JP5733166B2 - パラメータ設定装置、コンピュータプログラム及びパラメータ設定方法 - Google Patents
パラメータ設定装置、コンピュータプログラム及びパラメータ設定方法 Download PDFInfo
- Publication number
- JP5733166B2 JP5733166B2 JP2011248944A JP2011248944A JP5733166B2 JP 5733166 B2 JP5733166 B2 JP 5733166B2 JP 2011248944 A JP2011248944 A JP 2011248944A JP 2011248944 A JP2011248944 A JP 2011248944A JP 5733166 B2 JP5733166 B2 JP 5733166B2
- Authority
- JP
- Japan
- Prior art keywords
- value function
- value
- learning
- parameter setting
- reward
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
- G05B23/0251—Abstraction hierarchy, e.g. "complex systems", i.e. system is divided in subsystems, subsystems are monitored and results are combined to decide on status of whole system
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Feedback Control In General (AREA)
Description
以下、添付する図面を参照しての実施例について説明する。図1は、通信システムの全体構成例を示す図である。通信システム1は、パラメータ設定装置2及び移動体通信網3を備える。移動体通信網3は、基地局装置4a〜4c及び移動局装置5a〜5cによって形成される。参照符号6a〜6cは、それぞれ基地局4a〜4cによってカバーされるセルを示している。なお、以下の説明において、基地局装置及び移動局装置をそれぞれ基地局及び移動局と表記することがある。また、以下の説明において、基地局4a〜4c、移動局5a〜5c及びセル6a〜6cを総称して、それぞれ「基地局4」、「移動局5」及び「セル6」と表記することがある。
続いて、パラメータ設定装置2の構成について説明する。図2は、パラメータ設定装置のハードウエア構成の第1例を示す図である。パラメータ設定装置2は、CPU10と、記憶装置11と、有線インタフェース12を備えるコンピュータである。なお、図2に示すハードウエア構成は、あくまでパラメータ設定装置2を実現する構成例の1つである。本明細書において後述する処理を実行するものであれば、他のどのようなハードウエア構成が採用されてもよい。
図3は、強化学習のモデルの説明図である。強化学習は、エージェント20が、環境100との相互作用から学習して最終的に受け取る報酬rtの総量を最大化するように方策を改善する行程である。このような強化学習の例としては、例えばQ−Learningが挙げられる。エージェント20は、以下の手順(1)及び(2)で学習する。
続いて、通信システム1の動作の実施例について説明する。図6は、学習処理の第1実施例の説明図である。エージェント20−1は、セル6aの状態に応じてSONアプリケーション21〜26を選択し、セル6a内における移動体通信網3の制御パラメータを最適化する。エージェント20−2は、セル6bの状態に応じてSONアプリケーション21〜26を選択し、セル6b内における移動体通信網3の制御パラメータを最適化する。なお、各エージェント20が制御パラメータを最適化する範囲は、単一セルであってもよく、複数のセルを集合した範囲であってもよい。
続いて、他の実施例について説明する。本実施例では、特性が似通った複数のセルの制御パラメータの最適化をそれぞれ行う複数のエージェントによって、共通の価値関数の学習を行う。図8は、パラメータ設定装置のハードウエア構成の第2例を示す図である。図2に示す構成要素と同様の構成要素には図2で使用した参照符号と同じ参照符号を付し、同一の機能については説明を省略する。
続いて、他の実施例について説明する。本実施例では、上述の第2実施例と同様に第1価値関数31を合成して共通の第2価値関数32を定めた後に、第1価値関数31間の類似度が閾値よりも小さくなるか否かを判断する。第1価値関数31間の類似度が閾値より小さくなった場合には、第2価値関数32の学習と、第2価値関数32に従うSONアプリケーションの選択を停止し、第1価値関数31の学習と、第1価値関数31に従うSONアプリケーションの選択を再開する。第2価値関数32の学習及び第2価値関数32に従うSONアプリケーションの選択を停止し、第1価値関数31の学習と第1価値関数31に従うSONアプリケーションの選択を再開することを第2価値関数32を「分解する」と表現することがある。
続いて、他の実施例について説明する。本実施例では、特性が類似すると予想されるセル毎に分類された、複数のセルを含むセルのグループが形成される。各セルが割り当てられたエージェント20は、学習処理の第1段階において、セルのグループ毎に共通の第1価値関数31の学習を行う。
続いて、他の実施例について説明する。本実施例では、学習の第1段階を計算機シミュレーションによって行い、学習の第2段階を、実際の移動体通信網で行う。図17は、パラメータ設定装置のハードウエア構成の第3例を示す図である。図8に示す構成要素と同様の構成要素には図8で使用した参照符号と同じ参照符号を付し、同一の機能については説明を省略する。
(付記1)
移動体通信網の状態変数に応じて前記移動体通信網の制御パラメータを設定するパラメータ設定装置であって、
前記状態変数に応じた各最適化処理の行動価値を定める共通の価値関数に従い、前記移動体通信網内の異なる複数の範囲の各々について、前記範囲内の状態変数に応じて前記制御パラメータを最適化する複数の最適化処理のうちいずれかを選択して実行する処理と、
前記複数の範囲の各々について、前記範囲内の状態変数に応じた報酬を決定する処理と、
前記範囲毎に決定された前記報酬毎に、前記報酬に応じて前記共通の価値関数を更新する強化学習を行う強化学習処理と、
を実行するプロセッサを備えることを特徴とするパラメータ設定装置。
(付記2)
前記プロセッサは、
前記複数の範囲の各々について、前記範囲内の状態変数に応じた各最適化処理の行動価値を定める第1価値関数を強化学習により学習する第1学習処理と、
前記範囲毎に学習した第1価値関数を合成することにより第2価値関数を前記共通の価値関数として定める合成処理と、を実行し、
共通の前記第2価値関数に合成される第1価値関数の学習が各々行われた複数の前記範囲について決定される前記報酬毎に、前記報酬に応じて前記共通の第2価値関数を更新する強化学習を行う第2学習処理を、前記強化学習処理として実行することを特徴とする付記1に記載のパラメータ設定装置。
(付記3)
前記プロセッサは、
第1価値関数間の類似度を決定する類似度決定処理と、
前記合成処理において第1価値関数を合成するか否かを、前記第1価値関数間の類似度に応じて定める可否判断処理と、
を実行することを特徴とする付記2に記載のパラメータ設定装置。
(付記4)
前記類似度決定処理において前記プロセッサは、同一の状態変数に対して最大の行動価値を有する最適化処理が一致する程度に応じて、第1価値関数間の類似度を決定することを特徴とする付記3に記載のパラメータ設定装置。
(付記5)
前記類似度決定処理において、前記第1学習処理において行動価値が学習された状態変数の数に対する、最大の行動価値を有する最適化処理が一致する状態変数の数の比率に応じて、第1価値関数間の類似度を決定することを特徴とする付記4に記載のパラメータ設定装置。
(付記6)
前記合成可否判断処理において前記プロセッサは、
第1価値関数を合成するか否かを、第1価値関数間の類似度が高い組合せから順に判断し、
一対の第1価値関数を合成するか否かを判断する場合に、前記一対の第1価値関数の一方の第1価値関数が、前記一対の第1価値関数の他方の第1価値関数以外の更に他の第1価値関数と合成されることが決定されている場合に、前記他方の第1価値関数と前記更に他の第1価値関数との類似度に応じて判断することを特徴とする付記3〜5のいずれか一項に記載のパラメータ設定装置。
(付記7)
前記合成処理において前記プロセッサは、合成される第1価値関数間における行動価値の平均値を、第2価値関数の行動価値として定める付記2〜6のいずれか一項に記載のパラメータ設定装置。
(付記8)
第2価値関数の合成後に前記プロセッサは、
前記第2価値関数に合成された前記第1価値関数を強化学習により学習する処理と、
前記第1価値関数の学習が各々行われる複数の範囲において、前記第1価値関数に従い複数の最適化処理のうちいずれかを選択して実行する処理と、を実施し、
前記第1価値関数の学習が各々行われる複数の範囲において、前記第2価値関数に従い最適化処理を選択して実行する処理を停止することを特徴とする付記2〜7のいずれか一項に記載のパラメータ設定装置。
(付記9)
前記プロセッサは、前記第2価値関数に合成された前記第1価値関数間の類似度を決定する処理を実行し、
前記類似度が所定の条件を満たす場合には、前記第2価値関数に従い最適化処理を選択して実行する処理を停止して、前記第1価値関数に従い最適化処理のうちいずれかを選択して実行することを特徴とする付記8に記載のパラメータ設定装置。
(付記10)
前記プロセッサは、
複数のセルをグループ化して形成されるセルのグループ毎に、共通の第1価値関数に従い、セル内の状態変数に応じて複数の最適化処理のうちいずれかを選択して実行する処理と、
セル内の状態変数に応じた報酬を決定する処理と、を実行し、
前記第1学習処理において、前記報酬に応じて前記共通の第1価値関数を更新する強化学習を行うことを特徴とする付記2〜9のいずれか一項に記載のパラメータ設定装置。
(付記11)
前記セルのグループは、基地局からの送信電力の相違及び/又は設置状態の相違に基づき分類されたグループであることを特徴とする付記10に記載のパラメータ設定装置。
(付記12)
前記プロセッサは、前記移動体通信網の制御パラメータに対する状態変数の変化をシミュレートすることにより、前記第1学習処理を実行することを特徴とする請求項2〜11のいずれか一項に記載のパラメータ設定装置。
(付記13)
移動体通信網の状態変数に応じて前記移動体通信網の制御パラメータを設定するコンピュータプログラムであって、
前記コンピュータプログラムは、
前記状態変数に応じた各最適化処理の行動価値を定める共通の価値関数に従い、前記移動体通信網内の異なる複数の範囲の各々について、前記範囲内の状態変数に応じて、前記制御パラメータを最適化する複数の最適化処理のうちいずれかを選択して実行する処理と、
前記複数の範囲の各々について、前記範囲内の状態変数に応じた報酬を決定する処理と、
前記範囲毎に決定された前記報酬毎に、前記報酬に応じて前記共通の価値関数を更新する強化学習を行う強化学習処理と、
をコンピュータに実行させることを特徴とするコンピュータプログラム。
(付記14)
移動体通信網の状態変数に応じて該移動体通信網の制御パラメータを設定するパラメータ設定方法であって、
コンピュータに、
前記状態変数に応じた各最適化処理の行動価値を定める共通の価値関数に従い、前記移動体通信網内の異なる複数の範囲の各々について、前記範囲内の状態変数に応じて、前記制御パラメータを最適化する複数の最適化処理のうちいずれかを選択して実行する処理と、
前記複数の範囲の各々について、前記範囲内の状態変数に応じた報酬を決定する処理と、
前記範囲毎に決定された前記報酬毎に、前記報酬に応じて前記共通の価値関数を更新する強化学習を行う強化学習処理と、
を実行させることを特徴とするパラメータ設定方法。
2 パラメータ設定装置
3 移動体通信網
4 基地局装置
5 移動局装置
6 セル
10 CPU
11 記憶装置
14 パラメータ設定プログラム
20 エージェント
30 価値関数
31 第1価値関数
32 第2価値関数
Claims (12)
- 移動体通信網の状態変数に応じて前記移動体通信網の制御パラメータを設定するパラメータ設定装置であって、
前記状態変数に応じた各最適化処理の行動価値を定める共通の価値関数に従い、前記移動体通信網内の異なる複数の範囲の各々について、前記範囲内の状態変数に応じて前記制御パラメータを最適化する複数の最適化処理のうちいずれかを選択して実行する処理と、
前記複数の範囲の各々について、前記範囲内の状態変数に応じた報酬を決定する処理と、
前記範囲毎に決定された前記報酬毎に、前記報酬に応じて前記共通の価値関数を更新する強化学習を行う強化学習処理と、
を実行するプロセッサを備えることを特徴とするパラメータ設定装置。 - 前記プロセッサは、
前記複数の範囲の各々について、前記範囲内の状態変数に応じた各最適化処理の行動価値を定める第1価値関数を強化学習により学習する第1学習処理と、
前記範囲毎に学習した第1価値関数を合成することにより第2価値関数を前記共通の価値関数として定める合成処理と、を実行し、
共通の前記第2価値関数に合成される第1価値関数の学習が各々行われた複数の前記範囲について決定される前記報酬毎に、前記報酬に応じて前記共通の第2価値関数を更新する強化学習を行う第2学習処理を、前記強化学習処理として実行することを特徴とする請求項1に記載のパラメータ設定装置。 - 前記プロセッサは、
第1価値関数間の類似度を決定する類似度決定処理と、
前記合成処理において第1価値関数を合成するか否かを、前記第1価値関数間の類似度に応じて定める可否判断処理と、
を実行することを特徴とする請求項2に記載のパラメータ設定装置。 - 前記類似度決定処理において前記プロセッサは、同一の状態変数に対して最大の行動価値を有する最適化処理が一致する程度に応じて、第1価値関数間の類似度を決定することを特徴とする請求項3に記載のパラメータ設定装置。
- 前記合成可否判断処理において前記プロセッサは、
第1価値関数を合成するか否かを、第1価値関数間の類似度が高い組合せから順に判断し、
一対の第1価値関数を合成するか否かを判断する場合に、前記一対の第1価値関数の一方の第1価値関数が、前記一対の第1価値関数の他方の第1価値関数以外の更に他の第1価値関数と合成されることが決定されている場合に、前記他方の第1価値関数と前記更に他の第1価値関数との類似度に応じて判断することを特徴とする請求項3〜4のいずれか一項に記載のパラメータ設定装置。 - 前記合成処理において前記プロセッサは、合成される第1価値関数間における行動価値の平均値を、第2価値関数の行動価値として定める請求項2〜5のいずれか一項に記載のパラメータ設定装置。
- 第2価値関数の合成後に前記プロセッサは、
前記第2価値関数に合成された前記第1価値関数を強化学習により学習する処理と、
前記第1価値関数の学習が各々行われる複数の範囲において、前記第1価値関数に従い複数の最適化処理のうちいずれかを選択して実行する処理と、を実施し、
前記第1価値関数の学習が各々行われる複数の範囲において、前記第2価値関数に従い最適化処理を選択して実行する処理を停止することを特徴とする請求項2〜6のいずれか一項に記載のパラメータ設定装置。 - 前記プロセッサは、前記第2価値関数に合成された前記第1価値関数間の類似度を決定する処理を実行し、
前記類似度が所定の条件を満たす場合には、前記第2価値関数に従い最適化処理を選択して実行する処理を停止して、前記第1価値関数に従い最適化処理のうちいずれかを選択して実行することを特徴とする請求項7に記載のパラメータ設定装置。 - 前記プロセッサは、
複数のセルをグループ化して形成されるセルのグループ毎に、共通の第1価値関数に従い、セル内の状態変数に応じて複数の最適化処理のうちいずれかを選択して実行する処理と、
セル内の状態変数に応じた報酬を決定する処理と、を実行し、
前記第1学習処理において、前記報酬に応じて前記共通の第1価値関数を更新する強化学習を行うことを特徴とする請求項2〜8のいずれか一項に記載のパラメータ設定装置。 - 前記プロセッサは、前記移動体通信網の制御パラメータに対する状態変数の変化をシミュレートすることにより、前記第1学習処理を実行することを特徴とする請求項2〜9のいずれか一項に記載のパラメータ設定装置。
- 移動体通信網の状態変数に応じて前記移動体通信網の制御パラメータを設定するコンピュータプログラムであって、
前記コンピュータプログラムは、
前記状態変数に応じた各最適化処理の行動価値を定める共通の価値関数に従い、前記移動体通信網内の異なる複数の範囲の各々について、前記範囲内の状態変数に応じて、前記制御パラメータを最適化する複数の最適化処理のうちいずれかを選択して実行する処理と、
前記複数の範囲の各々について、前記範囲内の状態変数に応じた報酬を決定する処理と、
前記範囲毎に決定された前記報酬毎に、前記報酬に応じて前記共通の価値関数を更新する強化学習を行う強化学習処理と、
をコンピュータに実行させることを特徴とするコンピュータプログラム。 - 移動体通信網の状態変数に応じて該移動体通信網の制御パラメータを設定するパラメータ設定方法であって、
コンピュータに、
前記状態変数に応じた各最適化処理の行動価値を定める共通の価値関数に従い、前記移動体通信網内の異なる複数の範囲の各々について、前記範囲内の状態変数に応じて、前記制御パラメータを最適化する複数の最適化処理のうちいずれかを選択して実行する処理と、
前記複数の範囲の各々について、前記範囲内の状態変数に応じた報酬を決定する処理と、
前記範囲毎に決定された前記報酬毎に、前記報酬に応じて前記共通の価値関数を更新する強化学習を行う強化学習処理と、
を実行させることを特徴とするパラメータ設定方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011248944A JP5733166B2 (ja) | 2011-11-14 | 2011-11-14 | パラメータ設定装置、コンピュータプログラム及びパラメータ設定方法 |
US13/627,344 US8897767B2 (en) | 2011-11-14 | 2012-09-26 | Parameter setting apparatus and parameter setting method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011248944A JP5733166B2 (ja) | 2011-11-14 | 2011-11-14 | パラメータ設定装置、コンピュータプログラム及びパラメータ設定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2013106202A JP2013106202A (ja) | 2013-05-30 |
JP5733166B2 true JP5733166B2 (ja) | 2015-06-10 |
Family
ID=48281114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2011248944A Active JP5733166B2 (ja) | 2011-11-14 | 2011-11-14 | パラメータ設定装置、コンピュータプログラム及びパラメータ設定方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US8897767B2 (ja) |
JP (1) | JP5733166B2 (ja) |
Families Citing this family (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5772345B2 (ja) * | 2011-07-25 | 2015-09-02 | 富士通株式会社 | パラメータ設定装置、コンピュータプログラム及びパラメータ設定方法 |
JP5971057B2 (ja) * | 2012-09-27 | 2016-08-17 | 富士通株式会社 | ストレージ装置、設定方法および設定プログラム |
US9490534B1 (en) * | 2013-11-15 | 2016-11-08 | Sprint Communications Company L.P. | Dynamic optimization of antenna systems |
US9173106B2 (en) | 2013-11-25 | 2015-10-27 | At&T Intellectual Property I, L.P. | Efficient cell site outage mitigation |
US11073822B2 (en) * | 2014-09-25 | 2021-07-27 | Siemens Aktiengesellschaft | Provision of process values in a process installation |
US9622094B2 (en) * | 2014-12-11 | 2017-04-11 | P.I. Works Tr Bilisim Hizm. San. Ve Tic A.S. | Self-optimizing communication network with criteria class-based functions |
US10200884B2 (en) * | 2015-01-14 | 2019-02-05 | Futurewei Technologies, Inc. | Analytics-assisted, multi-agents, self-learning, self-managing, flexible and adaptive framework for intelligent SON |
JP5816771B1 (ja) | 2015-06-08 | 2015-11-18 | 株式会社Preferred Networks | 学習装置ユニット |
JP2017030067A (ja) * | 2015-07-30 | 2017-02-09 | ファナック株式会社 | 加工時間測定機能とオンマシン測定機能を有する制御装置付き加工装置 |
JP6457369B2 (ja) | 2015-09-30 | 2019-01-23 | ファナック株式会社 | パラメータを自動調整する機能を有する機械学習装置及び電動機制御装置 |
CN107466051B (zh) * | 2016-06-03 | 2020-10-16 | ***通信有限公司研究院 | 一种网络交互方法及交互网元、无线网络节点 |
JP6514166B2 (ja) * | 2016-09-16 | 2019-05-15 | ファナック株式会社 | ロボットの動作プログラムを学習する機械学習装置,ロボットシステムおよび機械学習方法 |
JP6457472B2 (ja) | 2016-12-14 | 2019-01-23 | ファナック株式会社 | 制御システム及び機械学習装置 |
JP6470251B2 (ja) * | 2016-12-26 | 2019-02-13 | ファナック株式会社 | 数値制御装置及び機械学習装置 |
WO2018211138A1 (en) * | 2017-05-19 | 2018-11-22 | Deepmind Technologies Limited | Multitask neural network systems |
US10375585B2 (en) | 2017-07-06 | 2019-08-06 | Futurwei Technologies, Inc. | System and method for deep learning and wireless network optimization using deep learning |
EP3635505B1 (en) * | 2017-07-06 | 2023-09-06 | Huawei Technologies Co., Ltd. | System and method for deep learning and wireless network optimization using deep learning |
JP6939260B2 (ja) * | 2017-08-28 | 2021-09-22 | 日本電信電話株式会社 | 無線通信システム、無線通信方法および集中制御局 |
JP6845529B2 (ja) * | 2017-11-08 | 2021-03-17 | 本田技研工業株式会社 | 行動決定システム及び自動運転制御装置 |
US11509542B2 (en) * | 2018-05-02 | 2022-11-22 | Telefonaktiebolaget Lm Ericsson (Publ) | First network node, third network node, and methods performed thereby, for handling a performance of a radio access network |
US11711709B2 (en) | 2018-08-23 | 2023-07-25 | Tracfone Wireless, Inc. | System and process for using cellular connectivity analysis to determine optimal wireless equipment and service for a geographical area |
EP3868149A1 (en) | 2018-10-18 | 2021-08-25 | Telefonaktiebolaget LM Ericsson (publ) | Link change decision-making using reinforcement learning based on tracked rewards and outcomes in a wireless communication system |
WO2020110250A1 (ja) * | 2018-11-29 | 2020-06-04 | 三菱電機株式会社 | 無線通信装置、無線通信システムおよび無線通信プログラム |
EP3668050A1 (de) * | 2018-12-12 | 2020-06-17 | Siemens Aktiengesellschaft | Anpassen einer software-anwendung, die auf einem gateway ausgeführt wird |
US10785664B2 (en) | 2018-12-17 | 2020-09-22 | Loon Llc | Parameter selection for network communication links using reinforcement learning |
WO2020152389A1 (en) * | 2019-01-22 | 2020-07-30 | Nokia Solutions And Networks Oy | Machine learning for a communication network |
CN112188505B (zh) * | 2019-07-02 | 2024-05-10 | 中兴通讯股份有限公司 | 一种网络优化方法和装置 |
JP7259978B2 (ja) * | 2019-09-30 | 2023-04-18 | 日本電気株式会社 | 制御装置、方法及びシステム |
WO2021064767A1 (ja) * | 2019-09-30 | 2021-04-08 | 日本電気株式会社 | 制御装置、方法及びシステム |
JP7251647B2 (ja) * | 2019-09-30 | 2023-04-04 | 日本電気株式会社 | 制御装置、制御方法及びシステム |
WO2021064771A1 (ja) * | 2019-09-30 | 2021-04-08 | 日本電気株式会社 | システム、方法及び制御装置 |
WO2021064769A1 (ja) | 2019-09-30 | 2021-04-08 | 日本電気株式会社 | システム、方法及び制御装置 |
CN112839345B (zh) * | 2019-11-25 | 2022-06-14 | 华为技术有限公司 | 网络参数配置方法及装置 |
EP4128054A1 (en) * | 2020-03-27 | 2023-02-08 | Telefonaktiebolaget Lm Ericsson (Publ) | Policy for optimising cell parameters |
WO2021244765A1 (en) * | 2020-06-03 | 2021-12-09 | Telefonaktiebolaget Lm Ericsson (Publ) | Improving operation of a communication network |
JP7388634B2 (ja) * | 2020-07-16 | 2023-11-29 | 日本電信電話株式会社 | 無線通信システムの最適化方法、無線通信システムおよび無線通信システム用プログラム |
US11775042B2 (en) | 2020-08-25 | 2023-10-03 | University-Industry Cooperation Group Of Kyung Hee University | Method, apparatus and system for managing energy in self-powered network |
JP7236708B2 (ja) * | 2020-09-10 | 2023-03-10 | 国立大学法人京都大学 | 制御装置、それを備えた基地局、コンピュータに実行させるためのプログラムおよびプログラムを記録したコンピュータ読み取り可能な記録媒体 |
US20220131764A1 (en) * | 2020-10-26 | 2022-04-28 | Samsung Electronics Co., Ltd. | Method of controlling state control parameter for adjusting state of network of base station by using any one of plurality of models and electronic device performing the method |
CN114520985A (zh) * | 2020-11-20 | 2022-05-20 | 大唐移动通信设备有限公司 | 一种网络覆盖容量优化的方法、装置及存储介质 |
IT202100008381A1 (it) | 2021-04-02 | 2022-10-02 | Telecom Italia Spa | Metodo e sistema per ottimizzare una rete di comunicazioni mobili |
JPWO2023047466A1 (ja) * | 2021-09-21 | 2023-03-30 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2534448C (en) * | 2003-08-14 | 2009-10-27 | Telcordia Technologies, Inc. | Auto-ip traffic optimization in mobile telecommunications systems |
US7881438B2 (en) | 2005-06-02 | 2011-02-01 | Adaptive Spectrum And Signal Alignment, Inc. | Self-learning and self-adjusting DSL system |
CN101416466B (zh) * | 2006-03-29 | 2014-05-28 | 英特尔公司 | 网络通信方法、设备和*** |
JP2008269215A (ja) | 2007-04-19 | 2008-11-06 | Nippon Telegr & Teleph Corp <Ntt> | 特異パターン検出システム、モデル学習装置、特異パターン検出方法、及び、コンピュータプログラム |
JP4774106B2 (ja) | 2009-01-13 | 2011-09-14 | 株式会社エヌ・ティ・ティ・ドコモ | 電界強度を推定する装置及び方法 |
-
2011
- 2011-11-14 JP JP2011248944A patent/JP5733166B2/ja active Active
-
2012
- 2012-09-26 US US13/627,344 patent/US8897767B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US8897767B2 (en) | 2014-11-25 |
JP2013106202A (ja) | 2013-05-30 |
US20130122885A1 (en) | 2013-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5733166B2 (ja) | パラメータ設定装置、コンピュータプログラム及びパラメータ設定方法 | |
US11477666B2 (en) | Methods and systems for network self-optimization using deep learning | |
US9002757B2 (en) | Parameter setting apparatus, non-transitory medium storing computer program, and parameter setting method | |
JP3888954B2 (ja) | Cdma無線ネットワークの計画・評価方法およびシステム | |
CN108848520B (zh) | 一种基于流量预测与基站状态的基站休眠方法 | |
Liu et al. | Deep learning based optimization in wireless network | |
EP2296410B1 (en) | Telecommunications network node and methods | |
WO2011081042A1 (ja) | 省電力運用支援装置、省電力運用支援方法、記録媒体、および基地局 | |
CN113382477B (zh) | 应用于无线网络用户间上行干扰建模的方法 | |
CN103117820A (zh) | 基于可信度的加权协作频谱检测方法 | |
Dai et al. | Propagation-model-free base station deployment for mobile networks: Integrating machine learning and heuristic methods | |
Hashimoto et al. | SICNN: Spatial interpolation with convolutional neural networks for radio environment mapping | |
Yang et al. | Deep reinforcement learning based wireless network optimization: A comparative study | |
WO2021103972A1 (zh) | 网络参数配置方法及装置 | |
Alsuhli et al. | Mobility load management in cellular networks: A deep reinforcement learning approach | |
Bouton et al. | Coordinated reinforcement learning for optimizing mobile networks | |
Ren et al. | A new scheme for IoT service function chains orchestration in SDN-IoT network systems | |
Bouzid et al. | Wireless sensor network deployment optimisation based on coverage, connectivity and cost metrics | |
CN106921985A (zh) | 一种超密集网络的自组织优化方法及装置 | |
WO2013110641A1 (en) | Method for determining cell configuration parameters in a wireless telecommunication network | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
JP6751069B2 (ja) | 無線リソース設計装置、無線リソース設計方法、及びプログラム | |
WO2022207402A1 (en) | Method and system for optimizing a mobile communications network | |
WO2010142464A1 (en) | Evolving algorithms for telecommunications network nodes by genetic programming | |
Li et al. | Partitioning the wireless environment for determining radio coverage and traffic distribution with user feedback |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20140704 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20150312 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20150317 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20150330 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5733166 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |