WO2023152877A1 - 通信品質予測装置、通信品質予測システム、通信品質予測方法、及び通信品質予測プログラム - Google Patents

通信品質予測装置、通信品質予測システム、通信品質予測方法、及び通信品質予測プログラム Download PDF

Info

Publication number
WO2023152877A1
WO2023152877A1 PCT/JP2022/005386 JP2022005386W WO2023152877A1 WO 2023152877 A1 WO2023152877 A1 WO 2023152877A1 JP 2022005386 W JP2022005386 W JP 2022005386W WO 2023152877 A1 WO2023152877 A1 WO 2023152877A1
Authority
WO
WIPO (PCT)
Prior art keywords
prediction
communication quality
unit
communication
communication device
Prior art date
Application number
PCT/JP2022/005386
Other languages
English (en)
French (fr)
Inventor
尚志 永田
理一 工藤
馨子 高橋
智明 小川
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/JP2022/005386 priority Critical patent/WO2023152877A1/ja
Publication of WO2023152877A1 publication Critical patent/WO2023152877A1/ja

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters

Definitions

  • the present invention relates to a communication quality prediction device, a communication quality prediction system, a communication quality prediction method, and a communication quality prediction program.
  • the communication quality of the device changes as the environment changes due to the movement of nearby objects (various objects).
  • objects existing around the device may act as shields and degrade the quality of wireless communication.
  • Non-Patent Documents 1 and 2 describe prediction of changes in device communication quality. By predicting changes in communication quality, it becomes possible to take countermeasures before deterioration of service or deterioration of communication quality occurs.
  • Non-Patent Literatures 1 and 2 described above predict the communication quality when the wireless communication path for millimeter wave communication is blocked by the passage of an object, based on the information detected by the depth camera. For this reason, the prediction model is fixed and does not take into account surrounding environment information that accompanies fluctuations such as movement information of surrounding objects and people, and skeletal information. Therefore, there is a problem that the communication quality cannot be predicted with high accuracy according to the surrounding environment.
  • the present invention has been made in view of the above circumstances, and aims to provide a communication quality prediction device, a communication quality prediction system, a communication quality prediction method, and a communication quality prediction method that enable highly accurate prediction of communication quality. To provide a quality prediction program.
  • a communication quality prediction device is a communication quality prediction device that predicts communication quality of a communication device, and includes at least communication device-related information about the communication device and surrounding environment information about the surrounding environment of the communication device.
  • a generating unit that acquires one of them and generates a plurality of prediction models for predicting the communication quality of the communication device based on the acquired information; and comparing the communication quality measurement value with the communication quality prediction result.
  • an evaluation unit that evaluates the prediction accuracy of each prediction model, and a selection that selects a plurality of prediction models to be used for communication quality prediction from each prediction model generated by the generation unit based on the evaluation result of the evaluation unit.
  • a synthesizing unit for setting synthesis rules for synthesizing the plurality of prediction models selected by the selecting unit based on the evaluation result by the evaluating unit; and based on the synthesizing rules set by the synthesizing unit, and a prediction unit that predicts the quality of the communication device.
  • a communication quality prediction system is a communication quality prediction system comprising a communication device and a communication quality prediction device for predicting communication quality of the communication device, wherein the communication quality prediction device A generation unit that acquires at least one of communication device-related information about a device and surrounding environment information about a surrounding environment of the communication device, and generates a plurality of prediction models for predicting communication quality of the communication device based on the obtained information.
  • a selection unit that selects a plurality of prediction models to be used for communication quality prediction from each prediction model selected;
  • a communication quality prediction method is a communication quality prediction method for predicting communication quality of a communication device, comprising at least communication device-related information about the communication device and surrounding environment information about the surrounding environment of the communication device. obtaining one of them, generating a plurality of prediction models for predicting the communication quality of the communication device based on the obtained information; comparing the communication quality measurement value and the communication quality prediction result; Evaluating the prediction accuracy of each prediction model; Selecting a plurality of prediction models to be used for predicting communication quality from each prediction model generated by the generating unit based on the result of the evaluation; Based on the result, setting a synthesis rule for synthesizing the plurality of prediction models selected by the selection unit; Predicting the quality of the communication device based on the synthesis rule.
  • One aspect of the present invention is a communication quality prediction program for causing a computer to function as the communication quality prediction device.
  • FIG. 1 is a block diagram showing the configuration of a communication quality prediction system according to an embodiment.
  • FIG. 2A is a graph showing the relationship between the prediction results of each prediction model and the R2 score.
  • FIG. 2B is a graph showing the relationship between prediction results by each prediction model and MAPE [%].
  • FIG. 3 is a flow chart showing the processing procedure of the communication quality prediction device according to the embodiment.
  • FIG. 4 is an explanatory diagram showing the flow of processing of the communication quality prediction device according to the embodiment.
  • FIG. 5 is a graph showing the relationship between the absolute error [bps] between the communication quality predicted by the prediction model and the actual communication quality, and the cumulative distribution function (CDF).
  • FIG. 6 is a block diagram showing the hardware configuration of this embodiment.
  • a communication quality prediction system includes a communication quality prediction device 1 and communication equipment 2 .
  • the communication quality prediction device 1 sets a plurality of prediction models for predicting communication quality, and selects a plurality of prediction models with high prediction accuracy from among these. do.
  • a synthesis rule for synthesizing a plurality of selected prediction models is determined.
  • the combination rule is determined so as to increase the prediction accuracy of communication quality.
  • FIG. 1 is a block diagram showing the configuration of the communication quality prediction system according to the embodiment.
  • an example in which one communication device 2 is connected to the communication quality prediction device 1 is shown, but a plurality of communication devices 2 may be connected to the communication quality prediction device 1 .
  • the communication quality prediction apparatus 1 includes a communication unit 11, a plurality of information acquisition units 12-1 to 12-N (hereinafter collectively referred to as "information acquisition unit 12"), a storage A unit 13 , a generation unit 14 , a model utilization unit 15 , a selection unit 16 , a synthesis unit 17 , an evaluation unit 18 and a prediction unit 19 are provided.
  • the communication unit 11 performs wireless communication with the communication device 2 whose communication quality is to be predicted, and receives communication device-related information such as the current communication quality of the communication device 2 and GPS information indicating the current position of the communication device 2. get.
  • the communication device-related information is referred to as "auxiliary information”.
  • the information acquisition unit 12 acquires information collected by cameras, sensors, and information collection devices (all not shown) installed around the communication device 2 . Specifically, the information acquisition unit 12 acquires an image captured by a camera. The information acquisition unit 12 obtains information on the direction, movement, and rotation of the communication device detected by sensors such as an infrared sensor, an ultrasonic sensor, and a laser radar installed in or around the communication device 2, and information on the surroundings of the communication device 2. Get information on people and objects that exist in
  • the information gathering device collects the location registration area number of mobile terminals such as mobile phones, the location registration area number necessary for determining whether or not location registration is necessary for radio wave mobile terminals, neighboring cell information, and radio waves for entering the cell. It collects information such as quality and information for performing transmission restriction control.
  • the information about the communication device 2 acquired by the information acquisition unit 12 from the cameras, sensors, and information collection devices described above will be collectively referred to as "surrounding environment information”.
  • the storage unit 13 classifies the auxiliary information received by the communication unit 11 and the surrounding environment information acquired by each information acquisition unit 12 into a plurality of categories and stores them.
  • a “category” is a classification item used when generating a model for estimating the communication quality of the communication device 2 .
  • the categories are, for example, GPS information indicating the position of the communication device 2, communication quality, or position coordinates, bounding box coordinates, skeleton coordinates, etc. of an object or person existing around the communication device 2.
  • the surrounding environment information includes at least one of bounding box coordinates of objects existing around the communication device 2 and skeleton coordinates of a person existing around the communication device 2 .
  • Skeletal coordinates are the position coordinates, velocity information, and acceleration information of parts of the human body such as the right wrist, left wrist, right knee, and left elbow.
  • the generation unit 14 generates a database to be input to the learning model based on the auxiliary information and surrounding environment information of each category stored in the storage unit 13.
  • the generation unit 14 performs machine learning based on the generated database, and generates a prediction model that models the relationship between each category and the communication quality of the communication device 2 . Also, when new surrounding environment information or auxiliary information is obtained, the prediction model is updated by performing machine learning again as necessary. That is, the generating unit 14 acquires at least one of the communication device-related information about the communication device 2 and the surrounding environment information about the surrounding environment of the communication device 2, and predicts the communication quality of the communication device 2 based on the obtained information. Generate multiple predictive models. Since machine learning is a well-known technique, detailed explanation is omitted.
  • the model utilization unit 15 acquires the prediction model of each category generated by the generation unit 14, predicts the communication quality of the communication device 2 by using each prediction model, and acquires the prediction result.
  • the evaluation unit 18 acquires from the model utilization unit 15 the prediction result of the communication quality of the communication device 2 acquired using each prediction model.
  • the evaluation unit 18 compares the communication quality measurement value of the communication device 2 acquired by the communication unit 11 with the above-described communication quality prediction result.
  • the comparison between the communication quality prediction result and the communication quality measurement value may be performed in real time.
  • the evaluation unit 18 evaluates the prediction accuracy of each prediction model based on the comparison result, and sets the priority of each prediction model in descending order of prediction accuracy. Specifically, the difference between the measured value of communication quality and the prediction result is calculated, and the smaller the difference, the higher the priority. That is, the evaluation unit 18 compares the communication quality measurement value and the communication quality prediction result to evaluate the prediction accuracy of each prediction model.
  • the selection unit 16 refers to the priority of the prediction models of each category set by the evaluation unit 18, and selects a plurality of prediction models with higher priority among the prediction models of each category.
  • the selection unit 16 outputs information on the selected prediction model to the synthesis unit 17 . That is, the selection unit 16 selects a plurality of prediction models to be used for communication quality prediction from the prediction models generated by the generation unit 14 based on the evaluation result by the evaluation unit 18 .
  • the synthesis unit 17 refers to each prediction model selected by the selection unit 16, and based on the evaluation result by the evaluation unit 18, sets a synthesis rule for synthesizing a plurality of prediction models.
  • the reliability and communication quality prediction values of a plurality of prediction models selected by the selection unit 16 are acquired, and the communication quality prediction value of the prediction model with the highest reliability is adopted.
  • “Reliability” is an index indicating the reliability of a prediction model obtained by "R2 score” or "MAPE [%]", which will be described later.
  • the reliability of the prediction model in each category of "bounding box coordinates", "communication quality”, and "communication terminal GPS information” is set to R1, R2 and R3, respectively, and the predicted values of communication quality are set to P1 and P2, respectively. , P3.
  • the reliability R1 is the highest, the predicted value P1 based on the bounding box coordinate prediction model is output as the communication quality.
  • the synthesizing unit 17 acquires the reliability of a plurality of prediction models selected by the selecting unit 16, and sets a synthesis rule that uses the output of the prediction model that provides the prediction result with the highest reliability as the predicted value of the communication quality. set.
  • the reliability of the prediction model in each category of "bounding box coordinates", “communication quality”, and “communication terminal GPS information” is set to R1, R2 and R3, respectively, and the predicted values of communication quality are set to P1 and P2, respectively. , P3.
  • the weighted average of communication quality using the three prediction models can be expressed by the following formula (1).
  • Weighted average (R1*P1+R2*P2+R3*P3)/(R1+R2+R3) ...(1) Then, the weighted average numerical value calculated by the above equation (1) is output as the communication quality.
  • the synthesizing unit 17 acquires the reliability of a plurality of prediction models selected by the selection unit 16, calculates the weighted average of the communication quality prediction result and the reliability of each prediction model, and communicates this weighted average. Set a synthesis rule as a predictor of quality.
  • the prediction unit 19 predicts the communication quality of the communication device 2 based on the synthesis rule set by the synthesis unit 17, and outputs the prediction result.
  • Figures 2A and 2B are graphs showing the results of generating models for predicting the wireless communication quality (throughput) of a robot when the robot is moving, and evaluating each model.
  • FIG. 2A shows a graph when evaluated by "R2 score”
  • FIG. 2B shows a graph when evaluated by MAPE [%].
  • the robot estimates its own position using the AMCL (Adaptive Monte Carlo Localization) algorithm. "Position coordinates (expressed as xy)” are obtained by estimating the self-position. In addition, the robot is photographed by one camera installed around the robot, and “bounding box coordinates (denoted as "cam0”)" are acquired.
  • AMCL Adaptive Monte Carlo Localization
  • FIG. 2A shows the R2 score of the prediction model generated by "location information”, “bounding box coordinates”, “location coordinates and bounding box coordinates (denoted as xycam0)", and “location coordinates” and “bounding box coordinates”.
  • the R2 score is calculated by the formula (2) below, and the closer it is to "1", the more accurate the estimation is.
  • FIG. 2B shows the MAPE [% ], and "position coordinates" and “bounding box coordinates” models are estimated by reliability selection and reliability weighted average MAPE [%].
  • MAPE [%] is calculated by the following formula (3), and the smaller the number, the more accurate the estimation.
  • MAPE [%] of "reliability selection” and “reliability weighted average” compared with the numerical values of "x, y", “cam0”, and “xycam0” is a smaller numerical value, and it is understood that the estimation accuracy is high.
  • the communication quality can be estimated with high accuracy by adopting reliability selection and reliability weighted average.
  • the result of estimating with ⁇ xycam0'' which adds the information of ⁇ cam0'' to ⁇ xy'', is worse than the estimation result of ⁇ xy'' alone. Better results can be obtained simply by increasing the data. It turns out that this is not always the case.
  • the accuracy of communication quality estimation is increased by appropriately setting synthesis rules for a plurality of selected prediction models.
  • two synthesis rules based on "reliability selection” and “reliability weighted average” have been described, but the setting of the synthesis rule is not limited to these. may be adopted.
  • the surrounding environment information is, for example, bounding box coordinates, information on people and objects existing around the communication device 2, and the like.
  • the communication unit 11 acquires auxiliary information through communication with the communication device 2 , classifies the information into categories, and stores the information in the storage unit 13 .
  • the auxiliary information is the communication quality of the communication device 2, GPS information, and the like.
  • step S12 the generation unit 14 generates a prediction model for predicting the communication quality of the communication device 2 using a plurality of pieces of surrounding environment information and auxiliary information as inputs.
  • the generation unit 14 generates a prediction model for each of the multiple set categories.
  • the prediction model may include control information executed by the communication device 2 .
  • the position and orientation of the communication device 2 are acquired.
  • the communication unit 11 acquires the communication quality of the communication device 2 and GPS information.
  • machine learning is performed to predict communication quality for multiple categories such as skeletal models and GPS models. Generate a model.
  • Control information is information on control executed by the communication device 2 based on the prediction result of communication quality. For example, it includes control information such as reducing the video transmission rate of the video distribution application when a prediction result that the communication quality is degraded is obtained.
  • step S13 the evaluation unit 18 acquires a plurality of pieces of surrounding environment information and auxiliary information, inputs them into each prediction model generated in the process of step S12, and acquires prediction results and control information.
  • step S14 the model utilization unit 15 uses the multiple prediction models generated by the generation unit 14 based on the surrounding environment information and auxiliary information classified by category, and outputs the prediction results of each prediction model.
  • step S15 the evaluation unit 18 compares the communication quality measurement value acquired by the communication unit 11 with the communication quality prediction result of each prediction model output from the model utilization unit 15, and predicts each prediction model. Evaluate accuracy. For example, the evaluation unit 18 calculates the difference between the measured value of communication quality and the prediction result, and performs a process of setting the priority of the prediction model higher as the difference is smaller.
  • step S16 the selection unit 16 selects a predetermined number of prediction models highly evaluated by the evaluation unit 18. For example, a predetermined number of prediction models with higher priority are selected.
  • step S17 the combining unit 17 sets a combining rule using the selected multiple prediction models.
  • the synthesizing unit 17 sets preset synthesizing rules such as the above-described "method of selecting based on reliability" and “method of selecting based on weighted average of reliability” based on a plurality of selected prediction models. do.
  • the prediction unit 19 predicts the communication quality of the communication device 2 based on the surrounding environment information, the auxiliary information, the selected prediction model, and the synthesis rule, and outputs the prediction result to the outside. As indicated by C4 in FIG. 4, the prediction result is output to an external device.
  • step S18 the evaluation unit 18 evaluates the prediction results of each prediction model, and updates the prediction model selection rules based on the evaluation results.
  • the synthesizing unit 17 updates the synthesizing rule of the prediction model based on the evaluation result.
  • FIG. 5 is a graph showing the relationship between the absolute error [bps] between the communication quality predicted by the prediction model and the actual communication quality, and the cumulative distribution function (CDF).
  • the horizontal axis of the graph shown in FIG. 5 indicates the absolute error [bps], and the vertical axis indicates the cumulative distribution function (CDF).
  • the point on the graph corresponding to 5,000,000 [bps] on the horizontal axis is approximately "0.75" on the vertical axis. This indicates that 75% of the estimation results have an estimation error of 5,000,000 [bps] or less. Therefore, the larger the value on the vertical axis for a given value on the horizontal axis, the more accurately the estimation is performed.
  • the curve Q1 shows “position/orientation/velocity information”
  • the curve Q2 shows “position/orientation/velocity + 5 cameras (bounding box coordinates for 5 cameras)”
  • the curve Q3 It is understood that the order of "five cameras (bounding box coordinates for five cameras)" shown in FIG.
  • the curve Q1 shows a higher numerical value than the curve Q2, even if the "bounding box coordinates for 5 vehicles" are added to the "position/orientation/speed information", the accuracy is not increased. That is, it can be said that accuracy does not necessarily increase as the number of input data increases.
  • a prediction model is generated for each category.
  • the selection unit 16 selects a plurality of prediction models with high evaluation results (higher priority) in the evaluation unit 18 from the generated prediction models, and the synthesis unit 17 uses the selected prediction models to create a synthesis rule.
  • highly accurate quality prediction becomes possible. Also, there is an advantage that highly accurate quality prediction is possible even when much surrounding environment information and auxiliary information cannot be collected.
  • the communication quality prediction device 1 is a communication quality prediction device 1 that predicts the communication quality of the communication device 2, and includes communication device-related information about the communication device 2 and the surrounding environment of the communication device 2.
  • a generation unit 14 that acquires at least one of the surrounding environment information related to and generates a plurality of prediction models for predicting the communication quality of the communication device 2 based on the acquired information;
  • An evaluation unit 18 that compares the results and evaluates the prediction accuracy of each prediction model, and a plurality of prediction models that are used to predict communication quality from each prediction model generated by the generation unit 14 based on the evaluation result of the evaluation unit 18.
  • a selection unit 16 that selects a prediction model; a synthesis unit 17 that sets a synthesis rule for synthesizing the plurality of prediction models selected by the selection unit 16 based on the evaluation result of the evaluation unit 18; A prediction unit 19 for predicting the quality of the communication device 2 based on the synthesis rule.
  • a prediction model and synthesis rule for predicting the communication quality of the communication device are set based on not only the position information and image information of the communication device 2 but also various types of surrounding environment information and auxiliary information, Since the communication quality is predicted, it is possible to predict the communication quality with high precision.
  • the prediction result of the prediction model is compared with the communication quality measurement value of the communication device 2, and the prediction accuracy of the prediction model is evaluated according to the comparison result.
  • a suitable prediction model can be selected to predict communication quality.
  • by comparing the prediction result of the prediction model and the measured value of communication quality in real time it is possible to predict communication quality with higher accuracy in line with the current situation.
  • the optimal model can be selected from the prediction model corresponding to the limited surrounding environment information. By selecting , it becomes possible to predict future communication quality with higher accuracy.
  • the synthesizing unit 17 acquires a plurality of prediction model reliability levels selected by the selecting unit 16, and sets a synthesis rule that uses the output of the prediction model that provides the prediction result with the highest reliability as the predicted value of the communication quality. , the prediction accuracy of communication quality can be further improved.
  • the synthesizing unit 17 acquires the reliability of the plurality of prediction models selected by the selection unit 16, calculates a weighted average of the prediction result of communication quality by each prediction model and the reliability, and calculates the weighted average of the communication quality. Since the synthesis rule for the predicted value is set, the communication quality prediction accuracy can be further improved.
  • the information acquisition unit 12 adopts at least one of the bounding box coordinates of an object existing around the communication device 2 and the skeletal coordinates of a person existing around the communication device 2 as the surrounding environment information, the communication quality is improved. Prediction accuracy can be further improved.
  • the communication quality prediction device 1 of the present embodiment described above includes, for example, a CPU (Central Processing Unit, processor) 901, a memory 902, a storage 903 (HDD: HardDisk Drive, SSD: Solid State Drive ), a communication device 904, an input device 905, and an output device 906, a general-purpose computer system can be used.
  • Memory 902 and storage 903 are storage devices.
  • each function of the communication quality prediction device 1 is realized by executing a predetermined program loaded on the memory 902 by the CPU 901 .
  • the communication quality prediction device 1 may be implemented by one computer, or may be implemented by a plurality of computers. Also, the communication quality prediction device 1 may be a virtual machine implemented on a computer.
  • the program for the communication quality prediction device 1 can be stored in computer-readable recording media such as HDD, SSD, USB (Universal Serial Bus) memory, CD (Compact Disc), DVD (Digital Versatile Disc), It can also be distributed over a network.
  • computer-readable recording media such as HDD, SSD, USB (Universal Serial Bus) memory, CD (Compact Disc), DVD (Digital Versatile Disc), It can also be distributed over a network.
  • communication quality prediction device 1 communication quality prediction device 2 communication device 11 communication unit 12 (12-1 to 12-N) information acquisition unit 13 storage unit 14 generation unit 15 model use unit 16 selection unit 17 synthesis unit 18 evaluation unit 19 prediction unit

Landscapes

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

Abstract

通信機器（２）に関する通信機器関連情報、及び前記通信機器の周辺環境に関する周辺環境情報の少なくとも一方を取得し、取得した情報に基づいて、通信機器（２）の通信品質を予測する複数の予測モデルを生成する生成部（１４）と、通信品質の測定値と、通信品質の予測結果を比較して、各予測モデルの予測精度を評価する評価部（１８）を備える。また、評価部（１８）による評価結果に基づいて、生成部（１４）で生成された各予測モデルから通信品質の予測に使用する複数の予測モデルを選択する選択部（１６）と、評価部（１８）による評価結果に基づいて、選択部（１４）で選択された複数の予測モデルを合成する合成ルールを設定する合成部（１７）と、合成部（１７）で設定された合成ルールに基づいて、通信機器（２）の品質を予測する予測部（１９）を備える。

Description

通信品質予測装置、通信品質予測システム、通信品質予測方法、及び通信品質予測プログラム
　本発明は、通信品質予測装置、通信品質予測システム、通信品質予測方法、及び通信品質予測プログラムに関する。
　無線通信機能が搭載されたモバイル機器などのデバイスを使用する際には、周辺に存在するオブジェクト（各種の物体）の移動などによる環境変化に伴って、デバイスの通信品質が変化する。即ち、デバイスの周辺に存在するオブジェクトが遮蔽物となって、無線通信の品質を低下させることがある。このような場合には、デバイスによるサービス、デバイスの通信品質を満たせなくなる可能性がある。
　例えば、「ＩＥＥＥ８０２．１１ａｄ」及び「セルラー通信の５Ｇ」では、ミリ波を用いているため、無線通信を行う送受の間の遮蔽物によるブロッキングの影響で通信品質が低下する可能性がある。
　また、ミリ波以外の周波数の無線通信であっても、遮蔽物によるブロッキング及び反射物の動きによる伝搬環境の変化が通信品質に影響を及ぼすことがある。更には、反射物が動くことによって生じるドップラーシフトも通信に影響を与えることがある。
　非特許文献１、２には、デバイスの通信品質の変化を予測することが記載されている。通信品質の変化を予測することにより、サービスの低下、通信品質の低下が生じる前に対策を採ることが可能になる。
T. Nishio,H. Okamoto, K. Nakashima, Y. Koda, K. Yamamoto, M. Morikura, Y. Asai, and R. Miyatake, "Proactive Received Power Prediction Using Machine Learningand Depth Imagesfor mmWave Networks," IEEE Journal on Selected Areasin Communications, vol. 37, no. 11, pp. 2413-2427, Nov. 2019. doi: 10.1109/JSAC.2019.2933763. H. Okamotoet al., "Machine-learning-based throughput estimation using imagesfor mmWave communications," in Proc.,IEEE VTC 2017-spring, Jan. 2017.
　通信品質を予測するモデルを生成する際には、オブジェクトの位置や方向、モーション、骨格情報などの周辺環境情報とその正確性が予測精度に大きく影響する。しかし、上述した非特許文献１、２に開示された技術では、深度カメラで検出される情報によりオブジェクトの通過によるミリ波通信の無線通信路遮蔽時における通信品質を予測している。このため、予測モデルが固定的であり、周囲の物体や人物の移動情報、骨格情報などの変動を伴う周辺環境情報を考慮していない。このため、周辺環境に応じた高精度な通信品質の予測ができないという問題があった。
　本発明は、上記事情に鑑みてなされたものであり、その目的とするところは、高精度な通信品質の予測を可能とする通信品質予測装置、通信品質予測システム、通信品質予測方法、及び通信品質予測プログラムを提供することにある。
　本発明の一態様の通信品質予測装置は、通信機器の通信品質を予測する通信品質予測装置であって、前記通信機器に関する通信機器関連情報、及び前記通信機器の周辺環境に関する周辺環境情報の少なくとも一方を取得し、取得した情報に基づいて、前記通信機器の通信品質を予測する複数の予測モデルを生成する生成部と、前記通信品質の測定値と、前記通信品質の予測結果を比較して、各予測モデルの予測精度を評価する評価部と、前記評価部による評価結果に基づいて、前記生成部で生成された各予測モデルから通信品質の予測に使用する複数の予測モデルを選択する選択部と、前記評価部による評価結果に基づいて、前記選択部で選択された複数の予測モデルを合成する合成ルールを設定する合成部と、前記合成部で設定された合成ルールに基づいて、前記通信機器の品質を予測する予測部と、を備える。
　本発明の一態様の通信品質予測システムは、通信機器と、前記通信機器の通信品質を予測する通信品質予測装置とを備えた通信品質予測システムであって、前記通信品質予測装置は、前記通信機器に関する通信機器関連情報、及び前記通信機器の周辺環境に関する周辺環境情報の少なくとも一方を取得し、取得した情報に基づいて、前記通信機器の通信品質を予測する複数の予測モデルを生成する生成部と、前記通信品質の測定値と、前記通信品質の予測結果を比較して、各予測モデルの予測精度を評価する評価部と、前記評価部による評価結果に基づいて、前記生成部で生成された各予測モデルから通信品質の予測に使用する複数の予測モデルを選択する選択部と、前記評価部による評価結果に基づいて、前記選択部で選択された複数の予測モデルを合成する合成ルールを設定する合成部と、前記合成部で設定された合成ルールに基づいて、前記通信機器の品質を予測する予測部と、を備える。
　本発明の一態様の通信品質予測方法は、通信機器の通信品質を予測する通信品質予測方法であって、前記通信機器に関する通信機器関連情報、及び前記通信機器の周辺環境に関する周辺環境情報の少なくとも一方を取得し、取得した情報に基づいて、前記通信機器の通信品質を予測する複数の予測モデルを生成するステップと、前記通信品質の測定値と、前記通信品質の予測結果を比較して、各予測モデルの予測精度を評価するステップと、前記評価の結果に基づいて、生成部で生成された各予測モデルから通信品質の予測に使用する複数の予測モデルを選択するステップと、前記評価の結果に基づいて、選択部で選択された複数の予測モデルを合成する合成ルールを設定するステップと、前記合成ルールに基づいて、前記通信機器の品質を予測するステップと、を備える。
　本発明の一態様は、上記通信品質予測装置としてコンピュータを機能させるための通信品質予測プログラムである。
　本発明によれば、高精度な通信品質の予測が可能になる。
図１は、実施形態に係る通信品質予測システムの構成を示すブロック図である。 図２Ａは、各予測モデルによる予測結果と、Ｒ2スコアの関係を示すグラフである。 図２Ｂは、各予測モデルによる予測結果と、ＭＡＰＥ［％］の関係を示すグラフである。 図３は、実施形態に係る通信品質予測装置の処理手順を示すフローチャートである。 図４は、実施形態に係る通信品質予測装置の処理の流れを示す説明図である。 図５は、予測モデルで予測した通信品質と実際の通信品質との絶対誤差［ｂｐｓ］と、累積分布関数（ＣＤＦ）との関係を示すグラフである。 図６は、本実施形態のハードウェア構成を示すブロック図である。
　以下、図面を参照して実施形態について説明する。実施形態に係る通信品質予測システムは、通信品質予測装置１と通信機器２を含む。通信品質予測装置１は、例えば携帯電話機などの通信機器２の通信品質を予測する際に、通信品質を予測するための予測モデルを複数設定し、これらのうち予測精度の高い予測モデルを複数選択する。更に、選択した複数の予測モデルを合成する際の合成ルールを決定する。合成ルールは、通信品質の予測精度がより高くなるように決定する。選択した予測モデル、及び合成ルールに従って通信機器の通信品質を予測することにより、高精度な通信品質の予測を可能にする。
　図１は、実施形態に係る通信品質予測システムの構成を示すブロック図である。本実施形態では、通信品質予測装置１に１つの通信機器２が接続される例について示すが、通信品質予測装置１に接続される通信機器２は複数存在していてもよい。
　図１に示すように、通信品質予測装置１は、通信部１１と、複数の情報取得部１２-1～１２-N（以下、総称して「情報取得部１２」と表記する）と、記憶部１３と、生成部１４と、モデル利用部１５と、選択部１６と、合成部１７と、評価部１８と、予測部１９を備えている。
　通信部１１は、通信品質の予測対象となる通信機器２との間で無線通信を行い、通信機器２の現在の通信品質、通信機器２の現在位置を示すＧＰＳ情報などの通信機器関連情報を取得する。以下では、上記の通信機器関連情報を「補助情報」という。
　情報取得部１２は、通信機器２の周辺に設置されたカメラ、センサ、及び情報収集機器（いずれも図示省略）などで収集された情報を取得する。具体的には、情報取得部１２は、カメラで撮像された画像を取得する。情報取得部１２は、通信機器２或いはその周辺に設置された赤外線センサ、超音波センサ、レーザレーダなどのセンサで検出される通信機器の方向、移動、回転に関する情報、及び、通信機器２の周囲に存在する人物、物体の情報を取得する。
　情報収集機器は、携帯電話機などの移動端末における位置登録エリア番号、電波移動端末における位置登録要否の判断に必要となる位置登録エリア番号、周辺セル情報とそのセルへの在圏するための電波品質などの情報、及び発信規制制御を行うための情報、などを収集する。
　以下では、情報取得部１２が上記したカメラ、センサ、及び情報収集機器から取得した通信機器２に関する情報を総称して「周辺環境情報」という。
　記憶部１３は、通信部１１で受信された補助情報、及び、各情報取得部１２で取得された周辺環境情報を、複数のカテゴリに分類して記憶する。「カテゴリ」とは、通信機器２の通信品質を推定するためのモデルを生成する際の分類項目である。カテゴリは、例えば通信機器２の位置を示すＧＰＳ情報、通信品質、或いは、通信機器２の周囲に存在する物体、人物の位置座標、バウンディングボックス座標、骨格座標などである。即ち、記憶部１３は、周辺環境情報及び通信機器関連情報（補助情報）を複数のカテゴリに分類して記憶する。周辺環境情報は、通信機器２の周辺に存在する物体のバウンディングボックス座標、及び通信機器２の周辺に存在する人物の骨格座標の少なくとも一方を含んでいる。
　骨格座標とは、例えば右手首、左手首、右膝、左肘などの人体の部位の位置座標、速度情報、加速度情報である。
　生成部１４は、記憶部１３に記憶されている各カテゴリの補助情報及び周辺環境情報に基づいて、学習モデルに入力するデータベースを生成する。生成部１４は、生成したデータベースに基づいて機械学習を実施し、各カテゴリの、通信機器２の通信品質との関係をモデル化した予測モデルを生成する。また、新規に周辺環境情報または補助情報が得られた際には、必要に応じて再度機械学習を実施することにより、予測モデルを更新する。即ち、生成部１４は、通信機器２に関する通信機器関連情報、及び通信機器２の周辺環境に関する周辺環境情報の少なくとも一方を取得し、取得した情報に基づいて、通信機器２の通信品質を予測する複数の予測モデルを生成する。なお、機械学習は周知の技術であるので詳細な説明を省略する。
　モデル利用部１５は、生成部１４で生成された各カテゴリの予測モデルを取得し、各予測モデルを利用することにより、通信機器２の通信品質を予測しその予測結果を取得する。
　評価部１８は、各予測モデルを用いて取得される通信機器２の通信品質の予測結果をモデル利用部１５から取得する。評価部１８は、通信部１１で取得される通信機器２における通信品質の測定値と、上記した通信品質の予測結果とを比較する。通信品質の予測結果と通信品質の測定値との比較は、リアルタイムで行われていてもよい。評価部１８は、この比較結果に基づいて、各予測モデルによる予測精度を評価し、予測精度が高い順となるように各予測モデルに優先順位を設定する。具体的には、通信品質の測定値と、予測結果との差分を算出し、差分が小さいほど優先順位が高くなるように設定する。即ち、評価部１８は、通信品質の測定値と、通信品質の予測結果を比較して、各予測モデルの予測精度を評価する。
　選択部１６は、評価部１８で設定された各カテゴリの予測モデルの優先順位を参照し、各カテゴリの予測モデルのうち、優先順位が上位である複数の予測モデルを選択する。選択部１６は、選択した予測モデルの情報を合成部１７に出力する。即ち、選択部１６は、評価部１８による評価結果に基づいて、生成部１４で生成された各予測モデルから通信品質の予測に使用する複数の予測モデルを選択する。
　合成部１７は、選択部１６で選択された各予測モデルを参照し、評価部１８による評価結果に基づいて、複数の予測モデルを合成する合成ルールを設定する。
　以下、具体的な合成ルールの設定方法について説明する。周辺環境情報である「バウンディングボックス座標」と、補助情報である「通信品質」及び「通信端末のＧＰＳ情報」の３つのカテゴリについて設定されている予測モデルの合成ルールの例について説明する。具体的な合成ルールとして、以下に示す「信頼度により選択する方法」、「信頼度の加重平均により選択する方法」を採用することができる。
　（信頼度により選択する方法）
　この合成ルールでは、選択部１６で選択された複数の予測モデルの信頼度、及び通信品質の予測値を取得し、信頼度が最も高い予測モデルにおける通信品質の予測値を採用する。「信頼度」とは、後述する「Ｒ2スコア」、或いは「ＭＡＰＥ［％］」で得られる予測モデルの信頼性を示す指標である。具体的に、「バウンディングボックス座標」、「通信品質」、「通信端末のＧＰＳ情報」の各カテゴリにおける予測モデルの信頼度をそれぞれＲ１、Ｒ２、Ｒ３とし、通信品質の予測値をそれぞれＰ１、Ｐ２、Ｐ３とする。信頼度Ｒ１が最も高い場合には、バウンディングボックス座標の予測モデルによる予測値Ｐ１を通信品質として出力する。
　即ち、合成部１７は、選択部１６で選択された複数の予測モデルの信頼度を取得し、最も信頼度の高い予測結果が得られる予測モデルの出力を通信品質の予測値とする合成ルールを設定する。
　（信頼度の加重平均により選択する方法）
　この合成ルールでは、選択部１６で選択された複数の予測モデルの信頼度、及び通信品質の予測値を取得し、これらを用いて加重平均を算出する。算出した加重平均を通信品質として出力する。
　具体的に、「バウンディングボックス座標」、「通信品質」、「通信端末のＧＰＳ情報」の各カテゴリにおける予測モデルの信頼度をそれぞれＲ１、Ｒ２、Ｒ３とし、通信品質の予測値をそれぞれＰ１、Ｐ２、Ｐ３とする。
　３つの予測モデルを用いた通信品質の加重平均は、下記（１）式で示すことができる。
　加重平均＝（Ｒ１＊Ｐ１＋Ｒ２＊Ｐ２＋Ｒ３＊Ｐ３）／（Ｒ１＋Ｒ２＋Ｒ３）
　　　　　　　　　　　　　　　　　　　　　　　　　　　…（１）
　そして、上記（１）式で算出される加重平均の数値を、通信品質として出力する。
　即ち、合成部１７は、選択部１６で選択された複数の予測モデルの信頼度を取得し、各予測モデルによる通信品質の予測結果と信頼度との加重平均を算出し、この加重平均を通信品質の予測値とする合成ルールを設定する。
　予測部１９は、合成部１７にて設定された合成ルールに基づいて、通信機器２の通信品質を予測し、予測結果を出力する。
　次に、上記した「信頼度により選択する方法」、「信頼度の加重平均により選択する方法」を採用した場合と、採用しない場合の、推定精度の比較について説明する。
　図２Ａ、図２Ｂは、あるロボットが動いているときに、このロボットの無線通信品質（スループット）を予測するモデルを生成し、各モデルを評価した結果を示すグラフである。図２Ａは、「Ｒ2スコア」で評価した場合、図２ＢはＭＡＰＥ［％］で評価した場合のグラフを示している。
　ロボットは、ＡＭＣＬ（Adaptive MonteCarlo Localization）のアルゴリズムにより自己位置を推定している。自己位置の推定により「位置座標(xyと表記)」を取得している。また、ロボットの周囲に設置した１台のカメラから当該ロボットを撮影し、「バウンディングボックス座標（「cam0」と表記）」を取得している。
　図２Ａは、「位置情報」、「バウンディングボックス座標」、「位置座標とバウンディングボックス座標(xycam0と表記)」により生成された予測モデルのＲ2スコア、及び、「位置座標」、「バウンディングボックス座標」のモデルを信頼度選択、信頼度加重平均により推定した結果のＲ2スコアで評価した結果を示すグラフである。
　Ｒ2スコアは、下記（２）式で算出され、「１」に近いほど高精度に推定ができていることを示す。
　図２Ａに示すグラフから理解されるように、「x,y」、「cam0」、「xycam0」の数値と対比して、「信頼度選択」、及び「信頼度加重平均」のＲ2スコアは、「１」に近づいており、推定精度が高いことが理解される。
　また、図２Ｂは、「位置情報（xyと表記）」、「バウンディングボックス座標（cam0と表記）」、「位置座標とバウンディングボックス座標(xycam0と表記)」により生成された予測モデルのＭＡＰＥ［％］、及び、「位置座標」、「バウンディングボックス座標」のモデルを信頼度選択、信頼度加重平均により推定した結果のＭＡＰＥ［％］の結果を示すグラフである。
　ＭＡＰＥ［％］は、下記（３）式で算出され、数値が小さいほど高精度に推定ができていることを示す。
　図２Ｂに示すグラフから理解されるように、「x,y」、「cam0」、「xycam0」の数値と対比して、「信頼度選択」、及び「信頼度加重平均」のＭＡＰＥ［％］は、より小さい数値となっており、推定精度が高いことが理解される。
　即ち、各カテゴリの予測モデルのＲ2スコア及びＭＡＰＥ［％］の結果から、信頼度選択、信頼度加重平均を採用することにより、通信品質を高精度に推定できることが判る。また、「xy」に「cam0」の情報を付与した「xycam0」で推定した結果は、「xy」のみの推定結果より悪いという結果が得られ、単純にデータを多くすればよい結果が得られるとは限らないことが判る。
　本実施形態では、選択された複数の予測モデルに対して適切に合成ルールを設定することにより、通信品質の推定精度を高める。なお、図２Ａ、図２Ｂに示した例では、「信頼度選択」と「信頼度加重平均」による２つの合成ルールについて説明したが、合成ルールの設定はこれらに限定されるものではなく、その他の合成ルールを採用してもよい。
　次に、上記のように構成された本実施形態に係る通信品質予測装置１の処理手順について、図３に示すフローチャート、及び図４に示すフロー図を参照して説明する。
　初めに、図３のステップＳ１１において情報取得部１２は、通信機器２の周辺環境情報を取得し、各カテゴリに分類して記憶部１３に記憶する。前述したように、周辺環境情報は、例えば、バウンディングボックス座標、通信機器２の周囲に存在する人物、物体の情報などである。通信部１１は、通信機器２との間での通信により補助情報を取得し、各カテゴリに分類して記憶部１３に記憶する。前述したように、補助情報とは、通信機器２の通信品質、ＧＰＳ情報などである。
　ステップＳ１２において生成部１４は、複数の周辺環境情報及び補助情報を入力として、通信機器２の通信品質を予測する予測モデルを生成する。生成部１４は、複数設定されているカテゴリごとに予測モデルを生成する。予測モデルは、通信機器２が実行する制御情報を含んでいてもよい。
　具体例として、図４のＣ１に示すように、通信機器２の位置、向き、通信機器を操作する人物の姿勢、速度、パーツ状態、及びバウンディングボックス座標情報、骨格座標情報を取得する。また、図４のＣ２に示すように、通信部１１により通信機器２の通信品質、ＧＰＳ情報を取得する。図４のＣ３に示すように、Ｃ１で取得した周辺環境情報と、Ｃ２で取得した補助情報に基づいて、機械学習を実施して、骨格モデル、ＧＰＳモデルなどの複数のカテゴリに対する通信品質の予測モデルを生成する。
　「制御情報」とは、通信品質の予測結果に基づいて通信機器２が実行する制御の情報である。例えば、通信品質が低下するという予測結果が得られた際に、映像配信アプリケーションの映像送信レートを低下させる、などの制御情報を含む。
　ステップＳ１３において評価部１８は、複数の周辺環境情報及び補助情報を取得し、ステップＳ１２の処理で生成された各予測モデルに入力して予測結果、及び制御情報を取得する。
　ステップＳ１４においてモデル利用部１５は、カテゴリごとに分類された周辺環境情報及び補助情報に基づき、生成部１４で生成された複数の予測モデルを利用して、各予測モデルの予測結果を出力する。
　ステップＳ１５において評価部１８は、通信部１１にて取得される通信品質の測定値と、モデル利用部１５から出力される各予測モデルにおける通信品質の予測結果を比較して、各予測モデルの予測精度を評価する。評価部１８は、例えば通信品質の測定値と予測結果の差分を演算し、差分が小さいほど予測モデルの優先順位を高く設定する処理を行う。
　ステップＳ１６において選択部１６は、評価部１８による評価が高い所定数の予測モデルを選択する。例えば、優先順位が上位である所定数の予測モデルを選択する。
　ステップＳ１７において、合成部１７は、選択された複数の予測モデルを用いて合成ルールを設定する。合成部１７は、選択された複数の予測モデルに基づいて、前述した「信頼度により選択する方法」、「信頼度の加重平均により選択する方法」などの、予め設定されている合成ルールを設定する。予測部１９は、周辺環境情報、補助情報、選択された予測モデル、及び合成ルールに基づいて、通信機器２の通信品質を予測し、予測結果を外部に出力する。図４のＣ４に示すように、予測結果を外部機器に出力する。
　ステップＳ１８において評価部１８は、各予測モデルによる予測結果を評価し、この評価結果に基づいて予測モデルの選択ルールを更新する。合成部１７は、上記評価結果に基づいて、予測モデルの合成ルールを更新する。
　図５は、予測モデルで予測した通信品質と実際の通信品質の絶対誤差［ｂｐｓ］と、累積分布関数（ＣＤＦ）との関係を示すグラフである。図５に示すグラフの横軸は、絶対誤差［ｂｐｓ］を示し、縦軸は累積分布関数（ＣＤＦ）を示している。
　例えば、横軸で５，０００，０００［ｂｐｓ］に対応するグラフ上の点は、縦軸でおおよそ「０．７５」である。これは推定結果の７５％は５，０００，０００［ｂｐｓ］以下の推定誤差であることを示している。従って、横軸のある数値に対して、縦軸の値が大きいほど、精度よく推定できていることを示している。
　図５に示すグラフから、精度面では曲線Ｑ１に示す「位置/向き/速度情報」、曲線Ｑ２に示す「位置/向き/速度＋カメラ５台（５台分のバウンディングボックス座標）」、曲線Ｑ３に示す「カメラ５台（５台分のバウンディングボックス座標）」の順で精度が高いことが理解される。
　曲線Ｑ１は曲線Ｑ２よりも高い数値を示していることから、「位置／向き／速度情報」に、「５台分のバウンディングボックス座標」を追加しても精度は高くなっていない。即ち、入力データを増加させるほど精度が高くなるとは限らないといえる。
　そのため、通信部１１で取得した補助情報、及び各情報取得部１２で取得した周辺環境情報のすべてを用いて通信品質を予測するのではなく、カテゴリごとに予測モデルを生成する。選択部１６は、生成した予測モデルから評価部１８での評価結果が高い（優先順位が上位である）複数の予測モデルを選択し、合成部１７は、選択された予測モデルを用いて合成ルールを設定することにより、高精度な品質予測が可能になる。また、多くの周辺環境情報、補助情報を収集できない場合であっても高精度な品質予測が可能になるという利点がある。
　このように、本実施形態に係る通信品質予測装置１は、通信機器２の通信品質を予測する通信品質予測装置１であって、通信機器２に関する通信機器関連情報、及び通信機器２の周辺環境に関する周辺環境情報の少なくとも一方を取得し、取得した情報に基づいて、通信機器２の通信品質を予測する複数の予測モデルを生成する生成部１４と、通信品質の測定値と、通信品質の予測結果を比較して、各予測モデルの予測精度を評価する評価部１８と、評価部１８による評価結果に基づいて、生成部１４で生成された各予測モデルから通信品質の予測に使用する複数の予測モデルを選択する選択部１６と、評価部１８による評価結果に基づいて、選択部１６で選択された複数の予測モデルを合成する合成ルールを設定する合成部１７と、合成部１７で設定された合成ルールに基づいて、通信機器２の品質を予測する予測部１９を備える。
　本実施形態では、通信機器２の位置情報、画像情報のみならず、各種の周辺環境情報、及び補助情報に基づいて、通信機器の通信品質を予測するための予測モデル及び合成ルールを設定し、通信品質を予測するので、高精度な通信品質の予測が可能になる。
　本実施形態では、予測モデルによる予測結果と、通信機器２の通信品質の測定値とを比較し、この比較結果に応じて予測モデルによる予測精度を評価するので、通信機器２の現在の状況に適した予測モデルを選択して通信品質を予測することができる。また、予測モデルによる予測結果と通信品質の測定値とをリアルタイムで比較することにより、現状に即したより高精度な通信品質の予測が可能になる。
　本実施形態では、環境変動などの要因により、一部の周辺環境情報の収集が困難、または不確かさが増大した場合であっても、限られた周辺環境情報に対応する予測モデルから最適なモデルを選択することで、将来の通信品質をより高精度に予測することが可能になる。
　合成部１７は、選択部１６で選択された複数の予測モデル信頼度を取得し、最も信頼度の高い予測結果が得られる予測モデルの出力を通信品質の予測値とする合成ルールを設定するので、通信品質の予測精度をより高めることができる。
　合成部１７は、選択部１６で選択された複数の予測モデルの信頼度を取得し、各予測モデルによる通信品質の予測結果と信頼度との加重平均を算出し、この加重平均を通信品質の予測値とする合成ルールを設定するので、通信品質の予測精度をより高めることができる。
　情報取得部１２は、周辺環境情報として、通信機器２の周辺に存在する物体のバウンディングボックス座標、及び通信機器２の周辺に存在する人物の骨格座標、の少なくとも一方を採用するので、通信品質の予測精度をより高めることができる。
　上記説明した本実施形態の通信品質予測装置１には、図６に示すように例えば、ＣＰＵ（Central Processing Unit、プロセッサ）９０１と、メモリ９０２と、ストレージ９０３（HDD：HardDisk Drive、SSD：SolidState Drive）と、通信装置９０４と、入力装置９０５と、出力装置９０６とを備える汎用的なコンピュータシステムを用いることができる。メモリ９０２およびストレージ９０３は、記憶装置である。このコンピュータシステムにおいて、ＣＰＵ９０１がメモリ９０２上にロードされた所定のプログラムを実行することにより、通信品質予測装置１の各機能が実現される。
　なお、通信品質予測装置１は、１つのコンピュータで実装されてもよく、あるいは複数のコンピュータで実装されても良い。また、通信品質予測装置１は、コンピュータに実装される仮想マシンであっても良い。
　なお、通信品質予測装置１用のプログラムは、ＨＤＤ、ＳＳＤ、ＵＳＢ（Universal Serial Bus）メモリ、ＣＤ (Compact Disc)、ＤＶＤ (Digital Versatile Disc)などのコンピュータ読取り可能な記録媒体に記憶することも、ネットワークを介して配信することもできる。
　なお、本発明は上記実施形態に限定されるものではなく、その要旨の範囲内で数々の変形が可能である。
　１　通信品質予測装置
　２　通信機器
　１１　通信部
　１２（１２-1～１２-N）　情報取得部
　１３　記憶部
　１４　生成部
　１５　モデル利用部
　１６　選択部
　１７　合成部
　１８　評価部
　１９　予測部

Claims (8)

  1. 　通信機器の通信品質を予測する通信品質予測装置であって、
    　前記通信機器に関する通信機器関連情報、及び前記通信機器の周辺環境に関する周辺環境情報の少なくとも一方を取得し、取得した情報に基づいて、前記通信機器の通信品質を予測する複数の予測モデルを生成する生成部と、
    　前記通信品質の測定値と、前記通信品質の予測結果を比較して、各予測モデルの予測精度を評価する評価部と、
    　前記評価部による評価結果に基づいて、前記生成部で生成された各予測モデルから通信品質の予測に使用する複数の予測モデルを選択する選択部と、
    　前記評価部による評価結果に基づいて、前記選択部で選択された複数の予測モデルを合成する合成ルールを設定する合成部と、
    　前記合成部で設定された合成ルールに基づいて、前記通信機器の品質を予測する予測部と、
    　を備えた通信品質予測装置。
  2. 　前記評価部は、前記予測精度の評価結果に基づいて各カテゴリの予測モデルに優先順位を設定し、前記選択部は、優先順位が上位である所定数の予測モデルを選択する
    　請求項１に記載の通信品質予測装置。
  3. 　前記合成部は、前記選択部で選択された複数の予測モデルの信頼度を取得し、最も信頼度の高い予測結果が得られる予測モデルの出力を通信品質の予測値とする合成ルールを設定する請求項１または２に記載の通信品質予測装置。
  4. 　前記合成部は、前記選択部で選択された複数の予測モデルにの信頼度を取得し、各予測モデルによる通信品質の予測結果と信頼度との加重平均を算出し、この加重平均を通信品質の予測値とする合成ルールを設定する請求項１または２に記載の通信品質予測装置。
  5. 　前記周辺環境情報は、前記通信機器の周辺に存在する物体のバウンディングボックス座標、及び前記通信機器の周辺に存在する人物の骨格座標、の少なくとも一方を含む
    　請求項１～４のいずれか１項に記載の通信品質予測装置。
  6. 　通信機器と、前記通信機器の通信品質を予測する通信品質予測装置とを備えた通信品質予測システムであって、
    　前記通信品質予測装置は、
    　前記通信機器に関する通信機器関連情報、及び前記通信機器の周辺環境に関する周辺環境情報の少なくとも一方を取得し、取得した情報に基づいて、前記通信機器の通信品質を予測する複数の予測モデルを生成する生成部と、
    　前記通信品質の測定値と、前記通信品質の予測結果を比較して、各予測モデルの予測精度を評価する評価部と、
    　前記評価部による評価結果に基づいて、前記生成部で生成された各予測モデルから通信品質の予測に使用する複数の予測モデルを選択する選択部と、
    　前記評価部による評価結果に基づいて、前記選択部で選択された複数の予測モデルを合成する合成ルールを設定する合成部と、
    　前記合成部で設定された合成ルールに基づいて、前記通信機器の品質を予測する予測部と、
    　を備えた通信品質予測システム。
  7. 　通信機器の通信品質を予測する通信品質予測方法であって、
    　前記通信機器に関する通信機器関連情報、及び前記通信機器の周辺環境に関する周辺環境情報の少なくとも一方を取得し、取得した情報に基づいて、前記通信機器の通信品質を予測する複数の予測モデルを生成するステップと、
    　前記通信品質の測定値と、前記通信品質の予測結果を比較して、各予測モデルの予測精度を評価するステップと、
    　前記評価の結果に基づいて、生成部で生成された各予測モデルから通信品質の予測に使用する複数の予測モデルを選択するステップと、
    　前記評価の結果に基づいて、選択部で選択された複数の予測モデルを合成する合成ルールを設定するステップと、
    　前記合成ルールに基づいて、前記通信機器の品質を予測するステップと、
    　を備えた通信品質予測方法。
  8. 　請求項１に記載の通信品質予測装置としてコンピュータを機能させる通信品質予測プログラム。
PCT/JP2022/005386 2022-02-10 2022-02-10 通信品質予測装置、通信品質予測システム、通信品質予測方法、及び通信品質予測プログラム WO2023152877A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/005386 WO2023152877A1 (ja) 2022-02-10 2022-02-10 通信品質予測装置、通信品質予測システム、通信品質予測方法、及び通信品質予測プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/005386 WO2023152877A1 (ja) 2022-02-10 2022-02-10 通信品質予測装置、通信品質予測システム、通信品質予測方法、及び通信品質予測プログラム

Publications (1)

Publication Number Publication Date
WO2023152877A1 true WO2023152877A1 (ja) 2023-08-17

Family

ID=87563863

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/005386 WO2023152877A1 (ja) 2022-02-10 2022-02-10 通信品質予測装置、通信品質予測システム、通信品質予測方法、及び通信品質予測プログラム

Country Status (1)

Country Link
WO (1) WO2023152877A1 (ja)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3667332B2 (ja) * 2002-11-21 2005-07-06 松下電器産業株式会社 標準モデル作成装置及び標準モデル作成方法
WO2016047118A1 (ja) * 2014-09-26 2016-03-31 日本電気株式会社 モデル評価装置、モデル評価方法、及び、プログラム記録媒体
US20190207672A1 (en) * 2017-12-29 2019-07-04 Hughes Network Systems, Llc Machine learning models for adjusting communication parameters
JP2021034056A (ja) * 2019-08-26 2021-03-01 エフ．ホフマン−ラ ロシュ アーゲーＦ． Ｈｏｆｆｍａｎｎ−Ｌａ Ｒｏｃｈｅ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ 医療データの自動化された検証
WO2021038961A1 (ja) * 2019-08-30 2021-03-04 ソニー株式会社 判定装置、判定方法および判定プログラム
JP2021067469A (ja) * 2019-10-17 2021-04-30 清水建設株式会社 距離推定装置および方法
JP2021077129A (ja) * 2019-11-11 2021-05-20 株式会社日立製作所 情報処理システム、モデルの制御方法及び記憶媒体
WO2021171341A1 (ja) * 2020-02-25 2021-09-02 日本電信電話株式会社 通信品質を予測するシステム、装置、方法及びプログラム
US20210297171A1 (en) * 2020-03-20 2021-09-23 Volkswagen Aktiengesellschaft Method, apparatus and computer program for predicting a future quality of service of a wireless communication link
JP2021149640A (ja) * 2020-03-19 2021-09-27 日産自動車株式会社 データ分類装置、データ分類方法、およびプログラム
WO2021205959A1 (ja) * 2020-04-10 2021-10-14 ソニーグループ株式会社 情報処理装置、サーバー、情報処理システム及び情報処理方法
JP2022003600A (ja) * 2020-06-23 2022-01-11 富士フイルム株式会社 信号処理装置、磁気テープカートリッジ、磁気テープ読取装置、信号処理装置の処理方法、磁気テープ読取装置の動作方法、及びプログラム

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3667332B2 (ja) * 2002-11-21 2005-07-06 松下電器産業株式会社 標準モデル作成装置及び標準モデル作成方法
WO2016047118A1 (ja) * 2014-09-26 2016-03-31 日本電気株式会社 モデル評価装置、モデル評価方法、及び、プログラム記録媒体
US20190207672A1 (en) * 2017-12-29 2019-07-04 Hughes Network Systems, Llc Machine learning models for adjusting communication parameters
JP2021034056A (ja) * 2019-08-26 2021-03-01 エフ．ホフマン−ラ ロシュ アーゲーＦ． Ｈｏｆｆｍａｎｎ−Ｌａ Ｒｏｃｈｅ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ 医療データの自動化された検証
WO2021038961A1 (ja) * 2019-08-30 2021-03-04 ソニー株式会社 判定装置、判定方法および判定プログラム
JP2021067469A (ja) * 2019-10-17 2021-04-30 清水建設株式会社 距離推定装置および方法
JP2021077129A (ja) * 2019-11-11 2021-05-20 株式会社日立製作所 情報処理システム、モデルの制御方法及び記憶媒体
WO2021171341A1 (ja) * 2020-02-25 2021-09-02 日本電信電話株式会社 通信品質を予測するシステム、装置、方法及びプログラム
JP2021149640A (ja) * 2020-03-19 2021-09-27 日産自動車株式会社 データ分類装置、データ分類方法、およびプログラム
US20210297171A1 (en) * 2020-03-20 2021-09-23 Volkswagen Aktiengesellschaft Method, apparatus and computer program for predicting a future quality of service of a wireless communication link
WO2021205959A1 (ja) * 2020-04-10 2021-10-14 ソニーグループ株式会社 情報処理装置、サーバー、情報処理システム及び情報処理方法
JP2022003600A (ja) * 2020-06-23 2022-01-11 富士フイルム株式会社 信号処理装置、磁気テープカートリッジ、磁気テープ読取装置、信号処理装置の処理方法、磁気テープ読取装置の動作方法、及びプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TAKAYUKI NISHIO; HIRONAO OKAMOTO; KOTA NAKASHIMA; YUSUKE KODA; KOJI YAMAMOTO; MASAHIRO MORIKURA; YUSUKE ASAI; RYO MIYATAKE: "Proactive Received Power Prediction Using Machine Learning and Depth Images for mmWave Networks", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 26 March 2018 (2018-03-26), 201 Olin Library Cornell University Ithaca, NY 14853 , XP081573737, DOI: 10.1109/JSAC.2019.2933763 *

Similar Documents

Publication Publication Date Title
Zhang et al. Wifi-based indoor robot positioning using deep fuzzy forests
Wu et al. Location estimation via support vector regression
Atia et al. Dynamic online-calibrated radio maps for indoor positioning in wireless local area networks
Malmirchegini et al. On the spatial predictability of communication channels
US8862138B2 (en) Forecasting of dynamic environmental parameters to optimize operation of a wireless communication system
US20220210622A1 (en) Communication system and base station
CN107408303A (zh) 用于对象跟踪的系统和方法
US20230079581A1 (en) System, device, method and program that predict communication quality
WO2008127277A1 (en) A sparse sampling planner for sensor resource management
US20160035098A1 (en) State estimation apparatus, state estimation method, and integrated circuit
Krishnamurthy et al. Optimal threshold policies for multivariate POMDPs in radar resource management
CN112749726A (zh) 目标检测模型的训练方法、装置、计算机设备和存储介质
Graham et al. Spatial statistics and distributed estimation by robotic sensor networks
Derr et al. Wireless based object tracking based on neural networks
US20090112517A1 (en) Method And Apparatus For Determining Accuracy Of The Estimated Location For A Target In A Wireless System
WO2023152877A1 (ja) 通信品質予測装置、通信品質予測システム、通信品質予測方法、及び通信品質予測プログラム
US20220352995A1 (en) Communication system and terminal
JP2013197704A (ja) トラフィック量予測処理装置およびコンピュータプログラム
WO2023152879A1 (ja) モデル設定装置、モデル設定システム、モデル設定方法、及びモデル設定プログラム
JP7258732B2 (ja) 通信種別と対象種別との対応関係に基づき端末を同定する装置、プログラム及び方法
GB2591762A (en) Wireless telecommunications network
CN116669089A (zh) 经由信道聚合预测服务质量
Oka et al. Spatial feature-based prioritization for transmission of point cloud data in 3D-image sensor networks
Mestre et al. Indoor location using fingerprinting and fuzzy logic
JP7238972B2 (ja) 位置推定装置、位置推定方法及びプログラム

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: 22925898

Country of ref document: EP

Kind code of ref document: A1