JP2015032173A - 行動推定システム - Google Patents

Abstract

【課題】簡易な事前知識から各需要家の特性に合致した行動推定を行い、それに必要なデータの取得量を削減可能にする。
【解決手段】水光熱システムの供給を消費する需要家の行動態様を推定する行動推定システムであり、統合管理システムは需要家内管理システムと通信を行う通信部２０１と、第一の情報保持部と、その情報を処理する第一の情報処理部２０３を有し、前記需要家内管理システムは前記水光熱システムの需要量を取得する需要量取得部と、需要量取得部から需要の特徴を抽出する特徴算出部と、消費装置の動作状況を取得する動作情報取得部と、前記特徴算出部と前記動作情報取得部からの情報を保持する第二の情報保持部を有し、前記第一の情報処理部内の行動判別部４０１には行動様態を推定するための推定情報を需要家毎に生成する分類モデル生成部５０２を有する。
【選択図】 図５

Description

本発明は、需要家の需要量から需要家の行動様態を推定するシステムに関する。

近年、エネルギー管理システム(Ｅｎｅｒｇｙ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ：ＥＭＳ)が、家庭・オフィス・集合住宅あるいは都市・地域などの需要家に設置し、需要家内の水道使用量・電気使用量・ガス使用量などの需要量を管理し、適切なタイミングでの各種機器の動作、地域や全体の需要に対しする供給の最適化などを図るシステムが注目されている。これらの各種サービスや供給者における業務改善のためには、需要家の行動様態を推定することが求められている。

これまで、例えば特許文献１には、消費電力より保持する機器の同定と、機器の使用時間を推定する方法が開示されている。しかしながら、特許文献１に開示される方法は、電源の周波数よりも詳細なサンプリングを要し、取得されたデータ量が多大になるため、データを収集するデータセンタやそれらの間の通信網への負担が大きかった。また、機器毎にパターンを記憶する必要があり、膨大な機器の推定用の事前情報を必要とした。

特許文献２及び５には、消費電力をバントパスフィルタなどで所望の周波数帯のみを抽出し、その強度で在・不在を判定する技術が開示されている。しかしながら、本技術では、在不在の判定は可能となるものの、その他の行動様態の推定は困難であった。

特許文献３及び４には、表をあらかじめ保持し、時刻・気候・取得区画（部屋）・変化分等の情報と当該表を照らし合わせて、需要家が使用した電気機器を推定し、それにより行動推定を行う技術が開示されている。需要家の平均的な行動様態は特許文献３及び４にあるような表で表現可能であるが、需要家個々の行動様態は必ずしも表のように表現できない場合があった。例えば、家庭などの需要家のうち、単身生活者や夜勤労働者の行動様態は、複数人世帯や、通常勤務者とは、行動する時間帯や需要量ともに同一のモデルで扱うことは困難であり、これらの情報が必ずしも行動推定システム上、取得可能であるわけではなかった。

特開2012-175900 特開2013-054595 特開2012-168918 特開2012-168711 特開2009-257952

需要量からの行動推定システムでは、需要家個々の特性に合致した行動推定ができなかった。

詳細な需要家の行動推定をするためには、需要量と行動様態との詳細な判定表の作成を要した。

需要量からの行動推定システムでは、処理負荷軽減のため、データの取得量を減少させると、十分な行動推定ができなかった。

本願において開示される発明の代表的な一例を示せば以下の通りである。

すなわち、需要家の行動様態を推定する行動推定システムであって、
前記行動推定システムは、統合管理システムと、少なくとも一つ以上の需要家内管理システムと、前記統合管理システムと前記需要家内管理システム間の通信を行うための通信網と、少なくとも一つ以上の水光熱システムと、前記需要家内管理システムと前記水光熱システム間の通信を行うための少なくとも一つ以上の屋内通信網を有し、
前記水光熱システムは、少なくとも一つ以上の供給源と、少なくとも一つ以上の測定器と、少なくとも一つ以上の消費装置と、前記供給源と前記測定器と前記消費装置とを接続する供給ラインを有し、
前記統合管理システムには、前記需要家内管理システムと通信を行うための通信部と、第一の情報保持部と、前記第一の情報保持部の情報を処理するための第一の情報処理部を有し、
前記需要家内管理システムは、前記水光熱システムの需要量を取得するための需要量取得部と、前記需要量取得部から、需要の特徴を抽出するための特徴算出部と、前記消費装置の動作状況を取得するための動作情報取得部と、前記特徴算出部と前記動作情報取得部からの情報を保持するための第二の情報保持部と、前記第二の情報保持部の情報を処理するための第二の情報処理部と、前記統合管理システムと通信を行うための、統管理システム情報送受信部とを有し、
前記第一及び第二の情報処理部はそれぞれ、第一及び第二行動判別部を有し、
前記、第一及び第二の行動判別部の少なくとも一つには、行動様態を推定するための推定情報を需要家毎に生成する分類モデル生成部を有することを、
特徴とした行動推定システム。

上記の構成によれば、簡易な事前知識から需要家個々の特性に合致した行動推定を行い、それに必要なデータの取得量を削減可能な行動推定システムを提供することができる。

本発明の行動推定システムの概要を示したブロック図である。 本発明の統合管理システムの構成を示したブロック図である。 本発明の需要家内管理システムの構成を示したブロック図である。 本発明の情報処理部の構成を示したブロック図である。 本発明の行動判別部の構成を示したブロック図である。 本発明の第一の実施例における分類モデル生成部の構成を示したブロック図である。 本発明の第一乃至第五の実施の形態における分類モデル生成部で使用される特徴データの表現を示した説明図である。 本発明の第一の実施の形態における特徴ベクトル分類部の動作を示したフローチャート図である。 本発明の第一の実施の形態における特徴ベクトル分類部における分類動作を示した説明図である。 本発明の第一乃至第五の実施の形態におけるデータ分類部の動作を示したフローチャート図である。 本発明の第二の実施の形態における特徴ベクトル分類部の動作を示したフローチャート図である。 本発明の第二の実施の形態における特徴ベクトル分類部における分類動作を示した説明図である。 本発明おける第一乃至第五の実施の形態における表示部における表示例を示した説明図である。 本発明の第三及び第五の実施の形態における分類モデル生成部の構成を示した説明図である。 本発明の第三の実施の形態におけるラベル情報の保持形式を示した説明図である。 本発明の第三の実施の形態における分類群情報の保持形式を示した説明図である。 本発明の第三の実施の形態における分類群ラベル推定部の動作を示したフローチャート図である。 本発明の第四の実施の形態におけるラベル情報の保持形式を示した説明図である。 本発明の第四の実施の形態における分類群情報の保持形式を示した説明図である。 本発明の第四の実施の形態における分類群ラベル推定部の動作を示したフローチャート図である。 本発明の第五の実施の形態における表示部及び入力部の例を示すブロック図である。 本発明の第五の実施の形態における分類モデル生成部の構成を示した説明図である。 本発明の第五の実施の形態における表示部における表示例を示した説明図である。 本発明の第五の実施の形態における分類群ラベル推定部の動作を示したフローチャート図である。

以下、本発明の実施の形態について図面を参照して説明する。
（第一の実施の形態）
図１には、本発明における行動推定システムの概要を示す。行動推定システムは統合管理システム１０１と、需要家内管理システム１０２と、統合管理システム１０１と需要家内管理システム１０２とを結ぶ通信網１０３と、屋内通信網１０５と、水光熱システム１０６から構成される。

需要家内管理システム１０２と、屋内通信網１０５と、水光熱システム１０６は需要家１０４に設置される。水光熱システム１０６は、消費装置１０７、供給ライン１０８、供給源１０９、及び供給量を計測する測定器１１０から構成される。水光熱システム１０６の代表例は、電気・ガス・水道の供給設備及びその消費装置である。消費機器１０７は、複数の水光熱システム１０６に属する場合がある。

統合管理システム１０１は、種々の需要家１０４に設置される、複数の需要家内管理システム１０２と接続されており、需要家内管理システム１０２から得られる情報の管理と、需要家内管理システム１０２への情報・機能などを提供するものである。需要家内管理システム１０２は、需要家内の様々な水光熱システム１０６と直接、あるいは、屋内通信網１０５を介して接続されており、水光熱システムの供給の様態を測定器１１０で測定した測定値ならびに、消費装置１０７の動作状態を収集する。また、需要家内管理システム１０２は、消費装置１０７に対して、屋内通信網１０５を介して、消費装置１０７の動作状態を変更する制御指示を送信することができ、需要家１０４に対して快適性・経済性・低二酸化炭素排出性などの観点で優れた制御を提供するとともに、測定器１１０で取得した各種需要量と、収集した消費装置１０７の動作状態から、需要家への需要様態の可視化や需要様態にあわせた、見守り・アドバイス・広告配信・需要家間のコミュニケーション手段などの各種サービスを提供することができる。

図２には、統合管理システム１０１の代表的な構成例を示す。統合管理システム１０１は、通信部２０１と、情報処理部２０２、及び情報保持部２０３から構成されている。

通信部２０１は、通信経路２０４を介して、需要家内管理システム１０２などと通信を行う。情報処理部２０２は、通信部２０１を介して得られた情報を適切に処理し、必要に応じて通信部を介して、需要家内管理システム１０２への情報送信や情報保持部２０３への情報記録を行うことができる。情報保持部２０３は、通信部２０１を介して取得した情報を蓄積することができ、必要に応じて、蓄積した情報を情報処理部２０２に提供することができる。

図３には、需要家内管理システム１０２の代表的な構成例を示す。需要家内管理システム１０２は、需要量取得部３０１と、特徴算出部３０２と、動作情報取得部３０３と、情報保持部２０３と、情報処理部２０２、及び統合管理システム情報送受信部３０４から構成されている。

需要量取得部３０１は、水光熱システム１０６における測定器１１０及び消費装置１０７で取得された需要量を取得することができる。特徴算出部３０２は、取得された需要量を、統合管理システム１０１などへの情報送信コストの低減・情報保持部２０３での保持情報量の削減のため、適切な時間間隔で需要量を加工し、特徴量として情報保持部２０３に送信する。この際、特徴量としては、需要量の所望の時間間隔内の総和のほか、所望の時間間隔内の全取得情報の中間値、最頻値、最大値、最小値のいずれか、もしくは、いくつかを含んでもよく、最頻値の代わりに、ヒストグラムやｋ近傍法などの確率密度推定法を利用した、確率密度の極大値を、確率密度が大きい順に所望の個数送信する方法を利用してもよい。さらには、特徴量としては、所望の時間間隔内の需要量に対して、一定サンプリング前の需要量との差分値を記録してもよい。

動作情報取得部３０３は、消費装置１０７の動作様態を、通信経路２０４を介して取得することができ、取得した情報は情報保持部２０１に送信される。情報保持部２０３は、統合管理システム１０１における情報保持部２０３と同様に、情報を蓄積することができ、必要に応じて情報処理部２０２に情報を送信することができる。

情報処理部２０２は、情報保持部２０３の情報を適切に処理し、統合管理システム情報送受信部３０４を介する情報の授受と、消費装置１０７への制御等の情報指示、表示装置３０５への表示内容等の情報送信を行うことができる。

図４には、情報処理部２０２の代表的な構成例を示す。情報処理部２０２は、行動判別部４０１と、表示生成部４０２、及び制御情報性西部４０２から構成されている。情報処理部２０２は、統合管理システム１０１及び需要家内管理システム１０２内に設置されており、図４に示す構成のうち、すべて、もしくは一部を有する。

報保持部２０３には特徴量、機器動作情報の他、様々な情報を保持しており、行動判別部４０１、表示生成部４０２、制御情報生成部４０３に対し情報を提供することができる。行動判別部４０１は、特徴量などから需要家の行動を判別することができる。行動判別部４０１で判別した結果は、表示生成部４０２、制御情報生成部４０３、及び通信部２０１に送信することができる。表示生成部４０２は、需要家に可視化する情報を生成する機能を有し、情報保持部２０３に保持されている情報と行動判別部４０１の判別結果を用いて表示情報を生成し、表示装置３０５・通信部２０１に送信する。制御情報生成部４０３は、消費装置１０７の動作状態を指示する制御情報を生成することができ、制御情報の生成には、情報保持部２０３に保持されている情報ならびに行動判別部４０１の判別結果を利用することできる。制御情報生成部４０３が生成した制御情報は、消費装置１０７または通信部２０１に送信することができる。

図５には、行動判別部４０１の代表的な構成例を示す。行動判別部４０１はデータ取得部５０１と、分類モデル生成部５０２と、データ分類部５０４、及び分類データ送信部５０３から構成されている。

データ取得部５０１は情報保持部２０３に保持されている特徴量データを分類モデル生成部５０２乃至データ分類部５０４において容易に処理が可能となるようなデータの形式に変換することができる。データの分類モデルのみを生成する場合は、情報保持部２０３から取得された特徴量データは、データ取得部５０１で適切な形式に変換され、分類モデル生成部５０２に送信される。分類モデル生成部５０２では、特徴量データに応じて分類に必要なモデル情報が生成され、分類データ送信部５０３に送信される。

分類データ送信部５０３は通信部２０１を介して、別のシステム内にある情報保持部２０３か、同一システム内の情報保持部２０３にモデル情報を送信することができ、情報保持部２０３ではモデル情報を保持することができる。分類データ送信部５０３は、他にも表示生成部４０２に対して、需要家の行動モデルの様態をモデル情報に即して生成し表示するためのモデル情報や、制御情報生成部４０３における長期間にわたる制御特性や需要家特有の情報が保持されていない場合の初期的な制御特性の決定に際する情報として、モデル情報を送信することができる。

情報保持部２０３に保持されているモデル情報を利用して、特徴量データの分類を行う際は、情報保持部２０３から取得されるモデル情報並びに特徴量データは、データ取得部５０１を介して、適切な形式に変換されたあと、データ分類部５０４に送信される。データ分類部５０４では、モデル情報に即して特徴量データを分類し、その結果を分類データ送信部５０３に送信する。
分類データ送信部は、分類結果を情報保持部２０３、表示生成部４０２、制御情報生成部４０３、及び通信部２０１に送信することができる。

表示生成部４０２では、例えば短期的な需要家の傾向を表す視覚化情報として、特徴量データの分類結果を需要家に示すことができる。分類結果は、通信部２０１を介して受信することもできる。制御情報生成部４０３においては、例えば、短期的な制御指示を生成するために分類結果を利用することができる。分類結果は、通信部２０１を介して受信することもできる。情報保持部２０３では、分類結果を保持することができる。保持した分類結果は、例えば、適切なタイミングで分類結果を表示生成部４０２や制御情報生成部４０３に提供することができる。分類結果は、通信部２０１を介して送信することもできる。

情報保持部２０３に保持されている特徴量データに基づいて、分類モデル生成と同時にデータ分類を行う際は、情報保持部２０３から取得された特徴量データは、データ取得部５０１で適切な形式に変換され、分類モデル生成部５０２に送信される。

分類モデル生成部５０２では、特徴量データに応じて分類に必要なモデル情報が生成され、分類データ送信部５０３及びデータ分類部５０４に送信される。分類データ送信部５０３は通信部２０１を介して、別のシステムないにある情報保持部２０３か、同一システム内の情報保持部２０３にモデル情報を送信することができ、情報保持部２０３ではモデル情報を保持することができる。分類データ送信部５０３は、他にも表示生成部４０２に対して、需要家の行動モデルの様態をモデル情報に即して生成し表示するためのモデル情報や、制御情報生成部４０３における長期間にわたる制御特性や需要家特有の情報が保持されていない場合の初期的な制御特性の決定に際する情報として、モデル情報を送信することができる。

データ分類部５０４では、モデル情報に即して特徴量データを分類し、その結果を分類データ送信部５０３に送信する。分類データ送信部は、分類結果を情報保持部２０３、表示生成部４０２、制御情報生成部４０３、及び通信部２０１に送信することができる。

表示生成部４０２では、例えば短期的な需要家の傾向を表す視覚化情報として、特徴量データの分類結果を需要家に示すことができる。分類結果は、通信部２０１を介して受信することもできる。制御情報生成部４０３においては、例えば、短期的な制御指示を生成するために分類結果を利用することができる。分類結果は、通信部２０１を介して受信することもできる。情報保持部２０３では、分類結果を保持することができる。保持した分類結果は、例えば、適切なタイミングで分類結果を表示生成部４０２や制御情報生成部４０３に提供することができる。分類結果は、通信部２０１を介して送信することもできる。

図６には、第一の実施例における、分類モデル生成部５０２の構成を示す。分類モデル生成部５０２は、特徴ベクトル生成部６０１及び特徴ベクトル分類部６０２から構成される。

データ取得部５０１から取得された特徴量データは、特徴ベクトル生成部６０１で特徴ベクトルの集合に変換され、特徴ベクトル分類部に送信される。特徴ベクトル分類部６０２では特徴ベクトル集合を所望の複数の分類群に分類することができる。

図７には、データ形式の代表例を示す。特徴量のデータ形式は主に、情報保持部で管理されている状態での形式として、特徴保持形式７０１と、分類モデル生成部５０２乃至データ分類部５０４で用いられる、特徴ベクトル集合７０２がある。

特徴保持形式７０１は、取得された時刻及び各特徴量が表形式で保持されている。このようにすることで、必要な時刻範囲の特徴量を迅速に取得することが可能となる。特徴ベクトル集合７０２は、特徴保持形式７０１から、分類に必要な特徴のみを抽出したベクトルの集合として表現され、分類は、特徴量ベクトル集合から部分集合を抽出することで行われる。分類の基準としては、特徴量ベクトルの時間に対する関連性を用いる。これらの関連性は、確率の表現を用いると、時間に関する確率変数とその他の確率変数とが従属であるということになる。従属性の評価には、確率変数間の独立性の評価をし、独立性が低いものを従属性が高いとすることもできるし、相互エントロピーなどの量を使用することができる。ここでは、数学的に定義が容易な、確率変数間の独立性を評価基準とする。

図８には、分類モデル生成部５０２における、特徴ベクトル分類部の代表的な動作例を示す。

最初に特徴ベクトル集合の部分集合Ａ及びＢをランダムに生成する。この際、Ａ及びＢには特徴ベクトルが重複していないよう、即ち、和集合が空集合になるように生成する。（Ｓｔｅｐ１）
次にＡ及びＢに対して、各特徴ベクトルの要素に対する同時確率について、確率密度を推定する。この際、確率密度の推定方法として、ヒストグラムやｋ近傍法、カーネル密度推定法などが利用できる。確率密度を推定したのち、特徴ベクトルの要素のうち、時間に関する情報から抽出された要素について独立性の評価を行い、その値をχａおよびχｂとする。

独立性の評価には、カイ二乗検定や、情報エントロピーを利用することができ、これらの評価には確率密度の推定結果を利用する。この例においては、値が大きい場合により独立性が高いと評価する。（Ｓｔｅｐ２）
分類動作における繰り返し処理の初期化として、新たな部分集合である、未選択集合と選択済み集合を生成し、全ての特徴ベクトルを未選択集合に帰属させ、選択済み集合は空集合とする。また、変数ｆｃを真とする。（Ｓｔｅp３）
未選択集合から任意の特徴ベクトルＶ除外し、選択済み集合に帰属させる。（Ｓｔｅｐ４）
Ｖの帰属する部分集合がＡである場合にＢに変更し、Ｂであった場合Ａに変更する。（Ｓｔｅｐ５）
Ｓｔｅｐ２と同様の方法で確率密度の推定と、独立性評価を行い、独立性評価結果をχ´ａ、χ´ｂとする。（Ｓｔｅｐ６）
χ´ａがχａより大きく、χ´ｂがχｂより小さい、即ち、特徴ベクトルＶの帰属を変更した場合に、部分集合Ａの時間に対する独立性が増大し、部分集合Ｂの時間に対する独立性が減少するときには、Ｓｔｅｐ９に進む。そうでない場合はＳｔｅｐ８に進む。（Ｓｔｅｐ７）
Ｓｔｅｐ８では、特徴ベクトルＶの帰属を変更した場合にも、部分集合Ａの独立性は増大せず、部分集合Ｂの独立性は減少しないため、Ｖの帰属をＳｔｅｐ４の状態に戻す。（Ｓｔｅｐ８）
Ｓｔｅｐ９においては、特徴ベクトルＶの帰属を変更した場合に、部分集合Ａの独立性は増大し、部分集合Ｂの独立性は減少するため、Ｖの帰属を変更後のままとし、帰属を変更したことを示すため、変数ｆｃを偽とする。（Ｓｔｅｐ９）
Ｓｔｅｐ８及びＳｔｅｐ９終了後、未選択の部分集合が空集合でなければ、Ｓｔｅｐ４に戻り、空集合であればＳｔｅｐ１１に進む。（Ｓｔｅｐ１０）
Ｓｔｅｐ１０においては、変数ｆｃを確認しその値が真であれば、全ての特徴ベクトルについて、帰属する部分集合を変更した場合においても、一度も部分集合Ａの時間に対する独立性が増大せず、部分集合Ｂの時間に対する独立性が減少しないことが示されるため、全てのステップを終了する。変数ｆｃが偽であれば、帰属変更が発生したいたため、Ｓｔｅｐ３に戻り、繰り返し処理を継続する。（Ｓｔｅｐ１１）
このようにすることで、部分集合Ａは時間に対して独立性が高い分類群とすることができ、部分集合Ｂは時間に対して独立性が低い分類群とすることができ、時間に対する独立性の基準で局所最適化された分類群を生成することが可能となる。

図８に示す動作を複数回繰り返すことで、より大域的な最適化のされた分類群を生成することも可能となる。

図９には、図８の分類動作を実行した場合の概念図を示す。図９に示す例においては、特徴量ベクトルは、時刻を表す数値及び、一つの特徴量から構成されている。これらの特徴量を二次元空間中に表示したのが図９である。

図９（ａ）は、数か月単位の各日の特徴量データから、縦軸を時刻とし、横軸を特徴量として例えば各時間（１時、２時など）の消費電力値（ワット時）を選択した場合の散布図を表す。図９（ｂ）は図９（ａ）に示した、特徴量ベクトル（各点）の内、時間に対する独立性の高い分類群である。時間に対する独立性の高い群は、各時刻に対しおおよそ一様に各特徴量ベクトルが存在している。図９（ｃ）は図９（ａ）に示した、特徴量ベクトル（各点）の内、時間に対する独立性の低い分類群である。

時間に対する独立性の低い群は、ある時刻に偏在した状態で各特徴量ベクトルが存在している。図９（ｃ）の時間に対する独立性の低い群は、時刻と特徴量で偏在化しているため、対象の需要家が大域的に同様な消費行動を行っていることを表している。例えば、ある時刻範囲において、ある消費機器が相当の確率で動作している、などということを背景に持つ。この状態を確率的な表現では、各特徴量ベクトルの確率的生成モデルは、ある時刻に対する需要家の大域的な行動様態を確率変数にとる確率で表現できる、ということになり、ある需要家における行動様態の標準的な需要モデルが構築できる。

需要家の標準的な需要モデルから、需要モデルが類似している需要家に対して同様の消費アドバイスや、広告配信を統合管理システム１０１乃至需要家内管理システム１０２を介し、表示装置３０５へ送信することができる。

図１０には、データ分類部５０３の代表的な動作について示す。

データ分類部５０３では、まずデータ取得部５０１から特徴ベクトルＶを取得する。（Ｓｔｅｐ２１）
次に、分類モデル生成部で使用した特徴ベクトル集合の各ベクトルに対し、の距離関数ｄに基づいて、Ｖと最近傍のベクトルＶ２を検索し、Ｖ２が所属する分類群に帰属させる。

この際、距離関数ｄとして、ユークリッド距離の他、マラハラノビス距離、マンハッタン距離などを使用することができる。（Ｓｔｅｐ２２）
分類対象のデータに対して、全データが分類し終わったら処理を終了する。（Ｓｔｅｐ２３）
統合管理システム１０１及び需要家内管理システム１０２は、距離を記録することで、例えば距離が通常よりも大きくなるようなデータに対して、機器の異常や行動様態の異常を示すアラートを発生させることができ、それらは、例えば、表示装置３０５などに表示することができる。アドバイス等を生成する際には、時間に関する関連性の高い消費に関し、その消費を低減するように促すことができる。また、時間に関する関連性の高い消費に対する確率密度を推定することで、確率密度の類似性を評価することができる。上記類似性の評価においては、確率密度を適宜、量子化した後、ユークリッド距離やコサイン距離などを用いることができる。類似した需要家に対しては、例えば、時間に関する関連性高い需要量などに応じて、時間に関する関連性高い需要が多い家庭には高級品等の広告配信など行い、時間に関する関連性高い需要量が小さい家庭には、省エネ製品の広告配信を行うことなどができる。

このようにして、需要量の特徴量と時間を保持することで、これらを分類モデル生成部で時間に関する関連性乃至独立性によって分類することにより、低い需要量取得間隔であっても、様々なサービスを提供するための分類モデルを、事前の知識情報や条件分岐などによらず生成することができ、分類モデルからデータ分類と、それによる需要家情報の可視化・アドバイス・広告配信・異常検出などのサービスを実現することが可能となる。

（第二の実施の形態）
第二の実施の形態におけるシステム構成は、第一の実施形態におけるシステム構成と同様である。

第二の実施形態では、第一の実施形態に追加して、分類モデル生成部５０２において、時間に関する関連性乃至独立性による分類の後、時間に関する独立性が低い分類群に対し、クラスタ生成を行う。

ここでいうクラスタとは、特徴ベクトル集合の部分集合を指す。

図１１では、分類モデル生成部５０２におけるクラスタ生成の代表的な方法を示す。図１１に示すクラスタ生成方法は、一般にｋ−ｍｅａｎｓ法と呼ばれるものである。

最初に、予め指定された個数ｍに従いクラスタを生成し、各特徴ベクトルを重複なく一つのクラスタにランダムに帰属させる。（Ｓｔｅｐ３１）
次に、繰り返し数ｉが初期化されていない場合は０、その他はｉを一つ増加させる。（Ｓｔｅｐ３２）
各クラスタに対し、各クラスタに所属する特徴ベクトルの代表値を算出する。

この代表ベクトルは、一般的にはクラスタに所属する特徴ベクトルの各要素の算術平均値を要素に持つベクトルで表される。（Ｓｔｅｐ３３）
全特徴ベクトルに対し、各クラスタの代表ベクトルとの距離を距離関数ｄで算出する。この際、距離関数ｄとしては、ユークリッド距離の他、マラハラノビス距離、マンハッタン距離などを使用することができる。（Ｓｔｅｐ３４）
次に、もっとも近傍の代表ベクトルを持つクラスタに再割り当てを行う。（Ｓｔｅｐ３５）
繰り返し数が予め定めた規定値以内の場合、Ｓｔｅｐ３２に遷移し、繰り返し数が予め定めた規定値を超える場合には処理を終了する。（Ｓｔｅｐ３６）
クラスタ生成には、図１１に示したｋ−ｍｅａｎｓ法の他、ＥＭ推定法を利用したガウス混合モデル（Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ：ＧＭＭ）などを使用することができる。

図１２には、実際に図１１に示すクラスタ生成方法を実施した場合の概念図を示す。図１２（ａ）は、図９（ｃ）と同一の図であり、時間に関する独立性が低い分類群を表している。図１２（ｂ）乃至（ｅ）には、図１２（ａ）の時間に関する独立性が低い分類群に対して、図１１に示したクラスタ生成方法を実施した場合の、各クラスタを示す。

各クラスタは、距離が近い特徴ベクトルの集合となっている。各クラスタの要素数から、各クラスタの生成確率を推定することができる。

図１３には、表示装置３０５に表じされる、需要家の需要様態の可視化例を示す。図１３上部の折れ線グラフは、需要家のある一日の需要量の推移を表している。図１３下部は、図１１のクラスタ生成方法で生成された分類モデルに対し、図１０に示したデータ分類方法を適用した結果、各区間がどのクラスタに属するのかを可視化したものである。

このようにすることで、需要家は需要様態の変遷を知ることができる。

このようにクラスタ化することで、各クラスタに対し、例えば距離が通常よりも大きくなるようなデータに対して、機器の異常や行動様態の異常を示すアラートを発生させることができ、それらは、例えば、表示装置３０５などに表示することができる。

アドバイス等を生成する際には、時間に関する関連性の高い消費に関し、その消費を低減するように促すことができる。また、時間に関する関連性の高い消費に対する確率密度を推定することで、確率密度の類似性を評価することができる。

上記類似性の評価においては、確率密度を適宜、量子化した後、ユークリッド距離やコサイン距離などを用いることができる。また、クラスタの遷移モデルを同様の類似性評価で評価することができる。

類似した需要家に対しては、例えば、時間に関する関連性高い需要量などに応じて、時間に関する関連性高い需要が多い家庭には高級品等の広告配信など行い、時間に関する関連性高い需要量が小さい家庭には、省エネ製品の広告配信を行うことなどができる。

上記のようなシステム及び方法を実施することにより、需要量の特徴量と時間を保持することで、これらを分類モデル生成部で時間に関する関連性乃至独立性によって分類することにより、低い需要量取得間隔であっても、様々なサービスを提供するための分類モデルを、事前の知識情報や条件分岐などによらず生成することができ、分類モデルからデータ分類と、それによる需要家情報の可視化・アドバイス・広告配信・異常検出などのサービスを実現することが可能となる。

（第三の実施の形態）
第三の実施の形態におけるシステム構成は、第二の実施形態におけるシステム構成に対し、分類モデル生成部５０２を変更したものである。図１４には、第二の実施例における分類モデル生成部５０２の代表的な構成例を示す。

分類モデル生成部５０２は、特徴ベクトル生成部６０１と、特徴ベクトル分類部６０２と、分類群ラベル推定部１４０１、及び、パターン保持部１４０２から構成される。データ取得部５０１から取得された特徴量データは、特徴ベクトル生成部６０１で特徴ベクトルの集合に変換され、特徴ベクトル分類部に送信される。特徴ベクトル分類部６０２では特徴ベクトル集合を所望の複数の分類群に分類することができる。

分類群ラベル推定部１４０１は、特徴ベクトル分類部６０２において分類された分類群に対し、パターン保持部１４０２に保持されているパターンに基づいてラベルを付与する。パターン保持部１４０２は情報保持部２０３よりパターン情報を取得することができ、この際、通信網１０３などを介して取得してもよい。

このようにすることで、分類群に対して、需要家にとって理解が容易な可視化や、パターン情報に基づくアドバイス・広告配信などを行うことができるようになる。

図１５にはラベル保持形式１５０１の例を示す。ラベルは、睡眠・食事・外出・団欒など、需要量などに依存しない需要家の行動様態そのものを表す変数である。ラベル保持形式１５０１は、ラベルと、ラベルに関する事前確率を保持している。

図１５に示した例においては、各行動様態から別の行動様態に遷移する確率を示す。これらの事前確率は、必ずしも大域的な意味での科学的な定量性が必要とはせず、例えば数人の被験者に対して行動様態の推移の記録を行うことや、多数の被験者に対するアンケートなどで得ることができ、その際、需要量との関連の知識を要しないことが特徴である。

例えば、夜間の睡眠後の行動では、朝食が一般的であり、朝食をとらずに外出する場合も考えられるが、睡眠後に直接団欒を行う場合は稀である。したがって、ｌ１２及びｌ１３の値が高く、ｌ１１及びｌ１４の値は小さくなる。

これらの数値は、確率を表すものであるので、ｌ１１乃至ｌ１４の総和は１となっている。

図１６には、特徴ベクトル分類部６０２の出力した分類モデル例を示す。分類モデルはパターン保持部のラベルと同様の形式となっている。

各クラスタは時間に関する偏在性を持つため、クラスタ間の生成順序を推定することができる。また、データ分類部による各特徴量データに対する分類が行われていれば、その分類結果からあるクラスタの次に出現するクラスタの確率をあらかじめ計算することができ、図１６の表を完成させることができる。

分類モデルの段階では、全ラベル数と全クラスタ数は一致していない場合があるが、一般的には、全クラスタ数をラベル数より多くなるように、特徴ベクトル分類部６０２におけるクラスタ数を設定しておく。ただし、少なく設定することも可能である。

図１７には、分類群ラベル推定部１４０１における、分類群ラベル推定方法の代表例を示す。図１７に示す方法は、所謂、ギブスサンプリング法によるラベル推定方法である。

まず、特徴ベクトル分類部６０２で生成されたクラスタに対し、パターン保持部１１０２に保持されているラベルに従い、各クラスタにラベルを割り当てる。（Ｓｔｅｐ４１）
次に、任意のクラスタＣｘをランダムに選択する。（Ｓｔｅｐ４２）
Ｃｘのラベルパターン保持部に保持されている全ラベルに変更した場合における、同一ラベルが割り当てられているクラスタの遷移確率の平均を、それぞれ計算する。この平均を算出する際、各クラスタに含まれている特徴量ベクトルの数で重み付けを加えてもよい。（Ｓｔｅｐ４３）
各場合の遷移確率とパターン保持部に保持されている遷移確率との二乗和誤差を計算し、それぞれε１乃至εｍとする。（ラベルの全数をｍとする）（Ｓｔｅｐ４４）
二乗和誤差に対し、指数関数expを利用して、ｅｘｐ（-ε１）乃至ｅｘｐ（-εｍ）に比例する確率でＣｘのラベルを更新する。（Ｓｔｅｐ４５）
同一ラベルが割り当てられているクラスタの遷移確率の平均Ｌ´１１乃至Ｌ´ｍｍを、それぞれ計算する。この平均を算出する際、各クラスタに含まれている特徴量ベクトルの数で重み付けを加えてもよい。（Ｓｔｅｐ４６）
Ｌ１１乃至ＬｍｍとＬ´１１乃至Ｌ´ｍｍの二乗和誤差を計算し、あらかじめ指定した規定値以下であれば、推定を終了し、規定値より大きければＳｔｅｐ４２に遷移する。（Ｓｔｅｐ４７）
このようにすることで、需要量に依存しない状態で与えられた行動様態の事前知識及び事前確率から、需要量を用いて行動様態ラベルを各時間に対して推定することが可能となる。

このようにすると、例えば距離が通常よりも大きくなるようなデータに対して、機器の異常や行動様態の異常を示すアラートを発生させることができ、それらは、例えば、表示装置３０５などに表示することができる。

アドバイス等を生成する際には、時間に関する関連性の高い消費に関し、その消費を低減するように促すことができる。また、時間に関する関連性の高い消費に対する確率密度を推定することで、確率密度の類似性を評価することができる。

例えば推定された分類ラベル情報に基づき、各行動様態の需要量の大小に対して、適切なアドバイスを送信することができる。

上記類似性の評価においては、確率密度を適宜、量子化した後、ユークリッド距離やコサイン距離などを用いることができる。

類似した需要家に対しては、例えば、時間に関する関連性高い需要量などに応じて、時間に関する関連性高い需要が多い家庭には高級品等の広告配信など行い、時間に関する関連性高い需要量が小さい家庭には、省エネ製品の広告配信を行うことなどができる。

その他、推定された分類ラベル情報に基づき、例えばよく料理をする家庭などに調理用品の広告など、ある特定の行動様態を持つ需要家に広告等を配信することができる。

上記のようなシステム及び方法を実施することにより、需要量の特徴量と時間を保持することで、これらを分類モデル生成部で時間に関する関連性乃至独立性によって分類することにより、低い需要量取得間隔であっても、様々なサービスを提供するための分類モデルを、事前の知識情報や条件分岐などによらず生成することができ、分類モデルからデータ分類と、それによる需要家情報の可視化・アドバイス・広告配信・異常検出などのサービスを実現することが可能となる。

（第四の実施の形態）
第四の実施の形態におけるシステム構成は、第三の実施形態におけるシステム構成と同様である。第四の実施の形態は、第三の実施の形態における、分類ラベル推定部１４０１の推定方法、及び、パターン保持部１４０２に保持されるラベル情報を変更したものである。

図１８にはラベル保持形式１５０１の例を示す。ラベルは、調理機器、洗濯機器、ＴＶ／ＯＡ機器、冷暖房機器、その他機器であり、それらが使用される確率（出現率）、使用する時間（継続時間）、代表的な消費電力が事前情報として保持されている。これらの事前確率は、必ずしも大域的な意味での科学的な定量性が必要とはせず、例えば数人の被験者に対して典型的な各ラベルの機器における使用の記録を行うことや、多数の被験者に対するアンケートなどで得ることができる。これらの表で保持される事前確率は、確率の値そのものや、確率分布とそのパラメータである。

図１９には、特徴ベクトル分類部６０２の出力した分類モデル例を示す。分類モデルはパターン保持部のラベルと同様の形式となっている。

各クラスタの出現率、継続時間、消費電力はクラスタに所属する特徴ベクトルから推定することができる。分類モデルの段階では、全ラベル数と全クラスタ数は一致していない場合があるが、一般的には、全クラスタ数をラベル数より多くなるように、特徴ベクトル分類部６０２におけるクラスタ数を設定しておく。ただし、少なく設定することも可能である。

図２０には、分類群ラベル推定部１４０１における、分類群ラベル推定方法の代表例を示す。図２０に示す方法は、所謂、ギブスサンプリング法によるラベル推定方法である。

まず、特徴ベクトル分類部６０２で生成されたクラスタに対し、パターン保持部１１０２に保持されているラベルに従い、各クラスタにラベルを割り当てる。（Ｓｔｅｐ５１）
次に、任意のクラスタＣｘをランダムに選択する。（Ｓｔｅｐ５２）
Ｃｘのラベルパターン保持部に保持されている全ラベルに変更した場合における、同一ラベルが割り当てられているクラスタの出現率、継続時間、消費電力の平均を、それぞれ計算する。この平均を算出する際、各クラスタに含まれている特徴量ベクトルの数で重み付けを加えてもよい。（Ｓｔｅｐ５３）
各場合の出現率、継続時間、消費電力とパターン保持部に保持されている出現率、継続時間、消費電力との二乗和誤差を計算し、それぞれε１乃至εｍとする。（ラベルの全数をｍとする）（Ｓｔｅｐ５４）
二乗和誤差に対し、指数関数expを利用して、ｅｘｐ（-ε１）乃至ｅｘｐ（-εｍ）に比例する確率でＣｘのラベルを更新する。（Ｓｔｅｐ５５）
同一ラベルが割り当てられているクラスタの出現率、継続時間、消費電力の平均Ｌ´１１乃至Ｌ´ｍｍを、それぞれ計算する。この平均を算出する際、各クラスタに含まれている特徴量ベクトルの数で重み付けを加えてもよい。（Ｓｔｅｐ５６）
Ｌ１１乃至ＬｍｍとＬ´１１乃至Ｌ´ｍｍの二乗和誤差を計算し、あらかじめ指定した規定値以下であれば、推定を終了し、規定値より大きければＳｔｅｐ５２に遷移する。（Ｓｔｅｐ５７）
このようにすることで、与えられた行動様態の事前知識及び事前確率から、需要量を用いて行動様態ラベルを各時間に対して推定することが可能となる。

上記のような機器に関する分類ラベル情報は、例えば調理器具は料理行動など、機器がもっともよく使用される行動様態に結び付けることができる。

このようにして行動様態を推定することができるし、第四の実施の形態と組み合わせて行動様態を推定することもできる。このようにすると、例えば距離が通常よりも大きくなるようなデータに対して、機器の異常や行動様態の異常を示すアラートを発生させることができ、それらは、例えば、表示装置３０５などに表示することができる。

アドバイス等を生成する際には、時間に関する関連性の高い消費に関し、その消費を低減するように促すことができる。また、時間に関する関連性の高い消費に対する確率密度を推定することで、確率密度の類似性を評価することができる。
例えば推定された分類ラベル情報に基づき、各行動様態の需要量の大小に対して、適切なアドバイスを送信することができる。

上記類似性の評価においては、確率密度を適宜、量子化した後、ユークリッド距離やコサイン距離などを用いることができる。

類似した需要家に対しては、例えば、時間に関する関連性高い需要量などに応じて、時間に関する関連性高い需要が多い家庭には高級品等の広告配信など行い、時間に関する関連性高い需要量が小さい家庭には、省エネ製品の広告配信を行うことなどができる。

その他、推定された分類ラベル情報に基づき、例えばよく調理器具をする家庭などに調理用具の広告など、ある特定の行動様態を持つ需要家に広告等を配信することができる。

上記のようなシステム及び方法を実施することにより、需要量の特徴量と時間を保持することで、これらを分類モデル生成部で時間に関する関連性乃至独立性によって分類することにより、低い需要量取得間隔であっても、様々なサービスを提供するための分類モデルを、事前の知識情報や条件分岐などによらず生成することができ、分類モデルからデータ分類と、それによる需要家情報の可視化・アドバイス・広告配信・異常検出などのサービスを実現することが可能となる。

（第五の実施の形態）
第五の実施の形態におけるシステム構成は、第二乃至第四の実施形態におけるシステム構成に対し、入力部２１０１を付加した構成である。図２１には、第五の実施例における分類モデル生成部５０２の代表的な構成例を示す。

分類モデル生成部５０２は、特徴ベクトル生成部６０１と、特徴ベクトル分類部６０２と、分類群ラベル推定部１４０１、及び、パターン保持部１４０２から構成される。データ取得部５０１から取得された特徴量データは、特徴ベクトル生成部６０１で特徴ベクトルの集合に変換され、特徴ベクトル分類部に送信される。特徴ベクトル分類部６０２では特徴ベクトル集合を所望の複数の分類群に分類することができる。

分類群ラベル推定部１４０１は、特徴ベクトル分類部６０２において分類された分類群に対し、パターン保持部１４０２に保持されているパターンに基づいてラベルを付与する。パターン保持部１４０２は情報保持部２０３よりラベル情報を取得することができ、この際、通信網１０３などを介して取得してもよい。

第五の実施例においては、情報保持部に対して需要家から入力部を介してラベル情報を送信することができる。

図２２には、表示装置３０５と入力部２１０１の構成と表示例を示す。図２２に開示される表示装置３０５は、所謂、タブレット端末である。タブレット端末には、需要家の消費様態を示す、図１３に示した表示がなされている。タブレット端末は入力部２１０１を兼ねる。表示部下部の行動様態の分類結果部においては、需要家の実際の行動を入力することができる入力フォームが表示されており、需要家は需要家自身の行動を自由に記述することができる。

図２３には、表示装置３０５における入力フォームに入力後の表示例を示す。需要家によって入力されたラベル情報は、特徴量データのクラスタを表示する散布図等に対応付けされる。対応付けされたラベルは、ラベル伝搬法などにより、同一のクラスタ内をラベル付けすることが可能となる。

図２４には、ラベル伝搬法の代表的な方法を示す。

まず、需要家がラベル入力を行う（Ｓｔｅｐ６１）
次に、特徴ベクトル間の距離を、距離関数ｄに従って算出し、特徴ベクトル間のグラフデータとして保持する。（Ｓｔｅｐ６２）
需要家が入力した時間情報並びに特徴量に対応する特徴ベクトルにラベルを付与する。（Ｓｔｅｐ６３）
最後にグラフ上の経路で最も近傍なラベルを各特徴ベクトルのラベルとし、終了する。（Ｓｔｅｐ６４）
このようにすることで、需要家が入力したラベル情報をもとに特徴ベクトル分類結果に対して、分類ラベルを推定することが可能になり、パターン情報に基づくアドバイス・広告配信などを行うことができるようになる。 このようにすることで、与えられた行動様態の事前知識及び事前確率から、需要量を用いて行動様態ラベルを各時間に対して推定することが可能となる。

上記のような機器に関する分類ラベル情報は、例えば調理器具は料理行動など、機器がもっともよく使用される行動様態に結び付けることができる。このようにして行動様態を推定することができるし、第四の実施の形態と組み合わせて行動様態を推定することもできる。

これらの分類ラベル情報は、統合管理システム１０１上で連携することで、別の需要家の行動様態推定にしようすることもできる。このようにすると、例えば距離が通常よりも大きくなるようなデータに対して、機器の異常や行動様態の異常を示すアラートを発生させることができ、それらは、例えば、表示装置３０５などに表示することができる。アドバイス等を生成する際には、時間に関する関連性の高い消費に関し、その消費を低減するように促すことができる。また、時間に関する関連性の高い消費に対する確率密度を推定することで、確率密度の類似性を評価することができる。

例えば推定された分類ラベル情報に基づき、各行動様態の需要量の大小に対して、適切なアドバイスを送信することができる。上記類似性の評価においては、確率密度を適宜、量子化した後、ユークリッド距離やコサイン距離などを用いることができる。類似した需要家に対しては、例えば、時間に関する関連性高い需要量などに応じて、時間に関する関連性高い需要が多い家庭には高級品等の広告配信など行い、時間に関する関連性高い需要量が小さい家庭には、省エネ製品の広告配信を行うことなどができる。

その他、推定された分類ラベル情報に基づき、例えばよく調理器具をする家庭などに調理用具の広告など、ある特定の行動様態を持つ需要家に広告等を配信することができる。

上記のようなシステム及び方法を実施することにより、需要量の特徴量と時間を保持することで、これらを分類モデル生成部で時間に関する関連性乃至独立性によって分類することにより、低い需要量取得間隔であっても、様々なサービスを提供するための分類モデルを、事前の知識情報や条件分岐などによらず生成することができ、分類モデルからデータ分類と、それによる需要家情報の可視化、アドバイス、広告配信、異常検出などのサービスを実現することが可能となる。

１０１ 統合管理システム
１０２ 需要家内管理システム
１０３ 通信網
１０４ 需要家
１０５ 屋内通信網
１０６ 水光熱システム
１０７ 消費装置
１０８ 供給ライン
１０９ 供給源
１１０ 測定器
２０１ 通信部
２０２ 情報処理部
２０３ 情報保持部
２０４ 通信経路
３０１ 需要量取得部
３０２ 特徴算出部
３０３ 動作情報取得部
３０４ 統合管理システム情報送受信部
３０５ 表示装置
４０１ 行動判別部
４０２ 表示生成部
４０３ 制御情報生成部
５０１ データ取得部
５０２ 分類モデル生成部
５０３ データ分類部
５０４ 分類データ送信部
６０１ 特徴ベクトル生成部
６０２ 特徴ベクトル分類部
７０１ 特徴保持形式
７０２ 特徴ベクトル集合
１４０１ 分類群ラベル推定部
１４０２ パターン保持部
１５０１ ラベル保持形式
１６０１ 特徴ベクトル分類結果
２１０１ 入力部

Claims (8)

1. 需要家の行動様態を推定する行動推定システムであって、
   前記行動推定システムは、統合管理システムと、少なくとも一つ以上の需要家内管理システムと、前記統合管理システムと前記需要家内管理システム間の通信を行うための通信網と、少なくとも一つ以上の水光熱システムと、前記需要家内管理システムと前記水光熱システム間の通信を行うための少なくとも一つ以上の屋内通信網を有し、
   前記水光熱システムは、少なくとも一つ以上の供給源と、少なくとも一つ以上の測定器と、少なくとも一つ以上の消費装置と、前記供給源と前記測定器と前記消費装置とを接続する供給ラインを有し、
   前記統合管理システムには、前記需要家内管理システムと通信を行うための通信部と、第一の情報保持部と、前記第一の情報保持部の情報を処理するための第一の情報処理部を有し、
   前記需要家内管理システムは、前記水光熱システムの需要量を取得するための需要量取得部と、前記需要量取得部から、需要の特徴を抽出するための特徴算出部と、前記消費装置の動作状況を取得するための動作情報取得部と、前記特徴算出部と前記動作情報取得部からの情報を保持するための第二の情報保持部と、前記第二の情報保持部の情報を処理するための第二の情報処理部と、前記統合管理システムと通信を行うための、統管理システム情報送受信部とを有し、
   前記第一及び第二の情報処理部はそれぞれ、第一及び第二行動判別部を有し、
   前記、第一及び第二の行動判別部の少なくとも一つには、行動様態を推定するための推定情報を需要家毎に生成する分類モデル生成部を有することを、
   特徴とする行動推定システム。
2. 前記特徴量算出部は、一つの前記測定器から取得された所望の時間範囲の中の全測定値に対する総和値、最大値、中間値、最頻値、確率密度関数推定値の内の極大値、のうちいずれか一つ以上を特徴量とすることを特徴とする請求項１に記載の行動推定システム。
3. 前記分類モデル生成部は、
   時間に関する特徴量と需要量の特徴量に関する確率密度を推定する特徴ベクトル分類部を有し、
   前記特徴ベクトル分類部は、時間に関する特徴量と、需要量の特徴量の関連性に基づいて、時間に関する特徴量と需要量の特徴量の関連性が高い群と低い群の少なくとも二つに分類することにより、分類モデルを生成することを特徴とする請求項１に記載の行動推定システム。
4. 前記特徴ベクトル分類部は、
   前記時間に関する特徴量と需要量の特徴量の関連性が高い群に対し、
   少なくとも二つ以上の分類群を生成する分類群生成手段を有し、
   前記分類群生成手段によって生成された分類群に対し、分類群間の遷移状態を推定する分類群遷移手段を有することを特徴とする請求項３に記載の行動推定システム。
5. 前記分類モデル生成部は、
   前記特徴ベクトル分類部に加えて、分類群ラベル推定部と、パターン保持部を有し、
   前記パターン保持部は、前記第一乃至第二の情報保持部からラベル情報を取得し、
   前記分類群ラベル推定部は、前記パターン保持部に保持されるラベル情報に基づいて前記特徴ベクトル分類部が生成した分類群に対して、ラベル情報を付与することを特徴とする請求項３に記載の行動推定システム。
6. 前記分類群ラベル推定部は、行動様態の遷移表に基づいてラベル推定をすることを特徴とする請求項５に記載の行動推定システム。
7. 前記分類群ラベル推定部は、行動様態の出現確率・継続時間・代表的な特徴量の大きさに基づいてラベル推定をすることを特徴とする請求項５に記載の行動推定システム。
8. 前記需要家内管理システムは、ラベル情報を入力するための入力部を有し、
   前記入力部から入力されたラベル情報に基づき、前記分類群ラベル推定部がラベルを推定することを特徴とする請求項５に記載の行動推定システム。

Images