CN111417968B - 数据生成装置、数据生成方法、数据生成程序及传感器装置 - Google Patents

数据生成装置、数据生成方法、数据生成程序及传感器装置 Download PDF

Info

Publication number
CN111417968B
CN111417968B CN201880077124.6A CN201880077124A CN111417968B CN 111417968 B CN111417968 B CN 111417968B CN 201880077124 A CN201880077124 A CN 201880077124A CN 111417968 B CN111417968 B CN 111417968B
Authority
CN
China
Prior art keywords
data
sensing data
reliability
physical
virtual
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201880077124.6A
Other languages
English (en)
Other versions
CN111417968A (zh
Inventor
三野宏之
酒井隆介
上田直亚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Omron Corp
Original Assignee
Omron Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Omron Corp filed Critical Omron Corp
Publication of CN111417968A publication Critical patent/CN111417968A/zh
Application granted granted Critical
Publication of CN111417968B publication Critical patent/CN111417968B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Abstract

数据生成装置具有：选择部，其从针对作为判定对象的状况项目确定的多个判定基准中，选择与表示关于物理传感器的周围的状况的第1判定结果的第1虚拟感测数据对应的1个判定基准；以及判定部，其针对各个状况项目，使用选择出的判定基准，根据物理感测数据来判定物理传感器的周围的状况，并生成表示与该状况相关的第2判定结果的第2虚拟感测数据。

Description

数据生成装置、数据生成方法、数据生成程序及传感器装置
技术领域
本公开涉及数据生成装置、数据生成方法、数据生成程序及传感器装置。
背景技术
除了实际配置的传感器(物理传感器)之外，还公知有如下的虚拟传感器的技术(程序模块)(例如，参照日本特开2014-045242号公报)：对通过1个或多个物理传感器观测其感测对象而生成的感测数据(物理感测数据)进行分析和加工，生成新的感测数据(虚拟感测数据)。如果设计出生成符合使用者要求的感测数据的虚拟传感器，则即使实际上不存在这样的物理传感器，使用者也能够利用期望的感测数据。
发明内容
虚拟传感器例如可被设计为生成表示物理传感器的周边的状况的感测数据。但是，状况是基于多种要素而成立的。因此，在基于物理感测数据对状况的某个要素进行判定的情况下，由其他要素引起的噪声等可能会带来影响。
本公开的目的在于，提供生成表示物理传感器的周围的状况的虚拟感测数据的技术。
本公开第1方面的数据生成装置具有：第1取得部，其取得通过物理传感器对感测对象进行观测而得到的物理感测数据；第2取得部，其取得表示与所述物理传感器的周围的状况相关的第1判定结果的第1虚拟感测数据；第3取得部，其取得针对作为判定对象的状况项目确定的多个判定基准；第1选择部，其从取得的所述多个判定基准中，选择与所述第1虚拟感测数据对应的1个判定基准；以及判定部，其针对各个所述状况项目，使用选择出的所述判定基准，根据取得的所述物理感测数据来判定所述物理传感器的周围的状况，并生成表示与该状况相关的第2判定结果的第2虚拟感测数据。
根据该数据生成装置，由于能够使用考虑了由第1虚拟感测数据所示的状况引起的噪声等影响的判定基准，所以能够更准确地判定物理传感器的周围的状况。
在第1方面的数据生成装置中，也可以是，所述判定基准包含针对所述物理感测数据的原始数据和该原始数据的已加工数据中的至少1个的基准值。由此，通过判定基准所包含的基准值和与该基准值对应的物理感测数据的原始数据或其已加工数据的比较，能够判定状况。
在第1方面的数据生成装置中，也可以是，所述判定基准包含通过进行如下的机器学习而生成的已学习模型：该机器学习是根据在与该判定基准相对应的第1虚拟感测数据所示的状况下生成的学习用物理感测数据来判定状况。
由此，通过对设定了已学习模型的神经网络提供作为输入数据的物理感测数据的原始数据或其已加工数据，能够判定状况。
在第1方面的数据生成装置中，也可以是，所述第2取得部还取得第3虚拟感测数据，该第3虚拟感测数据表示与所述物理传感器的周围的状况相关的第3判定结果，所述数据生成装置还具有：第4取得部，其取得第1计算基准；以及第1计算部，其使用取得的所述第1计算基准，根据取得的所述第3虚拟感测数据来计算感测数据的可靠性，生成第1可靠性数据。根据该数据生成装置(以下，称为本公开第2方面的数据生成装置)，能够根据虚拟感测数据来估计感测数据的可靠性。
在第2方面的数据生成装置中，也可以是，所述第1可靠性数据表示所述感测数据分别相对于影响所述感测数据的可靠性的至少1个因素的可靠性。由此，能够生成从虚拟感测数据掌握的、描述感测数据相对于影响感测数据的可靠性的因素的可靠性的第1可靠性数据。
在第2方面的数据生成装置中，也可以是，所述第1计算基准包含分配给所述第3虚拟感测数据所包含的各个状况项目的权重系数，所述第1计算部使用所述第3虚拟感测数据中的各状况项目的值和分配给该状况项目的权重系数来进行运算，并根据该运算的结果来计算所述感测数据的可靠性。由此，能够考虑各个状况项目的贡献率来计算感测数据的可靠性。
在第2方面的数据生成装置中，也可以是，所述第1计算基准包含通过进行如下的机器学习而生成的已学习模型：该机器学习是根据学习用虚拟感测数据来计算在该学习用虚拟感测数据所示的状况下生成的感测数据的可靠性。由此，通过对设定了已学习模型的神经网络提供作为输入数据的第3虚拟感测数据，能够计算可靠性。
在第2方面的数据生成装置中，也可以是，所述第2取得部还取得第4虚拟感测数据，该第4虚拟感测数据表示与所述物理传感器的周围的状况相关的第4判定结果，所述第4取得部还取得多个第2计算基准，所述数据生成装置还具有：第5取得部，其取得表示物理传感器的动作条件的动作条件数据；第2选择部，其从所述多个第2计算基准中，选择与所述第4虚拟感测数据对应的1个；以及第2计算部，其使用选择出的所述第2计算基准，根据取得的所述动作条件数据来计算所述感测数据的可靠性，生成第2可靠性数据。根据该数据生成装置(以下，称为本公开第3方面的数据生成装置)，能够生成从物理传感器的动作条件掌握的、描述物理感测数据相对于噪声的可靠性的信息的第2可靠性数据。
在第3方面的数据生成装置中，也可以是，所述第2可靠性数据表示在所述第4虚拟感测数据所示的状况下按照所述动作条件数据所示的动作条件进行动作的物理传感器所生成的所述物理感测数据相对于噪声的可靠性。由此，能够描述物理感测数据相对于噪声是否可靠的信息。
在第3方面的数据生成装置中，也可以是，所述第2计算基准包含针对所述动作条件数据所示的动作条件中的至少1个的基准值。由此，通过第2计算基准所包含的基准值和与该基准值对应的动作条件数据的值的比较，能够计算可靠性。
在第3方面的数据生成装置中，也可以是，所述第2计算基准包含通过进行如下的机器学习而生成的已学习模型：该机器学习是根据学习用动作条件数据来计算依据该学习用动作条件数据所示的动作条件的物理传感器所生成的感测数据的可靠性。由此，通过向设定了已学习模型的神经网络提供作为输入数据的动作条件数据，能够计算可靠性。
本公开第4方面的传感器装置具有：第1方面至第3方面中的任意方面的数据生成装置；以及所述物理传感器。由此，能够提供除了物理感测数据之外还生成虚拟感测数据和/或可靠性数据的智能传感器装置。
本公开第5方面的数据生成方法具有由计算机执行的如下步骤：取得通过物理传感器对感测对象进行观测而得到的物理感测数据；取得表示与所述物理传感器的周围的状况相关的第1判定结果的第1虚拟感测数据；取得针对作为判定对象的状况项目确定的多个判定基准；从取得的所述多个判定基准中，选择与所述第1虚拟感测数据对应的1个判定基准；以及针对各个所述状况项目，使用选择出的所述判定基准，根据取得的所述物理感测数据来判定所述物理传感器的周围的状况，并生成表示与该状况相关的第2判定结果的第2虚拟感测数据。
根据该数据生成方法，由于能够使用考虑了由第1虚拟感测数据所示的状况引起的噪声等影响的判定基准，所以能够准确地判定物理传感器的周围的状况。
本公开第6方面的数据生成程序用于使计算机执行如下的步骤：取得通过物理传感器对感测对象进行观测而得到的物理感测数据；取得表示与所述物理传感器的周围的状况相关的第1判定结果的第1虚拟感测数据；取得针对作为判定对象的状况项目确定的多个判定基准；从取得的所述多个判定基准中，选择与所述第1虚拟感测数据对应的1个判定基准；以及针对各个所述状况项目，使用选择出的所述判定基准，根据取得的所述物理感测数据来判定所述物理传感器的周围的状况，并生成表示与该状况相关的第2判定结果的第2虚拟感测数据。
根据该数据生成程序，由于能够使用考虑了由第1虚拟感测数据所示的状况引起的噪声等影响的判定基准，所以能够准确地判定物理传感器的周围的状况。
根据本公开，能够提供生成表示物理传感器的周围的状况的虚拟感测数据的技术。
附图说明
图1是示出实施方式的数据生成装置的应用例的框图。
图2是例示实施方式的数据生成装置的硬件结构的框图。
图3是例示实施方式的数据生成装置的功能结构的框图。
图4是例示包含实施方式的数据生成装置的数据流通系统的图。
图5是例示图3的第1虚拟感测数据生成部的框图。
图6是例示虚拟感测数据的状况项目和为了对该状况项目进行判定而使用的物理感测数据的图。
图7是例示虚拟感测数据的状况项目和为了对该状况项目进行判定而使用的物理感测数据的图。
图8是例示虚拟感测数据的状况项目和为了对该状况项目进行判定而使用的物理感测数据的图。
图9是例示虚拟感测数据的状况项目和为了对该状况项目进行判定而使用的物理感测数据的图。
图10是例示虚拟感测数据的状况项目和为了对该状况项目进行判定而使用的物理感测数据的图。
图11是例示为了对状况项目“烹饪”进行判定而使用的数据图的图。
图12是例示为了对状况项目“烹饪”进行判定而使用的判定基准的图。
图13是示出图11的数据图与图12的判定基准的比较结果的图。
图14是例示为了对状况项目“有人”和“人数”进行判定而使用的物理感测数据的原始数据及其已加工数据的曲线图。
图15是例示为了对状况项目“有人”进行判定而使用的数据图的图。
图16是例示为了对状况项目“有人”进行判定而使用的判定基准的图。
图17是示出图15的数据图与图16的判定基准的比较结果的图。
图18是例示为了对状况项目“人数”进行判定而使用的数据图的图。
图19是例示为了对状况项目“人数”进行判定而使用的判定基准的图。
图20是示出图18的数据图与图19的判定基准的比较结果的图。
图21是例示为了对状况项目“门开闭”进行判定而使用的物理感测数据的原始数据及其已加工数据的曲线图。
图22是例示为了对状况项目“门开闭”进行判定而使用的数据图的图。
图23是例示为了对状况项目“门开闭”进行判定而使用的判定基准的图。
图24是示出图22的数据图与图23的判定基准的比较结果的图。
图25是例示为了对状况项目“照明”进行判定而使用的物理感测数据的原始数据及其已加工数据的曲线图。
图26是例示为了对状况项目“照明”进行判定而使用的数据图的图。
图27是例示为了对状况项目“照明”进行判定而使用的判定基准的图。
图28是示出图26的数据图与图27的判定基准的比较结果的图。
图29是例示为了对状况项目“换气扇”进行判定而使用的物理感测数据的原始数据及其已加工数据的曲线图。
图30是例示为了对状况项目“换气扇”进行判定而使用的数据图的图。
图31是例示为了对状况项目“换气扇”进行判定而使用的判定基准的图。
图32是示出图30的数据图与图31的判定基准的比较结果的图。
图33是例示为了对状况项目“冰箱”进行判定而使用的物理感测数据的原始数据及其已加工数据的曲线图。
图34是例示为了对状况项目“冰箱”进行判定而使用的数据图的图。
图35是例示为了对状况项目“冰箱”进行判定而使用的判定基准的图。
图36是示出图34的数据图与图35的判定基准的比较结果的图。
图37是例示为了对状况项目“微波炉”进行判定而使用的物理感测数据的曲线图。
图38是例示为了对状况项目“烹饪”进行判定而使用的物理感测数据的曲线图。
图39是例示为了对状况项目“烹饪”进行判定而使用的数据图的图。
图40是例示为了对状况项目“烹饪”进行判定而使用的判定基准的图。
图41是示出图39的数据图与图40的判定基准的比较结果的图。
图42是例示为了对状况项目“睡眠”进行判定而使用的物理感测数据的曲线图。
图43是例示为了对状况项目“睡眠”进行判定而使用的数据图的图。
图44是例示为了对状况项目“睡眠”进行判定而使用的判定基准的图。
图45是示出图43的数据图与图44的判定基准的比较结果的图。
图46是例示图3的第2虚拟感测数据生成部的框图。
图47是例示第2虚拟感测数据的状况项目、第1虚拟感测数据中的对应项目以及为了补充该对应项目而使用的物理感测数据的图。
图48是例示第2虚拟感测数据的状况项目、第1虚拟感测数据中的对应项目以及为了补充该对应项目而使用的物理感测数据的图。
图49是例示第2虚拟感测数据的状况项目、第1虚拟感测数据中的对应项目以及为了补充该对应项目而使用的物理感测数据的图。
图50是例示第2虚拟感测数据的状况项目、第1虚拟感测数据中的对应项目以及为了补充该对应项目而使用的物理感测数据的图。
图51是例示第2虚拟感测数据的状况项目、第1虚拟感测数据中的对应项目以及为了补充该对应项目而使用的物理感测数据的图。
图52是例示图3的第1可靠性数据生成部的框图。
图53是概略地例示虚拟感测数据与第1可靠性数据的关系的图。
图54是概略地例示虚拟感测数据的状况项目与第1可靠性数据的可靠性项目的关系的图。
图55是例示为了对可靠性项目“A.人的影响”计算可靠性而使用的计算基准的图。
图56是例示为了对可靠性项目“B.噪声的影响”计算可靠性而使用的计算基准的图。
图57是例示为了对可靠性项目“C.周边装置的动作的影响”计算可靠性而使用的计算基准的图。
图58是例示为了对可靠性项目“D.传感器的设置空间的影响”计算可靠性而使用的计算基准的图。
图59是示出物理感测数据“温度”相对于“A.人的影响”的可靠性的计算例的图。
图60是例示附加了第1可靠性数据的物理感测数据的数据构造的图。
图61是例示图3的第2可靠性数据生成部的框图。
图62是例示为了对第2可靠性数据的可靠性项目计算可靠性而使用的数据图的图。
图63是例示为了对第2可靠性数据的可靠性项目计算可靠性而使用的计算基准的图。
图64是示出图62的数据图与图63的计算基准的比较结果的图。
图65是例示图5的第1虚拟感测数据生成部的动作的流程图。
图66是例示图46的第2虚拟感测数据生成部的动作的流程图。
图67是例示图52的第1可靠性数据生成部的动作的流程图。
图68是例示图61的第2可靠性数据生成部的动作的流程图。
图69是例示包含图3的数据生成装置的传感器装置的框图。
图70是例示包含图3的数据生成装置的通信装置的框图。
图71是例示包含图3的数据生成装置的服务器的框图。
具体实施方式
以下，基于附图对本公开的一个方面的实施方式(以下，也表述为“本实施方式”)进行说明。
另外，以下，对与已说明的要素相同或类似的要素标注相同或类似的标号，基本上省略重复的说明。例如，在存在多个相同或类似的要素的情况下，有时为了不区分各要素地进行说明而使用共同的标号，有时也为了区分各要素地进行说明而在该共同的标号的基础上使用分支编号。
§1应用例
首先，使用图1对本实施方式的一个应用例进行说明。图1示意性地示出本实施方式的数据生成装置的应用例。该数据生成装置100对预先确定为判定对象的多个状况项目中的各个状况项目，根据物理感测数据来进行物理传感器的周围的状况的判定，生成具有与判定结果对应的值的虚拟感测数据(以下，为了方便也称为第2虚拟感测数据)。
在之后的说明中，物理传感器的周围的状况可包括虚拟传感器的感测对象(例如物理传感器的周围空间中的人或其他生物或无生物等)的状态。并且，物理传感器的周围可根据生成直接或间接用作虚拟传感器的输入数据的基础的物理感测数据的物理传感器的动作条件(例如，精度、分辨率、动态范围等)、该物理传感器的感测对象(例如，光、声音、温度等)及其周围的环境(例如，空气中、水中、真空中等)的特性等来确定。
状况项目例如可以是用于对状况进行细分化描述的项目。具体来说，状况项目也可以包括：处理在物理传感器的周围是否有人的信息的“有人”；处理物理传感器的周围的空调、微波炉以及TV各自的工作状况的信息的“空调”、“微波炉”以及“TV”；以及处理在物理传感器的周围是否有人进行烹饪的信息的“烹饪”等。
该数据生成装置100包含物理感测数据取得部101、虚拟感测数据取得部102、判定基准取得部103、判定基准选择部111以及状况判定部112。
物理感测数据取得部101取得物理感测数据。物理感测数据例如可包括照度数据、声压数据、加速度数据、气体数据、气压数据、温度数据、湿度数据等。在数据生成装置100内置于传感器装置的情况下，物理感测数据取得部101也可以从该传感器装置内的传感器取得物理感测数据。并且，物理感测数据取得部101也可以接收由内置于外部装置的物理传感器部生成的物理感测数据。
虚拟感测数据取得部102取得表示关于状况的一次判定结果的第1虚拟感测数据。第1虚拟感测数据例如可以是由上位系统等外部装置生成的数据，也可以是在数据生成装置100中生成的数据。
判定基准取得部103取得对状况项目预先确定的判定基准。判定基准被应用于生成表示状况的二次判定结果的第2虚拟感测数据。另外，也可以对状况项目确定多个判定基准。
这里，叙述了第1虚拟感测数据表示一次判定结果，第2虚拟感测数据表示二次判定结果，但“一次”和“二次”的修饰只不过是叙述进行状况判定的顺序，而无意于定义包括两者间的优劣在内的任何关系。
在对给定的状况项目确定了多个判定基准的情况下，判定基准选择部111对该状况项目选择1个判定基准。具体来说，判定基准选择部111可选择与第1虚拟感测数据对应的判定基准。
作为用于判定状况项目“烹饪”的判定基准，假设包括：状况项目“有人”为真(在物理传感器的周围有人)的情况下所使用的判定基准1；状况项目“空调”为真(处于物理传感器周围的空调打开)的情况下所使用的判定基准2；状况项目“微波炉”为真(处于物理传感器周围的微波炉打开)的情况下所使用的判定基准3；以及状况项目“TV”为真(处于物理传感器周围的TV打开)的情况下所使用的判定基准4。这里，在第1虚拟感测数据表示在物理传感器的周围有人的情况下，判定基准选择部111可以选择判定基准1。
另外，第1虚拟感测数据所包含的状况项目也可以与第2虚拟感测数据所包含的状况项目不一致。在两者不一致的情况下，数据生成装置100可以具有用于将第1虚拟感测数据的状况项目的值变换为第2虚拟感测数据的对应项目的值的数据变换部。例如，在第1虚拟感测数据包含对存在于物理传感器周围的人数的信息进行处理的状况项目“人数”的值的情况下，该数据变换部也可以将“人数”的值变换为上述状况项目“有人”的值。
判定基准也可以包括针对应被参照来判定状况项目的物理感测数据的原始数据和其已加工数据中的至少1个的基准值。例如，对于照度数据的原始数据，基准值可以为200[lx]，对于在30秒内声压超过50[dB]的时间比例，基准值可以为50[％]等。基准值例如是如下设计的：对在该判定基准符合作为对象的状况项目的状况下生成的物理感测数据的原始数据或其已加工数据、以及在不符合的状况下生成的物理感测数据的原始数据或其已加工数据进行分析。
在该情况下，状况判定部112准备应用判定基准所需的数据、即确定了基准值的物理感测数据的原始数据或其已加工数据。物理感测数据的原始数据的已加工数据可以包含在物理感测数据中，也可以由状况判定部112或数据生成装置100所包含的其他构成要素来计算，还可以由外部装置来计算。状况判定部112将这样准备的数据与基准值进行比较，根据比较结果来设定第2虚拟感测数据中的状况项目的值。
或者，判定基准也可以包含用于判定状况项目的已学习模型。该已学习模型可以通过进行根据学习用物理感测数据来判定状况的机器学习而生成。例如，作为上述判定基准2的已学习模型能够通过如下的方式而生成：使用在物理传感器的周围空调打开、并且在物理传感器的周围有人正在进行烹饪时生成的各学习用物理感测数据的原始数据和/或其已加工数据，作为带正解标签的学习数据，从而进行带教师的学习。并且，也可以使用在物理传感器的周围空调打开、并且在物理传感器的周围没有人进行烹饪时生成的各学习用物理感测数据的原始数据和/或其已加工数据，作为带不正解标签的学习数据。
在该情况下，状况判定部112准备应用判定基准所需的数据、即用于向设定有作为判定基准的已学习模型的神经网络输入的物理感测数据的原始数据或其已加工数据。状况判定部112对设定有作为判定基准的已学习模型的神经网络提供这样准备的数据，并根据其输出值来设定状况项目的值。另外，已学习模型也可以通过用于获得对多个状况项目同时进行判定的能力的机器学习而生成。在该情况下，在这多个状况项目之间确定共同的判定基准。
如以上说明的那样，应用例的数据生成装置100根据表示状况的一次判定结果的第1虚拟感测数据，选择用于进行该状况的二次判定的判定基准。因此，根据该数据生成装置100，能够使用考虑了由第1虚拟感测数据所示的状况引起的噪声等影响的判定基准，因此能够准确地判定物理传感器的周围状况。
§2结构例
[硬件结构]
接着，使用图2对本实施方式的数据生成装置200的硬件结构的一例进行说明。图2示意性地例示了本实施方式的数据生成装置200的硬件结构的一例。
如图2所例示那样，本实施方式的数据生成装置200也可以是由控制部211、存储部212、通信接口213、输入装置214、输出装置215、外部接口216、驱动器217电连接而成的计算机。另外，在图2中，将通信接口和外部接口分别记作“通信I/F”和“外部I/F”。
控制部211包含CPU(Central Processing Unit：中央处理单元)、RAM(RandomAccess Memory：随机存取存储器)、ROM(Read Only Memory：只读存储器)等。CPU将存储于存储部212的程序在RAM中展开。然后，通过CPU解释和执行该程序，控制部211能够执行各种信息处理(例如在功能结构的项目中说明的构成要素的处理或控制)。
存储部212是所谓的辅助存储装置，例如可以是内置或外置的硬盘驱动器(HDD：Hard Disk Drive)、固态驱动器(SSD：Solid State Drive)或闪存等半导体存储器。存储部212存储由控制部211执行的程序(例如，用于使控制部211执行数据生成处理的程序)、控制部211所使用的数据(例如各种物理感测数据、各种虚拟感测数据、各种可靠性数据、判定基准、计算基准)等。
通信接口213例如可以是用于BLE(Bluetooth(注册商标)Low Energy：低能耗蓝牙)、移动通信(3G、4G等)以及WLAN(Wireless Local Area Network：无线局域网)等的各种无线通信模块，是用于经由网络进行无线通信的接口。并且，也可以是，除了无线通信模块之外，通信接口213还具有有线LAN模块等有线通信模块，或者，通信接口213具有有线LAN模块等有线通信模块来代替无线通信模块。
输入装置214也可以包含例如触摸屏、键盘、鼠标等用于受理用户输入的装置。并且，输入装置214也可以包含测量规定的物理量并生成和输入物理感测数据的传感器。输出装置215例如是显示器、扬声器等用于进行输出的装置。
外部接口216是USB(Universal Serial Bus：通用串行总线)端口、存储卡槽等，是用于与外部装置连接的接口。
驱动器217例如是CD(Compact Disc：光盘)驱动器、DVD(Digital VersatileDisc：数字多功能光盘)驱动器、BD(Blu-ray(注册商标)Disc：蓝光光盘)驱动器等。驱动器217读入存储于存储介质218的程序和/或数据，并传递给控制部211。另外，也可以通过驱动器217从存储介质218读入说明为可存储于上述存储部212的程序和数据的一部分或全部。
存储介质218是以包括计算机在内的机器可读取的形式通过电、磁、光、机械或化学作用来储存程序和/或数据的介质。存储介质218例如是CD、DVD、BD等可装卸的盘介质，但并不限于此，也可以是闪存或其他半导体存储器。
另外，关于数据生成装置200的具体硬件结构，可以根据实施方式来适当地进行构成要素的省略、置换及追加。例如，控制部211也可以包含多个处理器。数据生成装置200可以是专用于所提供的服务而设计的信息处理装置，也可以是通用的信息处理装置，例如智能手机、平板PC(Personal Computer：个人计算机)、笔记本PC、台式PC等。并且，数据生成装置200可以由多台信息处理装置等构成。
[功能结构]
接着，使用图3对本实施方式的数据生成装置200的功能结构的一例进行说明。图3示意性地示出数据生成装置200的功能结构的一例。
如图3所示，数据生成装置200包含物理感测数据取得部301、虚拟感测数据取得部302、判定基准取得部303、计算基准取得部304、动作条件数据取得部305、第1虚拟感测数据生成部310、第2虚拟感测数据生成部320、第1可靠性数据生成部330、第2可靠性数据生成部340以及数据输出部350。
该数据生成装置200生成虚拟感测数据11、虚拟感测数据12(相当于所述第2虚拟感测数据)、可靠性数据13(也称为第1可靠性数据)以及可靠性数据14(也称为第2可靠性数据)，并将它们输出。
另外，数据生成装置200也可以不生成虚拟感测数据11、虚拟感测数据12、可靠性数据13以及可靠性数据14中的一部分。在不生成虚拟感测数据11的情况下，能够省略第1虚拟感测数据生成部310。在不生成虚拟感测数据12的情况下，能够省略第2虚拟感测数据生成部320。在不生成可靠性数据13的情况下，能够省略第1可靠性数据生成部330。在不生成可靠性数据14的情况下，能够省略第2可靠性数据生成部340。
虚拟感测数据11和虚拟感测数据12可用于例如营销活动等各种业务领域。并且，可靠性数据13和可靠性数据14能够有效用于在感测数据的数据分析之前进行的该数据的过滤、清理、归一化等预处理。并且，通过利用可靠性数据13和可靠性数据14，容易进行感测数据的整理、例如表的生成。并且，通过利用可靠性数据13和可靠性数据14，也能够检测事件。
虚拟感测数据11、虚拟感测数据12、可靠性数据13以及可靠性数据14可以从数据生成装置200直接提供到利用侧，也可以通过以下说明的数据流通系统而提供到利用侧。在任何情况下，数据生成装置200都可以组装到(物理)传感器装置、服务器、应用装置等中，也可以构成为独立于这些装置的信息处理装置。
如上所述，该数据生成装置200可以组装到形成数据流通市场的各种装置的任意装置中。即，数据生成装置200可以组装到生成物理感测数据的传感器装置中，也可以组装到将物理感测数据中继到平台服务器、匹配服务器或利用侧的应用装置等的通信装置(例如，智能手机、各种PC等)中，还可以组装到平台服务器、匹配服务器或应用装置中。在该情况下，数据生成装置200可以使用组装有该数据生成装置200的装置的硬件。或者，数据生成装置200也可以构成为独立于这些装置的信息处理装置。
图4概略地示出包含数据生成装置200的数据流通系统的一例。数据流通系统包含传感器装置400-1、···、400-5、通信装置410-1、···、410-3、服务器420、应用装置430-1、···、430-3。另外，图4所例示的各装置的数量只不过是例示的。因此，对附加在各装置的标号上的分支编号不作特别区分而继续进行说明。
传感器装置400包含测量物理量的传感器、发送将该传感器的测量值数字化后的物理感测数据的通信I/F、以及对传感器和通信I/F进行控制的控制部。传感器装置400例如使用WBAN(Wireless Body Area Network：无线体域网)、WPAN(Wireless Personal AreaNetwork：无线个域网)等通信技术而与通信装置410连接。传感器装置400将物理感测数据(以及如果有的话是虚拟感测数据和/或可靠性数据)发送到通信装置410。
通信装置410例如可以是智能手机或各种PC。通信装置410包含进行数据的收发的通信I/F和对该通信I/F进行控制的控制部。通信装置410从传感器装置400接收物理感测数据。然后，通信装置410使用WLAN、WMAN(Wireless Metropolitan Area Network：无线城域网)、WWAN(Wireless Wide Area Network：无线广域网)等通信技术，经由网关或基站向服务器420发送物理感测数据(以及如果有的话是虚拟感测数据和/或可靠性数据)。并且，通信装置410也可以向服务器420发送用于进行感测数据的买卖匹配的提供侧数据目录(DC)。
提供侧数据目录例如可以包含数据目录的编号、感测数据的提供者、感测数据的名称、感测数据的测量日期时间/测量场所、观测对象/特性、事件数据规格、感测数据的提供期间、交易条件、数据买卖条件等各种项目。
应用装置430例如可以是智能手机、各种PC或服务器。应用装置430包含进行数据收发的通信I/F和对该通信I/F进行控制的控制部。应用装置430也可以向服务器420发送用于进行感测数据的买卖匹配的利用侧数据目录(DC)。
这里，利用侧数据目录例如可以包含数据目录的识别信息、感测数据的使用者、感测数据的名称、感测数据的测量日期时间/测量场所、观测对象/特性、事件数据规格、感测数据的利用期间、交易条件、数据买卖条件等各种项目。
应用装置430从服务器420接收通过买卖匹配购买的物理感测数据(以及如果有的话是虚拟感测数据和/或可靠性数据)。然后，应用装置430根据各个利用目的来处理物理感测数据(以及如果有的话是虚拟感测数据和/或可靠性数据)。
服务器420包含进行数据收发的通信I/F、保存数据的存储部、对该存储部和通信I/F进行控制或者进行后述的买卖匹配的控制部。服务器420从通信装置410接收物理感测数据。然后，服务器420储存该物理感测数据(以及如果有的话是虚拟感测数据和/或可靠性数据)。
并且，服务器420分别取得并保存提供侧数据目录和利用侧数据目录，比较两者而进行买卖匹配。提供侧数据目录和利用侧数据目录可以通过从通信装置410、应用装置430或其他通信装置接收而取得，也可以通过例如直接输入等其他手段而取得。当服务器420发现与利用侧数据目录匹配的提供侧数据目录时，向利用侧提供与该提供侧数据目录对应的物理感测数据(以及如果有的话是虚拟感测数据和/或可靠性数据)。即，服务器420向应用装置430发送物理感测数据(以及如果有的话是虚拟感测数据和/或可靠性数据)。
另外，数据流通系统的方式并不限于图4的例子。例如，传感器装置400可以使用例如WLAN、WMAN、WWAN等通信技术，不经由通信装置410而经由网关或基站向服务器420或应用装置430直接发送物理感测数据、虚拟感测数据和/或可靠性数据。
并且，服务器420也可以在买卖匹配成立之后不立即向应用装置430发送物理感测数据、虚拟感测数据和/或可靠性数据，而是暂时向提供侧或利用侧请求买卖的批准。并且，服务器420可以在不向应用装置430发送物理感测数据、虚拟感测数据和/或可靠性数据的情况下执行数据流控制。例如，服务器420可以指示传感器装置400或通信装置410向购买了物理感测数据、虚拟感测数据和/或可靠性数据的应用装置430发送该物理感测数据、虚拟感测数据和/或可靠性数据。或者，服务器420也可以被分割为进行买卖匹配的服务器和储存物理感测数据、虚拟感测数据和/或可靠性数据的服务器。
此外，服务器420也可以不直接进行买卖匹配，而是将买卖匹配委托给未图示的匹配服务器。该匹配服务器可以通过进行横跨多个平台的买卖匹配而实现不区分平台的流通市场，也可以通过将不经由平台提供的物理感测数据、虚拟感测数据和/或可靠性数据(例如，从个人设置的传感器装置400收集的数据)添加到买卖匹配的对象而实现不区分数据来源的流通市场。
以下，对图3例示的数据生成装置200的各个构成要素进行说明。
物理感测数据取得部301取得物理感测数据，并发送到第1虚拟感测数据生成部310和第2虚拟感测数据生成部320。物理感测数据例如可包括照度数据、声压数据、加速度数据、气体数据、气压数据、温度数据、湿度数据等。物理感测数据可以是原始数据，也可以是原始数据的已加工数据，还可以是它们的组合。
在数据生成装置200组装到传感器装置400的情况下，物理感测数据取得部301也可以从该传感器装置400所包含的传感器取得物理感测数据。另一方面，在数据生成装置200未组装到传感器装置400的情况下，物理感测数据取得部301能够通过从外部装置接收以该传感器装置400为发送源的物理感测数据而取得物理感测数据。另外，不需要从相同的传感器装置400取得全部的物理感测数据，例如也可以从不同的传感器装置400取得某个物理感测数据和其他物理感测数据。
虚拟感测数据取得部302取得表示关于状况的一次判定结果的虚拟感测数据15(即，第1虚拟感测数据)，并发送到第2虚拟感测数据生成部320。虚拟感测数据15例如可以是由上位系统、传感器装置400、通信装置410、服务器420、应用装置430等外部装置生成的，也可以是由第1虚拟感测数据生成部310生成的虚拟感测数据11。
或者，虚拟感测数据取得部302也可以取得由第2虚拟感测数据生成部320生成的虚拟感测数据12来作为虚拟感测数据15。例如，在第2虚拟感测数据生成部320反复判定给定的状况的情况下，也设想反复利用所生成的虚拟感测数据12。具体来说，第2虚拟感测数据生成部320可以反复利用虚拟感测数据12，从单纯或概略的状况项目向复杂或详细的状况项目阶段性地判定状况。
并且，虚拟感测数据取得部302分别取得并发送虚拟感测数据16和虚拟感测数据17，以用于第1可靠性数据生成部330和第2可靠性数据生成部340。虚拟感测数据16和虚拟感测数据17可以相同，也可以不同。并且，虚拟感测数据16和虚拟感测数据17可以与虚拟感测数据15相同，也可以不同。具体来说，虚拟感测数据16和虚拟感测数据17可以是由第2虚拟感测数据生成部320最终生成的虚拟感测数据12(即，第2虚拟感测数据)。
判定基准取得部303取得针对状况项目预先确定的判定基准。判定基准包含为了生成虚拟感测数据11而应用的基准(以下，也称为第1判定基准)和为了生成虚拟感测数据12而应用的基准(以下，也称为第2判定基准)。也可以对第1判定基准和第2判定基准分别单独地设置判定基准取得部。第1判定基准和第2判定基准可以部分相同，也可以完全不同。判定基准取得部303将第1判定基准发送到第1虚拟感测数据生成部310，将第2判定基准发送到第2虚拟感测数据生成部320。
判定基准取得部303可以通过读出内置于数据生成装置200的判定基准存储部(在图3中未示出)所保存的判定基准而取得判定基准，也可以通过接收从外部装置发送的判定基准而取得判定基准。
计算基准取得部304取得针对可靠性项目预先确定的计算基准。计算基准包含为了生成可靠性数据13而应用的基准(以下，也称为第1计算基准)和为了生成可靠性数据14而应用的基准(以下，也称为第2计算基准)。因此，也可以对第1计算基准和第2计算基准分别单独地设置计算基准取得部。计算基准取得部304将第1计算基准发送到第1可靠性数据生成部330，将第2计算基准发送到第2可靠性数据生成部340。
计算基准取得部304可以通过读出内置于数据生成装置200的计算基准存储部(在图3中未示出)所保存的计算基准而取得计算基准，也可以通过接收从外部装置发送的计算基准而取得计算基准。
动作条件数据取得部305取得表示对物理感测数据所示的物理量进行了测量的物理传感器的动作条件的动作条件数据，并发送到第2可靠性数据生成部340。动作条件数据例如可包含各种物理传感器的采样频率、精度、分辨率、动态范围、灵敏度等。
在数据生成装置200组装到传感器装置400的情况下，动作条件数据取得部305也可以从内置于该传感器装置400的动作条件数据存储部(在图3中未图示)读出动作条件数据，从而取得动作条件数据。另一方面，在数据生成装置200未组装到传感器装置400的情况下，动作条件数据取得部305能够通过从外部装置接收以该传感器装置400为发送源的动作条件数据而取得动作条件数据。
第1虚拟感测数据生成部310从物理感测数据取得部301接收物理感测数据，并且从判定基准取得部303接收判定基准(第1判定基准)。第1虚拟感测数据生成部310使用判定基准，根据物理感测数据来判定状况，生成虚拟感测数据11。虚拟感测数据11例如可按照每个状况项目示出关于状况的判定结果。第1虚拟感测数据生成部310将虚拟感测数据11发送到数据输出部350。
虚拟感测数据11的具体生成方法将在后面叙述，例如在对某个状况项目确定的判定基准包含针对物理感测数据的原始数据或其已加工数据的基准值的情况下，第1虚拟感测数据生成部310也可以准备与基准值对应的物理感测数据的原始数据或其已加工数据，通过对两者进行比较来进行关于该状况项目的判定。或者，在判定基准是用于对1个或多个状况项目进行判定的已学习模型的情况下，第1虚拟感测数据生成部310也可以将该已学习模型设定在神经网络中，准备被确定为该神经网络的输入数据的物理感测数据的原始数据或其已加工数据，并将准备好的数据提供给该神经网络而进行判定。
第2虚拟感测数据生成部320从物理感测数据取得部301接收物理感测数据，从虚拟感测数据取得部302接收虚拟感测数据15，从判定基准取得部303接收判定基准(第2判定基准)。在对给定的状况项目确定了多个判定基准的情况下，第2虚拟感测数据生成部320从该多个判定基准中选择与虚拟感测数据15对应的1个。然后，第2虚拟感测数据生成部320使用选择出的判定基准，根据物理感测数据来判定状况，生成虚拟感测数据12。虚拟感测数据12例如可按照每个状况项目示出关于状况的判定结果。第2虚拟感测数据生成部320将虚拟感测数据12发送到数据输出部350。
虚拟感测数据12的具体生成方法将在后面叙述，例如在对某个状况项目选择的判定基准包含针对物理感测数据的原始数据或其已加工数据的基准值的情况下，第2虚拟感测数据生成部320也可以准备与基准值对应的物理感测数据的原始数据或其已加工数据，通过对两者进行比较来进行关于该状况项目的判定。或者，在判定基准是用于对1个或多个状况项目进行判定的已学习模型的情况下，第2虚拟感测数据生成部320也可以将该已学习模型设定在神经网络中，准备被确定为该神经网络的输入数据的物理感测数据的原始数据或其已加工数据，并将准备好的数据提供给该神经网络而进行判定。
第1可靠性数据生成部330从虚拟感测数据取得部302接收虚拟感测数据16，从计算基准取得部304接收计算基准(第1计算基准)。第1可靠性数据生成部330使用计算基准，根据虚拟感测数据16来计算感测数据的可靠性，生成可靠性数据13。可靠性数据13例如可按照影响感测数据的可靠性的每个因素，表示物理感测数据相对于该因素的可靠性。第1可靠性数据生成部330将可靠性数据13发送到数据输出部350。
可靠性数据13的具体生成方法将在后面叙述，例如在计算基准包含分配给虚拟感测数据16所包含的各个状况项目的权重系数(贡献率滤波系数)的情况下，第1可靠性数据生成部330可以对虚拟感测数据16中的各状况项目的值乘以分配给各该状况项目的权重系数而计算加权和，根据该加权和来计算感测数据的可靠性。或者，在计算基准是用于对1个或多个可靠性项目计算可靠性的已学习模型的情况下，第1可靠性数据生成部330也可以将该已学习模型设定在神经网络中，准备输入到该神经网络的虚拟感测数据16的值，并将准备好的数据提供给该神经网络而计算可靠性。
第2可靠性数据生成部340从虚拟感测数据取得部302接收虚拟感测数据17，从计算基准取得部304接收计算基准(第2计算基准)，从动作条件数据取得部305接收动作条件数据。在对给定的可靠性项目确定了多个计算基准的情况下，第2可靠性数据生成部340从该多个计算基准中选择与虚拟感测数据17对应的1个。然后，第2可靠性数据生成部340使用选择出的计算基准，根据动作条件数据来计算感测数据的可靠性，生成可靠性数据14。可靠性数据14例如可表示由按照(在虚拟感测数据17所示的状况下)动作条件数据所示的动作条件进行动作的物理传感器生成的物理感测数据相对于噪声的可靠性。第2可靠性数据生成部340将可靠性数据14发送到数据输出部350。
可靠性数据14的具体生成方法将在后面叙述，例如在对某个可靠性项目选择的计算基准包含针对动作条件数据的基准值的情况下，第2可靠性数据生成部340也可以准备与基准值对应的动作条件数据的值，通过对两者进行比较而对该可靠性项目计算可靠性。或者，在计算基准是用于对1个或多个可靠性项目计算可靠性的已学习模型的情况下，第2可靠性数据生成部340也可以将该已学习模型设定在神经网络中，准备输入到该神经网络的动作条件数据的值，并将准备好的数据提供给该神经网络而计算可靠性。
数据输出部350从第1虚拟感测数据生成部310接收虚拟感测数据11，从第2虚拟感测数据生成部320接收虚拟感测数据12，从第1可靠性数据生成部330接收可靠性数据13，从第2可靠性数据生成部340接收可靠性数据14。数据输出部350将接收到的数据输出到数据生成装置200的外部。并且，数据输出部350也可以使数据成形，或者对数据的输出定时进行控制。
以下，使用图5至图45对第1虚拟感测数据生成部310进一步进行说明。
如图5例示那样，第1虚拟感测数据生成部310包含状况判定部311。状况判定部311从物理感测数据取得部301接收物理感测数据，从判定基准取得部303接收判定基准(第1判定基准)。状况判定部311使用判定基准，根据物理感测数据来判定状况，生成虚拟感测数据11。状况判定部311将虚拟感测数据11发送到数据输出部350。
虚拟感测数据11可包含的状况项目例如能够如图6至图10所示那样按照几个中间项目进行整理。另外，图6至图10所示的状况项目只不过是一例，也可以使用与其不同的状况项目。并且，这里所示的按中间项目的整理只不过是一例，有可理解为属于某个中间项目的状况项目属于其他中间项目的余地，也可以使用不同的中间项目进行整理，还可以不进行原本使用了中间项目的整理。
图6例示了属于中间项目“与人相关的状况”的状况项目、和为了对该状况项目进行判定而使用的物理感测数据。图7例示了属于中间项目“与自然相关的状况”的状况项目、和为了对该状况项目进行判定而使用的物理感测数据。图8例示了属于中间项目“周边装置的工作状况”的状况项目、和为了对该状况项目进行判定而使用的物理感测数据。图9例示了属于中间项目“人的生活状况”的状况项目、和为了对该状况项目进行判定而使用的物理感测数据。图10例示了属于中间项目“与物理传感器的设置空间相关的状况”的状况项目、和为了对该状况项目进行判定而使用的物理感测数据。
另外，在图6至图10中，物理感测数据栏中列举的物理感测数据不限于原始数据，可包含其已加工数据。这里，作为已加工数据的例子，除了原始数据的统计量之外，还可以有对原始数据施加傅立叶变换而生成的频谱、根据温度数据和湿度数据的原始数据而计算出的中暑危险程度、根据加速度的原始数据而计算出的震级等。同样，在物理感测数据栏中列举的物理感测数据只不过是例示。
例如，状况判定部311取得图12例示的判定图来作为关于状况项目“烹饪”的判定基准。这里，判定图例如是指用于判定的基准值的一览表。基准值例如能够通过对如下数据进行分析而设计出：在该判定基准符合作为对象的状况项目的状况下生成的物理感测数据的原始数据或其已加工数据、和在不符合的状况下生成的物理感测数据的原始数据或其已加工数据。
状况判定部311也可以准备至少在图12中确定了基准值的(即，用于与状况项目“烹饪”相关的判定的)物理感测数据的原始数据或其已加工数据来作为图11例示的数据图。这里，数据图例如是指用于判定的物理感测数据的原始数据及其已加工数据的一览表。另外，在物理感测数据不包含原始数据的已加工数据的情况下，状况判定部311也可以生成所需的已加工数据。
状况判定部311对图11的数据图和图12的判定图进行比较，得到图13例示的比较结果。在图13中，在数据图的对应栏的值为在判定图中确定的基准值以上的情况下标注“○”，在低于基准值的情况下标注“×”，在判定图中规定的基准值不存在的情况下标注“-”。
状况判定部311例如将“○”和“×”分别设为“1(真)”或“0(假)”，或者相反地进行换算，并代入到作为判定基准的一部分而确定的逻辑式或关系式等来设定状况项目的值。状况项目的值可以被确定为2值，例如“1(真)”或“0(假)”，也可以被确定为3以上的多值，例如概率值、百分比、得分等。
另外，如上所述，判定基准可包含已学习模型。在判定基准包含已学习模型的情况下，状况判定部311也可以将该已学习模型设定在神经网络中，准备被确定为该神经网络的输入数据的物理感测数据的原始数据或其已加工数据，并将准备好的数据提供给该神经网络而进行判定。
该已学习模型可以通过进行根据学习用物理感测数据来判定状况的机器学习而生成。例如，用于对状况项目“烹饪”进行判定的已学习模型能够通过如下的方式来生成：使用在物理传感器的周围有人正在进行烹饪时生成的各学习用物理感测数据的原始数据和/或其已加工数据，作为带正解标签的学习数据，从而进行带教师的学习。并且，也可以使用在物理传感器的周围没有人进行烹饪时生成的各学习用物理感测数据的原始数据和/或其已加工数据，作为带不正解标签的学习数据。
以下，使用图14至图45对与各种状况项目相关的判定的具体例进行说明。这里说明的具体例全部进行使用了基准值的判定，但如上述那样可以适当进行使用了已学习模型的判定。
图14示出为了对状况项目“有人”和“人数”进行判定而使用的物理感测数据“照度”和“气体”的原始数据以及“声压”的原始数据及其已加工数据。如上所述，状况项目“有人”可处理在物理传感器的周围是否有人的信息。
例如，如果在物理传感器的周围(室内)有人，则有可能为了活动而打开照明。因此，对于物理感测数据“照度”的原始数据，可以设定用于区分照明的打开/关闭的值(例如“200[lx]”)来作为基准值。
如果在物理传感器的周围有人，则其呼吸可能导致周围的挥发性有机化合物(VOC)或CO2的浓度上升。因此，对于物理感测数据“气体”的原始数据，也可以设定用于区分有人的情况和没有人的情况的值(例如“50[ppm]”)来作为基准值。此外，由于在物理传感器的周围存在的人越多，其呼吸越可能导致周围的VOC或CO2的浓度上升，因此对于状况项目“人数”，可以设定用于区分在物理传感器的周围有多个人的情况和没有多个人的情况的值(例如“100[ppm]”)来作为基准值。
如果在物理传感器的周围有人，则有可能检测到由说话声或活动声引起的声压。因此，状况判定部311也可以准备持续规定的分析期间(例如最近30秒)地对物理感测数据“声压”的原始数据超过了50[dB]的时间比例进行计算而得的已加工数据(以下，也简称为“比例”)。对于该比例，可以设定用于区分有人的情况和没有人的情况的值(例如“50[％]”)来作为基准值。此外，由于在物理传感器的周围存在的人越多，上述比例越有可能上升，因此，对于状况项目“人数”，可以设定用于区分在物理传感器的周围有3个以上的人的情况和没有3个以上的人的情况的值(例如“70[％]”)来作为基准值。
同样，也可以将物理感测数据“声压”的变化(例如，与1秒前或其他规定秒前的值的差)用于判定。具体来说，状况判定部311可以准备例如持续最近30秒地对物理感测数据“声压”的原始数据的变化超过了“±20[dB]”的变化次数进行计算而得的已加工数据(以下，也简称为“变化次数”)。对于该变化次数，可以设定用于区分有人的情况和没有人的情况的值(例如“5[次]”)来作为基准值。此外，由于在物理传感器的周围存在的人越多，上述变化次数越有可能上升，因此对于状况项目“人数”，可以设定用于区分在物理传感器的周围有3个以上的人的情况和没有3个以上的人的情况的值(例如“10[次]”)来作为基准值。
此外，例如通过基于物理感测数据“加速度”来捕捉人行走所引起的地板的振动，根据物理感测数据“温度”来捕捉由人数增加引起的室温的上升，从而有可能能够更准确地对状况项目“有人”或“人数”进行判定。
状况判定部311取得图16例示的判定图来作为与状况项目“有人”相关的判定基准。状况判定部311准备至少在图16中确定了基准值的物理感测数据的原始数据或其已加工数据来作为图15例示的数据图。
状况判定部311对图15的数据图和图16的判定图进行比较，得到图17例示的比较结果。在图17中，在数据图的对应栏的值为在判定图中确定的基准值以上的情况下标注“○”，在低于基准值的情况下标注“×”，在判定图中确定的基准值不存在的情况下标注“-”。
在该例中，照度、VOC(或CO2)浓度以及声压的比例和变化次数均低于基准值。因此，状况判定部311可以将状况项目“有人”的值设定为例如表示在物理传感器的周围没有人的“0(假)”。
同样，状况判定部311取得例如图19例示的判定图来作为与状况项目“人数”相关的判定基准。另外，假设图19的判定图是为了判定在物理传感器的周围是否存在3个以上的人而使用的。状况判定部311准备至少在图19中确定了基准值的物理感测数据的原始数据或其已加工数据来作为图18例示的数据图。
状况判定部311对图18的数据图和图19的判定图进行比较，得到图20例示的比较结果。在图20中，在数据图的对应栏的值为判定图中确定的基准值以上的情况下标注“○”，在低于基准值的情况下标注“×”，在不存在判定图中确定的基准值的情况下标注“-”。
在该例中，照度、VOC(或CO2)浓度以及声压的比例及变化次数均为基准值以上。因此，状况判定部311可以将状况项目“人数”的值设定为例如表示在物理传感器的周围存在3个以上的人的“1(真)”。
图21示出为了对状况项目“门开闭”进行判定而使用的物理感测数据“加速度”和“声压”各自的原始数据及其已加工数据。状况项目“门开闭”能够处理在物理传感器的周围例如最近30秒内是否有门开闭的信息。
例如如果在物理传感器的周围有门开闭，则可能在开门时和关门时能够分别检测出明显的振动。因此，状况判定部311也可以针对物理感测数据“加速度”的原始数据，例如持续最近30秒地搜索超过了“50[mg]”的峰值，准备对落入到该30秒内的任意10秒的区域中的峰值的最大数进行计算而得的已加工数据(以下，也简称为“原始值数”)。对于该加速度的原始值数，也可以设定用于区分有门开闭的情况和没有门开闭的情况的值(例如“2[次]”)来作为基准值。这里，区域的长度即10秒是从打开门到关闭门的推定所需时间，可以适当变更。
同样，也可以将物理感测数据“加速度”的原始数据的变化用于判定。具体来说，状况判定部311也可以针对物理感测数据“加速度”的原始数据的变化，例如持续最近30秒地搜索超过了“±15[mg]”的峰值，准备对落入到该30秒内的任意10秒的区域中的峰值的最大数进行计算而得的已加工数据(以下，也简称为“变化次数”)。对于该加速度的变化次数，也可以设定用于区分有门开闭的情况和没有门开闭的情况的值(例如“4[次]”)来作为基准值。
如果在物理传感器的周围有门开闭，则有可能在开门时和关门时能够分别检测出明显的声压。因此，状况判定部311也可以针对物理感测数据“声压”的原始数据，例如持续最近30秒内地搜索超过了“50[dB]”的峰值，准备对落入到该30秒内的任意10秒的区域中的峰值的最大数进行计算而得的已加工数据(以下，也简称为“原始值数”)。对于该声压的原始值数，也可以设定用于区分有门开闭的情况和没有门开闭的情况的值(例如“2[次]”)来作为基准值。并且，对于物理感测数据“声压”的原始数据，也可以设定“50[dB]”来作为基准值。
同样，也可以将物理感测数据“声压”的原始数据的变化用于判定。具体来说，状况判定部311也可以针对物理感测数据“声压”的原始数据的变化，例如持续最近30秒内地搜索超过了“±15[dB]”的峰值，准备对落入到该30秒内的任意10秒的区域中的峰值的最大数进行计算而得的已加工数据(以下，也简称为“变化次数”)。对于该声压的变化次数，也可以设定用于区分有门开闭的情况和没有门开闭的情况的值(例如“4[次]”)来作为基准值。
此外，例如通过基于物理感测数据“气压”来捕捉与门的开闭相伴的空气的出入所引起的气压的变化，从而有可能能够更准确地对状况项目“门开闭”进行判定。
状况判定部311取得图23例示的判定图来作为关于状况项目“门开闭”的判定基准。状况判定部311准备至少在图23中确定了基准值的物理感测数据的原始数据或其已加工数据来作为图22例示的数据图。
状况判定部311对图22的数据图和图23的判定图进行比较，得到图24例示的比较结果。在图24中，在数据图的对应栏的值为在判定图中确定的基准值以上的情况下标注“○”，在低于基准值的情况下标注“×”，在判定图中确定的基准值不存在的情况下标注“-”。
在该例中，加速度的原始值数和变化次数以及声压的原始数据、原始值数以及变化次数均为基准值以上。因此，状况判定部311可以将状况项目“门开闭”的值设定为例如表示在物理传感器的周围有门开闭的“1(真)”。
图25示出为了对状况项目“照明”进行判定而使用的物理感测数据“照度”和“声压”各自的原始数据及其已加工数据。状况项目“照明”可以处理物理传感器周围的照明的工作状况的信息。
如果在物理传感器的周围照明处于打开状态，则其照明光有可能导致物理感测数据“照度”的原始数据上升。因此，对于物理感测数据“照度”的原始数据，也可以设定用于区分照明的打开/关闭的值(例如“200[lx]”)来作为基准值。
并且，如果在物理传感器的周围照明从关闭状态切换为打开状态，则有可能产生照度的急剧上升。因此，状况判定部311也可以将物理感测数据“照度”的原始数据的变化(这里是指例如1秒内的最大变化)用于判定。对于物理感测数据“照度”的原始数据的变化，也可以设定例如“50[lx]”来作为基准值。
如果在物理传感器的周围照明从关闭状态切换为打开状态时产生开关操作声，则有可能能够检测到明显的声压。因此，状况判定部311也可以针对物理感测数据“声压”的原始数据的变化，例如持续最近30秒地搜索超过了“±15[dB]”的峰值，准备对落入到该30秒内的任意1秒的区域中的峰值的最大数进行计算而得的已加工数据(以下，也简称为“变化次数”)。对于该声压的变化次数，也可以设定用于区分存在照明的开关操作的情况和不存在照明的开关操作的情况的值(例如“1[次]”)来作为基准值。这里的1秒是用于捕捉与开关操作声相伴的脉冲状的声压的上下移动的时间区域的一例，能够进行变更。
状况判定部311取得图27例示的判定图来作为关于状况项目“照明”的判定基准。状况判定部311准备至少在图27中确定了基准值的物理感测数据的原始数据或其已加工数据来作为图26例示的数据图。
状况判定部311对图26的数据图和图27的判定图进行比较，得到图28例示的比较结果。在图28中，在数据图的对应栏的值为在判定图中确定的基准值以上的情况下标注“○”，在低于基准值的情况下标注“×”，在判定图中确定的基准值不存在的情况下标注“-”。
在该例中，照度的原始数据和变化以及声压的变化次数均为基准值以上。因此，状况判定部311可以将状况项目“照明”的值设定为例如表示在物理传感器的周围照明为打开状态或者表示在最近30秒内照明从关闭状态切换为打开状态等的“1(真)”。
图29示出为了对状况项目“换气扇”进行判定而使用的物理感测数据“气压”和“声压”各自的原始数据及其已加工数据。状况项目“换气扇”可以处理物理传感器周围的换气扇的工作状况的信息。
如果在物理传感器的周围换气扇处于打开状态，则该换气扇的动作可能导致物理感测数据“气压”的原始数据发生变化。例如，如果供气型的换气扇工作，则空气向室内的流入增加，物理感测数据“气压”的原始数据有可能上升。另一方面，如果排气型的换气扇工作，则空气向室外的流出增加，物理感测数据“气压”的原始数据有可能下降。因此，状况判定部311也能够将物理感测数据“气压”的原始数据的变化(这里例如是指与5秒前的值的差)用于判定。对于物理感测数据“气压”的原始数据的变化，例如也可以设定“0.02hPa”来作为基准值。
如果在物理传感器的周围换气扇处于打开状态，则其工作声可能导致物理感测数据“声压”的原始数据上升。因此，状况判定部311也可以将物理感测数据“声压”的原始数据的变化用于判定。对于物理感测数据“声压”的原始数据的变化，例如也可以设定“10[dB]”来作为基准值。
状况判定部311取得图31例示的判定图来作为关于状况项目“换气扇”的判定基准。状况判定部311准备至少在图31中确定了基准值的物理感测数据的原始数据或其已加工数据来作为图30例示的数据图。
状况判定部311对图30的数据图和图31的判定图进行比较，得到图32例示的比较结果。在图32中，在数据图的对应栏的值为在判定图中确定的基准值以上的情况下标注“○”，在低于基准值的情况下标注“×”，在判定图中确定的基准值不存在的情况下标注“-”。
在该例中，气压的变化和声压的变化均为基准值以上。因此，状况判定部311可以将状况项目“换气扇”的值设定为例如表示在物理传感器的周围换气扇处于打开状态、或者表示在最近30秒内换气扇从关闭状态切换为打开状态等的“1(真)”。
图33示出为了对状况项目“冰箱”进行判定而使用的物理感测数据“声压”的原始数据及其已加工数据。状况项目“冰箱”可以处理物理传感器周围的冰箱的工作状况(例如在物理传感器的周围，在例如最近30秒内是否存在冰箱的门开闭)的信息。
如果在物理传感器的周围存在冰箱的门开闭，则有可能在打开冰箱的门时和关闭冰箱的门时能够分别检测到明显的声压。因此，状况判定部311也可以针对物理感测数据“声压”的原始数据，例如持续最近30秒地搜索超过了“50[dB]”的峰值，准备对落入到该30秒内的任意10秒的区域中的峰值的最大数进行计算而得的已加工数据(以下，也简称为“原始值数”)。对于该声压的原始值数，也可以设定用于区分存在冰箱的门开闭和情况和不存在冰箱的门开闭的情况的值(例如“2[次]”)来作为基准值。
同样，也可以将物理感测数据“声压”的原始数据的变化用于判定。具体来说，状况判定部311也可以准备对物理感测数据“声压”的原始数据的变化超过“+10dB”并且在之后的10秒以内低于“-10[dB]”的次数进行计数而得的已加工数据(以下，也简称为“变化次数”)。对于该声压的变化次数，也可以设定用于区分存在冰箱的门开闭的情况和不存在冰箱的门开闭的情况的值(例如“2[次]”)来作为基准值。
此外，例如通过基于物理感测数据“温度”来捕捉由箱内的冷气泄漏引起的温度降低，有可能能够更准确地对状况项目“冰箱”进行判定。
状况判定部311取得图35例示的判定图来作为关于状况项目“冰箱”的判定基准。状况判定部311准备至少在图35中确定了基准值的物理感测数据的原始数据或其已加工数据来作为图34例示的数据图。
状况判定部311对图34的数据图和图35的判定图进行比较，得到图36例示的比较结果。在图36中，在数据图的对应栏的值为在判定图中确定的基准值以上的情况下标注“○”，在低于基准值的情况下标注“×”，在判定图中确定的基准值不存在的情况下标注“-”。
在该例中，声压的原始值数和变化次数均为基准值以上。因此，状况判定部311可以将状况项目“冰箱”的值设定为例如表示在物理传感器的周围存在冰箱的门开闭的“1(真)”。
图37示出为了对状况项目“微波炉”进行判定而使用的物理感测数据“声压”的原始数据。状况项目“微波炉”可以处理物理传感器周围的微波炉的工作状况的信息。
作为由微波炉的工作状况引起的声压的变化，可举出在门开闭时存在急剧的声压变化(例如，图37的时间[0：00：04]左右和[0：00：07]左右)、在工作中例如持续地产生以磁控管为噪音源的声压(图37的时间[0：00：09]左右和[0：00：24]左右)、并且存在由工作结束声引起的急剧的声压变化(例如，图37的时间[0：00：24]左右)等。例如可以考虑这些要素的一部分或全部来设计基准值。
此外，例如通过根据物理感测数据“温度”和“湿度”来捕捉在取出被加热的食品等时蒸汽从箱内泄漏而引起的温度和湿度的上升，有可能能够更准确地对状况项目“微波炉”进行判定。
图38示出为了对状况项目“烹饪”进行判定而使用的物理感测数据“照度”、“声压”以及“气压”各自的原始数据及其已加工数据。状况项目“烹饪”可以处理在物理传感器的周围是否有人正在进行烹饪的信息。
人在烹饪时例如将厨房的照明打开，从冰箱取出食材并打开换气扇。因此，通过着眼于这些行为，能够判定是否有人正在物理传感器的周围进行烹饪。特别是，通过将换气扇的工作状况也添加到判定材料中，例如有可能能够将饮料的取出、食品的收纳等人的活动和烹饪区分开。另外，这里说明的人的烹饪时的行为只不过是例示，也可以考虑其他各种行为模式来设计基准值。
如果照明为打开状态，则其照明光可能导致物理感测数据“照度”的原始数据上升。因此，对于物理感测数据“照度”的原始数据，可以设定用于区分照明的打开/关闭的值(例如“50[lx]”)来作为基准值。
并且，如果在物理传感器的周围照明从关闭状态切换为打开状态，则有可能产生照度的急剧上升。因此，状况判定部311也可以将物理感测数据“照度”的原始数据的变化(这里例如是指1秒内的最大变化，称为“变化1”)用于判定。对于物理感测数据“照度”的原始数据的变化，例如也可以设定“50[lx]”来作为基准值。
此外，如果照明或换气扇在物理传感器的周围从关闭状态切换为打开状态时产生开关操作声，则有可能能够检测出明显的声压。因此，状况判定部311也可以准备对物理感测数据“声压”的原始数据的变化超过“+10dB”并且在之后的1秒以内低于“-10[dB]”的次数进行计数而得的已加工数据(以下，也简称为“变化次数1”)。对于声压的变化次数1，也可以设定用于区分存在照明或换气扇的开关操作的情况和不存在照明或换气扇的开关操作的情况的值(例如“1[次]”)来作为基准值。
如果在物理传感器的周围存在冰箱的门开闭，则有可能在打开冰箱的门时和关闭冰箱的门时能够分别检测出明显的声压。因此，状况判定部311也可以针对物理感测数据“声压”的原始数据，例如持续最近60秒地搜索超过了“50[dB]”的峰值，准备对落入到该60秒内的任意10秒的区域中的峰值的最大数进行计算而得的已加工数据(以下，也简称为“原始值数”)。对于该声压的原始值数，也可以设定用于区分存在冰箱的门开闭的情况和不存在冰箱的门开闭的情况的值(例如“2[次]”)来作为基准值。
同样，也可以将物理感测数据“声压”的原始数据的变化用于判定。具体来说，状况判定部311也可以准备对物理感测数据“声压”的原始数据的变化超过“+10dB”并且在之后的10秒以内低于“-10[dB]”的次数进行计数而得的已加工数据(以下，也简称为“变化次数2”)。对于声压的变化次数2，也可以设定用于区分存在冰箱的门开闭的情况和不存在冰箱的门开闭的情况的值(例如“2[次]”)来作为基准值。
如果在物理传感器的周围换气扇处于打开状态，则其工作声可能导致物理感测数据“声压”的原始数据上升。因此，状况判定部311也可以将物理感测数据“声压”的原始数据的变化(这里例如是指与5秒前的值的差，称为“变化2”)用于判定。对于物理感测数据“声压”的原始数据的变化，例如也可以设定“10[dB]”来作为基准值。
如果在物理传感器的周围换气扇处于打开状态，则该换气扇的工作可能导致物理感测数据“气压”的原始数据发生变化。例如，如果供气型的换气扇工作，则空气向室内的流入增加，物理感测数据“气压”的原始数据有可能上升。另一方面，如果排气型的换气扇工作，则空气向室外的流出增加，物理感测数据“气压”的原始数据有可能下降。因此，状况判定部311也可以将物理感测数据“气压”的原始数据的变化2用于判定。对于物理感测数据“气压”的原始数据的变化2，例如也可以设定“0.02hPa”来作为基准值。
此外，例如通过基于物理感测数据“温度”来捕捉热源或冰箱的使用状况，基于物理感测数据“气体”来捕捉由燃烧引起的VOC(或CO2)浓度的上升，有可能能够更准确地对状况项目“烹饪”进行判定。
状况判定部311取得图40例示的判定图来作为关于状况项目“烹饪”的判定基准。状况判定部311准备至少在图40中确定了基准值的物理感测数据的原始数据或其已加工数据来作为图39例示的数据图。
状况判定部311对图39的数据图和图40的判定图进行比较，得到图41例示的比较结果。在图41中，在数据图的对应栏的值为在判定图中确定的基准值以上的情况下标注“○”，在低于基准值的情况下标注“×”，在判定图中确定的基准值不存在的情况下标注“-”。
在该例中，照度的原始数据、声压的变化次数1、原始值数、变化次数2和变化2以及气压的变化2为基准值以上，但照度的变化1低于基准值。由于照度的原始数据为基准值以上，并且照度的变化1低于基准值，所以照明虽然当前处于打开状态，但从关闭状态切换为打开状态起已经经过了长时间，因为得到了不需要照明的程度的环境光，所以推测为照明当前处于关闭状态等。因此，例如，可以假设人忘记关闭厨房的照明而直接进行烹饪，在白天进行烹饪等。因此，例如，状况判定部311可以将状况项目“烹饪”的值设定为例如表示在物理传感器的周围有人进行烹饪的“1(真)”。但是，这里说明的判定结果只不过是例示，根据状况项目“烹饪”的判定基准(例如，上述逻辑式或关系式)，可能成为与其不同的判定结果。
图42示出为了对状况项目“睡眠”进行判定而使用的物理感测数据“照度”和“声压”各自的原始数据。状况项目“睡眠”例如可以处理在物理传感器的周围是否有人正处于睡眠中的信息。
另外，状况项目“睡眠”以人处于物理传感器的周围(例如，在家中)为前提。因此，状况判定部311也可以仅利用通过上述状况项目“有人”的值或其他手段确认了在物理传感器的周围有人的状况下得到的传感器数据，进行与状况项目“睡眠”相关的判定。这也适用于图9例示的属于“人的生活状况”的其他状况项目。
例如，如果人在物理传感器的周围处于睡眠中，则有可能将照明设为关闭状态。因此，对于物理感测数据“照度”的原始数据，也可以设定表示照明处于关闭状态的值(例如“0[lx]”)来作为基准值。另外，在至此说明的具体例中，基准值都是对应的传感器数据的原始数据或其已加工数据所应用的下限值，但该例中的基准值不是下限值，而是相当于上限值。
如果人在物理传感器的周围处于睡眠中，则可能产生打鼾、磨牙、说梦话、身体活动等引起的声音，但与人活动时相比，可认为是安静的。因此，对于物理感测数据“声压”的原始数据，也可以设定“35[dB]”来作为基准值。
状况判定部311取得图44例示的判定图来作为关于状况项目“睡眠”的判定基准。状况判定部311准备至少在图44中确定了基准值的物理感测数据的原始数据或其已加工数据来作为图43例示的数据图。
状况判定部311对图43的数据图和图44的判定图进行比较，得到图45例示的比较结果。在图45中，在数据图的对应栏的值为在判定图中确定的基准值以下的情况下标注“○”，在超过基准值的情况下标注“×”，在判定图中确定的基准值不存在的情况下标注“-”。
在该例中，照度的原始数据和声压的原始数据均为基准值以下。因此，状况判定部311可以将状况项目“睡眠”的值设定为例如表示人在物理传感器的周围处于睡眠中的“1(真)”。
以下，使用图46至图51对第2虚拟感测数据生成部320进一步进行说明。
如图46例示的那样，第2虚拟感测数据生成部320包含判定基准选择部321和状况判定部322。
判定基准选择部321从虚拟感测数据取得部302接收虚拟感测数据15，从判定基准取得部303接收判定基准(第2判定基准)。在对给定的状况项目确定了多个判定基准的情况下，判定基准选择部321从该多个判定基准中选择与虚拟感测数据15对应的1个，并将选择出的判定基准发送到状况判定部322。
状况判定部322从物理感测数据取得部301接收物理感测数据，从判定基准选择部321接收选择出的判定基准。状况判定部322使用选择出的判定基准，基于物理感测数据来判定状况，生成虚拟感测数据12。状况判定部322将虚拟感测数据12发送到数据输出部350。
与虚拟感测数据11同样，虚拟感测数据12可包含的状况项目例如也可以如图6至图10所示那样按照几个中间项目进行整理。另外，图6至图10所示的状况项目只不过是一例，也可以使用与其不同的状况项目。并且，这里所示的按中间项目的整理只不过是一例，有可理解为属于某个中间项目的状况项目属于其他中间项目的余地，也可以使用不同的中间项目进行整理，还可以不进行原本使用了中间项目的整理。
另外，在图6至图10中，物理感测数据栏中列举的物理感测数据不限于原始数据，可包含其已加工数据。同样，物理感测数据栏中列举的物理感测数据只不过是例示。
例如，判定基准选择部321针对状况项目“烹饪”，分别取得状况项目“有人”为真的情况下所使用的判定基准1、状况项目“空调”为真的情况下所使用的判定基准2、状况项目“微波炉”为真的情况下所使用的判定基准3以及表示状况项目“TV”为真的情况下所使用的判定基准4来作为判定图。这里，判定图例如是指用于判定的基准值的一览表。判定基准所包含的基准值例如能够通过对如下的数据进行分析来设计：(1)在符合该判定基准所对应的(虚拟感测数据15所示的)状况、且该判定基准与作为对象的状况项目一致的状况下生成的物理感测数据的原始数据或其已加工数据；(2)在符合该判定基准所对应的状况、但该判定基准与作为对象的状况项目不一致的状况下生成的物理感测数据的原始数据或其已加工数据。在虚拟感测数据15表示在物理传感器的周围有人的情况下，判定基准选择部321也可以选择判定基准1。
状况判定部322也可以准备在判定基准选择部321所选择的判定图中至少确定了基准值的物理感测数据的原始数据或其已加工数据来作为数据图。这里，数据图例如是指用于判定的物理感测数据的原始数据及其已加工数据的一览表。另外，在物理感测数据不包含原始数据的已加工数据的情况下，状况判定部322也可以生成所需的已加工数据。
状况判定部322对数据图和判定图进行比较，得到比较结果。状况判定部322将关于各个基准值的比较结果分别设为“1(真)”或“0(假)”，或者相反地进行换算，并代入到被确定为判定基准的一部分的逻辑式或关系式中等来设定状况项目的值。状况项目的值可以被确定为2值，例如“1(真)”或“0(假)”，也可以被确定为3以上的多值，例如概率值、百分比、得分等。
另外，如上所述，判定基准可包含已学习模型。在判定基准包含已学习模型的情况下，状况判定部322也可以将该已学习模型设定在神经网络中，准备被确定为该神经网络的输入数据的物理感测数据的原始数据或其已加工数据，并将准备好的数据提供给该神经网络而进行判定。
该已学习模型可以通过进行根据学习用物理感测数据来判定状况的机器学习而生成。例如，在虚拟感测数据15中的状况项目“TV”的值为真(处于物理传感器周围的TV打开)的情况下用于对状况项目“烹饪”进行判定的已学习模型能够通过如下的方式来生成：使用在物理传感器的周围TV打开、并且在物理传感器的周围有人正在进行烹饪时生成的各学习用物理感测数据的原始数据和/或其已加工数据，作为带正解标签的学习数据，从而进行带教师的学习。并且，也可以使用在物理传感器的周围TV打开、并且在物理传感器的周围没有人进行烹饪时生成的各学习用物理感测数据的原始数据和/或其已加工数据，作为带不正解标签的学习数据。
另外，状况判定部322也可以不对虚拟感测数据12所包含的状况项目的一部分或全部进行使用了判定基准的判定。具体来说，状况判定部322也可以针对一部分或全部，根据从虚拟感测数据取得部302取得的虚拟感测数据15来进行判定。
例如，状况判定部322可以将虚拟感测数据15的值直接用作、或对其进行变换而用作虚拟感测数据12所包含的特定的状况项目的值。并且，状况判定部322也可以根据物理感测数据来补充虚拟感测数据15中的对应项目，从而进行与虚拟感测数据12所包含的状况项目相关的判定。
图47例示属于中间项目“与人相关的状况”的状况项目、与该状况项目对应的虚拟感测数据15(第1虚拟感测数据)的项目以及为了补充该项目而使用的物理感测数据。
图48例示属于中间项目“与自然相关的状况”的状况项目、与该状况项目对应的虚拟感测数据15的项目以及为了补充该项目而使用的物理感测数据。
图49例示属于中间项目“周边装置的工作状况”的状况项目、与该状况项目对应的虚拟感测数据15的项目以及为了补充该项目而使用的物理感测数据。
图50例示属于中间项目“人的生活状况”的状况项目、与该状况项目对应的虚拟感测数据15的项目以及为了补充该项目而使用的物理感测数据。
图51例示属于中间项目“与物理传感器的设置空间相关的状况”的状况项目、与该状况项目对应的虚拟感测数据15的项目以及为了补充该项目而使用的物理感测数据。
以下，使用图52至图60对第1可靠性数据生成部330进一步进行说明。
如图52例示的那样，第1可靠性数据生成部330包含可靠性计算部331。可靠性计算部331从虚拟感测数据取得部302接收虚拟感测数据16，从计算基准取得部304接收计算基准(第1计算基准)。可靠性计算部331使用计算基准，根据虚拟感测数据16来计算感测数据的可靠性，生成可靠性数据13。可靠性计算部331将可靠性数据13发送到数据输出部350。
如上所述，可靠性数据13例如可按照影响感测数据的可靠性的每个因素来表示物理感测数据相对于该因素的可靠性。这里，将一个个因素称为可靠性项目。可靠性数据13可包含“A.人的影响”、“B.噪声的影响”、“C.周边装置的动作的影响”、“D.传感器的设置空间的影响”以及“E.有意的变动”的可靠性项目。另外，这些只不过是例示，也可以使用与其不同的可靠性项目。
可靠性计算部331估计虚拟感测数据16所示的状况对被定义为可靠性项目的各个因素产生了怎样程度的影响。例如，使用图6至图10进行了说明的状况项目的中间项目与上述A～E的可靠性项目之间的关系能够如图53那样进行整理。
即，“与人相关的状况”涉及作为可靠性项目的“A.人的影响”和/或“E.有意的变动”，“与自然相关的状况”涉及作为可靠性项目的“B.噪声的影响”和/或“E.有意的变动”，“周边装置的工作状况”涉及作为可靠性项目的“B.噪声的影响”和/或“C.周边装置的动作的影响”，“人的生活状况”涉及作为可靠性项目的“A.人的影响”，“与物理传感器的设置空间相关的状况”涉及作为可靠性项目的“D.传感器的设置空间的影响”。在图54中例示了使用图6至图10进行了说明的各个状况项目涉及哪个物理感测数据的哪个可靠性项目。例如，状况项目“空调”的值会影响物理感测数据“温度”的“C.周边装置的动作的影响”，并影响物理感测数据“气压”和“声压”等的“B.噪声的影响”。另外，图53和图54的关系只不过是例示，也可以发现并利用与这些不同的关系。
例如，如果虚拟感测数据16的状况项目“洗衣机”的值表示洗衣机在物理传感器的周围处于打开状态，则可靠性计算部331可将物理感测数据“声压”相对于“B.噪声的影响”的可靠性计算为30％。
例如，如果虚拟感测数据16的状况项目“空调”的值表示在物理传感器的周围空调例如在设定温度30度下处于打开状态，则可靠性计算部331可将物理感测数据“温度”相对于“C.周边装置的动作的影响”的可靠性计算为70％。
例如，如果虚拟感测数据16的状况项目“设置方向”的值表示传感器被稳定地设置，则可靠性计算部331可将物理感测数据“照度”相对于“D.传感器的设置空间的影响”的可靠性计算为100％。另一方面，如果虚拟感测数据16的状况项目“设置方向”的值表示照度传感器的入射窗铅直向下，则可靠性计算部331可将物理感测数据“照度”相对于“D.传感器的设置空间的影响”的可靠性计算为20％。
例如，如果虚拟感测数据16的状况项目“设置方向”的值表示声压传感器的声孔朝向墙壁，则可靠性计算部331可将物理感测数据“声压”相对于“D.传感器的设置空间的影响”的可靠性计算为20％。
例如，如果虚拟感测数据16的某些状况项目的值表示人正在对传感器吹气，则可靠性计算部331可将物理感测数据“湿度”相对于“E.有意的变动”的可靠性计算为30％。另外，例如，可以基于物理感测数据“温度”和“气体”来判定人正在对传感器吹气。
例如，如果虚拟感测数据16的某些状况项目的值表示物理感测数据“温度”的原始数据恒定，则可靠性计算部331认为温度传感器发生故障，可将物理感测数据“温度”相对于全部可靠性项目的可靠性计算为0％。另外，例如通过对规定期间内的物理感测数据“温度”的最大值和最小值进行比较，能够检测出物理感测数据“温度”的原始数据恒定。
如上所述，计算基准可包含分配给虚拟感测数据16所包含的各个状况项目的权重系数(贡献率滤波系数)。可靠性计算部331也可以使用虚拟感测数据16中的各状况项目的值和分配给该状况项目的权重系数来进行运算，根据该运算结果来计算感测数据的可靠性。具体来说，可靠性计算部331也可以对各状况项目的值乘以权重系数而计算加权和，并基于该加权和来计算感测数据的可靠性。
关于可靠性项目“A.人的影响”，对所涉及的各状况项目如图55例示那样分配了贡献率滤波系数。关于可靠性项目“B.噪声的影响”，对所涉及的各状况项目如图56例示那样分配了贡献率滤波系数。关于可靠性项目“C.周边装置的动作的影响”，对所涉及的各状况项目如图57例示那样分配了贡献率滤波系数。关于可靠性项目“D.传感器的设置空间的影响”，对所涉及的各状况项目如图58例示那样分配了贡献率滤波系数。
可靠性计算部331例如能够使用图55所示的贡献率滤波系数，如图59例示的那样计算物理感测数据“温度”相对于“A.人的影响”的可靠性。具体来说，可靠性计算部331针对与物理感测数据“温度”的“A.人的影响”相关的各个状况项目，对虚拟感测数据16的值乘以贡献率滤波系数并对相乘结果进行合计。这里，相乘结果的合计为“0.65”，可靠性计算部331将物理感测数据“温度”相对于“A.人的影响”的可靠性计算为35％(＝1-0.65)。另外，可靠性可以如图59那样被确定为概率值、百分比、得分等3以上的多值，也可以被确定为例如表示可靠/不可靠的“1(真)”/“0(假)”等2值。
另外，如上所述，计算基准可包含已学习模型。在计算基准包含已学习模型的情况下，可靠性计算部331也可以将该已学习模型设定在神经网络中，准备被确定为该神经网络的输入数据的虚拟感测数据16的值，并将准备好的数据提供给该神经网络而计算可靠性。
该已学习模型可以如下生成：进行根据学习用虚拟感测数据来计算感测数据的可靠性的机器学习。例如，用于对某个可靠性项目进行计算的已学习模型可以通过如下的方式来生成：利用某种手段来评价在某种状况下得到的感测数据的与该可靠性项目相关的可靠性而生成正解标签，并使用表示该状况的学习用虚拟感测数据来作为带正解标签的学习数据，从而进行带教师的学习。
如以上那样，可靠性计算部331对每个物理感测数据计算与各可靠性项目相关的可靠性。其结果是，如图60例示那样，可靠性数据13按每个物理感测数据包含可靠性项目A～E各自的值。另外，图60的数据构造是一例，物理感测数据和可靠性数据13不一定需要结合为一组的数据。并且，除了可靠性数据13之外，还可以将可靠性数据14与物理感测数据结合，或者代替可靠性数据13，而将可靠性数据14与物理感测数据结合。此外，作为在物理感测数据之间计算可靠性的对象的可靠性项目也可以不同。
以下，使用图61至图64对第2可靠性数据生成部340进一步进行说明。
如图61例示那样，第2可靠性数据生成部340包含计算基准选择部341和可靠性计算部342。
计算基准选择部341从虚拟感测数据取得部302接收虚拟感测数据17，从计算基准取得部304接收计算基准(第2计算基准)。在对给定的可靠性项目确定了多个计算基准的情况下，计算基准选择部341从该多个计算基准中选择与虚拟感测数据17对应的1个。多个计算基准例如可包含面向空调在物理传感器的周围打开的情况的计算基准、面向TV在物理传感器的周围打开的情况的计算基准等。
可靠性计算部342从动作条件数据取得部305接收动作条件数据，从计算基准选择部341接收选择出的计算基准。可靠性计算部342使用选择出的计算基准，根据动作条件数据来计算感测数据的可靠性，生成可靠性数据14。可靠性计算部342将可靠性数据14发送到数据输出部350。
如上所述，可靠性数据14例如可表示按照(在虚拟感测数据17所示的状况下)动作条件数据所示的动作条件进行动作的物理传感器所生成的物理感测数据相对于噪声的可靠性。例如，可靠性数据14可包含物理感测数据“温度”、“气压”、“声压”以及“振动”相对于噪声的可靠性。
例如，可靠性计算部342取得图63例示的噪声图来作为计算基准选择部341所选择出的计算基准。这里，噪声图例如是指用于计算相对于噪声的可靠性的基准值的一览表。基准值例如能够通过对在与计算基准相对应的(虚拟感测数据17所示的)状况下(例如，空调在物理传感器的周围打开时，TV在物理传感器的周围打开时等)生成的各物理感测数据的噪声特性进行分析来设计。噪声特性例如可以如噪声频率、噪声幅度以及变动幅度那样能够与动作条件数据的各项目进行比较。
可靠性计算部342也可以准备至少在图63中确定了基准值的动作条件数据来作为图62例示的数据图。这里，数据图例如是指用于计算可靠性的动作条件数据的一览表。
可靠性计算部342对图62的数据图和图63的噪声图进行比较，得到图64例示的比较结果。在图64中，对于“采样频率”和“分辨率”，在数据图的对应栏的值为在噪声图中确定的基准值以上的情况下标注“○”，在低于基准值的情况下标注“×”，对于“精度”，在数据图的对应栏的值为在噪声图中确定的基准值以下的情况下标注“○”，在超过基准值的情况下标注“×”，在噪声图中确定的基准值不存在的情况下标注“-”。
可靠性计算部342例如将“○”和“×”分别设为“1(真)”或“0(假)”，或者相反地进行换算，并代入到被确定为计算基准的一部分的逻辑式或关系式中等来设定可靠性项目的值。可靠性项目的值可以被确定为2值，例如“1(真)”或“0(假)”，也可以被确定为3以上的多值，例如概率值、百分比、得分等。
例如，对于物理感测数据“气压”和“声压”，由于作为比较对象的动作条件数据均为根据基准值而确定的范围内的值，所以可靠性计算部342也可以将相对于噪声的可靠性计算为“100[％]”。另一方面，关于物理感测数据“温度”和“振动”，由于在作为比较对象的动作条件数据中存在根据基准值而确定的范围外的值，所以可靠性计算部342将相对于噪声的可靠性分别计算为例如“50[％]”和“30[％]”。这里，特别是关于物理感测数据“振动”，与噪声频率为200[Hz]相比，采样频率为一半即100[Hz]，有可能丢失数据，因此可靠性被估计得较低。
另外，如上所述，计算基准可包含已学习模型。在计算基准包含已学习模型的情况下，可靠性计算部342也可以将该已学习模型设定在神经网络中，准备被确定为该神经网络的输入数据的动作条件数据的值，并将准备好的数据提供给该神经网络而计算可靠性。
该已学习模型可以通过进行根据学习用动作条件数据来计算感测数据的可靠性的机器学习而生成。例如，为了对在物理传感器的周围空调打开的情况的感测数据的可靠性进行计算而使用的已学习模型能够通过如下的方式来生成：利用某些手段来评价在该状况下按照各种动作条件使传感器进行动作而得的感测数据相对于噪声的可靠性并生成正解标签，使用表示生成了该感测数据的物理传感器的动作条件的学习用动作条件数据来作为带正解标签的学习数据，从而进行带教师的学习。
＜其他＞
关于数据生成装置200的各功能，在后述的动作例中进行详细说明。另外，在本实施方式中，对数据生成装置200的各功能均由通用的CPU实现的例子进行说明。但是，以上的功能的一部分或全部也可以通过1个或多个专用的处理器来实现。并且，关于数据生成装置200的功能结构，也可以根据实施方式来适当地进行功能的省略、置换及追加。
§3动作例
接着，使用图65至图68对数据生成装置200的动作例进行说明。另外，以下说明的处理步骤只不过是一例，各处理可以尽可能地变更。并且，关于以下说明的处理步骤，能够根据实施方式来适当进行步骤的省略、置换以及追加。
图65是示出第1虚拟感测数据生成部310的动作的一例的流程图。
首先，物理感测数据取得部301取得物理感测数据，判定基准取得部303取得判定基准(第1判定基准)(步骤S501)。状况判定部311接收这些物理感测数据和判定基准，处理进入到步骤S502。
在步骤S502中，状况判定部311选择虚拟感测数据11所包含的状况项目(例如图6至图10所示的项目)中的未选择的项目。另外，根据判定基准，能够对多个状况项目同时进行判定。例如，判定基准可包含通过对多个状况项目同时进行判定的机器学习而生成的已学习模型。在这样的情况下，在步骤S502中可选择多个项目。
状况判定部311准备应用针对在步骤S502中选择的状况项目(这里也简称为选择项目)确定的判定基准所需的物理感测数据的原始数据及其已加工数据(步骤S503)。这里，应用判定基准所需的物理感测数据例如可以是确定了判定基准所包含的基准值的物理感测数据的原始数据或其已加工数据，也可以是设定有判定基准所包含的已学习模型的神经网络的、作为输入数据而确定的物理感测数据的原始数据或其已加工数据。
状况判定部311通过将针对选择项目确定的判定基准应用于在步骤S503中准备的数据，判定状况是否符合选择项目(步骤S504)。将判定基准应用于数据可以是对判定基准所包含的基准值和对应的数据进行比较，也可以是对设定有判定基准所包含的已学习模型的神经网络提供数据。
状况判定部311根据步骤S504的判定结果，设定虚拟感测数据11中的选择项目的值(步骤S505)。如果在步骤S505的结束时刻对全部状况项目的处理结束，则图65的动作结束，否则处理返回到步骤S502(步骤S506)。
图66是示出第2虚拟感测数据生成部320的动作的一例的流程图。
首先，物理感测数据取得部301取得物理感测数据，虚拟感测数据取得部302取得虚拟感测数据15，判定基准取得部303取得判定基准(第2判定基准)(步骤S511)。判定基准选择部321接收这些虚拟感测数据15和判定基准，状况判定部322接收该物理感测数据，处理进入到步骤S512。
在步骤S512中，判定基准选择部321选择虚拟感测数据12所包含的状况项目(例如图6至图10所示的项目)中的未选择的项目。另外，根据判定基准，能够对多个状况项目同时进行判定。例如，判定基准可包含通过对多个状况项目同时进行判定的机器学习而生成的已学习模型。在这样的情况下，在步骤S512中可选择多个项目。
当对在步骤S512中选择的状况项目(这里也简称为选择项目)确定了多个判定基准的情况下，判定基准选择部321选择与在步骤S511中取得的虚拟感测数据15对应的1个(步骤S513)。另外，在对选择项目仅确定了1个判定基准的情况下，可以跳过步骤S513。
状况判定部322准备应用在步骤S513中选择的判定基准所需的物理感测数据的原始数据及其已加工数据(步骤S514)。这里，应用判定基准所需的物理感测数据例如可以是确定了判定基准所包含的基准值的物理感测数据的原始数据或其已加工数据，也可以是设定有判定基准所包含的已学习模型的神经网络的、作为输入数据而确定的物理感测数据的原始数据或其已加工数据。
状况判定部322通过将在步骤S513中选择的判定基准应用于在步骤S514中准备的数据，判定状况是否符合选择项目(步骤S515)。将判定基准应用于数据可以是对判定基准所包含的基准值和对应的数据进行比较，也可以是对设定有判定基准所包含的已学习模型的神经网络提供数据。
状况判定部322根据步骤S515的判定结果，设定虚拟感测数据12中的选择项目的值(步骤S516)。如果在步骤S516的结束时刻对全部状况项目的处理结束，则图66的动作结束，否则处理返回到步骤S512(步骤S517)。
图67是示出第1可靠性数据生成部330的动作的一例的流程图。
首先，虚拟感测数据取得部302取得虚拟感测数据16，计算基准取得部304取得计算基准(第1计算基准)(步骤S521)。可靠性计算部331接收这些虚拟感测数据16和计算基准，处理进入到步骤S522。
在步骤S522中，可靠性计算部331选择可靠性数据13所包含的可靠性项目(例如图53所示的项目)中的未选择的项目。另外，根据计算基准，能够同时对多个可靠性项目计算可靠性。例如，计算基准可包含通过对多个可靠性项目同时计算可靠性的机器学习而生成的已学习模型。在这样的情况下，在步骤S522中可选择多个项目。
可靠性计算部331准备应用针对在步骤S522中选择的可靠性项目(这里也简称为选择项目)确定的计算基准所需的虚拟感测数据16(中的一部分或全部的状况项目的值)(步骤S523)。这里，应用计算基准所需的虚拟感测数据16例如可以是被分配了计算基准所包含的权重系数的状况项目的值，也可以是设定有计算基准所包含的已学习模型的神经网络的、作为输入数据而确定的状况项目的值。
可靠性计算部331通过将针对选择项目确定的计算基准应用于在步骤S523中准备的数据，计算感测数据相对于选择项目的可靠性(步骤S524)。将计算基准应用于数据可以是使用计算基准所包含的权重系数和对应的数据的值来进行运算(例如相乘)，也可以进行用于合并该运算的结果的进一步运算(例如，加权和的计算以及从可靠性的上限值减去该加权和)，还可以对设定有计算基准所包含的已学习模型的神经网络提供数据。
可靠性计算部331根据步骤S524的计算结果，设定可靠性数据13中的选择项目的值(步骤S525)。如果在步骤S525的结束时刻对全部可靠性项目的处理结束，则图67的动作结束，否则处理进入到步骤S522(步骤S526)。
图68是示出第2可靠性数据生成部340的动作的一例的流程图。
首先，虚拟感测数据取得部302取得虚拟感测数据17，计算基准取得部304取得计算基准(第2计算基准)，动作条件数据取得部305取得动作条件数据(步骤S531)。计算基准选择部341接收这些虚拟感测数据17和计算基准，可靠性计算部342接收该动作条件数据，处理进入到步骤S532。
在步骤S532中，计算基准选择部341选择作为可靠性数据14的计算对象的可靠性项目(例如“噪声”)中的未选择的项目。另外，根据计算基准，能够对多个可靠性项目同时进行判定。例如，计算基准可包含通过对多个可靠性项目同时计算可靠性的机器学习而生成的已学习模型。在这样的情况下，在步骤S512中可选择多个项目。另外，在针对全部可靠性项目统一确定了1个或多个计算基准的情况下，可以跳过本步骤S532和后述的步骤S537。
当对在步骤S532中选择的可靠性项目(这里也简称为选择项目)确定了多个计算基准的情况下，计算基准选择部341选择与在步骤S531中取得的虚拟感测数据17对应的1个(步骤S533)。另外，在对选择项目仅确定了1个计算基准的情况下，可以跳过步骤S533。
可靠性计算部342准备应用在步骤S533中选择的计算基准所需的动作条件数据(步骤S534)。这里，应用计算基准所需的动作条件数据例如可以是确定有计算基准所包含的基准值的动作条件数据的值，也可以是设定有计算基准所包含的已学习模型的神经网络的、作为输入数据而确定的动作条件数据的值。
可靠性计算部342通过将在步骤S533中选择的计算基准应用于在步骤S534中准备的数据，计算选择项目的可靠性(步骤S535)。将计算基准应用于数据可以是对计算基准所包含的基准值和对应的数据进行比较，也可以对设定有计算基准所包含的已学习模型的神经网络提供数据。
可靠性计算部342根据步骤S535的判定结果，设定可靠性数据14中的选择项目的值(步骤S536)。如果在步骤S536的结束时刻对全部可靠性项目的处理结束，则图68的动作结束，否则处理进入到步骤S532(步骤S537)。
[作用/效果]
如以上说明的那样，在本实施方式中，数据生成装置使用判定基准，根据物理感测数据来判定该状况。因此，根据该数据生成装置，能够生成表示与状况相关的判定结果的虚拟感测数据。
并且，数据生成装置也可以根据自己生成的或由外部装置生成的、表示状况的一次判定结果的第1虚拟感测数据，选择用于进行该状况的二次判定的判定基准。由此，由于能够使用考虑了由第1虚拟感测数据所示的状况引起的噪声等影响的判定基准，所以能够准确地判定物理传感器的周围的状况。
此外，该数据生成装置也可以根据自己生成的或由外部装置生成的虚拟感测数据，计算感测数据的可靠性。因此，根据该数据生成装置，能够生成从虚拟感测数据掌握的可靠性数据，该可靠性数据描述感测数据相对于影响感测数据的可靠性的因素的可靠性。
此外，该数据生成装置也可以根据表示物理传感器的动作条件的动作条件数据，计算感测数据的可靠性。因此，根据该数据生成装置，能够生成从物理传感器的动作条件掌握的可靠性数据，该可靠性数据描述物理感测数据相对于噪声的可靠性的信息。
根据该数据生成装置，能够灵活地提供符合利用侧的要求的虚拟感测数据。并且，利用该数据生成装置提供的可靠性数据，能够根据可靠性来进行感测数据的过滤、清理、归一化等，能够容易地进行用于感测数据的有效利用的预处理。因此，根据该虚拟感测数据和/或可靠性数据，有可能促进利用侧的感测数据的有效利用。
§4变形例
以上，对本公开的实施方式进行了详细说明，但目前为止的说明在所有方面都只不过是本公开的例示。当然可以在不脱离本公开的范围的情况下进行各种改良和变形。例如，能够进行以下那样的变更。另外，以下，对与上述实施方式同样的构成要素使用相同的标号，对与上述实施方式同样的点适当省略说明。以下的变形例可以适当组合。
＜4.1＞
例如，数据生成装置200可组装到传感器装置中。图69示意性地示出组装了数据生成装置200的传感器装置的功能结构的一例。另外，该传感器装置的硬件结构可以与图2所示的结构例相同或类似。
图69的传感器装置包含数据生成装置200、物理传感器控制部601、动作条件数据存储部602、物理传感器部610、发送部621、判定基准/计算基准存储部622以及接收部623。
物理传感器控制部601对物理传感器部610的动作进行控制。物理传感器控制部601也可以根据需要来读出存储于动作条件数据存储部602的动作条件数据，根据该动作条件数据对物理传感器部610的动作进行控制。
动作条件数据存储部602保存表示物理传感器部610的动作条件的动作条件数据。根据需要，由数据生成装置200(所包含的动作条件数据取得部305)和物理传感器控制部601读出动作条件数据存储部602所保存的动作条件数据。
物理传感器部610由物理传感器控制部601来控制，对1种或多种物理量进行测量，生成表示该物理量的物理感测数据。物理传感器部610将物理感测数据发送到发送部621和数据生成装置200。
物理传感器部610例如可包含测量照度的照度传感器611、测量声压的声压传感器612、测量加速度的加速度传感器613、测量VOC或CO2等的气体浓度的气体传感器614、测量气压的气压传感器615等。其中，这里列举的各种物理传感器只不过是例示，物理传感器部610可以包含与这些传感器不同的传感器，也可以不包含这些传感器的一部分或全部。
发送部621从物理传感器部610接收物理感测数据，从数据生成装置200接收虚拟感测数据和/或可靠性数据。发送部621将该物理感测数据、虚拟感测数据和/或可靠性数据发送到上位的通信装置、服务器或应用装置。另外，发送部621也可以将物理感测数据、虚拟感测数据和/或可靠性数据结合起来之后发送，还可以直接发送独立的数据。并且，发送部621也可以使物理感测数据、虚拟感测数据和/或可靠性数据的目的地和/或路径不同。
判定基准/计算基准存储部622保存数据生成装置200所使用的判定基准和计算基准。根据需要，由数据生成装置200(所包含的判定基准取得部303和计算基准取得部304)读出判定基准/计算基准存储部622所保存的判定基准和计算基准。判定基准和/或计算基准可以预先设定在判定基准/计算基准存储部622中，也可以在图69的传感器装置的内部生成，还可以由外部装置(例如，服务器)生成并由接收部623接收。另外，判定基准和计算基准可以保存在不同的存储部中。
接收部623例如将由外部装置(例如，服务器)生成的判定基准和/或计算基准发送到判定基准/计算基准存储部622。该判定基准和/或计算基准被保存在判定基准/计算基准存储部622中。此外，接收部623可以从外部装置(例如，上位的通信装置或服务器)接收虚拟感测数据，并将该虚拟感测数据发送到数据生成装置200。该虚拟感测数据例如也可以作为虚拟感测数据15、虚拟感测数据16和/或虚拟感测数据17来使用。
数据生成装置200从动作条件数据存储部602取得动作条件数据，从物理传感器部610取得物理感测数据，从判定基准/计算基准存储部622取得判定基准和计算基准。此外，数据生成装置200可以从接收部623取得由外部装置生成的虚拟感测数据。数据生成装置200通过如上述那样进行动作，生成虚拟感测数据11、虚拟感测数据12、可靠性数据13以及可靠性数据14的一部分或全部，并发送到发送部621。
如以上说明的那样，在变形例＜4.1＞中，实施方式的数据生成装置200被组装到传感器装置中。因此，根据该变形例，能够提供除了物理感测数据之外还生成虚拟感测数据和/或可靠性数据的智能传感器装置。并且，根据该变形例，能够利用传感器装置的处理器和存储器等硬件资源来实现数据生成装置200。
＜4.2＞
例如，数据生成装置200可组装到通信装置中。图70示意性地示出组装了数据生成装置200的通信装置的功能结构的一例。另外，该通信装置的硬件结构可与图2所示的结构例相同或类似。
图70的通信装置例如可以是智能手机或各种PC。该通信装置包含数据生成装置200、接收部701、判定基准/计算基准存储部702以及发送部703。
接收部701从外部装置(例如，传感器装置)接收物理感测数据，并将其发送到数据生成装置200和发送部703。并且，接收部701可以从外部装置(例如，上位的通信装置或服务器)接收虚拟感测数据，并将其发送到数据生成装置200。该虚拟感测数据例如也可以作为虚拟感测数据15、虚拟感测数据16和/或虚拟感测数据17来使用。同样，接收部701可以从外部装置(例如，服务器)接收判定基准/计算基准，并将它们发送到判定基准/计算基准存储部702。该判定基准和/或计算基准被保存在判定基准/计算基准存储部702中。此外，接收部701还可以从外部装置(例如，传感器装置)接收动作条件数据，并将其发送到数据生成装置200。
判定基准/计算基准存储部702保存数据生成装置200所使用的判定基准和计算基准。根据需要，由数据生成装置200(所包含的判定基准取得部303和计算基准取得部304)读出判定基准/计算基准存储部702所保存的判定基准和计算基准。判定基准和/或计算基准可以预先设定在判定基准/计算基准存储部702中，也可以在图70的通信装置的内部生成，还可以由外部装置(例如，服务器)生成并由接收部701接收。另外，判定基准和计算基准也可以保存在不同的存储部中。
发送部703从接收部701接收物理感测数据，从数据生成装置200接收虚拟感测数据和/或可靠性数据。发送部703将该物理感测数据、虚拟感测数据和/或可靠性数据发送到上位的通信装置、服务器或应用装置。另外，发送部703可以将物理感测数据、虚拟感测数据和/或可靠性数据结合起来之后发送，也可以直接发送独立的数据。并且，发送部703也可以使物理感测数据、虚拟感测数据和/或可靠性数据的目的地和/或路径不同。
数据生成装置200从接收部701取得物理感测数据和动作条件数据，从判定基准/计算基准存储部702取得判定基准和计算基准。此外，数据生成装置200可以从接收部701取得由外部装置生成的虚拟感测数据。数据生成装置200通过如上述那样进行动作，生成虚拟感测数据11、虚拟感测数据12、可靠性数据13以及可靠性数据14的一部分或全部，并发送到发送部703。
如以上说明的那样，在变形例＜4.2＞中，实施方式的数据生成装置200被组装到通信装置中。因此，根据该变形例，在传感器装置无法生成上述虚拟感测数据11、虚拟感测数据12、可靠性数据13以及可靠性数据14中的至少一部分的情况下，也能够补充所需的虚拟感测数据和/或可靠性数据。并且，根据该变形例，能够利用通信装置的处理器和存储器等硬件资源来实现数据生成装置200。
＜4.3＞
例如，数据生成装置200可组装到服务器中。图71示意性地示出组装了数据生成装置200的服务器的功能结构的一例。另外，该服务器的硬件结构可以与图2所示的结构例相同或类似。
图71的服务器包含数据生成装置200、接收部801、判定基准/计算基准存储部802、虚拟感测数据/可靠性数据存储部803、物理感测数据存储部804、提供侧数据目录存储部805、利用侧数据目录存储部806、匹配部807、数据管理部808以及发送部809。
接收部801从外部装置(例如，传感器装置)接收物理感测数据，并将其发送到数据生成装置200和物理感测数据存储部804。并且，接收部801可以从外部装置接收虚拟感测数据，并将其发送到数据生成装置200。该虚拟感测数据例如也可以作为虚拟感测数据15、虚拟感测数据16和/或虚拟感测数据17来使用。同样，接收部801可以从外部装置接收判定基准/计算基准，并将它们发送到判定基准/计算基准存储部802。该判定基准和/或计算基准被保存在判定基准/计算基准存储部802中。此外，接收部801还可以从外部装置(例如，传感器装置)接收动作条件数据，并将其发送到数据生成装置200。
接收部801可以从外部装置(例如，通信装置)接收用于匹配的提供侧数据目录，并将其发送到提供侧数据目录存储部805。该提供侧数据目录被保存在提供侧数据目录存储部805中。同样，接收部801可以从外部装置(例如，应用装置)接收用于匹配的利用侧数据目录，并将其发送到利用侧数据目录存储部806。该利用侧数据目录被保存在利用侧数据目录存储部806中。
判定基准/计算基准存储部802保存数据生成装置200所使用的判定基准和计算基准。根据需要，由数据生成装置200(所包含的判定基准取得部303和计算基准取得部304)读出判定基准/计算基准存储部802所保存的判定基准和计算基准。判定基准和/或计算基准可以预先设定在判定基准/计算基准存储部802中，也可以在图71的服务器的内部生成，还可以由外部装置生成并由接收部801接收。另外，判定基准和计算基准也可以保存在不同的存储部中。
虚拟感测数据/可靠性数据存储部803保存由数据生成装置200生成的虚拟感测数据和/或可靠性数据。根据需要，由数据管理部808读出虚拟感测数据/可靠性数据存储部803所保存的虚拟感测数据和/或可靠性数据。
物理感测数据存储部804保存接收部801所接收的物理感测数据。根据需要，由数据管理部808读出物理感测数据存储部804所保存的物理感测数据。
提供侧数据目录存储部805例如保存由接收部801接收或直接输入的提供侧数据目录。根据需要，由匹配部807读出提供侧数据目录存储部805所保存的提供侧数据目录。
利用侧数据目录存储部806例如保存由接收部801接收或直接输入的利用侧数据目录。根据需要，由匹配部807读出利用侧数据目录存储部806所保存的利用侧数据目录。
匹配部807从提供侧数据目录存储部805读出提供侧数据目录，从利用侧数据目录存储部806读出利用侧数据目录。匹配部807进行提供侧数据目录与利用侧数据目录的买卖匹配。例如，匹配部807对利用侧数据目录所包含的至少一部分项目和提供侧数据目录所包含的对应项目进行比较，提取符合利用侧的要求的提供侧数据目录。在买卖匹配成立的情况下，匹配部807向数据管理部808通知该内容。另外，在发现了符合利用侧的要求的提供侧数据目录的情况下，匹配部807也可以向利用侧和/或提供侧请求关于数据买卖的批准，然后将买卖匹配的成立通知给数据管理部808。
当从匹配部807被通知买卖匹配成立时，数据管理部808从物理感测数据存储部804和/或虚拟感测数据/可靠性数据存储部803读出提供侧的物理感测数据、虚拟感测数据和/或可靠性数据，并发送到发送部809。
发送部809从数据管理部808接收物理感测数据、虚拟感测数据和/或可靠性数据，并将其发送到应用装置。另外，发送部809可以将物理感测数据、虚拟感测数据和/或可靠性数据结合起来之后发送，也可以直接发送独立的数据。并且，发送部809也可以使物理感测数据、虚拟感测数据和/或可靠性数据的目的地和/或路径不同。
数据生成装置200从接收部801取得物理感测数据和动作条件数据，从判定基准/计算基准存储部802取得判定基准和计算基准。此外，数据生成装置200还可以从接收部801取得由外部装置生成的虚拟感测数据。数据生成装置200通过如上述那样进行动作，生成虚拟感测数据11、虚拟感测数据12、可靠性数据13以及可靠性数据14的一部分或全部，并发送到虚拟感测数据/可靠性数据存储部803。该虚拟感测数据和/或可靠性数据被保存在虚拟感测数据/可靠性数据存储部803中。
如以上说明的那样，在变形例＜4.3＞中，实施方式的数据生成装置200被组装到服务器中。因此，根据该变形例，在传感器装置等下位的装置无法生成上述虚拟感测数据11、虚拟感测数据12、可靠性数据13以及可靠性数据14中的至少一部分的情况下，也能够补充所需的虚拟感测数据和/或可靠性数据。并且，根据该变形例，能够利用服务器的处理器和存储器等硬件资源来实现数据生成装置200。
另外，变形例＜4.3＞的服务器也可以不直接进行买卖匹配，而是将买卖匹配委托给未图示的匹配服务器。或者，也可以不进行买卖匹配。在这些情况下，可以省略与买卖匹配相关的构成要素，例如提供侧数据目录存储部805、利用侧数据目录存储部806以及匹配部807。
＜4.4＞
例如，数据生成装置200可组装到应用装置中。该应用装置的功能结构可以相当于例如将图70所示的通信装置的发送部703置换为用于进行物理感测数据、虚拟感测数据和/或可靠性数据的有效利用的构成要素的结构。
根据该变形例＜4.4＞的应用装置，在提供不包含上述虚拟感测数据11、虚拟感测数据12、可靠性数据13以及可靠性数据14中的至少一部分的数据的情况下，也能够补充所需的虚拟感测数据和/或可靠性数据而进行有效利用。并且，根据该变形例，能够利用应用装置的处理器和存储器等硬件资源来实现数据生成装置200。
＜4.5＞
虚拟感测数据11和/或虚拟感测数据12还可以作为表示物理感测数据和/或虚拟感测数据的测量环境的元数据来处理。通过利用该元数据，能够容易地进行用于有效利用物理感测数据和/或虚拟感测数据的预处理。并且，通过利用元数据，容易进行物理感测数据和/或虚拟感测数据的整理，例如表的生成。此外，也能够通过利用元数据来检测事件。
＜4.6＞
在实施方式的说明中，对使用设定了已学习模型的神经网络来实现状况的判定和/或可靠性的计算的例子进行了介绍。在利用了这样的AI(Artificial Intelligence：人工智能)的方法中，也可以使用因果关系模型、决策树、支持向量机(SVM)等。
但是，这里说明的实施方式在所有方面全都只不过是本公开的例示。当然可以在不脱离本公开的范围的情况下进行各种改良和变形。也就是说，在实施本公开时，也可以适当采用与实施方式对应的具体结构。另外，虽然利用自然语言对在各实施方式中出现的数据进行了说明，但更具体来说，是通过计算机可识别的伪语言、指令、参数、机器语言等指定的。
上述各实施方式的一部分或全部除了权利要求书的范围以外，还可以如以下所示进行记载，但并不限于此。
一种数据生成装置，其具有：
第1取得部(101)，其取得通过物理传感器对感测对象进行观测而得到的物理感测数据；
第2取得部(102)，其取得表示与所述物理传感器的周围的状况相关的第1判定结果的第1虚拟感测数据；
第3取得部(103)，其取得针对作为判定对象的状况项目确定的多个判定基准；
第1选择部(111)，其从取得的所述多个判定基准中，选择与所述第1虚拟感测数据对应的1个判定基准；以及
判定部(112)，其针对各个所述状况项目，使用选择出的所述判定基准，根据取得的所述物理感测数据来判定所述物理传感器的周围的状况，并生成表示与该状况相关的第2判定结果的第2虚拟感测数据。
标号说明
11、12、15、16、17：虚拟感测数据；13、14：可靠性数据；100、200：数据生成装置；101、301：物理感测数据取得部；102、302：虚拟感测数据取得部；103、303：判定基准取得部；111、321：判定基准选择部；112、311、322：状况判定部；211：控制部；212：存储部；213：通信接口；214：输入装置；215：输出装置；216：外部接口；217：驱动器；218：存储介质；304：计算基准取得部；305：动作条件数据取得部；310：第1虚拟感测数据生成部；320：第2虚拟感测数据生成部；330：第1可靠性数据生成部；331、342：可靠性计算部；340：第2可靠性数据生成部；341：计算基准选择部；350：数据输出部；400：传感器装置；410：通信装置；420：服务器；430：应用装置；601：物理传感器控制部；602：动作条件数据存储部；610：物理传感器部；611：照度传感器；612：声压传感器；613：加速度传感器；614：气体传感器；615：气压传感器；621、703、809：发送部；622、702、802：判定基准/计算基准存储部；623、701、801：接收部；803：虚拟感测数据/可靠性数据存储部；804：物理感测数据存储部；805：提供侧DC存储部；806：利用侧DC存储部；807：匹配部；808：数据管理部。

Claims (13)

1.一种数据生成装置，其具有：
第1取得部，其取得通过物理传感器对感测对象进行观测而得到的物理感测数据；
第2取得部，其取得表示与所述物理传感器的周围的状况相关的第1判定结果的第1虚拟感测数据；
第3取得部，其取得针对作为判定对象的状况项目确定的多个判定基准；
第1选择部，其从取得的所述多个判定基准中，选择与所述第1虚拟感测数据对应的1个判定基准；以及
判定部，其针对各个所述状况项目，使用选择出的所述判定基准，根据取得的所述物理感测数据来判定所述物理传感器的周围的状况，并生成表示与该状况相关的第2判定结果的第2虚拟感测数据，
所述第2取得部还取得第3虚拟感测数据，该第3虚拟感测数据表示与所述物理传感器的周围的状况相关的第3判定结果，
所述数据生成装置还具有：
第4取得部，其取得第1计算基准；以及
第1计算部，其使用取得的所述第1计算基准，根据取得的所述第3虚拟感测数据来计算感测数据的可靠性，生成第1可靠性数据。
2.根据权利要求1所述的数据生成装置，其中，
所述判定基准包含针对所述物理感测数据的原始数据和该原始数据的已加工数据中的至少1个的基准值。
3.根据权利要求1所述的数据生成装置，其中，
所述判定基准包含通过进行如下的机器学习而生成的已学习模型：该机器学习是根据在与该判定基准相对应的第1虚拟感测数据所示的状况下生成的学习用物理感测数据来判定状况。
4.根据权利要求1所述的数据生成装置，其中，
所述第1可靠性数据表示所述感测数据分别相对于影响所述感测数据的可靠性的至少1个因素的可靠性。
5.根据权利要求1所述的数据生成装置，其中，
所述第1计算基准包含分配给所述第3虚拟感测数据所包含的各个状况项目的权重系数，
所述第1计算部使用所述第3虚拟感测数据中的各状况项目的值和分配给该状况项目的权重系数来进行运算，并根据该运算的结果来计算所述感测数据的可靠性。
6.根据权利要求1所述的数据生成装置，其中，
所述第1计算基准包含通过进行如下的机器学习而生成的已学习模型：该机器学习是根据学习用虚拟感测数据来计算在该学习用虚拟感测数据所示的状况下生成的感测数据的可靠性。
7.根据权利要求1所述的数据生成装置，其中，
所述第2取得部还取得第4虚拟感测数据，该第4虚拟感测数据表示与所述物理传感器的周围的状况相关的第4判定结果，
所述第4取得部还取得多个第2计算基准，
所述数据生成装置还具有：
第5取得部，其取得表示物理传感器的动作条件的动作条件数据；
第2选择部，其从所述多个第2计算基准中，选择与所述第4虚拟感测数据对应的1个；以及
第2计算部，其使用选择出的所述第2计算基准，根据取得的所述动作条件数据来计算所述感测数据的可靠性，生成第2可靠性数据。
8.根据权利要求7所述的数据生成装置，其中，
所述第2可靠性数据表示在所述第4虚拟感测数据所示的状况下按照所述动作条件数据所示的动作条件进行动作的物理传感器所生成的所述物理感测数据相对于噪声的可靠性。
9.根据权利要求7或8所述的数据生成装置，其中，
所述第2计算基准包含针对所述动作条件数据所示的动作条件中的至少1个的基准值。
10.根据权利要求7或8所述的数据生成装置，其中，
所述第2计算基准包含通过进行如下的机器学习而生成的已学习模型：该机器学习是根据学习用动作条件数据来计算依据该学习用动作条件数据所示的动作条件的物理传感器所生成的感测数据的可靠性。
11.一种传感器装置，其具有：
权利要求1至10中的任意一项所述的数据生成装置；以及
所述物理传感器。
12.一种数据生成方法，其具有由计算机执行的如下步骤：
取得通过物理传感器对感测对象进行观测而得到的物理感测数据；
取得表示与所述物理传感器的周围的状况相关的第1判定结果的第1虚拟感测数据；
取得针对作为判定对象的状况项目确定的多个判定基准；
从取得的所述多个判定基准中，选择与所述第1虚拟感测数据对应的1个判定基准；
针对各个所述状况项目，使用选择出的所述判定基准，根据取得的所述物理感测数据来判定所述物理传感器的周围的状况，并生成表示与该状况相关的第2判定结果的第2虚拟感测数据；
还取得第3虚拟感测数据，该第3虚拟感测数据表示与所述物理传感器的周围的状况相关的第3判定结果；
取得第1计算基准；以及
使用取得的所述第1计算基准，根据取得的所述第3虚拟感测数据来计算感测数据的可靠性，生成第1可靠性数据。
13.一种记录介质，其记录有数据生成程序，该数据生成程序用于使计算机执行如下的步骤：
取得通过物理传感器对感测对象进行观测而得到的物理感测数据；
取得表示与所述物理传感器的周围的状况相关的第1判定结果的第1虚拟感测数据；
取得针对作为判定对象的状况项目确定的多个判定基准；
从取得的所述多个判定基准中，选择与所述第1虚拟感测数据对应的1个判定基准；
针对各个所述状况项目，使用选择出的所述判定基准，根据取得的所述物理感测数据来判定所述物理传感器的周围的状况，并生成表示与该状况相关的第2判定结果的第2虚拟感测数据；
还取得第3虚拟感测数据，该第3虚拟感测数据表示与所述物理传感器的周围的状况相关的第3判定结果；
取得第1计算基准；以及
使用取得的所述第1计算基准，根据取得的所述第3虚拟感测数据来计算感测数据的可靠性，生成第1可靠性数据。
CN201880077124.6A 2017-12-01 2018-11-28 数据生成装置、数据生成方法、数据生成程序及传感器装置 Active CN111417968B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2017-232034 2017-12-01
JP2017232034A JP6848842B2 (ja) 2017-12-01 2017-12-01 データ生成装置、データ生成方法、データ生成プログラムおよびセンサ装置
PCT/JP2018/043762 WO2019107404A1 (ja) 2017-12-01 2018-11-28 データ生成装置、データ生成方法、データ生成プログラムおよびセンサ装置

Publications (2)

Publication Number Publication Date
CN111417968A CN111417968A (zh) 2020-07-14
CN111417968B true CN111417968B (zh) 2023-12-15

Family

ID=66664992

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880077124.6A Active CN111417968B (zh) 2017-12-01 2018-11-28 数据生成装置、数据生成方法、数据生成程序及传感器装置

Country Status (4)

Country Link
US (1) US11657303B2 (zh)
JP (1) JP6848842B2 (zh)
CN (1) CN111417968B (zh)
WO (1) WO2019107404A1 (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101331504A (zh) * 2005-11-18 2008-12-24 卡特彼勒公司 基于处理模型的虚拟传感器系统和方法
CN101681155A (zh) * 2007-06-15 2010-03-24 卡特彼勒公司 虚拟传感器系统和方法
CN106465564A (zh) * 2014-05-21 2017-02-22 亚马逊科技公司 虚拟数据中心环境监测系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008059160A (ja) * 2006-08-30 2008-03-13 Ntt Comware Corp センサノードシステム、方法、端末およびプログラム
US7917333B2 (en) * 2008-08-20 2011-03-29 Caterpillar Inc. Virtual sensor network (VSN) based control system and method
JP5018914B2 (ja) * 2010-03-03 2012-09-05 沖電気工業株式会社 センサデータ提供システム、方法及び装置
EP2743883B1 (en) * 2011-08-12 2017-09-06 Omron Corporation Information management device, network system, information management program, and information management method
JP2013162258A (ja) * 2012-02-03 2013-08-19 Omron Corp 無線通信ノード、ゲーム実行装置、仲介装置
JP5948938B2 (ja) * 2012-02-20 2016-07-06 沖電気工業株式会社 データ生成装置、方法およびプログラム
KR101909270B1 (ko) * 2012-07-09 2018-12-18 한국전자통신연구원 센서 네트워크의 가상 센서 생성 장치 및 방법
JP2014045242A (ja) 2012-08-24 2014-03-13 Oki Electric Ind Co Ltd 仮想センサ生成装置、仮想センサ生成方法およびプログラム
US9726498B2 (en) * 2012-11-29 2017-08-08 Sensor Platforms, Inc. Combining monitoring sensor measurements and system signals to determine device context
US20160217674A1 (en) * 2015-01-26 2016-07-28 Trane International Inc. Remote monitoring of an hvac system for fault detection and diagnostics
WO2016205414A1 (en) * 2015-06-15 2016-12-22 Vital Labs, Inc. Method and system for cardiovascular disease assessment and management

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101331504A (zh) * 2005-11-18 2008-12-24 卡特彼勒公司 基于处理模型的虚拟传感器系统和方法
CN101681155A (zh) * 2007-06-15 2010-03-24 卡特彼勒公司 虚拟传感器系统和方法
CN106465564A (zh) * 2014-05-21 2017-02-22 亚马逊科技公司 虚拟数据中心环境监测系统

Also Published As

Publication number Publication date
JP6848842B2 (ja) 2021-03-24
CN111417968A (zh) 2020-07-14
JP2019101749A (ja) 2019-06-24
WO2019107404A1 (ja) 2019-06-06
US11657303B2 (en) 2023-05-23
US20210174225A1 (en) 2021-06-10

Similar Documents

Publication Publication Date Title
Hevesi et al. Monitoring household activities and user location with a cheap, unobtrusive thermal sensor array
Trivedi et al. Occupancy detection systems for indoor environments: A survey of approaches and methods
US20210164663A1 (en) Integrated management method and system for kitchen environment using artificial intelligence
US20090070283A1 (en) Apparatus and method of constructing user behavior pattern based on event log generated from context-aware system environment
CN110136832B (zh) 一种基于老年人日常行为的认知能力评估系统及方法
CN111433801A (zh) 数据生成装置、数据生成方法、数据生成程序及传感器装置
US20220276080A1 (en) Sensor fusion for fire detection & air quality monitoring
KR20130124184A (ko) 행동 기록을 이용한 사용자 상태 분석 장치 및 방법
US11340273B2 (en) Presence-in-house determination system and presence-in-house determination method
EP3193317A1 (en) Activity classification from audio
US10791607B1 (en) Configuring and controlling light emitters
CN107835659A (zh) 确定代谢参数
KR20080006981A (ko) 지능형 홈 서비스 제공 시스템 및 방법
JP2018180826A (ja) 居住情報管理装置および居住情報管理システム
US20210231336A1 (en) Air conditioner and control method thereof
KR20220014314A (ko) 실내 환경 관리 장치 및 그 동작방법
CN111417968B (zh) 数据生成装置、数据生成方法、数据生成程序及传感器装置
US11423762B1 (en) Providing device power-level notifications
Pazhoumand-Dar Fuzzy association rule mining for recognising daily activities using Kinect sensors and a single power meter
JP6866838B2 (ja) データ生成装置、データ生成方法、データ生成プログラムおよびセンサ装置
JP2021105941A (ja) 情報処理システム、生活評価方法およびプログラム
JP2019101742A (ja) データ生成装置、データ生成方法、データ生成プログラムおよびセンサ装置
JP6866837B2 (ja) データ生成装置、データ生成方法、データ生成プログラムおよびセンサ装置
Vafeiadis et al. Energy-based decision engine for household human activity recognition
Ishizu et al. Home Activity Pattern Estimation Using Aggregated Electricity Consumption Data.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant