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

Abstract

【課題】ユーザによる消費電力量に基づいて、当該ユーザのユーザ属性をより高い信頼度で推定することが可能なユーザ属性推定プログラムを提供する。【解決手段】本ユーザ属性推定プログラムは、天候関連値を取得する天候データ管理手段と、ユーザの活動電力量を算出する活動電力抽出手段と、天候に応じて特徴が生じ得る特徴時間帯における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、活動電力ベクトル要素と特徴時間代表ベクトル要素と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、推定対象ユーザに係る特徴ベクトルを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。【選択図】図２

Description

本発明は、ユーザによって消費された電力等のユーザ関連量を解析して、ユーザに関する所定の情報を推定するユーザ情報推定技術に関する。

近年、ユーザのユーザ属性、例えば世帯人数や世帯構成員情報等に応じて、生活・業務に関連する支援やアドバイス、例えば家計管理支援や節電アドバイスを実施するシステムが注目されている。

このようなシステムの例として、特許文献１には、所得格差を考慮し、より正確で的確な家計支出のアドバイスを実施することの可能な家計管理支援システムが開示されている。このシステムでは、世帯区分、世帯人数、都道府県名及び年収といったユーザ情報や、日々の家計収支を登録させた上で、家計収支と算出した収支目安とを比較した結果を出力する。

また、特許文献２には、電力計測センサによって計測された電力使用量と、環境センサから出力される環境に関する情報とに基づいて節電アドバイスを決定し、ユーザに提示する節電支援システムが開示されている。ここで、節電アドバイスに関する問い合わせをユーザに提示し、この問い合わせに対する回答の一部としてユーザから個人属性情報を入力させ、この個人属性情報に基づいて、提供するアドバイス情報を改善する実施形態も開示されている。

特開２０１０−７９７６０号公報 特開２０１１−６６９５６号公報

しかしながら、特許文献１及び２に開示されたような従来技術は、アドバイスを生成・改善する際に利用するユーザ属性の入手を、ユーザによる自己申告に頼っている。即ち、ユーザ自身が明示的にユーザ属性をシステムに入力する必要がある。

また、従来、マーケティングの分野でも、顧客情報の解析を実施するシステムは数多く存在するが、その解析の基礎情報となるユーザ属性、例えば世帯人数や世帯構成員の特徴等は、世帯に関するアンケート調査を行って顧客から直接入手されねばならない。

このように、ユーザに対するサービス提供に関する情報を推定するのに必要となるユーザ属性の入手は、従来、ユーザ一人ひとりによる入力又はアンケート調査に頼るしかなく、多大な労力や時間がかかる作業となっていた。

そこで、本発明は、生活関連量として特にユーザによる消費電力量に基づいて、当該ユーザのユーザ属性をより高い信頼度で推定することが可能なユーザ属性推定プログラム、装置及び方法を提供することを目的とする。

本発明によれば、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、
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。

この本発明によるユーザ属性推定プログラムの一実施形態として、前記代表ベクトル生成手段は、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、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も好ましい。

また、本発明によるユーザ属性推定プログラムにおいて、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、これらの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も好ましい。

さらに、本発明によるユーザ属性推定プログラムにおける他の実施形態として、単位期間として１日間が設定され、特徴ベクトル生成手段は、この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も好ましい。

さらにまた、本発明によるユーザ属性推定プログラムにおける更なる他の実施形態として、天候データ管理手段は、所定期間におけるユーザに係る地域での気温を示す気温値を更に取得し、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、
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。

さらに、本発明によるユーザ属性推定プログラムにおける更なる他の実施形態として、天候データ管理手段は、所定期間におけるユーザに係る地域での気温を示す気温値を更に蓄積し、
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。

本発明によれば、さらに、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、
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。

本発明によれば、さらにまた、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、
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。

本発明のユーザ属性推定プログラム、装置及び方法によれば、ユーザによる消費電力量に基づいて当該ユーザのユーザ属性をより高い信頼度で推定することができる。

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。 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。 特徴ベクトルの一実施形態を示す説明図、及びユーザ属性と対応する特徴ベクトルとの関係の一実施形態を示すテーブルである。 活動電力推定モデルの一実施形態を示すグラフである。 特徴ベクトルに信頼度フラグを付与する実施例を示すテーブルである。 本発明によるユーザ属性推定方法の一実施形態を示すフローチャートである。

以下、本発明の実施形態について、図面を用いて詳細に説明する。

[ユーザ属性推定システム]
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。

図１において、本実施形態でのユーザ属性推定システムは、事業者通信網６に設置されており（ａ）ユーザの消費電力量及び（ｂ）当日の気象情報に基づいてユーザのユーザ属性を判定・推定するユーザ属性推定装置１を含む。ここで、ユーザとは、本実施形態において１つの世帯（ユーザ世帯）又は当該世帯の構成員である。さらに、ユーザ属性とは、本実施形態において静的属性であり、「特徴時間帯」における当該世帯構成員の生活行動特性を指す。

また、この「特徴時間帯」とは、天候に応じて活動電力量に特徴が生じ得る時間帯であり、本実施形態において、夕刻帯（夕方）、即ち１６〜１９時（１６時台、１７時台及び１８時台）となっている。実際、夕刻帯は、日没又は日没前の日照量が低下する時間帯であり、このように日照量が低下することによって、夕刻帯では各世帯で照明をＯＮにする行動が発生し得るのである。

さらに、この夕刻帯（特徴時間帯）に係るユーザ属性として、例えば、夕刻帯に当該世帯構成員が在宅している「夕方在宅型」、夕刻帯に当該世帯構成員が外出している「夕方外出型」、夕食前には当該世帯構成員が帰宅する「夕食前帰宅型」、夕刻帯に当該世帯構成員は在宅しているが比較的照明をＯＮにするタイミングが遅い「夕方在宅及び照明我慢型」等が挙げられる。

同じく図１によれば、ユーザ（一世帯）の消費電力量は、本実施形態において世帯構成員の滞在対象区域である自宅に設置されたホームゲートウェイ（ＨＧＷ）５から事業者通信網６を介してユーザ属性推定装置１に送信される。ここで、消費電力量はスマートメータ４で計測され、この計測値が、例えばＨＥＭＳ（Home Energy Management System）を介してＨＧＷ５に出力されてもよい。また、変更態様として、スマートメータ４が消費電力量を（図示されていない）ＭＤＭＳ（Meter data Management System）に送信し、ユーザ属性推定装置１は、このＭＤＭＳから消費電力量を取得することも可能である。

事業者通信網６は、例えば光ファイバ網若しくはＡＤＳＬ（Asymmetric Digital Subscriber Line）等の固定系アクセスネットワークとすることができる。また、Ｗｉ-Ｆｉ（登録商標）等の無線ＬＡＮ（Local Area Network）、ＷｉＭＡＸ（Worldwide Interoperability for Microwave Access）、ＬＴＥ(Long Term Evolution)又は３Ｇ（3rd Generation）等の無線系アクセスネットワークとすることも可能である。

スマートメータ４は、ユーザによる自宅における消費電力量を計測し、単位時間毎の消費電力量の計測値を、例えばＨＥＭＳを介してＨＧＷ５に出力する。ここで、スマートメータの代わりに、分電盤に設置されたＣＴセンサ、クランプメータ（架線電流計）、又はコンセントに設置されたコンセントタップ（タップ型電力計）等を使用してもよい。この場合、ＣＴセンサやコンセントタップ等によって宅内配電の個別の消費電力量を計測し、消費電力量の計測値をＨＧＷ５に出力することになる。

ＨＧＷ５は、宅内に設けられたホームネットワークや（図示されていない）セットトップボックス（ＳＴＢ）等と、事業者通信網６との間の通信を中継・制御する装置である。このホームネットワークには例えば無線アクセスポイント（ＡＰ）を介してパーソナルコンピュータ（ＰＣ）が接続されている。ＨＧＷ５は、さらに、スマートメータ４から取得した単位時間毎の消費電力量の計測値を、事業者通信網６を介してユーザ属性推定装置１宛てに送信する。

ユーザ情報管理装置２は、例えば事業者通信網６内に設置されており、各ユーザ（世帯）から、例えばアンケート調査に答える形でユーザ属性情報の申告を受信し、これらのユーザ属性情報をユーザＩＤと対応付けて記憶・管理する。ユーザは、例えば、所定の日時の夕刻帯における自らの在宅／外出状況や照明利用状況といった静的属性をＰＣに入力し、ＨＧＷ５から事業者通信網６を介してユーザ情報管理装置２に送信してもよい。ユーザ属性推定装置１は、このユーザ情報管理装置２から、ユーザＩＤに紐付けられたユーザ属性情報を取得する。

気象情報管理サーバ３は、所定期間の各日時における天候、温度、照度、湿度、降雨量等の過去、現在又は未来（予報）における気象情報を、インターネット７及び事業者通信網６を介してユーザ属性推定装置１宛てに送信する。特に、例えば天候に関連する情報を示す天候関連値を含む気象情報が送信されることも好ましい。ここで、天候関連値には、「晴」、「曇り」又は「雨・雪」を区別する天候値や、日照量を示す日照値、さらには気温値等が含まれていてもよい。

ユーザ属性推定装置１は、具体的に、
（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。

このように、ユーザ属性推定装置１では、教師データを構成する「特徴ベクトル」に、
（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。

また、これにより、一度このような推定モデルが生成されれば、ユーザによる入力やアンケート調査に頼ることなく、ユーザによる消費電力量に基づいてユーザ属性をより精度良く高い信頼度をもって推定することができる。特に、ユーザの特徴時間帯（夕刻帯）における生活行動特性を具体的且つ的確に推定することが可能となる。

［ユーザ属性推定装置１］
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。

図２によれば、ユーザ属性推定装置１は、通信インタフェース部１０１と、プロセッサ・メモリとを有する。ここで、プロセッサ・メモリは、ユーザ属性推定装置１に搭載されたコンピュータを機能させるプログラムを実行することによって、その機能を実現させる。

ここで、プロセッサ・メモリは、消費電力データ管理部１０２と、天候データ管理部１０３と、ユーザ属性管理部１０４と、活動電力抽出部１１１と、代表ベクトル生成部１１２と、特徴ベクトル生成部１１３と、教師データ生成部１１４と、ユーザ属性推定モデル構築部１１５と、ユーザ属性推定部１１６と、平均活動電力算出部１２１と、活動電力推定モデル構築部１２２とを有する。なお、図２によれは、各機能構成部を矢印で接続した処理の流れは、本発明によるユーザ属性推定方法の一実施形態としても理解される。

通信インタフェース部１０１は、
（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。

消費電力データ管理部１０２は、受信した消費電力量の計測値から生成される消費電力データを蓄積・管理する。なお、消費電力データは、装置１の外部、例えばユーザの自宅内のストレージ等に蓄積されていてもよい。

ここで、１日（基本期間）を構成する１時間毎の時間帯における消費電力量から２４次元の消費電力ベクトルを生成し、所定期間、例えば９０日間における各日に対応した９０個の消費電力ベクトルを取得し、蓄積・管理してもよい。この際、各時間帯での消費電力量は、当該１時間での積算値であってもよく、または生データが例えば１５分値である場合に当該１時間内の４つの値のうちの中央値としてもよい。さらに、１つの時間帯は１時間に限定されるものではなく、例えば２時間、３時間等としてもよい。また、互いに異なる時間長の時間帯を設定してもよい。

天候データ管理部１０３は、所定期間、例えば９０日間の各日における各時間帯でのユーザ世帯に係る地域での天候を示す天候関連値、例えば「晴れ」又は「雨・雪」を取得し、蓄積・管理する。さらに、所定期間におけるユーザ世帯に係る地域での気温を示す気温値を更に取得し蓄積・管理することも好ましい。

ユーザ属性管理部１０４は、ユーザＩＤとユーザ属性との組の情報を取得し蓄積・管理する。ここで、ユーザＩＤは、ユーザ世帯又は世帯構成員の識別番号である。また、ユーザ属性は、本実施形態において、特徴時間帯としての夕刻帯における世帯構成員の生活行動特性、例えば「夕方在宅型」、「夕方外出型」、「夕食前帰宅型」、「夕方在宅及び照明我慢型」等に分類された属性である。

活動電力抽出部１１１は、
（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。

ここで、機器起因電力量は、ユーザ世帯の構成員が機器に対し意図してＯＮ操作又は使用動作を行うことにより発生するユーザ起因の電力量以外の、主に機器から発生する消費電力量である。待機電力やバックグラウンドの消費電力等がこれに相当する。例えば、３０日間における１６時台の消費電力量の３０個のデータのうちでの最小値を、当該ユーザ世帯の１６時台での機器起因電力量とする。なお、機器起因電力量は、季節や生活状況の変化により変動する可能性があり、ユーザ属性推定処理に合わせて又は定期的に更新されることも好ましい。

さらに、活動電力量は、当該ユーザ世帯の活動に係る電力量である。各時間帯において次式を用いて算出される。
（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。

代表ベクトル生成部１１２は、最初に、
（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。

ここで、時間帯を１時間に設定した場合、活動電力ベクトルは、９０日間の各日において、各時間帯での活動電力量を要素とする２４次元ベクトルとなる。これにより、計９０個の２４次元活動電力ベクトル（レコード）が生成される。また、９０日間のうち夕刻帯での天候関連値が「晴」又は「日照有」の日が７０日とすると、これら９０レコードのうちからこの７０日の各々に相当する２４次元活動電力ベクトル、即ち７０レコードが選択される。

代表ベクトル生成部１１２は、次いで、
（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。

このクラスタリング処理は、上記の例では、選択された７０レコードに対して実施される。ここで、クラスタ数は、例えば５クラスタといった固定値に設定される。または、ＡＩＣ（Akaike's Information Criteria）やＢＩＣ（Bayesian Information Criteria）等の統計量基準を用いてクラスタ数を決定してもよい。なお、活動電力ベクトルを天候関連値によらず全て採用してクラスタリング処理を行うと、各クラスタには複数の天候関連値のレコードが混在してしまう。これに対し、上記のように活動電力ベクトルを天候関連値に基づいて予め選択しておくことによって、確実に所望の天候値（「晴」）の特徴を備えた夕刻帯代表ベクトルが生成可能となる。

代表ベクトル生成部１１２は、クラスタリング処理の完了後、要素レコード数が最大となるクラスタを当該ユーザ世帯の代表クラスタとする。夕刻帯代表ベクトルは、この代表クラスタの代表（平均）ベクトルとなる。例えば、夕刻帯が１６時台、１７時台及び１８時台の３つの時間帯から構成されるとし、これらの時間帯のそれぞれにおける代表ベクトルの要素（消費電力量）をl1、l2及びl3とすると、
（２） （夕刻帯代表ベクトル）＝（l1，l2，l3）
となる。

特徴ベクトル生成部１１３は、（ア）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、（イ）当該ユーザ世帯について生成された夕刻帯（特徴時間）代表ベクトル（照明ＯＮ時間代表ベクトル）の要素と、（ウ）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。この特徴ベクトルは、さらに、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ことも好ましい。実際、夕刻帯において例えば在宅しているか否か、さらには何時照明をＯＮにするかは、平日と休日とで異なる場合が少なくない。このため、日別値は、後述するユーザ属性の推定の精度を向上させるのに効果的なパラメータとなる。

図３は、特徴ベクトルの一実施形態を示す説明図、及びユーザ属性と対応する特徴ベクトルとの関係の一実施形態を示すテーブルである。

図３（Ａ）に示した実施形態によれば、特徴ベクトルは、
（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。

ここで、（ア）のa1、a2、a3、a4、a5、a6及びa7はそれぞれ、当該ユーザ世帯の当該１日間における０〜５時台、６〜１０時台、１１〜１５時台、１６時台、１７時台、１８時台及び１９〜２３時台での消費電力量である。このように、a3、a4及びa5は夕刻帯での消費電力量を示している。（イ）のl1，l2，l3は、上述した式（２）に示したベクトルの要素である。（ウ）のw1、w2、w3及びw4はそれぞれ、０〜７時台、８〜１５時台、１６〜１８時台及び１９時〜２３時台での天候関連値（「晴れ」又は「雨・雪」）である。このように、w3は夕刻帯での天候関連値を示している。さらに、（エ）のｈは、当該１日間が平日か休日かを示す日別値である。

次いで、図３（Ｂ）に、ユーザ属性に対応する特徴ベクトルの実施例を示す。同図によれば、ユーザ0001のユーザ属性は「夕方在宅型」である。ここで、ユーザ0001における、夕刻帯での天候関連値w3が「晴」である特徴ベクトル及び「雨」である特徴ベクトルを共に見ると、夕刻帯代表ベクトルの要素（l1，l2，l3）が時間経過ともに０.４７（kWh）→０.６０→０.７１と増加している。これにより、「夕方在宅型」では、夕方で薄暗くなると室内の照明をＯＮにする傾向のあることが理解される。

また、同じユーザ0001（「夕方在宅型」）における夕刻帯で「晴」の特徴ベクトルでは、夕刻帯での活動電力量（a4，a5，a6）が時間経過ともに０.４０（kWh）→０.５７→０.６８と変化している。これにより、「夕方在宅型」では、晴れの日は、（室内の照明をＯＮにするため）夕刻帯において消費電力量が増加することが理解される。一方、夕刻帯で「雨」の特徴ベクトルでは、夕刻帯での活動電力量（a4，a5，a6）が時間経過ともに０.６０（kWh）→０.６７→０.７８と変化している。これにより、「夕方在宅型」では、雨の日は早めに消費電力量が上がるため、夕刻帯における消費電力量の増加が比較的小さいことが理解される。

さらに、ユーザ0002のユーザ属性は「夕方在宅及び照明我慢型」である。ここで、ユーザ0002における、夕刻帯での天候関連値w3が「晴」である特徴ベクトル及び「雨」である特徴ベクトルを共に見ると、夕刻帯代表ベクトルの要素（l1，l2，l3）が時間経過ともに０.４７（kWh）→０.４９→０.７１と増加している。これにより、「夕方在宅及び照明我慢型」では、夕方で薄暗くなっても室内の照明をなかなかＯＮにしない傾向のあることが理解される。

また、同じユーザ0002（「夕方在宅及び照明我慢型」）における夕刻帯で「晴」の特徴ベクトルでは、夕刻帯での活動電力量（a4，a5，a6）が時間経過ともに０.４０（kWh）→０.４７→０.６８と変化している。これにより、「夕方在宅及び照明我慢型」では、晴れの日は、夕刻帯において消費電力量の増加が比較的小さいことが理解される。一方、夕刻帯で「雨」の特徴ベクトルでは、夕刻帯での活動電力量（a4，a5，a6）が時間経過ともに０.４５（kWh）→０.５７→０.７８と変化している。これにより、「夕方在宅及び照明我慢型」では、雨の日は晴れの日と比較して消費電力量の増加がより早いことが理解される。

さらにまた、ユーザ0003のユーザ属性は「夕方外出型」である。ここで、ユーザ0003における、夕刻帯での天候関連値w3が「晴」である特徴ベクトル及び「雨」である特徴ベクトルを共に見ると、夕刻帯代表ベクトルの要素（l1，l2，l3）が時間経過ともに０.４７（kWh）→０.３５→０.４２と変化している。これにより、「夕方在宅及び照明我慢型」では、夕方で薄暗くなっても不在のため室内の照明をＯＮにしない傾向のあることが理解される。

また、同じユーザ0003（「夕方外出型」）における夕刻帯で「晴」の特徴ベクトルでは、夕刻帯での活動電力量（a4，a5，a6）が時間経過ともに０.４０（kWh）→０.４７→０.３８と変化している。さらに、「雨」の特徴ベクトルでも、夕刻帯での活動電力量（a4，a5，a6）が時間経過ともに０.４０（kWh）→０.４７→０.３８と変化している。これにより、「夕方外出型」では、天候にかかわらず、夕刻帯における消費電力量の変動は小さいことが理解される。

以上、説明したように、本発明に係る特徴ベクトルは、消費電力量及び天候関連値について、ユーザ属性を十分に反映した特徴を備えているので、教師データを生成するのに、さらには推定モデルへの入力値として非常に優れていることが理解される。

なお、特徴ベクトルを構成する活動電力ベクトルの要素数、夕刻帯代表ベクトルの要素数、及び天候関連値ベクトルの要素数は、当然に上述した数に限定されるものではなく、設定した時間帯に応じた要素数とすることができる。さらに、特徴ベクトルを構成する天候関連値（天候関連値ベクトルの要素）も、天候値（例えば「晴」又は「雨・雪」）に限定されるものではない。例えば、天候関連値として、日照量を示す日照値（例えば「日照量大」、「日照量中」又は「日照量小」）を採用することもできる。また、特徴ベクトルに日別値ｈを含めない形態も可能である。

図２に戻って、教師データ生成部１１４は、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。教師データセットは、
（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。

ユーザ属性推定モデル構築部１１５は、生成された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。ここで使用される機械学習のアルゴリズムには、周知の種々の手法、例えばランダムフォレスト法やロジスティック回帰分析法等が適用可能である。

ユーザ属性推定部１１６は、推定対象ユーザ世帯の１日間（単位期間）における特徴ベクトルを、構築された推定モデルに入力し、当該推定対象ユーザ世帯のユーザ属性の推定値を取得する。ここで、入力される特徴ベクトルは、
（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。

なお、以上に説明した実施形態では、特徴時間帯として夕刻帯を採用し、夕刻帯における照明をＯＮするユーザの行動を想定してユーザ属性を推定しているが、本発明のユーザ属性の推定はこれに限定されるものではない。例えば、特徴時間帯として午前中の所定時間を採用し、晴れの日に洗濯機等を起動させるユーザの行動を想定することも可能である。

また、本発明の手法によって推定されるユーザ属性は、当然に夕刻帯に係る生活行動特性に限定されるものではない。例えば、特徴ベクトルには活動電力ベクトルの要素（本実施形態ではa1，a2，a3，a4，a5，a6，a7）も含まれているため、例えば「日中在宅型」や「日中在宅及び節電型」等の属性を推定することも可能となる。

以下に、平均活動電力算出部１２１及び活動電力推定モデル構築部１２２の機能を説明する。これらの機能構成部は、推定対象ユーザ世帯の近隣エリアの世帯における平均消費電力を考慮して、特徴ベクトルの選択や教師データ生成の補助を行い、取得されるユーザ属性の推定値の信頼性を高める効果をもたらす。なお、本発明の一実施形態として、以下に説明する平均活動電力算出部１２１及び活動電力推定モデル構築部１２２を採用しない機能構成も当然に可能である。

平均活動電力算出部１２１は、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世帯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。

活動電力推定モデル構築部１２２は、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。ここで、活動電力推定モデルは、平均活動電力量データの集合を時間帯別、天候関連値別、及び日別値（平日／休日）別に分類した上で、気温と活動電力量との関係をまとめて構築することも好ましい。具体的なモデル化には、周知の種々の手法、例えばスプライン曲線を利用する方法や変化点を定義し回帰分析を実施する方法等が適用可能である。以下に、活動電力推定モデルの内容を説明する。

図４は、活動電力推定モデルの一実施形態を示すグラフである。

図４（Ａ）に示すように、本実施形態の活動電力推定モデルでは、「晴」且つ「平日」である１日間（基本期間）における1時間毎の各時間帯について、気温と活動電力との関係が算出されている。図４（Ｂ）に、そのうちの０時台での気温と活動電力との関係を表すグラフを示す。グラフ中の曲線が、各気温値に対する活動電力量である「一般活動電力量」を示している。このように、構築された活動電力推定モデルを利用することによって、対象となる時間帯での気温値が分かれば、当該時間帯における近隣エリアの世帯での平均的な活動電力量である「一般活動電力量」が推定されるのである。

図２に戻って、特徴ベクトル生成部１１３は、
（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。

図５は、特徴ベクトルに信頼度フラグを付与する実施例を示すテーブルである。

以下に、特徴ベクトル生成部１１３で生成された特徴ベクトルの信頼度を求める実施例を説明する。図５（Ａ）及び（Ｂ）のそれぞれの実施例において、
（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。

図５（Ａ）の実施例では、コサイン類似度は０.９９（＞０.８）であり、この特徴ベクトルには信頼度フラグ＝１が付与される。その結果、当該特徴ベクトルは、ユーザ属性推定のためのレコードとして使用される。一方、図５（Ｂ）の実施例では、コサイン類似度は０.７８（＜０.８）であり、この特徴ベクトルには信頼度フラグ＝０が付与される。その結果、当該特徴ベクトルは、ユーザ属性推定のためのレコードから除外される。このように、一般活動電力量を用いて一般的な近隣エリアの世帯との比較を行うことにより、ユーザ世帯における異常な又は通常から突出した電力使用の日を推定材料から除外し、推定値の信頼性を高めることが可能となる。

図６は、本発明によるユーザ属性推定方法の一実施形態を示すフローチャートである。

最初に、ステップＳ６０１からステップＳ６０６までは学習過程である。
（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。

（Ｓ６０４）当該ユーザ世帯の所定期間における活動電力ベクトルをクラスタリング処理し、当該ユーザ世帯の特徴時間（夕刻帯）代表ベクトルを生成する。
（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。

次いで、ステップＳ６０７からステップＳ６０９までは推定過程となる。
（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。

以上、詳細に説明したように、本発明のユーザ属性推定プログラム、ユーザ属性推定装置及びユーザ属性推定方法によれば、（ア）特徴時間帯でのユーザ（世帯）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「特徴ベクトル」を用いて教師データを構成している。ここで、特徴時間帯は、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る。従って、このような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可能となる。さらに、一度このような推定モデルが生成されれば、ユーザによる入力やアンケート調査に頼ることなく、ユーザによる消費電力量に基づいてユーザ属性をより精度良く高い信頼度をもって推定することができる。

なお、このように推定されたユーザ（世帯）の特徴時間帯での生活行動特性に基づいて、ユーザの電力消費についての適切な支援情報、例えば節電アドバイスや家計管理アドバイス、さらには当該生活行動特性に適した商品・サービス情報等を提供することも可能となる。また、これにより、省エネルギー化やよりユーザ（世帯）のニーズに適したマーケティングを実現することも可能となる。

前述した本発明の種々の実施形態について、本発明の技術思想及び見地の範囲の種々の変更、修正及び省略は、当業者によれば容易に行うことができる。前述の説明はあくまで例であって、何ら制約しようとするものではない。本発明は、特許請求の範囲及びその均等物として限定するものにのみ制約される。

１ ユーザ属性推定装置
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)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
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。

Images