Specific requirements, Part 11: Wireless LAN Medium Access Control (MAC) and Physical Layer (PHY) Specifications , December 2016 Ghosh, Amitava, et al. "Millimeter-wave enhanced local area systems: A high-data-rate approach for future wireless networks.” IEEE Journal on Line 14
  • Wireless communication capabilities are installed in automobiles, drones, construction machinery vehicles, robots, and other devices, and there are requirements for throughput, delay, continuity, stability, and other communication quality for those communications.
  • the communication quality due to the change in the surrounding environment may have a great influence on the service or system by the device.
  • an object of the present invention is to provide a communication system and a base station capable of predicting future communication quality so as to be able to cope with fluctuations in communication quality due to environmental changes.
  • a device having a wireless communication function uses information from a camera, a sensor, or another peripheral environment information collecting device that acquires the surrounding environment to control its own device or change the surrounding environment information. We decided to predict future communication quality from the information.
  • the communication system is a communication system having a base station that communicates with a wireless terminal.
  • a base station management unit that generates base station management information including at least the location information of the wireless terminal, and
  • An object determination unit that extracts a predetermined object from the peripheral information around the base station and outputs it as object information together with the feature amount of the object.
  • a communication quality learning unit that generates a learning model by machine learning the relationship between the communication quality between the base station and the wireless terminal and the base station management information and the object information.
  • Communication prediction that predicts the communication quality after a predetermined time from the base station management information generated by the base station management unit and the object information output by the object determination unit using the learning model generated by the communication quality learning unit. Department and To be equipped.
  • the relationship between the situation around the device and the communication state is machine-learned in advance to form a learning model.
  • the communication system can predict future communication quality from the situation around the current device by using the learning model. Therefore, in this communication system, countermeasures can be prepared in advance so that the device is not affected by future fluctuations in communication quality or the influence thereof is reduced. Therefore, the present invention can provide a communication system capable of predicting future communication quality so as to be able to cope with fluctuations in communication quality.
  • the base station management information of the communication system according to the present invention is characterized in that the unique information of the wireless terminal notified from the wireless terminal is included.
  • the accuracy of communication quality prediction can be improved.
  • the object information of the communication system according to the present invention is characterized in that a plurality of the object information acquired at different times are statistically processed.
  • the computational load of predicting communication quality can be reduced.
  • It is characterized by further including an update unit that updates the object definition that specifies the predetermined object extracted by the object determination unit of the communication system according to the present invention.
  • the accuracy of communication quality prediction can be improved.
  • the communication quality learning unit of the communication system collects the communication quality information with respect to the information of the wireless terminal for a certain period of time, and statistically processes (for example, the most frequent value, the average value, or is determined from these). It is characterized in that machine learning is performed with the communication quality that is separated from the steady-time communication quality by a predetermined threshold or more by using the steady-time communication quality obtained by performing (exclusion of singular points, etc.).
  • the steady state can be grasped in advance, and the communication quality can be predicted only in the state where the steady state deviates significantly, and the calculation load of the communication quality prediction and the control load of the device can be reduced.
  • the base station according to the present invention is a base station included in the communication system, and is characterized by including the base station management unit, the object determination unit, the communication quality learning unit, and the communication prediction unit. And.
  • the base station includes the base station management unit, the object determination unit, the communication prediction unit, and the communication unit so that a learning model introduced from the outside can be used.
  • the communication unit transfers the communication quality, the base station management information, and the object information to the external communication quality learning unit, receives the learning model from the communication quality learning unit, and transfers the learning model to the communication prediction unit. It may be that.
  • the base station includes the base station management unit, the object determination unit, and the communication unit in order to cause an external device to predict the communication quality.
  • the communication unit transfers the communication quality, the base station management information and the object information to the external communication quality learning unit, and transfers the base station management information and the object information to the external communication prediction unit.
  • the communication quality after the predetermined time may be received from the communication prediction unit.
  • a wireless base station and a wireless terminal are used by using the peripheral environment information obtained by a peripheral environment information collecting device such as a camera or a sensor and the base station management information including the position information of the wireless terminal with which the base station communicates. It is possible to predict the transmission capacity, throughput, delay, continuity, stability, and communication quality of the uplink or downlink in communication with and from.
  • FIG. 1 is a block diagram showing a configuration example of the communication system of the present embodiment.
  • This communication system is a communication system having a base station 1 that communicates with a wireless terminal 2.
  • Base station management unit 1-2 that generates base station management information including at least the location information of the wireless terminal 2 and
  • An object determination unit 1-7 that extracts a predetermined object from the peripheral information around the base station 1 and outputs it as object information together with the feature amount of the object.
  • Communication quality learning unit 1-5 that generates a learning model by machine learning the relationship between the communication quality between the base station 1 and the wireless terminal 2 and the base station management information and the object information.
  • Communication prediction unit 1-6 that predicts quality, To be equipped.
  • the base station 1 includes a base station management unit 1-2, an object determination unit 1-7, a communication quality learning unit 1-5, and a communication prediction unit 1-6.
  • This communication system is composed of a base station 1 and wireless terminals 2-1 to 2-M (M is 1 or more).
  • the base station 1 is hardware that communicates with one or more wireless terminals 2, supports one or more frequencies and one or more communication methods, and supports one or more terminals and one or more communication methods / Communication can be performed by frequency.
  • Base station 1 Base station NW unit 1-0, which performs data input / output processing between functional blocks in the base station, Communication evaluation unit 1-1, which evaluates the communication quality between the base station 1 and the external wireless terminal 2.
  • Base station management unit 1-2 which controls the base station, the components of the base station, and the communication of the base station, and generates the base station management information of the wireless terminals 2-1 to 2-M with which the base station 1 communicates.
  • Surrounding environment information collection unit 1-3 which collects surrounding environment information of base station 1 with a visible light camera, infrared camera, electromagnetic wave sensor, light sensor, sound sensor, etc.
  • Object determination unit 1-7 which extracts objects related to the communication quality with external communication devices from the information collected by the surrounding environment information collection unit 1-3, Communication unit 1-4, which communicates with an external wireless terminal 2 using a predetermined communication method (protocol), Peripheral object information for outputting future communication quality from communication quality information, which is information related to communication quality obtained from peripheral object information, base station management information, and the result of evaluating the communication quality performed by the communication unit.
  • Communication quality learning unit 1-5 which machine-learns the input / output relationship (learning model) between information about the surrounding environment and communication quality, and It is provided with a communication prediction unit 1-6 that predicts future communication quality by using the input / output relationship, peripheral object information, and base station management information obtained by the communication quality learning unit 1-5.
  • the base station management information includes the position information / direction / ID / state / speed information of the wireless terminal 2, the position information / direction / attitude / ID / state / control of the base station 1, and the position of the component of the base station 1. It includes at least the position information of the wireless terminal among information / direction / ID / state / control and mounting position / direction / ID / state / control / communication method / communication frequency / communication band of the communication unit 1-4.
  • the "unique information of the wireless terminal" is the position information / direction / ID / state / speed information of the wireless terminal 2. Further, a plurality of communication units 1-4 may be provided depending on the type of communication method.
  • the future communication quality predicted here is the communication quality that is arbitrary time ahead of the information of the signal source input to the communication prediction unit 1-6.
  • the arbitrary time is signal processing required for information acquisition by the surrounding environment information collection unit 1-3, object information extraction by the object determination unit 1-7, and prediction by the communication prediction unit 1-6.
  • time T S which is predicted is the sum of the response time T a required some control to implement the communication quality (T S + T a) than the previous time.
  • the wireless terminal 2 includes a terminal communication unit 2-4 that communicates with the communication unit 1-4 of the base station 1, respectively.
  • the terminal communication unit 2-4 includes, for example, wireless LAN defined by IEEE802.11, Wigig (registered trademark), IEEE802.11p, communication standard for ITS, cellular communication such as LTE and 5G, LPWA (Low Power Wide Area). It is a functional unit that can perform wireless communication such as, or communication by sound wave, electricity, infrared light or visible light.
  • the wireless terminal 2 is a device capable of wireless communication with the base station 1 using a predetermined communication protocol, or is a movable machine such as an automobile, a drone, a construction machine vehicle, or a robot equipped with such a device. There may be.
  • the base station management information includes the position / orientation / attitude / ID / state / speed of the wireless terminal with which the base station 1 communicates, and the position / orientation / attitude / ID / state / control of the base station 1. At least the position of the wireless terminal among the position / direction / ID / state / control of the component of the base station 1 and the mounting position / direction / ID / state / control / communication method / communication frequency / communication band of the communication unit 1-4. It contains information.
  • Peripheral object information is extracted from, for example, an image taken by a visible light camera or an infrared camera, or information on reflected waves of electromagnetic waves / light / sound waves collected by an electromagnetic wave sensor, an optical sensor, a sound wave sensor, or the like.
  • it may include one or more information of the frequency / intensity of the electromagnetic wave / light / sound wave in the vicinity of the base station 1 or the wireless terminal 2 collected by the electromagnetic wave sensor, the optical sensor, the sound wave sensor, or the like. ..
  • Communication quality information is information related to communication quality required for communication such as services used in communication and control and management of devices.
  • Communication quality refers to the throughput of the uplink or downlink, the packet arrival delay in a certain section, the communication continuity that satisfies a certain throughput and the packet arrival delay, the packet arrival rate, the throughput, the packet arrival delay, and the stability of the packet arrival rate. , Arbitrary percentage value of cumulative probability distribution in a certain time interval of the above-mentioned parameters, bit rate that can be transmitted below a certain error rate, and the like.
  • the communication quality information is information related to these, and in addition to the value estimated for the communication quality itself, the instantaneous throughput value at a specific time, the section arrival delay of a specific packet, and the specific packet that may be related. Arrival rate, packet reception power, packet reception power fluctuation information, packet quality information exchanged by control information, synchronization accuracy with terminals, signal distortion information, interference signal power, interference conditions, Doppler frequency information, circuit Also includes stability information, etc.
  • the communication quality learning unit 1-5 predetermines the feature amount of the input object information and performs machine learning.
  • Machine learning includes learning with machine learning algorithms such as support vector machines, multi-layer perceptrons, k-neighborhood methods, and random forests, RNN (Recurrent Neural Network), CNN (Convolutional Neural Network), LSTM (Long Short Term Memory), etc. Learning by deep learning, online learning, etc.
  • the communication quality learning unit 1-5 can sequentially perform these learnings. Further, from the above method, a plurality of different coefficients, different methods, and different coupling methods may be prepared, and the determined result may be configured to be selected from a plurality of determination results by majority voting or with high reliability.
  • This learning can be performed in the actual environment while the base station 1 actually communicates, or using data acquired by another base station or another base station specially prepared for learning. It can be done, or learning can be done in a simulation space that simulates an environment as close as possible to the real environment in the real world.
  • the input / output relationship (learning model for estimating future communication quality) generated as a result of learning by the communication quality learning unit 1-5 is output to the communication prediction unit 1-6.
  • the communication prediction unit 1-6 may use a learning model existing outside the base station 1.
  • the base station 1 includes a base station management unit 1-2, an object determination unit 1-7, a communication prediction unit 1-6, and a communication unit (1-4, 1-8). Transfers the communication quality, the base station management information, and the object information to the external communication quality learning unit, receives the learning model from the communication quality learning unit, and transfers the learning model to the communication prediction unit 1-6. It is characterized by.
  • the communication prediction unit 1-6 predicts only specific events related to communication quality.
  • the communication quality learning unit 1-5 predicts a communication quality deterioration event or a communication quality improvement event that is highly correlated with each or both of peripheral object information and base station management information, so that communication prediction unit 1-6 predicts. Do learning. That is, the communication quality learning unit 1-5 constantly evaluates the terminal information (information on the wireless terminal) including the position of the wireless terminal 2 with respect to the communication quality (information on the communication quality) with the wireless terminal 2.
  • the steady-time communication quality is stored for the terminal information, and the steady-time communication quality is stored. It is characterized by machine learning of communication quality (communication quality deterioration event or communication quality improvement event) that is more than a predetermined threshold value from the communication quality.
  • the communication quality learning unit 1-5 outputs the learning model learned in this way to the communication quality prediction unit 1-6.
  • the communication quality deterioration event is a predetermined communication quality index (number of bits per hour, number of bits per time and frequency, packet loss, packet loss rate, RSSI decrease, RSRQ decrease, packet transmission rate, these. It can be said that how much the parameter has changed from the steady state and the feature amount extracted from these plurality of parameters) satisfy the predetermined conditions. Further, the communication quality deterioration event may be defined as an event categorized as a communication quality deterioration due to a change in peripheral object information or base station management information according to the classification of machine learning.
  • examples of the feature amount extracted from a plurality of parameters include, for example, when RSSI reduction and packet loss occur at the same time.
  • the communication quality improvement event is the opposite of the above.
  • the communication modulation method, error correction coding rate, and spatial multiplexing are not changed to the higher bit rate, so the packet loss rate is different from the communication quality deterioration event. It is difficult to learn this event, and it is expected to learn about the improvement of the reception level and the signal quality of the known signal, such as the improvement of RSSI and RSRQ.
  • the learning frequency can be set by using the occurrence frequency of a specific event. By using the frequency of occurrence of communication quality deterioration events, it is possible to acquire the steady state with the same learning frequency, or to set the frequency to ⁇ times (0 ⁇ ⁇ ).
  • FIG. 2 is a block diagram showing a configuration example of the communication system of the present embodiment.
  • the wireless terminal 2 further includes a feedback generation unit 2-8 in the communication system of the first embodiment.
  • the feedback generation unit 2-8 inputs information that can be used for learning as feedback information to the communication quality learning unit 1-5 of the base station 1 via the terminal communication unit 2-4.
  • the feedback information is the position / speed / state / ID / type / shape / attachment position of the communication unit / owner information of the wireless terminal 2, and is "unique information of the wireless terminal".
  • the communication quality learning unit 1-5 improves the accuracy of the learning model, and the form (PC, smartphone, car, drone, etc.) and state (position, speed, power supply, operation) of the wireless terminal. Etc.), communication (Wi-Fi, LTE, 5G, LPWA, etc.), etc., makes it possible to estimate the communication quality.
  • the communication system of the present embodiment includes the NW communication unit 1-8 and communicates with the external NW3-0.
  • the base station 1 can acquire auxiliary information necessary for learning and predicting communication quality from the external NW3-0 and use it for learning and prediction.
  • the auxiliary information that can be acquired from the external NW3-0 is the position / speed / state / ID / type / shape / communication unit mounting position / owner information, weather information, time information, and communication of the wireless terminal 2-i. Environmental information related to the area you are in. By using these auxiliary information, the efficiency and accuracy of learning and prediction can be improved.
  • FIG. 3 is a block diagram showing a configuration example of the communication system of the present embodiment.
  • the communication prediction unit 1-6, the communication quality learning unit 1-5, and the communication evaluation unit 1-1 is connected to the external NW from the communication system of the first or second embodiment.
  • the base station 1 of the present embodiment includes a base station management unit 1-2, an object determination unit 1-7, and a communication unit (1-4, 1-8).
  • the communication unit transfers the communication quality, the base station management information and the object information to the external communication quality learning unit 3-5, and transfers the base station management information and the object information to the external communication prediction unit 3-6. Is transferred, and the communication quality after the predetermined time is received from the communication prediction unit 3-6.
  • the physical or virtual arithmetic unit in communication quality evaluation, learning model generation, or communication prediction can be linked with a plurality of base stations (base stations 1-1 to 1-L). It is possible to share, share a part or all of the object definition and the learning model, predict communication using a plurality of base station management information, or use the learning result of another base station by transfer learning.
  • the base station management information such as the position information of the wireless terminals 2-1 to 2-M with which the base station 1 communicates is directly transmitted to the wireless terminal 2 via the communication unit 1-4. It may be periodically acquired from -1 to 2-M, or the position information of the wireless terminals 2-1 to 2-M managed by the external NW3-0 may be acquired via the NW communication unit 1-8. As for the position information of the wireless terminal managed by the external NW3-0, the wireless terminals 2-1 to 2-M may periodically register their own position information, or positioning is performed from the communication relationship with a plurality of base stations. You may go or register the result of determining the position in combination with GPS.
  • FIG. 4 shows an outline of a flow for predicting future communication quality in the communication system disclosed in the first to third embodiments.
  • the flow of the object determination unit 1-7 and the communication prediction unit 1-6 will be mainly described with reference to FIG.
  • the object judgment unit 1-7 is the object or a part of the object that affects communication from the information, the size, and the state. Extract information.
  • the cube in the object determination unit in the figure is described as an image using deep learning using a plurality of convolutional layers for determination, but any machine learning engine such as deep learning can be used.
  • the object information extracted here is information including at least one of the object type, position (two-dimensional or three-dimensional), shape, and color. In the example in the figure, recognition of the state of a car or a construction machine vehicle and its arm is given as an example.
  • the object determination unit 1-7 acquires the object information in a certain time cycle, but in order to reduce the calculation load of the communication quality prediction unit 1-6, statistical processing is performed using the information within a certain period of time. It can be performed. For example, when the time cycle for predicting the communication quality is every 1 second, but the camera image is obtained at 10 FPS (Frames per second), the object information can be acquired every 1/10 second. That is, 10 object information can be obtained while one index obtained by the communication prediction unit 1-6 is obtained. For example, when the communication prediction unit 1-6 makes a prediction in a Tc second cycle and the object judgment unit 1-7 makes an object judgment in a To second cycle, a small number of points of the value obtained by Tc / To can be obtained in one communication quality prediction. You can use the object information for the integer with the following truncated. Let this number be No. The input signal of the No set can be used as it is, but since the corresponding communication quality is the To cycle, statistical processing can be performed on the information of the To cycle.
  • the first object information (oldest), the last object information (newest), both, the median value of the same information obtained, It can be the mean, or the mean or median obtained after removing some information at both extremes.
  • change information it is possible to extract information on how the 1st to No. 3 object information has changed. Examples thereof include change information (speed information) of position information (two-dimensional or three-dimensional coordinates including depth), color change information, object shape and size change information, and rotation speed information. Further, it is also possible to extract the difference information from the 1st to No. 3 information, further extract the difference information from the difference information, and extract the information related to acceleration.
  • the slope of the graph obtained by fitting the distribution obtained by plotting the position information with respect to time with a linear function so as to minimize the square error, instead of simply using the difference information.
  • the difference between the 1st to (No-1) th object information is extracted from the 2nd to No. 3rd object information, and the obtained (No-1) difference information is used to further obtain each difference.
  • Acceleration information can be obtained with, or acceleration can be obtained from the slope of the linear function fitted so as to minimize the squared error described above.
  • the object determination unit 1-7 is further provided with an object filter unit, and it is possible to filter using the object information and delete unnecessary information.
  • the object filter unit remembers in advance that the communication quality is not affected for the object located below a certain value in the height direction, and the object information that matches this condition is not output. Can be.
  • the object filter unit stores the type and position of the affected object according to the area where the wireless terminal 2-i is located by referring to the position information fed back from the wireless terminal 2-i as the communication partner, which is unnecessary. It is possible not to output the object information corresponding to the information.
  • the type of object to be judged by the object judgment unit 1-7 can be updated by the update information input from the outside, and the surrounding objects given to the latest communication can be efficiently judged.
  • the object information obtained in this way is input to the communication prediction unit 1-6.
  • the communication prediction unit 1-6 support vector machines, multi-layer perceptrons, k-neighborhood methods, machine learning algorithms such as random forests, RNN (Recurrent Neural Network), CNN (Convolutional Neural Network), LSTM (Long Short Term Memory), etc.
  • the input / output relationship (learning model) generated by the communication quality learning unit 1-5 using the deep learning of the above the future communication quality is predicted and output from the input object information.
  • a plurality of different coefficients, different methods, and different coupling methods may be prepared, and the determined result may be configured to be selected from a plurality of determination results by majority voting or with high reliability.
  • the information input to the communication prediction unit 1-6 uses object information, terminal information, and feedback information from the outside in the object determination unit 1-7 and the base station management unit 1-2, and is a new feature amount by principal component analysis. May be used after filtering such as extracting and performing dimensional compression to reduce the number of parameters or satisfying a certain condition. Dimensional compression may be centrally performed on the object determination unit 1-7, the base station management unit 1-2, and the feedback information from the outside.
  • the communication evaluation unit 1-1 can input the obtained parameters related to the current or past communication quality to the communication prediction unit 1-6.
  • the position information / orientation / attitude / ID / state / control of the wireless terminals 2-1 to 2-M that start the communication unit 1-4 and perform communication and the position information / orientation / ID / state of the terminal components. It is possible to acquire terminal information consisting of one or more of / control and attachment position / orientation / ID / state / control of the communication device and input it to the communication prediction unit 1-6.
  • future communication quality information can output multiple candidates.
  • the object determination unit 1-7 may be provided with the object update unit. For example, it can be updated as the number of objects that newly affect communication as surrounding environment information increases, such as the spread of drones and flying cars with innovative designs, and the design of existing objects changes.
  • the base station stores terminal information that can be below or above the threshold value predetermined by the influence of the object from the steady state condition in advance, and only when this condition is satisfied, the communication quality is predicted by the present invention. be able to.
  • the communication quality is not good even in a steady state under a certain position condition such that the terminal position is separated from the communication base station to some extent or the building is shielded. If everything is expressed in the steady state, it is considered that the communication quality is uniquely determined from the terminal information, but the influence of the object may greatly affect the communication. In other words, by learning the object information when the communication quality deviates from the steady state, it is possible to efficiently learn the model between the change in communication quality from the steady state and the influence of the object information.
  • FIG. 5 is a diagram illustrating a flow of machine learning performed by the communication quality learning unit 1-5 or 3-5 in the communication systems of the first to third embodiments.
  • the surrounding environment information collecting unit 1-3 acquires the surrounding environment information and inputs the result to the object determination unit 1-7.
  • the surrounding environment is a fixed object such as a moving object such as a car or a pedestrian or a building around the base station.
  • the object determination unit 1-7 generates object information according to the above description and outputs it to the communication quality learning unit 1-5 or 3-5 (Step 1-1).
  • the communication evaluation unit 1-1 or 2-1 acquires the communication quality at a certain time (Step 1-2) and outputs it to the communication quality learning unit 1-5 or 3-5, respectively.
  • the communication quality learning unit 1-5 or 3-5 performs machine learning using the object information and the position information of the wireless terminal, and creates an input / output relationship (learning model) for outputting future communication quality.
  • the communication quality learning unit 1-5 or 3-5 outputs the learning model to the communication prediction unit 1-6 (Step 2).
  • the communication prediction unit 1-6 estimates the future communication quality from the object information based on the current surrounding environment information acquired by the surrounding environment information collecting unit 1-3 using the learning model.
  • terminal information collected from the communication unit 1-4 from the wireless terminal 2-i and the base station generated by the base station management unit 1-2 are used as auxiliary information in order to improve the prediction accuracy by learning.
  • Information can be input to the communication quality learning unit 1-5 or 3-5 (STEP1-3).
  • the base station information may be information from each base station management unit of a plurality of base stations. What is auxiliary information? Terminal control / position information / direction / attitude / ID / state / terminal component control / position information / direction / attitude / ID / state, communication method / frequency / of the communication unit of the terminal, which is fed back from the wireless terminal 2.
  • Terminal information consisting of one or more of information such as frequency band, Position information / orientation / ID / status / control of the components of the base station 1 in the base station management unit 1-2, mounting position / orientation / ID / status / control / communication method / communication frequency of the communication unit 1-4 described later.
  • Base station management information consisting of one or more of the communication bands, In addition, information that correlates with the communication quality obtained via the communication unit 1-4 of the base station, And one or more of these pieces of information can be used.
  • the communication prediction unit 1-6 or 3-6 is used to improve the learning efficiency of the input communication quality information or to give a specific communication event (communication quality deterioration or communication quality improvement).
  • the steady-state communication quality here represents the communication quality expected when there is no influence of the object which has a significant influence on the communication, or simply the expected value obtained from the past communication quality. This method is effective when the objects that significantly affect communication are limited and the occurrence frequency of the objects is low or the non-existence time is longer than a certain period. That is, if the object does not exist, the communication quality can be obtained from the terminal information without using machine learning.
  • the mode value or the average value of the communication quality can be used as the communication quality in the steady state.
  • the average value, the median value, and the cumulative probability of any outside value corresponding to the terminal information can be memorized.
  • the past communication quality information is simply used, it can be used by removing the influence of parameters that affect the communication quality such as the frequency bandwidth to be used and the power consumption mode. Learning can be performed when the communication quality in the steady state obtained here is equal to or lower than a predetermined threshold value, equal to or higher than the threshold value, or both.
  • the input / output relationship is learned, the classification of the application range of the input / output relationship, the prediction accuracy, or the importance of the input parameter is evaluated, and then the subsequent learning and prediction are made more efficient and accurate. Can be enhanced.
  • Step 3 the reliability of the input / output relationship is evaluated using the data acquired for learning.
  • the communication quality learning unit 1-5 or 3-5 does not use the object information and the measured communication quality for learning when the deviation is large. In either case, at least a part of the information input to the communication quality prediction unit 1-6 or 3-6 can be stored as a low reliability condition. Alternatively, it is possible to continuously observe this deviation in the prediction of communication quality and monitor the degree of convergence. If this deviation remains large, the communication quality at the base station is affected by some unobserved parameter, and an alarm signal can be generated.
  • the communication quality learning unit 1-5 or 3-5 has a plurality of input / output relationships, a certain input / output relationship actively learns any learning data, and a certain input / output relationship is previously learned in advance.
  • the communication prediction unit 1-6 can predict the communication quality by using these input / output relationships.
  • the communication quality learning unit 1-5 or 3-5 stores the conditions under which the reliability satisfies (or does not satisfy) a predetermined standard (Step 4-1). The obtained conditions are input to the communication prediction unit 1-6, and when an input signal under the condition that the input / output relationship is not sufficiently reliable enters the communication prediction unit 1-6, the communication quality prediction result is obtained. It is possible to add additional information indicating inaccuracy or not perform communication prediction.
  • the communication quality learning unit 1-5 or 3-5 detects how much the input parameter is referred to, and extracts the unreferenced object or parameter (Step 4-2).
  • the object judgment unit 1-7 and the communication prediction unit 1-6 or 3-6 learning and prediction can be performed as follows. It can be made more efficient.
  • -In the object judgment unit 1-7 specify the object type, object position, and object state conditions that affect communication, and do not detect other objects or discard the detection results. It is possible to reduce the calculation load and reduce the amount of information input to the communication prediction unit and the communication quality learning unit.
  • the terminal information fed back from the terminal 2-i is used.
  • the communication quality learning unit 1-5 or 3-5 may perform principal component analysis on the learning data, extract a new feature amount, perform a dimension compression method, and then update the data.
  • the communication quality prediction unit inputs the input parameters according to the newly defined dimension compression method. It is processed and used as a parameter for communication quality prediction, and the communication quality is predicted by the newly defined input / output relationship.
  • FIG. 6A describes a state in which the base station 1 and the automobiles (C1 and C2) which are wireless terminals 2 are communicating wirelessly (solid arrows in the left figure) at the intersection.
  • FIG. 6B describes a situation in which a large vehicle (B1) turns left at the intersection and blocks the radio propagation path (dashed arrow in the right figure).
  • the communication quality learning unit 1-5 of the base station 1 is learned in advance by the communication prediction method according to the present invention that a specific event related to communication quality, in which an event in which communication is disconnected continues for a certain period of time, occurs. ing. Such events are not necessarily caused by the occlusion of the propagation path, but by complex changes in the propagation state within the intersection.
  • the base station 1 acquires from the mounted camera image that a large vehicle has approached and has begun to turn left by the peripheral object determination unit, and from the vehicle position, speed, and orientation, after a certain period of time, or from the moving speed of the large vehicle.
  • the communication prediction unit 1-6 predicts that a specific event will occur after the estimated time.
  • FIG. 7 is a diagram of an experiment conducted to confirm the effect of the present invention.
  • Future communication quality between the base station and the external communication device by installing a wireless LAN base station and an external communication device (wireless terminal) across the road and using the images of the two cameras provided in the base station.
  • the wireless LAN used a channel in the 5 GHz band
  • the communication quality used was a normalized throughput obtained by dividing the throughput per 20 MHz by the average of the past 30 seconds. Communication quality is evaluated every second.
  • the camera the camera 1 facing the upper part and the camera 2 facing the lower part were used.
  • the camera image was acquired at 15 FPS, and the size on the X-axis, the size on the Y-axis, and the center position of the object were extracted. Since 15 object information is obtained during the communication quality evaluation cycle (1 second), the 15 position information and size information are averaged here, and the size and position change with respect to the X-axis and Y-axis. The amount was extracted as the moving speed.
  • FIG. 8 shows an example of detecting the size and position of the object actually extracted by the object determination unit.
  • FIG. 9 shows a state of recognition of the vehicle and the camera image taken by the camera 1 in the actual environment.
  • the location of the external communication device is also indicated by a star in the figure. In this surrounding environment, the communication path between the communication base station and the wireless terminal is not blocked even if a passenger car passes through, but the communication path is blocked when a bus passes through.
  • FIG. 10 shows the result of calculating the importance of the feature amount, which is a parameter that can be output by random forest learning.
  • the most influential factor in the determination is the speed of the passenger car in the camera 1.
  • Next is the communication quality (standardized throughput) at the present time, and next is the Y-axis position of the bus in the camera 1. It can be understood that important object information is different for cars and buses.
  • Step 4-2 of FIG. 5 This result can be applied to Step 4-2 of FIG. 5 so that the output result of the camera 2 is not used, or the bus / pedestrian object of the camera 2 is not used.
  • the method of dimension compression may be updated according to Step 4-3 of FIG. FIG. 10 shows almost all data of output values, but it is not necessary to calculate the velocity on the four axes of X-axis, Y-axis, size X-axis, and size Y-axis, and these four parameters are set according to the importance. And add up, and the obtained result may be used.
  • the X-axis and Y-axis positions were set from the image position from the camera with a viewing angle of 180 degrees, but other coordinates such as a coordinate system based on the base station and a coordinate system based on latitude and longitude, etc. It may be converted into a coordinate system and used, or it may be converted into position information on a general map such as latitude / longitude altitude.
  • FIG. 11 is a diagram illustrating the measured standardized throughput and the correspondence at the time of object detection.
  • Line A represents the normalized throughput
  • plot B shows the timing at which the object was identified from the image of camera 1.
  • the object defines the types of pedestrian (human), motorcycle / bicycle (bike), passenger car (car), and bus / truck (bus).
  • the standardized throughput is affected by the passage of buses and passenger cars. Comparing a bus with other vehicles, the standardized throughput (communication quality) decreases when the bus passes, but the vehicle does not necessarily decrease.
  • FIG. 7 when the car moves from the top to the bottom of the road (movement from the camera 1 to the range of the camera 2), the car moves from the bottom to the top of the road (movement from the camera 2 to the range of the camera 1). It has a greater effect on communication quality. This is a left-hand traffic in Japan, so it is thought that communication quality is likely to be affected if a car passes near the terminal.
  • FIG. 12 is a diagram for explaining the result of predicting the communication quality after 1 second.
  • the communication quality learning department uses random forest learning with a decision tree of 500, divides the data into 5 by the k-fold cross validation method using data for 3 hours, and trains with 4 data sets to create a learning model. It is generating.
  • the communication prediction unit uses this learning model to predict the communication quality (standardized throughput) for the remaining one data set.
  • the input data is the image and communication information from the camera shown in FIG. This result extracts only the data of the timing when cars and buses come and go near the terminal, and shows the result including the case where the communication quality is not affected for the passenger car as described above.
  • the predicted communication quality A and the actually measured communication quality B are compared. Focusing on the deterioration of communication quality, it can be confirmed that both the communication quality A line and the communication quality B line are deteriorated at the same time, and the communication prediction unit can predict the deterioration of the communication quality in the actual measurement.
  • FIG. 13 is also a diagram for explaining the correspondence between the measured normalized throughput and the object detection.
  • Line A represents the normalized throughput
  • plot B shows the timing at which the object was identified from the image of camera 1.
  • the object defines the types of pedestrian (human), motorcycle / bicycle (bike), passenger car (car), and bus / truck (bus).
  • the wireless terminal is moved by about 10 cm with respect to the seventh embodiment, and the standardized throughput and the object determination by the camera are performed.
  • the communication quality is completely unaffected by the passage of a passenger car, but is affected by the passage of a bus.
  • FIG. 15 is a result of comparing the predicted communication quality A and the actually measured communication quality B as shown in FIG. 12 of the eighth embodiment.
  • the communication quality A is a result predicted by the input / output relationship learned from the data before moving the wireless terminal. That is, it is the result of prediction by the learning model in which the position information of the wireless terminal is deviated.
  • the timings indicated by the circles are the timings at which the communication prediction unit predicted that the standardized throughput would decrease due to the passenger car, but the measured throughput did not decrease.
  • the timing indicated by the square mark is the timing when the communication prediction unit predicts that the normalized throughput will decrease due to the buzz, and the measured throughput also decreases.
  • Step 4-1 of FIG. 5 it is possible to group information (particularly position information) of wireless terminals to which the input / output relationship of the same conditions can be applied. It is desirable that the communication quality learning unit 1-5 or 3-5 learns under the condition that the wireless terminal exists in a certain range, and the input / output relationship is used only in the range.
  • one-hot processing or position information compression processing is performed so that the positions of the wireless terminals corresponding to the grouping processing are the same information.
  • it can be realized by turning on / off the information used depending on the location while using the input / output relationship itself.
  • the object information of the passenger car is not input to the communication prediction unit, so that the judgment of deterioration of the communication quality of the circles in the figure is prevented.
  • the base station 1 in the above-described first and second embodiments may be realized by a computer.
  • the program for realizing each of the components of the base station 1 is recorded on a computer-readable recording medium, and the program recorded on the recording medium is read by the computer system and executed. You may.
  • the term "computer system” as used herein includes hardware such as an OS and peripheral devices.
  • the "computer-readable recording medium” refers to a portable medium such as a flexible disk, a magneto-optical disk, a ROM, or a CD-ROM, or a storage device such as a hard disk built in a computer system.
  • a "computer-readable recording medium” is a communication line for transmitting a program via a network such as the Internet or a communication line such as a telephone line, and dynamically holds the program for a short period of time. It may also include a program that holds a program for a certain period of time, such as a volatile memory inside a computer system that serves as a server or a client in that case. Further, the above program may be for realizing a part of the above-mentioned components, and may be further realized by combining the above-mentioned components with a program already recorded in the computer system. Often, it may be realized by using hardware such as PLD (Programmable Logic Device) or FPGA (Field Programmable Gate Array).
  • PLD Programmable Logic Device
  • FPGA Field Programmable Gate Array
  • Terminal information consisting of one or more of the surrounding environment information of the base station that can be acquired by a camera / sensor, etc., and the position information / orientation / posture / ID / state / terminal component control / terminal control information of the terminal.
  • a communication system that predicts current or future communication quality using. Create a learning model by learning the input / output relationship for outputting communication quality using the surrounding environment information, terminal information, and communication quality, and use the learning model, peripheral environment information, and terminal information to improve the communication quality. Predict. Improve accuracy by using the positional relationship with the communication device to be communicated, predict communication quality for multiple future operation patterns, memorize the correct answer rate of prediction, make a mistake in prediction It is also possible to extract case information and feed it back to the learning department.
  • Base station 1-0 Network 1-1: Communication evaluation unit 1-2: Base station management unit 1-3: Surrounding environment information collection unit 1-4: Communication Part 1-5: Communication quality learning part 1-6: Communication prediction part 1-7: Object judgment part 2, 2-1 ..., 2-M: Wireless terminal 2-4, 2-4-1, ... ⁇ ⁇ , 2-4-M: Terminal communication unit 2-8, 2-8-1, ..., 2-8-M: Feedback generation unit 3-0: External network 3-1: Communication evaluation unit 3- 5: Communication quality learning department 3-6: Communication prediction department

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

環境変動による通信品質の変動に対応できるように、将来の通信品質を予測できる通信システム及び基地局を提供することを目的とする。本発明に係る通信システム及び基地局は、カメラ・センサーなどにより取得できる基地局の周辺環境情報、端末の位置情報等の端末情報、及び現在の通信品質からこれらの入出力関係を学習して学習モデルを作成し、当該学習モデル、周辺環境情報及び端末情報を用いて、未来の通信品質を予測する。

Description

通信システム及び基地局
　本開示は、周辺環境および通信装置が搭載された基地局の制御により通信品質が変化するシステムにおける通信品質の予測に関する。
　様々なデバイスがインターネットにつながるＩｏＴ（Ｉｎｔｅｒｎｅｔ　ｏｆ　ｔｈｉｎｇｓ）の実現が進んでおり、自動車やドローン、建設機械車両など様々な機器が無線により接続されつつある。無線通信規格としても標準化規格ＩＥＥＥ８０２．１１で規定される無線ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＬＴＥや５Ｇによるセルラー通信、ＩｏＴ向けのＬＰＷＡ（Ｌｏｗ　Ｐｏｗｅｒ　Ｗｉｄｅ　Ａｒｅａ）　通信、車通信に用いられるＥＴＣ（Ｅｌｅｃｔｒｏｎｉｃ　Ｔｏｌｌ　Ｃｏｌｌｅｃｔｉｏｎ　Ｓｙｓｔｅｍ）、ＶＩＣＳ（登録商標）（Ｖｅｈｉｃｌｅ　Ｉｎｆｏｒｍａｔｉｏｎ　ａｎｄ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ　Ｓｙｓｔｅｍ）、ＡＲＩＢ－ＳＴＤ－Ｔ１０９など、サポートする無線規格も発展しており、今後の普及が期待されている。
　しかしながら、様々な用途で無線通信が使われる一方、サービスによっては、通信品質の要求条件を、無線通信が必ずしも満たすことができないことが問題となっている。例えば、ＩＥＥＥ８０２．１１ａｄやセルラー通信の５Ｇでは、ミリメータ帯の高い周波数を用いるため、無線通信を行う送受の間の遮蔽物によるブロッキングが大きな問題となる。ミリ波だけでなく、それ以外の周波数の無線通信であっても、遮蔽物によるブロッキングや、反射物の動きによる伝搬環境の変化は通信品質に影響を及ぼす。それ以外にも、反射物が動くことによって生じるドップラーシフトも通信に影響を与えるものとして知られている。
ＩＥＥＥ　Ｓｔｄ　８０２．１１ａｃ（ＴＭ）－２０１３，　ＩＥＥＥ　Ｓｔａｎｄａｒｄ　ｆｏｒ　Ｉｎｆｏｒｍａｔｉｏｎ　ｔｅｃｈｎｏｌｏｇｙ　－Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ　ａｎｄ　ｉｎｆｏｒｍａｔｉｏｎ　ｅｘｃｈａｎｇｅ　ｂｅｔｗｅｅｎ　ｓｙｓｔｅｍｓ　Ｌｏｃａｌ　ａｎｄ　ｍｅｔｒｏｐｏｌｉｔａｎ　ａｒｅａ　ｎｅｔｗｏｒｋｓ　－　Ｓｐｅｃｉｆｉｃ　ｒｅｑｕｉｒｅｍｅｎｔｓ，　Ｐａｒｔ　１１：　Ｗｉｒｅｌｅｓｓ　ＬＡＮ　Ｍｅｄｉｕｍ　Ａｃｃｅｓｓ　Ｃｏｎｔｒｏｌ　（ＭＡＣ）　ａｎｄ　Ｐｈｙｓｉｃａｌ　Ｌａｙｅｒ　（ＰＨＹ）　Ｓｐｅｃｉｆｉｃａｔｉｏｎｓ，　Ｄｅｃｅｍｂｅｒ　２０１６ Ｇｈｏｓｈ，　Ａｍｉｔａｖａ，　ｅｔ　ａｌ．　"Ｍｉｌｌｉｍｅｔｅｒ－ｗａｖｅ　ｅｎｈａｎｃｅｄ　ｌｏｃａｌ　ａｒｅａ　ｓｙｓｔｅｍｓ：　Ａ　ｈｉｇｈ－ｄａｔａ－ｒａｔｅ　ａｐｐｒｏａｃｈ　ｆｏｒ　ｆｕｔｕｒｅ　ｗｉｒｅｌｅｓｓ　ｎｅｔｗｏｒｋｓ．"　ＩＥＥＥ　Ｊｏｕｒｎａｌ　ｏｎ　Ｓｅｌｅｃｔｅｄ　Ａｒｅａｓ　ｉｎ　Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ　３２．６　（２０１４）：　１１５２－１１６３．
　自動車、ドローン、建設機械車両、ロボット、その他のデバイスに無線通信機能が搭載されており、さらにそれらの通信に対し、スループット、遅延、継続性、安定性、その他の通信品質に対する要求条件が存在する場合、周辺環境の変化による通信品質が、当該デバイスによるサービスやシステムに対して大きな影響を及ぼすことがあるという課題がある。
　そこで、上記課題に鑑み、本発明は、環境変動による通信品質の変動に対応できるように、将来の通信品質を予測できる通信システム及び基地局を提供することを目的とする。
　本発明に係る通信システムは、無線通信機能を有するデバイスが、周辺環境を取得するカメラ、センサー、その他の周辺環境情報収集装置からの情報を用い、自デバイスの制御、または周辺環境情報の変化の情報から将来の通信品質を予測することとした。
　具体的には、本発明に係る通信システムは、無線端末と通信する基地局を有する通信システムであって、
　少なくとも前記無線端末の位置情報を含む基地局管理情報を生成する基地局管理部と、
　前記基地局の周囲の周辺情報から所定のオブジェクトを抽出し、該オブジェクトの特徴量とともにオブジェクト情報として出力するオブジェクト判定部と、
　前記基地局と前記無線端末との間の通信品質と、前記基地局管理情報及び前記オブジェクト情報との関係を機械学習して学習モデルを生成する通信品質学習部と、
　前記通信品質学習部が生成した前記学習モデルを用い、前記基地局管理部が生成した前記基地局管理情報及び前記オブジェクト判定部が出力した前記オブジェクト情報から所定時間後の通信品質を予測する通信予測部と、
を備える。
　デバイスの周辺の状況と通信状態との関係を予め機械学習して学習モデルを形成しておく。本通信システムは、当該学習モデルを用いて、現在のデバイスの周辺の状況から将来の通信品質を予測することができる。このため、本通信システムは、将来の通信品質の変動に対してデバイスが影響を受けないように、あるいはその影響を小さくするように、予め対応策を準備することができる。従って、本発明は、通信品質の変動に対応できるように、将来の通信品質を予測できる通信システムを提供することができる。
　本発明に係る通信システムの前記基地局管理情報には、前記無線端末から通知された前記無線端末の固有情報が含まれることを特徴とする。通信品質の予測の精度を向上させることができる。
　本発明に係る通信システムの前記オブジェクト情報が、異なる時刻で取得された複数の前記オブジェクト情報を統計処理したものであることを特徴とする。通信品質の予測の演算負荷を低減することができる。
　本発明に係る通信システムの前記オブジェクト判定部が抽出する前記所定のオブジェクトを指定するオブジェクト定義を更新する更新部をさらに備えることを特徴とする。通信品質の予測の精度を向上させることができる。
　本発明に係る通信システムの前記通信品質学習部は、前記通信品質の情報を前記無線端末の情報に対して一定時間収集し、統計処理（例えば、最頻値、平均値、またはこれらから判断される特異点の除外など）を施して得られた定常時通信品質を用い、前記定常時通信品質から所定の閾値以上離れた前記通信品質で機械学習することを特徴とする。定常状態を予め把握しておき、定常状態から大きく外れる状態のみ通信品質の予測を行うことができ、通信品質の予測の演算負荷やデバイスの制御負荷を低減することができる。
　本発明に係る基地局は、前記通信システムが有する基地局であって、前記基地局管理部と、前記オブジェクト判定部と、前記通信品質学習部と、前記通信予測部と、を備えることを特徴とする。
　なお、本発明に係る基地局は、外部から導入した学習モデルを利用できるように、前記基地局管理部と、前記オブジェクト判定部と、前記通信予測部と、通信部を備え、
　前記通信部は、外部の前記通信品質学習部へ前記通信品質、前記基地局管理情報及び前記オブジェクト情報を転送し、前記通信品質学習部から前記学習モデルを受信して前記通信予測部へ転送することでもよい。
　さらに、本発明に係る基地局は、外部の装置に通信品質を予測させるため、前記基地局管理部と、前記オブジェクト判定部と、通信部を備え、
　前記通信部は、外部の前記通信品質学習部へ前記通信品質、前記基地局管理情報及び前記オブジェクト情報を転送し、外部の前記通信予測部へ前記基地局管理情報及び前記オブジェクト情報を転送し、前記通信予測部から前記所定時間後の通信品質を受信することでもよい。
　本発明によれば、カメラ・センサーなどの周辺環境情報収集装置により得られた周辺環境情報と、基地局が通信する無線端末の位置情報を含む基地局管理情報を用い、無線基地局と無線端末との間で通信における、上り回線または下り回線の、伝送容量、スループット、遅延、継続性、安定性、およびそれらの変動を表す通信品質を予測することができる。
本発明に係る通信システムを説明する図である。 本発明に係る通信システムを説明する図である。 本発明に係る通信システムを説明する図である。 本発明に係る通信システムでの未来の通信品質を予測する手法を説明する図である。 本発明に係る通信システムでの未来の通信品質を予測する方法を説明する図である。 本発明に係る通信システムの効果を説明する図である。 本発明に係る通信システムでの実験を説明する図である。 本発明に係る通信システムでの実験を説明する図である。 本発明に係る通信システムでの実験を説明する図である。 本発明に係る通信システムでの実験を説明する図である。 本発明に係る通信システムでの実験結果を説明する図である。 本発明に係る通信システムでの実験結果を説明する図である。 本発明に係る通信システムでの実験結果を説明する図である。 本発明に係る通信システムでの実験結果を説明する図である。
　添付の図面を参照して本発明の実施形態を説明する。以下に説明する実施形態は本発明の実施例であり、本発明は、以下の実施形態に制限されるものではない。なお、本明細書及び図面において符号が同じ構成要素は、相互に同一のものを示すものとする。
（実施形態１）
　図１は、本実施形態の通信システムの構成例を示すブロック図である。本通信システムは、無線端末２と通信する基地局１を有する通信システムであって、
　少なくとも無線端末２の位置情報を含む基地局管理情報を生成する基地局管理部１－２と、
　基地局１の周囲の周辺情報から所定のオブジェクトを抽出し、該オブジェクトの特徴量とともにオブジェクト情報として出力するオブジェクト判定部１－７と、
　基地局１と無線端末２との間の通信品質と、前記基地局管理情報及び前記オブジェクト情報との関係を機械学習して学習モデルを生成する通信品質学習部１－５と、
　通信品質学習部１－５が生成した前記学習モデルを用い、基地局管理部１－２が生成した前記基地局管理情報及びオブジェクト判定部１－７が出力した前記オブジェクト情報から所定時間後の通信品質を予測する通信予測部１－６と、
を備える。
　本実施形態では、基地局１が、基地局管理部１－２と、オブジェクト判定部１－７と、通信品質学習部１－５と、通信予測部１－６と、を備える。
　本通信システムは、基地局１と、無線端末２－１～２－Ｍ（Ｍは１以上）で構成される。基地局１は、１つ以上の無線端末２と通信を行うハードウェアであり、１つ以上の周波数、１つ以上の通信方式をサポートし、１つ以上の端末と１つ以上の通信方式／周波数で通信を行うことができる。
　基地局１は、
　基地局内の機能ブロック間でデータの入出力処理を行う基地局ＮＷ部１－０、
　基地局１と外部の無線端末２との間の通信品質を評価する通信評価部１－１、
　基地局、基地局の構成物および基地局の通信の制御を行い、基地局１が通信する無線端末２－１～２－Ｍの基地局管理情報を生成する基地局管理部１－２、
　基地局１の周辺環境情報を可視光カメラ、赤外線カメラ、電磁波センサー、光センサー、音波センサーなどで収集する周辺環境情報収集部１－３、
　周辺環境情報収集部１－３が収集した情報から、外部の通信装置との間の通信品質に関連のあるオブジェクトを抽出するオブジェクト判定部１－７、
　外部の無線端末２と所定の通信方式（プロトコル）を用いて通信する通信部１－４、
　周辺オブジェクト情報、基地局管理情報、および通信部が行う通信の品質を評価した結果から得られる通信品質に関連のある情報である通信品質情報から、未来の通信品質を出力するための周辺オブジェクト情報と周辺環境情報と通信品質との間の入出力関係（学習モデル）を機械学習する通信品質学習部１－５と、
　通信品質学習部１－５で得られた入出力関係、周辺オブジェクト情報、基地局管理情報を用いて、未来の通信品質を予測する通信予測部１－６と、を備える。
　なお、基地局管理情報は、無線端末２の位置情報／向き／ＩＤ／状態／速度の情報、基地局１の位置情報／向き／姿勢／ＩＤ／状態／制御、基地局１の構成物の位置情報／向き／ＩＤ／状態／制御、通信部１－４の取り付け位置／向き／ＩＤ／状態／制御／通信方式／通信周波数／通信帯域、のうち少なくとも無線端末の位置情報を含む。なお、「無線端末の固有情報」とは、無線端末２の位置情報／向き／ＩＤ／状態／速度の情報である。
　また、通信部１－４は、通信方式の種類に応じて複数備えるようにしてもよい。
　ここで予測される未来の通信品質は、通信予測部１－６に入力する信号源の情報から任意の時間だけ先の通信品質である。任意の時間とは、具体的には、周辺環境情報収集部１－３による情報取得、オブジェクト判定部１－７によるオブジェクト情報の抽出、及び通信予測部１－６における予測に必要となる信号処理時間ＴＳと、予測された通信品質に対して実施するなんらかの制御に必要な対応時間ＴＡの和である（ＴＳ＋ＴＡ）より先の時間である。
　無線端末２は、基地局１の通信部１－４とそれぞれ通信を行う端末通信部２－４を備える。端末通信部２－４は、例えば、ＩＥＥＥ８０２．１１で規定される無線ＬＡＮ、Ｗｉｇｉｇ（登録商標）、ＩＥＥＥ８０２．１１ｐ、ＩＴＳ用通信規格、ＬＴＥや５Ｇなどのセルラー通信、ＬＰＷＡ（Ｌｏｗ　Ｐｏｗｅｒ　Ｗｉｄｅ　Ａｒｅａ）などの無線通信、ないし音波、電気、赤外光や可視光による通信を行うことができる機能部である。
　ここで無線端末２は、基地局１と所定の通信プロトコルを用いて無線通信可能な装置であり、あるいは、そのような装置を具備した自動車、ドローン、建設機械車両、ロボットといった移動可能な機械であってもよい。
　基地局管理情報とは、前述のとおり、基地局１が通信を行う無線端末の位置／向き／姿勢／ＩＤ／状態／速度、および基地局１の位置／向き／姿勢／ＩＤ／状態／制御、基地局１の構成物の位置／向き／ＩＤ／状態／制御、通信部１－４の取り付け位置／向き／ＩＤ／状態／制御／通信方式／通信周波数／通信帯域、のうち少なくとも無線端末の位置情報を含むものである。
　周辺オブジェクト情報とは、例えば、可視光カメラあるいは赤外線カメラで撮影された画像、または電磁波センサー、光センサー、音波センサーなどで収集された電磁波／光／音波の反射波の情報、から抽出される、基地局１や無線端末２、あるいは基地局１と無線端末２との間の無線伝搬経路の近傍に存在するオブジェクトの位置／サイズ／移動速度／形状／媒質、のうち一つ以上の情報を含むものである。あるいは、電磁波センサー、光センサー、音波センサーなどで収集された、基地局１あるいは無線端末２近傍における電磁波／光／音波の周波数／強度、のうち一つ以上の情報を含むものであってもよい。
　通信品質情報とは、通信で用いるサービスや、機器の制御及び管理など通信に対して求められる通信品質にかかわる情報である。通信品質とは、上り回線または下り回線の、スループット、ある区間におけるパケット到達遅延、あるスループットとパケット到達遅延条件を満たす通信継続性、パケット到達率、スループットやパケット到達遅延やパケット到達率の安定性、前述のパラメータのある時間区間における累積確率分布の任意のパーセント値、ある誤り率以下で伝送可能なビットレート、などを表す。また、通信品質情報は、これらに関連がある情報であり、通信品質そのものを推定した値のほか、関連がある可能性がある、特定時間におけるスループット瞬時値、特定パケットの区間到達遅延、特定パケットの到着率、パケットの受信電力、パケットの受信電力の変動情報、制御情報でやり取りされるパケットの品質情報、端末との同期精度、信号ゆがみ情報、干渉信号電力、干渉条件、ドップラー周波数情報、回路安定性情報、なども含む。
　周辺環境情報と基地局管理情報を用い、これらと通信品質との間の関係を学習するため、通信品質学習部１－５は、入力されるオブジェクト情報の特徴量を予め定めて機械学習を行う。機械学習は、サポートベクターマシンや多層パーセプトロン、ｋ近傍法、ランダムフォレストなどの機械学習アルゴリズムでの学習、ＲＮＮ（Ｒｅｃｕｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）、ＬＳＴＭ（Ｌｏｎｇ　Ｓｈｏｒｔ　Ｔｅｒｍ　Ｍｅｍｏｒｙ）、などのディープラーニングによる学習、オンライン学習などである。通信品質学習部１－５は、これらの学習を逐次的に行うことができる。また、上記の方式から、異なる係数や異なる方式や異なる結合方法を複数用意し、判定された結果を複数の判定結果から多数決や信頼度の高いものを選ぶように構成してもよい。
　この学習は、基地局１が実際に通信を行いながら、実環境で行うこともできるし、他の基地局や、学習用に特別に用意された他の基地局で取得されたデータを用いて行うこともできるし、現実世界の実環境にできるだけ近い環境を模擬したシミュレーション空間において、学習を行うことができる。
　通信品質学習部１－５が学習を行った結果として生成される入出力関係（未来の通信品質を推定するための学習モデル）は、通信予測部１－６へ出力される。また、通信予測部１－６は、基地局１の外部に存在する学習モデルを利用してもよい。この場合、基地局１は、基地局管理部１－２と、オブジェクト判定部１－７と、通信予測部１－６と、通信部（１－４、１－８）を備え、前記通信部は、外部の前記通信品質学習部へ前記通信品質、前記基地局管理情報及び前記オブジェクト情報を転送し、前記通信品質学習部から前記学習モデルを受信して通信予測部１－６へ転送することを特徴とする。
　学習および通信品質として推定を行う対象を制限するため、通信品質に関係のある特定イベントのみを通信予測部１－６が予測するように学習することもできる。例えば、周辺オブジェクト情報と基地局管理情報のそれぞれまたは両方と相関の高い通信品質低下イベントまたは通信品質向上イベントに対して通信予測部１－６が予測するように、通信品質学習部１－５は学習を行う。つまり、通信品質学習部１－５は、無線端末２との間の前記通信品質（通信品質の情報）について、無線端末２の位置などを含む端末情報（無線端末の情報）を定常的に評価した結果（例えば、最頻値、平均値、またはこれらから判断される特異点の除外など統計処理を施した結果）から、端末情報に対して定常時通信品質を記憶しており、前記定常時通信品質から所定の閾値以上離れた通信品質（通信品質低下イベントまたは通信品質向上イベント）を機械学習することを特徴とする。通信品質学習部１－５は、このように学習した学習モデルを通信品質予測部１－６へ出力する。
　なお、通信品質低下イベントとは、予め定めた通信品質の指標（時間当たりのビット数、時間と周波数あたりのビット数、パケットロス、パケットロス率、ＲＳＳＩ低下、ＲＳＲＱ低下、パケット送信レート、これらのパラメータが定常時からどれだけ変化したか、および、これら複数のパラメータから抽出される特徴量）が予め定めた条件を満たしたときとすることができる。また、通信品質低下イベントは、機械学習の分類により、周辺オブジェクト情報または基地局管理情報の変化による通信品質低下とカテゴライズされた事象と定義してもよい。ここで、複数のパラメータから抽出される特徴量とは、例えば、ＲＳＳＩ低下とパケットロスの発生が同時に生じている場合、などがあげられる。通信品質低下イベントの予測により、無線通信のサービス品質に悪影響が出ることを予期できる。一方通信品質向上イベントは前述の逆となる。ただし、通常通信品質の向上に伴い、通信の変調方式や誤り訂正符号化率や空間多重数をビットレートが高い方に変更されることはないため、通信品質低下イベントとは異なりパケットロスレートでこのイベントを学習することは難しく、ＲＳＳＩやＲＳＲＱの向上のように、受信レベルや既知信号の信号品質の改善に対して学習することが想定される。
　学習を行う対象を制限した場合、目的のイベントだけを学習すると、偏りが生じることから、必要なパラメータが取得されている定常状態のデータも学習しておくとよい。この際、特定のイベントの発生頻度を用いて学習頻度を設定することもできる。通信品質低下イベントの発生頻度を用い、同程度の学習頻度で定常状態を取得するようにしたり、α倍の頻度（０＜α＜∞）としたりできる。
（実施形態２）
　図２は、本実施形態の通信システムの構成例を示すブロック図である。本実施形態は、実施形態１の通信システムに、無線端末２が、フィードバック生成部２－８をさらに具備していることである。フィードバック生成部２－８は、学習に用いることのできる情報をフィードバック情報として、端末通信部２－４を介して基地局１の通信品質学習部１－５へ入力する。フィードバック情報は、無線端末２の位置／速度／状態／ＩＤ／種類／形状／通信部の取り付け位置／所有者情報、などであり、「無線端末の固有情報」である。
　このフィードバック情報を学習に用いることで、通信品質学習部１－５は、学習モデルの精度を高め、無線端末の形態（ＰＣ，　スマホ，車，ドローンなど）、状態（位置、速度、電源、動作など）、通信（Ｗｉ－Ｆｉ，ＬＴＥ，５Ｇ，ＬＰＷＡなど）などに応じた通信品質を推定することが可能となる。
　さらに、本実施形態の通信システムは、ＮＷ通信部１－８を具備し、外部ＮＷ３－０との通信を行う。基地局１は、外部ＮＷ３－０から、通信品質の学習および予測に必要な補助情報を取得し、学習及び予測に用いることができる。外部ＮＷ３－０から取得できる補助情報とは、無線端末２－ｉの位置／速度／状態／ＩＤ／種類／形状／通信部の取り付け位置／所有者情報、天候情報、時間情報、および通信を行っているエリアに関連がある環境情報である。これらの補助情報を使用することで学習および予測の効率や精度を高めることができる。
（実施形態３）
　図３は、本実施形態の通信システムの構成例を示すブロック図である。本実施形態は、実施形態１又は２の通信システムから、通信予測部１－６、通信品質学習部１－５、通信評価部１－１の少なくとも一つを外部ＮＷに接続された形態である（通信予測部３－６、通信品質学習部３－５、通信評価部３－１）。本実施形態の基地局１は、基地局管理部１－２と、オブジェクト判定部１－７と、通信部（１－４、１－８）を備え、
　前記通信部は、外部の通信品質学習部３－５へ前記通信品質、前記基地局管理情報及び前記オブジェクト情報を転送し、外部の通信予測部３－６へ前記基地局管理情報及び前記オブジェクト情報を転送し、通信予測部３－６から前記所定時間後の通信品質を受信する
ことを特徴とする。
　このような形態とすることで、複数の基地局（基地局１－１～基地局１－Ｌ）と連携し、通信品質評価、学習モデル生成又は通信予測における物理的又は仮想的な演算部の共有、オブジェクト定義や学習モデルの一部又は全部の共有、複数の基地局管理情報を用いた通信予測、あるいは転移学習によるほかの基地局の学習結果の利用、を実施することができる。
　なお、実施形態１から３において、基地局１が通信を行う無線端末２－１～２－Ｍの位置情報をはじめとする基地局管理情報は、通信部１－４を介して直接無線端末２－１～２－Ｍから定期的に取得したり、ＮＷ通信部１－８を介して外部ＮＷ３－０が管理する無線端末２－１～２－Ｍの位置情報を取得してもよい。外部ＮＷ３－０が管理する無線端末の位置情報は、無線端末２－１～２－Ｍが定期的に自身の位置情報を登録してもよいし、複数の基地局との通信関係から測位を行ったり、ＧＰＳとの組み合わせで位置を判定した結果を登録してもよい。
（実施形態４）
　図４は、実施形態１～３で開示した通信システムにおける、未来の通信品質を予測するフローの概略を示している。以下、主としてオブジェクト判定部１－７および通信予測部１－６のフローを、図４を用いて説明する。
　周辺環境情報収集部１－３がカメラやセンサー情報により周辺の情報を収集すると、オブジェクト判定部１－７は当該情報の中から通信に影響を与えるオブジェクトまたはオブジェクトの一部の位置、サイズ、状態情報を抽出する。図中のオブジェクト判定部内の立方体は、判定のために畳み込み層を複数用いたディープラーニングを用いるイメージで記載しているが、ディープラーニングをはじめとするいかなる機械学習のエンジンを用いることができる。ここで抽出されるオブジェクトの情報とはオブジェクトの種類、位置（２次元、または３次元）、形、色、のうち少なくとも一つを含む情報である。図中の例では、車や建設機械車両とそのアームの状態の認識を例としてあげている。
　ここでオブジェクト判定部１－７はある時間周期で、オブジェクトの情報を取得するが、通信品質予測部１－６の演算負荷を軽減するため、一定時間内の情報を用いてに対して統計処理を行うことができる。例えば通信品質の予測を行う時間周期が１秒ごとであるのに対し、カメラ映像が１０ＦＰＳ（Ｆｒａｍｅｓ　ｐｅｒ　ｓｅｃｏｎｄ）で得られている場合、オブジェクト情報は１／１０秒ごとに取得できる。つまり、通信予測部１－６で得られる指標を１つ得る間に、オブジェクト情報を１０個得ることができる。例えば通信予測部１－６がＴｃ秒周期で予測を行い、オブジェクト判定部１－７がＴｏ秒周期でオブジェクト判定を行う場合、一度の通信品質予測に、Ｔｃ／Ｔｏで得られる値の少数点以下を切り捨てた整数分のオブジェクト情報を使うことができる。この数をＮｏとする。このままＮｏセットの入力信号とすることもできるが、対応する通信品質はＴｏ周期であるため、Ｔｏ周期の情報に統計処理することができる。
　位置や形状に対する情報であれば、得られたＮｏセットのオブジェクト情報のうち、はじめのオブジェクト情報（もっとも古い）、最後のオブジェクト情報（もっとも新しい）、その両方、得られた同一情報の中央値、平均値、あるいはいくつかの両極端の情報を削除したうえで得られる平均値または中央値、とすることができる。さらに変化情報として、１～Ｎｏ番目のオブジェクト情報がどのように変化したかの情報を抽出することもできる。例えば、位置情報（２次元または奥行きも含む３次元座標）の変化情報（速度情報）、色の変化情報、オブジェクトの形状やサイズの変化情報、回転速度情報、があげられる。さらに、１～Ｎｏ番目の情報から差分情報を抽出し、差分情報にさらに差分情報を抽出して加速に関する情報を抽出することもできる。単に差分情報とするのではなく、時間に対して位置情報をプロットして得られる分布に対し、二乗誤差最小となるよう一次関数でフィッティングし、得られるグラフの傾きを用いることもできる。例えば、２～Ｎｏ番目のオブジェクト情報から１～（Ｎｏ－１）番目のオブジェクト情報の差分を抽出し、得られた（Ｎｏ－１）個の差分情報を用いて、さらにそれぞれの差分を求めることで加速情報が得たり、前述の二乗誤差最小となるようにフィッティングした1次関数の傾きから加速度を得ることもできる。
　さらに、オブジェクト判定部１－７に、オブジェクトフィルター部をさらに具備し、オブジェクト情報を用いてフィルタリングし、不要な情報を削除することもできる。例えばオブジェクト情報のうち、高さ方向のある値より下の位置のオブジェクトには、通信品質が影響を受けていないことを予めオブジェクトフィルター部が記憶し、この条件に合致したオブジェクト情報を出力しないようにすることができる。また、通信相手となる無線端末２－ｉからフィードバックされる位置情報を参照し、無線端末２－ｉがいるエリアに応じて、影響のあるオブジェクトの種類や位置をオブジェクトフィルター部が記憶し、不要情報に該当するオブジェクト情報を出力しないようにすることができる。
　さらに、オブジェクト判定部１－７が判定を行うオブジェクトの種類を、外部から入力される更新情報によりアップデートし、最新の通信に与える周辺のオブジェクトを効率的に判定することもできる。
　このようにして得られたオブジェクト情報は、通信予測部１－６へ入力される。通信予測部１－６では、サポートベクターマシンや多層パーセプトロン、ｋ近傍法、ランダムフォレストなどの機械学習アルゴリズム、ＲＮＮ（Ｒｅｃｕｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）、ＬＳＴＭ（Ｌｏｎｇ　Ｓｈｏｒｔ　Ｔｅｒｍ　Ｍｅｍｏｒｙ）、などのディープラーニングを用いて通信品質学習部１－５が生成した入出力関係（学習モデル）を用いて、入力されたオブジェクト情報から、未来の通信品質を予測して出力する。また、上記の方式から、異なる係数や異なる方式や異なる結合方法を複数用意し、判定された結果を複数の判定結果から多数決や信頼度の高いものを選ぶように構成してもよい。
　通信予測部１－６へ入力される情報は、オブジェクト判定部１－７及び基地局管理部１－２においてオブジェクト情報や端末情報や外部からのフィードバック情報を用い、主成分分析により新たな特徴量を抽出して次元圧縮を行い、パラメータ数を削減したものや、ある条件を満たしたものとするなどフィルター処理を行い、用いてもよい。次元圧縮は、オブジェクト判定部１－７、基地局管理部１－２、及び外部からのフィードバック情報に対して一元的に実施してもよい。
　オブジェクト情報以外の補助情報を入力信号として、未来の通信品質の出力に用いる際の事例を記載する。通信評価部１－１は、得られた現在または過去の通信品質に関するパラメータを通信予測部１－６へ入力することができる。また、通信部１－４を開始して通信を行う無線端末２－１～２－Ｍの位置情報／向き／姿勢／ＩＤ／状態／制御、端末の構成物の位置情報／向き／ＩＤ／状態／制御、通信装置の取り付け位置／向き／ＩＤ／状態／制御、のうち一つ以上からなる端末情報を取得し、通信予測部１－６へ入力することができる。
　さらに、未来の通信品質情報は複数の候補を出力することもできる。補助情報として端末の位置情報を入力する場合に、端末の取りうる将来の状態を複数用意し、入力することで、異なる複数のパターンに対して入出力関係を適用し、複数の未来の通信品質を予測することができる。これにより、端末は通信品質を改善するオプションを選択することができる。
　ここで、オブジェクト判定部１－７でオブジェクト情報を得るための入出力関係をアップデートするため、オブジェクト判定部１－７にオブジェクトアップデート部を具備することもできる。例えば、斬新なデザインのドローンや空飛ぶ車が普及するなど、周辺環境情報としてあらたに通信に影響する対象が増えたり、既存の物体のデザインが変化するに伴い、更新することができる。
　ここまで述べてきたように、通信品質の予測を行う場合、スループットなどの通信品質をつぶさに予測するには膨大な学習が必要となるが、通信品質が一定以上低下したり、通信品質が予め規定した閾値以下となる瞬間のみを検出する事象として限定したり、逆に通信品質が一定以上向上する事象として限定することで、より効率的な学習を行うことができる。この際、基地局が予め定常時の条件から、オブジェクトの影響で予め規定した閾値以下、または閾値以上となりうる端末情報を記憶し、この条件に合致した場合のみ、本発明による通信品質予測を行うことができる。例えば、端末位置が通信基地局からある程度離れていたり、ビルの遮蔽によりある位置条件では、定常状態でも通信品質が良好でないことが予想される。定常状態ですべてが表現されれば、端末情報から一意に通信品質が決められると考えられるが、オブジェクトの影響で通信に大きく影響が生じることが起こりえる。つまり定常状態からずれた通信品質となるときの、オブジェクト情報に対して学習を行うことで、定常状態からの通信品質の変化とオブジェクト情報の影響の間のモデルを効率的に学習できる。
（実施形態５）
　図５は、実施形態１～３の通信システムにおいて、通信品質学習部１－５または３－５が行う機械学習のフローを説明する図である。まず最小形態である、実線で囲まれたブロックでのフローを説明する。通信予測のため、周辺環境情報収集部１－３は周辺環境情報を取得し、その結果をオブジェクト判定部１－７へ入力する。なお、周辺環境とは、基地局の周囲にある車や歩行者などの移動体や建物等の固定物である。
　オブジェクト判定部１－７は、上述の記載に沿ってオブジェクト情報を生成し、通信品質学習部１－５または３－５へ出力する（Ｓｔｅｐ１－１）。通信評価部１－１または２－１は、ある時刻における通信品質の取得を行い（Ｓｔｅｐ１－２）、それぞれ通信品質学習部１－５または３－５へ出力する。通信品質学習部１－５または３－５は、オブジェクト情報と無線端末の位置情報を用いて機械学習し、未来の通信品質を出力するための入出力関係（学習モデル）を作成する。通信品質学習部１－５または３－５は、当該学習モデルを通信予測部１－６に出力する（Ｓｔｅｐ２）。通信予測部１－６は、当該学習モデルを用い、周辺環境情報収集部１－３が取得した現在の周辺環境情報に基づくオブジェクト情報から、未来の通信品質を推定する。
　図５の学習方法において、学習により予測精度を高めるために補助情報として、無線端末２－ｉから通信部１－４から収集される端末情報、基地局管理部１－２で生成される基地局の情報を、通信品質学習部１－５または３－５に入力することができる（ＳＴＥＰ１－３）。ここで、基地局の情報は、図３の通信システムの場合、複数の基地局のそれぞれの基地局管理部からの情報としてもよい。補助情報とは、
　無線端末２からフィードバックされる端末の制御／位置情報／向き／姿勢／ＩＤ／状態／端末の構成物の制御／位置情報／向き／姿勢／ＩＤ／状態、端末の通信部の通信方式／周波数／周波数帯域などの情報のうち一つ以上からなる端末情報、
　基地局管理部１－２における基地局１の構成物の位置情報／向き／ＩＤ／状態／制御、後述する通信部１－４の取り付け位置／向き／ＩＤ／状態／制御／通信方式／通信周波数／通信帯域、のうち一つ以上からなる基地局管理情報、
　その他、基地局の通信部１－４を介して得られる通信品質と相関のある情報、
を指し、これらのうち一つまたは複数の情報を用いることができる。
　図５の学習方法において、入力する通信品質情報に対して学習の効率を上げたり、特定の通信イベント（通信品質低下や通信品質向上）を与えるために、通信予測部１－６または３－６は、事前に定常状態での通信品質を記憶することができる（Ｓｔｅｐ０）。ここでの定常通信品質とは、通信に顕著な影響を与えるオブジェクトの影響がない場合に期待される通信品質、または単に過去の通信品質から得られる期待値を表す。この方法は、通信に顕著な影響を与えるオブジェクトが限定されており、当該オブジェクトの発生頻度が低いか、存在しない時間が一定以上ある場合に効果的となる。つまり、当該オブジェクトが存在しなければ、端末情報から機械学習を用いずに通信品質を得ることができる。当該オブジェクトが存在する場合にのみ、オブジェクト情報から通信品質に影響を与えうるか判定すればよく、学習も当該オブジェクトに対して行えばよいことになる。逆に常に通信に影響を与えるオブジェクトが存在する場合には、通信品質の最頻値や平均値を定常状態の通信品質として用いることができる。これに対する変化量を学習対象とすることで、場所や条件によって値に大きな幅が出る通信品質を規格化し、学習を効率的に行うことができる。
　また、無線端末２－ｉの過去の通信記録やそれ以外の端末の通信から、端末情報（端末の位置情報や状態情報）に対応して平均値や中央値や累積確率の任意のアウテッジの値を記憶したりできる。この際に周辺オブジェクト情報の検出情報でフィルタリングし、オブジェクトがない場合の値で期待値を記憶することもできる。単に過去の通信品質情報を用いる場合でも、利用する周波数帯域幅や消費電力モードなどの通信品質に影響を与えるパラメータの影響を除去して用いることができる。ここで得られた定常状態での通信品質が、予め定めた閾値以下または閾値以上、またはその両方の場合に、学習を実施できる。
　図５の学習方法において、入出力関係を学習するとともに、入出力関係の適用範囲の分類、予測精度、又は入力パラメータの重要度を評価したうえで、以後の学習と予測を効率化したり、精度を高めることができる。Ｓｔｅｐ　３では、学習用に取得したデータを用い、入出力関係の信頼性を評価する。以下に、いくつかの評価方法を示す。
［第１の評価方法］
　すでに学習済みの入出力関係（学習モデル）を用い、新たな学習用データにおける予測性能を評価する。具体的には、通信予測部１－６または３－６から出力された通信予測結果と通信評価部で実際に測定された通信品質を比較し、そのずれを評価する。このずれの大きさに対し、通信品質学習部１－５または３－５は、入出力関係としてより積極的に新規の情報を取り入れて学習を行う、または、確実に通信品質が推定するために不確定なデータで学習を行わない。前者の場合、前述の予測された通信品質と測定された通信品質のずれが大きくても、通信品質学習部１－５または３－５はオブジェクト情報を含む入力信号と当該測定された通信品質との間で学習を行い、後者の場合、通信品質学習部１－５または３－５は、ずれの大きい場合に当該オブジェクト情報と測定された通信品質を学習には用いない。いずれの場合も、通信品質予測部１－６または３－６に入力された情報の少なくとも一部を低信頼条件として記憶することができる。または、この通信品質の予測のずれを観測し続け、その収束度を監視することもできる。このずれが大きいままである場合、当該基地局における通信品質は観測されない何らかのパラメータにより影響を受けていることとなるため、アラーム信号を生成することもできる。
　通信品質学習部１－５または３－５は、複数の入出力関係を有し、ある入出力関係は積極的にどのような学習用データも学習し、ある入出力関係は、予め従来の学習結果からの推定精度が高いと判断できるものを用いて学習することもできる。このように複数の入出力関係を用意し、通信予測部１－６でこれらの入出力関係を用いて通信品質を予測させることもできる。低信頼条件の代わりに、信頼性（判定の正答率や誤差の小ささ）が高い場合に高信頼条件として記憶してもよい。このようにして通信品質学習部１－５または３－５は、信頼性が予め定めた基準を満たす（または満たさない）条件を記憶する（Ｓｔｅｐ　４－１）。得られた条件は、通信予測部１－６に入力され、入出力関係が十分な信頼性を持たない条件の入力信号が通信予測部１－６に入った場合には、通信品質予測結果に不正確さを示す追加情報を付与したり、通信予測を実施しなかったりすることができる。
［第２の評価方法］
　入力された情報の重要度を評価する。通信品質学習部１－５または３－５は、入力されたパラメータに対し、どれだけ参照されたかを検出し、参照されていないオブジェクトやパラメータを抽出する（Ｓｔｅｐ　４－２）。用いられていないオブジェクトやパラメータ、または用いられているオブジェクトやパラメータを、オブジェクト判定部１－７や、通信予測部１－６または３－６に出力することで、以下のように学習と予測を効率化できる。
・オブジェクト判定部１－７において、通信に影響を与えるオブジェクトの種類、オブジェクトの位置、オブジェクトの状態の条件を指定し、それ以外のオブジェクトの検出を行わなかったり、検出結果を破棄したりすることで演算負荷を軽減したり、通信予測部や通信品質学習部へ入力する情報量を減らしたりすることができる。
・通信に影響を与えるオブジェクトの種類、オブジェクトの位置、オブジェクトの状態の条件が、通信を行う対象となる無線端末２―ｉの条件に依存する場合、端末２－ｉからフィードバックされる端末情報を取得し、通信に影響を与えるオブジェクトの種類、オブジェクトの位置、オブジェクトの状態の条件を最適化し、演算負荷を軽減したり、通信予測部や通信品質学習部へ入力する情報量を減らしたりすることができる。
［第３の評価方法］
　予測に用いる主成分の更新（Ｓｔｅｐ　４－３）である。通信品質学習部１－５または３－５は、学習用のデータに対し、主成分分析を実施し、新たな特徴量を抽出して次元圧縮の方法を行ってから更新してもよい。通信品質学習部１－５または３－５において、前記の分析により特徴量の用い方に更新があった場合、通信品質予測部は新たに規定された次元圧縮方法に応じ、入力されたパラメータを加工し、通信品質予測のパラメータとして用い、新たに定義された入出力関係で通信品質を予測する。
（実施形態６）
　図６（Ａ）と図６（Ｂ）は、本発明の効果を説明するイメージである。図６（Ａ）は、交差点において基地局１と無線端末２である自動車（Ｃ１とＣ２）が無線（左図の実線矢印）で通信している状態を説明している。図６（Ｂ）は、当該交差点に大型の車両（Ｂ１）が左折して無線の伝搬路を遮蔽（右図の破線矢印）してしまった状況を説明している。
　基地局１の通信品質学習部１－５は、本発明による通信予測方法によって、事前に、通信品質に関する特定イベント、ここでは通信が切断される状況が一定時間継続するイベントが生じることが学習されている。このようなイベントは必ずしも伝搬路の遮蔽だけが原因ではなく、交差点内の複雑な伝搬状態の変化により生じる。基地局１は、搭載されたカメラ映像から大型車両が接近し左折を始めたことを周辺オブジェクト判定部により取得し、車両位置、速度、向きから、一定時間後、または大型の車両の移動速度から推定される時間の後、特定イベントが発生することを、通信予測部１－６において予測する。
（実施形態７）
　図７は、本発明の効果を確認するために行った実験の図である。道路を挟んで無線ＬＡＮの基地局と外部通信装置（無線端末）を設置し、基地局に備わる２台のカメラ映像を用いて、基地局と外部通信装置との間で行われる未来の通信品質を予測した。ここで、無線ＬＡＮは５ＧＨｚ帯のチャネルを用い、通信品質は、２０ＭＨｚ当たりのスループットに対し、過去３０秒間の平均で割った規格化スループットを用いた。通信品質は１秒ごとに評価される。カメラは上部を向いたカメラ１と下部を向いたカメラ２を用いた。
　ここで、カメラ映像は１５ＦＰＳで取得され、Ｘ軸上のサイズ、Ｙ軸上のサイズ、オブジェクトの中心位置を抽出した。通信品質を評価する周期（１秒）の間に、１５個のオブジェクト情報が得られるため、ここで、１５個の位置情報とサイズ情報を平均化し、サイズと位置のＸ軸とＹ軸に対する変化量を移動速度として抽出した。オブジェクト判定部によって実際に抽出されたオブジェクトのサイズと位置の検出例を図８に示す。実際の環境でカメラ１で撮影されたカメラ映像と車両の認識の様子を図９に示す。ここで理解のために、外部通信装置が存在する場所も星印で図中に示した。この周辺環境では、乗用車が通っても通信基地局と無線端末との通信路は遮蔽されないが、バスが通過する場合には当該通信路は遮蔽される。
　カメラ１とカメラ２から取得する車（乗用車）、バス、歩行者、の情報と現状の通信品質、および現状の通信で得られている信号電力を用い、２秒後の未来の通信品質を予測する。ここでは、通信予測のためにランダムフォレスト学習を用いた。図１０にランダムフォレスト学習で出力可能なパラメータである特徴量の重要度を算出した結果を示す。最も判定に影響しているのはカメラ１における乗用車の速度である。次に現時点での通信品質（規格化スループット）、次はカメラ１におけるバスのＹ軸位置である。車とバスではそれぞれ重要となるオブジェクト情報が異なっていることが理解できる。これは、バスは通信路を遮蔽して信号電力を低下させるのに対し、車は直接遮蔽をしないが、電波の伝搬経路が車の反射によりダイナミックに変化し、通信品質を変化させるためとも考えられる。この結果を図５のＳｔｅｐ４－２に適用し、カメラ２の出力結果を用いないようにしたり、カメラ２のバス／歩行者オブジェクトは利用しないようにしたりできる。図５のＳｔｅｐ４－３により、次元圧縮の方法を更新してもよい。図１０は、ほぼ出力値の全データであるが、速度をＸ軸、Ｙ軸、サイズのＸ軸、サイズのＹ軸の４つで算出する必要はなく、この４つのパラメータを重要度に応じて加算し、得られた結果を用いるようにしてもよい。また、本実験では、視野角１８０度のカメラからの画像位置からＸ軸、Ｙ軸位置を設定したが、基地局を基準にした座標系や緯度経度をもとにした座標系、などその他の座標系に変換して用いてもよいし、緯度経度高度など、一般的な地図上での位置情報に変換して用いてもよい。
　図１１は、測定された規格化スループットと、オブジェクト検出時の対応を説明する図である。ラインＡが規格化スループットを表し、プロットＢがカメラ１の映像からオブジェクトが識別されたタイミングを示している。オブジェクトは歩行者（ｈｕｍａｎ）、バイク／自転車（ｂｉｋｅ）、乗用車（ｃａｒ）、バス／トラック（ｂｕｓ）、の種別を定義している。
　図１１から、バスや乗用車の通過により規格化スループットが影響を受けていることがわかる。バスと他の車両で比較すると、バスが通過すると規格化スループット（通信品質）が低下するが、車は必ずしも低下しない。図７で車が道路の上から下へ移動（カメラ１からカメラ２の範囲への移動）する方が、車が道路の下から上へ移動（カメラ２からカメラ１の範囲への移動）するより通信品質への影響が大きい。これは、日本では左側通行であるので、端末に近いほうで車が通過すると通信品質に影響しやすいと考えられる。
（実施形態８）
　図１２は、１秒後の通信品質を予測した結果を説明する図である。通信品質学習部は、決定木を５００としたランダムフォレスト学習を用い、３時間分のデータを用いｋ－ｆｏｌｄ　ｃｒｏｓｓ　ｖａｌｉｄａｔｉｏｎ法により、データを５分割し、４つのデータセットでトレーニングして学習モデルを生成している。通信予測部は、この学習モデルを用いて、残りの１つのデータセットに対し通信品質（規格化スループット）を予測している。入力されたデータは図１０に示したカメラからの映像と通信情報である。この結果は端末のそばを車やバスが行き来しているタイミングのデータのみを抽出しており、前述のように乗用車に対し通信品質に影響がない場合も含めての結果を示している。
　図１２では、予測した通信品質Ａと実測した通信品質Ｂを比較している。通信品質の低下に着目すれば、通信品質Ａのラインも通信品質Ｂのラインも同時に低下しており、実測における通信品質の低下を通信予測部が予測できていることが確認できる。
（実施形態９）
　本実施形態では、無線端末の位置情報が予測する通信品質の精度に大きく影響することを説明する。図１３も実施形態７の図１１と同様に、測定された規格化スループットと、オブジェクト検出時の対応を説明する図である。ラインＡが規格化スループットを表し、プロットＢがカメラ１の映像からオブジェクトが識別されたタイミングを示している。オブジェクトは歩行者（ｈｕｍａｎ）、バイク／自転車（ｂｉｋｅ）、乗用車（ｃａｒ）、バス／トラック（ｂｕｓ）、の種別を定義している。ただし、本実施形態では、実施形態７に対して無線端末を１０ｃｍ程度移動し、規格化スループットとカメラによるオブジェクト判定を実施している。本実施形態でも、通信品質は、乗用車の通過に対して全く影響を受けない一方で、バスの通過に対しては影響を受けている。
　図１５は、実施形態８の図１２のように予測した通信品質Ａと実測した通信品質Ｂを比較した結果である。ただし、通信品質Ａは無線端末を移動させる前のデータで学習された入出力関係で予測した結果である。つまり、無線端末の位置情報がずれている学習モデルで予測した結果である。丸印で示したタイミングは、通信予測部が乗用車により規格化スループットの低下が生じると予測したが、実測した規格化スループットには低下が発生しなかったタイミングである。四角印で示したタイミングは、通信予測部がバズにより規格化スループットの低下が生じると予測し、実測した規格化スループットにも低下が発生したタイミングである。
　このように無線端末の位置情報により、用いるべきオブジェクト情報が変わったり、入出力関係を変更する必要がある。一方で無線端末の位置情報の精度が細かすぎると学習に必要な情報が多く、コストが高くなる。図５のＳｔｅｐ４－１により、入出力関係の適用可否を判断することで、同じ条件の入出力関係が適用できる無線端末の情報（特に位置情報）をグループ化することもできる。ある範囲に無線端末が存在する場合の条件で通信品質学習部１－５または３－５が学習を行い、当該範囲においてのみ、当該入出力関係を用いることが望ましい。例えば、位置情報を通信予測部に入力する際に、当該グループ化処理に対応する無線端末の位置が同じ情報となるように、ワンホット処理や位置情報の圧縮処理を実施する。または、入出力関係自体は用いつつ、場所により用いる情報をオンオフすることでも実現できる。図１４の例では、この場所において、乗用車のオブジェクト情報を通信予測部に入力しないことで、図中の丸印の通信品質の低下判断をさせないようにする。
（他の実施形態）
　上述した実施形態１及び２における基地局１をコンピュータで実現するようにしてもよい。その場合、基地局１が有する構成要素それぞれを実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。更に「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した構成要素の一部を実現するためのものであってもよく、更に前述した構成要素をコンピュータシステムに既に記録されているプログラムとの組み合わせで実現できるものであってもよく、ＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅ）やＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）等のハードウェアを用いて実現されるものであってもよい。
　以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。
［付記］
　以下は、本発明の概要をまとめたものである。
　カメラ・センサーなどにより取得できる基地局の周辺環境情報、および、端末の位置情報／向き／姿勢／ＩＤ／状態／端末の構成物の制御／端末の制御の情報のうち一つ以上からなる端末情報を用い、現在または未来の通信品質を予測する通信システム。周辺環境情報、端末情報、通信品質を用いて、通信品質を出力するための入出力関係を学習して学習モデルを作成し、当該学習モデル、周辺環境情報及び端末情報を用いて、通信品質を予測する。通信を行う対象となる通信装置との位置関係を用いて精度を向上したり、複数の未来の動作パターンに対して通信品質を予測したり、予測の正答率を記憶したり、予測を誤った場合の情報を抽出して学習部にフィードバックすることもできる。
１、１－１、・・・、１－Ｌ：基地局
１－０：ネットワーク
１－１：通信評価部
１－２：基地局管理部
１－３：周辺環境情報収集部
１－４：通信部
１－５：通信品質学習部
１－６：通信予測部
１－７：オブジェクト判定部
２、２－１、・・・、２－Ｍ：無線端末
２－４、２－４－１、・・・、２－４－Ｍ：端末通信部
２－８、２－８－１、・・・、２－８－Ｍ：フィードバック生成部
３－０：外部ネットワーク
３－１：通信評価部
３－５：通信品質学習部
３－６：通信予測部

Claims (8)

  1. 　無線端末と通信する基地局を有する通信システムであって、
    　少なくとも前記無線端末の位置情報を含む基地局管理情報を生成する基地局管理部と、
    　前記基地局の周囲の周辺情報から所定のオブジェクトを抽出し、該オブジェクトの特徴量とともにオブジェクト情報として出力するオブジェクト判定部と、
    　前記基地局と前記無線端末との間の通信品質と、前記基地局管理情報及び前記オブジェクト情報との関係を機械学習して学習モデルを生成する通信品質学習部と、
    　前記通信品質学習部が生成した前記学習モデルを用い、前記基地局管理部が生成した前記基地局管理情報及び前記オブジェクト判定部が出力した前記オブジェクト情報から所定時間後の通信品質を予測する通信予測部と、
    を備える通信システム。
  2. 　前記基地局管理情報には、前記無線端末から通知された前記無線端末の固有情報が含まれることを特徴とする請求項１に記載の通信システム。
  3. 　前記オブジェクト情報が、異なる時刻で取得された複数の前記オブジェクト情報を統計処理したものであることを特徴とする請求項１又は２に記載の通信システム。
  4. 　前記オブジェクト判定部が抽出する前記所定のオブジェクトを指定するオブジェクト定義を更新する更新部をさらに備えることを特徴とする請求項１から３のいずれかに記載の通信システム。
  5. 　前記通信品質学習部は、前記通信品質の情報を前記無線端末の情報に対して一定時間収集し、統計処理を施して得られた定常時通信品質を用い、前記定常時通信品質から所定の閾値以上離れた前記通信品質で機械学習することを特徴とする請求項１から４のいずれかに記載の通信システム。
  6. 　請求項１から５のいずれかに記載の通信システムが有する基地局であって、
    　前記基地局管理部と、前記オブジェクト判定部と、前記通信品質学習部と、前記通信予測部と、を備えることを特徴とする基地局。
  7. 　請求項１から５のいずれかに記載の通信システムが有する基地局であって、
    　前記基地局管理部と、前記オブジェクト判定部と、前記通信予測部と、通信部を備え、
    　前記通信部は、外部の前記通信品質学習部へ前記通信品質、前記基地局管理情報及び前記オブジェクト情報を転送し、前記通信品質学習部から前記学習モデルを受信して前記通信予測部へ転送することを特徴とする基地局。
  8. 　請求項１から５のいずれかに記載の通信システムが有する基地局であって、
    　前記基地局管理部と、前記オブジェクト判定部と、通信部を備え、
    　前記通信部は、
    　外部の前記通信品質学習部へ前記通信品質、前記基地局管理情報及び前記オブジェクト情報を転送し、
    　外部の前記通信予測部へ前記基地局管理情報及び前記オブジェクト情報を転送し、前記通信予測部から前記所定時間後の通信品質を受信する
    ことを特徴とする基地局。
PCT/JP2019/017945 2019-04-26 2019-04-26 通信システム及び基地局 WO2020217457A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2021515691A JP7276431B2 (ja) 2019-04-26 2019-04-26 通信システム及び基地局
PCT/JP2019/017945 WO2020217457A1 (ja) 2019-04-26 2019-04-26 通信システム及び基地局
US17/604,248 US12028788B2 (en) 2019-04-26 2019-04-26 Communication system and base station

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/017945 WO2020217457A1 (ja) 2019-04-26 2019-04-26 通信システム及び基地局

Publications (1)

Publication Number Publication Date
WO2020217457A1 true WO2020217457A1 (ja) 2020-10-29

Family

ID=72941588

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/017945 WO2020217457A1 (ja) 2019-04-26 2019-04-26 通信システム及び基地局

Country Status (3)

Country Link
US (1) US12028788B2 (ja)
JP (1) JP7276431B2 (ja)
WO (1) WO2020217457A1 (ja)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022102064A1 (ja) * 2020-11-12 2022-05-19 日本電信電話株式会社 情報出力システム、情報出力方法、情報出力装置、およびプログラム
JP2022105434A (ja) * 2021-01-04 2022-07-14 株式会社Ｋｄｄｉ総合研究所 無線信号の受信電力を推定する推定装置
JP2022139790A (ja) * 2021-03-12 2022-09-26 株式会社Ｋｄｄｉ総合研究所 特徴量データ生成装置、無線利用予測システム、特徴量データ生成方法及びコンピュータプログラム
JP2022139800A (ja) * 2021-03-12 2022-09-26 株式会社Ｋｄｄｉ総合研究所 特徴量データ生成装置、無線利用予測システム、特徴量データ生成方法及びコンピュータプログラム
WO2023139671A1 (ja) * 2022-01-19 2023-07-27 日本電信電話株式会社 通信器、通信方法、及びプログラム
WO2023175739A1 (ja) * 2022-03-15 2023-09-21 三菱電機株式会社 通信環境分析装置、通信環境分析方法及び通信環境分析プログラム
WO2023233484A1 (ja) * 2022-05-30 2023-12-07 日本電信電話株式会社 無線品質予測装置、無線品質予測方法、及びプログラム
WO2024009440A1 (ja) * 2022-07-06 2024-01-11 日本電信電話株式会社 受信電力予測システム、受信電力予測装置、受信電力予測方法、及びプログラム
WO2024042640A1 (ja) * 2022-08-24 2024-02-29 日本電気株式会社 通信管理装置、通信管理方法およびプログラム
WO2024100889A1 (ja) * 2022-11-11 2024-05-16 日本電信電話株式会社 通信品質予測装置、通信品質予測方法、およびプログラム
DE112021008235T5 (de) 2021-11-25 2024-08-22 Mitsubishi Electric Corporation Kommunikationsvorrichtung, steuerschaltung, speichermedium und kommunikationsausfallfaktor-schätzverfahren

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018006844A (ja) * 2016-06-28 2018-01-11 日本電信電話株式会社 監視方法、監視システム、監視装置および監視プログラム
US20180138996A1 (en) * 2016-11-17 2018-05-17 Samsung Electronics Co., Ltd. Method and apparatus for analysing communication channel in consideration of material and contours of objects
JP2018152853A (ja) * 2017-03-13 2018-09-27 フォルクスヴァーゲン アクチエンゲゼルシャフトＶｏｌｋｓｗａｇｅｎ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ モバイル通信システムにおける送信器、１つまたは複数の中継局および受信器間のマルチホップ無線チャネルを推定するための装置、方法およびコンピュータプログラム

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6625135B1 (en) * 1998-05-11 2003-09-23 Cargenie Mellon University Method and apparatus for incorporating environmental information for mobile communications
US6581047B1 (en) * 1999-04-07 2003-06-17 Inesa, Inc. Method for a sequential prediction of binary element's state in a binary process and the system for the method implementation
KR100742456B1 (ko) * 2003-02-17 2007-07-25 교세라 가부시키가이샤 무선 장치
US11394436B2 (en) * 2004-04-02 2022-07-19 Rearden, Llc System and method for distributed antenna wireless communications
US11451275B2 (en) * 2004-04-02 2022-09-20 Rearden, Llc System and method for distributed antenna wireless communications
WO2006012554A2 (en) * 2004-07-23 2006-02-02 Wireless Valley Communications, Inc. System, method, and apparatus for determining and using the position of wireless devices or infrastructure for wireless network enhancements
US7970506B2 (en) * 2006-01-19 2011-06-28 Lockheed Martin Corporation System for maintaining communication between teams of vehicles
JP5131018B2 (ja) * 2008-05-07 2013-01-30 富士通株式会社 基地局装置、近隣セル情報管理プログラムおよび近隣セル情報管理方法
JP5146098B2 (ja) * 2008-05-15 2013-02-20 日本電気株式会社 無線品質劣化予測システム
JP5309771B2 (ja) * 2008-07-31 2013-10-09 富士通株式会社 無線通信システム、無線端末装置、管理サーバ、無線案内プログラム及び無線案内方法
US20120230249A1 (en) * 2009-11-10 2012-09-13 Shusaku Fukumoto Wireless communication system, base station device, mobile station device, and wireless communication method
US12020178B2 (en) * 2011-03-04 2024-06-25 Digital Consolidation, Inc. Method and apparatus for information representation, exchange, validation, and utilization through digital consolidation
JP2013009298A (ja) * 2011-05-26 2013-01-10 Sony Corp 無線通信装置、情報処理装置、通信システムおよび無線通信装置の制御方法
US10291339B2 (en) * 2015-07-22 2019-05-14 Bae Systems Plc Evaluating near range communications quality
WO2017067572A1 (en) * 2015-10-19 2017-04-27 Huawei Technologies Co., Ltd. Methods and devices in a communication network
WO2018139397A1 (ja) * 2017-01-26 2018-08-02 日本電気株式会社 無線通信装置、無線通信端末、無線通信システム、無線通信方法及び記録媒体
CA3073860A1 (en) * 2017-08-28 2019-03-07 Myriota Pty Ltd System and method for prediction of communications link quality
US10405314B2 (en) * 2017-11-20 2019-09-03 Hewlett Packard Enterprise Development Lp Channel plans for wireless local area networks
US11523399B2 (en) * 2018-09-25 2022-12-06 New York University System, method and computer-accessible medium for predicting wireless signal degradation
WO2020138516A1 (ko) * 2018-12-24 2020-07-02 엘지전자 주식회사 통신 장치, 그것의 제어 방법 및 그것을 포함하는 통신 시스템
WO2020138515A1 (ko) * 2018-12-24 2020-07-02 엘지전자 주식회사 경로 제공 장치 및 그것의 경로 제공 방법
JP7104241B2 (ja) * 2019-03-29 2022-07-20 本田技研工業株式会社 制御装置、制御方法、及びプログラム
WO2020202370A1 (ja) * 2019-03-29 2020-10-08 本田技研工業株式会社 制御装置、制御方法、及びプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018006844A (ja) * 2016-06-28 2018-01-11 日本電信電話株式会社 監視方法、監視システム、監視装置および監視プログラム
US20180138996A1 (en) * 2016-11-17 2018-05-17 Samsung Electronics Co., Ltd. Method and apparatus for analysing communication channel in consideration of material and contours of objects
JP2018152853A (ja) * 2017-03-13 2018-09-27 フォルクスヴァーゲン アクチエンゲゼルシャフトＶｏｌｋｓｗａｇｅｎ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ モバイル通信システムにおける送信器、１つまたは複数の中継局および受信器間のマルチホップ無線チャネルを推定するための装置、方法およびコンピュータプログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
OKAMOTO, HIRONAO: "Realtime throughput estimation using depth images for mmWave communications", IEICE TECHNICAL REPORT, vol. 116, no. 276, 27 October 2016 (2016-10-27), XP009524537 *
OKAMOTO, HIRONAO: "Throughput estimation using online machine learning algorithm from depth- images for mmWave communications", IEICE TECHNICAL REPORT, vol. 115, no. 473, 24 February 2016 (2016-02-24), XP009524536 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022102064A1 (ja) * 2020-11-12 2022-05-19 日本電信電話株式会社 情報出力システム、情報出力方法、情報出力装置、およびプログラム
JP7530012B2 (ja) 2020-11-12 2024-08-07 日本電信電話株式会社 情報出力システム、情報出力方法、情報出力装置、およびプログラム
JP2022105434A (ja) * 2021-01-04 2022-07-14 株式会社Ｋｄｄｉ総合研究所 無線信号の受信電力を推定する推定装置
JP7460558B2 (ja) 2021-01-04 2024-04-02 株式会社Ｋｄｄｉ総合研究所 無線信号の受信電力を推定する推定装置
JP7412379B2 (ja) 2021-03-12 2024-01-12 株式会社Ｋｄｄｉ総合研究所 特徴量データ生成装置、無線利用予測システム、特徴量データ生成方法及びコンピュータプログラム
JP7412380B2 (ja) 2021-03-12 2024-01-12 株式会社Ｋｄｄｉ総合研究所 特徴量データ生成装置、無線利用予測システム、特徴量データ生成方法及びコンピュータプログラム
JP2022139800A (ja) * 2021-03-12 2022-09-26 株式会社Ｋｄｄｉ総合研究所 特徴量データ生成装置、無線利用予測システム、特徴量データ生成方法及びコンピュータプログラム
JP2022139790A (ja) * 2021-03-12 2022-09-26 株式会社Ｋｄｄｉ総合研究所 特徴量データ生成装置、無線利用予測システム、特徴量データ生成方法及びコンピュータプログラム
DE112021008235T5 (de) 2021-11-25 2024-08-22 Mitsubishi Electric Corporation Kommunikationsvorrichtung, steuerschaltung, speichermedium und kommunikationsausfallfaktor-schätzverfahren
WO2023139671A1 (ja) * 2022-01-19 2023-07-27 日本電信電話株式会社 通信器、通信方法、及びプログラム
WO2023175739A1 (ja) * 2022-03-15 2023-09-21 三菱電機株式会社 通信環境分析装置、通信環境分析方法及び通信環境分析プログラム
WO2023233484A1 (ja) * 2022-05-30 2023-12-07 日本電信電話株式会社 無線品質予測装置、無線品質予測方法、及びプログラム
WO2024009440A1 (ja) * 2022-07-06 2024-01-11 日本電信電話株式会社 受信電力予測システム、受信電力予測装置、受信電力予測方法、及びプログラム
WO2024042640A1 (ja) * 2022-08-24 2024-02-29 日本電気株式会社 通信管理装置、通信管理方法およびプログラム
WO2024100889A1 (ja) * 2022-11-11 2024-05-16 日本電信電話株式会社 通信品質予測装置、通信品質予測方法、およびプログラム

Also Published As

Publication number Publication date
US20220210622A1 (en) 2022-06-30
JPWO2020217457A1 (ja) 2020-10-29
US12028788B2 (en) 2024-07-02
JP7276431B2 (ja) 2023-05-18

Similar Documents

Publication Publication Date Title
WO2020217457A1 (ja) 通信システム及び基地局
JP7276432B2 (ja) 通信システム及び端末
EP3621274B1 (en) Method for predicting a quality of service for a communication between at least two moving communication partners, apparatus for performing steps of the method, vehicle, backend server and computer program
Romero et al. Radio map estimation: A data-driven approach to spectrum cartography
CN108803667B (zh) 一种无人机协同监测与跟踪方法
DE112019000057T5 (de) VERFAHREN UND SYSTEM ZUR FAHRZEUG-FUßGÄNGER-KOLLISIONSVERMEIDUNG
US20220190941A1 (en) Terminal and communication system
Zhang et al. UAV aided integrated sensing and communications
JP7226575B2 (ja) 通信端末及び通信品質予測方法
Hoyhtya et al. Database-assisted spectrum prediction in 5G networks and beyond: A review and future challenges
Lin et al. Low-latency edge video analytics for on-road perception of autonomous ground vehicles
Sliwa et al. System-of-systems modeling, analysis and optimization of hybrid vehicular traffic
WO2020008541A1 (en) Link adaptation apparatus, control method, and program based on the prediction of the position of sensors
Tulay et al. Road state inference via channel state information
Toufga et al. Effective prediction of V2I link lifetime and vehicle's next cell for software defined vehicular networks: A machine learning approach
Abd et al. Hydra-RAN Perceptual Networks Architecture: Dual-Functional Communications and Sensing Networks for 6G and Beyond
Defoort et al. A motion planning framework with connectivity management for multiple cooperative robots
Pinzel et al. V2V-and V2X-Communication data within a distributed computing platform for adaptive radio channel modelling
Xu et al. Autonomous rate control for mobile Internet of Things: A deep reinforcement learning approach
CN114756052B (zh) 一种基于无人机群的多目标协同追踪方法
JP7439947B2 (ja) 通信情報予測装置、通信情報予測方法、および通信情報予測プログラム
JP7502682B2 (ja) 情報出力システム、情報出力方法、推定装置、およびプログラム
WO2022079833A1 (ja) 通信情報予測装置、通信情報予測方法、および通信情報予測プログラム
KR102465550B1 (ko) Gps 스푸핑 방지를 위한 uav 관제 시스템 및 그 방법
Xu et al. Computer Vision Based Link Scheduling in mmWave Multi-Hop V2X Communications

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: 19925930

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021515691

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19925930

Country of ref document: EP

Kind code of ref document: A1