JP6452593B2 - 情報処理装置及び情報処理方法 - Google Patents

Description

本発明は、情報処理装置及び情報処理方法に関し、特に、ユーザの在室部屋を推定する情報処理装置及び情報処理方法に関する。

生活者の在室場所を推定する技術として、監視カメラから直接的に計測するのではなく、宅内のある機器の稼働状態をもとに、予め記憶装置に格納した機器稼働状態と在室場所とを関連付けた辞書データを検索して、生活者の在室場所を推定する方法がある（例えば、特許文献１を参照）。

また、生活者の個別の生活行動の識別モデルを徐々にユーザに特化するために、ユーザが生活行動をタブレット端末で修正する方法がある（非特許文献１）。

特開２００９−２６３０５号公報

尾崎太亮著、「家庭における消費電力用いた生活行動分析システム」電子情報通信学会、２０１５年３月１０日、ｐ．１７２

特許文献１に記載された方法では、機器の稼働状態と在室場所の関係とを関連付けた辞書データが記憶装置に予め記憶させている。このため、様々な生活者に特化するには、予め個々の生活者に適した辞書データを用意する必要がある。また、生活者の生活パターンの変化により、在室部屋推定の精度が劣化することが懸念される。

また、非特許文献１に記載された方法では、個々のユーザに適合した生活行動推定を行うためには、推定結果をタブレット端末上に表示し、その内容がユーザの実際の行動と異なった推定結果であった場合、ユーザがタブレット端末で修正を行わなければならない。

そこで、本発明は、事前に個々のユーザの行動パターンを格納しておかなくても、個々のユーザの行動パターンに適合した在室部屋推定を行うことができるようにすることを目的とする。

本発明の一態様に係る情報処理装置は、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。

本発明の他の態様に係る情報処理装置は、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。

本発明の一態様に係る情報処理方法は、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。

本発明の他の態様に係る情報処理方法は、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。

本発明の一態様によれば、事前に個々のユーザの行動パターンを格納しておかなくても、個々のユーザの行動パターンに適合した在室部屋推定を行うことができる。

実施の形態１〜３に係る在室部屋推定システムの構成を概略的に示すブロック図である。 実施の形態１における特徴量抽出部の構成を概略的に示すブロック図である。 実施の形態１におけるユーザ操作定義リストの概略図である。 実施の形態１における設置部屋リストの概略図である。 実施の形態１における在室部屋ラベルが付加された特徴ベクトルを示す概略図である。 実施の形態１における特徴量抽出部の動作を示すフローチャートである。 実施の形態１における学習用データテーブルの一例を示す概略図である。 実施の形態１における集計テーブルの一例を示す概略図である。 実施の形態１における在室確率リストの一例を示す概略図である。 実施の形態１における在室部屋推定部の内部処理を示す概略図である。 実施の形態２における特徴量抽出部の構成を概略的に示すブロック図である。 実施の形態２における機器使用継続時間の算出処理の一例を示す概略図である。 実施の形態２において、部屋毎に求められた最小の機器使用継続時間の値に割り振る順番を説明するための概略図である。 実施の形態２における在室部屋ラベルが付加された特徴ベクトルを示す概略図である。 実施の形態２における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。 実施の形態３における在室部屋推定部の内部処理を示す概略図である。 実施の形態４に係る在室部屋推定システムの構成を概略的に示すブロック図である。 実施の形態５に係る在室部屋推定システムの構成を概略的に示すブロック図である。 実施の形態６に係る在室部屋推定システムの構成を概略的に示すブロック図である。 実施の形態１〜６におけるコントローラのハードウェア構成の一例を示す概略図である。

実施の形態１．
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。

通信ネットワークであるホームネットワーク１０１に接続される機器１１０は、例えば、照明機器、エアコン、テレビ、換気扇、冷蔵庫、クッキングヒータ、温水暖房器、給湯器、太陽電池、燃料電池又は蓄電池等である。図１では、第１の部屋１０２Ａに機器１１０Ａ及び機器１１０Ｂが設置されており、第２の部屋１０２Ｂに機器１１０Ｃが設置されている。

機器１１０は、複数の部屋の何れかに設定されており、周期的に機器１１０の状態を示す機器情報を、ホームネットワーク１０１を介して、コントローラ１２０に送信する。
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。

機器情報は、少なくとも機器の使用状態を示す使用状態情報を含んでいる。
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、ホームネットワーク１０１に接続されており、様々な部屋に設置されている機器１１０の制御を行う。
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。

通信部１２１は、ホームネットワーク１０１を介して、機器１１０と通信を行う。例えば、通信部１２１は、機器１１０から、機器１１０の使用状態を示す機器情報を周期的に受信する。通信部１２１は、受信された機器情報を特徴量抽出部１２２に与える。

特徴量抽出部１２２は、通信部１２１から与えられた機器情報から特徴量を抽出して、抽出された特徴量を含む特徴ベクトルを生成する。例えば、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、複数の機器１１０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。
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。

図２は、特徴量抽出部１２２の構成を概略的に示すブロック図である。
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。

機器状態サンプリング部１３０は、通信部１２１を介して、ホームネットワーク１０１に接続されているそれぞれの機器１１０から機器情報を周期的に取得する。機器状態サンプリング部１３０は、取得された機器情報から各機器１１０の特徴量として、機器１１０の使用状態情報を抽出する。そして、機器状態サンプリング部１３０は、抽出された特徴量を一次元に並べた特徴ベクトルを生成する。
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。

機器状態サンプリング部１３０は、機器の情報を取得する毎に、このような特徴ベクトルを生成し、在室確率算出部１２５及び在室部屋ラベル付加部１３５に与える。また、機器状態サンプリング部１３０は、通信部１２１から与えられた機器情報をユーザ操作検出部１３１に与える。

ユーザ操作検出部１３１は、取得された機器情報から機器１１０へのユーザ操作の有無の検出を行う。例えば、ユーザ操作検出部１３１は、機器情報にイベント情報が含まれている場合には、ユーザ操作定義リスト１３２を参照して、機器１１０のユーザ操作の有無の検出を行う。

ユーザ操作定義リスト１３２は、どのようなイベントがユーザ操作なのかを機器毎に定義した情報である。例えば、機器１１０が冷蔵庫の場合、電源のオン又はオフといった使用状態情報ではユーザ操作の有無は把握できない。また、テレビのタイマー設定による視聴開始又は停止、エアコンのタイマー設定による動作開始又は停止、及び、ネットワーク接続先のコントローラ１２０からの動作開始又は停止指示等があった場合は、機器の使用状態情報だけではユーザ操作の有無を把握することができない。
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。

図３は、ユーザ操作定義リスト１３２の概略図である。
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。

図３に示されているように、機器１１０が冷蔵庫の場合は、ドア開閉のイベントがあった場合に、ユーザ操作があったと検出することができる。機器１１０が照明機器の場合はスイッチによる照明のオン又はオフのイベント、又は、リモコン操作のイベントで、ユーザ操作があったと検出することができる。機器１１０が電子レンジの場合は、ドア開閉のイベント又は本体パネル操作のイベントで、ユーザ操作があったと検出することができる。機器１１０が、テレビ、オーディオ機器、レコーダ、エアコン又は扇風機の場合は、リモコン操作のイベント、又は、本体パネル操作のイベントで、ユーザ操作があったと検出することができる。機器１１０が、クッキングヒータ、トースター、換気扇、床暖房機器又は洗濯機の場合は、本体パネル操作のイベントで、ユーザ操作があったと検出することができる。機器１１０がドライヤーの場合は、本体スイッチ操作のイベントで、ユーザ操作があったと検出することができる。

なお、ユーザ操作検出部１３１は、機器情報にイベント情報が含まれていない場合には、機器情報に含まれている使用状態の変化から、ユーザ操作の検出を行う。例えば、機器１１０が、クッキングヒータである場合には、ユーザ操作検出部１３１は、使用状態の変化により、ユーザ操作があったことを検出することができる。
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。

在室部屋検知部１３３は、ユーザ操作検出部１３１からの通知に基づいて、ユーザの在室部屋を検知する。例えば、在室部屋検知部１３３は、設置部屋リスト１３４を参照して、ユーザ操作検出部１３１からの通知により、ユーザ操作のあった機器１１０が設置されている部屋を、ユーザの在室部屋として検知する。

設置部屋リスト１３４は、機器１１０が設置されている部屋を示す情報である。
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。

設置部屋リスト１３４は、例えば、予め機器１１０をホームネットワーク１０１に接続した際に、ユーザがその機器１１０の設置部屋を、図示しないユーザインターフェース経由で入力することで生成される。
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。

在室部屋ラベル付加部１３５は、機器状態サンプリング部１３０が抽出した特徴ベクトル（時間情報及び各機器１１０の使用状態情報）に、在室部屋検知部１３３から通知を受けた在室部屋ＩＤを在室部屋ラベルとして付加する。但し、在室部屋ラベルは、ユーザの在室部屋が検知された一部の特徴ベクトルに対してのみ付加され、全ての特徴ベクトルに付加されるわけではない。

図５は、一部に在室部屋ラベルが付加された特徴ベクトルを示す概略図である。
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。

なお、図５に示されているように、時刻が７：０３：３０にキッチンの照明がユーザ操作によってＯＮからＯＦＦになっている。この場合、在室部屋ラベル付加部１３５は、照明がＯＦＦにされた特徴ベクトルに在室部屋ラベルとして「キッチン」を付加せずに、一つ前の７：０３：００の特徴量を有する特徴ベクトルに在室部屋ラベルとして「キッチン」を付加する。これは、機器をＯＦＦに操作したユーザはその後、その部屋から居なくなる傾向が高いため、機器１１０の使用状態がＯＦＦとなった特徴ベクトルに在室部屋ラベルを付加せずに、一つ前の機器１１０の使用状態がＯＮである特徴量を有する特徴ベクトルに在室部屋ラベルを付加するようにしている。
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。

在室部屋ラベル付加部１３５は、機器１１０からの情報を取得する周期毎に、一つ前に取得された機器情報から生成された在室部屋ラベル付特徴ベクトル又は特徴ベクトルをデータ処理部１２３に与える。

図６は、特徴量抽出部１２２の動作を示すフローチャートである。
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、ユーザ操作検出部１３１は、機器状態サンプリング部１３０から与えられた機器情報に基づいて、ユーザ操作の有無を判断する（Ｓ１２）。ユーザ操作検出部１３１は、機器情報にイベント情報が含まれている場合には、ユーザ操作定義リスト１３２を参照し、このリストで定義されたユーザ操作に相当するイベントが発生したかを判断する。ユーザ操作があった場合（Ｓ１２でＹｅｓ）には、処理はステップＳ１３に進み、ユーザ操作がなかった場合（Ｓ１２でＮｏ）には、処理はステップＳ１５に進む。

ステップＳ１３では、ユーザ操作検出部１３１は、ユーザ操作があった機器１１０の機器ＩＤを在室部屋検知部１３３に通知して、在室部屋検知部１３３は、設置部屋リスト１３４を参照して、ユーザ操作があった機器１１０が設置されている部屋を特定する（Ｓ１３）。そして、在室部屋検知部１３３は、特定された部屋の部屋ＩＤを在室部屋ラベル付加部１３５に通知する。
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。

ステップＳ１５では、在室部屋ラベル付加部１３５は、在室部屋ラベルが付加された特徴ベクトル又はこのような在室部屋ラベルが付加されていない特徴ベクトルをデータ処理部１２３に与える。
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。

図１に示されているデータ処理部１２３は、特徴量抽出部１２２から与えられた特徴ベクトルを処理して、処理後の特徴ベクトルを学習用データとしてデータ格納部１２４に格納する。例えば、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間情報で示される時刻が含まれる時間帯を含めることで、在室部屋ラベルが付加された特徴ベクトルを、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。そして、データ処理部１２３は、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データ格納部１２４に格納する。
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。

データ格納部１２４は、学習用データを格納した学習用データ情報としての学習用データテーブルを記憶する。
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。

以上のように、特徴量抽出部１２２が、各機器１１０から収集した機器情報から、在室推定のために有効となる機器１１０の使用状態情報と、時刻、曜日、月又は日等の時間情報とを特徴ベクトルとして抽出し、さらに、機器１１０に対してのユーザ操作の有無を検知し、ユーザ操作に基づいてユーザが存在した部屋を在室部屋ラベルとして付加することで、学習用データをデータ格納部１２４に蓄積していく。
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。

次に、在室部屋を識別するための識別処理について説明する。
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。

以下、在室確率算出部１２５の在室確率の求め方について説明する。
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ω_１，ω_２，・・・，ω_Ｒ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）＝ｘ_１，ｘ_２，・・・，ｘ_ｍ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。

在室部屋を推定するには、ベイズ決定則を適用して、ある特徴ベクトルｘ^（ｎ）が観測されたもとでのある部屋ω_ｉに在室する事後確率Ｐ（ω_ｉ｜ｘ^（ｎ））が最大となる在室部屋ω_ｋを求めればよい。ここで、ｉは、１≦ｉ≦Ｒを満たす整数で、ｋも、１≦ｋ≦Ｒを満たす整数である。なお、ある部屋ω_ｉに在室する事後確率のことを、在室確率という。

事後確率最大化に基づくベイズ決定則を用いると、事後確率が最大となる在室部屋ω_ｋは、（１）式により求まる。

ここで、ヘイズ決定則により、事後確率Ｐ（ω_ｉ｜ｘ^（ｎ））は、下記の（２）式により求まる。

（２）式において、Ｐ（ｘ^（ｎ）｜ω_ｉ）は、在室部屋がω_ｉであったときに、特徴ベクトルｘ^（ｎ）がある値をとる出現確率である。例えば、ｘ_１が時刻、ｘ_２がＴＶの使用状態、ｘ_３がリビングの照明の使用状態、ω_１がリビング、及び、ω_２がキッチンである場合に、ω_ｉがキッチンで、特徴ベクトルｘ^（ｎ）が（ｘ_１＝７：００，ｘ_２＝ＯＮ，ｘ_３＝ＯＮ）であるとする。このような例では、Ｐ（ｘ^（ｎ）｜ω_ｉ）は、学習用データテーブルにおいて、在室ラベルがω_ｉ（キッチン）を満たし、かつ、更新特徴ベクトルが特徴ベクトルｘ^（ｎ）を満たす学習用データの数を、全ての学習用データの数（学習用データテーブルの全ての行数）で割った値となる。

また、（２）式において、Ｐ（ｘ^（ｎ））は、特徴ベクトルｘ^（ｎ）の出現確率である。例えば、特徴ベクトルｘ^（ｎ）の要素として、ｘ_１が時刻、ｘ_２がＴＶの使用状態、及び、ｘ_３がリビングの照明の使用状態である場合に、特徴ベクトルｘ^（ｎ）が（ｘ_１＝７：００，ｘ_２＝ＯＮ，ｘ_３＝ＯＮ）であるとする。このような例では、Ｐ（ｘ^（ｎ））は、更新特徴ベクトルが特徴ベクトルｘ^（ｎ）を満たす学習用データの数を、全ての学習用データの数（学習用データテーブルの全ての行数）で割った値となる。

さらに、（２）式において、Ｐ（ωｉ）は、ユーザが部屋ω_ｉに在室している確率である。例えば、ω_１がリビング、及び、ω_２がキッチンである場合に、ω_ｉがキッチンであるとする。このような例では、Ｐ（ωｉ）は、在室ラベルがω_ｉ（キッチン）を満たす学習用データの数を、全ての学習用データの数（学習用データテーブルの全ての行数）で割った値となる。

また、（２）式の分母は、下記の（３）式で求められる。

従って、（２）式は、下記の（４）式に変形することができる。

ここで、（２）式のＰ（ｘ^（ｎ））は、各ｉに共通であるので、言い換えると、在室部屋には依存しない値であるので、Ｐ（ｘ^（ｎ）｜ω_ｉ）の大小には影響しない。従って、（１）式では、下記の（５）式のように、（４）式の分子のみを考慮すればよい。

さらに、在室部屋の推定を簡単に行うため、特徴ベクトルｘ^（ｎ）について、その各要素ｘ_１，ｘ_２，・・・，ｘ_ｍは、それぞれ依存性が無く独立する。言い換えると、時間情報及び各部屋の使用状態は独立とすると、Ｐ（ｘ^（ｎ）｜ω_ｉ）は、下記の（６）式で求めることができる。

以上により、在室部屋ω_ｋは、下記の（７）式で求めることができる。

例えば、説明を簡単にするため、宅内にリビング、キッチン及び寝室の３部屋があり、第１の機器及び第２の機器がホームネットワークに接続されている場合を考える。
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ω_１、キッチンをω_２、寝室をω_３、曜日をｘ_１、時間帯をｘ_２、第１の機器の使用状態をｘ_３、及び、第２の機器の使用状態をｘ_４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。

リビング（ω_１）の事後確率は、下記の（８）式で求めることができる。

キッチン（ω_２）の事後確率は、下記の（９）式で求めることができる。

寝室（ω_３）の事後確率は、下記の（１０）式で求めることができる。

以上の計算を行うため、在室確率算出部１２５は、データ格納部１２４に格納された学習用データテーブル１２４ａ（図７参照）から、図８に示されているように、更新特徴ベクトル毎に、各々の部屋の在室検出回数を集計する。具体的には、在室確率算出部１２５は、曜日、時間帯、リビングの照明の使用状態、リビングのテレビの使用状態、キッチンの照明の使用状態、キッチンの電子レンジの使用状態、・・・、寝室の照明の使用状態を要素として構成されている更新特徴ベクトルについて、更新特徴ベクトル毎にリビング、キッチン、・・・、寝室の各部屋の在室ラベルが何回存在したかを集計し、図８に示されているような集計テーブル１４０を作成する。

そして、在室確率算出部１２５は、集計テーブル１４０をもとに、更新特徴ベクトル及び部屋の組み合わせ毎に在室確率を算出することで、図９に示されているような在室確率リスト１４１を作成する。図９において在室確率と記載している列の値は、上記（８）式、（９）式及び（１０）式に相当する計算が行われた結果である。

そして、在室確率算出部１２５は、図９に示されている在室確率リスト１４１の内、更新特徴ベクトルが入力パターンに対応する行に格納されている各部屋の在室確率を在室部屋推定部１２６に与える。
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。

在室部屋推定部１２６は、図１０に示すように、各部屋の在室確率のうち最大のものを選択し、その部屋を推定在室部屋とする。

以上のように、実施の形態１によれば、事前に機器１１０の使用パターンを記憶しておくのではなく、オンサイトで機器１１０に対するユーザ操作の検知による確定した在室部屋情報と、その際の全機器１１０の使用状態とから、学習用データを自動的に生成、蓄積する。そして、実施の形態１は、このような学習用データに基づいて、現時点での時間情報及び各機器使用状態から最も確率の高い部屋を在室部屋として推定するため、個々のユーザの行動パターンに適合した在室推定を行うことができる。

ユーザ毎に生活パターンの種類は非常に多く、事前に記憶させておくことが非常に困難であるので、実施の形態１によって、日時に応じた各機器１１０の使用状態を示す特徴量と、ユーザ操作検知による機器１１０の設置部屋ラベルとをペアとした学習用データの蓄積量が増加するのに伴い、個々のユーザに適合した在室部屋推定の精度が向上する。

また、実施の形態１では、ホームネットワーク１０１に接続された機器１１０の使用状態と、ユーザ操作の検知とから学習データを生成することで、ユーザに適合した学習に基づいた在室推定が可能である。このため、在室推定用に監視カメラを使用する必要がなく、ユーザの心理としてカメラで監視されているという違和感を全く与えずに在室推定を行うことができる。

また、実施の形態１によれば、わざわざ人感センサーを追加設置する必要がなく、ホームネットワーク１０１に、エアコン、テレビ、電子レンジ等の生活に使用する必需品である機器１１０を接続するだけで在室推定が可能である。このため、人感センサー設置の手間及び人感センサーの購入コストが不要である。

また、実施の形態１によれば、ユーザ操作の発生した機器１１０の使用状態だけでなく、ユーザ操作の発生した時点の他の全ての機器１１０の使用状態を特徴ベクトルに加え、在室部屋の学習及び推定を行うようにしたので、高精度で在室部屋を推定することが可能である。

さらにまた、実施の形態１によれば、家の外部のネットワークにユーザの機器１１０の使用状態、部屋の構成等の個人情報を一切出力しないので、ユーザにプライバシー情報が外部に流出してしまうのではないかという懸念を与えたりすることなく安心して使用してもらうことが出来る。

さらに、実施の形態１は、使用されていた機器１１０を未使用状態にするユーザ操作が発生したときに、その際の機器１１０の特徴ベクトルに在室部屋ラベルを付加せずに、一つ前にサンプリングした機器１１０の特徴ベクトルに在室部屋ラベルを付加して学習用データを生成するようにし、未使用状態の機器１１０の設置部屋に在室ラベルが付加されないようにしている。このため、高精度での在室推定が実現できる。

実施の形態２．
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。

特徴量抽出部２２２は、通信部１２１で受信された機器情報に基づいて、複数の機器１１０の使用継続時間に関する情報を、さらに特徴ベクトルに含める。
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。

図１１は、実施の形態２における特徴量抽出部２２２の構成を概略的に示すブロック図である。
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。

機器使用継続時間算出部２３７は、各機器１１０がユーザ操作によって未使用状態から使用状態にされてからの使用状態継続時間をカウントし、使用状態継続時間に関する情報を、機器状態サンプリング部１３０から取得した特徴ベクトルに要素（特徴量）として加える。そして、機器使用継続時間算出部２３７は、このような情報が加えられた特徴ベクトルを在室確率算出部１２５及びユーザ操作検出部１３１に与える。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及びユーザ操作検出部１３１での処理は、実施の形態１と同様である。

機器使用継続時間算出部２３７は、機器状態サンプリング部１３０から与えられる特徴ベクトルに基づいて、各部屋に設置されている機器１１０の使用時間をカウントする。例えば、機器使用継続時間算出部２３７は、記憶部１３６に、各部屋に設置されている機器１１０の使用時間を記憶させておくことで、このようなカウント行うことができる。
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。

図１２では、例えば、「７：０１：００」の時刻を有する特徴ベクトルにおいて、最小機器使用継続時間は、リビングが１：００、キッチンが０：３０、・・・、寝室が０：００である。従って、部屋毎に求められた最小の機器使用継続時間の値は、図１３において、「７：０１：００」の時刻を有する特徴ベクトルに示されているように、リビングが２、キッチンが１、・・・、寝室は機器が未使用のため無効を示す“―”となる。
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。

在室部屋ラベル付加部１３５は、実施の形態１の動作と同様に、ユーザ操作を検知して、在室部屋ラベルを特徴ベクトルに付加し、特徴ベクトル又は在室部屋ラベルが付加された特徴ベクトルをデータ処理部１２３に与える。部分的に在室部屋ラベル付き特徴ベクトルをデータ格納部１２４に格納する。
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。

在室確率算出部１２５は、実施の形態１と同様にデータ格納部１２４に格納された学習用データテーブルを参照して、各部屋の在室確率を算出する。
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（ｘ_１〜ｘ_６）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。

以上のように、実施の形態２に係る在室部屋推定システム２００は、各機器１１０の使用継続時間に関する情報を特徴量として抽出し、特徴ベクトルに追加されている。このため、機器１１０の最小の使用継続時間に基づいて定められる使用継続時間順序が異なる更新特徴ベクトルは、別々の更新特徴ベクトルとして在室確率が算出される。これは、一般に、ユーザは、機器使用時間が短い部屋に在室している傾向が高いためである。このため、実施の形態２に係る在室部屋推定システム２００は、ユーザの在室部屋を高精度に特定することができる。
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。

また、使用継続時間順序情報で示される値が小さな値をもつ、即ち、使用継続時間が短い機器１１０が存在する部屋の在室確率が高くなるように、得られた在室確率にさらに重み付けを行って、在室確率が求められてもよい。

以上のように、実施の形態２における在室部屋推定システム２００では、各機器１１０の使用継続時間に関する情報を特徴量として抽出し、特徴ベクトルに追加し、使用継続時間がより短い機器１１０の設置部屋の在室確率が高くなるように重み付けが行われるので、在室部屋を高精度に特定することができる。

なお、実施の形態２では、機器使用継続時間算出部２３７は、機器１１０毎にカウントされた使用状態継続時間を、機器使用継続時間に関する情報として、特徴ベクトルに付加してもよい。

実施の形態３．
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。

実施の形態３における在室部屋推定部３２６は、在室確率算出部１２５から与えられた在室確率が予め定められた閾値以上であるもののうち、上位の予め定められた数の在室確率に対応する部屋を在室部屋として推定する。

図１６は、在室部屋推定部３２６の内部処理を示す概略図である。
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。

以上のように、実施の形態３における在室部屋推定システム３００によれば、世帯人数が複数人の場合でも在室部屋を推定することができる。また、一つの部屋に複数人在室する場合でも、他の部屋の在室確率が閾値以下と低くなるため、在室部屋の推定が可能である。

実施の形態４．
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。

コントローラ４２０は、通信部１２１と、特徴量抽出部１２２と、データ格納部４２４と、在室部屋推定部１２６と、学習部４２７と、在室確率抽出部４２８とを備える。実施の形態４におけるコントローラ４２０は、データ格納部４２４、学習部４２７及び在室確率抽出部４２８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、データ格納部４２４、学習部４２７及び在室確率抽出部４２８について主に説明する。

学習部４２７は、実施の形態１のデータ処理部１２３と同様に、特徴量抽出部１２２から与えられた特徴ベクトルを処理して、処理後の特徴ベクトルを学習用データとしてデータ格納部４２４に格納する。
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。

データ格納部４２４は、上述のように、学習用データテーブルの他、在室確率リスト１４１を格納する。

在室確率抽出部４２８は、データ格納部４２４に格納されている在室確率リスト１４１から、入力パターンに対応する在室確率を抽出し、在室部屋推定部１２６に与える。

以上のように実施の形態４における在室部屋推定システム４００によれば、特徴ベクトルが追加又は更新される毎に、特徴ベクトルの各パターンに対して各部屋の在室確率が予め算出されるので、ある特徴ベクトル（入力パターン）が与えられたときに要する在室部屋を推定するまでの処理時間を短縮することができる。

なお、実施の形態４では、実施の形態１に、データ格納部４２４、学習部４２７及び在室確率抽出部４２８が適用されているが、このような例に限定されない。例えば、実施の形態２又は実施の形態３に、データ格納部４２４、学習部４２７及び在室確率抽出部４２８が適用されてもよい。

実施の形態５．
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。

コントローラ５２０は、通信部１２１と、特徴量抽出部１２２と、データ処理部５２３と、データ格納部５２４と、在室確率算出部１２５と、在室部屋推定部５２６と、異常生活パターン検知部５４０とを備える。実施の形態５におけるコントローラ５２０は、データ処理部５２３、データ格納部５２４、在室部屋推定部５２６及び異常生活パターン検知部５４０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５２３、データ格納部５２４、在室部屋推定部５２６及び異常生活パターン検知部５４０について主に説明する。

データ処理部５２３は、実施の形態１におけるデータ処理部１２３と同様の処理を行うが、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とともに、その時刻を学習用データに残しておく。
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。

在室部屋推定部５２６は、実施の形態１における在室部屋推定部１２６と同様に、在室部屋の推定を行う。そして、在室部屋推定部５２６は、通信部１２１及びホームネットワーク１０１に接続されたゲートウェイ５０３を介して、推定された在室部屋を示す推定在室部屋情報をインターネットの特定のアドレスにのみ出力する。また、在室部屋推定部５２６は、推定された在室部屋及び時刻を示す推定情報を異常生活パターン検知部５４０に与える。ここでの時刻は、入力パターンとして入力された特徴ベクトルに格納されている時刻である。ここでの時刻は、入力パターンとして入力された特徴ベクトルに格納されている時刻である。

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を監視し、データ格納部５２４に格納されているデータから把握される通常の生活パターンと異なる在室パターンが検知された場合に、通信部１２１及びゲートウェイ５０３を介して、異常生活パターン検知通知をインターネットの特定のアドレスにのみ出力する。

例えば、異常生活パターン検知部５４０は、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を参照して、部屋毎に、時刻及びユーザの在室時間の分布を特定する。例えば、異常生活パターン検知部５４０は、学習用データテーブルに含まれている在室部屋ラベルで示される在室部屋が変更されるまで、その部屋にユーザが在室しているものとして、部屋毎に、時刻及びユーザの在室時間の分布を特定する。
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。

具体的には、異常生活パターン検知部５４０は、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を参照して、部屋毎に、時刻を横軸、在室時間を縦軸とする座標系において、時刻毎にユーザの在室時間の分布を特定する。
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。

例えば、トイレで倒れている場合、推定情報に基づいて、トイレの在室時間がプロットされるのは、通常の分布とは離れた領域にプロットされる。この点は、他の点からの距離が大きくなるため、異常を検出することができる。

異常生活パターン検知部５４０は、異常が検知された場合には、異常生活パターン検出通知を、通信部１２１及びゲートウェイ５０３経由でインターネットに出力し、予め設定された特定のアドレスに異常状態を通知する。なお、異常生活パターン検知部５４０は、機器１１０の使用状況が日常の使用パターンと異なる場合を検出するようにしてもよい。

以上のように、実施の形態５に係る在室部屋推定システム５００は、次に示す社会的意義を有する。
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。

実施の形態５に係る在室部屋推定システム５００の構成によれば、監視カメラを使用しないので監視されているという違和感等を与えることなく、余分な在室センサーを設置するコスト、手間をなくし、一人暮らしの方を見守ることができ、今後の高齢化社会において非常に重要な役割を果たすことができる。

以上に記載された実施の形態５は、実施の形態１にデータ処理部５２３、データ格納部５２４、在室部屋推定部５２６及び異常生活パターン検知部５４０を適用しているが、このような例に限定されず、例えば、実施の形態１〜４の何れかに、データ処理部５２３、データ格納部５２４、在室部屋推定部５２６及び異常生活パターン検知部５４０が適用されてもよい。

実施の形態６．
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。

コントローラ６２０は、通信部１２１と、特徴量抽出部１２２と、データ処理部６２３と、データ格納部６２４と、在室確率算出部１２５と、在室部屋推定部１２６と、機器使用状態制御部６４１とを備える。
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。

データ処理部６２３は、実施の形態１におけるデータ処理部１２３と同様の処理を行うが、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とともに、その時刻を学習データに残しておく。
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。

機器使用状態制御部６４１は、データ格納部６２４に格納されたデータから、現在の時間帯において在室する部屋の確率値を取得する。
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（ｘ_２）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（ｘ_２）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。

そして、機器使用状態制御部６４１は、以上のようにして算出した部屋毎の確率値が予め定められた閾値よりも高い等、その時間帯において、通常は非常に高い確率である特定の部屋に在室する確率が高い場合において、推定在室部屋情報で示されている現在の推定在室部屋もその確率の高い部屋にいることを示しているときには、推定在室部屋情報で示されている現在の推定在室部屋とは異なる部屋に設置され、かつ、使用状態になっている機器１１０の電源をオフする制御を行う。

また、逆に、通常の生活パターンから、まもなく別の特定の部屋に在室する確率が非常に高く、その特定の部屋内のある特定の機器１１０が使用状態となる確率が非常に高い場合に、機器使用状態制御部６４１は、その特定の機器１１０の電源を投入する制御を行う。

例えば、機器使用状態制御部６４１は、データ格納部６２４に記憶されている学習用データテーブルから、時間帯の分解能を数分単位（例えば、１０分毎）とした、在室部屋ラベル付特徴ベクトルを生成する。
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。

機器使用状態制御部６４１による制御は、例えば、機器使用状態制御部６４１から、制御対象の機器１１０に、通信部１２１を介して、予め定められたコマンドを送信することで行われる。

以上に記載された実施の形態６は、実施の形態１にデータ処理部６２３、データ格納部６２４及び機器使用状態制御部６４１を適用しているが、このような例に限定されず、例えば、実施の形態１〜５の何れかに、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が適用されてもよい。

以上のように、実施の形態６に係る在室部屋推定システム６００によれば、機器使用状態制御部６４１が、データ格納部６２４に格納されたデータから得た在室確率から、機器１１０の電源のオン、オフ制御を行うようにしたので、電力の無駄遣いを避け、省電力化を図ったり、予めエアコンの電源を投入しておくことで快適性を高めたりすることができる。

以上に記載されたコントローラ１２０〜６２０は、例えば、図２０に示されているように、記憶装置としてのメモリ８０１に格納されているプログラムを実行するＣＰＵ等のプロセッサ８０２を備えるコンピュータ８００により実現することができる。なお、プロセッサ８０２は、ＮＩＣ等の通信装置８０３を制御することで、通信機能を実現することができる。また、プロセッサ８０２は、メモリ８０１にデータを保持することができる。このようなプログラムは、ネットワークを通じて提供されてもよく、また、記録媒体に記録されて提供されてもよい。

１００，２００，３００，４００，５００，６００ 在室部屋推定システム、 １１０ 機器、 １２０，２２０，３２０，４２０，５２０，６２０ コントローラ、 １２１ 通信部、 １２２，２２２ 特徴量抽出部、 １２３，５２３，６２３ データ処理部、 １２４，４２４，５２４，６２４ データ格納部、 １２５ 在室確率算出部、 １２６，３２６，５２６ 在室部屋推定部、 ４２７ 学習部、 ４２８ 在室確率抽出部、 １３０ 機器状態サンプリング部、 １３１ ユーザ操作検出部、 １３２ ユーザ操作定義リスト、 １３３ 在室部屋検知部、 １３４ 設置部屋リスト、 １３５ 在室部屋ラベル付加部、 １３６ 記憶部、 ２３７ 機器使用継続時間算出部、 ５４０異常生活パターン検知部、 ６４１ 機器使用状態制御部。

Claims (13)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。
13. 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。

Images