JP6880154B2 - Information processing equipment, information processing methods and information processing programs - Google Patents

Information processing equipment, information processing methods and information processing programs Download PDF

Info

Publication number
JP6880154B2
JP6880154B2 JP2019209564A JP2019209564A JP6880154B2 JP 6880154 B2 JP6880154 B2 JP 6880154B2 JP 2019209564 A JP2019209564 A JP 2019209564A JP 2019209564 A JP2019209564 A JP 2019209564A JP 6880154 B2 JP6880154 B2 JP 6880154B2
Authority
JP
Japan
Prior art keywords
space
user
information processing
information
air conditioning
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
JP2019209564A
Other languages
Japanese (ja)
Other versions
JP2021081135A (en
Inventor
隆之 堀
隆之 堀
麟太郎 金田
麟太郎 金田
容範 金
容範 金
弘 窪田
弘 窪田
俊文 渡邊
俊文 渡邊
克寿 恒松
克寿 恒松
正雄 田口
正雄 田口
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.)
SoftBank Corp
Original Assignee
SoftBank Corp
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 SoftBank Corp filed Critical SoftBank Corp
Priority to JP2019209564A priority Critical patent/JP6880154B2/en
Publication of JP2021081135A publication Critical patent/JP2021081135A/en
Application granted granted Critical
Publication of JP6880154B2 publication Critical patent/JP6880154B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Description

本発明は、情報処理装置、情報処理方法及び情報処理プログラムに関する。 The present invention relates to an information processing device, an information processing method, and an information processing program.

従来、空調制御に関する技術が知られている。例えば、空調装置から人物までの距離と人物に適した温度とを算出し、算出した距離と温度とに基づいて、室内にいる複数の人間の一人ひとりに対して送風方向と送風量とを調整する技術が知られている。 Conventionally, techniques related to air conditioning control are known. For example, the distance from the air conditioner to the person and the temperature suitable for the person are calculated, and the air blowing direction and the air blowing amount are adjusted for each of a plurality of people in the room based on the calculated distance and temperature. The technology is known.

特開２００８−３０４０８３号公報Japanese Unexamined Patent Publication No. 2008-304083

しかしながら、上記の従来技術では、適切に空調を制御することができるとは限らない。例えば、上記の従来技術では、空調制御の制御対象となる空間に今いる人の情報に基づいて、空調制御の制御対象となる空間の空調を制御するにすぎず、適切に空調を制御することができるとは限らない。 However, it is not always possible to appropriately control the air conditioning with the above-mentioned conventional technique. For example, in the above-mentioned prior art, the air conditioning of the space to be controlled by the air conditioning control is only controlled based on the information of the person currently in the space to be controlled by the air conditioning control, and the air conditioning is appropriately controlled. Is not always possible.

本願は、上記に鑑みてなされたものであって、適切に空調を制御することができる情報処理装置、情報処理方法及び情報処理プログラムを提案する。 The present application has been made in view of the above, and proposes an information processing device, an information processing method, and an information processing program capable of appropriately controlling air conditioning.

本願に係る情報処理装置は、第１空間に存在すると推定される第１利用者の特徴を推定する推定部と、前記推定部によって推定された第１利用者の特徴に基づいて、前記第１空間の空調を制御する空調制御部と、を備えることを特徴とする。 The information processing apparatus according to the present application has the first user based on the estimation unit that estimates the characteristics of the first user estimated to exist in the first space and the characteristics of the first user estimated by the estimation unit. It is characterized by including an air conditioning control unit that controls air conditioning in a space.

実施形態の一態様によれば、適切に空調を制御することができるといった効果を奏する。 According to one aspect of the embodiment, there is an effect that the air conditioning can be appropriately controlled.

図１は、実施形態に係るＰＭＶ（Predicted Mean Vote）について説明するための図である。FIG. 1 is a diagram for explaining a PMV (Predicted Mean Vote) according to an embodiment. 図２は、実施形態に係る情報処理の概要を説明するための図である。FIG. 2 is a diagram for explaining an outline of information processing according to the embodiment. 図３は、実施形態に係る情報処理システムの構成例を示す図である。FIG. 3 is a diagram showing a configuration example of the information processing system according to the embodiment. 図４は、実施形態に係る情報処理装置の構成例を示す図である。FIG. 4 is a diagram showing a configuration example of the information processing device according to the embodiment. 図５は、実施形態に係る情報処理手順を示すフローチャートである。FIG. 5 is a flowchart showing an information processing procedure according to the embodiment. 図６は、変形例に係る情報処理の概要を説明するための図である。FIG. 6 is a diagram for explaining an outline of information processing according to a modified example. 図７は、情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。FIG. 7 is a hardware configuration diagram showing an example of a computer that realizes the functions of the information processing device.

以下に、本願に係る情報処理装置、情報処理方法及び情報処理プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理装置、情報処理方法及び情報処理プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。 Hereinafter, the information processing apparatus, the information processing method, and the mode for carrying out the information processing program (hereinafter referred to as “the embodiment”) according to the present application will be described in detail with reference to the drawings. The information processing apparatus, information processing method, and information processing program according to the present application are not limited by this embodiment. Further, in each of the following embodiments, the same parts are designated by the same reference numerals, and duplicate description is omitted.

（実施形態）
〔１．情報処理の概要〕
従来、人の暑さ寒さに関する温熱環境における快適さを評価する指標であるＰＭＶ（Predicted Mean Vote）に基づいて空調制御する技術が知られている。図１を用いて、実施形態に係るＰＭＶについて説明する。図１は、実施形態に係るＰＭＶについて説明するための図である。人間は、体内での熱産生をほどよく外部環境に逃がし熱平衡を保ち、深部体温を一定に保っている。この人体と環境との熱交換に影響を与える要素を温熱環境要素と呼ぶ。 (Embodiment)
[1. Information processing overview]
Conventionally, a technique for controlling air conditioning based on PMV (Predicted Mean Vote), which is an index for evaluating comfort in a thermal environment related to the heat and cold of a person, has been known. The PMV according to the embodiment will be described with reference to FIG. FIG. 1 is a diagram for explaining the PMV according to the embodiment. Humans moderately release heat production in the body to the external environment to maintain thermal equilibrium and keep core body temperature constant. The element that affects the heat exchange between the human body and the environment is called the thermal environment element.

ＰＭＶは、６つの温熱環境要素から算出される。図１の左側に示すように、６つの温熱環境要素は、着衣量［clo］、代謝量（活動量）［met］の２つの人的要素と、温度［℃］、湿度［％］、（熱）放射［℃］、気流［m/s］の４つの環境要素とを含む。ここで、着衣量、代謝量（活動量）の２つの人的要素は、人物に対するセンシングによって得られる。一方、温度、湿度、放射、気流の４つの環境要素は、空間に対するセンシングによって得られる。 PMV is calculated from six thermal environmental factors. As shown on the left side of FIG. 1, the six thermal environmental elements are two human elements, the amount of clothing [clo] and the amount of metabolism (activity) [met], and the temperature [° C], humidity [%], ( Includes four environmental elements: heat) radiation [° C] and airflow [m / s]. Here, two human elements, the amount of clothing and the amount of metabolism (activity amount), are obtained by sensing a person. On the other hand, the four environmental elements of temperature, humidity, radiation and airflow are obtained by sensing the space.

ＰＭＶは、着衣量、代謝量（活動量）の２つの人的要素と、温度、湿度、放射、気流の４つの環境要素をＰＭＶの算出式に代入することにより算出される。図１の右側に示すように、ＰＭＶでは、ＰＭＶ＝０の状態を熱的中立とし、−３から３のあいだで人間の温熱快適性を表現する。 PMV is calculated by substituting the two human elements of clothing amount and metabolism amount (activity amount) and the four environmental elements of temperature, humidity, radiation, and airflow into the PMV calculation formula. As shown on the right side of FIG. 1, in PMV, the state of PMV = 0 is set to be thermally neutral, and the thermal comfort of human beings is expressed between -3 and 3.

ところで、６つの温熱環境要素のうち、温度、湿度、放射、気流の４つの環境要素に関する情報は、空間に環境センサを設置することにより、取得することができる。具体的には、空間にＵＳＢ型の環境センサを設置することにより、温度、湿度といった環境要素に関する情報を取得することができる。このようなＵＳＢ型の環境センサは、比較的安価であり、小型であるため、空間に設置する際のコストや手間といったハードルはそこまで高くない。 By the way, information on four environmental elements of temperature, humidity, radiation, and airflow among the six thermal environmental elements can be obtained by installing an environmental sensor in the space. Specifically, by installing a USB type environmental sensor in the space, it is possible to acquire information on environmental factors such as temperature and humidity. Since such a USB type environmental sensor is relatively inexpensive and small in size, the hurdles such as cost and labor when installing it in a space are not so high.

一方、６つの温熱環境要素のうち、着衣量と代謝量（活動量）の２つの人的要素に関する情報は、環境要素に関する情報に比べると、取得が困難である。具体的には、着衣量は、空間にＲＧＢカメラを設置し、空間に存在する利用者のＲＧＢ画像を画像解析することにより推定される。また、代謝量（活動量）は、空間に赤外線カメラを設置し、空間に存在する利用者のサーマル画像を画像解析することにより推定される。このように、着衣量と代謝量（活動量）に関する情報を取得するには、ＲＧＢカメラや赤外線カメラといった画像センサを各空間に設置する必要がある。また、各空間に設置された画像センサによって撮影された画像を画像解析する必要がある。さらに、ＲＧＢカメラや赤外線カメラといった画像センサは、ＵＳＢ型の環境センサに比べると、空間に設置する際のコストや手間といったハードルが高い。そのため、６つの温熱環境要素のうち、着衣量と代謝量（活動量）の２つの人的要素に関する情報は、環境要素に関する情報に比べると、取得が困難である。 On the other hand, it is more difficult to obtain information on two human factors, the amount of clothing and the amount of metabolism (activity), out of the six thermal environmental factors, as compared with the information on the environmental factors. Specifically, the amount of clothing is estimated by installing an RGB camera in the space and analyzing the RGB image of the user existing in the space. In addition, the amount of metabolism (activity amount) is estimated by installing an infrared camera in the space and analyzing the thermal image of the user existing in the space. In this way, in order to acquire information on the amount of clothing and the amount of metabolism (activity amount), it is necessary to install image sensors such as an RGB camera and an infrared camera in each space. In addition, it is necessary to analyze the image taken by the image sensor installed in each space. Further, image sensors such as RGB cameras and infrared cameras have higher hurdles such as cost and labor when installed in a space than USB type environmental sensors. Therefore, it is more difficult to obtain information on two human factors, the amount of clothing and the amount of metabolism (activity), out of the six thermal environmental factors, as compared with the information on the environmental factors.

また、従来は、６つの温熱環境要素のうち、着衣量と代謝量（活動量）の２つの人的要素は取得が困難であるため、着衣量と代謝量（活動量）を固定値としてＰＭＶを算出することもあった。ところが、着衣量と代謝量（活動量）を固定値としてＰＭＶを算出すると、ＰＭＶは実質的に温度、湿度、放射、気流の４つの環境要素に依存することとなり、ＰＭＶの算出精度が下がるという問題があった。 In addition, conventionally, it is difficult to obtain two human elements, the amount of clothing and the amount of metabolism (activity), out of the six thermal environment elements, so PMV with the amount of clothing and the amount of metabolism (activity) as fixed values. Was sometimes calculated. However, when PMV is calculated with the amount of clothing and the amount of metabolism (activity amount) as fixed values, the PMV substantially depends on the four environmental factors of temperature, humidity, radiation, and airflow, and the calculation accuracy of PMV decreases. There was a problem.

ここで、着衣量や代謝量（活動量）といった人的要素には、何らかの周期性があることが推定される。例えば、着衣量については、夏と比べると、冬の方が大きいというような周期性があると推定される。また、オフィス街に所在するビルの会議室であれば、毎週月曜日の朝９時から同じようなメンバーで１時間ほど会議が行われるといった周期性があることが予想されることから、その会議室の利用者の特徴にも何らかの周期性があることが推定される。また、このような周期性があるとすれば、同じオフィス街に所在する、似たような構造のビルの会議室であれば、毎週月曜日の朝９時に同じような利用者が存在すると推定されるため、そのような会議室の利用者の特徴も類似することが予想される。 Here, it is presumed that human factors such as the amount of clothing and the amount of metabolism (activity amount) have some periodicity. For example, it is estimated that there is a periodicity in the amount of clothing, such as that in winter, it is larger than in summer. Also, if it is a meeting room of a building located in the office district, it is expected that there will be a periodicity such that a meeting will be held for about an hour with similar members every Monday from 9 am, so that meeting room It is presumed that there is some periodicity in the characteristics of the users of. In addition, if there is such a periodicity, it is estimated that there are similar users every Monday at 9 am in a conference room of a building with a similar structure located in the same office district. Therefore, it is expected that the characteristics of users of such conference rooms will be similar.

そこで、本願に係る情報処理装置は、第１空間に存在すると推定される第１利用者の特徴を推定する。また、本願に係る情報処理装置は、推定した第１利用者の特徴に基づいて、第１空間の空調を制御する。これにより、情報処理装置は、空調制御の制御対象となる各空間に画像センサが設置されていない場合であっても、各空間に存在すると推定される利用者の特徴（着衣量と代謝量（活動量）といった人的要素）を推定することができる。また、情報処理装置は、例えば、着衣量と代謝量（活動量）を固定値としてＰＭＶを算出する場合と比べると、ＰＭＶの算出精度を高めることができる。さらに、情報処理装置は、より高い精度で算出されたＰＭＶに基づいて空調を制御することができる。すなわち、情報処理装置は、画像センサが設置されていない場合であっても、推定した利用者の特徴（人的要素）に基づいて、適切に各空間の空調を制御することができる。したがって、情報処理装置は、適切に空調を制御することができる。 Therefore, the information processing device according to the present application estimates the characteristics of the first user, which is presumed to exist in the first space. Further, the information processing apparatus according to the present application controls the air conditioning of the first space based on the estimated characteristics of the first user. As a result, the information processing device is estimated to exist in each space even when the image sensor is not installed in each space to be controlled by the air conditioning control. Human factors such as activity) can be estimated. Further, the information processing apparatus can improve the calculation accuracy of PMV as compared with the case of calculating PMV with the amount of clothing and the amount of metabolism (activity amount) as fixed values, for example. Further, the information processing apparatus can control the air conditioning based on the PMV calculated with higher accuracy. That is, the information processing device can appropriately control the air conditioning of each space based on the estimated user characteristics (human factors) even when the image sensor is not installed. Therefore, the information processing device can appropriately control the air conditioning.

次に、図２を用いて、実施形態に係る情報処理の概要について説明する。図２は、実施形態に係る情報処理の概要を説明するための図である。図２に示す例では、情報処理装置１００が、地域Ａ１に所在するビルＢ１のフロアＦ１に含まれる４つの会議室Ｒ１１〜Ｒ１４の２０２０年８月３日（月）午前９時における空調を制御する。具体的には、情報処理装置１００は、画像センサが設置されたフロアＦ２の各会議室に関する情報と各会議室の利用者の特徴との関係性を学習した第１学習モデルＭ１に基づいて、画像センサが設置されていないフロアＦ１の各会議室に関する情報から各会議室の利用者の特徴を推定する。そして、情報処理装置１００は、推定した利用者の特徴に基づいて、フロアＦ１に含まれる各会議室の２０２０年８月３日（月）午前９時における空調を制御する。 Next, the outline of the information processing according to the embodiment will be described with reference to FIG. FIG. 2 is a diagram for explaining an outline of information processing according to the embodiment. In the example shown in FIG. 2, the information processing apparatus 100 controls the air conditioning of the four conference rooms R11 to R14 included in the floor F1 of the building B1 located in the area A1 at 9:00 am on Monday, August 3, 2020. To do. Specifically, the information processing device 100 is based on the first learning model M1 that learns the relationship between the information about each conference room on the floor F2 on which the image sensor is installed and the characteristics of the users of each conference room. The characteristics of the users of each conference room are estimated from the information about each conference room on the floor F1 where the image sensor is not installed. Then, the information processing device 100 controls the air conditioning of each conference room included in the floor F1 at 9:00 am on August 3, 2020 (Monday) based on the estimated characteristics of the user.

図２の説明に先立って、図３を用いて、実施形態に係る情報処理システムの構成について説明する。図３は、実施形態に係る情報処理システムの構成例を示す図である。図３に示すように、情報処理システム１には、空調装置１０と、センサ装置２０と、情報処理装置１００とが含まれる。空調装置１０と、センサ装置２０と、情報処理装置１００とは所定のネットワークＮを介して、有線または無線により通信可能に接続される。なお、図３に示す情報処理システム１には、任意の数の空調装置１０と任意の数のセンサ装置２０と任意の数の情報処理装置１００とが含まれてもよい。 Prior to the description of FIG. 2, the configuration of the information processing system according to the embodiment will be described with reference to FIG. FIG. 3 is a diagram showing a configuration example of the information processing system according to the embodiment. As shown in FIG. 3, the information processing system 1 includes an air conditioner 10, a sensor device 20, and an information processing device 100. The air conditioner 10, the sensor device 20, and the information processing device 100 are connected to each other via a predetermined network N so as to be communicable by wire or wirelessly. The information processing system 1 shown in FIG. 3 may include an arbitrary number of air conditioners 10, an arbitrary number of sensor devices 20, and an arbitrary number of information processing devices 100.

空調装置１０は、空間の空気の温度や湿度などを調整する装置である。例えば、空調装置１０は、情報処理装置１００による空調制御の対象となる各空間に設置されたＩｏＴ（Internet of Things）化されたエアコンである。空調装置１０は、情報処理装置１００の制御に従って制御対象となる空間の空調を調整する。具体的には、空調装置１０は、情報処理装置１００から空調の制御に関する制御情報を受信する。例えば、空調装置１０は、情報処理装置１００から空調に設定する設定温度や設定湿度に関する情報を受信する。続いて、空調装置１０は、情報処理装置１００から受信した制御情報に従って、空間の空調を調整する。例えば、空調装置１０は、設定温度や設定湿度に関する情報を受信すると、空間の温度や湿度が、設定温度や設定湿度に保たれるように空調を調整する。 The air conditioner 10 is a device that adjusts the temperature, humidity, and the like of the air in the space. For example, the air conditioner 10 is an IoT (Internet of Things) air conditioner installed in each space subject to air conditioning control by the information processing device 100. The air conditioner 10 adjusts the air conditioning of the space to be controlled according to the control of the information processing device 100. Specifically, the air conditioner 10 receives control information related to air conditioning control from the information processing device 100. For example, the air conditioner 10 receives information on a set temperature and a set humidity set for air conditioning from the information processing device 100. Subsequently, the air conditioner 10 adjusts the air conditioning of the space according to the control information received from the information processing device 100. For example, when the air conditioner 10 receives information on the set temperature and the set humidity, the air conditioner 10 adjusts the air conditioning so that the temperature and humidity of the space are maintained at the set temperature and the set humidity.

また、図２および図３に示す例においては、空調装置１０に応じて、空調装置１０を空調装置１０−１〜１０−２として説明する。例えば、空調装置１０−１は、会議室Ｒ１１に設置されている空調装置１０である。また、例えば、空調装置１０−２は、会議室Ｒ２１に設置されている空調装置１０である。また、以下では、空調装置１０−１〜１０−２について、特に区別なく説明する場合には、空調装置１０と記載する。 Further, in the examples shown in FIGS. 2 and 3, the air conditioner 10 will be described as the air conditioner 10-1 to 10-2 according to the air conditioner 10. For example, the air conditioner 10-1 is an air conditioner 10 installed in the conference room R11. Further, for example, the air conditioner 10-2 is an air conditioner 10 installed in the conference room R21. Further, in the following, when the air conditioner 10-1 to 10-2 will be described without particular distinction, it will be referred to as the air conditioner 10.

センサ装置２０は、空間の物理的な状態や空間に存在する利用者の物理的な状態を検知する装置である。具体的には、センサ装置２０は、環境センサである。例えば、ＵＳＢ型の環境センサであるセンサ装置２０は、空間の温度、湿度、放射、気流等のセンサ情報を検出する。また、センサ装置２０は、画像センサである。例えば、ＲＧＢカメラであるセンサ装置２０は、空間に存在する利用者のＲＧＢ画像を検出する。また、赤外線カメラであるセンサ装置２０は、空間に存在する利用者のサーマル画像を検出する。センサ装置２０は、センサ情報を検出すると、情報処理装置１００の要求に応じて、センサ情報を情報処理装置１００に送信する。 The sensor device 20 is a device that detects the physical state of the space and the physical state of the user existing in the space. Specifically, the sensor device 20 is an environmental sensor. For example, the sensor device 20 which is a USB type environment sensor detects sensor information such as space temperature, humidity, radiation, and airflow. The sensor device 20 is an image sensor. For example, the sensor device 20 which is an RGB camera detects an RGB image of a user existing in space. Further, the sensor device 20 which is an infrared camera detects a thermal image of a user existing in space. When the sensor device 20 detects the sensor information, the sensor device 20 transmits the sensor information to the information processing device 100 in response to the request of the information processing device 100.

また、図２および図３に示す例においては、センサ装置２０に応じて、センサ装置２０をセンサ装置２０−１〜２０−３として説明する。例えば、センサ装置２０−１は、会議室Ｒ１１に設置されている環境センサである。また、例えば、センサ装置２０−２は、会議室Ｒ２１に設置されている環境センサである。また、例えば、センサ装置２０−３は、会議室Ｒ２１に設置されている画像センサである。また、以下では、センサ装置２０−１〜２０−３について、特に区別なく説明する場合には、センサ装置２０と記載する。 Further, in the examples shown in FIGS. 2 and 3, the sensor device 20 will be described as the sensor devices 20-1 to 20-3 according to the sensor device 20. For example, the sensor device 20-1 is an environmental sensor installed in the conference room R11. Further, for example, the sensor device 20-2 is an environmental sensor installed in the conference room R21. Further, for example, the sensor device 20-3 is an image sensor installed in the conference room R21. Further, in the following, when the sensor devices 20-1 to 20-3 will be described without particular distinction, they will be referred to as the sensor device 20.

情報処理装置１００は、空調装置１０を制御する制御装置である。情報処理装置１００は、第１空間に存在すると推定される第１利用者の特徴を推定する。具体的には、情報処理装置１００は、第２空間に関する情報と第２空間に存在する第２利用者の特徴との関係性を学習した第１学習モデルＭ１を用いて、第１空間に関する情報から第１空間に存在すると推定される第１利用者の特徴を推定する。 The information processing device 100 is a control device that controls the air conditioner 10. The information processing device 100 estimates the characteristics of the first user, which is presumed to exist in the first space. Specifically, the information processing apparatus 100 uses the first learning model M1 that has learned the relationship between the information about the second space and the characteristics of the second user existing in the second space, and provides information about the first space. The characteristics of the first user, which is presumed to exist in the first space, are estimated from.

ここで、実施形態に係る第１空間（第２空間）は、時間と場所によって定義される。図２に示す例では、第１空間は、「２０２０年８月３日（月）午前９時におけるビルＢ１のフロアＦ１の各会議室」に対応する空間である。また、第２空間は、「２０１９年８月５日（月）午前９時におけるビルＢ１のフロアＦ２の各会議室」に対応する空間である。 Here, the first space (second space) according to the embodiment is defined by time and place. In the example shown in FIG. 2, the first space is a space corresponding to "each meeting room on the floor F1 of the building B1 at 9:00 am on Monday, August 3, 2020". The second space is a space corresponding to "each meeting room on the floor F2 of the building B1 at 9:00 am on Monday, August 5, 2019".

また、実施形態に係る第１空間（第２空間）に関する情報は、時間や場所を含む情報である。具体的には、第１空間（第２空間）に関する情報とは、日付、曜日もしくは時間を示す情報、第１空間（第２空間）を含む建物の構造を示す情報、第１空間（第２空間）の位置を示す情報、または第１空間（第２空間）を含む建物が所在する地域を示す情報である。 Further, the information regarding the first space (second space) according to the embodiment is information including time and place. Specifically, the information regarding the first space (second space) includes information indicating the date, day or time, information indicating the structure of the building including the first space (second space), and the first space (second space). Information indicating the position of the space) or information indicating the area where the building including the first space (second space) is located.

また、情報処理装置１００は、推定した第１利用者の特徴に基づいて、第１空間の空調を制御する。具体的には、情報処理装置１００は、第１利用者の特徴を推定すると、推定した第１利用者の特徴（着衣量、代謝量（活動量））と環境センサによって検出されたセンサ情報（空間の温度、湿度、放射、気流）とに基づいて、ＰＭＶを算出する。続いて、情報処理装置１００は、ＰＭＶを算出すると、算出したＰＭＶに基づいて、第１利用者にとって快適な快適温度を推定する。続いて、情報処理装置１００は、推定した快適温度を空調装置１０の設定温度とするよう空調装置１０に制御情報を送信する。 Further, the information processing device 100 controls the air conditioning of the first space based on the estimated characteristics of the first user. Specifically, when the information processing device 100 estimates the characteristics of the first user, the estimated characteristics of the first user (clothing amount, metabolism amount (activity amount)) and the sensor information detected by the environmental sensor ( PMV is calculated based on the temperature, humidity, radiation, and airflow of the space. Subsequently, when the information processing device 100 calculates the PMV, it estimates a comfortable temperature that is comfortable for the first user based on the calculated PMV. Subsequently, the information processing device 100 transmits control information to the air conditioner 10 so that the estimated comfortable temperature is set as the set temperature of the air conditioner 10.

図２の説明に戻る。図２では、情報処理装置１００は、画像センサが設置されたフロアＦ２の各会議室Ｒ２１〜Ｒ２４に関する情報と各会議室Ｒ２１〜Ｒ２４の利用者の特徴とを取得する。具体的には、情報処理装置１００は、会議室Ｒ２１に関する情報として、日付、曜日もしくは時間を示す「２０１９年８月５日（月）午前９時」という情報を取得する。また、情報処理装置１００は、会議室Ｒ２１に関する情報として、ビルＢ１の構造を示す「６階建て」という情報、会議室Ｒ２１の広さを示す「１００平方メートル」という情報、会議室Ｒ２１が閉鎖空間であるか否かを示す「閉鎖空間」という情報、会議室Ｒ２１における窓の有無を示す「窓無し」という情報、会議室Ｒ２１の向きを示す「南向き」という情報等を取得する。また、情報処理装置１００は、会議室Ｒ２１に関する情報として、会議室Ｒ２１の位置を示す情報である「ビルＢ１のフロアＦ２の「Ｒ２１」で識別される会議室」という情報を取得する。また、情報処理装置１００は、会議室Ｒ２１に関する情報として、会議室Ｒ２１を含む建物が所在する地域を示す「地域Ａ１」という情報を取得する。また、情報処理装置１００は、会議室Ｒ２１に関する情報と同様に、他の会議室Ｒ２２〜Ｒ２４に関する情報を取得する。 Returning to the description of FIG. In FIG. 2, the information processing apparatus 100 acquires information about the conference rooms R21 to R24 on the floor F2 on which the image sensor is installed and the characteristics of the users of the conference rooms R21 to R24. Specifically, the information processing apparatus 100 acquires the information "9:00 am on August 5, 2019 (Monday)" indicating the date, day of the week, or time as the information regarding the conference room R21. Further, the information processing device 100 has information on the conference room R21 as "6 stories" indicating the structure of the building B1, information as "100 square meters" indicating the size of the conference room R21, and the conference room R21 as a closed space. Information such as "closed space" indicating whether or not the information is displayed, information "no window" indicating the presence or absence of a window in the conference room R21, information "south facing" indicating the orientation of the conference room R21, and the like are acquired. Further, the information processing apparatus 100 acquires, as information regarding the conference room R21, information indicating the position of the conference room R21, that is, "a conference room identified by" R21 "on the floor F2 of the building B1". Further, the information processing apparatus 100 acquires information called "area A1" indicating an area where the building including the conference room R21 is located as information regarding the conference room R21. Further, the information processing apparatus 100 acquires information about other conference rooms R22 to R24 as well as information about the conference room R21.

また、情報処理装置１００は、会議室Ｒ２１の利用者Ｕ１２の特徴として、会議室Ｒ２１に存在する利用者Ｕ１２の着衣量、代謝量、性別に関する情報を取得する。例えば、情報処理装置１００は、会議室Ｒ２１に設置された画像センサ２０−２によって撮影された利用者Ｕ１２の画像を画像センサ２０−２から取得する。続いて、情報処理装置１００は、利用者Ｕ１２の画像を取得すると、取得した利用者Ｕ１２の画像に基づいて、利用者Ｕ１２の着衣量、代謝量、性別に関する情報を取得する。また、情報処理装置１００は、会議室Ｒ２１の利用者Ｕ１２の特徴と同様に、他の会議室Ｒ２２〜Ｒ２４の利用者の特徴を取得する。 Further, the information processing apparatus 100 acquires information on the amount of clothes, the amount of metabolism, and the sex of the user U12 existing in the conference room R21 as a feature of the user U12 of the conference room R21. For example, the information processing device 100 acquires an image of the user U12 taken by the image sensor 20-2 installed in the conference room R21 from the image sensor 20-2. Subsequently, when the information processing apparatus 100 acquires the image of the user U12, the information processing apparatus 100 acquires information on the clothing amount, the metabolic amount, and the sex of the user U12 based on the acquired image of the user U12. Further, the information processing apparatus 100 acquires the characteristics of the users of the other conference rooms R22 to R24 in the same manner as the characteristics of the user U12 of the conference room R21.

なお、情報処理装置１００は、各会議室に複数の利用者が存在する場合は、各利用者の着衣量もしくは代謝量の平均、または性別の割合を各会議室の利用者の特徴として取得する。例えば、情報処理装置１００は、ある会議室に５人の利用者が存在する場合は、５人の利用者の着衣量の平均をその会議室の利用者の着衣量に関する情報として取得する。また、情報処理装置１００は、５人の利用者の代謝量の平均をその会議室の利用者の代謝量に関する情報として取得する。また、情報処理装置１００は、５人の利用者の性別が男性３人、女性２人である場合には、例えば、男性の割合を示す「０．６」をその会議室の利用者の性別に関する情報として取得する。 When a plurality of users are present in each conference room, the information processing device 100 acquires the average of the amount of clothes or the amount of metabolism of each user, or the ratio of gender as the characteristics of the users in each conference room. .. For example, when there are five users in a conference room, the information processing device 100 acquires the average of the clothing amounts of the five users as information on the clothing amount of the users in the conference room. Further, the information processing apparatus 100 acquires the average of the metabolic amounts of the five users as information on the metabolic amounts of the users in the conference room. Further, in the information processing device 100, when the genders of the five users are three males and two females, for example, "0.6" indicating the ratio of males is the gender of the users in the conference room. Get as information about.

続いて、情報処理装置１００は、各会議室Ｒ２１〜Ｒ２４に関する情報と各会議室Ｒ２１〜Ｒ２４の利用者の特徴とを取得すると、各会議室Ｒ２１〜Ｒ２４に関する情報が入力された際に各会議室Ｒ２１〜Ｒ２４の利用者の特徴を出力するよう学習された第１学習モデルＭ１を生成する。なお、情報処理装置１００は、会議室Ｒ２１〜Ｒ２４に加えて、第１学習モデルＭ１の学習に十分な量の情報に基づいて学習された第１学習モデルＭ１を生成する。 Subsequently, the information processing apparatus 100 acquires the information regarding the respective conference rooms R21 to R24 and the characteristics of the users of the respective conference rooms R21 to R24, and when the information regarding the respective conference rooms R21 to R24 is input, each conference A first learning model M1 trained to output the characteristics of the users of the chambers R21 to R24 is generated. In addition to the conference rooms R21 to R24, the information processing device 100 generates the first learning model M1 learned based on a sufficient amount of information for learning the first learning model M1.

続いて、情報処理装置１００は、第１学習モデルＭ１を生成すると、生成された第１学習モデルＭ１を用いて、画像センサが設置されていないフロアＦ１の各会議室Ｒ１１〜Ｒ１４に関する情報から各会議室Ｒ１１〜Ｒ１４に存在すると推定される利用者の特徴を推定する。具体的には、情報処理装置１００は、会議室Ｒ１１に関する情報として、日付、曜日もしくは時間を示す「２０２０年８月３日（月）午前９時」という情報を取得する。また、情報処理装置１００は、会議室Ｒ１１に関する情報として、ビルＢ１の構造を示す「６階建て」という情報、会議室Ｒ１１の広さを示す「１００平方メートル」という情報、会議室Ｒ１１が閉鎖空間であるか否かを示す「閉鎖空間」という情報、会議室Ｒ１１における窓の有無を示す「窓無し」という情報、会議室Ｒ１１の向きを示す「南向き」という情報等を取得する。また、情報処理装置１００は、会議室Ｒ１１に関する情報として、会議室Ｒ１１の位置を示す情報である「ビルＢ１のフロアＦ１の「Ｒ１１」で識別される会議室」という情報を取得する。また、会議室Ｒ１１に関する情報として、会議室Ｒ１１を含む建物が所在する地域を示す「地域Ａ１」という情報を取得する。また、情報処理装置１００は、会議室Ｒ１１に関する情報と同様に、他の会議室Ｒ１２〜Ｒ１４に関する情報を取得する。 Subsequently, when the information processing apparatus 100 generates the first learning model M1, the generated first learning model M1 is used to obtain information about each of the conference rooms R11 to R14 on the floor F1 in which the image sensor is not installed. The characteristics of the users presumed to exist in the conference rooms R11 to R14 are estimated. Specifically, the information processing apparatus 100 acquires the information "9:00 am on August 3, 2020 (Monday)" indicating the date, day of the week, or time as the information regarding the conference room R11. Further, in the information processing device 100, as information about the conference room R11, information of "6 stories" indicating the structure of the building B1, information of "100 square meters" indicating the size of the conference room R11, and the closed space of the conference room R11. Information such as "closed space" indicating whether or not the information is displayed, information "no window" indicating the presence or absence of a window in the conference room R11, information "south facing" indicating the orientation of the conference room R11, and the like are acquired. Further, the information processing apparatus 100 acquires, as information regarding the conference room R11, information indicating the position of the conference room R11, that is, "a conference room identified by" R11 "on the floor F1 of the building B1". Further, as the information regarding the conference room R11, the information "area A1" indicating the area where the building including the conference room R11 is located is acquired. Further, the information processing apparatus 100 acquires information about other conference rooms R12 to R14 as well as information about the conference room R11.

続いて、情報処理装置１００は、会議室Ｒ１１に関する情報を取得すると、取得した会議室Ｒ１１に関する情報を第１学習モデルＭ１に入力して、会議室Ｒ１１に存在すると推定される利用者Ｕ１１の特徴を推定する。より具体的には、情報処理装置１００は、会議室Ｒ１１に存在すると推定される利用者Ｕ１１の特徴として、会議室Ｒ１１に存在すると推定される利用者Ｕ１１の着衣量、代謝量、性別に関する情報を推定する。また、情報処理装置１００は、会議室Ｒ１１に存在すると推定される利用者Ｕ１１の特徴と同様に、他の会議室Ｒ１２〜Ｒ１４に存在すると推定される利用者の特徴を推定する。 Subsequently, when the information processing device 100 acquires the information about the conference room R11, the information processing device 100 inputs the acquired information about the conference room R11 into the first learning model M1, and features of the user U11 presumed to exist in the conference room R11. To estimate. More specifically, the information processing apparatus 100 has information on the amount of clothing, the amount of metabolism, and the sex of the user U11 estimated to exist in the conference room R11 as a feature of the user U11 estimated to exist in the conference room R11. To estimate. Further, the information processing device 100 estimates the characteristics of the user presumed to exist in the other conference rooms R12 to R14, as well as the characteristics of the user U11 presumed to exist in the conference room R11.

続いて、情報処理装置１００は、各会議室Ｒ１１〜Ｒ１４に存在すると推定される利用者の特徴を推定すると、各会議室Ｒ１１〜Ｒ１４に存在すると推定される利用者の特徴に基づいて、ＰＭＶ（Predicted Mean Vote）を算出する。具体的には、情報処理装置１００は、会議室Ｒ１１に存在すると推定される利用者Ｕ１１の着衣量および代謝量と、環境センサから取得した会議室Ｒ１１の温度、湿度、放射、気流に基づいて、ＰＭＶを算出する。また、情報処理装置１００は、会議室Ｒ１１と同様に、他の会議室Ｒ１２〜Ｒ１４についても、ＰＭＶを算出する。 Subsequently, the information processing apparatus 100 estimates the characteristics of the users presumed to be present in each of the conference rooms R11 to R14, and the PMV is based on the characteristics of the users presumed to be present in each of the conference rooms R11 to R14. (Predicted Mean Vote) is calculated. Specifically, the information processing device 100 is based on the amount of clothes and metabolism of the user U11 estimated to exist in the conference room R11, and the temperature, humidity, radiation, and airflow of the conference room R11 acquired from the environmental sensor. , PMV is calculated. Further, the information processing apparatus 100 calculates the PMV for the other conference rooms R12 to R14 as well as the conference room R11.

続いて、情報処理装置１００は、ＰＭＶを算出すると、算出したＰＭＶに基づいて、会議室Ｒ１１に存在すると推定される第１利用者が快適であると感じる第１快適温度（以下、会議室Ｒ１１の第１快適温度ともいう）を推定する。続いて、情報処理装置１００は、会議室Ｒ１１の第１快適温度を推定すると、推定した第１利用者の性別に基づいて、会議室Ｒ１１に存在すると推定される第１利用者が快適であると感じる第２快適温度（以下、会議室Ｒ１１の第２快適温度ともいう）を推定する。例えば、情報処理装置１００は、推定した利用者Ｕ１１の性別が男性寄り（例えば、推定した男性の割合が０．５以上）である場合には、推定した利用者Ｕ１１の性別が女性寄り（例えば、推定した男性の割合が０．５未満）である場合と比べて、ＰＭＶに基づいて推定された第１快適温度よりも所定の温度（例えば、１度）だけ高い温度を会議室Ｒ１１の第２快適温度と推定する。また、情報処理装置１００は、会議室Ｒ１１の第２快適温度と同様に、他の会議室Ｒ１２〜Ｒ１４の第２快適温度を推定する。 Subsequently, when the information processing apparatus 100 calculates the PMV, the first comfortable temperature (hereinafter referred to as the conference room R11), which is estimated to be present in the conference room R11, is comfortable for the first user based on the calculated PMV. (Also called the first comfortable temperature) is estimated. Subsequently, when the information processing apparatus 100 estimates the first comfortable temperature of the conference room R11, the first user estimated to exist in the conference room R11 is comfortable based on the estimated gender of the first user. The second comfortable temperature (hereinafter, also referred to as the second comfortable temperature of the conference room R11) is estimated. For example, in the information processing device 100, when the estimated gender of the user U11 is closer to male (for example, the estimated proportion of males is 0.5 or more), the estimated gender of the user U11 is closer to female (for example,). , The temperature of the conference room R11 is higher than the first comfort temperature estimated based on PMV by a predetermined temperature (for example, 1 degree) as compared with the case where the estimated proportion of men is less than 0.5). 2 Estimated to be a comfortable temperature. Further, the information processing device 100 estimates the second comfortable temperature of the other conference rooms R12 to R14 in the same manner as the second comfortable temperature of the conference room R11.

続いて、情報処理装置１００は、快適温度を推定すると、推定した快適温度を設定温度とするよう会議室Ｒ１１に設置された空調装置１０−１に制御情報を送信する。また、情報処理装置１００は、会議室Ｒ１１と同様に、他の会議室Ｒ１２〜Ｒ１４の快適温度を推定すると、推定した快適温度を設定温度とするよう他の会議室Ｒ１２〜Ｒ１４に設置された各空調装置に制御情報を送信する。 Subsequently, when the comfortable temperature is estimated, the information processing device 100 transmits control information to the air conditioner 10-1 installed in the conference room R11 so that the estimated comfortable temperature is set as the set temperature. Further, the information processing device 100 is installed in the other conference rooms R12 to R14 so that the estimated comfortable temperature is set as the set temperature when the comfortable temperature of the other conference rooms R12 to R14 is estimated, similarly to the conference room R11. Control information is transmitted to each air conditioner.

上述したように、情報処理装置１００は、第１空間に存在すると推定される第１利用者の特徴を推定する。また、情報処理装置１００は、推定した第１利用者の特徴に基づいて、第１空間の空調を制御する。これにより、情報処理装置１００は、空調制御の制御対象となる各空間に画像センサが設置されていない場合であっても、各空間に存在すると推定される利用者の特徴（着衣量と代謝量（活動量）といった人的要素）を適切に推定することができる。また、情報処理装置１００は、例えば、着衣量と代謝量（活動量）を固定値としてＰＭＶを算出する場合と比べると、ＰＭＶの算出精度を高めることができる。さらに、情報処理装置１００は、より高い精度で算出されたＰＭＶに基づいて空調を制御することができる。すなわち、情報処理装置１００は、画像センサが設置されていない場合であっても、推定した利用者の特徴（人的要素）に基づいて、適切に各空間の空調を制御することができる。したがって、情報処理装置１００は、適切に空調を制御することができる。 As described above, the information processing apparatus 100 estimates the characteristics of the first user, which is presumed to exist in the first space. Further, the information processing device 100 controls the air conditioning of the first space based on the estimated characteristics of the first user. As a result, the information processing device 100 is presumed to exist in each space even when the image sensor is not installed in each space to be controlled by the air conditioning control (clothing amount and metabolic amount). Human factors such as (activity amount) can be estimated appropriately. Further, the information processing apparatus 100 can improve the calculation accuracy of PMV as compared with the case where PMV is calculated with the amount of clothing and the amount of metabolism (activity amount) as fixed values, for example. Further, the information processing apparatus 100 can control the air conditioning based on the PMV calculated with higher accuracy. That is, the information processing device 100 can appropriately control the air conditioning of each space based on the estimated characteristics (human factors) of the user even when the image sensor is not installed. Therefore, the information processing device 100 can appropriately control the air conditioning.

〔２．情報処理装置の構成〕
次に、図３を用いて、実施形態に係る情報処理装置１００の構成について説明する。図３は、実施形態に係る情報処理装置１００の構成例を示す図である。図３に示すように、情報処理装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、情報処理装置１００は、情報処理装置１００の管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示させるための表示部（例えば、液晶ディスプレイ等）を有してもよい。 [2. Information processing device configuration]
Next, the configuration of the information processing apparatus 100 according to the embodiment will be described with reference to FIG. FIG. 3 is a diagram showing a configuration example of the information processing device 100 according to the embodiment. As shown in FIG. 3, the information processing device 100 includes a communication unit 110, a storage unit 120, and a control unit 130. The information processing device 100 includes an input unit (for example, a keyboard, a mouse, etc.) that receives various operations from the administrator of the information processing device 100, and a display unit (for example, a liquid crystal display, etc.) for displaying various information. You may have.

（通信部１１０）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワークと有線または無線で接続され、例えば、空調装置１０との間で情報の送受信を行う。 (Communication unit 110)
The communication unit 110 is realized by, for example, a NIC (Network Interface Card) or the like. Then, the communication unit 110 is connected to the network by wire or wirelessly, and transmits / receives information to / from, for example, the air conditioner 10.

（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。記憶部１２０は、図３に示すように、センサ情報記憶部１２１とモデル情報記憶部１２２を有する。 (Memory unit 120)
The storage unit 120 is realized by, for example, a semiconductor memory element such as a RAM (Random Access Memory) or a flash memory (Flash Memory), or a storage device such as a hard disk or an optical disk. As shown in FIG. 3, the storage unit 120 includes a sensor information storage unit 121 and a model information storage unit 122.

（センサ情報記憶部１２１）
センサ情報記憶部１２１は、センサ情報に関する各種情報を記憶する。具体的には、センサ情報記憶部１２１は、環境センサによって取得された各第１空間における温度、湿度、放射、気流等のセンサ情報を各第１空間に関する情報およびセンサ情報の取得日時と対応付けて記憶する。また、センサ情報記憶部１２１は、画像センサによって取得された各第２空間における第２利用者の着衣量、代謝量または性別等のセンサ情報を各第２空間に関する情報およびセンサ情報の取得日時と対応付けて記憶する。 (Sensor information storage unit 121)
The sensor information storage unit 121 stores various information related to the sensor information. Specifically, the sensor information storage unit 121 associates sensor information such as temperature, humidity, radiation, and airflow in each first space acquired by the environmental sensor with information on each first space and the acquisition date and time of the sensor information. And remember. In addition, the sensor information storage unit 121 uses the sensor information such as the amount of clothing, the amount of metabolism, or the sex of the second user in each second space acquired by the image sensor as the information on each second space and the acquisition date and time of the sensor information. Store in association with each other.

（モデル情報記憶部１２２）
モデル情報記憶部１２２は、第２空間に関する情報が入力された際に、第２空間に存在する第２利用者の特徴を出力するよう学習された第１学習モデルに関する各種の情報を記憶する。具体的には、モデル情報記憶部１２４は、モデルを識別する識別情報とモデルのモデルデータとを対応付けて記憶する。例えば、モデル情報記憶部１２４は、モデルＩＤ「Ｍ１」で識別される第１学習モデル（第１学習モデルＭ１）と、「ＭＤＴ１」で示されるモデルデータ（モデルデータＭＤＴ１）とを対応付けて記憶する。 (Model information storage unit 122)
The model information storage unit 122 stores various information about the first learning model learned to output the characteristics of the second user existing in the second space when the information about the second space is input. Specifically, the model information storage unit 124 stores the identification information that identifies the model and the model data of the model in association with each other. For example, the model information storage unit 124 stores the first learning model (first learning model M1) identified by the model ID “M1” and the model data (model data MDT1) indicated by “MDT1” in association with each other. To do.

モデルデータＭＤＴ１は、第２空間に関する情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された第２空間に関する情報に応じて、入力層に入力された第２空間に関する情報に対応する第２空間に存在する第２利用者の特徴を出力層から出力するよう、情報処理装置１００を機能させてもよい。 The model data MDT1 includes an input layer into which information about the second space is input, an output layer, a first element which is any layer from the input layer to the output layer and belongs to a layer other than the output layer, and a first element. Information about the second space input to the input layer, including a second element whose value is calculated based on the element and the weight of the first element, and according to the information about the second space input to the input layer. The information processing apparatus 100 may be made to function so as to output the characteristics of the second user existing in the second space corresponding to the above from the output layer.

ここで、モデルデータＭＤＴ１が「y=a1*x1+a2*x2+・・・+ai*xi」で示す回帰モデルで実現されるとする。この場合、モデルデータＭＤＴ１が含む第１要素は、x1やx2等といった入力データ（xi）に対応する。また、第１要素の重みは、xiに対応する係数aiに対応する。ここで、回帰モデルは、入力層と出力層とを有する単純パーセプトロンと見做すことができる。各モデルを単純パーセプトロンと見做した場合、第１要素は、入力層が有するいずれかのノードに対応し、第２要素は、出力層が有するノードと見做すことができる。 Here, it is assumed that the model data MDT1 is realized by the regression model represented by "y = a1 * x1 + a2 * x2 + ... + ai * xi". In this case, the first element included in the model data MDT1 corresponds to input data (xi) such as x1 and x2. Further, the weight of the first element corresponds to the coefficient ai corresponding to xi. Here, the regression model can be regarded as a simple perceptron having an input layer and an output layer. When each model is regarded as a simple perceptron, the first element corresponds to any node of the input layer, and the second element can be regarded as the node of the output layer.

また、モデルデータＭＤＴ１がＤＮＮ（Deep Neural Network）等、１つまたは複数の中間層を有するニューラルネットワークで実現されるとする。この場合、モデルデータＭＤＴ１が含む第１要素は、入力層または中間層が有するいずれかのノードに対応する。また、第２要素は、第１要素と対応するノードから値が伝達されるノードである次段のノードに対応する。また、第１要素の重みは、第１要素と対応するノードから第２要素と対応するノードに伝達される値に対して考慮される重みである接続係数に対応する。 Further, it is assumed that the model data MDT1 is realized by a neural network having one or a plurality of intermediate layers such as DNN (Deep Neural Network). In this case, the first element included in the model data MDT1 corresponds to either the node of the input layer or the intermediate layer. Further, the second element corresponds to a node in the next stage, which is a node to which a value is transmitted from a node corresponding to the first element. Further, the weight of the first element corresponds to a connection coefficient which is a weight considered for the value transmitted from the node corresponding to the first element to the node corresponding to the second element.

情報処理装置１００は、上述した回帰モデルやニューラルネットワーク等、任意の構造を有するモデルを用いて、第２空間に存在する第２利用者の特徴の算出を行う。具体的には、モデルデータＭＤＴ１は、第２空間に関する情報が入力された場合に、第２空間に関する情報に対応する第２空間に存在する第２利用者の特徴を出力するように係数が設定される。情報処理装置１００は、このようなモデルデータＭＤＴ１を用いて、第２空間に関する情報に対応する第２空間に存在する第２利用者の特徴を算出する。 The information processing apparatus 100 calculates the characteristics of the second user existing in the second space by using a model having an arbitrary structure such as the regression model and the neural network described above. Specifically, in the model data MDT1, when information about the second space is input, a coefficient is set so as to output the characteristics of the second user existing in the second space corresponding to the information about the second space. Will be done. The information processing apparatus 100 uses such model data MDT1 to calculate the characteristics of the second user existing in the second space corresponding to the information regarding the second space.

また、情報処理装置１００がＧＡＮ（Generative Adversarial Networks）を用いた推定処理を行う場合、モデルデータＭＤＴ１は、ＧＡＮの一部を構成するモデルであってもよい。 Further, when the information processing apparatus 100 performs estimation processing using GAN (Generative Adversarial Networks), the model data MDT1 may be a model forming a part of GAN.

（制御部１３０）
図３の説明に戻って、制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報処理装置１００内部の記憶装置に記憶されている各種プログラム（情報処理プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、コントローラであり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。 (Control unit 130)
Returning to the description of FIG. 3, the control unit 130 is a controller, and is stored in a storage device inside the information processing device 100 by, for example, a CPU (Central Processing Unit) or an MPU (Micro Processing Unit). It is realized by executing various programs (corresponding to an example of an information processing program) using the RAM as a work area. Further, the control unit 130 is a controller, and is realized by, for example, an integrated circuit such as an ASIC (Application Specific Integrated Circuit) or an FPGA (Field Programmable Gate Array).

図３に示すように、制御部１３０は、取得部１３１と、生成部１３２と、推定部１３３と、算出部１３４と、空調制御部１３５とを有し、以下に説明する情報処理の作用を実現または実行する。なお、制御部１３０の内部構成は、図３に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。 As shown in FIG. 3, the control unit 130 includes an acquisition unit 131, a generation unit 132, an estimation unit 133, a calculation unit 134, and an air conditioning control unit 135, and performs the action of information processing described below. Realize or execute. The internal configuration of the control unit 130 is not limited to the configuration shown in FIG. 3, and may be another configuration as long as it is a configuration for performing information processing described later.

（取得部１３１）
取得部１３１は、各種のセンサ情報を取得する。具体的には、取得部１３１は、第１空間の温度、湿度、放射、気流に関する情報を第１空間に設置された環境センサから取得する。図２に示す例では、取得部１３１は、会議室Ｒ１１に設置された環境センサ２０−１から会議室Ｒ１１の温度、湿度、放射、気流に関する情報を取得する。続いて、取得部１３１は、センサ情報を取得すると、取得したセンサ情報を各第１空間に関する情報およびセンサ情報の取得日時と対応付けてセンサ情報記憶部１２１に格納する。 (Acquisition unit 131)
The acquisition unit 131 acquires various sensor information. Specifically, the acquisition unit 131 acquires information on the temperature, humidity, radiation, and airflow in the first space from the environmental sensor installed in the first space. In the example shown in FIG. 2, the acquisition unit 131 acquires information on the temperature, humidity, radiation, and air flow of the conference room R11 from the environmental sensor 20-1 installed in the conference room R11. Subsequently, when the sensor information is acquired, the acquisition unit 131 stores the acquired sensor information in the sensor information storage unit 121 in association with the information regarding each first space and the acquisition date and time of the sensor information.

（生成部１３２）
生成部１３２は、第２空間に関する情報が入力された際に、第２空間に存在する第２利用者の特徴を出力するよう学習された第１学習モデルを生成する。具体的には、生成部１３２は、日付、曜日もしくは時間を示す情報、第２空間を含む建物の構造を示す情報、第２空間の位置を示す情報、または第２空間を含む建物が所在する地域を示す情報である第２空間に関する情報が入力された際に、第２空間に存在する第２利用者の着衣量、代謝量および性別を出力するよう学習された第１学習モデルを生成する。続いて、生成部１３２は、第１学習モデルを生成すると、生成した第１学習モデルをモデル情報記憶部１２２に格納する。 (Generator 132)
The generation unit 132 generates a first learning model trained to output the characteristics of the second user existing in the second space when the information about the second space is input. Specifically, the generation unit 132 is located with information indicating the date, day of the week or time, information indicating the structure of the building including the second space, information indicating the position of the second space, or the building including the second space. When information about the second space, which is information indicating the area, is input, a first learning model trained to output the amount of clothes, the amount of metabolism, and the sex of the second user existing in the second space is generated. .. Subsequently, when the generation unit 132 generates the first learning model, the generated first learning model is stored in the model information storage unit 122.

図２に示す例では、生成部１３２は、画像センサが設置されたフロアＦ２の各会議室Ｒ２１〜Ｒ２４に関する情報と各会議室Ｒ２１〜Ｒ２４の利用者の特徴とを取得する。具体的には、生成部１３２は、会議室Ｒ２１に関する情報として、日付、曜日もしくは時間を示す「２０１９年８月５日（月）午前９時」という情報を取得する。また、生成部１３２は、会議室Ｒ２１に関する情報として、ビルＢ１の構造を示す「６階建て」という情報、会議室Ｒ２１の広さを示す「１００平方メートル」という情報、会議室Ｒ２１が閉鎖空間であるか否かを示す「閉鎖空間」という情報、会議室Ｒ２１における窓の有無を示す「窓無し」という情報、会議室Ｒ２１の向きを示す「南向き」という情報等を取得する。また、生成部１３２は、会議室Ｒ２１に関する情報として、会議室Ｒ２１の位置を示す情報である「ビルＢ１のフロアＦ２の「Ｒ２１」で識別される会議室」という情報を取得する。また、生成部１３２は、会議室Ｒ２１に関する情報として、会議室Ｒ２１を含む建物が所在する地域を示す「地域Ａ１」という情報を取得する。また、生成部１３２は、会議室Ｒ２１に関する情報と同様に、他の会議室Ｒ２２〜Ｒ２４に関する情報を取得する。 In the example shown in FIG. 2, the generation unit 132 acquires information about the conference rooms R21 to R24 on the floor F2 in which the image sensor is installed and the characteristics of the users of the conference rooms R21 to R24. Specifically, the generation unit 132 acquires the information "9:00 am on August 5, 2019 (Monday)" indicating the date, day of the week, or time as the information regarding the conference room R21. Further, the generation unit 132 has information on the conference room R21 as "6 stories" indicating the structure of the building B1, information as "100 square meters" indicating the size of the conference room R21, and the conference room R21 in a closed space. Information such as "closed space" indicating the presence or absence, information "no window" indicating the presence or absence of a window in the conference room R21, information "south facing" indicating the orientation of the conference room R21, and the like are acquired. Further, the generation unit 132 acquires the information indicating the position of the conference room R21 as the information regarding the conference room R21, that is, "the conference room identified by" R21 "on the floor F2 of the building B1". Further, the generation unit 132 acquires the information "area A1" indicating the area where the building including the conference room R21 is located as the information regarding the conference room R21. In addition, the generation unit 132 acquires information about other conference rooms R22 to R24 as well as information about the conference room R21.

また、生成部１３２は、会議室Ｒ２１の利用者Ｕ１２の特徴として、会議室Ｒ２１に存在する利用者Ｕ１２の着衣量、代謝量、性別に関する情報を取得する。例えば、生成部１３２は、会議室Ｒ２１に設置された画像センサ２０−２によって撮影された利用者Ｕ１２の画像を画像センサ２０−２から取得する。続いて、生成部１３２は、利用者Ｕ１２の画像を取得すると、取得した利用者Ｕ１２の画像に基づいて、利用者Ｕ１２の着衣量、代謝量、性別に関する情報を取得する。また、生成部１３２は、会議室Ｒ２１の利用者Ｕ１２の特徴と同様に、他の会議室Ｒ２２〜Ｒ２４の利用者の特徴を取得する。 In addition, the generation unit 132 acquires information on the amount of clothes, the amount of metabolism, and the sex of the user U12 existing in the conference room R21 as a feature of the user U12 of the conference room R21. For example, the generation unit 132 acquires an image of the user U12 taken by the image sensor 20-2 installed in the conference room R21 from the image sensor 20-2. Subsequently, when the generation unit 132 acquires the image of the user U12, the generation unit 132 acquires information on the clothing amount, the metabolic amount, and the sex of the user U12 based on the acquired image of the user U12. Further, the generation unit 132 acquires the characteristics of the users of the other conference rooms R22 to R24 in the same manner as the characteristics of the user U12 of the conference room R21.

なお、生成部１３２は、各会議室に複数の利用者が存在する場合は、各利用者の着衣量もしくは代謝量の平均、または性別の割合を各会議室の利用者の特徴として取得する。例えば、生成部１３２は、ある会議室に５人の利用者が存在する場合は、５人の利用者の着衣量の平均をその会議室の利用者の着衣量に関する情報として取得する。また、生成部１３２は、５人の利用者の代謝量の平均をその会議室の利用者の代謝量に関する情報として取得する。また、生成部１３２は、５人の利用者の性別が男性３人、女性２人である場合には、例えば、男性の割合を示す「０．６」をその会議室の利用者の性別に関する情報として取得する。 In addition, when there are a plurality of users in each conference room, the generation unit 132 acquires the average of the amount of clothes or the amount of metabolism of each user, or the ratio of gender as the characteristics of the users in each conference room. For example, when there are five users in a conference room, the generation unit 132 acquires the average of the clothing amounts of the five users as information on the clothing amount of the users in the conference room. In addition, the generation unit 132 acquires the average of the metabolic amounts of the five users as information on the metabolic amounts of the users in the conference room. When the genders of the five users are three males and two females, the generation unit 132, for example, sets "0.6" indicating the ratio of males to the genders of the users in the conference room. Get as information.

続いて、生成部１３２は、各会議室Ｒ２１〜Ｒ２４に関する情報と各会議室Ｒ２１〜Ｒ２４の利用者の特徴とを取得すると、各会議室Ｒ２１〜Ｒ２４に関する情報が入力された際に各会議室Ｒ２１〜Ｒ２４の利用者の特徴を出力するよう学習された第１学習モデルＭ１を生成する。なお、生成部１３２は、会議室Ｒ２１〜Ｒ２４に加えて、第１学習モデルＭ１の学習に十分な量の情報に基づいて学習された第１学習モデルＭ１を生成する。 Subsequently, the generation unit 132 acquires the information regarding the respective conference rooms R21 to R24 and the characteristics of the users of the respective conference rooms R21 to R24, and when the information regarding the respective conference rooms R21 to R24 is input, the respective conference rooms. The first learning model M1 trained to output the characteristics of the users of R21 to R24 is generated. In addition to the conference rooms R21 to R24, the generation unit 132 generates the first learning model M1 learned based on an amount of information sufficient for learning the first learning model M1.

（推定部１３３）
推定部１３３は、第１空間に存在すると推定される第１利用者の特徴を推定する。推定部１３３は、第２空間に関する情報に基づいて、第１利用者の特徴を推定する。具体的には、推定部１３３は、日付、曜日もしくは時間を示す情報、第２空間を含む建物の構造を示す情報、第２空間の位置を示す情報、または第２空間を含む建物が所在する地域を示す情報である第２空間に関する情報に基づいて、第１利用者の特徴を推定する。より具体的には、推定部１３３は、生成部１３２によって生成された第１学習モデルを用いて、第１利用者の特徴を推定する。推定部１３３は、生成部１３２によって生成された第１学習モデルを用いて、第１空間に関する情報から第１利用者の特徴を推定する。 (Estimation unit 133)
The estimation unit 133 estimates the characteristics of the first user, which is presumed to exist in the first space. The estimation unit 133 estimates the characteristics of the first user based on the information about the second space. Specifically, the estimation unit 133 is located with information indicating the date, day of the week or time, information indicating the structure of the building including the second space, information indicating the position of the second space, or the building including the second space. The characteristics of the first user are estimated based on the information about the second space, which is the information indicating the area. More specifically, the estimation unit 133 estimates the characteristics of the first user by using the first learning model generated by the generation unit 132. The estimation unit 133 estimates the characteristics of the first user from the information about the first space by using the first learning model generated by the generation unit 132.

例えば、推定部１３３は、日付、曜日もしくは時間を示す情報、第１空間を含む建物の構造を示す情報、第１空間の位置を示す情報、または第１空間を含む建物が所在する地域を示す情報である第１空間に関する情報を第１学習モデルに入力することにより、第１利用者の着衣量、代謝量および性別を推定する。 For example, the estimation unit 133 indicates information indicating the date, day or time, information indicating the structure of the building including the first space, information indicating the position of the first space, or the area where the building including the first space is located. By inputting information about the first space, which is information, into the first learning model, the amount of clothes, the amount of metabolism, and the sex of the first user are estimated.

また、推定部１３３は、第１空間に存在すると推定される第１利用者が快適であると感じる快適温度を推定する。図２に示す例では、推定部１３３は、算出部１３４がＰＭＶを算出すると、算出部１３４が算出したＰＭＶに基づいて、会議室Ｒ１１に存在すると推定される第１利用者が快適であると感じる第１快適温度（以下、会議室Ｒ１１の第１快適温度ともいう）を推定する。続いて、推定部１３３は、会議室Ｒ１１の第１快適温度を推定すると、推定した第１利用者の性別に基づいて、会議室Ｒ１１に存在すると推定される第１利用者が快適であると感じる第２快適温度（以下、会議室Ｒ１１の第２快適温度ともいう）を推定する。例えば、推定部１３３は、推定した利用者Ｕ１１の性別が男性寄り（例えば、推定した男性の割合が０．５以上）である場合には、推定した利用者Ｕ１１の性別が女性寄り（例えば、推定した男性の割合が０．５未満）である場合と比べて、ＰＭＶに基づいて推定された第１快適温度よりも所定の温度（例えば、１度）だけ高い温度を会議室Ｒ１１の第２快適温度と推定する。また、推定部１３３は、会議室Ｒ１１の第２快適温度と同様に、他の会議室Ｒ１２〜Ｒ１４の第２快適温度を推定する。 In addition, the estimation unit 133 estimates the comfortable temperature at which the first user, who is presumed to exist in the first space, feels comfortable. In the example shown in FIG. 2, when the calculation unit 134 calculates the PMV, the estimation unit 133 determines that the first user, who is presumed to exist in the conference room R11, is comfortable based on the PMV calculated by the calculation unit 134. The first comfortable temperature to be felt (hereinafter, also referred to as the first comfortable temperature of the conference room R11) is estimated. Subsequently, when the estimation unit 133 estimates the first comfortable temperature of the conference room R11, the first user estimated to exist in the conference room R11 is comfortable based on the estimated gender of the first user. The second comfortable temperature to be felt (hereinafter, also referred to as the second comfortable temperature of the conference room R11) is estimated. For example, in the estimation unit 133, when the estimated gender of the user U11 is closer to male (for example, the estimated proportion of males is 0.5 or more), the estimated gender of the user U11 is closer to female (for example,). Compared to the case where the estimated proportion of men is less than 0.5), a temperature higher than the first comfort temperature estimated based on PMV by a predetermined temperature (for example, 1 degree) is set to the second temperature of the conference room R11. Estimated to be a comfortable temperature. Further, the estimation unit 133 estimates the second comfortable temperature of the other conference rooms R12 to R14 in the same manner as the second comfortable temperature of the conference room R11.

また、第１空間とは、ビルのあるフロアの一区画（例えば、一室）に対応する空間、ビルのあるフロア全体に対応する空間、またはビル全体に対応する空間を指す。すなわち、推定部１３３は、フロアの一区画に対応する第１空間に存在すると推定される第１利用者の特徴を推定する。また、推定部１３３は、フロアに対応する第１空間に存在すると推定される第１利用者の特徴を推定する。また、推定部１３３は、建物に対応する第１空間に存在すると推定される第１利用者の特徴を推定する。 Further, the first space refers to a space corresponding to one section (for example, one room) of a floor having a building, a space corresponding to the entire floor having a building, or a space corresponding to the entire building. That is, the estimation unit 133 estimates the characteristics of the first user presumed to exist in the first space corresponding to one section of the floor. In addition, the estimation unit 133 estimates the characteristics of the first user, which is presumed to exist in the first space corresponding to the floor. In addition, the estimation unit 133 estimates the characteristics of the first user, which is presumed to exist in the first space corresponding to the building.

図２に示す例では、推定部１３３は、生成部１３２が第１学習モデルＭ１を生成すると、生成された第１学習モデルＭ１を用いて、画像センサが設置されていないフロアＦ１の各会議室Ｒ１１〜Ｒ１４に関する情報から各会議室Ｒ１１〜Ｒ１４に存在すると推定される利用者の特徴を推定する。具体的には、推定部１３３は、会議室Ｒ１１に関する情報として、日付、曜日もしくは時間を示す「２０２０年８月３日（月）午前９時」という情報を取得する。また、推定部１３３は、会議室Ｒ１１に関する情報として、ビルＢ１の構造を示す「６階建て」という情報、会議室Ｒ１１の広さを示す「１００平方メートル」という情報、会議室Ｒ１１が閉鎖空間であるか否かを示す「閉鎖空間」という情報、会議室Ｒ１１における窓の有無を示す「窓無し」という情報、会議室Ｒ１１の向きを示す「南向き」という情報等を取得する。また、推定部１３３は、会議室Ｒ１１に関する情報として、会議室Ｒ１１の位置を示す情報である「ビルＢ１のフロアＦ１の「Ｒ１１」で識別される会議室」という情報を取得する。また、会議室Ｒ１１に関する情報として、会議室Ｒ１１を含む建物が所在する地域を示す「地域Ａ１」という情報を取得する。また、推定部１３３は、会議室Ｒ１１に関する情報と同様に、他の会議室Ｒ１２〜Ｒ１４に関する情報を取得する。 In the example shown in FIG. 2, when the generation unit 132 generates the first learning model M1, the estimation unit 133 uses the generated first learning model M1 to use each conference room on the floor F1 in which the image sensor is not installed. From the information about R11 to R14, the characteristics of the users estimated to exist in each of the conference rooms R11 to R14 are estimated. Specifically, the estimation unit 133 acquires the information "9:00 am on August 3, 2020 (Monday)" indicating the date, day of the week, or time as the information regarding the conference room R11. Further, the estimation unit 133 includes information on the conference room R11 as "6 stories" indicating the structure of the building B1, information as "100 square meters" indicating the size of the conference room R11, and the conference room R11 in a closed space. Information such as "closed space" indicating the presence or absence, information "no window" indicating the presence or absence of a window in the conference room R11, information "south facing" indicating the direction of the conference room R11, and the like are acquired. Further, the estimation unit 133 acquires the information indicating the position of the conference room R11 as the information regarding the conference room R11, that is, "the conference room identified by" R11 "on the floor F1 of the building B1". Further, as the information regarding the conference room R11, the information "area A1" indicating the area where the building including the conference room R11 is located is acquired. Further, the estimation unit 133 acquires information about other conference rooms R12 to R14 as well as information about the conference room R11.

続いて、推定部１３３は、会議室Ｒ１１に関する情報を取得すると、取得した会議室Ｒ１１に関する情報を第１学習モデルＭ１に入力して、会議室Ｒ１１に存在すると推定される利用者Ｕ１１の特徴を推定する。より具体的には、推定部１３３は、会議室Ｒ１１に存在すると推定される利用者Ｕ１１の特徴として、会議室Ｒ１１に存在すると推定される利用者Ｕ１１の着衣量、代謝量、性別に関する情報を推定する。また、推定部１３３は、会議室Ｒ１１に存在すると推定される利用者Ｕ１１の特徴と同様に、他の会議室Ｒ１２〜Ｒ１４に存在すると推定される利用者の特徴を推定する。 Subsequently, when the estimation unit 133 acquires the information about the conference room R11, the estimation unit 133 inputs the acquired information about the conference room R11 into the first learning model M1 to introduce the characteristics of the user U11 estimated to exist in the conference room R11. presume. More specifically, the estimation unit 133 provides information on the amount of clothing, the amount of metabolism, and the sex of the user U11 estimated to exist in the conference room R11 as a feature of the user U11 estimated to exist in the conference room R11. presume. Further, the estimation unit 133 estimates the characteristics of the user estimated to exist in the other conference rooms R12 to R14, as well as the characteristics of the user U11 estimated to exist in the conference room R11.

（算出部１３４）
算出部１３４は、推定部１３３によって推定された第１利用者の特徴に基づいて、ＰＭＶ（Predicted Mean Vote）を算出する。具体的には、算出部１３４は、推定部１３３によって推定された第１利用者の着衣量および代謝量と、取得部１３１によって取得された第１空間の温度、湿度、放射、気流に基づいて、ＰＭＶを算出する。 (Calculation unit 134)
The calculation unit 134 calculates the PMV (Predicted Mean Vote) based on the characteristics of the first user estimated by the estimation unit 133. Specifically, the calculation unit 134 is based on the amount of clothes and metabolism of the first user estimated by the estimation unit 133, and the temperature, humidity, radiation, and air flow of the first space acquired by the acquisition unit 131. , PMV is calculated.

図２に示す例では、算出部１３４は、推定部１３３が各会議室Ｒ１１〜Ｒ１４に存在すると推定される利用者の特徴を推定すると、各会議室Ｒ１１〜Ｒ１４に存在すると推定される利用者の特徴に基づいて、ＰＭＶを算出する。具体的には、算出部１３４は、推定部１３３が推定した会議室Ｒ１１に存在すると推定される利用者Ｕ１１の着衣量および代謝量と、取得部１３１が取得した会議室Ｒ１１の温度、湿度、放射、気流に基づいて、ＰＭＶを算出する。また、算出部１３４は、会議室Ｒ１１と同様に、他の会議室Ｒ１２〜Ｒ１４についても、ＰＭＶを算出する。 In the example shown in FIG. 2, the calculation unit 134 estimates the characteristics of the user whose estimation unit 133 is estimated to exist in each of the conference rooms R11 to R14, and the user who is estimated to exist in each of the conference rooms R11 to R14. PMV is calculated based on the characteristics of. Specifically, the calculation unit 134 includes the amount of clothes and metabolism of the user U11 estimated to exist in the conference room R11 estimated by the estimation unit 133, and the temperature and humidity of the conference room R11 acquired by the acquisition unit 131. PMV is calculated based on radiation and airflow. Further, the calculation unit 134 calculates the PMV for the other conference rooms R12 to R14 as well as the conference room R11.

（空調制御部１３５）
空調制御部１３５は、推定部１３３によって推定された第１利用者の特徴に基づいて、第１空間の空調を制御する。具体的には、空調制御部１３５は、算出部１３４によって算出されたＰＭＶに基づいて、第１空間の空調を制御する。より具体的には、空調制御部１３５は、推定部１３３によって推定された快適温度を空調装置１０の設定温度とするよう空調装置１０に制御情報を送信する。 (Air conditioning control unit 135)
The air conditioning control unit 135 controls the air conditioning of the first space based on the characteristics of the first user estimated by the estimation unit 133. Specifically, the air conditioning control unit 135 controls the air conditioning in the first space based on the PMV calculated by the calculation unit 134. More specifically, the air conditioning control unit 135 transmits control information to the air conditioning device 10 so that the comfortable temperature estimated by the estimation unit 133 is set as the set temperature of the air conditioning device 10.

また、空調制御部１３５は、フロアの一区画に対応する第１空間の空調を制御する。また、空調制御部１３５は、フロアに対応する第１空間の空調を制御する。また、空調制御部１３５は、建物に対応する第１空間の空調を制御する。 Further, the air conditioning control unit 135 controls the air conditioning of the first space corresponding to one section of the floor. Further, the air conditioning control unit 135 controls the air conditioning of the first space corresponding to the floor. Further, the air conditioning control unit 135 controls the air conditioning of the first space corresponding to the building.

図２に示す例では、空調制御部１３５は、推定部１３３が第２快適温度を推定すると、第２快適温度を設定温度とするよう会議室Ｒ１１に設置された空調装置１０−１に制御情報を送信する。また、情報処理装置１００は、会議室Ｒ１１と同様に、推定部１３３が他の会議室Ｒ１２〜Ｒ１４の第２快適温度を推定すると、第２快適温度を設定温度とするよう他の会議室Ｒ１２〜Ｒ１４に設置された各空調装置に制御情報を送信する。 In the example shown in FIG. 2, when the estimation unit 133 estimates the second comfortable temperature, the air conditioning control unit 135 gives control information to the air conditioner 10-1 installed in the conference room R11 so that the second comfortable temperature is set as the set temperature. To send. Further, in the information processing device 100, similarly to the conference room R11, when the estimation unit 133 estimates the second comfortable temperature of the other conference rooms R12 to R14, the other conference room R12 sets the second comfortable temperature as the set temperature. Control information is transmitted to each air conditioner installed in ~ R14.

〔３．情報処理のフロー〕
次に、図５を用いて、実施形態に係る情報処理の手順について説明する。図５は、実施形態に係る情報処理手順を示すフローチャートである。図５に示す例では、情報処理装置１００は、第１空間に存在すると推定される第１利用者の特徴を推定する（ステップＳ１０１）。続いて、情報処理装置１００は、推定した第１利用者の特徴に基づいて、ＰＭＶを算出する（ステップＳ１０２）。続いて、情報処理装置１００は、算出したＰＭＶに基づいて、第１空間の空調を制御する（ステップＳ１０３）。 [3. Information processing flow]
Next, the procedure of information processing according to the embodiment will be described with reference to FIG. FIG. 5 is a flowchart showing an information processing procedure according to the embodiment. In the example shown in FIG. 5, the information processing apparatus 100 estimates the characteristics of the first user presumed to exist in the first space (step S101). Subsequently, the information processing apparatus 100 calculates the PMV based on the estimated characteristics of the first user (step S102). Subsequently, the information processing apparatus 100 controls the air conditioning of the first space based on the calculated PMV (step S103).

〔４．変形例〕
上述した実施形態に係る情報処理システム１は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、情報処理システム１の他の実施形態について説明する。なお、実施形態と同一部分には、同一符号を付して説明を省略する。 [4. Modification example]
The information processing system 1 according to the above-described embodiment may be implemented in various different forms other than the above-described embodiment. Therefore, another embodiment of the information processing system 1 will be described below. The same parts as those in the embodiment are designated by the same reference numerals, and the description thereof will be omitted.

まず、図６を用いて、変形例に係る情報処理の概要について説明する。図６は、変形例に係る情報処理の概要を説明するための図である。図６では、推定部１３３は、第１空間を含む建物が所在する地域に向かう交通機関の乗り物に対応する第２空間に存在する第２利用者の特徴に基づいて、第１利用者の特徴を推定する。あるいは、推定部１３３は、第１空間を含む建物から所定の範囲内に位置する第２空間に存在する第２利用者の特徴に基づいて、第１利用者の特徴を推定してもよい。 First, the outline of information processing according to the modified example will be described with reference to FIG. FIG. 6 is a diagram for explaining an outline of information processing according to a modified example. In FIG. 6, the estimation unit 133 has characteristics of the first user based on the characteristics of the second user existing in the second space corresponding to the vehicle of the transportation system heading to the area where the building including the first space is located. To estimate. Alternatively, the estimation unit 133 may estimate the characteristics of the first user based on the characteristics of the second user existing in the second space located within a predetermined range from the building including the first space.

具体的には、生成部１３２は、第２空間に設置された防犯カメラの画像が入力された際に、第２空間に存在する第２利用者の特徴を出力するよう学習された第２学習モデルを生成する。より具体的には、生成部１３２は、ＲＧＢ画像またはサーマル画像である防犯カメラの画像が入力された際に、第２空間に存在する第２利用者の特徴を出力するよう学習された第２学習モデルを生成する。例えば、生成部１３２は、ＲＧＢ画像である防犯カメラの画像が入力された際に、第２空間に存在する第２利用者の着衣量と性別を出力するよう学習された第２学習モデルを生成する。また、生成部１３２は、サーマル画像である防犯カメラの画像が入力された際に、第２空間に存在する第２利用者の代謝量を出力するよう学習された第２学習モデルを生成する。 Specifically, the generation unit 132 is learned to output the characteristics of the second user existing in the second space when the image of the security camera installed in the second space is input. Generate a model. More specifically, the generation unit 132 is learned to output the characteristics of the second user existing in the second space when the image of the security camera, which is an RGB image or a thermal image, is input. Generate a learning model. For example, the generation unit 132 generates a second learning model trained to output the clothing amount and gender of the second user existing in the second space when the image of the security camera which is an RGB image is input. To do. In addition, the generation unit 132 generates a second learning model learned to output the metabolic amount of the second user existing in the second space when the image of the security camera, which is a thermal image, is input.

続いて、推定部１３３は、生成部１３２によって生成された第２学習モデルを用いて、第１利用者の特徴を推定する。例えば、推定部１３３は、生成部１３２によって生成された第２学習モデルを用いて、第１空間を含む建物が所在する地域Ａに向かう各交通機関の乗り物に対応する第２空間に存在する第２利用者の着衣量、代謝量または性別を推定する。続いて、推定部１３３は、推定した各第２空間に存在する第２利用者の着衣量、代謝量または性別を平均化する。続いて、推定部１３３は、平均化された第２利用者の特徴を第１空間に存在すると推定される第１利用者の特徴と推定する。 Subsequently, the estimation unit 133 estimates the characteristics of the first user by using the second learning model generated by the generation unit 132. For example, the estimation unit 133 uses the second learning model generated by the generation unit 132 to exist in the second space corresponding to the vehicle of each transportation system heading to the area A where the building including the first space is located. 2 Estimate the amount of clothing, metabolism, or gender of the user. Subsequently, the estimation unit 133 averages the amount of clothes, the amount of metabolism, or the sex of the second user existing in each of the estimated second spaces. Subsequently, the estimation unit 133 estimates that the averaged characteristics of the second user are the characteristics of the first user estimated to exist in the first space.

〔５．効果〕
上述してきたように、実施形態に係る情報処理装置１００は、推定部１３３と空調制御部１３５とを備える。推定部１３３は、第１空間に存在すると推定される第１利用者の特徴を推定する。空調制御部１３５は、推定部１３３によって推定された第１利用者の特徴に基づいて、第１空間の空調を制御する。 [5. effect〕
As described above, the information processing apparatus 100 according to the embodiment includes an estimation unit 133 and an air conditioning control unit 135. The estimation unit 133 estimates the characteristics of the first user, which is presumed to exist in the first space. The air conditioning control unit 135 controls the air conditioning of the first space based on the characteristics of the first user estimated by the estimation unit 133.

これにより、情報処理装置１００は、空調制御の制御対象となる各空間に画像センサが設置されていない場合であっても、各空間に存在すると推定される利用者の特徴（着衣量と代謝量（活動量）といった人的要素）を適切に推定することができる。また、情報処理装置１００は、例えば、着衣量と代謝量（活動量）を固定値としてＰＭＶを算出する場合と比べると、ＰＭＶの算出精度を高めることができる。さらに、情報処理装置１００は、より高い精度で算出されたＰＭＶに基づいて空調を制御することができる。すなわち、情報処理装置１００は、画像センサが設置されていない場合であっても、推定した利用者の特徴（人的要素）に基づいて、適切に各空間の空調を制御することができる。したがって、情報処理装置１００は、適切に空調を制御することができる。 As a result, the information processing device 100 is presumed to exist in each space even when the image sensor is not installed in each space to be controlled by the air conditioning control (clothing amount and metabolic amount). Human factors such as (activity amount) can be estimated appropriately. Further, the information processing apparatus 100 can improve the calculation accuracy of PMV as compared with the case where PMV is calculated with the amount of clothing and the amount of metabolism (activity amount) as fixed values, for example. Further, the information processing apparatus 100 can control the air conditioning based on the PMV calculated with higher accuracy. That is, the information processing device 100 can appropriately control the air conditioning of each space based on the estimated characteristics (human factors) of the user even when the image sensor is not installed. Therefore, the information processing device 100 can appropriately control the air conditioning.

また、推定部１３３は、第２空間に関する情報に基づいて、第１利用者の特徴を推定する。 In addition, the estimation unit 133 estimates the characteristics of the first user based on the information regarding the second space.

これにより、情報処理装置１００は、例えば、第１空間とは異なる他の第２空間の情報に基づいて、第１利用者の特徴を推定することができる。例えば、ＲＧＢカメラや赤外線カメラといった画像センサが設置されている第２空間に関する情報に基づいて、ＲＧＢカメラや赤外線カメラといった画像センサが設置されていない第１空間に存在すると推定される第１利用者の特徴を推定することができる。したがって、情報処理装置１００は、適切に空調を制御することができる。 Thereby, the information processing apparatus 100 can estimate the characteristics of the first user, for example, based on the information in the second space different from the first space. For example, based on information about a second space in which an image sensor such as an RGB camera or an infrared camera is installed, a first user presumed to exist in a first space in which an image sensor such as an RGB camera or an infrared camera is not installed. Features can be estimated. Therefore, the information processing device 100 can appropriately control the air conditioning.

また、推定部１３３は、日付、曜日もしくは時間を示す情報、第２空間を含む建物の構造を示す情報、第２空間の位置を示す情報、または第２空間を含む建物が所在する地域を示す情報である第２空間に関する情報に基づいて、第１利用者の特徴を推定する。 Further, the estimation unit 133 indicates information indicating the date, day of the week or time, information indicating the structure of the building including the second space, information indicating the position of the second space, or the area where the building including the second space is located. The characteristics of the first user are estimated based on the information about the second space, which is the information.

これにより、情報処理装置１００は、時間と場所の情報に基づいて、第１空間に存在すると推定される第１利用者の特徴を推定することができるため、適切に空調を制御することができる。 As a result, the information processing device 100 can estimate the characteristics of the first user presumed to exist in the first space based on the information of time and place, so that the air conditioning can be appropriately controlled. ..

また、実施形態に係る情報処理装置１００は、生成部１３２をさらに備える。生成部１３２は、第２空間に関する情報が入力された際に、第２空間に存在する第２利用者の特徴を出力するよう学習された第１学習モデルを生成する。推定部１３３は、生成部１３２によって生成された第１学習モデルを用いて、第１利用者の特徴を推定する。 Further, the information processing apparatus 100 according to the embodiment further includes a generation unit 132. The generation unit 132 generates a first learning model trained to output the characteristics of the second user existing in the second space when the information about the second space is input. The estimation unit 133 estimates the characteristics of the first user by using the first learning model generated by the generation unit 132.

これにより、情報処理装置１００は、例えば、第１空間とは異なる他の第２空間の情報を学習した第１学習モデルを用いて、第１利用者の特徴を推定することができる。例えば、ＲＧＢカメラや赤外線カメラといった画像センサが設置されている第２空間に関する情報の情報を学習した第１学習モデルを用いて、ＲＧＢカメラや赤外線カメラといった画像センサが設置されていない第１空間に存在すると推定される第１利用者の特徴を推定することができる。したがって、情報処理装置１００は、適切に空調を制御することができる。 Thereby, the information processing apparatus 100 can estimate the characteristics of the first user by using, for example, the first learning model in which the information in the second space different from the first space is learned. For example, using a first learning model that learns information about a second space in which an image sensor such as an RGB camera or an infrared camera is installed, in a first space in which an image sensor such as an RGB camera or an infrared camera is not installed. It is possible to estimate the characteristics of the first user that is presumed to exist. Therefore, the information processing device 100 can appropriately control the air conditioning.

また、推定部１３３は、フロアの一区画に対応する第１空間に存在すると推定される第１利用者の特徴を推定する。空調制御部１３５は、フロアの一区画に対応する第１空間の空調を制御する。 In addition, the estimation unit 133 estimates the characteristics of the first user, which is presumed to exist in the first space corresponding to one section of the floor. The air conditioning control unit 135 controls the air conditioning of the first space corresponding to one section of the floor.

これにより、情報処理装置１００は、フロアの一区画に対応する第１空間の空調を制御することができるため、適切に空調を制御することができる。 As a result, the information processing apparatus 100 can control the air conditioning of the first space corresponding to one section of the floor, so that the air conditioning can be appropriately controlled.

また、推定部１３３は、フロアに対応する第１空間に存在すると推定される第１利用者の特徴を推定する。空調制御部１３５は、フロアに対応する第１空間の空調を制御する。 In addition, the estimation unit 133 estimates the characteristics of the first user, which is presumed to exist in the first space corresponding to the floor. The air conditioning control unit 135 controls the air conditioning of the first space corresponding to the floor.

これにより、情報処理装置１００は、フロアに対応する第１空間の空調を制御することができるため、適切に空調を制御することができる。 As a result, the information processing apparatus 100 can control the air conditioning of the first space corresponding to the floor, so that the air conditioning can be appropriately controlled.

また、推定部１３３は、建物に対応する第１空間に存在すると推定される第１利用者の特徴を推定する。空調制御部１３５は、建物に対応する第１空間の空調を制御する。 In addition, the estimation unit 133 estimates the characteristics of the first user, which is presumed to exist in the first space corresponding to the building. The air conditioning control unit 135 controls the air conditioning of the first space corresponding to the building.

これにより、情報処理装置１００は、建物に対応する第１空間の空調を制御することができるため、適切に空調を制御することができる。 As a result, the information processing device 100 can control the air conditioning of the first space corresponding to the building, so that the air conditioning can be appropriately controlled.

また、推定部１３３は、第１空間を含む建物から所定の範囲内に位置する第２空間に存在する第２利用者の特徴に基づいて、第１利用者の特徴を推定する。 Further, the estimation unit 133 estimates the characteristics of the first user based on the characteristics of the second user existing in the second space located within a predetermined range from the building including the first space.

これにより、情報処理装置１００は、第１空間とは異なる第２空間に存在する第２利用者の特徴に基づいて、第１利用者の特徴を推定することができるため、適切に空調を制御することができる。 As a result, the information processing device 100 can estimate the characteristics of the first user based on the characteristics of the second user existing in the second space different from the first space, so that the air conditioning can be appropriately controlled. can do.

また、推定部１３３は、第１空間を含む建物が所在する地域に向かう交通機関の乗り物に対応する第２空間に存在する第２利用者の特徴に基づいて、第１利用者の特徴を推定する。 In addition, the estimation unit 133 estimates the characteristics of the first user based on the characteristics of the second user existing in the second space corresponding to the vehicle of the transportation system heading to the area where the building including the first space is located. To do.

これにより、情報処理装置１００は、第１空間を含む建物が所在する地域に向かう交通機関の乗り物に対応する第２空間に存在する第２利用者の特徴に基づいて、第１利用者の特徴を推定することができるため、適切に空調を制御することができる。 As a result, the information processing device 100 has the characteristics of the first user based on the characteristics of the second user existing in the second space corresponding to the vehicle of the transportation system heading to the area where the building including the first space is located. Can be estimated, so that the air conditioning can be controlled appropriately.

また、実施形態に係る情報処理装置１００は、生成部１３２をさらに備える。生成部１３２は、第２空間に設置された防犯カメラの画像が入力された際に、第２空間に存在する第２利用者の特徴を出力するよう学習された第２学習モデルを生成する。推定部１３３は、生成部１３２によって生成された第２学習モデルを用いて、第１利用者の特徴を推定する。また、生成部１３２は、ＲＧＢ画像またはサーマル画像である防犯カメラの画像が入力された際に、第２空間に存在する第２利用者の特徴を出力するよう学習された第２学習モデルを生成する。 Further, the information processing apparatus 100 according to the embodiment further includes a generation unit 132. The generation unit 132 generates a second learning model learned to output the characteristics of the second user existing in the second space when the image of the security camera installed in the second space is input. The estimation unit 133 estimates the characteristics of the first user by using the second learning model generated by the generation unit 132. Further, the generation unit 132 generates a second learning model trained to output the characteristics of the second user existing in the second space when the image of the security camera which is an RGB image or a thermal image is input. To do.

これにより、情報処理装置１００は、防犯カメラの画像に基づいて、第１利用者の特徴を推定することができるため、適切に空調を制御することができる。 As a result, the information processing device 100 can estimate the characteristics of the first user based on the image of the security camera, so that the air conditioning can be appropriately controlled.

また、推定部１３３は、第１利用者の着衣量、代謝量または性別である第１利用者の特徴を推定する。 In addition, the estimation unit 133 estimates the characteristics of the first user, which are the amount of clothes, the amount of metabolism, or the gender of the first user.

これにより、情報処理装置１００は、空調制御の制御対象となる各空間にＲＧＢカメラや赤外線カメラといった画像センサを設置するコストや手間を省いて、取得が困難な人的要素を取得することができるため、適切に空調を制御することができる。 As a result, the information processing device 100 can acquire human elements that are difficult to acquire by saving the cost and labor of installing image sensors such as an RGB camera and an infrared camera in each space to be controlled by air conditioning control. Therefore, the air conditioning can be controlled appropriately.

また、実施形態に係る情報処理装置１００は、算出部１３４をさらに備える。算出部１３４は、推定部１３３によって推定された第１利用者の特徴に基づいて、ＰＭＶ（Predicted Mean Vote）を算出する。空調制御部１３５は、算出部１３４によって算出されたＰＭＶに基づいて、第１空間の空調を制御する。 Further, the information processing apparatus 100 according to the embodiment further includes a calculation unit 134. The calculation unit 134 calculates the PMV (Predicted Mean Vote) based on the characteristics of the first user estimated by the estimation unit 133. The air conditioning control unit 135 controls the air conditioning of the first space based on the PMV calculated by the calculation unit 134.

これにより、情報処理装置１００は、推定した第１利用者の人的要素を用いてＰＭＶを算出することができるため、ＰＭＶの算出精度を向上させることができる。また、情報処理装置１００は、算出精度を向上したＰＭＶに基づいて第１空間の空調を制御することができるため、空調制御の精度を向上させることができる。 As a result, the information processing apparatus 100 can calculate the PMV using the estimated human element of the first user, so that the calculation accuracy of the PMV can be improved. Further, since the information processing device 100 can control the air conditioning of the first space based on the PMV whose calculation accuracy is improved, the accuracy of the air conditioning control can be improved.

〔６．ハードウェア構成〕
また、上述してきた実施形態に係る情報処理装置１００は、例えば図７に示すような構成のコンピュータ１０００によって実現される。図７は、情報処理装置１００の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を備える。 [6. Hardware configuration]
Further, the information processing apparatus 100 according to the above-described embodiment is realized by, for example, a computer 1000 having a configuration as shown in FIG. 7. FIG. 7 is a hardware configuration diagram showing an example of a computer that realizes the functions of the information processing device 100. The computer 1000 includes a CPU 1100, a RAM 1200, a ROM 1300, an HDD 1400, a communication interface (I / F) 1500, an input / output interface (I / F) 1600, and a media interface (I / F) 1700.

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。 The CPU 1100 operates based on a program stored in the ROM 1300 or the HDD 1400, and controls each part. The ROM 1300 stores a boot program executed by the CPU 1100 when the computer 1000 is started, a program depending on the hardware of the computer 1000, and the like.

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、所定の通信網を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを所定の通信網を介して他の機器へ送信する。 The HDD 1400 stores a program executed by the CPU 1100, data used by such a program, and the like. The communication interface 1500 receives data from another device via a predetermined communication network and sends it to the CPU 1100, and transmits the data generated by the CPU 1100 to the other device via the predetermined communication network.

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。 The CPU 1100 controls an output device such as a display or a printer, and an input device such as a keyboard or a mouse via the input / output interface 1600. The CPU 1100 acquires data from the input device via the input / output interface 1600. Further, the CPU 1100 outputs the generated data to the output device via the input / output interface 1600.

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。 The media interface 1700 reads a program or data stored in the recording medium 1800 and provides the program or data to the CPU 1100 via the RAM 1200. The CPU 1100 loads the program from the recording medium 1800 onto the RAM 1200 via the media interface 1700, and executes the loaded program. The recording medium 1800 is, for example, an optical recording medium such as a DVD (Digital Versatile Disc) or PD (Phase change rewritable Disk), a magneto-optical recording medium such as an MO (Magneto-Optical disk), a tape medium, a magnetic recording medium, or a semiconductor memory. And so on.

例えば、コンピュータ１０００が実施形態に係る情報処理装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から所定の通信網を介してこれらのプログラムを取得してもよい。 For example, when the computer 1000 functions as the information processing device 100 according to the embodiment, the CPU 1100 of the computer 1000 realizes the function of the control unit 130 by executing the program loaded on the RAM 1200. The CPU 1100 of the computer 1000 reads these programs from the recording medium 1800 and executes them, but as another example, these programs may be acquired from another device via a predetermined communication network.

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。 Although some of the embodiments of the present application have been described in detail with reference to the drawings, these are examples, and various modifications are made based on the knowledge of those skilled in the art, including the embodiments described in the disclosure column of the invention. It is possible to practice the present invention in other improved forms.

〔７．その他〕
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。 [7. Others]
Further, among the processes described in the above-described embodiments and modifications, all or part of the processes described as being automatically performed can be manually performed, or the processes described as being manually performed. It is also possible to automatically perform all or part of the processed processing by a known method. In addition, the processing procedure, specific name, and information including various data and parameters shown in the above document and drawings can be arbitrarily changed unless otherwise specified. For example, the various information shown in each figure is not limited to the illustrated information.

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。 Further, each component of each of the illustrated devices is a functional concept, and does not necessarily have to be physically configured as shown in the figure. That is, the specific form of distribution / integration of each device is not limited to the one shown in the figure, and all or part of the device is functionally or physically distributed / physically in arbitrary units according to various loads and usage conditions. Can be integrated and configured.

また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。 Further, the above-described embodiments and modifications can be appropriately combined as long as the processing contents do not contradict each other.

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、決定部は、決定手段や決定回路に読み替えることができる。 Further, the above-mentioned "section, module, unit" can be read as "means" or "circuit". For example, the determination unit can be read as a determination means or a determination circuit.

１ 情報処理システム
１０ 空調装置
２０ センサ装置
１００ 情報処理装置
１１０ 通信部
１２０ 記憶部
１２１ センサ情報記憶部
１２２ モデル情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 生成部
１３３ 推定部
１３４ 算出部
１３５ 空調制御部 1 Information processing system 10 Air conditioner 20 Sensor device 100 Information processing device 110 Communication unit 120 Storage unit 121 Sensor information storage unit 122 Model information storage unit 130 Control unit 131 Acquisition unit 132 Generation unit 133 Estimating unit 134 Calculation unit 135 Air conditioning control unit

Claims (16)

第１空間とは異なる第２空間に関する情報が入力された際に、前記第２空間に存在する第２利用者の特徴を出力するよう学習された第１学習モデルを用いて、前記第１空間に存在すると推定される第１利用者の特徴を推定する推定部と、
前記推定部によって推定された第１利用者の特徴に基づいて、前記第１空間の空調を制御する空調制御部と、
を備えることを特徴とする情報処理装置。 When information about a second space different from the first space is input, the first space is used by using a first learning model trained to output the characteristics of the second user existing in the second space. An estimation unit that estimates the characteristics of the first user, which is estimated to exist in
An air conditioning control unit that controls air conditioning in the first space based on the characteristics of the first user estimated by the estimation unit.
An information processing device characterized by being equipped with. 前記推定部は、
第２空間に関する情報に基づいて、前記第１利用者の特徴を推定する
ことを特徴とする請求項１に記載の情報処理装置。 The estimation unit
The information processing apparatus according to claim 1, wherein the characteristics of the first user are estimated based on information about the second space. 前記推定部は、
日付、曜日もしくは時間を示す情報、前記第２空間を含む建物の構造を示す情報、前記第２空間の位置を示す情報、または前記第２空間を含む建物が所在する地域を示す情報である前記第２空間に関する情報に基づいて、前記第１利用者の特徴を推定する
ことを特徴とする請求項２に記載の情報処理装置。 The estimation unit
Information indicating the date, day of the week or time, information indicating the structure of the building including the second space, information indicating the position of the second space, or information indicating the area where the building including the second space is located. The information processing apparatus according to claim 2, wherein the characteristics of the first user are estimated based on information about the second space. 前記第２空間に関する情報が入力された際に、前記第２空間に存在する第２利用者の特徴を出力するよう学習された第１学習モデルを生成する生成部をさらに備え、
前記推定部は、
前記生成部によって生成された第１学習モデルを用いて、前記第１利用者の特徴を推定する
ことを特徴とする請求項２または３に記載の情報処理装置。 Further provided with a generation unit that generates a first learning model trained to output the characteristics of the second user existing in the second space when information about the second space is input.
The estimation unit
The information processing apparatus according to claim 2 or 3, wherein the characteristics of the first user are estimated by using the first learning model generated by the generation unit. 前記推定部は、
フロアの一区画に対応する前記第１空間に存在すると推定される第１利用者の特徴を推定し、
前記空調制御部は、
前記フロアの一区画に対応する前記第１空間の空調を制御する
ことを特徴とする請求項１〜４のいずれか一つに記載の情報処理装置。 The estimation unit
The characteristics of the first user, which is presumed to exist in the first space corresponding to one section of the floor, are estimated.
The air conditioning control unit
The information processing apparatus according to any one of claims 1 to 4, wherein the air conditioning of the first space corresponding to one section of the floor is controlled. 前記推定部は、
フロアに対応する前記第１空間に存在すると推定される第１利用者の特徴を推定し、
前記空調制御部は、
前記フロアに対応する前記第１空間の空調を制御する
ことを特徴とする請求項１〜５のいずれか一つに記載の情報処理装置。 The estimation unit
Estimate the characteristics of the first user, which is presumed to exist in the first space corresponding to the floor,
The air conditioning control unit
The information processing apparatus according to any one of claims 1 to 5, wherein the air conditioning of the first space corresponding to the floor is controlled. 前記推定部は、
建物に対応する前記第１空間に存在すると推定される第１利用者の特徴を推定し、
前記空調制御部は、
前記建物に対応する前記第１空間の空調を制御する
ことを特徴とする請求項１〜６のいずれか一つに記載の情報処理装置。 The estimation unit
Estimate the characteristics of the first user, which is presumed to exist in the first space corresponding to the building,
The air conditioning control unit
The information processing device according to any one of claims 1 to 6, wherein the air conditioning of the first space corresponding to the building is controlled. 前記推定部は、
前記第１空間を含む建物から所定の範囲内に位置する前記第２空間に存在する第２利用者の特徴に基づいて、前記第１利用者の特徴を推定する
ことを特徴とする請求項２に記載の情報処理装置。 The estimation unit
Claim 2 is characterized in that the characteristics of the first user are estimated based on the characteristics of the second user existing in the second space located within a predetermined range from the building including the first space. The information processing device described in. 前記推定部は、
前記第１空間を含む建物が所在する地域に向かう交通機関の乗り物に対応する前記第２空間に存在する第２利用者の特徴に基づいて、前記第１利用者の特徴を推定する
ことを特徴とする請求項８に記載の情報処理装置。 The estimation unit
It is characterized in that the characteristics of the first user are estimated based on the characteristics of the second user existing in the second space corresponding to the vehicle of the transportation system heading to the area where the building including the first space is located. The information processing apparatus according to claim 8. 前記第２空間に設置された防犯カメラの画像が入力された際に、前記第２空間に存在する第２利用者の特徴を出力するよう学習された第２学習モデルを生成する生成部をさらに備え、
前記推定部は、
前記生成部によって生成された第２学習モデルを用いて、前記第１利用者の特徴を推定する
ことを特徴とする請求項８または９に記載の情報処理装置。 Further, a generation unit that generates a second learning model trained to output the characteristics of the second user existing in the second space when the image of the security camera installed in the second space is input. Prepare,
The estimation unit
The information processing apparatus according to claim 8 or 9, wherein the characteristics of the first user are estimated by using the second learning model generated by the generation unit. 前記生成部は、
ＲＧＢ画像またはサーマル画像である前記防犯カメラの画像が入力された際に、前記第２空間に存在する第２利用者の特徴を出力するよう学習された第２学習モデルを生成する
ことを特徴とする請求項１０に記載の情報処理装置。 The generator
When an image of the security camera, which is an RGB image or a thermal image, is input, a second learning model trained to output the characteristics of the second user existing in the second space is generated. The information processing apparatus according to claim 10. 前記推定部は、
前記第１利用者の着衣量、代謝量または性別である前記第１利用者の特徴を推定する
請求項１〜１１のいずれか一つに記載の情報処理装置。 The estimation unit
The information processing apparatus according to any one of claims 1 to 11, which estimates the characteristics of the first user, which is the amount of clothing, the amount of metabolism, or the sex of the first user. 前記推定部によって推定された第１利用者の特徴に基づいて、ＰＭＶ（Predicted Mean Vote）を算出する算出部をさらに備え、
前記空調制御部は、
前記算出部によって算出されたＰＭＶに基づいて、前記第１空間の空調を制御する
請求項１〜１２のいずれか一つに記載の情報処理装置。 A calculation unit for calculating PMV (Predicted Mean Vote) based on the characteristics of the first user estimated by the estimation unit is further provided.
The air conditioning control unit
The information processing device according to any one of claims 1 to 12, which controls the air conditioning of the first space based on the PMV calculated by the calculation unit. コンピュータが実行する情報処理方法であって、
第１空間とは異なる第２空間に関する情報が入力された際に、前記第２空間に存在する第２利用者の特徴を出力するよう学習された第１学習モデルを用いて、前記第１空間に存在すると推定される第１利用者の特徴を推定する推定工程と、
前記推定工程によって推定された第１利用者の特徴に基づいて、前記第１空間の空調を制御する空調制御工程と、
を含むことを特徴とする情報処理方法。 It is an information processing method executed by a computer.
When information about a second space different from the first space is input, the first space is used by using a first learning model trained to output the characteristics of the second user existing in the second space. The estimation process for estimating the characteristics of the first user, which is estimated to exist in
An air conditioning control process that controls the air conditioning of the first space based on the characteristics of the first user estimated by the estimation process, and
An information processing method characterized by including. 第１空間とは異なる第２空間に関する情報が入力された際に、前記第２空間に存在する第２利用者の特徴を出力するよう学習された第１学習モデルを用いて、前記第１空間に存在すると推定される第１利用者の特徴を推定する推定手順と、
前記推定手順によって推定された第１利用者の特徴に基づいて、前記第１空間の空調を制御する空調制御手順と、
をコンピュータに実行させることを特徴とする情報処理プログラム。 When information about a second space different from the first space is input, the first space is used by using a first learning model trained to output the characteristics of the second user existing in the second space. The estimation procedure for estimating the characteristics of the first user, which is estimated to exist in
An air conditioning control procedure for controlling the air conditioning of the first space based on the characteristics of the first user estimated by the estimation procedure, and an air conditioning control procedure.
An information processing program characterized by having a computer execute. 第１空間とは異なる第２空間に存在する第２利用者の特徴を出力するよう学習された第１学習モデルを用いて推定された、前記第１空間に存在する第１利用者の特徴に基づいて、前記第１空間の空調を制御する空調制御部、The characteristics of the first user existing in the first space estimated using the first learning model trained to output the characteristics of the second user existing in the second space different from the first space. Based on this, the air conditioning control unit that controls the air conditioning of the first space,
を備えることを特徴とする情報処理装置。An information processing device characterized by being equipped with.
JP2019209564A 2019-11-20 2019-11-20 Information processing equipment, information processing methods and information processing programs Active JP6880154B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2019209564A JP6880154B2 (en) 2019-11-20 2019-11-20 Information processing equipment, information processing methods and information processing programs

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019209564A JP6880154B2 (en) 2019-11-20 2019-11-20 Information processing equipment, information processing methods and information processing programs

Publications (2)

Publication Number Publication Date
JP2021081135A JP2021081135A (en) 2021-05-27
JP6880154B2 true JP6880154B2 (en) 2021-06-02

Family

ID=75966234

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019209564A Active JP6880154B2 (en) 2019-11-20 2019-11-20 Information processing equipment, information processing methods and information processing programs

Country Status (1)

Country Link
JP (1) JP6880154B2 (en)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3087446B2 (en) * 1992-05-21 2000-09-11 ダイキン工業株式会社 Comfort degree calculation device in air conditioning
JP2618170B2 (en) * 1993-01-08 1997-06-11 松下冷機株式会社 Air conditioner
JP3871699B1 (en) * 2006-04-28 2007-01-24 株式会社大崎コンピュータエンヂニアリング Air conditioning control device and control program, demand control device and control program, and air conditioning control system
JP2011038718A (en) * 2009-08-12 2011-02-24 Bunpei Magoori Energy saving system of building allowing man-made operation
JP6375706B2 (en) * 2014-06-11 2018-08-22 富士ゼロックス株式会社 Attribute estimation program and information processing apparatus
JP6433834B2 (en) * 2015-03-19 2018-12-05 株式会社東芝 Control method for air conditioner and air conditioner
JP2018032243A (en) * 2016-08-25 2018-03-01 三菱電機ビルテクノサービス株式会社 Information processor and program
JP2019015486A (en) * 2017-07-11 2019-01-31 アズビル株式会社 VAV system and air conditioning control method
US11480359B2 (en) * 2017-10-30 2022-10-25 Daikin Industries, Ltd. Air-conditioning control device

Also Published As

Publication number Publication date
JP2021081135A (en) 2021-05-27

Similar Documents

Publication Publication Date Title
Zhang et al. Practical implementation and evaluation of deep reinforcement learning control for a radiant heating system
Laftchiev et al. An IoT system to estimate personal thermal comfort
Gupta et al. BEES: Real-time occupant feedback and environmental learning framework for collaborative thermal management in multi-zone, multi-occupant buildings
Candanedo et al. Accurate occupancy detection of an office room from light, temperature, humidity and CO2 measurements using statistical learning models
US11076758B2 (en) Controlling devices based on physiological measurements
EP2971987B1 (en) Energy saving heating, ventilation, air conditioning control system
US8478447B2 (en) Computational load distribution in a climate control system having plural sensing microsystems
JP2019522163A (en) Controller for operating air conditioning system and method for controlling air conditioning system
Rana et al. Novel activity classification and occupancy estimation methods for intelligent HVAC (heating, ventilation and air conditioning) systems
US20170211837A1 (en) Collaborative energy management system
US20140277765A1 (en) Human-building interaction framework for personalized comfort driven system operations in buildings
US20170102681A1 (en) Coordinating energy use of disparately-controlled devices in the smart home based on near-term predicted hvac control trajectories
US20200200414A1 (en) Smart home air conditioner automatic control system based on artificial intelligence
US20170051933A1 (en) Persistent home thermal comfort model reusable across multiple sensor and device configurations in a smart home
Shetty et al. Learning desk fan usage preferences for personalised thermal comfort in shared offices using tree-based methods
US20190360714A1 (en) Fusion-based occupancy sensing for building systems
WO2015089295A2 (en) Comfortable, energy-efficient control of a heating, ventilation, and air conditioning system
US20170051934A1 (en) Persistent thermal model and method of using same for automatically determining the presence of an additional thermal source other than the hvac system being controlled
Peng et al. Data-driven thermal comfort prediction with support vector machine
Jazizadeh et al. Personalized Thermal Comfort-Driven Control in HVAC-OperatedOffice Buildings
WO2018037584A1 (en) Information processing device and program
Wang et al. A fair and budget-balanced incentive mechanism for energy management in buildings
JP2016169925A (en) Indoor environment control device, indoor environment control method, and computer program
Raza et al. Determination of consumer behavior based energy wastage using IoT and machine learning
Biyik et al. Cloud-based model predictive building thermostatic controls of commercial buildings: Algorithm and implementation

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20191203

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210119

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210309

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: 20210406

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210430

R150 Certificate of patent or registration of utility model

Ref document number: 6880154

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150