JP3119082B2 - 在室予測装置及びそれを用いた応用機器 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、電気器具やガス器具等
の制御装置に利用できる在室予測装置及びその応用機器
に関するもので、利用者が対象とする器具の準備運転等
にかかる時間を待つ必要がなく、すばやく効果を享受で
きることを可能にする制御に係わるものである。また、
応用機器に関しては主に、快適性と省エネルギー性を考
慮に入れた、タイマー設定の必要としない空気調和機の
制御装置に関するものである。

【０００２】

【従来の技術】近年、この種の制御装置は、例えば給湯
機や空調機のような利用者が稼働させてからその効果を
実感できるまでに時間的な遅延を伴う器具に応用されて
いる。

【０００３】以下に第１の従来例の在室予測装置につい
て説明する。図９９は、従来の在室予測装置を給湯機の
制御に応用した例のブロック図で、特開平４−２０３８
３５号公報に開示されているものである。図９９におい
て、５０は機器の運転を動作させる運転スイッチで、５
１は給湯温度を設定する湯温設定ボリュームで、５２は
在室者の存在を検出するための音声入力手段としてのマ
イクで、５３はマイク５２から出力された音声信号から
在室か不在かを検出する在室検出手段で、５４はリモコ
ン制御手段で、在室検出手段５３からの在室判定信号と
運転スイッチ５０からの運転信号と湯温設定ボリューム
５１からの給湯設定温度とを入力し、給湯機本体に出力
するとともに、給湯機本体からの着火信号等を受信す
る。５５は時刻を計る計時手段、５７、５８は各時刻の
在室、不在室を記憶するための記憶手段で、５７は平日
分のデータを記憶するデータエリアで５８は休日分のデ
ータを記憶するデータエリアである。５９は記憶手段５
７、５８に記憶されたデータから使用パターンの周期性
を抽出する周期性パターン抽出手段で、５６は気化部
で、熱交換機（図示せず）を加熱するバーナ（図示せ
ず）に気化油を供給するものである。６０は運転制御手
段で、周期性パターン抽出手段５９からの周期性パター
ンから、現時刻から先の所定の時間内に在室の可能性が
ある場合は、気化部５６を所定の気化部設定温度に維持
する。逆に可能性が無い場合は、気化部設定温度を低め
の温度に維持するように制御するものである。

【０００４】以上のように構成された在室予測装置につ
いて、以下にその動作について説明する。図１００はデ
ータを記憶する手順を示した流れ図である。まず、計時
手段５５から時刻を読み込み、在室検出手段５３から在
室判定信号を読み込む。そして、在室と判定された場合
は、在室信号（ＯＮ）を周期性データとし、不在と判定
された場合は、不在室信号（ＯＦＦ）を周期性データと
する。次に現在時刻が平日に該当するか否かを判断し、
平日と判断された場合は平日データエリアへ周期性デー
タを記憶する。また、休日と判断された場合は休日デー
タエリアへ周期性データを記憶する。図１０１は運転制
御手段６０の動作を説明する流れ図である。図１０１に
おいて、まず、計時手段５５から時刻を読み込み、現在
時刻が平日に該当する場合は、平日の周期性パターンが
入力される。また、現在時刻が休日に該当する場合は、
休日の周期性パターンが入力される。この平日及び休日
の周期性パターンの生成方法を以下に説明する。図１０
２は、平日の周期性パターンの生成方法を説明した概念
図である。図１０２において、平日（月〜金）の在室判
定からその論理和を算出し、その結果を平日の周期性パ
ターンとするものである。また、休日の周期性パターン
は、休日の在室判定の論理和の結果を休日の周期性パタ
ーンとするものである。上述した方法で生成された周期
性パターンと現在時刻から、現在時刻から所定の時間以
内に在室の可能性があれば、気化部内のヒータの設定温
度と実際のヒータ温度を比較し、設定温度よりも低けれ
ばヒータオンし、設定温度以上ならば、ヒータオフす
る。また、所定時間以内に在室の可能性がなければヒー
タオフする。

【０００５】その他、上述の実施例以外に、曜日別の平
均在室率を求めて、その値を予測在室率とするものもあ
る。図１０３は、第２の従来例の在室予測装置のブロッ
ク図で、特開平０６−１１７８３６号公報に開示されて
いるものである。図１０３において１は在室データ記憶
手段で、センサ（図示せず）で採取した赤外線画像もし
くは可視画像から、画像処理を施して検出エリア内の人
数を検出し、その結果と時刻情報から、時間帯別の在不
在を判定して記憶するものである。２は在室パターン分
類手段で、カレンダと時計から当日の曜日に相当する平
均在室率を計算するものである。３はベース温度変換手
段で、次の時間帯の平均在室率をもとに室内の温度設定
をするものである。

【０００６】以上のように構成された在室予測装置につ
いて、以下その動作について説明する。まず、在室デー
タ記憶手段１は、室内の人数からその時間帯の在
（１）、不在（０）を判定して記憶する。在室データは
過去数日分記憶されている。

【０００７】在室パターン分類手段２は、カレンダから
当日の曜日を判定し、その曜日に相当するデータを在室
データ記憶手段１から集めて平均在室率を計算し、次の
時間帯に相当する平均在室率を出力する。

【０００８】ベース温度変換手段３は、在室パターン分
類手段２から出力された平均在室率から、ベース温度を
以下のように決定する。

【０００９】ｙ（ｔ）を時刻ｔのベース温度、ｚ（ｔ）
を時刻ｔでの平均在室率、ｐを下限ベース温度、ｑを上
限ベース温度として、現在時刻をＴとしたときのベース
温度は、 ｙ（Ｔ）＝（ｑ−ｐ）×ｚ（Ｔ＋１）＋ｐ で決定される。

【００１０】また、空気調和機の制御に関しては、近
年、センサー技術とインバーター制御技術の融合によ
り、快適性の高い制御が可能になった。しかし、操作性
に関して言えばリモコン上に操作ボタンが多くあった
り、用意されている空気調和機の高機能を実現するため
に複雑な操作が必要であったりで、利用者が機能を十分
に使いこなせないものが増えつつあった。以下に空気調
和機の操作性に関する従来の技術について説明する。

【００１１】空気調和機は快適になるまでに時間がかか
るため、人が居ないときや眠っているときに機械を動か
す要求があり、オンタイマーが用いられていた。また、
就寝時など寝付くまで温度を維持し、その後、空気調和
機を停止させたい要求があり、オフタイマーが用いられ
ていた。こういったタイマー機構はユーザの指定した時
刻に機器を動作させたり、停止させたりするものであ
り、通常の空気調和機に組み込まれている。

【００１２】オフタイマーに類似の自動運転に関して
は、赤外線センサなどを用いた人検知センサにより室内
の人の有無を検出し、人が在室しているときはある設定
温度で制御し、一定時間以上、人が居なくなったら設定
温度を下げる制御を行ったり、空気調和機を停止させる
ことがなされていた。

【００１３】オンタイマーに類似の自動運転に関して
は、特開平０２−２５４２４６号公報にあるように、人
検知センサから得られる在不在に関する時系列デ−タか
ら、入室もしくは起床時刻の予測を行い、空気調和機で
は一定のキープ温度から入室予測時刻にユーザの設定値
の温度になるように空気調和機を制御する方法が提案さ
れていた。

【００１４】

【発明が解決しようとする課題】しかしながら第１の従
来例に示した在室予測装置では、以下に示すような課題
を有していた。最初に、機器を使用する室における在
室、不在データのとらえ方に対して、その性質を周期的
なパターンのみと考えているところに課題があった。す
なわち、第１の従来例にあるように仮に１日を単位とす
る在室データを対象とした場合でも、在室、不在データ
は平日、休日、曜日など日の並びで決まる周期以外に、
祭日や夏休み、冬休み、など周期的でないパターンが存
在する。また、一般家庭の場合、曜日毎に使用パターン
が類似である事務所とは異なり、休日や平日の在室、不
在データが一つのパターンで代表されることは少なく、
例えば、一日中家の中に居る日曜日もあれば、夜遅くま
で外出している日曜日もある、といった具合にバリエー
ションが多い。その際に、日毎の周期性に基づいてのみ
制御を行うと、例えば、祭日の月曜日に、本来は休日で
あるが平日のモードで運転し続けることになる。また、
日毎に独立したパターンの分類と、日毎のパターン系列
の規則性の抽出を行わず、周期性のみの抽出しか行って
いないので、例えばＡパターンの５日後は、Ｂパターン
が現れる。Ｃパターンが２度続けて現れた後はＤパター
ンになるといった１日を単位とする在不在データのパタ
ーンの順番に規則性がある場合でも、生かすことができ
なかった。

【００１５】また通常、家庭の在室、不在データに関し
ては１００％同じパターン系列が繰り返すことは考えら
れないので、周期性の最も高い周期に基づいて分類した
場合にさえ、異なる種類のデータが混在する可能性が高
い。このように異種のデータが混在するデータの集合か
ら第１の従来例にあるように、ある周期で分割したデー
タの論理和をとり、平日、休日などカテゴリの代表とな
るパターンを決めると、カテゴリ内の各データ毎に共通
しない「在室」がある時間帯が増え、代表となるパター
ンの「在室」の部分の時間帯が非常に多くなる可能性が
高くなり、パターンの代表値としては、ぼけたものとな
る。また、カテゴリに含まれるデータすべてに共通の
「在室」と、共通でない「在室」が同等に扱われるた
め、このようなパターンに基づいて、機器を制御すると
無駄なエネルギーを多分に消費することになる。これ
は、単位を一日から数時間、または数十日に変更しても
同様なことが言える。

【００１６】また第１の従来例に示されている実施例で
は、平日、休日を曜日との関連付けで分類し、その周期
性の抽出を行っているが、そのためには曜日設定もしく
は年月日設定を要するカレンダー機構が必要であり、利
用者に設定を行う負担をかける課題を有していた。

【００１７】また、第２の在室予測装置のうち、従来の
構成では、在不在データを曜日に基づいて分類している
ので、例えば３日に１回の割合で夜勤がある看護婦や工
場勤務者の場合は、夜勤の曜日がずれていくので、曜日
別平均在室率から予測しても精度が悪いという課題を有
していた。

【００１８】従来の在不在予測装置の課題を整理すると
以下のようになる。 １）周期的でない在室、不在データに対して対応できな
い。

【００１９】２）利用者にカレンダー設定を行わせる負
担を要している。 ３）曜日別の在不在データの分類では、曜日以外の規則
の場合に精度が低い。

【００２０】本発明は上記の従来の課題を解決するもの
で、１日毎の在室データを自動的にかつ適応的にクラス
タ分類し、各クラスタ毎の在室率を反映した標準パター
ンを更新しつつ、日毎に決定したクラスタ時系列から規
則性を見つけて在室予測すると共に、当日の在不在デー
タにより予測の修正を行うことによって、生活パターン
の変化にも追従可能な精度の良い在室予測装置を提供す
ることを目的とする。

【００２１】また、空気調和機の制御に関しての上記の
従来の構成または方法では、それぞれ以下に示す課題を
有していた。以下に課題を示す。空気調和機のタイマー
に関しては、タイマー機構をユーザーが利用するために
は、現在時刻の設定と共に、タイマーを動作させるため
の時刻を時間、分単位で設定する必要があった。またタ
イマーには、オンタイマーとオフタイマーがあるが、そ
れらが共通の機構の上で設定する場合が一般的である。
それゆえ、急にタイマーの設定時刻を変更したい場合な
どは、モードの切り替え、解除、変更の操作を行う必要
があり、いちいちマニュアルを見なければできない場合
が多いほど面倒であった。

【００２２】また、オフタイマーの類似の自動運転で
は、単純に赤外線センサなどで人の在室状況を検出し、
それに応じて、空気調和機のオン、オフや設定温度の変
更を行っているが、人の部屋への出入りに応じて空気調
和機の運転が敏感に変わるので人の入退室が激しい場合
などは動作が不安定になり、不快感が増すことになる。
また、仮に一定時間、制御切り替え判断のための時間を
設けても、決められた一定時間は人が居なかったが、そ
の後すぐに入室が有るのか、６、７時間以上、人が居な
いのかわからないため、例えば暖房時を例にとっても、
不在時に設定温度を一定幅下げるなど画一的な制御しか
できなかった。本来は省エネルギーを考えるならば長時
間不在になるような場合は空気調和機をオフにしたり、
設定温度を５、６℃下げるなどの制御方策をとったほう
が効果的である。また、あまり長時間不在にしない場合
は、設定温度を変更しないほうが良い場合も有り得る。
このように不在時の、部屋の使い方に応じたきめ細かな
制御が十分なされていなかった。

【００２３】また、オンタイマーに類似の自動運転で
は、過去の部屋の使用状況から入室や起床時刻の予測を
しているので、曜日などカレンダーに基づく規則性を持
った家庭の場合は、オンタイマーに近いことはできる
が、曜日を基本としないパターンを持った家庭では精度
が低くなる課題を有していた。また、不在の予測を行っ
ていないので、人が居なくなったときに、例えば暖房時
に、どの程度設定温度を下げて良いのか判断できない。
つまり快適性を重視した運転を行うことはできるが、省
エネルギ−性をも考えた制御が十分になされていなかっ
た。

【００２４】従来の空気調和機の制御装置の課題を整理
すると以下のようになる。 １）オンタイマー、オフタイマーの設定、変更、解除な
どの操作が面倒。

【００２５】２）人検知による制御のみでは不在時のき
め細かな制御がされてない。 ３）曜日を基本とする予測制御では、曜日を基本としな
い生活では精度が低い。

【００２６】本発明は上記の従来の課題を解決するもの
で、前記在室予測装置と熱負荷推定に基づき空気調和機
を制御することにより、快適性と省エネルギー性を考慮
した自動運転を提供することを目的とする。

【００２７】

【課題を解決するための手段】上記目的を達成するため
に本発明の在室予測装置は、対象とする領域内の人の在
及び不在を検出するセンサと、センサからの反応に基づ
いて１日のある期間の在、不在を判定する前処理部と、
前処理部から出力された１日分の在不在判定信号から、
自動的にかつ適応的にクラスタ分類し各クラスタの標準
パターンを更新する分類部と、分類部から出力された標
準パターンを記憶するデータ記憶手段と、過去のクラス
タ時系列から翌日のクラスタを予測する予測部と、予測
部から出力された翌日クラスタとデータ記憶手段から出
力された標準パターンから、現在時刻から先の予測在室
率等を出力する予測値出力手段から構成するものであ
る。さらに、上記の構成に加えて、前処理部から出力さ
れた１日の開始時点から現時点までの期間に相当する在
不在判定結果から、予測部から出力された翌日クラスタ
を修正する予測修正手段を付加することができる。

【００２８】また、上記目的を達成するために本発明の
空気調和機の制御装置は、少なくとも人の有無を検出す
る人検知センサと、在室予測装置と、リモコンと、人検
知センサから得られる人検知信号から人の有無の状態が
どの程度継続したかを計数する継続時間計数部と、在室
予測装置の出力形態の一つである標準パターンの予測在
室率の高さに応じて１日を複数の時間帯に分割する予測
レベル分割部と、リモコンの設定値に従い運転するか、
設定内容と異なった運転を行うかを判断する在不在運転
切替部と、在不在運転切替部から得られる切替信号と、
予測レベル分割部から得られる予測レベルと、リモコン
の設定値から、運転モードと制御指標の値を決定する運
転モード決定部の構成を有するものである。また、上記
構成に、予測レベル分割部から得られる現在時点の予測
レベルと、その時点と異なった予測レベルまでの時間を
算出する推移時間算出部を付加したしたものである。ま
た上記構成に、室外または室内の気温を計測する温度セ
ンサと、前記温度センサからの出力から室内の熱負荷ま
たは、熱負荷の大きさのレベルを推定する熱負荷レベル
推定部を付加したものである。

【００２９】

【作用】上記在室予測装置の構成における分類部で、１
日毎の在不在判定結果をもとにして、自動的に最適なク
ラスタ分類を行うので、利用者が予め平日や休日や曜日
などのカテゴリを設定する必要がなく、また、日の時系
列的な並びに依存しない在不在データの分類が可能であ
る。

【００３０】また、本構成の予測部では、当日のクラス
タとそれ以前の過去のクラスタとの相関を記憶し、日々
その相関を更新していくので、周期性のみならずクラス
タ間の規則性を予測に生かすことができる。また、当日
の在不在データを用いて、予測されている選択クラスタ
の修正するので、暦に散在する祝祭日が現れた場合でも
自動的に追従可能である。

【００３１】さらに、曜日別の平均在室率を予測在室率
とする第２の従来例の在室予測装置では、曜日以外の規
則で生活している利用者に対して十分な予測精度が得ら
れないという課題を有していたが、本構成の在室予測装
置では、利用者が曜日に基づいて生活しているという前
提条件を設けずに、利用者の生活の規則性を発見的に見
つけるので、例えば、３日に１回の割合で夜勤がある看
護婦や工場勤務者の生活に対しても対応可能で、精度を
落とすことなく在室予測することができる。従って本構
成の在室予測装置を用いることによって、部屋の使い方
をあらかじめ曜日に依存したものと想定する必要はない
上、利用者にカレンダー設定の負担を要しない。

【００３２】また、空気調和機の制御装置では、第１に
人検知センサの出力から継続時間計数部において在室継
続時間、不在継続時間を計数し、その結果と、在室予測
装置の出力形態の一つである標準パターンから、１日の
各時間帯を予測在室率に応じてレベル分けした時刻別予
測レベルから、在不在運転切替部において部屋の使用状
態を推定する。この際、判断に当該時刻の予測レベルを
用いるのは運転の切り替え判断をなるべく早く行えるよ
うにするためである。そして部屋が使用状態にあると判
断した場合はリモコン設定値に基づき空気調和機を制御
する。また、部屋が使われない状態であると判断した場
合は、不在時の制御を行う。不在時の制御は、運転モー
ド決定部で判断するが、主に現在時刻を含む時間帯の予
測在室率のレベルに応じて設定温度を変える制御を行
う。予測レベルが高い場合は、またすぐに入室者のある
可能性が高いので、室内の空調状態を短時間でリモコン
設定値に戻せるような状態で待つ。また、予測レベルが
中程度の場合は室内が冷えきったり、暑くなりすぎたり
してリモコン設定値の状態に戻すために数１０分もかか
らないようにするため室温の下支えを行う。そして予測
レベルが低い場合は停止させる。ただし、停止させると
いっても、常に人検知センサで室内の在室状態を検出し
て人がしばらく部屋に居る場合などは、また運転を再開
するので完全な停止ではない。また不在時は、定期的に
予測レベルの変化をチェックし、予測レベルの変化があ
れば設定温度も変える。

【００３３】このことにより、予測在室率が高くなるよ
うな起床時や帰宅時は室内の温度を、リモコン設定値に
近づかせるような運転をするので、オンタイマーに類似
の準備運転が可能である。また不在時は、不在の度合い
を予測しているので、それを制御に反映できる。例え
ば、不在の程度が大きい場合に空気調和機を停止させれ
ば省エネルギーの観点から有効であり、不在の程度が小
さい場合に、短時間でリモコン設定値になる状態で待つ
ようにすれば、快適性の上で不快感を感ずることは少な
い。また、運転モード決定部の運転モード決定条件に、
予測レベル分割部から得られる現在時点の予測レベルと
他の異なった予測レベルまでの時間を加えることによ
り、就寝時や通勤通学などの長時間の不在の開始時点に
近い時間帯は、さらに省エネルギーを考えた制御が可能
で、例えば暖房時に一層低い温度の下支え運転を行った
り、一旦停止させたりすることが可能である。さらに、
運転モード決定部の運転モード決定条件に、熱負荷レベ
ル推定部の出力である現在時刻の熱負荷の大きさを加え
ることにより、温熱環境条件を判断に取り入れた立ち上
がり時の不快時間の少ない空調が可能となる。すなわ
ち、きめの細かなタイマーに類似の機能を持った不在時
の自動運転が可能である。

【００３４】

【実施例】

（実施例１）以下本発明の一実施例について、図面を参
照しながら説明する。図１において、１１は赤外線を用
いて移動物体を検出する活動量センサであり、１２は活
動量センサから出力されたパルス信号Ｐａと時計から、
ある期間の在、不在を判定する前処理部であり、１３は
前処理部から出力された１日分の在不在判定信号Ｚを各
クラスタの標準パターンと比較して、最適なクラスタを
判定し、最適クラスタの標準パターンを更新する分類部
であり、１４は各クラスタの標準パターン信号Ｒｅを記
憶するデータ記憶手段であり、１５は分類部から出力さ
れた最適クラスタ番号信号Ｎｃと内部に記憶しているそ
れ以前の日の最適クラスタ番号から翌日のクラスタ番号
を予測する予測部であり、１６は予測部から出力された
予測クラスタ番号信号Ｎｐと時計とデータ記憶手段から
出力された標準パターン信号Ｒｅから次時刻の予測在室
率を計算する予測値出力手段である。

【００３５】以上のように構成された在室予測装置につ
いてその動作を説明する。図２は本実施例の在室予測装
置の動作を説明する流れ図である。まず、前処理部１２
は活動量センサ１１から出力されたパルス信号Ｐａを一
定期間積算し、その結果からその期間の在（１）、不在
（０）を判定する。次に、分類部１３は、前処理部１２
から出力された１日分の在不在判定信号Ｚをクラスタ分
類する。すなわち、前処理部１２から出力された１日分
の在不在判定信号Ｚとデータ記憶手段１４に記憶されて
いる最新の各クラスタの標準パターンとの類似度を計算
し、最も類似度の高いクラスタを最適クラスタと判定
し、最適クラスタの標準パターンを更新する。次にデー
タ記憶手段１４は、分類部１３から出力された最適クラ
スタの標準パターン信号Ｒｅで、それ以前の対応するク
ラスタの標準パターンを上書きして記憶する。次に予測
部１５は分類部１３から出力されたその日の最適クラス
タ番号信号Ｎｃと、内部で記憶しているそれ以前の最適
クラスタ番号との相関を計算することによって翌日のク
ラスタ番号を予測する。次に予測値出力手段１６は予測
部１５から出力された予測クラスタ番号信号Ｎｐと時計
とデータ記憶手段から出力された標準パターン信号Ｒｅ
から次時刻に対応する標準パターンの値を予測在室率信
号Ｐｒとして出力する。図３に次時刻の予測在室率値Ｐ
ｒの値を求める方法を示した概念図を示す。図３におい
て、例えば現在時刻がＴとした場合、次時刻Ｔ＋１の予
測在室率Ｐｒは、次式で計算される。 Ｐｒ ＝ Ｒ_T+1 ただし、Ｒ_T+1は、Ｔ＋１での予測クラスタに対応する
標準パターン信号Ｒｅの時刻Ｔ＋１に対応する値であ
る。

【００３６】図４は前処理部１２の詳しい構成を示すブ
ロック図である。１２１は在不在判定手段で、その動作
例を図５の流れ図で説明する。図５において、在不在判
定手段１２１は一定期間、活動量センサから出力された
パルス信号Ｐａを積算する。サンプル期間が終了すると
予め内部に保持している判定しきい値Ｔｓｐと比較し、 Ｓｐ ＞ Ｔｓｐ （ただし、Ｓｐは積算パルス数） ならば、その期間は在と判定し、Ｚｃ（逐次在不在判定
信号）に１を代入する。それ以外の場合は、不在と判定
し、Ｚｃに０を代入する。１２２は在不在判定結果記憶
手段で、その記憶方法例を示す概念図を図６に示す。図
６から分かるように在不在判定結果記憶手段１２２は、
在不在判定手段１２１から一定期間毎に出力される逐次
在不在判定信号Ｚｃを記憶し、１日分のデータが揃った
時点で在不在判定信号Ｚ（=(Z₀,Z₁,.....,Z_n-1)^t｜ただ
し、１日をｎ分割した場合）として出力する。

【００３７】図７は分類部１３の詳しい構成を示すブロ
ック図である。本実施例では、Ｋｏｈｏｎｅｎの学習則
（参考文献：T.Kohonen,"Self-Organizationand Associ
ative Memory", 2ed, Springer-Verlag(1988)）を用い
たクラスタ分類方法例で、説明する。１３１は類似度算
出手段で、前処理部１２から出力された在不在判定信号
Ｚとデータ記憶手段１５から出力された最新の各クラス
タの標準パターン信号Ｒｅ（=(R₀,R₁,....,R_n-1)^t）と
の距離計算を行う。以下に距離尺度としてユークリッド
距離を用いた例で、類似度算出手段１３１の動作を説明
する。１日をｎ分割した場合のｉ番目の期間の在不在判
定結果をＺｉ（ｉ＝０〜ｎ−１）とし、クラスタｊのｉ
番目の期間の標準パターンの値をＲｊｉとし、クラスタ
ｊとの類似度をＬｊとすると、

【００３８】

【数１】

【００３９】を計算する。各クラスタについて上式を計
算した後、まとめて類似度信号Ｌｅ（=(L0,L1,....,LN)
｜ただし、Ｎはクラスタ数）として出力する。１３２は
最適クラスタ決定手段で、類似度算出手段１３１から出
力された類似度信号Ｌｅから、当日の在不在判定信号Ｚ
に、最適なクラスタを決定する。決定方法は各クラスタ
の類似度Ｌｉのうち最小の値を持つクラスタを探索し、
最小の値を持つクラスタを最適クラスタに決定する。出
力は最適クラスタ番号信号Ｎｃと最適クラスタに相当す
る標準パターン信号Ｒｅが出力される。１３３は更新手
段で、以下に説明する方法で最適クラスタの標準パター
ン信号を更新する。最適クラスタに相当する標準パター
ンのｉ番目の期間の値をＲｓｉとすると、 Ｒｓｉ ＝ Ｒｓｉ ＋ α×（Ｚｉ−Ｒｓｉ） （ｉ
＝０〜ｎ−１） （ただしαは０より大きく１以下の実数である）で更新
し、更新された標準パターン信号Ｒｅと最適クラスタ番
号信号Ｎｃを出力する。

【００４０】図８は予測部１５の詳しい構成を示すブロ
ック図である。１５１はクラスタベクトル変換手段で、
分類部１３から出力された最適クラスタ番号信号Ｎｃを
予め内部に保持しているクラスタベクトルｘ（=(x₁,
x₂,.....,x_m)^t）に変換する。クラスタベクトルは、各
クラスタに一つづつ対応づけられており、大きさが０で
なく、互いに直交している。１５２は翌日クラスタ予測
手段で、翌日のクラスタを予測する。本実施例では系列
連想記憶型ニューラル・ネットワ−ク（参考文献：福島
邦彦，「時空間パターンの連想型記憶」，電子通信学会
論文誌（Ｄ）５６−Ｄ，ｐ４０１〜４０７（１９７
３））を用いた例で説明する。図９は、系列連想記憶型
ニューラル・ネットワークを示したもので、図１０は上
記ニューラル・ネットワークの動作を説明した流れ図で
ある。図１０に示したように、まず入力層には、当日の
最適クラスタに相当するクラスタベクトルｘ（=(x₁,
x₂,...,x_m)^t）が入力される。それと共に、それ以前に
入力されれていたクラスタベクトルは順に遅延層１．．
Ｌへと一層づつ移動していく。シナプス荷重行列Ｗｉ
（ｉ＝１〜Ｌ）は、当日（入力層）とｉ日前のクラスタ
ベクトルｓ_i（=(s_i1,s_i2,...,s_im)^t）との相関を記憶し
ており、以下の式で更新される。 Ｗｉ ＝ Ｗｉ ＋ ｘ・ｓ_i ^t （ｉ＝１〜Ｌ） 次に予測は、まず次式を計算して、下記のベクトルを想
起させる。想起ベクトルをｈ（=(h₁,h₂,...,h_m)^t）とし
て、

【００４１】

【数２】

【００４２】出力層の各ニューロンは、クラスタ数Ｎだ
けあり、内部にそれぞれ異なったクラスタベクトルを保
持している。ニューロンｉは内部に保持しているクラス
タベクトルｓ_iとｈの関を計算する。計算した結果、最
大の相関値を持つニューロンは１を出力し、それ以外の
ニューロンは０を出力する。１５３はクラスタ番号変換
手段で、翌日クラスタ予測手段から出力された予測クラ
スタ決定信号ｐ（=(p₁,p₂,....,p_N)^t）から１を出力し
ているクラスタ番号を見つけて、それを予測クラスタ番
号信号Ｎｐとして出力する。なお、予測部で、上記方法
ではなく過去の数日間の最適クラスタのクラスタ毎の頻
度をとり、最頻値を予測クラスタ番号信号Ｎｐとして出
力する方法や、クラスタの標準パターンを検索し最も早
い時刻に高い値を持つクラスタを予測クラスタ番号信号
Ｎｐとして出力することも可能である。

【００４３】以上のように本実施例は、従来例のように
曜日を基本として予測しているわけではなく、１日毎の
在不在判定結果を適応的にクラスタ分類し、１日毎に決
定したクラスタ系列から翌日のクラスタを予測している
ので、曜日を基本として生活している人はもとより、そ
れ以外の規則で生活している人に対しても精度を落とす
ことなく在室予測することができる。

【００４４】（実施例２）以下本発明の第２の実施例に
ついて説明する。本実施例の全体構成は実施例１（図
１）と同様な構成である。１１は活動量センサで実施例
１と同様な動作をする。１３は分類部で、実施例１と同
様な構成で、同様な動作をする。１４はデータ記憶手段
で、実施例１と同様な動作をする。１５は予測部で、実
施例１と同様な構成で、同様な動作をする。１６は予測
値出力手段で、実施例１と同様な動作をする。１２は、
前処理部で、図１１に詳しい構成を示す。図１１におい
て、１２１は在不在判定手段で、実施例１の在不在判定
手段１２１と同様な動作をする。１２２は在不在判定結
果記憶手段で、実施例１の在不在判定結果記憶手段１２
２と同様な動作をする。１２３は在不在判定補正手段
で、在不在判定結果記憶手段１２２から出力された１日
分の在不在判定信号Ｚを補正する。補正方法例を示す概
念図を図１２に示す。図１２において、まず、方法１と
して、両側を１（在）に挟まれたｎ個以下の０（不在）
を１（在）に変換する。方法２として、両側をｍ個以上
の０（不在）で挟まれた１（在）を０（不在）に変換す
る。

【００４５】実施例２が実施例１と異なるのは、前処理
部１２の構造に在不在判定補正手段１２３を付加した点
で、在不在判定信号を補正することによって、単なる部
屋通過など部屋を使用する意志がないような在（１）を
除外したり、部屋を使用する意志があるが、たまたま時
間刻みの関係上不在と判定された不在（０）を在と補正
するてんである。このことにより本来の推定対象である
利用者の部屋の使用不使用に在不在判定信号を近づける
ことができるので、特徴の強調された標準パターンが得
られ、ひいては予測精度も向上する。

【００４６】（実施例３）以下本発明の第３の実施例に
ついて説明する。本実施例の全体構成は実施例１（図
１）と同様な構成である。１１は活動量センサで実施例
１と同様な動作をする。１２は、前処理部で、実施例１
または実施例２のいずれかの前処理部１２と同様な構成
で、同様な動作をするものである。１４はデータ記憶手
段で、実施例１と同様な動作をする。１５は予測部で、
実施例１と同様な構成で、同様な動作をする。１６は予
測値出力手段で、実施例１と同様な動作をする。１３は
分類部で、図１３に詳しい構成を示す。図１３におい
て、１３４は特徴量抽出手段で、在不在判定信号Ｚから
特徴量信号Ｆに変換する。図１４は特徴量抽出手段１３
４の動作を示した流れ図である。図１４において、まず
特徴量抽出手段１３４は、在不在判定信号Ｚを読み込
む。次にその日の在不在判定信号Ｚが、１日中在（１）
であったかどうかを調べて、１日中、在と確認された場
合は、特徴量信号Ｆ（=(F₁,F₂,...,F_n-1)^t｜ただし、ｎ
は１日の分割数）の全要素に、例えば１を代入する。次
に１日中、不在（０）であったかどうかを調べて、１日
中、不在と確認された場合は、特徴量信号Ｆの全要素
に、例えば−１を代入する。１日中在でも不在でもない
場合は、在不在判定信号Ｚから特徴量を抽出して、特徴
量信号Ｆに代入する。図１５に特徴量の抽出方法例を示
した概念図を示す。図１５において、在不在判定信号Ｚ
の不在（０）から在（１）に変化する在（１）に対応す
る所の特徴量信号Ｆの値に、それまでの不在（０）の継
続期間数が代入される。逆に在（１）から不在（０）に
変化する不在（０）に対応する所の特徴量信号Ｆの値に
は、（（それまでの在（１）の継続期間数）×（−
１））が代入される。それ以外の所の特徴量信号Ｆの値
には０が代入される。

【００４７】図１３において、１３５は正規化手段で、
特徴抽出手段１３４から出力された特徴量信号Ｆから、 Ｆｓ ＝ Ｆ／｜Ｆ｜ （ただし、｜Ｆ｜はＦの大き
さ） を計算して、正規化特徴量信号Ｆｓを出力する。

【００４８】１３１は類似度算出手段で、実施例１の類
似度算出手段１３１と同様な動作をする。すなわち、図
７の類似度算出手段１３１の動作において、在不在判定
信号Ｚを正規化特徴量信号Ｆｓと置き換え、標準パター
ン信号Ｒｅを標準特徴量信号Ｒｆｓと置き換えることに
よって説明できる。１３２は最適クラスタ決定手段で、
実施例１の最適クラスタ決定手段１３２と同様な動作を
する。すなわち、図７の最適クラスタ決定手段１３２の
動作において、標準パターン信号Ｒｅを標準特徴量信号
Ｒｆｓと置き換えることによって説明できる。１３３は
更新手段で、最適クラスタの標準特徴量信号Ｒｆｓと、
Ｒｆｓと予め１対１の対応関係が付いている在不在判定
信号の標準パターン（標準パターン信号）を更新し、最
適クラスタ番号信号Ｎｃと最適クラスタに対応する標準
パターン信号Ｒｅを出力する。標準特徴量信号Ｒｆｓの
更新方法についてであるが、正規化特徴量信号Ｆｓの１
日のうちでｉ番目に期間の値をＦｓｉとし、最適クラス
タの標準特徴量信号Ｒｆｓの１日のうちでｉ番目の期間
の値をＲｆｓｓｉとすると、次式で更新する。 Ｒｆｓ ｓｉ ＝ Ｒｆｓｓｉ ＋ α×（Ｆｓｉ−Ｒ
ｆｓｓｉ） （ｉ＝１〜ｎ−１） ただしαは０より大きく１以下の実数である。次に、最
適クラスタの標準パターン信号Ｒｅの更新については、
次式で行われる。 Ｒｓｉ ＝ Ｒｓｉ ＋ β×（Ｚｉ−Ｒｓｉ） （ｉ
＝０〜ｎ−１） ただし、Ｒｓｉは、最適クラスタに対応する標準パター
ン信号Ｒｅの１日のうちのｉ番目の期間に対応する値。
Ｚｉは、在不在判定信号Ｚの１日のうちのｉ番目の期間
に相当する値。βは０より大きく１以下の実数である。
１３６は標準特徴量記憶手段で、標準特徴量信号Ｒｆｓ
を記憶している。

【００４９】以上より、クラスタ分類する際の特徴量と
して、在不在判定信号Ｚそのものを用いるのではなく、
入退室に注目した特徴量を用いてクラスタ分類している
ので、長時間不在からの入室時や、長時間在室からの不
在時が強調され、特に起床時や帰宅時などの予測精度が
要求される時間帯の予測精度が向上する。

【００５０】（実施例４）以下本発明の第４の実施例に
ついて図面を参照しながら説明する。図１６において、
１１は活動量センサで、実施例１と同様の動作をする。
１２は前処理部で、実施例１または２のいずれかの前処
理部１２と同様な構成で、同様な動作をする。１４はデ
ータ記憶手段で、実施例１と同様な動作をする。１５は
予測部で、実施例１と同様な構成で、同様な動作をす
る。１６は予測値出力手段で、実施例１と同様な動作を
する。１３は分類部で、図１７に詳しい構成を示す。１
３７は平均在室率計算手段で、内部にカウンタＣと平均
在室率信号Ｚａ（=(Za₀,Za₁,....,Za_n-1)^t｜ただし、ｎ
は１日の分割数）を保持しており、以下に平均在室率計
算手段１３７の動作を説明する。まず、新たに在不在判
定信号Ｚ（=(z₀,z₁,....,Z_n-1)^t）が入力されると、内
部に保持している平均在室率信号Ｚａを次式で更新す
る。 Ｚａ_i ＝ （（Ｃ×Ｚａ_i） ＋ Ｚ_i）／（Ｃ＋１）
（ｉ＝０〜ｎ−１） 次にカウントＣの値を１増加させる。１３８は偏差計算
手段で、平均在室率１３７から出力された平均在室率信
号Ｚａと当日の在不在判定信号Ｚから、次式で偏差信号
Ｚｄ（=(Zd₀,Zd₁,.....,Zd_n-1)^t）を計算する。 Ｚｄ_i ＝ Ｚ_i − Ｚａ_i （ｉ＝０〜ｎ−１） １３１は類似度算出手段で、実施例１の類似度算出手段
１３１と同様な動作をする。すなわち、図７の類似度算
出手段１３１の動作において、在不在判定信号Ｚを偏差
信号Ｚｄに置き換え、標準パターン信号Ｒｅを標準偏差
信号Ｒｄに置き換えることによって説明できる。１３２
は最適クラスタ決定手段で、実施例１の最適クラスタ決
定手段１３２と同様な動作をする。すなわち、図７の最
適クラスタ決定手段１３２の動作において、標準パター
ン信号Ｒｅを標準偏差信号Ｒｄに置き換えることによっ
て説明できる。１３３は更新手段で、まず、最適クラス
タに相当する標準偏差信号Ｒｄを次式で更新する。 Ｒｄ_i ＝ Ｒｄ_i ＋ α×（Ｚｄ_i−Ｒｄ_i） （ｉ＝
０〜ｎ−１） ただし、αは０より大きく１以下の実数である。次に、
最適クラスタに相当する標準パターン信号Ｒｅ（=(Re₀,
Re₁,....,Re_n-1)^t）を次式で算出する。 Ｒｅ_i ＝ Ｒｄ_i ＋ Ｚａ_i （ｉ＝０〜ｎ−１） １３９は標準偏差記憶手段で、標準偏差信号Ｒｄ（=(Rd
₀,Rd₁,....,Rd_n-1)^t））を記憶しておく。

【００５１】以上より、クラスタ分類する際の特徴量
に、当日の在不在判定信号と平均在室率信号の偏差を用
いているので、在不在判定結果そのものを特徴量とする
のに比べて、その日の特徴が明確になり、在不在判定信
号の標準パターンに特徴が明確に現れるので、予測精度
が向上する。

【００５２】（実施例５）以下本発明の第５の実施例に
ついて説明する。本実施例の全体構成は実施例１（図
１）と同様な構成である。１１は活動量センサで実施例
１と同様な動作をする。１２は、前処理部で、実施例１
または実施例２のいずれかの前処理部１２と同様な構成
で、同様な動作をするものである。１４はデータ記憶手
段で、実施例１と同様な動作をする。１５は予測部で、
実施例１と同様な構成で、同様な動作をする。１６は予
測値出力手段で、実施例１と同様な動作をする。１３は
分類部で、図１８に詳しい構成を示す。１３１は類似度
算出手段で、実施例１の類似度算出手段１３１と同様な
動作をするものである。１３２は最適クラスタ決定手段
で、内部に各クラスタに対応するカウンタを保持してお
り、以下に最適クラスタ決定手段１３２の動作を説明す
る。入力された類似度信号Ｌｅから最適クラスタを決定
する。決定方法は、実施例１で説明した方法と同様な方
法を用いる。最適クラスタが決定すると、最適クラスタ
に対応するカウンタの値を１増加させて、そのカウンタ
値をカウンタ信号Ｃとして出力するとともに、最適クラ
スタに相当する標準パターン信号Ｒｅと最適クラスタ番
号信号Ｎｃを出力する。１３３は更新手段で、入力され
た最適クラスタに相当する標準パターン信号Ｒｅを次式
で更新する。最適クラスタに相当する標準パターンのｉ
番目の期間の値をＲｓｉ、在不在判定信号のｉ番目の期
間の値をＺｉ、Ｃは最適クラスタ決定手段から出力され
たカウンタ信号Ｃの値とすると、 Ｒｓｉ ＝ Ｒｓｉ ＋ （α／Ｃ）×（Ｚｉ−Ｒｓ
ｉ） （ｉ＝０〜ｎ−１） ただしαは０より大きく１以下の実数である。

【００５３】従って、実施例１と異なる点は、最適クラ
スタの標準パターン信号Ｒｅの更新する際に、そのクラ
スタが過去何回、最適クラスタになっているかという情
報に基づいて、更新速度を変化せる点である。この方法
で更新することによって、過去に多数最適クラスタに決
定されているクラスタの標準パターンが、通常とは異な
る突発的に発生した在不在判定信号Ｚの影響に左右され
にくくなるので、標準パターンが安定し、ノイズ的に発
生した在不在判定信号Ｚに対して耐性を持たせることが
できる。

【００５４】（実施例６）以下本発明の第６の実施例に
ついて説明する。本実施例の全体構成は実施例１（図
１）と同様な構成である。１１は活動量センサで実施例
１と同様な動作をする。１２は前処理部で、実施例１ま
たは実施例２のいずれかの前処理部１２と同様な構成
で、同様な動作をするものである。１４はデータ記憶手
段で、実施例１と同様な動作をする。１５は予測部で、
実施例１と同様な構成で、同様な動作をする。１６は予
測値出力手段で、実施例１と同様な動作をする。１３は
分類部で、図１９に詳しい構成を示す。１３１は類似度
算出手段で、実施例１の類似度算出手段と同様な動作を
するものである。１３１０は更新クラスタ決定手段で、
入力された類似度信号Ｌｅ（=(L1,L2,...,LN)｜ただし
Ｎはクラスタ数）から最適クラスタを決定する。決定方
法は実施例１と同様な方法で決定する。次に最適クラス
タと共に更新するクラスタを決定する。決定方法は、ま
ず、最適クラスタの標準パターン信号Ｒｅとそれ以外の
標準パターン信号Ｒｅとの距離を計算する。距離の計算
方法例は、実施例１で説明した方法と同様な方法を用い
る。すなわちクラスタｉの標準パターン信号と最適クラ
スタｓの標準パターン信号との距離をＬｉとすると、

【００５５】

【数３】

【００５６】ただし、Ｒｓｋは、最適クラスタｓのｋ番
目の期間の標準パターン信号の値で、Ｒｉｋは、クラス
タｉのｋ番目の期間の標準パターン信号の値である。次
に、 Ｌｉ ＜ ＴＬ （ただし、ＴＬは定数） を満たすクラスタを周辺クラスタとする。出力は、最適
クラスタ番号信号Ｎｃとその標準パターン信号Ｒｅと、
周辺クラスタに決定したクラスタ番号信号Ｎａとその標
準パターン信号Ｒｅである。１３３は更新手段で、更新
クラスタ決定手段１３１０から出力された最適クラスタ
と周辺クラスタの標準パターン信号Ｒｅを更新する。更
新方法は、実施例１と同様で、以下に更新式を示す。 Ｒｉ ＝ Ｒｉ ＋ α×（Ｚｉ−Ｒｉ） （ｉ＝０〜
ｎ−１） ただしαは０より大きく１以下の実数、Ｒｉは最適クラ
スタもしくは周辺クラスタの標準パターン信号Ｒｅのｉ
番目の期間に相当する値、Ｚｉは在不在判定信号Ｚのｉ
番目の期間に相当する値である。

【００５７】以上より、本実施例は、最適クラスタに対
応する標準パターン信号Ｒｅだけでなく、その周辺に位
置しているクラスタの標準パターン信号Ｒｅも更新する
ので、在不在判定結果信号Ｚの濃度に応じて標準パター
ン信号Ｒｅを分散させることができる。従って、きめ細
かい分類を行えるので予測精度も向上する。

【００５８】（実施例７）以下本発明の第７の実施例に
ついて説明する。本実施例の全体構成は実施例１（図
１）と同様な構成である。１１は活動量センサで実施例
１と同様な動作をする。１２は前処理部で、実施例１ま
たは実施例２のいずれかの前処理部１２と同様な構成
で、同様な動作をするものである。１４はデータ記憶手
段で、実施例１と同様な動作をする。１５は予測部で、
実施例１と同様な構成で、同様な動作をする。１６は予
測値出力手段で、実施例１と同様な動作をする。１３は
分類部で、図２０に詳しい構成を示す。１３１は類似度
算出手段で、実施例１の類似度算出手段１３１と同様な
動作をするものである。１３１０は更新クラスタ決定手
段で、内部に各クラスタに対応するカウンタを保持して
おり、入力された類似度信号Ｌｅから最適クラスタを決
定する。決定方法は実施例１と同様な方法で決定する。
次に最適クラスタに対応するカウンタの値を１増やす。
次に最適クラスタと共に更新するクラスタを決定する。
決定方法は、まず、最適クラスタの標準パターン信号Ｒ
ｅとそれ以外の標準パターン信号Ｒｅとの距離を計算す
る。距離の計算方法は実施例６で説明した方法と同様な
方法を用いる。各クラスタの標準パターン信号Ｒｅとの
距離をＬｉとすると、 Ｌｉ ＜ ＴＬ／Ｃｓ （ただし、ＴＬは定数で、Ｃｓは最適クラスタに対応す
るカウンタ値）を満たすクラスタを周辺クラスタとし、
周辺クラスタに対応するカウンタ値を１増やす。出力
は、最適クラスタ番号信号Ｎｃとその標準パターン信号
Ｒｅとそのカウンタ値Ｃｓと周辺クラスタに決定したク
ラスタ番号Ｎａとその標準パターン信号Ｒｅとそのカウ
ンタ値Ｃである。１３３は更新手段で、更新クラスタ決
定手段１３１０から出力された最適クラスタと周辺クラ
スタの標準パターン信号Ｒｅを更新する。更新方法は、
実施例５と同様で、以下に更新式を示す。 Ｒｉ ＝ Ｒｉ ＋ （α／Ｃ）×（Ｚｉ−Ｒｉ）
（ｉ＝０〜ｎ−１） ただしαは０より大きく１以下の実数で、Ｒｉは最適ク
ラスタもしくは周辺クラスタの標準パターン信号Ｒｅの
ｉ番目の期間に相当する値、Ｚｉは在不在判定信号Ｚの
ｉ番目の期間に相当する値、Ｃは更新させるクラスタに
対応するカウンタ信号Ｃの値である。

【００５９】以上より、実施例７は、最適クラスタに対
応する標準パターン信号だけでなく、その周辺に位置し
ているクラスタに対応する標準パターン信号も更新する
ので、在不在判定結果信号の濃度に応じて標準パターン
信号を分散させることができる。さらに、標準パターン
信号Ｒｅの更新速度をそのクラスタが過去何回、最適ク
ラスタに決定されたかを表す頻度情報に基づいて変化さ
せるので、過去に多数、最適クラスタに決定されている
クラスタの標準パターンＲｅは、通常とは異なる突発的
に発生した在不在判定信号Ｚの影響を受けにくいので、
標準パターン信号Ｒｅが安定する。従って、よりきめ細
かい分類を行いつつ、ノイズ的在不在判定信号Ｚに対し
て耐性を持つ標準パターン信号Ｒｅを形成することがで
きるので予測精度も向上する。

【００６０】（実施例８）以下本発明の第８の実施例に
ついて説明する。本実施例の全体構成は実施例１（図
１）と同様な構成である。１１は活動量センサで実施例
１と同様な動作をする。１２は、前処理部で、実施例１
または実施例２のいずれかの前処理部１２と同様な構成
で、同様な動作をするものである。１４はデータ記憶手
段で、実施例１と同様な動作をする。１５は予測部で、
実施例１と同様な構成で、同様な動作をする。１６は予
測値出力手段で、実施例１と同様な動作をする。１３は
分類部で、図２１に詳しい構成を示す。図２１におい
て、１３４は特徴量抽出手段で、実施例３と同様な動作
をする。１３５は正規化手段で実施例３と同様な動作を
する。１３１は類似度算出手段で、実施例３と同様な動
作をする。１３６は標準特徴量記憶手段で、実施例３と
同様な動作をする。１３２は最適クラスタ決定手段で、
実施例５の最適クラスタ決定手段１３２と同様の動作を
する。すなわち、図１８の最適クラスタ決定手段１３２
の動作において、標準パタ−ン信号Ｒｅを標準特徴量信
号Ｒｆｓに置き換えることによって説明できる。１３３
は更新手段で、以下にその動作を説明する。まず、最適
クラスタの標準特徴量信号Ｒｆｓが更新される。正規化
特徴量信号Ｆｓの１日のうちでｉ番目に期間の値をＦｓ
ｉとし、最適クラスタに相当する標準特徴量信号Ｒｆｓ
の１日のうちでｉ番目の期間の値をＲｆｓｓｉとする
と、 Ｒｆｓｓｉ ＝ Ｒｆｓｓｉ ＋ （α／Ｃ）×（Ｆｓ
ｉ−Ｒｆｓｓｉ） （ｉ＝１〜ｎ−１） となる。ただしαは０より大きく１以下の実数、Ｃは最
適クラスタ決定手段１３２から出力されたカウンタ信号
の値。次に、標準パターン信号Ｒｅが更新される。標準
パターン信号Ｒｅの更新については、次式で行われる。 Ｒｓｉ ＝ Ｒｓｉ ＋ β×（Ｚｉ−Ｒｓｉ） （ｉ
＝０〜ｎ−１） ただし、Ｒｓｉは、最適クラスタに対応する標準パター
ン信号Ｒｅの１日のうちのｉ番目の期間に対応する値。
Ｚｉは、在不在判定信号Ｚの１日のうちのｉ番目の期間
に相当する値、βは０より大きく１以下の実数である。
出力は、最適クラスタ番号信号Ｎｃとその標準パターン
信号Ｒｅとその標準特徴量信号Ｒｆｓが出力される。

【００６１】以上より、本実施例は、標準特徴量信号Ｒ
ｆｓの更新を過去に何回最適クラスタに選ばれているか
の頻度情報に基づいて行っているので、ノイズ的に発生
した正規化特徴量信号Ｆｓの影響を受けにくくなり、安
定した標準特徴量信号Ｒｆｓを得られるので予測精度が
向上する。また、クラスタ分類の際に用いる特徴量とし
て、在不在判定信号Ｚそのものを用いるのではなく、入
退室に注目した特徴量を用いているので、入室時や退室
時の予測精度も向上する。

【００６２】（実施例９）以下本発明の第９の実施例に
ついて説明する。本実施例の全体構成は実施例１（図
１）と同様な構成である。１１は活動量センサで実施例
１と同様な動作をする。１２は、前処理部で、実施例１
または実施例２のいずれかの前処理部１２と同様な構成
で、同様な動作をするものである。１４はデータ記憶手
段で、実施例１と同様な動作をする。１５は予測部で、
実施例１と同様な構成で、同様な動作をする。１６は予
測値出力手段で、実施例１と同様な動作をする。１３は
分類部で、図２２に詳しい構成を示す。図２２におい
て、１３４は特徴量抽出手段で、実施例３と同様な動作
をする。１３５は正規化手段で実施例３と同様な動作を
する。１３１は類似度算出手段で、実施例３と同様な動
作をする。１３６は標準特徴量記憶手段で、実施例３と
同様な動作をする。１３１０は更新クラスタ決定手段
で、実施例６の更新クラスタ決定手段１３１０と同様の
動作をする。すなわち、図１９の更新クラスタ決定手段
１３１０の動作において、標準パターン信号Ｒｅを標準
特徴量信号Ｒｆｓに置き換えることによって説明でき
る。１３３は更新手段で、以下にその動作を説明する。
１３３は更新手段で、更新クラスタ決定手段１３１０か
ら出力された最適クラスタと周辺クラスタの標準特徴量
信号Ｒｆｓを更新する。まず、標準特徴量信号Ｒｆｓの
更新式を以下に示す。 Ｒｆｓｉ ＝ Ｒｆｓｉ ＋ α×（Ｆｓｉ−Ｒｆｓ
ｉ） （ｉ＝０〜ｎ−１） ただしαは０より大きく１以下の実数、Ｒｆｓｉは最適
クラスタもしくは周辺クラスタの標準特徴量信号Ｒｆｓ
のｉ番目の期間に相当する値、Ｆｓｉは正規化特徴量信
号Ｆｓのｉ番目の期間に相当する値である。次に標準パ
ターン信号Ｒｅが更新される。標準パターン信号Ｒｅの
更新については、次式で行われる。 Ｒｓｉ ＝ Ｒｓｉ ＋ β×（Ｚｉ−Ｒｓｉ） （ｉ
＝０〜ｎ−１） ただし、Ｒｓｉは、最適クラスタに対応する標準パター
ン信号Ｒｅの１日のうちのｉ番目の期間に対応する値。
Ｚｉは、在不在判定信号Ｚの１日のうちのｉ番目の期間
に相当する値、βは０より大きく１以下の実数である。

【００６３】以上より、本実施例は、クラスタ分類する
際に、入退室に注目した特徴量を用いているので、入退
室時の予測精度が向上する。さらに、最適クラスタに対
応する標準特徴量信号Ｒｆｓだけでなく、その周辺に位
置しているクラスタの標準特徴量信号Ｒｆｓも更新する
ので、正規化特徴量信号Ｆｓの濃度に応じて標準特徴量
信号Ｒｆｓを分散させることができるので、きめ細かい
分類が可能で、予測精度が向上する。

【００６４】（実施例１０）以下本発明の第１０の実施
例について説明する。本実施例の全体構成は実施例１
（図１）と同様な構成である。１１は活動量センサで実
施例１と同様な動作をする。１２は、前処理部で、実施
例１または実施例２のいずれかの前処理部１２と同様な
構成で、同様な動作をするものである。１４はデータ記
憶手段で、実施例１と同様な動作をする。１５は予測部
で、実施例１と同様な構成で、同様な動作をする。１６
は予測値出力手段で、実施例１と同様な動作をする。１
３は分類部で、図２３に詳しい構成を示す。図２３にお
いて、１３４は特徴量抽出手段で、実施例３と同様な動
作をする。１３５は正規化手段で実施例３と同様な動作
をする。１３１は類似度算出手段で、実施例３と同様な
動作をする。１３６は標準特徴量記憶手段で、実施例３
と同様な動作をする。１３１０は更新クラスタ決定手段
で、実施例７の更新クラスタ決定手段１３１０と同様の
動作をする。すなわち、図２０の更新クラスタ決定手段
１３１０の動作において、標準パターン信号Ｒｅを標準
特徴量信号Ｒｆｓに置き換えることによって説明でき
る。１３３は更新手段で、以下にその動作を説明する。
まず、更新クラスタ決定手段１３１０から出力された最
適クラスタと周辺クラスタの標準特徴量信号Ｒｆｓを更
新する。以下に更新式を示す。 Ｒｆｓｉ ＝ Ｒｆｓｉ ＋ （α／Ｃ）×（Ｆｓｉ−
Ｒｆｓｉ） （ｉ＝０〜ｎ−１） ただしαは０より大きく１以下の実数で、Ｒｆｓｉは最
適クラスタもしくは周辺クラスタの標準特徴量信号Ｒｆ
ｓのｉ番目の期間に相当する値、Ｆｓｉは正規化特徴量
信号Ｆｓのｉ番目の期間に相当する値である。Ｃは更新
させるクラスタに対応するカウンタ信号Ｃの値。次に、
標準パターン信号Ｒｅが更新される。標準パターン信号
Ｒｅの更新については、次式で行われる。 Ｒｓｉ ＝ Ｒｓｉ ＋ β×（Ｚｉ−Ｒｓｉ） （ｉ
＝０〜ｎ−１） ただし、Ｒｓｉは、最適クラスタに対応する標準パター
ン信号Ｒｅの１日のうちのｉ番目の期間に対応する値、
Ｚｉは、在不在判定信号Ｚの１日のうちのｉ番目の期間
に相当する値、βは０より大きく１以下の実数である。

【００６５】以上より、本実施例は、クラスタ分類する
際に、入退室に注目した特徴量を用いているので、入退
室時の予測精度が向上する。さらに、最適クラスタに対
応する標準特徴量信号Ｒｆｓだけでなく、その周辺に位
置しているクラスタの標準特徴量信号Ｒｆｓも更新する
上に、標準特徴量信号Ｒｆｓの更新する際に、過去に何
回最適クラスタに選ばれているかの頻度情報に基づいて
更新しているので、ノイズ的に発生した正規化特徴量信
号Ｆｓの影響を受けにくくなり、安定した標準特徴量信
号Ｒｆｓを得られるとともに、正規化特徴量信号Ｆｓの
濃度に応じて標準特徴量信号Ｒｆｓを分散させることが
できるので、きめ細かい分類が可能で、予測精度がより
向上する。

【００６６】（実施例１１）以下本発明の第１１の実施
例について説明する。本実施例の全体構成は実施例４
（図１６）と同様な構成である。１１は活動量センサ
で、実施例１と同様の動作をする。１２は前処理部で、
実施例１または２のいずれかの前処理部１２と同様な構
成で、同様な動作をする。１４はデータ記憶手段で、実
施例１と同様な動作をする。１５は予測部で、実施例１
と同様な構成で、同様な動作をする。１６は予測値出力
手段で、実施例１と同様な動作をする。１３は分類部
で、図２４に詳しい構成を示す。図２４において、１３
７は平均在室率計算手段で、実施例４における平均在室
率計算手段１３７と同様な動作をする。１３８は偏差計
算手段で、実施例４における偏差計算手段１３８と同様
な動作をする。１３１は類似度算出手段で、実施例４に
おける類似度算出手段１３１と同様な動作をする。１３
９は標準偏差記憶手段で実施例４の標準偏差記憶手段１
３９と同様な動作をする。１３２は最適クラスタ決定手
段で、実施例５における最適クラスタ決定手段１３２と
同様な動作をする。すなわち、図１８の最適クラスタ決
定手段１３２の動作において、標準パターン信号Ｒｅを
標準偏差信号Ｒｄに置き換えることによって説明でき
る。１３３は更新手段で、以下にその動作を説明する。
まず、最適クラスタの標準偏差信号Ｒｄを次式で更新す
る。 Ｒｄ_i ＝ Ｒｄ_i ＋ （α／Ｃ）×（Ｚｄ_i−Ｒｄ_i）
（ｉ＝０〜ｎ−１） ただし、αは０より大きく１以下の実数、Ｃは最適クラ
スタ決定手段１３２から出力されたカウンタ信号の値で
ある。次に、最適クラスタの標準パターン信号Ｒｅ（=
(Re₀,Re₁,....,Re_n-1)^t）を次式で算出する。 Ｒｅ_i ＝ Ｒｄ_i ＋ Ｚａ_i （ｉ＝０〜ｎ−１） 出力は、最適クラスタ番号信号Ｎｃと算出された標準パ
ターン信号Ｒｅである。

【００６７】以上より、クラスタ分類する際の特徴量
に、当日の在不在判定信号Ｚと平均在室率信号Ｚａの偏
差を用いているので、特徴が明確になるとともに、最適
クラスタの標準パターン信号Ｒｅを更新する際に、その
クラスタが過去何回、最適クラスタになっているかとい
う情報に基づいて、更新速度を変化させるので、ノイズ
的に発生した在不在判定信号Ｚに対して耐性を持たせる
ことができ、安定した標準パターンを得ることができる
ので、予測精度が向上する。

【００６８】（実施例１２）以下本発明の第１２の実施
例について説明する。本実施例の全体構成は実施例４
（図１６）と同様な構成である。１１は活動量センサ
で、実施例１と同様の動作をする。１２は前処理部で、
実施例１または２のいずれかの前処理部１２と同様な構
成で、同様な動作をする。１４はデータ記憶手段で、実
施例１と同様な動作をする。１５は予測部で、実施例１
と同様な構成で、同様な動作をする。１６は予測値出力
手段で、実施例１と同様な動作をする。１３は分類部
で、図２５に詳しい構成を示す。図２５において、１３
７は平均在室率計算手段で、実施例４における平均在室
率計算手段１３７と同様な動作をする。１３８は偏差計
算手段で、実施例４における偏差計算手段１３８と同様
な動作をする。１３１は類似度算出手段で、実施例４に
おける類似度算出手段１３１と同様な動作をする。１３
９は標準偏差記憶手段で実施例４の標準偏差記憶手段１
３９と同様な動作をする。１３１０は更新クラスタ決定
手段で、実施例６における更新クラスタ決定手段１３１
０と同様な動作をする。すなわち、図１９における更新
クラスタ決定手段１３１０において、標準パターン信号
Ｒｅを標準偏差信号Ｒｄに置き換えることによって説明
できる。１３３は更新手段で、以下に動作を説明する。
まず、更新クラスタ決定手段１３１０から出力された最
適クラスタと周辺クラスタの標準偏差信号Ｒｄを更新す
る。更新方法を以下に示す。 Ｒ_i ＝ Ｒ_i ＋ α×（Ｚｄ_i−Ｒ_i） （ｉ＝０〜ｎ
−１） ただしαは０より大きく１以下の実数。Ｒ_iは最適クラ
スタもしくは周辺クラスタの標準偏差信号Ｒｄのｉ番目
の期間に相当する値、Ｚｄ_iは偏差信号Ｚｄのｉ番目の
期間に相当する値である。次に、最適クラスタの標準パ
ターン信号Ｒｅ（=(Re₀,Re₁,....,Re_n-1)^t）を次式で算
出する。 Ｒｅ_i ＝ Ｒｄ_i ＋ Ｚａ_i （ｉ＝０〜ｎ−１） 出力は、最適クラスタ番号信号Ｎｃと算出された標準パ
ターン信号Ｒｅと周辺クラスタに相当する標準偏差信号
Ｒｄを出力する。

【００６９】以上より、クラスタ分類する際の特徴量
に、当日の在不在判定信号Ｚと平均在室率信号Ｚａの偏
差を用いているので、特徴が明確になるとともに、最適
クラスタの標準偏差信号Ｒｄだけでなく、その周辺に位
置しているクラスタの標準偏差信号Ｒｄも更新するの
で、偏差信号Ｚｄの濃度に応じて標準偏差信号Ｒｄを分
散させることができる。従って、きめ細かい分類を行え
るので予測精度が向上する。

【００７０】（実施例１３）以下本発明の第１３の実施
例について説明する。本実施例の全体構成は実施例４
（図１６）と同様な構成である。１１は活動量センサ
で、実施例１と同様の動作をする。１２は前処理部で、
実施例１または２のいずれかの前処理部１２と同様な構
成で、同様な動作をする。１４はデータ記憶手段で、実
施例１と同様な動作をする。１５は予測部で、実施例１
と同様な構成で、同様な動作をする。１６は予測値出力
手段で、実施例１と同様な動作をする。１３は分類部
で、図２６に詳しい構成を示す。図２６において、１３
７は平均在室率計算手段で、実施例４における平均在室
率計算手段１３７と同様な動作をする。１３８は偏差計
算手段で、実施例４における偏差計算手段１３８と同様
な動作をする。１３１は類似度算出手段で、実施例４に
おける類似度算出手段１３１と同様な動作をする。１３
９は標準偏差記憶手段で実施例４の標準偏差記憶手段１
３９と同様な動作をする。１３１０は更新クラスタ決定
手段で、実施例７における更新クラスタ決定手段１３１
０と同様な動作をする。すなわち、図２０における更新
クラスタ決定手段１３１０において、標準パターン信号
Ｒｅを標準偏差信号Ｒｄに置き換えることによって説明
できる。１３３は更新手段で、以下に動作を説明する。
まず、更新クラスタ決定手段１３１０から出力された最
適クラスタと周辺クラスタの標準偏差信号Ｒｄを更新す
る。更新式を以下に示す。 Ｒ_i ＝ Ｒ_i ＋ （α／Ｃ）×（Ｚｄ_i−Ｒ_i） （ｉ
＝０〜ｎ−１） ただしαは０より大きく１以下の実数で、Ｒｉは最適ク
ラスタもしくは周辺クラスタの標準偏差信号Ｒｄのｉ番
目の期間に相当する値。Ｚｄｉは偏差信号Ｚｄのｉ番目
の期間に相当する値。Ｃは更新させるクラスタに対応す
るカウンタ信号Ｃの値。次に、最適クラスタの標準パタ
ーン信号Ｒｅ（=(Re₀,Re₁,....,Re_n-1)^t）を次式で算出
する。 Ｒｅ_i ＝ Ｒｄ_i ＋ Ｚａ_i （ｉ＝０〜ｎ−１） 出力は、最適クラスタ番号信号Ｎｃと算出された標準パ
ターン信号Ｒｅと周辺クラスタに相当する標準偏差信号
Ｒｄを出力する。

【００７１】以上より、クラスタ分類する際の特徴量
に、当日の在不在判定信号Ｚと平均在室率信号Ｚａの偏
差を用いているので、特徴が明確になるとともに、最適
クラスタに対応する標準偏差信号Ｒｄだけでなく、その
周辺に位置しているクラスタの標準偏差信号Ｒｄも更新
するので、偏差信号Ｚｄの濃度に応じて標準偏差信号Ｒ
ｄを分散させることができ、さらに、標準偏差信号Ｒｄ
の更新速度をそのクラスタが過去何回、最適クラスタに
決定されたかに基づいて変化させるので、ノイズ的に発
生した在不在判定信号Ｚに対して、安定した標準偏差信
号Ｒｄが得られる。従って、在不在判定信号Ｚの特徴を
明確にしつつ、よりきめ細かい分類を行い、ノイズ的な
在不在判定信号Ｚに耐性を持つ標準偏差信号Ｒｄを形成
することができるので安定した予測精度が得られる。

【００７２】（実施例１４）以下本発明の第１４の実施
例について説明する。本実施例の全体構成は実施例１
（図１）と同様な構成である。１１は活動量センサで実
施例１と同様な動作をする。１２は、前処理部で、実施
例１または実施例２のいずれかの前処理部１２と同様な
構成で、同様な動作をするものである。１４はデータ記
憶手段で、実施例１と同様な動作をする。１６は予測値
出力手段で、実施例１と同様な動作をする。１３は分類
部で、図２７に詳しい構成を示す。図２７において、１
３１は類似度算出手段で、実施例１における類似度算出
手段１３１と同様な動作をする。１３２は最適クラスタ
決定手段で、実施例１における最適クラスタ決定手段１
３２と同様な動作をする。１３３は更新手段で、実施例
１における更新手段１３３と同様な動作をする。１３１
１は特異パターン判別手段で、類似度算出手段１３１か
ら出力された類似度信号Ｌｅから当日の在不在判定信号
Ｚが特異パターンか否かを判定する。以下に特異パター
ン判別手段１３１１の詳しい動作を説明する。まず、入
力された類似度信号Ｌｅから最適クラスタを判定する。
判定方法は、最適クラスタ決定手段１３２で行う最適ク
ラスタ判定方法と同様である。最適クラスタに対応する
類似度信号の値Ｌｅｓとして、 Ｌｅｓ ＞ Ｔｔｈ （ただし、Ｔｔｈは定数しきい値）ならば、当日の在不
在判定信号は特異パターンと判別し、スイッチ制御信号
ｓｓと特異パターン判別信号Ｎｔを出力する。特異パタ
ーン判別信号Ｎｔは予め特異パターンと定義された値が
出力される。例えば、クラスタ番号が０〜Ｎ（＞０）
で、特異パターンの値として−１が定義されている場
合、−１が出力される。そして、スイッチ制御信号ｓｓ
は、スイッチ１３１２と１３１３をＯＦＦにして、最適
クラスタ決定手段１３２に類似度信号Ｌｅと標準パター
ン信号Ｒｅが入力されないようにする。また、スイッチ
１３１４には、特異パターン判別信号が分類部１３から
出力されるように制御する。スイッチ１３１５では、標
準パターン信号Ｒｅが分類部から出力されないように制
御する。逆に、 Ｌｅｓ ≦ Ｔｔｈ ならば、特異パターン判別手段１３１１からは特異パタ
ーン判別信号Ｎｔは出力されず、スイッチ制御信号ｓｓ
だけが出力される。そして、スイッチ制御信号ｓｓは、
スイッチ１３１２と１３１３をＯＮにして、最適クラス
タ決定手段１３２に類似度信号Ｌｅと標準パターン信号
Ｒｅが入力されるようにする。また、スイッチ１３１４
には、更新手段１３３から出力された最適クラスタ番号
信号Ｎｃが分類部１３から出力されるように制御する。
スイッチ１３１５では、更新手段１３３から出力された
標準パターン信号Ｒｅが分類部から出力されるように制
御する。

【００７３】１５は予測部で、構成は実施例１（図８）
と同様で、同様な動作をする。ただし、分類部１３から
特異パターン判別信号Ｎｔが出力された場合は、予測部
１５の内部にあるクラスタベクトル変換手段１５１は、
予め定義しておいた特異パターンに対応するクラスタベ
クトルに変換して出力する。特異パターンに対応するク
ラスタベクトルとして、例えば、全ての要素が０のベク
トル（零ベクトル）を対応させておくと都合が良い。零
ベクトルが系列連想記憶型ニューラル・ネットワークに
入力されても、遅延層を移動するだけで記憶過程及び想
起過程においては無視されることに等しいので、記憶過
程及び想起過程では特異パターンから影響を受けない。

【００７４】以上より、当日の在不在判定信号Ｚを特異
パターンか否かを判別して、特異パターンと判別された
場合は、特異パターンの影響を受ずに翌日のクラスタを
予測することができるので、予測精度が安定する。

【００７５】なお本実施例では、実施例１を基に説明し
たが、実施例３〜１３のいずれの分類部１３にも上記の
特異パターン判別手段１３１１を付加することができ、
上述と同様の効果を得ることができる。

【００７６】（実施例１５）以下本発明の第１５の実施
例について説明する。本実施例の全体構成は実施例１
（図１）と同様な構成である。１１は活動量センサで実
施例１と同様な動作をする。１２は前処理部で、実施例
１または実施例２のいずれかの前処理部１２と同様な構
成で、同様な動作をするものである。１４はデータ記憶
手段で、実施例１と同様な動作をする。１６は予測値出
力手段で、実施例１と同様な動作をする。１３は分類部
で、実施例１、３、５、６、７、８、９、１０、１４の
いずれかと同様な構成で、同様な動作をする。１５は予
測部で、実施例１の予測部（図８）と同様な構成である
が、翌日クラスタ予測手段１５２の動作が異なる。以下
に翌日クラスタ予測手段１５２の動作を説明する。図２
８は、翌日クラスタ予測手段１５２の動作を示した流れ
図である。図２８において、まず、翌日クラスタ予測手
段１５２は、前回想起したベクトルｈ（実施例１参照）
とその時点に予測した翌日のクラスタベクトルｖ_yを記
憶している。そして、翌日、新たに入力された最適クラ
スタベクトルｘ（=(X₁,x₂,...,x_m)^t）とベクトルｈの相
関Ｖｓを計算する。さらに翌日クラスタ予測手段１５２
は、内部に関数ｆ、ｇを保持しており、 α ＝ ｆ（Ｖｓ） β ＝ ｇ（Ｖｓ）（α、βは実数） を計算した上で、例として、次式に従ってシナプス荷重
行列Ｗｉ（ｉ＝１〜Ｌ）を更新する。ｉ日前のクラスタ
ベクトルをｓ_i（=(s_i1,s_i2,...,s_im)^t）とすると、 Ｗｉ ＝ Ｗｉ ＋ （α・ｘ−βｖ_y）・ｓ_i ^t （ｉ＝
１〜Ｌ） で、更新する。一方、予測方法は、実施例１と同様の方
法で予測する。

【００７７】以上より、本実施例は、現在と過去のクラ
スタの相関を記憶する方式に特徴があり、αとβを適当
な値に設定することによって、短期間で翌日のクラスタ
予測精度を上げることができる。また、クラスタ系列の
変化に対してもはやく追従することができる。

【００７８】なお、本実施例では、全体構成として実施
例１（図１）を用いて説明したが、全体構成として、実
施例４（図１６）を採用して、上記の動作をする予測部
１５を用いても、同様の効果が得られる。その場合（図
１６を用いた場合）、１１は活動量センサで実施例１と
同様な動作をする。１２は前処理部で、実施例１または
実施例２のいずれかの前処理部１２と同様な構成で、同
様な動作をするものである。１４はデータ記憶手段で、
実施例１と同様な動作をする。１６は予測値出力手段
で、実施例１と同様な動作をする。１３は分類部で、実
施例４、１１、１２、１３、１４のいずれかと同様な構
成で、同様な動作をする。

【００７９】（実施例１６）以下本発明の第１６の実施
例について説明する。本実施例の全体構成は実施例１
（図１）と同様な構成である。１１は活動量センサで実
施例１と同様な動作をする。１２は前処理部で、実施例
１または実施例２のいずれかの前処理部１２と同様な構
成で、同様な動作をするものである。１４はデータ記憶
手段で、実施例１と同様な動作をする。１６は予測値出
力手段で、実施例１と同様な動作をする。１３は分類部
で、実施例１、３、５、６、７、８、９、１０、１４の
いずれかと同様な構成で、同様な動作をする。１５は予
測部で、実施例１の予測部（図８）と同様な構成である
が、翌日クラスタ予測手段１５２の動作が異なる。以下
に翌日クラスタ予測手段１５２の動作を説明する。ま
ず、翌日クラスタ予測手段１５２は、内部に各シナプス
荷重行列Ｗｉ（ｉ＝１〜Ｌ）に一つづつ対応して、カウ
ンタＣｉ（ｉ＝１〜Ｌ）を保持している。そして、Ｗｉ
が更新される度にカウンタの値を１増やす。なおＷｉの
更新方法は、実施例１と同様な方法で行う。ただし、特
異パターンに対応するクラスタベクトルの場合は、カウ
ンタの値は増やさない。一方、予測する場合は、まず、
次式に従って想起させる。想起ベクトルをｈとして、ｉ
日前のクラスタベクトルをｓ_i（=(s_i1,s_i2,...,s_im)^t）
とすると

【００８０】

【数４】

【００８１】で計算される。想起ベクトルｈを求めた後
の動作は、実施例１と同様である。以上、この方法で
は、想起ベクトルｈを求める際に、各シナプス荷重行列
Ｗｉが過去に何回、更新されているかを考慮している。
従って、Ｗｉのｉの値によって、想起ベクトルがｉの値
が小さいＷｉから、より強い影響を受けることを防ぎ、
どのＷｉからも均一な影響を受けるようにすることがで
きる。従って、偏った予測を防ぐことができる。特にこ
の効果が現れるのは初期の段階である。例えば、ｉ＝１
とｉ＝７を比較した場合、更新を初めて７日目には、Ｗ
１はすでに７回更新されているのに対して、Ｗ７は７日
目になって初めて１回更新される。

【００８２】なお、本実施例では、全体構成として実施
例１（図１）を用いて説明したが、全体構成として、実
施例４（図１６）を採用して、上記の動作をする予測部
１５を用いても、同様の効果が得られる。その場合（図
１６を用いた場合）、１１は活動量センサで実施例１と
同様な動作をする。１２は前処理部で、実施例１または
実施例２のいずれかの前処理部１２と同様な構成で、同
様な動作をするものである。１４はデータ記憶手段で、
実施例１と同様な動作をする。１６は予測値出力手段
で、実施例１と同様な動作をする。１３は分類部で、実
施例４、１１、１２、１３、１４のいずれかと同様な構
成で、同様な動作をする。

【００８３】（実施例１７）以下本発明の第１７の実施
例について説明する。本実施例の全体構成は実施例１
（図１）と同様な構成である。１１は活動量センサで実
施例１と同様な動作をする。１２は前処理部で、実施例
１または実施例２のいずれかの前処理部１２と同様な構
成で、同様な動作をするものである。１４はデータ記憶
手段で、実施例１と同様な動作をする。１６は予測値出
力手段で、実施例１と同様な動作をする。１３は分類部
で、実施例１、３、５、６、７、８、９、１０、１４の
いずれかと同様な構成で、同様な動作をする。１５は予
測部で、実施例１の予測部（図８）と同様な構成である
が、翌日クラスタ予測手段１５２の動作が異なる。以下
に翌日クラスタ予測手段１５２の動作を説明する。ま
ず、翌日クラスタ予測手段１５２は、前回想起したベク
トルｈ（実施例１参照）とその時予測した翌日のクラス
タベクトルｖ_yを記憶している。そして、翌日、新たに
入力された最適クラスタベクトルｘ（=(X₁,x₂,...,
x_m)^t）とベクトルｈの相関Ｖｓを計算する。さらに、翌
日クラスタ予測手段１５２は、内部に関数ｆ、ｇを保持
しており、 α ＝ ｆ（Ｖｓ） β ＝ ｇ（Ｖｓ） （α、βは実数） を計算し、例えば、次式に従ってシナプス荷重行列Ｗｉ
（ｉ＝１〜Ｌ）を更新する。ｉ日前のクラスタベクトル
をｓ_i（=(s_i1,s_i2,...,s_im)^t）とすると、 Ｗｉ ＝ Ｗｉ ＋ （α・ｘ−βｖ_y）・ｓ_i ^t （ｉ＝
１〜Ｌ） となる。一方、予測方法については、翌日クラスタ予測
手段１５２は、内部に各Ｗｉに１つづつ対応したカウン
タＣｉを保持しており、Ｗｉが更新される度にカウンタ
Ｃｉの値は１増やす。ただし、特異パターンに対応する
クラスタベクトルの場合は、カウンタの値は増やさな
い。一方、予測する際は、まず想起ベクトルｈを以下の
式で求める。ｉ日前のクラスタベクトルをｓ_i（=(s_i1,s
_i2,...,s_im)^t）とすると、

【００８４】

【数５】

【００８５】で計算される。想起ベクトルｈを求めた後
の動作は、実施例１と同様である。従って、本実施例で
は、現在と過去のクラスタの相関を記憶する方法と予測
する方法の両方に特徴があり、実施例１５と実施例１６
を合わせた効果を得ることができる。すなわち、短期間
で翌日のクラスタ予測精度を上げることができるととも
に、更新回数が異なることによる予測の偏りも防ぐこと
ができる。

【００８６】なお、本実施例では、全体構成として実施
例１（図１）を用いて説明したが、全体構成として、実
施例４（図１６）を採用して、上記の動作をする予測部
１５を用いても、同様の効果が得られる。その場合（図
１６を用いた場合）、１１は活動量センサで実施例１と
同様な動作をする。１２は前処理部で、実施例１または
実施例２のいずれかの前処理部１２と同様な構成で、同
様な動作をするものである。１４はデータ記憶手段で、
実施例１と同様な動作をする。１６は予測値出力手段
で、実施例１と同様な動作をする。１３は分類部で、実
施例４、１１、１２、１３、１４のいずれかと同様な構
成で、同様な動作をする。

【００８７】（実施例１８）以下本発明の第１８の実施
例について説明する。本実施例の全体構成は実施例１
（図１）と同様な構成である。１１は活動量センサで実
施例１と同様な動作をする。１２は前処理部で、実施例
１または実施例２のいずれかの前処理部１２と同様な構
成で、同様な動作をするものである。１４はデータ記憶
手段で、実施例１と同様な動作をする。１６は予測値出
力手段で、実施例１と同様な動作をする。１３は分類部
で、実施例１、３、５、６、７、８、９、１０、１４の
いずれかと同様な構成で、同様な動作をする。１５は予
測部で、実施例１の予測部（図８）と同様な構成である
が、翌日クラスタ予測手段１５２の動作が異なる。以下
に翌日クラスタ予測手段１５２の動作を説明する。図２
９は翌日クラスタ予測手段１５２の動作を示した流れ図
である。図２９において、まず、翌日クラスタ予測手段
１５２は前回予測した翌日のクラスタベクトルｖ_yを記
憶している。そして翌日、新たに入力された最適クラス
タベクトルｘ（=(X₁,x₂,...,x_m)^t）が入力されると、記
憶していた翌日の予測クラスタベクトルｖ_yと新たに入
力された当日の最適クラスタベクトルｘと比較して、ｖ
_yとｘが一致していた場合は、シナプス荷重行列Ｗｉの
更新は行わない。逆にＶ_yとｘが一致していなければ、
シナプス荷重行列Ｗｉは実施例１に記述した方法と同様
な方法で更新する。一方、予測方法については、実施例
１に記述した方法と同様な方法を用いて翌日のクラスタ
を予測する。

【００８８】以上より、本実施例では、予測クラスタが
当日に決定した最適クラスタに等しかった場合（つま
り、予測が正しかった場合）は、シナプス荷重行列Ｗｉ
の更新を行わなくて、予測を間違えた場合のみ更新を行
う。この方式によって、シナプス荷重行列Ｗｉが過剰に
学習することがないので、例えば７日周期で、 Ａ→Ａ→Ａ→Ａ→Ａ→Ａ→Ｂ （ただし、Ａ及びＢは当日の最適クラスタとする）のよ
うな系列の場合に、上記の方法で学習させれば、Ｂパタ
ーンも正しく予測することができる。つまり、発生頻度
の低いパターンも正しく予測することができる。

【００８９】なお、本実施例では、全体構成として実施
例１（図１）を用いて説明したが、全体構成として、実
施例４（図１６）を採用して、上記の動作をする予測部
１５を用いても、同様の効果が得られる。その場合（図
１６を用いた場合）、１１は活動量センサで実施例１と
同様な動作をする。１２は前処理部で、実施例１または
実施例２のいずれかの前処理部１２と同様な構成で、同
様な動作をするものである。１４はデータ記憶手段で、
実施例１と同様な動作をする。１６は予測値出力手段
で、実施例１と同様な動作をする。１３は分類部で、実
施例４、１１、１２、１３、１４のいずれかと同様な構
成で、同様な動作をする。

【００９０】（実施例１９）以下本発明の第１９の実施
例について説明する。本実施例の全体構成は実施例１
（図１）と同様な構成である。１１は活動量センサで実
施例１と同様な動作をする。１２は前処理部で、実施例
１または実施例２のいずれかの前処理部１２と同様な構
成で、同様な動作をするものである。１４はデータ記憶
手段で、実施例１と同様な動作をする。１６は予測値出
力手段で、実施例１と同様な動作をする。１３は分類部
で、実施例１、３、５、６、７、８、９、１０、１４の
いずれかと同様な構成で、同様な動作をする。１５は予
測部で、実施例１の予測部（図８）と同様な構成である
が、翌日クラスタ予測手段１５２の動作が異なる。以下
に翌日クラスタ予測手段１５２の動作を説明する。ま
ず、翌日クラスタ予測手段１５２は、前回想起したベク
トルｈ（実施例１参照）とその時予測した翌日のクラス
タベクトルｖ_yを記憶している。そして翌日、新たに入
力された最適クラスタベクトルｘ（=(X₁,x₂,...,x_m)^t）
が入力されると、記憶していた翌日の予測クラスタベク
トルｖ_yと新たに入力された当日の最適クラスタベクト
ルｘと比較して、ｖ_yとｘが一致していた場合は、シナ
プス荷重行列Ｗｉの更新は行わない。逆にＶ_yとｘが一
致していなければ、シナプス荷重行列Ｗｉは実施例１６
に記述した方法と同様な方法で更新する。一方、予測方
法は、実施例１６と同様な方法を用いる。

【００９１】従って、本実施例では、実施例１６と実施
例１８を合わせた効果が得られる。すなわち、発生頻度
の低いパターンも正しく予測することができるととも
に、シナプス荷重行列Ｗｉのｉに偏った予測を防ぐこと
ができる。

【００９２】なお、本実施例では、全体構成として実施
例１（図１）を用いて説明したが、全体構成として、実
施例４（図１６）を採用して、上記の動作をする予測部
１５を用いても、同様の効果が得られる。その場合（図
１６を用いた場合）、１１は活動量センサで実施例１と
同様な動作をする。１２は前処理部で、実施例１または
実施例２のいずれかの前処理部１２と同様な構成で、同
様な動作をするものである。１４はデータ記憶手段で、
実施例１と同様な動作をする。１６は予測値出力手段
で、実施例１と同様な動作をする。１３は分類部で、実
施例４、１１、１２、１３、１４のいずれかと同様な構
成で、同様な動作をする。

【００９３】（実施例２０）以下本発明の第２０の実施
例について説明する。本実施例の全体構成は実施例１
（図１）と同様な構成である。１１は活動量センサで実
施例１と同様な動作をする。１２は前処理部で、実施例
１または実施例２のいずれかの前処理部１２と同様な構
成で、同様な動作をするものである。１４はデータ記憶
手段で、実施例１と同様な動作をする。１６は予測値出
力手段で、実施例１と同様な動作をする。１３は分類部
で、実施例１、３、５、６、７、８、９、１０、１４の
いずれかと同様な構成で、同様な動作をする。１５は予
測部で、実施例１の予測部（図８）と同様な構成である
が、翌日クラスタ予測手段１５２の動作が異なる。以下
に翌日クラスタ予測手段１５２の動作を説明する。ま
ず、翌日クラスタ予測手段１５２は、前回想起したベク
トルｈ（実施例１参照）とその時予測した翌日のクラス
タベクトルｖ_yを記憶している。そして翌日、新たに入
力された最適クラスタベクトルｘ（=(X₁,x₂,...,x_m)^t）
が入力されると、記憶していた翌日の予測クラスタベク
トルｖ_yと新たに入力された当日の最適クラスタベクト
ルｘと比較して、ｖ_yとｘが一致していた場合は、シナ
プス荷重行列Ｗｉの更新は行わない。逆にＶ_yとｘが一
致していなければ、シナプス荷重行列Ｗｉは実施例１５
に記述した方法と同様な方法で更新する。一方、予測方
法は、実施例１と同様な方法を用いる。

【００９４】以上より、本実施例では、実施例１５と実
施例１８を合わせた効果が得られる。すなわち、短期間
で翌日のクラスタ予測精度を上げることができるととも
に、発生頻度の低いパターンも正しく予測することがで
きる。

【００９５】なお、本実施例では、全体構成として実施
例１（図１）を用いて説明したが、全体構成として、実
施例４（図１６）を採用して、上記の動作をする予測部
１５を用いても、同様の効果が得られる。その場合（図
１６を用いた場合）、１１は活動量センサで実施例１と
同様な動作をする。１２は前処理部で、実施例１または
実施例２のいずれかの前処理部１２と同様な構成で、同
様な動作をするものである。１４はデータ記憶手段で、
実施例１と同様な動作をする。１６は予測値出力手段
で、実施例１と同様な動作をする。１３は分類部で、実
施例４、１１、１２、１３、１４のいずれかと同様な構
成で、同様な動作をする。

【００９６】（実施例２１）以下本発明の第２１の実施
例について説明する。本実施例の全体構成は実施例１
（図１）と同様な構成である。１１は活動量センサで実
施例１と同様な動作をする。１２は前処理部で、実施例
１または実施例２のいずれかの前処理部１２と同様な構
成で、同様な動作をするものである。１４はデータ記憶
手段で、実施例１と同様な動作をする。１６は予測値出
力手段で、実施例１と同様な動作をする。１３は分類部
で、実施例１、３、５、６、７、８、９、１０、１４の
いずれかと同様な構成で、同様な動作をする。１５は予
測部で、実施例１の予測部（図８）と同様な構成である
が、翌日クラスタ予測手段１５２の動作が異なる。以下
に翌日クラスタ予測手段１５２の動作を説明する。ま
ず、翌日クラスタ予測手段１５２は、前回想起したベク
トルｈ（実施例１参照）とその時予測した翌日のクラス
タベクトルｖ_yを記憶している。そして翌日、新たに入
力された最適クラスタベクトルｘ（=(X₁,x₂,...,x_m)^t）
が入力されると、記憶していた翌日の予測クラスタベク
トルｖ_yと新たに入力された当日の最適クラスタベクト
ルｘと比較して、ｖ_yとｘが一致していた場合は、シナ
プス荷重行列Ｗｉの更新は行わない。逆にＶ_yとｘが一
致していなければ、シナプス荷重行列Ｗｉは実施例１７
に記述した方法と同様な方法で更新する。予測方法につ
いても、実施例１７と同様な方法を用いる。

【００９７】以上より、本実施例では、実施例１７と実
施例１８を合わせた効果が得られる。すなわち、短期間
で翌日のクラスタ予測精度を上げることができるととも
に、更新回数が異なることによる予測の偏りも防ぐこと
ができ、さらに、発生頻度の低いパターンも正しく予測
することができる。

【００９８】なお、本実施例では、全体構成として実施
例１（図１）を用いて説明したが、全体構成として、実
施例４（図１６）を採用して、上記の動作をする予測部
１５を用いても、同様の効果が得られる。その場合（図
１６を用いた場合）、１１は活動量センサで実施例１と
同様な動作をする。１２は前処理部で、実施例１または
実施例２のいずれかの前処理部１２と同様な構成で、同
様な動作をするものである。１４はデータ記憶手段で、
実施例１と同様な動作をする。１６は予測値出力手段
で、実施例１と同様な動作をする。１３は分類部で、実
施例４、１１、１２、１３、１４のいずれかと同様な構
成で、同様な動作をする。

【００９９】（実施例２２）以下本発明の第２２の実施
例について説明する。本実施例の全体構成は実施例１
（図１）と同様な構成である。１１は活動量センサで実
施例１と同様な動作をする。１２は前処理部で、実施例
１または実施例２のいずれかの前処理部１２と同様な構
成で、同様な動作をするものである。１３は分類部で、
実施例１、３、５、６、７、８、９、１０、１４のいず
れかと同様な構成で、同様な動作をする。１４はデータ
記憶手段で、実施例１と同様な動作をする。１５は予測
部で、実施例１、１５、１６、１７、１８、１９、２
０、２１のいずれかと同様な構成で、同様な動作をす
る。１６は予測値出力手段で、以下に詳しい動作を説明
する。予測部１５から出力された予測クラスタ番号信号
Ｎｐと時計とデータ記憶手段１４から出力された標準パ
ターン信号Ｒｅから、現在から先の高い予測在室率を示
している時刻を出力する。図３０に出力方法を説明した
概念図を示す。図３０に示したように、予測値出力手段
１６は、現在時刻から先を探索して、標準パターン信号
Ｒｅの要素値Ｒ_iが、 Ｔ_R ≦ Ｒ_i （ただしＴ_Rは、しきい値） となる時刻を出力する。図３０の例では（７，８，９，
１０，１３）が出力される。

【０１００】以上より、本実施例では、現在時刻から先
の高在室率の時刻を出力しているので、予め準備をする
時間を必要とする制御系に応用する場合は、都合が良
い。

【０１０１】なお、本実施例では、全体構成として実施
例１（図１）を用いて説明したが、全体構成として、実
施例４（図１６）を採用して、上記の動作をする予測値
出力手段１６を用いても同様の効果が得られる。その場
合（図１６を用いた場合）、１１は活動量センサで実施
例１と同様な動作をする。１２は前処理部で、実施例１
または実施例２のいずれかの前処理部１２と同様な構成
で、同様な動作をするものである。１４はデータ記憶手
段で、実施例１と同様な動作をする。１３は分類部で、
実施例４、１１、１２、１３、１４のいずれかと同様な
構成で、同様な動作をする。１５は予測部で、実施例
１、１５、１６、１７、１８、１９、２０、２１のいず
れかと同様な構成で、同様な動作をする。

【０１０２】（実施例２３）以下本発明の第２３の実施
例について説明する。本実施例の全体構成は実施例１
（図１）と同様な構成である。１１は活動量センサで実
施例１と同様な動作をする。１２は前処理部で、実施例
１または実施例２のいずれかの前処理部１２と同様な構
成で、同様な動作をするものである。１３は分類部で、
実施例１、３、５、６、７、８、９、１０、１４のいず
れかと同様な構成で、同様な動作をする。１４はデータ
記憶手段で、実施例１と同様の動作をする。１５は予測
部で、実施例１、１５、１６、１７、１８、１９、２
０、２１のいずれかと同様な構成で、同様な動作をす
る。１６は予測値出力手段で、予測部１５から出力され
た予測クラスタ番号信号Ｎｐと時計とデータ記憶手段１
４から出力された標準パターン信号Ｒｅから、現在から
先の低い予測在室率を示している時間帯を出力する。以
下に予測値出力手段１６の動作を説明する。予測値出力
手段１６は、現在時刻から先を探索して、標準パターン
信号Ｒｅの要素値Ｒ_iが、 Ｔ_LR ≧ Ｒ_i （ただしＴ_LRは、しきい値） となる時刻を出力する。

【０１０３】以上より、本実施例では、現在時刻から先
の低在室率の時刻を出力しているので、予め準備をする
時間を必要とする制御系に応用する場合は、都合が良
い。

【０１０４】なお、本実施例では、全体構成として実施
例１（図１）を用いて説明したが、全体構成として、実
施例４（図１６）を採用して、上記の動作をする予測値
出力手段１６を用いても同様の効果が得られる。その場
合（図１６を用いた場合）、１１は活動量センサで実施
例１と同様な動作をする。１２は前処理部で、実施例１
または実施例２のいずれかの前処理部１２と同様な構成
で、同様な動作をするものである。１４はデータ記憶手
段で、実施例１と同様な動作をする。１３は分類部で、
実施例４、１１、１２、１３、１４のいずれかと同様な
構成で、同様な動作をする。１５は予測部で、実施例
１、１５、１６、１７、１８、１９、２０、２１のいず
れかと同様な構成で、同様な動作をする。

【０１０５】（実施例２４）以下本発明の第２４の実施
例について説明する。本実施例の全体構成は実施例１
（図１）と同様な構成である。１１は活動量センサで実
施例１と同様な動作をする。１２は前処理部で、実施例
１または実施例２のいずれかの前処理部１２と同様な構
成で、同様な動作をするものである。１３は分類部で、
実施例１、３、５、６、７、８、９、１０、１４のいず
れかと同様な構成で、同様な動作をする。１４はデータ
記憶手段で、実施例１と同様な動作をする。１５は予測
部で、実施例１、１５、１６、１７、１８、１９、２
０、２１のいずれかと同様な構成で、同様な動作をす
る。１６は予測値出力手段で、以下に詳しい動作を説明
する。予測部１５から出力された予測クラスタ番号信号
Ｎｐと時計とデータ記憶手段１４から出力された標準パ
ターン信号Ｒｅから、次時刻の予測在室率と現在から先
の高い予測在室率を示している時間帯を出力する。図３
１に出力方法を説明した概念図を示す。図３１に示した
ように、予測値出力手段１６は、現在時刻から先を探索
して、標準パターン信号Ｒｅの要素値Ｒ_iが、 Ｔ_R ≦ Ｒ_i （ただしＴ_Rは、しきい値） となる時刻と、次時刻の予測在室率を出力する。図３１
の例では（Ｒ₆、８、９）が出力される。ただし、Ｒ
₆は、次時刻の予測在室率である。

【０１０６】以上より本実施例では、次時刻の在室率予
測と現在時刻から先の高在室率の時刻の両方を出力して
いる。なお、本実施例では、全体構成として実施例１
（図１）を用いて説明したが、全体構成として、実施例
４（図１６）を採用して、上記の動作をする予測値出力
手段１６を用いても同様の機能が得られる。その場合
（図１５を用いた場合）、１１は活動量センサで実施例
１と同様な動作をする。１２は前処理部で、実施例１ま
たは実施例２のいずれかの前処理部１２と同様な構成
で、同様な動作をするものである。１４はデータ記憶手
段で、実施例１と同様な動作をする。１３は分類部で、
実施例４、１１、１２、１３、１４のいずれかと同様な
構成で、同様な動作をする。１５は予測部で、実施例
１、１５、１６、１７、１８、１９、２０、２１のいず
れかと同様な構成で、同様な動作をする。

【０１０７】（実施例２５）以下本発明の第２５の実施
例について説明する。本実施例の全体構成は実施例１
（図１）と同様な構成である。１１は活動量センサで実
施例１と同様な動作をする。１２は前処理部で、実施例
１または実施例２のいずれかの前処理部１２と同様な構
成で、同様な動作をするものである。１３は分類部で、
実施例１、３、５、６、７、８、９、１０、１４のいず
れかと同様な構成で、同様な動作をする。１４はデータ
記憶手段で、実施例１と同様な動作をする。１５は予測
部で、実施例１、１５、１６、１７、１８、１９、２
０、２１のいずれかと同様な構成で、同様な動作をす
る。１６は予測値出力手段で、予測部１５から出力され
た予測クラスタ番号信号Ｎｐと時計とデータ記憶手段１
４から出力された標準パターン信号Ｒｅから、次時刻の
予測在室率と現在から先の低い予測在室率を示している
時間帯を出力する。以下に予測値出力手段１６の詳しい
動作を説明する。予測値出力手段１６は、現在時刻から
先を探索して、標準パターン信号Ｒｅの要素値Ｒ _iが、 Ｔ_LR ≧ Ｒ_i （ただしＴ_LRは、しきい値）となる時刻と、次時刻の予
測在室率を出力する。

【０１０８】以上より本実施例では、次時刻の在室率予
測と現在時刻から先の低在室率の時刻の両方を出力して
いる。

【０１０９】なお、本実施例では、全体構成として実施
例１（図１）を用いて説明したが、全体構成として、実
施例４（図１６）を採用して、上記の動作をする予測値
出力手段１６を用いても同様の機能が得られる。その場
合（図１６を用いた場合）、１１は活動量センサで実施
例１と同様な動作をする。１２は前処理部で、実施例１
または実施例２のいずれかの前処理部１２と同様な構成
で、同様な動作をするものである。１４はデータ記憶手
段で、実施例１と同様な動作をする。１３は分類部で、
実施例４、１１、１２、１３、１４のいずれかと同様な
構成で、同様な動作をする。１５は予測部で、実施例
１、１５、１６、１７、１８、１９、２０、２１のいず
れかと同様な構成で、同様な動作をする。

【０１１０】（実施例２６）以下本発明の第２６の実施
例について説明する。本実施例の全体構成は実施例１
（図１）と同様な構成である。１１は活動量センサで実
施例１と同様な動作をする。１２は前処理部で、実施例
１または実施例２のいずれかの前処理部１２と同様な構
成で、同様な動作をするものである。１３は分類部で、
実施例１、３、５、６、７、８、９、１０、１４のいず
れかと同様な構成で、同様な動作をする。１４はデータ
記憶手段で、実施例１と同様な動作をする。１５は予測
部で、実施例１、１５、１６、１７、１８、１９、２
０、２１のいずれかと同様な構成で、同様な動作をす
る。１６は予測値出力手段で、予測部１５から出力され
た予測クラスタ番号信号Ｎｐと時計とデータ記憶手段１
４から出力された標準パターン信号Ｒｅから、現在から
先の高い予測在室率を示している時間帯と低い予測在室
率を示している時間帯を出力する。以下に予測値出力手
段１６の詳しい動作を説明する。図３２は、出力方法を
示した概念図である。図３２において、予測値出力手段
１６は、まず、現在時刻から先を探索して、標準パター
ン信号Ｒｅの要素値Ｒ_iが、 Ｔ_R ≦ Ｒ_i （ただしＴ_Rは、しきい値） となる時刻を判別し、出力する。次に、現在時刻から先
を探索して標準パターン信号Ｒｅの要素値Ｒ_iが、 Ｔ_LR ≧ Ｒ_i （ただしＴ_LRは、しきい値） となる時刻を判別し、出力する。図３２の例では、
（６、７、８、１４、１５）が出力されることになる。
以上より本実施例では、現在時刻から先の高及び低在室
率の時刻を出力している。

【０１１１】なお、本実施例では、全体構成として実施
例１（図１）を用いて説明したが、全体構成として、実
施例４（図１６）を採用して、上記の動作をする予測値
出力手段１６を用いても同様の機能が得られる。その場
合（図１６を用いた場合）、１１は活動量センサで実施
例１と同様な動作をする。１２は前処理部で、実施例１
または実施例２のいずれかの前処理部１２と同様な構成
で、同様な動作をするものである。１４はデータ記憶手
段で、実施例１と同様な動作をする。１３は分類部で、
実施例４、１１、１２、１３、１４のいずれかと同様な
構成で、同様な動作をする。１５は予測部で、実施例
１、１５、１６、１７、１８、１９、２０、２１のいず
れかと同様な構成で、同様な動作をする。

【０１１２】（実施例２７）以下本発明の第２７の実施
例について説明する。本実施例の全体構成は実施例１
（図１）と同様な構成である。１１は活動量センサで実
施例１と同様な動作をする。１２は前処理部で、実施例
１または実施例２のいずれかの前処理部１２と同様な構
成で、同様な動作をするものである。１３は分類部で、
実施例１、３、５、６、７、８、９、１０、１４のいず
れかと同様な構成で、同様な動作をする。１４はデータ
記憶手段で、実施例１と同様な動作をする。１５は予測
部で、実施例１、１５、１６、１７、１８、１９、２
０、２１のいずれかと同様な構成で、同様な動作をす
る。１６は予測値出力手段で、予測部１５から出力され
た予測クラスタ番号信号Ｎｐと時計とデータ記憶手段１
４から出力された標準パターン信号Ｒｅから、次時刻の
予測在室率と現在から先の高い予測在室率を示している
時間帯と低い予測在室率を示している時間帯を出力す
る。以下に予測値出力手段１６の詳しい動作を説明す
る。まず、予測値出力手段１６は、現在時刻から先を探
索して、標準パターン信号Ｒｅの要素値Ｒ_iが、 Ｔ_R ≦ Ｒ_i （ただしＴ_Rは、しきい値） となる時刻を判別し、出力する。次に、現在時刻から先
を探索して標準パターン信号Ｒｅの要素値Ｒ_iが、 Ｔ_LR ≧ Ｒ_i （ただしＴ_LRは、しきい値） となる時刻を判別し、出力する。次に、次時刻に対応す
る予測在室率を出力する。以上より本実施例では、現在
時刻から先の高及び低在室率の時刻と次時刻に対応する
予測在室率を出力している。

【０１１３】なお、本実施例では、全体構成として実施
例１（図１）を用いて説明したが、全体構成として、実
施例４（図１６）を採用して、上記の動作をする予測値
出力手段１６を用いても同様の機能が得られる。その場
合（図１６を用いた場合）、１１は活動量センサで実施
例１と同様な動作をする。１２は前処理部で、実施例１
または実施例２のいずれかの前処理部１２と同様な構成
で、同様な動作をするものである。１４はデータ記憶手
段で、実施例１と同様な動作をする。１３は分類部で、
実施例４、１１、１２、１３、１４のいずれかと同様な
構成で、同様な動作をする。１５は予測部で、実施例
１、１５、１６、１７、１８、１９、２０、２１のいず
れかと同様な構成で、同様な動作をする。

【０１１４】（実施例２８）以下本発明の第２８の実施
例について説明する。本実施例の全体構成は実施例１
（図１）と同様な構成である。１１は活動量センサで実
施例１と同様な動作をする。１２は前処理部で、実施例
１または実施例２のいずれかの前処理部１２と同様な構
成で、同様な動作をするものである。１３は分類部で、
実施例１、３、５、６、７、８、９、１０、１４のいず
れかと同様な構成で、同様な動作をする。１４はデータ
記憶手段で、実施例１と同様な動作をする。１５は予測
部で、実施例１、１５、１６、１７、１８、１９、２
０、２１のいずれかと同様な構成で、同様な動作をす
る。１６は予測値出力手段で、予測部１５から出力され
た予測クラスタ番号信号Ｎｐと時計とデータ記憶手段１
４から出力された標準パターン信号Ｒｅから得られた次
時刻の予測在室率を補正した値を出力する。以下に予測
値出力手段１６の詳しい動作を説明する。図３３は、予
測値出力手段１６の動作を示した流れ図である。図３３
において、まず、予測値出力手段１６は、次時刻の予測
在室率Ｐｒを読み込む、そして、 Ｐｒ ＞ Ｐ_Th （ただし、Ｐ_Thはしきい値） ならば、 Ｐｒ ＝ １．０ を代入する。次に、 Ｐｒ ＜ Ｐ_Tl （ただし、Ｐ_Tlはしきい値） ならば、 Ｐｒ ＝ ０．０ を代入する。そして最後に、次時刻予測在室率Ｐｒを出
力する。以上より本実施例では、次時刻の予測在室率を
補正したものを出力している。

【０１１５】本来、人の在不在は在（１）または不在
（０）のどちらかの状態になるものなので、予測在室率
Ｐｒが１に近い値を示している時や、逆に０に近い値を
示している時は、予測在室率Ｐｒを上記のように補正す
ることによって、予測精度を向上させることができる。

【０１１６】なお、本実施例では、全体構成として実施
例１（図１）を用いて説明したが、全体構成として、実
施例４（図１６）を採用して、上記の動作をする予測値
出力手段１６を用いても同様の機能が得られる。その場
合（図１６を用いた場合）、１１は活動量センサで実施
例１と同様な動作をする。１２は前処理部で、実施例１
または実施例２のいずれかの前処理部１２と同様な構成
で、同様な動作をするものである。１４はデータ記憶手
段で、実施例１と同様な動作をする。１３は分類部で、
実施例４、１１、１２、１３、１４のいずれかと同様な
構成で、同様な動作をする。１５は予測部で、実施例
１、１５、１６、１７、１８、１９、２０、２１のいず
れかと同様な構成で、同様な動作をする。

【０１１７】（実施例２９）以下本発明の第２９の実施
例について説明する。本実施例の全体構成は実施例１
（図１）と同様な構成である。１１は活動量センサで実
施例１と同様な動作をする。１２は前処理部で、実施例
１または実施例２のいずれかの前処理部１２と同様な構
成で、同様な動作をするものである。１３は分類部で、
実施例１、３、５、６、７、８、９、１０、１４のいず
れかと同様な構成で、同様な動作をする。１４はデータ
記憶手段で、実施例１と同様な動作をする。１５は予測
部で、実施例１、１５、１６、１７、１８、１９、２
０、２１のいずれかと同様な構成で、同様な動作をす
る。１６は予測値出力手段で、予測部１５から出力され
た予測クラスタ番号信号Ｎｐと時計とデータ記憶手段１
４から出力された標準パターン信号Ｒｅから得られた次
時刻の予測在室率を補正した値と現在から先の高い予測
在室率を示している時間帯を出力する。以下に予測値出
力手段１６の詳しい動作を説明する。まず、予測値出力
手段１６は、次時刻の予測在室率Ｐｒを読み込み、実施
例２８に記述した方法と同様な方法を用いて予測在室率
Ｐｒを補正する。次に、現在時刻から先を探索して、標
準パターン信号Ｒｅの要素値Ｒ_iが、 Ｔ_R ≦ Ｒ_i （ただしＴ_Rは、しきい値） となる時刻を判別し、その時刻を出力する。以上より本
実施例では、次時刻の予測在室率を補正したものと現在
時刻から先の高在室率を示している時刻を出力する。

【０１１８】なお、本実施例では、全体構成として実施
例１（図１）を用いて説明したが、全体構成として、実
施例４（図１６）を採用して、上記の動作をする予測値
出力手段１６を用いても同様の機能が得られる。その場
合（図１６を用いた場合）、１１は活動量センサで実施
例１と同様な動作をする。１２は前処理部で、実施例１
または実施例２のいずれかの前処理部１２と同様な構成
で、同様な動作をするものである。１４はデータ記憶手
段で、実施例１と同様な動作をする。１３は分類部で、
実施例４、１１、１２、１３、１４のいずれかと同様な
構成で、同様な動作をする。１５は予測部で、実施例
１、１５、１６、１７、１８、１９、２０、２１のいず
れかと同様な構成で、同様な動作をする。

【０１１９】（実施例３０）以下本発明の第３０の実施
例について説明する。本実施例の全体構成は実施例１
（図１）と同様な構成である。１１は活動量センサで実
施例１と同様な動作をする。１２は前処理部で、実施例
１または実施例２のいずれかの前処理部１２と同様な構
成で、同様な動作をするものである。１３は分類部で、
実施例１、３、５、６、７、８、９、１０、１４のいず
れかと同様な構成で、同様な動作をする。１４はデータ
記憶手段で、実施例１と同様な動作をする。１５は予測
部で、実施例１、１５、１６、１７、１８、１９、２
０、２１のいずれかと同様な構成で、同様な動作をす
る。１６は予測値出力手段で、予測部１５から出力され
た予測クラスタ番号信号Ｎｐと時計とデータ記憶手段１
４から出力された標準パターン信号Ｒｅから得られた次
時刻の予測在室率を補正した値と現在から先の低い予測
在室率を示している時間帯を出力する。以下に予測値出
力手段１６の詳しい動作を説明する。まず、予測値出力
手段１６は、次時刻の予測在室率Ｐｒを読み込み、実施
例２８に記述した方法と同様な方法を用いて予測在室率
Ｐｒを補正する。次に、現在時刻から先を探索して、標
準パターン信号Ｒｅの要素値Ｒ_iが、 Ｔ_LR ≧ Ｒ_i （ただしＴ_LRは、しきい値）となる時刻を判別し、その
時刻を出力する。

【０１２０】以上より本実施例では、次時刻の予測在室
率を補正したものと現在時刻から先の低在室率を示して
いる時刻を出力する。

【０１２１】なお、本実施例では、全体構成として実施
例１（図１）を用いて説明したが、全体構成として、実
施例４（図１６）を採用して、上記の動作をする予測値
出力手段１６を用いても同様の機能が得られる。その場
合（図１６を用いた場合）、１１は活動量センサで実施
例１と同様な動作をする。１２は前処理部で、実施例１
または実施例２のいずれかの前処理部１２と同様な構成
で、同様な動作をするものである。１４はデータ記憶手
段で、実施例１と同様な動作をする。１３は分類部で、
実施例４、１１、１２、１３、１４のいずれかと同様な
構成で、同様な動作をする。１５は予測部で、実施例
１、１５、１６、１７、１８、１９、２０、２１のいず
れかと同様な構成で、同様な動作をする。

【０１２２】（実施例３１）以下本発明の第３１の実施
例について説明する。本実施例の全体構成は実施例１
（図１）と同様な構成である。１１は活動量センサで実
施例１と同様な動作をする。１２は前処理部で、実施例
１または実施例２のいずれかの前処理部１２と同様な構
成で、同様な動作をするものである。１３は分類部で、
実施例１、３、５、６、７、８、９、１０、１４のいず
れかと同様な構成で、同様な動作をする。１４はデータ
記憶手段で、実施例１と同様な動作をする。１５は予測
部で、実施例１、１５、１６、１７、１８、１９、２
０、２１のいずれかと同様な構成で、同様な動作をす
る。１６は予測値出力手段で、予測部１５から出力され
た予測クラスタ番号信号Ｎｐと時計とデータ記憶手段１
４から出力された標準パターン信号Ｒｅから得られた次
時刻の予測在室率を補正した値と現在から先の高い予測
在室率を示している時間帯と現在から先の低い予測在室
率を示している時間帯を出力する。以下に予測値出力手
段１６の詳しい動作を説明する。まず、予測値出力手段
１６は、次時刻の予測在室率Ｐｒを読み込み、実施例２
８に記述した方法と同様な方法を用いて予測在室率Ｐｒ
を補正する。次に、現在時刻から先を探索して、標準パ
ターン信号Ｒｅの要素値Ｒ_iが、 Ｔ_R ≦ Ｒ_i （ただしＴ_Rは、しきい値） となる時刻を判別し、その時刻を出力する。次に、現在
時刻から先を探索して、標準パターン信号Ｒｅの要素値
Ｒ_iが、 Ｔ_LR ≧ Ｒ_i （ただしＴ_LRは、しきい値） となる時刻を判別し、その時刻を出力する。以上より本
実施例では、次時刻の予測在室率を補正したものと現在
時刻から先の高及び低在室率を示している時刻を出力す
る。

【０１２３】なお、本実施例では、全体構成として実施
例１（図１）を用いて説明したが、全体構成として、実
施例４（図１６）を採用して、上記の動作をする予測値
出力手段１６を用いても同様の機能が得られる。その場
合（図１６を用いた場合）、１１は活動量センサで実施
例１と同様な動作をする。１２は前処理部で、実施例１
または実施例２のいずれかの前処理部１２と同様な構成
で、同様な動作をするものである。１４はデータ記憶手
段で、実施例１と同様な動作をする。１３は分類部で、
実施例４、１１、１２、１３、１４のいずれかと同様な
構成で、同様な動作をする。１５は予測部で、実施例
１、１５、１６、１７、１８、１９、２０、２１のいず
れかと同様な構成で、同様な動作をする。

【０１２４】（実施例３２）以下本発明の第３２の実施
例について、図面を参照しながら説明する。図３４にお
いて、１１は赤外線を用いて移動物体を検出する活動量
センサであり、１２は活動量センサから出力されたパル
ス信号Ｐａと時計から、一定期間の在（１）、不在
（０）を判定し、逐次在不在判定信号Ｚｃとして出力す
るとともに、１日分の在不在判定結果が蓄積された時点
で、在不在判定信号Ｚとして出力する。１３は分類部
で、実施例１、３、５、６、７、８、９、１０、１４の
いずれかと同様な構成で、同様な動作をする。１４はデ
ータ蓄積手段で、実施例１と同様な動作をする。１５は
予測部で、実施例１、１５、１６、１７、１８、１９、
２０、２１のいずれかと同様な構成で、同様な動作をす
る。１６は予測値出力手段で、予測修正手段１７から出
力された逐次最適クラスタ番号信号Ｎｓとデータ記憶手
段１４から出力された標準パターン信号Ｒｅと予測部１
５から出力された予測クラスタ番号信号Ｎｐと時計か
ら、実施例１と同様な動作を行い、次時刻の予測在室率
を出力をする。１７は予測修正手段で、前処理部１２か
ら出力された逐次在不在判定信号Ｚｃとデータ記憶手段
１４から出力された標準パターン信号Ｒｅと予測部１５
から出力された予測クラスタ番号信号信号Ｎｐから、そ
の時点までの在不在判定結果で、最も適しているクラス
タを決定し、逐次最適クラスタ番号信号Ｎｓとして出力
する。

【０１２５】以上のように構成された在室予測装置につ
いてその動作を説明する。図３５は本実施例の動作を説
明する流れ図である。図３５において、まず、前処理部
１２は活動量センサ１１から出力されたパルス信号Ｐａ
を一定期間積算し、その結果からその期間の在（１）、
不在（０）を判定する。判定方法は、実施例１に記述し
た方法と同様な方法を用いる。その判定結果を逐次在不
在判定信号Ｚｃとして出力する。そして、１日分の在不
在判定結果が蓄積された時点で、在不在判定信号Ｚとし
て出力する。まず、次にデータが、まだ１日分蓄積され
ていない場合の動作を説明する。予測修正手段１７は、
前処理部１２から出力された逐次在不在判定信号Ｚｃを
入力として、その時点まででの在不在判定結果の最も適
しているクラスタを決定するが、しかし、その時点まで
の逐次在不在判定した回数がＮ_t回以下の場合は、その
時点では逐次最適クラスタを探索せず、翌日の予測クラ
スタＮｐをそのまま逐次最適クラスタＮｓとして出力す
る。一方、１日分の在不在判定結果が全て蓄積された場
合は、前処理部１２から分類部１３へ在不在判定信号Ｚ
が送られる。そして、分類部１３及び予測部１５を通し
て、翌日のクラスタＮｐが決定される。さて、予測値出
力手段１６は、まず、予測部１５から予測クラスタ番号
信号Ｎｐが出力されているかどうかを確認し、もし出力
が確認されれば、予測クラスタＮｐに対応する標準パタ
ーンＲｅの次時刻に対応する値を次時刻の予測在室率と
して出力する。それ以外の場合（つまり、１日分のデー
タが蓄積されていない場合）は、予測修正手段１７から
出力される逐次最適クラスタ番号信号Ｎｓに対応する標
準パターンＲｅの次時刻に対応する値を次時刻の予測在
室率として出力する。

【０１２６】図３６は前処理部１２の詳しい構成を示す
ブロック図である。図３６において、１２１は在不在判
定手段で、実施例１と同様な動作をする。１２２は在不
在判定結果記憶手段で、実施例１と同様な動作をする。
次に予測修正手段１７の詳しい動作を説明する。予測修
正手段１７は内部にメモリを持っており、そのメモリに
１日の開始時点から現時点までの逐次在不在判定結果Ｚ
ｃを記憶している。次に予測修正手段１７は、現時点ま
でに在不在判定結果Ｚｃが何個記憶されているかをカウ
ントする。そして、 Ｎ_c ≦ Ｎ_t （ただし、Ｎ_cはカウント数、Ｎ_tはしき
い値） ならば、予測部１５から出力された予測クラスタ番号信
号Ｎｐを出力する。逆に、 Ｎ_c ＞ Ｎ_t ならば、現時点までの逐次在不在判定結果Ｚｃと各クラ
スタの現時点までの標準パタ−ンＲｅとの距離を計算
し、最小距離のクラスタを逐次最適クラスタＮｓに決定
する。以下、距離尺度としてユーグリッド距離を用いた
例で説明する。現時点で、逐次在不在判定結果ＺｃがＮ
ｃ個記憶されているとして、クラスタｉとの距離をＬｉ
として、１日の開始時点からｊ番目の逐次在不在判定結
果をＺ_jとして、クラスタｉの１日の開始時点からｊ番
目の標準パターンＲｅの値をＲ_ijとして、

【０１２７】

【数６】

【０１２８】を算出する。この内、最小距離のクラスタ
を逐次最適クラスタＮｓとして出力する。

【０１２９】以上より本実施例では、予測修正手段１７
を新たに設けて、当日の途中までの在不在判定結果を監
視することにより、前日に予測した翌日クラスタＮｐを
修正して、より適したクラスタに移行することができ
る。従って、祭日や夏休みなどのように今までの規則と
異なる順で発生したクラスタに対しても、修正すること
ができるので、全体として予測精度は向上する。

【０１３０】なお、予測値出力手段１６の出力として、
実施例２２、２３、２４、２５、２６、２７、２８、２
９、３０、３１のいずれかの形態にすることもできる。

【０１３１】（実施例３３）以下本発明の第３３の実施
例について説明する。

【０１３２】本実施例の全体構成は実施例３２（図３
４）と同様な構成である。１１は活動量センサで実施例
１と同様な動作をする。１３は分類部で、実施例１、
３、５、６、７、８、９、１０、１４のいずれかと同様
な構成で、同様な動作をする。１４はデ−タ記憶手段
で、実施例１と同様な動作をする。１５は予測部で、実
施例１、１５、１６、１７、１８、１９、２０、２１の
いずれかと同様な構成で、同様な動作をする。１６は予
測値出力手段で、実施例３２と同様な動作をする。１７
は予測修正手段で、実施例３２と同様な動作をする。１
２は、前処理部で、図３７に詳しい構成を示す。図３７
において、１２１は在不在判定手段で、実施例１の在不
在判定手段１２１と同様な動作をする。１２２は在不在
判定結果記憶手段で、実施例１の在不在判定結果記憶手
段１２２と同様な動作をする。１２３は在不在判定補正
手段で、実施例２と同様な動作をする。

【０１３３】以上より本実施例では、在不在判定を補正
することによって、人の突発的な行動によって発生する
在（１）または不在（０）を在不在判定結果から除外す
ることができ、さらに１日の途中からでも予測クラスタ
を修正することができるので予測精度が向上する。

【０１３４】なお、予測値出力手段１６の出力として、
実施例２２、２３、２４、２５、２６、２７、２８、２
９、３０、３１のいずれかの形態にすることもできる。

【０１３５】（実施例３４）以下本発明の第３４の実施
例について図面を参照しながら説明する。図３８におい
て、１１は活動量センサで、実施例１と同様の動作をす
る。１２は前処理部で、実施例３２または３３のいずれ
かの前処理部１２と同様な構成で、同様な動作をする。
１３は分類部で、実施例４、１１、１２、１３、１４の
いずれかと同様な構成で、同様な動作をする。１４はデ
ータ記憶手段で、実施例１と同様な動作をする。１５は
予測部で、実施例１、１５、１６、１７、１８、１９、
２０、２１のいずれかと同様な構成で、同様な動作をす
る。１６は予測値出力手段で、実施例３２と同様な動作
をする。１７は予測修正手段で、実施例３２と同様な動
作をする。

【０１３６】本実施例は、在不在データのクラスタ分類
する際の特徴量として在不在判定信号Ｚと平均在室率と
の偏差を用いた実施例に、予測修正手段１７を付加した
ものである。なお、予測値出力手段１６の出力として、
実施例２２、２３、２４、２５、２６、２７、２８、２
９、３０、３１のいずれかの形態にすることもできる。

【０１３７】（実施例３５）以下本発明の第３５の実施
例について、図面を参照しながら説明する。図３９にお
いて、１１は活動量センサで実施例１と同様な動作をす
る。１２は前処理部で、実施例３２または実施例３３の
いずれかの前処理部１２と同様な構成で、同様な動作を
する。１３は分類部で、実施例１、３、５、６、７、
８、９、１０、１４のいずれかと同様な構成で、同様な
動作をする。１４はデータ記憶手段で、実施例１と同様
な動作をする。１５は予測部で、実施例１、１５、１
６、１７、１８、１９、２０、２１のいずれかと同様な
構成で、同様な動作をする。１６は予測値出力手段で、
実施例３２と同様な動作をする。１７は予測修正手段で
ある。

【０１３８】図４０は予測修正手段１７の動作を示した
流れ図である。図４０において、まず予測修正手段１７
は、前処理部１２から出力された逐次在不在判定信号Ｚ
ｃを読み込む。次に、予測値出力手段１６の出力からフ
ィードバックされた次時刻の予測在室率Ｐｒから、Ｚｃ
と同時刻に対応する予測在室率Ｐｒの差（誤差）を求め
る。誤差をＥとすると、 Ｅ ＝ ｜Ｚｃ − Ｐｒ｜ で求められる。次に予測修正手段１７の内部に記憶して
いる当日の開始時点からの累積誤差Ｅ_Rを次式で更新す
る。 Ｅ_R ＝ Ｅ_R ＋ Ｅ なお、累積誤差Ｅ_Rは、１日が終了した時点でゼロにリ
セットされる。次に、予め予測修正手段１７の内部に保
持しているしきい値Ｔ_Eと比較して、 Ｅ_R ＞ Ｔ_E ならば、その時点まででの在不在判定結果から逐次最適
クラスタＮｓを求める。求める方法は、実施例３２で記
述した方法と同様な方法を用いる。逆に、 Ｅ_R ≦ Ｔ_E ならば、予測部１５から出力された予測クラスタ番号信
号Ｎｐの値を逐次最適クラスタ番号信号Ｎｓとして出力
する。また、しきい値Ｔ_Eを時刻によって変化する変数
とすることもできる。例えば現在時刻が、１日の開始時
点からＴ番目の期間に含まれているとする。そして、予
測修正手段１７の内部に予め保持している関数ｆによっ
て、しきい値Ｔ_Eを、 Ｔ_E ＝ ｆ（ Ｔ ） で決定する。

【０１３９】本実施例の特徴は、予測値出力手段１６の
出力が予測修正手段１７にフィードバックされているこ
とが特徴で、予測修正手段１７では、１日の開始時点か
らの累積誤差の値によって、予測部１５から出力された
予測クラスタＮｐを修正するか否かを判断している。こ
のことにより、１日単位で行う予測結果と、当日の在不
在判定結果に基づく予測修正のバランスをとる。つま
り、在不在判定結果少なく、また予測があまり実態とあ
っていない場合は予測修正を行い、そうでない場合は多
少の予測誤差があっても予測修正を行わない。このこと
により、予測の出力が極端に頻繁に変化するのを防ぐこ
とができる。

【０１４０】なお、本実施例の予測修正手段１７を、実
施例３４（図３８）に適用することもできる。また、予
測値出力手段１６の出力として、実施例２４、２５、２
７、２８、２９、３０、３１のいずれかの形態にするこ
ともできる。

【０１４１】（実施例３６）以下本発明の第３６の実施
例について説明する。本実施例の全体構成は実施例３５
（図３９）と同様な構成である。すなわち、図３９にお
いて、１１は活動量センサで実施例１と同様な動作をす
る。１２は前処理部で、実施例３２または実施例３３の
いずれかの前処理部１２と同様な構成で、同様な動作を
する。１３は分類部で、実施例１、３、５、６、７、
８、９、１０、１４のいずれかと同様な構成で、同様な
動作をする。１４はデータ記憶手段で、実施例１と同様
な動作をする。１５は予測部で、実施例１、１５、１
６、１７、１８、１９、２０、２１のいずれかと同様な
構成で、同様な動作をする。１６は予測値出力手段で、
実施例３２と同様な動作をする。１７は予測修正手段で
ある。図４１は予測修正手段１７の動作を示した流れ図
である。図４１において、まず予測修正手段１７は、前
処理部１２から出力された逐次在不在判定信号Ｚｃを読
み込み、予め予測修正手段１７の内部に保持しているカ
ウンタＣの値を１増やす。ただし、カウンタＣの値は、
１日が終了した時点でゼロにリセットされる。次に、予
測値出力手段１６の出力からフィードバックされた次時
刻の予測在室率Ｐｒから、Ｚｃと同時刻に対応する予測
在室率Ｐｒの差（誤差）を求める。誤差をＥとすると、 Ｅ ＝ ｜Ｚｃ − Ｐｒ｜ で求められる。次に予測修正手段１７の内部に記憶して
いる当日の開始時点からの累積誤差Ｅ_Rを次式で更新す
る。 Ｅ_R ＝ Ｅ_R ＋ Ｅ なお、累積誤差Ｅ_Rは１日が終了した時点でゼロにリセ
ットされる。次に、現時刻までの平均誤差Ｅ_aを次式で
求める。 Ｅ_a ＝ Ｅ_R／Ｃ そして、平均誤差Ｅ_aと予測修正手段１７の内部に予め
保持しているしきい値Ｔ_aと比較して、 Ｅ_a ＞ Ｔ_a ならば、その時点まででの在不在判定結果から逐次最適
クラスタＮｓを求める。求める方法は、実施例３２で記
述した方法と同様な方法を用いる。逆に、 Ｅ_a ≦ Ｔ_a ならば、予測部１５から出力された予測クラスタ番号信
号Ｎｐの値を逐次最適クラスタ番号信号Ｎｓとして出力
する。また、しきい値Ｔ_aを時刻によって変化する変数
とすることもできる。例えば現在時刻が、１日の開始時
点からＴ番目の期間に含まれているとする。そして、予
測修正手段１７の内部に予め保持している関数ｆによっ
て、しきい値Ｔ_aを、 Ｔ_a ＝ ｆ（ Ｔ ） で決定する。

【０１４２】以上、本実施例が実施例３５と異なる点
は、予測修正手段１７の動作の中の予測修正を行うか否
かの判断に、実施例３５は、累積誤差を用いているのに
対して、本実施例では、平均誤差を用いている点であ
る。

【０１４３】なお、本実施例の予測修正手段１７を、実
施例３４（図３８）に適用することもできる。また、予
測値出力手段１６の出力として、実施例２４、２５、２
７、２８、２９、３０、３１のいずれかの形態にするこ
ともできる。

【０１４４】（実施例３７）以下本発明の第３７の実施
例について説明する。本実施例の全体構成は実施例３５
（図３９）と同様な構成である。すなわち、図３９にお
いて、１１は活動量センサで実施例１と同様な動作をす
る。１２は前処理部で、実施例３２または実施例３３の
いずれかの前処理部１２と同様な構成で、同様な動作を
する。１３は分類部で、実施例１、３、５、６、７、
８、９、１０、１４のいずれかと同様な構成で、同様な
動作をする。１４はデータ記憶手段で、実施例１と同様
な動作をする。１５は予測部で、実施例１、１５、１
６、１７、１８、１９、２０、２１のいずれかと同様な
構成で、同様な動作をする。１６は予測値出力手段で、
実施例３２と同様な動作をする。１７は予測修正手段で
ある。図４２は予測修正手段１７の動作を示した流れ図
である。図４２において、まず予測修正手段１７は、前
処理部１２から出力された逐次在不在判定信号Ｚｃを読
み込み、予測値出力手段１６の出力からフィードバック
された次時刻の予測在室率Ｐｒから、同時刻のＺｃとＰ
ｒの差（誤差）を求める。誤差をＥとすると、 Ｅ ＝ ｜Ｚｃ − Ｐｒ｜ で求められる。次に、誤差Ｅと予測修正手段１７の内部
に予め保持しているしきい値Ｔ_cと比較して、 Ｅ ＞ Ｔ_c ならば、その時点まででの在不在判定結果から逐次最適
クラスタＮｓを求める。求める方法は、実施例３２で記
述した方法と同様な方法を用いる。逆に、 Ｅ ≦ Ｔ_c ならば、予測部１５から出力された予測クラスタ番号信
号Ｎｐの値を逐次最適クラスタ番号信号Ｎｓとして出力
する。また、しきい値Ｔ_cを時刻によって変化する変数
とすることもできる。例えば現在時刻が、１日の開始時
点からＴ番目の期間に含まれているとする。そして、予
測修正手段１７の内部に予め保持している関数ｆによっ
て、しきい値Ｔ_cを、 Ｔ_c ＝ ｆ（ Ｔ ） で決定する。

【０１４５】以上、本実施例は、逐次在不在判定信号Ｚ
ｃが予測修正部１７に入力される度に、その時点での誤
差を計算して予測修正を行うか否かを決定している。

【０１４６】なお、本実施例の予測修正手段１７を、実
施例３４（図３８）に適用することもできる。また、予
測値出力手段１６の出力として、実施例２４、２５、２
７、２８、２９、３０、３１のいずれかの形態にするこ
ともできる。

【０１４７】（実施例３８）以下本発明の第３８の実施
例について説明する。本実施例の全体構成は実施例３２
（図３４）と同様な構成である。すなわち、図３４にお
いて、１１は活動量センサで実施例１と同様な動作をす
る。１２は前処理部で、実施例３２または実施例３３の
いずれかの前処理部１２と同様な構成で、同様な動作を
する。１３は分類部で、実施例１、３、５、６、７、
８、９、１０、１４のいずれかと同様な構成で、同様な
動作をする。１４はデータ記憶手段で、実施例１と同様
な動作をする。１５は予測部で、実施例１、１５、１
６、１７、１８、１９、２０、２１のいずれかと同様な
構成で、同様な動作をする。１６は予測値出力手段で、
実施例３２と同様な動作をする。１７は、予測修正手段
である。図４３は予測修正手段１７の動作を示した流れ
図である。図４３において、まず予測修正手段１７は、
前処理部１２から出力された逐次在不在判定信号Ｚｃを
読み込み、その時点まででの在不在判定結果から逐次最
適クラスタＮｓを求める。求める方法は、実施例３２で
記述した方法と同様な方法を用いる。次に、現時点まで
での在不在判定結果と予測部１５から出力された予測ク
ラスタ番号信号Ｎｐに対応する標準パターンの距離を計
算する。計算方法は実施例３２で記述した方法と同様で
ある。つまり、予測修正手段１７の内部に、１日の開始
時点から現時点までの逐次在不在判定結果ＺｃがＮｃ個
記憶されているとして、予測クラスタ番号Ｎｐとの距離
をＬ_Npとして、１日の開始時点からｊ番目の逐次在不在
判定結果をＺ_jとして、予測クラスタ番号Ｎｐの１日の
開始時点からｊ番目の標準パターンＲｅの値をＲ_{Np j}と
して、

【０１４８】

【数７】

【０１４９】で算出する。次に、現時点まででの在不在
判定結果と現時点での最適クラスタＮｓの標準パターン
との距離をＬ_Nsとして、差分Ｅ_Lを次式で計算する。 Ｅ_L ＝ ｜Ｌ_Np − Ｌ_Ns｜ 次に、予測修正手段１７の内部に保持しているしきい値
Ｔ_Lと比較して、 Ｅ_L ＞ Ｔ_L ならば、Ｎｓを出力する。逆に、 Ｅ_L ≦ Ｔ_L ならば、Ｎｐを最適クラスタ番号信号Ｎｓとして出力す
る。また、しきい値Ｔ_Lを時刻によって変化する変数と
することもできる。例えば現在時刻が、１日の開始時点
からＴ番目の期間に含まれているとする。そして、予測
修正手段１７の内部に予め保持している関数ｆによっ
て、しきい値Ｔ_Lを、 Ｔ_L ＝ ｆ（ Ｔ ） で決定する。

【０１５０】以上より、本実施例は、予測修正手段１７
の動作の中で予測修正を行うか否かの判断に、その時点
での最適クラスタＮｓの標準パターンとその時点までの
逐次在不在判定結果との距離Ｌ_Nsと、予測クラスタＮｐ
の標準パターンとその時点までの逐次在不在判定結果と
の距離Ｌ_Npの差分を求めることによって判断しているこ
とが特徴である。

【０１５１】なお、本実施例の予測修正手段１７を、実
施例３４（図３８）に適用することもできる。また、予
測値出力手段１６の出力として、実施例２２、２３、２
４、２５、２６、２７、２８、２９、３０、３１のいず
れかの形態にすることもできる。

【０１５２】（実施例３９）以下本発明の第３９の実施
例について説明する。本実施例の全体構成は実施例３２
（図３４）と同様な構成である。すなわち、図３４にお
いて、１１は活動量センサで実施例１と同様な動作をす
る。１２は前処理部で、実施例３２または実施例３３の
いずれかの前処理部１２と同様な構成で、同様な動作を
する。１３は分類部で、実施例１、３、５、６、７、
８、９、１０、１４のいずれかと同様な構成で、同様な
動作をする。１４はデータ記憶手段で、実施例１と同様
な動作をする。１５は予測部で、実施例１、１５、１
６、１７、１８、１９、２０、２１のいずれかと同様な
構成で、同様な動作をする。１６は予測値出力手段で、
実施例３２と同様な動作をする。１７は予測修正手段で
ある。図４４は予測修正手段１７の動作を示した流れ図
である。図４４において、まず予測修正手段１７は、前
処理部１２から出力された逐次在不在判定信号Ｚｃを読
み込み、その時点まででの在不在判定結果から逐次最適
クラスタＮｓを求める。求める方法は、実施例３２で記
述した方法と同様な方法を用いる。次に、現時点までで
の在不在判定結果と予測部１５から出力された予測クラ
スタ番号信号Ｎｐに対応する標準パターンの距離を計算
する。計算方法は実施例３２で記述した方法と同様であ
る。つまり、予測修正手段１７の内部に、現時点までの
逐次在不在判定結果ＺｃがＮｃ個記憶されているとし
て、予測クラスタ番号Ｎｐとの距離をＬ_Npとして、１日
の開始時点からｊ番目の逐次在不在判定結果をＺ_jとし
て、予測クラスタ番号Ｎｐの１日の開始時点からｊ番目
の標準パターンＲｅの値をＲ_Npjとして、

【０１５３】

【数８】

【０１５４】で算出する。次に、現時点まででの在不在
判定結果と現時点での最適クラスタＮｓの標準パターン
との距離をＬ_Nsとして、比Ｅ_RLを次式で計算する。 Ｅ_RL ＝ Ｌ_NS ／ Ｌ_NP 次に、予測修正手段１７の内部に保持しているしきい値
Ｔ_RLと比較して、 Ｅ_RL ＞ Ｔ_RL ならば、Ｎｐを出力する。逆に、 Ｅ_RL ≦ Ｔ_RL ならば、Ｎｓを最適クラスタ番号信号Ｎｓとして出力す
る。また、しきい値Ｔ_RLを時刻によって変化する変数と
することもできる。例えば現在時刻が、１日の開始時点
からＴ番目の期間に含まれているとする。そして、予測
修正手段１７の内部に予め保持している関数ｆによっ
て、しきい値Ｔ_RLを、 Ｔ_RL ＝ ｆ（ Ｔ ） で決定する。

【０１５５】以上より、本実施例は、予測修正手段１７
の動作の中で、予測修正を行うか否かの判断に、その時
点での最適クラスタＮｓの標準パターンとその時点まで
の逐次在不在判定結果の距離Ｌ_Nsと予測クラスタＮｐの
標準パターンとその時点までの逐次在不在判定結果の距
離Ｌ_Npの比を求めることによって判断していることが特
徴である。

【０１５６】なお、本実施例の予測修正手段１７を、実
施例３４（図３８）に適用することもできる。また、予
測値出力手段１６の出力として、実施例２２、２３、２
４、２５、２６、２７、２８、２９、３０、３１のいず
れかの形態にすることもできる。

【０１５７】（実施例４０）以下本発明の第４０の実施
例について説明する。図４５は、在不在判定信号Ｚを得
るまでの構成を示したブロック図である。図４５におい
て、１１は活動量センサで実施例１と同様な動作をす
る。１８は光センサで、センサが設置されている場所の
明るさを計測するものである。１２は前処理部で、詳し
い構成を図４６に示す。図４６において、１２２は在不
在判定結果記憶手段で、実施例１の在不在判定結果記憶
手段１２２と同様な動作をする。１２４は活動量依存在
不在判定手段で、実施例１の在不在判定手段１２１と同
様な動作をする。１２５は明るさ依存在不在判定手段
で、その動作を図４７の流れ図に示す。図４７におい
て、まず明るさ依存在不在判定手段１２５は、光センサ
から出力される明るさ信号ｈを読み込み、内部に保持し
ているカウンタＣの値を１増やす。なお、カウンタ値Ｃ
の値は、１日の１つのサンプル期間が終了した時点で、
値をゼロにリセットする。次に、明るさ依存在不在判定
手段１２５が内部に保持している累積値ｗを次式で更新
する。 ｗ ＝ ｗ ＋ ｈ なお、累積値ｗの値も１日の１つのサンプル期間が終了
した時点で、値をゼロにリセットする。以上の動作を１
日の１つのサンプル期間が終了するまで繰り返す。サン
プル期間が終了すると、次に、平均明るさＬを次式で求
める。 Ｌ ＝ ｗ ／ Ｃ そして、平均明るさＬと明るさ依存在不在判定手段１２
５の内部に予め保持しているしきい値Ｔ_Lと比較して、 Ｌ ＞ Ｔ_L ならば、明るさ依存在不在判定信号Ｚ_c2に１を代入する
が、しかし現在時刻が、予め夜間として定義した時間帯
に含まれていなければ、明るさ依存在不在判定信号Ｚ_c2
に０を代入する。また、 Ｌ ≦ Ｔ_L ならば、常に明るさ依存在不在判定信号Ｚ_c2には０が代
入される。１２６は総合逐次在不在判定手段で、活動量
依存在不在判定手段１２４から出力された活動量依存逐
次在不在判定信号Ｚ_c1と明るさ依存在不在判定手段１２
５から出力された明るさ依存在不在判定信号Ｚ_c2から対
象としている期間の在不在を判定する。なお、活動量依
存逐次在不在判定信号Ｚ_c1と明るさ依存在不在判定信号
Ｚ_c2は、同期して出力される。総合逐次在不在判定手段
１２６は、入力された活動量依存逐次在不在判定信号Ｚ
_c1と明るさ依存在不在判定信号Ｚ_c2から、例として、次
式に従ってＺｃを算出する。 Ｚｃ ＝ Ｚ_c1 ＋ Ｚ_c2 そして、Ｚｃの値が、 Ｚｃ ＞ １ ならばＺｃに１を代入し、Ｚｃを出力する。それ以外で
はそのままのＺｃの値が出力される。

【０１５８】上述の構成によって、在不在判定信号Ｚを
求めることができるが、この構成（図４４）を、実施例
１〜３１における活動量センサ１１と前処理部１２の部
分と置き換えることができる。また、図４６において総
合逐次在不在判定手段１２６から出力されている逐次在
不在判定信号Ｚｃを前処理部１２から出力させれば、こ
の構成（図４４）を、実施例３２〜３９における活動量
センサ１１と前処理部１２の部分と置き換えることがで
きる。また、図４６において、在不在判定結果記憶手段
１２２の後に、実施例２で述べた在不在判定補正手段１
２３を付加することもできる。

【０１５９】以上、本実施例では、在不在判定信号Ｚを
求める際に、活動量センサだけでなく、新たに光センサ
の情報も用いることに特徴がある。例えば、センサを室
内に設置しているとして、光センサからの情報は、昼間
は無効であるが、夜間では、たいていの人は、在室して
いる時は、電灯を付けるので、光センサからの情報は、
在不在判定する場合の有効な情報となる。

【０１６０】（実施例４１）以下本発明の第４１の実施
例について説明する。図４８は、在不在判定信号Ｚを得
るまでの構成を示したブロック図である。図４８におい
て、１１は活動量センサで実施例１と同様な動作をす
る。１９は音センサで、センサが設置されている周辺の
音を計測するものである。１２は前処理部で、詳しい構
成を図４９に示す。図４９において、１２２は在不在判
定結果記憶手段で、実施例１の在不在判定結果記憶手段
１２２と同様な動作をする。１２４は活動量依存在不在
判定手段で、実施例１の在不在判定手段１２１と同様な
動作をする。１２７は音依存在不在判定手段で、その動
作を図５０の流れ図に示す。図５０において、まず音依
存在不在判定手段１２７は、音センサから出力される音
信号ｖを読み込み、内部に保持しているカウンタＣの値
を１増やす。なお、カウンタ値Ｃの値は、１日の１つの
サンプル期間が終了した時点で、値をゼロにリセットす
る。次に、音依存在不在判定手段１２７が内部に保持し
ている累積値ｗを次式で更新する。 ｗ ＝ ｗ ＋ ｖ なお、累積値ｗの値も１日の１つのサンプル期間が終了
した時点で、値をゼロにリセットする。以上の動作を１
日の１つのサンプル期間が終了するまで繰り返す。サン
プル期間が終了すると、次に、平均音度Ｌを次式で求め
る。 Ｌ ＝ ｗ ／ Ｃ そして、平均音度Ｌと音依存在不在判定手段１２７の内
部に予め保持しているしきい値Ｔ_Lと比較して、 Ｌ ＞ Ｔ_L ならば、音依存在不在判定信号Ｚ_c3に１を代入する。ま
た、 Ｌ ≦ Ｔ_L ならば、常に音依存在不在判定信号Ｚ_c3には０が代入さ
れる。１２６は総合逐次在不在判定手段で、活動量依存
在不在判定手段１２４から出力された活動量依存逐次在
不在判定信号Ｚ_c1と音依存在不在判定手段１２７から出
力された音依存在不在判定信号Ｚ_c3から対象としている
期間の在不在を判定する。なお、活動量依存逐次在不在
判定信号Ｚ_c1と音依存在不在判定信号Ｚ_c3は、同期して
出力される。総合逐次在不在判定手段１２６は、入力さ
れた活動量依存逐次在不在判定信号Ｚ_c1と音依存在不在
判定信号Ｚ_c3から、例えば次式に従って、その期間の逐
次在不在判定Ｚｃを決定して、出力する。 Ｚｃ ＝ Ｚ_c1 ＋ Ｚ_c3 そして、Ｚｃの値が、 Ｚｃ ＞ １ ならば、Ｚｃに１を代入し、Ｚｃを出力する。それ以外
ではそのままのＺｃの値が出力される。

【０１６１】上述の構成によって、在不在判定信号Ｚを
求めることができるが、この構成（図４８）を、実施例
１〜３１における活動量センサ１１と前処理部１２の部
分と置き換えることができる。また、図４９において総
合逐次在不在判定手段１２６から出力されている逐次在
不在判定信号Ｚｃを前処理部１２から出力させれば、こ
の構成（図４８）を、実施例３２〜３９における活動量
センサ１１と前処理部１２の部分と置き換えることがで
きる。また、図４９において、在不在判定結果記憶手段
１２２の後に、実施例２で述べた在不在判定補正手段１
２３を付加することもできる。

【０１６２】以上、本実施例では、在不在判定信号Ｚを
求める際に、活動量センサだけでなく、新たに音センサ
の情報も用いることに特徴がある。例えば、センサを室
内に設置しているとして、音センサからの情報は、人が
在室して行動する際に派生する音や、人がテレビやラジ
オの電源を入れることによって発生する音を得ることが
できるので、在不在判定する場合の有効な情報となる。

【０１６３】（実施例４２）以下本発明の第４２の実施
例について説明する。図５１は、在不在判定信号Ｚを得
るまでの構成を示したブロック図である。図５１におい
て、１１は活動量センサで実施例１と同様な動作をす
る。２０は電力計で、設置されている部屋の電力を計測
するものである。１２は前処理部で、詳しい構成を図５
２に示す。図５２において、１２２は在不在判定結果記
憶手段で、実施例１の在不在判定結果記憶手段１２２と
同様な動作をする。１２４は活動量依存在不在判定手段
で、実施例１の在不在判定手段１２１と同様な動作をす
る。１２８は電力依存在不在判定手段で、その動作を図
５３の流れ図に示す。図５３において、まず電力依存在
不在判定手段１２８は、電力計から一定の間隔で出力さ
れる電力値信号ｅを読み込み、内部に保持しているカウ
ンタＣの値を１増やす。次に、電力依存在不在判定手段
１２８が内部に保持している累積値ｗを次式で更新す
る。 ｗ ＝ ｗ ＋ ｅ 以上の動作を１日の１つのサンプル期間が終了するまで
繰り返す。サンプル期間が終了すると、次に、平均電力
Ｌを次式で求める。 Ｌ ＝ ｗ ／ Ｃ そして、平均電力Ｌと電力依存在不在判定手段１２８の
内部に予め保持しているしきい値Ｔ_Lと比較して、 Ｌ ＞ Ｔ_L ならば、電力依存在不在判定信号Ｚ_c4に１を代入する。
また、 Ｌ ≦ Ｔ_L ならば、常に電力依存在不在判定信号Ｚ_c4には０が代入
される。１２６は総合逐次在不在判定手段で、活動量依
存在不在判定手段１２４から出力された活動量依存逐次
在不在判定信号Ｚ_c1と電力依存在不在判定手段１２８か
ら出力された電力依存在不在判定信号Ｚ_c4から対象とし
ている期間の在不在を判定する。なお、活動量依存逐次
在不在判定信号Ｚ_c1と電力依存在不在判定信号Ｚ_c4は、
同期して出力される。総合逐次在不在判定手段１２６
は、入力された活動量依存逐次在不在判定信号Ｚ_c1と電
力依存在不在判定信号Ｚ_c4から、例えば次式に従って、
その期間の逐次在不在判定Ｚｃを決定して、出力する。 Ｚｃ ＝ Ｚ_c1 ＋ Ｚ_c4 そして、Ｚｃの値が、 Ｚｃ ＞ １ ならば、Ｚｃに１を代入し、Ｚｃを出力する。それ以外
ではそのままのＺｃの値が出力される。

【０１６４】上述の構成によって、在不在判定信号Ｚを
求めることができるが、この構成（図５１）を、実施例
１〜３１における活動量センサ１１と前処理部１２の部
分と置き換えることができる。また、図５２において総
合逐次在不在判定手段１２６から出力されている逐次在
不在判定信号Ｚｃを前処理部１２から出力させれば、こ
の構成（図５１）を、実施例３２〜３９における活動量
センサ１１と前処理部１２の部分と置き換えることがで
きる。また、図５２において、在不在判定結果記憶手段
１２２の後に、実施例２で述べた在不在判定補正手段１
２３を付加することもできる。

【０１６５】以上、本実施例では、在不在判定信号Ｚを
求める際に、活動量センサだけでなく、新たに電力計の
情報も用いることに特徴がある。電力計からの情報は、
人が在室して電器製品の電源を入れることによって電力
値が上昇するということが分かるので、在不在判定する
場合の有効な情報となる。

【０１６６】（実施例４３）以下本発明の第４３の実施
例について説明する。図５４は、在不在判定信号Ｚを得
るまでの構成を示したブロック図である。図５４におい
て、１１は活動量センサで実施例１と同様な動作をす
る。２１は在室申告手段で、現在、在室していることを
人間自身がこの在不在申告手段２１を用いて申告するも
のであり、例えば、エアコンやテレビに付随してくるリ
モコンでもこの機能を果たすことができる。１２は前処
理部で、詳しい構成を図５５に示す。図５５において、
１２２は在不在判定結果記憶手段で、実施例１の在不在
判定結果記憶手段１２２と同様な動作をする。１２４は
活動量依存在不在判定手段で、実施例１の在不在判定手
段１２１と同様な動作をする。１２６は総合逐次在不在
判定手段で、活動量依存在不在判定手段１２４から出力
された活動量依存逐次在不在判定信号Ｚ_c1と随時入力さ
れる申告信号Ｓｅからその期間の逐次在不在判定Ｚｃを
決定し、出力する。以下に、決定方法の一例を説明す
る。まず、対象としている期間に、１回も申告信号Ｓｅ
が入力されなければ、活動量依存逐次在不在判定信号Ｚ
_c1の値をその期間の逐次在不在判定Ｚｃとして出力す
る。もし１回でも申告信号Ｓｅが入力されれば、その期
間は、活動量依存逐次在不在判定信号Ｚ_c1の値に関わら
ず、常に逐次在不在判定Ｚｃに１が代入され、出力され
る。

【０１６７】上述の構成によって、在不在判定信号Ｚを
求めることができるが、この構成（図５４）を、実施例
１〜３１における活動量センサ１１と前処理部１２の部
分と置き換えることができる。また、図５５において総
合逐次在不在判定手段１２６から出力されている逐次在
不在判定信号Ｚｃを前処理部１２から出力させれば、こ
の構成（図５４）を、実施例３２〜３９における活動量
センサ１１と前処理部１２の部分と置き換えることがで
きる。また、図５５において、在不在判定結果記憶手段
１２２の後に、実施例２で述べた在不在判定補正手段１
２３を付加することもできる。

【０１６８】以上、本実施例では、在不在判定信号Ｚを
求める際に、活動量センサだけでなく、新たに、人が現
在在室しているということを申告するするための在室申
告手段２１を設けたことに特徴がある。この在室申告
は、機器に室内に在室者が居ることを教えるアクティブ
な申告と、機器操作をしたという情報を在室者が居る都
判断し利用するパッシブナ申告の両方の意味を持つ。在
室申告手段からの情報は、人自身が現在、自分が在室し
ているということを意味するので、活動量センサに比べ
信頼性の高い情報として扱えるので、在不在判定する場
合の有効な情報となる。また、センサの死角に人がいる
場合も有効である。

【０１６９】（実施例４４）以下本発明の第４４の実施
例について説明する。図５６は、在不在判定信号Ｚを得
るまでの構成を示したブロック図である。図５６におい
て、１１は活動量センサで実施例１と同様な動作をす
る。１８は光センサで実施例４０と同様な動作をする。
１９は音センサで実施例４１と同様な動作をする。１２
は前処理部で、詳しい構成を図５７に示す。図５７にお
いて、１２２は在不在判定結果記憶手段で、実施例１の
在不在判定結果記憶手段１２２と同様な動作をする。１
２４は活動量依存在不在判定手段で、実施例１の在不在
判定手段１２１と同様な動作をする。１２５は明るさ依
存在不在判定手段で、実施例４０の明るさ依存在不在判
定手段と同様な動作をする。１２７は音依存在不在判定
手段で、実施例４１の音依存在不在判定手段１２７と同
様な動作をする。１２６は総合逐次在不在判定手段で、
活動量依存逐次在不在判定信号Ｚ_c1と明るさ依存在不在
判定信号Ｚ_c2と音依存在不在判定信号Ｚ_c3から、例えば
以下の方法を用いて、逐次在不在判定信号Ｚｃを出力す
る。 Ｚｃ ＝ Ｚ_c1 ＋ Ｚ_c2 ＋ Ｚ_c3 そして、Ｚｃの値が、 Ｚｃ ＞ １ ならばＺｃに１を代入し、Ｚｃを出力する。それ以外で
はそのままのＺｃの値が出力される。

【０１７０】上述の構成によって、在不在判定信号Ｚを
求めることができるが、この構成（図５６）を、実施例
１〜３１における活動量センサ１１と前処理部１２の部
分と置き換えることができる。また、図５７において総
合逐次在不在判定手段１２６から出力されている逐次在
不在判定信号Ｚｃを前処理部１２から出力させれば、こ
の構成（図５６）を、実施例３２〜３９における活動量
センサ１１と前処理部１２の部分と置き換えることがで
きる。また、図５７において、在不在判定結果記憶手段
１２２の後に、実施例２で述べた在不在判定補正手段１
２３を付加することもできる。

【０１７１】以上、本実施例では、在不在判定信号Ｚを
求める際に、活動量センサと光センサと音センサから求
めていることに特徴があり、それぞれ異なる情報から総
合的に判断して在不在判定信号Ｚを決めることができ
る。

【０１７２】（実施例４５）以下本発明の第４５の実施
例について説明する。図５８は、在不在判定信号Ｚを得
るまでの構成を示したブロック図である。図５８におい
て、１１は活動量センサで、実施例１と同様な動作をす
る。１８は光センサで、実施例４０と同様な動作をす
る。２０は電力計で、実施例４２と同様な動作をする。
１２は前処理部で、詳しい構成を図５９に示す。図５９
において、１２２は在不在判定結果記憶手段で、実施例
１の在不在判定結果記憶手段１２２と同様な動作をす
る。１２４は活動量依存在不在判定手段で、実施例１の
在不在判定手段１２１と同様な動作をする。１２５は明
るさ依存在不在判定手段で、実施例４０の明るさ依存在
不在判定手段と同様な動作をする。１２８は電力依存在
不在判定手段で、実施例４２の電力依存在不在判定手段
１２８と同様な動作をする。１２６は総合逐次在不在判
定手段で、活動量依存逐次在不在判定信号Ｚ_c1と明るさ
依存在不在判定信号Ｚ _c2と電力依存在不在判定信号Ｚ_c4
から、例えば以下の方法を用いて、逐次在不在判定信号
Ｚｃを出力する。 Ｚｃ ＝ Ｚ_c1 ＋ Ｚ_c2 ＋ Ｚ_c4 そして、Ｚｃの値が、 Ｚｃ ＞ １ ならばＺｃに１を代入し、Ｚｃを出力する。それ以外で
はそのままのＺｃの値が出力される。

【０１７３】上述の構成によって、在不在判定信号Ｚを
求めることができるが、この構成（図５８）を、実施例
１〜３１における活動量センサ１１と前処理部１２の部
分と置き換えることができる。また、図５９において総
合逐次在不在判定手段１２６から出力されている逐次在
不在判定信号Ｚｃを前処理部１２から出力させれば、こ
の構成（図５８）を、実施例３２〜３９における活動量
センサ１１と前処理部１２の部分と置き換えることがで
きる。また、図５９において、在不在判定結果記憶手段
１２２の後に、実施例２で述べた在不在判定補正手段１
２３を付加することもできる。

【０１７４】以上、本実施例では、在不在判定信号Ｚを
求める際に、活動量センサと光センサと電力計から求め
ていることに特徴があり、それぞれ異なる性質の情報か
ら総合的に判断して在不在判定信号Ｚを決めることがで
きるので、より信頼性の高い在不在判定情報が得られ
る。

【０１７５】（実施例４６）以下本発明の第４６の実施
例について説明する。図６０は、在不在判定信号Ｚを得
るまでの構成を示したブロック図である。図６０におい
て、１１は活動量センサで、実施例１と同様な動作をす
る。１８は光センサで、実施例４０と同様な動作をす
る。２１は在室申告手段で、実施例４３と同様な動作を
する。１２は前処理部で、詳しい構成を図６１に示す。
図６１において、１２２は在不在判定結果記憶手段で、
実施例１の在不在判定結果記憶手段１２２と同様な動作
をする。１２４は活動量依存在不在判定手段で、実施例
１の在不在判定手段１２１と同様な動作をする。１２５
は明るさ依存在不在判定手段で、実施例４０の明るさ依
存在不在判定手段と同様な動作をする。１２６は総合逐
次在不在判定手段で、活動量依存在不在判定手段１２４
から出力された活動量依存逐次在不在判定信号Ｚ_c1と明
るさ依存在不在判定手段１２５から出力された明るさ依
存在不在判定信号Ｚ _c2と随時入力される申告信号Ｓｅか
らその期間の逐次在不在判定Ｚｃを決定し、出力する。
以下に、決定方法の一例を説明する。まず、対象として
いる期間に、１回も申告信号Ｓｅが入力されなければ、
例えば次式に従って逐次在不在判定信号Ｚｃを決定す
る。 Ｚｃ ＝ Ｚ_c1 ＋ Ｚ_c2 そして、Ｚｃの値が、 Ｚｃ ＞ １ ならばＺｃに１を代入し、逐次在不在判定信号Ｚｃを出
力する。それ以外ではそのままのＺｃの値が出力され
る。もし１回でも申告信号Ｓｅが入力されれば、その期
間は、活動量依存逐次在不在判定信号Ｚ_c1と明るさ依存
在不在判定信号Ｚ_c2の値に関わらず、常に逐次在不在判
定Ｚｃに１が代入され、出力される。

【０１７６】上述の構成によって、在不在判定信号Ｚを
求めることができるが、この構成（図６０）を、実施例
１〜３１における活動量センサ１１と前処理部１２の部
分と置き換えることができる。また、図６１において総
合逐次在不在判定手段１２６から出力されている逐次在
不在判定信号Ｚｃを前処理部１２から出力させれば、こ
の構成（図６０）を、実施例３２〜３９における活動量
センサ１１と前処理部１２の部分と置き換えることがで
きる。また、図６１において、在不在判定結果記憶手段
１２２の後に、実施例２で述べた在不在判定補正手段１
２３を付加することもできる。

【０１７７】以上本実施例では、在不在判定信号Ｚを求
める際に、活動量センサと光センサと在室申告手段から
求めていることに特徴があり、それぞれ異なる性質の情
報から総合的に判断して在不在判定信号Ｚを決めること
ができるので、より信頼性の高い在不在判定情報が得ら
れる。

【０１７８】（実施例４７）以下本発明の第４７の実施
例について説明する。図６２は、在不在判定信号Ｚを得
るまでの構成を示したブロック図である。図６２におい
て、１１は活動量センサで、実施例１と同様な動作をす
る。１９は音センサで、実施例４１と同様な動作をす
る。２０は電力計で、実施例４２と同様な動作をする。
１２は前処理部で、詳しい構成を図６３に示す。図６３
において、１２２は在不在判定結果記憶手段で、実施例
１の在不在判定結果記憶手段１２２と同様な動作をす
る。１２４は活動量依存在不在判定手段で、実施例１の
在不在判定手段１２１と同様な動作をする。１２７は音
依存在不在判定手段で、実施例４１の音依存在不在判定
手段１２７と同様な動作をする。１２８は電力依存在不
在判定手段で、実施例４２の電力依存在不在判定手段１
２８と同様な動作をする。

【０１７９】１２６は総合逐次在不在判定手段で、活動
量依存在不在判定手段１２４から出力された活動量依存
逐次在不在判定信号Ｚ_c1と音依存在不在判定手段１２７
から出力された音依存在不在判定信号Ｚ_c3と電力依存在
不在判定手段１２８から出力された電力依存在不在判定
信号Ｚ_c4から、例えば以下の方法を用いて、逐次在不在
判定信号Ｚｃを出力する。 Ｚｃ ＝ Ｚ_c1 ＋ Ｚ_c3 ＋ Ｚ_c4 そして、Ｚｃの値が、 Ｚｃ ＞ １ ならばＺｃに１を代入し、Ｚｃを出力する。それ以外で
はそのままのＺｃの値が出力される。

【０１８０】上述の構成によって、在不在判定信号Ｚを
求めることができるが、この構成（図６２）を、実施例
１〜３１における活動量センサ１１と前処理部１２の部
分と置き換えることができる。また、図６３において総
合逐次在不在判定手段１２６から出力されている逐次在
不在判定信号Ｚｃを前処理部１２から出力させれば、こ
の構成（図６２）を、実施例３２〜３９における活動量
センサ１１と前処理部１２の部分と置き換えることがで
きる。また、図６３において、在不在判定結果記憶手段
１２２の後に、実施例２で述べた在不在判定補正手段１
２３を付加することもできる。

【０１８１】以上本実施例では、在不在判定信号Ｚを求
める際に、活動量センサと音センサと電力計から求めて
いることに特徴があり、それぞれ異なる性質の情報から
総合的に判断して在不在判定信号Ｚを決めることができ
るので、より信頼性の高い在不在判定情報が得られる。

【０１８２】（実施例４８）以下本発明の第４８の実施
例について説明する。図６４は、在不在判定信号Ｚを得
るまでの構成を示したブロック図である。図６４におい
て、１１は活動量センサで、実施例１と同様な動作をす
る。１９は音センサで、実施例４１と同様な動作をす
る。２１は在室申告手段で、実施例４３と同様な動作を
する。１２は前処理部で、詳しい構成を図６５に示す。
図６５において、１２２は在不在判定結果記憶手段で、
実施例１の在不在判定結果記憶手段１２２と同様な動作
をする。１２４は活動量依存在不在判定手段で、実施例
１の在不在判定手段１２１と同様な動作をする。１２７
は音依存在不在判定手段で、実施例４１の音依存在不在
判定手段１２７と同様な動作をする。１２６は総合逐次
在不在判定手段で、活動量依存在不在判定手段１２４か
ら出力された活動量依存逐次在不在判定信号Ｚ_c1と音依
存在不在判定手段１２７から出力された音依存在不在判
定信号Ｚ_c3と申告信号Ｓｅから、例えば以下の方法を用
いて、１日の対象としている期間の逐次在不在判定Ｚｃ
を決定し、出力する。以下に、決定方法の一例を説明す
る。まず、対象としている期間に、１回も申告信号Ｓｅ
が入力されなければ、例えば次式に従って逐次在不在判
定信号Ｚｃを決定する。 Ｚｃ ＝ Ｚ_c1 ＋ Ｚ_c3 そして、Ｚｃの値が、 Ｚｃ ＞ １ ならばＺｃに１を代入し、逐次在不在判定信号Ｚｃを出
力する。それ以外ではそのままのＺｃの値が出力され
る。また、もし１回でも申告信号Ｓｅが入力されれば、
その期間は、活動量依存逐次在不在判定信号Ｚ_c1と音依
存在不在判定信号Ｚ _c3の値に関わらず、常に逐次在不在
判定Ｚｃに１が代入され、出力される。

【０１８３】上述の構成によって、在不在判定信号Ｚを
求めることができるが、この構成（図６４）を、実施例
１〜３１における活動量センサ１１と前処理部１２の部
分と置き換えることができる。また、図６５において総
合逐次在不在判定手段１２６から出力されている逐次在
不在判定信号Ｚｃを前処理部１２から出力させれば、こ
の構成（図６４）を、実施例３２〜３９における活動量
センサ１１と前処理部１２の部分と置き換えることがで
きる。また、図６５において、在不在判定結果記憶手段
１２２の後に、実施例２で述べた在不在判定補正手段１
２３を付加することもできる。

【０１８４】以上本実施例では、在不在判定信号Ｚを求
める際に、活動量センサと音センサと在室申告手段から
求めていることに特徴があり、それぞれ異なる性質の情
報から総合的に判断して在不在判定信号Ｚを決めること
ができるので、より信頼性の高い在不在判定情報が得ら
れる。

【０１８５】（実施例４９）以下本発明の第４９の実施
例について説明する。図６６は、在不在判定信号Ｚを得
るまでの構成を示したブロック図である。図６６におい
て、１１は活動量センサで、実施例１と同様な動作をす
る。２０は電力計で、実施例４２と同様な動作をする。
２１は在室申告手段で、実施例４３と同様な動作をす
る。１２は前処理部で、詳しい構成を図６７に示す。図
６７において、１２２は在不在判定結果記憶手段で、実
施例１の在不在判定結果記憶手段１２２と同様な動作を
する。１２４は活動量依存在不在判定手段で、実施例１
の在不在判定手段１２１と同様な動作をする。１２８は
電力依存在不在判定手段で、実施例４２の電力依存在不
在判定手段１２８と同様な動作をする。１２６は総合逐
次在不在判定手段で、活動量依存在不在判定手段１２４
から出力された活動量依存逐次在不在判定信号Ｚ_c1と電
力依存在不在判定手段１２８から出力された電力依存在
不在判定信号Ｚ_c4と申告信号Ｓｅから、例えば以下の方
法を用いて、１日の対象としている期間の逐次在不在判
定Ｚｃを決定し、出力する。以下に、決定方法の一例を
説明する。まず、対象としている期間に、１回も申告信
号Ｓｅが入力されなければ、例えば次式に従って逐次在
不在判定信号Ｚｃを決定する。 Ｚｃ ＝ Ｚ_c1 ＋ Ｚ_c4 そして、Ｚｃの値が、 Ｚｃ ＞ １ ならばＺｃに１を代入し、逐次在不在判定信号Ｚｃを出
力する。それ以外ではそのままのＺｃの値が出力され
る。また、もし１回でも申告信号Ｓｅが入力されれば、
その期間は、活動量依存逐次在不在判定信号Ｚ_c1と音依
存在不在判定信号Ｚ _c3の値に関わらず、常に逐次在不在
判定Ｚｃに１が代入され、出力される。

【０１８６】上述の構成によって、在不在判定信号Ｚを
求めることができるが、この構成（図６６）を、実施例
１〜３１における活動量センサ１１と前処理部１２の部
分と置き換えることができる。また、図６７において総
合逐次在不在判定手段１２６から出力されている逐次在
不在判定信号Ｚｃを前処理部１２から出力させれば、こ
の構成（図６６）を、実施例３２〜３９における活動量
センサ１１と前処理部１２の部分と置き換えることがで
きる。また、図６７において、在不在判定結果記憶手段
１２２の後に、実施例２で述べた在不在判定補正手段１
２３を付加することもできる。

【０１８７】以上本実施例では、在不在判定信号Ｚを求
める際に、活動量センサと電力計と在室申告手段から求
めていることに特徴があり、それぞれ異なる性質の情報
から総合的に判断して在不在判定信号Ｚを決めることが
できるので、より信頼性の高い在不在判定情報が得られ
る。

【０１８８】（実施例５０）以下本発明の第５０の実施
例について説明する。図６８は、在不在判定信号Ｚを得
るまでの構成を示したブロック図である。図６８におい
て、１１は活動量センサで、実施例１と同様な動作をす
る。１８は光センサで、実施例４０と同様な動作をす
る。１９は音センサで、実施例４１と同様な動作をす
る。２０は電力計で、実施例４２と同様な動作をする。
１２は前処理部で、詳しい構成を図６９に示す。図６９
において、１２２は在不在判定結果記憶手段で、実施例
１の在不在判定結果記憶手段１２２と同様な動作をす
る。１２４は活動量依存在不在判定手段で、実施例１の
在不在判定手段１２１と同様な動作をする。１２５は明
るさ依存在不在判定手段で、実施例４０の明るさ依存在
不在判定手段１２５と同様な動作をする。１２７は音依
存在不在判定手段で、実施例４１の音依存在不在判定手
段１２７と同様な動作を行う。１２８は電力依存在不在
判定手段で、実施例４２の電力依存在不在判定手段１２
８と同様な動作をする。１２６は総合逐次在不在判定手
段で、活動量依存在不在判定手段１２４から出力された
活動量依存逐次在不在判定信号Ｚ_c1と明るさ依存在不在
判定手段１２５から出力された明るさ依存在不在判定信
号Ｚ_c2と音依存在不在判定手段１２７から出力された音
依存在不在判定信号Ｚ_c3と電力依存在不在判定手段１２
８から出力された電力依存在不在判定信号Ｚ_c4から、例
えば次式を用いて、逐次在不在判定信号Ｚｃを出力す
る。 Ｚｃ ＝ Ｚ_c1 ＋ Ｚ_c2 ＋ Ｚ_c3 ＋ Ｚ_c4 そして、Ｚｃの値が、 Ｚｃ ＞ １ ならばＺｃに１を代入し、Ｚｃを出力する。それ以外で
はそのままのＺｃの値が出力される。

【０１８９】上述の構成によって、在不在判定信号Ｚを
求めることができるが、この構成（図６８）を、実施例
１〜３１における活動量センサ１１と前処理部１２の部
分と置き換えることができる。また、図６９において総
合逐次在不在判定手段１２６から出力されている逐次在
不在判定信号Ｚｃを前処理部１２から出力させれば、こ
の構成（図６８）を、実施例３２〜３９における活動量
センサ１１と前処理部１２の部分と置き換えることがで
きる。また、図６９において、在不在判定結果記憶手段
１２２の後に、実施例２で述べた在不在判定補正手段１
２３を付加することもできる。

【０１９０】以上本実施例では、在不在判定信号Ｚを求
める際に、活動量センサと光センサと音センサと電力計
と在室申告手段から求めていることに特徴があり、それ
ぞれ異なる性質の情報から総合的に判断して在不在判定
信号Ｚを決めることができるので、より信頼性の高い在
不在判定情報が得られる。

【０１９１】（実施例５１）以下本発明の第５１の実施
例について説明する。図７０は、在不在判定信号Ｚを得
るまでの構成を示したブロック図である。図７０におい
て、１１は活動量センサで、実施例１と同様な動作をす
る。１８は光センサで、実施例４０と同様な動作をす
る。１９は音センサで、実施例４１と同様な動作をす
る。２１は在室申告手段で、実施例４３と同様な動作を
する。１２は前処理部で、詳しい構成を図７１に示す。
図７１において、１２２は在不在判定結果記憶手段で、
実施例１の在不在判定結果記憶手段１２２と同様な動作
をする。１２４は活動量依存在不在判定手段で、実施例
１の在不在判定手段１２１と同様な動作をする。１２５
は明るさ依存在不在判定手段で、実施例４０の在不在判
定手段１２５と同様な動作をする。１２７は音依存在不
在判定手段で、実施例４１の音依存在不在判定手段１２
７と同様な動作をする。１２６は総合逐次在不在判定手
段で、活動量依存在不在判定手段１２４から出力された
活動量依存逐次在不在判定信号Ｚ_c1と明るさ依存在不在
判定手段１２５から出力された明るさ依存在不在判定信
号Ｚ_c2と音依存在不在判定手段１２７から出力された音
依存在不在判定信号Ｚ_c3と申告信号Ｓｅから、例えば以
下の方法を用いて、１日の対象としている期間の逐次在
不在判定Ｚｃを決定し、出力する。以下に、決定方法の
一例を説明する。まず、対象としている期間に、１回も
申告信号Ｓｅが入力されなければ、例えば次式に従って
逐次在不在判定信号Ｚｃを決定する。 Ｚｃ ＝ Ｚ_c1 ＋ Ｚ_c2 ＋Ｚ_c3 そして、Ｚｃの値が、 Ｚｃ ＞ １ ならばＺｃに１を代入し、逐次在不在判定信号Ｚｃを出
力する。それ以外ではそのままのＺｃの値が出力され
る。また、もし１回でも申告信号Ｓｅが入力されれば、
その期間は、活動量依存逐次在不在判定信号Ｚ_c1と明る
さ信号在不在判定信号Ｚ_c2と音依存在不在判定信号Ｚ_c3
の値に関わらず、常に逐次在不在判定Ｚｃに１が代入さ
れ、出力される。

【０１９２】上述の構成によって、在不在判定信号Ｚを
求めることができるが、この構成（図７０）を、実施例
１〜３１における活動量センサ１１と前処理部１２の部
分と置き換えることができる。また、図７１において総
合逐次在不在判定手段１２６から出力されている逐次在
不在判定信号Ｚｃを前処理部１２から出力させれば、こ
の構成（図７０）を、実施例３２〜３９における活動量
センサ１１と前処理部１２の部分と置き換えることがで
きる。また、図７１において、在不在判定結果記憶手段
１２２の後に、実施例２で述べた在不在判定補正手段１
２３を付加することもできる。

【０１９３】以上本実施例では、在不在判定信号Ｚを求
める際に、活動量センサと光センサと音センサと在室申
告手段から求めていることに特徴があり、それぞれ異な
る性質の情報から総合的に判断して在不在判定信号Ｚを
決めることができるので、より信頼性の高い在不在判定
情報が得られる。

【０１９４】（実施例５２）以下本発明の第５２の実施
例について説明する。図７２は、在不在判定信号Ｚを得
るまでの構成を示したブロック図である。図７２におい
て、１１は活動量センサで、実施例１と同様な動作をす
る。１９は音センサで、実施例４１と同様な動作をす
る。２０は電力計で、実施例４２と同様な動作をする。
２１は在室申告手段で、実施例４３と同様な動作をす
る。１２は前処理部で、詳しい構成を図７３に示す。図
７３において、１２２は在不在判定結果記憶手段で、実
施例１の在不在判定結果記憶手段１２２と同様な動作を
する。１２４は活動量依存在不在判定手段で、実施例１
の在不在判定手段１２１と同様な動作をする。１２７は
音依存在不在判定手段で、実施例４１の音依存在不在判
定手段１２７と同様な動作をする。１２８は電力依存在
不在判定手段で、実施例４２の電力依存在不在判定手段
１２８と同様な動作をする。１２６は総合逐次在不在判
定手段で、活動量依存在不在判定手段１２４から出力さ
れた活動量依存逐次在不在判定信号Ｚ_c1と音依存在不在
判定手段１２７から出力された音依存在不在判定信号Ｚ
_c3と電力依存在不在判定手段１２８から出力された電力
依存在不在判定信号Ｚ_c4と申告信号Ｓｅから、例えば以
下の方法を用いて、１日の対象としている期間の逐次在
不在判定Ｚｃを決定し、出力する。以下に、決定方法の
一例を説明する。まず、対象としている期間に、１回も
申告信号Ｓｅが入力されなければ、例えば次式に従って
逐次在不在判定信号Ｚｃを決定する。 Ｚｃ ＝ Ｚ_c1 ＋ Ｚ_c3 ＋Ｚ_c4 そして、Ｚｃの値が、 Ｚｃ ＞ １ ならばＺｃに１を代入し、逐次在不在判定信号Ｚｃを出
力する。それ以外ではそのままのＺｃの値が出力され
る。また、もし１回でも申告信号Ｓｅが入力されれば、
その期間は、活動量依存逐次在不在判定信号Ｚ_c1と音依
存在不在判定信号Ｚ _c3と電力依存在不在判定信号Ｚ_c4の
値に関わらず、常に逐次在不在判定Ｚｃに１が代入さ
れ、出力される。

【０１９５】上述の構成によって、在不在判定信号Ｚを
求めることができるが、この構成（図７２）を、実施例
１〜３１における活動量センサ１１と前処理部１２の部
分と置き換えることができる。また、図７３において総
合逐次在不在判定手段１２６から出力されている逐次在
不在判定信号Ｚｃを前処理部１２から出力させれば、こ
の構成（図７２）を、実施例３２〜３９における活動量
センサ１１と前処理部１２の部分と置き換えることがで
きる。また、図７３において、在不在判定結果記憶手段
１２２の後に、実施例２で述べた在不在判定補正手段１
２３を付加することもできる。

【０１９６】以上本実施例では、在不在判定信号Ｚを求
める際に、活動量センサと音センサと電力計と在室申告
手段から求めていることに特徴があり、それぞれ異なる
性質の情報から総合的に判断して在不在判定信号Ｚを決
めることができるので、より信頼性の高い在不在判定情
報が得られる。

【０１９７】（実施例５３）以下本発明の第５３の実施
例について説明する。図７４は、在不在判定信号Ｚを得
るまでの構成を示したブロック図である。図７４におい
て、１１は活動量センサで、実施例１と同様な動作をす
る。１８は光センサで、実施例４０と同様な動作をす
る。２０は電力計で、実施例４２と同様な動作をする。
２１は在室申告手段で、実施例４３と同様な動作をす
る。１２は前処理部で、詳しい構成を図７５に示す。図
７５において、１２２は在不在判定結果記憶手段で、実
施例１の在不在判定結果記憶手段１２２と同様な動作を
する。１２４は活動量依存在不在判定手段で、実施例１
の在不在判定手段１２１と同様な動作をする。１２５は
明るさ依存在不在判定手段で、実施例４０の明るさ依存
在不在判定手段１２５と同様な動作をする。１２８は電
力依存在不在判定手段で、実施例４２の電力依存在不在
判定手段１２８と同様な動作をする。１２６は総合逐次
在不在判定手段で、活動量依存在不在判定手段１２４か
ら出力された活動量依存逐次在不在判定信号Ｚ _c1と明る
さ依存在不在判定手段１２５から出力された明るさ依存
在不在判定信号Ｚ_c2と電力依存在不在判定手段１２８か
ら出力された電力依存在不在判定信号Ｚ _c4と申告信号Ｓ
ｅから、例えば以下の方法を用いて、１日の対象として
いる期間の逐次在不在判定Ｚｃを決定し、出力する。以
下に、決定方法の一例を説明する。まず、対象としてい
る期間に、１回も申告信号Ｓｅが入力されなければ、例
えば次式に従って逐次在不在判定信号Ｚｃを決定する。 Ｚｃ ＝ Ｚ_c1 ＋ Ｚ_c2 ＋Ｚ_c4 そして、Ｚｃの値が、 Ｚｃ ＞ １ ならばＺｃに１を代入し、逐次在不在判定信号Ｚｃを出
力する。それ以外ではそのままのＺｃの値が出力され
る。また、もし１回でも申告信号Ｓｅが入力されれば、
その期間は、活動量依存逐次在不在判定信号Ｚ_c1と音依
存在不在判定信号Ｚ _c3と電力依存在不在判定信号Ｚ_c4の
値に関わらず、常に逐次在不在判定Ｚｃに１が代入さ
れ、出力される。

【０１９８】上述の構成によって、在不在判定信号Ｚを
求めることができるが、この構成（図７４）を、実施例
１〜３１における活動量センサ１１と前処理部１２の部
分と置き換えることができる。また、図７５において総
合逐次在不在判定手段１２６から出力されている逐次在
不在判定信号Ｚｃを前処理部１２から出力させれば、こ
の構成（図７４）を、実施例３２〜３９における活動量
センサ１１と前処理部１２の部分と置き換えることがで
きる。また、図７５において、在不在判定結果記憶手段
１２２の後に、実施例２で述べた在不在判定補正手段１
２３を付加することもできる。

【０１９９】以上本実施例では、在不在判定信号Ｚを求
める際に、活動量センサと光センサと電力計と在室申告
手段から求めていることに特徴があり、それぞれ異なる
性質の情報から総合的に判断して在不在判定信号Ｚを決
めることができるので、より信頼性の高い在不在判定情
報が得られる。

【０２００】（実施例５４）以下本発明の第５４の実施
例について説明する。図７６は、在不在判定信号Ｚを得
るまでの構成を示したブロック図である。図７６におい
て、１１は活動量センサで、実施例１と同様な動作をす
る。１８は光センサで、実施例４０と同様な動作をす
る。１９は音センサで、実施例４１と同様な動作をす
る。２０は電力計で、実施例４２と同様な動作をする。
２１は在室申告手段で、実施例４３と同様な動作をす
る。１２は前処理部で、詳しい構成を図７７に示す。図
７７において、１２２は在不在判定結果記憶手段で、実
施例１の在不在判定結果記憶手段１２２と同様な動作を
する。１２４は活動量依存在不在判定手段で、実施例１
の在不在判定手段１２１と同様な動作をする。１２５は
明るさ依存在不在判定手段で、実施例４０の明るさ依存
在不在判定手段１２５と同様な動作をする。１２７は音
依存在不在判定手段で、実施例４１の音依存在不在判定
手段１２７と同様な動作をする。１２８は電力依存在不
在判定手段で、実施例４２の電力依存在不在判定手段１
２８と同様な動作をする。１２６は総合逐次在不在判定
手段で、活動量依存在不在判定手段１２４から出力され
た活動量依存逐次在不在判定信号Ｚ_c1と明るさ依存在不
在判定手段１２５から出力された明るさ依存在不在判定
信号Ｚ_c2と音依存在不在判定手段１２７から出力された
音依存在不在判定信号Ｚ_c3と電力依存在不在判定手段１
２８から出力された電力依存在不在判定信号Ｚ_c4と申告
信号Ｓｅから、例えば以下の方法を用いて、１日の対象
としている期間の逐次在不在判定Ｚｃを決定し、出力す
る。以下に、決定方法の一例を説明する。まず、対象と
している期間に、１回も申告信号Ｓｅが入力されなけれ
ば、例えば次式に従って逐次在不在判定信号Ｚｃを決定
する。 Ｚｃ ＝ Ｚ_c1 ＋ Ｚ_c2 ＋ Ｚ_c3 ＋ Ｚ_c4 そして、Ｚｃの値が、 Ｚｃ ＞ １ ならばＺｃに１を代入し、逐次在不在判定信号Ｚｃを出
力する。それ以外ではそのままのＺｃの値が出力され
る。また、もし１回でも申告信号Ｓｅが入力されれば、
その期間は、活動量依存逐次在不在判定信号Ｚ_c1と明る
さ依存在不在判定信号Ｚ^c2と音依存在不在判定信号Ｚ_c3
と電力依存在不在判定信号Ｚ_c4の値に関わらず、常に逐
次在不在判定Ｚｃに１が代入され、出力される。

【０２０１】上述の構成によって、在不在判定信号Ｚを
求めることができるが、この構成（図７６）を、実施例
１〜３１における活動量センサ１１と前処理部１２の部
分と置き換えることができる。また、図７７において総
合逐次在不在判定手段１２６から出力されている逐次在
不在判定信号Ｚｃを前処理部１２から出力させれば、こ
の構成（図７６）を、実施例３２〜３９における活動量
センサ１１と前処理部１２の部分と置き換えることがで
きる。また、図７７において、在不在判定結果記憶手段
１２２の後に、実施例２で述べた在不在判定補正手段１
２３を付加することもできる。

【０２０２】以上本実施例では、在不在判定信号Ｚを求
める際に、活動量センサと光センサと音センサと電力計
と在室申告手段から求めていることに特徴があり、それ
ぞれ異なる性質の情報から総合的に判断して在不在判定
信号Ｚを決めることができるので、より信頼性の高い在
不在判定情報が得られる。

【０２０３】（実施例５５）以下本発明の第５５の実施
例について説明する。図７８は、在不在判定信号Ｚを得
るまでの構成を示したブロック図である。図７８におい
て、２２は一定の時間間隔で計測した赤外線画像から画
像処理を行い、一定の時間間隔で、人数や位置などを検
知し、出力する人情報検知システムである。この人情報
検知システムの製品例として、「ＩＳ−１」（松下電器
産業株式会社）がある。１２は前処理部で、詳しい構成
を図７９に示す。図７９において、１２２は在不在判定
結果記憶手段で、実施例１の在不在判定結果記憶手段１
２２と同様な動作をする。１２１は在不在判定手段で、
以下にその動作例を説明する。図８０は在不在判定手段
１２１の動作例を説明した流れ図である。図８０におい
て、まず、在不在判定手段１２１は、人情報検知システ
ム２２から出力された人数情報信号Ｎ_hが在不在判定手
段１２１に入力され、内部に保持しているカウンタＣの
値を１増やす。そして、 Ｎ_h ＞ ０ ならば、在不在判定手段１２１の内部に保持している累
積在室回数ｗを次式で更新する。 ｗ ＝ ｗ ＋ １ 以上の動作を予め設定したサンプル期間の間、繰り返
す。なお、サンプル期間が終了したか否かを判断するに
は、人情報検知システムから一定間隔で信号が送られて
くるので、在不在判定手段１２１では、時計を利用せず
ともカウンタ値Ｃの値でサンプル期間が終了したか否か
を判断することが可能である。また、カウンタＣ及び累
積在室回数ｗは、一つのサンプル期間が終了した時点
で、０にリセットされる。次に、サンプル期間が終了し
た後は、平均在室利率ｈを次式に従って算出する。 ｈ ＝ ｗ ／ Ｃ そして、在不在判定手段１２１が内部に予め保持してい
るしきい値Ｔ_hと比較して、 ｈ ＞ Ｔ_h ならば、逐次在不在判定信号Ｚｃに１が代入され、出力
される。逆に、 ｈ ≦ Ｔ_h ならば、逐次在不在判定信号Ｚｃに０が代入され、出力
される。

【０２０４】上述の構成によって、在不在判定信号Ｚを
求めることができるが、この構成（図７８）を、実施例
１〜３１における活動量センサ１１と前処理部１２の部
分と置き換えることができる。また、図７９において在
不在判定手段１２１から出力されている逐次在不在判定
信号Ｚｃを前処理部１２から出力させれば、この構成
（図７８）を、実施例３２〜３９における活動量センサ
１１と前処理部１２の部分と置き換えることができる。
また、図７９において、在不在判定結果記憶手段１２２
の後に、実施例２で述べた在不在判定補正手段１２３を
付加することもできる。

【０２０５】さらに、本実施例での人情報検知システム
２２を実施例４０〜５４での活動量センサ１１と置き換
えることができると同時に、本実施例での在不在判定手
段１２１を実施例４０〜５４での活動量依存在不在判定
手段１２４と置き換えることができる。

【０２０６】以上本実施例では、在不在判定信号Ｚを求
める際に、人情報検知システムを用いている点に特徴が
ある。活動量センサを用いた場合は、人と人以外の移動
物体を識別することが困難であったが、人情報検知シス
テム２２は、計測した赤外線画像に画像処理を行って、
人と人以外の熱物体を検知することができ、人検知精度
が向上するので、在室予測の精度も向上する。

【０２０７】（実施例５６）以下本発明の第５６の実施
例について説明する。図８１は、在不在判定信号Ｚを得
るまでの構成を示したブロック図である。図８１におい
て、２２は人情報検知システムで、実施例５５の人情報
検知システム２２と同様な動作をする。１１は活動量セ
ンサで、実施例１の活動量センサと同様な動作をする。
１２は前処理部で、詳しい構成を図８２に示す。図８２
において、１２２は在不在判定結果記憶手段で、実施例
１の在不在判定結果記憶手段１２２と同様な動作をす
る。１２９は人情報依存在不在判定手段で、実施例５５
における在不在判定手段１２１と同様な動作をする。１
２４は活動量依存在不在判定手段で、実施例１の在不在
判定手段１２１と同様な動作をする。１２１は在不在判
定手段で、人情報依存在不在判定手段１２９から出力さ
れた人情報依存在不在判定信号Ｚ_c5と活動量依存在不在
判定手段１２４から出力された活動量依存逐次在不在判
定信号Ｚ_c1から、逐次在不在判定Ｚｃを出力する。な
お、人情報依存在不在判定信号Ｚ_c5と活動量依存逐次在
不在判定信号Ｚ_c1は同期して出力される。在不在判定手
段１２１は、入力された人情報依存在不在判定信号Ｚ_c5
と活動量依存逐次在不在判定信号Ｚ_c1から、例えば次式
に従って逐次在不在判定信号Ｚｃを決定する。 Ｚｃ ＝ Ｚ_c1 × Ｚ_c5 以上、本実施例では、在不在判定信号Ｚを求める際に、
人情報検知システム２２と活動量センサ１１を併用して
いることが特徴である。上記の二つのセンサを併用する
ことによって、例えば、活動量センサ１１で人以外の移
動物体を検知してしまった場合でも、人情報検知システ
ム２２で、活動量センサ１１の誤った検知を取り除くこ
とができる。逆に、人情報検知システム２２が、屋内の
壁や床の温度分布のばらつきから人以外の熱の分布を人
として判断してしまった場合でも、活動量センサ１１で
その誤りを取り除くことができるので、人検知精度が向
上し、さらに在室予測精度も向上する。

【０２０８】また、この構成（図８１）を、実施例１〜
３１における活動量センサ１１と前処理部１２の部分と
置き換えることができる。また、図８２において在不在
判定手段１２１から出力されている逐次在不在判定信号
Ｚｃを前処理部１２から出力させれば、この構成（図８
１）を、実施例３２〜３９における活動量センサ１１と
前処理部１２の部分と置き換えることができる。また、
図８２において、在不在判定結果記憶手段１２２の後
に、実施例２で述べた在不在判定補正手段１２３を付加
することも可能である。

【０２０９】さらに、本実施例での人情報検知システム
２２と活動量センサ１１の部分を実施例４０〜５４での
活動量センサ１１と置き換えることができると同時に、
本実施例の人情報依存在不在判定手段１２９と活動量依
存在不在判定手段１２４と在不在判定手段１２１の部分
を実施例４０〜５４での活動量依存在不在判定手段１２
４と置き換えることができる。

【０２１０】（実施例５７）以下本発明の第５７の実施
例について、図面を参照しながら説明する。図８３にお
いて、１１は活動量センサで、実施例１の活動量センサ
１１と同様な動作をする。１２は前処理部で、実施例１
の前処理部１２と同様な動作をする。１４はデータ記憶
手段で、実施例１のデータ記憶手段１４と同様な動作を
する。１５は予測部で、実施例１の予測部１５と同様な
動作をする。１６は予測値出力手段で、実施例１の予測
値出力手段１６と同様な動作をする。１３は分類部で、
図８４に詳しい構成を示す。図８４において、１３１は
類似度算出手段で、実施例１の類似度算出手段１３１と
同様な動作をする。１３２は最適クラスタ決定手段で、
実施例１の最適クラスタ決定手段１３２と同様な動作を
する。１３３は更新手段で、以下に動作を説明する。更
新手段１３３の入力の一つに、予測値出力手段１６から
出力される予測在室率信号Ｐｒがフィードバックして入
力されており、その他に、最適クラスタ決定手段１３２
から出力される最適クラスタに相当する標準パターン信
号Ｒｅと最適クラスタ番号信号Ｎｃが入力されている。
そして、更新手段１３３は、まず、誤差Ｅを算出する。
誤差Ｅの算出方法例は、最適クラスタに相当する標準パ
ターンの１日の開始から第ｉ番目の期間の値をＲ_iと
し、１日の開始から第ｉ番目の期間の予測在室率の値を
Ｐ_iとすると、

【０２１１】

【数９】

【０２１２】（ただし、ｎは１日を分割した数とす
る。）で、算出される。次に、更新手段１３３は、内部
に関数ｆを保持しており、変数αを次式で決定する。 α ＝ ｆ（ Ｅ ） （ただし、αは０より大きく１以下の実数である。） そして、最適クラスタに相当する標準パターンを更新す
る。更新方法は、例えば次式に従って求められる。 Ｒ_i ＝ Ｒ_i ＋ α×（Ｚ_i−Ｒ_i） （ｉ＝０〜ｎ−
１） （ただし、Ｚｉは１日のｉ番目の期間の在不在判定結果
である。） 以上より、本実施例では標準パターンＲｅを更新する際
に予測誤差を考慮して更新しているので、例えば、対象
とする人の生活習慣等が変化して、それによって在不在
判定結果が変わった場合でも標準パターンＲｅは、すば
やく追従することができる。なお本実施例は、実施例２
２、２３、２６を除くその他の全ての実施例に適用する
ことが可能である。

【０２１３】（実施例５８）以下本発明の第５８の実施
例について説明する。本実施例の全体構成は実施例１
（図１）と同様な構成である。１１は活動量センサで実
施例１と同様な動作をする。１２は前処理部で、実施例
１または実施例２のいずれかの前処理部１２と同様な構
成で、同様な動作をするものである。１３は分類部で、
実施例１、３、５、６、７、８、９、１０、１４のいず
れかと同様な構成で、同様な動作をする。１４はデータ
記憶手段で、実施例１と同様な動作をする。１５は予測
部で、実施例１、１５、１６、１７、１８、１９、２
０、２１のいずれかと同様な構成で、同様な動作をす
る。１６は予測値出力手段で、予測部１５から出力され
た予測クラスタ番号信号Ｎｐと時計とデータ記憶手段１
４から出力された標準パターン信号Ｒｅから、予測クラ
スタに相当する標準パターン信号Ｒｅを出力する。な
お、予測値出力手段１６で、標準パターンＲｅを出力す
る際、実施例２８に示したのと同様な方法で標準パター
ンを補正した後、出力することも可能である。

【０２１４】以上より、本実施例では、予測したクラス
タに相当する標準パターン信号Ｒｅそのものを出力する
ことが特徴で、出力した標準パターン情報の利用方法
は、本発明である在室予測装置を応用した機器側にゆだ
ねられることになる。なお本実施例は、これまでの記載
した全ての実施例に適用することが可能である。また、
予測値出力手段１６の出力形態としては、標準パターン
と、実施例１、実施例２２から３１に記載した予測値出
力手段１６の出力形態と組み合わせることも可能であ
る。

【０２１５】（実施例５９）以下本発明の第５９の実施
例について、図面を参照しながら説明する。図８５にお
いて、１１は活動量センサで、実施例１の活動量センサ
１１と同様な動作をする。１２は前処理部で、実施例１
の前処理部１２と同様な動作をする。１３は分類部で、
実施例１の分類部１３と同様な動作をする。１４はデー
タ記憶手段で、実施例１のデータ記憶手段１４と同様な
動作をする。１５は予測部で、実施例１の予測部１５と
同様な動作をする。１６は予測値出力手段で、実施例１
の予測値出力手段１６と同様な動作をする。２３はタイ
マーで、２つの信号を出力する。１つは、読み込み指示
信号ｇ_a1で、もう一つは、サンプル期間終了信号ｇ_a2で
ある。以下にタイマー２３の動作を説明する。まず、タ
イマー２３は内部にカウンタＣ₁とＣ₂を保持しており、
一定の時間間隔でカウンタＣ₁の値を１増やす。そし
て、カウンタＣ₁が所定の値になったところで、読み込
み指示信号ｇ_a1を出力するとともに、カウンタＣ₁の値
を０にリセットし、カウンタＣ₂の値を１増やす。そし
て、カウンタＣ₂が所定の値になったところで、サンプ
ル期間終了信号ｇ_a2を出力し、カウンタＣ₂の値を０に
リセットする。以上の動作をタイマー２３は、繰り返し
行う。

【０２１６】一方、前処理部１２は、読み込み信号ｇ_a1
が入力されると、活動量センサから出力されているパル
ス信号Ｐａを読み込む。また、サンプル期間終了信号ｇ
_a2が入力されると、前回、サンプル期間終了信号ｇ_a2が
入力された時点から現在までの期間の在不在判定Ｚｃを
決定する。また予測値出力手段１６に、サンプル期間終
了信号ｇ_a2が、入力された場合は、前回から一つ先の期
間に相当する予測在室率を出力する。例えば、読み込み
指示信号ｇ_a1が３０秒間隔で出力されるとすると、前処
理部１２は、３０秒間隔でパルス信号Ｐａを読み込む。
また、サンプル期間終了信号ｇ_a2がカウンタＣ₂の値が
６０に達した時（つまり、３０分間隔）出力されるとす
ると、３０分期間毎の在不在判定Ｚｃが決定されるとと
もに、次の３０分間の予測在室率Ｐｒが予測値出力手段
１６から出力される。

【０２１７】以上、本実施例の特徴は、時計を用いた絶
対時刻情報から在不在判定を行っているのではなくて、
タイマーを用いた相対時刻情報から在不在判定を行って
いる点である。よって、本実施例は時計を必要とせず、
カウンタを用意するだけで実現することが可能である。
なお本実施例は、これまで記載の全ての実施例に適応す
ることができる。

【０２１８】（実施例６０）以下本発明の第６０の実施
例について、図面を参照しながら説明する。図８６にお
いて、１１は活動量センサで、実施例１の活動量センサ
１１と同様な動作をする。１３は分類部で、実施例１の
分類部１３と同様な動作をする。１４はデータ記憶手段
で、実施例１のデータ記憶手段１４と同様な動作をす
る。１５は予測部で、実施例１の予測部１５と同様な動
作をする。１６は予測値出力手段で、実施例１の予測値
出力手段１６と同様な動作をする。１８は光センサで実
施例４０の光センサ１８と同様な動作をする。２３はタ
イマーで、実施例５８と同様な動作をする。１２は前処
理部で、詳しい構成を図８７に示す。１２１は在不在判
定手段で、読み込み指示信号ｇ_a1が入力される度にパル
ス信号Ｐａを読み込む。また、サンプル期間終了信号ｇ
_a2が入力される度にその期間の在不在判定Ｚｃを決定し
て出力する。１２２は在不在判定結果記憶手段で、在不
在判定手段１２１から出力された逐次在不在判定信号Ｚ
ｃを記憶する。１３０は１日区切り決定手段で、１日の
開始時刻を決定するものである。以下に動作を説明す
る。まず、読み込み指示信号ｇ_a1が入力される度に１日
区切り決定手段１３０は、明るさ信号ｈを読み込み記憶
する。そして、サンプル期間終了信号ｇ_a2が入力される
度に、それまで記憶していた明るさ信号ｈの明るさ平均
値Ａ_hを算出し、記憶する。

【０２１９】なお、明るさ平均値Ａ_hを算出した後は、
それまで記憶した明るさ信号ｈの値はクリアされる。図
８８は、明るさ平均値Ａ_hから、１日の区切りを決定す
る方法を示した概念図である。図８８に示しているよう
に、１日区切り決定手段１３０は１日目からＮ日目（Ｎ
は予め決めておく）までの明るさ平均値Ａ_hを記憶して
おき、Ｎ日目が終了した時点で、平均Ａ_hを求める。こ
の時点までの１日の開始は、計測を始めた時点を仮の１
日の開始時点としている。平均Ａ_hは、ｉ日目のｊ番目
の期間の明るさ平均値Ａ_hをＡ_ijとして、ｊ番目の平均
Ａ_hの値をＡｖ_jとして、

【０２２０】

【数１０】

【０２２１】で、計算することができる。そして、１日
区切り決定手段１３０の内部に予め保持しているしきい
値Ｔ_Ah以下の期間を探索し、例えば、該当する期間の中
央の時刻を、１日の開始時点とする。また、しきい値Ｔ
_Ah以下の平均Ａ_hの値を持つ期間が２箇所以上ある場合
は、より長い期間持つ方を採用する。また。該当する期
間がなければ、上記の仮の開始時点をそのまま、正規の
開始時点とする。

【０２２２】なお、正規の開始時点が決まるまでは、本
実施例の在室予測装置は計測開始時点を、一日の起点と
して扱い、それまでの在不在データの平均在室率を出力
する。以下の説明は、正規の１日の開始時点が決定した
後の説明である。正規の１日開始時点が決定した時点か
ら、１日区切り決定手段１３０の内部に保持しているそ
れまで０にリセットされていたカウンタＣｚの値が、サ
ンプル期間終了信号ｇ _a2が入力される度に１増やされ
る。そして、所定の値になった時点で（例えば、１日を
３０分割している場合は、カウンタ値が３０になった時
点で）、在不在判定出力指示信号ｇｚを出力し、カウン
タＣｚを０でリセットする。在不在判定結果記憶手段１
２２は、最初に在不在判定出力指示信号ｇｚが入力れた
時点から逐次在不在判定信号Ｚｃを読み込み始めて、次
からは在不在判定出力指示信号ｇｚが入力される度に、
在不在判定信号Ｚを出力する。

【０２２３】以上本実施例では、１日の開始時点を光セ
ンサの計測結果から、明るさ度が小さい時刻を１日の開
始時点に決めることが特徴である。たいていの場合、人
は眠ることによって日の違いを把握し、行動計画をたて
る。それゆえ、行動パターンの反映である在不在データ
の取扱いは、眠っている時間のどこかに定めるのが妥当
である。最も多く人が眠っている時間帯は１９８５年や
１９９０年のＮＨＫ国民生活時間調査にあるように午前
４時近辺の真夜中である。それゆえ、真夜中を絶対時刻
情報を用いずに、光センサの計測結果から判断し、日の
区切りとすることは妥当である。また、人の活動しない
時間帯に１日の区切りを設けることによって、例えば、
本発明である在室予測装置を空調機に応用する場合に、
標準パターンの更新等の予測装置独自の計算負荷のかか
る処理を、その他の制御部分の処理の負荷がかからない
時間帯行うことができるという利点がある。なお本実施
例は、これまで記載した全ての実施例に適応することが
できる。

【０２２４】（実施例６１）以下本発明の第６１の実施
例について図面を参照しながら説明する。本実施例は、
在室予測装置を空気調和機の制御に応用した一例であ
る。最初に各部の構成を説明する。図８９において５０
０は室内の人を検出するための赤外線センサ、５０１は
在室予測装置、５０２は外気温を検出する温度センサ、
５０３は利用者の操作を受け付けるリモコン、５０４は
赤外線センサ５００から得られる人の有無状態の各々の
状態の継続時間を計数する継続時間計数部、５０５は在
室予測装置の出力である標準パターン信号の予測在室率
の高さに応じて１日を複数に分割する予測レベル分割
部、５０６は温度センサ５０２から得られる外気温から
熱負荷のレベルを推定する熱負荷推定部、５０７はリモ
コン５０３の設定で運転を行うか、それとも、それとは
設定を変更して運転を行うかを判断する在不在運転切替
部、５０８は予測レベル分割部５０５の出力である予測
レベルによって分割されたその日の時間分割から現在時
点の予測レベルと、それとは異なった予測レベルまでの
時間を算出する推移時間算出部、５０９は運転モードと
制御指標の値を決定する運転モ−ド決定部である。

【０２２５】最初に、本制御装置の運転モードの種類を
図９０を参照しながら説明する。本実施例における運転
モードは、Ｍ１からＭ４の４種類である。また、スタン
バイモードとキープモードとオフモードは不在時の運転
であるので以降、不在時運転モードと呼ぶ。

【０２２６】Ｍ１：通常運転モード Ｍ２：スタンバイモード Ｍ３：キープモード Ｍ４：オフモード Ｍ１の通常運転モードは、人が部屋に在室している時の
運転モードでリモコン設定値に従い運転する。Ｍ２のス
タンバイモードは、人が部屋に居ない状態であるが、入
室があった場合に短時間でリモコン設定値の状態にする
ことができる状態を保持するモードである。ここで短時
間とは数分程度である。Ｍ３のキープモードは、放って
おけば厳寒日や厳暑日のように室内が冷えきったり、暑
くなりすぎて快適になるまでに数１０分から数時間もか
かるような環境条件の時に、そうならないように最低温
度レベルは下支えする運転を行うモードである。Ｍ４の
オフモードは室内の温度を下支えしない運転である。こ
の運転モードは運転モードが決定されて以降、空気調和
機を完全に停止させるモードではなく、制御決定の中
で、運転モードが他のモードに変更になったときには再
び動作することも有り得るモードである。図９０の判断
Ｃ１と判断Ｃ２のタイミングは異なる。すなわち、赤外
線センサ５００よる人検出は常に行っているのでＣ１は
任意の時間に行われる。Ｃ２は不在時の運転モード切り
替えなので、通常運転モードから不在時の運転モードに
切り替わった瞬間と、それ以降定期的に行われる。本実
施例では例えば３０分毎に定期的に不在時の運転モード
のチェックを行っている。

【０２２７】次に、以上のように構成された空気調和機
の制御装置において、その動作を入出力情報を説明しな
がら説明する。空気調和機には赤外線センサ５００が設
置されている。その種類は、たとえば従来用いられてい
るような熱物体の動きに反応してパルスを出力する活動
量センサのようなセンサの場合でも良いし、エリア内の
温度分布を取り込み画像として扱う熱画像処理などを用
いた人情報検知システムでも良い。動作としては活動量
センサの場合は３０秒毎に、その３０秒間の出力パルス
数の積算値を検出する。そこから、ノイズなどの影響も
考慮し、あらかじめ定められたしきい値を用いて３０秒
間に人が室内に居たか居なかったかを判断し、人検知信
号５１０を出力する。また人情報検知システムの場合は
熱画像処理により人の切り出しを行い、人の有無を一定
時間毎に検出する。次に継続時間計数部５０４では、人
検知信号５１０により人の有無状態がどの程度の時間継
続されたかを計数する。ここで、人の有無状態の計数を
行う目的は、利用者が部屋を使用する意志があるかない
かを推定するためである。部屋を短時間だけ他の用事で
離れていても、すぐ戻る場合は部屋を継続して利用する
意志が利用者にはあると考えるのが妥当で、人が居ない
からといってあまり温度を下げたり、空気調和機を停止
させたりすることは使い勝手の点で良くない。また、キ
ープモードやスタンバイモード、オフモードなど不在時
の運転を行っているときに人が部屋に入ってきて、部屋
をその時点以降使用すると考えられるときには通常運転
にするが、その際、ただ単に部屋を通過した程度では今
後部屋を使用するとは考えられないので、通常運転には
戻さないほうが良い。それゆえに、人が居ない状態およ
び、人の居る状態がどの程度続いたかを計数し、状態計
数信号５１４を出力する。在室予測装置５０１では現在
選択されているクラスタに相当する標準パターン信号５
１１を出力する。

【０２２８】次に、予測レベル分割部５０５の動作を図
９１（ａ）、（ｂ）を参照しながら説明する。予測レベ
ル分割部５０５では在室予測装置５０１の出力である標
準パターン信号５１１から、予測レベルを例えば予測在
室率の高さに応じてしきい値Ｐ1、Ｐ2を用いて３つに分
け、それに応じて一日をＡ，Ｂ，Ｃの３つのモードに分
割する。図９１（ａ）は、現在時刻Ｔnにおける選択さ
れた標準パターン５１１を３つのレベルに分割したとこ
ろである。ここで時間は３０分刻みを想定しているの
で、横軸は４８の刻みを持つ。縦軸は予測在室率である
ので最大値は１．０である。時刻Ｔnにおける予測在室
率Ｐnとし、その時刻別予測レベル５１５をＬnとした
時、あらかじめ定められたしきい値Ｐ1とＰ2（たとえば
Ｐ1＝0.7、Ｐ2＝0.2）により、時刻別予測レベルＬnを
以下のように定める。

【０２２９】 ＩＦ 1.0 >= Ｐn > Ｐ1 :Ｌn ＝ Ａ ＩＦ Ｐ1 >= Ｐn > Ｐ2 :Ｌn ＝ Ｂ ＩＦ Ｐ2 >= Ｐn >= 0.0 :Ｌn ＝ Ｃ 図９１（ｂ）は、上記条件により、現在時刻Ｔnを一日
の開始から終了まで変化させたときの各時刻毎の予測レ
ベルを表したものである。このことにより、一日を在室
率の高い時間帯と、低い時間帯と、高いとも低いともい
えないはっきりしない時間帯に分割することができる。
このことは人の生活パターンが、日によってあまり変わ
らず在室する時間帯と、同様に変わらず在室しない時間
帯と、様々な要因で在室するか不在かあまりはっきり決
まっていない時間帯があることに対応している。

【０２３０】次に、在不在運転切替部５０７の動作を説
明する。在不在運転切替部５０７では継続時間計数部５
０４より得られた、室内の人の有無状態に関する状態計
数信号５１４と予測レベル分割部５０５から得られる時
刻別予測レベル５１５から、リモコン５０３のリモコン
設定値５１３に従い運転を行うか、人が不在なために不
在時の運転を行うかを判断し、切替信号５１７を出力す
る。上記判断の方法は、単純には状態計数信号５０４の
出力にしきい値を設け、例えば現在が不在状態の場合
は、１分間継続して人を検出したらリモコン設定値に運
転を戻し、現在がリモコン設定値に従って運転している
状態で３０分間継続して人が検出されなかったら、運転
を不在時の運転に切り替えることが考えられる。しか
し、このままだと夜間の就寝のための不在や午前中の通
勤や通学のための不在のように習慣性が高く長い不在で
も３０分も余計にリモコン設定値で運転することになり
省エネルギーの観点からは不経済である。また、不在時
の運転からリモコン設定値の通常運転に戻す場合でも起
床時などや夕方の帰宅時などすぐに暖めたり、冷やした
りしたい場合でも利用者は１分間待たなくてはならない
のは、不便である。そこで、予測レベル分割部５０５の
出力を用いて、次の時間の予測在室率が高い時間帯は、
不在時の運転からリモコン設定値の運転に戻す条件を人
検出継続１分から１０秒に短縮する。また、リモコン設
定値の運転から不在時の運転に切り替える条件を、予測
在室率が低い場合は人非検出継続を３０分から１５分に
短縮するなどする。このことにより、素早い判断が可能
となる。また、人検知信号だけでなく夜間の部屋の使用
不使用の推定に光センサを判断に加えて用いることも可
能である。

【０２３１】次に、推移時間算出部５０８の動作を図９
２（ａ）と（ｂ）を参照しながら説明する。本実施例の
推移時間算出部５０８では予測レベルがＣもしくはＢの
状態からＡまでの推移時間を算出するものとする。つま
り、在室率が高くなるまでの時間を推移時間とする。図
９２（ａ）は現在時刻Ｔnにおける予測レベルがＣで、
最初に予測レベルがＡになる時刻がＴsである例を示し
ている。この場合の推移時間算出部５０８の出力はｄn
＝Ｔs−Ｔnであり、このｄnを推移時間５１８とする。
ｄ1は推移時間５１８の長い、短いの判断を行うしきい
値で、例えば３時間などとする。図９２（ａ）の例では
ｄn ＞ ｄ1であり、予測レベルＡの時間まではかなり時
間があると判断できる。図９２（ｂ）はＴnから時間経
過し、Ｔn’になった状態を示している。ただし、この
間の標準パターン５１１の変化はなかったものとする。
Ｔn’の予測レベルはＴnの時と同様にＣであるが、推移
時間算出部５０８の出力はｄn’＝Ｔs−Ｔn’で、しき
い値ｄ1に対してはｄn’＜ ｄ1であり、予測レベルＡに
なるまであまり時間がない。つまり、予測レベルが同じ
であってもＴnは、Ｔn’より在室する可能性は低いと考
えられ、空気調和機の制御からいっても省エネルギー性
を優先した制御が可能である。

【０２３２】次に、熱負荷レベル推定部５０６では、そ
の時点での空気調和機が設置された部屋の熱負荷の大き
さレベルを推定する。推定する方法は温度センサ５０２
で計測した環境計測信号５１２の一つである外気温Ｔou
tから、熱負荷を大、中、小にランク分けを行う。ま
た、別の方法として、温度センサ５０２で外気温と室温
を計測し、さらにコンプレッサーの周波数から、どの程
度の外気温度で、初期室温がどの程度の時に、どの程度
の能力で運転すればどの程度の室温上昇を行わせること
ができるかを関数化し、熱負荷を推定することも可能で
ある。

【０２３３】次に、運転モード決定部５０９の動作を説
明する。

【０２３４】

【表１】

【０２３５】（表１）は、冷房時における不在時の運転
モードを決定するテーブルである。このテーブルを定め
る際に必要な情報は、予測レベル分割部５０５の出力で
ある時刻別予測レベルＰnと、推移時間算出部５０８の
出力である推移時間ｄnと、熱負荷レベル推定部５０６
の出力である熱負荷レベルである。推移時間の長短を決
めるｄ1は３時間とする。熱負荷レベル大中小は以下に
示す、毎３０分毎の外気温Ｔoutのみの対応付けで行う
ものとする。

【０２３６】 熱負荷大：Ｔout ≧ ３５℃ 熱負荷中：３２℃ ≦ Ｔout ＜ ３５℃ 熱負荷小：Ｔout ＜ ３２℃ また（表１）の各欄の上段は運転モードであり、下段は
設定温度である。予測レベルがＡの場合は、運転モード
は常にスタンバイモードであり、熱負荷レベルの大小に
よってのみ設定温度は異なる。熱負荷が大きいほど設定
温度は低くする。つまり熱負荷が大きい場合は快適にな
るまで時間がかかるので、設定温度をやや低めに維持し
て、快適になるまでの時間を一定になるようにする。予
測レベルがＢの場合の運転モードはキープモードであ
り、熱負荷レベルと推移時間の長さに応じて設定温度を
変える。推移時間が長いほど、部屋の使用の可能性は低
いので、省エネルギーを考えた高めの設定温度としてい
る。予測レベルがＣの場合は、運転モードはキープモー
ドとオフモードである。予測レベルＢの場合と同様に熱
負荷と推移時間で設定温度は異なるが、推移時間が長い
場合で熱負荷が大きくない場合は室温をキープせずに一
旦オフモードにし停止させる。このことにより、人が部
屋を使用する可能性がほとんどないような場合は、空気
調和機を停止させることで省エネルギーを図る。また、
このように停止しているモードがあることは、ユーザー
にとって経済性のみならず心理的にも安心感がある。

【０２３７】以上のような制御を行うことで、タイマー
設定操作のいらない快適性と省エネルギー性を両立する
空気調和機の自動運転が可能となる。また、在室予測装
置の出力のバリエーションに応じて、運転モード決定手
段の制御を変化させることも可能である。

【０２３８】さらに、本実施例では冷房時のときの運転
モードと設定温度の決定テーブルを示したが、暖房時も
同様に定めることができる。また、制御指標を設定温度
だけでなく換気量や空気清浄器の運転強度と連動させる
ことも可能である。その際に、スタンバイ、キープ、オ
フなどの運転モードが制御指標の値を決める際の目安と
なる。 （実施例６２）以下本発明の第６２の実施例について、
図面を参照しながら説明する。図９３は、在室予測装置
を炬燵の制御に応用した一例である。図９３において、
２４は温度レベル決定手段で、予測在室率から温度レベ
ルを決定する。２５は炬燵温度制御部で、入力された温
度レベル信号Ｌｔから、炬燵内部の温度を制御する。以
下、本実施例の動作を説明する。温度レベル決定手段２
４は、次時刻の予測在室率Ｐｒから、炬燵の温度レベル
を決定し、温度レベル信号Ｌｔを出力する。温度レベル
の決定方法は、例えば次の表に従って決定する。

【０２３９】

【表２】

【０２４０】（表２）の制御テーブルを温度レベル決定
手段２４が内部に保持しており、入力された予測在室率
信号Ｐｒを予め内部に保持しているしきい値Ｐ１、Ｐ
２、Ｐ３、Ｐ４と比較して、温度レベルを決定する。
また、温度レベルＬｔを決定する際に、室温を考慮して
決定しても良い。例えば、室温センサーの出力を温度レ
ベル決定手段２４の入力に接続しておき、現在の室温が
Ｔ、次時刻の予測在室率がＰｒとした場合に、温度レベ
ル決定手段２４の内部に予め保持している関数ｆを用い
て、 Ｌｔ ＝ ｆ（Ｔ，Ｐｒ） で決定する。

【０２４１】以上、本実施例では、炬燵の温度制御に在
室予測を応用した例を説明した。上述した制御方法を用
いることにより、人が炬燵に足を入れた時点から、また
は入れた時点から短時間で快適に感じられるとともに、
在室率の低い時間帯はオフにするので、電源の切り忘れ
による電気代の無駄も減らすことができる。

【０２４２】（実施例６３）以下本発明の第６３の実施
例について、図面を参照しながら説明する。図９４は、
在室予測装置を石油ファンヒータの制御に応用した一例
である。図９４において、２６は室温センサで、室内の
温度を計測して出力する。２７は予熱レベル決定手段
で、在室予測装置から出力された予測在室率信号Ｐｒと
高在室率時刻信号Ｐ_Thと室温センサから出力された室温
信号Ｔから予熱開始時刻と予熱開始時刻以降の予熱量を
決定する。２８は予熱制御部で、入力された予熱開始時
刻信号Ｔ _yと予熱量信号Ｓ_yの指示に従って、石油ファン
ヒータを制御する。以下、本実施例の動作を説明する。
予熱レベル決定手段２７は、まず、高在室率時刻信号Ｐ
_Thと室温信号Ｔから、予熱開始時刻を予熱レベル決定手
段２７の内部に予め保持している関数ｆを用いて、 Ｔ_y ＝ ｆ（Ｐ_Th，Ｔ） を決定する。次に、予熱開始時刻以降に各時刻の予熱量
を決定する。これは次時刻の予測在室率Ｐｒから、例え
ば次表に従って決定する。

【０２４３】

【表３】

【０２４４】（表３）に示したように、入力された次時
刻の予測在室率Ｐｒと予め内部に保持しているしきい値
Ｐ１、Ｐ２、Ｐ３と比較して予熱量を決定する。また予
熱量Ｓｙを決定する際に、室温を考慮して決定しても良
い。例えば、現在の室温がＴ、次時刻の予測在室率がＰ
ｒとした場合に、予熱レベル決定手段２７の内部に予め
保持している関数ｇを用いて、 Ｓｙ ＝ ｇ（Ｔ，Ｐｒ） で決定する。

【０２４５】以上本実施例では、石油ファンヒータの予
熱制御に在室予測を応用した例を説明した。上述した制
御方法を用いることにより、人が石油ファンヒータを点
火した時点から短時間で快適に感じられることができ
る。

【０２４６】（実施例６４）以下本発明の第６４の実施
例について、図面を参照しながら説明する。図９５は、
在室予測装置を換気扇の制御に応用した一例である。図
９５において、２６は室温センサで、室内の温度を計測
して出力する。２９は湿度センサで、室内の湿度を計測
して出力する。３０は換気開始時刻決定手段で、在室予
測装置から出力された高在室率時刻信号Ｐ_Thと室温セン
サから出力された室温信号Ｔと湿度センサから出力され
た湿度信号Ｈから、室内の換気を開始する時刻を決定す
る。３１は換気制御部で、入力された換気開始時刻信号
Ｔｋに従って、換気扇を制御する。以下本実施例の動作
を説明する。まず、高在室率時刻信号Ｐ_Thと室温信号Ｔ
と湿度信号Ｈから、換気開始時刻Ｔｋを換気開始時刻決
定手段３０の内部に予め保持している関数ｆを用いて、 Ｔｋ ＝ ｆ（Ｐ_Th，Ｔ，Ｈ） を決定する。なお、関数ｆは、室温Ｔ及び湿度Ｈの値に
よっては換気の必要なしと判断し、換気開始時刻を出力
しない場合も有り得る。

【０２４７】以上本実施例では、換気扇の制御に在室予
測を応用した例を説明した。上述した制御方法を用いる
ことにより、特に夏場、人が外出から帰宅して室内に入
った時のムッとした不快感を軽減することができる。ま
た本実施例の換気扇は、人が外出する際に換気扇を回し
たままにしておくよりも電気代を減らすことができる上
に、人にとっては、回したままにするのと同様な効果を
得ることができる。

【０２４８】（実施例６５）以下本発明の第６５の実施
例について、図面を参照しながら説明する。図９６は、
在室予測装置を電気カーペットの制御に応用した一例で
ある。図９６において、３２は床面温度センサで、床面
の温度を測定して出力する。２４は温度レベル決定手段
で、在室予測装置から出力された予測在室率信号Ｐｒと
床面温度センサから出力された床面温度信号Ｔｆから、
カーペットの温度レベルを決定する。３３はカーペット
温度制御部で、入力された設定温度レベル信号Ｌｆに従
ってカーペットの実際の温度を決定し、制御する。以
下、本実施例の動作を説明する。温度レベル決定手段２
４は、次時刻の予測在室率Ｐｒから、カーペットの温度
レベルを決定し、設定温度レベル信号Ｌｆを出力する。
温度レベルの決定方法は、例えば次表に従って決定す
る。

【０２４９】

【表４】

【０２５０】（表４）の制御テーブルを温度レベル決定
手段２４が内部に保持しており、入力された予測在室率
信号Ｐｒを予め内部に保持しているしきい値Ｐ１、Ｐ
２、Ｐ３、Ｐ４と比較して、設定温度レベルを決定す
る。 また、設定温度レベルＬｆを決定する際に、室温
を考慮して決定しても良い。例えば、室温センサーの出
力を温度レベル決定手段２４の入力に接続しておき、現
在の室温がＴ、床面の温度がＴｆ、次時刻の予測在室率
がＰｒとした場合に、温度レベル決定手段２４の内部に
予め保持している関数ｆを用いて、 Ｌｆ ＝ ｆ（Ｔ，Ｔｆ，Ｐｒ） で決定する。

【０２５１】以上、本実施例では、電気カーペットの温
度制御に在室予測を応用した例を説明した。上述した制
御方法を用いることにより、人がカーペットの上にのっ
た時点から、またはのった時点から短時間で快適に感じ
られるとともに、在室率の低い時間帯はオフにするの
で、電源の切り忘れの防止にもなる。なお、本実施例は
床暖房の制御にも応用することができる。

【０２５２】（実施例６６）以下本発明の第６６の実施
例について、図面を参照しながら説明する。図９７は、
在室予測装置を温水器の制御に応用した一例である。図
９７において、３４は外気温センサで、屋外の温度を計
測して出力する。３５は湯沸かし開始時刻決定手段で、
在室予測装置から出力された高在室率時刻信号Ｐ_Thと外
気温センサから出力された外気温度信号Ｔ_outから、湯
沸かしを開始する時刻を決定する。３６は湯沸かし制御
部で、入力された湯沸かし開始時刻信号Ｔｗに従って、
温水器を制御する。以下本実施例の動作を説明する。ま
ず、高在室率時刻信号Ｐ_Thと外気温度信号Ｔ_outから、
湯沸かし開始時刻Ｔｗを、湯沸かし開始時刻決定手段３
５の内部に予め保持している関数ｆを用いて、 Ｔｋ ＝ ｆ（Ｐ_Th，Ｔ_out） で決定する。

【０２５３】以上本実施例では、温水器の制御に在室予
測を応用した例を説明した。上述した制御方法を用いる
ことにより、例えば、台所や浴室で、人が湯を使用する
時間帯に合わせて適切な温度と量の湯を用意することが
可能となる。

【０２５４】（実施例６７）以下本発明の第６７の実施
例について、図面を参照しながら説明する。図９８は、
在室予測装置を風呂の保温の制御に応用した一例であ
る。図９８において、３７は保温レベル決定手段で、予
測在室率から保温レベルを決定する。３８は保温制御部
で、入力された保温レベル信号Ｌｂから、風呂の湯の温
度を制御する。以下、本実施例の動作を説明する。保温
レベル決定手段３７は、次時刻の予測在室率Ｐｒから、
保温レベルを決定し、保温レベル信号Ｌｂを出力する。
保温レベルの決定方法は、例えば次表に従って決定す
る。

【０２５５】

【表５】

【０２５６】（表５）の制御テーブルを保温レベル決定
手段３７が内部に保持しており、入力された予測在室率
信号Ｐｒを予め内部に保持しているしきい値Ｐ１、Ｐ
２、Ｐ３、Ｐ４と比較して、保温レベルを決定する。

【０２５７】以上、本実施例では、風呂の保温制御に在
室予測を応用した例を説明した。上述した制御方法を用
いることにより、人が風呂に入る時間帯に合わせて湯の
温度を適切に制御することができる。また、予測在室率
の低い時間帯はオフにするので、保温装置の切り忘れに
よる無駄も減らすことができる。

【０２５８】

【発明の効果】以上のように本発明は、対象とする領域
内の人の在及び不在を検出するセンサと、センサからの
反応に基づいて１日のある期間の在、不在を判定する前
処理部と、前処理部から出力された１日分の在不在判定
信号から、自動的にかつ適応的にクラスタ分類し各クラ
スタの標準パターンを更新する分類部と、分類部から出
力された標準パターンを記憶するデータ記憶手段と、分
類部で決められて出力された当日の最適クラスタとそれ
以前の過去の最適クラスタとの相関を記憶し、過去のク
ラスタ時系列から翌日のクラスタを予測する予測部と、
予測部から出力された翌日クラスタとデータ記憶手段か
ら出力された標準パターンから、現在時刻から先の予測
在室率等を出力する予測値出力手段を設けることによ
り、１日毎の在不在判定結果を自動的に最適なクラスタ
分類を行うので、従来の在室予測装置で在室予測精度を
上げるためには必要であった平日や休日等のカテゴリ設
定が不要になる。また、各クラスタ毎に在室率を反映し
た標準パターンを持っており、その標準パターンをもと
にして予測在室率を求めるので、本構成の在室予測装置
を各種機器の制御に応用する場合、在室率に見合った制
御が可能となる。

【０２５９】従って、従来の在室予測装置で、各クラス
タ毎の在不在判定結果の論理和の演算結果から制御した
場合の低在室率の時間帯での無駄なエネルギーの消費の
可能性が本発明の在室予測装置を用いることによって解
消される。また翌日のクラスタの予測は、当日のクラス
タとそれ以前の過去のクラスタとの相関を記憶し、日々
その相関を更新していくので、例えば休日の曜日が変更
になった場合でも、自動的に追従が可能であり、従来の
在室予測装置では必要であったカテゴリ設定の変更とい
う操作が不要となる。また、本発明の在室予測装置で
は、利用者が曜日に基づいて生活しているという前提条
件を設けずに、利用者の生活の規則性を発見的に見つけ
るので、曜日以外の規則で生活している利用者に対して
も対応可能で、精度を落とすことなく在室予測すること
ができる優れた在室予測装置を実現できるものである。

【０２６０】また、特に在室予測装置を空調機に応用し
た場合の効果としては、人の有無を検出する人検知セン
サと、在室予測装置と、リモコンと、人の有無の状態が
どの程度継続したかを計数する継続時間計数部と、在室
予測装置の出力である予測在室率パターンの予測在室率
の高さに応じて１日を複数の時間帯に分割する予測レベ
ル分割部と、リモコンの設定値に従い運転するか、設定
内容と異なった運転を行うかを判断する在不在運転切替
部と、在不在運転切替部から得られる切替信号と、予測
レベル分割部から得られる予測レベルと、リモコンの設
定値から、運転モードと制御指標の値を決定する運転モ
ード決定部を設けることにより、部屋の使い方に応じた
タイマー設定のいらない自動運転ができる優れた空気調
和機の制御装置を実現できるものである。

【図面の簡単な説明】

【図１】本発明の第１の実施例における在室予測装置の
構成を示すブロック図

【図２】本発明の第１の実施例における在室予測装置の
動作説明のための流れ図

【図３】本発明の第１の実施例における予測値出力手段
の予測在室率値を求める方法を説明する概念図

【図４】本発明の第１の実施例における前処理部の構成
を示すブロック図

【図５】本発明の第１の実施例における前処理部の動作
説明のための流れ図

【図６】本発明の第１の実施例における在不在判定結果
記憶手段の記憶方法を説明する概念図

【図７】本発明の第１の実施例における分類部の構成を
示すブロック図

【図８】本発明の第１の実施例における予測部の構成を
示すブロック図

【図９】本発明の第１の実施例における翌日クラスタ予
測手段に用いる系列連想記憶型ニューラル・ネットワー
クを示す図

【図１０】本発明の第１の実施例における図９のニュー
ラル・ネットワークの動作説明のための流れ図

【図１１】本発明の第２の実施例における前処理部の構
成を示すブロック図

【図１２】本発明の第２の実施例における在不在判定補
正手段の補正方法を説明する概念図

【図１３】本発明の第３の実施例における分類部の構成
を示すブロック図

【図１４】本発明の第３の実施例における特徴量抽出手
段の動作説明のための流れ図

【図１５】本発明の第３の実施例における特徴量抽出手
段の特徴量抽出方法を説明する概念図

【図１６】本発明の第４の実施例における在室予測装置
の構成を示すブロック図

【図１７】本発明の第４の実施例における分類部の構成
を示すブロック図

【図１８】本発明の第５の実施例における分類部の構成
を示すブロック図

【図１９】本発明の第６実施例における分類部の構成を
示すブロック図

【図２０】本発明の第７実施例における分類部の構成を
示すブロック図

【図２１】本発明の第８実施例における分類部の構成を
示すブロック図

【図２２】本発明の第９実施例における分類部の構成を
示すブロック図

【図２３】本発明の第１０実施例における分類部の構成
を示すブロック図

【図２４】本発明の第１１実施例における分類部の構成
を示すブロック図

【図２５】本発明の第１２実施例における分類部の構成
を示すブロック図

【図２６】本発明の第１３実施例における分類部の構成
を示すブロック図

【図２７】本発明の第１４実施例における分類部の構成
を示すブロック図

【図２８】本発明の第１５実施例における翌日クラスタ
予測手段の動作説明のための流れ図

【図２９】本発明の第１８実施例における翌日クラスタ
予測手段の動作説明のための流れ図

【図３０】本発明の第２２実施例における予測値出力手
段の出力方法を説明する概念図

【図３１】本発明の第２４実施例における予測値出力手
段の出力方法を説明する概念図

【図３２】本発明の第２６実施例における予測値出力手
段の出力方法を説明する概念図

【図３３】本発明の第２８実施例における予測値出力手
段の動作説明のための流れ図

【図３４】本発明の第３２実施例における在室予測装置
の構成を示すブロック図

【図３５】本発明の第３２実施例における在室予測装置
の動作説明のための流れ図

【図３６】本発明の第３２実施例における前処理部の構
成を示すブロック図

【図３７】本発明の第３３実施例における前処理部の構
成を示すブロック図

【図３８】本発明の第３４実施例における在室予測装置
の構成を示すブロック図

【図３９】本発明の第３５実施例における在室予測装置
の構成を示すブロック図

【図４０】本発明の第３５実施例における予測修正手段
の動作説明のための流れ図

【図４１】本発明の第３６実施例における予測修正手段
の動作説明のための流れ図

【図４２】本発明の第３７実施例における予測修正手段
の動作説明のための流れ図

【図４３】本発明の第３８実施例における予測修正手段
の動作説明のための流れ図

【図４４】本発明の第３９実施例における予測修正手段
の動作説明のための流れ図

【図４５】本発明の第４０実施例における在室予測装置
の在不在判定信号を出力するまでの構成を示したブロッ
ク図

【図４６】本発明の第４０実施例における前処理部の構
成を示すブロック図

【図４７】本発明の第４０実施例における明るさ依存在
不在判定手段の動作説明のための流れ図

【図４８】本発明の第４１実施例における在室予測装置
の在不在判定信号を出力するまでの構成を示したブロッ
ク図

【図４９】本発明の第４１実施例における前処理部の構
成を示すブロック図

【図５０】本発明の第４１実施例における音依存在不在
判定手段の動作説明のための流れ図

【図５１】本発明の第４２実施例における在室予測装置
の在不在判定信号を出力するまでの構成を示したブロッ
ク図

【図５２】本発明の第４２実施例における前処理部の構
成を示すブロック図

【図５３】本発明の第４２実施例における電力依存在不
在判定手段の動作説明のための流れ図

【図５４】本発明の第４３実施例における在室予測装置
の在不在判定信号を出力するまでの構成を示したブロッ
ク図

【図５５】本発明の第４３実施例における前処理部の構
成を示すブロック図

【図５６】本発明の第４４実施例における在室予測装置
の在不在判定信号を出力するまでの構成を示したブロッ
ク図

【図５７】本発明の第４４実施例における前処理部の構
成を示すブロック図

【図５８】本発明の第４５実施例における在室予測装置
の在不在判定信号を出力するまでの構成を示したブロッ
ク図

【図５９】本発明の第４５実施例における前処理部の構
成を示すブロック図

【図６０】本発明の第４６実施例における在室予測装置
の在不在判定信号を出力するまでの構成を示したブロッ
ク図

【図６１】本発明の第４６実施例における前処理部の構
成を示すブロック図

【図６２】本発明の第４７実施例における在室予測装置
の在不在判定信号を出力するまでの構成を示したブロッ
ク図

【図６３】本発明の第４７実施例における前処理部の構
成を示すブロック図

【図６４】本発明の第４８実施例における在室予測装置
の在不在判定信号を出力するまでの構成を示したブロッ
ク図

【図６５】本発明の第４８実施例における前処理部の構
成を示すブロック図

【図６６】本発明の第４９実施例における在室予測装置
の在不在判定信号を出力するまでの構成を示したブロッ
ク図

【図６７】本発明の第４９実施例における前処理部の構
成を示すブロック図

【図６８】本発明の第５０実施例における在室予測装置
の在不在判定信号を出力するまでの構成を示したブロッ
ク図

【図６９】本発明の第５０実施例における前処理部の構
成を示すブロック図

【図７０】本発明の第５１実施例における在室予測装置
の在不在判定信号を出力するまでの構成を示したブロッ
ク図

【図７１】本発明の第５１実施例における前処理部の構
成を示すブロック図

【図７２】本発明の第５２実施例における在室予測装置
の在不在判定信号を出力するまでの構成を示したブロッ
ク図

【図７３】本発明の第５２実施例における前処理部の構
成を示すブロック図

【図７４】本発明の第５３実施例における在室予測装置
の在不在判定信号を出力するまでの構成を示したブロッ
ク図

【図７５】本発明の第５３実施例における前処理部の構
成を示すブロック図

【図７６】本発明の第５４実施例における在室予測装置
の在不在判定信号を出力するまでの構成を示したブロッ
ク図

【図７７】本発明の第５４実施例における前処理部の構
成を示すブロック図

【図７８】本発明の第５５実施例における在室予測装置
の在不在判定信号を出力するまでの構成を示したブロッ
ク図

【図７９】本発明の第５５実施例における前処理部の構
成を示すブロック図

【図８０】本発明の第５５実施例における在不在判定手
段の動作説明のための流れ図

【図８１】本発明の第５６実施例における在室予測装置
の在不在判定信号を出力するまでの構成を示したブロッ
ク図

【図８２】本発明の第５６実施例における前処理部の構
成を示すブロック図

【図８３】本発明の第５７実施例における在室予測装置
の構成を示すブロック図

【図８４】本発明の第５７実施例における分類部の構成
を示すブロック図

【図８５】本発明の第５９実施例における在室予測装置
の構成を示すブロック図

【図８６】本発明の第６０実施例における在室予測装置
の構成を示すブロック図

【図８７】本発明の第６０実施例における前処理部の構
成を示すブロック図

【図８８】本発明の第６０実施例における１日区切り決
定手段の１日の区切りを決定する方法を説明する概念図

【図８９】本発明の第６１の実施例における空気調和機
の制御装置の構成を示すブロック図

【図９０】本発明の第６１の実施例における運転モード
図

【図９１】（ａ） 第６１の実施例における標準パター
ンの予測レベル分割を示す図 （ｂ） 第６１の実施例における１日時間帯の予測レベ
ル分割を示す図

【図９２】（ａ） 第６１の実施例において、Ｔnにお
ける最初の予測レベルＡまでの推移時間を示す図 （ｂ） 第６１の実施例において、Ｔn’における最初
の予測レベルＡまでの推移時間を示す図

【図９３】本発明の第６２実施例における炬燵の温度制
御部分の構成を示すブロック図

【図９４】本発明の第６３実施例における石油ファンヒ
ータの制御部分の構成を示すブロック図

【図９５】本発明の第６４実施例における換気扇の制御
部分の構成を示すブロック図

【図９６】本発明の第６５実施例における電気カーペッ
トの制御部分の構成を示すブロック図

【図９７】本発明の第６６実施例における温水器の制御
部分の構成を示すブロック図

【図９８】本発明の第６７実施例における風呂の保温の
制御部分の構成を示すブロック図

【図９９】従来の在室予測装置の構成を示すブロック図

【図１００】従来の在室予測装置のデータを記憶する手
順を示した流れ図

【図１０１】従来の在室予測装置における運転制御手段
の動作説明のための流れ図

【図１０２】従来の在室予測装置の平日の周期性パター
ンの生成方法を説明した概念図

【図１０３】従来の在室予測装置の構成を示すブロック
図

【符号の説明】

１ 在室データ記憶手段 ２ 在室パターン分類手段 ３ ベース温度変換手段 １１ 活動量センサ １２ 前処理部 １３ 分類部 １４ データ記憶手段 １５ 予測部 １６ 予測値出力手段 １７ 予測修正手段 １８ 光センサ １９ 音センサ ２０ 電力計 ２１ 在室申告手段 ２２ 人情報検知システム ２３ タイマ ２４ 温度レベル決定手段 ２５ 炬燵温度制御手段 ２６ 室温センサ ２７ 予熱レベル決定手段 ２８ 予熱制御部 ２９ 湿度センサ ３０ 換気開始時刻決定手段 ３１ 換気制御部 ３２ 床面温度センサ ３３ カーペット温度制御部 ３４ 外気温センサ ３５ 湯沸かし開始時刻決定手段 ３６ 湯沸かし制御部 ３７ 保温レベル決定手段 ３８ 保温制御部 ５０ 運転スイッチ ５１ 湯温設定ボリューム ５２ マイク ５３ 在室検出手段 ５４ リモコン制御手段 ５５ 計時手段 ５６ 気化部 ５７ 記憶手段（平日データエリア） ５８ 記憶手段（休日データエリア） ５９ 周期性パターン抽出手段 ６０ 運転制御手段 １２１ 在不在判定手段 １２２ 在不在判定結果記憶手段 １２３ 在不在判定補正手段 １２４ 活動量依存在不在判定手段 １２５ 明るさ依存在不在判定手段 １２６ 総合逐次在不在判定手段 １２７ 音依存在不在判定手段 １２８ 電力依存在不在判定手段 １２９ 人情報依存在不在判定手段 １３０ １日区切り決定手段 １３１ 類似度算出手段 １３２ 最適クラスタ決定手段 １３３ 更新手段 １３４ 特徴量抽出手段 １３５ 正規化手段 １３６ 標準特徴量記憶手段 １３７ 平均在室率計算手段 １３８ 偏差計算手段 １３９ 標準偏差記憶手段 １３１０ 更新クラスタ決定手段 １３１１ 特異パターン判別手段 １３１２ スイッチ １３１３ スイッチ １３１４ スイッチ １３１５ スイッチ １５１ クラスタベクトル変換手段 １５２ 翌日クラスタ予測手段 １５３ クラスタ番号変換手段 ５００ 赤外線センサ ５０１ 在室予測装置 ５０２ 温度センサ ５０３ リモコン ５０４ 継続時間計数部 ５０５ 予測レベル分割部 ５０６ 熱負荷レベル推定部 ５０７ 在不在運転切替部 ５０８ 推移時間算出部 ５０９ 運転モード決定部

───────────────────────────────────────────────────── フロントページの続き (72)発明者 中 基孫 神奈川県川崎市多摩区東三田３丁目10番 １号 松下技研株式会社内 (72)発明者 佐藤 正章 神奈川県川崎市多摩区東三田３丁目10番 １号 松下技研株式会社内 (72)発明者 ▲吉▼田 秀行 神奈川県川崎市多摩区東三田３丁目10番 １号 松下技研株式会社内 (72)発明者 赤嶺 育雄 大阪府門真市大字門真1006番地 松下電 器産業株式会社内 (72)発明者 清水 真 大阪府門真市大字門真1006番地 松下電 器産業株式会社内 (72)発明者 市原 理子 大阪府門真市大字門真1006番地 松下電 器産業株式会社内 (56)参考文献 特開 平２−254246（ＪＰ，Ａ) 特開 平２−254247（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁷，ＤＢ名) F24F 11/02 G06F 15/18

Claims (39)

(57)【特許請求の範囲】
1. 【請求項１】 対象とする領域内の人の有無を検出する
   センサ部と、センサ部からの情報に基づいて、所定時間
   毎の在、不在を判定する前処理部と、前記前処理部から
   得られた在不在データを予め決められた分類基準に依存
   せず１日分の在不在判定結果に基づいて自動的かつ適応
   的にクラスタ分類し、各クラスタ毎に代表する在室率を
   反映した標準パターンを作成し、その日の在不在判定結
   果に最も類似する最適クラスタを選び、各クラスタの標
   準パターンを更新する分類部と、各クラスタの標準パタ
   ーンを記憶するデータ記憶手段と、過去のクラスタのパ
   ターン系列から翌日のクラスタを予測する予測部と、前
   記予測部で得られた翌日のクラスタに対応する標準パタ
   ーンを出力する予測値出力手段を備えたことを特徴とす
   る在室予測装置。
2. 【請求項２】 予測部が、当日の最適クラスタとそれ以
   前の日の最適クラスタとの相関を記憶し、前記相関とそ
   れまでの日毎の最適クラスタのクラスタ系列から翌日の
   クラスタを予測することを特徴とする請求項１記載の在
   室予測装置。
3. 【請求項３】 前処理部を、所定時間の在、不在を判定
   し、その在不在判定結果を、前後の在不在の判定状況か
   ら補正する前処理部に代えたことを特徴とする請求項１
   または２に記載の在室予測装置。
4. 【請求項４】 分類部において、分類対象が、前処理部
   から得られる１日分の在不在判定結果の入室時刻及び退
   室時刻に、それまでの各々、不在継続時間、在室継続時
   間で重み付けした特徴量であることを特徴とする請求項
   １から３のいずれかに記載の在室予測装置。
5. 【請求項５】 分類部において、前処理部から得られる
   １日分の在不在判定結果を、それまでに計測した日数分
   の平均在室率もしくはそれを規格化した値とその偏差に
   分離し、分類対象が前記偏差であることを特徴とする請
   求項１から４のいずれかに記載の在室予測装置。
6. 【請求項６】 分類部の標準パターンの更新速度が、そ
   れ以前に、そのクラスタが最適クラスタに選ばれた頻度
   に基づいて決定されることを特徴とする請求項１から５
   のいずれかに記載の在室予測装置。
7. 【請求項７】 分類部の標準パターンの更新が、最適ク
   ラスタの標準パターンに加えて、その周辺のクラスタの
   標準パターンを更新することを特徴とする請求項１から
   ５のいずれかに記載の在室率予測装置。
8. 【請求項８】 分類部の標準パターンの更新が、最適ク
   ラスタの標準パターンとその周辺のクラスタの標準パタ
   ーンを対象とし、更新速度が、各々のクラスタが最適ク
   ラスタ及び周辺クラスタに選ばれている頻度に基づいて
   決定されることを特徴とする請求項１から５のいずれか
   に記載の在室率予測装置。
9. 【請求項９】 分類部の標準パターンの更新速度が、最
   適クラスタの標準パターンを予測誤差値に基づいて決定
   されることを特徴とする請求項１から５のいずれかに記
   載の在室予測装置。
10. 【請求項１０】 分類部の標準パターンの更新速度が、
    更新対象のクラスタが最適クラスタに選ばれている頻度
    と予測誤差値に基づいて決定されることを特徴とする請
    求項１から５のいずれかに記載の在室予測装置。
11. 【請求項１１】 分類部の標準パターンの更新が、最適
    クラスタとその周辺のクラスタに相当する標準パターン
    を対象とし、更新速度が、予測誤差値に基づいて決定さ
    れることを特徴とする請求項１から５のいずれかに記載
    の在室予測装置。
12. 【請求項１２】 分類部の標準パターンの更新が、最適
    クラスタとその周辺のクラスタに相当する標準パターン
    を対象とし、更新速度が、それ以前に、そのクラスタが
    最適クラスタ及び周辺クラスタに選ばれている頻度と予
    測誤差値に基づいて決定されることを特徴とする請求項
    １から５のいずれかに記載の在室予測装置。
13. 【請求項１３】 分類部の標準パターンの更新が、前処
    理部から得られる情報から、特異パターンか否かを判別
    し、当日が特異パターンと判別された場合は、標準パタ
    ーンの更新を行わないことを特徴とする請求項１から１
    ２のいずれかに記載の在室予測装置。
14. 【請求項１４】 予測部において、当日の最適クラスタ
    とそれ以前の日の最適クラスタとの相関を記憶する際
    に、過去に予測したクラスタと予測の正解データである
    実際のその日の最適クラスタとの相関値に基づいて重み
    付けして記憶することを特徴とする請求項１から１３の
    いずれかに記載の在室予測装置。
15. 【請求項１５】 予測部において、過去のクラスタ系列
    から翌日のクラスタを予測する際に、それまでに相関の
    記憶が更新された頻度に基づいて予測することを特徴と
    する請求項１から１４いずれかに記載の在室予測装置。
16. 【請求項１６】 予測部において、当日の最適クラスタ
    とそれ以前の日の最適クラスタとの相関を記憶する際
    に、予測したクラスタが実際のその日の最適クラスタと
    異なった場合のみ記憶することを特徴とする請求項１か
    ら１５いずれかに記載の在室予測装置。
17. 【請求項１７】 予測値出力手段が、翌日クラスタと標
    準パターンと時計情報から、予測在室率と、現在から先
    の高在室率となる時刻と、現在から先の低在室率となる
    時刻と、補正した予測在室率と、現時点で選択されてい
    るクラスタの標準パターンと、現時点で選択されている
    クラスタの標準パターンを補正したパターンと、全クラ
    スタの標準パターンの少なくとも１つを出力することを
    特徴とする請求項１から１６のいずれかに記載の在室予
    測装置。
18. 【請求項１８】 前処理部が、センサ部からの情報と時
    計情報に基づいて、ある期間の在、不在を判定してその
    都度、判定結果を出力し、さらに１日分のデータが蓄積
    された時点で在不在判定結果を出力することを特徴とす
    る請求項１から１７いずれかに記載の在室予測装置。
19. 【請求項１９】 請求項１８に記載の在室予測装置に、
    前処理部から得られる時々刻々の在不在判定結果から、
    現在予測されているクラスタの修正を行う予測修正手段
    を付加したことを特徴とする在室予測装置。
20. 【請求項２０】 予測修正手段において、１日の開始時
    点からの累積予測誤差が、あらかじめ定められた設定値
    を越えた場合に、予測の修正を行うことを特徴とする請
    求項１９に記載の在室予測装置。
21. 【請求項２１】 予測修正手段において、１日の開始時
    点からの平均予測誤差が、あらかじめ定められた設定値
    を越えた場合に、予測の修正を行うことを特徴とする請
    求項１９に記載の在室予測装置。
22. 【請求項２２】 予測修正手段において、直前の予測誤
    差があらかじめ定められた設定値を越えた場合に、予測
    の修正を行うことを特徴とする請求項１９に記載の在室
    予測装置。
23. 【請求項２３】 予測修正手段において、１日の開始時
    点からその時点までの在不在判定結果とその時点での最
    適クラスタとの距離と、１日の開始時点からその時点ま
    での在不在判定結果とその時点までの予測クラスタとの
    距離の、差または比が設定値を越えた場合に、予測の修
    正を行うことを特徴とする請求項１９に記載の在室予測
    装置。
24. 【請求項２４】 予測修正手段において、予測修正を前
    処理部から得られる現在時刻までの在不在判定結果また
    はその補正結果と、全クラスタの標準パターンの距離を
    比較し、最も近いクラスタを選択することで、行うこと
    を特徴とする請求項１９から２３のいずれかに記載の在
    室予測装置。
25. 【請求項２５】 前処理部がセンサ部からの情報とタイ
    マからの情報に基づいて、所定時間の在不在を判定する
    ものであり、予測値出力手段がタイマーからの出力を受
    けて在室予測値を出力することを特徴とする請求項１か
    ら２４いずれかに記載の在室予測装置。
26. 【請求項２６】 前処理部において、センサ部からの情
    報と、光センサまたはタイマからの出力に基づいて、１
    日の区切りを適応的に決定した上で、所定時間の在、不
    在を判定することを特徴とする請求項１から２５のいず
    れかに記載の在室予測装置。
27. 【請求項２７】 センサ部が、人検知センサと電力計と
    光センサと音センサのいずれか、またはそのいくつかの
    組み合わせを用い、部屋の在不在を判定することを特徴
    とする請求項１から２６のいずれかに記載の在室予測装
    置。
28. 【請求項２８】 センサ部に、機器操作情報または利用
    者の在室申告を受け付ける在室申告手段を付加したこと
    を特徴とする請求項１から２７のいずれかに記載の在室
    予測装置。
29. 【請求項２９】 少なくとも人の有無を検出する人検知
    センサと、請求項１から２８のいずれかに記載の在室予
    測装置と、リモコンと、人検知センサから得られる人検
    知信号から人の有無の状態がどの程度継続したかを計数
    する継続時間計数部と、前記在室予測装置の出力である
    標準パターンの予測在室率の高さに応じて１日を複数の
    時間帯に分割する予測レベル分割部と、リモコンの設定
    値に従い運転するか、設定内容と異なった運転を行うか
    を判断する在不在運転切替部と、在不在運転切替部から
    得られる切替信号と、予測レベル分割部から得られる予
    測レベルと、リモコンの設定値から、運転モードと制御
    指標の値を決定する運転モード決定部を有することを特
    徴とする空気調和機の制御装置。
30. 【請求項３０】 請求項２９に記載の空気調和機の制御
    装置に、予測レベル分割部から得られる現在時点の予測
    レベルと、その時点と異なった予測レベルまでの時間を
    算出する推移時間算出部を付加したことを特徴とする空
    気調和機の制御装置。
31. 【請求項３１】 請求項２９または３０に記載の空気調
    和機の制御装置に、室外または室内の気温を計測する温
    度センサと、前記温度センサからの出力から室内の熱負
    荷または、熱負荷の大きさのレベルを推定する熱負荷レ
    ベル推定部を付加したことを特徴とする空気調和機の制
    御装置。
32. 【請求項３２】 運転モードが、利用者が設定したリモ
    コン設定値に基づき運転を行う通常運転モードと、短時
    間でリモコン設定値の状態にすることが可能な状態を維
    持するスタンバイモードと、室内の温度レベルを維持す
    るキープモードと、機器を一旦停止させるオフモードで
    あることを特徴とし、制御指標が温度または快適指標Ｐ
    ＭＶ（Predicted Mean Vote）であることを特徴とする
    請求項２９から３１のいずれかに記載の空気調和機の制
    御装置。
33. 【請求項３３】 請求項１から２８のいずれかの在室予
    測装置を有する炬燵の制御装置。
34. 【請求項３４】 請求項１から２８のいずれかの在室予
    測装置を有する石油ファンヒータの制御装置。
35. 【請求項３５】 請求項１から２８のいずれかの在室予
    測装置を有する換気扇の制御装置。
36. 【請求項３６】 請求項１から２８のいずれかの在室予
    測装置を有する電気カーペットの制御装置。
37. 【請求項３７】 請求項１から２８のいずれかの在室予
    測装置を有する温水器の制御装置。
38. 【請求項３８】 請求項１から２８のいずれかの在室予
    測装置を有する風呂保温の制御装置。
39. 【請求項３９】 請求項１から２８のいずれかの在室予
    測装置を用いた応用機器