特許ウォッチ

公開番号2024044589
公報種別公開特許公報(A)
公開日2024-04-02
出願番号2022150211
出願日2022-09-21
発明の名称予測プログラム、予測装置、及び予測方法
出願人富士通株式会社
代理人インフォート弁理士法人,個人,個人,個人
主分類G06Q 10/04 20230101AFI20240326BHJP(計算;計数)
要約【課題】時系列予測の予測精度を向上させる。
【解決手段】コンピュータは、複数の時系列データそれぞれの特徴情報のうち、処理対象時系列データの特徴情報と類似する複数の特徴情報を特定する。コンピュータは、複数の特徴情報それぞれに基づいて、処理対象時系列データの予測値分布を求め、複数の特徴情報それぞれに基づいて求められた予測値分布から合成分布を求める。コンピュータは、合成分布に基づいて、処理対象時系列データに対する予測値の範囲を決定する。
【選択図】図3
特許請求の範囲【請求項１】
複数の時系列データそれぞれの特徴情報のうち、処理対象時系列データの特徴情報と類似する複数の特徴情報を特定し、
前記複数の特徴情報それぞれに基づいて、前記処理対象時系列データの予測値分布を求め、
前記複数の特徴情報それぞれに基づいて求められた前記予測値分布から合成分布を求め、
前記合成分布に基づいて、前記処理対象時系列データに対する予測値の範囲を決定する、
処理をコンピュータに実行させるための予測プログラム。
続きを表示（約 1,200 文字）【請求項２】
前記複数の特徴情報を特定する処理は、前記複数の時系列データそれぞれの特徴情報のうち、前記処理対象時系列データに対応する時系列データの特徴情報を、前記処理対象時系列データの特徴情報として用いて、前記複数の時系列データそれぞれの特徴情報と前記処理対象時系列データの特徴情報とを比較することで、前記複数の特徴情報を特定する処理を含むことを特徴とする請求項１記載の予測プログラム。
【請求項３】
前記処理対象時系列データは、所定の時間帯の各時刻におけるデータを含み、
前記処理対象時系列データの予測値分布は、前記所定の時間帯よりも後の時刻におけるデータの分布を表し、
前記処理対象時系列データの予測値分布を求める処理は、前記所定の時間帯を示す時間帯情報と、前記処理対象時系列データと、前記複数の特徴情報各々とを用いて、前記処理対象時系列データの予測値分布を求める処理を含むことを特徴とする請求項１又は２記載の予測プログラム。
【請求項４】
前記複数の時系列データ各々は、特定の時間帯の各時刻におけるデータを含み、
前記所定の時間帯を示す時間帯情報と、前記処理対象時系列データと、前記複数の特徴情報各々とを用いて、前記処理対象時系列データの予測値分布を求める処理は、前記特定の時間帯を示す時間帯情報と前記複数の時系列データとを用いた機械学習によって生成された予測モデルを用いて、前記処理対象時系列データの予測値分布を求める処理を含むことを特徴とする請求項３に記載の予測プログラム。
【請求項５】
前記複数の時系列データそれぞれの特徴情報は、前記機械学習を行うことで決定されるパラメータであることを特徴とする請求項４記載の予測プログラム。
【請求項６】
複数の時系列データそれぞれの特徴情報のうち、処理対象時系列データの特徴情報と類似する複数の特徴情報を特定する特定部と、
前記複数の特徴情報それぞれに基づいて、前記処理対象時系列データの予測値分布を求め、前記複数の特徴情報それぞれに基づいて求められた前記予測値分布から合成分布を求める分布生成部と、
前記合成分布に基づいて、前記処理対象時系列データに対する予測値の範囲を決定する決定部と、
を備えることを特徴とする予測装置。
【請求項７】
複数の時系列データそれぞれの特徴情報のうち、処理対象時系列データの特徴情報と類似する複数の特徴情報を特定し、
前記複数の特徴情報それぞれに基づいて、前記処理対象時系列データの予測値分布を求め、
前記複数の特徴情報それぞれに基づいて求められた前記予測値分布から合成分布を求め、
前記合成分布に基づいて、前記処理対象時系列データに対する予測値の範囲を決定する、
処理をコンピュータが実行することを特徴とする予測方法。

発明の詳細な説明【技術分野】
【０００１】
本発明は、予測技術に関する。
続きを表示（約 1,800 文字）【背景技術】
【０００２】
時系列予測のユースケースとして、予測値が後段アプリケーションの目標値として用いられることがある。例えば、無線通信システムにおいて効率的な基地局制御を行うためには、通信トラフィック需要の予測が重要となる。この場合、基地局制御は、後段アプリケーションに対応し、予測された通信トラフィック量を制御の目標値として用いる。未来における通信トラフィック量を適切に予測することで、無線通信システム全体の性能低下を防ぐことが可能になる。
【０００３】
通信トラフィック量を予測する技術として、深層強化学習を用いた予測方法が知られている（例えば、非特許文献１及び非特許文献２を参照）。
【０００４】
高精度な通信障害の予測処理を実行する通信状況予測装置も知られている（例えば、特許文献１を参照）。ネットワークのトラフィック量をネットワーク装置のインタフェース毎に少ない処理負荷で計測し、予測する方法も知られている（例えば、特許文献２を参照）。マージン要件を決定するシステムも知られている（例えば、特許文献３及び特許文献４を参照）。
【０００５】
時刻のベクトル表現も知られている（例えば、非特許文献３を参照）。混合密度ネットワークも知られている（例えば、非特許文献４を参照）。行動プリミティブの自己組織化も知られている（例えば、非特許文献５を参照）。
【先行技術文献】
【特許文献】
【０００６】
特開２０２０－１３６９３７号公報
特開２０１６－１２７３６０号公報
米国特許出願公開第２０２０／０２２６６８４号明細書
米国特許出願公開第２０１３／００６０６７３号明細書
【非特許文献】
【０００７】
C. W. Huang et al., “Mobile Traffic Offloading with Forecasting using Deep Reinforcement Learning”, arXiv:1911.07452v1, 2019.
Q. Wu et al., “Deep Reinforcement Learning With Spatio-Temporal Traffic Forecasting for Data-Driven Base Station Sleep Control”, IEEE/ACM Transactions on Networking VOL. 29, NO. 2, pages 935-948, 2021.
S. M. Kazemi et al., “Time2Vec: Learning a Vector Representation of Time”, arXiv:1907.05321v1, 2019.
C. M. Bishop, “Mixture Density Networks”, Aston University, 1994.
J. Tani, “Self-Organization of Behavioral Primitives as Multiple Attractor Dynamics: A Robot Experiment”, Proceedings of the 2002 International Joint Conference on Neural Networks, IJCNN'02, pages 489-494, 2002.
【発明の概要】
【発明が解決しようとする課題】
【０００８】
無線通信システムにおいて未来の通信トラフィック量を予測する場合、通信トラフィック量の予測値が実際の通信トラフィック量よりも小さくなることがある。
【０００９】
なお、かかる問題は、無線通信システムにおいて通信トラフィック量を予測する場合に限らず、様々な時系列予測を行う場合において生ずるものである。
【００１０】
１つの側面において、本発明は、時系列予測の予測精度を向上させることを目的とする。
【課題を解決するための手段】
（【００１１】以降は省略されています）

関連特許