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 PDFInfo
- 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
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
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。
(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。
(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。
(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。
(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。
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。
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。
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。
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。
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。
続いて、通信速度予測装置1の変形例について説明する。
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。
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。
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。
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)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
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)
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)
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 |
-
2019
- 2019-10-01 JP JP2021550808A patent/JP7239011B2/ja active Active
- 2019-10-01 WO PCT/JP2019/038735 patent/WO2021064858A1/ja active Application Filing
- 2019-10-01 US US17/761,264 patent/US20220376802A1/en active Pending
Patent Citations (3)
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 |