WO2022038760A1 - 通信品質を予測する装置、方法及びプログラム - Google Patents

通信品質を予測する装置、方法及びプログラム Download PDF

Info

Publication number
WO2022038760A1
WO2022038760A1 PCT/JP2020/031555 JP2020031555W WO2022038760A1 WO 2022038760 A1 WO2022038760 A1 WO 2022038760A1 JP 2020031555 W JP2020031555 W JP 2020031555W WO 2022038760 A1 WO2022038760 A1 WO 2022038760A1
Authority
WO
WIPO (PCT)
Prior art keywords
user terminal
information
function unit
quality
prediction
Prior art date
Application number
PCT/JP2020/031555
Other languages
English (en)
French (fr)
Inventor
央也 小野
裕希 坂上
聖 成川
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 PCT/JP2020/031555 priority Critical patent/WO2022038760A1/ja
Priority to JP2022543236A priority patent/JP7476969B2/ja
Publication of WO2022038760A1 publication Critical patent/WO2022038760A1/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
    • H04W16/22—Traffic simulation tools or models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic

Definitions

  • This disclosure relates to devices, methods and programs for predicting communication quality.
  • the user uses the communication line provided by the communication carrier.
  • various physical media such as optical lines and wireless communication lines as available access means.
  • IEEE 802.3 (Ethernet (registered trademark)) or ITU-T G. 983 / G. 984 / G. 987 / G.
  • communication standards such as 989.
  • 3GPP 36Series LTE
  • IEEE802.11 wireless LAN
  • IEEE 802.16 WiMAX
  • the user terminal can communicate by using multiple communication standards properly.
  • the smart phone can select whether to use LTE, wireless LAN, or Bluetooth. It is also possible to use different access means of different carriers using the same communication standard. Since each of these access means has different communication qualities such as bandwidth and delay, it is possible to maximize the user's experience quality (QoE: Quality of Experience) by appropriately using these according to the purpose. Become.
  • the access means determination function used by the user terminal does not necessarily exist in the user terminal itself, and can be held by a router or server on the network or an external terminal.
  • ANDSF Access Network Discovery and Selection Function
  • 3GPP 3GPP
  • the device when a certain device can control the connection destination combination of the user terminal group in the target area, the device needs a process of deriving the optimum connection destination combination. At that time, it is necessary to grasp the communication quality realized by various connection destination combinations that are candidate solutions, but it is desirable that the communication quality can be grasped by prediction without actual connection. By executing the optimum connection destination combination derivation based on the prediction, it is possible to minimize the temporary deterioration of the perceived quality due to the switching process and select the optimum access means combination of the user terminal group.
  • the communication quality obtained by each user terminal is predicted for the virtual connection destination combination including the pattern other than the current connection state. Function is required.
  • Prediction using such a mathematical model tends to require less calculation processing than the method using a network simulator, but the prediction accuracy decreases as the system becomes more complicated, and TCP (Transmission Control Protocol) and UDP. Since the behavior of an upper layer protocol such as (User Datagram Protocol) cannot be taken into consideration, there is a problem that the quality obtained in a real application cannot be strictly predicted.
  • TCP Transmission Control Protocol
  • UDP User Datagram Protocol
  • Non-Patent Document 3 Although the connection destination optimization processing of the user terminal group is speeded up by the optimization algorithm, a time bottleneck due to the simulation of ns-3 (Network Simulator 3) remains.
  • Non-Patent Document 4 proposes a method of predicting the realized quality when a user terminal is connected using a certain frequency channel in communication with an IEEE802.11 compliant wireless LAN base station by using machine learning. ing.
  • this method assumes that the behavior of surrounding user terminals is static, and is limited to optimizing the frequency channel used by one user terminal. Therefore, it cannot be applied to the purpose of controlling the connection destination combination of the user terminal group.
  • Non-Patent Document 5 reports a method for predicting the quality of realization for the arrangement of mobile wireless LAN devices by combining a network simulator and machine learning.
  • the predicted value to be output is the average quality of the entire system, and each user.
  • the predicted value decomposed into the realized quality of the terminal cannot be obtained. Therefore, it cannot be applied to the purpose of predicting the quality obtained by each user terminal with respect to the connection pattern between the user terminal group and the base station.
  • the purpose of this disclosure is to make it possible to predict the communication quality obtained by each user terminal in a short time and with high accuracy.
  • the relationship between base station information, terminal information, and their connection destination information and the simulation value of communication quality obtained at each user terminal or the realized value in an actual network is learned by machine learning.
  • the apparatus of the present disclosure is User terminal information including the geographical location of each user terminal is collected from a plurality of user terminals, and the geographical location of each network device is included from a plurality of network devices capable of communicating with at least one of the plurality of user terminals.
  • Environmental information aggregation function department that collects network information
  • a prediction pattern determination function unit that extracts a connection pattern in which the plurality of user terminals connect to a network device based on the user terminal information and network information collected by the environment information aggregation function unit.
  • the quality prediction model obtained by learning the relationship between the connection pattern and the communication quality of the user terminal in advance is held, and the connection pattern extracted by the prediction pattern determination function unit is applied to the input of the quality prediction model.
  • the quality prediction function unit that predicts the quality of the user terminal of To prepare for.
  • the environmental information aggregation function unit collects user terminal information including the geographical location of each user terminal from a plurality of user terminals, and collects network information including the geographical location of each network device from a plurality of network devices.
  • the prediction pattern determination function unit extracts a connection pattern in which the plurality of user terminals connect to the network device based on the user terminal information and the network information collected by the environment information aggregation function unit.
  • the quality prediction function unit holds a quality prediction model obtained by learning the relationship between the connection pattern and the communication quality of the user terminal in advance, and inputs the connection pattern extracted by the prediction pattern determination function unit into the quality prediction model. The quality of the plurality of user terminals is predicted.
  • the program of the present disclosure is a program for realizing a computer as each functional unit provided in the apparatus according to the present disclosure, and causes the computer to execute each step provided in the method executed by the apparatus according to the present disclosure. It is a program for.
  • the communication quality obtained by each user terminal group can be predicted in a short time and with high accuracy, and the optimization of the connection destination combination can be executed at higher speed.
  • An example of the schematic configuration of the present disclosure is shown.
  • An example of the data format of base station information is shown.
  • An example of the data format of the user terminal information is shown.
  • An example of the data format of the connection destination information is shown.
  • An example of the system configuration of the present disclosure is shown.
  • An example of the block configuration of the present disclosure is shown.
  • An example of the procedure of the learning phase using simulation is shown.
  • An example of the procedure of the learning phase using the realization quality in the actual network is shown.
  • An example of the flowchart at the time of quality prediction performed after the learning phase is shown.
  • the first example of the input format of a learner is shown.
  • the first example of the output format of a learner is shown.
  • a second example of the input format of the learner is shown.
  • a second example of the output format of the learner is shown.
  • FIG. 1 shows an example of the schematic configuration of the present disclosure.
  • a quality prediction model obtained by learning in advance the relationship between the user terminal information and network information, the connection destination information related to these connection relationships, and the communication quality of the user terminal is used.
  • the network information is information of any network device capable of communicating with the user terminal.
  • the network device is a base station and the network information is the base station information will be described.
  • the training of the quality prediction model may use the information obtained by the simulation, the information obtained by the real network, or both of them.
  • the learning device learns the relationship between the setting information used in the prediction by the network simulator and the prediction quality obtained by simulating it as a setting value, so that the quality prediction for the setting of a certain connection pattern is shorter. Do it in time.
  • the learner learns the network information in the real network, the user terminal information, the connection destination information thereof, and the relationship between the realized quality, and derives the predicted quality for a certain connection pattern.
  • the input parameter values to the learning device and the quality prediction function unit 14 used in the learning function unit 13 described later are the geographical positions of the user terminal 92_1, 92_2 and the base station 93_1, 93_2. Place it on a 2D or 3D map that corresponds to the information.
  • the service area of the base stations 93_1, 93_2 is divided into 4 ⁇ 4 areas, and the parameter b 1 1 indicating the base stations 93_1, 93_2 in the area where the base stations 93_1, 93_2 exist among the 16 divided areas. , B 2 1 are placed.
  • the parameters b 1 1 and b 2 1 indicating the base stations 93_1 and 93_2 are represented by a 4 ⁇ 4 matrix.
  • the parameter b 1 1 indicating the base station 93_1 is arranged in the (1, 1) element of the matrix
  • the parameter b 2 1 indicating the base station 93_1 is arranged in the (4, 3) element of the matrix. If there are multiple types of parameters, multiple matrices of the same size are prepared, and the base stations 93_1 and 93_2 are arranged as b 1 2 and b 2 2 in the same manner.
  • the parameters a 1 1 and a 2 1 indicating the user terminals 92_1 and _92_2 are arranged in the area where the user terminals 92_1 and _92_2 exist among the 16 divided areas.
  • the parameter a 1 1 indicating the user terminal 92_1 is arranged in the (2, 2) element of the matrix
  • the parameter a 2 1 indicating the user terminal 92_1 is arranged in the (3, 3) element of the matrix.
  • the base station information and the user terminal information are represented by a matrix. If there are multiple types of parameters, a plurality of matrices of the same size are prepared, and the user terminals 92_1 and _92_2 are arranged as a 1 2 and a 2 2 in the same manner.
  • the information of the base stations 93_1 and 93_2 to which the user terminals 92_1 and 92_2 are connected that is, the connection destination information c 1 1 and c 2 1 are provided.
  • the geographical position coordinates (1,1) of the base station 93_1 are described in the (2,2) element of the matrix.
  • connection destination information representing the combination of the connection destinations with the base station 93 of the user terminal 92 group including the plurality of user terminals 92 is represented by matrix data, and is input to the learner as a variable "connection pattern". It will be possible.
  • the relative position information between the user terminals 92_1 and _92_2 and the base station 93_1 and 93_2 may be used.
  • the (2,2) element of the matrix is (-1, -1)
  • the (3,3) element is (0,1).
  • the values in the axial direction may be arranged.
  • each base station 93_1, 93_2 instead of the geographical position coordinates c 1 1 and c 2 1 of each base station, arbitrary identification information that can identify each base station 93_1, 93_2 can be used.
  • the parameters included in the input information such as setting information, base station information, user terminal information, and connection destination information are the geolocation information of the user terminal group, the traffic occurrence pattern, the information of the upper layer protocol, and the like. It will be described in the following examples of embodiments.
  • FIG. 5 shows an example of the system configuration of the present disclosure.
  • the base station 93 includes an arbitrary network device capable of communicating with the user terminal 92.
  • the network may be referred to as NW, and the nth base station 93 is referred to as base station n.
  • the communication quality prediction device 91 of the present disclosure assumes a specific connection state of the user terminal 92 group in the above situation, and predicts the communication quality of the specific user terminal 92 or the user terminal 92 group existing in the system.
  • the communication quality prediction device 91 is a server or network device on an overlay network higher than each access means, a server or network device on the Internet, a server or network device located in a higher network of each access means, and a user terminal 92. There may be.
  • the communication quality prediction device 91 acquires information or parameters from the user terminal 92 or the base station 93.
  • Information acquired from the user terminal 92 is referred to as user terminal information in the present disclosure.
  • the information acquired from the base station 93 is referred to as base station information in the present disclosure.
  • This parameter acquisition may be performed synchronously in a certain time cycle or a designated time, and the communication quality prediction device 91 and each communication device may exchange information asynchronously.
  • the communication carrier and the network service provider receive a command from an external device such as a connection destination optimization engine in order to optimize the network used by the user terminal 92 managed by the communication carrier and the network service provider. You may perform the prediction.
  • the information storage unit and the like may be shared with the device corresponding to the optimization engine.
  • the communication quality prediction device 91 and the program may be mounted in the same device as the quality prediction function unit inside the optimization engine.
  • the present device may execute quality prediction by receiving a command from the user terminal 92 or the NW device. Further, the quality prediction result may be distributed to the user terminal 92 or the NW device without receiving an instruction from the outside.
  • FIG. 6 shows an example of the block configuration of the present disclosure.
  • the user terminal 92 has an environmental information notification function unit 21 and a realized quality notification function unit 22.
  • the environment information notification function unit 21 is a function unit that transmits user terminal information regarding the user terminal 92, which is a parameter required for the communication quality prediction device 91 for prediction.
  • the user terminal information is arbitrary information related to the communication quality of the user terminal 92, for example, information on connectable NWs in the system, geolocation information of each user terminal 92, traffic occurrence pattern, information on upper layer protocol, and the like. Contains environmental information about the user terminal of.
  • the realized quality notification function unit 22 is a function unit that transmits the connection network at the present or a certain time stamp and the communication quality obtained there.
  • the communication quality can be any communication quality predicted by the communication quality predictor 91, such as upstream / downlink throughput and its fluctuation, one-way / round-trip delay and its fluctuation.
  • the base station 93 has an environmental information notification function unit 31 and a realized quality notification function unit 32.
  • the environment information notification function unit 31 is a function unit that transmits base station information regarding the base station 93, which is a parameter required for the communication quality prediction device 91 for prediction.
  • the base station information is arbitrary information related to the communication quality of the user terminal 92, and is, for example, the environment information of the base station such as the geolocation information of the own device, the band information of the radio section, the corresponding radio standard, and the information of the upper network. including.
  • the realized quality notification function unit 32 is a function unit that transmits the communication quality of the user terminal 92 that has communicated via the base station 93 at present or at a certain time stamp.
  • the communication quality prediction device 91 learns the parameters of the quality prediction model to be learned in the quality prediction function unit 14 through the simulation function unit 11, the data set generation unit 12, and the learning function unit 13.
  • the simulation function unit 11 predicts the realized quality of the user terminal 92 group in a certain network configuration, user terminal state, and connection pattern, and transmits the result to the data set generation unit 12.
  • the simulator used here can be open source ns-3, commercially available simulation software, or an independently developed one.
  • the data set generation unit 12 inputs the quality prediction function unit 14 based on the communication quality information transmitted from the realization quality notification function units 22 and 32 of the user terminal 92 and the base station 93, or the prediction result of the simulation function unit 11. Convert the training data to the output format and create a training data set.
  • the process up to this point is repeated multiple times until the data set required for learning is prepared.
  • the learning function unit 13 learns the output for the input parameter using the learning data set, and adjusts the value of the parameter of the quality prediction model learned in the quality prediction function unit 14 by an error back propagation method or the like.
  • the simulation function unit 11, the data set generation unit 12, and the learning function unit 13 may be provided with an external device 94 other than the communication quality prediction device 91.
  • the communication quality prediction device 91 predicts the communication quality of each user terminal 92 for a specific connection pattern from the user terminal information and the base station information obtained by the environment information aggregation function unit 15.
  • the environmental information aggregation function unit 15 collects user terminal information and base station information transmitted from the environment information notification function units 21 and 31, and transmits the obtained information to the aggregate information storage unit 16. Dynamic information such as the geolocation information of the user terminal 92 may be directly input from the user terminal 92 to the prediction pattern determination function unit 17.
  • the aggregated information storage unit 16 stores information obtained from the environmental information aggregation function unit 15. Further, when new information is obtained from the environmental information aggregation function unit 15, the corresponding information is updated.
  • the prediction pattern determination function unit 17 extracts one feasible connection pattern in the current network configuration and the environment around the user terminal 92 based on the user terminal information and the base station information obtained from the environment information aggregation function unit 15. Then, it is transmitted to the quality prediction function unit 14.
  • the pattern extraction at this time may be performed by a method such as "extracting in order”, “randomly extracting", or “extracting based on an optimization algorithm” from the list of feasible patterns. Further, the prediction pattern may be determined by an instruction from the external device 94.
  • the quality prediction function unit 14 predicts the communication quality of the user terminal 92 group according to the quality prediction model designated by the learning function unit 13, and transmits the result to the prediction result output unit 18.
  • the prediction result output unit 18 has a function of processing and partially extracting the quality prediction result as necessary and transmitting the result to the external device 94, the user terminal 92, the base station 93, and the like. Further, when the quality is repeatedly predicted for other connection patterns based on the prediction result, the result may be output to the prediction pattern determination function unit 17.
  • the communication quality prediction device 91 learns the relationship between the input parameter and the realized quality in advance through the learning phase, and reflects the learning result in the quality prediction function unit 14. Quality prediction by the quality prediction phase described later is performed after the learning phase.
  • FIG. 7 shows an example of the procedure of the learning phase using simulation.
  • S11 The simulation function unit 11 predicts the realized quality of the user terminal 92 group in a certain network configuration, user terminal state, and connection pattern.
  • S12 Input parameters and output quality in the simulation are aggregated in the data set generation unit 12.
  • S13 The aggregated input / output data is converted into the input / output format of the learner.
  • the information of the user terminal 92 group in the system, the information of the base station 93 group, and the connection pattern between the terminal 92 group and the base station 93 group are represented by a matrix. ..
  • S14 The converted input / output data is added as an element of the data set of the learner.
  • S15 The process up to this point is repeated until the number of data sets i becomes the number of data sets N that enables sufficiently accurate prediction in the learner.
  • S16 The learning function unit 13 adjusts the parameters of the quality prediction model through learning using the learning data set, and inputs the final result to the quality prediction function unit 14.
  • FIG. 8 shows an example of the procedure of the learning phase using the realization quality in the actual network.
  • S21 and S22 The environmental information notification function units 21 and 31 of the user terminal 92 and the base station 93 transmit parameters to be input to the learner to the data set generation unit 12 for a certain time stamp. In addition, it transmits its own communication quality information in the time stamp to the communication quality prediction device 91. As a result, the data set generation unit 12 can obtain the communication quality information obtained as a result of the communication between the user terminal 92 and the base station 93, and the environmental information of the user terminal 92 and the base station 93 when the communication quality information is obtained.
  • Aggregate S23).
  • This process may be performed on the time stamp specified by the external device 94, or may be performed on the time stamp randomly or periodically generated internally. Further, such a process may be executed by using d that a specific condition is satisfied for generating a desired data set as a trigger.
  • S24 The input / output data aggregated in the data set generation unit 12 is converted into the input / output format of the learner.
  • the user terminal information, the base station information, and the connection pattern are represented by a matrix.
  • the connection pattern is created, for example, based on the geographical information transmitted by the user terminal 92 and the base station 93, or the base station name / number to which the user terminal 92 is connected.
  • the communication quality information of the user terminal 92 and the base station 93 is also represented by a matrix in the same manner as the user terminal information and the base station information.
  • S25 The converted input / output data is added as an element of the learner data set.
  • S26 The process up to this point is executed a plurality of times until the number of data sets i becomes the number of data sets N that enables sufficiently accurate prediction in the learner.
  • S27 The learning function unit 13 uses the learning data set. The parameters of the quality prediction model are adjusted through learning, and the final result is input to the quality prediction function unit 14.
  • FIG. 9 shows an example of a flowchart at the time of quality prediction performed after the learning phase.
  • S31 and S32 The environmental information notification function units 21 and 31 of the user terminal 92 and the base station 93 transmit the input parameters of the learner to the communication quality prediction device 91 for a certain time stamp.
  • the environmental information aggregation function unit 15 aggregates the user terminal information and the base station information (S33). This process may be performed on the time stamp specified by the external device 94, or may be performed on the time stamp randomly or periodically generated internally. Further, such a process may be executed by triggering that a specific condition is satisfied for quality prediction.
  • the prediction pattern determination function unit 17 of the communication quality prediction device 91 lists feasible patterns as connection destinations of the user terminal 92 group by using the aggregated user terminal information and base station information.
  • the feasible pattern depends on the service contract status and radio wave environment of each user terminal 92, the number of user terminals 92 that can be accommodated by the base station 93, and the like, but the feasibility determination logic based on these depends on them, and is disclosed in the present disclosure. Not included in the range. Then, the prediction pattern determination function unit 17 selects the connection pattern to be evaluated from the generated connection pattern list.
  • S35 The selected connection pattern, user terminal information, and base station information are converted into the input format of the learner. At this time, as described with reference to FIGS. 2 to 4, the user terminal information, the base station information, and the connection pattern are represented by a matrix.
  • S36 The quality prediction function unit 14 whose parameters have been adjusted throughout the learning phase predicts the communication quality for the input data.
  • S37 The quality prediction function unit 14 outputs the obtained prediction quality to the external device 94, the user terminal 92, the base station 93, its own memory, or the like.
  • S38 Further, when predicting another connection pattern in the same situation, the procedure after the selection of the connection pattern to be evaluated is repeated. In that case, the quality prediction result obtained in the previous iterative loop may be input to the prediction pattern determination function unit, and the next connection pattern selection may be performed in consideration of it.
  • the input data and the output data are represented as one or more matrix data 51, 52, 53, 61, 62, respectively.
  • the output data 61 and 62 into a matrix, the realized quality for the user terminal 92 group in the system can be predicted collectively.
  • the geolocation information used for the input / output of the communication quality prediction device 91 may be in any one-dimensional, two-dimensional, or three-dimensional coordinate format. Each element of the matrix corresponds to the geolocation information of the user terminal 92 and the base station 93. At this time, the resolution of the geolocation information does not matter.
  • the application information of each user terminal 92, the hardware information of the user terminal 92, and the like are stored so as to correspond to the geographical position of the corresponding user terminal 92.
  • Parameters that can be considered as application information include the required bandwidth, upper layer protocol, communication occurrence cycle, and ratio of communication occurrence time.
  • Parameters that can be considered as hardware information include wireless standards, CPU performance, memory capacity, and the like supported by the user terminal 92.
  • any quantifiable data such as the radio wave strength obtained from the beacon signal of each base station 93, the moving speed of the user terminal 92, and the direction vector thereof may be used.
  • the data of the m -th user terminal 92 regarding the i -th parameter is set to ami.
  • the band of the radio section of the base station 93, the band of the upper network, the corresponding radio standard, and the like are stored so as to correspond to the geographical position of the corresponding base station 93.
  • b n j be the data of the nth base station 93 relating to the jth parameter.
  • the number or coordinates of the base station 93 connected to the location corresponding to the geographical position information of the user terminal 92 are stored.
  • the coordinates here may be absolute coordinates or relative coordinates as seen from the user terminal 92. If it is assumed that a plurality of virtual networks exist for the same base station 93, one coordinate dimension is added and the virtual network number is stored.
  • cm k be the data of the m-th user terminal 92 regarding the k-th coordinate axis.
  • each user terminal 92 The communication quality realized by each user terminal 92 is output on the coordinates of the corresponding user terminal 92 in the output matrix as shown in the matrix data 61 and 62 shown in FIG. If there are multiple output quality indicators, multiple output matrices are generated. Assumed quality indicators include upstream / downstream throughput and its fluctuation, one-way / round-trip delay and its fluctuation, packet loss rate and its fluctuation, and the like. In the figure, the value of the l-th predicted quality index in the m -th user terminal 92 is represented as qm l .
  • the input format is (2L 1-1 ) ⁇ (2L 2-1 ) matrix.
  • L 1 ⁇ L 2 is 4 ⁇ 4
  • a 7 ⁇ 7 matrix is used to expand the range of geolocation information.
  • a 11 indicating the target user terminal 92_1 is arranged at the center.
  • the storage location of the data of the user terminal 92_2, the data of the base stations 93_1 and 93_1, and the connection destination information in the input moves so as to maintain the relative position.
  • the coordinates are relative to the user terminal 92 when the data of the user terminal 92_1 to be evaluated is placed at the origin.
  • the output format is an array of quality indexes obtained for the target user terminal 92.
  • the assumed parameters of input data and output data are the same as on the previous page.
  • This method is a method in which the learner implicitly recognizes the user terminal 92 to be predicted by setting a condition so that the target user terminal 92_1 is always located at the origin of the input matrix.
  • the amount of input data is large, but the number of nodes output by the quality prediction function unit 14 is small, so that the learning speed and prediction accuracy are considered to be improved.
  • -Learning method There is a convolutional neural network as a learning model to which the input / output format of this disclosure can be applied.
  • the learning function unit 13 can be implemented by a deep learning model having a convolutional neural network as a basic structure.
  • the coefficient in the neural network is adjusted so as to reduce the error between the output shown by the training data and the output derived by the learning model when the training data in the unadjusted learning model is input.
  • a typical implementation is the error backpropagation method.
  • the above processing can be implemented using the existing library of each programming language (such as Keras of python).
  • the quality prediction function unit 14 receives the model whose parameters have been adjusted by the learning function unit 13 as a quality prediction model.
  • the apparatus of the present disclosure can also be realized by a computer and a program, and the program can be recorded on a recording medium or provided through a network.
  • the communication quality prediction device 91 can be applied to any wireless communication standard having a base station 93, such as a 3GPP compliant cellular wireless standard (LTE, 5G), an IEEE802.11 compliant wireless LAN standard, and a WiMAX standard. be.
  • a base station 93 such as a 3GPP compliant cellular wireless standard (LTE, 5G), an IEEE802.11 compliant wireless LAN standard, and a WiMAX standard.
  • the base station 93 of the standard having a common frequency to be used and the user terminal 92 connected to the base station 93 are extracted, and the quality is predicted.
  • the quality of the user terminal 92 of the entire system can be predicted.
  • the particle size for classifying the frequency domain and the wireless standard is not limited.
  • This disclosure can be applied to the information and communication industry.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本開示は、各ユーザ端末で得られる通信品質を群のある接続状態について、短時間かつに高精度で通信品質を予測可能にすることを目的とする。　本開示は、複数のユーザ端末から各ユーザ端末の地理的位置を含むユーザ端末情報を収集し、前記複数のユーザ端末のうちの少なくともいずれかとの通信可能な複数のネットワーク装置から各ネットワーク装置の地理的位置を含むネットワーク情報を収集する、環境情報集約機能部と、前記環境情報集約機能部の収集したユーザ端末情報及びネットワーク情報に基づいて、前記複数のユーザ端末がネットワーク装置に接続する接続パターンを抽出する予測パターン決定機能部と、接続パターンとユーザ端末の通信品質との関係を予め学習して得られた品質予測モデルを保持し、前記予測パターン決定機能部の抽出した接続パターンを前記品質予測モデルの入力に適用し、前記複数のユーザ端末の品質予測を行う品質予測機能部と、を備える装置である。

Description

通信品質を予測する装置、方法及びプログラム
　本開示は、通信品質を予測する装置、方法及びプログラムに関する。
　ユーザはネットワークサービスを利用するとき、通信キャリアの提供する通信回線を利用する。利用できるアクセス手段として、光回線や無線通信回線など様々な物理媒体が存在する。例えば、光回線の場合、ＩＥＥＥ　８０２．３（イーサネット（登録商標））やＩＴＵ－Ｔ　Ｇ．９８３／Ｇ．９８４／Ｇ．９８７／Ｇ．９８９等の通信規格が存在する。無線通信回線の場合、３ＧＰＰ　３６Ｓｅｒｉｅｓ（ＬＴＥ）やＩＥＥＥ８０２．１１（無線ＬＡＮ）、ＩＥＥＥ　８０２．１６（ＷｉＭＡＸ）等の通信規格が存在する。
　ユーザ端末は、複数の通信規格を使い分けて通信を行うことができる。例えば、スマートホンは、ＬＴＥと無線ＬＡＮ、Ｂｌｕｅｔｏｏｔｈのどれを利用するか選択することができる。また、同一の通信規格を利用した異種キャリアのアクセス手段を使い分けることも可能である。このような各アクセス手段は帯域や遅延等の通信品質が異なっているため、これらを用途に応じて適切に使い分けることでユーザの体感品質（ＱｏＥ：　Ｑｕａｌｉｔｙ　ｏｆ　Ｅｘｐｅｒｉｅｎｃｅ）を最大化することが可能になる。
　また、ユーザ端末の利用するアクセス手段決定機能は、必ずしもユーザ端末本体に存在する必要はなく、ネットワーク上のルータやサーバ、もしくは外部端末が保持することも可能である。そのようなネットワーク上の装置からユーザ端末に対して接続先の指示を行う方式を想定したメッセージ方式　ＡＮＤＳＦ（Ａｃｃｅｓｓ　Ｎｅｔｗｏｒｋ　Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　Ｓｅｌｅｃｔｉｏｎ　Ｆｕｎｃｔｉｏｎ）が、３ＧＰＰにて標準化されている（非特許文献１を参照）。このような外部制御の方式を適用することで、制御エリア内のユーザ端末群の接続先組み合わせを変数とした最適化を実行することにより、ユーザ端末間のアクセス手段の競合などによる品質低下を抑制した接続先制御ができる。
　前記のように、ある装置が対象エリア内のユーザ端末群の接続先組み合わせを制御可能であるとき、その装置は最適な接続先組み合わせを導出する処理を必要とする。その際、解の候補となる様々な接続先組み合わせによって実現される通信品質を把握する必要があるが、通信品質の把握は実際の接続を伴わずに予測によって実現できることが望ましい。予測に基づき最適接続先組み合わせ導出を実行することで、切り替え処理に伴う一時的な体感品質の低下を最小限にし、ユーザ端末群の最適アクセス手段の組み合わせを選択することが可能になる。
　以上のことから、ユーザ端末群の接続先組み合わせを最適化するためには、現在の接続状態以外のパターンも含めた仮想の接続先組み合わせに対して、各ユーザ端末で得られる通信品質を予測する機能が必要となる。
（従来技術の課題１）
　あるエリアにおけるユーザ端末群の仮想の接続状態に対して、実現される通信品質を予測する既存手法としては「数理モデルを用いる方法」と「ネットワークシミュレータを用いる方法」がある。前者の例としては非特許文献２のように、３ＧＰＰ準拠のセルラ基地局に関してＳＮＲ（Ｓｉｇｎａｌ－Ｎｏｉｓｅ　Ｒａｔｉｏ）や割り当て周波数幅を基にしたスループット予測法や、８０２．１１準拠の無線ＬＡＮに関して基地局の総帯域とその基地局への接続台数を基にしたスループット予測法がある。このような数理モデルを用いた予測はネットワークシミュレータを用いる方法と比べて計算処理が少なく済む傾向にあるが、系が複雑化するにつれ予測精度が低下することや、ＴＣＰ（Ｔｒａｎｓｍｉｓｓｉｏｎ　Ｃｏｎｔｒｏｌ　Ｐｒｏｔｏｃｏｌ）やＵＤＰ（Ｕｓｅｒ　Ｄａｔａｇｒａｍ　Ｐｒｏｔｏｃｏｌ）のような上位プロトコルの振る舞いを考慮できないため、現実のアプリケーションで得られる品質を厳密には予測できないという課題がある。
　後者のシミュレーションを用いる方法については品質予測精度が比較的高いと考えられるが、品質予測完了までに要する計算処理が多く、ユーザもしくはユーザ群で得られる予測通信品質を導出するのに非常に大きな時間がかかる。このことは、位置情報変化や利用アプリケーションの変化に追従してリアルタイムに最適な接続先を選択することを困難にする。実際、非特許文献３ではユーザ端末群の接続先最適処理を最適化アルゴリズムにより高速化したものの、ｎｓ－３（Ｎｅｔｗｏｒｋ　Ｓｉｍｕｌａｔｏｒ　３）のシミュレーションによる時間的ボトルネックが残存している。
（従来技術の課題２）
　また、一般的に短時間かつ高精度で通信品質予測を行う方法として、機械学習を用いる方法が考えられる。例えば、非特許文献４では、ＩＥＥＥ８０２．１１準拠の無線ＬＡＮ基地局との通信において、ユーザ端末がある周波数チャネルを用いて接続した場合の実現品質を、機械学習を用いて予測する手法が提案されている。しかしながらこの手法は周囲のユーザ端末の振る舞いが静的であると仮定し、１台のユーザ端末の利用周波数チャネルの最適化に留まっている。よって、ユーザ端末群の接続先組み合わせを制御する目的には適用できない。
　また、非特許文献５では、ネットワークシミュレータと機械学習を組み合わせた、移動型無線ＬＡＮ装置群の配置に対する実現品質予測手法が報告されている。しかし、非特許文献５ではユーザ端末群は自身から最も近い距離にある基地局に接続する制約条件を課していることに加え、出力する予測値が系全体の平均の品質であり、各ユーザ端末の実現品質に分解された予測値が得られない。よってユーザ端末群と基地局との接続パターンについて各ユーザ端末で得られる品質を予測する目的には適用できない。
　以上のように、ユーザ端末群の仮想的な接続状態に対して、機械学習を用いて各ユーザ端末の実現品質を予測する具体的な手法は提案されていない。
３ＧＰＰ　ＴＳ　２４．３１２　Ｖ１５．０．０　（２０１８－０６），　Ａｃｃｅｓｓ　Ｎｅｔｗｏｒｋ　Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　Ｓｅｌｅｃｔｉｏｎ　Ｆｕｎｃｔｉｏｎ　（ＡＮＤＳＦ）　Ｍａｎａｇｅｍｅｎｔ　Ｏｂｊｅｃｔ　（ＭＯ）ｈｔｔｐｓ：／／ｐｏｒｔａｌ．３ｇｐｐ．ｏｒｇ／ｄｅｓｋｔｏｐｍｏｄｕｌｅｓ／Ｓｐｅｃｉｆｉｃａｔｉｏｎｓ／ＳｐｅｃｉｆｉｃａｔｉｏｎＤｅｔａｉｌｓ．ａｓｐｘ？ｓｐｅｃｉｆｉｃａｔｉｏｎＩｄ＝１０７７ Ｉ．Ｂ．Ｄｈｉａ　ｅｔ　ａｌ．，　"Ｏｐｔｉｍｉｚａｔｉｏｎ　ｏｆ　ａｃｃｅｓｓ　ｐｏｉｎｔｓ　ｓｅｌｅｃｔｉｏｎ　ａｎｄ　ｒｅｓｏｕｒｃｅ　ａｌｌｏｃａｔｉｏｎ　ｉｎ　ｈｅｔｅｒｏｇｅｎｅｏｕｓ　ｗｉｒｅｌｅｓｓ　ｎｅｔｗｏｒｋ，"　２０１７　ＩＥＥＥ　２８ｔｈ　Ａｎｎｕａｌ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｓｙｍｐｏｓｉｕｍ　ｏｎ　Ｐｅｒｓｏｎａｌ，　Ｉｎｄｏｏｒ，　ａｎｄ　Ｍｏｂｉｌｅ　Ｒａｄｉｏ　Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ　（ＰＩＭＲＣ），　Ｍｏｎｔｒｅａｌ，　ＱＣ，　２０１７，　ｐｐ．　１－７． 小野他　，"ベイズ最適化を用いたマルチアクセス環境における最適ユーザ収容アルゴリズムの検討"，　２０２０年電子情報通信学会総合大会　Ｂ－６－２６ Ｓ．　Ｋａｊｉｔａ，　Ｈ．　Ｙａｍａｇｕｃｈｉ，　Ｔ．　Ｈｉｇａｓｈｉｎｏ，　Ｈ．　Ｕｒａｙａｍａ，　Ｍ．　Ｙａｍａｄａ　ａｎｄ　Ｍ．　Ｔａｋａｉ，　"Ｔｈｒｏｕｇｈｐｕｔ　ａｎｄ　Ｄｅｌａｙ　Ｅｓｔｉｍａｔｏｒ　ｆｏｒ　２．４ＧＨｚ　ＷｉＦｉ　ＡＰｓ：　Ａ　Ｍａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇ－Ｂａｓｅｄ　Ａｐｐｒｏａｃｈ，"　２０１５　８ｔｈ　ＩＦＩＰ　Ｗｉｒｅｌｅｓｓ　ａｎｄ　Ｍｏｂｉｌｅ　Ｎｅｔｗｏｒｋｉｎｇ　Ｃｏｎｆｅｒｅｎｃｅ　（ＷＭＮＣ），　Ｍｕｎｉｃｈ，　２０１５，　ｐｐ．　２２３－２２６，　ｄｏｉ：　１０．１１０９／ＷＭＮＣ．２０１５．３０． Ｅ．　Ｎ．　Ａｌｍｅｉｄａ，　Ｋ．　Ｆｅｒｎａｎｄｅｓ，　Ｆ．　Ａｎｄｒａｄｅ，　Ｐ．　Ｓｉｌｖａ，　Ｒ．　Ｃａｍｐｏｓ　ａｎｄ　Ｍ．　Ｒｉｃａｒｄｏ，　"Ａ　Ｍａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇ　Ｂａｓｅｄ　Ｑｕａｌｉｔｙ　ｏｆ　Ｓｅｒｖｉｃｅ　Ｅｓｔｉｍａｔｏｒ　ｆｏｒ　Ａｅｒｉａｌ　Ｗｉｒｅｌｅｓｓ　Ｎｅｔｗｏｒｋｓ，"　２０１９　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗｉｒｅｌｅｓｓ　ａｎｄ　Ｍｏｂｉｌｅ　Ｃｏｍｐｕｔｉｎｇ，　Ｎｅｔｗｏｒｋｉｎｇ　ａｎｄ　Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ　（ＷｉＭｏｂ），　Ｂａｒｃｅｌｏｎａ，　Ｓｐａｉｎ，　２０１９，　ｐｐ．　１－６，　ｄｏｉ：　１０．１１０９／ＷｉＭＯＢ．２０１９．８９２３２１７．
　本開示は、各ユーザ端末で得られる通信品質を短時間かつ高精度で予測可能にすることを目的とする。
　本開示は、基地局情報、端末情報、及びそれらの接続先情報と、各ユーザ端末で得られる通信品質のシミュレーション値もしくは実ネットワークでの実現値との関係を機械学習によって学習する。
　具体的には、本開示の装置は、
　複数のユーザ端末から各ユーザ端末の地理的位置を含むユーザ端末情報を収集し、前記複数のユーザ端末のうちの少なくともいずれかとの通信可能な複数のネットワーク装置から各ネットワーク装置の地理的位置を含むネットワーク情報を収集する、環境情報集約機能部と、
　前記環境情報集約機能部の収集したユーザ端末情報及びネットワーク情報に基づいて、前記複数のユーザ端末がネットワーク装置に接続する接続パターンを抽出する予測パターン決定機能部と、
　接続パターンとユーザ端末の通信品質との関係を予め学習して得られた品質予測モデルを保持し、前記予測パターン決定機能部の抽出した接続パターンを前記品質予測モデルの入力に適用し、前記複数のユーザ端末の品質予測を行う品質予測機能部と、
　を備える。
　具体的には、本開示の方法は、
　環境情報集約機能部が、複数のユーザ端末から各ユーザ端末の地理的位置を含むユーザ端末情報を収集し、複数のネットワーク装置から各ネットワーク装置の地理的位置を含むネットワーク情報を収集し、
　予測パターン決定機能部が、前記環境情報集約機能部の収集したユーザ端末情報及びネットワーク情報に基づいて、前記複数のユーザ端末がネットワーク装置に接続する接続パターンを抽出し、
　品質予測機能部が、接続パターンとユーザ端末の通信品質との関係を予め学習して得られた品質予測モデルを保持し、前記予測パターン決定機能部の抽出した接続パターンを前記品質予測モデルの入力に適用し、前記複数のユーザ端末の品質予測を行う。
　具体的には、本開示のプログラムは、本開示に係る装置に備わる各機能部としてコンピュータを実現させるためのプログラムであり、本開示に係る装置が実行する方法に備わる各ステップをコンピュータに実行させるためのプログラムである。
　本開示によれば、各ユーザ端末群で得られる通信品質を短時間かつ高精度に予測することができ、接続先組み合わせの最適化をより高速に実行することが可能となる。
本開示の概略構成の一例を示す。 基地局情報のデータ形式の一例を示す。 ユーザ端末情報のデータ形式の一例を示す。 接続先情報のデータ形式の一例を示す。 本開示のシステム構成の一例を示す。 本開示のブロック構成例を示す。 シミュレーションを用いる学習フェーズの手順の一例を示す。 実際のネットワークでの実現品質を用いる学習フェーズの手順の一例を示す。 学習フェーズ後に行われる品質予測時のフローチャートの一例を示す。 学習器の入力形式の第１例を示す。 学習器の出力形式の第１例を示す。 学習器の入力形式の第２例を示す。 学習器の出力形式の第２例を示す。
　以下、本開示の実施形態について、図面を参照しながら詳細に説明する。なお、本開示は、以下に示す実施形態に限定されるものではない。これらの実施の例は例示に過ぎず、本開示は当業者の知識に基づいて種々の変更、改良を施した形態で実施することができる。なお、本明細書及び図面において符号が同じ構成要素は、相互に同一のものを示すものとする。
（本開示の概要）
　図１に本開示の概略構成の一例を示す。ユーザ端末情報及びネットワーク情報並びにこれらの接続関係に関する接続先情報とユーザ端末の通信品質との関係を予め学習して得られた品質予測モデルを用いる。ネットワーク情報は、ユーザ端末と通信接続可能な任意のネットワーク装置の情報である。以下では、実施形態の一例として、ネットワーク装置が基地局であり、ネットワーク情報が基地局情報である例について説明する。
　品質予測モデルの学習は、シミュレーションで得られた情報を用いてもよいし、実ネットワークで得られた情報を用いてもよいし、これらの両方を用いてもよい。
・例えば、ネットワークシミュレータによる予測で用いる設定情報と、それを設定値としてシミュレーションすることによって得られる予測品質と、の関係を学習器が学習することで、ある接続パターンの設定に対する品質予測をより短時間に行う。
・例えば、実ネットワークにおけるネットワーク情報及びユーザ端末情報とそれらの接続先情報と、実現品質の関係と、を学習器が学習することで、ある接続パターンに対する予測品質を導出する。
　また、後述する学習機能部１３で用いる学習器及び品質予測機能部１４への入力パラメータ値を、図２及び図３に示すように、ユーザ端末９２＿１，９２＿２および基地局９３＿１，９３＿２の地理的位置情報に対応した２次元もしくは３次元マップ上に配置する。
　例えば、基地局９３＿１，９３＿２のサービスエリアを４×４の領域に分割し、分割された１６の領域のうちの基地局９３＿１，９３＿２の存在する領域に基地局９３＿１，９３＿２を示すパラメータｂ１ １，ｂ２ １を配置する。これにより、基地局９３＿１，９３＿２を示すパラメータｂ１ １，ｂ２ １を４×４の行列で表現する。図２の例では、基地局９３＿１を示すパラメータｂ１ １を行列の（１，１）要素に配置し、基地局９３＿２を示すパラメータｂ２ １を行列の（４，３）要素に配置する。なお、パラメータの種類が複数ある場合は、同サイズの行列を複数用意し、基地局９３＿１，９３＿２について同様の方法でｂ１ ２，ｂ２ ２などとして配置する。
　また、分割された１６の領域のうちのユーザ端末９２＿１，＿９２＿２の存在する領域にユーザ端末９２＿１，＿９２＿２を示すパラメータａ１ １，ａ２ １を配置する。図３の例では、ユーザ端末９２＿１を示すパラメータａ１ １を行列の（２，２）要素に配置し、ユーザ端末９２＿２を示すパラメータａ２ １を行列の（３，３）要素に配置する。このように、基地局情報及びユーザ端末情報を行列で表す。なお、パラメータの種類が複数ある場合は、同サイズの行列を複数用意し、ユーザ端末９２＿１，＿９２＿２について同様の方法でａ１ ２，ａ２ ２などとして配置する。
　また、分割された１６の領域のうちのユーザ端末９２＿１，＿９２＿２の存在する領域に、各ユーザ端末９２＿１，９２＿２が接続する基地局９３＿１，９３＿２の情報すなわち接続先情報ｃ１ １，ｃ２ １を、図４に示すように各基地局の地理的位置座標値で表現する。例えば、ユーザ端末９２＿１を基地局９３＿１に接続し、ユーザ端末９２＿２を基地局９３＿２に接続する場合、行列の（２，２）要素に基地局９３＿１の地理的位置座標（１，１）を記載し、行列の（３，３）要素に基地局９３＿２の地理的位置座標（３，４）を記載する。これにより、本開示は、複数のユーザ端末９２が含まれるユーザ端末９２群の基地局９３との接続先の組み合わせを表す接続先情報を行列データで表し、変数「接続パターン」として学習器に入力可能となる。
　また、ｃ１ ２，ｃ２ ２に用いる値はユーザ端末９２＿１，＿９２＿２と基地局９３＿１，９３＿２の相対的な位置情報を用いても良い。例えば、上記の例では行列の（２，２）要素に（－１、－１）、および（３，３）要素に（０，１）となる。なお、複数次元にわたり座標情報を格納する場合は、同サイズの行列を複数用意し、同様の方法でｃ１ １，ｃ２ １にｙ軸方向の値を、ｃ１ ２，ｃ２ ２にｘ軸方向の値を配置などすれば良い。
　なお、各基地局の地理的位置座標ｃ１ １及びｃ２ １に代えて、各基地局９３＿１，９３＿２を識別可能な任意の識別情報を用いることができる。また、設定情報、基地局情報、ユーザ端末情報、および接続先情報などの入力情報に含むパラメータはユーザ端末群の地理的位置情報、トラヒック発生パターンや上位プロトコルの情報等であり、具体的には以下の実施形態例に記載する。
（本開示の効果）
　シミュレーションによる品質予測と同等もしくはそれ以上（実ネットワークに対応した）の予測精度でより高速に予測値を出力することができ、計算処理の負荷を軽減できる。このため、接続先の組み合わせの最適化をより高速に実行することができる。
（全体構成）
　図５に、本開示のシステム構成の一例を示す。本開示では、系内にはＭ個のユーザ端末９２が存在することを想定しｍ番目のユーザ端末９２をユーザ端末ｍと表現する。ユーザ端末９２群の周囲にはアクセス手段であるＮ種類の基地局９３が存在するものとする。ここで、基地局９３は、ユーザ端末９２と通信接続可能な任意のネットワーク装置を含む。本開示では、ネットワークをＮＷと表記する場合があり、ｎ番目の基地局９３を基地局ｎと表現する。
　本開示の通信品質予測装置９１は、上記の状況におけるユーザ端末９２群の特定の接続状態を仮定し、特定のユーザ端末９２もしくは系内に存在するユーザ端末９２群の通信品質予測を行う。通信品質予測装置９１は各アクセス手段よりも上位のオーバーレイネットワーク上のサーバやネットワーク装置をはじめ、インターネット上のサーバやネットワーク装置、各アクセス手段の上位ネットワークに位置するサーバやネットワーク装置およびユーザ端末９２であってもよい。
　通信品質予測装置９１は、通信品質予測に必要なパラメータを保持していない場合、ユーザ端末９２や基地局９３から情報を取得もしくはパラメータ取得を行う。ユーザ端末９２から取得する情報を本開示ではユーザ端末情報と称する。基地局９３から取得する情報を本開示では基地局情報と称する。このパラメータ取得はある時間周期もしくは指定時間において同期して行われてもよく、通信品質予測装置９１と各通信装置が非同期に情報を交換しても良い。本通信品質予測装置９１は、通信キャリア及びネットワークサービスの提供者が、自身の管理するユーザ端末９２の利用ネットワークを最適化するため、接続先最適化エンジンのような外部装置から命令を受けて品質予測を実行しても良い。また、最適化エンジン相当の装置と情報記憶部などを共有してもよい。また、本通信品質予測装置９１およびプログラムを最適化エンジン内部の品質予測機能部として同一装置内に実装しても良い。また、本装置はユーザ端末９２やＮＷ装置から命令を受けて品質予測を実行しても良い。また、外部から命令を受けずとも、品質予測結果をユーザ端末９２やＮＷ装置に対して配信してもよい。
（機能ブロック図）
　図６に、本開示のブロック構成例を示す。
　ユーザ端末９２は環境情報通知機能部２１と実現品質通知機能部２２を持つ。
　環境情報通知機能部２１は、通信品質予測装置９１が予測に必要なパラメータである、ユーザ端末９２に関するユーザ端末情報を送信する機能部である。ユーザ端末情報は、ユーザ端末９２の通信品質に関わる任意の情報であり、例えば、系内の接続可能なＮＷの情報、各ユーザ端末９２の地理的位置情報、トラヒック発生パターン、上位プロトコルの情報等のユーザ端末の環境情報を含む。
　実現品質通知機能部２２は現在またはあるタイムスタンプにおける接続ネットワークとそこで得られた通信品質を送信する機能部である。通信品質は上り／下り方向スループットおよびその揺らぎ、片道／往復遅延およびその揺らぎなど、通信品質予測装置９１が予測する任意の通信品質でありうる。
　基地局９３は環境情報通知機能部３１と実現品質通知機能部３２を持つ。
　環境情報通知機能部３１は、通信品質予測装置９１が予測に必要なパラメータである、基地局９３に関する基地局情報を送信する機能部である。基地局情報は、ユーザ端末９２の通信品質に関わる任意の情報であり、例えば、自装置の地理的位置情報、無線区間の帯域情報、対応無線規格、上位ネットワークの情報等の基地局の環境情報を含む。
　実現品質通知機能部３２は現在またはあるタイムスタンプにおいて、基地局９３を経由して通信を行ったユーザ端末９２の通信品質を送信する機能部である。
　通信品質予測装置９１は、シミュレーション機能部１１、データセット生成部１２、学習機能部１３を通して、品質予測機能部１４において学習を行う品質予測モデルのパラメータを学習する。
　シミュレーション機能部１１はあるネットワーク構成、ユーザ端末状態、及び接続パターンにおけるユーザ端末９２群の実現品質を予測し、データセット生成部１２―に結果を送信する。ここで用いるシミュレータはオープンソースのｎｓ－３や市販のシミュレーションソフト、および独自に開発したものを使用することができる。
　データセット生成部１２は、ユーザ端末９２や基地局９３の実現品質通知機能部２２、３２から送信される通信品質情報、もしくはシミュレーション機能部１１の予測結果を基に、品質予測機能部１４の入出力形式に学習データを変換し、学習用データセットを作成する。
　ここまでの過程は学習に必要なデータセットが揃うまで複数回行われる。学習機能部１３は学習データセットを用いて入力パラメータに対する出力を学習し、品質予測機能部１４において学習する品質予測モデルのパラメータの値を誤差逆伝搬法などによって調整する。シミュレーション機能部１１、データセット生成部１２及び学習機能部１３は、通信品質予測装置９１以外の外部装置９４が備えても良い。
　通信品質予測装置９１は環境情報集約機能部１５で得たユーザ端末情報及び基地局情報から特定の接続パターンについて各ユーザ端末９２の通信品質を予測する。
　環境情報集約機能部１５は、環境情報通知機能部２１及び３１から送信されたユーザ端末情報及び基地局情報を収集し、得た情報を集約情報記憶部１６に送信する。ユーザ端末９２の地理的位置情報等の動的な情報は、ユーザ端末９２から予測パターン決定機能部１７に直接入力しても良い。
　集約情報記憶部１６は環境情報集約機能部１５から得た情報を記憶する。また、新たな情報が環境情報集約機能部１５から得られた場合は該当する情報を更新する。
　予測パターン決定機能部１７は、環境情報集約機能部１５から得られたユーザ端末情報及び基地局情報に基づいて、現状のネットワーク構成及びユーザ端末９２周囲の環境において実現可能な接続パターンを一つ抽出し、品質予測機能部１４に送信する。この時のパターン抽出は実現可能パターンのリストから”順に抽出”、”ランダムに抽出”、“最適化アルゴリズムに基づいて抽出”するなどの方法を取ればよい。また、予測パターン決定は外部装置９４からの命令によって行われても良い。
　品質予測機能部１４は、学習機能部１３によって指定された品質予測モデルに従ってユーザ端末９２群の通信品質を予測し、結果を予測結果出力部１８に送信する。
　予測結果出力部１８は必要に応じて品質予測結果を加工及び部分抽出し、外部装置９４やユーザ端末９２及び基地局９３などに結果を送信する機能を持つ。また、その予測結果を基に他の接続パターンについて繰り返し品質予測を行う場合は、結果を予測パターン決定機能部１７に出力しても良い。
　本通信品質予測装置９１は、学習フェーズを通して入力パラメータと実現品質の関係を事前に学習し、その学習結果を品質予測機能部１４に反映する。後述の品質予測フェーズによる品質予測は、学習フェーズの後に行われる。
（シミュレータを用いた学習フェーズ）
　図７に、シミュレーションを用いる学習フェーズの手順の一例を示す。
　Ｓ１１：シミュレーション機能部１１は、あるネットワーク構成、ユーザ端末状態及び接続パターンにおける、ユーザ端末９２群の実現品質を予測する。
　Ｓ１２：シミュレーションでの入力パラメータと出力品質はデータセット生成部１２に集約される。
　Ｓ１３：集約された入出力データは学習器の入出力形式に変換される。このときに、図２～図４で説明したように、系内のユーザ端末９２群の情報や、基地局９３群の情報、および端末９２群と基地局９３群間の接続パターンを行列で表す。
　Ｓ１４：変換された入出力データは学習器のデータセットの要素として追加される。
　Ｓ１５：ここまでの過程はデータセット数ｉが、十分精度の良い予測が学習器において可能となるデータセット数Ｎとなるまで繰り返される。
　Ｓ１６：学習機能部１３は学習データセットを用いた学習を通して品質予測モデルのパラメータ調整を行い、最終結果を品質予測機能部１４に入力する。
（実ＮＷを用いた学習フェーズ）
　図８に、実際のネットワークでの実現品質を用いる学習フェーズの手順の一例を示す。
　Ｓ２１及びＳ２２：ユーザ端末９２及び基地局９３の環境情報通知機能部２１、３１は、あるタイムスタンプについて、学習器の入力となるパラメータをデータセット生成部１２に送信する。加えて、そのタイムスタンプにおける自身の通信品質情報を通信品質予測装置９１に対して送信する。これにより、データセット生成部１２が、ユーザ端末９２及び基地局９３の通信の結果得られた通信品質情報と、通信品質情報を得た際のユーザ端末９２及び基地局９３の環境情報と、を集約する（Ｓ２３）。この処理は外部装置９４から指定されたタイムスタンプについて行っても、内部でランダムもしくは周期的に生成されたタイムスタンプについて行ってもよい。また、所望のデータセット生成のために特定の条件を満たしたことｄをトリガーにして、このような処理を実行しても良い。
　Ｓ２４：データセット生成部１２に集約された入出力データは学習器の入出力形式に変換される。このときに、図２～図４で説明したように、ユーザ端末情報、基地局情報及び接続パターンを行列で表す。接続パターンは、例えば、ユーザ端末９２及び基地局９３の送信する地理的情報や、ユーザ端末９２が接続した基地局名・番号に基づいて作成する。また、ユーザ端末９２及び基地局９３の通信品質情報についてもユーザ端末情報及び基地局情報と同様に行列で表す。
　Ｓ２５：変換された入出力データは学習器のデータセットの要素として追加される。
　Ｓ２６：ここまでの過程はデータセット数ｉが、十分精度の良い予測が学習器において可能となるデータセット数Ｎとなるまで複数回実行される
　Ｓ２７：学習機能部１３は学習データセットを用いた学習を通して品質予測モデルのパラメータ調整を行い、最終結果を品質予測機能部１４に入力する。
（品質予測フェーズ）
　図９に、学習フェーズ後に行われる品質予測時のフローチャートの一例を示す。
　Ｓ３１及びＳ３２：ユーザ端末９２及び基地局９３の環境情報通知機能部２１及び３１は、あるタイムスタンプについて、学習器の入力となるパラメータを通信品質予測装置９１に送信する。これにより、環境情報集約機能部１５がユーザ端末情報及び基地局情報を集約する（Ｓ３３）。この処理は外部装置９４から指定されたタイムスタンプについて行っても、内部でランダムもしくは周期的に生成されたタイムスタンプについて行ってもよい。また、品質予測のために特定の条件を満たしたことをトリガーにして、このような処理を実行しても良い。トリガーの例としては、いずれかのユーザ端末９２の通信品質が劣化したことをトリガーにするなどの方法が考えられる。
　Ｓ３４：通信品質予測装置９１の予測パターン決定機能部１７は集約したユーザ端末情報及び基地局情報を用いて、ユーザ端末９２群の接続先として実現可能なパターンをリストアップする。実現可能なパターンは各ユーザ端末９２のサービス契約状況や電波環境、基地局９３の収容可能なユーザ端末９２の数などに依存するが、それらに基づく実現可否の判定ロジックは任意とし、本開示の範囲には含めない。そして、予測パターン決定機能部１７は生成された接続パターンリストから評価対象の接続パターンを選択する。
　Ｓ３５：選択された接続パターン及びユーザ端末情報及び基地局情報を、学習器の入力形式に変換する。このときに、図２～図４で説明したように、ユーザ端末情報、基地局情報及び接続パターンを行列で表す。
　Ｓ３６：学習フェーズを通じてパラメータが調整された品質予測機能部１４により、入力データに対する通信品質の予測を実行する。
　Ｓ３７：品質予測機能部１４は、得られた予測品質を外部装置９４またはユーザ端末９２、基地局９３、自身のメモリなどに出力する。
　Ｓ３８：また、同シチュエーションの別の接続パターンについて予測を行う場合は評価対象の接続パターン選択以降の手順を繰り返す。その場合、前の繰り返しループで得られた品質予測結果を予測パターン決定機能部に入力し、それを加味した次回接続パターン選択を行っても良い。
（学習器の入出力パラメータの第１例）
　データセット生成部１２および品質予測機能部１４における入出力データの形式についての具体例を示す。データセット生成部１２や品質予測機能部１４は、下記の入出力形式に沿うようデータの加工を行う。ユーザ端末９２や基地局９３が図１０に示す想定状況例のように位置しているとする。
　図１０及び図１１に示すように、入力データ及び出力データは、それぞれ１枚もしくは複数枚の行列データ５１、５２、５３、６１、６２として表される。図１１に示すように、出力データ６１及び６２が行列となることで、系内のユーザ端末９２群に対する実現品質が一括で予測できる。なお、本通信品質予測装置９１の入出力に用いる地理的位置情報は１次元、２次元、３次元座標形式のいずれでも良い。行列の各要素は、ユーザ端末９２や基地局９３の地理的位置情報と対応する。このとき、地理的位置情報の分解能は問わない。
　ユーザ端末情報の行列データ５１では、各ユーザ端末９２のアプリケーション情報や、ユーザ端末９２のハードウェア情報等が該当ユーザ端末９２の地理的位置に対応するよう格納される。アプリケーション情報として考えられるパラメータとして、要求帯域、上位プロトコル、通信発生周期、通信発生時間の割合などがある。ハードウェア情報として考えられるパラメータとして、ユーザ端末９２がサポートする無線規格やＣＰＵ性能、メモリ容量等がある。その他、各基地局９３のビーコン信号などから得られる電波強度やユーザ端末９２の移動速度やその方向ベクトルなど、定量化可能なあらゆるデータを用いてよい。複数の行列データを扱うとき、ｉ番目のパラメータに関するｍ番目のユーザ端末９２のデータをａｍ ｉとする。
　基地局情報の行列データ５２では、基地局９３の無線区間の帯域や上位ネットワークの帯域、対応無線規格等が、該当する基地局９３の地理的位置に対応するよう格納される。複数の行列データを扱うとき、ｊ番目のパラメータに関するｎ番目の基地局９３のデータをｂｎ ｊとする。
　各ユーザ端末９２の接続先を認識する接続先情報の行列データ５３として、ユーザ端末９２の地理的位置情報に対応する箇所に接続する基地局９３の番号もしくは座標を格納する。ここでの座標は、絶対座標でもよく、ユーザ端末９２から見た相対座標でもよい。また、同一の基地局９３に対して複数の仮想ネットワークが存在することが想定される場合は、座標の次元を１つ追加し、仮想ネットワークの番号を格納する。複数次元の座標データを扱うとき、ｋ番目の座標軸に関するｍ番目のユーザ端末９２のデータをｃｍ ｋとする。
　各ユーザ端末９２で実現される通信品質は、図１１に示す行列データ６１及び６２ように、出力行列における、該当ユーザ端末９２の座標上に出力される。出力品質指標が複数存在する場合は、出力行列が複数生成される。想定される品質指標としては、上り／下り方向スループットおよびその揺らぎ、片道／往復遅延およびその揺らぎ、パケットロス率及びその揺らぎなどが考えられる。図では、ｍ番目のユーザ端末９２におけるｌ番目の予測品質指標の値をｑｍ ｌと表す。
（学習器の入出力パラメータの第２例）
　また、あるユーザ端末９２の品質に絞った予測を行う実施例について、図１２及び図１３を参照しながら説明する。系全体の地理的位置情報がＬ１×Ｌ２の行列に基づいて管理されている場合、入力の形式は（２Ｌ１－１）×（２Ｌ２－１）行列とする。例えば、Ｌ１×Ｌ２が４×４の場合、７×７行列にし、地理的位置情報の範囲を拡大する。そして、対象とするユーザ端末９２＿１を示すａ１ １を中心に配置する。
　また入力におけるユーザ端末９２＿２のデータや基地局９３＿１及び９３＿２のデータ、および接続先情報の格納場所は、相対位置を維持するように移動する。これにより、評価対象となるユーザ端末９２＿１のデータを原点に置いたときの、ユーザ端末９２との相対座標とする。出力の形式は、図１３に示すように、対象とするユーザ端末９２に対して得られる各品質指標の配列とする。入力データや出力データの想定パラメータについては前ページと同様である。この手法を複数回繰り返すことにより、ユーザ端末９２群に対する品質予測を行うことも可能である。
　本方式は対象となるユーザ端末９２＿１が入力行列の原点に必ず位置するように条件を設けることで、学習器が予測対象のユーザ端末９２を暗に認識させる方式である。この方式は入力データ量が大きくなる代わりに、品質予測機能部１４が出力するノード数が少なくなるため学習速度や予測精度が向上すると考えられる。
（その他実施例）
・学習の方法
　本開示の入出力形式を適用可能な学習モデルとして、畳み込みニューラルネットワークがある。学習機能部１３は畳み込みニューラルネットワークを基本構造とした深層学習モデルによって実装することができる。また学習フェーズでは、未調整学習モデルにある学習データを入力したときの、学習データが示す出力と学習モデルが導き出す出力の誤差を小さくするように、ニューラルネットワーク内の係数を調整する。典型的な実現例としては誤差逆伝搬法がある。
　以上の処理は、各プログラミング言語の既存ライブラリ（ｐｙｔｈｏｎのＫｅｒａｓなど）を用いて実装できる。品質予測機能部１４は学習機能部１３でパラメータ調整されたモデルを品質予測モデルとして受け取る。なお、本開示の装置はコンピュータとプログラムによっても実現でき、プログラムを記録媒体に記録することも、ネットワークを通して提供することも可能である。
（各無線規格への対応）
　本開示に係る通信品質予測装置９１は、３ＧＰＰ準拠のセルラ無線規格（ＬＴＥ，　５Ｇ）やＩＥＥＥ８０２．１１準拠の無線ＬＡＮ規格、およびＷｉＭＡＸ規格など、基地局９３を有するあらゆる無線通信規格に適用可能である。利用周波数の異なる無線規格の基地局９３が混在するような系では、以下の様な対処が考えられる。
　・全ての基地局９３およびそれを利用するユーザ端末９２群のパラメータを同一の行列データ上に格納し、予測を行うことができる。この方法で予測精度を高めるためには、ＮＷ環境情報として、各基地局９３の準拠する規格の情報を含める。
　・利用周波数の共通する規格の基地局９３およびそれに接続するユーザ端末９２を抜き出して、品質予測を行う。これを各無線規格および周波数領域について実施することで系全体のユーザ端末９２についての品質予測ができる。この場合には、各無線規格や周波数領域についてチューニングされた別々の学習モデルを用意する。また、ここでは周波数領域や無線規格を分類する粒度は限定しない。
　本開示は情報通信産業に適用することができる。
１１：シミュレーション機能部
１２：データセット生成部
１３：学習機能部
１４：品質予測機能部
１５：環境情報集約機能部
１６：集約情報記憶部
１７：予測パターン決定機能部
１８：予測結果出力部
２１、３１：環境情報通知機能部
２２、３２：実現品質通知機能部
９１：通信品質予測装置
９２、９２＿１、９２＿２：ユーザ端末
９３、９３＿１、９３＿２：基地局
９４：外部装置

Claims (6)

  1. 　複数のユーザ端末から各ユーザ端末の地理的位置を含むユーザ端末情報を収集し、前記複数のユーザ端末のうちの少なくともいずれかと通信可能な複数のネットワーク装置から各ネットワーク装置の地理的位置を含むネットワーク情報を収集する、環境情報集約機能部と、
    　前記環境情報集約機能部の収集したユーザ端末情報及びネットワーク情報に基づいて、前記複数のユーザ端末がネットワーク装置に接続する接続パターンを抽出する予測パターン決定機能部と、
    　接続パターンとユーザ端末の通信品質との関係を予め学習して得られた品質予測モデルを保持し、前記予測パターン決定機能部の抽出した接続パターンを前記品質予測モデルの入力に適用し、前記複数のユーザ端末の品質予測を行う品質予測機能部と、
    　を備える装置。
  2. 　前記品質予測機能部は、
    　前記環境情報集約機能部の収集したユーザ端末情報を各ユーザ端末の地理的位置で定められる行列データに変換し、
    　ユーザ端末の接続先のネットワーク装置の識別情報をユーザ端末の前記行列データの要素の値に用いることで、前記複数のユーザ端末がネットワーク装置に接続する接続パターンを、前記品質予測モデルへの入力形式に変換する、
    　請求項１に記載の装置。
  3. 　前記品質予測機能部は、
    　予測対象のユーザ端末が１台のみの場合、
    　Ｌ１×Ｌ２の行列を（２Ｌ１－１）×（２Ｌ２－１）行列に変換し、
    　予測対象のユーザ端末を（２Ｌ１－１）×（２Ｌ２－１）行列の中心に配置し、
    　Ｌ１×Ｌ２の行列内に配置されていた他のユーザ端末を、予測対象のユーザ端末との相対位置を維持するように配置する、
    　請求項２に記載の装置。
  4. 　前記複数のユーザ端末の通信品質情報を収集し、前記複数のユーザ端末が前記ネットワーク装置に接続する接続パターン及び各ユーザ端末の通信品質情報を各ユーザ端末の地理的位置で定められる行列データに変換するデータセット生成部と、
    　前記データセット生成部で変換された接続パターン及び各ユーザ端末の通信品質情報を用いて、接続パターンとユーザ端末の通信品質との関係を学習し、前記品質予測モデルを更新する学習機能部と、
    　をさらに備える請求項１から３のいずれかに記載の装置。
  5. 　環境情報集約機能部が、複数のユーザ端末から各ユーザ端末の地理的位置を含むユーザ端末情報を収集し、複数のネットワーク装置から各ネットワーク装置の地理的位置を含むネットワーク情報を収集し、
    　予測パターン決定機能部が、前記環境情報集約機能部の収集したユーザ端末情報及びネットワーク情報に基づいて、前記複数のユーザ端末がネットワーク装置に接続する接続パターンを抽出し、
    　品質予測機能部が、接続パターンとユーザ端末の通信品質との関係を予め学習して得られた品質予測モデルを保持し、前記予測パターン決定機能部の抽出した接続パターンを前記品質予測モデルの入力に適用し、前記複数のユーザ端末の品質予測を行う、
    　方法。
  6. 　請求項１から４のいずれかに記載の装置に備わる各機能部としてコンピュータを実現させるためのプログラム。
PCT/JP2020/031555 2020-08-21 2020-08-21 通信品質を予測する装置、方法及びプログラム WO2022038760A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2020/031555 WO2022038760A1 (ja) 2020-08-21 2020-08-21 通信品質を予測する装置、方法及びプログラム
JP2022543236A JP7476969B2 (ja) 2020-08-21 2020-08-21 通信品質を予測する装置、方法及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/031555 WO2022038760A1 (ja) 2020-08-21 2020-08-21 通信品質を予測する装置、方法及びプログラム

Publications (1)

Publication Number Publication Date
WO2022038760A1 true WO2022038760A1 (ja) 2022-02-24

Family

ID=80322784

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/031555 WO2022038760A1 (ja) 2020-08-21 2020-08-21 通信品質を予測する装置、方法及びプログラム

Country Status (2)

Country Link
JP (1) JP7476969B2 (ja)
WO (1) WO2022038760A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024004053A1 (ja) * 2022-06-28 2024-01-04 日本電信電話株式会社 品質推定装置、品質推定方法、及びプログラム
WO2024018586A1 (ja) * 2022-07-21 2024-01-25 日本電信電話株式会社 端末の通信品質を予測するシステム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015073753A1 (en) * 2013-11-15 2015-05-21 Microsoft Technology Licensing, Llc Adaptive generation of network scores from crowdsourced data
US20160359719A1 (en) * 2015-06-05 2016-12-08 Apple Inc. System and method for predicting changes in network quality
JP2019160242A (ja) * 2018-03-16 2019-09-19 株式会社デンソーテン 通信装置およびスケジュール作成方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015073753A1 (en) * 2013-11-15 2015-05-21 Microsoft Technology Licensing, Llc Adaptive generation of network scores from crowdsourced data
US20160359719A1 (en) * 2015-06-05 2016-12-08 Apple Inc. System and method for predicting changes in network quality
JP2019160242A (ja) * 2018-03-16 2019-09-19 株式会社デンソーテン 通信装置およびスケジュール作成方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KENTARO SAITO, YONGRI JIN, CHECHIA KANG, JUN-ICHI TAKADA: "Two-step Wireless Area Quality Prediction by Artificial Neural Network for Wireless Service Area Planning", IEICE TECHNICAL REPORT, SRW, vol. 119, no. 265 (SRW2019-40), 29 October 2019 (2019-10-29), JP, pages 69 - 70, XP009534784 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024004053A1 (ja) * 2022-06-28 2024-01-04 日本電信電話株式会社 品質推定装置、品質推定方法、及びプログラム
WO2024018586A1 (ja) * 2022-07-21 2024-01-25 日本電信電話株式会社 端末の通信品質を予測するシステム

Also Published As

Publication number Publication date
JPWO2022038760A1 (ja) 2022-02-24
JP7476969B2 (ja) 2024-05-01

Similar Documents

Publication Publication Date Title
Raja et al. Intelligent reward-based data offloading in next-generation vehicular networks
EP3855842A1 (en) Method and apparatus for dynamically allocating radio resources in a wireless communication system
EP4099635A1 (en) Method and device for selecting service in wireless communication system
CN112913274B (zh) 用于自组织网络的优化的过程
EP3855840A1 (en) Method and apparatus for orthogonal resource allocation in a wireless communication system
EP3855841A1 (en) Method and apparatus for allocating bandwidth in a wireless communication system based on demand
WO2022038760A1 (ja) 通信品質を予測する装置、方法及びプログラム
EP3682663B1 (en) Global optimization process for link associations
Cardoso et al. A softwarized perspective of the 5G networks
Roy et al. Online radio access technology selection algorithms in a 5g multi-rat network
Cao et al. Resource Orchestration and Allocation of E2E Slices in Softwarized UAVs-Assisted 6G Terrestrial Networks
CN112088555A (zh) 用于无线通信系统中的资源分配的协调器网络节点和接入网络节点
CN113727278A (zh) 一种路径规划方法、接入网设备及飞行控制设备
US20170318591A1 (en) Methods and modules for handling channels in a radio spectrum
Nguyen et al. SDN-based Wi-Fi Direct clustering for cloud access in campus networks
CN113473544B (zh) 网络切片配置
AU2022208075A1 (en) Management and control method for data analysis apparatus, and communication apparatus
WO2021152633A1 (en) Method and apparatus for orthogonal resource allocation in a wireless communication system
WO2021152630A1 (en) Method and apparatus for allocating bandwidth in a wireless communication system based on demand
Madadi et al. Open-RAN and Future Intelligent Networks
WO2024018586A1 (ja) 端末の通信品質を予測するシステム
US11838826B1 (en) Location clustering and routing for 5G drive testing
RU2815087C1 (ru) Способ и устройство для запроса конфигурации опорного сигнала позиционирования (prs), а также устройство связи и носитель данных
WO2024067248A1 (zh) 一种获取训练数据集的方法和装置
WO2024018577A1 (ja) 端末の通信品質を測定するシステム

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: 20950325

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022543236

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: 20950325

Country of ref document: EP

Kind code of ref document: A1