JP2020174343A - 機械学習装置 - Google Patents

Abstract

【課題】ＢＬＥモジュールと他のＢＬＥモジュールとの間の電波伝搬状態を得る【解決手段】コンピュータ１０は、ＢＬＥモジュールＭと他のＢＬＥモジュールＭとの間の電波伝搬状態を学習する機械学習装置であって、取得部２０と、学習部３０とを備えている。取得部３０は、状態変数を得るための情報として、空気調和機配置情報２１及び梁配置情報２２を取得する。これらの情報は、ＢＬＥモジュールＭと他のＢＬＥモジュールＭとの間に関する情報である。学習部３０は、状態変数と、ＢＬＥモジュールＭと他のＢＬＥモジュールＭとの間の電波伝搬状態とを、関連付けて学習する。【選択図】図３

Description

無線機器と他の無線機器との間の電波伝搬状態を学習する機械学習装置に関する。

暖房、換気、空気調和などを行う機器（以下、ＨＶＡＣ機器と呼ぶ。）をネットワークに接続して遠隔から管理するシステムが従来から存在している。このシステムでは、ネットワークアドレスと、各ＨＶＡＣ機器の建物内における物理的な配置の情報とを、対応付けて記憶しておく必要がある。この対応付けの作業は、建物において手作業で行われていることが多く、作業に多大な時間とコストがかかっている。

この問題に対し、近年、各ＨＶＡＣ機器に電波送受信機（無線機器）を設け、それらの電波送受信機から電波強度の情報を得て、それを基に各ＨＶＡＣ機器の配置を推定する、という取り組みが為されている。電波伝搬状態のシミュレーションに関しては、例えば、特許文献１（特開２０１６−２０８２６５号公報）に１つの方法が示されている。

既存の方法によって電波伝搬状態のシミュレーションを行うことは可能であるが、これまでの方法とは異なる、より簡易な、あるいは、より精度の高いものが求められている。

第１観点の機械学習装置は、無線機器と他の無線機器との間の電波伝搬状態を学習する機械学習装置である。機械学習装置は、取得部と、学習部とを備えている。取得部は、状態変数を得るための情報として、第１情報を取得する。第１情報は、無線機器と他の無線機器との間に関する情報である。例えば、第１情報として、無線機器と他の無線機器との間の距離に関する情報、無線機器と他の無線機器との間にある物品に関する情報、などが挙げられる。学習部は、状態変数と、無線機器と他の無線機器との間の電波伝搬状態とを、関連付けて学習する。

ここでは、取得部が無線機器と他の無線機器との間に関する第１情報を取得するため、第１情報から必要な状態変数を得ることができる。学習部が状態変数と電波伝搬状態とを関連付けて学習するため、この機械学習装置によれば、無線機器と他の無線機器との間の電波伝搬状態を得ることができる。

なお、無線機器と他の無線機器との間の電波伝搬状態は、無線機器と他の無線機器との間の電波の減衰量、他の無線機器が受信可能な最小の送信電波強度、所定の送信電波強度での無線機器からの発信に対する他の無線機器の受信電波強度、などの何れかによって表すことができる。

第２観点の機械学習装置は、第１観点の機械学習装置であって、第１情報は、無線機器と他の無線機器との距離の情報を含む。無線機器と他の無線機器との距離は、状態変数の少なくとも１つである。

ここでは、状態変数として２つの無線機器間の距離を採用しているので、より精度の高い電波伝搬状態を得ることができる。

第３観点の機械学習装置は、第１観点又は第２観点の機械学習装置であって、第１情報は、無線機器と他の無線機器との間に位置する所定の物品に関する物品情報を含む。

ここでは、電波伝搬状態に影響を与える両無線機器の間にある物品の情報から、状態変数を得ることができる。これにより、より精度の高い電波伝搬状態を得ることができる。

第４観点の機械学習装置は、第３観点の機械学習装置であって、物品情報は、所定の物品の数の情報を含む。

ここでは、比較的簡易な情報である、所定の物品の数の情報から、状態変数を得ている。このため、より簡易に、電波伝搬状態を得ることができる。

第５観点の機械学習装置は、第３観点又は第４観点の機械学習装置であって、所定の物品は、天井の上の空間に配置されている空気調和装置及び／又は梁である。

ここでは、既存の電波伝搬シミュレーション装置では精度良い結果を得ることが難しい、天井の上の狭い空間において、学習部によって比較的精度の良い電波伝搬状態を得ることができる。

第６観点の機械学習装置は、第３観点から第５観点のいずれかの機械学習装置であって、物品情報は、所定の物品の大きさに関する情報を含む。

ここでは、無線機器と他の無線機器との間に位置する所定の物品の大きさに関する情報が、第１情報として取得される。これにより、より精度の高い電波伝搬状態を得ることができる。

第７観点の機械学習装置は、第３観点から第６観点のいずれかの機械学習装置であって、物品情報は、所定の物品の位置に関する情報を含む。

ここでは、無線機器と他の無線機器との間に位置する所定の物品の位置に関する情報が、第１情報として取得される。これにより、より精度の高い電波伝搬状態を得ることができる。

第８観点の機械学習装置は、第３観点から第７観点のいずれかの機械学習装置であって、物品情報は、所定の物品の向きに関する情報を含む。

ここでは、無線機器と他の無線機器との間に位置する所定の物品の向きに関する情報が、第１情報として取得される。これにより、より精度の高い電波伝搬状態を得ることができる。

第９観点の機械学習装置は、第１観点又は第２観点の機械学習装置であって、学習部は、学習用データセットに基づいて、状態変数と電波伝搬状態とを関連付けて学習する。学習用データセットは、電波伝搬状態の実測を行った結果、及び、電波伝搬状態の実測のときの状態変数、から成る。

ここでは、電波伝搬状態の実測を行い、そのときの状態変数や結果から成る学習用データセットを利用して、学習部が学習する。これにより、より精度の高い電波伝搬状態を得ることができる。

第１０観点の機械学習装置は、第３観点から第８観点のいずれかの機械学習装置であって、学習部は、学習用データセットに基づいて、状態変数と電波伝搬状態とを関連付けて学習する。学習用データセットは、電波伝搬状態の実測を行った結果、及び、電波伝搬状態の実測のときの物品情報から得られる状態変数、から成る。

ここでは、電波伝搬状態の実測を行い、そのときの状態変数や結果から成る学習用データセットを利用して、学習部が学習する。これにより、より精度の高い電波伝搬状態を得ることができる。

第１１観点の機械学習装置は、第１観点，第２観点，あるいは第９観点の機械学習装置であって、学習部は、次の式１の線形モデルの係数を調整することによって、状態変数と電波伝搬状態とを関連付けて学習する。
式１：

第１２観点の機械学習装置は、第３観点から第８観点のいずれか、又は、第１０観点の機械学習装置であって、学習部は、次の式２の線形モデルの係数を調整することによって、状態変数と電波伝搬状態とを関連付けて学習する。
式２：

第１３観点の機械学習装置は、第１観点から第１２観点のいずれかの機械学習装置であって、出力部と、更新部と、をさらに備える。出力部は、電波伝搬状態の推定結果を出力する。更新部は、電波伝搬状態の推定結果と電波伝搬状態の実測を行った結果との差、を評価することによって、学習部の学習状態を更新する。

ここでは、学習部の学習状態が向上し、より精度の高い電波伝搬状態を得ることができる。

第１４観点の機械学習装置は、第１１観点の機械学習装置であって、出力部と、更新部と、をさらに備える。出力部は、電波伝搬状態の推定結果を出力する。更新部は、以下の評価関数１が小さくなるように、上記の式１における

を更新することによって、学習部の学習状態を更新する。
評価関数１：

ここでは、学習部の学習状態が向上し、より精度の高い電波伝搬状態を得ることができる。

第１５観点の機械学習装置は、第１２観点の機械学習装置であって、出力部と、更新部と、をさらに備える。出力部は、電波伝搬状態の推定結果を出力する。更新部は、以下の評価関数２が小さくなるように、上記の式２における

を更新することによって、学習部の学習状態を更新する。
評価関数２：

ここでは、学習部の学習状態が向上し、より精度の高い電波伝搬状態を得ることができる。

機械学習装置が電波伝搬状態を学習する複数のＢＬＥモジュールが配置される建物と、その部屋の天井の上の空間に存在する梁及び空気調和機を示す、簡易縦断面図。 天井の上の空間に存在する梁及び空気調和機の配置を含む、建物の１階部分の平面図。 機械学習装置を含むＨＶＡＣ管理システムの構成図。

（１）ＨＶＡＣ管理システムの概要
（１−１）ＨＶＡＣ管理システムが必要とされる背景
建物（オフィスビルや商業施設など）の省エネルギーおよびインテリジェント制御技術の急速な発展に対する需要の高まりと共に、空調や換気のインテリジェントシステムが建物に設置されつつある。このシステムは、温度、湿度、ＣＯ₂濃度、部屋の占有率などを監視することで、部屋の人数に基づいて空気調和機の設定温度を調整するなど、需要に応じたフィードバック制御を提供できる。

特定の地域において、このようなフィードバック制御を実現するには、換気や空気調和を行うＨＶＡＣ機器やセンサーをネットワークに接続し、ＨＶＡＣ機器等のネットワークアドレスを、ＨＶＡＣ機器等の物理的な配置場所にマッピングする必要がある。アドレス設定とも呼ばれるマッピング作業は、これまで、手作業で行われている。作業者が現場で行う作業には、ＨＶＡＣ機器を一度に１つずつ作動させるために制御装置を使用して行う作業や、制御装置のディスプレイ上に表示されたＨＶＡＣ機器等のアドレスをレイアウトマップ上に書き留める作業が含まれる。

これらの作業には時間がかかり、人的ミスによる手直し作業が生じる。また、作業者によって現場で行われる作業に係る人件費は、大きなコストになっている。例えば、５００００平方メートルの床面積を持つ大規模な建物の場合、２人の作業員が作業しても、アドレス設定に３ヶ月を要する。

（１−２）ＨＶＡＣ管理システムのマッピング作業軽減に関する基本的な考え方
このマッピング（アドレス設定）作業の負担を抑制するために、本実施形態では、自動マッピングを行うためのＨＶＡＣ管理システムについて説明する。このＨＶＡＣ管理システムでは、図１に示すように、ＨＶＡＣ機器である空気調和機ＡにＢＬＥ（Bluetooth Low Energy）モジュールＭを装備させ、ＢＬＥモジュールＭのＲＳＳＩ（受信信号強度インジケータ）を利用する。ここでは、空気調和機Ａに装備させたＢＬＥモジュールＭの設置位置を推定し、ＢＬＥモジュールＭ間の電波伝搬状態を推定する。それぞれのＢＬＥモジュールＭ間の電波伝搬状態が推定されると、それらの推定値からマッピングを容易に行うことができる。

具体的には、空気調和機ＡそれぞれにＢＬＥモジュールＭを装備させ、互いにパケット通信をさせることで、送信側のＢＬＥモジュールＭから受信側のＢＬＥモジュールＭに送信されたパケットの実際の受信信号強度を測定する。一方、建物の設計者などから提供された設計図面（図３参照）から抽出した各空気調和機Ａのレイアウト図面から、各空気調和機Ａの物理的な配置や空気調和機Ａ間の距離、電波（信号）の伝搬に影響を与える可能性がある障害物の配置などを、自動的に読み取る。ＢＬＥモジュールＭと他のＢＬＥモジュールＭとの間の電波伝搬状態、例えば、両モジュールＭ間における電波減衰量、送信側のＢＬＥモジュールＭの発信信号強度に対する受信側のＢＬＥモジュールＭにおける受信信号強度の比率、などは、学習部３０の線形モデル３５（図３参照）を用いることで推定ができる。各空気調和機Ａのレイアウト図面から読み取られた各空気調和機Ａや障害物の配置の情報と、様々な建物において過去にサンプリングされた膨大な学習データセットによってトレーニングされた学習部３０の線形モデル３５を使えば、ＢＬＥモジュールＭと他のＢＬＥモジュールＭとの間の電波伝搬状態を精度良く推定することが可能になる。

この結果、最終的には、建物の天井の上の空間に設置される空気調和機Ａに対して、ネットワークアドレスを自動的にマッピングすることが可能になる。これにより、建物における空調や換気のインテリジェントシステム（ＨＶＡＣ管理システム）の初期設定作業に要する時間の短縮及び人件費の削減を図ることができる。

（２）ＨＶＡＣ管理システムの構成
ＨＶＡＣ管理システムは、暖房、換気、空気調和などを行うＨＶＡＣ機器を管理するシステムであるが、ここではＨＶＡＣ機器である空気調和機Ａを例にとって、図１から図３を参照しながら説明を行う。

（２−１）ＨＶＡＣ機器である空気調和機の設置場所
空気調和機Ａは、図１に示すように、建物８１の内部空間に設置される空調室内機である。複数の空気調和機Ａは、建物８１の各フロア（部屋）の天井の上の空間に配置されている。図１では、建物８１の１階の天井の上の空間Ｓに設置された３つの空気調和機Ａ１，Ａ２，Ａ３を示している。これらの空気調和機Ａ１，Ａ２，Ａ３は、１階の天井の上の空間Ｓを含む平面図である図２で示す空気調和機Ａ１，Ａ２，Ａ３である。１階の天井の上の空間Ｓの空間には、多数の梁Ｂが水平方向に延びている。図１及び図２に示すように、空気調和機Ａ２と空気調和機Ａ３との間には、梁Ｂ１が存在している。

（２−２）ＢＬＥモジュール
空気調和機Ａは、それぞれ、ＢＬＥモジュールＭを内蔵している。ＢＬＥモジュールＭは、ＲＳＳＩを有しており、電波の発信に加えて、受信した電波の強度（受信信号強度）を測定することができる。

図１に示すように、空気調和機Ａ１がＢＬＥモジュールＭ１を内蔵しており、空気調和機Ａ２がＢＬＥモジュールＭ２を内蔵しており、空気調和機Ａ３がＢＬＥモジュールＭ３を内蔵している。

（２−３）機械学習装置としてのコンピュータ
機械学習装置として機能するコンピュータ１０は、１又は複数のコンピュータから成り、インターネット等の通信ネットワーク８０を介して各建物８１の空気調和機Ａ等のＨＶＡＣ機器と接続される。コンピュータ１０は、ＨＶＡＣ管理システムのサービス提供者が、各種サービスを提供するために構築したクラウドコンピューティングサービスを実行する。コンピュータ１０のハードウェア構成は、１つの筐体に収納されていたり、ひとまとまりの装置として備えられていたりする必要はない。

コンピュータ１０は、図３に示すように、主として、取得部２０と、学習部３０と、出力部４０と、入力部５０と、更新部６０とを有している。コンピュータ１０は、制御演算装置と記憶装置とを備える。制御演算装置には、ＣＰＵ又はＧＰＵといったプロセッサを使用できる。制御演算装置は、記憶装置に記憶されているプログラムを読み出し、このプログラムに従って所定の画像処理や演算処理を行う。さらに、制御演算装置は、プログラムに従って、演算結果を記憶装置に書き込んだり、記憶装置に記憶されている情報を読み出したりすることができる。図３に示す取得部２０、学習部３０、出力部４０、入力部５０及び更新部６０は、制御演算装置により実現される各種の機能ブロックである。これらの機能ブロックは、制御演算装置がモデル作成プログラムを実行させることで出現する。

（２−３−１）取得部
取得部２０は、状態変数を得るための情報として、空気調和機配置情報（第１情報）２１と、天井裏空間の梁配置情報（第１情報）２２とを、外部の設計図面データベース７０から取得する。設計図面データベース７０には、建物８１の各フロアの設計図面等が記憶されている。空気調和機配置情報２１は、図１や図２に示すような、空気調和機Ａが配置されている場所に関する情報である。空気調和機配置情報２１は、各空気調和機Ａの平面図におけるＸ座標、Ｙ座標のデータや、空気調和機Ａ同士の距離などの情報を含んでいる。梁配置情報２２は、各梁Ｂの両端のＸ座標、Ｙ座標のデータや、どの２つの空気調和機Ａの間に位置しているのかを示す情報などを含んでいる。

これらの空気調和機配置情報２１及び梁配置情報２２は、言い換えると、あるＢＬＥモジュールＭと他のＢＬＥモジュールＭとの間に関する情報である。空気調和機Ａ同士の距離の情報は、それらの２つの空気調和機Ａに内蔵されるＢＬＥモジュールＭ同士の距離の情報となる。また、各空気調和機Ａの平面図におけるＸ座標、Ｙ座標のデータと、各梁Ｂの両端のＸ座標、Ｙ座標のデータとから、あるＢＬＥモジュールＭと他のＢＬＥモジュールＭとの間に位置する梁Ｂや空気調和機Ａの数の情報を算出することができる。

ここでは、設計図面から抽出した空気調和機Ａや梁Ｂのレイアウトマップから、

を取得部２０が状態変数として取得する。

例えば、図１及び図２に示すＢＬＥモジュールＭ１と他のＢＬＥモジュールＭ２との間には、梁Ｂ１が１つ存在し、空気調和機Ａ３が１つ存在する。ＢＬＥモジュールＭ２と他のＢＬＥモジュールＭ３との間には、梁Ｂ１が１つ存在し、空気調和機Ａは存在しない。ＢＬＥモジュールＭ１と他のＢＬＥモジュールＭ３との間には、梁Ｂ１も空気調和機Ａも存在しない。

（２−３−２）学習部
学習部３０は、状態変数と、ＢＬＥモジュールＭと他のＢＬＥモジュールＭとの間の電波伝搬状態とを、関連付けて学習する。学習部３０は、学習用データセットに基づいて、状態変数と電波伝搬状態とを関連付けて学習する。学習用データセットは、電波伝搬状態の実測を行った結果である電波伝搬状態の実測結果５５と、電波伝搬状態の実測のときの状態変数とから成る。

電波伝搬状態の実測結果５５は、図３に示すように、後述する入力部５０によって建物８１に設置された各空気調和機ＡのＢＬＥモジュールＭから収集される情報である。電波伝搬状態の実測のときの状態変数は、具体的には、建物８１に設置された各空気調和機Ａや梁Ｂの情報から得られる値である。ここでは、設計図面から抽出した空気調和機Ａや梁Ｂのレイアウトマップから、任意の２つのＢＬＥモジュールＭ間の距離と、２つのＢＬＥモジュールＭを結ぶ線分上にある梁Ｂと空気調和機Ａの数とが、電波伝搬状態の実測のときの状態変数として用いられる。

更に詳しく説明すると、学習部３０は、次の式１２の線形モデル３５の係数を調整することによって、状態変数と電波伝搬状態とを関連付けて学習する。
式１２：

（２−３−３）出力部
出力部４０は、学習部３０の線形モデル３５によって得られた電波伝搬状態の推定結果４５を出力する。

（２−３−４）入力部
入力部５０は、電波伝搬状態の実測結果５５を、通信ネットワーク８０を介して、建物８１に設置された各空気調和機ＡのＢＬＥモジュールＭから収集する。また、入力部５０は、電波伝搬状態の実測結果５５を、通信ネットワーク８０を介して、ユーザ端末９０から収集することも可能である。

（２−３−５）更新部
更新部６０は、出力部４０が出力する電波伝搬状態の推定結果４５と、入力部５０に入力された電波伝搬状態の実測結果５５と、の差を求める。そして、更新部６０は、その差を評価することによって、学習部３０の学習状態を更新する。

具体的には、更新部６０は、以下の評価関数１２が小さくなるように、上記の式１２における

を更新することにより、学習部３０の学習状態を更新する。
評価関数１２：

（３）ＨＶＡＣ管理システムのコンピュータ（機械学習装置）の特徴
（３−１）
一般に、送信機と受信機との間の距離が伝搬路損失の主要因である場合、自由空間における電波伝搬は、フリスの伝達公式（Friis Transmission Equation）によって記述することができる。しかし、建物の天井の上の空間は、通常０．５ｍあるいは１．５ｍといった高さであり、非常に制限された空間である。また、天井の上の空間には、建物の強度を保つための梁やＨＶＡＣ機器が存在している。このような複雑な空間では、距離のほかに、電波伝播経路上の障害物も、反射や屈折による伝搬路損失に大きな影響を及ぼす可能性がある。このため、障害物もモデルの変数として考慮する必要がある。特に、金属製で比較的体積の大きい２種類の障害物、梁（beam）とＨＶＡＣ機器は、線形モデルの変数として考慮すべきである。

これに鑑み、本実施形態に係る機械学習装置としてのコンピュータ１０では、ＢＬＥモジュールＭと他のＢＬＥモジュールＭとの距離と、ＢＬＥモジュールＭと他のＢＬＥモジュールＭとの間にある梁Ｂと空気調和機Ａの数とに焦点を当てている。

本実施形態のＨＶＡＣ管理システムのコンピュータ１０は、取得部２０が、ＢＬＥモジュールＭと他のＢＬＥモジュールＭとの間に関する空気調和機配置情報（第１情報）２１や天井裏空間の梁配置情報（第１情報）２２を取得する。このため、コンピュータ１０は、これらの情報から学習部３０で必要な状態変数を得ることができる。そして、学習部３０が状態変数と電波伝搬状態とを関連付けて学習するため、このコンピュータ１０によれば、ＢＬＥモジュールＭと他のＢＬＥモジュールＭとの間の電波伝搬状態を得ることができる。

また、状態変数として、

を採用しているので、精度の高い電波伝搬状態を得ることができている。

このように、コンピュータ１０によれば、既存の電波伝搬シミュレーション装置では精度良い結果を得ることが難しい、天井の上の狭い空間Ｓにおいて、学習部３０によって比較的精度の良い電波伝搬状態を得ることができている。

（３−２）
本実施形態に係る機械学習装置としてのコンピュータ１０では、さらに、状態変数として、

を採用している。このため、コンピュータ１０では、より精度の高い電波伝搬状態を得ることができている。

（３−３）
本実施形態に係る機械学習装置としてのコンピュータ１０では、建物８１において各ＢＬＥモジュールＭによって電波伝搬状態の実測を行い、そのときの状態変数や電波伝搬状態の実測結果５５から成る学習用データセットを利用して、学習部３０が学習する。具体的には、更新部６０が、電波伝搬状態の推定結果４５と電波伝搬状態の実測結果５５との差を評価することによって、学習部３０の学習状態を更新する。これにより、

が、その建物８１の天井の上の空間の梁Ｂや空気調和機Ａの配置に合った適切な数値になる。

（４）変数が１つのモデルと変数が３つのモデルとの比較の一例

上述のコンピュータ（機械学習装置）１０は、金属製で比較的体積の大きい２種類の障害物、梁と空気調和機に焦点を当てている。まず、設計図面から抽出したレイアウトマップから、任意の２つのＢＬＥモジュール間の距離（distance）と、２つのＢＬＥモジュールを結ぶ線分上にある梁と空気調和機の数（#beamおよび#machine）とを取得している。そして、次に、（distance、#beam、#machine）の３つの変数からなる予測変数セットを作成している。

ここで、#beamと#machineとの影響を評価するために、
１変数（1-feature；distance）と、
３変数（3-feature；distance、#beam、#machine）と、
の両方を使用して、学習部が線形モデルを構築し、それらの違いを比較した。

１変数モデルに対しては、多項式を持つＯＬＳ回帰（Ordinary Linear Regression；通常の最小二乗法）を選択した。線形回帰は、データセット内の観測された応答と線形近似によって予測された応答との間の残差平方和を最小にするための係数で、線形モデルを近似する。数学的には、モデルは次のように表すことができる。

残差二乗和（損失関数と呼ばれることもある）は、次の式で表される。

一方、３つの変数[distance、#beam、#machine]を持つモデルに対しては、多項式を用いたリッジ回帰（Ridge Regression）を選択した。リッジ回帰も、一般化線形回帰の１つである。ＯＬＳ回帰と比較すると、リッジ回帰には、追加のペナルティ項を伴う損失関数がある。

モデルのトレーニングの最初の試行では、それぞれの３つの（distance、#beam、#machine）変数を持つモデルに、

ＯＬＳ回帰とリッジ回帰の両方について、多項式の次数を１から４まで変更し、回帰前に各変数にスケーリングを適用した。機械学習ライブラリの機能を使用することによって、変数は最初に正規分布に変換され、次に各変数の最大絶対値が１．０にスケーリングされる。

線形モデル予測の精度は、主として、ＲＭＳＥ（Root Mean Square Error；平均平方二乗誤差）と、Ｒ²（決定係数）によって評価される。ここでは、ＲＭＳＥを採用した。ＲＭＳＥは、推定されたＲＳＳＩと測定されたＲＳＳＩとの間の絶対差を使って計算される。

ここでは、次の２つの方法で、ＲＭＳＥ計算を行った。
１）モデルトレーニングとテストの両方（ＲＭＳＥ計算）を、全データセット（１００％データセット）に対して実行した。
２）Ｋ−分割交差検証（Ｋ＝１０）セットは、ランダムに１０セットに分割し、モデルは９セットで訓練し、残りの１セットでテストした。テストセットを繰り返してモデルをテストし、ＲＭＳＥを１０回計算した。そして、１０個のＲＭＳＥの平均値を、評価指標とした。

実験では、すべての梁が金属製である、典型的な鉄骨構造の建物（オフィスビル）において、データサンプリングを行った。

天井の上の空間（石膏ボードの下から上のスラブまで）の高さは、０．８５ｍ、
梁の最大高さは、０．７ｍ、
空気調和機の平均の高さは、０．３ｍ、
である。

各階は、１８ｍ×１８ｍの平らな天井である。２６個のＢＬＥモジュールが、１階と２階とに配置されている。２つのＢＬＥモジュール間の距離は、１．３ｍから２０ｍである。

データサンプリングプロセスを１週間行い、その間、ＢＬＥモジュールは、通信パケットを交換し、パケットレコードが収集された。パケットレコードには、タイムスタンプ、トランスミッタＩＤ、レシーバＩＤ、送信電力（各ＢＬＥモジュールに対して、常に８ｄＢｍに設定されている）、および、ＲＳＳＩが含まれる。建物内のＷｉ−Ｆｉによる無線干渉は、作業時間によって深刻になる。これを考慮して、夜間（２２時から７時）およびモデルトレーニングのための週末のＲＳＳＩを選んだ。ＲＳＳＩは、ＢＬＥモジュールの各対について、５分の時間間隔で更に再サンプリングされ、各時間間隔におけるＲＳＳＩの平均値が上述の１００％データセットとして使用された。

モデル評価結果を、表１に示す。

ここでは、２種類のＲＭＳＥが計算されている。Ｋ−分割交差検証（K-fold cross-validation）では、１００％データセットよりも大きいＲＭＳＥを示した。どちらのＲＭＳＥも、同じ傾向を示した。

同じ機能を持つ多くのモデルでは、次数が高いモデルほどＲＭＳＥが低くなる。このモデルは、距離の他に、梁の数と空気調和機の数を変数として追加することで、天井の上の空間における電波伝搬モデルの精度が向上している。

次に、モデルが示すＲＳＳＩと、実際のＢＬＥモジュールのＲＳＳＩとの比較を、表２に示す。８組のモデルのうち、３変数の４次のモデルが最良の推定精度を示した。表２では、「１０２Ａ」というＢＬＥモジュールが絡む全てのＢＬＥモジュールのペア（図示は省略）について、その違いを示している。

ＨＶＡＣ機器のネットワークアドレス設定のプロセスを改善するために、上記のＢＬＥモジュールのＲＳＳＩを利用することは有用である。実験によって、ＲＳＳＩ予測のＲＭＳＥには、次の傾向があることを発見した。
１）梁の数や、空気調和機などのＨＶＡＣ機器の台数といった、障害物に関する情報を加味することによって、ＲＭＳＥが減少する。
２）多項式の次数の増加とともに、ＲＭＳＥが減少する。

（５）変形例
（５−１）
上記のコンピュータ（機械学習装置）１０では、２つのＢＬＥモジュールＭを結ぶ線分上にある障害物（梁Ｂと空気調和機Ａ）に関する状態変数として、それらの障害物の数を採用している。しかし、これに代えて、あるいは、これに加えて、障害物の大きさを状態変数としてもよい。

（５−２）
上記のコンピュータ（機械学習装置）１０では、２つのＢＬＥモジュールＭを結ぶ線分上にある障害物（梁Ｂと空気調和機Ａ）に関する状態変数として、それらの障害物の数を採用している。しかし、これに代えて、あるいは、これに加えて、障害物の位置を状態変数としてもよい。

（５−３）
上記のコンピュータ（機械学習装置）１０では、２つのＢＬＥモジュールＭを結ぶ線分上にある障害物（梁Ｂと空気調和機Ａ）に関する状態変数として、それらの障害物の数を採用している。しかし、これに代えて、あるいは、これに加えて、障害物の向きを状態変数としてもよい。

（５−４）
上記のコンピュータ（機械学習装置）１０では、学習部３０が、上記の式１２の線形モデル３５の係数を調整することによって、状態変数と電波伝搬状態とを関連付けて学習している。これに代えて、学習部３０は、次の式１１の線形モデルの係数を調整することによって、状態変数と電波伝搬状態とを関連付けて学習してもよい。
式１１：

そして、更新部６０は、上記の評価関数１２ではなく、以下の評価関数１１が小さくなるように、上記の式１１における

を更新することによって、学習部３０の学習状態を更新してもよい。
評価関数１１：

このように式１１の線形モデルの

を更新することによって学習部３０の学習状態を更新する場合にも、精度の高い電波伝搬状態を得ることができるようになる。

（５−５）
上記のＨＶＡＣ管理システムでは、ＨＶＡＣ機器である空気調和機ＡにＢＬＥモジュールＭを装備させているが、ＢＬＥモジュールに代えて、他の無線機器を装備させてもよい。例えば、ZigBeeモジュールを採用してもよい。

（６）機械学習装置を用いた電波強度の推定値と、従来のシミュレーションを用いた電波強度の推定値との比較
（６−１）
上記のように、ＨＶＡＣ機器等のネットワークアドレスを、ＨＶＡＣ機器等の物理的な配置場所にマッピングする作業（アドレス設定作業）を軽減するために、機械学習装置としてのコンピュータ１０によるＢＬＥモジュールＭ間の電波伝搬状態の推定は有用である。各空気調和機の設置位置を検知し、アドレス設定を自動化できれば、フィードバック制御、さらには、建物の省エネルギーおよびインテリジェント制御技術の発展が期待できる。

そこで、空気調和機それぞれにＢＬＥモジュールを装備させ、上記の機械学習装置では、ＢＬＥモジュールから出力される電波の受信強度を用いている。電波の受信強度（電波強度）は、電波伝搬状態を表す指標の１つである。

２地点間の電波強度は、距離による電波の減衰により距離が遠いほど弱くなる傾向がある。しかし、その２地点間に電波の伝搬を阻害するものがあると、その影響で電波強度の減衰が大きくなる。従来、電波伝搬強度の推定には、物理モデルをベースとしたシミュレーションが用いられてきたが、入力条件（入力内容）が多く煩雑である。従来の物理モデルを使ったアドレス設定において、定常業務として活用可能な程度まで入力条件を絞ると、精度が大幅に悪化するという課題があった。

これに鑑み、上記の機械学習装置では、２つのＢＬＥモジュール間の距離、および、２つのＢＬＥモジュール間にある電波伝搬を阻害する障害物、を基に計測される電波強度を予測する電波伝搬モデルを、機械学習を用いて構築している。

以下に、機械学習を用いたモデルの有効性を検証する為に、シミュレーションによる従来の物理モデルとの比較結果を示す。

（６−２）比較評価
まず、機械学習の予測では、ＢＬＥモジュールの電波強度を被説明変数としている。また、ＢＬＥモジュール間の距離と、空気調和機や梁の数を、説明変数（状態変数）としている。あるビルの天井裏に実装したＢＬＥモジュールの電波強度実測値を入れて電波伝搬モデルを学習した後、学習モデルを使って電波強度を推定した。機械学習の予測精度評価では、ビルの天井裏に設置した１５個のＢＬＥモジュール間の電波強度を用いて、精度評価を行った。

シミュレーションの予測では、あるビルの天井裏実環境の３Ｄモデル（空気調和機および梁が含まれるモデル）を作成して、材料パラメーターに参考値を入力し、電波伝搬シミュレーションを実施して、電波強度を推定した。シミュレーションのソフトウェアは、市販の離散事象シミュレータに、高精細な電波伝搬を行うための拡張モジュールを組み合わせたものを用いた。このソフトウェアによるシミュレーションでは、建物などによる電波の反射、遮蔽、回析の影響を考慮した、精細な電波伝搬環境におけるシミュレーションの実行が可能である。シミュレーションによる予測精度評価では、３Ｄモデルを構築した建物部分に含まれる５個のＢＬＥモジュール間の電波強度を、評価対象とした。

なお、シミュレーションの予測では、材料パラメーターを入力すること以外に、ＢＩＭモデル（３Ｄの建物のデジタルモデル）が無い場合、そのモデルの作成も必要となるので、学習モデルを使うよりも煩雑な作業が必要となる。

上記の手順に従って精度評価を実施した結果を、以下の表３に示す。

シミュレーションの方は、電波強度実測値の標準誤差が小さいにも関わらず、推定誤差が大きいことがわかる。

以上の結果から、機械学習を用いた手法の方がシミュレーションを用いるよりも良い精度で電波強度が予測可能であることがわかる。ここでは、シミュレーションの入力条件よりも少ない状態変数を用いて学習を行ったけれども、学習モデルを使った方が高い精度が得られている。

（７）各空気調和機の設置位置とＢＬＥモジュールのマッチング
上記の機械学習装置によって得られる電波伝搬状態としての電波強度は、次のステップで、ＢＬＥモジュールの位置を特定するための、機器設置位置とＢＬＥモジュールとのマッチングアルゴリズム、において用いられる。機器設置位置とＢＬＥモジュールとのマッチングでは、まず、上記の機械学習の手法によって得られた推定受信電波強度を辺の値とし、空気調和機の位置ＩＤを頂点とした無向グラフＧＥを得る。次に、対象の物件である建物（現場）の空気調和機に内蔵されたＢＬＥモジュールが、互いに送信する。ＢＬＥモジュールの実測受信電波強度を収集し、実測受信強度を辺の値とし、頂点を送信ＢＬＥモジュールと受信ＢＬＥモジュールのＩＤとする無向グラフＧＭを作成する。但し、電波強度の推定値と実測値には必ず誤差が存在する。そこで、誤差許容値（slack value）を設定することで、誤差が許容値以下になっている無向グラフＧＭでの辺と無向グラフＧＥでの辺が同一である可能性がある、と判断される。その上で、無向グラフＧＭの無向グラフＧＥへのマッチングアルゴリズムを行うことで、空気調和機の設置位置ごとにマッチング候補となるＢＬＥモジュール（複数）を決定する。

もしも、以上のマッチングを行う際に、シミュレーションを用いた推定電波強度値を用いると、同じアルゴリズムと同じ誤差許容値を使って設置位置ごとにＢＬＥモジュールの候補を決定した場合、決定されたＢＬＥモジュールの候補の中に正解が含まれないことが多くなる。また、逆に正解が含まれるように、より大きい誤差許容値を使った場合、決定されたＢＬＥモジュールの候補の数が増えてしまい、正解の絞り込みが難しくなる。

（８）
以上、機械学習装置としてのコンピュータ１０を有するＨＶＡＣ管理システムの実施形態を説明したが、特許請求の範囲に記載された本開示の趣旨及び範囲から逸脱することなく、形態や詳細の多様な変更が可能なことが理解されるであろう。

１０ コンピュータ（機械学習装置）
２０ 取得部
２１ 空気調和機配置情報（第１情報；物品情報）
２２ 天井裏空間の梁配置情報（第１情報；物品情報）
３０ 学習部
３５ 線形モデル
４０ 出力部
４５ 電波伝搬状態の推定結果
５５ 電波伝搬状態の実測結果
６０ 更新部
Ａ（Ａ１，Ａ２，Ａ３） 空気調和機（所定の物品）
Ｂ（Ｂ１） 梁（所定の物品）
Ｍ（Ｍ１，Ｍ２，Ｍ３） ＢＬＥモジュール（無線機器）

特開２０１６−２０８２６５号公報

Claims (15)

1. 無線機器（Ｍ１）と他の無線機器（Ｍ２）との間の電波伝搬状態を学習する機械学習装置（１０）であって、
   前記無線機器と他の前記無線機器との間に関する第１情報（２１，２２）を、状態変数を得るための情報として取得する、取得部（２０）と、
   前記状態変数と前記電波伝搬状態とを関連付けて学習する、学習部（３０）と、
   を備える機械学習装置。
2. 前記第１情報は、前記無線機器と他の前記無線機器との距離の情報（２１）を含み、
   前記無線機器と他の前記無線機器との距離は、前記状態変数の少なくとも１つである、
   請求項１に記載の機械学習装置。
3. 前記第１情報は、前記無線機器と他の前記無線機器との間に位置する所定の物品に関する物品情報（２１，２２）を含む、
   請求項１又は２に記載の機械学習装置。
4. 前記物品情報は、前記所定の物品の数の情報を含む、
   請求項３に記載の機械学習装置。
5. 前記所定の物品は、天井の上の空間に配置されている空気調和装置（Ａ）及び／又は梁（Ｂ）である、
   請求項３又は４に記載の機械学習装置。
6. 前記物品情報は、前記所定の物品の大きさに関する情報を含む、
   請求項３から５のいずれかに記載の機械学習装置。
7. 前記物品情報は、前記所定の物品の位置に関する情報を含む、
   請求項３から６のいずれかに記載の機械学習装置。
8. 前記物品情報は、前記所定の物品の向きに関する情報を含む、
   請求項３から７のいずれかに記載の機械学習装置。
9. 前記学習部は、
   前記電波伝搬状態の実測を行った結果（５５）、及び、前記電波伝搬状態の実測のときの前記状態変数、から成る学習用データセット、
   に基づいて、前記状態変数と前記電波伝搬状態とを関連付けて学習する、
   請求項１又は２に記載の機械学習装置。
10. 前記学習部は、
    前記電波伝搬状態の実測を行った結果（５５）、及び、前記電波伝搬状態の実測のときの前記物品情報から得られる前記状態変数、から成る学習用データセット、
    に基づいて、前記状態変数と前記電波伝搬状態とを関連付けて学習する、
    請求項３から８のいずれかに記載の機械学習装置。
11. 前記学習部は、次の式１の線形モデル（３５）の係数を調整することによって、前記状態変数と前記電波伝搬状態とを関連付けて学習する、
    請求項１，２，９のいずれかに記載の機械学習装置。
    式１：
    

    
12. 前記学習部は、次の式２の線形モデル（３５）の係数を調整することによって、前記状態変数と前記電波伝搬状態とを関連付けて学習する、
    請求項３から８のいずれか、又は、請求項１０、に記載の機械学習装置。
    式２：
    

    
13. 前記電波伝搬状態の推定結果を出力する出力部（４０）と、
    前記学習部の学習状態を更新する更新部（６０）と、
    をさらに備え、
    前記更新部は、前記電波伝搬状態の推定結果（４５）と、前記電波伝搬状態の実測を行った結果（５５）との差を評価することによって、前記学習部の学習状態を更新する、
    請求項１から１２のいずれかに記載の機械学習装置。
14. 前記電波伝搬状態の推定結果を出力する出力部（４０）と、
    前記学習部の学習状態を更新する更新部（６０）と、
    をさらに備え、
    前記更新部は、
    以下の評価関数１が小さくなるように、前記式１における
    

    

    を更新することによって、
    前記学習部の学習状態を更新する、
    請求項１１に記載の機械学習装置。
    評価関数１：
    

    
15. 前記電波伝搬状態の推定結果を出力する出力部（４０）と、
    前記学習部の学習状態を更新する更新部（６０）と、
    をさらに備え、
    前記更新部は、
    以下の評価関数２が小さくなるように、前記式２における
    

    

    を更新することによって、
    前記学習部の学習状態を更新する、
    請求項１２に記載の機械学習装置。
    評価関数２：
    

    

Images