JP2021002776A - 情報処理方法、情報処理装置、及びプログラム - Google Patents

Abstract

【課題】機器の適切な設定を決定すること。【解決手段】情報処理装置が、複数の機器からそれぞれ取得されたデータセットであって、各機器が運転された際の状況を示す情報と、前記各機器が運転された際の消費電力の情報との組み合わせを含むデータセットに基づいて、第１機器が運転される際の状況に応じた運転設定が省エネルギーの運転設定であるか否かを判定する基準となる消費電力を推論する処理を実行する。【選択図】図４

Description

本開示は、情報処理方法、情報処理装置、及びプログラムに関する。

従来、機器の省エネルギーな運転設定をユーザに推奨する技術が知られている（例えば、特許文献１を参照）。

特開２００９−２５９１２５号公報

しかしながら、従来技術では、機器の適切な運転設定を決定できない場合がある。本開示は、機器の適切な設定を決定できる技術を提供することを目的とする。

本開示の第１の態様による情報処理方法は、情報処理装置が、複数の機器からそれぞれ取得されたデータセットであって、各機器が運転された際の状況を示す情報と、前記各機器が運転された際の消費電力の情報との組み合わせを含むデータセットに基づいて、第１機器が運転される際の状況に応じた運転設定が省エネルギーの運転設定であるか否かを判定する基準となる消費電力を推論する処理を実行する。これにより、機器の適切な設定を決定できる。

また、本開示の第２の態様は、第１の態様に記載の情報処理装置であって、前記各機器が運転された際の状況を示す情報には、外気温、及び前記各機器が設置された室内の人数の少なくとも一つが含まれる。

また、本開示の第３の態様は、第１または２の態様に記載の情報処理装置であって、前記各機器が運転された際の状況を示す情報には、前記各機器が運転された際の日時、及び、前記各機器が設置された室内の照度の少なくとも一つが含まれる。

また、本開示の第４の態様は、第１から３のいずれかの態様に記載の情報処理装置であって、前記各機器が運転された際の状況を示す情報には、外気湿度、日射量、天気の種別、室内温度、室内湿度、熱負荷、室内の床面積、室内の用途の種別の少なくとも一つが含まれる。

また、本開示の第５の態様は、第１から４のいずれかの態様に記載の情報処理装置であって、前記基準となる消費電力を推論する処理では、前記複数の機器からそれぞれ取得されたデータセットに基づいて、線形回帰、または非線形回帰を用いた機械学習を行い、当該機械学習の結果を用いて、前記第１機器が運転される際の状況を入力とし、基準となる消費電力を推論する。

また、本開示の第６の態様は、第１から５のいずれかの態様に記載の情報処理装置であって、前記基準となる消費電力を推論する処理では、前記各機器が運転された際の状況毎に、前記各機器が運転された際の消費電力の代表値を、基準となる消費電力として推論する。

また、本開示の第７の態様は、第１から６のいずれかの態様に記載の情報処理装置であって、前記各機器が運転された際の状況を示す情報と、前記第１機器に対して推論した基準となる消費電力と、機器が運転された際の運転設定との組み合わせを含むデータセットに基づいて、機器が運転される際の状況に応じた運転設定を推論する処理を実行する。

また、本開示の第８の態様は、第７に記載の情報処理装置であって、前記運転設定を推論する処理では、前記第１機器に対して推論した基準となる消費電力を前記第１機器の現在の消費電力に応じて修正し、前記運転設定を推論する。

また、本開示の第９の態様は、第８に記載の情報処理装置であって、機器の現在の消費電力が、当該機器の状況に対して推論した前記基準となる消費電力より大きい場合、推論した運転設定を推奨する情報をユーザに通知する処理を実行する。

また、本開示の第１０の態様は、第１から９のいずれかの態様に記載の情報処理装置であって、複数の機器のそれぞれについてのデータセットであって、各機器が運転された際の状況を示す情報の時間推移と、前記各機器が運転された際の消費電力の時間推移の情報との組み合わせを含むデータセットに基づいて機械学習し、機械学習した結果と、機器が運転される際の状況の時間推移とに基づいて、以降の当該機器の消費電力の時間推移を推論し、推論した当該機器の消費電力が以降の所定時間内に閾値以上となる場合、機器の運転に関する所定の設定を推奨する情報を通知する処理を実行する。

また、本開示の第１１の態様は、情報処理装置が、複数の機器からそれぞれ取得されたデータセットであって、各機器が運転された際の状況を示す情報と、前記各機器が運転された際の消費電力の情報との組み合わせを含むデータセットに基づいて、第１機器が運転される際の状況に応じた運転設定が省エネルギーの運転設定であるか否かを判定する基準となる消費電力を推論する推論部を有する。

また、本開示の第１２の態様は、プログラムが、コンピュータに、複数の機器からそれぞれ取得されたデータセットであって、各機器が運転された際の状況を示す情報と、前記各機器が運転された際の消費電力の情報との組み合わせを含むデータセットに基づいて、第１機器が運転される際の状況に応じた運転設定が省エネルギーの運転設定であるか否かを判定する基準となる消費電力を推論する処理を実行させる。

実施形態に係る情報処理システムのシステム構成の一例を示す図である。 実施形態に係る情報処理装置のハードウェア構成の一例を示す図である。 実施形態に係る情報処理装置の機能ブロック図の一例を示す図である。 実施形態に係る情報処理装置の学習時の処理の一例を示すフローチャートである。 実施形態に係る運転状況ＤＢに記憶される運転状況の履歴の一例を示す図である。 実施形態に係る情報処理装置の推論時の処理の一例を示すフローチャートである。 実施形態に係る推奨する運転設定の通知画面の一例について説明する図である。

以下、各実施形態について図面を参照しながら説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省く。

＜システム構成＞
はじめに、情報処理システム１のシステム構成について説明する。図１は、実施形態に係る情報処理システム１のシステム構成の一例を示す図である。図１に示すように、情報処理システム１は、情報処理装置１０、機器２０Ａ（「第１機器」の一例。）、機器２０Ｂ、機器２０Ｃ（以下で、それぞれを区別する必要がない場合は、単に「機器２０」と称する。）、及び端末３０Ａ、端末３０Ｂ、端末３０Ｃ（以下で、それぞれを区別する必要がない場合は、単に「端末３０」と称する。）を有する。情報処理装置１０、機器２０、及び端末３０の数は、図１の例に限定されない。

情報処理装置１０と機器２０、及び情報処理装置１０と端末３０は、それぞれ、例えば、インターネット、無線ＬＡＮ（Local Area Network）、ＬＴＥ（Long Term Evolution）及び５Ｇ等の携帯電話網、ＬＡＮ、及び信号線等のネットワークＮＷを介して通信できるように接続されてもよい。機器２０は、例えば、住宅、オフィス、及び公共施設等に設置されてもよい。情報処理装置１０は、例えば、クラウド上のサーバでもよい。また、情報処理装置１０は、例えば、機器２０（例えば、空気調和装置の室内機筐体）に収容されてもよい。

情報処理装置１０は、複数の機器２０からそれぞれ取得されたデータセットであって、機器２０が運転された際の状況を示す情報と、当該機器２０が運転された際の消費電力の情報との組み合わせを含むデータセットに基づいて、機器２０Ａ等が運転される際の状況に応じた機器の運転設定が省エネルギーの運転設定であるか否かを判定する基準となる消費電力（基準消費電力）を推論する。

また、情報処理装置１０は、複数の機器２０からそれぞれ取得されたデータセットであって、機器２０が運転された際の状況を示す情報と、推論した基準消費電力と、機器２０が運転された際の運転設定との組み合わせを含むデータセットに基づいて、省エネルギーとなる機器２０Ａ等の運転設定を推論する。また、情報処理装置１０は、推論した運転設定を、機器２０Ａ等のユーザに通知する。

機器２０は、例えば、空気調和装置（エアコン）、冷蔵庫、給湯器、及び照明等の各種の機器であり、測定した各種の情報を情報処理装置１０に送信するＩｏＴ（Internet of Things）デバイスを有してもよい。

端末３０は、例えば、機器２０のユーザが利用する、スマートフォン、携帯電話、タブレット、及びパーソナルコンピュータ等の端末である。

なお、各機器２０のユーザは、予め、自身が利用する機器２０及び端末３０のＩＤ、及び通信アドレス等を、情報処理装置１０に登録しており、情報処理装置１０は、各機器２０に対する推奨の運転設定等の情報を各機器２０のユーザの各端末３０に通知できるものとする。

＜情報処理装置１０、機器２０、及び端末３０のハードウェア構成＞
次に、実施形態に係る情報処理システム１の情報処理装置１０、機器２０、及び端末３０のハードウェア構成について説明する。なお、情報処理装置１０、機器２０、及び端末３０は同様のハードウェア構成を有するため、ここでは、情報処理装置１０のハードウェア構成についてのみ説明する。

図２は、実施形態に係る情報処理装置１０のハードウェア構成の一例を示す図である。図２に示すように、情報処理装置１０は、ＣＰＵ（Central Processing Unit）１０１、ＲＯＭ（Read Only Memory）１０２、ＲＡＭ（Random Access Memory）１０３を有する。ＣＰＵ１０１、ＲＯＭ１０２、ＲＡＭ１０３は、いわゆるコンピュータを形成する。また、情報処理装置１０は、補助記憶装置１０４、表示装置１０５、操作装置１０６、Ｉ／Ｆ（Interface）装置１０７、ドライブ装置１０８を有する。情報処理装置１０の各ハードウェアは、バス１０９を介して相互に接続される。

ＣＰＵ１０１は、補助記憶装置１０４にインストールされている各種プログラム（例えば、機械学習プログラム等）を実行する演算デバイスである。ＲＯＭ１０２は、不揮発性メモリである。ＲＯＭ１０２は、主記憶デバイスとして機能し、補助記憶装置１０４にインストールされている各種プログラムをＣＰＵ１０１が実行するために必要な各種プログラムやデータ等を格納する。具体的には、ＲＯＭ１０２はＢＩＯＳ（Basic Input/Output System）やＥＦＩ（Extensible Firmware Interface）等のブートプログラム等を格納する。

ＲＡＭ１０３は、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等の揮発性メモリである。ＲＡＭ１０３は、主記憶デバイスとして機能し、補助記憶装置１０４にインストールされている各種プログラムがＣＰＵ１０１によって実行される際に展開される作業領域を提供する。

補助記憶装置１０４は、各種プログラムや、各種プログラムが実行される際に用いられる情報を格納する。

表示装置１０５は、各種の情報を表示する表示デバイスである。操作装置１０６は、各種操作を受け付けるための操作デバイスである。Ｉ／Ｆ装置１０７は、外部の機器と通信する通信デバイスである。

ドライブ装置１０８は記録媒体１１０をセットするためのデバイスである。ここでいう記録媒体１１０には、ＣＤ−ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体１１０には、ＲＯＭ、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。

なお、補助記憶装置１０４にインストールされる各種プログラムは、例えば、配布された記録媒体１１０がドライブ装置１０８にセットされ、該記録媒体１１０に記録された各種プログラムがドライブ装置１０８により読み出されることでインストールされる。あるいは、補助記憶装置１０４にインストールされる各種プログラムは、不図示のネットワークよりダウンロードされることで、インストールされてもよい。

＜機能構成＞
次に、図３を参照し、実施形態に係る情報処理システム１の機能構成について説明する。図３は、実施形態に係る情報処理装置１０の機能ブロックの一例を示す図である。

≪情報処理装置１０≫
情報処理装置１０は、運転状況ＤＢ１１１、取得部１１、訓練データ生成部１２、学習部１３、訓練データ生成部１４、学習部１５、推論部１６、推論部１７、及び通知部１８を有する。これら各部は、例えば、情報処理装置１０にインストールされた１以上のプログラムと、情報処理装置１０のＣＰＵ１０１、ＲＯＭ１０２、及びＲＡＭ１０３等の協働により実現されてもよい。

取得部１１は、複数の機器２０のそれぞれの運転状況に関する情報を取得し、運転状況ＤＢ１１１に記録する。

訓練データ生成部１２は、取得部１１により取得された情報に基づき、機器２０が運転される際の状況に応じた基準消費電力を学習（機械学習）するための訓練データを生成する。学習部１３は、訓練データ生成部１２により生成された訓練データに基づき、機器２０が運転される際の状況に応じた基準消費電力を学習する。

訓練データ生成部１４は、取得部１１により取得された情報に基づき、機器２０が運転される際の状況と、基準消費電力とに応じた運転設定を学習するための訓練データを生成する。学習部１５、訓練データ生成部１４により生成された訓練データに基づき、機器２０が運転される際の状況と、基準消費電力とに応じた運転設定を学習する。

推論部１６は、取得部１１により取得された機器２０Ａの現在の運転状況に関する情報と、学習部１３による学習結果とに基づき、機器２０Ａの現在の状況に対する基準消費電力を推論する。

推論部１７は、機器２０Ａの現在の状況を示す情報と、学習部１５による運転設定の学習結果と、推論部１６により推論された機器２０Ａの現在の状況に対する基準消費電力とに基づいて、当該環境において省エネとなる機器２０Ａの運転設定を推論する。

通知部１８は、推論部１７により推論された機器２０Ａの運転設定を、機器２０Ａのユーザに通知する。

＜処理＞
以下では、機器２０が空気調和装置（エアコン）である場合を例として説明するが、開示の技術は、例えば、冷蔵庫、給湯器、及び照明等の各種の機器２０に対して適用できる。

≪学習時の処理≫
図４及び図５を参照し、実施形態に係る情報処理システム１の学習時の処理の一例について説明する。図４は、実施形態に係る情報処理装置１０の学習時の処理の一例を示すフローチャートである。図５は、実施形態に係る運転状況ＤＢ１１１に記憶される運転状況の履歴の一例を示す図である。

（訓練データの取得）
ステップＳ１０１において、情報処理装置１０の取得部１１は、複数の機器２０のそれぞれの運転状況に関する情報を取得する。ここで、情報処理装置１０の取得部１１は、例えば、所定時間（例えば、１時間）間隔で、各機器２０の現在の運転状況に関する情報を各機器２０から取得してもよい。または、所定時間間隔（例えば、１日１回）で、各機器２０の運転状況に関する情報の履歴を各機器２０から取得してもよい。情報処理装置１０の取得部１１は、例えば、外部サーバに蓄積されている、各機器２０の運転状況に関する情報の履歴を取得してもよい。

ここで、運転状況に関する情報には、例えば、機器２０のＩＤである機器ＩＤ、機器２０が運転された日時、機器２０が運転された際（例えば、当該日時）の周囲の環境を示す情報、当該機器が運転された際の消費電力、及び当該機器が運転された際の運転設定の情報が含まれてもよい。

続いて、情報処理装置１０の取得部１１は、取得した運転状況に関する情報を、運転状況ＤＢ１１１に記録する（ステップＳ１０２）。

図５の例では、運転状況ＤＢ１１１には、機器ＩＤ及び日時に対応付けて、機器２０が運転された際の周囲の環境を示す情報、消費電力、及び運転設定の情報の組（レコード）が記憶されている。また、機器ＩＤに対応付けて、機器種別が記憶されている。

機器２０が運転された際の周囲の環境を示す情報には、例えば、外気温、室内の人数、室内の照度、外気湿度、日射量、天気の種別、室内温度、室内湿度、熱負荷、室内の床面積、及び室内の用途の種別等が含まれてもよい。

外気温は、機器２０が設置されている建物の外の気温である。外気温は、例えば、機器２０のエアコン室外機に設けられた温度センサにより測定されてもよい。

室内の人数は、機器２０が設置されている室内の人数である。室内の人数は、例えば、機器２０のエアコン室内機に設けられた輻射温度センサ、またはカメラ等で検出された情報に基づいて機器２０により測定されてもよい。

室内の照度は、機器２０が設置されている室内の照度である。室内の照度は、例えば、機器２０のエアコン室内機に設けられた照度センサにより測定されてもよい。

外気湿度は、機器２０が設置されている建物の外の湿度である。外気湿度は、例えば、機器２０のエアコン室外機に設けられた湿度センサにより測定されてもよい。

日射量は、機器２０が設置されている建物の外の日射量である。日射量は、例えば、機器２０のエアコン室外機に設けられた日射量センサ（日射計）により測定されてもよい。

天気の種別は、機器２０が設置されている地域の天気の種別である。天気の種別には、例えば、晴れ、曇り、雨、雪等の種別が含まれてもよい。天気の種別は、例えば、機器２０に予め設定されている、機器２０が設置されている地域の情報と、気象庁等のサーバから取得した各日時における各地域の天気の種別の情報とに基づいて判定されてもよい。

室内温度及び室内湿度は、それぞれ、機器２０が設置されている室内の温度及び湿度である。室内温度及び室内湿度は、それぞれ、例えば、機器２０のエアコン室内機に設けられた温度センサ及び湿度センサにより測定されてもよい。

熱負荷は、例えば、機器２０が設置されている室（部屋）に出入りする熱量、及び当該部屋内で発生する熱量である。なお、例えば、機器２０が設置されている部屋が、外気の出入りや換気扇により空気の入れ替えが多い場合、天井が高い場合、及び、木造建築の建物など断熱性が低い建物等の場合、熱負荷は大きくなる。熱負荷は、機器２０の運転状況に関する情報の履歴に基づいて、機器２０等により推定された値でもよい。または、機器２０の空調能力（馬力）の値を熱負荷として用いてもよい。

室内の床面積は、機器２０が設置されている室内の床面積である。室内の床面積は、例えば、各ユーザの設定操作により予め機器２０に記憶されていてもよい。

室内の用途の種別は、機器２０が設置されている室内の用途の種別（業種）である。室内の用途の種別には、例えば、家庭用、オフィス用（一般事務所用）、理美容院用、飲食店用、及びサーバルーム用等の種別が含まれてもよい。室内の用途の種別は、例えば、各ユーザの設定操作により予め機器２０に記憶されていてもよい。

消費電力は、機器２０が運転された際の消費電力である。消費電力は、各日時における、所定時間あたりに消費された電力の合計値（累積値）である。消費電力は、所定時間あたりに実際に消費された電力に基づいて機器２０により算出されてもよい。

運転設定は、機器２０が運転された際の運転設定である。運転設定には、例えば、機器２０のリモコン等の操作でユーザにより設定された、機器２０の運転に関する設定が含まれてもよい。運転設定には、例えば、運転モード、設定温度、及び設定風量等が含まれてもよい。運転モードには、例えば、自動運転、冷房運転、暖房運転、除湿運転、及び送風運転等が含まれてもよい。

機器種別は、機器２０の種別であり、例えば、空気調和装置、冷蔵庫、給湯器、及び照明等の種別が含まれてもよい。機器種別の項目は、機器２０毎に予め設定されていてもよい。

（基準消費電力の学習）
続いて、情報処理装置１０の訓練データ生成部１２は、運転状況ＤＢ１１１に記録されているデータセットに基づいて、機器２０が運転される際の周囲の環境に応じた基準消費電力を学習するための訓練データを生成する（ステップＳ１０３）。なお、基準消費電力とは、例えば、機器２０が運転される際の周囲の環境に応じた機器２０の運転設定が省エネルギーの運転設定であるか否かを判定する基準となる消費電力である。

ここで、情報処理装置１０の訓練データ生成部１２は、例えば、運転状況ＤＢ１１１に記録されている、機器２０が運転された際の周囲の環境を示す情報に含まれる少なくとも一の項目（第１項目）の情報と、消費電力との組み合わせを含むデータセットを、基準消費電力の学習用の訓練データとしてもよい。この場合、情報処理装置１０の訓練データ生成部１２は、例えば、機器２０が運転された際の周囲の環境を示す情報に含まれる少なくとも一の項目の情報を入力とし、消費電力を正解データとして、当該入力と当該正解データとの組み合わせ（セット）を、基準消費電力の学習用の訓練データとしてもよい。

続いて、情報処理装置１０の学習部１３は、生成した当該訓練データに基づいて、機器２０が運転される際の周囲の環境に応じた機器２０の運転設定が省エネルギーの運転設定であるか否かを判定するための基準消費電力を機械学習する（ステップＳ１０４）。

ここで、情報処理装置１０の学習部１３は、例えば、教師有り学習により、入力に基づいて消費電力を推論する回帰問題を機械学習してもよい。なお、回帰問題とは、例えば、連続値を予測する問題である。これにより、各ユーザに利用される各機器２０の各周囲環境と各運転設定における平均的な各消費電力を、機器２０Ａの各周囲環境において省エネルギーとなる運転設定であるか否かを判定する基準消費電力とすることができる。そのため、例えば、ユーザにとって快適性が一定程度以上損なわれるような無理な省エネを要求することが低減される。また、例えば、世間の省エネ意識が高まっている場合には世間の感覚に沿った省エネを要求することができる。

この場合、情報処理装置１０の学習部１３は、例えば、線形回帰（linear regression）を用いた機械学習を行ってもよい。この場合、情報処理装置１０の学習部１３は、例えば、消費電力を目的変数（応答変数、従属変数）とし、機器２０が運転された際の周囲の環境を示す情報に含まれる少なくとも一の項目の情報を説明変数（入力変数、独立変数）とし、最小二乗法等を用いて、機械学習を行ってもよい。

また、情報処理装置１０の学習部１３は、例えば、非線形回帰（nonlinear regression）を用いた機械学習を行ってもよい。この場合、情報処理装置１０の学習部１３は、例えば、回帰型（再帰型）ニューラルネットワーク（Recurrent neural network, RNN）、一般回帰ニューラルネットワーク（General Regression Neural Network）、ランダムフォレスト（Random Forest）、またはサポートベクターマシン（support vector machine, SVM）等を用いた機械学習を行ってもよい。

また、情報処理装置１０の学習部１３は、例えば、機器２０が運転された際の周囲の環境毎に、機器２０が運転された際の消費電力の代表値をそれぞれ算出し、算出した各代表値を、機器２０が運転された際の周囲の環境毎の基準消費電力であると機械学習してもよい。なお、情報処理装置１０の学習部１３は、例えば、平均値、中央値、または最繁値等を、当該代表値として算出してもよい。また、情報処理装置１０の学習部１３は、例えば、平均値、中央値、及び最繁値等の平均値を、当該代表値として算出してもよい。

（運転設定の学習）
続いて、情報処理装置１０の訓練データ生成部１４は、運転状況ＤＢ１１１に記録されているデータセットに基づいて、機器２０が運転される際の周囲の環境と、基準消費電力とに応じた運転設定を学習するための訓練データを生成する（ステップＳ１０５）。

ここで、情報処理装置１０の訓練データ生成部１４は、例えば、運転状況ＤＢ１１１に記録されている、機器２０が運転された際の周囲の環境を示す情報に含まれる少なくとも一の項目（第２項目）の情報と、消費電力と、機器２０の運転設定との組み合わせを含むデータセットを、運転設定の学習用の訓練データとしてもよい。なお、上述した第１項目と、第２項目とは、同一でもよいし、異なってもよい。

この場合、情報処理装置１０の訓練データ生成部１４は、例えば、機器２０が運転された際の周囲の環境を示す情報に含まれる少なくとも一の項目の情報と、消費電力とを入力とし、機器２０の運転設定を正解データとして、当該入力と当該正解データとの組み合わせ（セット）を、運転設定の学習用の訓練データとしてもよい。

続いて、情報処理装置１０の学習部１５は、生成した当該訓練データに基づいて、機器２０が運転される際の周囲の環境と、基準消費電力とに応じた運転設定を機械学習する（ステップＳ１０６）。ここで、情報処理装置１０の学習部１５は、例えば、教師有り学習により、入力に基づいて運転設定を推論する分類問題を機械学習してもよい。なお、分類問題とは、例えば、離散値を予測する問題である。この場合、情報処理装置１０の学習部１５は、例えば、ロジスティック回帰、ランダムフォレスト（Random Forest）、ブースティング（Boosting）、サポートベクターマシン（support vector machine, SVM）、または、ニューラルネットワーク（Neural Network）等を用いた機械学習を行ってもよい。これにより、機器２０の周囲の環境と、基準消費電力とに応じて、機器２０の最適な運転設定を推論することができる。

≪推論時の処理≫
次に、図６及び図７を参照し、実施形態に係る情報処理装置１０の推論時の処理の一例について説明する。図６は、実施形態に係る情報処理装置１０の推論時の処理の一例を示すフローチャートである。図７は、実施形態に係る推奨する運転設定の通知画面の一例について説明する図である。以下では、機器２０Ａに対する推論を行う例について説明する。

ステップＳ２０１において、情報処理装置１０の取得部１１は、機器２０Ａの現在の運転状況に関する情報を取得する。ここで、情報処理装置１０の取得部１１は、例えば、所定時間（例えば、１時間）間隔で、機器２０Ａの現在の運転状況に関する情報を機器２０Ａから取得してもよい。

続いて、情報処理装置１０の推論部１６は、取得した機器２０Ａの現在の運転状況に関する情報と、図４のステップＳ１０４の処理による基準消費電力の学習結果とに基づいて、機器２０Ａの現在の周囲の環境に対する基準消費電力を推論する（ステップＳ２０２）。ここで、情報処理装置１０の推論部１６は、機器２０Ａの現在の周囲の環境を示す情報に含まれる項目のうち、基準消費電力を学習した際に用いた上記第１項目の情報を入力とし、基準消費電力の学習結果を用いて、機器２０Ａの現在の基準消費電力を推論する。

また、情報処理装置１０の推論部１６は、例えば、上述した各手法によりそれぞれ学習した各結果に基づいて、機器２０Ａの現在の基準消費電力を推論してもよい。この場合、情報処理装置１０の推論部１６は、例えば、図４のステップＳ１０４の処理で説明した各手法によりそれぞれ学習した各結果に基づいて、機器２０Ａの現在の基準消費電力をそれぞれ推論する。そして、情報処理装置１０の推論部１６は、それぞれ推論した値の平均値等を、機器２０Ａの現在の基準消費電力として推論してもよい。

続いて、情報処理装置１０の推論部１７は、機器２０ＡのユーザＡに省エネとなる運転設定を推奨するか否かを判定する（ステップＳ２０３）。ここで、情報処理装置１０の推論部１７は、例えば、機器２０Ａの現在の消費電力と、機器２０Ａの現在の周囲の環境に対して推論した基準消費電力とに基づいて、省エネとなる運転設定を推奨するか否かを判定してもよい。この場合、情報処理装置１０の推論部１７は、例えば、機器２０Ａの現在の消費電力が、推論した基準消費電力よりも所定の閾値以上大きい場合、省エネとなる運転設定を推奨すると判定し、当該所定の閾値以上大きくない場合、推奨しないと判定してもよい。

推奨しないと判定した場合（ステップＳ２０３でＮＯ）、情報処理装置１０の推論部１７は、処理を終了し、以下の処理を実行しない。

推奨すると判定した場合（ステップＳ２０３でＹＥＳ）、情報処理装置１０の推論部１７は、機器２０Ａの現在の周囲の環境を示す情報と、図４のステップＳ１０６の処理による運転設定の学習結果と、ステップＳ２０２の処理で推論した、機器２０Ａの現在の周囲の環境に対する基準消費電力とに基づいて、当該環境において省エネとなる運転設定を推論する（ステップＳ２０４）。ここで、情報処理装置１０の推論部１７は、機器２０Ａの現在の周囲の環境を示す情報に含まれる項目のうち、運転設定を学習した際に用いた上記第２項目の情報と、当該基準消費電力とを入力とし、運転設定の学習結果を用いて、運転設定を推論する。これにより、機器２０Ａの現在の周囲の環境における消費電力の値が、当該環境における基準消費電力の値に概ね一致するような運転設定を推論することができる。

ステップＳ２０４の処理において、情報処理装置１０の推論部１７は、ステップＳ２０２の処理で推論した、機器２０Ａの現在の周囲の環境に対する基準消費電力の値を修正し、修正した値を基準消費電力として用いてもよい。この場合、情報処理装置１０の推論部１７は、例えば、推論した基準消費電力の値を所定程度（例えば、５％）低下させた値を入力とし、運転設定を推論してもよい。これにより、機器２０Ａの現在の周囲の環境における消費電力の値が、当該環境における基準消費電力の値よりも所定程度低下するような運転設定を推論することができる。

また、情報処理装置１０の推論部１７は、例えば、機器２０Ａの現在の消費電力の値と、推論した基準消費電力の値とに基づいて、基準消費電力の値を修正し、修正した値を基準消費電力として用いてもよい。この場合、情報処理装置１０の推論部１７は、例えば、機器２０Ａの現在の消費電力の値と、推論した基準消費電力の値との比の値が大きい程、推論した基準消費電力の値を所定程度増加させた値を入力とし、運転設定を推論してもよい。この場合、情報処理装置１０の推論部１７は、例えば、機器２０Ａの現在の消費電力の値が、推論した基準消費電力の値の１．２倍の場合、基準消費電力の値を、両方の値の平均値である１．１倍の値に修正して用いてもよい。これにより、例えば、機器２０ＡのユーザＡが、設定温度を比較的低くして冷房を行うことを好む場合や、設定風量を比較的低くして運転を行うことを好む場合等により、比較的省エネとならない運転設定を好む場合でも、当該ユーザＡにとって快適感の低下が比較的軽減されるような省エネの運転設定を推論することができる。

続いて、情報処理装置１０の通知部１８は、推論した運転設定を推奨する情報を、機器２０ＡのユーザＡに通知する（ステップＳ２０５）。ここで、情報処理装置１０の通知部１８は、例えば、予め登録されているユーザＡに対する通知先である端末３０Ａに、推論した運転設定の情報を送信する。

図７の例では、情報処理装置１０の通知部１８は、通知内容の表示画面７０１において、機器２０Ａの現在の周囲の環境に対して推論した基準消費電力７０２、機器２０Ａの現在の周囲の環境を示す情報７０３、機器２０Ａの現在の消費電力７０４を端末３０Ａに表示させている。また、ステップＳ２０４の処理において修正した基準消費電力７０５、推論した運転設定の情報７０６、及び「ＡＩ一括設定」ボタン７０７を端末３０Ａに表示させている。

「ＡＩ一括設定」ボタン７０７が押下されると、端末３０Ａは、例えば、無線ＬＡＮ等の無線通信により制御信号（リモコンコマンド）を送信し、推論された運転設定に含まれる各種の設定を機器２０Ａに反映してもよい。

なお、情報処理装置１０の通知部１８は、例えば、ユーザＡの設定操作により、ＡＩ（Artificial Intelligence）による自動運転が許可されている場合、機器２０Ａの運転設定を、推論した運転設定に変更する制御を行うようにしてもよい。この場合、情報処理装置１０の通知部１８は、端末３０Ａを介して制御信号を機器２０Ａに送信してもよいし、端末３０Ａを介さずに制御信号を機器２０Ａに送信してもよい。

＜変形例１＞
情報処理装置１０は、機器２０Ａから取得した外気温等の時系列データに基づいて、今後の消費電力の推移を予測し、所定の条件を満たす場合は、予め省エネとなる運転設定をユーザＡに推奨するようにしてもよい。これにより、例えば、真夏で昼過ぎ等の時間に電力のひっ迫が予想される場合に、午前中等の時点で、省エネを推奨することができる。

この場合、情報処理装置１０の訓練データ生成部１２は、複数の機器２０のそれぞれについてのデータセットであって、各機器２０が運転された際の周囲の環境を示す情報の時間推移（各時点の値、時系列データ）と、各機器２０が運転された際の消費電力の時間推移の情報との組み合わせを含むデータセットを、基準消費電力の時間推移を学習用の訓練データとしてもよい。この場合、情報処理装置１０の訓練データ生成部１２は、例えば、機器２０が運転された際の周囲の環境を示す情報に含まれる少なくとも一の項目の情報の時間推移を入力とし、消費電力の時間推移を正解データとして、当該入力と当該正解データとの組み合わせを、基準消費電力の学習用の訓練データとしてもよい。

そして、情報処理装置１０の学習部１３は、当該訓練データに基づいて、基準消費電力の時間推移を機械学習しておく。この場合、情報処理装置１０の学習部１３は、例えば、回帰型（再帰型）ニューラルネットワーク（Recurrent neural network, RNN）を用いて、機械学習を行ってもよい。

そして、図７のステップＳ２０３の処理で、情報処理装置１０の推論部１７は、当該機械学習した結果と、機器２０Ａの現在までの各時点での周囲の環境の時系列データとに基づいて、機器２０Ａの消費電力の今後（以降）の推移を推論し、推論した推移に基づいて機器２０Ａの今後の所定時間内（例えば、３時間内）の消費電力の合計値を算出し、算出した値が閾値以上の場合、機器２０ＡのユーザＡに省エネとなる運転設定を推奨すると判定する。

そして、図７のステップＳ２０４の処理において、情報処理装置１０の推論部１７は、ステップＳ２０２の処理で推論した、機器２０Ａの現在の周囲の環境に対する基準消費電力の値を、算出した今後の所定時間内の消費電力の合計値に基づいて修正し、修正した値を基準消費電力として用いる。この場合、情報処理装置１０の推論部１７は、当該合計値が大きくなる程、推論した基準消費電力の値の減少量が大きくなるように、基準消費電力の値を修正してもよい。

＜変形例２＞
情報処理装置１０の各機能部は、例えば１以上のコンピュータにより構成されるクラウドコンピューティングにより実現されていてもよい。また、上述した情報処理装置１０の各機能部の処理の少なくとも一部は、機器２０にて実行されてもよい。この場合、例えば、推論部１６、推論部１７を機器２０に設け、学習部１３、学習部１５で生成した各学習済みモデルを各機器２０の推論部１６、推論部１７にそれぞれ配信するようにしてもよい。また、情報処理装置１０と機器２０とを一体の装置として構成してもよい。

以上、実施形態を説明したが、特許請求の範囲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。

１ 情報処理システム
１０ 情報処理装置
１１１ 運転状況ＤＢ
１１ 取得部
１２ 訓練データ生成部
１３ 学習部
１４ 訓練データ生成部
１５ 学習部
１６ 推論部
１７ 推論部
１８ 通知部

Claims (12)

1. 情報処理装置が、
   複数の機器からそれぞれ取得されたデータセットであって、各機器が運転された際の状況を示す情報と、前記各機器が運転された際の消費電力の情報との組み合わせを含むデータセットに基づいて、第１機器が運転される際の状況に応じた運転設定が省エネルギーの運転設定であるか否かを判定する基準となる消費電力を推論する処理を実行する、情報処理方法。
2. 前記各機器が運転された際の状況を示す情報には、外気温、及び前記各機器が設置された室内の人数の少なくとも一つが含まれる、
   請求項１に記載の情報処理方法。
3. 前記各機器が運転された際の状況を示す情報には、前記各機器が運転された際の日時、及び、前記各機器が設置された室内の照度の少なくとも一つが含まれる、
   請求項１または２に記載の情報処理方法。
4. 前記各機器が運転された際の状況を示す情報には、外気湿度、日射量、天気の種別、室内温度、室内湿度、熱負荷、室内の床面積、室内の用途の種別、及び機器種別の少なくとも一つが含まれる、
   請求項１から３のいずれか一項に記載の情報処理方法。
5. 前記基準となる消費電力を推論する処理では、
   前記複数の機器からそれぞれ取得されたデータセットに基づいて、線形回帰、または非線形回帰を用いた機械学習を行い、当該機械学習の結果を用いて、前記第１機器が運転される際の状況を入力とし、基準となる消費電力を推論する、
   請求項１から４のいずれか一項に記載の情報処理方法。
6. 前記基準となる消費電力を推論する処理では、
   前記各機器が運転された際の状況毎に、前記各機器が運転された際の消費電力の代表値を、基準となる消費電力として推論する、
   請求項１から５のいずれか一項に記載の情報処理方法。
7. 前記各機器が運転された際の状況を示す情報と、前記第１機器に対して推論した基準となる消費電力と、機器が運転された際の運転設定との組み合わせを含むデータセットに基づいて、機器が運転される際の状況に応じた運転設定を推論する処理を実行する、
   請求項１から６のいずれか一項に記載の情報処理方法。
8. 前記運転設定を推論する処理では、前記第１機器に対して推論した基準となる消費電力を前記第１機器の現在の消費電力に応じて修正し、前記運転設定を推論する、
   請求項７に記載の情報処理方法。
9. 機器の現在の消費電力が、当該機器の状況に対して推論した前記基準となる消費電力より大きい場合、推論した運転設定を推奨する情報をユーザに通知する処理を実行する、
   請求項７または８に記載の情報処理方法。
10. 複数の機器のそれぞれについてのデータセットであって、各機器が運転された際の状況を示す情報の時間推移と、前記各機器が運転された際の消費電力の時間推移の情報との組み合わせを含むデータセットに基づいて機械学習し、
    機械学習した結果と、機器が運転される際の状況を示す情報の時間推移とに基づいて、以降の当該機器の消費電力の時間推移を推論し、推論した当該機器の消費電力が以降の所定時間内に閾値以上となる場合、機器の運転に関する所定の設定を推奨する情報を通知する処理を実行する、
    請求項１から９のいずれか一項に記載の情報処理方法。
11. 複数の機器からそれぞれ取得されたデータセットであって、各機器が運転された際の状況を示す情報と、前記各機器が運転された際の消費電力の情報との組み合わせを含むデータセットに基づいて、第１機器が運転される際の状況に応じた運転設定が省エネルギーの運転設定であるか否かを判定する基準となる消費電力を推論する推論部を有する情報処理装置。
12. コンピュータに、
    複数の機器からそれぞれ取得されたデータセットであって、各機器が運転された際の状況を示す情報と、前記各機器が運転された際の消費電力の情報との組み合わせを含むデータセットに基づいて、第１機器が運転される際の状況に応じた運転設定が省エネルギーの運転設定であるか否かを判定する基準となる消費電力を推論する処理を実行させるプログラム。

Images