JP2021535971A

JP2021535971A - 外部３ｄモデリングおよびニューラルネットワークを使用する制御方法およびシステム

Info

Publication number: JP2021535971A
Application number: JP2021506267A
Authority: JP
Inventors: ラスムス−ヴォラス、ジャック; デイビッドツェードリッツ、ジェイソン; ドウッタ、ラノジョイ; イン、ユヤン; エリッチアール．クラウアン、; シュリヴァスタヴァ、ダイリャ
Original assignee: Soladigm Inc
Current assignee: View Inc
Priority date: 2018-08-15
Filing date: 2019-08-14
Publication date: 2021-12-23
Also published as: WO2020037055A1; AU2019320784A1; EP3837414A1; CN112771241A; CA3109581A1; TW202034051A; KR20210058839A

Abstract

未来の環境状態の予報に基づいて、建物における窓の１つ以上のゾーンの色付けを制御するためのシステム。【選択図】図１１

Description

優先権情報
本出願は、２０１８年８月１５日に出願され、「ＣＯＮＴＲＯＬＭＥＴＨＯＤＳＡＮＤＳＹＳＴＥＭＳＵＳＩＮＧＥＸＴＥＲＮＡＬ３ＤＭＯＤＥＬＩＮＧＡＮＤＮＥＵＲＡＬＮＥＴＷＯＲＫＳ」の題の米国仮特許出願第６２／７６４，８２１号、２０１８年１０月１５日に出願され、「ＣＯＮＴＲＯＬＭＥＴＨＯＤＳＡＮＤＳＹＳＴＥＭＳＵＳＩＮＧＥＸＴＥＲＮＡＬ３ＤＭＯＤＥＬＩＮＧＡＮＤＮＥＵＲＡＬＮＥＴＷＯＲＫＳ」の題の米国仮特許出願第６２／７４５，９２０号、および２０１９年２月１４日に出願され、「ＣＯＮＴＲＯＬＭＥＴＨＯＤＳＡＮＤＳＹＳＴＥＭＳＵＳＩＮＧＥＸＴＥＲＮＡＬ３ＤＭＯＤＥＬＩＮＧＡＮＤＮＥＵＲＡＬＮＥＴＷＯＲＫＳ」の題の米国仮特許出願第６２／８０５，８４１号に対する利益および優先権を主張し、また本出願は、２０１９年３月２０日に出願され、「ＣＯＮＴＲＯＬＭＥＴＨＯＤＳＡＮＤＳＹＳＴＥＭＳＵＳＩＮＧＥＸＴＥＲＮＡＬ３ＤＭＯＤＥＬＩＮＧＡＮＤＳＣＨＥＤＵＬＥ−ＢＡＳＥＤ」の題の国際ＰＣＴ出願第ＰＣＴ／ＵＳ１９／２３２６８号の一部継続出願であり、この出願は、２０１８年３月２１日に出願され「ＭＥＴＨＯＤＳＡＮＤＳＹＳＴＥＭＳＦＯＲＣＯＮＴＲＯＬＬＩＮＧＴＩＮＴＡＢＬＥＷＩＮＤＯＷＳＷＩＴＨＣＬＯＵＤＤＥＴＥＣＴＩＯＮ」の題の米国仮特許出願第６２／６４６，２６０号および２０１８年５月３日に出願され、「ＣＯＮＴＲＯＬＭＥＴＨＯＤＳＡＮＤＳＹＳＴＥＭＳＵＳＩＮＧＥＸＴＥＲＮＡＬ３ＤＭＯＤＥＬＩＮＧＡＮＤＳＣＨＥＤＵＬＥ−ＢＡＳＥＤＣＯＭＰＵＴＩＮＧ」の題の米国仮特許出願第６２／６６６，５７２号に対する利益および優先権を主張し、国際ＰＣＴ出願第ＰＣＴ／ＵＳ１９／２３２６８号は、２０１８年６月２０日に出願され、「ＣＯＮＴＲＯＬＭＥＴＨＯＤＦＯＲＴＩＮＴＡＢＬＥＷＩＮＤＯＷＳ」の題の米国特許出願第１６／０１３，７７０号の一部継続であり、この出願は、２０１６年１１月９日に出願され、「ＣＯＮＴＲＯＬＭＥＴＨＯＤＦＯＲＴＩＮＴＡＢＬＥＷＩＮＤＯＷＳ」の題の米国特許出願第１３／３４７，６７７号の継続であり、米国特許出願第１５／３４７，６７７号は、２０１５年５月７日に出願され、「ＣＯＮＴＲＯＬＭＥＴＨＯＤＦＯＲＴＩＮＴＡＢＬＥＷＩＮＤＯＷＳ」の題の国際ＰＣＴ出願第ＰＣＴ／ＵＳ１５／２９６７５号の一部継続であり、この出願は、２０１４年５月９日に出願され、「ＣＯＮＴＲＯＬＭＥＴＨＯＤＦＯＲＴＩＮＴＡＢＬＥＷＩＮＤＯＷＳ」の題の６１／９９１，３７５に対する利益およびそれに対する優先権を主張し、米国特許出願第１５／３４７，６７７号はまた、２０１３年２月１３日に出願され、「ＣＯＮＴＲＯＬＭＥＴＨＯＤＦＯＲＴＩＮＴＡＢＬＥＷＩＮＤＯＷＳ」の題の米国特許出願第１３／７７２，９６９号の一部継続であり、この出願はまた、２０１９年６月１１日に出願され、「ＡＰＰＬＩＣＡＴＩＯＮＳＦＯＲＣＯＮＴＲＯＬＬＩＮＧＯＰＴＩＣＡＬＬＹＳＷＩＴＣＨＡＢＬＥＤＥＶＩＣＥＳ」の題の米国特許出願第１６／４３８，１７７号の一部継続であり、この出願は、２０１４年１０月７日に出願され、「ＡＰＰＬＩＣＡＴＩＯＮＳＦＯＲＣＯＮＴＲＯＬＬＩＮＧＯＰＴＩＣＡＬＬＹＳＷＩＴＣＨＡＢＬＥＤＥＶＩＣＥＳ」の題の米国特許出願第１４／３９１，１２２号の継続であり、米国特許出願第１４／３９１，１２２号は、「ＡＰＰＬＩＣＡＴＩＯＮＳＦＯＲＣＯＮＴＲＯＬＬＩＮＧＯＰＴＩＣＡＬＬＹＳＷＩＴＣＨＡＢＬＥＤＥＶＩＣＥＳ」の題で２０１３年４月１２日に出願された国際ＰＣＴ出願第ＰＣＴ／ＵＳ２０１３／０３６４５６号の米国特許法第３７１条下の国内段階出願であり、この出願は、「ＡＰＰＬＩＣＡＴＩＯＮＳＦＯＲＣＯＮＴＲＯＬＬＩＮＧＯＰＴＩＣＡＬＬＹＳＷＩＴＣＨＡＢＬＥＤＥＶＩＣＥＳ」の題で２０１２年４月１３日に出願された米国仮特許第６１／６２４，１７５号に対する利益と優先権を主張し、これらの出願の各々は、その全体およびあらゆる目的のため参照により本明細書に組み込まれる。

本明細書に開示の実施形態は、概して、着色可能窓（例えば、エレクトロクロミック窓）の色合いおよびその他の機能を制御する方法を実装するための窓コントローラおよび関連の制御ロジックに関する。

エレクトロクロミズムは、通常電圧変化を受けることによって、異なる電子状態に置かれると、物質が光学的性質において可変電気化学的媒介変化を呈する現象である。光学的性質は、典型的には、色、透過、吸収、および反射のうちの１つ以上である。良く知られているエレクトロクロミック物質の１つは、酸化タングステン（ＷＯ_３）である。酸化タングステンは、着色遷移である青への遷移が電気化学的還元によって起こるカソードエレクロクロミック物質である。

エレクトクロミック物質は、例えば、家庭用、商業用、および他の使用で窓に組み込まれ得る。このような窓の色、透過、吸収、および／または反射は、エレクトロクロミック物質の変化を誘発することによって変わる可能性があり、すなわち、エレクトロクロミック窓は、電子的に明るくまたは暗くすることができる窓である。窓のエレクトロクロミックデバイスに印加された小さな電圧は、窓を暗くさせ、電圧を反転させることにより、窓を明るくさせる。この能力により、窓を透過する光の量の制御が可能になり、エレクトロクロミック窓がエネルギ節約デバイスとして使用される機会を与える。

エレクトロクロミズムは、１９６０年代に発見されたが、エレクトロクロミックデバイス、特にエレクトロクロミック窓は、残念ながら依然として様々な問題を抱え、エレクトロクロミック技術、装置、およびエレクトロクロミックデバイスを作るかつ／または使用する関連の方法における多くの最近の進歩にも関わらず、その十分な商業的可能性を実現することが始まっていない。

一実施形態において、本発明は、着色可能窓、着色可能窓に結合された窓コントローラ、および窓コントローラに結合された１つ以上の予報モジュールを備える制御システムから成り、１つ以上の予報モジュールは、少なくとも１つのセンサからの信号を処理するように、また未来のある時点で環境状態の予報を示す１つ以上の出力および／またはその未来のある時点で着色可能窓に望ましい窓色合いを与えるように構成された制御ロジックを備え、窓コントローラは、１つ以上の出力に基づき着色可能窓を制御するように構成された制御ロジックを備える。一実施形態において、１つ以上の予報モジュールは、ニューラルネットワークを備える。一実施形態において、ニューラルネットワークには、ＬＳＴＭネットワークが含まれる。一実施形態において、ニューラルネットワークには、ＤＮＮネットワークが含まれる。一実施形態において、環境状態の予報には、短期環境状態および比較的長期の環境状態が含まれる。一実施形態において、１つ以上の予報モジュールは、機械学習を実装するように構成される。一実施形態において、少なくとも１つのセンサには、フォトセンサおよび／または赤外線センサが含まれる。一実施形態において、環境状態には、気象状態が含まれる。一実施形態において、環境状態には、太陽の位置が含まれる。一実施形態において、１つ以上の出力は、最大フォトセンサ値のローリング平均値および／または最小赤外線センサ値のローリング中央値に基づく。一実施形態において、１つ以上の予報モジュールは、読み取り値の時系列から重心平均値を計算するように構成される。

一実施形態において、本発明は、複数の着色可能窓、複数の着色可能窓に結合された１つ以上の窓コントローラ、１つ以上の環境状態を表す第１の出力を与えるように構成された少なくとも１つのセンサ、および１つ以上の窓コントローラに結合された１つ以上のニューラルネットワークを備える制御システムから成り、ニューラルネットワークは、第１の出力を処理するように、かつ未来の環境状態の予報を表す第２の出力を与えるように構成された制御ロジックを備え、１つ以上の窓コントローラは、第２の出力に基づき複数の着色可能窓の色合い状態を制御するように構成された制御ロジックを備える。一実施形態において、未来の環境状態には、気象状態が含まれる。一実施形態において、ニューラルネットワークには、教師ありニューラルネットワークが含まれる。一実施形態において、ニューラルネットワークには、ＬＳＴＭニューラルネットワークおよびＤＮＮニューラルネットワークが含まれる。一実施形態において、少なくとも１つのセンサには、少なくとも１つのフォトセンサおよび少なくとも１つの赤外線センサが含まれ、第１の出力には、最大フォトセンサ読み取り値のローリング平均値および最小赤外線センサ読み取り値のローリング中央値が含まれる。一実施形態において、第２の出力は、ＬＳＴＭニューラルネットワークとＤＮＮニューラルネットワークとの大筋合意に基づく。

一実施形態において、本発明は、少なくとも１つの着色可能窓を制御する方法から成り、方法は、１つ以上のセンサを使用して、最近の環境状態を表す出力を与えるステップと、出力を制御ロジックに結合するステップと、制御ロジックを使用して、未来の環境状態を予報するステップと、制御ロジックを使用して、未来の環境状態の予報に基づき少なくとも１枚の着色可能窓の色合いを制御するステップと、を含む。一実施形態において、１つ以上のセンサには、１つ以上のフォトセンサおよび１つ以上の赤外線センサが含まれる。一実施形態において、制御ロジックは、ＬＳＴＭニューラルネットワークおよびＤＮＮニューラルネットワークのうちの少なくとも１つを備える。一実施形態において、出力には、最大フォトセンサ読み取り値のローリング平均値および最小赤外線センサ読み取り値のローリング中央値が含まれる。

一実施形態において、本発明は、現場別の季節によって違いを付けた気象データを使用して着色可能窓を制御する方法から成り、方法は、現場において、Ｎ日の期間にわたって少なくとも１つのセンサから環境読み取り値を得ることと、コンピュータ可読媒体にこの読み取り値を格納することと、Ｎ日のうちの一番最近である日またはＮ日のうちの一番最近である日の翌日に、少なくとも１つのセンサからの環境読み取り値のあり得る未来の範囲の分布を表す第１の出力を与えるように構成された制御ロジックで読み取り値を処理することと、第１の出力に少なくとも部分的に基づき着色可能窓の色合いを制御することと、を含む。一実施形態において、制御ロジックは、教師なし分類子を備える。一実施形態において、本発明は、Ｎ日のうちの一番最近である日またはＮ日のうちの一番最近である日の翌日に、制御ロジックを使用して、現場における環境状態を予報することをさらに含む。一実施形態において、制御ロジックは、ニューラルネットワークを備える。一実施形態では、制御ロジックは、少なくとも１つのセンサからの信号を処理するように、また未来のある時点における着色可能窓に望ましい窓色合いを示す第２の出力を与えるように構成された１つ以上の予報モジュールを備え、この方法は、第２の出力に少なくとも部分的に基づき着色可能窓の色合いを制御することをさらに含む。一実施形態において、１つ以上の予報モジュールは、ニューラルネットワークを備える。一実施形態において、ニューラルネットワークには、ＬＳＴＭネットワークが含まれる。一実施形態において、ニューラルネットワークには、ＤＮＮネットワークが含まれる。一実施形態において、第２の出力は、ＬＳＴＭニューラルネットワークとＤＮＮニューラルネットワークとの大筋合意に基づく。

一実施形態において、本発明は、建物管理システムで構成され、建物管理システムは、環境読み取り値を取得するように構成された少なくとも１つのセンサと、環境読み取り値を格納するための記憶域と、環境読み取り値を処理するように、また少なくとも１つのセンサからの環境読み取り値のあり得る未来の範囲を表す第１の出力を与えるように構成された制御ロジックであって、第１の出力が、建物のシステムを少なくとも部分的に制御するのに使用される、制御ロジックと、を備える。一実施形態において、システムは、少なくとも１つの着色可能窓および少なくとも１つの着色可能窓コントローラを備える。一実施形態において、制御ロジックは、最近の環境読み取り値を処理するように、また未来のある時点における未来の環境状態の予報を表す第２の出力を提供するように構成された１つ以上のニューラルネットワークを備える。一実施形態において、少なくとも１つの窓コントローラは、第１または第２の出力に少なくとも部分的に基づいて、少なくとも１つの着色可能窓の色合い状態を制御するように構成される。一実施形態において、少なくとも１つのセンサは、建物の屋根または壁上に位置する。一実施形態において、格納された環境読み取り値には、複数日にわたって取得された読み取り値が含まれ、最近の環境読み取り値には、同じ日に取得された読み取り値が含まれる。一実施形態において、同じ日に取得された読み取り値には、数分程度の時間枠にわたって取得された読み取り値が含まれる。一実施形態において、時間枠は、５分である。一実施形態において、第２の出力は、未来のある時点における少なくとも１つの着色可能窓に望ましい窓色合いを示し、また少なくとも１つの着色可能窓コントローラを使用して、未来のある時点における望ましい窓色合いを実現するように、少なくとも１つの着色可能窓を制御する、少なくとも１つの規則から成る。一実施形態において、第２の出力は、ＬＳＴＭニューラルネットワークとＤＮＮニューラルネットワークとの大筋合意に基づく。一実施形態において、制御ロジックは、教師なし分類子を備える。

一態様は、着色可能窓、着色可能窓と通信する窓コントローラ、および窓コントローラと通信し、１つ以上の予報モジュールを備える別のコントローラまたはサーバを備える制御システムであって、１つ以上の予報モジュールが、少なくとも１つのセンサからの読み取り値を使用して、未来のある時点における環境状態の予報および／または未来のある時点における着色可能窓の着色レベルを含む１つ以上の出力を決定するように構成された制御ロジックを備え、窓コントローラが、１つ以上の出力に基づき着色可能窓を遷移させるように構成されている、制御システムに関係する。一例において、１つ以上の予報モジュールは、ニューラルネットワーク（例えば、高密度ニューラルネットワークまたは長短期記憶（ＬＳＴＭ：ＬｏｎｇＳｈｏｒｔーＴｅｒｍＭｅｍｏｒｙ）ネットワーク）を備える。

一態様は、複数の着色可能窓、複数の着色可能窓を制御するように構成された１つ以上の窓コントローラ、第１の出力を与えるように構成された少なくとも１つのセンサ、および少なくとも１つのニューラルネットワークを含み、１つ以上の窓コントローラと通信する１つ以上のプロセッサを備える制御システムであって、少なくとも１つのニューラルネットワークが、第１の出力を処理するように、かつ未来の環境状態の予報を含む第２の出力を与えるように構成され、１つ以上の窓コントローラが、第２の出力に基づき、複数の着色可能窓の着色状態を制御するように構成されている、制御システムに関係する。

一態様は、少なくとも１つの着色可能窓を制御する方法に関係する。この方法は、１つ以上のセンサから出力を受信するステップと、制御ロジックを使用して未来の環境状態を予報するステップと、未来の環境状態の予報に基づき少なくとも１つの着色可能窓の制御色合いを決定するステップと、を含む。

一態様は、現場別の季節によって違いを付けた気象データを使用して着色可能窓を制御する方法であって、現場にある少なくとも１つのセンサから期間Ｎ日にわたって環境読み取り値を受信し、その読み取り値をＮ日のうちの一番最近である日、またはＮ日のうちの一番最近である日の翌日に、コンピュータ可読媒体に格納し、制御ロジックで読み取り値を処理して、少なくとも１つのセンサからの環境読み取り値のあり得る未来の範囲の分布を表す第１の出力を決定し、第１の出力に少なくとも部分的に基づき決定された色合いレベルに着直可能窓を遷移させるための色合い命令を送信することを含む、方法に関係する。

一態様は、環境読み取り値を取得するように構成された少なくとも１つのセンサ、環境読み取り値を格納するためのメモリ、およびメモリに格納され、環境読み取り値を処理して、少なくとも１つのセンサからの環境読み取り値のあり得る未来の範囲を表す第１の出力を決定するように構成された制御ロジックを備える建物制御システムであって、第１の出力が、建物のシステムを少なくとも部分的に制御するのに使用される、建物制御システムに関係する。

一態様は、建物にある着色可能窓を制御するための制御システムに関係する。制御システムは、１つ以上の窓コントローラと、そのときのもしくは過去の気象条件に対応した履歴センサ読み取り値を受信するように構成されたサーバまたは別のコントローラであって、履歴センサ読み取り値に基づき未来の気象条件を予報し、未来の環境状態に基づき色合いスケジュール命令を決定するように構成された少なくとも１つのニューラルネットワークを備える制御ロジックを有する、サーバまたは別のコントローラと、を備える。１つ以上の窓コントローラは、サーバまたは他のコントローラから受信した色合いスケジュール命令、ならびに幾何学的モデルおよび晴天モデルから受信した色合いスケジュール命令のうちの１つに基づき、建物の１枚以上の着色可能窓の色合いレベルを制御するように構成される。

一態様は、１枚以上の着色可能窓の色合い状態を決定する方法に関係する。方法は、（ａ）１枚以上の着色可能窓の色合い状態の選択に影響を及ぼすそのときまたは未来の外部条件を決定することと、（ｂ）一組のモデルから、そのときまたは未来の外部条件下で、他のモデルよりもうまく働くと判断された第１のモデルを一連のモデルから選択することであって、一組のモデルのうちのモデルが、複数の集合の外部条件下で、１枚以上の着色可能窓の色合い状態、または１枚以上の着色可能窓の色合い状態を決定するのに使用される情報を決定するように訓練された機械学習モデルである、選択することと、（ｃ）第１のモデルを実行し、第１のモデルの出力を使用して、１枚以上の着色可能窓のそのときまたは未来の色合い状態を決定することと、を含む。

一態様は、１枚以上の着色可能窓の色合い状態を決定するように構成されたシステムに関係する。システムは、プロセッサおよびメモリを備え、プロセッサおよびメモリは、（ａ）１枚以上の着色可能窓の色合い状態の選択に影響を及ぼすそのときまたは未来の外部条件を決定することと、（ｂ）そのときまたは未来の外部条件下で一組のモデルから、他のモデルよりもうまく働くと判断された第１のモデルを一組のモデルから選択することであって、一組のモデルのうちのモデルが、複数の集合の外部条件下で、１枚以上の着色可能窓の色合い状態、または１枚以上の着色可能窓の色合い状態を決定するのに使用される情報を決定するように訓練された機械学習モデルである、選択することと、（ｃ）第１のモデルを実行し、第１のモデルの出力を使用して、１枚以上の着色可能窓のそのときまたは未来の色合い状態を決定することと、を行うように構成される。

一態様は、１枚以上の着色可能窓の色合い状態を決定するための計算システムを生成する方法に関係する。方法は、（ａ）履歴放射線プロファイルまたはパターンに基づき異なるタイプの外部条件をクラスタリングするまたは分類することと、（ｂ）異なるタイプの外部条件の各々に対し機械学習モデルを訓練することであって、機械学習モデルが、複数の集合の外部条件下で、１枚以上の着色可能窓の色合い状態、または１枚以上の着色可能窓の色合い状態を決定するのに使用される情報を決定するように訓練された機械学習モデルである、訓練することと、を含む。

一態様は、複数の外部条件集合下で、１枚以上の着色可能窓の色合い状態、または１枚以上の着色可能窓の色合い状態を決定するのに使用される情報を決定するように訓練された機械学習モデルの特徴入力部分集合を特定する方法に関係する。方法は、（ａ）機械学習モデルに使用可能な特徴入力集合に対して特徴除去手順を行うことにより、使用可能な特徴入力のうちの１つ以上を取り除き、特徴入力部分集合を作り出すことと、（ｂ）特徴入力部分集合で機械学習モデルを初期化することと、を含む。

一態様は、複数の外部条件集合下で、１枚以上の着色可能窓の色合い状態、または１枚以上の着色可能窓の色合い状態を決定するのに使用される情報を決定するように訓練された機械学習モデル用の特徴入力部分集合を特定するように構成されたシステムに関係する。システムは、プロセッサおよびメモリを備え、プロセッサおよびメモリは、（ａ）機械学習モデルに使用可能な特徴入力集合に対して特徴除去手順を行うことにより、使用可能な特徴入力のうちの１つ以上を取り除き、特徴入力部分集合を作り出すことと、（ｂ）特徴入力部分集合で機械学習モデルを初期化することと、を行うように構成される。

これらおよび他の特徴ならびに実施形態を、図面を参照して以下でさらに詳しく説明することにする。

ガラス基板、すなわちエレクトロクロミックライト上に形成されたエレクトロクロミックデバイスの概略図を示す。ガラス基板、すなわちエレクトロクロミックライト上に形成されたエレクトロクロミックデバイスの概略図を示す。ガラス基板、すなわちエレクトロクロミックライト上に形成されたエレクトロクロミックデバイスの概略図を示す。絶縁ガラスユニットに一体化された図１Ａ〜１Ｃに関係して記載したようなエレクトロクロミックライトの断面概略図である。絶縁ガラスユニットに一体化された図１Ａ〜１Ｃに関係して記載したようなエレクトロクロミックライトの断面概略図である。エレクトロクロミックデバイスの概略断面を描写する。色褪せ状態（または色褪せ状態への遷移）におけるエレクトロクロミックデバイスの概略断面を描写する。図３Ｂに示されるエレクトロクロミックデバイスであるが色付き状態（または色付き状態への遷移）のエレクトロクロミックデバイスの概略断面を描写する。窓コントローラの構成要素の簡略ブロック図を描写する。本開示の実施形態による、着色可能窓および少なくとも１つのセンサを含む部屋の概略図である。特定の実装形態による、建物および建物管理システム（ＢＭＳ：ＢｕｉｌｄｉｎｇＭａｎａｇｅｍｅｎｔＳｙｓｔｅｍ）の例の概略図である。特定の実装形態による、建物の１枚以上の着色可能窓の機能を制御するためのシステムの構成要素のブロック図である。様々な実装形態による、クラウドネットワークにおいて晴天モデルを維持し、またモデルからの出力から導出されたデータに基づき、建物の着色可能窓を制御するのに関わる、システムおよびユーザの全体的なシステムアーキテクチャを描写する概略図である。一例による、建物現場の３Ｄモデルの図である。一例による、３Ｄモデルに基づくグレア／影および反射モデルの視覚化の図であり、晴天条件下で空の１つの位置における太陽からの直射日光光線を示す。図８に示されるシステムアーキテクチャのシステムのうちのいくつかの間で伝えられるデータフローの説明的な例である。実装形態による、晴天モデルスケジュール情報を生成する際の晴天モジュールの論理演算の例の概略図である。図８に示されるシステムアーキテクチャのクラウドベースのシステムを通るモデルデータフローの概略描写である。様々な実装形態による、３Ｄモデルプラットフォームにおいて３Ｄモデルを初期化するのに伴う全体的な作業のフローチャートである。様々な実装形態による、条件モデルを生成する、３Ｄモデルに属性を割り当てるのに伴う全体的な作業、および晴天スケジュール作成情報を生成するのに伴う他の作業のフローチャートである。様々な実装形態による、３Ｄモデル化プラットフォームにおける窓管理の視覚化の例である。様々な実装形態による、３Ｄモデル化プラットフォームにおけるゾーン管理の視覚化の例である。様々な実装形態による、３Ｄモデル化プラットフォームにおけるゾーン管理の視覚化の例である。様々な実装形態による、ゾーン管理においてユーザに使用され得るインターフェースの例である。様々な実装形態による、ゾーン管理において各ゾーンに割り当てられた性質を見直すのにユーザに使用され得るインターフェースの例である。一実装形態による、３Ｄモデルの床に描かれた２次元ユーザ位置の図解例である。上眼レベルに図２０Ａの２次元物体を押し出すことによって生成された３次元居住領域の図解例である。図２０Ｂに示される３次元居住領域に基づき非グレア条件に戻ったグレア／影モデルを使用する図解例である。図２０Ｂに示される３次元居住領域に基づきグレア条件に戻った直接反射（１回跳ね返り）モデルを使用する図解例である。一態様による、ユーザ入力を実施して、建物現場の晴天３Ｄモデルをカスタマイズする動作およびプロセスのフローチャートである。様々な実装形態による、汎用制御ロジックにより、建物における着色可能窓の１つ以上のゾーンを制御する窓制御システムを描写する。様々な実装形態による、モジュールＡ〜Ｅからの出力に基づき、制御ロジックにより色合い決定を行うフローチャートを描写する。様々な実装形態による、モジュールからの出力に基づき、汎用制御ロジックにより、色合い決定を行うフローチャートを描写する。動的モデル選択への１つの手法を示すフローチャートを提示する。ライブモデル選択に使用され得る異なるクラスタまたはモデルに特有な放射線プロファイル例を提示する。動的モデル選択用のアーキテクチャの例のブロック図を提示する。動的モデル選択プロセスで、昼から日没に実施されるストレステストの結果を提示する。周期的入力特徴フィルタ処理を採用するモデル更新のプロセスのフローチャートを提示する。モデル再初期化および再アーキテクチャの例を表す。

以下の発明を実施するための形態では、提示の実施形態の十分な理解をもたらすために、多くの具体的内容が示される。本開示の実施形態は、何らかまたはこれらの具体的内容なく実施され得る。不必要に本開示の実施形態を分かりにくくしないように、よく知られているプロセス作業が詳細には述べられない場合もある。本開示の実施形態が具体的な実施形態と合わせて述べられるが、本開示の実施形態を限定することを意図するものではないことが分かるであろう。本開示の実施形態は、エレクトロクロミック窓（スマート窓とも呼ばれる）に焦点を合わせているが、本明細書に開示の態様が他の型の着色可能窓に当てはまり得ることを理解されたい。例えば、エレクトロクロミックデバイスの代わりに液晶デバイスまたは浮遊粒子デバイスを組み込んだ着色可能窓は、本開示の実施形態のいずれかに組み込まれる可能性がある。

Ｉ．エレクトロクロミックデバイスおよび窓コントローラの全体像
読み手を本明細書に開示のシステムおよび方法の実施形態に向けるために、エレクトロクロミックデバイスおよび窓コントローラの簡単な記述を提供する。この最初の考察は、単に文脈上提供し、システム、窓コントローラ、および方法の続いて記載の実施形態は、この最初の考察の具体的な特徴および製造プロセスに限定されるものではない。

Ａ．エレクトロクロミックデバイス
本明細書に記載の実施形態を示すために、エレクトロクロミックライトの特定の例を図１Ａ〜１Ｃを参照して説明する。図１Ａは、ガラス板１０５で始まって製造されたエレクトロクロミックライト１００の断面表現である（図１Ｃの断面切り口Ｘ'−Ｘ'参照）。図１Ｂは、エレクトロクロミックライト１００の端面図であり（図１Ｃの視点Ｙ−Ｙ'参照）、図１Ｃは、エレクトロクロミックライト１００の上から見下ろした図である。図１Ａは、ガラス板１０５上の製造後、縁がライトの周囲にエリア１４０を生み出すように削除されたエレクトロクロミックライトを示す。エレクトロクロミックライトは、またレーザスクライブ加工され、バスバーが取り付けられている。ガラスライト１０５には拡散障壁１１０、および拡散障壁上に第１の透明酸化物導電層（ＴＣＯ：ＴｒａｎｓｐａｒｅｎｔＣｏｎｄｕｃｔｉｎｇＯｘｉｄｅｌａｙｅｒ）１１５がある。この例では、縁削除プロセスにより、ＴＣＯ１１５および拡散障壁１１０の両方が取り除かれるが、他の実施形態では、ＴＣＯのみが取り除かれ、拡散障壁が無傷で残る。ＴＣＯ１１５は、ガラス板上に製造されたエレクトロクロミックデバイスの電極を形成するのに使用される２つの導電性層のうちの第１の層である。この例では、ガラス板には、基礎となるガラスおよび拡散障壁層が含まれる。このように、この例では、拡散障壁が形成され、次に第１のＴＣＯ、エレクトロクロミックスタック１２５（例えば、エレクトロクロミック層、イオン伝導体層、および対電極層を有する）、および第２のＴＣＯ１３０が形成される。一実施形態において、エレクトロクロミックデバイス（エレクトロクロミックスタックおよび第２のＴＣＯ）は、ガラス板が、スタックの製造中、常時、一体型堆積システムを離れない、一体型堆積システムにおいて製造される。一実施形態において、第１のＴＣＯ層もまた、一体型堆積システムを使用して製造される、このシステムではガラス板が、エレクトロスタックおよび（第２の）ＴＣＯ層の堆積中離れない。一実施形態において、すべての層（拡散障壁、第１のＴＣＯ、エレクトロクロミックスタック、および第２のＴＣＯ）が一体型堆積システムに堆積し、このシステムでは、ガラス板が堆積中離れない。この例では、エレクトロクロミックスタック１２５の堆積の前に、ＴＣＯ１１５および拡散障壁１１０に絶縁トレンチ１２０が切り開かれる。トレンチ１２０は、製造が完了した後、バスバー１の下にあるＴＣＯ１１５のエリアを電気的に絶縁することを考えて作られている（図１Ａ参照）。これは、望ましくない場合がある、バスバーの下のエレクトロクロミックデバイスの電荷蓄積および着色を避けるのに行われる。

エレクトロクロミックデバイスの形成後、縁削除プロセスおよび追加のレーザスクライブ加工が行われる。図１Ａは、この例では、レーザスクライブトレンチ１５０、１５５、１６０、および１６５を取り囲む周縁領域から、デバイスが取り除かれた個所１４０を描写する。トレンチ１５０、１６０、および１６５は、エレクトロクロミックスタックを貫通し、第１のＴＣＯおよび拡散障壁も貫通する。トレンチ１５５は、第２のＴＣＯ１３０およびエレクトロクロミックスタックを貫通するが、第１のＴＣＯ１１５には貫通しない。動作可能なエレクトロクロミックデバイスからの縁削除プロセス中に損傷を受けた可能性のある、エレクトロクロミックデバイス１３５、１４５、１７０、および１７５の部分を隔離するのに、レーザスクライブトレンチ１５０、１５５、１６０、および１６５が作られる。この例では、レーザスクライブトレンチ１５０、１６０、および１６５は、第１のＴＣＯを貫通して、デバイスの隔離を助ける（レーザスクライブトレンチ１５５は、第１のＴＣＯを貫通せず、そうしないと、バスバー２'の第１のＴＣＯ、それによるエレクトロクロミックスタックとの電気連通を遮断する可能性がある）。例えば、レーザスクライブ加工に使用される１つまたは複数のレーザは、通常、ただし必ずという訳ではないが、パルス型レーザ、例えばダイオード励起ソリッドステートレーザである。例えば、レーザスクライブ加工は、ＩＰＧＰｈｏｔｏｎｉｃｓ（オックスフォード、マサチューセッツ州）から、またはＥｋｓｐｌａ（ヴィリニュス、リトアニア）からの好適なレーザを使用して行われ得る。スクライブ加工はまた、例えば、ダイヤモンド先端スクライブによって機械的に行うこともできる。当業者であれば、レーザスクライブ加工が、異なる深さで行われ得、かつ／または１回のプロセスで行われ得、それにより、エレクトロクロミックデバイスの周縁にわたる途切れのない路にわたり、レーザカッティング深さにバラツキがあるか、またはバラツキがないことが分かるであろう。一実施形態において、縁削除は、第１のＴＣＯの深さまで行われる。

レーザスクライブ加工が完了した後、バスバーが取り付けられる。非貫通のバスバー１が第２のＴＣＯに適用される。第１のＴＣＯに接触して、デバイスが堆積していない（例えば、デバイス堆積から第１のＴＣＯを保護するマスクから）、またはこの例では、縁削除プロセス（例えば、ＸＹまたはＸＹＺガルバノメータを有する装置を使用するレーザ焼灼）が第１のＴＣＯまで材料を取り除くのに使用された、個所に非貫通バスバー２が適用される。この例では、バスバー１およびとバスバー２の両方が非貫通バスバーである。貫通バスバーは、通常、エレクトロクロミックスタック内に押し込まれて貫通し、スタックの底でＴＣＯと接触するバスバーである。非貫通バスバーは、エレクトロクロミックスタック層を貫通しないが、むしろ、例えばＴＣＯなどの導電性層の表面に電気的かつ物理的に接触するバスバーである。

ＴＣＯ層は、非従来型バスバー、例えばスクリーン法およびリソグラフィパターン化法で製造されたバスバーを使用して電気的に接続され得る。一実施形態において、導電性インクをシルクスクリーン加工し（または別のパターン化法を使用して）、続いてそのインクを熱硬化または焼結させることを介して、デバイスの透明導電層との電気連通が確立される。上記のデバイス構成を使用することの強みには、より簡単な製造、例えば、貫通バスバーを使用する従来の技法よりもレーザスクライブ加工が少ないことが含まれる。

例えば、バスバーが接続された後、デバイスが、例えば、バスバー用の配線などを含む、絶縁ガラスユニット（ＩＧＵ：ＩｎｓｕｌａｔｅｄＧｌａｓｓＵｎｉｔ）に一体化される。実施形態によっては、バスバーのうちの１つまたは両方が、完成したＩＧＵ内にあるが、一実施形態では、１つのバスバーがＩＧＵのシール外にあり、もう１つのバスバーがＩＧＵ内にある。前の実施形態において、個所１４０を使用して、ＩＧＵを形成するのに使用されるスぺーサの１つの面との密閉を作る。このように、バスバーへのワイヤまたは他の接続は、スペーサとガラスとの間を走る。多くのスペーサが、導電性である金属、例えばステンレス鋼から作られているので、バスバーとそれへのコネクタおよび金属スペーサとの間の電気連通による短絡を避けるステップをとるのが望ましい。

上記の通り、バスバーが接続された後、エレクトロクロミックライトが、例えば、バスバー用の配線などを含む、ＩＧＵに一体化される。本明細書に記載の実施形態において、バスバーの両方が完成したＩＧＵの一次シール内にある。

図２Ａは、ＩＧＵ２００に一体化された図１Ａ〜１Ｃに関係して記載されたようなエレクトロクロミック窓の断面概略図である。スペーサ２０５を使用して、第２のライト２１０からエレクトロクロミックライトを分ける。ＩＧＵ２００における第２のライト２１０は、非エレクトロクロミックライトであるが、本明細書に開示の実施形態は、そのように限定されるものではない。例えば、ライト２１０には、その上にエレクトロクロミックデバイス、および／または低Ｅコーティングなどの１つ以上のコーティングがあり得る。ライト２０１は、図２Ｂに描写されるものなど、合わせガラスである場合もある（ライト２０１は、樹脂２３５を介して、強化窓ガラス２３０にラミネート加工されている）。エレクトロクロミックライトのスペーサ２０５と第１のＴＣＯ層との間に、一次シール材２１５がある。この一次シール材は、スペーサ２０５と第２のガラスライト２１０との間にもある。スペーサ２０５の周縁にわたり、二次シール２２０がある。バスバーの配線／リード線は、コントローラへの接続のためにシールにわたる。二次シール２２０は、描写されるものよりもずっと厚い場合がある。これらのシールは、ＩＧＵの内部空間２２５から水分を閉め出すのを助ける。これらのシールはまた、ＩＧＵの内部においてアルゴンまたは他のガスが逃げるのを防ぐように働く。

図３Ａは、断面でエレクトロクロミックデバイス３００を概略的に描写する。エレクトロクロミックデバイス３００は、基板３０２、第１の導電性層（ＣＬ：ＣｏｎｄｕｃｔｉｖｅＬａｙｅｒ）３０４、エレクトロクロミック層（ＥＣ：ＥｌｅｃｔｒｏＣｈｒｏｍｉｃｌａｙｅｒ）３０６、イオン伝導層（ＩＣ：ＩｏｎＣｏｎｄｕｃｔｉｎｇｌａｙｅｒ）３０８、対電極層（ＣＥ：ＣｏｕｎｔｅｒＥｌｅｃｔｒｏｄｅｌａｙｅｒ）３１０、および第２の導電性層（ＣＬ：ＣｏｎｄｕｃｔｉｖｅＬａｙｅｒ）３１４を含む。層３０４、３０６、３０８、３１０、および３１４は、まとめてエレクトロクロミックスタック３２０とも呼ばれる。エレクトロクロミックスタック３２０にわたって電位を印加するのに使用可能な電圧源３１６は、例えば、色褪せた状態から色付き状態へのエレクトロクロミックデバイスの遷移をもたらす（描写）。基板に対して層の順番を逆にしてもよい。

上記のような区別できる層を有するエレクトロクロミックデバイスは、すべてソリッドステートデバイスおよび／またはすべて無機デバイスとして製造され得る。このようなデバイスおよびその製造方法は、「ＦａｂｒｉｃａｔｉｏｎｏｆＬｏｗ−ＤｅｆｅｃｔｉｖｉｔｙＥｌｅｃｔｒｏｃｈｒｏｍｉｃＤｅｖｉｃｅ」の題で、２００９年１２月２２日に出願され、発明者としてＭａｒｋＫｏｚｌｏｗｓｋｉらの名前が挙げられている、米国特許出願第１２／６４５，１１１号、および「ＥｌｅｃｔｒｏｃｈｒｏｍｉｃＤｅｖｉｃｅｓ」の題で、２００９年１２月２２日に出願され、発明者としてＺｈｏｎｇｃｈｕｎＷａｎｇらの名前が挙げられている米国特許出願第１２／６４５，１５９号に記載されおり、その両方は参照によりそれらの全体が本明細書に組み込まれる。ただし、スタックにおける層のうちのいずれか１つ以上が、ある程度の有機物質を含み得ることを理解されたい。１つ以上の層に少量であり得る液体にも同じことが言える。固体状物質が、ゾル−ゲルまたは化学蒸着を採用する特定のプロセスなど、液体成分を採用するプロセスによって、堆積し得るかそうでなければ形成され得ることも理解されたい。

さらに、色褪せ状態と色付き状態間の遷移への言及は非限定的であり、実装され得るエレクトロクロミック遷移の、数ある中でも、単に一例として示唆することを理解されたい。本明細書において別段に明記していない限り（上記の考察を含む）、色褪せー色付き遷移に言及するときはいつでも、対応するデバイスまたはプロセスは、非−反射−反射、透明−不透明など、他の光学的状態遷移を包含する。また、用語「色褪せ（ｂｌｅａｃｈｅｄ）」は、例えば、無着色、透明、または半透明などの光学的に中立な状態を指す。なおさらに、本明細書に別段に明記しない限り、エレクトロクロミック遷移の「色（ｃｏｌｏｒ）」は、いずれの特定の波長または波長範囲にも限定されない。当業者には分かるように、相応のエレクトロクロミック材料および対電極材料の選択は、関連する光学遷移を左右する。

本明細書に記載の実施形態では、エレクトロクロミックデバイスは、色褪せ状態と色付き状態との間を可逆的に循環する。場合によっては、デバイスが色褪せ状態にあるとき、スタックにおける使用可能なイオンが主に対電極３１０内にあるように、エレクトロクロミックスタック３２０に電位が印加される。エレクトロクロミックスタック上の電位が反転すると、イオンがイオン伝導層３０８にわたってエレクトロクロミック材料３０６に運ばれ、材料を色付き状態に遷移させる。同様に、本明細書に記載の実施形態のエレクトロクロミックデバイスは、異なる色合いレベル（例えば、色褪せ状態、最も暗い色付き状態、および色褪せ状態と最も暗い色付き状態との間の中間レベル）間で可逆的に循環され得る。

また図３Ａに戻ると、電圧源３１６が、輻射センサまたは他の環境センサに合わせて働くように構成され得る。本明細書に記載のように、電圧源３１６は、デバイスコントローラ（この図では示さず）にインターフェース接続する。さらに、電圧源３１６は、時期、時刻、および測定環境状態などの様々な基準に従って、エレクトロクロミックデバイスを制御するエネルギ管理システムとインターフェース接続し得る。このようなエネルギ管理システムは、大面積のエレクトロクロミックデバイス（例えば、エレクトロクロミック窓）と併用して、建物のエネルギ消費を劇的に下げることができる。

好適な光学的、電気的、熱的、および機械的性質を有するいずれの材料も基板３０２として使用され得る。このような基板には、例えば、ガラス材、プラスチック材、および鏡材が含まれる。好適なガラスには、ソーダ石灰フロートガラスを含む、透明なまたは着色のソーダ石灰ガラスが挙げられる。ガラスは、強化ガラスであってもなくてもよい。

多くの場合、基板は、住宅用窓の用途に合わせたサイズのガラス板である。このようなガラス板のサイズは、住宅の具体的な必要に応じて大幅に変わり得る。他の場合、基板は、建築用ガラスである。建築用ガラスは、通常、商業ビルに使用されるが、住宅用建物にも使用され得、通常、必ずというわけではないが、屋外環境から屋内環境を分ける。特定の実施形態において、建築用ガラスは、少なくとも２０インチ×２０インチであり、もっと大きい、例えば、約８０インチ×１２０インチの大きさの場合もある。建築用ガラスは、通常、少なくとも２ｍｍの厚み、通常約３ｍｍ〜約６ｍｍの厚みである。もちろん、エレクトロクロミックデバイスは、建築用ガラスよりも小さいまたは大きい基板に拡大縮小可能である。また、エレクトロクロミックデバイスは、いずれのサイズおよび形状の鏡上にも設けられ得る。

基板３０２の上面には、導電性層３０４がある。特定の実施形態において、導電性層３０４および３１４のうちの１つまたは両方は、無機かつ／または固体である。導電性層３０４および３１４は、導電性酸化物、薄金属膜、導電性窒化金属、および複合導体を含む、いくつかの異なる物質から作られ得る。通常、導電性層３０４および３１４は、少なくとも、エレクトロクロミック層によってエレクトロクロミズムを呈する波長範囲で透明である。透明導電性酸化物には、金属酸化物および１つ以上の金属でドープされた金属酸化物が含まれる。このような金属酸化物およびドープ金属酸化物の例には、酸化インジウム、インジウム酸化スズ、ドープ酸化インジウム、酸化スズ、ドープ酸化スズ、酸化亜鉛、アルミニウム酸化亜鉛、ドープ酸化亜鉛、酸化ルテニウム、ドープ酸化ルテニウムなどが挙げられる。これらの層には酸化物が使用されることが多いので、それらは、透明導電性酸化物（ＴＣＯ：ＴｒａｎｓｐａｒｅｎｔＣｏｎｄｕｃｔｉｖｅＯｘｉｄｅ）層と呼ばれる場合もある。ほぼ透明である薄金属膜もＴＣＯと金属膜との組合せと同様に使用され得る。

導電性層の機能は、オーム電位降下が比較的小さい、スタックの内部領域に、エレクトロクロミックスタック３２０の表面にわたって電圧源３１６によってもたらされる電位を広げることである。電位は、導電性層への電気接続を通して、導電性層に移される。実施形態によっては、１つが導電性層３０４に接触し、もう１つが導電性層３１４に接触するバスバーは、電圧源３１６と導電性層３０４および３１４との間に電気接続をもたらす。導電性層３０４および３１４も他の従来の手法により電圧源３１６に接続され得る。

重なっている導電性層３０４は、エレクトロクロミック層３０６である。実施形態によっては、エレクトロクロミック層３０６は、無機かつ／または固体である。エレクトロクロミック層は、金属酸化物を含む、いくつかの異なるエレクトロクロミック物質のうちのいずれか１つ以上を含有し得る。このような金属酸化物には、酸化タングステン（ＷＯ_３）、酸化モリブデン（ＭｏＯ_３）、酸化ニオブ（Ｎｂ_２Ｏ_５）、酸化チタン（ＴｉＯ_２）、酸化銅（ＣｕＯ）、酸化イリジウム（Ｉｒ_２Ｏ_３）、酸化クロム（Ｃｒ_２Ｏ_３）、酸化マンガン（Ｍｎ_２Ｏ_３）、酸化バナジウム（Ｖ_２Ｏ_５）、酸化ニッケル（Ｎｉ_２Ｏ_３）、酸化コバルト（Ｃｏ_２Ｏ_３）などが挙げられる。作業中、エレクトロクロミック層３０６は、イオンを対電極層３１０に移し、また対電極層３１０からイオンを受け取り、光学遷移を引き起こす。

通常、エレクトロクロミック物質の色付け（またはいずれの光学的性質での変化、例えば吸収性、反射性、および透過性）は、物質への可逆的イオン挿入（例えば、インターカレイション）および対応する電荷平衡電子の注入によって引き起こされる。通常、光学遷移の原因となるイオンの幾分かが、エレクトロクロミック物質中に不可逆的に結合する。不可逆的結合イオンの一部またはすべては、物質中の「ブラインドチャージ」を補うのに使用される。ほとんどのエレクトロクロミック物質では、好適なイオンとして、リチウムイオン（Ｌｉ＋）および水素イオン（Ｈ＋）（すなわちプロトン）が含まれる。ただし、場合によっては、他のイオンも好適である。様々な実施形態において、エレクトロクロミック現象をもたらすのにリチウムイオンが使用される。酸化タングステンへのリチウムイオンのインターカレイション（ＷＯ_３−ｙ（０＜ｙ ≦ 〜０．３））は、酸化タングステンを透明（色褪せ状態）から青（色付き状態）に変化させる。

また図３Ａを参照すると、エレクトロクロミックスタック３２０では、イオン伝導層３０８が、エレクトロクロミック層３０６と対電極層３１０との間に挟み込まれる。実施形態によっては、対電極層３１０は、無機かつ／または固体である。対電極層は、エレクトロクロミックデバイスが色褪せ状態である場合、イオンの受容体として働くいくつかの異なる物質のうちの１つ以上を含み得る。例えば、相応の電位の印加によって開始されたエレクトロクロミック移行中、対電極層は、自分が保持するイオンの一部またはすべてをエレクトロクロミック層に移し、エレクトロクロミック層を色付き状態に変える。同時に、ＮｉＷＯの場合、対電極層は、イオンの喪失により色が付く。

実施形態によっては、ＷＯ_３を補完する対電極に好適な物質には、酸化ニッケル（ＮｉＯ）、ニッケル酸化タングステン（ＮｉＷＯ）、ニッケル酸化バナジウム、ニッケル酸化クロム、ニッケル酸化アルミニウム、ニッケル酸化マンガン、ニッケル酸化マグネシウム、酸化クロム（Ｃｒ_２Ｏ_３）、酸化マグネシウム（ＭｎＯ_２）、およびプルシャンブルーが挙げられる。

酸化ニッケルタングステンから成る対電極３１０から電荷が取り除かれると（すなわち、対電極３１０からエレクトロクロミック層３０６にイオンが移されると）、対電極層は、透明状態から色付き状態に遷移する。

描写のエレクトロクロミックデバイスでは、エレクトロクロミック層３０６と対電極層３１０との間にイオン伝導層３０８がある。イオン伝導層３０８は、エレクトロクロミックデバイスが色褪せ状態と色付き状態との間を遷移するときにイオンが（電解質のように）中を通って移される媒体として働く。好ましくは、イオン伝導層３０８は、エレクトロクロミック層および対電極層に関連するイオンに対しては高度に伝導性であるが、無視できるほどの電子移動が通常の動作中に起こる、かなり低い電子伝導性を有する。高いイオン伝導率を有する薄いイオン伝導層は、高速イオン伝導、したがって高性能エレクトロクロミックデバイス用の高速切り替えを可能にする。特定の実施形態において、イオン伝導層３０８は、無機かつ／または固体である。

（区別できるＩＣ層を有するエレクトロクロミックデバイスに）好適なイオン伝導層の例には、ケイ酸塩、シリコン酸化物、タングステン酸化物、タンタル酸化物、ニオブ酸化物、およびホウ酸塩が挙げられる。これらの物質は、リチウムを含む異なるドーパントでドープされ得る。リチウムドープシリコン酸化物には、酸化リチウムシリコンアルミニウムが含まれる。実施形態によっては、イオン伝導層は、ケイ酸塩系構造体を含む。実施形態によっては、酸化ケイ素アルミニウム（ＳｉＡｌＯ）がイオン伝導層３０８に使用される。

エレクトロクロミックデバイス３００は、１つ以上の不動態層など、１つ以上の追加の層（図示せず）を含み得る。特定の光学的性質を改善するのに使用される不動態層が、エレクトロクロミックデバイス３００に含まれ得る。耐湿性または耐引っかき性をもたらすための不動態層も、エレクトロクロミックデバイス３００に含まれ得る。例えば、伝導層は、反射防止層または保護酸化層または窒化物層で処理され得る。他の不動態層は、エレクトロクロミックデバイス３００を機密封止するように働くことができる。

図３Ｂは、色褪せ状態（または色褪せへの遷移）のエレクトロクロミックデバイスの概略断面図である。具体的な実施形態によれば、エレクトロクロミックデバイス４００は、酸化タングステンエレクトロクロミック層（ＥＣ）４０６および酸化ニッケルタングステン対電極層（ＣＥ）４１０を含む。エレクトロクロミックデバイス４００は、基板４０２、導電性層（ＣＬ）４０４、イオン伝導層（ＩＣ）４０８、および導電性層（ＣＬ）４１４も含む。

電源４１６は、導電性層４０４および４１４への好適な接続部（例えばバスバー）を通して、エレクトロクロミックスタック４２０に電位および／または電流を印加するように構成される。実施形態によっては、電圧源は、数ボルトの電位を印加して、デバイスをある光学的状態から別の光学的状態へ遷移させるように構成される。図３Ａに示されるような電位の極性は、イオン（この例ではリチウムイオン）が、主に酸化ニッケルタングステン対電極層４１０内にある（破線矢印で示されるように）ようなものである。

図３Ｃは、図３Ｂに示されるが、色付き状態（または色付き状態への遷移中）のエレクトロクロミックデバイス４００の概略断面図である。図３Ｃでは、エレクトロクロミック層がより負になって追加のリチウムイオンを受け入れ、それによって色付き状態に遷移するように、電圧源４１６の極性が反転している。破線矢印で示されるように、リチウムイオンは、イオン伝導層４０８をわたって酸化タングステンエレクトロクロミック層４０６に移される。酸化タングステンエレクトロクロミック層４０６は、色付き状態で示される。酸化ニッケルタングステン対電極４１０もまた色付き状態で示される。説明したように、酸化ニッケルタングステンは、リチウムイオンを放棄する（デインターカレートする）につれて次第により不透明になる。この例では、両方の層４０６および４１０の色付き状態への遷移が、スタックおよび基板を透過する光の量を減らすのに向けて相加的であるという相乗効果がある。

上記のように、エレクトロクロミックデバイスは、イオンに対して高伝導性であり、電子に対して高抵抗性であるイオン伝導性（ＩＣ）層によって分けられたエレクトロクロミック（ＥＣ）電極層および対電極（ＣＥ）層を含み得る。したがって、従来から理解されるように、イオン伝導層は、エレクトロクロミック層と対電極層との間の短絡を防ぐ。イオン伝導性層は、エレクトロクロミック電極および対電極が電荷を保持し、それによってそれらの色褪せ状態または色付き状態を維持することを可能にする。区別できる層を有するエレクトロクロミックデバイスでは、構成要素が、エレクトロクロミック電極層と対電極層との間に挟み込まれたイオン伝導性層を含むスタックを形成する。これら３つのスタック構成要素間の境界は、組成および／または微細構造の急激な変化によって画定される。したがって、デバイスは、２つの断裂した界面を伴う３つの区別できる層を有する。

特定の実施形態によれば、対電極およびエレクトロクロミック電極は、イオン伝導層を別々に堆積させることなく、互いに真隣に、時には直に接触して形成される。実施形態によっては、区別できるＩＣ層ではなく界面領域を有するエレクトロクロミックデバイスが採用される。このようなデバイスおよびその製造方法は、２０１０年４月３０日に出願された米国特許第８，３００，２９８号および米国特許出願第１２／７７２，０７５号、ならびに２０１０年６月１１日に出願された米国特許出願第１２／８１４，２７７号および同第１２／８１４，２７９号に記載されており、３つの特許出願の各々は、「ＥｌｅｃｔｒｏｃｈｒｏｍｉｃＤｅｖｉｃｅｓ」の題であり、各々発明者としてＺｈｏｎｇｃｈｕｎＷａｎｇらの名前を挙げており、各々その全体が参照により本明細書に組み込まれる。

Ｂ．窓コントローラ
窓コントローラは、エレクトロクロミック窓のエレクトロクロミックデバイスの色合いレベルを制御するのに使用される。実施形態によっては、窓コントローラは、色褪せ状態および色付き状態の２つの色合い状態（レベル）間で、エレクトロクロミック窓を遷移させることができる。他の実施形態において、窓コントローラは、エレクトロクロミック窓（例えば、単一のエレクトロクロミックデバイスを有する）を中間の色合いレベルにさらに遷移させることができる。本開示の実施形態によっては、窓コントローラは、エレクトロクロミック窓を４つ以上の色合いレベルに遷移させることができる。特定のエレクトロクロミック窓は、各ライトが２状態ライトである１つのＩＧＵにおける２つの（またはそれより多い）エレクトロクロミックライトを使用することによって、中間の色合いレベルを可能にする。これについては、このセクションにおいて、図２Ａおよび２Ｂを参照して説明する。

図２Ａおよび２Ｂに関して上述したように、実施形態によっては、エレクトロクロミック窓は、ＩＧＵ２００の一方のライト上にエレクトロクロミックデバイス４００と、ＩＧＵ２００のもう一方のライト上に別のエレクトロクロミックデバイス４００とを含み得る。窓コントローラが各エレクトロクロミックデバイスを、２つの状態間、色褪せ状態と色付き状態との間で遷移させることができる場合、エレクトロクロミック窓は、両方のエレクトロクロミックデバイスが色付けられている色付き状態、一方のエレクトロクロミックデバイス色付けられている第１の中間状態、もう一方のエレクトロクロミックデバイスが色付けられている第２の中間状態、および両方のエレクトロクロミックデバイスが色褪せている色褪せ状態の４つの異なる状態（色合いレベル）を得ることができる。マルチペインエレクトロクロミック窓の実施形態がさらに、その全体が参照により本明細書に組み込まれる、発明者としてＲｏｂｉｎＦｒｉｅｄｍａｎらの名前が挙げられ、「ＭＵＬＴＩ−ＰＡＮＥＥＬＥＣＴＲＯＣＨＲＯＭＩＣＷＩＮＤＯＷＳ」の題の米国特許第８，２７０，０５９号に記載されている。

実施形態によっては、窓コントローラは、２つ以上の色合いレベル間で遷移することが可能なエレクトロクロミックデバイスを有するエレクトロクロミック窓を遷移させることができる。例えば、窓コントローラは、エレクトロクロミック窓を色褪せ状態、１つ以上の中間レベル、および色付き状態に遷移させることが可能であり得る。いくつかの他の実施形態では、窓コントローラは、エレクトロクロミックデバイスを組み込んだエレクトロクロミック窓を、色あせた状態と着色状態との間の任意の数の色合いレベル間で遷移させることができる。エレクトロクロミック窓を１つ以上の中間の色合いレベルに遷移させるための方法およびコントローラの実施形態がさらに、その全体が参照により本明細書に組み込まれる、「ＣＯＮＴＲＯＬＬＩＮＧＴＲＡＮＳＩＴＩＯＮＳＩＮＯＰＴＩＣＡＬＬＹＳＷＩＴＣＨＡＢＬＥＤＥＶＩＣＥＳ」の題で、発明者としてＤｉｓｈａＭｅｈｔａｎｉらの名前が挙げられている米国特許第８，２５４，０１３号に記載されている。

実施形態によっては、窓コントローラは、エレクトロクロミック窓における１つ以上のエレクトロクロミックデバイスに給電することができる。通常、窓コントローラのこの機能は、以下でさらに詳しく説明される１つ以上の他の機能で増強される。本明細書に記載の窓コントローラは、制御の目的で対応付けられるエレクトロクロミックデバイスに給電する機能を有するものに限定されない。すなわち、エレクトロクロミック窓用の電源は、窓コントローラとは別にすることができ、この場合、窓コントローラは、独自の電源を備え、窓電源からの電力の印加を窓に向ける。ただし、窓コントローラを有する電源を含み、窓に直に給電するようにコントローラを構成することは、エレクトロクロミック窓に給電するための別個の配線の必要を取り除くので、好都合である。

さらに、このセクションに記載の窓コントローラは、窓コントローラの建物制御ネットワークまたは建物管理システム（ＢＭＳ）への一体化なく、１枚の窓または複数のエレクトロクロミック窓の機能を制御するように構成され得るスタンドアロンコントローラとして説明される。ただし、窓コントローラは、本開示の建物管理システムのセクションでさらに説明されるように、建物制御ネットワークまたはＢＭＳに一体化されてもよい。

図４は、本開示の実施形態の窓コントローラシステムの窓コントローラ４５０のいくつかの構成要素および他の構成要素の簡略ブロック図を描写する。窓コントローラの構成要素のより詳細は、それらのすべては、参照によりそれらの全体が本明細書に組み込まれる、両方とも、発明者としてＳｔｅｐｈｅｎＢｒｏｗｎの名前が挙げられ、両方とも「ＣＯＮＴＲＯＬＬＥＲＦＯＲＯＰＴＩＣＡＬＬＹ−ＳＷＩＴＣＨＡＢＬＥＷＩＮＤＯＷＳ」の題で、両方とも２０１２年４月１７日に出願された、米国特許第１３／４４９，２４８号および同第１３／４４９，２５１号、ならびに「ＣＯＮＴＲＯＬＬＩＮＧＴＲＡＮＳＩＴＩＯＮＳＩＮＯＰＴＩＣＡＬＬＹＳＷＩＴＣＨＡＢＬＥＤＥＶＩＣＥＳ」の題で、発明者としてＳｔｅｐｈｅｎＢｒｏｗｎらの名前が挙げられ、２０１２年４月１７日に出願された米国特許第１３／４４９，２３５号で確認することができる。

図４において、窓コントローラ４５０の図示の構成要素には、マイクロプロセッサ４５５または他のプロセッサと、パルス幅変調器４６０と、１つ以上の入力４６５と、構成ファイル４７５を有するコンピュータ可読媒体（例えばメモリ）と、が含まれる。窓コントローラ４５０は、１つ以上のエレクトロクロミックデバイス４００に命令を送信するように、ネットワーク４８０（有線または無線）を通してエレクトロクロミック窓における１つ以上のエレクトロクロミックデバイス４００に電子連通する。実施形態によっては、窓コントローラ４５０は、ネットワーク（有線または無線）を通してマスタ窓コントローラに通信するローカル窓コントローラであり得る。

開示された実施形態では、建物は、建物の外部と内部との間にエレクトロクロミック窓を有する少なくとも１つの部屋を有する可能性がある。１つ以上のセンサが、建物の外部および／または部屋の内部に位置し得る。実施形態において、１つ以上のセンサからの出力を使用して、エレクトロクロミックデバイス４００を制御する。描写の実施形態のセンサは、建物の外側垂直壁上に位置するとして示されるが、これは簡略化のためであり、センサは、部屋の内部、屋根、または外部に対する他の表面上などの他の場所にあってもよい。場合によっては、２つ以上のセンサを使用して、同じ入力を測定してもよく、これにより、１つのセンサが故障する、またはそうでなければ誤った読み取り値を有する場合に、冗長性を与えることができる。

図５は、少なくとも１つのエレクトロクロミックデバイスを備えるエレクトロクロミック窓５０５がある部屋５００の概略図（側面図）を描写する。エレクトロクロミック窓５０５は、部屋５００を含む建物の外部と内部との間に位置する。部屋５００は、エレクトロクロミック窓５０５に接続され、エレクトロクロミック窓５０５の色合いレベルを制御するように構成された窓コントローラ４５０も含む。外部センサ５１０が、建物の外部の垂直表面上にある。他の実施形態では、部屋５００における周囲光を測定するために、内部センサも使用され得る。さらに他の実施形態では、現住者がいつ部屋５００内にいるかを判断するのに、現住者センサも使用され得る。

外部センサ５１０は、太陽などの光源から、または表面、大気中の粒子、雲などからセンサに反射する光から流れる、デバイスに入射する放射光を検出することができるフォトセンサなどのデバイスである。外部センサ５１０は、光電効果からもたらされた電流の形態の信号を生成することができ、この信号は、センサ５１０に入射する光の関数であり得る。場合によっては、デバイスは、ワット／ｍ^２の単位、または他の同様の単位で放射照度の観点から放射光を検出することができる。他の場合、デバイスは、フットキャンドルの単位または同様の単位で、可視波長範囲での光を検出することができる。多くの場合、これらの放射照度値と可視光との間には線形関係がある。

実施形態によっては、外部センサ５１０は、赤外光を測定するように構成される。実施形態によっては、外部センサは、赤外光および／または可視光を測定するように構成される。実施形態によっては、外部フォトセンサ５１０には、温度データおよび／または湿度データを測定するためのセンサも含まれ得る。実施形態によっては、インテリジェンスロジックが、外部センサを使用して決定された、または外部ネットワーク（例えば、気象観測所）から受信した１つ以上のパラメータ（例えば、可視光データ、赤外光データ、湿度データ、および温度データ）を使用して、妨害する雲の存在を判断することができ、かつ／または雲によって引き起こされる妨害を数量化することができる。赤外線センサを使用して雲を検出する様々な方法が、米国を指定し、その全体が本明細書に組み込まれる、「ＩＮＦＲＡＲＥＤＣＬＯＵＤＤＥＴＥＣＴＯＲＳＹＳＴＥＭＳＡＮＤＭＥＴＨＯＤＳ」の題で、２０１７年１０月６日に出願された国際特許出願第ＰＣＴ／ＵＳ１７／５５６３１号に記載されている。

日光が地表に当たる角度は変化するので、日光からの放射照度値は、時刻および時期に基づいて予測することができる。外部センサ５１０は、建物に起因する反射光および遮光、気象の変化（例えば、雲）などを考慮した放射光をリアルタイムで検出することができる。例えば、曇った日には、日光が雲に遮られて、外部センサ５１０によって検出される放射光は、晴れ渡った日よりも低いと考えられる。

実施形態によっては、１枚のエレクトロクロミック窓５０５に関連付けられた１つ以上の外部センサ５１０があり得る。１つ以上の外部センサ５１０からの出力を互いに比較して、例えば、外部センサ５１０のうちの１つが、外部センサ５１０上に降りた鳥などの物体によって遮られているかどうかを判断することができる。場合によっては、いくつかのセンサが信頼できないかつ／または高価である可能性があるため、比較的少ないセンサを使用することが望ましい場合がある。特定の実装形態において、１つのセンサまたは数個のセンサを採用して、建物またはおそらく建物の片側に当たる、太陽からの放射光のそのときのレベルを測定することができる。雲は太陽の前を通過し得、または建設用車両が沈み行く太陽の前に駐車し得る。これらは、通常建物に当たるように計算される、太陽からの放射光量からの偏差をもたらすようになる。

外部センサ５１０は、一種の光センサであってもよい。例えば、外部センサ５１０は、電荷結合素子（ＣＣＤ：ＣｈａｒｇｅＣｏｕｐｌｅｄＤｅｖｉｃｅ）、フォトダイオード、フォトレジスタ、または光電池であってもよい。当業者であれば、フォトセンサおよび他のセンサテクノロジにおける未来の展開もまた、それらのテクノロジが光強度を測定し、光レベルを表す電気出力を提供するので、うまくいくことを理解するであろう。

開示された実施形態では、窓コントローラ４５０は、エレクトロクロミック窓５０５に電圧および／または電流を印加して、４つ以上の異なる色合いレベルのうちのいずれか１つにエレクトロクロミック窓５０５を遷移させるよう、ＰＷＭ４６０に命令することができる。開示された実施形態では、エレクトロクロミック窓５０５は、０（最も明るい）、５、１０、１５、２０、２５、３０、および３５（最も暗い）として記述される少なくとも８つの異なる色合いレベルに遷移し得る。色合いレベルは、エレクトロクロミック窓５０５を透過する光の可視透過率値および太陽熱利得係数（ＳＨＧＣ：ＳｏｌａｒＨｅａｔＧａｉｎＣｏｅｆｆｉｃｉｅｎｔ）値に線形に対応し得る。例えば、上記の８つの色合いレベルを使用すると、０の最も明るい色合いレベルが０．８０のＳＨＧＣ値に対応し得、５の色合いレベルが０．７０のＳＨＧＣ値に対応し得、１０の色合いレベルが０．６０のＳＨＧＣ値に対応し得、１５の色合いレベルが０．５０のＳＨＧＣ値に対応し得、２０の色合いレベルが０．４０のＳＨＧＣ値に対応し得、２５の色合いレベルが０．３０のＳＨＧＣ値に対応し得、３０の色合いレベルが０．２０のＳＨＧＣ値に対応し得、３５（最も暗い）の色合いレベルが０．１０のＳＨＧＣ値に対応し得る。

窓コントローラ４５０、または窓コントローラ４５０と通信するマスタコントローラは、いずれか１つ以上の予測制御ロジック構成要素を採用して、外部センサ５１０からの信号および／または他の入力に基づいて望ましい色合いレベルを測定することができる。窓コントローラ４５０は、エレクトロクロミック窓５０５に電圧および／または電流を印加して、エレクトロクロミック窓５０５を望ましい色合いレベルに遷移させるよう、ＰＷＭ４６０に命令することができる。

−ビル管理システム（ＢＭＳ）

本明細書に記載の窓コントローラはまた、ＢＭＳとの一体化にも適しており、またはＢＭＳ内にある／ＢＭＳの一部である。ＢＭＳは、換気装置、照明、電力システム、エレベータ、防火システム、およびセキュリティシステムなどの建物の機械設備および電気設備をモニタし、制御する、建物内に設置されたコンピュータベースの制御システムである。ＢＭＳは、１つまたは複数のコンピュータへの通信チャネルによる相互接続を含むハードウェア、ならびに現住者によってかつ／または建物の管理者によって設定される好みに従って、建物における状態を維持するための関連ソフトウェアから成る。例えば、ＢＭＳは、イーサネット（登録商標）などのローカルエリアネットワークを使用して実装され得る。ソフトウェアは、例えば、インターネットプロトコルおよび／またはオープンスタンダードに基づいてもよい。一例は、Ｔｒｉｄｉｕｍ，Ｉｎｃ．（バージニア州リッチモンド）のソフトウェアである。ＢＭＳで一般的に使用される通信プロトコルの１つは、ＢＡＣｎｅｔ（建物自動化および制御ネットワーク）である。

ＢＭＳは、大型の建物では最も一般的であり、通常、少なくとも建物における環境を制御するように機能する。例えば、ＢＭＳは、建物における温度、二酸化炭素レベル、および湿度を制御することができる。通常、ヒータ、エアコン、送風機、通気孔など、ＢＭＳによって制御される多くの機械デバイスがある。建物環境を制御するために、ＢＭＳは、定義された条件下でこれらの様々なデバイスをオン／オフにすることができる。典型的な最新のＢＭＳのコア機能は、冷暖房のコスト／需要を最小限に抑えながら、建物の現住者にとって快適な環境を維持することである。したがって、最新のＢＭＳは、モニタかつ制御するためだけでなく、様々なシステム間の相乗効果を最適化する、例えば、エネルギを節約し、建物の運用コストを低減するのにも使用される。

実施形態によっては、窓コントローラは、ＢＭＳと一体化され、この場合、窓コントローラは、１つ以上のエレクトロクロミック窓（例えば、５０５）または他の着色可能窓を制御するように構成される。他の実施形態では、窓コントローラは、ＢＭＳ内にあるかまたはその一部であり、ＢＭＳは、色合い調節可能窓、および建物の他のシステムの機能の両方を制御する。一例では、ＢＭＳは、建物における着色可能窓の１つ以上のゾーンを含むすべての建物システムの機能を制御することができる。

実施形態によっては、１つ以上のゾーンの各着色可能窓は、少なくとも１つのソリッドステートで無機のエレクトロクロミックデバイスを含む。一実施形態において、１つ以上のゾーンの着色可能窓の各々は、１つ以上のソリッドステートで無機のエレクトロクロミックデバイスを有するエレクトロクロミック窓である。一実施形態において、１つ以上の着色可能窓は、少なくとも１つの全ソリッドステートで全無機のエレクトロクロミックデバイスを含むが、例えば、ＩＧＵの各ライトまたは窓ガラスが着色可能である場合、２つ以上のエレクトロクロミックデバイスを含み得る。一実施形態において、エレクトロクロミック窓は、２０１０年８月５日に出願され、「ＭｕｌｔｉｐａｎｅＥｌｅｃｔｒｏｃｈｒｏｍｉｃＷｉｎｄｏｗｓ」の題の米国特許出願第１２／８５１，５１４号に記載のような多状態エレクトロクロミック窓である。図６は、建物６０１と、セキュリティシステム、暖房／換気／空調（ＨＶＡＣ：Ｈｅａｔｉｎｇ／Ｖｅｎｔｉｌａｔｉｏｎ／ＡｉｒＣｏｎｄｉｔｉｏｎｉｎｇ）、建物の照明、電力システム、エレベータ、防火システムなどを含む、いくつかの建物システムを管理するＢＭＳ６０５との例の概略図を描写する。セキュリティシステムには、磁気カードアクセス、回転ドア、ソレノイド駆動ドアロック、監視カメラ、盗難警報機、金属探知機などが挙げられ得る。防火システムには、火災警報器、および給水配管制御を含む火災抑制システムが挙げられ得る。照明システムには、室内照明、屋外照明、緊急警報灯、非常口標識、および非常階出口照明が挙げられ得る。電力システムには、主電源、バックアップ発電機、および無停電電源（ＵＰＳ：ＵｎｉｎｔｅｒｒｕｐｔｅｄＰｏｗｅｒＳｏｕｒｃｅ）グリッドが含まれ得る。

また、ＢＭＳ６０５は、窓制御システム６０２を管理する。窓制御システム６０２は、マスタコントローラ６０３、ネットワークコントローラ６０７ａおよび６０７ｂ、ならびにエンドまたはリーフコントローラ６０８を含む窓コントローラの分散型ネットワークである。エンドまたはリーフコントローラ６０８は、図４に関して説明された窓コントローラ４５０と同様であり得る。例えば、マスタコントローラ６０３は、ＢＭＳ６０５に近接しており、建物６０１の各階には、１つ以上のネットワークコントローラ６０７ａおよび６０７ｂがあり得、建物の各窓には、自体のエンドコントローラ６０８があり得る。この例では、コントローラ６０８の各々は、建物６０１の指定のエレクトロクロミック窓を制御する。窓制御システム６０２は、クラウドネットワーク６１０と通信して、データを受信する。例えば、窓制御システム６０２は、クラウドネットワーク６１０上で維持される晴天モデルからスケジュール情報を受信することができる。マスタコントローラ６０３は、ＢＭＳ６０５とは別個として図６に描かれるが、別の実施形態では、マスタコントローラ６０３は、ＢＭＳ６０５の一部であるかまたはＢＭＳ内にある。

コントローラ６０８の各々は、それが制御するエレクトロクロミック窓とは別の場所にあり得るか、またはエレクトロクロミック窓に一体化している可能性がある。分かりやすくするために、建物６０１のエレクトロクロミック窓１０枚だけが、マスタ窓コントローラ６０２によって制御されるとして描写される。典型的な設定では、窓制御システム６０２によって制御されるエレクトロクロミック窓が多数、建物にあり得る。本明細書に記載のようなエレクトロクロミック窓をＢＭＳとともに組み込むことの利点および特徴は、該当する場合、より詳しく、図６に関係して以下に説明する。

本開示の実施形態の一態様は、本明細書に記載されるような多目的エレクトロクロミック窓コントローラを含むＢＭＳである。エレクトロクロミック窓コントローラからのフィードバックを組み込むことによって、ＢＭＳは、エレクトロクロミック窓が自動制御可能であることから、例えば、１）環境制御、２）エネルギ節約、３）セキュリティ、４）制御選択肢の柔軟性、５）それほど依存せず、したがってそのメンテナンスが少なくて済むことによる他のシステムの信頼性向上および使用可能期間延長、６）情報の使用可能性および診断性、７）スタッフの有効使用、およびスタッフからのより高い生産性、ならびにそれらの様々な組み合わせ、の向上をもたらすことができる。実施形態によっては、ＢＭＳがないことがあり、またはＢＭＳはあるが、マスタコントローラと通信していないかまたはマスタコントローラと高レベルでは通信しないことがある。特定の実施形態において、ＢＭＳに対するメンテナンスは、エレクトロクロミック窓の制御を妨げないと考えられ得る。

場合によっては、ＢＭＳ６０５または建物ネットワーク１２００のシステムは、日単位、月単位、四半期ごと、または年単位のスケジュールに従って作動することができる。例えば、照明制御システム、窓制御システム、ＨＶＡＣ、およびセキュリティシステムは、人が就業日中のいつ建物内にいるかを考慮した２４時間スケジュールで働くことができる。夜間、建物は、省エネルギモードに入ることができ、日中、システムは、現住者に快適さを提供しながら建物のエネルギ消費を最小限に抑えるように働くことができる。別の例として、システムは、休暇期間にわたって停止するか、または省エネルギモードに入ることができる。

ＢＭＳスケジュールは、地理的情報と組み合わせることができる。地理的情報には、建物の緯度および経度が含まれ得る。地理的情報には、建物の各側が面する方向に関する情報が含まれ得る。このような情報を使用して、建物の側によって異なる部屋ごとに、異なる方式で制御することができる。例えば、冬には、建物の東向きの部屋に対して、窓コントローラは、部屋で輝く日光によって部屋が暖まるように、午前中は色合いがないよう窓に命令することができ、照明制御パネルは、日光からの照明のために、弱くなるようライトに命令することができる。西向きの窓は、西側の窓の色合いが省エネルギに影響を及ぼさない可能性があるので、午前中は部屋の現住者によって制御可能であり得る。ただし、東向きの窓および西向きの窓の操作モードが夕方に切り替わることがある（例えば、太陽が沈み行くとき、西向きの窓は、熱および照明の両方のために日光が射し込むことを可能にするように、色付けされない）。

建物ネットワークまたはＢＭＳ、建物の外部窓用の着色可能窓（すなわち、建物の内部を建物の外部から分ける窓）、およびいくつかの異なるセンサを含む、例えば図６の建物６０１のような建物の例を以下に述べる。建物の外部窓からの光は、通常、窓から約２０フィートまたは約３０フィートの建物における室内照明に影響を及ぼす。すなわち、外部窓から約２０フィートまたは約３０フィートよりも離れている建物における空間は、外部窓からほとんど光を受け取らない。建物における外部窓から離れたこのような空間は、建物の照明システムによって照らされる。

また、建物における温度は、外光および／または外気温の影響を受ける可能性がある。例えば、寒い日に建物が暖房システムによって暖められている場合、ドアおよび／または窓に近い部屋は、建物の内部領域よりも早く熱を失い、内部領域と比べて冷たくなる。

外部センサでは、建物は、建物の屋根上に外部センサを含み得る。あるいは、建物は、各外部窓に関連付けられた外部センサ（例えば、図５の部屋５００に関係して説明されたような）、または建物の各側面上の外部センサを含み得る。建物の各側面上の外部センサは、太陽がその日全体を通して位置を変えるに従って、建物のある側面上の放射照度を追跡することができる。

実施形態によっては、受信した出力信号には、建物における暖房システム、冷房システム、および／または照明によるエネルギ消費または電力消費を示す信号が含まれる。例えば、建物の暖房システム、冷房システム、および／または照明のエネルギ消費または電力消費をモニタして、エネルギ消費または電力消費を示す信号を与えることができる。このモニタリングを可能にするために、デバイスが、建物の回路および／または配線と接合されても、またはそれに取り付けられてもよい。あるいは、建物における個々の部屋または建物における部屋のグループ用の暖房システム、冷房システム、および／または照明によって消費される電力がモニタされ得るような電力システムが建物に設置されてもよい。

色合い命令を与えて、着色可能窓の色合いを、決定されたた色合いレベルに変更することができる。例えば、図６を参照すると、これには、マスタコントローラ６０３がコマンドを１つ以上のネットワークコントローラ６０７ａおよび６０７ｂに発行し、今度は、これらのネットワークコントローラが、建物の各窓を制御するエンドコントローラ６０８にコマンドを発行することが含まれ得る。エンドコントローラ６０８は、その命令に従って色合いを変化させるように、窓に電圧および／または電流を印加することができる。

実施形態によっては、エレクトロクロミック窓およびＢＭＳを含む建物は、建物に電力を供給している１つまたは複数の公共事業体によって実行されるデマンドレスポンスプログラムに登録されるか、またはそれに加わることができる。このプログラムは、ピーク負荷の発生が予想されると、建物のエネルギ消費が低減されるプログラムであり得る。公共事業体は、予想されるピーク負荷発生の前に、警告信号を送り出すことができる。例えば、警告は、予想されるピーク負荷発生の前日、午前、または約１時間前に送信され得る。ピーク負荷発生は、例えば、冷房システム／空気調節装置が公共事業体から大量の電力を引き出している暑い夏の日に起こると予想され得る。警告信号は、建物のＢＭＳによって、または建物にあるエレクトロクロミック窓を制御するように構成された窓コントローラによって受信され得る。この警告信号は、窓コントローラをシステムから切り離すオーバーライド機構であり得る。それにより、ＢＭＳは、ピーク負荷が予想されると、エレクトロクロミック窓５０５にある相応のエレクトロクロミックデバイスを、建物にある冷房システムの電力引き出しを減らすのを助ける暗い色合いレベルに遷移させるよう、窓コントローラに命令することができる。

実施形態によっては、建物の外部窓用の着色可能窓（すなわち、建物の内部を建物の外部から分ける窓）は、ゾーンにある着色可能窓が同様に命令される状態で、ゾーンにグループ分けされ得る。例えば、建物の異なる階または建物の異なる側のエレクトロクロミック窓のグループは異なるゾーンにあり得る。例えば、建物の１階で、東向きのエレクトロクロミック窓のすべてがゾーン１にあり得、南向きのエレクトロクロミック窓のすべてがゾーン２にあり得、西向きのエレクトロクロミック窓のすべてがゾーン３にあリ得、北向きのエレクトロクロミック窓のすべてがゾーン４にあり得る。別の例として、建物の１階のエレクトロクロミック窓のすべてがゾーン１にあり得、２階のエレクトロクロミック窓のすべてがゾーン２にあり得、３階のエレクトロクロミック窓のすべてがゾーン３にあり得る。さらに別の例として、東向きのエレクトロクロミック窓のすべてがゾーン１にあり得、南向きのエレクトロクロミック窓のすべてがゾーン２にあり得、西向きのエレクトロクロミック窓のすべてがゾーン３にあり得、北向きのエレクトロクロミック窓のすべてがゾーン４にあり得るまたさらに別の例として、ある階の東向きのエレクトロクロミック窓は、異なるゾーンに分けられてもよい。建物の同じ側および／または異なる側および／または異なる階の任意の数の着色可能窓が、１つのゾーンに割り当てられてもよい。個々の着色可能窓が、他と無関係に制御可能なゾーンを有する実施形態では、色付けゾーンは、個々の窓のゾーンの組み合わせを使用して建物正面に設けられてもよく、例えば、個々の窓は、それらのゾーンのすべてが色付けされてもされなくてもよい。

実施形態によっては、ゾーンにあるエレクトロクロミック窓が、同じ窓コントローラまたは同じ窓コントローラのセットによって制御され得る。実施形態によっては、ゾーンにあるエレクトロクロミック窓が、異なる窓コントローラによって制御され得る。

実施形態によっては、ゾーンにあるエレクトロクロミック窓は、透過率センサからの出力信号を受信する１つまたは複数の窓コントローラによって制御され得る。実施形態によっては、透過率センサは、ゾーンにある窓に近接して取り付けられ得る。例えば、透過率センサは、ゾーンに含まれるＩＧＵを含むフレームの中または上に取り付け（例えば、フレーム、フレームの中枠、フレームの水平サッシの中または上に取り付け）られ得る。いくつかの他の実施形態において、建物の片側の窓を含むゾーンにあるエレクトロクロミック窓は、透過率センサからの出力信号を受信する１つまたは複数の窓コントローラによって制御され得る。

実施形態によっては、建物の管理者、第２のゾーンの部屋の現住者、または他の人が、手動で（例えば、色合いコマンドもしくは透明コマンド、またはＢＭＳのユーザコンソールからのコマンドを使用して）、第２のゾーン（すなわち、スレーブ制御ゾーン）にあるエレクトロクロミック窓に、色付き状態（レベル）または透明状態などの色合いレベルに入るよう命令することができる。実施形態によっては、第２のゾーンにある窓の色合いレベルがこのような手動コマンドで上書きされると、第１のゾーン（すなわちマスタ制御ゾーン）にあるエレクトロクロミック窓は、透過率センサから受信した出力の制御下に留まる。第２のゾーンは、ある期間手動コマンドモードに留まり、次に、透過率センサからの出力の制御下に戻ることができる。例えば、第２のゾーンは、上書きコマンドを受信した後の１時間手動モードに留まることができ、次に、透過率センサからの出力の制御下に戻ることができる。

実施形態によっては、建物の管理者、第１のゾーンの部屋の現住者、または他の人が、手動で（例えば、色合いコマンドまたはＢＭＳのユーザコンソールからのコマンドを使用して）第１のゾーン（すなわち、マスタ制御ゾーン）にある窓に、色付き状態または透明状態などの色合いレベルに入るよう命令することができる。実施形態によっては、第１のゾーンにおける窓の色合いレベルがそのような手動コマンドで上書きされると、第２のゾーン（すなわちスレーブ制御ゾーン）におけるエレクトロクロミック窓は、外部センサからの制御出力下に留まる。第１のゾーンは、ある期間、手動コマンドモードに留まり、次に、透過率センサからの出力の制御下に戻ることができる。例えば、第１のゾーンは、上書きコマンドを受信した後の１時間手動モードに留まることができ、次に、透過率センサからの出力の制御下に戻ることができる。いくつかの他の実施形態では、第２のゾーンにあるエレクトロクロミック窓は、第１のゾーンに対する手動上書きが受信されたときにその窓があった色合いレベルに留まることができる。第１のゾーンは、ある期間、手動コマンドモードに留まることができ、次に、第１のゾーンおよび第２のゾーンの両方が、透過率センサからの出力の制御下に戻ることができる。

窓コントローラがスタンドアロン窓コントローラであるのか、それとも建物ネットワークとインターフェースで接続されているかに関わりなく、本明細書に記載の着色可能窓の制御方法のいずれも、着色可能窓の色合いの制御に使用され得る。

無線通信または有線通信
実施形態によっては、本明細書に記載の窓コントローラは、窓コントローラと、センサと、別々の通信ノードとの間の有線通信または無線通信用の構成要素を含む。無線通信または有線通信は、窓コントローラと直接インターフェースで接続する通信インターフェースで実現され得る。このようなインターフェースは、マイクロプロセッサに固有のものであるか、またはその機能を可能にする追加の回路網を介して提供される場合がある。

無線通信用の別々の通信ノードは、例えば、別の無線窓コントローラ、エンド窓コントローラ、中間窓コントローラ、もしくはマスタ窓コントローラ、遠隔制御デバイス、またはＢＭＳであり得る。無線通信は、エレクトロクロミック窓５０５のプログラミングおよび／または操作、本明細書に記載の様々なセンサおよびプロトコルからのＥＣ窓５０５からのデータの収集、および無線通信用の中継点としてのエレクトロクロミック窓５０５の使用、といった運用のうちの少なくとも１つのために窓コントローラにおいて使用される。エレクトロクロミック窓５０５から収集されたデータには、ＥＣデバイスが作動した回数などのカウントデータ、経時的なＥＣデバイスの効率などが含まれ得る。これらの無線通信特徴を以下により詳しく説明する。

一実施形態において、無線通信は、例えば赤外線（ＩＲ）および／または無線周波数（ＲＦ：ＲａｄｉｏＦｒｅｑｕｅｎｃｙ）信号を介して、関連付けられたエレクトロクロミック窓５０５を操作するのに使用される。特定の実施形態において、コントローラは、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＥｎＯｃｅａｎ、ＷｉＦｉ、Ｚｉｇｂｅｅ（登録商標）などの無線プロトコルチップを含むようになる。窓コントローラは、ネットワークを介した無線通信を備え得る。窓コントローラへの入力は、直接的または無線通信を介してのいずれかで、エンドユーザによって壁スイッチで手動で入力され得るか、あるいは、入力は、エレクトロクロミック窓が構成要素である建物のＢＭＳからであり得る。

一実施形態において、窓コントローラが、コントローラの分散型ネットワークの一部である場合、各々が無線通信構成要素を有するコントローラの分散型ネットワークを介して、データを複数のエレクトロクロミック窓の各々に転送し、また各々から転送するのに無線通信が使用される。例えば、また図６を参照すると、マスタコントローラ６０３は、ネットワークコントローラ６０７ａおよび６０７ｂの各々と無線で通信し、今度はこれらのネットワークコントローラは、各々がエレクトロクロミック窓に関連付けられるエンドコントローラ６０８と無線で通信する。マスタコントローラ６０３はまた、ＢＭＳ６０５と無線で通信することもできる。一実施形態において、窓コントローラにおける少なくとも１つの通信レベルは、無線で果たされる。

実施形態によっては、複数の無線通信モードが、窓コントローラ分散型ネットワークで使用される。例えば、マスタ窓コントローラが、ＷｉＦｉまたはＺｉｇｂｅｅ（登録商標）を介して中間コントローラに無線で伝達することができる一方、中間コントローラは、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｚｉｇｂｅｅ（登録商標）、ＥｎＯｃｅａｎ、または他のプロトコルを介してエンドコントローラと通信する。別の例では、窓コントローラは、無線通信に対するエンドユーザ選択における柔軟性のために、冗長な無線通信システムを備える。

例えば、マスタおよび／または中間窓コントローラとエンド窓コントローラとの間の無線通信は、ハード通信回線の設置を不要にする利点をもたらす。このことは、窓コントローラとＢＭＳとの間の無線通信にも当てはまる。一態様において、これらの役割での無線通信は、窓を操作して、例えば、建物における環境および省エネルギを最適化するのにＢＭＳにデータを提供するように、エレクトロクロミック窓にデータを転送し、またエレクトロクロミック窓からデータを転送するのに有用である。窓場所データとともにセンサからのフィードバックは、このような最適化に相乗効果を発揮する。例えば、建物の様々な環境を最適化するために、きめ細かいレベル（窓ごと）の微気象情報がＢＭＳに送られる。

−着色可能窓の機能を制御するためのシステムの例
図７は、実施形態による、建物（例えば、図６に示される建物６０１）の１つ以上の着色可能窓の機能（例えば、異なる色合いレベルへの遷移）を制御するためのシステム７００の構成要素のブロック図である。システム７００は、ＢＭＳ（例えば、図６に示されるＢＭＳ６０５）によって管理されるシステムのうちの１つであってもよく、またはＢＭＳとは無関係に働いてもよい。

システム７００は、その機能を制御するための制御信号を着色可能窓に送信することができる窓コントローラのネットワークを有する窓コントローラシステム７０２を含む。システム７００は、マスタコントローラ７０３と電子通信するネットワーク７０１も含む。予測制御ロジック、着色可能窓の機能を制御するための他の制御ロジックおよび命令、センサデータ、ならびに／または晴天モデルに関するスケジュール情報は、ネットワーク７０１を通してマスタコントローラ７０３に伝えられ得る。ネットワーク７０１は、有線ネットワークまたは無線ネットワーク（例えば、クラウドネットワーク）であり得る。一実施形態において、ネットワーク７０１は、ＢＭＳと通信して、ＢＭＳが、着色可能窓を制御するための命令を、ネットワーク７０１を通して建物にある着色可能窓に送信するのを可能にすることができる。

システム７００は、着色可能窓（図示せず）のＥＣデバイス７８０、およびオプションの壁スイッチ７９０も含み、これらは、両方ともマスタコントローラ７０３と電子通信する。この図示の例では、マスタコントローラ７０３は、ＥＣデバイス７８０を有する着色可能窓の色合いレベルを制御するための制御信号をＥＣデバイス７８０に送信することができる。各壁スイッチ７９０もまた、エレクトロクロミックデバイス７８０およびマスタコントローラ７０３と通信する。エンドユーザ（例えば、着色可能窓がある部屋の現住者）は、壁スイッチ７９０を使用して、エレクトロクロミックデバイス７８０を有する着色可能窓の上書き色合いレベルおよび他の機能を入力することができる。

図７では、窓制御システム７０２は、マスタコントローラ７０３、マスタコントローラ７０３と通信する複数のネットワークコントローラ７０５、および多数の複数のエンド窓コントローラまたはリーフ窓コントローラ７１０を含む窓コントローラの分散型ネットワークとして描写される。各複数のエンド窓コントローラまたはリーフ窓コントローラ７１０は、１つのネットワークコントローラ７０５と通信する。図７のシステム７００の構成要素は、いくつかの点で、図６に関して説明された構成要素と同様であり得る。例えば、マスタコントローラ７０３は、マスタコントローラ６０３と同様であり得、ネットワークコントローラ７０５は、ネットワークコントローラ６０７と同様であり得る。図７の分散型ネットワークにある窓コントローラの各々は、プロセッサ（例えば、マイクロプロセッサ）およびプロセッサと電気通信するコンピュータ可読媒体を含み得る。

図７では、各リーフ窓コントローラまたはエンド窓コントローラ７１０は、ただ１つの着色可能窓のＥＣデバイス７８０と通信して、建物にあるその着色可能窓の色合いレベルを制御する。ＩＧＵの場合、リーフ窓コントローラまたはエンド窓コントローラ７１０は、ＩＧＵの色合いレベルのＩＧＵ制御の多数のライト上のＥＣデバイス７８０と通信することができる。他の実施形態では、各リーフ窓コントローラまたはエンド窓コントローラ７１０は、複数の着色可能窓と通信することができる。リーフ窓コントローラまたはエンド窓コントローラ７１０は、着色可能窓に一体化され得るか、またはリーフ窓コントローラまたはエンド窓コントローラ７１０が制御する着色可能窓とは別個であり得る。図７のリーフ窓コントローラおよびエンド窓コントローラ７１０は、図６のエンド窓コントローラまたはリーフコントローラ６０８と同様であり得、かつ／または図４に関して記載の窓コントローラ４５０と同様であり得る。

壁スイッチ７９０からの信号が、場合によっては、窓制御システム７０２からの信号を上書きすることがある。他の場合（例えば、高需要の場合）、窓制御システム７０２からの制御信号が、壁スイッチ１４９０からの制御信号を上書きすることがある。各壁スイッチ７９０はまた、リーフ窓コントローラまたはエンド窓コントローラ７１０と通信して、壁スイッチ７９０から送信された制御信号に関する情報（例えば、時刻、日付、要求された色合いレベルなど）をマスタ窓コントローラ７０３に返送する。場合によっては、壁スイッチ７９０は、手動で操作され得る。他の場合、壁スイッチ７９０は、例えば、赤外線（ＩＲ）および／または無線周波数（ＲＦ）信号を使用して、制御信号で無線通信を送信する遠隔デバイス（例えば、携帯電話、タブレットなど）を使用して、エンドユーザによって無線で制御され得る。場合によっては、壁スイッチ７９０は、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＥｎＯｃｅａｎ、ＷｉＦｉ、Ｚｉｇｂｅｅ（登録商標）などの無線プロトコルチップを含み得る。図７に描写される壁スイッチ７９０は、壁上に位置するが、システム７００の他の実施形態では、スイッチは部屋のどこか他の場所に位置する。

ＩＩ．一般的なシステムアーキテクチャ
従来のスマート窓および／または陰影制御システムは、建物上の影および反射を活発にモデル化し、これは、建物にあるリソースを計算するのに面倒で非効率である。本明細書に記載のシステムアーキテクチャは、建物のモデルを活発に生成するのに、窓制御システムを必要としない。代わりに、建物現場に特有のモデルが生成され、窓制御システムとは別個のクラウドネットワークまたは他のネットワーク上で維持される。例えば、ニューラルネットワークモデル（例えば、ＤＮＮおよびＬＳＴＭ）が初期化され、再訓練され、かつ／またはクラウドネットワークもしくは他のネットワーク上で実行されるライブモデルが、窓制御システムから分かれ、これらのモデルからの色合いスケジュール情報が窓制御システム８４０に移される。

色合いスケジュール情報は、これらのモデルから引き出され、窓制御システムに移される規則を定義する。窓制御システムは、対象の建物に特注のこれらの事前定義モデルから引き出された色合いスケジュール情報を使用して、着色可能窓で実施される最終色付けを決定する。ユーザが、建物現場を立ち上げ、カスタマイズするための入力、および着色可能窓に適用される対応する最終色合い状態を管理するのを可能にするように、３Ｄモデルの視覚化をもたらすことができるクラウドベースの３Ｄモデリングプラットフォーム上に３Ｄモデルが維持される。色合いスケジュール情報が窓制御システムに読み込まれると、モデリング計算によって制御システムの計算能力を結び付けることの必要がなくなる。モデルに対するいずれの変更からももたらされる色合いスケジュール情報が、必要に応じて窓制御システムに移され得る。システムアーキテクチャが概して着色可能窓を制御することに関して本明細書で説明されているが、建物にある他の構成要素およびシステムが、このアーキテクチャで追加的にまたは代替的に制御されてもよいことが理解されるであろう。

様々な実装形態において、システムアーキテクチャは、建物現場の３Ｄモデルを立ち上げ、カスタマイズするためのクラウドベースのモジュールを含む。クラウドベースの３Ｄモデリングシステムは、アーキテクチャモデルを入力として使用して建物現場の３Ｄモデルを初期化し、例えば、Ａｕｔｏｄｅｓｋ（登録商標）Ｒｅｖｉｔモデルまたは他の業界標準の建物モデルが使用され得る。その最も単純な形態の３Ｄモデルには、窓開口、ならびに床および壁のみを有する建物の内部の省略バージョンを含む、建物の構造体の外面が含まれる。より複雑なモデルには、建物、ならびに建物の内部および外部のより詳細な特徴を取り囲む物体の外面が含まれ得る。システムアーキテクチャにはまた、クラウドベースの晴天モジュールも含まれ、この晴天モジュールは、反射性または非反射性を３Ｄモデルにおける物体の外面に割り当て、内部の３次元居住領域を定義し、ＩＤを窓に割り当て、ユーザからの入力に基づいて窓をゾーンにグループ分けする。結果として得られた晴天３Ｄモデル（すなわち、構成テータが割り当てられた属性有する３Ｄモデル）の時間変化シミュレーションを使用して、晴天条件下で、また建物現場にある物体からの影および反射、建物の空間に入る太陽光、および建物における３次元居住領域と太陽光の３Ｄ投射との交差を考慮して、太陽の異なる位置における太陽光の方向を測定することができる。晴天モジュールは、この情報を使用して、例えば、グレア条件、直接反射条件および間接反射条件、ならびに受動熱条件など、特定の居住領域（すなわち、現住者の視点からの）に特有の条件があるかどうかを判断する。晴天モジュールは、その時点での特定の条件の存在、各条件に割り当てられた色合い状態、および多数の条件がある場合の異なる条件の優先順位に基づいて、各時間間隔でゾーンごとに晴天色合い状態を決定する。通常、１年間の色合いスケジュール情報が、例えば、建物にある窓制御システムのマスタコントローラに移される。窓制御システムは、赤外線センサおよび／またはフォトセンサからの測定値などのセンサデータに基づき、各時間間隔において、ゾーンごとに気象ベースの色合い状態を決定する。それにより、窓制御システムは、気象ベースの色合い状態および晴天色合い状態の最小限を決定して、最終色合い状態を設定し、着色可能窓のゾーンにおける最終色合い状態を具体化するための色合い命令を送信する。このように、実施形態によっては、窓制御システムは、建物または建物の周囲および内部の３Ｄパラメータをモデル化せず、それはオフラインで行われ、したがって、窓制御システムの計算能力は、モデルおよび／または窓制御システムによって受信された他の入力に基づき色合い状態を適用するなどの他のタスクに使用され得る。

図８は、様々な実装形態による、クラウドネットワーク８０１において維持されるモデルを初期化し、カスタマイズする際に、またモデルからの規則などの出力に基づいて建物の着色可能窓を制御する際に関わるシステムおよびユーザの一般的なアーキテクチャ８００を描写する概略図である。システムアーキテクチャ８００は、クラウドベースの晴天モジュール８２０と通信するクラウドベースの３Ｄモデルシステム８１０を含み、この場合、８１０と８２０との組み合わせは、モジュールＡと呼ばれる。一実施形態において、モジュールＡは、窓制御システム８４０に入力を提供する。３Ｄモデルシステム８１０は、建物現場の３Ｄモデルを初期化しかつ／または改め、３Ｄモデルに関するデータを晴天モジュール８２０に伝えることができる。３Ｄモデルシステムによって初期化された３Ｄモデルは、建物現場にある周辺構造体および他の物体の外面、ならびに壁、床、および外面以外のすべてを取り除いた建物を含む。クラウドベースの晴天モジュール８２０は、属性を３Ｄモデルに割り当て、例えば、グレア／影モデル、反射モデル、および受動熱モデルのうちの１つ以上などの晴天３Ｄモデルを生成することができる。クラウドベースのシステムは、アプリケーションプログラムインターフェース（ＡＰＩ：ＡｐｐｌｉｃａｔｉｏｎＰｒｏｇｒａｍＩｎｔｅｒｆａｃｅ）を使用して、クラウドネットワークを介して、互いに、また他のアプリケーションと通信している。クラウドベースの３Ｄモデルシステム８１０および晴天モジュール８２０の両方は、本明細書により詳しく記載のようなロジックを含む。これらのクラウドベースのモジュールおよび本明細書に記載の他のモジュールのロジックが、クラウドネットワークのサーバのコンピュータ可読媒体（例えばメモリ）に格納され得、またクラウドネットワークにおけるサーバ上の１つ以上のプロセッサが、コンピュータ可読媒体と通信して、そのロジックの機能を果たすための命令を実行することが、理解されるであろう。一実施形態において、窓制御システム８４０はまた、本明細書でさらに説明されるモジュールＢから入力を受信する。別の実施形態において、窓制御システム８４０は、モジュールＡ、Ｃ１、およびＤ１から入力を受信する。

晴天モジュール８２０は、建物現場の３Ｄモデルを使用して、晴天条件下で太陽の異なる位置に対して経時的にシミュレーションを生成し、建物現場にある、またはその周りの１つ以上の物体からのグレア、影、および反射を測定することができる。例えば、晴天モジュール８２０は、晴天グレア／影モデルおよび反射モデルを生成することができ、光線追跡エンジンを使用することにより、晴天条件下の影および反射に基づき、建物の窓開口を通過する直射日光を測定することができる。晴天モジュール８２０は、影データおよび反射データを使用して、建物の居住領域（すなわち、あり得る現住者の場所）におけるグレア、反射、および受動熱の条件の有無を判断する。クラウドベースの晴天モジュール８２０は、これらの条件に基づき、建物のゾーンの各々に色合い状態の年ごとのスケジュール（または他の期間）を決定する。クラウドベースの晴天モジュール８２０は、通常、色合いスケジュール情報を窓制御システム８４０に移す。

窓制御システム８４０は、図６および７に描かれたネットワークなどの窓コントローラのネットワークを含む。窓制御システム８４０は、第^１のゾーン８７２から第^ｎのゾーン８７４までの一連のゾーンとして図８に描写されている、建物にある着色可能窓のゾーンと通信している。窓制御システム８４０は、最終色合い状態を決定し、着色可能窓の色合い状態を制御するための色合い命令を送信する。最終色合い状態は、年間スケジュール情報、センサデータ、および／または気象フィードデータに基づいて決定される。図示のシステムアーキテクチャ８００に関して述べたように、窓制御システム８４０は、モデルを生成せず、そうでなければモデリングに対して演算能力を浪費する。これらのモデルは、建物現場に特有であり、クラウドネットワーク８０１において作り出され、カスタマイズされ、格納される。事前定義の色合いスケジュール情報は、最初に窓制御システムに移され、次に、３Ｄモデルへの更新が必要な場合のみ再度移される（例えば、建物レイアウトに対する変更、周辺エリアにある新しい物体など）。

システムアーキテクチャ８００は、顧客および他のユーザと通信して、３Ｄモデルのアプリケーションサービス、レポート、および視覚化を提供するための、また３Ｄモデルを立ち上げ、カスタマイズするための入力を受信するためのグラフィカルユーザインターフェース（ＧＵＩ：ＧｒａｐｈｉｃａｌＵｓｅｒＩｎｔｅｒｆａｃｅ）８９０も含む。３Ｄモデルの視覚化は、ＧＵＩを通して、ユーザに提供され、またユーザから受信され得る。図示のユーザには、現場でのトラブルシューティングに関与し、視覚化を見直し、３Ｄモデルを編集する能力を有する現場運用８９２が含まれる。ユーザには、３Ｄモデルに対する視覚化変更および現場構成変更を見直す能力を有するカスタマサクセスマネージャ（ＣＳＭ：ＣｕｓｔｏｍｅｒＳｕｃｃｅｓｓＭａｎａｇｅｒ）８９４も含まれる。ユーザには、様々な顧客と通信するカスタマ構成ポータル８９８も含まれる。このカスタマ構成ポータル８９８を通して、顧客は、３Ｄモデルにマッピングされたデータの様々な視覚化を見直し、建物現場で構成を変更するための入力を提供することができる。ユーザからの入力のいくつかの例には、居住エリア、建物現場での３Ｄ物体定義、特定の条件での色合い状態、および条件の優先順位などの空間構成が含まれる。ユーザに提供される出力のいくつかの例には、３Ｄモデル、標準レポート作成、および建物の性能評価に関するデータの視覚化が含まれる。特定のユーザが、例示目的で描写されている。他のまたはさらなるユーザが含まれ得ることが理解されるであろう。

システムアーキテクチャの多くの例は、本明細書では、クラウドネットワーク上にある３Ｄモデルシステム、晴天モジュール、およびニューラルネットワークモデルで説明されているが、別の実装形態では、１つ以上のこれらのモジュールおよびモデルが必ずしもクラウドネットワーク上にある必要はない。例えば、３Ｄモデルシステム、晴天モジュール、および／または本明細書に記載の他のモジュールもしくはモデルは、窓制御システムとは別個であり、窓制御システムと通信するスタンドアロンコンピュータまたは他のコンピューティングデバイス上にあり得る。別の例として、本明細書に記載のニューラルネットワークモデルは、マスタ窓コントローラまたはネットワーク窓コントローラなどの窓コントローラ上にあり得る。

特定の実施形態において、本明細書に記載のシステムアーキテクチャの様々なモデル（例えば、ＤＮＮおよびＬＳＴＭモデル）およびモジュールを訓練し実行するための計算リソースには、（１）窓制御システムのローカルリソース、（２）窓制御システムとは別個のリモートソース、または（３）共有リソースが含まれる。第１のケースでは、様々なモデルおよびモジュールを訓練し実行するための計算リソースは、図６の窓制御システム６０２の分散型ネットワークなどの窓コントローラの分散型ネットワークのマスタコントローラまたは１つ以上の窓コントローラ上にある。第２のケースでは、様々なモデルおよびモジュールを訓練し実行するための計算リソースは、窓制御システムとは別個のリモートリソース上にある。例えば、計算リソースは、外部のサードパーティネットワークのサーバ上に、または図８のクラウドネットワーク８０１にわたって使用可能であり得るようなリース可能なクラウドベースのリソースのサーバ上にあり得る。別の例として、計算リソースは、窓制御システムとは別個で、窓制御システムと通信している現場にあるスタンドアロンコンピューティングデバイスのサーバ上にあり得る。第３のケースでは、様々なモデルおよびモジュールを訓練し実行するための計算リソースは、共有リソース（ローカルおよびリモートの両方）にある。例えば、図８のクラウドネットワーク８０１にわたって使用可能なリース可能なクラウドベースのリソースなどのリモートリソースは、夜間にＤＮＮモデルおよび／またはＬＳＴＭモデルの日常的な再訓練作業を行い、図６の窓制御システム６０２のマスタ窓コントローラまたは窓コントローラ群は、色合い決定を成すことが必要なその日の間、ライブモデルを実行する。

Ａ．クラウドベースの３Ｄモデリングシステム
様々な実装形態において、システムアーキテクチャは、３Ｄモデリングプラットフォームを使用して、建物現場の３Ｄモデル（例えば、固体モデル、表面モデル、またはワイヤフレームモデル）を生成することができるクラウドベースの３Ｄモデリングシステムを有する。様々な市販のプログラムが、３Ｄモデリングプラットフォームとして使用され得る。このような市販のプログラムの例としては、ワシントン州シアトルのＭｃＮｅｅｌＮｏｒｔｈＡｍｅｒｉｃａ社製のＲｈｉｎｏ（登録商標）３Ｄソフトウェアがある。市販のプログラムの別の例としては、カリフォルニア州サンラファエルのＡｕｔｏｄｅｓｋ（登録商標）によるＡｕｔｏｃａｄ（登録商標）コンピュータ支援設計および製図ソフトウェアがある。本発明の態様を実装するのに使用され得るツールの他の例には、英国のダンディー市ＤＤ１１ＮＪのＷＲＬＤによってＷＲＬＤ３ｄとして市販されている反射／直接グレアツール、およびＩＭＭＥＲＳＩＦＹ！がある。ＲｅｖｉｔおよびＲｈｉｎｏ用のＶＲは、ｈｔｔｐｓ：／／ｉｍｍｅｒｓｉｆｙ．ｅｕ．から入手可能である。

この３Ｄモデルは、着色可能窓を有する建物の敷地にある建物および他の物体の３次元表現である。建物現場は、概して、対象の建物を取り囲む領域を指す。この領域は、通常、建物上に影または反射を生じさせ得る建物を取り囲むすべての物体を含むように定義される。３Ｄモデルには、建物および建物を取り囲む他の物体の外面の３次元表現、また壁、床、および外面以外の建物のすべての表面を取り除いた建物の３次元表現も含まれる。３Ｄモデルシステムは、例えば、Ｒｅｖｉｔまたは他の業界標準の建物モデルなどの３Ｄモデルを使用して、また壁、床、および窓開口を有する外面を除くすべての建物の表面のモデル化建物を取り除いて、自動的に３Ｄモデルを生成することができる。３Ｄモデルにある他のいずれの物体も、外面を除くすべての要素から自動的に取り除かれ得る。別の例として、３Ｄモデルは、３Ｄモデリングソフトウェアを使用してゼロから生成され得る。３つの建物を有する建物現場の３Ｄモデルの例が、図９に示されている。

Ｂ．クラウドベースの晴天モジュール
大規模な建物における、ときには「スマート窓」と呼ばれるエレクトロクロミック窓などの多数の着色可能窓の最近の設置により、広範囲のコンピューティングリソースを伴う複雑な制御およびモニタリングシステムの必要性が高まっている。例えば、大規模な建物に展開された多数の着色可能窓には、複雑な反射モデルおよびグレアモデルを必要とする膨大な数のゾーン（例えば、１０，０００個）が有り得る。これらの着色可能窓は、引き続き受け入れられ、より広く展開されているため、それらの窓は、大量のデータを伴うことになるより精巧な制御システムおよびモデルを必要とすることになる。

本明細書に記載のシステムアーキテクチャは、クラウドに、または必要に応じてローカルに実装され得る３Ｄモデリングプラットフォームを使用して、３Ｄモデル視覚化を生じさせる。モデルには、例えば、グレア／影モデル、反射モデル、および受動熱モデルが含まれる。３Ｄモデルは、建物の内部および外部に対する太陽光の影響を視覚化するのに使用される。図１０は、特定の時刻における太陽の経路に従って、建物の外面に沿ってあるグレア、影、反射、および熱の視覚化の例である。視覚化は、建物の場所用の晴天モデルに基づく晴天条件下で生成される。視覚化を使用して、建物のいずれの階上のいずれのサイズの内部スペースの１つおよび多数の居住領域およびゾーンのグレアも見極め、制御することができ、建物の外部と、太陽の経路にあり得る、張り出し、柱などの建物の特徴とを考慮に入れることができる。この視覚化では、一次反射および二次反射、ならびに外部物体および建物の複雑な曲線および凸形状からの１つおよび多数の反射、また建物内の居住領域およびゾーンへのそれらの影響も考慮に入れることができる。視覚化は、直接放射、外部物体および建物によって反射されかつ／または拡散された放射、また外部物体および建物によって遮られた放射によって引き起こされる熱の存在および影響をモデル化するのにも使用され得る。

晴天モジュールは、属性を３Ｄモデルに割り当て、晴天３Ｄモデルを生成するように実装され得るロジックを含む。晴天モジュールは、例えば、グレア／影モデル、反射モデル、および受動熱モデルなどの他のモデルを生成し、様々な条件を決定するのに使用され得るロジックも含む。建物現場のこれらのモデルを使用して、建物のゾーンの色合い状態の年間スケジュールを生成することができ、その年間スケジュールは、最終色付け決定を行うように建物にある窓制御システムに移される。このシステムアーキテクチャでは、データのほとんどが、クラウドネットワーク上に保たれ得る。モデルをクラウドネットワーク上に保つことにより、顧客および他のユーザへのアクセス、ならびに顧客および他のユーザによるカスタマイズを容易にすることができる。例えば、様々なモデルの視覚化が、ユーザに送信されて、ユーザが入力を見直し、送信し、例えば、モデルを立ち上げ、カスタマイズし、かつ／または最終色付けスケジュールもしくは建物にある他のシステム機能を上書きするのを可能にすることができる。例えば、視覚化は、ユーザによって使用され得、現場の立ち上げまたはカスタマイズの一環としてゾーン管理および窓管理などにおいて晴天モデルに規則を割り当てることができる。

Ｃ．現場のセットアップおよびカスタマイズ用のグラフィカルユーザインターフェース（ＧＵＩ）
システムアーキテクチャは、様々な顧客および他のユーザとインターフェースで接続するためのＧＵＩも含む。このＧＵＩは、アプリケーションサービスまたはレポートをユーザに提供し、ユーザから様々なモデルのための入力を受信することができる。ＧＵＩは、例えば、様々なモデルの視覚化をユーザに提供することができる。ＧＵＩは、ゾーン管理、窓管理、および居住領域定義用のインターフェースを提供して晴天モデルをセットアップすることもできる。ＧＵＩは、優先順位データ、外面の反射性、上書き値、および他のデータを入力するためのインターフェースを提供することもできる。さらに、ユーザは、ＧＵＩを使用して、例えば、建物現場の晴天モデルの視覚化を見た後に、３Ｄモデルの空間をカスタマイズすることができる。カスタマイズのいくつかの例としては、以下が含まれる。
●反射条件、グレア条件、および熱条件、または建物のゾーンの色付けに対する変更を確認するために、建物現場を再構築する（建物を移動させ、外面性質を改める）
●変更が色合い状態にどのように影響を及ぼすかを確認するために、建物の内部構造体（壁、床）および外殻を再構築する
●窓のゾーンを管理する
●反射性に対する変更、ならびに反射モデルおよび色合い状態の対応する変更を確認するために、建物で使用される材料を変更する
●建物の３Ｄモデルにマッピングされたときの色合い状態の変化を確認するために色付け優先順位を変更する
●スケジュールデータにおける色合い状態を上書きする
●建物現場で建物を改める
●新しい条件のモデルを追加する

Ｄ．窓制御システム
本明細書に記載のシステムアーキテクチャは、建物にある着色可能窓の１つ以上のゾーンの色合いレベルを制御する窓コントローラのネットワークを含む窓制御システムを含む。システムアーキテクチャの窓制御システム８４０に含まれ得るコントローラのいくつかの例が、図６〜８に関して説明される。窓コントローラの他の例が、その全体が参照により本明細書に組み込まれる、２０１６年１０月２６日に出願され、「ＣＯＮＴＲＯＬＬＥＲＳＦＯＲＯＰＴＩＣＡＬＬＹ−ＳＷＩＴＣＨＡＢＬＥＤＥＶＩＣＥＳ」の題の米国特許出願第１５／３３４，８３５号に記載されている。

窓制御システム８４０は、色付けを決定し、着色可能窓の色合いレベルを変更するための色合い命令を送信するための制御ロジックを含む。特定の実施形態において、制御ロジックは、クラウドベースの３Ｄモデルシステム８１０およびクラウドベースの晴天モジュール８２０を有するモジュールＡと、１つ以上のフォトセンサ値によりモジュールＣから、かつ／または１つ以上の赤外線センサ値によりモジュールＤから、信号を受信する、モジュールＢとを、含む（図８参照）。モジュールＣは、フォトセンサ読み取り値を取得する１つ以上のフォトセンサを含み得るか、または、例えばマルチセンサデバイスもしくは天空センサにある、１つ以上のフォトセンサからの生のフォトセンサ読み取り値による信号を受信し得る。同様に、モジュールＤは、温度読み取り値を取得する１つ以上の赤外線センサおよび／または周囲温度センサを含み得るか、または、例えばマルチセンサデバイスもしくは天空センサにある、１つ以上の赤外線センサからの生の温度測定値による信号を受信し得る。

Ｅ．システムアーキテクチャの一般的なプロセス
図１１は、図８に示されるシステムアーキテクチャ８００のシステムのうちのいくつかの間でやり取りされるデータの流れの図示例である。示されるように、モジュールＡ（８１０および８２０を含む）は、その情報を窓制御システム８４０に提供する。一実装形態において、窓制御システム８４０の制御ロジックはまた、モジュールＢから１つ以上の入力を受信し、モジュールＡおよび／またはモジュールＢから受信した出力に基づいてゾーンごとに最終色合い状態を設定する。図２８に示される別の実装形態では、窓制御システム８４０の制御ロジックはまた、モジュールＣ１およびモジュールＤ１から１つ以上の入力を受信し、モジュールＡ、モジュールＣ１、およびモジュールＤ１から受信した出力に基づいてゾーンごとに最終色合い状態を設定する。

図１２は、晴天条件に基づいて色合いスケジュール情報を生成するように、晴天モジュール８２０によって実施される特定の論理演算の例の概略図である。この図示例では、晴天モジュールは、各条件に割り当てられた色合い状態を条件値に適用し、次に優先順位データからの優先順位を適用して特定の時間でゾーンごとに色合い状態を決定する。別の例では、晴天モジュールは、優先順位データからの優先順位を条件値に適用して、適用する条件を決定し、次に色合い状態をその条件に適用して、特定の時間間隔でゾーンごとに色合い状態を決定することができる。図１２では、上部の表は、１日のうちの時間間隔でのゾーン１に対するグレア条件、直接反射条件、および受動熱条件の値を含む、晴天モジュールによって決定された条件値の表の例である。この例では、条件値は、条件が１日のうちの異なる時間にあるかどうかの２進値（０／１）であり、すなわち「０−条件がない」、「１−条件がある」である。図１２は、晴天モジュールから出力された色合い状態の例である第２の表も含む。この色合い状態は、条件ごとに各ゾーンに割り当てられる。例えば、ゾーン１は、グレア条件に対し色合い４に割り当てられ、ゾーン１は、反射条件に対し色合い３に割り当てられ、ゾーン２は、受動熱条件に対し色合い１に割り当てられる。条件が当てはまる場合、晴天モジュールは、その条件に当てはまる色合い状態を割り当てる。優先順位データとは、通常、建物のゾーンごとに条件を適用するための優先順位のリストを指す。優先順位データは、特定の場合には、ユーザによって構成可能であり得る。図１２に示される第３の表は、どの条件が優先されるかをシステムに知らせる構成可能な優先順位表（例えば、ユーザによって構成可能な）の例である。この例では、建物のゾーンごとにグレア条件、直接反射条件、および受動熱条件の優先順位が与えられる。図１２の下の表は、上の表の条件値に適用されたた中央の表からの優先順位データに基づいて、ゾーン１で１日にわたって決定された色合い状態の例である。

図１３は、実装形態のシステムアーキテクチャのクラウドベースのシステムを通したモデルデータフローを描写する。この３Ｄモデルは、３Ｄプラットフォーム上で生成される。３Ｄモデルは、窓開口、壁、および床が画定された建物の３Ｄバージョンを含む。周辺物体の外面、およびそれらの反射性が、３Ｄモデルに加えられる。３Ｄモデルにおける窓開口は、ゾーンにグループ分けされ、名前が与えられる。

情報は、ユーザから、例えば、ユーザ位置ＧＵＩを介して受信される。例えば、ユーザは、居住場所の２Ｄエリア、また建物の３Ｄモデルまたは３Ｄモデルを生成するのに使用されるアーキテクチャモデルにおけるスペースの床上のこれらの居住場所に望ましい色合い状態を強調表示するか、そうでなければ特定することができる。ユーザはまた、ＧＵＩを使用して、例えば、直接グレア条件および反射条件などの各条件に関連付けられる、居住領域ごとに色合い状態を定義することもできる。ユーザは、地面レベル〜ユーザの目のレベルのユーザレベルを入力することもでき、このレベルを使用して、２Ｄエリアの３Ｄ押し出しを生成し、居住領域の３Ｄボリュームを生成することができる。一実施形態において、ユーザがレベルを入力しない場合、レベルは、６フィートに初期設定される。晴天モジュール条件ロジックを使用して、例えば、グレア／影モデル、反射モデル、および熱モデルを含む様々な条件モデルを生成することができる。これらの条件モデルを使用して、窓制御システムに伝えられる年間スケジュール情報を生成することができる。

晴天モジュール−モデルセットアップ／カスタマイズおよびスケジューリング情報の生成
建物現場の３Ｄモデルは、現場セットアッププロセス中に初期化される。実施態様によっては、ユーザには、例えばＧＵＩを通して、建物にある着色可能窓および／または他のシステムの制御をカスタマイズするようにこのモデルを改める能力が与えられる。これらのカスタマイズは、３Ｄモデリングプラットフォーム上の視覚化によってユーザによって見直しされ得る。例えば、顧客または他のユーザは、カスタマイズ後に、何がその建物用に設計されたのか、またそれが所与の日にどのように働き、「その場合、どんな」シナリオが提供されるのかを見ることができる。また、異なるユーザが、クラウドネットワークに格納された同じ３Ｄモデルを見直して、多数のユーザに提供することになるオプションを比較し、考察することができる。例えば、ＣＳＭは、ユーザの場所、条件による色合い状態、優先順位、および施設管理者による晴天条件下の予想される挙動を見直すことができる。

現場セットアッププロセスには、建物現場の３Ｄモデルを生成することと、属性を３Ｄモデルの要素に割り当てることと、が含まれる。３Ｄモデルプラットフォームは、通常、建物の建築モデルから不要な特徴を取り除き、建物を取り巻く物体の外面を作り出すことによって、建物現場の３Ｄモデルを生成するのに使用される。

図１４は、様々な実装形態による、３Ｄモデルプラットフォーム上の３Ｄモデルを初期化する際に伴う全体的な作業を示すフローチャートである。一実装形態において、３Ｄモデルは、建物の建築モデル、および／またはすべての外部要素の建築モデルを取り除くことによる周辺構造体から自動的に生成される。例えば、建物のＡｕｔｏｄｅｓｋ（登録商標）Ｒｅｖｉｔモデルが受信され、壁、床、および窓開口を含む外面を除くすべての要素が取り除かれ得る。これらの作業は、３Ｄモデリングシステムによって実施され得る。図１４では、３Ｄモデリングシステムは、その構造体および建物現場にある建物を取り囲む他の物体用の着色可能窓を有する建物用の建築モデルを受信する（１４１０）。作業１４２０において、３Ｄモデリングシステムは、着色可能窓を有する建物の窓開口、壁、床、および外面を表す構造要素以外のすべてを取り除く。作業１４３０において、３Ｄモデリングシステムは、建物の外面、および建物を取り巻く他の物体を構築するか、または外面以外の周辺物体からすべての要素を取り除く。作業１４３０の出力は、建物現場の３Ｄモデルである。建物現場の３Ｄモデルの例が、図９に示される。

図１５は、特定の実装形態による、条件モデルを生成する３Ｄモデルに属性を割り当てるのに伴う全般的な作業、および晴天スケジュール作成情報を生成するのに伴う他の作業のフローチャートである。これらの作業のうちの１つ以上は、晴天モジュールのロジックを使用して実施され得る。描写のように、作業のための入力は、３Ｄモデリングシステムからの建物現場の３Ｄモデルである。作業１５１０において、反射性または非反射性が、建物現場の３Ｄモデルの建物を取り囲む物体の表面要素に割り当てられる。これらの反射性を使用して、反射モデルを生成し、条件を見極める。１５２０において、３Ｄモデルの各窓開口に一意の窓ＩＤが割り当てられる。この窓管理作業では、窓開口は、一意の窓／コントローラＩＤにマッピングされる。一実装形態において、これらのマッピングは、建物での設置における窓の立ち上げからの入力に基づいて、検証され得かつ／または改められ得る。１５３０において、３Ｄモデルにある窓開口は、ゾーンにグループ分けされ、ゾーンＩＤおよび／またはゾーン名が、ゾーンに割り当てられる。このゾーン管理作業では、３Ｄモデルにある窓開口が、ゾーンにマッピングされる。１５４０において、モデルに３Ｄ居住領域が生成され、色合い状態が割り当てられる。例えば、ユーザは、３Ｄモデルの床上の２Ｄ居住エリアと現住者の目の高さを識別することができ、晴天モジュールのロジックは、３Ｄ居住エリアの押し出しを目の高さへ生成して、３Ｄ領域を生成することができる。１５５０において、適用されることになる晴天モデルが決定され、その晴天モデルを作動させて、窓開口を通る太陽光の３Ｄ投射を決定する。このモデル管理作業では、様々な晴天モデル、例えば、グレア／影モデルおよび反射モデルが、一実装形態に従って生成される。晴天モジュールは、光線追跡エンジンを含み、この光線追跡エンジンは、１年または他の期間のうちの１日全体にわたる上空の太陽の異なる位置に基づいて、太陽光線の方向を決定し、かつ建物を取り囲む物体の外面の場所および反射性から反射方向および反射強度を決定する。これらの決定から、３Ｄモデルにおける窓開口を通る直射日光の３Ｄ投射が決定され得る。１５６０において、モデルと３Ｄ居住領域とからの太陽光の３Ｄ投射のいずれの交差の量および持続期間も決定される。１５７０において、条件が、作業１５６０で決定された交差性に基づいて見極められる。作業１５８０において、優先順位データが、例えば年間スケジュールにおいて、経時的に建物のゾーンごとに色合い状態を決定するように条件値に適用される。晴天条件に基づくこれらの色合い状態は、窓制御システムに伝えられる。

Ａ．窓管理
建物現場の３Ｄモデルのセットアップ中に、各窓開口には、そのローカル窓コントローラに対応する一意の窓ＩＤが割り当てられる。窓開口を窓ＩＤに割り当てることにより、窓開口を窓コントローラにマッピングする。各窓ＩＤは、ゾーンにグループ分けされ得る各窓コントローラを事実上表す。あるいはまたはさらに、建物への窓およびそのコントローラの設置の後、立ち上げ作業を使用して、どの窓をどの場所に設置するか、どの窓コントローラに対合させるかを決定することができる。それにより、この立ち上げプロセスからの関連付けを使用して、３Ｄモデルにおけるマッピングと比較し、それを検証することができ、または３Ｄモデルの構成データにおけるマッピングを更新することができる。このようなマッピングを決定することができる立ち上げプロセスの例が、その全体が参照により本明細書に組み込まれている、２０１７年１１月１１日に出願され、「ＡＵＴＯＭＡＴＥＤＣＯＭＭＩＳＳＩＯＮＩＮＧＯＦＣＯＮＴＲＯＬＬＥＲＳＩＮＡＷＩＮＤＯＷＮＥＴＷＯＲＫ」の題の国際出願ＰＣＴ／ＵＳ２０１７／０６２６３４に記載されている。窓ＩＤへの各窓開口のマッピングはまた、ユーザカスタマイズに基づいて、改められ得る。

一実装形態において、ユーザは、３Ｄモデルの３Ｄプラットフォーム上の窓開口を選択し、一意の窓ＩＤを割り当てることができる。図１６は、建物の床にある１４個の窓開口に適用されるような実装形態の例である。示されるように、ユーザは、これらの窓開口に１〜１４の窓ＩＤを割り当てている。

Ｂ．ゾーン管理
建物の各ゾーンは、１つ以上の着色可能窓を含む。着色可能窓は、３Ｄモデルにおいて開口として表される。各ゾーンの１つ以上の着色可能窓は、同様に挙動するように制御されるようになる。これは、ゾーンにある窓のうちの１つに関連付けられた居住領域が特定の条件下に置かれる場合、すべての窓が、その条件に反応するように制御されるようになることを意味する。３Ｄモデルの属性を有する構成データには、名前、ガラスＳＨＧＣ、および最大内部放射などのゾーン性質が含まれる。

３Ｄモデルの現場セットアップまたはカスタマイズの一環としてのゾーン管理の間、ユーザが、ゾーンに一緒にグループ分けされることになる窓開口を定義し、その定義されたゾーンに性質を割り当てることができる。図１７Ａは、３Ｄモデリングプラットフォーム上のインターフェースの例であり、このインターフェースにより、ユーザは、図１６に示される窓開口を選択して、ゾーン（へのマッピング）として一緒にグループ分けし、ゾーンに名前を付けることができる。示されているように、開口１、２、および３は、「ゾーン１」として定義され、開口４〜７は、「ゾーン２」として定義され、開口８〜１４は、「ゾーン３」として定義される。一態様では、ユーザは、多数のゾーンが同じように挙動するように、ゾーンを組み合わせることもできる。図１７Ｂは、ユーザが図１７Ａからの多数のゾーンを組み合わせることを可能にする３Ｄモデリングプラットフォーム上のインターフェースの例である。示されるように、「ゾーン１」および「ゾーン２」は、一緒にグループ分けされる。

図１８は、３Ｄモデルのマッピングされていない空間を特定のモデル化ゾーンにマッピングするのに、ユーザによって使用され得るインターフェースの例である。示されるように、ユーザは、「ゾーン１」にマッピングされる「オフィス１」、「オフィス２」、「オフィス３」、および「オフィス４」の空間を選択している。この例では、これらの空間に関連付けられた窓は、「ゾーン１」に関連付けられることになる。一態様では、ユーザは、「マッピングを見直す」ボタンを選択して、建物現場の３Ｄモデル上の「ゾーン１」における空間のマッピングされた窓を視覚化することができる。

ゾーン管理中、各ゾーンには、ゾーン性質が割り当てられる。ゾーン性質のいくつかの例には、ゾーン名（ユーザ定義の）、ゾーンＩＤ（システム生成の）、窓のＩＤ、ガラスＳＨＧＣ、ワット毎平方メートル単位の空間への最大許容放射が含まれる。図１９は、各ゾーンに割り当てられた性質の見直しに使用され得るインターフェースの例である。

Ｃ．３Ｄ居住領域の生成
本明細書で使用される際、居住領域とは、特定の期間の間、居住される可能性がある３次元ボリュームを指す。居住領域は、現場セットアップ中に定義され、カスタマイズ中に再定義され得る。居住領域の定義には、通常、２次元エリアを現住者の目の高さに押し出すこととによって３次元ボリュームを定義することと、居住領域に性質を割り当てることとを伴う。性質のいくつかの例には、居住領域名、グレア色合い状態（グレア条件がある場合の色合い状態）、直接反射色合い状態（直接反射放射の異なるレベルの色合い状態）、および間接反射色合い状態（間接反射放射の異なるレベルの色合い状態）が含まれる。

特定の実装形態において、居住領域が、３Ｄモデリングプラットフォーム上で生成される。ユーザは、ユーザ位置を、２次元形状（例えば、多角形）、または３Ｄモデルの床もしくは他の表面上（例えば、机上）の形状として、描くか、そうでなければ定義し、また現住者の目の高さも定義する。晴天モジュールは、表面から現住者の目の高さ（例えば、下方の目の高さ、または上方の目の高さ）までの２次元物体の押し出しとして３次元居住領域を定義する。３Ｄモデルの床に描かれた２次元４側面ユーザ位置の例が、図２０Ａに示されている。図２０Ａの２次元物体を上方の目の高さまで押し出すことによって生成された３次元居住領域の例が、図２０Ｂに示されている。

Ｄ．晴天モデル
特定の実装形態において、グレア／影モデル、直接反射モデル、および間接反射モデルが、３Ｄモデルに基づいて生成される。これらのモデルを使用して、晴天条件に基づいて、３Ｄモデル窓開口を通る太陽光の３Ｄ投射を、経時的に測定する。光線追跡エンジンを使用して、各時間間隔で太陽の位置において太陽光の光線の方向をシミュレートする。このシミュレーションを実行して、基本的なグレア条件（居住領域を交差する直接放射）、直接反射グレア条件（直接反射面から居住領域への１回はね返り反射）、間接反射グレア条件（間接反射面から居住領域への多数のはね返り反射）など、建物のゾーンの各々で異なるグレア条件を見極める。このシミュレーションは、晴天条件を前提とし、空間上の影付け、および建物を取り囲む外部物体による反射を考慮に入れている。このシミュレーションは、１年または他の期間にわたる時間間隔でのグレアおよび他の条件の値を決定する。このスケジュールデータには、１年などの期間にわたる時間間隔ごと（例えば、１０分ごと）の条件および／または色合い状態の各々の値が含まれる。

通常、晴天モジュールは、異なる条件（例えば、グレア、反射、受動熱）が、１年などの期間の各時間間隔（例えば、１０分ごと）で建物の各ゾーンにあるかどうかを判断するためのロジックを含む。晴天モジュールは、これらの条件の値の色合いスケジュール情報、および／または時間間隔ごとに各ゾーンに関連付けられた色合い状態を出力する。ある条件の値は、例えば、１（条件がある）または０（条件がない）の２進値であり得る。場合によっては、晴天モジュールは、異なる時点での太陽の位置に基づいて、太陽光の光線の方向（直射または反射）を測定する光線追跡エンジンが含まれる。

一態様において、グレア条件は、１つの居住領域におけるモデルからの多数のグレアエリアに基づいて見極められる。例えば、光投射は、１つの居住領域内の異なる居住エリアを交差する可能性がある。一態様において、条件が、１つのゾーン内の多数の高度に基づいて見極められる。

−グレア制御
特定の実施態様において、グレア条件の測定は、グレア（影のない）モデルおよび／または直接反射（１回はね返り）モデルからの太陽光の３Ｄ投射の３次元居住領域との交差の関数である。グレアモデルからの基本的なグレアの肯定的な決定は、３Ｄ居住領域との全交差の％と、交差の持続時間との関数である。反射モデルに基づく反射グレアの測定は、交差の持続時間の関数である。

晴天モジュールは、グレア（影がない）モデルにおよび／または建物を取り囲む物体に基づく直接反射（１回跳ね返り）モデルに基づくグレア条件の存在を見極めるためのロジックを含む。

一実装形態によれば、ゾーンごとに、ロジックは、ゾーンの窓開口を通る直射日光の３Ｄ投射がゾーン内の３次元居住領域のいずれかを交差するかどうかを、グレアモデルから判断する。％交差が全交差の最小％よりも大きく（グレア条件が考慮される前の窓投射から居住領域への重なりの最小閾値）、交差の持続時間が交差の最小持続時間よりも長い場合（交差の最小時間量は、その最小時間量が顕著になる前に生じる必要がある）、グレア条件値（例えば、１）、およびそのグレア条件に関連付けられた色合い状態が返される。ロジックが、グレアモデルから、窓開口を通る直射日光の３Ｄ投射がゾーンにある３次元居住領域のいずれも横切らない、例えば、ゾーンが影にあると判断した場合は、グレア条件値（例えば、０）、および何のグレア条件にも関連付けられていない色合い状態が返される。このロジックは、互いにリンクされている可能性がある、ゾーンの最大色合い状態を取得する。交差がない場合、最低の色合い状態が返される（例えば、色合い１）。

別の実装形態において、ロジックは、太陽が３次元居住領域のいずれかを直接交差しているかどうか、時間間隔ごとに、着色可能窓のゾーンごと（窓開口の集まり）に判断する。居住領域のいずれかが同時に交差している場合、出力は、その条件があることを示す。居住領域のいずれも横切らない場合、その条件は、ない。

図２１は、基本的なグレアに基づいて、グレア条件を返さなかったグレア／影モデルのシミュレーションを使用した例である。この例では、シミュレーションでは、３Ｄ居住領域とのグレアの少ない合計交差を生成し、グレアは、晴天モデルがグレア条件を返さないように、その日全体を通して長くはなかった。

図２２は、直接１回はね返り反射からのグレアに基づいて、グレア条件を返した直接反射（１回はね返り）モデルのシミュレーションを使用した例である。この例では、シミュレーションでは、３Ｄ居住領域との多い合計交差を生成し、グレア値が返されるように、この日にグレアが長時間生じた。

−反射放射制御
晴天モジュールは、モデルに基づいて、晴天条件下で反射条件があるかを見極めるための、また最低状態を決定して、内部放射を最大許容内部放射未満に保つためのロジックを含む。このロジックは、ゾーンの窓開口に当る直接の正常放射に基づいて、放射条件を決定する。ロジックは、その正常放射をそのゾーンに定義された閾値未満に保つことができる最も透明な色合い状態に基づいて、色合い状態を決定する。

ロジックは、３Ｄモデルから着色可能窓への外部の正常放射を測定し、測定された外部放射レベルにガラスＳＨＧＣを乗じることによって、色合い状態ごとの内部放射を計算する。ロジックは、ゾーンの最大内部放射を、色合い状態の各々用に計算された内部放射と比較し、そのゾーンの最大内部放射未満である最も明るい計算色合い状態を選択する。例えば、モデルからの外部正常放射は、８００であり、最大内部放射は、２００であり、Ｔ１ＳＨＧＣ＝０．５、Ｔ２＝０．２５、およびＴ３＝０．１である。ロジックは、測定された外部放射レベルにガラスＳＨＧＣを乗じることによって、色合い状態ごとの内部放射を計算した結果、ＣａｌｃＴ１（８００）＊０．５＝４００、ＣａｌｃＴ２（８００）＊０．２５＝２００、およびＣａｌｃＴ３（８００）＊０．１＝８０であった。ロジックは、Ｔ２がＴ３よりも明るいため、Ｔ２を選択すると考えられる。

別の実装形態において、ロジックは、太陽に外部物体からの１回の跳ね返りがある場合に、窓のゾーン（開口の集まり）ごとに測定する。居住領域のいずれかに対する反射がある場合、反射条件がある。反射が居住領域のいずれにもない場合、反射条件はない。

−受動熱制御
特定の実装形態において、晴天モジュールは、晴天モデルからの出力に基づいて、ゾーンの窓により暗い色付け状態を設定する受動熱条件があるかどうかを見極めるためのロジックを含む。このロジックは、晴天モデルから晴天条件下で着色可能窓に当る外部太陽放射を測定する。ロジックは、着色可能窓への外部放射に基づいて、部屋に入る推定晴天熱を測定する。ロジックが、部屋に入る推定晴天熱が最大許容値よりも大きいと判断した場合、受動熱条件があり、受動熱条件に基づいて、より暗い色合い状態がゾーンに設定される。この最大許容値は、建物の外部温度、および／またはユーザ入力に基づいて、設定され得る。一例において、外部温度が低い場合、最大許容外部放射は、建物空間に入る受動熱のレベルを上げるのを可能にするように、非常に高く設定され得る。

Ｅ．建物現場晴天モデルのカスタマイズ
図２３は、一態様による、ユーザ入力を実施して、建物現場の晴天３Ｄモデルをカスタマイズする動作およびプロセスのフローチャートである。これらの敷地編集作業は、晴天モジュール８２０上のロジックによって実施され得る。晴天モデルの属性は、いつでも編集可能（カスタマイズ可能）であり、定義／再定義され得る。ユーザは、例えばＧＵＩを介して、入力することができる。このフローチャートでは、プロセスは、３Ｄモデルを開くことによって始まる（２２０２）。これにより、ユーザは、ゾーンを編集する、またはユーザ位置を編集するを選択することの選択肢を有する（２２１０、２２２０）。ユーザがゾーンを編集することを選択した場合、ユーザは、そのゾーンに定義された窓を再編成し（２２１２）、ゾーンに新しい名前を付け（２２１４）、かつ／またはゾーンの許容内部放射もしくは他の性質を編集することができる（２２１６）。ユーザがユーザ位置を編集することを選択した場合（２２２０）、ユーザは、ユーザの好みを編集して、ユーザ位置にマッピングすべきグレアモデルまたは反射モデルを選択し（２２２２）、かつ／またはユーザ位置を削除するか（２２２４）、もしくはユーザ位置を追加する（２２２６）。１つまたは複数の編集が行われると、ユーザは、その変更を提出して、建物現場の晴天３Ｄモデルを更新する（２２３０）。これらの変更を使用して、改められた晴天３Ｄモデルに基づいて新しいスケジュールデータを生成し、そのスケジュールデータが、窓制御モジュールにエクスポートされ、伝えられる（２２４０）。

特定の実装形態において、システムアーキテクチャには、ＧＵＩが含まれ、このＧＵＩにより、ユーザが晴天モデルの属性に対して変更を行って、モデルに対する変更、および／または３Ｄモデリングプラットフォーム上の視覚化におけるスケジュールデータに対する変更を確認することができる。３Ｄモデリングプラットフォーム上の建物現場の視覚化は、カスタマイズの目的で使用され得る。

一例において、ＧＵＩは、スライダまたは他のインターフェースを含み得、これらによって、ユーザは、太陽の経路の日々の変化を素早くシミュレートし、１日にわたって太陽によって引き起こされるグレア、影、および熱を視覚化することができる。

建物上または建物にある１つ以上の場所における直接および間接の反射、グレア、影、および熱の視覚化に加えて、窓の色合い状態が、窓の内部ビューまたは外部ビューを介して視覚化され得、以下に説明するような制御ロジックにより窓色合いが決定される。例えば、ユーザは、太陽の時間／位置ごとに制御ロジックによって窓色合いとそれになされた変更を視覚化することができる。このような視覚化は、モデルおよび／または制御ロジックの正しい働きを確認するのにユーザによって使用され得る。

ＩＩＩ．モジュール
モジュールＡ
モジュールＡは、晴天条件下で建物におけるグレアおよび反射率を制御するのに使用される制御ロジックおよび規則を具体化する。ただし、モジュールＡによって使用される晴天モジュールが、気象の変化を考慮しないため、モジュールＡ単独で色合いを決定すると、窓に適用される色合いがそれほど最適ではなくなる可能性がある。一実施形態において、気象の変化は、追加のモジュールＢを使用することにより対処される。

図２４は、建物にある１つ以上のゾーン内の着色可能窓を遷移させるための色合い命令を伝える窓制御システム２６００によって実装される一般的な制御ロジックを備えた窓制御システム２６００を描写する。作業２６２０において、制御ロジックは、モジュールＡおよびモジュールＢによって出力された規則に基づいて、窓および／またはゾーンごとに最終色合いレベルを決定する。例えば、一実施形態において、窓制御システム２６００は、色付け決定を行い、ゾーンごとの最終色合いレベルを、そのゾーンの着色可能窓を制御するローカル窓コントローラに伝えるように、制御ロジックを実施するマスタコントローラを含む。一実装形態において、着色可能窓は、エレクトロクロミック窓であり、各々、少なくとも１つのエレクトロクロミックデバイスを含む。例えば、各着色可能窓は、２つのガラスライトを有する絶縁ガラスユニットであり得、これらのライトのうちの少なくとも１つにエレクトロクロミックデバイスを有する。制御ロジックは、窓制御システムの１つ以上のプロセッサによって行われる。

図２５は、窓コントローラ２７２０、例えばマスタコントローラまたはローカル窓コントローラを含む窓制御システム２７００の別の表現である。窓制御システム２７００は、窓制御システム２７００の１つ以上の構成要素（例えば、他のコントローラ）によって実施される制御ロジックも含む。図示のように、窓コントローラ２７２０は、図示の制御ロジックに従って、窓コントローラシステム２７００の他の構成要素から、色合いスケジュール情報、例えば規則を受信する。

図２５において、制御ロジックには、モジュールＢ２７１０によって具体化されたロジックが含まれる。モジュールＢ２７１０は、未来のある時点における現場の特定の地理的位置における気象状態を予報するように構成されている。一実施形態において、予報は、モジュールＣ２７１１およびモジュールＤ２７１２によって提供される位置特有測定値に基づいて行われる。一実施形態において、気象状態の予報は、未来のある時点における内部光強度、グレア、および反射が、その未来のある時点で起こると予報される気象状態に対して最適化されるように、その未来のある時点までに遷移を完了するために、そのときの時点で窓色合いの変更を開始するのに使用され得る１つ以上の規則の形態で提供される。色合い遷移は、未来の状態を見越して起こる。そうすることで、窓の色合いがリアルタイムまたはほぼリアルタイムで、気象状態の変化に応じて制御されているように観察者には見える。モジュールＢには、ＬＳＴＭ（単変量）サブモジュール２７１０ａ、色合い値サブモジュール２７１４への後処理マッピング、ＤＮＮ（多変量）モジュール２７１０ｂ、バイナリ確率サブモジュール２７１６、および投票サブモジュール２７８６が含まれる。図示の制御ロジックは、３Ｄモデルおよび晴天モデルを備えるモジュールＡ２７０１、フォトセンサ読み取り値から生またはフィルタ処理フォトセンサ値を決定するためのロジックを備えるモジュールＣ２７１１、赤外線読み取り値および／または周囲温度読み取り値から生またはフィルタ処理ＩＲセンサ値および周囲センサ値を決定するためのロジックを備えるモジュールＤ２７１２、および教師なし分類子サブモジュール２７１３を備えるモジュールＥも含む。これらおよびその他の図示の構成要素は、セクションＩＩＩ全体にわたりより詳しく説明する。

モジュールＣ
一実施形態において、モジュールＣ２７１１からの値が、１つ以上のフォトセンサによって測定されたそのときの環境状態を表している生またはフィルタ処理値／信号の形態でモジュールＢ２７１０に提供される。一実施形態において、生またはフィルタ処理信号／値が、異なるサンプル時間に取得された多数のフォトセンサ読み取り値のフィルタ処理ローリング平均値の形態で提供され、各フォトセンサ読み取り値は、フォトセンサによって取得された最大測定値である。一実施形態においては、各フォトセンサ読み取り値には、リアルタイム放射照度読み取り値が含まれる。

モジュールＤ
一実施形態において、モジュールＤ２７１２からの値は、１つ以上の赤外線（ＩＲ）センサによって測定されたそのときの環境状態を表す生またはフィルタ処理値／信号の形態でモジュールＢ２７１０に提供される。一実施形態において、生またはフィルタ処理値／信号が、異なるサンプル時間に取得された多数の赤外線センサ読み取り値のフィルタ処理ローリング中央値の形態で提供され、各読み取り値は、１つ以上の赤外線センサによって取得された最小測定値である。

一実施形態において、赤外線センサ測定値および周囲温度センサ測定値には、天空温度読み取り値（Ｔ_ｓｋｙ）、建物にあるローカルセンサからの周囲温度読み取り値（Ｔ_ａｍｂ）もしくは気象フィードからの周囲温度読み取り値（Ｔ_{ｗｅａｔｈｅｒ}）および／またはＴ_ｓｋｙとＴ_ａｍｂとの差が含まれる。フィルタ処理赤外線センサ値は、天空度読み取り値（Ｔ_ｓｋｙ）およびローカルセンサ（Ｔ_ａｍｂ）からまたは気象フィード（Ｔ_{ｗｅａｔｈｅｒ}）からの周囲温度読み取り値に基づいて決定される。天空温度読み取り値は、赤外線センサによって取られる。周囲温度読み取り値は、１つ以上の周囲温度センサによって取られる。周囲温度読み取り値は、様々な源から受信され得る。例えば、周囲温度読み取り値は、赤外線センサ内蔵の１つ以上の周囲温度センサ、および／または、例えば、建物にあるマルチセンサデバイスの独立型温度センサから伝えられ得る。別の例として、周囲温度読み取り値は、気象フィードから受信され得る。

一実施形態において、モジュールＤ２７１２は、曇りオフセット値および天空温度読み取り値（Ｔ_ｓｋｙ）およびローカルセンサ（Ｔ_ａｍｂ）からのまたは気象フィード（Ｔ_{ｗｅａｔｈｅｒ}）からの周囲温度読み取り値、ならびに／または天空温度読み取り値と周囲温度読み取り値との差であるデルタ（Δ）を使用して、フィルタ処理ＩＲセンサ値を計算するためのロジックを含む。曇りオフセット値は、モジュールＤにおけるロジックによって曇り状態を決定するのに使用される閾値に対応する温度オフセットである。モジュールＤのロジックは、ネットワークコントローラまたはマスタコントローラの１つ以上のプロセッサによって行われ得る。あるいは、モジュールＤのロジックは、１つ以上のフォトセンサおよび赤外線センサで構成されたセンサデバイスの１つ以上のプロセッサによって行われ得る。

作業２８１０において、モジュールＤの作業を行うプロセッサは、そのときの時点でのセンサ読み取り値を入力として受信する。センサ読み取り値は、建物にある通信ネットワークを介して、例えば、屋上のマルチセンサデバイスから受信され得る。受信したセンサ読み取り値には、天空温度読み取り値（Ｔ_ｓｋｙ）、および建物にあるローカルセンサからの周囲温度読み取り値（Ｔ_ａｍｂ）もしくは気象フィードからの周囲温度読み取り値（Ｔ_{ｗｅａｔｈｅｒ}）、ならびに／またはＴ_ｓｋｙとＴ_ａｍｂとの差の読み取り値（Δ）が含まれる。建物にあるローカルセンサからの周囲温度読み取り値（Ｔ_ａｍｂ）は、センサデバイスに内蔵であるか、センサデバイスとは別個である周囲温度センサによって取得された読み取り値である。周囲温度センサ読み取り値は、あるいは、気象フィードデータからのものであってもよい。

一実装形態において、モジュールＤ２７１２は、建物にある２つ以上のＩＲセンサデバイス（例えば、屋上のマルチセンサデバイスの）によって取得された測定値の生センサ読み取り値を受信して使用し、各ＩＲセンサデバイスは、周囲温度（Ｔ_ａｍｂ）を測定するための内蔵周囲温度センサと、そのセンサの視野内で受け取った赤外線放射に基づいて、天空温度（Ｔ_ｓｋｙ）を測定するように空に向けられた内蔵赤外線センサと、を有する。通常、２つ以上のＩＲセンサデバイスを使用して、冗長性をもたらす。ある場合、各赤外線センサデバイスは、周囲温度（Ｔ_ａｍｂ）および天空温度（Ｔ_ｓｋｙ）の読み取り値を出力する。別の場合では、各赤外線センサデバイスは、周囲温度（Ｔ_ａｍｂ）、天空温度（Ｔ_ｓｋｙ）、およびＴ_ｓｋｙとＴ_ａｍｂとの差であるデルタΔの読み取り値を出力する。ある場合、各赤外線センサデバイスは、Ｔ_ｓｋｙとＴ_ａｍｂとの差であるデルタΔの読み取り値を出力する。一態様によれば、モジュールＤのロジックは、建物にある２つのＩＲセンサデバイスによって取得された測定値の生センサ読み取り値を使用する。別の態様では、モジュールＤのロジックは、建物にある１〜１０個のＩＲセンサデバイスによって取得された測定値の生センサ読み取り値を使用する。

別の実装形態において、モジュールＤ２７１２は、その視野内の赤外線放射を受け取るように天空に向けられている、建物にある赤外線センサによって取得された生天空温度（Ｔ_ｓｋｙ）読み取り値、および気象フィードデータからの周囲温度読み取り値（Ｔ_{ｗｅａｔｈｅｒ}）を受信して使用する。気象フィードデータは、通信ネットワーク上で１つ以上の気象サービスおよび／または他のデータソースから受信される。気象フィードデータには、例えば、雲覆域パーセンテージ、視程データ、風速データ、降水確率パーセンテージ、および／または湿度などの気象状態に関連する他の環境データが含まれ得る。通常、気象フィードデータは、窓コントローラによって、通信ネットワークを通して信号で受信される。特定の態様によれば、窓コントローラは、通信ネットワーク上で通信インターフェースを通して、気象フィードデータの要求の信号を１つ以上の気象サービスに送信することができる。その要求には、普通、制御される窓の位置の少なくとも経度および緯度が含まれる。それに応じて、１つ以上の気象サービスは、通信インターフェースを通し通信ネットワークを通して、気象フィードデータの信号を窓コントローラに送信する。通信インターフェースおよびネットワークは、有線または無線の形態であり得る。場合によっては、気象サービスは、気象ウェブサイトを通してアクセス可能であり得る。気象ウェブサイトの例が、ｗｗｗ．ｆｏｒｅｃａｓｔ．ｉｏで見られる。別の例には、ＮａｔｉｏｎａｌＷｅａｔｈｅｒＳｅｒｖｉｃｅ（ｗｗｗ．ｗｅａｔｈｅｒ．ｇｏｖ）がある。気象フィードデータは、そのときの時間に基づくこともあり、または未来のある時点で予報されることもある。気象フィードデータを使用するロジックの例は、その全体が参照により本明細書に組み込まれる、２０１６年７月７日に出願され、「ＣＯＮＴＲＯＬＭＥＴＨＯＤＦＯＲＴＩＮＴＡＢＬＥＷＩＮＤＯＷＳ」の題の国際出願第ＰＣＴ／ＵＳ１６／４１３４４号に見ることができる。

一実装形態において、温度値（Ｔ_ｃａｌｃ）が、１つ以上の赤外線センサからの天空温度読み取り値、１つ以上のローカル周囲温度センサからかまたは気象フィードからの周囲温度読み取り値、および曇りオフセット値に基づいて計算される。曇りオフセット値とは、モジュールＤ２７１２における曇り条件を決定するのに使用される第１および第２の閾値に対応する温度オフセットである。一実装形態において、曇りオフセット値は、摂氏−１７ミリ度である。一例では、摂氏−１７ミリ度の曇りオフセット値は、摂氏０ミリ度の第１の閾値に対応する。一実装形態において、曇りオフセット値は、摂氏−３０ミリ度〜摂氏０ミリ度の範囲である。

一実装形態において、温度値（Ｔ_ｃａｌｃ）が、各対の熱センサが赤外線センサおよび周囲温度センサを有する、２対以上の熱センサからの天空温度読み取り値に基づいて計算される。ある場合、各対の熱センサは、ＩＲセンサデバイスの一体型構成要素である。各ＩＲセンサデバイスは、内蔵赤外線センサおよび内蔵周囲温度センサを有する。通常、冗長性をもたらすのに、２つのＩＲセンサデバイスが使用される。別の場合、赤外線センサと周囲温度センサとは、別個である。この実装形態では、温度値は、次のように計算される。
Ｔ_ｃａｌｃ＝最小値（Ｔ_ｓｋｙ１、Ｔ_ｓｋｙ２、...）−最小値（Ｔ_ａｍｂ１、Ｔ_ａｍｂ２、...）
−曇りオフセット（式１）
Ｔ_ｓｋｙ１、Ｔ_{ｓｋｙ２、...}は、多数の赤外線センサによって取得された温度読み取り値であり、Ｔ_ａｍｂ１、Ｔ_ａｍｂ２、...は、多数の周囲温度センサによって取得された温度読み取り値である。２つの赤外線センサおよび２つの周囲温度センサが使用される場合、Ｔ_ｃａｌｃ＝最小値（Ｔ_ｓｋｙ１、Ｔ_ｓｋｙ２）−最小値（Ｔ_ａｍｂ１、Ｔ_ａｍｂ２）−曇りオフセットである。同じ型の多数のセンサからの読み取り値の最小値を使用して、グレアを避けるのに向けて結果を偏らせるために、より広い曇覆域を示し、結果としてより高い色合いレベルになると考えられるより低い温度値へ結果を偏らせる。

別の実装形態において、モジュールＤ２７１２は、例えば、周囲温度センサが、屋上からなど、ローカルソースから放射する熱を読み取っている場合に、周囲温度センサ読み取り値が使用不可または不正確になったとき、ローカル周囲温度センサの使用から気象フィードデータの使用に切り替えることができる。この実装形態では、気象フィードデータからの天空温度読み取り値および周囲温度読み取り値（Ｔ_{ｗｅａｔｈｅｒ}）に基づいて、温度値（Ｔ_ｃａｌｃ）が計算される。この実装形態では、温度値は、次のように計算される。
Ｔ_ｃａｌｃ＝最小値（Ｔ_ｓｋｙ１、Ｔ_ｓｋｙ２、...）−Ｔ_{ｗｅａｔｈｅｒ}−曇りオフセット（式２）

別の実装形態において、温度値（Ｔ_ｃａｌｃ）は、各々が内蔵赤外線センサおよび周囲温度センサを有する、２つ以上のＩＲセンサデバイスにより測定されたときの天空温度と周囲温度との差Δの読み取り値に基づいて計算される。この実装形態では、温度値は、次のように計算される。
Ｔ_ｃａｌｃ＝最小値（Δ_１、Δ_２、...）−曇りオフセット（式３）
Δ_１、Δ_２，...は、多数のＩＲセンサデバイスによって測定された天空温度と周囲温度との差Δの読み取り値である。式１、式２、および式３を使用する実装形態では、制御ロジックは、天空温度と周囲温度との差を使用して、モジュールＤ２７１２に入力されたＩＲセンサ値を確認し、雲状態を決定する。周囲温度読み取り値は、天空温度読み取り値よりも変動しない傾向にある。天空温度と周囲温度との差を入力として使用して色合い状態を決定することによって、経時的に決定される色合い状態は、それほど変動しない可能性がある。

別の実装形態において、制御ロジックは、２つ以上の赤外線センサからの天空温度読み取り値のみに基づいて、Ｔ_ｃａｌｃを計算する。この実装形態では、モジュールＤ２７１２によって測定されたＩＲセンサ値は、天空温度読み取り値に基づいており、周囲温度読み取り値には基づいていない。この場合、モジュールＤは、天空温度読み取り値に基づいて、雲状態を決定する。Ｔ_ｃａｌｃを判断するための上記の実装形態は、各型の２つ以上の冗長センサに基づいているが、制御ロジックが、ただ１つのセンサからの読み取り値で実施され得ることが理解されるであろう。

モジュールＢ
一実施形態において、モジュールＢ２７１０は、モジュールＣおよびモジュールＤによって提供される気象データの時系列に対して機械学習および深層学習を使用するロジックを有するサブモジュール２７１０ａを使用して天気予報を提供する。サブモジュール２７１０ａは、当業者に知られているような、予測をシーケンスからシーケンスにマッピングする（例えば、ｓｅｑ２ｓｅｑエンコーダ／デコーダフレームワークを使用して）ように長短期記憶（ＬＳＴＭ）を実装するためのリカレントニューラルネットワークモデルロジックを含む。ＬＳＴＭｓｅｑ２ｓｅｑ予測または他のＬＳＴＭ予測により、ユーザ定義の持続時間の履歴気象データ（例えば、３分のメモリ、５分のメモリなど）を使用して、モジュールＣおよびＤから新しいセンサ値が取得されるのに従って、ユーザ定義の長さ（例えば、４分先）の短期予報をライブで逐次起こすことができる。このようなパラメトリックな柔軟性により、変化する気象状態の記憶が、対象となる予報窓に役立つ程度のみ保持される。

一実施形態において、モジュールＣおよびＤからのセンサ値の３つの区別できる範囲および対応する色合い推奨（２、３、および４）への離散化を活かすようなＬＳＴＭｓｅｑ２ｓｅｑ予測が実装される。したがって、天気予報に必要な精度レベルは、リアルタイムデータが変化するのにつれて、相応の範囲のセンサ値へのタイムリーな対応によって定義される。この精度レベルにより、過敏なモデル挙動を制限するように設計された予報平滑化およびその他の正則化制御構造体を使用して、より大きな変動性（状態の突然の変化）の期間に対処することができる。一実施形態において、ＬＳＴＭｓｅｑ２ｓｅｑ予測の実装形態では、最大フォトセンサ読み取り値の５分ローリング平均値および最小ＩＲセンサ読み取り値のローリング中央値を使用し、Ｔ＋４分での一連の４つの予報を平均して、当面の未来の代表的な尺度を作り出す。既存の５分窓制御システムコマンド周期によって定義された制約内で、この実装形態では、追加の制御構造体の導入を支持し、コマンドの変更が既存のハードウェアが応答することができる時間枠でのみ行われるようにする（例えば、その持続期間がユーザ定義の分数より短いコマンド変更を無視して）。

一実施形態において、モジュールＢ２７１０のＬＳＴＭサブモジュール２７１０ａが、当業者に知られているＬＳＴＭｓｅｑ２ｓｅｑ方法論に従って、モジュールＣ２７１１およびモジュールＤ２７１２からの出力を単変量入力として処理し、この場合、１つの単変量変数は、モジュールＣによって提供される最大フォトセンサ値に対応し、その他の単変量入力は、モジュールＤによって提供される最小ＩＲセンサ値に対応する。ＬＳＴＭｓｅｑ２ｓｅｑ方法論に従って各入力を処理すると、色合い値にマッピングされる出力値を提供するように、後処理モジュール２７１４によって後処理され、正規化された実際の値が提供される。実施形態によっては、ＬＳＴＭｓｅｑ２ｓｅｑ方法論の使用が、より長期の予測を提供するよりも、比較的短期の予測を提供するのに適していることが確認された。

モジュールＣおよびＤによって提供される値に基づいて比較的長期の天気予報予測を得るために、モジュールＢ２７１０は、当業者に知られているような高密度ニューラルネットワーク（ＤＮＮ：ＤｅｎｓｅＮｅｕｒａｌＮｅｔｗｏｒｋ）多変量予報を実施するロジックを有するサブモジュール２１７０ｂを含む。一実施形態において、ＤＮＮ方法論は、モジュールＣおよびＤによって提供されるフォトセンサ値とＩＲセンサ値との間の技術者関係を特徴とし、この関係は、より長い時間枠で起こる気象状態または環境状態を予報するのに最も有用である。ＬＳＴＭ方法論が実数値予測（対応する推奨色合い領域にマッピングされる）を出力する場合、ＤＮＮ予報は、その対数尤度出力が晴れ状態対非晴れ状態を確率的にモデル化する二項分類子として実装される。二項分類を使用すると、モデルが（非晴れではなく）晴れ状態を予報する信頼閾値（０〜１）を決定（最適化、現場指定、およびユーザパーソナライズ）する際に柔軟性をもたらす。高リスクのグレア条件を前向きに防ぐために、より低い信頼閾値が設定され得る。内部の自然光を最大限にするために、より高い信頼閾値が設定され得る。一実施形態において、ＤＮＮ出力は、閾値以上の出力が晴れ状態（例えば、１の２進値）として扱われ、閾値より低い出力が、晴れていない状態（例えば、０の２進値）として扱われる、ユーザ設定可能な閾値に基づく。

特定の実施形態において、ＤＮＮモデルおよびＬＳＴＭモデルは、クラウドネットワーク上のサーバ上、および／または窓コントローラの分散型ネットワークのマスタ窓コントローラもしくは窓コントローラ群などの窓コントローラ上にある。様々な市販の機械学習フレームワークをクラウドサーバ上または窓コントローラ上に常駐させて、ＤＮＮモデルおよび／またはＬＳＴＭモデルを定義、訓練、実行することができる。市販の機械学習フレームワークの例として、カリフォルニア州Ｇｏｏｇｌｅ（登録商標）が提供するＴｅｎｓｏｒＦｌｏｗ（登録商標）がある。市販の機械学習フレームワークの例として、ワシントン州シアトルのＡｍａｚｏｎＷｅｂＳｅｒｖｉｃｅｓが提供するＡｍａｚｏｎ（登録商標）ＳａｇｅＭａｋｅｒ（登録商標）がある。

一実施形態において、ＤＮＮサブモジュール２１７０ｂでは、６分の履歴を使用して８分の天気予報を起こすＤＮＮ二項分類子を使用する。単変量ＬＳＴＭ予報とは異なり、ＤＮＮ二項分類子は、リアルタイムで実行する必要がないため、既存のハードウェアに掛る計算負荷が軽減される。現場特有の違い（地理的位置、季節的変動、および絶えず変化する気象前線）を考慮に入れるために、ＤＮＮ二項分類子は、日々更新される２〜３週間の履歴データを使用して夜通し作動することができ、夜ごとにモデルを再訓練する際に、最古の日を落とし、最新のデータを取り込む。このような逐次日々の更新により、分類子は、変化する気象状態のペースおよび質的性質に合わせて確実に適応する。再訓練時に、後続日の期間の予報を起こすための新しい入力を受信するように、モデルパラメータ重みが調整される。

多変量ＤＮＮ予報サブモジュール２７１０ａと単変量ＬＳＴＭ予報サブモジュー２７１０ｂとを組み合わせることで、環境の変化を見越して、対応するのに先見性が与えられる。一実施形態において、ＤＮＮによる長期の過小応答およびＬＳＴＭによる短期の過反応の起こり得る影響を緩和するために、モジュールＢ２７１０は、投票ロジック２７８６によってなされた規則ベースの決定に基づいて出力を提供するように構成される。例えば、（ＰＳ）用のＬＳＴＭ出力が、３の色合い状態（すなわち、太陽が出ている）にマッピングされ、（ＩＲ）用のＬＳＴＭ出力が、３の色合い状態（すなわち、太陽が出ている）にマッピングされ、ＤＮＮ出力が「０」のバイナリ出力を提供する場合（「０」は「曇り」の予報を示し、「１」は「晴れ」の予報を示す）、ＬＳＴＭ（ＰＳ）、ＬＳＴＭ（ＩＲ）、およびＤＮＮ（ＰＳおよびＩＲ）の多数派が、未来のある時点で環境状態が晴れるという予報として使用される。言い換えれば、ＬＳＴＭ（ＰＳ）、ＬＳＴＭ（ＩＲ）、およびＤＮＮ（ＰＳおよびＩＲ）のうちの２つの合意は、出力が窓コントローラ２７２０に提供される際の規則である。他の実施形態の場合、ＬＳＴＭ（ＰＳ）、ＬＳＴＭ（ＩＲ）、およびＤＮＮ（ＰＳおよびＩＲ）によって提供される他の多数派および少数派もまた、予報を提供するのに使用される可能性があるため、上記の多数派は、限定的であると見なされるべきではない。

一実施形態において、モジュールＢ２７１０によってなされる気象状態の未来の予報は、窓コントローラ２７２０によって、モジュールＡ２７０１によって提供される色合い規則と比較され、例えば、モジュールＢ２７１０の出力が、未来のある時点における気象状態が晴れであるというしるしを提供する場合、その未来の時点より前に、制御システム２７２０は、モジュールＡ２７０１によって提供される色合い規則に従って色合いコマンドを与える。逆に、モジュールＢ２７１０の出力が、未来の気象状態が晴れではないというしるしを提供する場合、その未来の時点より前に、制御システム２７２０は、モジュールＡ２７１０の晴天モジュールによって決定された色合いコマンドを上書きする色合いコマンドを与える。

一時的に図２４に戻ると、一実施形態において、窓コントローラ２６００は、作業２６３０で、様々なタイプの上書きがロジックを解除することを可能にする上書きがあるかどうかを判断する制御ロジックを含む。上書きがある場合、制御ロジックは、作業２６４０において、ゾーン用の最終色合いレベルを上書き値に設定する。例えば、上書きは、制御システムを上書きして色合いレベルを設定することを望む、空間のそのときの現住者によって入力され得る。別の例として、上書きは、高需要（またはピーク負荷）の上書きであり、これは、建物におけるエネルギ消費を縮小させるという公共事業体の必要性に対応する。例えば、大都市圏の特に暑い日には、自治体のエネルギ生成および送達システムに過度に重い負担をかけないように、自治体全体を通してエネルギ消費を縮小する必要があり得る。このような場合、建物管理は、制御ロジックからの色合いレベルを上書きして、すべての着色可能窓が高色合いレベルになることを確実にすることができる。この上書きにより、ユーザの手動上書きを上書きすることができる。上書き値には、優先順位レベルがあり得る。

作業２６５０において、制御ロジックは、決定される建物のゾーンごとの色合いレベルが決定されたかどうかを判断する。決定されない場合、制御ロジックは、繰り返し次のゾーンの最終色合いレベルを決定する。決定される最終ゾーンの色合い状態が完了すると、ゾーンごとの色合いレベルを実装するための制御信号が、作業２６６０において最終色合いレベルに遷移させるように、ゾーンの着色可能窓のデバイスと電気連通する電源にネットワーク上で送信され、制御ロジックが、作業２６１０に戻る次の時間間隔で繰り返す。例えば、色合いレベルを、１つ以上のエレクトロクロミック窓のエレクトロクロミックデバイスと電気連通する電源にネットワーク上で送信して、その窓を色合いレベルに遷移させることができる。特定の実施形態において、建物の窓への色合いレベルの送信は、効率を念頭において実施され得る。例えば、色合いレベルの再計算により、そのときの色合いレベルからの色合いの変更が必要ないことが示唆された場合、更新された色合いレベルの命令の送信はない。別の例として、制御ロジックは、より小さい窓があるゾーンの色合いレベルを、より大きい窓があるゾーンの場合よりも頻繁に再計算することができる。

ある場合、図２４の制御ロジックは、ただ１つのデバイス上、例えばただ１つのマスタ窓コントローラ上の建物全体のすべてのエレクトロクロミック窓の色合いレベルを制御するための制御方法を実施する。このデバイスは、建物にあるエレクトロクロミック窓１つ１つに対して計算を行うことができ、かつ個々のエレクトロクロミック窓にあるエレクトロクロミックデバイスに色合いレベルを送信するためのインターフェースを提供することができる。また、実施形態の制御ロジックの特定の適応構成要素があり得る。例えば、制御ロジックは、エンドユーザ（例えば、現住者）が特定の時刻にアルゴリズムをどのように上書きしようとするかを判断することができ、それにより、より予測的にこの情報を利用して、望ましい色合いレベルを決定する。例えば、エンドユーザは、壁スイッチを使用して、連続した一連の日々にわたる各日の特定の時点で、制御ロジックによって提供される色合いレベルをある上書き値に上書きすることができる。制御ロジックは、これらの事例に関する情報を受信し、色合いレベルを１日のその時刻におけるエンドユーザからのその上書き値に変更する上書き値を導入するために、制御ロジックを変更することができる。

モジュールＥ
図２５に戻ると、一実施形態において、窓制御システム２７００は、過去のデータに基づき、現場にある光および熱放射の現場別の季節によって違いを付けたプロファイルの統計的情報に基づく予知を提供するように構成された制御ロジックを有するモジュールＥ２７１３を含む。一実施形態において、モジュールＣ２７１１およびモジュールＤ２７１２によって提供される場所特有値は、モジュールＥ２７１３によりプロファイルが作成される元である時系列データとして、窓制御システム２７００によってメモリに格納される。予報が望まれる特定の場所で得られた過去のデータ（本明細書では「履歴データ」とも呼ばれる）を使用する能力は、予報が場合によってはより正確になることを可能にするものである。一実施形態において、このようなプロファイルを構築することは、時系列情報を、その長手方向センサ値が同様の形状およびパターンを呈する群にクラスタリングするのに好適な機械学習分類アルゴリズムの使用を伴う。望ましい細分レベル（所与の時刻、時刻、週、月、またはその年の季節）に応じて、特定されたクラスタ重心は、それら間のその類似性が同様の記録の他の群から量的に区別され得るその時間枠におけるすべての記録の平均値の軌跡を示す。群間のこのような区別は、そのときの時間枠の間に所与の場所でモニタされるのが望まれる「典型的な」環境状態に関して統計的根拠に基づく推論を可能にする。

所与の場所および時間枠で「典型的」と見なされるものについてのグラウンドトゥルースの知識がなければ、離散気象プロファイルのアルゴリズムによる分類は、必然的に教師なし式で始まる。「正しい」クラスを事前定義できない限り、分類子の性能を見極めるには、出力のどれくらいが実用的であるか、すなわち、区別するのに実際に役立つクラスタ中の区別できるクラスタの個数に関する推論的な意思決定が必要になる。

図２５では、望ましい長さおよび細分性の単変量入力（モジュールＣまたはモジュールＤからの）がモジュールＥ２７１３に渡され、モジュールＥ２７１３は、機械学習技術分野の当業者に知られている教師なし学習分類子の機能を果たすように構成されている。対象である質問が所与の月にわたってある現場における日中気象パターンをプロファイリングすることから成る場合、モジュールＥ２７１３による前処理により、ｍ×ｎ次元のデータフレームがもたらされ、ここで、ｍは、フォトセンサ入力が集められた場合の日照時間（分）であり、ｎは、日数である。異なる季節の間、緯度によって、太陽の軌道が異なるため、センサによって異なる方向を指すことは、異なる時刻で重要になる場合がある。これらの違いを組み込むことは、データ削減手法（例えば、主成分分析のような）を行って、ｘ個のセンサからの時系列情報を各方位から受信したｙ個の最強の放射線信号を捕捉する１次元ベクトルに圧縮することを伴う場合がある。日光のデータポイント個数が日々変化するため、モジュールＥ２７１３に入力されたデータを前処理するには、時間指標の整合も伴う。個々の時系列ベクトル（すなわ、クラスタ候補）間の類似性は、ほとんどの場合、点ごとの（ユークリッド）距離の関数として測定される。時間指標の不整合は、距離計算を間違い、クラスタリングプロセスを歪める可能性がある。

ベクトル長差に起因する不整合に対処するための１つの方法は、元の時系列を同じサイズの枠に分割し、枠ごとに平均値を計算することを伴う。この変換は、区分的に時系列の長手方向形状を近似する。このようにして、クラスタリング距離計算が同じ長さのｎ個の時系列に対して問題なく行われ得るように、データの次元性が縮小または拡大され得る。

モジュールＥ２７１３によって提供される整合手順はまた、動的時間伸縮（ＤＴＷ：ＤｙｎａｍｉｃＴｉｍｅＷａｒｐｉｎｇ）法を行うように構成され得る。ＤＴＷ法は、ワーピング行列を構築することによって時系列を伸展または圧縮し、それから、ロジックは、再整合中のデータの歪みを最小限に抑える最適なワーピングパスを探す。この手順により、クラスタリング分類子によって行われる距離計算で、２つのシーケンス（周波数がわずかに異なるだけ）が実際よりも「離れている」ことが分からないことが確実になる。数千の記録にわたって点ごとの距離計算を行うと計算コストが高くなるため、それを超えるとＤＴＷ法が最適なワープパスを決定する際に調査しなくなる、局所性制約または局所性窓を施行することで、ＤＴＷ法をはかどらせることができる。点ごとの距離の計算では、この閾値窓サイズ内のマッピングのみが考慮され、演算の複雑さが大幅に軽減される。他の局所性制約（例えば、ＬＢーＫｅｏｇｈ境界）を適用して、ＤＴＷ計算の大部分を取り除くこともできる。

モジュールＥ２７１３による前処理の後、時系列ベクトルのデータフレームを教師なし学習ロジックに入力することができる。相応のクラスタ個数（ｋ）が、場所、季節、およびその他の未数量化要因によって異なる可能性があるため、当業者に知られているＫ−Ｍｅａｎｓクラスタリングロジックの使用は、モジュールＥ２７１３によって使用される好適な手法として特定され、ユーザが、出力が大雑把であるだけでなく、解釈可能で、実用的で、実際に役立つことを確実にするように、特定されたクラスタ個数を定義し、手動調整または微調整するのを確実にする。上述のｍ×ｎ次元データフレームの例を続けると、Ｋ−Ｍｅａｎｓクラスタリングロジックの実行は、ｋ個の候補クラスタの初期重心としてｎ個の時系列ベクトルからｋ日を無作為に選択することで始まると考えられる。データフレームにおける各重心と他のすべての時系列ベクトルとの間の点ごとのＤＴＷ距離を計算する前に、局所性制約が適用される。同じ群に割り当てられたすべてのベクトルの平均値に対して重心が再計算される前に、ベクトルが最も近い（最も類似した）重心に割り当てられる。このプロセスは、ユーザ定義のまたはその他の事前定義の反復回数で、またはさらに反復してもベクトルが異なるクラスタに再割り当てされなくなるまで繰り返される。プロセスの最後に、モジュールＥ２７１３の分類子は、データを、指定された過去の時間枠にわたり集められたセンサデータのｋ個の最も代表的なプロファイルを構築する、長手方向センサ値の同様のパターンを呈するｋ個のベクトル群にクラスタ化させる。これらのプロファイルを構築するのに使用される履歴データが多いほど、これらのＫ−Ｍｅａｎｓグループ分けは、より代表的で有益なものになる。

モジュールＥ２７１３によって決定されたプロファイルを使用して、所与の地理的位置で所与の時間枠にわたって指定の範囲内で起こる放射レベルの事前分布に関する情報を生成することができる。特定されたこれらの「典型的な」プロファイルがガウス（すなわち、ランダム正規）プロセスの混合を構築するというベイズ主義的仮定に基づいて、特定の範囲内で発生する予報センサ値の確実性を基礎となるガウス過程の最初の（平均）モーメントおよび２番目の（分散）モーメントの関数として、数量化することができる。すなわち、ガウス過程回帰のような教師ありのカーネルベースのモデルは、教師なしクラスタリングによって特定されたプロファイルを利用して、その予測の完全事後分布（すなわち、予測されたセンサ値の信頼区間）を生成し、起こり得る（分散）結果および最もありそうな（平均）結果への手掛かりを与える。したがって、一実施形態において、モジュールＥ２７１３の教師なし機械学習技法を、モジュールＢ２７１０の教師あり機械技法と対にして、モジュールＢ２７１０によってなされる天気予測を強化し、向上させることができる。一実施形態において、ＤＮＮサブモジュール２７１０ｂを使用して得られた確率的信頼は、モジュールＥ２７１３によって提供されるプロファイルを使用して、その予報を修正するかまたはより良く数量化する。場合によっては、モジュールが正しく機能しないことがあり、その間、障害が特定されて、直されるまで、窓制御システム２７００がその意図された機能性を提供できないことがある。システムの移動、使用される材料、提供されるメンテナンスサービス、および顧客に影響を与えるダウンタイムの経費間で、このような事象に対処するために必要な費用が素早く溜る。起こり得るある類の障害は、モジュールＣまたはＤに関連する１つ以上のセンサが誤動作した場合である。１つ以上のセンサがその意図された機能性を提供できない場合があるが、本発明では、時系列データとして窓制御システム２７００によって格納された場所特有のセンサデータを上記以外の目的に活かすことができることを明らかにする。

一実施形態において、モジュールＣ２７１１および／またはモジュールＤ２７１２に関連する機能性がうまくいかない、または使用不可になった場合、本発明では、加重重心平均化を行うように制御ロジックで構成されたモジュール２７１９を、得られた履歴的一連のセンサデータに適用し、そのときの読み取り値の代わりとして使用され得、また未来の気象状態の予報を提供するのに使用され得るセンサ値分布を提供することができる、ことを明らかにする。一実施形態において、代替読み取り値が、ニューラルネットワーク、例えばモジュールＢによって処理され得る。一実施形態において、現在に近い日には、近過去のローリング窓にわたって日長時系列センサを平均化する際に相応して重い重みが与えられる。ハードウェア障害が発生した場合、修理に必要なダウンタイムの期間、履歴センサデータのこれらの重み付き重心平均値が提供され得る。

重み付き重心平均値の計算には、座標を時間的に整列させ、重み付けスキームの要件を反映する最適な平均値集合を生成するのに使用される時系列プロファイル間の距離を最小化するための前処理および機械学習が伴う。一実施形態において、相応の前処理技法は、区分的集計近似（ＰＡＡ：ＰｉｅｃｅｗｉｓｅＡｇｇｒｅｇａｔｅＡｐｐｒｏｘｉｍａｔｉｏｎ）であり、これは、各セグメントをそのデータポイントの中間で置き換える前に、時系列を望ましい時間ステップ個数に等しいいくつかのセグメントに分割することによって、時間軸に沿ってデータを圧縮する。ＰＡＡを適用した後、履歴ローリング窓に含まれるすべての時系列プロファイルには、指定された時間枠の過程にわたって変化する可能性のある日長の季節差に関係なく、同じ個数の時間ステップが含まれる。重心平均化を行うのに使用される最適化関数によって最小化された点ごとの距離を計算するには、時間軸に沿った等しい次元が必要となる。異なる距離尺度を使用して重心を計算することができるが、ユークリッドまたは柔軟性−動的時間伸縮法（Ｓｏｆｔ−ＤＴＷ）尺度などの他のソリューションを使用して、平均プロファイルを提供することもできる。前者の方が、計算が素早く、時間軸に沿った座標間の通常の直線距離を計算するが、後者は、ＤＴＷ尺度の正規化され、平滑化された定式化であり、その距離計算に有界窓を適用して、段階のわずかな差を考慮に入れる。使用される履歴データのローリング窓の長さを決定するために、重心最適化関数に制約を課すことができる。最適化コストが高い時間枠は、不安定な気象を示し、より短い日のローリング窓を使用して、重心平均化を行うことを保証する。より低い最適化コストは、より安定した天気に対応し、それから、重心平均化を行う際に有益な履歴データのより長いローリング窓を取得することができる。一実施形態において、使用可能な履歴データであればどのようなものでも、現場別に生成することができる。

リアルタイムデータが使用不可になった場合、履歴データから合成リアルタイム生センサデータを生成するように、重心平均化演算（例えば、モジュール２７１９またはモジュール２８１９における）が実施され得る。例えば、現場にあるマルチセンサデバイスまたは天空センサが故障したかそうでなければ使用不可になった場合に、重心平均化演算を使用して、合成リアルタイムフォトセンサ読み取り値および赤外線センサ読み取り値を生成することができる。合成リアルタイム生センサデータを生成するために、重心平均化では、時間枠にわたって格納された履歴センサデータを使用して、日の出から日没までの各時間指標で点ごとの加重距離を計算し、翌日用にあり得る放射プロファイルを生成する。一例において、７〜１０日の範囲の時間枠にわたる履歴センサデータが使用され得る。重心平均化では、通常、時間枠、例えば１分時間間隔の日ごとの時間指標間で同じ距離を使用する。時間指標の個数は、日の出から日の入りまでのそれぞれの日の長さによって異なる。連続する日の時間指標の個数は、日が長くなったり短くなったりするのにつれて、日照時間（分）の季節的変化を考慮するように多くなるかまたは少なくなる。特定の実施形態において、重心平均化を使用して、最新の値がより重く重み付けされる時間枠にわたる時間指標ごとの履歴センサ値の加重平均を計算する。例えば、重心平均化では、１０日間の時間枠にわたり毎日１２時正午に取られ、格納された履歴フォトセンサ読み取り値を使用して、一番最近の日からの読み取り値をより重く重み付けし（例えば、１０日目は１０、９日目は９、８日目は８、などと重み付けする）、１２時正午のフォトセンサ値の加重平均を計算する。重心平均化は、各時間指標でのフォトセンサ値の加重平均を決定し、１日にわたる合成リアルタイムフォトセンサ値の平均プロファイルを生成するのに使用される。

重心平均化演算を使用して、フォトセンサ値、赤外線センサ値、周囲温度センサ値などの合成リアルタイムセンサ値の平均プロファイルを生成することができる。重心平均化演算では、平均プロファイルから取得された合成リアルタイムセンサ値を使用して、その日にわたって実行されると求められる可能性のある様々なモジュールおよびモデルへの入力を生成することができる。例えば、重心平均化演算では、ローリング履歴データを使用して、ニューラルネットワークモデルまたは他のモデル、例えば、モジュール２７１０ａのＬＳＴＭニューラルネットワークおよびモジュール２７１０ｂのＤＮＮへの入力として合成フォトセンサ値を生成することができる。

−ライブモデルの入力および出力
ニューラルネットワークモデルまたは他のモデルの各々の入力特徴集合は、通常、最新の状態に保たれ、現場における状態を予報するためにライブモデルに送り込まれる準備が整っている。特定の実施形態において、入力特徴は、現場にあるセンサ（例えば、フォトセンサ、赤外線センサ、周囲温度センサなど）からの生測定値に基づく。特定の実施形態において、センサは、ただ１つのハウジングに位置するか、そうでなければ中央に位置し、例えば、建物の屋上に位置するマルチセンサデバイスにまたは天空センサに位置する。マルチセンサデバイスには、放射状に様々な方位角向きに配置された１２個のフォトセンサ、垂直向き（上向き）のフォトセンサ１個、上向きの赤外線センサ２個、および周囲温度センサ２個が含まれる。建物の屋上に取り付けることができるこのようなマルチセンサデバイスの例が、参照によりその全体が本明細書に組み込まれている、米国特許出願第１５／２８７，６４６号に記載されている。多数の異なるセンサからの情報は、様々に使用され得る。例えば、特定の時間に、さらに２つのセンサからの測定値を組み合わせることができ、例えば、センサ値の中間または平均などの中心傾向を組み合わせることができる。あるいはまたはさらに、特定の時間に、１つの測定値のみ、例えば、すべてのセンサからの最大値、すべてのセンサの最小値、すべてのセンサ読み取り値の中央値が使用される。一実施形態において、モデル入力特徴は、マルチセンサデバイスの１３個のフォトセンサによって取得された多数の生フォトセンサ読み取り値の最大値に基づき、また最小赤外線センサ値、例えば、マルチセンサデバイスの２つの周囲温度センサ読み取り値の最小値よりも小さい２つの赤外線センサ読み取り値の最小値に基づく。最大フォトセンサ最大値は、その現場での最高レベルの太陽放射を表し、最小赤外線センサ値は、その現場での最高レベルの晴天を表す。

特定の実施形態において、ニューラルネットワークモデルまたは他のモデルに送り込まれる入力特徴集合には、履歴センサデータの多数のローリング窓の計算が含まれる。ある場合、長さが５〜１０分の範囲の６つのローリング窓が使用される。ローリング計算の例には、ローリング平均値、ローリング中央値、ローリング最小値、ローリング最大値、ローリング指数加重移動平均値、ローリング相関値などが含まれる。一実施形態において、入力特徴集合には、予報出力がこれらの入力の履歴時間枠の関数として学習されている、最大フォトセンサ値および最小ＩＲセンサ値の各々の履歴データの多数のローリング窓でのローリング平均値、ローリング中央値、ローリング最小値、ローリング最大値、ローリング指数加重移動平均値、およびローリング相関値の６個のローリング計算が含まれる。例えば、６つのローリング計算が、予報出力が４分の履歴の関数として学習されている、最大フォトセンサ値および最小ＩＲセンサ値の各々の６〜１０分の長さの範囲である、５つのローリング窓に使用された場合、入力特徴集合は、２４０（＝６つのローリング計算×５つのローリング窓×２つのセンサ値×４分）である。ローリング窓は、最古のデータを落とし、より最近のデータを取り込むように、定期的に、例えば毎分更新される。場合によっては、ローリング窓の長さは、ライブ（リアルタイム）予測中のデータの待ち行列の遅延を最小限に抑えるように選択される。

特定の実施形態において、以下記載のような自己訂正特徴選択プロセスを備えた機械学習サブモジュールを実装して、すべてのあり得るモデル入力の相対的重要性を間接的に数量化し、経験的に検証して、入力集合内の特徴の個数をより高性能の入力構成に合わせて減らすことができる。このような場合、入力特徴の総数を、モデルを初期化し、実行するのに使用され得るより小さな部分集合に低減することができる。例えば、生の最大フォトセンサ値および最小ＩＲセンサ値の両方用の５〜１０分の長さの範囲である６つのローリング窓での６つのローリング計算に基づく７２個の入力特徴集合が５０個の入力特徴部分集合に低減され得る。

一実施形態において、入力特徴（例えば、２００個以上の入力特徴集合）がニューラルネットワークに送り込まれる。ニューラルネットワークアーキテクチャの一例には、７つの層および合計５５個のノードを備えるものなどの高密度ニューラルネットワーク（ＤＮＮ）がある。ＤＮＮアーキテクチャによっては、各入力特徴が各第１の層のノードと接続され、各ノードは、他のあらゆるノードと接続するプレースホルダ（変数Ｘ）である。第１の層にあるノードは、すべての入力特徴間の関係をモデル化する。後続の層にあるノードは、以前の層でモデル化された関係のうちのある関係を学習する。ＤＮＮを実行すると、エラーが繰り返し最小限に抑えられ、各ノードのプレースホルダの係数重みを更新する。

場合によっては、モデルが、未来に、１つ以上の予報状態値を出力する。例えば、モデルは、未来のある時点、例えば、約５〜６０分先の予報状態を出力することができる。実施形態によっては、モデルは、７分先（ｔ＋７分）で予報状態を出力する。別の例として、モデルは、予報状態をこの先数回、例えば、７分先（ｔ＋７分）、１０分先、１５分先（ｔ＋１０分）で出力することができる。他の場合、モデルは、単一のＤＮＮアーキテクチャ実施形態の場合のように、予報センサ値を出力する。

−モデル再訓練
地理的位置、季節的変動、変化する気象前線における現場特有の違いを考慮に入れるために、様々なニューラルネットワークモデルまたは他の予測モデルが定期的に再訓練され得る。特定の実施形態において、それらは、更新された訓練データで、毎日、または何らかの定期で（例えば、１日ごと〜１０日ごとに）再訓練される。モデルは、例えば、夜間などライブモデルが実行されていないときに一度、再訓練される。特定の実施形態において、モデルは、例えば、１週間、２週間、３週間、またはそれより長い期間などの期間にわたって格納された履歴データを含む訓練データで再訓練される。履歴データは、最古のデータを落とし、より最近のデータを取り込むように、定期的に更新され得る。例えば、履歴データが日常的に夜間に更新される場合、最古の日からのデータが落とされ、その日から最近のデータが挿入される。これらの定期的な更新により、履歴データが、温度、太陽角度、雲量など、変化する外部気象状態のペースおよび質的性質に合っていることが確実になる。他の実施形態では、モデルは、ある期間にわたり格納された１つ以上の履歴データブロックに基づく訓練データで再訓練される。さらに他の実施形態において、モデルは、履歴データと履歴データブロックとの組み合わせに基づく訓練データを使用して再訓練される。訓練データには、正常な実行中にモデルによって入力として使用される類の特徴入力値が含まれる。例えば、記載のように、特徴入力データには、センサ読み取り値の移動平均値が含まれ得る。

訓練データには、現場で収集された履歴データ（ローリングまたはその他）に基づくモデル特徴の値が含まれる。例えば、訓練データには、現場にあるフォトセンサおよび赤外線センサの履歴読み取り値の最大フォトセンサ値および／または最小ＩＲセンサ値が含まれ得る。別の例では、訓練データには、現場で収集されたフォトセンサおよび赤外線センサの履歴読み取り値のローリング窓の計算（例えば、ローリング平均値、ローリング中間値、ローリング最小値、ローリング最大値、ローリング指数加重移動平均値、およびローリング相関値など）に基づくモデル特徴が含まれ得る。訓練データの対象となる気象状態の個数およびタイプに応じて、訓練データには、数日、数週間、数か月、または数年にわたって得られたデータが含まれる可能性がある。

特定の実施形態において、ニューラルネットワークモデルまたは他のモデルに送り込まれる訓練データには、上記などの履歴センサデータの多数のローリング窓の計算に基づいているモデル入力特徴が含まれる。例えば、訓練データ集合には、予報出力がこれらの入力の履歴の時間枠の関数として学習されている最大フォトセンサ値および最小ＩＲセンサ値の各々の履歴データの多数のローリング窓でのローリング平均値、ローリング中央値、ローリング最小値、ローリング最大値、ローリング指数加重移動平均値、およびローリング相関値の６つのローリング計算値が含まれ得る。予報出力が４分の履歴の関数として学習されている最大フォトンサ値および最小ＩＲセンサ値の各々に対して、６つのローリング計算値が、６〜１０分の長さの範囲である５つのローリング窓で使用された場合、訓練データにおける入力特徴集合は、２４０個である。

特定の実施形態において、ニューラルネットワークモデルまたは他のモデルが、様々な気象状態が現場に現れた１つ以上の期間にわたって収集された履歴データブロックに基づく訓練データを使用して、これらの状態に対してモデルを最適化し、訓練データを総ドメインの部分集合にわたって多様化するように再訓練される。例えば、訓練データには、部分的曇り状態、濃い地上霧状態、晴天状態、およびその他の気象状態が現場に現れた期間にわたって収集されたモデル特徴の値が含まれ得る。

場合によっては、訓練データは、現場で起こり得るすべての気象状態を取り込むためのモデル特徴で考案される。例えば、訓練データには、過去１年、過去２年などにわたって収集されたすべてのローリング履歴データが含まれ得る。別の例では、訓練データには、気象状態の各々が現場にあった期間にわたって得られた履歴データブロックが含まれ得る。例えば、訓練データには、濃い地上霧状態の間に得られたデータを含む１つのデータ集合、晴天状態の間に得られたデータを含む１つのデータ集合、部分的雲状態の間に得られたデータを含む１つのデータ集合、部分的曇り状態の間に得られたデータを含む１つのデータ集合などが含まれ得る。

その他の場合、訓練データは、現場で起こり得るすべての気象状態部分集合に関連付けられたモデル特徴で考案されている。例えば、訓練データには、気象状態部分集合が現場で起こった期間にわたって得られた履歴データブロックが含まれ得る。この場合、モデルは、気象状態部分集合に対して最適化される。例えば、濃い地上霧状態に対して最適化されたモデル用の訓練データでは、冬の数か月間、さらに濃い地上霧が出ていた期間中に得られた入力特徴を使用する可能性がある。

気象パターンが変化するかつ／または現場周辺で建設が行われのにつれて、微気候のバラツキ、建物の影、および現場での局所状態のその他の変化が起こる可能性がある。変化する状態に適応するために、訓練データは、これらの局所状態が現場に起こっている間に得られたデータを対象とする入力特徴で考案される可能性がある。一実施形態において、転移学習を実施して、現場に以前から現れているすべての気象状態に対して以前に訓練されたモデルからのモデルパラメータで再訓練されているモデルを初期化することができる。これにより、新しい局所状態の間に得られた訓練データでモデルを再訓練し、現場で変化する局所状態の質的性質にモデルが合っていることを確実にすることができる。

特定の実施形態において、再訓練されるモデルは、最初に、ハイパーパラメータに基づいている、例えばデータのランダム分布に基づいているモデルパラメータ（例えば、係数重み、バイアスなど）で初期化される。切断正規分布を使用するなど、様々な手法を使用してランダム分布を決定することができる。

モデル訓練中、モデルのパラメータ（係数重み、バイアスなど）が調整され、収束するまで誤差が繰り返し最小限に抑えられる。ニューラルネットワークモデルまたは他のモデルは、続く日のライブモデルに使用されるモデルパラメータを設定するように訓練される。実行中のライブモデルでは、リアルタイムセンサ値に基づく入力特徴を使用して、その日の色合い決定を行うのに制御ロジックによって使用される状態を予報する。再訓練プロセス中に学習されたモデルパラメータが、転移学習プロセスにおける開始点として格納され、使用され得る。

転移学習
一般的に言えば、転移学習演算では、新しいモデルを再訓練するための開始点として、以前の訓練プロセスで学習された格納済みモデルパラメータを使用する。例えば、転移学習演算では、以前に訓練されたニューラルネットワークモデルのノードプレースホルダの係数の重みを使用して、１つ以上の新しいモデルを初期化することができる。この例では、例えば日常的に、再訓練される新しいモデルを初期化するために、訓練済みモデルのノードプレースホルダの係数重みがメモリに保存される。事前訓練のモデルのモデルパラメータで新しいモデルを初期化すると、最終最適化モデルパラメータへの収束が促進され、はかどり、大抵、再訓練プロセスをスピードアップすることができる。転移学習により、新しいモデルをゼロから再訓練する必要がなくなる場合もある（ランダム初期化により）。例えば、毎日の再訓練プロセス中に、モデルは、以前に訓練されたモデルのノードプレースホルダの係数重みで初期化される場合がある。モデル訓練は、係数重みの微調整および加工パラメータの修正として特徴付けられ得る。以前に訓練されたモデルの係数重みから始めることにより、係数重みの最適化は、通常、大域誤差最小値の近くから始まる。これにより、最適化中の係数重みおよび反復の更新回数を減らすことができ、これは、プラットフォームのダウンタイムおよび計算リソースを減らす助けとなり得る。さらにまたはあるいは、転移学習演算では、特定の層／ノード用の新しいモデルにおいて転移されたモデルパラメータを調整し、未調整の層／ノードのみを保持し、これにより、計算リソースを減らし、プラットフォームのダウンタイムを短縮することもできる。

特定の実施形態において、転移学習演算は、モデルの再訓練プロセスに含まれる。再訓練されるモデルの各々は、以前の訓練プロセスから格納されたモデルパラメータで初期化される。一実施形態において、転移学習演算は、その日にわたって実行されると求められる可能性があるモデルの毎日の再訓練に含まれる。例えば、転移学習演算は、図２７Ａの再訓練演算２９０３に含まれ得る。これらの実施形態では、初期化および毎日の再訓練中に取得された知識を転移することにより、状態の現場別の変化に対するよりきめ細かい調整を促進する。

一実施形態では、転移学習演算では、最初の期間にわたって履歴データブロックからの訓練データを使用した以前の訓練プロセスから格納されたモデルパラメータでモデルを初期化する。例えば、以前の訓練プロセスでは、１か月、２か月、３か月などの期間にわたる履歴データブロックを使用する場合がある。初期化されたモデルの再訓練中に、２番目の期間にわたるローリング履歴データに基づく訓練データを使用してモデルを更新するように、モデルが再訓練される。例えば、再訓練プロセスでは、５〜１０日の範囲の２番目の期間のローリング窓を使用することができる。履歴データブロックの期間は、ローリング窓の期間よりも長くなっている。

一実施形態において、転移学習演算では、最初の期間（例えば、１カ月、２カ月、３カ月など）にわたって履歴データブロックからの訓練データを使用した以前の訓練プロセスから格納されたモデルパラメータでモデルを初期化する。初期化されたモデルの再訓練中、モデルは、対象となる気象状態部分集合に基づく訓練データを使用してモデルを更新するように、再訓練される。例えば、訓練データには、例えば、再訓練の３か月前の２週間の間に発生した、第２の期間中の新しい気象状態の間に得られたデータが含まれ得る。再訓練プロセスでは、第２の期間中、訓練データを使用してモデルを再訓練する。

−単一のＤＮＮアーキテクチャ（リカレントＬＳＴＭニューラルネットワークは、実装されていない）
特定の実施形態において、ライブモデル選択フレームワークは、フォトセンサ入力のみ、赤外線センサ入力のみ、気象フィードデータ入力のみ、などで使用するように最適化されたモデルなどの特殊化モデルの公開を促進する。これらの実施形態および他の実施形態では、制御ロジックは、図２５に示されるモジュールとモデルとのフルアンサンブル部分集合を実行する。未実行部分は、未来のある日での実行のために、メモリに格納され、再訓練され得るか、またはアーキテクチャにはない可能性がある。

例えば、一実施形態において、図２５に示される制御ロジックは、モジュールＢおよびモジュールＥを実施せず、代わりに、モジュールＣ２７１１、モジュールＤ２７１２、および重心平均化モジュール２７１９を実行する。この実施形態では、モジュール２７１０ａのリカレントＬＳＴＭニューラルネットワークは、実装されておらず、代わりに単一の高密度ニューラルネットワーク（ＤＮＮ）が実装される。一態様によれば、単一のＤＮＮは、モデルとモジュールとのフルアンサンブルが実装されるモジュール２７１０ｂのＤＮＮで通常使用される可能性のある、モデルパラメータ総数からモデルパラメータ個数を引いたスパースＤＮＮである。一例において、スパースＤＮＮは、モジュール２７１０ｂのＤＮＮのモデル特徴の２０％を有する。一実施形態において、線形カーネルサポートベクターマシン（ＳＶＭ：ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ）または他の同様の技法を実行して、スパースＤＮＮのモデル特徴を、モジュール２７１０ｂのＤＮＮのあり得る特徴の総数の部分集合に減らす。

図２６は、実施形態による、単一のＤＮＮアーキテクチャを備える窓制御システム２８００のブロック図である。窓制御システム２８００は、窓コントローラ２８２０、例えば、マスタコントローラまたはローカル窓コントローラを含む。窓制御システム２８００は、特定のブロックによって描写される制御ロジックも含む。窓制御システム２８００の１つ以上の構成要素は、制御ロジックを実施する。制御ロジックは、重心平均化モジュール２８１９、ＤＮＮモジュール２８３０、モジュールＡ２８０１、モジュールＣ１２８１１、およびモジュールＤ１２８１２を含む。ある場合には、ＤＮＮモジュール２８３０は、スパースＤＮＮを含む。モジュールＡ２８０１は、図２５のモジュール２７０１のロジックと同様である制御ロジックを含む。

重心平均化モジュール２８１９を実行して、履歴センサデータに基づいて合成リアルタイムセンサ値を決定し、合成リアルタイムセンサ値に基づいて１日の平均センサプロファイルを決定することができる。例えば、重心平均化モジュール２８１９を実行して、１日にわたる平均フォトセンサプロファイルおよび平均赤外線センサプロファイルを決定することができる。ある場合には、重心平均化モジュール２８１９を実行して、１日にわたる平均周囲温度センサプロファイルをさらに決定することができる。重心平均化モジュール２８１９は、ローリング履歴データを使用して、ＤＮＮモジュール２８３０への入力として合成値を生成する。ＤＮＮモジュール２８３０のライブスパースＤＮＮは、重心平均化モジュール２８１９からの合成値に基づく入力特徴を使用して、モジュールＤ１２８１２への入力として使用される１つ以上の予報ＩＲセンサ値を出力し、モジュールＣ１２８１１への入力として使用される１つ以上の予報フォトセンサ値を出力する。例えば、ＤＮＮモジュール２８３０は、７分先、１０分先、１５分先などで、予報ＩＲセンサ値および予報フォトセンサ（ＰＳ）値を出力することができる。

モジュールＣ１２８１１は、ＤＮＮモジュール２８３０のライブＤＮＮから出力されたフォトセンサ値を閾値と比較して、決定された雲量状態に基づいて色合いレベルを決定することによって、雲量状態を決定するように実行され得る制御ロジックを含む。モジュールＤ１２８１２を実行して、ライブＤＮＮ２８３０から出力された赤外線センサ値および／または周囲温度センサ値に基づいて色合いレベルを決定することができる。窓コントローラ２８２０は、モジュールＡ２８０１、モジュールＣ１２８１１、およびモジュールＤ１２８１２から出力された色合いレベルの最大値に基づいて色合いコマンドを実行する。

ライブモデル選択−序論および背景
特定の実施形態において、窓色合い状態を決定するように構成された制御ロジックは、一組の使用可能なモデルから特定のモデルを動的に選択して展開する。各モデルには、一連の使用可能なモデルにおける他のモデルよりも窓色合い状態を決定するのに適した条件集合があり得る。この手法を実施するためのアーキテクチャまたはフレームワークには、モデルを選択するためのロジックと、モデルが最適化される際の特定の条件で最良の結果を生み出すように訓練された一連の特殊化モデルとが含まれる。フレームワークは、時間によって異なるモデルが展開される場合でも、中断のないリアルタイムの色合い状態決定をもたらすことができる。

モデル選択フレームワークは、建物がその日、その週、その季節、またはその年全体を通して出くわす起こり得るすべての外部状態に対処するように、汎用モデルを１つだけ展開するのではなく、モデルを動的に選択する。モデル選択ロジックは、特定の種類の外部状態が起こったときに、その対処において最も性能を発揮すると判断されたモデルをいつでも選択することができる。例えば、選択は、特定の場所（例えば、建物現場）でそのとき優勢である環境状態に基づくか、かつ／またはある時期、ある時刻などの間で予想される状態に基づく場合がある。

特定の実施形態において、モデル選択ロジックは、状態を見極め、使用可能なモデルのうちの１つが実行（ライブ）中にモデルを選択する。これは、色合い決定ロジックが大幅なダウンタイムなくモデル間でシフトすることができることを意味する。そのために、制御ロジックは、その時点で使用可能なデータを絶えず受信し、その時点で観察されるリアルタイム状態に対処するように最適化されたモデルを動的に展開することができる。

動的モデル選択フレームワークを採用して、色合い選択ロジックに復元力を与えることもできる。特定の実施形態において、モデル選択ロジックは、１つ以上のタイプの特徴入力データ（モデル用）が一時的に使用不可なる状況を考慮に入れることができる。例えば、第１のモデルが、ＩＲ検知値を含む多数のタイプの入力特徴を必要とする場合があり、第２のモデルが同じ入力特徴を必要とするがＩＲ検知値は必要としない場合がある。色合い決定ロジックが進行中の場合、ＩＲセンサが突然オフラインになったときに第１のモデルを使用すると、モデル選択ロジックが第２のモデルに切り替わり、リアルタイム色合い決定を引き続き行うことができる。場合によっては、モデル選択ロジックは、モデルのうちの１つ以上がうまく働かないか、それとも使用不可になる状況を考慮に入れる場合があり、モデル選択ロジックは、すぐに別のモデルを選択する必要がある。

実施形態によっては、ライブモデル選択フレームワークは、フォトセンサ入力のみで使用するように最適化されたものなどの特殊化モデルの公開を促進し、センサユニットの早期の（または多数の）バージョンを装備した建物現場がモデル駆動型予測の利点を実現することを可能にする。

ライブモデル選択−発明を実施するための形態
全体的なプロセス（モデルが展開された後）
図２７Ａは、動的モデル選択に対する１つの手法を示すフローチャートを提示する。描写のプロセスは、新しい日の始まり、日の出などの繰り返しの事象に関連付けられ得る作業２９０１で始まる。このような事象のタイミングは、毎日同じである必要はなく、場合によっては、繰り返しの日々の事象に基づく必要すらない。事象の原理に関係なく、プロセスは、作業２９０３で実行するのに様々な使用可能なモデルを初期化するか、そうでなければ準備する。描写の実施形態では、その作業には、プロセスが再び始まるまでのその日または他の期間にわたって実行するように求められる可能性があるすべてのモデルを再訓練することが伴う。色合い状態決定モデルの性能は、モデルが頻繁に再訓練される場合、例えば、毎日またはさらに頻繁に再訓練されると、大幅に向上する。

作業２９０５で、そのときの状態がモデル選択ロジックに提供される。この作業は、すべてのモデルが、再訓練または他の作業による実行のための準備ができる前、最中、または後に行われ得る。そのときの状態は、本明細書に記載のＩＲセンサおよび／またはフォトセンサなどの１つ以上のセンサによって決定され得る外部気象状態（例えば、温度、太陽角度、雲量など）に関係し得る。または、そのときの状態は、そのとき使用可能である入力特徴集合（例えば、インターネットからの気象データフィード、ＩＲセンサデータ、フォトセンサデータなど）に基づく場合がある。使用可能な入力特徴部分集合のみが使用可能な場合、一連のモデルにおける特定のモデルが使用可能でない可能性がある。

作業２９０７で、モデル選択ロジックは、実際に実行するモデルを選択し、それは、そのときの外部状態を考慮することによって行う。例えば、そのときの気象状態が霧または同様の状態を示す場合、モデル選択ロジックは、霧条件下で色合い状態を正確に選択するように訓練されかつ／または最適化されたモデルを自動的に選択することができる。別の例では、一次モデルが入力特徴として、気象フィード、ＩＲセンサデータ、およびフォトセンサデータを必要とし、通信リンクに障害が発生して、気象フィードが突然使用不可になったときにその一次モデルが実行中である場合、モデル選択ロジックは、入力特徴として、ＩＲセンサデータおよびフォトセンサデータのみを必要とするバックアップモデルの実行を自動的に誘発することができる。

モデル選択ロジックがそのときの状態に基づいて実行するモデルを特定すると、モデル選択ロジックは、継続的な途切れのない作業を確実にする必要がある。このために、モデル選択ロジックは、作業２９０７で選択されたモデルがそのとき実行中のモデルであるかどうかを判断することができる。決定作業２９０９を参照のこと。その場合、モデル選択ロジックは、そのとき実行中のモデルが実行を継続し、未来の色合い状態を決定することができるようにする。作業２９１３を参照のこと。そうでない場合は、モデル選択ロジックは、新しく選択されたモデルに移行し、未来の色合い状態の決定を始めることができるようにする。作業２９１１を参照のこと。

モデルが切り替わるか一定のままであるかに関わりなく、プロセスでは、日没またはその日の終わりなどで、そのときの状態の繰り返しチェック（作業２９０５）と、窓色付けがもう必要なくなるまで、その状態に最良のモデルの選択（作業２９０７）とを通して、引き続き循環することができる。決定作業２９１５を参照のこと。終わりの事象が作業２９１５によって決定されると、プロセス制御は、終了状態２９１７に向けられ、開始事象２９０１の次の発生までそれ以上のモデル選択は、行われない。

多数のモデル
示されているように、色合い決定ロジックは、窓のどの色合い状態が短期の気象状態を最も良く考慮に入れるかを判断するのに使用可能な多数のモデルを有するアーキテクチャを採用することができる。もちろん、選択可能なモデルの個数は、固有で場合によっては脆弱な入力特徴ソースの個数、特定の場所における質的に異なる気象状態の範囲、使用可能な訓練および／または計算リソースなど、多くの場合特有の要因に依存する。特定の実施形態において、選択可能なモデルの個数は、少なくとも３つである。特定の実施形態において、使用可能なモデルの個数は、約２〜２０、または約３〜１０である。

多くの実装形態において、選択可能なすべてのモデルが、色合い決定、またはそのときの状態に基づいてどの色合いの状態を提案するかを決定するのに色合い制御ロジックが使用することができる情報など、同様の出力を提供する。例えば、実施形態によっては、各モデルは、２つ以上のあり得る色合い状態（例えば、２つ、３つ、４つ、またはそれより多いあり得る色合い状態）の中から色合い状態を出力するように構成される。他の実施形態において、各モデルは、予測されるグレア条件、熱流束などを出力するように構成される。

選択可能なモデルでは、同様の入力を必要とすることもしないこともあり得る。モデル選択フレームワークが特徴入力の冗長性をもたらすことを目的としている場合、モデルのうちの１つ以上がある特徴入力集合を必要とする一方、１つ以上の他のモデルが、異なる特徴入力集合を必要とする場合がある。

選択可能なすべてのモデルは、同じ、同様、または無関係のモデルタイプである可能性がある。例えば、モデルのすべてが、同じまたは同様のアーキテクチャを有する人工ニューラルネットワークである場合があり、例えば、モデルのすべてが、同じアーキテクチャを有するリカレントニューラルネットワークまたは畳み込みニューラルネットワークである場合がある。または、モデルのいくつかには、第１のニューラルネットワークアーキテクチャがあり得る一方、他のモデルには、異なるニューラルネットワークアーキテクチャがあり得る。または、１つもしくは移動のモデルがニューラルネットワークであり得る一方、１つ以上の他のモデルが回帰モデル、ランダムフォレストモデルなどであり得る。特定の実施形態において、モデルのうちのいくつかまたはすべてがフィードフォワードニューラルネットワークである。特定の実施形態において、モデルのうちの１つ以上が、高密度ニューラルネットワークである。

ライブモデル選択が使用され得る状況と各状況で使用されるモデル型
特徴ソース復元力：この場合、選択可能なモデルは、異なる入力特徴集合で働くように設計される。通常、所与のニューラルネットワークは、指定の入力特徴集合のみで働く（例えば、特定のモデルでは、ＩＲセンサからの４つの入力および気象フィードからの１つの入力が必要になる場合がある）。ニューラルネットワークには入力ノード集合があり、各入力ノードは、ある種の入力特徴のみを受信するのに専用のものである。また、異なる入力特徴集合を必要とするモデルは、別々に（異なる訓練集合で）訓練され、内部アーキテクチャが異なる場合がある。例えば、２つの色合い予測モデルがニューラルネットワークである場合、それらの第１の層では、ノードの個数が異なり（区別できる入力特徴の予想される個数に基づいて）かつ／またはノード型が異なる可能性がある。要するに、使用可能な各モデルには、それ独自の予想される入力特徴集合に特有であるアーキテクチャおよび訓練手法がある。

特定の実施形態において、特徴ソース回復力は、本明細書に記載のようなモデル選択フレームワークを使用するだけではなく、本明細書の他の個所に記載のような相補的重心平均化フレームワークまたはモジュールも使用することによって与えられる。特定の実施形態において、センサデータが使用可能である場合、重心平均化を使用して、ライブ予測中にもたらされたデータの信頼区間を生成する。

外部状態特有のモデル：この場合、選択可能なモデルは、異なる気象状態（例えば、晴れ、霧、急速に通過する雲、雷雨、スモッグ、地域の火災など）などの異なるタイプの外部状態に合わせて設計または最適化される。特定の実施形態において、モデル選択ロジックは、様々なあり得るタイプの外部状態の中から、そのときのタイプの外部状態を特定する。それにより、モデル選択ロジックは、そのときの外部状態下で最善に働くように最適化されたモデルを選択する。特定の実施形態において、区別できる外部状態の特性は、教師なし学習モデルなどのアルゴリズム分類子を使用して決定される。

ライブモデル選択フレームワークの設定
特徴ソースの場合：
この場合、一連のモデルにおける色合い予測モデルは、入力特徴集合に関して相互に補完するように選択される。例えば、一連のモデル内の第１のモデルは、第１の入力特徴集合（例えば、特徴Ａ、Ｂ、およびＣ）を必要とする場合があり、一連のモデル内の第２のモデルは、第２の入力特徴集合（例えば、特徴ＡおよびＣ）を必要とする場合がある）。入力特徴の複雑さに応じて、追加のまたは異なるモデルが一連のモデルに提供され得る。例えば、一組のモデルには、入力特徴Ａ、Ｂ、およびＤを必要とする第３のモデルと、入力特徴Ｃ、Ｅ、およびＦを必要とする第４のモデルがさらに含まれる場合がある。通常、特徴復元力に対して、一組のモデルにおけるモデル個数は、計算費と起こり得る障害の個所個数とのバランスによって決定され得る。特定の実施形態において、使用可能なモデルが２つしかない。実施形態によっては、さらに２つの実施形態がある。さらなる実施形態において、４つ以上のモデルがある。

一例において、ライブモデル選択フレームワークでは、（ｉ）最高に働き、第１の入力特徴集合（ＩＲセンサデータおよびフォトセンサデータなど）を使用する一次モデル、および（ｉｉ）同じようには最善に働かないが、第１の入力パラメータ集合全体は必要としない、１つ以上のフォールバックモデル、を採用する。例えば、バックアップモデルでは、入力特徴としてフォトセンサ読み取り値および気象フィードのみが必要とされ得る。または、バックアップモデルでは、入力特徴としてＩＲセンサ読み取り値および気象フィードのみが必要とされ得る。一次モデルが実行中の場合、突然、ＩＲセンサまたはフォトセンサが使用不可になったとき、モデル選択ロジックが、ステップインして実行するのに相応のフォールバックモデルを選択することができる。

外部状態バラツキの場合：
この場合、一連のモデルは、色合い選択ロジックが働く所与の場所で通常出くわす、質的に区別できる気象状態の個数に基づいて選択される。このフレームワークは、汎用モデルのみを採用するフレームワークとは対照的であり得ることに留意されたい。

汎用モデルでは、あらゆるタイプの気象状態にわたって、使用可能であるどのような情報に対しても訓練する。このようなモデルは、理論的には、あらゆるタイプの未来の気象状態を予報し、それによりあらゆるタイプの気象に相応に色合い状態を決定する。ただし、この柔軟性により、状況によっては精度が低下する代償を支払う可能性がある。ある特定の状況における未来の状態を予測するように最適化された訓練済みモデルは、その状況内で汎用モデルを凌ぐことがよくある。特殊目的モデルが汎用モデルを凌ぐ場合がある状況の一例には、素早く動く雲の状況がある。

異なるモデルがより良い結果をもたらすことができる訳の例として、霧またはほとんど曇りの状態に対して最適化されたモデルは、晴れの状態からのデータに曝されると飽和する可能性があるため、晴れの状態の間に色合い状態を決定するには不相応であると考えられるが、霧の状態の間、汎用モデルよりもよく働くと考えられる。例えば、霧または曇りの状態に最適化されたモデルは、霧の間の状態のバラツキまたは雲量のきめ細やかなまたはより微妙な写真を提供することができる。このようなモデルの訓練では、強度放射線値が低い訓練データを採用する。

外部状態のバラツキの場合に特化した一組のモデルを使用する場合、ライブモデルフレームワーク立ち上げでは、各々が特定の類の外部状態の領域内で未来の外部状態を予測するように最適化される、それら独自のモデルを備えることで利益を得ることができる環境状態の群またはタイプを最初に特定することを伴う場合がある。

ある手法では、立ち上げプロセスでは、特徴値プロファイル（例えば、１日の一部分またはまる一日にわたる時系列の特徴値）などの再出現する特徴値集合（例えば、測定された可視値および／またはＩＲ値）に基づく気象状態のあり得るクラスを特定する。所与の場所に対する特徴プロファイルは、１００日、３００日、または５００日など、何日にもわたって収集される場合がある。それにより、アルゴリズム分類ツールを使用して、この手順では、特徴プロファイルクラスタを特定する。各クラスタは、別個のモデルを必要とする環境状態を表すことができる。

別の手法では、立ち上げでは、異なるモデルが必要になると予想される異なるタイプの気象状態（例えば、霧、スモッグ、雲のない空、通過する積雲、巻雲、雷雨など）を特定することを伴う。これらの異なる気象状態の各々について、プロセスでは、特徴値（プロファイルとして経時的に提供され得る）を収集し、異なる気象状態に関連付けられたパターンをアルゴリズムで決定する。

一組のモデルにおける特定の実施形態では、４つ以上のモデルがあり、各々が特定のタイプの気象状態を予測するのに優れるように設計され、訓練される。特定の実施形態において、７つ以上のこのようなモデルがある。

様々な実施形態において、区別できる外部状態タイプまたはクラスタは、履歴データ、例えば、強度対時間データ集合として提供され得る放射線プロファイルを分析し、次に相応の分類アルゴリズムに基づいてこれらのプロファイルをクラスタ化することによって特定される。プロファイルの収集は、長期間、例えば数か月または１年以上にもわたって行われる場合がある。実施形態によっては、プロファイルには、測定値１つだけの連続値が含まれ、例えば、時間の関数として外部放射束の生フォトセンサ測定値が使用される。

特定の実施形態において、プロファイルクラスタを使用して、平均または代表的なプロファイルを生成し、これを使用して、そのときの放射線データと比較して、どのモデルを使用するかを決定することができる。どのクラスタがそのときの状態に最も近いかを判断することは、例えば、単純なユークリッド距離を含む、様々な距離尺度を使用して実現され得る。

クラスタリングアルゴリズムは、いくつかの区別できる放射線プロファイルクラスタをもたらす（例えば、少なくとも選択するのに使用可能であるモデルの個数）。相応に考案されたクラスタリングアルゴリズムでは、クラスタは、例えば、所与のセンサ読み取り値用の異なる窓色合いシーケンスを有する、意味のある所与の色合い制御ロジックである、性質に基づく。質的に異なる放射線プロファイルクラスタを生じさせる発散状態の例には、急速に移動する雲（例えば、積雲）、低く垂れ下がる雲または霧、快晴状態、雪などをもたらす気象が含まれる。

好適なクラスタリングアルゴリズムは、多くの異なる形態をとり得る。１つの手法において、点ごとの距離を生成するように、放射線プロファイルが提供され、互いに比較される。多次元プロファイル空間では、プロファイルは、異なる気象状態に関連付けられることがよくある異なる群に自然にクラスタ化するようになる。ただし、これは必ずではなく、これらの異なるクラスタに関連付けられた異なる気象状態を明確に特定する必要もない。

特定の実施形態において、経時的に測定された放射線値のプロファイルが収集され、クラスタを特定するのに使用される。放射線プロファイルは、様々な長さのものであり得る。例えば、場合によっては、放射線プロファイル、日長放射線プロファイルである。クラスタリングで使用される放射線プロファイルは、数日、数週間、数か月、１年以上などの期間にわたって収集される場合がある。各プロファイルには、数秒ごと、毎分ごと、数分ごと、３０分ごと、または１時間ごとに収集される放射線値があり得る。特定の実施形態において、この値は、少なくとも数分程度取得される。これらのプロファイルは、クラスタリングの基礎として使用される。それらは、どのプロファイルが独特なクラスタを形成するかを単に考慮する、教師なし方式でクラスタ化され得る。

クラスタリングプロセスを促進し、場合によっては計算の労力を軽減するために、放射線プロファイルにおけるデータは、様々な手法のいずれかによってサイズを縮小することができる。ある手法では、プロファイルを、クラスタリングに依然として有効である縮小次元空間にマッピングする。クラスタリングへのこのような手法は、ＧｏｏｇｌｅのＴｅｎｓｏｒＦｌｏｗのｓｅｑ２ｓｅｑフレームワークなどのオートエンコーダで実施され得る。特定の手法では、最終的に互いにクラスタ化される可能性のある関連プロファイルの一般的な特性を特定する教師なし事前訓練を提供する。あるいはまたはさらに、２日以上からのデータをだた１つのプロファイルにまとめることにより、計算上の問題を軽減することができる。例えば、重心平均化などの手法を採用して、２日以上からのプロファイルをまとめることができる。特定の実施形態において、ｋ平均法クラスタリング技法が使用される。

クラスタが特定された後、それらをテストすることができる。様々なクラスタリングテストまたは検証手順が使用され得る。例には、以下が含まれる。
１．慣性（サンプル［すなわち、データインスタンス］からその最も近いクラスタ中心までの距離の和）
２．シルエットスコア（サンプルごとに平均クラスタ内距離と平均最接近クラスタ距離との差を２つの最大値で割ったもの）
３．Ｃａｌｉｎｓｋｉ−ＨａｒａｂａｚＳｃｏｒｅｓ（ｔｈｅｒａｔｉｏｂｅｔｗｅｅｎｗｉｔｈｉｎ−ｃｌｕｓｔｅｒａｎｄｂｅｔｗｅｅｎ−ｃｌｕｓｔｅｒｄｉｓｐｅｒｓｉｏｎ）（ｃｆ．Ｒｏｕｓｓｅｅｕｗ，Ｐ．（１９８６）．Ｓｉｌｈｏｕｅｔｔｅｓ：ａＧｒａｐｈｉｃａｌＡｉｄｔｏｔｈｅＩｎｔｅｒｐｒｅｔａｔｉｏｎａｎｄＶａｌｉｄａｔｉｏｎＯｆＣｌｕｓｔｅｒＡｎａｌｙｓｉｓ．Ｉｎ：ＪｏｕｒｎａｌｏｆＣｏｍｐｕｔａｔｉｏｎａｌａｎｄＡｐｐｌｉｅｄＭａｔｈｅｍａｔｉｃｓ．２０．５３−６５）（ｃｆ．ＣａｌｉｎｓｋｉＴ．ａｎｄＨａｒａｂａｓｚＪ．（１９７４）．ＡＤｅｎｄｒｉｔｅＭｅｔｈｏｄｆｏｒＣｌｕｓｔｅｒＡｎａｌｙｓｉｓ．Ｉｎ：ＣｏｍｍｕｎｉｃａｔｉｏｎｓｉｎＳｔａｔｉｓｔｉｃｓ，３：１，１−２７

場合によっては、テストでは、クラスタ内距離とクラスタ間距離とを確認して比較する。

放射線プロファイルクラスタには、時には認識可能な特性があることが分かっている。図２７Ｂは、異なるクラスタからの特徴的な放射線プロファイルの例を描写する。この図は、異なるクラスタにおける放射線プロファイルのうちの特徴的なプロファイルを示す。

ラベル表示は、以下の通りである。
１．晴れ
２．曇り
３．部分的に曇り
４．晴れ／部分的に曇りの混合
５．閉塞前線による晴れ
６．閉塞前線による部分的に曇り

すべてのプロファイルは、分単位の解像度で日長である。Ｙ軸は、（０〜７７９ワット／平方メートル）〜（０〜１）の目盛りのフォトセンサ値である。

特定の実施形態において、クラスタリングロジックは、個々の放射線プロファイルクラスタに対して識別特徴的な特徴を特定する。この目的のために様々な技法が採用され得る。一実施形態では、シェイプレット分析を採用する。プロファイルにおける放射線データポイントの特定の部分集合は、特徴的な特徴として働くことができる。シェイプレット識別アルゴリズムが使用され得る。ライブモデル選択を使用する場合、そのときの状態を例えばリアルタイムで処理して、使用可能なライブモデルごとに関連付けられた異なるクラスタに対応する特性と比較されるシェイプレットまたは他の特徴をもたらすことができる。そのときの状態がどのクラスタに関連付けられているかに基づいて、ライブモデルが選択され得る。

特定の実施形態において、クラスタリングは、教師あり学習または教師なし学習を使用して実施される。場合によっては、クラスタリングは、教師なし学習を使用して、場合によっては、図２５の状況で考察されたモジュールＥにおけるロジックを使用して収集された情報および導き出された結論を使用して実施される。

モデルの作成
フレームワークに含めるのに異なるタイプのモデルが特定されると、それらのモデルが実際に生成または得られる必要がある。したがって、関連のワークフローでは、プロファイル用のデータまたは特定のモデル用の他の情報に基づいてモデルを生成するかまたは選択する。

入力特徴復元力の場合、モデルにより、入力特徴の異なる組み合わせを使用する異なる訓練集合で訓練する必要がある。例えば、あるモデルは、ＩＲセンサ読み取り値および対応する気象フィード情報を有するデータを使用して訓練され得る一方、別のモデルは、対応するＩＲセンサ読み取り値および気象フィード情報とともにフォトセンサ読み取り値を有するデータを使用して訓練され得る。さらに別のモデルは、フォトセンサ読み取り値および対応する気象フィード情報を使用して訓練され得る。これらのモデルの各々は、異なるアーキテクチャを有し得る。

異なる外部状態（例えば、異なる気象タイプ）に合わせて最適化された一組のモデルの場合、個々のモデルは各々、それら独自の特定のタイプの外部状態に対して収集されたデータで訓練される。立ち上げで特定された外部状態ごとに、ワークフローでは、このような状態が発生したときに得られたデータのみを使用してモデルを訓練する。例えば、ワークフローでは、第１の気象状態（例えば、霧の朝）からの訓練データを使用して第１のモデルを展開し、テストし、第２の気象状態（例えば、通過する雲）からの訓練データを使用して第２のモデルを展開し、テストすること、などができる。特定の実施形態において、各訓練済みモデルの性能は、あるベンチマーク（多数の異なる気象状態からのデータで訓練されたモデルの性能など）に対してテストされる。

どのモデルを使用するかを決定するための基準（リアルタイムで）
モデル選択ロジックでは、様々な要因を使用して、即時または短期の色合い状態決定に使用するモデルを実際に選択することができる。どのモデルをリアルタイムで使用するかを決定するプロセスは、通常、当面の状態または予想される状態、および選択可能であるモデル間の違いに依存する。例えば、特徴ソース復元力の場合、モデル選択ロジックでは、問題がないか入力パラメータソースをモニタすることができる。そのとき実行中のモデルに入力特徴が使用不可になった、または使用不可になる可能性のある障害が確認された場合、モデル選択ロジックでは、必要なすべての入力特徴がそのとき使用可能である異なるモデルにすぐにまたは即座に移行することができる。

一例では、一次モデルが最善に働き、第１の入力特徴集合（例えば、ＩＲセンサデータおよびフォトセンサデータ）を使用し、１つ以上のフォールバックモデルが、同じようにうまくは働かないが、第１の入力パラメータ集合全体を必要とする入力特徴集合を使用する。例えば、バックアップモデルでは、入力特徴としてフォトセンサ読み取り値および気象フィードのみが必要とされ得る。または、バックアップモデルでは、入力特徴としてＩＲセンサ読み取り値および気象フィードのみが必要とされ得る。それにより、一次モデルが実行中である場合、突然、ＩＲセンサまたはフォトセンサが使用不可になると、モデル選択ロジックでは、ステップインして実行するのに相応のフォールバックモデルを選択することができる。

一連のモデルに、異なるタイプの外部状態に対処するように最適化されたモデルが含まれる場合、選択ロジックは、外部状態をモニタし、それらの状態が与えられた場合にどのモデルが最善に働く可能性があるかを定期的に判断することができる。

実施形態によっては、このようなモデル選択ロジックでは、そのときの外部状態を見極めるのに（例えば、放射線プロファイルに基づいて）、そのときのデータ集合（例えば、ローカルＩＲセンサ読み取り値および／またはフォトセンサ読み取り値）および／またはそのときの情報（例えば、気象フィード）を使用する。モデル選択ロジックは、そのときの外部状態を、特定のモデルを暗に示す、最も類似したクラスタまたは分類に関連付ける。そのときの状態に最も類似しているクラスタまたは分類を特定するのに、様々な手法が採用され得る。例えば、クラスタまたは分類が多次元空間における領域または点によって表される場合、モデル選択ロジックでは、そのときの状態とクラスタまたは分類の各々との間のユークリッド距離などの距離を決定することができる。非ユークリッド技法も採用され得る。実施形態によっては、ｋ平均法が、そのときの状態に関連付けるのに使用される。そのときの状態をクラスタ化した後、モデル選択ロジックでは、そのときの状態に関連付けられたクラスタまたは分類に関連付けられているモデルを実行に選択する。

例として、例えば霧晴れまたは暴風雨前線の接近によって放射線プロファイルが変化した場合、処理済みセンサ読み取り値は、外部状態が放射線プロファイルのある分類から放射線プロファイルの別の分類に移行したことを示す可能性があり、この移行には、新しい放射線プロファイルに合わせて最適化される新しいモデルの選択が必要になる。

タイミング
モデル選択ロジックでは、窓色付けのリアルタイム制御に相応した特定の頻度で、例えば数秒〜数時間でモデルを選択することができる。すなわち、モデル選択ロジックでは、数秒ごと、数分ごと、または数時間ごとなどの定義された頻度で、どのモデルを使用するかを判断することができる。特定の実施形態において、モデル選択ロジックでは、約５秒〜３０分の頻度でどのモデルを使用するかを判断する。特定の実施形態において、モデル選択ロジックでは、約３０秒〜１５分の頻度でどのモデルを使用するかを判断する。実施形態によっては、モデル選択ロジックでは、定義された閾値よりも大きい検出された放射線プロファイルの変化などの検出された事象によってそうするように誘発されると、モデルを選択する。

モデルを再訓練するか、そうでなければ使用できる状態に保つ
一組のモデル内で、色合い状態を決定するのにそのとき使用されていないモデルは、実行できる状態に保つ必要があり得る。このために、一組のモデル内のすべてのモデルは、毎日、または何らかの定期で（例えば、１日ごと〜１０日ごとに）再訓練され得る。特定の実施形態において、モデルは、ライブモデルが実行中ではないときに（例えば、深夜などの夜間のある時点で）再訓練される。

色合い決定が行われているとき（例ば、日中）、すべてのモデルは、展開の準備が整っていなければならない。したがって、すべてのモデルに必要なデータ、特にローリング平均センサデータなどの履歴成分を含むデータは、それがそのとき実行中のモデルで使用されていない場合でも、新しく選択されたモデルへの特徴入力として働くように、最新の状態に保ち、準備する必要がある。言い換えれば、様々な実施形態において、すべてのモデルへのすべての入力特徴は、絶えず生成されるか、そうでなければ最新に保たれ、モデルに送られる準備が整っている。

また、色合い状態を決定するのにそのとき使用されていないモデルがリカレントニューラルネットワークである場合、それに入力特徴を送り、その出力がそのとき使用されていなくても実行させる必要がある場合があり、それにより、それが選択された場合に役立つ出力をすぐに提供する準備が整っているようにする。モデルが非時間依存である場合（すなわち、フィードフォワードニューラルネットワークの場合のようにメモリを含んでいないかつ／またはフィードバックループがない場合）、色合い状態を決定するよう求められる前に実行する必要はない。

アーキテクチャ例
図２８は、ライブモデル選択フレームワーク用のアーキテクチャ３００１の一例のブロック図を提示する。示されるように、このフレームワークは、プログラム命令および関連する処理ハードウェアとして実装され得る、ライブモデル選択ロジック３００３に依拠する。ロジック３００３は、そのときの外部状態に関する様々な入力を受信する。描写の実施形態では、これらの入力には、ローカルセンサデータ３００７およびインターネット上で提供される気象フィードなどのリモートデータ３００９が含まれる。ライブモデル選択ロジック３００３は、このロジックがそのときの状態を以前に分類された状態型と比較することを可能にする署名３０１１または他の格納された情報にアクセスすることもできる。特定の実施形態において、分類署名は、シェイプレットである。そのときの状態に分類ロジックを適用することにより、ライブモデル選択ロジック３００３は、未来の状態を予測するために、多数の状態特有モデルの中からどの型のモデルを選択すべきかを決定する。この決定を行うと、ロジック３００３は、使用可能な状態特有モデルの一組３００５におけるモデルの中から１つのモデルを選択する。描写の実施形態では、６つの使用可能なモデルがある。

ライブモデル選択−例
特定の実施形態においては、ライブモデル選択フレームワークは、センサデータおよび／またはそのときの状態情報を採用する。センサデータの例には、光検出器およびＩＲセンサ入力、ならびに／または、例えば選択されたサードパーティＡＰＩからのライブ気象フィードが含まれる。

入力復元力は、このフレームワークの１つの用途である。ハードウェアユニット（例えば、２０１７年５月４日公開の米国特許出願公開第２０１７／０１２２８０２号に記載のものなどの屋上センサユニット）からの写真およびＩＲセンサ入力に加えて、サードパーティＡＰＩからのライブ気象データを活かす予測モデルでは、３つの可能な障害点がある。接続障害事象中に３つの入力のうちのいずれか１つが存在するまたは不在でり得るため、８個（または２３個）の考えられ得る入力の組み合わせがあり、ライブモデル選択を支持するフレームワークのみがダウンタイムなく途切れなく対処することができる。

センサデータとは異なり、サードパーティ気象データは、例えば、加重重心平均化手法を使用して、履歴値から確実に合成することはできない。ただし、実験結果は、センサ入力のうちの１つまたは両方への接続が欠落し、かつ合成される必要がある場合に、実際の気象データでモデルを補足することが役立つことを示している。所与のモデルは通常、予想されるすべての入力が提供された場合にのみ働くため、１つはライブ気象フィードから入力を受信する準備ができているネットワークプレースホルダを含み、もう１つはそうではない接続障害の場合には、２つのモデルモデルは、展開の準備が整っている必要がある。

このようなアーキテクチャでは、ライブモデル選択フレームワークは、使用可能である場合にのみ実際の気象データを利用し、フレームワークは、入力が欠落している場合のみセンサ値を合成し、受信したあらゆる実際のデータポイントを保持する。このように、毎分入力の有無によってモデル選択がリアルタイムで行われ、そのとき展開されているモデルがそのとき受信されている入力の組み合わせを支持することを確実にする。

この手法（および関連するアーキテクチャ）により、そのときフォトセンサハードウェアユニットのみが装備されている現場に、特殊化モデルを備える単一のフレームワークの展開が可能になる。現場がアップグレードの受信時に両方のバージョンのハードウェア（例えば、ある建物上のあるタイプのセンサと、別の建物上のセンサのアップグレードバージョン）を維持することを好む場合、ライブモデル選択フレームワークは、各々がその対応するハードウェアユニットから受信する入力に合わせて最適化された、２つの予測モデルの同時展開を支持する。このように、フレームワークは、センサ予報ソフトウェアに多様性をもたらす。

ライブモデル選択フレームワークの復元力を検証するために、予測モジュールへの入力を毎分ランダム化する極端なボラティリティストレステストが考案された。このようなテストは、３つの入力のうちのいずれか１つの有無がランダムに決定されるシナリオをシミュレートする。次から次へと、２つの入力のすべて、皆無、１つだけ、または任意の組み合わせが予測モジュールに使用可能になり、予測モジュールは、それらの入力用に設計された２つのモデルのうちの１つをリアルタイムで選択する。予測モジュールがストレステストを受けた７日間の各々の期間中、ライブモデル選択フレームワークの展開により、ダウンタイムがゼロになり、その日全体を通して分単位の予測がうまく生成された。

図２９は、正午から日没まで実施のストレステストの結果を提示する。オレンジ色の線（３１０３）は、すべての入力（フォトセンサデータ、ＩＲデータ、気象フィードからのＦｏｒｅｃａｓｔＩＯデータ）を使用して生成された予測を表す。青い線（３１１１）は、予測されている実際の値、例えば、外部から実際に測定された放射強度を表す。薄緑色の線（３１１９）は、ＦｏｒｅｃａｓｔＩＯデータおよびフォトセンサデータとＩＲデータの合成データを使用して生成された予測を表す。合成データは、ここ数日のデータの重心平均化から生成された。紫色の線（３１０５）は、実際のフォトセンサデータおよびＩＲデータのみを使用して生成された予測を表す。赤い線（３１０７）は、フォトセンサデータとＩＲデータとの合成データのみを使用して生成された予測を表す。濃い緑色の線（３１１７）は、フォトセンサデータと実際のＩＲデータとの合成データを使用して生成された予測を表す。黄色の線は、実際のフォトセンサデータおよび合成ＩＲデータを使用して生成された予測を表す。そして茶色の線（３１３１）は、ストレステストを受けたモデルによって生成された予測を表し、ストレステストでは、モデルへの３つの入力のうちのいずれかの有無は、分ごとにランダム化される。言い換えれば、茶色の線で示される予測は、２つのモデルのライブモデル選択を使用して生成され、１つはフォトセンサデータ、ＩＲセンサデータ、およびＦｏｒｅｃａｓｔＩＯデータを受け入れるように設計され、もう１つは、フォトセンサデータおよびＩＲセンサデータのみを受信するように設計される。他のすべての曲線は、フォトセンサデータ、ＩＲデータ、およびＦｏｒｅｃａｓｔＩＯデータの３つのソースすべてからのデータを受け入れるモデルのみを使用して生成された。ライブモデル選択実行（茶色の線）が２つのモデル間を行き来するため、生成された予測は、前述のすべてのモデルによって出力される予測値範囲にわたり変動する。ただし、茶色の線（３１３１）は、変動するが、放射束の実際の測定値（青い線３１１１）のかなり近くに留まっているため、困難な状況下で妥当な予測を提供することを示す。

再帰的特徴除去−序論および背景
深層学習の力は、ネットワークアーキテクチャの層によってその関係が表される入力特徴の有益な信号強度に依拠する。ただし、いずれのドメイン知識量も、どのベースライン入力特徴集合がすべての地理的位置および一年中、最良の予測性能をもたらすかを事前に決定することはできない。多くの場合、ニューラルネットワークには多くの考えられ得る入力特徴があり、時には数百以上ある。本明細書で述べたように、いくつかの例には、約２００の使用可能な入力特徴がある。ただし、これらすべての特徴を使用すると、過剰適合および場合によってはプロセスを遅くする原因を加える予備の計算リソースが必要になるなどの特定の問題につながり得る。

ニューラルネットワークは、いくつかの点で「ブラックボックス」アルゴリズムであるため、入力特徴の相対的な重要性を直接数量化することは可能でない。このようなネットワークでは、入力間の関係をモデル化するだけでなく、関係の関係（の関係...）もモデル化するが、多くの表現層が構築され、入力特徴の相対的な重要性を効果的に埋める。深層学習モデルのこの特性により、そのとき使用されている入力特徴集合が実際に最適であるかどうかを判断することが難しくなる。入力特徴集合ごとに、異なる関係集合（関係の...）を訓練し、代替のベースライン特徴集合のニューラル表現は、全体的な予測誤差を最小限に抑えることがよりうまくいく可能性がある。多様な現場別の外部状態とそれらの目立った不規則な変化率により、モデル入力特徴の手動調整が実用的ではなくなる。

再帰的特徴除去−特徴フィルタ処理（概要）
特定の実施形態において、機械学習を使用して、そうでなければ、モデルパラメータを定期的に更新する任務を負った専門家チームによるモニタを必要とする可能性のある特徴選択プロセスを自動化する。特定の実施形態において、自動化特徴選択は、機械学習モジュールを、窓色付けおよび／または局所気象状態の未来の値を予測するモデル用の初期化アーキテクチャに一体化することによって実装される。このような特徴選択モジュールは、相対的な特徴重要性を数量化し、経験的に検証するように構成され得る。このような情報は、特定の実施形態では、新しい入力による予測モデルの自動再初期化、および、例えば、異なる場所および／または異なる時期における変化に対する特徴集合の更新を可能にする。

したがって、特定の時間および場所に優勢である状態によって、予測誤差を最小限に抑えるのにどの入力特徴集合が一番であるかを判断することができる。また、経時的な現場別の状態の変化により、改善された入力集合を伴うモデルの再初期化が促進され、モデルが自動的に自己訂正して、その既存のパラメータ化を更新することを可能にする。

このプロセスでは、様々な使用可能な入力特徴のうちの１つ以上を事実上フィルタ処理する。様々なフィルタ処理プロセスが採用され得るが、以下の考察は、サポートベクトルマシンまたはランダムフォレスト手法などの回帰法または分類法で実施され得る再帰的特徴除去プロセス（ＲＦＥ：ＲｅｃｕｒｓｉｖｅＦｅａｔｕｒｅＥｌｉｍｉｎａｔｉｏｎ）に焦点を当てる。

本開示の技法により、再帰的特徴除去システムは、いずれかの所与の日に最も価値があると思われる、すべてのあり得る特徴入力の中から、特定の特徴入力を特定することができる。したがって、比較的小さい入力特徴集合を使用して、モデルを初期化し、作動させることができる。結果として、予測ルーチンを実行するために低減した計算リソースが必要である。それはまた、モデル誤差、すなわち、色合い相応の窓色合い状態を選ぶのに関連する未来の外部状態の不正確な予測を低減することもできる。

提案されているように、ＲＦＥを使用して、異なる場所（同じ都市内または近隣内であっても）および一年の異なる時期における気象データと特性との挙動の違いを捕捉することができる。そのため、ある場所でうまく働く入力特徴集合が、別の場所ではうまく働かない可能性がある。同様に、２月上旬にうまく働く特徴集合が、３月中旬にはうまく働かない可能性がある。新しい入力特徴集合が選択されるたびに、それを使用して、未来の色合い状態および／または気象状態を予測するのに使用される高密度ニューラルネットワークまたはリカレントニューラルネットワークなどのニューラルネットワークを再初期化することができる。

特定の実施形態において、特徴除去システムは、特徴入力の相対的な重要性を特定する。このプロセスでは、本明細書に記載のようなフォトセンサ入力および／またはＩＲセンサ入力から導出された様々な特徴を採用することができる。

特定の実施形態において、本明細書に記載のような定期的に再初期化されるモデルは、高密度ニューラルネットワークおよび／またはリカレントニューラルネットワーク（例えば、ＬＳＴＭ）など、本明細書の他の個所に記載のニューラルネットワークのいずれかである。特定の実施形態において、モデルは、少なくとも約５分先の外部状態を予測するように構成される。特定の実施形態において、予測は、少なくとも約１５分または少なくとも約３０分など、さらに未来に及ぶ。実施形態によっては、それは、もはやある任意の色合い状態から別の色合い状態に遷移するのに必要な最長期間ではない期間にまで及ぶ。

再帰的特徴除去−特徴部分集合の特定
特定の実施形態において、入力特徴をフィルタ処理するためのサブモジュールは、サポートベクトル回帰、またはより具体的には、線形カーネルサポートベクトルマシンを働かせるように構成される。この種のアルゴリズムツールは、使用可能なすべての入力パラメータの係数を生成する。係数の相対的な大きさは、関連する入力パラメータの相対的な重要性の数量的指標として役立ち得る。特徴フィルタ処理サブモジュールは、モデル訓練中にニューラルネットワークへの入力を前処理する際に使用される特徴エンジニアリングパイプラインに埋め込まれ得る。例として、以下に記載の図３０を参照のこと。

特定の実施形態において、サポートベクトルマシンは、分類関連（サポートベクトルマシンがよく使用される他の場合）ではなく回帰関連で使用される。数学的には、両方のプロセスが超平面をもたらし、超平面に最も近いデータポイントを特定する。このプロセスを通して、サポートベクトルマシンは、それらの重要性を指定するのに使用され得る特徴入力の係数を特定する。異なる特徴型の係数のこの生成は、部分最小二乗法と主成分分析とに共通である。ただし、主成分分析とは異なり、サポートベクトルマシンは、特徴型を組み合わせてベクトルにしない。これは、独立した特徴入力を別々に提示する。

サポートベクトルマシンの「サポートベクトル」とは、サポートベクトルマシンが予報対象の変数（例えば、フォトセンサではＷ／ｍ２、ＩＲセンサでは華氏または摂氏、など）に対してあり得るモデル入力を回帰させる際に耐性がある、誤差閾値外にあるデータポイントである。サポートベクトルマシンを訓練する場合、これらのデータポイントのみを使用して予測誤差を最小限に抑え、モデルに最大の困難をもたらすこれらの条件に対して相対的な特徴の重要性が確実に数量化される。

特定の実施形態において、回帰分析は、所与の時間（例えば、特定の冬日の正午）に取得された履歴データポイントを採用し、各データポイントには、ただ１つの推定入力特徴の値（例えば、最後の１０分にわたるＩＲセンサ読み取り値のローリング平均値）および関連の生測定外部放射線値（例えば、推定入力特徴値の一部を提供する同じフォトセンサであり得る、外部フォトセンサによって測定された放射線値）が含まれる。生測定外部放射線値は、回帰分析用のラベルまたは独立変数として役立つ場合がある。

通常、回帰分析への入力は、推定入力特徴ごとの単一のデータポイントである。もちろん、一部の入力データポイント（推定入力特徴）は、関連付けられた時間値を有し、その時間値を除いて、入力データポイントは、１つ以上の他の入力ポイントと同一である特徴型を表す。本明細書の他の個所で説明するように、一部またはすべての入力特徴は、例えば４つ以上の時間ステップによって時間差がある。例えば、最小測定ＩＲ値の５分ローリング中央値は、その一部のみがＲＦＥによって選択され得る、４つのモデルパラメータ（時間指標「ｔ」、「ｔ−１」、「ｔ−２」、および「ｔ−３」におけるその値）で表わされ得る。したがって、毎分（例えば、入力データ構造体の行ごと）に、モデルには、その特徴が以前の４分にわたってどのように変化したかに関する何らかの情報が含まれる。

サポートベクトル回帰（または別の回帰手法）を使用して、係数（その推定入力特徴の場合）と外部放射線値との間の式または関係を展開させることができる。この式は、入力特徴値およびそれに関連する係数の関数である。例えば、式は、係数とそれに関連する推定入力特徴の値との積の和である場合がある。

関数によって生成された計算された放射線値が、測定された実際の放射線値（例えば、特徴値を生成するのにとられたフォトセンサ値）に一致するように、誤差最小化ルーチンを使用して係数を調整する。回帰手法では、サポートベクトルマシンで採用された計算を使用して、ラベル付きポイントを分類することができる。基本的に、このプロセスでは、予測の誤差を最小限に抑えることに最も貢献しない特徴を除去する。採用された特定の技法に関係なく、プロセスでは、特徴値の各々の係数で回帰式を生成する。

最初に、特徴除去プロセスでは、すべての考えられ得る入力特徴に回帰を適用し、このプロセスを通して、係数の大きさに基づいて特徴をランク付けする。係数の大きさが低い１つ以上の推定入力特徴がフィルタ処理で除かれる。それにより、プロセスは、回帰を再度適用するが、今回は、推定入力特徴集合が低減され、以前の回帰で特定の低ランクの入力特徴を除去することにより、この集合は縮小されている。このプロセスは、望ましい個数の入力特徴に達するのに相応する周期回数で、再帰的に継続され得る。例えば、プロセスは、ユーザ定義の停止基準または残りの予測子の望ましい個数に達するまで継続することができる。

その結果として得られる特徴集合を使用して、最も性能の高い入力構成でニューラルネットワークを初期化することができる。入力特徴の新しい構成でモデルを再初期化するという決定は、既存の入力特徴が最近の履歴データの同じ検証集合に対してどれだけうまく働くかに関してなされ得る。

サポートベクトル回帰は、推定入力特徴をフィルタ処理または除去するのに好適な１つの手法であり、好適な手法は、これだけではない。他の例には、ランダムフォレスト回帰、部分最小二乗、および主成分分析が含まれる。

再帰的除去
「再帰的」除去プロセスでは、フィルタ処理アルゴリズム（例えば、線形カーネルサポートベクトル）を複数回実行し、そのたびにより高度なフィルタ処理を実現する。この手法により、プロセスでは、フィルタ処理アルゴリズムの複数回実行を介して、最も重要性の低い特徴入力を段階的に除去する。ユーザ定義可能なパラメータであり得るパラメータは、いくつの特徴が再帰的フィルタ処理プロセスの最後に選択されるかを指定する。

実施形態によっては、サポートベクトルマシンが考えられ得る入力特徴集合で実行されるたびに、一定個数の特徴が除去される。例えば、反復するたびに、だた１つの特徴が除去されるので、サポートベクトルマシンが１つ少ないデータポイントで再実行される。例として、最初に２００個の使用可能な入力特徴があり、サポートベクトルマシンが実行されるたびに、もう１つの入力特徴が除去される場合、サポートベクトルマシンを１００回実行して、入力特徴の個数を２００〜１００に減らす必要があると考えられる。

特定の実施形態において、ＲＦＥプロセスでは、使用可能な特徴の初期個数の約２０〜７０％を除去する。特定の実施形態において、ＲＦＥプロセスでは、少なくとも約５０個の特徴を除去する。特定の実施形態において、ＲＦＥプロセスでは、約５０〜２００個の特徴を除去する。例として、最初は、２００個の区別できる入力特徴があり、ＲＦＥプロセスの過程にわたり、これらの特徴のうちの１００個がフィルタ処理され、プロセスの最後に入力特徴個数が１００個の特徴に減らされる。

入力特徴除去は、フィルタ処理する特徴を特定する際に柔軟である可能性がある。例えば、所与の反復では、いずれの型の特徴もフィルタ処理することができる。例えば、静的センサ読み取り値のみに基づく５０個の入力特徴があり、それらの５０個の入力特徴が４つの異なる時間ステップの各々（例えば、そのときの時刻の４分前の連続する分の各々）にわたり使用可能である例を考えてみる。したがって、２００個の使用可能な入力特徴がある。除去手順では、ある時間ステップでいくつかの特徴、異なる時間ステップで他の特徴、第３の時間ステップでさらに他の特徴、などと除去することを考えることができる。また、一部の特徴型は、複数のタイムステップで保持され得る。したがって、除去手順では、特徴型（例えば、ローリングフォトセンサ平均値対ローリングＩＲセンサ中央値）に基づいて、また時間増分（そのときの時刻と比較して）に基づいて特徴を除去することができる。

再帰的特徴除去−新しいパラメータ部分集合でモデルを再初期化する
計算モデルの設計では、モデルの定義および展開の様々な段階があり得る。これらの段階のうちの１つは、初期化である。実施形態によっては、新しい入力特徴型集合が定義されるたびに、プロセスでは、モデルを初期化または再初期化する。
１．モデルアーキテクチャ−ニューラルネットワークの場合、これは、番号層、各層におけるノード、および隣接する層におけるノード間の接続を含む、このネットワークの全体的な構造体を表す場合がある。
２．モデルハイパーパラメータ最適化−ハイパーパラメータは、訓練前に設定される。一例として、ハイパーパラメータは、ネットワークにおける個々のノードの活性化関数における１つ以上のパラメータの初期（訓練前）パラメータ値集合である場合がある。別の例では、最適化されるハイパーパラメータには、個々のノードの初期（これも訓練前）重みが含まれる。
ハイパーパラメータは、モデルがどのように学習するかを定義するのに使用されることもある。例えば、ハイパーパラメータは、モデルが例えば勾配降下法などで学習する速度を設定することができる。
３．初期化−ハイパーパラメータが設定されると、使用される入力特徴型集合を定義することによってモデルが初期化される。入力特徴集合によるニューラルネットワークモデルの初期訓練は、初期化である。モデルが再初期化されるたびに、モデルは、新しい入力特徴型集合で訓練される。
４．学習−初期化されたモデルにより、訓練アルゴリズムは、入力特徴および関連するラベルの値を有する訓練データ集合を使用して、モデルを訓練する。

再帰的特徴除去−プロセスフロー例
図３０は、定期的な入力特徴フィルタ処理を採用するモデル更新のためのプロセスの一実装形態を示すフローチャート３２０１を提示する。以下の作業が行われ得る。
ａ）考えられ得る大きな入力特徴集合を受信する（例えば、周波数特有センサ読み取り値の履歴値から導出された１００個超の特徴）。作業３２０３を参照のこと。
ｂ）完全集合に対して初期特徴フィルタ処理を実施し（例えば、ＳＶＭＲＦＥを使用）、第１の入力特徴部分集合を特定する。作業３２０５を参照のこと。
ｃ）そのときの入力特徴部分集合でモデルを初期化し訓練する。作業３２０７を参照のこと。
ｄ）そのとき訓練されているモデルを使用して、窓色合い状態を予測し、定期的に（例えば、毎日）転移学習を行う。作業３２０９を参照のこと。
ｅ）入力特徴集合を改めるかどうかを確認する（例えば、約３〜１０日など、モデルが最後に再初期化されてからの閾値日数を待つ）。作業３２１１を参照のこと。
ｆ）必要に応じて、可能性のある大きい入力特徴集合であるが、モデルが最後に初期化された時点以降に得られたデータで更新されたものを使用して、入力特徴フィルタ処理を再実行する。更新された入力特徴部分集合を特定し、モデルを再初期化して訓練する。作業３２１３を参照のこと。
ｇ）更新されたモデルの性能を、通常はそのときのモデルである前のモデルに対して新しい特徴集合で比較する。作業３２１５を参照のこと。
ｈ）新しいモデルがよりうまく働く場合、そのモデルを「そのときの」モデルとして設定し（作業３２１７参照）、新しいモデルおよび更新された特徴部分集合による作業３２０９にループバックし（ｄ）、そうでない場合は、作業３２１７に示されるような前のモデルを引き続き使用する。

時期尚早のモデルの再初期化が、転移学習プロセス（再訓練モジュールを使用して夜間など、定期的に行われる場合がある）などの他の定期的な最適化ルーチンによってなされる性能向上を損なうことがないようにするため、ＲＦＥおよび再初期化によってもたらされるモデルの予測能力が、転移学習または他のルーチン再訓練技法によって最適化されたモデルの予測能力と比較され得る。これは、図３０の作業３２１５および３２１７で示される。ルーチンモデルがＲＦＥ再初期化によるモデルを凌ぐ場合、前の入力特徴集合が保持される。必要に応じて、次の回帰分析を初期化するのに再利用され得るように、既存の予測子の係数重みが更新される。ＲＦＥ再初期化モデルが通常の再訓練モデルを凌ぐ場合、入力特徴集合は、自己訂正し、ユーザ介入は何ら必要ない。

ＳＶＭベースの再帰的特徴除去を（再）訓練モジュールに埋め込むことで、所与の場所および時期に優勢である状態によりモデルのパラメータ化および再初期化を促進することが可能になる。このようにして、モデル入力のニューラル表現は、それ自体との継続的な競合を受けるように促される。この結果は、最も困難なシナリオから学習し、依然として有用なものを覚え、そうでないものを忘れ、目前の問題に対するより良い解決策を見つけると自己訂正する人工知能の適用である。

図３１は、再訓練アーキテクチャの一例を表す。

再帰的特徴除去−要約ポイント

経時的および場所ごとに入力特徴集合を純化すると、無関係な入力をフィルタ処理で除くことができる

それほど有用ではない特徴にわたって意味のある信号を広げると、モデルの収束が防がれる

機械学習サブモジュールは、深層学習パイプラインに埋め込まれる

特徴重要性は、線形カーネルサポートベクトル回帰（ＳＶＲ）を使用して数量化され得る

ＳＶＲモデルフィッティングは、「サポートベクトル」として知られる最も難しいデータポイントに焦点を当てる

損失関数の最小化にそれほど寄与しない特徴が、再帰的に除去される

ユーザ入力が、元の特徴から保持される特徴個数を定義する（例えば、２００個以上の特徴）

モデル初期化では、最適なベースライン特徴集合を特定するのにＲＦＥを適用することができる

最適な特徴集合は、静的ではなく、場所によって異なり、その年全体を通して変化する

最も性能の高いモデルパラメータ化は、不明であり、手動調整は、実用的ではない

ＲＦＥを活かして、自己訂正特徴選択を自動化することができる

転移学習とＲＦＥモデル再初期化とは、定期的に相互に対立する可能性がある

モデル性能が、最新の履歴データで検証される

転移学習がＲＦＥ再初期化を凌ぐ場合、特徴は、保持され、重みが更新される

ＲＦＥ再初期化が転移学習を凌ぐ場合、特徴集合が自己訂正する

このように、優勢な状態により、パラメータ化およびモデル再初期化が促進される

上記の技法を実施するために使用される制御ロジックおよび他のロジックが、回路、プロセッサ（汎用マイクロプロセッサ、デジタル信号プロセッサ、特定用途向け集積回路、フィールドプログラマブルゲートアレイなどのプログラマブルロジック、などを含む）、コンピュータ、コンピュータソフトウェア、センサなどのデバイス、またはそれらの組み合わせの形態で実装され得ることを理解されたい。本明細書で提供される本開示および教示に基づいて、当業者であれば、ハードウェア、および／またはハードウェアとソフトウェアとの組み合わせを使用して本開示の技法を実施するための他のやり方および／または方法を知り、理解するであろう。

本出願に記載のソフトウェア構成要素または機能のいずれも、例えば、従来のもしくはオブジェクト指向の技法を使用する、例えば、Ｊａｖａ（登録商標）、Ｃ＋＋、またはＰｙｔｈｏｎなどの任意の好適なコンピュータ言語を使用して、プロセッサによって実行されるコードとして実装され得る。このコードは、ランダムアクセスメモリ（ＲＡＭ：Ｒａｎｄｏｍ−ＡｃｃｅｓｓＭｅｍｏｒｙ）、読み取り専用メモリ（ＲＯＭ：ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、プログラマブルメモリ（ＥＥＰＲＯＭ）などのコンピュータ可読媒体、ハードドライブもしくはフロッピーディスクなどの磁気媒体、またはＣＤ−ＲＯＭなどの光媒体上に、一連の命令またはコマンドとして格納され得る。任意のこのようなコンピュータ可読媒体は、ただ１つの計算装置上または内にあってもよく、システムまたはネットワーク内の異なる計算装置上または内にあってもよい。

また、本発明では、特定のタイプの再帰型ニューラルネットワークの使用を開示しているが、環境状態の短期および／または長期の予測を行うための他のニューラルネットワークアーキテクチャの使用、例えば、以下に限定されるわけではないが、当業者に知られている、再帰多層知覚（ＲＭＬＰ：ＲｅｃｕｒｒｅｎｔＭｕｌｔｉＬａｙｅｒＰｅｒｃｅｐｔｉｏｎ）、ゲート付き回帰ユニット（ＧＲＵ：ＧａｔｅｄＲｅｃｕｒｒｅｎｔＵｎｉｔ）、および時間畳み込みニューラルネットワーク（ＴＣＮＮ：ＴｅｍｐｏｒａｌＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ）のアーキテクチャの使用を開示する。

窓または建物の内部を通して受け取られる光を制御するための上記の本開示の実施形態が、エレクトロクロミック窓などの光学的に切り替え可能な窓の背景において説明されてきたが、本明細書に記載の方法が、窓用日よけ、窓用カーテン、窓用ブラインド、または光が建物の内部空間に達するのを制限または遮断するように調整され得る任意の他のデバイスの位置を調整するのに相応のコントローラ上でどのように実施され得るかを理解することができる。場合によっては、本明細書に記載の方法を使用して、１つ以上の光学的に切り替え可能な窓の色合い、および窓用日よけデバイスの位置の両方を制御することができる。このような組み合わせのすべてが本開示の範囲内にあることが意図される。

本開示の範囲から逸脱しない限り、任意の実施形態からの１つ以上の特徴を任意の他の実施形態の１つ以上の特徴と組み合わせることができる。また、本開示の範囲から逸脱しない限り、いずれの実施形態に対してもさらに修正、追加、または省略を行うことができる。いずれの実施形態の構成要素およびモジュールも、本開示の範囲から逸脱しない限り、特定の必要に従って一体化または分離され得る。

上記の本開示の実施形態は、理解を容易にするためにある程度詳しく説明されているが、記載の実施形態は、例示的であり、限定的ではないと考えられるべきである。特定の変更および修正が、添付の特許請求の範囲の範囲内で実施され得ることが、当業者には明らかであろう。

Claims

着色可能窓と、
前記着色可能窓と通信する窓コントローラと、
前記窓コントローラと通信し、１つ以上の予報モジュールを備える別のコントローラまたはサーバと、を備え、前記１つ以上の予報モジュールが、少なくとも１つのセンサからの読み取り値を使用して、未来のある時点における環境状態の予報を含む１つ以上の出力および／または前記未来のある時点における前記着色可能窓の色合いレベルを決定するように構成された制御ロジックを備え、前記窓コントローラが、前記１つ以上の出力に基づいて前記着色可能窓を遷移させるように構成されている、制御システム。
前記１つ以上の予報モジュールがニューラルネットワークを備える、請求項１に記載の制御システム。
前記ニューラルネットワークが長短期記憶（ＬＳＴＭ）ネットワークを含む、請求項２に記載の制御システム。
前記ニューラルネットワークが高密度ニューラルネットワーク（ＤＮＮ）を含む、請求項２に記載の制御システム。
前記予報は、前記環境状態が短期環境状態であるか、または比較的長期の環境状態であるかに基づいて決定される、請求項１から４のいずれか一項に記載の制御システム。
前記１つ以上の予報モジュールが、機械学習を使用して、前記センサからの読み取り値からの前記１つ以上の出力を決定するロジックを含む、請求項１から５のいずれか一項に記載の制御システム。
前記少なくとも１つのセンサが、フォトセンサおよび赤外線センサのうちの１つまたは両方を含む、請求項２に記載の制御システム。
前記環境状態が気象状態を含む、請求項１から７のいずれか一項に記載の制御システム。
前記環境状態が太陽の位置を含む、請求項１から８のいずれか一項に記載の制御システム。
前記１つ以上の出力が、最大フォトセンサ値のローリング平均値および／または最小赤外線センサ値のローリング中央値に基づいている、請求項７に記載の制御システム。
前記１つ以上の予報モジュールが、前記読み取り値の時系列から重心平均値を計算するように構成されている、請求項１から１０のいずれか一項に記載の制御システム。
複数の着色可能窓と、
前記複数の着色可能窓を制御するように構成された１つ以上の窓コントローラと、
第１の出力を提供するように構成された少なくとも１つのセンサと、
少なくとも１つのニューラルネットワークを含み、前記１つ以上の窓コントローラと通信する１つ以上のプロセッサと、を備え、前記少なくとも１つのニューラルネットワークが、前記第１の出力を処理するように、かつ未来の環境状態の予報を含む第２の出力を提供するように構成され、前記１つ以上の窓コントローラが、前記第２の出力に基づいて、前記複数の着色可能窓の色合い状態を制御するように構成されている、制御システム。
前記未来の環境状態が、気象状態を含む、請求項１２に記載の制御システム。
前記少なくとも１つのニューラルネットワークが、教師ありニューラルネットワークを含む、請求項１２または１３に記載の制御システム。
前記少なくとも１つのニューラルネットワークが、ＬＳＴＭニューラルネットワークおよびＤＮＮニューラルネットワークを含む、請求項１４に記載の制御システム。
前記少なくとも１つのセンサが、少なくとも１つのフォトセンサおよび少なくとも１つの赤外線センサを含み、前記第１の出力が、最大フォトセンサ読み取り値のローリング平均値および最小赤外線センサ読み取り値のローリング中央値を含む、請求項１２から１５のいずれか一項に記載の制御システム。
前記第２の出力が、前記ＬＳＴＭニューラルネットワークと前記ＤＮＮニューラルネットワークとの大筋合意に基づく、請求項１５に記載の制御システム。
少なくとも１つの着色可能窓を制御する方法であって、
１つ以上のセンサから出力を受信するステップと、
制御ロジックを使用して未来の環境状態を予報するステップと、
前記未来の環境状態の前記予報に基づき、前記少なくとも１つの着色可能窓の制御色合いを決定するステップと、を含む、方法。
前記１つ以上のセンサが、１つ以上のフォトセンサおよび／または１つ以上の赤外線センサを含む、請求項１８に記載の方法。
前記制御ロジックが、ＬＳＴＭニューラルネットワークおよびＤＮＮニューラルネットワークのうちの少なくとも１つを備える、請求項１８または１９に記載の方法。
前記出力が、最大フォトセンサ読み取り値のローリング平均値および最小赤外線センサ読み取り値のローリング中央値を含む、請求項１８から２０のいずれか一項に記載の方法。
前記制御ロジックが、１つ以上のセンサからの前記出力の時系列に対して重心平均化を行うように構成されている、請求項１８から２１のいずれか一項に記載の方法。
現場別の季節によって違いを付けた気象データを使用して着色可能窓を制御する方法であって、
Ｎ日間にわたって、前記現場にある少なくとも１つのセンサから環境読み取り値を受信することと、
コンピュータ可読媒体に前記環境読み取り値を格納することと、
前記Ｎ日のうちの直近である日に、または前記Ｎ日のうちの直近である前記日の翌日に、制御ロジックで前記環境読み取り値を処理し、前記少なくとも１つのセンサからの環境読み取り値のあり得る未来の範囲の分布を表す第１の出力を決定することと、
前記着色可能窓を少なくとも部分的に前記第１の出力に対して決定された色合いレベルに遷移させるための色合い命令を送信することと、を含む、方法。
前記制御ロジックが教師なし分類子を備える、請求項２３に記載の方法。
前記制御ロジックを使用して、前記Ｎ日のうちの直近である前記日に、または前記Ｎ日のうちの直近である前記日の前記翌日に、前記現場における環境状態を予報することをさらに含む、請求項２３または２４に記載の方法。
前記制御ロジックがニューラルネットワークを備える、請求項２３から２５のいずれか一項に記載の方法。
制御ロジックが、環境読み取り値を処理して第２の出力を提供するように構成された１つ以上の予報モジュールを備え、前記方法が、同様に前記第２の出力にも少なくとも部分的に基づいて、前記着色可能窓の前記色合いレベルを制御するための色合い命令を送信することをさらに含む、請求項２３から２６のいずれか一項に記載の方法。
前記１つ以上の予報モジュールがニューラルネットワークを備える、請求項２７に記載の方法。
前記ニューラルネットワークがＬＳＴＭニューラルネットワークを含む、請求項２８に記載の方法。
前記ニューラルネットワークがＤＮＮニューラルネットワークを含む、請求項２６に記載の方法。
前記第２の出力が、ＬＳＴＭニューラルネットワークとＤＮＮニューラルネットワークとの大筋合意に基づいている、請求項２７に記載の方法。
建物制御システムであって、
環境読み取り値を取得するように構成された少なくとも１つのセンサと、
前記環境読み取り値を格納するためのメモリと、
前記メモリに格納され、かつ前記環境読み取り値を処理して、前記少なくとも１つのセンサからの環境読み取り値のあり得る未来の範囲を表す第１の出力を決定するように構成された制御ロジックと、を備え、前記第１の出力が、建物のシステムを少なくとも部分的に制御するのに使用される、建物制御システム。
前記システムが、少なくとも１つの着色可能窓および少なくとも１つの着色可能窓コントローラを備える、請求項３２に記載の建物制御システム。
前記制御ロジックが、最近の環境読み取り値を処理するように、かつ未来のある時点における未来の環境状態の予報を表す第２の出力を提供するように構成された１つ以上のニューラルネットワークを備える、請求項３３に記載の建物制御システム。
前記少なくとも１つの窓コントローラが、前記第１または第２の出力に少なくとも部分的に基づいて、前記少なくとも１つの着色可能窓の色合い状態を制御するように構成されている、請求項３４に記載の建物制御システム。
前記少なくとも１つのセンサが、前記建物の屋根または壁上に位置する、請求項３２から３５のいずれか一項に記載の建物制御システム。
格納された前記環境読み取り値が複数日にわたって取得された読み取り値を含み、前記最近の環境読み取り値が同じ日に取得された読み取り値を含む、請求項３５に記載の建物制御システム。
前記同じ日に取得された前記読み取り値が、数分程度の時間枠にわたって取得された読み取り値を含む、請求項３７に記載の建物制御システム。
前記時間枠が５分である、請求項３８に記載の建物制御システム。
前記第２の出力が、前記未来のある時点で前記少なくとも１つの着色可能窓に望ましい窓色合いを示す少なくとも１つの規則から成り、前記少なくとも１つの着色可能窓コントローラを使用して前記少なくとも１つの着色可能窓を制御し、前記未来のある時点で前記望ましい窓色合いを実現する、請求項３４に記載の建物制御システム。
前記第２の出力が、ＬＳＴＭニューラルネットワークとＤＮＮニューラルネットワークとの大筋合意に基づいている、請求項４０に記載の建物制御システム。
前記制御ロジックが教師なし分類子を備える、請求項３２から４１のいずれか一項に記載の建物制御システム。
建物における着色可能窓を制御するための制御システムであって、
１つ以上の窓コントローラと、
現在または過去の気象状態に関連付けられた履歴センサ読み取り値を受信するように構成されたサーバまたは別のコントローラであって、前記履歴センサ読み取り値に基づいて未来の気象状態を予報し、前記未来の環境状態に基づいて色合いスケジュール命令を決定するように構成された少なくとも１つのニューラルネットワークを備える制御ロジックを有する、サーバまたは別のコントローラと、を備え、
前記１つ以上の窓コントローラが、前記サーバまたは他のコントローラから受信した色合いスケジュール命令ならびに幾何学的モデルおよび晴天モデルから受信した色合いスケジュール命令のうちの１つに基づいて、建物の前記１つ以上の着色可能窓の色合いレベルを制御するように構成されている、制御システム。
前記ニューラルネットワークが、ＬＳＴＭニューラルネットワークおよびＤＮＮニューラルネットワークを含む、請求項４３に記載の制御システム。
前記少なくとも１つのセンサが、少なくとも１つのフォトセンサおよび少なくとも１つの赤外線センサを含む、請求項４３または４４に記載の制御システム。
前記履歴センサ読み取り値から重心平均値を計算するように構成された制御ロジックをさらに備える、請求項４３から４５のいずれか一項に記載の制御システム。
１つ以上の着色可能窓の色合い状態を決定する方法であって、
（ａ）前記１つ以上の着色可能窓の色合い状態の選択に影響を与えるそのときまたは未来の外部条件を決定することと、
（ｂ）一組のモデルから、前記そのときまたは未来の外部条件下で前記一組のモデルから、他のモデルよりもうまく働くと判断された第１のモデルを選択することであって、前記一組のモデルのうちの前記モデルが、多数の外部条件集合下で、前記１つ以上の着色可能窓の前記色合い状態、または前記１つ以上の着色可能窓の前記色合い状態を決定するのに使用される情報を決定するように訓練された機械学習モデルである、選択することと、
（ｃ）前記第１のモデルを実行し、前記第１のモデルの出力を使用して、前記１つ以上の着色可能窓のそのときまたは未来の色合い状態を決定することと、を含む、方法。
（ｃ）で決定された前記そのときまたは未来の色合い状態に前記１つ以上の着色可能窓を色付けるための命令を送信することをさらに含む、請求項４７に記載の方法。
（ｃ）の後に、
（ｄ）前記１つ以上の着色可能窓の前記色合い状態の前記選択に影響を与える第２のそのときまたは未来の外部条件を決定することと、
（ｅ）前記一組のモデルから、前記第２のそのときまたは未来の外部条件下で前記第１のモデルよりもうまく働くと判断された第２のモデルを選択することと、
（ｆ）前記第２のモデルを実行し、前記第２のモデルの出力を使用して、前記１つ以上の着色可能窓の第２のそのときまたは未来の色合い状態を決定することと、をさらに含む、請求項４７または４８に記載の方法。
前記そのときまたは未来の外部条件が、前記一組のモデル内の前記モデルのうちの１つ以上を実行するのに必要な入力特徴の可用性である、請求項４７から４９のいずれか一項に記載の方法。
前記入力特徴が、センサ読み取り値または前記センサ読み取り値から導出された特徴を含む、請求項５０に記載の方法。
前記センサ読み取り値が、前記１つ以上の着色可能窓に近接して位置するフォトセンサまたはＩＲセンサから得られる、請求項５１に記載の方法。
前記そのときまたは未来の外部条件が、前記１つ以上の着色可能窓を通る放射束に影響を与える条件である、請求項４７から５２のいずれか一項に記載の方法。
放射束値を測定して、前記１つ以上の着色可能窓を通る放射束に影響を与える前記条件を決定することをさらに含む、請求項５３に記載の方法。
放射束値が、センサ読み取り値または前記センサ読み取り値から導出された特徴を含み、前記センサ読み取り値が、前記１つ以上の着色可能窓に近接して位置するフォトセンサまたはＩＲセンサから得られる、請求項５４に記載の方法。
前記第１のモデルが、前記１つ以上の着色可能窓を通る放射束に影響を与える前記条件の下で得られた入力特徴を使用して訓練された、請求項５３に記載の方法。
前記１つ以上の着色可能窓が、第１の色合い状態と第２の色合い状態との間で遷移するのに少なくとも１分を必要とするエレクトロクロミック窓であり、前記第１のモデルの前記出力が、前記１つ以上の着色可能窓の未来の色合い状態を決定するのに使用される、請求項４７から５６のいずれか一項に記載の方法。
周期的に前記一組のモデル内のすべてのモデルを再訓練することをさらに含む、請求項４７から５７のいずれか一項に記載の方法。
前記周期的とは、毎日である、請求項５８に記載の方法。
１つ以上の着色可能窓用の色合い状態を決定するように構成されたシステムであって、プロセッサおよびメモリを備え、前記プロセッサおよびメモリが、
（ａ）前記１つ以上の着色可能窓の色合い状態の選択に影響を与えるそのときまたは未来の外部条件を決定することと、
（ｂ）一組のモデルから、前記そのときまたは未来の外部条件下で前記一組のモデルから、他のモデルよりもうまく働くと判断された第１のモデルを選択することであって、前記一組のモデルのうちの前記モデルが、複数の外部条件集合下で、前記１つ以上の着色可能窓の前記色合い状態、または前記１つ以上の着色可能窓の前記色合い状態を決定するのに使用される情報を決定するように訓練された機械学習モデルである、選択することと、
（ｃ）前記第１のモデルを実行し、前記第１のモデルの出力を使用して、前記１つ以上の着色可能窓のそのときまたは未来の色合い状態を決定することと、を行うように構成されている、システム。
前記プロセッサおよびメモリが、前記１つ以上の着色可能窓を（ｃ）で決定された前記そのときまたは未来の色合い状態に色付けるための命令を送信するようにさらに構成されている、請求項６０に記載のシステム。
前記プロセッサおよびメモリが、（ｃ）の後に、
（ｄ）前記１つ以上の着色可能窓の前記色合い状態の前記選択に影響を与える第２のそのときまたは未来の外部条件を決定することと、
（ｅ）前記一組のモデルから、前記第２のそのときまたは未来の外部条件下で前記第１のモデルよりもうまく働くと判断された第２のモデルを選択することと、
（ｆ）前記第２のモデルを実行し、前記第２のモデルの出力を使用して、前記１つ以上の着色可能窓の第２のそのときまたは未来の色合い状態を決定することと、を行うようにさらに構成されている、請求項６０または６１に記載のシステム。
前記そのときまたは未来の外部条件が、前記一組のモデル内の前記モデルのうちの１つ以上を実行するのに必要な入力特徴の可用性である、請求項６２に記載のシステム。
前記入力特徴が、センサ読み取り値または前記センサ読み取り値から導出された特徴を含む、請求項６３に記載のシステム。
前記センサ読み取り値が、前記１つ以上の着色可能窓に近接して位置するフォトセンサまたはＩＲセンサから得られる、請求項６４に記載のシステム。
前記そのときまたは未来の外部条件が、前記１つ以上の着色可能窓を通る放射束に影響を与える条件である、請求項６０から６５のいずれか一項に記載のシステム。
前記第１のモデルが、前記１つ以上の着色可能窓を通る放射束に影響を与える前記条件の下で得られた入力特徴を使用して訓練された、請求項６６に記載のシステム。
前記１つ以上の着色可能窓が、第１の色合い状態と第２の色合い状態との間で遷移するのに少なくとも１分を必要とするエレクトロクロミック窓であり、前記第１のモデルの前記出力が、前記１つ以上の着色可能窓の未来の色合い状態を決定するのに使用される、請求項６０から６７のいずれか一項に記載のシステム。
前記プロセッサおよびメモリが、前記一組のモデル内のすべてのモデルを周期的に再訓練するようにさらに構成されている、請求項６０から６８のいずれか一項に記載のシステム。
前記周期的とは、毎日である、請求項６９に記載のシステム。
前記１つ以上の着色可能窓をさらに備える、請求項６０から７０のいずれか一項に記載のシステム。
前記そのときまたは未来の外部条件を決定するのにデータを測定するように構成された１つ以上のセンサをさらに備える、請求項６０から７１のいずれか一項に記載のシステム。
前記１つ以上のセンサが、フォトセンサおよび／またはＩＲセンサを含む、請求項７２に記載のシステム。
前記１つ以上のセンサから前記プロセッサおよび／またはメモリに測定データを送達するように構成されたコンピュータネットワークをさらに備える、請求項７２に記載のシステム。
１つ以上の着色可能窓用の色合い状態を決定するための計算システムを生成する方法であって、
（ａ）履歴放射線プロファイルまたはパターンに基づいて、異なるタイプの外部条件をクラスタ化または分類することと、
（ｂ）前記異なるタイプの外部条件の各々に対して機械学習モデルを訓練することであって、前記機械学習モデルが、多数の外部条件集合下で、前記１つ以上の着色可能窓の前記色合い状態、または前記１つ以上の着色可能窓の前記色合い状態を決定するのに使用される情報を決定するように訓練される、訓練することと、を含む、方法。
多数の外部条件集合下で、１つ以上の着色可能窓の色合い状態、または前記１つ以上の着色可能窓の前記色合い状態を決定するのに使用される情報、を決定するように構成された機械学習モデル用の入力特徴部分集合を特定する方法であって、
（ａ）前記機械学習モデルに使用可能な特徴入力集合に対して特徴除去手順を行って、それにより前記使用可能な特徴入力のうちの１つ以上を取り除き、特徴入力部分集合をもたらすことと、
（ｂ）前記特徴入力部分集合で前記機械学習モデルを初期化することと、を含む、方法。
（ａ）前記特徴除去手順を再帰的に行って、そのたびに、前記使用可能な特徴入力のうちの異なる１つを除去することを含む、請求項７６に記載の方法。
前記特徴除去手順が回帰手順を含む、請求項７６または７７に記載の方法。
前記特徴除去手順がサポートベクトル回帰を含む、請求項７６から７８のいずれか一項に記載の方法。
前記特徴入力部分集合が、ある期間にわたる放射線レベルのローリング平均値として決定された第１の特徴入力を含む、請求項７６から７９のいずれか一項に記載の方法。
（ｂ）で初期化された前記機械学習モデルを、前記使用可能な特徴入力の第２の部分集合を使用して前記機械学習モデルの以前に訓練されたバージョンと比較することをさらに含み、前記比較が前記機械学習モデルの予測能力に基づいている、請求項７６から８０のいずれか一項に記載の方法。
多数の外部条件集合下で、１つ以上の着色可能窓の色合い状態、または前記１つ以上の着色可能窓の前記色合い状態を決定するのに使用される情報を決定するように構成された機械学習モデル用の特徴入力部分集合を特定するように構成されたシステムであって、前記システムが、プロセッサおよびメモリを備え、前記プロセッサおよびメモリが、
（ａ）前記機械学習モデルに使用可能な特徴入力集合に対して特徴除去手順を行い、それによって前記使用可能な特徴入力のうちの１つ以上を取り除き、特徴入力部分集合をもたらすことと、
（ｂ）前記特徴入力部分集合で前記機械学習モデルを初期化することと、を行うように構成されている、システム。
前記プロセッサおよびメモリが、（ａ）前記特徴除去手順を再帰的に行って、そのたびに前記使用可能な特徴入力のうちの異なる１つを除去することによって働くように構成されている、請求項８２に記載のシステム。
前記特徴除去手順が回帰手順を含む、請求項８２または８３に記載のシステム。
前記特徴除去手順がサポートベクトル回帰を含む、請求項８２から８４のいずれか一項に記載のシステム。
前記特徴入力部分集合が、ある期間にわたる放射線レベルのローリング平均値として決定された第１の特徴入力を含む、請求項８２から８５のいずれか一項に記載のシステム。
さらに前記プロセッサおよびメモリが、（ｂ）で初期化された前記機械学習モデルを、前記使用可能な特徴入力の第２の部分集合を使用して前記機械学習モデルの以前に訓練されたバージョンと比較するようにさらに構成され、前記比較が前記機械学習モデルの予測能力に基づいている、請求項８２から８６のいずれか一項に記載のシステム。