JP2021176060A - Information processing device, information processing method and program - Google Patents

Information processing device, information processing method and program Download PDF

Info

Publication number
JP2021176060A
JP2021176060A JP2020081539A JP2020081539A JP2021176060A JP 2021176060 A JP2021176060 A JP 2021176060A JP 2020081539 A JP2020081539 A JP 2020081539A JP 2020081539 A JP2020081539 A JP 2020081539A JP 2021176060 A JP2021176060 A JP 2021176060A
Authority
JP
Japan
Prior art keywords
weight
transition
information processing
time
sensor
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
Application number
JP2020081539A
Other languages
Japanese (ja)
Other versions
JP6959392B1 (en
Inventor
宗 益子
So Masuko
将史 牟田
Masafumi MUTA
健太郎 恵村
Kentaro Emura
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Rakuten Group Inc
Original Assignee
Rakuten Group Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Rakuten Group Inc filed Critical Rakuten Group Inc
Priority to JP2020081539A priority Critical patent/JP6959392B1/en
Application granted granted Critical
Publication of JP6959392B1 publication Critical patent/JP6959392B1/en
Publication of JP2021176060A publication Critical patent/JP2021176060A/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

To provide an information processing device, an information processing method and a program by which a situation of a place where it is difficult to install a device such as a camera and a microphone can be learned from weight at the place.SOLUTION: A weight acquisition part 101 acquires weight which is detected by a weight sensor. A prediction part 102 predicts future transition of weight which should be detected by the weight sensor on the basis of transition of the acquired weight and a transition model of weight generated from history of weight detected in the past by the weight sensor.SELECTED DRAWING: Figure 4

Description

本発明は、情報処理装置、情報処理方法及びプログラムに関し、特に、人が利用する場所の状況をカメラやマイクによらずに予測する技術に関するものである。 The present invention relates to an information processing device, an information processing method and a program, and more particularly to a technique for predicting a situation of a place used by a person without using a camera or a microphone.

ある場所の状況を、その場所の撮影画像から推測する技術が知られている。例えば、特許文献１には、監視エリアを撮影した撮影画像に基づいて、監視エリアにおける動体の混雑情報を検知する混雑検知技術が開示されている。この技術によれば、監視エリアが混雑する前に報知することにより、混雑の発生を事前に監視者が把握することができる。 A technique is known for inferring the situation of a certain place from a photographed image of the place. For example, Patent Document 1 discloses a congestion detection technique for detecting congestion information of a moving object in a monitoring area based on a photographed image of the monitoring area. According to this technique, the observer can grasp the occurrence of congestion in advance by notifying the monitoring area before it becomes congested.

特開２０１８−４２０４９号公報JP-A-2018-42049

しかしながら、上記のように、撮影画像に基づいて、その場所の状況を予測する技術は、プライバシーの観点から、適用できる場所が限られる。例えば、公共宿泊施設の脱衣所や浴室は、カメラを設置することはできないから、撮影画像を取得することはできない。また、プライバシーの観点から、音声を取得するためのマイクの設置も許容されないことがある。さらに、空間的あるいは物理的な制約により、カメラ等が設置できないこともありうる。 However, as described above, the technique of predicting the situation of the place based on the captured image is limited to the place where it can be applied from the viewpoint of privacy. For example, in a dressing room or a bathroom of a public accommodation facility, a camera cannot be installed, so a photographed image cannot be acquired. Also, from the viewpoint of privacy, it may not be permissible to install a microphone for acquiring audio. Furthermore, it may not be possible to install a camera or the like due to spatial or physical restrictions.

したがって、カメラ、マイク等を設置できない場所であっても、その場所の状況を知りたいという要望がある。 Therefore, there is a desire to know the situation of a place where a camera, a microphone, etc. cannot be installed.

本発明によれば、カメラ、マイク等の装置を設置することが難しい場所において、重量からその場所の状況を予測することが可能な情報処理装置、情報処理方法及びプログラムを提供することができる。 According to the present invention, it is possible to provide an information processing device, an information processing method and a program capable of predicting the situation of the place from the weight in a place where it is difficult to install a device such as a camera or a microphone.

本発明の第１の観点に係る情報処理装置は、
重量センサにより検知されている重量を取得する重量取得部と、
前記取得された重量の推移と、前記重量センサにより過去に検知された重量の履歴から生成された重量の推移モデルと、に基づいて前記重量センサにより検知されるべき重量の将来の推移を予測する予測部と、
を備えることを特徴とする。 The information processing device according to the first aspect of the present invention is
A weight acquisition unit that acquires the weight detected by the weight sensor,
Based on the acquired weight transition and the weight transition model generated from the history of the weight detected in the past by the weight sensor, the future transition of the weight to be detected by the weight sensor is predicted. Prediction department and
It is characterized by having.

また、上記観点に係る情報処理装置において、
前記重量センサは、施設に設置された複数の重量センサの一つであり、
前記予測部は、
前記複数の重量センサのそれぞれにより検知されるべき重量の将来の推移を予測し、
前記複数の重量センサのそれぞれについて前記予測された将来の推移に基づいて、前記施設の将来の混雑度合を予測する
ことを特徴とする。 In addition, in the information processing device according to the above viewpoint,
The weight sensor is one of a plurality of weight sensors installed in the facility.
The prediction unit
Predict the future transition of the weight to be detected by each of the plurality of weight sensors,
It is characterized in that the future degree of congestion of the facility is predicted based on the predicted future transition of each of the plurality of weight sensors.

また、上記観点に係る情報処理装置において、
前記予測部は、前記取得された重量の推移のうち直近の所定時間長区間における推移が、所定パターンにマッチすると、前記将来の推移を予測する
ことを特徴とする。 In addition, in the information processing device according to the above viewpoint,
The prediction unit is characterized in that when the transition in the latest predetermined time length section of the acquired weight transition matches a predetermined pattern, the future transition is predicted.

また、上記観点に係る情報処理装置において、
前記所定時間長区間は、前記履歴において、前記所定時間長区間の候補となる候補時間長区間に、前記重量が一定の状態から変化して再び一定になる推移を有するサンプル数を求め、当該サンプル数が最大値をとる候補時間長区間を前記所定時間長区間とする
ことを特徴とする。 In addition, in the information processing device according to the above viewpoint,
For the predetermined time length section, the number of samples having a transition in which the weight changes from a constant state to a constant state again is obtained in the candidate time length section that is a candidate for the predetermined time length section in the history, and the sample is obtained. The candidate time length section in which the number takes the maximum value is set as the predetermined time length section.

また、上記観点に係る情報処理装置において、
前記取得された重量の推移のうち前記将来の予測がされて以後の予測後推移が、前記予測された将来の推移から逸脱しているか否かを判定する判定部
をさらに備えることを特徴とする。 In addition, in the information processing device according to the above viewpoint,
It is characterized by further including a determination unit for determining whether or not the post-prediction transition after the future prediction is made among the acquired weight transitions deviates from the predicted future transition. ..

また、上記観点に係る情報処理装置において、
前記判定された結果に対する正否の入力を受け付ける入力部と、
前記受け付けられた入力と、前記予測後推移と、に基づいて、前記推移モデルを更新する更新部と、
をさらに備えることを特徴とする。 In addition, in the information processing device according to the above viewpoint,
An input unit that accepts input of correctness for the determined result, and
An update unit that updates the transition model based on the received input and the post-prediction transition.
Is further provided.

また、上記観点に係る情報処理装置において、
前記重量センサは、１つの収容体に収容された物体の重量を検知するセンサであり、
前記所定パターンは、
前記収容体に対する収容の開始前から完了後に対応付けられる収容パターンであり、
前記推移モデルは、前記履歴において、前記収容パターンにマッチする重量の増加があった増加時点と、前記収容体からの取り出しの開始前から完了後に対応付けられる取り出しパターンにマッチする重量の減少があった減少時点と、の間の時間長の分布により表現される
ことを特徴とする。 In addition, in the information processing device according to the above viewpoint,
The weight sensor is a sensor that detects the weight of an object housed in one container.
The predetermined pattern is
It is a containment pattern associated with the containment body from before the start to after the completion.
The transitive model has an increase in weight that matches the containment pattern in the history and a decrease in weight that matches the take-out pattern associated with the take-out pattern from before the start to after the take-out from the containment. It is characterized by being represented by the distribution of the time length between the point of decrease and the time of decrease.

また、上記観点に係る情報処理装置において、
前記重量センサは、複数の収容体に収容された物体の総重量を検知するセンサであり、
前記所定パターンは、前記複数の収容体のいずれかに対する
収容の開始前から完了後に対応付けられる収容パターン
であり、
前記推移モデルは、前記履歴において、前記収容パターンにマッチする重量の増加があった増加時点と、前記履歴において、当該増加時点の後前記複数の収容体が空になるまでに、前記複数の収容体のいずれかに対する取り出しの開始前から完了後に対応付けられる取り出しパターンにマッチし、前記増加に呼応する重量の減少があった減少時点と、の間の時間長の分布により表現され、
前記予測部は、
前記収容パターンにマッチする重量の増加があると、直前までに予測された推移に、当該増加に相当する重量を前記分布に応じて増す
ことにより、将来の推移を予測する
ことを特徴とする。 In addition, in the information processing device according to the above viewpoint,
The weight sensor is a sensor that detects the total weight of an object housed in a plurality of housing bodies.
The predetermined pattern is a containment pattern associated with any of the plurality of containments from before the start to after the completion of the containment.
The transitive model includes the plurality of accommodations at the time of increase in which there was an increase in weight matching the accommodation pattern in the history and before the plurality of accommodations are emptied after the time of increase in the history. It is represented by the distribution of time lengths between the point of decrease and the time of decrease in which there was a weight loss in response to the increase, matching the withdrawal pattern associated with any of the bodies before and after removal.
The prediction unit
When there is an increase in weight that matches the accommodation pattern, the future transition is predicted by increasing the weight corresponding to the increase in accordance with the distribution in addition to the transition predicted immediately before.

また、上記観点に係る情報処理装置において、
非重量センサにより検知された所定イベントの発生時点を取得する時点取得部と、
前記取得された発生時点と、前記判定部により逸脱していると判定された逸脱時点と、が、所定範囲内であるか否かに応じた警告情報を出力する出力部と、
をさらに備えることを特徴とする。 In addition, in the information processing device according to the above viewpoint,
A time point acquisition unit that acquires the time point of occurrence of a predetermined event detected by a non-weight sensor,
An output unit that outputs warning information according to whether or not the acquired time of occurrence and the time of deviation determined by the determination unit are within a predetermined range.
Is further provided.

また、上記観点に係る情報処理装置において、
前記重量センサは、収容体に収容された物体の重量を検知し、
前記非重量センサは、前記収容体の扉の開閉、もしくは、前記収容体が設置された部屋の扉の開閉を検知する開閉センサであり、
前記所定イベントは、前記扉の開閉である
ことを特徴とする。 In addition, in the information processing device according to the above viewpoint,
The weight sensor detects the weight of an object contained in the housing and determines the weight of the object.
The non-weight sensor is an open / close sensor that detects the opening / closing of the door of the housing or the opening / closing of the door of the room in which the housing is installed.
The predetermined event is characterized in that the door is opened and closed.

また、上記観点に係る情報処理装置において、
前記重量センサは、複数の脱衣籠を収容可能な棚の棚板の上面に設置され、前記複数の脱衣籠ならびに当該複数の脱衣籠に収容された物体の重量を検知し、
前記非重量センサは、前記棚が設置される部屋の扉の開閉を検知する開閉センサであり、
前記所定イベントは、前記扉の開閉である
ことを特徴とする。 In addition, in the information processing device according to the above viewpoint,
The weight sensor is installed on the upper surface of a shelf board of a shelf capable of accommodating a plurality of undressing baskets, and detects the weights of the plurality of undressing baskets and objects contained in the plurality of undressing baskets.
The non-weight sensor is an open / close sensor that detects the opening / closing of the door of the room in which the shelf is installed.
The predetermined event is characterized in that the door is opened and closed.

また、上記観点に係る情報処理装置において、
前記重量センサは、ロッカーに収容された物体の重量を検知し、
前記非重量センサは、前記ロッカーの扉の開閉を検知する開閉センサであり、
前記所定イベントは、前記ロッカーの利用を終了するために前記ロッカーの扉が閉まることである
ことを特徴とする。 In addition, in the information processing device according to the above viewpoint,
The weight sensor detects the weight of an object contained in the rocker and determines the weight of the object.
The non-weight sensor is an open / close sensor that detects the opening / closing of the locker door.
The predetermined event is characterized in that the door of the locker is closed in order to end the use of the locker.

本発明の第２の観点に係る情報処理方法は、
情報処理装置が、
重量センサにより検知されている重量を取得し、
前記取得された重量の推移と、前記重量センサにより過去に検知された重量の履歴から生成された重量の推移モデルと、に基づいて前記重量センサにより検知されるべき重量の将来の推移を予測する
ことを特徴とする。 The information processing method according to the second aspect of the present invention is
Information processing device
Obtain the weight detected by the weight sensor and
Based on the acquired weight transition and the weight transition model generated from the history of the weight detected in the past by the weight sensor, the future transition of the weight to be detected by the weight sensor is predicted. It is characterized by that.

本発明の第３の観点に係るプログラムは、
コンピュータを、
重量センサにより検知されている重量を取得する重量取得部、
前記取得された重量の推移と、前記重量センサにより過去に検知された重量の履歴から生成された重量の推移モデルと、に基づいて前記重量センサにより検知されるべき重量の将来の推移を予測する予測部
として機能させることを特徴とする。 The program according to the third aspect of the present invention
Computer,
Weight acquisition unit that acquires the weight detected by the weight sensor,
Based on the acquired weight transition and the weight transition model generated from the history of the weight detected in the past by the weight sensor, the future transition of the weight to be detected by the weight sensor is predicted. It is characterized by functioning as a predictor.

上記プログラムは、非一時的な（non-transitory）記録媒体に記録されてもよい。非一時的な記録媒体は、コンピュータとは独立して配布・販売することができる。ここで、非一時的な記録媒体とは、有形な（tangible）記録媒体をいう。非一時的な記録媒体は、例えば、コンパクトディスク、フレキシブルディスク、ハードディスク、光磁気ディスク、ディジタルビデオディスク、磁気テープ、半導体メモリ等である。また、一時的な（transitory）記録媒体とは、伝送媒体（伝搬信号）それ自体を示す。一時的な記録媒体は、例えば、電気信号、光信号、電磁波等である。なお、一時的な（temporary）記憶領域とは、データやプログラムを一時的に記憶するための領域であり、例えば、ＲＡＭ（Random Access Memory）等の揮発性メモリである。 The program may be recorded on a non-transitory recording medium. Non-temporary recording media can be distributed and sold independently of computers. Here, the non-temporary recording medium means a tangible recording medium. The non-temporary recording medium is, for example, a compact disk, a flexible disk, a hard disk, a magneto-optical disk, a digital video disk, a magnetic tape, a semiconductor memory, or the like. Further, the transient recording medium refers to the transmission medium (propagation signal) itself. The temporary recording medium is, for example, an electric signal, an optical signal, an electromagnetic wave, or the like. The temporary storage area is an area for temporarily storing data or a program, and is, for example, a volatile memory such as a RAM (Random Access Memory).

本発明によれば、カメラ、マイク等の装置を設置することが難しい場所において、重量からその場所の状況を知ることが可能な情報処理装置、情報処理方法及びプログラムを提供することができる。 According to the present invention, it is possible to provide an information processing device, an information processing method and a program capable of knowing the situation of the place from the weight in a place where it is difficult to install a device such as a camera or a microphone.

本発明の実施形態に係る情報処理装置と、重量センサ及び非重量センサとの関係を示す図である。It is a figure which shows the relationship between the information processing apparatus which concerns on embodiment of this invention, a weight sensor and a non-weight sensor. 本発明の実施形態に係る重量センサと収容体との関係を示す図であり、（ａ）は、１つの脱衣籠に１つの重量センサが設置されている図、（ｂ）は、複数の脱衣籠に１つの重量センサが設置されている図、（ｃ）は、複数の棚のそれぞれに重量センサが設置されている図である。It is a figure which shows the relationship between the weight sensor and the containment body which concerns on embodiment of this invention. The figure in which one weight sensor is installed in the cage, (c) is the figure in which the weight sensor is installed in each of a plurality of shelves. 本発明の実施形態に係る情報処理装置のハードウェア構成を示す図である。It is a figure which shows the hardware configuration of the information processing apparatus which concerns on embodiment of this invention. 実施形態１に係る情報処理装置の機能構成を示す図である。It is a figure which shows the functional structure of the information processing apparatus which concerns on Embodiment 1. FIG. 実施形態１に係る重量履歴テーブルを説明するための図である。It is a figure for demonstrating the weight history table which concerns on Embodiment 1. 実施形態１に係る過去に取得された重量の推移の例を示す図である。It is a figure which shows the example of the transition of the weight acquired in the past which concerns on Embodiment 1. FIG. 実施形態１に係る過去に取得された重量の推移の例を示す図である。It is a figure which shows the example of the transition of the weight acquired in the past which concerns on Embodiment 1. FIG. 実施形態１に係る推移モデルを表現する時間長の分布を示す図である。It is a figure which shows the distribution of the time length which expresses the transition model which concerns on Embodiment 1. 実施形態１に係る重量の推移の例を示す図である。It is a figure which shows the example of the transition of the weight which concerns on Embodiment 1. 実施形態１に係る重量の推移の例を示す図である。It is a figure which shows the example of the transition of the weight which concerns on Embodiment 1. 実施形態１に係る重量の推移の例を示す図であり、（ａ）は、脱衣籠４００−１における重量の推移を示す図、（ｂ）は、脱衣籠４００−２における重量の推移を示す図、（ｃ）は、（ａ）の重量の推移に（ｂ）の重量の推移を加算した図である。It is a figure which shows the example of the transition of the weight which concerns on Embodiment 1, (a) is the figure which shows the transition of the weight in the undressing basket 400-1, and (b) is the figure which shows the transition of the weight in the undressing basket 400-2. The figure (c) is a figure which added the transition of the weight of (b) to the transition of the weight of (a). 実施形態１に係る判定結果の例を示す図である。It is a figure which shows the example of the determination result which concerns on Embodiment 1. FIG. 実施形態１に係る情報処理装置が行う情報処理を説明するためのフローチャートである。It is a flowchart for demonstrating the information processing performed by the information processing apparatus which concerns on Embodiment 1. 実施形態２に係る情報処理装置の機能構成を示す図である。It is a figure which shows the functional structure of the information processing apparatus which concerns on Embodiment 2. 実施形態２に係る警告情報の例を示す図である。It is a figure which shows the example of the warning information which concerns on Embodiment 2. 実施形態２に係る情報処理装置が行う情報処理を説明するためのフローチャートである。It is a flowchart for demonstrating the information processing performed by the information processing apparatus which concerns on Embodiment 2.

（１．全体構成）
本発明の実施形態１に係る情報処理装置１００は、図１に示すように、ネットワーク３００に接続される。ネットワーク３００には、情報処理装置１００の他に、重量センサ２１０と非重量センサ２２０とが接続されている。 (1. Overall configuration)
As shown in FIG. 1, the information processing apparatus 100 according to the first embodiment of the present invention is connected to the network 300. In addition to the information processing device 100, the weight sensor 210 and the non-weight sensor 220 are connected to the network 300.

情報処理装置１００は、重量センサ２１０が検知した重量に基づいて重量センサ２１０が設置されている場所Ｘの状況を示すものである。また、情報処理装置１００は、重量センサ２１０が検知した重量と、非重量センサ２２０が検知した所定イベントとに基づき、警告を示すものである。以下では、例として、重量センサ２１０が設置されている場所Ｘを、宿泊施設の浴場内の脱衣所として、実施形態１，２を説明する。この場合、情報処理装置１００のユーザは、宿泊施設のスタッフである。 The information processing device 100 indicates the situation of the place X where the weight sensor 210 is installed based on the weight detected by the weight sensor 210. Further, the information processing device 100 gives a warning based on the weight detected by the weight sensor 210 and the predetermined event detected by the non-weight sensor 220. Hereinafter, embodiments 1 and 2 will be described as an example, where the location X where the weight sensor 210 is installed is used as a dressing room in a bathhouse of an accommodation facility. In this case, the user of the information processing device 100 is a staff member of the accommodation facility.

重量センサ２１０は、施設に複数設置されたセンサであり、１つの収容体に収容された物体の重量を検知するセンサ、又は、複数の収容体に収容された物体の総重量を検知するセンサである。重量センサ２１０と収容体との関係を図２に示す。 The weight sensor 210 is a sensor installed in a plurality of facilities, and is a sensor that detects the weight of an object housed in one container, or a sensor that detects the total weight of an object housed in a plurality of bodies. be. The relationship between the weight sensor 210 and the housing is shown in FIG.

図２（ａ），（ｂ）は、脱衣所に置かれている脱衣籠を収容体とみなす場合の例である。図２（ａ）は、１つの脱衣籠４１０に１つの重量センサ２１０−Ａが設置されている様子を示す。重量センサ２１０−Ａは、脱衣籠４１０の底面に設置され、１つの脱衣籠４１０に収容された物体の重量を検知する。図２（ｂ）は、複数の脱衣籠４１０−１，４１０−２，４１０−３に対し１つの重量センサ２１０−Ｂが設置されている様子を示す。重量センサ２１０−Ｂは、棚４２０の棚板の上面に設置され、複数の脱衣籠４１０に収容された物体の総重量を検知する。 FIGS. 2 (a) and 2 (b) show an example in which a dressing basket placed in a dressing room is regarded as a container. FIG. 2A shows a state in which one weight sensor 210-A is installed in one undressing basket 410. The weight sensor 210-A is installed on the bottom surface of the undressing basket 410 and detects the weight of an object housed in one undressing basket 410. FIG. 2B shows a state in which one weight sensor 210-B is installed for a plurality of undressing baskets 410-1, 410-2, 410-3. The weight sensor 210-B is installed on the upper surface of the shelf board of the shelf 420 and detects the total weight of the objects housed in the plurality of undressing baskets 410.

図２（ｃ）は、脱衣所の脱衣籠が置かれる棚を収容体とした場合の例である。図２（ｃ）は、複数の棚４２０−１，４２０−２，４２０−３のそれぞれに重量センサ２１０−Ｃが設置されている様子を示す。重量センサ２１０−Ｃは、棚４２０−１，４２０−２，４２０−３の棚板の上面に設置され、棚板に乗っている複数の脱衣籠４１０及び脱衣籠４１０に収容された物体の重量を検知する。以下では、重量センサ２１０−Ａ，２１０−Ｂ，２１０−Ｃは、いずれかを特定する場合を除き、総称して重量センサ２１０と表記する。 FIG. 2C shows an example in which a shelf on which the dressing basket of the dressing room is placed is used as the housing. FIG. 2C shows how the weight sensors 210-C are installed on each of the plurality of shelves 420-1, 420-2, and 420-3. The weight sensor 210-C is installed on the upper surface of the shelf board of the shelves 420-1, 420-2, 420-3, and the weight of the objects housed in the plurality of undressing baskets 410 and the undressing basket 410 on the shelf board. Is detected. In the following, the weight sensors 210-A, 210-B, and 210-C are collectively referred to as the weight sensor 210 unless any of them is specified.

重量センサ２１０は、所定の周期で重量を検知し、所定のタイミングで検知した重量を示すデータを情報処理装置１００に送信する。所定の周期及び所定のタイミングは、情報処理装置１００のユーザが任意に設定することができる。重量センサ２１０は、例えば、２４時間継続して１分毎に重量を検知し、１分毎に検知した重量のデータを、情報処理装置１００に送信する。重量センサ２１０から所定の周期で送信された重量のデータは、情報処理装置１００に格納される。 The weight sensor 210 detects the weight at a predetermined cycle, and transmits data indicating the detected weight at a predetermined timing to the information processing device 100. The predetermined cycle and the predetermined timing can be arbitrarily set by the user of the information processing apparatus 100. For example, the weight sensor 210 continuously detects the weight every minute for 24 hours, and transmits the weight data detected every minute to the information processing device 100. The weight data transmitted from the weight sensor 210 at a predetermined cycle is stored in the information processing device 100.

非重量センサ２２０は、所定イベントを検知するものである。所定イベントは、例えば、扉の開閉であり、非重量センサ２２０は、収容体が設置された部屋の扉の開閉を検知する開閉センサである。非重量センサ２２０は、開閉を検知する度に、検知した開閉を示すデータを情報処理装置１００に送信する。例えば、非重量センサ２２０は、脱衣所の部屋の扉の開閉を検知し、検知した開閉を示すデータを、情報処理装置１００に送信する。非重量センサ２２０から送信された開閉を示すデータは、情報処理装置１００に格納される。 The non-weight sensor 220 detects a predetermined event. The predetermined event is, for example, the opening / closing of the door, and the non-weight sensor 220 is an opening / closing sensor that detects the opening / closing of the door of the room in which the housing is installed. Each time the non-weight sensor 220 detects opening / closing, the non-weight sensor 220 transmits data indicating the detected opening / closing to the information processing device 100. For example, the non-weight sensor 220 detects the opening / closing of the door of the dressing room, and transmits data indicating the detected opening / closing to the information processing device 100. The data indicating opening / closing transmitted from the non-weight sensor 220 is stored in the information processing device 100.

ネットワーク３００は、無線又は有線による通信ネットワークである。ネットワーク３００は、いかなるものであってもよく、例えば、インターネット、イントラネット、エクストラネット、ＬＡＮ（Local Area Network）、ＶＰＮ（Virtual Private Network）、電話回線網等である。 The network 300 is a wireless or wired communication network. The network 300 may be any, for example, the Internet, an intranet, an extranet, a LAN (Local Area Network), a VPN (Virtual Private Network), a telephone line network, and the like.

（２．情報処理装置のハードウェア構成）
図３は、情報処理装置１００のハードウェア構成を示すブロック図である。 (2. Hardware configuration of information processing device)
FIG. 3 is a block diagram showing a hardware configuration of the information processing device 100.

情報処理装置１００は、図３に示すように、ＣＰＵ（Central Processing Unit）１１と、ＲＯＭ（Read Only Memory）１２と、ＲＡＭ１３と、記録媒体１４と、出力デバイス１５と、通信デバイス１６と、操作デバイス１７と、を備える。各構成要素は、バス１８により接続されている。 As shown in FIG. 3, the information processing device 100 operates a CPU (Central Processing Unit) 11, a ROM (Read Only Memory) 12, a RAM 13, a recording medium 14, an output device 15, and a communication device 16. It includes a device 17. Each component is connected by a bus 18.

ＣＰＵ１１は、情報処理装置１００全体の動作を制御し、各構成要素と接続され、制御信号やデータをやりとりする。 The CPU 11 controls the operation of the entire information processing device 100, is connected to each component, and exchanges control signals and data.

ＲＯＭ１２には、情報処理装置１００全体の動作制御に必要なオペレーティングシステムのプログラムや各種のデータが記録される。 The ROM 12 records an operating system program and various data necessary for controlling the operation of the entire information processing apparatus 100.

ＲＡＭ１３は、データやプログラムを一時的に記録するためのもので、記録媒体１４から読み出したプログラムやデータ、その他、通信に必要なデータ等が保持される。 The RAM 13 is for temporarily recording data and programs, and holds programs and data read from the recording medium 14 and other data necessary for communication.

記録媒体１４は、ハードディスクやフラッシュメモリ等から構成され、情報処理装置１００で処理するデータを記録する。 The recording medium 14 is composed of a hard disk, a flash memory, or the like, and records data to be processed by the information processing apparatus 100.

出力デバイス１５は、ＬＣＤ（Liquid Crystal Display）及びバックライト等の表示装置や、スピーカ等の音声出力装置を備える。出力デバイス１５は、ＣＰＵ１１による制御の下、例えば、ＣＰＵ１１から出力されたデータを出力する。 The output device 15 includes a display device such as an LCD (Liquid Crystal Display) and a backlight, and an audio output device such as a speaker. The output device 15 outputs, for example, the data output from the CPU 11 under the control of the CPU 11.

通信デバイス１６は、情報処理装置１００をインターネット等のコンピュータ通信網に接続するための通信インターフェースを含み、通信デバイス１６を介して他の情報処理装置等とやりとりをする。 The communication device 16 includes a communication interface for connecting the information processing device 100 to a computer communication network such as the Internet, and communicates with other information processing devices and the like via the communication device 16.

操作デバイス１７は、ボタン、キーボード、タッチパネル等の入力装置を備える。操作デバイス１７は、情報処理装置１００のユーザからの操作入力を受け付け、受け付けた操作入力に対応する信号をＣＰＵ１１に出力する。 The operation device 17 includes input devices such as buttons, a keyboard, and a touch panel. The operation device 17 receives an operation input from the user of the information processing device 100, and outputs a signal corresponding to the received operation input to the CPU 11.

（３．実施形態１の情報処理装置の機能構成）
実施形態１の情報処理装置１００は、重量センサ２１０が検知した重量に基づいて重量センサが設置されている場所の混雑状況を示すものである。 (3. Functional configuration of the information processing device of the first embodiment)
The information processing device 100 of the first embodiment shows the congestion state of the place where the weight sensor is installed based on the weight detected by the weight sensor 210.

実施形態１の情報処理装置１００は、図４に示すように、機能的には、重量取得部１０１と、予測部１０２と、判定部１０３と、出力部１０４と、入力部１０５と、更新部１０６とを備える。本実施形態において、ＣＰＵ１１及び通信デバイス１６が協働して、重量取得部１０１として機能し、ＣＰＵ１１が予測部１０２、判定部１０３及び更新部１０６として機能する。また、ＣＰＵ１１、出力デバイス１５及び通信デバイス１６が協働して、出力部１０４として機能し、ＣＰＵ１１及び操作デバイス１７が協働して、入力部１０５として機能する。 As shown in FIG. 4, the information processing apparatus 100 of the first embodiment functionally has a weight acquisition unit 101, a prediction unit 102, a determination unit 103, an output unit 104, an input unit 105, and an update unit. It includes 106. In the present embodiment, the CPU 11 and the communication device 16 cooperate to function as the weight acquisition unit 101, and the CPU 11 functions as the prediction unit 102, the determination unit 103, and the update unit 106. Further, the CPU 11, the output device 15, and the communication device 16 cooperate to function as the output unit 104, and the CPU 11, the operation device 17 cooperate to function as the input unit 105.

重量取得部１０１は、重量センサ２１０により検知されている重量を取得する。例えば、重量取得部１０１は、現在の脱衣籠に収容された物体の重量を、重量センサ２１０から取得する。 The weight acquisition unit 101 acquires the weight detected by the weight sensor 210. For example, the weight acquisition unit 101 acquires the weight of the object housed in the current undressing basket from the weight sensor 210.

予測部１０２は、取得された重量の推移と、重量センサ２１０により過去に検知された重量の履歴から生成された重量の推移モデルと、に基づいて重量センサ２１０により検知されるべき重量の将来の推移を予測する。 The prediction unit 102 determines the future weight to be detected by the weight sensor 210 based on the acquired weight transition and the weight transition model generated from the history of the weight detected in the past by the weight sensor 210. Predict the transition.

重量の履歴とは、重量センサ２１０より過去に所定の周期で送信された重量の時系列データである。例えば、重量センサ２１０は、重量の時系列データを情報処理装置１００に送信し、情報処理装置１００は、受信した重量のデータを、記録媒体１４に格納されている重量履歴テーブルに登録する。 The weight history is time-series data of weight transmitted from the weight sensor 210 in a predetermined cycle in the past. For example, the weight sensor 210 transmits time-series data of weight to the information processing device 100, and the information processing device 100 registers the received weight data in the weight history table stored in the recording medium 14.

図５に、重量履歴テーブルの例を示す。重量履歴テーブル１００ａには、重量センサ２１０を識別するためのセンサＩＤと、検知された重量の時系列データの一部を識別するためのデータＩＤと、重量が検知された検知時刻と、検知された重量と、重量の推移が正常か異常かを示すラベルと、が対応づけて登録されている。 FIG. 5 shows an example of a weight history table. In the weight history table 100a, a sensor ID for identifying the weight sensor 210, a data ID for identifying a part of the time-series data of the detected weight, a detection time when the weight is detected, and a detection time are detected. The weight and the label indicating whether the weight transition is normal or abnormal are registered in association with each other.

センサＩＤ“１”、“２”・・・“ｎ”のセンサは、それぞれ、収容体１，２，・・・ｎの重量を検知するものとする。また、データＩＤは、重量センサが２４時間検知した時系列データから、重量の変化があった部分を抜粋した時系列データについて付与したＩＤである。また、ラベルは、データＩＤが付与された時系列データが、正常又は異常な重量の推移を示すものかをユーザが判断して付与するものである。ラベルは、後述するように、入力部１０５が受け付けた入力に基づいて登録される。 The sensors with the sensor IDs "1", "2" ... "N" shall detect the weights of the housings 1, 2, ... N, respectively. The data ID is an ID assigned to the time-series data obtained by extracting the portion where the weight has changed from the time-series data detected by the weight sensor for 24 hours. Further, the label is given by the user by judging whether the time-series data to which the data ID is given indicates a transition of normal or abnormal weight. The label is registered based on the input received by the input unit 105, as will be described later.

例えば、重量履歴テーブル１００ａの一行目は、センサＩＤ“１”のセンサが検知したデータＩＤ“１−１”の時系列データは、検知時刻“２０２０年２月１日１７時５９分”に、１．０ｋｇの重量を検知し、データＩＤ“１−１”の時系列データは、重量の推移として、“正常”なパターンであることを示している。 For example, in the first row of the weight history table 100a, the time series data of the data ID "1-1" detected by the sensor of the sensor ID "1" is set at the detection time "17:59 on February 1, 2020". A weight of 1.0 kg is detected, and the time-series data of the data ID "1-1" indicates that the pattern is "normal" as the transition of the weight.

予測部１０２は、図５の重量履歴テーブル１００ａを参照して、推移モデルを生成する。推移モデルは、収容体に物体が収容されてから取り出されるまでの時間長（以下「収容時間長」という）の分布により表現される。例えば、浴場に置かれている脱衣籠４１０についての収容時間長は、脱衣籠４１０に衣類等が収容されてから、衣類等が取り出されるまでの時間長である。浴場の利用者は、脱衣籠から衣類等の荷物を取り出した後は浴場を去るのが通常であるので、収容時間長は浴場の利用時間長と見なすことができる。 The prediction unit 102 generates a transition model with reference to the weight history table 100a of FIG. The transitive model is expressed by the distribution of the time length (hereinafter referred to as "containment time length") from the time when the object is contained in the container to the time when the object is taken out. For example, the storage time length of the undressing basket 410 placed in the bathhouse is the length of time from when the clothes or the like are stored in the undressing basket 410 until the clothes or the like are taken out. Since the bathhouse user usually leaves the bathhouse after taking out luggage such as clothes from the undressing basket, the accommodation time length can be regarded as the bathhouse usage time length.

収容時間長は、過去の重量の推移のうち、収容パターンにマッチする重量の増加時点から取り出しパターンにマッチする重量の減少時点までの時間長である。ここで、収容パターンとは、収容体に対する収容の開始前から完了後に対応付けられるパターンであり、例えば、所定時間長区間において、重量が一定の状態から急に増加して、再び一定になる重量の推移のパターンである。また、取り出しパターンとは、収容体からの取り出しの開始前から完了後に対応付けられるパターンであり、例えば、所定時間長区間において、重量が一定の状態から急に減少して、再び一定になる重量の推移のパターンである。 The accommodating time length is the length of time from the time when the weight matching the accommodating pattern increases to the time when the weight matching the taking-out pattern decreases in the past changes in weight. Here, the accommodation pattern is a pattern associated with the accommodation body from before the start to after the completion. For example, the weight suddenly increases from a constant state to become constant again in a predetermined time-long section. It is a pattern of transition. The take-out pattern is a pattern associated with each other from before the start of take-out from the housing to after the completion. For example, the weight suddenly decreases from a constant state to become constant again in a predetermined time-long section. It is a pattern of transition.

ここで、所定時間長区間は、情報処理装置１００のユーザが任意に設定することができる。例えば、脱衣所を想定した場合、所定時間長区間は、数分程度の区間とすることができる。 Here, the predetermined time length section can be arbitrarily set by the user of the information processing apparatus 100. For example, assuming a dressing room, the predetermined time length section can be a section of about several minutes.

図６に、１つの収容体に収容された物体の重量を検知する重量センサ２１０−Ａにより検知された、過去の重量の推移を示す。図６は、例えば、図２（a）に示す構成において、１つの脱衣籠４１０に収容された物体の重量の推移を示す。図６において、時刻ｔ１〜ｔ２の区間５０１が所定時間長区間であり、収容パターンは、区間５０１における重量の推移のパターンである。収容パターンにマッチする重量の増加があった増加時点とは、図６では、時刻ｔ１である。また、図６において、時刻ｔ３〜ｔ４の区間５０２が所定時間長区間であり、取り出しパターンは、区間５０２における重量の推移のパターンである。取り出しパターンにマッチする重量の減少時点とは、図６では、時刻ｔ４である。よって、収容時間長は、時刻ｔ１〜ｔ４の区間の時間長Ｔである。 FIG. 6 shows the transition of the past weight detected by the weight sensor 210-A that detects the weight of the object housed in one container. FIG. 6 shows, for example, a change in the weight of an object housed in one undressing basket 410 in the configuration shown in FIG. 2 (a). In FIG. 6, the section 501 at times t1 to t2 is a predetermined time length section, and the accommodation pattern is a pattern of weight transition in the section 501. The time of increase in which there was an increase in weight matching the containment pattern is time t1 in FIG. Further, in FIG. 6, the section 502 at times t3 to t4 is a predetermined time length section, and the extraction pattern is a pattern of weight transition in the section 502. The weight reduction time point that matches the take-out pattern is time t4 in FIG. Therefore, the accommodation time length is the time length T in the section of time t1 to t4.

予測部１０２は、図５の重量履歴テーブル１００ａを参照して、データＩＤが付与されたデータについて収容時間長を算出し、収容時間長の分布を求める。 The prediction unit 102 calculates the accommodating time length for the data to which the data ID is assigned with reference to the weight history table 100a of FIG. 5, and obtains the distribution of the accommodating time length.

なお、重量センサ２１０が複数の収容体に収容された物体の総重量を検知するセンサの場合は、次のように、収容時間長を算出する。収容時間長は、過去の重量の推移において、収容パターンにマッチする重量の増加があった増加時点と、当該増加時点の後複数の収容体が空になるまでに取り出しパターンにマッチし、増加に呼応する重量の減少があった減少時点と、の間の時間長とする。 When the weight sensor 210 is a sensor that detects the total weight of an object housed in a plurality of housing bodies, the housing time length is calculated as follows. The accommodation time length is increased by matching the removal pattern at the time of increase when there was an increase in weight matching the accommodation pattern in the past weight transition and by the time when multiple containments are emptied after the increase point. The length of time between the point of decrease and the corresponding decrease in weight.

図７に、複数の収容体に収容された物体の総重量を検知する重量センサ２１０−Ｂ，２１０−Ｃにより検知された、過去の重量の推移の例を示す。図７は、例えば、図２（ｂ）に示す構成において、３つの脱衣籠４１０−１，４１０−２，４１０−３に収容された物体の総重量の推移を示すものとみなす。収容パターンにマッチする重量の増加があった増加時点は、図７では、時刻ｔ５，ｔ６，ｔ７である。ここで、時刻ｔ５，ｔ６，ｔ７は、それぞれ脱衣籠４１０−１，４１０−２，４１０−３へ物体が入れられた時刻とする。時刻ｔ５，ｔ６，ｔ７における重量の増加は、それぞれ、重量Ａ，重量Ｂ，重量Ｃである。 FIG. 7 shows an example of past changes in weight detected by weight sensors 210-B and 210-C that detect the total weight of objects housed in a plurality of housings. FIG. 7 is considered to show, for example, the transition of the total weight of the objects housed in the three undressing baskets 410-1, 410-2, 410-3 in the configuration shown in FIG. 2 (b). The time of increase in which there was an increase in weight matching the containment pattern is at time t5, t6, t7 in FIG. Here, the times t5, t6, and t7 are the times when the object is put into the undressing baskets 410-1, 410-2, and 410-3, respectively. The weight increases at time t5, t6, and t7 are weight A, weight B, and weight C, respectively.

例えば、時刻ｔ５の増加時点の後、３つの脱衣籠４１０が空になるまでに取り出しパターンにマッチし、時刻ｔ５の重量の増加に呼応する重量Ａの減少があった減少時点は、時刻ｔ１０である。すなわち、脱衣籠４１０−１についての収容時間長は、時刻ｔ５〜ｔ１０までの時間長ＴＡと求められる。同様に、時刻ｔ６の増加時点の後、３つの脱衣籠４１０が空になるまでに取り出しパターンにマッチし、時刻ｔ６の重量の増加に呼応する重量Ｂの減少があった減少時点は、時刻ｔ８である。すなわち、脱衣籠４１０−２についての収容時間長は、時刻ｔ６〜ｔ８までの時間長ＴＢと求められる。時刻ｔ７の増加時点の後、３つの脱衣籠４１０が空になるまでに取り出しパターンにマッチし、時刻ｔ７の重量の増加に呼応する重量Ｃの減少があった減少時点は、時刻ｔ９である。すなわち、脱衣籠４１０−３についての収容時間長は、時刻ｔ７〜ｔ９までの時間長ＴＣと求められる。 For example, after the time t5 increases, the three undressing baskets 410 match the take-out pattern by the time they are emptied, and the weight A decreases in response to the time t5 weight increase at time t10. be. That is, the accommodation time length of the undressing basket 410-1 is determined to be the time length TA from time t5 to t10. Similarly, after the increase time of time t6, the decrease time point in which the three undressing baskets 410 matched the take-out pattern by the time they were emptied and the weight B decreased in response to the increase in weight at time t6 was at time t8. Is. That is, the accommodation time length of the undressing basket 410-2 is determined to be the time length TB from time t6 to t8. After the increase point of time t7, the decrease time point in which the three undressing baskets 410 matched the take-out pattern by the time they were emptied and the weight C decreased in response to the increase in weight at time t7 is time t9. That is, the accommodation time length for the undressing basket 410-3 is determined to be the time length TC from time t7 to t9.

なお、２以上の収容体において、同時に物体が収容されたり、取り出されたりした場合は、重量の呼応関係が正確に計測されないので、そのような場合に計測されたデータは、推移モデルを表現する時間長の分布に含めない。 When objects are housed or taken out at the same time in two or more housings, the weight response relationship is not accurately measured. Therefore, the data measured in such a case represents a transitive model. Not included in the time length distribution.

求めた収容時間長の分布の例を図８に示す。図８の分布は、横軸が収容時間長であり、縦軸は各階級に該当したデータ数である。 An example of the obtained distribution of the accommodation time length is shown in FIG. In the distribution of FIG. 8, the horizontal axis is the accommodation time length, and the vertical axis is the number of data corresponding to each class.

図８の分布が正規分布に従うとすると、分布の平均μ±２×分布の標準偏差σの範囲には、収容時間長のデータの約９５％が含まれる。例えば、脱衣籠の収容時間長の場合、物体の収容が開始されてから、μ＋２×σの時間長の間に、収容が終了される（物体が取り出される）と考えられる。つまり、浴場の大多数の利用者は、μ＋２×σの時間長までに浴場の利用を終了すると考えられる。 Assuming that the distribution in FIG. 8 follows a normal distribution, the range of mean μ ± 2 × standard deviation σ of the distribution includes about 95% of the accommodation time data. For example, in the case of the storage time length of the undressing basket, it is considered that the storage is completed (the object is taken out) within the time length of μ + 2 × σ after the storage of the object is started. In other words, it is considered that the majority of users of the bathhouse will finish using the bathhouse by the time length of μ + 2 × σ.

ここで、予測部１０２は、取得された重量の推移のうち直近の所定時間長区間における推移が、所定パターンにマッチすると、将来の推移を予測する。以下、所定パターンを収容パターンとする。 Here, the prediction unit 102 predicts a future transition when the transition in the latest predetermined time length section of the acquired weight transition matches the predetermined pattern. Hereinafter, a predetermined pattern will be referred to as an accommodation pattern.

図２（ａ）に示すように、１つの重量センサ２１０−Ａが、１つの収容体（脱衣籠４１０）に収容された物体の重量を検知する場合の予測手法について説明する。図９に、重量取得部１０１が取得した、１つの重量センサ２１０−Ａにより検知されている重量の推移を示す。 As shown in FIG. 2A, a prediction method when one weight sensor 210-A detects the weight of an object housed in one container (undressing basket 410) will be described. FIG. 9 shows the transition of the weight detected by one weight sensor 210-A acquired by the weight acquisition unit 101.

予測部１０２は、直近の所定時間区間５０３において、時刻ｔ１１〜時刻ｔ１２の収容パターンを検知すると、時刻ｔ１２以降の重量の推移を予測する。例えば、予測部１０２は、時刻ｔ１１から、図８の分布のμ＋２σの時間長後の時刻ｔ１３に、重量が０になる、すなわち、物体が全て取り出されると予測する。 When the prediction unit 102 detects the accommodation pattern at time t11 to time t12 in the latest predetermined time section 503, the prediction unit 102 predicts the transition of the weight after time t12. For example, the prediction unit 102 predicts that the weight will be 0, that is, all the objects will be taken out from the time t11 to the time t13 after the time length of μ + 2σ of the distribution in FIG.

図２（ｂ）に示すように、１つの重量センサ２１０−Ｂが、複数の収容体（脱衣籠４１０−１，４１０−２，４１０−３）に収容された物体の総重量を検知する場合の予測手法について、図１０，１１を用いて説明する。まず、予測部１０２は、図８のヒストグラムから、データ総数で正規化した、横軸を収容時間長とする累積度数分布を求める。この累積度数分布は、その時間長に収容体から物体が取出し済である割合を示している。次に、予測部１０２は、１から求めた累積度数分布の値を減算した曲線を求め、求めた曲線に、検知された収容パターンの重量Ｗを乗じる。この曲線を、図１０の曲線５０６に示す。図１０は、時間長に対する重量の分布を示すものであり、曲線５０６は、重さＷの収容パターンを検知すると、その後どのように重量が変化するかを示したものである。例えば、図１０の曲線５０６は、収容パターンを検知してから、時間長ｔａの経過後に、重量Ｗは重量Ｗａまで減少することを示し、時間長ｔｂの経過後には、重量Ｗは重量Ｗｂまで減少することを示している。 As shown in FIG. 2B, when one weight sensor 210-B detects the total weight of an object housed in a plurality of housing bodies (undressing baskets 410-1, 410-2, 410-3). The prediction method of the above will be described with reference to FIGS. 10 and 11. First, the prediction unit 102 obtains a cumulative frequency distribution with the horizontal axis as the accommodation time length, which is normalized by the total number of data, from the histogram of FIG. This cumulative frequency distribution shows the percentage of objects that have been removed from the containment during that time period. Next, the prediction unit 102 obtains a curve obtained by subtracting the value of the cumulative frequency distribution obtained from 1, and multiplies the obtained curve by the weight W of the detected accommodation pattern. This curve is shown in curve 506 of FIG. FIG. 10 shows the distribution of the weight with respect to the time length, and the curve 506 shows how the weight changes when the accommodating pattern of the weight W is detected. For example, the curve 506 in FIG. 10 shows that the weight W decreases to the weight Wa after the time length ta elapses after the accommodation pattern is detected, and the weight W decreases to the weight Wb after the time length tb elapses. It shows that it will decrease.

予測部１０２は、収容パターンにマッチする重量の増加があると、直前までに予測された推移に、当該増加に相当する重量を分布に応じて増すことにより、将来の推移を予測する。 When there is an increase in weight that matches the accommodation pattern, the prediction unit 102 predicts a future transition by increasing the weight corresponding to the increase according to the distribution to the transition predicted immediately before.

図１１（ａ）は、脱衣籠４１０−１，４１０−２，４１０−３に何も物体が収容されていない状態から、脱衣籠４１０−１に、重量Ｗ１の物体が収容された場合に予測された重量の推移（分布）を示すものとする。時刻ｔ１４は、重量の推移における収容パターンの開始時刻である。また、図１１（ｂ）は、脱衣籠４１０−１，４１０−２，４１０−３に何も物体が収容されていない状態から、脱衣籠４１０−２に、重量Ｗ２の物体が収容された場合に予測された重量の推移（分布）を示すものとする。時刻ｔ１５は、重量の推移における収容パターンの開始時刻である。 FIG. 11A shows a prediction when an object having a weight of W1 is contained in the undressing basket 410-1 from a state in which no object is housed in the undressing baskets 410-1, 410-2, 410-3. It shall show the transition (distribution) of the weight. Time t14 is the start time of the accommodation pattern in the transition of weight. Further, FIG. 11B shows a case where an object having a weight of W2 is housed in the undressing basket 410-2 from a state in which no object is housed in the undressing baskets 410-1, 410-2, 410-3. It is assumed that the predicted change (distribution) of the weight is shown in. Time t15 is the start time of the accommodation pattern in the transition of weight.

ここで、図１１（ａ）に示す推移が予測された状態で、重量Ｗ２の収容パターンが検知されたとすると、予測部１０２は、図１１（ａ）に示す重量の推移に、図１１（ｂ）に示す重量の推移を加算し、図１１（ｃ）を求める。このようにして、予測部１０２は、脱衣籠４１０−１に物体が入れられてから、脱衣籠４１０−２に物体が入れられた場合に予測される将来の重量の推移（図１１（ｃ））を求める。そして、予測部１０２は、図１１（ｃ）の推移において、重量が所定の値Ｗ０になる時刻ｔ１６を、物体が取り出される時刻と予測する。 Here, assuming that the accommodation pattern of the weight W2 is detected in the state where the transition shown in FIG. 11 (a) is predicted, the prediction unit 102 changes the transition of the weight shown in FIG. 11 (a) to FIG. 11 (b). ) Is added to obtain FIG. 11 (c). In this way, the prediction unit 102 predicts a future change in weight when the object is placed in the undressing basket 410-1 and then the object is placed in the undressing basket 410-2 (FIG. 11 (c)). ) Is asked. Then, the prediction unit 102 predicts the time t16 when the weight reaches a predetermined value W0 in the transition of FIG. 11C as the time when the object is taken out.

上記の例では、図２（ｂ）を用いて予測手法を説明したが、図２（ｃ）に示すように１つの重量センサ２１０−Ｃが、複数の収容体（棚４２０）の総重量を検知する場合の予測手法も、同様の手法が採用できる。 In the above example, the prediction method has been described with reference to FIG. 2 (b), but as shown in FIG. 2 (c), one weight sensor 210-C can determine the total weight of a plurality of housings (shelf 420). A similar method can be adopted as the prediction method for detection.

次に、予測部１０２は、複数の重量センサ２１０のそれぞれにより検知されるべき重量の将来の推移を予測し、複数の重量センサ２１０のそれぞれについて予測された将来の推移に基づいて、施設の将来の混雑度合を予測する。 Next, the prediction unit 102 predicts the future transition of the weight to be detected by each of the plurality of weight sensors 210, and the future of the facility is based on the predicted future transition of each of the plurality of weight sensors 210. Predict the degree of congestion.

まず、ｎ個の収容体のそれぞれについて、収容パターンが検知されると、収容パターンが検知された収容体から物体が取り出される時刻を求めるとする。予測部１０２は、例えば、ｎ個の収容体のうち、いずれかの収容体（i＝１）において収容パターンが検知されると、他の収容体（ｉ＝２〜ｎ）について予測されている重量の推移から、１０分後に、ｎ個のうち何個の収容体に物体が収容されているかを求める。例えば、ｎ個のうち、１０分後には、ｍ個の収容体に物体が収容されているとすると、収容体が配置されている施設の混雑度合をｍ／ｎと求める。 First, for each of the n containment bodies, when a containment pattern is detected, it is assumed that the time when an object is taken out from the containment body in which the containment pattern is detected is obtained. For example, when the accommodation pattern is detected in one of the n accommodations (i = 1), the prediction unit 102 predicts the other accommodations (i = 2 to n). From the change in weight, after 10 minutes, it is determined how many of the n containers contain the object. For example, assuming that an object is housed in m containments after 10 minutes out of n pieces, the degree of congestion of the facility where the containments are arranged is calculated as m / n.

図４に戻って、出力部１０４は、予測部１０２により予測された混雑度合を出力する。例えば、出力部１０４は、情報処理装置１００のディスプレイに宿泊施設の浴場の混雑度合ｍ／ｎを表示する。 Returning to FIG. 4, the output unit 104 outputs the degree of congestion predicted by the prediction unit 102. For example, the output unit 104 displays the degree of congestion m / n of the bathhouse of the accommodation facility on the display of the information processing device 100.

また、出力部１０４は、混雑度合に色彩を対応付け、現在の混雑度合を示す色彩から、予測された将来の混雑度合を示す色彩に次第に変化させることを繰り返すことにより、混雑度合の推移を出力する。例えば、出力部１０４は、宿泊施設の各部屋に設置されているランプを用いて、宿泊客に混雑度合を通知する。混雑度合が高いほど、色相において、赤色に近づき、混雑度合が低いほど、青色に近づく。現在の混雑度合が、（ｍ＋５）／ｎであり、１０分後には、混雑度合がｍ／ｎになると予測されたとすると、出力部１０４は、ランプの色を暖色系の色から寒色系の色に次第に変化させ、これを繰り返すことにより、混雑度合の変化を通知する。 Further, the output unit 104 outputs a transition of the degree of congestion by associating colors with the degree of congestion and gradually changing the color indicating the degree of congestion from the color indicating the degree of congestion to the color indicating the predicted degree of future congestion. do. For example, the output unit 104 notifies the guest of the degree of congestion by using the lamps installed in each room of the accommodation facility. The higher the degree of congestion, the closer to red in hue, and the lower the degree of congestion, the closer to blue. Assuming that the current degree of congestion is (m + 5) / n and it is predicted that the degree of congestion will be m / n after 10 minutes, the output unit 104 will change the color of the lamp from a warm color to a cool color. By gradually changing to and repeating this, the change in the degree of congestion is notified.

判定部１０３は、取得された重量の推移のうち将来の予測がされて以後の予測後推移が、予測された将来の推移から逸脱しているか否かを判定する。 The determination unit 103 determines whether or not the post-prediction transition after the future prediction is made among the acquired weight transitions deviates from the predicted future transition.

予測後推移とは、例えば、図９の場合では、時刻ｔ１２以降の重量の推移である。判定部１０３は、図９のように予測時間長が求められた場合であって、時刻ｔ１３を過ぎても重量が０にならなかった場合、予測後推移が予測された将来の推移から逸脱していると判定する。一方、時刻ｔ１３までに、重量が０になった場合は、判定部１０３は、予測後推移が予測された将来の推移から逸脱していないと判定する。 The post-prediction transition is, for example, in the case of FIG. 9, the transition of the weight after the time t12. The determination unit 103 deviates from the predicted future transition when the predicted time length is obtained as shown in FIG. 9 and the weight does not become 0 even after the time t13. It is determined that it is. On the other hand, if the weight becomes 0 by the time t13, the determination unit 103 determines that the post-prediction transition does not deviate from the predicted future transition.

例えば、図９において、重量の推移が時刻ｔ１３を超えても０にならない場合、時刻ｔ１３は、収容時間長の分布のμ＋２σだけ経過した時刻なので、特殊な状況と考えられる。重量の推移が、μ＋２σの時間長を超えても減少しない場合、例えば、脱衣籠の利用者が浴場で倒れてしまったか、脱衣籠に忘れ物をしている場合などが考えられる。また、重量センサ２１０が検知した重量の推移が、μ−２σの時間長よりも前に減少した場合、例えば、忘れ物を取りに来た、或いは、脱衣籠内の荷物が盗まれた場合と考えられる。 For example, in FIG. 9, when the change in weight does not become 0 even if it exceeds the time t13, the time t13 is considered to be a special situation because the time t13 is the time when μ + 2σ of the distribution of the accommodation time length has elapsed. If the change in weight does not decrease even if the time length of μ + 2σ is exceeded, for example, it is conceivable that the user of the undressing basket has fallen down in the bathhouse or has left something in the undressing basket. Further, it is considered that the change in the weight detected by the weight sensor 210 decreases before the time length of μ-2σ, for example, when the person comes to pick up the forgotten item or the baggage in the undressing basket is stolen. Be done.

また、図１０のように重量の推移が予測された場合は、求めた曲線５０６を、＋２σ（区間５０９）だけずらした曲線５０７と、−２σ（区間５１０）だけずらした曲線５０８と、を求める。例えば、図１１（ａ）及び図１１（ｂ）に示す予測された重量の推移のそれぞれについて、−２σだけずらした曲線と＋２σだけずらした曲線を求める。そして、−２σだけずらした曲線同士を加算し、＋２σだけずらした曲線同士を加算する。重量の推移が、加算により求められた曲線が示すμ±２σの範囲内に収まっていれば、判定部１０３は、重量の推移が逸脱していないと判断する。 Further, when the change in weight is predicted as shown in FIG. 10, the obtained curve 506 is obtained as a curve 507 shifted by + 2σ (section 509) and a curve 508 shifted by -2σ (section 510). .. For example, for each of the predicted weight transitions shown in FIGS. 11 (a) and 11 (b), a curve shifted by -2σ and a curve shifted by + 2σ are obtained. Then, the curves shifted by -2σ are added, and the curves shifted by + 2σ are added. If the change in weight is within the range of μ ± 2σ indicated by the curve obtained by addition, the determination unit 103 determines that the change in weight does not deviate.

出力部１０４は、判定部１０３により逸脱していると判定されると、判定された結果を出力する。 When the output unit 104 determines that the deviation is deviated by the determination unit 103, the output unit 104 outputs the determined result.

例えば、出力部１０４は、図１２に示す画像６１０を、情報処理装置１００のディスプレイに表示する。 For example, the output unit 104 displays the image 610 shown in FIG. 12 on the display of the information processing device 100.

入力部１０５は、判定された結果に対する正否の入力を受け付ける。 The input unit 105 accepts the input of correctness or rejection for the determined result.

例えば、入力部１０５は、画像６１０におけるボタン６１１，６１２のクリック入力を受け付ける。例えば、重量取得部１０１により取得された重量の時系列データが示す予測後推移が、予測された将来の推移から逸脱していると判定された場合、宿泊施設のスタッフは、浴場の利用者の一般的な入浴時間か否かを判断する。例えば、時刻ｔ１３を１分超えた時点から重量が減少し始めた時系列データの場合、一般的な入浴時間と判断し、宿泊施設のスタッフは、画像６１０において、ボタン６１１をクリックする。あるいは、時刻ｔ１３を３０分超えても重量が減少しない時系列データの場合、宿泊施設のスタッフは、この時系列データのパターンを、浴場の利用者の一般的な入浴時間を逸脱していると判断し、画像６１０において、ボタン６１２をクリックする。 For example, the input unit 105 accepts click input of the buttons 611 and 612 in the image 610. For example, when it is determined that the post-prediction transition indicated by the time-series data of the weight acquired by the weight acquisition unit 101 deviates from the predicted future transition, the staff of the accommodation facility is the user of the bathhouse. Judge whether it is a general bathing time. For example, in the case of time-series data in which the weight starts to decrease from the time when the time t13 is exceeded by 1 minute, it is determined that the bathing time is general, and the staff of the accommodation facility clicks the button 611 in the image 610. Alternatively, in the case of time-series data in which the weight does not decrease even if the time t13 is exceeded by 30 minutes, the staff of the accommodation facility states that the pattern of the time-series data deviates from the general bathing time of the bathhouse user. Judgment is made, and in the image 610, the button 612 is clicked.

更新部１０６は、受け付けられた入力と、予測後推移と、に基づいて、推移モデルを更新する。 The update unit 106 updates the transition model based on the received input and the post-prediction transition.

例えば、ボタン６１１がクリックされた場合、更新部１０６は、この時系列データにデータＩＤを付与し、ラベル“正常”を対応付けて、図５の重量履歴テーブル１００ａに登録する。或いは、ボタン６１２がクリックされた場合、更新部１０６は、この時系列データにデータＩＤを付与し、ラベル“異常”を対応付けて、図５の重量履歴テーブル１００ａに登録する。そして、更新部１０６は、図５の重量履歴テーブル１００ａを参照して、ラベルに“異常”が付された時系列データを除外して、収容時間長の分布を求めることにより、推移モデルの更新を行う。 For example, when the button 611 is clicked, the update unit 106 assigns a data ID to the time-series data, associates it with the label "normal", and registers it in the weight history table 100a of FIG. Alternatively, when the button 612 is clicked, the update unit 106 assigns a data ID to the time-series data, associates the label with "abnormality", and registers the data in the weight history table 100a of FIG. Then, the update unit 106 updates the transition model by referring to the weight history table 100a of FIG. 5 and obtaining the distribution of the accommodation time length by excluding the time-series data with "abnormality" on the label. I do.

（４．実施形態１の情報処理装置の動作）
本実施形態の情報処理装置１００の動作について説明する。例えば、情報処理装置１００は、重量センサ２１０から２４時間、所定の周期で重量を取得しており、情報処理装置１００のユーザの指示により、図１３に示す情報処理が実行される。 (4. Operation of Information Processing Device of Embodiment 1)
The operation of the information processing apparatus 100 of the present embodiment will be described. For example, the information processing device 100 acquires the weight from the weight sensor 210 at a predetermined cycle for 24 hours, and the information processing shown in FIG. 13 is executed according to the instruction of the user of the information processing device 100.

予測部１０２は、取得された重量の推移のうち直近の所定時間長区間における推移が、所定パターンにマッチするか否かを判断する（ステップＳ１０１）。予測部１０２は、直近の所定時間長区間における推移が、所定パターンにマッチすると判断すると（ステップＳ１０１；ＹＥＳ）、将来の推移を予測する（ステップＳ１０２）。一方、予測部１０２は、直近の所定時間長区間における推移が、所定パターンにマッチしないと判断すると（ステップＳ１０１；ＮＯ）、そのまま待機する。例えば、予測部１０２は、図９に示す時刻ｔ１１〜時刻ｔ１２の収容パターンを検知すると、推移モデルを表す図８の分布を参照して、時刻ｔ１１から、図８の分布のμ＋２σの時間長後の時刻ｔ１３に、物体が全て取り出されると予測する。 The prediction unit 102 determines whether or not the transition of the acquired weight in the latest predetermined time length section matches the predetermined pattern (step S101). When the prediction unit 102 determines that the transition in the latest predetermined time length section matches the predetermined pattern (step S101; YES), the prediction unit 102 predicts the future transition (step S102). On the other hand, when the prediction unit 102 determines that the transition in the latest predetermined time length section does not match the predetermined pattern (step S101; NO), the prediction unit 102 stands by as it is. For example, when the prediction unit 102 detects the accommodation pattern at time t11 to time t12 shown in FIG. 9, it refers to the distribution of FIG. 8 representing the transition model, and after the time length of μ + 2σ of the distribution of FIG. 8 from time t11. It is predicted that all the objects will be taken out at time t13.

次に、予測部１０２は、施設の将来の混雑度合を予測する（ステップＳ１０３）。例えば、収容体（i＝１）において収容パターンが検知されると、他の収容体（ｉ＝２〜ｎ）について予測されている重量の推移から、１０分後に、ｎ個のうち何個の収容体に物体が収容されているかを求める。そして、出力部１０４は、予測された混雑度合を出力する（ステップＳ１０４）。 Next, the prediction unit 102 predicts the future congestion degree of the facility (step S103). For example, when a containment pattern is detected in the containment body (i = 1), how many out of n pieces are 10 minutes after the predicted weight transition of the other containment bodies (i = 2 to n). Find out if the object is contained in the containment body. Then, the output unit 104 outputs the predicted degree of congestion (step S104).

判定部１０３は、取得された重量の推移のうち将来の予測がされて以後の予測後推移が、予測された将来の推移から逸脱しているか否かを判定する（ステップＳ１０５）。判定部１０３が、予測後推移が予測された将来の推移から逸脱していると判断すると（ステップＳ１０５；ＹＥＳ）、出力部１０４は、判定された結果を出力する（ステップＳ１０６）。一方、判定部１０３は、予測後推移が予測された将来の推移から逸脱していないと判断すると（ステップＳ１０５；ＮＯ）、ステップＳ１０１にもどる。 The determination unit 103 determines whether or not the post-prediction transition after the future prediction is made among the acquired weight transitions deviates from the predicted future transition (step S105). When the determination unit 103 determines that the post-prediction transition deviates from the predicted future transition (step S105; YES), the output unit 104 outputs the determined result (step S106). On the other hand, when the determination unit 103 determines that the post-prediction transition does not deviate from the predicted future transition (step S105; NO), the determination unit 103 returns to step S101.

ステップＳ１０６において、判定結果が出力されると、入力部１０５は、判定された結果に対する正否の入力を受け付けたか否かを判断する（ステップＳ１０７）。入力部１０５が、正否の入力を受け付けたと判断すると（ステップＳ１０７；ＹＥＳ）、更新部１０６は、推移モデルを更新する（ステップＳ１０８）。一方、入力部１０５が、正否の入力を受け付けていないと判断すると（ステップＳ１０７；ＮＯ）、ステップＳ１０１にもどる。例えば、入力部１０５は、画像６１０におけるボタン６１１，６１２のクリック入力を受け付け、更新部１０６は、取得した重量の推移の時系列データに、入力されたボタン６１１，６１２に対応付けられるラベルを付与して、図５の重量履歴テーブル１００ａに登録し、この重量履歴テーブル１００ａを参照して、推移モデルを更新する。 When the determination result is output in step S106, the input unit 105 determines whether or not the input of correctness or rejection for the determined result has been accepted (step S107). When the input unit 105 determines that the input of correctness / rejection has been accepted (step S107; YES), the update unit 106 updates the transition model (step S108). On the other hand, if the input unit 105 determines that the input of correctness / rejection is not accepted (step S107; NO), the process returns to step S101. For example, the input unit 105 accepts the click input of the buttons 611 and 612 in the image 610, and the update unit 106 assigns the acquired time-series data of the weight transition with a label associated with the input buttons 611 and 612. Then, it is registered in the weight history table 100a of FIG. 5, and the transition model is updated with reference to the weight history table 100a.

本実施形態によれば、浴室や脱衣場など、プライバシーの観点からカメラ及びマイク等の装置を設置することが難しい場所において、重量からその場所の状況を知ることができる。また、重力から予測したその場所の状況に基づいて、その場所の将来における混雑度合を予測することができる。例えば、脱衣場に配置された脱衣籠の重量から、現在、脱衣場が使用されているか否かを知ることができ、さらに、将来のいつごろまで使用されるか否かを予測することができる。また、将来の使用予測に基づき、浴室の混雑度合を予測することができる。 According to the present embodiment, in a place where it is difficult to install a device such as a camera and a microphone from the viewpoint of privacy, such as a bathroom or a dressing room, the situation of the place can be known from the weight. In addition, the degree of congestion in the future of the place can be predicted based on the situation of the place predicted from gravity. For example, from the weight of the undressing basket placed in the undressing place, it is possible to know whether or not the undressing place is currently used, and further, it is possible to predict when it will be used in the future. .. In addition, the degree of congestion in the bathroom can be predicted based on the future usage prediction.

また、本実施形態によれば、予測した混雑度合を他のデバイスに通知することができる。例えば、浴場の混雑状況を、宿泊施設の利用者に、各部屋に設置されたランプで伝えることができるので、利用客は、浴場に訪れなくても、何分後にどの程度の混雑具合なのかを知ることができる。 Further, according to the present embodiment, the predicted degree of congestion can be notified to other devices. For example, the congestion status of the bathhouse can be notified to the users of the accommodation facility with the lamps installed in each room, so even if the guest does not visit the bathhouse, how many minutes later how crowded it will be. Can be known.

（５．実施形態２の情報処理装置の機能構成）
実施形態２の情報処理装置１００は、重量センサ２１０が検知した重量と、非重量センサ２２０が検知した所定イベントとに基づき、警告を示すものである。 (5. Functional configuration of the information processing device of the second embodiment)
The information processing device 100 of the second embodiment gives a warning based on the weight detected by the weight sensor 210 and the predetermined event detected by the non-weight sensor 220.

実施形態２の情報処理装置１００は、図１４に示すように、機能的には、重量取得部１０１と、予測部１０２と、判定部１０３と、出力部１０４と、入力部１０５と、更新部１０６と、時点取得部１０７と、を備える。本実施形態において、ＣＰＵ１１及び通信デバイス１６が協働して、重量取得部１０１及び時点取得部１０７として機能し、ＣＰＵ１１が、予測部１０２、判定部１０３及び更新部１０６、として機能する。また、ＣＰＵ１１、出力デバイス１５及び通信デバイス１６が協働して、出力部１０４として機能し、ＣＰＵ１１及び操作デバイス１７が協働して、入力部１０５として機能する。 As shown in FIG. 14, the information processing device 100 of the second embodiment functionally has a weight acquisition unit 101, a prediction unit 102, a determination unit 103, an output unit 104, an input unit 105, and an update unit. 106 and a time point acquisition unit 107 are provided. In the present embodiment, the CPU 11 and the communication device 16 cooperate to function as the weight acquisition unit 101 and the time point acquisition unit 107, and the CPU 11 functions as the prediction unit 102, the determination unit 103, and the update unit 106. Further, the CPU 11, the output device 15, and the communication device 16 cooperate to function as the output unit 104, and the CPU 11, the operation device 17 cooperate to function as the input unit 105.

時点取得部１０７は、非重量センサ２２０により検知された所定イベントの発生時点を取得する。 The time point acquisition unit 107 acquires the time point of occurrence of a predetermined event detected by the non-weight sensor 220.

ここで、非重量センサ２２０は、扉の開閉を検知する開閉センサであり、所定イベントは、扉の開閉である。 Here, the non-weight sensor 220 is an open / close sensor that detects the opening / closing of the door, and the predetermined event is the opening / closing of the door.

例えば、収容体が、脱衣籠、又は、複数の脱衣籠を収容可能な棚の場合、非重量センサは、脱衣籠又は棚が設置される部屋の扉の開閉を検知する開閉センサであり、所定イベントは、部屋の扉の開閉である。以下では、部屋の扉を、浴場と廊下を隔てる扉とする。 For example, when the container is a undressing basket or a shelf capable of accommodating a plurality of undressing baskets, the non-weight sensor is an open / close sensor that detects the opening / closing of the door of the room in which the undressing basket or the shelf is installed, and is predetermined. The event is the opening and closing of the door of the room. In the following, the door of the room will be the door that separates the bathhouse from the corridor.

出力部１０４は、取得された発生時点と、判定部１０３により逸脱していると判定された逸脱時点と、が、所定範囲内であるか否かに応じた警告情報を出力する。 The output unit 104 outputs warning information according to whether or not the acquired time of occurrence and the time of deviation determined by the determination unit 103 are within a predetermined range.

例えば、図９の場合において、時刻ｔ１７に扉の開閉が発生し、時刻ｔ１３を超えて重量が減少せずに、重量の推移が逸脱していると判定されたとする。出力部１０４は、時刻ｔ１７（発生時点）から時刻ｔ１３（逸脱時点）までの時間長５０４が、所定範囲内か否かを判断する。例えば、所定範囲を５分とし、時間長５０４が５分以内の長さの場合、浴場の利用者が、脱衣籠に荷物を置いたまま、浴場を去ってしまったと考えられる。よって、出力部１０４は、図１５に示すように、警告情報が含まれる画像６２０を、情報処理装置１００のディスプレイに表示する。そして、宿泊施設のスタッフは、例えば、警告情報が正しくないと判断した場合は、画像６２０において、ボタン６２１をクリックし、警告情報が正しいと判断した場合は、画像６２０において、ボタン６２２をクリックする。 For example, in the case of FIG. 9, it is assumed that the door is opened and closed at time t17, and the weight does not decrease beyond the time t13, and it is determined that the weight transition deviates. The output unit 104 determines whether or not the time length 504 from the time t17 (time of occurrence) to the time t13 (time of deviation) is within a predetermined range. For example, when the predetermined range is 5 minutes and the time length 504 is within 5 minutes, it is probable that the user of the bathhouse has left the bathhouse with his / her luggage in the undressing basket. Therefore, as shown in FIG. 15, the output unit 104 displays the image 620 including the warning information on the display of the information processing device 100. Then, for example, if the staff of the accommodation facility determines that the warning information is incorrect, the button 621 is clicked on the image 620, and if it is determined that the warning information is correct, the button 622 is clicked on the image 620. ..

なお、図９の場合において、時刻ｔ１３から５分を超えても発生時点が取得されない場合は、浴場の利用者が倒れている可能性があるとして、出力部１０４は、情報処理装置１００のディスプレイに、警告情報を通知してもよい。 In the case of FIG. 9, if the time of occurrence is not acquired even after 5 minutes from the time t13, it is considered that the user of the bathhouse may have collapsed, and the output unit 104 displays the information processing device 100. May be notified of warning information.

また、図９の場合において、時刻ｔ１８において、重量の減少が検出され、時刻ｔ１８が、時刻ｔ１１からμ−２σ以下の時点であるとすると、重量の推移が逸脱していると判定される。この後に、時刻ｔ１９に扉の開閉が発生したとすると、出力部１０４は、時刻ｔ１９（発生時点）から時刻ｔ１８（逸脱時点）までの時間長５０５が、所定範囲内か否かを判断する。例えば、所定範囲を２分とし、時間長５０５が２分以内の長さの場合、何者かが脱衣籠の荷物を取り、浴場を去った可能性が考えられる。このような場合、出力部１０４は、窃盗の可能性がある旨の警告情報を、情報処理装置１００のディスプレイに表示する。 Further, in the case of FIG. 9, if a decrease in weight is detected at time t18 and the time t18 is at a time point of μ-2σ or less from the time t11, it is determined that the change in weight deviates. If the door is opened and closed at time t19 after this, the output unit 104 determines whether or not the time length 505 from time t19 (time of occurrence) to time t18 (time of deviation) is within a predetermined range. For example, if the predetermined range is 2 minutes and the time length 505 is within 2 minutes, it is possible that someone picked up the luggage in the undressing basket and left the bathhouse. In such a case, the output unit 104 displays warning information indicating the possibility of theft on the display of the information processing device 100.

（６．実施形態２の情報処理装置の動作）
本実施形態の情報処理装置１００の動作について説明する。例えば、情報処理装置１００は、重量センサ２１０から２４時間、所定の周期で、重量を取得しており、非重量センサ２２０からは、開閉の検知の度に開閉があった通知を受け取り、この通知に基づき開閉の発生時点を取得しているとする。情報処理装置１００のユーザの指示により、図１６に示す情報処理が実行される。 (6. Operation of Information Processing Device of Embodiment 2)
The operation of the information processing apparatus 100 of the present embodiment will be described. For example, the information processing device 100 acquires the weight from the weight sensor 210 at a predetermined cycle for 24 hours, and receives a notification from the non-weight sensor 220 that the opening / closing has occurred each time the opening / closing is detected. It is assumed that the time point of occurrence of opening / closing is acquired based on. The information processing shown in FIG. 16 is executed according to the instruction of the user of the information processing apparatus 100.

図１６のステップＳ２０１〜ステップＳ２０５、ステップＳ２０８、ステップＳ２０９の処理は、図１３のステップＳ１０１〜ステップＳ１０５、ステップＳ１０７、ステップＳ１０８の処理と同じである。 The processing of steps S201 to S205, step S208, and step S209 of FIG. 16 is the same as the processing of steps S101 to S105, step S107, and step S108 of FIG.

ステップＳ２０５において、判定部１０３が、予測後推移が予測された将来の推移から逸脱していると判断すると（ステップＳ２０５；ＹＥＳ）、出力部１０４は、取得された発生時点と、判定部１０３により逸脱していると判定された逸脱時点と、が、所定範囲内であるか否かを判断する（ステップＳ２０６）。一方、判定部１０３が、予測後推移が予測された将来の推移から逸脱していないと判断すると（ステップＳ２０５；ＮＯ）、ステップＳ２０１にもどる。例えば、出力部１０４は、非重量センサ２２０から取得した発生時点と、逸脱時点とが所定範囲内であるか否かを判断する。 In step S205, when the determination unit 103 determines that the post-prediction transition deviates from the predicted future transition (step S205; YES), the output unit 104 determines the acquired time of occurrence and the determination unit 103. It is determined whether or not the deviation time point determined to deviate is within a predetermined range (step S206). On the other hand, when the determination unit 103 determines that the post-prediction transition does not deviate from the predicted future transition (step S205; NO), the process returns to step S201. For example, the output unit 104 determines whether or not the time of occurrence acquired from the non-weight sensor 220 and the time of deviation are within a predetermined range.

出力部１０４は、発生時点と逸脱時点とが、所定範囲内であると判断すると（ステップＳ２０６；ＹＥＳ）、警告情報を出力する（ステップＳ２０７）。一方、出力部１０４は、発生時点と逸脱時点とが、所定範囲外であると判断すると（ステップＳ２０６；ＮＯ）、ステップＳ２０１に戻る。例えば、出力部１０４は、図９の場合において、時刻ｔ１７（発生時点）から時刻ｔ１３（逸脱時点）までの時間長５０４が、５分以内（所定範囲内）と判断すると、図１５に示すように、画像６２０を、情報処理装置１００のディスプレイに表示する。 When the output unit 104 determines that the time of occurrence and the time of deviation are within a predetermined range (step S206; YES), the output unit 104 outputs warning information (step S207). On the other hand, when the output unit 104 determines that the time of occurrence and the time of deviation are out of the predetermined range (step S206; NO), the output unit 104 returns to step S201. For example, in the case of FIG. 9, the output unit 104 determines that the time length 504 from the time t17 (time of occurrence) to the time t13 (time of deviation) is within 5 minutes (within a predetermined range), as shown in FIG. The image 620 is displayed on the display of the information processing apparatus 100.

本実施形態によれば、浴室や脱衣場など、プライバシーの観点からカメラ及びマイク等の装置を設置することが難しい場所において、その場所で発生している状況を推測して、ユーザに警告を通知することができる。これにより、例えば、浴場において、忘れ物がある場合や長時間入浴している利用客がいる場合に、スタッフに通知することができる。よって、監視カメラ等のデバイスが備わっていなくても、利用客に高い利便性を提供したり、利用客の安全を確保したりすることができる。 According to the present embodiment, in a place where it is difficult to install a device such as a camera and a microphone from the viewpoint of privacy, such as a bathroom or a dressing room, the situation occurring in that place is estimated and a warning is notified to the user. can do. This makes it possible to notify the staff, for example, when there is something left behind or there is a customer who has been bathing for a long time in the bathhouse. Therefore, even if a device such as a surveillance camera is not provided, it is possible to provide the user with high convenience and ensure the safety of the user.

（７．変形例）
以上、本発明の実施形態を説明したが、本発明を実施するにあたっては、種々の形態による変形及び応用が可能である。 (7. Modification example)
Although the embodiments of the present invention have been described above, various modifications and applications are possible in carrying out the present invention.

上記実施形態において、重量センサ２１０から送信される重量のデータは、情報処理装置１００の記録媒体１４に格納されるとしたが、これに限らない。重量センサ２１０から送信される重量のデータは、情報処理装置１００以外の他の装置に格納されてもよい。この場合、予測部１０２は、重量のデータが格納された他の装置にアクセスして、推移モデルを生成する。 In the above embodiment, the weight data transmitted from the weight sensor 210 is stored in the recording medium 14 of the information processing apparatus 100, but the present invention is not limited to this. The weight data transmitted from the weight sensor 210 may be stored in a device other than the information processing device 100. In this case, the prediction unit 102 accesses another device in which the weight data is stored to generate a transition model.

上記実施形態において、所定時間長区間は、ユーザが任意に設定するとしたが、これに限らない。所定時間長区間は、重量の履歴に基づいて、自動調整されてもよい。以下、所定時間長区間の候補となる時間長区間を候補時間長区間という。 In the above embodiment, the predetermined time length section is arbitrarily set by the user, but the present invention is not limited to this. The predetermined time length interval may be automatically adjusted based on the weight history. Hereinafter, a time length section that is a candidate for a predetermined time length section is referred to as a candidate time length section.

例えば、候補時間長区間ｔを様々な値に設定し、重量の履歴において、候補時間長区間ｔ内に重量が一定の状態から急に変化して、再び一定になるサンプル数ｃを求める。候補時間長区間ｔが０に近づくほど、一定になる状態が含まれなくなるので、サンプル数ｃは０に近い値をとる。一方、候補時間長区間ｔを長くすると、サンプル数ｃは、ある程度まで増加し、その後減少していく。これは、図７を例とすると、候補時間長区間ｔを長くすれば、重量Ａの増加と、重量Ｂの増加とが１つのサンプルと判断されるためである。候補時間長区間ｔを様々な値に設定して求めたサンプル数ｃのうち、最もサンプル数ｃが大きい時の候補時間長区間ｔを、所定時間長区間とする。これにより、適当な所定時間長区間を設定することができる。なお、所定時間長区間は、サンプル数ｃが最大値を取った後、例えば、９割程度まで減少した時の候補時間長区間ｔの値であってもよい。 For example, the candidate time length interval t is set to various values, and in the weight history, the number of samples c in which the weight suddenly changes from a constant state to become constant within the candidate time length interval t is obtained. As the candidate time length interval t approaches 0, the constant state is not included, so the number of samples c takes a value close to 0. On the other hand, when the candidate time length interval t is lengthened, the number of samples c increases to some extent and then decreases. This is because, for example, in FIG. 7, if the candidate time length interval t is lengthened, it is determined that the increase in weight A and the increase in weight B are one sample. Of the number of samples c obtained by setting the candidate time length interval t to various values, the candidate time length interval t when the number of samples c is the largest is defined as a predetermined time length interval. Thereby, an appropriate predetermined time length section can be set. The predetermined time length section may be the value of the candidate time length section t when the number of samples c takes the maximum value and then decreases to, for example, about 90%.

サンプル数ｃの求め方は、次のようにしてもよい。候補時間長区間tにおいて始めのt／３の区間及び終わりのt／３区間の重量が一定で、始めのt／３の区間における重量の値が、終わりのt／３区間の区間における重量の値と、十分に異なるサンプル数ｃを求める。 The number of samples c may be obtained as follows. In the candidate time length interval t, the weights of the first t / 3 section and the last t / 3 section are constant, and the weight value in the first t / 3 section is the weight in the last t / 3 section. Find the value and the number of samples c that are sufficiently different.

ここで、十分に異なるとみなすことができる重量の閾値は、例えば、最初に５００ｇのように適当な値を設定し、サンプル数ｃが最大値をとる候補時間長区間ｔを所定時間長区間とする。例えば、所定時間長区間が５分２０秒になったとすると、履歴において、所定時間長区間５分２０秒を用いて、収容パターンと取り出しパターンを検出する。例えば、図７の場合を例とすると、重量Ａ，Ｂ，Ｃに相当する重量が検出できる。このように、検出された、重量Ａ，Ｂ，Ｃ等の重量の分布を求め、求めた分布を正規分布として、正規分布の平均μａ−２×標準偏差σａの重量の値を「十分に異なるとみなすことができる重量の閾値」とする。そして、この値を用いて、所定時間長区間を求め、上記閾値を算出するということを繰り返すことにより、所定時間長区間及び上記閾値ともに、妥当な値に収束させることができる。 Here, the weight threshold value that can be regarded as sufficiently different is set to an appropriate value such as 500 g first, and the candidate time length interval t at which the number of samples c takes the maximum value is defined as the predetermined time length interval. do. For example, assuming that the predetermined time length section is 5 minutes and 20 seconds, the accommodation pattern and the extraction pattern are detected using the predetermined time length section of 5 minutes and 20 seconds in the history. For example, taking the case of FIG. 7 as an example, the weight corresponding to the weights A, B, and C can be detected. In this way, the weight distribution of the detected weights A, B, C, etc. is obtained, and the obtained distribution is used as the normal distribution, and the value of the weight of the average μ a- 2 × standard deviation σ a of the normal distribution is “sufficient”. The weight threshold that can be considered different. Then, by repeating the process of obtaining the predetermined time length interval and calculating the threshold value using this value, both the predetermined time length interval and the threshold value can be converged to appropriate values.

また、所定時間区間長を、センサが置かれている場所ごとに求めてもよい。例えば、脱衣場の例の場合、センサが男湯におかれているか女湯におかれているかによって、重量の履歴を分類し、分類された履歴に基づいて、上記のように所定時間長区間を求めてもよい。 Further, the predetermined time section length may be obtained for each place where the sensor is placed. For example, in the case of a dressing room, the weight history is classified according to whether the sensor is placed in the men's bath or the women's bath, and based on the classified history, the predetermined time length section is described as described above. May be sought.

上記実施形態２において、収容体を、脱衣籠として説明したが、これに限らない。例えば、収容体は、ロッカーであってもよい。ロッカーは、例えば、宿泊施設の貴重品入れや、宅配ボックスのロッカーである。収容体がロッカーの場合、開閉センサは、ロッカーの扉の開閉を検知する開閉センサであり、所定イベントは、ロッカーの利用を終了するためにロッカーの扉が閉まることである。これにより、ロッカーの現在の利用状況及び将来の空き状況を知ることができる。 In the second embodiment, the container has been described as an undressing basket, but the present invention is not limited to this. For example, the enclosure may be a locker. Lockers are, for example, lockers for valuables in accommodation facilities and delivery boxes. When the housing is a locker, the open / close sensor is an open / close sensor that detects the opening / closing of the locker door, and the predetermined event is that the locker door is closed to end the use of the locker. This makes it possible to know the current usage status and future availability status of the locker.

また、上記実施形態２において、出力部１０４は、発生時点と逸脱時点とが所定範囲内か否かに応じた警告情報を出力するとしたが、これに限らない。例えば、上記実施形態１において、判定部１０３が逸脱していると判断した場合に、出力部１０４が警告情報を出力するようにしてもよい。 Further, in the second embodiment, the output unit 104 outputs warning information according to whether or not the time of occurrence and the time of deviation are within a predetermined range, but the present invention is not limited to this. For example, in the first embodiment, when it is determined that the determination unit 103 deviates, the output unit 104 may output the warning information.

上記実施形態及び変形例において、標準偏差に乗じる係数を“２”として説明したが、標準偏差に乗じる係数は、“２”以外の値としても良い。また、重量の分布を正規分布に従うとしたが、これに限らず、例えば、ポアソン分布等のほかの分布を採用して、その分布に応じた収束時間長や閾値等を定めることとしてもよい。 In the above-described embodiment and modification, the coefficient for multiplying the standard deviation has been described as “2”, but the coefficient for multiplying the standard deviation may be a value other than “2”. Further, although the weight distribution follows a normal distribution, the weight distribution is not limited to this, and for example, another distribution such as a Poisson distribution may be adopted to determine the convergence time length, the threshold value, or the like according to the distribution.

本発明は、本発明の広義の精神と範囲を逸脱することなく、様々な実施の形態及び変形が可能とされるものである。また、上述した実施の形態は、この発明を説明するためのものであり、本発明の範囲を限定するものではない。すなわち、本発明の範囲は、実施の形態ではなく、特許請求の範囲によって示される。そして、特許請求の範囲内及びそれと同等の発明の意義の範囲内で施される様々な変形が、この発明の範囲内とみなされる。 The present invention allows for various embodiments and modifications without departing from the broad spirit and scope of the present invention. Moreover, the above-described embodiment is for explaining the present invention, and does not limit the scope of the present invention. That is, the scope of the present invention is indicated not by the embodiment but by the claims. Then, various modifications made within the scope of the claims and the equivalent meaning of the invention are considered to be within the scope of the present invention.

本発明は、カメラ及びマイク等の装置を設置することが難しい場所において、重量からその場所の状況を知ることが可能な情報処理装置、情報処理方法及びプログラムを提供することができる。 The present invention can provide an information processing device, an information processing method, and a program capable of knowing the situation of the place from the weight in a place where it is difficult to install a device such as a camera and a microphone.

１００ 情報処理装置
１０１ 重量取得部
１０２ 予測部
１０３ 判定部
１０４ 出力部
１０５ 入力部
１０６ 更新部
１０７ 時点取得部
２１０，２１０−Ａ，２１０−Ｂ，２１０−Ｃ 重量センサ
２２０ 非重量センサ
３００ ネットワーク
４１０，４１０−１，４１０−２，４１０−３ 脱衣籠
４２０，４２０−１，４２０−２，４２０−３ 棚
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 記録媒体
１５ 出力デバイス
１６ 通信デバイス
１７ 操作デバイス
１８ バス 100 Information processing device 101 Weight acquisition unit 102 Prediction unit 103 Judgment unit 104 Output unit 105 Input unit 106 Update unit 107 Time acquisition unit 210, 210-A, 210-B, 210-C Weight sensor 220 Non-weight sensor 300 Network 410, 410-1,410-2,410-3 Undressing basket 420,420-1,420-2,420-3 Shelf 11 CPU
12 ROM
13 RAM
14 Recording medium 15 Output device 16 Communication device 17 Operation device 18 Bus

Claims (14)

重量センサにより検知されている重量を取得する重量取得部と、
前記取得された重量の推移と、前記重量センサにより過去に検知された重量の履歴から生成された重量の推移モデルと、に基づいて前記重量センサにより検知されるべき重量の将来の推移を予測する予測部と、
を備えることを特徴とする情報処理装置。 A weight acquisition unit that acquires the weight detected by the weight sensor,
Based on the acquired weight transition and the weight transition model generated from the history of the weight detected in the past by the weight sensor, the future transition of the weight to be detected by the weight sensor is predicted. Prediction department and
An information processing device characterized by being equipped with. 前記重量センサは、施設に設置された複数の重量センサの一つであり、
前記予測部は、
前記複数の重量センサのそれぞれにより検知されるべき重量の将来の推移を予測し、
前記複数の重量センサのそれぞれについて前記予測された将来の推移に基づいて、前記施設の将来の混雑度合を予測する
ことを特徴とする請求項１に記載の情報処理装置。 The weight sensor is one of a plurality of weight sensors installed in the facility.
The prediction unit
Predict the future transition of the weight to be detected by each of the plurality of weight sensors,
The information processing apparatus according to claim 1, wherein the future congestion degree of the facility is predicted based on the predicted future transition of each of the plurality of weight sensors. 前記予測部は、前記取得された重量の推移のうち直近の所定時間長区間における推移が、所定パターンにマッチすると、前記将来の推移を予測する
ことを特徴とする請求項１に記載の情報処理装置。 The information processing according to claim 1, wherein the prediction unit predicts the future transition when the transition in the latest predetermined time length section of the acquired weight transition matches a predetermined pattern. Device. 前記所定時間長区間は、前記履歴において、前記所定時間長区間の候補となる候補時間長区間に、前記重量が一定の状態から変化して再び一定になる推移を有するサンプル数を求め、当該サンプル数が最大値をとる候補時間長区間を前記所定時間長区間とする
ことを特徴とする請求項３に記載の情報処理装置。 For the predetermined time length section, the number of samples having a transition in which the weight changes from a constant state to a constant state again is obtained in the candidate time length section that is a candidate for the predetermined time length section in the history, and the sample is obtained. The information processing apparatus according to claim 3, wherein the candidate time length section having the maximum number is set as the predetermined time length section. 前記取得された重量の推移のうち前記将来の予測がされて以後の予測後推移が、前記予測された将来の推移から逸脱しているか否かを判定する判定部
をさらに備えることを特徴とする請求項１に記載の情報処理装置。 It is characterized by further including a determination unit for determining whether or not the post-prediction transition after the future prediction is made among the acquired weight transitions deviates from the predicted future transition. The information processing device according to claim 1. 前記判定された結果に対する正否の入力を受け付ける入力部と、
前記受け付けられた入力と、前記予測後推移と、に基づいて、前記推移モデルを更新する更新部と、
をさらに備えることを特徴とする請求項５に記載の情報処理装置。 An input unit that accepts input of correctness for the determined result, and
An update unit that updates the transition model based on the received input and the post-prediction transition.
The information processing apparatus according to claim 5, further comprising. 前記重量センサは、１つの収容体に収容された物体の重量を検知するセンサであり、
前記所定パターンは、
前記収容体に対する収容の開始前から完了後に対応付けられる収容パターンであり、
前記推移モデルは、前記履歴において、前記収容パターンにマッチする重量の増加があった増加時点と、前記収容体からの取り出しの開始前から完了後に対応付けられる取り出しパターンにマッチする重量の減少があった減少時点と、の間の時間長の分布により表現される
ことを特徴とする請求項３に記載の情報処理装置。 The weight sensor is a sensor that detects the weight of an object housed in one container.
The predetermined pattern is
It is a containment pattern associated with the containment body from before the start to after the completion.
The transitive model has an increase in weight that matches the containment pattern in the history and a decrease in weight that matches the take-out pattern associated with the take-out pattern from before the start to after the take-out from the containment. The information processing apparatus according to claim 3, wherein the information processing apparatus is represented by a distribution of time lengths between the time of decrease and the time of decrease. 前記重量センサは、複数の収容体に収容された物体の総重量を検知するセンサであり、
前記所定パターンは、前記複数の収容体のいずれかに対する
収容の開始前から完了後に対応付けられる収容パターン
であり、
前記推移モデルは、前記履歴において、前記収容パターンにマッチする重量の増加があった増加時点と、前記履歴において、当該増加時点の後前記複数の収容体が空になるまでに、前記複数の収容体のいずれかに対する取り出しの開始前から完了後に対応付けられる取り出しパターンにマッチし、前記増加に呼応する重量の減少があった減少時点と、の間の時間長の分布により表現され、
前記予測部は、
前記収容パターンにマッチする重量の増加があると、直前までに予測された推移に、当該増加に相当する重量を前記分布に応じて増す
ことにより、将来の推移を予測する
ことを特徴とする請求項３に記載の情報処理装置。 The weight sensor is a sensor that detects the total weight of an object housed in a plurality of housing bodies.
The predetermined pattern is a containment pattern associated with any of the plurality of containments from before the start to after the completion of the containment.
The transitive model includes the plurality of accommodations at the time of increase in which there was an increase in weight matching the accommodation pattern in the history and before the plurality of accommodations are emptied after the time of increase in the history. It is represented by the distribution of time lengths between the point of decrease and the time of decrease in which there was a weight loss in response to the increase, matching the withdrawal pattern associated with any of the bodies before and after removal.
The prediction unit
When there is an increase in weight that matches the accommodation pattern, the claim is characterized in that the future transition is predicted by increasing the weight corresponding to the increase according to the distribution to the transition predicted immediately before. Item 3. The information processing apparatus according to item 3. 非重量センサにより検知された所定イベントの発生時点を取得する時点取得部と、
前記取得された発生時点と、前記判定部により逸脱していると判定された逸脱時点と、が、所定範囲内であるか否かに応じた警告情報を出力する出力部と、
をさらに備えることを特徴とする請求項５に記載の情報処理装置。 A time point acquisition unit that acquires the time point of occurrence of a predetermined event detected by a non-weight sensor,
An output unit that outputs warning information according to whether or not the acquired time of occurrence and the time of deviation determined by the determination unit are within a predetermined range.
The information processing apparatus according to claim 5, further comprising. 前記重量センサは、収容体に収容された物体の重量を検知し、
前記非重量センサは、前記収容体の扉の開閉、もしくは、前記収容体が設置された部屋の扉の開閉を検知する開閉センサであり、
前記所定イベントは、前記扉の開閉である
ことを特徴とする請求項９に記載の情報処理装置。 The weight sensor detects the weight of an object contained in the housing and determines the weight of the object.
The non-weight sensor is an open / close sensor that detects the opening / closing of the door of the housing or the opening / closing of the door of the room in which the housing is installed.
The information processing apparatus according to claim 9, wherein the predetermined event is opening and closing of the door. 前記重量センサは、複数の脱衣籠を収容可能な棚の棚板の上面に設置され、前記複数の脱衣籠ならびに当該複数の脱衣籠に収容された物体の重量を検知し、
前記非重量センサは、前記棚が設置される部屋の扉の開閉を検知する開閉センサであり、
前記所定イベントは、前記扉の開閉である
ことを特徴とする請求項９に記載の情報処理装置。 The weight sensor is installed on the upper surface of a shelf board of a shelf capable of accommodating a plurality of undressing baskets, and detects the weights of the plurality of undressing baskets and objects contained in the plurality of undressing baskets.
The non-weight sensor is an open / close sensor that detects the opening / closing of the door of the room in which the shelf is installed.
The information processing apparatus according to claim 9, wherein the predetermined event is opening and closing of the door. 前記重量センサは、ロッカーに収容された物体の重量を検知し、
前記非重量センサは、前記ロッカーの扉の開閉を検知する開閉センサであり、
前記所定イベントは、前記ロッカーの利用を終了するために前記ロッカーの扉が閉まることである
ことを特徴とする請求項９に記載の情報処理装置。 The weight sensor detects the weight of an object contained in the rocker and determines the weight of the object.
The non-weight sensor is an open / close sensor that detects the opening / closing of the locker door.
The information processing apparatus according to claim 9, wherein the predetermined event is that the door of the locker is closed in order to end the use of the locker. 情報処理装置が、
重量センサにより検知されている重量を取得し、
前記取得された重量の推移と、前記重量センサにより過去に検知された重量の履歴から生成された重量の推移モデルと、に基づいて前記重量センサにより検知されるべき重量の将来の推移を予測する
ことを特徴とする情報処理方法。 Information processing device
Obtain the weight detected by the weight sensor and
Based on the acquired weight transition and the weight transition model generated from the history of the weight detected in the past by the weight sensor, the future transition of the weight to be detected by the weight sensor is predicted. An information processing method characterized by the fact that. コンピュータを、
重量センサにより検知されている重量を取得する重量取得部、
前記取得された重量の推移と、前記重量センサにより過去に検知された重量の履歴から生成された重量の推移モデルと、に基づいて前記重量センサにより検知されるべき重量の将来の推移を予測する予測部
として機能させることを特徴とするプログラム。 Computer,
Weight acquisition unit that acquires the weight detected by the weight sensor,
Based on the acquired weight transition and the weight transition model generated from the history of the weight detected in the past by the weight sensor, the future transition of the weight to be detected by the weight sensor is predicted. A program characterized by functioning as a predictor.
JP2020081539A 2020-05-01 2020-05-01 Information processing equipment, information processing methods and programs Active JP6959392B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020081539A JP6959392B1 (en) 2020-05-01 2020-05-01 Information processing equipment, information processing methods and programs

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020081539A JP6959392B1 (en) 2020-05-01 2020-05-01 Information processing equipment, information processing methods and programs

Publications (2)

Publication Number Publication Date
JP6959392B1 JP6959392B1 (en) 2021-11-02
JP2021176060A true JP2021176060A (en) 2021-11-04

Family

ID=78282122

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020081539A Active JP6959392B1 (en) 2020-05-01 2020-05-01 Information processing equipment, information processing methods and programs

Country Status (1)

Country Link
JP (1) JP6959392B1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014114129A (en) * 2012-12-11 2014-06-26 Toshiba Corp Elevator controller
JP2014189338A (en) * 2013-03-26 2014-10-06 Hitachi Ltd Elevator system
JP2017091008A (en) * 2015-11-04 2017-05-25 株式会社日立製作所 Data processing method and data processing system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014114129A (en) * 2012-12-11 2014-06-26 Toshiba Corp Elevator controller
JP2014189338A (en) * 2013-03-26 2014-10-06 Hitachi Ltd Elevator system
JP2017091008A (en) * 2015-11-04 2017-05-25 株式会社日立製作所 Data processing method and data processing system

Also Published As

Publication number Publication date
JP6959392B1 (en) 2021-11-02

Similar Documents

Publication Publication Date Title
CN108230574B (en) Storage terminal pickup method and device and electronic equipment
US10600267B2 (en) Storage apparatus and storage system
CN105518755A (en) Security system, security method, and non-temporary computer-readable medium
US20200258035A1 (en) Locker management system
EP3671441A1 (en) Application management method and apparatus, storage medium, and electronic device
KR20170142278A (en) Method and system for intergrated managing of accommodations
CN110675570A (en) Control method and device of express cabinet, express cabinet and storage medium
JP6765224B2 (en) Storage device
CN111599104A (en) Method, system and storage medium for distributing goods
CN110648468A (en) Express cabinet, management method thereof and computer-readable storage medium
JP6959392B1 (en) Information processing equipment, information processing methods and programs
US9953267B2 (en) Control method and non-transitory computer readable recording medium
US20210374389A1 (en) Control method for notification system, and notification system
US11658496B1 (en) Methods and systems for charging and monitoring electronic devices in confinement institutions
CN107832848B (en) Application management method, device, storage medium and electronic equipment
JP7145532B2 (en) Mobile terminal and communication method
JP2009176204A (en) Monitoring system and monitoring method
JP6814553B2 (en) Custody notification system
CN107851369B (en) Information processing apparatus, information processing method, and computer-readable storage medium
EP3279878B1 (en) Monitoring system, control method, and recording medium
CN107870791B (en) Application management method, device, storage medium and electronic equipment
JP6238783B2 (en) Storage management system
CN106291016A (en) A kind of intelligent electric meter preventing power stealing
CN110942584B (en) Laboratory access door
CN114023010A (en) Control method and device of storage cabinet

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200501

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210622

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210819

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: 20210914

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211007

R150 Certificate of patent or registration of utility model

Ref document number: 6959392

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150