JP2022157502A - 機械学習器、換気制御装置、及び、換気制御方法 - Google Patents

機械学習器、換気制御装置、及び、換気制御方法 Download PDF

Info

Publication number
JP2022157502A
JP2022157502A JP2021061762A JP2021061762A JP2022157502A JP 2022157502 A JP2022157502 A JP 2022157502A JP 2021061762 A JP2021061762 A JP 2021061762A JP 2021061762 A JP2021061762 A JP 2021061762A JP 2022157502 A JP2022157502 A JP 2022157502A
Authority
JP
Japan
Prior art keywords
carbon dioxide
target space
dioxide concentration
information
unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2021061762A
Other languages
English (en)
Inventor
祥太 鶴薗
Shota Tsuruzono
朋義 足利
Tomoyoshi Ashikaga
隆寛 大賀
Takahiro Oga
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Daikin Industries Ltd
Original Assignee
Daikin Industries Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Daikin Industries Ltd filed Critical Daikin Industries Ltd
Priority to JP2021061762A priority Critical patent/JP2022157502A/ja
Priority to EP22780988.6A priority patent/EP4317816A1/en
Priority to PCT/JP2022/015676 priority patent/WO2022210777A1/ja
Publication of JP2022157502A publication Critical patent/JP2022157502A/ja
Priority to US18/372,484 priority patent/US20240011658A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/0001—Control or safety arrangements for ventilation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/50—Air quality properties
    • F24F2110/65—Concentration of specific substances or contaminants
    • F24F2110/70—Carbon dioxide
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2120/00—Control inputs relating to users or occupants
    • F24F2120/10—Occupancy

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Air Conditioning Control Device (AREA)
  • Ventilation (AREA)

Abstract

【課題】二酸化炭素センサにより部屋の二酸化炭素量を測定した結果に基づいて換気風量を制御する場合、換気装置が設定した換気量に達するまでに二酸化炭素濃度がさらに上昇して、適切に換気風量を制御できない場合がある。【解決手段】機械学習器１００は、第１取得部１０と、第２取得部２０と、学習部３０と、を備える。第１取得部１０は、対象空間Ｒ１～Ｒ３の環境情報を取得する。第２取得部２０は、対象空間Ｒ１～Ｒ３に存在する人の数に関する人数情報を取得する。学習部３０は、第１取得部１０が取得した環境情報と、第２取得部２０が取得した人数情報と、を関連付けて学習する。環境情報は、対象空間Ｒ１～Ｒ３内の実際の二酸化炭素濃度を含む。【選択図】図１

Description

機械学習器、及び、換気制御装置に関する。
従来、二酸化炭素センサにより部屋の二酸化炭素量を測定し、測定結果により二酸化炭素量が所定値を超える場合は、換気風量を制御している。（特許文献１（特開２０１０－９６３８２号公報）。
二酸化炭素センサにより部屋の二酸化炭素量を測定した結果に基づいて換気風量を制御する場合、換気装置が設定した換気量に達するまでに二酸化炭素濃度がさらに上昇して、適切に換気風量を制御できない場合があるという課題がある。
第１観点の機械学習器は、第１取得部と、第２取得部と、学習部と、を備える。第１取得部は、対象空間の環境情報を取得する。第２取得部は、対象空間に存在する人の数に関する人数情報を取得する。学習部は、第１取得部が取得した環境情報と、第２取得部が取得した人数情報と、を関連付けて学習する。環境情報は、対象空間内の実際の二酸化炭素濃度を含む。
この機械学習器では、対象空間での適切な換気制御のために用いることができる、対象空間特有の二酸化炭素濃度推定モデルを作成することができる。
第２観点の機械学習器は、第１観点の機械学習器であって、学習部の学習の結果に基づき、環境情報と人数情報とから対象空間内の一定時間後の二酸化炭素濃度を予測値として予測する予測部、をさらに備える。
この機械学習器では、学習部の学習の結果に基づき、対象空間の環境情報と人数情報とから一定時間後の二酸化炭素濃度を予測することで、一定時間内に対象空間の環境や人数が変化した場合でも、対象空間特有の二酸化炭素濃度を高い精度で推定することができる。
第３観点の機械学習器は、第２観点の機械学習器であって、予測部は、対象空間内の二酸化炭素濃度の変化量を予測値として予測する。
この機械学習器では、学習部の学習の結果に基づき、対象空間の環境情報と人数情報とから二酸化炭素濃度の変化量を予測することで、対象空間の環境や人数が変化した場合でも、対象空間特有の二酸化炭素濃度の変化量を高い精度で推定することができる。
第４観点の機械学習器は、第１観点から第３観点のいずれかの機械学習器であって、第２取得部は、対象空間に存在する人の生体に関する情報をさらに取得する。学習部は、第２取得部が取得した生体に関する情報を、さらに関連付けて学習する。
この機械学習器では、入力情報として、対象空間に存在する人に関する生体に関する情報を用いることで、その人が存在する対象空間特有の二酸化炭素濃度を高い精度で推定することができる。
第５観点の機械学習器は、第４観点の機械学習器であって、生体に関する情報は、対象空間に存在する人の会話量又は体温を含む。
この機械学習器では、生体に関する情報が対象空間に存在する人の会話量又は体温を含むことで、その人が存在する対象空間特有の二酸化炭素濃度を高い精度で推定することができる。
第６観点の機械学習器は、第４観点又は第５観点の機械学習器であって、生体に関する情報は、対象空間に存在する人の性別、年齢、体格又は姿勢をさらに含む。
この機械学習器では、生体に関する情報が対象空間に存在する人の性別、年齢、体格、又は姿勢をさらに含むことで、その人が存在する対象空間特有の二酸化炭素濃度を高い精度で推定することができる。
第７観点の機械学習器は、第１観点から第６観点のいずれかの機械学習器であって、環境情報が、外気の二酸化炭素濃度、又は対象空間が有する扉もしくは窓の開閉を含む。
この機械学習器では、環境情報が、外気の二酸化炭素濃度、又は対象空間が有する扉もしくは窓の開閉を含むことで、対象空間で扉もしくは窓の開閉による換気が行われた場合でも、対象空間特有の二酸化炭素濃度を高い精度で推定することができる。
第８観点の機械学習器は、第７観点の機械学習器であって、環境情報が、対象空間の換気量、又は対象空間の容積をさらに含む。
この機械学習器では、環境情報が、対象空間の換気量、又は対象空間の容積をさらに含むことで、対象空間特有の二酸化炭素濃度を高い精度で推定することができる。
第９観点の換気制御装置は、第２観点の機械学習器と、制御部と、を備える。制御部は、機械学習器の予測部の出力である、対象空間内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間に対して設置されている換気機器の制御を行う。
この換気制御装置では、対象空間内の一定時間後の二酸化炭素濃度の予測値に基づいて、換気機器の制御を行うようにしたので、対象空間内の一定時間後の二酸化炭素濃度をあらかじめ予測して、対象空間に対して適切な換気制御を行うことができる。
第１０観点の換気制御装置は、第１の予測部と、第２の予測部と、制御部と、を備える。第１の予測部は、第１の対象空間に対して、第１観点の機械学習器の学習部の学習の結果に基づき、環境情報と人数情報とから第１の対象空間内の一定時間後の二酸化炭素濃度を予測値として予測する。第２の予測部は、第２の対象空間に対して、第１観点の機械学習器の学習部の学習の結果に基づき、環境情報と人数情報とから第２の対象空間内の一定時間後の二酸化炭素濃度を予測値として予測する。制御部は、第１の予測部の出力である、第１の対象空間内の一定時間後の二酸化炭素濃度の予測値に基づいて、第１の対象空間に対して設置されている換気機器の制御を行う。制御部は、第２の予測部の出力である、第２の対象空間内の一定時間後の二酸化炭素濃度の予測値に基づいて、第２の対象空間に対して設置されている換気機器の制御を行う。
この換気制御装置では、各対象空間に各対象空間内の一定時間後の二酸化炭素濃度を予測する個別の予測部を設けるようにしたので、各対象空間内の一定時間後の二酸化炭素濃度をあらかじめ予測して、各対象空間に対して適切な換気制御を行うことができる。
機械学習器の機能ブロック図である。 換気制御システムの機能ブロック図である。 ニューラルネットワークのニューロンのモデルの模式図である。 学習データの一例を示す図である。 二酸化炭素濃度の実測値と予測値の時系列変化の一例を示す図である。 換気制御システムのフローチャートである。 機械学習器の機能ブロック図である。 換気制御システムのフローチャートである。 二酸化炭素濃度の予測値の時系列変化の一例を示す図である。 在室人数の時系列変化の一例を示す図である。 閾値に達する時間の時系列変化の一例を示す図である。 機械学習器の機能ブロック図である。 換気制御システムの機能ブロック図である。 換気制御システムのフローチャートである。
＜第１実施形態＞
（１）換気制御システムの全体構成
本実施形態の換気制御システム１は、対象空間である部屋Ｒ１～Ｒ３の換気制御を行うために設けられたシステムである。換気制御システム１は、図２に示すように、主にダンパ８０ａ～８０ｃと、ダクト配管８１と、ファン８２と、二酸化炭素センサ６０ａ～６０ｄと、カメラ７０ａ～７０ｃと、換気制御装置２００と、を有している。
換気制御装置２００は、コンピュータにより実現されるものである。換気制御装置２００は、機械学習器１００と、制御部５０とを備える。
機械学習器１００は、図１に示すように、第１取得部１０と、第２取得部２０と、学習部３０と、予測部４０と、を備える。第１取得部１０は、対象空間Ｒ１～Ｒ３の環境情報を取得する。第２取得部２０は、対象空間Ｒ１～Ｒ３に存在する人の数に関する人数情報を取得する。学習部３０は、環境情報と人数情報とを関連付けて学習する。予測部４０は、学習部３０の学習結果に基づき、環境情報と人数情報とから対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度を予測値として予測する。
換気制御装置２００は、機械学習器１００の予測部４０の出力である部屋Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度の予測値に基づいて、ダンパ８０ａ～８０ｃの制御を行う。
機械学習器１００は、ネットワーク９０を介して、部屋Ｒ１～Ｒ３に設置された二酸化炭素センサ６０ａ～６０ｃから、部屋Ｒ１～Ｒ３の実際の二酸化炭素濃度を取得する。また、機械学習器１００は、ネットワーク９０を介して、外部に設置された二酸化炭素センサ６０ｄから、外部の二酸化炭素濃度を取得する。また、機械学習器１００は、ネットワーク９０を介して、部屋Ｒ１～Ｒ３に設置されたカメラ７０ａ～７０ｃから、部屋Ｒ１～Ｒ３の人数情報を取得する。
（２）詳細構成
（２－１）機械学習器
（２－１－１）第１取得部
第１取得部１０は、対象空間である部屋Ｒ１～Ｒ３の環境情報を取得する。本実施形態では、環境情報は、対象空間Ｒ１～Ｒ３内の実際の二酸化炭素濃度を含む。また、対象空間Ｒ１～Ｒ３の環境情報は、外気の二酸化炭素濃度、対象空間Ｒ１～Ｒ２の換気量又は対象空間Ｒ１～Ｒ３の容積である。対象空間Ｒ１～Ｒ３の換気量は、換気機器であるダンパ８０ａ～８０ｃの換気量である。
本実施形態では、第１取得部１０は、二酸化炭素濃度センサ６０ａ～６０ｃを使って、対象空間Ｒ１～Ｒ３内の実際の二酸化炭素濃度を取得する。また、第１取得部１０は、外部の二酸化炭素センサ６０ｄを使って、外気の二酸化炭素濃度を取得する。また、第１取得部１０は、換気機器であるダンパ８０ａ～８０ｃの換気量を、換気機器のカタログ等から取得する。また、第１取得部１０は、図面を用いて対象空間Ｒ１～Ｒ３の容積を取得する。
（２－１－２）第２取得部
第２取得部２０は、対象空間である部屋Ｒ１～Ｒ３に存在する人の数に関する人数情報を取得する。本実施形態では、第２取得部２０は、部屋Ｒ１～Ｒ３に設置されたカメラ７０ａ～７０ｃを使って、部屋Ｒ１～Ｒ３に存在する人の数に関する人数情報を取得する。図２に示すように、部屋Ｒ１の人数は２人である。部屋Ｒ２の人数は０人である。部屋Ｒ３の人数は５人である。
（２－１－３）学習部
学習部３０は、第１取得部１０が取得した環境情報と、第２取得部２０が取得した人数情報とを関連付けて学習する。学習部３０は、対象空間毎に異なる環境情報、及び人数情報を情報として機械学習を行い、次の式１に示す二酸化炭素濃度推定モデルを作成する。
式１：
Figure 2022157502000002
但し、
Ｃ：室内の二酸化炭素濃度（ｐｐｍ）
Ｃo：外気の二酸化炭素濃度（ｐｐｍ）
Ｑｍ：換気機器の換気量（ｍ３／ｈ）
Ｖ：部屋容積（ｍ３）
Ｍｈ：一般的な人の二酸化炭素排出量（ｍ３／ｈ・人）
ｎ：人数（人）
図３にニューラルネットワークのニューロンのモデルの模式図を示す。図３に示すように、ニューロンは、複数の入力（図３では入力ｘ１、ｘ２）に対する出力ｙを出力とする。各入力（図３では入力ｘ１、ｘ２）には、対応する重みが乗算される。入力ｘ１に対応する重みはａである。入力ｘ２に対応する重みはｂである。
本実施形態では、入力ｘ１は、換気機器による二酸化炭素濃度の変化である（Ｃｏ－Ｃ）＊Ｑｍ／Ｖを示す。また、入力ｘ２は、人による二酸化炭素濃度の変化であるＭｈ＊ｎ／Ｖを示す。出力ｙは、ΔＣ／Δｔ（傾き）を示す。
本実施形態では、最急降下法を用いて、ΔＣ／Δｔ（傾き）と二酸化炭素濃度の実測値を比較することで、重み（係数）ａ、ｂの学習を行う。重みａ、ｂの値は、対象空間Ｒ１～Ｒ３毎に決定される。
（２－１－４）予測部
予測部４０は、学習部３０の学習結果に基づき、対象空間Ｒ１～Ｒ３の環境情報と人数情報とから対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度を予測値として予測する。
予測部４０は、対象空間Ｒ１の環境情報と人数情報とを入力情報として学習部３０で学習を行って作成した式１の二酸化炭素濃度推定モデル（学習済みモデル）を用いて、対象空間Ｒ１内の一定時間後の二酸化炭素濃度を予測値として予測する。
また、予測部４０は、対象空間Ｒ２の環境情報と人数情報とを入力情報として学習部３０で学習を行って作成した式１の二酸化炭素濃度推定モデルを用いて、対象空間Ｒ２内の一定時間後の二酸化炭素濃度を予測値として予測する。
また、予測部４０は、対象空間Ｒ３の環境情報と人数情報とを入力情報として学習部３０で学習を行って作成した式１の二酸化炭素濃度推定モデルを用いて、対象空間Ｒ３内の一定時間後の二酸化炭素濃度を予測値として予測する。
予測部４０は、式１のΔＣ／Δｔを用いて、Δｔの時間経過した一定時間後の二酸化炭素濃度を予測することができる。
（２－２）制御部
制御部５０は、機械学習器１００の予測部４０の出力である、対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間Ｒ１～Ｒ３に対して設置されているダンパ８０ａ～８０ｃの制御を行う。
制御部５０はコンピュータにより実現されるものである。制御部５０は、制御演算装置と記憶装置（図示せず）とを備える。制御演算装置には、ＣＰＵ又はＧＰＵといったプロセッサを使用できる。制御演算装置は、記憶装置に記憶されているプログラムを読み出し、このプログラムに従って所定の画像処理や演算処理を行う。さらに、制御演算装置は、プログラムに従って、演算結果を記憶装置に書き込んだり、記憶装置に記憶されている情報を読み出したりすることができる。記憶装置は、データベースとして用いることができる。
（３）学習処理
学習部３０は、環境情報と、人数情報と、微小時間の二酸化炭素濃度の変化を学習用データセットとして学習する。本実施形態では、環境情報は、室内の実際の二酸化炭素濃度と、外気の二酸化炭素濃度と、換気機器の換気量である。人数情報は、対象空間に存在する人の数に関する人数情報である。
図４に部屋Ｒ１における学習データの一例を示す。部屋Ｒ１で、部屋容積がＶ１であるとする。また、換気機器はダンパ８０ａである。図４に示すように、室内二酸化炭素濃度Ｃ１、外気の二酸化炭素濃度Ｃｏ１、換気機器の換気量Ｑｍ１、部屋Ｒ１に在室する人数ｎ１を入力とし、微小時間の二酸化炭素濃度ΔＣ１／Δｔ１を出力とする学習用データセットによって学習させる。また、室内二酸化炭素濃度Ｃ２、外気の二酸化炭素濃度Ｃｏ２、換気機器の換気量Ｑｍ２、部屋Ｒ１に在室する人数ｎ２を入力とし、微小時間の二酸化炭素濃度ΔＣ２／Δｔ２を出力とする学習用データセットによって学習させる。また、室内二酸化炭素濃度Ｃ３、外気の二酸化炭素濃度Ｃｏ３、換気機器の換気量Ｑｍ３、部屋Ｒ１に在室する人数ｎ３を入力とし、微小時間の二酸化炭素濃度ΔＣ３／Δｔ３を出力とする学習用データセットによって学習させる。また、室内二酸化炭素濃度Ｃｋ、外気の二酸化炭素濃度Ｃｏｋ、換気機器の換気量Ｑｍｋ、部屋Ｒ１に在室する人数ｎｋを入力とし、微小時間の二酸化炭素濃度ΔＣｋ／Δｔｋを出力とする学習用データセットによって学習させる。
対象空間Ｒ１の二酸化炭素濃度の実測値と予測値の時系列変化の例を図５に示す。二酸化炭素濃度の実測値を実線で、二酸化炭素濃度の予測値を点線で示す。予測値は、対象空間Ｒ１における学習用データセットによって学習して得られた二酸化炭素濃度推定モデルを使用して求める。予測値は、ある時点から１０分後の二酸化炭素濃度を予測したものとする。対象空間Ｒ１における学習用データセットで学習して得られた二酸化炭素濃度推定モデルを用いた場合、対象空間Ｒ１の二酸化炭素濃度の実測値と予測値は平均誤差が９．３ｐｐｍであり、標準偏差が８．０ｐｐｍである。
一方、他の部屋における学習用データセットで学習を行った二酸化炭素濃度推定モデルを使用して、対象空間Ｒ１の二酸化炭素濃度の予測値を求めた場合、対象空間Ｒ１の二酸化炭素濃度の平均誤差が１２．２ｐｐｍ、標準偏差が８．５ｐｐｍとなり、二酸化炭素濃度の予測値の精度が低下する。従って、対象空間のデータである環境情報と人数情報を用いて、二酸化炭素濃度推定モデルを作成することが好ましい。
（４）換気制御システムの全体動作
換気制御システム１のフローチャートを図６に示す。
まず、ステップＳ１で対象空間Ｒ１～Ｒ３の環境情報を取得する（ステップＳ１）。対象空間Ｒ１～Ｒ３に存在する人の数に関する人数情報を取得する（ステップＳ２）。
次に、学習部３０の学習の結果に基づき、対象空間Ｒ１～Ｒ３における一定時間後の二酸化炭素濃度を予測する（ステップＳ３）。本実施形態では、対象空間Ｒ１～Ｒ３における１０分後の二酸化炭素濃度を予測するとする。
ステップＳ３では、対象空間Ｒ１の環境情報と人数情報を入力情報として学習部３０で学習した結果に基づき、対象空間Ｒ１における１０分後の二酸化炭素濃度を予測する。また、対象空間Ｒ２の環境情報と人数情報を入力情報として学習部３０で学習した結果に基づき、対象空間Ｒ２における１０分後の二酸化炭素濃度を予測する。また、対象空間Ｒ３の環境情報と人数情報を入力情報として学習部３０で学習した結果に基づき、対象空間Ｒ３における１０分後の二酸化炭素濃度を予測する。
次に、ステップＳ３で予測した二酸化炭素濃度に基づいて、ダンパ８０ａ～８０ｃの制御を行う（ステップＳ４）。
（５）特徴
（５－１）
本実施形態の機械学習器１００は、第１取得部１０と、第２取得部２０と、学習部３０と、を備える。第１取得部１０は、対象空間Ｒ１～Ｒ３の環境情報を取得する。第２取得部２０は、対象空間Ｒ１～Ｒ３に存在する人の数に関する人数情報を取得する。学習部３０は、第１取得部１０が取得した環境情報と、第２取得部２０が取得した人数情報と、を関連付けて学習する。環境情報は、対象空間Ｒ１～Ｒ３内の実際の二酸化炭素濃度を含む。
対象空間の二酸化炭素濃度をコントロールするためにリアルタイムに二酸化炭素濃度を監視し換気制御を行った場合において、換気機器の起動時間やデータ通信時間は物件により異なるため、換気機器が設定した換気量に達するまでに、在室者の急増や発言量の増加などで二酸化炭素濃度が上昇する場合がある。また、対象空間内に人が入室しても二酸化炭素濃度が拡散するまで時間がかかるため、二酸化炭素濃度の上昇の検知が遅れる場合もある。
この機械学習器１００では、対象空間Ｒ１～Ｒ３での適切な換気制御のために用いることができる、対象空間Ｒ１～Ｒ３特有の二酸化炭素濃度推定モデルを作成することができる。従って、本実施形態の機械学習器１００では、対象空間によって異なる二酸化炭素濃度の変化の特性を把握し、二酸化炭素濃度の高精度な推定を行うことができる。
（５－２）
本実施形態の機械学習器１００は、学習部３０の学習の結果に基づき、環境情報と人数情報とから対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度を予測値として予測する予測部４０、をさらに備える。
この機械学習器１００では、学習部３０の学習の結果に基づき、対象空間Ｒ１～Ｒ３の環境情報と人数情報とから一定時間後の二酸化炭素濃度を予測することで、一定時間内に対象空間Ｒ１～Ｒ３の環境や人数が変化した場合でも、対象空間Ｒ１～Ｒ３特有の二酸化炭素濃度を高い精度で推定することができる。
（５－３）
本実施形態の機械学習器１００は、環境情報が、対象空間Ｒ１～Ｒ３の換気量、又は対象空間の容積をさらに含む。
この機械学習器１００では、環境情報が、対象空間Ｒ１～Ｒ３の換気量、又は対象空間Ｒ１～Ｒ３の容積をさらに含むことで、対象空間Ｒ１～Ｒ３特有の二酸化炭素濃度を高い精度で推定することができる。
（５－４）
本実施形態の換気制御装置２００は、機械学習器１００と、制御部５０と、を備える。制御部５０は、機械学習器１００の予測部４０の出力である、対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間Ｒ１～Ｒ３に対して設置されている換気機器８０ａ～８０ｃの制御を行う。
換気の悪い密閉空間に当たらない基準の一つとして、室内二酸化炭素濃度１０００ｐｐｍ以下であることを厚生労働省が公表している。一方で、感染症の影響により、密閉への意識が高まり、感染リスクを抑えるために過剰な換気が行われている場合がある。そのため、外気負荷が増大するなどの要因により消費エネルギー量が増加している。
この換気制御装置２００では、対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度の予測値に基づいて、換気機器８０ａ～８０ｃの制御を行うようにしたので、対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度をあらかじめ予測して、対象空間Ｒ１～Ｒ３に対して適切な換気制御を行うことができる。また、この換気制御装置２００では、対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度の予測値を用いて、フィードフォワード式で換気連動を行うことによって安全性を高めることができる。従って、二酸化炭素濃度がある設定値以下を維持した必要十分な換気を行うことによって、安全性と省エネ性の両立が可能である。
（６）変形例
（６－１）変形例１Ａ
本実施形態では、予測部４０が対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度を予測値として予測する場合について説明したが、対象空間内の二酸化炭素濃度の変化量を予測値として予測するようにしてもよい。
予測部が、学習部の学習の結果に基づき、対象空間Ｒ１～Ｒ３の環境情報と人数情報とから二酸化炭素濃度の変化量を予測することで、対象空間Ｒ１～Ｒ３の環境や人数が変化した場合でも、対象空間Ｒ１～Ｒ３特有の二酸化炭素濃度の変化量を高い精度で推定することができる。
（６－２）変形例１Ｂ
本実施形態では、予測部４０が対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度を予測値として予測する場合について説明した。予測部４０は、対象空間Ｒ１～Ｒ３内の定常状態時の二酸化炭素濃度を予測することもできる。
予測部４０は、対象空間のある時刻の入力情報に基づいて、その入力情報における二酸化炭素濃度が最大となる濃度（定常状態時の二酸化炭素濃度）を算出して予測することができる。例えば、対象空間のある時間の環境情報と人数情報を用いて、式１のΔＣ／Δｔ＝０としたときのＣの値を求めれば、このＣの値が対象空間の定常状態時の二酸化炭素濃度の予測値となる。
このように、人数情報などの入力情報を用いて、事前にどの程度まで二酸化炭素濃度が上昇するか予測することができる。
（６－３）変形例１Ｃ
本実施形態では、環境情報が外気の二酸化炭素濃度、対象空間の換気量又は対象空間の容積である場合について説明したが、これに限るものではない。環境情報は対象空間が有する扉もしくは開閉でもよい。
環境情報が、対象空間Ｒ１～Ｒ３が有する扉もしくは窓の開閉を含むことで、対象空間Ｒ１～Ｒ３で扉もしくは窓の開閉による換気が行われた場合でも、対象空間Ｒ１～Ｒ３特有の二酸化炭素濃度を高い精度で予測することができる。
各対象空間Ｒ１～Ｒ３の二酸化炭素濃度推定モデルを利用して、例えば換気量や窓開閉などの入力情報を変化させた場合の二酸化炭素濃度を予測し、窓を開けるなどの所定の二酸化炭素濃度以下にするための行動を提案することができる。
また、本実施形態では、第１取得部１０が外部の二酸化炭素センサ６０ｄを使って、外気の二酸化炭素濃度を取得する場合について説明したが、これに限るものではない。例えば、外気の二酸化炭素濃度を取得できない場合、外気の二酸化炭素濃度の値として、一般的に大気中に含まれる二酸化炭素濃度である４２０ｐｐｍという値を用いてもよい。
（６－４）変形例１Ｄ
本実施形態では、第２取得部２０が人数情報を取得する場合について説明したが、これに限るものではない。第２取得部は、対象空間に存在する人の生体に関する情報をさらに取得するようにしてもよい。
変形例１Ｄの機械学習器１１０の機能ブロック図を図７に示す。
機械学習器１１０は、図７に示すように、第１取得部１０と、第２取得部２１、学習部３０と、予測部４０と、を備える。第１取得部１０は、対象空間Ｒ１～Ｒ３の環境情報を取得する。第２取得部２１は、対象空間Ｒ１～Ｒ３に存在する人の数に関する人数情報と、対象空間Ｒ１～Ｒ３に存在する人の生体に関する情報とを取得する。学習部３０は、環境情報と人数情報と生体に関する情報とを関連付けて学習する。予測部４０は、学習部３０の学習結果に基づき、環境情報と人数情報と生体に関する情報から対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度を予測値として予測する。
生体に関する情報は、対象空間Ｒ１～Ｒ３に存在する人の会話量又は体温を含むようにしてもよい。また、生体に関する情報は、対象空間Ｒ１～Ｒ３に存在する人の性別、年齢、体格、又は姿勢をさらに含むようにしてもよい。
第２取得部２１は、例えば音センサを用いて人の会話量を取得する。また、第２取得部２１は、サーモセンサを用いて人の体温を取得する。また、第２取得部２１は、カメラを用いて人の性別、年齢、体格、又は姿勢を取得する。
変形例１Ｄの換気制御システムのフローチャートを図８に示す。
まず、ステップＳ１で対象空間Ｒ１～Ｒ３の環境情報を取得する（ステップＳ１１）。対象空間Ｒ１～Ｒ３に存在する人の数に関する人数情報を取得する（ステップＳ１２）。次に、対象空間Ｒ１～Ｒ３に存在する人の生体に関する情報を取得する（ステップＳ１３）。次に、学習部３０の学習の結果に基づき、対象空間Ｒ１～Ｒ３における一定時間後の二酸化炭素濃度を予測する（ステップＳ１４）。ステップＳ１４で予測した二酸化炭素濃度に基づいて、ダンパ８０ａ～８０ｃの制御を行う（ステップＳ１５）。
変形例１Ｄの機械学習器１１０では、入力情報として、対象空間に存在する人に関する生体に関する情報をさらに用いることで、その人が存在する対象空間Ｒ１～Ｒ３特有の二酸化炭素濃度を高い精度で推定することができる。
また、機械学習器１１０では、生体に関する情報が対象空間に存在する人の会話量又は体温を含むことで、対象空間Ｒ１～Ｒ３に存在する人の会話量が増加することによって二酸化炭素濃度が増加した場合であっても、その人が存在する対象空間Ｒ１～Ｒ３特有の二酸化炭素濃度を高い精度で推定することができる。
また、機械学習器１１０では、生体に関する情報が対象空間Ｒ１～Ｒ３に存在する人の性別、年齢、体格、又は姿勢をさらに含むことで、その人が存在する対象空間Ｒ１～Ｒ３特有の二酸化炭素濃度を高い精度で推定することができる。
（６－５）変形例１Ｅ
本実施形態では、第１取得部１０が図面を用いて対象空間Ｒ１～Ｒ３の容積を取得する場合について説明したが、これに限るものではない。
対象空間内の人数情報と、室内の二酸化炭素濃度と、外気の二酸化炭素濃度と、換気機器の換気量とを用いて、対象空間の容積を推定することもできる。対象空間内の人数が０人の場合において、ある時点ｔ１と、ｔ１とは異なる時点ｔ２の、対象空間内の二酸化炭素濃度の減衰から対象空間の容積を推定するようにしてもよい。
（６－６）変形例１Ｆ
換気制御装置２００の制御部５０が換気機器８０ａ～８０ｃの制御を行う際に、対象空間Ｒ１～Ｒ３に人が存在する時の二酸化炭素濃度を推定することにより、二酸化炭素濃度が閾値以下を維持する換気制御を行うようにしてもよい。
図９Ａに対象空間Ｒ１の二酸化炭素濃度の予測値の時系列変化の一例を示す。図９Ｂに対象空間Ｒ１の在室人数の時系列変化の一例を示す。図９Ｃに対象空間Ｒ１における二酸化炭素濃度の閾値に達する時間の時系列変化の一例を示す。
二酸化炭素濃度の閾値を１０００ｐｐｍとする。また、推定される定常状態時の二酸化炭素濃度が閾値以下の場合、閾値に到達するまでの時間を２０分とする。また、対象空間Ｒ１の二酸化炭素濃度の予測値が閾値に達するまでの時間が５分以下の場合、換気制御を行う。
例えば、図９Ｂに示すように、対象空間Ｒ１の在室人数は０時の時点では０人であり、１時の時点で３０人である。
０時の時点で、対象空間Ｒ１の二酸化炭素濃度の実測値は約８２０ｐｐｍである。その後、図９Ａに示すように、１時の時点で、対象空間Ｒ１の二酸化炭素濃度の予測値は約９５８ｐｐｍである。従って、０時から１時の間に対象空間Ｒ１の二酸化炭素濃度が増加することが推定される。図９Ｃに示すように、０時から１時の間に、対象空間Ｒ１の二酸化炭素濃度の予測値が閾値に到達するまでの時間は短くなり、１時の時点で閾値に到達するまでの時間は５分になる。その後、図９Ａに示すように、さらに対象空間Ｒ１の二酸化炭素濃度の予測値は増加し、２時３０分頃まで、閾値の１０００ｐｐｍを超えている。１時から２時３０分頃の間、図９Ｃに示すように、対象空間Ｒ１の二酸化炭素濃度の予測値が閾値に到達するまでの時間は５分以下である。従って、１時から２時３０分頃までの間、対象空間Ｒ１の換気制御を行う。
このように、対象空間に人が存在する時の二酸化炭素濃度を推定することにより、二酸化炭素濃度が閾値以下を維持する換気制御を行うことで、安全性と省エネ性の両立を実現できる。
また、予測部４０から出力される対象空間内の二酸化炭素濃度の予測値を用いて、対象空間内の二酸化炭素濃度の変化をディスプレイに表示して、対象空間の利用者に二酸化炭素濃度の変化を認識させることができるようにしてもよい。例えば、対象空間内の二酸化炭素濃度の変化として、対象空間内の二酸化炭素濃度の予測値が所定の設定値に到達するまでの時間をディスプレイに表示するようにしてもよい。対象空間内の二酸化炭素濃度の変化は、対象空間内の二酸化炭素濃度が増加する場合に限らず、対象空間内の二酸化炭素濃度が減少する場合も含まれる。
（６－７）変形例１Ｇ
本実施形態では、学習部３０が教師ありのニューラルネットワークを用いた機械学習を行い、二酸化炭素濃度推定モデルを作成する場合について説明したが、これに限るものではない。機械学習方法は、線形回帰やディープラーニング、ＬＳＴＭ（Long Short Term Memory）等を用いてもよい。
＜第２実施形態＞
（１）全体構成
本実施形態の換気制御システム２は、部屋Ｒ１～Ｒ３の換気制御を行うために設けられたシステムである。換気制御システム２は、図１１に示すように、主にダンパ８０ａ～８０ｃと、ダクト配管８１と、ファン８２と、二酸化炭素センサ６０ａ～６０ｄと、カメラ７０ａ～７０ｃと、予測部４１ａ～４１ｃと、機械学習器１２０と、換気制御装置２１０と、を有している。
換気制御装置２１０は、コンピュータにより実現されるものである。換気制御装置２００は、制御部５１を備える。
機械学習器１２０は、図１０に示すように、第１取得部１０と、第２取得部２０と、学習部３０と、を備える。第１取得部１０は、対象空間Ｒ１～Ｒ３の環境情報を取得する。第２取得部２０は、対象空間Ｒ１～Ｒ３に存在する人の数に関する人数情報を取得する。学習部３０は、環境情報と人数情報とを関連付けて学習する。
部屋Ｒ１～Ｒ３に予測部４１ａ～４１ｃが設けられている。予測部４１ａ～４１ｃは、機械学習器１２０で学習した学習済みモデルを有する。予測部４１ａ～４１ｃは、機械学習器１２０の学習部３０の学習結果に基づき、環境情報と人数情報とから対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度を予測値として予測する。
換気制御装置２１０は、予測部４１ａ～４１ｃの出力である部屋Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度の予測値に基づいて、ダンパ８０ａ～８０ｃの制御を行う。
機械学習器１２０は、ネットワーク９０を介して、部屋Ｒ１～Ｒ３に設置された二酸化炭素センサ６０ａ～６０ｃから、部屋Ｒ１～Ｒ３の実際の二酸化炭素濃度を取得する。また、機械学習器１００は、ネットワーク９０を介して、外部に設置された二酸化炭素センサ６０ｄから、外部の二酸化炭素濃度を取得する。また、機械学習器１００は、ネットワーク９０を介して、部屋Ｒ１～Ｒ３に設置されたカメラ７０ａ～７０ｃから、部屋Ｒ１～Ｒ３の人数情報を取得する。
（２）詳細構成
（２－１）機械学習器
機械学習器１２０は、図１０に示すように、第１取得部１０と、第２取得部２０と、学習部３０と、を備える。第１取得部１０と、第２取得部２０と、学習部３０の構成は、第１実施形態と同様であるため、詳しい説明を省略する。
（２－２）予測部
予測部４１ａは、対象空間Ｒ１に設置されている。予測部４１ａは、対象空間Ｒ１に対して、機械学習器１２０の学習部３０の学習の結果に基づき、対象空間Ｒ１の環境情報と人数情報とから対象空間Ｒ１内の一定期間後の二酸化炭素濃度を予測値として予測する。
また、予測部４１ｂは、対象空間Ｒ２に設置されている。予測部４１ｂは、対象空間Ｒ２に対して、機械学習器１２０の学習部３０の学習の結果に基づき、対象空間Ｒ２の環境情報と人数情報とから対象空間Ｒ２内の一定期間後の二酸化炭素濃度を予測値として予測する。
また、予測部４１ｃは、対象空間Ｒ３に設置されている。予測部４１ｃは、対象空間Ｒ３に対して、機械学習器１２０の学習部３０の学習の結果に基づき、対象空間Ｒ３の環境情報と人数情報とから対象空間Ｒ３内の一定期間後の二酸化炭素濃度を予測値として予測する。
（２－３）制御部
制御部５１は、予測部４１ａの出力である、対象空間Ｒ１内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間Ｒ１に対して設置されているダンパ８０ａの制御を行う。また、制御部５１は、予測部４１ｂの出力である、対象空間Ｒ２内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間Ｒ２に対して設置されているダンパ８０ｂの制御を行う。また、制御部５１は、予測部４１ｃの出力である、対象空間Ｒ３内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間Ｒ３に対して設置されているダンパ８０ｃの制御を行う。
制御部５１はコンピュータにより実現されるものである。制御部５１は、制御演算装置と記憶装置（図示せず）とを備える。制御演算装置には、ＣＰＵ又はＧＰＵといったプロセッサを使用できる。制御演算装置は、記憶装置に記憶されているプログラムを読み出し、このプログラムに従って所定の画像処理や演算処理を行う。さらに、制御演算装置は、プログラムに従って、演算結果を記憶装置に書き込んだり、記憶装置に記憶されている情報を読み出したりすることができる。記憶装置は、データベースとして用いることができる。
（３）全体動作
換気制御システム２のフローチャートを図１２に示す。図６に示した第１実施形態における処理と実質的に同じであるため、詳細な説明を省略する。第１実施形態では、ステップＳ３で機械学習器１００の予測部４０を用いて一定時間後の二酸化炭素濃度を予測している。第２実施形態では、ステップＳ２３で、各対象空間Ｒ１～Ｒ３に設けられた予測部４１ａ～４１ｃを用いて二酸化炭素濃度を予測する点が第１実施形態と異なる。
（４）特徴
（４－１）
本実施形態の換気制御装置２１０は、第１の予測部４１ａと、第２の予測部４１ｂと、第３の予測部４１ｃと、制御部５０と、を備える。第１の予測部４１ａは、第１の対象空間Ｒ１に対して、機械学習器１２０の学習部３０の学習の結果に基づき、環境情報と人数情報とから第１の対象空間Ｒ１内の一定時間後の二酸化炭素濃度を予測値として予測する。第２の予測部４１ｂは、第２の対象空間Ｒ２に対して、機械学習器１２０の学習部３０の学習の結果に基づき、環境情報と人数情報とから第２の対象空間Ｒ２内の一定時間後の二酸化炭素濃度を予測値として予測する。第３の予測部４１ｃは、第３の対象空間Ｒ３に対して、機械学習器１２０の学習部３０の学習の結果に基づき、環境情報と人数情報とから第３の対象空間Ｒ３内の一定時間後の二酸化炭素濃度を予測値として予測する。制御部５１は、第１の予測部４１ａの出力である、第１の対象空間Ｒ１内の一定時間後の二酸化炭素濃度の予測値に基づいて、第１の対象空間Ｒ１に対して設置されている換気機器８０ａの制御を行う。制御部５１は、第２の予測部４１ｂの出力である、第２の対象空間Ｒ２内の一定時間後の二酸化炭素濃度の予測値に基づいて、第２の対象空間Ｒ２に対して設置されている換気機器８０ｂの制御を行う。制御部５１は、第３の予測部４１ｃの出力である、第３の対象空間Ｒ３内の一定時間後の二酸化炭素濃度の予測値に基づいて、第３の対象空間Ｒ３に対して設置されている換気機器８０ｃの制御を行う。
この換気制御装置２１０では、各対象空間Ｒ１～Ｒ３に各対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度を予測する個別の予測部４１ａ～４１ｃを設けるようにしたので、各対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度をあらかじめ予測して、各対象空間Ｒ１～Ｒ３に対して適切な換気制御を行うことができる。
（５）変形例
（５－１）変形例２Ａ
本実施形態では、３部屋のそれぞれに第１～第３の予測部４１ａ～４１ｂを備える場合について説明したが、これに限るものではない。２以上である複数の部屋のそれぞれに予測部を備えるようにしてもよい。また、対象空間が１部屋であり、１つの対象空間に予測部を備えるようにしてもよい。
（５－２）変形例２Ｂ
以上、本開示の実施形態を説明したが、特許請求の範囲に記載された本開示の趣旨及び範囲から逸脱することなく、形態や詳細の多様な変更が可能なことが理解されるであろう。
１、２ 換気制御システム
１００、１１０、１２０ 機械学習器
２００、２１０ 換気制御装置
１０ 第１取得部
２０、２１ 第２取得部
３０ 学習部
４０、４１ａ～４１ｃ 予測部
５０、５１ 制御部
６０ａ～６０ｄ 二酸化炭素センサ
７０ａ～７０ｃ カメラ
８０ａ～８０ｃ ダンパ（換気機器）
８１ ダクト配管
８２ ファン
９０ ネットワーク
特開２０１０－９６３８２号公報
機械学習器、換気制御装置、及び、換気制御方法に関する。
従来、二酸化炭素センサにより部屋の二酸化炭素量を測定し、測定結果により二酸化炭素量が所定値を超える場合は、換気風量を制御している。（特許文献１（特開２０１０－９６３８２号公報）。
二酸化炭素センサにより部屋の二酸化炭素量を測定した結果に基づいて換気風量を制御する場合、換気装置が設定した換気量に達するまでに二酸化炭素濃度がさらに上昇して、適切に換気風量を制御できない場合があるという課題がある。
第１観点の機械学習器は、第１取得部と、第２取得部と、学習部と、を備える。第１取得部は、対象空間の環境情報を取得する。第２取得部は、対象空間に存在する人の数に関する人数情報を取得する。学習部は、第１取得部が取得した環境情報と、第２取得部が取得した人数情報と、を関連付けて学習する。環境情報は、対象空間内の実際の二酸化炭素濃度を含む。
この機械学習器では、対象空間での適切な換気制御のために用いることができる、対象空間特有の二酸化炭素濃度推定モデルを作成することができる。
第２観点の機械学習器は、第１観点の機械学習器であって、学習部の学習の結果に基づき、環境情報と人数情報とから対象空間内の一定時間後の二酸化炭素濃度を予測値として予測する予測部、をさらに備える。
この機械学習器では、学習部の学習の結果に基づき、対象空間の環境情報と人数情報とから一定時間後の二酸化炭素濃度を予測することで、一定時間内に対象空間の環境や人数が変化した場合でも、対象空間特有の二酸化炭素濃度を高い精度で推定することができる。
第３観点の機械学習器は、第２観点の機械学習器であって、予測部は、対象空間内の二酸化炭素濃度の変化量を予測値として予測する。
この機械学習器では、学習部の学習の結果に基づき、対象空間の環境情報と人数情報とから二酸化炭素濃度の変化量を予測することで、対象空間の環境や人数が変化した場合でも、対象空間特有の二酸化炭素濃度の変化量を高い精度で推定することができる。
第４観点の機械学習器は、第１観点から第３観点のいずれかの機械学習器であって、第２取得部は、対象空間に存在する人の生体に関する情報をさらに取得する。学習部は、第２取得部が取得した生体に関する情報を、さらに関連付けて学習する。
この機械学習器では、入力情報として、対象空間に存在する人に関する生体に関する情報を用いることで、その人が存在する対象空間特有の二酸化炭素濃度を高い精度で推定することができる。
第５観点の機械学習器は、第４観点の機械学習器であって、生体に関する情報は、対象空間に存在する人の会話量又は体温を含む。
この機械学習器では、生体に関する情報が対象空間に存在する人の会話量又は体温を含むことで、その人が存在する対象空間特有の二酸化炭素濃度を高い精度で推定することができる。
第６観点の機械学習器は、第４観点又は第５観点の機械学習器であって、生体に関する情報は、対象空間に存在する人の性別、年齢、体格又は姿勢をさらに含む。
この機械学習器では、生体に関する情報が対象空間に存在する人の性別、年齢、体格、又は姿勢をさらに含むことで、その人が存在する対象空間特有の二酸化炭素濃度を高い精度で推定することができる。
第７観点の機械学習器は、第１観点から第６観点のいずれかの機械学習器であって、環境情報が、外気の二酸化炭素濃度、又は対象空間が有する扉もしくは窓の開閉を含む。
この機械学習器では、環境情報が、外気の二酸化炭素濃度、又は対象空間が有する扉もしくは窓の開閉を含むことで、対象空間で扉もしくは窓の開閉による換気が行われた場合でも、対象空間特有の二酸化炭素濃度を高い精度で推定することができる。
第８観点の機械学習器は、第７観点の機械学習器であって、環境情報が、対象空間の換気量、又は対象空間の容積をさらに含む。
この機械学習器では、環境情報が、対象空間の換気量、又は対象空間の容積をさらに含むことで、対象空間特有の二酸化炭素濃度を高い精度で推定することができる。
第９観点の換気制御装置は、第２観点の機械学習器と、制御部と、を備える。制御部は、機械学習器の予測部の出力である、対象空間内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間に対して設置されている換気機器の制御を行う。
この換気制御装置では、対象空間内の一定時間後の二酸化炭素濃度の予測値に基づいて、換気機器の制御を行うようにしたので、対象空間内の一定時間後の二酸化炭素濃度をあらかじめ予測して、対象空間に対して適切な換気制御を行うことができる。
第１０観点の換気制御装置は、第１の予測部と、第２の予測部と、制御部と、を備える。第１の予測部は、第１の対象空間に対して、第１観点の機械学習器の学習部の学習の結果に基づき、環境情報と人数情報とから第１の対象空間内の一定時間後の二酸化炭素濃度を予測値として予測する。第２の予測部は、第２の対象空間に対して、第１観点の機械学習器の学習部の学習の結果に基づき、環境情報と人数情報とから第２の対象空間内の一定時間後の二酸化炭素濃度を予測値として予測する。制御部は、第１の予測部の出力である、第１の対象空間内の一定時間後の二酸化炭素濃度の予測値に基づいて、第１の対象空間に対して設置されている換気機器の制御を行う。制御部は、第２の予測部の出力である、第２の対象空間内の一定時間後の二酸化炭素濃度の予測値に基づいて、第２の対象空間に対して設置されている換気機器の制御を行う。
この換気制御装置では、各対象空間に各対象空間内の一定時間後の二酸化炭素濃度を予測する個別の予測部を設けるようにしたので、各対象空間内の一定時間後の二酸化炭素濃度をあらかじめ予測して、各対象空間に対して適切な換気制御を行うことができる。
第１１観点の換気制御方法は、予測ステップと、制御ステップと、を備える。予測ステップは、第１観点の機械学習器の学習部の学習の結果に基づき、環境情報と人数情報とから対象空間内の一定時間後の二酸化炭素濃度を予測値として予測する。制御ステップは、予測ステップの出力である、対象空間内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間に対して設置されている換気機器の制御を行う。
この換気制御方法では、対象空間内の一定時間後の二酸化炭素濃度の予測値に基づいて、換気機器の制御を行うようにしたので、対象空間内の一定時間後の二酸化炭素濃度をあらかじめ予測して、対象空間に対して適切な換気制御を行うことができる。
第１２観点の換気制御方法は、第１の予測ステップと、第２の予測ステップと、制御ステップと、を備える。第１の予測ステップは、第１の対象空間に対して、第１観点の機械学習器の学習部の学習の結果に基づき、環境情報と人数情報とから第１の対象空間内の一定時間後の二酸化炭素濃度を予測値として予測する。第２の予測ステップは、第２の対象空間に対して、第１観点の機械学習器の学習部の学習の結果に基づき、環境情報と人数情報とから第２の対象空間内の一定時間後の二酸化炭素濃度を予測値として予測する。制御ステップは、第１の予測ステップの出力である、第１の対象空間内の一定時間後の二酸化炭素濃度の予測値に基づいて、第１の対象空間に対して設置されている換気機器の制御を行う。制御部は、第２の予測ステップの出力である、第２の対象空間内の一定時間後の二酸化炭素濃度の予測値に基づいて、第２の対象空間に対して設置されている換気機器の制御を行う。
この換気制御方法では、各対象空間に各対象空間内の一定時間後の二酸化炭素濃度を予測する個別の予測ステップを備えるようにしたので、各対象空間内の一定時間後の二酸化炭素濃度をあらかじめ予測して、各対象空間に対して適切な換気制御を行うことができる。
機械学習器の機能ブロック図である。 換気制御システムの機能ブロック図である。 ニューラルネットワークのニューロンのモデルの模式図である。 学習データの一例を示す図である。 二酸化炭素濃度の実測値と予測値の時系列変化の一例を示す図である。 換気制御システムのフローチャートである。 機械学習器の機能ブロック図である。 換気制御システムのフローチャートである。 二酸化炭素濃度の予測値の時系列変化の一例を示す図である。 在室人数の時系列変化の一例を示す図である。 閾値に達する時間の時系列変化の一例を示す図である。 機械学習器の機能ブロック図である。 換気制御システムの機能ブロック図である。 換気制御システムのフローチャートである。
＜第１実施形態＞
（１）換気制御システムの全体構成
本実施形態の換気制御システム１は、対象空間である部屋Ｒ１～Ｒ３の換気制御を行うために設けられたシステムである。換気制御システム１は、図２に示すように、主にダンパ８０ａ～８０ｃと、ダクト配管８１と、ファン８２と、二酸化炭素センサ６０ａ～６０ｄと、カメラ７０ａ～７０ｃと、換気制御装置２００と、を有している。
換気制御装置２００は、コンピュータにより実現されるものである。換気制御装置２００は、機械学習器１００と、制御部５０とを備える。
機械学習器１００は、図１に示すように、第１取得部１０と、第２取得部２０と、学習部３０と、予測部４０と、を備える。第１取得部１０は、対象空間Ｒ１～Ｒ３の環境情報を取得する。第２取得部２０は、対象空間Ｒ１～Ｒ３に存在する人の数に関する人数情報を取得する。学習部３０は、環境情報と人数情報とを関連付けて学習する。予測部４０は、学習部３０の学習結果に基づき、環境情報と人数情報とから対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度を予測値として予測する。
換気制御装置２００は、機械学習器１００の予測部４０の出力である部屋Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度の予測値に基づいて、ダンパ８０ａ～８０ｃの制御を行う。
機械学習器１００は、ネットワーク９０を介して、部屋Ｒ１～Ｒ３に設置された二酸化炭素センサ６０ａ～６０ｃから、部屋Ｒ１～Ｒ３の実際の二酸化炭素濃度を取得する。また、機械学習器１００は、ネットワーク９０を介して、外部に設置された二酸化炭素センサ６０ｄから、外部の二酸化炭素濃度を取得する。また、機械学習器１００は、ネットワーク９０を介して、部屋Ｒ１～Ｒ３に設置されたカメラ７０ａ～７０ｃから、部屋Ｒ１～Ｒ３の人数情報を取得する。
（２）詳細構成
（２－１）機械学習器
（２－１－１）第１取得部
第１取得部１０は、対象空間である部屋Ｒ１～Ｒ３の環境情報を取得する。本実施形態では、環境情報は、対象空間Ｒ１～Ｒ３内の実際の二酸化炭素濃度を含む。また、対象空間Ｒ１～Ｒ３の環境情報は、外気の二酸化炭素濃度、対象空間Ｒ１～Ｒ２の換気量又は対象空間Ｒ１～Ｒ３の容積である。対象空間Ｒ１～Ｒ３の換気量は、換気機器であるダンパ８０ａ～８０ｃの換気量である。
本実施形態では、第１取得部１０は、二酸化炭素濃度センサ６０ａ～６０ｃを使って、対象空間Ｒ１～Ｒ３内の実際の二酸化炭素濃度を取得する。また、第１取得部１０は、外部の二酸化炭素センサ６０ｄを使って、外気の二酸化炭素濃度を取得する。また、第１取得部１０は、換気機器であるダンパ８０ａ～８０ｃの換気量を、換気機器のカタログ等から取得する。また、第１取得部１０は、図面を用いて対象空間Ｒ１～Ｒ３の容積を取得する。
（２－１－２）第２取得部
第２取得部２０は、対象空間である部屋Ｒ１～Ｒ３に存在する人の数に関する人数情報を取得する。本実施形態では、第２取得部２０は、部屋Ｒ１～Ｒ３に設置されたカメラ７０ａ～７０ｃを使って、部屋Ｒ１～Ｒ３に存在する人の数に関する人数情報を取得する。図２に示すように、部屋Ｒ１の人数は２人である。部屋Ｒ２の人数は０人である。部屋Ｒ３の人数は５人である。
（２－１－３）学習部
学習部３０は、第１取得部１０が取得した環境情報と、第２取得部２０が取得した人数情報とを関連付けて学習する。学習部３０は、対象空間毎に異なる環境情報、及び人数情報を情報として機械学習を行い、次の式１に示す二酸化炭素濃度推定モデルを作成する。
式１：
Figure 2022157502000017

但し、
Ｃ：室内の二酸化炭素濃度（ｐｐｍ）
Ｃo：外気の二酸化炭素濃度（ｐｐｍ）
Ｑｍ：換気機器の換気量（ｍ３／ｈ）
Ｖ：部屋容積（ｍ３）
Ｍｈ：一般的な人の二酸化炭素排出量（ｍ３／ｈ・人）
ｎ：人数（人）
図３にニューラルネットワークのニューロンのモデルの模式図を示す。図３に示すように、ニューロンは、複数の入力（図３では入力ｘ１、ｘ２）に対する出力ｙを出力とする。各入力（図３では入力ｘ１、ｘ２）には、対応する重みが乗算される。入力ｘ１に対応する重みはａである。入力ｘ２に対応する重みはｂである。
本実施形態では、入力ｘ１は、換気機器による二酸化炭素濃度の変化である（Ｃｏ－Ｃ）＊Ｑｍ／Ｖを示す。また、入力ｘ２は、人による二酸化炭素濃度の変化であるＭｈ＊ｎ／Ｖを示す。出力ｙは、ΔＣ／Δｔ（傾き）を示す。
本実施形態では、最急降下法を用いて、ΔＣ／Δｔ（傾き）と二酸化炭素濃度の実測値を比較することで、重み（係数）ａ、ｂの学習を行う。重みａ、ｂの値は、対象空間Ｒ１～Ｒ３毎に決定される。
（２－１－４）予測部
予測部４０は、学習部３０の学習結果に基づき、対象空間Ｒ１～Ｒ３の環境情報と人数情報とから対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度を予測値として予測する。
予測部４０は、対象空間Ｒ１の環境情報と人数情報とを入力情報として学習部３０で学習を行って作成した式１の二酸化炭素濃度推定モデル（学習済みモデル）を用いて、対象空間Ｒ１内の一定時間後の二酸化炭素濃度を予測値として予測する。
また、予測部４０は、対象空間Ｒ２の環境情報と人数情報とを入力情報として学習部３０で学習を行って作成した式１の二酸化炭素濃度推定モデルを用いて、対象空間Ｒ２内の一定時間後の二酸化炭素濃度を予測値として予測する。
また、予測部４０は、対象空間Ｒ３の環境情報と人数情報とを入力情報として学習部３０で学習を行って作成した式１の二酸化炭素濃度推定モデルを用いて、対象空間Ｒ３内の一定時間後の二酸化炭素濃度を予測値として予測する。
予測部４０は、式１のΔＣ／Δｔを用いて、Δｔの時間経過した一定時間後の二酸化炭素濃度を予測することができる。
（２－２）制御部
制御部５０は、機械学習器１００の予測部４０の出力である、対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間Ｒ１～Ｒ３に対して設置されているダンパ８０ａ～８０ｃの制御を行う。
制御部５０はコンピュータにより実現されるものである。制御部５０は、制御演算装置と記憶装置（図示せず）とを備える。制御演算装置には、ＣＰＵ又はＧＰＵといったプロセッサを使用できる。制御演算装置は、記憶装置に記憶されているプログラムを読み出し、このプログラムに従って所定の画像処理や演算処理を行う。さらに、制御演算装置は、プログラムに従って、演算結果を記憶装置に書き込んだり、記憶装置に記憶されている情報を読み出したりすることができる。記憶装置は、データベースとして用いることができる。
（３）学習処理
学習部３０は、環境情報と、人数情報と、微小時間の二酸化炭素濃度の変化を学習用データセットとして学習する。本実施形態では、環境情報は、室内の実際の二酸化炭素濃度と、外気の二酸化炭素濃度と、換気機器の換気量である。人数情報は、対象空間に存在する人の数に関する人数情報である。
図４に部屋Ｒ１における学習データの一例を示す。部屋Ｒ１で、部屋容積がＶ１であるとする。また、換気機器はダンパ８０ａである。図４に示すように、室内二酸化炭素濃度Ｃ１、外気の二酸化炭素濃度Ｃｏ１、換気機器の換気量Ｑｍ１、部屋Ｒ１に在室する人数ｎ１を入力とし、微小時間の二酸化炭素濃度ΔＣ１／Δｔ１を出力とする学習用データセットによって学習させる。また、室内二酸化炭素濃度Ｃ２、外気の二酸化炭素濃度Ｃｏ２、換気機器の換気量Ｑｍ２、部屋Ｒ１に在室する人数ｎ２を入力とし、微小時間の二酸化炭素濃度ΔＣ２／Δｔ２を出力とする学習用データセットによって学習させる。また、室内二酸化炭素濃度Ｃ３、外気の二酸化炭素濃度Ｃｏ３、換気機器の換気量Ｑｍ３、部屋Ｒ１に在室する人数ｎ３を入力とし、微小時間の二酸化炭素濃度ΔＣ３／Δｔ３を出力とする学習用データセットによって学習させる。また、室内二酸化炭素濃度Ｃｋ、外気の二酸化炭素濃度Ｃｏｋ、換気機器の換気量Ｑｍｋ、部屋Ｒ１に在室する人数ｎｋを入力とし、微小時間の二酸化炭素濃度ΔＣｋ／Δｔｋを出力とする学習用データセットによって学習させる。
対象空間Ｒ１の二酸化炭素濃度の実測値と予測値の時系列変化の例を図５に示す。二酸化炭素濃度の実測値を実線で、二酸化炭素濃度の予測値を点線で示す。予測値は、対象空間Ｒ１における学習用データセットによって学習して得られた二酸化炭素濃度推定モデルを使用して求める。予測値は、ある時点から１０分後の二酸化炭素濃度を予測したものとする。対象空間Ｒ１における学習用データセットで学習して得られた二酸化炭素濃度推定モデルを用いた場合、対象空間Ｒ１の二酸化炭素濃度の実測値と予測値は平均誤差が９．３ｐｐｍであり、標準偏差が８．０ｐｐｍである。
一方、他の部屋における学習用データセットで学習を行った二酸化炭素濃度推定モデルを使用して、対象空間Ｒ１の二酸化炭素濃度の予測値を求めた場合、対象空間Ｒ１の二酸化炭素濃度の平均誤差が１２．２ｐｐｍ、標準偏差が８．５ｐｐｍとなり、二酸化炭素濃度の予測値の精度が低下する。従って、対象空間のデータである環境情報と人数情報を用いて、二酸化炭素濃度推定モデルを作成することが好ましい。
（４）換気制御システムの全体動作
換気制御システム１のフローチャートを図６に示す。
まず、ステップＳ１で対象空間Ｒ１～Ｒ３の環境情報を取得する（ステップＳ１）。対象空間Ｒ１～Ｒ３に存在する人の数に関する人数情報を取得する（ステップＳ２）。
次に、学習部３０の学習の結果に基づき、対象空間Ｒ１～Ｒ３における一定時間後の二酸化炭素濃度を予測する（ステップＳ３）。本実施形態では、対象空間Ｒ１～Ｒ３における１０分後の二酸化炭素濃度を予測するとする。
ステップＳ３では、対象空間Ｒ１の環境情報と人数情報を入力情報として学習部３０で学習した結果に基づき、対象空間Ｒ１における１０分後の二酸化炭素濃度を予測する。また、対象空間Ｒ２の環境情報と人数情報を入力情報として学習部３０で学習した結果に基づき、対象空間Ｒ２における１０分後の二酸化炭素濃度を予測する。また、対象空間Ｒ３の環境情報と人数情報を入力情報として学習部３０で学習した結果に基づき、対象空間Ｒ３における１０分後の二酸化炭素濃度を予測する。
次に、ステップＳ３で予測した二酸化炭素濃度に基づいて、ダンパ８０ａ～８０ｃの制御を行う（ステップＳ４）。
（５）特徴
（５－１）
本実施形態の機械学習器１００は、第１取得部１０と、第２取得部２０と、学習部３０と、を備える。第１取得部１０は、対象空間Ｒ１～Ｒ３の環境情報を取得する。第２取得部２０は、対象空間Ｒ１～Ｒ３に存在する人の数に関する人数情報を取得する。学習部３０は、第１取得部１０が取得した環境情報と、第２取得部２０が取得した人数情報と、を関連付けて学習する。環境情報は、対象空間Ｒ１～Ｒ３内の実際の二酸化炭素濃度を含む。
対象空間の二酸化炭素濃度をコントロールするためにリアルタイムに二酸化炭素濃度を監視し換気制御を行った場合において、換気機器の起動時間やデータ通信時間は物件により異なるため、換気機器が設定した換気量に達するまでに、在室者の急増や発言量の増加などで二酸化炭素濃度が上昇する場合がある。また、対象空間内に人が入室しても二酸化炭素濃度が拡散するまで時間がかかるため、二酸化炭素濃度の上昇の検知が遅れる場合もある。
この機械学習器１００では、対象空間Ｒ１～Ｒ３での適切な換気制御のために用いることができる、対象空間Ｒ１～Ｒ３特有の二酸化炭素濃度推定モデルを作成することができる。従って、本実施形態の機械学習器１００では、対象空間によって異なる二酸化炭素濃度の変化の特性を把握し、二酸化炭素濃度の高精度な推定を行うことができる。
（５－２）
本実施形態の機械学習器１００は、学習部３０の学習の結果に基づき、環境情報と人数情報とから対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度を予測値として予測する予測部４０、をさらに備える。
この機械学習器１００では、学習部３０の学習の結果に基づき、対象空間Ｒ１～Ｒ３の環境情報と人数情報とから一定時間後の二酸化炭素濃度を予測することで、一定時間内に対象空間Ｒ１～Ｒ３の環境や人数が変化した場合でも、対象空間Ｒ１～Ｒ３特有の二酸化炭素濃度を高い精度で推定することができる。
（５－３）
本実施形態の機械学習器１００は、環境情報が、対象空間Ｒ１～Ｒ３の換気量、又は対象空間の容積をさらに含む。
この機械学習器１００では、環境情報が、対象空間Ｒ１～Ｒ３の換気量、又は対象空間Ｒ１～Ｒ３の容積をさらに含むことで、対象空間Ｒ１～Ｒ３特有の二酸化炭素濃度を高い精度で推定することができる。
（５－４）
本実施形態の換気制御装置２００は、機械学習器１００と、制御部５０と、を備える。制御部５０は、機械学習器１００の予測部４０の出力である、対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間Ｒ１～Ｒ３に対して設置されている換気機器８０ａ～８０ｃの制御を行う。
換気の悪い密閉空間に当たらない基準の一つとして、室内二酸化炭素濃度１０００ｐｐｍ以下であることを厚生労働省が公表している。一方で、感染症の影響により、密閉への意識が高まり、感染リスクを抑えるために過剰な換気が行われている場合がある。そのため、外気負荷が増大するなどの要因により消費エネルギー量が増加している。
この換気制御装置２００では、対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度の予測値に基づいて、換気機器８０ａ～８０ｃの制御を行うようにしたので、対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度をあらかじめ予測して、対象空間Ｒ１～Ｒ３に対して適切な換気制御を行うことができる。また、この換気制御装置２００では、対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度の予測値を用いて、フィードフォワード式で換気連動を行うことによって安全性を高めることができる。従って、二酸化炭素濃度がある設定値以下を維持した必要十分な換気を行うことによって、安全性と省エネ性の両立が可能である。
（５－５）
本実施形態の換気制御装置２００による換気制御方法は、予測ステップと、制御ステップと、を備える。予測ステップは、機械学習器１００の学習部３０の学習の結果に基づき、環境情報と人数情報とから対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度を予測値として予測する。制御ステップは、予測ステップの出力である、対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間Ｒ１～Ｒ３に対して設置されている換気機器の制御を行う。
この換気制御装置２００による換気制御方法では、対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度の予測値に基づいて、換気機器の制御を行うようにしたので、対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度をあらかじめ予測して、対象空間Ｒ１～Ｒ３に対して適切な換気制御を行うことができる。
（６）変形例
（６－１）変形例１Ａ
本実施形態では、予測部４０が対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度を予測値として予測する場合について説明したが、対象空間内の二酸化炭素濃度の変化量を予測値として予測するようにしてもよい。
予測部が、学習部の学習の結果に基づき、対象空間Ｒ１～Ｒ３の環境情報と人数情報とから二酸化炭素濃度の変化量を予測することで、対象空間Ｒ１～Ｒ３の環境や人数が変化した場合でも、対象空間Ｒ１～Ｒ３特有の二酸化炭素濃度の変化量を高い精度で推定することができる。
（６－２）変形例１Ｂ
本実施形態では、予測部４０が対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度を予測値として予測する場合について説明した。予測部４０は、対象空間Ｒ１～Ｒ３内の定常状態時の二酸化炭素濃度を予測することもできる。
予測部４０は、対象空間のある時刻の入力情報に基づいて、その入力情報における二酸化炭素濃度が最大となる濃度（定常状態時の二酸化炭素濃度）を算出して予測することができる。例えば、対象空間のある時間の環境情報と人数情報を用いて、式１のΔＣ／Δｔ＝０としたときのＣの値を求めれば、このＣの値が対象空間の定常状態時の二酸化炭素濃度の予測値となる。
このように、人数情報などの入力情報を用いて、事前にどの程度まで二酸化炭素濃度が上昇するか予測することができる。
（６－３）変形例１Ｃ
本実施形態では、環境情報が外気の二酸化炭素濃度、対象空間の換気量又は対象空間の容積である場合について説明したが、これに限るものではない。環境情報は対象空間が有する扉もしくは開閉でもよい。
環境情報が、対象空間Ｒ１～Ｒ３が有する扉もしくは窓の開閉を含むことで、対象空間Ｒ１～Ｒ３で扉もしくは窓の開閉による換気が行われた場合でも、対象空間Ｒ１～Ｒ３特有の二酸化炭素濃度を高い精度で予測することができる。
各対象空間Ｒ１～Ｒ３の二酸化炭素濃度推定モデルを利用して、例えば換気量や窓開閉などの入力情報を変化させた場合の二酸化炭素濃度を予測し、窓を開けるなどの所定の二酸化炭素濃度以下にするための行動を提案することができる。
また、本実施形態では、第１取得部１０が外部の二酸化炭素センサ６０ｄを使って、外気の二酸化炭素濃度を取得する場合について説明したが、これに限るものではない。例えば、外気の二酸化炭素濃度を取得できない場合、外気の二酸化炭素濃度の値として、一般的に大気中に含まれる二酸化炭素濃度である４２０ｐｐｍという値を用いてもよい。
（６－４）変形例１Ｄ
本実施形態では、第２取得部２０が人数情報を取得する場合について説明したが、これに限るものではない。第２取得部は、対象空間に存在する人の生体に関する情報をさらに取得するようにしてもよい。
変形例１Ｄの機械学習器１１０の機能ブロック図を図７に示す。
機械学習器１１０は、図７に示すように、第１取得部１０と、第２取得部２１、学習部３０と、予測部４０と、を備える。第１取得部１０は、対象空間Ｒ１～Ｒ３の環境情報を取得する。第２取得部２１は、対象空間Ｒ１～Ｒ３に存在する人の数に関する人数情報と、対象空間Ｒ１～Ｒ３に存在する人の生体に関する情報とを取得する。学習部３０は、環境情報と人数情報と生体に関する情報とを関連付けて学習する。予測部４０は、学習部３０の学習結果に基づき、環境情報と人数情報と生体に関する情報から対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度を予測値として予測する。
生体に関する情報は、対象空間Ｒ１～Ｒ３に存在する人の会話量又は体温を含むようにしてもよい。また、生体に関する情報は、対象空間Ｒ１～Ｒ３に存在する人の性別、年齢、体格、又は姿勢をさらに含むようにしてもよい。
第２取得部２１は、例えば音センサを用いて人の会話量を取得する。また、第２取得部２１は、サーモセンサを用いて人の体温を取得する。また、第２取得部２１は、カメラを用いて人の性別、年齢、体格、又は姿勢を取得する。
変形例１Ｄの換気制御システムのフローチャートを図８に示す。
まず、ステップＳ１で対象空間Ｒ１～Ｒ３の環境情報を取得する（ステップＳ１１）。対象空間Ｒ１～Ｒ３に存在する人の数に関する人数情報を取得する（ステップＳ１２）。次に、対象空間Ｒ１～Ｒ３に存在する人の生体に関する情報を取得する（ステップＳ１３）。次に、学習部３０の学習の結果に基づき、対象空間Ｒ１～Ｒ３における一定時間後の二酸化炭素濃度を予測する（ステップＳ１４）。ステップＳ１４で予測した二酸化炭素濃度に基づいて、ダンパ８０ａ～８０ｃの制御を行う（ステップＳ１５）。
変形例１Ｄの機械学習器１１０では、入力情報として、対象空間に存在する人に関する生体に関する情報をさらに用いることで、その人が存在する対象空間Ｒ１～Ｒ３特有の二酸化炭素濃度を高い精度で推定することができる。
また、機械学習器１１０では、生体に関する情報が対象空間に存在する人の会話量又は体温を含むことで、対象空間Ｒ１～Ｒ３に存在する人の会話量が増加することによって二酸化炭素濃度が増加した場合であっても、その人が存在する対象空間Ｒ１～Ｒ３特有の二酸化炭素濃度を高い精度で推定することができる。
また、機械学習器１１０では、生体に関する情報が対象空間Ｒ１～Ｒ３に存在する人の性別、年齢、体格、又は姿勢をさらに含むことで、その人が存在する対象空間Ｒ１～Ｒ３特有の二酸化炭素濃度を高い精度で推定することができる。
（６－５）変形例１Ｅ
本実施形態では、第１取得部１０が図面を用いて対象空間Ｒ１～Ｒ３の容積を取得する場合について説明したが、これに限るものではない。
対象空間内の人数情報と、室内の二酸化炭素濃度と、外気の二酸化炭素濃度と、換気機器の換気量とを用いて、対象空間の容積を推定することもできる。対象空間内の人数が０人の場合において、ある時点ｔ１と、ｔ１とは異なる時点ｔ２の、対象空間内の二酸化炭素濃度の減衰から対象空間の容積を推定するようにしてもよい。
（６－６）変形例１Ｆ
換気制御装置２００の制御部５０が換気機器８０ａ～８０ｃの制御を行う際に、対象空間Ｒ１～Ｒ３に人が存在する時の二酸化炭素濃度を推定することにより、二酸化炭素濃度が閾値以下を維持する換気制御を行うようにしてもよい。
図９Ａに対象空間Ｒ１の二酸化炭素濃度の予測値の時系列変化の一例を示す。図９Ｂに対象空間Ｒ１の在室人数の時系列変化の一例を示す。図９Ｃに対象空間Ｒ１における二酸化炭素濃度の閾値に達する時間の時系列変化の一例を示す。
二酸化炭素濃度の閾値を１０００ｐｐｍとする。また、推定される定常状態時の二酸化炭素濃度が閾値以下の場合、閾値に到達するまでの時間を２０分とする。また、対象空間Ｒ１の二酸化炭素濃度の予測値が閾値に達するまでの時間が５分以下の場合、換気制御を行う。
例えば、図９Ｂに示すように、対象空間Ｒ１の在室人数は０時の時点では０人であり、１時の時点で３０人である。
０時の時点で、対象空間Ｒ１の二酸化炭素濃度の実測値は約８２０ｐｐｍである。その後、図９Ａに示すように、１時の時点で、対象空間Ｒ１の二酸化炭素濃度の予測値は約９５８ｐｐｍである。従って、０時から１時の間に対象空間Ｒ１の二酸化炭素濃度が増加することが推定される。図９Ｃに示すように、０時から１時の間に、対象空間Ｒ１の二酸化炭素濃度の予測値が閾値に到達するまでの時間は短くなり、１時の時点で閾値に到達するまでの時間は５分になる。その後、図９Ａに示すように、さらに対象空間Ｒ１の二酸化炭素濃度の予測値は増加し、２時３０分頃まで、閾値の１０００ｐｐｍを超えている。１時から２時３０分頃の間、図９Ｃに示すように、対象空間Ｒ１の二酸化炭素濃度の予測値が閾値に到達するまでの時間は５分以下である。従って、１時から２時３０分頃までの間、対象空間Ｒ１の換気制御を行う。
このように、対象空間に人が存在する時の二酸化炭素濃度を推定することにより、二酸化炭素濃度が閾値以下を維持する換気制御を行うことで、安全性と省エネ性の両立を実現できる。
また、予測部４０から出力される対象空間内の二酸化炭素濃度の予測値を用いて、対象空間内の二酸化炭素濃度の変化をディスプレイに表示して、対象空間の利用者に二酸化炭素濃度の変化を認識させることができるようにしてもよい。例えば、対象空間内の二酸化炭素濃度の変化として、対象空間内の二酸化炭素濃度の予測値が所定の設定値に到達するまでの時間をディスプレイに表示するようにしてもよい。対象空間内の二酸化炭素濃度の変化は、対象空間内の二酸化炭素濃度が増加する場合に限らず、対象空間内の二酸化炭素濃度が減少する場合も含まれる。
（６－７）変形例１Ｇ
本実施形態では、学習部３０が教師ありのニューラルネットワークを用いた機械学習を行い、二酸化炭素濃度推定モデルを作成する場合について説明したが、これに限るものではない。機械学習方法は、線形回帰やディープラーニング、ＬＳＴＭ（Long Short Term Memory）等を用いてもよい。
＜第２実施形態＞
（１）全体構成
本実施形態の換気制御システム２は、部屋Ｒ１～Ｒ３の換気制御を行うために設けられたシステムである。換気制御システム２は、図１１に示すように、主にダンパ８０ａ～８０ｃと、ダクト配管８１と、ファン８２と、二酸化炭素センサ６０ａ～６０ｄと、カメラ７０ａ～７０ｃと、予測部４１ａ～４１ｃと、機械学習器１２０と、換気制御装置２１０と、を有している。
換気制御装置２１０は、コンピュータにより実現されるものである。換気制御装置２００は、制御部５１を備える。
機械学習器１２０は、図１０に示すように、第１取得部１０と、第２取得部２０と、学習部３０と、を備える。第１取得部１０は、対象空間Ｒ１～Ｒ３の環境情報を取得する。第２取得部２０は、対象空間Ｒ１～Ｒ３に存在する人の数に関する人数情報を取得する。学習部３０は、環境情報と人数情報とを関連付けて学習する。
部屋Ｒ１～Ｒ３に予測部４１ａ～４１ｃが設けられている。予測部４１ａ～４１ｃは、機械学習器１２０で学習した学習済みモデルを有する。予測部４１ａ～４１ｃは、機械学習器１２０の学習部３０の学習結果に基づき、環境情報と人数情報とから対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度を予測値として予測する。
換気制御装置２１０は、予測部４１ａ～４１ｃの出力である部屋Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度の予測値に基づいて、ダンパ８０ａ～８０ｃの制御を行う。
機械学習器１２０は、ネットワーク９０を介して、部屋Ｒ１～Ｒ３に設置された二酸化炭素センサ６０ａ～６０ｃから、部屋Ｒ１～Ｒ３の実際の二酸化炭素濃度を取得する。また、機械学習器１００は、ネットワーク９０を介して、外部に設置された二酸化炭素センサ６０ｄから、外部の二酸化炭素濃度を取得する。また、機械学習器１００は、ネットワーク９０を介して、部屋Ｒ１～Ｒ３に設置されたカメラ７０ａ～７０ｃから、部屋Ｒ１～Ｒ３の人数情報を取得する。
（２）詳細構成
（２－１）機械学習器
機械学習器１２０は、図１０に示すように、第１取得部１０と、第２取得部２０と、学習部３０と、を備える。第１取得部１０と、第２取得部２０と、学習部３０の構成は、第１実施形態と同様であるため、詳しい説明を省略する。
（２－２）予測部
予測部４１ａは、対象空間Ｒ１に設置されている。予測部４１ａは、対象空間Ｒ１に対して、機械学習器１２０の学習部３０の学習の結果に基づき、対象空間Ｒ１の環境情報と人数情報とから対象空間Ｒ１内の一定期間後の二酸化炭素濃度を予測値として予測する。
また、予測部４１ｂは、対象空間Ｒ２に設置されている。予測部４１ｂは、対象空間Ｒ２に対して、機械学習器１２０の学習部３０の学習の結果に基づき、対象空間Ｒ２の環境情報と人数情報とから対象空間Ｒ２内の一定期間後の二酸化炭素濃度を予測値として予測する。
また、予測部４１ｃは、対象空間Ｒ３に設置されている。予測部４１ｃは、対象空間Ｒ３に対して、機械学習器１２０の学習部３０の学習の結果に基づき、対象空間Ｒ３の環境情報と人数情報とから対象空間Ｒ３内の一定期間後の二酸化炭素濃度を予測値として予測する。
（２－３）制御部
制御部５１は、予測部４１ａの出力である、対象空間Ｒ１内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間Ｒ１に対して設置されているダンパ８０ａの制御を行う。また、制御部５１は、予測部４１ｂの出力である、対象空間Ｒ２内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間Ｒ２に対して設置されているダンパ８０ｂの制御を行う。また、制御部５１は、予測部４１ｃの出力である、対象空間Ｒ３内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間Ｒ３に対して設置されているダンパ８０ｃの制御を行う。
制御部５１はコンピュータにより実現されるものである。制御部５１は、制御演算装置と記憶装置（図示せず）とを備える。制御演算装置には、ＣＰＵ又はＧＰＵといったプロセッサを使用できる。制御演算装置は、記憶装置に記憶されているプログラムを読み出し、このプログラムに従って所定の画像処理や演算処理を行う。さらに、制御演算装置は、プログラムに従って、演算結果を記憶装置に書き込んだり、記憶装置に記憶されている情報を読み出したりすることができる。記憶装置は、データベースとして用いることができる。
（３）全体動作
換気制御システム２のフローチャートを図１２に示す。図６に示した第１実施形態における処理と実質的に同じであるため、詳細な説明を省略する。第１実施形態では、ステップＳ３で機械学習器１００の予測部４０を用いて一定時間後の二酸化炭素濃度を予測している。第２実施形態では、ステップＳ２３で、各対象空間Ｒ１～Ｒ３に設けられた予測部４１ａ～４１ｃを用いて二酸化炭素濃度を予測する点が第１実施形態と異なる。
（４）特徴
（４－１）
本実施形態の換気制御装置２１０は、第１の予測部４１ａと、第２の予測部４１ｂと、第３の予測部４１ｃと、制御部５０と、を備える。第１の予測部４１ａは、第１の対象空間Ｒ１に対して、機械学習器１２０の学習部３０の学習の結果に基づき、環境情報と人数情報とから第１の対象空間Ｒ１内の一定時間後の二酸化炭素濃度を予測値として予測する。第２の予測部４１ｂは、第２の対象空間Ｒ２に対して、機械学習器１２０の学習部３０の学習の結果に基づき、環境情報と人数情報とから第２の対象空間Ｒ２内の一定時間後の二酸化炭素濃度を予測値として予測する。第３の予測部４１ｃは、第３の対象空間Ｒ３に対して、機械学習器１２０の学習部３０の学習の結果に基づき、環境情報と人数情報とから第３の対象空間Ｒ３内の一定時間後の二酸化炭素濃度を予測値として予測する。制御部５１は、第１の予測部４１ａの出力である、第１の対象空間Ｒ１内の一定時間後の二酸化炭素濃度の予測値に基づいて、第１の対象空間Ｒ１に対して設置されている換気機器８０ａの制御を行う。制御部５１は、第２の予測部４１ｂの出力である、第２の対象空間Ｒ２内の一定時間後の二酸化炭素濃度の予測値に基づいて、第２の対象空間Ｒ２に対して設置されている換気機器８０ｂの制御を行う。制御部５１は、第３の予測部４１ｃの出力である、第３の対象空間Ｒ３内の一定時間後の二酸化炭素濃度の予測値に基づいて、第３の対象空間Ｒ３に対して設置されている換気機器８０ｃの制御を行う。
この換気制御装置２１０では、各対象空間Ｒ１～Ｒ３に各対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度を予測する個別の予測部４１ａ～４１ｃを設けるようにしたので、各対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度をあらかじめ予測して、各対象空間Ｒ１～Ｒ３に対して適切な換気制御を行うことができる。
（４－２）
本実施形態の換気制御装置２１０による換気制御方法は、第１の予測ステップと、第２の予測ステップと、第３の予測ステップと、制御ステップと、を備える。第１の予測ステップは、第１の対象空間Ｒ１に対して、機械学習器１２０の学習部３０の学習の結果に基づき、環境情報と人数情報とから第１の対象空間Ｒ１内の一定時間後の二酸化炭素濃度を予測値として予測する。第２の予測ステップは、第２の対象空間Ｒ２に対して、機械学習器１２０の学習部３０の学習の結果に基づき、環境情報と人数情報とから第２の対象空間Ｒ２内の一定時間後の二酸化炭素濃度を予測値として予測する。第３の予測ステップは、第３の対象空間Ｒ３に対して、機械学習器１２０の学習部３０の学習の結果に基づき、環境情報と人数情報とから第３の対象空間Ｒ３内の一定時間後の二酸化炭素濃度を予測値として予測する。制御ステップは、第１の予測ステップの出力である、第１の対象空間Ｒ１内の一定時間後の二酸化炭素濃度の予測値に基づいて、第１の対象空間Ｒ１に対して設置されている換気機器の制御を行う。制御ステップは、第２の予測ステップの出力である、第２の対象空間Ｒ２内の一定時間後の二酸化炭素濃度の予測値に基づいて、第２の対象空間Ｒ２に対して設置されている換気機器の制御を行う。制御ステップは、第３の予測ステップの出力である、第３の対象空間Ｒ３内の一定時間後の二酸化炭素濃度の予測値に基づいて、第３の対象空間Ｒ３に対して設置されて換気機器の制御を行う。
この換気制御装置２１０による換気制御方法では、各対象空間Ｒ１～Ｒ３に各対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度を予測する個別の予測ステップを備えるようにしたので、各対象空間Ｒ１～Ｒ３内の一定時間後の二酸化炭素濃度をあらかじめ予測して、各対象空間Ｒ１～Ｒ３に対して適切な換気制御を行うことができる。
（５）変形例
（５－１）変形例２Ａ
本実施形態では、３部屋のそれぞれに第１～第３の予測部４１ａ～４１ｂを備える場合について説明したが、これに限るものではない。２以上である複数の部屋のそれぞれに予測部を備えるようにしてもよい。また、対象空間が１部屋であり、１つの対象空間に予測部を備えるようにしてもよい。
（５－２）変形例２Ｂ
以上、本開示の実施形態を説明したが、特許請求の範囲に記載された本開示の趣旨及び範囲から逸脱することなく、形態や詳細の多様な変更が可能なことが理解されるであろう。
２ 換気制御システム
１００、１１０、１２０ 機械学習器
２００、２１０ 換気制御装置
１０ 第１取得部
２０、２１ 第２取得部
３０ 学習部
４０、４１ａ～４１ｃ 予測部
５０、５１ 制御部
６０ａ～６０ｄ 二酸化炭素センサ
７０ａ～７０ｃ カメラ
８０ａ～８０ｃ ダンパ（換気機器）
８１ ダクト配管
８２ ファン
９０ ネットワーク
特開２０１０－９６３８２号公報

Claims (10)

  1. 対象空間の環境情報を取得する第１取得部（１０）と、
    前記対象空間に存在する人の数に関する人数情報を取得する第２取得部（２０、２１）と、
    前記第１取得部が取得した前記環境情報と、前記第２取得部が取得した前記人数情報と、を関連付けて学習する学習部（３０）と、
    を備え、
    前記環境情報は、前記対象空間内の実際の二酸化炭素濃度を含む、
    機械学習器（１００、１１０、１２０）。
  2. 前記学習部の学習の結果に基づき、前記環境情報と前記人数情報とから前記対象空間内の一定時間後の二酸化炭素濃度を予測値として予測する予測部（４０、４１ａ～４１ｃ）、をさらに備える、
    請求項１に記載の機械学習器。
  3. 前記予測部は、前記対象空間内の二酸化炭素濃度の変化量を前記予測値として予測する、
    請求項２に記載の機械学習器。
  4. 前記第２取得部は、前記対象空間に存在する人の生体に関する情報をさらに取得し、
    前記学習部は、前記第２取得部が取得した前記生体に関する情報を、さらに関連付けて学習する、
    請求項１から３のいずれかに記載の機械学習器。
  5. 前記生体に関する情報は、前記対象空間に存在する人の会話量又は体温を含む、
    請求項４に記載の機械学習器。
  6. 前記生体に関する情報は、前記対象空間に存在する人の性別、年齢、体格、又は姿勢をさらに含む、
    請求項４又は５に記載の機械学習器。
  7. 前記環境情報が、外気の二酸化炭素濃度、又は前記対象空間が有する扉もしくは窓の開閉を含む、
    請求項１から６のいずれかに記載の機械学習器。
  8. 前記環境情報が、前記対象空間の換気量、又は前記対象空間の容積をさらに含む、
    請求項７に記載の機械学習器。
  9. 請求項２に記載の機械学習器と、
    前記機械学習器の前記予測部の出力である、前記対象空間内の一定時間後の二酸化炭素濃度の前記予測値に基づいて、前記対象空間に対して設置されている換気機器の制御を行う制御部（５０）と、
    を備える換気制御装置（２００）。
  10. 第１の対象空間に対して、請求項１に記載の機械学習器の前記学習部の学習の結果に基づき、前記環境情報と前記人数情報とから前記第１の対象空間内の一定時間後の二酸化炭素濃度を予測値として予測する第１の予測部と、
    第２の対象空間に対して、請求項１に記載の機械学習器の前記学習部の学習の結果に基づき、前記環境情報と前記人数情報とから前記第２の対象空間内の一定時間後の二酸化炭素濃度を予測値として予測する第２の予測部と、
    前記第１の予測部の出力である、前記第１の対象空間内の一定時間後の二酸化炭素濃度の前記予測値に基づいて、前記第１の対象空間に対して設置されている換気機器の制御を行い、前記第２の予測部の出力である、前記第２の対象空間内の一定時間後の二酸化炭素濃度の前記予測値に基づいて、前記第２の対象空間に対して設置されている換気機器の制御を行う、制御部（５１）と、
    を備える換気制御装置（２１０）。
JP2021061762A 2021-03-31 2021-03-31 機械学習器、換気制御装置、及び、換気制御方法 Pending JP2022157502A (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2021061762A JP2022157502A (ja) 2021-03-31 2021-03-31 機械学習器、換気制御装置、及び、換気制御方法
EP22780988.6A EP4317816A1 (en) 2021-03-31 2022-03-29 Machine learning device, ventilation control device, and ventilation control method
PCT/JP2022/015676 WO2022210777A1 (ja) 2021-03-31 2022-03-29 機械学習器、換気制御装置、及び、換気制御方法
US18/372,484 US20240011658A1 (en) 2021-03-31 2023-09-25 Machine learning device, ventilation control device, and ventilation control method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021061762A JP2022157502A (ja) 2021-03-31 2021-03-31 機械学習器、換気制御装置、及び、換気制御方法

Publications (1)

Publication Number Publication Date
JP2022157502A true JP2022157502A (ja) 2022-10-14

Family

ID=83459481

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021061762A Pending JP2022157502A (ja) 2021-03-31 2021-03-31 機械学習器、換気制御装置、及び、換気制御方法

Country Status (4)

Country Link
US (1) US20240011658A1 (ja)
EP (1) EP4317816A1 (ja)
JP (1) JP2022157502A (ja)
WO (1) WO2022210777A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11264590A (ja) * 1998-03-18 1999-09-28 Mitsubishi Electric Corp 換気装置の運転方法
WO2015173842A1 (ja) * 2014-05-12 2015-11-19 三菱電機株式会社 パラメータ学習装置およびパラメータ学習方法
JP2017003203A (ja) * 2015-06-11 2017-01-05 株式会社東芝 推定装置、推定方法、及び推定プログラム
JP2018048749A (ja) * 2016-09-20 2018-03-29 株式会社東芝 推定装置、推定システム、推定方法及び推定プログラム
JP2020144628A (ja) * 2019-03-06 2020-09-10 パナソニックＩｐマネジメント株式会社 炭酸ガス濃度予測装置、炭酸ガス濃度予測方法、眠気予測装置、及び眠気予測方法
JP2020154976A (ja) * 2019-03-22 2020-09-24 株式会社Ｊｖｃケンウッド 車内環境警告装置及び車内環境警告方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010096382A (ja) 2008-10-15 2010-04-30 Panasonic Corp 換気装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11264590A (ja) * 1998-03-18 1999-09-28 Mitsubishi Electric Corp 換気装置の運転方法
WO2015173842A1 (ja) * 2014-05-12 2015-11-19 三菱電機株式会社 パラメータ学習装置およびパラメータ学習方法
JP2017003203A (ja) * 2015-06-11 2017-01-05 株式会社東芝 推定装置、推定方法、及び推定プログラム
JP2018048749A (ja) * 2016-09-20 2018-03-29 株式会社東芝 推定装置、推定システム、推定方法及び推定プログラム
JP2020144628A (ja) * 2019-03-06 2020-09-10 パナソニックＩｐマネジメント株式会社 炭酸ガス濃度予測装置、炭酸ガス濃度予測方法、眠気予測装置、及び眠気予測方法
JP2020154976A (ja) * 2019-03-22 2020-09-24 株式会社Ｊｖｃケンウッド 車内環境警告装置及び車内環境警告方法

Also Published As

Publication number Publication date
WO2022210777A1 (ja) 2022-10-06
US20240011658A1 (en) 2024-01-11
EP4317816A1 (en) 2024-02-07

Similar Documents

Publication Publication Date Title
Vanus et al. Monitoring of the daily living activities in smart home care
Weekly et al. Modeling and estimation of the humans' effect on the CO 2 dynamics inside a conference room
JP2019522163A (ja) 空調システムを動作させるコントローラー及び空調システムの制御方法
JP6410187B2 (ja) 空気環境調整システム、制御装置
Han et al. Occupancy estimation based on CO2 concentration using dynamic neural network model
KR102156121B1 (ko) 실내 공간에 대한 환기 알림 장치
JP6280733B2 (ja) 空調制御システム及び空調制御方法
JP2018048749A (ja) 推定装置、推定システム、推定方法及び推定プログラム
JP3214317B2 (ja) 空調装置
JP2016169925A (ja) 室内環境制御装置、室内環境制御方法及びコンピュータプログラム
Jazizadeh et al. Personalized Thermal Comfort-Driven Control in HVAC-OperatedOffice Buildings
JP2020166731A (ja) 在室人数推定装置および在室人数推定プログラム
JP2017003203A (ja) 推定装置、推定方法、及び推定プログラム
Li et al. A proactive 2-stage indoor CO2-based demand-controlled ventilation method considering control performance and energy efficiency
KR20180105798A (ko) 알레르기 질환 환자 맞춤형 환경 통합관리 시스템
US11530836B2 (en) Air conditioner and control method thereof
WO2022210777A1 (ja) 機械学習器、換気制御装置、及び、換気制御方法
WO2022059137A1 (ja) 空調システム、学習装置、および推論装置
US20210034967A1 (en) Environment controller and methods for validating an estimated number of persons present in an area
Rastogi et al. IoT-based occupancy estimation models for indoor non-residential environments
Rastogi et al. An IoT-based Framework to Forecast Indoor Air Quality using ANFIS-DTMC Model.
JP2021189573A (ja) 情報処理システム、及び、情報処理方法
CN112212481A (zh) 利用深度强化学习控制环境舒适度的系统及其方法
WO2023112074A1 (ja) 機器制御装置及び機器制御方法
JP6802325B2 (ja) 集中度評価装置及び空調最適化制御システム

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220328

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220328

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220510

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20221115

C60 Trial request (containing other claim documents, opposition documents)

Free format text: JAPANESE INTERMEDIATE CODE: C60

Effective date: 20230214

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240401