WO2024252637A1 - 情報処理装置、情報処理方法、及びプログラム - Google Patents

情報処理装置、情報処理方法、及びプログラム Download PDF

Info

Publication number
WO2024252637A1
WO2024252637A1 PCT/JP2023/021424 JP2023021424W WO2024252637A1 WO 2024252637 A1 WO2024252637 A1 WO 2024252637A1 JP 2023021424 W JP2023021424 W JP 2023021424W WO 2024252637 A1 WO2024252637 A1 WO 2024252637A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
learning
communication
unit
feature
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/JP2023/021424
Other languages
English (en)
French (fr)
Inventor
絵莉奈 竹下
慎一 吉原
友哉 小杉
聡 鈴木
友輝 山田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NTT Inc
Original Assignee
Nippon Telegraph and Telephone Corp
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 Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2025525882A priority Critical patent/JPWO2024252637A1/ja
Priority to PCT/JP2023/021424 priority patent/WO2024252637A1/ja
Publication of WO2024252637A1 publication Critical patent/WO2024252637A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/04—Processing captured monitoring data, e.g. for logfile generation

Definitions

  • This disclosure relates to an information processing device, an information processing method, and a program.
  • the bandwidth of a link that accommodates one or more communication lines is designed based on the contracted bandwidth, which is the upper limit of the communication speed according to the contract, for each of one or more communication lines that transmit information transmitted and received by multiple communication devices.
  • the number of communication lines accommodated in the link and the contracted bandwidth of each communication line may change over time.
  • communication data volume measurements which are the amount of communication data sent and received per unit time (e.g., 1 second) via their respective communication ports, and design the link bandwidth based on the communication data volume measurements so that communication quality is guaranteed (so that communication data is not discarded).
  • communication quality is guaranteed (so that communication data is not discarded).
  • the bandwidth of a link is designed to be the sum of the contracted bandwidths of all the communication lines accommodated in the link in order to ensure quality, the bandwidth utilization efficiency will be low if the utilization rate of many of the multiple communication lines is low.
  • Patent Document 1 discloses a technology that guarantees the communication quality of each of multiple communication lines accommodated in a link and suppresses a decrease in bandwidth utilization efficiency.
  • the contracted bandwidth per unit time during a period in which communication has already been performed (observation period) and the measured communication data volume per unit time during that period are machine-learned to learn a model that outputs a probability density distribution function of the measured communication data volume per unit time during that period when the contracted bandwidth for the period in which communication will be performed from now on (design period) is input.
  • the model is optimized so that the output value of the objective function including a term for optimizing the probability density distribution function is reduced based on the contracted bandwidth of each communication line during the observation period and the measured communication data volume on the link. Then, when the probability density distribution function is estimated using the model, the bandwidth of the link per unit time is estimated based on the probability density distribution function so that communication on the link is guaranteed with a predetermined probability.
  • Patent Document 1 there was a demand for providing learning data that would enable a learning model (model) to learn with high accuracy while reducing the time required for learning.
  • the purpose of this disclosure is to provide an information processing device, information processing method, and program that provide learning data that enables a learning model to learn with high accuracy while reducing the time required for learning.
  • the information processing device includes a communication interface unit that receives communication data volume measurement value data indicating a communication data volume measurement value of a link including one or more communication lines for each measurement unit time during a period in which communication is performed, and line data including a contracted bandwidth for each of the one or more communication lines; a first calculation unit that generates a predetermined number of patterns of feature data including a mutually different number of feature values related to the contracted bandwidth; a second calculation unit that generates multiple learning data including, for each of multiple first unit times, some feature data out of the predetermined number of patterns of feature data that can be learned within a first specified time and a communication data volume corresponding to each of the some feature data; a third calculation unit that trains the multiple learning data in multiple learning models, respectively, and calculates the prediction accuracy of each of the multiple learning models; and a selection unit that selects one of the multiple learning data based on the prediction accuracy.
  • the information processing method is an information processing method executed by an information processing device, and includes the steps of receiving communication data volume measurement value data indicating communication data volume measurement values of a link including one or more communication lines for each measurement unit time during a period in which communication is performed, and line data including a contracted bandwidth for each of the one or more communication lines, generating a predetermined number of patterns of feature data including different numbers of features related to the contracted bandwidth, generating a plurality of learning data including a portion of the predetermined number of patterns of feature data that can be learned within a first specified time and a communication data volume corresponding to each of the portion of feature data for each of a plurality of first unit times, a third calculation unit that trains a plurality of learning models, respectively, with the plurality of learning data, and calculates a prediction accuracy for each of the plurality of learning models, and selecting one of the plurality of learning data based on the prediction accuracy.
  • the program disclosed herein causes a computer to function as the information processing device described above.
  • the information processing device, information processing method, and program disclosed herein can provide learning data that enables a learning model to learn with high accuracy while reducing the time required for learning.
  • FIG. 1 is a block diagram illustrating an example of a functional configuration of a communication system that transmits line data to an information processing device according to an embodiment of the present disclosure.
  • FIG. 2 is a schematic diagram illustrating an example of line data.
  • 1A and 1B are diagrams illustrating an example of measured values of communication data volume during an observation period and an example of bandwidth during a design period.
  • FIG. 2 is a block diagram illustrating an example of a functional configuration of an information processing device according to an embodiment of the present disclosure.
  • FIG. 4 is a schematic diagram showing an example of feature amount data of a predetermined number of patterns.
  • FIG. 11 is a diagram illustrating an example of learning data including feature amount data and communication data amount for each first unit time that are different from each other.
  • FIG. 4 is a flowchart showing an example of an operation of the information processing device shown in FIG. 1 .
  • 8 is a flowchart showing an example of an operation of the information processing device shown in FIG. 7 for generating learning data.
  • FIG. 2 is a hardware block diagram of the information processing device.
  • FIG. 1 is a diagram for explaining input and output in a conventional model.
  • the information processing device 1 receives line data in communication by a communication system 3 as shown in FIG. 1 from the communication system 3.
  • the line data will be described in detail later.
  • the communication system 3 includes a plurality of communication devices 31 and 32, a link 33, and a storage device 34.
  • the multiple communication devices 31 and 32 each have a communication port 31a and a communication port 32a, and transmit and receive information via the communication port 31a and the communication port 32a, respectively.
  • Link 33 is an information transmission path for multiple communication devices 31 and communication devices 32 to communicate with each other.
  • Link 33 includes one or more communication lines 331.
  • Communication line 331 transmits information transmitted from multiple communication devices 31 and communication devices 32. Specifically, communication line 331 transmits information transmitted from communication device 31 to communication device 32, and transmits information transmitted from communication device 32 to communication device 31. Note that information transmitted by each of communication devices 31 and 32 may be transmitted by any one of one or more communication lines 331.
  • the storage device 34 is configured to include a memory.
  • the memory may be a HDD (Hard Disk Drive), SSD (Solid State Drive), EEPROM (Electrically Erasable Programmable Read-Only Memory), ROM (Read Only Memory), RAM (Random Access Memory), or the like.
  • the storage device 34 stores line data.
  • the line data includes communication data volume measurement value data indicating the communication data volume measurement value of the link 33 including one or more communication lines 331 for each measurement unit time during the period when communication was performed (observation period Tx), as shown in Figures 2 and 3, and the contracted bandwidth BWj (j is an integer) of each of the one or more communication lines.
  • the line data may also include the contracted bandwidth for each measurement unit time of the link 33 including one or more communication lines 331 during a design period Tv after the observation period Tx.
  • the information processing device 1 includes a communication interface unit (communication I/F unit) 11 , an input unit 12 , a calculation processing unit 13 , a storage unit 14 , an output unit 15 , and a data bus 16 .
  • the communication interface unit 11 is configured by a communication interface.
  • standards such as Ethernet (registered trademark), FDDI (Fiber Distributed Data Interface), and Wi-Fi (registered trademark) may be used for the communication interface.
  • the input unit 12 is configured by an input interface.
  • the input interface is, for example, a physical key, a capacitive key, a pointing device, a touch screen integrated with a display, or a microphone.
  • the calculation processing unit 13 is configured by a controller.
  • the controller may be configured by dedicated hardware such as an ASIC (Application Specific Integrated Circuit) or an FPGA (Field-Programmable Gate Array), or may be configured by a processor, or may be configured to include both.
  • the storage unit 14 is configured by a memory.
  • the output unit 15 is configured by an output interface.
  • the output interface may be, for example, a display or a speaker.
  • the output interface may include a communication interface.
  • the communication interface unit 11 receives line data.
  • the line data includes communication data volume measurement data indicating the communication data volume measurement value of the link 33 including one or more communication lines 331 for each measurement unit time during the period when communication was performed (observation period Tx), and the contracted bandwidth BWj of each of the one or more communication lines.
  • the communication interface unit 11 can also receive line data from the storage device 34.
  • the communication interface unit 11 may also receive line data indicating the contracted bandwidth for each measurement unit time for the link 33 including one or more communication lines 331 during the design period Tv after the observation period Tx.
  • the input unit 12 may accept input of parameters, programs, etc. input by an operator.
  • the input unit 12 may also accept input of parameters, programs, etc. output by a network controller, etc.
  • the input unit 12 can accept an input of a predetermined number of patterns N.
  • the predetermined number of patterns N is the number of feature data generated by the calculation processing unit 13, which will be described in detail later.
  • the input unit 12 can also accept an input of a predetermined accuracy threshold.
  • the accuracy threshold is a value used when the calculation processing unit 13 determines the accuracy of a learning model, which will be described in detail later.
  • the input unit 12 can also accept an input of a first specified time T LM1 and a second specified time T LM2, which will be described in detail later.
  • the calculation processing unit 13 has a first calculation unit 131, a second calculation unit 132, a third calculation unit 133, a fourth calculation unit 134, a fifth calculation unit 135, and a selection unit 136.
  • the first calculation unit 131 generates a predetermined number N of patterns of feature data including a different number of features related to the contracted bandwidth BWj included in the line data received by the communication interface unit 11.
  • the feature can be an amount representing a feature related to the contracted bandwidth BWj.
  • the feature may be an amount representing a feature related to the contracted bandwidth BWj and information other than the contracted bandwidth BWj (e.g., communication data volume measurement data).
  • the predetermined number N of patterns may be a predetermined value, and the input may be accepted by the input unit 12.
  • the first calculation unit 131 can generate feature data using an existing feature engineering method such as one-hot encoding.
  • the first calculation unit 131 generates feature data for pattern P1 including 10 feature amounts from feature amount F1 to feature amount F10, generates feature data for pattern P2 including 20 feature amounts from feature amount F1 to feature amount F20, and generates feature data for pattern PN (N is an integer) including 100 feature amounts from feature amount F1 to feature amount F100.
  • the first calculation unit 131 can generate feature data for pattern PK (K is an integer from 1 to N) including a set number of feature amounts, not limited to 10, 20, or 100.
  • the second calculation unit 132 generates a plurality of learning data including, for each of a plurality of first unit times, a part of feature data among the predetermined number N of patterns of feature data that can be learned within a first specified time TLM1 and a communication data amount corresponding to each of the part of feature data.
  • the first specified time TLM1 is a time determined in advance, and may be input by the input unit 12.
  • the second calculation unit 132 selects feature data that includes a predetermined number of feature amounts from among the feature data of the predetermined number of patterns N calculated by the first calculation unit 131.
  • the predetermined number can be the largest number among the numbers of feature amounts in each of the feature data of the predetermined number of patterns N.
  • the second calculation unit 132 trains the pre-learning model to learn feature data including a predetermined number of feature values from among the predetermined number of patterns of feature data for each second unit time, and the communication data amount corresponding to the feature data.
  • the second unit time may be set arbitrarily. The longer the second unit time, the less time is required for learning by the pre-learning model.
  • the second unit time may be, for example, several hours.
  • the corresponding communication data amount may be calculated based on the communication data amount measurement value corresponding to the contract bandwidth BWj included in the line data used to calculate the feature data.
  • the communication data amount may be a statistical value of the communication data amount measurement value within the second unit time. The statistical value may be appropriately selected depending on the application, and may be, for example, an average value, a sum value, a maximum value, or a maximum value excluding outliers.
  • the second calculation unit 132 measures a standard learning time T0 required for learning using the pre-learning model.
  • the second calculation unit 132 determines the above-mentioned multiple first unit times that are equal to or shorter than the second unit time, based on the standard learning time T0 .
  • the second calculation unit 132 may cause the pre-learning model to learn feature data including a predetermined number of features and the communication data amount corresponding to the feature data by mini-batch learning.
  • the second calculation unit 132 executes one mini-batch learning and measures a mini-batch learning time T mini required to execute one mini-batch learning. Then, the second calculation unit 132 can measure a value obtained by multiplying the mini-batch learning time T mini by the batch size and the number of epochs in the mini-batch learning as the above-mentioned reference learning time T 0 .
  • the second calculation unit 132 determines a plurality of planned learning times Tl_k (k is an integer from 1 to L, and l_k is an integer) based on the reference learning time T0 and the first specified time TLM1 .
  • the planned learning time Tl_k is a time T0 ⁇ l_k that is l_k times the reference learning time T0 .
  • the second calculation unit 132 can determine a coefficient l_k by which the reference learning time T0 in the plurality of planned learning times Tl_k is multiplied so that formula (1) is satisfied.
  • the second calculation unit 132 generates a plurality of learning data including feature data and the amount of communication data corresponding to the feature data for each of the patterns P1 to PN of the predetermined number of patterns N and for each of the first unit time. Specifically, the second calculation unit 132 determines the time obtained by dividing the second unit time by the coefficient l_k to be the first unit time, and generates a plurality of learning data including feature data and the amount of communication data corresponding to the feature data for each of the first unit time.
  • the second unit time which is the unit time of the learning data learned by the pre-learning model, is 160 minutes, and the learning by the pre-learning model requires the reference learning time T 0 .
  • the second calculation unit 132 first, the second calculation unit 132 generates learning data including feature data of a pattern PN in which the number of features is 100 and the amount of communication data corresponding to the feature data, for each first unit time such that the learning time is the scheduled learning time T 0. Specifically, the second calculation unit 132 determines the first unit time to be 160 minutes, and generates learning data including feature data and the amount of communication data corresponding to the feature data, for each 160 minutes.
  • the second calculation unit 132 executes the same process for all l_k calculated using formula (1).
  • l_N 32
  • T32 T0 x 32
  • the second calculation unit 132 generates learning data including feature data for pattern PN, which has 100 features, but similarly generates learning data for patterns 1 to PN-1.
  • the communication data amount corresponding to the feature data included in the learning data generated by the second calculation unit 132 can be a statistical value of the communication data amount measurement value per first unit time.
  • the statistical value can be appropriately selected depending on the application, and can be, for example, an average value, a sum value, a maximum value, or a maximum value excluding outliers.
  • the third calculation unit 133 trains the multiple learning models on the multiple pieces of learning data generated by the second calculation unit 132. At this time, the third calculation unit 133 may train the multiple pieces of learning data on the multiple learning models using well-known early stopping.
  • the third calculation unit 133 also calculates the prediction accuracy of each of the multiple learning models. Specifically, the third calculation unit 133 predicts the communication data volume based on the feature data using multiple learning models that have been trained with multiple learning data. For example, the third calculation unit 133 inputs feature data with a known corresponding communication data volume into each of the multiple learning models, and causes each of the multiple learning models to output the communication data volume, thereby predicting the communication data volume. Then, the third calculation unit 133 calculates the prediction accuracy of each of the multiple learning models by comparing the communication data volume predicted by each of the multiple learning models with the known communication data volume. At this time, the third calculation unit 133 may predict the communication data volume using some of the feature data trained by the multiple learning models, and calculate the prediction accuracy. The prediction accuracy may also be an error of the communication data volume predicted by the learning model with respect to the known communication data volume.
  • the fourth calculation unit 134 determines whether the prediction accuracy of each of the multiple learning models calculated by the third calculation unit 133 is equal to or greater than a predetermined accuracy threshold. For example, as described above, in a configuration in which the prediction accuracy is the error of the communication data volume measurement value predicted by the learning model relative to the known communication data volume measurement value, the fourth calculation unit 134 may determine whether each error is less than a predetermined error threshold. Without being limited to this, the fourth calculation unit 134 can determine whether each prediction accuracy is less than the predetermined accuracy threshold by any method.
  • the fifth calculation unit 135 determines whether a total time T all, which is the sum of the time T s during which a series of processes are repeated from when the feature data is generated by the first calculation unit 131 until when the fourth calculation unit 134 determines whether the prediction accuracy is equal to or greater than a predetermined accuracy threshold, and the time T s / nr during which the series of processes are executed one more time, which is estimated based on the time T s , is shorter than a second specified time T LM2 , where nr is the number of times the series of processes are repeated. Specifically, the fifth calculation unit 135 determines whether or not formula (2) is satisfied. T s +T s /nr ⁇ T LM2 (2)
  • the first calculation unit 131 to the fourth calculation unit 134 repeat the above-mentioned process. That is, when it is determined that the total time T all is less than the second specified time T LM2 , the first calculation unit 131 again generates feature data of a predetermined number of patterns N different from the feature data of the predetermined number of patterns, the second calculation unit 132 generates a plurality of learning data including the feature data and the communication data amount corresponding to the feature data, the third calculation unit 133 calculates the prediction accuracy, and the fourth calculation unit 134 determines whether the prediction accuracy is equal to or greater than a predetermined accuracy threshold.
  • the selection unit 136 selects one of the multiple pieces of learning data based on the second prediction accuracy. Specifically, the selection unit 136 selects learning data that satisfies a predetermined condition from the learning data that has been trained by a learning model that has been determined by the fourth calculation unit 134 to have a prediction accuracy equal to or greater than a predetermined accuracy threshold, among the multiple pieces of model learning data.
  • the specified condition can be that the prediction accuracy is the highest, and in such a configuration, the selection unit 136 selects the learning data used to train the learning model with the highest prediction accuracy from among the learning models whose prediction accuracy has been determined to be equal to or greater than a specified accuracy threshold.
  • the specified condition can be that the first unit time is the longest, and in such a configuration, the selection unit 136 selects the learning data with the longest first unit time from among the learning data used to train the learning model whose prediction accuracy has been determined to be equal to or greater than a specified accuracy threshold.
  • the storage unit 14 may store line data received by the communication interface unit 11.
  • the storage unit 14 may store feature amount data generated by the first calculation unit 131.
  • the storage unit 14 may store accuracy threshold data indicating a predetermined accuracy threshold inputted by the input unit 12.
  • the storage unit 14 may store specified time data indicating a first specified time TLM1 and a second specified time TLM2 .
  • the storage unit 14 may store learning data generated by the second calculation unit 132.
  • the storage unit 14 may store the above-mentioned learning model (the pre-learning model trained by the second calculation unit 132 and the learning model trained by the third calculation unit 133).
  • the output unit 15 can output the learning data selected by the selection unit 136.
  • the data bus 16 transmits information output by any one of the functional units among the communication interface unit 11, the input unit 12, the calculation processing unit 13, the memory unit 14, and the output unit 15 to a functional unit other than the functional unit.
  • Fig. 7 is a flowchart showing an example of the operation of the information processing device 1 according to the present embodiment.
  • the operation of the information processing device 1 described with reference to Fig. 7 corresponds to an example of an information processing method executed by the information processing device 1 according to the present embodiment.
  • step S11 the communication interface unit 11 receives communication data volume measurement data indicating the communication data volume measurement value of the link 33 including one or more communication lines for each measurement unit time during the period in which communication was performed, and line data including the contracted bandwidth BWj of each of the one or more communication lines.
  • step S12 the first calculation unit 131 generates a predetermined number of patterns of feature data for the contracted bandwidth BWj, each pattern including a different number of features.
  • step S13 the second calculation unit 132 generates a plurality of learning data including, for each of a plurality of first unit times, a portion of feature data among the predetermined number N of patterns of feature data that can be learned within the first specified time TLM1 and a communication data amount corresponding to each of the portion of feature data.
  • step S13 The operation of step S13 will now be described in detail with reference to FIG. 8.
  • the second calculation unit 132 trains a pre-learning model on feature data including a predetermined number of feature amounts generated by the first calculation unit 131 for each second unit time, and the communication data amount corresponding to the feature data, and measures a reference learning time T0 required for learning by the pre-learning model.
  • the predetermined number can be the largest number among the numbers of feature amounts for each of the feature data of the predetermined number of patterns N.
  • step S132 the second calculation unit 132 determines a plurality of first unit times based on the reference learning time T 0. Specifically, using the reference learning time T 0 required for learning by the first learning model among a predetermined number of patterns of feature data, the second calculation unit 132 determines a plurality of second unit times such that the total time for learning learning data including feature data and the communication data amount corresponding to the feature data for each of the plurality of second unit times is within the first specified time T LM1 .
  • step S133 the second calculation unit 132 generates learning data including feature data and the amount of communication data corresponding to the feature data for each of the multiple first unit times.
  • step S14 the third calculation unit 133 trains the multiple learning models on the multiple pieces of learning data, and calculates the prediction accuracy of each of the multiple learning models.
  • step S15 the fourth calculation unit 134 determines whether the prediction accuracy of each of the multiple learning models is equal to or greater than a predetermined accuracy threshold. Specifically, the fourth calculation unit 134 determines whether the prediction accuracy of any of the multiple learning models is equal to or greater than a predetermined accuracy threshold.
  • step S16 the fifth calculation unit 135 determines whether or not a total time T all including the time T s for which a series of processes are repeated from when the feature data is generated to when it is determined whether the prediction accuracy is equal to or greater than the predetermined accuracy threshold and the time for which the series of processes is executed one more time, which is estimated based on the time T s , is less than a second specified time T LM2 .
  • step S16 If it is determined in step S16 that the total time T all is not less than the second specified time T LM2 , the information processing device 1 ends the operation.
  • step S16 If it is determined in step S16 that the total time T all is less than the second specified time T LM2 , the information processing device 1 returns to step S12 and repeats the process.
  • step S17 the selection unit 136 selects one of the multiple learning data based on the prediction accuracy.
  • the selection unit 136 may select the learning data used to train the learning model with the highest second prediction accuracy among the learning models whose prediction accuracy is determined to be equal to or greater than the predetermined accuracy threshold.
  • the selection unit 136 may also select the learning data with the longest first unit time among the learning data used to train the learning model whose prediction accuracy is determined to be equal to or greater than the predetermined accuracy threshold.
  • the information processing device 1 includes: a communication interface unit 11 that receives communication data volume measurement value data indicating a communication data volume measurement value of a link including one or more communication lines for each measurement unit time in a period in which communication is performed, and line data including a contracted bandwidth of each of the one or more communication lines; a first calculation unit 131 that generates feature amount data of a predetermined number N of patterns including different numbers of feature amounts related to the contracted bandwidth BWj ; a second calculation unit 132 that generates a plurality of learning data including, for each of a plurality of first unit times, some feature amount data of the predetermined number N of patterns that can be learned within a first specified time TLM1 and a communication data amount corresponding to each of the some feature amount data; a third calculation unit 133 that trains a plurality of learning models with the plurality of learning data, respectively, and calculates a prediction accuracy of each of the plurality of learning models; and a selection unit 136 that selects one of the plurality of learning data
  • the information processing device 1 can provide learning data that allows the learning model to learn with high accuracy while suppressing the time required for learning.
  • the information processing device 1 creates multiple learning data that can be learned within the first specified time T LM1 , and the multiple learning data include feature data and communication data amounts corresponding to the feature data for each of multiple first unit times (160 minutes, 80 minutes, ..., 5 minutes as shown in FIG. 6 in the above example). Therefore, each of the multiple learning models can learn these multiple learning data within the first specified time T LM1 , and the learning data can be selected based on the respective prediction accuracy.
  • the information processing device 1 can provide learning data that is likely to complete learning within a desired time and that makes the prediction accuracy of the learning model a desired prediction accuracy, and can cause the learning model to learn. As a result, the information processing device 1 can cause the learning model to learn learning data that can achieve a desired prediction accuracy while suppressing the time required for learning.
  • the bandwidth of the communication system 3 can be appropriately designed using the communication data amount predicted with the desired prediction accuracy by such a learning model.
  • the information processing device 1 further includes a fourth calculation unit 134 that determines whether or not the prediction accuracy of each of the plurality of learning models is equal to or greater than a predetermined accuracy threshold, and a fifth calculation unit 135 that, when it is determined that none of the prediction accuracy of each of the plurality of learning models is equal to or greater than the predetermined accuracy threshold, determines whether or not a total time T all including a time T s during which a series of processes is repeated from when feature data is generated to when it is determined that the prediction accuracy is equal to or greater than the predetermined accuracy threshold, and a time during which the series of processes is executed one more time, which is estimated based on the time T s , is less than a second specified time T LM2 , and If it is determined that the LM is less than LM2 , the first calculation unit 131 again generates feature data of a predetermined number of patterns N different from the feature data of the predetermined number of patterns N, the second calculation unit 132 generates a plurality of learning data including
  • FIG. 9 is a block diagram showing a schematic configuration of a computer 501 functioning as the information processing device 1.
  • the computer 501 may be a general-purpose computer, a dedicated computer, a workstation, a PC (Personal Computer), an electronic notepad, or the like.
  • the program instructions may be program code, code segments, or the like for performing necessary tasks.
  • computer 501 includes processor 510, ROM 520, RAM 530, storage 540, input section 550, output section 560, and communication interface (I/F) 570. Each component is connected to each other via bus 580 so as to be able to communicate with each other.
  • Processor 510 is specifically a CPU (Central Processing Unit), MPU (Micro Processing Unit), GPU (Graphics Processing Unit), DSP (Digital Signal Processor), SoC (System on a Chip), etc., and may be composed of multiple processors of the same or different types.
  • Processor 510 controls each component and executes various types of arithmetic processing. That is, processor 510 reads a program from ROM 520 or storage 540, and executes the program using RAM 530 as a working area. Processor 510 controls each of the components and executes various types of arithmetic processing according to the program stored in ROM 520 or storage 540. In the above-described embodiment, the program related to the present disclosure is stored in ROM 520 or storage 540.
  • the program may be stored in a storage medium that is readable by computer 501. Using such a storage medium, the program can be installed in computer 501.
  • the storage medium on which the program is stored may be a non-transitory storage medium.
  • the non-transitory storage medium is not particularly limited, and may be, for example, a CD-ROM, a DVD-ROM, or a USB (Universal Serial Bus) memory.
  • the program may be in a form that is downloaded from an external device via a network.
  • ROM 520 stores various programs and data.
  • RAM 530 temporarily stores programs or data as a working area.
  • Storage 540 is composed of a HDD (Hard Disk Drive) or SSD (Solid State Drive), and stores various programs and data including the operating system.
  • the input unit 550 includes one or more input interfaces that accept input operations from a user and acquire information based on the user's operations.
  • the input unit 550 is a pointing device, a keyboard, a mouse, etc., but is not limited to these.
  • the output unit 560 includes one or more output interfaces that output information.
  • the output unit 560 is a display that outputs information as a video, or a speaker that outputs information as an audio, but is not limited to these. Note that if the output unit 560 is a touch panel type display, it also functions as the input unit 550.
  • the communication interface 570 is an interface for communicating with external devices.
  • a communication interface for receiving communication data volume measurement value data indicating a communication data volume measurement value of a link including one or more communication lines for each measurement unit time during a period in which communication is performed, and line data including a contracted bandwidth for each of the one or more communication lines; and a controller, the controller comprising: generating a predetermined number of patterns of feature quantity data, each pattern including a different number of feature quantities, for the contracted bandwidth; generating a plurality of learning data including a part of feature data among the predetermined number of patterns of feature data that can be learned within a first specified time and a communication data amount corresponding to each of the part of feature data for each of a plurality of first unit times; The plurality of learning data are trained in a plurality of learning models, respectively, and a prediction accuracy of each of the plurality of learning models is calculated; The information processing device selects one of the plurality of learning data based on the prediction accuracy.
  • the controller determining whether the prediction accuracy of each of the plurality of learning models is equal to or greater than a predetermined accuracy threshold; if it is determined that the prediction accuracy of each of the plurality of learning models is not equal to or greater than the predetermined accuracy threshold, determine whether or not a total time including a time during which a series of processes is repeated from when the feature data is generated until when it is determined whether or not the prediction accuracy is equal to or greater than the predetermined accuracy threshold and a time during which the series of processes is executed one more time, which is estimated based on the time, is less than a second specified time; 3.
  • the information processing device further comprising: if it is determined that the total time is less than a second specified time, again generating a predetermined number of patterns of feature data different from the predetermined number of patterns of feature data, generating the plurality of learning data including the feature data and communication data amounts corresponding to the feature data, calculating the prediction accuracy, and determining whether the prediction accuracy is equal to or greater than the predetermined accuracy threshold.
  • the controller selects learning data used to learn a learning model having the highest prediction accuracy among the learning models whose prediction accuracy is determined to be equal to or greater than the predetermined accuracy threshold.
  • An information processing method executed by an information processing device, receiving communication data volume measurement value data indicating a communication data volume measurement value of a link including one or more communication lines for each measurement unit time during a period in which communication is performed, and line data including a contracted bandwidth for each of the one or more communication lines; generating a predetermined number of patterns of feature quantity data, each pattern including a different number of feature quantities, for the contracted bandwidth; generating a plurality of learning data including a part of feature data among the predetermined number of patterns of feature data that can be learned within a first specified time and a communication data amount corresponding to each of the part of feature data for each of a plurality of first unit times; The plurality of learning data are trained in a plurality of learning models, respectively, and a prediction accuracy of each of the plurality of learning models is calculated; selecting one of the plurality of learning data based on the prediction accuracy.
  • a non-transitory storage medium storing a program executable by a computer, the non-transi

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本開示に係る情報処理装置（１）は、通信が実行された期間における測定単位時間ごとの、通信データ量測定値データ及び契約帯域を含む回線データを受信する通信インターフェース部（１１）と、契約帯域に関する、互いに異なる数の特徴量を含む、所定パターン数の特徴量データを生成する第１算出部（１３１）と、第１の規定時間内に学習することが可能な、所定パターン数の特徴量データのうちの一部の特徴量データと、該一部の特徴量データそれぞれに対応する通信データ量とを、複数の第１の単位時間それぞれごとに含む複数の学習データを生成する第２算出部（１３２）と、複数の学習データをそれぞれ複数の学習モデルに学習させ、該複数の学習モデルそれぞれの予測精度を算出する第３算出部（１３３）と、予測精度に基づいて、複数の学習データからいずれかの学習データを選択する選択部（１３６）と、を備える。

Description

情報処理装置、情報処理方法、及びプログラム
　本開示は、情報処理装置、情報処理方法、及びプログラムに関する。
　従来、複数の通信装置によって送受信される情報を伝送する１以上の通信回線それぞれにおける、契約に応じた通信速度の上限値である契約帯域に基づいて、１以上の通信回線を収容するリンクの帯域を設計することが知られている。ここで、リンクに収容されている通信回線の数、及び通信回線それぞれの契約帯域は時間の経過に伴って変化することがある。
　例えば、複数の通信装置がそれぞれの通信ポートを介して、単位時間（例えば１秒）に送受信する通信データの量である通信データ量測定値を測定し、通信データ量測定値に基づいて、通信の品質が保証されるように（通信データが廃棄されないように）、リンクの帯域を設計することが知られている。具体的には、信頼度９９％で通信の品質を保証する場合、９９％の時間で通信データを保証する（９９％の時間で通信データが廃棄されない）ような帯域を設計する必要がある。
　一方、品質を確実に保証するために、リンクに収容される全ての通信回線の契約帯域の合計をリンクの帯域として設計すると、複数の通信回線の多くにおいて利用率が低い場合に、帯域の利用効率が低くなる。
　特許文献１には、リンクに収容されている複数の通信回線それぞれの通信品質を保証するとともに、帯域の利用効率の低下を抑制する技術が開示されている。特許文献１に開示されている技術では、図１０に示すように、既に通信が実行された期間（観測期間）における単位時間ごとの契約帯域と、該期間における単位時間ごとの通信データ量測定値とを機械学習することによって、これから通信が実行される期間（設計期間）における契約帯域を入力すると、該期間における単位時間ごとの通信データ量測定値の確率密度分布関数を出力するモデルを学習する。このとき、観測期間における通信回線それぞれの契約帯域と、リンクにおける通信データ量測定値に基づいて、確率密度分布関数を最適化するための項を含む目的関数の出力値が小さくなるように、モデルが最適化される。そして、モデルを用いて確率密度分布関数が推定されると、該確率密度分布関数に基づいてリンクにおける通信が所定の確率で保証されるような、単位時間ごとのリンクの帯域が推定される。
国際公開第２０２２／０６４６７５号
　しかしながら、特許文献１に記載された技術において、学習モデル（モデル）が学習に要する時間を抑制しつつ、高い精度で学習することができる学習データを提供することが求められていた。
　上記のような問題点に鑑みてなされた本開示の目的は、学習モデルが、学習に要する時間を抑制しつつ、高い精度で学習することができる学習データを提供する情報処理装置、情報処理方法、及びプログラムを提供することにある。
　上記課題を解決するため、本開示に係る情報処理装置は、通信が実行された期間における測定単位時間ごとの、１以上の通信回線を含むリンクの通信データ量測定値を示す通信データ量測定値データ、及び前記１以上の通信回線それぞれの契約帯域を含む回線データを受信する通信インターフェース部と、前記契約帯域に関する、互いに異なる数の特徴量を含む、所定パターン数の特徴量データを生成する第１算出部と、第１の規定時間内に学習することが可能な、前記所定パターン数の特徴量データのうちの一部の特徴量データと、該一部の特徴量データそれぞれに対応する通信データ量とを、複数の第１の単位時間それぞれごとに含む複数の学習データを生成する第２算出部と、前記複数の学習データをそれぞれ複数の学習モデルに学習させ、該複数の学習モデルそれぞれの予測精度を算出する第３算出部と、前記予測精度に基づいて、前記複数の学習データからいずれかの学習データを選択する選択部と、を備える。
　また、上記課題を解決するため、本開示に係る情報処理方法は、情報処理装置が実行する情報処理方法であって、通信が実行された期間における測定単位時間ごとの、１以上の通信回線を含むリンクの通信データ量測定値を示す通信データ量測定値データ、及び前記１以上の通信回線それぞれの契約帯域を含む回線データを受信するステップと、前記契約帯域に関する、互いに異なる数の特徴量を含む、所定パターン数の特徴量データを生成するステップと、第１の規定時間内に学習することが可能な、前記所定パターン数の特徴量データのうちの一部の特徴量データと、該一部の特徴量データそれぞれに対応する通信データ量とを、複数の第１の単位時間それぞれごとに含む複数の学習データを生成するステップと、前記複数の学習データをそれぞれ複数の学習モデルに学習させ、該複数の学習モデルそれぞれの予測精度を算出する第３算出部と、前記予測精度に基づいて、前記複数の学習データからいずれかの学習データを選択するステップと、を含む。
　また、上記課題を解決するため、本開示に係るプログラムは、コンピュータを、上述した情報処理装置として機能させる。
　本開示に係る情報処理装置、情報処理方法、及びプログラムによれば、学習モデルが、学習に要する時間を抑制しつつ、高い精度で学習することができる学習データを提供することができる。
本開示の実施形態に係る情報処理装置に回線データを送信する通信システムの機能構成の一例を示すブロック図である。 回線データの一例を示す概略図である。 観測期間における通信データ量測定値、及び設計期間それぞれにおける帯域の一例を示す図である。 本開示の実施形態に係る情報処理装置の機能構成の一例を示すブロック図である。 所定パターン数の特徴量データの一例を示す概略図である。 互いに異なる第１の単位時間ごとの特徴量データ及び通信データ量を含む学習データの一例を示す図である。 図１に示す情報処理装置の動作の一例を示すフローチャートである。 図７に示す情報処理装置が学習データを生成する動作の一例を示すフローチャートである。 情報処理装置のハードウェアブロック図である。 従来のモデルにおける入出力を説明するための図である。
　以下、本開示の実施形態について図面を参照して説明する。
　本開示の実施形態に係る情報処理装置１は、図１に示すような通信システム３から、該通信システム３による通信における回線データを受信する。回線データについては、追って詳細に説明する。
　＜通信システムの構成＞
　ここで、図１を参照して、通信システム３について説明する。
　通信システム３は、複数の通信装置３１及び通信装置３２と、リンク３３と、記憶装置３４とを備える。
　複数の通信装置３１及び通信装置３２は、それぞれ通信ポート３１ａ及び通信ポート３２ａを有し、それぞれ通信ポート３１ａ及び通信ポート３２ａを介して、情報を送受信する。
　リンク３３は、複数の通信装置３１及び通信装置３２が互いに通信するための情報の伝送路である。リンク３３は、１以上の通信回線３３１を含む。通信回線３３１は、複数の通信装置３１及び通信装置３２から送信された情報を伝送する。具体的には、通信回線３３１は、通信装置３１から送信された情報を通信装置３２に伝送し、通信装置３２から送信された情報を通信装置３１に伝送する。なお、通信装置３１及び通信装置３２それぞれによって送信された情報は、１以上の通信回線３３１のうちのいずれかの通信回線３３１によって伝送されてよい。
　記憶装置３４は、メモリを含んで構成される。メモリは、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read-Only Memory）、ＲＯＭ（Read Only Memory）およびＲＡＭ（Random Access Memory）等であってよい。記憶装置３４は、回線データを記憶する。回線データは、図２及び図３に示すような、通信が実行された期間（観測期間Ｔｘ）における測定単位時間ごとの、１以上の通信回線３３１を含むリンク３３の通信データ量測定値を示す通信データ量測定値データ、及び１以上の通信回線それぞれの契約帯域ＢＷｊ（ｊは整数）を含む。また、回線データは、観測期間Ｔｘより後の設計期間Ｔｖにおける１以上の通信回線３３１を含むリンク３３における測定単位時間ごとの契約帯域を含んでもよい。
　＜情報処理装置の構成＞
　図４に示すように、情報処理装置１は、通信インターフェース部（通信Ｉ／Ｆ部）１１と、入力部１２と、演算処理部１３と、記憶部１４と、出力部１５と、データバス１６とを備える。
　通信インターフェース部１１は、通信インターフェースによって構成される。通信インターフェースには、例えば、イーサネット（登録商標）、ＦＤＤＩ（Fiber Distributed Data Interface）、Ｗｉ－Ｆｉ（登録商標）等の規格が用いられてもよい。入力部１２は、入力インターフェースによって構成される。入力用インターフェースは、例えば、物理キー、静電容量キー、ポインティングデバイス、ディスプレイと一体的に設けられたタッチスクリーン、又はマイクである。演算処理部１３は、コントローラによって構成される。コントローラは、ＡＳＩＣ(Application Specific Integrated Circuit)、ＦＰＧＡ(Field-Programmable Gate Array)等の専用のハードウェアによって構成されてもよいし、プロセッサによって構成されてもよいし、双方を含んで構成されてもよい。記憶部１４は、メモリによって構成される。出力部１５は、出力インターフェースによって構成される。出力インターフェースは、例えば、ディスプレイ又はスピーカであってよい。出力インターフェースは、通信インターフェースを含んでもよい。
　通信インターフェース部１１は、回線データを受信する。上述したように、回線データは、、通信が実行された期間（観測期間Ｔｘ）における測定単位時間ごとの、１以上の通信回線３３１を含むリンク３３の通信データ量測定値を示す通信データ量測定値データ、及び１以上の通信回線それぞれの契約帯域ＢＷｊを含む。また、通信インターフェース部１１は、記憶装置３４から回線データを受信することができる。また、通信インターフェース部１１は、観測期間Ｔｘより後の設計期間Ｔｖにおける１以上の通信回線３３１を含むリンク３３における測定単位時間ごとの契約帯域を示す回線データを受信してもよい。
　入力部１２は、オペレータによって入力されたパラメータ、プログラム等の入力を受け付けてもよい。また、入力部１２は、ネットワークコントローラ等によって出力されたパラメータ、プログラム等の入力を受け付けてもよい。
　具体的には、入力部１２は、所定パターン数Ｎの入力を受け付けることができる。所定パターン数Ｎは、追って詳細に説明する、演算処理部１３が生成する特徴量データの数である。また、入力部１２は、所定の精度閾値の入力を受け付けることができる。精度閾値は、追って詳細に説明する、演算処理部１３が学習モデルの精度を判定するときに用いられる値である。また、入力部１２は、追って詳細に説明する第１の規定時間ＴＬＭ１及び第２の規定時間ＴＬＭ２の入力を受け付けることができる。
　演算処理部１３は、第１算出部１３１と、第２算出部１３２と、第３算出部１３３と、第４算出部１３４と、第５算出部１３５と、選択部１３６とを有する。
　第１算出部１３１は、通信インターフェース部１１によって受信された回線データに含まれる契約帯域ＢＷｊに関する、互いに異なる数の特徴量を含む、所定パターン数Ｎの特徴量データを生成する。特徴量は、契約帯域ＢＷｊに関する特徴を表す量とすることができる。特徴量は、契約帯域ＢＷｊと、該契約帯域ＢＷｊとは異なる情報（例えば、通信データ量測定値データ）とに関する特徴を表す量であってもよい。また、上述したように、所定パターン数Ｎは、予め定められた値であって、入力部１２によって入力が受け付けられていてよい。第１算出部１３１は、ワンホットエンコーディング等の既存の特徴量エンジニアリングの手法を用いて特徴量データを生成することができる。
　図５に示す例では、第１算出部１３１は、特徴量Ｆ１から特徴量Ｆ１０までの１０個の特徴量を含むパターンＰ１の特徴量データを生成し、特徴量Ｆ１から特徴量Ｆ２０までの２０個の特徴量を含むパターンＰ２の特徴量データを生成し、特徴量Ｆ１から特徴量Ｆ１００までの１００個の特徴量を含むパターンＰＮ（Ｎは整数）の特徴量データを生成する。また、第１算出部１３１は、１０個、２０個、又は１００個に限らず、設定された数の特徴量を含むパターンＰＫ（Ｋは１からＮの整数）の特徴量データを生成することができる。
　第２算出部１３２は、第１の規定時間ＴＬＭ１内に学習することが可能な、所定パターン数Ｎの特徴量データのうちの一部の特徴量データと、該一部の特徴量データそれぞれに対応する通信データ量とを、複数の第１の単位時間それぞれごとに含む複数の学習データを生成する。第１の規定時間ＴＬＭ１は、予め定められた時間であって、入力部１２によって入力が受け付けられていてよい。
　ここで、第２算出部１３２による処理について具体的に説明する。まず、第２算出部１３２は、第１算出部１３１によって算出された、所定パターン数Ｎの特徴量データのうち、所定数の特徴量を含む特徴量データを選択する。所定数は、所定パターン数Ｎの特徴量データそれぞれの特徴量の数のうち最多の数とすることができる。
　次に、第２算出部１３２は、第２の単位時間ごとの、所定パターン数の特徴量データのうちの、所定数の特徴量を含む特徴量データと、該特徴量データに対応する通信データ量とをプレ学習モデルに学習させる。第２の単位時間は任意に設定されてよい。第２の単位時間が長いほど、プレ学習モデルによる学習に要する時間が低減される。第２の単位時間は、例えば、数時間とすることができる。対応する通信データ量は、特徴量データを算出するために用いられた、回線データに含まれる契約帯域ＢＷｊに対応する通信データ量測定値に基づいて算出されてよい。例えば、通信データ量は、第２の単位時間内での通信データ量測定値の統計値とすることができる。統計値は、用途に応じて適宜選択されてよく、例えば、平均値、合計値、最大値、又は外れ値を除く最大値とすることができる。
　このとき、第２算出部１３２は、プレ学習モデルによる学習に要する基準学習時間Ｔ０を測定する。第２算出部１３２は、基準学習時間Ｔ０に基づいて、第２の単位時間以下の、上述した複数の第１の単位時間を決定する。
　例えば、第２算出部１３２は、ミニバッチ学習により、所定数の特徴量を含む特徴量データと、該特徴量データに対応する通信データ量とをプレ学習モデルに学習させてよい。このような構成において、第２算出部１３２は、１回のミニバッチ学習を実行して、該１回のミニバッチ学習の実行に要したミニバッチ学習時間Ｔｍｉｎｉを測定する。そして、第２算出部１３２は、ミニバッチ学習時間Ｔｍｉｎｉに、ミニバッチ学習におけるバッチサイズ及びエポック数を乗じた値を、上述した基準学習時間Ｔ０として測定することができる。
　また、第２算出部１３２は、基準学習時間Ｔ０と、第１の規定時間ＴＬＭ１とに基づいて、複数の予定学習時間Ｔｌ_ｋ（ｋは１からＬの整数であって、ｌ_ｋは整数である）を決定する。予定学習時間Ｔｌ_ｋは、基準学習時間Ｔ０のｌ_ｋ倍の時間Ｔ０×ｌ_ｋである。具体的には、第２算出部１３２は、式（１）が満たされるように、複数の予定学習時間Ｔｌ_ｋにおける基準学習時間Ｔ０に乗じた係数ｌ_ｋを決定することができる。
　Ｔ０＋Ｔ０×ｌ_１＋Ｔ０×ｌ_２＋・・・＋Ｔ０×ｌ_Ｌ≦ＴＬＭ１　　（１）
 
　また、第２算出部１３２は、予定学習時間Ｔｌ_ｋ（＝Ｔ０×ｌ_ｋ）（ｋ＝０～Ｌ）と、第１算出部１３１によって生成された所定パターン数Ｎの特徴量データと、それぞれの特徴量データに対応する通信量データとに基づいて、学習用データを生成する。
　具体的には、第２算出部１３２は、所定パターン数ＮのパターンＰ１～ＰＮごと、かつ、該第１の単位時間ごとに、特徴量データと、該特徴量データに対応する通信データ量とを含む複数の学習データを生成する。具体的には、第２算出部１３２は、第２の単位時間を係数ｌ_ｋで除した時間を第１の単位時間と決定して、該第１の単位時間ごとに、特徴量データと、該特徴量データに対応する通信データ量とを含む複数の学習データを生成する。
　図６に示す例では、プレ学習モデルに学習させた学習データの単位時間である第２の単位時間が１６０分であり、プレ学習モデルによる学習に基準学習時間Ｔ０を要している。
　このような例において、まず、第２算出部１３２は、学習時間が予定学習時間Ｔ０となるような第１の単位時間ごとに、特徴量の数が１００であるパターンＰＮの特徴量データと、該特徴量データに対応する通信データ量とを含む学習データを生成する。具体的には、第２算出部１３２は、第１の単位時間を１６０分と決定して、１６０分ごとに、特徴量データと、該特徴量データに対応する通信データ量とを含む学習データを生成する。
　また、第２算出部１３２は、学習時間が予定学習時間Ｔｌ_１（＝Ｔ０×ｌ_１）となるような第１の単位時間ごとに、特徴量の数が１００であるパターンＰＮの特徴量データと、該特徴量データに対応する通信データ量とを含む学習データを生成する。ここで、ｌ_１＝２であるとすると、予定学習時間Ｔｌ_１（＝Ｔ０×２）は、基準学習時間Ｔ０の２倍であるため、第２算出部１３２は、第１の単位時間を第２の単位時間である１６０分の１／２の８０分と決定して、８０分ごとに、特徴量データと、該特徴量データに対応する通信データ量とを含む学習データを生成する。
　また、第２算出部１３２は、式（１）を用いて算出された全てのｌ_ｋについて同様の処理を実行する。図６に示す例では、ｌ_Ｎ＝３２であり、第２算出部１３２は、学習時間が推定学習時間Ｔ３２（＝Ｔ０×３２）となるように、第１の単位時間を第２の単位時間である１６０分の１／３２の５分と決定して、５分ごとに、特徴量データと、該特徴量データに対応する通信データ量とを含む学習データを生成する。なお、図６では、特徴量及び通信データ量の値は省略されているが、実際には、第１の単位時間ごとの特徴量及び通信データ量の値に対応する各欄に値が示されている。
　図６に示す例では、第２算出部１３２は、特徴量の数が１００であるパターンＰＮの特徴量データを含む学習データを生成したが、同様にして、パターン１～ＰＮ－１についての学習データを生成する。
　なお、第２算出部１３２によって生成される学習データに含まれる、特徴量データに対応する通信データ量は、第１の単位時間ごとの通信データ量測定値の統計値とすることができる。統計値は、用途に応じて適宜選択されてよく、例えば、平均値、合計値、最大値、又は外れ値を除く最大値とすることができる。
　第３算出部１３３は、第２算出部１３２によって生成された複数の学習データをそれぞれ複数の学習モデルに学習させる。このとき、第３算出部１３３は、公知のearly stoppingを用いて、複数の学習データをそれぞれ複数の学習モデルに学習させてよい。
　また、第３算出部１３３は、複数の学習モデルそれぞれの予測精度を算出する。具体的には、第３算出部１３３は、複数の学習データをそれぞれ学習させた複数の学習モデルを用いて、特徴量データに基づいてそれぞれ通信データ量を予測する。例えば、第３算出部１３３は、複数の学習モデルそれぞれに、対応する通信データ量が既知である特徴量データを入力して、通信データ量をそれぞれ出力させることによって、通信データ量を予測させる。そして、第３算出部１３３は、複数の学習モデルによってそれぞれ予測された通信データ量を既知の通信データ量と比較することによって複数の学習モデルそれぞれの予測精度を算出する。このとき、第３算出部１３３は、複数の学習モデルに学習させた複数の特徴量データの一部を用いて通信データ量を予測し、予測精度を算出してもよい。また、予測精度は、既知の通信データ量に対する、学習モデルによって予測された通信データ量の誤差であってもよい。
　第４算出部１３４は、第３算出部１３３によって算出された、複数の学習モデルそれぞれの予測精度が所定の精度閾値以上であるか否かを判定する。例えば、上述したように、予測精度が、既知の通信データ量測定値に対する、学習モデルによって予測された通信データ量測定値の誤差である構成において、第４算出部１３４は、誤差それぞれが所定の誤差閾値未満であるか否かを判定してもよい。これに限られず、第４算出部１３４は、任意の手法により、予測精度それぞれが所定の精度閾値未満であるか否かを判定することができる。
　第５算出部１３５は、第１算出部１３１によって特徴量データが生成されてから、第４算出部１３４によって予測精度が所定の精度閾値以上であるか否かが判定されるまでの一連の処理が繰り返された時間Ｔｓと、該時間Ｔｓとに基づいて推定される、さらに１回、該一連の処理が実行される時間Ｔｓ／ｎｒとの合計である合計時間Ｔａｌｌが、第２の規定時間ＴＬＭ２未満であるか否かを判定する。ｎｒは、上述した一連の処理が繰り返された回数である。
具体的には、第５算出部１３５は、式（２）が満たされているか否かを判定する。
　Ｔｓ＋Ｔｓ／ｎｒ＜ＴＬＭ２　　　　　（２）
 
　合計時間Ｔａｌｌが第２の規定時間ＴＬＭ２未満であると判定された場合、第１算出部１３１から第４算出部１３４が上述した処理を繰り返す。すなわち、合計時間Ｔａｌｌが第２の規定時間ＴＬＭ２未満であると判定された場合、再び、第１算出部１３１は、所定パターン数の特徴量データとは異なる、所定パターン数Ｎの特徴量データを生成し、第２算出部１３２は、該特徴量データと該特徴量データに対応する通信データ量とを含む複数の学習データを生成し、第３算出部１３３は、予測精度を算出し、第４算出部１３４は、予測精度が所定の精度閾値以上であるか否かを判定する。
　選択部１３６は、第２の予測精度に基づいて、複数の学習データからいずれかの学習データを選択する。具体的には、選択部１３６は、第４算出部１３４によって、複数のモデル学習データのうちの、予測精度が所定の精度閾値以上であると判定された学習モデルに学習させた学習データから所定の条件を満たす学習データを選択する。
　例えば、所定の条件は、予測精度が最も高いという条件とすることができ、このような構成において、選択部１３６は、予測精度が所定の精度閾値以上であると判定された学習モデルのうちの、予測精度が最も高い学習モデルの学習に用いられた学習データを選択する。また、例えば、所定の条件は、第１の単位時間が最も長いという条件とすることができ、このような構成において、選択部１３６は、予測精度が所定の精度閾値以上であると判定された学習モデルの学習に用いられた学習データのうちの、第１の単位時間が最も長い学習データを選択する。
　図４に戻って、記憶部１４は、通信インターフェース部１１によって受信された回線データを記憶してよい。また、記憶部１４は、第１算出部１３１によって生成された特徴量データを記憶してよい。また、記憶部１４は、入力部１２によって入力が受け付けられた所定の精度閾値を示す精度閾値データを記憶してよい。また、記憶部１４は、第１の規定時間ＴＬＭ１及び第２の規定時間ＴＬＭ２を示す規定時間データを記憶してよい。また、記憶部１４は、第２算出部１３２によって生成された学習データを記憶してよい。また、記憶部１４は、上述した学習モデル（第２算出部１３２によって学習させられたプレ学習モデル、及び第３算出部１３３によって学習させられた学習モデル）を記憶してよい。
　出力部１５は、選択部１３６によって選択された学習データを出力することができる。
　データバス１６は、通信インターフェース部１１、入力部１２、演算処理部１３、記憶部１４、及び出力部１５のうちのいずれかの機能部が出力した情報を該機能部とは異なる機能部に伝送する。
　＜情報処理装置の動作＞
　ここで、本実施形態に係る情報処理装置１の動作について、図７を参照して説明する。図７は、本実施形態に係る情報処理装置１の動作の一例を示すフローチャートである。図７を参照して説明する情報処理装置１における動作は、本実施形態に係る、情報処理装置１が実行する情報処理方法の一例に相当する。
　ステップＳ１１において、通信インターフェース部１１が、通信が実行された期間における測定単位時間ごとの、１以上の通信回線を含むリンク３３の通信データ量測定値を示す通信データ量測定値データ、及び１以上の通信回線それぞれの契約帯域ＢＷｊを含む回線データを受信する。
　ステップＳ１２において、第１算出部１３１が、契約帯域ＢＷｊに関する、互いに異なる数の特徴量を含む、所定パターン数の特徴量データを生成する。
　ステップＳ１３において、第２算出部１３２が、第１の規定時間ＴＬＭ１内に学習することが可能な、所定パターン数Ｎの特徴量データのうちの一部の特徴量データと、該一部の特徴量データそれぞれに対応する通信データ量とを、複数の第１の単位時間それぞれごとに含む複数の学習データを生成する。
　ここで、ステップＳ１３の動作の詳細について、図８を参照して詳細に説明する。
　ステップＳ１３１において、第２算出部１３２が、第２の単位時間ごとの、第１算出部１３１によって生成された、所定数の特徴量を含む特徴量データと、該特徴量データに対応する通信データ量とをプレ学習モデルに学習させ、プレ学習モデルによる学習に要する基準学習時間Ｔ０を測定する。上述したように、所定数は、所定パターン数Ｎの特徴量データそれぞれの特徴量の数のうち最多の数とすることができる。
　ステップＳ１３２において、第２算出部１３２が、基準学習時間Ｔ０に基づいて、複数の第１の単位時間を決定する。具体的には、所定パターン数の特徴量データのうちの、第１の学習モデルによる学習に要する基準学習時間Ｔ０を用いて、複数の第２の単位時間それぞれごとに特徴量データと該特徴量データに対応する通信データ量とを含む学習データを学習する時間の合計が第１の規定時間ＴＬＭ１内となるように、複数の第２の単位時間を決定する。
　ステップＳ１３３において、第２算出部１３２が、複数の第１の単位時間それぞれごとに特徴量データと該特徴量データに対応する通信データ量とを含む学習データを生成する。
　図７に戻って、ステップＳ１４において、第３算出部１３３が、複数の学習データをそれぞれ複数の学習モデルに学習させ、該複数の学習モデルそれぞれの予測精度を算出する。
　ステップＳ１５において、第４算出部１３４が、複数の学習モデルそれぞれの予測精度が所定の精度閾値以上であるか否かを判定する。具体的には、第４算出部１３４が、複数の学習モデルそれぞれの予測精度のいずれかが所定の精度閾値以上であるか否かを判定する。
　ステップＳ１５で、複数の学習モデルそれぞれの予測精度いずれもが所定の精度閾値以上でないと判定された場合、ステップＳ１６において、第５算出部１３５が、特徴量データが生成されてから予測精度が所定の精度閾値以上であるか否かを判定するまでの一連の処理が繰り返された時間Ｔｓと、該時間Ｔｓとに基づいて推定される、さらに１回、一連の処理が実行される時間との合計時間Ｔａｌｌが第２の規定時間ＴＬＭ２未満であるか否かを判定する。
　ステップＳ１６で、合計時間Ｔａｌｌが第２の規定時ＴＬＭ２間未満でないと判定された場合、情報処理装置１は、動作を終了する。
　ステップＳ１６で、合計時間Ｔａｌｌが第２の規定時間ＴＬＭ２未満であると判定された場合、情報処理装置１は、ステップＳ１２に戻って処理を繰り返す。
　ステップＳ１５で、複数の学習モデルそれぞれの予測精度のいずれかが所定の精度閾値以上であると判定された場合、ステップＳ１７において、選択部１３６が、予測精度に基づいて、複数の学習データからいずれかの学習データを選択する。このとき、選択部１３６は、予測精度が所定の精度閾値以上であると判定された学習モデルのうちの、第２の予測精度が最も高い学習モデルの学習に用いられた学習データを選択してもよい。また、選択部１３６は、予測精度が所定の精度閾値以上であると判定された学習モデルの学習に用いられた学習データのうちの、第１の単位時間が最も長い学習データを選択してもよい。
　以上、説明したように、本実施形態に係る情報処理装置１は、通信が実行された期間における測定単位時間ごとの、１以上の通信回線を含むリンクの通信データ量測定値を示す通信データ量測定値データ、及び１以上の通信回線それぞれの契約帯域を含む回線データを受信する通信インターフェース部１１と、契約帯域ＢＷｊに関する、互いに異なる数の特徴量を含む、所定パターン数Ｎの特徴量データを生成する第１算出部１３１と、第１の規定時間ＴＬＭ１内に学習することが可能な、所定パターン数Ｎの特徴量データのうちの一部の特徴量データと、該一部の特徴量データそれぞれに対応する通信データ量とを、複数の第１の単位時間それぞれごとに含む複数の学習データを生成する第２算出部１３２と、複数の学習データをそれぞれ複数の学習モデルに学習させ、該複数の学習モデルそれぞれの予測精度を算出する第３算出部１３３と、予測精度に基づいて、複数の学習データからいずれかの学習データを選択する選択部１３６と、を備える。
　これにより、情報処理装置１は、学習モデルが、学習に要する時間を抑制しつつ、高い精度で学習する学習データを提供することができる。具体的には、情報処理装置１は、第１の規定時間ＴＬＭ１内に学習することが可能な複数の学習データを作成し、該複数の学習データには、複数の第１の単位時間（上述した例では、図６に示すような、１６０分、８０分、・・・５分）ごとに特徴量データと該特徴量データに対応する通信データ量を含む。そのため、複数の学習モデルそれぞれに、第１の規定時間ＴＬＭ１内にこれら複数の学習データを学習させることができ、それぞれの予測精度に基づいて学習データを選択することができる。そのため、情報処理装置１は、所望の時間内に学習が完了する見込みがあり、かつ学習モデルの予測精度を所望の予測精度とするような学習データを提供し、学習モデルに学習させることができる。これにより、情報処理装置１は、学習に要する時間を抑制しつつ、所望の予測精度を実現することができる学習データを学習モデルに学習させることができる。また、このような学習モデルにより、所望の予測精度で予測された通信データ量を用いて、適切に通信システム３の帯域が設計され得る。
　また、本実施形態に係る情報処理装置１は、複数の学習モデルそれぞれの予測精度が所定の精度閾値以上であるか否かを判定する第４算出部１３４と、複数の学習モデルそれぞれの予測精度がいずれも所定の精度閾値以上でないと判定された場合、特徴量データが生成されてから予測精度が所定の精度閾値以上であるか否かを判定するまでの一連の処理が繰り返された時間Ｔｓと、該時間Ｔｓと基づいて推定される、さらに１回、一連の処理が実行される時間との合計時間Ｔａｌｌが第２の規定時間ＴＬＭ２未満であるか否かを判定する第５算出部１３５と、をさらに備え、合計時間Ｔａｌｌが第２の規定時間ＴＬＭ２未満であると判定された場合、再び、第１算出部１３１は、所定パターン数Ｎの特徴量データとは異なる、所定パターン数Ｎの特徴量データを生成し、第２算出部１３２は、該特徴量データと該特徴量データに対応する通信データ量とを含む複数の学習データを生成し、第３算出部１３３は、予測精度を算出し、第４算出部１３４は、予測精度が所定の精度閾値以上であるか否かを判定する。
　これにより、情報処理装置１は、学習モデルによる学習の時間を第２の規定時間ＴＬＭ２未満に抑制することができる。したがって、このような学習モデルを用いた、通信システム３の設計に要する時間が抑制され得る。
　＜プログラム＞
　上述した情報処理装置１は、コンピュータによって実現することができる。また、情報処理装置１としてコンピュータを機能させるためのプログラムが提供されてもよい。また、該プログラムは、記憶媒体に記憶されてもよいし、ネットワークを通して提供されてもよい。図９は、情報処理装置１として機能するコンピュータ５０１の概略構成を示すブロック図である。ここで、コンピュータ５０１は、汎用コンピュータ、専用コンピュータ、ワークステーション、ＰＣ（Personal Computer）、電子ノートパッドなどであってもよい。プログラム命令は、必要なタスクを実行するためのプログラムコード、コードセグメントなどであってもよい。
　図９に示すように、コンピュータ５０１は、プロセッサ５１０と、ＲＯＭ５２０と、ＲＡＭ５３０と、ストレージ５４０と、入力部５５０と、出力部５６０と、通信インターフェース（Ｉ／Ｆ）５７０とを備える。各構成は、バス５８０を介して相互に通信可能に接続されている。プロセッサ５１０は、具体的にはＣＰＵ(Central Processing Unit)、ＭＰＵ（Micro Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＳｏＣ（System on a Chip）などであり、同種又は異種の複数のプロセッサにより構成されてもよい。
　プロセッサ５１０は、各構成の制御、及び各種の演算処理を実行する。すなわち、プロセッサ５１０は、ＲＯＭ５２０又はストレージ５４０からプログラムを読み出し、ＲＡＭ５３０を作業領域としてプログラムを実行する。プロセッサ５１０は、ＲＯＭ５２０又はストレージ５４０に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。上述した実施形態では、ＲＯＭ５２０又はストレージ５４０に、本開示に係るプログラムが記憶されている。
　プログラムは、コンピュータ５０１が読み取り可能な記憶媒体に記憶されていてもよい。このような記憶媒体を用いれば、プログラムをコンピュータ５０１にインストールすることが可能である。ここで、プログラムが記憶された記憶媒体は、非一時的（non-transitory）記憶媒体であってもよい。非一時的記憶媒体は、特に限定されるものではないが、例えば、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、ＵＳＢ（Universal Serial Bus）メモリなどであってもよい。また、このプログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。
　ＲＯＭ５２０は、各種プログラム及び各種データを記憶する。ＲＡＭ５３０は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ５４０は、ＨＤＤ（Hard Disk Drive）又はＳＳＤ（Solid State Drive）により構成され、オペレーティングシステムを含む各種プログラム及び各種データを記憶する。
　入力部５５０は、ユーザの入力操作を受け付けて、ユーザの操作に基づく情報を取得する１つ以上の入力インターフェースを含む。例えば、入力部５５０は、ポインティングデバイス、キーボード、マウスなどであるが、これらに限定されない。
　出力部５６０は、情報を出力する１つ以上の出力インターフェースを含む。例えば、出力部５６０は、情報を映像で出力するディスプレイ、又は情報を音声で出力するスピーカであるが、これらに限定されない。なお、出力部５６０は、タッチパネル方式のディスプレイである場合には、入力部５５０としても機能する。
　通信インターフェース５７０は、外部の装置と通信するためのインターフェースである。
　以上の実施形態に関し、更に以下の付記を開示する。
　［付記項１］
　通信が実行された期間における測定単位時間ごとの、１以上の通信回線を含むリンクの通信データ量測定値を示す通信データ量測定値データ、及び前記１以上の通信回線それぞれの契約帯域を含む回線データを受信する通信インターフェースと、
　コントローラと、を備え、前記コントローラは、
　　前記契約帯域に関する、互いに異なる数の特徴量を含む、所定パターン数の特徴量データを生成し、
　　第１の規定時間内に学習することが可能な、前記所定パターン数の特徴量データのうちの一部の特徴量データと、該一部の特徴量データそれぞれに対応する通信データ量とを、複数の第１の単位時間それぞれごとに含む複数の学習データを生成し、
　　前記複数の学習データをそれぞれ複数の学習モデルに学習させ、該複数の学習モデルそれぞれの予測精度を算出し、
　　前記予測精度に基づいて、前記複数の学習データからいずれかの学習データを選択する、情報処理装置。
　［付記項２］
　前記コントローラは、第２の単位時間ごとの、所定パターン数の特徴量データのうちの、所定数の特徴量を含む特徴量データと、該特徴量データに対応する通信データ量とをプレ学習モデルに学習させ、前記プレ学習モデルによる学習に要する基準学習時間を測定し、前記基準学習時間に基づいて、前記第２の単位時間以下の前記複数の第１の単位時間を決定する、付記項１に記載の情報処理装置。
　［付記項３］
　前記コントローラは、
　　前記複数の学習モデルそれぞれの前記予測精度が所定の精度閾値以上であるか否かを判定し、
　　前記複数の学習モデルそれぞれの前記予測精度がいずれも前記所定の精度閾値以上でないと判定された場合、前記特徴量データが生成されてから、前記予測精度が前記所定の精度閾値以上であるか否かが判定されるまでの一連の処理が繰り返された時間と、該時間とに基づいて推定される、さらに１回、前記一連の処理が実行される時間との合計時間が第２の規定時間未満であるか否かを判定し、
　　前記合計時間が第２の規定時間未満であると判定された場合、再び、前記所定パターン数の特徴量データとは異なる、所定パターン数の特徴量データを生成し、該特徴量データと該特徴量データに対応する通信データ量とを含む前記複数の学習データを生成し、前記予測精度を算出し、前記予測精度が前記所定の精度閾値以上であるか否かを判定する、付記項１又は２に記載の情報処理装置。
　［付記項４］
　前記コントローラは、、前記予測精度が前記所定の精度閾値以上であると判定された学習モデルのうちの、前記予測精度が最も高い学習モデルの学習に用いられた学習データを選択する、付記項１から３のいずれか一項に記載の情報処理装置。
　［付記項５］
　前記コントローラは、前記予測精度が前記所定の精度閾値以上であると判定された学習モデルの学習に用いられた学習データのうちの、前記第１の単位時間が最も長い学習データを選択する、付記項１から３のいずれか一項に記載の情報処理装置。
　［付記項６］
　情報処理装置が実行する情報処理方法であって、
　通信が実行された期間における測定単位時間ごとの、１以上の通信回線を含むリンクの通信データ量測定値を示す通信データ量測定値データ、及び前記１以上の通信回線それぞれの契約帯域を含む回線データを受信し、
　前記契約帯域に関する、互いに異なる数の特徴量を含む、所定パターン数の特徴量データを生成し、
　第１の規定時間内に学習することが可能な、前記所定パターン数の特徴量データのうちの一部の特徴量データと、該一部の特徴量データそれぞれに対応する通信データ量とを、複数の第１の単位時間それぞれごとに含む複数の学習データを生成し、
　前記複数の学習データをそれぞれ複数の学習モデルに学習させ、該複数の学習モデルそれぞれの予測精度を算出し、
　前記予測精度に基づいて、前記複数の学習データからいずれかの学習データを選択する、情報処理方法。
　［付記項７］
　コンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、前記コンピュータを、付記項１から５のいずれか一項に記載の情報処理装置として機能させるプログラムを記憶した非一時的記憶媒体。
　上述の実施形態は代表的な例として説明したが、本開示の趣旨及び範囲内で、多くの変更及び置換ができることは当業者に明らかである。したがって、本発明は、上述の実施形態によって制限するものと解するべきではなく、請求の範囲から逸脱することなく、種々の変形又は変更が可能である。例えば、実施形態の構成図に記載の複数の構成ブロックを１つに組み合わせたり、あるいは１つの構成ブロックを分割したりすることが可能である。
１　情報処理装置
３　通信システム
１１　通信インターフェース部
１２　入力部
１３　演算処理部
１４　記憶部
１５　出力部
１６　データバス
３１、３２　通信装置
３１ａ、３２ａ　通信ポート
３３　リンク
３４　記憶装置
１３１　第１算出部
１３２　第２算出部
１３３　第３算出部
１３４　第４算出部
１３５　第５算出部
１３６　選択部
３３１　通信回線
５０１　コンピュータ
５１０　プロセッサ
５２０　ＲＯＭ
５３０　ＲＡＭ
５４０　ストレージ
５５０　入力部
５６０　出力部
５７０　通信インターフェース
５８０　バス

Claims (7)

  1. 　通信が実行された期間における測定単位時間ごとの、１以上の通信回線を含むリンクの通信データ量測定値を示す通信データ量測定値データ、及び前記１以上の通信回線それぞれの契約帯域を含む回線データを受信する通信インターフェース部と、
    　前記契約帯域に関する、互いに異なる数の特徴量を含む、所定パターン数の特徴量データを生成する第１算出部と、
    　第１の規定時間内に学習することが可能な、前記所定パターン数の特徴量データのうちの一部の特徴量データと、該一部の特徴量データそれぞれに対応する通信データ量とを、複数の第１の単位時間それぞれごとに含む複数の学習データを生成する第２算出部と、
    　前記複数の学習データをそれぞれ複数の学習モデルに学習させ、該複数の学習モデルそれぞれの予測精度を算出する第３算出部と、
    　前記予測精度に基づいて、前記複数の学習データからいずれかの学習データを選択する選択部と、
    を備える情報処理装置。
  2. 　前記第２算出部は、第２の単位時間ごとの、所定パターン数の特徴量データのうちの、所定数の特徴量を含む特徴量データと、該特徴量データに対応する通信データ量とをプレ学習モデルに学習させ、前記プレ学習モデルによる学習に要する基準学習時間を測定し、前記基準学習時間に基づいて、前記第２の単位時間以下の前記複数の第１の単位時間を決定する、請求項１に記載の情報処理装置。
  3. 　前記複数の学習モデルそれぞれの前記予測精度が所定の精度閾値以上であるか否かを判定する第４算出部と、
    　前記複数の学習モデルそれぞれの前記予測精度がいずれも前記所定の精度閾値以上でないと判定された場合、前記特徴量データが生成されてから、前記予測精度が前記所定の精度閾値以上であるか否かが判定されるまでの一連の処理が繰り返された時間と、該時間とに基づいて推定される、さらに１回、前記一連の処理が実行される時間との合計時間が第２の規定時間未満であるか否かを判定する第５算出部と、をさらに備え、
    　前記合計時間が第２の規定時間未満であると判定された場合、再び、前記第１算出部は、前記所定パターン数の特徴量データとは異なる、所定パターン数の特徴量データを生成し、前記第２算出部は、該特徴量データと該特徴量データに対応する通信データ量とを含む前記複数の学習データを生成し、前記第３算出部は、前記予測精度を算出し、前記第４算出部は、前記予測精度が前記所定の精度閾値以上であるか否かを判定する、請求項１又は２に記載の情報処理装置。
  4. 　前記選択部は、前記予測精度が前記所定の精度閾値以上であると判定された学習モデルのうちの、前記予測精度が最も高い学習モデルの学習に用いられた学習データを選択する、請求項１又は２に記載の情報処理装置。
  5. 　前記選択部は、前記予測精度が前記所定の精度閾値以上であると判定された学習モデルの学習に用いられた学習データのうちの、前記第１の単位時間が最も長い学習データを選択する、請求項１又は２に記載の情報処理装置。
  6. 　情報処理装置が実行する情報処理方法であって、
    　通信が実行された期間における測定単位時間ごとの、１以上の通信回線を含むリンクの通信データ量測定値を示す通信データ量測定値データ、及び前記１以上の通信回線それぞれの契約帯域を含む回線データを受信するステップと、
    　前記契約帯域に関する、互いに異なる数の特徴量を含む、所定パターン数の特徴量データを生成するステップと、
    　第１の規定時間内に学習することが可能な、前記所定パターン数の特徴量データのうちの一部の特徴量データと、該一部の特徴量データそれぞれに対応する通信データ量とを、複数の第１の単位時間それぞれごとに含む複数の学習データを生成するステップと、
    　前記複数の学習データをそれぞれ複数の学習モデルに学習させ、該複数の学習モデルそれぞれの予測精度を算出するステップと、
    　前記予測精度に基づいて、前記複数の学習データからいずれかの学習データを選択するステップと、
    を含む情報処理方法。
  7. 　コンピュータを、請求項１又は２に記載の情報処理装置として機能させるためのプログラム。
PCT/JP2023/021424 2023-06-08 2023-06-08 情報処理装置、情報処理方法、及びプログラム Ceased WO2024252637A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2025525882A JPWO2024252637A1 (ja) 2023-06-08 2023-06-08
PCT/JP2023/021424 WO2024252637A1 (ja) 2023-06-08 2023-06-08 情報処理装置、情報処理方法、及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2023/021424 WO2024252637A1 (ja) 2023-06-08 2023-06-08 情報処理装置、情報処理方法、及びプログラム

Publications (1)

Publication Number Publication Date
WO2024252637A1 true WO2024252637A1 (ja) 2024-12-12

Family

ID=93795735

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/021424 Ceased WO2024252637A1 (ja) 2023-06-08 2023-06-08 情報処理装置、情報処理方法、及びプログラム

Country Status (2)

Country Link
JP (1) JPWO2024252637A1 (ja)
WO (1) WO2024252637A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022168163A1 (ja) * 2021-02-02 2022-08-11 日本電信電話株式会社 生成装置、方法、及びプログラム
WO2022244174A1 (ja) * 2021-05-20 2022-11-24 日本電信電話株式会社 帯域推定装置、帯域推定方法およびプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022168163A1 (ja) * 2021-02-02 2022-08-11 日本電信電話株式会社 生成装置、方法、及びプログラム
WO2022244174A1 (ja) * 2021-05-20 2022-11-24 日本電信電話株式会社 帯域推定装置、帯域推定方法およびプログラム

Also Published As

Publication number Publication date
JPWO2024252637A1 (ja) 2024-12-12

Similar Documents

Publication Publication Date Title
US20230186007A1 (en) System and method for optimizing integrated circuit layout based on neural network
WO2022074796A1 (ja) 評価方法、評価装置、および評価プログラム
US20210081785A1 (en) Information processing device and method, and recording medium storing information processing program
JP2019101490A (ja) 時系列データ予測装置、時系列データ予測方法およびコンピュータプログラム
CN114444718A (zh) 机器学习模型的训练方法、信号控制方法和装置
CN114726758A (zh) 工业网络异常确定方法、装置、计算机设备及存储介质
KR20230087890A (ko) 열원분포이미지 기반의 집적회로 레이아웃 최적화 시스템 및 방법
US20200052635A1 (en) Method for searching excitation signal of motor, and electronic device
US20100017173A1 (en) Method of modelling the switching activity of a digital circuit
JPWO2012093469A1 (ja) 性能評価装置及び性能評価方法
CN111209930A (zh) 一种生成授信策略的方法、装置和电子设备
US20210279575A1 (en) Information processing apparatus, information processing method, and storage medium
WO2024252636A1 (ja) 情報処理装置、情報処理方法、及びプログラム
CN114973698A (zh) 控制信息的生成方法和机器学习模型的训练方法、装置
KR102872684B1 (ko) 메타버스 서비스를 위한 하이브리드 모델을 포함하는 컴퓨팅 부하 예측 시스템 및 그 방법
JP2022034897A (ja) 情報処理装置、機械学習方法及び機械学習プログラム
US20250279167A1 (en) Composition optimization device, composition optimization method, and composition optimization program
JP5793228B1 (ja) 欠陥数予測装置及び欠陥数予測プログラム
JP4773903B2 (ja) 統計的タイミング解析の悲観的誤差を評価する方法
US11586951B2 (en) Evaluation system, evaluation method, and evaluation program for evaluating a result of optimization based on prediction
US20250014685A1 (en) Prediction apparatus, training apparatus, prediction method, training method, prediction program, and training program
CN108923884B (zh) 一种pcs评估系统、方法、可读存储介质及终端
JPWO2016143337A1 (ja) 情報処理装置、情報処理方法、及び、プログラム
JPWO2016181549A1 (ja) 性能評価装置及び性能評価プログラム
JP7518013B2 (ja) 診断パターン生成方法及び計算機

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: 23940735

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2025525882

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE