特開 2024-44810 評価プログラム、評価方法および評価装置

(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】P2024044810

(43)【公開日】2024-04-02

(54)【発明の名称】評価プログラム、評価方法および評価装置

(51)【国際特許分類】

   H04W 16/22 20090101AFI20240326BHJP

   G06N 3/08 20230101ALI20240326BHJP

   G06N 3/04 20230101ALI20240326BHJP

【ＦＩ】

H04W16/22

G06N3/08

G06N3/04

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2022150567

(22)【出願日】2022-09-21

(71)【出願人】

【識別番号】000005223

【氏名又は名称】富士通株式会社

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】石川 菜月

(72)【発明者】

【氏名】檀 隼人

(72)【発明者】

【氏名】大川 佳寛

(72)【発明者】

【氏名】小川 雅俊

【テーマコード（参考）】

5K067

【Ｆターム（参考）】

5K067AA22

5K067HH22

5K067HH23

(57)【要約】

【課題】エリア内の施設と対象物との相対的な位置関係を考慮した影響度を予測すること。
【解決手段】評価装置は、対象エリアに既に配置されている施設毎に設けられた施設の位置および施設の規模を示す２次元の第１行列と対象エリアに既に設置されている対象物の位置および対象物の規模を示す２次元の第２行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを入力とし、対象物が対象エリアに与える影響度を出力として機械学習された学習モデルに対し、第１行列と、第２行列の対象物の位置または対象物の規模の少なくとも一方を変更した第３行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを入力することで、対象物が対象エリアに与える影響度を予測する。
【選択図】図３

【特許請求の範囲】

【請求項1】

対象エリアに既に配置されている施設毎に設けられた前記施設の位置および前記施設の規模を示す２次元の第１行列と前記対象エリアに既に設置されている対象物の位置および前記対象物の規模を示す２次元の第２行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを入力とし、前記対象物が前記対象エリアに与える影響度を出力として機械学習された学習モデルに対し、
前記第１行列と、前記第２行列の前記対象物の位置または前記対象物の規模の少なくとも一方を変更した第３行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを入力することで、前記対象物が前記対象エリアに与える影響度を予測する
処理をコンピュータに実行させることを特徴とする評価プログラム。

【請求項2】

前記第１行列と、前記第２行列と前記第２行列とを重ね合わせた３次元データと、前記曜日の種類と、前記時刻とを含む入力データと、前記対象物が前記対象エリアに与える影響度を正解ラベルとする学習データを基にして、前記学習モデルの機械学習を実行する処理を更にコンピュータに実行させることを特徴とする請求項１に記載の評価プログラム。

【請求項3】

前記機械学習を実行する処理は、前記対象エリアに施設が含まれない場合には、施設が含まれるまで、前記対象エリアの範囲が拡大された第１行列と、前記第２行列とを重ね合わせた３次元データを前記入力データに含む前記学習データを用いて、前記学習モデルの機械学習を実行することを特徴とする請求項２に記載の評価プログラム。

【請求項4】

前記学習データの入力データは、前記第１行列と、前記対象エリアに既に設置されている基地局の位置および前記対象物の規模を示す２次元の第２行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを含み、前記正解ラベルは、前記対象エリアに配置された基地局の通信容量を含み、前記機械学習を実行する処理は、前記学習データを基にして、前記学習モデルの機械学習を実行することを特徴とする請求項３に記載の評価プログラム。

【請求項5】

前記予測する処理は、前記第１行列と、前記第２行列の前記基地局の位置または前記対象物の規模の少なくとも一方を変更した第３行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを前記学習モデルに入力することで、通信容量を予測することを特徴とする請求項４に記載の評価プログラム。

【請求項6】

前記予測する処理によって、予測された通信容量と、前記対象エリアの通信容量の需要とを基にして、前記対象エリアの通信容量の需要を満たすか否かを判定する処理を更にコンピュータに実行させることを特徴とする請求項５に記載の評価プログラム。

【請求項7】

対象エリアに既に配置されている施設毎に設けられた前記施設の位置および前記施設の規模を示す２次元の第１行列と前記対象エリアに既に設置されている対象物の位置および前記対象物の規模を示す２次元の第２行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを入力とし、前記対象物が前記対象エリアに与える影響度を出力として機械学習された学習モデルに対し、
前記第１行列と、前記第２行列の前記対象物の位置または前記対象物の規模の少なくとも一方を変更した第３行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを入力することで、前記対象物が前記対象エリアに与える影響度を予測する
処理をコンピュータが実行することを特徴とする評価方法。

【請求項8】

対象エリアに既に配置されている施設毎に設けられた前記施設の位置および前記施設の規模を示す２次元の第１行列と前記対象エリアに既に設置されている対象物の位置および前記対象物の規模を示す２次元の第２行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを入力とし、前記対象物が前記対象エリアに与える影響度を出力として機械学習された学習モデルに対し、
前記第１行列と、前記第２行列の前記対象物の位置または前記対象物の規模の少なくとも一方を変更した第３行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを入力することで、前記対象物が前記対象エリアに与える影響度を予測する
処理を実行する制御部を有する評価装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、評価プログラム等に関する。

【背景技術】

【0002】

ユーザの人数、位置に応じて、サービスを提供する対象物の数、位置、容量を評価、最適化することが求められている。ここでは、ＲＡＮ（Radio Access Network）における基地局（Base Station）を対象物とし、係る基地局の設置を評価する場合について説明する。以下の説明では、基地局を「ＢＳ」と表記する。また、ＢＳを利用するユーザ端末（User Equipment）を「ＵＥ」と表記する。

【0003】

ＲＡＮの設定、運用において、各ＵＥのトラフィック需要を満たすようにＢＳを設置することは重要であるが、必要以上にＢＳを配置すると、電波の干渉や消費電力の増加につながる。

【0004】

たとえば、シャノンの定理では、通信路容量Ｃ［bit/s］を、式（１）のように定義する。式（１）において、「Ｂ」は、帯域幅［Hz］である。「Ｓ」は、信号の総電力である。Ｎは、ノイズの総電力である。「Ｉ」は、干渉の総電力である。各エリアの通信路容量を算出することで、各エリアのトラフィック需要を満たすか否か評価することができる。

【0005】

【数1】

【0006】

シャノンの定理によって、通信路容量を算出するためには、各エリアについて、ＵＥ数、ＵＥとＢＳとの相対的な位置関係、大まかな地域区分に従った電波の減衰度合いの計算式が必要となる。しかし、エリアごとに、ＵＥ数、ＵＥとＢＳとの相対的な位置関係を仮定することは難しい。

【0007】

なお、シャノンの定理ではなく、ＮＮ（Neural Network）を用いて、対象となるエリアでのトラフィック需要を満たすために稼働すべきＢＳ数を推定する従来技術がある。係る従来技術で用いられるＮＮの入力は、エリア内のＰＯＩ（Point of Interest）の数、ＢＳ数、ＳＮＳ（Social Networking Service）のツイート数であり、ＮＮの出力は、エリアの通信容量である。

【0008】

ＰＯＩは、地図上に表示される地点のカテゴリや種別を示す。たとえば、図書館、カフェ、公園は、ＰＯＩの一例である。従来技術では、エリアの通信容量として、各エリアでのトラフィックデータの実績値の最大値を用いて、ＮＮの機械学習に利用する。

【0009】

従来技術では、ＮＮに入力するＰＯＩの数、ＢＳ数、ＳＮＳのツイート数のうち、ＢＳ数のみを変化させて通信容量を予測することで、ＢＳ密度と、通信容量との関係を求め、トラフィック需要に対するＢＳの数の過不足を評価する。ＢＳ密度は、エリア内のＢＳ数に相当する。

【0010】

図１３は、従来技術によって求められるＢＳ密度と通信容量との関係を示す図である。図１３に示すグラフＧ１の横軸がＢＳ密度に対応し、縦軸が通信容量に対応する。たとえば、ＢＳ数が過剰なエリアでは、ＢＳをスリープモードにするような省エネ対策を行うことができる。

【先行技術文献】

【特許文献】

【0011】

【特許文献1】特開２００７－６８１６３号公報

【特許文献2】米国特許出願公開第２０２１／００１４４８７号明細書

【特許文献3】特開２０２１－７８０９６号公報

【特許文献4】特開２０１９－１６１３４１号公報

【特許文献5】特表２０２１－５３０８２１号公報

【発明の概要】

【発明が解決しようとする課題】

【0012】

しかしながら、上述した従来技術では、エリア内の施設と対象物との相対的な位置関係を考慮した影響度を予測することができないという問題がある。

【0013】

たとえば、従来技術では、トラフィック需要を満たすＢＳ数を推定することは可能であるが、ＢＳの位置を推定し、ＰＯＩと、ＢＳとの相対的な位置関係を考慮して、エリア内の通信容量を推定するものではない。

【0014】

かかる課題は、ＢＳに限定されるものではなく、ユーザの人数、位置に応じて、サービスを提供する対象物に対しても同様に発生し得る。

【0015】

１つの側面では、本発明は、エリア内の施設と対象物との相対的な位置関係を考慮した影響度を予測することができる評価プログラム、評価方法および評価装置を提供することを目的とする。

【課題を解決するための手段】

【0016】

第１の案では、コンピュータに次の処理を実行させる。コンピュータは、３次元データと、曜日の種類と、時刻とを入力とし、対象物が対象エリアに与える影響度を出力として機械学習された学習モデルを利用する。３次元データは、対象エリアに既に配置されている施設毎に設けられた施設の位置および施設の規模を示す２次元の第１行列と対象エリアに既に設置されている対象物の位置および対象物の規模を示す２次元の第２行列とを重ね合わせたデータである。コンピュータは、機械学習された学習モデルに対し、第１行列と、第２行列の対象物の位置または対象物の規模の少なくとも一方を変更した第３行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを入力することで、対象物が対象エリアに与える影響度を予測する。

【発明の効果】

【0017】

エリア内の施設と対象物との相対的な位置関係を考慮した影響度を予測することができる。

【図面の簡単な説明】

【0018】

【図1】図１は、機械学習モデルの入力および出力の一例を示す図である。

【図2A】図２Ａは、本実施例に係るマップデータを説明するための図である。

【図2B】図２Ｂは、ＰＯＩの規模を考慮した数値設定の一例を示す図である。

【図3】図３は、評価装置の予測フェーズにおける処理を説明するための図である。

【図4】図４は、本実施例に係る評価装置の構成を示す機能ブロック図である。

【図5】図５は、機械学習モデルの構成の一例を示す図である。

【図6】図６は、前処理部の処理を説明するための図（１）である。

【図7】図７は、前処理部の処理を説明するための図（２）である。

【図8】図８は、本実施例に係る評価装置の処理手順を示すフローチャートである。

【図9】図９は、通信容量の予測精度の比較結果を示す図である。

【図10】図１０は、評価装置のその他の処理を説明するための図である。

【図11】図１１は、対象エリアを拡大した場合の予測精度の一例を示す図である。

【図12】図１２は、実施例の評価装置と同様の機能を実現するコンピュータのハードウェア構成の一例を示す図である。

【図13】図１３は、従来技術によって求められるＢＳ密度と通信容量との関係を示す図である。

【発明を実施するための形態】

【0019】

以下に、本願の開示する評価プログラム、評価方法および評価装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。

【実施例0020】

本実施例に係る評価装置は、畳み込みニューラルネットワークを用いて、対象エリア内の施設と対象物との相対的な位置関係を考慮した影響度を予測する。本実施例では、一例として、対象エリア内の施設を「ＰＯＩ」として説明し、対象物を「ＢＳ」として説明する。たとえば、ＰＯＩは、library、park、bank、cafe、school、hospital、bar、restaurant、store、subway stations等の施設である。また、対象エリア内の施設と対象物との相対的な位置関係を考慮した影響度を「通信容量」として説明する。また、畳み込みニューラルネットワークを「機械学習モデル」と表記する。

【0021】

まず、評価装置が利用する機械学習モデルの入力および出力の一例について説明する。図１は、機械学習モデルの入力および出力の一例を示す図である。図１に示すように、機械学習モデル５０の入力は、マップデータ、曜日種、時刻となる。機械学習モデル５０の出力は、通信容量となる。

【0022】

たとえば、マップデータは、対象エリア内のＰＯＩの位置および対象エリア内のＢＳの位置を示す。曜日種は、「平日」または「休日」が設定される。時刻は、３０分毎の時刻が設定される。通信容量は、対象エリア内に設置されたＢＳの通信容量の最大値である。

【0023】

ここで、マップデータについて説明する。図２は、本実施例に係るマップデータを説明するための図である。マップデータは、Ｃ×Ｈ×Ｗの３次元データである。「Ｃ」はＰＯＩまたはＢＳのチャネルを示し、「Ｈ」は対象エリアの縦軸方向の位置（緯度）を示し、「Ｗ」は対象エリアの横軸方向の位置（経度）を示す。マップデータには、チャネル毎の面データが配置される。

【0024】

評価装置は、対象エリアおよび面データを小エリアに分割する。評価装置は、対象エリアの小エリアおいて、チャネルに対応するＰＯＩまたはＢＳが存在する場合には、面データの該当する小エリアに「１」を設定し、存在しない場合には、該当する小エリアに「０」を設定する。

【0025】

たとえば、図２に示すマップデータｍ１０は、対象エリアＡ１０の施設位置情報を基にして生成される。たとえば、施設位置情報は、対象エリアＡ１０に含まれるＢＳおよびＰＯＩ（ＰＯＩの種別）と位置とを対応付ける情報である。マップデータｍ１０には、各ＰＯＩに対応する面データ１０－１，１０－２，・・・，１０－１０と、ＢＳに対応する面データ１０－ＢＳとが含まれる。面データ１０－３～１０－９の図示を省略する。面データ１０－１～１０－１０，１０－ＢＳは、対象エリアＡ１０と同じ小エリアに区切られる。以下の説明では、対象エリア、面データ１０－１～１０－１０，１０－ＢＳの小エリアのうち、ｉ行目、ｊ列目の小エリアを（ｉ，ｊ）と表記する。

【0026】

面データ１０－１は、チャネル「library」に対応する面データである。評価装置は、対象エリアＡ１０の各小エリアのうち、小エリア（ｉ，ｊ）にlibraryが位置している場合には、面データ１０－１の小エリア（ｉ，ｊ）に「１」を設定する。評価装置は、対象エリアＡ１０の各小エリアのうち、小エリア（ｉ，ｊ）にlibraryが位置してない場合には、面データ１０－１の小エリア（ｉ，ｊ）に「０」を設定する。評価装置は、ｉ、ｊの値を変更しつつ、上記の処理を繰り返すことで、面データ１０－１の各小エリアに「１」または「０」を設定する。

【0027】

面データ１０－２は、チャネル「park」に対応する面データである。評価装置は、対象エリアＡ１０の各小エリアのうち、小エリア（ｉ，ｊ）にparkが位置している場合には、面データ１０－２の小エリア（ｉ，ｊ）に「１」を設定する。評価装置は、対象エリアＡ１０の各小エリアのうち、小エリア（ｉ，ｊ）にparkが位置してない場合には、面データ１０－２の小エリア（ｉ，ｊ）に「０」を設定する。評価装置は、ｉ、ｊの値を変更しつつ、上記の処理を繰り返すことで、面データ１０－２の各小エリアに「１」または「０」を設定する。

【0028】

面データ１０－３は、チャネル「bank」に対応する面データである。面データ１０－４は、チャネル「cafe」に対応する面データである。面データ１０－５は、チャネル「school」に対応する面データである。面データ１０－６は、チャネル「hospital」に対応する面データである。面データ１０－７は、チャネル「bar」に対応する面データである。面データ１０－８は、チャネル「restaurant」に対応する面データである。面データ１０－９は、チャネル「store」に対応する面データである。面データ１０－１０は、チャネル「subway stations」に対応する面データである。

【0029】

評価装置は、面データ１０－３～１０－１０についても、面データ１０－１，１０－２と同様にして、対象エリアＡ１０を基にして、各小エリアに対し、「１」または「０」を設定する。

【0030】

面データ１０－ＢＳは、チャネル「ＢＳ」に対応する面データである。評価装置は、対象エリアＡ１０の各小エリアのうち、小エリア（ｉ，ｊ）にＢＳが位置している場合には、面データ１０－ＢＳの小エリア（ｉ，ｊ）に「１」を設定する。評価装置は、対象エリアＡ１０の各小エリアのうち、小エリア（ｉ，ｊ）にＢＳが位置してない場合には、面データ１０－ＢＳの小エリア（ｉ，ｊ）に「０」を設定する。評価装置は、ｉ、ｊの値を変更しつつ、上記の処理を繰り返すことで、面データ１０－ＢＳの各小エリアに「１」または「０」を設定する。

【0031】

なお、上記の説明では、面データ１０－１～１０－１０、１０－ＢＳの小エリアに設定する数値を「０」または「１」とする場合について説明したが、これに限定されるものではない。たとえば、対象エリアに設定される各ＰＯＩの広さ、ＢＳの送信電力の大きさに応じて、「０～１」の連続値を小エリアに設定してもよい。ＰＯＩの広さが大きいほど、ＢＳの送信電力の大きいほど、「１」に近い値とする。

【0032】

図２Ｂは、ＰＯＩの規模を考慮した数値設定の一例を示す図である。たとえば、評価装置は、小エリア（２、２）に設置されたＰＯＩ（hospital）の敷地面積が第１閾値以上となる場合、小エリア（２、２）の数値を「１」に設定する。評価装置は、小エリア（６、３）に設置されたＰＯＩの敷地面積が第１閾値未満、第２閾値以上となる場合、小エリア（６、３）の数値を「０．５」に設定する。評価装置は、小エリア（４、５）に設置されたＰＯＩの敷地面積が第２閾値未満となる場合、小エリア（４、５）の数値を「０．３」に設定する。なお、上記の閾値と、閾値に応じた数値は一例であり、適宜、変更可能である。

【0033】

続いて、評価装置が実行する学習フェーズの処理、予測フェーズの処理について説明する。

【0034】

まず、評価装置が実行する学習フェーズの処理について説明する。評価装置は、学習フェーズにおいて、学習データセットを用いて、機械学習モデル５０の機械学習を実行する。学習データセットには、複数の学習データが含まれる。各学習データには、入力データと、正解ラベルとの組が設定される。入力データには、マップデータ、曜日種、時刻が含まれる。正解ラベルには、通信容量が設定される。

【0035】

評価装置は、入力データを機械学習モデル５０に入力し、機械学習モデル５０から出力される値が、正解ラベルに近づくように、誤差逆伝播法等を基にして、機械学習モデル５０のパラメータを更新（機械学習）する。

【0036】

続いて、評価装置が実行する予測フェーズの処理について説明する。図３は、評価装置の予測フェーズにおける処理を説明するための図である。ここでは、評価装置が、ある対象エリアＡ１１の通信容量を予測する場合について説明する。

【0037】

評価装置は、入力データ２０を生成する。入力データ２０には、マップデータ２０ａと、曜日種２０ｂと、時刻２０ｃとが含まれる。曜日種２０ｂ、時刻２０ｃについては、ユーザによって、評価対象となる曜日種、時刻が設定される。

【0038】

マップデータ２０ａには、面データ１１－１，１１－２，・・・，１１－１０と、ＢＳに対応する面データ１１－ＢＳとが含まれる。面データ１１－３～１１－９の図示を省略する。

【0039】

評価装置は、対象エリアＡ１１および面データ１１－１～１１－１０、１１－ＢＳを小エリアに分割する。評価装置は、図２で説明した処理と同様にして、対象エリアＡ１１の小エリアおいて、チャネルに対応するＰＯＩが存在する場合には、面データの該当する小エリアに「１」を設定し、存在しない場合には、該当する小エリアに「０」を設定する。

【0040】

評価装置は、面データ１１－ＢＳに対して、評価したいＢＳの配置情報を設定する。たとえば、評価装置は、ユーザの指示に応じて、面データ１１－ＢＳを小エリアに対し、ＢＳを配置する小エリアに「１」を設定し、ＢＳを配置しない小エリアに「０」を設定する。

【0041】

なお、評価装置は、対象エリアＡ１１に実際にＢＳが設置された小エリアを基にして、面データ１１－ＢＳの各小エリアに、「１」または「０」を設定してもよい。たとえば、評価装置は、対象エリアＡ１１の各小エリアのうち、小エリア（ｉ，ｊ）にＢＳが位置している場合には、面データ１１－ＢＳの小エリア（ｉ，ｊ）に「１」を設定する。評価装置は、対象エリアＡ１１の各小エリアのうち、小エリア（ｉ，ｊ）にＢＳが位置してない場合には、面データ１１－ＢＳの小エリア（ｉ，ｊ）に「０」を設定する。評価装置は、ｉ、ｊの値を変更しつつ、上記の処理を繰り返すことで、面データ１１－ＢＳの各小エリアに「１」または「０」の初期値を設定する。

【0042】

評価装置は、上記のように、面データ１１－ＢＳの各小エリアに初期値を設定した後、ランダムで何れかの小エリアの「１」を「０」に変更する、あるいは、何れかの小エリアの「０」を「１」に変更する。または、評価装置は、面データ１１－ＢＳの各小エリアに初期値を設定した後、「１」が設定された小エリアの隣の小エリアを選択し、「１」が設定された小エリアの値を「０」に変更し、選択した小エリアの値を「１」に設定する。

【0043】

評価装置は、上述した面データ１１－１～１１－１０と、面データ１１－ＢＳとを重ね合わせることで、マップデータ２０ａを生成する。

【0044】

評価装置は、マップデータ２０ａ、曜日種２０ｂ、時刻２０ｃを含む入力データを、機械学習実行済みの機械学習モデル５０に入力することで、通信容量を予測する。評価装置は、予測した通信容量が、対象エリアＡ１１のトラフィック需要を満たすか否かを判定する。

【0045】

上記のように、本実施例に係る評価装置は、対象エリアのＰＯＩの位置に基づく面データおよび対象エリアのＢＳの位置に基づく面データを重ね合わせたマップデータと、曜日種と、時刻とを機械学習モデル５０に入力し、対象エリアの通信容量を予測する。これによって、対象エリア内の施設と対象物との相対的な位置関係を考慮した影響度を予測することができる。

【0046】

次に、図１～図３で説明した処理を実行する評価装置の構成例について説明する。図４は、本実施例に係る評価装置の構成を示す機能ブロック図である。図４に示すように、この評価装置１００は、通信部１１０と、入力部１２０と、表示部１３０と、記憶部１４０と、制御部１５０とを有する。

【0047】

通信部１１０は、ネットワークを介して、外部装置等との間でデータ通信を実行する。後述する制御部１５０は、通信部１１０を介して、外部装置との間でデータをやり取りする。

【0048】

入力部１２０は、評価装置１００の制御部１５０に各種の情報を入力する入力装置である。入力部１２０は、キーボードやマウス、タッチパネル等に対応する。ユーザは、入力部１２０を操作して、曜日種、時刻、マップデータの値を設定する。

【0049】

表示部１３０は、制御部１５０から出力される情報を表示する表示装置である。たとえば、表示部１３０は、通信容量の予測結果を表示する。

【0050】

記憶部１４０は、機械学習モデル５０、施設位置情報６０、学習データセット１４１を有する。記憶部１４０は、メモリなどの記憶装置に対応する。

【0051】

機械学習モデル５０は、図１等で説明した畳み込みニューラルネットワークである。ここでは、機械学習モデルの構成の一例について説明する。図５は、機械学習モデルの構成の一例を示す図である。図５に示すように、この機械学習モデル５０は、Conv2d-ReLU層５１、Max pooling層５２、Conv2d-ReLU層５３、Linear-ReLU層５４、Linear-ReLU層５５、Linear層５６を有する。

【0052】

入力データのうち、マップデータが、Conv2d-ReLU層５１に入力され、曜日種、時刻は、Linear-ReLU層５４に入力される。

【0053】

Conv2d-ReLU層５１は、マップデータが入力されると、畳み込み計算を実行し、計算結果を出力する。Conv2d-ReLU層５１から出力された値は、Max pooling層５２に入力される。たとえば、Conv2d-ReLU層５１の出力チャネル数を「１６」、カーネルサイズを「３」とする。

【0054】

Max pooling層５２は、値が入力されると、最大値プーリングを実行し、実行結果を出力する。Max pooling層５２から出力された値は、Conv2d-ReLU層５３に入力される。たとえば、Max pooling層５２のカーネルサイズを「２」とする。

【0055】

Conv2d-ReLU層５３は、値が入力されると、畳み込み計算を実行し、計算結果を出力する。Conv2d-ReLU層５３から出力された値は、Linear-ReLU層５４に入力される。Conv2d-ReLU層５３の出力チャネル数を「３２」、カーネルサイズを「３」とする。

【0056】

Linear-ReLU層５４は、Conv2d-ReLU層５３から出力された値と、曜日種、時刻が入力される。Linear-ReLU層５４は、Conv2d-ReLU層５３から出力された値と、曜日種、時刻が入力されると、パラメータに応じた計算を行い、計算結果を出力する。Linear-ReLU層５４から出力された値は、Linear-ReLU層５５に入力される。Linear-ReLU層５４のノード数を「３００」とする。

【0057】

Linear-ReLU層５５は、Linear-ReLU層５４から出力された値が入力されると、パラメータに応じた計算を行い、計算結果を出力する。Linear-ReLU層５４から出力された値は、Linear層５６に入力される。Linear-ReLU層５５のノード数を「３００」とする。

【0058】

Linear層５６は、Linear-ReLU層５４から出力された値が入力されると、パラメータに応じた計算を行い、計算結果を出力する。計算結果は、通信容量に対応するスカラーとなる。

【0059】

図４の説明に戻る。施設位置情報は、所定の領域に含まれる、各ＰＯＩの位置、規模および各ＢＳの位置、規模に関する情報を含む。

【0060】

学習データセット１４１は、機械学習モデル５０の機械学習を実行するための複数の学習データを含む。各学習データには、入力データと、正解ラベルとの組が設定される。入力データには、マップデータ、曜日種、時刻が含まれる。正解ラベルには、通信容量が設定される。学習データセット１４１は、予め生成されていてもよいし、後述する前処理部１５２によって生成されてもよい。

【0061】

制御部１５０は、取得部１５１、前処理部１５２、機械学習部１５３、予測部１５４を有する。制御部１５０は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）等である。

【0062】

取得部１５１は、ネットワークを介して、外部装置等から各種のデータを取得する。たとえば、取得部１５１は、施設位置情報６０を取得し、取得した施設位置情報６０を、記憶部１４０に登録する。取得部１５１は、学習データセット１４１を取得し、記憶部１４０に登録してもよい。

【0063】

前処理部１５２は、施設位置情報６０を基にして、学習データセット１４１を生成する。図６および図７は、前処理部の処理を説明するための図である。まず、図６について説明する。たとえば、前処理部１５２は、マップ７０を表示部１３０に表示させ、ユーザに対し、対象区域の指定を要求する。ユーザは、表示部に表示されたマップ７０を参照し、入力部１２０を操作して、対象区域７０ａを選択する。

【0064】

前処理部１５２は、対象区域７０ａの指定を受け付けると、対象区域７０ａを複数のエリアに分割する。たとえば、前処理部１５２は、縦を１００分割、横を１００分割することで、合計、１００００個のエリアを生成する。図６では、一部のエリアのみを表示する。前処理部１５２は、下記の処理を実行して、エリアごとに、マップデータを生成する。たとえば、前処理部１５２は、エリア（対象エリア）Ａ１２を基にして、マップデータｍ１２を生成する場合について説明する。

【0065】

前処理部１５２は、対象エリアＡ１２に対応する施設位置情報６０を基にして、対象エリアＡ１２に含まれるＰＯＩおよびＢＳの位置を特定する。前処理部１５２は、特定した結果を基にして、面データ１２－１～１２－１０，１２－ＢＳを生成する。前処理部１５２が、対象エリアＡ１２を基にして、面データ１２－１～１２－１０，１２－ＢＳを生成する処理は、図２で説明した、対象エリアＡ１０から、面データ１０－１～１０－１０，１０－ＢＳを生成する処理と同様である。前処理部１５２は、面データ１２－１～１２－１０，１２－ＢＳを重ね合わせることで、マップデータｍ１２を生成する。

【0066】

また、前処理部１５２は、予め設定された曜日種と、時刻とを準備する。予め設定される曜日種を「平日」、「休日」の２種類とする。予め設定される時刻を、０時～２４時について、３０分毎に０～４８を割り当てる。たとえば、０時には「０」が割り当てられ、０時３０分には「１」が割り当てられる。前処理部１５２は、マップデータｍ１２、各曜日種、各時刻の組合せを、学習データの入力データとして生成する。たとえば、対象エリアＡ１２の入力データの数は、９６となる。

【0067】

図７の説明に移行する。前処理部１５２は、図７の処理を実行することで、学習データの正解ラベルであって、対象エリアＡ１２の入力データと対になる正解ラベル（通信容量）を特定する。

【0068】

前処理部１５２は、対象エリアＡ１２の所定期間の通信容量の実績値セットを外部装置等から取得する。図７では一例として、実績値セット８０，８１を示す。実績値セット８０は、対象エリアＡ１２の曜日種「平日」の実績値セットである。実績値セット８０には、所定期間の各日付の実績値情報８０ａ，８０ｂ，８０ｃが含まれる。実績値情報８０ａ，８０ｂ，８０ｃの縦軸は、通信容量の実績値であり、横軸は、時刻に対応する。ただし、横軸の数値は、０時～２４時（３０分刻みの時刻）に、０～４８の数値を割り当てた値となる。

【0069】

実績値セット８１は、対象エリアＡ１２の曜日種「休日」の実績値セットである。実績値セット８１には、所定期間の各日付の実績値情報８１ａ，８１ｂ，８１ｃが含まれる。実績値情報８１ａ，８１ｂ，８１ｃの縦軸は、通信容量の実績値であり、横軸は、時刻に対応する。ただし、横軸の数値は、０時～２４時（３０分刻みの時刻）に、０～４８の数値を割り当てた値となる。

【0070】

ここで、入力データの曜日種を「平日」とし、時刻を「１４時０分（２８）」とする。この場合、前処理部１５２は、実績値セット８０に含まれる実績値情報８０ａ，８０ｂ，８０ｃの時刻「２８」に対応する通信容量のうち、最大の通信容量（１９Ｍｂｐｓ）を特定する。前処理部１５２は、学習データの入力データ「マップデータｍ１２、曜日種「平日」、時刻「２８」」に対応する正解ラベルを、特定した通信容量（１９Ｍｂｐｓ）に設定し、入力データと正解ラベルとの学習データを、学習データセットに登録する。

【0071】

一方、入力データの曜日種を「休日」とし、時刻が「２０時０分（４０）」とする。この場合、前処理部１５２は、実績値セット８１に含まれる実績値情報８１ａ，８１ｂ，８１ｃの時刻「４０」に対応する通信容量のうち、最大の通信容量（１１Ｍｂｐｓ）を特定する。前処理部１５２は、学習データの入力データ「マップデータｍ１２、曜日種「休日」、時刻「４０」」に対応する正解ラベルを、特定した通信容量（１１Ｍｂｐｓ）に設定し、入力データと正解ラベルとの学習データを、学習データセットに登録する。

【0072】

前処理部１５２は、対象エリアＡ１２の各入力データに対して、上記処理を繰り返し実行することで、対象エリアＡ１２に関する複数の学習データを生成し、学習データセット１４１に登録する。

【0073】

前処理部１５２は、図６に示した各対象エリアについても、上記処理を繰り返し実行することで、各対象エリアに関する複数の学習データを生成し、学習データセット１４１に登録する。

【0074】

図４の説明に戻る。機械学習部１５３は、学習フェーズにおいて、学習データセット１４１を基にして、機械学習モデル５０の機械学習を実行する。機械学習部１５３は、学習データセット１４１から、学習データを取得し、学習データの入力データ（マップデータ、曜日種、時刻）を、機械学習モデル５０に入力する。機械学習部１５３は、機械学習モデル５０から出力される値が、学習データの正解ラベルに近づくように、誤差逆伝播法等を基にして、機械学習モデル５０のパラメータを更新する。機械学習部１５３は、上記の処理を繰り返し実行する。

【0075】

予測部１５４は、予測フェーズにおいて、対象エリアの通信容量を予測する。たとえば、ユーザは、入力部１２０を操作して、対象エリア、曜日種、時刻を指定する。予測部１５４は、ユーザに指定された対象エリアの施設位置情報６０を基にして、マップデータを生成する。予測部１５４が、対象エリアのマップデータを生成する処理は、図３で説明した対象エリアＡ１１から、マップデータ２０ａを生成する処理と同様である。

【0076】

予測部１５４は、マップデータ、曜日種、時刻を含む入力データを、機械学習済みの機械学習モデル５０に入力することで、通信容量を得る。予測部１５４は、通信容量が、所定のトラフィック需要以上となるか否かを判定し、判定結果を表示部１３０に出力する。

【0077】

なお、予測部１５４は、通信容量が、所定のトラフィック需要未満となる場合には、マップデータに含まれるＢＳの面データを更新して、入力データを更新する。予測部１５４は、更新した入力データを、機械学習モデル５０に入力することで、通信容量を得る。予測部１５４は、通信容量が、所定のトラフィック需要以上となるまで、入力データの更新を繰り返し実行する。

【0078】

予測部１５４は、マップデータに含まれるＢＳの面データを更新する場合には、ＢＳの面データについて、ランダムで何れかの小エリアの「１」を「０」に変更する（ＢＳの数を減らす）、あるいは、何れかの小エリアの「０」を「１」に変更する（ＢＳの数を増やす）。または、予測部１５４は、面データの小エリアのうち「１」が設定された小エリアの隣の小エリアを選択し、「１」が設定された小エリアの値を「０」に変更し、選択した小エリアの値を「１」に設定する。

【0079】

更に、予測部１５４は、上記処理を繰り返し、通信容量が、所定のトラフィック需要以上となり、かつ、ＢＳの数が最小となるような、ＢＳの面データを探索する処理を実行してもよい。また、予測部１５４は、対象エリアの各曜日種と各時刻との全ての組合せについて、所定のトラフィック需要以上となり、かつ、ＢＳの数が最小となるような、ＢＳの面データを探索する処理を実行してもよい。たとえば、予測部１５４は、ＢＳ数を最小化する目的関数とし、全ての曜日種、時刻の組合せについて、通信容量が閾値以上となる制約条件を設定して、ＢＳの面データを探索する処理を実行してもよい。

【0080】

次に、本実施例に係る評価装置の処理手順の一例について説明する。図８は、本実施例に係る評価装置の処理手順を示すフローチャートである。なお、図８の処理で利用する機械学習モデル５０は、学習フェーズによって、機械学習済みの機械学習モデルとする。図８に示すように、評価装置１００の予測部１５４は、入力部１２０から、対象エリア、曜日種、時刻の指定を受け付ける（ステップＳ１０１）。

【0081】

予測部１５４は、対象エリアに対応する施設位置情報６０を基にして、各ＰＯＩの面データを生成する（ステップＳ１０２）。予測部１５４は、評価対象となるＢＳの面データを生成する（ステップＳ１０３）。予測部１５４は、各ＰＯＩの面データと、ＢＳの面データとを重ね合わせて、マップデータを生成する（ステップＳ１０４）。

【0082】

予測部１５４は、マップデータ、曜日種、時刻を設定した入力データを、機械学習モデル５０に入力して、通信容量を予測する（ステップＳ１０５）。予測部１５４は、予測した通信容量が、所定のトラフィック需要以上となるか否かを判定する（ステップＳ１０６）。予測部１５４は、判定結果を表示部１３０に表示させる（ステップＳ１０７）。

【0083】

次に、本実施例に係る評価装置１００の効果について説明する。本実施例に係る評価装置１００は、マップデータ、曜日種、時刻を入力とし、対象物の影響度を出力とする機械学習モデルを利用する。マップデータは、対象エリアに既に配置されているＰＯＩ毎に設けられた位置および規模を示す２次元の面データと対象エリアの対象物の位置および規模を示す２次元の面データとを重ね合わせた３次元データである。評価装置１００は、ＰＯＩ毎の面データと、評価対象の対象物の配置、規模に関する面データとを重ね合わせたマップデータと、曜日種と、時刻とを、機械学習済みの機械学習モデル５０に入力して、対象エリアの影響度を予測する。これによって、エリア内の施設と対象物との相対的な位置関係を考慮した影響度を予測することができる。

【0084】

たとえば、評価装置１００は、対象物を基地局とし、対象物の影響度を、対象エリアのＢＳ配置による通信容量とすることで、エリア内のＰＯＩと基地局との相対的な位置関係を考慮した通信容量を予測することができる。

【0085】

評価装置１００は、マップデータ、曜日種、時刻を含む入力データと、通信容量の正解ラベルとを対応付けた学習データを用いて、機械学習モデル５０の機械学習を実行する。これによって、マップデータ、曜日種、時刻を、機械学習モデル５０に入力して、対象エリアの通信容量を予測することができる。

【0086】

評価装置１００は、予測した通信容量と、対象エリアのトラフィック需要とを比較することで、配置したＢＳによって、対象エリアのトラフィック需要を満たすことが可能であるか否かを予測することできる。

【0087】

評価装置１００は、機械学習モデル５０を利用して、通信容量を予測することで、従来技術と比較して、より正確に通信容量を予測することも可能である。図９は、通信容量の予測精度の比較結果を示す図である。図９のグラフＧ２は、従来技術の通信容量の精度を示すグラフである。グラフＧ３は、評価装置１００の通信容量の精度を示すグラフである。グラフＧ２、Ｇ３の縦軸は、通信容量（予測）であり、横軸は、通信容量（正解）である。

【0088】

グラフＧ２の決定変数は「０．８２」であり、平均誤差は「０．６１」である。グラフＧ３の決定変数は「０．９１」であり、平均誤差は「０．４１」である。決定変数が「１」に近づくほど、また、平均誤差が０に近づくほど、通信容量の予測精度が良いことを示す。すなわち、本実施例に係る評価装置１００の予測精度は、従来技術の予測精度よりもよいことが示される。

【0089】

ところで、上述した評価装置１００の処理は一例であり、評価装置１００はその他の処理を実行してもよい。たとえば、対象エリアには、ＰＯＩがほとんど存在していないが、隣接エリアにＰＯＩが密集していたり、規模の大きなＰＯＩが存在していたりして、通信容量が大きくなっている場合がある。この場合、評価装置１００は、対象エリアを設定する際に、一つ以上の何らかのＰＯＩが含まれるように、対象エリアの大きさを調整する。

【0090】

図１０は、評価装置のその他の処理を説明するための図である。たとえば、初期の対象エリアを、Ａ２０とすると、対象エリアＡ２０には、ＰＯＩが存在していない。このような場合、評価装置１００は、対象エリアＡ２０を、対象エリアＡ２１に拡大し、いずれかのＰＯＩを含ませる。評価装置１００は、対象エリアに少なくとも含めるＰＯＩとして、地域特性に応じてＵＥの集まりそうなＰＯＩを選択する。評価装置１００は、考慮するＰＯＩを重要度等によって絞り込むことで、計算負荷を軽減することもできる。各地域特性に応じたＰＯＩの重要度は、予め設定されているものとする。

【0091】

図１１は、対象エリアを拡大した場合の予測精度の一例を示す図である。ここでは、初期の対象エリアを１２×１２マスとし、周辺３マス分、対象エリアを拡大したものとする。評価装置１００がかかる手法によって、対象エリアを設定し、機械学習モデル５０を用いて、通信容量を予測すると、通信容量の精度を示すグラフは、グラフＧ４となった。グラフＧ４の縦軸は、通信容量（予測）であり、横軸は、通信容量（正解）である。グラフＧ４の決定変数は「０．９６」であり、平均誤差は「０．２９」となった。グラフＧ２と比較して、決定変数がより１に近づき、平均誤差も減少しているため、通信容量の精度が向上していることが示される。

【0092】

なお、本実施例では、対象物を「ＢＳ」として説明し、対象エリア内の施設と対象物との相対的な位置関係を考慮した影響度を「通信容量」として説明したが、これに限定されるものではない。対象物は、ユーザの人数、位置に応じて、サービスを提供する対象物（飲食店、コンビニ、スーパー、自販機、タクシー）であってもよい。対象エリア内の施設と対象物との相対的な位置関係を考慮した影響度は、売上高や、サービス品質等であってもよい。

【0093】

次に、上述した評価装置１００と同様の機能を実現するコンピュータのハードウェア構成の一例について説明する。図１２は、実施例の評価装置と同様の機能を実現するコンピュータのハードウェア構成の一例を示す図である。

【0094】

図１２に示すように、コンピュータ２００は、各種演算処理を実行するＣＰＵ２０１と、ユーザからのデータの入力を受け付ける入力装置２０２と、ディスプレイ２０３とを有する。また、コンピュータ２００は、有線または無線ネットワークを介して、外部装置等との間でデータの授受を行う通信装置２０４と、インタフェース装置２０５とを有する。また、コンピュータ２００は、各種情報を一時記憶するＲＡＭ２０６と、ハードディスク装置２０７とを有する。そして、各装置２０１～２０７は、バス２０８に接続される。

【0095】

ハードディスク装置２０７は、取得プログラム２０７ａ、前処理プログラム２０７ｂ、機械学習プログラム２０７ｃ、予測プログラム２０７ｄを有する。また、ＣＰＵ２０１は、各プログラム２０７ａ～２０７ｄを読み出してＲＡＭ２０６に展開する。

【0096】

取得プログラム２０７ａは、取得プロセス２０６ａとして機能する。前処理プログラム２０７ｂは、前処理プロセス２０６ｂとして機能する。機械学習プログラム２０７ｃは、機械学習プロセス２０６ｃとして機能する。予測プログラム２０７ｄは、予測プロセス２０６ｄとして機能する。

【0097】

取得プロセス２０６ａの処理は、取得部１５１の処理に対応する。前処理プロセス２０６ｂの処理は、前処理部１５２の処理に対応する。機械学習プロセス２０６ｃの処理は、機械学習部１５３の処理に対応する。予測プロセス２０６ｄの処理は、予測部１５４の処理に対応する。

【0098】

なお、各プログラム２０７ａ～２０７ｄについては、必ずしも最初からハードディスク装置２０７に記憶させておかなくても良い。例えば、コンピュータ２００に挿入されるフレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＤＶＤ、光磁気ディスク、ＩＣカードなどの「可搬用の物理媒体」に各プログラムを記憶させておく。そして、コンピュータ２００が各プログラム２０７ａ～２０７ｄを読み出して実行するようにしてもよい。

【0099】

以上の各実施例を含む実施形態に関し、さらに以下の付記を開示する。

【0100】

（付記１）対象エリアに既に配置されている施設毎に設けられた前記施設の位置および前記施設の規模を示す２次元の第１行列と前記対象エリアに既に設置されている対象物の位置および前記対象物の規模を示す２次元の第２行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを入力とし、前記対象物が前記対象エリアに与える影響度を出力として機械学習された学習モデルに対し、
前記第１行列と、前記第２行列の前記対象物の位置または前記対象物の規模の少なくとも一方を変更した第３行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを入力することで、前記対象物が前記対象エリアに与える影響度を予測する
処理をコンピュータに実行させることを特徴とする評価プログラム。

【0101】

（付記２）前記第１行列と、前記第２行列と前記第２行列とを重ね合わせた３次元データと、前記曜日の種類と、前記時刻とを含む入力データと、前記対象物が前記対象エリアに与える影響度を正解ラベルとする学習データを基にして、前記学習モデルの機械学習を実行する処理を更にコンピュータに実行させることを特徴とする付記１に記載の評価プログラム。

【0102】

（付記３）前記機械学習を実行する処理は、前記対象エリアに施設が含まれない場合には、施設が含まれるまで、前記対象エリアの範囲が拡大された第１行列と、前記第２行列とを重ね合わせた３次元データを前記入力データに含む前記学習データを用いて、前記学習モデルの機械学習を実行することを特徴とする付記２に記載の評価プログラム。

【0103】

（付記４）前記学習データの入力データは、前記第１行列と、前記対象エリアに既に設置されている基地局の位置および前記対象物の規模を示す２次元の第２行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを含み、前記正解ラベルは、前記対象エリアに配置された基地局の通信容量を含み、前記機械学習を実行する処理は、前記学習データを基にして、前記学習モデルの機械学習を実行することを特徴とする付記３に記載の評価プログラム。

【0104】

（付記５）前記予測する処理は、前記第１行列と、前記第２行列の前記基地局の位置または前記対象物の規模の少なくとも一方を変更した第３行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを前記学習モデルに入力することで、通信容量を予測することを特徴とする付記４に記載の評価プログラム。

【0105】

（付記６）前記予測する処理によって、予測された通信容量と、前記対象エリアの通信容量の需要とを基にして、前記対象エリアの通信容量の需要を満たすか否かを判定する処理を更にコンピュータに実行させることを特徴とする付記５に記載の評価プログラム。

【0106】

（付記７）対象エリアに既に配置されている施設毎に設けられた前記施設の位置および前記施設の規模を示す２次元の第１行列と前記対象エリアに既に設置されている対象物の位置および前記対象物の規模を示す２次元の第２行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを入力とし、前記対象物が前記対象エリアに与える影響度を出力として機械学習された学習モデルに対し、
前記第１行列と、前記第２行列の前記対象物の位置または前記対象物の規模の少なくとも一方を変更した第３行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを入力することで、前記対象物が前記対象エリアに与える影響度を予測する
処理をコンピュータが実行することを特徴とする評価方法。

【0107】

（付記８）前記第１行列と、前記第２行列と前記第２行列とを重ね合わせた３次元データと、前記曜日の種類と、前記時刻とを含む入力データと、前記対象物が前記対象エリアに与える影響度を正解ラベルとする学習データを基にして、前記学習モデルの機械学習を実行する処理を更にコンピュータが実行することを特徴とする付記７に記載の評価方法。

【0108】

（付記９）前記機械学習を実行する処理は、前記対象エリアに施設が含まれない場合には、施設が含まれるまで、前記対象エリアの範囲が拡大された第１行列と、前記第２行列とを重ね合わせた３次元データを前記入力データに含む前記学習データを用いて、前記学習モデルの機械学習を実行することを特徴とする付記８に記載の評価方法。

【0109】

（付記１０）前記学習データの入力データは、前記第１行列と、前記対象エリアに既に設置されている基地局の位置および前記対象物の規模を示す２次元の第２行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを含み、前記正解ラベルは、前記対象エリアに配置された基地局の通信容量を含み、前記機械学習を実行する処理は、前記学習データを基にして、前記学習モデルの機械学習を実行することを特徴とする付記９に記載の評価方法。

【0110】

（付記１１）前記予測する処理は、前記第１行列と、前記第２行列の前記基地局の位置または前記対象物の規模の少なくとも一方を変更した第３行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを前記学習モデルに入力することで、通信容量を予測することを特徴とする付記１０に記載の評価方法。

【0111】

（付記１２）前記予測する処理によって、予測された通信容量と、前記対象エリアの通信容量の需要とを基にして、前記対象エリアの通信容量の需要を満たすか否かを判定する処理を更にコンピュータが実行することを特徴とする付記１１に記載の評価方法。

【0112】

（付記１３）対象エリアに既に配置されている施設毎に設けられた前記施設の位置および前記施設の規模を示す２次元の第１行列と前記対象エリアに既に設置されている対象物の位置および前記対象物の規模を示す２次元の第２行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを入力とし、前記対象物が前記対象エリアに与える影響度を出力として機械学習された学習モデルに対し、
前記第１行列と、前記第２行列の前記対象物の位置または前記対象物の規模の少なくとも一方を変更した第３行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを入力することで、前記対象物が前記対象エリアに与える影響度を予測する
処理を実行する制御部を有する評価装置。

【0113】

（付記１４）前記制御部は、前記第１行列と、前記第２行列と前記第２行列とを重ね合わせた３次元データと、前記曜日の種類と、前記時刻とを含む入力データと、前記対象物が前記対象エリアに与える影響度を正解ラベルとする学習データを基にして、前記学習モデルの機械学習を実行する処理を更に実行することを特徴とする付記１３に記載の評価装置。

【0114】

（付記１５）前記機械学習を実行する処理は、前記対象エリアに施設が含まれない場合には、施設が含まれるまで、前記対象エリアの範囲が拡大された第１行列と、前記第２行列とを重ね合わせた３次元データを前記入力データに含む前記学習データを用いて、前記学習モデルの機械学習を実行することを特徴とする付記１４に記載の評価装置。

【0115】

（付記１６）前記学習データの入力データは、前記第１行列と、前記対象エリアに既に設置されている基地局の位置および前記対象物の規模を示す２次元の第２行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを含み、前記正解ラベルは、前記対象エリアに配置された基地局の通信容量を含み、前記機械学習を実行する処理は、前記学習データを基にして、前記学習モデルの機械学習を実行することを特徴とする付記１５に記載の評価装置。

【0116】

（付記１７）前記予測する処理は、前記第１行列と、前記第２行列の前記基地局の位置または前記対象物の規模の少なくとも一方を変更した第３行列とを重ね合わせた３次元データと、曜日の種類と、時刻とを前記学習モデルに入力することで、通信容量を予測することを特徴とする付記１６に記載の評価装置。

【0117】

（付記１８）前記制御部は、前記予測する処理によって、予測された通信容量と、前記対象エリアの通信容量の需要とを基にして、前記対象エリアの通信容量の需要を満たすか否かを判定する処理を更に実行することを特徴とする付記１７に記載の評価装置。

【符号の説明】

【0118】

５０ 機械学習モデル
６０ 施設位置情報
１００ 評価装置
１１０ 通信部
１２０ 入力部
１３０ 表示部
１４０ 記憶部
１４１ 学習データセット
１５０ 制御部
１５１ 取得部
１５２ 前処理部
１５３ 機械学習部
１５４ 予測部

【図1】

【図2A】

【図2B】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】