JP6625022B2 - 在不在予測方法および在不在予測装置 - Google Patents

在不在予測方法および在不在予測装置 Download PDF

Info

Publication number
JP6625022B2
JP6625022B2 JP2016125632A JP2016125632A JP6625022B2 JP 6625022 B2 JP6625022 B2 JP 6625022B2 JP 2016125632 A JP2016125632 A JP 2016125632A JP 2016125632 A JP2016125632 A JP 2016125632A JP 6625022 B2 JP6625022 B2 JP 6625022B2
Authority
JP
Japan
Prior art keywords
building
absence
data
information
power data
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
Application number
JP2016125632A
Other languages
English (en)
Other versions
JP2017062765A (ja
Inventor
歌津衣 房川
歌津衣 房川
大平　智亮
智亮 大平
史章 鈴木
史章 鈴木
久美 原田
久美 原田
伊藤　快
快 伊藤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Panasonic Intellectual Property Corp of America
Original Assignee
Panasonic Intellectual Property Corp of America
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Panasonic Intellectual Property Corp of America filed Critical Panasonic Intellectual Property Corp of America
Publication of JP2017062765A publication Critical patent/JP2017062765A/ja
Application granted granted Critical
Publication of JP6625022B2 publication Critical patent/JP6625022B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/22—Status alarms responsive to presence or absence of persons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Emergency Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Telephonic Communication Services (AREA)

Description

本発明は、所定の場所における人間の在不在を予測する在不在予測方法および在不在予測装置に関する。
従来、所定の場所（例えば、家、職場等）における電力消費量のデータに基づいて、人物の在不在を予測し、予測した結果を、その家を訪問しようとする宅配業者の端末へ通知する技術が知られている。
例えば、特許文献１には、所定の家において単位時間あたりの過去の電力使用量を記録しておき、宅配業者から問い合わせを受けると、配送予定時間に対応する過去の電力使用量が最大値に近いほど在宅確率が高くなるように算出し、その在宅確率を宅配業者の端末へ通知する技術（以下、従来技術という）が開示されている。
特開２０１２−１８１７８９号公報
上記従来技術で算出される在宅確率は、過去の電力使用量が大きい場合に高い値となり、過去の電力使用量が小さい場合に低い値となる。しかしながら、一般的に、電力使用量が大きくても不在である場合や、電力使用量が小さくても在宅である場合もある。従来技術は、このような場合を想定していないため、予測の精度が低いという問題がある。
本発明の目的は、電力データに基づく在不在の予測を高精度に実現できる在不在予測方法および在不在予測装置を提供することである。
本発明の一態様における在不在予測方法は、所定の建物における人物の在不在を予測する在不在予測方法であって、第１の時刻のときの前記建物の電力データを取得し、前記第１の時刻よりも過去の前記建物の電力データと前記人物が実際に前記建物にいたか否かを示す情報との対応関係を所定時間帯毎に学習した学習データを取得し、前記第１の時刻のときの前記建物の電力データと前記学習データに基づいて、前記人物が前記建物にいるか否かを予測し、前記予測の結果を示す在不在情報を生成し、該在不在情報を所定の端末に出力する。
本発明の一態様における在不在予測装置は、所定の建物における人物の在不在を予測する在不在予測装置であって、第１の時刻のときの前記建物の電力データを取得する電力データ取得部と、前記第１の時刻よりも過去の前記建物の電力データと前記人物が実際に前記建物にいたか否かを示す情報との対応関係を所定時間帯毎に学習した学習データと、前記第１の時刻のときの前記建物の電力データとに基づいて、前記人物が前記建物にいるか否かを予測し、前記予測の結果を示す在不在情報を生成する予測部と、を備える。
本発明によれば、電力データに基づく在不在の予測を高精度に実現できる。
本発明の実施の形態１に係る在不在予測システムの構成の一例を示すブロック図 本発明の実施の形態１に係る在不在予測システムの動作の一例を示すシーケンスチャート 本発明の実施の形態１に係る予測処理の流れの一例を示すフローチャート 本発明の実施の形態１に係る学習データの一例を示す図 本発明の実施の形態１に係る学習データ更新処理の流れの一例を示すフローチャート 本発明の実施の形態２に係る在不在予測システムの構成の一例を示すブロック図 本発明の実施の形態２に係る在不在予測システムの動作の一例を示すシーケンスチャート 本発明の実施の形態３に係る在不在予測システムの構成の一例を示すブロック図 本発明の実施の形態３に係る在不在予測システムの動作の一例を示すシーケンスチャート 本発明の実施の形態４に係る在不在予測システムの構成の一例を示すブロック図 本発明の実施の形態４に係る在不在予測システムの動作の一例を示すシーケンスチャート 本発明の変形例に係る在不在予測システムの構成の一例を示すブロック図 本発明の各実施の形態に係るサーバおよび端末の機能をソフトウェアにより実現するコンピュータのハードウェア構成の一例を示す図 サービスの類型１（自社データセンタ型）を示す図 サービスの類型２（ＩａａＳ利用型）を示す図 サービスの類型３（ＰａａＳ利用型）を示す図 サービスの類型４（ＳａａＳ利用型）を示す図
以下、本発明の各実施の形態について、図面を参照して詳細に説明する。ただし、各実施の形態の説明に用いる各図面において同一の構成、処理動作には同一の符号を付すものとし、それらについて重複する説明は省略する。
（実施の形態１）
本発明の実施の形態１について説明する。
＜在不在予測システムの構成＞
まず、図１を用いて、本発明の実施の形態１に係る在不在予測システムの構成について説明する。図１は、実施の形態１に係る在不在予測システムの構成の一例を示すブロック図である。
図１に示すように、本実施の形態の在不在予測システムは、機器１０１、機器１０２、分電盤１０３、電力管理装置１０４、電力データ管理サーバ２００、宅配管理サーバ３００、および配達端末４００を有する。
まず、建物１００に設置される機器１０１、機器１０２、分電盤１０３、電力管理装置１０４について説明する。
建物１００は、例えば、一戸建ての住宅である。なお、建物１００は、一戸建ての住宅に限定されず、例えば、集合住宅における専有部分１戸分でもよいし、一棟のオフィスビルでもよいし、オフィスビルにおける専有部分１区画分でもよい。
建物１００には、機器１０１、１０２、分電盤１０３、電力管理装置１０４が設置されている。機器１０１、１０２と分電盤１０３は電気的に接続されている。また、分電盤１０３と電力管理装置１０４は、電気的に接続されている。
機器１０１、１０２は、分電盤１０３から供給される電力により動作する電気機器である。機器１０１、１０２としては、例えば、テレビ、冷蔵庫、洗濯機、照明器具、エアコンなどが挙げられる。なお、図１では、機器１０１、１０２の２つしか示されていないが、建物１００には２つ以上の機器があってもよい。
電力管理装置１０４は、所定時間（例えば、１秒、数秒、１分等）毎に、分電盤１０３から各分岐回路（図示略）の電力データを取得し、それらの電力データを合計する。電力データは、例えば、消費電力の量を示すデータ、または、消費電力の波形を示すデータである。本実施の形態では、電力データが消費電力量を示すデータである場合を例に挙げて以下に説明する。
そして、電力管理装置１０４は、電力データを取得した時刻を示す取得時刻情報と、建物１００を識別可能な建物識別情報と、合計した電力データとを対応付け、それらを、所定のネットワークを介して電力データ管理サーバ２００へ送信する。
本実施の形態において、所定のネットワークは、無線ネットワーク、有線ネットワーク、無線ネットワークと有線ネットワークとが混在したネットワークのいずれであってもよい。
なお、上記説明では、電力管理装置１０４は、分岐回路毎の電力データを合計するとしたが、機器１０１、１０２毎の電力データを合計するとしてもよい。その場合、電力管理装置１０４は、機器１０１、１０２から直接電力データを受け取ってもよい。
または、機器１０１、１０２がネットワーク通信機能を有する場合、機器１０１、１０２が、電力データを所定のネットワークを介して電力データ管理サーバ２００へ送信してもよい。その場合、電力データ管理サーバ２００において、機器毎の電力データが合計される。
以上、機器１０１、機器１０２、分電盤１０３、電力管理装置１０４について説明した。
次に、電力データ管理サーバ２００について説明する。
電力データ管理サーバ２００は、例えば、建物１００毎に電力データを管理する事業者が保有、運営するサーバ装置である。電力データ管理サーバ２００は、通信部２０１、記憶部２０２、制御部２０３を備える。
通信部２０１は、所定のネットワークを介して、電力管理装置１０４および宅配管理サーバ３００と種々の情報の送受信を行う通信デバイスである。
例えば、通信部２０１は、電力管理装置１０４から建物識別情報、取得時刻情報、および電力データを受信する。
また、例えば、通信部２０１は、宅配管理サーバ３００から電力データ要求を受信する。電力データ要求には、建物識別情報および現在時刻情報が含まれる。現在時刻情報は、例えば、配達端末４００が宅配業者の従業員による住所指定操作を受け付けたときの時刻（第１の時刻の一例）を示す情報である。住所指定操作および在不在情報要求については、後述する。
記憶部２０２は、メモリ、ハードディスク装置などの記憶デバイスである。
例えば、記憶部２０２は、通信部２０１が受信した建物識別情報、取得時刻情報、および電力データを対応付けて記憶する。
制御部２０３は、種々の情報処理を実行するプロセッサなどの制御デバイスである。
例えば、制御部２０３は、通信部２０１が電力管理装置１０４から受信した建物識別情報、取得時刻情報、および電力データを対応付け、記憶部２０２に記憶させる。
また、例えば、制御部２０３は、通信部２０１が宅配管理サーバ３００から受信した電力データ要求から建物識別情報と現在時刻情報を抽出し、抽出した建物識別情報と現在時刻情報に対応する建物識別情報と取得時刻情報を記憶部２０２において検索する。そして、制御部２０３は、検索した建物識別情報と取得時刻情報が対応付けられた電力データを記憶部２０２から読み出す。そして、制御部２０３は、読み出した電力データを宅配管理サーバ３００へ送信するように通信部２０１を制御する。これより、電力データは、通信部２０１から所定のネットワークを介して、宅配管理サーバ３００へ送信される。
以上、電力データ管理サーバ２００について説明した。
次に、宅配管理サーバ３００について説明する。
宅配管理サーバ３００は、例えば、宅配サービス（配達サービス）を提供する事業者（以下、宅配業者という）が保有、運営するサーバ装置である。宅配管理サーバ３００は、通信部３０１、記憶部３０２、制御部３０３を備える。
通信部３０１は、所定のネットワークを介して、電力データ管理サーバ２００および配達端末４００と種々の情報の送受信を行う通信デバイスである。
例えば、通信部３０１は、配達端末４００から在不在情報要求を受信する。在不在情報要求には、上述したとおり、建物識別情報および現在時刻情報が含まれる。
また、例えば、通信部３０１は、電力データ管理サーバ２００へ電力データ要求を送信する。電力データ要求には、上述したとおり、建物識別情報および現在時刻情報が含まれる。この建物識別情報および現在時刻情報は、在不在情報要求に含まれる建物識別情報および現在時刻情報と同じである。
また、例えば、通信部３０１は、電力データ管理サーバ２００から、電力データ要求に対する応答として、電力データを受信する。よって、本実施の形態では、通信部３０１は、電力データ取得部の一例に相当する。
また、例えば、通信部３０１は、在不在情報要求に対する応答として、在不在情報を配達端末４００へ送信する。在不在情報は、建物１００に人物（例えば、居住者）がいるか否かを予測した結果を示す情報である。在不在情報の詳細については、後述する。
また、例えば、通信部３０１は、配達端末４００から実績情報を受信する。実績情報は、後述する学習データの更新に用いられる情報であり、例えば、建物識別情報、宅配業者の従業員（例えば、実際に荷物の配達を行う者）が建物１００を訪問した時刻を示す訪問時刻情報、および、宅配業者の従業員が建物１００を訪問したときに建物１００に実際に人物がいたか否かを示す訪問結果情報を含む。
記憶部３０２は、メモリ、ハードディスク装置などの記憶デバイスである。
例えば、記憶部３０２は、建物識別情報毎に、学習データ（学習モデル、教師データともいう）を記憶する。学習データとは、所定時間帯（例えば、３０分、１時間等）毎に、過去（上記現在時刻情報が示す時刻より前）の建物１００の電力データと、建物１００に実際に人物がいたか否かを示す情報との対応関係を学習したデータである。学習データの詳細については、後述する。
制御部３０３は、種々の情報処理を実行するプロセッサなどの制御デバイスである。
例えば、制御部３０３は、通信部３０１が配達端末４００から受信した在不在情報要求から建物識別情報および現在時刻情報を抽出する。そして、制御部３０３は、抽出した建物識別情報および現在時刻情報を含む電力データ要求を電力データ管理サーバ２００へ送信するように通信部３０１を制御する。これより、電力データ要求は、通信部３０１から所定のネットワークを介して、電力データ管理サーバ２００へ送信される。
また、例えば、制御部３０３は、在不在情報要求から抽出した建物識別情報および現在時刻情報に対応する学習データを記憶部３０２から読み出す。そして、制御部３０３は、読み出した学習データと、通信部３０１が電力データ管理サーバ２００から受信した電力データとに基づいて、建物１００に人物がいるか否かを予測し、予測した結果を示す在不在情報を生成する。すなわち、本実施の形態では、宅配管理サーバ３００は「在不在予測装置」の一例に相当し、制御部３０３は「予測部」の一例に相当する。なお、上述した学習データの読み出し処理から在不在情報の生成処理までを、以下「予測処理」という。予測処理の詳細については、後述する。
また、例えば、制御部３０３は、生成した在不在情報を配達端末４００へ送信するように通信部３０１を制御する。これより、在不在情報は、通信部３０１から所定のネットワークを介して、配達端末４００へ送信される。
また、例えば、制御部３０３は、通信部３０１が配達端末４００から実績情報を受信すると、その実績情報に基づいて、学習データの更新を行う。この学習データ更新処理の詳細については、後述する。
以上、宅配管理サーバ３００について説明した。
次に、配達端末４００について説明する。
配達端末４００は、例えば、宅配業者の従業員が使用する端末装置である。配達端末４００は、例えば、スマートフォン、タブレット、ラップトップ型のパーソナルコンピュータなどの携帯端末であることが好ましいが、携帯端末に限定されず、据え置き型の端末装置であってもよい。
配達端末４００は、通信部４０１、記憶部４０２、制御部４０３、入力部４０４、出力部４０５を備える。
通信部４０１は、所定のネットワークを介して、宅配管理サーバ３００と種々の情報の送受信を行う通信デバイスである。
例えば、通信部４０１は、宅配管理サーバ３００へ在不在情報要求を送信する。
また、例えば、通信部４０１は、宅配管理サーバ３００から、在不在情報要求の応答として、在不在情報を受信する。
また、例えば、通信部４０１は、宅配管理サーバ３００へ実績情報を送信する。実績情報は、上述したとおり、例えば、建物識別情報、訪問時刻情報、および訪問結果情報を含む。
記憶部４０２は、メモリ、ハードディスク装置などの記憶デバイスである。
例えば、記憶部４０２は、建物識別情報を記憶する。この建物識別情報は、例えば、建物１００の住所を示す住所情報に紐付けられている。
入力部４０４は、ボタン、タッチパネルなどの入力デバイスである。
例えば、入力部４０４は、宅配業者の従業員により行われる住所指定操作を受け付ける。住所指定操作とは、宅配業者の従業員が訪問予定の建物１００の住所を指定する操作である。例えば、宅配業者の従業員は、建物１００を訪問する前に、住所指定操作を行う。
なお、本実施の形態において、住所指定操作は、宅配業者の従業員が在不在情報の表示を配達端末４００に指示する操作（以下、表示指示操作という）を兼ねるとするが、住所指定操作と表示指示操作は別々に行われてもよい。その場合、現在時刻情報が示す時刻は、入力部４０４が表示指示操作を受け付けたときの時刻としてもよい。
また、例えば、入力部４０４は、宅配業者の従業員により行われる実績入力操作を受け付ける。実績入力操作とは、宅配業者の従業員が、実際に訪問した建物１００の住所情報、訪問した時刻を示す訪問時刻情報、訪問したときに人物が建物１００にいたか否かを示す訪問結果情報を入力する操作である。例えば、宅配業者の従業員は、建物１００を実際に訪問した後で、実績入力操作を行う。
出力部４０５は、ディスプレイなどの表示デバイス、または、スピーカなどの音声出力デバイスである。
例えば、出力部４０５は、通信部４０１が宅配管理サーバ３００から受信した在不在情報を出力する。本実施の形態では、在不在情報の出力の形態が表示である場合を例に挙げて説明する。
制御部４０３は、種々の情報処理を実行するプロセッサなどの制御デバイスである。
例えば、制御部４０３は、入力部４０４が住所指定操作を受け付けると、その操作により指定された住所に対応付けられている建物識別情報を記憶部４０２から読み出す。そして、制御部４０３は、読み出した建物識別情報と、現在時刻情報とを含む在不在情報要求を、宅配管理サーバ３００へ送信するように通信部４０１を制御する。これにより、在不在情報要求は、通信部４０１から所定のネットワークを介して、宅配管理サーバ３００へ送信される。
なお、上記説明では、在不在情報要求を送信するにあたり、制御部４０３は、住所指定操作により指定された住所に基づいて、建物識別情報を記憶部４０２から読み出すとしたが、その建物識別情報は、宅配業者の従業員により入力されてもよい。
また、例えば、制御部４０３は、通信部４０１が宅配管理サーバ３００から受信した在不在情報を表示するように出力部４０５を制御する。これにより、在不在情報は、出力部４０５に表示され、宅配業者の従業員に提示される。
また、例えば、制御部４０３は、入力部４０４が実績入力操作を受け付けると、その操作により入力された住所に対応付けられている建物識別情報を記憶部４０２から読み出す。そして、制御部４０３は、読み出した建物識別情報、入力された訪問時刻情報、訪問結果情報を含む実績情報を、宅配管理サーバ３００へ送信するように通信部４０１を制御する。これにより、実績情報は、通信部４０１から所定のネットワークを介して、宅配管理サーバ３００へ送信される。
なお、上記説明では、実績情報を送信するにあたり、制御部４０３は、実績入力操作により入力された住所に基づいて、建物識別情報を記憶部４０２から読み出すとしたが、その建物識別情報は、宅配業者の従業員により入力されてもよい。
以上、配達端末４００について説明した。
＜在不在予測システムの動作＞
次に、図２を用いて、本発明の実施の形態１に係る在不在予測システムの動作について説明する。図２は、実施の形態１に係る在不在予測システムの動作の一例を示すシーケンスチャートである。
まず、電力管理装置１０４は、所定時間毎に、分電盤１０３から各分岐回路の電力データを取得する（ステップＳ１０１）。そして、電力管理装置１０４は、取得した電力データを合計する。
次に、電力管理装置１０４は、電力データを取得した時刻を示す取得時刻情報と、建物１００を識別可能な建物識別情報と、合計した電力データとを対応付け、それらを、所定のネットワークを介して電力データ管理サーバ２００へ送信する（ステップＳ１０２）。
次に、電力データ管理サーバ２００の通信部２０１は、電力管理装置１０４から送信された建物識別情報、取得時刻情報、および電力データを受信する（ステップＳ１０３）。
次に、電力データ管理サーバ２００の制御部２０３は、通信部２０１が受信した建物識別情報、取得時刻情報、および電力データを対応付け、それらを記憶部２０２に記憶させる（ステップＳ１０４）。
上述したステップＳ１０１〜Ｓ１０４の処理は、繰り返し行われる。
ここで、宅配業者の従業員が、建物１００へ配達を行う前に、配達端末４００において住所指定操作を行ったとする。住所指定操作とは、上述したとおり、宅配業者の従業員が訪問予定の建物１００の住所を指定する操作である。
配達端末４００の入力部４０４は、住所指定操作を受け付ける（ステップＳ１０５）。
次に、配達端末４００の制御部４０３は、住所指定操作により指定された住所に対応付けられている建物識別情報を記憶部４０２から読み出す。なお、上述したとおり、記憶部４０２には、建物識別情報毎に、建物１００の住所を示す住所情報が紐付けられて記憶されている。
そして、制御部４０３は、読み出した建物識別情報と、現在時刻情報とを含む在不在情報要求を、宅配管理サーバ３００へ送信するように通信部４０１を制御する。これにより、通信部４０１は、在不在情報要求を、所定のネットワークを介して宅配管理サーバ３００へ送信する（ステップＳ１０６）。なお、現在時刻情報は、上述したとおり、例えば、配達端末４００（入力部４０４）が宅配業者の従業員による住所指定操作を受け付けたときの時刻を示す情報である。
次に、宅配管理サーバ３００の通信部３０１は、配達端末４００から送信された在不在情報要求を受信する（ステップＳ１０７）。
次に、宅配管理サーバ３００の制御部３０３は、通信部３０１が受信した在不在情報要求から建物識別情報と現在時刻情報を抽出し、抽出した建物識別情報と現在時刻情報を含む電力データ要求を電力データ管理サーバ２００へ送信するように通信部３０１を制御する。これより、通信部３０１は、電力データ取得要求を、所定のネットワークを介して電力データ管理サーバ２００へ送信する（ステップＳ１０８）。
次に、電力データ管理サーバ２００の通信部２０１は、宅配管理サーバ３００から送信された電力データ要求を受信する（ステップＳ１０９）。
次に、電力データ管理サーバ２００の制御部２０３は、通信部２０１が受信した電力データ要求から建物識別情報と現在時刻情報を抽出し、抽出した建物識別情報と現在時刻情報に対応する建物識別情報と取得時刻情報を記憶部２０２において検索する。そして、制御部２０３は、検索した建物識別情報と取得時刻情報が対応付けられた電力データを記憶部２０２から読み出す。そして、制御部２０３は、読み出した電力データを宅配管理サーバ３００へ送信するように通信部２０１を制御する。これより、通信部２０１は、電力データを、所定のネットワークを介して宅配管理サーバ３００へ送信する（ステップＳ１１０）。
次に、宅配管理サーバ３００の通信部３０１は、電力データ管理サーバ２００から送信された電力データを受信する（ステップＳ１１１）。
次に、宅配管理サーバ３００の制御部３０３は、記憶部３０２に記憶された学習データと、通信部３０１が受信した電力データとに基づいて、建物１００に人物（例えば、居住者）がいるか否かを予測する予測処理を実行する（ステップＳ１１２）。この予測処理の実行により、予測結果を示す在不在情報が生成される。なお、予測処理の詳細については、図３、図４を用いて後述する。
次に、制御部３０３は、生成した在不在情報を配達端末４００へ送信するように通信部３０１を制御する。これより、通信部３０１は、在不在情報を、所定のネットワークを介して配達端末４００へ送信する（ステップＳ１１３）。
次に、配達端末４００の通信部４０１は、宅配管理サーバ３００から送信された在不在情報を受信する（ステップＳ１１４）。
次に、配達端末４００の制御部４０３は、通信部４０１が受信した在不在情報を表示するように出力部４０５を制御する。これにより、出力部４０５は、在不在情報を表示する（ステップＳ１１５）。この表示により、宅配業者の従業員は、建物１００に人物がいるか否かの予測結果を把握できる。
その後、建物１００を実際に訪問した宅配業者の従業員が、配達端末４００において実績入力操作を行ったとする。上述したとおり、実績入力操作とは、宅配業者の従業員が、実際に訪問した建物１００の住所情報、訪問した時刻を示す訪問時刻情報、訪問したときに人物が建物１００にいたか否かを示す訪問結果情報を入力する操作である。
配達端末４００の入力部４０４は、実績入力操作を受け付ける（ステップＳ１１６）。
次に、配達端末４００の制御部４０３は、実績入力操作により入力された住所に対応付けられている建物識別情報を記憶部４０２から読み出す。
そして、制御部４０３は、読み出した建物識別情報、入力された訪問時刻情報、訪問結果情報を含む実績情報を、宅配管理サーバ３００へ送信するように通信部４０１を制御する。これにより、通信部４０１は、実績情報を、所定のネットワークを介して宅配管理サーバ３００へ送信する（ステップＳ１１７）。
次に、宅配管理サーバ３００の通信部３０１は、配達端末４００か送信された実績情報を受信する（ステップＳ１１８）。
次に、宅配管理サーバ３００の制御部３０３は、通信部３０１が受信した実績情報に基づいて、学習データ更新処理を実行する（ステップＳ１１９）。この学習データ更新処理の詳細については、後述する。
＜予測処理の具体例＞
次に、図３、図４を用いて、予測処理（図２のステップＳ１１２）の流れについて説明する。図３は、予測処理の流れの一例を示すフローチャートである。図４は、学習データの一例を示す図である。
まず、宅配管理サーバ３００の制御部３０３は、通信部３０１が受信した在不在情報要求から建物識別情報および現在時刻情報を抽出し、抽出した建物識別情報および現在時刻情報に対応する学習データを記憶部３０２から読み出す（ステップＳ１１２１）。
以下、ステップＳ１１２１の具体的な処理を以下に説明する。
上述したとおり、記憶部３０２には、建物識別情報毎に、学習データが記憶されている。また、１つの建物識別情報に対応する学習データは、所定時間帯（例えば、３０分、１時間等）毎に存在する。例えば、所定時間帯が３０分単位である場合、午前９時〜午前９時３０分、午前９時３０分〜午前１０時、午前１０時〜午前１０時３０分、・・・、といった１日における各時間帯に対応して、複数の学習データが存在する。
制御部３０３は、まず、抽出した建物識別情報が紐付いている複数の学習データを検索し、次に、検索した複数の学習データの中から、抽出した現在時刻情報が示す時刻を含む時間帯の学習データを読み出す。例えば、現在時刻情報の時刻が午前９時１５分である場合、制御部３０３は、記憶部３０２から、午前９時〜午前９時３０分の学習データを読み出す。
ここで、学習データの例について、図４を用いて説明する。図４は、学習データの一例を示す図である。図４に示す学習データは、例えば、午前９時〜午前９時３０分の学習データであるとする。
図４において、縦軸は、人物が実際に建物１００にいた回数の合計値（以下、第１の合計値という）および人物が実際に建物１００にいなかった回数の合計値（以下、第２の合計値）を示しており、横軸は、建物１００の電力データの値（例えば、消費電力量。単位はｗｈ）を示している。
また、図４において、曲線Ｐ１は、消費電力量毎の第１の合計値を示す曲線であり、曲線Ｐ２は、消費電力量毎の第２の合計値を示す曲線である。例えば、曲線Ｐ１は、過去の午前９時〜午前９時３０分において消費電力量が７００ｗｈであったときに人物が実際に建物１００にいたことが４０回あったことを示している。また、曲線Ｐ２は、過去の午前９時〜午前９時３０分において消費電力量が７００ｗｈであったときに人物が実際に建物１００にいなかったことが１０回あったことを示している。
以上、ステップＳ１１２１の具体的な処理および学習データの一例について説明した。以下、図３のフローチャートの説明に戻る。
次に、制御部３０３は、電力データ要求の応答として通信部３０１が受信した電力データと、記憶部３０２から読み出した学習データとに基づいて、在宅確率、不在確率を算出する（ステップＳ１１２２）。
以下、ステップＳ１１２２の具体的な処理を以下に説明する。
例えば、通信部３０１が受信した電力データの値が７００ｗｈであり、記憶部３０２から読み出した学習データが図４に示した学習データであるとする。この場合、制御部３０３は、電力データの値「７００」と、曲線Ｐ１、曲線Ｐ２とから、第１の合計値「４０」および第２の合計値「１０」を特定する。
そして、制御部３０３は、第１の合計値「４０」の、第１の合計値と第２の合計値の合計「５０」に対する割合を算出する。この算出結果が在宅確率である。上記の場合、在宅確率は、例えば、４０／５０×１００＝８０％となる。
同様に、制御部３０３は、第２の合計値「１０」の、第１の合計値と第２の合計値の合計「５０」に対する割合を算出する。この算出結果が不在確率である。上記の場合、不在確率は、例えば、１０／５０×１００＝２０％となる。
以上、ステップＳ１１２２の具体的な処理の一例について説明した。以下、図３のフローチャートの説明に戻る。
次に、制御部３０３は、算出した在宅確率または不在確率に基づいて、在不在情報を生成する（ステップＳ１１２３）。例えば、在宅確率８０％および不在確率２０％を算出した場合、制御部３０３は、数値が大きい方である在宅確率８０％を示す在不在情報を生成する。このように生成された在不在情報が配達端末４００の出力部４０５に表示された際、宅配業者の従業員は、建物１００に人物がいる確率が８０％であることを把握できる。
以上、予測処理の流れの一例について説明した。
なお、上記説明では、ステップＳ１１２２〜１１２３において、在宅確率および不在確率の両方を算出し、値が大きい方を選択して在不在情報を生成するとしたが、これに限定されない。例えば、制御部３０３は、在宅確率または不在確率のいずれかを算出し、算出した在宅確率または不在確率のいずれかを示す在不在情報を生成するようにしてもよい。
＜学習データ更新処理の具体例＞
次に、図５を用いて、学習データ更新処理（図２のステップＳ１１９）の流れについて説明する。図５は、学習データ更新処理の流れの一例を示すフローチャートである。
まず、宅配管理サーバ３００の制御部３０３は、通信部３０１が受信した実績情報から建物識別情報、訪問時刻情報、および訪問結果情報を抽出し、抽出した建物識別情報および訪問時刻情報に対応する学習データを記憶部３０２から読み出す（ステップＳ１１９１）。
例えば、記憶部３０２には、１つの建物識別情報に対し、所定時間帯が３０分単位の学習データが複数存在するとする。この場合、制御部３０３は、まず、抽出した建物識別情報が紐付いている複数の学習データを検索し、次に、検索した複数の学習データの中から、抽出した訪問時刻情報が示す時刻を含む時間帯の学習データを読み出す。例えば、訪問時刻情報の時刻が午前９時２５分である場合、制御部３０３は、記憶部３０２から、午前９時〜午前９時３０分の学習データを読み出す。
次に、制御部３０３は、電力データ要求の応答として通信部３０１が受信した電力データと、実績情報から抽出した訪問結果情報とに基づいて、記憶部３０２から読み出した学習データを更新する（ステップＳ１１９２）。
例えば、通信部３０１が受信した電力データの値が７００ｗｈであり、記憶部３０２から読み出した学習データが図４に示した学習データであるとする。そして、例えば、訪問結果情報が「在（人物が実際に建物１００にいたこと）」を示す場合、制御部３０３は、図４に示した学習データにおいて、「７００ｗｈ」に対応する第１の合計値を「４０」から「４１」に変更し、変更後の座標（７００，４１）を通るように曲線Ｐ１を更新する。または、例えば、訪問結果情報が「不在（人物が実際に建物１００にいなかったこと）」を示す場合、制御部３０３は、図４に示した学習データにおいて、「７００ｗｈ」に対応する第１の合計値を「１０」から「１１」に変更し、変更後の座標（７００，１１）を通るように曲線Ｐ２を更新する。
以上、学習データ更新処理の流れの一例について説明した。
なお、上記説明では、ステップＳ１１９２において、電力データ要求の応答として通信部３０１が受信した電力データを用いるとしたが、これに限定されない。例えば、制御部３０３は、通信部３０１が実績情報を受信した場合、その実績情報から抽出した建物識別情報および訪問時刻情報を含む電力データ要求を、電力データ管理サーバ２００へ送信するように通信部３０１を制御してもよい。この場合、通信部３０１は、電力データ要求の送信後、その応答として、訪問時刻情報に対応する電力データを電力データ管理サーバ２００から受信する。そして、制御部３０３は、訪問時刻情報に対応する電力データを用いて、上述したように学習データを更新する。
また、学習データの作成も、上述した学習データ更新処理によって行われる。その場合、予め用意された学習データ（例えば、多数の世帯から取得した電力データおよび訪問結果情報に基づいて曲線Ｐ１、Ｐ２が算出されたもの）に対して、上述した学習データ更新処理が行われるようにしてもよい。また、例えば、予め用意された学習データは、世帯構成が類似している世帯（例えば、人数、年齢、性別、居住地域など）から取得した電力データおよび訪問結果情報に基づいて曲線Ｐ１、Ｐ２が算出されたものであってもよい。
以上、本実施の形態によれば、所定の建物における過去の電力データと実際に人物がいたか否かを示す情報との対応関係を学習した学習データと、現在時刻（宅配業者の従業員が在不在情報の表示を所望した時刻）の電力データとに基づいて、所定の建物における人物の在不在を予測する。したがって、本実施の形態では、電力データに基づく在不在の予測を高精度に実現できる。
（実施の形態２）
本発明の実施の形態２について説明する。
＜在不在予測システムの構成＞
まず、図６を用いて、本発明の実施の形態２に係る在不在予測システムの構成について説明する。図６は、実施の形態２に係る在不在予測システムの構成の一例を示すブロック図である。
図６に示すように、本実施の形態の在不在予測システムは、実施の形態１で説明した図１の構成と比べて、電力データ管理サーバ２００を備えない点が異なる。本実施の形態では、宅配管理サーバ３００は、電力管理装置１０４と通信を行い、電力管理装置１０４から電力データを取得する。
＜在不在予測システムの動作＞
次に、図７を用いて、本発明の実施の形態２に係る在不在予測システムの動作について説明する。図７は、実施の形態２に係る在不在予測システムの動作の一例を示すシーケンスチャートである。以下では、図２と異なる点について説明する。
ステップＳ１０１で電力データを取得、合計した後、電力管理装置１０４は、電力データを取得した時刻を示す取得時刻情報と、建物１００を識別可能な建物識別情報と、合計した電力データとを対応付け、それらを、所定のネットワークを介して宅配管理サーバ３００へ送信する（ステップＳ３０２）。
次に、宅配管理サーバ３００の通信部３０１は、電力管理装置１０４から送信された建物識別情報、取得時刻情報、および電力データを受信する（ステップＳ３０３）。
次に、宅配管理サーバ３００の制御部３０３は、通信部３０１が受信した建物識別情報、取得時刻情報、および電力データを対応付け、それらを記憶部３０２に記憶させる（ステップＳ３０４）。
上述したステップＳ１０１、Ｓ３０２〜Ｓ３０４の処理は、繰り返し行われる。
ステップＳ１０７において通信部３０１が配達端末４００から在不在情報要求を受信すると、制御部３０３は、その在不在情報要求から建物識別情報と現在時刻情報を抽出し、抽出した建物識別情報と現在時刻情報に対応する建物識別情報と取得時刻情報を記憶部３０２において検索する。そして、制御部３０３は、検索した建物識別情報と取得時刻情報が対応付けられた電力データを記憶部３０２から読み出し、予測処理を実行する（ステップＳ１１２）。この予測処理は、基本的に図３と同様であるが、ステップＳ１１２２において、記憶部３０２から読み出した電力データが用いられる点が異なる。
なお、図７では、図２に示したステップＳ１１６〜Ｓ１１９の図示を省略しているが、本実施の形態においても、在不在情報の表示（ステップＳ１１５）の後、図２に示したステップＳ１１６〜Ｓ１１９の処理が行われる。
以上、本実施の形態によれば、実施の形態１と同様に、電力データに基づく在不在の予測を高精度に実現できる。また、本実施の形態では、電力データ管理サーバ２００を用いる必要がないため、その運用にかかるコストを削減できる。
（実施の形態３）
本発明の実施の形態３について説明する。
＜在不在予測システムの構成＞
まず、図８を用いて、本発明の実施の形態３に係る在不在予測システムの構成について説明する。図８は、実施の形態３に係る在不在予測システムの構成の一例を示すブロック図である。
図８に示すように、本実施の形態の在不在予測システムは、実施の形態１で説明した図１の構成と同じであるが、配達端末４００が予測処理を行う点が異なる。本実施の形態では、配達端末４００は、電力データ管理サーバ２００および宅配管理サーバ３００と通信を行う。そして、配達端末４００は、電力データ管理サーバ２００から取得した電力データと、宅配管理サーバ３００から取得した学習データとに基づいて、予測処理を行う。すなわち、本実施の形態では、配達端末４００は「在不在予測装置」の一例に相当し、制御部４０３は「予測部」の一例に相当する。
＜在不在予測システムの動作＞
次に、図９を用いて、本発明の実施の形態３に係る在不在予測システムの動作について説明する。図９は、実施の形態３に係る在不在予測システムの動作の一例を示すシーケンスチャートである。以下では、図２と異なる点について説明する。
ステップＳ１０５で入力部４０４が住所指定操作を受け付けた後、制御部４０３は、記憶部３０２から読み出した建物識別情報と、現在時刻情報とを含む学習データ要求を、宅配管理サーバ３００へ送信するように通信部４０１を制御する。これにより、通信部４０１は、学習データ要求を、所定のネットワークを介して宅配管理サーバ３００へ送信する（ステップＳ４０６）。なお、現在時刻情報は、上述したとおり、例えば、配達端末４００（入力部４０４）が住所指定操作を受け付けたときの時刻を示す情報である。
次に、宅配管理サーバ３００の通信部３０１は、配達端末４００から送信された学習データ要求を受信する（ステップＳ４０７）。
次に、宅配管理サーバ３００の制御部３０３は、通信部３０１が受信した学習データ要求から建物識別情報と現在時刻情報を抽出し、抽出した建物識別情報と現在時刻情報に対応する学習データを読み出す。この読み出し処理は、図３のステップＳ１１２１と同様である。
次に、制御部３０３は、読み出した学習データを配達端末４００へ送信するように通信部３０１を制御する。これより、通信部３０１は、学習データを、所定のネットワークを介して配達端末４００へ送信する（ステップＳ４０８）。
次に、配達端末４００の通信部４０１は、宅配管理サーバ３００から送信された学習データを受信する（ステップＳ４０９）。
次に、配達端末４００の通信部４０１は、記憶部３０２から読み出した建物識別情報と、現在時刻情報とを含む電力データ要求を電力データ管理サーバ２００へ送信するように通信部４０１を制御する。これより、通信部４０１は、電力データ取得要求を、所定のネットワークを介して電力データ管理サーバ２００へ送信する（ステップＳ４１０）。
次に、電力データ管理サーバ２００の通信部２０１は、配達端末４００から送信された電力データ要求を受信する（ステップＳ４１１）。
次に、電力データ管理サーバ２００の制御部２０３は、通信部２０１が受信した電力データ要求から建物識別情報と現在時刻情報を抽出し、抽出した建物識別情報と現在時刻情報に対応する建物識別情報と取得時刻情報を記憶部２０２において検索する。そして、制御部２０３は、検索した建物識別情報と取得時刻情報が対応付けられた電力データを記憶部２０２から読み出す。そして、制御部２０３は、読み出した電力データを配達端末４００へ送信するように通信部２０１を制御する。これより、通信部２０１は、電力データを、所定のネットワークを介して配達端末４００へ送信する（ステップＳ４１２）。
次に、配達端末４００の通信部４０１は、電力データ管理サーバ２００から送信された電力データを受信する（ステップＳ４１３）。すなわち、本実施の形態では、通信部４０１は「電力データ取得部」の一例に相当する。
次に、配達端末４００の制御部４０３は、通信部４０１が受信した学習データおよび電力データに基づいて、予測処理を実行する（ステップＳ４１４）。この予測処理は、基本的に図３と同様であるが、ステップＳ１１２１が行われず、ステップＳ１１２２において、通信部４０１が受信した学習データおよび電力データが用いられる点が異なる。
なお、図９では、学習データ更新処理の図示を省略しているが、本実施の形態においても、在不在情報の表示（ステップＳ１１５）の後、配達端末４００において、図５を用いて説明した学習データ更新処理が行われる。
また、図９では、学習データ要求の送信（ステップＳ４０６）の後で電力データ要求の送信（ステップＳ４１０）が行われる例を示したが、電力データ要求の送信の後で学習データ要求の送信が行われてもよいし、学習データ要求の送信と電力データ要求の送信が同時に行われてもよい。
以上、本実施の形態によれば、実施の形態１と同様に、電力データに基づく在不在の予測を高精度に実現できる。また、本実施の形態では、配達端末４００が予測処理を行うため、宅配管理サーバ３００において予測処理にかかる負荷を軽減できる。
（実施の形態４）
本発明の実施の形態４について説明する。
＜在不在予測システムの構成＞
まず、図１０を用いて、本発明の実施の形態４に係る在不在予測システムの構成について説明する。図１０は、実施の形態４に係る在不在予測システムの構成の一例を示すブロック図である。
図１０に示すように、本実施の形態の在不在予測システムは、実施の形態１で説明した図１の構成と比べて、電力データ管理サーバ２００および宅配管理サーバ３００を備えない点と、配達端末４００が予測処理を行う点とが異なる。本実施の形態では、配達端末４００は、電力管理装置１０４と通信を行う。そして、配達端末４００は、電力管理装置１０４から取得した電力データと、配達端末４００が記憶する学習データとに基づいて、予測処理を行う。すなわち、本実施の形態では、配達端末４００は「在不在予測装置」の一例に相当し、制御部４０３は「予測部」の一例に相当する。なお、本実施の形態において、配達端末４００の記憶部４０２は、実施の形態１〜３で説明した宅配管理サーバ３００の記憶部３０２と同様に、学習データを記憶しているとする。
＜在不在予測システムの動作＞
次に、図１１を用いて、本発明の実施の形態４に係る在不在予測システムの動作について説明する。図１１は、実施の形態４に係る在不在予測システムの動作の一例を示すシーケンスチャートである。以下では、図２と異なる点について説明する。
ステップＳ１０１で電力データを取得、合計した後、電力管理装置１０４は、電力データを取得した時刻を示す取得時刻情報と、建物１００を識別可能な建物識別情報と、合計した電力データとを対応付け、それらを、所定の記憶装置（図示略）に記憶する（ステップＳ５０２）。所定の記憶装置は、例えば、電力管理装置１０４の内部に備えられるものでもよいし、電力管理装置１０４の外部に備えられるものでもよい。
上述したステップＳ１０１、Ｓ５０２の処理は、繰り返し行われる。
ステップＳ１０５で入力部４０４が住所指定操作を受け付けた後、制御部４０３は、記憶部４０２から読み出した建物識別情報と、現在時刻情報とを含む電力データ要求を、電力管理装置１０４へ送信するように通信部４０１を制御する。これにより、通信部４０１は、電力データ要求を、所定のネットワークを介して電力管理装置１０４へ送信する（ステップＳ５０３）。なお、現在時刻情報は、上述したとおり、例えば、配達端末４００（入力部４０４）が住所指定操作を受け付けたときの時刻を示す情報である。
次に、電力管理装置１０４は、配達端末４００から送信された電力データ要求を受信する（ステップＳ５０４）。
次に、電力管理装置１０４は、受信した電力データ要求から建物識別情報と現在時刻情報を抽出し、抽出した建物識別情報と現在時刻情報に対応する建物識別情報と取得時刻情報を所定の記憶装置において検索する。そして、電力管理装置１０４は、検索した建物識別情報と取得時刻情報が対応付けられた電力データを所定の記憶装置から読み出す。そして、電力管理装置１０４は、読み出した電力データを配達端末４００へ送信する（ステップＳ５０５）。
次に、配達端末４００の通信部４０１は、電力管理装置１０４から送信された電力データを受信する（ステップＳ５０６）。すなわち、本実施の形態では、通信部４０１は「電力データ取得部」の一例に相当する。
次に、配達端末４００の制御部４０３は、建物識別情報および現在時刻情報に対応する学習データを記憶部４０２から読み出す。この読み出し処理は、図３のステップＳ１１２１と同様である。また、この読み出し処理に用いられる建物識別情報および現在時刻情報は、ステップＳ５０３で送信される電力データ要求に含まれる建物識別情報および現在時刻情報と同じである。
次に、制御部４０３は、通信部４０１が受信した電力データと、記憶部４０２から読み出した学習データに基づいて、予測処理を実行する（ステップＳ５０７）。この予測処理は、基本的に図３と同様であるが、ステップＳ１１２１が行われず、ステップＳ１１２２において、通信部４０１が受信した電力データ、および、記憶部４０２から読み出した電力データが用いられる点が異なる。
なお、図１１では、学習データ更新処理の図示を省略しているが、本実施の形態においても、在不在情報の表示（ステップＳ１１５）の後、配達端末４００において、図５を用いて説明した学習データ更新処理が行われる。
また、図１１では、学習データ要求の送信（ステップＳ４０６）の後で電力データ要求の送信（ステップＳ４１０）が行われる例を示したが、電力データ要求の送信の後で学習データ要求の送信が行われてもよいし、学習データ要求の送信と電力データ要求の送信が同時に行われてもよい。
以上、本実施の形態によれば、実施の形態１と同様に、電力データに基づく在不在の予測を高精度に実現できる。また、本実施の形態では、電力データ管理サーバ２００および宅配管理サーバ３００を備える必要がないため、それらの運用にかかるコストを削減できる。
本発明の各実施の形態について説明したが、本発明は、その趣旨を逸脱しない範囲において種々の変形が可能である。以下、上記各実施の形態の変形例について説明する。
＜変形例１＞
上記各実施の形態では、学習データ更新処理（図５参照）において宅配業者の従業員の実績入力操作によって入力された訪問結果情報を用いる場合を例に挙げて説明したが、これに限定されない。
例えば、建物１００に設置された所定の機器に対する操作に関する操作情報に基づいて人物が実際に建物１００にいたか否かを判定し、その判定の結果を用いて学習データ更新処理を行ってもよい。この具体例について、図１２を用いて以下に説明する。図１２は、本変形例の在不在予測システムの構成の一例を示すブロック図である。
図１２に示す構成は、実施の形態１で説明した図１の構成と比べて、建物１００にインターホン１０５が設置されている点が異なる。図１２において、インターホン１０５は、分電盤１０３と電気的に接続されている。
以下、図１２に示した在不在予測システムの動作例について説明する。
まず、インターホン１０５は、訪問者の呼び出しに対して応答する操作（以下、応答操作という）を受け付けた場合、応答操作が行われた旨の操作情報を、分電盤１０３を介して電力管理装置１０４へ出力する。一方、インターホン１０５は、訪問者の呼び出しから所定時間（例えば、３０秒等）内に応答操作を受け付けなかった場合、応答操作が行われなかった旨の操作情報を、分電盤１０３を介して電力管理装置１０４へ出力する。なお、操作情報は、インターホン１０５から直接、電力管理装置１０４へ出力されてもよい。
次に、電力管理装置１０４は、インターホン１０５から出力された操作情報を取得すると、その操作情報と、操作情報を取得したときの時刻を示す操作情報取得時刻情報と、建物１００を識別可能な建物識別情報とを宅配管理サーバ３００へ送信する。なお、電力管理装置１０４は、操作情報等を電力データ管理サーバ２００へ送信し、電力データ管理サーバ２００は、操作情報等を宅配管理サーバ３００へ送信してもよい。
次に、宅配管理サーバ３００の制御部３０３は、通信部３０１が建物識別情報および操作情報取得時刻情報を受信すると、それらの情報を含む電力データ要求を電力データ管理サーバ２００へ送信するように通信部３０１を制御する。これにより、電力データ要求は、通信部３０１から、所定のネットワークを介して電力データ管理サーバ２００へ送信される。
次に、電力データ管理サーバ２００の制御部２０３は、記憶部２０２において、通信部２０１が受信した建物識別情報および操作情報取得時刻情報に対応する建物識別情報および取得時刻情報を検索し、検索した建物識別情報および取得時刻情報に対応付けられている電力データを記憶部２０２から読み出す。そして、制御部２０３は、読み出した電力データを宅配管理サーバ３００へ送信するように通信部２０１を制御する。これにより、電力データは、通信部２０１から、所定のネットワークを介して宅配管理サーバ３００へ送信される。
次に、宅配管理サーバ３００の通信部３０１は、電力データ管理サーバ２００から送信された電力データを受信する。
次に、宅配管理サーバ３００の制御部３０３は、通信部３０１が受信した操作情報に基づいて、人物が実際に建物１００にいたか否かを判定する。例えば、操作情報が、応答操作が行われたことを示す場合、人物が実際に建物１００にいたと判定する。一方、操作情報が、応答操作が行われなかったことを示す場合、人物が実際に建物１００にいなかったと判定する。
次に、制御部３０３は、上記判定の結果と、通信部３０１が受信した電力データとに基づいて、記憶部３０２に記憶された学習データを更新する。この学習データ更新処理は、基本的に図５と同様であるが、訪問結果情報の代わりに上記判定の結果を用いる点が異なる。
このように本変形例によれば、宅配業者の従業員の実績入力操作によらず、学習データ更新処理を行うことができるので、宅配業者の従業員が実績入力操作を行う手間が省ける。
なお、上記説明では、インターホン１０５を例に挙げて説明したが、これに限定されず、その他の電気機器であってもよい。例えば、セキュリティシステムから操作情報が出力された場合、以下のように判定処理が行われる。すなわち、宅配管理サーバ３００の制御部３０３は、操作情報が、留守中に建物１００を監視する監視モードを設定する操作が行われたことを示す場合、人物が実際に建物１００にいなかったと判定する。一方、制御部３０３は、操作情報が、監視モードを解除する操作を示す場合、人物が実際に建物１００にいたと判定する。
また、上記説明では、操作情報に基づく判定処理を宅配管理サーバ３００が行う場合（例えば、実施の形態１、２の場合）を例に挙げて説明したが、配達端末４００が電力管理装置１０４から操作情報等を取得し、上記判定処理を行ってもよい（例えば、実施の形態３、４の場合）。すなわち、本変形例で説明した上記判定処理の結果を用いた学習データ更新処理は、実施の形態１〜４のいずれにも適用可能である。
＜変形例２＞
上記各実施の形態で説明した予測結果（例えば、在宅確率、不在確率）に対して所定の重み付けを行ってもよい。この具体例について以下に説明する。
宅配管理サーバ３００は、電力データ管理サーバ２００から、現在時刻情報が示す時刻の電力データに加え、その時刻を基準とした所定時間内における複数の電力データを取得（受信）する。
例えば、現在時刻情報の時刻が午前９時１０分である場合、宅配管理サーバ３００は、午前９時１０分のときの電力データに加え、午前９時５分〜午前９時９分（午前９時１０分より前の５分間）における複数の電力データを取得する。なお、ここでは、現在時刻情報の時刻より前の所定時間内における複数の電力データとしたが、現在時刻情報の時刻より後の所定時間内における複数の電力データでもよいし、現在時刻情報の時刻を挟んだ前後の所定時間内における複数の電力データでもよい。
そして、宅配管理サーバ３００の制御部３０３は、学習データに基づく予測処理を行った後で、取得した複数の電力データに所定の閾値以上の変化があるか否かを判定し、その変化に応じて、学習データに基づいて算出した予測の結果に重み付けを行う。
例えば、午前９時９分の電力データの値（例えば、消費電力量）と午前９時７分の電力データの値（例えば、消費電力量）との差が、閾値以上の正の値である場合、予測処理において学習データに基づいて算出した在宅確率に、所定の数（例えば、５％、１０％等）を加算する。
一方、例えば、午前９時９分の電力データの値（例えば、消費電力量）と午前９時７分の電力データの値（例えば、消費電力量）との差が、閾値以上の負の値である場合、予測処理において学習データに基づいて算出した不在確率に、所定の数（例えば、５％、１０％等）を加算する。
なお、午前９時９分の電力データの値と午前９時７分の電力データの値との差が、閾値以上の負の値である場合であっても、在宅確率に所定の数を加算するようにしてもよい。電力データの変化（減少）があった場合でも、人物が在宅している可能性が高い状況も考えうるためである。例えば電子レンジなどが使用される場合、使用後に人物が在宅している可能性が高い。よって、このような場合は、上述したとおり、変化が閾値以上であれば一様に在宅確率に所定の数を加算することが好ましい。
また、機器を識別できる場合であって、２つの電力データの値の差が閾値以上の場合には、機器に応じて、在宅確率に所定の数を加算するか、または、不在確率に所定の数を加算するかを適宜選択して行ってもよい。
このように本変形例によれば、複数の電力データの変化に応じて重み付けを行うことで、電力データに基づく在不在の予測をさらに高精度に実現できる。
なお、上記説明では、重み付け処理を宅配管理サーバ３００が行う場合（例えば、実施の形態１、２の場合）を例に挙げて説明したが、配達端末４００が定期的に電力データを取得し、上記重み付け処理を行ってもよい（例えば、実施の形態３、４の場合）。すなわち、本変形例で説明した重み付け処理は、実施の形態１〜４のいずれにも適用可能である。
＜変形例３＞
上記変形例２では、現在時刻情報の時刻を基準とした所定時間内における複数の電力データを用いた重み付け処理について説明したが、重み付け処理は、これに限定されない。他の重み付け処理の具体例について以下に説明する。
宅配管理サーバ３００は、予測処理の実行前に、動作中の機器を示す機器データを取得（受信）する。機器データは、例えば、電力管理装置１０４から宅配管理サーバ３００へ送信されてもよいし、機器１０１、１０２等から宅配管理サーバ３００へ送信されてもよい。
宅配管理サーバ３００の記憶部３０２には、予め定められた在宅時に使用される頻度の高い機器（例えば、テレビ、照明器具、電子レンジ、洗濯機等）を示す判定用データが記憶されている。
宅配管理サーバ３００の制御部３０３は、記憶部３０２から判定用データを読み出し、取得した機器データが示す動作中の機器が、判定用データに登録されているか否かを判定する。この判定の結果、動作中の機器が判定用データにある場合、予測処理において学習データに基づいて算出した在宅確率に、所定の数（例えば、５％、１０％等）を加算する。
なお、判定用データには、機器毎に、異なる重み付けの値（例えば、加算する％）が定められていてもよい。例えば、テレビは洗濯機よりも在宅時に使用される可能性が大きいため、テレビの重み付けの値（例えば、１０％）は、洗濯機の重み付けの値（例えば、５％）より大きく定められていてもよい。
このように本変形例によれば、動作中の機器を示す機器データと判定用データに基づいて重み付けを行うことで、電力データに基づく在不在の予測をさらに高精度に実現できる。
なお、上記説明では、重み付け処理を宅配管理サーバ３００が行う場合（例えば、実施の形態１、２の場合）を例に挙げて説明したが、配達端末４００が定期的に電力データを取得し、上記重み付け処理を行ってもよい（例えば、実施の形態３、４の場合）。すなわち、本変形例で説明した重み付け処理は、実施の形態１〜４のいずれにも適用可能である。
＜変形例４＞
上記各実施の形態で説明した学習データは、１日における所定時間帯毎に、電力データと人物が実際に建物１００にいたか否かの対応関係を学習したものである場合を例に挙げて説明したが、これに限定されない。例えば、学習データは、所定時間帯に加えてさらに、曜日、月、天候、外気温、湿度、季節のうち少なくとも１つの要素毎に、上記対応関係を学習したデータであってもよい。
このように本変形例によれば、上記要素毎に細分化された学習データに基づいて予測処理を行うことで、電力データに基づく在不在の予測をさらに高精度に実現できる。
＜変形例５＞
上記各実施の形態において、予測処理および学習データ更新処理に用いられる電力データは、予め定められた在宅時に使用される頻度の高い機器（上記変形例３で説明した機器と同様）から取得したものに限ってもよい。
このように本変形例によれば、在宅時に使用される頻度の高い機器のみから取得した電力データを用いて予測処理および学習データ更新処理を行うので、電力データに基づく在不在の予測をさらに高精度に実現できる。
＜変形例６＞
上記各実施の形態において、宅配管理サーバ３００は、在不在情報を配達端末４００へ送信した後で、在不在情報を配達端末４００に出力した旨を示す通知情報を、建物１００に所属する人物（例えば、建物１００の居住者、建物１００に勤務する者等）が使用する端末（図示略）に送信してもよい。なお、通知情報は、在不在情報を配達端末４００に送信した旨を示す情報であってもよい。
このように本変形例によれば、建物に所属する人物は、通知情報を見て、宅配業者の従業員の訪問があることを把握できる。
なお、上記説明では、通知情報の送信処理を宅配管理サーバ３００が行う場合（例えば、実施の形態１、２の場合）を例に挙げて説明したが、配達端末４００が予測処理を行う場合は、配達端末４００が通知情報を、建物１００に所属する人物が使用する端末に送信してもよい（例えば、実施の形態３、４の場合）。すなわち、本変形例で説明した重み付け処理は、実施の形態１〜４のいずれにも適用可能である。
また、上述した建物１００に所属する人物が使用する端末は、例えば、建物１００の電力データを、電力管理装置１０４または電力データ管理サーバ２００から取得し、表示してもよい。これにより、建物１００の人物は、電力データを把握することができる。
＜変形例７＞
上記各実施の形態において、宅配管理サーバ３００は、複数の建物の各々について人物がいるか否かを予測した場合、複数の予測の結果（例えば、建物毎の在宅確率、不在確率）と地図情報（例えば、宅配業者の管轄地域の地図データ）に基づいて配達ルートを算出し、算出した配達ルートを示す配達ルート情報を、配達端末４００へ送信してもよい。これにより、配達端末４００に配達ルート情報が表示される。
例えば、配達ルートは、在宅確率が高い順に建物を通過させるルートとなる。また、例えば、配達ルートは、在宅確率が所定閾値以上である建物が所定数以上存在する地域を優先的に通過させるルートとしてもよい。さらに、例えば、不在確率が所定閾値以上の建物がある場合には、その建物の代わりに、所定の荷物預かり所（例えば、コンビニエンスストア、郵便局などの、荷物を代わりに預かる場所）を配達ルートに加えてもよい。
さらに、宅配管理サーバ３００は、算出した配達ルート、指定された配達開始時刻、地図情報、予め定められた速度（例えば、宅配業者の従業員の移動速度）に基づいて、各建物への到着予定時刻を算出し、算出した各到着予定時刻を示す到着予定時刻情報を、配達端末４００へ送信してもよい。これにより、配達端末４００に到着予定時刻情報が表示される。
さらに、宅配管理サーバ３００は、算出した配達ルート、指定された配達開始時刻、地図情報、予め定められた速度に基づいて、配達ルートに沿って配達を行った場合に配達が完了する時刻（以下、配達完了予定時刻という）を算出し、算出した配達完了予定時刻を示す配達完了予定時刻情報を、配達端末４００へ送信してもよい。これにより、配達端末４００に配達完了予定時刻情報が表示される。
このように本変形例によれば、宅配業者の従業員は、複数の建物についての予測結果に加えて、配達ルート、各建物への到着予定時刻、配達開始時刻を把握でき、業務の遂行が容易になる。
なお、上記説明では、配達ルート情報、到着予定時刻情報、配達完了予定時刻情報の生成処理を宅配管理サーバ３００が行う場合（例えば、実施の形態１、２の場合）を例に挙げて説明したが、配達端末４００が予測処理を行う場合は、配達端末４００が、配達ルート情報、到着予定時刻情報、配達完了予定時刻情報の生成処理を行ってもよい（例えば、実施の形態３、４の場合）。すなわち、本変形例で説明した重み付け処理は、実施の形態１〜４のいずれにも適用可能である。
以上、本実施の形態の変形例を説明した。なお、上記変形例は任意に組み合わせてもよい。
（コンピュータプログラムによる実現例）
以上、本発明に係る各実施の形態および各変形例について図面を参照して詳述してきたが、上述した電力データ管理サーバ２００、宅配管理サーバ３００、および配達端末４００（以下、各装置という）の機能は、コンピュータプログラムにより実現され得る。
図１３は、各部の機能をプログラムにより実現するコンピュータのハードウェア構成を示す図である。このコンピュータ１０００は、入力ボタンやタッチパッドなどの入力装置１００１、ディスプレイやスピーカなどの出力装置１００２、ＣＰＵ（Central Processing Unit）１００３、ＲＯＭ（Read Only Memory）１００４、ＲＡＭ（Random Access Memory）１００５を備える。また、コンピュータ１０００は、ハードディスク装置やＳＳＤ
（Solid State Drive）などの記憶装置１００６、ＤＶＤ−ＲＯＭ（Digital Versatile Disk Read Only Memory）やＵＳＢ（Universal Serial Bus）メモリなどの記録媒体から情報を読み取る読取装置１００７、ネットワークを介して通信を行う送受信装置１００８を備える。上記各部は、バス１００９により接続される。
そして、読取装置１００７は、上記各部の機能を実現するためのプログラムを記録した記録媒体からそのプログラムを読み取り、記憶装置１００６に記憶させる。あるいは、送受信装置１００８が、ネットワークに接続されたサーバ装置と通信を行い、サーバ装置からダウンロードした上記各部の機能を実現するためのプログラムを記憶装置１００６に記憶させる。
そして、ＣＰＵ１００３が、記憶装置１００６に記憶されたプログラムをＲＡＭ１００５にコピーし、そのプログラムに含まれる命令をＲＡＭ１００５から順次読み出して実行することにより、上記各部の機能が実現される。また、プログラムを実行する際、ＲＡＭ１００５または記憶装置１００６には、各実施の形態で述べた各種処理で得られた情報が記憶され、適宜利用される。
（クラウドサービスの類型）
また、上記各実施の形態および各変形例において説明された技術は、例えば、以下のクラウドサービスの類型において実現されうる。しかし、上記各実施の形態および上記各変形例において説明された技術が実現される類型はこれに限られるものでない。
（サービスの類型１：自社データセンタ型）
図１４は、サービスの類型１（自社データセンタ型）を示す図である。本類型は、サービスプロバイダ１２が建物１００から情報を取得し、ユーザに対してサービスを提供する類型である。本類型では、サービスプロバイダ１２が、データセンタ運営会社の機能を有している。即ち、サービスプロバイダ１２が、ビッグデータの管理をするクラウドサーバ（インターネットを介して様々な機器と連携する仮想化サーバ）１２００ｃを保有している。従って、データセンタ運営会社は存在しない。
上記データセンタ運営会社とは、例えば、データ管理、クラウドサーバの管理、それらの管理を行うデータセンタの運営等を行う会社であるが、これに限定されない。例えば、建物１００にて使用される複数の機器のうちの一つの機器を開発・製造している機器メーカが、開発・製造と併せてデータ管理、クラウドサーバの管理等を行っている場合は、機器メーカがデータセンタ運営会社に該当する。また、データセンタ運営会社は一つの会社に限らない。例えば機器メーカおよび他の管理会社が共同もしくは分担してデータ管理やクラウドサーバの運営を行っている場合は、両者もしくはいずれか一方がデータセンタ運営会社に該当するものとする。なお、ここで説明したデータセンタ運営会社の定義は、後述する類型２〜４においても当てはまるものとする。
本類型では、サービスプロバイダ１２は、データセンタ（クラウドサーバ）１２００ｃを運営、管理している。また、サービスプロバイダ１２は、ＯＳ１２００ｂおよびアプリケーション１２００ａを管理する。サービスプロバイダ１２は、サービスプロバイダ１２が管理するＯＳ１２００ｂおよびアプリケーション１２００ａを用いてユーザに対してサービス提供を行う（１２００ｄ）。
（サービスの類型２：ＩａａＳ利用型）
図１５は、サービスの類型２（ＩａａＳ利用型）を示す図である。ここでＩａａＳとはインフラストラクチャー・アズ・ア・サービスの略であり、コンピュータシステムを構築および稼動させるための基盤そのものを、インターネット経由のサービスとして提供するクラウドサービス提供モデルである。
本類型では、データセンタ運営会社がデータセンタ（クラウドサーバ）１２００ｃを運営、管理している。また、サービスプロバイダ１２は、ＯＳ１２００ｂおよびアプリケーション１２００ａを管理する。サービスプロバイダ１２は、サービスプロバイダ１２が管理するＯＳ１２００ｂおよびアプリケーション１２００ａを用いてユーザに対してサービス提供を行う（１２００ｄ）。
（サービスの類型３：ＰａａＳ利用型）
図１６は、サービスの類型３（ＰａａＳ利用型）を示す図である。ここでＰａａＳとはプラットフォーム・アズ・ア・サービスの略であり、ソフトウェアを構築および稼動させるための土台となるプラットフォームを、インターネット経由のサービスとして提供するクラウドサービス提供モデルである。
本類型では、データセンタ運営会社１１は、ＯＳ１２００ｂを管理し、データセンタ（クラウドサーバ）１２００ｃを運営、管理している。また、サービスプロバイダ１２は、アプリケーション１２００ａを管理する。サービスプロバイダ１２は、データセンタ運営会社が管理するＯＳ１２００ｂおよびサービスプロバイダ１２が管理するアプリケーション１２００ａを用いてユーザに対してサービス提供を行う（１２００ｄ）。
（サービスの類型４：ＳａａＳ利用型）
図１７は、サービスの類型４（ＳａａＳ利用型）を示す図である。ここでＳａａＳとはソフトウェア・アズ・ア・サービスの略である。例えばデータセンタ（クラウドサーバ）を保有しているプラットフォーム提供者が提供するアプリケーションを、データセンタ（クラウドサーバ）を保有していない会社・個人（利用者）がインターネットなどのネットワーク経由で使用できる機能を有するクラウドサービス提供モデルである。
本類型では、データセンタ運営会社１１は、アプリケーション１２００ａを管理し、ＯＳ１２００ｂを管理し、データセンタ（クラウドサーバ）１２００ｃを運営、管理している。また、サービスプロバイダ１２は、データセンタ運営会社１１が管理するＯＳ１２００ｂおよびアプリケーション１２００ａを用いてユーザに対してサービス提供を行う（１２００ｄ）。
以上いずれの類型においても、サービスプロバイダ１２がサービス提供行為を行ったものとする。また例えば、サービスプロバイダ若しくはデータセンタ運営会社は、ＯＳ、アプリケーション若しくはビッグデータのデータベース等を自ら開発してもよいし、また、第三者に外注させてもよい。
本発明は、所定の場所における人間の在不在を予測する在不在予測方法および在不在予測装置に用いるのに好適である。
１１ データセンタ運営会社
１２ サービスプロバイダ
１００ 建物
１０１、１０２ 機器
１０３ 分電盤
１０４ 電力管理装置
１０５ インターホン
２００ 電力データ管理サーバ
２０１ 通信部
２０２ 記憶部
２０３ 制御部
３００ 宅配管理サーバ
３０１ 通信部
３０２ 記憶部
３０３ 制御部
４００ 配達端末
４０１ 通信部
４０２ 記憶部
４０３ 制御部
４０４ 入力部
４０５ 出力部
１０００ コンピュータ
１００１ 入力装置
１００２ 出力装置
１００３ ＣＰＵ（Central Processing Unit）
１００４ ＲＯＭ（Read Only Memory）
１００５ ＲＡＭ（Random Access Memory）
１００６ 記憶装置
１００７ 読取装置
１００８ 送受信装置
１００９ バス
１２００ａ アプリケーション
１２００ｂ ＯＳ
１２００ｃ データセンタ（クラウドサーバ）
１２００ｄ サービス提供

Claims (23)

  1. 所定の建物における人物の在不在を予測する在不在予測方法であって、
    第１の時刻のときの前記建物の電力データを取得し、
    前記第１の時刻よりも過去の前記建物の電力データと前記人物が実際に前記建物にいたか否かを示す情報との対応関係を所定時間帯毎に学習した学習データを取得し、
    前記第１の時刻のときの前記建物の電力データと前記学習データに基づいて、前記人物が前記建物にいるか否かを予測し、
    前記予測の結果を示す在不在情報を生成し、該在不在情報を所定の端末に出力する、
    在不在予測方法。
  2. 前記第１の時刻以降に前記人物が実際に前記建物にいたか否かを示す実績情報の入力を受け付け、
    前記実績情報と、前記第１の時刻のときの前記建物の電力データとに基づいて、前記学習データを更新する、
    請求項１に記載の在不在予測方法。
  3. 前記在不在情報の出力後から所定の時間内に、前記建物に設置された所定の機器に対する操作に関する操作情報を取得した場合、前記操作情報に基づいて、前記人物が実際に前記建物にいたか否かを判定し、
    前記判定の結果と、前記第１の時刻のときの前記建物の電力データとに基づいて、前記学習データを更新する、
    請求項１に記載の在不在予測方法。
  4. 前記所定の機器はインターホンであり、
    前記操作情報が、訪問者の呼び出しに対して応答操作が行われたことを示す場合、前記人物が実際に前記建物にいたと判定し、
    前記操作情報が、訪問者の呼び出しに対して応答操作が行われなかったことを示す場合、前記人物が実際に前記建物にいたと判定し、
    請求項３に記載の在不在予測方法。
  5. 前記所定の機器はセキュリティシステムであり、
    前記操作情報が、留守中に前記建物を監視する監視モードを設定する操作が行われたことを示す場合、前記人物が実際に前記建物にいなかったと判定し、
    前記操作情報が、前記監視モードを解除する操作が行われたことを示す場合、前記人物が実際に前記建物にいたと判定する、
    請求項３に記載の在不在予測方法。
  6. 前記学習データは、複数の前記建物の電力データの各々に、前記人物が実際に前記建物にいた回数を合計した第１の合計値および前記人物が実際に前記建物にいなかった回数を合計した第２の合計値が対応付けられたデータであり、
    前記学習データから、前記第１の時刻のときの前記建物の電力データに対応する前記第１の合計値および前記第２の合計値を特定し、
    特定した前記第１の合計値および前記第２の合計値に基づいて、在宅確率および不在確率の少なくとも一方を算出し、
    算出した前記在宅確率または前記不在確率のいずれかに基づいて前記在不在情報を生成する、
    請求項１に記載の在不在予測方法。
  7. 前記電力データは、消費電力の量を示すデータである、
    請求項１に記載の在不在予測方法。
  8. 前記電力データは、消費電力の波形を示すデータである、
    請求項１に記載の在不在予測方法。
  9. 前記第１の時刻のときの前記建物の電力データに加えて、前記第１の時刻を基準とした所定時間内における複数の前記建物の電力データを取得し、
    前記所定時間内における複数の前記建物の電力データに所定の閾値以上の変化があった場合、前記変化に応じて、前記予測の結果に重み付けを行う、
    請求項１に記載の在不在予測方法。
  10. 動作中の機器を示す機器データをさらに取得し、
    前記機器データが示す動作中の機器が、予め定められた在宅時に使用される頻度の高い機器である場合、前記人物が前記建物にいるとの前記予測の結果に対する重み付けを大きくする、
    請求項１に記載の在不在予測方法。
  11. 前記機器データが示す動作中の機器がテレビである場合、前記機器データが示す動作中の機器が洗濯機である場合よりも、前記人物が前記建物にいるとの前記予測の結果に対する重み付けを大きくする、
    請求項１０に記載の在不在予測方法。
  12. 前記学習データは、
    さらに、曜日、月、天候、外気温、湿度、季節のうち少なくとも１つの要素毎に、前記対応関係を学習したデータである、
    請求項１に記載の在不在予測方法。
  13. 前記電力データは、予め定められた在宅時に使用される頻度の高い機器の電力データである、
    請求項１に記載の在不在予測方法。
  14. 前記電力データは、前記建物に設置された各機器の電力データを合計したデータ、または、前記建物に設置された各分岐回路の電力データを合計したデータである、
    請求項１に記載の在不在予測方法。
  15. 前記所定の端末は、宅配業者が使用する端末であり、
    前記第１の時刻は、前記宅配業者が前記端末において前記在不在情報の表示を指示する操作を行った時刻である、
    請求項１に記載の在不在予測方法。
  16. 前記在不在情報を前記所定の端末に出力した旨を示す通知情報を、前記建物に所属する人物が使用する端末に送信する、
    請求項１に記載の在不在予測方法。
  17. 複数の建物の各々について人物がいるか否かを予測した場合、前記予測の結果と地図情報に基づいて配達ルートを算出し、
    前記配達ルートを示す情報を前記所定の端末に出力する、
    請求項１に記載の在不在予測方法。
  18. 人物がいると予測した建物が所定数以上存在する地域を優先的に通過させるように前記配達ルートを算出する、
    請求項１７に記載の在不在予測方法。
  19. さらに、前記配達ルート、指定された配達開始時刻、前記地図情報、予め定められた速度に基づいて、前記複数の建物の各々への到着予定時刻を算出し、
    前記到着予定時刻を示す情報を前記所定の端末に出力する、
    請求項１７に記載の在不在予測方法。
  20. さらに、前記配達ルート、指定された配達開始時刻、前記地図情報、予め定められた速度に基づいて、前記配達ルートに沿って配達を行った場合の配達完了予定時刻を算出し、
    前記配達完了予定時刻を示す情報を前記所定の端末に出力する、
    請求項１７に記載の在不在予測方法。
  21. 所定の建物における人物の在不在を予測する在不在予測装置であって、
    第１の時刻のときの前記建物の電力データを取得する電力データ取得部と、
    前記第１の時刻よりも過去の前記建物の電力データと前記人物が実際に前記建物にいたか否かを示す情報との対応関係を所定時間帯毎に学習した学習データと、前記第１の時刻のときの前記建物の電力データとに基づいて、前記人物が前記建物にいるか否かを予測し、前記予測の結果を示す在不在情報を生成する予測部と、を備えた、
    在不在予測装置。
  22. 前記在不在情報を所定の端末へ送信する送信部をさらに備えた、
    請求項２１に記載の在不在予測装置。
  23. 前記在不在情報を出力する出力部をさらに備えた、
    請求項２１に記載の在不在予測装置。
JP2016125632A 2015-09-24 2016-06-24 在不在予測方法および在不在予測装置 Active JP6625022B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015187098 2015-09-24
JP2015187098 2015-09-24

Publications (2)

Publication Number Publication Date
JP2017062765A JP2017062765A (ja) 2017-03-30
JP6625022B2 true JP6625022B2 (ja) 2019-12-25

Family

ID=58409783

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016125632A Active JP6625022B2 (ja) 2015-09-24 2016-06-24 在不在予測方法および在不在予測装置

Country Status (3)

Country Link
US (1) US10269233B2 (ja)
JP (1) JP6625022B2 (ja)
CN (1) CN106557831B (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11915334B2 (en) 2017-09-07 2024-02-27 Sony Corporation Information processing device and information processing method for predicting presence or absence of user at visit destination from sensed data

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6966216B2 (ja) * 2017-04-21 2021-11-10 株式会社日立製作所 在宅判定システム
JP6902009B2 (ja) * 2017-05-10 2021-07-14 ヤフー株式会社 生成装置、生成方法及び生成プログラム
JP7019375B2 (ja) * 2017-10-31 2022-02-15 株式会社Ｎｔｔドコモ 訪問時刻決定装置
JP7045901B2 (ja) * 2018-03-28 2022-04-01 東京瓦斯株式会社 予測制御装置、予測制御システムおよび予測制御方法
WO2019235631A1 (ja) * 2018-06-07 2019-12-12 パナソニックＩｐマネジメント株式会社 需要予測装置および需要予測方法
JP7042429B2 (ja) * 2018-06-13 2022-03-28 パナソニックＩｐマネジメント株式会社 集荷依頼システム、及び、集荷依頼方法
CN112005262B (zh) * 2018-06-27 2024-04-02 松下控股株式会社 信息提供方法以及信息提供装置
JP6976227B2 (ja) * 2018-07-12 2021-12-08 Kddi株式会社 配達管理装置及び配達管理方法
JP7262270B2 (ja) * 2019-03-27 2023-04-21 大阪瓦斯株式会社 電力モード管理システム
KR102084920B1 (ko) * 2019-04-19 2020-03-05 한국전력공사 근린생활시설 영업시간 예측 장치 및 방법
JP2020197760A (ja) * 2019-05-30 2020-12-10 京セラ株式会社 管理システム及び管理方法
JP6908742B1 (ja) * 2020-01-21 2021-07-28 慎平 大杉 情報処理システム、学習済みモデル、情報処理方法、及びプログラム
JP7503752B2 (ja) * 2020-03-05 2024-06-21 パナソニックＩｐマネジメント株式会社 情報処理システム、及び、情報処理方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001318969A (ja) * 2000-05-10 2001-11-16 Momoko Tsukiura 電灯線通信／インターネット・サービスを活用した自動検針システムによる在宅確認ロジック
US20030171851A1 (en) * 2002-03-08 2003-09-11 Peter J. Brickfield Automatic energy management and energy consumption reduction, especially in commercial and multi-building systems
JP4420955B2 (ja) * 2005-09-29 2010-02-24 富士通株式会社 プレゼンス通信システム及び方法
US20100025483A1 (en) * 2008-07-31 2010-02-04 Michael Hoeynck Sensor-Based Occupancy and Behavior Prediction Method for Intelligently Controlling Energy Consumption Within a Building
US8510255B2 (en) * 2010-09-14 2013-08-13 Nest Labs, Inc. Occupancy pattern detection, estimation and prediction
JP2012181789A (ja) 2011-03-03 2012-09-20 Hitachi Ltd 在宅確率算出システム
US9157764B2 (en) * 2011-07-27 2015-10-13 Honeywell International Inc. Devices, methods, and systems for occupancy detection
US8558466B2 (en) * 2011-09-21 2013-10-15 Enlighted, Inc. Event detection and environmental control within a structure
US9460411B2 (en) * 2013-09-03 2016-10-04 Paypal, Inc. Secure package delivery
JP2015087957A (ja) * 2013-10-30 2015-05-07 株式会社東芝 情報提供装置およびその方法、ならびにプログラム
JP6369754B2 (ja) * 2013-11-21 2018-08-08 パナソニックＩｐマネジメント株式会社 在宅確率算出方法、サーバ装置、及び在宅確率算出システム
JP6350930B2 (ja) * 2013-12-05 2018-07-04 パナソニックＩｐマネジメント株式会社 生活サービス提案システム
WO2015122196A1 (ja) * 2014-02-17 2015-08-20 日本電気株式会社 在宅状況判定装置、配送システム、在宅状況判定方法、在宅状況判定プログラム、および配送端末
US10045389B2 (en) * 2014-12-04 2018-08-07 Belkin International Inc. Determining connectivity to a network device to optimize performance for controlling operation of network devices
US10104132B2 (en) * 2014-10-08 2018-10-16 Google Llc Network-assisted fabric pairing
US20160104113A1 (en) * 2014-10-13 2016-04-14 Marc Gorlin Peer to Peer Delivery System
WO2016183167A1 (en) * 2015-05-13 2016-11-17 Rajmy Sayavong Identified presence detection in and around premises

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11915334B2 (en) 2017-09-07 2024-02-27 Sony Corporation Information processing device and information processing method for predicting presence or absence of user at visit destination from sensed data

Also Published As

Publication number Publication date
CN106557831A (zh) 2017-04-05
US20170092102A1 (en) 2017-03-30
CN106557831B (zh) 2021-12-21
US10269233B2 (en) 2019-04-23
JP2017062765A (ja) 2017-03-30

Similar Documents

Publication Publication Date Title
JP6625022B2 (ja) 在不在予測方法および在不在予測装置
CN108141475B (zh) 物联网交互系统
JP6452571B2 (ja) 情報出力装置及び情報出力方法及び情報出力プログラム
JP5793258B1 (ja) 充電システム、充電情報生成方法および充電情報生成プログラム
JP2014153828A (ja) サーバ装置、広告配信システム及びプログラム
JP2013175882A (ja) 携帯端末、その制御用プログラム、制御用装置、その制御用プログラム、および、制御システム
US20170310499A1 (en) Method, apparatus, and non-transitory computer-readable recording medium storing program for estimating operator
JP6023288B1 (ja) 混雑状況推定システムおよび混雑状況推定方法
JP2014115842A (ja) コンテンツ管理サーバ、コンテンツ提供システム及びコンテンツ管理プログラム
JP6014740B1 (ja) 電波状況マップの作成システム
JP2016028321A (ja) マッチング判定装置、マッチング判定方法、および、プログラムを記録した非一時的記録媒体
JP6351807B1 (ja) 情報処理装置、及び、プログラム
JP2016157384A (ja) 混雑度予測装置及び混雑度予測方法
US11868408B2 (en) Information processing method and information processing system
JP6810516B2 (ja) 決定装置、決定方法および決定プログラム
KR20230081838A (ko) 창업 지수를 제공하는 방법 및 디바이스
WO2012023382A1 (ja) 情報管理装置、及び情報管理方法、情報管理システム、及びコンピュータ読み取り可能な記録媒体
US20190020616A1 (en) Information processing method and apparatus
WO2020059321A1 (ja) 長周期地震動関連情報通知システム、長周期地震動関連情報通知サーバー、携帯端末および長周期地震動関連情報通知方法
JP6399948B2 (ja) 情報処理装置及び情報処理方法
JPWO2020174736A1 (ja) デバイス管理システム
WO2023053612A1 (ja) 情報出力方法、情報出力装置及びプログラム
JP2015148689A (ja) 広告表示制御方法、広告表示制御装置及びプログラム
JP2016051215A (ja) 情報処理装置、情報処理方法、及びプログラム
JP7082234B1 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190111

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20190717

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20190906

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: 20191105

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20191126

R150 Certificate of patent or registration of utility model

Ref document number: 6625022

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150