学习模型生成方法、估计装置以及无线列车控制系统与流程

1.本发明涉及一种生成机器学习模型的学习模型生成方法、估计装置以及无线列车控制系统。


背景技术：

2.对于在列车控制中利用了无线通信的被称为cbtc(communication based train control：基于通信的列车控制)的无线列车控制系统，探讨了在地面与车上之间的无线通信中使用不需要许可证的被称为ism(industrial scientific and medical：工业的、科学的和医学的)频段的频带。作为利用该ism频段的无线通信标准，有无线lan(ieee802.11)、蓝牙(bluetooth，注册商标)(ieee802.15.1)等各种无线通信标准，上述无线通信标准为各种其它的无线通信系统所利用，因此无法避免受到干扰。因此，作为减少由干扰造成的影响来实现无线通信的可靠性的提高的技术，例如在专利文献1中公开了一种基于跳频图案表来变更无线通信的信道的技术。
3.现有技术文献
4.专利文献
5.专利文献1：日本特开2013-239935号公报


技术实现要素：

6.发明要解决的问题
7.然而，在上述的专利文献1中，需要在基站与车载装置(移动站)之间实际地进行通信。因此，存在包括再发送在内的占用无线通信的信道的问题、如何预先寻找空闲的无线通信的信道之类的问题。在利用ism频段的无线通信中，有一种被称为认知无线电通信的技术，该技术寻找空闲的无线通信的信道并切换要使用的无线方式。在该认知无线电通信中，需要寻找空闲的无线通信的信道的频谱感知。但是，在将认知无线电通信应用于要求高可靠性的无线列车控制系统时，对频谱感知也要求更高的精度。
8.本发明是鉴于上述情况而完成的，其目的在于提供一种应用于进行认知无线电通信的无线列车控制系统的、精度高的频谱感知的新技术。
9.用于解决问题的方案
10.为了解决上述问题的第一方式是一种学习模型生成方法，由计算机系统执行，其中，
11.所述计算机系统执行以下步骤：
12.获取训练数据，所述训练数据是将表示车载装置与设置于铁路沿线的无线基站进行认知无线电通信时的所述无线基站的电波环境的数据同基于所述无线基站在该电波环境下进行无线通信时的snr(signal to noise ratio：信噪比)的按频率通信状况信息进行关联而得到的数据，在所述认知无线电通信中能够切换无线通信标准地进行通信；以及
13.生成步骤，使用所述训练数据来生成以表示所述电波环境的数据为输入且以所述
按频率通信状况信息为输出的机器学习模型。
14.根据第一方式，能够实现应用于进行认知无线电通信的无线列车控制系统的、精度高的频谱感知的技术。也就是说，能够生成以表示无线列车控制系统中的无线基站与车载装置进行认知无线电通信时的无线基站的电波环境的数据为输入且以基于无线基站在该电波环境下进行无线通信时的snr的按频率通信状况信息为输出的机器学习模型。而且，通过利用该机器学习模型，能够实现精度高的频谱感知。
15.也可以将学习模型生成方法构成为：
16.所述训练数据还关联地包含所述无线基站在所述电波环境下使用的无线通信标准，
17.所述机器学习模型包括第一学习模型和每个所述无线通信标准的第二学习模型，
18.所述生成步骤包括以下步骤：
19.使用所述训练数据来生成以表示所述电波环境的数据为输入且以所述无线通信标准为输出的所述第一学习模型；以及
20.使用所述训练数据来针对每个所述无线通信标准生成以表示所述电波环境的数据为输入且以所述按频率通信状况信息为输出的所述第二学习模型。
21.据此，能够以包括第一学习模型和每个无线通信标准的第二学习模型的方式来生成机器学习模型，其中，该第一学习模型以表示电波环境的数据为输入且以无线通信标准为输出，该第二学习模型以表示电波环境的数据为输入且以按频率通信状况信息为输出。当无线通信标准不同时，通信状况也可能不同，因此能够使利用了机器学习模型的频谱感知的精度提高。
22.第二方式是一种估计装置，具备：
23.电波环境数据获取部，其获取表示车载装置与设置于铁路沿线的无线基站进行认知无线电通信时的所述无线基站的电波环境的数据，在所述认知无线电通信中能够切换无线通信标准地进行通信；以及
24.估计处理执行部，其执行以下的估计处理，即，向使用以表示所述电波环境的数据为输入且以基于所述无线基站在该电波环境下进行无线通信时的snr(signal to noise ratio)的按频率通信状况信息为输出的训练数据来进行学习所得到的机器学习模型，输入由所述电波环境数据获取部获取到的表示电波环境的数据，来输出所述按频率通信状况信息。
25.根据第二方式，能够实现应用于进行认知无线电通信的无线列车控制系统的、精度高的频谱感知的技术。也就是说，能够实现执行估计处理的、利用了机器学习模型的精度高的频谱感知，其中，在该估计处理中，向机器学习模型输入表示无线列车控制系统中的无线基站与车载装置进行认知无线电通信时的无线基站的电波环境的数据，来输出基于无线基站在该电波环境下进行无线通信时的snr的按频率通信状况信息。
26.也可以将估计装置构成为：
27.所述训练数据还关联地包含所述无线基站在所述电波环境下使用的无线通信标准，
28.所述机器学习模型包括第一学习模型和每个所述无线通信标准的第二学习模型，
29.所述估计处理执行部具有：
30.第一估计处理执行部，其执行以下的第一估计处理，即，向使用所述训练数据并以表示所述电波环境的数据为输入且以所述无线基站在该电波环境下使用的无线通信标准为输出来进行学习所得到的所述第一学习模型，输入由所述电波环境数据获取部获取到的表示电波环境的数据，来输出所述无线通信标准；以及
31.第二估计处理执行部，其执行以下的第二估计处理，即，从使用所述训练数据并以表示所述电波环境的数据为输入且以所述按频率通信状况信息为输出来按所述无线通信标准进行学习所得到的每个所述无线通信标准的所述第二学习模型中，选择适合于由所述第一估计处理执行部输出的无线通信标准的所述第二学习模型，向该选择的所述第二学习模型输入由所述电波环境数据获取部获取到的表示电波环境的数据，来输出所述按频率通信状况信息。
32.据此，机器学习模型包括第一学习模型和每个无线通信标准的第二学习模型，其中，该第一学习模型以表示电波环境的数据为输入且以无线通信标准为输出，该第二学习模型以表示电波环境的数据为输入且以按频率通信状况信息为输出。当无线通信标准不同时，通信状况也可能不同，因此通过利用该机器学习模型，能够使频谱感知的精度提高。
33.也可以将估计装置构成为：
34.所述训练数据还关联地包含与所述无线基站在所述电波环境下使用的所述无线通信标准有关的无线传播特性，
35.按每组所述无线通信标准与所述无线传播特性的组合存在所述第二学习模型，
36.所述第一学习模型是以表示所述电波环境的数据为输入且以所述无线基站在该电波环境下使用的无线通信标准及与该无线通信标准有关的无线传播特性为输出来进行学习所得到的模型，
37.所述第一估计处理执行部执行以下的所述第一估计处理：向所述第一学习模型输入由所述电波环境数据获取部获取到的表示电波环境的数据，来输出所述无线通信标准与所述无线传播特性的组合，
38.所述第二估计处理执行部执行以下的所述第二估计处理：选择适合于由所述第一估计处理执行部输出的组合的所述第二学习模型，向该选择的所述第二学习模型输入由所述电波环境数据获取部获取到的表示电波环境的数据，来输出所述按频率通信状况信息。
39.据此，机器学习模型包括第一学习模型以及每组无线通信标准与无线传播特性的组合的第二学习模型，其中，该第一学习模型以表示电波环境的数据为输入且以无线通信标准与无线传播特性的组合为输出，该第二学习模型以表示电波环境的数据为输入且以按频率通信状况信息为输出。当无线通信标准及与该无线通信标准有关的无线传播特性的组合不同时，通信状况也可能不同，因此通过利用多阶段的机器学习模型、如使用适合于由第一学习模型估计出的组合的第二学习模型，能够使频谱感知的精度提高。
40.也可以将估计装置构成为：
41.所述机器学习模型是卷积神经网络。
42.据此，生成基于卷积神经网络的机器学习模型。
43.也可以将估计装置构成为：
44.所述电波环境数据获取部基于由设置于所述铁路沿线的监视器用接收装置接收到的无线信号来获取表示所述电波环境的数据。
45.据此，设置作为无线基站以外的其它装置的监视器用接收装置，因此能够不对车载装置与地面基站的无线通信造成影响地获取表示无线基站的电波环境的数据。监视器用接收装置能够设置在任意的位置，例如设置在无线基站的附近等。
46.第三方式是一种无线列车控制系统，具备：
47.上述的估计装置；以及
48.分配装置，其基于从所述估计装置的所述估计处理执行部输出的所述按频率通信状况信息来动态地分配与所述认知无线电通信有关的无线信道。
49.根据第三方式，在无线列车控制系统中，能够基于由估计装置估计出的无线基站的按频率通信状况信息来动态地分配同在该无线基站与车载装置之间进行的认知无线电通信有关的无线信道。由此，能够使地面与车上之间的无线通信的可靠性高。
附图说明
50.图1是无线列车控制系统的结构例。
51.图2是使用通信状况估计模型进行的电波环境的估计的说明图。
52.图3是按频率通信状况信息中的频率的使用状况的分类的一例。
53.图4是通信状况估计模型的学习的说明图。
54.图5是通信状况估计模型的学习的说明图。
55.图6是通信状况估计装置的功能结构例。
具体实施方式
56.下面参照附图来对本发明的优选的实施方式进行说明。此外，本发明不被下面说明的实施方式所限定，能够应用本发明的方式不限定于下面的实施方式。另外，在附图的记载中，对相同要素标注相同标记。
57.[系统结构]
[0058]
图1是本实施方式的无线列车控制系统1的结构例。如图1所示，本实施方式的无线列车控制系统1具备无线基站10、监视器用接收装置20以及控制装置100。控制装置100是统一管理各列车50的运行的装置。控制装置100具有分配装置30和通信状况估计装置40作为与本实施方式的无线的控制有关的主要装置。无线基站10和监视器用接收装置20设置于铁路沿线。控制装置100设置于中央指令所等。另外，各装置经由地面传输线路n进行通信连接。
[0059]
无线基站10与行驶在线路上的列车50所搭载的车载装置52之间的无线通信是利用了2.4ghz频段、5.7ghz频段、920mhz频段等ism(industrial scientific and medical)频段的无线通信。在该无线通信中，进行寻找未被其它的通信系统使用的频率并切换无线通信标准、无线信道来进行无线通信的认知无线电通信。
[0060]
无线基站10以其可通信范围互相有一部分重叠的方式沿铁路沿线设置有多个，使得行驶在线路上的列车50的车载装置52能够在该车载装置52与控制装置100之间进行连续的无线通信。另外，无线基站10能够在其与多个规定数量的列车50之间建立通信信道，通过基于分配装置30的指示而被分配到的无线信道来与各列车50的车载装置52之间进行无线通信。
[0061]
监视器用接收装置20是为了获取表示对应的无线基站10的电波环境的数据而设置的装置。监视器用接收装置20设置在对应的无线基站10的附近，接收该无线基站10的周边的无线信号，将接收到的无线信号输出到通信状况估计装置40。在图1中示出了2台无线基站10和2台监视器用接收装置20，但实际上沿铁路沿线设置有多个。
[0062]
分配装置30基于由通信状况估计装置40估计出的通信状况来进行同无线基站10与列车50的车载装置52之间的认知无线电通信有关的无线信道的动态分配。例如，在无线基站10的切换(hand-over)时，基于由通信状况估计装置40实时地估计的下一个无线基站10的周边的通信状况来选择并分配空闲的频率的无线信道。然后，向列车50的车载装置52和无线基站10通知所分配到的无线信道。
[0063]
通信状况估计装置40针对各无线基站10，基于由该无线基站10所对应的监视器用接收装置20接收到的无线信号来估计该无线基站10的周边的通信状况。
[0064]
[通信状况的估计]
[0065]
图2是说明由通信状况估计装置40进行通信状况的估计的图。如图2所示，通信状况估计装置40基于由监视器用接收装置20接收到的无线信号，使用通信状况估计模型60来估计按频率的通信状况以作为对应的无线基站10的周边的通信状况，即进行所谓的频谱感知。此外，通信状况估计模型60是按无线基站10生成的。
[0066]
通信状况估计模型60在本实施方式中通过卷积神经网络来实现，但也可以是除其以外的神经网络。另外，通信状况估计模型60是如后所述那样使用训练数据来进行学习所得到的机器学习模型，且权重系数已确定。而且，在进行使用了通信状况估计模型60的通信状况的估计时，向通信状况估计模型60输入对由监视器用接收装置20接收到的无线信号进行振幅和相位的归一化并进行高速傅里叶变换处理所得到的n个数据作为表示电波环境的数据，来取代向通信状况估计模型60输入无线信号的频谱图作为表示电波环境的数据。监视器用接收装置20设置在无线基站10的附近。因此，由监视器用接收装置20接收的无线信号可视为由无线基站10接收的无线信号。由此，能够大幅缩短通信状况的估计所需的处理时间。因而，能够实现接近实时或可称为实时的通信状况的估计。
[0067]
然后，通信状况估计模型60输出通过监视器用接收装置20接收到所输入的无线信号时的该监视器用接收装置20的周边的按频率通信状况信息。该按频率通信状况信息即为对应的无线基站10的周边的通信状况。按频率通信状况信息是按以例如无线信道为单位的频率来示出通信状况的信息。基于无线基站10在该无线环境下进行无线通信时的snr(signal to noise ratio：信噪比)将通信状况分类为多个阶段来表示。
[0068]
图3示出基于snr的通信状况的分类的一例。在图3中示出分类为黑(b)、灰(g)、银(s)、白(w)的按浓淡顺序的4个阶段的例子，但也可以设为3个阶段以下的分类，也可以分类为5个阶段以上。在图3的例子中示出了：按浓淡的从浓到淡的顺序，snr从大到小，也就是说在该频率下进行无线通信的可能性从高到低(＝被使用)。
[0069]
另外，如图2所示，通信状况估计模型60包括一个第一模型62和多个第二模型64。第一模型62和第二模型64分别以卷积神经网络实现。也就是说，可以说通信状况估计模型60构成为包括多个卷积神经网络。
[0070]
第一模型62是以表示电波环境的数据为输入且以在认知无线电中应使用的无线通信标准与无线信道的无线传播特性的组合为输出的学习模型，是用于从多个第二模型64
中选择一个的学习模型。
[0071]
第二模型64是以表示电波环境的数据为输入且以按频率通信状况信息为输出的学习模型，是按每组无线通信标准与无线信道的无线传播特性的组合而生成的。无线通信标准包括本实施方式中的认知无线电中能够切换使用的无线方式。该无线通信标准例如包括ieee802.11b/11a/11g/11n/11ac之类的无线lan(wi-fi)的通信标准、蓝牙(bluetooth)之类的近距离无线通信标准。无线传播特性例如包括snr、中心频率偏移(cfo：center frequency offset)、采样率偏移(sro：sample rate offset)、频率选择性衰落(frequency selective fading)、功率延迟分布(pdp：power delay profile)。
[0072]
在使用了通信状况估计模型60的通信状况的估计中，首先，向第一模型62输入基于由监视器用接收装置20接收到的无线信号的表示电波环境的数据。通过使用第一模型62进行的第一估计处理，输出适合于所输入的表示电波环境的数据的无线通信标准与无线传播特性的组合。接着，选择同从第一模型62输出的无线通信标准与无线传播特性的组合对应的第二模型64。然后，向所选择的第二模型64输入之前的基于由监视器用接收装置20接收到的无线信号的表示电波环境的数据。通过使用第二模型64进行的第二估计处理，输出适合于所输入的表示电波环境的数据的按频率通信状况信息。
[0073]
[通信状况估计模型数据的学习]
[0074]
图4是说明由通信状况估计装置40进行的通信状况估计模型60的学习(机器学习)的图。如图4所示，使用预先准备的多个训练数据318来学习通信状况估计模型60。一个训练数据318是将以下的信息进行关联而得到的数据：表示无线基站10的电波环境的数据；无线基站10在该电波环境下使用的无线通信标准；与无线基站10在该电波环境下使用的无线通信标准有关的无线传播特性；以及基于无线基站10在该电波环境下进行无线通信时的snr的按频率通信状况信息。通过完成以最初的3个数据(表示电波环境的数据、无线通信标准、无线传播特性)为输入且以最后的1个数据(按频率通信状况信息)为输出的学习，来生成通信状况估计模型60。学习的种类在本实施方式中设为深度学习(deep learning)，但也可以设为除其以外的任一种类的机器学习。
[0075]
关于训练数据318，除了利用实际的无线通信的数据以外，例如也能够通过使用计算机进行的模拟运算来生成。具体地说，通信状况估计装置40设定无线通信标准和无线传播特性的参数，并生成以设定的无线通信标准来发送任意的发送数据时的发送信号。接着，通信状况估计装置40求出在以设定的无线传播特性的无线信道来发送该发送信号时假定由无线基站10接收的无线信号。然后，通信状况估计装置40计算所求出的无线信号的频谱图或者对无线信号进行振幅和相位的归一化并进行高速傅里叶变换处理所得到的n个数据，来作为表示电波环境的数据。另外，通信状况估计装置40根据无线信号的频谱和发送信号来按频率求出发送信号的snr，由此计算按频率通信状况信息。然后，将设定的无线通信标准和无线传播特性的参数、表示电波环境的数据以及按频率通信状况信息作为一个训练数据318。通过设定各种无线通信标准、无线传播特性的参数，能够生成大量的训练数据318。
[0076]
如上所述，通信状况估计模型60具有一个第一模型62和多个第二模型64。因而，详细地说，如图5所示，按第一模型62和多个第二模型64中的各学习模型，完成使用了训练数据318的机器学习。也就是说，对于第一模型62，完成以表示电波环境的数据为输入且以无
线通信标准与无线传播特性的组合为输出的学习。另外，第二模型64是按每组无线通信标准与无线传播特性的组合而生成的，因此对于各第二模型64，完成以包括相应的无线通信标准与无线传播特性的组合的训练数据318所包含的表示电波环境的数据为输入且以按频率通信状况信息为输出的学习。
[0077]
更详细地说，通过将准备的全部的训练数据318按无线通信标准与无线传播特性的组合进行分组并按组使用该组的训练数据318进行机器学习，来生成同该组的无线通信标准与无线传播特性的组合对应的第二模型64。然后，以该各组的无线通信标准与无线传播特性的组合为输出来进行学习，从而生成第一模型62。
[0078]
[功能结构]
[0079]
图6是通信状况估计装置40的功能结构图。根据图6，通信状况估计装置40具备操作部102、显示部104、声音输出部106、通信部108、处理部200以及存储部300，能够构成为一种计算机系统。
[0080]
操作部102例如通过键盘、鼠标、触摸面板、各种开关等输入装置来实现，向处理部200输出与完成的操作相应的操作信号。显示部104例如通过液晶显示器、触摸面板等显示装置来实现，进行与来自处理部200的显示信号相应的各种显示。声音输出部106例如通过扬声器等声音输出装置来实现，进行与来自处理部200的声音信号相应的各种声音输出。通信部108通过无线或有线的通信装置来实现，连接于地面传输线路n，进行与无线基站10、分配装置30之类的各种外部装置的通信。
[0081]
处理部200是通过cpu(central processing unit：中央处理单元)、fpga(field programmable gate array：现场可编程门阵列)等运算装置、运算电路来实现的处理器。处理部200基于存储部300中存储的程序或数据、来自操作部102的输入数据等来进行通信状况估计装置40的整体控制。另外，处理部200具有电波环境数据获取部202、估计处理执行部204以及估计模型生成部210作为功能性的处理块。处理部200所具有的这些各功能部既能够通过由处理部200执行程序来以软件的方式实现，也能够通过专用的运算电路来实现。在本实施方式中，设为前者的以软件的方式来实现的情况来进行说明。
[0082]
电波环境数据获取部202获取表示车载装置52与设置于铁路沿线的无线基站10进行认知无线电通信时的无线基站10的电波环境的数据，在该认知无线电通信中能够切换无线通信标准地进行通信。具体地说，获取对由设置在无线基站10的附近的监视器用接收装置20接收到的无线信号进行振幅和相位的归一化并进行高速傅里叶变换处理所得到的n个数据来作为表示该无线基站10的电波环境的数据。
[0083]
估计处理执行部204执行以下的估计处理：向由估计模型生成部210生成的机器学习模型即通信状况估计模型60输入由电波环境数据获取部202获取到的表示电波环境的数据，来输出按频率通信状况信息。通信状况估计模型60包括第一模型62和第二模型64，其中，该第一模型62是以表示电波环境的数据为输入且以无线通信标准与同该无线通信标准有关的无线传播特性的组合为输出的第一学习模型，该第二模型64是以表示电波环境的数据为输入且以按频率通信状况信息为输出的每组无线通信标准与无线传播特性的组合的第二学习模型。
[0084]
另外，估计处理执行部204具有第一估计处理执行部206和第二估计处理执行部208。
[0085]
第一估计处理执行部206执行以下的第一估计处理：向第一学习模型即第一模型62输入由电波环境数据获取部202获取到的表示电波环境的数据，来输出无线通信标准与所述无线传播特性的组合。
[0086]
第二估计处理执行部208执行以下的第二估计处理：从第二学习模型即第二模型64中选择适合于由第一估计处理执行部206输出的无线通信标准与无线传播特性的组合的第二模型64，向该所选择的第二模型64输入由电波环境数据获取部202获取到的表示电波环境的数据，来输出按频率通信状况信息。
[0087]
估计模型生成部210获取训练数据318，该训练数据318是将表示车载装置52与设置于铁路沿线的无线基站10进行能够切换无线通信标准地进行通信的认知无线电通信时的无线基站10的电波环境的数据、基于无线基站10在该电波环境下进行无线通信时的snr(signal to noise ratio)的按频率通信状况信息、无线基站10在该电波环境下使用的无线通信标准、以及与无线基站10在该电波环境下使用的无线通信标准有关的无线传播特性进行关联而得到的数据，估计模型生成部210使用训练数据318来生成以表示电波环境的数据为输入且以按频率通信状况信息为输出的机器学习模型即通信状况估计模型60。
[0088]
机器学习模型即通信状况估计模型60包括第一模型62和第二模型64，其中，该第一模型62是第一学习模型，该第二模型64是每组无线通信标准与同该无线通信标准有关的无线传播特性的组合的第二学习模型。也就是说，估计模型生成部210使用训练数据318，以表示电波环境的数据为输入且以无线通信标准与同该无线通信标准有关的无线传播特性的组合为输出来进行学习，生成第一学习模型即第一模型62。另外，使用训练数据318，以表示电波环境的数据为输入且以按频率通信状况信息为输出，按无线通信标准与同该无线通信标准有关的无线传播特性的组合来进行学习，生成每组无线通信标准与同该无线通信标准有关的无线传播特性的组合的第二学习模型即第二模型64。
[0089]
存储部300通过rom(read only memory：只读存储器)、ram(random access memory：随机存取存储器)等ic(integrated circuit：集成电路)存储器、硬盘等存储装置来实现。存储部300存储有处理部200用来统一地控制通信状况估计装置40的程序、数据等，并且被用作处理部200的作业区域，临时地保存处理部200执行得到的运算结果、来自操作部102的输入数据等。在本实施方式中，存储部300存储有通信状况估计程序302和无线基站信息310。
[0090]
无线基站信息310是按无线基站10生成的，与相应的无线基站10的识别信息(基站id)对应地保存有：通信状况估计模型数据312；由电波环境数据获取部202获取到的表示相应的无线基站10的电波环境的数据即电波环境数据314；由估计处理执行部204估计出的相应的无线基站10的按频率通信状况信息316；以及由估计模型生成部210进行的通信状况估计模型60的学习中使用的训练数据318。通信状况估计模型数据312是定义相应的无线基站10的通信状况估计模型60的数据，具体地说，是权重系数的数据。
[0091]
[作用效果]
[0092]
根据本实施方式，能够实现应用于进行认知无线电通信的无线列车控制系统的、精度高的频谱感知的技术。也就是说，能够生成以表示无线列车控制系统1中的无线基站10与车载装置52进行认知无线电通信时的无线基站10的电波环境的数据为输入且以基于无线基站10在该电波环境下进行无线通信时的snr的按频率通信状况信息为输出的机器学习
模型即通信状况估计模型60。而且，通过执行估计处理，能够实现利用了通信状况估计模型60的精度高的频谱感知，该估计处理如下：向该通信状况估计模型60输入表示无线基站10的电波环境的数据，来输出基于无线基站10在该电波环境下进行无线通信时的snr的按频率通信状况信息。
[0093]
此外，能够应用本发明的实施方式不限定于上述的实施方式，当然能够在不脱离本发明的宗旨的范围内适当变更。
[0094]
(a)监视器用接收装置20
[0095]
在上述的实施方式中，设为将监视器用接收装置20与无线基站10一一对应地设置在对应的无线基站10的附近，但也可以是设置在任意的位置。在该情况下，例如，基于由设置在最接近无线基站10的设置位置的位置的监视器用接收装置20接收到的无线信号来估计该无线通信基站10的周边的通信状况。
[0096]
或者，也可以设为无线基站10被兼用为监视器用接收装置20。在该情况下，通信状况估计装置40基于由无线基站10接收到的无线信号来估计该无线通信基站10的周边的通信状况。
[0097]
附图标记说明
[0098]
1：无线列车控制系统；10：无线基站；20：监视器用接收装置；30：分配装置；40：通信状况估计装置；200：处理部；202：电波环境数据获取部；204：估计处理执行部；206：第一估计处理执行部；208：第二估计处理执行部；210：估计模型生成部；300：存储部；302：通信状况估计程序；310：无线基站信息；312：通信状况估计模型数据；314：电波环境数据；316：按频率通信状况信息；318：训练数据；50：列车；52：车载装置；60：通信状况估计模型；62：第一模型；64：第二模型。