WO2021106508A1 - 学習モデル生成方法、推定装置および無線列車制御システム - Google Patents

学習モデル生成方法、推定装置および無線列車制御システム Download PDF

Info

Publication number
WO2021106508A1
WO2021106508A1 PCT/JP2020/041095 JP2020041095W WO2021106508A1 WO 2021106508 A1 WO2021106508 A1 WO 2021106508A1 JP 2020041095 W JP2020041095 W JP 2020041095W WO 2021106508 A1 WO2021106508 A1 WO 2021106508A1
Authority
WO
WIPO (PCT)
Prior art keywords
radio
radio wave
wave environment
learning model
base station
Prior art date
Application number
PCT/JP2020/041095
Other languages
English (en)
French (fr)
Inventor
トサポーン シソクサイ
賢史 西田
修二 南部
Original Assignee
株式会社京三製作所
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 株式会社京三製作所 filed Critical 株式会社京三製作所
Priority to CN202080082431.0A priority Critical patent/CN114762375A/zh
Priority to EP20892876.2A priority patent/EP4068829A4/en
Publication of WO2021106508A1 publication Critical patent/WO2021106508A1/ja
Priority to US17/738,434 priority patent/US20220263688A1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
    • B61L27/53—Trackside diagnosis or maintenance, e.g. software upgrades for trackside elements or systems, e.g. trackside supervision of trackside control system conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/70—Details of trackside communication
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L3/00—Devices along the route for controlling devices on the vehicle or train, e.g. to release brake or to operate a warning signal
    • B61L3/02—Devices along the route for controlling devices on the vehicle or train, e.g. to release brake or to operate a warning signal at selected places along the route, e.g. intermittent control simultaneous mechanical and electrical control
    • B61L3/08—Devices along the route for controlling devices on the vehicle or train, e.g. to release brake or to operate a warning signal at selected places along the route, e.g. intermittent control simultaneous mechanical and electrical control controlling electrically
    • B61L3/12—Devices along the route for controlling devices on the vehicle or train, e.g. to release brake or to operate a warning signal at selected places along the route, e.g. intermittent control simultaneous mechanical and electrical control controlling electrically using magnetic or electrostatic induction; using radio waves
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/14—Spectrum sharing arrangements between different networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/16—Discovering, processing access restriction or access information
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/20—Trackside control of safe travel of vehicle or train, e.g. braking curve calculation
    • B61L2027/204—Trackside control of safe travel of vehicle or train, e.g. braking curve calculation using Communication-based Train Control [CBTC]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/0006—Assessment of spectral gaps suitable for allocating digitally modulated signals, e.g. for carrier allocation in cognitive radio
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/42—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for mass transport vehicles, e.g. buses, trains or aircraft
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H04W72/541—Allocation or scheduling criteria for wireless resources based on quality criteria using the level of interference

Definitions

  • the present invention relates to a learning model generation method for generating a machine learning model, an estimation device, and a wireless train control system.
  • Patent Document 1 discloses a technique for changing a wireless communication channel based on a frequency hopping pattern table.
  • Patent Document 1 it is necessary to actually perform communication between the base station and the on-board device (mobile station). Therefore, there is a problem of occupying a wireless communication channel including retransmission, and a problem of how to search for a vacant wireless communication channel in advance.
  • wireless communication using the ISM band there is a technique called cognitive wireless communication that searches for a free wireless communication channel and switches the wireless method to be used.
  • This cognitive radio communication requires spectrum sensing to search for a free radio communication channel.
  • higher accuracy is also required for spectrum sensing.
  • the present invention has been made in view of the above circumstances, and an object of the present invention is to provide a new technique of highly accurate spectrum sensing applied to a radio train control system for cognitive radio communication. Is.
  • the first form for solving the above problems is a learning model generation method executed by a computer system.
  • the computer system Data indicating the radio environment of the wireless base station when the on-board device and the wireless base station installed along the railway line perform cognitive wireless communication capable of switching the wireless communication standard and communicating under the radio environment.
  • Acquiring teacher data associated with communication status information by frequency based on SNR (Signal to Noise Ratio) when a wireless base station performs wireless communication and Using the teacher data, a machine learning model in which data indicating the radio wave environment is input and communication status information for each frequency is output is generated. Is a learning model generation method that executes.
  • the first embodiment it is possible to realize a highly accurate spectrum sensing technique applied to a wireless train control system that performs cognitive radio communication. That is, data indicating the radio wave environment of the radio base station when the radio base station and the on-board device in the radio train control system perform cognitive radio communication is input, and the radio base station performs radio communication under the radio wave environment. It is possible to generate a machine learning model that outputs the communication status information for each frequency based on the SNR of the time. Then, by using this machine learning model, highly accurate spectrum sensing can be realized.
  • the teacher data further includes the radio communication standard used by the radio base station under the radio wave environment in association with the radio communication standard.
  • the machine learning model includes a first learning model and a second learning model for each wireless communication standard. The above-mentioned generation Using the teacher data, the first learning model in which the data indicating the radio wave environment is input and the wireless communication standard is output is generated. Using the teacher data, the second learning model that inputs the data indicating the radio wave environment and outputs the communication status information for each frequency is generated for each wireless communication standard. including, A learning model generation method may be configured.
  • the machine learning model is input to the data indicating the radio wave environment and the wireless communication standard is output, and the data indicating the radio wave environment is input and the communication status information for each frequency is output. It can be generated to include a second learning model for each wireless communication standard. Since the communication status may differ depending on the wireless communication standard, the accuracy of spectrum sensing using the machine learning model can be improved.
  • the second form is Radio environment data acquisition unit that acquires data indicating the radio environment of the wireless base station when the on-board device and the wireless base station installed along the railway line perform cognitive wireless communication that enables communication by switching the wireless communication standard.
  • the teacher data that inputs the data indicating the radio wave environment and outputs the communication status information by frequency based on the SNR (Signal to Noise Ratio) when the radio base station performs wireless communication under the radio wave environment.
  • An estimation processing execution unit that executes an estimation process that inputs data indicating the radio wave environment acquired by the radio wave environment data acquisition unit into the trained machine learning model and outputs the communication status information for each frequency. It is an estimation device equipped with.
  • the second form it is possible to realize a highly accurate spectrum sensing technique applied to a wireless train control system that performs cognitive radio communication. That is, data indicating the radio wave environment of the radio base station when the radio base station and the on-board device in the radio train control system perform cognitive radio communication is input to the machine learning model, and the radio base station is operated under the radio wave environment. It is possible to realize highly accurate spectrum sensing using a machine learning model, such as executing an estimation process that outputs communication status information for each frequency based on SNR when wireless communication is performed.
  • the teacher data further includes the radio communication standard used by the radio base station under the radio wave environment in association with the radio communication standard.
  • the machine learning model includes a first learning model and a second learning model for each wireless communication standard.
  • the estimation processing execution unit Using the teacher data, the radio wave environment data is applied to the first learning model in which data indicating the radio wave environment is input and the radio communication standard used by the radio base station is trained as an output under the radio wave environment.
  • a first estimation processing execution unit that inputs data indicating the radio wave environment acquired by the acquisition unit and executes a first estimation processing that outputs the wireless communication standard, and a first estimation processing execution unit.
  • the data indicating the radio wave environment is input, and the communication status information for each frequency is used as the output, and the second learning model for each wireless communication standard is trained for each wireless communication standard.
  • the second learning model conforming to the wireless communication standard output by the first estimation processing execution unit is selected, and the radio wave acquired by the radio wave environment data acquisition unit is applied to the selected second learning model.
  • An estimation device may be configured.
  • the machine learning model inputs data indicating the radio wave environment and outputs the wireless communication standard, and outputs data indicating the radio wave environment and outputs communication status information by frequency. Includes a second learning model for each wireless communication standard. Since the communication status may differ depending on the wireless communication standard, the accuracy of spectrum sensing can be improved by using this machine learning model.
  • the teacher data further includes the radio propagation characteristics according to the radio communication standard used by the radio base station in the radio wave environment in association with each other.
  • the second learning model exists for each combination of the radio communication standard and the radio propagation characteristic.
  • the first learning model is a model in which data indicating the radio wave environment is input, and the radio communication standard used by the radio base station under the radio wave environment and the radio propagation characteristics related to the radio communication standard are trained as outputs.
  • the first estimation processing execution unit inputs data indicating the radio wave environment acquired by the radio wave environment data acquisition unit into the first learning model, and combines the radio communication standard and the radio propagation characteristics.
  • the first estimation process to be output is executed, and
  • the second estimation processing execution unit selects the second learning model that matches the combination output by the first estimation processing execution unit, and uses the selected second learning model as the radio wave environment.
  • the second estimation process of inputting data indicating the radio wave environment acquired by the data acquisition unit and outputting the communication status information for each frequency is executed.
  • An estimation device may be configured.
  • the machine learning model receives data indicating the radio wave environment as input, and inputs data indicating the radio wave environment as the first learning model that outputs a combination of wireless communication standards and wireless propagation characteristics, and by frequency. Includes a second learning model for each combination of radio communication standards and radio propagation characteristics that outputs communication status information. Since the communication status may differ depending on the combination of the wireless communication standard and the wireless propagation characteristics related to the wireless communication standard, a multi-step method of using a second learning model that matches the combination estimated by the first learning model is used. By using the machine learning model of, the accuracy of spectrum sensing can be improved.
  • the machine learning model is a convolutional neural network.
  • An estimation device may be configured.
  • a machine learning model by a convolutional neural network is generated.
  • the radio wave environment data acquisition unit Based on the radio signal received by the monitor receiver installed along the railway line, data indicating the radio wave environment is acquired.
  • An estimation device may be configured.
  • the monitor receiving device which is a separate device from the wireless base station, is installed, the radio wave environment of the wireless base station is shown without affecting the wireless communication between the on-board device and the ground base station. You can get the data.
  • the monitor receiving device can be installed at an arbitrary position, for example, installed near a radio base station.
  • the third form is with the above-mentioned estimation device
  • An allocation device that dynamically allocates a radio channel related to the cognitive radio communication based on the frequency-specific communication status information output from the estimation processing execution unit of the estimation device. It is a wireless train control system equipped with.
  • the radio train control system cognitive radio communication between the radio base station and the on-board device is performed based on the frequency-specific communication status information of the radio base station estimated by the estimation device.
  • Such radio channels can be dynamically assigned. As a result, the reliability of wireless communication between vehicles on the ground can be made high.
  • Configuration example of wireless train control system Explanatory drawing of estimation of radio wave environment using communication situation estimation model. An example of classification of frequency usage status in communication status information by frequency. Explanatory diagram of learning of communication situation estimation model. Explanatory diagram of learning of communication situation estimation model. Functional configuration example of the communication status estimation device.
  • FIG. 1 is a configuration example of the wireless train control system 1 of the present embodiment.
  • the radio train control system 1 of the present embodiment includes a radio base station 10, a monitor receiving device 20, and a control device 100.
  • the control device 100 is a device that comprehensively manages the operation of each train 50.
  • the control device 100 includes an allocation device 30 and a communication status estimation device 40 as main devices related to the wireless control of the present embodiment.
  • the radio base station 10 and the monitor receiving device 20 are installed along the railway line.
  • the control device 100 is installed at a central command center or the like. Further, each device is communicated and connected via the terrestrial transmission line N.
  • the wireless communication between the radio base station 10 and the on-board device 52 mounted on the train 50 traveling on the track is an ISM (Industrial Scientific and Medical) band such as 2.4 GHz band, 5.7 GHz band, 920 MHz band, etc. It is a wireless communication using.
  • ISM International Scientific and Medical
  • cognitive wireless communication is performed by searching for a frequency that is not used by another communication system and switching the wireless communication standard or wireless channel to perform wireless communication.
  • the radio base station 10 is located along the railway line so that the on-board device 52 of the train 50 traveling on the track can perform continuous wireless communication with the control device 100 so that the communicable range partially overlaps with each other. Multiple are installed. Further, the radio base station 10 can establish a communication channel with a plurality of predetermined number of trains 50, and the radio channel assigned based on the instruction of the allocation device 30 is used with the on-board device 52 of each train 50. Wireless communication between them.
  • the monitor receiving device 20 is a device installed to acquire data indicating the radio wave environment of the corresponding wireless base station 10.
  • the monitor receiving device 20 is installed in the vicinity of the corresponding radio base station 10 to receive a radio signal in the vicinity of the radio base station 10, and outputs the received radio signal to the communication status estimation device 40.
  • FIG. 1 shows two radio base stations 10 and monitor receivers 20, a plurality of radio base stations 10 and monitor receivers 20 are actually installed along railway lines.
  • the allocation device 30 dynamically allocates a radio channel related to cognitive radio communication between the radio base station 10 and the on-board device 52 of the train 50 based on the communication status estimated by the communication status estimation device 40. .. For example, at the time of handover of the radio base station 10, a radio channel having a free frequency is selected based on the communication status around the next radio base station 10 estimated in real time by the communication status estimation device 40. assign. Then, the assigned radio channel is notified to the on-board device 52 of the train 50 and the radio base station 10.
  • the communication status estimation device 40 estimates the communication status around the radio base station 10 based on the radio signal received by the corresponding monitor receiving device 20 for each of the radio base stations 10.
  • FIG. 2 is a diagram for explaining the estimation of the communication status by the communication status estimation device 40.
  • the communication status estimation device 40 uses the communication status estimation model 60 based on the radio signal received by the monitor reception device 20 to set the communication status around the corresponding radio base station 10. So-called spectrum sensing is performed to estimate the communication status for each frequency.
  • the communication status estimation model 60 is generated for each radio base station 10.
  • the communication status estimation model 60 is realized by a convolutional neural network in this embodiment, but may be a neural network other than this. Further, the communication situation estimation model 60 is a machine learning model trained using teacher data as described later, and a weighting coefficient is determined. Then, when estimating the communication status using the communication status estimation model 60, the amplitude and phase of the radio signal received by the monitor receiving device 20 are used instead of the spectrogram of the radio signal as data indicating the radio wave environment. N pieces of data that have been normalized and fast Fourier transformed are input to the communication status estimation model 60.
  • the monitor receiving device 20 is installed in the vicinity of the radio base station 10. Therefore, the radio signal received by the monitor receiving device 20 can be regarded as the radio signal received by the radio base station 10. As a result, the processing time required for estimating the communication status can be significantly reduced. Therefore, it is possible to estimate the communication status close to real time or can be said to be real time.
  • the communication status estimation model 60 outputs frequency-specific communication status information around the monitor receiving device 20 when the input wireless signal is received by the monitor receiving device 20.
  • This frequency-specific communication status information becomes the communication status around the corresponding radio base station 10.
  • the frequency-specific communication status information is, for example, information indicating the communication status for each frequency in units of wireless channels.
  • the communication status is classified into a plurality of stages based on the SNR (Signal to Noise Ratio) when the wireless base station 10 performs wireless communication in the wireless environment.
  • FIG. 3 shows an example of classification of communication status based on SNR.
  • FIG. 3 shows an example in which black (B), gray (G), silver (S), and white (W) are classified into four stages in the order of shading, but the classification may be three or less stages. It may be classified into 5 or more stages.
  • the communication status estimation model 60 includes one first model 62 and a plurality of second models 64.
  • Each of the first model 62 and the second model 64 is realized by a convolutional neural network. That is, it can be said that the communication status estimation model 60 is configured to include a plurality of convolutional neural networks.
  • the first model 62 is a learning model that inputs data indicating a radio wave environment and outputs a combination of a radio communication standard to be used in cognitive radio and radio propagation characteristics of a radio channel, and is derived from a plurality of second models 64. It is a learning model for selecting one.
  • the second model 64 is a learning model that inputs data indicating a radio wave environment and outputs communication status information for each frequency, and is generated for each combination of a wireless communication standard and wireless propagation characteristics of a wireless channel.
  • the wireless communication standard includes a wireless system that can be switched and used by cognitive radio in the present embodiment.
  • the wireless communication standard includes, for example, a wireless LAN (Wi-Fi) communication standard such as IEEE802.11b / 11a / 11g / 11n / 11ac, and a short-range wireless communication standard such as Bluetooth.
  • Wi-Fi wireless LAN
  • the radio propagation characteristics include, for example, SNR, center frequency offset (CFO: Center Frequency Offset), sample rate offset (SRO: Sample Rate Offset), frequency selective fading (Frequency selective fading), and power delay profile (PDP: Power Delay Profile). ), including.
  • the estimation of the communication status using the communication status estimation model 60 first, data indicating the radio wave environment based on the radio signal received by the monitor receiving device 20 is input to the first model 62.
  • the first estimation process using the first model 62 outputs a combination of wireless communication standards and wireless propagation characteristics that match the input data indicating the radio wave environment.
  • the second model 64 corresponding to the combination of the wireless communication standard and the wireless propagation characteristic output from the first model 62 is selected.
  • the data indicating the radio wave environment based on the radio signal received by the above-mentioned monitor receiving device 20 is input to the selected second model 64.
  • the second estimation process using the second model 64 outputs frequency-specific communication status information that matches the input data indicating the radio wave environment.
  • FIG. 4 is a diagram illustrating learning (machine learning) of the communication status estimation model 60 by the communication status estimation device 40.
  • the communication status estimation model 60 is learned using a plurality of teacher data 318 prepared in advance.
  • One teacher data 318 includes data indicating the radio wave environment of the radio base station 10, the radio communication standard used by the radio base station 10 under the radio wave environment, and the radio communication standard used by the radio base station 10 under the radio wave environment. This is data associated with the radio wave propagation characteristics and frequency-specific communication status information based on the SNR when the radio base station 10 performs radio communication under the radio wave environment.
  • the communication status estimation model 60 is trained by inputting the first three data (data indicating the radio wave environment, wireless communication standard, and wireless propagation characteristics) and outputting the last one data (communication status information by frequency). It is generated by.
  • the type of learning is deep learning, but any other type of machine learning may be used.
  • the teacher data 318 can be generated by, for example, a simulation calculation using a computer, in addition to using the actual wireless communication data.
  • the communication status estimation device 40 sets the parameters of the wireless communication standard and the wireless propagation characteristic, and generates a transmission signal when transmitting arbitrary transmission data in the set wireless communication standard.
  • the communication status estimation device 40 obtains a radio signal that is assumed to be received by the radio base station 10 when the transmission signal is transmitted on the radio channel having the set radio propagation characteristics.
  • the communication status estimation device 40 calculates the spectrogram of the obtained radio signal or N data obtained by normalizing the amplitude and phase of the radio signal and performing a fast Fourier transform process as data indicating the radio wave environment.
  • the communication status estimation device 40 calculates the communication status information for each frequency by obtaining the SNR of the transmission signal for each frequency from the spectrum of the radio signal and the transmission signal. Then, the set wireless communication standard and wireless propagation characteristic parameters, data indicating the radio wave environment, and frequency-specific communication status information are combined into one teacher data 318. A large number of teacher data 318 can be generated by setting various parameters of the wireless communication standard and the wireless propagation characteristic.
  • the communication status estimation model 60 has one first model 62 and a plurality of second models 64. Therefore, in detail, as shown in FIG. 5, machine learning using the teacher data 318 is performed for each learning model of the first model 62 and the plurality of second models 64. That is, for the first model 62, learning is performed by inputting data indicating a radio wave environment and outputting a combination of a wireless communication standard and a wireless propagation characteristic. Further, since the second model 64 is generated for each combination of the radio communication standard and the radio propagation characteristic, each of the second model 64 is included in the teacher data 318 including the combination of the corresponding radio communication standard and the radio propagation characteristic. Learning is performed by inputting data indicating the radio wave environment and outputting communication status information by frequency.
  • all the prepared teacher data 318s are grouped according to a combination of wireless communication standards and wireless propagation characteristics, and each group is machine-learned using the teacher data 318 of the group.
  • the second model 64 corresponding to the combination of the radio communication standard and the radio propagation characteristic of the above is generated.
  • the first model 62 is generated by learning the combination of the wireless communication standard and the wireless propagation characteristic of each group as an output.
  • FIG. 6 is a functional configuration diagram of the communication status estimation device 40.
  • the communication status estimation device 40 includes an operation unit 102, a display unit 104, a sound output unit 106, a communication unit 108, a processing unit 200, and a storage unit 300, and is a kind of computer system. Can be configured as.
  • the operation unit 102 is realized by an input device such as a keyboard, a mouse, a touch panel, and various switches, and outputs an operation signal corresponding to the performed operation to the processing unit 200.
  • the display unit 104 is realized by a display device such as a liquid crystal display or a touch panel, and performs various displays according to a display signal from the processing unit 200.
  • the sound output unit 106 is realized by an audio output device such as a speaker, and outputs various sounds according to an audio signal from the processing unit 200.
  • the communication unit 108 is realized by a wireless or wired communication device, is connected to the terrestrial transmission line N, and communicates with various external devices such as the wireless base station 10 and the allocation device 30.
  • the processing unit 200 is a processor realized by an arithmetic unit such as a CPU (Central Processing Unit) or an FPGA (Field Programmable Gate Array) or an arithmetic circuit.
  • the processing unit 200 controls the entire communication status estimation device 40 based on the programs and data stored in the storage unit 300, the input data from the operation unit 102, and the like. Further, the processing unit 200 has a radio wave environment data acquisition unit 202, an estimation processing execution unit 204, and an estimation model generation unit 210 as functional processing blocks.
  • Each of these functional units included in the processing unit 200 can be realized by software by the processing unit 200 executing a program, or can be realized by a dedicated arithmetic circuit. In the present embodiment, the former will be described as being realized by software.
  • the radio wave environment data acquisition unit 202 determines the radio wave environment of the radio base station 10 when the on-board device 52 and the radio base station 10 installed along the railway line perform cognitive radio communication capable of switching the radio communication standard and communicating. Get the data shown. Specifically, N pieces of data obtained by performing high-speed Fourier transform processing by normalizing the amplitude and phase of the radio signal received by the monitor receiving device 20 installed in the vicinity of the radio base station 10 are obtained from the radio base. It is acquired as data indicating the radio wave environment of the station 10.
  • the estimation processing execution unit 204 inputs data indicating the radio wave environment acquired by the radio wave environment data acquisition unit 202 into the communication status estimation model 60, which is a machine learning model generated by the estimation model generation unit 210, and inputs data indicating the radio wave environment for each frequency. Executes an estimation process that outputs communication status information.
  • the communication status estimation model 60 includes a first model 62, which is a first learning model that inputs data indicating a radio wave environment and outputs a combination of a wireless communication standard and radio propagation characteristics related to the wireless communication standard, and a radio wave environment. Includes a second model 64, which is a second learning model for each combination of radio communication standards and radio wave propagation characteristics, which takes data indicating the above and outputs communication status information for each frequency.
  • estimation processing execution unit 204 has a first estimation processing execution unit 206 and a second estimation processing execution unit 208.
  • the first estimation processing execution unit 206 inputs data indicating the radio wave environment acquired by the radio wave environment data acquisition unit 202 into the first model 62, which is the first learning model, to input the radio communication standard and the radio propagation characteristics.
  • the first estimation process that outputs the combination of is executed.
  • the second estimation processing execution unit 208 is a second model that matches the combination of the radio communication standard and the radio wave propagation characteristic output by the first estimation processing execution unit 206 from the second model 64 which is the second learning model. 64 is selected, data indicating the radio wave environment acquired by the radio wave environment data acquisition unit 202 is input to the selected second model 64, and a second estimation process for outputting frequency-specific communication status information is executed. ..
  • the estimation model generation unit 210 indicates the radio environment of the wireless base station 10 when the on-board device 52 and the wireless base station 10 installed along the railway line perform cognitive wireless communication capable of switching the wireless communication standard and communicating.
  • Data communication status information by frequency based on SNR (Signal to Noise Ratio) when the wireless base station 10 performs wireless communication under the radio environment, and wireless communication used by the wireless base station 10 under the radio environment.
  • the teacher data 318 that associates the standard with the radio propagation characteristics related to the radio communication standard used by the radio base station 10 under the radio environment is acquired, and the teacher data 318 is used to input data indicating the radio environment.
  • a communication status estimation model 60 which is a machine learning model that outputs communication status information for each frequency, is generated.
  • the communication status estimation model 60 which is a machine learning model, is a second learning model for each combination of the first model 62, which is the first learning model, and the wireless communication standard and the wireless propagation characteristics related to the wireless communication standard. Includes 2 models 64. That is, the estimation model generation unit 210 uses the teacher data 318 to input data indicating the radio wave environment and trains the combination of the wireless communication standard and the wireless propagation characteristics related to the wireless communication standard as an output to learn the first.
  • the first model 62 which is a learning model, is generated. Further, using the teacher data 318, data indicating the radio wave environment is input, communication status information for each frequency is output, and learning is performed for each combination of the wireless communication standard and the wireless propagation characteristics related to the wireless communication standard, and the wireless communication standard. And a second model 64, which is a second learning model for each combination of radio wave propagation characteristics according to the radio communication standard, is generated.
  • the storage unit 300 is realized by a storage device such as an IC (Integrated Circuit) memory such as a ROM (Read Only Memory) or a RAM (Random Access Memory) or a hard disk.
  • the storage unit 300 stores programs, data, and the like for the processing unit 200 to control the communication status estimation device 40 in an integrated manner, and is also used as a work area of the processing unit 200. The result, input data from the operation unit 102, and the like are temporarily stored.
  • the communication status estimation program 302 and the radio base station information 310 are stored in the storage unit 300.
  • the radio base station information 310 is generated for each radio base station 10, and is acquired by the communication status estimation model data 312 and the radio wave environment data acquisition unit 202 in association with the identification information (base station ID) of the corresponding radio base station 10.
  • the communication status estimation model data 312 is data that defines the communication status estimation model 60 for the corresponding radio base station 10, and specifically, is data of a weighting coefficient.
  • the monitor receiving device 20 is installed in the vicinity of the corresponding wireless base station 10 in a one-to-one correspondence with the wireless base station 10, but it may be installed at an arbitrary position. Good. In this case, for example, the communication status around the radio communication base station 10 is estimated based on the radio signal received by the monitor receiving device 20 installed at the position closest to the installation position of the radio base station 10. ..
  • the wireless base station 10 may also serve as the monitor receiving device 20.
  • the communication status estimation device 40 estimates the communication status around the wireless communication base station 10 based on the radio signal received by the wireless base station 10.

Landscapes

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

Abstract

通信状況推定装置（４０）は、車上装置（５２）と鉄道沿線に設置された無線基地局（１０）とがコグニティブ無線通信を行う際の無線基地局（１０）の電波環境を示すデータとして、当該無線基地局（１０）の近傍のモニタ用受信装置（２０）により受信された無線信号を取得する。通信状況推定装置（４０）は、通信状況推定モデルに、取得した電波環境を示すデータを入力して、当該電波環境下で無線基地局（１０）が無線通信を行った時のＳＮＲ（Signal to Noise Ratio）に基づく周波数別通信状況情報を出力する推定処理を実行する。通信状況推定モデルは、無線基地局（１０）の電波環境を示すデータを入力とし、当該電波環境下で無線基地局（１０）が無線通信を行った時のＳＮＲに基づく周波数別通信状況情報を出力とする教師データを用いて学習させた機械学習モデルである。

Description

学習モデル生成方法、推定装置および無線列車制御システム
　本発明は、機械学習モデルを生成する学習モデル生成方法、推定装置および無線列車制御システムに関する。
　列車制御に無線通信を利用したＣＢＴＣ（Communication Based Train Control）と呼ばれる無線列車制御システムでは、地上車上間の無線通信に、免許が不要なＩＳＭ（Industrial Scientific and Medical）バンドと呼ばれる周波数帯域の使用が検討されている。このＩＳＭバンドを利用する無線通信規格には、無線ＬＡＮ（ＩＥＥＥ８０２．１１）やＢｌｕｅｔｏｏｔｈ（登録商標）（ＩＥＥＥ８０２．１５．１）など各種有り、様々な他の無線通信システムに利用されるため、干渉を受けることが避けられない。そこで、干渉による影響を低減して無線通信の信頼性の向上を図る技術として、例えば、特許文献１には、無線通信のチャネルを周波数ホッピングパターンテーブルに基づいて変更する技術が開示されている。
特開２０１３－２３９９３５号公報
　しかしながら、上述の特許文献１では、基地局と車上装置（移動局）との間で実際に通信を行う必要がある。そのため、再送を含めた無線通信のチャネルを占有する問題や、予め空いている無線通信のチャネルをどのように探すかといった問題がある。ＩＳＭバンドを利用する無線通信においては、空いている無線通信のチャネルを探して使用する無線方式を切り替えるコグニティブ無線通信と呼ばれる技術がある。このコグニティブ無線通信では、空いている無線通信のチャネルを探すスペクトルセンシングが必要である。しかし、高い信頼性が求められる無縁列車制御システムにコグニティブ無線通信を適用する際には、スペクトルセンシングに対してもより高い精度が求められる。
　本発明は、上記事情に鑑みてなされたものであり、その目的とするところは、コグニティブ無線通信を行う無線列車制御システムに適用される、精度の高いスペクトルセンシングの新たな技術を提供すること、である。
　上記課題を解決するための第１の形態は、
　コンピュータシステムが実行する学習モデル生成方法であって、
　前記コンピュータシステムが、
　　車上装置と鉄道沿線に設置された無線基地局とが、無線通信規格を切り替えて通信可能なコグニティブ無線通信を行う際の前記無線基地局の電波環境を示すデータと、当該電波環境下で前記無線基地局が無線通信を行った時のＳＮＲ（Signal to Noise Ratio）に基づく周波数別通信状況情報と、を関連付けた教師データを取得することと、
　　前記教師データを用いて、前記電波環境を示すデータを入力とし、前記周波数別通信状況情報を出力とする機械学習モデルを生成することと、
　を実行する学習モデル生成方法である。
　第１の形態によれば、コグニティブ無線通信を行う無線列車制御システムに適用される精度の高いスペクトルセンシングの技術を実現することができる。つまり、無線列車制御システムにおける無線基地局と車上装置とがコグニティブ無線通信を行う際の無線基地局の電波環境を示すデータを入力とし、当該電波環境下で無線基地局が無線通信を行ったときのＳＮＲに基づく周波数別通信状況情報を出力とする、機械学習モデルを生成することができる。そして、この機械学習モデルを利用することで、精度の高いスペクトルセンシングを実現することができる。
　前記教師データは、前記電波環境下で前記無線基地局が使用した無線通信規格を更に関連付けて含み、
　前記機械学習モデルは、第１の学習モデルと、前記無線通信規格毎の第２の学習モデルとを含み、
　前記生成することは、
　　前記教師データを用いて、前記電波環境を示すデータを入力とし、前記無線通信規格を出力とする前記第１の学習モデルを生成することと、
　　前記教師データを用いて、前記電波環境を示すデータを入力とし、前記周波数別通信状況情報を出力とする前記第２の学習モデルを前記無線通信規格毎に生成することと、
　を含む、
　学習モデル生成方法を構成してもよい。
　これによれば、機械学習モデルを、電波環境を示すデータを入力とし、無線通信規格を出力とする第１の学習モデルと、電波環境を示すデータを入力とし、周波数別通信状況情報を出力とする無線通信規格毎の第２の学習モデルと、を含むように生成することができる。無線通信規格が異なると通信状況も異なり得ることから、機械学習モデルを利用したスペクトルセンシングの精度を向上させることができる。
　第２の形態は、
　車上装置と鉄道沿線に設置された無線基地局とが、無線通信規格を切り替えて通信可能なコグニティブ無線通信を行う際の前記無線基地局の電波環境を示すデータを取得する電波環境データ取得部と、
　前記電波環境を示すデータを入力とし、当該電波環境下で前記無線基地局が無線通信を行った時のＳＮＲ（Signal to Noise Ratio）に基づく周波数別通信状況情報を出力とする教師データを用いて学習させた機械学習モデルに、前記電波環境データ取得部により取得された電波環境を示すデータを入力して、前記周波数別通信状況情報を出力する推定処理を実行する推定処理実行部と、
　を備えた推定装置である。
　第２の形態によれば、コグニティブ無線通信を行う無線列車制御システムに適用される精度の高いスペクトルセンシングの技術を実現することができる。つまり、機械学習モデルに、無線列車制御システムにおける無線基地局と車上装置とがコグニティブ無線通信を行う際の無線基地局の電波環境を示すデータを入力して、当該電波環境下で無線基地局が無線通信を行ったときのＳＮＲに基づく周波数別通信状況情報を出力する推定処理を実行するといった、機械学習モデルを利用した精度の高いスペクトルセンシングを実現することができる。
　前記教師データは、前記電波環境下で前記無線基地局が使用した無線通信規格を更に関連付けて含み、
　前記機械学習モデルは、第１の学習モデルと、前記無線通信規格毎の第２の学習モデルとを含み、
　前記推定処理実行部は、
　　前記教師データを用いて、前記電波環境を示すデータを入力とし、当該電波環境下で前記無線基地局が使用する無線通信規格を出力として学習させた前記第１の学習モデルに、前記電波環境データ取得部により取得された電波環境を示すデータを入力して、前記無線通信規格を出力する第１の推定処理を実行する第１の推定処理実行部と、
　　前記教師データを用いて、前記電波環境を示すデータを入力とし、前記周波数別通信状況情報を出力として前記無線通信規格別に学習させた前記無線通信規格毎の前記第２の学習モデルの中から、前記第１の推定処理実行部により出力された無線通信規格に適合する前記第２の学習モデルを選択し、当該選択した前記第２の学習モデルに、前記電波環境データ取得部により取得された電波環境を示すデータを入力して、前記周波数別通信状況情報を出力する第２の推定処理を実行する第２の推定処理実行部と、
　を有する、
　推定装置を構成してもよい。
　これによれば、機械学習モデルは、電波環境を示すデータを入力とし、無線通信規格を出力とする第１の学習モデルと、電波環境を示すデータを入力とし、周波数別通信状況情報を出力とする無線通信規格毎の第２の学習モデルと、を含む。無線通信規格が異なると通信状況も異なり得ることから、この機械学習モデルを利用することで、スペクトルセンシングの精度を向上させることができる。
　前記教師データは、前記電波環境下で前記無線基地局が使用した前記無線通信規格に係る無線伝搬特性を更に関連づけて含み、
　前記第２の学習モデルは、前記無線通信規格および前記無線伝搬特性の組み合わせ毎に存在し、
　前記第１の学習モデルは、前記電波環境を示すデータを入力とし、当該電波環境下で前記無線基地局が使用する無線通信規格および当該無線通信規格に係る無線伝搬特性を出力として学習させたモデルであり、
　前記第１の推定処理実行部は、前記第１の学習モデルに、前記電波環境データ取得部により取得された電波環境を示すデータを入力して、前記無線通信規格および前記無線伝搬特性の組み合わせを出力する前記第１の推定処理を実行し、
　前記第２の推定処理実行部は、前記第１の推定処理実行部により出力された組み合わせに適合する前記第２の学習モデルを選択し、当該選択した前記第２の学習モデルに、前記電波環境データ取得部により取得された電波環境を示すデータを入力して、前記周波数別通信状況情報を出力する前記第２の推定処理を実行する、
　推定装置を構成してもよい。
　これによれば、機械学習モデルは、電波環境を示すデータを入力とし、無線通信規格および無線伝搬特性の組み合わせを出力とする第１の学習モデルと、電波環境を示すデータを入力とし、周波数別通信状況情報を出力とする、無線通信規格および無線伝搬特性の組み合わせ毎の第２の学習モデルと、を含む。無線通信規格および当該無線通信規格に係る無線伝搬特性の組み合わせが異なると通信状況も異なり得ることから、第１の学習モデルで推定された組み合わせに適合する第２の学習モデルを使用するという多段階の機械学習モデルを利用することで、スペクトルセンシングの精度を向上させることができる。
　前記機械学習モデルは、畳み込みニューラルネットワークである、
　推定装置を構成してもよい。
　これによれば、畳み込みニューラルネットワークによる機械学習モデルが生成される。
　前記電波環境データ取得部は、
　前記鉄道沿線に設置されたモニタ用受信装置により受信された無線信号に基づき、前記電波環境を示すデータを取得する、
　推定装置を構成してもよい。
　これによれば、無線基地局とは別装置であるモニタ用受信装置が設置されるので、車上装置と地上基地局との無線通信に影響を与えることなく、無線基地局の電波環境を示すデータを取得することができる。モニタ用受信装置は、例えば無線基地局の近傍に設置するなど、任意の位置に設置することができる。
　第３の形態は、
　上述した推定装置と、
　前記推定装置の前記推定処理実行部から出力された前記周波数別通信状況情報に基づいて、前記コグニティブ無線通信に係る無線チャネルを動的に割り当てる割当装置と、
　を備えた無線列車制御システムである。
　第３の形態によれば、無線列車制御システムにおいて、推定装置により推定された無線基地局の周波数別通信状況情報に基づいて、当該無線基地局と車上装置との間で行うコグニティブ無線通信に係る無線チャネルを動的に割り当てることができる。これにより、地上車上間の無線通信の信頼性を高いものとすることができる。
無線列車制御システムの構成例。 通信状況推定モデルを用いた電波環境の推定の説明図。 周波数別通信状況情報における周波数の使用状況の分類の一例。 通信状況推定モデルの学習の説明図。 通信状況推定モデルの学習の説明図。 通信状況推定装置の機能構成例。
　以下、図面を参照して本発明の好適な実施形態について説明する。なお、以下に説明する実施形態によって本発明が限定されるものではなく、本発明を適用可能な形態が以下の実施形態に限定されるものでもない。また、図面の記載において、同一要素には同一符号を付す。
［システム構成］
　図１は、本実施形態の無線列車制御システム１の構成例である。図１に示すように、本実施形態の無線列車制御システム１は、無線基地局１０と、モニタ用受信装置２０と、制御装置１００とを備える。制御装置１００は、各列車５０の運行を統括的に管理する装置である。制御装置１００は、本実施形態の無線の制御に係る主要装置として、割当装置３０と、通信状況推定装置４０とを有する。無線基地局１０およびモニタ用受信装置２０は鉄道沿線に設置される。制御装置１００は中央指令所等に設置されている。また、各装置は地上伝送回線Ｎを介して通信接続されている。
　無線基地局１０と、線路を走行する列車５０に搭載される車上装置５２との間の無線通信は、２．４ＧＨｚ帯や５．７ＧＨｚ帯、９２０ＭＨｚ帯などのＩＳＭ（Industrial Scientific and Medical）バンドを利用した無線通信である。当該無線通信では、他の通信システムによって使用されていない周波数を探し、無線通信規格や無線チャネルを切り替えて無線通信を行うコグニティブ無線通信が行われる。
　無線基地局１０は、線路を走行する列車５０の車上装置５２が制御装置１００との間で連続した無線通信ができるよう、その通信可能範囲が互いに一部重複するように鉄道沿線に沿って複数設置されている。また、無線基地局１０は、複数の所定数の列車５０との間で通信チャネルを確立可能であり、割当装置３０の指示に基づいて割り当てられた無線チャネルで各列車５０の車上装置５２との間で無線通信を行う。
　モニタ用受信装置２０は、対応する無線基地局１０の電波環境を示すデータを取得するために設置される装置である。モニタ用受信装置２０は、対応する無線基地局１０の近傍に設置されて当該無線基地局１０の周辺の無線信号を受信し、受信した無線信号を通信状況推定装置４０に出力する。図１では無線基地局１０およびモニタ用受信装置２０は２台を示しているが、実際には鉄道沿線に沿って複数設置される。
　割当装置３０は、通信状況推定装置４０により推定された通信状況に基づいて、無線基地局１０と列車５０の車上装置５２との間のコグニティブ無線通信に係る無線チャネルの動的な割当を行う。例えば、無線基地局１０のハンドオーバーの際に、通信状況推定装置４０によりリアルタイムに推定される次の無線基地局１０の周辺の通信状況に基づいて、空いている周波数の無線チャネルを選択して割り当てる。そして、割り当てた無線チャネルを、列車５０の車上装置５２および無線基地局１０へ通知する。
　通信状況推定装置４０は、無線基地局１０それぞれについて、対応するモニタ用受信装置２０で受信された無線信号に基づいて、当該無線基地局１０の周辺の通信状況を推定する。
［通信状況の推定］
　図２は、通信状況推定装置４０による通信状況の推定を説明する図である。図２に示すように、通信状況推定装置４０は、モニタ用受信装置２０で受信された無線信号に基づき、通信状況推定モデル６０を用いて、対応する無線基地局１０の周辺の通信状況として、周波数別の通信状況を推定する、いわゆるスペクトルセンシングを行う。なお、通信状況推定モデル６０は、無線基地局１０別に生成される。
　通信状況推定モデル６０は、本実施形態では畳み込みニューラルネットワークにより実現されるが、これ以外のニューラルネットワークであってもよい。また、通信状況推定モデル６０は、後述のように教師データを用いて学習させた機械学習モデルであり、重み係数が決定されている。そして、通信状況推定モデル６０を用いた通信状況の推定に際しては、電波環境を示すデータとして、無線信号のスペクトログラムの代わりに、モニタ用受信装置２０で受信された無線信号に対して振幅および位相を正規化して高速フーリエ変換処理したＮ個のデータを、通信状況推定モデル６０に入力する。モニタ用受信装置２０は無線基地局１０の近傍に設置されている。そのため、モニタ用受信装置２０により受信される無線信号は、無線基地局１０により受信される無線信号とみなせる。これにより、通信状況の推定に要する処理時間を大幅に短縮することができる。従って、リアルタイムに近い或いはリアルタイムといえる通信状況の推定を実現できる。
　そして、通信状況推定モデル６０は、入力された無線信号がモニタ用受信装置２０で受信されたときの当該モニタ用受信装置２０の周辺の周波数別通信状況情報を出力する。この周波数別通信状況情報が、対応する無線基地局１０の周辺の通信状況となる。周波数別通信状況情報は、例えば無線チャネルを単位とした周波数別に、通信状況を示した情報である。通信状況は、当該無線環境下で無線基地局１０が無線通信を行ったときのＳＮＲ（Signal to Noise Ratio）に基づいて、複数段階に分類されて示される。
　図３に、ＳＮＲに基づく通信状況の分類の一例を示す。図３では、黒（Ｂ）、灰（Ｇ）、銀（Ｓ）、白（Ｗ）、の濃淡順の４段階に分類された例を示しているが、３段階以下の分類としてもよいし、５段階以上に分類してもよい。図３の例では濃淡の濃いほうから順にＳＮＲが大きい、つまり当該周波数での無線通信が行われている可能性が高いこと（＝使用されていること）を示している。
　また、図２に示すように、通信状況推定モデル６０は、１つの第１モデル６２と、複数の第２モデル６４とを含む。第１モデル６２および第２モデル６４は、それぞれが畳み込みニューラルネットワークで実現される。つまり、通信状況推定モデル６０は、複数の畳み込みニューラルネットワークを含んで構成されている、といえる。
　第１モデル６２は、電波環境を示すデータを入力とし、コグニティブ無線で使用されるべき無線通信規格および無線チャネルの無線伝搬特性の組み合わせを出力とする学習モデルであり、複数の第２モデル６４から１つを選択するための学習モデルである。
　第２モデル６４は、電波環境を示すデータを入力とし、周波数別通信状況情報を出力とする学習モデルであり、無線通信規格および無線チャネルの無線伝搬特性の組み合わせ毎に生成される。無線通信規格には、本実施形態におけるコグニティブ無線で切り替え使用可能な無線方式が含まれる。当該無線通信規格は、例えば、ＩＥＥＥ８０２．１１ｂ／１１ａ／１１ｇ／１１ｎ／１１ａｃ、といった無線ＬＡＮ（Ｗｉ－Ｆｉ）の通信規格や、Ｂｌｕｅｔｏｏｔｈ、といった近距離無線通信規格、を含む。無線伝搬特性は、例えば、ＳＮＲ、中心周波数オフセット（ＣＦＯ：Center Frequency Offset）、サンプルレートオフセット（ＳＲＯ：Sample Rate Offset）、周波数選択性フェージング（Frequency selective fading）、電力遅延プロファイル（ＰＤＰ：Power Delay Profile）、を含む。
　通信状況推定モデル６０を用いた通信状況の推定では、先ず、モニタ用受信装置２０により受信された無線信号に基づく電波環境を示すデータを第１モデル６２に入力する。第１モデル６２を用いた第１の推定処理によって、入力した電波環境を示すデータに適合する無線通信規格および無線伝搬特性の組み合わせが出力される。次いで、第１モデル６２から出力された無線通信規格および無線伝搬特性の組み合わせに対応する第２モデル６４を選択する。そして、先のモニタ用受信装置２０により受信された無線信号に基づく電波環境を示すデータを、選択した第２モデル６４に入力する。第２モデル６４を用いた第２の推定処理によって、入力した電波環境を示すデータに適合する周波数別通信状況情報が出力される。
［通信状況推定モデルの学習］
　図４は、通信状況推定装置４０による通信状況推定モデル６０の学習（機械学習）を説明する図である。図４に示すように、通信状況推定モデル６０は、予め用意された複数の教師データ３１８を用いて学習される。１つの教師データ３１８は、無線基地局１０の電波環境を示すデータ、当該電波環境下で無線基地局１０が使用した無線通信規格、当該電波環境下で無線基地局１０が使用した無線通信規格に係る無線伝搬特性、当該電波環境下で無線基地局１０が無線通信を行ったときのＳＮＲに基づく周波数別通信状況情報、を関連付けたデータである。通信状況推定モデル６０は、最初の３つのデータ（電波環境を示すデータ、無線通信規格、無線伝搬特性）を入力とし、最後の１つのデータ（周波数別通信状況情報）を出力とした学習がなされることで生成される。学習の種類は、本実施形態では、深層学習（ディープラーニング）とするが、これ以外の何れの種類の機械学習としてもよい。
　教師データ３１８は、実際の無線通信のデータを利用する他に、例えば、コンピュータを用いたシミュレーション演算により生成することができる。具体的には、通信状況推定装置４０が、無線通信規格および無線伝搬特性のパラメータを設定し、任意の送信データを設定した無線通信規格で送信するときの送信信号を生成する。次いで、通信状況推定装置４０が、この送信信号を設定した無線伝搬特性の無線チャネルで送信したときに無線基地局１０により受信されると想定される無線信号を求める。そして、通信状況推定装置４０は、求めた無線信号のスペクトログラム、或いは、無線信号を振幅および位相を正規化して高速フーリエ変換処理したＮ個のデータを、電波環境を示すデータとして算出する。また、通信状況推定装置４０は、無線信号のスペクトラムおよび送信信号から、周波数別に送信信号のＳＮＲを求めることで周波数別通信状況情報を算出する。そして、設定した無線通信規格および無線伝搬特性のパラメータと、電波環境を示すデータと、周波数別通信状況情報とを、１つの教師データ３１８とする。無線通信規格や無線伝搬特性のパラメータを様々に設定することで、多数の教師データ３１８を生成することができる。
　上述のように、通信状況推定モデル６０は、１つの第１モデル６２と、複数の第２モデル６４とを有する。従って、詳細には、図５に示すように、第１モデル６２および複数の第２モデル６４の各学習モデル毎に、教師データ３１８を用いた機械学習がなされる。つまり、第１モデル６２については、電波環境を示すデータを入力とし、無線通信規格および無線伝搬特性の組み合わせを出力とする学習がなされる。また、第２モデル６４は、無線通信規格および無線伝搬特性の組み合わせ毎に生成されるので、第２モデル６４それぞれは、該当する無線通信規格および無線伝搬特性の組み合わせを含む教師データ３１８に含まれる電波環境を示すデータを入力とし、周波数別通信状況情報を出力とする学習がなされる。
　より詳細には、用意された全ての教師データ３１８を、無線通信規格および無線伝搬特性の組み合わせでグループ分けし、グループ毎に、当該グループの教師データ３１８を用いて機械学習させることで、当該グループの無線通信規格および無線伝搬特性の組み合わせに対応する第２モデル６４を生成する。そして、第１モデル６２については、この各グループの無線通信規格および無線伝搬特性の組み合わせを出力として学習させることで生成する。
［機能構成］
　図６は、通信状況推定装置４０の機能構成図である。図６によれば、通信状況推定装置４０は、操作部１０２と、表示部１０４と、音出力部１０６と、通信部１０８と、処理部２００と、記憶部３００とを備え、一種のコンピュータシステムとして構成することができる。
　操作部１０２は、例えばキーボードやマウス、タッチパネル、各種スイッチ等の入力装置で実現され、なされた操作に応じた操作信号を処理部２００に出力する。表示部１０４は、例えば液晶ディスプレイやタッチパネル等の表示装置で実現され、処理部２００からの表示信号に応じた各種表示を行う。音出力部１０６は、例えばスピーカ等の音声出力装置で実現され、処理部２００からの音声信号に応じた各種音出力を行う。通信部１０８は、無線或いは有線の通信装置で実現され、地上伝送回線Ｎに接続して、無線基地局１０や割当装置３０といった各種の外部装置との通信を行う。
　処理部２００は、ＣＰＵ（Central Processing Unit）やＦＰＧＡ（Field Programmable Gate Array）等の演算装置や演算回路で実現されるプロセッサーである。処理部２００は、記憶部３００に記憶されたプログラムやデータ、操作部１０２からの入力データ等に基づいて、通信状況推定装置４０の全体制御を行う。また、処理部２００は、機能的な処理ブロックとして、電波環境データ取得部２０２と、推定処理実行部２０４と、推定モデル生成部２１０とを有する。処理部２００が有するこれらの各機能部は、処理部２００がプログラムを実行することでソフトウェア的に実現することも、専用の演算回路で実現することも可能である。本実施形態では、前者のソフトウェア的に実現することとして説明する。
　電波環境データ取得部２０２は、車上装置５２と鉄道沿線に設置された無線基地局１０とが、無線通信規格を切り替えて通信可能なコグニティブ無線通信を行う際の無線基地局１０の電波環境を示すデータを取得する。具体的には、無線基地局１０の近傍に設置されたモニタ用受信装置２０により受信された無線信号に対して振幅および位相を正規化して高速フーリエ変換処理したＮ個のデータを、当該無線基地局１０の電波環境を示すデータとして取得する。
　推定処理実行部２０４は、推定モデル生成部２１０により生成された機械学習モデルである通信状況推定モデル６０に、電波環境データ取得部２０２により取得された電波環境を示すデータを入力して、周波数別通信状況情報を出力する推定処理を実行する。通信状況推定モデル６０は、電波環境を示すデータを入力とし、無線通信規格および当該無線通信規格に係る無線伝搬特性の組み合わせを出力とする第１の学習モデルである第１モデル６２と、電波環境を示すデータを入力とし、周波数別通信状況情報を出力とする、無線通信規格および無線伝搬特性の組み合わせ毎の第２の学習モデルである第２モデル６４とを含む。
　また、推定処理実行部２０４は、第１推定処理実行部２０６と、第２推定処理実行部２０８とを有する。
　第１推定処理実行部２０６は、第１の学習モデルである第１モデル６２に、電波環境データ取得部２０２により取得された電波環境を示すデータを入力して、無線通信規格および前記無線伝搬特性の組み合わせを出力する第１の推定処理を実行する。
　第２推定処理実行部２０８は、第２の学習モデルである第２モデル６４の中から、第１推定処理実行部２０６により出力された無線通信規格および無線伝搬特性の組み合わせに適合する第２モデル６４を選択し、当該選択した第２モデル６４に、電波環境データ取得部２０２により取得された電波環境を示すデータを入力して、周波数別通信状況情報を出力する第２の推定処理を実行する。
　推定モデル生成部２１０は、車上装置５２と鉄道沿線に設置された無線基地局１０とが、無線通信規格を切り替えて通信可能なコグニティブ無線通信を行う際の無線基地局１０の電波環境を示すデータと、当該電波環境下で無線基地局１０が無線通信を行った時のＳＮＲ（Signal to Noise Ratio）に基づく周波数別通信状況情報と、当該電波環境下で無線基地局１０が使用した無線通信規格と、当該電波環境下で無線基地局１０が使用した無線通信規格に係る無線伝搬特性と、を関連付けた教師データ３１８を取得し、教師データ３１８を用いて、電波環境を示すデータを入力とし、周波数別通信状況情報を出力とする機械学習モデルである通信状況推定モデル６０を生成する。
　機械学習モデルである通信状況推定モデル６０は、第１の学習モデルである第１モデル６２と、無線通信規格および当該無線通信規格に係る無線伝搬特性の組み合わせ毎の第２の学習モデルである第２モデル６４とを含む。つまり、推定モデル生成部２１０は、教師データ３１８を用いて、電波環境を示すデータを入力とし、無線通信規格および当該無線通信規格に係る無線伝搬特性の組み合わせを出力として学習させて、第１の学習モデルである第１モデル６２を生成する。また、教師データ３１８を用いて、電波環境を示すデータを入力とし、周波数別通信状況情報を出力として、無線通信規格および当該無線通信規格に係る無線伝搬特性の組み合わせ別に学習させて、無線通信規格および当該無線通信規格に係る無線伝搬特性の組み合わせ毎の第２の学習モデルである第２モデル６４を生成する。
　記憶部３００は、ＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）等のＩＣ（Integrated Circuit）メモリやハードディスク等の記憶装置で実現される。記憶部３００は、処理部２００が通信状況推定装置４０を統合的に制御するためのプログラムやデータ等を記憶しているとともに、処理部２００の作業領域として用いられ、処理部２００が実行した演算結果や、操作部１０２からの入力データ等が一時的に格納される。本実施形態では、記憶部３００には、通信状況推定プログラム３０２と、無線基地局情報３１０とが記憶される。
　無線基地局情報３１０は、無線基地局１０別に生成され、該当する無線基地局１０の識別情報（基地局ＩＤ）と対応付けて、通信状況推定モデルデータ３１２と、電波環境データ取得部２０２により取得された該当する無線基地局１０の電波環境を示すデータである電波環境データ３１４と、推定処理実行部２０４により推定された該当する無線基地局１０の周波数別通信状況情報３１６と、推定モデル生成部２１０による通信状況推定モデル６０の学習に用いられる教師データ３１８とを格納している。通信状況推定モデルデータ３１２は、該当する無線基地局１０についての通信状況推定モデル６０を定義するデータであり、具体的には、重み付け係数のデータである。
［作用効果］
　本実施形態によれば、コグニティブ無線通信を行う無線列車制御システムに適用される精度の高いスペクトルセンシングの技術を実現することができる。つまり、無線列車制御システム１における無線基地局１０と車上装置５２とがコグニティブ無線通信を行う際の無線基地局１０の電波環境を示すデータを入力とし、当該電波環境下で無線基地局１０が無線通信を行ったときのＳＮＲに基づく周波数別通信状況情報を出力とする、機械学習モデルである通信状況推定モデル６０を生成することができる。そして、この通信状況推定モデル６０に、無線基地局１０の電波環境を示すデータを入力し、当該電波環境下で無線基地局１０が無線通信を行ったときのＳＮＲに基づく周波数別通信状況情報を出力する推定処理を実行することで、通信状況推定モデル６０を利用した精度の高いスペクトルセンシングを実現することができる。
　なお、本発明の適用可能な実施形態は上述の実施形態に限定されることなく、本発明の趣旨を逸脱しない範囲で適宜変更可能なのは勿論である。
（Ａ）モニタ用受信装置２０
　上述の実施形態では、モニタ用受信装置２０を無線基地局１０と１対１で対応付けて対応する無線基地局１０の近傍に設置することにしたが、任意の位置に設置するようにしてもよい。この場合、例えば、無線基地局１０の設置位置に最も近い位置に設置されているモニタ用受信装置２０により受信された無線信号に基づいて、当該無線通信基地局１０の周辺の通信状況を推定する。
　或いは、無線基地局１０がモニタ用受信装置２０を兼用することにしてもよい。この場合、通信状況推定装置４０は、無線基地局１０により受信された無線信号に基づいて、当該無線通信基地局１０の周辺の通信状況を推定する。
１…無線列車制御システム
　１０…無線基地局
　２０…モニタ用受信装置
　３０…割当装置
　４０…通信状況推定装置
　　２００…処理部
　　　２０２…電波環境データ取得部
　　　２０４…推定処理実行部
　　　　２０６…第１推定処理実行部、２０８…第２推定処理実行部
　　　２１０…推定モデル生成部
　　３００…記憶部
　　　３０２…通信状況推定プログラム
　　　３１０…無線基地局情報
　　　　３１２…通信状況推定モデルデータ、３１４…電波環境データ
　　　　３１６…周波数別通信状況情報、３１８…教師データ
　５０…列車、５２…車上装置
　６０…通信状況推定モデル
　　６２…第１モデル、６４…第２モデル

Claims (8)

  1. 　コンピュータシステムが実行する学習モデル生成方法であって、
    　前記コンピュータシステムが、
    　　車上装置と鉄道沿線に設置された無線基地局とが、無線通信規格を切り替えて通信可能なコグニティブ無線通信を行う際の前記無線基地局の電波環境を示すデータと、当該電波環境下で前記無線基地局が無線通信を行った時のＳＮＲ（Signal to Noise Ratio）に基づく周波数別通信状況情報と、を関連付けた教師データを取得することと、
    　　前記教師データを用いて、前記電波環境を示すデータを入力とし、前記周波数別通信状況情報を出力とする機械学習モデルを生成することと、
    　を実行する学習モデル生成方法。
  2. 　前記教師データは、前記電波環境下で前記無線基地局が使用した無線通信規格を更に関連付けて含み、
    　前記機械学習モデルは、第１の学習モデルと、前記無線通信規格毎の第２の学習モデルとを含み、
    　前記生成することは、
    　　前記教師データを用いて、前記電波環境を示すデータを入力とし、前記無線通信規格を出力とする前記第１の学習モデルを生成することと、
    　　前記教師データを用いて、前記電波環境を示すデータを入力とし、前記周波数別通信状況情報を出力とする前記第２の学習モデルを前記無線通信規格毎に生成することと、
    　を含む、
    　請求項１に記載の学習モデル生成方法。
  3. 　車上装置と鉄道沿線に設置された無線基地局とが、無線通信規格を切り替えて通信可能なコグニティブ無線通信を行う際の前記無線基地局の電波環境を示すデータを取得する電波環境データ取得部と、
    　前記電波環境を示すデータを入力とし、当該電波環境下で前記無線基地局が無線通信を行った時のＳＮＲ（Signal to Noise Ratio）に基づく周波数別通信状況情報を出力とする教師データを用いて学習させた機械学習モデルに、前記電波環境データ取得部により取得された電波環境を示すデータを入力して、前記周波数別通信状況情報を出力する推定処理を実行する推定処理実行部と、
    　を備えた推定装置。
  4. 　前記教師データは、前記電波環境下で前記無線基地局が使用した無線通信規格を更に関連付けて含み、
    　前記機械学習モデルは、第１の学習モデルと、前記無線通信規格毎の第２の学習モデルとを含み、
    　前記推定処理実行部は、
    　　前記教師データを用いて、前記電波環境を示すデータを入力とし、当該電波環境下で前記無線基地局が使用する無線通信規格を出力として学習させた前記第１の学習モデルに、前記電波環境データ取得部により取得された電波環境を示すデータを入力して、前記無線通信規格を出力する第１の推定処理を実行する第１の推定処理実行部と、
    　　前記教師データを用いて、前記電波環境を示すデータを入力とし、前記周波数別通信状況情報を出力として前記無線通信規格別に学習させた前記無線通信規格毎の前記第２の学習モデルの中から、前記第１の推定処理実行部により出力された無線通信規格に適合する前記第２の学習モデルを選択し、当該選択した前記第２の学習モデルに、前記電波環境データ取得部により取得された電波環境を示すデータを入力して、前記周波数別通信状況情報を出力する第２の推定処理を実行する第２の推定処理実行部と、
    　を有する、
    　請求項３に記載の推定装置。
  5. 　前記教師データは、前記電波環境下で前記無線基地局が使用した前記無線通信規格に係る無線伝搬特性を更に関連づけて含み、
    　前記第２の学習モデルは、前記無線通信規格および前記無線伝搬特性の組み合わせ毎に存在し、
    　前記第１の学習モデルは、前記電波環境を示すデータを入力とし、当該電波環境下で前記無線基地局が使用する無線通信規格および当該無線通信規格に係る無線伝搬特性を出力として学習させたモデルであり、
    　前記第１の推定処理実行部は、前記第１の学習モデルに、前記電波環境データ取得部により取得された電波環境を示すデータを入力して、前記無線通信規格および前記無線伝搬特性の組み合わせを出力する前記第１の推定処理を実行し、
    　前記第２の推定処理実行部は、前記第１の推定処理実行部により出力された組み合わせに適合する前記第２の学習モデルを選択し、当該選択した前記第２の学習モデルに、前記電波環境データ取得部により取得された電波環境を示すデータを入力して、前記周波数別通信状況情報を出力する前記第２の推定処理を実行する、
    　請求項４に記載の推定装置。
  6. 　前記機械学習モデルは、畳み込みニューラルネットワークである、
    　請求項３～５の何れか一項に記載の推定装置。
  7. 　前記電波環境データ取得部は、
    　前記鉄道沿線に設置されたモニタ用受信装置により受信された無線信号に基づき、前記電波環境を示すデータを取得する、
    　請求項３～６の何れか一項に記載の推定装置。
  8. 　請求項３～７の何れか一項に記載の推定装置と、
    　前記推定装置の前記推定処理実行部から出力された前記周波数別通信状況情報に基づいて、前記コグニティブ無線通信に係る無線チャネルを動的に割り当てる割当装置と、
    　を備えた無線列車制御システム。
PCT/JP2020/041095 2019-11-27 2020-11-02 学習モデル生成方法、推定装置および無線列車制御システム WO2021106508A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202080082431.0A CN114762375A (zh) 2019-11-27 2020-11-02 学习模型生成方法、估计装置以及无线列车控制***
EP20892876.2A EP4068829A4 (en) 2019-11-27 2020-11-02 LEARNING MODEL GENERATION METHOD, INFERENCE DEVICE AND WIRELESS TRAIN CONTROL SYSTEM
US17/738,434 US20220263688A1 (en) 2019-11-27 2022-05-06 Learning model generation method, inference apparatus, and wireless train control system

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-213876 2019-11-27
JP2019213876A JP7360309B2 (ja) 2019-11-27 2019-11-27 学習モデル生成方法、推定装置および無線列車制御システム

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/738,434 Continuation US20220263688A1 (en) 2019-11-27 2022-05-06 Learning model generation method, inference apparatus, and wireless train control system

Publications (1)

Publication Number Publication Date
WO2021106508A1 true WO2021106508A1 (ja) 2021-06-03

Family

ID=76085793

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/041095 WO2021106508A1 (ja) 2019-11-27 2020-11-02 学習モデル生成方法、推定装置および無線列車制御システム

Country Status (5)

Country Link
US (1) US20220263688A1 (ja)
EP (1) EP4068829A4 (ja)
JP (1) JP7360309B2 (ja)
CN (1) CN114762375A (ja)
WO (1) WO2021106508A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12033001B2 (en) * 2021-09-02 2024-07-09 Hitachi, Ltd. Optimizing machine learning as-a-service performance for cellular communication systems
WO2023233442A1 (ja) * 2022-05-30 2023-12-07 楽天モバイル株式会社 Ｓｓｃモードを動的に決定するための通信制御

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013239935A (ja) 2012-05-16 2013-11-28 Hitachi Ltd 無線列車制御システム
JP2015518356A (ja) * 2012-05-28 2015-06-25 ソニー株式会社 コグニティブ無線システム、及びそのリソース割り当てデバイスと方法
JP2018142957A (ja) * 2017-02-24 2018-09-13 国立大学法人京都大学 管理装置、コンピュータに実行させるためのプログラムおよびその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
CN108712748A (zh) * 2018-04-12 2018-10-26 天津大学 一种基于强化学习的认知无线电抗干扰智能决策的方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6856979B2 (ja) 2016-04-08 2021-04-14 東日本旅客鉄道株式会社 路線沿線の電波障害検出システム及び電波障害検出方法
JP6978777B2 (ja) 2018-03-09 2021-12-08 株式会社国際電気通信基礎技術研究所 無線状況予測装置、無線状況予測方法、および、プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013239935A (ja) 2012-05-16 2013-11-28 Hitachi Ltd 無線列車制御システム
JP2015518356A (ja) * 2012-05-28 2015-06-25 ソニー株式会社 コグニティブ無線システム、及びそのリソース割り当てデバイスと方法
JP2018142957A (ja) * 2017-02-24 2018-09-13 国立大学法人京都大学 管理装置、コンピュータに実行させるためのプログラムおよびその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
CN108712748A (zh) * 2018-04-12 2018-10-26 天津大学 一种基于强化学习的认知无线电抗干扰智能决策的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4068829A4

Also Published As

Publication number Publication date
EP4068829A1 (en) 2022-10-05
JP7360309B2 (ja) 2023-10-12
CN114762375A (zh) 2022-07-15
JP2021087082A (ja) 2021-06-03
EP4068829A4 (en) 2023-12-20
US20220263688A1 (en) 2022-08-18

Similar Documents

Publication Publication Date Title
WO2021106508A1 (ja) 学習モデル生成方法、推定装置および無線列車制御システム
US20130107798A1 (en) ABS-based Method for Inter Cell Interference Coordination in LTE-Advanced Networks
US20180278311A1 (en) Communication beam determining method and corresponding apparatus
US11284361B2 (en) System and method for device-to-device communication
CN103069726B (zh) 空白频段感测方法及用于空白频段中的无线通信的装置
US11075704B2 (en) Radio wave environment display device and method for displaying radio wave environment
Wunsch et al. DySPAN spectrum challenge: Situational awareness and opportunistic spectrum access benchmarked
CN105744541A (zh) 无线路由器选择信道的方法、装置及无线路由器
US20080165741A1 (en) Methods for interference measurement and prediction
JPWO2007001052A1 (ja) 無線通信装置、無線通信方法及び無線通信プログラム
WO2022084096A1 (en) Learning-based spectrum occupancy prediction exploiting multi-dimensional correlation
CN104954089A (zh) 一种基于多天线瞬时功率比较的频谱感知方法
CN105792263A (zh) 终端设备防信号干扰的方法及终端设备
US20230269628A1 (en) Control device, communication system, and control method
CN103828453B (zh) 用于在认知无线电***中波束成形的方法和装置
WO2022172849A1 (ja) 周波数決定方法及び周波数決定装置
EP2822345A1 (en) Spectrum allocation in a wireless network
CN108124264A (zh) 频道选择装置及频道选择方法
JP2019161341A (ja) 無線状況予測装置、無線状況予測方法、および、プログラム
CN107509253A (zh) 一种信道频段接入方法及装置
CN117796007A (zh) 共享频谱带中的发送器检测
Azpilicueta et al. Characterisation of radio wave propagation in vehicular environments through deterministic methods
Furtado et al. Performance analysis of multi-packet reception wireless systems in far-field region
CN109547070B (zh) 一种提升ZigBee***抗干扰性能的方法、装置及终端设备
US20210211155A1 (en) Wireless communication device

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20892876

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020892876

Country of ref document: EP

Effective date: 20220627