JP6610281B2 - 情報処理装置、制御方法及び制御プログラム - Google Patents

Description

本発明は、センサ電池における消費電力量の制御に関する。

Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ（ＩｏＴ）は、一意に識別可能なもの（Ｔｈｉｎｇｓ）がインターネットやクラウドに接続され、情報交換することにより相互に制御する仕組みである。このようなＩｏＴサービスの一例として、複数のセンサを分散配置し、センサが測定した環境データ（温度、水温、水位など）を収集し分析するサービスがある。今までは、現地に人が赴き人手で環境データの測定を行っていた。センサを様々な箇所に配置し、センサからのデータを収集することで、人が現地に行かずともデータを収集可能となる。

センサからのデータを収集及び分析することで、人手による測定の手間は省ける。一方、センサは内蔵の電池で稼動するため、電池が切れると人手による電池交換の手間が増える。そのため、センサの電池交換の回数を減らすため、センサの電池電力の省電力化が望まれる。

建物の使用電力を、電力を測定する計測機器が測定した電力値に基づく電力の時系列データとして収集し、時系列データに基づいて需要電力を予測することで、予測期間の予測電力を予測し、節電目標を立案する技術が知られている（例えば、特許文献１を参照）。

自然エネルギーを利用した発電付き測定通信装置で、予測した発電力に基づいて測定間隔及び送信間隔を制御し、省電力を図る技術が知られている（例えば、特許文献２を参照）。

特開２０１５−２３６６８号公報 特開２００３−３４６２７１号公報

センサの電池電力の省電力化のためには、環境データの取得（測定）頻度を減らすことが効果的である。具体的には、測定時や通信時などの動作時以外に、センサをスリープさせることで、省電力化することができる。一方、取得頻度を減らしすぎると、実際の環境データの変動を測定できなくなる可能性が高まる。

そこで、センサの電池における消費電力の省電力化の一例として、環境データの測定データの精度を維持しつつ、環境データの取得頻度を制御する方法がある。具体的には、センサから環境データを収集する情報処理装置は、収集した過去の環境データから、未来の環境データを推定する。情報処理装置は、推定した環境データと実際に測定した環境データとを比較して算出される推定精度に基づいて、センサの取得頻度を制御することができる。

上述したセンサの電池における省電力化の一例では、センサの個別データ（過去の環境データ）を元に取得頻度が個別に制御される。環境データを収集するシステム（環境センシング）において、複数のセンサは疎らに配置され、地域全体の環境データが収集される。環境センシングにおいては、地形などの物理的な特性に応じてセンサの環境データ間に相関が発生する。しかし、個別に取得頻度を制御する処理では、制御処理内に相関を反映させることができない。

例えば、センサＡ、センサＢ、センサＣの３つの環境センシングにおいて、センサＡとセンサＢとが似た環境条件に設置され、似た環境データを測定する（相関がある）とする。センサＡとセンサＢとが個別に取得頻度が制御された場合であっても、センサＡとセンサＢとは、冗長した環境データを測定し、無駄な電力を消費してしまうという問題がある。

本発明は１つの側面において、複数のセンサ間の相関を検出し、無駄な測定を減らすことで、センサの消費電力の省電力化を図ることを目的とする。

情報処理装置は、収集部、処理部、抽出部、通知部を備える。収集部は、複数のセンサからデータを収集する。処理部は、前記データに基づいて、前記複数のセンサを対象とした回帰分析を行う。抽出部は、前記回帰分析の解として求められる回帰係数に基づいて、他のセンサへの影響の大きいセンサをコアセンサとして抽出する。通知部は、抽出されたコアセンサのデータの取得頻度を高く、抽出されなかったセンサのデータの取得頻度を低く設定する命令を前記複数のセンサに通知する。

本発明によれば、複数のセンサ間の相関を検出し、無駄な測定を減らすことで、センサの消費電力の省電力化を図ることができる。

本発明に係るシステムの構成の例を説明する図である。 本発明における回帰分析に係る処理の例を説明する図である。 本発明における回帰分析に係る処理の例を説明する図である。 本発明における回帰分析に係る処理の例を説明する図である。 コアセンサと従属センサの取得頻度の例を説明する図である。 運用フェーズの取得頻度変更処理の例を説明する図である。 モデルの再構築例を説明する図である。 本発明に係るコアセンサテーブルの例を説明する図である。 本発明に係るセンシングデータテーブルの例を説明する図である。 本発明に係る取得頻度テーブルの例を説明する図である。 本発明に係る回帰係数テーブルの例を説明する図である。 規定センサをコアセンサに加える場合の例を説明する図である。 規定センサを設定可能なシステムの構成の例を説明する図である。 規定センサテーブルの例を説明する図である。 検証センサを用いたモデル管理の例を説明する図である。 検証センサを用いたモデル管理に係るシステムの例を説明する図である。 検証センサを用いたモデルテーブルの例を説明する図である。 下水道ネットワークを用いた実施例を説明する図である。 本発明に係る情報処理装置のハードウェア構成の例を説明する図である。 学習フェーズにおける情報処理装置の処理の例を説明するフローチャートである。 学習フェーズにおける情報処理装置の処理の例を説明するフローチャートである。 運用フェーズにおける情報処理装置の処理の例を説明するフローチャートである。 運用フェーズにおけるモデル再構築判定に係る処理の例を説明するフローチャートである。 規定センサを管理する情報処理装置の学習フェーズにおける情報処理装置の処理の例を説明する図である。 規定センサを管理する情報処理装置の学習フェーズにおける情報処理装置の処理の例を説明する図である。 検証センサを用いたシステムに係る情報処理装置の運用フェーズの処理の例を説明するフローチャートである。 検証センサを用いたシステムに係る情報処理装置の運用フェーズの処理の例を説明するフローチャートである。

環境中に複数のセンサが分布するような環境センシングにおいて、本発明は、複数のセンサの測定値の時間をずらした多変量自己回帰モデルにより分析することにより、センサ同士の時空的な結合関係を解析することができる。本発明は、他のセンサとの関係性に基づいてセンサの取得頻度を制御することで、センサの電力消費を抑え、且つ、測定データの精度を維持させることができる。

図１は、本発明に係るシステムの構成の例を説明する図である。システム１０００は、複数のセンサ１１００、情報処理装置１２００、アプリケーションサーバ１３００を含む。複数のセンサ１１００は、環境中に配置されたセンサ群である。複数のセンサ１１００では、環境データが測定されており、測定された環境データは、情報処理装置１２００に送信される。情報処理装置１２００は、複数のセンサ１１００からインターネットやクラウドを介して環境データを収集する。環境データを利用するユーザは、アプリケーションサーバ１３００を利用することで、情報処理装置１２００に記憶されている情報を閲覧可能である。

本発明に係る情報処理装置１２００は、「学習フェーズ」と「運用フェーズ」の２つのフェーズで動作する。学習フェーズは、一定期間、全センサから環境データを収集し、収集した環境データに基づいて複数のセンサ１１００の夫々の取得頻度を決めるためのフェーズである。学習フェーズで決定された取得頻度が各センサに設定されると、運用フェーズとなる。運用フェーズでは、複数のセンサ１１００の各々は設定された取得頻度に基づいて環境データを測定する。情報処理装置１２００は、定期的に環境データを収集する。収集した環境データ内の測定値のない時刻には、情報処理装置１２００は、過去の環境データに基づいた推定値をいれる。

＜学習フェーズ＞
学習フェーズの具体的な処理を、情報処理装置１２００の各部の処理と共に説明する。

（Ａ１）ユーザは、アプリケーションサーバ１３００を使用して、各センサの取得頻度（測定の時間間隔）及び測定値の許容誤差の範囲（後述する）を指定する。

（Ａ２）収集部１２０１は、アプリケーションサーバ１３００で指定された各センサの取得頻度及び測定値の許容誤差の範囲などを取得する。すると、通知部１２０２は、複数のセンサ１１００に対して取得頻度の設定命令を通知する。

（Ａ３）ユーザが指定した取得頻度で、複数のセンサ１１００は、環境データを取得する。

（Ａ４）（Ａ３）の開始から一定時間が経過すると、収集部１２０１は、全センサ１１００から環境データ（センシングデータ）を収集する。収集した環境データの例をセンシングデータ１５０１で示す。センシングデータ１５０１は、日時に対応した各センサが取得した環境データを含む。記憶部１２１０は、センシングデータテーブル１２１４にセンシングデータ１５０１を記憶する。

（Ａ５）処理部１２０５は、センシングデータテーブル１２１４に記憶された過去と現在のデータを用いて、全センサを対象とした回帰分析を実行する（図２Ａで詳しく説明する）。記憶部１２１０は、回帰係数テーブル１２１２に回帰係数を記憶する。

（Ａ６）抽出部１２０３は、回帰分析の結果で求められる回帰係数のうち、回帰係数が所定の閾値以上である組み合わせを抽出する（図２Ｂで詳しく説明する）。更に、抽出部１２０３は、抽出された組み合わせから「必要度」を算出し、所定の閾値以上の必要度のあるコアセンサを抽出する（図２Ｂ〜図２Ｃで詳しく説明する）。ここで、「必要度」が高いセンサは、他のセンサへの影響が大きいセンサである。ここで、処理部１２０５は、全センサを、他のセンサに与える影響の大きいセンサを「コアセンサ」とし、影響を受けるセンサの「従属センサ」に分類する。記憶部１２１０は、コアセンサをコアセンサテーブル１２１１に記憶する。影響を与える側のセンサであるコアセンサと、影響を受ける側のセンサである従属センサの組み合わせを「モデル」と称す。

（Ａ７）処理部１２０５は、コアセンサを対象とした回帰分析を実行する（図２Ｃで詳しく説明する）。

（Ａ８）推定部１２０６は、現在のコアセンサと従属センサの組み合わせモデルを用いて、センサの環境データの推定値を算出する。監視部は、推定値が実測値と（Ａ１）で指定された許容誤差の範囲内であるか否かを判定する（図３で詳しく説明する）。許容誤差の範囲外である場合、情報処理装置１２００は、必要度の閾値を変更し、（Ａ６）から処理を繰り返す。許容誤差の範囲内である場合、処理部１２０５は、現在のコアセンサと従属センサの組み合わせモデルを選択する。記憶部１２１０は、選択したモデルのコアセンサの回帰係数を、回帰係数テーブル１２１２に記憶する。

（Ａ９）処理部１２０５は、コアセンサテーブル１２１１を参照し、コアセンサと従属センサの取得頻度を決定する。通知部１２０２は、モデル内のコアセンサと従属センサ各々に対して取得頻度の設定命令を通知する。取得頻度は、例えば、取得頻度情報１５０２である。取得頻度情報１５０２の例では、センサ１に１００分、センサ２には１０分、センサ３には１００分が設定されている。ここで、センサ２は、コアセンサであるため、取得頻度が短く設定されている。センサ１とセンサ３は、コアセンサ（センサ２）の従属センサである。記憶部１２１４は、取得頻度情報１５０２を取得頻度テーブル１２１３に記憶する。

（Ａ１）〜（Ａ９）の結果、影響を与える側であるコアセンサには、従属センサよりも取得頻度が高く設定される。一方、影響を受ける側である従属センサには、コアセンサよりも取得頻度が低く設定される。このように、複数のセンサにおける相関関係にあるセンサを特定し、影響を受ける側のセンサの無駄な取得頻度を減らすことで、全てのセンサを総合的に見ると消費電力を低減させることができる。

取得頻度が複数のセンサ１１００に設定されると、システム１０００は、運用フェーズに移ることができる。

＜運用フェーズ＞
（Ｂ１）複数のセンサ１１００は、各々に設定された取得頻度に基づいて環境データを測定する。

（Ｂ２）収集部１２０１は、定期的に、全センサから環境データを収集する。収集した環境データの例をセンシングデータ１６０１で示す。センシングデータ１６０１の例では、センサ２（コアセンサ）はデータを持つものの、同時刻においてセンサ１とセンサ３（従属センサ）はデータがない。記憶部１２１０は、センシングデータテーブル１２１４にセンシングデータ１６０１を記憶する。

（Ｂ３）推定部１２０６は、データが格納されていないセンサ１とセンサ３の環境データを推定する。例えば、センシングデータ１５０１のセンサ２の「０．１、１．２、０．５、０．１」という値と、センシングデータ１６０１のセンサ２の「０．１、１．２、０．５、０．１」という値が一致する。すると、推定部１２０６は、センシングデータ１５０１に基づいてセンシングデータ１６０１のセンサ１とセンサ３の環境データを推定し、センシングデータ１６０２として記憶部１２１０に記憶させる。

（Ｂ４）監視部１２０４は、センサ１とセンサ３（従属センサ）の推定した値と、実測値とを比較し、誤差があるか否かを判定する。（今回の例では、実測値なし）誤差が所定の値よりも小さい（推定精度が良い）場合、処理を（Ｂ１）から繰り返す。

（Ｂ５）誤差が所定の値よりも大きい（推定精度が悪い）場合、通知部１２０２は、誤差が大きい従属センサの取得頻度を上げる命令を、該従属センサに通知する。

（Ｂ６）取得頻度が変更された従属センサが多い場合、情報処理装置１２００は、再度（Ａ１）から処理を繰り返す。

このように運用フェーズにおいて情報処理装置１２００は、推定精度に基づいて取得頻度を変更する。推定精度が悪い従属センサが増えた場合、再度コアセンサと従属センサのモデルを再構築する。このようにすることで、最適なモデルに従って再度従属センサの無駄な取得頻度を減らすことができ、全てのセンサを総合的に見ると消費電力を低減させることができる。

図２Ａ〜図２Ｃは、本発明における回帰分析に係る処理の例を説明する図である。図２Ａ〜図２Ｃは、センサ５台（２００１ａ〜２００１ｅ）を用いて回帰分析に係る処理の例を説明する。

図２Ａ〜図２Ｃの左側の列は、時刻ｔ−１におけるセンサ５台（２００１ａ〜２００１ｅ）を示す。一方、右側の列は、時刻ｔにおけるセンサ５台（２００１ａ〜２００１ｅ）を示す。時刻ｔを「現在」の時刻とし、時刻ｔ−１を「過去」の時刻とする。

ここで、過去（時刻ｔ−１）にセンサ５台が取得したデータ値を「ｘ」と仮定する。即ち、データ値ｘ_１は、センサ２００１ａが過去（時刻ｔ−１）に取得したデータ値である。データ値ｘ_２は、センサ２００１ｂが過去（時刻ｔ−１）に取得したデータ値である。データ値ｘ_３は、センサ２００１ｃが過去（時刻ｔ−１）に取得したデータ値である。データ値ｘ_４は、センサ２００１ｄが過去（時刻ｔ−１）に取得したデータ値である。データ値ｘ_５は、センサ２００１ｅが過去（時刻ｔ−１）に取得したデータ値である。

現在（時刻ｔ）にセンサ５台が取得したデータ値を「ｙ」と仮定する。データ値ｙ_１は、センサ２００１ａが現在（時刻ｔ）に取得したデータ値である。データ値ｙ_２は、センサ２００１ｂが現在（時刻ｔ）に取得したデータ値である。データ値ｙ_３は、センサ２００１ｃが現在（時刻ｔ）に取得したデータ値である。データ値ｙ_４は、センサ２００１ｄが現在（時刻ｔ）に取得したデータ値である。データ値ｙ_５は、センサ２００１ｅが現在（時刻ｔ）に取得したデータ値である。

図２Ａは、（Ａ５）の全センサを対象とした回帰分析の処理の例である。具体的には、過去のセンサ５台（２００１ａ〜２００１ｅ）のデータ値ｘ_１〜ｘ_５が、現在のセンサ５台のデータ値ｙ_１〜ｙ_５に及ぼす影響の度合いを表す回帰係数を算出する。

回帰係数の算出には、多変数線形自己回帰（ＡＲ：ＡｕｔｏＲｅｇｒｅｓｓｉｖｅ）モデルを用いる。本発明に用いられるＡＲモデルの式を、式１に示す。

式１は、ＡＲモデルとして説明の簡略化のために、ＡＲ次数を１としている。ｙ_ｎは、現在（時刻ｔ）にｎ番目のセンサが取得したデータ値である。ｘ_ｉは、過去（時刻ｔ−１）にｉ番目のセンサが取得したデータ値である。β_ｉ,ｎは、データ値ｙ_ｎがデータ値ｘ_ｉから受ける影響の度合いを示す回帰係数である。εは、誤差である。ｍは、センサ数である。

図２Ａの例では、過去のデータ値ｘ_１〜ｘ_５と、現在のデータ値ｙ_１〜ｙ_５を用い、式１におけるβ_ｉ,ｎ（回帰係数）の解を求める。過去のデータ５個と現在のデータ５個の例であるため、β_ｉ,ｎ（回帰係数）は２５個求められる。

図２Ｂは、図２Ａの過去のデータ５個と現在のデータ５個の矢印で示す組み合わせ（２５個）のうち、ＡＲモデルを用いて算出されたβ_ｉ,ｎ（回帰係数）が所定の閾値よりも大きい組み合わせを抽出した後の例である。β_ｉ,ｎ（回帰係数）が所定の閾値よりも小さい場合、過去のデータが現在のデータへの影響が少ないと判定できる。そのため、抽出部１２０３は、以降の計算処理を減らすため、過去のデータが現在のデータへの影響が少ない組み合わせを削減する。この処理は、（Ａ６）の抽出部１２０３の処理である。

ここで、図２Ｂの例は、過去のデータ値ｘ_１（センサ２００１ａ）が、現在のデータ値ｙ_２（センサ２００１ｂ）、現在のデータ値ｙ_３（センサ２００１ｃ）、現在のデータ値ｙ_５（センサ２００１ｅ）に影響が強いことを示している。図２Ｂの例は、過去のデータ値ｘ_２（センサ２００１ｂ）が、現在のデータ値ｙ_２（センサ２００１ｂ）、現在のデータ値ｙ_３（センサ２００１ｃ）に影響が強いことを示している。図２Ｂの例は、過去のデータ値ｘ_３（センサ２００１ｃ）が、現在のデータ値ｙ_２（センサ２００１ｂ）に影響が強いことを示している。図２Ｂの例は、過去のデータ値ｘ_４（センサ２００１ｄ）が、現在のデータ値ｙ_２（センサ２００１ｂ）、現在のデータ値ｙ_４（センサ２００１ｄ）、現在のデータ値ｙ_５（センサ２００１ｅ）に影響が強いことを示している。図２Ｂの例は、過去のデータ値ｘ_５（センサ２００１ｅ）が、現在のデータ値ｙ_１（センサ２００１ａ）に影響が強いことを示している。

次に、抽出部１２０３は、更に影響が強いセンサをコアセンサとして抽出する（（Ａ６）の処理）。そのために、抽出部１２０３は、まず、「必要度」を算出する。必要度は、式２で表される。

ここで、被参照数は、過去のデータ値が、いくつの現在のデータ値に影響を与えているかを示す数である。参照数は、現在のデータ値が、いくつの過去のデータ値から影響を受けているかを示す数である。

具体的には、過去のデータ値ｘ_１（センサ２００１ａ）は、３つの現在のデータ値（ｙ_２、ｙ_３、ｙ_５）に影響を強く与える。そのため、センサ２００１ａの被参照数は３である。一方、現在のデータ値ｙ_１（センサ２００１ａ）は、過去のデータ値ｘ_５の影響を受ける。そのため、センサ２００１ａの参照数は１である。すると、センサ２００１ａの必要度は、３となる。

過去のデータ値ｘ_２（センサ２００１ｂ）は、２つの現在のデータ値（ｙ_２、ｙ_３）に影響を強く与える。そのため、センサ２００１ｂの被参照数は２である。一方、現在のデータ値ｙ_２（センサ２００１ｂ）は、４つの過去のデータ値（ｘ_１、ｘ_２、ｘ_３、ｘ_４）の影響を受ける。そのため、センサ２００１ｂの参照数は４である。すると、センサ２００１ｂの必要度は、１／４となる。

過去のデータ値ｘ_３（センサ２００１ｃ）は、１つの現在のデータ値（ｙ_２）に影響を強く与える。そのため、センサ２００１ｃの被参照数は１である。一方、現在のデータ値ｙ_３（センサ２００１ｃ）は、２つの過去のデータ値（ｘ_１、ｘ_２）の影響を受ける。そのため、センサ２００１ｃの参照数は２である。すると、センサ２００１ｃの必要度は、１／２となる。

過去のデータ値ｘ_４（センサ２００１ｄ）は、３つの現在のデータ値（ｙ_２、ｙ_４、ｙ_５）に影響を強く与える。そのため、センサ２００１ｄの被参照数は３である。一方、現在のデータ値ｙ_４（センサ２００１ｄ）は、１つの過去のデータ値（ｘ_４）の影響を受ける。そのため、センサ２００１ｄの参照数は１である。すると、センサ２００１ｄの必要度は、３となる。

過去のデータ値ｘ_５（センサ２００１ｅ）は、１つの現在のデータ値（ｙ_１）に影響を強く与える。そのため、センサ２００１eの被参照数は１である。一方、現在のデータ値ｙ_５（センサ２００１ｅ）は、２つの過去のデータ値（ｘ_１、ｘ_４）の影響を受ける。そのため、センサ２００１eの参照数は４である。すると、センサ２００１eの必要度は、１／４となる。

このような必要度の結果を元に、抽出部１２０３は、所定の閾値以上の必要性のあるセンサを、コアセンサとして分類する。ここでは、必要度の高いセンサ２００１ａとセンサ２００１ｄが、コアセンサとなる。その他のセンサ２００１ｂ、２００１ｃ、２００１ｄなどは、従属センサとして分類される。

図２Ｃは、抽出部１２０３により、必要度に基づいてコアセンサと従属センサの組み合わせが抽出された後の例である。図２Ｃの例では、センサ２００１ａとセンサ２００１ｄがコアセンサに分類され、センサ２００１ｂ、２００１ｃ、２００１ｄが従属センサに分類されたモデルである。処理部１２０５は、コアセンサを対象とした回帰分析を再度行い、記憶部１２０１に回帰係数を記憶する。ここで算出された回帰係数は、例えば、後述する処理（例えば図６）で用いられる。

図３は、コアセンサと従属センサの取得頻度の例を説明する図である。図３は、センサ５台（２００１ａ〜２００１ｅ）の環境データを取得する取得頻度の例である。図３の横軸は、時刻ｔ−４〜時刻ｔまでの時間軸を示す。

図２Ｃの例のように、各センサがコアセンサと従属センサに分類されると、各センサに取得頻度が設定される。コアセンサでは、取得頻度が短く設定される。従属センサでは、取得頻度が長く設定される。図３の例においてコアセンサ（センサ２００１ａ、センサ２００１ｄ）は、○で表される全てのタイミング（時刻ｔ−４〜時刻ｔ）でデータを取得する従属センサ（センサ２００１ｂ、センサ２００１ｃ、センサ２００１ｅ）は、○で表される時刻ｔ−４と時刻ｔのタイミングでデータを取得し、点線の○で表される時刻ｔ−３〜時刻ｔ−１の間はデータを取得しない。このような設定がなされると、情報処理装置は、運用フェーズに移行する。

このように、複数のセンサにおける相関関係にあるセンサを特定し、影響を受ける側のセンサの無駄な取得頻度を減らすことで、全てのセンサを総合的に見ると消費電力を低減させることができる。

図４は、運用フェーズの取得頻度変更処理の例を説明する図である。情報処理装置１２００がセンサから環境データを収集した場合、従属センサにおける点線の○で表される時刻のデータは取得できない。そのため、情報処理装置１２００の推定部１２０６は、過去の環境データなどから、従属センサのデータが格納されていない時刻の環境データを推定する。

更に、監視部１２０４は、従属センサの実際のデータを取得するタイミングで、推定値と実測値とを比較し、誤差があるか否かを判定する。図４の例では、左から５番目のタイミングで、監視部１２０４は、推定値と実測値を比較し、誤差があるか否か（推定精度が高いか否か）を判定する。

一例として、センサ２００１ｂ（上から２番目の行のセンサ）の推定精度が低い場合、監視部１２０４は、推定精度が低いと判定するタイミング（実測値を取得し、推定値と比較できる左から５番目のタイミング）で、該センサのデータの取得頻度を上げる。その後、センサ２００１ｂは、変更された取得頻度でデータを取得する。

このように運用フェーズにおいて情報処理装置１２００は、推定精度に基づいて取得頻度を変更する。これにより、実測値と推定値との誤差を減らすことができる。

図５は、モデルの再構築例を説明する図である。図５のモデル３００１は、図２Ｃの学習フェーズで決定されたコアセンサと従属センサの組み合わせのモデルである。しかし、図４に示したように、運用フェーズでは、推定精度に応じて、従属センサのデータの取得頻度が変更されていく。

データの取得頻度が変更された従属センサの数が一定数以上になった場合、情報処理装置１２００は、現在のモデルは、最適ではないと判定する。すると、情報処理装置１２００は、学習フェーズから処理をやり直し、例えば、モデル３００２のようなコアセンサと従属センサの組み合わせを得てもよい。モデル３００２では、センサ２００１ｂとセンサ２００１ｄ（上から２番目と４番目）がコアセンサに分類され、センサ２００１ａ、センサ２００１ｃ、センサ２００１ｅが従属センサに分類された例である。

このように運用フェーズにおいて情報処理装置１２００は、推定精度に基づいて取得頻度を変更する。推定精度が悪い従属センサが増えた場合、再度コアセンサと従属センサのモデルを再構築する。このようにすることで、最適なモデルに従って再度従属センサの無駄な取得頻度を減らすことができ、全てのセンサを総合的に見ると消費電力を低減させることができる。

図６は、本発明に係るコアセンサテーブルの例を説明する図である。コアセンサテーブル１２１１は、処理（Ａ６）で抽出されたコアセンサの一覧を保持する。コアセンサテーブル１２１１に保持されるコアセンサは、センサを識別する識別情報（ＩＤ：Ｉｄｅｎｔｉｆｉｅｒ）で管理される。

コアセンサテーブル１２１１は、（Ａ９）の処理で通知部１２０１が各センサに取得頻度を設定する際に参照される。通知部１２０２は、コアセンサテーブル１２１１に保持されているセンサをコアセンサとし、保持されていないセンサを従属センサとする。通知部１２０２は、コアセンサの取得頻度を高く、従属センサの取得頻度を低く設定する命令を送信し、各センサに設定させる。

図７は、本発明に係るセンシングデータテーブルの例を説明する図である。センシングデータ１５０１は、日時と、日時に対応した各センサの項目を持つ。図７のセンシングデータ１５０１の例は、１２時〜１２時００分３０秒に対応する各センサ１〜３（センサＩＤ）の環境データである。なお、時間やセンサの数などは、一例であり、何ら限定するものではない。

センシングデータテーブル１５０１は、収集部１２０１が収集した環境データである。また、収集対象のセンサが従属センサである場合、環境データが該当時間にないこともある。その際は、推定部１２０６が、過去データに基づいてデータのない時刻の環境データを推定し、補間する（（Ｂ３）の処理）。

図８は、本発明に係る取得頻度テーブルの例を説明する図である。取得頻度テーブル１２１３は、センサＩＤと取得頻度の項目を持つ。

処理部１２０５は、コアセンサテーブル１２１１を参照し、コアセンサと従属センサの取得頻度を決定する。ここで、処理部１２０５は、コアセンサの取得頻度を短くし、従属センサの取得頻度を長くする。なお、コアセンサと従属センサに設定される具体的な取得頻度の時間間隔は、予め決められている。記憶部１２１４は、処理部１２０５で決められた取得頻度を取得頻度テーブル１２１３に記憶する。

図８の例では、センサ１は、従属センサであるため、取得頻度１０（分）が設定されている。センサ２とセンサ３は、コアセンサであるため、取得頻度１（分）が設定されている。

通知部１２０２は、取得頻度テーブル１２１３の情報を参照し、該取得頻度の設定命令を複数のセンサに通知する。命令を受信したセンサは、各々に設定された取得頻度に基づいて環境データを取得する。

更に、運用フェーズでは、推定値と実測値の誤差が所定の値よりも大きくなってしまった場合、処理部１２０５は、誤差の大きくなったセンサの取得頻度を高くなるよう修正する。通知部１２０２が更新された取得頻度に基づいて設定命令をセンサに通知する。取得頻度の修正の対象となったセンサは、命令に基づいて取得頻度を設定する。

図９は、本発明に係る回帰係数テーブルの例を説明する図である。回帰係数テーブル１２１２は、回帰分析の結果である回帰係数を、接続元（ｘ）のセンサと接続先（ｙ）のセンサに対応づけて記憶している。

接続元（ｘ）のセンサ１〜３は、式１を用いた回帰分析の際にｘ_ｉのｉ番目のセンサとして用いられるセンサである。接続先（ｙ）のセンサ１〜３は、式１を用いた回帰分析の際にｙ_ｎのｎ番目のセンサとして用いられるセンサである。これらのセンサで取得された環境データを式１に代入することで、式１の解としてβ_ｉ,ｎ（回帰係数）を求めることができる。

＜規定センサ追加＞
図１０は、規定センサをコアセンサに加える場合の例を説明する図である。図２Ａ〜図２Ｃの例では、センサ２００１ａ〜センサ２００１ｅからコアセンサを抽出している。しかし、環境によっては、あるセンサが他のセンサに影響を与えるコアセンサになることが分かっている場合がある。

図１０の例では、センサ２００１ｅがコアセンサになることが予め分かっていると仮定する。以下、コアセンサと予め分かっているセンサを、「規定センサ」と称す。規定センサが分かっている場合、学習フェーズの処理（Ａ１）〜（Ａ９）の処理のうち、（Ａ６）のコアセンサの抽出処理を削減できる。

図１１は、規定センサを設定可能なシステムの構成の例を説明する図である。図１１のシステム１０００において、図１と同じものは同じ番号を付している。図１１のシステム１０００の記憶部１２１０は、図１のシステム１０００の記憶部１２１０から更に規定センサテーブル５００１を記憶する。

規定センサテーブル５００１には、コアセンサと予め分かっているセンサが記憶されている。そのため、抽出部１２０３のコアセンサを抽出処理などにおいて計算量が削減される。

一方、（Ａ９）の処理のように、処理部１２０５がコアセンサテーブル１２１１を参照する際に、処理部１２０５は、規定センサテーブル５００１も参照する。その後、処理部１２０５は、コアセンサテーブル１２１１と規定センサテーブル５００１に基づいて、コアセンサと分類されているセンサＩＤを取得できる。

図１２は、規定センサテーブルの例を説明する図である。規定センサテーブル５００１は、コアセンサとして予め分かっているセンサの一覧を保持する。規定センサテーブル５００１に保持されるコアセンサは、センサを識別する識別情報（ＩＤ）で管理される。

規定センサテーブル５００１に保持されているセンサは、例えば、ユーザによって設定可能である。

＜検証センサを用いたモデル管理＞
モデルは、環境などの物理的なモデルと関係がある。例えば、降雨であれば移動性の低気圧、局所的に発達した積乱雲、台風などは、一定の期間内を見ると似通った降雨パターンの物理的なモデルである。一方、長い期間で見ると、異なる降雨パターンが時間的に不連続に出現することになる。

降雨パターンに対応したモデルが既に決まっている（又は既に学習フェーズでモデルを構築済みである）場合、学習フェーズ（Ａ１）〜（Ａ９）の処理を繰り返すのは非効率的である。

そこで、第２の実施形態に係るシステムは、運用フェーズにおいて、過去に構築されたモデルを記憶しておき、環境の変化に応じて過去のモデルから誤差の少ないモデルを選択可能なシステムである。

図１３は、検証センサを用いたモデル管理の例を説明する図である。第２の実施形態に係る情報処理装置１２００の記憶部１２１０は、学習フェーズで過去に構築されたモデルを記憶する。図１３のモデル３１００、モデル３２００、モデル３３００は、過去に構築したモデルの例である。モデル３１００、モデル３２００、モデル３３００は、学習フェーズの処理（Ａ１）〜（Ａ９）の処理により構築されたモデルである。

モデル３１００は、センサ２００１ａとセンサ２００１ｄがコアセンサとして抽出されたモデルである。そのため、コアセンサであるセンサ２００１ａとセンサ２００１ｄには、データの取得頻度が短く設定されている。

モデル３２００は、センサ２００１ｂとセンサ２００１ｄがコアセンサとして抽出されたモデルである。そのため、コアセンサであるセンサ２００１ｂとセンサ２００１ｄには、データの取得頻度が短く設定されている。

モデル３３００は、センサ２００１ｂとセンサ２００１ｅがコアセンサとして抽出されたモデルである。そのため、コアセンサであるセンサ２００１ｂとセンサ２００１ｅには、データの取得頻度が短く設定されている。

ここで、第２の実施形態に係るシステムでは、複数のセンサは、コアセンサと従属センサ、更に、「検証センサ」に分類される。検証センサは、コアセンサとは別に高頻度でデータを取得するセンサである。検証センサは、従属センサに分類されたセンサのうち、（Ａ６）の所定の閾値（第１の閾値）とは別の第２の閾値よりも大きいものを選択する。検証センサは、高頻度で実測値を取得する。情報処理装置１２００の推定部１２０６は、該検証センサの時刻毎の推定値を過去データから推定する。監視部１２０４は、随時、検証センサの推定値と実測値とを比較し、推定誤差を算出する。

図１３の例では、モデル３１００の検証センサは、点線の○で示すセンサ２００１ｂである。モデル３２００の検証センサは、点線の○で示すセンサ２００１ａである。モデル３３００の検証センサは、点線の○で示すセンサ２００１ｄである。

処理部１２０５は、例えば、現在のモデルの検証センサがセンサ２００１ｂである場合、過去のモデル３１００〜３３００を仮定した場合の推定誤差が最も小さくなるモデルを選択する。過去のモデルに推定誤差が小さくなるものがない場合、情報処理装置１２００は、再度学習フェーズの処理を実行する。

図１４は、検証センサを用いたモデル管理に係るシステムの例を説明する図である。図１４のシステム１０００において、図１と同じものは同じ番号を付している。図１４のシステム１０００の記憶部１２１０は、図１のシステム１０００の記憶部１２１０から更にモデルテーブル５００２を記憶する。

モデルテーブル５００２が過去に構築されたモデルを保持しておき、環境の変化に応じて過去のモデルから誤差の少ないモデルを選択することで、同じ環境の学習フェーズを繰り返し実行することを回避することができる。

図１５は、検証センサを用いたモデルテーブルの例を説明する図である。モデルテーブル５００２は、モデルＩＤ、コアセンサＩＤ、検証センサＩＤ、回帰係数ＩＤの項目を備える。モデルＩＤは、過去に構築されたモデルを識別する識別情報である。コアセンサＩＤは、過去に構築されたモデルで抽出されたコアセンサを識別するセンサの識別情報である。検証センサＩＤは、過去に構築されたモデルで抽出された検証センサを識別するセンサの識別情報である。回帰係数ＩＤは、過去に構築されたモデルの回帰分析における回帰係数を記憶した回帰係数テーブルを識別する識別情報である。第２の実施形態では、回帰係数テーブルは、モデル毎に複数記憶されている。

モデルテーブル５００２が過去に構築されたモデルを保持しておき、環境の変化に応じて過去のモデルから誤差の少ないモデルを選択することで、同じ環境の学習フェーズを繰り返し実行することを回避することができる。

図１６は、下水道ネットワークを用いた実施例を説明する図である。下水道ネットワークでは、水位を予測することがある。６５個の水位センサをマンホール毎に設置し、水位センサの測定をできるだけ少なく抑え、かつ一定の測定精度を確保したい。水位センサはマンホール裏面などに赤外線による検知装置を備え、電柱などに設置したゲートウェイ装置までzigbeeなどの無線規格により送信する。ゲートウェイとセンシングサーバはインターネットを介して接続される。サービスを提供するサービスサーバはセンサデータをセンサシングサーバから取得し、水位データを統計処理した洪水予測情報をユーザ端末に配信する。

サービスの提供にあたって、６５個のセンサ値を時間分解能1分でサービス提供者が希望するとする。学習時間は時間分解能にARモデル次数を乗じた時間が最低限必要となり、AR次数5で行うとすれば5分となる。ここでは学習データ数を12個として5分と12個の乗算から１時間（６０分）とする。

まずモデルが存在しない状態でシステムを開始するとする。起動時は全てのセンサについて取得間隔は１分が設定されているものとする。起動後全てのセンサを最短間隔で取得し一定時間（例えば１時間）データを収集すると、学習フェーズ（Ａ１）〜（Ａ９）が開始される。まず全てのセンサを説明変数とする回帰分析を実施し、回帰係数の絶対値が一定値以上（例えば０以上）となる係数を抽出し、センサ値間の相互関係に基づいた特徴量「必要度」を算出する。その際回帰分析はL1正則化を施したLASSO回帰で行うのが望ましい。「必要度」の値が一定のしきい値（たとえば2.0)を超えるセンサをコアセンサとしてコアセンサテーブルに登録し、更にこれらのみを説明変数とする回帰分析を行い、結果を回帰係数テーブルに保存する。しきい値はある一定の範囲で変化させ、全体平均誤差が最も小さくなるような値を設定するようにしてもよい。同時にセンサごとにデータ取得間隔を設定する（例えばコアセンサは１分、その他のセンサは30分）。コアセンサは取得した値をそのまま、その他のセンサについてはコアセンサから取得した値に回帰係数を適用して推定した値をサービスに提供する。

図１７は、本発明に係る情報処理装置のハードウェア構成の例を説明する図である。情報処理装置１２００は、プロセッサ１１、メモリ１２、バス１５、外部記憶装置１６、ネットワーク接続装置１９を備える。さらにオプションとして、情報処理装置１２００は、入力装置１３、出力装置１４、媒体駆動装置１７を備えても良い。情報処理装置１２００は、例えば、コンピュータなどで実現されることがある。

プロセッサ１１は、Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ（ＣＰＵ）を含む任意の処理回路とすることができる。プロセッサ１１は、抽出部１２０３、監視部１２０４、処理部１２０５、推定部１２０６として動作する。なお、プロセッサ１１は、例えば、外部記憶装置１６に記憶されたプログラムを実行することができる。メモリ１２は、記憶部１２１０として動作し、コアセンサテーブル１２１１、回帰係数テーブル１２１２、取得頻度テーブル１２１３、センシングデータテーブル１２１４を含む。更に、メモリ１２は、規定センサテーブル５００１、モデルテーブル５００２を含んでもよい。さらに、メモリ１２は、プロセッサ１１の動作により得られたデータや、プロセッサ１１の処理に用いられるデータも、適宜、記憶する。ネットワーク接続装置１９は、他の装置との通信に使用され、収集部１２０１、通知部１２０２として動作する。

入力装置１３は、例えば、ボタン、キーボード、マウス等として実現され、出力装置１４は、ディスプレイなどとして実現される。バス１５は、プロセッサ１１、メモリ１２、入力装置１３、出力装置１４、外部記憶装置１６、媒体駆動装置１７、ネットワーク接続装置１９の間を相互にデータの受け渡しが行えるように接続する。外部記憶装置１６は、プログラムやデータなどを格納し、格納している情報を、適宜、プロセッサ１１などに提供する。媒体駆動装置１７は、メモリ１２や外部記憶装置１６のデータを可搬記憶媒体１８に出力することができ、また、可搬記憶媒体１８からプログラムやデータ等を読み出すことができる。ここで、可搬記憶媒体１８は、フロッピイディスク、Ｍａｇｎｅｔ-Ｏｐｔｉｃａｌ（ＭＯ）ディスク、Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅｃｏｒｄａｂｌｅ（ＣＤ−Ｒ）やＤｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ Ｒｅｃｏｒｄａｂｌｅ（ＤＶＤ−Ｒ）を含む、持ち運びが可能な任意の記憶媒体とすることができる。

図１８Ａと図１８Ｂは、学習フェーズにおける情報処理装置の処理の例を説明するフローチャートである。図１８Ａと図１８Ｂの処理は、学習フェーズ（Ａ１）〜（Ａ９）の処理を説明するフローチャートである。学習フェーズでは、ユーザは、まずアプリケーションサーバ１３００を使用して、学習フェーズの対象となるセンサ数、取得頻度、及び収集頻度を入力する。これらの設定が、情報処理装置１２００及び複数のセンサ１１００に設定される。

収集部１２０１は、全センサ１１００から環境データ（センシングデータ）を収集する（ステップＳ１０１）。処理部１２０５は、全センサのセンシングデータを説明変数として式１を用いた回帰分析を実行する（ステップＳ１０２）。抽出部１２０３は、回帰分析の結果で求められる回帰係数のうち、回帰係数が所定の閾値以上である組み合わせを抽出する（ステップＳ１０３）。抽出部１２０３は、センサ毎の「必要度」を算出する（ステップＳ１０４）。抽出部１２０３は、センサ毎の必要度が所定の閾値以上であるか否かを判定する（ステップＳ１０５）。

必要度が所定の閾値以上である場合（ステップＳ１０５でＹＥＳ）、抽出部１２０３は、該当センサをコアセンサとして分類し、記憶部１２１０のコアセンサテーブル１２１１に記憶させる（ステップＳ１０６）。必要度が所定の閾値よりも小さい場合（ステップＳ１０５でＮＯ）、該当センサを従属センサとして分類する（ステップＳ１０７）。抽出部１２０３は、全センサの分類が完了したか否かを判定する（ステップＳ１０８）。全センサの分類が完了していない場合（ステップＳ１０８でＮＯ）、情報処理装置１２００は、処理をステップＳ１０５から繰り返す。全センサの分類が完了している場合（ステップＳ１０８でＹＥＳ）、情報処理装置１２００は、次のステップＳ１０９の処理を実行する。

処理部１２０５は、コアセンサを対象とした（コアセンサが取得したデータを説明変数とした）回帰分析を実行する（ステップＳ１０９）。推定部１２０６は、現在のコアセンサと従属センサの組み合わせモデルを用いて、センサの環境データの推定値を算出する（ステップＳ１１０）。監視部１２０４は、推定値が実測値の推定誤差が許容誤差の範囲内であるか否かを判定する（ステップＳ１１１）。

推定誤差が許容誤差の範囲内である場合（ステップＳ１１１でＹＥＳ）、記憶部１２１０は、選択したモデルのコアセンサの回帰係数を、回帰係数テーブル１２１２に記憶する（ステップＳ１１２）。通知部１２０２は、モデル内のコアセンサと従属センサ各々に対して取得頻度の設定命令を通知する（ステップＳ１１３）。

抽出部１２０３は、分類したセンサの情報を一旦クリアする（ステップＳ１１４）。抽出部１２０３は、ステップＳ１０５で用いた所定の閾値の値を下げる（ステップＳ１１５）。更新された閾値を用いて、抽出部１２０３は、処理をステップＳ１０５から繰り返す。

ステップＳ１１３が終了すると、情報処理装置１２００は、図１９で後述する運用フェーズの処理を開始する。

このようなフロー処理により、影響を与える側であるコアセンサには、従属センサよりも取得頻度が高く設定される。一方、影響を受ける側である従属センサには、コアセンサよりも取得頻度が低く設定される。このように、複数のセンサにおける相関関係にあるセンサを特定し、影響を受ける側のセンサの無駄な取得頻度を減らすことで、全てのセンサを総合的に見ると消費電力を低減させることができる。

図１９は、運用フェーズにおける情報処理装置の処理の例を説明するフローチャートである。処理部１２０５は、環境データを収集する時刻か否かを判定する（ステップＳ２０１）。環境データを収集する時刻でない場合（ステップＳ２０１でＮＯ）、処理部１２０５は、処理をステップＳ２０１から繰り返す。

環境データを収集する時刻である場合（ステップＳ２０１でＹＥＳ）、収集部１２０１は、全センサから環境データを収集する（ステップＳ２０２）。

処理部１２０５は、収集した環境データにコアセンサの環境データが含まれているか否かを判定する（ステップＳ２０３）。コアセンサの環境データを取得できない場合（ステップＳ２０３でＮＯ）、記憶部１２１０は、センシングデータテーブル１２１４の該当時間にエラーを記憶する（ステップＳ２０４）。処理部１２０５は、処理をステップＳ２０１から繰り返す。

推定部１２０６は、従属センサの環境データを推定した推定値を算出し、補間する（ステップＳ２０５）。監視部１２０４は、推定した推定値と従属センサの実測値とを比較し、誤差が所定の閾値よりも小さいか否かを判定する（ステップＳ２０６）。誤差が所定の閾値よりも小さい場合（ステップＳ２０６でＹＥＳ）、情報処理装置１２００は、処理をステップＳ２０１から繰り返す。

一方、誤差が所定の閾値よりも大きい場合（ステップＳ２０６でＮＯ）、通知部１２０２は、誤差が大きい従属センサの取得頻度を上げる命令を、該従属センサに通知する（ステップＳ２０７）。ステップＳ２０７の処理が終了すると、情報処理装置１２００は、処理をステップＳ２０１から繰り返す。

図２０は、運用フェーズにおけるモデル再構築判定に係る処理の例を説明するフローチャートである。図２０のフローチャートは、図１９とステップＳ２０１〜ステップＳ２０６の処理は同一であるため、同じステップ番号を付している。

図２０のフローチャートでは、誤差が所定の閾値よりも大きい場合（ステップＳ２０６でＮＯ）、情報処理装置１２００は、モデルの再構築をするため、学習フェーズに処理を移行する（ステップＳ３０１）。これにより、情報処理装置１２００の運用フェーズは、一旦処理を終了する。

図２１Ａ及び図２１Ｂは、規定センサを管理する情報処理装置の学習フェーズにおける情報処理装置の処理の例を説明する図である。図２１Ａと図２１Ｂの処理は、図１８Ａと図１８Ｂの処理のステップＳ１０１〜ステップＳ１１５は同じ処理であるため、同じ番号を付す。

規定センサを管理する場合、ステップＳ１１３の後に、通知部１２０２は、規定センサに対応した取得頻度の設定命令を、該規定センサに通知する（ステップ４０１）。

このように、規定センサの取得頻度の設定命令を最後に通知することで、規定センサがモデルでコアセンサとして選択されていない場合でも、自動的にコアセンサとして動作させることができる。

また、ステップＳ１０５の必要度を算出する処理の対象から、該規定センサを外してもよい。このようにすることで、計算量を削減することも可能である。

図２２Ａ及び図２２Ｂは、検証センサを用いたシステムに係る情報処理装置の運用フェーズの処理の例を説明するフローチャートである。処理部１２０５は、環境データを収集する時刻か否かを判定する（ステップＳ５０１）。環境データを収集する時刻でない場合（ステップＳ５０１でＮＯ）、処理部１２０５は、処理をステップＳ５０１から繰り返す。環境データを収集する時刻である場合（ステップＳ５０１でＹＥＳ）、収集部１２０１は、全センサから環境データを収集する（ステップＳ５０２）。

処理部１２０５は、収集した環境データにコアセンサの環境データが含まれているか否かを判定する（ステップＳ５０３）。コアセンサの環境データを取得できない場合（ステップＳ５０３でＮＯ）、記憶部１２１０は、センシングデータテーブル１２１４の該当時間にエラーを記憶する（ステップＳ５０４）。処理部１２０５は、処理をステップＳ５０１から繰り返す。

推定部１２０６は、検証センサの環境データを推定した推定値を算出する（ステップＳ５０５）。監視部１２０４は、推定した推定値と従属センサの実測値とを比較し、誤差が所定の閾値よりも小さいか否かを判定する（ステップＳ５０６）。誤差が所定の閾値よりも小さい場合（ステップＳ５０６でＹＥＳ）、情報処理装置１２００は、処理をステップＳ５０１から繰り返す。

一方、誤差が所定の閾値よりも大きい場合（ステップＳ５０６でＮＯ）、記憶部１２１０を現在のモデルをモデルテーブル５００２に記憶する（ステップＳ５０７）。抽出部１２０３は、誤差が所定の閾値よりも小さくなるモデルがモデルテーブル５００２に記憶されているか否かを判定する（ステップＳ５０８）。モデルテーブル５００２にモデルが記憶されている場合（ステップＳ５０８でＹＥＳ）、抽出部１２０３は、誤差の最も小さいモデルを選択する（ステップＳ５０９）。通知部１２０２は、選択されたモデルに応じて分類された各種センサに取得頻度の設定変更命令を通知する（ステップＳ５１０）。

モデルテーブル５００２にモデルが記憶されていない場合（ステップＳ５０８でＮＯ）、情報処理装置１２００は、運用フェーズを終了し、再度学習フェーズに処理を戻す（ステップＳ５１１）。

モデルテーブル５００２が過去に構築されたモデルを保持しておき、環境の変化に応じて過去のモデルから誤差の少ないモデルを選択することで、同じ環境の学習フェーズを繰り返し実行することを回避することができる。

１０００ システム
１１００ センサ
１２００ 情報処理装置
１２０１ 収集部
１２０２ 通知部
１２０３ 抽出部
１２０４ 監視部
１２０５ 処理部
１２０６ 推定部
１２１０ 記憶部
１２１１ コアセンサテーブル
１２１２ 回帰係数テーブル
１２１３ 取得頻度テーブル
１２１４ センシングデータテーブル
１３００ アプリケーションサーバ
５００１ 規定センサテーブル
５００２ モデルテーブル

Claims (15)

1. 複数のセンサからデータを収集する収集部と、
   前記データに基づいて、前記複数のセンサを対象とした回帰分析を行う処理部と、
   前記回帰分析の解として求められる回帰係数に基づいて、他のセンサへの影響の大きいセンサをコアセンサとして抽出する抽出部と、
   抽出された前記コアセンサを識別する情報を記憶する記憶部と、
   前記コアセンサのデータの取得頻度を高く設定し、前記複数のセンサのうち前記コアセンサとして抽出されていないセンサである従属センサにおけるデータの取得頻度をコアセンサに設定した取得頻度よりも低く設定する命令を前記複数のセンサに通知する通知部と、を備える
   ことを特徴とする情報処理装置。
2. 前記従属センサがデータを取得していない時間のデータを、過去のデータに基づいて推定する推定部と、
   前記従属センサのデータの実測値と、推定した推定値との誤差が所定の閾値よりも大きいか否かを監視する監視部と、を備え、
   前記通知部は、
   前記誤差が前記所定の閾値よりも大きいセンサを対象に、データの取得頻度を高くする設定命令を通知する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記監視部で前記誤差が前記所定の閾値よりも大きいセンサが、所定の数よりも多いと判定された場合、
   前記処理部は、前記複数のセンサを対象とした回帰分析を再度実行し、
   前記抽出部は、前記回帰分析の解として求められる回帰係数に基づいて、他のセンサへの影響の大きいセンサを、新しいコアセンサとして抽出する
   ことを特徴とする請求項２に記載の情報処理装置。
4. 前記記憶部は、コアセンサとして予め設定されるセンサである規定センサを識別する識別情報を記憶し、
   前記通知部は、前記規定センサに応じた取得頻度を設定する命令を通知する
   ことを特徴とする請求項１〜３の何れかに記載の情報処理装置。
5. 前記記憶部は、前記抽出部が抽出したコアセンサの組み合わせを、前記コアセンサの組み合わせが変更される毎に記憶し、
   前記監視部は、前記複数のセンサ内の何れかのセンサを対象に、随時推定値と実測値との誤差が前記所定の閾値よりも大きいか否かを監視し、
   前記通知部は、随時監視される誤差が小さくなる前記記憶部に記憶されているコアセンサの組み合わせに基づいて、取得頻度を変更する命令を前記複数のセンサに通知する
   ことを特徴とする請求項２又は３に記載の情報処理装置。
6. 複数のセンサからデータを収集し、
   前記データに基づいて、前記複数のセンサを対象とした回帰分析を行い、
   前記回帰分析の解として求められる回帰係数に基づいて、他のセンサへの影響の大きいセンサをコアセンサとして抽出し、
   抽出された前記コアセンサを識別する情報をメモリに記憶し、
   前記コアセンサのデータの取得頻度を高く設定し、前記複数のセンサのうち前記コアセンサとして抽出されていないセンサである従属センサにおけるデータの取得頻度をコアセンサに設定した取得頻度よりも低く設定する命令を前記複数のセンサに通知する、
   ことを特徴としたセンサの制御方法。
7. 前記従属センサがデータを取得していない時間のデータを、過去のデータに基づいて推定し、
   前記従属センサのデータの実測値と、推定した推定値との誤差が所定の閾値よりも大きいか否かを監視し、
   前記誤差が前記所定の閾値よりも大きいセンサを対象に、データの取得頻度を高くする設定命令を通知する
   ことを特徴とした請求項６に記載の制御方法。
8. 前記誤差が前記所定の閾値よりも大きいセンサが、所定の数よりも多い場合、
   前記複数のセンサを対象とした回帰分析を再度実行し、前記回帰分析の解として求められる回帰係数に基づいて、他のセンサへの影響の大きいセンサを、新しいコアセンサとして抽出する
   ことを特徴とした請求項７に記載の制御方法。
9. コアセンサとして予め設定されたセンサである規定センサを識別する識別情報が前記メモリに記憶されている場合、
   前記規定センサには、前記規定センサに応じた取得頻度を設定する命令を通知する
   ことを特徴とする請求項６〜８の何れかに記載の制御方法。
10. 抽出したコアセンサの組み合わせを、前記コアセンサの組み合わせが変更される毎に前記メモリに記憶し、
    前記複数のセンサ内の何れかのセンサを対象に、随時推定値と実測値との誤差が前記所定の閾値よりも大きいか否かを監視し、
    随時監視される誤差が小さくなる前記メモリに記憶されているコアセンサの組み合わせに基づいて、取得頻度を変更する命令を前記複数のセンサに通知する
    ことを特徴とする請求項７又は８に記載の制御方法。
11. 複数のセンサからデータを収集し、
    前記データに基づいて、前記複数のセンサを対象とした回帰分析を行い、
    前記回帰分析の解として求められる回帰係数に基づいて、他のセンサへの影響の大きいセンサをコアセンサとして抽出し、
    抽出された前記コアセンサを識別する情報をメモリに記憶し、
    前記コアセンサのデータの取得頻度を高く設定し、前記複数のセンサのうち前記コアセンサとして抽出されていないセンサである従属センサにおけるデータの取得頻度をコアセンサに設定した取得頻度よりも低く設定する命令を前記複数のセンサに通知する、処理を情報処理装置に実行させる
    ことを特徴としたセンサの制御プログラム。
12. 前記従属センサがデータを取得していない時間のデータを、過去のデータに基づいて推定し、
    前記従属センサのデータの実測値と、推定した推定値との誤差が所定の閾値よりも大きいか否かを監視し、
    前記誤差が前記所定の閾値よりも大きいセンサを対象に、データの取得頻度を高くする設定命令を通知する、処理を前記情報処理装置に実行させる
    ことを特徴とした請求項１１に記載の制御プログラム。
13. 前記誤差が前記所定の閾値よりも大きいセンサが、所定の数よりも多い場合、
    前記複数のセンサを対象とした回帰分析を再度実行し、前記回帰分析の解として求められる回帰係数に基づいて、他のセンサへの影響の大きいセンサを、新しいコアセンサとして抽出する、処理を前記情報処理装置に実行させる
    ことを特徴とした請求項１２に記載の制御プログラム。
14. コアセンサとして予め設定されたセンサである規定センサを識別する識別情報が前記メモリに記憶されている場合、
    前記規定センサには、前記規定センサに応じた取得頻度を設定する命令を通知する、処理を前記情報処理装置に実行させる
    ことを特徴とする請求項１１〜１３の何れかに記載の制御プログラム。
15. 抽出したコアセンサの組み合わせを、前記コアセンサの組み合わせが変更される毎に前記メモリに記憶し、
    前記複数のセンサ内の何れかのセンサを対象に、随時推定値と実測値との誤差が前記所定の閾値よりも大きいか否かを監視し、
    随時監視される誤差が小さくなる前記メモリに記憶されているコアセンサの組み合わせに基づいて、取得頻度を変更する命令を前記複数のセンサに通知する、処理を前記情報処理装置に実行させる
    ことを特徴とする請求項１２又は１３に記載の制御プログラム。