IT201800005388A1 - Sistema e metodo di generazione di un indice di rischio danno per un’unità abitativa - Google Patents
Sistema e metodo di generazione di un indice di rischio danno per un’unità abitativa Download PDFInfo
- Publication number
- IT201800005388A1 IT201800005388A1 IT102018000005388A IT201800005388A IT201800005388A1 IT 201800005388 A1 IT201800005388 A1 IT 201800005388A1 IT 102018000005388 A IT102018000005388 A IT 102018000005388A IT 201800005388 A IT201800005388 A IT 201800005388A IT 201800005388 A1 IT201800005388 A1 IT 201800005388A1
- Authority
- IT
- Italy
- Prior art keywords
- damage
- user
- index
- data
- room
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 42
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 239000006227 byproduct Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000002650 habitual effect Effects 0.000 claims description 2
- 239000000047 product Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 5
- 239000007789 gas Substances 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 3
- 230000003442 weekly effect Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000003517 fume Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
- G06Q50/163—Real estate management
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Supply Devices, Intensifiers, Converters, And Telemotors (AREA)
- Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)
Description
DESCRIZIONE
La presente invenzione si riferisce in generale ai sistemi di housing sociale.
In particolare, la presente invenzione è relativa ad un sistema e ad un metodo di generazione di un indice di rischio danno per un locale di un appartamento o per un appartamento o per un immobile.
Nel contesto dell’housing sociale è noto prevedere che un immobile ospiti persone ad elevato turn over non proprietarie dell’immobile.
L’“housing sociale” è oggi riflesso in diverse forme sia sociali sia di profitto, e gestito sia da soggetti pubblici sia privati.
Tuttavia, i proprietari dell’immobile sono spesso all’oscuro riguardo sia alla tipologia di inquilino che occupa i locali dell’immobile, sia in merito agli effettivi consumi, nonché all’effettiva usura dell’immobile a causa della presenza dell’utente inquilino.
Ciò non consente né di pianificare un adeguato pianovita dell’immobile, né di valutare con anticipo le necessarie manutenzioni da svolgere sull’immobile, né di prevedere ed ottimizzare la destinazione d’uso dell’immobile a specifici inquilini.
Uno degli scopi della presente invenzione è di superare i suddetti inconvenienti dell’arte nota.
In accordo con l'invenzione, i suddetti scopi sono raggiunti da un metodo di generazione di un indice di rischio danno per un locale di un’unità abitativa o per un’unità abitativa, ad esempio per appartamento o per un immobile, comprende le fasi di:
a) prevedere una pluralità di sensori utenza adatti a rilevare almeno un dato di consumo di un’utenza di un locale, ad esempio un consumo di energia elettrica e/o acqua, ed almeno un sensore presenza, adatto a rilevare la presenza di un utente nel locale o nell’unità abitativa;
b) mediante il sensore di presenza, rilevare un dato di abitudine, relativo al periodo di tempo trascorso da almeno un utente in un locale, ad esempio un determinato numero di giorni di presenza nel locale o nell’unità abitativa durante la settimana;
c) mediante i sensori utenza, rilevare un dato di consumo, relativo ad un parametro di consumo di un’utenza, ad esempio di energia elettrica e/o acqua, da parte dell’almeno un utente in un determinato periodo temporale di presenza e per una durata in un determinato locale o unità abitativa;
d) memorizzare un dato anagrafico relativo all’almeno un utente del locale in mezzi di memorizzazione, ad esempio età, stato sociale, impiego, stato civile, componenti nucleo famigliare;
e) mediante un sensore danno, rilevare, ed eventualmente memorizzare, un dato danno, relativo ad un evento di danno in un determinato locale, detto dato danno comprendendo la durata temporale dell’evento di danno e la tipologia di evento di danno, ad esempio allagamento, cortocircuito, incendio;
f) calcolare un indice di stile di vita dell’utente associando il dato di consumo rilevato nella fase c) ed il dato anagrafico utente memorizzato nella fase d); g) calcolare un indice di abitudine di vita dell’utente associando il dato di abitudine rilevato nella fase b) ed il dato anagrafico utente memorizzato nella fase d); h) calcolare un indice di rischio danno come combinazione dell’indice di abitudine di vita, dell’indice di stile di vita e del dato danno.
Preferibilmente, l’indice di rischio danno è una somma o una somma pesata dell’indice di abitudine di vita, dell’indice di stile di vita e del dato danno.
Preferibilmente, l’indice di abitudine di vita per ciascun utente o tipologia di utente o pluralità di utenti è calcolato come la somma, eventualmente pesata, delle durate di presenza dell’utente in un periodo di riferimento, ad esempio un valore relativo al numero di giorni o ore in una settimana.
Preferibilmente, per ciascun utente, l’indice di stile di vita LS è calcolato come somma, eventualmente pesata, di una pluralità di dati di consumo riferiti ad una pluralità di utenze, ciascuno di detti dati di consumo essendo rilevato per una determinata durata di utilizzo in un determinato locale in relazione ad un determinato periodo temporale di presenza rispetto ad un periodo di riferimento predeterminato, ad esempio la somma dei consumi di energia elettrica e di acqua da parte dell’utente (dovuti all’utilizzo per una durata nel locale cucina nel periodo di durata temporale di presenza dell’utente nel locale, in relazione al periodo di riferimento di una settimana.
Preferibilmente, il metodo comprende inoltre le fasi di:
- calcolare un dato danno di riferimento per una tipologia di utente o per una tipologia di insieme di utenti (ad esempio una famiglia di quattro persone, 2 adulti e 2 bambini) mediante rilevazione di dati danno in un determinato periodo temporale, ad esempio per un anno, e mediante classificazione dei dati danno rilevati per tipologia (type) e gravità (severity);
- calcolare un indice di rischio frequenza danno come combinazione del dato danno di riferimento e dell’indice di rischio danno.
In accordo ad una forma vantaggiosa del metodo, la fase h) comprende le fasi di:
- calcolare un indice di esposizione rischio da abitudine di vita mediante prodotto del dato danno con l’indice di abitudine di vita;
- calcolare un indice di esposizione rischio da stile di vita mediante prodotto del dato danno con l’indice di stile di vita;
- calcolare un indice di esposizione rischio da tipologia di utenza mediante combinazione del dato danno il dato anagrafico dell’utente;
- calcolare l’indice di rischio danno come combinazione dell’indice di esposizione rischio da abitudine di vita, dell’indice di esposizione rischio da stile di vita e dell’indice di esposizione rischio da tipologia di utenza.
Gli scopi della presente invenzione sono inoltre raggiunti da un sistema di generazione di un indice di rischio danno per un locale di un appartamento o per un appartamento o per un immobile.
Il sistema comprende una pluralità di sensori adatti a rilevare almeno un dato di consumo di un’utenza di un locale, ad esempio un consumo di energia elettrica e/o acqua, almeno un sensore presenza, adatto a rilevare un dato di presenza di un utente nel locale e almeno un sensore danno, adatto a rilevare un dato danno in un locale, cioè relativo all’accadimento di un danno, ad esempio un allagamento o un incendio.
Il sistema comprende inoltre mezzi di memorizzazione per la memorizzazione del dato di consumo dell’utenza di un locale, del dato di presenza di un utente nel locale, del dato di danno e di almeno un dato anagrafico dell’utente.
Il sistema comprende inoltre un elaboratore configurato per eseguire le seguenti fasi:
- calcolare un indice di stile di vita (LS) dell’utente in funzione del dato di consumo e del dato anagrafico rilevati;
- calcolare un indice di abitudine di vita (LH) dell’utente in funzione del dato di abitudine e del dato anagrafico;
- calcolare un indice di rischio danno in funzione dell’indice di abitudine di vita, dell’indice di stile di vita e del dato danno.
Ulteriormente, gli scopi della presente invenzione sono raggiunti mediante un programma per elaboratore eseguibile da un dispositivo di elaborazione, comprendente moduli di codice per implementare le fasi da b ad h) del metodo sopra descritto. Il programma per elaboratore è memorizzabile su un prodotto informatico adatto ad essere letto ed eseguito da un elaboratore. Le caratteristiche ed i vantaggi del sistema e del metodo di generazione di un indice di rischio danno, saranno evidenti dalla descrizione di seguito riportata, data a titolo esemplificativo e non limitativo.
Preferibilmente, il sistema comprende una pluralità di sensori applicati all’ambiente ed un elaboratore, ad esempio un sistema informatico di archiviazione elaborazione e calcolo dei dati (centro di calcolo). L’applicazione del sistema e del metodo qui descritto consente di generare un indice di rischio danno (DFI) e/o un indice di rischio frequenza danno (DFI_risk) per le decisioni di manutenzione e prevenzione di danni ad uno o più locali di un appartamento o di un immobile. I dati acquisiti mediante i sensori sono acquisiti con continuità temporale oppure in modalità ad evento (event based). Nel caso di continuità temporale un sistema di elaborazione e acquisizione locale previsto in prossimità del locale o dell’appartamento o dell’immobile rileva periodicamente i dati dai sensori, mentre nel caso di acquisizione in modalità ad evento viene rilevato un dato solo in funzione di un determinato accadimento. Il sistema di elaborazione e acquisizione locale provvede alla rielaborazione dei dati rilevati ed è adatto a generare un pacchetto di dati per l’invio ad un elaboratore (ad esempio ad un centro di calcolo) remoto. Il pacchetto di dati ricevuti dall’elaboratore sono elaborati come di seguito descritto.
Nell’elaboratore è preferibilmente memorizzato un dato anagrafico dell’utente o della pluralità di utenti che accedono al locale o all’appartamento o all’immobile, ad esempio informazioni utente come cittadinanza, residenza, professione, data nascita, numero ed età presunta delle persone abitanti il locale o la loro frequenza.
Nell’elaboratore è preferibilmente memorizzato un dato relativo ad informazioni contrattuali o di posizione, ad esempio l’unità assegnata, un dato di geolocalizzazione, nucleo abitativo, data cessazione del contratto, data sottoscrizione del contratto.
Ulteriormente, di preferenza, nell’elaboratore sono memorizzati pattern di dati, ovvero modelli o schemi di dati configurati per caratterizzare in funzione del tempo ed in maniera quantitativa una dimensione specifica osservata (ad esempio una rappresentazione di un abitudine o di uno stile di vita) e aggiornata secondo una combinazione di variabili riferite ad una specifico locale, o appartamento o immobile, che, nel proseguo della descrizione saranno indicati con il termine generico di unità abitativa (UA).
La combinazione di variabili che sono aggiornate periodicamente comprende preferibilmente le seguenti variabili:
- tempo di utilizzo (UT) dell’unità abitativa;
- informazioni utente (UI) (ad esempio numero di utenti, età media);
- periodo (P), ad esempio giorni della settimana, settimana, mese, anno;
- durata (D) di utilizzo, ad esempio minuti totali, o ore;
- spazio (S), cioè un indice della zona o del locale occupato da un utente;
- consumo (Ct), ad esempio la quantità di energia elettrica, acqua o gas consumata;
- stato meteorologico (W), ad esempio un indice di temperatura o condizioni metereologiche.
Senza perdere di generalità, nel procedimento di seguito dettagliato, verrà descritta una combinazione semplificata di pattern di dati legata a misurazioni delle variabili, periodo P (in settimane), durata D (in ore) e consumo C (energia elettrica). Tuttavia è possibile considerare anche ulteriori tipologie di misurazioni.
Preferibilmente i sensori adatti a rilevare i dati sono sensori ambiente adatti a rilevare temperatura, oppure umidità, oppure acqua, oppure gas, oppure fumi, oppure la presenza di un individuo in un locale, microfoni. Preferibilmente, i dati rilevati dai sensori sono raccolti e collezionati in un data base unico (data collection), memorizzato nell’elaboratore (centro di calcolo).
Nel proseguo della descrizione verranno descritte in maggior dettaglio le fasi per il calcolo dell’indice di rischio frequenza danno (DFI) per ciascun utente o pluralità di utenti che usufruiscono di un’unità abitativa (ad esempio di un locatario).
Preferibilmente, un coefficiente di merito (MIS) è calcolato come indice di punteggio normalizzato (ad esempio fra 1 e 10 o 1 e 1000) in funzione dell’indice di rischio danno (DFI) calcolato.
Nella descrizione seguente non saranno descritte le procedure di clustering, note al tecnico del settore, e tipiche dell’ordinamento di dati, per classi. Viene qui invece dettagliata la definizione delle relatitivities Wg, cioè dei singoli pesi adatti ad esprimere il valore di significatività di ogni variabile. Ciascuno di detti pesi (o relativities) Wg è determinato automaticamente dalla distanza relativa tra un dato pattern di dati dal raggruppamento benchmark di riferimento (cioè dal pattern di dati di riferimento), ad esempio riferito ad un dato fenomeno che, in un caso specifico, è relativo ad un danno. Ad esempio, il pattern di dati di riferimento relativo ad un evento di allagamento (cioè ad un danno rilevato e validato) è stimato sulla base informativa dei dati attuali rilevati come insieme di pattern di dati relativi alle abitudini e stile di vita legati alle variabili di consumo e frequenza di utilizzo dell’immobile da parte di una specifica utenza.
Preferibilmente, il metodo di generazione di un indice di rischio danno comprende la fase di quantificazione delle variabili (P, D, C, W) con elevati volumi di dati in input con procedure di binning. In altre parole, ad esempio, i dati con informazioni analogiche ad elevata scala quali quelle temporali (giorni dell’anno) o quali quelle derivanti da elevate combinazioni (esempio condizioni metereologiche per posizione geografica) vengono ridotte con procedure per semplificarne l’elaborazione senza penalizzare il risultato finale. Preferibilmente, le grandezze nel periodo base P e negli spazi S, sono inizializzate in tabelle massive specifiche, oggetto delle procedure di aggregazione (ordinamento).
Tutte le tabelle massive comprendenti i valori delle variabili D, C, W e vengono processate per verificarne la coerenza e l’accuratezza. In particolare, per ciascun valore delle variabili il metodo prevede di:
a) verificare che il valore rispetta l’intervallo di valori assegnato alla categoria (esempio: durata in minuti non può essere superiore a 1440);
b) in caso di dualità di dato per uno stesso UI viene mantenuto l’ultimo dato attualizzato nel periodo secondo il valore di timestamp (data, ore, minuti, secondi) rilevato;
c) il dato danno, relativo ad un evento danno DE è validato da un riscontro (intervento o accertamento) per il primo periodo ciclico di collezione dei dati e di valorizzazione dei pattern di dati (fase di consolidamento dei benchmark).
Preferibilmente, un periodo ciclico ritenuto ottimale per la collezione e la valorizzazione dei pattern di dati, ad esempio per pattern di dati di rifermento, quali ad esempio i dati danno di riferimento DD_bench, successivamente descritti, prevede un campionamento di dati stagionale; ad esempio di 12 mesi.
Inoltre, di preferenza, il metodo secondo la presente invenzione comprende le fasi di
d) assicurare che ciascun dato rilevato dai sensori sia un dato completo, cioè comprendente ed indicizzato con data e tempo (timestamp) e identificativo dell’unità immobiliare (UA).
e) ogni valore (dato) delle variabili abbia almeno un corrispettivo contiguo precedente (es: ad esempio su uno schema con base settimanale, la durata D riferita al giorno “mercoledi” è valida se esiste la durata D riferita al giorno “martedi” e così via nella serie a ritroso).
Preferibilmente, il metodo prevede la fase di quantizzare le variabili rispetto ad una base di riferimento: periodo P, zona S, stato W. Ad esempio, è possibile scegliere per la fase di inizializzazione di un pattern di dati di riferimento (cioè per il training del pattern di dati di riferimento o benchmark) P=mese, W=4 stati (cloudly, sunny, raining, winning).
Successivamente, il metodo prevede di eseguire procedure di classificazione e ordinamento (clustering) in base all’informazione utente UI_id, cioè in base ad un’unità univoca di identificazione (ad esempio un singolo utente o una pluralità di utenti, ad esempio un nucleo famigliare di quattro persone). Ogni variabile è quindi valorizzata in una tabella specifica con un’associazione di un codice identificativo dell’utente e del cluster che l’ha generata.
Per la classificazione rappresentativa dell’utenza, si effettua in unica tabella UI_id l’unione dei dati fra la quantizzazione della tipologia di utenza reale UI_detected come ad esempio in: nucleo 4 persone, nucleo 1, nucleo 2 con permutazioni di età e sesso e la rappresentazione anagrafica.
Preferibilmente, una procedura di clustering viene eseguita per l’aggiornamento di un dato danno di riferimento DE_bench (creazione della tabella i-esima DE_bench) che costituisce l’insieme di tutti i pattern DE_id nel periodo P che:
i) abbiano uguale distanza per “type” e “severity”, descritti successivamente nel proseguo della descrizione;
e
ii) Abbiano valori di correlazione Cij (in regressione lineare) fra le grandezze Typei e LHj o LHj.
Tali pattern costituiscono preferibilmente il benchmark di riferimento k-esimo nella costellazione degli eventi DE. Il numero dei benchmark (tabelle DE_bench) costituiscono il Predictive Set (cioè l’insieme dei pattern di dati benchmark di riferimento) utile al calcolo DFI di seguito descritto.
Il metodo comprende inoltre la fase di calcolare indice di abitudine di vita (LH) dell’utente in funzione del dato di abitudine e del dato anagrafico (o informazione utente UI_id) rilevati, come:
;
Ove: max P è il sottoperiodo massimo nel periodo (P) (ad esempio ventiquattresima ora, settimo giorno, ventottesimo, trentesimo o trentunesimo giorno) e Dp è la durata D di presenza dell’utente.
Le tabelle ottenute sono popolate su base UI (indicatore univoco) per ogni valore binnato della funzione
ove i pesi Wg sono determinati e aggiornati automaticamente su base significatività del sottoperiodo Dp.
Il metodo comprende inoltre la fase di calcolare un indice di stile di vita (LS) dell’utente in funzione del dato di consumo e del dato anagrafico (o informazione utente UI) rilevati, come:
Ove: max P è il sottoperiodo massimo nel periodo (P) (ad esempio ventiquattresima ora, settimo giorno, ventottesimo, trentesimo o trentunesimo giorno), t è la discriminante delle tipologie di energia (elettrica, acqua, gas), quindi tipicamente n=3, Dp è la durata D di presenza dell’utente e Ds è la durata di frequentazione del locale s.
Le tabelle ottenute sono popolate su base UI (indicatore univoco) per ogni valore binnato della funzione
ove i pesi Wg sono determinati e aggiornati automaticamente su base significatività del sottoperiodo Dp.
Di seguito viene descritto un esempio non limitativo del calcolo di un indice di abitudine di vita (LH) e (di un indice di stile di vita (LS).
Per uno specifico utente, ad esempio un locatario, avente UI_id=1 su base settimanale P=[D1,..,D7] nel periodo della settimana fiscale 45. Assumendo, per semplicità: - significatività statistica Wg =1;
- sotto-periodi Dp: D1=[mattino]=D2=[pomeriggio]=D3=[notte]=1, cioè utente sempre presente, allora Di=1 (i=1,2,3).
La funzione f(Dp, P, W) nella sola riga UI_id=1 della tabella schema LH(n) su periodo P (ove n è la popolazione nel periodo) è pari a Dp(bin)=24 (semanticamente equivalente a 24 ore di utilizzo) se ΣDiWg diverso da 0 (ove ΣDi=1 se e solo se Di=1 per almeno i=1,2 o 3) ovvero, ad esempio, se nel periodo di 24 ore è stata rilevata una presenza indipendentemente dai sotto-periodi D1, D2, D3 derivanti dalla procedura di binning.
La rappresentazione tabellare finale può essere schematizzata nella tabella 1 seguente per un esempio risultato da proiezione della settimana fiscale 45 dello schema settimanale:
Tabella 1
Nel caso rappresentato in tabella sopra, l’indice di abitudine di vita LH risulta essere pari a
LH45 (1) = 72
Analoga applicazione per la dimensione caratteristica LS è applicata con l’aggiunta delle differenti tipologie di consumo energetico rilevate Ct rispetto ai vani s considerati.
Il metodo in accordo alla presente invenzione, prevede inoltre di memorizzare un dato danno, relativo ad un evento danno (DE) rilevato. Il dato danno è ad esempio descritto mediante uno schema di dati statico, ad esempio illustrato nella tabella seguente,
dove:
- Type = valore discreto [1 = acqua/allagamento, 2= assenza energia/cortocircuito, 3 = fumo/incendio, 4 = gas/scoppio];
- Durata = durata del rilevamento (ad esempio normalizzato in h-ore decimale);
- Severity = durata (con valori discreti massimi determinati dal contesto e dal Type).
Il valore complessivo è la risultanza moltiplicativa fra le due variabili Type e Durata.
In accordo ad una forma di realizzazione vantaggiosa del metodo secondo la presente invenzione, per il calcolo dell’indice di rischio danno (DFI) (fase h) del metodo) sono altresì previste le seguenti fasi:
- calcolare un indice di esposizione rischio da abitudine di vita (HRR) mediante prodotto del dato danno con l’indice di abitudine di vita (LH);
- calcolare un indice di esposizione rischio da stile di vita (SRR) mediante prodotto del dato danno con l’indice di stile di vita (LS);
- calcolare un indice di esposizione rischio da tipologia di utenza (URR) mediante combinazione del dato danno il dato anagrafico dell’utente;
- calcolare l’indice di rischio danno (DFI) come combinazione dell’indice di esposizione rischio da abitudine di vita (HRR), dell’indice di esposizione rischio da stile di vita (SRR) e dell’indice di esposizione rischio da tipologia di utenza (URR).
Preferibilmente, l’indice di esposizione rischio da abitudine di vita (HRR) è calcolato come
dove DEUA_id è il numero dei dati danno, relativi ad eventi danno (DE) sopra una determinato soglia di gravità (ad esempio severity >= 1) e LHUA_id è indice di abitudine di vita (LH) dell’utente per una unità abitativa.
Preferibilmente, l’indice di esposizione rischio da stile d i vita (SRR) è calcolato come
dove DEUA_id è il numero dei dati danno, relativi ad eventi danno (DE) sopra una determinato soglia di gravità (ad esempio severity >= 1) e LSUA_id è l’indice di stile di vita (LS) dell’utente per una unità abitativa.
Preferibilmente, l’indice di esposizione rischio da <tipo> <logia di utenza (URR) è calcolato come>
dove DEUA_id è il numero dei dati danno, relativi ad eventi danno (DE) sopra una determinato soglia di gravità (ad esempio severity >= 1) e UItranspose_id è la rappresentazione trasposta per tipologia di utente UI_id.
Preferibilmente, il metodo prevede inoltre di calcolare un indice intermedio Comp(UA_id) come somma o come somma normalizzata degli indici HRR, SRR e URR:
Vale che, se Comp è uguale a 0 allora HRR=SRR=URR=0. Ulteriormente, di preferenza, il metodo prevede di calcolare un indice di rischio frequenza danno (DFI_risk).
In particolare, per il calcolo di tale un indice di rischio frequenza danno (DFI_risk) il metodo comprende le fasi di:
- calcolare un dato danno di riferimento DE_bench per una tipologia di utente o per una tipologia di insieme di utenti (ad esempio una famiglia di quattro persone, 2 adulti e 2 bambini), mediante rilevazione di dati danno in un determinato periodo temporale P, ad esempio per un anno, e mediante classificazione dei dati danno rilevati per tipologia (type) e gravità (severity), come descritto in precedenza;
- calcolare un indice di rischio frequenza danno come combinazione del dato danno di riferimento e dell’indice di rischio danno.
Preferibilmente, l’indice di rischio frequenza danno (DFI_risk) è calcolato come:
dove: i è il valore dell’i-esimo dato danno di riferimento(cioè lo schema relativo ad un determinato evento di danno DE) e n è il numero massimo degli eventi di un cluster j-esimo per tipo di danno (type) riferito all’utente UI_id.
La funzione definisce un coefficiente di rischio per utente basato sulle tipologie (type) di evento di rischio.
La tabella 2 qui di seguito mostra un esempio di calcolo di indice di rischio di frequenza danno per unità abitativa (UA) e per utente.
Tabella 2
Innovativamente, il metodo ed il sistema sopra descritti secondo la presente invenzione è possibile proteggere in maniera preventiva un locale o un immobile dai danni derivanti dall’utilizzo da parte di una specifica utenza. Infatti, l’indice di rischio danno fornisce una misura proporzionale all’intensità di utilizzo dell’immobile e alla probabilità di accadimento di un danno rispetto al profilo dell’utente del locale o dell’immobile.
Inoltre, l’indice di rischio danno consente di individuare deviazioni da un utilizzo medio da parte di una tipologia di utente, tali da suggerire un aumento probabilistico di accadimenti rischiosi per l’immobile o l’utente stesso.
Ulteriormente, il calcolo dell’indice di rischio danno (DFI) come combinazione dell’indice di esposizione rischio da abitudine di vita (HRR), dell’indice di esposizione rischio da stile di vita (SRR) e dell’indice di esposizione rischio da tipologia di utenza (URR), consente di ottenere una misura affidabile del rischio di accadimento di un danno e, pertanto, consentire un intervento preventivo sul locale o sull’utente, permettendo quindi di ridurre eventuali sprechi di risorse, migliorando quindi l’efficienza energetica complessiva del locale o dell’immobile ed il conseguente impatto sull’ambiente.
E' chiaro che un tecnico del ramo, al fine di soddisfare esigenze contingenti e specifiche, potrà apportare modifiche all’invenzione sopra descritta, tutte peraltro contenute nell'ambito di tutela come definito dalle rivendicazioni seguenti.
Claims (12)
- RIVENDICAZIONI 1. Metodo di generazione di un indice di rischio danno per un locale di un’unità abitativa o per unità abitativa, ad esempio per un appartamento o per un immobile, detto metodo comprendendo le fasi di: a) prevedere una pluralità di sensori utenza adatti a rilevare almeno un dato di consumo di un’utenza di un locale (s) o di un’unità abitativa, ad esempio un consumo di energia elettrica e/o acqua, ed almeno un sensore presenza, adatto a rilevare la presenza di un utente nel locale o nell’unità abitativa; b) mediante il sensore di presenza, rilevare un dato di abitudine (P, Dp), relativo al periodo di tempo trascorso da almeno un utente (UI_id) in un locale (s), ad esempio un determinato numero di giorni di presenza nel locale (s) durante la settimana; c) mediante i sensori utenza, rilevare un dato di consumo (Ct), relativo ad un parametro di consumo di un’utenza (t), ad esempio di energia elettrica e/o acqua, da parte dell’almeno un utente (UI_id) in un determinato periodo temporale di presenza (Dp) e per una durata (Ds) in un determinato locale (s) o unità abitativa; d) memorizzare un dato anagrafico (UI_id) relativo all’almeno un utente del locale (s) o dell’unità abitativa in mezzi di memorizzazione, ad esempio età, stato sociale, impiego, stato civile, componenti nucleo famigliare; e) mediante un sensore danno, rilevare ed eventualmente memorizzare un dato danno, relativo ad un evento di danno (DE) in un determinato locale (s), detto dato danno comprendendo la durata temporale dell’evento di danno e la tipologia di evento di danno, ad esempio allagamento, cortocircuito, incendio; f) calcolare un indice di stile di vita (LS) dell’utente associando il dato di consumo rilevato nella fase c) ed il dato anagrafico utente memorizzato nella fase d); g) calcolare un indice di abitudine di vita (LH) dell’utente associando il dato di abitudine rilevato nella fase b) ed il dato anagrafico utente memorizzato nella fase d); h) calcolare un indice di rischio danno come combinazione dell’indice di abitudine di vita (LH), dell’indice di stile di vita (LS) e del dato danno relativo all’evento danno (DE).
- 2. Metodo secondo la rivendicazione 1, in cui l’indice di rischio danno è una somma o una somma pesata dell’indice di abitudine di vita (LH), dell’indice di stile di vita (LS) e del dato danno.
- 3. Metodo secondo la rivendicazione 1 o 2, in cui l’indice di abitudine di vita (LH) per ciascun utente (UI_id) è calcolato come la somma, eventualmente pesata, delle durate di presenza (Dp) dell’utente (UI_id) in un periodo di riferimento (P), ad esempio un valore relativo al numero di giorni o ore in una settimana.
- 4. Metodo secondo una qualsiasi delle rivendicazioni precedenti, in cui per ciascun utente (UI_id) l’indice di stile di vita (LS) è calcolato come somma, eventualmente pesata, di una pluralità di dati di consumo (Ct) riferiti ad una pluralità di utenze (t), ciascuno di detti dati di consumo (Ct) essendo rilevato per una determinata durata di utilizzo (Ds) in un determinato locale (s) in relazione ad un determinato periodo temporale di presenza (Dp) rispetto ad un periodo di riferimento predeterminato (P), ad esempio la somma dei consumi di energia elettrica e di acqua da parte dell’utente (UI_id) dovuti all’utilizzo per una durata (Ds) nel locale (s) cucina nel periodo di durata temporale (Dp) di presenza dell’utente nel locale (UI_id) in relazione al periodo di riferimento (P) di una settimana.
- 5. Metodo secondo una qualsiasi delle rivendicazioni precedenti, comprendente inoltre le fasi di: - calcolare un dato danno di riferimento (DE_bench) per una tipologia di utente o per una tipologia di insieme di utenti (ad esempio per una famiglia di quattro persone, 2 adulti e 2 bambini), mediante rilevazione di dati danno in un determinato periodo temporale, ad esempio per un anno, e mediante classificazione dei dati danno rilevati per tipologia (type) e gravità (severity); - calcolare un indice di rischio frequenza danno come combinazione del dato danno di riferimento e dell’indice di rischio danno.
- 6. Metodo secondo una qualsiasi delle rivendicazioni precedenti, in cui la fase h) comprende la fase di: - calcolare un indice di esposizione rischio da abitudine di vita (HRR) mediante prodotto del dato danno con l’indice di abitudine di vita (LH); - calcolare un indice di esposizione rischio da stile di vita (SRR) mediante prodotto del dato danno con l’indice di stile di vita (LS); - calcolare un indice di esposizione rischio da tipologia di utenza (URR) mediante combinazione del dato danno con il dato anagrafico dell’utente; - calcolare l’indice di rischio danno come combinazione dell’indice di esposizione rischio da abitudine di vita (HRR), dell’indice di esposizione rischio da stile di vita (SRR) e dell’indice di esposizione rischio da tipologia di utenza (URR).
- 7. Metodo secondo la rivendicazione 6, in cui l’indice di esposizione rischio da abitudine di vita (HRR) è calcolato come dove DEUA_id è il numero dei dati danno relativi ad eventi danno (DE) sopra una determinata soglia di gravità (ad esempio severity >= 1), LHUA_id è l’indice di abitudine di vita (LH) dell’utente per una unità abitativa o per un locale e P è il periodo di tempo considerato, ad esempio giorno della settimana o settimana o mese.
- 8. Metodo secondo la rivendicazione 6 o 7, in cui l’indice di esposizione rischio da stile di vita (SRR) è calcolato come dove DEUA_id è il numero dei dati danno relativi ad eventi danno (DE) sopra una determinato soglia di gravità (ad esempio severity >= 1) e LSUA_id è l’indice di stile di vita (LS) dell’utente per una unità abitativa o per un locale e P è il periodo di tempo considerato, ad esempio giorno della settimana o settimana o mese.
- 9. Metodo secondo la rivendicazione 6 o 7 o 8, in cui l’indice di esposizione rischio da tipologia di utenza (URR) è calcolato comedove DEUA_id è il numero dei dati danno relativi ad eventi danno (DE) sopra una determinato soglia di gravità (ad esempio severity >= 1), UItranspose_id è la rappresentazione trasposta per tipologia di utente UI_id e P è il periodo di tempo considerato, ad esempio giorno della settimana o settimana o mese.
- 10. Sistema di generazione di un indice di rischio danno per un locale di un appartamento o per un appartamento o per un immobile, detto sistema comprendendo: - una pluralità di sensori adatti a rilevare almeno un dato di consumo di un’utenza di un locale, ad esempio un consumo di energia elettrica e/o acqua, almeno un sensore presenza, adatto a rilevare un dato di presenza di un utente nel locale e almeno un sensore danno, adatto a rilevare un dato danno in un locale, relativo all’accadimento di un danno, ad esempio un allagamento o un incendio; - mezzi di memorizzazione per la memorizzazione del dato di consumo dell’utenza di un locale, del dato di presenza di un utente nel locale, del dato di danno e di almeno un dato anagrafico dell’utente; - un elaboratore configurato per eseguire le seguenti fasi: - calcolare un indice di stile di vita (LS) dell’utente in funzione del dato di consumo e del dato anagrafico rilevati; - calcolare un indice di abitudine di vita (LH) dell’utente in funzione del dato di abitudine e del dato anagrafico; - calcolare un indice di rischio danno in funzione dell’indice di abitudine di vita, dell’indice di stile di vita e del dato danno.
- 11. Programma per elaboratore eseguibile da un dispositivo di elaborazione, comprendente moduli di codice per implementare le fasi da b ad h) del metodo secondo una qualsiasi delle rivendicazioni da 1 a 9.
- 12. Prodotto informatico in cui è memorizzato un programma per elaboratore che può essere eseguito da un dispositivo di elaborazione per implementare le fasi da b) ad h) del metodo secondo una qualsiasi delle rivendicazioni da 1 a 9.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT102018000005388A IT201800005388A1 (it) | 2018-05-15 | 2018-05-15 | Sistema e metodo di generazione di un indice di rischio danno per un’unità abitativa |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT102018000005388A IT201800005388A1 (it) | 2018-05-15 | 2018-05-15 | Sistema e metodo di generazione di un indice di rischio danno per un’unità abitativa |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| IT201800005388A1 true IT201800005388A1 (it) | 2019-11-15 |
Family
ID=63080345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| IT102018000005388A IT201800005388A1 (it) | 2018-05-15 | 2018-05-15 | Sistema e metodo di generazione di un indice di rischio danno per un’unità abitativa |
Country Status (1)
| Country | Link |
|---|---|
| IT (1) | IT201800005388A1 (it) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090299696A1 (en) * | 2008-05-27 | 2009-12-03 | Nippon Kaiji Kyokai | Damage probability calculating apparatus, damage probability calculating method, maintenance method, and damage probability calculating program |
| WO2012123844A1 (en) * | 2011-03-17 | 2012-09-20 | Koninklijke Philips Electronics N.V. | Reliable profiling for monitoring systems |
| US8289160B1 (en) * | 2009-05-29 | 2012-10-16 | United Services Automobile Association (Usaa) | Systems and methods for recording and using information about conditions present in a house or other location |
| US20140358592A1 (en) * | 2013-05-31 | 2014-12-04 | OneEvent Technologies, LLC | Sensors for usage-based property insurance |
-
2018
- 2018-05-15 IT IT102018000005388A patent/IT201800005388A1/it unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090299696A1 (en) * | 2008-05-27 | 2009-12-03 | Nippon Kaiji Kyokai | Damage probability calculating apparatus, damage probability calculating method, maintenance method, and damage probability calculating program |
| US8289160B1 (en) * | 2009-05-29 | 2012-10-16 | United Services Automobile Association (Usaa) | Systems and methods for recording and using information about conditions present in a house or other location |
| WO2012123844A1 (en) * | 2011-03-17 | 2012-09-20 | Koninklijke Philips Electronics N.V. | Reliable profiling for monitoring systems |
| US20140358592A1 (en) * | 2013-05-31 | 2014-12-04 | OneEvent Technologies, LLC | Sensors for usage-based property insurance |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gallagher | Learning about an infrequent event: Evidence from flood insurance take-up in the United States | |
| Liang et al. | Occupancy data analytics and prediction: A case study | |
| Wilson et al. | Analyzing variability and the rate of decline of migratory shorebirds in Moreton Bay, Australia | |
| Wilmot et al. | Comparison of alternative trip generation models for hurricane evacuation | |
| Li et al. | Assessment of catastrophic risk using Bayesian network constructed from domain knowledge and spatial data | |
| US20210390624A1 (en) | Real Property Monitoring Systems and Methods for Risk Determination | |
| Dixit et al. | Modeling risk attitudes in evacuation departure choices | |
| US20110295624A1 (en) | Insurance Policy Data Analysis and Decision Support System and Method | |
| Xu et al. | Predicting demand for 311 non-emergency municipal services: An adaptive space-time kernel approach | |
| Zarghami et al. | A system dynamics model for social vulnerability to natural disasters: Disaster risk assessment of an Australian city | |
| Wilkinson et al. | Sustainability and within use office building adaptions: A comparison of dutch and Australian practices | |
| Hand et al. | Examining heterogeneity and wildfire management expenditures using spatially and temporally descriptive data | |
| White Jr et al. | Improving reintroduction planning and implementation through quantitative SWOT analysis | |
| Li et al. | A Bayesian method to mine spatial data sets to evaluate the vulnerability of human beings to catastrophic risk | |
| Ouf et al. | A method to generate design-sensitive occupant-related schedules for building performance simulations | |
| Mavhura et al. | A comprehensive spatial analysis of social vulnerability to natural hazards in Zimbabwe: Driving factors and policy implications | |
| Rana et al. | Three-step neural network approach for predicting monsoon flood preparedness and adaptation: Application in urban communities of Lahore, Pakistan | |
| Mishra et al. | Enhancing disaster management by mapping disaster proneness and preparedness | |
| Bayraktarli et al. | Uncertainty treatment in earthquake modelling using Bayesian probabilistic networks | |
| Riedel et al. | Modeling of damage-related earthquake losses in a moderate seismic-prone country and cost–benefit evaluation of retrofit investments: application to France | |
| Ngu et al. | Unveiling urban households’ livelihood vulnerability to climate change: An intersectional analysis of Hue City, Vietnam | |
| IT201800005388A1 (it) | Sistema e metodo di generazione di un indice di rischio danno per un’unità abitativa | |
| Lujala et al. | Quantifying vulnerability to flooding induced by climate change: The case of Verdal, Norway | |
| Mechler et al. | Cost-benefit analysis of disaster risk management and climate adaptation | |
| Meyer et al. | Assessing the Costs of Natural Hazards–State of the Art and the Way Forward |