知財求人 - 知財ポータルサイト「IP Force」
(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】P2024177715
(43)【公開日】2024-12-24
(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】
H04L 41/16 20220101AFI20241217BHJP
H04M 3/36 20060101ALI20241217BHJP
G06N 20/00 20190101ALI20241217BHJP
【ＦＩ】
H04L41/16
H04M3/36 B
G06N20/00
【審査請求】有
【請求項の数】5
【出願形態】ＯＬ
(21)【出願番号】P 2023096005
(22)【出願日】2023-06-12
(11)【特許番号】
(45)【特許公報発行日】2024-05-02
(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
(57)【要約】
【課題】通信端末で使用される合計データ通信量を推論し、無線リソースの有効活用につなげることを目的とする。
【解決手段】
通信制御装置１は、通信端末２で使用されたデータ通信量を予め設定された第１期間ごとに収集するように構成された収集部１０と、第１期間ごとに収集されたデータ通信量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、第１期間よりも長い期間である第２期間に通信端末２によって使用される合計データ通信量を出力するように構成された演算部１２と、演算部１２によって出力された合計データ通信量に関する情報を提示するように構成された提示部１５とを備える。
【選択図】図１
【解決手段】
通信制御装置１は、通信端末２で使用されたデータ通信量を予め設定された第１期間ごとに収集するように構成された収集部１０と、第１期間ごとに収集されたデータ通信量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、第１期間よりも長い期間である第２期間に通信端末２によって使用される合計データ通信量を出力するように構成された演算部１２と、演算部１２によって出力された合計データ通信量に関する情報を提示するように構成された提示部１５とを備える。
【選択図】図１
【特許請求の範囲】
【請求項1】
通信端末で使用されたデータ通信量を予め設定された第１期間ごとに収集するように構成された収集部と、
前記第１期間ごとに収集された前記データ通信量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、前記第１期間よりも長い期間である第２期間に前記通信端末によって使用される合計データ通信量を出力するように構成された演算部と、
前記演算部によって出力された前記合計データ通信量に関する情報を提示するように構成された提示部と
を備える通信制御装置。
前記第１期間ごとに収集された前記データ通信量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、前記第１期間よりも長い期間である第２期間に前記通信端末によって使用される合計データ通信量を出力するように構成された演算部と、
前記演算部によって出力された前記合計データ通信量に関する情報を提示するように構成された提示部と
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、
さらに、前記通信端末によって使用される前記データ通信量についての前記第１期間ごとの値と、前記第２期間において前記通信端末によって使用される前記合計データ通信量との関係を、機械学習モデルを用いて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、
前記演算部は、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、前記通信端末によって使用される前記データ通信量についての前記第１期間ごとの値と、前記第２期間において前記通信端末によって使用される前記合計データ通信量との関係を、機械学習モデルを用いて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、
前記演算部は、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3】
請求項２に記載の通信制御装置において、
さらに、前記演算部によって出力された前記合計データ通信量の値に基づいて、所定の通信規格のコアネットワークを介して、前記通信端末に対して設定されている通信速度を変更するように構成された通信制御部
を備える通信制御装置。
さらに、前記演算部によって出力された前記合計データ通信量の値に基づいて、所定の通信規格のコアネットワークを介して、前記通信端末に対して設定されている通信速度を変更するように構成された通信制御部
を備える通信制御装置。
【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る
ことを特徴とする通信制御装置。
【請求項5】
通信端末で使用されたデータ通信量を予め設定された第１期間ごとに収集する第１ステップと、
前記第１期間ごとに収集された前記データ通信量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、前記第１期間よりも長い期間である第２期間に前記通信端末によって使用される合計データ通信量を出力する第２ステップと、
前記第２ステップで出力された前記合計データ通信量に関する情報を提示する第３ステップと
を備える通信制御方法。
前記第１期間ごとに収集された前記データ通信量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、前記第１期間よりも長い期間である第２期間に前記通信端末によって使用される合計データ通信量を出力する第２ステップと、
前記第２ステップで出力された前記合計データ通信量に関する情報を提示する第３ステップと
を備える通信制御方法。
【請求項6】
請求項５に記載の通信制御方法において、
さらに、前記通信端末によって使用される前記データ通信量についての前記第１期間ごとの値と、前記第２期間において前記通信端末によって使用される前記合計データ通信量との関係を、機械学習モデルを用いて学習する第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、前記通信端末によって使用される前記データ通信量についての前記第１期間ごとの値と、前記第２期間において前記通信端末によって使用される前記合計データ通信量との関係を、機械学習モデルを用いて学習する第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。
【請求項7】
請求項６に記載の通信制御方法において、
さらに、前記第２ステップで出力された前記合計データ通信量の値に基づいて、所定の通信規格のコアネットワークを介して、前記通信端末に対して設定されている通信速度を変更する第６ステップ
を備える通信制御方法。
さらに、前記第２ステップで出力された前記合計データ通信量の値に基づいて、所定の通信規格のコアネットワークを介して、前記通信端末に対して設定されている通信速度を変更する第６ステップ
を備える通信制御方法。
【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する。
【背景技術】
【0002】
スマートフォンなどの通信端末によって使用可能な通信容量は、通信キャリアにより提供されるデータ通信プランに基づいて決定される。例えば、月単位で無制限、２０ＧＢ、１０ＧＢ、２ＧＢ等までのデータ通信量を高速通信で行うことができるデータ通信プランが提供されている。契約中のデータ通信プランの上限のデータ通信量を超過した場合には、通信キャリアは、その通信端末に対する通信制限を行い、例えば、通信速度を高速通信から低速通信に移行させる場合がある。
【0003】
通信サービスを利用するユーザの中には、契約しているデータ通信プランのデータ通信量の上限まで達するユーザが存在する一方で、上限まで使い切らないユーザも存在する。例えば、特許文献１は、複数の通信端末（子機）とモバイルルータ（親機）とを親子関係とし、この親子関係のもと、複数の子機と親機との上限速度の総和に基づいて、モバイルルータを介した通信において各々の通信端末のユーザが契約している料金プランに基づく通信速度を一時的に変更する技術を開示している。
【0004】
しかしながら、特許文献１に記載された技術では、一時的な通信速度の変更が可能だとしても、特に、データ通信量の上限まで使用しないユーザに対して高速通信に係る通信帯域を割り当てていることには変わりない。これは、通信キャリアによって確保される合計通信帯域は、一般に、契約者数すなわち通信端末の数に、高速通信時の通信速度を乗じて算出されることによる。そのため、全体の通信帯域はむだに広げられている状態ともいえ、通信キャリア全体としての通信帯域の有効活用はできていない。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】特開２０１４－１９２７５７号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
従来の技術では、通信端末で使用される合計データ通信量は推論されていなかった。そのため、従来の技術では、合計データ通信量の推論値に基づいた無線リソースの有効活用はなされていなかった。
【0007】
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、通信端末で使用される合計データ通信量を推論し、無線リソースの有効活用につなげることを目的とする。
【課題を解決するための手段】
【0008】
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、通信端末で使用されたデータ通信量を予め設定された第１期間ごとに収集するように構成された収集部と、前記第１期間ごとに収集された前記データ通信量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、前記第１期間よりも長い期間である第２期間に前記通信端末によって使用される合計データ通信量を出力するように構成された演算部と、前記演算部によって出力された前記合計データ通信量に関する情報を提示するように構成された提示部とを備える。
【0009】
また、本発明に係る通信制御装置において、さらに、前記通信端末によって使用される前記データ通信量についての前記第１期間ごとの値と、前記第２期間において前記通信端末によって使用される前記合計データ通信量との関係を、機械学習モデルを用いて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、前記演算部は、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してもよい。
【0010】
また、本発明に係る通信制御装置において、さらに、前記演算部によって出力された前記合計データ通信量の値に基づいて、所定の通信規格のコアネットワークを介して、前記通信端末に対して設定されている通信速度を変更するように構成された通信制御部を備えていてもよい。
【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ってもよい。
【0012】
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、通信端末で使用されたデータ通信量を予め設定された第１期間ごとに収集する第１ステップと、前記第１期間ごとに収集された前記データ通信量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、前記第１期間よりも長い期間である第２期間に前記通信端末によって使用される合計データ通信量を出力する第２ステップと、前記第２ステップで出力された前記合計データ通信量に関する情報を提示する第３ステップとを備える。
【0013】
また、本発明に係る通信制御方法において、さらに、前記通信端末によって使用される前記データ通信量についての前記第１期間ごとの値と、前記第２期間において前記通信端末によって使用される前記合計データ通信量との関係を、機械学習モデルを用いて学習する第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。
【0014】
また、本発明に係る通信制御方法において、さらに、前記第２ステップで出力された前記合計データ通信量の値に基づいて、所定の通信規格のコアネットワークを介して、前記通信端末に対して設定されている通信速度を変更する第６ステップを備えていてもよい。
【発明の効果】
【0015】
本発明によれば、第１期間ごとに収集されたデータ通信量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、第１期間よりも長い期間である第２期間に通信端末によって使用される合計データ通信量を出力する。このように、合計データ通信量が推論されるため、無線リソースの有効活用につながる。
【図面の簡単な説明】
【0016】
【発明を実施するための形態】
【0017】
【0018】
［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、２ｃ、基地局３、およびコアネットワーク４を備える。
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、２ｃ、基地局３、およびコアネットワーク４を備える。
【0019】
通信制御システムは、予め設定された周期、例えば、１日ごとに収集された、通信端末２ａ、２ｂ、２ｃの各々が使用したデータ通信量に基づいて、学習済みの機械学習モデルの演算により、例えば、１か月間での通信端末２ａ、２ｂ、２ｃの各々の合計データ通信量を推論する。さらに、推論した１か月間の合計データ通信量に基づいて、通信端末２ａ、２ｂ、２ｃの各々のデータ通信における通信速度を変更する。
【0020】
図１に示すように、通信端末２ａ、２ｂ、２ｃ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。
【0021】
本実施の形態では、通信端末２ａ、２ｂ、２ｃの各々のユーザは、同一の通信キャリアと契約しており、通信端末２ａ、２ｂ、２ｃは、それぞれ、ＳＩＭを識別する加入者識別番号であるＩＭＳＩ（Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｍｏｂｉｌｅ Ｓｕｂｓｃｒｉｂｅｒ Ｉｄｅｎｔｉｔｙ）により一意に識別される。また、各々のユーザは、通信キャリアが提供するデータ通信プランのいずれかに契約している。通信キャリアは、回線網や通信設備などのコアネットワーク４および基地局３などを有するモバイル通信事業者であり、ユーザに回線を貸与してデータ通信などの通信サービスを提供する。
【0022】
通信端末２ａ、２ｂ、２ｃの各々は、各ユーザが契約しているデータ通信プランに応じた月間の上限データ通信量の範囲で高速通信によるデータ通信を行うことができる。例えば、通信端末２ａは、月間２０ＧＢまでのデータ通信を利用できるデータ通信プランに契約しているものとする。また、例えば、通信端末２ｂ、２ｃは、月間のデータ通信量が無制限に利用できるデータ通信プランに契約している場合を例に挙げる。
【0023】
通信端末２ａは、月間のデータ通信量の上限２０ＧＢまでは、高速通信（例えば、通信速度２２０Ｍｂｐｓ）でデータ通信を行うことができ、上限２０ＧＢに達すると、次の日から月末までの通信速度が制限され、低速通信（例えば、通信速度１２８Ｋｂｐｓ）によるデータ通信に移行する。通信端末２ｂ、２ｃは、高速通信によりデータ通信量の上限なくデータ通信を行うことができる。
【0024】
通信端末２ａ、２ｂ、２ｃにおいて、月間のデータ通信量の上限に達しない場合には、原則として、高速通信による通信速度でデータ通信が行われる。本実施の形態において、通信キャリアが通信網全体として確保する通信帯域は、通信端末２の台数である全契約者数に高速通信時の通信速度（例えば、通信速度２２０Ｍｂｐｓ）を乗じた値で算出される。なお、以下において、通信端末２ａ、２ｂ、２ｃ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。
【0025】
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、２ｃとコアネットワーク４との間の通信を中継する。
【0026】
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、２ｃ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信号処理、通信プロトコルやセキュリティ機能の管理、通信速度など通信の品質や安全性を確保する機能を有する。
【0027】
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、図示されないネットワークを介して接続されている。図１に示す例では、コアネットワーク４は、ＮＳＡ方式のアーキテクチャとして、ＰＧＷ－Ｕ（Ｐａｃｋｅｔ Ｄａｔａ Ｎｅｔｗｏｒｋ Ｇａｔｅｗａｙ）４０を備え、他の装置については省略している。また、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、ＵＰＦ（Ｕｓｅｒ Ｐｌａｎｅ Ｆｕｎｃｔｉｏｎ）４１を備える。
【0028】
ＰＧＷ－Ｕ４０およびＵＰＦ４１は外部のインターネットに接続し、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処理を行う。
【0029】
また、ＰＧＷ－Ｕ４０は、３ＧＰＰ ＴＳ ２３．５０３に規定されている、「ＰＣＣ（Ｐｏｌｉｃｙ ａｎｄ Ｃｈａｒｇｉｎｇ Ｃｏｎｔｒｏｌ） Ｒｕｌｅｓ」に基づいて、ＩＭＳＩ単位で通信速度を変更する機能を有する。ＰＧＷ－Ｕ４０は、通信端末２のＩＭＳＩをキーにして、使用されたデータ通信量をカウントおよび保持する。本実施の形態では、ＰＧＷ－Ｕ４０は、通信制御装置１との通信を行うインターフェース４０ａを備える。
【0030】
ＵＰＦ４１は、ＰＧＷ－Ｕ４０と同様に、３ＧＰＰ ＴＳ ２３．５０３に規定されている「ＰＣＣ（Ｐｏｌｉｃｙ ａｎｄ Ｃｈａｒｇｉｎｇ Ｃｏｎｔｒｏｌ） Ｒｕｌｅｓ」に基づいて、ＩＭＳＩ単位で通信速度を変更する機能を有する。ＵＰＦ４１は、通信端末２のＩＭＳＩをキーにして、使用されたデータ通信量をカウントおよび保持する。本実施の形態では、ＵＰＦ４１は、通信制御装置１との通信を行うインターフェース４１ａを備える。
【0031】
［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、学習部１１、演算部１２、機械学習（ＭＬ）モデル記憶部１３、通信制御部１４、および提示部１５を備える。通信制御装置１は、通信端末２によって使用される合計データ通信量を推論し、推論された合計データ通信量に基づいて、通信端末２のデータ通信に係る通信速度を変更する。
通信制御装置１は、収集部１０、学習部１１、演算部１２、機械学習（ＭＬ）モデル記憶部１３、通信制御部１４、および提示部１５を備える。通信制御装置１は、通信端末２によって使用される合計データ通信量を推論し、推論された合計データ通信量に基づいて、通信端末２のデータ通信に係る通信速度を変更する。
【0032】
収集部１０は、通信端末２が使用したデータ通信量を、予め設定された第１期間ごとに収集する。第１期間の長さは、１か月、１日、１時間などの任意の収集周期に基づく期間を採用することができる。例えば、通信制御装置１が、１日間に通信端末２によって使用されるデータ通信量を推論する場合には、第１期間を１時間とし、１時間ごとに通信端末２によって使用されたデータ通信量を収集することができる。あるいは、月単位のデータ通信量を推論する場合には、第１期間を１日または１時間とし、１日ごとあるいは１時間ごとに通信端末２が使用したデータ通信量を収集することができる。
【0033】
本実施の形態では、一例として、収集部１０は、第１期間を１日とし、１日周期で通信端末２が使用したデータ通信量を収集する場合について説明する。収集部１０によって第１期間ごとに収集されるデータ通信量は、収集時点までに通信端末２が使用したデータ通信量の累積値である。したがって、収集開始から第ｋ（ｋ＝１，２，３，・・・）日目に収集されたデータ通信量の値とは、収集開始からｋ日目までに通信端末２が使用したデータ通信量の累積値である。
【0034】
収集部１０は、コアネットワーク４のＰＧＷ－Ｕ４０およびＵＰＦ４１から、通信端末２ａ、２ｂ、２ｃの各々のＩＭＳＩに関連付けられて記憶されている使用済みのデータ通信量の値を収集する。
【0035】
学習部１１は、通信端末２が使用するデータ通信量の第１期間（例えば、１日）ごとの値と、第１期間よりも長い期間である第２期間（例えば、１か月間）に通信端末２によって使用される合計データ通信量との関係を、機械学習モデルを用いて学習する。
【0036】
図２は、収集部１０によって第１期間（例えば、１日）ごとに収集される通信端末２の使用済みのデータ通信量を模式的に示した図である。図２の横軸は、通信端末２の使用済みデータ通信量の収集回数Ｘを示している。縦軸は、通信端末２によって使用されたデータ通信量の累積値Ｙを示している。各黒丸点は、１日ごとに収集されたデータ通信量の累積値を示している。なお、図２は、１台の通信端末２による使用済みデータ通信量を示している。
【0037】
学習部１１は、通信端末２が使用した第１期間（例えば、１日）ごとのデータ通信量の累積値と、当該通信端末２が実際に使用した第２期間（例えば、１か月間）での合計データ通信量Ｍとの関係を、機械学習モデルに学習させる。図２に示す曲線は、通信端末２が実際に使用したデータ通信量の累積値Ｙを示す教師データであり、学習部１１は次式（１）で表される教師データを用いて学習を行う。
Ｙ＝（Ｍ／Ｎ）×Ｘ ・・・（１）
Ｙ＝（Ｍ／Ｎ）×Ｘ ・・・（１）
【0038】
上式（１）において、Ｎは、合計データ通信量Ｍが使用された第２期間までのデータ通信量の収集回数を示し、例えば、１か月分の日ごとの収集回数では、Ｎ＝３０（回）を示す。学習部１１は、上式（１）で表される教師データを用いて、第１期間（例えば、１日）ごとに収集された通信端末２の使用済みのデータ通信量が、上式（１）で表されるデータ通信量の値となるように、機械学習モデルの学習パラメータを学習する。
【0039】
図４は、学習部１１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ｘｋおよび出力ノードｙｋの数は同数であり、これらは、収集部１０が収集したデータ通信量のデータ数に対応する。
【0040】
図２で説明したように、入力ノードｘ１には、第１日目に収集された通信端末２の使用済みのデータ通信量が入力される。同様に、入力ノードｘ２～ｘｋのそれぞれには、第２日目から第ｋ日目にそれぞれ収集された通信端末２の使用済みデータ通信量の値が入力される。ｋおよびＮは、ｋ≦Ｎの関係にある。つまり、１か月間の合計データ通信量を推論する場合には、３０回以下の収集回数分の日ごとのデータ通信量を入力データとして用いる。
【0041】
学習部１１は、通信端末２によって使用されたデータ通信量の１日ごとの累積値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。図４の例において、出力層の出力ノードは、入力ノードの数に対応する数のノードが設けられている。
【0042】
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。
【0043】
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、第１日目から第ｋ日目までの１日ごとに収集された通信端末２のデータ通信量に対応する。図２において説明したように、入力ノードｘ１には、第１日目に収集された通信端末２のデータ通信量が入力される。同様に、入力ノードｘ２～ｘｋのそれぞれには、第２日目から第ｋ日目に収集された通信端末２のデータ通信量の値が入力される。
【0044】
学習部１１は、次式（２）に示す目的関数Ｅを導入することで、通信端末２が使用するデータ通信量の第１期間（例えば、１日）ごとの値が、実際に第２期間（例えば、１か月間）に使用された合計データ通信量に基づく１日ごとのデータ通信量の正解ラベルの値となるように、ニューラルネットワークのパラメータを学習する。
【0045】
【数1】
【0046】
上式（２）において、ｙ１，ｙ２，・・・，ｙｋは各出力ノードの出力値、Ｚ１，Ｚ２，・・・，Ｚｋは正解ラベルを示す。Ｚｋは、上式（１）で表される。目的関数Ｅの値は、機械学習モデルの上記入力値ｘ１，ｘ２，・・・，ｘｋ、つまり、１日ごとに収集される通信端末２のデータ通信量の値に対する出力値ｙ１，ｙ２，・・・，ｙｋが、目標出力Ｚ１，Ｚ２，・・・，Ｚｋに一致する場合に０となる。学習部１１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。
【0047】
学習部１１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１１は、入力ノードの数ｋについても調整することができる。学習部１１は、第２期間の合計データ使用量を求めるのに最適な入力ノード数ｋを備え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。
【0048】
学習部１１は、全ての通信端末２ａ、２ｂ、２ｃに共通の機械学習モデルを学習する構成とすることができる。この場合、ｋ日分の通信端末２ａ、２ｂ、２ｃの各々のデータ通信量の入力に対して、通信端末２ａ、２ｂ、２ｃの各々が実際に使用した１か月間での合計データ通信量を正解ラベルとした教師データを用いて学習を行うことができる。このように、学習部１１は、多数のユーザのデータ通信量に係る学習データを用いて、ニューラルネットワークを学習することができる。
【0049】
その他にも、学習部１１は、通信端末２ごとに機械学習モデルのパラメータを学習する構成としてもよい。あるいは、学習部１１は、予めグループ化された複数の通信端末２ごとに、機械学習モデルのパラメータを学習する構成としてもよい。学習部１１によって構築された学習済みのパラメータは、後述のＭＬ記憶部１３に記憶される。
【0050】
図１に戻り、演算部１２は、予め設定された第１期間である１日ごとに収集されたデータ通信量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、第１期間よりも長い期間である第２期間に通信端末２によって使用される合計データ通信量を出力する。
【0051】
演算部１２は、ＭＬ記憶部１３から、学習済みのパラメータをロードし、収集部１０によって第１期間すなわち１日ごとに収集された、通信端末２で使用されたデータ通信量の入力データｘ１～ｘｋを未知の入力として与え、第２期間である１か月間に通信端末２で使用される合計データ通信量を推論する。図４の例を用いると、演算部１２は、学習済みのニューラルネットワークの演算により得られた、ｋ日分の日ごとの通信端末２のデータ通信量の入力データｘ１～ｘｋに対する出力データｙ１～ｙｋに基づいて、月単位の合計データ通信量を推論する。
【0052】
例えば、Ｎ＝３０である１か月間（３０日間）の合計データ通信量を推論する場合、演算部１２は、ｙ１～ｙｋの各値に基づいて算出される１か月間での合計データ通信量の平均値を、１か月間での合計のデータ通信量とすることができる。演算部１２は、次式（３）より、Ｎ＝３０、すなわち１か月間での合計データ通信量ＹＮを算出することができる。
ＹＮ＝［｛（ｙ１／１）×Ｎ｝＋｛（ｙ２／２）×Ｎ｝＋｛（ｙ３／３）×Ｎ｝＋，・・・｛（ｙｋ／ｋ）×Ｎ｝］／ｋ ・・・（３）
ＹＮ＝［｛（ｙ１／１）×Ｎ｝＋｛（ｙ２／２）×Ｎ｝＋｛（ｙ３／３）×Ｎ｝＋，・・・｛（ｙｋ／ｋ）×Ｎ｝］／ｋ ・・・（３）
【0053】
演算部１２は、上式（３）によりｋ個の出力データの平均値を用いて合計データ通信量を求めるため、例えば、（ｙｋ／ｋ）×Ｎなど、１日分のデータ通信量のみに基づいて合計データ通信量を算出する場合と比較して、値のばらつきを低減することができる。
【0054】
通信制御部１４は、演算部１２によって出力された１か月間の合計データ通信量の値に基づいて、所定の通信規格のコアネットワーク４を介して、通信端末２に対して設定されている通信速度を変更する。具体的には、通信制御部１４は、ネットワークＮＷを介して、コアネットワーク４のＰＧＷ－Ｕ４０およびＵＰＦ４１に対して、各通信端末２の通信速度の設定を変更する制御信号を送信することができる。
【0055】
さらに具体的には、通信制御部１４は、３ＧＰＰ ＴＳ ２３．５０３で規定されている「ＰＣＣ（Ｐｏｌｉｃｙ ａｎｄ Ｃｈａｒｇｉｎｇ Ｃｏｎｔｒｏｌ） Ｒｕｌｅｓ」に基づいて、ＩＭＳＩ単位で通信速度を変更する機能を有するＰＧＷ－Ｕ４０、およびＵＰＦ４１に対して、ＩＭＳＩごとに通信速度の変更を行う制御信号を送信する。
【0056】
例えば、月間のデータ通信量の上限２０ＧＢの通信端末２ａにおいて、１か月間の合計データ通信量の推論値が１９ＧＢであったとする。この場合、通信制御部１４は、通信端末２ａの通信速度を、２２０Ｍｂｐｓから２０９Ｍｂｐｓ（｛２２０Ｍｂｐｓ／２０ＧＢ｝×１９ＧＢ）に変更する制御信号をＰＧＷ－Ｕ４０、およびＵＰＦ４１に対して送信することができる。
【0057】
別の例として、通信端末２ａの１か月の合計データ通信量の推論値が９ＧＢであった場合、通信制御部１４は、通信端末２ａの通信速度を、２２０Ｍｂｐｓから９９Ｍｂｐｓ（｛２２０Ｍｂｐｓ／２０ＧＢ｝×９ＧＢ）に変更する制御信号を同様にＰＧＷ－Ｕ４０、およびＵＰＦ４１に対して送信することができる。月間のデータ通信量が無制限である通信端末２ｂ、２ｃに対しても同様に、通信制御部１４は、通信速度の変更をすることができる。通信制御部１４は、通信の品質等の観点から適切な通信速度の変更を行うことができる。
【0058】
ＭＬモデル記憶部１３は、学習部１１によって構築されたが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。
【0059】
提示部１５は、演算部１２によって推論された通信端末２の合計データ通信量に関する情報を提示する。また、提示部１５は、通信制御部１４によって制御される通信端末２の通信速度の設定情報に関する情報を提示することができる。
【0060】
［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３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３を用いて説明する。
【0061】
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。
【0062】
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、学習部１１、演算部１２、通信制御部１４など通信制御装置１の各機能が実現される。
【0063】
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。
【0064】
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。
【0065】
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１３が実現される。
【0066】
また、補助記憶装置１０５は、通信端末２ａ、２ｂ、２ｃの各々において契約されている通信プランに対応する月間のデータ通信量の上限値に関する情報を記憶する領域を有する。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。
【0067】
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。
【0068】
［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５および図６のフローチャートを参照して説明する。図５は、通信制御装置１による学習処理を示すフローチャートである。図６は、学習済みの機械学習モデルの演算により、通信端末２の通信速度を変更する通信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５および図６のフローチャートを参照して説明する。図５は、通信制御装置１による学習処理を示すフローチャートである。図６は、学習済みの機械学習モデルの演算により、通信端末２の通信速度を変更する通信処理を示すフローチャートである。
【0069】
まず、図５に示すように、学習部１１は、機械学習モデルの入力ノードの数ｋを設定する（ステップＳ１）。具体的には、学習部１１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１１は、推論するデータ通信量の精度が十分に得られる入力層のノード数ｋを採用することができる。
【0070】
次に、学習部１１は、通信端末２が使用するデータ通信量の第１期間（例えば、１日）ごとの値と、第２期間（例えば、１か月間）に通信端末２によって使用される合計データ通信量との関係を、機械学習モデルを用いて学習する（ステップＳ２）。具体的には、学習部１１は、収集部１０によって１日ごとに収集された、通信端末２による使用済みのデータ通信量の値に、収集部１０で収集された１か月分の使用済み合計データ通信量が正解ラベルとして付された教師データを用いて、機械学習モデルを学習することができる。
【0071】
学習部１１は、例えば、図４に示すニューラルネットワーク構造の機械学習モデルを採用し、上式（１）で表される教師データを用いて、ニューラルネットワークモデルの重みパラメータを学習することができる。
【0072】
また、学習部１１は、上式（２）を用いて、各入力ノードｘ１～ｘｋに入力される第１日目から第ｋ日目までの通信端末２のデータ通信量の値が、通信端末２が実際に１か月間に使用した合計データ通信量の値に基づく各日のデータ通信量の累積値となるように、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。学習部１１は、目的関数Ｅを最小とする入力ノードの数ｋを調整し、繰り返し学習処理を行い、最適な入力ノード数ｋを決定することができる。
【0073】
学習部１１は、全ての通信端末２で共通の機械学習モデルを学習させることができるが、設計に応じて、所定の複数の通信端末２に共通の機械学習モデルを学習、あるいは、通信端末２ごとに機械学習モデルを学習してもよい。
【0074】
その後、ＭＬモデル記憶部１３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、入力ノードの数ｋを記憶する（ステップＳ３）。
【0075】
次に、図６を参照して、学習済みのニューラルネットワークを用いた通信端末２の通信速度の制御処理を説明する。まず、収集部１０は、通信端末２が使用したデータ通信量の累積値を第１期間（例えば、１日）ごとに収集する（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ＰＧＷ－Ｕ４０のインターフェース４０ａおよびＵＰＦ４１のインターフェース４１ａを介して、通信端末２に割り当てられているＩＭＳＩに関連付けられて記憶されている１日ごとのデータ通信量のカウント値を収集する。
【0076】
次に、演算部１２は、ＭＬ記憶部１３から学習済みのパラメータをロードする（ステップＳ１１）。次に、演算部１２は、収集部１０によって収集された、通信端末２が使用したデータ通信量の第１期間（例えば、１日）ごとの累積値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う（ステップＳ１２）。演算部１２は、ステップＳ１２での演算により、第２期間（例えば、１か月間）に通信端末２が使用する合計データ通信量を出力する（ステップＳ１３）。
【0077】
次に、通信制御部１４は、ステップＳ１３で出力された合計データ通信量に基づいて、通信端末２に設定されている通信速度を変更する（ステップＳ１４）。具体的には、通信制御部１４は、ステップＳ１３で出力された、通信端末２において１か月間で使用される合計データ通信量の推論値と、通信端末２の月間のデータ通信量の上限値とを比較して、合計データ通信量の値が上限値よりも小さい場合には、通信端末２のデータ通信に係る通信速度を高速通信時の通信速度よりも減少させることができる。通信制御部１４は、コアネットワーク４のＰＧＷ－Ｕ４０およびＵＰＦ４１に対して、通信端末２ごとの通信速度を変更する制御信号を送信する。
【0078】
その後、提示部１５は、通信制御部１４による通信端末２の通信速度の制御情報を提示する（ステップＳ１５）。
【0079】
なお、上述の実施の形態では、ＬＴＥおよび５Ｇに準拠する通信制御システムである場合を例示した。しかし、所定の通信規格とは、ＬＴＥおよび５Ｇに限定されるものではなく、６Ｇに準拠する通信制御システムであってもよい。
【0080】
また、上述した実施の形態では、学習部１１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。
【0081】
また、説明した実施の形態では、学習処理を行う学習部１１、および学習済みの機械学習モデルに基づいて、合計データ通信量を演算する演算部１２、および合計データ通信量に基づいて、通信端末２の通信速度を変更する通信制御部１４の全てが通信制御装置１に搭載される場合について説明した。しかし、学習部１１、演算部１２、および通信制御部１４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。
【0082】
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、第１期間ごとに収集された通信端末２のデータ通信量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、第１期間よりも長い期間である第２期間に通信端末２によって使用される合計データ通信量を出力する。したがって、推論された合計データ通信量に基づいて、データ通信量の上限まで使用しないユーザに対しては通信速度を変更するため、無線リソースを有効活用することができる。
【0083】
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】
【0084】
１…通信制御装置、１０…収集部、１１…学習部、１２…演算部、１３…ＭＬモデル記憶部、１４…通信制御部、１５…提示部、２、２ａ、２ｂ、２ｃ…通信端末、３…基地局、４…コアネットワーク、４０…ＰＧＷ－Ｕ、４０ａ、４１ａ、…インターフェース、４１…ＵＰＦ、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…ネットワーク。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【手続補正書】
【提出日】2023-09-13
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
通信端末で使用されたデータ通信量を予め設定された第１期間ごとに収集するように構成された収集部であって、収集された前記データ通信量は、前記第１期間ごとの収集時点までに前記通信端末で使用されたデータ通信量の累積値である、収集部と、
前記第１期間ごとに収集された前記データ通信量の累積値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、前記第１期間よりも長い期間である第２期間に前記通信端末によって使用される合計データ通信量を出力するように構成された演算部と、
前記演算部によって出力された前記合計データ通信量に関する情報を提示するように構成された提示部と
を備え、
前記学習済みの機械学習モデルは、前記通信端末によって使用された前記データ通信量の前記第１期間ごとの累積値が、前記通信端末によって実際に前記第２期間において使用された前記合計データ通信量に基づく前記第１期間ごとのデータ通信量の累積値に係る正解ラベルの値となるように学習された機械学習モデルである
通信制御装置。
前記第１期間ごとに収集された前記データ通信量の累積値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、前記第１期間よりも長い期間である第２期間に前記通信端末によって使用される合計データ通信量を出力するように構成された演算部と、
前記演算部によって出力された前記合計データ通信量に関する情報を提示するように構成された提示部と
を備え、
前記学習済みの機械学習モデルは、前記通信端末によって使用された前記データ通信量の前記第１期間ごとの累積値が、前記通信端末によって実際に前記第２期間において使用された前記合計データ通信量に基づく前記第１期間ごとのデータ通信量の累積値に係る正解ラベルの値となるように学習された機械学習モデルである
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、
さらに、前記通信端末によって使用される前記データ通信量についての前記第１期間ごとの累積値と、前記第２期間において前記通信端末によって使用される前記合計データ通信量との関係を、前記機械学習モデルを用いて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、
前記演算部は、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、前記通信端末によって使用される前記データ通信量についての前記第１期間ごとの累積値と、前記第２期間において前記通信端末によって使用される前記合計データ通信量との関係を、前記機械学習モデルを用いて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、
前記演算部は、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3】
請求項２に記載の通信制御装置において、
さらに、前記演算部によって出力された前記合計データ通信量の値に基づいて、所定の通信規格のコアネットワークを介して、前記通信端末に対して設定されている通信速度を変更するように構成された通信制御部
を備える通信制御装置。
さらに、前記演算部によって出力された前記合計データ通信量の値に基づいて、所定の通信規格のコアネットワークを介して、前記通信端末に対して設定されている通信速度を変更するように構成された通信制御部
を備える通信制御装置。
【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る
ことを特徴とする通信制御装置。
【請求項5】
通信端末で使用されたデータ通信量を予め設定された第１期間ごとに収集する第１ステップであって、収集された前記データ通信量は、前記第１期間ごとの収集時点までに前記通信端末で使用されたデータ通信量の累積値である、第１ステップと、
前記第１期間ごとに収集された前記データ通信量の累積値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、前記第１期間よりも長い期間である第２期間に前記通信端末によって使用される合計データ通信量を出力する第２ステップと、
前記第２ステップで出力された前記合計データ通信量に関する情報を提示する第３ステップと
を備え、
前記学習済みの機械学習モデルは、前記通信端末によって使用された前記データ通信量の前記第１期間ごとの累積値が、前記通信端末によって実際に前記第２期間において使用された前記合計データ通信量に基づく前記第１期間ごとのデータ通信量の累積値に係る正解ラベルの値となるように学習された機械学習モデルである
通信制御方法。
前記第１期間ごとに収集された前記データ通信量の累積値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、前記第１期間よりも長い期間である第２期間に前記通信端末によって使用される合計データ通信量を出力する第２ステップと、
前記第２ステップで出力された前記合計データ通信量に関する情報を提示する第３ステップと
を備え、
前記学習済みの機械学習モデルは、前記通信端末によって使用された前記データ通信量の前記第１期間ごとの累積値が、前記通信端末によって実際に前記第２期間において使用された前記合計データ通信量に基づく前記第１期間ごとのデータ通信量の累積値に係る正解ラベルの値となるように学習された機械学習モデルである
通信制御方法。
【請求項6】
請求項５に記載の通信制御方法において、
さらに、前記通信端末によって使用される前記データ通信量についての前記第１期間ごとの累積値と、前記第２期間において前記通信端末によって使用される前記合計データ通信量との関係を、前記機械学習モデルを用いて学習する第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、前記通信端末によって使用される前記データ通信量についての前記第１期間ごとの累積値と、前記第２期間において前記通信端末によって使用される前記合計データ通信量との関係を、前記機械学習モデルを用いて学習する第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。
【請求項7】
請求項６に記載の通信制御方法において、
さらに、前記第２ステップで出力された前記合計データ通信量の値に基づいて、所定の通信規格のコアネットワークを介して、前記通信端末に対して設定されている通信速度を変更する第６ステップ
を備える通信制御方法。
さらに、前記第２ステップで出力された前記合計データ通信量の値に基づいて、所定の通信規格のコアネットワークを介して、前記通信端末に対して設定されている通信速度を変更する第６ステップ
を備える通信制御方法。
【手続補正書】
【提出日】2024-02-01
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
加入者識別番号を有する通信端末で使用されたデータ通信量を予め設定された第１期間ごとに収集するように構成された収集部であって、収集された前記データ通信量は、前記第１期間ごとの収集時点までに前記通信端末で使用されたデータ通信量の累積値である、収集部と、
前記第１期間ごとに収集された前記データ通信量の累積値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、前記第１期間よりも長い期間である第２期間に前記通信端末によって使用される合計データ通信量を出力するように構成された演算部と、
前記演算部によって出力された前記合計データ通信量に関する情報を提示するように構成された提示部と、
前記演算部によって出力された前記合計データ通信量の値に基づいて、所定の通信規格のコアネットワークを介して、前記通信端末に対して設定されている通信速度を変更するように構成された通信制御部と
を備え、
前記学習済みの機械学習モデルは、前記通信端末によって使用された前記データ通信量の前記第１期間ごとの累積値が、前記通信端末によって実際に前記第２期間において使用された前記合計データ通信量に基づく前記第１期間ごとのデータ通信量の累積値に係る正解ラベルの値となるように学習された機械学習モデルであり、
前記通信制御部は、前記コアネットワークのＰＧＷ－Ｕ（Ｐａｃｋｅｔ Ｄａｔａ Ｎｅｔｗｏｒｋ Ｇａｔｅｗａｙ）またはＵＰＦ（Ｕｓｅｒ Ｐｌａｎｅ Ｆｕｎｃｔｉｏｎ）に対して、通信端末の加入者識別番号ごとに通信速度の変更を行う制御信号を送信することで、前記通信端末に対して設定されている前記通信速度を変更し、
前記通信制御部は、前記演算部によって出力された、前記第２期間に前記通信端末によって使用される前記合計データ通信量の値と、前記通信端末に対して設定されている前記第２期間のデータ通信量の上限値とを比較して、前記合計データ通信量の値が前記上限値よりも小さい場合には、前記通信端末に対して設定されている前記通信速度を減少させる
通信制御装置。
前記第１期間ごとに収集された前記データ通信量の累積値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、前記第１期間よりも長い期間である第２期間に前記通信端末によって使用される合計データ通信量を出力するように構成された演算部と、
前記演算部によって出力された前記合計データ通信量に関する情報を提示するように構成された提示部と、
前記演算部によって出力された前記合計データ通信量の値に基づいて、所定の通信規格のコアネットワークを介して、前記通信端末に対して設定されている通信速度を変更するように構成された通信制御部と
を備え、
前記学習済みの機械学習モデルは、前記通信端末によって使用された前記データ通信量の前記第１期間ごとの累積値が、前記通信端末によって実際に前記第２期間において使用された前記合計データ通信量に基づく前記第１期間ごとのデータ通信量の累積値に係る正解ラベルの値となるように学習された機械学習モデルであり、
前記通信制御部は、前記コアネットワークのＰＧＷ－Ｕ（Ｐａｃｋｅｔ Ｄａｔａ Ｎｅｔｗｏｒｋ Ｇａｔｅｗａｙ）またはＵＰＦ（Ｕｓｅｒ Ｐｌａｎｅ Ｆｕｎｃｔｉｏｎ）に対して、通信端末の加入者識別番号ごとに通信速度の変更を行う制御信号を送信することで、前記通信端末に対して設定されている前記通信速度を変更し、
前記通信制御部は、前記演算部によって出力された、前記第２期間に前記通信端末によって使用される前記合計データ通信量の値と、前記通信端末に対して設定されている前記第２期間のデータ通信量の上限値とを比較して、前記合計データ通信量の値が前記上限値よりも小さい場合には、前記通信端末に対して設定されている前記通信速度を減少させる
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、
さらに、前記通信端末によって使用される前記データ通信量についての前記第１期間ごとの累積値と、前記第２期間において前記通信端末によって使用される前記合計データ通信量との関係を、前記機械学習モデルを用いて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、
前記演算部は、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、前記通信端末によって使用される前記データ通信量についての前記第１期間ごとの累積値と、前記第２期間において前記通信端末によって使用される前記合計データ通信量との関係を、前記機械学習モデルを用いて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、
前記演算部は、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3】
請求項２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る
ことを特徴とする通信制御装置。
【請求項4】
加入者識別番号を有する通信端末で使用されたデータ通信量を予め設定された第１期間ごとに収集する第１ステップであって、収集された前記データ通信量は、前記第１期間ごとの収集時点までに前記通信端末で使用されたデータ通信量の累積値である、第１ステップと、
前記第１期間ごとに収集された前記データ通信量の累積値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、前記第１期間よりも長い期間である第２期間に前記通信端末によって使用される合計データ通信量を出力する第２ステップと、
前記第２ステップで出力された前記合計データ通信量に関する情報を提示する第３ステップと、
前記第２ステップで出力された前記合計データ通信量の値に基づいて、所定の通信規格のコアネットワークを介して、前記通信端末に対して設定されている通信速度を変更する第６ステップと
を備え、
前記学習済みの機械学習モデルは、前記通信端末によって使用された前記データ通信量の前記第１期間ごとの累積値が、前記通信端末によって実際に前記第２期間において使用された前記合計データ通信量に基づく前記第１期間ごとのデータ通信量の累積値に係る正解ラベルの値となるように学習された機械学習モデルであり、
前記第６ステップは、前記コアネットワークのＰＧＷ－Ｕ（Ｐａｃｋｅｔ Ｄａｔａ Ｎｅｔｗｏｒｋ Ｇａｔｅｗａｙ）またはＵＰＦ（Ｕｓｅｒ Ｐｌａｎｅ Ｆｕｎｃｔｉｏｎ）に対して、通信端末の加入者識別番号ごとに通信速度の変更を行う制御信号を送信することで、前記通信端末に対して設定されている前記通信速度を変更し、
前記第６ステップは、前記第２ステップで出力された、前記第２期間に前記通信端末によって使用される前記合計データ通信量の値と、前記通信端末に対して設定されている前記第２期間のデータ通信量の上限値とを比較して、前記合計データ通信量の値が前記上限値よりも小さい場合には、前記通信端末に対して設定されている前記通信速度を減少させる
通信制御方法。
前記第１期間ごとに収集された前記データ通信量の累積値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、前記第１期間よりも長い期間である第２期間に前記通信端末によって使用される合計データ通信量を出力する第２ステップと、
前記第２ステップで出力された前記合計データ通信量に関する情報を提示する第３ステップと、
前記第２ステップで出力された前記合計データ通信量の値に基づいて、所定の通信規格のコアネットワークを介して、前記通信端末に対して設定されている通信速度を変更する第６ステップと
を備え、
前記学習済みの機械学習モデルは、前記通信端末によって使用された前記データ通信量の前記第１期間ごとの累積値が、前記通信端末によって実際に前記第２期間において使用された前記合計データ通信量に基づく前記第１期間ごとのデータ通信量の累積値に係る正解ラベルの値となるように学習された機械学習モデルであり、
前記第６ステップは、前記コアネットワークのＰＧＷ－Ｕ（Ｐａｃｋｅｔ Ｄａｔａ Ｎｅｔｗｏｒｋ Ｇａｔｅｗａｙ）またはＵＰＦ（Ｕｓｅｒ Ｐｌａｎｅ Ｆｕｎｃｔｉｏｎ）に対して、通信端末の加入者識別番号ごとに通信速度の変更を行う制御信号を送信することで、前記通信端末に対して設定されている前記通信速度を変更し、
前記第６ステップは、前記第２ステップで出力された、前記第２期間に前記通信端末によって使用される前記合計データ通信量の値と、前記通信端末に対して設定されている前記第２期間のデータ通信量の上限値とを比較して、前記合計データ通信量の値が前記上限値よりも小さい場合には、前記通信端末に対して設定されている前記通信速度を減少させる
通信制御方法。
【請求項5】
請求項４に記載の通信制御方法において、
さらに、前記通信端末によって使用される前記データ通信量についての前記第１期間ごとの累積値と、前記第２期間において前記通信端末によって使用される前記合計データ通信量との関係を、前記機械学習モデルを用いて学習する第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、前記通信端末によって使用される前記データ通信量についての前記第１期間ごとの累積値と、前記第２期間において前記通信端末によって使用される前記合計データ通信量との関係を、前記機械学習モデルを用いて学習する第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。