JP7239011B2 - 通信速度予測装置、通信速度予測方法及び記録媒体 - Google Patents

通信速度予測装置、通信速度予測方法及び記録媒体 Download PDF

Info

Publication number
JP7239011B2
JP7239011B2 JP2021550808A JP2021550808A JP7239011B2 JP 7239011 B2 JP7239011 B2 JP 7239011B2 JP 2021550808 A JP2021550808 A JP 2021550808A JP 2021550808 A JP2021550808 A JP 2021550808A JP 7239011 B2 JP7239011 B2 JP 7239011B2
Authority
JP
Japan
Prior art keywords
prediction
communication
communication speed
information
learning
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
Application number
JP2021550808A
Other languages
English (en)
Other versions
JPWO2021064858A5 (ja
JPWO2021064858A1 (ja
Inventor
浩一 二瓶
ユゥシュエン ジャン
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.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Publication of JPWO2021064858A1 publication Critical patent/JPWO2021064858A1/ja
Publication of JPWO2021064858A5 publication Critical patent/JPWO2021064858A5/ja
Application granted granted Critical
Publication of JP7239011B2 publication Critical patent/JP7239011B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/005—Moving wireless networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/04—Large scale networks; Deep hierarchical networks
    • H04W84/06—Airborne or Satellite Networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Description

本発明は、互いに通信可能な第１及び第２通信装置の間の未来の通信速度を予測するための通信速度予測装置、通信速度予測方法及び記録媒体の技術分野に関する。
互いに通信可能な第１及び第２通信装置の間の未来の通信速度を予測するための通信速度予測装置の一例が、非特許文献１に記載されている。非特許文献１には、ニューラルネットワークを用いて、ＴＣＰ（Ｔｒａｎｓｍｉｓｓｉｏｎ Ｃｏｎｔｒｏｌ Ｐｒｏｔｏｃｏｌ）層における通信スループットを予測する通信速度予測装置が記載されている。
その他、本願発明に関連する先行技術文献として、特許文献１から４及び非特許文献２があげられる。
特開２０１８－１６５０９９号公報 再特２０１６－０１７１７１号公報 特開２０１７－１８８３７５号公報 特許第６２５６３３６号
Ｂｏ Ｗｅｉ ｅｔ ａｌ．、"ＴＲＵＳＴ：ＴＣＰ Ｔｈｒｏｕｇｈｐｕｔ Ｐｒｅｄｉｃｔｉｏｎ Ｍｅｔｈｏｄ ｉｎ Ｍｏｂｉｌｅ Ｎｅｔｗｏｒｋｓ"、２０１８ ＩＥＥＥ Ｇｌｏｂａｌ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｃｏｎｆｅｒｅｎｃｅ、２０１８年１２月 Ｅｖｓｅｎ Ｙａｎｍａｚ ｅｔ ａｌ．、"Ａｃｈｉｅｖｉｎｇ Ａｉｒ－Ｇｒｏｕｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ ８０２．１１ Ｎｅｔｗｏｒｋｓ ｗｉｔｈ Ｔｈｒｅｅ－Ｄｉｍｅｎｓｉｏｎａｌ Ａｅｒｉａｌ Ｍｏｂｉｌｉｔｙ"、２０１３ Ｐｒｏｃｅｅｄｉｎｇｓ ＩＥＥＥ ＩＮＦＯＣＯＭ、ｐｐ．１２０－１２４、２０１３年４月
非特許文献１に記載された通信速度予測装置は、通信速度の予測に用いる予測モデル（例えば、ニューラルネットワーク）を適切に更新するという点で改善の余地があるという技術的問題を有している。
本発明は、上述した技術的問題を解決可能な通信速度予測装置、通信速度予測方法、コンピュータプログラム及び記録媒体を提供することを課題とする。一例として、本発明は、通信速度の予測に用いる予測モデルを適切に更新可能な通信速度予測装置、通信速度予測方法及び記録媒体を提供することを課題とする。
通信速度予測装置の第１の態様は、第１通信装置と前記第１通信装置に対して相対的に移動可能な第２通信装置との間の未来の通信速度を予測する通信速度予測装置であって、前記第１及び前記第２通信装置の間の未来の相対的な位置関係を予測する位置予測手段と、前記第１及び前記第２通信装置の間の相対的な位置関係に基づいて前記第１及び第２通信装置の間の未来の通信速度を予測するための予測モデルと、前記位置予測手段の予測結果とを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測する速度予測手段と、前記第１及び前記第２通信装置の間の過去の相対的な位置関係に関する過去位置情報と前記第１及び第２通信装置の間の過去の通信速度に関する過去速度情報とが関連付けられたサンプル情報を複数含む情報源から、前記予測モデルを学習するための学習情報として少なくとも一つのサンプル情報を抽出する抽出手段と、前記学習情報を用いて前記予測モデルのパラメータを学習する学習手段と、前記学習手段が学習した前記パラメータを用いて、前記速度予測手段が使用している前記予測モデルを更新するモデル更新手段とを備え、前記モデル更新手段は、前記通信速度予測装置の状態と前記第１及び第２通信装置の状態との少なくとも一方に基づいて、前記予測モデルを更新する更新頻度を変更する。
通信速度予測装置の第２の態様は、第１通信装置と前記第１通信装置に対して相対的に移動可能な第２通信装置との間の未来の通信速度を予測する通信速度予測装置であって、前記第１及び前記第２通信装置の間の未来の相対的な位置関係を予測する位置予測手段と、前記第１及び前記第２通信装置の間の相対的な位置関係に基づいて前記第１及び第２通信装置の間の未来の通信速度を予測するための予測モデルと、前記位置予測手段の予測結果とを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測する速度予測手段と、前記第１及び前記第２通信装置の間の過去の相対的な位置関係に関する過去位置情報と前記第１及び第２通信装置の間の過去の通信速度に関する過去速度情報とが関連付けられたサンプル情報を複数含む情報源から、前記予測モデルを学習するための学習情報として少なくとも一つのサンプル情報を抽出する抽出手段と、前記学習情報を用いて前記予測モデルのパラメータを学習する学習手段と、前記学習手段が学習した前記パラメータを用いて、前記速度予測手段が使用している前記予測モデルを更新するモデル更新手段とを備え、第１の期間には、前記学習手段が前記パラメータを学習する一方で、前記速度予測手段が前記第１及び第２通信装置の間の未来の通信速度を予測せず、前記第１の期間とは異なる第２の期間には、前記学習手段が前記パラメータを学習し、且つ、前記速度予測手段が前記第１及び第２通信装置の間の未来の通信速度を予測し、前記第１期間における前記抽出手段による前記学習情報の抽出方法と、前記第２期間における前記抽出手段による前記学習情報の抽出方法とが異なる。
通信速度予測方法の第１の態様は、第１通信装置と前記第１通信装置に対して相対的に移動可能な第２通信装置との間の未来の通信速度を予測する通信速度予測方法であって、前記第１及び前記第２通信装置の間の未来の相対的な位置関係を予測することと、前記第１及び前記第２通信装置の間の相対的な位置関係に基づいて前記第１及び第２通信装置の間の未来の通信速度を予測するための予測モデルと、前記位置予測手段の予測結果とを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測することと、前記第１及び前記第２通信装置の間の過去の相対的な位置関係に関する過去位置情報と前記第１及び第２通信装置の間の過去の通信速度に関する過去速度情報とが関連付けられたサンプル情報を複数含む情報源から、前記予測モデルを学習するための学習情報として少なくとも一つのサンプル情報を抽出することと、前記学習情報を用いて前記予測モデルのパラメータを学習することと、前記学習された前記パラメータを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測するために使用されている前記予測モデルを更新することと、前記通信速度予測装置の状態と前記第１及び第２通信装置の状態との少なくとも一方に基づいて、前記予測モデルを更新する更新頻度を変更することとを含む。
通信速度予測方法の第２の態様は、第１通信装置と前記第１通信装置に対して相対的に移動可能な第２通信装置との間の未来の通信速度を予測する通信速度予測方法であって、前記第１及び前記第２通信装置の間の未来の相対的な位置関係を予測することと、前記第１及び前記第２通信装置の間の相対的な位置関係に基づいて前記第１及び第２通信装置の間の未来の通信速度を予測するための予測モデルと、前記位置予測手段の予測結果とを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測することと、前記第１及び前記第２通信装置の間の過去の相対的な位置関係に関する過去位置情報と前記第１及び第２通信装置の間の過去の通信速度に関する過去速度情報とが関連付けられたサンプル情報を複数含む情報源から、前記予測モデルを学習するための学習情報として少なくとも一つのサンプル情報を抽出することと、前記学習情報を用いて前記予測モデルのパラメータを学習することと、前記学習された前記パラメータを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測するために使用されている前記予測モデルを更新することとを含み、第１の期間には、前記パラメータが学習される一方で、前記第１及び第２通信装置の間の未来の通信速度が予測されず、前記第１の期間とは異なる第２の期間には、前記パラメータが学習され、且つ、前記第１及び第２通信装置の間の未来の通信速度が予測され、前記第１期間における前記学習情報の抽出方法と、前記第２期間における前記学習情報の抽出方法とが異なる。
記録媒体の第１の態様は、第１通信装置と前記第１通信装置に対して相対的に移動可能な第２通信装置との間の未来の通信速度を予測する通信速度予測方法をコンピュータに実行させるコンピュータプログラムが記録された記録媒体であって、前記通信速度予測方法は、前記第１及び前記第２通信装置の間の未来の相対的な位置関係を予測することと、前記第１及び前記第２通信装置の間の相対的な位置関係に基づいて前記第１及び第２通信装置の間の未来の通信速度を予測するための予測モデルと、前記位置予測手段の予測結果とを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測することと、前記第１及び前記第２通信装置の間の過去の相対的な位置関係に関する過去位置情報と前記第１及び第２通信装置の間の過去の通信速度に関する過去速度情報とが関連付けられたサンプル情報を複数含む情報源から、前記予測モデルを学習するための学習情報として少なくとも一つのサンプル情報を抽出することと、前記学習情報を用いて前記予測モデルのパラメータを学習することと、前記学習された前記パラメータを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測するために使用されている前記予測モデルを更新することと、前記通信速度予測装置の状態と前記第１及び第２通信装置の状態との少なくとも一方に基づいて、前記予測モデルを更新する更新頻度を変更することとを含む。
記録媒体の第２の態様は、第１通信装置と前記第１通信装置に対して相対的に移動可能な第２通信装置との間の未来の通信速度を予測する通信速度予測方法をコンピュータに実行させるコンピュータプログラムが記録された記録媒体であって、前記通信速度予測方法は、前記第１及び前記第２通信装置の間の未来の相対的な位置関係を予測することと、前記第１及び前記第２通信装置の間の相対的な位置関係に基づいて前記第１及び第２通信装置の間の未来の通信速度を予測するための予測モデルと、前記位置予測手段の予測結果とを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測することと、前記第１及び前記第２通信装置の間の過去の相対的な位置関係に関する過去位置情報と前記第１及び第２通信装置の間の過去の通信速度に関する過去速度情報とが関連付けられたサンプル情報を複数含む情報源から、前記予測モデルを学習するための学習情報として少なくとも一つのサンプル情報を抽出することと、前記学習情報を用いて前記予測モデルのパラメータを学習することと、前記学習された前記パラメータを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測するために使用されている前記予測モデルを更新することとを含み、第１の期間には、前記パラメータが学習される一方で、前記第１及び第２通信装置の間の未来の通信速度が予測されず、前記第１の期間とは異なる第２の期間には、前記パラメータが学習され、且つ、前記第１及び第２通信装置の間の未来の通信速度が予測され、前記第１期間における前記学習情報の抽出方法と、前記第２期間における前記学習情報の抽出方法とが異なる。
上述した通信速度予測装置、通信速度予測方法及び記録媒体によれば、通信速度の予測に用いる予測モデルを適切に更新することができる。
図１は、本実施形態の通信速度予測装置の構成を示すブロック図である。 図２は、互いに通信可能なドローン及び地上基地局を模式的に示す模式図である。 図３は、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を用いた予測モデルの構成の一例を示すブロック図である。 図４は、過去情報のデータ構造を示すテーブルである。 図５は、通信速度予測動作の一部を構成する初期学習動作の流れを示すフローチャートである。 図６は、通信速度予測動作の一部を構成する予測動作の流れを示すフローチャートである。 図７は、予測モデルに入力される位置データと、予測モデルから出力される速度データとを示すテーブルである。 図８は、通信速度予測動作の一部を構成する継続学習動作の流れを示すフローチャートである。 図９（ａ）から図９（ｂ）の夫々は、継続学習動作において過去情報に含まれる各サンプル情報が学習情報として抽出される確率を示すグラフである。 図１０（ａ）から図１０（ｂ）の夫々は、更新頻度情報が指定する予測モデルの更新頻度を示すグラフである。 図１１（ａ）から図１１（ｄ）の夫々は、更新頻度情報が指定する予測モデルの更新頻度を示すグラフである。 図１２（ａ）から図１２（ｄ）の夫々は、更新頻度情報が指定する予測モデルの更新頻度を示すグラフである。 図１３は、相対的に新しい時刻に収集されたサンプル情報を用いた学習結果を用いて更新される予測モデルの予測精度を、既存の通信速度を予測する方法における予測精度と共に示す箱ひげ図である 図１４は、変形例における予測動作の流れを示すフローチャートである。
以下、図面を参照しながら、通信速度予測装置、通信速度予測方法及び記録媒体の実施形態について説明する。尚、以下の説明では、「Ｘ及び／又はＹ」という表現は、「Ｘ及びＹ」と「Ｘ又はＹ」の双方を意味する表現である。
（１）通信速度予測装置１の構成
初めに、図１を参照しながら、本実施形態の通信速度予測装置１の構成について説明する。図１は、本実施形態の通信速度予測装置１の構成を示すブロック図である。
図１に示すように、通信速度予測装置１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１と、記憶装置１２とを備えている。ＣＰＵ１１と、記憶装置１２とは、データバス１３を介して接続されている。
ＣＰＵ１１は、コンピュータプログラムを読み込む。例えば、ＣＰＵ１１は、記憶装置１２が記憶しているコンピュータプログラムを読み込んでもよい。例えば、ＣＰＵ１１は、コンピュータで読み取り可能な記録媒体が記憶しているコンピュータプログラムを、図示しない記録媒体読み取り装置を用いて読み込んでもよい。ＣＰＵ１１は、通信ネットワークインタフェースを介して、通信速度予測装置１の外部に配置される不図示の装置からコンピュータプログラムを取得してもよい（つまり、読み込んでもよい）。本実施形態では、ＣＰＵ１１が読み込んだコンピュータプログラムを実行すると、ＣＰＵ１１内には、通信速度予測動作を実現する論理的な機能ブロックが生成されると看做すことができる。つまり、ＣＰＵ１１は、通信速度予測動作を実現するための論理的な機能ブロック（処理モジュール）を実行するコントローラとして機能可能である。
通信速度予測動作は、互いに通信可能な二つの通信装置の間の未来の通信速度（つまり、現在時刻よりも未来の時刻における通信速度）を予測するための動作である。ここで言う通信速度は、ＯＳＩ（Ｏｐｅｎ Ｓｙｓｔｅｍｓ Ｉｎｔｅｒｃｏｎｎｅｃｔｉｏｎ）参照モデルにおける七つの階層のうちの少なくとも一つにおける通信速度（言い換えれば、通信スループット）であってもよい。例えば、通信速度予測動作は、アプリケーション層における未来の通信速度を予測するための動作であってもよい。
通信速度予測動作は特に、一方が他方に対して移動可能な二つの通信装置の間の未来の通信速度を予測するための動作である。一方が他方に対して移動可能な二つの通信装置の一例が図２に示されている。図２に示すように、二つの通信装置は、空中を飛行可能な（つまり、空中を移動可能な）飛翔体であるドローンＤＲと、当該ドローンＤＲと通信可能であって且つ地上に設置された地上基地局ＢＳ（言い換えれば、アクセスポイント）とを含んでいてもよい。この場合、通信速度予測動作は、地上基地局ＢＳに対して移動可能なドローンＤＲと地上基地局ＢＳとの間の未来の通信速度を予測する動作となる。特に、通信速度予測動作は、ドローンＤＲの移動に伴って刻一刻と変わる可能性があるドローンＤＲと地上基地局ＢＳとの間の未来の通信速度を予測する動作となる。以下では、説明の便宜上、ドローンＤＲと地上基地局ＢＳとの間の未来の通信速度を予測する通信速度予測動作について説明を進める。
但し、通信速度予測動作は、一方が他方に対して移動可能な任意の二つの通信装置の間の未来の通信速度を予測するための動作であってもよい。例えば、通信速度予測動作は、空中を飛行可能な又は空中に静止可能な飛翔体と、当該飛翔体と通信可能であって且つ地上又は空中を移動可能な移動基地局との間の未来の通信速度を予測する動作であってもよい。例えば、通信速度予測動作は、地上を移動可能な移動体と、当該移動体と通信可能であって且つ地上に設置された地上基地局との間の未来の通信速度を予測する動作であってもよい。例えば、通信速度予測動作は、地上を移動可能な移動体と、当該移動体と通信可能であって地上又は空中を移動可能な移動基地局との間の未来の通信速度を予測する動作であってもよい。
通信速度予測装置１は、通信速度予測動作の対象となっている二つの通信装置の少なくとも一方に内蔵されていてもよい。つまり、通信速度予測装置１は、ドローンＤＲ及び地上基地局ＢＳの少なくとも一方に内蔵されていてもよい。ドローンＤＲ及び地上基地局ＢＳの少なくとも一方が、通信速度予測装置１を備えていてもよい。この場合、ＣＰＵ１１及び記憶装置１２は、夫々、二つの通信装置の少なくとも一方が備えるＣＰＵ及び記憶装置であってもよい。つまり、ＣＰＵ１１及び記憶装置１２、は、夫々、ドローンＤＲ及び地上基地局ＢＳの少なくとも一方が備えるＣＰＵ及び記憶装置であってもよい。ドローンＤＲ及び地上基地局ＢＳの少なくとも一方が、ＣＰＵ１１及び記憶装置１２を備えていてもよい。或いは、通信速度予測装置１は、通信速度予測動作の対象となっている二つの通信装置の少なくとも一方とは別の装置であってもよい。つまり、通信速度予測装置１は、ドローンＤＲ及び地上基地局ＢＳとは別の装置であってもよい。
再び図１において、ＣＰＵ１１内には、通信速度予測動作を実現するための論理的な機能ブロックとして、位置予測部１１１と、通信速度予測部１１２と、学習情報抽出部１１３と、モデル学習部１１４と、モデル更新部１１５と、情報収集部１１６とを備える。これらの機能ブロックの一部は、ＣＰＵ１１に内蔵された、または、通信速度予測装置１に接続されたＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）で実行されてもよい。
位置予測部１１１は、ドローンＤＲの未来の位置を予測する。尚、ドローンＤＲは、地上基地局ＢＳに対して移動する。このため、ドローンＤＲが移動すると、ドローンＤＲと地上基地局ＢＳとの相対的な位置関係が変わる。この場合、ドローンＤＲの未来の位置を予測する動作は、実質的には、ドローンＤＲと地上基地局ＢＳとの未来の相対的な位置関係を予測する動作と等価である。
通信速度予測部１１２は、位置予測部１１１が予測したドローンＤＲの未来の位置と、予測モデルＰＤとを用いて、ドローンＤＲと地上基地局ＢＳとの間の未来の通信速度を予測する。予測モデルＰＤは、ある時刻のドローンＤＲの位置が入力されると、その時刻におけるドローンＤＲと地上基地局ＢＳとの間の通信速度を出力する演算モデルである。つまり、予測モデルＰＤは、ある時刻のドローンＤＲの位置に基づいて、その時刻におけるドローンＤＲと地上基地局ＢＳとの間の通信速度を予測する演算モデルである。予測モデルＰＤは、ドローンＤＲの位置に基づいてドローンＤＲと地上基地局ＢＳとの間の通信速度を予測することができる限りは、どのような予測モデルであってもよい。
本実施形態では、予測モデルＰＤは、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を用いた予測モデルであるものとする。この場合、通信速度予測部１１２は、予測モデルＰＤに対して、ドローンＤＲの未来の位置を含むドローンＤＲの位置の時系列データを入力する。その結果、予測モデルＰＤは、ドローンＤＲと地上基地局ＢＳとの間の未来の通信速度を含むドローンＤＲと地上基地局ＢＳとの間の通信速度の時系列データを出力する。
ＲＮＮを用いた予測モデルＰＤの構成の一例が図３に示されている。図３に示すように、予測モデルＰＤは、入力層Ｉと、中間層Ｈと、出力層Ｏとを備えていてもよい。入力層Ｉは、Ｎ（尚、Ｎは２以上の整数）個の入力ノードＩＮを備えていてもよい。中間層Ｎは、Ｎ個の中間ノードＨＮを備えていてもよい。出力層Ｏは、Ｎ個の出力ノードＯＮを備えていてもよい。Ｎ個の入力ノードＩＮには、夫々、ドローンＤＲの位置の時系列データに含まれる時間的に連続したＮ個の位置データｘが入力される。
予測モデルＰＤは、係るＮ個の位置データｘの入力を可能にすべく、以下のようなＮ個の入力ノードＩＮを備える。即ち、予測モデルＰＤは、図３にも例示するように、
（１）時刻ｔにおけるドローンＤＲの位置を示す位置データｘｔが入力される入力ノードＩＮｔと、
（２）時刻ｔ＋ＤにおけるドローンＤＲの位置を示す位置データｘｔ＋Ｄが入力される入力ノードＩＮｔ＋Ｄと、
（３）時刻ｔ＋２ＤにおけるドローンＤＲの位置を示す位置データｘｔ＋２Ｄが入力される入力ノードＩＮｔ＋２Ｄと、
・・・（中略）・・・、
（Ｎ）時刻ｔ＋（Ｎ－１）ＤにおけるドローンＤＲの位置を示す位置データｘｔ＋（Ｎ－１）Ｄが入力される入力ノードＩＮｔ＋（Ｎ－１）Ｄと
を備えている。尚、Ｄは、基準周期を示す変数である。変数Ｄは、例えば、数十ミリ秒から数百ミリ秒の間の値であってもよいし、アプリケーションが必要とする予測値の時間分解能に基づいて設定されてもよい。
次に、当該Ｎ個の入力ノードＩＮに入力されたＮ個の位置データｘは、夫々、Ｎ個の中間ノードＨＮに入力される。具体的には、予測モデルＰＤは、以下のようなＮ個の中間ノードＨＮを備える。即ち、予測モデルＰＤは、図３にも例示するように、
（１）入力ノードＩＮｔに入力された位置データｘｔが入力される中間ノードＨＮｔと、
（２）入力ノードＩＮｔ＋Ｄに入力された位置データｘｔ＋Ｄが入力される中間ノードＨＮｔ＋Ｄと、
（３）入力ノードＩＮｔ＋２Ｄに入力された位置データｘｔ＋２Ｄが入力される中間ノードＨＮｔ＋２Ｄと、
・・・（中略）・・・、
（Ｎ）入力ノードＩＮｔ＋（Ｎ－１）Ｄに入力された位置データｘｔ＋（Ｎ－１）Ｄが入力される中間ノードＨＮｔ＋（Ｎ－１）Ｄと
を備えている。尚、各中間ノードＨＮは、例えば、ＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ）に準拠したノードであってもよいし、その他のネットワーク構造に準拠したノードであってもよい。
次に、Ｎ個の中間ノードＨＮの出力は、夫々、Ｎ個の出力ノードＯＮに入力される。具体的には、予測モデルＰＤは、以下のようなＮ個の出力ノードＯＮを備える。即ち、予測モデルＰＤは、図３にも例示するように、
（１）中間ノードＨＮｔの出力が入力される出力ノードＯＮｔと、
（２）中間ノードＨＮｔ＋Ｄの出力が入力される出力ノードＯＮｔ＋Ｄと、
（３）中間ノードＨＮｔ＋２Ｄの出力が入力される出力ノードＯＮｔ＋２Ｄと、
・・・（中略）・・・、
（Ｎ）中間ノードＨＮｔ＋（Ｎ－１）Ｄの出力が入力される出力ノードＯＮｔ＋（Ｎ－１）Ｄと
を備えている。
更に、当該Ｎ個の中間ノードＨＮの夫々の出力は、図３に示す横方向の矢線で示す通り、次段の中間ノードＨＮに入力される。つまり、中間ノードＨＮｔの出力が中間ノードＨＮｔ＋Ｄに入力され、中間ノードＨＮｔ＋Ｄの出力が中間ノードＨＮｔ＋２Ｄに入力され、・・・（中略）・・・、中間ノードＨＮｔ＋（Ｎ－２）Ｄの出力が中間ノードＨＮｔ＋（Ｎ－１）Ｄに入力される。
そして、当該Ｎ個の出力ノードＯＮは、ドローンＤＲと地上基地局ＢＳとの間の未来の通信速度を含むドローンＤＲと地上基地局ＢＳとの間の通信速度の時系列データを出力する。具体的には、予測モデルＰＤは、Ｎ個の出力ノードＯＮを備える。即ち、予測モデルＰＤは、図３にも例示するように、
（１）時刻ｔにおけるドローンＤＲと地上基地局ＢＳとの間の通信速度を示す速度データｙｔを出力する出力ノードＯＮｔと、
（２）時刻ｔ＋ＤにおけるドローンＤＲと地上基地局ＢＳとの間の通信速度を示す速度データｙｔ＋Ｄを出力する出力ノードＯＮｔ＋Ｄと、
（３）時刻ｔ＋２ＤにおけるドローンＤＲと地上基地局ＢＳとの間の通信速度を示す速度データｙｔ＋２Ｄを出力する出力ノードＯＮｔ＋２Ｄと、
・・・（中略）・・・、
（Ｎ）時刻ｔ＋（Ｎ－１）ＤにおけるドローンＤＲと地上基地局ＢＳとの間の通信速度を示す速度データｙｔ＋（Ｎ－１）Ｄを出力する出力ノードＯＮｔ＋（Ｎ－１）Ｄと
を備えている。
尚、時刻ｔから時刻ｔ＋（Ｎ－１）Ｄの少なくとも一つは、未来の時刻である。本実施形態では、説明の便宜上、時刻ｔが現在の時刻であるものとする。この場合、時刻ｔ＋Ｄから時刻ｔ＋（Ｎ－１）Ｄが、未来の時刻に相当する。従って、上述した位置予測部１１１は、時刻ｔ＋ＤにおけるドローンＤＲの位置と、時刻ｔ＋２ＤにおけるドローンＤＲの位置と、・・・、時刻ｔ＋（Ｎ－１）ＤにおけるドローンＤＲの位置とを予測する。通信速度予測部１１２は、時刻ｔ＋ＤにおけるドローンＤＲと地上基地局ＢＳとの間の通信速度と、時刻ｔ＋２ＤにおけるドローンＤＲと地上基地局ＢＳとの間の通信速度と、・・・、時刻ｔ＋（Ｎ－１）ＤにおけるドローンＤＲと地上基地局ＢＳとの間の通信速度とを予測する。
予測モデルＰＤがＲＮＮを用いている場合には、予測モデルＰＤが備える中間層Ｈの数（つまり、階層数）に層上限値が設定されてもよい。層上限値は、例えば１であることが好ましいが、２以上の整数であってもよい。また、中間層Ｈに含まれる中間ノードＨＮの数（つまり、隠れ状態数）にもまた、ノード上限値が設定されていてもよい。ノード上限値は、例えば、１０以下の整数であることが好ましいが、１１以上の整数であってもよい。また、中間層Ｈの数及び中間ノードＨＮの数の少なくとも一方を変化させながら予測モデルＰＤを構築すると共に、当該予測モデルＰＤの予測精度に基づいて中間層Ｈの数及び中間ノードＨＮの数の少なくとも一方の数が決定されてもよい。
学習情報抽出部１１３は、予測モデルＰＤを学習するために用いる学習情報を生成する。具体的には、学習情報抽出部１１３は、ドローンＤＲの過去の位置を示す過去位置情報（具体的には、位置データｘ）と、ドローンＤＲと地上基地局ＢＳとの間の過去の通信速度を示す過去速度情報（具体的には、速度データｙ）とが関連付けられたサンプル情報を複数含む過去情報１２１の少なくとも一部を、学習情報として抽出する。この場合、通信速度予測装置１（特に、後述する情報収集部１１６）は、位置データｘと速度データｙとを収集してもよい。収集された位置データｘと速度データｙとを含む過去情報１２１は、記憶装置１２に記憶されていてもよい。
過去情報１２１の一例が図４に示されている。過去情報１２１は、例えば、時刻ｔにおけるドローンＤＲの位置を示す位置データｘｔと時刻ｔにおけるドローンＤＲと地上基地局ＢＳとの間の通信速度を示す速度データｙｔとが関連付けられたサンプル情報と、時刻ｔ－ＤにおけるドローンＤＲの位置を示す位置データｘｔ－Ｄと時刻ｔ－ＤにおけるドローンＤＲと地上基地局ＢＳとの間の通信速度を示す速度データｙｔ－Ｄとが関連付けられたサンプル情報と、・・・、時刻ｔ－ＭＤ（尚、Ｍは、基準周期Ｄに掛け合わせられる１以上の整数）におけるドローンＤＲの位置を示す位置データｘｔ―ＭＤと時刻ｔ－ＭＤにおけるドローンＤＲと地上基地局ＢＳとの間の通信速度を示す速度データｙｔ―ＭＤとが関連付けられたサンプル情報とを含む。尚、上述したように、本実施形態では、時刻ｔは現在の時刻を示すものとしているが、位置データｘｔ及び速度データｙｔが収集された時刻ｔは、厳密な意味での現在の時刻よりも過去の時刻である。つまり、時刻ｔは、位置データｘｔ及び速度データｙｔが収集された最新の時刻に相当する。このため、本実施形態では、現在の時刻ｔは、位置データｘｔ及び速度データｙｔが収集された最新の過去の時刻ｔを意味するものとする。また、速度データｙｔは、変調方式や符号化率などから計算する方法に加えて、実際に通信を行った結果から算出してもよい。通信を行った結果から算出する場合の速度データｙｔは、時刻ｔ－Ｄから時刻ｔの間の期間における通信量をＤ（＝ｔ－（ｔ－Ｄ））で割った値であってもよいし、通信したデータのサイズを通信に要した時間で割った値であってもよい。
モデル学習部１１４は、学習情報抽出部１１３が抽出した学習情報に基づいて、予測モデルＰＤを学習する。具体的には、モデル学習部１１４は、学習情報に含まれる位置データｘが予測モデルＰＤに入力された場合の予測モデルＰＤの出力と学習情報に含まれる速度データｙとの差分が最小になるように、予測モデルＰＤのパラメータを学習する。
モデル更新部１１５は、通信速度予測部１１２が未来の通信速度を予測するために実際に使用している予測モデルＰＤを更新する。具体的には、モデル更新部１１５は、モデル学習部１１４の学習結果を、通信速度予測部１１２が未来の通信速度を予測するために実際に使用している予測モデルＰＤに適用することで、予測モデルＰＤを更新する。予測モデルＰＤが更新された後には、通信速度予測部１１２は、更新された予測モデルＰＤ（つまり、モデル学習部１１４の学習結果が適用された予測モデルＰＤ）を用いて、未来の通信速度を予測する。つまり、モデル学習部１１４が予測モデルＰＤを学習したとしても、モデル更新部１１５が予測モデルＰＤを更新しない限りは、通信速度予測部１１２は、モデル学習部１１４の学習結果が適用されていない更新前の予測モデルＰＤを用いて、未来の通信速度を予測する。
このため、本実施形態では、通信速度予測装置１は、実質的には、通信速度予測部１１２が未来の通信速度を予測するために実際に使用している第１の予測モデルＰＤと、モデル学習部１１４が学習する第２の予測モデルＰＤとを備えている。この場合、モデル更新部１１５は、モデル学習部１１４が学習した第２の予測モデルＰＤのパラメータを、通信速度予測部１１２が使用している第１の予測モデルＰＤに適用することで、第１の予測モデルＰＤを更新する。以下、説明の便宜上、通信速度予測部１１２が未来の通信速度を予測するために実際に使用している予測モデルＰＤを、“予測モデルＰＤ１”と称し、且つ、モデル学習部１１４が学習する予測モデルＰＤを、“予測モデルＰＤ２”と称して、両者を区別する。予測モデルＰＤ１及び予測モデルＰＤ２は、同じネットワーク構造を有するモデル（例えば、同じ入力層Ｉ、同じ中間層Ｈ及び同じ出力層Ｏを有するモデル）である。
情報収集部１１６は、所望の情報を収集（つまり、取得）する。本実施形態では特に、情報収集部１１６は、通信速度予測動作を行うために必要な情報を収集する。例えば、情報収集部１１６は、ドローンＤＲ及び地上基地局ＢＳの少なくとも一方から、情報を収集してもよい。通信速度予測装置１がドローンＤＲ及び地上基地局ＢＳとは別の装置である場合には、情報収集部１１６は、ドローンＤＲ及び地上基地局ＢＳの少なくとも一方と通信することで情報を収集してもよい。通信速度予測装置１がドローンＤＲ及び地上基地局ＢＳの少なくとも一方に内蔵されている場合には、情報収集部１１６は、ドローンＤＲ及び地上基地局ＢＳの少なくとも一方が備える各装置又は各処理部から情報を収集してもよい。
情報収集部１１６は、例えば、ドローンＤＲの位置を示す位置データｘを収集してもよい。例えば、ドローンＤＲがＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）等の位置計測装置を備えている場合には、情報収集部１１６は、位置計測装置が実際に計測したドローンＤＲの位置を示す位置データｘを収集してもよい。尚、上述したようにドローンＤＲが移動するとドローンＤＲと地上基地局ＢＳとの相対的な位置関係が変わるがゆえに、位置データｘは、ドローンＤＲと地上基地局ＢＳとの相対的な位置関係を示す情報と等価である。
情報収集部１１６は、例えば、ドローンＤＲと地上基地局ＢＳとの間の通信速度を示す速度データｙを収集してもよい。例えば、ドローンＤＲ及び地上基地局ＢＳの一方は、ドローンＤＲ及び地上基地局ＢＳの他方に向けて所定の送信レートで通信速度計測用のデータを送信し、ドローンＤＲ及び地上基地局ＢＳの他方が当該データを受信するために要した時間を計測することで、ドローンＤＲと地上基地局ＢＳとの間の通信速度を実際に計測することができる。この場合、情報収集部１１６は、ドローンＤＲ及び地上基地局ＢＳの一方が実際に計測した通信速度を示す速度データｙを収集してもよい。
情報収集部１１６が収集した位置データｘ及び速度データｙは、時刻ごとに関連付けられた上で、過去情報１２１として記憶装置１２に記憶される。尚、この説明から分かるように、過去情報１２１に含まれる速度データｙは、通信速度予測部１１２が予測した通信速度を示すデータ（つまり、予測モデルＰＤ１が出力する速度データｙ）ではなく、実際に計測された通信速度を示すデータ（つまり、情報収集部１１６がドローンＤＲ及び地上基地局ＢＳの一方から収集した速度データｙ）である。
記憶装置１２は、所望の情報を記憶可能な装置である。本実施形態では特に、記憶装置１２は、通信速度予測動作を行うために必要な情報を記憶する。例えば、記憶装置１２は、上述した過去情報１２１を記憶する。記憶装置１２は、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ハードディスク装置、光磁気ディスク装置、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）及びディスクアレイ装置のうちの少なくとも一つを含んでいてもよい。
通信速度予測動作によって予測された未来の通信速度に関する情報は、ドローンＤＲ及び地上基地局ＢＳの少なくとも一方に出力されてもよい。例えば、通信速度予測装置１がドローンＤＲ及び地上基地局ＢＳとは別の装置である場合には、通信速度予測装置１は、ドローンＤＲ及び地上基地局ＢＳの少なくとも一方と通信することで未来の通信速度に関する情報をドローンＤＲ及び地上基地局ＢＳの少なくとも一方に出力（送信）する通信装置を含んでいてもよい。通信速度予測装置１がドローンＤＲ及び地上基地局ＢＳの少なくとも一方に内蔵されている場合には、ドローンＤＲ及び地上基地局ＢＳの少なくとも一方が備える各装置又は各処理部には、通信速度予測部１１２から未来の通信速度に関する情報が入力されてもよい。
未来の通信速度に関する情報は、ドローンＤＲが地上基地局ＢＳに対して送信する情報の送信レートを制御するために用いられてもよい。未来の通信速度に関する情報は、地上基地局ＢＳがドローンＤＲに対して送信する情報の送信レートを制御するために用いられてもよい。その結果、ドローンＤＲ及び地上基地局ＢＳの一方は、ドローンＤＲ及び地上基地局ＢＳの他方に対して適切に情報を送信することができる。例えば、ドローンＤＲが動画（つまり、映像）データを地上基地局ＢＳに送信する場合には、ドローンＤＲは、未来の通信速度に関する情報に基づいて、ドローンＤＲが送信する動作データのビットレートを制御してもよい。その結果、ドローンＤＲは、地上基地局ＢＳに対して適切なビットレートの動画データを送信することができる。
（２）通信速度予測装置１が行う通信速度予測動作
続いて、通信速度予測装置１が行う通信速度予測動作について説明する。本実施形態では、通信速度予測装置１は、ドローンＤＲが飛行開始した場合に、通信速度予測動作を開始する。このため、通信速度予測装置１は、ドローンＤＲが飛行している期間の少なくとも一部において、通信速度予測動作を行う。また、ドローンＤＲが飛行している期間中は、ドローンＤＲと地上基地局ＢＳとの間の相対的な位置関係が変化する。このため、通信速度予測装置１は、ドローンＤＲと地上基地局ＢＳとの間の相対的な位置関係が変化する期間の少なくとも一部において、通信速度予測動作を行うとも言える。また、ドローンＤＲと地上基地局ＢＳとの間の相対的な位置関係が変化する期間中は、ドローンＤＲと地上基地局ＢＳとの間の通信速度が変化する可能性がある。このため、通信速度予測装置１は、ドローンＤＲと地上基地局ＢＳとの間の通信速度が変化する可能性がある期間の少なくとも一部において、通信速度予測動作を行うとも言える。
通信速度予測装置１は、通信速度予測動作を開始してから所定時間が経過するまでは、ドローンＤＲと地上基地局ＢＳとの間の未来の通信速度を予測することなく、予測モデルＰＤ２を学習するための初期学習動作を行う。例えば、通信速度予測装置１は、通信速度予測動作を開始してから、ドローンＤＲの飛行予定時間の１÷Ｋに相当する時間が経過するまでは、ドローンＤＲと地上基地局ＢＳとの間の未来の通信速度を予測することなく、予測モデルＰＤ２を学習するための初期学習動作を行う。尚、Ｋは、１以上の実数であり、例えば、６であってもよい。或いは、事前に取得したデータに対してＫの値を変更した場合の予測値を算出し、それぞれの予測精度を用いてＫの値を決定してもよい）一方で、通信速度予測装置１は、通信速度予測動作を開始してから所定時間が経過した後には、初期学習動作で学習された予測モデルＰＤ２のパラメータが適用された予測モデルＰＤ１を用いてドローンＤＲと地上基地局ＢＳとの間の未来の通信速度を予測する予測動作を行う。つまり、通信速度予測装置１は、初期学習動作によって予測モデルＰＤ２を学習し始めてから所定時間が経過した後に、初期学習動作で学習された予測モデルＰＤ２のパラメータが適用された予測モデルＰＤ１を用いて予測動作を開始する。更に、通信速度予測装置１は、予測動作と並行して、予測モデルＰＤ２を学習するための継続学習動作を行う。つまり、通信速度予測装置１は、通信速度予測動作を開始してから所定時間が経過した後には、予測モデルＰＤ１を用いてドローンＤＲと地上基地局ＢＳとの間の未来の通信速度を予測すると共に、予測モデルＰＤ２をオンライン学習する。このため、以下では、初期学習動作、予測動作及び継続学習動作について順に説明する。
（２－１）初期学習動作
初めに、初期学習動作の流れについて説明する。上述したように、初期学習動作は、ドローンＤＲが飛行を開始した後に開始される。
ドローンＤＲが飛行を開始した後には、通信速度予測装置１の情報収集部１１６は、ドローンＤＲの位置を示す位置データｘ及びドローンＤＲと地上基地局ＢＳとの間の通信速度を示す速度データｙを継続的に収集する。このため、例えば、ドローンＤＲは、ドローンＤＲが実際に計測したドローンＤＲの位置を示す位置データｘを、周期的に（例えば、基準周期Ｄが経過するたびに）情報収集部１１６に送信（出力）してもよい。例えば、ドローンＤＲ及び地上基地局ＢＳの少なくとも一方は、ドローンＤＲ及び地上基地局ＢＳの少なくとも一方が実際に計測したドローンＤＲと地上基地局ＢＳとの間の通信速度を示す速度データｙを、周期的に（例えば、基準周期Ｄが経過するたびに）情報収集部１１６に送信（出力）してもよい。
通信速度予測装置１は、初期学習動作を行うために十分な量の位置データｘ及び速度データｙ（つまり、過去情報１２１）が収集されたことを条件に、初期学習動作を開始する。なぜならば、初期学習動作は、過去情報１２１から抽出された学習情報に基づいて行われるがゆえに、初期学習動作を行うためには一定量以上の学習情報（つまり、過去情報１２１）が必要とされるからである。
以下、図５を参照しながら、初期学習動作の流れについて説明する。図５は、通信速度予測動作の一部を構成する初期学習動作の流れを示すフローチャートである。
まず、学習情報抽出部１１３は、記憶装置１２が記憶している過去情報１２１から、学習情報を抽出する（ステップＳ１１）。具体的には、学習情報抽出部１１３は、記憶装置１２が記憶している過去情報１２１から、連続するＳ個の時刻に対応するＳ個のサンプル情報（つまり、Ｓ個の位置データｘ及び当該Ｓ個の位置データｘに関連付けられたＳ個の速度データｙ）を、学習情報として抽出する。尚、Ｓは２以上の整数であり、例えば５０であってもよい。或いは、事前に取得したデータに対してＳの値を変更した場合の予測値を算出し、それぞれの予測精度を用いてＳの値を決定してもよい。この際、学習情報抽出部１１３は、過去情報１２１から、Ｓ個のサンプル情報をランダムに抽出する。具体的には、学習情報抽出部１１３は、過去情報１２１に含まれる各サンプル情報が学習情報として抽出される確率が、サンプル情報に対応する時刻に関わらず一定である（或いは、ランダムである）という条件に基づいて、Ｓ個のサンプル情報を抽出する。例えば、学習情報抽出部１１３は、時刻ｔ＿ｓｔａｒｔをランダムに選択し、選択した時刻ｔ＿ｓｔａｒｔから時刻ｔ＿ｓｔａｒｔ＋（Ｓ－１）Ｄに夫々対応するＳ個のサンプル情報を、学習情報として抽出してもよい。
その後、モデル学習部１１４は、ステップＳ１１で抽出された学習情報に基づいて、予測モデルＰＤ２を学習する（ステップＳ１２）。具体的には、モデル学習部１１４は、学習情報に含まれるＳ個の位置データｘを、予測モデルＰＤ２の入力層Ｉに順に入力する。その後、モデル学習部１１４は、予測モデルＰＤ２の出力と学習情報に含まれるＳ個の速度データｙとの差分に基づいて定まる誤差関数が最小になるように、予測モデルＰＤ２のパラメータを学習する。予測モデルＰＤ２のパラメータは、例えば、重み及びバイアスの少なくとも一方を含んでいてもよい。
その後、モデル学習部１１４は、予測モデルＰＤ２の学習を終了するか否かを判定する（ステップＳ１３）。例えば、モデル学習部１１４は、通信速度予測動作を開始してから（つまり、初期学習動作を開始してから）一定時間が未だ経過していない場合には、予測モデルＰＤ２の学習を終了しない（つまり、継続する）と判定してもよい。例えば、モデル学習部１１４は、通信速度予測動作を開始してから（つまり、初期学習動作を開始してから）一定時間が既に経過している場合には、予測モデルＰＤ２の学習を終了すると判定してもよい。
ステップＳ１３における判定の結果、予測モデルＰＤ２の学習を終了しないと判定された場合には（ステップＳ１３：Ｎｏ）、モデル学習部１１４は、ステップＳ１１及びＳ１２の動作を再度行う。つまり、モデル学習部１１４は、過去情報１２１から新たにＳ個のサンプル情報を学習情報として抽出し、新たに抽出された学習情報に基づいて予測モデルＰＤ２を学習する。
他方で、ステップＳ１３における判定の結果、予測モデルＰＤ２の学習を終了すると判定された場合には（ステップＳ１３：Ｙｅｓ）、モデル更新部１１５は、ステップＳ１２におけるモデル学習部１１４の学習結果（つまり、学習されたパラメータ）を用いて、予測モデルＰＤ１を更新する（ステップＳ１３）。つまり、モデル更新部１１５は、ステップＳ１２におけるモデル学習部１１４の学習結果（つまり、学習されたパラメータ）を、通信速度予測部１１２が未来の通信速度を予測するために実際に使用している予測モデルＰＤ１に適用する。例えば、通信速度予測部１１２の内部に予測モデルＰＤ１が論理的に構築されている場合には、モデル更新部１１５は、通信速度予測部１１２の内部に論理的に構築されている予測モデルＰＤ１のパラメータを、ステップＳ１２で学習された予測モデルＰＤ２のパラメータに更新する（つまり、置き換える又は書き換える）。或いは、例えば、予測モデルＰＤ１が記憶装置１２に記憶されており且つ通信速度予測部１１２が記憶装置１２に記憶されている予測モデルＰＤ１を使用する場合には、モデル更新部１１５は、記憶装置１２に記憶されている予測モデルＰＤ１のパラメータを、ステップＳ１２で学習された予測モデルＰＤ２のパラメータに更新する。その結果、通信速度予測部１１２が未来の通信速度を予測するために実際に使用している予測モデルＰＤ１が実際に更新される。
但し、予測モデルＰＤがＲＮＮを用いている場合には、一の時刻の通信速度に相当する予測モデルＰＤの出力は、一の時刻よりも過去の他の時刻の位置データｘ（特に、位置データｘの時系列データ）に依存する。つまり、一の時刻の通信速度に相当する予測モデルＰＤの出力は、一の時刻よりも過去の他の時刻に対応する中間ノードＨＮの出力に依存する。しかしながら、予測モデルＰＤが更新されたものの更新された予測モデルＰＤの入力層Ｉに位置データｘの時系列データが未だ入力されていない状態では、中間ノードＨＮの出力が、位置データｘの時系列データを反映した出力になっていない。このため、予測モデルＰＤによる未来の通信速度の予測精度が低い可能性がある。そこで、モデル更新部１１５は、ステップＳ１４で予測モデルＰＤ１が更新された場合には、ステップＳ１４で更新された予測モデルＰＤ１を初期化する（ステップＳ１５）。具体的には、モデル更新部１１５は、予測モデルＰＤ１を初期化するために、更新した予測モデルＰＤ１に対して、過去情報１２１に含まれる位置データｘの時系列データを入力する（ステップＳ１５）。例えば、モデル更新部１１５は、現在の時刻ｔに対応する位置データｘを起点に、時刻ｔから時刻ｔ－（Ａ－１）Ｄに夫々対応するＡ個の位置データｘを予測モデルＰＤ１に対して順に入力する。尚、Ａは、２以上の整数であり、例えば、数百から千数百の間の整数であってもよい。或いは、事前に取得したデータに対してＡの値を変更した場合の予測値を算出し、それぞれの予測精度を用いてＡの値を決定してもよい。その結果、中間ノードＨＮの出力が、位置データｘの時系列データを反映した出力に変わる。つまり、中間ノードＨＮの状態が、未来の通信速度を予測するために調整された状態に設定される。
（２－２）予測動作
続いて、図６を参照しながら、予測動作の流れについて説明する。図６は、通信速度予測動作の一部を構成する予測動作の流れを示すフローチャートである。
図６に示すように、位置予測部１１１は、ドローンＤＲの未来の位置を予測する（ステップＳ２１）。例えば、位置予測部１１１は、過去情報１２１に含まれるドローンＤＲの過去の位置を示す位置データｘに基づいて、ドローンＤＲの未来の位置を予測してもよい。例えば、位置予測部１１１は、過去情報１２１に含まれるドローンＤＲの過去の位置を示す位置データｘと、ドローンＤＲの現在の飛行速度及び飛行方向とに基づいて、ドローンＤＲの未来の位置を予測してもよい。この場合、情報収集部１１６は、ドローンＤＲの現在の飛行速度及び飛行方向に関する飛行情報を収集してもよい。例えば、位置予測部１１１は、ドローンＤＲの過去の飛行経路（つまり、飛行軌跡）に基づいて、ドローンＤＲの未来の位置を予測してもよい。この場合、情報収集部１１６は、ドローンＤＲの過去の飛行経路に関する経路情報を収集してもよい。例えば、位置予測部１１１は、ドローンＤＲの飛行経路を示す複数のウェイポイントに関する情報に基づいて、ドローンＤＲの未来の位置を予測してもよい。この場合、情報収集部１１６は、ドローンＤＲのウェイポイントに関するウェイポイント情報を収集してもよい。
その後、通信速度予測部１１２は、ステップＳ２１で予測されたドローンＤＲの未来の位置と、予測モデルＰＤ１とを用いて、ドローンＤＲと地上基地局ＢＳとの間の未来の通信速度を予測する（ステップＳ２２）。例えば、現在の時刻ｔから未来の時刻ｔ＋（Ｅ－１）Ｄ（尚、Ｅは２以上の整数）までの間のドローンＤＲと地上基地局ＢＳとの間の未来の通信速度を予測する場合には、ステップＳ２１において、位置予測部１１１は、少なくとも時刻ｔ＋Ｄから時刻ｔ＋（Ｅ－１）Ｄまでの間のドローンＤＲの位置を予測している。この場合、通信速度予測部１１２は、時刻ｔから時刻ｔ＋（Ｅ－１）Ｄまでの間のドローンＤＲの位置を示す時系列データを予測モデルＰＤ１に入力する。具体的には、図７に示すように、通信速度予測部１１２は、現在の時刻ｔのドローンＤＲの位置を示す位置データｘｔと、未来の時刻ｔ＋ＤのドローンＤＲの位置を示す位置データｘｔ＋Ｄと、未来の時刻ｔ＋２ＤのドローンＤＲの位置を示す位置データｘｔ＋２Ｄと、・・・、未来の時刻ｔ＋（Ｅ－１）ＤのドローンＤＲの位置を示す位置データｘｔ＋（Ｅ－１）Ｄとを予測モデルＰＤ１に入力する。その結果、図７に示すように、予測モデルＰＤ１は、現在の時刻ｔにおけるドローンＤＲと地上基地局ＢＳとの間の通信速度を示す速度データｙｔと、未来の時刻ｔ＋ＤにおけるドローンＤＲと地上基地局ＢＳとの間の通信速度を示す速度データｙｔ＋Ｄと、未来の時刻ｔ＋２ＤにおけるドローンＤＲと地上基地局ＢＳとの間の通信速度を示す速度データｙｔ＋２Ｄと、・・・、未来の時刻ｔ＋（Ｅ－１）ＤにおけるドローンＤＲと地上基地局ＢＳとの間の通信速度を示す速度データｙｔ＋（Ｅ－１）Ｄとを出力する。
（２－３）継続学習動作
続いて、図８を参照しながら、継続学習動作の流れについて説明する。図８は、通信速度予測動作の一部を構成する継続学習動作の流れを示すフローチャートである。
まず、学習情報抽出部１１３は、記憶装置１２が記憶している過去情報１２１から、学習情報を抽出する（ステップＳ３１）。具体的には、学習情報抽出部１１３は、初期学習動作におけるステップＳ１１の動作と同様に、過去情報１２１から、連続するＳ個の時刻に対応するＳ個のサンプル情報（つまり、Ｓ個の位置データｘ及び当該Ｓ個の位置データｘに関連付けられたＳ個の速度データｙ）を、学習情報として抽出する。但し、ステップＳ３１における学習情報の抽出方法は、ステップＳ１１における学習情報の抽出方法とは異なる。具体的には、ステップＳ３１では、学習情報抽出部１１３は、過去情報１２１に含まれる各サンプル情報が学習情報として抽出される確率が、サンプル情報に対応する時刻によって変わるという条件に基づいて、Ｓ個のサンプル情報を抽出する。つまり、ステップＳ３１の動作は、過去情報１２１に含まれる各サンプル情報が学習情報として抽出される確率がサンプル情報に対応する時刻によって変わるという点で、過去情報１２１に含まれる各サンプル情報が学習情報として抽出される確率がサンプル情報に対応する時刻に関わらず一定である（或いは、ランダムである）ステップＳ１１の動作とは異なる。
継続学習動作において過去情報１２１に含まれる各サンプル情報が学習情報として抽出される確率が、図９（ａ）及び図９（ｂ）に示されている。図９（ａ）及び図９（ｂ）に示すように、学習情報抽出部１１３は、第１の時刻に収集されたサンプル情報が学習情報として抽出される確率よりも、第１の時刻よりも現在の時刻に近い第２の時刻に収集されたサンプル情報が学習情報として抽出される確率の方が高くなる又は同一になる（つまり、低くならない）という確率条件に基づいて、学習情報を抽出する。この際、図９（ａ）に示すように、学習情報抽出部１１３は、サンプル情報が収集された時刻が現在の時刻ｔに近ければ近いほど当該サンプル情報が学習情報として収集される確率が連続的に高くなるという確率条件に基づいて、学習情報を抽出してもよい。つまり、学習情報抽出部１１３は、現在の時刻ｔに近い時刻に収集されたサンプル情報ほど学習情報として収集される確率が連続的に高くなるという確率条件に基づいて、学習情報を抽出してもよい。或いは、図９（ｂ）に示すように、学習情報抽出部１１３は、サンプル情報が収集された時刻が現在の時刻ｔに近ければ近いほど当該サンプル情報が学習情報として収集される確率が段階的に高くなるという確率条件に基づいて、学習情報を抽出してもよい。つまり、学習情報抽出部１１３は、現在の時刻ｔに近い時刻に収集されたサンプル情報ほど学習情報として収集される確率が段階的に高くなるという確率条件に基づいて、学習情報を抽出してもよい。
この場合、学習情報抽出部１１３は、上述した確率条件を満たすように時刻ｔ＿ｓｔａｒｔを選択し、選択した時刻ｔ＿ｓｔａｒｔから時刻ｔ＋（Ｓ－１）Ｄに夫々対応するＳ個のサンプル情報を、学習情報として抽出してもよい。確率条件を満たすように時刻ｔ＿ｓｔａｒｔを選択するために、学習情報抽出部１１３は、第１の時刻が時刻ｔ＿ｓｔａｒｔとして選択される確率よりも、第１の時刻よりも現在の時刻ｔに近い第２の時刻が時刻ｔ＿ｓｔａｒｔとして選択される確率の方が高くなる又は同一になる（つまり、低くならない）ように時刻ｔ＿ｓｔａｒｔを選択してもよい。確率条件を満たすように時刻ｔ＿ｓｔａｒｔを選択するために、学習情報抽出部１１３は、一の時刻が現在の時刻ｔに近ければ近いほど当該一の時刻が時刻ｔ＿ｓｔａｒｔとして選択される確率が高くなるように、時刻ｔ＿ｓｔａｒｔを選択してもよい。
尚、上述したように時刻ｔ＿ｓｔａｒｔを選択する場合には、学習情報抽出部１１３は、現在の時刻ｔから時刻ｔ－（Ｓ－２）Ｄまでの時刻は、時刻ｔ＿ｓｔａｒｔとして選択しなくてもよい。なぜならば、現在の時刻ｔから時刻ｔ－（Ｓ－２）Ｄまでの時刻が時刻ｔ＿ｓｔａｒｔとして選択されると、学習情報抽出部１１３は、時刻ｔ＿ｓｔａｒｔから時刻ｔ＿ｓｔａｒｔ＋（Ｓ－１）Ｄに夫々対応するＳ個のサンプル情報を過去情報１２１から抽出することができなくなる可能性があるからである。つまり、学習情報抽出部１１３は、学習情報として、Ｓ個未満のサンプル情報しか過去情報１２１から抽出することができなくなる可能性があるからである。
再び図８において、その後、モデル学習部１１４は、ステップＳ３１で抽出された学習情報に基づいて、予測モデルＰＤ２を学習する（ステップＳ３２）。尚、継続学習動作におけるステップＳ３２の動作は、上述した初期学習動作におけるステップＳ１２の動作と同一であってもよいため、その詳細な説明は省略する。
その後、モデル更新部１１５は、予測モデルＰＤ１を更新するべきか否かを判定する（ステップＳ３３）。ステップＳ３３における判定の結果、予測モデルＰＤ１を更新するべきであると判定された場合には（ステップＳ３３：Ｙｅｓ）、モデル更新部１１５は、ステップＳ３２におけるモデル学習部１１４の学習結果（つまり、学習されたパラメータ）を用いて、予測モデルＰＤ１を更新する（ステップＳ３４）。更に、モデル更新部１１５は、ステップＳ３４で更新された予測モデルＰＤ１を初期化する（ステップＳ３５）。尚、継続学習動作におけるステップＳ３４及びＳ３５の動作は、夫々、上述した初期学習動作におけるステップＳ１４及びＳ１５の動作と同一であってもよいため、その詳細な説明は省略する。他方で、ステップＳ３３における判定の結果、予測モデルＰＤ１を更新するべきでないと判定された場合には（ステップＳ３３：Ｙｅｓ）、モデル学習部１１４は、ステップＳ３１及びＳ３２の動作を再度行う。つまり、モデル学習部１１４は、過去情報１２１から新たにＳ個のサンプル情報を学習情報として抽出し、新たに抽出された学習情報に基づいて予測モデルＰＤ２を学習する。
本実施形態では、ステップＳ３３において、モデル更新部１１５は、所定の更新頻度情報に基づいて、予測モデルＰＤ１を更新するべきか否かを判定する。更新頻度情報は、予測モデルＰＤ２の学習結果を用いて予測モデルＰＤ１を更新するべき頻度（以下、“更新頻度”と称する）を指定する情報である。
更新頻度が少なくなるほど、予測モデルＰＤ１を前回更新してから予測モデルＰＤ１を新たに更新するまでに経過するべき更新期間は長くなる。このため、更新頻度情報は、実質的には、予測モデルＰＤ１を前回更新してから予測モデルＰＤ１を新たに更新するまでに経過するべき更新期間を更新頻度として指定する情報であってもよい。この場合、予測モデルＰＤ１を前回更新してからの実際の経過時間が、更新頻度情報が指定する更新期間を下回っている場合には、モデル更新部１１５は、予測モデルＰＤ１を未だ更新するべきでないと判定してもよい。他方で、予測モデルＰＤ１を前回更新してからの経過時間が、更新頻度条件が指定する更新頻度に基づいて定まる更新期間を上回っている場合には、モデル更新部１１５は、予測モデルＰＤ１を更新するべきであると判定してもよい。
更新頻度が長くなるほど、単位期間当たりの予測モデルＰＤ１の更新回数が少なくなる。このため、更新頻度情報は、実質的には、単位期間当たりの予測モデルＰＤ１の更新回数を更新頻度として指定する情報であってもよい。この場合、単位期間当たりに予測モデルＰＤ１を実際に更新した回数が、更新頻度情報が指定する更新回数を上回っている場合には、モデル更新部１１５は、予測モデルＰＤ１を更新するべきでないと判定してもよい。他方で、単位期間当たりに予測モデルＰＤ１を実際に更新した回数が、更新頻度情報が指定する更新回数未満である場合には、モデル更新部１１５は、予測モデルＰＤ１を更新するべきであると判定してもよい。
以下、図１０（ａ）から図１２（ｄ）を参照しながら、更新頻度情報の一例について説明する。図１０（ａ）から図１２（ｄ）の夫々は、更新頻度情報が指定する予測モデルＰＤ１の更新頻度を示すグラフである。
図１０（ａ）から図１０（ｂ）に示すように、更新頻度情報は、通信速度予測装置１の処理性能に基づいて更新頻度を指定する情報であってもよい。つまり、更新頻度情報は、通信速度予測装置１の処理性能と更新頻度との関係を示す情報であってもよい。具体的には、更新頻度情報は、通信速度予測装置１の処理性能が第１の性能である場合の更新頻度よりも、通信速度予測装置１の処理性能が第１の性能よりも低い第２の性能である場合の更新頻度の方が低くなるという条件を満たす更新頻度を指定する情報であってもよい。例えば、図１０（ａ）に示すように、更新頻度情報は、通信速度予測装置１の処理性能が低くなるほど更新頻度が連続的に低くなるという条件を満たす更新頻度を指定する情報であってもよい。例えば、図１０（ｂ）に示すように、更新頻度情報は、通信速度予測装置１の処理性能が低くなるほど更新頻度が段階的に低くなるという条件を満たす更新頻度を指定する情報であってもよい。
この場合、モデル更新部１１５は、通信速度予測装置１の処理性能を特定し、特定した処理性能に基づいて更新頻度を決定し、決定した更新頻度に基づいて、予測モデルＰＤ１を更新するべきか否かを判定する。つまり、モデル更新部１１５は、通信速度予測装置１の処理性能に基づいて、予測モデルＰＤ１の更新頻度を変更する。その結果、通信速度予測装置１の処理性能が低くなるほど、予測モデルＰＤ１が更新されにくくなる。例えば、通信速度予測装置１の処理性能が低くなるほど、予測モデルＰＤ１が更新されるまでに経過するべき更新期間が長くなる及び／又は単位期間当たりの予測モデルＰＤ１の更新回数が少なくなる。更には、通信速度予測装置１の処理性能が低くなるほど、予測モデルＰＤ１の更新に伴って行うべき予測モデルＰＤ１の初期化もまた行われにくくなる。つまり、処理性能が相対的に低い通信速度予測装置１は、処理負荷が相対的に高い予測モデルＰＤ１の初期化を相対的に高い頻度で行わなくてもよくなる。その結果、ドローンＤＲのように相対的に処理性能が低いＣＰＵしか搭載できない通信装置であっても、処理負荷が相対的に高い予測モデルＰＤ１の初期化を相対的に高い頻度で行わなくてもよくなるがゆえに、継続学習動作を適切に行うことができる。また、処理性能が相対的に低い通信速度予測装置１は、処理負荷が相対的に高い予測モデルＰＤ１の初期化よりも、予測モデルＰＤ２の学習を優先することができるとも言える。つまり、処理性能が相対的に低い通信速度予測装置１は、予測モデルＰＤ２の学習を進めることで予測モデルＰＤ１の将来的な予測精度の向上を優先することができる。
図１１（ａ）から図１１（ｄ）に示すように、更新頻度情報は、予測モデルＰＤ１を用いた未来の通信速度の予測精度に基づいて更新頻度を指定する情報であってもよい。つまり、更新頻度情報は、予測モデルＰＤ１を用いた未来の通信速度の予測精度と更新頻度との関係を示す情報であってもよい。具体的には、更新頻度情報は、予測精度が第１の精度である場合の更新頻度よりも、予測精度が第１の精度よりも高い第２の精度である場合の更新頻度の方が低くなるという条件を満たす更新頻度を指定する情報であってもよい。例えば、図１１（ａ）に示すように、更新頻度情報は、予測精度が高くなるほど更新頻度が連続的に低くなるという条件を満たす更新頻度を指定する情報であってもよい。例えば、図１１（ｂ）に示すように、更新頻度情報は、予測精度が高くなるほど更新頻度が段階的に低くなるという条件を満たす更新頻度を指定する情報であってもよい。例えば、図１１（ｃ）に示すように、更新頻度情報は、予測精度が所定精度よりも低い場合には、一定の更新頻度で予測モデルＰＤ１を更新する一方で、予測精度が所定精度よりも高い場合には予測モデルＰＤ１を更新しないという条件を満たす更新頻度を指定する情報であってもよい。例えば、図１１（ｄ）に示すように、更新頻度情報は、予測精度が所定精度よりも低い場合には、予測精度が高くなるほど連続的に（或いは、段階的に）低くなる更新頻度で予測モデルＰＤ１を更新する一方で、予測精度が所定精度よりも高い場合には予測モデルＰＤ１を更新しないという条件を満たす更新頻度を指定する情報であってもよい。
この場合、モデル更新部１１５は、予測モデルＰＤ１の予測精度を算出し、算出した予測精度に基づいて更新頻度を決定し、決定した更新頻度に基づいて、予測モデルＰＤ１を更新するべきか否かを判定する。つまり、モデル更新部１１５は、予測モデルＰＤ１の予測精度に基づいて、予測モデルＰＤ１の更新頻度を変更する。その結果、予測精度が高くなるほど、予測モデルＰＤ１が更新されにくくなる。例えば、予測精度が高くなるほど、予測モデルＰＤ１が更新されるまでに経過するべき更新期間が長くなる及び／又は単位期間当たりの予測モデルＰＤ１の更新回数が少なくなる。このため、予測精度が高くなるほど、通信速度予測部１１２が今使用している予測モデルＰＤ１をそのまま使用し続ける可能性が高くなる。このため、モデル更新部１１５は、予測精度が相対的に高いがゆえに更新する必要性が相対的に小さい（つまり、そのまま使用し続けても問題がない）予測モデルＰＤ１を更新しなくてもよくなる。つまり、モデル更新部１１５は、必要以上に予測モデルＰＤ１を更新しなくてもよくなる。このため、予測モデルＰＤ１の更新に要するＣＰＵ１１の処理負荷が低減される。また、予測モデルＰＤ１の予測精度が相対的に高い場合には、通信速度予測装置１は、処理負荷が相対的に高い予測モデルＰＤ１の初期化よりも、予測モデルＰＤ２の学習を優先することができるとも言える。つまり、通信速度予測装置１は、予測モデルＰＤ２の学習を進めることで予測モデルＰＤ１の将来的な予測精度の向上を優先することができる。
モデル更新部１１５は、予測モデルＰＤ１が予測したある時刻の通信速度と、情報収集部１１６が収集した同じ時刻の通信速度との差分を、予測モデルＰＤ１の予測精度として算出してもよい。具体的には、通信速度予測部１１２が予測モデルＰＤ１を用いて現在の時刻ｔから未来の時刻ｔ＋（Ｅ－１）Ｄまでの間の通信速度を予測した場合には、時間の経過に従って、情報収集部１１６は、ドローンＤＲ及び地上基地局ＢＳの少なくとも一方から、時刻ｔから時刻ｔ＋（Ｅ－１）Ｄまでの間の実際の通信速度を示す速度データｙを収集することができる。このため、モデル更新部１１５は、予測モデルＰＤ１が予測したある時刻の通信速度と、情報収集部１１６が収集した同じ時刻の通信速度との差分を適切に算出することができる。この差分が小さくなるほど、予測モデルＰＤ１の予測精度は高いと言える。
尚、通信速度予測装置１の処理性能及び通信速度予測装置１による予測モデルＰＤ１を用いた予測精度は、いずれも、通信速度予測装置１の状態を示しているとも言える。このため、更新頻度情報は、通信速度予測装置１の状態に基づいて更新頻度を指定する情報であってもよい。つまり、更新頻度情報は、通信速度予測装置１の状態と更新頻度との関係を示す情報であってもよい。
図１２（ａ）から図１２（ｄ）に示すように、更新頻度情報は、予測モデルＰＤ１を前回更新してからのドローンＤＲと地上基地局ＢＳとの相対的な位置関係の変動量に基づいて更新頻度を指定する情報であってもよい。つまり、更新頻度情報は、予測モデルＰＤ１を前回更新してからのドローンＤＲと地上基地局ＢＳとの相対的な位置関係の変動量と更新頻度との関係を示す情報であってもよい。具体的には、更新頻度情報は、変動量が第１の量である場合の更新頻度よりも、変動量が第１の量よりも少ない第２の量である場合の更新頻度の方が低くなるという条件を満たす更新頻度を指定する情報であってもよい。例えば、図１２（ａ）に示すように、更新頻度情報は、変動量が所定量よりも多い場合には、一定の更新頻度で予測モデルＰＤ１を更新する一方で、変動量が所定量よりも少ない場合には予測モデルＰＤ１を更新しないという条件を満たす更新頻度を指定する情報であってもよい。例えば、図１２（ｂ）に示すように、更新頻度情報は、変動量が所定量よりも多い場合には、変動量が少なくなるほど連続的に（或いは、段階的に）低くなる更新頻度で予測モデルＰＤ１を更新する一方で、変動量が所定量よりも少ない場合には予測モデルＰＤ１を更新しないという条件を満たす更新頻度を指定する情報であってもよい。例えば、図１２（ｃ）に示すように、更新頻度情報は、変動量が少なくなるほど更新頻度が連続的に低くなるという条件を満たす更新頻度を指定する情報であってもよい。例えば、図１２（ｄ）に示すように、更新頻度情報は、変動量が少なくなるほど更新頻度が段階的に低くなるという条件を満たす更新頻度を指定する情報であってもよい。尚、ドローンＤＲと地上基地局ＢＳとの相対的な位置関係の変動量として、例えば、ドローンＤＲと地上基地局ＢＳとの間の距離の変動量が用いられてもよい。
この場合、モデル更新部１１５は、予測モデルＰＤ１を前回更新してからのドローンＤＲと地上基地局ＢＳとの相対的な位置関係の変動量を算出し、算出した変動量に基づいて更新頻度を決定し、決定した更新頻度に基づいて、予測モデルＰＤ１を更新するべきか否かを判定する。つまり、モデル更新部１１５は、予測モデルＰＤ１を前回更新してからのドローンＤＲと地上基地局ＢＳとの相対的な位置関係の変動量に基づいて、予測モデルＰＤ１の更新頻度を変更する。その結果、変動量が少なくなるほど、予測モデルＰＤ１が更新されにくくなる。例えば、変動量が少なくなるほど、予測モデルＰＤ１が更新されるまでに経過するべき更新時間が長くなる及び／又は単位期間当たりの予測モデルＰＤ１の更新回数が少なくなる。このため、変動量が少なくなるほど、通信速度予測部１１２が今使用している予測モデルＰＤ１をそのまま使用し続ける可能性が高くなる。ここで、ドローンＤＲと地上基地局ＢＳとの相対的な位置関係がそれほど変動していない場合には、通信速度予測部１１２が今使用している予測モデルＰＤ１をそのまま使用し続けたとしても、予測モデルＰＤ１を用いた通信速度の予測精度が悪化する可能性は相対的に低い。なぜならば、ドローンＤＲと地上基地局ＢＳとの間の通信速度は、ドローンＤＲと地上基地局ＢＳとの相対的な位置関係（特に、ドローンＤＲと地上基地局ＢＳとの間の距離）に依存するからである。このため、モデル更新部１１５は、変動量が相対的に少ないがゆえに更新する必要性が相対的に小さい（つまり、そのまま使用し続けても問題がない）予測モデルＰＤ１を更新しなくてもよくなる。つまり、モデル更新部１１５は、必要以上に予測モデルＰＤ１を更新しなくてもよくなる。このため、予測モデルＰＤ１の更新に要するＣＰＵ１１の処理負荷が低減される。また、変動量が相対的に少ない場合には、通信速度予測装置１は、処理負荷が相対的に高い予測モデルＰＤ１の初期化よりも、予測モデルＰＤ２の学習を優先することができるとも言える。つまり、通信速度予測装置１は、予測モデルＰＤ２の学習を進めることで予測モデルＰＤ１の将来的な予測精度の向上を優先することができる。
尚、ドローンＤＲと地上基地局ＢＳとの相対的な位置関係は、ドローンＤＲ及び地上基地局ＢＳの状態を示しているとも言える。このため、更新頻度情報は、ドローンＤＲ及び地上基地局ＢＳの状態に基づいて更新頻度を指定する情報であってもよい。つまり、更新頻度情報は、ドローンＤＲ及び地上基地局ＢＳの状態と更新頻度との関係を示す情報であってもよい。
（３）通信速度予測装置１の技術的効果
以上説明したように、本実施形態の通信速度予測装置１は、ドローンＤＲと地上基地局ＢＳとの間の未来の通信速度を適切に予測することができる。特に、通信速度予測装置１は、以下に説明するように、通信速度の予測に用いる予測モデルＰＤを適切に更新することができ、その結果、通信速度の高精度な予測が可能となる。
具体的には、通信速度予測装置１は、未来の通信速度を実際に予測する前に、実際に飛行しているドローンＤＲの位置を示す位置データｘ及びドローンＤＲと地上基地局ＢＳとの間の実際の通信速度を示す速度データｙとに基づいて、予測モデルＰＤ２を学習する初期学習動作を行う。このため、通信速度予測装置１は、予測モデルＰＤ１を用いて予測動作を開始する前に、初期学習動作による予測モデルＰＤ２の学習結果を用いて、予測モデルＰＤ１を適切に更新することができる。その結果、通信速度予測装置１は、初期学習動作によって予測精度が相対的に高められた予測モデルＰＤ１を用いて、ドローンＤＲと地上基地局ＢＳとの間の未来の通信速度を予測する予測動作を行うことができる。このため、実際の通信速度から大きく乖離した未来の通信速度を通信速度予測装置１が予測してしまう可能性は相対的に低くなる。
また、通信速度予測装置１は、予測動作を開始した後においても、予測モデルＰＤ２を学習する継続学習動作（いわゆる、オンライン学習）を行う。このため、通信速度予測装置１は、実際のドローンＤＲと地上基地局ＢＳとの間の最新の通信速度の状況を予測モデルＰＤ１に適宜反映させるように、予測モデルＰＤ１を適切に更新することができる。このため、予測動作が開始された後に予測モデルＰＤ２が学習されない（つまり、予測モデルＰＤ１が更新されない）場合と比較して、通信速度予測装置１は、未来の通信速度の予測精度を相対的に高い精度のまま維持することができる。
また、継続学習動作における学習情報の抽出方法は、初期学習動作における学習情報の抽出方法とは異なる。具体的には、継続学習動作では、サンプル情報が収集された時刻が現在の時刻ｔに近ければ近いほど当該サンプル情報が学習情報として収集される確率が高くなる。このため、通信速度予測装置１は、相対的に新しい時刻に収集されたサンプル情報を用いて、予測モデルＰＤ２を学習することができる。ここで、予測モデルＰＤがＲＮＮを用いている場合には、その特性上、相対的に古い時刻に収集されたサンプル情報を用いて学習された予測モデルＰＤによる未来の通信速度の予測精度よりも、相対的に新しい時刻に収集されたサンプル情報を用いて学習された予測モデルＰＤによる未来の通信速度の予測精度の方が高くなる。なぜならば、現在の時刻ｔよりも未来の時刻の通信速度は、現在の時刻ｔに相対的に近い時刻の通信速度に依存する可能性が相対的に高いからである。このため、相対的に古い時刻に収集されたサンプル情報を用いて予測モデルＰＤ２が学習される場合と比較して、通信速度予測装置１は、未来の通信速度の予測精度を相対的に高い精度のまま維持することができる。つまり、通信速度予測装置１は、未来の通信速度の予測精度を相対的に高い精度のまま維持するように、予測モデルＰＤ１を適切に更新することができる。
尚、図１３は、相対的に新しい時刻に収集されたサンプル情報を用いた学習結果を用いて更新される本実施形態の予測モデルＰＤ１の予測精度を、未来の通信速度を予測する既存の方法における予測精度と共に示す箱ひげ図である。図１３に示すように、本実施形態の予測モデルＰＤ１の予測精度が、未来の通信速度を予測する五つの既存の方法における予測精度よりも高いことが分かる。尚、ＯＲ（Ｏｎｌｉｎｅ Ｒｅｇｒｅｓｓｏｎ）方式を用いて未来の通信速度を予測する既存の方法は、「Ｍ．Ａｓａｄｐｏｕｒ ｅｔ ａｌ．、“Ｒｏｕｔｅ ｏｒ ｃａｒｒｙ： Ｍｏｔｉｏｎ－ｄｒｉｖｅｎ ｐａｃｋｅｔ ｆｏｒｗａｒｄｉｎｇ ｉｎ ｍｉｃｒｏａｅｒｉａｌ ｖｅｈｉｃｌｅ ｎｅｔｗｏｒｋｓ”、ＩＥＥＥ Ｔｒａｎｓ．Ｍｏｂｉｌｅ Ｃｏｍｐｕｔ．、Ｖｏｌ．１６，ｎｏ．３，ｐｐ．８４３－８５６、２０１６年」に記載されている。ＳＶＲ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ）方式を用いて未来の通信速度を予測する既存の方法は、「Ｍ．Ｍｉｒｚａ ｅｔ ａｌ．、“Ａ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ａｐｐｒｏａｃｈ ｔｏ ＴＣＰ ｔｈｒｏｕｇｈｐｕｔ ｐｒｅｄｉｃｔｉｏｎ”、ｉｎ ＡＣＭ ＳＩＧＭＥＴＲＩＣＳ Ｐｅｒｆ． Ｅｖａｌ． Ｒｅｖ．、ｖｏｌ．３５，ｎｏ．１，ｐｐ．９７－１０８、２００７年」に記載されている。ＳＭ（Ｓｔｏｃｈａｓｔｉｃ Ｍｏｄｅｌｉｎｇ）方式を用いて未来の通信速度を予測する既存の方法は、「Ｈ．Ｙｏｓｈｉｄａ ｅｔ ａｌ．、“Ｃｏｎｓｔｒｕｃｔｉｎｇ Ｓｔｏｃｈａｓｔｉｃ ｍｏｄｅｌ ｏｆ ＴＣＰ ｔｈｒｏｕｇｈｐｕｔ ｏｎ ｂａｓｉｓ ｏｆ ｓｔａｔｉｏｎａｒｉｔｙ ａｎａｌｙｓｉｓ”、ｉｎ Ｐｒｏｃ． ＩＥＥＥ Ｂｌｏｂａｌ Ｃｏｍｍｕｎ． Ｃｏｎｆ． （ＧＬＯＢＥＣＯＭ）、ｐｐ．１５４４－１５５０、２０１３年」に記載されている。ＭＡＭ（Ｍｏｖｉｎｇ Ａｒｉｔｈｍｅｔｉｃ Ｍｅａｎ）方式及びＭＧＭ（Ｍｏｖｉｎｇ Ｇｅｏｍｅｔｒｉｃ Ｍｅａｎ）方式の夫々を用いて未来の通信速度を予測する既存の方法は、「Ｙ．Ｌｉｕ ｅｔ ａｌ．、“Ａｎ ｅｍｐｉｒｉｃａｌ ｓｔｕｄｙ ｏｆ ｔｈｒｏｕｇｈｐｕｔ ｐｒｅｄｉｃｔｉｎ ｉｎ ｍｏｂｉｌｅ ｄａｔａ ｎｅｔｗｏｒｋｓ”、Ｐｒｏｃ． ＩＥＥＥ Ｂｌｏｂａｌ Ｃｏｍｍｕｎ． Ｃｏｎｆ． （ＧＬＯＢＥＣＯＭ）、ｐｐ．１－６、２０１５年」に記載されている。
更に、通信速度予測装置１は、予測モデルＰＤ２の学習結果を用いて予測モデルＰＤ１を更新する頻度を変更することができる。このため、通信速度予測装置１は、上述したように、通信速度予測装置１の状態とドローンＤＲ及び地上基地局ＢＳの状態との少なくとも一方に応じて定まる適切な更新頻度で予測モデルＰＤ１を更新することができる。
また、予測モデルＰＤが備える中間層Ｈの数（つまり、階層数）及び中間ノードＨＮの数（つまり、隠れ状態数）に上限が設定される場合には、中間層Ｈの数及び／又は中間ノードＨＮの数が上限を超える予測モデルと比較して、予測モデルＰＤの構造が簡略化される。このため、予測モデルＰＤ１を用いた通信速度の予測に要する処理負荷、予測モデルＰＤ２の学習に要する処理負荷、及び、予測モデルＰＤ１の更新に要する処理負荷もまた低減される。このため、処理性能が相対的に低い通信速度予測装置１であっても、予測モデルＰＤ１を用いて通信速度を適切に予測し、予測モデルＰＤ２を適切に学習し、予測モデルＰＤ１を適切に更新することができる。その結果、ドローンＤＲのように相対的に処理性能が低いＣＰＵしか搭載できない通信装置であっても、通信速度予測動作を適切に行うことができる。
（４）変形例
続いて、通信速度予測装置１の変形例について説明する。
（４－１）第１変形例
第１変形例では、予測動作において、通信速度予測部１１２は、上述した予測モデルＰＤ１を用いてドローンＤＲと地上基地局ＢＳとの間の未来の通信速度を予測することに加えて、過去情報１２１に含まれる過去の通信速度の時系列変化に基づいて、未来の通信速度の確率分布（確率密度関数）を予測可能である。尚、通信速度予測装置１は、未来の通信速度の確率分布を予測する方法として、既存の方法を用いてもよい。既存の方法の一例が、上述した特許文献４に記載されている。このため、未来の通信速度の確率分布を予測する方法の詳細な説明は省略する。
更に、第１変形例では、予測動作において、通信速度予測部１１２は、その予測結果として、予測モデルＰＤ１を用いた未来の通信速度の予測結果及び未来の通信速度の確率分布のいずれか一方を出力する。つまり、通信速度予測部１１２の状態は、予測モデルＰＤ１を用いた未来の通信速度の予測結果を出力する状態と、未来の通信速度の確率分布を出力する状態とのいずれか一方に設定される。
以下、このような第１変形例の予測動作について、図１４を参照しながら説明する。図１４は、第１変形例の予測動作の流れを示すフローチャートである。
図１４に示すように、第１変形例においても、位置予測部１１１は、ドローンＤＲの未来の位置を予測し（ステップＳ２１）、通信速度予測部１１２は、ステップＳ２１で予測されたドローンＤＲの未来の位置と、予測モデルＰＤ１とを用いて、ドローンＤＲと地上基地局ＢＳとの間の未来の通信速度を予測する（ステップＳ２２）。更に、通信速度予測部１１２は、ステップＳ２１及びＳ２２の動作と並行して又は相前後して、過去情報１２１に含まれる過去の通信速度の時系列変化に基づいて、未来の通信速度の確率分布を予測する。
その後、通信速度予測部１１２は、予測モデルＰＤ１を用いた未来の通信速度の予測結果と未来の通信速度の確率分布の予測結果との乖離度を算出する（ステップＳ４２）。例えば、通信速度予測部１１２は、予測モデルＰＤ１を用いて予測された未来の時刻ｔ＿ｆｕｔｕｒｅの通信速度と未来の通信速度の確率分布が示す時刻ｔ＿ｆｕｔｕｒｅの通信速度（例えば、確率分布が示す通信速度の上限値、中央値又は下限値等）との差分を、乖離度として算出してもよい。例えば、通信速度予測部１１２は、予測モデルＰＤ１を用いて予測された未来の時刻ｔ＿ｆｕｔｕｒｅの通信速度と未来の通信速度の確率分布が示す時刻ｔ＿ｆｕｔｕｒｅの通信速度との差分を、通信速度が予測された未来の時刻の全てにおいて算出し、当該算出した差分の絶対値の総和又は算出した差分の絶対値のべき乗の総和を、乖離度として算出してもよい。
その後、通信速度予測部１１２は、ステップＳ４２で算出した乖離度が所定の閾値ＴＨ１よりも低い（或いは、小さい）か否かを判定する（ステップＳ４２）。
ステップＳ４２における判定の結果、ステップＳ４２で算出した乖離度が閾値ＴＨ１よりも高い（或いは、大きい）と判定された場合には（ステップＳ４２：Ｎｏ）、予測モデルＰＤ１を用いた未来の通信速度の予測結果が、未来の通信速度の確率分布の予測結果とは相対的に大きく異なっている。この場合には、通信速度予測部１１２は、予測モデルＰＤ１の予測精度が十分に高くないと判定する。なぜならば、予測モデルＰＤ１の予測精度が十分に高ければ、予測モデルＰＤ１を用いた未来の通信速度の予測結果が、未来の通信速度の確率分布の予測結果とは相対的に大きく異なることはないからである。このため、閾値ＴＨ１は、予測モデルＰＤ１を用いた未来の通信速度の予測精度が相対的に高い状態と、予測モデルＰＤ１を用いた未来の通信速度の予測精度が相対的に低い状態とを、予測モデルＰＤ１を用いた未来の通信速度の予測結果と未来の通信速度の確率分布の予測結果との乖離度に基づいて適切に区別可能な所望値に設定される。この場合、通信速度予測部１１２は、未来の通信速度の確率分布を、通信速度予測部１１２の予測結果として出力する（ステップＳ４５）。つまり、通信速度予測部１１２の状態は、未来の通信速度の確率分布を出力する状態に設定される。
他方で、ステップＳ４２で算出した乖離度が閾値ＴＨ１よりも低い（或いは、小さい）と判定された場合には（ステップＳ４２：Ｙｅｓ）、予測モデルＰＤ１を用いた未来の通信速度の予測結果が、未来の通信速度の確率分布の予測結果に近い。この場合には、通信速度予測部１１２は、予測モデルＰＤ１の予測精度が十分に高いと判定する。このため、通信速度予測部１１２は、予測モデルＰＤ１を用いて予測された未来の通信速度を、通信速度予測部１１２の予測結果として出力する（ステップＳ４４）。つまり、通信速度予測部１１２の状態は、予測モデルＰＤ１を用いて予測された未来の通信速度を出力する状態に設定される。
但し、ステップＳ４２で算出した乖離度が閾値ＴＨ１よりも低いと判定された場合であっても、予測モデルＰＤ１の予測精度が相対的に悪い可能性がある。この場合、通信速度予測部１１２は、相対的に低い予測精度の予測モデルＰＤ１を用いて予測された未来の通信速度を、通信速度予測部１１２の予測結果として出力してしまう可能性がある。そこで、通信速度予測部１１２は、ステップＳ４２で算出した乖離度が閾値ＴＨ１よりも低いと判定された場合であっても、予測モデルＰＤ１を用いて予測された未来の通信速度を実際に出力する前に、予測モデルＰＤ１が予測した通信速度と、情報収集部１１６が収集した実際の通信速度との乖離度を算出してもよい（ステップＳ４３）。例えば、通信速度予測部１１２は、予測モデルＰＤ１を用いて予測された時刻ｔ’の通信速度と情報収集部１１６が収集した時刻ｔ’の通信速度との差分を、乖離度として算出してもよい。例えば、通信速度予測部１１２は、予測モデルＰＤ１を用いて予測された時刻ｔ’の通信速度と情報収集部１１６が収集した時刻ｔ’の通信速度との差分を、通信速度が予測された未来の時刻の全てにおいて算出し、当該算出した差分の絶対値の総和又は算出した差分の絶対値のべき乗の総和を、乖離度として算出してもよい。
その後、通信速度予測部１１２は、ステップＳ４３で算出した乖離度が所定の閾値ＴＨ２よりも低い（或いは、小さい）か否かを判定する（ステップＳ４３）。
ステップＳ４３における判定の結果、ステップＳ４３で算出した乖離度が閾値ＴＨ２よりも高い（或いは、大きい）と判定された場合には（ステップＳ４３：Ｎｏ）、予測モデルＰＤ１を用いて予測された通信速度が、実際の通信速度とは相対的に大きく異なっていると想定される。この場合には、通信速度予測部１１２は、予測モデルＰＤ１の予測精度が十分に高くないと判定する。なぜならば、予測モデルＰＤ１の予測精度が十分に高ければ、予測モデルＰＤ１を用いて予測された通信速度が、実際の通信速度とは相対的に大きく異なることはないからである。このため、閾値ＴＨ２は、予測モデルＰＤ１を用いた未来の通信速度の予測精度が相対的に高い状態と、予測モデルＰＤ１を用いた未来の通信速度の予測精度が相対的に低い状態とを、予測モデルＰＤ１を用いて予測された通信速度と実際の通信速度との乖離度に基づいて適切に区別可能な所望値に設定される。この場合、通信速度予測部１１２は、未来の通信速度の確率分布を、通信速度予測部１１２の予測結果として出力する（ステップＳ４５）。
他方で、ステップＳ４３で算出した乖離度が閾値ＴＨ１よりも低いと判定された場合には（ステップＳ４３：Ｙｅｓ）、予測モデルＰＤ１を用いて予測された通信速度が、実際の通信速度に近い。この場合には、通信速度予測部１１２は、予測モデルＰＤ１の予測精度が十分に高いと判定する。このため、通信速度予測部１１２は、予測モデルＰＤ１を用いて予測された未来の通信速度を、通信速度予測部１１２の予測結果として出力する（ステップＳ４４）。つまり、通信速度予測部１１２の状態は、予測モデルＰＤ１を用いて予測された未来の通信速度を出力する状態に設定される。
但し、通信速度予測部１１２は、ステップＳ４３の動作を行わなくてもよい。つまり、通信速度予測部１１２は、ステップＳ４２で算出した乖離度が閾値ＴＨ１よりも低いと判定された場合には、予測モデルＰＤ１を用いて予測された未来の通信速度を、通信速度予測部１１２の予測結果として出力してもよい。
以上説明した第１変形例では、上述した通信速度予測装置１が享受可能な効果と同様の効果が享受可能である。更に、第１変形例では、通信速度予測装置１は、予測モデルＰＤ１の予測精度が相対的に低い場合であっても、過去情報１２１に基づいて予測した未来の通信速度の確率分布を、通信速度予測部１１２の予測結果として出力することができる。特に、未来の通信速度の確率分布を予測する方法を用いる場合には、通信速度予測部１１２は、概ね過去数秒から十数秒程度の期間の通信速度を示す速度データｙが取得できれば、相対的に高い精度で未来の通信速度の確率分布を予測することができる。従って、通信速度予測部１１２は、ドローンＤＲが飛行を開始してからそれほど遅れることなく、相対的に高い精度で未来の通信速度の確率分布を予測することができる。一方で、予測モデルＰＤ１を用いて未来の通信速度を予測する方法を用いる場合は、通信速度予測部１１２は、予測モデルＰＤ１の学習のために数分から十数分程度の時間を要する。これが理由で、通信速度予測部１１２は、通信速度予測動作を開始してから所定時間が経過するまでは、予測動作を行うことなく初期学習動作を行っている。しかるに、第１変形例では、通信速度予測部１１２は、初期学習動作を行っている期間中に、過去情報１２１に基づいて予測した未来の通信速度の確率分布を、通信速度予測部１１２の予測結果として出力することができる。つまり、通信速度予測部１１２は、通信速度予測動作を開始してから所定時間が経過する前に、過去情報１２１に基づいて予測した未来の通信速度の確率分布を、通信速度予測部１１２の予測結果として出力することができる。このため、未来の通信速度の予測結果が出力されるまでに必要な時間が短縮される。一方で、初期学習動作が完了した後には（つまり、通信速度予測動作を開始してから所定時間が経過した場合には）、予測モデルＰＤ１が十分に学習されたと想定される。このため、通信速度予測部１１２は、初期学習動作が完了した後には（つまり、通信速度予測動作を開始してから所定時間が経過した場合には）、予測モデルＰＤ１を用いて予測された未来の通信速度を、通信速度予測部１１２の予測結果として出力することができる。つまり、通信速度予測部１１２は、確率分布と比較して未来の通信速度を的確に又は明確に示している予測結果を出力することができる。
（４－２）その他の変形例
上述した説明では、継続学習動作における学習情報の抽出方法は、初期学習動作における学習情報の抽出方法とは異なる。しかしながら、継続学習動作における学習情報の抽出方法と、初期学習動作における学習情報の抽出方法とが同じであってもよい。初期学習動作において、学習情報抽出部１１３は、過去情報１２１に含まれる各サンプル情報が学習情報として抽出される確率が、サンプル情報に対応する時刻によって変わるという条件に基づいて、Ｓ個のサンプル情報を抽出してもよい。継続学習動作において、学習情報抽出部１１３は、過去情報１２１に含まれる各サンプル情報が学習情報として抽出される確率が、サンプル情報に対応する時刻に関わらず一定である（或いは、ランダムである）という条件に基づいて、Ｓ個のサンプル情報を抽出してもよい。
上述した説明では、継続学習動作において、モデル更新部１１５は、更新頻度情報に基づいて、予測モデルＰＤ１を更新するべきか否かを判定している。しかしながら、モデル更新部１１５は、更新頻度情報に基づいて、予測モデルＰＤ１を更新するべきか否かを判定しなくてもよい。モデル更新部１１５は、更新頻度情報とは異なる情報に基づいて、予測モデルＰＤ１を更新するべきか否かを判定してもよい。モデル更新部１１５は、予測モデルＰＤ２が学習されるたびに、予測モデルＰＤ１を更新してもよい。モデル更新部１１５は、予測モデルＰＤ１の更新頻度を変更しなくてもよい。
（５）付記
以上説明した実施形態に関して、更に以下の付記を開示する。
［付記１］
第１通信装置と前記第１通信装置に対して相対的に移動可能な第２通信装置との間の未来の通信速度を予測する通信速度予測装置であって、
前記第１及び前記第２通信装置の間の未来の相対的な位置関係を予測する位置予測手段と、
前記第１及び前記第２通信装置の間の相対的な位置関係に基づいて前記第１及び第２通信装置の間の未来の通信速度を予測するための予測モデルと、前記位置予測手段の予測結果とを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測する速度予測手段と、
前記第１及び前記第２通信装置の間の過去の相対的な位置関係に関する過去位置情報と前記第１及び第２通信装置の間の過去の通信速度に関する過去速度情報とが関連付けられたサンプル情報を複数含む情報源から、前記予測モデルを学習するための学習情報として少なくとも一つのサンプル情報を抽出する抽出手段と、
前記学習情報を用いて前記予測モデルのパラメータを学習する学習手段と、
前記学習手段が学習した前記パラメータを用いて、前記速度予測手段が使用している前記予測モデルを更新するモデル更新手段と
を備え、
前記モデル更新手段は、前記通信速度予測装置の状態と前記第１及び第２通信装置の状態との少なくとも一方に基づいて、前記予測モデルを更新する更新頻度を変更する
通信速度予測装置。
［付記２］
前記通信速度予測装置の状態は、前記通信速度予測装置の処理性能を含む
付記１に記載の通信速度予測装置。
［付記３］
前記モデル更新手段は、前記処理性能が第１の性能である場合の前記更新頻度よりも、前記処理性能が前記第１の性能よりも低い第２の性能である場合の前記更新頻度の方が低くなるように、前記更新頻度を変更する
付記２に記載の通信速度予測装置。
［付記４］
前記通信速度予測装置の状態は、前記通信速度予測装置による前記予測モデルを用いた前記通信速度の予測精度を含む
付記１から３のいずれか一項に記載の通信速度予測装置。
［付記５］
前記モデル更新手段は、前記予測精度が第１の精度である場合の前記更新頻度よりも、前記予測精度が前記第１の精度よりも高い第２の精度である場合の前記更新頻度の方が低くなるように、前記更新頻度を変更する
付記４に記載の通信速度予測装置。
［付記６］
前記モデル更新手段は、前記予測精度が所定精度より高い場合には前記予測モデルを更新しないように、前記更新頻度を変更する
付記４又は５に記載の通信速度予測装置。
［付記７］
前記第１及び第２通信装置の状態は、前記予測モデルが前回更新されてからの前記第１及び前記第２通信装置の間の相対的な位置関係の変動量を含む
付記１から６のいずれか一項に記載の通信速度予測装置。
［付記８］
前記モデル更新手段は、前記変動量が所定量よりも小さい場合には前記予測モデルを更新せず、前記変動量が前記所定量よりも大きい場合には前記予測モデルを更新するように、前記更新頻度を変更する
付記７に記載の通信速度予測装置。
［付記９］
第１の期間には、前記学習手段が前記パラメータを学習する一方で、前記速度予測手段が前記第１及び第２通信装置の間の未来の通信速度を予測せず、
前記第１の期間とは異なる第２の期間には、前記学習手段が前記パラメータを学習し、且つ、前記速度予測手段が前記第１及び第２通信装置の間の未来の通信速度を予測し、
前記第１期間における前記抽出手段による前記学習情報の抽出方法と、前記第２期間における前記抽出手段による前記学習情報の抽出方法とが異なる
付記１から８のいずれか一項に記載の通信速度予測装置。
［付記１０］
第１通信装置と前記第１通信装置に対して相対的に移動可能な第２通信装置との間の未来の通信速度を予測する通信速度予測装置であって、
前記第１及び前記第２通信装置の間の未来の相対的な位置関係を予測する位置予測手段と、
前記第１及び前記第２通信装置の間の相対的な位置関係に基づいて前記第１及び第２通信装置の間の未来の通信速度を予測するための予測モデルと、前記位置予測手段の予測結果とを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測する速度予測手段と、
前記第１及び前記第２通信装置の間の過去の相対的な位置関係に関する過去位置情報と前記第１及び第２通信装置の間の過去の通信速度に関する過去速度情報とが関連付けられたサンプル情報を複数含む情報源から、前記予測モデルを学習するための学習情報として少なくとも一つのサンプル情報を抽出する抽出手段と、
前記学習情報を用いて前記予測モデルのパラメータを学習する学習手段と、
前記学習手段が学習した前記パラメータを用いて、前記速度予測手段が使用している前記予測モデルを更新するモデル更新手段と
を備え、
第１の期間には、前記学習手段が前記パラメータを学習する一方で、前記速度予測手段が前記第１及び第２通信装置の間の未来の通信速度を予測せず、
前記第１の期間とは異なる第２の期間には、前記学習手段が前記パラメータを学習し、且つ、前記速度予測手段が前記第１及び第２通信装置の間の未来の通信速度を予測し、
前記第１期間における前記抽出手段による前記学習情報の抽出方法と、前記第２期間における前記抽出手段による前記学習情報の抽出方法とが異なる
通信速度予測装置。
［付記１１］
前記第１の期間には、前記抽出手段は、ランダムに抽出される少なくとも一つのサンプル情報を、前記学習情報として抽出し、
前記第２の期間には、前記抽出手段は、第１の時刻に収集されたサンプル情報が前記学習情報の少なくとも一部として抽出される確率よりも、前記第１の時刻よりも現在の時刻に近い第２の時刻に収集されたサンプル情報が前記学習情報の少なくとも一部として抽出される確率の方が高くなる又は同一になるという条件に基づいて、前記学習情報を抽出する
付記９又は１０に記載の通信速度予測装置。
［付記１２］
前記第１の期間には、前記抽出手段はランダムに抽出される少なくとも一つのサンプル情報を、前記学習情報として抽出し、
前記第２の期間には、前記抽出手段は、現在の時刻に近い時刻に収集されたサンプル情報ほど前記学習情報の少なくとも一部として抽出される確率が高くなる又は同一になるという条件に基づいて、前記学習情報を抽出する
付記９から１１のいずれか一項に記載の通信速度予測装置。
［付記１３］
前記速度予測手段は、前記第１及び前記第２通信装置の間の過去の通信速度を用いて、前記第１及び第２通信装置の間の未来の通信速度の確率分布を予測可能であり、
前記速度予測手段の状態は、前記予測モデルを用いて予測された未来の通信速度を予測結果として出力する第１状態又は前記確率分布を予測結果として出力する第２状態に設定される
付記１から１２のいずれか一項に記載の通信速度予測装置。
［付記１４］
前記速度予測手段の状態は、前記予測モデルの予測精度に関する精度情報に基づいて、前記第１状態又は前記第２状態に設定される
付記１３に記載の通信速度予測装置。
［付記１５］
前記精度情報は、前記予測モデルを用いて予測された通信速度と実際の通信速度との乖離度に関する情報、及び、前記予測モデルを用いて予測された通信速度と前記確率分布が示す通信速度との乖離度に関する情報の少なくとも一方を含む
付記１４に記載の通信速度予測装置。
［付記１６］
前記速度予測手段の状態は、前記精度情報が示す前記乖離度が所定閾値よりも低い場合に前記第１状態に設定され、
前記速度予測手段の状態は、前記精度情報が示す前記乖離度が前記所定閾値よりも高い場合に前記第２状態に設定される
付記１５に記載の通信速度予測装置。
［付記１７］
前記速度予測手段の状態は、第１期間に前記第１状態に設定され、前記第１期間とは異なる第２期間に前記第２状態に設定される
付記１３から１６のいずれか一項に記載の通信速度予測装置。
［付記１８］
前記第１期間は、前記学習手段が前記パラメータを学習し始めてから所定時間が経過するまでの期間であり、
前記第２期間は、前記学習手段が前記パラメータを学習し始めてから前記所定時間が経過した後の期間である
付記９から１２及び１７のいずれか一項に記載の通信速度予測装置。
［付記１９］
前記通信速度予測装置は、前記第１及び第２通信装置の少なくとも一方に内蔵されている
付記１から１８のいずれか一項に記載の通信速度予測装置。
［付記２０］
第１通信装置と前記第１通信装置に対して相対的に移動可能な第２通信装置との間の未来の通信速度を予測する通信速度予測方法であって、
前記第１及び前記第２通信装置の間の未来の相対的な位置関係を予測することと、
前記第１及び前記第２通信装置の間の相対的な位置関係に基づいて前記第１及び第２通信装置の間の未来の通信速度を予測するための予測モデルと、前記位置予測手段の予測結果とを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測することと、
前記第１及び前記第２通信装置の間の過去の相対的な位置関係に関する過去位置情報と前記第１及び第２通信装置の間の過去の通信速度に関する過去速度情報とが関連付けられたサンプル情報を複数含む情報源から、前記予測モデルを学習するための学習情報として少なくとも一つのサンプル情報を抽出することと、
前記学習情報を用いて前記予測モデルのパラメータを学習することと、
前記学習された前記パラメータを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測するために使用されている前記予測モデルを更新することと、
前記通信速度予測装置の状態と前記第１及び第２通信装置の状態との少なくとも一方に基づいて、前記予測モデルを更新する更新頻度を変更することと
を含む通信速度予測方法。
［付記２１］
第１通信装置と前記第１通信装置に対して相対的に移動可能な第２通信装置との間の未来の通信速度を予測する通信速度予測方法であって、
前記第１及び前記第２通信装置の間の未来の相対的な位置関係を予測することと、
前記第１及び前記第２通信装置の間の相対的な位置関係に基づいて前記第１及び第２通信装置の間の未来の通信速度を予測するための予測モデルと、前記位置予測手段の予測結果とを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測することと、
前記第１及び前記第２通信装置の間の過去の相対的な位置関係に関する過去位置情報と前記第１及び第２通信装置の間の過去の通信速度に関する過去速度情報とが関連付けられたサンプル情報を複数含む情報源から、前記予測モデルを学習するための学習情報として少なくとも一つのサンプル情報を抽出することと、
前記学習情報を用いて前記予測モデルのパラメータを学習することと、
前記学習された前記パラメータを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測するために使用されている前記予測モデルを更新することと
を含み、
第１の期間には、前記パラメータが学習される一方で、前記第１及び第２通信装置の間の未来の通信速度が予測されず、
前記第１の期間とは異なる第２の期間には、前記パラメータが学習され、且つ、前記第１及び第２通信装置の間の未来の通信速度が予測され、
前記第１期間における前記学習情報の抽出方法と、前記第２期間における前記学習情報の抽出方法とが異なる
通信速度予測方法。
［付記２２］
第１通信装置と前記第１通信装置に対して相対的に移動可能な第２通信装置との間の未来の通信速度を予測する通信速度予測方法をコンピュータに実行させるコンピュータプログラムであって、
前記通信速度予測方法は、
前記第１及び前記第２通信装置の間の未来の相対的な位置関係を予測することと、
前記第１及び前記第２通信装置の間の相対的な位置関係に基づいて前記第１及び第２通信装置の間の未来の通信速度を予測するための予測モデルと、前記位置予測手段の予測結果とを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測することと、
前記第１及び前記第２通信装置の間の過去の相対的な位置関係に関する過去位置情報と前記第１及び第２通信装置の間の過去の通信速度に関する過去速度情報とが関連付けられたサンプル情報を複数含む情報源から、前記予測モデルを学習するための学習情報として少なくとも一つのサンプル情報を抽出することと、
前記学習情報を用いて前記予測モデルのパラメータを学習することと、
前記学習された前記パラメータを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測するために使用されている前記予測モデルを更新することと、
前記通信速度予測装置の状態と前記第１及び第２通信装置の状態との少なくとも一方に基づいて、前記予測モデルを更新する更新頻度を変更することと
を含むコンピュータプログラム。
［付記２３］
第１通信装置と前記第１通信装置に対して相対的に移動可能な第２通信装置との間の未来の通信速度を予測する通信速度予測方法をコンピュータに実行させるコンピュータプログラムであって、
前記通信速度予測方法は、
前記第１及び前記第２通信装置の間の未来の相対的な位置関係を予測することと、
前記第１及び前記第２通信装置の間の相対的な位置関係に基づいて前記第１及び第２通信装置の間の未来の通信速度を予測するための予測モデルと、前記位置予測手段の予測結果とを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測することと、
前記第１及び前記第２通信装置の間の過去の相対的な位置関係に関する過去位置情報と前記第１及び第２通信装置の間の過去の通信速度に関する過去速度情報とが関連付けられたサンプル情報を複数含む情報源から、前記予測モデルを学習するための学習情報として少なくとも一つのサンプル情報を抽出することと、
前記学習情報を用いて前記予測モデルのパラメータを学習することと、
前記学習された前記パラメータを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測するために使用されている前記予測モデルを更新することと
を含み、
第１の期間には、前記パラメータが学習される一方で、前記第１及び第２通信装置の間の未来の通信速度が予測されず、
前記第１の期間とは異なる第２の期間には、前記パラメータが学習され、且つ、前記第１及び第２通信装置の間の未来の通信速度が予測され、
前記第１期間における前記学習情報の抽出方法と、前記第２期間における前記学習情報の抽出方法とが異なる
コンピュータプログラム。
［付記２４］
第１通信装置と前記第１通信装置に対して相対的に移動可能な第２通信装置との間の未来の通信速度を予測する通信速度予測方法をコンピュータに実行させるコンピュータプログラムが記録された記録媒体であって、
前記通信速度予測方法は、
前記第１及び前記第２通信装置の間の未来の相対的な位置関係を予測することと、
前記第１及び前記第２通信装置の間の相対的な位置関係に基づいて前記第１及び第２通信装置の間の未来の通信速度を予測するための予測モデルと、前記位置予測手段の予測結果とを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測することと、
前記第１及び前記第２通信装置の間の過去の相対的な位置関係に関する過去位置情報と前記第１及び第２通信装置の間の過去の通信速度に関する過去速度情報とが関連付けられたサンプル情報を複数含む情報源から、前記予測モデルを学習するための学習情報として少なくとも一つのサンプル情報を抽出することと、
前記学習情報を用いて前記予測モデルのパラメータを学習することと、
前記学習された前記パラメータを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測するために使用されている前記予測モデルを更新することと、
前記通信速度予測装置の状態と前記第１及び第２通信装置の状態との少なくとも一方に基づいて、前記予測モデルを更新する更新頻度を変更することと
を含む記録媒体。
［付記２５］
第１通信装置と前記第１通信装置に対して相対的に移動可能な第２通信装置との間の未来の通信速度を予測する通信速度予測方法をコンピュータに実行させるコンピュータプログラムが記録された記録媒体であって、
前記通信速度予測方法は、
前記第１及び前記第２通信装置の間の未来の相対的な位置関係を予測することと、
前記第１及び前記第２通信装置の間の相対的な位置関係に基づいて前記第１及び第２通信装置の間の未来の通信速度を予測するための予測モデルと、前記位置予測手段の予測結果とを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測することと、
前記第１及び前記第２通信装置の間の過去の相対的な位置関係に関する過去位置情報と前記第１及び第２通信装置の間の過去の通信速度に関する過去速度情報とが関連付けられたサンプル情報を複数含む情報源から、前記予測モデルを学習するための学習情報として少なくとも一つのサンプル情報を抽出することと、
前記学習情報を用いて前記予測モデルのパラメータを学習することと、
前記学習された前記パラメータを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測するために使用されている前記予測モデルを更新することと
を含み、
第１の期間には、前記パラメータが学習される一方で、前記第１及び第２通信装置の間の未来の通信速度が予測されず、
前記第１の期間とは異なる第２の期間には、前記パラメータが学習され、且つ、前記第１及び第２通信装置の間の未来の通信速度が予測され、
前記第１期間における前記学習情報の抽出方法と、前記第２期間における前記学習情報の抽出方法とが異なる
記録媒体。
本発明は、請求の範囲及び明細書全体から読み取るこのできる発明の要旨又は思想に反しない範囲で適宜変更可能であり、そのような変更を伴う通信速度予測装置、通信速度予測方法、コンピュータプログラム及び記録媒体もまた本発明の技術思想に含まれる。
１ 通信速度予測装置
１１ ＣＰＵ
１１１ 位置予測部
１１２ 通信速度予測部
１１３ 学習情報抽出部
１１４ モデル学習部
１１５ モデル更新部
１２ 記憶装置
１２１ 過去情報
ＤＲ ドローン
ＢＳ 地上基地局

Claims (23)

  1. 第１通信装置と前記第１通信装置に対して相対的に移動可能な第２通信装置との間の未来の通信速度を予測する通信速度予測装置であって、
    前記第１及び前記第２通信装置の間の未来の相対的な位置関係を予測する位置予測手段と、
    前記第１及び前記第２通信装置の間の相対的な位置関係に基づいて前記第１及び第２通信装置の間の未来の通信速度を予測するための予測モデルと、前記位置予測手段の予測結果とを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測する速度予測手段と、
    前記第１及び前記第２通信装置の間の過去の相対的な位置関係に関する過去位置情報と前記第１及び第２通信装置の間の過去の通信速度に関する過去速度情報とが関連付けられたサンプル情報を複数含む情報源から、前記予測モデルを学習するための学習情報として少なくとも一つのサンプル情報を抽出する抽出手段と、
    前記学習情報を用いて前記予測モデルのパラメータを学習する学習手段と、
    前記学習手段が学習した前記パラメータを用いて、前記速度予測手段が使用している前記予測モデルを更新するモデル更新手段と
    を備え、
    前記モデル更新手段は、前記通信速度予測装置の状態と前記第１及び第２通信装置の状態との少なくとも一方に基づいて、前記予測モデルを更新する更新頻度を変更する
    通信速度予測装置。
  2. 前記通信速度予測装置の状態は、前記通信速度予測装置の処理性能を含む
    請求項１に記載の通信速度予測装置。
  3. 前記モデル更新手段は、前記処理性能が第１の性能である場合の前記更新頻度よりも、前記処理性能が前記第１の性能よりも低い第２の性能である場合の前記更新頻度の方が低くなるように、前記更新頻度を変更する
    請求項２に記載の通信速度予測装置。
  4. 前記通信速度予測装置の状態は、前記通信速度予測装置による前記予測モデルを用いた前記通信速度の予測精度を含む
    請求項１から３のいずれか一項に記載の通信速度予測装置。
  5. 前記モデル更新手段は、前記予測精度が第１の精度である場合の前記更新頻度よりも、前記予測精度が前記第１の精度よりも高い第２の精度である場合の前記更新頻度の方が低くなるように、前記更新頻度を変更する
    請求項４に記載の通信速度予測装置。
  6. 前記モデル更新手段は、前記予測精度が所定精度より高い場合には前記予測モデルを更新しないように、前記更新頻度を変更する
    請求項４又は５に記載の通信速度予測装置。
  7. 前記第１及び第２通信装置の状態は、前記予測モデルが前回更新されてからの前記第１及び前記第２通信装置の間の相対的な位置関係の変動量を含む
    請求項１から６のいずれか一項に記載の通信速度予測装置。
  8. 前記モデル更新手段は、前記変動量が所定量よりも小さい場合には前記予測モデルを更新せず、前記変動量が前記所定量よりも大きい場合には前記予測モデルを更新するように、前記更新頻度を変更する
    請求項７に記載の通信速度予測装置。
  9. 第１の期間には、前記学習手段が前記パラメータを学習する一方で、前記速度予測手段が前記第１及び第２通信装置の間の未来の通信速度を予測せず、
    前記第１の期間とは異なる第２の期間には、前記学習手段が前記パラメータを学習し、且つ、前記速度予測手段が前記第１及び第２通信装置の間の未来の通信速度を予測し、
    前記第１の期間における前記抽出手段による前記学習情報の抽出方法と、前記第２の期間における前記抽出手段による前記学習情報の抽出方法とが異なる
    請求項１から８のいずれか一項に記載の通信速度予測装置。
  10. 第１通信装置と前記第１通信装置に対して相対的に移動可能な第２通信装置との間の未来の通信速度を予測する通信速度予測装置であって、
    前記第１及び前記第２通信装置の間の未来の相対的な位置関係を予測する位置予測手段と、
    前記第１及び前記第２通信装置の間の相対的な位置関係に基づいて前記第１及び第２通信装置の間の未来の通信速度を予測するための予測モデルと、前記位置予測手段の予測結果とを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測する速度予測手段と、
    前記第１及び前記第２通信装置の間の過去の相対的な位置関係に関する過去位置情報と前記第１及び第２通信装置の間の過去の通信速度に関する過去速度情報とが関連付けられたサンプル情報を複数含む情報源から、前記予測モデルを学習するための学習情報として少なくとも一つのサンプル情報を抽出する抽出手段と、
    前記学習情報を用いて前記予測モデルのパラメータを学習する学習手段と、
    前記学習手段が学習した前記パラメータを用いて、前記速度予測手段が使用している前記予測モデルを更新するモデル更新手段と
    を備え、
    第１の期間には、前記学習手段が前記パラメータを学習する一方で、前記速度予測手段が前記第１及び第２通信装置の間の未来の通信速度を予測せず、
    前記第１の期間とは異なる第２の期間には、前記学習手段が前記パラメータを学習し、且つ、前記速度予測手段が前記第１及び第２通信装置の間の未来の通信速度を予測し、
    前記第１の期間における前記抽出手段による前記学習情報の抽出方法と、前記第２の期間における前記抽出手段による前記学習情報の抽出方法とが異なる
    通信速度予測装置。
  11. 前記第１の期間には、前記抽出手段は、ランダムに抽出される少なくとも一つのサンプル情報を、前記学習情報として抽出し、
    前記第２の期間には、前記抽出手段は、第１の時刻に収集されたサンプル情報が前記学習情報の少なくとも一部として抽出される確率よりも、前記第１の時刻よりも現在の時刻に近い第２の時刻に収集されたサンプル情報が前記学習情報の少なくとも一部として抽出される確率の方が高くなる又は同一になるという条件に基づいて、前記学習情報を抽出する
    請求項９又は１０に記載の通信速度予測装置。
  12. 前記第１の期間には、前記抽出手段はランダムに抽出される少なくとも一つのサンプル情報を、前記学習情報として抽出し、
    前記第２の期間には、前記抽出手段は、現在の時刻に近い時刻に収集されたサンプル情報ほど前記学習情報の少なくとも一部として抽出される確率が高くなるという条件に基づいて、前記学習情報を抽出する
    請求項９から１１のいずれか一項に記載の通信速度予測装置。
  13. 前記速度予測手段は、前記第１及び前記第２通信装置の間の過去の通信速度を用いて、前記第１及び第２通信装置の間の未来の通信速度の確率分布を予測可能であり、
    前記速度予測手段の状態は、前記予測モデルを用いて予測された未来の通信速度を予測結果として出力する第１状態又は前記確率分布を予測結果として出力する第２状態に設定される
    請求項１から１２のいずれか一項に記載の通信速度予測装置。
  14. 前記速度予測手段の状態は、前記予測モデルの予測精度に関する精度情報に基づいて、前記第１状態又は前記第２状態に設定される
    請求項１３に記載の通信速度予測装置。
  15. 前記精度情報は、前記予測モデルを用いて予測された通信速度と実際の通信速度との乖離度に関する情報、及び、前記予測モデルを用いて予測された通信速度と前記確率分布が示す通信速度との乖離度に関する情報の少なくとも一方を含む
    請求項１４に記載の通信速度予測装置。
  16. 前記速度予測手段の状態は、前記精度情報が示す前記乖離度が所定閾値よりも低い場合に前記第１状態に設定され、
    前記速度予測手段の状態は、前記精度情報が示す前記乖離度が前記所定閾値よりも高い場合に前記第２状態に設定される
    請求項１５に記載の通信速度予測装置。
  17. 前記速度予測手段の状態は、第１の期間に前記第１状態に設定され、前記第１の期間とは異なる第２の期間に前記第２状態に設定される
    請求項１３から１６のいずれか一項に記載の通信速度予測装置。
  18. 前記第１の期間は、前記学習手段が前記パラメータを学習し始めてから所定時間が経過するまでの期間であり、
    前記第２の期間は、前記学習手段が前記パラメータを学習し始めてから前記所定時間が経過した後の期間である
    請求項９から１２及び１７のいずれか一項に記載の通信速度予測装置。
  19. 前記通信速度予測装置は、前記第１及び第２通信装置の少なくとも一方に内蔵されている
    請求項１から１８のいずれか一項に記載の通信速度予測装置。
  20. 第１通信装置と前記第１通信装置に対して相対的に移動可能な第２通信装置との間の未来の通信速度を予測する通信速度予測装置を用いた通信速度予測方法であって、
    前記第１及び前記第２通信装置の間の未来の相対的な位置関係を予測することと、
    前記第１及び前記第２通信装置の間の相対的な位置関係に基づいて前記第１及び第２通信装置の間の未来の通信速度を予測するための予測モデルと、前記未来の相対的な位置関係の予測結果とを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測することと、
    前記第１及び前記第２通信装置の間の過去の相対的な位置関係に関する過去位置情報と前記第１及び第２通信装置の間の過去の通信速度に関する過去速度情報とが関連付けられたサンプル情報を複数含む情報源から、前記予測モデルを学習するための学習情報として少なくとも一つのサンプル情報を抽出することと、
    前記学習情報を用いて前記予測モデルのパラメータを学習することと、
    前記学習された前記パラメータを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測するために使用されている前記予測モデルを更新することと、
    前記通信速度予測装置の状態と前記第１及び第２通信装置の状態との少なくとも一方に基づいて、前記予測モデルを更新する更新頻度を変更することと
    を含む通信速度予測方法。
  21. 第１通信装置と前記第１通信装置に対して相対的に移動可能な第２通信装置との間の未来の通信速度を予測する通信速度予測方法であって、
    前記第１及び前記第２通信装置の間の未来の相対的な位置関係を予測することと、
    前記第１及び前記第２通信装置の間の相対的な位置関係に基づいて前記第１及び第２通信装置の間の未来の通信速度を予測するための予測モデルと、前記未来の相対的な位置関係の予測結果とを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測することと、
    前記第１及び前記第２通信装置の間の過去の相対的な位置関係に関する過去位置情報と前記第１及び第２通信装置の間の過去の通信速度に関する過去速度情報とが関連付けられたサンプル情報を複数含む情報源から、前記予測モデルを学習するための学習情報として少なくとも一つのサンプル情報を抽出することと、
    前記学習情報を用いて前記予測モデルのパラメータを学習することと、
    前記学習された前記パラメータを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測するために使用されている前記予測モデルを更新することと
    を含み、
    第１の期間には、前記パラメータが学習される一方で、前記第１及び第２通信装置の間の未来の通信速度が予測されず、
    前記第１の期間とは異なる第２の期間には、前記パラメータが学習され、且つ、前記第１及び第２通信装置の間の未来の通信速度が予測され、
    前記第１の期間における前記学習情報の抽出方法と、前記第２の期間における前記学習情報の抽出方法とが異なる
    通信速度予測方法。
  22. 第１通信装置と前記第１通信装置に対して相対的に移動可能な第２通信装置との間の未来の通信速度を予測する通信速度予測方法を、通信速度予測装置として機能可能なコンピュータに実行させるコンピュータプログラムであって、
    前記通信速度予測方法は、
    前記第１及び前記第２通信装置の間の未来の相対的な位置関係を予測することと、
    前記第１及び前記第２通信装置の間の相対的な位置関係に基づいて前記第１及び第２通信装置の間の未来の通信速度を予測するための予測モデルと、前記未来の相対的な位置関係の予測結果とを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測することと、
    前記第１及び前記第２通信装置の間の過去の相対的な位置関係に関する過去位置情報と前記第１及び第２通信装置の間の過去の通信速度に関する過去速度情報とが関連付けられたサンプル情報を複数含む情報源から、前記予測モデルを学習するための学習情報として少なくとも一つのサンプル情報を抽出することと、
    前記学習情報を用いて前記予測モデルのパラメータを学習することと、
    前記学習された前記パラメータを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測するために使用されている前記予測モデルを更新することと、
    前記通信速度予測装置の状態と前記第１及び第２通信装置の状態との少なくとも一方に基づいて、前記予測モデルを更新する更新頻度を変更することと
    を含むコンピュータプログラム。
  23. 第１通信装置と前記第１通信装置に対して相対的に移動可能な第２通信装置との間の未来の通信速度を予測する通信速度予測方法をコンピュータに実行させるコンピュータプログラムであって、
    前記通信速度予測方法は、
    前記第１及び前記第２通信装置の間の未来の相対的な位置関係を予測することと、
    前記第１及び前記第２通信装置の間の相対的な位置関係に基づいて前記第１及び第２通信装置の間の未来の通信速度を予測するための予測モデルと、前記未来の相対的な位置関係予測結果とを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測することと、
    前記第１及び前記第２通信装置の間の過去の相対的な位置関係に関する過去位置情報と前記第１及び第２通信装置の間の過去の通信速度に関する過去速度情報とが関連付けられたサンプル情報を複数含む情報源から、前記予測モデルを学習するための学習情報として少なくとも一つのサンプル情報を抽出することと、
    前記学習情報を用いて前記予測モデルのパラメータを学習することと、
    前記学習された前記パラメータを用いて、前記第１及び第２通信装置の間の未来の通信速度を予測するために使用されている前記予測モデルを更新することと
    を含み、
    第１の期間には、前記パラメータが学習される一方で、前記第１及び第２通信装置の間の未来の通信速度が予測されず、
    前記第１の期間とは異なる第２の期間には、前記パラメータが学習され、且つ、前記第１及び第２通信装置の間の未来の通信速度が予測され、
    前記第１の期間における前記学習情報の抽出方法と、前記第２の期間における前記学習情報の抽出方法とが異なる
    コンピュータプログラム。
JP2021550808A 2019-10-01 2019-10-01 通信速度予測装置、通信速度予測方法及び記録媒体 Active JP7239011B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/038735 WO2021064858A1 (ja) 2019-10-01 2019-10-01 通信速度予測装置、通信速度予測方法及び記録媒体

Publications (3)

Publication Number Publication Date
JPWO2021064858A1 JPWO2021064858A1 (ja) 2021-04-08
JPWO2021064858A5 JPWO2021064858A5 (ja) 2022-05-19
JP7239011B2 true JP7239011B2 (ja) 2023-03-14

Family

ID=75337834

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021550808A Active JP7239011B2 (ja) 2019-10-01 2019-10-01 通信速度予測装置、通信速度予測方法及び記録媒体

Country Status (3)

Country Link
US (1) US20220376802A1 (ja)
JP (1) JP7239011B2 (ja)
WO (1) WO2021064858A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023023475A1 (en) * 2021-08-17 2023-02-23 Birth Model, Inc. Predicting time to vaginal delivery
JP7427135B1 (ja) 2023-10-27 2024-02-02 株式会社インターネットイニシアティブ 情報処理装置、システムおよび方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008199381A (ja) 2007-02-14 2008-08-28 Hitachi Ltd 移動体通信システム
JP2015111843A (ja) 2012-01-19 2015-06-18 日本電気株式会社 無線通信システム、無線局、無線端末、ネットワーク運用管理装置、及び、通信品質確認方法
US20150304874A1 (en) 2012-09-28 2015-10-22 Audi Ag Method and system for determining a mobile communications network quality and downloading mobile communications data

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008199381A (ja) 2007-02-14 2008-08-28 Hitachi Ltd 移動体通信システム
JP2015111843A (ja) 2012-01-19 2015-06-18 日本電気株式会社 無線通信システム、無線局、無線端末、ネットワーク運用管理装置、及び、通信品質確認方法
US20150304874A1 (en) 2012-09-28 2015-10-22 Audi Ag Method and system for determining a mobile communications network quality and downloading mobile communications data

Also Published As

Publication number Publication date
WO2021064858A1 (ja) 2021-04-08
US20220376802A1 (en) 2022-11-24
JPWO2021064858A1 (ja) 2021-04-08

Similar Documents

Publication Publication Date Title
Luong et al. Applications of deep reinforcement learning in communications and networking: A survey
Corso et al. A survey of algorithms for black-box safety validation of cyber-physical systems
KR101821494B1 (ko) 감응식 교통 신호 제어 방법 및 그 장치
EP3035314B1 (en) A traffic data fusion system and the related method for providing a traffic state for a network of roads
US11783702B2 (en) Method and system for adaptive cycle-level traffic signal control
US9815201B2 (en) Method and apparatus for industrial robotic energy saving optimization using fly-by
JP7239011B2 (ja) 通信速度予測装置、通信速度予測方法及び記録媒体
Dalgkitsis et al. Data driven service orchestration for vehicular networks
JP2020511721A (ja) マルチポリシー意思決定を導くための有益な結果を構築するための方法および装置
CN112148008B (zh) 一种基于深度强化学习的实时无人机路径预测方法
US20210004735A1 (en) System and method for collaborative decentralized planning using deep reinforcement learning agents in an asynchronous environment
CN111371644A (zh) 基于gru的多域sdn网络流量态势预测方法及***
WO2021152515A1 (en) Planning for agent control using learned hidden states
Mahajan et al. Design analysis of a decentralized equilibrium-routing strategy for intelligent vehicles
Callegaro et al. SeReMAS: Self-resilient mobile autonomous systems through predictive edge computing
Khazaeni et al. A new event-driven cooperative receding horizon controller for multi-agent systems in uncertain environments
KR102202786B1 (ko) 메시지 드롭아웃: 다중 에이전트 심층 강화학습 알고리즘을 위한 효율적인 학습 방법
JP7225866B2 (ja) 最適化装置、方法、及びプログラム
EP4315644A1 (en) Decentralized control of beam generating devices
Mitchell et al. Persistent multi-robot mapping in an uncertain environment
Werth et al. Surrogate-assisted microscopic traffic simulation-based optimisation of routing parameters
Paz et al. Adaptive traffic control for large-scale dynamic traffic assignment applications
Juntama et al. Air Traffic Structuration based on Linear Dynamical Systems
Zhan et al. Efficient online hyperparameter learning for traffic flow prediction
US20220397910A1 (en) Method and device for tuning a hyperparameter of a machine-learning algorithm

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220304

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220304

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221129

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230118

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: 20230131

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230213

R151 Written notification of patent or utility model registration

Ref document number: 7239011

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151