JP2021197701A - 情報処理装置、通信管理システム、プログラム、及び、情報処理方法 - Google Patents

Abstract

【課題】機械学習の手法を用いて将来の特定の時点又は期間における基地局又はセルの輻輳の程度を予測する方法、情報処理装置、通信管理システム及びプログラムを提供する。【解決手段】輻輳解析システムは、第１時刻より前の期間における基地局の通信状態に関する１以上の特徴量のそれぞれに基づいて、第１時刻よりも後の第２時刻における１以上の特徴量のそれぞれを示す情報を含む第１特徴量セットを生成する第１特徴量セット生成部と、通信状態を示す１以上の特徴量から、輻輳状態を示す特定の特徴量を推定するための機械学習により生成された推定モデルを用いて、第１特徴量セット生成部が生成した第１特徴量セットから、第２時刻における基地局の輻輳状態を示す特定の特徴量を出力する推定部とを備える。【選択図】図２

Description

本発明は、情報処理装置、通信管理システム、プログラム、及び、情報処理方法に関する。

例えば、特許文献１には、通信基地局の輻輳を解消することを目的として、通信基地局の設定を調整したり、通信基地局を増設したりする場合において、通信基地局を調整又は増設するエリアを推定することが開示されている。
［先行技術文献］
［特許文献］
［特許文献１］特開２００７−０９６６６８号公報

本発明の第１の態様によれば、情報処理装置が提供される。上記の情報処理装置は、例えば、第１時刻より前の期間における基地局の通信状態に関する１以上の特徴量のそれぞれに基づいて、第１時刻よりも後の第２時刻における１以上の特徴量のそれぞれを示す情報を含む第１特徴量セットを生成する第１特徴量セット生成部を備える。上記の情報処理装置は、例えば、通信状態を示す１以上の特徴量から、輻輳状態を示す特定の特徴量を推定するための機械学習により生成された推定モデルを用いて、第１特徴量セット生成部が生成した第１特徴量セットから、第２時刻における基地局の輻輳状態を示す特定の特徴量を出力する推定部を備える。

上記の情報処理装置は、第１時刻より前の第３時刻における基地局の通信状態に関する１以上の特徴量のそれぞれの値を取得する第１基準データ取得部を備えてよい。上記の情報処理装置は、第３時刻より前の第４時刻における基地局の通信状態に関する１以上の特徴量のそれぞれの値を取得する第２基準データ取得部を備えてよい。上記の情報処理装置は、第１基準データ取得部が取得した１以上の特徴量のそれぞれの値、及び、第２基準データ取得部が取得した１以上の特徴量のそれぞれの値に基づいて、第３時刻における１以上の特徴量のそれぞれの値から、第２時刻における１以上の特徴量のそれぞれの値を算出するためのパラメータを決定するパラメータ決定部を備えてよい。上記の情報処理装置において、第１特徴量セット生成部は、パラメータ決定部が決定したパラメータを用いて第１特徴量セットを生成してよい。

上記の情報処理装置において、第１基準データ取得部は、第３時刻を含み予め定められた長さを有する第３単位期間における１以上の特徴量のそれぞれの値に基づいて決定された値を、第３時刻における１以上の特徴量のそれぞれの値として取得してよい。上記の情報処理装置において、第２基準データ取得部は、第４時刻を含み予め定められた長さを有する第４単位期間における１以上の特徴量のそれぞれの値に基づいて決定された値を、第４時刻における１以上の特徴量のそれぞれの値として取得してよい。上記の情報処理装置において、第３単位期間及び第４単位期間は、第３単位期間の属する日の曜日と、第４単位期間の属する日の曜日とが同一となるように選定されてよい。

上記の情報処理装置において、パラメータ決定部は、第２基準データ取得部が取得した１以上の特徴量のそれぞれの値に対する、第１基準データ取得部が取得した１以上の特徴量のそれぞれの値の比を、パラメータの少なくとも一部として決定してよい。上記の情報処理装置において、パラメータ決定部は、第１時刻から第２時刻までの間における特定の特徴量の変動量の予測値を、パラメータの少なくとも一部として決定してよい。上記の情報処理装置において、第１時刻及び第２時刻の間の期間の長さと、第１時刻及び第４時刻の間の期間の長さとの差の絶対値は、７日よりも小さくてよい。上記の情報処理装置において、第１時刻及び第２時刻の間の期間の長さと、第１時刻及び第４時刻の間の期間の長さとの差の絶対値は、第１時刻及び第３時刻の間の期間の長さを２倍した値に７日を加算して得られる値よりも小さくてよい。

上記の情報処理装置において、第１特徴量セット生成部は、第２時刻を含み予め定められた長さを有する第２単位期間における１以上の特徴量のそれぞれを示す情報を、第２時刻における１以上の特徴量のそれぞれを示す情報として含む第１特徴量セットを生成してよい。上記の情報処理装置は、推定部が出力した第２時刻における基地局の輻輳状態を示す特定の特徴量に基づいて、第２時刻において基地局が輻輳しているか否かを判定する輻輳判定部を備えてよい。

上記の情報処理装置において、第１特徴量セット生成部は、第２時刻を含む対象期間に含まれる複数の時刻のそれぞれにおける１以上の特徴量のそれぞれを示す情報を含む複数の第１特徴量セットを生成してよい。上記の情報処理装置において、推定部は、推定モデルを用いて、第１特徴量セット生成部が生成した複数の第１特徴量セットのそれぞれから、対象期間に含まれる複数の時刻のそれぞれにおける基地局の輻輳状態を示す特定の特徴量を出力してよい。上記の情報処理装置において、輻輳判定部は、推定部が出力した対象期間に含まれる複数の時刻のそれぞれにおける基地局の輻輳状態を示す特定の特徴量に基づいて、対象期間において基地局が輻輳しているか否かを判定してよい。

上記の情報処理装置は、複数の第２特徴量セットを生成する第２特徴量セット生成部を備えてよい。上記の情報処理装置は、第２特徴量セット生成部が生成した複数の第２特徴量セットを用いて、通信状態を示す１以上の特徴量から、輻輳状態を示す特定の特徴量を推定するための機械学習を実行し、推定モデルを生成する学習部を備えてよい。上記の情報処理装置において、複数の第２特徴量セットのそれぞれは、第１時刻より前の複数の時刻のそれぞれにおける、１以上の特徴量のそれぞれを示す情報、及び、輻輳状態を示す特定の特徴量を示す情報を含んでよい。

上記の情報処理装置は、基地局の動作状況を示す情報から、基地局の通信状態に関する１以上の特徴量のそれぞれを生成し、１以上の特徴量のそれぞれを示す情報を格納する特徴量格納装置から、基地局の通信状態に関する１以上の特徴量を示す情報を取得する特徴量取得部を備えてよい。

本発明の第２の態様によれば、通信管理システムが提供される。上記の通信管理システムは、例えば、上記の第１の態様における情報処理装置を備える。上記の通信管理システムは、例えば、基地局の動作状況を示す情報から、基地局の通信状態に関する１以上の特徴量のそれぞれを生成し、１以上の特徴量のそれぞれを示す情報を格納する特徴量格納装置を備える。上記の通信管理システムにおいて、上記の情報処理装置は、特徴量格納装置から、基地局の通信状態に関する１以上の特徴量を示す情報を取得する特徴量取得部を備えてよい。

本発明の第３の態様によれば、通信管理システムが提供される。上記の通信管理システムは、例えば、上記の第１の態様における情報処理装置を備える。上記の通信管理システムは、例えば、基地局を備える。

本発明の第４の態様によれば、情報処理方法が提供される。上記の情報処理方法は、例えば、第１時刻より前の期間における基地局の通信状態に関する１以上の特徴量のそれぞれに基づいて、第１時刻よりも後の第２時刻における１以上の特徴量のそれぞれを示す情報を含む第１特徴量セットを生成する第１特徴量セット生成段階を有する。上記の情報処理方法は、例えば、通信状態を示す１以上の特徴量から、輻輳状態を示す特定の特徴量を推定するための機械学習により生成された推定モデルを用いて、第１特徴量セット生成段階において生成された第１特徴量セットから、第２時刻における基地局の輻輳状態を示す特定の特徴量を出力する推定段階を有する。

本発明の第５の態様においては、プログラムが提供される。上記のプログラムを格納するコンピュータ可読媒体が提供されてもよい。コンピュータ可読媒体は、非一時的コンピュータ可読媒体であってもよく、コンピュータ可読記録媒体であってもよい。上記のプログラムは、コンピュータを、上記の第１の態様に係る情報処理装置として機能させるためのプログラムであってよい。上記のプログラムは、コンピュータに、上記の第４の態様に係る情報処理方法を実行させるためのプログラムであってもよい。

なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。

通信管理システム１００のシステム構成の一例を概略的に示す。 輻輳解析システム１６０の内部構成の一例を概略的に示す。 特徴量セット生成部２３０の内部構成の一例を概略的に示す。 特徴量セット生成部２３０における情報処理の一例を概略的に示す。 輻輳解析システム１６０における情報処理の一例を概略的に示す。 通信管理システム１００における情報処理の一例を概略的に示す。 実証実験に用いた基地局の概要を示す。 実証実験の結果を示す。 コンピュータ３０００のシステム構成の一例を概略的に示す。

以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

［通信管理システム１００の概要］
図１は、通信管理システム１００のシステム構成の一例を概略的に示す。本実施形態において、通信管理システム１００は、１又は複数の（１以上と称される場合がある）基地局２０を管理する。通信管理システム１００は、例えば、基地局運用システム１２０と、統計解析システム１４０と、輻輳解析システム１６０とを備える。通信管理システム１００は、１以上の基地局２０を備えてもよい。本実施形態において、基地局運用システム１２０、統計解析システム１４０及び輻輳解析システム１６０は、例えば、通信ネットワーク１０を介して、互いに情報を送受することができる。

本実施形態において、通信ネットワーク１０は、有線通信の伝送路であってもよく、無線通信の伝送路であってもよく、無線通信の伝送路及び有線通信の伝送路の組み合わせであってもよい。通信ネットワーク１０は、例えば、無線パケット通信網、インターネット、Ｐ２Ｐネットワーク、専用回線、ＶＰＮ及び電力線通信回線の少なくとも１つを含む。通信ネットワーク１０は、（ｉ）３Ｇ（３ｒｄ Ｇｅｎｅｒａｔｉｏｎ）通信網、４Ｇ（４ｔｈ Ｇｅｎｅｒａｔｉｏｎ）又はＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）通信網、５Ｇ（５ｔｈ Ｇｅｎｅｒａｔｉｏｎ）通信網、６Ｇ（６ｔｈ Ｇｅｎｅｒａｔｉｏｎ）通信網などの移動体通信網を含んでもよく、（ｉｉ）無線ＭＡＮ、無線ＬＡＮ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｚｉｇｂｅｅ（登録商標）、ＮＦＣ（Ｎｅａｒ Ｆｉｅｌｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ）などの無線通信網を含んでもよい。

本実施形態において、１以上の基地局２０のそれぞれは、１又は複数の通信端末３０の通信を制御する。例えば、１以上の基地局２０のそれぞれは、セル２２、セル２４又はセル２６のエリア内に存在する１以上の通信端末３０の無線通信を制御する。

基地局２０は、任意の移動体通信方式に準拠していてよい。基地局２０は、例えば、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）通信方式に準拠する。基地局２０は、３Ｇ（３ｒｄ Ｇｅｎｅｒａｔｉｏｎ）通信方式に準拠してもよい。基地局２０は、５Ｇ（５ｔｈ Ｇｅｎｅｒａｔｉｏｎ）通信方式に準拠してもよい。基地局２０は、６Ｇ（６ｔｈ Ｇｅｎｅｒａｔｉｏｎ）通信方式以降の移動体通信方式に準拠してもよい。

通信端末３０は、基地局２０と情報を送受することのできる機器であればよく、その詳細については特に限定されない。通信端末３０としては、パーソナルコンピュータ、携帯端末などを例示することができる。携帯端末としては、携帯電話、スマートフォン、ＰＤＡ、タブレット、ノートブック・コンピュータ又はラップトップ・コンピュータ、ウエアラブル・コンピュータなどを例示することができる。

本実施形態において、基地局運用システム１２０は、基地局管理部１２２を備える。基地局管理部１２２は、１以上の基地局２０のそれぞれを管理する。例えば、基地局管理部１２２は、１以上の基地局２０のそれぞれの動作を制御する。また、基地局管理部１２２は、１以上の基地局２０のそれぞれから、各基地局の状態を示す情報を取得する。例えば、基地局管理部１２２は、１以上の基地局２０のそれぞれから、各基地局の動作状況を示す情報を取得する。基地局運用システム１２０は、時刻を示す情報と、当該時刻における１以上の基地局２０のそれぞれの動作状況を示す情報とが対応付けられたログデータ１０２を格納してよい。

ログデータ１０２は、各基地局について、人為的に基地局をロックしている時間数を示す情報、人為的ではなく障害起因で基地局がロックになっている時間数を示す情報などを含んでもよい。時間数の単位は、特に限定されるものではなく、［秒］であってもよく、［ミリ秒］であってもよい。

本実施形態において、統計解析システム１４０は、基地局統計情報ＤＢ１４２を備える。基地局統計情報ＤＢ１４２は、１以上の基地局２０のそれぞれに関する統計情報を管理する。基地局２０に関する統計情報は、基地局２０に割り当てられたセルに関する統計情報であってもよい。上記の統計情報により示される統計量は、単位期間あたりの統計量であってよい。単位期間としては、１分、１時間、１日、１週間、１ヶ月などが例示される。

より具体的には、基地局統計情報ＤＢ１４２は、定期的に又は任意のタイミングにおいて、基地局運用システム１２０からログデータ１０２を取得する。基地局統計情報ＤＢ１４２は、ログデータ１０２に基づいて、１以上の基地局２０のそれぞれに関する統計情報を生成し、当該統計情報を格納する。

基地局統計情報ＤＢ１４２は、例えば、１以上の基地局２０のそれぞれの識別情報と、各基地局に関する１以上の統計情報とを対応付けて格納する。基地局統計情報ＤＢ１４２は、例えば、１以上の基地局２０のそれぞれの識別情報と、時刻又は期間を示す情報と、当該時刻又は期間における各基地局に関する１以上の統計情報とを対応付けて格納してよい。

技術的に矛盾を生じない範囲において、本願明細書において、特定の時刻が、特定の期間を代表する時刻を意味する場合のあることに留意されたい。例えば、統計情報により示される統計量が、単位期間ごとの統計量である場合、単位期間中に含まれる特定の時刻が、当該単位期間を代表する時刻として用いられ得る。単位期間の始期を示す時刻が当該単位期間を代表する時刻として用いられてもよく、単位期間の中間の時刻が当該単位期間を代表する時刻として用いられてもよく、単位期間の終期を示す時刻が当該単位期間を代表する時刻として用いられてもよい。例えば、２０２０年５月１４日１９時における統計量Ａの値が２２であると記載されている場合、２０２０年５月１４日１９時という時刻が、２０２０年５月１４日１９時００分から同日１９時５９分５９秒までの期間を代表する時刻として用いられている。

基地局統計情報ＤＢ１４２は、輻輳解析システム１６０に、１以上の基地局２０のそれぞれに関する統計情報を出力する。例えば、基地局統計情報ＤＢ１４２は、輻輳解析システム１６０からの要求に応じて、当該要求により示される条件に合致する統計情報を、統計データ１０４として出力する。上記の条件としては、時刻又は期間に関する条件、基地局２０が配されたセル又はエリアに関する条件、統計情報の種類に関する条件、及び、これらの組み合わせなどが例示される。統計データ１０４に含まれる１以上の種類の統計情報のそれぞれは、基地局２０の通信状態に関する特徴量を示す。

基地局２０に関する統計情報としては、スループットが例示される。スループットは、ダウンリンクのスループット（ＤＬ＿Ｕｓｅｒ＿Ｔｈｒｏｕｇｈｐｕｔ）であってもよく、アップリンクのスループット（ＵＬ＿Ｕｓｅｒ＿Ｔｈｒｏｕｇｈｐｕｔ）であってもよい。上記のスループットの値は、単位期間あたりの平均値であってよい。例えば、上記のスループットの値として、１時間あたりの平均値が用いられる。

基地局２０に関する統計情報としては、スループットに限定されない。基地局２０に関する統計情報の他の例は、Ｄａｔａ＿Ｖｏｌ＿ＤＬ、ＲＲＣ＿ＣＵ＿ＡＶＧ、ＲＲＣ＿ＣＵ＿ＭＡＸ、ＣＡ Ａｃｔｉｖｅ ＵＥｓ、Ｅ＿ＲＡＢ＿ＡＴＴ、ＰＲＢ＿Ｕｓａｇｅ＿ＤＬ、ＣＣＥ＿Ｕｓａｇｅ、ＣＱＩ＿ＡＶＧ、ＡＤＲ、ＳＩＮＲ＿ＰＵＣＣＨ、ＳＩＮＲ＿ＰＵＳＣＨ、ＲＳＳＩ＿ＰＵＣＣＨ、ＲＳＳＩ＿ＰＵＳＣＨ、平均ＵＬ＿ＰａｔｈＬｏｓｓ、平均飛距離、ＵＬ＿ＤＴＸ率、ＤＬ＿ＤＴＸ率、異ＱＣＩのＶｏｌ＿ＤＬ、ＵＬ平均ＭＣＳ、及び、ＤＬ平均ＭＣＳの少なくとも１つであってよい。

例えば、基地局２０に関する統計情報が各種の解析処理において利用される場合において、当該統計情報に関するデータが取得された時刻又は期間における基地局２０の設定又は動作モードに関する情報が併用されることで、当該解析処理の精度が向上したり、当該解析処理の処理速度が向上したりし得る。そこで、基地局２０に関する統計情報は、基地局２０の設定又は動作モードに関する情報を含んでよい。基地局２０の設定又は動作モードに関する情報としては、ＭＩＭＯモードが例示される。

基地局２０に関する統計情報は、時刻又は期間を示す情報と、基地局２０の設定又は動作モードに関する情報とが対応付けられた情報を含んでもよい。基地局２０に関する統計情報は、設定又は動作モードが変更された時刻を示す情報と、変更後の設定又は動作モードの内容を示す情報とが対応付けられた情報を含んでもよい。

Ｄａｔａ＿Ｖｏｌ＿ＤＬは、１時間あたりに、当該セルがハンドリングしたダウンリンクのトラヒックボリューム［ＭＢ］を示す。ＲＲＣ＿ＣＵ＿ＡＶＧは、１時間あたりに、当該セルにコネクトしていた平均ユーザー数［人］を示す。セルにコネクトしていたユーザー数は、当該セルにおいて通信状態にあったユーザ数であってよい。ＲＲＣ＿ＣＵ＿ＭＡＸは、1時間あたり、当該セルにコネクトしていた最大同時ユーザー数[人]を示す。ＣＡ Ａｃｔｉｖｅ ＵＥｓは、１時間あたりに、当該セルにおいて、異なるＢａｎｄのセルをアグリゲート帯域を増やす機能（Ｃａｒｒｉｅｒ Ａｇｇｒｅｇａｔｉｏｎと称される場合がある。）を利用していた平均ユーザー数［人］を示す。

Ｅ＿ＲＡＢ＿ＡＴＴは、１時間あたり、当該セルにおいてパケットセッションが試行された総数を示す。ＰＲＢ＿Ｕｓａｇｅ＿ＤＬは、当該セルの物理的な無線リソース（例えば、Ｐｈｉｓｉｃａｌ Ｒｅｓｏｕｃｅ Ｂｌｏｃｋである。）の総数に対して、実際に当該セルで使用された物理的な無線リソースの数の割合［％］を示す。ＣＣＥ＿Ｕｓａｇｅは、当該セルの制御チャネル用エレメント（Ｃｏｎｔｒｏｌ Ｃｈａｎｅｌ Ｅｌｅｍｅｎｔと称される場合がある。）の総数に対して、実際に当該セルで使用された制御チャネル用エレメントび数の割合［％］を示す。

ＣＱＩ＿ＡＶＧは、当該セルの配下にある通信中の通信端末３０から基地局２０に送信されたＣＱＩ（Ｃｈａｎｎｅｌ Ｑｕａｌｉｔｙ Ｉｎｆｏｍａｔｉｏｎ）の１時間あたりの平均値を示す。例えば、ＣＱＩは、通信端末３０の無線品質状態を示す指標であり、例えば、１（低品質を示す）から１５（高品質を示す）までの整数で表される。ＡＤＲ（Ａｂｎｏｒｍａｌ Ｄｉｓｃｏｎｎｅｃｔｉｏｎ Ｒａｔｉｏ）は、当該セルにおいて通信端末３０が異常に切断したセッションの比率を示す。上記の異常な切断は、Ｃａｌｌ Ｄｒｏｐと称される場合がある。

ＳＩＮＲ＿ＰＵＣＣＨは、当該セルにおける、アップリンク用制御チャネル（Ｐｈｉｓｉｃａｌ Ｕｐｌｉｎｋ Ｃｏｎｔｒｏｌ Ｃｈａｎｎｅｌと称される場合がある。）の受信電力Ｓに対する、雑音電力Ｎ及び干渉電力Ｉの和の比率（ＳＩＮＲと称される場合がある。）の平均値［ｄＢ］を示す。ＳＩＮＲ＿ＰＵＳＣＨは、当該セルにおける、アップリンク用のユーザーデータ送信用チャネル（Ｐｈｉｓｉｃａｌ Ｕｐｌｉｎｋ Ｓｃｈａｒｅｄ Ｃｈａｎｎｅｌと称される場合がある。）の受信電力Ｓに対する、雑音電力Ｎ及び干渉電力Ｉの和の比率（ＳＩＮＲと称される場合がある。）の平均値［ｄＢ］を示す。

ＲＳＳＩ＿ＰＵＣＣＨは、アップリンク用制御チャネルのＲＳＳＩ（Ｒｅｃｅｉｖｅｄ Ｓｉｇｎａｌ Ｓｔｒｅｎｇｔｈ Ｉｎｄｉｃａｔｉｏｎ）の平均値［ｄＢｍ］を示す。ＲＳＳＩ＿ＰＵＳＣＨは、アップリンク用のユーザーデータ送信用チャネルのＲＳＳＩ（Ｒｅｃｅｉｖｅｄ Ｓｉｇｎａｌ Ｓｔｒｅｎｇｔｈ Ｉｎｄｉｃａｔｉｏｎ）の平均値［ｄＢｍ］を示す。ＲＳＳＩは、希望波、干渉波、受信機雑音をすべて含んだ受信信号強度を示す指標である。

平均ＵＬ＿ＰａｔｈＬｏｓｓは、当該セルの配下にある通信端末３０から当該セルのアンテナ端までの伝搬損失の平均値［ｄＢ］を示す。平均飛距離は、当該セルの配下にある通信端末３０から当該セルのアンテナ端までの距離の平均値［ｍ］を示す。

ＵＬ＿ＤＴＸ率は、誤り訂正に用いるＵＬ用のデータが受信できなかった割合を示す。ＤＬ＿ＤＴＸ率は、誤り訂正に用いるＤＬ用のデータが受信できなかった割合を示す。誤り訂正に用いるデータは、不連続送信を示すＤＴＸ（Ｄｉｓｃｏｎｔｉｎｕｏｕｓ Ｔｒａｎｓｍｉｓｓｉｏｎ）であってよい。

ＭＩＭＯモードは、基地局２０のＭＩＭＯ（Ｍｕｌｔｉｐｌｅ−Ｉｎｐｕｔ ａｎｄ Ｍｕｌｔｉｐｌｅ−Ｏｕｔｐｕｔ）に関する設定を示す。上記の設定は、基地局２０が処理することのできるトラヒック量に関する設定であってよい。上記の設定としては、（ｉ）２×２ＭＩＭＯ、（ｉｉ）４×４ＭＩＭＯ、（ｉｉｉ）８×８ＭＩＭＯ、（ｉｖ）Ｍａｓｓｉｖｅ ＭＩＭＯなどが例示される。

異ＱＣＩのＶｏｌ＿ＤＬは、ＱｏＳクラス識別子（ＱＣＩ）ごとのトラヒック量［ＭＢ］を示す。異ＱＣＩのＶｏｌ＿ＤＬは、ＱｏＳクラス識別子（ＱＣＩ）ごとのＤＬ用のデータのトラヒック量［ＭＢ］を示してよい。これにより、通信形態ごとのＱｏＳ（Ｑｕａｌｉｔｙ ｏｆ Ｓｅｒｖｉｃｅ）がより適切に管理され得る。通信形態としては、スマートフォン、家庭内ＷｉＦｉサービス、公衆無線ＬＡＮサービスなどが例示される。

ＵＬ平均ＭＣＳは、アップリンクのＭＣＳ（Ｍｏｄｕｌａｔｉｏｎ Ｃｏｄｉｎｇ Ｓｃｈｅｍｅ）の平均値を示す。ＤＬ平均ＭＣＳは、ダウンリンクのＭＣＳ平均値を示す。ＭＳＣは、変調方式、符号化率などの組み合わせをＩｎｄｅｘ化したものであり、セルの配下にある各通信端末の無線環境によって、各通信端末のＭＳＣに従うＩｎｄｅｘ値が異なる。ＭＳＣの平均値が大きいほど、当該セルにおいて無線環境のよい通信端末の数又は割合が大きいことを意味する。

本実施形態において、輻輳解析システム１６０は、１以上の基地局２０のそれぞれの輻輳の程度を解析する。１以上の基地局２０のそれぞれの輻輳の程度は、１以上の基地局２０のそれぞれに対応するセルにおける輻輳の程度であってもよい。本実施形態において、輻輳解析システム１６０は、１以上の基地局２０の少なくとも１つについて、将来の特定の時点又は期間における輻輳の程度を予測する。本実施形態において、輻輳解析システム１６０は、機械学習の手法を用いて、将来の特定の時点又は期間における輻輳の程度を予測する。また、輻輳解析システム１６０は、将来的に予め定められた基準を超える輻輳が発生する基地局２０又はセルを推定する。これにより、通信管理システム１００の管理者は、輻輳が予想される基地局２０の設定を調整したり、輻輳が予想されるセルに基地局２０を増設したりすることができる。

将来的に予め定められた基準を超える輻輳が発生する基地局２０又はセルを推定する手法としては、上述された多種多様な統計情報の中から、輻輳状態を示す指標（例えば、スループットである）と密接に関連する統計情報を抽出し、輻輳状態を示す指標と、上記の密接に関連する統計情報との相関関係に基づいて、将来的に予め定められた基準を超える輻輳が発生する基地局２０又はセルを推定することが考えられる。しかしながら、上記の手法は、解析に要する時間及び労力の割には、解析の精度が低い。これに対して、本実施形態によれば、輻輳解析システム１６０が、機械学習の手法を用いて、将来の特定の時点又は期間における輻輳の程度を予測する。これにより、解析に要する時間及び労力が大きく削減される。また、解析の精度が大きく向上する。輻輳解析システム１６０の詳細は後述される。

通信管理システム１００は、情報処理装置の一例であってよい。ログデータ１０２は、基地局の動作状況を示す情報の一例であってよい。１以上の基地局２０のそれぞれに関する統計情報は、１以上の特徴量のそれぞれを示す情報の一例であってよい。統計データ１０４は、１以上の特徴量のそれぞれを示す情報の一例であってよい。統計解析システム１４０は、特徴量格納装置の一例であってよい。基地局統計情報ＤＢ１４２は、特徴量格納装置の一例であってよい。輻輳解析システム１６０は、情報処理装置の一例であってよい。

なお、本実施形態においては、通信端末３０が無線端末である場合を例として、通信管理システム１００の詳細が説明される。しかしながら、通信管理システム１００は本実施形態に限定されない。他の実施形態において、通信端末３０は有線回線を介して基地局２０に接続されてよい。

本実施形態においては、統計解析システム１４０が基地局統計情報ＤＢ１４２を備える場合を例として、通信管理システム１００の詳細が説明される。しかしながら、通信管理システム１００は本実施形態に限定されない。他の実施形態において、基地局統計情報ＤＢ１４２が、輻輳解析システム１６０に配されてもよい。

図２は、輻輳解析システム１６０の内部構成の一例を概略的に示す。本実施形態において、輻輳解析システム１６０は、例えば、統計情報取得部２２２と、属性情報取得部２２４と、特徴量セット生成部２３０と、機械学習システム２４０と、輻輳判定部２５０と、格納部２６０とを備える。本実施形態において、機械学習システム２４０は、学習部２４２と、推定部２４４とを有する。本実施形態において、格納部２６０は、基地局情報格納部２６２と、推定モデル格納部２６４と、特徴量セット格納部２６６とを有する。

本実施形態において、統計情報取得部２２２は、例えば、基地局統計情報ＤＢ１４２にアクセスして、基地局統計情報ＤＢ１４２から、統計データ１０４を取得する。統計情報取得部２２２は、特定の条件に合致する１以上の基地局２０に関する統計データ１０４を取得してよい。統計情報取得部２２２は、定期的に基地局統計情報ＤＢ１４２にアクセスしてもよく、任意のタイミングにおいて基地局統計情報ＤＢ１４２にアクセスしてもよく、予め定められた条件が成立した場合に基地局統計情報ＤＢ１４２にアクセスしてもよい。統計情報取得部２２２は、基地局統計情報ＤＢ１４２から取得された統計データ１０４を、例えば基地局情報格納部２６２に格納する。

本実施形態において、属性情報取得部２２４は、１以上の基地局２０のそれぞれの属性を示す情報（属性情報と称される場合がある。）を取得する。属性情報取得部２２４は、例えば、輻輳解析システム１６０に配された入力装置（図示されていない）、又は、通信管理システム１００若しくは輻輳解析システム１６０の管理者が利用する通信端末３０から、１以上の基地局２０のそれぞれの属性情報を取得する。

属性情報としては、基地局２０で使用される通信機器又は制御機器のベンダーを示す情報、当該通信機器又は制御機器において使用可能な周波数帯（バンドと称される場合がある。）を示す情報、基地局２０において使用可能な周波数帯を示す情報、基地局２０に割り当てられた通信エリア（セルと称される場合がある。）を示す情報、基地局２０が配された位置又はエリアを示す情報、基地局２０が配された位置又はエリアの属性を示す情報などが例示される。基地局２０が配された位置又はエリアの属性は、例えば、人口により定められる。基地局２０が配された位置又はエリアの属性としては、流動性人口に基づいて定義されたエリアの属性が例示される。上記の属性としては、大都市部、都市部、郊外、人口密集地、過疎地などが例示される。

属性情報取得部２２４は、１以上の基地局２０のそれぞれの属性情報を、例えば基地局情報格納部２６２に格納する。属性情報取得部２２４は、１以上の基地局２０のそれぞれの識別情報と、１以上の基地局２０のそれぞれの属性情報とを対応付けて基地局情報格納部２６２に格納してよい。属性情報取得部２２４は、１以上の基地局２０のそれぞれの識別情報をキーとして、１以上の基地局２０のそれぞれの属性情報と、１以上の基地局２０のそれぞれに関する統計データ１０４とを対応付けて、基地局情報格納部２６２に格納する。

本実施形態において、特徴量セット生成部２３０は、機械学習システム２４０に入力される各種のデータセットを生成する。例えば、特徴量セット生成部２３０は、統計情報取得部２２２が取得した統計データ１０４に含まれる１種類以上の統計情報、及び、属性情報取得部２２４が取得した１種類以上の属性情報の中から特定の種類のデータを抽出し、抽出されたデータを結合することで上記のデータセットを生成する。

一実施形態において、特徴量セット生成部２３０は、機械学習システム２４０において機械学習の教師データとして用いられるデータセット（学習用特徴量セットと称される場合がある。）を生成する。特徴量セット生成部２３０は、複数の時刻又は期間のそれぞれに対応する複数の学習用特徴量セットを生成してよい。

他の実施形態において、特徴量セット生成部２３０は、機械学習システム２４０において、学習済みのモデルに入力されて、将来の特定の時期における、特定の基地局２０の通信状態に関する特定の種類の特徴量又は統計情報を予測するために用いられるデータセット（予測用特徴量セットと称される場合がある。）を生成する。特徴量セット生成部２３０は、複数の時刻又は期間のそれぞれに対応する複数の予測用特徴量セットを生成してよい。

特徴量セット生成部２３０は、生成された学習用特徴量セット及び予測用特徴量セットを、例えば特徴量セット格納部２６６に格納する。特徴量セット生成部２３０の詳細は後述される。

本実施形態において、機械学習システム２４０は、機械学習用のモデルに教師データを入力して、学習済みのモデルを生成する。また、機械学習システム２４０は、学習済みのモデルに、説明変数となる特徴量が含まれるデータセットを入力し、目的変数となる特徴量を出力する。

本実施形態において、学習部２４２は、機械学習を実行して、学習済みの推定モデルを生成する。例えば、学習部２４２は、通信状態を示す１以上の特徴量から、輻輳状態を示す特定の特徴量を推定するための機械学習を実行する。学習部２４２は、特徴量セット生成部２３０が生成した学習用特徴量セットを用いて、上記の機械学習を実行してよい。

より具体的には、学習部２４２は、通信状態を示す１以上の特徴量と、輻輳状態を示す特定の特徴量とを含む学習用特徴量セットを用いて、通信状態を示す１以上の特徴量から、輻輳状態を示す特定の特徴量を推定するための機械学習を実行する。これにより、通信状態を示す１以上の特徴量を示す情報を含むデータセットが入力されると、輻輳状態を示す特定の特徴量を示す情報を出力する、学習済みの推定モデルが生成される。

本実施形態において、推定部２４４は、将来の特定の時刻又は当該時刻を含む単位期間（予測時期ｔ２と称される場合がある。）における、特定の基地局２０の輻輳状態を示す特定の特徴量（ターゲットと称される場合がある。）を推定する。上記の単位期間は、将来の特定の時刻を起点とする単位期間であってよい。上記の特定の時刻は、予測時期ｔ２を代表する時刻であってもよい。

例えば、推定部２４４は、学習部２４２が生成した学習済みの推定モデルを用いて、特徴量セット生成部２３０が生成した予測用特徴量セットから、将来の特定の時刻又は期間における、特定の基地局２０の輻輳状態を示す特定の特徴量（ターゲットと称される場合がある。）を出力する。より具体的には、推定部２４４が、学習部２４２が生成した学習済みの推定モデルに、通信状態を示す１以上の特徴量を示す情報を含む予測用特徴量セットを入力すると、推定モデルは、輻輳状態を示す特定の特徴量を示す情報を出力する。これにより、将来の特定の時期における輻輳状態が精度よく予測され得る。

推定部２４４は、複数の推定モデルを用いて、特定の基地局２０の輻輳状態を示す特定の特徴量を推定してよい。例えば、推定部２４４は、予測用特徴量セットが基地局２０の属性情報を含む場合、当該属性情報により示される基地局２０の属性に基づいて、複数の推定モデルの中から、当該予測用特徴量セットが入力される推定モデルを選択する。推定部２４４は、上記の予測用特徴量セットを選択された推定モデルに入力し、当該推定モデルからの出力を受け取る。

推定部２４４は、１以上の推定モデルを用いて、将来の特定の期間（対象期間と称される場合がある。）に含まれる複数の時刻のそれぞれに対応する予測用特徴量セットから、上記の複数の時刻のそれぞれにおける、特定の基地局２０の輻輳状態を示す特定の特徴量を出力してよい。これにより、将来の特定の期間における輻輳状態が精度よく予測され得る。上記の複数の時刻のそれぞれは、上記の予測時期ｔ２の一例であってよい。また、上記の複数の時刻のそれぞれは、上記の予測時期ｔ２を代表する時刻であってもよい。

推定部２４４は、通信管理システム１００の管理下にある１以上の基地局２０の少なくとも１つについて、各基地局の輻輳状態を示す特定の特徴量を出力してよい。例えば、推定部２４４は、特定の地域に存在する複数の基地局２０のそれぞれについて、各基地局の輻輳状態を示す特定の特徴量を出力する。推定部２４４は、推定モデルの推定結果を示す情報を輻輳判定部２５０に出力してよい。

例えば、輻輳解析システム１６０のユーザが、２０２０年５月１４日（木）に、特定の地域に配された複数の基地局２０のそれぞれについて、２０２１年５月９日（日）から２０２１年５月２２日（土）までの期間について、１時間ごとのダウンリンクのスループットの平均値を予測する場合を考える。この場合、対象期間は２０２１年５月９日（日）から２０２１年５月２２日（土）までの２週間又は３３６時間であり、予測時期ｔ２は対象期間に含まれる３３６個の単位期間である。また、推定部２４４は、対象期間に含まれる３３６個の単位期間のそれぞれを代表する時刻における、上記の複数の基地局２０のそれぞれの上記のスループットの平均値を推定する。

本実施形態において、輻輳判定部２５０は、推定部２４４の推定結果に基づいて、将来の特定の時刻において、推定部２４４における推定処理の対象となった基地局２０が輻輳しているか否かを判定する。上述されたとおり、上記の将来の特定の時刻は、予測時期ｔ２を代表する時刻であってもよい。輻輳判定部２５０は、基地局２０に対応するセルの輻輳状態に基づいて、基地局２０が輻輳しているか否かを判定してもよい。これにより、将来の特定の時期又は期間における輻輳状態の判定精度が向上する。

上述されたとおり、推定部２４４は、予測時期ｔ２におけるターゲットとなる特徴量の値を出力する。輻輳判定部２５０は、例えば、上記の特徴量の値が予め定められた条件を満足するか否かに基づいて、基地局２０が輻輳しているか否かを判定する。上述されたとおり、推定部２４４が対象期間に含まれる複数の時刻のそれぞれにおける上記の特徴量に関する複数の値を出力する場合がある。この場合、輻輳判定部２５０は、上記の複数の値が予め定められた条件を満足するか否かに基づいて、基地局２０が輻輳しているか否かを判定してよい。これにより、輻輳判定部２５０は、対象期間に含まれる複数の時刻のそれぞれにおける特徴量に基づいて、当該対象期間において基地局２０が輻輳しているか否かを精度よく判定することができる。

上記の予め定められた条件は、（ｉ）ターゲットとなる特徴量に関する条件であってもよく、（ｉｉ）ターゲットとなる特徴量に関する条件と、推定モデルに入力された予測用特徴量セットに含まれる少なくとも１つの特徴量に関する条件との組み合わせであってもよい。ターゲットとなる特徴量に関する条件は、ターゲットとなる特徴量が当該セルにおける輻輳の程度が予め定められた程度よりも大きいことを示している条件を含んでよい。

例えば、ターゲットとなる特徴量がダウンリンクのスループットである場合、上記の予め定められた条件は、当該スループットの値が予め定められた値よりも小さいという条件を含む。上記の予め定められた条件は、スループットの値が予め定められた値よりも小さい期間に関する条件を含んでもよい。例えば、上記の予め定められた条件は、（ｉ）予め定められた長さを有する期間において、スループットの値が予め定められた値よりも小さい期間の長さの合計値が予め定められた値よりも大きいという条件、（ｉｉ）予め定められた長さを有する期間において、スループットの値が予め定められた値よりも小さくなる現象の発生回数又は発生頻度が、予め定められた値よりも大きいという条件などを含む。

より具体的には、ターゲットとなる特徴量がダウンリンクのスループットである場合、例えば、輻輳判定部２５０は、対象期間中の各時刻又は各単位期間におけるダウンリンクのスループットに関する複数の出力結果の中から、推定モデルに入力された予測用特徴量セットに含まれる１時間あたりのＲＲＣ＿ＣＵ＿ＡＶＧの値がｍ以上である出力結果を抽出する。なお、ｍは、予め定められた正の整数である。

次に、輻輳判定部２５０は、抽出された出力結果を解析して、基地局２０ごと又はセルごとに、ダウンリンクのスループットの値がｎ未満である時間の累積値を算出する。なお、ｎは、予め定められた正数である。その後、輻輳判定部２５０は、上記の累積値を例えば１週間当たりの値に換算し、当該換算値が予め定められた値よりも大きい基地局２０又はセルを、対象期間中に輻輳が発生する可能性の高い基地局２０又はセルと判定する。

本実施形態において、格納部２６０は、各種の情報を格納する。格納部２６０は、外部からの要求に応じて、当該要求により指定される条件に合致する情報を抽出してよい。本実施形態において、基地局情報格納部２６２は、例えば、統計情報取得部２２２が取得した統計データ１０４を格納する。基地局情報格納部２６２は、属性情報取得部２２４が取得した属性情報を格納してもよい。本実施形態において、推定モデル格納部２６４は、例えば、学習部２４２が生成した学習済みの推定モデルを格納する。本実施形態において、特徴量セット格納部２６６は、例えば、特徴量セット生成部２３０が生成した学習用特徴量セット及び予測用特徴量セットを格納する。

統計情報取得部２２２は、特徴量取得部の一例であってよい。特徴量セット生成部２３０は、第１特徴量セット生成部又は第２特徴量セット生成部の一例であってよい。学習部２４２は、学習部の一例であってよい。推定部２４４は、推定部の一例であってよい。輻輳判定部２５０は、輻輳判定部の一例であってよい。学習用特徴量セットは、第２特徴量セットの一例であってよい。予測用特徴量セットは、第１特徴量セットの一例であってよい。将来の特定の時刻は、第２時刻の一例であってよい。将来の特定の期間に含まれる任意の時刻は、第２時刻の一例であってよい。

図３は、特徴量セット生成部２３０の内部構成の一例を概略的に示す。本実施形態において、特徴量セット生成部２３０は、例えば、ターゲット決定部３２２と、データ項目決定部３２４と、予測時期決定部３２６と、直近データ取得部３３２と、過去データ取得部３３４と、パラメータ決定部３４０と、学習用特徴量セット生成部３５０と、予測用特徴量セット生成部３６０とを備える。

本実施形態において、ターゲット決定部３２２は、ターゲットとなる特徴量を決定する。ターゲット決定部３２２は、例えば、輻輳解析システム１６０に配された入力装置（図示されていない）、通信管理システム１００若しくは輻輳解析システム１６０の管理者が利用する通信端末（図示されていない）、又は、基地局２０から、ターゲットとなる特徴量を示す情報を取得することで、ターゲットとなる特徴量を決定する。

本実施形態において、データ項目決定部３２４は、学習用特徴量セット及び予測用特徴量セットのそれぞれに含まれる特徴量（データ項目と称される場合がある。）を決定する。データ項目決定部３２４は、例えば、輻輳解析システム１６０に配された入力装置（図示されていない）、通信管理システム１００若しくは輻輳解析システム１６０の管理者が利用する通信端末（図示されていない）、又は、基地局２０から、データ項目を示す情報を取得することで、データ項目を決定する。上述されたとおり、基地局情報格納部２６２には、１以上の種類の統計情報と、１以上の種類の属性情報とが格納されている。データ項目は、統計情報又は属性情報の種類を示す情報であってよい。

本実施形態において、予測時期決定部３２６は、予測時期ｔ２を決定する。予測時期決定部３２６は、上記の対象期間を決定してもよい。これにより、輻輳判定部２５０が輻輳を予測する時期及び期間が決定される。

予測時期決定部３２６は、例えば、輻輳解析システム１６０に配された入力装置（図示されていない）、通信管理システム１００若しくは輻輳解析システム１６０の管理者が利用する通信端末（図示されていない）、又は、基地局２０から、予測時期ｔ２を示す情報を取得することで、予測時期ｔ２を決定する。予測時期決定部３２６は、上記の入力装置又は上記の通信端末３０から、対象期間を示す情報を取得することで、対象期間を決定してよい。予測時期決定部３２６は、上記の入力装置又は上記の通信端末３０から、予測時期ｔ２及び対象期間を示す情報を取得することで、１以上の予測時期ｔ２のそれぞれを決定してよい。

本実施形態において、直近データ取得部３３２は、例えば、輻輳の有無又は程度を予測する処理（単に予測処理と称される場合がある）の開始時期ｔ１よりも前の期間における各種の特徴量を示す情報を取得する。上記の開始時期ｔ１は、輻輳解析システム１６０のユーザが、輻輳解析システム１６０に予測処理の開始を指示した時刻であってもよく、当該時刻を含む単位期間であってもよい。上記の単位期間は、予測処理の開始を指示した時刻を起点とする単位期間であってよい。また、上記の開始時期ｔ１は、輻輳解析システム１６０のユーザが、予測処理を実行するための操作を開始した時刻であってもよく、当該時刻を含む単位期間であってもよい。上記の単位期間は、予測処理を実行するための操作が開始された時刻を起点とする単位期間であってよい。

例えば、直近データ取得部３３２は、開始時期ｔ１よりも前の時刻（直近時刻と称される場合がある。）における基地局２０の通信状態に関する１以上の特徴量のそれぞれの値を取得する。例えば、直近データ取得部３３２は、終期が開始時期ｔ１よりも前であり、予め定められた長さを有する期間（直近期間と称される場合がある。）における各特徴量の値を取得する。直近データ取得部３３２は、直近期間に含まれる複数の時刻又は各時刻を含む単位期間のそれぞれにおける各特徴量の値を取得してもよい。

直近期間の始期は、予め定められたアルゴリズムを用いて開始時期ｔ１に基づいて決定されてもよく、輻輳解析システム１６０のユーザにより指定されてもよい。例えば、直近データ取得部３３２は、開始時期ｔ１から予め定められた期間だけ遡った時期を、直近期間の始期として決定する。

直近期間の長さは、予め定められていてもよく、輻輳解析システム１６０のユーザにより指定されてもよい。直近期間の長さは、対象期間の長さに基づいて決定されてよい。直近期間の長さは、対象期間の長さと略同一であってよい。直近期間の長さと、対象期間の長さとの差の絶対値は、１日以下であってよい。

直近期間の終期及び開始時期ｔ１の間の期間の長さは、予め定められていてもよく、輻輳解析システム１６０の管理者により指定されてもよい。上記の期間の長さは、１週間以上であってもよく、２週間以上であってもよく、３週間以上であってもよく、４週間以上であってもよい。上記の期間の長さが２週間以上であれば、当該期間中に同一の曜日が２回以上含まれることから、解析の精度が向上する。

直近データ取得部３３２は、対象期間の始期及び終期の少なくとも一方が属する日の曜日を考慮して、直近期間の始期及び終期の少なくとも一方を決定してよい。例えば、輻輳解析システム１６０のユーザが、２０２０年５月１４日（木）に、特定の地域に配された複数の基地局２０のそれぞれについて、２０２１年５月９日（日）から２０２１年５月２２日（土）までの期間について、１時間ごとのダウンリンクのスループットの平均値を予測する場合を考える。

上述されたとおり、この場合、対象期間は２０２１年５月９日（日）から２０２１年５月２２日（土）までの２週間である。対象期間の終期が土曜日であるので、直近データ取得部３３２は、開始時期ｔ１の属する日である２０２０年５月１４日（木）の直近の土曜日である２０２０年５月９日（土）を、直近期間の終期として設定する。例えば、直近期間の長さの初期設定が２週間である場合、直近データ取得部３３２は、２０２０年５月９日（土）の２週間前となる２０２０年４月２６日（日）を、直近期間の終期として設定する。

直近データ取得部３３２は、直近時刻を含み予め定められた長さを有する単位期間における１以上の特徴量のそれぞれの値に基づいて決定された値を、直近時刻における１以上の特徴量のそれぞれの値として取得してよい。これにより、特徴量が統計量である場合であっても、情報処理が可能になる。上記の単位期間は、直近時刻を始期とする単位期間であってよい。直近時刻又は直近時刻を含む単位期間が、単に直近時期ｔ３と称される場合がある。

例えば、直近データ取得部３３２が、上記の特徴量の値として、２０２０年５月１４日１９時のＲＲＣ＿ＣＵ＿ＡＶＧの値を取得する場合がある。この場合において、２０２０年５月１４日１９時のＲＲＣ＿ＣＵ＿ＡＶＧの値は、基地局統計情報ＤＢ１４２が、２０２０年５月１４日１９時００分から同日１９時５９分５９秒までの単位期間に含まれる複数の時刻におけるＲＲＣ＿ＣＵの値に基づいて決定した値である。

より具体的には、直近データ取得部３３２は、基地局情報格納部２６２に格納されている１以上の種類の統計情報及び１以上の種類の属性情報の中から、基地局２０の識別情報、特徴量の種類、及び、特徴量の時期に関する条件に合致する情報を抽出する。例えば、直近データ取得部３３２は、（ｉ）データ取得処理の対象となる基地局２０に関する情報であって、（ｉｉ）ターゲット決定部３２２が決定したターゲットとなる特徴量に合致する情報、及び、データ項目決定部３２４が決定したデータ項目に合致する情報であって、（ｉｉｉ）直近時期ｔ３における特徴量の値を示す情報を抽出する。

例えば、直近データ取得部３３２は、２０２０年５月１日から同年５月１５日までの期間について、（ｉ）１以上の基地局２０のそれぞれの１時間ごとのダウンリンクのスループットの値、１時間ごとのＤａｔａ＿Ｖｏｌ＿ＤＬの値、１時間ごとのＲＲＣ＿ＣＵ＿ＡＶＧの値、及び、１時間ごとのＣＡ＿Ａｃｔｉｖｅ＿ＵＥｓの値と、（ｉｉ）１以上の基地局２０のそれぞれにおいて利用されている通信機器のベンダを示す情報とを取得する。なお、上記の取得例は、単なる例示であり、直近データ取得部３３２により取得される情報は上記の取得例に限定されないことに留意すべきである。

本実施形態において、過去データ取得部３３４は、例えば、開始時期ｔ１よりも前の期間における各種の特徴量を示す情報を取得する。過去データ取得部３３４は、上述された直近期間よりも前の期間における各種の特徴量を示す情報を取得してよい。

例えば、過去データ取得部３３４は、上記の直近時期ｔ３よりも前の時刻（過去時刻と称される場合がある。）における基地局２０の通信状態に関する１以上の特徴量のそれぞれの値を取得する。過去データ取得部３３４は、過去時刻を含み予め定められた長さを有する単位期間における１以上の特徴量のそれぞれの値に基づいて決定された値を、過去時刻における１以上の特徴量のそれぞれの値として取得してよい。これにより、特徴量が統計量である場合であっても、情報処理が可能になる。過去時刻又は過去時刻を含む単位期間が、単に過去時期ｔ４と称される場合がある。過去時刻は、過去時期ｔ４を代表する時刻であってよい。過去時刻は、過去時期ｔ４の始期であってよい。

例えば、過去データ取得部３３４が、上記の特徴量として、２０２０年５月１４日１９時のＲＲＣ＿ＣＵ＿ＡＶＧの値を取得する場合がある。この場合において、２０２０年５月１４日１９時のＲＲＣ＿ＣＵ＿ＡＶＧの値は、基地局統計情報ＤＢ１４２が、２０２０年５月１４日１９時００分から同日１９時５９分５９秒までの単位期間に含まれる複数の時刻におけるＲＲＣ＿ＣＵの値に基づいて決定した値である。

例えば、過去データ取得部３３４は、始期が直近期間の始期よりも前であり、予め定められた長さを有する期間（過去期間と称される場合がある。）における各特徴量の値を取得する。過去データ取得部３３４は、過去期間に含まれる複数の過去時期ｔ４のそれぞれにおける各特徴量の値を取得してもよい。

過去期間の始期は、例えば、輻輳解析システム１６０の管理者により指定される。過去期間の始期は、過去期間の終期から決定されてもよい。過去期間の始期は、予め定められたアルゴリズムを用いて、開始時期ｔ１、直近期間の始期及び対象期間の始期の少なくとも１つに基づいて決定されてよい。直近期間の始期は、直近期間の終期に基づいて決定されてもよく、対象期間の始期は、対象期間の終期に基づいて決定されてもよい。

過去データ取得部３３４は、直近期間又は対象期間の始期及び終期の少なくとも一方が属する日の曜日を考慮して、過去期間の始期及び終期の少なくとも一方を決定してよい。例えば、過去データ取得部３３４は、過去期間の始期の属する日の曜日と、直近期間又は対象期間の始期の属する日の曜日とが同一となるように、過去期間の始期を決定する。

一実施形態において、過去データ取得部３３４は、過去期間の始期及び直近期間の始期の間の期間の長さＬＰＰと、直近期間の始期及び対象期間の始期の間の期間の長さＬＰＦとが略一致するように、過去期間の始期を決定する。例えば、過去データ取得部３３４は、ＬＰＰ及びＬＰＦの差の絶対値が予め定められた値よりも小さくなるように、過去期間の始期を決定する。

上記の予め定められた値は、１日であってもよく、３日であってもよく、５日であってもよく、７日であってもよく、１０日であってもよく、１４日であってもよく、２１日であってもよい。予め定められた値は、７日以下であることが好ましい。

他の実施形態において、過去データ取得部３３４は、過去期間の始期及び開始時期ｔ１の間の期間の長さＬＰＣと、開始時期ｔ１及び対象期間の始期の間の期間の長さＬＣＦとが略一致するように、過去期間の始期を決定する。例えば、過去データ取得部３３４は、ＬＰＣ及びＬＣＦの差の絶対値が予め定められた値よりも小さくなるように、過去期間の始期を決定する。

上記の予め定められた値は、１日であってもよく、３日であってもよく、５日であってもよく、７日であってもよく、１０日であってもよく、１４日であってもよく、２１日であってもよい。予め定められた値は、７日以下であることが好ましい。これにより、過去データ取得部３３４は、各データの属する日の曜日を考慮しつつ、無駄なデータの取得を抑制し得る。

過去期間の長さは、予め定められていてもよく、輻輳解析システム１６０の管理者により指定されてもよい。過去期間の長さは、直近期間の長さ又は対象期間の長さに基づいて決定されてよい。過去期間の長さは、直近期間の長さ又は対象期間の長さと略同一であってよい。過去期間の長さと、直近期間の長さ又は対象期間の長さとの差の絶対値は、１日以下であってよい。

次に、過去データ取得部３３４が、過去期間に含まれる複数の過去時期ｔ４のそれぞれにおける各特徴量の値を取得する場合を例として、過去データ取得部３３４の動作の詳細が例示される。本実施形態において、過去データ取得部３３４は、予測時期決定部３２６及び直近データ取得部３３２の少なくとも一方と協働して、過去期間における各特徴量の値を取得する。

一実施形態において、過去データ取得部３３４は、予測時期決定部３２６が決定した予測時期ｔ２に基づいて過去時期ｔ４を決定する。予測時期決定部３２６が対象期間に含まれる複数の予測時期ｔ２を決定する場合、過去データ取得部３３４は、上記の複数の予測時期ｔ２のそれぞれに対応する複数の過去時期ｔ４を決定してよい。

他の実施形態において、過去データ取得部３３４は、直近データ取得部３３２が決定した直近時期ｔ３に基づいて過去時期ｔ４を決定する。上述されたとおり、直近データ取得部３３２が直近期間に含まれる複数の直近時期ｔ３を決定する場合、過去データ取得部３３４は、上記の複数の直近時期ｔ３のそれぞれに対応する複数の過去時期ｔ４を決定してよい。

複数の過去時期ｔ４の個数は、複数の予測時期ｔ２の個数以上であればよく、複数の直近時期ｔ３の個数と同一であってもよいし、複数の直近時期ｔ３の個数と同一でなくてもよい。なお、複数の予測時期ｔ２の個数、複数の過去時期ｔ４の個数、及び、複数の直近時期ｔ３の個数は、同一であってよい。複数の予測時期ｔ２の個数は、複数の過去時期ｔ４の個数、又は、複数の直近時期ｔ３の個数より小さくてもよい。

上述されたとおり、一実施形態において、過去データ取得部３３４は、過去期間の始期及び直近期間の始期の間の期間の長さＬＰＰと、直近期間の始期及び対象期間の始期の間の期間の長さＬＰＦとが略一致するように、過去期間の始期を決定する。この場合、過去データ取得部３３４は、例えば、予測時期ｔ２及び直近時期ｔ３の間の期間の長さと、直近時期ｔ３及び過去時期ｔ４の間の期間の長さとの差の絶対値が、予め定められた値よりも小さくなるように、過去時期ｔ４を決定する。

予め定められた値は、１日であってもよく、３日であってもよく、５日であってもよく、７日であってもよく、１０日であってもよく、１４日であってもよく、２１日であってもよい。予め定められた値は、７日以下であることが好ましい。予め定められた値が７日以下である場合、直近データ取得部３３２が取得したデータに含まれる特定の曜日のデータの個数と、過去データ取得部３３４が取得したデータに含まれる特定の曜日のデータの個数とが略一致する。

過去データ取得部３３４は、予測時期ｔ２又は直近時期ｔ３の少なくとも一方が属する日の曜日を考慮して、過去時期ｔ４を決定してよい。例えば、過去データ取得部３３４は、予測時期ｔ２又は直近時期ｔ３の少なくとも一方が属する日の曜日と、過去時期ｔ４が属する日の曜日とが同一となるように、過去時期ｔ４を決定する。これにより、開始時期ｔ１及び予測時期ｔ２の間の期間の長さと、開始時期ｔ１及び過去時期ｔ４の間の期間の長さとの差の絶対値は、開始時期ｔ１及び直近時期ｔ３の間の期間の長さを２倍した値に７日を加算して得られる値よりも小さくなり得る。その結果、過去データ取得部３３４は、各データの属する日の曜日を考慮しつつ、無駄なデータの取得を抑制し得る。

例えば、予測時期ｔ２が開始時期ｔ１の約４８週後であり、直近時期ｔ３が開始時期ｔ１の約２週前であり、過去時期ｔ４が開始時期ｔ１の約５２週前であり、予測時期ｔ２、直近時期ｔ３及び過去時期ｔ４の属する日の曜日が同一になるように、予測時期ｔ２、直近時期ｔ３及び過去時期ｔ４を決定する場合を考える。この場合、過去時期ｔ４及び直近時期ｔ３の間の期間の長さ、及び、直近時期ｔ３及び予測時期ｔ２の間の期間の長さは、ともに約５０週となる。また、開始時期ｔ１及び予測時期ｔ２の間の期間の長さ（約４８週）と、開始時期ｔ１及び過去時期ｔ４の間の期間の長さ（約５２週）との差の絶対値は、約４週である。一方、開始時期ｔ１及び直近時期ｔ３の間の期間の長さ（約２週）を２倍した値に７日を加算して得られる値は、約５週である。

上述されたとおり、他の実施形態において、過去データ取得部３３４は、過去期間の始期及び開始時期ｔ１の間の期間の長さＬＰＣと、開始時期ｔ１及び対象期間の始期の間の期間の長さＬＣＦとが略一致するように、過去期間の始期を決定する。この場合、過去データ取得部３３４は、例えば、開始時期ｔ１及び予測時期ｔ２の間の期間の長さと、開始時期ｔ１及び過去時期ｔ４の間の期間の長さとの差の絶対値が、予め定められた値よりも小さくなるように、過去時刻を決定する。

予め定められた値は、１日であってもよく、３日であってもよく、５日であってもよく、７日であってもよく、１０日であってもよく、１４日であってもよく、２１日であってもよい。予め定められた値は、７日以下であることが好ましい。予め定められた値が７日以下である場合、直近データ取得部３３２が取得したデータに含まれる特定の曜日のデータの個数と、過去データ取得部３３４が取得したデータに含まれる特定の曜日のデータの個数とが略一致する。

過去データ取得部３３４は、予測時期ｔ２又は直近時期ｔ３の少なくとも一方が属する日の曜日を考慮して、過去時期ｔ４を決定してよい。例えば、過去データ取得部３３４は、予測時期ｔ２又は直近時期ｔ３の少なくとも一方が属する日の曜日と、過去時期ｔ４が属する日の曜日とが同一となるように、過去時期ｔ４を決定する。これにより、開始時期ｔ１及び予測時期ｔ４の間の期間の長さと、開始時期ｔ１及び過去時期ｔ４の間の期間の長さとの差の絶対値は、７日よりも小さくなり得る。

本実施形態において、パラメータ決定部３４０は、予測用特徴量セット生成部３６０における処理に利用される各種のパラメータを決定する。上記のパラメータは、直近時期ｔ３における特徴量の値から、予測時期ｔ２における特徴量の値を算出するための関数に含まれる係数であってよい。

パラメータ決定部３４０は、直近データ取得部３３２が取得したデータと、過去データ取得部３３４が取得したデータとに基づいて、上記のパラメータを決定してよい。より具体的には、パラメータ決定部３４０は、直近データ取得部３３２が取得した１以上の特徴量のそれぞれの値、及び、過去データ取得部３３４が取得した１以上の特徴量のそれぞれの値に基づいて、直近時刻における１以上の特徴量のそれぞれの値から、対象期間の始期における１以上の特徴量のそれぞれの値を算出するためのパラメータを決定する。

一実施形態において、パラメータ決定部３４０は、過去データ取得部３３４が取得した１以上の特徴量のそれぞれの値に対する、直近データ取得部３３２が取得した１以上の特徴量のそれぞれの値の比を、パラメータの少なくとも一部として決定する。これにより、予測時刻ｔ２における各特徴量の値が比較的精度よく予測され得る。例えば、パラメータ決定部３４０は、過去データ取得部３３４が取得した２０１９年５月１６日（木）１９時における特徴量Ａの値ｐに対する、直近データ取得部３３２が取得した２０２０年５月１４日（木）１９時における特徴量Ａの値ｑの比（ｑ／ｐ）を、２０２１年５月１３日（木）１９時における特徴量Ａの値を予測するためのパラメータの少なくとも一部として決定する。

上記の具体例においては、過去時刻の属する日の曜日と、直近時刻の属する日の曜日と、対象期間の始期の属する日の曜日とが同一になる場合を例として、パラメータの決定方法の詳細が説明された。しかしながら、パラメータの決定方法は、上記の具体例に限定されない。他の実施形態において、パラメータ決定部３４０は、過去データ取得部３３４が取得した２０１９年５月１４日（火）の各時間帯における特徴量Ａの値ｒに対する、直近データ取得部３３２が取得した２０２０年５月１４日（木）の各時間帯における特徴量Ａの値ｑの比（ｑ／ｒ）を、２０２１年５月１４日（金）の各時間帯における特徴量Ａの値を予測するためのパラメータの少なくとも一部として決定してもよい。

例えば、直近時期ｔ３における特徴量の値ｘから、予測時期ｔ２における特徴量の値ｙを算出するための関数が、ｙ＝ａｘ＋ｂで示される一次多項式である場合、上記の比は、上記の一次多項式の係数ａに相当する。特徴量の種類によっては、最大値又は最小値が定められている場合がある。このような場合、予測時期ｔ２における特徴量の値によっては、上記の比に基づくパラメータの値が調整され得る。なお、上記の関数は一次多項式に限定されない。

他の実施形態において、パラメータ決定部３４０は、予測処理の開始時期から対象期間の始期までの間における、ターゲットとなる特徴量の変動量の予測値を、パラメータの少なくとも一部として決定する。パラメータ決定部３４０は、例えば、予測処理の開始時期から対象期間の始期までの間における、特定の基地局２０又はセルにおける通信端末の個数又は通信量の変動の予測値に基づいて、当該特定の基地局２０又はセルにおけるターゲットとなる特徴量の変動量の予測値を決定する。これにより、予測時刻ｔ２における各特徴量の値がさらに精度よく予測され得る。

例えば、イベントの開催、通信端末３０の販売促進策の実行などにより、特定の地域における通信端末３０の個数の増加が見込まれる場合がある。また、例えば、特定の基地局２０における通信端末３０の個数及び上記のターゲットとなる特徴量の相関関係が得られている場合、特定の基地局２０における通信端末３０の個数の増加量から、当該特定の基地局２０における上記のターゲットとなる特徴量の変動量が予測され得る。このような場合、上記の特定の地域に配された１以上の基地局２０のそれぞれについて、上記のターゲットとなる特徴量の変動量の予測値が加算されることで、予測時期ｔ２における特徴量の値の予測精度が向上する。

例えば、直近時期ｔ３における特徴量の値ｘから、予測時期ｔ２における特徴量の値ｙを算出するための関数が、ｙ＝ａｘ＋ｂで示される一次多項式である場合、上記の予測値は、上記の一次多項式の係数ｂに相当する。特徴量の種類によっては、最大値又は最小値が定められている場合がある。このような場合、予測時期ｔ２における特徴量の値によっては、上記の予測量に基づくパラメータの値が調整され得る。なお、上記の関数は一次多項式に限定されない。

上記の実施形態においては、パラメータ決定部３４０が、直近期間に含まれる複数の直近時期ｔ３のそれぞれについて、対応する予測時期ｔ２における特徴量の値を算出するための関数に含まれる係数を算出する場合を例として、パラメータ決定部３４０の詳細が説明された。しかしながら、パラメータ決定部３４０は本実施形態に限定されない。他の実施形態において、パラメータ決定部３４０は、直近期間に含まれる複数の直近時期ｔ３における特徴量の値を用いて、対象期間に含まれる任意の予測時期ｔ２における特徴量の値を算出するための関数を導出する。

例えば、パラメータ決定部３４０は、過去データ取得部３３４が取得した２０１９年５月１日〜５月３０日までの期間における各時間帯の特徴量Ａの値ｐに対する、直近データ取得部３３２が取得した２０２０年５月１日〜５月３０日までの期間における対応する時間帯の特徴量Ａの値ｑの比（ｑ／ｐ）を算出する。これにより、２４個／日×３０日＝７２０個の比が算出される。パラメータ決定部３４０は、例えば、特徴量Ａの値ｐ又は特徴量Ａの値ｑと、上記の比とをプロットして、カーブフィッティングにより、特徴量Ａの値から上記の比の値を算出するための関数ａ（ｘ）を決定する。直近時期ｔ３における特徴量の値ｘから、予測時期ｔ２における特徴量の値ｙを算出するための関数ｆ（ｘ）が、ｙ＝ａ（ｘ）・ｘ＋ｂで示される一次多項式である場合、パラメータ決定部３４０は、関数ａ（ｘ）と、関数ｆ（ｘ）とを用いて、予測時期ｔ２における特徴量の値を算出することができる。

本実施形態において、学習用特徴量セット生成部３５０は、学習用特徴量セットを生成する。学習用特徴量セット生成部３５０は、複数の学習用特徴量セットを１組として、学習部２４２の教師データを生成してもよい。学習用特徴量セット生成部３５０は、基地局ごとに教師データを生成してよい。学習用特徴量セット生成部３５０は、基地局の属性ごとに教師データを生成してもよい。

学習用特徴量セット生成部３５０は、基地局の属性の特定の組み合わせごとに教師データを生成してもよい。基地局の属性の特定の組み合わせとしては、例えば、（ｉ）基地局２０で使用される通信機器又は制御機器のベンダー、（ｉｉ）当該通信機器又は制御機器において使用可能な周波数帯、及び、（ｉｉｉ）基地局２０が配された位置又はエリアの属性の少なくとも２つの組み合わせが例示される。

学習用特徴量セット生成部３５０は、例えば、開始時期ｔ１より前の期間における基地局２０の通信状態に関する１以上の特徴量のそれぞれに基づいて、１以上の学習用特徴量セットを生成する。１以上の学習用特徴量セットのそれぞれは、例えば、開始時期ｔ１より前の時刻における１以上の特徴量のそれぞれを示す情報を含む。上記の時刻は、当該時刻を含む単位期間を代表する時刻であってもよい。

１以上の学習用特徴量セットのそれぞれは、例えば、ターゲット決定部３２２により決定されたターゲットとなる特徴量を示す情報と、データ項目決定部３２４により決定されたデータ項目に合致する１以上の種類の特徴量のそれぞれを示す情報とを含む。ターゲットとなる特徴量を示す情報は、当該特徴量の値を示す情報であってよい。１以上の種類の特徴量のそれぞれを示す情報は、各特徴量の値を示す情報であってよい。

学習用特徴量セット生成部３５０が複数の学習用特徴量セットを生成する場合、複数の学習用特徴量セットのそれぞれは、例えば、（ｉ）開始時期ｔ１より前の複数の時刻のそれぞれにおける、上記のターゲットとなる特徴量を示す情報と、（ｉｉ）開始時期ｔ１より前の複数の時刻のそれぞれにおける、上記のデータ項目に合致する１以上の種類の特徴量のそれぞれを示す情報とを含んでよい。上記の複数の時刻のそれぞれは、各時刻を含む単位期間を代表する時刻であってもよい。

本実施形態において、学習用特徴量セット生成部３５０は、直近データ取得部３３２及び過去データ取得部３３４の少なくとも一方が取得したデータに基づいて、１以上の学習用特徴量セットを生成する。上述されたとおり、直近データ取得部３３２及び過去データ取得部３３４は、第１時刻より前の期間における各種の特徴量のデータを取得する。

本実施形態において、予測用特徴量セット生成部３６０は、予測用特徴量セットを生成する。予測用特徴量セットは、推定部２４４に入力される入力データとして用いられる。上記の入力データは、単一の予測用特徴量セットにより構成されていてもよく、複数の予測用特徴量セットにより構成されていてもよい。

予測用特徴量セット生成部３６０は、基地局２０ごとに入力データを生成してもよく、セルごとに入力データを生成してもよく、予め定められた地理的範囲を有するエリアごとに入力データを生成してもよい。上記のエリアとしては、行政界、地図上に仮想的に配された区画（メッシュと称される場合がある。）などが例示される。

予測用特徴量セット生成部３６０は、例えば、開始時期ｔ１より前の期間における基地局２０の通信状態に関する１以上の特徴量のそれぞれに基づいて、１以上の予測用特徴量セットを生成する。１以上の予測用特徴量セットのそれぞれは、例えば、予測時期ｔ２における１以上の特徴量のそれぞれを示す情報を含む。上述されたとおり、予測時期ｔ２は、将来の特定の時刻又は当該時刻を含む単位期間を示す。

１以上の予測用特徴量セットのそれぞれは、例えば、データ項目決定部３２４により決定されたデータ項目に合致する１以上の種類の特徴量のそれぞれを示す情報とを含む。１以上の種類の特徴量のそれぞれを示す情報は、各特徴量の値を示す情報であってよい。１以上の予測用特徴量セットのそれぞれは、ターゲット決定部３２２により決定されたターゲットとなる特徴量を示す情報を含まなくてよい。ターゲットとなる特徴量を示す情報は、当該特徴量の値を示す情報であってよい。

予測用特徴量セット生成部３６０が複数の予測用特徴量セットを生成する場合、複数の予測用特徴量セットのそれぞれは、対象期間に含まれる複数の予測時期ｔ２のそれぞれにおける１以上の特徴量のそれぞれを示す情報を含んでよい。上記の１以上の特徴量は、上記のデータ項目に合致する１以上の種類の特徴量であってよい。特徴量を示す情報は、当該特徴量の値を示す情報であってよい。

本実施形態において、予測用特徴量セット生成部３６０は、パラメータ決定部３４０が決定したパラメータを用いて、予測用特徴量セットを生成する。例えば、予測用特徴量セット生成部３６０は、直近データ取得部３３２が取得したデータと、パラメータ決定部３４０が決定したパラメータとに基づいて、予測用特徴量セットを生成する。

上述されたとおり、直近データ取得部３３２は、特定の直近時期ｔ３における各特徴量の値を示す情報を取得する。パラメータ決定部３４０は、当該特定の直近時期ｔ３における各特徴量に対応するパラメータの値を決定する。また、パラメータ決定部３４０により決定されたパラメータは、直近時期ｔ３における特徴量の値から、予測時期ｔ２における特徴量の値を算出するための関数に含まれる係数であり得る。

予測用特徴量セット生成部３６０は、特定の直近時期ｔ３における特徴量ごとに、対応する予測時期ｔ２における特徴量の値を決定する。例えば、予測用特徴量セット生成部３６０は、下記の手順により、データ項目により示された特徴量Ａの予測時期ｔ２における値を算出する。

まず、予測用特徴量セット生成部３６０は、パラメータ決定部３４０が決定したパラメータを用いて、特徴量Ａの値を算出するための関数を決定する。例えば、予測用特徴量セット生成部３６０は、上記の関数に含まれる１以上の係数のそれぞれに、パラメータ決定部３４０が特徴量Ａに関するパラメータの値を設定する。次に、予測用特徴量セット生成部３６０は、特定の直近時期ｔ３における特徴量Ａの値を、上記の関数に代入する。これにより、予測時期ｔ２における特徴量Ａの値が決定される。予測用特徴量セット生成部３６０は、データ項目決定部３２４により決定された１以上のデータ項目のそれぞれについて上記の作業を繰り返すことで、予測用特徴量セットを生成する。

例えば、パラメータ決定部３４０が、過去データ取得部３３４が取得した２０１９年５月１６日（木）１９時における特徴量Ａの値ｐに対する、直近データ取得部３３２が取得した２０２０年５月１４日（木）１９時における特徴量Ａの値ｑの比（ｑ／ｐ）を、２０２１年５月１３日（木）１９時における特徴量Ａの値を予測するためのパラメータの少なくとも一部として決定した場合を例として、予測時期ｔ２における特徴量Ａの値の決定手順の具体例が説明される。

一実施形態において、直近時期ｔ３における特徴量の値ｘから、予測時期ｔ２における特徴量の値ｙを算出するための関数が、ｙ＝ａｘで示される一次多項式であり、係数ａが上述された比である場合、パラメータ決定部３４０は、直近データ取得部３３２が取得した２０２０年５月１４日（木）１９時における特徴量Ａの値ｑに、上記の比ｑ／ｐを乗じた値を、２０２１年５月１３日（木）１９時における特徴量Ａの値として決定する。

他の実施形態において、直近時期ｔ３における特徴量の値ｘから、予測時期ｔ２における特徴量の値ｙを算出するための関数が、ｙ＝ａｘ＋ｂで示される一次多項式であり、係数ａが上述された比であり、係数ｂが上述された特徴量Ａの変動量の予測値ｓである場合、パラメータ決定部３４０は、直近データ取得部３３２が取得した２０２０年５月１４日（木）１９時における特徴量Ａの値ｑに上記の比ｑ／ｐを乗じ、さらに上記の予測値ｓを加えた値を、２０２１年５月１３日（木）１９時における特徴量Ａの値として決定する。

上述されたとおり、特徴量の種類によっては、最大値又は最小値が定められている場合がある。このような場合、予測用特徴量セット生成部３６０は、上記の関数の種類、上記の関数のパラメータの値、及び、上記の関数の出力値の少なくとも１つを調整して、予測時期ｔ２における特徴量の値が、上記の最大値より大きくなったり、上記の最小値より小さくなったりすることを防止してよい。

一実施形態において、上記の関数の出力値が上記の最大値を超える場合、予測用特徴量セット生成部３６０は、当該関数の出力値の代わりに当該最大値を、予測時期ｔ２における特徴量の値として決定する。同様に、上記の関数の出力値が上記の最小値に満たない場合、予測用特徴量セット生成部３６０は、当該関数の出力値の代わりに当該最小値を、予測時期ｔ２における特徴量の値として決定する。

他の実施形態において、例えば、上記の最大値に対する上記の関数の出力値の比が予め定められた値よりも大きい場合、予測用特徴量セット生成部３６０は、予め定められたアルゴリズムに基づいて、上記のパラメータの値を調整する。同様に、例えば、上記の最小値に対する上記の関数の出力値の比が予め定められた値よりも小さい場合、予測用特徴量セット生成部３６０は、予め定められたアルゴリズムに基づいて、上記のパラメータの値を調整する。

さらに他の実施形態において、例えば、上記の最大値に対する上記の関数の出力値の比が予め定められた値よりも大きい場合、予測用特徴量セット生成部３６０は、上記の関数の種類を変更する。同様に、例えば、上記の最小値に対する上記の関数の出力値の比が予め定められた値よりも小さい場合、予測用特徴量セット生成部３６０は、上記の関数の種類を変更する。

直近データ取得部３３２は、第１基準データ取得部の一例であってよい。過去データ取得部３３４は、第２基準データ取得部の一例であってよい。パラメータ決定部３４０は、パラメータ決定部の一例であってよい。学習用特徴量セット生成部３５０は、第２特徴量セット生成部の一例であってよい。予測用特徴量セット生成部３６０は、第１特徴量セット生成部の一例であってよい。

ターゲットは、輻輳状態を示す特定の特徴量の一例であってよい。データ項目は、通信状態を示す１以上の特徴量の一例であってよい。開始時期ｔ１は、第１時刻の一例であってよい。予測時期ｔ２は、第２時刻又は第２単位期間の一例であってよい。直近時期ｔ３は、第３時刻又は第３単位期間の一例であってよい。過去時期ｔ４は、第４時刻又は第４単位期間の一例であってよい。将来の特定の時刻を含む単位期間は、第２単位期間の一例であってよい。直近時刻を含む単位期間は、第３単位期間の一例であってよい。過去時刻を含む単位期間は、第４単位期間の一例であってよい。

なお、本実施形態においては、過去データ取得部３３４が、予測時期決定部３２６が決定した１以上の予測時期ｔ２及び直近データ取得部３３２が決定した１以上の直近時期ｔ３の少なくとも一方に基づいて、１以上の過去時期ｔ４を決定する場合を例として、特徴量セット生成部２３０の詳細が説明された。しかしながら、特徴量セット生成部２３０は、本実施形態に限定されない。他の実施形態において、直近データ取得部３３２及び過去データ取得部３３４の少なくとも一方が、統計情報に含まれる各種の特徴量が観測された曜日を考慮して、各種のデータを取得してよい。過去データ取得部３３４が上記のデータを取得する期間及び直近データ取得部３３２が上記のデータを取得する期間は、直近データ取得部３３２が取得したデータに含まれる特定の曜日のデータの個数と、過去データ取得部３３４が取得したデータに含まれる特定の曜日のデータの個数とが略一致するように決定されてよい。

例えば、直近データ取得部３３２が、直近時期ｔ３の少なくとも一方が属する日の曜日と、過去時期ｔ４が属する日の曜日とが同一となるように、直近時期ｔ３を決定してもよい。これにより、直近時期ｔ３の属する日の曜日と、過去時期ｔ４の属する日の曜日とが同一になるように、直近時期ｔ３及び過去時期ｔ４が選定され得る。

図４は、特徴量セット生成部２３０における情報処理の一例を概略的に示す。図４を用いて、特徴量セット生成部２３０における学習用特徴量セット及び予測用特徴量セットの生成処理の一例が説明される。

図４に示されるとおり、本実施形態によれば、まず、直近データ取得部３３２が、基地局情報格納部２６２にアクセスして、直近期間に含まれる複数の直近時刻ｔ３のそれぞれについて、ターゲット決定部３２２により決定されたターゲットとなる特徴量と、データ項目決定部３２４により決定されたデータ項目に合致する１以上の種類の特徴量とを抽出する。直近データ取得部３３２は、抽出された情報を結合して、直近データ４０２を生成する。直近データ取得部３３２は、直近データ４０２を、パラメータ決定部３４０及び学習用特徴量セット生成部３５０に出力する。

また、過去データ取得部３３４が、基地局情報格納部２６２にアクセスして、過去期間に含まれる複数の過去時刻ｔ４のそれぞれについて、ターゲット決定部３２２により決定されたターゲットとなる特徴量と、データ項目決定部３２４により決定されたデータ項目に合致する１以上の種類の特徴量とを抽出する。過去データ取得部３３４は、抽出された情報を結合して、過去データ４０４を生成する。過去データ取得部３３４は、過去データ４０４を、パラメータ決定部３４０及び予測用特徴量セット生成部３６０に出力する。

次に、パラメータ決定部３４０が、直近データ４０２及び過去データ４０４に基づいて、パラメータを決定する。パラメータ決定部３４０は、データ項目決定部３２４により決定されたデータ項目に合致する１以上の種類の特徴量のそれぞれについて、パラメータの値を決定してよい。パラメータ決定部３４０は、決定されたパラメータの値を示す情報を、予測用特徴量セット生成部３６０に出力する。パラメータ決定部３４０は、上述された関数の種類を示す情報を、予測用特徴量セット生成部３６０に出力してもよい。

次に、学習用特徴量セット生成部３５０が、直近データ４０２及び過去データ４０４に基づいて、学習用特徴量セット４１２を生成する。学習用特徴量セット生成部３５０は、複数の学習用特徴量セット４１２を１組として、学習部２４２の教師データを生成してもよい。

学習用特徴量セット４１２のそれぞれは、ターゲットの値を示す情報と、１以上の特徴量のそれぞれの値を示す情報とを含む。学習用特徴量セット４１２のそれぞれは、例えば、エリア属性を示す情報と、期間属性を示す情報と、ターゲットの属性を示す情報と、ターゲットの値を示す情報と、データ項目に合致する１以上の特徴量のそれぞれの値を示す情報とを含む。学習用特徴量セット４１２のそれぞれは、さらに、ターゲットの種類を示す情報、及び、１以上の特徴量のそれぞれの種類を示す情報の少なくとも一方を含んでもよい。期間属性を示す情報は、時間帯、平日、休日、気象条件などが例示される。

また、予測用特徴量セット生成部３６０が、直近データ４０２と、パラメータ決定部３４０が出力したパラメータに関する情報とに基づいて、予測用特徴量セット４１４を生成する。予測用特徴量セット生成部３６０は、例えば、基地局ごと又はセルごとに予測用特徴量セット４１４を生成する。

予測用特徴量セット４１４のそれぞれは、データ項目に合致する１以上の特徴量のそれぞれの値を示す情報を含む。予測用特徴量セット４１４のそれぞれは、例えば、エリア属性を示す情報と、期間属性を示す情報と、ターゲットの属性を示す情報と、データ項目に合致する１以上の特徴量のそれぞれの値を示す情報とを含む。予測用特徴量セット４１４のそれぞれは、さらに、ターゲットの種類を示す情報、及び、１以上の特徴量のそれぞれの種類を示す情報の少なくとも一方を含んでもよい。期間属性を示す情報は、時間帯、平日、休日、気象条件などが例示される。

学習用特徴量セット４１２は、第２特徴量セットの一例であってよい。予測用特徴量セット４１４は、第１特徴量セットの一例であってよい。

図５は、輻輳解析システム１６０における情報処理の一例を概略的に示す。図５を用いて、輻輳解析システム１６０における輻輳判定処理の一例が説明される。

図５に示されるとおり、まず、学習部２４２が、特徴量セット格納部２６６にアクセスして、機械学習における教師データとなる学習用特徴量セット４１２を取得する。次に、学習部２４２が、上記の学習用特徴量セット４１２を用いて、通信状態を示す１以上の特徴量から、輻輳状態を示す特定の特徴量を推定するための機械学習を実行する。これにより、推定モデル５０２が生成される。学習部２４２は、基地局の属性の特定の組み合わせごとに機械学習を実行してよい。これにより、上記の組み合わせごとに、推定モデル５０２が生成される。学習部２４２は、学習済みの推定モデル５０２を推定モデル格納部２６４に格納してよい。

次に、推定部２４４が、推定モデル格納部２６４にアクセスして、学習済みの推定モデル５０２を取得する。推定部２４４は、基地局の属性の特定の組み合わせごとに生成された複数の推定モデル５０２を取得してよい。また、特徴量セット格納部２６６にアクセスして、推定モデル５０２への入力データとなる予測用特徴量セット４１４を取得する。

推定部２４４は、推定モデル５０２に予測用特徴量セット４１４を入力する。推定モデル５０２は、予測用特徴量セット４１４に含まれる１以上の特徴量から、予測時期ｔ２におけるターゲットとなる特徴量の値を出力する。

推定部２４４は、予測用特徴量セット４１４に含まれるエリア属性、期間属性及びターゲット属性の少なくとも１つに基づいて、複数の推定モデル５０２の中から、予測用特徴量セット４１４が入力される推定モデル５０２を決定してよい。推定部２４４は、上記の属性の組み合わせによって、予測用特徴量セット４１４が入力される推定モデル５０２を決定してよい。

推定部２４４は、推定モデル５０２の出力結果を示す情報（予測データ５０４と称される場合がある）を、輻輳判定部２５０に出力してよい。予測データ５０４は、例えば、１以上の基地局２０のそれぞれの識別情報と、１以上の基地局２０のそれぞれの予測時期ｔ２におけるターゲットとなる特徴量の値を示す情報とを対応付けて格納する。

次に、輻輳判定部２５０は、予測データ５０４に含まれる１以上の基地局２０のそれぞれについて、各基地局又は各セルが予測時期ｔ２において輻輳しているか否かを判定する。これにより、対象期間に輻輳している可能性の高い基地局２０又はセルが特定され得る。輻輳判定部２５０は、対象期間に輻輳している可能性の高い基地局２０又はセルのリストを生成し、輻輳セルデータ５０６として出力してよい。

図６は、通信管理システム１００における情報処理の一例を概略的に示す。本実施形態によれば、まず、ステップ６１２（ステップがＳと省略して記載される場合がある。）において、統計解析システム１４０の基地局統計情報ＤＢ１４２が、基地局運用システム１２０が出力したログデータ１０２に基づいて、１以上の基地局２０のそれぞれに関する統計情報を生成する。

次に、Ｓ６２２において、輻輳解析システム１６０の統計情報取得部２２２が、基地局統計情報ＤＢ１４２にアクセスして、上記の統計情報を取得し、基地局情報格納部２６２に格納する。次に、Ｓ６２４において、学習用特徴量セット生成部３５０が学習用特徴量セット４１２を生成する。また、予測用特徴量セット生成部３６０が予測用特徴量セット４１４を生成する。

次に、Ｓ６３２において、機械学習システム２４０の学習部２４２が、推定モデル５０２を生成する。その後、Ｓ６３４において、機械学習システム２４０の推定部２４４が、予測用特徴量セット４１４を、学習済みの推定モデル５０２に入力する。また、Ｓ６３６において、機械学習システム２４０の推定部２４４が、推定モデル５０２を用いて、予測時期ｔ２におけるターゲットとなる特徴量の値を出力する。機械学習システム２４０の推定部２４４は、予測データ５０４を輻輳判定部２５０に出力してよい。

次に、Ｓ６４２において、輻輳判定部２５０が、予測データ５０４に基づいて、例えば、セルごとの需要を予測する。具体的には、予測データ５０４に含まれる１以上の基地局２０のそれぞれについて、各基地局又は各セルが予測時期ｔ２において輻輳しているか否かを判定する。また、Ｓ６４４において、輻輳判定部２５０が、対象期間に輻輳している可能性の高い基地局２０又はセルのリストを生成し、輻輳セルデータ５０６として出力する。

［実施例］
図７及び図８を用いて、輻輳解析システム１６０を用いて１年後に輻輳が発生する可能性の高いセル又は基地局２０を予測した実証実験の詳細が説明される。図７は、実証実験に用いた基地局の概要を示す。図８は、実証実験の結果を示す。

具体的には、３８３１１個の基地局において取得されたログデータを用いて、１年後に輻輳の発生が予測される基地局を特定することを試みた。図７に示されるとおり、３８３１１個の基地局は、実験Ｎｏ．１から１４までの１４個のグループに分類された。

［機械学習に関する条件］
全ての実験において、対象期間、直近期間及び過去期間の長さは２週間であった。対象期間の始期と、直近期間の始期との間の期間の長さは、約５２週となるように設定された。また、直近期間の始期と、過去期間の始期との間の期間の長さは、約５２週となるように設定された。対象期間の始期、直近期間の始期、及び、過去期間の始期の属する日の曜日が同一になるように、対象期間、直近期間、及び、過去期間が決定された。予測時期、直近時期及び過去時期の単位期間の長さは、１時間であった。

全ての実験において、ターゲットとなる特徴量は、ＤＬ＿Ｕｓｅｒ＿Ｔｈｒｏｕｇｈｐｕｔであった。また、全ての実験において、データ項目は、Ｄａｔａ＿Ｖｏｌ＿ＤＬ、ＲＲＣ＿ＣＵ＿ＡＶＧ、ＲＲＣ＿ＣＵ＿ＭＡＸ、ＣＡ Ａｃｔｉｖｅ ＵＥｓ、Ｅ＿ＲＡＢ＿ＡＴＴ、ＰＲＢ＿Ｕｓａｇｅ＿ＤＬ、ＣＣＥ＿Ｕｓａｇｅ、ＣＱＩ＿ＡＶＧ、ＡＤＲ、ＳＩＮＲ＿ＰＵＣＣＨ、ＳＩＮＲ＿ＰＵＳＣＨ、ＲＳＳＩ＿ＰＵＣＣＨ、ＲＳＳＩ＿ＰＵＳＣＨ、平均ＵＬ＿ＰａｔｈＬｏｓｓ、平均飛距離、ＵＬ＿ＤＴＸ率、ＤＬ＿ＤＴＸ率、ＭＩＭＯモード、異ＱＣＩのＶｏｌ＿ＤＬ、ＵＬ平均ＭＣＳ、及び、ＤＬ平均ＭＣＳであった。

なお、学習用特徴量セットは、各グループに属する基地局に関する統計情報を利用して生成された。そのため、実験ごとに異なる学習用特徴量セットが用意された。その結果、実験Ｎｏ．１から１４により示されるグループごとに異なる推定モデルが生成された。

［基地局に関する条件］
図７に、各実験に用いられた基地局に関する情報を示す。図において、ベンダーは、基地局に配された通信機器のベンダーを示す。図７に示されるとおり、各実験は、Ａ社、Ｂ社、Ｃ社及びＤ社の通信機器を用いて実施された。

図７において、ターゲット属性は、ターゲットであるＤＬ＿Ｕｓｅｒ＿Ｔｈｒｏｕｇｈｐｕｔの取得条件又は測定条件に関する情報を示す。例えば、実験Ｎｏ．１においては、ＤＬ＿Ｕｓｅｒ＿Ｔｈｒｏｕｇｈｐｕｔが、基地局及びスマートフォンがＢａｎｄ−１の周波数帯を利用して通信しているときに取得又は測定されたデータに基づく情報であることを示す。

図７において、エリア属性は、基地局が配された地域の属性を示す。なお、実験ＮＯ．４においては、サンプルとなるデータ数が少なかったことから、エリア属性が「大都市部」であるエリアに配された基地局のデータと、エリア属性が「都市部」であるエリアに配された基地局のデータとを用いて、実験が実施された。

［輻輳の判定方法］
推定モデルに入力された予測用特徴量セットに含まれる１時間あたりのＲＲＣ＿ＣＵ＿ＡＶＧの値と、推定モデルが出力したＤＬ＿Ｕｓｅｒ＿Ｔｈｒｏｕｇｈｐｕｔの予測値とに基づいて、各基地局における輻輳の発生の有無が判定された。輻輳の発生の有無は、回帰分析及び二値分析の２種類の方法により判定された。

より具体的には、１時間あたりのＲＲＣ＿ＣＵ＿ＡＶＧが２２人以上の条件において、ＤＬ＿Ｕｓｅｒ＿Ｔｈｒｏｕｇｈｐｕｔの予測値が３Ｍｂｐｓ未満であった時間の累積値が、１週間あたり１０時間以上であるという条件に合致する場合、当該基地局において輻輳が発生すると判定した。なお、１週間は１６８時間とした。

［判定結果の評価］
図８に、判定結果に対する評価を示す。判定結果を評価するために、判定が実施された時点から時間が経過して、実際に対象時期になったときに、各基地局におけるＤＬ＿Ｕｓｅｒ＿Ｔｈｒｏｕｇｈｐｕｔのデータを取得した。また、現実の対象時期に取得されたＤＬ＿Ｕｓｅｒ＿Ｔｈｒｏｕｇｈｐｕｔのデータを用いて、上記の判定条件に従って、輻輳の発生の有無を決定した。上記の決定結果と、判定結果とを比較することで、判定結果を評価した。

図８に示されるとおり、判定結果に対する評価は、ベンダごとに実施された。具体的には、実験Ｎｏ．１、２及び３がまとめて評価された。実験Ｎｏ．４及び５がまとめて評価された。実験Ｎｏ．６、７及び８がまとめて評価された。実験Ｎｏ．９、１０及び１１がまとめて評価された。実験Ｎｏ．１２、１３及び１４がまとめて評価された。

判定結果の良否は、正解率、適合率及び再現率により評価された。（ｉ）輻輳すると予測されており、実際に輻輳した基地局又はセルの個数をＴＰとし、（ｉｉ）輻輳すると予測されており、実際には輻輳しなかった基地局又はセルの個数をＦＰとし、（ｉｉｉ）輻輳しないと予測されており、実際には輻輳した基地局又はセルの個数をＦＮとし、（ｉｖ）輻輳しないと予測されており、実際に輻輳しなかった基地局又はセルの個数をＴＮとした場合、正解率は、（ＴＰ＋ＴＮ）／（ＴＰ＋ＦＰ＋ＦＮ＋ＴＮ）として算出された。同様に、適合率は、ＴＰ／（ＴＰ＋ＦＰ）として算出された。また、再現率は、ＴＰ／（ＴＰ＋ＦＮ）として算出された。

図８に示されるとおり、非常に優れた正解率が得られた。なお、判定が実施された時点から、実際に対象時期になるまでの間にも、現実の世界においては、日々、輻輳の発生を防止するべく、基地局の設定が調整されたり、基地局が増設されたりしている。そのため、適合率及び再現率が比較的小さな値となっている。

図９は、本発明の複数の態様が全体的又は部分的に具現化されてよいコンピュータ３０００の一例を示す。通信管理システム１００の少なくとも一部は、コンピュータ３０００により実現されてよい。例えば、基地局運用システムの少なくとも一部が、コンピュータ３０００により実現される。例えば、統計解析システム１４０の少なくとも一部が、コンピュータ３０００により実現される。例えば、輻輳解析システム１６０の少なくとも一部が、コンピュータ３０００により実現される。

コンピュータ３０００にインストールされたプログラムは、コンピュータ３０００に、本発明の実施形態に係る装置に関連付けられるオペレーション又は当該装置の１又は複数の「部」として機能させ、又は当該オペレーション又は当該１又は複数の「部」を実行させることができ、及び／又はコンピュータ３０００に、本発明の実施形態に係るプロセス又は当該プロセスの段階を実行させることができる。そのようなプログラムは、コンピュータ３０００に、本明細書に記載のフローチャート及びブロック図のブロックのうちのいくつか又はすべてに関連付けられた特定のオペレーションを実行させるべく、ＣＰＵ３０１２によって実行されてよい。

本実施形態によるコンピュータ３０００は、ＣＰＵ３０１２、ＲＡＭ３０１４、グラフィックコントローラ３０１６、及びディスプレイデバイス３０１８を含み、それらはホストコントローラ３０１０によって相互に接続されている。コンピュータ３０００はまた、通信インターフェース３０２２、ハードディスクドライブ３０２４、ＤＶＤ−ＲＯＭドライブ３０２６、及びＩＣカードドライブのような入出力ユニットを含み、それらは入出力コントローラ３０２０を介してホストコントローラ３０１０に接続されている。コンピュータはまた、ＲＯＭ３０３０及びキーボード３０４２のようなレガシの入出力ユニットを含み、それらは入出力チップ３０４０を介して入出力コントローラ３０２０に接続されている。

ＣＰＵ３０１２は、ＲＯＭ３０３０及びＲＡＭ３０１４内に格納されたプログラムに従い動作し、それにより各ユニットを制御する。グラフィックコントローラ３０１６は、ＲＡＭ３０１４内に提供されるフレームバッファ等又はそれ自体の中に、ＣＰＵ３０１２によって生成されるイメージデータを取得し、イメージデータがディスプレイデバイス３０１８上に表示されるようにする。

通信インターフェース３０２２は、ネットワークを介して他の電子デバイスと通信する。ハードディスクドライブ３０２４は、コンピュータ３０００内のＣＰＵ３０１２によって使用されるプログラム及びデータを格納する。ＤＶＤ−ＲＯＭドライブ３０２６は、プログラム又はデータをＤＶＤ−ＲＯＭ３００１から読み取り、ハードディスクドライブ３０２４にＲＡＭ３０１４を介してプログラム又はデータを提供する。ＩＣカードドライブは、プログラム及びデータをＩＣカードから読み取り、及び／又はプログラム及びデータをＩＣカードに書き込む。

ＲＯＭ３０３０はその中に、アクティブ化時にコンピュータ３０００によって実行されるブートプログラム等、及び／又はコンピュータ３０００のハードウェアに依存するプログラムを格納する。入出力チップ３０４０はまた、様々な入出力ユニットをパラレルポート、シリアルポート、キーボードポート、マウスポート等を介して、入出力コントローラ３０２０に接続してよい。

プログラムが、ＤＶＤ−ＲＯＭ３００１又はＩＣカードのようなコンピュータ可読記憶媒体によって提供される。プログラムは、コンピュータ可読記憶媒体から読み取られ、コンピュータ可読記憶媒体の例でもあるハードディスクドライブ３０２４、ＲＡＭ３０１４、又はＲＯＭ３０３０にインストールされ、ＣＰＵ３０１２によって実行される。これらのプログラム内に記述される情報処理は、コンピュータ３０００に読み取られ、プログラムと、上記様々なタイプのハードウェアリソースとの間の連携をもたらす。装置又は方法が、コンピュータ３０００の使用に従い情報のオペレーション又は処理を実現することによって構成されてよい。

例えば、通信がコンピュータ３０００及び外部デバイス間で実行される場合、ＣＰＵ３０１２は、ＲＡＭ３０１４にロードされた通信プログラムを実行し、通信プログラムに記述された処理に基づいて、通信インターフェース３０２２に対し、通信処理を命令してよい。通信インターフェース３０２２は、ＣＰＵ３０１２の制御の下、ＲＡＭ３０１４、ハードディスクドライブ３０２４、ＤＶＤ−ＲＯＭ３００１、又はＩＣカードのような記録媒体内に提供される送信バッファ領域に格納された送信データを読み取り、読み取られた送信データをネットワークに送信し、又はネットワークから受信した受信データを記録媒体上に提供される受信バッファ領域等に書き込む。

また、ＣＰＵ３０１２は、ハードディスクドライブ３０２４、ＤＶＤ−ＲＯＭドライブ３０２６（ＤＶＤ−ＲＯＭ３００１）、ＩＣカード等のような外部記録媒体に格納されたファイル又はデータベースの全部又は必要な部分がＲＡＭ３０１４に読み取られるようにし、ＲＡＭ３０１４上のデータに対し様々なタイプの処理を実行してよい。ＣＰＵ３０１２は次に、処理されたデータを外部記録媒体にライトバックしてよい。

様々なタイプのプログラム、データ、テーブル、及びデータベースのような様々なタイプの情報が記録媒体に格納され、情報処理を受けてよい。ＣＰＵ３０１２は、ＲＡＭ３０１４から読み取られたデータに対し、本開示の随所に記載され、プログラムの命令シーケンスによって指定される様々なタイプのオペレーション、情報処理、条件判断、条件分岐、無条件分岐、情報の検索／置換等を含む、様々なタイプの処理を実行してよく、結果をＲＡＭ３０１４に対しライトバックする。また、ＣＰＵ３０１２は、記録媒体内のファイル、データベース等における情報を検索してよい。例えば、各々が第２の属性の属性値に関連付けられた第１の属性の属性値を有する複数のエントリが記録媒体内に格納される場合、ＣＰＵ３０１２は、当該複数のエントリの中から、第１の属性の属性値が指定されている条件に一致するエントリを検索し、当該エントリ内に格納された第２の属性の属性値を読み取り、それにより予め定められた条件を満たす第１の属性に関連付けられた第２の属性の属性値を取得してよい。

上で説明したプログラム又はソフトウェアモジュールは、コンピュータ３０００上又はコンピュータ３０００近傍のコンピュータ可読記憶媒体に格納されてよい。また、専用通信ネットワーク又はインターネットに接続されたサーバシステム内に提供されるハードディスク又はＲＡＭのような記録媒体が、コンピュータ可読記憶媒体として使用可能であり、それにより、上記のプログラムを、ネットワークを介してコンピュータ３０００に提供する。

上記実施形態におけるフローチャート及びブロック図におけるブロックは、オペレーションが実行されるプロセスの段階又はオペレーションを実行する役割を持つ装置の「部」を表わしてよい。特定の段階及び「部」が、専用回路、コンピュータ可読記憶媒体上に格納されるコンピュータ可読命令と共に供給されるプログラマブル回路、及び／又はコンピュータ可読記憶媒体上に格納されるコンピュータ可読命令と共に供給されるプロセッサによって実装されてよい。専用回路は、デジタル及び／又はアナログハードウェア回路を含んでよく、集積回路（ＩＣ）及び／又はディスクリート回路を含んでよい。プログラマブル回路は、例えば、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、及びプログラマブルロジックアレイ（ＰＬＡ）等のような、論理積、論理和、排他的論理和、否定論理積、否定論理和、及び他の論理演算、フリップフロップ、レジスタ、並びにメモリエレメントを含む、再構成可能なハードウェア回路を含んでよい。

コンピュータ可読記憶媒体は、適切なデバイスによって実行される命令を格納可能な任意の有形なデバイスを含んでよく、その結果、そこに格納される命令を有するコンピュータ可読記憶媒体は、フローチャート又はブロック図で指定されたオペレーションを実行するための手段を作成すべく実行され得る命令を含む、製品を備えることになる。コンピュータ可読記憶媒体の例としては、電子記憶媒体、磁気記憶媒体、光記憶媒体、電磁記憶媒体、半導体記憶媒体等が含まれてよい。コンピュータ可読記憶媒体のより具体的な例としては、フロッピー（登録商標）ディスク、ディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ＥＰＲＯＭ又はフラッシュメモリ）、電気的消去可能プログラマブルリードオンリメモリ（ＥＥＰＲＯＭ）、静的ランダムアクセスメモリ（ＳＲＡＭ）、コンパクトディスクリードオンリメモリ（ＣＤ−ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、ブルーレイ（登録商標）ディスク、メモリスティック、集積回路カード等が含まれてよい。

コンピュータ可読命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、又はＳｍａｌｌｔａｌｋ、ＪＡＶＡ（登録商標）、Ｃ＋＋等のようなオブジェクト指向プログラミング言語、及び「Ｃ」プログラミング言語又は同様のプログラミング言語のような従来の手続型プログラミング言語を含む、１又は複数のプログラミング言語の任意の組み合わせで記述されたソースコード又はオブジェクトコードのいずれかを含んでよい。

コンピュータ可読命令は、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサ、又はプログラマブル回路が、フローチャート又はブロック図で指定されたオペレーションを実行するための手段を生成するために当該コンピュータ可読命令を実行すべく、ローカルに又はローカルエリアネットワーク（ＬＡＮ）、インターネット等のようなワイドエリアネットワーク（ＷＡＮ）を介して、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサ、又はプログラマブル回路に提供されてよい。プロセッサの例としては、コンピュータプロセッサ、処理ユニット、マイクロプロセッサ、デジタル信号プロセッサ、コントローラ、マイクロコントローラ等を含む。

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。また、技術的に矛盾しない範囲において、特定の実施形態について説明した事項を、他の実施形態に適用することができる。また、各構成要素は、名称が同一で、参照符号が異なる他の構成要素と同様の特徴を有してもよい。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。

特許請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。

１０ 通信ネットワーク、２０ 基地局、２２ セル、２４ セル、２６ セル、３０ 通信端末、１００ 通信管理システム、１０２ ログデータ、１０４ 統計データ、１２０ 基地局運用システム、１２２ 基地局管理部、１４０ 統計解析システム、１４２ 基地局統計情報ＤＢ、１６０ 輻輳解析システム、２２２ 統計情報取得部、２２４ 属性情報取得部、２３０ 特徴量セット生成部、２４０ 機械学習システム、２４２ 学習部、２４４ 推定部、２５０ 輻輳判定部、２６０ 格納部、２６２ 基地局情報格納部、２６４ 推定モデル格納部、２６６ 特徴量セット格納部、３２２ ターゲット決定部、３２４ データ項目決定部、３２６ 予測時期決定部、３３２ 直近データ取得部、３３４ 過去データ取得部、３４０ パラメータ決定部、３５０ 学習用特徴量セット生成部、３６０ 予測用特徴量セット生成部、４０２ 直近データ、４０４ 過去データ、４１２ 学習用特徴量セット、４１４ 予測用特徴量セット、５０２ 推定モデル、５０４ 予測データ、５０６ 輻輳セルデータ、３０００ コンピュータ、３００１ ＤＶＤ−ＲＯＭ、３０１０ ホストコントローラ、３０１２ ＣＰＵ、３０１４ ＲＡＭ、３０１６ グラフィックコントローラ、３０１８ ディスプレイデバイス、３０２０ 入出力コントローラ、３０２２ 通信インターフェース、３０２４ ハードディスクドライブ、３０２６ ＤＶＤ−ＲＯＭドライブ、３０３０ ＲＯＭ、３０４０ 入出力チップ、３０４２ キーボード

Claims (17)

1. 第１時刻より前の期間における基地局の通信状態に関する１以上の特徴量のそれぞれに基づいて、前記第１時刻よりも後の第２時刻における前記１以上の特徴量のそれぞれを示す情報を含む第１特徴量セットを生成する第１特徴量セット生成部と、
   通信状態を示す１以上の特徴量から、輻輳状態を示す特定の特徴量を推定するための機械学習により生成された推定モデルを用いて、前記第１特徴量セット生成部が生成した前記第１特徴量セットから、前記第２時刻における前記基地局の前記輻輳状態を示す前記特定の特徴量を出力する推定部と、
   を備える、情報処理装置。
2. 前記第１時刻より前の第３時刻における前記基地局の前記通信状態に関する前記１以上の特徴量のそれぞれの値を取得する第１基準データ取得部と、
   前記第３時刻より前の第４時刻における前記基地局の前記通信状態に関する前記１以上の特徴量のそれぞれの値を取得する第２基準データ取得部と、
   前記第１基準データ取得部が取得した前記１以上の特徴量のそれぞれの値、及び、前記第２基準データ取得部が取得した前記１以上の特徴量のそれぞれの値に基づいて、前記第３時刻における前記１以上の特徴量のそれぞれの値から、前記第２時刻における前記１以上の特徴量のそれぞれの値を算出するためのパラメータを決定するパラメータ決定部と、
   を備え、
   前記第１特徴量セット生成部は、前記パラメータ決定部が決定したパラメータを用いて前記第１特徴量セットを生成する、
   請求項１に記載の情報処理装置。
3. 前記第１基準データ取得部は、前記第３時刻を含み予め定められた長さを有する第３単位期間における前記１以上の特徴量のそれぞれの値に基づいて決定された値を、前記第３時刻における前記１以上の特徴量のそれぞれの値として取得し、
   前記第２基準データ取得部は、前記第４時刻を含み予め定められた長さを有する第４単位期間における前記１以上の特徴量のそれぞれの値に基づいて決定された値を、前記第４時刻における前記１以上の特徴量のそれぞれの値として取得する、
   請求項２に記載の情報処理装置。
4. 前記第３単位期間及び前記第４単位期間は、前記第３単位期間の属する日の曜日と、前記第４単位期間の属する日の曜日とが同一となるように選定される、
   請求項３に記載の情報処理装置。
5. 前記パラメータ決定部は、
   前記第２基準データ取得部が取得した前記１以上の特徴量のそれぞれの値に対する、前記第１基準データ取得部が取得した前記１以上の特徴量のそれぞれの値の比を、前記パラメータの少なくとも一部として決定する、
   請求項２から請求項４までの何れか一項に記載の情報処理装置。
6. 前記パラメータ決定部は、前記第１時刻から前記第２時刻までの間における前記特定の特徴量の変動量の予測値を、前記パラメータの少なくとも一部として決定する、
   請求項２から請求項５までの何れか一項に記載の情報処理装置。
7. 前記第１時刻及び前記第２時刻の間の期間の長さと、前記第１時刻及び前記第４時刻の間の期間の長さとの差の絶対値は、７日よりも小さい、
   請求項２から請求項６までの何れか一項に記載の情報処理装置。
   
8. 前記第１時刻及び前記第２時刻の間の期間の長さと、前記第１時刻及び前記第４時刻の間の期間の長さとの差の絶対値は、前記第１時刻及び前記第３時刻の間の期間の長さを２倍した値に７日を加算して得られる値よりも小さい、
   請求項２から請求項６までの何れか一項に記載の情報処理装置。
9. 前記第１特徴量セット生成部は、前記第２時刻を含み予め定められた長さを有する第２単位期間における前記１以上の特徴量のそれぞれを示す情報を、前記第２時刻における前記１以上の特徴量のそれぞれを示す情報として含む前記第１特徴量セットを生成する、
   請求項１から請求項８までの何れか一項に記載の情報処理装置。
10. 前記推定部が出力した前記第２時刻における前記基地局の前記輻輳状態を示す前記特定の特徴量に基づいて、前記第２時刻において前記基地局が輻輳しているか否かを判定する輻輳判定部をさらに備える、
    請求項１から請求項９までの何れか一項に記載の情報処理装置。
11. 前記第１特徴量セット生成部は、前記第２時刻を含む対象期間に含まれる複数の時刻のそれぞれにおける前記１以上の特徴量のそれぞれを示す情報を含む複数の前記第１特徴量セットを生成し、
    前記推定部は、前記推定モデルを用いて、前記第１特徴量セット生成部が生成した前記複数の第１特徴量セットのそれぞれから、前記対象期間に含まれる前記複数の時刻のそれぞれにおける前記基地局の前記輻輳状態を示す前記特定の特徴量を出力し、
    前記輻輳判定部は、前記推定部が出力した前記対象期間に含まれる前記複数の時刻のそれぞれにおける前記基地局の前記輻輳状態を示す前記特定の特徴量に基づいて、前記対象期間において前記基地局が輻輳しているか否かを判定する、
    請求項１０に記載の情報処理装置。
12. 複数の第２特徴量セットを生成する第２特徴量セット生成部と、
    前記第２特徴量セット生成部が生成した前記複数の第２特徴量セットを用いて、通信状態を示す１以上の特徴量から、輻輳状態を示す特定の特徴量を推定するための機械学習を実行し、前記推定モデルを生成する学習部と、
    をさらに備え、
    前記複数の第２特徴量セットのそれぞれは、前記第１時刻より前の複数の時刻のそれぞれにおける、前記１以上の特徴量のそれぞれを示す情報、及び、前記輻輳状態を示す特定の特徴量を示す情報を含む、
    請求項１から請求項１１までの何れか一項に記載の情報処理装置。
13. 前記基地局の動作状況を示す情報から、前記基地局の前記通信状態に関する前記１以上の特徴量のそれぞれを生成し、前記１以上の特徴量のそれぞれを示す情報を格納する特徴量格納装置から、前記基地局の前記通信状態に関する前記１以上の特徴量を示す情報を取得する特徴量取得部をさらに備える、
    請求項１から請求項１２までの何れか一項に記載の情報処理装置。
14. 請求項１３に記載の情報処理装置と、
    前記特徴量格納装置と、
    を備える、通信管理システム。
15. 請求項１から請求項１３までの何れか一項に記載の情報処理装置と、
    前記基地局と、
    を備える、通信管理システム。
16. コンピュータを、請求項１から請求項１３までの何れか一項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。
17. 第１時刻より前の期間における基地局の通信状態に関する１以上の特徴量のそれぞれに基づいて、前記第１時刻よりも後の第２時刻における前記１以上の特徴量のそれぞれを示す情報を含む第１特徴量セットを生成する第１特徴量セット生成段階と、
    通信状態を示す１以上の特徴量から、輻輳状態を示す特定の特徴量を推定するための機械学習により生成された推定モデルを用いて、前記第１特徴量セット生成段階において生成された前記第１特徴量セットから、前記第２時刻における前記基地局の前記輻輳状態を示す前記特定の特徴量を出力する推定段階と、
    を有する、情報処理方法。

Images