特許 7569654 無線通信システム

(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】2024-10-09

(45)【発行日】2024-10-18

(54)【発明の名称】無線通信システム

(51)【国際特許分類】

   H04W 16/20 20090101AFI20241010BHJP

   H04W 4/38 20180101ALI20241010BHJP

   H04W 84/18 20090101ALI20241010BHJP

   H04W 84/22 20090101ALI20241010BHJP

【ＦＩ】

H04W16/20

H04W4/38

H04W84/18 110

H04W84/22

【請求項の数】 2

(21)【出願番号】P 2020170519

(22)【出願日】2020-10-08

(65)【公開番号】P2022062485

(43)【公開日】2022-04-20

【審査請求日】2023-05-19

(73)【特許権者】

【識別番号】000220262

【氏名又は名称】東京瓦斯株式会社

(74)【代理人】

【識別番号】110000936

【氏名又は名称】弁理士法人青海国際特許事務所

(72)【発明者】

【氏名】中西 裕亮

【審査官】齋藤 浩兵

(56)【参考文献】

【文献】特開２０１６－１８４８９８（ＪＰ，Ａ）

【文献】特開２０１９－１０２９９２（ＪＰ，Ａ）

【文献】特開２０１５－１０９５９６（ＪＰ，Ａ）

【文献】特開２０１０－０４５７０１（ＪＰ，Ａ）

【文献】特開２０１６－０５２０６１（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】

サーバ機と、
前記サーバ機とマルチホップ形式の無線通信が可能な複数の無線機と、
前記無線機の位置データに基づいて、前記無線機から前記サーバ機までの通信が可能であるか否かの指標を示す接続可能性データを予測する予測実行部と、
前記無線機の前記位置データ、地図データおよび前記接続可能性データを教師データとして機械学習を行い、前記無線機の前記位置データおよび前記地図データの入力に応じて前記接続可能性データを予測する機械学習モデルを生成するモデル生成部と、
を備え、
前記予測実行部は、前記機械学習モデルに、前記無線機として新設を試みる新設無線機の前記位置データおよび前記地図データを入力して、前記新設無線機についての前記接続可能性データを予測する、無線通信システム。

【請求項2】

前記予測実行部によって予測された前記新設無線機についての前記接続可能性データに基づいて、前記新設無線機の設置位置の適否を推定する設置推定部をさらに備える請求項１に記載の無線通信システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、複数の無線機が近距離で通信を行う無線通信システムに関する。

【背景技術】

【0002】

例えば、特許文献１には、無線機を含むスマートメータのネットワークの構成例が開示されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特許第５６８３７５５号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

例えば、ガスの検針に利用されるスマートメータには、無線機が併設される。各々の無線機は、マルチホップ形式の無線通信を行って、スマートメータで検針した検針データをサーバ機に送信することができる。しかし、無線機の設置位置または無線機の周囲の環境によっては、無線機とサーバ機との間の無線通信が有効に機能しないことがある。

【0005】

本発明は、このような課題に鑑み、無線機の無線通信が可能であるか否かを容易に認識させることが可能な無線通信システムを提供することを目的としている。

【課題を解決するための手段】

【0006】

上記課題を解決するために、本発明の無線通信システムは、サーバ機と、サーバ機とマルチホップ形式の無線通信が可能な複数の無線機と、無線機の位置データに基づいて、無線機からサーバ機までの通信が可能であるか否かの指標を示す接続可能性データを予測する予測実行部と、無線機の位置データ、地図データおよび接続可能性データを教師データとして機械学習を行い、無線機の位置データおよび地図データの入力に応じて接続可能性データを予測する機械学習モデルを生成するモデル生成部と、を備え、予測実行部は、機械学習モデルに、無線機として新設を試みる新設無線機の位置データおよび地図データを入力して、新設無線機についての接続可能性データを予測する。

【0007】

また、予測実行部によって予測された新設無線機についての接続可能性データに基づいて、新設無線機の設置位置の適否を推定する設置推定部をさらに備えるとしてもよい。

【発明の効果】

【0015】

本発明によれば、無線機の無線通信が可能であるか否かを容易に認識させることが可能となる。

【図面の簡単な説明】

【0016】

【図1】図１は、本実施形態にかかる無線通信システムの構成を示す概略図である。

【図2】図２は、メータおよび無線機の一例を示す概略図である。

【図3】図３は、サーバ機の構成を説明する概略図である。

【図4】図４は、モデル生成部、予測実行部および設置推定部を説明する概念図である。

【図5】図５は、第１実施形態の適用例を説明する概念図である。

【図6】図６は、サーバ機制御部の動作の流れを説明するフローチャートである。

【図7】図７は、第２実施形態の無線通信システムの一部を示す概略図である。

【図8】図８は、第２実施形態の適用例を説明する概念図である。

【図9】図９は、故障診断の前半の流れを説明するフローチャートである。

【図10】図１０は、故障診断の後半の流れを説明するフローチャートである。

【発明を実施するための形態】

【0017】

以下に添付図面を参照しながら、本発明の実施形態の態様について詳細に説明する。かかる実施形態に示す寸法、材料、その他具体的な数値等は、発明の理解を容易とするための例示にすぎず、特に断る場合を除き、本発明を限定するものではない。なお、本明細書および図面において、実質的に同一の機能、構成を有する要素については、同一の符号を付することにより重複説明を省略し、また本発明に直接関係のない要素は図示を省略する。

【0018】

（第１実施形態）
図１は、本実施形態にかかる無線通信システム１の構成を示す概略図である。無線通信システム１は、複数のメータ１０と、複数の無線機１２と、複数の中継機１４と、基地局１６と、サーバ機１８とを含む。

【0019】

メータ１０は、例えば、スマートメータであり、需要者単位で設置される。具体的には、メータ１０は、ガス事業者から需要者にガスを供給する際に、需要者におけるガスの使用量を自動的に検針するガスメータである。なお、メータは、電力事業者から需要者に電力を供給する際に、需要者における電力の使用量を自動的に検針する電力メータであってもよい。

【0020】

無線機１２は、メータ１０それぞれに対し１対１に対応付けられて設置される。無線機１２は、他の無線機１２と無線通信することができる。中継機１４は、複数の無線機１２のいずれかに対応付けられて設置され、その対応付けられた無線機１２と有線通信することができる。中継機１４は、基地局１６を通じてサーバ機１８と無線通信することができる。

【0021】

無線機１２は、例えば、バッテリで駆動される。無線機１２は、バッテリの消費電力を抑えるため、無線通信を比較的近距離で行う。そうすると、すべての無線機１２が、中継機１４に対応付けられた無線機１２と直接に無線通信することができるとは限らない。そこで、無線機１２は、無線通信が可能な他の無線機１２を１または複数回ホップして、中継機１４に対応付けられた無線機１２と無線通信する。そして、中継機１４に対応付けられた無線機１２は、中継機１４と有線通信し、中継機１４は、基地局１６を通じてサーバ機１８と無線通信する。こうして、それぞれの無線機１２は、サーバ機１８とマルチホップ形式の無線通信が可能となっている。

【0022】

ここで、無線機１２は、近距離無線通信を前提としているため、無線機１２の設置位置あるいは無線機１２の周囲の環境によっては、サーバ機１８との間の無線通信が有効に機能しないことがある。例えば、無線機１２同士の距離が離れすぎているような場合、あるいは、通信を阻害する障壁などが無線機１２間に存在するような場合、無線通信が有効に機能しないことがある。また、無線機１２は、メータ１０の検満タイミングに合わせてメータ１０とともに設置されるが、他の無線機１２から孤立した位置に設置されると、サーバ機１８との間の無線通信が有効に機能しないことがある。

【0023】

そこで、第１実施形態の無線通信システム１は、無線機１２として新設を試みる新設無線機の設置位置を検討する際に適用される。

【0024】

図２は、メータ１０および無線機１２の一例を示す概略図である。メータ１０は、計測部２０および記憶部２２を含む。計測部２０は、メータ１０における計測対象の検針を行う。計測対象は、メータ１０がガスメータであればガス使用量であり、メータ１０が電力メータであれば、電力使用量である。計測部２０は、検針結果を示す検針データを記憶部２２に蓄積させる。

【0025】

無線機１２は、無線機通信部２４を含む。無線機通信部２４は、上述のように、他の無線機１２、中継機１４および基地局１６を通じてサーバ機１８と無線通信を確立する。無線機通信部２４は、メータ１０の記憶部２２に蓄積された検針データを、所定のタイミングでサーバ機１８に送信する。例えば、無線機通信部２４は、２４時間中の予め設定された時刻となると検針データを送信する。

【0026】

なお、無線機通信部２４は、１日１回検針データを送信する態様に限らず、例えば、検針データの検針値が更新されたタイミングで検針データを送信してもよい。また、無線機通信部２４は、サーバ機１８から検針データの送信指令の受信に応じて検針データを送信してもよい。また、無線機通信部２４およびサーバ機１８は、検針データの送受信に限らず、例えば、無線機１２を一意に特定する識別子、または、無線機１２の位置を示す位置データなど、各種のデータの送受信を行ってもよい。

【0027】

図３は、サーバ機１８の構成を説明する概略図である。サーバ機１８は、コンピュータ等で構成され、無線通信システム１の管理者側に属する。サーバ機１８は、サーバ機通信部３０、データベース３２およびサーバ機制御部３４を含む。

【0028】

サーバ機通信部３０は、上述のように、基地局１６および中継機１４を通じて、それぞれの無線機１２と無線通信を確立する。サーバ機通信部３０は、それぞれの無線機１２から検針データなどの各種のデータを受信する。つまり、サーバ機１８は、それぞれの無線機１２から各種のデータを収集することができる。また、サーバ機通信部３０は、それぞれの無線機１２に対して各種の指令を送信することができる。

【0029】

データベース３２は、不揮発性の記憶素子で構成される。データベース３２に記憶されるデータについては、後に詳述する。

【0030】

サーバ機制御部３４は、中央処理装置、プログラム等が格納されたＲＯＭ、ワークエリアとしてのＲＡＭ等を含む半導体集積回路から構成される。サーバ機制御部３４は、プログラムを実行することで、データ取得部４０、前処理部４２、モデル生成部４４、予測実行部４６および設置推定部４８として機能する。

【0031】

データ取得部４０は、サーバ機通信部３０に無線通信を確立させて、それぞれの無線機１２から検針データなどの各種のデータを取得する。データ取得部４０は、無線機１２から取得したデータをデータベース３２に蓄積させる。

【0032】

また、データベース３２には、無線機１２の設置位置を示す位置データ５０が、それぞれの無線機１２について記憶されている。無線機１２の位置データ５０は、例えば、無線機１２の設置に伴って記憶され、無線機１２の数が増減するごとに更新される。なお、無線機１２はメータ１０に設置されるため、無線機１２の位置データ５０は、無線機１２が設置されるメータ１０の設置位置を示すメータ位置データと同じとしてもよい。

【0033】

無線機１２の位置データ５０は、無線機１２の水平位置を示す２次元位置データを含む。２次元位置データは、例えば、緯度および経度の座標データであってもよいし、無線機１２およびメータ１０が設置される構造物の住所であってもよい。また、無線機１２の位置データ５０は、２次元位置データに加え、無線機１２の高さ位置を示す高さデータが追加されて、３次元位置データとされてもよい。無線機１２の高さ位置は、例えば、無線機１２の位置する、建物の階数、建物内の部屋番号、標高、または、地下の階数などであってもよい。

【0034】

データベース３２には、地図データ５２が記憶されている。地図データ５２は、少なくとも無線機１２の位置を含む周囲の構造物の配置を示すデータが含まれる。地図データ５２は、衛星写真のデータであってもよいし、航空写真のデータであってもよいし、建物を示すデータであってもよい。地図データ５２は、例えば、１年ごとなどの定期的に、更新されてもよい。

【0035】

データベース３２には、通信状況データ５４が記憶されている。通信状況データ５４は、サーバ機通信部３０と無線機１２との間の通信状況の履歴を示す。具体的には、通信状況データ５４は、無線通信の試行日時の履歴、および、無線機１２がサーバ機１８と無線通信ができたか否かを示す通信の成否の履歴を含む。データ取得部４０は、サーバ機通信部３０から、それぞれの無線機１２についての通信状況データ５４を取得し、無線機１２ごとの通信状況データ５４をデータベース３２に蓄積させる。なお、サーバ機通信部３０は、無線機１２との無線通信が失敗した場合、無線通信が可能となるまで、あるいは、所定時間が経過するまで、繰り返し無線通信をリトライしてもよい。このような場合、無線通信の試行回数が増える。

【0036】

データベース３２には、接続可能性データ５６が記憶されている。接続可能性データ５６は、無線機１２とサーバ機１８との間の無線通信が可能であるか否かの指標を示す。接続可能性データ５６は、例えば、無線通信が可能な確率が百分率で示される。

【0037】

前処理部４２は、データベース３２に蓄積された通信状況データ５４に基づいて、無線機１２ごとに接続可能性データ５６を導出する。例えば、前処理部４２は、１か月などの所定期間における通信試行回数に対する通信が成功した回数の比を百分率として導出し、接続可能性データ５６とする。なお、リトライで無線通信の試行回数が増えた場合、接続可能性データ５６は低下する。前処理部４２は、導出した無線機１２ごとの接続可能性データ５６を、その無線機１２の位置データ５０に関連付けてデータベース３２に蓄積させる。前処理部４２は、例えば、１か月ごとなどの定期的に、接続可能性データ５６を更新してもよい。なお、前処理部４２で導出された接続可能性データ５６は、実測された通信状況データ５４から導出されたものであるため、実測値に相当し、既知の値である。

【0038】

このようにして、データベース３２には、位置データ、地図データおよび接続可能性データを含む既知の組み合わせが、無線機１２の数だけ蓄積される。

【0039】

図４は、モデル生成部４４、予測実行部４６および設置推定部４８を説明する概念図である。前処理部４２は、図４の細破線で囲まれた範囲の処理を行う。モデル生成部４４は、図４の太破線で囲まれた範囲の処理を行う。予測実行部４６は、図４の一点鎖線で囲まれた範囲の処理を行う。設置推定部４８は、図４の二点鎖線で囲まれた範囲の処理を行う。

【0040】

前処理部４２は、上述のように、無線機１２の実測された通信状況データ５４に基づいて、その無線機１２についての接続可能性データ５６を導出し、データベース３２に蓄積させる。

【0041】

モデル生成部４４は、データベース３２に蓄積された既知の、無線機１２の位置データ５０、地図データ５２、および、無線機１２の接続可能性データ５６を教師データ６０として機械学習を行い、機械学習モデル６２を生成する。つまり、モデル生成部４４によって学習済の機械学習モデル６２が生成される。

【0042】

モデル生成部４４で生成される機械学習モデル６２は、予測の元データとなる入力データ６４の入力に応じて、その入力データ６４に対応する出力データ６６の予測値を導出するものである。入力データ６４は、無線機１２の位置データ５０および地図データ５２とする。出力データ６６は、無線機１２の接続可能性データ５６とする。すなわち、機械学習モデル６２は、無線機１２の位置データ５０および地図データ５２の入力に応じて、その無線機１２についての未知の接続可能性データ５６を予測するものとする。

【0043】

モデル生成部４４は、既存の学習アルゴリズムを利用して機械学習を行うことができる。学習アルゴリズムとしては、例えば、ディープラーニング、ニューラルネットワーク、サポートベクタマシンなどを用いてもよい。

【0044】

また、モデル生成部４４は、例えば、１か月などの定期的に、機械学習モデル６２の更新を行ってもよい。また、モデル生成部４４は、無線機１２の設置または撤去があったときに機械学習モデル６２の更新を行ってもよい。また、モデル生成部４４は、地図データ５２または接続可能性データ５６の更新があったときに機械学習モデル６２の更新を行ってもよい。

【0045】

上述のように、接続可能性データ５６は、無線機１２の通信状況データに基づいて導出され、無線機１２の無線通信は、無線機１２の設置位置および無線機１２の周囲の環境に影響を受ける。そして、位置データ５０は、無線機１２の設置位置を反映しており、地図データ５２は、無線機１２の周囲の環境を反映している。このため、出力データ６６である接続可能性データ５６は、入力データ６４である位置データ５０および地図データ５２と相関関係がある。したがって、機械学習モデル６２を用いれば、位置データ５０および地図データ５２から接続可能性データ５６の予測値を導出可能である。

【0046】

予測実行部４６は、予測の元データとなる入力データ６４を機械学習モデル６２に入力して、その入力データ６４に対応する出力データ６６の予測値を導出する。具体的には、予測実行部４６は、無線機１２として新設を試みる新設無線機の位置データ５０、および、地図データ５２を入力データ６４として機械学習モデル６２に入力して、新設無線機についての接続可能性データ５６を予測する。新設無線機の位置データ５０は、例えば、管理者によって設定される。また、新設無線機は実際に設置される前であるため、新設無線機の通信状況データ５４が取得されておらず、新設無線機の接続可能性データ５６は未知である。つまり、予測実行部４６は、機械学習モデル６２を利用して既設の無線機１２の接続可能性データ５６の傾向を反映して、新設無線機の未知の接続可能性データ５６を予測する。

【0047】

設置推定部４８は、予測実行部４６によって予測された新設無線機についての接続可能性データ５６に基づいて、新設無線機の設置位置の適否を推定する。設置推定部４８については、後に詳述する。

【0048】

図５は、第１実施形態の適用例を説明する概念図である。図５（Ａ）は、新設無線機の設置前を示し、図５（Ｂ）は、新設無線機の設置後を示す。図５（Ａ）では、実線の丸印で示すように、複数の無線機１２として、４個の無線機１２Ａ、１２Ｂ、１２Ｃ、１２Ｄが既設であるとする。つまり、無線機１２Ａ、１２Ｂ、１２Ｃ、１２Ｄのそれぞれの位置データ５０、地図データ５２、および、無線機１２Ａ、１２Ｂ、１２Ｃ、１２Ｄのそれぞれの接続可能性データ５６が既知としてデータベース３２に記憶されているとする。

【0049】

モデル生成部４４は、無線機１２Ａ、１２Ｂ、１２Ｃ、１２Ｄのそれぞれの位置データ５０、地図データ５２、および、無線機１２Ａ、１２Ｂ、１２Ｃ、１２Ｄのそれぞれの接続可能性データ５６を反映した機械学習モデル６２を生成済であるとする。この状態におおいて、図５（Ａ）で示すように、無線機１２として新たな無線機１２Ｅを破線の丸印で示す位置に新設することを検討する。すなわち、無線機１２Ｅが、新設を試みる新設無線機である。

【0050】

予測実行部４６は、破線の丸印の位置を示す位置データ５０と地図データ５２とを機械学習モデル６２に入力する。そうすると、機械学習モデル６２からは、破線の丸印で示す位置に無線機１２Ｅを新設すると仮定した場合の、無線機１２Ｅとサーバ機１８との間の無線通信の接続可能性データ５６の予測値が出力される。

【0051】

これにより、無線機１２Ｅを破線の丸印の位置に実際に設置する前に、破線の丸印の位置に新設される無線機１２Ｅの無線通信が可能であるか否か、すなわち、無線機１２Ｅの無線通信の有効性を推認することができる。

【0052】

図６は、サーバ機制御部３４の動作の流れを説明するフローチャートである。なお、機械学習モデル６２は生成済であるとする。例えば、無線通信システム１の管理者は、新設無線機の位置データ５０、および、新設の模擬の開始を示す模擬開始指示をサーバ機制御部３４に入力したとする。サーバ機制御部３４は、この模擬開始指示に応じて、図６の一連の処理を開始する。

【0053】

まず、予測実行部４６は、入力された新設無線機の位置データ５０を取得する（Ｓ１０）。次に、予測実行部４６は、データベース３２から地図データ５２を取得し、新設無線機の位置データ５０と地図データ５２とを機械学習モデル６２に入力して、新設無線機の接続可能性データ５６の予測値を導出する（Ｓ１１）。

【0054】

次に、設置推定部４８は、導出された新設無線機の接続可能性データ５６の予測値が、所定の閾値以上であるか否かを判断する（Ｓ１２）。所定の閾値は、例えば、３０％など、無線通信システム１の運用を考慮して適宜設定できる。

【0055】

新設無線機の接続可能性データ５６の予測値が所定の閾値以上である場合（Ｓ１２におけるＹＥＳ）、設置推定部４８は、新設無線機の設置位置が適切である旨を報知し（Ｓ１３）、一連の処理を終了する。この場合、新設無線機を設置予定の位置に実際に設置すると、閾値以上の確率で新設無線機の無線通信が可能であり、新設無線機の無線通信を有効に機能させることができると推認されるため、新設無線機の設置位置が適切である。

【0056】

新設無線機の接続可能性データ５６の予測値が所定の閾値未満である場合（Ｓ１２におけるＮＯ）、設置推定部４８は、新設無線機の設置位置が不適切である旨を報知し（Ｓ１４）、一連の処理を終了する。この場合、新設無線機を設置予定の位置に実際に設置すると、閾値未満の確率でしか新設無線機の無線通信ができず、新設無線機の無線通信を有効に機能させることができないと推認されため、新設無線機の設置位置が不適切である。

【0057】

なお、新設無線機の設置位置が不適切である旨が報知された後、管理者は、設置を試みる位置、すなわち、新設無線機の位置データ５０を変更して、再度、模擬開始指示を行ってもよい。また、管理者は、新設無線機の設置位置が不適切であったとしても、その新設無線機の周囲に将来において他の無線機１２が追加されて無線通信が有効に機能することを期待して、設置位置が不適切であると判断された新設無線機を敢えて設置してもよい。

【0058】

設置位置が適切である旨が示された場合、管理者は、その旨が示された設置位置に、無線機１２として新設無線機を実際に設置する。実際に新設された後、データ取得部４０は、新設後の無線機１２の通信状況データ５４を適宜取得してデータベース３２に蓄積させてもよい。また、前処理部４２は、新設後の無線機１２の通信状況データ５４に基づいて、新設後の無線機１２の実際の接続可能性データ５６を導出し、データベース３２に記憶させてもよい。そして、モデル生成部４４は、新設後の無線機１２の位置データ５０、地図データ５２、および、新設後の実際の接続可能性データ５６を教師データ６０として追加して機械学習を再度行い、機械学習モデル６２を更新してもよい。

【0059】

以上のように、第１実施形態の無線通信システム１では、新設を試みる新設無線機の位置データ５０および地図データ５２が機械学習モデル６２に入力されて、新設無線機についての接続可能性データ５６が予測される。そして、第１実施形態の無線通信システム１では、予測された接続可能性データ５６に基づいて新設無線機の設置位置の適否が推定される。

【0060】

したがって、第１実施形態の無線通信システム１によれば、新設を試みる新設無線機の無線通信が可能であるか否かを容易に認識させることが可能となる。その結果、第１実施形態の無線通信システム１では、無線通信が有効に機能する適切な位置に、無線機１２を新設することができる。

【0061】

また、第１実施形態の無線通信システム１では、無線機１２を適切な位置に新設することができるため、新設した無線機１２だけでなく、新設した無線機１２の周囲の無線機１２の無線通信をより有効に機能させることも可能となる。例えば、図５（Ａ）で示すように、無線機１２Ｅを設置する前、無線機１２Ａの接続可能性データ５６が２０％であり、無線機１２Ｂの接続可能性データ５６が３０％であるとする。仮に、無線機１２Ｅの設置位置が適切ではないとすると、無線機１２Ｅを実際に設置しても、無線機１２Ａおよび無線機１２Ｂの接続可能性データ５６は向上されない。しかし、無線機１２Ｅの設置位置が適切であると推定され、図５（Ｂ）で示すように、その適切な設置位置に無線機１２Ｅを実際に設置し、無線機１２Ｅの実際の接続可能性データ５６が４０％となったとする。この場合、無線機１２Ａおよび無線機１２Ｂは、自機の近くに無線機１２Ｅが適切に追加されたことで、無線機１２Ｅを通じた無線通信も可能となる。そうすると、無線機１２Ａおよび無線機１２Ｂは、ホップの選択肢が増えるため、無線機１２Ｅを実際に設置する前と比べ、接続可能性データ５６が改善される。例えば、図５（Ｂ）で示すように、無線機１２Ａの実際の接続可能性データ５６が、２０％から４０％に上昇し、無線機１２Ｂの実際の接続可能性データ５６が、３０％から６０％に上昇する。このように、無線通信システム１では、無線機１２Ｅを適切な設置位置に設置することができるため、既設の無線機１２の無線通信を向上させることもできる。

【0062】

（第２実施形態）
図７は、第２実施形態の無線通信システム１００の一部を示す概略図である。第２実施形態の無線通信システム１００は、図示を一部省略するが、第１実施形態と同様に、複数のメータ１０と、複数の無線機１２と、複数の中継機１４と、基地局１６と、サーバ機１８とを含む。第２実施形態の無線通信システム１００は、サーバ機１８における機能の一部が第１実施形態と異なっている。

【0063】

上述のように、第１実施形態の無線通信システム１は、無線機１２として新設を試みる新設無線機の設置位置を検討する際に適用されていた。これに対し、第２実施形態の無線通信システム１００は、いずれかの無線機１２についての故障診断の際に適用される。

【0064】

第２実施形態において、サーバ機１８のサーバ機制御部３４は、プログラムを実行することで、第１実施形態と同様の、データ取得部４０、前処理部４２、モデル生成部４４および予測実行部４６として機能する。さらに、第２実施形態のサーバ機制御部３４は、プログラムを実行することで、故障推定部１１０としても機能する。

【0065】

故障推定部１１０は、故障診断の対象とされる無線機１２である診断対象無線機の故障の有無を推定する。故障推定部１１０については、後に詳述する。

【0066】

図８は、第２実施形態の適用例を説明する概念図である。図８（Ａ）は、無線機１２Ｅの設置前を示す。図８（Ｂ）は、無線機１２Ｅを設置すると仮定した予測時を示す。図８（Ｃ）は、無線機１２Ｅの実際の設置後を示す。

【0067】

図８（Ａ）では、複数の無線機１２として、４個の無線機１２Ａ、１２Ｂ、１２Ｃ、１２Ｄが既設であるとする。また、モデル生成部４４は、無線機１２Ａ、１２Ｂ、１２Ｃ、１２Ｄのそれぞれの位置データ５０、地図データ５２、および、無線機１２Ａ、１２Ｂ、１２Ｃ、１２Ｄのそれぞれの接続可能性データ５６を反映した機械学習モデル６２を生成済であるとする。

【0068】

さらに、図８（Ａ）で示すように、無線機１２Ａ、１２Ｂ、１２Ｃのそれぞれの接続可能性データ５６は、４０％、５０％、６０％であるとする。これに対し、無線機１２Ｄの接続可能性データ５６は、０％であるとする。このような場合、無線機１２Ｄは、単に、通信環境が不十分なだけなのか、あるいは、故障しているのかが不明確となっている。

【0069】

そこで、第２実施形態では、無線機１２Ｄのように故障しているのかが不明確な無線機１２を診断対象無線機とし、その診断対象無線機の故障の有無が推定される。図８では、診断対象無線機である無線機１２Ｄを実線の二重丸印で示している。

【0070】

故障診断をする際、まず、図８（Ａ）の破線の丸印で示すように、無線機１２として新たな無線機１２Ｅを仮に新設することを検討する。以後、仮に新設を試みる無線機を、仮設無線機と呼ぶ場合がある。図８（Ａ）では、無線機１２Ｅが仮設無線機である。仮設無線機の位置は、診断対象無線機と、接続可能性データ５６が所定の閾値以上の無線機１２との間とする。所定の閾値は、例えば、３０％など、適宜設定できる。図８（Ａ）の例では、無線機１２Ｄと無線機１２Ｂとの間の破線の丸印で示す位置に、無線機１２Ｅが設置されるとする。

【0071】

予測実行部４６は、破線の丸印の位置を示す位置データ５０と地図データ５２とを機械学習モデル６２に入力する。そうすると、機械学習モデル６２からは、破線の丸印で示す位置に無線機１２Ｅを仮に新設すると仮定した場合の、無線機１２Ｅとサーバ機１８との間の無線通信の接続可能性データ５６の予測値が出力される。出力された無線機１２Ｅの接続可能性データ５６の予測値は、例えば、４０％であるとし、無線機１２Ｅの設置位置が適切であるとする。

【0072】

これを受け、仮設無線機である無線機１２Ｅを実際に設置したと仮定すると、診断対象無線機である無線機１２Ｄは、自機の近くに無線機１２Ｅが追加されることで、無線機１２Ｅを通じた無線通信も可能と推認される。そうすると、無線機１２Ｅを実際に設置すれば、無線機１２Ｅの設置前と比べ、無線機１２Ｄの接続可能性データ５６が向上するはずである。

【0073】

そこで、まず、破線の丸印で示す無線機１２Ｅの位置が、無線機１２Ｄの接続可能性データ５６を適切に向上させることができる位置であるかを、無線機１２Ｅを実際に設置する前に確認する。

【0074】

具体的には、先に出力された無線機１２Ｅの接続可能性データ５６の予測値が正しい値であるとみなす。そして、モデル生成部４４は、無線機１２Ｅの位置データ５０、地図データ、無線機１２Ｅの接続可能性データ５６の予測値を教師データとして追加して機械学習を再度行い、機械学習モデル６２を仮更新する。その後、図８（Ｂ）で示すように、予測実行部４６は、予測の元となる、無線機１２Ｄの位置データ５０および地図データ５２を、仮更新後の機械学習モデル６２に入力し、無線機１２Ｄの接続可能性データ５６の予測値を導出する。無線機１２Ｄの接続可能性データ５６の予測値は、破線の丸印の位置に無線機１２Ｅを設置したと仮定した場合の無線機１２Ｅの存在を反映した値となる。

【0075】

この無線機１２Ｄの接続可能性データ５６の予測値が、例えば、４０％などのように、所定の閾値以上となったとする。そうすると、破線の丸印で示す無線機１２Ｅの位置が、無線機１２Ｄの接続可能性データ５６を適切に向上させることができる位置であることが推認できる。また、無線機１２Ｅを実際に設置するならば、無線機１２Ｄの無線通信を有効に機能させることが可能であると推認できる。

【0076】

その後、図８（Ｃ）で示すように、管理者は、破線の丸印で示す位置に無線機１２Ｅを実際に設置する。そして、無線機１２Ｄの接続可能性データ５６が実際に向上したならば、無線機１２Ｄの接続可能性データ５６が低かった理由は、単に、通信環境が不十分だったものと推定できる。

【0077】

しかし、図８（Ｃ）では、無線機１２Ｅを実際に設置した後も、無線機１２Ｄの接続可能性データ５６が、実際に０％のままとなっている。無線機１２Ｅを設置することで無線機１２Ｄの無線通信が有効に機能すると予測されたにも拘わらず、無線機１２Ｅを設置しても無線機１２Ｄの接続可能性データ５６が向上していないため、無線機１２Ｄが故障していると推定できる。こうして、無線機１２Ｄの故障の有無を推定することができる。

【0078】

図９は、故障診断の前半の流れを説明するフローチャートである。なお、既設の無線機１２を反映した機械学習モデル６２は生成済であるとする。例えば、無線通信システム１００の管理者は、診断対象無線機の位置データ５０、および、故障診断の開始を示す診断開始指示をサーバ機制御部３４に入力したとする。サーバ機制御部３４は、この診断開始指示に応じて、図９の一連の処理を開始する。

【0079】

まず、予測実行部４６は、入力された診断対象無線機の位置データ５０を取得する（Ｓ２０）。次に、予測実行部４６は、診断対象無線機の周囲の無線機１２の位置データ５０をデータベース３２から取得し、診断対象無線機の位置データ５０と、診断対象無線機の周囲の無線機１２の位置データ５０とに基づいて、仮設無線機の位置データ５０を設定する（Ｓ２１）。

【0080】

次に、予測実行部４６は、データベース３２から地図データ５２を取得し、仮設無線機の位置データ５０と地図データ５２とを機械学習モデル６２に入力して、仮設無線機の接続可能性データ５６の予測値を導出する（Ｓ２２）。

【0081】

次に、予測実行部４６は、ステップＳ２２で導出された仮設無線機の接続可能性データ５６の予測値が、所定の閾値以上であるか否かを判断する（Ｓ２３）。所定の閾値は、例えば、３０％など、適宜設定できる。

【0082】

仮設無線機の接続可能性データ５６の予測値が閾値未満である場合（Ｓ２３におけるＮＯ）、仮設無線機の位置データが、仮設無線機の無線通信を有効に機能させることができない設置位置を示しているとみなし、ステップＳ２４の処理に進む。そして、予測実行部４６は、仮設無線機の設置位置の候補が他にあるか否かを判断する（Ｓ２４）。仮設無線機の設置位置の候補が他にある場合（Ｓ２４におけるＹＥＳ）、予測実行部４６は、ステップＳ２１の処理に戻って仮設無線機の位置データ５０を設定し直し、再度、仮設無線機の接続可能性データの予測値を導出する（Ｓ２２）。仮設無線機の設置位置の候補が他にない場合（Ｓ２４におけるＮＯ）、故障推定部１１０は、診断不可を報知し（Ｓ２５）、一連の処理を終了する。

【0083】

また、仮設無線機の接続可能性データ５６の予測値が閾値以上である場合（Ｓ２３におけるＹＥＳ）、仮設無線機の位置データ５０が、仮設無線機の無線通信を有効に機能させることが可能な設置位置を示しているとみなし、ステップＳ２６の処理に進む。そして、モデル生成部４４は、ステップＳ２１で設定された仮設無線機の位置データ５０、地図データ５２、および、ステップＳ２２で導出された仮設無線機の接続可能性データ５６の予測値を教師データとして追加して機械学習を再度行い、機械学習モデル６２を仮更新する（Ｓ２６）。これにより、仮設無線機を設置すると仮定して学習済とされた機械学習モデル６２が生成される。

【0084】

次に、予測実行部４６は、診断対象無線機の位置データ５０と地図データ５２とを、ステップＳ２６で仮更新された機械学習モデル６２に入力して、診断対象無線機の接続可能性データ５６の予測値を導出する（Ｓ２７）。

【0085】

次に、故障推定部１１０は、ステップＳ２７で導出された診断対象無線機の接続可能性データ５６の予測値が、所定の閾値以上であるか否かを判断する（Ｓ２８）。所定の閾値は、例えば、３０％など、適宜設定できる。

【0086】

診断対象無線機の接続可能性データ５６の予測値が閾値未満である場合（Ｓ２８におけるＮＯ）、仮設無線機の位置データ５０が、診断対象無線機の接続可能性データ５６を十分に向上させることができない不適切な設置位置を示しているとみなし、ステップＳ２９の処理に進む。そして、モデル生成部４４は、ステップＳ２６で仮更新した機械学習モデル６２をリセットし、機械学習モデル６２を、診断開始直前の機械学習モデル６２に戻す（Ｓ２９）。

【0087】

その後、予測実行部４６は、仮設無線機の設置位置の候補が他にあるか否かを判断し（Ｓ２４）、設置位置の候補が他にあれば（Ｓ２４におけるＹＥＳ）、仮設無線機の位置データ５０を設定し直し（Ｓ２１）、以降の処理を繰り返す。一方、設置位置の候補が他になければ（Ｓ２４におけるＮＯ）、故障推定部１１０は、診断不可を報知し（Ｓ２５）、一連の処理を終了する。

【0088】

また、診断対象無線機の接続可能性データ５６の予測値が閾値以上である場合（Ｓ２５におけるＹＥＳ）、仮設無線機の位置データ５０が、診断対象無線機の接続可能性データ５６を十分に向上させることが可能な適切な設置位置を示しているとみなし、ステップＳ３０の処理に進む。そして、故障推定部１１０は、設定された仮設無線機の位置データ５０が示す設置位置と、その設置位置に仮設無線機を設置することとを提示し（Ｓ３０）、一連の処理を終了する。

【0089】

仮設無線機の設置が提示（Ｓ３０）された後、管理者は、提示された仮設無線機の設置位置に、無線機１２として仮設無線機を実際に設置する。その後、データ取得部４０は、診断対象無線機の通信状況データ５４を適宜取得し、データベース３２に蓄積していく。

【0090】

図１０は、故障診断の後半の流れを説明するフローチャートである。故障診断の後半は、仮設無線機が実際に設置された後、診断対象無線機の通信状況データ５４のサンプルが所定数以上に蓄積された後に開始される。通信状況データ５４のサンプルの所定数は、例えば、接続可能性データ５６を適切に導出可能な数に設定される。

【0091】

まず、前処理部４２は、仮設無線機が実際に設置された後に蓄積された診断対象無線機の通信状況データ５４に基づいて、診断対象無線機の接続可能性データ５６の実測値を導出する（Ｓ４０）。

【0092】

次に、故障推定部１１０は、診断対象無線機の接続可能性データ５６の実測値が、所定の閾値以上であるか否かを判断する（Ｓ４１）。ここでの所定の閾値は、故障の有無の判断基準となるため、接続可能性データの予測値についての閾値とは異なり、例えば、５％などのように低い値が設定される。

【0093】

診断対象無線機の接続可能性データ５６の実測値が閾値以上である場合（Ｓ４１におけるＹＥＳ）、故障推定部１１０は、診断対象無線機に故障がない旨の推定結果を報知し（Ｓ４２）、一連の処理を終了する。なお、故障推定部１１０は、診断対象無線機の接続可能性データの実測値が予測値と一致していなくとも、その実測値がステップＳ４１の閾値以上であれば診断対象無線機に故障がないと判断する。

【0094】

診断対象無線機の接続可能性データ５６の実測値が閾値未満である場合（Ｓ４１におけるＮＯ）、故障推定部１１０は、診断対象無線機に故障がある旨の推定結果を報知し（Ｓ４３）、一連の処理を終了する。

【0095】

以上のように、故障推定部１１０は、仮設無線機を設置すると仮定して予測された診断対象無線機の接続可能性データ５６の予測値と、仮設無線機を実際に設置した後における診断対象無線機の接続可能性データ５６の実測値とに基づいて、診断対象無線機の故障の有無を推定する。より詳細には、故障推定部１１０は、仮設無線機を設置すると仮定して予測された診断対象無線機の接続可能性データ５６の予測値が所定の第１閾値以上であり、かつ、仮設無線機を実際に設置した後における診断対象無線機の接続可能性データ５６の実測値が所定の第２閾値未満である場合、診断対象無線機に故障があると推定する。また、故障推定部１１０は、仮設無線機を設置すると仮定して予測された診断対象無線機の接続可能性データ５６の予測値が所定の第１閾値以上であり、かつ、仮設無線機を実際に設置した後における診断対象無線機の接続可能性データ５６の実測値が所定の第２閾値以上である場合、診断対象無線機に故障がないと推定する。

【0096】

したがって、第２実施形態の無線通信システム１００によれば、診断対象無線機に故障があるか否かを容易に認識させることが可能となる。その結果、第２実施形態の無線通信システム１００では、診断対象無線機の無線通信が可能であるか否かを容易に認識させることが可能となる。また、第２実施形態の無線通信システム１００では、診断対象無線機について、通信環境が不十分であるか、または、故障しているかを明確に区別することができる。

【0097】

なお、第２実施形態では、仮設無線機の設置位置が適切であるか否かを確認していた。しかし、仮設無線機の設置位置が適切であるか否かの確認は、省略されてもよい。ただし、仮設無線機の設置位置が適切であるかの確認を行うことで、故障診断の信頼性を向上させることができる。

【0098】

以上、添付図面を参照しながら本発明の実施形態について説明したが、本発明はかかる実施形態に限定されないことは言うまでもない。当業者であれば、特許請求の範囲に記載された範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、それらについても当然に本発明の技術的範囲に属するものと了解される。

【0099】

例えば、上記各実施形態のモデル生成部４４は、無線機１２の位置データ５０、地図データ５２、および、無線機１２の接続可能性データ５６を教師データ６０として機械学習を行っていた。しかし、モデル生成部４４は、教師データ６０として利用するデータの種類をさらに増やしてもよい。例えば、教師データ６０として、建物の材質などの地図データ５２を補完する設置環境データを追加してもよいし、無線機１２のメンテナンスの履歴などの保守状況データなどを追加してもよい。

【0100】

また、上記各実施形態のモデル生成部４４は、地図データを省略して、位置データ５０および接続可能性データ５６を教師データとして機械学習を行って機械学習モデル６２を生成してもよい。この場合、予測実行部４６は、予測の元データとなる位置データを機械学習モデル６２に入力して、接続可能性データの予測値を導出してもよい。位置データ５０は、接続可能性データと相関があるため、少なくとも位置データを機械学習モデル６２に入力することで接続可能性データ５６を予測することができる。ただし、地図データ５２も用いて、機械学習モデル６２の生成および接続可能性データ５６の予測を行うことで、接続可能性データ５６の予測値の精度をより向上させることができる。

【0101】

また、上記各実施形態では、モデル生成部４４、予測実行部４６、設置推定部４８、故障推定部１１０の各機能が、各種のデータを収集するサーバ機１８で実現されていた。しかし、モデル生成部４４、予測実行部４６、設置推定部４８、故障推定部１１０の各機能は、各種のデータを収集するサーバ機１８とは別のコンピュータで実現されてもよい。また、モデル生成部４４、予測実行部４６、設置推定部４８、故障推定部１１０の各機能が複数のコンピュータに分散されて実現されてもよい。この場合、モデル生成部４４、予測実行部４６、設置推定部４８、故障推定部１１０の各機能を有するコンピュータは、サーバ機１８のデータベース３２から必要なデータを取得して各処理を行ってもよい。

【0102】

また、モデル生成部４４の機能を備える事業者と、予測実行部４６、設置推定部４８または故障推定部１１０の機能を備える事業者とが異なっていてもよい。つまり、予め生成された機械学習モデル６２が提供され、提供された機械学習モデル６２を用いて接続可能性データ５６の予測、設置位置の適否の推定、または、故障診断を行う態様としてもよい。

【0103】

また、上記各実施形態の予測実行部４６は、機械学習モデル６２を用いて接続可能性データ５６を予測していた。しかし、予測実行部４６は、機械学習モデル６２を用いて接続可能性データ５６を予測する態様に限らない。予測実行部４６は、少なくとも無線機１２の位置データ５０に基づいて接続可能性データ５６を予測してもよい。なお、第２実施形態では、予測実行部４６は、仮設無線機を設置すると仮定した状態で、診断対象無線機の位置データから診断対象無線機についての接続可能性データの予測値を導出してもよい。例えば、予測実行部４６は、無線機１２の位置データ５０と接続可能性データ５６とが関連付けられたテーブルまたはマップを予め準備しておき、予測の元データとなる無線機１２の位置データ５０をそのテーブルまたはマップに当てはめて接続可能性データ５６を予測してもよい。ただし、機械学習モデル６２を用いて接続可能性データ５６を導出する態様の方が、無線機１２の増減に柔軟に対応することができ、より好ましい。

【0104】

なお、上記第１実施形態では、予測実行部４６で接続可能性データが予測された後に設置推定部４８によって新設無線機の設置位置の適否が推定されていた。しかし、設置推定部４８による新設無線機の設置位置の適否の推定を省略してもよい。また、上記第２実施形態では、故障推定部１１０によって診断対象無線機の故障の有無が推定されていた。しかし、診断対象無線機の故障の有無の推定を省略してもよい。これらは、少なくとも予測実行部４６によって接続可能性データが予測されることで、無線機の無線通信が可能であるか否かを容易に認識させることができるからである。

【符号の説明】

【0105】

１、１００ 無線通信システム
１２ 無線機
１８ サーバ機
４４ モデル生成部
４６ 予測実行部
４８ 設置推定部
５０ 位置データ
５２ 地図データ
５６ 接続可能性データ
６０ 教師データ
６２ 機械学習モデル
１１０ 故障推定部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】