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) この特許をJ-PlatPatで参照する