JP2017156868A - 行動パターン推定装置、行動パターン推定方法、および行動パターン推定プログラム - Google Patents
行動パターン推定装置、行動パターン推定方法、および行動パターン推定プログラム Download PDFInfo
- Publication number
- JP2017156868A JP2017156868A JP2016037816A JP2016037816A JP2017156868A JP 2017156868 A JP2017156868 A JP 2017156868A JP 2016037816 A JP2016037816 A JP 2016037816A JP 2016037816 A JP2016037816 A JP 2016037816A JP 2017156868 A JP2017156868 A JP 2017156868A
- Authority
- JP
- Japan
- Prior art keywords
- factor
- vector data
- behavior pattern
- factors
- behavior
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【解決手段】入力部と、候補推定部とを持つ。入力部は、行動パターンを表現した複数の因子を含む第1のベクトルデータの入力を受け付ける。候補推定部は、前記入力部により受け付けられた第1のベクトルデータと、典型的な結果因子を導出可能な典型的行動パターンを表現した、予め定められた複数の因子を含む第2のベクトルデータとを比較し、前記第2のベクトルデータに含まれ前記第1のベクトルデータに含まれない因子について、取り得るバリエーションを網羅した一以上の第3のベクトルデータを生成し、前記第2のベクトルデータと、前記生成した第3のベクトルデータとを比較し、合致する第3のベクトルデータを抽出し、前記抽出した第3のベクトルデータから行動パターン候補を推定する。
【選択図】図1
Description
図1は、第1の実施形態に係る行動パターン推定装置の機能構成例を示す図である。図1に示す行動パターン推定装置1は、入力データ蓄積部10と、因子波形蓄積部12と、因子集合生成部14と、因子集合蓄積部16と、候補推定部18とを備える。なお、図1に示す入力データ蓄積部10と、因子波形蓄積部12と、因子集合蓄積部16とは、一つの蓄積部であってもよく、行動パターン推定装置1の外部に設けられてもよい。
図5は、因子集合の生成処理の一例を示すフローチャートである。図5の例において、因子集合生成部14は、例えばクラスタリング手法(例えば、K平均法、階層的クラスタリング等)等を用いてN個(Nは任意の数値)の典型的行動パターンの多次元ベクトルデータを生成する処理を行う(ステップS100)。次に、因子集合生成部14は、典型的行動パターンと因子の候補となる属性情報やアンケート回答等との相関分析から、典型的行動パターンを説明する因子を選択する因子選択処理を行う(ステップS102)。次に、因子集合生成部14は、選択された因子ごとに典型的波形に与える変化量の波形を生成し、各因子を典型的行動パターンに対応付ける処理を行う(ステップS104)。なお、対応付けは、例えば上述した相関分析の結果を用いて客観的に行ってもよく、世帯や個人に対するヒアリング結果等を用いて主観的に行ってもよい。
図6は、典型的行動パターン(典型的波形)の生成処理の一例を示すフローチャートである。図6は、上述したステップS100の処理の一例である。図6の例において、因子集合生成部14は、波形に対するドメイン固有の設定を行う(ステップS200)。ステップS200の処理として、因子集合生成部14は、1日の範囲を4時から28時としたり、データ上の異常値を取り除く処理を行う。なお、異常値を取り除く処理では、例えば初回は実施せず、その後のK−means法等によるクラスタリングの実行結果から最も残差の大きいデータを除去する等を行うが、これに限定されるものではない。また、因子集合生成部14は、因子パターン分析結果の用途に応じた処理を行う。例えば、生活スタイルに着目した用途の場合には、値を1日の最低値からの差分に変更したり、電力消費量に着目した用途の場合には、上述した処理を行わない等の処理であるが、これに限定されるものではない。また、ステップS200の処理では、典型的波形の生成数の目安を設定する。例えば、サンプリングデータを用いた階層型クラスタリングから典型的波形の生成数の目安を決定したり、クラスタ数の決定に関する制約に基づき目安を設定する。制約とは、例えば代表波形に対する分散が正規分布に近いか否か、クラスタを構成する子クラスタ同士の距離が均一か否か等であるが、これに限定されるものではない。
図7は、因子選択処理の一例を示すフローチャートである。図7は、上述したステップS102の処理の一例である。図7の例において、因子集合生成部14は、相関性の抽出を行う。相関性の抽出では、各典型的波形に対して世帯属性や気象データとの相関分析を実施し、典型的波形を取った世帯数と気象データとの相関係数が所定数(例えば、0.6以上)のものを抽出する。また、例えば属性ごとの世帯数割合が、全体平均と約10%水準で有意差のある部分を抽出する。なお、上述した数値等については、これに限定されるものではない。
図8は、因子波形生成処理の一例を示すフローチャートである。図8は、上述したステップS104の処理の一例である。図8の例において、因子集合生成部14は、因子波形の初期解を生成する(ステップS400)。図9は、因子波形の初期解を生成する様子を説明するための図である。初期解の生成では、例えば因子がタグ付けされた全典型的波形の平均波形と、タグ付けされていない波形の平均波形を導出し、その2つの平均波形の差分波形を因子波形の初期仮説波形とする。また、因子集合生成部14は、因子がタグ付けされた各典型的波形と、初期仮説波形とを比較して差分を計算し、計算した差分の最小値を、各典型的波形の差分波形として生成する。図9(A)の例では、典型的波形1〜典型的波形3までの差分波形が生成されている。また、因子の影響時間帯(例えば、図9(A)に示す10:00〜13:00)の中で、全ての典型的波形で、値が大きくなる時間を基準点として選定する。
図10は、因子重み集合の抽出処理の一例を示すフローチャートである。図10は、上述したステップS106の処理の一例である。図10の例において、因子集合生成部14は、因子重み集合を抽出する(ステップS500)。因子重み集合の抽出では、因子選択においてタグ付けした因子の組み合わせを因子重み集合とする。したがって、因子波形の生成処理で該当する因子波形が抽出できれば無条件に因子重み集合が確定する。なお、上記の手法は、タグ付けに必要等メインが取得できない場合には適用できないため、このような場合に、因子波形を何らかの方法で取得できる仮定の下で因数分解あるいは分散分析等の手法で因子重み集合を抽出する。
図12は、候補推定処理の一例を示すフローチャートである。図12の処理において、候補推定部18は、コンテキスト情報20B(第1のベクトルデータ)の入力を受け付けると(ステップS600)、因子集合蓄積部16に蓄積された因子重み集合(第2のベクトルデータ)を取得する(ステップS602)。次に、候補推定部18は、コンテキスト情報と因子重み集合とを比較し(ステップS604)、因子重み集合に含まれ、コンテキスト情報に含まれていない因子(例えば、行動パターンを推定する対象となる不明な因子)について、その因子(不明な因子)が取り得るバリエーションを網羅した一以上のベクトルデータ(第3のベクトルデータ)を生成する(ステップS606)。次に、候補推定部18は、生成した第3のベクトルデータと、因子重み集合とを比較し(ステップS608)、比較した結果から一以上の行動パターン候補を推定し、行動パターン候補集合22として出力して(ステップS610)、本フローチャートを終了する。
次に、行動パターン推定装置1のハードウェア構成例について、図を用いて説明する。図16は、行動パターン推定装置1のハードウェア構成例を示す図である。図16の例において、行動パターン推定装置1は、入力装置30と、出力装置32と、ドライブ装置34と、補助記憶装置36と、主記憶装置38と、CPU(Central Processing Unit)40と、通信装置42とを有し、これらはシステムバス44で相互に接続されている。
次に、行動パターン推定装置の第2の実施形態について、図を用いて説明する。図17は、第2の実施形態に係る行動パターン推定装置2の機能構成例を示す図である。なお、以下の説明において、上述した第1の実施形態に係る行動パターン推定装置1と同様の構成については、同じ符号を付するものとし、ここでの具体的な説明は省略する。また、ハードウェア構成についても上述した第1の実施形態と同様の形態を用いることができるため、ここでの具体的な説明は省略する。第2の実施形態において、上述した第1の実施形態との違いは、行動決定因子推定部50と、行動変容因子推定部52とを備える点である。したがって、以下ではこの構成について、具体的に説明する。
次に、行動パターン推定装置の第3の実施形態について、図を用いて説明する。図18は、第3の実施形態に係る行動パターン推定装置3の機能構成例を示す図である。なお、以下の説明において、上述した第2の実施形態に係る行動パターン推定装置2と同様の構成については、同じ符号を付するものとし、ここでの具体的な説明は省略する。また、ハードウェア構成についても上述した第1の実施形態と同様の形態を用いることができるため、ここでの具体的な説明は省略する。第3の実施形態において、上述した第2の実施形態との違いは、行動変容因子推定部52の代わりに因子選択履歴蓄積部60と、予測部の一例としてのベクトルデータ予測部62とを有する点である。したがって、以下ではこの構成について、具体的に説明する。
上述した第1〜第3の実施形態により、例えば、需要家ごとに典型的波形になる確率および説明因子に対応した節電依頼・節電アドバイスによる見込み削減量を把握することができる。そのため、例えば最大DR(デマンドレスポンス)可能量の予測が可能となる。この場合、例えば、見込み削減量の時間帯ごとの総和を算出することで、最大DR可能量を取得することができる。実際には、節電依頼に従った需要家にDR効果がある。また、第3の実施形態では、典型的波形の時間帯ごとに以下の計算を行うことで、総需要の予測を行うことができる。
「各典型的波形の時間帯ごとの電力量=Σ(波形の電力量×世帯ごとの出現確率)」
また、上記の計算結果に基づいて、以下の計算により時間帯ごとの総電力量を予測することができる。
「時間帯ごとの総電力量=Σ(各典型的波形の時間帯ごとの電力量)」
Claims (10)
- 行動パターンを表現した複数の因子を含む第1のベクトルデータの入力を受け付ける入力部と、
前記入力部により受け付けられた第1のベクトルデータと、典型的な結果因子を導出可能な典型的行動パターンを表現した、予め定められた複数の因子を含む第2のベクトルデータとを比較し、前記第2のベクトルデータに含まれ前記第1のベクトルデータに含まれない因子について、取り得るバリエーションを網羅した一以上の第3のベクトルデータを生成し、前記第2のベクトルデータと、前記生成した第3のベクトルデータとを比較し、合致する第3のベクトルデータを抽出し、前記抽出した第3のベクトルデータから行動パターン候補を推定する候補推定部と、
を備える行動パターン推定装置。 - 前記予め定められた複数の因子に対し、前記典型的な結果因子を得るための前記複数の因子の採否を決定することで、前記第2のベクトルデータを生成する因子集合生成部を備える、
請求項1に記載の行動パターン推定装置。 - 前記入力部は、行動パターンを推定する対象となる不明な因子を含む複数の因子からなるコンテキスト情報の入力を受け付け、
前記候補推定部は、前記行動パターンを推定する対象となる不明な因子を含む複数の因子からなるコンテキスト情報に基づき、前記不明な因子が取り得るバリエーションを決定する、
請求項1または2に記載に行動パターン推定装置。 - 前記候補推定部は、
前記第2のベクトルデータと前記第3のベクトルデータとを、それぞれ各因子の組み合わせに対応した行列データとして生成し、生成した各行列データを演算して、前記因子が合致する部分を抽出する、
請求項1から3のうち、何れか1項に記載の行動パターン推定装置。 - 前記候補推定部は、
前記第2のベクトルデータに含まれる予め定められた複数の因子を対角成分に含む対角行列を前記第3のベクトルデータとして生成する、
請求項4に記載の行動パターン推定装置。 - 前記候補推定部により得られる行動パターン候補のうち、前記第2のベクトルデータに含まれ前記第1のベクトルデータに含まれない因子を行動決定因子として推定する行動決定因子推定部と、
前記候補推定部により得られる行動パターン候補に対応する典型的行動パターンの因子重み表現を抽出し、抽出した因子重み表現と、前記行動決定因子推定部により得られた行動決定因子とに基づいて、前記典型的行動パターンをとらせるための行動変容因子を推定する行動変容因子推定部と、
を備える請求項1から5のうち、何れか1項に記載の行動パターン推定装置。 - 前記候補推定部により得られる行動パターン候補のうち、前記第2のベクトルデータに含まれ前記第1のベクトルデータに含まれない因子を行動決定因子として推定する行動決定因子推定部と、
予め蓄積された因子選択履歴情報から、行動パターンを決定する因子が選択された履歴情報を取得し、取得した履歴情報に基づいて、前記行動決定因子推定部により得られるそれぞれの行動決定因子が選択される確率を取得し、取得した確率に基づいて前記典型的行動パターンが選択される確率を予測する予測部と、
を備える請求項1から5のうち何れか1項に記載の行動パターン推定装置。 - 前記行動パターンは、電力需要における世帯ごとの行動パターンである、
請求項1から7のうち何れか1項に記載の行動パターン推定装置。 - コンピュータが、
行動パターンを表現した複数の因子を含む第1のベクトルデータの入力を入力部より受け付け、
前記入力部により受け付けられた第1のベクトルデータと、典型的な結果因子を導出可能な典型的行動パターンを表現した、予め定められた複数の因子を含む第2のベクトルデータとを比較し、前記第2のベクトルデータに含まれ前記第1のベクトルデータに含まれない因子について、取り得るバリエーションを網羅した一以上の第3のベクトルデータを生成し、前記第2のベクトルデータと、前記生成した第3のベクトルデータとを比較し、合致する第3のベクトルデータを抽出し、前記抽出した第3のベクトルデータから行動パターン候補を推定する、
行動パターン推定方法。 - コンピュータに、
行動パターンを表現した複数の因子を含む第1のベクトルデータの入力を入力部より受け付け、
前記入力部により受け付けられた第1のベクトルデータと、典型的な結果因子を導出可能な典型的行動パターンを表現した、予め定められた複数の因子を含む第2のベクトルデータとを比較し、前記第2のベクトルデータに含まれ前記第1のベクトルデータに含まれない因子について、取り得るバリエーションを網羅した一以上の第3のベクトルデータを生成し、前記第2のベクトルデータと、前記生成した第3のベクトルデータとを比較し、合致する第3のベクトルデータを抽出し、前記抽出した第3のベクトルデータから行動パターン候補を推定する、
処理を実行させるための行動パターン推定プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016037816A JP6373887B2 (ja) | 2016-02-29 | 2016-02-29 | 行動パターン推定装置、行動パターン推定方法、および行動パターン推定プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016037816A JP6373887B2 (ja) | 2016-02-29 | 2016-02-29 | 行動パターン推定装置、行動パターン推定方法、および行動パターン推定プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017156868A true JP2017156868A (ja) | 2017-09-07 |
JP6373887B2 JP6373887B2 (ja) | 2018-08-15 |
Family
ID=59809698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016037816A Active JP6373887B2 (ja) | 2016-02-29 | 2016-02-29 | 行動パターン推定装置、行動パターン推定方法、および行動パターン推定プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6373887B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190050682A (ko) | 2017-11-03 | 2019-05-13 | 한국과학기술원 | 패턴 태깅 기술 기반 전력 데이터 저장 관리 방법 및 시스템 |
CN116149284A (zh) * | 2023-04-23 | 2023-05-23 | 广东麦可瑞化工科技有限公司 | 一种造纸消泡剂生产控制方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0863198A (ja) * | 1994-08-22 | 1996-03-08 | Nec Corp | ベクトル量子化器 |
JP2006139480A (ja) * | 2004-11-11 | 2006-06-01 | Hitachi Ltd | リサーチシステム |
JP2014215889A (ja) * | 2013-04-26 | 2014-11-17 | シャープ株式会社 | 情報処理装置、および情報提供方法 |
JP2015185040A (ja) * | 2014-03-25 | 2015-10-22 | Kddi株式会社 | 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 |
JP2015197741A (ja) * | 2014-03-31 | 2015-11-09 | Kddi株式会社 | 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 |
WO2016012737A1 (en) * | 2014-07-21 | 2016-01-28 | Kabushiki Kaisha Toshiba | Adaptable energy management system and method |
-
2016
- 2016-02-29 JP JP2016037816A patent/JP6373887B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0863198A (ja) * | 1994-08-22 | 1996-03-08 | Nec Corp | ベクトル量子化器 |
JP2006139480A (ja) * | 2004-11-11 | 2006-06-01 | Hitachi Ltd | リサーチシステム |
JP2014215889A (ja) * | 2013-04-26 | 2014-11-17 | シャープ株式会社 | 情報処理装置、および情報提供方法 |
JP2015185040A (ja) * | 2014-03-25 | 2015-10-22 | Kddi株式会社 | 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 |
JP2015197741A (ja) * | 2014-03-31 | 2015-11-09 | Kddi株式会社 | 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 |
WO2016012737A1 (en) * | 2014-07-21 | 2016-01-28 | Kabushiki Kaisha Toshiba | Adaptable energy management system and method |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190050682A (ko) | 2017-11-03 | 2019-05-13 | 한국과학기술원 | 패턴 태깅 기술 기반 전력 데이터 저장 관리 방법 및 시스템 |
KR102072901B1 (ko) * | 2017-11-03 | 2020-02-03 | 한국과학기술원 | 패턴 태깅 기술 기반 전력 데이터 저장 관리 방법 및 시스템 |
CN116149284A (zh) * | 2023-04-23 | 2023-05-23 | 广东麦可瑞化工科技有限公司 | 一种造纸消泡剂生产控制方法及系统 |
CN116149284B (zh) * | 2023-04-23 | 2023-08-04 | 广东麦可瑞化工科技有限公司 | 一种造纸消泡剂生产控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
JP6373887B2 (ja) | 2018-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5143879B2 (ja) | ランキング指向の協調フィルタリング推薦方法および装置 | |
Qi et al. | Structural balance theory-based e-commerce recommendation over big rating data | |
JP4736713B2 (ja) | プロジェクトメンバーの選定を支援するシステムと方法 | |
US20110125700A1 (en) | User model processing device | |
JP2012058972A (ja) | 評価予測装置、評価予測方法、及びプログラム | |
CN103473291A (zh) | 一种基于隐语义概率模型的个性化服务推荐系统及方法 | |
JP5867349B2 (ja) | 品質予測装置、操業条件決定方法、品質予測方法、コンピュータプログラムおよびコンピュータ読み取り可能な記憶媒体 | |
Zhang et al. | Model selection procedure for high‐dimensional data | |
JP2006221310A (ja) | 予測方法、予測装置、予測プログラムおよび記録媒体 | |
JP2018071853A (ja) | 学習装置、制御装置、学習方法、制御方法、学習プログラムおよび制御プログラム | |
CN108665148B (zh) | 一种电子资源质量评价方法、装置和存储介质 | |
JP2015122826A (ja) | 配電系統の負荷予測装置および配電系統の負荷予測方法 | |
JP6373887B2 (ja) | 行動パターン推定装置、行動パターン推定方法、および行動パターン推定プログラム | |
Wang et al. | Hybrid customer requirements rating method for customer-oriented product design using QFD | |
Chen et al. | A fuzzy QFD program modelling approach using the method of imprecision | |
Widodo et al. | Model selection using dimensionality reduction of time series characteristics | |
Zhang et al. | Evaluation and selection of manufacturing suppliers in B2B E-commerce environment | |
CN115964570A (zh) | 基于QoS多时段变化特征预测的云服务推荐方法及装置 | |
JP5588938B2 (ja) | アイテム推薦装置及び方法及びプログラム | |
Chalermpornpong et al. | Rating pattern formation for better recommendation | |
KR102443786B1 (ko) | 인공지능을 활용한 콘텐츠 흥행 등급 예측 방법 및 장치 | |
Maddulapalli et al. | Sensitivity analysis for product design selection with an implicit value function | |
KR100918167B1 (ko) | 사용자 성향 데이터를 이용한 사용자 프로파일 학습 방법 | |
Yin et al. | A robust group multiple attributes decision-making method based on risk preference of the decision makers | |
Gong et al. | Large population size IGA with individuals’ fitness not assigned by user |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20170830 Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20170830 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180316 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180403 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180604 |
|
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: 20180619 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180718 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6373887 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |