JP2015162229A - 特徴時間帯での消費電力量からユーザ属性を推定するプログラム、装置及び方法 - Google Patents
特徴時間帯での消費電力量からユーザ属性を推定するプログラム、装置及び方法 Download PDFInfo
- Publication number
- JP2015162229A JP2015162229A JP2014038948A JP2014038948A JP2015162229A JP 2015162229 A JP2015162229 A JP 2015162229A JP 2014038948 A JP2014038948 A JP 2014038948A JP 2014038948 A JP2014038948 A JP 2014038948A JP 2015162229 A JP2015162229 A JP 2015162229A
- Authority
- JP
- Japan
- Prior art keywords
- user
- active power
- vector
- amount
- estimation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 31
- 239000013598 vector Substances 0.000 claims abstract description 237
- 238000010276 construction Methods 0.000 claims abstract description 17
- 238000013523 data management Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 14
- 238000007726 management method Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 13
- 230000006399 behavior Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
所定期間におけるユーザに係る地域での天候に係る情報を示す天候関連値を取得する天候データ管理手段と、
所定期間に計測されたユーザに係る消費電力量のデータから、各時間帯での消費電力量の最小値に基づいて機器起因電力量を算出し、当該時間帯での消費電力量と機器起因電力量とに基づいて、ユーザの活動に係る電力量に対応する活動電力量を算出する活動電力抽出手段と、
ユーザの所定期間での活動電力量から、所定期間を構成する単位期間毎に、各時間帯での活動電力量を要素とする活動電力ベクトルを生成し、天候に応じて活動電力量に特徴が生じ得る時間帯である特徴時間帯において天候関連値が所定値を示す単位期間に係る活動電力ベクトルを選択し、選択した活動電力ベクトルを所定数のクラスタに分類するクラスタリング処理を行い、最大のクラスタに属する活動電力ベクトルに基づいて、ユーザの特徴時間帯での活動電力量を代表する特徴時間代表ベクトルを生成する代表ベクトル生成手段と、
ユーザの1つの単位期間における活動電力ベクトルの要素と、ユーザについて生成された特徴時間代表ベクトルの要素と、1つの単位期間における天候関連値とを要素として含む特徴ベクトルを生成する特徴ベクトル生成手段と、
特徴ベクトルと、当該特徴ベクトルに係るユーザのユーザ属性を示すユーザ属性値との組を教師データとして含む教師データセットを用いて機械学習を行い、推定モデルを構築する推定モデル構築手段と、
推定対象ユーザの1つの単位期間における活動電力ベクトルの要素と、推定対象ユーザについて生成された特徴時間代表ベクトルの要素と、当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを構築された推定モデルに入力し、推定対象ユーザのユーザ属性の推定値を取得するユーザ属性推定手段と
してコンピュータを機能させるユーザ属性推定プログラムが提供される。
同一の気象条件下にあると見なされる近隣エリアの複数のユーザについての各時間帯での活動電力量の平均である平均活動電力量を算出する平均活動電力算出手段と、
算出された平均活動電力量に係る時間帯での気温値に基づいて、気温と活動電力量との関係をモデル化した活動電力推定モデルを構築する活動電力推定モデル構築手段と
してコンピュータを機能させ、
特徴ベクトル生成手段は、生成した特徴ベクトルについて、当該特徴ベクトルに係る単位期間における各時間帯での気温値から、活動電力推定モデルを用いて特徴時間帯での活動電力量である一般活動電力量を算出し、算出した特徴時間帯での一般活動電力量と、当該特徴ベクトルのうちの特徴時間帯に係る活動電力ベクトルの要素との類似度を算出し、この類似度に応じて信頼度が低いと見なされる特徴ベクトルを、ユーザ属性推定のためのレコードから除外することも好ましい。
ユーザ属性推定プログラムは、さらに、
ユーザ属性の申告又は調査データから教師データセットを生成する教師データ生成手段と、
同一の気象条件下にあると見なされる近隣の複数のユーザについての各時間帯での活動電力量の平均である平均活動電力量を算出する平均活動電力算出手段と、
算出された平均活動電力量に係る時間帯での気温値に基づいて、気温と活動電力量との関係をモデル化した活動電力推定モデルを構築する活動電力推定モデル構築手段と
してコンピュータを機能させ、
教師データ生成手段は、取得されたユーザ属性に係る単位期間における各時間帯での気温値から、活動電力推定モデルを用いて各時間帯での活動電力量を算出して推定した特徴ベクトルである推定特徴ベクトルを生成し、推定特徴ベクトルと、取得されたユーザ属性とから教師データを生成することも好ましい。
所定期間におけるユーザに係る地域での天候に係る情報を示す天候関連値を取得する天候データ管理手段と、
所定期間に計測されたユーザに係る消費電力量のデータから、各時間帯での消費電力量の最小値に基づいて機器起因電力量を算出し、当該時間帯での消費電力量と機器起因電力量とに基づいて、ユーザの活動に係る電力量に対応する活動電力量を算出する活動電力抽出手段と、
ユーザの所定期間での活動電力量から、所定期間を構成する単位期間毎に、各時間帯での活動電力量を要素とする活動電力ベクトルを生成し、天候に応じて活動電力量に特徴が生じ得る時間帯である特徴時間帯において天候関連値が所定値を示す単位期間に係る活動電力ベクトルを選択し、選択した活動電力ベクトルを所定数のクラスタに分類するクラスタリング処理を行い、属するベクトル数の最も多いクラスタに属する活動電力ベクトルに基づいて、ユーザの特徴時間帯での活動電力量を代表する特徴時間代表ベクトルを生成する代表ベクトル生成手段と、
ユーザの1つの単位期間における活動電力ベクトルの要素と、ユーザについて生成された特徴時間代表ベクトルの要素と、当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを生成する特徴ベクトル生成手段と、
特徴ベクトルと、当該特徴ベクトルに係るユーザのユーザ属性を示すユーザ属性値との組を教師データとして含む教師データセットを用いて機械学習を行い、推定モデルを構築する推定モデル構築手段と、
推定対象ユーザの1つの単位期間における活動電力ベクトルの要素と、推定対象ユーザについて生成された特徴時間代表ベクトルの要素と、当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを構築された推定モデルに入力し、推定対象ユーザのユーザ属性の推定値を取得するユーザ属性推定手段と
を有するユーザ属性推定装置が提供される。
所定期間におけるユーザに係る地域での天候に係る情報を示す天候関連値を取得する第1のステップと、
所定期間に計測されたユーザに係る消費電力量のデータから、各時間帯での消費電力量の最小値に基づいて機器起因電力量を算出し、当該時間帯での消費電力量と機器起因電力量とに基づいて、ユーザの活動に係る電力量に対応する活動電力量を算出する第2のステップと、
ユーザの所定期間での活動電力量から、所定期間を構成する単位期間毎に、各時間帯での活動電力量を要素とする活動電力ベクトルを生成し、天候に応じて活動電力量に特徴が生じ得る時間帯である特徴時間帯において天候関連値が所定値を示す単位期間に係る活動電力ベクトルを選択し、選択した活動電力ベクトルを所定数のクラスタに分類するクラスタリング処理を行い、最大のクラスタに属する活動電力ベクトルに基づいて、ユーザの特徴時間帯での活動電力量を代表する特徴時間代表ベクトルを生成する第3のステップと、
ユーザの1つの単位期間における活動電力ベクトルの要素と、ユーザについて生成された特徴時間代表ベクトルの要素と、当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを生成する第4のステップと、
特徴ベクトルと、当該特徴ベクトルに係るユーザのユーザ属性を示すユーザ属性値との組を教師データとして含む教師データセットを用いて機械学習を行い、推定モデルを構築する第5のステップと、
推定対象ユーザの1つの単位期間における活動電力ベクトルの要素と、推定対象ユーザについて生成された特徴時間代表ベクトルの要素と、当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを構築された推定モデルに入力し、推定対象ユーザのユーザ属性の推定値を取得する第6のステップと
を有するユーザ属性推定方法が提供される。
図1は、本発明によるユーザ属性推定システムの一実施形態における模式図である。
(a)単位期間としてのある1日間における、ユーザの活動に係る電力量に相当する「活動電力ベクトル」の要素と、「特徴時間帯」としての夕刻帯におけるユーザの活動電力量を代表する「特徴時間代表ベクトル」の要素と、この1日間における天候関連値とを要素として含む「特徴ベクトル」を生成し、
(b)「特徴ベクトル」と、当該特徴ベクトルに係るユーザのユーザ属性値(夕刻帯における当該世帯構成員の生活行動特性)との組を教師データとして含む教師データセットを用いて機械学習を行って推定モデルを構築し、
(c)推定対象ユーザの1日間における「活動電力ベクトル」の要素と、当該推定対象ユーザについて生成された「特徴時間代表ベクトル」の要素と、この1日間における天候関連値とを要素として含む特徴ベクトルを構築された推定モデルに入力し、当該推定対象ユーザのユーザ属性の推定値を取得する。
(ア)夕刻帯でのユーザの活動電力量を代表する「特徴時間代表ベクトル」の要素と、
(イ)天候関連値と
を含む。ここで、夕刻帯は、天候に応じて各世帯の特徴が活動電力量に顕著に現れ得る時間帯であり、具体的には、日照量が低下することによって、各世帯で照明をONにする行動が特徴的に発生し得る時間帯である。従って、上記(ア)及び(イ)の組合せを含む教師データが機械学習に使用されることにより、構築される推定モデルからのアウトプットにおいてより明確にユーザ(世帯)の特性が反映され、より的確な推定値が取得されることになる。
図2は、本発明によるユーザ属性推定装置の一実施形態における機能構成を示す機能ブロック図である。
(a)ユーザの自宅(滞在対象区域)に設置されたスマートメータ4やHGW5等から、消費電力量の計測値データを受信し、ユーザ情報管理装置2から、ユーザIDと申告等によって収集されたユーザ属性との組の情報を受信し、また、気象情報管理サーバ3から、所定期間の各日時における天候関連値を含む気象情報を受信し、さらに、
(b)ユーザ属性推定部116から出力される推定対象ユーザ世帯のユーザ属性推定値を外部の通知先に送信する。例えば、ウェブサイトやアプリケーション等を介する形で、この推定値を提示することもできる。
(a)所定期間、例えば30日間に計測されたユーザ世帯に係る消費電力量のデータから、各時間帯での消費電力量の最小値を決定して、この最小値を各時間帯での機器起因電力量とし、
(b)当該時間帯での消費電力量と機器起因電力量とに基づいて活動電力量を算出する。
(1) (活動電力量)=(総消費電力量)−(機器起因電力量)
ここで、算出された活動電力量が所定閾値以上となる場合、当該ユーザ世帯では当該時間帯において人(世帯構成員)が活動していると解釈可能となる。この閾値は、季節、例えば夏季、冬季、夏冬の中間期毎に異なる値とすることができる。
(a)ユーザ世帯の所定期間、例えば90日間での活動電力量から、当該90日間を構成する各日毎に、各時間帯での活動電力量を要素とする活動電力ベクトルを生成し、
(b)夕刻帯(特徴時間帯)において天候関連値が所定値(本実施形態では「晴」又は「日照有」)を示すような1日間に係る活動電力ベクトルを選択する。
(c)選択した活動電力ベクトルを所定数のクラスタに分類する階層型クラスタリング処理を行い、
(d)最大のクラスタ、即ち最大のクラスタに属する活動電力ベクトルに基づいて、当該ユーザ世帯の夕刻帯での活動電力量を代表する夕刻帯(特徴時間)代表ベクトル(照明ON時間代表ベクトル)を生成する。
(2) (夕刻帯代表ベクトル)=(l1,l2,l3)
となる。
(ア)活動電力ベクトルの要素:a1,a2,a3,a4,a5,a6,a7、
(イ)夕刻帯代表ベクトルの要素:l1,l2,l3、
(ウ)天候関連値ベクトルの要素:w1,w2,w3,w4、及び
(エ)日別値:h
を要素とした15次元ベクトルとなっている。
(a)あるユーザ世帯のある1日間(基本期間)における特徴ベクトルと、
(b)当該ユーザ世帯のユーザ属性を示すユーザ属性値と
の組を含む教師データの集合である。教師データセットは、例えば1000世帯の90日分に相当する90000個の教師データを構成要素とすることができる。ここで、教師データを生成する際、例えば、消費電力量情報の送信元であるHGW5の機器IDとユーザIDとが対応づけられており、特徴ベクトルを生成するのに使用された消費電力量に係る機器IDと、ユーザ属性値に紐付けられたユーザIDとが同一ユーザ(世帯)を示す場合に、当該特徴ベクトルと当該ユーザ属性値とを組にして教師データとすることも好ましい。
(a)推定対象ユーザ世帯の1日間(単位期間)における活動電力ベクトルの要素と、
(b)当該推定対象ユーザ世帯について生成された特徴時間代表ベクトルの要素と、
(c)当該1日間における天候関連値と、
を要素として含むことも好ましい。さらに、(d)当該1日間の日別値(「平日」又は「休日」)を要素として含んでいてもよい。例えば、図3(B)に示したユーザ0001についての2つの特徴ベクトルの各々を構築された推定モデルに入力した場合、推定モデルからの出力として、ユーザ属性が「夕方在宅型」との推定値が取得されることになる。
(a)生成した特徴ベクトルについて、この特徴ベクトルに係る1日間(単位期間)における各時間帯での気温値から、活動電力推定モデル構築部122で構築された活動電力推定モデルを用いて夕刻帯(特徴時間帯)での「一般活動電力量」を算出し、
(b)算出した夕刻帯での「一般活動電力量」と、当該特徴ベクトルのうちの夕刻帯に係る活動電力ベクトルの要素との類似度を算出し、
(c)算出した類似度に応じて信頼度が低いと見なされる特徴ベクトルに信頼度フラグ=0を付与し、当該特徴ベクトルをユーザ属性推定のためのレコードから除外する。
(a)「晴」且つ「平日」に係る特徴ベクトルにおける、夕刻帯(16、17及び18時台)での活動電力ベクトルの要素(a4,a5,a6)と、
(b)同じ(「晴」且つ「平日」の)1日間の夕刻帯(16、17及び18時台)における一般活動電力量(a4',a5',a6')と
のコサイン類似度が算出されている。この算出されたコサイン類似度が所定閾値(本実施例では0.8)未満の場合、この信頼度調査対象の特徴ベクトルに信頼度フラグ=0を付与する。
(S601)所定期間(例えば90日間)における天候関連値(例えば「晴」又は「雨・雪」を示す値)を取得する。
(S602)ユーザ世帯の所定期間における各時間帯での消費電力量を取得し、当該消費電力量から当該ユーザ世帯の機器起因電力量を算出する。
(S603)算出された機器起因電力量から当該ユーザ世帯の活動電力ベクトルを算出する。
(S605)生成した特徴時間代表ベクトルを用いて当該ユーザ世帯の1つの基本期間(1日間)における特徴ベクトルを生成する。
(S606)特徴ベクトルとユーザ属性との組を含む教師データのセットを用いて推定モデルを構築する。
(S607)推定対象ユーザ世帯に係る特徴ベクトルを生成する。
(S608)生成した特徴ベクトルをステップS606で構築した推定モデルに入力する。
(S609)推定モデルからの出力として、推定対象ユーザ世帯におけるユーザ属性の推定値を取得する。
101 通信インタフェース部
102 消費電力データ管理部
103 天候データ管理部
104 ユーザ属性管理部
111 活動電力抽出部
112 代表ベクトル生成部
113 特徴ベクトル生成部
114 教師データ生成部
115 ユーザ属性推定モデル構築部
116 ユーザ属性推定部
121 平均活動電力算出部
122 活動電力推定モデル構築部
2 ユーザ情報管理装置
3 気象情報管理サーバ
4 スマートメータ
5 HGW
6 事業者通信網
7 インターネット
Claims (7)
- 推定対象ユーザの消費電力量に基づいて当該推定対象ユーザのユーザ属性を推定する装置に搭載されたコンピュータを機能させるユーザ属性推定プログラムであって、
所定期間におけるユーザに係る地域での天候に係る情報を示す天候関連値を取得する天候データ管理手段と、
当該所定期間に計測された当該ユーザに係る消費電力量のデータから、各時間帯での消費電力量の最小値に基づいて機器起因電力量を算出し、当該時間帯での消費電力量と当該機器起因電力量とに基づいて、当該ユーザの活動に係る電力量に対応する活動電力量を算出する活動電力抽出手段と、
当該ユーザの所定期間での活動電力量から、当該所定期間を構成する単位期間毎に、各時間帯での活動電力量を要素とする活動電力ベクトルを生成し、天候に応じて活動電力量に特徴が生じ得る時間帯である特徴時間帯において天候関連値が所定値を示す単位期間に係る活動電力ベクトルを選択し、選択した活動電力ベクトルを所定数のクラスタに分類するクラスタリング処理を行い、最大のクラスタに属する活動電力ベクトルに基づいて、当該ユーザの該特徴時間帯での活動電力量を代表する特徴時間代表ベクトルを生成する代表ベクトル生成手段と、
当該ユーザの1つの単位期間における活動電力ベクトルの要素と、当該ユーザについて生成された特徴時間代表ベクトルの要素と、当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを生成する特徴ベクトル生成手段と、
当該特徴ベクトルと、当該特徴ベクトルに係るユーザのユーザ属性を示すユーザ属性値との組を教師データとして含む教師データセットを用いて機械学習を行い、推定モデルを構築する推定モデル構築手段と、
当該推定対象ユーザの1つの単位期間における活動電力ベクトルの要素と、当該推定対象ユーザについて生成された特徴時間代表ベクトルの要素と、当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを構築された推定モデルに入力し、当該推定対象ユーザのユーザ属性の推定値を取得するユーザ属性推定手段と
してコンピュータを機能させることを特徴とするユーザ属性推定プログラム。 - 前記代表ベクトル生成手段は、前記特徴時間帯として日没又は日没前の日照量が低下する所定時間である夕刻帯を設定し、該夕刻帯において晴れ又は日照有りに対応する天候関連値を示す単位期間に係る活動電力ベクトルを選択することを特徴とする請求項1に記載のユーザ属性推定プログラム。
- 前記代表ベクトル生成手段は、複数の時間帯から構成される特徴時間帯を設定し、該複数の時間帯の各々における活動電力量をそれぞれ代表する複数の要素を有する特徴時間代表ベクトルを生成することを特徴とする請求項1又は2に記載のユーザ属性推定プログラム。
- 当該単位期間として1日間が設定され、
前記特徴ベクトル生成手段は、当該1日間が平日か否かを示す日別値を更なる要素として含む特徴ベクトルを生成する
ことを特徴とする請求項1から3のいずれか1項に記載のユーザ属性推定プログラム。 - 前記天候データ管理手段は、当該所定期間における当該ユーザに係る地域での気温を示す気温値を更に取得し、
前記ユーザ属性推定プログラムは、さらに、
同一の気象条件下にあると見なされる近隣エリアの複数のユーザについての各時間帯での活動電力量の平均である平均活動電力量を算出する平均活動電力算出手段と、
算出された平均活動電力量に係る時間帯での気温値に基づいて、気温と活動電力量との関係をモデル化した活動電力推定モデルを構築する活動電力推定モデル構築手段と
してコンピュータを機能させ、
前記特徴ベクトル生成手段は、生成した特徴ベクトルについて、当該特徴ベクトルに係る単位期間における各時間帯での気温値から、前記活動電力推定モデルを用いて前記特徴時間帯での活動電力量である一般活動電力量を算出し、算出した該特徴時間帯での一般活動電力量と、当該特徴ベクトルのうちの前記特徴時間帯に係る活動電力ベクトルの要素との類似度を算出し、当該類似度に応じて信頼度が低いと見なされる特徴ベクトルを、ユーザ属性推定のためのレコードから除外する
ことを特徴とする請求項1から4のいずれか1項に記載のユーザ属性推定プログラム。 - 推定対象ユーザの消費電力量に基づいて当該推定対象ユーザのユーザ属性を推定する装置であって、
所定期間におけるユーザに係る地域での天候に係る情報を示す天候関連値を取得する天候データ管理手段と、
当該所定期間に計測された当該ユーザに係る消費電力量のデータから、各時間帯での消費電力量の最小値に基づいて機器起因電力量を算出し、当該時間帯での消費電力量と当該機器起因電力量とに基づいて、当該ユーザの活動に係る電力量に対応する活動電力量を算出する活動電力抽出手段と、
当該ユーザの所定期間での活動電力量から、当該所定期間を構成する単位期間毎に、各時間帯での活動電力量を要素とする活動電力ベクトルを生成し、天候に応じて活動電力量に特徴が生じ得る時間帯である特徴時間帯において天候関連値が所定値を示す単位期間に係る活動電力ベクトルを選択し、選択した活動電力ベクトルを所定数のクラスタに分類するクラスタリング処理を行い、最大のクラスタに属する活動電力ベクトルに基づいて、当該ユーザの該特徴時間帯での活動電力量を代表する特徴時間代表ベクトルを生成する代表ベクトル生成手段と、
当該ユーザの1つの単位期間における活動電力ベクトルの要素と、当該ユーザについて生成された特徴時間代表ベクトルの要素と、当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを生成する特徴ベクトル生成手段と、
当該特徴ベクトルと、当該特徴ベクトルに係るユーザのユーザ属性を示すユーザ属性値との組を教師データとして含む教師データセットを用いて機械学習を行い、推定モデルを構築する推定モデル構築手段と、
当該推定対象ユーザの1つの単位期間における活動電力ベクトルの要素と、当該推定対象ユーザについて生成された特徴時間代表ベクトルの要素と、当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを構築された推定モデルに入力し、当該推定対象ユーザのユーザ属性の推定値を取得するユーザ属性推定手段と
を有することを特徴とするユーザ属性推定装置。 - 推定対象ユーザの消費電力量に基づいて当該推定対象ユーザのユーザ属性を推定するユーザ属性推定方法であって、
所定期間におけるユーザに係る地域での天候に係る情報を示す天候関連値を取得する第1のステップと、
当該所定期間に計測された当該ユーザに係る消費電力量のデータから、各時間帯での消費電力量の最小値に基づいて機器起因電力量を算出し、当該時間帯での消費電力量と当該機器起因電力量とに基づいて、当該ユーザの活動に係る電力量に対応する活動電力量を算出する第2のステップと、
当該ユーザの所定期間での活動電力量から、当該所定期間を構成する単位期間毎に、各時間帯での活動電力量を要素とする活動電力ベクトルを生成し、天候に応じて活動電力量に特徴が生じ得る時間帯である特徴時間帯において天候関連値が所定値を示す単位期間に係る活動電力ベクトルを選択し、選択した活動電力ベクトルを所定数のクラスタに分類するクラスタリング処理を行い、最大のクラスタに属する活動電力ベクトルに基づいて、当該ユーザの該特徴時間帯での活動電力量を代表する特徴時間代表ベクトルを生成する第3のステップと、
当該ユーザの1つの単位期間における活動電力ベクトルの要素と、当該ユーザについて生成された特徴時間代表ベクトルの要素と、当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを生成する第4のステップと、
当該特徴ベクトルと、当該特徴ベクトルに係るユーザのユーザ属性を示すユーザ属性値との組を教師データとして含む教師データセットを用いて機械学習を行い、推定モデルを構築する第5のステップと、
当該推定対象ユーザの1つの単位期間における活動電力ベクトルの要素と、当該推定対象ユーザについて生成された特徴時間代表ベクトルの要素と、当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを構築された推定モデルに入力し、当該推定対象ユーザのユーザ属性の推定値を取得する第6のステップと
を有することを特徴とするユーザ属性推定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014038948A JP6151202B2 (ja) | 2014-02-28 | 2014-02-28 | 特徴時間帯での消費電力量からユーザ属性を推定するプログラム、装置及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014038948A JP6151202B2 (ja) | 2014-02-28 | 2014-02-28 | 特徴時間帯での消費電力量からユーザ属性を推定するプログラム、装置及び方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2015162229A true JP2015162229A (ja) | 2015-09-07 |
JP6151202B2 JP6151202B2 (ja) | 2017-06-21 |
Family
ID=54185244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014038948A Expired - Fee Related JP6151202B2 (ja) | 2014-02-28 | 2014-02-28 | 特徴時間帯での消費電力量からユーザ属性を推定するプログラム、装置及び方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6151202B2 (ja) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6068615B1 (ja) * | 2015-09-08 | 2017-01-25 | 株式会社Compass | 学習支援システム、電子機器、サーバ装置、情報処理装置、及びプログラム |
WO2017047296A1 (ja) * | 2015-09-17 | 2017-03-23 | 日本電気株式会社 | 教師データ提供装置、推定装置、推定システム、教師データ提供方法、推定方法、及び、プログラム |
JP2017068765A (ja) * | 2015-10-01 | 2017-04-06 | 株式会社Sassor | 情報処理方法、情報処理装置およびプログラム |
JP2018132802A (ja) * | 2017-02-13 | 2018-08-23 | 東京電力ホールディングス株式会社 | 学習装置、属性推定装置、学習方法、属性推定方法及びプログラム |
JP2018206194A (ja) * | 2017-06-07 | 2018-12-27 | 東京電力ホールディングス株式会社 | 学習装置、属性推定装置、学習方法、属性推定方法及びプログラム |
JP2019140861A (ja) * | 2018-02-15 | 2019-08-22 | 中電技術コンサルタント株式会社 | 電力データ処理システム及び電力データ処理システムを用いて電力データを処理する方法 |
CN110209260A (zh) * | 2019-04-26 | 2019-09-06 | 平安科技(深圳)有限公司 | 耗电量异常检测方法、装置、设备及计算机可读存储介质 |
JP2019207604A (ja) * | 2018-05-30 | 2019-12-05 | Kddi株式会社 | 行動パターンからの乖離度に基づいて感情を推定可能なプログラム、装置及び方法 |
JP2020028208A (ja) * | 2018-08-18 | 2020-02-20 | 中電技術コンサルタント株式会社 | 電力データ処理システム及び電力データ処理システムを用いて電力データを処理する方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009277136A (ja) * | 2008-05-16 | 2009-11-26 | Mitsubishi Electric Corp | 類似度分析評価システム |
JP2012048503A (ja) * | 2010-08-26 | 2012-03-08 | Panasonic Electric Works Co Ltd | 電気量管理システムおよびセンタサーバ |
JP2012215969A (ja) * | 2011-03-31 | 2012-11-08 | Chugoku Electric Power Co Inc:The | ライフサイクル利用システム及びライフサイクル利用方法 |
-
2014
- 2014-02-28 JP JP2014038948A patent/JP6151202B2/ja not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009277136A (ja) * | 2008-05-16 | 2009-11-26 | Mitsubishi Electric Corp | 類似度分析評価システム |
JP2012048503A (ja) * | 2010-08-26 | 2012-03-08 | Panasonic Electric Works Co Ltd | 電気量管理システムおよびセンタサーバ |
JP2012215969A (ja) * | 2011-03-31 | 2012-11-08 | Chugoku Electric Power Co Inc:The | ライフサイクル利用システム及びライフサイクル利用方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6068615B1 (ja) * | 2015-09-08 | 2017-01-25 | 株式会社Compass | 学習支援システム、電子機器、サーバ装置、情報処理装置、及びプログラム |
WO2017047296A1 (ja) * | 2015-09-17 | 2017-03-23 | 日本電気株式会社 | 教師データ提供装置、推定装置、推定システム、教師データ提供方法、推定方法、及び、プログラム |
JPWO2017047296A1 (ja) * | 2015-09-17 | 2018-07-05 | 日本電気株式会社 | 教師データ提供装置、推定装置、推定システム、教師データ提供方法、推定方法、及び、プログラム |
JP2017068765A (ja) * | 2015-10-01 | 2017-04-06 | 株式会社Sassor | 情報処理方法、情報処理装置およびプログラム |
JP7024187B2 (ja) | 2017-02-13 | 2022-02-24 | 東京電力ホールディングス株式会社 | 学習装置及び属性推定装置 |
JP2018132802A (ja) * | 2017-02-13 | 2018-08-23 | 東京電力ホールディングス株式会社 | 学習装置、属性推定装置、学習方法、属性推定方法及びプログラム |
JP2018206194A (ja) * | 2017-06-07 | 2018-12-27 | 東京電力ホールディングス株式会社 | 学習装置、属性推定装置、学習方法、属性推定方法及びプログラム |
JP2019140861A (ja) * | 2018-02-15 | 2019-08-22 | 中電技術コンサルタント株式会社 | 電力データ処理システム及び電力データ処理システムを用いて電力データを処理する方法 |
JP2019207604A (ja) * | 2018-05-30 | 2019-12-05 | Kddi株式会社 | 行動パターンからの乖離度に基づいて感情を推定可能なプログラム、装置及び方法 |
JP2020028208A (ja) * | 2018-08-18 | 2020-02-20 | 中電技術コンサルタント株式会社 | 電力データ処理システム及び電力データ処理システムを用いて電力データを処理する方法 |
JP7265847B2 (ja) | 2018-08-18 | 2023-04-27 | 中電技術コンサルタント株式会社 | 電力データ処理システム及び電力データ処理システムを用いて電力データを処理する方法 |
CN110209260A (zh) * | 2019-04-26 | 2019-09-06 | 平安科技(深圳)有限公司 | 耗电量异常检测方法、装置、设备及计算机可读存储介质 |
CN110209260B (zh) * | 2019-04-26 | 2024-02-23 | 平安科技(深圳)有限公司 | 耗电量异常检测方法、装置、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP6151202B2 (ja) | 2017-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6151202B2 (ja) | 特徴時間帯での消費電力量からユーザ属性を推定するプログラム、装置及び方法 | |
US10860615B2 (en) | Users campaign for peaking energy usage | |
US11282150B2 (en) | Systems, apparatus and methods for managing demand-response programs and events | |
JP7065231B2 (ja) | エネルギー顧客の予測的セグメント化 | |
JP6297876B2 (ja) | 消費電力量に基づいて生活行動パターンを抽出する装置、プログラム及び方法 | |
US10001792B1 (en) | System and method for determining occupancy schedule for controlling a thermostat | |
JP6190309B2 (ja) | 消費電力量に基づいて生活パターンを推定する装置、プログラム及び方法 | |
CA3017229C (en) | Power consumption analyzing server and power consumption analyzing method thereof | |
JP2015173493A (ja) | エネルギー管理装置 | |
JP6190301B2 (ja) | 消費電力量から推定された生活行動を比較評価可能な装置、プログラム及び方法 | |
US9189766B2 (en) | Real time provisional evaluation of utility program performance | |
US20160132913A1 (en) | Multivariate Canonical Data Model for Tagging Customer Base of Energy Utility Enterprise | |
CN108475257B (zh) | 处理远程仪表读取数据以分析消耗量模式 | |
US9727063B1 (en) | Thermostat set point identification | |
JP2018165859A (ja) | 予測装置、予測方法および予測プログラム | |
JP6845789B2 (ja) | 属性クラスタの重みを利用した使用量予測プログラム、装置及び方法 | |
JP6425553B2 (ja) | 階層的な状態遷移モデルを用いて活動関連量を予測する装置、プログラム及び方法 | |
JP2014174890A (ja) | 電力情報管理サーバ及び電力情報管理方法 | |
Zhang et al. | Consumer satisfaction-oriented residential appliance scheduling algorithms | |
JP5930989B2 (ja) | 生活関連量の決定木を用いてユーザ属性を推定するユーザ属性推定プログラム、装置及び方法 | |
US20180374166A1 (en) | Information processing apparatus, information processing method thereof, and program | |
Ramesh et al. | Big Data and IoT System for Utility Power Planning using Commercial Cloud Database | |
JP6157003B2 (ja) | 消費電力量に基づく整合性のある生活状況の推定が可能な装置、プログラム及び方法 | |
WO2019236061A1 (en) | Method and system for disaggregating energy profile for one or more appliances installed in a non-smart meter home | |
JP6150343B2 (ja) | 生活行動の発生を判定可能な生活行動判定装置、プログラム及び方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160707 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20170424 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170426 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170428 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20170523 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170524 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6151202 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |