(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】P2024148229
(43)【公開日】2024-10-18
(54)【発明の名称】通信制御装置および通信制御方法
(51)【国際特許分類】
H04W 72/0446 20230101AFI20241010BHJP
H04W 28/18 20090101ALI20241010BHJP
H04W 28/08 20230101ALI20241010BHJP
H04L 1/00 20060101ALI20241010BHJP
H04J 3/00 20060101ALI20241010BHJP
【ＦＩ】
H04W72/0446
H04W28/18
H04W28/08
H04L1/00 E
H04J3/00 A
【審査請求】有
【請求項の数】12
【出願形態】ＯＬ
(21)【出願番号】P 2023061177
(22)【出願日】2023-04-05
(11)【特許番号】
(45)【特許公報発行日】2023-05-17
(71)【出願人】
【識別番号】397036309
【氏名又は名称】株式会社インターネットイニシアティブ
(74)【代理人】
【識別番号】100118902
【弁理士】
【氏名又は名称】山本 修
(74)【代理人】
【識別番号】100106208
【弁理士】
【氏名又は名称】宮前 徹
(74)【代理人】
【識別番号】100196508
【弁理士】
【氏名又は名称】松尾 淳一
(74)【代理人】
【識別番号】100195408
【弁理士】
【氏名又は名称】武藤 陽子
(72)【発明者】
【氏名】柿島 純
【テーマコード（参考）】
5K014
5K028
5K067
【Ｆターム（参考）】
5K014FA11
5K028BB04
5K028CC05
5K028LL00
5K067AA12
5K067DD23
5K067EE02
5K067EE10
5K067EE16
5K067EE71
5K067GG03
(57)【要約】
【課題】通信端末に対して無線リソースをより効率よく割り当てることを目的とする。
【解決手段】
複数の通信端末２に対して無線リソースの割り当て単位であるリソースブロックを割り当てる通信制御装置１であって、各々が任意時刻で発信信号を発信する複数の通信端末２に関する情報を収集するように構成された収集部１０と、複数の通信端末２の各々が発信信号を発信した任意時刻に関する情報を未知の入力として学習済みの機械学習モデルに与え、学習済みの機械学習モデルの演算を行って、複数の通信端末２の各々に割り当てるリソースブロックを決定するように構成された決定部１１１と、複数の通信端末２の各々に、決定されたリソースブロックに関する情報を通知するように構成された通知部１３とを備える。
【選択図】図１
【解決手段】
複数の通信端末２に対して無線リソースの割り当て単位であるリソースブロックを割り当てる通信制御装置１であって、各々が任意時刻で発信信号を発信する複数の通信端末２に関する情報を収集するように構成された収集部１０と、複数の通信端末２の各々が発信信号を発信した任意時刻に関する情報を未知の入力として学習済みの機械学習モデルに与え、学習済みの機械学習モデルの演算を行って、複数の通信端末２の各々に割り当てるリソースブロックを決定するように構成された決定部１１１と、複数の通信端末２の各々に、決定されたリソースブロックに関する情報を通知するように構成された通知部１３とを備える。
【選択図】図１
【特許請求の範囲】
【請求項1】
複数の通信端末に対して無線リソースの割り当て単位であるリソースブロックを割り当てる通信制御装置であって、
各々が任意時刻で発信信号を発信する前記複数の通信端末に関する情報を収集するように構成された収集部と、
前記複数の通信端末の各々が前記発信信号を発信した前記任意時刻に関する情報を未知の入力として学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定するように構成された決定部と、
前記複数の通信端末の各々に、決定された前記リソースブロックに関する情報を通知するように構成された通知部と
を備える通信制御装置。
各々が任意時刻で発信信号を発信する前記複数の通信端末に関する情報を収集するように構成された収集部と、
前記複数の通信端末の各々が前記発信信号を発信した前記任意時刻に関する情報を未知の入力として学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定するように構成された決定部と、
前記複数の通信端末の各々に、決定された前記リソースブロックに関する情報を通知するように構成された通知部と
を備える通信制御装置。
【請求項2】
請求項１に記載の通信制御装置において、
前記決定部は、前記複数の通信端末の各々にランダムに複数のリソースブロックの各々が割り当てられた場合に各リソースブロックで発信する通信端末の台数を、前記未知の入力として前記学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定する
ことを特徴とする通信制御装置。
前記決定部は、前記複数の通信端末の各々にランダムに複数のリソースブロックの各々が割り当てられた場合に各リソースブロックで発信する通信端末の台数を、前記未知の入力として前記学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定する
ことを特徴とする通信制御装置。
【請求項3】
請求項１または請求項２に記載の通信制御装置において、
さらに、各々が前記任意時刻で前記発信信号を発信する前記複数の通信端末について、複数のリソースブロックの各々で発信する通信端末の台数が、前記複数のリソースブロックの各々で均等な目標台数に一致するように、機械学習モデルを学習するように構成された学習部と、
前記学習部によって構築された、前記学習済みの機械学習モデルを記憶するように構成された記憶部と
を備え、
前記決定部は、前記記憶部から前記学習済みの機械学習モデルを読み出して、前記学習済みの機械学習モデルの演算を行う
ことを特徴とする通信制御装置。
さらに、各々が前記任意時刻で前記発信信号を発信する前記複数の通信端末について、複数のリソースブロックの各々で発信する通信端末の台数が、前記複数のリソースブロックの各々で均等な目標台数に一致するように、機械学習モデルを学習するように構成された学習部と、
前記学習部によって構築された、前記学習済みの機械学習モデルを記憶するように構成された記憶部と
を備え、
前記決定部は、前記記憶部から前記学習済みの機械学習モデルを読み出して、前記学習済みの機械学習モデルの演算を行う
ことを特徴とする通信制御装置。
【請求項4】
請求項３に記載の通信制御装置において、
前記機械学習モデルは、入力層、隠れ層、および出力層を有するニューラルネットワークであり、
前記出力層の出力ノードの数は、前記リソースブロックの総数に対応する
ことを特徴とする通信制御装置。
前記機械学習モデルは、入力層、隠れ層、および出力層を有するニューラルネットワークであり、
前記出力層の出力ノードの数は、前記リソースブロックの総数に対応する
ことを特徴とする通信制御装置。
【請求項5】
請求項４に記載の通信制御装置において、
前記学習部は、前記リソースブロックの総数を変更して、ネットワーク構造を調整した前記ニューラルネットワークのパラメータの学習をさらに行い、
前記決定部は、前記学習部が前記ネットワーク構造を調整して学習を行った結果に基づいて、最適な前記リソースブロックの総数を決定し、決定された前記リソースブロックの総数に対応するネットワーク構造を有する学習済みのニューラルネットワークの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定する
ことを特徴とする通信制御装置。
前記学習部は、前記リソースブロックの総数を変更して、ネットワーク構造を調整した前記ニューラルネットワークのパラメータの学習をさらに行い、
前記決定部は、前記学習部が前記ネットワーク構造を調整して学習を行った結果に基づいて、最適な前記リソースブロックの総数を決定し、決定された前記リソースブロックの総数に対応するネットワーク構造を有する学習済みのニューラルネットワークの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定する
ことを特徴とする通信制御装置。
【請求項6】
請求項５に記載の通信制御装置において、
前記収集部は、所定の通信規格のコアネットワークに含まれる、加入者情報を管理する統合データリポジトリから前記複数の通信端末に関する情報を収集する
ことを特徴とする通信制御装置。
前記収集部は、所定の通信規格のコアネットワークに含まれる、加入者情報を管理する統合データリポジトリから前記複数の通信端末に関する情報を収集する
ことを特徴とする通信制御装置。
【請求項7】
請求項６に記載の通信制御装置において、
前記収集部は、所定の通信規格のコアネットワークに含まれる、ユーザープレーン機能またはパケットデータ・ネットワーク・ゲートウェイから前記複数の通信端末に関する情報を収集する
ことを特徴とする通信制御装置。
前記収集部は、所定の通信規格のコアネットワークに含まれる、ユーザープレーン機能またはパケットデータ・ネットワーク・ゲートウェイから前記複数の通信端末に関する情報を収集する
ことを特徴とする通信制御装置。
【請求項8】
請求項７に記載の通信制御装置において、
前記通知部は、前記所定の通信規格の前記コアネットワークに含まれる、ショートメッセージサービスセンターを介して、前記複数の通信端末の各々に、決定された前記リソースブロックに関する情報を通知する
ことを特徴とする通信制御装置。
前記通知部は、前記所定の通信規格の前記コアネットワークに含まれる、ショートメッセージサービスセンターを介して、前記複数の通信端末の各々に、決定された前記リソースブロックに関する情報を通知する
ことを特徴とする通信制御装置。
【請求項9】
請求項８に記載の通信制御装置において、
前記リソースブロックは、時分割多重接続におけるタイムスロットであり、
前記タイムスロットの各々では、前記目標台数の前記複数の通信端末が発信可能である
ことを特徴とする通信制御装置。
前記リソースブロックは、時分割多重接続におけるタイムスロットであり、
前記タイムスロットの各々では、前記目標台数の前記複数の通信端末が発信可能である
ことを特徴とする通信制御装置。
【請求項10】
複数の通信端末に対して無線リソースの割り当て単位であるリソースブロックを割り当てる通信制御方法であって、
各々が任意時刻で発信信号を発信する前記複数の通信端末に関する情報を収集する第１ステップと、
前記複数の通信端末の各々が前記発信信号を発信した前記任意時刻に関する情報を未知の入力として学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定する第２ステップと、
前記複数の通信端末の各々に、決定された前記リソースブロックに関する情報を通知する第３ステップと
を備える通信制御方法。
各々が任意時刻で発信信号を発信する前記複数の通信端末に関する情報を収集する第１ステップと、
前記複数の通信端末の各々が前記発信信号を発信した前記任意時刻に関する情報を未知の入力として学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定する第２ステップと、
前記複数の通信端末の各々に、決定された前記リソースブロックに関する情報を通知する第３ステップと
を備える通信制御方法。
【請求項11】
請求項１０に記載の通信制御方法において、
前記第２ステップは、前記複数の通信端末の各々にランダムに複数のリソースブロックの各々が割り当てられた場合に各リソースブロックで発信する通信端末の台数を、前記未知の入力として前記学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定する
ことを特徴とする通信制御方法。
前記第２ステップは、前記複数の通信端末の各々にランダムに複数のリソースブロックの各々が割り当てられた場合に各リソースブロックで発信する通信端末の台数を、前記未知の入力として前記学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定する
ことを特徴とする通信制御方法。
【請求項12】
請求項１０または請求項１１に記載の通信制御方法において、
さらに、各々が前記任意時刻で前記発信信号を発信する前記複数の通信端末について、複数のリソースブロックの各々で発信する通信端末の台数が、前記複数のリソースブロックの各々で均等な目標台数に一致するように、機械学習モデルを学習する第４ステップと、
前記第４ステップで構築された、前記学習済みの機械学習モデルを記憶部に記憶する第５ステップと
を備え、
前記第２ステップは、前記記憶部から前記学習済みの機械学習モデルを読み出して、前記学習済みの機械学習モデルの演算を行う
ことを特徴とする通信制御方法。
さらに、各々が前記任意時刻で前記発信信号を発信する前記複数の通信端末について、複数のリソースブロックの各々で発信する通信端末の台数が、前記複数のリソースブロックの各々で均等な目標台数に一致するように、機械学習モデルを学習する第４ステップと、
前記第４ステップで構築された、前記学習済みの機械学習モデルを記憶部に記憶する第５ステップと
を備え、
前記第２ステップは、前記記憶部から前記学習済みの機械学習モデルを読み出して、前記学習済みの機械学習モデルの演算を行う
ことを特徴とする通信制御方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、通信制御装置および通信制御方法に関し、特に、通信端末に対して無線リソースの割り当てを行う通信制御技術に関する。
【背景技術】
【0002】
通信端末が通信を開始する際やデータの送受信を開始する際において、通信端末に対する無線リソースの割り当てをランダムに行う技術が知られている（特許文献１）。限られた無線リソースを効率的に使用するためには、一定のタイミング衝突を前提としつつ、通信端末が任意のタイミングで送信を試みる仕組みが採用されている。このような仕組みによりランダムに発信タイミングが決定される場合には、無線リソースが割り当てられず呼損となった通信端末については、リトライにより救済される。
【0003】
通信端末が通信を開始するタイミングにはばらつきがあるため、従来の技術によりランダムに発信タイミングが決定される仕組みでは、無線リソースが割り当てられず呼損となる通信端末の数にもばらつきが生ずる。無線リソースを増加させることは、基地局やコアネットワークにおける設備容量に関係する。そのため、無線リソースの増加により通信を開始しようとする全ての通信端末をコアネットワーク側で受け付け可能とするにはコストが膨大となる。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特表２０１８－５３８７４１号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
このように、従来の技術では、通信端末の発信タイミングをランダムに決定するため、呼損となる通信端末の数にはばらつきがあり、通信端末に対して無線リソースを効率よく割り当てることが困難であった。
【0006】
本発明は、上述した課題を解決するためになされたものであり、通信端末に対して無線リソースをより効率よく割り当てることを目的とする。
【課題を解決するための手段】
【0007】
上述した課題を解決するために、本発明に係る通信制御装置は、複数の通信端末に対して無線リソースの割り当て単位であるリソースブロックを割り当てる通信制御装置であって、各々が任意時刻で発信信号を発信する前記複数の通信端末に関する情報を収集するように構成された収集部と、前記複数の通信端末の各々が前記発信信号を発信した前記任意時刻に関する情報を未知の入力として学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定するように構成された決定部と、前記複数の通信端末の各々に、決定された前記リソースブロックに関する情報を通知するように構成された通知部とを備える。
【0008】
また、本発明に係る通信制御装置において、前記決定部は、前記複数の通信端末の各々にランダムに複数のリソースブロックの各々が割り当てられた場合に各リソースブロックで発信する通信端末の台数を、前記未知の入力として前記学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定してもよい。
【0009】
また、本発明に係る通信制御装置において、さらに、各々が前記任意時刻で前記発信信号を発信する前記複数の通信端末について、複数のリソースブロックの各々で発信する通信端末の台数が、前記複数のリソースブロックの各々で均等な目標台数に一致するように、機械学習モデルを学習するように構成された学習部と、前記学習部によって構築された、前記学習済みの機械学習モデルを記憶するように構成された記憶部とを備え、前記決定部は、前記記憶部から前記学習済みの機械学習モデルを読み出して、前記学習済みの機械学習モデルの演算を行ってもよい。
【0010】
また、本発明に係る通信制御装置において、前記機械学習モデルは、入力層、隠れ層、および出力層を有するニューラルネットワークであり、前記出力層の出力ノードの数は、前記リソースブロックの総数に対応してもよい。
【0011】
また、本発明に係る通信制御装置において、前記学習部は、前記リソースブロックの総数を変更して、ネットワーク構造を調整した前記ニューラルネットワークのパラメータの学習をさらに行い、前記決定部は、前記学習部が前記ネットワーク構造を調整して学習を行った結果に基づいて、最適な前記リソースブロックの総数を決定し、決定された前記リソースブロックの総数に対応するネットワーク構造を有する学習済みのニューラルネットワークの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定してもよい。
【0012】
また、本発明に係る通信制御装置において、前記収集部は、所定の通信規格のコアネットワークに含まれる、加入者情報を管理する統合データリポジトリから前記複数の通信端末に関する情報を収集してもよい。
【0013】
また、本発明に係る通信制御装置において、前記収集部は、前記所定の通信規格の前記コアネットワークに含まれる、ユーザープレーン機能またはパケットデータ・ネットワーク・ゲートウェイから前記複数の通信端末に関する情報を収集してもよい。
【0014】
また、本発明に係る通信制御装置において、前記通知部は、所定の通信規格のコアネットワークに含まれる、ショートメッセージサービスセンターを介して、前記複数の通信端末の各々に、決定された前記リソースブロックに関する情報を通知してもよい。
【0015】
また、本発明に係る通信制御装置において、前記リソースブロックは、時分割多重接続におけるタイムスロットであり、前記タイムスロットの各々では、前記目標台数の前記複数の通信端末が発信可能であってもよい。
【0016】
上述した課題を解決するために、本発明に係る通信制御方法は、複数の通信端末に対して無線リソースの割り当て単位であるリソースブロックを割り当てる通信制御方法であって、各々が任意時刻で発信信号を発信する前記複数の通信端末に関する情報を収集する第１ステップと、前記複数の通信端末の各々が前記発信信号を発信した前記任意時刻に関する情報を未知の入力として学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定する第２ステップと、前記複数の通信端末の各々に、決定された前記リソースブロックに関する情報を通知する第３ステップとを備える。
【0017】
また、本発明に係る通信制御方法において、前記第２ステップは、前記複数の通信端末の各々にランダムに複数のリソースブロックの各々が割り当てられた場合に各リソースブロックで発信する通信端末の台数を、前記未知の入力として前記学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定してもよい。
【0018】
また、本発明に係る通信制御方法において、さらに、各々が前記任意時刻で前記発信信号を発信する前記複数の通信端末について、複数のリソースブロックの各々で発信する通信端末の台数が、前記複数のリソースブロックの各々で均等な目標台数に一致するように、機械学習モデルを学習する第４ステップと、前記第４ステップで構築された、前記学習済みの機械学習モデルを記憶部に記憶する第５ステップとを備え、前記第２ステップは、前記記憶部から前記学習済みの機械学習モデルを読み出して、前記学習済みの機械学習モデルの演算を行ってもよい。
【発明の効果】
【0019】
本発明によれば、複数の通信端末の各々が発信信号を発信した任意時刻に関する情報を未知の入力として学習済みの機械学習モデルに与え、学習済みの機械学習モデルの演算を行って、複数の通信端末の各々に割り当てるリソースブロックを決定する。そのため、通信端末に対して無線リソースをより効率よく割り当てることができる。
【図面の簡単な説明】
【0020】
【発明を実施するための形態】
【0021】
【0022】
［通信制御システムの構成］
まず、本発明の実施の形態に係る通信制御装置１を備える通信制御システムの概要について説明する。図１に示すように、通信制御システムは、通信制御装置１、複数の通信端末２ａ，２ｂ，・・・，２ｍ、基地局３、およびコアネットワーク４を備える。本実施の形態では、時分割多重接続（ＴＤＭＡ）のアップリンク方向において、一つの周波数に対して分割した時間であるタイムスロットを各通信端末２ａ，２ｂ，・・・，２ｍに割り当てる場合を例示して説明する。
まず、本発明の実施の形態に係る通信制御装置１を備える通信制御システムの概要について説明する。図１に示すように、通信制御システムは、通信制御装置１、複数の通信端末２ａ，２ｂ，・・・，２ｍ、基地局３、およびコアネットワーク４を備える。本実施の形態では、時分割多重接続（ＴＤＭＡ）のアップリンク方向において、一つの周波数に対して分割した時間であるタイムスロットを各通信端末２ａ，２ｂ，・・・，２ｍに割り当てる場合を例示して説明する。
【0023】
また、本実施の形態において、通信端末２ａ，２ｂ，・・・，２ｍが送信する発信信号は、Ｃ－Ｐｌａｎｅ（Ｃｏｎｔｒｏｌ Ｐｌａｎｅ）で処理される制御信号、およびＵ－Ｐｌａｎｅ（Ｕｓｅｒ Ｐｌａｎｅ）で処理されるデータ信号が含まれる。制御信号には、通信端末２ａ，２ｂ，・・・，２ｍが通信を開始するために、在圏する基地局３を介してコアネットワーク４に送信する位置登録信号が含まれる。また、データ信号には、通信端末２ａ，２ｂ，・・・，２ｍが送信するテキスト、音声、画像などのユーザーデータが含まれる。
【0024】
また、Ｃ－Ｐｌａｎｅで処理される位置登録信号に対して、Ｋ個のタイムスロットが設けられる。さらに、Ｕ－Ｐｌａｎｅで処理されるデータ信号に対して、Ｓ個のタイムスロットが設けられる。さらに、Ｋ個のタイムスロットの各々で受け付け可能な通信端末２ａ，２ｂ，・・・，２ｍの数はＮ台である。また、Ｓ個のタイムスロットの各々で受け付け可能な通信端末２ａ，２ｂ，・・・，２ｍの台数はＵ台である。また、タイムスロットの総数は、コアネットワーク４の設備容量の範囲内で設定される。
【0025】
通信端末２ａ，２ｂ，・・・，２ｍは、ＳＩＭを備えるスマートフォンなどの携帯通信端末、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ）、タブレット型コンピュータ、ラップトップ型コンピュータ（いわゆる、ノートパソコン）により実現される。また、通信端末２ａ，２ｂ，・・・，２ｍは、固有のＩＰアドレスを持ちインターネットに接続可能なＩｏＴデバイスによっても実現される。以下においては、Ｍ台の通信端末２ａ，２ｂ，・・・，２ｍの各々が、任意の時刻でＣ－Ｐｌａｎｅで処理される位置登録信号を一斉にコアネットワーク４に発信する場合を例に挙げて説明する。なお、以下において、通信端末２ａ，２ｂ，・・・，２ｍを区別しない場合には、通信端末２と総称する場合がある。
【0026】
基地局３は、ＬＴＥ方式の無線通信に対応した無線基地局、および５Ｇ方式に対応した無線基地局で構成される。基地局３は、在圏する通信端末２ａ，２ｂ，・・・，２ｍとコアネットワーク４との間の通信を中継する。
【0027】
コアネットワーク４は、５ＧのＳＡ（Ｓｔａｎｄ Ａｌｏｎｅ）方式、およびＮＳＡ（Ｎｏｎ Ｓｔａｎｄ Ａｌｏｎｅ）方式のコアネットワークで構成される。コアネットワーク４は、通信端末２ａ，２ｂ，・・・，２ｍが基地局３を介して送信する位置登録信号やデータ信号などの発信信号を処理する。本実施の形態に係るコアネットワーク４は、３ＧＰＰ ＴＳ ２３．５０１， ４．３． Ｉｎｔｅｒｗｏｒｋｉｎｇ ｗｉｔｈ ＥＰＣで規定されている「Ｆｉｇｕｒｅ ４．３．１－１： Ｎｏｎ－ｒｏａｍｉｎｇ ａｒｃｈｉｔｅｃｔｕｒｅ ｆｏｒ ｉｎｔｅｒｗｏｒｋｉｎｇ ｂｅｔｗｅｅｎ ５ＧＳ ａｎｄ ＥＰＣ／Ｅ－ＵＴＲＡＮ」や「Ｆｉｇｕｒｅ ４．３．２－２： Ｈｏｍｅ－ｒｏｕｔｅｄ ｒｏａｍｉｎｇ ａｒｃｈｉｔｅｃｔｕｒｅ ｆｏｒ ｉｎｔｅｒｗｏｒｋｉｎｇ ｂｅｔｗｅｅｎ ５ＧＳ ａｎｄ ＥＰＣ／Ｅ－ＵＴＲＡＮ」などのアーキテクチャで構成される。なお、図１では、上記３ＧＰＰ ＴＳ ２３．５０１において規定されているアーキテクチャの構成の一部を省略している。
【0028】
図１に示すように、コアネットワーク４は、ＮＳＡ方式のアーキテクチャおよびＳＡ方式のアーキテクチャを構成する各装置がネットワークＬを介して接続されている。コアネットワーク４は、ＮＳＡ方式のアーキテクチャとして、ＭＭＥ（Ｍｏｂｉｌｉｔｙ Ｍａｎａｇｅｍｅｎｔ Ｅｎｔｉｔｙ）４００、ＤＥＡ（Ｄｉａｍｅｔｅｒ Ｅｄｇｅ Ａｇｅｎｔ）４０１、ＳＧＷ（Ｓｅｒｖｉｎｇ Ｇａｔｅｗａｙ）４０２、ＨＳＳ（Ｈｏｍｅ Ｌｏｃａｔｉｏｎ Ｓｕｂｓｃｒｉｂｅｒ Ｓｅｒｖｉｃｅ）４０３、ＰＧＷ－Ｕ（Ｐａｃｋｅｔ Ｄａｔａ Ｎｅｔｗｏｒｋ Ｇａｔｅｗａｙ）４０４、およびＳＭＳＣ（Ｓｈｏｒｔ Ｍｅｓｓａｇｅ Ｓｅｒｖｉｃｅ Ｃｅｎｔｅｒ）４０５を備える。
【0029】
ＭＭＥ４００は、制御信号を扱い、通信端末２の情報の管理や認証、基地局３とＳＧＷ４０２との間で制御信号のやり取りを行いデータ転送経路の管理を行う装置である。
【0030】
ＤＥＡ４０１は、Ｄｉａｍｅｔｅｒによる認証プロトコルに基づいた通信制御を行うためのネットワーク機能である。
【0031】
ＳＧＷ４０２は、ユーザのパケットデータを取り扱い、基地局間、システム間のデータ中継処理などを行うゲートウェイである。
【0032】
ＨＳＳ４０３は、通信事業者が加入者に発行したＳＩＭカードの情報を管理するデータベースである。
【0033】
ＰＧＷ－Ｕ４０４は、ユーザのパケットデータを取り扱い、各データにＩＰアドレスの割り当てや、ＳＧＷ４０２へのパケット転送などを行うＬＴＥ網と外部のインターネットＩとの接続ポイントとなるパケットデータ・ネットワーク・ゲートウェイである。本実施の形態では、ＰＧＷ－Ｕ４０４は、通信制御装置１との通信を行うインターフェース４０４ａを備える。ＰＧＷ－Ｕ４０４は、通信端末２によって任意の時刻に送信されたデータ信号の発信タイムスタンプ（ｍｓ単位）を保持している。
【0034】
ＳＭＳＣ４０５は、通信端末２から送信されたデータを保管するサーバとして機能するショートメッセージサービスセンターである。本実施の形態では、ＳＭＳＣ４０５は、通信制御装置１との通信を行うインターフェース４０５ａを備える。
【0035】
ＭＭＥ４００、ＤＥＡ４０１、ＨＳＳ４０３、およびＳＭＳＣ４０５はＣ－Ｐｌａｎｅの処理機能を提供する。また、ＳＧＷ４０２、およびＰＧＷ－Ｕ４０４は、Ｕ－Ｐｌａｎｅの処理機能を提供する。
【0036】
次に、コアネットワーク４を構成するＳＡ方式のアーキテクチャとして、図１に示すように、ＡＭＦ（Ａｃｃｅｓｓ ａｎｄ Ｍｏｂｉｌｉｔｙ Ｍａｎａｇｅｍｅｎｔ Ｆｕｎｃｔｉｏｎ）４０６、ＳＭＳＦ（Ｓｈｏｒｔ Ｍｅｓｓａｇｅ Ｓｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ）４０７、ＵＰＦ（Ｕｓｅｒ Ｐｌａｎｅ Ｆｕｎｃｔｉｏｎ）４０８、およびＵＤＭ（Ｕｎｉｆｉｅｄ Ｄａｔａ Ｍａｎａｇｅｍｅｎｔ）４０９を備える。さらに、コアネットワーク４は、ＵＤＲ（Ｕｎｉｆｉｅｄ Ｄａｔａ Ｒｅｐｏｓｉｔｏｒｙ）４１０を備える。
【0037】
ＡＭＦ４０６は、通信端末２の登録や無線接続などの移動管理を行う装置である。
【0038】
ＳＭＳＦ４０７は、ＮＡＳ（Ｎｏｎ－Ａｃｃｅｓｓ Ｓｔｒａｔｕｍ）を介してＡＭＦ４０６とのＳＭＳメッセージの送受信の処理を行う。
【0039】
ＵＰＦ４０８は、外部のインターネットＩに接続し、ユーザーデータのパケット転送を行うユーザープレーン機能に係る装置である。本実施の形態では、ＵＰＦ４０８は、通信制御装置１との通信を行うインターフェース４０８ａを備える。ＵＰＦ４０８には、通信端末２によって任意の時刻に送信されたデータ信号の発信タイムスタンプ（ｍｓ単位）が保持されている。
【0040】
ＵＤＭ４０９は、通信事業者が加入者に発行したＳＩＭカードの情報を管理するデータベースであり、ＮＳＡ方式の構成として説明したＨＳＳ４０３に対応する。
【0041】
ＵＤＲ４１０は、通信端末２の加入者情報や在圏情報など、アプリケーションやシステムの設定情報を管理記録する統合データリポジトリである。ＵＤＲ４１０は、通信制御装置１との通信を行うインターフェース４１０ａを備える。ＵＤＲ４１０には、ＨＳＳ４０３およびＵＤＭ４０９において管理および記録されている通信端末２が任意の時刻に送信した位置登録信号の発信タイムスタンプ（ｍｓ単位）が記憶されている。
【0042】
ＡＭＦ４０６、ＳＭＳＦ４０７、およびＵＤＭ４０９は、Ｃ－Ｐｌａｎｅの処理機能を提供し、ＵＰＦ４０８は、Ｕ－Ｐｌａｎｅの処理機能を提供する。
【0043】
図２に示すように、タイムスロットの各々で受け付け可能な通信端末２の台数はＮ台であり、コアネットワーク４全体で受け付け可能な通信端末２の台数は、ｎ台（Ｎ×タイムスロットの総数）である。通信端末２の台数ｍとコアネットワーク４全体で受け付け可能な台数ｎとの関係は、ｍ＞ｎとなる。したがって、ｍ台の通信端末２が一斉に発信信号を発信した場合には、ｍ－ｎ台の通信端末２において呼損となる。
【0044】
前述したように、従来例においては、ｍ台の通信端末２に対してランダムにタイムスロットを割り当てていたため、ｍ－ｎ台よりも多い台数の通信端末２において呼損が生ずる場合があった。これに対し、本実施の形態に係る通信制御装置１では、機械学習を利用して、各タイムスロットに均等にＮ台の通信端末２が割り当てられるタイムスロットの数を決定し、呼損となる通信端末２の数を抑える。
【0045】
［通信制御装置の機能ブロック］
通信制御装置１は、収集部１０、演算部１１、機械学習（ＭＬ）モデル記憶部１２、および通知部１３を備える。通信制御装置１は、複数の通信端末２に対して無線リソースの割り当て単位であるタイムスロット（リソースブロック）を割り当てる。
通信制御装置１は、収集部１０、演算部１１、機械学習（ＭＬ）モデル記憶部１２、および通知部１３を備える。通信制御装置１は、複数の通信端末２に対して無線リソースの割り当て単位であるタイムスロット（リソースブロック）を割り当てる。
【0046】
収集部１０は、各々が任意時刻で発信信号を発信する通信端末２ａ，２ｂ，・・・，２ｍに関する情報を収集する。より具体的には、収集部１０は、位置登録信号またはデータ信号を送信した通信端末２ａ，２ｂ，・・・，２ｍの識別情報、および位置登録信号またはデータ信号の発信日時である発信タイムスタンプ（ｍｓ単位）を収集する。
【0047】
収集部１０は、コアネットワーク４のＵＤＲ４１０から、通信端末２ａ，２ｂ，・・・，２ｍが送信した位置登録信号の発信タイムスタンプを収集する。また、収集部１０は、コアネットワーク４のＵＰＦ４０８およびＰＧＷ－Ｕ４０４から、通信端末２ａ，２ｂ，・・・，２ｍが送信したデータ信号の発信タイムスタンプを収集する。
【0048】
なお、収集部１０が収集する通信端末２ａ，２ｂ，・・・，２ｍの発信タイムスタンプには、通信端末２の各々に対してランダムに割り当てられるタイムスロットに関する情報が付されていてもよい。各通信端末２にランダムに割り当てられるタイムスロットに係る情報を、通信端末２の各々が発信信号を発信する任意時刻に関する情報として扱うことができる。また、本実施の形態に係る通信制御装置１は、例えば、従来の技術により、通信端末２に対してランダムにタイムスロットの割り当て情報が付された通信端末２に対して、新たにタイムスロットの割り当てを決定する構成とすることができる。
【0049】
演算部１１は、学習部１１０と決定部１１１とを備える。演算部１１は、タイムスロットの総数を決定し、Ｍ台の通信端末２の各々に割り当てるタイムスロットを決定する。
【0050】
学習部１１０は、各々が任意時刻で発信信号を発信する複数の通信端末２について、複数のタイムスロットの各々で発信する通信端末２の台数が、複数のタイムスロットの各々で均等な目標台数Ｎに一致するように、機械学習モデルを学習する。
【0051】
学習部１１０は、タイムスロットの総数を設定し、機械学習モデルの出力変数とすることができる。学習部１１０は、タイムスロットの総数の初期値Ｋｉとして、コアネットワーク４の設備容量を考慮したタイムスロットの数を採用することができる。学習部１１０は、タイムスロットの総数の初期値Ｋｉに応じた出力変数が設定された機械学習モデルのモデル構造で学習処理を行う。さらに、学習部１１０は、タイムスロットの総数を初期値ＫｉからＫｉ＋１、Ｋｉ＋２、・・・、Ｋｉ＋ｎに変更し、モデル構造を調整し、さらに学習処理を繰り返し行う。
【0052】
図４は、学習部１１０が学習を行う機械学習モデルの一例として採用する、ニューラルネットワーク構造を示す。ニューラルネットワークは、入力層ｘ、隠れ層ｈ、および出力層ｙを備える。図４の例では入力ノードおよび出力ノードの数は同数であり、これらは、タイムスロット＃１、＃２、・・・、＃Ｋｉに対応する。本実施の形態では、入力ノードおよび出力ノードの数がタイムスロットの総数Ｋｉに対応し、設定されたＫｉ個の入力ノードｘｋｉおよび出力ノードｙｋｉを有するニューラルネットワークモデルの学習を行う。
【0053】
学習部１１０は、各々が任意時刻で位置登録信号を発信し、各タイムスロットにランダムに割り当てられる通信端末２の台数をニューラルネットワークの入力層に与え、入力の重み付け総和に活性化関数を適用し、閾値処理により決定された出力を出力層に渡す。出力層の各出力ノードは、各タイムスロットに対応し、各出力ノードの値が、各タイムスロットで発信する通信端末２の台数Ｎとなる。
【0054】
隠れ層ｈのレイヤ数、およびニューラルネットワークのノード間の結合の疎密を含む機械学習モデルのサイズや要素は、十分な推論精度が得られる設計であれば限定されず、例えば、ノード間の結合として全結合あるいはスパース化した構造であってもよい。
【0055】
図４に示すように、入力層の各入力ノードおよび出力ノードは、上から順に、タイムスロット＃１からタイムスロット＃Ｋｉに対応する。また、各入力ノードには、Ｋｉ個のタイムスロットの各々にランダムに割り当てられた通信端末２の台数が入力値ｘとして与えられる。また、各入力ノードの入力値である、通信端末２の台数を構成する各通信端末２に関する情報には、通信端末２の識別子と発信日時とが関連付けられた情報が含まれる。また、各出力ノードからの出力値ｙは、固定値Ｎとされる。学習部１１０は、次の式（１）に示す目的関数Ｅを導入することで、Ｍ台の通信端末２からの発信信号があった場合に、Ｋｉ個のタイムスロットの各々で均等にＮ台の通信端末２が発信するように、ニューラルネットワークのパラメータを学習する。
【0056】
【数1】
【0057】
上式（１）において、ｙ１，ｙ２，・・・，ｙｋｉは各出力ノードの出力値、Ｎは正解ラベル、およびｋｉはデータの次元であり、本実施の形態では、設定されたタイムスロットの数を示す。上式（１）の目的関数Ｅの値は、機械学習モデルの上記入力値ｘ１，ｘ２，・・・，ｘｋｉである、Ｋｉ個のタイムスロットの各々にランダムに割り当てられた通信端末２の台数に対する出力値ｙ１，ｙ２，・・・，ｙｋｉが目標出力Ｎに一致する場合に０となる。学習部１１０は、目的関数Ｅが最小、つまり０となるように、ニューラルネットワークの重みパラメータを調整する。
【0058】
学習部１１０は、誤差逆伝搬法や確率的勾配降下法などを用いて、目的関数Ｅを勾配法で最適化することができる。さらに、学習部１１０は、入力ノードの数、つまり、タイムスロットの数ＫｉをＫｉ＋＋１に更新し、更新されたネットワーク構造において、目的関数Ｅが最小となるようにニューラルネットワークの重みパラメータを調整する。このように、学習部１１０は、タイムスロットの総数を調整しながら、学習処理を繰り返す。
【0059】
決定部１１１は、学習部１１０がニューラルネットワークのネットワーク構造を調整して学習を行った結果に基づいて、最適なタイムスロットの総数Ｋを決定する。例えば、決定部１１１は、タイムスロットの総数Ｋｉ，Ｋｉ＋１，・・・，Ｋｉ＋ｎにそれぞれ対応する入出力ノード数を有するニューラルネットワークのうち、学習結果が最適となったネットワーク構造の入出力ノード数、つまり、各出力ノードからの出力値が最も平準化するタイムスロットの総数を採用することができる。
【0060】
また、決定部１１１は、複数の通信端末２の各々が発信信号を発信した任意時刻に関する情報を未知の入力として学習済みの機械学習モデルに与え、学習済みの機械学習モデルの演算を行って、複数の通信端末２の各々に割り当てるタイムスロットを決定する。
【0061】
より具体的には、決定部１１１は、任意時刻で位置登録信号を発信するＭ台の通信端末２の各々にランダムに複数のタイムスロットの各々を割り当てた場合に各タイムスロットで受け付けられる通信端末２の台数を、未知の入力として学習済みの機械学習モデルに与え、学習済みの機械学習モデルの演算を行って、複数の通信端末２の各々に割り当てるタイムスロットを決定する。なお、図３の（ａ）で後述するように、通信端末２にランダムにタイムスロットを割り当てた場合に各タイムスロットで発信する通信端末２の台数においては、未知の偏りを有する。
【0062】
ここで、図３の（ａ）は、Ｍ台の通信端末２の各々に対してタイムスロットがランダムに割り当てられる従来例の場合に、タイムスロット＃１、＃５、＃８において呼損が生ずることを模式的に示している。図３において、各黒丸点の高さは、各タイムスロットが割り当てられた通信端末２の台数を示している。
【0063】
一方、図３の（ｂ）は、本実施の形態の通信制御装置１が備える演算部１１が、各タイムスロットでＮ台の通信端末２が発信できる最適なタイムスロットの総数Ｋを決定することで呼損の発生を抑制することを模式的に示している。このように、各タイムスロットに偏りをもった台数の通信端末２が割り当てられる場合であっても、本実施の形態の通信制御装置１により、それぞれのタイムスロットでの受付台数を平準化するため、無線リソースをより効率的に利用することが可能となる。
【0064】
図１に戻り、ＭＬモデル記憶部１２は、学習部１１０によって得られた、学習済みの機械学習モデルの学習済みのパラメータを記憶する。本実施の形態では、ＭＬモデル記憶部１２は、ニューラルネットワークの学習済み重み、および、入出力ノードの数、つまり決定されたタイムスロットの総数Ｋ、を記憶する。
【0065】
通知部１３は、演算部１１において決定された各通信端末２に割り当てるタイムスロットの識別子に基づいて、Ｍ台の通信端末２の各々に対して、発信タイミングを通知する。具体的には、通知部１３は、通信端末２の各々に対して、ＳＡ（Ｓｔａｎｄ Ａｌｏｎｅ）ＳＭＳ－ＭＴ（Ｓｈｏｒｔ Ｍｅｓｓａｇｅ Ｓｅｒｖｉｃｅ Ｍｏｂｉｌｅ Ｔｅｒｍｉｎａｔｅｄ）ルート、または、ＮＳＡ（Ｎｏｎ Ｓｔａｎｄ Ａｌｏｎｅ）ＳＭＳ－ＭＴルートによりタイムスロット番号を通知する。
【0066】
ＳＡ ＳＭＳ－ＭＴルートの場合には、通知部１３は、コアネットワーク４のＳＭＳＣ４０５のインターフェース４０５ａを介して、ＤＥＡ４０１、ＳＭＳＦ４０７、ＡＭＦ４０６を経由して、通信端末２に対して、タイムスロットの割り当て情報を通知する。ＮＳＡ ＳＭＳ－ＭＴルートの場合には、通知部１３は、ＳＭＳＣ４０５のインターフェース４０５ａを介して、ＤＥＡ４０１、ＭＭＥ４００を経由し、通信端末２に対するタイムスロットの割り当て情報を通知する。
【0067】
［通信制御装置のハードウェア構成］
次に、上述した機能を有する通信制御装置１を実現するハードウェア構成の一例について、図５を用いて説明する。
次に、上述した機能を有する通信制御装置１を実現するハードウェア構成の一例について、図５を用いて説明する。
【0068】
図５に示すように、通信制御装置１は、例えば、バス１０１を介して接続されるプロセッサ１０２、主記憶装置１０３、通信インターフェース１０４、補助記憶装置１０５、入出力Ｉ／Ｏ１０６を備えるコンピュータと、これらのハードウェア資源を制御するプログラムによって実現することができる。
【0069】
主記憶装置１０３には、プロセッサ１０２が各種制御や演算を行うためのプログラムが予め格納されている。プロセッサ１０２と主記憶装置１０３とによって、図１に示した収集部１０、演算部１１、通知部１３など通信制御装置１の各機能が実現される。
【0070】
通信インターフェース１０４は、通信制御装置１と各種外部電子機器との間をネットワーク接続するためのインターフェース回路である。
【0071】
補助記憶装置１０５は、読み書き可能な記憶媒体と、その記憶媒体に対してプログラムやデータなどの各種情報を読み書きするための駆動装置とで構成されている。補助記憶装置１０５には、記憶媒体としてハードディスクやフラッシュメモリなどの半導体メモリを使用することができる。
【0072】
補助記憶装置１０５は、通信制御装置１が実行する通信制御プログラムを格納するプログラム格納領域を有する。また、補助記憶装置１０５は、機械学習モデルの学習を行うための学習プログラムを格納する領域を有する。補助記憶装置１０５によって、図１で説明したＭＬモデル記憶部１２が実現される。さらには、例えば、上述したデータやプログラムなどをバックアップするためのバックアップ領域などを有していてもよい。
【0073】
入出力Ｉ／Ｏ１０６は、外部機器からの信号を入力したり、外部機器へ信号を出力したりする入出力装置である。
【0074】
［通信制御装置の動作］
次に、上述した構成を有する通信制御装置１の動作を、図６から図８のフローチャートを参照して説明する。図６は、通信制御装置１による学習処理およびタイムスロット数の決定処理を示すフローチャートである。図７は、学習済みの機械学習モデルの演算により、通信端末２に対してタイムスロットを割り当てる処理を示すフローチャートである。また、図８は、通信制御装置１による、再学習処理およびタイムスロット数の更新処理を示すフローチャートである。
次に、上述した構成を有する通信制御装置１の動作を、図６から図８のフローチャートを参照して説明する。図６は、通信制御装置１による学習処理およびタイムスロット数の決定処理を示すフローチャートである。図７は、学習済みの機械学習モデルの演算により、通信端末２に対してタイムスロットを割り当てる処理を示すフローチャートである。また、図８は、通信制御装置１による、再学習処理およびタイムスロット数の更新処理を示すフローチャートである。
【0075】
まず、図６に示すように、学習部１１０は、タイムスロットの総数の初期値Ｋｉを設定し、機械学習モデルを設定する（ステップＳ１）。具体的には、学習部１１０は、機械学習モデルとしてニューラルネットワークを採用し、入力層、隠れ層、および出力層の設定、並びに重みパラメータおよび閾値その他のパラメータの初期値を設定する。学習部１１０は、入力層のノード数および出力層のノード数を、タイムスロットの総数Ｋｉに対応させることができる。
【0076】
次に、学習部１１０は、任意の時刻に発信信号を送信するＭ台の通信端末２に対して、各タイムスロットで発信する通信端末２の台数が、各タイムスロット間で均等な目標台数Ｎに一致するように、機械学習モデルを学習する（ステップＳ２）。具体的には、学習部１１０は、上式（１）に基づいて、目的関数Ｅを最小とする重みパラメータを調整および更新を繰り返し、重みパラメータの値を決定する。
【0077】
また、学習部１１０は、ステップＳ２において、タイムスロットの総数を、初期値Ｋｉから、Ｋｉ＋１，Ｋｉ＋２，・・・，Ｋｉ＋ｎと変更していき、入力層および出力層のノード数を変更し、ネットワーク構造を調整したニューラルネットワークの重みパラメータの学習を繰り返し行う。
【0078】
その後、決定部１１１は、ステップＳ２での学習結果が最適となったニューラルネットワークモデルにより、タイムスロットの総数Ｋを決定する（ステップＳ３）。具体的には、決定部１１１は、ステップＳ２において、タイムスロットの総数を変更して学習を繰り返した結果、通信端末２の割り当て台数が最も平準化しているタイムスロットの総数Ｋを採用する。
【0079】
その後、ＭＬモデル記憶部１２は、ステップＳ２の学習処理により得られた学習済みの重みパラメータ、およびステップＳ３において決定されたタイムスロットの総数Ｋを記憶する（ステップＳ４）。以上のステップにより、タイムスロットの総数Ｋが決定される。
【0080】
次に、図７を参照して、学習済みのニューラルネットワークおよび決定されたタイムスロットの総数Ｋを用いて各通信端末２に対して割り当てるタイムスロットを決定する処理を説明する。まず、収集部１０は、各々が任意時刻で発信信号を発信するＭ台の通信端末２に関する情報を収集する（ステップＳ１０）。具体的には、収集部１０は、コアネットワーク４のＵＤＲ４１０のインターフェース４１０ａを介して、タイムスロットへの割り当ての対象となる通信端末２の識別子と、通信端末２が発信信号を発信した日時情報として、発信タイムスタンプとを収集する。本実施の形態では、通信端末２の発信タイムスタンプの情報に、ランダムに割り当てられるタイムスロットの識別子の情報が予め付されているものとする。
【0081】
次に、決定部１１１は、ＭＬモデル記憶部１２から、学習処理により決定されたタイムスロットの総数Ｋを取得する（ステップＳ１１）。続いて、決定部１１１は、ＭＬモデル記憶部１２から、学習済みのニューラルネットワークを読み出して、発信信号を発信した任意時刻に各々が関連付けられている複数の通信端末２の台数を未知の入力として学習済みのニューラルネットワークに与え、学習済みのニューラルネットワークの演算を行って、複数の通信端末２の各々に割り当てるタイムスロットを決定する（ステップＳ１２）。
【0082】
より具体的には、決定部１１１は、決定されたＫ個のタイムスロットの各々に対してランダムに割り当てられる通信端末２の台数を未知の入力として与え、学習済みのニューラルネットワークの演算を行って、各タイムスロットが割り当てられるＮ台の通信端末２を出力する。
【0083】
次に、通知部１３は、コアネットワーク４のＳＭＳＣ４０５のインターフェース４０５ａを介して、各通信端末２に対して発信タイミングを通知する（ステップＳ１２）。具体的には、通知部１３は、各通信端末２に対して割り当てるタイムスロット番号を通知することができる。以上の処理により、タイムスロットの通知処理は終了する。その後、各通信端末２は、割り当てられたタイムスロットにおいて発信を行う。
【0084】
図８は、学習部１１０による再学習処理および決定部１１１によるタイムスロットの総数の更新処理を示すフローチャートである。まず、収集部１０は、コアネットワーク４のＵＤＲ４１０から、新たな学習用データとして、通信端末２に関する情報を収集する（ステップＳ２０）。収集部１０は、通信端末２の識別子および発信信号の発信タイムスタンプを、ＵＤＲ４１０から収集する。なお、収集部１０がＵＤＲ４１０から収集する通信端末２の発信タイムスタンプには予めランダムに割り当てられたタイムスロットの識別子が付されている。
【0085】
次に、学習部１１０は、ステップＳ２０で収集された追加の学習用データを用いて、図６のステップＳ２における学習処理で得られた学習済みのニューラルネットワークの再学習を行う（ステップＳ２１）。学習部１１０は、ＭＬモデル記憶部１２から学習済みのニューラルネットワークを読み出し、上式（１）の目的関数Ｅを勾配法で最適化し、重みパラメータの調整を行うことができる。
【0086】
また、学習部１１０は、ステップＳ２１において、タイムスロットの総数Ｋを更に変更し、ニューラルネットワークをさらに学習することができる。次に、決定部１１１は、ステップＳ２１における再学習処理により学習結果が最適なタイムスロットの総数Ｋ’を採用し、タイムスロットの総数Ｋを更新する（ステップＳ２２）。
【0087】
続いて、ＭＬモデル記憶部１２は、再学習により更新された重みパラメータおよび更新されたタイムスロットの総数Ｋ’を記憶する（ステップＳ２３）。以上の処理により演算部１１は、再学習処理およびタイムスロット数の更新処理を終了する。その後の処理は、図６に示す、通知部１３による通信端末２への発信タイミングの通知処理と同様である。
【0088】
なお、上述の実施の形態の説明では、通信端末２が発信する発信信号は、Ｃ－Ｐｌａｎｅで処理される位置登録信号である場合について説明した。しかし、前述したようにＵ－Ｐｌａｎｅで処理されるデータ信号を通信端末２が送信する場合であっても同様に、通信端末２に対してタイムスロットを割り当てることができる。この場合、Ｃ－ＰｌａｎｅとＵ－Ｐｌａｎｅとでは、別個の機械学習モデルをそれぞれ学習し、タイムスロットの総数Ｋ、Ｕをそれぞれ決定することができる。
【0089】
以下、通信端末２がＵ－Ｐｌａｎｅで処理されるデータ信号を発信する場合には、収集部１０は、コアネットワーク４のＵＰＦ４０８のインターフェース４０８ａおよびＰＧＷ－Ｕ４０４のインターフェース４０４ａを介して、通信端末２が発信したデータ信号の発信日時である発信タイムスタンプ（ｍｓ単位）を収集する。また、学習処理を経て、通信端末２に割り当てるタイムスロットを通知する場合には、通知部１３は、コアネットワーク４のＳＭＳＣ４０５のインターフェース４０５ａを介して、ＳＡ ＳＭＳ－ＭＴルートまたはＮＳＡ ＳＭＳ－ＭＴルートで、通信端末２に発信タイミングを通知する。
【0090】
さらに、図８で説明した再学習処理およびタイムスロットの数の更新処理においては、収集部１０は、追加の学習用データとして、コアネットワーク４のＵＰＦ４０８のインターフェース４０８ａおよびＰＧＷ－Ｕ４０４のインターフェース４０４ａを介して、追加の学習用データとして、通信端末２が送信したデータ信号の発信日時である発信タイムスタンプを収集することができる。
【0091】
以上説明したように、通信端末２が発信する信号がＵ－Ｐｌａｎｅで処理されるデータ信号の場合においても、各タイムスロット間で均等な台数Ｕが割り当てられる最適なタイムスロットの総数Ｓを決定して、呼損の発生を抑制することができる。
【0092】
なお、上述した実施の形態では、学習部１１０が、ニューラルネットワークを機械学習モデルとして用いて学習処理を行う場合について説明した。しかし、機械学習モデルは、上述したニューラルネットワークモデルの他、ロジスティック回帰、ランダムフォレスト、決定木等、さらにニューラルネットワークを多層化したディープラーニングを用いてもよい。また、これらの教師あり学習の他、教師なし学習を行う機械学習モデルとして、敵対的生成ネットワークや変分オードエンコーダ等の生成モデルを用いてもよい。
【0093】
例えば、それぞれが任意の時刻に発信するＭ台の通信端末２を入力として、各タイムスロットで均等な台数Ｎの通信端末２が割り当てられるタイムスロットの総数Ｋとの関係を学習するディープラーニングを用いることができる。この場合のディープラーニングは、Ｍ台の通信端末２の各々の発信日時に、各タイムスロットにＮ台の通信端末２が割り当てられる場合のタイムスロット番号が正解ラベルとして付された教師データを用いて学習を行うことができる。
【0094】
また、説明した実施の形態では、学習処理を行う学習部１１０、および学習済みの機械学習モデルに基づいて、通信端末２に割り当てるタイムスロットを決定する決定部１１１の両方が通信制御装置１に搭載される場合について説明した。しかし、学習部１１０および決定部１１１は同一のハードウェア構成として設けられている場合の他、複数のサーバ等によっても学習処理と通信制御処理とをネットワークＮＷ上の別のサーバ等により分散することもできる。
【0095】
また、説明した実施の形態では、多重化アクセス方式のうち、時分割多重接続における時間軸のタイムスロットへの通信端末２の割り当てを行う場合を例に挙げて説明した。しかし、通信制御装置１が、通信端末２に対して割り当てる無線リソースは、周波数分割多重化（Ｆｒｅｑｕｅｎｃｙ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅｘｉｎｇ：ＦＤＭ）におけるＫ個の周波数ｆ１，ｆ２，・・・，ｆＫであってもよい。この場合、通信制御装置１は、各周波数ｆ１，ｆ２，・・・，ｆＫのチャネルにおいて均等な台数Ｎの通信端末２が割り当てられる、最適な周波数ｆｋの数を決定する。
【0096】
さらに、通信制御装置１は、別の多重化アクセス方式として、例えば、送信アンテナ数ＮＴｘ×受信アンテナ数ＭＲｘからなるＭＩＭＯ（Ｍｕｌｔｉ Ｉｎｐｕｔ Ｍｕｌｔｉ Ｏｕｔｐｕｔ）システムの、時間・周波数空間におけるＭＩＭＯ軸の各チャネルにおいて均等な台数Ｎの通信端末２が割り当てられる、最適なチャネル数を決定することができる。
【0097】
以上説明したように、本実施の形態に係る通信制御装置１によれば、発信信号を発信した任意時刻に各々が関連付けられている複数の通信端末の台数を未知の入力として学習済みの機械学習モデルに与え、学習済みの機械学習モデルの演算を行って、複数の通信端末の各々に割り当てるリソースブロックを決定する。したがって、通信端末２に対して無線リソースをより効率よく割り当てることができる。
【0098】
以上、本発明の通信制御装置および通信制御方法における実施の形態について説明したが、本発明は説明した実施の形態に限定されるものではなく、請求項に記載した発明の範囲において当業者が想定し得る各種の変形を行うことが可能である。
【符号の説明】
【0099】
１…通信制御装置、１０…収集部、１１…演算部、１１０…学習部、１１１…決定部、１２…ＭＬモデル記憶部、１３…通知部、２、２ａ、２ｂ、２ｍ…通信端末、３…基地局、４…コアネットワーク、４００…ＭＭＥ、４０１…ＤＥＡ、４０２…ＳＧＷ、４０３…ＨＳＳ、４０４…ＰＧＷ－Ｕ、４０４ａ、４０５ａ、４０８ａ、４１０ａ…インターフェース、４０５…ＳＭＳＣ、４０６…ＡＭＦ、４０７…ＳＭＳＦ、４０８…ＵＰＦ、４０９…ＵＤＭ、４１０…ＵＤＲ、１０１…バス、１０２…プロセッサ、１０３…主記憶装置、１０４…通信インターフェース、１０５…補助記憶装置、１０６…入出力Ｉ／Ｏ、ＮＷ、Ｌ…ネットワーク、Ｉ…インターネット。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
