WO2025253469A1 - 情報処理方法および情報処理装置 - Google Patents

情報処理方法および情報処理装置

Info

Publication number
WO2025253469A1
WO2025253469A1 PCT/JP2024/020282 JP2024020282W WO2025253469A1 WO 2025253469 A1 WO2025253469 A1 WO 2025253469A1 JP 2024020282 W JP2024020282 W JP 2024020282W WO 2025253469 A1 WO2025253469 A1 WO 2025253469A1
Authority
WO
WIPO (PCT)
Prior art keywords
communication quality
information processing
information
index value
prediction
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.)
Pending
Application number
PCT/JP2024/020282
Other languages
English (en)
French (fr)
Inventor
馨子 高橋
隆史 藤田
理一 工藤
尚志 永田
裕之 石原
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
NTT Inc USA
Original Assignee
Nippon Telegraph and Telephone Corp
NTT Inc USA
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, NTT Inc USA filed Critical Nippon Telegraph and Telephone Corp
Priority to PCT/JP2024/020282 priority Critical patent/WO2025253469A1/ja
Publication of WO2025253469A1 publication Critical patent/WO2025253469A1/ja
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04W16/24—Cell structures
    • H04W16/28—Cell structures using beam steering

Definitions

  • This disclosure relates to an information processing method and an information processing device.
  • Non-Patent Documents 1 and 2 communication quality prediction algorithms have been proposed to guarantee service quality in wireless communication systems.
  • Non-Patent Documents 3 and 4 propose benefits such as improving the reliability of data transmission.
  • Non-Patent Document 4 proposes a method for optimizing handover timing by building a deep learning model that predicts received power from camera images and predicting the received power of a terminal that fluctuates due to objects moving in a way that blocks the communication path.
  • This disclosure has been made in light of the above, and aims to more appropriately apply learned predictive models in real-world environments.
  • An information processing device includes an acquisition unit that acquires status information relating to the status of a wireless communication terminal, communication quality of the wireless communication terminal, and surrounding space information relating to the space surrounding the wireless communication terminal; a prediction unit that inputs at least one of the status information, communication quality, and surrounding space information into a prediction model and solves a classification problem with a predetermined level of communication quality as a boundary for the wireless communication terminal; and a calculation unit that calculates, for each level of communication quality, an evaluation index for the classification problem using the prediction results of the prediction model and actual measured values of communication quality at that level of communication quality, and sets the index value for that level of communication quality as the evaluation index.
  • This disclosure enables learned predictive models to be more appropriately applied in real-world environments.
  • FIG. 1 is a diagram showing an example of the configuration of an information processing apparatus according to this embodiment.
  • FIG. 2 is a flowchart showing an example of the flow of a process for calculating an index value.
  • FIG. 3 is a diagram showing an example of predicted values and actual measured values of communication quality.
  • FIG. 4 is a diagram showing an example of an ROC curve.
  • FIG. 5 is a diagram illustrating an example of index values for each index threshold.
  • FIG. 6 is a diagram illustrating an example of a service usage environment.
  • FIG. 7 is a diagram illustrating an example of index values for each index threshold.
  • FIG. 8 is a diagram illustrating an example of a service usage environment.
  • FIG. 9 is a diagram illustrating an example of index values for each index threshold.
  • FIG. 10 is a diagram illustrating an example of index values for each index threshold.
  • FIG. 11 is a diagram illustrating an example of a hardware configuration of an information processing device.
  • the information processing device 10 shown in the figure includes an information acquisition unit 11, a predictive learning unit 12, a control unit 13, a requirement information acquisition unit 14, and an index value calculation unit 15.
  • the information processing device 10 predicts the communication quality of the target terminal 51 and controls the target terminal 51. If other terminals 52 or objects 53 are controllable, the information processing device 10 may also control the other terminals 52 or objects 53.
  • the target terminal 51 is a terminal to which a service is provided.
  • the other terminals 52 are terminals other than the target terminal 51 that perform wireless communication.
  • the objects 53 are objects present in the surrounding space 50 of the target terminal 51.
  • the information processing device 10 determines the level of communication quality at which the prediction model has high prediction accuracy, selects or learns a prediction model that will have high prediction accuracy at the level of communication quality that meets the required requirements, or adjusts the surrounding space to have high prediction accuracy at the level of communication quality that meets the required requirements.
  • the information acquisition unit 11 acquires status information of the target terminal 51, other terminals 52, and object 53, as well as communication information of the target terminal 51, other terminals 52, and base stations with which the target terminal 51 is communicating.
  • Status information is information that represents the status of terminals and objects, such as position, speed, orientation, and type (model) of terminal. Status information may be acquired using sensors such as a camera or Light Detection And Ranging (LiDAR).
  • Communication information is an indicator related to the quality of wireless communication between at least one communication unit within the communication device and an external communication device.
  • Indicators related to QoE can be used, such as received power, RSSI (Received Signal Strength Indicator), RSRQ (Reference Signal Received Quality), SNR (Signal to noise ratio), SINR (Signal to interference noise ratio), packet loss rate, data rate, application quality, and indicators relating to increases or decreases thereof, as well as indicators combining two or more of these using linear calculations, etc.
  • Information about the target terminal 51 may be acquired as terminal information, or information about the status of other terminals 52 and objects 53 present in the surrounding space 50 may be acquired as surrounding space information.
  • the predictive learning unit 12 inputs the information obtained by the information acquisition unit 11 into the trained prediction model and predicts future communication information for the target terminal 51. More specifically, the prediction model inputs the information obtained by the information acquisition unit 11 and solves classification problems such as inferring communication quality in the near future (for example, a few seconds from now), determining whether the communication quality will be below a predetermined threshold (hereinafter referred to as the index threshold), or determining whether it will be above the threshold. When solving a classification problem, the prediction model may output a score close to 1 if the communication quality is below the index threshold, and may output a score close to 0 if the communication quality is not below the index threshold.
  • the index threshold is set according to the requirements of the service 30.
  • the predictive learning unit 12 inputs at least one of state information, surrounding space information, and communication information into a prediction model and predicts the communication information. For example, the predictive learning unit 12 inputs the position, orientation, and speed of the target terminal 51 into the prediction model as state information, inputs the positions and speeds of other terminals 52 and objects 53 into the prediction model as surrounding space information, and inputs past communication information into the prediction model as communication information.
  • the predictive learning unit 12 may store multiple predictive models and use different predictive models depending on the conditions of the surrounding space.
  • the prediction learning unit 12 may use the information obtained by the information acquisition unit 11 as learning data to machine-learn a prediction model.
  • the control unit 13 controls the target terminal 51, other terminal 52, or object 53 based on the prediction results of the predictive learning unit 12. For example, if the communication quality deteriorates below a predetermined threshold, the control unit 13 causes the target terminal 51 to hand over and connect to another base station.
  • the requirements information acquisition unit 14 acquires information related to the requirements required by the service 30. For example, the requirements information acquisition unit 14 acquires the throughput required by the service 30.
  • the index value calculation unit 15 uses the prediction results of the prediction learning unit 12 and the actual measured values of communication quality to calculate an index value that represents the performance of the prediction model for each level of communication quality in the real world.
  • the index value calculation unit 15 determines the communication quality level for which the prediction model has high prediction accuracy and notifies the service 30, selects or learns a prediction model to increase prediction accuracy at the requested communication quality level, or adjusts the surrounding space to increase prediction accuracy at the requested communication quality level. For example, the index value calculation unit 15 notifies the service 30 of the communication quality level with the largest calculated index value as a communication quality requirement for providing the service 30.
  • the index value calculation unit 15 controls the prediction learning unit 12 to use the prediction model with the largest index value at the requested communication quality level.
  • the index value calculation unit 15 causes the prediction learning unit 12 to relearn the prediction model so that the index value at the requested communication quality level is large.
  • the index value calculation unit 15 moves the position of the object 53 in the surrounding space 50, controls the movement path, direction, and speed of the target terminal 51, or moves the position of the base station so that the index value at the requested communication quality level is large.
  • step S11 the index value calculation unit 15 sets the index threshold T.
  • the index value calculation unit 15 sets the index threshold T in accordance with those requirements.
  • the index value calculation unit 15 sets the index threshold T by gradually changing it.
  • step S12 the index value calculation unit 15 obtains from the prediction learning unit 12 prediction results and actual measurement values indicating whether the communication quality will be below the index threshold T.
  • the index value calculation unit 15 calculates the Area Under the Curve (AUC) of the Receiver Operating Characteristic (ROC) curve to evaluate the accuracy of the prediction value when an actual measurement value equal to or less than the index threshold T is considered to be "positive.”
  • FIG. 4 shows an example of an ROC curve. The horizontal axis represents the false positive rate, and the vertical axis represents the true positive rate. AUC is the area under the ROC curve. If the function of the ROC curve of the index threshold T is f ROC (T), AUC(T) is expressed by the following equation.
  • AUC(T) is the index value at index threshold T.
  • step S14 the index value calculation unit 15 determines whether to set another index threshold T.
  • the index value calculation unit 15 returns the process to step S11, sets the next index threshold T, and repeats the process.
  • the index value calculation unit 15 calculates the maximum index threshold Tmax at which the index value is maximum.
  • a function representing AUC( Tx ) when the index threshold T is a variable Tx is defined as the index value function fROC_AUC ( Tx ).
  • FIG. 5 shows an example of index values for each index threshold obtained by the index value function fROC_AUC ( Tx ). In the example of FIG. 5, the index value is maximum when the index threshold T is 50Mbps, so the index value calculation unit 15 sets the maximum index threshold Tmax to 50Mbps.
  • an ROC curve is used to calculate the index value, but a Precision-Recall (PR) curve may also be used to calculate the index value.
  • PR Precision-Recall
  • the information processing device 10 is used to propose service requirements suited to the service usage environment.
  • the information processing device 10 of this embodiment is used to determine this throughput condition. Specifically, the information processing device 10 determines the maximum index threshold in the service usage environment and proposes the maximum index threshold as the throughput condition. A specific example will be explained below.
  • Figure 6 shows an example of a service usage environment.
  • a robot holding a target terminal 51 moves along the arrow in the figure.
  • the target terminal 51 communicates with a base station 55 via UDP using the high bandwidth (28 GHz band) of the fifth-generation mobile communication system (5G).
  • 5G fifth-generation mobile communication system
  • the information processing device 10 measures the throughput and the position and orientation of the target terminal 51, and calculates the index value while gradually changing the throughput conditions from 25 Mbps to 275 Mbps, thereby determining the maximum index threshold.
  • Figure 7 shows an example of the results of calculating the index value while gradually changing the throughput condition from 25Mbps to 275Mbps.
  • the index value is maximum when the throughput condition is 100Mbps. Therefore, the information processing device 10 proposes setting the throughput condition at 100Mbps.
  • Figure 8 shows an example of another service usage environment.
  • a robot holding a target terminal 51 moves along the arrows in the figure, and another robot holding another terminal 52 moves along the arrows in the figure.
  • Target terminal 51 communicates with base station 55 via UDP using the high bandwidth (28 GHz band) of the fifth-generation mobile communication system (5G).
  • 5G fifth-generation mobile communication system
  • the information processing device 10 measures the throughput and the positions and orientations of the target terminal 51 and other terminals 52, and calculates the index value while gradually changing the throughput conditions from 25 Mbps to 300 Mbps, thereby determining the maximum index threshold.
  • Figure 9 shows an example of the results of calculating index values while gradually changing the throughput condition from 25Mbps to 300Mbps.
  • the index value is maximum when the throughput condition is 50Mbps. Therefore, the maximum index threshold is 50Mbps, and it is proposed that the information processing device 10 set the throughput condition to 50Mbps.
  • the index values can be used to present conditions suitable for the service usage environment when using a prediction model.
  • the information processing device 10 is used to select a prediction model that satisfies the requirements of the service provider.
  • the information processing device 10 of this embodiment is used to predict throughput.
  • the information processing device 10 stores multiple trained prediction models. Specifically, the information processing device 10 calculates an index value for each prediction model using an index threshold of 100 Mbps, and uses the prediction model with the highest index value to predict throughput. A specific example will be explained below.
  • the service usage environment includes robot A, which has a target terminal 51, and robot B, which moves around the area.
  • the information processing device 10 stores a prediction model (AB_fromABT) that predicts throughput one second from now using the position information and past throughput of robots A and B, and a prediction model (AB_fromAT) that predicts throughput one second from now using the position information and past throughput of robot A.
  • a prediction model (AB_fromABT) that predicts throughput one second from now using the position information and past throughput of robots A and B
  • a prediction model (AB_fromAT) that predicts throughput one second from now using the position information and past throughput of robot A.
  • the information processing device 10 measures the throughput and the positions of robots A and B, and calculates index values for each of the two prediction models (AB_fromABT, AB_fromAB) with an index threshold of 100 Mbps.
  • Figure 10 shows an example of the results of calculating index values using two prediction models (AB_fromABT, AB_fromAB). The figure also shows index values for index thresholds other than 100Mbps.
  • the prediction model (AB_fromABT), which uses the location information and past throughput of robots A and B, had an index value of 0.903 when the index threshold was set to 100Mbps. At this time, the frequency of unexpected drops in throughput (false negative rate) was 1.60%.
  • the prediction model (AB_fromAT) that uses robot A's location information and past throughput had an index value of 0.920 when the index threshold was set to 100Mbps. At this time, the frequency of unexpected drops in throughput (false negative rate) was 1.48%.
  • the information processing device 10 selects and uses the prediction model (AB_fromAT) that has the largest index value when the index threshold is set to 100Mbps.
  • the prediction model (AB_fromAT) also meets the required condition for the frequency of unexpected drops in throughput.
  • the information processing device 10 may re-learn the prediction model so that the index value increases.
  • the index values can be used to select a prediction model that is appropriate for the service usage environment. While the information processing device 10 is controlling the target terminal 51, other terminal 52, or object 53 in the surrounding space 50 based on the prediction results, the index value calculation unit 15 calculates the index values and selects a prediction model, making it possible to make predictions that follow the dynamically changing environment.
  • the surrounding space 50 is controlled so that the index value calculated by the information processing device 10 becomes larger.
  • the information processing device 10 calculates the index value using the required conditions of the service 30 as the index threshold.
  • the positions of objects 53 in the surrounding space 50 are changed, the movement path, speed, or direction of the target terminal 51 is changed, or the position of the base station is moved.
  • the information processing device 10 may calculate a maximum index threshold and control the surrounding space 50 so that the maximum index threshold becomes larger.
  • the index values can be used to configure the service usage environment to improve the accuracy of the prediction model.
  • the information processing device 10 of this embodiment includes an information acquisition unit 11 that acquires status information related to the status of the target terminal 51, the communication quality of the target terminal 51, and surrounding space information related to the surrounding space 50 of the target terminal 51; a prediction learning unit 12 that inputs at least one of the status information, communication quality, and surrounding space information into a prediction model and predicts whether the communication quality of the target terminal 51 will be below a threshold; and an index value calculation unit 15 that calculates, for each level of communication quality, the area under an ROC curve with the true positive rate and false positive rate as axes using the prediction results of the prediction model and the actual communication quality, and uses the calculated area as an index value for the level of communication quality.
  • This makes it possible to quantify the evaluation of the prediction model at a desired level of communication quality in the real space, thereby making it possible to select the required level of communication quality, select the prediction model to use, and improve the configuration of the real space.
  • the information processing device 10 described above can be, for example, a general-purpose computer system including a central processing unit (CPU) 901, memory 902, storage 903, communication device 904, input device 905, and output device 906, as shown in FIG. 11.
  • the information processing device 10 is realized when the CPU 901 executes a predetermined program loaded onto memory 902.
  • This program can be recorded on a computer-readable, non-transitory recording medium such as a magnetic disk, optical disk, or semiconductor memory, or can be distributed via a network.

Landscapes

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

Abstract

情報処理装置１０は、ターゲット端末５１の状態に関する状態情報、ターゲット端末５１の通信品質、およびターゲット端末５１の周辺空間５０に関する周辺空間情報を取得する情報取得部１１と、状態情報、通信品質、および周辺空間情報の少なくともいずれかを予測モデルに入力し、ターゲット端末５１の通信品質が閾値以下となるか否かを予測する予測学習部１２と、通信品質のレベルごとに、前記予測モデルの予測結果と実際の通信品質を用いて真陽性率と偽陽性率を軸としたＲＯＣ曲線の下の領域の面積を算出し、算出した面積を通信品質のレベルにおける指標値とする指標値算出部１５は、を備える。

Description

情報処理方法および情報処理装置
　本開示は、情報処理方法および情報処理装置に関する。
　無線通信の利用が広がる中で、安定した通信品質を確保することが重要な課題となっている。無線信号の伝播チャネルの状態は時間と空間によって変化するため、無線品質に影響を与える可能性がある。
　このような課題に対処するため、無線通信システムにおけるサービス品質を保証するための通信品質予測アルゴリズムが提案されている（非特許文献１、２）。通信品質を予測し、高品質のリンクを選択するなど予測結果に応じて適切な対策を講じることで、データ送信の信頼性を向上させる等の効果を得ることができる（非特許文献３）。非特許文献４では、カメラ画像から受信電力を予測する深層学習モデルを構築し、通信路を遮蔽するように移動する物体によって変動する端末の受信電力を予測することで、ハンドオーバーのタイミングを最適化する方法が提案されている。
Gregor Cerar, Haili Yetgin, Mihael Mohorcic, and Carolina Fortuna,"Machine Learning for Link Quality Estimation: A Survey,"IEEE COMMUNICATIONS SURVEYS & TUTOLIALS, 2021, VOL. 23, NO. 2, pp. 696-728 永田尚志、工藤理一、高橋馨子、Ramesh Eshan、小川智明、青木祐也、堀瀬友貴、森広芳文、「フィジカル空間情報を用いた5Gスループット予測技術」、電子情報学会技術研究報告、電子情報通信学会、2023年、第123巻、第31号、pp. 36-41 Mingxiao Niu, Linlan Liu, and Jian Shu,"Link Quality Prediction for Wireless Networks: Current Status and Future Directions,"ICIIT '23, 2023, pp. 52-56 Yusuke Koda, Kota Nakashima, Koji Yamamoto, Takayuki Nishio, and Masahiro Morikura,"Handover Management for mmWave Networks With Proactive Performance Prediction Using Camera Images and Deep Reinforcement Learning,"IEEE TRANSACTIONS ON COGNITIVE COMMUNICATIONS AND NETWORKING, 2020, VOL. 6, NO. 2, pp. 802-816
　従来技術では、所与の情報を把握して無線通信品質を予測し、予測に基づいて端末等を制御していた。しかしながら、実環境において、予測した無線通信品質に基づく制御により、所望のサービス品質を担保できるか否かは不明であった。
　本開示は、上記に鑑みてなされたものであり、学習した予測モデルを実環境でより適切に適用することを目的とする。
　本開示の一態様の情報処理装置は、無線通信端末の状態に関する状態情報、前記無線通信端末の通信品質、および前記無線通信端末の周辺空間に関する周辺空間情報を取得する取得部と、前記状態情報、前記通信品質、および前記周辺空間情報の少なくともいずれかを予測モデルに入力し、前記無線通信端末の通信品質について所定のレベルを境界とした分類問題を解く予測部と、通信品質のレベルごとに、当該通信品質のレベルにおける前記予測モデルの予測結果と通信品質の実測値を用いて分類問題の評価指標を算出して前記通信品質のレベルにおける指標値とする算出部と、を備える。
　本開示によれば、学習した予測モデルを実環境でより適切に適用できる。
図１は、本実施形態の情報処理装置の構成の一例を示す図である。 図２は、指標値を算出する処理の流れの一例を示すフローチャートである。 図３は、通信品質の予測値と実測値の一例を示す図である。 図４は、ROC曲線の一例を示す図である。 図５は、指標閾値ごとの指標値の一例を示す図である。 図６は、サービス利用環境の一例を示す図である。 図７は、指標閾値ごとの指標値の一例を示す図である。 図８は、サービス利用環境の一例を示す図である。 図９は、指標閾値ごとの指標値の一例を示す図である。 図１０は、指標閾値ごとの指標値の一例を示す図である。 図１１は、情報処理装置のハードウェア構成の一例を示す図である。
　以下、本開示の実施の形態について図面を用いて説明する。
　図１を参照し、本実施形態の情報処理装置１０の構成の一例について説明する。同図に示す情報処理装置１０は、情報取得部１１、予測学習部１２、制御部１３、要件情報取得部１４、および指標値算出部１５を備える。
　情報処理装置１０は、ターゲット端末５１の通信品質を予測して、ターゲット端末５１を制御する。他端末５２や物体５３を制御可能な場合、情報処理装置１０は、他端末５２や物体５３を制御してもよい。ターゲット端末５１は、サービス提供の対象となる端末である。他端末５２は、ターゲット端末５１以外の無線通信を行う端末である。物体５３は、ターゲット端末５１の周辺空間５０に存在する物体である。
　また、情報処理装置１０は、実空間での通信品質のレベルごとの予測モデルの性能を表す指標値に基づいて、予測モデルの予測精度が高い通信品質のレベルを求めたり、必要とする要件を満たす通信品質のレベルにおける予測精度が高くなるように予測モデルを選択または学習したり、あるいは、必要とする要件を満たす通信品質のレベルにおける予測精度が高くなるように周辺空間を調整したりする。
　情報取得部１１は、ターゲット端末５１、他端末５２、および物体５３の状態情報や、ターゲット端末５１、他端末５２、およびターゲット端末５１の通信相手の基地局などの通信情報を取得する。状態情報とは、位置、速度、向き、および端末の種類（機種）などの端末や物体の状態を表す情報である。状態情報は、カメラやLight Detection And Ranging (LiDAR)等のセンサを用いて取得してもよい。通信情報とは、通信装置内に有する通信部の少なくとも１つが、外部の通信装置と無線で通信する際の品質に関連する指標である。受信電力、ＲＳＳＩ（Ｒｅｃｅｉｖｅｄ　Ｓｉｇｎａｌ　Ｓｔｒｅｎｇｔｈ　Ｉｎｄｉｃａｔｏ）、ＲＳＲＱ（Ｒｅｆｅｒｅｓｎｃｅ　Ｓｉｎｇｎａｌ　Ｒｅｃｅｉｖｅｄ　Ｑｕａｌｉｔｙ）、ＳＮＲ（Ｓｉｇｎａｌ　ｔｏ　ｎｏｉｓｅ　ｒａｔｉｏ）、ＳＩＮＲ（Ｓｉｇｎａｌ　ｔｏ　ｉｎｔｅｒｆｅｒｅｎｃｅ　ｎｏｉｓｅ　ｒａｔｉｏ）、パケットロス率、データレート、アプリケーション品質、およびそれらの増減に関する指標や、それらの２つ以上を線形演算などにより組み合わせた指標など、ＱｏＥ（Ｑｕａｌｉｔｙｂｏｆ　ｅｘｐｅｒｉｅｎｃｅ）に関連する指標を用いることができる。ターゲット端末５１に関する情報を端末情報として取得してもよいし、周辺空間５０内に存在する他端末５２や物体５３の状態に関する情報を周辺空間情報として取得してもよい。
　予測学習部１２は、情報取得部１１で得た情報を学習済みの予測モデルに入力し、ターゲット端末５１の未来の通信情報を予測する。より具体的には、予測モデルは、情報取得部１１で得た情報を入力し、近い将来（例えば数秒後）の通信品質を推論したり、通信品質が所定の閾値（以下、指標閾値と称する）以下になるか否かを判定したり、閾値以上になるか否かを判定したりする分類問題を解く。分類問題を問う場合予測モデルは、通信品質が指標閾値以下となる場合に１に近いスコアを出力し、指標閾値以下とならない場合に０に近いスコアを出力してもよい。指標閾値は、サービス３０で必要とする要件に応じて設定される。
　予測学習部１２は、状態情報、周辺空間情報、および通信情報の少なくともいずれかを予測モデルに入力し、通信情報を予測する。例えば、予測学習部１２は、状態情報として、ターゲット端末５１の位置、向き、速度を予測モデルに入力し、周辺空間情報として、他端末５２や物体５３の位置や速度を予測モデルに入力し、通信情報として過去の通信情報を予測モデルに入力する。
　予測学習部１２は、複数の予測モデルを保持し、周辺空間の状況に応じて使用する予測モデルを使い分けてもよい。
　予測学習部１２は、情報取得部１１で得た情報を学習データとして予測モデルを機械学習してもよい。
　制御部１３は、予測学習部１２の予測結果に基づき、ターゲット端末５１、他端末５２、あるいは物体５３を制御する。例えば、制御部１３は、通信品質が所定の閾値より悪くなる場合に、ターゲット端末５１をハンドオーバーさせて、別の基地局に接続させる。
　要件情報取得部１４は、サービス３０が必要とする要件に関する情報を取得する。例えば、要件情報取得部１４は、サービス３０が必要とするスループットなどを取得する。
　指標値算出部１５は、予測学習部１２の予測結果と実際の通信品質の実測値を用いて、実空間での通信品質のレベルごとの予測モデルの性能を表す指標値を算出する。
　また、指標値算出部１５は、算出した指標値に基づいて、予測モデルの予測精度が高い通信品質のレベルを求めて、サービス３０へ通知したり、要求された通信品質のレベルにおける予測精度が高くなるように予測モデルを選択または学習したり、あるいは、要求された通信品質のレベルにおける予測精度が高くなるように周辺空間を調整したりする。例えば、指標値算出部１５は、算出した指標値が最も大きい通信品質のレベルを、サービス３０の提供に伴う通信品質の要件としてサービス３０へ通知する。指標値算出部１５は、要求された通信品質のレベルでの指標値が最も大きい予測モデルを用いるように、予測学習部１２を制御する。指標値算出部１５は、要求された通信品質のレベルでの指標値が大きくなるように、予測学習部１２に予測モデルを再学習させる。指標値算出部１５は、要求された通信品質のレベルでの指標値が大きくなるように、周辺空間５０内の物体５３の位置を移動させたり、ターゲット端末５１の移動経路、向き、速度を制御したり、基地局の位置を移動したりする。
　図２のフローチャートを参照し、指標値を算出する処理の流れの一例について説明する。
　ステップＳ１１にて、指標値算出部１５は、指標閾値Ｔを設定する。要件情報取得部１４が要件を取得した場合、指標値算出部１５は、その要件に従って指標閾値Ｔを設定する。要件を決定するために指標値を用いる場合、指標値算出部１５は、指標閾値Ｔを段階的に変化させながら設定する。
　ステップＳ１２にて、指標値算出部１５は、予測学習部１２から、通信品質が指標閾値Ｔ以下となるか否かを示す予測結果と実測値を取得する。図３に、通信品質（スループット）の予測値と実測値の一例を示す。図３では、予測値を実線で示し、実測値を破線で示している。さらに、図３では、指標閾値Ｔ=150Mbpsを一点鎖線で図示している。指標値算出部１５は、予測学習部１２から、各時刻の予測結果（指標閾値Ｔ以下となるスコア）と実測値を取得する。
　ステップＳ１３にて、指標値算出部１５は、実測値が指標閾値Ｔ以下であることを「陽性」としたときの、予測値の判定精度を評価するために、Receiver Operating Characteristic (ROC)曲線のArea Under the Curve (AUC)を算出する。図４に、ROC曲線の一例を示す。横軸に偽陽性率をとり、縦軸に真陽性率をとった。AUCはROC曲線の下側の面積である。指標閾値ＴのROC曲線の関数をfROC(T)とすると、AUC(T)は次式で表される。
　AUC(T)は、指標閾値Ｔにおける指標値である。
　ステップＳ１４にて、指標値算出部１５は、別の指標閾値Ｔを設定するか否か判定する。
　別の指標閾値Ｔを設定する場合、指標値算出部１５は、処理をステップＳ１１に戻して、次の指標閾値Ｔを設定して、処理を繰り返す。
　所望の範囲での指標値を算出後、ステップＳ１５にて、指標値算出部１５は、指標値が最大となる最大指標閾値Ｔmaxを求める。指標閾値Ｔを変数ＴxとしたときのAUC(Tx)を表す関数を指標値関数fROC_AUC(Tx)とする。図５に、指標値関数fROC_AUC(Tx)で得られる指標閾値ごとの指標値の一例を示す。図５の例では、指標閾値Ｔが50Mbpsのときに指標値が最大となっているので、指標値算出部１５は、最大指標閾値Ｔmaxを50Mbpsとする。
　なお、本実施形態では、指標値の算出にROC曲線を用いたが、指標値の算出にPrecision-Recall (PR)曲線を用いてもよい。
　［実施例１］
　実施例１では、情報処理装置１０を用いて、サービス利用環境に合ったサービス要件を提案する。
　サービスレベルアグリーメント(SLA)に基づいてスループット条件を確約したサービスを提供する。スループット条件を満たさない場合は事前に検知し、サービス利用端末が接続している基地局を別の基地局に変更して、サービスを維持し続ける。ただし、変更先の基地局は利用コストが高いので、スループット条件を満たしつつ、基地局変更の回数はなるべく減らしたい。
　このスループット条件の決定に、本実施形態の情報処理装置１０を利用する。具体的には、情報処理装置１０で、サービス利用環境における最大指標閾値を求め、最大指標閾値をスループット条件として提案する。以下、具体例を用いて説明する。
　図６に、サービス利用環境の一例を示す。図６のサービス利用環境では、ターゲット端末５１を保持するロボットが図中の矢印に沿って走行する。ターゲット端末５１は、基地局５５との間で、第５世代移動通信システム(5G)の高帯域(28GHz帯)を使ってUDPによる通信を行う。
　情報処理装置１０は、スループットならびにターゲット端末５１の位置と向きを計測し、スループット条件を25Mbpsから275Mbpsまで段階的に変化させながら、指標値を算出し、最大指標閾値を求める。
　図７に、スループット条件を25Mbpsから275Mbpsまで段階的に変化させながら指標値を算出した結果の一例を示す。同図に示すように、スループット条件が100Mbpsのときの指標値が最大である。したがって、情報処理装置１０はスループット条件を100Mbspとすることを提案する。
　なお、スループット条件を100Mbpsとしたとき、想定外にスループットが落ちる頻度（偽陰性率）は0.84%であった。必要ない基地局切り替えをしてしまう頻度（偽陽性率）は11.5%であった。全体のエラー率は12.34%であった。
　一方、スループット条件を、100Mbpsより指標値が小さい、150Mbpsとしたとき、想定外にスループットが落ちる頻度（偽陰性率）は3.03%であった。必要ない基地局切り替えをしてしまう頻度（偽陽性率）は9.73%であった。全体のエラー率は12.76%であった。
　図８に、別のサービス利用環境の一例を示す。図８のサービス利用環境では、ターゲット端末５１を保持するロボットが図中の矢印に沿って走行し、他端末５２を保持する別のロボットが図中の矢印に沿って走行する。ターゲット端末５１は、基地局５５との間で、第５世代移動通信システム(5G)の高帯域(28GHz帯)を使ってUDPによる通信を行う。
　情報処理装置１０は、スループットならびにターゲット端末５１と他端末５２の位置と向きを計測し、スループット条件を25Mbpsから300Mbpsまで段階的に変化させながら、指標値を算出し、最大指標閾値を求める。
　図９に、スループット条件を25Mbpsから300Mbpsまで段階的に変化させながら指標値を算出した結果の一例を示す。同図に示すように、スループット条件が50Mbpsのときの指標値が最大である。したがって、最大指標閾値は50Mbpsであり、情報処理装置１０はスループット条件を50Mbspとすることを提案する。
　なお、スループット条件を50Mbpsとしたとき、想定外にスループットが落ちる頻度（偽陰性率）は0.07%であった。必要ない基地局切り替えをしてしまう頻度（偽陽性率）は17.5%であった。全体のエラー率は17.57%であった。
　一方、スループット条件を、50Mbpsより指標値が小さい、25Mbpsとしたとき、想定外にスループットが落ちる頻度（偽陰性率）は0.001%であった。必要ない基地局切り替えをしてしまう頻度（偽陽性率）は33.75%であった。全体のエラー率は33.751%であった。
　このように、指標値を用いて、予測モデルを用いた際の、サービス利用環境に適した条件を提示することができる。
　［実施例２］
　実施例２では、情報処理装置１０を用いて、サービス提供者が必要とする要件をみたす予測モデルを選択する。
　スループット100Mbpsが必要な映像配信サービスを提供する。スループットを予測し、要件が満たされないときを１秒前に検知し、スループットが100Mbps以下になる前にデータレートを下げる。また、想定外のスループット低下は1.5%以内に抑えたい。
　スループットの予測に、本実施形態の情報処理装置１０を利用する。情報処理装置１０は、複数の学習済み予測モデルを保持する。具体的には、情報処理装置１０は、予測モデルのそれぞれについて、指標閾値を100Mbpsとして指標値を求め、指標値が最も高い予測モデルをスループットの予測に用いる。以下、具体例を用いて説明する。
　サービス利用環境には、ターゲット端末５１を持つロボットＡと周囲を移動するロボットＢが存在する。
　情報処理装置１０は、ロボットＡ，Ｂの位置情報と過去のスループットを使って１秒後のスループットを予測する予測モデル(AB_fromABT)と、ロボットＡの位置情報と過去のスループットを使って１秒後のスループットを予測する予測モデル(AB_fromAT)を保持する。
　情報処理装置１０は、スループットならびにロボットＡ，Ｂの位置を計測し、２つの予測モデル(AB_fromABT, AB_fromAB)のそれぞれについて、指標閾値を100Mbpsとして指標値を算出する。
　図１０に、２つの予測モデル(AB_fromABT, AB_fromAB)のそれぞれで、指標値を算出した結果の一例を示す。同図では、100Mbps以外の指標閾値の指標値も示している。
　ロボットＡ，Ｂの位置情報と過去のスループットを使う予測モデル(AB_fromABT)は、指標閾値を100Mbpsとしたときの指標値は0.903であった。このとき、想定外にスループットが落ちる頻度（偽陰性率）は1.60%であった。
　ロボットＡの位置情報と過去のスループットを使う予測モデル(AB_fromAT)は、指標閾値を100Mbpsとしたときの指標値は0.920であった。このとき、想定外にスループットが落ちる頻度（偽陰性率）は1.48%であった。
　情報処理装置１０は、指標閾値を100Mbpsとしたときの指標値が大きい予測モデル(AB_fromAT)を選択して使用する。予測モデル(AB_fromAT)は、想定外にスループットが落ちる頻度の要求条件も満たしている。
　また、情報処理装置１０は、指標値が大きくなるように、予測モデルを再学習してもよい。
　このように、指標値を用いて、サービス利用環境に適した予測モデルを選択することができる。情報処理装置１０が、予測結果に基づき、周辺空間５０のターゲット端末５１、他端末５２、あるいは物体５３を制御している動作中に、指標値算出部１５が指標値を算出して予測モデルを選択することで、動的に変化する環境に追従した予測が可能となる。
　［実施例３］
　実施例３では、情報処理装置１０が算出する指標値が大きくなるように、周辺空間５０を制御する。
　情報処理装置１０は、サービス３０の要求条件を指標閾値として指標値を算出する。
　指標値が大きくなるように、周辺空間５０内に存在する物体５３の位置を変更したり、ターゲット端末５１の移動経路、速度、あるいは向きを変更したり、基地局の位置を移動したりする。
　情報処理装置１０は、最大指標閾値を算出し、最大指標閾値が大きくなるように周辺空間５０を制御してもよい。
　このように、指標値を用いて、予測モデルの精度が良くなるように、サービス利用環境を構成できる。
　以上説明したように、本実施形態の情報処理装置１０は、ターゲット端末５１の状態に関する状態情報、ターゲット端末５１の通信品質、およびターゲット端末５１の周辺空間５０に関する周辺空間情報を取得する情報取得部１１と、状態情報、通信品質、および周辺空間情報の少なくともいずれかを予測モデルに入力し、ターゲット端末５１の通信品質が閾値以下となるか否かを予測する予測学習部１２と、通信品質のレベルごとに、前記予測モデルの予測結果と実際の通信品質を用いて真陽性率と偽陽性率を軸としたＲＯＣ曲線の下の領域の面積を算出し、算出した面積を通信品質のレベルにおける指標値とする指標値算出部１５は、を備える。これにより、実空間における所望の通信品質のレベルでの予測モデルの評価を数値化できるので、要件としての通信品質のレベルの選択、使用する予測モデルの選択、および実空間の構成の改善を行うことができる。
　上記説明した情報処理装置１０には、例えば、図１１に示すような、中央演算処理装置（ＣＰＵ）９０１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とを備える汎用的なコンピュータシステムを用いることができる。このコンピュータシステムにおいて、ＣＰＵ９０１がメモリ９０２上にロードされた所定のプログラムを実行することにより、情報処理装置１０が実現される。このプログラムは磁気ディスク、光ディスク、半導体メモリなどの、コンピュータが読み取り可能な非一時的な記録媒体に記録することも、ネットワークを介して配信することもできる。
　１０　情報処理装置
　１１　情報取得部
　１２　予測学習部
　１３　制御部
　１４　要件情報取得部
　１５　指標値算出部

Claims (4)

  1. 　コンピュータが、
    　無線通信端末の状態に関する状態情報、前記無線通信端末の通信品質、および前記無線通信端末の周辺空間に関する周辺空間情報を取得し、
    　前記状態情報、前記通信品質、および前記周辺空間情報の少なくともいずれかを予測モデルに入力し、前記無線通信端末の通信品質について所定のレベルを境界とした分類問題を解き、
    　通信品質のレベルごとに、当該通信品質のレベルにおける前記予測モデルの予測結果と通信品質の実測値を用いて分類問題の評価指標を算出して前記通信品質のレベルにおける指標値とする、
    　情報処理方法。
  2. 　請求項１に記載の情報処理方法であって、
    　複数の予測モデルのいずれかを選択して前記無線通信端末の通信品質を予測するものであり、
    　前記複数の予測モデルのそれぞれについて前記指標値を算出し、所望の通信品質のレベルの前記指標値の最も良い予測モデルを選択する、
    　情報処理方法。
  3. 　請求項１に記載の情報処理方法であって、
    　所望の通信品質のレベルの前記指標値が良くなるように、前記無線通信端末および前記無線通信端末の周辺空間を制御する、
    　情報処理方法。
  4. 　無線通信端末の状態に関する状態情報、前記無線通信端末の通信品質、および前記無線通信端末の周辺空間に関する周辺空間情報を取得する取得部と、
    　前記状態情報、前記通信品質、および前記周辺空間情報の少なくともいずれかを予測モデルに入力し、前記無線通信端末の通信品質について所定のレベルを境界とした分類問題を解く予測部と、
    　通信品質のレベルごとに、当該通信品質のレベルにおける前記予測モデルの予測結果と通信品質の実測値を用いて分類問題の評価指標を算出して前記通信品質のレベルにおける指標値とする算出部と、を備える、
    　情報処理装置。
PCT/JP2024/020282 2024-06-04 2024-06-04 情報処理方法および情報処理装置 Pending WO2025253469A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2024/020282 WO2025253469A1 (ja) 2024-06-04 2024-06-04 情報処理方法および情報処理装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2024/020282 WO2025253469A1 (ja) 2024-06-04 2024-06-04 情報処理方法および情報処理装置

Publications (1)

Publication Number Publication Date
WO2025253469A1 true WO2025253469A1 (ja) 2025-12-11

Family

ID=97960925

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2024/020282 Pending WO2025253469A1 (ja) 2024-06-04 2024-06-04 情報処理方法および情報処理装置

Country Status (1)

Country Link
WO (1) WO2025253469A1 (ja)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7351397B2 (ja) * 2020-02-25 2023-09-27 日本電信電話株式会社 通信品質を予測するシステム、装置、方法及びプログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7351397B2 (ja) * 2020-02-25 2023-09-27 日本電信電話株式会社 通信品質を予測するシステム、装置、方法及びプログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NAGATA HISASHI, KUDO RIICHI, TAKAHASHI KAHOKO, FUJITA TAKAFUMI, TAKASUGI KOICHI, AOKI YUYA, HORISE YUKI, MORIHIRO YOSHIFUMI: "5G Throughput Prediction For 28 GHz Channels Using Physical Space Information", 2024 IEEE WIRELESS COMMUNICATIONS AND NETWORKING CONFERENCE (WCNC), IEEE, 21 April 2024 (2024-04-21) - 2024-04-24, pages 1 - 6, XP093380444, DOI: 10.1109/wcnc57260.2024.10571119 *
工藤 理一, 深層学習による自律走行ロボットの無線通信品質予測, 電子情報通信学会技術研究報告, vol. 120, no. 321 [online], 14 January 2021, [retrieved on 10 July 2024], Internet: <URL: https://www.ieice.org/ken/user/index.php?cmd=download&p=OemM&t=IEICE-SIP&l=27cddaa22f06636bf1edf747ac4c5d5b59ff1f14cbed355cb77cc11955715f6d&lang=> (KUDO, Riichi, Deep Learning based Link Quality Prediction for Autonomous Mobility Robots, IEICE Technical Report) *

Similar Documents

Publication Publication Date Title
CN113661727B (zh) 用于无线网络的无线电接入网(ran)节点的神经网络的配置
KR102875999B1 (ko) 빔 관리 방법, 장치, 전자 장치 및 컴퓨터 판독 가능 저장 매체
US11985527B2 (en) Systems and methods for autonomous network management using deep reinforcement learning
JP7751107B2 (ja) 較正方法及び装置
CN102427595B (zh) 用于异构融合无线网络的自适应优化切换控制方法和装置
CN115395995A (zh) 波束确定方法、装置、电子设备及计算机可读存储介质
Chang et al. Decentralized deep reinforcement learning meets mobility load balancing
WO2024094038A1 (zh) 切换或更新ai模型的方法以及通信装置
US11785525B2 (en) Path selection for integrated access and backhaul
US12574835B2 (en) Predictive data rates for wireless roaming and selection
CN114258704A (zh) 确定设备、确定方法和确定程序
WO2024094157A1 (zh) Ai模型更新方法及通信装置
US20240356816A1 (en) Prediction of qos of communication service
Prado et al. Mobility management for computation-intensive tasks in cellular networks with SD-RAN
EP4728778A1 (en) Apparatuses and methods for machine learning prediction window parameters management
WO2024256075A1 (en) Training of a machine learning model based on ue measurements made before and after a change of primary radio access node
Arif et al. Adaptive Strategies and Handover Optimization in 5G Networks to Address High Mobility Challenges
US12556947B2 (en) Reward simulation for reinforcement learning for wireless network
Yan et al. TARMM: Scaling Delay-Critical Edge AI Offloading in 5G O-RAN via Temporal Graph Mobility Management
Narmeen et al. Deep Reinforcement Learning-based Prediction of User Speed for Handover Optimization
WO2025079995A1 (en) Method and electronic device for managing traffic on a communication channel for user equipment
US12174308B2 (en) Increasing wireless network performance using contextual fingerprinting
Na et al. Prediction-Based Proactive Handover for Reliable Connectivity in mmWave and Terahertz Vehicular Networks
Ibrahim et al. A Developed Beyond 5G Massive Radio Access Networks Based On Artificial Intelligence Techniques
Mehregan GNN-based Handover Management in 5G Vehicular Networks

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: 24942561

Country of ref document: EP

Kind code of ref document: A1