WO2024042580A1 - Wireless communication quality prediction device, wireless communication quality prediction method, and wireless communication quality prediction program - Google Patents

Wireless communication quality prediction device, wireless communication quality prediction method, and wireless communication quality prediction program Download PDF

Info

Publication number
WO2024042580A1
WO2024042580A1 PCT/JP2022/031565 JP2022031565W WO2024042580A1 WO 2024042580 A1 WO2024042580 A1 WO 2024042580A1 JP 2022031565 W JP2022031565 W JP 2022031565W WO 2024042580 A1 WO2024042580 A1 WO 2024042580A1
Authority
WO
WIPO (PCT)
Prior art keywords
wireless communication
physical space
space information
communication quality
reliability
Prior art date
Application number
PCT/JP2022/031565
Other languages
French (fr)
Japanese (ja)
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/JP2022/031565 priority Critical patent/WO2024042580A1/en
Publication of WO2024042580A1 publication Critical patent/WO2024042580A1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic

Landscapes

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

Abstract

This wireless communication quality prediction device 1 comprises: a prediction model generation unit 14 that generates, for each item of physical space information pertaining to the surroundings of a communication device, a prediction model that accepts the physical space information as input and outputs a predicted value of future wireless communication quality for the communication device; a reliability model generation unit 15 that generates, for each item of physical space information, a reliability model that accepts the physical space information as input and outputs a degree of reliability pertaining to the predicted value; a communication quality calculation unit 16 that inputs a plurality of items of physical space information pertaining to the surroundings of a communication device for which prediction is made to a plurality of prediction models corresponding to the plurality of items of physical space information, thereby calculating a plurality of predicted values of future wireless communication quality for the communication device for which prediction is made; a reliability calculation unit 17 that inputs a plurality of items of physical space information to a plurality of reliability prediction models corresponding to the plurality of items of physical space information, thereby calculating degrees of reliability pertaining to the plurality of predicted values; and a communication quality synthesis unit 18 that synthesizes the plurality of predicted values through maximum-ratio synthesis based on the degrees of reliability of the plurality of predicted values.

Description

無線通信品質予測装置、無線通信品質予測方法、及び、無線通信品質予測プログラムWireless communication quality prediction device, wireless communication quality prediction method, and wireless communication quality prediction program
　本発明は、無線通信品質予測装置、無線通信品質予測方法、及び、無線通信品質予測プログラムに関する。 The present invention relates to a wireless communication quality prediction device, a wireless communication quality prediction method, and a wireless communication quality prediction program.
　無線通信機能が搭載された通信装置を使用する際、通信装置の周辺環境の変化（通信装置の周辺に存在するオブジェクトの移動など）に伴って無線通信品質も変化する可能性がある。かかる無線通信品質の変化は、通信装置が享受するサービスやサービス提供システムが要求する無線通信品質を満たせない要因となる。そこで、無線通信品質の予測モデルを用いて、通信装置の無線通信品質を予測する技術がある（非特許文献１－３）。 When using a communication device equipped with a wireless communication function, there is a possibility that the quality of the wireless communication will change due to changes in the environment surrounding the communication device (such as movement of objects around the communication device). Such a change in wireless communication quality becomes a factor in not being able to satisfy the wireless communication quality required by the service provided by the communication device or the service providing system. Therefore, there is a technique of predicting the wireless communication quality of a communication device using a wireless communication quality prediction model (Non-Patent Documents 1 to 3).
　非特許文献１、２は、オブジェクトの通過による無線通信路の遮蔽時における無線通信品質の予測を、深度カメラから取得したフィジカル空間情報を用いて実施している。しかしながら、非特許文献１、２は、深度カメラから取得した単一のフィジカル空間情報を用いて無線通信品質を予測するにすぎず、複数種のフィジカル空間情報を用いて予測することはできない。 Non-Patent Documents 1 and 2 use physical spatial information obtained from a depth camera to predict the quality of wireless communication when a wireless communication channel is blocked by the passage of an object. However, Non-Patent Documents 1 and 2 only predict wireless communication quality using a single piece of physical space information acquired from a depth camera, and cannot predict it using multiple types of physical space information.
　非特許文献３は、複数種のフィジカル空間情報を入力とするマルチモーダル学習手法により無線通信品質を予測している。しかしながら、非特許文献３では、フィジカル空間情報を収集するための収集装置の更新（カメラなどの追加、削減、移動など）に対して柔軟に予測モデルを更新することは難しい。 Non-Patent Document 3 predicts wireless communication quality using a multimodal learning method that uses multiple types of physical space information as input. However, in Non-Patent Document 3, it is difficult to update the prediction model flexibly in response to updating of a collection device for collecting physical spatial information (addition, reduction, movement, etc. of a camera, etc.).
　本発明は、上記事情に鑑みてなされたものであり、フィジカル空間情報を収集するための収集装置の更新に対して柔軟に無線通信品質の予測モデルを更新可能であり、かつ、従来のマルチモーダル学習手法よりも高精度に将来の無線通信品質を予測可能な技術を提供することを目的とする。 The present invention has been made in view of the above circumstances, and is capable of flexibly updating a wireless communication quality prediction model in response to an update of a collection device for collecting physical spatial information, and is capable of updating a prediction model of wireless communication quality in response to an update of a collection device for collecting physical spatial information. The objective is to provide a technology that can predict future wireless communication quality with higher accuracy than learning methods.
　本発明の一態様の無線通信品質予測装置は、通信装置の無線通信情報と、前記通信装置の周辺の相異なる複数のフィジカル空間情報と、を基に、前記フィジカル空間情報ごとに、前記フィジカル空間情報を入力として前記通信装置の未来の無線通信品質の予測値を出力する予測モデルを生成する生成部と、前記フィジカル空間情報ごとに、前記フィジカル空間情報を入力として前記予測モデルから出力された前記予測値を用いて前記予測値の信頼度を出力する信頼度モデルを生成する生成部と、予測対象の通信装置の周辺の相異なる複数のフィジカル空間情報を、当該複数のフィジカル空間情報に対応する複数の予測モデルに入力することにより、前記予測対象の通信装置の未来の無線通信品質の複数の予測値を算出する算出部と、前記予測対象の通信装置の周辺の相異なる複数のフィジカル空間情報を、当該複数のフィジカル空間情報に対応する複数の信頼度モデルに入力することにより、前記複数の予測値の各信頼度を算出する算出部と、前記複数の予測値の各信頼度に基づく最大比合成により前記複数の予測値を合成する合成部と、を備える。 The wireless communication quality prediction device according to one aspect of the present invention is based on wireless communication information of a communication device and a plurality of different pieces of physical space information around the communication device, and predicts the physical space for each of the physical space information. a generation unit that receives information as input and generates a prediction model that outputs a predicted value of future wireless communication quality of the communication device; a generation unit that generates a reliability model that outputs the reliability of the predicted value using the predicted value; and a generation unit that generates a reliability model that outputs the reliability of the predicted value; a calculation unit that calculates a plurality of predicted values of future wireless communication quality of the communication device to be predicted by inputting them to a plurality of prediction models; and a plurality of different pieces of physical space information around the communication device to be predicted. a calculation unit that calculates the reliability of each of the plurality of predicted values by inputting the information into a plurality of reliability models corresponding to the plurality of physical space information; and a calculation unit that calculates the reliability of each of the plurality of predicted values by inputting the and a combining unit that combines the plurality of predicted values by ratio combining.
　本発明の一態様の無線通信品質予測方法は、無線通信品質予測装置で行う無線通信品質予測方法において、通信装置の無線通信情報と、前記通信装置の周辺の相異なる複数のフィジカル空間情報と、を基に、前記フィジカル空間情報ごとに、前記フィジカル空間情報を入力として前記通信装置の未来の無線通信品質の予測値を出力する予測モデルを生成するステップと、前記フィジカル空間情報ごとに、前記フィジカル空間情報を入力として前記予測モデルから出力された前記予測値を用いて前記予測値の信頼度を出力する信頼度モデルを生成するステップと、予測対象の通信装置の周辺の相異なる複数のフィジカル空間情報を、当該複数のフィジカル空間情報に対応する複数の予測モデルに入力することにより、前記予測対象の通信装置の未来の無線通信品質の複数の予測値を算出するステップと、前記予測対象の通信装置の周辺の相異なる複数のフィジカル空間情報を、当該複数のフィジカル空間情報に対応する複数の信頼度モデルに入力することにより、前記複数の予測値の各信頼度を算出するステップと、前記複数の予測値の各信頼度に基づく最大比合成により前記複数の予測値を合成するステップと、を行う。 A wireless communication quality prediction method according to one aspect of the present invention is a wireless communication quality prediction method performed by a wireless communication quality prediction device, in which wireless communication information of a communication device, a plurality of different physical space information around the communication device, a step of generating, for each of the physical space information, a prediction model that receives the physical space information as input and outputs a predicted value of the future wireless communication quality of the communication device; generating a reliability model that outputs the reliability of the predicted value using the predicted value output from the prediction model with spatial information as input; and a plurality of different physical spaces around the communication device to be predicted. calculating a plurality of predicted values of future wireless communication quality of the communication device to be predicted by inputting information into a plurality of prediction models corresponding to the plurality of pieces of physical space information; calculating the reliability of each of the plurality of predicted values by inputting a plurality of different physical space information around the device into a plurality of reliability models corresponding to the plurality of physical space information; composing the plurality of predicted values by maximum ratio synthesis based on the reliability of each predicted value.
　本発明の一態様の無線通信品質予測プログラムは、上記無線通信品質予測装置としてコンピュータを機能させる。 A wireless communication quality prediction program according to one aspect of the present invention causes a computer to function as the wireless communication quality prediction device.
　本発明によれば、フィジカル空間情報を収集するための収集装置の更新に対して柔軟に無線通信品質の予測モデルを更新可能であり、かつ、従来のマルチモーダル学習手法よりも高精度に将来の無線通信品質を予測可能な技術を提供できる。 According to the present invention, it is possible to flexibly update a prediction model of wireless communication quality in response to an update of a collection device for collecting physical spatial information, and it is possible to update a prediction model of wireless communication quality more accurately than the conventional multimodal learning method. It is possible to provide technology that can predict wireless communication quality.
図１は、無線通信品質予測システムの全体構成の例を示す図である。FIG. 1 is a diagram showing an example of the overall configuration of a wireless communication quality prediction system. 図２は、事前準備段階の処理フローを示す図である。FIG. 2 is a diagram showing a processing flow at the preliminary preparation stage. 図３は、フィジカル空間情報、予測モデル、信頼度モデルの例を示す図である。FIG. 3 is a diagram showing an example of physical space information, a prediction model, and a reliability model. 図４は、予測段階の処理フローを示す図である。FIG. 4 is a diagram showing the processing flow of the prediction stage. 図５は、無線通信品質予測装置のハードウェア構成の例を示す図である。FIG. 5 is a diagram illustrating an example of the hardware configuration of a wireless communication quality prediction device.
　以下、図面を参照して、本発明の実施形態を説明する。図面の記載において同一部分には同一符号を付し説明を省略する。 Hereinafter, embodiments of the present invention will be described with reference to the drawings. In the description of the drawings, the same parts are denoted by the same reference numerals and explanations will be omitted.
　［発明の概要］
　今後、市中にはカメラやセンサなどの普及が想定される。そこで、本発明は、カメラやセンサなど、フィジカル空間情報を収集するための収集装置の更新（追加、削減、移動など）に対して柔軟に無線通信品質の予測モデルを更新可能であり、かつ、従来のマルチモーダル学習手法と比較して高精度に将来の無線通信品質を予測可能な技術を提供することを目的とする。 [Summary of the invention]
In the future, it is expected that cameras and sensors will become widespread in cities. Therefore, the present invention is capable of flexibly updating a prediction model of wireless communication quality in response to updating (addition, reduction, movement, etc.) of a collection device such as a camera or sensor for collecting physical spatial information, and The purpose of this study is to provide a technology that can predict future wireless communication quality with higher accuracy than conventional multimodal learning methods.
　かかる目的を達成するため、本発明は、相異なる複数のフィジカル空間情報ごとに無線通信品質の予測モデルを生成する。また、本発明は、無線通信品質の信頼度を算出する信頼度モデルを生成し、複数の無線通信品質の各信頼度に基づく最大比合成により複数の無線通信品質を合成する。 In order to achieve such an objective, the present invention generates a predictive model of wireless communication quality for each of a plurality of different pieces of physical spatial information. Further, the present invention generates a reliability model for calculating the reliability of wireless communication quality, and synthesizes the plurality of wireless communication qualities by maximum ratio combining based on the reliability of each of the plurality of wireless communication qualities.
　このように、本発明は、相異なる複数のフィジカル空間情報ごとに無線通信品質の予測モデルを生成するので、収集装置の更新に対して無線通信品質の予測モデルを短時間で更新可能となる。また、収集装置により収集された各種データを集中管理しなくてもよい。 In this way, the present invention generates a wireless communication quality prediction model for each of a plurality of different pieces of physical space information, so it is possible to update the wireless communication quality prediction model in a short time when updating the collection device. Furthermore, there is no need to centrally manage the various data collected by the collection device.
　また、本発明は、無線通信品質の信頼度を算出する信頼度モデルを生成し、複数の無線通信品質の各信頼度に基づく最大比合成により複数の無線通信品質を合成するので、複数種のフィジカル空間情報を入力とするマルチモーダル学習手法と同等以上の予測精度を実現可能となる。また、無線通信品質の信頼度を算出するので、収集装置の故障を検知可能となる。 Furthermore, the present invention generates a reliability model for calculating the reliability of wireless communication quality, and synthesizes multiple wireless communication qualities by maximum ratio synthesis based on the respective reliability levels of multiple wireless communication qualities. It becomes possible to achieve prediction accuracy equivalent to or higher than multimodal learning methods that use physical spatial information as input. Furthermore, since the reliability of wireless communication quality is calculated, it is possible to detect a failure of the collection device.
　［無線通信品質予測システムの構成］
　図１は、本実施形態に係る無線通信品質予測システムの全体構成例を示す図である。無線通信品質予測システムは、無線通信品質予測装置１と、複数の収集装置２と、を備える。 [Configuration of wireless communication quality prediction system]
FIG. 1 is a diagram showing an example of the overall configuration of a wireless communication quality prediction system according to the present embodiment. The wireless communication quality prediction system includes a wireless communication quality prediction device 1 and a plurality of collection devices 2.
　収集装置２は、市中などに設置されたカメラやセンサであり、様々な状況に応じて随時更新され得る。収集装置２は、通信装置１００の周辺のフィジカル空間情報を収集し、無線通信品質予測装置１からの取得要求に応じてフィジカル空間情報を返信する。 The collection device 2 is a camera or sensor installed in the city, etc., and can be updated at any time according to various situations. The collection device 2 collects physical space information around the communication device 100 and returns the physical space information in response to an acquisition request from the wireless communication quality prediction device 1.
　ここで、フィジカル空間情報について説明する。フィジカル空間情報とは、例えば、カメラで撮影されたオブジェクトＯ（通行人や車両など）のバウンディングボックス座標情報、カメラで撮影されたオブジェクトＯ（通行人）の骨格の座標情報、通信装置１００のＧＰＳ情報である。１つの収集装置２は、１つのフィジカル空間情報を収集してもよいし、複数のフィジカル空間情報を収集してもよい。 Here, physical space information will be explained. Physical space information includes, for example, bounding box coordinate information of object O (passerby, vehicle, etc.) photographed by a camera, coordinate information of the skeleton of object O (passerby) photographed by camera, GPS of communication device 100, etc. It is information. One collection device 2 may collect one piece of physical space information, or may collect a plurality of pieces of physical space information.
　無線通信品質予測装置１は、通信装置１００の周辺のフィジカル空間情報と通信装置１００の無線通信情報とを基に、通信装置１００の無線通信品質を予測する予測モデルを生成し、更に予測モデルの信頼度を算出する信頼度モデルを生成し、予測モデルと信頼度モデルを用いて、インターネットＮなどを介して通信相手の通信装置２００と通信中の通信装置１００（ここでは予測対象の通信装置）の未来の無線通信品質を予測する装置である。 The wireless communication quality prediction device 1 generates a prediction model for predicting the wireless communication quality of the communication device 100 based on the physical space information around the communication device 100 and the wireless communication information of the communication device 100, and further generates a prediction model for predicting the wireless communication quality of the communication device 100. A reliability model for calculating reliability is generated, and a prediction model and a reliability model are used to generate a communication device 100 (here, a prediction target communication device) that is communicating with a communication device 200 of a communication partner via the Internet N or the like. This is a device that predicts future wireless communication quality.
　なお、予測対象の無線装置は、１つの通信装置と無線通信を行ってもよいし、２つ以上の通信装置と無線通信を行ってもよい。無線通信は、２つの通信装置間の無線通信に限らず、３つ以上の通信装置間の無線通信でもよい。 Note that the prediction target wireless device may perform wireless communication with one communication device, or may perform wireless communication with two or more communication devices. Wireless communication is not limited to wireless communication between two communication devices, but may be wireless communication between three or more communication devices.
　［無線通信品質予測装置の機能構成］
　次に、無線通信品質予測装置１の機能構成について説明する。無線通信品質予測装置１は、図１に示したように、無線通信部１１と、複数のフィジカル空間情報取得部１２と、データ記憶部１３と、予測モデル生成部１４と、信頼度モデル生成部１５と、通信品質算出部１６と、信頼度算出部１７と、通信品質合成部１８と、を備える。 [Functional configuration of wireless communication quality prediction device]
Next, the functional configuration of the wireless communication quality prediction device 1 will be explained. As shown in FIG. 1, the wireless communication quality prediction device 1 includes a wireless communication section 11, a plurality of physical space information acquisition sections 12, a data storage section 13, a predictive model generation section 14, and a reliability model generation section. 15, a communication quality calculation section 16, a reliability calculation section 17, and a communication quality synthesis section 18.
　無線通信部１１は、通信装置１００と無線通信を行い、通信装置１００の無線通信情報を取得してデータ記憶部１３に格納する機能を備える。無線通信情報とは、例えば、通信装置１００の電波強度、通信速度、位置情報である。無線通信情報は、無線通信の品質に関する無線通信品質情報に限らず、無線通信品質情報を補助するための無線通信補助情報も含む。 The wireless communication unit 11 has a function of performing wireless communication with the communication device 100, acquiring wireless communication information of the communication device 100, and storing it in the data storage unit 13. The wireless communication information is, for example, radio field strength, communication speed, and position information of the communication device 100. The wireless communication information is not limited to wireless communication quality information regarding the quality of wireless communication, but also includes wireless communication supplementary information for supplementing the wireless communication quality information.
　複数のフィジカル空間情報取得部１２は、複数の収集装置２に対応し、複数の収集装置２から通信装置１００の周辺の相異なる複数のフィジカル空間情報を取得してデータ記憶部１３に格納する機能を備える。１つの収集装置２が複数のフィジカル空間情報を収集可能であれば、フィジカル空間情報取得部１２は１つでもよい。 The plurality of physical space information acquisition units 12 correspond to the plurality of collection devices 2 and have a function of acquiring a plurality of different pieces of physical space information around the communication device 100 from the plurality of collection devices 2 and storing them in the data storage unit 13. Equipped with. As long as one collection device 2 can collect a plurality of pieces of physical space information, the number of physical space information acquisition units 12 may be one.
　データ記憶部１３は、無線通信部１１が取得した通信装置１００の無線通信情報と、無線通信情報の取得時刻と同時刻に複数のフィジカル空間情報取得部１２がそれぞれ取得した複数のフィジカル空間情報と、を相互関連付けて記憶する機能を備える。 The data storage unit 13 stores wireless communication information of the communication device 100 acquired by the wireless communication unit 11 and a plurality of pieces of physical space information acquired by the plurality of physical space information acquisition units 12 at the same time as the acquisition time of the wireless communication information. , and has a function of storing them in correlation with each other.
　具体的には、データ記憶部１３は、複数のフィジカル空間情報をカテゴリごとに分類し、各フィジカル空間情報を同時刻に取得した通信装置１００の無線通信情報に関連付け、予測モデル生成部１４が生成したカテゴリごとの予測モデルに対して、予測モデルのカテゴリに対応するカテゴリのフィジカル空間情報を入力するためのデータベースを生成する。 Specifically, the data storage unit 13 classifies the plurality of pieces of physical space information into categories, associates each piece of physical space information with the wireless communication information of the communication device 100 acquired at the same time, and the predictive model generation unit 14 generates the information. A database for inputting physical space information of categories corresponding to the categories of the predictive model is generated for the predictive model for each category.
　ここで、カテゴリについて説明する。カテゴリとは、フィジカル空間情報の種類に基づく分類区分である。例えば、「通行人のバウンディングボックス座標情報」のカテゴリ、「車両のバウンディングボックス座標情報」のカテゴリ、「通行人の骨格の座標情報」のカテゴリ、「通信装置１００のＧＰＳ情報」のカテゴリ、「通信品質」のカテゴリである。なお、フィジカル空間情報は、収集装置２の種類や位置によっても異なるので、収集装置２の種類や位置などをカテゴリとしてもよい。 Here, categories will be explained. A category is a classification classification based on the type of physical space information. For example, the category "Bounding box coordinate information of a passerby", the category "Bounding box coordinate information of a vehicle", the category "Coordinate information of a passerby's skeleton", the category "GPS information of the communication device 100", the category "Communication This is the "quality" category. Note that since the physical space information also differs depending on the type and position of the collection device 2, the type and position of the collection device 2 may be used as a category.
　予測モデル生成部１４は、通信装置１００の無線通信情報と、通信装置１００の周辺の相異なる複数のフィジカル空間情報と、を基に、フィジカル空間情報ごとに、フィジカル空間情報を入力として通信装置１００の未来の無線通信品質の予測値を出力する予測モデルを生成する機能を備える。 The predictive model generation unit 14 generates a prediction model for each physical space information based on the wireless communication information of the communication device 100 and a plurality of different pieces of physical space information around the communication device 100, using the physical space information as input. Equipped with a function to generate a prediction model that outputs a predicted value of future wireless communication quality.
　具体的には、予測モデル生成部１４は、データ記憶部１３に格納されたデータベース（カテゴリごとのフィジカル空間情報と無線通信情報とを相互関連付けたデータ群）を用いて、カテゴリごとに、通信装置１００の無線通信品質を予測するための予測モデルを生成する。 Specifically, the predictive model generation unit 14 uses a database (a data group in which physical space information and wireless communication information for each category are correlated) stored in the data storage unit 13 to generate communication devices for each category. A prediction model for predicting wireless communication quality of 100 is generated.
　信頼度モデル生成部１５は、フィジカル空間情報ごとに、フィジカル空間情報を入力として予測モデルから出力された予測値を用いて予測値の信頼度を出力する信頼度モデルを生成する機能を備える。 The reliability model generation unit 15 has a function of generating, for each piece of physical space information, a reliability model that receives the physical space information as input and uses the predicted value output from the prediction model to output the reliability of the predicted value.
　具体的には、信頼度モデル生成部１５は、予測モデルの信頼スコアを算出するための信頼度モデルを生成する。予測モデルの信頼スコアとは、予測モデルの精度を数値化した値であり、例えば、無線通信品質の予測値と観測値との絶対誤差（｜（予測値－観測値）｜）、その絶対パーセント誤差（｜（予測値－観測値）／観測値｜）である。予測モデルの信頼スコアは、予測値の信頼度の例である。 Specifically, the reliability model generation unit 15 generates a reliability model for calculating the reliability score of the prediction model. The confidence score of a prediction model is a value that quantifies the accuracy of the prediction model, such as the absolute error (|(predicted value - observed value) |) between the predicted value and observed value of wireless communication quality, and its absolute percentage. The error is (|(predicted value - observed value)/observed value|). The confidence score of the prediction model is an example of the reliability of the predicted value.
　なお、予測モデル生成部１４と信頼度モデル生成部１５は、いずれも予測モデルや信頼度モデルという学習モデルを生成する共通の機能を備えるので、１つの生成部で実現してもよい。この場合、１つの生成部は、無線通信品質の予測値と予測値の信頼スコアとの両方を出力する学習モデルを生成してもよい。 Note that the predictive model generation unit 14 and the reliability model generation unit 15 both have a common function of generating learning models such as prediction models and reliability models, so they may be realized by one generation unit. In this case, one generation unit may generate a learning model that outputs both a predicted value of wireless communication quality and a reliability score of the predicted value.
　通信品質算出部１６は、通信装置１００（予測対象の通信装置）の周辺の相異なる複数のフィジカル空間情報を、当該複数のフィジカル空間情報に対応する複数の予測モデルに入力することにより、通信装置１００（予測対象の通信装置）の未来の無線通信品質の複数の予測値を算出する機能を備える。 The communication quality calculation unit 16 inputs a plurality of different pieces of physical space information around the communication device 100 (a communication device to be predicted) into a plurality of prediction models corresponding to the plurality of pieces of physical space information. 100 (communication device to be predicted) has a function of calculating a plurality of predicted values of future wireless communication quality.
　具体的には、通信品質算出部１６は、予測モデル及び信頼度モデルの生成時より後の時刻で複数のフィジカル空間情報を取得し、取得した複数のフィジカル空間情報の各カテゴリに対応するカテゴリの予測モデルを予測モデル生成部１４から取得し、複数のフィジカル空間情報を各予測モデルに入力することにより、複数の無線通信品質の予測値を算出する。 Specifically, the communication quality calculation unit 16 acquires a plurality of pieces of physical space information at a time after the time when the prediction model and the reliability model are generated, and selects a category corresponding to each category of the plurality of pieces of acquired physical space information. A plurality of predicted values of wireless communication quality are calculated by acquiring a prediction model from the prediction model generation unit 14 and inputting a plurality of pieces of physical space information into each prediction model.
　信頼度算出部１７は、通信装置１００（予測対象の通信装置）の周辺の相異なる複数のフィジカル空間情報を、当該複数のフィジカル空間情報に対応する複数の信頼度モデルに入力することにより、上記複数の予測モデルにより予測された複数の予測値の各信頼度を算出する機能を備える。 The reliability calculation unit 17 inputs a plurality of different pieces of physical space information around the communication device 100 (the communication device to be predicted) into a plurality of reliability models corresponding to the plurality of pieces of physical space information. It has a function to calculate the reliability of each of multiple predicted values predicted by multiple prediction models.
　具体的には、信頼度算出部１７は、予測モデル及び信頼度モデルの生成時より後の時刻で複数のフィジカル空間情報を取得し、取得した複数のフィジカル空間情報の各カテゴリに対応するカテゴリの信頼度モデルを信頼度モデル生成部１５から取得し、複数のフィジカル空間情報を各信頼度モデルに入力することにより、各予測値の信頼スコアをそれぞれ算出する。 Specifically, the reliability calculation unit 17 acquires a plurality of pieces of physical space information at a time after the generation of the prediction model and the reliability model, and calculates a category corresponding to each category of the acquired pieces of physical space information. A reliability model is obtained from the reliability model generation unit 15, and a plurality of pieces of physical space information are input to each reliability model, thereby calculating the reliability score of each predicted value.
　通信品質合成部１８は、複数の予測値の各信頼度に基づく最大比合成により、複数の予測値を合成する機能を備える。具体的には、通信品質合成部１８は、信頼スコアによる最大比合成により予測モデルの予測値を合成し、合成した予測値を通信装置１００（予測対象の通信装置）の未来の無線通信品質として出力する。 The communication quality synthesis unit 18 has a function of synthesizing a plurality of predicted values by maximum ratio synthesis based on the reliability of each of the plurality of predicted values. Specifically, the communication quality synthesis unit 18 synthesizes the predicted values of the prediction models by maximum ratio synthesis using confidence scores, and uses the synthesized predicted value as the future wireless communication quality of the communication device 100 (the communication device to be predicted). Output.
　［無線通信品質予測装置の動作］
　次に、無線通信品質予測装置１の動作について説明する。 [Operation of wireless communication quality prediction device]
Next, the operation of the wireless communication quality prediction device 1 will be explained.
　無線通信品質予測装置１の動作は、大きく２段階に分けられる。１つは、予測モデルと信頼度モデルを生成する事前準備段階である。もう１つは、事前準備段階の後に、生成していた予測モデルと信頼度モデルを用いて、通信装置１００の未来の無線通信品質を推論する予測段階である。予測段階は、データ取得とデータ処理との２つの段階に分けられる。 The operation of the wireless communication quality prediction device 1 can be roughly divided into two stages. One is a preparatory stage in which a prediction model and a reliability model are generated. The other is a prediction stage in which the future wireless communication quality of the communication device 100 is inferred using the generated prediction model and reliability model after the preliminary preparation stage. The prediction stage is divided into two stages: data acquisition and data processing.
　まず、事前準備段階の動作について説明する。図２は、事前準備段階の処理フローを示す図である。 First, the operation at the preliminary preparation stage will be explained. FIG. 2 is a diagram showing a processing flow at the preliminary preparation stage.
　ステップＳ１０１；
　無線通信部１１が、通信装置１００と無線通信を行い、通信装置１００の無線通信情報を取得する。 Step S101;
The wireless communication unit 11 performs wireless communication with the communication device 100 and acquires wireless communication information of the communication device 100.
　ステップＳ１０２；
　次に、ステップＳ１０１の時刻と同じ時刻で、複数のフィジカル空間情報取得部１２が、複数の収集装置２から通信装置１００の周辺の相異なる複数のフィジカル空間情報を取得する。収集装置２は、通信装置１００の周辺に設置されたカメラやセンサなどでもよいし、通信装置１００に備わるカメラやセンサなどでもよい。 Step S102;
Next, at the same time as the time in step S<b>101 , the plurality of physical space information acquisition units 12 obtain different pieces of physical space information around the communication device 100 from the plurality of collection devices 2 . The collection device 2 may be a camera, a sensor, etc. installed around the communication device 100, or a camera, a sensor, etc. provided in the communication device 100.
　ステップＳ１０３；
　次に、データ記憶部１３が、複数のフィジカル空間情報をカテゴリごとに分類し、各フィジカル空間情報を無線通信情報に関連付けたデータベースを生成する。カテゴリごとのフィジカル空間情報の例を図３（ａ）に示す。この例では、相異なる複数の「バウンディングボックス座標情報」、「骨格（モーション）の座標情報」、「通信装置のＧＰＳ情報」を、フィジカル空間情報のカテゴリとしている。 Step S103;
Next, the data storage unit 13 classifies the plurality of pieces of physical space information into categories and generates a database in which each piece of physical space information is associated with wireless communication information. An example of physical space information for each category is shown in FIG. 3(a). In this example, a plurality of different "bounding box coordinate information,""skeleton (motion) coordinate information," and "communication device GPS information" are treated as categories of physical space information.
　ステップＳ１０４；
　次に、予測モデル生成部１４が、データベースに格納されたカテゴリごとのフィジカル空間情報と当該フィジカル空間情報に対応する無線通信情報とを用いて、カテゴリごとに（＝フィジカル空間情報の種類ごとに）、フィジカル空間情報を入力として通信装置１００の未来の無線通信品質の予測値を出力する予測モデルを生成する。 Step S104;
Next, the predictive model generation unit 14 uses the physical space information for each category stored in the database and the wireless communication information corresponding to the physical space information for each category (=for each type of physical space information). , generates a prediction model that receives the physical space information as input and outputs a predicted value of future wireless communication quality of the communication device 100.
　ステップＳ１０５；
　最後に、信頼度モデル生成部１５が、カテゴリごとに（＝フィジカル空間情報の種類ごとに）、フィジカル空間情報を入力として、予測モデルから出力された無線通信品質の予測値を用いて、当該無線通信品質の予測値の信頼スコアを出力する信頼度モデルを生成する。 Step S105;
Finally, the reliability model generation unit 15 uses the physical space information as input for each category (=each type of physical space information) and uses the predicted value of the wireless communication quality output from the prediction model to Generate a reliability model that outputs a reliability score of a predicted value of communication quality.
　カテゴリごとの予測モデルと信頼度モデルの各例を図３（ｂ）に示す。この例では、「バウンディングボックス座標情報１」のカテゴリに対応する予測モデルを予測モデル１とし、予測モデル１が出力する予測値をＲ１（Ｒ１の上にハット記号あり）としている。また、当該「バウンディングボックス座標情報１」のカテゴリに対応する信頼度モデルを信頼度モデル１とし、信頼度モデル１が出力する予測値Ｒ１の信頼スコアをρ１としている。 Examples of prediction models and reliability models for each category are shown in FIG. 3(b). In this example, the prediction model corresponding to the category of "bounding box coordinate information 1" is set as prediction model 1, and the predicted value outputted by prediction model 1 is set as R 1 (with a hat symbol above R 1 ). Further, the reliability model corresponding to the category of "bounding box coordinate information 1" is set as reliability model 1, and the reliability score of predicted value R 1 outputted by reliability model 1 is set as ρ 1 .
　以降、無線通信品質予測装置１は、ステップＳ１０１～ステップＳ１０５を相異なる複数の時刻で繰り返し実行する。つまり、予測モデルと信頼度モデルを繰り返し学習する。相異なる複数の時刻とは、例えば、定期的時刻、不定期時刻、収集装置２が更新（追加、削減、移動など）された時刻である。 Thereafter, the wireless communication quality prediction device 1 repeatedly executes steps S101 to S105 at a plurality of different times. In other words, the prediction model and reliability model are repeatedly learned. The plurality of different times are, for example, regular times, irregular times, and times when the collection device 2 is updated (added, deleted, moved, etc.).
　例えば、所定の収集装置２が追加された結果、新たなカテゴリのフィジカル空間情報を取得した場合、当該新たなカテゴリに対応する予測モデルと信頼度モデルを新規生成する。その他、所定の収集装置２が削減された結果、所定のカテゴリのフィジカル空間情報を取得不能になった場合、当該所定のカテゴリに対応する予測モデルと信頼度モデルを削除し、又は学習しないようにする。 For example, when physical space information of a new category is acquired as a result of adding a predetermined collection device 2, a new prediction model and reliability model corresponding to the new category are generated. In addition, if it becomes impossible to acquire physical spatial information of a predetermined category as a result of reducing the number of predetermined collection devices 2, the prediction model and reliability model corresponding to the predetermined category will be deleted or not learned. do.
　次に、予測段階の動作について説明する。図４は、予測段階の処理フローを示す図である。 Next, the operation in the prediction stage will be explained. FIG. 4 is a diagram showing the processing flow of the prediction stage.
　ステップＳ２０１；
　まず、複数のフィジカル空間情報取得部１２が、複数の収集装置２から通信装置１００（予測対象の通信装置）の周辺の相異なる複数のフィジカル空間情報を取得する。 Step S201;
First, the plurality of physical space information acquisition units 12 obtain different pieces of physical space information around the communication device 100 (the communication device to be predicted) from the plurality of collection devices 2 .
　ステップＳ２０２；
　次に、データ記憶部１３が、複数のフィジカル空間情報をカテゴリごとに分類し、複数のフィジカル空間情報を各フィジカル空間情報のカテゴリに格納する。 Step S202;
Next, the data storage unit 13 classifies the plural pieces of physical space information into categories and stores the plural pieces of physical space information in each category of physical space information.
　ステップＳ２０３；
　次に、通信品質算出部１６が、ステップＳ２０２で分類した複数のフィジカル空間情報の各カテゴリに対応するカテゴリの予測モデルを取得し、複数のフィジカル空間情報を各予測モデルに入力することにより、複数の無線通信品質の予測値を算出する。 Step S203;
Next, the communication quality calculation unit 16 acquires a category prediction model corresponding to each category of the plurality of physical space information classified in step S202, and inputs the plurality of physical space information into each prediction model. Calculate the predicted value of wireless communication quality.
　次いで、信頼度算出部１７が、ステップＳ２０２で分類した複数のフィジカル空間情報の各カテゴリに対応するカテゴリの信頼度モデルを取得し、複数のフィジカル空間情報を各信頼度モデルに入力することにより、各予測値の信頼スコアをそれぞれ算出する。 Next, the reliability calculation unit 17 acquires reliability models of categories corresponding to each category of the plurality of physical space information classified in step S202, and inputs the plurality of physical space information into each reliability model. Calculate a confidence score for each predicted value.
　ステップＳ２０４；
　次に、通信品質合成部１８が、複数の予測値の中から信頼スコアが上位である複数の予測値を選定し、選定した複数の予測値の各信頼スコアに基づく最大比合成により、選定した複数の予測値を合成する。 Step S204;
Next, the communication quality synthesis unit 18 selects a plurality of predicted values with the highest reliability scores from among the plurality of predicted values, and performs maximum ratio synthesis based on each confidence score of the selected plurality of predicted values. Combine multiple predicted values.
　例えば、通信品質合成部１８は、式（１）に示す最大比合成の計算式より，各予測モデルの予測値を信頼スコアにより合成する。 For example, the communication quality synthesis unit 18 synthesizes the predicted values of each prediction model using the reliability score using the maximum ratio synthesis calculation formula shown in Equation (1).
Figure JPOXMLDOC01-appb-M000001
Figure JPOXMLDOC01-appb-M000001
　なお、ＲＮｓは、各予測モデルの予測値である。ρＮｓは、各予測モデルの予測値ＲＮｓの信頼スコアである。Ｎｓは、合成対象とする予測モデルのインデックスである。信頼スコアが上位２つの予測モデルのインデックスにするなど、状況により適切に指定可能である。勿論、全ての予測値を合成対象に指定してもよい。 Note that R Ns is a predicted value of each prediction model. ρ Ns is the confidence score of the predicted value R Ns of each prediction model. N s is an index of a prediction model to be synthesized. It can be specified appropriately depending on the situation, such as using the index of the two predictive models with the highest confidence scores. Of course, all predicted values may be designated as synthesis targets.
　ステップＳ２０５；
　最後に、通信品質合成部１８が、合成した予測値を通信装置１００（予測対象の通信装置）の未来の無線通信品質として出力する。 Step S205;
Finally, the communication quality synthesis unit 18 outputs the synthesized predicted value as the future wireless communication quality of the communication device 100 (the communication device to be predicted).
　ここまで、予測モデルと信頼度モデルを分離した場合について説明したが、上述のように、予測値と信頼スコアの両方を出力する学習モデルであってもよい。その場合、予測値の桁数と信頼スコアの桁数に差があることが想定されるため、学習モデルの学習時の損失関数の算出時に、桁数が小さい方のモデルに重み付けをするなどをするとよい。 Up to this point, the case where the prediction model and the reliability model are separated has been described, but as described above, a learning model that outputs both the predicted value and the reliability score may be used. In that case, it is assumed that there is a difference between the number of digits of the predicted value and the number of digits of the confidence score, so when calculating the loss function during training of the learning model, it is necessary to weight the model with the smaller number of digits. It's good to do that.
　［効果］
　本実施形態によれば、無線通信品質予測装置１において、予測モデル生成部１４が、相異なる複数のフィジカル空間情報ごとに無線通信品質の予測モデルを生成するので、収集装置２の更新に対して無線通信品質の予測モデルを短時間で更新可能となる。また、収集装置２により収集された各種データを集中管理しなくてもよい。 [effect]
According to the present embodiment, in the wireless communication quality prediction device 1, the prediction model generation unit 14 generates a prediction model of wireless communication quality for each of a plurality of different pieces of physical space information, so that The prediction model for wireless communication quality can be updated in a short time. Furthermore, there is no need to centrally manage the various data collected by the collection device 2.
　また、本実施形態によれば、無線通信品質予測装置１において、信頼度モデル生成部１５が、無線通信品質の信頼スコアを算出する信頼度モデルを生成し、通信品質算出部１６が、フィジカル空間情報ごとの予測モデルを用いて複数の予測値を算出し、信頼度算出部１７が、算出した複数の予測値の各信頼スコアをそれぞれ算出し、通信品質合成部１８が、各信頼度に基づく最大比合成により複数の無線通信品質を合成するので、複数種のフィジカル空間情報を入力とするマルチモーダル学習手法と同等以上の予測精度を実現可能となる。また、無線通信品質の信頼度を算出するので、収集装置の故障を検知可能となる。 Further, according to the present embodiment, in the wireless communication quality prediction device 1, the reliability model generation unit 15 generates a reliability model for calculating a reliability score of wireless communication quality, and the communication quality calculation unit 16 generates a reliability model for calculating a reliability score of wireless communication quality. A plurality of predicted values are calculated using a prediction model for each information, a reliability calculation unit 17 calculates each reliability score of the plurality of calculated predicted values, and a communication quality synthesis unit 18 calculates a reliability score based on each reliability. Since multiple wireless communication qualities are combined using maximum ratio combining, it is possible to achieve prediction accuracy equivalent to or higher than multimodal learning methods that use multiple types of physical spatial information as input. Furthermore, since the reliability of wireless communication quality is calculated, it is possible to detect failures in the collection device.
　［その他］
　本発明は、上記実施形態に限定されない。本発明は、本発明の要旨の範囲内で数々の変形が可能である。 [others]
The present invention is not limited to the above embodiments. The present invention is capable of numerous modifications within the scope of the invention.
　上記説明した本実施形態の無線通信品質予測装置１は、例えば、図５に示すように、ＣＰＵ９０１と、メモリ９０２と、ストレージ９０３と、通信装置９０４と、入力装置９０５と、出力装置９０６と、を備えた汎用的なコンピュータシステムを用いて実現できる。メモリ９０２及びストレージ９０３は、記憶装置である。当該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、無線通信品質予測装置１の各機能が実現される。 The wireless communication quality prediction device 1 of this embodiment described above includes, for example, as shown in FIG. 5, a CPU 901, a memory 902, a storage 903, a communication device 904, an input device 905, an output device 906, This can be realized using a general-purpose computer system equipped with Memory 902 and storage 903 are storage devices. In the computer system, each function of the wireless communication quality prediction device 1 is realized by the CPU 901 executing a predetermined program loaded onto the memory 902.
　無線通信品質予測装置１は、１つのコンピュータで実装されてもよい。無線通信品質予測装置１は、複数のコンピュータで実装されてもよい。無線通信品質予測装置１は、コンピュータに実装される仮想マシンであってもよい。無線通信品質予測装置１用のプログラムは、ＨＤＤ、ＳＳＤ、ＵＳＢメモリ、ＣＤ、ＤＶＤなどのコンピュータ読取り可能な記録媒体に記憶できる。無線通信品質予測装置１用のプログラムは、通信ネットワークを介して配信することもできる。 The wireless communication quality prediction device 1 may be implemented by one computer. The wireless communication quality prediction device 1 may be implemented by multiple computers. The wireless communication quality prediction device 1 may be a virtual machine implemented in a computer. The program for the wireless communication quality prediction device 1 can be stored in a computer-readable recording medium such as an HDD, SSD, USB memory, CD, or DVD. The program for the wireless communication quality prediction device 1 can also be distributed via a communication network.
　１：無線通信品質予測装置
　１１：無線通信部
　１２：フィジカル空間情報取得部
　１３：データ記憶部
　１４：予測モデル生成部
　１５：信頼度モデル生成部
　１６：通信品質算出部
　１７：信頼度算出部
　１８：通信品質合成部
　２：収集装置
　１００：通信装置
　２００：通信装置
　９０１：ＣＰＵ
　９０２：メモリ
　９０３：ストレージ
　９０４：通信装置
　９０５：入力装置
　９０６：出力装置 1: Wireless communication quality prediction device 11: Wireless communication unit 12: Physical space information acquisition unit 13: Data storage unit 14: Prediction model generation unit 15: Reliability model generation unit 16: Communication quality calculation unit 17: Reliability calculation unit 18 : Communication quality synthesis unit 2: Collection device 100: Communication device 200: Communication device 901: CPU
902: Memory 903: Storage 904: Communication device 905: Input device 906: Output device

Claims (3)

  1. 　通信装置の無線通信情報と、前記通信装置の周辺の相異なる複数のフィジカル空間情報と、を基に、前記フィジカル空間情報ごとに、前記フィジカル空間情報を入力として前記通信装置の未来の無線通信品質の予測値を出力する予測モデルを生成する生成部と、
    　前記フィジカル空間情報ごとに、前記フィジカル空間情報を入力として前記予測モデルから出力された前記予測値を用いて前記予測値の信頼度を出力する信頼度モデルを生成する生成部と、
    　予測対象の通信装置の周辺の相異なる複数のフィジカル空間情報を、当該複数のフィジカル空間情報に対応する複数の予測モデルに入力することにより、前記予測対象の通信装置の未来の無線通信品質の複数の予測値を算出する算出部と、
    　前記予測対象の通信装置の周辺の相異なる複数のフィジカル空間情報を、当該複数のフィジカル空間情報に対応する複数の信頼度モデルに入力することにより、前記複数の予測値の各信頼度を算出する算出部と、
    　前記複数の予測値の各信頼度に基づく最大比合成により前記複数の予測値を合成する合成部と、
    　を備える無線通信品質予測装置。     Based on wireless communication information of a communication device and a plurality of different pieces of physical space information around the communication device, the future wireless communication quality of the communication device is determined for each physical space information using the physical space information as input. a generation unit that generates a prediction model that outputs a predicted value of
    a generation unit that generates, for each of the physical space information, a reliability model that uses the physical space information as input and outputs the reliability of the predicted value using the predicted value output from the prediction model;
    By inputting a plurality of different pieces of physical space information around the communication device to be predicted into a plurality of prediction models corresponding to the plurality of pieces of physical space information, multiple pieces of future wireless communication quality of the communication device to be predicted can be calculated. a calculation unit that calculates a predicted value of
    Calculating the reliability of each of the plurality of predicted values by inputting a plurality of different pieces of physical space information around the communication device to be predicted into a plurality of reliability models corresponding to the plurality of pieces of physical space information. A calculation section,
    a synthesizing unit that synthesizes the plurality of predicted values by maximum ratio synthesis based on the reliability of each of the plurality of predicted values;
    A wireless communication quality prediction device comprising:
  2. 　無線通信品質予測装置で行う無線通信品質予測方法において、
    　通信装置の無線通信情報と、前記通信装置の周辺の相異なる複数のフィジカル空間情報と、を基に、前記フィジカル空間情報ごとに、前記フィジカル空間情報を入力として前記通信装置の未来の無線通信品質の予測値を出力する予測モデルを生成するステップと、
    　前記フィジカル空間情報ごとに、前記フィジカル空間情報を入力として前記予測モデルから出力された前記予測値を用いて前記予測値の信頼度を出力する信頼度モデルを生成するステップと、
    　予測対象の通信装置の周辺の相異なる複数のフィジカル空間情報を、当該複数のフィジカル空間情報に対応する複数の予測モデルに入力することにより、前記予測対象の通信装置の未来の無線通信品質の複数の予測値を算出するステップと、
    　前記予測対象の通信装置の周辺の相異なる複数のフィジカル空間情報を、当該複数のフィジカル空間情報に対応する複数の信頼度モデルに入力することにより、前記複数の予測値の各信頼度を算出するステップと、
    　前記複数の予測値の各信頼度に基づく最大比合成により前記複数の予測値を合成するステップと、
    　を行う無線通信品質予測方法。     In a wireless communication quality prediction method performed by a wireless communication quality prediction device,
    Based on wireless communication information of a communication device and a plurality of different pieces of physical space information around the communication device, the future wireless communication quality of the communication device is determined for each physical space information using the physical space information as input. generating a prediction model that outputs a predicted value of
    For each of the physical space information, generating a reliability model that uses the physical space information as input and outputs the reliability of the predicted value using the predicted value output from the prediction model;
    By inputting a plurality of different pieces of physical space information around the communication device to be predicted into a plurality of prediction models corresponding to the plurality of pieces of physical space information, multiple pieces of future wireless communication quality of the communication device to be predicted can be calculated. a step of calculating a predicted value of
    Calculating the reliability of each of the plurality of predicted values by inputting a plurality of different pieces of physical space information around the communication device to be predicted into a plurality of reliability models corresponding to the plurality of pieces of physical space information. step and
    composing the plurality of predicted values by maximum ratio synthesis based on the reliability of each of the plurality of predicted values;
    A method for predicting wireless communication quality.
  3. 　請求項１に記載の無線通信品質予測装置としてコンピュータを機能させる無線通信品質予測プログラム。 A wireless communication quality prediction program that causes a computer to function as the wireless communication quality prediction device according to claim 1.
PCT/JP2022/031565 2022-08-22 2022-08-22 Wireless communication quality prediction device, wireless communication quality prediction method, and wireless communication quality prediction program WO2024042580A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/031565 WO2024042580A1 (en) 2022-08-22 2022-08-22 Wireless communication quality prediction device, wireless communication quality prediction method, and wireless communication quality prediction program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/031565 WO2024042580A1 (en) 2022-08-22 2022-08-22 Wireless communication quality prediction device, wireless communication quality prediction method, and wireless communication quality prediction program

Publications (1)

Publication Number Publication Date
WO2024042580A1 true WO2024042580A1 (en) 2024-02-29

Family

ID=90012822

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/031565 WO2024042580A1 (en) 2022-08-22 2022-08-22 Wireless communication quality prediction device, wireless communication quality prediction method, and wireless communication quality prediction program

Country Status (1)

Country Link
WO (1) WO2024042580A1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220051057A1 (en) * 2020-08-17 2022-02-17 At&T Intellectual Property I, L.P. Ai-based, semi-supervised interactive map enrichment for radio access network planning
WO2022069061A1 (en) * 2020-10-02 2022-04-07 Telefonaktiebolaget Lm Ericsson (Publ) Technique for assessing connection quality

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220051057A1 (en) * 2020-08-17 2022-02-17 At&T Intellectual Property I, L.P. Ai-based, semi-supervised interactive map enrichment for radio access network planning
WO2022069061A1 (en) * 2020-10-02 2022-04-07 Telefonaktiebolaget Lm Ericsson (Publ) Technique for assessing connection quality

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SINDJOUNG MIGUEL LANDRY FOKO; VELEMPINI MTHULISI; MINET PASCALE: "Combining Learners to Predict Link Quality in Wireless IoT Networks", 2022 IEEE 21ST MEDITERRANEAN ELECTROTECHNICAL CONFERENCE (MELECON), IEEE, 14 June 2022 (2022-06-14), pages 1177 - 1182, XP034161824, DOI: 10.1109/MELECON53508.2022.9843006 *

Similar Documents

Publication Publication Date Title
CN110443274B (en) Abnormality detection method, abnormality detection device, computer device, and storage medium
Teixeira et al. Service oriented middleware for the internet of things: A perspective
WO2019026134A1 (en) Information processing device and information processing method
CN111428619A (en) Three-dimensional point cloud head attitude estimation system and method based on ordered regression and soft labels
KR20210032678A (en) Method and system for estimating position and direction of image
WO2019167784A1 (en) Position specifying device, position specifying method, and computer program
JP2023502140A (en) Methods and Apparatus for Physics-Guided Deep Multimodal Embedding for Task-Specific Data Utilization
CN112016612A (en) Monocular depth estimation-based multi-sensor fusion SLAM method
JP2013037471A (en) Probabilistic model update system, probabilistic model update device, probabilistic model update method, and program
WO2024042580A1 (en) Wireless communication quality prediction device, wireless communication quality prediction method, and wireless communication quality prediction program
CN116361567B (en) Data processing method and system applied to cloud office
JP5310402B2 (en) Image conversion parameter calculation apparatus, image conversion parameter calculation method, and program
WO2018142694A1 (en) Feature amount generation device, feature amount generation method, and program
CN109993338A (en) A kind of link prediction method and device
WO2019235370A1 (en) Learning device, forecasting device, method, and program
JP2021096848A (en) Deep metric learning method and system
Fofana et al. Optimal Flame Detection of Fires in Videos Based on Deep Learning and the Use of Various Optimizers
JP2020035042A (en) Data determination device, method, and program
US20230334372A1 (en) Systems and methods for optimizing a machine learning model based on a parity metric
CN117579397B (en) Internet of things privacy leakage detection method and device based on small sample ensemble learning
CN114819000B (en) Feedback information estimation model training method and device and electronic equipment
US11615345B2 (en) Systems and methods for optimizing a machine learning model
CN115358379B (en) Neural network processing method, neural network processing device, information processing method, information processing device and computer equipment
CN116543273A (en) Data processing method, apparatus, computer, readable storage medium, and program product
CN117273075A (en) Training method of load prediction model, load prediction method, device and equipment

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: 22956408

Country of ref document: EP

Kind code of ref document: A1