JP2019100687A - 空調制御方法及び空調制御装置 - Google Patents

Abstract

【課題】第２センサ装置と同一空間内の異なる位置に設けられた第１センサ装置の消費電力を削減することができるとともに、第１センサ装置の第１センサ値を正確に予測することができる空調制御方法及び空調制御装置を提供する。【解決手段】第１センサ値取得部２１１は、センサ１２と同一空間内の異なる位置に設けられたセンサ３２によって計測された第１センサ値を第１頻度で取得し、第２センサ値取得部２１２は、センサ１２によって計測された第２センサ値を第１頻度よりも高い第２頻度で取得し、室内環境予測部２３１は、第２センサ値が取得され且つ第１センサ値が取得されていない期間では、第１センサ値と第２センサ値との相関を基に第２センサ値から第１センサ予測値を生成し、空調設定部２３２は、第１センサ予測値を基に、空調機器１０の動作を決定する。【選択図】図４

Description

本開示は、空調機器以外の外部デバイスから取得したセンサ値を用いて空調機器の動作を制御する空調制御方法及び空調制御装置に関するものである。

空調機器は、温度センサを搭載しており、温度センサにより室内の温度を計測することで、空調の強弱を調整している。例えば、冷房運転で、設定温度が２５度である場合に、空調機器の温度センサが取得する温度が３０度であれば、空調機器は圧縮機の回転数を上げるなどして冷たい風を生成し室内に送る。一方で、冷房運転で、設定温度が２５度である場合に、空調機器の温度センサが取得する温度が２０度であれば、空調機器は冷やす必要がないと判断し、圧縮機の動作を弱める。

しかし、空調機器に搭載される温度センサには次のような課題がある。空調機器の室内機は、一般的に物理的に部屋の上部に設置されるため、実際に人がいる場所の温度を計測することが困難である。一般に、部屋の上部の空気温度は、部屋の下部の空気温度よりも暖かく、同じ部屋であっても上部と下部とで数度の差が発生する。また、空調機器に搭載される温度センサは、空調機器の室内機に搭載されるが、温度センサが搭載される位置は、空調機器が風を吹き出す位置に近いため、温度センサが、空調機器が吹き出す風の温度を計測することがある。このように、従来、空調機器の温度センサが計測する温度と、人がいる位置の実際の温度とは異なるという課題がある。

そこで、この課題を解決するために、空調機器とは別の位置で計測した温度情報を空調機器に送信して空調制御に利用する空調制御システムが考えられる。空調制御システムは、空調機器と、外部デバイスとから構成される。外部デバイスは、例えば、空調機器を遠隔制御するリモートコントローラである。外部デバイスは、温度センサと、通信部とから構成される。温度センサは、空間の温度を計測する。空調機器は、空調制御部と、通信部とから構成される。外部デバイスの通信部は、例えば、赤外線信号を用いて、空調機器の通信部と通信する。空調制御部は、圧縮機の回転数を制御して、室内の空調を制御する。

外部デバイスの温度センサは、外部デバイス付近の温度を定期的に計測し、通信部は、空調機器に温度情報を送信する。空調機器の空調制御部は、受信した温度情報を使って、空調を制御する。このように構成することで、人に近い位置に外部デバイスが配置されれば、人がいる位置の温度にあわせて正確に空調を制御することが可能となる。

外部デバイスは、人に近い場所に置くことが好ましい。その場合、外部デバイスの電力は、コンセントから供給されるのではなく、ワイヤレスで内部電池から供給されることが好ましい。外部デバイスが電池で駆動される場合、電力消費が課題となる。外部デバイスが定期的に温度を取得して、頻繁に通信する場合には、通信処理に多くの電力が消費され、電池を頻繁に交換したり、頻繁に充電したりする必要がある。

例えば、特許文献１の無線センサシステムでは、外部デバイスに相当するセンサノードは、空調機器に相当する基地局にデータを送信する。基地局は、センサノードから送信されたデータに基づいて、センサノードが次に生成するであろう予測データを生成し、生成した予想データをセンサノードに送信する。センサノードは、予測データがそれに対応する生成したデータと一致しない場合に、生成したデータを基地局に送信し、予測データがそれに対応する生成したデータと一致する場合に、生成したデータの送信を停止する。このように構成することで、従来のシステムでは、未来のデータが正確に予測される場合には、データの送信頻度が下がるため、消費電力の削減が可能となる。

特開２０１０−２０６５９６号公報

しかし、上記従来の技術では、消費電力の削減とセンサ値の予測の正確性との両立が困難な場合があり、更なる改善が必要とされていた。

本開示は、上記の問題を解決するためになされたもので、第２センサ装置と同一空間内の異なる位置に設けられた第１センサ装置の消費電力を削減することができるとともに、第１センサ装置の第１センサ値を正確に予測することができる空調制御方法及び空調制御装置を提供することを目的とするものである。

本開示の一態様に係る空調制御方法は、プロセッサを用いて、第２センサ装置と同一空間内の異なる位置に設けられた第１センサ装置によって計測された第１センサ値を第１頻度で取得し、前記第２センサ装置によって計測された第２センサ値を前記第１頻度よりも高い第２頻度で取得し、前記第２センサ値が取得され且つ前記第１センサ値が取得されていない期間では、前記第１センサ値と前記第２センサ値との相関を基に前記第２センサ値から第１センサ予測値を生成し、前記第１センサ予測値を基に、空調機器の動作を決定する。

本開示によれば、第２センサ装置と同一空間内の異なる位置に設けられた第１センサ装置の消費電力を削減することができるとともに、第１センサ装置の第１センサ値を正確に予測することができる。

本開示の実施の形態における空調制御システムが提供するサービスの全体像を示す図である。 機器メーカがデータセンタ運営会社に該当する例を示す図である。 機器メーカ及び管理会社の両者又はいずれか一方がデータセンタ運営会社に該当する例を示す図である。 本開示の実施の形態１における空調制御システム及びクラウドサーバの構成を示すブロック図である。 本開示の実施の形態１における空調機器の構成を示すブロック図である。 本開示の実施の形態１における外部デバイスの構成を示すブロック図である。 本開示の実施の形態１における履歴ＤＢのデータ構造の一例を示す図である。 本開示の実施の形態１において、空調機器を遠隔操作する際に、端末装置に表示される表示画面の一例を示す図である。 本開示の実施の形態１における履歴ＤＢのデータ構造の変形例を示す図である。 本開示の実施の形態１における空調機器によるデータ送信処理の一例を示すフローチャートである。 本開示の実施の形態１における外部デバイスによるデータ送信処理の一例を示すフローチャートである。 本開示の実施の形態１におけるクラウドサーバによる学習処理の一例を示すフローチャートである。 本開示の実施の形態１におけるクラウドサーバによる予測処理の一例を示すフローチャートである。 本開示の実施の形態１におけるクラウドサーバによる空調設定処理の一例を示すフローチャートである。 本開示の実施の形態１において、外部デバイスが空調機器のＯＮタイミングを判定する処理について説明するための図である。 本開示の実施の形態１におけるクラウドサーバと外部デバイスとの通信タイミングの変形例を説明するための図である。 本開示の実施の形態２における空調制御システム及びクラウドサーバの構成を示すブロック図である。 本開示の実施の形態３における空調制御システム及びクラウドサーバの構成を示すブロック図である。 本開示の実施の形態４における空調制御システム及びクラウドサーバの構成を示すブロック図である。 本開示の実施の形態５における空調制御システム及びクラウドサーバの構成を示すブロック図である。 本開示の実施の形態６における空調制御システム及びクラウドサーバの構成を示すブロック図である。 サービスの類型１（自社データセンタ型クラウドサービス）における情報管理システムが提供するサービスの全体像を示す図である。 サービスの類型２（ＩａａＳ利用型クラウドサービス）における情報管理システムが提供するサービスの全体像を示す図である。 サービスの類型３（ＰａａＳ利用型クラウドサービス）における情報管理システムが提供するサービスの全体像を示す図である。 サービスの類型４（ＳａａＳ利用型クラウドサービス）における情報管理システムが提供するサービスの全体像を示す図である。

（本開示の基礎となった知見）
上記従来の技術では、消費電力の削減とセンサ値の予測の正確性との両立が困難な場合がある。具体的には、従来の技術では、未来のデータを予測しているが、予測が一致しない場合に、送信頻度は削減することができない。従来の技術では、未来のデータが過去のデータから予測されるため、未来に発生する変化に対応することが困難である。例えば、空調機器の電源がＯＦＦされているときに計測されたデータを使って予測データを生成した後、空調機器の電源がＯＮされた場合には、追従して予測することができない。そのため、生成されたデータは予測データと一致せず、生成されたデータが送信されることになってしまう。

以上の課題を解決するために、本開示の一態様に係る空調制御方法は、プロセッサを用いて、第２センサ装置と同一空間内の異なる位置に設けられた第１センサ装置によって計測された第１センサ値を第１頻度で取得し、前記第２センサ装置によって計測された第２センサ値を前記第１頻度よりも高い第２頻度で取得し、前記第２センサ値が取得され且つ前記第１センサ値が取得されていない期間では、前記第１センサ値と前記第２センサ値との相関を基に前記第２センサ値から第１センサ予測値を生成し、前記第１センサ予測値を基に、空調機器の動作を決定する。

この構成によれば、第２センサ装置と同一空間内の異なる位置に設けられた第１センサ装置によって計測された第１センサ値が第１頻度で取得される。第２センサ装置によって計測された第２センサ値が第１頻度よりも高い第２頻度で取得される。第２センサ値が取得され且つ第１センサ値が取得されていない期間では、第１センサ値と第２センサ値との相関を基に第２センサ値から第１センサ予測値が生成される。第１センサ予測値を基に、空調機器の動作が決定される。

したがって、第１センサ値が第１センサ装置から第１頻度で取得され、第２センサ値が第２センサ装置から第１頻度よりも高い第２頻度で取得されるので、第２センサ装置と同一空間内の異なる位置に設けられた第１センサ装置の消費電力を削減することができる。また、第２センサ値が取得され且つ第１センサ値が取得されていない期間では、第１センサ値と第２センサ値との相関を基に第２センサ値から第１センサ予測値が生成され、生成された第１センサ予測値を基に、空調機器の動作が決定されるので、第１センサ装置の第１センサ値を正確に予測することができる。

また、上記の空調制御方法において、前記第１センサ値、前記第２センサ値及び前記第１センサ予測値は、温度、湿度及び粒子状物質の量のうちの少なくとも１つを含んでもよい。

この構成によれば、第１センサ値、第２センサ値及び第１センサ予測値は、温度、湿度及び粒子状物質の量のうちの少なくとも１つを含むので、温度、湿度及び粒子状物質の量のうちの少なくとも１つを基に、空調機器の動作を決定することができる。

また、上記の空調制御方法において、前記空調制御方法は、さらに、前記第１センサ予測値及び前記第１センサ値を用いて前記第１頻度を決定することを含んでもよい。

この構成によれば、第１センサ予測値及び第１センサ値を用いて第１頻度が決定されるので、第１センサ予測値の予測精度が低ければ、第１頻度を高くすることによって、第１センサ予測値と第１センサ値とが大きくずれることを防止することができる。

また、上記の空調制御方法において、前記第１頻度の決定においては、過去の前記第１センサ値と、過去の前記第１センサ値を取得した際に取得された過去の前記第２のセンサ値から生成された前記第１センサ予測値との差分に基づいて前記第１頻度を決定してもよい。

この構成によれば、第１頻度の決定においては、過去の第１センサ値と、過去の第１センサ値を取得した際に取得された過去の第２のセンサ値から生成された第１センサ予測値との差分に基づいて第１頻度が決定される。

したがって、過去の第１センサ値と、過去の第１センサ値を取得した際に取得された過去の第２のセンサ値から生成された第１センサ予測値との差分が大きければ、第１センサ予測値の予測精度が低いと判断することができる。そして、第１センサ予測値の予測精度が低ければ、第１頻度を高くすることによって、第１センサ予測値と第１センサ値とが大きくずれることを防止することができる。

また、上記の空調制御方法において、前記空調制御方法は、さらに、前記第１センサ予測値及び前記第１センサ値を用いて前記第１センサ値の取得量を決定することを含んでもよい。

この構成によれば、第１センサ予測値及び第１センサ値を用いて第１センサ値の取得量が決定されるので、第１センサ予測値の予測精度が高ければ、第１センサ値の取得量を減らし、第１センサ装置の処理負荷を低減することができる。

また、上記の空調制御方法において、前記第１センサ予測値の生成においては、前記相関に基づく予測モデルを用いて前記第２センサ値から前記第１センサ予測値を生成してもよい。

この構成によれば、第１センサ予測値の生成においては、相関に基づく予測モデルを用いて第２センサ値から第１センサ予測値が生成されるので、予測モデルに第２センサ値を入力することにより、容易に第１センサ予測値を生成することができる。

また、上記の空調制御方法において、前記空調制御方法は、さらに、前記第１センサ値、前記第２センサ値、及び前記第１センサ予測値を用いて前記予測モデルの機械学習を行うことを含んでもよい。

この構成によれば、第１センサ値、第２センサ値、及び第１センサ予測値を用いて予測モデルの機械学習が行われるので、第１センサ予測値をより高い精度で生成することができる。

また、上記の空調制御方法において、前記予測モデルは、それぞれ異なる学習方法で学習された複数の予測モデルを含み、前記空調制御方法は、さらに、前記第１センサ予測値及び前記第１センサ値を用いて、前記複数の予測モデルから使用する前記予測モデルを決定することを含んでもよい。

この構成によれば、予測モデルは、それぞれ異なる学習方法で学習された複数の予測モデルを含む。第１センサ予測値及び第１センサ値を用いて、複数の予測モデルから使用する予測モデルが決定される。

したがって、第１センサ予測値の予測精度が低ければ、現在の予測モデルが別の予測モデルに変更され、別の予測モデルを用いて第１センサ予測値が生成されるので、第１センサ予測値の予測精度を高めることができる。

また、上記の空調制御方法において、前記空調制御方法は、さらに、前記第１センサ予測値及び前記第１センサ値を用いて、前記第１センサ装置の異常を検知することを含んでもよい。

この構成によれば、第１センサ予測値及び第１センサ値を用いて、第１センサ装置の異常が検知されるので、第１センサ予測値の予測精度が低ければ、第１センサ装置に異常が発生したと判断することができ、第１センサ装置に異常が発生したことをユーザに通知することができる。

また、上記の空調制御方法において、前記空調制御方法は、さらに、過去の前記第１センサ値と、過去の前記第１センサ値を取得した際に取得された過去の前記第２のセンサ値から生成された前記第１センサ予測値との差分を用いて、生成した前記第１センサ予測値を補正することを含んでもよい。

この構成によれば、過去の第１センサ値と、過去の第１センサ値を取得した際に取得された過去の第２のセンサ値から生成された第１センサ予測値との差分を用いて、生成された第１センサ予測値が補正される。

したがって、過去の第１センサ値と、過去の第１センサ値を取得した際に取得された過去の第２のセンサ値から生成された第１センサ予測値との差分が、生成された第１センサ予測値に加算されることで、第１センサ予測値を補正することができ、第１センサ予測値の予測精度を高めることができる。

また、上記の空調制御方法において、前記空調制御方法は、さらに、前記空調機器の動作状態を取得することを含み、前記相関は、前記第１センサ値と、前記第２センサ値と、前記空調機器の動作状態との相関を含んでもよい。

この構成によれば、空調機器の動作状態が取得される。相関は、第１センサ値と、第２センサ値と、空調機器の動作状態との相関を含む。

したがって、第２センサ値が取得され且つ第１センサ値が取得されていない期間では、第１センサ値と第２センサ値と空調機器の動作状態との相関を基に第２センサ値から第１センサ予測値が生成されるので、さらに空調機器の動作状態を考慮して第１センサ予測値を生成することができ、第１センサ予測値の予測精度を高めることができる。

また、上記の空調制御方法において、前記空調制御方法は、さらに、前記第１センサ装置及び前記第２センサ装置が設置される空間の外部の気象状況を示す気象情報を取得することを含み、前記第１センサ装置及び前記第２センサ装置は、同一の空間において異なる場所に設置され、前記相関は、前記第１センサ値と、前記第２センサ値と、前記気象情報との相関を含んでもよい。

この構成によれば、第１センサ装置及び第２センサ装置が設置される空間の外部の気象状況を示す気象情報が取得される。第１センサ装置及び第２センサ装置は、同一の空間において異なる場所に設置される。相関は、第１センサ値と、第２センサ値と、気象情報との相関を含む。

したがって、第２センサ値が取得され且つ第１センサ値が取得されていない期間では、第１センサ値と第２センサ値と気象情報との相関を基に第２センサ値から第１センサ予測値が生成されるので、さらに気象情報を考慮して第１センサ予測値を生成することができ、第１センサ予測値の予測精度を高めることができる。

本開示の他の態様に係る空調制御装置は、通信部と、プロセッサと、を備え、前記通信部は、第２センサ装置と同一空間内の異なる位置に設けられた第１センサ装置によって計測された第１センサ値を第１頻度で取得し、前記第２センサ装置によって計測された第２センサ値を前記第１頻度よりも高い第２頻度で取得し、前記プロセッサは、前記第２センサ値が取得され且つ前記第１センサ値が取得されていない期間では、前記第１センサ値と前記第２センサ値との相関を基に前記第２センサ値から第１センサ予測値を生成し、前記第１センサ予測値を基に、空調機器の動作を決定する。

この構成によれば、第２センサ装置と同一空間内の異なる位置に設けられた第１センサ装置によって計測された第１センサ値が第１頻度で取得される。第２センサ装置によって計測された第２センサ値が第１頻度よりも高い第２頻度で取得される。第２センサ値が取得され且つ第１センサ値が取得されていない期間では、第１センサ値と第２センサ値との相関を基に第２センサ値から第１センサ予測値が生成される。第１センサ予測値を基に、空調機器の動作が決定される。

したがって、第１センサ値が第１センサ装置から第１頻度で取得され、第２センサ値が第２センサ装置から第１頻度よりも高い第２頻度で取得されるので、第２センサ装置と同一空間内の異なる位置に設けられた第１センサ装置の消費電力を削減することができる。また、第２センサ値が取得され且つ第１センサ値が取得されていない期間では、第１センサ値と第２センサ値との相関を基に第２センサ値から第１センサ予測値が生成され、生成された第１センサ予測値を基に、空調機器の動作が決定されるので、第１センサ装置の第１センサ値を正確に予測することができる。

以下添付図面を参照しながら、本開示の実施の形態について説明する。なお、以下の実施の形態は、本開示を具体化した一例であって、本開示の技術的範囲を限定するものではない。

（提供するサービスの全体像）
まず、本実施の形態における空調制御システムが提供するサービスの全体像について説明する。

図１は、本実施の形態における空調制御システムが提供するサービスの全体像を示す図であり、図２は、機器メーカがデータセンタ運営会社に該当する例を示す図であり、図３は、機器メーカ及び管理会社の両者又はいずれか一方がデータセンタ運営会社に該当する例を示す図である。空調制御システムは、グループ１００、データセンタ運営会社１１０及びサービスプロバイダ１２０を備える。

グループ１００は、例えば企業、団体又は家庭等であり、その規模を問わない。グループ１００は、第１の機器及び第２の機器を含む複数の機器１０１およびホームゲートウェイ１０２を備える。複数の機器１０１は、インターネットと接続可能な機器（例えば、スマートフォン、パーソナルコンピュータ（ＰＣ）又はテレビ等）、及びそれ自身ではインターネットと接続不可能な機器（例えば、照明、洗濯機又は冷蔵庫等）を含む。複数の機器１０１は、それ自身ではインターネットと接続不可能であっても、ホームゲートウェイ１０２を介してインターネットと接続可能となる機器を含んでもよい。また、ユーザ１５は、グループ１００内の複数の機器１０１を使用する。

データセンタ運営会社１１０は、クラウドサーバ１１３を備える。クラウドサーバ１１３は、インターネットを介して様々な機器と連携する仮想化サーバである。クラウドサーバ１１３は、主に通常のデータベース管理ツール等で扱うことが困難な巨大なデータ（ビッグデータ）等を管理する。データセンタ運営会社１１０は、データの管理、クラウドサーバ１１３の管理、及びそれらを行うデータセンタの運営等を行っている。データセンタ運営会社１１０が行っている役務の詳細については後述する。

ここで、データセンタ運営会社１１０は、データの管理又はクラウドサーバ１１３の管理のみを行っている会社に限らない。例えば、図２に示すように、複数の機器１０１のうちの一つの機器を開発又は製造している機器メーカが、データの管理又はクラウドサーバ１１３の管理等を行っている場合は、機器メーカがデータセンタ運営会社１１０に該当する。また、データセンタ運営会社１１０は一つの会社に限らない。例えば、図３に示すように、機器メーカ及び管理会社が共同又は分担してデータの管理又はクラウドサーバ１１３の管理を行っている場合は、両者又はいずれか一方がデータセンタ運営会社１１０に該当する。

サービスプロバイダ１２０は、サーバ１２１を備える。ここで言うサーバ１２１とは、その規模は問わず、例えば、個人用ＰＣ内のメモリ等も含む。また、サービスプロバイダ１２０がサーバ１２１を備えていない場合もある。

なお、上記の空調制御システムにおいて、ホームゲートウェイ１０２は必須ではない。例えば、クラウドサーバ１１３が全てのデータ管理を行っている場合等は、ホームゲートウェイ１０２は不要となる。また、家庭内の全ての機器がインターネットに接続されている場合のように、それ自身ではインターネットと接続不可能な機器は存在しない場合もある。

次に、上記の空調制御システムにおける機器のログ情報（操作履歴情報及び動作履歴情報）の流れを説明する。

まず、グループ１００の第１の機器又は第２の機器は、各ログ情報をデータセンタ運営会社１１０のクラウドサーバ１１３にそれぞれ送信する。クラウドサーバ１１３は、第１の機器又は第２の機器のログ情報を集積する（図１の矢印１４１）。ここで、ログ情報とは、複数の機器１０１の例えば運転状況又は動作日時等を示す情報である。例えば、ログ情報は、テレビの視聴履歴、レコーダの録画予約情報、洗濯機の運転日時、洗濯物の量、冷蔵庫の開閉日時、又は冷蔵庫の開閉回数などを含むが、これらの情報に限らず、種々の機器から取得が可能な種々の情報を含んでもよい。なお、ログ情報は、インターネットを介して複数の機器１０１自体から直接クラウドサーバ１１３に提供されてもよい。また、ログ情報は、複数の機器１０１から一旦ホームゲートウェイ１０２に集積され、ホームゲートウェイ１０２からクラウドサーバ１１３に提供されてもよい。

次に、データセンタ運営会社１１０のクラウドサーバ１１３は、集積したログ情報を一定の単位でサービスプロバイダ１２０に提供する。ここで、一定の単位とは、データセンタ運営会社１１０が集積した情報を整理してサービスプロバイダ１２０に提供することのできる単位でもよいし、サービスプロバイダ１２０が要求する単位でもよい。また、一定の単位で提供するとしているが、一定の単位でなくてもよく、状況に応じて提供する情報量が変化してもよい。ログ情報は、必要に応じてサービスプロバイダ１２０が保有するサーバ１２１に保存される（図１の矢印１４２）。

そして、サービスプロバイダ１２０は、ログ情報をユーザに提供するサービスに適合する情報に整理し、ユーザに提供する。情報が提供されるユーザは、複数の機器１０１を使用するユーザ１５でもよいし、外部のユーザ１６でもよい。ユーザ１５，１６への情報提供方法としては、例えば、サービスプロバイダ１２０から直接ユーザ１５，１６へ情報が提供されてもよい（図１の矢印１４３，１４４）。また、ユーザ１５への情報提供方法としては、例えば、データセンタ運営会社１１０のクラウドサーバ１１３を再度経由して、ユーザ１５に情報が提供されてもよい（図１の矢印１４５，１４６）。また、データセンタ運営会社１１０のクラウドサーバ１１３は、ログ情報をユーザに提供するサービスに適合する情報に整理し、サービスプロバイダ１２０に提供してもよい。

なお、ユーザ１５は、ユーザ１６と異なっていても同一であってもよい。

（実施の形態１）
図４は、本開示の実施の形態１における空調制御システム及びクラウドサーバの構成を示すブロック図である。図５は、本開示の実施の形態１における空調機器の構成を示すブロック図である。図６は、本開示の実施の形態１における外部デバイスの構成を示すブロック図である。

空調制御システムは、空調機器１０、クラウドサーバ２０、外部デバイス３０、端末装置４０及び気象情報サーバ５０を備える。なお、クラウドサーバ２０の構成要素の一部又は全ては、データセンタ運営会社のクラウドサーバ又はサービスプロバイダのサーバのどちらかに属す。また、空調制御システムは、端末装置４０及び気象情報サーバ５０を備えていなくてもよい。

まず、外部デバイス３０の構成について説明する。

外部デバイス３０は、例えば、空調機器１０を赤外線信号により遠隔制御するリモートコントローラである。外部デバイス３０は、ユーザの近傍に配置される。なお、外部デバイス３０は、スマートフォン、タブレット型コンピュータ、又はＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）スピーカであってもよい。外部デバイス３０は、例えばインターネットなどのネットワークを介してクラウドサーバ２０と互いに通信可能に接続されている。

外部デバイス３０は、制御部３１、センサ３２、記憶部３３及び通信部３４を備える。

制御部３１は、例えばプロセッサであり、通信制御部３１１を備える。通信制御部１１１は、通信部３４を制御し、通信部３４を介して種々の情報をクラウドサーバ２０へ送信するとともに、通信部３４を介して種々の情報をクラウドサーバ２０から受信する。また、通信制御部３１１は、情報をクラウドサーバ２０へ送信する頻度を決定する。

センサ３２は、外部デバイス３０に搭載され、第１センサ値を計測する。センサ３２は、例えば、温度を計測する温度センサ、又は湿度を計測する湿度センサを含む。第１センサ値は、例えば、外部デバイス３０近傍の温度、外部デバイス３０近傍の湿度、及び外部デバイス３０近傍の粒子状物質の量の少なくとも１つを含む。粒子状物質は、例えば花粉又はＰＭ２．５などである。センサ３２は、第１センサ値を定期的に計測する。センサ３２は、第１センサ装置の一例に相当する。

記憶部３３は、例えば不揮発性の半導体メモリであり、第１センサ値記憶部３３１を備える。第１センサ値記憶部３３１は、第１センサ値送信部３４１によって第１センサ値が送信されてから次に第１センサ値が送信されるまでの間、センサ３２によって計測された第１センサ値を記憶する。通信制御部３１１は、センサ３２から第１センサ値を取得し、第１センサ値記憶部３３１に記憶する。

通信部３４は、第１センサ値送信部３４１を備える。第１センサ値送信部３４１は、センサ３２によって計測された第１センサ値を第１の頻度でクラウドサーバ２０へ送信する。このとき、第１センサ値送信部３４１は、第１センサ値記憶部３３１に記憶されている第１センサ値をクラウドサーバ２０へ送信する。

続いて、空調機器１０の構成について説明する。

空調機器１０は、室内の空質環境を調整する。空調機器１０は、例えばインターネットなどのネットワークを介してクラウドサーバ２０と互いに通信可能に接続されている。

空調機器１０は、制御部１１、センサ１２及び通信部１３を備える。制御部１１は、例えばプロセッサであり、通信制御部１１１及び空調制御部１１２を備える。通信部１３は、第２センサ値送信部１３１、制御情報送信部１３２、予測情報受信部１３３及びパラメータ受信部１３４を備える。

通信制御部１１１は、通信部１３を制御し、通信部１３を介して種々の情報をクラウドサーバ２０へ送信するとともに、通信部１３を介して種々の情報をクラウドサーバ２０から受信する。また、通信制御部１１１は、情報をクラウドサーバ２０へ送信する頻度を決定する。

空調制御部１１２は、室内の空気の温度又は湿度などを調整する。具体的には、空調制御部１１２は、空調機器１０の空調機能であるが、部屋の温度又は湿度をコントロールできる制御機構であれば、これに限らない。パラメータ受信部１３４は、クラウドサーバ２０によって送信された運転パラメータを受信する。空調制御部１１２は、パラメータ受信部１３４によって受信された運転パラメータに基づいて空調機器１０を制御する。

運転パラメータは、後述する空調設定部２３２で指定される。運転パラメータは、例えば、運転のＯＮ／ＯＦＦを示す運転ステータス情報、冷房、暖房、除湿又は自動などの空調機器の設定モードを示す設定モード情報、空調機器に指定する外部デバイスの目標設定温度を示す情報、空調機器が排出する風量を示す情報、空調機器が排出する風の向きを示す情報、及び空調制御の制御強度を判定するために利用する室温センサの種別を示す室温センサ種別情報を含む。室温センサ種別情報は、センサ１２によって取得される内部温度データと予測情報受信部１３３によって通知される外部温度データとの２種類の温度データのうちのいずれを利用するかを示す情報である。

センサ１２は、空調機器１０に搭載され、第２センサ値を計測する。センサ１２は、室内の温度を計測する温度センサ、室内の湿度を計測する湿度センサ、室外の温度を計測する温度センサ、室外の湿度を計測する湿度センサ、風の吹き出し口の温度を計測する温度センサ、人がいるか否かを示す情報を出力する赤外線などの人感センサ、及び空調機器稼動時の電流から電力量を計測する電力センサを含む。第２センサ値は、例えば、室内の温度、室内の湿度、室外の温度、室外の湿度、吹き出し温度、室内に人がいるか否かを示す情報、及び電力量を含む。なお、第２センサ値は、空調機器１０近傍の温度、空調機器１０近傍の湿度及び空調機器１０近傍の粒子状物質の量のうちの少なくとも１つを含んでもよい。通信制御部１１１は、センサ１２から第２センサ値を取得し、第２センサ値送信部１３１へ出力する。センサ１２は、第２センサ装置の一例に相当する。

なお、本実施の形態１では、空調機器１０がセンサ１２を備えているが、本開示は特にこれに限定されず、空調機器１０がセンサ１２を備えておらず、センサ１２は空調機器１０の外部に設けられていてもよい。

第２センサ値送信部１３１は、センサ１２によって計測された第２センサ値を第１頻度よりも高い第２頻度でクラウドサーバ２０へ送信する。

制御情報送信部１３２は、空調制御部１１２から空調制御情報を取得し、空調制御情報をクラウドサーバ２０へ送信する。空調制御情報は、空調制御部１１２の制御内容を示す。具体的には、空調制御情報は、運転のＯＮ／ＯＦＦを示す運転ステータス情報、冷房、暖房、除湿又は自動などの空調機器の設定モードを示す設定モード情報、室内の目標設定温度、風向き、風量、及び圧縮機の回転数（冷暖房強度）などを含む。

予測情報受信部１３３は、第１センサ値と第２センサ値との相関を基に第２センサ値から生成された第１センサ予測値をクラウドサーバ２０から受信する。空調制御部１１２は、第１センサ予測値を用いて空調機器１０の運転を制御する。

続いて、クラウドサーバ２０の構成について説明する。

クラウドサーバ２０は、通信部２１、記憶部２２及び制御部２３を備える。通信部２１は、第１センサ値取得部２１１、第２センサ値取得部２１２、制御情報取得部２１３、気象情報取得部２１４、予測情報送信部２１５、設定情報受付部２１６及びパラメータ送信部２１７を備える。記憶部２２は、例えばハードディスクドライブであり、履歴ＤＢ（データベース）２２１及び予測結果ＤＢ２２２を備える。制御部２３は、例えばプロセッサであり、室内環境予測部２３１及び空調設定部２３２を備える。

第１センサ値取得部２１１は、外部デバイス３０のセンサ３２によって計測された第１センサ値を第１頻度で取得する。第１センサ値は、センサ３２によって計測された温度及び湿度を含む。第１センサ値取得部２１１は、外部デバイス３０によって送信された第１センサ値を受信し、受信した第１センサ値を履歴ＤＢ２２１に格納する。第１センサ値送信部３４１は、インターネット等のネットワークを介して、第１センサ値取得部２１１に定期的に第１センサ値をアップロードする。外部デバイス３０からクラウドサーバ２０へのデータ通信頻度（第１頻度）は、空調機器１０からクラウドサーバ２０へのデータ通信頻度（第２頻度）よりも低い。例えば、空調機器１０からクラウドサーバ２０へのデータ通信頻度が１分に１回である場合には、外部デバイス３０からクラウドサーバ２０へのデータ通信頻度は６０分に１回である。

第２センサ値取得部２１２は、空調機器１０のセンサ１２によって計測された第２センサ値を第１頻度よりも高い第２頻度で取得する。第２センサ値取得部２１２は、空調機器１０によって送信された第２センサ値を受信し、受信した第２センサ値を履歴ＤＢ２２１に格納する。第２センサ値は、室内温度、室内湿度、室外温度、吹き出し温度、電力量及び在／不在情報を含む。第２センサ値取得部２１２は、インターネット等のネットワークを介して、例えば、１分に１回の頻度で、第２センサ値送信部１３１から第２センサ値を取得して履歴ＤＢ２２１に格納する。また、第２センサ値送信部１３１は、第２センサ値取得部２１２に定期的に第２センサ値をアップロードしてもよい。

制御情報取得部２１３は、空調機器１０の動作状態を示す空調制御情報を取得する。制御情報取得部２１３は、空調機器１０によって送信された空調制御情報を受信し、受信した空調制御情報を履歴ＤＢ２２１に格納する。空調制御情報は、運転ステータス情報、設定モード情報、設定温度、風量及び風向を含む。制御情報取得部２１３は、インターネット等のネットワークを介して、例えば、１分に１回の頻度で、制御情報送信部１３２から空調制御情報を取得して履歴ＤＢ２２１に格納する。また、制御情報送信部１３２は、制御情報取得部２１３に定期的に空調制御情報をアップロードしてもよい。また、制御情報送信部１３２は、制御が変更されたイベントをトリガーとして、空調制御情報を制御情報取得部２１３にアップロードしてもよい。

また、外部デバイス３０では、クラウドサーバ２０へデータが送信される頻度よりも、センサ３２からデータが取得される頻度の方が高い。そのため、前回データ送信してから次にデータ送信するまでの期間の第１センサ値が外部デバイス３０の第１センサ値記憶部３３１に保存され、データ送信時において、第１センサ値送信部３４１は、第１センサ値記憶部３３１からデータを読み出して、その期間のデータをまとめて送信する。例えば、１分に１回の頻度でセンサ３２から第１センサ値を取得し、６０分に１回の頻度でクラウドサーバ２０と通信する場合には、第１センサ値送信部３４１は、第１センサ値記憶部３３１に格納されている第１センサ値（前の送信時刻から現在時刻までの第１センサ値）をまとめて送信する。なお、センサ３２は、センシング頻度を通信頻度に応じて設定してもよい。

気象情報取得部２１４は、センサ３２及びセンサ１２が設置される空間の外部の気象状況を示す気象情報を取得する。気象情報取得部２１４は、気象情報サーバ５０から空調機器１０が存在する地域における気象情報を受信し、履歴ＤＢ２２１に格納する。気象情報は、今後の天候予測情報又は天候履歴情報を含む。気象情報サーバ５０は、インターネットなどのネットワークを介してクラウドサーバ２０と互いに通信可能に接続されている。気象情報サーバ５０は、気象情報をクラウドサーバ２０へ送信する。

なお、空調機器１０及び外部デバイス３０は、同一の空間において異なる場所に設置される。そのため、センサ３２及びセンサ１２は、同一の空間において異なる場所に設置される。

また、気象情報取得部２１４が気象情報を取得するための通信頻度は、第２センサ値取得部２１２及び制御情報取得部２１３が情報を取得するための通信頻度と同じである。

履歴ＤＢ２２１は、第１センサ値取得部２１１によって取得された第１センサ値、第２センサ値取得部２１２によって取得された第２センサ値、制御情報取得部２１３によって取得された空調制御情報及び気象情報取得部２１４によって取得された気象情報を格納するデータベースである。データベースの形式としては、ＳＱＬ等を用いたリレーショナルデータベースが一般的であるが、Ｋｅｙ−Ｖａｌｕｅ型データベースなどの簡素な関係性でデータを構成するＮｏＳＱＬと呼ばれるデータベースであってもよい。

図７は、本開示の実施の形態１における履歴ＤＢのテーブル構造の一例を示す図である。履歴ＤＢ２２１において、ＩＤは、各レコードを識別するためのユニークなＩＤである。時刻は、各情報を取得した時刻である。第２室内温度、室内湿度、室外温度、吹き出し温度、電力量及び在／不在情報は、第２センサ値取得部２１２を通じて取得した第２センサ値である。運転ステータス、設定モード、設定温度、風量及び風向は、制御情報取得部２１３を通じて取得した空調制御情報である。気象情報は、気象情報取得部２１４を通じて取得した地域の天候を示す情報である。第１室内温度は、第１センサ値取得部２１１を通じて取得した第１センサ値である。なお、説明を容易にするため、第１センサ値と、第２センサ値と、空調制御情報とを１つのテーブルにまとめているが、別のテーブルとして管理してもよい。

ここで、第１センサ値取得部２１１の通信頻度は、上述したように、第２センサ値取得部２１２、制御情報取得部２１３及び気象情報取得部２１４の通信頻度よりも低いため、第１センサ値は、他のデータよりも更新されるタイミングが遅い。例えば、図７の例では、２０１６年８月１４日の１０：０１に第１センサ値が取得されている。この場合、その時刻までの第１センサ値は取得されているが、その時刻以降の第１センサ値は、次のデータ取得時刻（６０分に１回の頻度であれば、２０１６年８月１４日の１１：０１）まで更新されない。そのため、図７の例のように、ＩＤ１０３以降は、第１センサ値以外のデータはそろっているが、第１センサ値は未知の状態となる。

室内環境予測部２３１は、第２センサ値、空調制御情報及び気象情報が取得され且つ第１センサ値が取得されていない期間では、第１センサ値と、第２センサ値と、空調制御情報と、気象情報との相関を基に第２センサ値、空調制御情報及び気象情報から第１センサ予測値を生成する。室内環境予測部２３１は、履歴ＤＢ２２１を利用して、第１センサ値が未確定の場合に、第２センサ値取得部２１２によって取得される第２センサ値、制御情報取得部２１３によって取得される空調制御情報及び気象情報取得部２１４によって取得される気象情報を用いて、第１センサ値を予測し、予測した結果を予測結果ＤＢ２２２に格納する。なお、第１センサ予測値は、外部デバイス３０近傍の予測温度、外部デバイス３０近傍の予測湿度及び外部デバイス３０近傍の粒子状物質の予測量のうちの少なくとも１つを含んでもよい。

室内環境予測部２３１は、第１センサ値と、第２センサ値と、空調制御情報と、気象情報との相関に基づく予測モデルを用いて、第２センサ値、空調制御情報及び気象情報から第１センサ予測値を生成する。

室内環境予測部２３１は、機械学習を用いて予測する。一般に、機械学習は、学習フェーズ及び識別フェーズと呼ばれる２つのフェーズに分類される。学習フェーズでは、室内環境予測部２３１は、過去の履歴データなどの訓練データを入力し、データ解析することで、訓練データの関係性を抽出して、予測モデルを作成する。予測モデルは、学習したデータの関係性に基づき、未知のデータの予測値を出力する。そして、識別フェーズでは、室内環境予測部２３１は、予測するための入力パラメータである識別データを予測モデルに入力し、学習フェーズで抽出したデータの関係性に基づき、予測値を予測モデルから出力する。また、予測したいパラメータを目的変数と呼び、目的変数を導くために学習に利用するパラメータを説明変数と呼ぶ。

ここで、室内環境予測部２３１は、訓練データとして、履歴ＤＢ２２１の履歴データを取得し、学習を行い、予測モデルを生成する。履歴データとしては、履歴ＤＢに登録されていて、第１センサ値を含むすべてのテーブルカラムのデータが揃っているデータが取得される。例えば、図７の例では、ＩＤ１０２まではすべてのコラムのデータがそろっているため、室内環境予測部２３１は、ＩＤ１０２までのデータを取得し、予測モデルを生成する。この場合、目的変数は、第１センサ値であり、説明変数は、時刻、第１センサ値取得部２１１から取得した第１センサ値、第２センサ値取得部２１２から取得した第２センサ値、制御情報取得部２１３から取得した空調制御情報、及び気象情報取得部２１４から取得した気象情報である。

室内環境予測部２３１は、生成した予測モデルに、識別データとして、第１センサ値以外のデータを入力する。このようにして、室内環境予測部２３１は、該当時刻における第１センサ値を予測する。例えば、図７の例では、レコードＩＤ１０３の第１センサ値が未知である。レコードＩＤ１０３の第１センサ値を予測する場合、室内環境予測部２３１は、レコードＩＤ１０３の時刻、第２センサ値取得部２１２から取得した第２センサ値、制御情報取得部２１３から取得した空調制御情報、及び気象情報取得部２１４から取得した気象情報を、予測モデルに入力し、第１センサ予測値を生成する。

ここで、履歴データからの学習の処理コストは大きいため、学習頻度は低くすることが好ましい。例えば、室内環境予測部２３１は、外部デバイス３０から第１センサ値を取得する頻度に合わせて予測モデルを学習することが好ましい。一方で、予測モデルを使った予測の処理コストは小さいため、予測頻度は高くすることが好ましい。例えば、室内環境予測部２３１は、第２センサ値取得部２１２又は制御情報取得部２１３がデータを履歴ＤＢ２２１に格納するタイミングに合わせて第１センサ値を予測することが好ましい。

機械学習を行う上では、どのような履歴データを訓練データとして入力し、どのような履歴データを識別データとして入力するのかが、予測の精度を上げるポイントとなる。学習のアルゴリズムとしては、線形回帰、ニューラルネットワーク又はディープラーニングなどが用いられるが、ここでは限定しない。機械学習のクラウド上のサービスとして、室内環境予測部２３１は、機械学習を行うライブラリ又はＡＰＩ（アプリケーションプログラミングインタフェース）を活用してもよい。

なお、本実施の形態１では、室内環境予測部２３１は、第１センサ値と、第２センサ値と、空調制御情報と、気象情報との相関を基に第２センサ値、空調制御情報及び気象情報から第１センサ予測値を生成しているが、本開示は特にこれに限定されない。室内環境予測部２３１は、第２センサ値が取得され且つ第１センサ値が取得されていない期間では、第１センサ値と第２センサ値との相関を基に第２センサ値から第１センサ予測値を生成してもよい。このとき、室内環境予測部２３１は、第１センサ値と第２センサ値との相関に基づく予測モデルを用いて、第２センサ値から第１センサ予測値を生成する。この場合、第１センサ値と第２センサ値との相関を基に第２センサ値から第１センサ予測値が生成されるので、空調制御情報及び気象情報が不要となる。

また、室内環境予測部２３１は、第１センサ値と、第２センサ値と、空調制御情報との相関を基に第２センサ値及び空調制御情報から第１センサ予測値を生成してもよい。このとき、室内環境予測部２３１は、第１センサ値と、第２センサ値と、空調制御情報との相関に基づく予測モデルを用いて、第２センサ値及び空調制御情報から第１センサ予測値を生成する。この場合、第１センサ値と第２センサ値と空調制御情報との相関を基に第２センサ値及び空調制御情報から第１センサ予測値が生成されるので、気象情報が不要となる。

さらに、室内環境予測部２３１は、第１センサ値と、第２センサ値と、気象情報との相関を基に第２センサ値及び気象情報から第１センサ予測値を生成してもよい。このとき、室内環境予測部２３１は、第１センサ値と、第２センサ値と、気象情報との相関に基づく予測モデルを用いて、第２センサ値及び気象情報から第１センサ予測値を生成する。この場合、第１センサ値と第２センサ値と気象情報との相関を基に第２センサ値及び気象情報から第１センサ予測値が生成されるので、空調制御情報が不要となる。

設定情報受付部２１６は、ユーザによる入力を受け付ける外部インターフェースであり、例えば、ｈｔｔｐ／ｈｔｔｐｓプロトコルで通信する外部インターフェース（ＷｅｂＡＰＩ）である。設定情報受付部２１６は、ユーザにより入力された空調機器１０に対する設定情報を端末装置４０から受信し、空調設定部２３２に出力する。

端末装置４０は、例えば、スマートフォン、タブレット型コンピュータ、又はパーソナルコンピュータである。端末装置４０は、例えばインターネットなどのネットワークを介してクラウドサーバ２０と互いに通信可能に接続されている。なお、外部デバイス３０と端末装置４０とは、互いに異なる装置であってもよく、同じ装置であってもよい。また、設定情報受付部２１６は、室内環境予測部２３１によって生成された予測結果、又は履歴ＤＢ２２１に格納される履歴情報を端末装置４０へ送信してもよい。

図８は、本開示の実施の形態１において、空調機器を遠隔操作する際に、端末装置に表示される表示画面の一例を示す図である。端末装置４０は、ＧＵＩ（グラフィカルユーザインターフェース）を表示する。図８では、制御対象が空調機器である例を示している。複数の空調機器がある場合には、プルダウンから制御対象の空調機器を選択することができる。図８では、リビングに設置された空調機器が選択されている。端末装置４０には、空調機器の現在の状態が表示され、設定情報受付部２１６は、直近の空調機器の設定状態のデータを履歴ＤＢ２２１から取得し、空調機器の現在の状態を表示する。図８では、空調機器の現在の状態は、「冷房運転中」と表示されている。

運転ステータスの項目は、空調機器のＯＮとＯＦＦとのいずれかの選択を受け付ける。設定モードの項目は、冷房、暖房、除湿及び自動運転のいずれかの選択を受け付ける。設定温度の項目は、空調機器に指定する外部デバイス３０で計測される目標温度の選択を受け付ける。風量の項目は、空調機器が排出する風量の設定を受け付ける。風向の項目は、空調機器が排出する風の向きを受け付ける。室温の項目は、室内温度を計測するセンサの種別の選択を受け付ける。例えば、外部デバイスが備えるセンサと、空調機器が備えるセンサとのいずれかの選択が受け付けられる。ユーザは、外部デバイスが備えるセンサと、空調機器が備えるセンサとのいずれで計測された温度を利用して空調機器を制御するかを選択する。設定ボタンが押下されることで、端末装置４０は、ＧＵＩで入力された設定情報を、ｈｔｔｐ／ｈｔｔｐｓプロトコルのフォーマットに変換して設定情報受付部２１６に通知する。

空調設定部２３２は、設定情報受付部２１６によって受け付けた設定情報に基づいて、空調機器１０を制御する運転パラメータを生成し、生成した運転パラメータを空調機器１０へ送信する。

予測情報送信部２１５は、予測結果ＤＢ２２２から外部デバイス３０の第１センサ予測値を取得して、定期的に空調機器１０へ送信する。

本実施の形態において、履歴ＤＢ２２１に格納される履歴情報を用いて学習した予測モデルが作成され、予測モデルを用いて外部デバイス３０により計測される室内温度が高い頻度で予測され、予測値が空調制御に利用される。このように構成することによって、第１センサ値取得部２１１のデータ取得頻度に関わらず、外部デバイス３０により計測される室内温度を予測することができる。したがって、外部デバイス３０からの通信頻度を削減することができ、外部デバイス３０の消費電力量を削減することができる。

本実施の形態の予測処理においては、過去の外部デバイス３０の室内温度の実測値は、説明変数として用いられない。このように構成することで、外部デバイス３０の室内温度の取得頻度に予測精度が依存しなくなる。したがって、予測精度が高い場合には、外部デバイス３０の室内温度の取得頻度を低くすることができる。

なお、本実施の形態において、室内環境予測部２３１は、外部デバイス３０の第１センサ値の過去の時系列データを説明変数として利用してもよい。

図９は、本開示の実施の形態１における履歴ＤＢのデータ構造の変形例を示す図である。例えば、図９に示すように、室内環境予測部２３１は、１０分前の外部デバイス３０の第１センサ値を学習データとして利用してもよい。なお、１０分前の第１センサ値が格納されていない場合は、室内環境予測部２３１は、１０分前の第１センサ予測値を利用してもよい。すなわち、室内環境予測部２３１は、第１センサ値、第２センサ値、空調制御情報、気象情報及び第１センサ予測値を用いて予測モデルの機械学習を行ってもよい。また、室内環境予測部２３１は、第１センサ値、第２センサ値、及び第１センサ予測値を用いて予測モデルの機械学習を行ってもよい。このように構成することで、時系列のデータ遷移の関係性が予測モデルに反映されるため、予測精度を改善することができる。

なお、図９に示す第２センサ値は、空調機器１０の電力量を含んでもよい。

次に、本実施の形態における空調制御システムによる空調制御方法について説明する。本実施の形態における空調制御システムによる空調制御処理は、空調機器によるデータ送信処理、外部デバイスによるデータ送信処理、クラウドサーバによる学習処理、クラウドサーバによる予測処理、及びクラウドサーバによる空調設定処理を含む。

図１０は、本開示の実施の形態１における空調機器によるデータ送信処理の一例を示すフローチャートである。

まず、ステップＳ１において、空調機器１０の通信制御部１１１は、室内温度、室内湿度、室外温度、吹き出し温度、電力量及び在／不在情報を含む第２センサ値をセンサ１２から取得する。

次に、ステップＳ２において、空調機器１０の制御情報送信部１３２は、運転ステータス、設定モード、設定温度、風量及び風向を含む空調制御情報を空調制御部１１２から取得する。

次に、ステップＳ３において、第２センサ値送信部１３１は、第２センサ値をクラウドサーバ２０へ送信する。クラウドサーバ２０の第２センサ値取得部２１２は、空調機器１０によって送信された第２センサ値を受信し、受信した第２センサ値を履歴ＤＢ２２１に記憶する。

次に、ステップＳ４において、制御情報送信部１３２は、空調制御情報をクラウドサーバ２０へ送信する。クラウドサーバ２０の制御情報取得部２１３は、空調機器１０によって送信された空調制御情報を受信し、受信した空調制御情報を履歴ＤＢ２２１に記憶する。

次に、ステップＳ５において、通信制御部１１１は、第２センサ値及び空調制御情報を送信してから所定時間経過したか否かを判断する。所定時間は、例えば１分である。ここで、所定時間経過していないと判断された場合（ステップＳ５でＮＯ）、通信制御部１１１は、所定時間経過するまで待機する。なお、待機中は、プロセッサの負荷を下げて、消費電力を削減してもよい。

一方、所定時間経過したと判断された場合（ステップＳ５でＹＥＳ）、ステップＳ１に処理が戻る。なお、所定時間は、第２センサ値が送信される送信頻度に応じて設定される。通信制御部１１１は、送信頻度が１分間に１回であれば、所定時間を１分に設定する。

上記のデータ送信処理は、クラウドサーバ２０との通信経路が確立されており、電源がＯＮ状態である場合、常に行われる。このようにして、室内の環境情報及び空調機器の設定情報が、すべてデータベースに記憶される。また、図１０では、第２センサ値の取得処理と空調制御情報の取得処理とはシーケンシャルに実行されるが、それぞれの処理は並列に実行されてもよい。また、空調制御情報の取得処理については、定期的に実行されるのではなく、空調制御情報が変更されたタイミングで実行されてもよい。

図１１は、本開示の実施の形態１における外部デバイスによるデータ送信処理の一例を示すフローチャートである。

まず、ステップＳ１１において、外部デバイス３０の通信制御部３１１は、室内温度及び室内湿度を含む第１センサ値をセンサ３２から取得する。

次に、ステップＳ１２において、通信制御部３１１は、取得した第１センサ値を第１センサ値記憶部３３１に記憶する。

次に、ステップＳ１３において、通信制御部３１１は、第１センサ値をクラウドサーバ２０へ送信するタイミングであるか否かを判断する。例えば、第１センサ値をクラウドサーバ２０に１時間毎に１回送信する場合には、通信制御部３１１は、前回送信した時刻と現在時刻とを比較して、前回送信した時刻から所定時間経過したか否かを判断する。所定時間は、例えば１時間である。通信制御部３１１は、前回送信した時刻から所定時間経過している場合は、第１センサ値をクラウドサーバ２０へ送信するタイミングであると判断する。また、通信制御部３１１は、前回送信した時刻から所定時間経過していない場合には、第１センサ値をクラウドサーバ２０へ送信するタイミングではないと判断する。なお、所定時間は、第１センサ値が送信される送信頻度に応じて設定される。通信制御部３１１は、送信頻度が１時間に１回であれば、所定時間を１時間に設定する。

ここで、第１センサ値をクラウドサーバ２０へ送信するタイミングではないと判断された場合（ステップＳ１３でＮＯ）、ステップＳ１７に処理が移行する。

一方、第１センサ値をクラウドサーバ２０へ送信するタイミングであると判断された場合（ステップＳ１３でＹＥＳ）、ステップＳ１４において、第１センサ値送信部３４１は、第１センサ値記憶部３３１に記憶されている第１センサ値をクラウドサーバ２０へ送信する。クラウドサーバ２０の第１センサ値取得部２１１は、外部デバイス３０によって送信された第１センサ値を受信し、受信した第１センサ値を履歴ＤＢ２２１に記憶する。

次に、ステップＳ１５において、通信制御部３１１は、第１センサ値を第１センサ値記憶部３３１から削除する。

次に、ステップＳ１６において、通信制御部３１１は、送信結果を記憶部３３に記憶する。送信結果は、ステップＳ１３の送信タイミングの判断に利用するための情報であり、例えば、第１センサ値を送信した時刻を含む。

次に、ステップＳ１７において、通信制御部３１１は、第１センサ値を前回取得してから所定時間経過したか否かを判断する。所定時間は、例えば１分である。ここで、所定時間経過していないと判断された場合（ステップＳ１７でＮＯ）、ステップＳ１３に処理が戻る。一方、所定時間経過したと判断された場合（ステップＳ１７でＹＥＳ）、ステップＳ１１に処理が戻る。なお、所定時間は、第１センサ値がセンサ３２から取得される取得頻度に応じて設定される。通信制御部３１１は、取得頻度が１分間に１回であれば、所定時間を１分に設定する。

図１２は、本開示の実施の形態１におけるクラウドサーバによる学習処理の一例を示すフローチャートである。

まず、ステップＳ２１において、クラウドサーバ２０の室内環境予測部２３１は、第１センサ値取得部２１１が外部デバイス３０によって送信された第１センサ値を取得したか否かを判断する。ここで、第１センサ値を取得していないと判断された場合（ステップＳ２１でＮＯ）、ステップＳ２４に処理が移行する。

一方、第１センサ値を取得したと判断した場合（ステップＳ２１でＹＥＳ）、ステップＳ２２において、第１センサ値取得部２１１は、取得した第１センサ値を履歴ＤＢ２２１に記憶する。

次に、ステップＳ２３において、室内環境予測部２３１は、予測モデルを更新するか否かの判断に用いる学習フラグをＴＲＵＥに設定する。

次に、ステップＳ２４において、室内環境予測部２３１は、予測モデルを学習するタイミングであるか否かを判断する。例えば、外部デバイス３０から第１センサ値がアップロードされたタイミングで学習する場合には、第１センサ値取得部２１１が第１センサ値を履歴ＤＢ２２１に記憶するタイミングで、学習フラグがＴＲＵＥに設定される。室内環境予測部２３１は、学習フラグがＴＲＵＥに設定されている場合、学習するタイミングであると判断し、学習フラグがＦＡＬＳＥに設定されている場合、学習するタイミングではないと判断する。ここで、学習するタイミングではないと判断された場合（ステップＳ２４でＮＯ）、ステップＳ２１に処理が戻る。

一方、学習するタイミングであると判断された場合（ステップＳ２４でＹＥＳ）、ステップＳ２５において、室内環境予測部２３１は、履歴ＤＢ２２１から第１センサ値、第２センサ値、空調制御情報及び気象情報を取得し、取得した第１センサ値、第２センサ値、空調制御情報及び気象情報を学習し、予測モデルを生成する。このとき、どの期間のデータを用いて学習するかは、予測精度と処理時間との関係で決定してよいが、直前のデータを用いた方が、予測精度が高くなるため好ましい。

次に、ステップＳ２６において、室内環境予測部２３１は、予測モデルを記憶部２２に記憶する。

次に、ステップＳ２７において、室内環境予測部２３１は、学習フラグをＦＡＬＳＥに設定する。ステップＳ２７の処理が行われた後、ステップＳ２１に処理が移行する。

図１３は、本開示の実施の形態１におけるクラウドサーバによる予測処理の一例を示すフローチャートである。

まず、ステップＳ３１において、クラウドサーバ２０の室内環境予測部２３１は、第２センサ値取得部２１２が空調機器１０によって送信された第２センサ値を取得し、制御情報取得部２１３が空調機器１０によって送信された空調制御情報を取得し、気象情報取得部２１４が気象情報サーバ５０によって送信された気象情報を取得したか否かを判断する。ここで、第２センサ値、空調制御情報及び気象情報を全て取得していないと判断された場合（ステップＳ３１でＮＯ）、ステップＳ３４に処理が移行する。そして、室内環境予測部２３１は、第２センサ値、空調制御情報及び気象情報が全て取得されるまで、ステップＳ３４及びステップＳ３１の判断処理が行われる。

一方、第２センサ値、空調制御情報及び気象情報を全て取得したと判断された場合（ステップＳ３１でＹＥＳ）、ステップＳ３２において、第２センサ値取得部２１２、制御情報取得部２１３及び気象情報取得部２１４は、取得した第２センサ値、空調制御情報及び気象情報を履歴ＤＢ２２１に記憶する。

次に、ステップＳ３３において、室内環境予測部２３１は、第１センサ予測値を算出するか否かの判断に用いる予測フラグをＴＲＵＥに設定する。

次に、ステップＳ３４において、室内環境予測部２３１は、第１センサ値を予測するタイミングであるか否かを判断する。例えば、第２センサ値取得部２１２、制御情報取得部２１３及び気象情報取得部２１４によって予測に利用するデータが全て取得されたタイミングで予測する場合には、第２センサ値取得部２１２、制御情報取得部２１３及び気象情報取得部２１４が第２センサ値、空調制御情報及び気象情報を履歴ＤＢ２２１に記憶するタイミングで、予測フラグがＴＲＵＥに設定される。室内環境予測部２３１は、予測フラグがＴＲＵＥに設定されている場合、予測するタイミングであると判断し、予測フラグがＦＡＬＳＥに設定されている場合、予測するタイミングではないと判断する。ここで、予測するタイミングではないと判断された場合（ステップＳ３４でＮＯ）、ステップＳ３１に処理が戻る。

一方、予測するタイミングであると判断された場合（ステップＳ３４でＹＥＳ）、ステップＳ３５において、室内環境予測部２３１は、学習処理で生成した予測モデルを用いて、外部デバイス３０の第１センサ値を予測した第１センサ予測値を生成する。室内環境予測部２３１は、予測したい時刻の第２センサ値、空調制御情報及び気象情報を履歴ＤＢ２２１から読み出し、読み出した第２センサ値、空調制御情報及び気象情報を識別データとして予測モデルに入力する。予測モデルからは、予測したい時刻の第１センサ予測値が出力される。

次に、ステップＳ３６において、室内環境予測部２３１は、第１センサ予測値を予測結果ＤＢ２２２に記憶する。

次に、ステップＳ３７において、室内環境予測部２３１は、予測フラグをＦＡＬＳＥに設定する。

次に、ステップＳ３８において、予測情報送信部２１５は、予測結果ＤＢ２２２から第１センサ予測値を読み出し、読み出した第１センサ予測値を空調機器１０へ送信する。ステップＳ３８の処理が行われた後、ステップＳ３１に処理が移行する。

図１４は、本開示の実施の形態１におけるクラウドサーバによる空調設定処理の一例を示すフローチャートである。

まず、ステップＳ４１において、設定情報受付部２１６は、端末装置４０によって送信された空調機器１０の設定情報を受信する。端末装置４０は、ユーザが所望する運転ステータス、設定モード、設定温度、風量及び風向を含む設定情報をクラウドサーバ２０へ送信する。

次に、ステップＳ４２において、空調設定部２３２は、受信した設定情報に従って空調機器１０を運転させるための運転パラメータを生成する。

次に、ステップＳ４３において、パラメータ送信部２１７は、運転パラメータを空調機器１０へ送信する。空調機器１０のパラメータ受信部１３４は、クラウドサーバ２０によって送信された運転パラメータを受信する。そして、空調機器１０の空調制御部１１２は、パラメータ受信部１３４によって受信された運転パラメータに従って空調機器１０の運転を制御する。

なお、本実施の形態において、外部デバイス３０の電源がＯＦＦされている場合であって、空調設定部２３２は、外部デバイス３０の第１センサ値を予測した第１センサ予測値を用いて空調機器１０の運転パラメータを生成してもよい。履歴ＤＢ２２１に十分なデータが記憶されており、このデータに基づいて予測モデルが作成されれば、外部デバイス３０と通信しなくても、室内環境予測部２３１は、外部デバイス３０により計測される第１センサ値を予測することができる。このように構成することで、外部デバイス３０を配置しなくても、人に近い場所の環境に応じた空調制御を行うことができる。

また、本実施の形態において、室内環境予測部２３１は、ユーザにより予測モデルを学習するか否かの設定を受け付けてもよい。例えば、外部デバイス３０は、予測モデルの学習を行うか否かを入力するための学習実行ボタンを備えてもよい。室内環境予測部２３１は、学習実行ボタンがＯＮされている場合のみに通信されるデータのみを予測モデルの学習に利用する。このようにすれば、ユーザは、学習させたい位置に外部デバイス３０がある場合だけ学習実行ボタンをＯＮにし、学習させたくない位置に外部デバイス３０がある場合に学習実行ボタンをＯＦＦにすることで、予測させたい外部デバイス３０の位置を指定することができる。

また、本実施の形態における外部デバイス３０が空調機器１０のリモートコントローラである場合に、外部デバイス３０は、遠隔制御信号によって空調機器１０と通信し、空調機器１０とクラウドサーバ２０との間の通信経路を利用して、クラウドサーバ２０に外部デバイス３０からのデータを送信してもよい。このような構成にすることによって、外部デバイス３０が赤外線通信機能以外の通信機能を備える必要がなくなる。

また、本実施の形態では、室内環境予測部２３１の学習パラメータの例として、図７に示すように、室内温度、室内湿度、室外温度、吹き出し温度、電力量、在／不在情報、運転ステータス、設定モード、設定温度、風量、風向、及び気象情報を挙げたが、外部デバイス３０の第１センサ値（室内温度）との相関性がある情報であれば、上記に限らない。例えば、曜日及び祝日に関する情報により、室内への人の出入り及び室内における人の滞在期間の特性が予測モデルに反映される。また、空調機器１０の冷暖房強度を表すパラメータとしては、圧縮機の回転数又は吹き出し風量などがある。また、室内の二酸化炭素量を用いることにより、人が存在するか否か及び人の活動量をより正確に把握できる。また、窓の開閉に関する情報があれば、部屋の断熱性の変化に追従できる。さらに、日射量は、室内の温度推移に影響するため有効である。

また、本実施の形態では、室内環境予測部２３１で用いる予測モデルの目的変数として、外部デバイス３０近傍の室内温度を例示しているが、本開示における目的変数は室内温度に限らないことは言うまでもない。例えば、湿度、二酸化炭素量又は日射量などのように、空調機器１０が計測できる第２センサ値及び空調制御情報と相関のある第１センサ値であれば、目的変数として適用することができる。さらに、例えば、外部デバイス３０のセンサ３２が、ＰＭ２．５又は花粉などの粒子状物質の量を計測し、空調機器１０のセンサ１２が、同様にＰＭ２．５又は花粉などの粒子状物質の量を計測していれば、外部デバイス３０のセンサ３２が計測する空気質情報を目的変数とすることも可能である。

また、本実施の形態における外部デバイス３０は、空調機器１０と赤外線により通信するリモートコントローラであってもよい。この構成を実現するためには、外部デバイス３０は、赤外線により通信する赤外線通信部を備える。赤外線通信部は、空調機器１０と通信し、空調機器１０に設定情報を送信し、空調機器１０を制御することができる。外部デバイス３０を使って空調機器１０を制御する場合には、制御内容を外部デバイス３０の記憶部３３に記憶することが可能であり、制御内容は、外部デバイス３０の通信方法又は通信頻度などに利用することができる。例えば、外部デバイス３０は、空調機器１０の電源がＯＦＦである場合には第１センサ値の送信を停止し、空調機器１０の電源がＯＮである場合にのみ第１センサ値を送信することにより、空調機器１０を使わない季節又は期間に不要な通信を行うことを防ぐことができる。

また、本実施の形態における外部デバイス３０は、空調機器１０を遠隔操作するリモートコントローラでなくてもよい。この場合、空調機器１０の電源がＯＮされていることを外部デバイス３０が検出する方法としては、クラウドサーバ２０からの情報と外部デバイス３０により計測される第１センサ値の推移の特徴とを用いて行う方法がある。

図１５は、本開示の実施の形態１において、外部デバイスが空調機器のＯＮタイミングを判定する処理について説明するための図である。例えば、図１５では、空調機器１０が暖房運転される場合において、外部デバイス３０が計測する室内温度の温度推移のグラフを示している。クラウドサーバ２０は、履歴ＤＢ２２１に記憶されている情報を用いて、横軸を時刻とし縦軸を温度とする座標空間上における、空調機器１０が暖房運転される時間帯及び温度帯を示す領域Ｔ１，Ｔ２を特定し、外部デバイス３０が第１センサ値（室内温度）を送信した戻り値として、外部デバイス３０に領域Ｔ１，Ｔ２に関する情報を送信する。

外部デバイス３０は、空調機器１０が暖房運転される時間帯及び温度帯を示す領域Ｔ１，Ｔ２において、現在の計測温度が、過去に計測された複数の温度から予測（線形補間）される予測温度推移Ｐｘ上の予測温度よりも、所定の閾値以上高い場合は、クラウドサーバ２０へ第１センサ値を送信する。このように構成することで、通信頻度をできるだけ抑え、空調機器１０の電源がＯＮされるタイミングを推定できる。

また、同様の手法で、空調機器１０の電源がＯＦＦされるタイミングも推定できる。外部デバイス３０は、空調機器１０の暖房運転が停止される時間帯及び温度帯を示す領域をクラウドサーバ２０から受信し、当該領域において、現在の計測温度が、過去に計測された複数の温度から予測（線形補間）される予測温度推移Ｐｘ上の予測温度よりも、所定の閾値以上低い場合は、クラウドサーバ２０へ第１センサ値を送信する。また、空調機器１０が冷房運転される場合も同様に、外部デバイス３０は、空調機器１０の電源のＯＮ及びＯＦＦを検出することができる。

また、本実施の形態における第１センサ値取得部２１１が外部デバイス３０から第１センサ値を取得するタイミングは、上記に限定されない。

図１６は、本開示の実施の形態１におけるクラウドサーバと外部デバイスとの通信タイミングの変形例を説明するための図である。図１６に示すグラフは、外部デバイス３０のセンサ３２が計測した温度の実測値の時系列推移を示している。時刻ｔ１は、空調機器１０の電源がＯＮされたタイミングであり、時刻ｔ２は、計測温度が設定温度に到達したタイミングであり、時刻ｔ３は、計測温度が所定の許容範囲を逸脱したタイミングである。

空調機器１０の電源がＯＮされた後、通信制御部３１１は、計測温度が設定温度に到達したか否かを判断することにより、図１１のステップＳ１３の第１センサ値を送信するタイミングであるか否かを判断する。すなわち、通信制御部３１１は、計測温度が設定温度に到達した場合、第１センサ値を送信するタイミングであると判断する。図１６に示す例では、時刻ｔ２のタイミングで、第１センサ値が送信される。例えば、外部デバイス３０がリモートコントローラであれば、設定温度は、外部デバイス３０で設定された温度を利用すればよいし、外部デバイス３０がリモートコントローラでなければ、設定温度は、図１５で説明したような空調機器の電源がＯＮされたタイミングで取得してもよい。

このように構成することで、クラウドサーバ２０及び空調機器１０は、室内温度が設定温度に到達するタイミングを確実に把握することができるため、予測が外れた場合にも空調機器１０を適切に制御することができる。一般に、空調機器１０は、室内温度が設定温度に到達するまでは、空調機器１０の処理負荷を上げ、設定温度に到達してからは空調機器１０の処理負荷を下げて、間欠運転で消費電力を低下させる。例えば、予測が外れて、室内温度が予測時刻よりも早く設定温度に到達した場合、予測よりも早めに空調機器１０は処理負荷を下げて消費電力を低下させる。一方、予測が外れて、室内温度が予測時刻よりも遅く設定温度に到達する場合、クラウドサーバ２０は第１センサ予測値を補正して、空調機器１０の処理負荷を下げないようにすることで、室内温度を設定温度に到達させることができる。

なお、通信不良により通信できない可能性もある。そのため、通信制御部３１１は、室内温度が設定温度に到達したか否かの条件に加えて、通信タイムアウト値を設定してもよい。また、通信制御部３１１は、室内温度が設定温度に到達したことを送信条件にするのではなく、室内温度が設定温度に到達する予定の時刻に現在時刻が到達したことを送信条件としてもよい。なお、室内温度が設定温度に到達する予定の時刻は、クラウドサーバ２０で予測され、外部デバイス３０に送信される。

空調機器１０の電源がＯＮされて、室内温度が設定温度に到達した後、図１６で示すように、通信制御部３１１は、設定温度に対する許容範囲を設定し、室内温度が許容範囲から逸脱するタイミング（時刻ｔ３）で通信してもよい。許容範囲は、例えば、設定温度−１度から設定温度＋１度の間の範囲としてもよい。このように構成することで、予測結果が外れた場合でも、空調機器１０を適切に制御することができる。一般に、空調機器１０は、室内温度が設定温度に到達すれば、同じ温度を維持するように空調を制御する。したがって、室内温度は許容範囲を逸脱しないはずであるが、室内温度が許容範囲を逸脱した場合のみに通信することで、エラーを回避し、快適性を保つとともに、最低限の通信を行うため頻度を下げることができる。なお、通信不良により通信できない可能性もある。そのため、通信制御部３１１は、室内温度が許容範囲を逸脱したか否かの条件に加えて、通信タイムアウト値を設定してもよい。

また、本実施の形態では、予測情報送信部２１５は、第１センサ予測値を空調機器１０へ送信し、空調制御部１１２は、第１センサ予測値を用いて空調を制御しているが、空調設定部２３２は、第１センサ予測値と、空調機器１０の計測温度とを用いて設定温度を変更し、変更した設定温度を空調制御部１１２に設定してもよい。すなわち、空調設定部２３２は、外部デバイス３０の計測温度と空調機器１０の計測温度との差分を、設定温度から減算してもよい。例えば、空調機器１０が冷房運転であり、設定温度が２５度であり、空調機器１０の計測温度が２５度であり、外部デバイス３０の第１センサ予測値が２８度である場合に、空調設定部２３２は、設定温度を２２度（＝２５度−（２８度−２５度））に変更し、変更した設定温度を送信する。このように構成することで、空調機器１０の空調制御方法は、外部デバイス３０で計測される室内温度を考慮する必要がなく、既存の空調機器１０を利用することができる。

（実施の形態２）
本実施の形態２において、第１センサ値取得部２１１が外部デバイス３０から第１センサ値を取得する頻度は、室内環境予測部２３１が生成する予測モデルの予測精度によって変更されてもよい。

図１７は、本開示の実施の形態２における空調制御システム及びクラウドサーバの構成を示すブロック図である。なお、図１７において、実施の形態１と同じ構成については同じ符号を付し、説明を省略する。

空調制御システムは、空調機器１０、クラウドサーバ２０Ａ、外部デバイス３０、端末装置４０及び気象情報サーバ５０を備える。クラウドサーバ２０Ａは、通信部２１Ａ、記憶部２２及び制御部２３Ａを備える。通信部２１Ａは、第１センサ値取得部２１１、第２センサ値取得部２１２、制御情報取得部２１３、気象情報取得部２１４、予測情報送信部２１５、設定情報受付部２１６、パラメータ送信部２１７及び頻度送信部２１８を備える。制御部２３Ａは、室内環境予測部２３１、空調設定部２３２及び頻度決定部２３３を備える。

頻度決定部２３３は、第１センサ予測値及び第１センサ値を用いて、第１センサ値を取得するための第１頻度を決定する。頻度決定部２３３は、過去の第１センサ値と、過去の第１センサ値を取得した際に取得された過去の第２のセンサ値、空調制御情報及び気象情報から生成された第１センサ予測値との差分に基づいて第１頻度を決定する。

なお、頻度決定部２３３は、過去の第１センサ値と、過去の第１センサ値を取得した際に取得された過去の第２のセンサ値から生成された第１センサ予測値との差分に基づいて第１頻度を決定してもよい。

頻度決定部２３３は、予測モデルに過去の履歴データを入力して生成した第１センサ予測値と、第１センサ値の実測値との絶対平均誤差を算出する。この絶対平均誤差は、予測精度を表す。また、例えば、頻度決定部２３３は、過去の履歴データの一部（例えば、７０％）を利用して学習し、過去の履歴データの残り（例えば、残りの３０％）を利用して予測し、予測値と実測値との絶対平均誤差を算出してもよい。

頻度決定部２３３は、予測精度が低い場合、すなわち第１センサ予測値と第１センサ値の実測値との差分（絶対平均誤差）が所定値より大きい場合には、現在の第１頻度より高い第１頻度を決定する。例えば、頻度決定部２３３は、６０分に１回送信するという現在の第１頻度を、１０分に１回送信するという第１頻度に変更する。このように構成することで、予測精度が低い場合に、外部デバイス３０の実際の第１センサ値と、第１センサ予測値とが大きくずれることを防ぐことができる。

なお、頻度決定部２３３は、予測精度が高い場合、すなわち第１センサ予測値と第１センサ値の実測値との差分（絶対平均誤差）が所定値より小さい場合には、現在の第１頻度を維持するように第１頻度を決定してもよいし、現在の第１頻度より低い第１頻度を決定してもよい。例えば、頻度決定部２３３は、６０分に１回送信するという現在の第１頻度を維持してもよい。また、例えば、頻度決定部２３３は、６０分に１回送信するという現在の第１頻度を、９０分に１回送信するという第１頻度に変更してもよい。

頻度送信部２１８は、頻度決定部２３３によって決定された第１センサ値を取得するための頻度（第１頻度）を外部デバイス３０へ送信する。

図１２のクラウドサーバ２０Ａによる学習処理において、ステップＳ２１の第１センサ値の取得後に、頻度決定部２３３は、予測精度に応じて、第１センサ値を取得するための第１頻度を決定する。そして、頻度送信部２１８は、頻度決定部２３３によって決定された第１頻度を外部デバイス３０へ送信する。

図１１の外部デバイス３０によるデータ送信処理においては、ステップＳ１４の第１センサ値の送信後に、外部デバイス３０の通信部３４は、クラウドサーバ２０Ａから予測精度に応じた第１頻度を受信する。図１１のステップＳ１３において、通信制御部３１１は、受信した第１頻度に応じて、第１センサ値を送信するタイミングであるか否かを判断する。

（実施の形態３）
本実施の形態３において、第１センサ値取得部２１１が外部デバイス３０から取得する第１センサ値の取得データ量は、室内環境予測部２３１が生成する予測モデルの予測精度によって変更されてもよい。

図１８は、本開示の実施の形態３における空調制御システム及びクラウドサーバの構成を示すブロック図である。なお、図１８において、実施の形態１と同じ構成については同じ符号を付し、説明を省略する。

空調制御システムは、空調機器１０、クラウドサーバ２０Ｂ、外部デバイス３０、端末装置４０及び気象情報サーバ５０を備える。クラウドサーバ２０Ｂは、通信部２１Ｂ、記憶部２２及び制御部２３Ｂを備える。通信部２１Ｂは、第１センサ値取得部２１１、第２センサ値取得部２１２、制御情報取得部２１３、気象情報取得部２１４、予測情報送信部２１５、設定情報受付部２１６、パラメータ送信部２１７及び取得量送信部２１９を備える。制御部２３Ａは、室内環境予測部２３１、空調設定部２３２及び取得量決定部２３４を備える。

取得量決定部２３４は、第１センサ予測値及び第１センサ値を用いて第１センサ値の取得量を決定する。取得量決定部２３４は、過去の第１センサ値と、過去の第１センサ値を取得した際に取得された過去の第２のセンサ値、空調制御情報及び気象情報から生成された第１センサ予測値との差分に基づいて第１センサ値の取得量を決定する。

なお、頻度決定部２３３は、過去の第１センサ値と、過去の第１センサ値を取得した際に取得された過去の第２のセンサ値から生成された第１センサ予測値との差分に基づいて第１センサ値の取得量を決定してもよい。

取得量決定部２３４は、予測モデルに過去の履歴データを入力して生成した第１センサ予測値と、第１センサ値の実測値との絶対平均誤差を算出する。この絶対平均誤差は、予測精度を表す。また、例えば、取得量決定部２３４は、過去の履歴データの一部（例えば、７０％）を利用して学習し、過去の履歴データの残り（例えば、残りの３０％）を利用して予測し、予測値と実測値との絶対平均誤差を算出してもよい。

本実施の形態３では、例えば、計測された第１センサ値は、１分に１回の頻度で第１センサ値記憶部３３１に格納され、格納された６０個の第１センサ値は、６０分に１回の頻度でクラウドサーバ２０Ｂに送信される。このとき、取得量決定部２３４は、予測精度が高い場合、すなわち第１センサ予測値と第１センサ値の実測値との差分（絶対平均誤差）が所定値より小さい場合には、取得量（通信データ量）を現在の取得量より少ない２０個に決定する。その場合、次回のステップＳ１４の第１センサ値の送信時において、通信制御部３１１は、６０個の第１センサ値から４０個の第１センサ値を間引き、２０個の第１センサ値をクラウドサーバ２０Ｂに送信する。このように構成することで、予測精度が高い場合に、通信データ量が削減できるため、外部デバイス３０の処理負荷を削減し、さらなる省電力化を達成できる。

なお、取得量決定部２３４は、予測精度が低い場合、すなわち第１センサ予測値と第１センサ値の実測値との差分（絶対平均誤差）が所定値より大きい場合には、現在の取得量を維持するように取得量を決定してもよいし、現在の取得量より多い取得量を決定してもよい。例えば、取得量決定部２３４は、６０個という現在の取得量を維持してもよい。また、例えば、取得量決定部２３４は、２０個という現在の取得量を、６０個という取得量に変更してもよい。なお、取得量の上限値は、第１センサ値が送信されてから次に第１センサ値が送信されるまでの間に、第１センサ値記憶部３３１に記憶される第１センサ値の数である。

取得量送信部２１９は、取得量決定部２３４によって決定された第１センサ値の取得量を外部デバイス３０へ送信する。

図１２のクラウドサーバ２０による学習処理において、ステップＳ２１の第１センサ値の取得後に、取得量決定部２３４は、予測精度に応じて、第１センサ値の取得量を決定する。そして、取得量送信部２１９は、取得量決定部２３４によって決定された第１センサ値の取得量を外部デバイス３０へ送信する。

図１１の外部デバイス３０によるデータ送信処理においては、ステップＳ１４の第１センサ値の送信後に、外部デバイス３０の通信部３４は、クラウドサーバ２０から予測精度に応じた第１センサ値の取得量（通信データ量）を受信する。通信制御部３１１は、受信した取得量（通信データ量）に応じて、次回の第１センサ値の送信時の、第１センサ値のデータ量を調整する。

（実施の形態４）
本実施の形態４において、室内環境予測部２３１は、予測結果の予測精度によって、予測に使う予測モデルを変更してもよい。

図１９は、本開示の実施の形態４における空調制御システム及びクラウドサーバの構成を示すブロック図である。なお、図１９おいて、実施の形態１と同じ構成については同じ符号を付し、説明を省略する。

空調制御システムは、空調機器１０、クラウドサーバ２０Ｃ、外部デバイス３０、端末装置４０及び気象情報サーバ５０を備える。クラウドサーバ２０Ｃは、通信部２１、記憶部２２及び制御部２３Ｃを備える。制御部２３Ｃは、室内環境予測部２３１、空調設定部２３２及び予測モデル決定部２３５を備える。

室内環境予測部２３１は、異なる学習方法で学習した複数の予測モデルを生成し、記憶部２２に記憶する。記憶部２２は、複数の予測モデルを記憶する。予測モデル決定部２３５は、第１センサ予測値及び第１センサ値を用いて、複数の予測モデルから使用する予測モデルを決定する。予測モデル決定部２３５は、過去の第１センサ値と、過去の第１センサ値を取得した際に取得された過去の第２のセンサ値、空調制御情報及び気象情報から生成された第１センサ予測値との差分に基づいて、複数の予測モデルから使用する予測モデルを決定する。

なお、予測モデル決定部２３５は、過去の第１センサ値と、過去の第１センサ値を取得した際に取得された過去の第２のセンサ値から生成された第１センサ予測値との差分に基づいて、複数の予測モデルから使用する予測モデルを決定してもよい。

予測モデル決定部２３５は、予測モデルに過去の履歴データを入力して生成した第１センサ予測値と、第１センサ値の実測値との絶対平均誤差を算出する。この絶対平均誤差は、予測精度を表す。また、例えば、予測モデル決定部２３５は、過去の履歴データの一部（例えば、７０％）を利用して学習し、過去の履歴データの残り（例えば、残りの３０％）を利用して予測し、予測値と実測値との絶対平均誤差を算出してもよい。

予測モデル決定部２３５は、予測精度が低い場合、すなわち第１センサ予測値と第１センサ値の実測値との差分（絶対平均誤差）が所定値より大きい場合には、利用する予測モデルを他の予測モデルに切り替える。この場合、室内環境予測部２３１は、学習方法を変更して複数の予測モデルを生成し、学習方法が異なる複数の予測モデルを記憶部２２に記憶する。室内環境予測部２３１は、例えば、取得期間が異なる履歴データを用いて学習した予測モデル、説明変数のパラメータの値を変更して学習した予測モデル、及び異なるアルゴリズムを用いて学習した予測モデルを生成してもよい。このように構成することで、予測精度を改善することができる。

（実施の形態５）
本実施の形態５において、室内環境予測部２３１によって生成される第１センサ予測値は、外部デバイス３０の異常検知に利用されてもよい。

図２０は、本開示の実施の形態５における空調制御システム及びクラウドサーバの構成を示すブロック図である。なお、図２０において、実施の形態１と同じ構成については同じ符号を付し、説明を省略する。

空調制御システムは、空調機器１０、クラウドサーバ２０Ｄ、外部デバイス３０、端末装置４０及び気象情報サーバ５０を備える。クラウドサーバ２０Ｄは、通信部２１Ｄ、記憶部２２及び制御部２３Ｄを備える。通信部２１Ｄは、第１センサ値取得部２１１、第２センサ値取得部２１２、制御情報取得部２１３、気象情報取得部２１４、予測情報送信部２１５、設定情報受付部２１６、パラメータ送信部２１７及び異常通知部２２０を備える。制御部２３Ｄは、室内環境予測部２３１、空調設定部２３２及び異常検知部２３６を備える。

異常検知部２３６は、第１センサ予測値及び第１センサ値を用いて、外部デバイス３０のセンサ３２（第１センサ装置）の異常を検知する。異常検知部２３６は、過去の第１センサ値と、過去の第１センサ値を取得した際に取得された過去の第２のセンサ値、空調制御情報及び気象情報から生成された第１センサ予測値との差分に基づいて、外部デバイス３０のセンサ３２の異常を検知する。

なお、異常検知部２３６は、過去の第１センサ値と、過去の第１センサ値を取得した際に取得された過去の第２のセンサ値から生成された第１センサ予測値との差分に基づいて、外部デバイス３０のセンサ３２の異常を検知してもよい。

異常検知部２３６は、予測モデルに過去の履歴データを入力して生成した第１センサ予測値と、第１センサ値の実測値との絶対平均誤差を算出する。この絶対平均誤差は、予測精度を表す。また、例えば、異常検知部２３６は、過去の履歴データの一部（例えば、７０％）を利用して学習し、過去の履歴データの残り（例えば、残りの３０％）を利用して予測し、予測値と実測値との絶対平均誤差を算出してもよい。

異常検知部２３６は、予測精度が低い場合、すなわち第１センサ予測値と第１センサ値の実測値との差分（絶対平均誤差）が所定値より大きい場合には、外部デバイス３０のセンサ３２の異常を検知する。例えば、予測精度が著しく悪化する場合には、外部デバイス３０が別の部屋に移設されたり、別の熱源にさらされたりしている可能性が疑われる。

異常通知部２２０は、異常検知部２３６によって外部デバイス３０のセンサ３２の異常が検知された場合、外部デバイス３０のセンサ３２に異常が発生したことをユーザに通知するための異常通知情報を端末装置４０へ送信する。この場合、異常通知情報は、例えば、外部デバイス３０の設置位置を確認するようなメッセージを含んでもよい。このように構成することで、外部デバイス３０のエラーを検知して、ユーザに通知することが可能となる。

（実施の形態６）
本実施の形態６において、室内環境予測部２３１によって生成される第１センサ予測値は、室内環境予測部２３１の予測結果の予測精度によって、補正してもよい。

図２１は、本開示の実施の形態６における空調制御システム及びクラウドサーバの構成を示すブロック図である。なお、図２１において、実施の形態１と同じ構成については同じ符号を付し、説明を省略する。

空調制御システムは、空調機器１０、クラウドサーバ２０Ｅ、外部デバイス３０、端末装置４０及び気象情報サーバ５０を備える。クラウドサーバ２０Ｅは、通信部２１、記憶部２２及び制御部２３Ｅを備える。制御部２３Ｅは、室内環境予測部２３１、空調設定部２３２及び予測値補正部２３７を備える。

予測値補正部２３７は、第１センサ予測値及び第１センサ値を用いて第１センサ予測値を補正する。予測値補正部２３７は、過去の第１センサ値と、過去の第１センサ値を取得した際に取得された過去の第２のセンサ値、空調制御情報及び気象情報から生成された第１センサ予測値との差分に基づいて第１センサ予測値を補正する。

なお、予測値補正部２３７は、過去の第１センサ値と、過去の第１センサ値を取得した際に取得された過去の第２のセンサ値から生成された第１センサ予測値との差分に基づいて第１センサ予測値を補正してもよい。

予測値補正部２３７は、予測モデルに過去の履歴データを入力して生成した第１センサ予測値と、第１センサ値の実測値との絶対平均誤差を算出する。この絶対平均誤差は、予測精度を表す。また、例えば、予測値補正部２３７は、過去の履歴データの一部（例えば７０％）を利用して学習し、過去の履歴データの残り（例えば、残りの３０％）を利用して予測し、予測値と実測値との絶対平均誤差を算出してもよい。

予測値補正部２３７は、予測精度が低い場合、すなわち第１センサ予測値と第１センサ値の実測値との差分（絶対平均誤差）が所定値より大きい場合には、第１センサ予測値を補正する。具体的には、予測値補正部２３７は、過去の所定期間における第１センサ予測値と第１センサ値の実測値との平均誤差を、第１センサ予測値に加算する。このように構成にすることで、予測結果が補正され、予測精度を改善することができる。

以上が本実施の形態１〜６における空調制御システムの説明である。

なお、上記態様において説明された技術は、例えば、以下のクラウドサービスの類型において実現されうる。しかし、上記態様において説明された技術が実現されるクラウドサービスの類型はこれらに限られるものでない。

（サービスの類型１：自社データセンタ型クラウドサービス）
図２２は、サービスの類型１（自社データセンタ型クラウドサービス）における空調制御システムが提供するサービスの全体像を示す図である。本類型では、サービスプロバイダ１２０がグループ１００から情報を取得し、ユーザに対してサービスを提供する。本類型では、サービスプロバイダ１２０が、データセンタ運営会社の機能を有している。すなわち、サービスプロバイダ１２０が、ビッグデータを管理するクラウドサーバ１１３を保有している。したがって、データセンタ運営会社は存在しない。

本類型では、サービスプロバイダ１２０は、データセンタ（クラウドサーバ）２０３を運営及び管理している。また、サービスプロバイダ１２０は、オペレーティングシステム（ＯＳ）２０２及びアプリケーション２０１を管理する。サービスプロバイダ１２０は、サービスプロバイダ１２０が管理するＯＳ２０２及びアプリケーション２０１を用いてサービスを提供する（矢印２０４）。

（サービスの類型２：ＩａａＳ利用型クラウドサービス）
図２３は、サービスの類型２（ＩａａＳ利用型クラウドサービス）における空調制御システムが提供するサービスの全体像を示す図である。ここで、ＩａａＳとは、インフラストラクチャー・アズ・ア・サービスの略であり、コンピュータシステムを構築および稼動させるための基盤そのものを、インターネット経由のサービスとして提供するクラウドサービス提供モデルである。

本類型では、データセンタ運営会社１１０が、データセンタ（クラウドサーバ）２０３を運営及び管理している。また、サービスプロバイダ１２０は、ＯＳ２０２及びアプリケーション２０１を管理する。サービスプロバイダ１２０は、サービスプロバイダ１２０が管理するＯＳ２０２及びアプリケーション２０１を用いてサービスを提供する（矢印２０４）。

（サービスの類型３：ＰａａＳ利用型クラウドサービス）
図２４は、サービスの類型３（ＰａａＳ利用型クラウドサービス）における空調制御システムが提供するサービスの全体像を示す図である。ここで、ＰａａＳとは、プラットフォーム・アズ・ア・サービスの略であり、ソフトウェアを構築および稼動させるための土台となるプラットフォームを、インターネット経由のサービスとして提供するクラウドサービス提供モデルである。

本類型では、データセンタ運営会社１１０は、ＯＳ２０２を管理し、データセンタ（クラウドサーバ）２０３を運営及び管理している。また、サービスプロバイダ１２０は、アプリケーション２０１を管理する。サービスプロバイダ１２０は、データセンタ運営会社１１０が管理するＯＳ２０２及びサービスプロバイダ１２０が管理するアプリケーション２０１を用いてサービスを提供する（矢印２０４）。

（サービスの類型４：ＳａａＳ利用型クラウドサービス）
図２５は、サービスの類型４（ＳａａＳ利用型クラウドサービス）における空調制御システムが提供するサービスの全体像を示す図である。ここで、ＳａａＳとは、ソフトウェア・アズ・ア・サービスの略である。ＳａａＳ利用型クラウドサービスは、例えば、データセンタ（クラウドサーバ）を保有しているプラットフォーム提供者が提供するアプリケーションを、データセンタ（クラウドサーバ）を保有していない会社又は個人などの利用者がインターネットなどのネットワーク経由で使用できる機能を有するクラウドサービス提供モデルである。

本類型では、データセンタ運営会社１１０は、アプリケーション２０１を管理し、ＯＳ２０２を管理し、データセンタ（クラウドサーバ）２０３を運営及び管理している。また、サービスプロバイダ１２０は、データセンタ運営会社１１０が管理するＯＳ２０２及びアプリケーション２０１を用いてサービスを提供する（矢印２０４）。

以上、いずれのクラウドサービスの類型においても、サービスプロバイダ１２０がサービスを提供する。また、例えば、サービスプロバイダ又はデータセンタ運営会社は、ＯＳ、アプリケーション又はビックデータのデータベース等を自ら開発してもよいし、また、第三者に外注させてもよい。

以上、本開示の装置について、実施の形態に基づいて説明したが、本開示は、この実施の形態に限定されるものではない。本開示の趣旨を逸脱しない限り、当業者が思いつく各種変形を本実施の形態に施したものや、異なる実施の形態における構成要素を組み合わせて構築される形態も、本開示の一つまたは複数の態様の範囲内に含まれてもよい。

なお、上記各実施の形態において、各構成要素は、専用のハードウェアで構成されるか、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵまたはプロセッサなどのプログラム実行部が、ハードディスクまたは半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。

本開示の実施の形態に係る装置の機能の一部又は全ては典型的には集積回路であるＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）として実現される。これらは個別に１チップ化されてもよいし、一部又は全てを含むように１チップ化されてもよい。また、集積回路化はＬＳＩに限るものではなく、専用回路又は汎用プロセッサで実現してもよい。ＬＳＩ製造後にプログラムすることが可能なＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、又はＬＳＩ内部の回路セルの接続や設定を再構成可能なリコンフィギュラブル・プロセッサを利用してもよい。

また、本開示の実施の形態に係る装置の機能の一部又は全てを、ＣＰＵ等のプロセッサがプログラムを実行することにより実現してもよい。

また、上記で用いた数字は、全て本開示を具体的に説明するために例示するものであり、本開示は例示された数字に制限されない。

また、上記フローチャートに示す各ステップが実行される順序は、本開示を具体的に説明するために例示するためのものであり、同様の効果が得られる範囲で上記以外の順序であってもよい。また、上記ステップの一部が、他のステップと同時（並列）に実行されてもよい。

さらに、本開示の主旨を逸脱しない限り、本開示の各実施の形態に対して当業者が思いつく範囲内の変更を施した各種変形例も本開示に含まれる。

本開示に係る空調制御方法及び空調制御装置は、第１センサ装置の消費電力を削減することができるとともに、第１センサ装置の第１センサ値を正確に予測することができ、空調機器以外の外部デバイスから取得したセンサ値を用いて空調機器の動作を制御する空調制御方法及び空調制御装置として有用である。

１０ 空調機器
１１ 制御部
１２ センサ
１３ 通信部
１５，１６ ユーザ
２０，２０Ａ，２０Ｂ，２０Ｃ，２０Ｄ，２０Ｅ，１１３ クラウドサーバ
２１，２１Ａ，２１Ｂ，２１Ｄ 通信部
２２ 記憶部
２３，２３Ａ，２３Ｂ，２３Ｃ，２３Ｄ，２３Ｅ 制御部
３０ 外部デバイス
３１ 制御部
３２ センサ
３３ 記憶部
３４ 通信部
４０ 端末装置
５０ 気象情報サーバ
１００ グループ
１０１ 複数の機器
１０２ ホームゲートウェイ
１１０ データセンタ運営会社
１１１ 通信制御部
１１２ 空調制御部
１２０ サービスプロバイダ
１２１ サーバ
１３１ 第２センサ値送信部
１３２ 制御情報送信部
１３３ 予測情報受信部
１３４ パラメータ受信部
２０１ アプリケーション
２０２ ＯＳ
２０３ データセンタ
２１１ 第１センサ値取得部
２１２ 第２センサ値取得部
２１３ 制御情報取得部
２１４ 気象情報取得部
２１５ 予測情報送信部
２１６ 設定情報受付部
２１７ パラメータ送信部
２１８ 頻度送信部
２１９ 取得量送信部
２２０ 異常通知部
２２１ 履歴ＤＢ
２２２ 予測結果ＤＢ
２３１ 室内環境予測部
２３２ 空調設定部
２３３ 頻度決定部
２３４ 取得量決定部
２３５ 予測モデル決定部
２３６ 異常検知部
２３７ 予測値補正部
３１１ 通信制御部
３３１ 第１センサ値記憶部
３４１ 第１センサ値送信部

Claims (13)

1. プロセッサを用いて、
   第２センサ装置と同一空間内の異なる位置に設けられた第１センサ装置によって計測された第１センサ値を第１頻度で取得し、
   前記第２センサ装置によって計測された第２センサ値を前記第１頻度よりも高い第２頻度で取得し、
   前記第２センサ値が取得され且つ前記第１センサ値が取得されていない期間では、前記第１センサ値と前記第２センサ値との相関を基に前記第２センサ値から第１センサ予測値を生成し、
   前記第１センサ予測値を基に、空調機器の動作を決定する、
   空調制御方法。
2. 前記第１センサ値、前記第２センサ値及び前記第１センサ予測値は、温度、湿度及び粒子状物質の量のうちの少なくとも１つを含む、
   請求項１記載の空調制御方法。
3. 前記空調制御方法は、さらに、前記第１センサ予測値及び前記第１センサ値を用いて前記第１頻度を決定することを含む、
   請求項１又は２記載の空調制御方法。
4. 前記第１頻度の決定においては、過去の前記第１センサ値と、過去の前記第１センサ値を取得した際に取得された過去の前記第２のセンサ値から生成された前記第１センサ予測値との差分に基づいて前記第１頻度を決定する、
   請求項３記載の空調制御方法。
5. 前記空調制御方法は、さらに、前記第１センサ予測値及び前記第１センサ値を用いて前記第１センサ値の取得量を決定することを含む、
   請求項１〜４のいずれか１項に記載の空調制御方法。
6. 前記第１センサ予測値の生成においては、前記相関に基づく予測モデルを用いて前記第２センサ値から前記第１センサ予測値を生成する、
   請求項１〜５のいずれか１項に記載の空調制御方法。
7. 前記空調制御方法は、さらに、前記第１センサ値、前記第２センサ値、及び前記第１センサ予測値を用いて前記予測モデルの機械学習を行うことを含む、
   請求項６記載の空調制御方法。
8. 前記予測モデルは、それぞれ異なる学習方法で学習された複数の予測モデルを含み、
   前記空調制御方法は、さらに、前記第１センサ予測値及び前記第１センサ値を用いて、前記複数の予測モデルから使用する前記予測モデルを決定することを含む、
   請求項６又は７記載の空調制御方法。
9. 前記空調制御方法は、さらに、前記第１センサ予測値及び前記第１センサ値を用いて、前記第１センサ装置の異常を検知することを含む、
   請求項１〜８のいずれか１項に記載の空調制御方法。
10. 前記空調制御方法は、さらに、過去の前記第１センサ値と、過去の前記第１センサ値を取得した際に取得された過去の前記第２のセンサ値から生成された前記第１センサ予測値との差分を用いて、生成した前記第１センサ予測値を補正することを含む、
    請求項１〜９のいずれか１項に記載の空調制御方法。
11. 前記空調制御方法は、さらに、前記空調機器の動作状態を取得することを含み、
    前記相関は、前記第１センサ値と、前記第２センサ値と、前記空調機器の動作状態との相関を含む、
    請求項１〜１０のいずれか１項に記載の空調制御方法。
12. 前記空調制御方法は、さらに、前記第１センサ装置及び前記第２センサ装置が設置される空間の外部の気象状況を示す気象情報を取得することを含み、
    前記第１センサ装置及び前記第２センサ装置は、同一の空間において異なる場所に設置され、
    前記相関は、前記第１センサ値と、前記第２センサ値と、前記気象情報との相関を含む、
    請求項１〜１０のいずれか１項に記載の空調制御方法。
13. 通信部と、
    プロセッサと、
    を備え、
    前記通信部は、
    第２センサ装置と同一空間内の異なる位置に設けられた第１センサ装置によって計測された第１センサ値を第１頻度で取得し、
    前記第２センサ装置によって計測された第２センサ値を前記第１頻度よりも高い第２頻度で取得し、
    前記プロセッサは、
    前記第２センサ値が取得され且つ前記第１センサ値が取得されていない期間では、前記第１センサ値と前記第２センサ値との相関を基に前記第２センサ値から第１センサ予測値を生成し、
    前記第１センサ予測値を基に、空調機器の動作を決定する、
    空調制御装置。

Images