JP6452593B2 - 情報処理装置及び情報処理方法 - Google Patents
情報処理装置及び情報処理方法 Download PDFInfo
- Publication number
- JP6452593B2 JP6452593B2 JP2015213896A JP2015213896A JP6452593B2 JP 6452593 B2 JP6452593 B2 JP 6452593B2 JP 2015213896 A JP2015213896 A JP 2015213896A JP 2015213896 A JP2015213896 A JP 2015213896A JP 6452593 B2 JP6452593 B2 JP 6452593B2
- Authority
- JP
- Japan
- Prior art keywords
- occupancy
- room
- unit
- feature vector
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims description 27
- 238000003672 processing method Methods 0.000 title claims description 8
- 239000013598 vector Substances 0.000 claims description 169
- 238000001514 detection method Methods 0.000 claims description 65
- 238000000605 extraction Methods 0.000 claims description 58
- 238000013500 data storage Methods 0.000 claims description 49
- 238000004891 communication Methods 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 47
- 238000004364 calculation method Methods 0.000 claims description 46
- 230000002159 abnormal effect Effects 0.000 claims description 32
- 239000000284 extract Substances 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 29
- 238000005070 sampling Methods 0.000 description 22
- 238000009434 installation Methods 0.000 description 20
- 238000000034 method Methods 0.000 description 15
- 230000006399 behavior Effects 0.000 description 10
- 238000010411 cooking Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000037309 Hypomyelination of early myelinating structures Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Landscapes
- Emergency Alarm Devices (AREA)
- Alarm Systems (AREA)
- Selective Calling Equipment (AREA)
Description
図1は、実施の形態1に係る機器制御システムとしての在室部屋推定システム100の構成を概略的に示すブロック図である。
図1に示されるように、在室部屋推定システム100は、一又は複数の機器110A〜110C(特に各々を区別する必要がない場合には、機器110という)と、情報処理装置としてのコントローラ120とを備える。機器110は、BHEMS(ホームエネルギーマネージメントシステム)等の宅内のホームネットワーク101に接続されている。コントローラ120は、それらの機器110の制御を行う、例えばHEMSコントローラである。なお、実施の形態1に係る情報処理方法は、コントローラ120で行われる方法である。
図示してはいないが、機器110は、機器110の機能を発揮する処理部と、機器110の状態を示す機器情報を生成する機器情報生成部と、ホームネットワーク101を介して機器情報をコントローラ120に送信する通信部とを備える。
機器情報生成部は、例えば、メモリに記憶されているプログラムを実行するCPU(Central Processing Unit)等のプロセッサで実現することができ、通信部は、例えば、NIC(Network Interface Card)等の通信装置で実現することができる。
また、機器情報は、機器情報が生成された時間を示す時間情報を含んでいてもよい。時間情報は、例えば、年、月、日、時刻及び曜日の少なくとも1つを含む情報である。
さらに、機器情報は、前回機器情報が送信されてから、機器110で起こったイベントを示すイベント情報が含まれていてもよい。
コントローラ120は、通信部121と、特徴量抽出部122と、データ処理部123と、データ格納部124と、在室確率算出部125と、在室部屋推定部126とを備える。
また、特徴量抽出部122は、通信部121で受信された機器情報に基づいて、この機器情報を送ってきた機器110に対してユーザが操作を行ったか否かを判断する。特徴量抽出部122は、ユーザが操作を行ったと判断した場合には、操作の行われた機器110が設置されている部屋をユーザの在室部屋として特定する。そして、特徴量抽出部122は、特定された在室部屋を示す在室部屋ラベルを、生成された特徴ベクトルに付加する。
特徴量抽出部122は、機器状態サンプリング部130と、ユーザ操作検出部131と、ユーザ操作定義情報としてのユーザ操作定義リスト132と、在室部屋検知部133と、設置部屋情報としての設置部屋リスト134と、在室部屋ラベル付加部135とを備える。なお、ユーザ操作定義リスト132及び設置部屋リスト134は、記憶部136に記憶されている。
ここで、機器情報に時刻を含む時間情報が含まれている場合には、機器状態サンプリング部130は、その時間情報を特徴量として特徴ベクトルに含める。この場合、機器情報に含まれている時間情報で示される時刻が現在の時刻として扱われる。一方、機器情報に時間情報が含まれていない場合には、機器状態サンプリング部130は、現在の時刻を少なくとも含む時間情報を生成して、生成された時間情報を特徴量として特徴ベクトルに含める。なお、本実施の形態においては、特徴ベクトルに含まれている時間情報は、時刻及び曜日である。
また、機器110の使用状態情報は、機器が使用されているか否かを示す情報であり、例えば、使用中なら「ON」、不使用なら「OFF」を示す。なお、特徴ベクトルには、全ての機器110の使用状態情報が含まれており、全ての機器110の使用状態情報をまとめて全使用状態情報という。
そこで、ユーザ操作定義リスト132を予め保持しておくことで、ユーザ操作検出部131は、どのようなイベントがあった場合に、ユーザ操作が有ったかを判断することができる。言い換えると、ユーザ操作検出部131は、イベント情報で示されるイベントが予め定められたイベントである場合に、ユーザが操作を行ったと判断する。
ユーザ操作定義リスト132は、機器列132aと、ユーザ操作要因の定義列132bとを有するテーブル形式の情報である。
機器列132aは、機器110を識別するための機器識別情報である機器IDを格納する。
ユーザ操作要因の定義列132bは、機器列132aで識別される機器110で起こるイベントの内、ユーザ操作が行われたと判断することのできるイベントを示すイベント識別情報であるイベントIDを格納する。
ユーザ操作検出部131は、ユーザ操作があったことを検出すると、在室部屋検知部133に通知を行う。
図4は、設置部屋リスト134の概略図である。
設置部屋リスト134は、機器列134aと、設置部屋列134bとを有するテーブル形式の情報である。
機器列134aは、機器110を識別するための機器識別情報である機器IDを格納する。
設置部屋列134bは、機器列134aで識別される機器110が設置されている部屋を識別するための部屋識別情報である部屋IDを格納する。
在室部屋検知部133は、ユーザ操作された機器IDを在室部屋検知部133から通知されると、設置部屋リスト134を参照して、対応する設置部屋(設置部屋ID)を把握する。そして、在室部屋検知部133は、把握した部屋IDをユーザ在室部屋IDとして確定し、在室部屋ラベル付加部135に通知する。
特徴ベクトルは、図5の一つの行に格納された特徴量を有するデータであり、図5に示されているように、一部の特徴ベクトルには、在室部屋ラベルが付加されている。なお、図5に示されているように、ユーザ操作が検出されなかった機器情報から生成された特徴ベクトルについては、在室部屋ラベルが空欄となっている。
このため、在室部屋ラベル付加部135は、特徴ベクトルを一時的に記憶する記憶部(バッファ)を備えている。
まず、機器状態サンプリング部130は、ホームネットワーク101に接続された機器110から機器情報をある一定周期毎にサンプリングする(S10)。
次に、機器状態サンプリング部130は、得られた機器情報から少なくとも使用状態情報を抽出し、特徴ベクトルを生成する(S11)。機器状態サンプリング部130は、生成した特徴ベクトルを在室部屋ラベル付加部135及び在室確率算出部125に与える。また、機器状態サンプリング部130は、得られた機器情報をユーザ操作検出部131に与える。
次に、在室部屋ラベル付加部135は、在室部屋検知部133から通知された部屋IDに基づいて、機器状態サンプリング部130から与えられた特徴ベクトルに在室部屋ラベルを付加する(S14)。そして、処理はステップS15に進む。
そして、処理は、ステップS10に戻り、機器状態サンプリング部130は、次のサンプリング周期まで待った後、各機器110から機器情報を取得する。
具体的には、データ処理部123は、在室部屋ラベルが付加されていない特徴ベクトルを削除する。そして、データ処理部123は、在室部屋ラベルが付加された特徴ベクトルに含まれている時刻を、その時刻が含まれる時間帯に変換する。例えば、本実施の形態では、データ処理部123は、特徴ベクトルに含まれている時刻から分及び秒を除いて、一時間を一単位とする時間帯に更新する。データ処理部123は、更新特徴ベクトル及び在室部屋ラベルを学習用データとしてデータ格納部124に格納する。
図7は、学習用データテーブルの一例を示す概略図である。
図7に示されている学習用データテーブル124aは、更新特徴ベクトル列124bと、在室部屋ラベル列124cとを有する。
更新特徴ベクトル列124bは、データ処理部123で更新された特徴ベクトルである更新特徴ベクトルを格納する。
ここで、図7に示されている例では、7時0分0秒から7時59分30秒までの60分間の時刻が、7時台という時間帯に変換されている。なお、データ処理部123は、時間帯を、30分単位としたり、2時間単位としたり、朝、昼、夕、晩又は深夜のような時間単位としてもよい。また、図示されていないが、データ処理部123は、年及び月を特徴ベクトルに追加して、学習用データとして格納してもよい。
在室部屋ラベル列124cは、更新特徴ベクトル列124bに格納された更新特徴ベクトルに付加された在室部屋ラベルを格納する。
なお、データ処理部123は、データ格納部124の容量に応じて、古いデータから削除し新たなデータを追加しておく。
在室部屋推定のための学習用データは、ユーザ操作が発生した機器110が設置されている部屋、即ち、ユーザの在室部屋情報(在室部屋ラベル)を、そのユーザ操作発生時におけるユーザが操作した機器110の使用状態情報だけでなく、他の機器110の使用状態情報にも関連付けして記録されていく。
図1に示されている在室確率算出部125は、更新特徴ベクトルで示される時間帯及び複数の機器110の全ての使用状態の組み合わせ毎に、各部屋の在室確率を、データ格納部124に格納されている学習用データから算出する。
そして、在室部屋推定部126は、在室確率算出部125で算出された在室確率の内、特徴量抽出部122で生成された特徴ベクトルで示される時刻が含まれる時間帯及び複数の機器110の全ての使用状態の組み合わせに対応する在室確率から、ユーザの在室部屋を推定する。例えば、在室部屋推定部126は、対応する在室確率の内、最も在室確率の高い部屋を推定在室部屋と判断する。
ここでは、以下の仮定の下、説明を行う。
宅内には、R個の部屋ω1,ω2,・・・,ωRがあり、ホームネットワークに接続された機器110がn台ある。ここで、R及びnは、2以上の整数である。
ある時点の特徴ベクトル(入力パターン)が、x(n)=x1,x2,・・・,xmであるものとする。ここで、mは、2以上の整数である。このとき観測された特徴ベクトルx(n)をもとに、在室部屋ωを推定するアルゴリズムについて以下に記載する。
現在の時間帯が、日曜日の7時台とし、各機器の使用状態として、第1の機器が使用中及び第2の機器が使用中だった場合、推定在室部屋を以下のようにして求めることができる。
ここでは、リビングをω1、キッチンをω2、寝室をω3、曜日をx1、時間帯をx2、第1の機器の使用状態をx3、及び、第2の機器の使用状態をx4とすると、在室確率算出部125は、第1の機器が使用中、第2の機器が使用中の元でのリビング、キッチン及び寝室の事後確率をそれぞれ以下のように求める。そして、在室部屋推定部126は、その値が最大となる部屋を在室部屋と推定する。
例えば、入力パターンにおいて、曜日が日曜日、時間帯が7:30:00、リビングの照明がON、リビングのテレビがON、キッチンの照明がON、キッチンの電子レンジがOFF、・・・、寝室の照明がOFFであった場合、図9に示されているように、各部屋の在室確率は、リビングが0.47、キッチンが0.44、・・・、寝室が0.08であるため、在室確率算出部125は、これらの値を在室部屋推定部126に与える。
図1に示されるように、実施の形態2に係る在室部屋推定システム200は、一又は複数の機器110と、コントローラ220とを備える。実施の形態2に係る在室部屋推定システム200は、コントローラ220を除いて、実施の形態1に係る在室部屋推定システム100と同様に構成されている。従って、以下では、コントローラ220について主に説明する。
コントローラ220は、通信部121と、特徴量抽出部222と、データ処理部123と、データ格納部124と、在室確率算出部125と、在室部屋推定部126とを備える。実施の形態2におけるコントローラ220は、特徴量抽出部222を除いて、実施の形態1と同様に構成されている。従って、以下では、特徴量抽出部222について主に説明する。
このため、在室確率算出部125は、時間帯、複数の機器110の全ての使用状態、及び、複数の機器110の使用継続時間に関する情報の組み合わせ毎に、各部屋の在室確率を算出する。
そして、在室部屋推定部126は、在室確率算出部125で算出された在室確率の内、特徴量抽出部222で生成された特徴ベクトルに対応する在室確率から、ユーザの在室部屋を推定する。
なお、特徴ベクトルの要素が一つ増えただけであるため、在室確率算出部125及び在室部屋推定部126での処理は、実施の形態1と同様である。
特徴量抽出部222は、機器状態サンプリング部130と、ユーザ操作検出部131と、ユーザ操作定義リスト132と、在室部屋検知部133と、設置部屋リスト134と、在室部屋ラベル付加部135と、機器使用継続時間算出部237とを備える。実施の形態2における特徴量抽出部222は、機器使用継続時間算出部237が追加されている点を除いて、実施の形態1における特徴量抽出部122と同様に構成されている。従って、以下では、機器使用継続時間算出部237について主に説明する。但し、実施の形態2においては、機器状態サンプリング部130は、生成した特徴ベクトルを機器使用継続時間算出部237に与える。
そして、図12に示されているように、機器使用継続時間算出部237は、各部屋に設置された機器110のうち、使用継続時間が最小の機器110の使用継続時間を、部屋毎に特定する。
さらに、機器使用継続時間算出部237は、図12に示されているような情報を元にして、図13に示されているように、特徴ベクトルが与えられる毎に、部屋毎に求められた最小の機器使用継続時間の値が小さい順に1から順に番号を割り振る。
このように、機器使用継続時間算出部237は、使用状態継続時間に基づいて、部屋毎の使用継続時間順序情報を生成し、この使用継続時間順序情報を特徴ベクトルに追加する。
図14は、在室部屋ラベル付加部135で部分的ラベルが付加された特徴ベクトルの例を示す概略図である。
例えば、在室確率算出部125は、データ格納部124に格納されている学習用データテーブルから、更新特徴ベクトル毎の在室検出回数を集計する。
図15は、更新特徴ベクトル毎の在室検出回数の集計結果を示す概略図である。
例えば、図15の4行目と5行目の更新特徴ベクトルは、時間情報及び使用状態情報の要素(x1〜x6)が同じパターンであり、リビングの照明とキッチンの照明だけが使用されている状態である。実施の形態1では、これらは同じ更新特徴ベクトルとして集計され、在室確率が計算される。しかしながら、実施の形態2では、使用継続時間順序情報がリビングとキッチンとで異なっているため、これらは異なる更新特徴ベクトルとして、それぞれ在室検出回数が集計される。そして、各部屋の在室確率が、実施の形態1と同様にして算出される。但し、実施の形態2では特徴ベクトルの要素が一つ増えている点が異なる。
例えば、リビングの照明を点灯したままで、トイレの照明が点灯された場合、機器使用時間の短いトイレにユーザが在室している可能性が高い。実施の形態2に係る在室部屋推定システム200は、このような特徴を抽出することで、在室部屋を高精度に推定することができる。
図1に示されるように、実施の形態3に係る在室部屋推定システム300は、一又は複数の機器110と、コントローラ320とを備える。実施の形態3に係る在室部屋推定システム300は、コントローラ320を除いて、実施の形態1に係る在室部屋推定システム100と同様に構成されている。従って、以下では、コントローラ320について主に説明する。
コントローラ320は、通信部121と、特徴量抽出部122と、データ処理部123と、データ格納部124と、在室確率算出部125と、在室部屋推定部326とを備える。実施の形態3におけるコントローラ320は、在室部屋推定部326を除いて、実施の形態1と同様に構成されている。従って、以下では、在室部屋推定部326について主に説明する。
図16に示されているように、在室部屋推定部326には、在宅人数がU人(Uは、1以上の整数)であるという情報が入力される。
そして、在室部屋推定部326は、在室確率算出部125から入力された各部屋の在室確率のうち、在室確率がある閾値以上であるもののうち、上位U番目までに対応する部屋を在室部屋として推定する。
ここで、図示してはいないが、在室人数は、例えば、玄関に人の入退出を検知し、在宅人数を検出することのできるセンサー(在室人数検出部)をホームネットワーク101に接続することで把握することができる。
図17は、実施の形態4に係る在室部屋推定システム400の構成を概略的に示すブロック図である。
図17に示されるように、在室部屋推定システム400は、一又は複数の機器110と、コントローラ420とを備える。実施の形態4に係る在室部屋推定システム400は、コントローラ420を除いて、実施の形態1に係る在室部屋推定システム100と同様に構成されている。従って、以下では、コントローラ420について主に説明する。
また、学習部427は、実施の形態1の在室確率抽出部428と同様に、時間帯及び複数の機器110の全ての使用状態の組み合わせ毎に、各部屋の在室確率を、学習用データに基づいて算出する。
そして、学習部427は、図9に示されているように、時間帯及び複数の機器110の全ての使用状態の組み合わせ毎に在室確率を示した在室確率リスト141を作成する。そして、学習部427は、このような在室確率リスト141をデータ格納部424に格納する。
図18は、実施の形態5に係る在室部屋推定システム500の構成を概略的に示すブロック図である。
図18に示されるように、在室部屋推定システム500は、一又は複数の機器110と、コントローラ520とを備える。実施の形態5に係る在室部屋推定システム500は、コントローラ520を除いて、実施の形態1に係る在室部屋推定システム100と同様に構成されている。従って、以下では、コントローラ520について主に説明する。
このため、実施の形態5におけるデータ格納部524に格納されている学習用データテーブルには、時間帯のほか時刻も格納されている。
そして、異常生活パターン検知部540は、在室部屋推定部526からの推定情報で示される推定された在室部屋の履歴から、推定情報で示される時刻における、推定情報で示される推定在室部屋の在室時間を特定する。
異常生活パターン検知部540は、推定情報で示される時刻における推定在室部屋の在室時間を、学習用データテーブルに基づいて特定された分布と比較して、この分布から離れたパターンが生じたときに異常生活パターンが発生したと判断する。
そして、異常生活パターン検知部540は、推定情報で示される時刻における推定在室部屋の在室時間を、その部屋におけるユーザの在室時間の分布がプロットされている座標系にプロットする。異常生活パターン検知部540は、推定情報に基づいてプロットされた第1の点から、学習用データテーブル124aに基づいてプロットされた複数の第2の点の内、第1の点からの距離が近い予め定められた数(例えば、10個)の第2の点までの距離の平均値を算出する。そして、その平均値が予め定められた閾値よりも大きい場合に、異常生活パターン検知部540は、異常生活パターンが検出されたと判断する。
近年高齢化が進む中、一人暮らしのお年寄りが増え、孤独死等の様々な問題がクローズアップされてきており、万が一の事態に不安を抱えながら孤独な生活を強いられているお年寄りが増加している。一方、一人暮らしの親を持つ都市部で生活をせざるを得ない子世帯も、都会を中心に増え続けており、一人暮らしの親を心配しながら生活を送っている。
このような状況において、実施の形態5に係る在室部屋推定システム500を活用し、一人暮らしのお年寄りの推定在室部屋情報を、その子供等の特定者に提供したり、介護サービス等の福祉サービス会社に送信したりすることで、お年寄りの状態を見守ることができる。さらに、推定在室部屋情報を元に通常の生活パターンと異なる在室状況を検知する異常生活パターン検知部540が設けられているので、夜になっても電気がつかない、冷蔵庫の開け閉めがない、テレビ又はエアコンが使用されない、あるいは、一晩中テレビが使用されたままなどの異常状態が検出された際に通知が可能となるので、お年寄りの異常状態を見守ることができると共に、見守る側の、情報をチェックする作業に対する負担も軽減することができる。
図19は、実施の形態6に係る在室部屋推定システム600の構成を概略的に示すブロック図である。
図19に示されるように、在室部屋推定システム600は、一又は複数の機器110と、コントローラ620とを備える。実施の形態6に係る在室部屋推定システム600は、コントローラ620を除いて、実施の形態1に係る在室部屋推定システム100と同様に構成されている。従って、以下では、コントローラ620について主に説明する。
実施の形態6におけるコントローラ620は、データ処理部623、データ格納部624及び機器使用状態制御部641を除いて、実施の形態1と同様に構成されている。従って、以下では、データ処理部623、データ格納部624及び機器使用状態制御部641について主に説明する。
なお、在室部屋推定部126は、推定された在室部屋を示す推定在室部屋情報を機器使用状態制御部641に与える。
このため、実施の形態6におけるデータ格納部624に格納されている学習用データテーブルには、時間帯のほか時刻も格納されている。
例えば、7時台にキッチンにいる確率の算出する場合、機器使用状態制御部641は、図7に示されている学習用データテーブルにおいて、時間帯(x2)が現在の時間帯(7時台)であり、在室ラベル(Y)がキッチンの個数と、同時間帯(x2)の在室ラベル(Y)がキッチン以外である個数とを求め、前者を後者で割ることで確率値を算出する。
次に、機器使用状態制御部641は、現在の時刻帯から例えば10分後の時間帯の行において、各部屋の在室確率を求め、最大値をとる部屋を把握する。そして、機器使用状態制御部641は、この最大値をとる部屋の確率値がある閾値を超えた場合、以下の処理を行う。
機器使用状態制御部641は、同時刻帯(現在時刻から10分後)において、在室確率最大値の部屋に設置された機器110毎に、その使用されている使用確率を求める。この使用確率は、その時間帯におけるその部屋内の機器110毎に、その機器110のON状態の個数(頻度)を、その時間帯におけるその部屋内のその機器110のONとOFFの全個数で割って求める。このようにして求められた使用確率が、予め定められた閾値よりも高い機器110を特定する。
そして、機器使用状態制御部641は、以上のようにして特定された機器110を、例えば、その時間帯(10分後)に電源をONするように制御する。
Claims (13)
- ネットワークに接続され、複数の部屋の何れかに設置された複数の機器と通信を行い、当該複数の機器の各々から、自装置の使用状態を示す使用状態情報を含む機器情報を受信する通信部と、
前記通信部で受信された機器情報に基づいて、前記複数の機器の全ての使用状態を示す全使用状態情報、及び、現在の時刻を少なくとも含む時間情報を含む特徴ベクトルを生成するとともに、前記通信部で受信された機器情報に基づいて、当該機器情報を送ってきた機器に対してユーザが操作を行ったか否かを判断し、当該操作の行われた機器が設置されている部屋をユーザの在室部屋として特定し、当該特定された在室部屋を示す在室部屋ラベルを、前記生成された特徴ベクトルに付加する特徴量抽出部と、
前記在室部屋ラベルが付加された特徴ベクトルに含まれている時間情報で示される時刻に対応する時間帯を含めることで、前記在室部屋ラベルが付加された特徴ベクトルを、前記在室部屋ラベルが付加された更新特徴ベクトルに更新するデータ処理部と、
前記データ処理部で更新された、前記在室部屋ラベルが付加された更新特徴ベクトルを学習用データとして格納するデータ格納部と、
前記データ格納部に格納されている学習用データに基づいて、前記時間帯及び前記複数の機器の全ての使用状態の組み合わせ毎に、前記複数の部屋の各々の在室確率を算出する在室確率算出部と、
前記在室確率算出部で算出された在室確率の内、前記特徴量抽出部で生成された特徴ベクトルに対応する在室確率から、ユーザの在室部屋を推定する在室部屋推定部と、を備えること
を特徴とする情報処理装置。 - 前記特徴量抽出部は、前記通信部で受信された機器情報に基づいて、前記複数の機器の使用継続時間に関する情報を、前記特徴ベクトルに含め、
前記在室確率算出部は、前記時間帯、前記複数の機器の全ての使用状態、及び、前記複数の機器の使用継続時間に関する情報の組み合わせ毎に、前記複数の部屋の各々の在室確率を算出すること
を特徴とする請求項1に記載の情報処理装置。 - 複数の部屋の何れかに設置された複数の機器と通信を行い、当該複数の機器の各々から、自装置の使用状態を示す使用状態情報を含む機器情報を受信する通信部と、
前記通信部で受信された機器情報に基づいて、前記複数の機器の全ての使用状態を示す全使用状態情報、及び、現在の時刻を少なくとも含む時間情報を含む特徴ベクトルを生成するとともに、前記通信部で受信された機器情報に基づいて、当該機器情報を送ってきた機器に対してユーザが操作を行ったか否かを判断し、当該操作の行われた機器が設置されている部屋をユーザの在室部屋として特定し、当該特定された在室部屋を示す在室部屋ラベルを、前記生成された特徴ベクトルに付加する特徴量抽出部と、
前記在室部屋ラベルが付加された特徴ベクトルに含まれている時間情報で示される時刻に対応する時間帯を含めることで、前記在室部屋ラベルが付加された特徴ベクトルを、前記在室部屋ラベルが付加された更新特徴ベクトルに更新するとともに、前記時間帯及び前記複数の機器の全ての使用状態の組み合わせ毎に、前記複数の部屋の各々の在室確率を、前記在室部屋ラベルが付加された更新特徴ベクトルに基づいて算出する学習部と、
前記学習部で算出された在室確率を格納するデータ格納部と、
前記特徴量抽出部で生成された特徴ベクトルに対応する、前記複数の部屋の各々の在室確率を前記データ格納部から抽出する在室確率抽出部と、
前記在室確率抽出部で抽出された在室確率からユーザの在室部屋を推定する在室部屋推定部と、を備えること
を特徴とする情報処理装置。 - 前記特徴量抽出部は、前記通信部で受信された機器情報に基づいて、前記複数の機器の使用継続時間に関する情報を、前記特徴ベクトルに含め、
前記学習部は、前記時間帯、前記複数の機器の全ての使用状態、及び、前記複数の機器の使用継続時間に関する情報の組み合わせ毎に、前記複数の部屋の各々の在室確率を算出すること
を特徴とする請求項3に記載の情報処理装置。 - 前記在室部屋推定部は、一又は複数のユーザの数に対応して、前記複数の部屋から、一又は複数の部屋を前記一又は複数のユーザの在室部屋として推定すること
を特徴とする請求項1から4の何れか一項に記載の情報処理装置。 - 前記通信部は、前記機器情報を周期的に受信し、
前記特徴量抽出部は、前記通信部で受信された機器情報から、当該機器情報を送ってきた機器に対してユーザが電源をOFFにする操作を行ったことを検出した場合には、前記通信部で前回受信された機器情報に基づいて生成された特徴ベクトルに、前記在室部屋ラベルを付加すること
を特徴とする請求項1から5の何れか一項に記載の情報処理装置。 - 前記機器情報には、前記機器情報を送ってきた機器で行われたイベントを示すイベント情報が含まれており、
前記特徴量抽出部は、前記通信部で受信された機器情報に含まれているイベント情報で示されるイベントが、予め定められたイベントである場合に、ユーザが操作を行ったと判断すること
を特徴とする請求項1から6の何れか一項に記載の情報処理装置。 - 前記特徴量抽出部は、前記通信部で受信された機器情報に含まれている使用状態情報に基づいて、使用状態に変化があった場合に、ユーザが操作を行ったと判断すること
を特徴とする請求項1から7の何れか一項に記載の情報処理装置。 - 前記在室部屋推定部で推定された在室部屋に基づいて、推定された在室部屋の在室時間を算出し、当該算出された在室時間が、前記データ格納部に格納されている学習用データに基づいて、異常な生活パターンであると判断した場合に、前記通信部を介して、特定のアドレスに異常状態を通知する異常生活パターン検知部をさらに備えること
を特徴とする請求項1から8の何れか一項に記載の情報処理装置。 - 前記異常生活パターン検知部は、前記在室部屋推定部で在室部屋の推定が行われた時刻での、前記在室部屋推定部で推定された在室部屋における在室時間が、前記データ格納部に格納されている学習用データにおける、前記在室部屋推定部で在室部屋の推定が行われた時刻での、前記在室部屋推定部で推定された在室部屋に対応する部屋の在室時間の分布から離れている場合に、異常な生活パターンと判断すること
を特徴とする請求項9に記載の情報処理装置。 - 前記在室部屋推定部で推定された在室部屋に基づいて、前記通信部を介して、前記複数の機器の少なくとも1つを制御する機器使用状態制御部をさらに備えること
を特徴とする請求項1から8の何れか一項に記載の情報処理装置。 - ネットワークに接続され、複数の部屋の何れかに設置された複数の機器と通信を行い、当該複数の機器の各々から、自装置の使用状態を示す使用状態情報を含む機器情報を受信し、
前記受信された機器情報に基づいて、前記複数の機器の全ての使用状態を示す全使用状態情報、及び、現在の時刻を少なくとも含む時間情報を含む特徴ベクトルを生成し、
前記受信された機器情報に基づいて、当該機器情報を送ってきた機器に対してユーザが操作を行ったか否かを判断し、当該操作の行われた機器が設置されている部屋をユーザの在室部屋として特定し、当該特定された在室部屋を示す在室部屋ラベルを、前記生成された特徴ベクトルに付加し、
前記在室部屋ラベルが付加された特徴ベクトルに含まれている時間情報で示される時刻に対応する時間帯を含めることで、前記在室部屋ラベルが付加された特徴ベクトルを、前記在室部屋ラベルが付加された更新特徴ベクトルに更新し、
前記在室部屋ラベルが付加された更新特徴ベクトルを学習用データとして格納し、
前記学習用データに基づいて、前記時間帯及び前記複数の機器の全ての使用状態の組み合わせ毎に、前記複数の部屋の各々の在室確率を算出し、
前記算出された在室確率の内、前記特徴ベクトルに対応する在室確率から、ユーザの在室部屋を推定すること
を特徴とする情報処理方法。 - 複数の部屋の何れかに設置された複数の機器と通信を行い、当該複数の機器の各々から、自装置の使用状態を示す使用状態情報を含む機器情報を受信し、
前記受信された機器情報に基づいて、前記複数の機器の全ての使用状態を示す全使用状態情報、及び、現在の時刻を少なくとも含む時間情報を含む特徴ベクトルを生成し、
前記受信された機器情報に基づいて、当該機器情報を送ってきた機器に対してユーザが操作を行ったか否かを判断し、当該操作の行われた機器が設置されている部屋をユーザの在室部屋として特定し、当該特定された在室部屋を示す在室部屋ラベルを、前記生成された特徴ベクトルに付加し、
前記在室部屋ラベルが付加された特徴ベクトルに含まれている時間情報で示される時刻に対応する時間帯を含めることで、前記在室部屋ラベルが付加された特徴ベクトルを、前記在室部屋ラベルが付加された更新特徴ベクトルに更新し、
前記時間帯及び前記複数の機器の全ての使用状態の組み合わせ毎に、前記複数の部屋の各々の在室確率を、前記在室部屋ラベルが付加された更新特徴ベクトルに基づいて算出し、
前記算出された在室確率を格納し、
前記特徴ベクトルに対応する、前記複数の部屋の各々の在室確率を抽出し、
前記抽出された在室確率からユーザの在室部屋を推定すること
を特徴とする情報処理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015213896A JP6452593B2 (ja) | 2015-10-30 | 2015-10-30 | 情報処理装置及び情報処理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015213896A JP6452593B2 (ja) | 2015-10-30 | 2015-10-30 | 情報処理装置及び情報処理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017084213A JP2017084213A (ja) | 2017-05-18 |
JP6452593B2 true JP6452593B2 (ja) | 2019-01-16 |
Family
ID=58710956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015213896A Active JP6452593B2 (ja) | 2015-10-30 | 2015-10-30 | 情報処理装置及び情報処理方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6452593B2 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7227261B2 (ja) * | 2018-02-02 | 2023-02-21 | コーニンクレッカ フィリップス エヌ ヴェ | 最適なセンサ配置のためのシステム及び方法 |
JP2021518004A (ja) * | 2018-04-13 | 2021-07-29 | ブレイノフティー インコーポレイテッド | 事象/活動予測のための環境コンポーネント領域のコンテキスト情報の利用 |
CN114004396A (zh) * | 2021-10-26 | 2022-02-01 | 广东电网有限责任公司 | 面向能源管理的在家人数预测方法、系统、设备和介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002352352A (ja) * | 2001-05-29 | 2002-12-06 | Mitsubishi Electric Corp | 生活行動パターンの異常度判定システム及び生活行動パターンの異常度判定方法 |
EP1705617A3 (fr) * | 2005-03-24 | 2011-04-20 | France Telecom | Procédé et dispositif de suivi à distance de l'activité d'une personne dans une habitation |
JP5016968B2 (ja) * | 2007-04-24 | 2012-09-05 | トヨタホーム株式会社 | 機器制御システム |
WO2009125627A1 (ja) * | 2008-04-11 | 2009-10-15 | 三菱電機株式会社 | 機器状態検出装置及び機器状態検出方法並びに生活者異常検知装置、生活者異常検知システム及び生活者異常検知方法 |
JP5087153B2 (ja) * | 2011-03-29 | 2012-11-28 | 株式会社東芝 | 行動状態推定システムおよびその方法 |
CN104778504B (zh) * | 2015-03-18 | 2018-05-18 | 南京邮电大学 | 一种家庭用户智能家电的用电安排优化方法 |
-
2015
- 2015-10-30 JP JP2015213896A patent/JP6452593B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2017084213A (ja) | 2017-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5058504B2 (ja) | 住居の中の人物の遠隔人物追跡方法とその装置 | |
US9721208B2 (en) | Living activity inference device, program, and computer-readable recording medium | |
JP6491193B2 (ja) | 建造物の熱力学的モデルの生成および実施 | |
JP3996428B2 (ja) | 異常検知装置及び異常検知システム | |
Khan et al. | Occupancy monitoring using environmental & context sensors and a hierarchical analysis framework | |
US20180034657A1 (en) | Method and System of Monitoring Appliance Usage | |
JP4982511B2 (ja) | 行動時間比率計算装置及び行動時間比率計算方法 | |
US20120150463A1 (en) | Utilization-time changing support device and method of supporting change in utilization time | |
WO2012026589A1 (ja) | 電気量管理システムおよびセンタサーバ | |
KR101660487B1 (ko) | 소비 특성에 따른 전력 소비량 예측 방법 및 장치 | |
JP2007265017A (ja) | 高齢者安否情報生成システム | |
JP6197258B2 (ja) | 行動予測装置、プログラム | |
JP6452593B2 (ja) | 情報処理装置及び情報処理方法 | |
JP6400834B2 (ja) | 推薦装置、推薦決定方法、およびコンピュータプログラム | |
EP2903217B1 (en) | Building automation method and system | |
JP2016218801A (ja) | 行動推定装置、行動推定方法、及び行動推定プログラム | |
US11514537B2 (en) | Decoupled modeling methods and systems | |
JP5558520B2 (ja) | 状態判定装置、状態判定システム、状態判定方法及びプログラム | |
US20140143189A1 (en) | On-demand power control system, on-demand power control system program, and computer-readable recording medium recording the same program | |
JP2008102884A (ja) | 日常生活度解析システム | |
JP6384791B2 (ja) | 断熱性能推定装置、プログラム | |
Alam et al. | Smart-energy group anomaly based behavioral abnormality detection | |
WO2014141354A1 (ja) | 電気機器制御装置および電気機器制御システム | |
WO2017104044A1 (ja) | 遠隔健康管理装置、遠隔健康管理方法、および遠隔健康管理システム | |
WO2013190603A1 (ja) | 電気機器制御システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170925 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20181025 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20181113 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20181211 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6452593 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |