JP2023055553A - データ収集システム、データ収集装置、データ取得装置及びデータ収集方法 - Google Patents

データ収集システム、データ収集装置、データ取得装置及びデータ収集方法 Download PDF

Info

Publication number
JP2023055553A
JP2023055553A JP2021165030A JP2021165030A JP2023055553A JP 2023055553 A JP2023055553 A JP 2023055553A JP 2021165030 A JP2021165030 A JP 2021165030A JP 2021165030 A JP2021165030 A JP 2021165030A JP 2023055553 A JP2023055553 A JP 2023055553A
Authority
JP
Japan
Prior art keywords
data
collection
acquisition device
satisfied
data acquisition
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2021165030A
Other languages
English (en)
Other versions
JP7088397B1 (ja
Inventor
大樹 横山
Daiki Yokoyama
晃人 伊藤
Akito Ito
亮 中林
Akira Nakabayashi
達也 今村
Tatsuya Imamura
智洋 金子
Tomohiro Kaneko
宏樹 村田
Hiroki Murata
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.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
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 Toyota Motor Corp filed Critical Toyota Motor Corp
Priority to JP2021165030A priority Critical patent/JP7088397B1/ja
Application granted granted Critical
Publication of JP7088397B1 publication Critical patent/JP7088397B1/ja
Priority to CN202211206529.XA priority patent/CN115952454A/zh
Priority to US17/959,827 priority patent/US20230108162A1/en
Publication of JP2023055553A publication Critical patent/JP2023055553A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Selective Calling Equipment (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

【課題】データ取得装置から効率的にデータを収集する。【解決手段】データ収集システムは、所定の対象エリアに位置するデータ取得装置１０と、データ取得装置と通信可能なデータ収集装置２０とを有し、機械学習モデルの使用又は学習に必要なデータをデータ取得装置からデータ収集装置へ収集する。データ収集システムは、データ取得装置からデータ収集装置へのデータ収集を促進する収集促進条件が成立しているか否かを判定する判定部１６４、２３４と、データ取得装置からデータ収集装置へのデータの送信を制御する送信制御部１６５、２３５と、を有する。送信制御部は、収集促進条件が成立していると判定された場合には、収集促進条件が成立していないと判定された場合に比べて、データ収集装置への単位時間当たりのデータ送信量が多くなるように、データ収集装置へのデータの送信を制御する。【選択図】図８

Description

本開示は、データ収集システム、データ収集装置、データ取得装置及びデータ収集方法に関する。
スマートシティにおいて、そのコミュニティ内の複数の主体からデータを収集することが提案されている。特に、特許文献１では、異なる事業主体の情報システムから得られるデータには不確かさがあることから、斯かる不確かさを解消すべく、得られたデータを補正したデータを収集することが提案されている。
特開２０１３－０６９０８４号公報
ところで、スマートシティなどでは、スマートシティ内に位置する様々なデータ取得装置（例えば、監視カメラ、スマートシティ内の人の携帯端末など）において様々なデータが取得される。加えて、これらデータ取得装置と通信可能なサーバは、取得されたデータに基づいて、機械学習モデルに関する様々な処理（機械学習モデルの使用又は学習）を行う。
このような機械学習モデルに関する様々な処理を行うために、サーバはデータ取得装置からデータを受信する必要がある。しかしながら、データ取得装置によって取得されたデータが全てサーバに送信されてサーバのストレージ装置に記憶されると、ストレージ装置には多量のデータが記憶されることになり、よって記憶容量の非常に大きなストレージ装置が必要になる。
上記課題に鑑みて、本開示の目的は、データ取得装置から効率的にデータを収集することにある。
本開示の要旨は以下のとおりである。
（１）所定の対象エリアに位置するデータ取得装置と、該データ取得装置と通信可能なデータ収集装置とを有し、機械学習モデルの使用又は学習に必要なデータを前記データ取得装置から前記データ収集装置へ収集するデータ収集システムであって、
前記データ取得装置から前記データ収集装置へのデータ収集を促進する収集促進条件が成立しているか否かを判定する判定部と、
前記データ取得装置から前記データ収集装置へのデータの送信を制御する送信制御部と、を有し、
前記送信制御部は、前記収集促進条件が成立していると判定された場合には、該収集促進条件が成立していないと判定された場合に比べて、前記データ取得装置から前記データ収集装置への単位時間当たりのデータ送信量が多くなるように、前記データ取得装置から前記データ収集装置へのデータの送信を制御する、データ収集システム。
（２）当該データ収集システムは、前記機械学習モデルの学習に必要なデータを収集し、
前記収集促進条件は、該収集促進条件が成立しているときに前記データ取得装置から収集されたデータが、該収集促進条件が成立していないときに前記データ取得装置から収集されたデータに比べて、前記機械学習モデルの学習に使用されたときに前記機械学習モデルの精度向上に寄与するような条件である、上記（１）に記載のデータ収集システム。
（３）前記機械学習モデルは複数のクラスへの分類を行うモデルであり、
前記収集促進条件は、該収集促進条件が成立しているときの、前記クラスのうち相対的に発生確率の低いクラスの発生確率が、前記収集促進条件が成立していないときの、前記クラスのうち相対的に発生確率の低いクラスの発生確率よりも高くなるような条件である、上記（２）に記載のデータ収集システム。
（４）前記機械学習モデルは複数のクラスへの分類を行うモデルであり、
前記収集促進条件は、前記機械学習モデルによって分類される全てのクラスの発生確率が所定の基準確率以上であるときに成立する条件である、上記（２）又は（３）に記載のデータ収集システム。
（５）前記送信制御部は、前記収集促進条件が成立していると判定された場合には、該収集促進条件が成立していないと判定された場合に比べて、前記データ取得装置から前記データ収集装置へのデータの送信頻度が高くなるように、前記データ取得装置から前記データ収集装置へのデータの送信を制御する、上記（１）～（４）のいずれか１つに記載のデータ収集システム。
（６）前記収集促進条件は、前記データ取得装置から受信する各データの信頼度が所定の基準値以下であるときに成立する条件である、上記（１）に記載のデータ収集システム。
（７）所定の対象エリアに位置するデータ取得装置と通信可能であって機械学習モデルの使用又は学習に必要なデータを前記データ取得装置から収集するデータ収集装置であって、
前記データ取得装置からのデータ収集を促進する収集促進条件が成立しているか否かを判定する判定部と、
前記データ取得装置から当該データ収集装置へのデータの送信を制御する送信制御部と、を有し、
前記送信制御部は、前記収集促進条件が成立していると判定された場合には、該収集促進条件が成立していないと判定された場合に比べて、前記データ取得装置からの単位時間当たりのデータ送信量が多くなるように、前記データ取得装置から当該データ収集装置へのデータの送信を制御する、データ収集装置。
（８）データ収集装置と通信可能であって機械学習モデルの使用又は学習に必要なデータを取得して前記データ収集装置へ送信するデータ取得装置であって、
前記データ収集装置へのデータ収集を促進する収集促進条件が成立しているか否かを判定する判定部と、
前記データ収集装置へのデータの送信を制御する送信制御部と、を有し、
前記送信制御部は、前記収集促進条件が成立していると判定された場合には、該収集促進条件が成立していないと判定された場合に比べて、前記データ収集装置への単位時間当たりのデータ送信量が多くなるように、前記データ収集装置へのデータの送信を制御する、データ取得装置。
（９）機械学習モデルの使用又は学習に必要なデータを、所定の対象エリアに位置するデータ取得装置からデータ収集装置へ収集するデータ収集方法であって、
前記データ取得装置から前記データ収集装置へのデータ収集を促進する収集促進条件が成立しているか否かを判定することと、
前記収集促進条件が成立していると判定された場合には、該収集促進条件が成立していないと判定された場合に比べて、前記データ取得装置から前記データ収集装置への単位時間当たりのデータ送信量が多くなるように、前記データ取得装置から前記データ収集装置へのデータの送信を制御することと、を有する、データ収集方法。
本開示によれば、データ取得装置から効率的にデータを収集することができるようになる。
図１は、機械学習システムの概略的な構成図である。 図２は、端末機器のハードウェア構成を概略的に示す図である。 図３は、端末機器のプロセッサの機能ブロック図である。 図４は、サーバのハードウェア構成を概略的に示す図である。 図５は、サーバのプロセッサの機能ブロック図である。 図６は、各条件におけるユーザが熱中症に罹患する確率を示す図である。 図７は、機械学習モデルの学習処理の流れを示すシーケンス図である。 図８は、図７のステップＳ１２において行われる目標送信頻度の設定処理の流れを示すフローチャートである。 図９は、第二実施形態に係る端末機器のプロセッサの機能ブロック図である。 図１０は、第二実施形態に係るサーバのプロセッサの機能ブロック図である。 図１１は、第二実施形態における機械学習モデルの学習処理の流れを示すシーケンス図である。 図１２は、第三実施形態に係る機械学習システムの概略的な構成図である。 図１３は、第三実施形態における機械学習モデルの学習処理の流れを示すシーケンス図である。 図１４は、図１３のステップＳ４２において行われる目標送信頻度の設定処理の流れを示すフローチャートである。
以下、図面を参照して実施形態について詳細に説明する。なお、以下の説明では、同様な構成要素には同一の参照番号を付す。
・第一実施形態
＜機械学習システムの構成＞
図１及び図２を参照して、第一実施形態に係る機械学習システム１の構成について説明する。図１は、機械学習システム１の概略的な構成図である。機械学習システム１は、サーバにおいて用いられる機械学習モデルを学習させる。また、機械学習システム１は、機械学習モデルの使用及び学習に必要なデータを収集するデータ収集システムとしても機能する。
図１に示したように、機械学習システム１は、複数の移動型の端末機器１０と、端末機器１０と通信可能なサーバ２０とを有する。複数の端末機器１０のそれぞれとサーバ２０とは、光通信回線などで構成される通信ネットワーク４と、通信ネットワーク４にゲートウェイ（図示せず）を介して接続される無線基地局５とを介して、相互に通信可能に構成される。端末機器１０と無線基地局５との通信としては、通信距離が長い種々の広域無線通信を用いることができ、例えば、３ＧＰＰ、ＩＥＥＥによって策定された４Ｇ、ＬＴＥ、５Ｇ、ＷｉＭＡＸ等の任意の通信規格に準拠した通信が用いられる。
特に、本実施形態では、サーバ２０は、所定の対象エリア内に位置する端末機器１０と通信する。対象エリアは、予め定められた境界によって囲まれた範囲であり、例えば、「ＩＣＴ等の新技術を活用しつつ、マネジメント(計画、整備、管理・運営等）の高度化により、都市や地域の抱える諸課題の解決を行い、また新たな価値を創出し続ける、持続可能な都市や地域」として定義されるスマートシティである。サーバ２０は、対象エリア外に位置する端末機器１０と通信可能であってもよい。
端末機器１０は、後述する機械学習モデルの使用又は学習に必要なデータを取得するデータ取得装置の一例である。特に、本実施形態では、端末機器１０は、それぞれ個人に保持されて、端末機器１０を保持している人の情報を取得する機器である。したがって、本実施形態では、端末機器１０は、所定の対象エリア内の人の情報を取得する移動型データ取得装置として機能する。したがって、本実施形態では、端末機器１０は、端末機器１０を保持する個人の移動に伴って移動する。このため端末機器１０を保持する個人が対象エリア内に移動すると、その個人によって保持された端末機器１０も対象エリア内に移動することなる。逆に、端末機器１０を保持する個人が対象エリア外へ移動すると、その個人によって保持された端末機器１０も対象エリア外に移動することなる。
具体的には、本実施形態では、端末機器１０は、例えば、時計型端末（スマートウォッチ）、リストバンド型端末、クリップ型端末、及びメガネ型端末（スマートグラス）などのウェアラブル端末、及び携帯端末を含む。斯かる端末機器は、例えば、携帯端末、ウェアラブル端末（スマートウォッチ、スマートグラスなど）を含む。斯かる端末機器は、例えば、対象エリア内のそれぞれの人の位置情報、バイタルサイン（体温、心拍数、血圧、呼吸数）、血中酸素濃度、血糖値など、各人の情報を取得する。
また、本実施形態では、端末機器１０は、特に、時計型端末、及び時計型端末と近距離無線通信によって通信する携帯端末を含む。近距離無線通信としては、例えば、ＩＥＥＥ、ＩＳＯ、ＩＥＣ等によって策定された任意の通信規格（例えば、Bluetooth（登録商標）、ZigBee（登録商標））に準拠した通信が用いられる。
図２は、端末機器１０のハードウェア構成を概略的に示す図である。図２に示したように、端末機器１０は、通信モジュール１１と、センサ１２と、入力装置１３、出力装置１４と、メモリ１５と、プロセッサ１６と、を有する。通信モジュール１１、センサ１２、入力装置１３、出力装置１４及びメモリ１５は信号線を介してプロセッサ１６に接続されている。
通信モジュール１１は、他の機器と通信を行う通信部の一例である。通信モジュール１１は、例えば、サーバ２０と通信を行うための機器である。特に、通信モジュール１１は、上述した広域無線通信により無線基地局５と通信する機器であり、よって通信モジュール１１は無線基地局５及び通信ネットワーク４を介してサーバ２０と通信する。
センサ１２は、端末機器１０の状況及び端末機器１０の周りの状況に関する様々なパラメータを検出する検出器の一例である。特に、センサ１２は、異なるパラメータを検出する複数の個別のセンサを有する。センサ１２によって検出された各種パラメータの値は、信号線を介してプロセッサ１６又はメモリ１５に送信される。
具体的には、センサ１２は、端末機器１０の現在位置を検出するＧＮＳＳ受信機を含む。また、センサ１２は、端末機器１０を保持しているユーザに関するパラメータを検出するセンサを含む。例えば、端末機器１０が時計型端末（スマートウォッチ）である場合には、センサ１２は、端末機器１０を装着しているユーザの身体の状態に関するデータ（例えば、バイタルサイン（心拍数、体温、血圧及び呼吸数）、血中酸素濃度、心電図、血糖値、歩数、カロリー消費量、疲労度、睡眠状態等）を検出するセンサを含んでもよい。また、センサ１２は、端末機器１０の周りの環境データを検出するセンサを含んでもよい。例えば、端末機器１０は、端末機器１０の周りの気温や湿度を検出するセンサを含んでもよい。
入力装置１３は、端末機器１０のユーザが入力を行うための装置である。具体的には、入力装置１３は、タッチパネル、マイク、ボタン、ダイヤルなどを含む。入力装置１３を介して入力された情報は、信号線を介してプロセッサ１６又はメモリ１５に送信される。
出力装置１４は、端末機器１０が出力を行うための装置である。具体的には、出力装置１４は、ディスプレイ、スピーカなどを含む。出力装置１４は、信号線を介してプロセッサ１６から送信された指令に基づいて、出力を行う。例えば、ディスプレイは、プロセッサ１６からの指令に基づいて画面上に画像を表示させ、スピーカは、プロセッサ１６からの指令に基づいて音を出力する。
メモリ１５は、は、例えば、揮発性の半導体メモリ（例えば、ＲＡＭ）、不揮発性の半導体メモリ（例えば、ＲＯＭ）等を有する。メモリ１５は、プロセッサ１６において各種処理を実行するためのコンピュータプログラムや、プロセッサ１６によって各種処理が実行されるときに使用される各種データ等を記憶する。メモリ１５は、例えば機械学習モデルを、具体的には機械学習モデルの構成及び学習パラメータ（例えば、後述する重みやバイアスなど）を記憶する。
プロセッサ１６は、一つ又は複数のＣＰＵ（Central Processing Unit）及びその周辺回路を有する。プロセッサ１６は、論理演算ユニット又は数値演算ユニットのような演算回路を更に有していてもよい。プロセッサ１６は、メモリ１５に記憶されたコンピュータプログラムに基づいて、各種処理を実行する。端末機器１０のプロセッサ１６によって実行される具体的な処理については後述する。
図３は、端末機器１０のプロセッサ１６の機能ブロック図である。図３に示したように、端末機器１０のプロセッサ１６は、データ取得部１６１と、モデル実行部１６２と、通知部１６３と、判定部１６４と、送信制御部１６５と、データ送信部１６６と、モデル更新部１６７と、を有する。端末機器１０のプロセッサ１６が有するこれら機能ブロックは、例えば、プロセッサ１６上で動作するコンピュータプログラムにより実現される機能モジュールである。或いは、プロセッサ１６が有するこれら機能ブロックは、プロセッサ１６に設けられる専用の演算回路であってもよい。なお、これら各機能ブロックの詳細については、後述する。
サーバ２０は、通信ネットワーク４を介して、複数の端末機器１０と接続される。本実施形態では、サーバ２０は、端末機器１０において用いられる機械学習モデルを学習させる学習装置として機能する。また、サーバ２０は、複数の端末機器１０から、機械学習モデルの学習に必要なデータを収集するデータ収集装置としても機能する。
図４は、サーバ２０のハードウェア構成を概略的に示す図である。サーバ２０は、図４に示したように、通信モジュール２１と、ストレージ装置２２と、プロセッサ２３とを備える。また、サーバ２０は、キーボード及びマウスといった入力装置、及び、ディスプレイ及びスピーカといった出力装置を有していてもよい。
通信モジュール２１は、サーバ２０外の機器と通信を行う通信装置の一例である。通信モジュール２１は、サーバ２０を通信ネットワーク４に接続するためのインターフェース回路を備える。通信モジュール２１は、通信ネットワーク４及び無線基地局５を介して、複数の端末機器１０それぞれと通信可能に構成される。
ストレージ装置２２は、データを記憶する記憶装置の一例である。ストレージ装置２２は、例えば、ハードディスクドライブ（ＨＤＤ）、ソリッドステートドライブ（ＳＳＤ）又は光記録媒体を有する。また、ストレージ装置２２は、揮発性の半導体メモリ（例えば、ＲＡＭ）、不揮発性の半導体メモリ（例えば、ＲＯＭ）等を有していてもよい。ストレージ装置２２は、プロセッサ２３によって各種処理を実行するためのコンピュータプログラム、及びプロセッサ２３によって各種処理が実行されるときに使用される各種データを記憶する。特に、ストレージ装置２２は、端末機器１０から受信したデータ、及び機械学習モデルの学習に使用されるデータを記憶する。
プロセッサ２３は、一つ又は複数のＣＰＵ及びその周辺回路を有する。プロセッサ２３は、更にＧＰＵ、又は論理演算ユニット若しくは数値演算ユニットのような演算回路を有していてもよい。プロセッサ２３は、ストレージ装置２２に記憶されたコンピュータプログラムに基づいて、各種処理を実行する。サーバ２０のプロセッサ２３によって実行される具体的な処理については後述する。
図５は、サーバ２０のプロセッサ２３の機能ブロック図である。図５に示したように、プロセッサ２３は、データセット作成部２３１、学習部２３２と、モデル送信部２３３と、を有する。サーバ２０のプロセッサ２３が有するこれら機能ブロックは、例えば、プロセッサ２３上で動作するコンピュータプログラムにより実現される機能モジュールである。或いは、プロセッサ２３が有するこれら機能ブロックは、プロセッサ２３に設けられる専用の演算回路であってもよい。
＜機械学習モデル＞
本実施形態では、端末機器１０において所定の処理を行うときに、機械学習された機械学習モデルが用いられる。本実施形態では、機械学習モデルは、端末機器１０のセンサ１２から取得されたデータに基づいて、複数のクラスへの分類を行うモデルである。以下では、端末機器１０のセンサ１２から取得されたデータに基づいて、端末機器１０を保持している人が熱中症に罹患するか否かを推定する（すなわち、熱中症に罹患することを表すクラスと、熱中症に罹患しないことを表すクラスとを分類する）機械学習モデルを例にとって説明する。
具体的には、本実施形態では、機械学習モデルには、端末機器１０を保持しているユーザのバイタルサイン、血中酸素濃度及び心電図等のユーザの身体の状態に関するデータ、並びに端末機器１０の周りの気温及び湿度などの環境データが入力パラメータとして入力される。端末機器１０を保持しているユーザの身体に関するデータ及び環境データは、端末機器１０のセンサ１２から取得される。或いは、環境データは、センサ１２からではなく、サーバ２０から通信モジュール１１を介して取得されてもよい。そして、機械学習モデルは、斯かる入力パラメータにデータが入力されると、端末機器１０を保持しているユーザが熱中症に罹患するか否かを出力する。
機械学習モデルには、様々な機械学習アルゴリズムを用いることができる。本実施形態では、機械学習モデルは、例えば、ニューラルネットワーク（ＮＮ）、サポートベクトルマシン（ＳＶＭ）、決定木（ＤＴ）といった、教師あり学習によって学習されるモデルである。特に、本実施形態では、機械学習モデルは、ユーザの身体の状態に関するデータ及び環境データを時系列で入力パラメータとして入力する、リカレントニューラルネットワーク（ＲＮＮ）モデルであるのが好ましい。
なお、機械学習モデルとしては、様々な入力パラメータ及び出力パラメータを有するモデルを用いることができる。入力パラメータは、端末機器１０のセンサ１２によって検出することができる様々なパラメータを含む。具体的には、入力パラメータは、例えば、バイタルサイン（心拍数、体温、血圧及び呼吸数）、血中酸素濃度、心電図、血糖値、歩数、カロリー消費量、疲労度、睡眠状態、時刻、画像、動画等を含む。また、入力パラメータは、通信ネットワーク４を介してサーバ２０から送信されるパラメータ（例えば、端末機器１０の周りの気温、湿度、天気、風速等）を含んでもよい。加えて、出力パラメータは、ユーザの身体に関する様々なパラメータを含む。具体的には、出力パラメータは、例えば端末機器１０を保持している人が低体温症にかかる確率等を含む。
本実施形態では、上述したような機械学習モデルの機械学習は、端末機器１０ではなく、サーバ２０で行われる。機械学習モデルは、学習用データセットを用いて学習される。学習用データセットは、入力パラメータとして使用されるデータと、このデータに対応する出力パラメータの値（正解値又は正解ラベル）とを含む。特に、本実施形態では、学習用データセットは、或る対象者についての端末機器１０において取得された時系列のデータと、その対象者が熱中症に罹患したか否かのデータとを含む。例えば、上述したような、熱中症に罹患するか否が出力パラメータである場合には、熱中症に罹患した人について作成された学習用データセットでは出力パラメータのうち熱中症に罹患することを表すクラスの値が１とされる。一方、熱中症に罹患しなかった人について作成された学習用データセットでは出力パラメータのうち熱中症に罹患しないことを表すクラスの値が１とされる。また、学習用データセットは、センサ１２の出力値に前処理（欠損処理、正規化、標準化など）を行うことで生成されてもよい。
機械学習モデルの学習にあたっては、例えば、公知の任意の手法（例えば、誤差逆伝搬法）によって、機械学習モデルにおける学習パラメータ（ＮＮの重みｗ及びバイアスｂなど、学習によって値が更新されるパラメータ）が繰り返し更新される。学習パラメータは、例えば、機械学習モデルの出力値と学習用データセットに含まれる出力パラメータの正解値との差が小さくなるように、繰り返し更新される。この結果、機械学習モデルが学習され、学習済みの機械学習モデルが生成される。
＜機械学習モデルの使用＞
次に、図３を参照して、端末機器１０における機械学習モデルを使用した処理について説明する。本実施形態では、端末機器１０は、端末機器１０のセンサ１２によって検出された各種パラメータの値に基づいて、端末機器１０を保持するユーザが熱中症に罹患するか否を推定する。加えて、端末機器１０は、熱中症に罹患すると判定されたときには熱中症になる危険性がある旨をユーザに通知する。端末機器１０のプロセッサ１６は、熱中症に罹患するか否を推定するにあたって、データ取得部１６１と、モデル実行部１６２と、通知部１６３と、を用いる。
データ取得部１６１は、機械学習モデルの入力パラメータに関するデータを含むデータを取得する。具体的には、データ取得部１６１は、端末機器１０のセンサ１２によって検出された入力パラメータの値を取得する。本実施形態では、データ取得部１６１は、センサ１２から、ユーザの体温、心拍数、血圧及び呼吸数等を取得する。また、データ取得部１６１は、通信モジュール１１を介してサーバ２０等の外部の装置から入力パラメータの値を取得してもよい。本実施形態では、サーバ２０は、各端末機器１０のセンサ１２によって検出された現在位置を各端末機器１０から受信すると、その位置の周りの現在の温度及び現在の湿度をその端末機器１０に送信する。したがって、データ取得部１６１は、サーバ２０から端末機器１０の周りの気温及び湿度を取得する。データ取得部１６１によって取得されたデータは、メモリ１５に記憶される。
データ取得部１６１によって機械学習モデルの入力パラメータの現在の値が取得されると、モデル実行部１６２は、取得した入力パラメータの値を機械学習モデルに入力して、出力パラメータの値を算出する。本実施形態では、モデル実行部１６２では、データ取得部１６１によって取得されたユーザの身体に関するデータ及び環境データが機械学習モデルに入力されると、ユーザが熱中症に罹患するか否が出力される。
ここで、機械学習モデルを実行するためのプログラム及び機械学習モデルにおいて用いられる学習パラメータの値はメモリ１５に記憶されている。したがって、モデル実行部１６２は、メモリ１５に記憶されているプログラム及び学習パラメータの値を用いて、出力パラメータの値を算出する。
通知部１６３は、モデル実行部１６２によって算出された出力パラメータの値に基づいて、ユーザへの通知を行う。通知部１６３は、出力装置１４を介してユーザへの通知を行う。具体的には、本実施形態では、通知部１６３は、モデル実行部１６２によってユーザが熱中症に罹患すると判定された場合には、出力装置１４によってユーザへの通知を行う。この場合、通知部１６３は、例えば、ディスプレイ上に熱中症に関する警告を表示させてもよいし、スピーカから熱中症に関する警告音を発生させてもよい。
＜機械学習モデルの学習＞
次に、図３、図５～図８を参照して、各端末機器１０のモデル実行部１６２において用いられる機械学習モデルの学習処理について説明する。本実施形態では、機械学習モデルの学習は、サーバ２０において行われる。具体的には、端末機器１０は、端末機器１０において取得された学習用のデータをサーバ２０へ送信する。サーバ２０は、受信した学習用のデータを用いてサーバ２０が機械学習モデルの学習を行うと共に学習済みの機械学習モデルを端末機器１０へ送信する。そして、端末機器１０は機械学習モデルを送信された学習済みのモデルに更新する。
端末機器１０のプロセッサ１６は、機械学習モデルの学習を行うにあたって、データ取得部１６１と、判定部１６４と、送信制御部１６５と、データ送信部１６６と、モデル更新部１６７と、を用いる（図３参照）。また、サーバ２０のプロセッサ２３は、機械学習モデルの学習を行うにあたって、データセット作成部２３１と、学習部２３２と、モデル送信部２３３と、を用いる（図５参照）。
ところで、端末機器１０から取得されたデータに基づいてユーザが熱中症に罹患するか否かを推定する機械学習モデルを学習させるにあたって、サーバ２０には、端末機器１０によって取得されたデータが送信される。しかしながら、全ての端末機器１０によって取得されたデータ全てがサーバ２０に送信されてサーバ２０のストレージ装置２２に記憶されると、ストレージ装置２２には多量のデータが記憶されることになる。したがって、記憶容量の非常に大きなストレージ装置２２が必要になる。
一方、各端末機器１０を保持するユーザが熱中症に罹患する確率は低い。したがって、機械学習モデルを学習させるにあたって全ての端末機器１０にて取得されたデータを用いると、ユーザが熱中症に罹患しなかった場合のデータが過剰になり、必ずしも推定精度の高い機械学習モデルを作成することができない。このため、ユーザが熱中症に罹患しなかった場合のデータについては、必ずしも全てを使用しなくてもよい。
図６は、各条件におけるユーザが熱中症に罹患する確率を示す図である。特に、図６は、気温及び湿度によって定められる条件毎に、ユーザが熱中症に罹患する確率を示している。図６に示したように、気温が高いほど及び湿度が高いほどユーザが熱中症に罹患する確率が高くなる。一方で、気温が低い場合や湿度が低い場合にはユーザが熱中症に罹患する確率は低い。そこで、本実施形態では、ユーザが熱中症に罹患する確率が相対的に高い条件（図中の確率が０．１％以上の条件）においては、端末機器１０が取得したデータをサーバ２０へ送信する送信頻度が高くされる。一方、ユーザが熱中症に罹患する確率が相対的に低い条件（図中の確率が０．１％未満の条件）においては、端末機器１０が取得したデータをサーバ２０へ送信する送信頻度が低くされる。なお、以下では、サーバ２０へデータを送信する送信頻度が高くされてデータのサーバ２０への収集が促進される条件（本実施形態では、ユーザが熱中症に罹患する確率が相対的に高い条件）を収集促進条件とも称する。
ここで、上述したように、本実施形態の機械学習モデルは、熱中症に罹患することを表すクラスと、熱中症に罹患しないことを表すクラスとを分類するモデルである。そして各端末機器１０を保持するユーザが熱中症に罹患する確率は低いことから、熱中症に罹患することを表すクラスは、相対的に発生確率の低いクラスであるということができる。したがって、収集促進条件は、収集促進条件が成立しているときの相対的に発生確率の低いクラスの発生確率が、収集促進条件が成立していないときの相対的に発生確率の低いクラスの発生確率よりも高くなるような条件であると考えられる。
また、上述したように、ユーザが熱中症に罹患しない確率はどの条件においても高い。したがって、例えば、ユーザが熱中症に罹患する確率が相対的に高い条件、例えば図６において確率が０．１％以上の条件では、熱中症に罹患することを表すクラスと、熱中症に罹患しないことを表すクラスのいずれも、発生確率が０．１％以上である。したがって、収集促進条件は、機械学習モデルによって分類される全てのクラスの発生確率が、所定の基準確率（図６に示した例では、０．１％）以上であるときに成立する条件であると考えることもできる。
また、上述したように、ユーザが熱中症に罹患する確率は低いことから、ユーザが熱中症に罹患した場合のデータは、ユーザが熱中症に罹患しなかった場合のデータに比べて、機械学習モデルの推定精度向上に寄与する。したがって、収集促進条件は、収集促進条件が成立しているときに端末機器１０から収集されたデータが、収集促進条件が成立していないときに端末機器１０から収集されたデータに比べて、機械学習モデルの学習に使用されたときに機械学習モデルの精度向上に寄与するような条件であると考えることができる。
端末機器１０の判定部１６４は、端末機器１０からサーバ２０へのデータ収集を促進する収集促進条件が成立しているか否かを判定する。本実施形態では、判定部１６４は、データ取得部１６１によって取得された端末機器１０の周りの気温及び湿度に基づいて、収集促進条件が成立しているか否かを判定する。特に、本実施形態では、図６においてユーザが熱中症に罹患する確率が０．１％以上になる条件を端末機器１０の周りの気温及び湿度が満たすときに、判定部１６４は、収集促進条件が成立していると判定する。一方、図６においてユーザが熱中症に罹患する確率が０．１％未満になる条件を端末機器１０の周りの気温及び湿度が満たすときに、判定部１６４は、収集促進条件が成立していないと判定する。
端末機器１０の送信制御部１６５は、端末機器１０からサーバ２０へのデータの送信を制御する。送信制御部１６５は、例えば、端末機器１０からのデータの送信頻度を制御する。換言すると、送信制御部１６５、端末機器１０が取得したデータのうちサーバ２０へ送信するデータの割合を制御する。したがって、データの送信頻度が高く制御されているときには、例えば、端末機器１０によって取得された全てのデータ（機械学習モデルに利用される全てのデータ）がサーバ２０へ送信される。一方、データの送信頻度が低く制御されているときには、端末機器１０によって取得されたデータのうち一部のデータ（機械学習モデルに利用されるデータのうち一部のデータ）がサーバ２０へ送信される。
端末機器１０のデータ送信部１６６は、データ取得部１６１によって端末機器１０のセンサ１２から取得されたデータを、通信ネットワーク４を介してサーバ２０に送信する。サーバ２０に送信されるデータは、機械学習モデルを学習させるのに用いられるため、機械学習モデルの入力パラメータの値を含む。また、端末機器１０のセンサ１２によって出力パラメータの値が検出されている場合（例えば、機械学習モデルが入力パラメータの値から出力パラメータの将来の値を推定するようなモデルである場合）には、サーバ２０に送信されるデータは、出力パラメータの値を含んでもよい。
特に、本実施形態では、データ送信部１６６は、送信制御部１６５からの指令に従って、サーバ２０へデータを送信する。したがって、データ送信部１６６は、送信制御部１６５によって設定された送信頻度にて、サーバ２０へデータを送信する。
端末機器１０のモデル更新部１６７は、上述したように、メモリ１５に記憶されていたモデル実行部１６２によって使用される機械学習モデルを、モデル送信部２３３によって送信された機械学習モデルに更新する。
サーバ２０のデータセット作成部２３１は、機械学習モデルを学習させるのに用いられる学習用データセットを作成する。学習用データセットは、機械学習モデルの入力パラメータの実測値と、出力パラメータの正解値又は正解ラベルとを含む。例えば、本実施形態では、学習用データセットは、或るユーザの端末機器１０によって取得された時系列のデータと、そのユーザの熱中症の罹患情報（正解ラベル）とを含む。
各ユーザの端末機器１０によって取得された時系列のデータは、データ送信部１６６によって各端末機器１０からサーバ２０へ送信される。データセット作成部２３１は、学習用データセットを作成するにあたって、このようにして各端末機器１０から送信されてきたデータを用いる。
また、本実施形態では、ユーザが熱中症に罹患した場合に、その情報がユーザ自身により入力装置１３を介してその端末機器１０に入力される。端末機器１０に入力された熱中症罹患情報は、通信ネットワーク４を介してサーバ２０へ送信される。データセット作成部２３１は、学習用データセットを作成するにあたって、斯かる熱中症罹患情報を用いる。
或いは、ユーザが熱中症に罹患した場合に、その情報がそのユーザを診断した医療機関により、通信ネットワーク４に接続された端末機器（図示せず）を介して入力される。医療機関の端末機器によって入力された熱中症罹患情報は、通信ネットワーク４を介してサーバ２０へ送信される。データセット作成部２３１は、学習用データセットを作成するにあたって、このようにして送信された熱中症罹患情報を用いてもよい。
サーバ２０の学習部２３２は、学習用データセットを用いて、上述したような誤差逆伝播法などの手法により機械学習モデルを学習させる。具体的には、学習部２３２は、学習用データセットを用いて、機械学習モデルの学習パラメータの値を更新する。
サーバ２０のモデル送信部２３３は、学習部２３２によって機械学習された学習済みの機械学習モデルを、通信ネットワーク４を介して、各端末機器１０へ送信する。具体的には、学習部２３２による学習によって更新された学習パラメータの値を、各端末機器１０へ送信する。
図７は、モデル実行部１６２において用いられる機械学習モデルの学習処理の流れを示すシーケンス図である。図７に示した学習処理は、端末機器１０のプロセッサ１６及びサーバ２０のプロセッサ２３において実行される。
本実施形態における学習処理では、図７に示したように、各端末機器１０のプロセッサ１６のデータ取得部１６１が、センサ１２又はサーバ２０から定期的に各種データを取得する（ステップＳ１１）。本実施形態では、データ取得部１６１は、機械学習モデルの入力パラメータに関するデータ、及び収集促進条件の成否を判定するのに必要なデータを取得する。特に、本実施形態では、データ取得部１６１は、収集促進条件の成否を判定するのに必要なデータとして、端末機器１０の周りの気温及び湿度に関するデータを取得する。
データ取得部１６１によってデータが取得されると、判定部１６４及び送信制御部１６５が、目標送信頻度を設定する（ステップＳ１２）。図８は、ステップＳ１２において行われる目標送信頻度の設定処理の流れを示すフローチャートである。
図８に示したように、目標送信頻度を設定するにあたっては、まず、判定部１６４が、収集促進条件が成立しているか否かを判定する（ステップＳ２１）。収集促進条件は人為的に又は自動的に予め設定されている。本実施形態では、判定部１６４は、ステップＳ１１においてデータ取得部１６１によって取得された気温及び湿度に関するデータに基づいて、上述したように収集促進条件が成立しているか否かを判定する。
ステップＳ２１において収集促進条件が成立していると判定された場合には、送信制御部１６５が、端末機器１０からサーバ２０へのデータの目標送信頻度を高く設定する（ステップＳ２２）。具体的には、送信制御部１６５は、例えば、端末機器１０によって取得された全てのデータがサーバ２０へ送信されるように目標送信頻度を設定する。一方、ステップＳ２１において収集促進条件が成立していないと判定された場合には、送信制御部１６５は、端末機器１０からサーバ２０へのデータの目標送信頻度を低く設定する（ステップＳ２３）。具体的には、送信制御部１６５は、例えば、端末機器１０によって取得されたデータのうち一部のデータがサーバ２０へ送信されるように目標送信頻度を設定する。
このようにして目標送信頻度が設定されると、設定された目標送信頻度にて、データ送信部１６６がサーバ２０へデータを送信する（図７のステップＳ１３）。データ送信部１６６は、特に、データ取得部１６１によって取得されたデータのうち機械学習モデルに使用されるデータを送信する。サーバ２０に送信されたデータは、サーバ２０のストレージ装置２２に記憶される。
データ送信部１６６によって送信されたデータがストレージ装置２２に記憶されると、サーバ２０のデータセット作成部２３１が学習用データセットを作成する（ステップＳ１４）。データセット作成部２３１は、ストレージ装置２２に記憶されたデータを入力パラメータとして用いて学習用データセットを作成する。また、データセット作成部２３１は、ユーザ自身によって端末機器１０に入力された熱中症罹患情報又は医療機関の端末機器において入力された熱中症罹患情報を出力パラメータの正解値として用いて、学習用データセットを作成する。
ステップＳ１４においてデータセット作成部２３１によって学習に必要な数の学習用データセットが作成されると、学習部２３２は、作成されたデータセットを用いて、機械学習モデルを学習させる（ステップＳ１５）。機械学習モデルの学習は、上述したように誤差逆伝播法等、公知の手法によって行われる。
学習部２３２による機械学習モデルの学習が完了すると、モデル送信部２３３は、学習済みの機械学習モデルを、端末機器１０へ送信する（ステップＳ１６）。そして、端末機器１０のモデル更新部１６７は、学習済みの機械学習モデルを受信すると、モデル実行部１６２によって使用される機械学習モデルを、サーバ２０から送信されてきた機械学習モデルに更新する（ステップＳ１７）。
＜効果及び変形例＞
本実施形態によれば、特定の収集促進条件が成立している場合に、端末機器１０から高い頻度でデータがサーバ２０へ送信される。一方、収集促進条件が成立していない場合に、端末機器１０から低い頻度でデータがサーバ２０へ送信される。したがって、高い精度で学習するのに必要なデータについては高い頻度でサーバ２０へ送信される。一方、高い精度で学習するのにそれほど必要でないデータについては低い頻度でサーバ２０へ送信される。この結果、端末機器１０からサーバ２０への過剰なデータの送信を抑制しつつ、推定精度の高い機械学習モデルを作成することができるようになる。したがって、本実施形態によれば、端末機器１０から効率的にデータを収集することができるようになる。
なお、上記実施形態では、送信制御部１６５は、収集促進条件が成立していると判定された場合には、収集促進条件が成立していないと判定された場合に比べて、端末機器１０からサーバ２０へのデータの送信頻度が高くなるように、端末機器１０からサーバ２０へのデータの送信を制御している。しかしながら、送信制御部１６５は、収集促進条件が成立していると判定された場合には、収集促進条件が成立していないと判定された場合に比べて、端末機器１０からサーバ２０へ送信するデータを間引く量を減らして、端末機器１０からサーバ２０への単位時間当たりのデータ送信量を多くすることができれば、サーバ２０へのデータの送信をどのように制御してもよい。例えば、送信制御部１６５は、データの送信頻度の代わりに、データの送信速度を制御してもよい。
したがって、本実施形態では、端末機器１０は、収集促進条件が成立しているか否かを判定する判定部１６４と、サーバ２０へのデータの送信を制御する送信制御部１６５と、を有する。そして、送信制御部１６５は、収集促進条件が成立していると判定された場合には、収集促進条件が成立していないと判定された場合に比べて、サーバ２０への単位時間当たりのデータ送信量が多くなるように、サーバ２０へのデータの送信を制御する。
また、上記実施形態では、熱中症に罹患するか否かを推定する機械学習モデルが用いられている。しかしながら、端末機器１０のようなデータ取得装置によって取得されたデータに基づいて任意の出力パラメータの値を推定するモデルであれば、機械学習モデルとして如何なるモデルが用いられてもよい。したがって、機械学習モデルとして、例えば、監視カメラによって取得された画像データに基づいて、画像データ内の異常者（不審者や急病にかかった虞のある者、など）の有無及びその位置を推定するモデル等が用いられてもよい。
加えて、上記実施形態では、機械学習モデルは端末機器１０において使用される。しかしながら、機械学習モデルはサーバ２０において使用されてもよい。この場合には、データ取得部１６１、モデル実行部１６２等が、サーバ２０に設けられる。サーバ２０のデータ取得部は、端末機器１０のセンサ１２によって検出されたデータを通信ネットワーク４を介して端末機器１０から取得する。そして、サーバ２０のモデル実行部は、端末機器１０から受信したデータを入力パラメータとして機械学習モデルに入力して、出力パラメータの値を算出する。また、この場合、送信制御部１６５は、機械学習モデルの学習に用いられるデータのみならず、機械学習モデルの実行に使用されるデータについても、端末機器１０からの送信を制御してもよい。
・第二実施形態
次に、図９～図１１を参照して、第二実施形態に係る機械学習システム１について説明する。以下では、第一実施形態に係る機械学習システムと異なる点を中心に説明する。上記第一実施形態では、目標送信頻度が端末機器１０において設定されるのに対して、本第二実施形態では、目標送信頻度がサーバ２０において設定される。
図９は、第二実施形態に係る端末機器１０のプロセッサ１６の、図３と同様な機能ブロック図である。図９に示したように、プロセッサ１６は、データ取得部１６１と、モデル実行部１６２と、通知部１６３と、データ送信部１６６と、モデル更新部１６７と、を有する。したがって、プロセッサ１６は、判定部１６４及び送信制御部１６５を有さない。
図１０は、第二実施形態に係るサーバ２０のプロセッサ２３の、図５と同様な機能ブロック図である。図５に示したように、プロセッサ２３は、データセット作成部２３１、学習部２３２と、モデル送信部２３３と、判定部２３４と、送信制御部２３５と、を有する。判定部２３４は、第一実施形態の判定部１６４と同様に、収集促進条件が成立しているか否かを判定する。また、送信制御部２３５は、第一実施形態の送信制御部１６５と同様に、端末機器１０からサーバ２０へのデータの送信を制御する。
図１１は、機械学習モデルの学習処理の流れを示す、図７と同様なシーケンス図である。図１１に示した学習処理は、端末機器１０のプロセッサ１６及びサーバ２０のプロセッサ２３において実行される。図１１におけるステップＳ３１、Ｓ３５～Ｓ３９は、図７におけるステップＳ１１、Ｓ１３～Ｓ１７と同様であるため、説明を省略する。
本実施形態における学習処理では、図１１に示したように、サーバ２０のプロセッサ２３が、サーバ２０と通信可能な端末機器１０が位置する領域の気温及び湿度に関するデータを、例えば他のサーバから取得する（ステップＳ３２）。サーバ２０のプロセッサ２３によってデータが取得されると、サーバ２０の判定部２３４及び送信制御部２３５は、目標送信頻度を設定する（ステップＳ３３）。目標送信頻度の設定は、図８に示したフローチャートに従って行われる。
ステップＳ３３において目標送信頻度が設定されると、サーバ２０のプロセッサ２３は、設定された目標送信頻度に関するデータを、各端末機器１０へ送信する（ステップＳ３４）。端末機器１０のデータ送信部１６６は、送信されてきた目標送信頻度にて、サーバ２０へデータを送信する（ステップＳ３５）。
以上より、本実施形態では、サーバ２０は、収集促進条件が成立しているか否かを判定する判定部２３４と、端末機器１０からサーバ２０へのデータの送信を制御する送信制御部２３５と、を有する。そして、送信制御部２３５は、集促進条件が成立していると判定された場合には、収集促進条件が成立していないと判定された場合に比べて、端末機器１０からの単位時間当たりのデータ送信量が多くなるように、端末機器１０からサーバ２０へのデータの送信を制御する。本実施形態においても、上記第一実施形態と同様に、端末機器１０からサーバ２０への過剰なデータの送信を抑制しつつ、推定精度の高い機械学習モデルを作成することができる。
・第三実施形態
次に、図１２～図１４を参照して、第三実施形態に係る機械学習システム１について説明する。以下では、第一実施形態及び第二実施形態に係る機械学習システムと異なる点を中心に説明する。
上記実施形態では、収集促進条件が成立しているときには端末機器１０からサーバ２０への単位時間当たりのデータ送信量が多くしている。そして、上記実施形態では、収集促進条件は、発生確率の低いクラスの発生確率が高くなるような条件であった。これに対して、本実施形態では、収集促進条件は、端末機器１０からサーバ２０へ送信するデータの信頼度が低くなるような条件である。
図１２は、第三実施形態に係る機械学習システム１の概略的な構成図である。図１２に示したように、機械学習システム１は、複数の端末機器１０と、外部サーバ３０と、これら端末機器１０及び外部サーバ３０と通信可能なサーバ２０と、を有する。本実施形態では、端末機器１０及び外部サーバ３０とサーバ２０とは、通信ネットワーク４を介して有線接続される。
端末機器１０及び外部サーバ３０は、いずれも機械学習モデルの使用又は学習に必要なデータを取得するデータ取得装置の一例である。本実施形態では、端末機器１０は、上記対象エリア内の所定の領域をそれぞれ撮影するカメラである。特に、端末機器１０は、それぞれ所定の領域を撮影する固定された監視カメラである。また、外部サーバ３０は、対象エリア内のそれぞれの領域の環境情報を取得する。具体的には、外部サーバ３０は、外部サーバ３０に接続されたセンサなどから、対象エリア内のそれぞれの領域の気温、湿度、天気、イベント情報等の環境情報を取得する。
本実施形態では、機械学習モデルは、外部サーバ３０にて取得されたデータに基づいて、回帰を行うモデルである。特に、本実施形態では、機械学習モデルは、対象エリア内のそれぞれの領域の環境情報を入力すると、その領域に集まると予想される人の数又はその領域に集まるっている人の快適度を推定する。
斯かる機械学習モデルを学習させる際に用いられる出力パラメータの正解値は、端末機器１０によって取得されたデータに基づいて算出される。具体的には、例えば、端末機器１０である監視カメラによって撮影された画像に対して物体検出が行われ、これにより画像の中の人が特定される。そして特定された人の数を数えることによってその画像に含まれる人の数が算出される。この監視カメラが特定の対象エリア内の特定の領域を撮影しているときには、その特定の領域内の人の数が算出される。また、物体検出によって特定されたそれぞれの人の表情の画像などに基づいて、それぞれの人の快適度が推定される。このようにして算出又は推定された各領域内の人の数と快適度が正解データとして機械学習モデルの学習に用いられる。
図１３は、機械学習モデルの学習処理の流れを示すシーケンス図である。図１３に示した学習処理は、端末機器１０のプロセッサ１６及びサーバ２０のプロセッサ２３において実行される。なお、図１３におけるステップＳ４５～Ｓ４７は、図７のステップＳ１５～Ｓ１７と同様であるため説明を省略する。
本実施形態における学習処理では、図１３に示したように、まず、各端末機器１０のプロセッサ１６のデータ取得部１６１が、センサ（カメラ）から定期的に画像データを取得する（ステップＳ４１）。データ取得部１６１によってデータが取得されると、判定部１６４及び送信制御部１６５が、目標送信頻度を設定する（ステップＳ４２）。図１４は、ステップＳ４２において行われる目標送信頻度の設定処理の流れを示すフローチャートである。
図１４に示したように、目標送信頻度を設定するにあたっては、まず、判定部１６４が、データ取得部１６１によって取得されたデータの信頼度を推定する（ステップＳ５１）。データの信頼度は、例えば、画像の中に重なって表されている人の数、画像の鮮明度合い等に基づいて算出される。画像の中に重なって表されている人の数が多いほど、また、画像の鮮明度合いが低いほど、データの信頼度が低いものとして算出される。画像中の重なって表される人の数や画像の鮮明度合は、例えば、画像を入力するとこれらパラメータの値を出力するモデルによって算出される。
データ取得部１６１によって取得されたデータの信頼度が推定されると、判定部１６４が、収集促進条件が成立しているか否かを判定する。特に本実施形態では、判定部１６４は、推定された信頼度が予め定められた所定の基準値以下であるか否かに基づいて、収集促進条件が成立しているか否かを判定する（ステップＳ５２）。
ステップＳ５２において収集促進条件が成立していると判定された場合、すなわち推定された信頼度が基準値以下であると判定された場合には、送信制御部１６５が、端末機器１０からサーバ２０へのデータの目標送信頻度を高く設定する（ステップＳ５３）。一方、ステップＳ５２において収集促進条件が成立していないと判定された場合、すなわち推定された信頼度が基準値よりも高いと判定された場合には、端末機器１０からサーバ２０へのデータの目標送信頻度を低く設定する（ステップＳ５４）。
このようにして目標送信頻度が設定されると、データ送信部１６６が、設定された目標送信頻度にて、サーバ２０へデータを送信する（図１３のステップＳ４３）。サーバ２０に送信されたデータは、サーバ２０のストレージ装置２２に記憶される。
データ送信部１６６によって送信されたデータがストレージ装置２２に記憶されると、サーバ２０のデータセット作成部２３１が学習用データセットを作成する（ステップＳ４４）。データセット作成部２３１は、ストレージ装置２２に記憶されていた画像データに物体検出等を行って、画像データに表された画像内の人の数と画像内の人の快適度とを算出及び推定する。このようにして算出又は推定された各領域内の人の数と快適度を出力パラメータの正解値として学習用データセットが作成される。また、データセット作成部２３１は、外部サーバ３０から取得された気温、湿度、天気、イベント情報等を入力パラメータとして学習用データセットを作成する。
ステップＳ４４においてデータセット作成部２３１によって学習に必要な数の学習用データセットが作成されると、学習部２３２は、作成されたデータセットを用いて、機械学習モデルを学習させる（ステップＳ４５）。
本実施形態では、データの信頼度が低い場合には収集促進条件が成立して、端末機器１０から高い頻度でデータがサーバ２０へ送信される。このようにデータの信頼度が低い場合には、サーバ２０へ送信されるデータ量が多くされる。このようにサーバ２０へ送信されるデータ量が多くなると、その分、機械学習モデルの学習精度が高くなる。一方で、データの信頼度が高い場合には収集促進条件は成立せずに、端末機器１０から低い頻度でデータがサーバ２０へ送信される。この結果、本実施形態においても、端末機器１０からサーバ２０への過剰なデータの送信を抑制しつつ、推定精度の高い機械学習モデルを作成することができるようになる。
以上、本発明に係る好適な実施形態を説明したが、本発明はこれら実施形態に限定されるものではなく、特許請求の範囲の記載内で様々な修正及び変更を施すことができる。
１ 機械学習システム
４ 通信ネットワーク
５ 無線基地局
１０ 端末機器
２０ サーバ
３０ 外部サーバ

Claims (9)

  1. 所定の対象エリアに位置するデータ取得装置と、該データ取得装置と通信可能なデータ収集装置とを有し、機械学習モデルの使用又は学習に必要なデータを前記データ取得装置から前記データ収集装置へ収集するデータ収集システムであって、
    前記データ取得装置から前記データ収集装置へのデータ収集を促進する収集促進条件が成立しているか否かを判定する判定部と、
    前記データ取得装置から前記データ収集装置へのデータの送信を制御する送信制御部と、を有し、
    前記送信制御部は、前記収集促進条件が成立していると判定された場合には、該収集促進条件が成立していないと判定された場合に比べて、前記データ取得装置から前記データ収集装置への単位時間当たりのデータ送信量が多くなるように、前記データ取得装置から前記データ収集装置へのデータの送信を制御する、データ収集システム。
  2. 当該データ収集システムは、前記機械学習モデルの学習に必要なデータを収集し、
    前記収集促進条件は、該収集促進条件が成立しているときに前記データ取得装置から収集されたデータが、該収集促進条件が成立していないときに前記データ取得装置から収集されたデータに比べて、前記機械学習モデルの学習に使用されたときに前記機械学習モデルの精度向上に寄与するような条件である、請求項１に記載のデータ収集システム。
  3. 前記機械学習モデルは複数のクラスへの分類を行うモデルであり、
    前記収集促進条件は、該収集促進条件が成立しているときの、前記クラスのうち相対的に発生確率の低いクラスの発生確率が、前記収集促進条件が成立していないときの、前記クラスのうち相対的に発生確率の低いクラスの発生確率よりも高くなるような条件である、請求項２に記載のデータ収集システム。
  4. 前記機械学習モデルは複数のクラスへの分類を行うモデルであり、
    前記収集促進条件は、前記機械学習モデルによって分類される全てのクラスの発生確率が所定の基準確率以上であるときに成立する条件である、請求項２又は３に記載のデータ収集システム。
  5. 前記送信制御部は、前記収集促進条件が成立していると判定された場合には、該収集促進条件が成立していないと判定された場合に比べて、前記データ取得装置から前記データ収集装置へのデータの送信頻度が高くなるように、前記データ取得装置から前記データ収集装置へのデータの送信を制御する、請求項１～４のいずれか１項に記載のデータ収集システム。
  6. 前記収集促進条件は、前記データ取得装置から受信する各データの信頼度が所定の基準値以下であるときに成立する条件である、請求項１に記載のデータ収集システム。
  7. 所定の対象エリアに位置するデータ取得装置と通信可能であって機械学習モデルの使用又は学習に必要なデータを前記データ取得装置から収集するデータ収集装置であって、
    前記データ取得装置からのデータ収集を促進する収集促進条件が成立しているか否かを判定する判定部と、
    前記データ取得装置から当該データ収集装置へのデータの送信を制御する送信制御部と、を有し、
    前記送信制御部は、前記収集促進条件が成立していると判定された場合には、該収集促進条件が成立していないと判定された場合に比べて、前記データ取得装置からの単位時間当たりのデータ送信量が多くなるように、前記データ取得装置から当該データ収集装置へのデータの送信を制御する、データ収集装置。
  8. データ収集装置と通信可能であって機械学習モデルの使用又は学習に必要なデータを取得して前記データ収集装置へ送信するデータ取得装置であって、
    前記データ収集装置へのデータ収集を促進する収集促進条件が成立しているか否かを判定する判定部と、
    前記データ収集装置へのデータの送信を制御する送信制御部と、を有し、
    前記送信制御部は、前記収集促進条件が成立していると判定された場合には、該収集促進条件が成立していないと判定された場合に比べて、前記データ収集装置への単位時間当たりのデータ送信量が多くなるように、前記データ収集装置へのデータの送信を制御する、データ取得装置。
  9. 機械学習モデルの使用又は学習に必要なデータを、所定の対象エリアに位置するデータ取得装置からデータ収集装置へ収集するデータ収集方法であって、
    前記データ取得装置から前記データ収集装置へのデータ収集を促進する収集促進条件が成立しているか否かを判定することと、
    前記収集促進条件が成立していると判定された場合には、該収集促進条件が成立していないと判定された場合に比べて、前記データ取得装置から前記データ収集装置への単位時間当たりのデータ送信量が多くなるように、前記データ取得装置から前記データ収集装置へのデータの送信を制御することと、を有する、データ収集方法。
JP2021165030A 2021-10-06 2021-10-06 データ収集システム、データ収集装置、データ取得装置及びデータ収集方法 Active JP7088397B1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2021165030A JP7088397B1 (ja) 2021-10-06 2021-10-06 データ収集システム、データ収集装置、データ取得装置及びデータ収集方法
CN202211206529.XA CN115952454A (zh) 2021-10-06 2022-09-30 数据收集系统及装置、数据取得装置及数据收集方法
US17/959,827 US20230108162A1 (en) 2021-10-06 2022-10-04 Data collection system, data collection device, data acquisition device, and data collection method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021165030A JP7088397B1 (ja) 2021-10-06 2021-10-06 データ収集システム、データ収集装置、データ取得装置及びデータ収集方法

Publications (2)

Publication Number Publication Date
JP7088397B1 JP7088397B1 (ja) 2022-06-21
JP2023055553A true JP2023055553A (ja) 2023-04-18

Family

ID=82100061

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021165030A Active JP7088397B1 (ja) 2021-10-06 2021-10-06 データ収集システム、データ収集装置、データ取得装置及びデータ収集方法

Country Status (3)

Country Link
US (1) US20230108162A1 (ja)
JP (1) JP7088397B1 (ja)
CN (1) CN115952454A (ja)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020202917A1 (ja) * 2019-03-29 2020-10-08 日本瓦斯株式会社 情報処理装置、情報処理方法、およびプログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020202917A1 (ja) * 2019-03-29 2020-10-08 日本瓦斯株式会社 情報処理装置、情報処理方法、およびプログラム

Also Published As

Publication number Publication date
JP7088397B1 (ja) 2022-06-21
US20230108162A1 (en) 2023-04-06
CN115952454A (zh) 2023-04-11

Similar Documents

Publication Publication Date Title
Deep et al. A survey on anomalous behavior detection for elderly care using dense-sensing networks
US10667725B2 (en) Method for detecting and responding to falls by residents within a facility
JP2017086855A (ja) ユーザ活動追跡システム及び装置
US11504068B2 (en) Methods, systems, and media for predicting sensor measurement quality
US20210295668A1 (en) Alert system
US11049382B2 (en) Fall detection method and system
US20210092219A1 (en) Apparatus and control method for recommending do-not-disturb mode based on context-awareness
WO2016151494A1 (en) Environment-based pain prediction wearable
US20190066845A1 (en) Distributed analytics system for identification of diseases and injuries
US20230140019A1 (en) Data collection device, data acquisition device, and data collection method
US20230071657A1 (en) Data collection apparatus, data collection sysytem, and data collection method
JP7088397B1 (ja) データ収集システム、データ収集装置、データ取得装置及びデータ収集方法
US20230109079A1 (en) Data collection system, data collection method. and data collection device
US20230389880A1 (en) Non-obtrusive gait monitoring methods and systems for reducing risk of falling
JP2023077288A (ja) データ収集装置、データ収集方法、端末機器
JP2023042400A (ja) データ収集装置、データ収集方法及びデータ収集プログラム
KR102714528B1 (ko) 원격의료를 위한 개인 맞춤형 관리시스템 및 그 제어방법
US20230011337A1 (en) Progressive deep metric learning
EP4012638A1 (en) System and method for providing intelligent infant care service
JP2023051222A (ja) データ収集装置
KR20220017295A (ko) 행동 인지(activity recognition, AR)를 이용한 로케이션 히스토리 결정 장치 및 방법
CN118447999A (zh) 运动信息监测的方法及相关设备
KR20180033436A (ko) 이상 활동 탐지를 위한 이동 단말기를 포함하는 시스템

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211006

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20211006

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220118

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220225

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220510

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220523

R151 Written notification of patent or utility model registration

Ref document number: 7088397

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151