特表 2024-546779 通信ネットワークノード、通信方法、通信ネットワーク及び端末装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2024-12-26

(54)【発明の名称】通信ネットワークノード、通信方法、通信ネットワーク及び端末装置

(51)【国際特許分類】

   G06Q 50/10 20120101AFI20241219BHJP

【ＦＩ】

G06Q50/10

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2024534562

(86)(22)【出願日】2022-12-14

(85)【翻訳文提出日】2024-08-05

(86)【国際出願番号】 EP2022085999

(87)【国際公開番号】W WO2023111110

(87)【国際公開日】2023-06-22

(31)【優先権主張番号】21215734.1

(32)【優先日】2021-12-17

(33)【優先権主張国・地域又は機関】EP

(81)【指定国・地域】

(71)【出願人】

【識別番号】000002185

【氏名又は名称】ソニーグループ株式会社

(74)【代理人】

【識別番号】110003339

【氏名又は名称】弁理士法人南青山国際特許事務所

(72)【発明者】

【氏名】若林 秀治

【テーマコード（参考）】

5L050

【Ｆターム（参考）】

5L050CC11

(57)【要約】

【課題】分散型台帳やＭａａＳを提供する技術は存在するが、ＭａａＳ提供するための通信ネットワークノード、ユーザ機器、通信ネットワーク及び方法を提供することが一般的に望ましい。
【解決手段】本開示は、ユーザエクスペリエンスを示す少なくとも１つのサービス要素を示すユーザ入力を取得し、前記少なくとも１つのサービス要素を含む決定論的モデルに基づいてユーザエクスペリエンスを予測するように構成された回路を具備する通信ネットワークノードに関する。
【選択図】図２

【特許請求の範囲】

【請求項1】

ユーザエクスペリエンスを示す少なくとも１つのサービス要素を示すユーザ入力を取得し、
前記少なくとも１つのサービス要素を含む決定論的モデルに基づいてユーザエクスペリエンスを予測する
ように構成された回路
を具備する通信ネットワークノード。

【請求項2】

前記少なくとも１つのサービス要素は、定量的要素を含む
請求項１に記載の通信ネットワークノード。

【請求項3】

前記定量的要素は、乗車時間、待ち時間、乗り換え待ち時間、乗り換え回数、駅の人数、電車内の人数、移動料金、時間の正確さ、予期せぬ遅延、移動サービスへの苦情件数の少なくとも１つを含む
請求項２に記載の通信ネットワークノード。

【請求項4】

前記少なくとも１つのサービス要素は、定性的要素を含む
請求項１に記載の通信ネットワークノード。

【請求項5】

前記定性的要素は、快適さのオプション、移動目的、付加的な移動サービス、アクセスの良さ、荷物取り扱いの容易さ、移動サービスに対するユーザの慣れ、目的地に対するユーザの慣れ、交通事故のリスク、セキュリティ、公共の安全、公衆衛生及びユーザの健康の少なくとも１つを含む
請求項４に記載の通信ネットワークノード。

【請求項6】

前記回路は、さらに、前記少なくとも１つのサービス係数の測定値を取得するように構成される
請求項１に記載の通信ネットワークノード。

【請求項7】

前記測定は、鉄道制御システム、スマートフォン及びカメラの少なくとも１つによって実行される
請求項６に記載の通信ネットワークノード。

【請求項8】

前記回路は、さらに、前記少なくとも１つのサービス係数の決定論的計算を実行するように構成される
請求項１に記載の通信ネットワークノード。

【請求項9】

前記決定論的計算は、乗車時間、待ち時間及び乗り換え回数の少なくとも１つを計算することを含む
請求項８に記載の通信ネットワークノード。

【請求項10】

前記決定論的計算は、好ましい移動手段及び所要時間の少なくとも一方を示す
請求項８に記載の通信ネットワークノード。

【請求項11】

前記決定論的計算は回帰を含む
請求項８に記載の通信ネットワークノード。

【請求項12】

前記回帰は、多重パターン回帰を含む
請求項１１に記載の通信ネットワークノード。

【請求項13】

前記回路は、さらに、ユーザの移動履歴を取得するように構成される
請求項１に記載の通信ネットワークノード。

【請求項14】

前記回路は、さらに、前記移動履歴に基づいて移動経路に優先順位を付けるように構成される
請求項１３に記載の通信ネットワークノード。

【請求項15】

前記決定論的モデルは、機械学習アルゴリズムを含む
請求項１に記載の通信ネットワークノード。

【請求項16】

前記機械学習アルゴリズムは、少なくとも１つの入力変数に基づく
請求項１５に記載の通信ネットワークノード。

【請求項17】

前記少なくとも１つの入力変数は、測定結果、計算、履歴データ及び定性的要素の少なくとも１つを含む
請求項１６に記載の通信ネットワークノード。

【請求項18】

前記機械学習アルゴリズムは、ユーザ入力に基づいて前記少なくとも１つのサービス要素の定性的要素を定量化することを含む
請求項１５に記載の通信ネットワークノード。

【請求項19】

前記機械学習アルゴリズムは、１つ以上の入力変数の場合、次元削減方法に基づいて前記少なくとも１つの入力変数を削減することを含む
請求項１５に記載の通信ネットワークノード。

【請求項20】

前記通信ネットワークノードは、分散型台帳を提供するためのものである
請求項１に記載の通信ネットワークノード。

【請求項21】

前記分散型台帳は、ブロックチェーンに基づく
請求項２０に記載の通信ネットワークノード。

【請求項22】

通信ネットワークノードで実行される方法であって、
ユーザエクスペリエンスを示す少なくとも１つのサービス要素を示すユーザ入力を取得するステップと、
前記少なくとも１つのサービス要素を含む決定論的モデルに基づいてユーザエクスペリエンスを予測するステップと
を具備する方法。

【請求項23】

前記少なくとも１つのサービス要素は、定量的要素を含む
請求項２２に記載の方法。

【請求項24】

前記定量的要素は、乗車時間、待ち時間、乗り換え待ち時間、乗り換え回数、駅の人数、電車内の人数、移動料金、時間の正確さ、予期せぬ遅延、移動サービスへの苦情件数の少なくとも１つを含む
請求項２３に記載の方法。

【請求項25】

前記少なくとも１つのサービス要素は、定性的要素を含む
請求項２２に記載の方法。

【請求項26】

前記定性的要素は、快適さのオプション、移動目的、付加的な移動サービス、アクセスの良さ、荷物取り扱いの容易さ、移動サービスに対するユーザの慣れ、目的地に対するユーザの慣れ、交通事故のリスク、セキュリティ、公共の安全、公衆衛生及びユーザの健康の少なくとも１つを含む
請求項２５に記載の方法。

【請求項27】

前記少なくとも１つのサービス係数の測定値を取得することをさらに具備する
請求項２２に記載の方法。

【請求項28】

前記測定は、鉄道制御システム、スマートフォン及びカメラの少なくとも１つによって実行される
請求項２７に記載の方法。

【請求項29】

少なくとも１つのサービス係数の決定論的計算を実行することをさらに具備する
請求項２２に記載の方法。

【請求項30】

前記決定論的計算は、乗車時間、待ち時間及び乗り換え回数の少なくとも１つを計算することを含む
請求項２９に記載の方法。

【請求項31】

前記決定論的計算は、好ましい移動手段及び所要時間の少なくとも一方を示す
請求項２９に記載の方法。

【請求項32】

前記決定論的計算は回帰を含む
請求項２９に記載の方法。

【請求項33】

前記回帰は、多重パターン回帰を含む
請求項３２に記載の方法。

【請求項34】

ユーザの移動履歴を取得することをさらに具備する
請求項２２に記載の方法。

【請求項35】

移動履歴に基づいて移動経路に優先順位を付けることをさらに具備する
請求項３４に記載の方法。

【請求項36】

前記決定論的モデルは、機械学習アルゴリズムを含む
請求項２２に記載の方法。

【請求項37】

前記機械学習アルゴリズムは、少なくとも１つの入力変数に基づく
請求項３６に記載の方法。

【請求項38】

前記少なくとも１つの入力変数は、測定結果、計算、履歴データ及び定性的要素の少なくとも１つを含む
請求項３７に記載の方法。

【請求項39】

前記機械学習アルゴリズムは、ユーザ入力に基づいて前記少なくとも１つのサービス要素の定性的要素を定量化することを含む
請求項３６に記載の方法。

【請求項40】

前記機械学習アルゴリズムは、１つ以上の入力変数の場合、次元削減方法に基づいて前記少なくとも１つの入力変数を削減することを含む
請求項３６に記載の方法。

【請求項41】

前記通信ネットワークノードは、分散型台帳を提供するためのものである
請求項１９に記載の方法。

【請求項42】

分散型台帳は、ブロックチェーンに基づく
請求項４１に記載の方法。

【請求項43】

ユーザエクスペリエンスを示す少なくとも１つのサービス要素を示すユーザ入力を取得し、
少なくとも１つのサービス要素を含む決定論的モデルに基づいてユーザエクスペリエンスを予測する
ように構成された回路を含む通信ネットワークノード
を具備する通信ネットワーク。

【請求項44】

通信ネットワーク内の通信ネットワークノードと通信するように構成された端末装置であって、
前記端末装置は、
ユーザエクスペリエンスを示す少なくとも１つのサービス要素を示すユーザ入力を提供し、
前記少なくとも１つのサービス要素を含む決定論的モデルに基づいて予測されるユーザエクスペリエンスを取得する
ようにさらに構成された
端末装置。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、一般に、サービスとしてのモビリティの分野において分散型台帳を提供するための通信ネットワークノード、方法、通信ネットワーク及び端末装置に関する。

【背景技術】

【0002】

一般に、デジタル取引を記録するエンティティ、例えば電子機器、サーバなどの複数のノード上に台帳を分散させることが知られている。分散型台帳は、公知のブロックチェーン技術に基づくことができ、例えば、公知の暗号通貨ビットコインがその基盤となっているが、公知のイーサリアムプロジェクト等もその基盤となっている。一般に、分散型台帳はブロックチェーン技術以外の技術で実装されることもあり、ブロックチェーンに基づかない分散型台帳プロジェクトの例としては、ＢｉｇｃｈａｉｎＤＢやＩＯＴＡなどがある。例えば、ＩＯＴＡはリンクリストを利用した暗号通貨である。

【0003】

さらに、サービスとしてのモビリティ（ＭａａＳ）が知られており、ユーザ又は乗客は、例えば自動車などを所有することなく、サービスとしてのモビリティを利用する。サービスとしてのモビリティは、公共（電車、バスなど）及び関連するオペレータ又はプロバイダの民間（カーシェアリング、自転車シェアリングなど）の移動サービスを組み合わせることができる。

【0004】

既知のＭａａＳソリューションは、通常、移動又は旅が計画され、予約される中央の統一されたゲートウェイを含み、ユーザは単一のアカウントで支払うことができる。

【発明の概要】

【発明が解決しようとする課題】

【0005】

分散型台帳やＭａａＳを提供する技術は存在するが、ＭａａＳ提供するための通信ネットワークノード、ユーザ機器、通信ネットワーク及び方法を提供することが一般的に望ましい。

【課題を解決するための手段】

【0006】

第１の態様によれば、本開示は、ユーザエクスペリエンスを示す少なくとも１つのサービス要素を示すユーザ入力を取得し、前記少なくとも１つのサービス要素を含む決定論的モデルに基づいてユーザエクスペリエンスを予測するように構成された回路を具備する通信ネットワークノードを提供する。

【0007】

第２の態様によれば、本開示は、通信ネットワークノードで実行される方法であって、ユーザエクスペリエンスを示す少なくとも１つのサービス要素を示すユーザ入力を取得するステップと、前記少なくとも１つのサービス要素を含む決定論的モデルに基づいてユーザエクスペリエンスを予測するステップとを具備する方法を提供する。

【0008】

第３の態様によれば、本開示は、ユーザエクスペリエンスを示す少なくとも１つのサービス要素を示すユーザ入力を取得し、少なくとも１つのサービス要素を含む決定論的モデルに基づいてユーザエクスペリエンスを予測するように構成された回路を含む通信ネットワークノードを具備する通信ネットワークを提供する。

【0009】

第４の態様によれば、本開示は、通信ネットワーク内の通信ネットワークノードと通信するように構成された端末装置であって、前記端末装置は、ユーザエクスペリエンスを示す少なくとも１つのサービス要素を示すユーザ入力を提供し、前記少なくとも１つのサービス要素を含む決定論的モデルに基づいて予測されるユーザエクスペリエンスを取得するようにさらに構成された端末装置を提供する。

【0010】

さらに別の態様は、従属請求項、以下の説明及び図面に記載されている。

【図面の簡単な説明】

【0011】

【図1】本開示による通信ネットワークノードを含むシステムの概要を示す。

【図2】図１のエンティティがどのように相互作用できるかに関する、本開示による方法のシーケンス図を示す。

【図3】本開示による回帰パターンの一実施形態を（直線曲線として）示す。

【図4】本開示による回帰パターンのさらに別の実施形態を示す。

【図5】回帰に基づくカスタマーエクスペリエンス推定のための方法を示すフローチャートである。

【図6】本開示による方法のシーケンス図である。

【図7】本開示による機械学習アルゴリズムを実装したニューラルネットワークの一実施形態を示す。

【図8】学習された機械学習アルゴリズムに基づいて実行される、本開示による方法を示すブロック図である。

【図9】本開示による方法のさらに別の実施形態を示すブロック図である。

【図10】端末装置で実行される本開示による方法のさらに別の実施形態を示す。

【図11】ブロックチェーンとその一般的なデータ構造を示す。

【図12】ハッシュ関数の入力と出力を示す。

【図13】プロセスＰＢＦＴを例示的に示す。

【図14】汎用コンピュータの一実施形態を示す。

【図15】ユーザ機器と電子ネットワークノードの実施形態を示す。

【図16】数値換算例（荷物サイズ）の表１である。

【図17】数値変換の例（望ましい移動手段）の表２である。

【発明を実施するための形態】

【0012】

実施形態を、添付図面に関して例示的に説明する。

【0013】

図１から始まる実施形態の詳細な説明を行う前に、一般的な説明を行う。

【0014】

以下では、いくつかの実施形態において適用され得る、いくつかの用語の定義を示す（本開示を以下に示す定義に限定するものではない。ＭａａＳと分散型台帳の技術分野は非常に動的であり、定義は将来変更される可能性があるため、定義は本実施形態の理解を容易にするための一例に過ぎない。）。

【0015】

「分散型台帳」という用語は、ウィキペディアの定義から知ることができる。「分散型台帳（共有台帳、分散型台帳技術、ＤＬＴとも呼ばれる）とは、地理的に複数のサイト、国又は機関にまたがる、複製、共有、同期されたデジタルデータのコンセンサスである。中央管理者や中央集中型のデータストレージは存在しない。」

【0016】

分散型台帳の技術及びその特別な例、すなわちブロックチェーンの技術についても、以下でさらに説明する。より一般的には、分散型台帳という用語は、ネットワークの複数のノードでデジタル記録されたデータを共有するデータベースの一種として使用される。ピアツーピアネットワークで構成される場合もある。分散型台帳は、公開され、誰でもアクセスすることができるが、原則的には、非公開で、許可を得たユーザのみがアクセスすることも可能である。また、台帳上のデータへのアクセス権限を、レイヤごとに区別することも可能である。

【0017】

分散型台帳は、例えばビットコインに使われているようなブロックチェーン技術から知られているメカニズムを使うことができる。このようなメカニズムには、発見方法、コンセンサスメカニズム、データの一貫性を保つメカニズムなどが含まれる。コンセンサスメカニズムとは、分散型台帳のコピーを持つすべてのノード又は一定数以上のノード（一般的には電子機器）が、分散型台帳の内容についてコンセンサスに達することを保証するものである。コンセンサスメカニズムには、いわゆるプルーフオブワークと呼ばれる暗号パズルのようなメカニズムや、ブロックチェーンの古いブロックを（簡単に）変更できないようにするメカニズムなど、様々なものがある。例えば、プルーフオブワークはビットコインのブロックチェーンのマイニングプロセスに使用されている。

【0018】

分散型台帳又はブロックチェーンにおいて、マイニングプロセスと呼ばれる、ブロックチェーン上のデータ更新に関するコンセンサスを、参加ノードにおいて形成する確認プロセスは、確認データに以前の記録データを含めることによって、ブロックチェーン上に記録されたトランザクションシーケンスの不可逆性を達成することができる。このようなマイニングプロセスは、新しい取引ブロックのための分散タイムスタンプサーバを実装する。ビットコインでは（従って、いくつかの実施形態では）、マイニングプロセスはＳＨＡ－２５６ハッシュ関数に基づく。マイニングプロセスに参加するブロックチェーンのノードは、ハッシュ関数の入力がブロックチェーンの現在のブロックとブロックチェーンに追加されるトランザクションの新しいブロックに依存する一方で、事前に定義されたプロパティを持つハッシュ出力を検索する。

【0019】

ハッシュ関数に基づくプルーフオブワークの計算は、分散型台帳の不可逆性を実装するために必要であることを除けば、それ自体有用ではないかもしれない。

【0020】

さらに、一般に、様々なデータを保存するためにブロックチェーンを使用することが知られている。例えば、画像、動画、測定値、テキストファイルなどをトランザクションの形でブロックチェーンに記録することができる。

【0021】

「サービスとしてのモビリティ（ＭａａＳ）」という用語は、ウィキペディアの定義からも例示的に知られている。「サービスとしてのモビリティ（ＭａａＳ）とは、個人所有の交通手段から、サービスとして消費されるモビリティソリューションへのシフトを表す。これは、公共及び民間の交通プロバイダが提供する交通サービスを、移動の作成と管理を行う統合ゲートウェイを通じて組み合わせることによって実現され、ユーザは１つのアカウントで料金を支払うことができる。ユーザは、移動ごとに料金を支払うことも、距離を限定して月額料金を支払うこともできる。ＭａａＳの背後にある重要な概念は、移動者の移動ニーズに基づいたモビリティソリューションを移動者に提供することである」。「モビリティサービスプロバイダ」という用語は、あらゆるタイプのサービスプロバイダのＭａａＳの包括的名称であってもよい。いくつかの実施形態では、それは、典型的には、鉄道会社、バス／ミニバス、路面電車、タクシー、カーシェアリング、ライドシェアリング、バイクシェアリングなどのような移動事業者である。モビリティサービスプロバイダの中には、実際の移動手段を提供せず、旅行代理店やオンライン予約サイトなどに匹敵する予約／手配のみを提供するものもある。モビリティサービスプロバイダ（又はＭａａＳプロバイダ）は、いくつかの実施形態では、「移動オペレータ」と呼ばれることもある。

【0022】

「乗客」という用語は、ホームモビリティサービスプロバイダとサービス契約を結んでいる人又はホームモビリティサービスプロバイダ（以下に定義）のユーザである人を指す場合がある。

【0023】

「ホームモビリティサービスプロバイダ」という用語は、固定されたエリア（例えば、国、都市）に配置されているか又は動作しているモビリティサービスプロバイダを指す場合があり、乗客が、例えば、パス、チケット、サブスクリプションなどの契約を結んでいるモビリティサービスプロバイダである場合がある。乗客は、いくつかの実施形態では、複数のサービスプロバイダであってもよい。

【0024】

「モビリティサービスプロバイダ」（「ＭａａＳサービスプロバイダ」とも称される）は、「ホームモビリティサービスプロバイダ」及び「ローミングモビリティサービスプロバイダ」（以下で定義される）という用語の上位語であってよく、特定のモビリティサービスエリア（例えば、町、国、地域、空路、水路）においてモビリティサービスを提供する事業者、社会、企業などを指すことがある。

【0025】

ユーザエクスペリエンスとは、製品、システム又はサービスの使用や予想される使用から生じる人の知覚や反応を指す場合がある。例えば、鉄道の自動券売機を使用する場合、目的の電車をどれだけ簡単に見つけることができるか、目的地までのチケットをどれだけ簡単に購入できるかという使い勝手のことである。

【0026】

カスタマーエクスペリエンスとは、サービスの使用又は予想される使用による結果だけでなく、間接的な要素に基づく人の認識を指す場合もある。

【0027】

例えば、電車に乗る場合、座席の空き状況や時間の正確さだけでなく、電車内や待合室の清潔さ、鉄道駅の利用しやすさ（ホームへの／ホームからのエレベータなど）などの間接的な要素に基づいて、質が定義されることがある。

【0028】

いくつかの実施形態では、カスタマーエクスペリエンスとユーザエクスペリエンスは同義語として使用されることがある。

【0029】

モビリティサービスが、ユーザ／カスタマーの要求に基づいて方向付けられること、すなわち、複数の移動サービスを統合することができる、乗客の観点からのモビリティサービスを提供することが望ましい場合があることが認識されている。ＭａａＳ統合のいくつかのレベルが、「ＭａａＳアライアンス」からの白書に従って考慮される場合があり、これは、以下で入手することができる。https://maas-alliance.eu/wp-content/uploads/sites/7/2018/ll/MaaS-brochure-ENG.pdf

【0030】

レベル０＝統合なし。この基本レベルは、異なる移動手段に対して別々のサービスが提供される状況を指す。

【0031】

レベル１＝情報の統合。このレベルでは、移動情報は（マルチモーダルな）移動プランナーを通じて提供され、経路や費用に関する情報は含まれていてもいなくてもよい。レベル１がユーザにもたらす付加価値は、利用する時間帯、経路、交通手段の選択を容易にすることである。

【0032】

レベル２＝検索、予約、支払いの統合。このレベルでは、ＭａａＳは個々の移動の検索、予約、支払いを容易にする。レベル２の付加価値は、ユーザが単一のサービス・ポイント（例えば、事前に登録されたクレジットカードでアプリを介して）で移動の検索、予約、支払いができることである。

【0033】

レベル３＝パスやバンドルへの移動サービスの統合。このレベルでは、ＭａａＳは個々の移動の動きをカバーするだけでなく、バンドル及び／又はパスを通じてさまざまな交通手段を提供することで、個人や家族の日常的な移動のニーズをすべて満たす。レベル３の付加価値は、ＭａａＳがユーザの日常的な移動ニーズをすべてカバーする代替手段を提供することだ。従って、個人の自動車所有の代替手段にもなる（Sochor et al., 2017による）。

【0034】

レベル４＝社会的目標の統合。このレベルでは、ＭａａＳはモビリティの需要と供給の間を取り持つだけにとどまらない。需要と供給は、自動車の使用を減らしたり、都市における住みやすさを促進したりといった目標と組み合わされる。

【0035】

異なるレベルを実現するためには、過去の将来エクスペリエンスに依拠するのではなく、現在又は将来のユーザエクスペリエンスを予測又は推定することが望ましい場合があることが認識されている。レベル４を実現する場合、道路の混雑、電車の過密状態、大気汚染、交通機関の騒音など、必ずしも定量化できない、あるいは異なる領域の要素を考慮する必要があることが認識されている。

【0036】

従って、社会的利益を最大化するための需給管理システム及び方法を提供することが望ましいと認識されてきた。

【0037】

本開示によれば、カスタマー／ユーザエクスペリエンスを改善することが提供され得る。

【0038】

しかし、カスタマーエクスペリエンスは主観的である可能性があることが認識されている。それゆえ、カスタマー／ユーザエクスペリエンスを予測するために、客観的な尺度を設定することが望まれる場合がある（例えば、カスタマーが調査に参加することを好まない場合など）。さらに、カスタマー／ユーザが自分自身にとって重要であると認識しないという原因もある。

【0039】

さらに、移動後に満足度が判明する場合、カスタマー／ユーザはすでに不満を抱いている可能性があるため、カスタマー／ユーザが移動をどのように体験するかを事前に知ることが望ましい場合がある。

【0040】

経路ランク付けは、将来の（予測された）ユーザエクスペリエンスに基づいて実行されてもよいことが認識されている。将来のユーザエクスペリエンスのみがランク付けの基礎となる場合もあれば、確率、距離、時間順序、所要時間、所要料金、移動方法の数などの少なくとも１つのような他の要素が考慮される場合もある。

【0041】

さらに、移動事業者本位のサービスではなく、カスタマー本位のサービスを提供すること、すなわち、カスタマーがサービスのために調整するのではなく、その逆を行うことが望ましい場合があることが認識されている。

【0042】

本開示によれば、資産は、例えば、英国政府の以下のウェブページに従って与えられるような、ＭａａＳに関する政府の要件に従って提供され得る（この点に関して本開示を限定するものではない）。https:/1 assets.publishing.service.gov.uk/government/uploads/ system/ uploads/ attachment_data/ fil e/766759/Mobilityasaservice.pdf

【0043】

以下の引用は上記論文から引用したものであり、そこで論じられている点は、本開示に従って克服することができる。

【0044】

「伝統的に、モビリティシステムは、固定資産（鉄道線路や道路、電力設備や制御設備、車庫や保守管理所、乗車駅や停留所など）と、移動ユニット（車両）から構成されており、これらを一連の（しばしば極めて厳格な）運用規則と組み合わせることで、モノや人の移動が可能になる（Ortuzar and Willumsen, 2011）。つまり、次のようなことだ。

【0045】

ユーザは、エレベータを利用できる場合を除き、確かに当面の間、自分が受ける公共交通サービスの種類／レベルに影響を及ぼす直接的な能力をほとんど持っていない。さもなければ、ユーザは、タクシーやミニキャブを選ぶためにかなり高い料金を支払わなければならない。

【0046】

事業者は、特定の日に実際に利用する人がいるか否かにかかわらず、登録されたサービスを提供することが法的に義務付けられている。

【0047】

サービスは当初、限られた量の過去のカスタマーニーズ／嗜好データに基づいて導入され、その後、利用可能な場合は発券データを使用して、日／週／年と路線網にわたって集計・平均化される。

【0048】

従って、いくつかの実施形態は、ユーザエクスペリエンスを示す少なくとも１つのサービス要素を示すユーザ入力を取得し、前記少なくとも１つのサービス要素を含む決定論的モデルに基づいてユーザエクスペリエンスを予測するように構成された回路を具備する通信ネットワークノードに関する。

【0049】

通信ネットワークノードは、コンピュータ、サーバ、端末装置などを含むことができる。さらに、このような構成要素の複数（例えば、端末装置などにも結合され得る複数のサーバ）が想定され得る。一般に、この通信ネットワークノードがいくつかの実施形態では物理ノードではないように、機能はクラウドサービス内のソフトウェアによって提供されてもよい。通信ネットワークノードは、仮想化され、例えば、ソフトウェアベースのソリューションによって提供されてもよい。例えば、ソフトウェアベースの機能は、商用クラウドサービス（パブリッククラウド）、オンプレミスクラウド（プライベートクラウド）、通信ネットワーク事業者のマルチアクセスエッジコンピューティング（ＭＥＣ）などに展開することができる。

【0050】

ユーザの入力は、直接入力であっても間接入力であってもよく、１人のユーザによるものであっても、多数のユーザによるものであってもよい。例えば、入力は、（デジタル）調査、履歴データ、移動頻度などに基づくことができる。

【0051】

図１は、本開示によるネットワークノードを含むシステム概要１を示す。

【0052】

システム１は、エンドユーザエンティティ２、モビリティ管理システム３、ＣＸ（カスタマーエクスペリエンス）管理システム４、個人データ管理システム５、ブロックチェーン共通データベース６、モビリティサービスプロバイダシステム７及びスマートシティ管理システム８を含み、これらについては後述する。

【0053】

エンドユーザエンティティ２

【0054】

エンドユーザエンティティは、乗客のためのユーザインタフェース機能の役割を持つことができる。論理的な機能を指す場合もあるが、物理的な装置としては、スマートフォン、インターネットのウェブサイト、駅や空港のユーザ端末など、様々な装置が考えられる。

【0055】

乗客は、エンドユーザエンティティ２において、移動を要求し、提供された経路／移動手段を選択することができる。

【0056】

エンドユーザエンティティ２は、例えば、ＱＲコード（登録商標）、ＮＦＣ、無線ＬＡＮ、５Ｇ通信などを用いて、移動システムのチケットとして使用されるか又は格納もしくは提供される可能性がある。

【0057】

モビリティ管理システム３

【0058】

モビリティ管理システム３は、乗客にＭａａＳサービスを提供する役割を持つことができる。

【0059】

モビリティ管理システム３は、最適な経路について移動サービスプロバイダと交渉することができる。さらに、モビリティ管理システム３は、移動の開始、目的地への到着、移動のキャンセルなど、移動の管理を提供することができる。

【0060】

カスタマーエクスペリエンス（ＣＸ）管理システム４

【0061】

ＣＸ管理システム４は、乗客のカスタマーエクスペリエンスを提供し、保存することができる。さらに、カスタマーエクスペリエンスを調査／監視し、他のシステム（例えば、モビリティ管理システム３）にフィードバックし、カスタマーエクスペリエンスを予測／推定（例えば、ＡＩベース、回帰ベースなど）し、他のシステム（例えば、モビリティ管理システム３における経路選択）に提供してもよい。

【0062】

個人情報管理システム５

【0063】

個人データ管理システム５は、カスタマーのサブスクリプション及び／又はチケット（例えば、月単位のサブスクリプション、月ごとの費用などの種類）、個人データ（例えば、パスポート情報、運転免許証、クレジットカード情報などの支払い方法）、移動の好み（例えば、ファーストクラスを利用する、航空移動を避けるなど）を管理することができる。

【0064】

例えば、出張の場合、個人データ管理システム５は、会社の出張規定／出張費用を含むことができる。例えば、システムは、会社の移動ポリシーに沿ったホテル／航空移動を提供することができる。

【0065】

ブロックチェーン共通データベース６

【0066】

ブロックチェーンは、ＭａａＳサービスプロバイダと交通事業者の間で共通のデータベースとして機能することがある。ブロックチェーンは、電車に乗る、電車から降りるなどの移動トランザクションを記録することができる。移動記録は交通事業者間で共有されてもよく、データは交通費計算に使用されてもよい。ブロックチェーン６は、データベースＭａａＳプロバイダや交通事業者などに分散されていてもよい。ＭａａＳが従来のデータベース（例えば、中央集中型のリレーショナルデータベース）を採用する場合、ブロックチェーンベースのデータベースの代わりにそれを使用してもよい。

【0067】

モビリティサービスプロバイダ（移動オペレータ）システム７

【0068】

モビリティサービスプロバイダシステム７は、モビリティ管理システム３を介した乗客からの要求に応じて、移動手段／経路を提供し、乗客のために移動手段／座席を手配することができる。

【0069】

スマートシティ管理システム８

【0070】

スマートシティ管理システム８は、都市の交通（道路の混雑状況／推定所要時間）を監視することができ、従って、時間／道路交通制御、ダイナミックロードプライシングなどに関する情報を得ることができる。図１のエンティティは、異なる所有者に割り当てられてもよい。例えば、エンドユーザエンティティは、カスタマー／ユーザ／乗客が所有してもよい。ＭａａＳサービス提供者は、モビリティ管理システム３、ＣＸ管理システム４及び個人データ管理システム５を所有することができる。移動事業者は、モビリティサービスプロバイダシステム７を所有してもよい。ブロックチェーン共通データベース６は、コンソーシアムなどによって運営又は所有されてもよい。スマートシティ管理システム８は、例えば政府が所有してもよい。

【0071】

図２は、図１の異なるエンティティがどのように相互作用し得るかに関する、本開示による方法のシーケンス図１０を示す。

【0072】

１１において、ユーザは目標とする目的地／到着時刻を入力する。エンドユーザエンティティ２は、移動をモビリティ管理システム３に要求する。

【0073】

移動管理システムは、移動要求を受信し、１２において、移動サービスプロバイダシステム７の１つ以上の移動オペレータに要求を送信する。

【0074】

モビリティサービスプロバイダシステム７は、１３において、時間／料金を伴う経路（又は複数の経路）をモビリティ管理システム３に提供する。

【0075】

１４において、モビリティ管理システム３は、それぞれの経路／移動手段について、カスタマーエクスペリエンス（ＣＸ）推定をＣＸ管理システム４に要求する。

【0076】

１５において、ＣＸ管理システム４は、個人データ管理システム５、ブロックチェーン６、モビリティサービスプロバイダシステム７及びスマートシティ管理システム８に対して、ＣＸを推定するための情報／データを要求する。

【0077】

１６において、後述するように、ユーザエクスペリエンスを推定するために考慮され得る情報、好み、統計、履歴データなどが、エンティティ５乃至８からＣＸ管理システム４に取得され、１７において、ＣＸ管理システム４によってカスタマーエクスペリエンスが推定／予測され、その結果がモビリティ管理システム３に送信される。

【0078】

１８において、モビリティ管理システム３は、推定されたＣＸに基づいて、経路／移動手段のオプションを乗客に示す（例えば、ＣＸに基づく経路ランク付け）。

【0079】

いくつかの実施形態では、少なくとも１つのサービス要素には定量的要素が含まれる。

【0080】

定量的要素は測定することができる。

【0081】

いくつかの実施形態では、定量的要素には、乗車時間、待ち時間、乗り換え待ち時間、乗り換え回数、駅での人数、電車内での人数、移動料金、時間の正確さ、予期せぬ遅延及び移動サービスへの苦情件数の少なくとも１つが含まれる。

【0082】

いくつかの実施形態では、少なくとも１つのサービス係数は定性的な係数を含む。定性的な係数は、後述するように、ＣＸ推定のための入力となるように、導き出され、定量化されてもよい。

【0083】

いくつかの実施形態では、定性的要素は、快適さのオプション（例えば、リラックスしやすさ、快適さ）、移動目的（例えば、レジャー、ビジネス）、付加的な移動サービス（例えば、Ｗｉｆｉ、リフレッシュメント）、アクセスの良さ（例えば、鉄道駅への行き方、エレベータ、階段）、荷物取り扱いの容易さ、ユーザの交通サービスへの慣れ、ユーザの目的地への慣れ（ユーザが初めて目的地や途中地に行く場合、追加の時間を計画する必要があるかもしれない）、交通事故のリスク、セキュリティ、治安、公衆衛生（病気の予防など）、ユーザの健康（自転車に乗る、歩く、走る、減量の可能性など）。

【0084】

いくつかの実施形態では、回路はさらに以下のように構成される。少なくとも１つのサービス係数の測定値を取得する。

【0085】

いくつかの要素は、直接測定することができる。例えば、移動車両の遅延時間は、ＭａａＳシステムのタイマ、鉄道制御システム、位置情報サービスを備えたスマートフォンなどによって測定することができる。間接的に計測される要素もある。例えば、混雑した鉄道駅の状況を（ＣＣＴＶ）カメラで監視することができる。

【0086】

従って、いくつかの実施形態では、測定は、鉄道制御システム、スマートフォン及びカメラの少なくとも１つによって実行される。

【0087】

いくつかの実施形態では、要素はユーザ入力に基づいて決定される。

【0088】

例えば、カスタマーの好みは、事前にＭａａＳシステムに登録することができる。例えば、カスタマーは、望ましくない／望ましい移動手段（例えば、飛行機恐怖症のため飛行機での移動）を入力することができる。カスタマーは、徒歩の許容距離（例えば、徒歩１０分）を入力することができる。その入力に基づき、ＭａａＳシステムは制限を超えない経路を提示することができる。

【0089】

別の例では、移動の特別なリクエストとして１回限りの入力が取得される。例えば、カスタマーが入力した移動目的（レジャー、ビジネスなど）は、経路／移動手段を選択するためにＭａａＳシステムによって考慮される場合がある。

【0090】

いくつかの実施形態において、回路は、少なくとも１つのサービス係数の決定論的計算を実行するようにさらに構成される。

【0091】

いくつかの要素は、経路や移動手段の種類に基づいて直接決定されることがある。例えば、電車やバスの乗車時間、鉄道駅での乗り換え待ち時間、乗り換え回数などである。これらの要素は、時刻表に基づいて決定論的に計算することができる。

【0092】

カスタマーエクスペリエンスに関しては、上記の要素に加えて、他の要素も考慮されることがある。例えば、最短の所要時間に基づいて好ましい交通機関を選択する乗客もいるかもしれない。また、乗り換え回数の少なさに基づいて、好ましい交通手段を選択する乗客もいるかもしれない。これらの好みは、個人データ管理システム５に保存することができる。

【0093】

いくつかの実施形態では、決定論的計算は、乗車時間、待ち時間及び乗り換え回数の少なくとも１つを計算することを含む。

【0094】

いくつかの実施形態では、決定論的計算は、好ましい移動手段及び所要時間の少なくとも一方を示す。

【0095】

いくつかの実施形態では、決定論的計算は回帰を含む。

【0096】

図３及び図４は、決定論的計算が実行され得る、例示的な回帰パターン２０及び３０を示す。

【0097】

図３の回帰パターン２０は、不満足度が遅延時間に線形依存する線形曲線である。

【0098】

図４は、状況に応じて使用される可能性があり、ＣＸ管理システム４に保存される可能性がある、３つの例示的な回帰パターンＡ、Ｂ、Ｃを示す。

【0099】

パターンは、ルックアップテーブル、実証データ、人工知能などに基づいて導き出される。

【0100】

パターンは、移動目的やその他の要素に依存する場合がある。

【0101】

パターンＡは、近距離・ビジネス（通勤など）のパターンを表す。パターンＢは、長距離・出張を表す。パターンＣは、長距離・レジャー移動を表す。

【0102】

図５は、回帰に基づくＣＸ推定方法４０を示すフローチャートである。

【0103】

４１で、移動目的が取得される。

【0104】

４２で、総移動時間が計算される。

【0105】

４３で、パターンが選択される。

【0106】

４４において、現在の遅延が決定され（測定され）及び／又は遅延可能性が予測される。

【0107】

４５では、選択されたパターンに基づき、遅延に基づいてカスタマーエクスペリエンスが推定される。

【0108】

図６は、いくつかの実施形態において、本開示において適用されるシーケンス図５０を示す。

【0109】

５１において、乗客は移動目的を入力し、この入力は、移動管理システム３を経由してＣＸ管理システム４に転送される。

【0110】

５２において、モビリティ管理システム３は総移動時間を計算し、それをＣＸ管理システムに転送する。５３において、ＣＸ管理システム４は遅延対満足度パターンを選択する。

【0111】

５４において、ＣＸ管理システム４は、モビリティサービスプロバイダシステム７に現在の遅延を要求する（又は、可能性のある遅延を予測する）。

【0112】

５５において、ＣＸ管理システム４によってＣＸ推定が実行され、５６で、このＣＸ推定がモビリティ管理システム３に送信される。

【0113】

従って、いくつかの実施形態では、回帰は、本明細書で説明するように、多重パターン回帰を含む。

【0114】

いくつかの実施形態では、回路は、さらに、ユーザの移動履歴を取得するように構成される。

【0115】

上述のような間接的な方法の１つは、高頻度で訪れる場所及び／又は高頻度で利用する交通機関など、以前の移動における履歴情報の利用を指す場合がある。例えば、カスタマーが自宅と高頻度で訪れる場所との間の経路／交通手段を高頻度で選択した場合、システムは移動の記録を保存し、利用可能であれば次回も同じ経路／交通手段を提供するように優先順位を付けることができる。

【0116】

いくつかの実施形態では、回路は、さらに、移動履歴に基づいて移動経路に優先順位を付けるように構成される。

【0117】

いくつかの実施形態では、次元削減によりエクスペリエンス値の計算が簡略化されるように、要素の一部が無視される、すなわち入力要素が削減される場合がある。例えば、その点で本開示を限定することなく、線形判別分析を実行してもよい。

【0118】

次元削減は、（後述する）機械学習アルゴリズムの場合又はユーザエクスペリエンスを予測するために適用される他のアルゴリズム（決定論的モデル）の場合に適用することができる。

【0119】

いくつかの実施形態では、決定論的モデルは、機械学習アルゴリズムを含み、そのような実施形態では、関連する要素を事前に決定する必要がなく、入力パラメータと出力値との間の関係が発見される可能性がある。

【0120】

この実施形態は、機械学習によるカスタマーエクスペリエンスの予測を示す。いくつかの実施形態では、予測によって先制的な行動が実行されてもよい。例えば、ＡＩ技術は、カスタマーのニーズを尋ねることなく理解し、サービスを提供することができる。

【0121】

いくつかの実施形態では、機械学習アルゴリズムは、少なくとも１つの入力変数に基づく。

【0122】

いくつかの実施形態では、少なくとも１つの入力変数は、測定結果、計算、履歴データ、設定値及び定性的要素の少なくとも１つを含む。いくつかの実施形態では、機械学習アルゴリズムは、ユーザ入力に基づいて、少なくとも１つのサービス要素の定性的要素を定量化することを含む。

【0123】

図７は、本開示による機械学習アルゴリズムを実装したニューラルネットワーク６０の一実施形態を示す。

【0124】

ニューラルネットワーク６０は、入力レイヤ６１、いくつかの中間レイヤ６２及び出力レイヤ６３を含み、異なるレイヤ６１乃至６３の異なるノード（例えば、ニューロン）は、図７に描かれているように、互いにレイヤ状に相互接続されている。

【0125】

第１の訓練データ６４が入力レイヤ６１に入力される。第１の訓練データは、１又は複数の測定値、１又は複数の計算（例えば、決定論的、予測、推定）、１又は複数の設定値、履歴データ（例えば、履歴における交通状況）又は任意の定性的要素（例えば、乗客の好み）又は定量的要素の少なくとも１つを含むが、これらに限定されない。

【0126】

機械学習アルゴリズムのインプットシェイプは、入力変数に依存する場合がある。定性的要素が機械学習アルゴリズムに入力される場合、それらは変換される可能性がある（以下でさらに説明する）。

【0127】

本開示は、任意の数の中間レイヤ６２に限定されるものではなく、数は状況に依存し得る。例えば、より多くの中間レイヤ６２が使用される場合、特徴をより良く捉え得るが、学習時間はレイヤ数が増加するとともに増加し得る。

【0128】

出力レイヤ６３は、機械学習（ＭＬ）からの推定／予測結果６５を損失関数６６に変換して出力する。

【0129】

アウトプットシェイプは、要求される出力にも依存する。例えば、カスタマー満足度を推定するために、２進数又は他の任意の数値を出力することができる（例えば、０から２５５までの整数で、０は不満を意味し、２５５は非常に満足を意味する）。

【0130】

さらに、第２の訓練データ６７が損失関数６６に入力される。第２の訓練データは、本明細書で説明するように、測定、計算等に基づいてカスタマー満足度を認識するための機械学習アルゴリズムを訓練するためのグランドトゥルースとして機能するカスタマー／ユーザ満足度データを含む。

【0131】

損失関数は、学習段階における機械学習アルゴリズムの重み更新に使用される。損失関数は、推定値と実際の値との偏差を計算することができる。偏差が所定の閾値を超える場合、機械学習モデルはさらに学習される。

【0132】

損失関数は、少なくとも２つの入力、モデル出力６５及び実際の値（すなわち、第２の訓練データ）を有する場合があり、これは、例えば、カスタマー調査からの履歴データを含む場合がある。損失関数によって実行される計算は、予測／推定の平均二乗誤差（ＭＳＥ）を決定することを含む場合がある。

【0133】

しかし、ＭＳＥはアウトライナーの影響を受けやすい。例えば、乗客がモデルで考慮されたのとは異なる理由で不満であった場合、カスタマー満足度は依然として低い可能性がある。しかし、訓練されたモデルは、アウトライナーに対して過剰適合する可能性がある。その場合、入力前にアウトライナーをフィルタリング（除去）するか、平均絶対誤差（ＭＡＥ）のようなアウトライナーの影響を受けにくい別の損失関数を使用することができる。

【0134】

損失関数６６に基づいて決定される、機械学習アルゴリズム６５からの出力の第２の訓練データ６７に対する偏差６８に基づいて、バックプロパゲーションアルゴリズム（誤差逆伝播法）に基づいて、機械学習アルゴリズム／ニューラルネットワーク６０において重みの更新６９が実行される。

【0135】

ＣＸ管理システム４は、カスタマーのコンテキスト（例えば、移動の理由）を特定することができる。例えば、週末や連休に自宅から観光地までの移動を要求する場合、ＣＸ管理システム４は、移動目的としてレジャーを予測することができる。一方、カスタマーが自宅から支社への移動を要求する場合、ＣＸ管理システム４は、移動目的としてビジネスを予測することができる。

【0136】

このような予測は、機械学習アルゴリズムにおいて考慮される。

【0137】

しかし、入力要素やデータが多すぎる場合、機械学習の実装が難しくなる可能性がある（「次元の呪い」も参照）。

【0138】

機械学習アルゴリズムの無関係な入力への過剰適合を回避するために、いくつかの実施形態では、特徴選択又は特徴抽出法が実装される。例えば、特徴選択とは、特定の入力要素を除去することであり、例えば、２つの入力要素が互いに（高度に）相関している場合、そのうちの１つのみが選択される（他の１つは容易に導き出される可能性があるため）。特徴抽出は、このように複数の入力を１つの入力に結合することがある。例えば、主成分分析（ＰＣＡ）を利用することができる。

【0139】

本開示は、任意のタイプのニューラルネットワーク又は機械学習アルゴリズムに限定されない。例えば、ＣＮＮ（畳み込みニューラルネットワーク）、ＲＮＮ（回帰型ニューラルネットワーク）などを使用してもよい。

【0140】

機械学習アルゴリズムのための入力データは、機械学習アルゴリズムに数値入力が利用できるように、例えば定性的要素が量に変換される（すなわち、上述したように定性的要素が定量化される）ように、前処理されてもよい。

【0141】

例えば、ラベルを符号化してもよく、これについては、荷物サイズの例示的な実施形態で後述する。乗客は、移動を要求するときに荷物サイズを入力することができる。航空移動では、事前に航空会社に荷物のサイズや量を知らせる必要があるかもしれないが、荷物のサイズはどのような移動環境でも有用と考えられるため、本開示は航空移動に限定されない。

【0142】

最も単純なケースは、１ビット（イエスかノーか）、すなわち乗客が荷物を持っているか否かである。

【0143】

別のケースは、荷物の量（例えばスーツケース２個）及び／又は荷物の重さ（例えば３０キログラム）である。

【0144】

別の実施形態では、荷物のサイズのオプションが与えられることがある。

【0145】

各ラベルに対応する数値は、例えば換算表（図１６（表１））に基づいて割り当てることができる。

【0146】

この実施形態では、機械学習モデルがラベルの意図を適切に処理できるように、大きな荷物サイズに大きな番号が割り当てられる。

【0147】

図１６（表１）は、数値換算例（荷物サイズ）である。

【0148】

前処理の別の実施形態として、ワンホットエンコーディングを挙げることができ、これはラベリングに追加的又は代替的に使用することができる。

【0149】

機械学習モデルは数値を考慮してもよい。しかし、定性的要素における複数のオプションは、すべての場合において同じ意味を持つとは限らない。

【0150】

例えば、鉄道＝０、航空＝１、海上＝２、自動車＝３といったように、数字がユーザの好みに対応することがある。機械学習モデルは、数字間の関係を「誤解」する可能性がある。例えば、数字が大きい方がより重要であったり、優先順位が高かったりする。

【0151】

従って、この場合、図１７（表２）に基づいて、以下に示すような中立的な変換方法が提供される。

【0152】

この場合、各ラベルの値は１つだけで、他はゼロである。しかし、変換後は４つの別々の変数が存在する。

【0153】

図１７（表２）は、数値変換の例（望ましい移動手段）である。

【0154】

いくつかの実施形態では、機械学習アルゴリズムは、１つ以上の入力変数の場合、本明細書で説明するように、次元削減技術に基づいて少なくとも１つの入力変数を削減することを含む。

【0155】

いくつかの実施形態では、通信ネットワークノードは、本明細書で説明するように、分散型台帳を提供するためのものである。

【0156】

いくつかの実施形態では、分散型台帳は、本明細書で説明するように、ブロックチェーンに基づく。

【0157】

いくつかの実施形態は、通信ネットワークノードにおいて実行される方法に関係し、この方法は、本明細書で説明するように、ユーザエクスペリエンスを示す少なくとも１つのサービス要素を示すユーザ入力を取得することと、少なくとも１つのサービス要素を含む決定論的モデルに基づいてユーザエクスペリエンスを予測することと、を含む。

【0158】

本方法は、本明細書で論じるように、回路によって実行することができる。

【0159】

いくつかの実施形態では、少なくとも１つのサービス要素は、本明細書で説明するように、定量的要素を含む。いくつかの実施形態では、定量的要素は、本明細書で論じるように、乗車時間、待ち時間、乗り換え待ち時間、乗り換え回数、駅での人数、電車内での人数、移動料金、時間の正確さ、予期せぬ遅延及び移動サービスへの苦情回数の少なくとも１つを含む。いくつかの実施形態では、少なくとも１つのサービス要素は、本明細書で論じるように、定性的要素を含む。いくつかの実施形態では、定性的要素は、本明細書で論じるように、快適さのオプション、移動目的、付加的な移動サービス、アクセスの良さ、荷物取り扱いの容易さ、移動サービスに対するユーザの慣れ、目的地に対するユーザの慣れ、交通事故のリスク、セキュリティ、公共の安全、公衆衛生及びユーザの健康の少なくとも１つを含む。いくつかの実施形態では、本方法は、本明細書で論じるように、少なくとも１つのサービス要素の測定値を取得することをさらに含む。いくつかの実施形態では、測定は、本明細書で論じるように、鉄道制御システム、スマートフォン及びカメラの少なくとも１つによって実行される。いくつかの実施形態において、本方法は、本明細書で論じるように、少なくとも１つのサービス係数の決定論的計算を実行することをさらに含む。いくつかの実施形態において、決定論的計算は、本明細書において説明するように、乗車時間、待ち時間及び乗り換え回数の少なくとも１つを計算することを含む。いくつかの実施形態では、決定論的計算は、本明細書で説明するように、好ましい移動及び所要時間の少なくとも１つを示す。いくつかの実施形態では、決定論的計算は、本明細書で論じるように、回帰を含む。いくつかの実施形態では、回帰は、本明細書で論じるように、多重パターン回帰を含む。いくつかの実施形態において、本方法は、本明細書で論じるように、ユーザの移動履歴を取得することをさらに含む。いくつかの実施形態において、本方法は、本明細書で論じるように、移動履歴に基づいて移動経路に優先順位を付けることをさらに含む。いくつかの実施形態では、決定論的モデルは、本明細書で論じるように、機械学習アルゴリズムを含む。いくつかの実施形態では、機械学習アルゴリズムは、本明細書で論じるように、少なくとも１つの入力変数に基づく。いくつかの実施形態において、少なくとも１つの入力変数は、本明細書で論じるように、測定結果、計算、履歴データ及び定性的要素の少なくとも１つを含む。いくつかの実施形態において、機械学習アルゴリズムは、ユーザ入力に基づいて、少なくとも１つのサービス要素の定性的要素を定量化することを含む。いくつかの実施形態において、機械学習アルゴリズムは、１つ以上の入力変数の場合、本明細書で説明するように、次元削減法に基づいて少なくとも１つの入力変数を削減することを含む。いくつかの実施形態において、通信ネットワークノードは、本明細書で説明するように、分散型台帳を提供するためのものである。いくつかの実施形態では、分散型台帳は、本明細書で説明するように、ブロックチェーンに基づく。

【0160】

本明細書に記載の方法はまた、いくつかの実施形態では、コンピュータ及び／又はプロセッサ上で実行されるときに、コンピュータ及び／又はプロセッサに方法を実行させるコンピュータプログラムとして実行される。いくつかの実施形態では、また、上述のプロセッサなどのプロセッサによって実行されると、本明細書に記載の方法を実行させるコンピュータプログラム製品をその中に記憶する非一過性のコンピュータ読み取り可能な記録媒体が提供される。

【0161】

いくつかの実施形態は、本明細書で論じるように、ユーザエクスペリエンスを示す少なくとも１つのサービス要素を示すユーザ入力を取得し、少なくとも１つのサービス要素を含む決定論的モデルに基づいてユーザエクスペリエンスを予測するように構成された回路を含む通信ネットワークノードを含む通信ネットワークに関する。

【0162】

通信ネットワークノードが分散型台帳を提供するためのものである実施形態では、通信ネットワークはそれに応じて分散型台帳を提供するためのものであると考えられる。

【0163】

いくつかの実施形態は、通信ネットワーク内の通信ネットワークノードと通信するように構成される端末デバイスに関係し、端末デバイスは、本明細書で説明するように、使用エクスペリエンスを示す少なくとも１つのサービス要素を示すユーザ入力を提供し、少なくとも１つのサービス要素を含む決定論的モデルに基づいて予測されるユーザエクスペリエンスを取得するようにさらに構成される。

【0164】

端末装置は、上述したように、エンドユーザエンティティによって具現化されることがある。

【0165】

図８は、上述したように、学習された機械学習アルゴリズムに基づいて実行される、本開示による方法６０を示すブロック図である。

【0166】

７１では、ユーザエクスペリエンスを示す少なくとも１つのサービス要素を示すユーザ入力が取得される（すなわち、ニューラルネットワーク６０に入力される）。

【0167】

７２では、この場合は決定論的モデルである機械学習アルゴリズムに基づいて、将来のユーザエクスペリエンスが予測され、出力される。

【0168】

図９は、本開示によるさらに別の方法８０を示す。

【0169】

８１では、本明細書で説明するように、ユーザ入力が取得される。

【0170】

８２では、本明細書で説明するように、回帰アルゴリズムに基づいて将来のユーザエクスペリエンスが予測される。

【0171】

図１０は、本明細書で説明するように、端末装置又はエンドユーザエンティティで実行され得る、本開示によるさらに別の方法９０を示す。

【0172】

８１では、本明細書で説明するように、ユーザ入力が提供される。

【0173】

８２では、本明細書で説明するように、将来のユーザエクスペリエンスが取得される。

【0174】

以下では、ブロックチェーンとその一般的なデータ構造について、図１１を参照しながら説明する。この実施形態のブロックチェーンの特徴は、ネットワーク／トポロジー、コンセンサスアルゴリズム、ハッシュ関数、参加者認証、スケーラビリティ／ブロック構造及びパフォーマンスである。

【0175】

図１１は、ブロックチェーン１００の一般的な構造を示す。ブロックチェーン１００は、複数のデータブロック１０１ａ、１０１ｂ、１０１ｃの連鎖を含み、ブロック１０１ｂは現在のブロック（ブロック＃Ｎ）であり、ブロック１０１ａは前のブロック（ブロック＃Ｎ－ｌ）であり、ブロック１０１ｃは将来又は後継のブロック（ブロック＃Ｎ＋ｌ）である。各ブロックは、前のブロックのハッシュ関数結果、メインデータ構造、ハッシュ関数の入力値及び現在のブロックのハッシュ関数結果を含み、現在のブロック（１０１ｂ）のハッシュ関数結果は常に次のブロック（１０１ｃ）の入力として使用される。

【0176】

さらに、各ブロックには、安全なブロックチェーン処理のためのワンショット乱数である「Ｎｕｍｂｅｒ ｕｓｅｄ ｏｎｃｅ」が含まれており、リプレイ攻撃を防ぐことができる。例えば、攻撃者が前回送信したデータをコピーし、コピーしたデータを再度使用してなりすまし通信を行った場合、受信者は、次のデータには異なる「Ｎｕｍｂｅｒ ｕｓｅｄ ｏｎｃｅ」を使用する必要があるため、なりすまし通信を検知することができる。このランダムな数は暗号通貨において「ナンス」と称することもある。さらに、ブロック１０１ａ、１０１ｂ、１０１ｃのそれぞれにタイムスタンプを挿入してもよい。ブロックチェーン１００は、分散型台帳の一例であり、例えば、いくつかの実施形態においてＭａａＳを提供するために使用され得る。

【0177】

図１２は、例えば図１１のブロックチェーン１００に使用されるハッシュ関数の入力と出力を示す。

【0178】

一般に、ハッシュ関数とは、入力データを特定のアルゴリズムで出力データにマッピングするために使用できる関数のことである。入力データのサイズは大きく、様々である可能性があり、反対にデータの出力はコンパクトである可能性があり、固定サイズを有する可能性がある。いくつかのブロックチェーンの実施形態でハッシュに使用される既知の（そして有名な）アルゴリズムは、米国家安全保障局によって設計されたセキュアハッシュアルゴリズム（ＳＨＡ）である（ＳＨＡ－２、ＳＨＡ－２５６など）。

【0179】

ハッシュ関数の入力は、以前のハッシュ出力、一度使用された番号及び現在のブロック（例えば図１１のブロック１０１ｂ）のデータ本体である。ハッシュ関数の出力は、入力値に対する一意の応答値である。もし誰かがデータ本体を改ざんしようとすれば、ハッシュ関数の出力は整合性を保つことができない。

【0180】

本開示における分散型台帳（ブロックチェーン）の実施形態は、コンセンサスプロトコル又はアルゴリズムを実装することができる。例えば、いくつかの実施形態では、コンセンサスプロトコルにビザンチンフォールト
トレランス（Byzantine Fault Tolerance。ＢＦＴ）が使用され、これはデータベースのなりすましやハードウェアの障害に強い。

【0181】

いくつかの実施形態で実装されているよく知られたコンセンサスアルゴリズムは、いわゆるプラクティカルビザンチンフォールトトレランス（ＰＢＦＴ）である。

【0182】

いくつかの実施形態では、パーミッションブロックチェーンが使用され、比較的少数のパーミッションブロックチェーンノードがコンセンサス（ブロックの検証）の役割を持つ。

【0183】

図１３は、ＰＢＦＴの工程１１０を例示的に示す。

【0184】

１１１で、リーダーノード（非検証ピアとも呼ばれる）は、他のノードにブロックチェーンの検証を要求する。１１２で、要求された各ノード（検証ピア）はブロックチェーンの有効性をハッシュ関数でチェックし、１１３でその結果を他のノードに示す。１１４で、ノードは他の複数のピアから有効性の結果を受信し、事前に定義された基準よりも多くの有効性の結果を受信した場合、ブロックチェーンのコンセンサスをチェックする。コンセンサスが得られた場合、１１５でノードはブロックチェーンを書き込む。リーダーピアは、他のノードの有効性チェックの全体的な進捗をチェックし、１１６でブロックチェーンの手順を終了する。

【0185】

レジリエンスのために、ノードの総数は、いくつかの実施形態では３ｆ＋１以上であり、ｆは許容される障害ノードの数である。例えば、ｆ＝１である場合、合計４ノードが存在し、ｆ＝３である場合、合計１０ノードが存在する等である。いくつかの実施形態において、ＰＢＦＴは、本明細書で説明するように、モビリティサービスブロックチェーンのためのパーミッションブロックチェーンと一緒であり、少なくとも部分的に以下の特徴を提供する。

【0186】

セキュリティに関して、ＰＢＦＴは、いくつかの実施形態において、コンセンサスの役割を持つピアの許可が信頼されなければならないため、暗号通貨で一般的な５１％の攻撃の少しのリスクをもたらす。プライバシーに関しては、モビリティサービスプロバイダのみが（ピア）ノードでブロックチェーンを扱うため、エンドユーザはブロックチェーン全体にアクセスできない（パーミッションベースのブロックチェーンのため、エンドユーザはブロックチェーンにアクセスするパーミッションを持っていない可能性がある）。性能に関しては、少数のピアが高い性能を有するため、いくつかの実施形態では、コンセンサスの処理時間は非常に短い。フレキシビリティに関して、ブロックチェーンのブロックサイズとフォーマットは、いくつかの実施形態ではパブリックブロックチェーンと比較して柔軟である。

【0187】

以下では、図１４を参照して、汎用コンピュータ１３０の一実施形態を説明する。コンピュータ１３０は、基本的に任意のタイプのネットワーク機器、例えばネットワークノード、ＩＤハブ、分散型データベースの一部、基地局又は新しい無線基地局、送受信ポイント又はユーザ機器、（エンド）端末装置などの通信装置として機能するように実装することができる。コンピュータは、構成要素１３１乃至１４１を有し、これらの構成要素は、本明細書で説明するネットワーク機器及び通信デバイスの回路のいずれか１つなどの回路を形成することができる。

【0188】

本明細書で説明する方法を実行するためのソフトウェア、ファームウェア、プログラムなどを使用する実施形態は、コンピュータ１３０にインストールすることができ、その後、具体的な実施形態に適するように構成される。

【0189】

コンピュータ１３０は、ＣＰＵ１３１（Central Processing Unit）を有し、このＣＰＵ１３１は、例えば、ＲＯＭ（Read Only Memory）１３２に記憶されたプログラム、ストレージ１３７に記憶され、ＲＡＭ（Random Access Memory）１３３にロードされたプログラム、それぞれのドライブ１３９に挿入可能な媒体１４０に記憶されたプログラム等に従って、本明細書で説明するような様々な種類の手順及び方法を実行することができる。

【0190】

ＣＰＵ１３１、ＲＯＭ１３２及びＲＡＭ１３３はバス１４１で接続され、バス１４１は入力／出力インターフェース１３４に接続されている。ＣＰＵ、メモリ及びストレージの数は例示に過ぎず、コンピュータ１３０が基地局として機能する場合又はユーザ機器（エンド端末）として機能する場合に生じる特定の要件を満たすために、コンピュータ１３０を適宜適合及び構成できることを当業者は理解するであろう。

【0191】

入力／出力インターフェース１３４には、入力１３５、出力１３６、ストレージ１３７、通信インターフェース１３８、ドライブ１３９が接続されており、この中に媒体１４０（コンパクトディスク、デジタルビデオディスク、コンパクトフラッシュ（登録商標）メモリなど）を挿入することができる。入力１３５は、ポインタデバイス（マウス、グラフィックテーブルなど）、キーボード、マイク、カメラ、タッチスクリーンなどとすることができる。

【0192】

出力１３６は、ディスプレイ（液晶ディスプレイ、陰極線管ディスプレイ、発光ダイオードディスプレイなど）、スピーカなどを有することができる。

【0193】

ストレージ１３７は、ハードディスク、ソリッドステートドライブなどを備えることができる。

【0194】

通信インターフェース１３８は、例えば、ローカルエリアネットワーク（ＬＡＮ）、ワイヤレスローカルエリアネットワーク（ＷＬＡＮ）、モバイル通信システム（ＧＳＭ、ＵＭＴＳ、ＬＴＥ、ＮＲなど）、ブルートゥース（登録商標）、赤外線などを介して通信するように適合させることができる。

【0195】

上記の説明は、コンピュータ１３０の例示的な構成に関するものであることに留意されたい。代替構成は、追加又は他のセンサ、記憶装置、インタフェースなどを用いて実装することができる。例えば、通信インターフェース１３８は、言及されたＵＭＴＳ、ＬＴＥ及びＮＲ以外の無線アクセス技術をサポートしてもよい。

【0196】

コンピュータ１３０が基地局として機能する場合、通信インターフェース１３８は、それぞれのエアインターフェース（例えばＥ－ＵＴＲＡプロトコルＯＦＤＭＡ（ダウンリンク）及びＳＵＥＤＭＡ（アップリンク）を提供する）及びネットワークインターフェース（例えばＳｌ－ＡＰ、ＧＴＰ－Ｕ、ＳＩ－ＭＭＥ、Ｘ２－ＡＰなどのプロトコルを実装する）をさらに有することができる。さらに、コンピュータ１３０は、１又は複数のアンテナ及び／又はアンテナアレイを有することができる。本開示は、このようなプロトコルのいかなる特殊性にも限定されない。

【0197】

本開示の実施形態を実行するために使用される、ユーザ機器ＵＥ１５０及びｅＮＢ１５５（又はＮＲｅＮＢ／ｇＮＢ）、ならびにＵＥ１５０とｅＮＢ１５５との間の通信経路１５４の実施形態が、図１５を参照して説明する。ＵＥ１５０は通信デバイス（又はエンドユーザエンティティ）の一例であり、ｅＮＢは基地局（例えばネットワークノード）の一例であるが、その点で本開示を限定するものではない。

【0198】

ＵＥ１５０は、送信機１５１、受信機１５２及びコントローラ１５３を備えるが、一般に、送信機１５１、受信機１５２及びコントローラ１５３の技術的機能は、当業者に公知であるため、これらのより詳細な説明は省略する。

【0199】

ｅＮＢ１５５は、送信機１５６、受信機１５７及びコントローラ１５８を備え、ここでも一般に、送信機１５６、受信機１５７及びコントローラ１５８の機能は当業者に知られており、従って、それらのより詳細な説明は省略される。

【0200】

動作中、ＵＥ１５０のコントローラ１５３は、受信機１５２においてダウンリンク経路１５４ｂを介したダウンリンク信号の受信を制御し、コントローラ１５３は、送信機１５１を介してアップリンク経路１５４ａを介したアップリンク信号の送信を制御する。

【0201】

同様に、動作中、ｅＮＢ１５５のコントローラ１５８は、送信機１５６におけるダウンリンク経路１５４ｂを介したダウンリンク信号の送信を制御し、コントローラ１５８は、受信機１５７におけるアップリンク経路１５４ａを介したアップリンク信号の受信を制御する。

【0202】

実施形態は、方法ステップの例示的な順序で方法を記述していることを認識すべきである。しかしながら、方法ステップの特定の順序は、例示の目的のみのために与えられ、拘束するものとして解釈されるべきではない。例えば、図５の実施形態における４１と４２の順序を入れ替えてもよい。また、図６の実施形態における５１と５２の順序を入れ替えてもよい。さらに、図７の実施形態における６４と６７の順序を入れ替えてもよい。方法ステップの順序の他の変更は、当業者には明らかであろう。

【0203】

コンピュータ１３０をユニット１３１乃至１４０に分割したのは説明のためであり、本開示は特定のユニットにおける機能の特定の分割に限定されないことに留意されたい。例えば、コンピュータ１３０は、それぞれのプログラムされたプロセッサ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）等によって実装され得る。

【0204】

いくつかの実施形態では、上述したプロセッサなどのプロセッサによって実行されると、上述した方法を実行させるコンピュータプログラム製品をその中に記憶する非一過性のコンピュータ読み取り可能な記録媒体も提供される。

【0205】

本明細書に記載され、添付の特許請求の範囲に記載されたすべてのユニット及びエンティティは、特に断りのない限り、例えばチップ上の集積回路ロジックとして実装することができ、そのようなユニット及びエンティティによって提供される機能は、特に断りのない限り、ソフトウェアによって実装することができる。

【0206】

上述した本開示の実施形態が、少なくとも部分的に、ソフトウェア制御されたデータ処理装置を使用して実行される限りにおいて、そのようなソフトウェア制御を提供するコンピュータプログラム及びそのようなコンピュータプログラムが提供される送信媒体、記憶媒体又は他の媒体が、本開示の態様として想定されることが理解されよう。

【0207】

なお、本技術は以下のように構成することも可能である。

【0208】

（１）ユーザエクスペリエンスを示す少なくとも１つのサービス要素を示すユーザ入力を取得し、
前記少なくとも１つのサービス要素を含む決定論的モデルに基づいてユーザエクスペリエンスを予測する
ように構成された回路
を具備する通信ネットワークノード。

【0209】

（２）前記少なくとも１つのサービス要素は、定量的要素を含む
（１）に記載の通信ネットワークノード。

【0210】

（３）前記定量的要素は、乗車時間、待ち時間、乗り換え待ち時間、乗り換え回数、駅の人数、電車内の人数、移動料金、時間の正確さ、予期せぬ遅延、移動サービスへの苦情件数の少なくとも１つを含む
（２）に記載の通信ネットワークノード。

【0211】

（４）前記少なくとも１つのサービス要素は、定性的要素を含む
（１）から（３）のいずれかに記載の通信ネットワークノード。

【0212】

（５）前記定性的要素は、快適さのオプション、移動目的、付加的な移動サービス、アクセスの良さ、荷物取り扱いの容易さ、移動サービスに対するユーザの慣れ、目的地に対するユーザの慣れ、交通事故のリスク、セキュリティ、公共の安全、公衆衛生及びユーザの健康の少なくとも１つを含む
（４）に記載の通信ネットワークノード。

【0213】

（６）前記回路は、さらに、前記少なくとも１つのサービス係数の測定値を取得するように構成される
（１）から（５）のいずれかに記載の通信ネットワークノード。

【0214】

（７）前記測定は、鉄道制御システム、スマートフォン及びカメラの少なくとも１つによって実行される
（６）に記載の通信ネットワークノード。

【0215】

（８）前記回路は、さらに、前記少なくとも１つのサービス係数の決定論的計算を実行するように構成される
（１）から（７）のいずれかに記載の通信ネットワークノード。

【0216】

（９）前記決定論的計算は、乗車時間、待ち時間及び乗り換え回数の少なくとも１つを計算することを含む
（８）に記載の通信ネットワークノード。

【0217】

（１０）前記決定論的計算は、好ましい移動手段及び所要時間の少なくとも一方を示す
（８）又は（９）に記載の通信ネットワークノード。

【0218】

（１１）前記決定論的計算は回帰を含む
（８）から（１０）のいずれかに記載の通信ネットワークノード。

【0219】

（１２）前記回帰は、多重パターン回帰を含む
（１１）に記載の通信ネットワークノード。

【0220】

（１３）前記回路は、さらに、ユーザの移動履歴を取得するように構成される
（１）から（１２）のいずれかに記載の通信ネットワークノード。

【0221】

（１４）前記回路は、さらに、前記移動履歴に基づいて移動経路に優先順位を付けるように構成される
（１３）に記載の通信ネットワークノード。

【0222】

（１５）前記決定論的モデルは、機械学習アルゴリズムを含む
（１）から（１４）のいずれかに記載の通信ネットワークノード。

【0223】

（１６）前記機械学習アルゴリズムは、少なくとも１つの入力変数に基づく
（１５）に記載の通信ネットワークノード。

【0224】

（１７）前記少なくとも１つの入力変数は、測定結果、計算、履歴データ及び定性的要素の少なくとも１つを含む
（１６）に記載の通信ネットワークノード。

【0225】

（１８）前記機械学習アルゴリズムは、ユーザ入力に基づいて前記少なくとも１つのサービス要素の定性的要素を定量化することを含む
（１５）から（１７）のいずれかに記載の通信ネットワークノード。

【0226】

（１９）前記機械学習アルゴリズムは、１つ以上の入力変数の場合、次元削減方法に基づいて前記少なくとも１つの入力変数を削減することを含む
（１５）から（１８）のいずれかに記載の通信ネットワークノード。

【0227】

（２０）前記通信ネットワークノードは、分散型台帳を提供するためのものである
（１）から（１９）のいずれかに記載の通信ネットワークノード。

【0228】

（２１）前記分散型台帳は、ブロックチェーンに基づく
（２０）に記載の通信ネットワークノード。

【0229】

（２２）通信ネットワークノードで実行される方法であって、
ユーザエクスペリエンスを示す少なくとも１つのサービス要素を示すユーザ入力を取得するステップと、
前記少なくとも１つのサービス要素を含む決定論的モデルに基づいてユーザエクスペリエンスを予測するステップと
を具備する方法。

【0230】

（２３）前記少なくとも１つのサービス要素は、定量的要素を含む
（２２）に記載の方法。

【0231】

（２４）前記定量的要素は、乗車時間、待ち時間、乗り換え待ち時間、乗り換え回数、駅の人数、電車内の人数、移動料金、時間の正確さ、予期せぬ遅延、移動サービスへの苦情件数の少なくとも１つを含む
（２３）に記載の方法。

【0232】

（２５）前記少なくとも１つのサービス要素は、定性的要素を含む
（２２）から（２４）のいずれかに記載の方法。

【0233】

（２６）前記定性的要素は、快適さのオプション、移動目的、付加的な移動サービス、アクセスの良さ、荷物取り扱いの容易さ、移動サービスに対するユーザの慣れ、目的地に対するユーザの慣れ、交通事故のリスク、セキュリティ、公共の安全、公衆衛生及びユーザの健康の少なくとも１つを含む
（２５）に記載の方法。

【0234】

（２７）前記少なくとも１つのサービス係数の測定値を取得することをさらに具備する
（２２）から（２６）のいずれかに記載の方法。

【0235】

（２８）前記測定は、鉄道制御システム、スマートフォン及びカメラの少なくとも１つによって実行される
（２７）に記載の方法。

【0236】

（２９）少なくとも１つのサービス係数の決定論的計算を実行することをさらに具備する
（２２）から（２８）のいずれかに記載の方法。

【0237】

（３０）前記決定論的計算は、乗車時間、待ち時間及び乗り換え回数の少なくとも１つを計算することを含む
（２９）に記載の方法。

【0238】

（３１）前記決定論的計算は、好ましい移動手段及び所要時間の少なくとも一方を示す
（２９）又は（３０）に記載の方法。

【0239】

（３２）前記決定論的計算は回帰を含む
（２９）から（３１）のいずれかに記載の方法。

【0240】

（３３）前記回帰は、多重パターン回帰を含む
（３２）に記載の方法。

【0241】

（３４）ユーザの移動履歴を取得することをさらに具備する
（２２）から（３３）のいずれかに記載の方法。

【0242】

（３５）移動履歴に基づいて移動経路に優先順位を付けることをさらに具備する
（３４）に記載の方法。

【0243】

（３６）前記決定論的モデルは、機械学習アルゴリズムを含む
（２２）から（３５）のいずれかに記載の方法。

【0244】

（３７）前記機械学習アルゴリズムは、少なくとも１つの入力変数に基づく
（３６）に記載の方法。

【0245】

（３８）前記少なくとも１つの入力変数は、測定結果、計算、履歴データ及び定性的要素の少なくとも１つを含む
（３７）に記載の方法。

【0246】

（３９）前記機械学習アルゴリズムは、ユーザ入力に基づいて前記少なくとも１つのサービス要素の定性的要素を定量化することを含む
（３６）から（３８）のいずれかに記載の方法。

【0247】

（４０）前記機械学習アルゴリズムは、１つ以上の入力変数の場合、次元削減方法に基づいて前記少なくとも１つの入力変数を削減することを含む
（３７）から（３９）のいずれかに記載の方法。

【0248】

（４１）前記通信ネットワークノードは、分散型台帳を提供するためのものである
（２２）から（４０）のいずれかに記載の方法。

【0249】

（４２）分散型台帳は、ブロックチェーンに基づく
（４１）に記載の方法。

【0250】

（４３）コンピュータ上で実行される場合に、（２２）から（４２）のいずれかに記載の方法をコンピュータに実行させるプログラムコード
を具備するコンピュータプログラム。

【0251】

（４４）プロセッサによって実行されると、（２２）から（４２）のいずれかによる方法を実行させるコンピュータプログラム製品を記憶する
非一過性のコンピュータ読み取り可能な記録媒体。

【0252】

（４５）ユーザエクスペリエンスを示す少なくとも１つのサービス要素を示すユーザ入力を取得し、
少なくとも１つのサービス要素を含む決定論的モデルに基づいてユーザエクスペリエンスを予測する
ように構成された回路を含む通信ネットワークノード
を具備する通信ネットワーク。

【0253】

（４６）通信ネットワーク内の通信ネットワークノードと通信するように構成された端末装置であって、
前記端末装置は、
ユーザエクスペリエンスを示す少なくとも１つのサービス要素を示すユーザ入力を提供し、
前記少なくとも１つのサービス要素を含む決定論的モデルに基づいて予測されるユーザエクスペリエンスを取得する
ようにさらに構成された
端末装置。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図】

【図】

【図】

【図】

【図】

【図】

【図】

【図】

【図】

【図】

【図】

【図】

【図】

【図】

【図】

【国際調査報告】