JP7017162B2

JP7017162B2 - 稼働状況予測システム、稼働状況予測方法および稼働状況予測プログラム

Info

Publication number: JP7017162B2
Application number: JP2019550117A
Authority: JP
Inventors: 一郎秋元; 洋介本橋; 直樹澤田
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 2017-11-06
Filing date: 2017-11-06
Publication date: 2022-02-08
Anticipated expiration: 2037-11-06
Also published as: WO2019087382A1; JPWO2019087382A1

Description

本発明は、ネットワーク上に存在する機器の稼働状況を予測する稼働状況予測システム、稼働状況予測方法および稼働状況予測プログラムに関する。

通信網の発達に伴い、多くの通信基地局や無線伝送装置の設置が進んでいく状況にある。このような状況において、ネットワーク設備の稼働状況を適切に把握し、新たな設備の設置に生かしていくことが求められている。

例えば、特許文献１には、各機器が接続されるネットワークシステムの性能を把握するネットワーク性能監視装置が記載されている。特許文献１に記載された装置は、ネットワークに接続される各機器からネットワーク性能の予測対象データおよびこの予測対象データと相関が強いデータを収集する。そして、特許文献１に記載された装置は、相関が強いデータが予測時点で数値未確定の場合、過去に収集した蓄積データに基づいて、そのデータの予測値を算出することにより、ネットワーク性能を予測する。

特開２０１０－６８３６７号公報

新設するネットワーク設備の稼働状況を予測することは必要不可欠である。しかし、新設される設備には、過去の稼働状況を示すデータが存在しないため、一般的な方法で新設される設備の稼働状況を予測することは難しい。また、設置されて間もないネットワーク設備からは、十分なデータが取得できないため、一般的な方法でこの設備の将来の稼働状況を予測する精度を高めることも難しい。

例えば、特許文献１に記載された装置は、予測する際に利用する値が不確定の場合に、過去の情報に基づいて予測される値を利用して最終的な予測を行う。しかし、特許文献１に記載された装置では、予測モデルが生成されていること、および、過去データが十分存在することを前提としている。そのため、そもそも、学習データが存在しない場合や、学習データの量が不十分な場合、予測モデル自体を生成することができない。

そこで、本発明は、予測対象の機器について過去のデータが存在しないまたは少ない場合であっても、予測対象の機器の稼働状況を精度良く予測できる稼働状況予測システム、稼働状況予測方法および稼働状況予測プログラムを提供することを目的とする。

本発明による稼働状況予測システムは、複数の既存ノードを、その既存ノードの属性の類似性に基づいてグループに分類する分類部と、既存ノードの属性の類似性に基づいて分類されたグループの中から、予測対象のノードの属性が類似するグループを特定する特定部と、特定されたグループに含まれる既存ノードの過去の稼働状況を含む学習データを用いて学習された、そのグループに含まれる既存ノードの稼働状況を予測する予測モデルを用いて、予測対象ノードの稼働状況を予測する予測部とを備え、分類部が、人口動態の類似性に基づいて既存ノードをグループに分類することを特徴とする。

本発明による稼働状況予測方法は、複数の既存ノードを、その既存ノードの属性の類似性に基づいてグループに分類し、既存ノードの属性の類似性に基づいて分類されたグループの中から、予測対象のノードの属性が類似するグループを特定し、特定されたグループに含まれる既存ノードの過去の稼働状況を含む学習データを用いて学習された、そのグループに含まれる既存ノードの稼働状況を予測する予測モデルを用いて、予測対象ノードの稼働状況を予測し、分類の際、人口動態の類似性に基づいて既存ノードをグループに分類することを特徴とする。

本発明による稼働状況予測プログラムは、コンピュータに、複数の既存ノードを、その既存ノードの属性の類似性に基づいてグループに分類する分類処理、既存ノードの属性の類似性に基づいて分類されたグループの中から、予測対象のノードの属性が類似するグループを特定する特定処理、および、特定されたグループに含まれる既存ノードの過去の稼働状況を含む学習データを用いて学習された、そのグループに含まれる既存ノードの稼働状況を予測する予測モデルを用いて、予測対象ノードの稼働状況を予測する予測処理を実行させ、分類処理で、人口動態の類似性に基づいて既存ノードをグループに分類させることを特徴とする。

本発明によれば、予測対象の機器について過去のデータが存在しないまたは少ない場合であっても、予測対象の機器の稼働状況を精度良く予測できる。

本発明による稼働状況予測システムの一実施形態を示すブロック図である。学習データの例を示す説明図である。ノードの属性の例を示す説明図である。ネットワークトポロジ情報の例を示す説明図である。学習に用いるデータが少ない場合の例を示す説明図である。トラフィックパターンの例を示す説明図である。稼働状況の類似性に基づいて既存ノードをグループに分類する例を示す説明図である。ノードの位置の類似性に基づいて既存ノードをグループに分類する例を示す説明図である。稼働状況に基づいて類似するグループを特定する処理の例を示す説明図である。ノードの位置に基づいて類似するグループを特定する処理の例を示す説明図である。稼働状況予測システムの動作例を示すフローチャートである。本発明による稼働状況予測システムの概要を示すブロック図である。

以下、本発明の実施形態を図面を参照して説明する。

図１は、本発明による稼働状況予測システムの一実施形態を示すブロック図である。本実施形態の稼働状況予測システム１００は、記憶部１０と、分類部２０と、学習部３０と、特定部４０と、予測部５０と、出力部６０とを備えている。

記憶部１０は、後述する学習部３０が予測モデルの作成に用いる学習データを記憶する。記憶部１０は、例えば、磁気ディスク装置等により実現される。後述する学習部３０と記憶部１０とは、有線または無線ＬＡＮ（Local Area Network）を介して接続されていてもよく、インターネットを介して接続されていてもよい。

予測モデルは、説明変数と目的変数の相関関係を表す情報である。予測モデルは、例えば、説明変数に基づいて目的とする変数を算出することにより予測対象の結果を予測するためのコンポーネントである。予測モデルは、「モデル」、「学習モデル」、「推定モデル」、「予測式」または「推定式」などと記載されることもある。

記憶部１０は、具体的には、各機器で取得される各種情報を記憶する。なお、以下の説明では、ネットワーク上に設置される機器のことをノードと記すこともある。ノードの例として、例えば、ＬＴＥ（Long Term Evolution ）基地局や、無線伝送装置などが挙げられる。本実施形態では、記憶部１０は、既に設置された機器（ノード）のことを、既存ノードと記す。既存ノードでは、過去の稼働状況が随時取得され、記憶部１０に記憶される。稼働状況の例として、例えば、トラフィックやセッション数、接続ユーザ数などが挙げられる。

また、記憶部１０は、上述する稼働状況に加え、各ノードが設置されている場所周辺の気象情報（例えば、降水量、気温など）やイベントデータ（イベント開催、キャンペーン、突発的な気象変化など）、人口動態情報などをノードの属性として記憶していてもよい。さらに、記憶部１０は、ネットワークトポロジデータや、インベントリ情報を記憶していてもよい。

図２は、学習データの例を示す説明図である。図２に例示する学習データは、稼働状況として各ノードの１時間単位のトラフィックを含む。また、図２に例示するように、学習データが、気象情報や休日フラグなどのカレンダ情報を含んでいてもよい。また、学習データには、単なる休日だけでなく、祝日やイベント日を含んでいてもよい。ここで、イベント日とは、明示的な休日や祝日に限られず、例えば、クリスマスやハロウィンなどの特徴的な日を表す。

また、図３は、ノードの属性の例を示す説明図である。図３に例示するノードの属性は、各ノードの設定場所や、通信方法、最大接続数を含む。

分類部２０は、既存ノードの属性の類似性に基づいて、複数の既存ノードをグループに分類する。既存ノードの属性の内容は任意である。属性として、例えば、トラフィックのパターンや、ノードのロケーション、ノードの通信方法（例えば、無線、光等）などが挙げられる。また、分類部２０は、既存ノードの役割に応じて、例えば、実際にアクセスを行うタイプのノードか、通信の中核を担うコア（メトロコア）に属するノードか、これらを中継するタイプのノードか、に分類してもよい。

分類部２０が既存ノードを分類する方法も任意である。分類部２０は、例えば、ｋ－ｍｅａｎｓやＥＭアルゴリズムを用いて既存ノードを分類してもよい。

また、分類部２０は、記憶部１０に記憶されたネットワークトポロジデータやインベントリ情報に基づいて新たな属性を生成し、生成した属性に基づいて既存ノードを分類してもよい。分類部２０は、例えば、ネットワークトポロジ情報を用いて関連するノードを特定し、特定されるノードとの関係を表す属性を生成してもよい。関連するノードとして、例えば、隣接するノードや、隣接するノードに更に接続されるノードなどが挙げられる。また、特定されるノードとの関係として、例えば、ノードとの接続形態（スター型、双方向型、リング型、など）や通信方法（無線、光など）、ノードの接続数などが挙げられる。

また、ノードとの関係は、上述するような通信ネットワークの関係に限定されない。分類部２０は、例えば、気象の関係（天候の関係や、温度の関係など）や、立地条件の関係（一方は繁華街に設置され、一方は、オフィス街に設置されている、など）を表す属性を生成してもよい。

図４は、ネットワークトポロジ情報の例を示す説明図である。図４に例示するネットワークトポロジでは、例えば、ノードｇの隣接ノードに着目すると、ノードｇは、ノードｅおよびノードｆを双方向に通信し、ノードｉおよびノードｈとリング型のネットワークを形成していることが分かる。そこで、分類部２０は、ノードｇの属性として、「２ノードとの双方向通信」、「３ノードによるリング型ネットワークの形成」、という属性を生成してもよい。また、分類部２０は、隣接ノードだけでなく、隣接ノードに更に接続するノードの情報を加味した属性を生成してもよい。図４に例示するネットワークトポロジの例では、ノードｇは、ノードｅに接続するノードａ、ノードｂや、ノードｆに接続するノードｃおよびノードｄの情報を加味した属性を生成してもよい。

なお、分類部２０は、後述する特定部４０が予測対象のノードとの類似性を判断可能な属性に基づいてグループ化を行う。そこで、分類部２０は、予測対象のノードについて得られるデータを考慮してグループ化を行う。以下、２つのパターンを想定する。第１のパターンは、学習に用いるデータが少ないパターンであり、第２のパターンは、学習に用いるデータが存在しないパターンである。

学習に用いるデータが少ないとは、対象とする期間のデータが一部存在しない場合や、学習に用いる一部の説明変数の値が欠落している場合などである。図５は、学習に用いるデータが少ない場合の例を示す説明図である。例えば、過去３か月の通信ログに基づいて、１か月後のトラフィックを予測する予測モデルを学習する場合を考える。図５に示す例では、１か月先のトラフィックを予測する予測モデルを１０月に学習するとする。

例えば、４月から７月の通信ログを説明変数とし、８月のトラフィックを目的変数とするデータを用いることで、過去３か月のデータから１か月後のトラフィックを予測するモデルを学習できる。また、５月から８月の通信ログを用いて９月のトラフィックを算出することで、既知のトラフィックとの差に基づく検証を行うことができる。

一方、例えば、６月の半ばに機器が新設されたとする。この場合、学習に用いることが可能な一部のデータＤ２は存在するが、残りのデータＤ１は存在しないため、学習に用いるデータとしては不十分である。検証用のデータについても同様である。

学習に用いる一部の説明変数の値が欠落している場合の例として、例えば、運用途中で新たに取得し始めた値や、センサ等の故障により、一定期間値が取得できなかった場合などが挙げられる。

このような第１のパターンが想定される場合、分類部２０は、稼働状況の類似性に基づいて既存ノードをグループに分類することが好ましい。例えば、トラフィックを稼働状況として予測しようとする場合、分類部２０は、トラフィックパターンの類似性に基づいて既存ノードをグループ化してもよい。

図６は、トラフィックパターンの例を示す説明図である。図６では、３種類のトラフィックパターンＰ１，Ｐ２，Ｐ３を例示している。例えば、図６の住宅街の例では、夜にかけて人が増えることからインターネットなどの利用が増えてトラフィックが増加する一方、深夜になると就寝する人が増えてトラフィックが減少することが考えられる。また、休日は、家族で外出することが想定されることから日中のトラフィックが全般的に低いと考えられる。

トラフィックパターンは、人の動きや生活モデルを表すものと言える。そのため、類似するトラフィックパターンのノードをグループ化することで、結果として人の動きや生活モデルの影響を受けるノードごとにグループ化することが可能になる。すなわち、図６に示す例では、既存のノードの設置場所を住宅街、オフィス街および歓楽街にそれぞれグループ化していると言える。

但し、トラフィックパターンは、図６に例示するパターンに限定されない。また、トラフィックパターンは、図６に例示するような住宅街やオフィス街、歓楽街と言った、具体的な種類が明らかになっていなくてもよい。

図７は、稼働状況の類似性に基づいて既存ノードをグループに分類する例を示す説明図である。図２に例示するログを参照すると、ノードｗ１とノードｗ２のトラフィックの傾向、ノードｘ１とノードｘ２のトラフィックの傾向がそれぞれ類似する。そこで、分類部２０は、ノードｗ１とノードｗ２を（グループＷとして）グループ化し、ノードｘ１とノードｘ２を（グループＸとして）グループ化してもよい。

学習に用いるデータが存在しない第２のパターンは、文字通り対象とする期間のデータが存在しない場合や、学習に用いる説明変数の値が欠落している場合などである。新規に機器を設置する場合などが、第２のパターンに該当する。

このような第２のパターンが想定される場合、稼働状況として予測しようとしても、稼働状況を表す学習データが存在しない。そこで、分類部２０は、ノードの位置（ロケーション）の類似性に基づいて既存ノードをグループに分類することが好ましい。ここで、ノードの位置とは、ノードの具体的な設置場所だけでなく、ネットワークトポロジにおける位置も含む。すなわち、分類部２０は、ネットワークトポロジにより特定されるノードの類似性に基づいて既存ノードをグループに分類してもよい。

図８は、ノードの位置の類似性に基づいて既存ノードをグループに分類する例を示す説明図である。図３に例示するノードの属性を参照すると、ノードｗ１とノードｗ２の設置場所、ノードｘ１とノードｘ２の設置場所がそれぞれ類似する。そこで、分類部２０は、ノードｗ１とノードｗ２を（グループＷとして）グループ化し、ノードｘ１とノードｘ２を（グループＸとして）グループ化してもよい。

なお、上記説明では、分類部２０が、第１のパターンの場合に稼働状況に基づいて既存ノードをグループ化し、第２のパターンの場合にノードの位置に基づいて既存ノードをグループ化する方法を説明した。ただし、第１のパターンまたは第２のパターンに該当する場合であっても、他の観点で既存ノードをグループ化してもよい。分類部２０は、例えば、上述するような人口動態や任意の属性に基づいて既存ノードをグループ化してもよい。

学習部３０は、グループに含まれる既存ノードの過去の稼働状況を含む学習データを用いて、グループに含まれる既存ノードの稼働状況を予測する予測モデルを学習する。具体的には、学習部３０は、グループごとに、稼働状況を目的変数とし、ノードの属性を説明変数とする予測モデルを学習する。すなわち、学習データには、稼働状況およびノードの属性が含まれる。

学習部３０は、例えば、最小二乗法や、異種混合学習アルゴリズムなど、任意の方法を用いて稼働状況を予測する予測モデルを学習する。なお、一般に、各グループに属する既存ノードの数は異なるため、学習部３０は、各グループで学習に用いるデータ数が概ね等しくなるように、学習データを選択してもよい。例えば、データ数の差は、５％以内であることが好ましく、１％以内であることがより好ましい。その際、学習部３０は、グループ中心からの距離が近い学習データを優先的に選択することが好ましい。

また、学習部３０は、予測モデルを学習後、一部の学習データを検証用データとして用いて予測精度を検証してもよい。

特定部４０は、予測対象ノードの属性が類似するグループを特定する。例えば、上述する第１のパターン（すなわち、学習に用いるデータが少ないパターン）の場合、特定部４０は、予測対象ノードの稼働状況が類似するグループを特定してもよい。また、例えば、上述する第２のパターン（すなわち、学習に用いるデータが存在しないパターン）の場合、特定部４０は、予測対象ノードの位置が類似するグループを特定してもよい。

図９は、稼働状況に基づいて類似するグループを特定する処理の例を示す説明図である。図９に例示する表Ｔ１のデータは、各グループに属する既存ノードのトラフィックの傾向の例を示す。例えば、図３に例示するノードｙの属するグループを特定するとする。ノードｙは６月中旬に設置され、６月中旬からの学習データしか存在しない。そこで、特定部４０は、存在するノードｙの稼働状況（ここでは、トラフィック）をグループの稼働状況と比較し、稼働状況が類似するグループＷを特定する。

図１０は、ノードの位置に基づいて類似するグループを特定する処理の例を示す説明図である。例えば、図２に例示するノードｚの属するグループを特定するとする。ノードｚは新設され、学習データが存在しない。そこで、特定部４０は、ノードｚの位置をグループの位置と比較し、グループの位置が類似するグループＸを特定する。

なお、特定部４０が類似性を判断する観点は、稼働状況およびノードの位置に限定されない。特定部４０は、分類部２０が類似性を判断した観点（例えば、トラフィック、ノードの位置、人口動態など）で類似するグループを特定すればよい。

予測部５０は、特定部４０によって特定されたグループに対して学習された予測モデルを用いて、予測対象ノードの稼働状況を予測する。予測部５０は、例えば、学習部３０により生成された予測式に、説明変数の値を代入することにより、予測される稼働状況（例えば、トラフィックなど）を算出してもよい。

出力部６０は、予測部５０による予測結果（例えば、予測対象ノードの稼働状況）を出力する。出力部６０は、他にも、予測を行った予測式や、予測対象ノードが属すると判断されたグループを出力してもよい。出力部６０は、例えば、磁気ディスク等により実現される。

分類部２０と、学習部３０と、特定部４０と、予測部５０とは、プログラム（稼働状況予測プログラム）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）、ＦＰＧＡ（field-programmable gate array ））によって実現される。

例えば、プログラムは、記憶部１０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、分類部２０、学習部３０、特定部４０および予測部５０として動作してもよい。また、稼働状況予測システムの機能がＳａａＳ（Software as a Service ）形式で提供されてもよい。

分類部２０と、学習部３０と、特定部４０と、予測部５０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。

また、稼働状況予測システム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。

また、本実施形態では、分類部２０が既存ノードを分類したグループおよび学習部３０が学習した予測モデルを用いて稼働状況を予測する方法を説明した。なお、既存ノードを分類したグループおよび予測モデルが別途準備されていてもよい。この場合、特定部４０および予測部５０が独立して稼働状況予測システムとして実現され、上述するグループおよび予測モデルを取得するようにしてもよい。

次に、本実施形態の稼働状況予測システムの動作を説明する。図１１は、本実施形態の稼働状況予測システムの動作例を示すフローチャートである。分類部２０は、複数の既存ノードを属性の類似性に基づいてグループに分類する（ステップＳ１１）。学習部３０は、過去の稼働状況を含む学習データを用いて、各グループに含まれる既存ノードの稼働状況を予測する予測モデルを学習する（ステップＳ１２）。特定部４０は、予測対象ノードの属性が類似するグループを特定する（ステップＳ１３）。予測部５０は、特定されたグループに対して学習された予測モデルを用いて、予測対象ノードの稼働状況を予測する（ステップＳ１４）。そして、出力部６０は、予測結果を出力する（ステップＳ１５）。

以上のように、本実施形態では、特定部４０が、予測対象ノードの属性が類似するグループを特定し、予測部５０が、特定されたグループに対して学習された予測モデルを用いて、予測対象ノードの稼働状況を予測する。そのため、予測対象の機器について過去のデータが存在しないまたは少ない場合であっても、予測対象の機器の稼働状況を精度良く予測できる。

次に、本発明の概要を説明する。図１２は、本発明による稼働状況予測システムの概要を示すブロック図である。本発明による稼働状況予測システム８０（例えば、稼働状況予測システム１００）は、既存ノードの属性の類似性に基づいて分類されたグループの中から、予測対象のノードの属性が類似するグループを特定する特定部８３（例えば、特定部４０）と、特定されたグループに含まれる既存ノードの過去の稼働状況を含む学習データを用いて学習された、そのグループに含まれる既存ノードの稼働状況を予測する予測モデルを用いて、予測対象ノードの稼働状況を予測する予測部８４（例えば、予測部５０）とを備えている。

そのような構成により、予測対象の機器について過去のデータが存在しないまたは少ない場合であっても、予測対象の機器の稼働状況を精度良く予測できる。

また、稼働状況予測システム８０は、複数の既存ノードを、その既存ノードの属性の類似性に基づいてグループに分類する分類部（例えば、分類部２０）と、グループに含まれる既存ノードの過去の稼働状況を含む学習データを用いて、そのグループに含まれる既存ノードの稼働状況を予測する予測モデルを学習する学習部（例えば、学習部３０）とを備えていてもよい。

また、分類部は、稼働状況の類似性に基づいて既存ノードをグループに分類し、特定部８３は、予測ノードの稼働状況が類似するグループを特定してもよい。そのような構成によれば、稼働状況を表す学習データが少ない場合であっても、その学習データを効率的に利用できるため、予測精度を向上できる。

一方、分類部は、ノードの位置の類似性に基づいて既存ノードをグループに分類し、特定部８３は、予測ノードの位置が類似するグループを特定してもよい。そのような構成によれば、稼働状況を表す学習データが存在しない場合であっても、予測ノードの稼働状況を予測することが可能になる。

さらに、分類部は、ネットワークトポロジにより特定されるノードの類似性に基づいて既存ノードをグループに分類してもよい。そのような構成によれば、周辺の環境を考慮して稼働状況を予測することが可能になる。

また、学習部は、稼働状況を目的変数とし、ノードの属性を説明変数とする予測モデルをグループごとに学習してもよい。

具体的には、学習部は、既存ノードの過去の通信ログを用いて既存ノードのトラフィックを予測してもよい。

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。

（付記１）既存ノードの属性の類似性に基づいて分類されたグループの中から、予測対象のノードの属性が類似するグループを特定する特定部と、特定されたグループに含まれる既存ノードの過去の稼働状況を含む学習データを用いて学習された、当該グループに含まれる既存ノードの稼働状況を予測する予測モデルを用いて、前記予測対象ノードの稼働状況を予測する予測部とを備えたことを特徴とする稼働状況予測システム。

（付記２）複数の既存ノードを、当該既存ノードの属性の類似性に基づいてグループに分類する分類部と、前記グループに含まれる既存ノードの過去の稼働状況を含む学習データを用いて、当該グループに含まれる既存ノードの稼働状況を予測する予測モデルを学習する学習部とを備えた付記１記載の稼働状況予測システム。

（付記３）分類部は、稼働状況の類似性に基づいて既存ノードをグループに分類し、特定部は、予測ノードの稼働状況が類似するグループを特定する付記２記載の稼働状況予測システム。

（付記４）分類部は、ノードの位置の類似性に基づいて既存ノードをグループに分類し、特定部は、予測ノードの位置が類似するグループを特定する付記２記載の稼働状況予測システム。

（付記５）分類部は、ネットワークトポロジにより特定されるノードの類似性に基づいて既存ノードをグループに分類する付記２または付記４記載の稼働状況予測システム。

（付記６）学習部は、稼働状況を目的変数とし、ノードの属性を説明変数とする予測モデルをグループごとに学習する付記２から付記５のうちのいずれか１つに記載の稼働状況予測システム。

（付記７）学習部は、既存ノードの過去の通信ログを用いて既存ノードのトラフィックを予測する付記２から付記６のうちのいずれか１つに記載の稼働状況予測システム。

（付記８）特定部は、分類部が類似性を判断した観点で類似するグループを特定する付記２から付記７のうちのいずれか１つに記載の稼働状況予測システム。

（付記９）学習部は、各グループで学習に用いるデータ数が概ね等しくなるように、学習データを選択する付記２から付記８のうちのいずれか１つに記載の稼働状況予測システム。

（付記１０）学習部は、グループの中心に近い既存ノードの学習データを優先して選択する付記２から付記９のうちのいずれか１つに記載の稼働状況予測システム。

（付記１１）既存ノードの属性の類似性に基づいて分類されたグループの中から、予測対象のノードの属性が類似するグループを特定し、特定されたグループに含まれる既存ノードの過去の稼働状況を含む学習データを用いて学習された、当該グループに含まれる既存ノードの稼働状況を予測する予測モデルを用いて、前記予測対象ノードの稼働状況を予測することを特徴とする稼働状況予測方法。

（付記１２）複数の既存ノードを、当該既存ノードの属性の類似性に基づいてグループに分類し、前記グループに含まれる既存ノードの過去の稼働状況を含む学習データを用いて、当該グループに含まれる既存ノードの稼働状況を予測する予測モデルを学習する付記１１記載の稼働状況予測方法。

（付記１３）コンピュータに、既存ノードの属性の類似性に基づいて分類されたグループの中から、予測対象のノードの属性が類似するグループを特定する特定処理、および、特定されたグループに含まれる既存ノードの過去の稼働状況を含む学習データを用いて学習された、当該グループに含まれる既存ノードの稼働状況を予測する予測モデルを用いて、前記予測対象ノードの稼働状況を予測する予測処理を実行させるための稼働状況予測プログラム。

（付記１４）コンピュータに、複数の既存ノードを、当該既存ノードの属性の類似性に基づいてグループに分類する分類処理、および、前記グループに含まれる既存ノードの過去の稼働状況を含む学習データを用いて、当該グループに含まれる既存ノードの稼働状況を予測する予測モデルを学習する学習処理を実行させる付記１３記載の稼働状況予測プログラム。

１０記憶部
２０分類部
３０学習部
４０特定部
５０予測部
６０出力部
１００稼働状況予測システム

Claims

複数の既存ノードを、当該既存ノードの属性の類似性に基づいてグループに分類する分類部と、
既存ノードの属性の類似性に基づいて分類されたグループの中から、予測対象のノードの属性が類似するグループを特定する特定部と、
特定されたグループに含まれる既存ノードの過去の稼働状況を含む学習データを用いて学習された、当該グループに含まれる既存ノードの稼働状況を予測する予測モデルを用いて、前記予測対象ノードの稼働状況を予測する予測部とを備え、
前記分類部は、人口動態の類似性に基づいて既存ノードをグループに分類する
ことを特徴とする稼働状況予測システム。
グループに含まれる既存ノードの過去の稼働状況を含む学習データを用いて、当該グループに含まれる既存ノードの稼働状況を予測する予測モデルを学習する学習部を備えた
請求項１記載の稼働状況予測システム。
分類部は、稼働状況の類似性に基づいて既存ノードをグループに分類し、
特定部は、予測ノードの稼働状況が類似するグループを特定する
請求項１または請求項２記載の稼働状況予測システム。
分類部は、ノードの位置の類似性に基づいて既存ノードをグループに分類し、
特定部は、予測ノードの位置が類似するグループを特定する
請求項１または請求項２記載の稼働状況予測システム。
分類部は、ネットワークトポロジにより特定されるノードの類似性に基づいて既存ノードをグループに分類する
請求項１または請求項２または請求項４記載の稼働状況予測システム。
学習部は、稼働状況を目的変数とし、ノードの属性を説明変数とする予測モデルをグループごとに学習する
請求項２から請求項５のうちのいずれか１項に記載の稼働状況予測システム。
学習部は、既存ノードの過去の通信ログを用いて既存ノードのトラフィックを予測する
請求項２から請求項６のうちのいずれか１項に記載の稼働状況予測システム。
特定部は、分類部が類似性を判断した観点で類似するグループを特定する
請求項１から請求項７のうちのいずれか１項に記載の稼働状況予測システム。
学習部は、各グループで学習に用いるデータ数が概ね等しくなるように、学習データを選択する
請求項２から請求項８のうちのいずれか１項に記載の稼働状況予測システム。
学習部は、グループの中心に近い既存ノードの学習データを優先して選択する
請求項２から請求項９のうちのいずれか１項に記載の稼働状況予測システム。
複数の既存ノードを、当該既存ノードの属性の類似性に基づいてグループに分類し、
既存ノードの属性の類似性に基づいて分類されたグループの中から、予測対象のノードの属性が類似するグループを特定し、
特定されたグループに含まれる既存ノードの過去の稼働状況を含む学習データを用いて学習された、当該グループに含まれる既存ノードの稼働状況を予測する予測モデルを用いて、前記予測対象ノードの稼働状況を予測し、
前記分類の際、人口動態の類似性に基づいて既存ノードをグループに分類する
ことを特徴とする稼働状況予測方法。
コンピュータに、
複数の既存ノードを、当該既存ノードの属性の類似性に基づいてグループに分類する分類処理、
既存ノードの属性の類似性に基づいて分類されたグループの中から、予測対象のノードの属性が類似するグループを特定する特定処理、および、
特定されたグループに含まれる既存ノードの過去の稼働状況を含む学習データを用いて学習された、当該グループに含まれる既存ノードの稼働状況を予測する予測モデルを用いて、前記予測対象ノードの稼働状況を予測する予測処理を実行させ、
前記分類処理で、人口動態の類似性に基づいて既存ノードをグループに分類させる
ための稼働状況予測プログラム。