特許 7346720 フェージング予測装置、フェージング予測方法およびフェージング予測プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2023-09-08

(45)【発行日】2023-09-19

(54)【発明の名称】フェージング予測装置、フェージング予測方法およびフェージング予測プログラム

(51)【国際特許分類】

   H04W 16/18 20090101AFI20230911BHJP

【ＦＩ】

H04W16/18

【請求項の数】 9

(21)【出願番号】P 2022512515

(86)(22)【出願日】2020-03-30

(86)【国際出願番号】 JP2020014477

(87)【国際公開番号】W WO2021199120

(87)【国際公開日】2021-10-07

【審査請求日】2022-06-30

(73)【特許権者】

【識別番号】000004237

【氏名又は名称】日本電気株式会社

(73)【特許権者】

【識別番号】000232092

【氏名又は名称】ＮＥＣソリューションイノベータ株式会社

(74)【代理人】

【識別番号】100103090

【弁理士】

【氏名又は名称】岩壁 冬樹

(74)【代理人】

【識別番号】100124501

【弁理士】

【氏名又は名称】塩川 誠人

(72)【発明者】

【氏名】秋元 一郎

(72)【発明者】

【氏名】茂刈 春華

(72)【発明者】

【氏名】金子 直人

【審査官】桑原 聡一

(56)【参考文献】

【文献】特開２０１４－１８３５３８（ＪＰ，Ａ）

【文献】国際公開第２０１９／１１６４１７（ＷＯ，Ａ１）

【文献】特開２００９－０４９５９３（ＪＰ，Ａ）

【文献】特開２００７－３００３６６（ＪＰ，Ａ）

【文献】特開２０１６－０９１２７１（ＪＰ，Ａ）

【文献】特開２０１４－１６０９７９（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｈ０４Ｂ ７／２４－７／２６

Ｈ０４Ｗ ４／００－９９／００

(57)【特許請求の範囲】

【請求項1】

対象地域における予測対象時の気象予報情報の入力を受け付ける入力手段と、
降水後の気温変化を示す気象情報を説明変数とし、当該気象情報に対するフェージングの発生有無を目的変数とする実績データを用いて学習された予測モデルを用いて、前記気象予報情報に基づき、前記予測対象時のフェージングの発生有無を予測する予測手段とを備えた
ことを特徴とするフェージング予測装置。

【請求項2】

入力手段は、受信周波数、受信電力量および送信周波数の少なくとも１つを示す第一特徴量、並びに、エラーが発生したブロック数を示す第二特徴量の入力を受け付け、
予測手段は、気象情報、並びに、前記第一特徴量および前記第二特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測する
請求項１記載のフェージング予測装置。

【請求項3】

入力手段は、最大送信トラフィック量および最大受信トラフィック量の少なくとも一つの変化量を示す第三特徴量の入力を受け付け、
予測手段は、気象情報、および、前記第三特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測する
請求項１または請求項２記載のフェージング予測装置。

【請求項4】

入力手段は、他の種類のフェージングの発生回数とエラーが発生したブロック数とにより算出される第四特徴量の入力を受け付け、
予測手段は、気象情報、および、前記第四特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測する
請求項１から請求項３のうちのいずれか１項に記載のフェージング予測装置。

【請求項5】

予測されたフェージングの発生有無を示す情報を出力する出力手段を備え、
入力手段は、時系列に気象予報情報の入力を受け付け、
前記出力手段は、予測されたフェージングの発生有無を時系列順に出力する
請求項１から請求項４のうちのいずれか１項に記載のフェージング予測装置。

【請求項6】

コンピュータが、対象地域における予測対象時の気象予報情報の入力を受け付け、
前記コンピュータが、降水後の気温変化を示す気象情報を説明変数とし、当該気象情報に対するフェージングの発生有無を目的変数とする実績データを用いて学習された予測モデルを用いて、前記気象予報情報に基づき、前記予測対象時のフェージングの発生有無を予測する
ことを特徴とするフェージング予測方法。

【請求項7】

コンピュータが、受信周波数、受信電力量および送信周波数の少なくとも１つを示す第一特徴量、並びに、エラーが発生したブロック数を示す第二特徴量の入力を受け付け、
前記コンピュータが、気象情報、並びに、前記第一特徴量および前記第二特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測する
請求項６記載のフェージング予測方法。

【請求項8】

コンピュータに、
対象地域における予測対象時の気象予報情報の入力を受け付ける入力処理、および、
降水後の気温変化を示す気象情報を説明変数とし、当該気象情報に対するフェージングの発生有無を目的変数とする実績データを用いて学習された予測モデルを用いて、前記気象予報情報に基づき、前記予測対象時のフェージングの発生有無を予測する予測処理
を実行させるためのフェージング予測プログラム。

【請求項9】

コンピュータに、
入力処理で、受信周波数、受信電力量および送信周波数の少なくとも１つを示す第一特徴量、並びに、エラーが発生したブロック数を示す第二特徴量の入力を受け付けさせ、
予測処理で、気象情報、並びに、前記第一特徴量および前記第二特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測させるためのフェージング予測プログラムを記憶する
請求項８記載のフェージング予測プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、フェージングの発生を予測するフェージング予測装置、フェージング予測方法およびフェージング予測プログラムに関する。

【背景技術】

【0002】

無線通信システムにおける障害要因の一つとして、自然現象等に起因して無線回線で発生するフェージングが挙げられる。フェージングには、干渉性フェージング（マルチパスフェージング、周波数選択性フェージング）、減衰性フェージング（フラットフェージング）、およびダクト型フェージングなど、複数の種類が存在する。

【0003】

特許文献１には、フェージングについて適切な推定を行うことができる監視装置が記載されている。特許文献１に記載された監視装置は、障害が発生した時間および受信信号レベルに基づいて、無線通信装置が接続された無線回線において発生したフェージングの種類や外部干渉を推定する。

【0004】

なお、非特許文献１には、受信信号強度と気候条件との相関について記載されている。

【先行技術文献】

【特許文献】

【0005】

【文献】特開２０１８－１９５９４５号公報

【非特許文献】

【0006】

【文献】Jari Luomala and Ismo Hakala, “Effects of Temperature and Humidity on Radio Signal Strength in Outdoor Wireless Sensor Networks,” Proceedings of the Federated Conference on Computer Science and Information Systems pp. 1247-1255, 2015.

【発明の概要】

【発明が解決しようとする課題】

【0007】

特許文献１に記載された監視装置を用いることで、フェージングの種類等を推定することは可能であるため、フェージングに応じた対処を講じることが可能である。例えば、干渉性フェージングの場合には、アンテナの傾きを変えたり、アンテナの数を増やしたりする対応をとることができる。また、減衰性フェージングの場合には、アンテナの高さを変えたり、ダクト型フェージングの場合には、アンテナの高さや傾きを変えたりする対応をとることができる。

【0008】

ただし、上述する対応を実行するためには、数日から数週間単位の時間を要することが一般的である。これは、作業場所が、例えば、沼地のような場所であったり、許可が必要な場所（ビルの屋上など）であったり、天候に左右される場所（冬季に吹雪の影響を受ける鉄塔など）であったりすることが想定されるからである。

【0009】

一般的には、障害が起こってからアンテナの傾きや高さなどを調整するため、通信が確立するまでに時間を要していた。そのため、現地にアサインするメンバの決定や移動時間等を考慮すると、フェージングの種類を推定するだけでなく、どのフェージングがいつ発生するか予測できることが好ましい。

【0010】

そこで、本発明は、将来発生するフェージングを予測できるフェージング予測装置、フェージング予測方法およびフェージング予測プログラム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】

【0011】

本発明によるフェージング予測装置は、対象地域における予測対象時の気象予報情報の入力を受け付ける入力手段と、降水後の気温変化を示す気象情報を説明変数とし、その気象情報に対するフェージングの発生有無を目的変数とする実績データを用いて学習された予測モデルを用いて、気象予報情報に基づき、予測対象時のフェージングの発生有無を予測する予測手段とを備えたことを特徴とする。

【0012】

本発明によるフェージング予測方法は、コンピュータが、対象地域における予測対象時の気象予報情報の入力を受け付け、コンピュータが、降水後の気温変化を示す気象情報を説明変数とし、その気象情報に対するフェージングの発生有無を目的変数とする実績データを用いて学習された予測モデルを用いて、気象予報情報に基づき、予測対象時のフェージングの発生有無を予測することを特徴とする。

【0013】

本発明によるフェージング予測プログラムは、コンピュータに、対象地域における予測対象時の気象予報情報の入力を受け付ける入力処理、および、降水後の気温変化を示す気象情報を説明変数とし、その気象情報に対するフェージングの発生有無を目的変数とする実績データを用いて学習された予測モデルを用いて、気象予報情報に基づき、予測対象時のフェージングの発生有無を予測する予測処理を実行させることを特徴とする。

【発明の効果】

【0014】

本発明によれば、将来発生するフェージングを予測できる。

【図面の簡単な説明】

【0015】

【図1】本発明によるフェージング予測装置の一実施形態の構成例を示すブロック図である。

【図2】異種混合学習により生成された予測モデルを可視化した例を示す説明図である。

【図3】異種混合学習により学習された予測モデルを可視化した他の例を示す説明図である。

【図4】通信ログの例を示す説明図である。

【図5】通信ログの例を示す説明図である。

【図6】フェージング予測装置の動作例を示すフローチャートである。

【図7】第一の学習方法に基づいて異種混合学習により生成された予測モデルの例を示す説明図である。

【図8】第二の学習方法に基づいて異種混合学習により生成された予測モデルの例を示す説明図である。

【図9】第三の学習方法に基づいて異種混合学習により生成された予測モデルの例を示す説明図である。

【図10】本発明によるフェージング予測装置の概要を示すブロック図である。

【図11】少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。

【発明を実施するための形態】

【0016】

以下、本発明の実施形態を図面を参照して説明する。

【0017】

図１は、本発明によるフェージング予測装置の一実施形態の構成例を示すブロック図である。本実施形態のフェージング予測装置１００は、入力部１０と、予測部２０と、出力部３０とを備えている。フェージング予測装置１００は、記憶部４０に接続され、処理に必要な各種情報を取得する。なお、フェージング予測装置１００が、記憶部４０を備える構成であってもよい。また、記憶部４０は、予測モデルを学習する学習器５０に接続され、学習器５０が学習した予測モデルを記憶する。

【0018】

また、学習器５０は、後述する予測部２０が予測を行う際に用いる予測モデルについての機械学習を行う。具体的には、学習器５０は、フェージングの種類ごとに、フェージングの発生有無を予測する予測モデルを学習する。

【0019】

ここで、本発明者は、実験の結果、各フェージングと、気温および降水量との間で、以下の関係があることを見出した。
・干渉性フェージングについて、降水量が多いほどフェージング量が少ない
・減衰性フェージングについて、降水後、気温が高いほどフェージング量が多い
・ダクト型フェージングについて、降水後、気温が高いほどフェージング量が多い

【0020】

発明者は、例えば、減衰性フェージングおよびダクト型フェージングでは、雨が降った後気温が高くなると、飽和水分量（すなわち、大気の単位体積あたりに含むことができる水分の量）が増えるため、大気の屈折率が上がり、エラーが発生し易いことを見出した。

【0021】

このように、フェージングの発生有無には気象情報が影響していると推定されることから、本実施形態では、学習器５０が、フェージングの発生有無を目的変数とし、少なくとも気象情報を説明変数として含む予測モデルを学習する。この気象情報には、気温および降水量が含まれる。

【0022】

なお、学習器５０が予測モデルを学習する方法は任意であり、広く知られた機械学習により予測モデルを学習してもよい。学習器５０は、例えば、異種混合学習により、予測モデルを学習してもよい。異種混合学習により生成される予測モデルは、入力データの予測に用いられる予測式が入力データの内容に応じて選択され、選択された予測式を用いて予測が行われるモデルであり、各予測式が説明変数の線形和で表される。異種混合学習で予測モデルを生成することで、解釈性の高い予測結果を得ることができるため、例えば、想定した特徴量が予測に使用されているか否か検証することも可能になる。

【0023】

上述する予測モデルを活用することで、例えば、事前にアンテナの傾きや角度、アンテナ数、アンテナの高さを調整することが可能になる。また、地域の気候条件（例えば、年間の気温や降水量）を考慮し、アンテナの傾きや角度、アンテナ数、アンテナの高さを無線システムの設計段階で調整することも可能になる。

【0024】

図２は、異種混合学習により生成された予測モデルを可視化した例を示す説明図である。図２に例示する予測モデルは、干渉性フェージングの発生有無を予測する木構造で可視化されたモデルであり、降水量に関する特徴量を説明変数として含むモデルである。具体的には、図２に例示する予測モデルは、所定期間に１ｂｉｔ以上のエラーが発生したブロック数で予測式を場合分けする。なお、以下の説明では、１ビットでもエラーが発生したブロック数をＢＢＥ（Background Block Error）と記すこともある。

【0025】

図３は、異種混合学習により学習された予測モデルを可視化した他の例を示す説明図である。図３に例示するグラフは、図２に例示する予測モデルにおいて選択される予測式に含まれる説明変数の係数の値を積み上げて可視化したものである。例えば、図３に例示する説明変数２は、降水量に関する特徴量（例えば、予測月の３週目の平均降水量）を示しており、この説明変数は、予測式３の予測結果に大きな影響を与えていることを示す。

【0026】

例えば、この説明変数２に着目すると、係数が－６程度である。そのため、降水量が多い場合、発生リスクが大きく減少する（言い換えると、降水量が少ない場合には、発生リスクはそれほど減少しない）ことが予測される。このことから、「降水量が少ない場合、干渉性フェージングの発生が多くなる」という仮説も導くことができる。

【0027】

降水量や気温などの気象情報を取得する方法は任意であり、例えば、天候データを提供する外部サイトから気象情報を取得可能である。また、フェージングの発生有無の取得方法も任意である。学習器５０は、例えば、フェージングの発生有無を示す情報を直接取得してもよく、特許文献１に記載された方法を用いてフェージングの発生有無を推定してもよい。推定に用いられるデータは、例えば、パソリンク（登録商標）など、Point to Pointの超小型マイクロ波通信システムのログから取得可能である。

【0028】

学習器５０は、このようなシステムや外部サイトから各種情報を取得して、気象情報に対するフェージングの発生有無を含む実績データを生成してもよい。

【0029】

さらに、学習器５０は、気象情報以外の特徴量を含む実績データを用いて予測モデルを学習してもよい。具体的には、学習器５０は、上述する通信システムなどから取得できるログに基づいて特徴量を生成し、生成した特徴量をさらに含む実績データを用いて予測モデルを学習してもよい。

【0030】

図４および図５は、通信ログの例を示す説明図である。図４に例示するログ１０１は、トラフィック量やパケットロスなどに関する情報を含むログである。また、図５に例示するログ１０２は、無線情報や障害情報などを含むログである。なお、図５において、ＥＳ（Errored Second）は、１秒間に１ブロックでもエラーが発生した秒数を示す。また、ＳＥＳ（Severely Errored Second ）は、１秒間に３０％以上のブロックでエラーが発生した秒数を示し、ＳＥＳがカウントされる場合は、ＥＳもカウントされる。なお、ＳＥＳは、一般的なネットワーク品質の評価指標として使用されている値である。また、ＳＥＰ（Severely Errored Period ）は、ＳＥＳが２秒以上１０秒未満継続して発生した合計秒数であり、ＳＥＰがカウントされる場合は、ＳＥＳもカウントされる。また、ＵＡＳ（Unavailable Second）は、ＳＥＳが１０秒以上継続して発生した合計秒数である。学習器５０は、これらのログを用いてフェージングの発生有無を推定してもよい。

【0031】

以下、好ましい特徴量を用いた予測モデルの学習方法について具体的に説明する。

【0032】

第一の学習方法として、受信周波数、受信電力量、および、送信周波数の少なくとも１つを示す特徴量、並びに、エラーが発生したブロック数を示す特徴量の両方を含む実績データを用いて予測モデルを学習する方法が挙げられる。例えば、特徴量として受信周波数が用いられる場合、学習器５０は、図４に例示するログ１０１のモデム情報における受信周波数と、図５に例示するログ１０２の無線情報におけるＲＦ－ＢＢＥ値とを、それぞれ取得する。そして、学習器５０は、受信周波数を示す特徴量、及び、エラーが発生したブロック数を示す特徴量に対するフェージングの発生有無を含む実績データを用いて、予測モデルを学習する。受信電力量および送信周波数を特徴量として使用する場合も同様である。すなわち、学習器５０は、通信ログ等から受信電力量（単位ｄＢｍ）および送信周波数の少なくとも一方を取得して実績データの特徴量に含めればよい。なお、受信周波数、受信電力量、および、送信周波数について、いずれか１つが特徴量として用いられてもよく、２つ以上が特徴量として用いられてもよい。

【0033】

第二の学習方法として、最大送信トラフィック量（データ量）および最大受信トラフィック量の少なくとも一つの変化量を示す特徴量を含む実績データを用いて予測モデルを学習する方法が挙げられる。例えば、特徴量として最大送信トラフィック量が用いられる場合、学習器５０は、図４に例示するログ１０１のトラフィック情報における送信データ量を取得して、期間ごとの最大量を特定する。そして、学習器５０は、最大送信トラフィック量を示す特徴量に対するフェージングの発生有無を含む実績データを用いて、予測モデルを学習する。最大受信トラフィック量を特徴量として使用する場合も同様である。すなわち、学習器５０は、図４に例示するログ１０１のトラフィック情報における受信データ量を取得し、期間ごとの最大量を特徴量として特定して実績データに含めればよい。なお、最大送信トラフィック量および最大受信トラフィック量について、いずれか１つが特徴量として用いられてもよく、両方が特徴量として用いられてもよい。

【0034】

第三の学習方法として、他の種類のフェージングの発生回数とエラーが発生したブロック数とにより算出される特徴量を含む実績データを用いて予測モデルを学習する方法が挙げられる。具体的には、学習器５０は、図５に例示するログ１０２の無線情報におけるＲＦ－ＢＢＥ値を取得するとともに、フェージングの発生回数の集計値を取得する。そして、学習器５０は、集計された他のフェージングの発生回数とエラーが発生したブロック数とにより算出される特徴量に対するフェージングの発生有無を含む実績データを用いて、予測モデルを学習してもよい。

【0035】

以上、予測モデルを学習する方法を３つ例示して説明したが、実績データに含まれる特徴量は、上記の内容に限定されない。また、各学習方法で用いられる特徴量が、他の学習方法の実績データに含まれていてもよい。

【0036】

学習器５０は、このような実績データを用いて学習することで、図２に例示するような予測モデルを生成する。学習器５０は、生成した予測モデルを記憶部４０に登録する。

【0037】

入力部１０は、フェージングの発生有無の予測に用いる各種情報の入力を受け付ける。ここで、各フェージングの発生と気温および降水量との間に関係性があると推定されることから、入力部１０は、対象地域における予測対象時の気象予報情報の入力を受け付ける。

【0038】

気象予報情報は、対象地域において想定される予測対象時の気温および降水量を含む情報である。なお、気象予報情報は、広範囲の情報を含みうるが、フェージングの発生有無を予測する本願発明の性質上、より狭い範囲を対象とする気象予報情報を用いることが好ましい。入力部１０は、例えば、気象予報を行う外部サイトから、予測対象時の気温および降水量を取得して受け付けてもよいし、ユーザからの気象予報情報の入力を直接受け付けてもよい。

【0039】

また、入力部１０は、予測対象時の気象予報情報だけでなく、図４や図５に例示するような通信ログに基づいて生成される各種特徴量を受け付けてもよい。なお、入力部１０が特徴量の生成に必要な通信ログの入力を受け付けて、後述する予測部２０が予測に用いられる特徴量を生成してもよい。以下の説明では、入力部１０が、通信ログに基づいて生成された特徴量の入力を受け付けるものとする。

【0040】

具体的には、上述する第一の学習方法で示す特徴量を用いて予測モデルが学習されている場合、入力部１０は、受信周波数を示す特徴量、及び、エラーが発生したブロック数を示す特徴量の両方の入力を受け付けてもよい。また、上述する第二の学習方法で示す特徴量を用いて予測モデルが学習されている場合、入力部１０は、最大送信トラフィック量の変化量を示す特徴量の入力を受け付けてもよい。さらに、上述する第三の学習方法で示す特徴量を用いて予測モデルが学習されている場合、入力部１０は、他の種類のフェージングの発生回数とエラーが発生したブロック数とにより算出される特徴量の入力を受け付けてもよい。

【0041】

予測部２０は、記憶部４０から予測モデルを取得する。そして、予測部２０は、入力された各種情報に基づき、予測対象時のフェージングの発生有無を予測する。具体的には、予測部２０は、気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、入力された気象予報情報に基づき、予測対象時のフェージングの発生有無を予測する。

【0042】

また、予測部２０は、気象情報、並びに、受信周波数を示す特徴量及びエラーが発生したブロック数を示す特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測してもよい。この予測モデルは、例えば、上述する第一の学習方法で学習されたモデルに対応する。

【0043】

さらに、予測部２０は、気象情報、および、最大送信トラフィック量の変化量を示す特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測してもよい。この予測モデルは、例えば、上述する第二の学習方法で学習されたモデルに対応する。

【0044】

また、予測部２０は、気象情報、および、他の種類のフェージングの発生回数とエラーが発生したブロック数とにより算出される特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測してもよい。この予測モデルは、例えば、上述する第三の学習方法で学習されたモデルに対応する。

【0045】

出力部３０は、予測結果を出力する。具体的には、出力部３０は、予測対象時におけるフェージングの発生有無を示す予測結果を出力する。例えば、予測モデルが異種混合学習により生成されている場合、出力部３０は、予測に用いた予測式に関する情報を合わせて出力してもよい。

【0046】

また、出力部３０は、入力部１０が受け付けた時系列順の気象予報情報に対し、予測部２０が予測した予測結果を時系列順に出力してもよい。出力部３０は、例えば、時系列順にフェージングの発生有無（発生リスク）をグラフ形式で出力してもよい。これにより、将来のフェージング発生予測の推移を把握することが可能になる。

【0047】

入力部１０と、予測部２０と、出力部３０とは、プログラム（フェージング予測プログラム）に従って動作するコンピュータのプロセッサ（例えば、ＣＰＵ（Central Processing Unit ）、ＧＰＵ（Graphics Processing Unit））によって実現される。

【0048】

例えば、プログラムは、フェージング予測装置１００が備える記憶部（図示せず）に記憶され、プロセッサは、そのプログラムを読み込み、プログラムに従って、入力部１０、予測部２０、および、出力部３０として動作してもよい。また、フェージング予測装置１００の機能がＳａａＳ（Software as a Service ）形式で提供されてもよい。

【0049】

また、入力部１０と、予測部２０と、出力部３０とは、それぞれが専用のハードウェアで実現されていてもよい。また、各装置の各構成要素の一部又は全部は、汎用または専用の回路（circuitry ）、プロセッサ等やこれらの組合せによって実現されもよい。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。各装置の各構成要素の一部又は全部は、上述した回路等とプログラムとの組合せによって実現されてもよい。

【0050】

また、フェージング予測装置１００の各構成要素の一部又は全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。

【0051】

さらに、学習器５０も、プログラム（学習プログラム）に従って動作するコンピュータによって実現される。

【0052】

次に、本実施形態のフェージング予測装置の動作を説明する。図６は、本実施形態のフェージング予測装置の動作例を示すフローチャートである。入力部１０は、対象とする地域における予測対象時の気象予報情報の入力を受け付ける（ステップＳ１１）。予測部２０は、気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、気象予報情報に基づき、予測対象時のフェージングの発生有無を予測する（ステップＳ１２）。

【0053】

以上のように、本実施形態では、入力部１０が、対象とする地域における予測対象時の気象予報情報の入力を受け付け、予測部２０が、気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、気象予報情報に基づき、予測対象時のフェージングの発生有無を予測する。よって、将来発生するフェージングを予測できる。

【0054】

次に、上述する第一の学習方法から第三の学習方法に基づいて、異種混合学習により予測モデルを生成する具体例を説明する。

【0055】

図７は、上述する第一の学習方法に基づいて異種混合学習により生成された予測モデルの例を示す説明図である。図７に例示する予測モデルは、各週のＢＢＥの平均値について所定期間分（例えば、４週間分）合計してｌｏｇ１ｐを算出した値と、受信周波数とによって予測式が選択されるモデルを示す。なお、ｌｏｇ１ｐは、ゼロに近い値の精度を保つ算出方法の一例である。

【0056】

この例において、例えば、予測式５に分類されるモデルが選択される状況（すなわち、受信周波数がＸ１ＧＨｚ以上で、各週のＢＢＥの平均値について所定期間分（４週間分）合計してｌｏｇ１ｐを算出した値がＮ２以上）において干渉性フェージングのリスクが高いことが分かったとする。この場合、特徴量として用いられる受信周波数Ｘ１ＧＨｚ以上を示す機器が使われる環境においてＢＢＥが高いものは、干渉性フェージングのリスクが高い、という傾向を想定できる。

【0057】

図８は、上述する第二の学習方法に基づいて異種混合学習により生成された予測モデルの例を示す説明図である。図８に例示する予測モデルも、各週のＢＢＥの平均値について所定期間分（４週間分）合計してｌｏｇ１ｐを算出した値と、受信周波数とによって予測式が選択されるモデルを示す。

【0058】

この例の場合、予測式０に分類されるモデルが選択される状況（すなわち、受信周波数がＸ３ＧＨｚ未満で、各週のＢＢＥの平均値について所定期間分（４週間分）合計してｌｏｇ１ｐを算出した値がＮ４以上）において、干渉性フェージングのリスクが高いことが分かったとする。この場合、例えば、特徴量として用いられる最大送信トラフィック量の変化量が増加しているほど干渉性フェージングのリスクが高い、という傾向を想定できる。

【0059】

なお、本具体例では、最大送信トラフィック量の変化量を表わす特徴量を、以下に例示する式１のように、３週間にわたる各週の送信トラフィック量の増加率の積（具体的には、幾何平均）で算出した。式１において、n_tx_wk[N]_maxは、期間内の第Ｎ週目の最大送信トラフィック量を表わす。

【0060】

((n_tx_wk2_max / n_tx_wk1_max) * (n_tx_wk3_max / n_tx_wk2_max) *
(n_tx_wk4_max / n_tx_wk3_max))^1/3 （式１）

【0061】

この特徴量の値が高いということは、送信トラフィック量が増加傾向にあり、周辺にて何らかの環境の変化があったことが伺える。

【0062】

図９は、上述する第三の学習方法に基づいて異種混合学習により生成された予測モデルの例を示す説明図である。図９に例示する予測モデルは、図７に例示するモデルと同様である。

【0063】

この例の場合、予測式０に分類されるモデルが選択される状況（すなわち、受信周波数がＸ１ＧＨｚ未満で、各週のＢＢＥの平均値について所定期間分（４週間分）合計してｌｏｇ１ｐを算出した値がＮ１未満）において、干渉性フェージングのリスクが高いことが分かったとする。この場合、例えば、ＢＢＥの平均値に対し、特徴量として用いられる減衰性フェージングの発生回数の割合が小さいほど干渉性フェージングのリスクが高い、という傾向を想定できる。

【0064】

なお、本具体例では、ＢＢＥの平均値に対する減衰性フェージングの発生回数の割合を表わす特徴量を、以下に例示する式２を用いて算出した。

【0065】

（各週の減衰性フェージングの発生回数を４週間分合計してｌｏｇ１ｐを算出した値）／
各週のＢＢＥの平均値について４週間分合計してｌｏｇ１ｐを算出した値)）
（式２）

【0066】

上記想定によれば、減衰性フェージングが発生しているモデムについては、ＢＢＥ発生回数を確認することで、干渉性フェージングの発生をある程度判別できるとも言える。

【0067】

次に、本発明の概要を説明する。図１０は、本発明によるフェージング予測装置の概要を示すブロック図である。本発明によるフェージング予測装置８０（例えば、フェージング予測装置１００）は、対象地域における予測対象時の気象予報情報の入力を受け付ける入力手段８１（例えば、入力部１０）と、気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、気象予報情報（例えば、気温および降水量）に基づき、予測対象時のフェージングの発生有無（例えば、発生リスク）を予測する予測手段８２（例えば、予測部２０）とを備えている。

【0068】

そのような構成により、将来発生するフェージングを予測できる。

【0069】

また、入力手段８１は、受信周波数、受信電力量および送信周波数の少なくとも１つを示す第一特徴量、並びに、エラーが発生したブロック数を示す第二特徴量の入力を受け付け、予測手段８２は、気象情報、並びに、第一特徴量および第二特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測してもよい。

【0070】

また、入力手段８１は、最大送信トラフィック量および最大受信トラフィック量の少なくとも一つの変化量を示す第三特徴量の入力を受け付け、予測手段８２は、気象情報、および、第三特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測してもよい。

【0071】

また、入力手段８１は、他の種類のフェージングの発生回数とエラーが発生したブロック数とにより算出される第四特徴量の入力を受け付け、予測手段８２は、気象情報、および、第四特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測してもよい。

【0072】

また、フェージング予測装置８０は、予測されたフェージングの発生有無を示す情報を出力する出力手段（例えば、出力部３０）を備えていてもよい。そして、入力手段は、時系列に気象予報情報の入力を受け付け、出力手段は、予測されたフェージングの発生有無を時系列順に出力してもよい。

【0073】

図１１は、少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。コンピュータ１０００は、プロセッサ１００１、主記憶装置１００２、補助記憶装置１００３、インタフェース１００４を備える。

【0074】

上述のフェージング予測装置８０は、コンピュータ１０００に実装される。そして、上述した各処理部の動作は、プログラム（フェージング予測プログラム）の形式で補助記憶装置１００３に記憶されている。プロセッサ１００１は、プログラムを補助記憶装置１００３から読み出して主記憶装置１００２に展開し、当該プログラムに従って上記処理を実行する。

【0075】

なお、少なくとも１つの実施形態において、補助記憶装置１００３は、一時的でない有形の媒体の一例である。一時的でない有形の媒体の他の例としては、インタフェース１００４を介して接続される磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ（Compact Disc Read-only memory ）、ＤＶＤ－ＲＯＭ（Read-only memory）、半導体メモリ等が挙げられる。また、このプログラムが通信回線によってコンピュータ１０００に配信される場合、配信を受けたコンピュータ１０００が当該プログラムを主記憶装置１００２に展開し、上記処理を実行してもよい。

【0076】

また、当該プログラムは、前述した機能の一部を実現するためのものであっても良い。さらに、当該プログラムは、前述した機能を補助記憶装置１００３に既に記憶されている他のプログラムとの組み合わせで実現するもの、いわゆる差分ファイル（差分プログラム）であってもよい。

【0077】

なお、上述の学習器５０が、コンピュータ１０００に実装されてもよい。そして、上述した各処理部の動作が、プログラム（学習プログラム）の形式で補助記憶装置１００３に記憶され、プロセッサ１００１が、プログラムを補助記憶装置１００３から読み出して主記憶装置１００２に展開し、当該プログラムに従って上記処理を実行してもよい。

【0078】

上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。

【0079】

（付記１）対象地域における予測対象時の気象予報情報の入力を受け付ける入力手段と、気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、前記気象予報情報に基づき、前記予測対象時のフェージングの発生有無を予測する予測手段とを備えたことを特徴とするフェージング予測装置。

【0080】

（付記２）入力手段は、受信周波数、受信電力量および送信周波数の少なくとも１つを示す第一特徴量、並びに、エラーが発生したブロック数を示す第二特徴量の入力を受け付け、予測手段は、気象情報、並びに、前記第一特徴量および前記第二特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測する付記１記載のフェージング予測装置。

【0081】

（付記３）入力手段は、最大送信トラフィック量および最大受信トラフィック量の少なくとも一つの変化量を示す第三特徴量の入力を受け付け、予測手段は、気象情報、および、前記第三特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測する付記１または付記２記載のフェージング予測装置。

【0082】

（付記４）入力手段は、他の種類のフェージングの発生回数とエラーが発生したブロック数とにより算出される第四特徴量の入力を受け付け、予測手段は、気象情報、および、前記第四特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測する付記１から付記３のうちのいずれか１つに記載のフェージング予測装置。

【0083】

（付記５）予測されたフェージングの発生有無を示す情報を出力する出力手段を備え、入力手段は、時系列に気象予報情報の入力を受け付け、前記出力手段は、予測されたフェージングの発生有無を時系列順に出力する付記１から付記４のうちのいずれか１つに記載のフェージング予測装置。

【0084】

（付記６）コンピュータが、対象地域における予測対象時の気象予報情報の入力を受け付け、前記コンピュータが、気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、前記気象予報情報に基づき、前記予測対象時のフェージングの発生有無を予測することを特徴とするフェージング予測方法。

【0085】

（付記７）コンピュータが、受信周波数、受信電力量および送信周波数の少なくとも１つを示す第一特徴量、並びに、エラーが発生したブロック数を示す第二特徴量の入力を受け付け、前記コンピュータが、気象情報、並びに、前記第一特徴量および前記第二特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測する付記６記載のフェージング予測方法。

【0086】

（付記８）コンピュータに、対象地域における予測対象時の気象予報情報の入力を受け付ける入力処理、および、気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、前記気象予報情報に基づき、前記予測対象時のフェージングの発生有無を予測する予測処理を実行させるためのフェージング予測プログラムを記憶するプログラム記憶媒体。

【0087】

（付記９）コンピュータに、入力処理で、受信周波数、受信電力量および送信周波数の少なくとも１つを示す第一特徴量、並びに、エラーが発生したブロック数を示す第二特徴量の入力を受け付けさせ、予測処理で、気象情報、並びに、前記第一特徴量および前記第二特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測させるためのフェージング予測プログラムを記憶する付記８記載のプログラム記憶媒体。

【0088】

（付記１０）コンピュータに、対象地域における予測対象時の気象予報情報の入力を受け付ける入力処理、および、気象情報に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、前記気象予報情報に基づき、前記予測対象時のフェージングの発生有無を予測する予測処理を実行させるためのフェージング予測プログラム。

【0089】

（付記１１）コンピュータに、入力処理で、受信周波数、受信電力量および送信周波数の少なくとも１つを示す第一特徴量、並びに、エラーが発生したブロック数を示す第二特徴量の入力を受け付けさせ、予測処理で、気象情報、並びに、前記第一特徴量および前記第二特徴量に対するフェージングの発生有無を含む実績データを用いて学習された予測モデルを用いて、フェージングの発生有無を予測させる付記１０記載のフェージング予測プログラム。

【0090】

以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

【符号の説明】

【0091】

１０ 入力部
２０ 予測部
３０ 出力部
４０ 記憶部
５０ 学習器
１００ フェージング予測装置

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】