JP2008187612A - トラヒック分析モデルの構築方法、装置および構築プログラムならびにその記憶媒体 - Google Patents

Abstract

【課題】ネットワークに収容済の既存ユーザの属性情報および実績トラヒックに基づいて、任意のユーザのトラヒック特性を、そのユーザ属性およびカレンダ属性から分析するトラヒック分析モデルの構築方法および装置を提供する。
【解決手段】トラヒック特性分析部１０３は、通常負荷に分類された単位期間のトラヒック特性を分析する。トラヒック分析教師データ生成部１０４は、トラヒック量が通常負荷に分類された各単位期間に関して、そのユーザ属性、カレンダ属性およびトラヒック特性のカテゴリ分類結果の対応関係をトラヒック分析用の教師データとして登録する。トラヒック分析モデル構築部１０６は、教師データに基づいて、任意のユーザの任意のカレンダ属性に対応した複数のトラヒック特性を各ユーザのユーザ属性およびカレンダ属性から分析するトラヒック分析モデルを構築する。
【選択図】図２

Description

本発明は、ネットワークに収容済の既存ユーザの属性情報および実績トラヒックに基づいて、任意のユーザのトラヒック特性を、その属性情報に基づいて分析するトラヒック分析モデルの構築方法、装置および構築プログラムならびにその記憶媒体に関する。

既設のネットワークに新規ユーザを収容するための収容設計、あるいは新規にネットワークを構築する際の設備設計では、ネットワークに新規に収容するユーザのトラヒック特性を正確に分析することが必要不可欠となる。

非特許文献１には、各既存ユーザの日次トラヒック変動（解像度：３０分）を、クラスタリング分析技術により、その変動の特徴に応じて分類（カテゴリ化）する技術が開示されている。

非特許文献２には、上記した文献１の分類手法で得られたカテゴリと個々のトラヒック変動との対応関係を教師データとして、トラヒック変動データから、同トラヒックが属するカテゴリを予測する技術が開示されている。

非特許文献３では、ダイヤルアップユーザおよびADSL回線ユーザのトラヒック特性を、アクセス回線の違いに着目して分析し、アクセス回線速度に殆ど影響を受けない特性（TCPセッション継続時間、TCPコネクションレートなど）と、影響を受ける特性（転送トラヒック量）とがあることが明らかにされている。

特許文献１には、日毎に測定される通信トラヒックの統計量の時系列データと、月情報、曜日情報を含む通信トラヒック測定日の暦上の属性を示すカレンダー情報をニューラルネットワークの入力とし、日毎に測定される通信トラヒックのｋ日先までの通信トラヒックを予測する技術が開示されている。
M.R. de Oliveira et al, "Cluster Analysis of Internet Users Based on Hourly Traffic Utilization," In Proc. of the First International Working Conference on Performance Modeling and Evaluation of Heterogenious Networks (HET-NETs'03), July 2003. A. Nogueira et al, "Using Neural Networks to Classify Internet Users," in Proc. of Advanced Industrial Conference on Telecommunications/Service Assurance with Partial and Intermittent Resources Conference/E-Learning on Telecommunicatrions Workshop (AICT/SAPIR/ELETE 2005), 2005. N.Vicari et al, "The Dependence of Internet User Traffic Characteristics on Access Speed," in Proc. of the 25th Local Computer Networks (LCN) Conference, pp.670-677, Tampa, FL, USA, Nov.2000. 特開２００４−２３１１４号公報

上記した各文献に開示されている技術は、いずれもユーザのトラヒック特性を、その実績データに基づいて分類あるいは予測する技術であるが、ネットワークに新たに収容する新規ユーザのように、実績トラヒックが全く未知のユーザのトラヒック特性を予測することはできなかった。

本発明の目的は、上記した従来技術の課題を解決し、ネットワークに収容済の既存ユーザの属性情報およびその実績トラヒックに基づいて、任意のユーザのトラヒック特性を、そのユーザ属性に基づいて分析するトラヒック分析モデルの構築方法、装置および構築プログラムならびにその記憶媒体を提供することにある。

本発明の発明者等の調査によれば、各ユーザのトラヒック特性は、その契約条件（契約速度、契約サービス種別、契約地域など）、性別、年齢などの各ユーザに固有の属性情報（以下、ユーザ属性と表現する）に依存し、ユーザ属性が異なれば、そのトラヒック特性も大きく異なる一方、ユーザ属性が類似していれば、そのトラヒック特性も類似している場合が多い。

図１０，１１，１２は、ユーザ属性とトラヒック負荷との関係を示した図であり、ここでは、トラヒック量の少ない低負荷ユーザと、それ以外の非低負荷ユーザとの割合をユーザ属性ごとに示している。

図１０は、低負荷ユーザと非低負荷ユーザとの割合を契約速度ごとに求めた結果を示した図である。図１１は、低負荷ユーザと非低負荷ユーザとの割合を各ユーザの契約地域ごとに求めた図である。図１２は、低負荷ユーザと非低負荷ユーザとの割合を契約サービス種別ごとに求めた図である。

いずれの図でも、実績トラヒックの特徴（トラヒック負荷）とユーザ属性との間に有意な関係が存在していることが判る。したがって、既存ユーザのユーザ属性と実績トラヒックとの対応関係を求め、この対応関係に任意のユーザのユーザ属性を適用すれば、任意のユーザのトラヒック特性を高い確度で分析できることが判る。

同様に、図１３は、ユーザ属性の一つである契約サービス種別と、トラヒック特性の一つであって、トラヒック変動の特性を表す多次元ベクトルとの関係を示した図であり、ここでは、多次元ベクトルをトラヒックが昼間に集中する「昼型」および夜間に集中する「夜型」にカテゴリ化している。同図によれば、トラヒック特性が「昼型」および「夜型」のいずれであるかが、契約サービス種別に依存していることが示されている。

さらに、図１４は、後述するカレンダ属性の一つである曜日と、トラヒック変動の特性を表す多次元ベクトルとの関係を示した図であり、トラヒック特性が昼間に集中する「昼型」および夜間に集中する「夜型」のいずれであるかが、カレンダ属性に依存していることが示されている。

本発明は、上記した知見に基づいてなされたものであり、ネットワークに収容済の既存ユーザのユーザ属性および実績トラヒックに基づいて、任意のユーザのトラヒック特性を、その属性情報に基づいて分析するトラヒック分析モデルの構築装置において、既存ユーザの実績トラヒックを記憶する手段と、既存ユーザのユーザ属性を記憶する手段と、既存ユーザの実績トラヒックから、所定のカレンダ属性で特定される単位期間ごとに、複数のトラヒック特性を分析するトラヒック分析手段と、各単位期間のユーザ属性、カレンダ属性および各トラヒック特性の対応関係を収集してトラヒック分析用の教師データを生成する教師データ生成手段と、トラヒック特性をユーザ属性およびカレンダ属性に基づいて単位期間ごとに分析するトラヒック分析モデルを、前記トラヒック分析用の教師データに基づいて構築するトラヒック分析モデル構築手段とを含むことを特徴とする。

本発明によれば、以下のような効果が達成される。
(1)既存ユーザのユーザ属性および実績トラヒックに基づいて、カレンダ属性で特定される単位期間ごとに、ユーザ属性、カレンダ属性およびトラヒック特性の対応関係が求められ、この対応関係を教師データとしてトラヒック分析モデルが構築される。したがって、任意のユーザに関して、そのユーザ属性と共に、トラヒック特性を分析したい単位期間をカレンダ属性として指定すれば、当該ユーザの所望のカレンダ属性に対応したトラヒック特性を分析できるようになる。
(2)ユーザ属性、カレンダ属性およびトラヒック特性の対応関係を教師データとして用いて分析モデルを構築したので、既存ユーザの情報が存在しないようなユーザ属性・カレンダ属性の組み合わせに対応したトラヒック特性も分析できるようになる。

以下、図面を参照して本発明の最良の実施の形態について詳細に説明する。図１は、本発明に係るトラヒック分析システムを用いて予測された予測結果が適用されるネットワークの一例を示した図であり、コアネットワークにNC（ネットワークセンタ）を介して複数のGC局（市内交換局）がリング型ネットワーク（GCリング）でつながれ、各GC局にはスイッチ／ルータ(S/R)を介して多数のユーザ端末が接続される。

図２は、本発明に係るトラヒック分析システムの主要部の構成を示したブロック図であり、ここでは、本発明の説明に不用な構成は図示が省略されている。

トラヒック分析モデル構築部１は、ネットワークに収容済みの既存ユーザのユーザ属性と、この既存ユーザの実績トラヒックを所定のカレンダ属性で特定される単位期間ごとに分析して得られるトラヒック特性との対応関係に基づいて、任意のユーザの任意のカレンダ属性に対応したトラヒック特性を、そのユーザ属性およびカレンダ属性のみから予測するトラヒック分析モデルを構築する。

例えば、前記カレンダ属性として「月内通日」が指定されれば、既存ユーザごとに、「１日」のトラヒック特性、「２日」のトラヒック特性…「３１日」のトラヒック特性がそれぞれ求められ、各トラヒック特性が当該既存ユーザのユーザ属性と対応付けられる。前記トラヒック特性としては、１日（２４時間）のトラヒック平均値やトラヒック標準偏差などが求められる。

同様に、前記カレンダ属性として「年内通月」が指定されれば、既存ユーザごとに、「１月」のトラヒック特性、「２月」のトラヒック特性…「１２月」のトラヒック特性がそれぞれ求められ、各トラヒック特性が当該既存ユーザのユーザ属性と対応付けられる。前記トラヒック特性としては、１ヶ月のトラヒック平均値やトラヒック標準偏差などが求められる。

同様に、前記カレンダ属性として「日内通時間」が指定されれば、既存ユーザごとに、「０時台」のトラヒック特性、「１時台」のトラヒック特性…「２３時台」のトラヒック特性がそれぞれ求められ、各トラヒック特性が当該既存ユーザのユーザ属性と対応付けられる。前記トラヒック特性としては、１時間のトラヒック平均値やトラヒック標準偏差などが求められる。

なお、カレンダ属性もユーザ属性と同様に同時の複数の指定が可能であり、例えば、「月内通日」と「曜日」との組み合わせであれば、「３日の月曜日」、「２５日の金曜日」といった指定も可能である。また、「月内通週」と「年内通月」との組み合わせであれば、「１月の第２週」、「３月の第１週」といった指定も可能である。

トラヒック予測部２は、前記トラヒック分析モデル構築部１で構築されたトラヒック分析モデルを用いて、新規ユーザの前記カレンダ属性で特定される単位期間のトラヒック特性を、そのユーザ属性のみから予測する。例えば、ユーザ属性と共にカレンダ属性として「２５日」が入力されれば、このユーザ属性に対応した新規ユーザの「２５日」のトラヒック特性が予測される。

同様に、ユーザ属性と共にカレンダ属性として「２５日」と「月曜日」とが入力されれば、このユーザ属性に対応した新規ユーザの「２５日の月曜日」のトラヒック特性が予測される。

このとき、本実施形態では「２５日の月曜日」のトラヒック特性を分析する場合でも、「２５日」と「月曜日」との組み合わせに対応した既存ユーザの情報が登録されている必要はなく、この組み合わせに対応した既存ユーザの情報が未登録であっても、他の通日および曜日の情報に基づいて分析できる。

前記トラヒック分析モデル構築部１において、既存ユーザデータベース(DB)１０１は、多数の既存ユーザのユーザ属性を記憶するユーザ属性記憶部１０１ａと、別途に計測された各既存ユーザの実績トラヒックを記憶する実績トラヒック記憶部１０１ｂとを含み、この既存ユーザDB１０１上では、既存ユーザごとに、そのユーザ属性と実績トラヒックとが相互に対応付けられている。図３は、既存ユーザDB１の構成を模式的に示した図であり、各ユーザ（ポート番号）を一意に識別するユーザIDごとに、ユーザ属性と実績トラヒックとが対応付けられている。

本実施形態では、ユーザ属性として契約速度、契約サービス種別、契約地域などの契約条件、およびユーザの性別、年齢を含む各種の情報が登録されている。実績トラヒックは、例えば前記スイッチ／ルータにおいて各既存ユーザのアクセス回線を収容しているポート上の上り下りの各トラヒックを所定の期間（例えば、１ヶ月）にわたって周期的（例えば、１時間ごと）にタップして得られた時系列の計測データである。

図２へ戻り、負荷分析部１０２は、各既存ユーザの実績トラヒックを所定のカレンダ属性で特定される単位期間ごとに分析し、負荷特性が特異的なトラヒックを識別する。本実施形態では、各単位期間のトラヒックを、トラヒックがほとんど流れない「低負荷」、データのバックアップなどを目的としてトラヒックが一時的に発生する「一時負荷」、および上記以外の「通常負荷」のいずれかに分類する。

トラヒック特性分析部１０３は、通常負荷に分類された単位期間のトラヒック特性を分析する。本実施形態では、トラヒック特性分析部１０３がカテゴリ分類部１０３ａを含み、通常負荷のトラヒック特性が、平均値の観点からは「小」、「中」、「大」の３つのカテゴリに分類され、標準偏差の観点からは「小」、「中」、「大」の３つのカテゴリに分類される。

さらに、本実施形態では、例えば１時間ごとのトラヒック量で構成される多次元（本実施形態では、２４次元）ベクトルもトラヒック特性の一つとして採用し、この多次元ベクトルが複数のカテゴリに分類される。

例えば、この多次元ベクトルが２４時間のトラヒック特性を示しているのであれば、トラヒックが昼または夜のいずれに集中しているか、すなわち、昼の時刻に対応するベクトル成分が他の成分に比して大きいか（昼型）、夜の時刻に対応するベクトル成分が他の成分に比して大きいか（夜型）に応じて「昼型」、「夜型」の２つのカテゴリに分類される。

例えば、図４に示したように、トラヒック量が相対的に少なく、トラヒック量の変動が小さく、夜間のトラヒック量が昼間のトラヒック量よりも多い通常負荷のトラヒックは、平均値が「小」、標準偏差が「小」、形状が「夜間」の各カテゴリに分類される。また、図５に示したように、トラヒック量が相対的に多く、トラヒック量の変動が大きく、昼間のトラヒック量が夜間のトラヒック量よりも多い通常負荷のトラヒックは、平均値が「大」、標準偏差が「大」、形状が「昼間」の各カテゴリに分類される。

図２へ戻り、トラヒック分析教師データ生成部１０４は、トラヒック量が通常負荷に分類された各単位期間に関して、そのユーザ属性、カレンダ属性およびトラヒック特性のカテゴリ分類結果の対応関係を、トラヒック分析用の教師データとして教師データテーブル１０４ａに登録する。

図６は、前記教師データテーブル１０４ａの一例を模式的に表現した図であり、ユーザ属性、カレンダ属性および各トラヒック特性のカテゴリ分類結果の対応関係が登録されている。

トラヒック分析モデル構築部１０６は、前記トラヒック分析教師データテーブル１０４ａに登録されている教師データに基づいて、任意のユーザの任意のカレンダ属性に対応した複数のトラヒック特性を、ユーザ属性およびカレンダ属性から分析するトラヒック分析モデルを構築する。

本実施形態では、トラヒック特性の各項目（平均、標準偏差、多次元ベクトル）のカテゴリ分類結果を目的変数とし、既存ユーザのユーザ属性（契約速度、契約地域、契約サービス種別等）ならびにカレンダ属性を説明変数として、各ユーザのトラヒック特性を、前記３つの項目ごとにいずれかのカテゴリに分類するモデルの構築を考える。

本実施形態では、前記トラヒック分析教師データテーブル１０４ａに登録されている教師データを、Neural network、Naive Bayes、Decision Tree、Support Vector Machine等の適宜の分析手法に用して、ユーザ属性およびカレンダ属性からトラヒック特性を分析するトラヒック分析モデルを構築する。

なお、上記した各分析手法への適用に際して、定量的に求められるトラヒックの平均値や標準偏差等に関しては、カテゴリ分類結果ではなく平均値や標準偏差の数値そのものが用いられるようにしても良い。

ここで、Neural Networkを適用して分析モデルを構築するのであれば、教師データと出力との誤差を最小化するようにNetworkのパラメータ（結合荷重）が最適化される。他の分析手法を適用する場合も同様に、教師データと出力との誤差が最小化されるようにパラメータが最適化される。

負荷判別教師データ生成部１０５は、トラヒック量が低負荷または通常負荷に分類された各単位期間に関して、そのユーザ属性、カレンダ属性および負荷特性（低負荷または通常負荷）の対応関係を、低負荷判別用の教師データとして教師データテーブル１０５ａに登録する。

図７は、前記教師データテーブル１０５ａの一例を模式的に表現した図であり、ユーザ属性、カレンダ属性および負荷特性（低負荷または通常負荷）の対応関係が登録されている。

低負荷判別モデル構築部１０７は、低負荷判別用の教師データテーブル１０５ａに登録されている教師データを、Neural network、Naive Bayes、Decision Tree、Support Vector Machine等の適宜の分析手法に用して、任意のユーザのユーザ属性およびカレンダ属性から、当該ユーザの当該カレンダ属性で特性される単位期間が低負荷であるか否かを判別する低負荷判別モデルを構築する。

図２へ戻り、トラヒック予測部２において、低負荷ポート予測部２０１は、前記低負荷判別モデル構築部１０７で構築された低負荷判別モデルに、新規ユーザのユーザ属性およびカレンダ属性を適用して、当該新規ユーザの前記カレンダ属性で特定される単位期間のトラヒックが低負荷であるか否かを判別する。判別結果は記憶部２０３に一次記憶された後に出力される。

トラヒック特性予測部２０２は、前記低負荷ポート予測部２０１において低負荷以外と判別された通常負荷の単位期間のみを対象として、前記トラヒック分析モデル構築部１０６で構築されたトラヒック分析モデルに、新規ユーザのユーザ属性およびカレンダ属性を適用して、当該新規ユーザの前記カレンダ属性で特定される単位期間のトラヒック特性を予測する。予測結果は記憶部２０３に一次記憶された後に出力される。

次いで、図８のフローチャートを参照して、前記トラヒック分析モデル構築部１の動作を詳細に説明する。

ステップＳ１では、既存ユーザDB１０１から既存ユーザの一人が今回の注目ユーザとして選択され、当該注目ユーザのユーザ属性およびその実績トラヒックが負荷分析部１０２に取り込まれる。ステップＳ２では、前記負荷分析部１０２において、実績トラヒックがカレンダ属性で特定される単位期間ごとに抽出される。本実施形態では、実績トラヒックが通日および曜日をカレンダ属性として分析されるので、実績トラヒックが２４時間分ずつ抽出される。

ステップＳ３では、抽出された２４時間分の実績トラヒックが分析され、そのトラヒック量の平均値が求められる。ステップＳ４では、トラヒック量の平均値が所定の基準値と比較され、この比較結果に基づいて、今回の単位期間のトラヒックが低負荷であるか否かが判定される。

本実施形態では、ロジック判定が「平均トラヒック量が１Mbps以下」に設定されており、２４時間の平均トラヒック量が１Mbps以下であれば、今回の単位期間が低負荷に分類されてステップＳ５へ進む。ステップＳ５では、前記負荷判別教師データ生成部１０５において、今回の単位期間に関して、そのユーザ属性、カレンダ属性および負荷特性（低負荷）が、低負荷判別用の教師データとして負荷判別教師データテーブル１０５ａに登録される。カレンダ属性としては、今回の単位期間が[１日の月曜]であれば、通日として「１日」、曜日として「月曜日」が、カレンダ属性として登録される。

ステップＳ１１では、今回の注目ユーザに関して、全ての単位期間の分析が完了したか否かが判定され、未だ完了していなければステップＳ２へ戻り、次の単位期間として翌日の２４時間分の実績トラヒックが抽出され、前記と同様にして分析が実行される。

今回の単位期間に関して、前記ステップＳ４で「低負荷」と判定されなければステップＳ６へ進み、前記負荷分析部１０２において、今回の単位期間が、そのトラヒックがバースト的な「一時負荷」であるか否かが判定される。「一時負荷」と判定されれば、ステップＳ１０へ進んで今回の単位期間に関する情報が破棄される。

これに対して、「一時負荷」でなければ「通常負荷」に分類されてステップＳ７へ進み、今回の単位期間に関して、そのユーザ属性、カレンダ属性および負荷特性（通常負荷）が、負荷判別用の教師データとして負荷判別教師データテーブル１０５ａに登録される。すなわち、本実施形態では負荷特性が低負荷である単位期間の対応関係も、負荷特性が通常負荷である単位期間の対応関係も、負荷判別用の教師データとして登録される。

ステップＳ８では、前記トラヒック特性分析部１０３において、今回の単位期間のトラヒック特性が分析され、そのカテゴリ分類部１０３ａにおいて、トラヒックの「平均値」、「標準偏差」および「多次元ベクトル」がカテゴリ化される。

ステップＳ９では、前記トラヒック分析用の教師データ生成部１０４において、今回の単位期間に関して、そのユーザ属性、カレンダ属性およびトラヒック特性のカテゴリ分類結果が、トラヒック分析教師データテーブル１０４ａに登録される。すなわち、本実施形態では負荷特性が通常負荷である単位期間の対応関係のみが、トラヒック分析用の教師データとしてトラヒック分析教師データテーブル１０４ａに登録される。

以上のようにして、今回の注目ユーザに関して、その実績トラヒックの分析が進み、ステップＳ１１において、全ての単位期間に関して分析および教師データ登録が完了したと判定されるとステップＳ１２へ進む。ステップＳ１２では、既存ユーザの実績トラヒックが残っているか否かが判定される。実績トラヒックが残っていればステップＳ１へ戻り、注目ユーザを次の既存ユーザに切り換えて上記した各処理が繰り返される。

全ての既存ユーザ、あるいは予定数の既存ユーザに関して、その実績トラヒックの分析および教師データの登録が完了するとステップＳ１３へ進む。ステップＳ１３では、前記トラヒック分析モデル構築部１０６において、前記トラヒック分析教師データテーブル１０４ａに登録されている教師データが、Neural network等のアルゴリズムに適用され、前記教師データとアルゴリズム出力との誤差が最小となるように各種のパラメータを最適化することによりトラヒック分析モデルが構築される。

ステップＳ１４では、前記低負荷判別モデル構築部１０７において、前記負荷判別教師データテーブル１０５ａに登録されている教師データが、Neural network等のアルゴリズムに適用され、前記教師データとアルゴリズム出力との誤差が最小となるように各種のパラメータを最適化することにより負荷判別モデルが構築される。

図９は、前記トラヒック予測部２による予測動作を示したフローチャートであり、前記低負荷ポート予測部２０１には前記低負荷分析モデルが登録されており、前記トラヒック特性予測部２０２には前記トラヒック分析モデルが登録されている。ここでは、トラヒック特性予測部２０２の動作に着目して説明する。

ステップＳ２１では、新規ユーザのユーザ属性として、その契約条件（契約速度や契約サービス種別）、性別、年齢などが取り込まれ、さらに、トラヒック特性の予測期間を特定するカレンダ属性として、本実施形態では通日および曜日が取り込まれる。すなわち、「３日の月曜日」のトラヒック特性を予測したければ、月内通日として「３日」および曜日として「月曜日」が指定される。同様に、「２０日の日曜日」のトラヒック特性を予測したければ、月内通日として「２０日」および曜日として「日曜日」が指定される。

なお、ここで指定できるカレンダ属性は、前記教師データ（すなわち、既存ユーザの対応関係）として登録されているカレンダ属性の組み合わせに限定されるものではなく、例えば、教師データとして月内通日の「２０日」と曜日の「日曜日」との組み合わせに係る対応関係が未登録であっても、他の対応関係に基づいて「２０日の日曜日」のトラヒック特性を予測できる。

同様に、新規ユーザのユーザ属性に関しても、その組み合わせが教師データとして登録されているユーザ属性の組み合わせと一致している必要はなく、例えば、新規ユーザのユーザ属性が、「契約速度が１０Mbps」、「サービス種別がA」，「契約地域が２」…であり、このような対応関係が教師データとして未登録であっても、他の対応関係に基づいてトラヒック特性を予測できる。

さらには、新規ユーザの各ユーザ属性および各カレンダ属性の組み合わせが教師データとして未登録であっても、他の組み合わせに基づいてトラヒック特性を予測できる。

ステップＳ２２では、このユーザ属性およびカレンダ属性がトラヒック特性予測モデルに適用され、カレンダ属性で指定された単位期間のトラヒックの平均値、標準偏差および多次元ベクトルが、新規ユーザの当該期間のトラヒック特性として予測される。ステップＳ２３では、前記予測結果が出力される。

前記平均値、標準偏差および多次元ベクトルの予測結果は分析モデルの構築に利用したトラヒック特性の分類方式に依存するので、既存ユーザのトラヒック特性として、平均値が「小」、「中」、「大」にカテゴリ化され、標準偏差が「小」、「中」、「大」にカテゴリ化され、多次元ベクトルが「昼型」、「夜型」にカテゴリ化されていれば、新規ユーザのトラヒック特性も、単位期間（本実施形態では、２４時間）の平均値が「小」、「中」、「大」のいずれのカテゴリに属し、標準偏差が「小」、「中」、「大」のいずれのカテゴリに属し、多次元ベクトルが「昼型」、「夜型」のいずれのカテゴリに属するかが、予測結果として与えられる。

なお、予測結果の出力形態は、トラヒック特性の項目ごとに、そのカテゴリがテキストで提供されるようにしても良いし、あるいはトラヒック特性の各項目のカテゴリが反映されたモデル形状のパターンとして提供されるようにしても良い。

なお、上記した実施形態では、通常負荷のトラヒック特性を、平均値、標準偏差および多次元ベクトルの３項目に注目してカテゴリ化するものとして説明したが、本発明はこれのみに限定されるものではなく、最頻度、最大値、最小値等の他の項目を含めて適宜の２ないし３項目以上に注目してカテゴリ化するようにしても良い。あるいは、トラヒック特性を定量化しやすい平均値、標準偏差、最大値および最小値等に関しては、カテゴリ化することなく、その数値が求められるようにしても良い。

また、上記した実施形態では、カレンダ属性として「月内通日」および「曜日」を指定するものとして説明したが、本発明はこれのみに限定されるものではなく、祝祭日と平日との別を指定したり、「月内通週（月内で何番目の週に当たるか）」を指定したりしても良い。

このとき、新規ユーザのトラヒックを祝祭日と平日とに分けて分析するのであれば、実績トラヒックは前記と同様に１日ごとに特性を分析し、教師データの「カレンダ属性」に、祝祭日／平日の別が登録される。新規ユーザのトラヒックを「通週」で分析するのであれば、実績トラヒックは一週間ごとに特性を分析し、教師データの「カレンダ属性」に「通週」が登録される。

本発明のトラヒック分析モデル構築装置で構築されたトラヒック分析モデルを用いたトラヒック特性の予測結果が適用されるネットワークの図である。 本発明を適用したトラヒック分析システムの構成を示したブロック図である。 既存ユーザデータベースの構成を模式的に示した図である。 トラヒック特性の分析結果の一例を示した図である。 トラヒック特性の分析結果の他の一例を示した図である。 トラヒック分析教師データテーブルの一例を示した図である。 負荷判別教師データテーブルの一例を示した図である。 トラヒック分析モデル構築部の動作を示したフローチャートである。 トラヒック予測部の動作を示したフローチャートである。 低負荷／非低負荷ユーザの割合と契約速度との関係を示した図である。 低負荷／非低負荷ユーザの割合と契約地域との関係を示した図である。 低負荷／非低負荷ユーザの割合と契約サービス種別との関係を示した図である。 契約サービス種別とトラヒック特性の多次元ベクトルとの関係を示した図である。 カレンダ特性の曜日とトラヒック特性の多次元ベクトルとの関係を示した図である。

符号の説明

１…トラヒック分析モデル構築部，２…トラヒック予測部，１０１…既存ユーザDB，１０１ａ…ユーザ属性記憶部，１０１ｂ…実績トラヒック記憶部，１０２…負荷分析部，１０３…トラヒック特性分析部，１０３ａ…カテゴリ分類部，１０４…トラヒック分析教師データ生成部，１０４ａ…教師データテーブル，１０５…負荷判別教師データ生成部，１０５ａ…教師データテーブル，１０６…トラヒック分析モデル構築部，１０７…低負荷判別モデル構築部

Claims (15)

1. ネットワークに収容済の既存ユーザの属性情報および実績トラヒックに基づいて、任意のユーザのトラヒック特性を、その属性情報に基づいて分析するトラヒック分析モデルの構築装置において、
   既存ユーザの実績トラヒックを記憶する手段と、
   既存ユーザのユーザ属性を記憶する手段と、
   既存ユーザの実績トラヒックから、所定のカレンダ属性で特定される単位期間ごとに、複数のトラヒック特性を分析するトラヒック分析手段と、
   各単位期間のユーザ属性、カレンダ属性および各トラヒック特性の対応関係を収集してトラヒック分析用の教師データを生成する教師データ生成手段と、
   トラヒック特性をユーザ属性およびカレンダ属性に基づいて単位期間ごとに分析するトラヒック分析モデルを、前記トラヒック分析用の教師データに基づいて構築するトラヒック分析モデル構築手段とを含むことを特徴とするトラヒック分析モデルの構築装置。
2. 前記トラヒック分析手段は、各トラヒック特性を複数のカテゴリに分類するカテゴリ化手段を含み、
   前記教師データ生成手段が、トラヒック特性として、そのカテゴリ分類結果を収集することを特徴とする請求項１に記載のトラヒック分析モデルの構築装置。
3. 前記単位期間の負荷特性を識別する負荷分析手段を含み、
   前記教師データ生成手段は、トラヒック負荷が特異的な単位期間の対応関係を教師データとして利用しないことを特徴とする請求項１または２に記載のトラヒック分析モデルの構築装置。
4. 前記負荷分析手段は、トラヒック利用が少ない低負荷の単位期間を識別することを特徴とする請求項３に記載のトラヒック分析モデルの構築装置。
5. 前記負荷分析手段は、トラヒック利用がバースト的な単位期間を識別することを特徴とする請求項３に記載のトラヒック分析モデルの構築装置。
6. 前記トラヒック分析手段が、トラヒックの平均値、標準偏差、およびトラヒック変動の特性を表す多次元ベクトルの少なくとも一つを含む複数のトラヒック特性を求めることを特徴とする請求項１ないし５のいずれかに記載のトラヒック分析モデルの構築装置。
7. 各既存ユーザのユーザ属性、カレンダ属性および負荷特性の対応関係を収集して負荷判別用の教師データを生成する第２の教師データ生成手段と、
   負荷特性をユーザ属性およびカレンダ属性に基づいて単位期間ごとに判別する負荷特性判別モデルを、前記負荷判別用の教師データに基づいて構築する負荷特性判別モデル構築手段とを含むことを特徴とする請求項３ないし６のいずれかに記載のトラヒック分析モデルの構築装置。
8. ネットワークに収容済の既存ユーザの属性情報および実績トラヒックに基づいて、任意のユーザのトラヒック特性を、その属性情報に基づいて分析するトラヒック分析モデルの構築方法において、
   既存ユーザの実績トラヒックから、所定のカレンダ属性で特定される単位期間ごとに、複数のトラヒック特性を分析する手順と、
   各単位期間のユーザ属性、カレンダ属性および各トラヒック特性の対応関係を収集してトラヒック分析用の教師データを生成する手順と、
   トラヒック特性をユーザ属性およびカレンダ属性に基づいて単位期間ごとに分析するトラヒック分析モデルを、前記トラヒック分析用の教師データに基づいて構築する手順とを含むことを特徴とするトラヒック分析モデルの構築方法。
9. 前記トラヒック特性を分析する手順が、各トラヒック特性を複数のカテゴリに分類する手順を含み、
   トラヒック特性として、そのカテゴリ分類結果が収集されることを特徴とする請求項８に記載のトラヒック分析モデルの構築方法。
10. 前記単位期間の負荷特性を識別する手順を含み、
    トラヒック負荷が特異的な単位期間の対応関係を教師データとして利用しないことを特徴とする請求項８または９に記載のトラヒック分析モデルの構築方法。
11. トラヒック利用が少ない低負荷の単位期間の対応関係を利用しないことを特徴とする請求項１０に記載のトラヒック分析モデルの構築方法。
12. トラヒック利用がバースト的な単位期間の対応関係を利用しないことを特徴とする請求項１０に記載のトラヒック分析モデルの構築方法。
13. 前記トラヒック特性を分析する手順が、トラヒックの平均値、標準偏差、およびトラヒック変動の特性を表す多次元ベクトルの少なくとも一つを含む複数のトラヒック特性を求めることを特徴とする請求項８ないし１２のいずれかに記載のトラヒック分析モデルの構築方法。
14. 前記請求項８ないし１３のいずれかに記載のトラヒック分析モデルの構築方法をコンピュータに実行させるトラヒック分析モデルの構築プログラム。
15. 前記請求項１４に記載のトラヒック分析モデルの構築プログラムをコンピュータによる読み出し可能に記憶した記憶媒体。

Images