WO2021199120A1 - フェージング予測装置、フェージング予測方法およびフェージング予測プログラム - Google Patents

フェージング予測装置、フェージング予測方法およびフェージング予測プログラム Download PDF

Info

Publication number
WO2021199120A1
WO2021199120A1 PCT/JP2020/014477 JP2020014477W WO2021199120A1 WO 2021199120 A1 WO2021199120 A1 WO 2021199120A1 JP 2020014477 W JP2020014477 W JP 2020014477W WO 2021199120 A1 WO2021199120 A1 WO 2021199120A1
Authority
WO
WIPO (PCT)
Prior art keywords
fading
prediction
absence
feature amount
input
Prior art date
Application number
PCT/JP2020/014477
Other languages
English (en)
French (fr)
Inventor
秋元　一郎
春華 茂刈
金子　直人
Original Assignee
日本電気株式会社
Ｎｅｃソリューションイノベータ株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社, Ｎｅｃソリューションイノベータ株式会社 filed Critical 日本電気株式会社
Priority to JP2022512515A priority Critical patent/JP7346720B2/ja
Priority to PCT/JP2020/014477 priority patent/WO2021199120A1/ja
Publication of WO2021199120A1 publication Critical patent/WO2021199120A1/ja

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools

Definitions

  • the present invention relates to a fading prediction device for predicting the occurrence of fading, a fading prediction method, and a fading prediction program.
  • Fading that occurs in a wireless line due to a natural phenomenon or the like can be mentioned as one of the obstacle factors in a wireless communication system.
  • fading There are several types of fading, such as coherent fading (multipath fading, frequency selective fading), dampening fading (flat fading), and duct type fading.
  • Patent Document 1 describes a monitoring device capable of making an appropriate estimation of fading.
  • the monitoring device described in Patent Document 1 estimates the type of fading and external interference that occurred in the wireless line to which the wireless communication device is connected, based on the time when the failure occurred and the received signal level.
  • Non-Patent Document 1 describes the correlation between the received signal strength and the climatic conditions.
  • the work place is, for example, a place such as a swamp, a place that requires permission (such as the roof of a building), or a place that is affected by the weather (such as a steel tower that is affected by a snowstorm in winter). This is because it is assumed that it will be.
  • an object of the present invention is to provide a fading prediction device, a fading prediction method, and a fading prediction program that can predict fading that will occur in the future.
  • the fading prediction device uses an input unit that accepts input of weather forecast information at the time of prediction target in the target area and a prediction model learned using actual data including the presence or absence of fading in the weather information. It is characterized by having a prediction unit that predicts the presence or absence of fading at the time of prediction based on the forecast information.
  • the fading prediction method uses a prediction model in which a computer accepts input of weather forecast information at the time of prediction target in a target area, and the computer learns using actual data including the presence or absence of fading in the weather information. Therefore, it is characterized in that the presence or absence of fading at the time of prediction is predicted based on the weather forecast information.
  • the fading prediction program provides a computer with an input process that accepts input of weather forecast information at the time of prediction in the target area, and a prediction model learned using actual data including the presence or absence of fading in the weather information. It is characterized in that it executes a prediction process for predicting the presence or absence of fading at the time of prediction target based on the weather forecast information.
  • fading that will occur in the future can be predicted.
  • FIG. 1 is a block diagram showing a configuration example of an embodiment of the fading prediction device according to the present invention.
  • the fading prediction device 100 of the present embodiment includes an input unit 10, a prediction unit 20, and an output unit 30.
  • the fading prediction device 100 is connected to the storage unit 40 and acquires various information necessary for processing.
  • the fading prediction device 100 may be configured to include a storage unit 40. Further, the storage unit 40 is connected to a learning device 50 that learns the prediction model, and stores the prediction model learned by the learning device 50.
  • the learner 50 performs machine learning about a prediction model used when the prediction unit 20 described later makes a prediction. Specifically, the learner 50 learns a prediction model that predicts the presence or absence of fading for each type of fading.
  • the inventor for example, in dampening fading and ducted fading, increases the saturated moisture content (ie, the amount of moisture that can be contained per unit volume of the atmosphere) as the temperature rises after it rains, and thus the atmosphere. It was found that the refractive index of the above increases and errors are likely to occur.
  • the learning device 50 uses the presence or absence of fading as the objective variable and at least the weather information as the explanatory variable. Learn the predictive model including. This meteorological information includes temperature and precipitation.
  • the method in which the learner 50 learns the prediction model is arbitrary, and the prediction model may be learned by widely known machine learning.
  • the learner 50 may learn the prediction model by, for example, heterogeneous mixture learning.
  • the prediction model generated by heterogeneous mixture learning is a model in which the prediction formula used for predicting the input data is selected according to the content of the input data, and the prediction is performed using the selected prediction formula. Is represented by the linear sum of the explanatory variables.
  • the prediction model described above it is possible to adjust the inclination and angle of the antenna, the number of antennas, and the height of the antenna in advance. It is also possible to adjust the tilt and angle of the antennas, the number of antennas, and the height of the antennas at the design stage of the wireless system in consideration of the local climatic conditions (for example, annual temperature and precipitation).
  • FIG. 2 is an explanatory diagram showing an example of visualizing a prediction model generated by heterogeneous mixture learning.
  • the prediction model illustrated in FIG. 2 is a model visualized by a tree structure that predicts the presence or absence of coherent fading, and is a model that includes a feature amount related to precipitation as an explanatory variable.
  • the prediction formula is classified according to the number of blocks in which an error of 1 bit or more occurs in a predetermined period. In the following description, the number of blocks in which an error occurs even with one bit may be referred to as BBE (Background Block Error).
  • BBE Background Block Error
  • FIG. 3 is an explanatory diagram showing another example of visualizing the prediction model learned by heterogeneous mixture learning.
  • the graph illustrated in FIG. 3 is a visualization by accumulating the values of the coefficients of the explanatory variables included in the prediction formula selected in the prediction model illustrated in FIG.
  • the explanatory variable 2 illustrated in FIG. 3 shows a feature amount related to precipitation (for example, the average precipitation amount in the third week of the predicted month), and this explanatory variable has a great influence on the prediction result of the prediction formula 3.
  • the coefficient is about -6. Therefore, it is predicted that the risk of occurrence will be greatly reduced when the amount of precipitation is high (in other words, the risk of occurrence will not be reduced so much when the amount of precipitation is low). From this, it is possible to derive the hypothesis that "when the amount of precipitation is small, the occurrence of coherent fading increases".
  • the method of acquiring weather information such as precipitation and temperature is arbitrary. For example, it is possible to acquire weather information from an external site that provides weather data.
  • the method of acquiring the presence or absence of fading is also arbitrary.
  • the learning device 50 may directly acquire information indicating the presence or absence of fading, or may estimate the presence or absence of fading by using the method described in Patent Document 1.
  • the data used for estimation can be obtained from the log of a point-to-point ultra-small microwave communication system such as Pasolink (registered trademark).
  • the learning device 50 may acquire various information from such a system or an external site and generate actual data including the presence or absence of fading with respect to the weather information.
  • the learner 50 may learn the prediction model using actual data including feature quantities other than meteorological information. Specifically, the learner 50 may generate a feature amount based on a log that can be acquired from the above-mentioned communication system or the like, and learn a prediction model using actual data including the generated feature amount.
  • the log 101 illustrated in FIG. 4 is a log including information on the amount of traffic, packet loss, and the like.
  • the log 102 illustrated in FIG. 5 is a log including radio information, failure information, and the like.
  • ES Errored Second
  • SES severely Errored Second
  • SES is a value used as a general evaluation index of network quality.
  • SEP severely Errored Period
  • UAS Unavailable Second
  • a prediction model is used using actual data including both a reception frequency, a reception power amount, and a feature amount indicating at least one of the transmission frequencies, and a feature amount indicating the number of blocks in which an error has occurred.
  • the reception frequency is used as the feature quantity
  • the learner 50 sets the reception frequency in the modem information of the log 101 illustrated in FIG. 4 and the RF-BBE value in the radio information of the log 102 illustrated in FIG. Get each. Then, the learner 50 learns the prediction model by using the actual data including the presence / absence of fading with respect to the feature amount indicating the reception frequency and the feature amount indicating the number of blocks in which the error has occurred.
  • the learner 50 may acquire at least one of the received power amount (unit: dBm) and the transmission frequency from the communication log or the like and include it in the feature amount of the actual data.
  • the reception frequency, the received power amount, and the transmission frequency any one may be used as a feature amount, or two or more may be used as a feature amount.
  • the learner 50 acquires the transmitted data amount in the traffic information of the log 101 illustrated in FIG. 4 and specifies the maximum amount for each period. Then, the learner 50 learns the prediction model by using the actual data including the presence / absence of fading with respect to the feature amount indicating the maximum transmission traffic amount. The same applies when the maximum received traffic amount is used as a feature amount. That is, the learner 50 may acquire the amount of received data in the traffic information of the log 101 illustrated in FIG. 4, specify the maximum amount for each period as a feature amount, and include it in the actual data. Regarding the maximum transmission traffic amount and the maximum reception traffic amount, any one may be used as a feature amount, or both may be used as a feature amount.
  • a third learning method there is a method of learning a prediction model using actual data including a feature amount calculated by the number of occurrences of other types of fading and the number of blocks in which an error has occurred.
  • the learner 50 acquires the RF-BBE value in the radio information of the log 102 illustrated in FIG. 5, and also acquires the aggregated value of the number of fading occurrences. Then, even if the learner 50 learns the prediction model using the actual data including the presence / absence of fading with respect to the feature amount calculated by the total number of occurrences of other fading and the number of blocks in which an error has occurred. good.
  • the learner 50 generates a prediction model as illustrated in FIG. 2 by learning using such actual data.
  • the learner 50 registers the generated prediction model in the storage unit 40.
  • the input unit 10 accepts input of various information used for predicting the presence or absence of fading.
  • the input unit 10 accepts the input of the weather forecast information at the time of the prediction target in the target area.
  • the weather forecast information is information including the temperature and precipitation at the time of the forecast in the target area.
  • the weather forecast information may include a wide range of information, it is preferable to use the weather forecast information targeting a narrower range due to the nature of the present invention that predicts the presence or absence of fading.
  • the input unit 10 may acquire and accept the temperature and precipitation at the time of prediction from an external site that performs the weather forecast, or may directly accept the input of the weather forecast information from the user.
  • the input unit 10 may accept not only the weather forecast information at the time of the prediction target but also various feature quantities generated based on the communication log as illustrated in FIGS. 4 and 5.
  • the input unit 10 may accept the input of the communication log required for generating the feature amount, and the prediction unit 20 described later may generate the feature amount used for the prediction. In the following description, it is assumed that the input unit 10 accepts the input of the feature amount generated based on the communication log.
  • the input unit 10 shows the features indicating the reception frequency and the number of blocks in which an error has occurred. Both inputs of features may be accepted. Further, when the prediction model is learned using the feature amount shown in the second learning method described above, the input unit 10 may accept the input of the feature amount indicating the change amount of the maximum transmission traffic amount. Further, when the prediction model is trained using the feature amount shown in the third learning method described above, the input unit 10 is calculated by the number of occurrences of other types of fading and the number of blocks in which an error has occurred. You may accept the input of the feature amount.
  • the prediction unit 20 acquires a prediction model from the storage unit 40. Then, the prediction unit 20 predicts the presence or absence of fading at the time of prediction target based on various input information. Specifically, the prediction unit 20 uses a prediction model learned using actual data including the presence / absence of fading with respect to the weather information, and based on the input weather forecast information, the presence / absence of fading at the time of prediction target. Predict.
  • the prediction unit 20 uses a prediction model learned using meteorological information and actual data including the presence or absence of fading with respect to the feature amount indicating the reception frequency and the feature amount indicating the number of blocks in which an error has occurred.
  • the presence or absence of fading may be predicted.
  • This prediction model corresponds to, for example, the model learned by the first learning method described above.
  • the prediction unit 20 predicts the presence / absence of fading by using the prediction model learned using the weather information and the actual data including the presence / absence of fading with respect to the feature amount indicating the change amount of the maximum transmission traffic amount. You may.
  • This prediction model corresponds to, for example, a model learned by the second learning method described above.
  • the prediction unit 20 makes predictions learned using weather information and actual data including the presence or absence of fading with respect to the feature amount calculated by the number of occurrences of other types of fading and the number of blocks in which an error has occurred.
  • the model may be used to predict the presence or absence of fading.
  • This prediction model corresponds to, for example, a model learned by the third learning method described above.
  • the output unit 30 outputs the prediction result. Specifically, the output unit 30 outputs a prediction result indicating whether or not fading has occurred at the time of the prediction target. For example, when the prediction model is generated by heterogeneous mixture learning, the output unit 30 may also output information about the prediction formula used for the prediction.
  • the output unit 30 may output the prediction result predicted by the prediction unit 20 in chronological order with respect to the weather forecast information in chronological order received by the input unit 10.
  • the output unit 30 may output, for example, whether or not fading has occurred (risk of occurrence) in a graph format in chronological order. This makes it possible to grasp the transition of future fading occurrence prediction.
  • the input unit 10, the prediction unit 20, and the output unit 30 are realized by a computer processor (for example, a CPU (Central Processing Unit), a GPU (Graphics Processing Unit)) that operates according to a program (phasing prediction program).
  • a computer processor for example, a CPU (Central Processing Unit), a GPU (Graphics Processing Unit)
  • a program phasing prediction program
  • the program is stored in a storage unit (not shown) included in the fading prediction device 100, and the processor reads the program and operates as an input unit 10, a prediction unit 20, and an output unit 30 according to the program. May be good.
  • the function of the fading prediction device 100 may be provided in the SaaS (Software as a Service) format.
  • the input unit 10, the prediction unit 20, and the output unit 30 may be realized by dedicated hardware, respectively.
  • a part or all of each component of each device may be realized by a general-purpose or dedicated circuit (circuitry), a processor, or a combination thereof. These may be composed of a single chip or may be composed of a plurality of chips connected via a bus. A part or all of each component of each device may be realized by a combination of the above-mentioned circuit or the like and a program.
  • each component of the fading prediction device 100 when a part or all of each component of the fading prediction device 100 is realized by a plurality of information processing devices and circuits, the plurality of information processing devices and circuits may be centrally arranged. It may be distributed.
  • the information processing device, the circuit, and the like may be realized as a form in which each of the client-server system, the cloud computing system, and the like is connected via a communication network.
  • the learning device 50 is also realized by a computer that operates according to a program (learning program).
  • FIG. 6 is a flowchart showing an operation example of the fading prediction device of the present embodiment.
  • the input unit 10 receives the input of the weather forecast information at the time of the prediction target in the target area (step S11).
  • the prediction unit 20 predicts the presence / absence of fading at the time of prediction based on the weather forecast information by using the prediction model learned using the actual data including the presence / absence of fading with respect to the weather information (step S12).
  • the input unit 10 accepts the input of the weather forecast information at the time of the prediction target in the target area, and the prediction unit 20 uses the actual data including the presence or absence of fading in the weather information. Based on the weather forecast information, the presence or absence of fading at the time of prediction is predicted using the prediction model learned in the above. Therefore, it is possible to predict the fading that will occur in the future.
  • FIG. 7 is an explanatory diagram showing an example of a prediction model generated by heterogeneous mixture learning based on the above-mentioned first learning method.
  • the prediction model illustrated in FIG. 7 shows a model in which the prediction formula is selected according to the value obtained by totaling the average value of BBE for each week for a predetermined period (for example, for 4 weeks) to calculate log1p and the reception frequency.
  • log1p is an example of a calculation method that maintains the accuracy of a value close to zero.
  • a situation in which a model classified in the prediction formula 5 is selected (that is, when the reception frequency is X1 GHz or higher, the average value of BBE for each week is totaled for a predetermined period (4 weeks) to calculate log1p. It is assumed that the risk of coherent fading is high when the value is N2 or more). In this case, it can be assumed that a device having a high BBE in an environment in which a device having a reception frequency of X1 GHz or more used as a feature quantity is used has a high risk of coherent fading.
  • FIG. 8 is an explanatory diagram showing an example of a prediction model generated by heterogeneous mixture learning based on the above-mentioned second learning method.
  • the prediction model illustrated in FIG. 8 also shows a model in which the prediction formula is selected according to the value obtained by totaling the average value of BBE for each week for a predetermined period (for 4 weeks) to calculate log1p and the reception frequency.
  • the situation in which the model classified in the prediction formula 0 is selected that is, the reception frequency is less than X3 GHz, and the average value of BBE for each week is totaled for a predetermined period (4 weeks) to calculate log1p. It is assumed that the risk of coherent fading is high when the value is N4 or higher). In this case, for example, it can be assumed that the risk of coherent fading increases as the amount of change in the maximum transmission traffic amount used as the feature amount increases.
  • the feature amount representing the change amount of the maximum transmission traffic amount is the product of the rate of increase of the transmission traffic amount for each week over three weeks (specifically, geometry) as shown in Equation 1 illustrated below. Calculated by average).
  • Equation 1 n_tx_wk [N] _max represents the maximum amount of outgoing traffic in the Nth week of the period.
  • the high value of this feature amount indicates that the amount of outgoing traffic is on the rise and that there has been some change in the surrounding environment.
  • FIG. 9 is an explanatory diagram showing an example of a prediction model generated by heterogeneous mixture learning based on the above-mentioned third learning method.
  • the prediction model illustrated in FIG. 9 is similar to the model illustrated in FIG.
  • the situation in which the model classified in the prediction formula 0 is selected that is, the reception frequency is less than X1 GHz, and the average value of BBE for each week is totaled for a predetermined period (4 weeks) to calculate log1p. It is assumed that the risk of coherent fading is high when the value is less than N1). In this case, for example, it can be assumed that the smaller the ratio of the number of occurrences of damping fading used as a feature to the average value of BBE, the higher the risk of coherent fading.
  • the feature amount representing the ratio of the number of occurrences of damping fading to the average value of BBE was calculated using Equation 2 illustrated below.
  • Equation 2 (A value obtained by totaling the number of occurrences of damping fading for 4 weeks to calculate log1p) / The average value of BBE for each week was totaled for 4 weeks to calculate log1p))
  • FIG. 10 is a block diagram showing an outline of the fading prediction device according to the present invention.
  • the fading prediction device 80 (for example, the fading prediction device 100) according to the present invention includes an input means 81 (for example, an input unit 10) that receives input of weather forecast information at the time of a prediction target in a target area, and whether or not fading occurs in the weather information.
  • Prediction means 82 that predicts whether or not fading will occur (for example, risk of occurrence) at the time of prediction based on weather forecast information (for example, temperature and precipitation) using a prediction model learned using actual data including (For example, a prediction unit 20) is provided.
  • the input means 81 receives an input of a first feature amount indicating at least one of the reception frequency, the received power amount and the transmission frequency, and a second feature amount indicating the number of blocks in which an error has occurred, and the prediction means 82 receives the input.
  • Meteorological information, and a prediction model learned using actual data including the presence or absence of fading with respect to the first feature amount and the second feature amount may be used to predict the occurrence or absence of fading.
  • the input means 81 receives the input of the third feature amount indicating at least one change amount of the maximum transmission traffic amount and the maximum received traffic amount
  • the prediction means 82 receives the weather information and the fading with respect to the third feature amount.
  • the presence or absence of fading may be predicted using a prediction model learned using actual data including the presence or absence of occurrence.
  • the input means 81 receives the input of the fourth feature amount calculated by the number of occurrences of other types of fading and the number of blocks in which the error occurs, and the prediction means 82 receives the weather information and the fourth feature amount.
  • the presence or absence of fading may be predicted using a prediction model learned using actual data including the presence or absence of fading.
  • the fading prediction device 80 may include an output means (for example, an output unit 30) that outputs information indicating whether or not the predicted fading has occurred. Then, the input means may receive the input of the weather forecast information in chronological order, and the output means may output the presence or absence of the predicted fading in chronological order.
  • an output means for example, an output unit 30
  • FIG. 11 is a schematic block diagram showing a configuration of a computer according to at least one embodiment.
  • the computer 1000 includes a processor 1001, a main storage device 1002, an auxiliary storage device 1003, and an interface 1004.
  • the above-mentioned fading prediction device 80 is mounted on the computer 1000.
  • the operation of each processing unit described above is stored in the auxiliary storage device 1003 in the form of a program (fading prediction program).
  • the processor 1001 reads a program from the auxiliary storage device 1003, deploys it to the main storage device 1002, and executes the above processing according to the program.
  • the auxiliary storage device 1003 is an example of a non-temporary tangible medium.
  • non-temporary tangible media include magnetic disks, magneto-optical disks, CD-ROMs (Compact Disc Read-only memory), DVD-ROMs (Read-only memory), which are connected via interface 1004. Examples include semiconductor memory.
  • the program may be for realizing a part of the above-mentioned functions. Further, the program may be a so-called difference file (difference program) that realizes the above-mentioned function in combination with another program already stored in the auxiliary storage device 1003.
  • difference file difference program
  • the above-mentioned learning device 50 may be mounted on the computer 1000. Then, the operation of each of the above-mentioned processing units is stored in the auxiliary storage device 1003 in the form of a program (learning program), and the processor 1001 reads the program from the auxiliary storage device 1003 and expands it in the main storage device 1002. The above processing may be executed according to the above.
  • a fading prediction device including a prediction means for predicting the presence or absence of fading at the time of the prediction target.
  • the input means receives the input of the first feature amount indicating at least one of the reception frequency, the received power amount and the transmission frequency, and the second feature amount indicating the number of blocks in which the error has occurred, and the prediction means receives the input.
  • Meteorological information, and the fading described in Appendix 1 for predicting the presence or absence of fading using a prediction model learned using actual data including the presence or absence of fading with respect to the first feature amount and the second feature amount. Predictor.
  • the input means receives the input of the third feature amount indicating at least one change amount of the maximum transmission traffic amount and the maximum received traffic amount, and the prediction means is the weather information and fading with respect to the third feature amount.
  • the fading prediction device according to Appendix 1 or Appendix 2, which predicts the presence or absence of fading by using a prediction model learned using actual data including the presence or absence of occurrence of fading.
  • the input means accepts the input of the fourth feature amount calculated by the number of occurrences of other types of fading and the number of blocks in which an error occurs, and the prediction means is the weather information and the fourth feature.
  • the fading prediction device according to any one of Supplementary note 1 to Supplementary note 3, which predicts the presence or absence of fading by using a prediction model learned using actual data including the presence or absence of fading with respect to the amount.
  • An output means for outputting information indicating whether or not predicted fading has occurred is provided, the input means accepts input of weather forecast information in chronological order, and the output means determines whether or not predicted fading has occurred.
  • the fading prediction device according to any one of Supplementary note 1 to Supplementary note 4, which outputs in chronological order.
  • the computer accepts the input of the weather forecast information at the time of the prediction target in the target area, and the computer uses the prediction model learned using the actual data including the occurrence or absence of fading on the weather information.
  • a fading prediction method characterized in that the presence or absence of fading at the time of the prediction target is predicted based on the weather forecast information.
  • the computer accepts the input of the first feature amount indicating at least one of the reception frequency, the received power amount, and the transmission frequency, and the second feature amount indicating the number of blocks in which the error has occurred, and the computer receives the input.
  • a program storage medium that stores a fading prediction program for executing a prediction process for predicting the presence or absence of fading at the time of the prediction target based on the weather forecast information.
  • the computer In the input process, the computer is made to accept the input of the first feature amount indicating at least one of the reception frequency, the received power amount and the transmission frequency, and the second feature amount indicating the number of blocks in which the error has occurred.
  • the prediction model learned using the weather information and the actual data including the presence or absence of fading for the first feature amount and the second feature amount in the prediction process.
  • the program storage medium according to Appendix 8 for storing the fading prediction program of the above.
  • the computer In the input process, the computer is made to accept the input of the first feature amount indicating at least one of the reception frequency, the reception power amount and the transmission frequency, and the second feature amount indicating the number of blocks in which the error has occurred.
  • the presence or absence of fading is predicted by using the weather information and the prediction model learned using the actual data including the presence or absence of fading for the first feature amount and the second feature amount. 10 Fading prediction program.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)
  • Telephonic Communication Services (AREA)

Abstract

フェージング予測装置８０は、入力手段８１と、予測手段８２とを備えている。入力手段８１は、対象地域における予測対象時の気象予報情報の入力を受け付ける。予測手段８２は、気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、気象予報情報に基づき、予測対象時のフェージングの発生有無を予測する。

Description

フェージング予測装置、フェージング予測方法およびフェージング予測プログラム
　本発明は、フェージングの発生を予測するフェージング予測装置、フェージング予測方法およびフェージング予測プログラムに関する。
　無線通信システムにおける障害要因の一つとして、自然現象等に起因して無線回線で発生するフェージングが挙げられる。フェージングには、干渉性フェージング（マルチパスフェージング、周波数選択性フェージング）、減衰性フェージング（フラットフェージング）、およびダクト型フェージングなど、複数の種類が存在する。
　特許文献１には、フェージングについて適切な推定を行うことができる監視装置が記載されている。特許文献１に記載された監視装置は、障害が発生した時間および受信信号レベルに基づいて、無線通信装置が接続された無線回線において発生したフェージングの種類や外部干渉を推定する。
　なお、非特許文献１には、受信信号強度と気候条件との相関について記載されている。
特開２０１８－１９５９４５号公報
Jari Luomala and Ismo Hakala, "Effects of Temperature and Humidity on Radio Signal Strength in Outdoor Wireless Sensor Networks," Proceedings of the Federated Conference on Computer Science and Information Systems pp. 1247-1255, 2015.
　特許文献１に記載された監視装置を用いることで、フェージングの種類等を推定することは可能であるため、フェージングに応じた対処を講じることが可能である。例えば、干渉性フェージングの場合には、アンテナの傾きを変えたり、アンテナの数を増やしたりする対応をとることができる。また、減衰性フェージングの場合には、アンテナの高さを変えたり、ダクト型フェージングの場合には、アンテナの高さや傾きを変えたりする対応をとることができる。
　ただし、上述する対応を実行するためには、数日から数週間単位の時間を要することが一般的である。これは、作業場所が、例えば、沼地のような場所であったり、許可が必要な場所（ビルの屋上など）であったり、天候に左右される場所（冬季に吹雪の影響を受ける鉄塔など）であったりすることが想定されるからである。
　一般的には、障害が起こってからアンテナの傾きや高さなどを調整するため、通信が確立するまでに時間を要していた。そのため、現地にアサインするメンバの決定や移動時間等を考慮すると、フェージングの種類を推定するだけでなく、どのフェージングがいつ発生するか予測できることが好ましい。
　そこで、本発明は、将来発生するフェージングを予測できるフェージング予測装置、フェージング予測方法およびフェージング予測プログラムを提供することを目的とする。
　本発明によるフェージング予測装置は、対象地域における予測対象時の気象予報情報の入力を受け付ける入力部と、気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、気象予報情報に基づき、予測対象時のフェージングの発生有無を予測する予測部とを備えたことを特徴とする。
　本発明によるフェージング予測方法は、コンピュータが、対象地域における予測対象時の気象予報情報の入力を受け付け、コンピュータが、気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、気象予報情報に基づき、予測対象時のフェージングの発生有無を予測することを特徴とする。
　本発明によるフェージング予測プログラムは、コンピュータに、対象地域における予測対象時の気象予報情報の入力を受け付ける入力処理、および、気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、気象予報情報に基づき、予測対象時のフェージングの発生有無を予測する予測処理を実行させることを特徴とする。
　本発明によれば、将来発生するフェージングを予測できる。
本発明によるフェージング予測装置の一実施形態の構成例を示すブロック図である。 異種混合学習により生成された予測モデルを可視化した例を示す説明図である。 異種混合学習により学習された予測モデルを可視化した他の例を示す説明図である。 通信ログの例を示す説明図である。 通信ログの例を示す説明図である。 フェージング予測装置の動作例を示すフローチャートである。 第一の学習方法に基づいて異種混合学習により生成された予測モデルの例を示す説明図である。 第二の学習方法に基づいて異種混合学習により生成された予測モデルの例を示す説明図である。 第三の学習方法に基づいて異種混合学習により生成された予測モデルの例を示す説明図である。 本発明によるフェージング予測装置の概要を示すブロック図である。 少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
　以下、本発明の実施形態を図面を参照して説明する。
　図１は、本発明によるフェージング予測装置の一実施形態の構成例を示すブロック図である。本実施形態のフェージング予測装置１００は、入力部１０と、予測部２０と、出力部３０とを備えている。フェージング予測装置１００は、記憶部４０に接続され、処理に必要な各種情報を取得する。なお、フェージング予測装置１００が、記憶部４０を備える構成であってもよい。また、記憶部４０は、予測モデルを学習する学習器５０に接続され、学習器５０が学習した予測モデルを記憶する。
　また、学習器５０は、後述する予測部２０が予測を行う際に用いる予測モデルについての機械学習を行う。具体的には、学習器５０は、フェージングの種類ごとに、フェージングの発生有無を予測する予測モデルを学習する。
　ここで、本発明者は、実験の結果、各フェージングと、気温および降水量との間で、以下の関係があることを見出した。
　・干渉性フェージングについて、降水量が多いほどフェージング量が少ない
　・減衰性フェージングについて、降水後、気温が高いほどフェージング量が多い
　・ダクト型フェージングについて、降水後、気温が高いほどフェージング量が多い
　発明者は、例えば、減衰性フェージングおよびダクト型フェージングでは、雨が降った後気温が高くなると、飽和水分量（すなわち、大気の単位体積あたりに含むことができる水分の量）が増えるため、大気の屈折率が上がり、エラーが発生し易いことを見出した。
　このように、フェージングの発生有無には気象情報が影響していると推定されることから、本実施形態では、学習器５０が、フェージングの発生有無を目的変数とし、少なくとも気象情報を説明変数として含む予測モデルを学習する。この気象情報には、気温および降水量が含まれる。
　なお、学習器５０が予測モデルを学習する方法は任意であり、広く知られた機械学習により予測モデルを学習してもよい。学習器５０は、例えば、異種混合学習により、予測モデルを学習してもよい。異種混合学習により生成される予測モデルは、入力データの予測に用いられる予測式が入力データの内容に応じて選択され、選択された予測式を用いて予測が行われるモデルであり、各予測式が説明変数の線形和で表される。異種混合学習で予測モデルを生成することで、解釈性の高い予測結果を得ることができるため、例えば、想定した特徴量が予測に使用されているか否か検証することも可能になる。
　上述する予測モデルを活用することで、例えば、事前にアンテナの傾きや角度、アンテナ数、アンテナの高さを調整することが可能になる。また、地域の気候条件（例えば、年間の気温や降水量）を考慮し、アンテナの傾きや角度、アンテナ数、アンテナの高さを無線システムの設計段階で調整することも可能になる。
　図２は、異種混合学習により生成された予測モデルを可視化した例を示す説明図である。図２に例示する予測モデルは、干渉性フェージングの発生有無を予測する木構造で可視化されたモデルであり、降水量に関する特徴量を説明変数として含むモデルである。具体的には、図２に例示する予測モデルは、所定期間に１ｂｉｔ以上のエラーが発生したブロック数で予測式を場合分けする。なお、以下の説明では、１ビットでもエラーが発生したブロック数をＢＢＥ（Background Block Error）と記すこともある。
　図３は、異種混合学習により学習された予測モデルを可視化した他の例を示す説明図である。図３に例示するグラフは、図２に例示する予測モデルにおいて選択される予測式に含まれる説明変数の係数の値を積み上げて可視化したものである。例えば、図３に例示する説明変数２は、降水量に関する特徴量（例えば、予測月の３週目の平均降水量）を示しており、この説明変数は、予測式３の予測結果に大きな影響を与えていることを示す。
　例えば、この説明変数２に着目すると、係数が－６程度である。そのため、降水量が多い場合、発生リスクが大きく減少する（言い換えると、降水量が少ない場合には、発生リスクはそれほど減少しない）ことが予測される。このことから、「降水量が少ない場合、干渉性フェージングの発生が多くなる」という仮説も導くことができる。
　降水量や気温などの気象情報を取得する方法は任意であり、例えば、天候データを提供する外部サイトから気象情報を取得可能である。また、フェージングの発生有無の取得方法も任意である。学習器５０は、例えば、フェージングの発生有無を示す情報を直接取得してもよく、特許文献１に記載された方法を用いてフェージングの発生有無を推定してもよい。推定に用いられるデータは、例えば、パソリンク（登録商標）など、Point to Pointの超小型マイクロ波通信システムのログから取得可能である。
　学習器５０は、このようなシステムや外部サイトから各種情報を取得して、気象情報に対するフェージングの発生有無を含む実績データを生成してもよい。
　さらに、学習器５０は、気象情報以外の特徴量を含む実績データを用いて予測モデルを学習してもよい。具体的には、学習器５０は、上述する通信システムなどから取得できるログに基づいて特徴量を生成し、生成した特徴量をさらに含む実績データを用いて予測モデルを学習してもよい。
　図４および図５は、通信ログの例を示す説明図である。図４に例示するログ１０１は、トラフィック量やパケットロスなどに関する情報を含むログである。また、図５に例示するログ１０２は、無線情報や障害情報などを含むログである。なお、図５において、ＥＳ（Errored Second）は、１秒間に１ブロックでもエラーが発生した秒数を示す。また、ＳＥＳ（Severely Errored Second ）は、１秒間に３０％以上のブロックでエラーが発生した秒数を示し、ＳＥＳがカウントされる場合は、ＥＳもカウントされる。なお、ＳＥＳは、一般的なネットワーク品質の評価指標として使用されている値である。また、ＳＥＰ（Severely Errored Period ）は、ＳＥＳが２秒以上１０秒未満継続して発生した合計秒数であり、ＳＥＰがカウントされる場合は、ＳＥＳもカウントされる。また、ＵＡＳ（Unavailable Second）は、ＳＥＳが１０秒以上継続して発生した合計秒数である。学習器５０は、これらのログを用いてフェージングの発生有無を推定してもよい。
　以下、好ましい特徴量を用いた予測モデルの学習方法について具体的に説明する。
　第一の学習方法として、受信周波数、受信電力量、および、送信周波数の少なくとも１つを示す特徴量、並びに、エラーが発生したブロック数を示す特徴量の両方を含む実績データを用いて予測モデルを学習する方法が挙げられる。例えば、特徴量として受信周波数が用いられる場合、学習器５０は、図４に例示するログ１０１のモデム情報における受信周波数と、図５に例示するログ１０２の無線情報におけるＲＦ－ＢＢＥ値とを、それぞれ取得する。そして、学習器５０は、受信周波数を示す特徴量、及び、エラーが発生したブロック数を示す特徴量に対するフェージングの発生有無を含む実績データを用いて、予測モデルを学習する。受信電力量および送信周波数を特徴量として使用する場合も同様である。すなわち、学習器５０は、通信ログ等から受信電力量（単位ｄＢｍ）および送信周波数の少なくとも一方を取得して実績データの特徴量に含めればよい。なお、受信周波数、受信電力量、および、送信周波数について、いずれか１つが特徴量として用いられてもよく、２つ以上が特徴量として用いられてもよい。
　第二の学習方法として、最大送信トラフィック量（データ量）および最大受信トラフィック量の少なくとも一つの変化量を示す特徴量を含む実績データを用いて予測モデルを学習する方法が挙げられる。例えば、特徴量として最大送信トラフィック量が用いられる場合、学習器５０は、図４に例示するログ１０１のトラフィック情報における送信データ量を取得して、期間ごとの最大量を特定する。そして、学習器５０は、最大送信トラフィック量を示す特徴量に対するフェージングの発生有無を含む実績データを用いて、予測モデルを学習する。最大受信トラフィック量を特徴量として使用する場合も同様である。すなわち、学習器５０は、図４に例示するログ１０１のトラフィック情報における受信データ量を取得し、期間ごとの最大量を特徴量として特定して実績データに含めればよい。なお、最大送信トラフィック量および最大受信トラフィック量について、いずれか１つが特徴量として用いられてもよく、両方が特徴量として用いられてもよい。
　第三の学習方法として、他の種類のフェージングの発生回数とエラーが発生したブロック数とにより算出される特徴量を含む実績データを用いて予測モデルを学習する方法が挙げられる。具体的には、学習器５０は、図５に例示するログ１０２の無線情報におけるＲＦ－ＢＢＥ値を取得するとともに、フェージングの発生回数の集計値を取得する。そして、学習器５０は、集計された他のフェージングの発生回数とエラーが発生したブロック数とにより算出される特徴量に対するフェージングの発生有無を含む実績データを用いて、予測モデルを学習してもよい。
　以上、予測モデルを学習する方法を３つ例示して説明したが、実績データに含まれる特徴量は、上記の内容に限定されない。また、各学習方法で用いられる特徴量が、他の学習方法の実績データに含まれていてもよい。
　学習器５０は、このような実績データを用いて学習することで、図２に例示するような予測モデルを生成する。学習器５０は、生成した予測モデルを記憶部４０に登録する。
　入力部１０は、フェージングの発生有無の予測に用いる各種情報の入力を受け付ける。ここで、各フェージングの発生と気温および降水量との間に関係性があると推定されることから、入力部１０は、対象地域における予測対象時の気象予報情報の入力を受け付ける。
　気象予報情報は、対象地域において想定される予測対象時の気温および降水量を含む情報である。なお、気象予報情報は、広範囲の情報を含みうるが、フェージングの発生有無を予測する本願発明の性質上、より狭い範囲を対象とする気象予報情報を用いることが好ましい。入力部１０は、例えば、気象予報を行う外部サイトから、予測対象時の気温および降水量を取得して受け付けてもよいし、ユーザからの気象予報情報の入力を直接受け付けてもよい。
　また、入力部１０は、予測対象時の気象予報情報だけでなく、図４や図５に例示するような通信ログに基づいて生成される各種特徴量を受け付けてもよい。なお、入力部１０が特徴量の生成に必要な通信ログの入力を受け付けて、後述する予測部２０が予測に用いられる特徴量を生成してもよい。以下の説明では、入力部１０が、通信ログに基づいて生成された特徴量の入力を受け付けるものとする。
　具体的には、上述する第一の学習方法で示す特徴量を用いて予測モデルが学習されている場合、入力部１０は、受信周波数を示す特徴量、及び、エラーが発生したブロック数を示す特徴量の両方の入力を受け付けてもよい。また、上述する第二の学習方法で示す特徴量を用いて予測モデルが学習されている場合、入力部１０は、最大送信トラフィック量の変化量を示す特徴量の入力を受け付けてもよい。さらに、上述する第三の学習方法で示す特徴量を用いて予測モデルが学習されている場合、入力部１０は、他の種類のフェージングの発生回数とエラーが発生したブロック数とにより算出される特徴量の入力を受け付けてもよい。
　予測部２０は、記憶部４０から予測モデルを取得する。そして、予測部２０は、入力された各種情報に基づき、予測対象時のフェージングの発生有無を予測する。具体的には、予測部２０は、気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、入力された気象予報情報に基づき、予測対象時のフェージングの発生有無を予測する。
　また、予測部２０は、気象情報、並びに、受信周波数を示す特徴量及びエラーが発生したブロック数を示す特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測してもよい。この予測モデルは、例えば、上述する第一の学習方法で学習されたモデルに対応する。
　さらに、予測部２０は、気象情報、および、最大送信トラフィック量の変化量を示す特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測してもよい。この予測モデルは、例えば、上述する第二の学習方法で学習されたモデルに対応する。
　また、予測部２０は、気象情報、および、他の種類のフェージングの発生回数とエラーが発生したブロック数とにより算出される特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測してもよい。この予測モデルは、例えば、上述する第三の学習方法で学習されたモデルに対応する。
　出力部３０は、予測結果を出力する。具体的には、出力部３０は、予測対象時におけるフェージングの発生有無を示す予測結果を出力する。例えば、予測モデルが異種混合学習により生成されている場合、出力部３０は、予測に用いた予測式に関する情報を合わせて出力してもよい。
　また、出力部３０は、入力部１０が受け付けた時系列順の気象予報情報に対し、予測部２０が予測した予測結果を時系列順に出力してもよい。出力部３０は、例えば、時系列順にフェージングの発生有無（発生リスク）をグラフ形式で出力してもよい。これにより、将来のフェージング発生予測の推移を把握することが可能になる。
　入力部１０と、予測部２０と、出力部３０とは、プログラム（フェージング予測プログラム）に従って動作するコンピュータのプロセッサ（例えば、ＣＰＵ（Central Processing Unit ）、ＧＰＵ（Graphics Processing Unit））によって実現される。
　例えば、プログラムは、フェージング予測装置１００が備える記憶部（図示せず）に記憶され、プロセッサは、そのプログラムを読み込み、プログラムに従って、入力部１０、予測部２０、および、出力部３０として動作してもよい。また、フェージング予測装置１００の機能がＳａａＳ（Software as a Service ）形式で提供されてもよい。
　また、入力部１０と、予測部２０と、出力部３０とは、それぞれが専用のハードウェアで実現されていてもよい。また、各装置の各構成要素の一部又は全部は、汎用または専用の回路（circuitry ）、プロセッサ等やこれらの組合せによって実現されもよい。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。各装置の各構成要素の一部又は全部は、上述した回路等とプログラムとの組合せによって実現されてもよい。
　また、フェージング予測装置１００の各構成要素の一部又は全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。
　さらに、学習器５０も、プログラム（学習プログラム）に従って動作するコンピュータによって実現される。
　次に、本実施形態のフェージング予測装置の動作を説明する。図６は、本実施形態のフェージング予測装置の動作例を示すフローチャートである。入力部１０は、対象とする地域における予測対象時の気象予報情報の入力を受け付ける（ステップＳ１１）。予測部２０は、気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、気象予報情報に基づき、予測対象時のフェージングの発生有無を予測する（ステップＳ１２）。
　以上のように、本実施形態では、入力部１０が、対象とする地域における予測対象時の気象予報情報の入力を受け付け、予測部２０が、気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、気象予報情報に基づき、予測対象時のフェージングの発生有無を予測する。よって、将来発生するフェージングを予測できる。
　次に、上述する第一の学習方法から第三の学習方法に基づいて、異種混合学習により予測モデルを生成する具体例を説明する。
　図７は、上述する第一の学習方法に基づいて異種混合学習により生成された予測モデルの例を示す説明図である。図７に例示する予測モデルは、各週のＢＢＥの平均値について所定期間分（例えば、４週間分）合計してｌｏｇ１ｐを算出した値と、受信周波数とによって予測式が選択されるモデルを示す。なお、ｌｏｇ１ｐは、ゼロに近い値の精度を保つ算出方法の一例である。
　この例において、例えば、予測式５に分類されるモデルが選択される状況（すなわち、受信周波数がＸ１ＧＨｚ以上で、各週のＢＢＥの平均値について所定期間分（４週間分）合計してｌｏｇ１ｐを算出した値がＮ２以上）において干渉性フェージングのリスクが高いことが分かったとする。この場合、特徴量として用いられる受信周波数Ｘ１ＧＨｚ以上を示す機器が使われる環境においてＢＢＥが高いものは、干渉性フェージングのリスクが高い、という傾向を想定できる。
　図８は、上述する第二の学習方法に基づいて異種混合学習により生成された予測モデルの例を示す説明図である。図８に例示する予測モデルも、各週のＢＢＥの平均値について所定期間分（４週間分）合計してｌｏｇ１ｐを算出した値と、受信周波数とによって予測式が選択されるモデルを示す。
　この例の場合、予測式０に分類されるモデルが選択される状況（すなわち、受信周波数がＸ３ＧＨｚ未満で、各週のＢＢＥの平均値について所定期間分（４週間分）合計してｌｏｇ１ｐを算出した値がＮ４以上）において、干渉性フェージングのリスクが高いことが分かったとする。この場合、例えば、特徴量として用いられる最大送信トラフィック量の変化量が増加しているほど干渉性フェージングのリスクが高い、という傾向を想定できる。
　なお、本具体例では、最大送信トラフィック量の変化量を表わす特徴量を、以下に例示する式１のように、３週間にわたる各週の送信トラフィック量の増加率の積（具体的には、幾何平均）で算出した。式１において、n_tx_wk[N]_maxは、期間内の第Ｎ週目の最大送信トラフィック量を表わす。
　((n_tx_wk2_max / n_tx_wk1_max) * (n_tx_wk3_max / n_tx_wk2_max) * 
   (n_tx_wk4_max / n_tx_wk3_max))1/3　　　　　　　　　　　　　　（式１）
　この特徴量の値が高いということは、送信トラフィック量が増加傾向にあり、周辺にて何らかの環境の変化があったことが伺える。
　図９は、上述する第三の学習方法に基づいて異種混合学習により生成された予測モデルの例を示す説明図である。図９に例示する予測モデルは、図７に例示するモデルと同様である。
　この例の場合、予測式０に分類されるモデルが選択される状況（すなわち、受信周波数がＸ１ＧＨｚ未満で、各週のＢＢＥの平均値について所定期間分（４週間分）合計してｌｏｇ１ｐを算出した値がＮ１未満）において、干渉性フェージングのリスクが高いことが分かったとする。この場合、例えば、ＢＢＥの平均値に対し、特徴量として用いられる減衰性フェージングの発生回数の割合が小さいほど干渉性フェージングのリスクが高い、という傾向を想定できる。
　なお、本具体例では、ＢＢＥの平均値に対する減衰性フェージングの発生回数の割合を表わす特徴量を、以下に例示する式２を用いて算出した。
（各週の減衰性フェージングの発生回数を４週間分合計してｌｏｇ１ｐを算出した値）／
　各週のＢＢＥの平均値について４週間分合計してｌｏｇ１ｐを算出した値)）
　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　（式２）
　上記想定によれば、減衰性フェージングが発生しているモデムについては、ＢＢＥ発生回数を確認することで、干渉性フェージングの発生をある程度判別できるとも言える。
　次に、本発明の概要を説明する。図１０は、本発明によるフェージング予測装置の概要を示すブロック図である。本発明によるフェージング予測装置８０（例えば、フェージング予測装置１００）は、対象地域における予測対象時の気象予報情報の入力を受け付ける入力手段８１（例えば、入力部１０）と、気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、気象予報情報（例えば、気温および降水量）に基づき、予測対象時のフェージングの発生有無（例えば、発生リスク）を予測する予測手段８２（例えば、予測部２０）とを備えている。
　そのような構成により、将来発生するフェージングを予測できる。
　また、入力手段８１は、受信周波数、受信電力量および送信周波数の少なくとも１つを示す第一特徴量、並びに、エラーが発生したブロック数を示す第二特徴量の入力を受け付け、予測手段８２は、気象情報、並びに、第一特徴量および第二特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測してもよい。
　また、入力手段８１は、最大送信トラフィック量および最大受信トラフィック量の少なくとも一つの変化量を示す第三特徴量の入力を受け付け、予測手段８２は、気象情報、および、第三特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測してもよい。
　また、入力手段８１は、他の種類のフェージングの発生回数とエラーが発生したブロック数とにより算出される第四特徴量の入力を受け付け、予測手段８２は、気象情報、および、第四特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測してもよい。
　また、フェージング予測装置８０は、予測されたフェージングの発生有無を示す情報を出力する出力手段（例えば、出力部３０）を備えていてもよい。そして、入力手段は、時系列に気象予報情報の入力を受け付け、出力手段は、予測されたフェージングの発生有無を時系列順に出力してもよい。
　図１１は、少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。コンピュータ１０００は、プロセッサ１００１、主記憶装置１００２、補助記憶装置１００３、インタフェース１００４を備える。
　上述のフェージング予測装置８０は、コンピュータ１０００に実装される。そして、上述した各処理部の動作は、プログラム（フェージング予測プログラム）の形式で補助記憶装置１００３に記憶されている。プロセッサ１００１は、プログラムを補助記憶装置１００３から読み出して主記憶装置１００２に展開し、当該プログラムに従って上記処理を実行する。
　なお、少なくとも１つの実施形態において、補助記憶装置１００３は、一時的でない有形の媒体の一例である。一時的でない有形の媒体の他の例としては、インタフェース１００４を介して接続される磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ（Compact Disc Read-only memory ）、ＤＶＤ－ＲＯＭ（Read-only memory）、半導体メモリ等が挙げられる。また、このプログラムが通信回線によってコンピュータ１０００に配信される場合、配信を受けたコンピュータ１０００が当該プログラムを主記憶装置１００２に展開し、上記処理を実行してもよい。
　また、当該プログラムは、前述した機能の一部を実現するためのものであっても良い。さらに、当該プログラムは、前述した機能を補助記憶装置１００３に既に記憶されている他のプログラムとの組み合わせで実現するもの、いわゆる差分ファイル（差分プログラム）であってもよい。
　なお、上述の学習器５０が、コンピュータ１０００に実装されてもよい。そして、上述した各処理部の動作が、プログラム（学習プログラム）の形式で補助記憶装置１００３に記憶され、プロセッサ１００１が、プログラムを補助記憶装置１００３から読み出して主記憶装置１００２に展開し、当該プログラムに従って上記処理を実行してもよい。
　上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記１）対象地域における予測対象時の気象予報情報の入力を受け付ける入力手段と、気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、前記気象予報情報に基づき、前記予測対象時のフェージングの発生有無を予測する予測手段とを備えたことを特徴とするフェージング予測装置。
（付記２）入力手段は、受信周波数、受信電力量および送信周波数の少なくとも１つを示す第一特徴量、並びに、エラーが発生したブロック数を示す第二特徴量の入力を受け付け、予測手段は、気象情報、並びに、前記第一特徴量および前記第二特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測する付記１記載のフェージング予測装置。
（付記３）入力手段は、最大送信トラフィック量および最大受信トラフィック量の少なくとも一つの変化量を示す第三特徴量の入力を受け付け、予測手段は、気象情報、および、前記第三特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測する付記１または付記２記載のフェージング予測装置。
（付記４）入力手段は、他の種類のフェージングの発生回数とエラーが発生したブロック数とにより算出される第四特徴量の入力を受け付け、予測手段は、気象情報、および、前記第四特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測する付記１から付記３のうちのいずれか１つに記載のフェージング予測装置。
（付記５）予測されたフェージングの発生有無を示す情報を出力する出力手段を備え、入力手段は、時系列に気象予報情報の入力を受け付け、前記出力手段は、予測されたフェージングの発生有無を時系列順に出力する付記１から付記４のうちのいずれか１つに記載のフェージング予測装置。
（付記６）コンピュータが、対象地域における予測対象時の気象予報情報の入力を受け付け、前記コンピュータが、気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、前記気象予報情報に基づき、前記予測対象時のフェージングの発生有無を予測することを特徴とするフェージング予測方法。
（付記７）コンピュータが、受信周波数、受信電力量および送信周波数の少なくとも１つを示す第一特徴量、並びに、エラーが発生したブロック数を示す第二特徴量の入力を受け付け、前記コンピュータが、気象情報、並びに、前記第一特徴量および前記第二特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測する付記６記載のフェージング予測方法。
（付記８）コンピュータに、対象地域における予測対象時の気象予報情報の入力を受け付ける入力処理、および、気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、前記気象予報情報に基づき、前記予測対象時のフェージングの発生有無を予測する予測処理を実行させるためのフェージング予測プログラムを記憶するプログラム記憶媒体。
（付記９）コンピュータに、入力処理で、受信周波数、受信電力量および送信周波数の少なくとも１つを示す第一特徴量、並びに、エラーが発生したブロック数を示す第二特徴量の入力を受け付けさせ、予測処理で、気象情報、並びに、前記第一特徴量および前記第二特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測させるためのフェージング予測プログラムを記憶する付記８記載のプログラム記憶媒体。
（付記１０）コンピュータに、対象地域における予測対象時の気象予報情報の入力を受け付ける入力処理、および、気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、前記気象予報情報に基づき、前記予測対象時のフェージングの発生有無を予測する予測処理を実行させるためのフェージング予測プログラム。
（付記１１）コンピュータに、入力処理で、受信周波数、受信電力量および送信周波数の少なくとも１つを示す第一特徴量、並びに、エラーが発生したブロック数を示す第二特徴量の入力を受け付けさせ、予測処理で、気象情報、並びに、前記第一特徴量および前記第二特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測させる付記１０記載のフェージング予測プログラム。
　以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　１０　入力部
　２０　予測部
　３０　出力部
　４０　記憶部
　５０　学習器
　１００　フェージング予測装置

Claims (9)

  1. 　対象地域における予測対象時の気象予報情報の入力を受け付ける入力手段と、
    　気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、前記気象予報情報に基づき、前記予測対象時のフェージングの発生有無を予測する予測手段とを備えた
    　ことを特徴とするフェージング予測装置。
  2. 　入力手段は、受信周波数、受信電力量および送信周波数の少なくとも１つを示す第一特徴量、並びに、エラーが発生したブロック数を示す第二特徴量の入力を受け付け、
    　予測手段は、気象情報、並びに、前記第一特徴量および前記第二特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測する
    　請求項１記載のフェージング予測装置。
  3. 　入力手段は、最大送信トラフィック量および最大受信トラフィック量の少なくとも一つの変化量を示す第三特徴量の入力を受け付け、
    　予測手段は、気象情報、および、前記第三特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測する
    　請求項１または請求項２記載のフェージング予測装置。
  4. 　入力手段は、他の種類のフェージングの発生回数とエラーが発生したブロック数とにより算出される第四特徴量の入力を受け付け、
    　予測手段は、気象情報、および、前記第四特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測する
    　請求項１から請求項３のうちのいずれか１項に記載のフェージング予測装置。
  5. 　予測されたフェージングの発生有無を示す情報を出力する出力手段を備え、
    　入力手段は、時系列に気象予報情報の入力を受け付け、
    　前記出力手段は、予測されたフェージングの発生有無を時系列順に出力する
    　請求項１から請求項４のうちのいずれか１項に記載のフェージング予測装置。
  6. 　コンピュータが、対象地域における予測対象時の気象予報情報の入力を受け付け、
    　前記コンピュータが、気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、前記気象予報情報に基づき、前記予測対象時のフェージングの発生有無を予測する
    　ことを特徴とするフェージング予測方法。
  7. 　コンピュータが、受信周波数、受信電力量および送信周波数の少なくとも１つを示す第一特徴量、並びに、エラーが発生したブロック数を示す第二特徴量の入力を受け付け、
    　前記コンピュータが、気象情報、並びに、前記第一特徴量および前記第二特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測する
    　請求項６記載のフェージング予測方法。
  8. 　コンピュータに、
    　対象地域における予測対象時の気象予報情報の入力を受け付ける入力処理、および、
    　気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、前記気象予報情報に基づき、前記予測対象時のフェージングの発生有無を予測する予測処理
    　を実行させるためのフェージング予測プログラムを記憶するプログラム記憶媒体。
  9. 　コンピュータに、
    　入力処理で、受信周波数、受信電力量および送信周波数の少なくとも１つを示す第一特徴量、並びに、エラーが発生したブロック数を示す第二特徴量の入力を受け付けさせ、
    　予測処理で、気象情報、並びに、前記第一特徴量および前記第二特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測させるためのフェージング予測プログラムを記憶する
    　請求項８記載のプログラム記憶媒体。
PCT/JP2020/014477 2020-03-30 2020-03-30 フェージング予測装置、フェージング予測方法およびフェージング予測プログラム WO2021199120A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2022512515A JP7346720B2 (ja) 2020-03-30 2020-03-30 フェージング予測装置、フェージング予測方法およびフェージング予測プログラム
PCT/JP2020/014477 WO2021199120A1 (ja) 2020-03-30 2020-03-30 フェージング予測装置、フェージング予測方法およびフェージング予測プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/014477 WO2021199120A1 (ja) 2020-03-30 2020-03-30 フェージング予測装置、フェージング予測方法およびフェージング予測プログラム

Publications (1)

Publication Number Publication Date
WO2021199120A1 true WO2021199120A1 (ja) 2021-10-07

Family

ID=77928162

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/014477 WO2021199120A1 (ja) 2020-03-30 2020-03-30 フェージング予測装置、フェージング予測方法およびフェージング予測プログラム

Country Status (2)

Country Link
JP (1) JP7346720B2 (ja)
WO (1) WO2021199120A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5636241A (en) * 1979-08-31 1981-04-09 Toshiba Corp Direct relay system
JPH05145445A (ja) * 1991-11-20 1993-06-11 Nec Corp デジタルマイクロ波通信システムの自動等化器
WO2016050302A1 (en) * 2014-10-01 2016-04-07 Telefonaktiebolaget L M Ericsson (Publ) Method and apparatus for managing a resource in a communication network

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4670727B2 (ja) * 2006-04-28 2011-04-13 日本電気株式会社 低消費電力マイクロ波無線通信システム
JP5083522B2 (ja) * 2007-08-16 2012-11-28 日本電気株式会社 ネットワーク監視方法、ネットワーク監視装置、回線エラー防止システム、ネットワーク監視装置用プログラム
JP6040428B2 (ja) * 2013-02-20 2016-12-07 株式会社Ｋｄｄｉ総合研究所 ネットワーク監視装置、無線機、気象予測システムおよびプログラム
JP2014183538A (ja) * 2013-03-21 2014-09-29 Kddi R & D Laboratories Inc 無線ネットワークシステムおよび無線機
JP6502062B2 (ja) * 2014-11-04 2019-04-17 Kddi株式会社 通信品質予測装置及び通信品質予測プログラム
EP3726755B1 (en) * 2017-12-11 2022-09-07 NEC Corporation Communication quality deterioration prediction system, method, and program

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5636241A (en) * 1979-08-31 1981-04-09 Toshiba Corp Direct relay system
JPH05145445A (ja) * 1991-11-20 1993-06-11 Nec Corp デジタルマイクロ波通信システムの自動等化器
WO2016050302A1 (en) * 2014-10-01 2016-04-07 Telefonaktiebolaget L M Ericsson (Publ) Method and apparatus for managing a resource in a communication network

Also Published As

Publication number Publication date
JPWO2021199120A1 (ja) 2021-10-07
JP7346720B2 (ja) 2023-09-19

Similar Documents

Publication Publication Date Title
CN111918319B (zh) 一种忙时忙区预测方法及装置
WO2018043252A1 (ja) 降雨量予測装置、降雨量予測方法、および記録媒体
CN114143326A (zh) 负载调节方法、管理节点以及存储介质
Tastu et al. Multivariate conditional parametric models for a spatio-temporal analysis of short-term wind power forecast errors
US20150358922A1 (en) Method and system for updating predistortion coefficient
JP4261389B2 (ja) 不正アクセス検出装置及び不正アクセス検出プログラム
Skoglund et al. A comparative study of deterministic and ensemble weather forecasts for weather routing
CN105636088A (zh) 一种处理小区间干扰的方法、设备、控制装置及基站
CN113672467A (zh) 运维预警方法及装置、电子设备、存储介质
US8180716B2 (en) Method and device for forecasting computational needs of an application
CN116418603B (zh) 一种工业互联网的安全综合管理方法及系统
WO2021199120A1 (ja) フェージング予測装置、フェージング予測方法およびフェージング予測プログラム
WO2016136215A1 (ja) 制御装置およびトラフィック制御方法、並びにコンピュータ・プログラムを記録する記録媒体
CN111741487B (zh) 无线网格网络路由选择的测试方法、装置和终端设备
US10999170B2 (en) Communication system, available-bandwidth estimation method, and recording medium
US11755302B2 (en) Application placement device and application placement program
Amani et al. Multi-step ahead response time prediction for single server queuing systems
JP6751069B2 (ja) 無線リソース設計装置、無線リソース設計方法、及びプログラム
Ibrahimov et al. An approach to analysis of useful quality service indicator and traffic service with fuzzy logic
US11616709B2 (en) Method and system for predicting availability in a radio frequency link aggregation group
CN111836297B (zh) 通信链路参数的预测方法、装置及终端设备
CN111669761B (zh) 一种基于4g现网信号强度贡献度的5g业务量预测方法
JP2019149043A (ja) 見積り装置および見積り方法
JP2008199451A (ja) 帯域制御装置及び方法
JP2005249662A (ja) 気象レーダシステム

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: 20928319

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022512515

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: 20928319

Country of ref document: EP

Kind code of ref document: A1