JP2016134017A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- JP2016134017A JP2016134017A JP2015008621A JP2015008621A JP2016134017A JP 2016134017 A JP2016134017 A JP 2016134017A JP 2015008621 A JP2015008621 A JP 2015008621A JP 2015008621 A JP2015008621 A JP 2015008621A JP 2016134017 A JP2016134017 A JP 2016134017A
- Authority
- JP
- Japan
- Prior art keywords
- activity
- state
- pattern
- output
- state transition
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 257
- 230000007704 transition Effects 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims description 21
- 238000010276 construction Methods 0.000 claims abstract description 56
- 230000008859 change Effects 0.000 claims description 19
- 230000002123 temporal effect Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 description 11
- 238000007726 management method Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000013523 data management Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【解決手段】本活動関連量予測装置は、活動関連量の特徴パターンを状態とし、活動関連量を観測結果とした状態遷移モデルを構築し、さらに、ユーザの活動パターンを状態とし、取得された特徴パターンを観測結果とした状態遷移モデルを構築する手段と、予測対象ユーザに係る活動関連量データ群を、構築された状態遷移モデルに適用して元データを生成する手段と、少なくとも出力状態が現れる時刻又は時間と含まれる特徴パターンの活動関連量関連情報とを要素とする出力状態を、生成された元データを用いて生成し、これらの出力状態の集合である活動関連量生成モデルを構築する手段と、この生成モデルを用いて、予測対象ユーザにおける特定の時刻又は時間での活動関連量予測値を決定する手段とを有する。
【選択図】図3
Description
活動関連量の時間変化を特徴付ける特徴パターンを状態とし、所定期間を構成する単位時間毎に取得された当該ユーザの活動関連量のデータである単位時間データを、当該状態からの出力の観測結果とした特徴パターン状態遷移モデルであって、当該状態が他の状態へ確率的に遷移し且つ当該状態において当該状態に依存する確率分布をもって活動関連量が出力される特徴パターン状態遷移モデルを構築し、さらに、
ユーザの活動の時間変化を特徴付ける活動パターンを状態とし、当該特徴パターン状態遷移モデルを用いて単位時間毎に取得された当該特徴パターンを、当該状態からの出力の観測結果とした活動パターン状態遷移モデルであって、当該状態が他の状態へ確率的に遷移し且つ当該状態において当該状態に依存する確率分布をもって特徴パターンが出力されるという活動パターン状態遷移モデルを構築する状態遷移モデル構築手段と、
予測対象ユーザに係る単位時間データ群を、構築された当該特徴パターン状態遷移モデルに適用して特徴パターン元データを生成し、さらに、当該特徴パターン元データを、構築された当該活動パターン状態遷移モデルに適用して活動パターン元データを生成する元データ生成手段と、
各々から活動関連量が出力される複数の活動関連量出力状態であって、少なくとも、当該出力状態が現れる時刻又は時間に係る情報と、当該出力状態に含まれる特徴パターンについての活動関連量に係る情報とを要素とする複数の活動関連量出力状態を、生成された当該特徴パターン元データ及び当該活動パターン元データを用いて生成し、生成された当該複数の活動関連量出力状態の集合である活動関連量生成モデルを構築する活動関連量生成モデル構築手段と、
生成された当該活動関連量生成モデルを用いて、当該予測対象ユーザにおける特定の時刻又は時間での活動関連量に係る予測値を決定する予測値決定手段と
を有する活動関連量予測装置が提供される。
元データ生成手段は、予測対象ユーザに係る単位時間データ群を、当該特徴パターン状態遷移代表モデルに適用して特徴パターン元データを生成し、さらに、当該特徴パターン元データを、当該活動パターン状態遷移代表モデルに適用して活動パターン元データを生成することも好ましい。
(ア)当該出力状態が現れる開始時刻に係る情報、
(イ)当該出力状態の持続時間に係る情報、
(ウ)当該出力状態に含まれる特徴パターンの出現確率に係る情報、及び
(エ)当該出力状態に含まれる特徴パターンに係る単位時間データの平均に係る情報
を要素とする活動関連量出力状態を、生成された当該特徴パターン元データ及び当該活動パターン元データを用いて生成し、
予測値決定手段は、当該予測対象ユーザの活動関連量に係る予測値に係る時刻を、当該開始時刻及び持続時間に係る情報で規定される時間範囲内に含む活動関連量出力状態を選択し、選択された当該活動関連量出力状態における当該持続時間に係る情報、当該出現確率に係る情報、及び当該平均に係る情報に基づいて、当該ユーザの活動関連量の期待値を算出し、当該期待値を当該時刻における予測値とすることも好ましい。
活動関連量の時間変化を特徴付ける特徴パターンを状態とし、所定期間を構成する単位時間毎に取得された当該ユーザの活動関連量のデータである単位時間データを、当該状態からの出力の観測結果とした特徴パターン状態遷移モデルであって、当該状態が他の状態へ確率的に遷移し且つ当該状態において当該状態に依存する確率分布をもって活動関連量が出力される特徴パターン状態遷移モデルを構築し、さらに、
ユーザの活動の時間変化を特徴付ける活動パターンを状態とし、当該特徴パターン状態遷移モデルを用いて単位時間毎に取得された当該特徴パターンを、当該状態からの出力の観測結果とした活動パターン状態遷移モデルであって、当該状態が他の状態へ確率的に遷移し且つ当該状態において当該状態に依存する確率分布をもって特徴パターンが出力されるという活動パターン状態遷移モデルを構築する状態遷移モデル構築手段と、
予測対象ユーザに係る単位時間データ群を、構築された当該特徴パターン状態遷移モデルに適用して特徴パターン元データを生成し、さらに、当該特徴パターン元データを、構築された当該活動パターン状態遷移モデルに適用して活動パターン元データを生成する元データ生成手段と、
各々から活動関連量が出力される複数の活動関連量出力状態であって、少なくとも、当該出力状態が現れる時刻又は時間に係る情報と、当該出力状態に含まれる特徴パターンについての活動関連量に係る情報とを要素とする複数の活動関連量出力状態を、生成された当該特徴パターン元データ及び当該活動パターン元データを用いて生成し、生成された当該複数の活動関連量出力状態の集合である活動関連量生成モデルを構築する活動関連量生成モデル構築手段と、
生成された当該活動関連量生成モデルを用いて、当該予測対象ユーザにおける特定の時刻又は時間での活動関連量に係る予測値を決定する予測値決定手段と
してコンピュータを機能させる活動関連量予測プログラムが提供される。
活動関連量の時間変化を特徴付ける特徴パターンを状態とし、所定期間を構成する単位時間毎に取得された当該ユーザの活動関連量のデータである単位時間データを、当該状態からの出力の観測結果とした特徴パターン状態遷移モデルであって、当該状態が他の状態へ確率的に遷移し且つ当該状態において当該状態に依存する確率分布をもって活動関連量が出力される特徴パターン状態遷移モデルを構築し、さらに、
ユーザの活動の時間変化を特徴付ける活動パターンを状態とし、当該特徴パターン状態遷移モデルを用いて単位時間毎に取得された当該特徴パターンを、当該状態からの出力の観測結果とした活動パターン状態遷移モデルであって、当該状態が他の状態へ確率的に遷移し且つ当該状態において当該状態に依存する確率分布をもって特徴パターンが出力されるという活動パターン状態遷移モデルを構築する第1のステップと、
予測対象ユーザに係る単位時間データ群を、構築された当該特徴パターン状態遷移モデルに適用して特徴パターン元データを生成し、さらに、当該特徴パターン元データを、構築された当該活動パターン状態遷移モデルに適用して活動パターン元データを生成する第2のステップと、
各々から活動関連量が出力される複数の活動関連量出力状態であって、少なくとも、当該出力状態が現れる時刻又は時間に係る情報と、当該出力状態に含まれる特徴パターンについての活動関連量に係る情報とを要素とする複数の活動関連量出力状態を、生成された当該特徴パターン元データ及び当該活動パターン元データを用いて生成し、生成された当該複数の活動関連量出力状態の集合である活動関連量生成モデルを構築する第3のステップと、
生成された当該活動関連量生成モデルを用いて、当該予測対象ユーザにおける特定の時刻又は時間での活動関連量に係る予測値を決定する第4のステップと
を有する活動関連量予測方法が提供される。
(A)「特徴パターン状態遷移モデル」を、モデルパラメータを推定するための所定のアルゴリズムを用いて構築し、さらに、
(B)「生活パターン(活動パターン)状態遷移モデル」を、モデルパラメータを推定するための所定のアルゴリズムを用いて構築する。
(C)予測対象ユーザ(世帯)に係る消費電力データ(単位時間データ)群を、構築された「特徴パターン状態遷移モデル」に適用して特徴パターン元データを生成し、さらに、生成した特徴パターン元データを、構築された「活動パターン状態遷移モデル」に適用して生活パターン(活動パターン)元データを生成し、
(D)各々から消費電力量(活動関連量)が出力される複数の「消費電力量(活動関連量)出力状態」であって、少なくとも、
(d1)当該出力状態が現れる時刻又は時間に係る情報と、
(d2)当該出力状態に含まれる「特徴パターン」についての消費電力量(活動関連量)に係る情報と
を要素とする複数の「消費電力量(活動関連量)出力状態」を、生成された特徴パターン元データ及び生活パターン(活動パターン)を用いて生成し、生成された複数の「消費電力量(活動関連量)出力状態」の集合である「消費電力量(活動関連量)生成モデル」を構築する。
(E)生成された「活動関連量生成モデル」を用いて、予測対象ユーザにおける特定の時刻又は時間での消費電力量(活動関連量)に係る予測値を決定する。
通信インタフェース部101(図3)は、
(a)消費電力量予測の対象である生活者(電力のユーザ)についての自宅に設置されたスマートメータ3やHGW4等から、消費電力量の測定データを受信し、また、
(b)予測値決定部114から出力される消費電力量の予測値の情報を、外部の通知先、例えばユーザのPC(図1)に送信してもよい。また、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、消費電力量の予測に係る情報を必要とするユーザ又は事業者に提示することもできる。さらに、
(c)外部の情報処理装置から、消費電力量予測処理を更新する指示を受信して。生成モデル更新制御部115に対しその旨を出力してもよい。
消費電力データ管理部102(図3)は、受信した消費電力量の測定データから生成される電力消費データを蓄積する。消費電力データは、例えば、対象期間(例えば30日間)を構成する単位期間(例えば1日間)毎の、各時間帯(例えば0時台、1時台、・・・、23時台)における消費電力値(単位Wh)の集合とすることができる。さらに、消費電力データは、1時間毎の各時間帯において、消費電力量の4つの15分値、若しくは2つの30分値、で構成されていてもよい。尚、消費電力データ管理部102は、ユーザの宅内サーバ内といった装置1外に設置することも可能である。
生成モデル管理部103(図3)は、後に説明するように消費電力量生成モデル構築部113で生成される消費電力量生成モデルを保存し管理する。生成モデル管理部103も、外部の事業者サーバ内といった装置1外に設置することが可能である。
状態遷移モデル構築部111(図3)は、特徴パターンモデル構築部111aと、生活パターンモデル構築部111bと、代表モデル構築部111cとを有する。
(a)互いに異なるデータを含む複数の消費電力データ(単位時間データ)群の各々を用いて特徴パターン状態遷移モデル及び生活パターン状態遷移モデルの組を構築し、
(b)消費電力データ(単位時間データ)群毎に構築された複数のモデルの組を、所定のクラスタリング・アルゴリズムを用いて複数のクラスタに分割し、
(c)要素数の最大となるクラスタに含まれる1つのモデルの組を、特徴パターン状態遷移代表モデル及び生活パターン状態遷移代表モデルの組に決定する。
Dayt〜Day(t+10),ここでt=1, 2, ・・・, 20
の20セグメントを、分割により生成することができる。
元データ生成部112(図3)は、
(a)予測対象ユーザ(世帯)に係る消費電力データ(単位時間データ)群を、構築された特徴パターン状態遷移モデルに適用して特徴パターン元データを生成し、さらに、
(b)生成した特徴パターン元データを、構築された生活パターン状態遷移モデルに適用して生活パターン元データを生成する。
ここで、(a)の特徴パターン元データは、特徴パターン状態遷移代表モデルを用いて生成することが好ましく、(b)の生活パターン元データは、生活パターン状態遷移代表モデルを用いて生成することが好ましい。生成された特徴パターン元データ及び生活パターン元データは、以下に説明する消費電力量生成モデルの構築に使用される。
消費電力量生成モデル構築部113(図3)は、各々から消費電力量が出力される複数の消費電力量出力状態であって、少なくとも、
(a)当該出力状態が現れる時刻又は時間に係る情報と、
(b)当該出力状態に含まれる特徴パターンについての消費電力量に係る情報と
を要素とする複数の消費電力量出力状態を、生成された特徴パターン元データ及び活動パターン元データを用いて生成する。次いで、生成された複数の活動関連量出力状態の集合である活動関連量生成モデルを構築する。ここで、予測対象ユーザ(世帯)毎に構築された活動関連量生成モデルは、対象のユーザ(世帯)IDを紐づけて、生成モデル管理部103に保存されてもよい。
(1) S={S1, S2, ・・・, SK'},
Si(i=1, 2, ・・・, K')は消費電力量出力状態
として、少なくとも、
(ア)Siが現れる開始時刻(開始時間帯)に係る情報(例えば、AM9:00,PM15:30等)と、
(イ)(ア)の開始時刻の場合におけるSiの持続時間に係る情報と、
(ウ)Siに含まれる特徴パターンの出現確率に係る情報と、
(エ)Siに含まれる特徴パターンに係る消費電力データ(単位時間データ)の平均に係る情報と
を要素とする消費電力量出力状態Siを、特徴パターン元データ及び生活パターン元データを用いて生成する。
特徴パターン1: 2/(2+3)=0.4
特徴パターン2: 3/(2+3)=0.6
と算出され、上記(ウ)は、{1:0.4, 2:0.6, ・・・}に決定される。
予測値決定部114(図3)は、生成モデル管理部103から取り出した予測推定対象ユーザ(世帯)の消費電力量生成モデルを用いて、予測対象ユーザ(世帯)における特定の時刻又は時間での消費電力量に係る予測値を決定する。
(a)予測対象ユーザ(世帯)の消費電力量に係る予測値に係る時刻Tを引数として、上記(ア)及び(イ)の開始時刻及び持続時間に係る情報で規定される時間範囲内にこの時刻Tを含む消費電力量出力状態Siを選択し、
(b)選択された消費電力量出力状態Siにおける上記(イ)の持続時間に係る情報、上記(ウ)の出現確率に係る情報、及び上記(エ)の平均消費電力量に係る情報に基づいて、予測対象ユーザ(世帯)の消費電力量の期待値を算出し、算出された期待値を時刻Tにおける予測値とする。
(S102)消費電力量生成モデルSの要素である消費電力量出力状態Si(i=1, 2, ・・・, K')のうち、時刻Tを含むものが存在するか否かを判定する。具体的には、上記(ア)及び(イ)の開始時刻及び持続時間に係る情報で規定される時間範囲内にこの時刻Tを含む出力状態Siがあるか否かを判定する。例えば、図7に示した実施例では、時刻T=(AM 7:15)や時刻T=(AM 21:16)を含む出力状態としてS1が挙げられ、当該時刻Tを含む出力状態S1が存在すると判定されるが、例えば時刻T=(AM 6:59)を含む出力状態としてS1は該当せず、出力状態S1が存在するとの判定はなされない。
(S103b)一方、ステップS102で偽の判定、即ち時刻Tを含む出力状態Siが存在しないとの判定を行った場合、開示時刻が時刻Tに最も近い出力状態Siを予測値算出対象の出力状態に決定する。例えば、時刻T=(PM12:15)に対して最も近い開始時刻PM12:30を有する出力状態が複数存在する場合、これらの出力状態は全て予測値算出対象の出力状態に決定される。
(2) E(X|T)=ΣX[X×P(X|T)]
ΣX[X×ΣS[P(X|Si,T)×P(Si|T)]]
ΣS[ΣX[X×P(X|Si,T)]]×P(Si|T)
を用いて算出される。
生成モデル更新制御部115(図3)は、定期的に、適宜又は装置1外部からの指示によって、
(a)状態遷移モデル構築部111に対し、更新された消費電力データ(単位時間データ)群をもって特徴パターン状態遷移モデル及び生活パターン状態遷移モデルを更新させ、次いで、
(b)元データ生成部112に対し、更新された特徴パターン状態遷移モデル及び生活パターン状態遷移モデルをもって特徴パターン元データ及び生活パターン元データを更新させ、さらに、
(c)活動関連量生成モデル構築部113に対し、更新された特徴パターン元データ及び生活パターン元データをもって活動関連量生成モデルを更新させる。
101 通信インタフェース部
102 消費電力データ管理部(生活関連データ管理部)
103 生成モデル管理部
111 状態遷移モデル構築部
111a 特徴パターンモデル構築部
111b 生活パターンモデル構築部(活動パターンモデル構築部)
111c 代表モデル構築部
112 元データ生成部
113 消費電力量生成モデル構築部(生活関連量生成モデル構築部)
114 予測値決定部
115 生成モデル更新制御部
2 事業者通信網
3 スマートメータ
4 HGW
Claims (8)
- ユーザの活動に関連する活動関連量を予測する装置であって、
活動関連量の時間変化を特徴付ける特徴パターンを状態とし、所定期間を構成する単位時間毎に取得された当該ユーザの活動関連量のデータである単位時間データを、当該状態からの出力の観測結果とした特徴パターン状態遷移モデルであって、当該状態が他の状態へ確率的に遷移し且つ当該状態において当該状態に依存する確率分布をもって活動関連量が出力される特徴パターン状態遷移モデルを構築し、さらに、
ユーザの活動の時間変化を特徴付ける活動パターンを状態とし、当該特徴パターン状態遷移モデルを用いて単位時間毎に取得された当該特徴パターンを、当該状態からの出力の観測結果とした活動パターン状態遷移モデルであって、当該状態が他の状態へ確率的に遷移し且つ当該状態において当該状態に依存する確率分布をもって特徴パターンが出力されるという活動パターン状態遷移モデルを構築する状態遷移モデル構築手段と、
予測対象ユーザに係る単位時間データ群を、構築された当該特徴パターン状態遷移モデルに適用して特徴パターン元データを生成し、さらに、当該特徴パターン元データを、構築された当該活動パターン状態遷移モデルに適用して活動パターン元データを生成する元データ生成手段と、
各々から活動関連量が出力される複数の活動関連量出力状態であって、少なくとも、当該出力状態が現れる時刻又は時間に係る情報と、当該出力状態に含まれる特徴パターンについての活動関連量に係る情報とを要素とする複数の活動関連量出力状態を、生成された当該特徴パターン元データ及び当該活動パターン元データを用いて生成し、生成された当該複数の活動関連量出力状態の集合である活動関連量生成モデルを構築する活動関連量生成モデル構築手段と、
生成された当該活動関連量生成モデルを用いて、当該予測対象ユーザにおける特定の時刻又は時間での活動関連量に係る予測値を決定する予測値決定手段と
を有することを特徴とする活動関連量予測装置。 - 前記状態遷移モデル構築手段は、互いに異なるデータを含む複数の単位時間データ群の各々を用いて当該特徴パターン状態遷移モデル及び当該活動パターン状態遷移モデルの組を構築し、当該単位時間データ群毎に構築された複数の当該組を、所定のクラスタリング・アルゴリズムを用いて複数のクラスタに分割し、要素数の最大となるクラスタに含まれる1つの当該組を、特徴パターン状態遷移代表モデル及び活動パターン状態遷移代表モデルの組に決定し、
前記元データ生成手段は、予測対象ユーザに係る単位時間データ群を、当該特徴パターン状態遷移代表モデルに適用して特徴パターン元データを生成し、さらに、当該特徴パターン元データを、当該活動パターン状態遷移代表モデルに適用して活動パターン元データを生成する
ことを特徴とする請求項1に記載の活動関連量予測装置。 - 前記活動関連量生成モデル構築手段は、少なくとも、当該出力状態が現れる開始時刻に係る情報、当該出力状態の持続時間に係る情報、当該出力状態に含まれる特徴パターンの出現確率に係る情報、及び当該出力状態に含まれる特徴パターンに係る単位時間データの平均に係る情報を要素とする活動関連量出力状態を、生成された当該特徴パターン元データ及び当該活動パターン元データを用いて生成し、
前記予測値決定手段は、当該予測対象ユーザの活動関連量に係る予測値に係る時刻を、当該開始時刻及び持続時間に係る情報で規定される時間範囲内に含む活動関連量出力状態を選択し、選択された当該活動関連量出力状態における当該持続時間に係る情報、当該出現確率に係る情報、及び当該平均に係る情報に基づいて、当該ユーザの活動関連量の期待値を算出し、当該期待値を当該時刻における予測値とする
ことを特徴とする請求項1又は2に記載の活動関連量予測装置。 - 当該活動関連量は、当該ユーザに係る電力の使用によって発生する消費電力量であり、
前記予測値決定手段は、生成された当該活動関連量生成モデルを用いて、当該予測対象ユーザにおける消費電力量に係る予測値を決定する
ことを特徴とする請求項1から3のいずれか1項に記載の活動関連量予測装置。 - 前記状態遷移モデル構築手段は、当該特徴パターン状態遷移モデル及び当該生活パターン状態遷移モデルを、バウム・ウェルチ(Baum-Welch)アルゴリズムを用いて隠れセミマルコフモデル(Hidden Semi-Markov Model)として構築することを特徴とする請求項1から4のいずれか1項に記載の活動関連量予測装置。
- 前記状態遷移モデル構築手段に対し、更新された単位時間データ群をもって当該特徴パターン状態遷移モデル及び活動パターン状態遷移モデルを更新させ、前記元データ生成手段に対し、更新された当該特徴パターン状態遷移モデル及び活動パターン状態遷移モデルをもって当該特徴パターン元データ及び当該活動パターン元データを更新させ、前記活動関連量生成モデル構築手段に対し、更新された当該特徴パターン元データ及び当該活動パターン元データをもって当該活動関連量生成モデルを更新させる生成モデル更新制御手段を更に有することを特徴とする請求項1から5のいずれか1項に記載の活動関連量予測装置。
- ユーザの活動に関連する活動関連量を予測する装置に搭載されたコンピュータを機能させるプログラムであって、
活動関連量の時間変化を特徴付ける特徴パターンを状態とし、所定期間を構成する単位時間毎に取得された当該ユーザの活動関連量のデータである単位時間データを、当該状態からの出力の観測結果とした特徴パターン状態遷移モデルであって、当該状態が他の状態へ確率的に遷移し且つ当該状態において当該状態に依存する確率分布をもって活動関連量が出力される特徴パターン状態遷移モデルを構築し、さらに、
ユーザの活動の時間変化を特徴付ける活動パターンを状態とし、当該特徴パターン状態遷移モデルを用いて単位時間毎に取得された当該特徴パターンを、当該状態からの出力の観測結果とした活動パターン状態遷移モデルであって、当該状態が他の状態へ確率的に遷移し且つ当該状態において当該状態に依存する確率分布をもって特徴パターンが出力されるという活動パターン状態遷移モデルを構築する状態遷移モデル構築手段と、
予測対象ユーザに係る単位時間データ群を、構築された当該特徴パターン状態遷移モデルに適用して特徴パターン元データを生成し、さらに、当該特徴パターン元データを、構築された当該活動パターン状態遷移モデルに適用して活動パターン元データを生成する元データ生成手段と、
各々から活動関連量が出力される複数の活動関連量出力状態であって、少なくとも、当該出力状態が現れる時刻又は時間に係る情報と、当該出力状態に含まれる特徴パターンについての活動関連量に係る情報とを要素とする複数の活動関連量出力状態を、生成された当該特徴パターン元データ及び当該活動パターン元データを用いて生成し、生成された当該複数の活動関連量出力状態の集合である活動関連量生成モデルを構築する活動関連量生成モデル構築手段と、
生成された当該活動関連量生成モデルを用いて、当該予測対象ユーザにおける特定の時刻又は時間での活動関連量に係る予測値を決定する予測値決定手段と
してコンピュータを機能させることを特徴とする活動関連量予測プログラム。 - ユーザの活動に関連する活動関連量を予測する方法であって、
活動関連量の時間変化を特徴付ける特徴パターンを状態とし、所定期間を構成する単位時間毎に取得された当該ユーザの活動関連量のデータである単位時間データを、当該状態からの出力の観測結果とした特徴パターン状態遷移モデルであって、当該状態が他の状態へ確率的に遷移し且つ当該状態において当該状態に依存する確率分布をもって活動関連量が出力される特徴パターン状態遷移モデルを構築し、さらに、
ユーザの活動の時間変化を特徴付ける活動パターンを状態とし、当該特徴パターン状態遷移モデルを用いて単位時間毎に取得された当該特徴パターンを、当該状態からの出力の観測結果とした活動パターン状態遷移モデルであって、当該状態が他の状態へ確率的に遷移し且つ当該状態において当該状態に依存する確率分布をもって特徴パターンが出力されるという活動パターン状態遷移モデルを構築する第1のステップと、
予測対象ユーザに係る単位時間データ群を、構築された当該特徴パターン状態遷移モデルに適用して特徴パターン元データを生成し、さらに、当該特徴パターン元データを、構築された当該活動パターン状態遷移モデルに適用して活動パターン元データを生成する第2のステップと、
各々から活動関連量が出力される複数の活動関連量出力状態であって、少なくとも、当該出力状態が現れる時刻又は時間に係る情報と、当該出力状態に含まれる特徴パターンについての活動関連量に係る情報とを要素とする複数の活動関連量出力状態を、生成された当該特徴パターン元データ及び当該活動パターン元データを用いて生成し、生成された当該複数の活動関連量出力状態の集合である活動関連量生成モデルを構築する第3のステップと、
生成された当該活動関連量生成モデルを用いて、当該予測対象ユーザにおける特定の時刻又は時間での活動関連量に係る予測値を決定する第4のステップと
を有することを特徴とする活動関連量予測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015008621A JP6425553B2 (ja) | 2015-01-20 | 2015-01-20 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015008621A JP6425553B2 (ja) | 2015-01-20 | 2015-01-20 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016134017A true JP2016134017A (ja) | 2016-07-25 |
JP6425553B2 JP6425553B2 (ja) | 2018-11-21 |
Family
ID=56438142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015008621A Active JP6425553B2 (ja) | 2015-01-20 | 2015-01-20 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6425553B2 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133805A (zh) * | 2017-05-09 | 2017-09-05 | 北京小度信息科技有限公司 | 用户作弊种类预测模型中参数的调整方法、装置及设备 |
JP2018036934A (ja) * | 2016-09-01 | 2018-03-08 | 九電テクノシステムズ株式会社 | 電力使用量または消費電流による居住者の生活状態・活動推定システムおよび方法 |
JP2018116576A (ja) * | 2017-01-19 | 2018-07-26 | 富士通株式会社 | 活動レベル判定サービス方法及びシステム |
CN108470222A (zh) * | 2018-02-08 | 2018-08-31 | 卢新明 | 一种用于典型事件预测预报的多征兆增信方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011232903A (ja) * | 2010-04-27 | 2011-11-17 | Sekisui Chem Co Ltd | 予測表示サーバ及び予測表示システム |
JP2013196631A (ja) * | 2012-03-22 | 2013-09-30 | Toshiba Corp | 行動モデル生成装置およびその方法 |
JP2014054041A (ja) * | 2012-09-06 | 2014-03-20 | Mitsubishi Electric Corp | 負荷予測装置及び負荷予測方法 |
US20140129160A1 (en) * | 2012-11-04 | 2014-05-08 | Bao Tran | Systems and methods for reducing energy usage |
WO2014126131A1 (ja) * | 2013-02-13 | 2014-08-21 | 株式会社構造計画研究所 | 生活行動推定システム、生活行動推定装置、生活行動推定プログラム、及び記録媒体 |
-
2015
- 2015-01-20 JP JP2015008621A patent/JP6425553B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011232903A (ja) * | 2010-04-27 | 2011-11-17 | Sekisui Chem Co Ltd | 予測表示サーバ及び予測表示システム |
JP2013196631A (ja) * | 2012-03-22 | 2013-09-30 | Toshiba Corp | 行動モデル生成装置およびその方法 |
JP2014054041A (ja) * | 2012-09-06 | 2014-03-20 | Mitsubishi Electric Corp | 負荷予測装置及び負荷予測方法 |
US20140129160A1 (en) * | 2012-11-04 | 2014-05-08 | Bao Tran | Systems and methods for reducing energy usage |
WO2014126131A1 (ja) * | 2013-02-13 | 2014-08-21 | 株式会社構造計画研究所 | 生活行動推定システム、生活行動推定装置、生活行動推定プログラム、及び記録媒体 |
Non-Patent Citations (1)
Title |
---|
久代 紀之 外3名: "ライフパターンセンサ開発のための長期フィールドデータ収集システム", FIT2013 第12回情報科学技術フォーラム 講演論文集 第4分冊, JPN6018031838, 20 August 2013 (2013-08-20), JP, pages 79 - 85, ISSN: 0003859719 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018036934A (ja) * | 2016-09-01 | 2018-03-08 | 九電テクノシステムズ株式会社 | 電力使用量または消費電流による居住者の生活状態・活動推定システムおよび方法 |
JP2018116576A (ja) * | 2017-01-19 | 2018-07-26 | 富士通株式会社 | 活動レベル判定サービス方法及びシステム |
CN107133805A (zh) * | 2017-05-09 | 2017-09-05 | 北京小度信息科技有限公司 | 用户作弊种类预测模型中参数的调整方法、装置及设备 |
CN108470222A (zh) * | 2018-02-08 | 2018-08-31 | 卢新明 | 一种用于典型事件预测预报的多征兆增信方法 |
CN108470222B (zh) * | 2018-02-08 | 2022-11-11 | 山东蓝光软件有限公司 | 一种用于典型事件预测预报的多征兆增信方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6425553B2 (ja) | 2018-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pasetti et al. | A virtual power plant architecture for the demand-side management of smart prosumers | |
Bessani et al. | Multiple households very short-term load forecasting using bayesian networks | |
AU2012344680B2 (en) | Method and system for forecasting power requirements using granular metrics | |
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 | |
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 | |
Sun et al. | Predictive-trend-aware composition of web services with time-varying quality-of-service | |
Cheng et al. | Impact of internet of things paradigm towards energy consumption prediction: A systematic literature review | |
CN111198808B (zh) | 预测性能指标的方法、装置、存储介质及电子设备 | |
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 | |
US20180287382A1 (en) | Power system load flexibility forecasting | |
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 | |
Day et al. | Residential power load forecasting | |
Luján et al. | Cloud computing for smart energy management (CC-SEM project) | |
JP2017219975A (ja) | 訪問計画策定システムおよび訪問計画策定装置 | |
Song et al. | Dynamic thermal line rating model of conductor based on prediction of meteorological parameters | |
Priyadarshini et al. | Time series analysis and anomaly detection for trustworthy smart homes | |
Bhotto et al. | Short-term demand prediction using an ensemble of linearly-constrained estimators | |
Rehman et al. | Non-invasive load-shed authentication model for demand response applications assisted by event-based non-intrusive load monitoring | |
Simonov et al. | Real-time event-based energy metering | |
JP2019101525A (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 | |
Spencer et al. | Accurately forecasting temperatures in smart buildings using fewer sensors | |
JP2016111675A (ja) | 通信帯域算出装置、通信帯域算出方法、及び通信帯域算出プログラム | |
Shrivastava et al. | Development of Bayesian belief network model for electrical load demand | |
US10811901B2 (en) | System and method to determining efficiency of a smart appliance and providing feedback based of efficiencies of similar smart appliances in a smart grid network | |
Rohith et al. | GUI energy demand forecast using LSTM deep learning model in python platform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170812 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180731 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180816 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180823 |
|
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: 20181023 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20181023 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6425553 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |