特開 2024-125800 電波の伝搬特性の推定のための情報処理装置、情報処理方法、及びプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024125800

(43)【公開日】2024-09-19

(54)【発明の名称】電波の伝搬特性の推定のための情報処理装置、情報処理方法、及びプログラム

(51)【国際特許分類】

   G06N 20/00 20190101AFI20240911BHJP

   H04B 17/391 20150101ALI20240911BHJP

   G06T 7/00 20170101ALI20240911BHJP

【ＦＩ】

G06N20/00 130

H04B17/391

G06T7/00 350C

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2023033875

(22)【出願日】2023-03-06

【国等の委託研究の成果に係る記載事項】（出願人による申告）令和４年度、総務省、「仮想空間における電波模擬システム技術の高度化に向けた研究開発」、産業技術力強化法第１７条の適用を受ける特許出願

(71)【出願人】

【識別番号】599108264

【氏名又は名称】株式会社ＫＤＤＩ総合研究所

(74)【代理人】

【識別番号】110003281

【氏名又は名称】弁理士法人大塚国際特許事務所

(72)【発明者】

【氏名】伊藤 智史

(72)【発明者】

【氏名】長尾 竜也

(72)【発明者】

【氏名】竹澤 和輝

(72)【発明者】

【氏名】吉川 慧司

(72)【発明者】

【氏名】林 高弘

【テーマコード（参考）】

5L096

【Ｆターム（参考）】

5L096HA11

5L096KA04

(57)【要約】

【課題】汎化性能の高いモデルを構築し、電波の伝搬特性を高精度に推定すること。
【解決手段】情報処理装置は、所定の地理的範囲に含まれる所定のサイズの複数の領域のそれぞれにおける建物の高さ又は建物の占有率を１つの画素として示す画像データを入力データとすると共に、その所定の地理的範囲における建物の配置に基づく送信点から受信点までの電波の伝搬パスの情報を教師データとした機械学習により第１の学習済みモデルを取得し、第１の学習済みモデルに画像データを入力して得られる伝搬パスの推定値を入力とすると共に、受信点における電波の伝搬特性の実測値を教師データとした機械学習により第２の学習済みモデルを取得し、第１の学習済みモデルと第２の学習済みモデルとを連結して、画像データから電波の伝搬特性を推定するモデルを生成する。
【選択図】 図８

【特許請求の範囲】

【請求項1】

所定の地理的範囲に含まれる所定のサイズの複数の領域のそれぞれにおける建物の高さ又は建物の占有率を１つの画素として示す画像データを入力データとすると共に、当該所定の地理的範囲における建物の配置に基づく送信点から受信点までの電波の伝搬パスの情報を教師データとした機械学習により第１の学習済みモデルを取得する第１の取得手段と、
前記第１の学習済みモデルに前記画像データを入力して得られる伝搬パスの推定値を入力とすると共に、前記受信点における電波の伝搬特性の実測値を教師データとした機械学習により第２の学習済みモデルを取得する第２の取得手段と、
前記第１の学習済みモデルと前記第２の学習済みモデルとを連結して、前記画像データから電波の伝搬特性を推定するモデルを生成する生成手段と、
を有することを特徴とする情報処理装置。

【請求項2】

前記第１の取得手段は、前記所定の地理的範囲における建物の高さ並びに配置の情報、および前記送信点および前記受信点の位置情報に基づくレイトレーシングによって教師データを取得する、ことを特徴とする請求項１に記載の情報処理装置。

【請求項3】

前記第１の取得手段は、Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ（ＬＳＴＭ）もしくはＧａｔｅｄ Ｒｅｃｕｒｒｅｎｔ Ｕｎｉｔ（ＧＲＵ）を用いたニューラルネットワーク、グラフニューラルネットワーク、又は、強化学習を用いて、前記機械学習を行う、ことを特徴とする請求項１に記載の情報処理装置。

【請求項4】

前記第１の学習済みモデルに前記画像データを入力して得られる前記伝搬パスの推定値は可変長の系列によって表される、ことを特徴とする請求項３に記載の情報処理装置。

【請求項5】

前記第２の取得手段は、前記伝搬パスの推定値として入力された可変長の系列を固定長の系列に変換する変換手段をさらに含む、ことを特徴とする請求項４に記載の情報処理装置。

【請求項6】

第１の地理的範囲に含まれる所定のサイズの複数の領域のそれぞれにおける建物の高さ又は建物の占有率を１つの画素として示す第１の画像データを入力データとすると共に、当該第１の地理的範囲における建物の配置に基づく送信点から受信点までの電波の伝搬パスの情報を教師データとした機械学習により取得された第１の学習済みモデルに、第２の地理的範囲に対応する前記入力データと同じ形式の第２の画像データを入力して、当該第２の地理的範囲における送信点から受信点までの電波の伝搬パスの推定値を取得する第１の取得手段と、
前記第１の地理的範囲に対応する前記入力データを前記第１の学習済みモデルに入力して得られる伝搬パスの推定値を入力とすると共に、当該第１の地理的範囲における受信点における電波の伝搬特性の実測値を教師データとして機械学習により取得された第２の学習済みモデルに、前記第１の取得手段において取得された前記第２の地理的範囲における前記電波の伝搬パスの推定値を入力して、当該第２の地理的範囲の前記受信点における伝搬特性を取得する第２の取得手段と、
を有することを特徴とする情報処理装置。

【請求項7】

前記第１の学習済みモデルに前記第２の画像データを入力して得られる前記伝搬パスの推定値は可変長の系列によって表され、
前記第１の地理的範囲における前記電波の伝搬パスの推定値として入力された可変長の系列が固定長の系列に変換されたデータを入力データとした機械学習によって前記第２の学習済みモデルが取得された場合、前記第２の取得手段は、前記第２の地理的範囲における前記電波の伝搬パスの推定値を表す可変長の系列を固定長の系列に変換する変換手段をさらに含む、ことを特徴とする請求項６に記載の情報処理装置。

【請求項8】

情報処理装置によって実行される情報処理方法であって、
所定の地理的範囲に含まれる所定のサイズの複数の領域のそれぞれにおける建物の高さ又は建物の占有率を１つの画素として示す画像データを入力データとすると共に、当該所定の地理的範囲における建物の配置に基づく送信点から受信点までの電波の伝搬パスの情報を教師データとした機械学習により第１の学習済みモデルを取得することと、
前記第１の学習済みモデルに前記画像データを入力して得られる伝搬パスの推定値を入力とすると共に、前記受信点における電波の伝搬特性の実測値を教師データとした機械学習により第２の学習済みモデルを取得することと、
前記第１の学習済みモデルと前記第２の学習済みモデルとを連結して、前記画像データから電波の伝搬特性を推定するモデルを生成することと、
を含むことを特徴とする情報処理方法。

【請求項9】

情報処理装置によって実行される情報処理方法であって、
第１の地理的範囲に含まれる所定のサイズの複数の領域のそれぞれにおける建物の高さ又は建物の占有率を１つの画素として示す第１の画像データを入力データとすると共に、当該第１の地理的範囲における建物の配置に基づく送信点から受信点までの電波の伝搬パスの情報を教師データとした機械学習により取得された第１の学習済みモデルに、第２の地理的範囲に対応する前記入力データと同じ形式の第２の画像データを入力して、当該第２の地理的範囲における送信点から受信点までの電波の伝搬パスの推定値を取得することと、
前記第１の地理的範囲に対応する前記入力データを前記第１の学習済みモデルに入力して得られる伝搬パスの推定値を入力とすると共に、当該第１の地理的範囲における受信点における電波の伝搬特性の実測値を教師データとして機械学習により取得された第２の学習済みモデルに、前記第２の地理的範囲における前記電波の伝搬パスの推定値を入力して、当該第２の地理的範囲の前記受信点における電波の伝搬特性を取得することと、
を含むことを特徴とする情報処理方法。

【請求項10】

コンピュータを、請求項１から７のいずれか１項に記載の情報処理装置が有する各手段として機能させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、機械学習を用いた電波の伝搬特性の推定技術に関する。

【背景技術】

【0002】

無線通信システムでは、電波が発信側から受信側へと十分な電力で届くことが重要である。セルラ通信システムでは、基地局装置からの電波が十分な電力で届かない不感地帯対策が行われている。このような不感地帯対策のために、従来、測定器を用いて、基地局装置から実際に送出された電波を測定していたため、非常に手間がかかっていた。また、電波の伝搬特性を推定する技術として、レイトレーシングが存在する。レイトレーシングでは、建造物などがモデル化された環境において、送信点から電波を表すレイが出力された場合に、そのレイが反射や回折などを経てどのように受信点に到達したかが計算されることにより、伝搬特性を推定することができる。しかしながら、この計算は、演算量が膨大であり、迅速に結果を得ることが難しい。これに対して、特許文献１は、受信点を含んだ地図データに畳み込みニューラルネットワーク（ＣＮＮ）を適用して都市構造パラメータを特徴量として抽出し、抽出された特徴量を全結合ニューラルネットワーク（ＦＮＮ）に入力することにより、伝搬特性の推定を行う技術を提供している。これによれば、地図データを用いて、実際に電波環境を測定することなく、かつ、低演算量で迅速に伝搬特性を推定することができる。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１９－１２２００８号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１に記載の技術では、地図データから特徴量を抽出する際に、画像の類似度を学習してしまい、物理的に意味のない特徴量を抽出してしまいうる。このような場合、機械学習において使用される教師データの存在する領域では高精度な電波の伝搬特性の推定が可能となるが、教師データの存在しない領域における電波の伝搬特性の推定精度が劣化してしまいうる。すなわち、汎化性能の低いモデルが生成されてしまいうる。

【課題を解決するための手段】

【0005】

本発明は、汎化性能の高いモデルを構築し、電波の伝搬特性を高精度に推定することを可能とする技術を提供する。

【0006】

本発明の一態様による情報処理装置は、所定の地理的範囲に含まれる所定のサイズの複数の領域のそれぞれにおける建物の高さ又は建物の占有率を１つの画素として示す画像データを入力データとすると共に、当該所定の地理的範囲における建物の配置に基づく送信点から受信点までの電波の伝搬パスの情報を教師データとした機械学習により第１の学習済みモデルを取得する第１の取得手段と、前記第１の学習済みモデルに前記画像データを入力して得られる伝搬パスの推定値を入力とすると共に、前記受信点における電波の伝搬特性の実測値を教師データとした機械学習により第２の学習済みモデルを取得する第２の取得手段と、前記第１の学習済みモデルと前記第２の学習済みモデルとを連結して、前記画像データから電波の伝搬特性を推定するモデルを生成する生成手段と、を有する。

【0007】

本発明の別の一態様による情報処理装置は、第１の地理的範囲に含まれる所定のサイズの複数の領域のそれぞれにおける建物の高さ又は建物の占有率を１つの画素として示す第１の画像データを入力データとすると共に、当該第１の地理的範囲における建物の配置に基づく送信点から受信点までの電波の伝搬パスの情報を教師データとした機械学習により取得された第１の学習済みモデルに、第２の地理的範囲に対応する前記入力データと同じ形式の第２の画像データを入力して、当該第２の地理的範囲における送信点から受信点までの電波の伝搬パスの推定値を取得する第１の取得手段と、前記第１の地理的範囲に対応する前記入力データを前記第１の学習済みモデルに入力して得られる伝搬パスの推定値を入力とすると共に、当該第１の地理的範囲における受信点における電波の伝搬特性の実測値を教師データとして機械学習により取得された第２の学習済みモデルに、前記第１の取得手段において取得された前記第２の地理的範囲における前記電波の伝搬パスの推定値を入力して、当該第２の地理的範囲の前記受信点における伝搬特性を取得する第２の取得手段と、を有する。

【発明の効果】

【0008】

本発明によれば、汎化性能の高いモデルを構築し、電波の伝搬特性を高精度に推定することが可能となる。

【図面の簡単な説明】

【0009】

【図1】情報処理装置の構成例を示す図である。

【図2】伝搬パスの推定のための機械学習を説明する図である。

【図3】伝搬パスの推定のための機械学習を説明する図である。

【図4】学習済みモデルを用いた伝搬パスの推定手順を説明する図である。

【図5】伝搬パスを表現する方法の一例を説明する図である。

【図6】伝搬特性の推定のための機械学習を説明する図である。

【図7】学習済みモデルを用いた伝搬特性の推定手順を説明する図である。

【図8】学習フェーズの処理の流れの例を示す図である。

【図9】推定フェーズの処理の流れの例を示す図である。

【発明を実施するための形態】

【0010】

以下、添付図面を参照して実施形態を詳しく説明する。なお、以下の実施形態は特許請求の範囲に係る発明を限定するものではなく、また実施形態で説明されている特徴の組み合わせの全てが発明に必須のものとは限らない。実施形態で説明されている複数の特徴のうち二つ以上の特徴は任意に組み合わされてもよい。また、同一若しくは同様の構成には同一の参照番号を付し、重複した説明は省略する。

【0011】

（装置構成）
本実施形態では、機械学習により電波の伝搬特性を推定する伝搬特性推定システムについて説明する。図１は、このようなシステムが実装される情報処理装置のハードウェア構成例を示す図である。情報処理装置は、例えば汎用コンピュータであり、プロセッサ１０１、記憶装置１０２、入出力インタフェース１０３、及び、外部記憶装置１０４を含んで構成される。プロセッサ１０１は、例えば、セントラルプロセッシングユニット（ＣＰＵ）やマイクロプロセッサユニット（ＭＰＵ）などの１つ以上のプロセッサを含んで構成される。プロセッサ１０１は、記憶装置１０２に記憶されたプログラムを実行することにより、後述の各処理を実行するように構成される。記憶装置１０２は、例えば、読み出し専用メモリ（ＲＯＭ）やランダムアクセスメモリ（ＲＡＭ）等の１つ以上のメモリを含んで構成される。記憶装置１０２は、例えば、下記の処理に対応するプログラムや、そのプログラムが実行される際に使用される変数などを記憶する。入出力インタフェース１０３は、例えば、装置の外部から情報の入力を受け付け、また、装置の外部へ情報を出力するためのインタフェースである。入出力インタフェース１０３は、例えば、キーボードやポインティングデバイスなどを用いてユーザ操作を受け付け、ディスプレイやスピーカを用いてユーザへ情報を提示するためのインタフェースを含む。また、入出力インタフェース１０３は、通信インタフェースであってもよい。一例において、機械学習の対象の画像データや教師データ、また、伝搬特性の推定対象の地理的状況を示す画像データなどの入力が、入出力インタフェース１０３によって接続された通信回線を通じて受け付けられる。また、例えば、伝搬特性の推定の結果が、入出力インタフェース１０３によって接続された通信回線を通じて、外部の装置へ提供されうる。外部記憶装置１０４は、例えば、ハードディスクドライブ（ＨＤＤ）、ソリッドステートドライブ（ＳＳＤ）、ユニバーサルシリアルバス（ＵＳＢ）メモリなどの着脱可能な記憶装置であり、例えば、画像データなどの情報を記憶することができる。図１の構成は、例えば、プロセッサ１０１が、記憶装置１０２に記憶されたプログラムを実行することにより実現されうる。そして、図１の構成により、入出力インタフェース１０３を通じて又は外部記憶装置１０４に記憶された情報を利用して、機械学習を行って伝搬特性を推定するための学習済みモデルを生成し、学習済みモデルを用いて電波の伝搬特性の推定を行う。

【0012】

（機械学習を用いた伝搬パス推定及び伝搬特性推定）
本実施形態では、２つの種類の学習フェーズを通じて、システム全体の学習済みモデルを形成する。第１の学習フェーズでは、画像データを入力として電波の反射や回折などの伝搬経路を学習する。この学習には、レイトレーシングで推定された電波の送信点と受信点との間の電波の伝搬経路が、教師データとして使用される。これにより、特定の地理的領域に対応する画像データが入力された場合に、その地理的領域においてどのように電波が伝搬するかを推定するための学習が行われる。なお、この学習において、レイトレーシングが行われるため、一定程度の演算が必要となるが、一度学習が完了することにより、それ以上のレイトレーシングは不要となるため、全ての地理的領域においてレイトレーシングを行うのと比較して著しく演算量を削減することができる。この第１の学習フェーズでは、入力される画像データの中から電波の反射や回折などの物理的な意味のある特徴が抽出されるようになる。このように第１の学習フェーズにおいて得られた第１の学習済みモデルは、電波の送信点と受信点とを含んだ地理的範囲に対応する画像データが入力されたことに応じて、その地理的範囲における伝搬パスを示す情報系列を出力するようになる。

【0013】

その後、第１の学習済みモデルに画像データを入力することによって得られる、伝搬パスを示す情報系列を入力として、例えば伝搬損失や時空間特性などの伝搬特性の情報を出力するための第２の学習フェーズが行われる。この第２の学習フェーズでは、実測の伝搬特性が教師データとして使用される。すなわち、第１の学習フェーズで使用される画像データに対応する地理的範囲の画像に含まれる受信点に関して得られた伝搬パスを示す情報系列が入力として用いられ、その受信点において測定された伝搬特性が教師データとして用いられることにより、機械学習が行われる。

【0014】

図２は、電波の伝搬パスの推定のための機械学習を説明する図である。本実施形態では、所定の地理的範囲における標高及び建造物の高さに関する標高・建物高データ２０１と、その地理的範囲における送受信点の位置情報２０２とを用いた機械学習が行われる。標高・建物高データ２０１は、例えば、その地理的範囲を上空から見た二次元の地図画像データ（例えば衛星画像データ）の情報および、その地図画像データの各画素に対応する位置の標高及び建造物の高さの情報を示すデータを含む。なお、二次元の地図データの各画素は、例えば、東西方向をｘ座標によって示し、南北方向をｙ座標によって示す座標によって表現されうる。また、１つの画素が、例えばｘ方向及びｙ方向の両方向に５メートル（ｍ）の幅を有する領域などの、所定のサイズの領域に対応する。ただし、これは一例であり、地図データのスケールに応じて、１つの画素に対応する地理的範囲のサイズが決定される。また、標高・建物高データ２０１は、その地図画像データに対応する地理的範囲内の各領域における建物の占有率のデータを含みうる。さらに、標高・建物高データ２０１は、建物の形状を示す２．５次元又は３次元の形状データを含んでもよい。送受信点の位置情報２０２は、その地理的範囲内において、電波が送信される点と受信される点の座標及び高さの情報を含む。なお、一例において、電波が送信される点は基地局装置のアンテナが配置される位置であり、電波が受信される点は、端末装置が存在しうる任意の位置でありうる。

【0015】

レイトレーシング２１１では、標高・建物高データ２０１に基づいて、その地理的範囲における地理的状況を再現する三次元モデルが形成される。例えば、その地理的範囲を含んだ仮想空間内に、その地理的範囲内の各座標における高さの物体が配置されることによって、その地理的範囲における地形や電波を反射する可能性のある物体が模擬された三次元空間のモデルが形成される。そして、レイトレーシング２１１では、送信点から電波が送出された場合に、その電波がどのように反射及び回折を経て受信点に到達するかが計算される。なお、レイトレーシングについては、従来技術であるため、ここでは詳細に説明しない。このような、レイトレーシング２１１によって計算された、電波が送信点から受信点までの間で辿る伝搬パスを示す情報を、レイ情報２１２と呼ぶ。

【0016】

環境情報生成２２１では、例えば、送信点の高さを基準とした建物の高さのデータ２２２、受信点の高さを基準とした建物の高さのデータ２２３、及び、建物占有率のデータ２２４を生成しうる。送信点の高さを基準とした建物の高さのデータ２２２は、例えば、その地理的範囲を上空から見た二次元の地図画像データの各画素に対応する領域の建物の高さを、送信点の高さを基準として示す情報である。例えば、送信点の高さｚ１（ｍ）を画素値（例えば輝度値）＝１２８として、その高さからの相対的な高さによって、各画素に対応する領域に存在する建造物の高さが画素値によって表現される。地図画像データのｉ番目の画素に対応する領域の建物の高さをｚ２（ｍ）とすると、その画素における画素値ｐ（ｉ）は、ｐ（ｉ）＝１２８＋（ｚ２－ｚ１）のように表現されうる。すなわち、送信点の高さｚ１が３０ｍで、ｉ番目の画素に対応する領域の建物の高さが５０ｍである場合、ｐ（ｉ）＝１２８＋（５０－３０）＝１４８のように、画素値が決定されうる。受信点の高さを基準とした建物の高さのデータ２２３も同様に、受信点の高さをｚ３とした場合に、ｉ番目の画素に対応する領域の建物の高さをｚ２（ｍ）とすると、その画素における画素値ｐ（ｉ）は、ｐ（ｉ）＝１２８＋（ｚ２－ｚ３）のように表現されうる。このようにして、送信点の高さを基準とした建物の高さのデータ２２２と受信点の高さを基準とした建物の高さのデータ２２３とが、地図画像データと同サイズの画像形式のデータとして出力されうる。なお、これは一例であり、他の形式で送信点又は受信点の高さを基準とした各領域における建物の高さが指定されてもよい。建物占有率のデータ２２４は、例えば、地図画像データの１つの画素に対応する領域において、その領域の土地の面積のうちの建物が覆っている面積の割合を示す情報である。例えば、建物の占有率が０％の場合の画素値を０、５０％の場合の画素値を１２８、１００％の場合の画素値を２５５として、各画素に対応する領域がどの程度建物で覆われているかを示しうる。このようにして、建物占有率のデータ２２４も、地図画像データと同サイズの画像形式のデータとして出力されうる。なお、このデータも形式はこれに限られず、他の形式のデータとして建物占有率のデータ２２４が用意されてもよい。なお、環境情報として生成されるデータは、送信点の高さを基準とした建物の高さのデータ２２２、受信点の高さを基準とした建物の高さのデータ２２３、及び、建物占有率のデータ２２４に限られず、他のデータが生成されてもよい。また、送信点の高さを基準とした建物の高さのデータ２２２、受信点の高さを基準とした建物の高さのデータ２２３、及び、建物占有率のデータ２２４のうちの１つまたは２つのみが生成されてもよい。

【0017】

上述のようにして生成された各情報は、その後、機械学習２３１のために使用される。ここで、本実施形態では、レイトレーシング２１１によって生成されたレイ情報２１２を教師データ２１３として、環境情報生成２２１によって生成された各情報を入力データ２２５として、機械学習２３１が行われるようにする。ここで、機械学習は、例えば、Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ（ＬＳＴＭ）を用いたニューラルネットワークによって行われうる。ただし、これは一例であり、例えば、Ｇａｔｅｄ Ｒｅｃｕｒｒｅｎｔ Ｕｎｉｔ（ＧＲＵ）、グラフニューラルネットワーク、強化学習など、他の機械学習の手法が使用されてもよい。第１の学習フェーズでは、環境情報生成２２１において生成された様々なデータを学習モデルに入力して出力が取得される。そして、その出力が、教師データ２１３（対応する環境について算出されたレイ情報２１２）と比較され、その差が十分に小さくなるように学習が行われる。すなわち、標高・建物高データ２０１及び送受信点の位置情報２０２の様々な組み合わせを用いて、教師データ２１３と学習モデルの出力との差をフィードバックしながら学習モデルが更新される。そして、様々な入力に対して、この差が十分に小さい状態で収束したことに応じて第１の学習フェーズが完了し、その後、学習が終了した時点の学習モデルを学習済みモデルとして、伝搬パスの推定に使用することができるようになる。機械学習の構成については従来技術であるため、さらなる詳細についてはここでは説明しない。

【0018】

このように、本実施形態の第１の学習フェーズでは、レイトレーシングを用いて生成されたレイ情報を教師データとして使用して、地図画像データに対応する建物の高さや占有率の情報を入力とする伝搬パス推定のための機械学習が行われる。なお、上述の例では、環境情報生成２２１において生成されたデータをそのまま入力として用いて、機械学習を行う例について説明したが、これに限られない。例えば、図３に示すように、環境情報生成２２１において生成されたデータに対して、さらに、特徴量抽出３０１を実行してから、入力データとして使用するようにしてもよい。この特徴量抽出３０１は、畳み込みニューラルネットワークにおける、畳み込みによる画像の特徴量抽出と同様にして行われうる。このように特徴量抽出が行われることにより、環境情報生成２２１において生成されたデータのうちの特徴的な要素を用いて、より効率的に伝搬パスの推定用の学習済みモデルを生成することができるようになる。

【0019】

図４は、学習済みモデルが得られた後の伝搬パス推定を説明する図である。伝搬パス推定では、例えば、図２において学習フェーズにおいて用いられた情報とは異なる地理的範囲に対応する標高・建物高データ２０１及び送受信点の位置情報２０２の組み合わせを用いて、環境情報生成２２１が行われる。この環境情報生成２２１は、学習フェーズと同じ手順によって行われる。また、図３のように、学習フェーズにおいて特徴量抽出が行われた場合、学習済みモデルを用いた伝搬パス推定においても、入力データを生成するために、同様の特徴量抽出が行われる。その結果、学習フェーズにおける入力データと同様の形式のデータが生成される。そして、このデータが、入力データとして、学習済みモデル４０１に入力される。そして、その学習済みモデル４０１の出力が、伝搬パス推定値４０２となる。

【0020】

このように、本実施形態では、第１の学習フェーズにおいて、地図画像データに対応する送信点の高さを基準とした建物の高さのデータ２２２、受信点の高さを基準とした建物の高さのデータ２２３、及び、建物占有率のデータ２２４などの画像形式のデータに対して、伝搬パスの推定値を出力するように学習済みモデルが構成される。なお、伝搬パスの推定値は、例えば、反射・回折点の座標の系列の形式を有しうる。例えば、電波の送信点の座標が（ｘ０，ｙ０）であり、座標（ｘ１，ｙ１）の位置及び座標（ｘ２，ｙ２）の位置で反射して、座標（ｘ３，ｙ３）で表される電波の受信点まで到達した場合に、｛（ｘ０，ｙ０），（ｘ１，ｙ１），（ｘ２，ｙ２），（ｘ３，ｙ３）｝のような系列が伝搬パス推定値として出力されうる。また、反射面や回折エッジにＩＤを割り当てておき、そのＩＤを用いた系列が、伝搬パス推定値として出力されてもよい。例えば、｛ＩＤ１の面で反射、ＩＤ２のエッジで回折、・・・｝のような系列の情報が、伝搬パス推定値として出力されうる。また、反射や回折の有無によらず、伝搬パスを単位距離ごとに区切り、その区切りの位置の座標の系列によって、伝搬パス推定値が定められてもよい。例えば、図５のように、電波の送信点（ｘ１，ｙ１）から、電波の受信点（ｘｎ，ｙｎ）までの伝搬パスが単位距離ごとに区切られ、その区切られた位置の座標（ｘ２，ｙ２）、（ｘ３，ｙ３）、・・・を用いて、｛（ｘ１，ｙ１），（ｘ２，ｙ２），（ｘ３，ｙ３），・・・（ｘｎ，ｙｎ）｝のようにして、伝搬パスが表現されうる。また、区切りの位置における伝搬方向のベクトル［ｖ１］、［ｖ２］、［ｖ３］、・・・の系列が、伝搬パスを表すのに使用されてもよい。なお、これらの情報の系列は、長さが可変長の系列となりうる。可変長の系列を出力すべき場合には、機械学習がこのような可変長の出力に対応する学習モデルを取り扱うことができる手法を用いて行われる。本実施形態では、例えば、ＬＳＴＭやＧＲＵなどのリカレントニューラルネットワーク（ＲＮＮ）、グラフニューラルネットワーク（ＧＮＮ）、強化学習等を用いることにより、可変長の伝搬パスの情報を取り扱うことを可能としている。ただし、これは一例であり、伝搬パスの情報は固定長の情報として表現されてもよい。また、上述の形式と異なる形式で、伝搬パスの情報が出力されてもよい。

【0021】

なお、上述の第１の学習フェーズの例では、レイトレーシング２１１によるレイ情報を教師データとして用いたが、これに限られない。例えば、時空間特性を特定の受信点において実測し、その実測値を教師データとしてもよい。時空間特性は、例えば、角度プロファイルや遅延プロファイルである。時空間特性は、送信点から電波を複数回送信して、受信点において受信アンテナの指向性を変更しながらその電波を測定しうる。このときに、複数回の測定結果において同じ経路で到達したことが想定される測定データ群を１つのクラスタとして扱うクラスタリングが行われうる。そして、クラスタの角度情報や遅延情報を示す時空間特性が、教師データとして使用されてもよい。

【0022】

第１の学習フェーズによって、伝搬パスの推定値が得られると、その伝搬パスの推定値に基づいて、伝搬損失や時空間特性などの伝搬特性を推定するための第２の学習フェーズが実行される。第２の学習フェーズでは、例えば、図６に示すように、伝搬特性測定値６０１を教師データ６０２とし、第１の学習フェーズによって得られた学習済みモデルを用いて推定された伝搬パス推定値６１１を入力データ６１２として、機械学習６３１が行われる。なお、伝搬パスの推定値が可変長のデータである場合に、例えば、その可変長のデータから特徴量を抽出して固定長のデータを出力するためのＲＮＮ６１３などが用いられてもよい。なお、ＲＮＮ６１３は一例であり、可変長のデータから特徴量を抽出して固定長のデータに変換することが可能な他の手法が用いられてもよい。なお、伝搬パスの推定値が固定長のデータである場合や、機械学習６３１において可変長のデータを取り扱うことができる場合には、ＲＮＮ６１３は省略されてもよい。なお、伝搬特性の推定は、例えば、全結合ニューラルネットワーク（ＦＮＮ）を用いて行われる。機械学習６３１では、ニューラルネットワークに入力データ６１２が入力された結果の伝搬特性推定値が、教師データ６０２と比較され、その差が十分に小さくなるように学習が行われる。なお、入力データ６１２として用いられる伝搬パスの推定値６１１が得られる際に使用された地図画像データの受信点における実測の伝搬特性値が、教師データ６０２として使用される。そして、伝搬パスの推定値６１１が学習モデルに入力されて得られた出力と、教師データ６０２との差をフィードバックしながら、学習モデルが更新される。様々な伝搬パスの推定値６１１の入力に対して、この差が十分に小さい状態で収束したことに応じて第２の学習フェーズが完了し、その後、学習が終了した時点の学習モデルを学習済みモデルとして、伝搬特性の推定に使用することができるようになる。機械学習の構成については従来技術であるため、さらなる詳細についてはここでは説明しない。

【0023】

図７は、学習済みモデルが得られた後の伝搬特性の推定を説明する図である。伝搬特性の推定では、例えば、図６において学習フェーズにおいて用いられた情報とは異なる地理的範囲に対応して、図４のような構成を用いて得られた伝搬パス推定値６１１が、入力データ６１２として学習済みモデル７０１に入力される。なお、第２の学習フェーズにおいて、ＲＮＮ６１３などを用いて伝搬パス推定値６１１の可変長のデータを固定長のデータに変換した場合には、学習済みモデル７０１に入力する前に伝搬パス推定値６１１に対してその変換処理と同様の処理が実行されるようにしうる。すなわち、学習時と推定時とで同じ形式のデータが使用されるようにする。そして、学習済みモデル７０１の出力が、伝搬特性推定値７０２となる。

【0024】

（処理の流れ）
図８に、本実施形態における機械学習の処理の流れの例を示す。なお、各処理の具体的な内容については上述した通りであるため、ここでは、処理の流れを概説するにとどめる。

【0025】

本処理では、まず、標高・建物高データと送受信点の位置情報に基づいて、レイトレーシングを実行し（Ｓ８０１）、伝搬パスの推定に関する機械学習のための教師データを生成する。また、これと並行して、標高・建物高データと送受信点の位置情報に基づいて、伝搬パス推定の際の入力データとしても使用する、機械学習用の入力データを生成する（Ｓ８０２）。そして、Ｓ８０１において生成した教師データと、Ｓ８０２において生成した入力データとを用いて機械学習を実行する（Ｓ８０３）。この手順を、複数の地理的範囲に関する情報を用いて繰り返し実行することによって、伝搬パス推定のための第１の学習済みモデルが取得される。この時点で、Ｓ８０２において生成された入力データと同様の形式のデータが第１の学習済みモデルに入力されることにより、その入力データの生成の際に指定された送信点から受信点までの電波の伝搬パスが推定されるようになる。ここまでの処理が、上述の第１の学習フェーズに対応する。

【0026】

その後、第１の学習済みモデルに対して、例えば、Ｓ８０２において生成された入力データが入力されて、伝搬パスの推定値が取得される（Ｓ８０４）。取得された伝搬パスの推定値は、伝搬特性の推定のための機械学習における入力データとして扱われる。また、Ｓ８０２において入力データが生成された際に使用した標高・建物高データに対応する地理的範囲において、送信点から送出した電波を受信点で測定した結果である伝搬特性の実測値が、教師データとして実行される。このようにして、伝搬パスの推定値を入力とすると共に、その伝搬パスが得られる環境における実測の伝搬特性の値を教師データとして、機械学習が行われる（Ｓ８０５）。この手順を、複数の伝搬パスの推定値及び対応する教師データを用いて繰り返し実行することにより、伝搬特性の推定のための第２の学習済みモデルが取得される。Ｓ８０４及びＳ８０５の処理が、上述の第２の学習フェーズに対応する。

【0027】

図９に、第１の学習済みモデル及び第２の学習済みモデルが取得された後に行われる、標高・建物高データと送受信点の位置情報に基づいて、伝搬特性を推定する処理の流れの例を示す。本処理では、標高・建物高データと送受信点の位置情報に基づいて、入力データが生成される（Ｓ９０１）。この処理は、Ｓ８０２の処理に対応する。ただし、ここでは機械学習が完了しているため、教師データが不要である。このため、レイトレーシングは行われない。そして、例えば、レイトレーシングや伝搬特性の測定が行われていない地理的範囲の地図画像データから、送信点を基準とした建物高データ、受信点を基準とした建物高データ、建物占有率データのうち、機械学習に使用された種類のデータが生成される。そして、Ｓ９０１で生成したデータが、第１の学習済みモデルに入力される（Ｓ９０２）。これにより、伝搬パスの推定値が取得される。その後、その伝搬パスの推定値が、第２の学習済みモデルに入力される（Ｓ９０３）。これにより、伝搬特性の推定値が取得される。

【0028】

このように、本実施形態では、第１の学習済みモデルと第２の学習済みモデルとをそれぞれ取得して、その第１の学習済みモデルと第２の学習済みモデルとを連結させて、１つのモデルが生成される。これにより、所定の地理的範囲に含まれる所定のサイズの複数の領域のそれぞれにおける建物の高さ又は建物の占有率を１つの画素として示す画像データから伝搬パスが推定され、その伝搬パスの推定値から伝搬特性が推定される。このように、本実施形態では、画像データから電波伝搬に関連する物理的に意味のある特徴が抽出され、その特徴を用いて伝搬特性が推定される。これにより、汎化性能の高いモデルを構築し、電波の伝搬特性を高精度に推定することが可能となる。よって、国連が主導する持続可能な開発目標（ＳＤＧｓ）の目標９「レジリエントなインフラを整備し、持続可能な産業化を推進するとともに、イノベーションの拡大を図る」に貢献することが可能となる。

【0029】

発明は上記の実施形態に制限されるものではなく、発明の要旨の範囲内で、種々の変形・変更が可能である。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】