JP6914289B2 - 屋内に設置される機器を制御するための装置、方法及びそのためのプログラム - Google Patents

Description

本発明は、屋内に設置される機器を制御するための装置、方法及びそのためのプログラムに関する。

さまざまな機器がインターネットにつながるＩｏＴの時代の中、この流れは家電にも拡がっている。たとえば、自宅にＷｉ Ｆｉ（登録商標）によりインターネットに無線接続可能なゲートウェイを設置し、外出時にスマートフォンから当該ゲートウェイに空調機器を制御するための指示を送信することが可能である。指示を受信したゲートウェイは、例として赤外線によって空調機器に制御信号を送信する。さらに、在宅時には、スマートスピーカーと空調機器等の機器を連携させて、音声でスマートスピーカーに指示を与えることによって、当該機器を制御することが可能である。こうした通信技術を活用して住宅の快適さを高める「スマートホーム」と呼ばれる考え方に注目が集まっている。

しかしながら、各住宅には数多くの機器が設置されており、それらすべてを個別にユーザーの操作又は音声によって制御しようとすれば煩雑であり、必ずしも快適さの向上を期待することができない。

この問題は、個人の住宅に限るものではなく、オフィス、工場等の室内、工場の屋内に設置される機器についても同様である。工場については、通信技術を活用した生産性の向上が望まれる。

本発明は、このような問題点に鑑みてなされたものであり、その目的は、屋内に設置される機器を制御するための装置、方法及びそのためのプログラムにおいて、当該機器の動作を自律的に変化させることにある。

なお、本発明は、機器の動作の自律的変化を生じさせるものであるが、ユーザーの操作又は音声によって当該機器の動作が変化することを除外するものではない。

このような目的を達成するために、本発明の第１の態様は、屋内に設置される機器を制御するための方法であって、ユーザーが前記機器のオン又はオフの状態を変化させるための入力を行った際に、当該入力の内容、当該入力の時刻又は時間帯、及び当該入力が行われた際の当該機器の周囲環境の状況を含む履歴データを記憶するステップと、前記履歴データが一定の数蓄積された後に、前記履歴データに対して前処理を行うステップと、前処理後の前記履歴データに基づいて、各時刻又は各時間帯における前記機器のオン又はオフの状態を予測する予測モデルを生成するステップと、前記機器を前記予測モデルが予測する状態に変化させるステップと、前記予測モデルの生成後にあらかじめ定めたイベントが発生したことを条件に、予測モデルを自動的に再生成するステップとを含むことを特徴とする。

また、本発明の第２の態様は、第１の態様において、前記機器は、照明器具であることを特徴とする。

また、本発明の第３の態様は、第２の態様において、前記周囲環境の前記状況は、音量及び明るさの少なくとも一方を含むことを特徴とする。

また、本発明の第４の態様は、第１から第３のいずれかの態様において、前記前処理のステップは、前記前処理の対象である各履歴データに含まれる時刻を一定の単位で区切られた時間帯に変換するステップを含むことを特徴とする。

また、本発明の第５の態様は、第４の態様において、前記時間帯は、曜日を含むことを特徴とする。

また、本発明の第６の態様は、第１から第３のいずれかの態様において、前記前処理のステップは、前記前処理の対象である各履歴データについて、前回の履歴データからの経過時間を算出するステップを含むことを特徴とする。

また、本発明の第７の態様は、第１から第６のいずれかの態様において、前記予測モデルの生成は、前記前処理後の履歴データに基づくランダムフォレストによって行うことを特徴とする。

また、本発明の第８の態様は、第１から第７のいずれかの態様において、前記イベントは、前記ユーザーによる前記機器のオン又はオフの状態を変化させるための追加入力であることを特徴とする。

また、本発明の第９の態様は、コンピュータに、屋内に設置される機器を制御するための方法を実行させるためのプログラムであって、前記方法は、ユーザーが前記機器のオン又はオフの状態を変化させるための入力を行った際に、当該入力の内容、当該入力の時刻又は時間帯、及び当該入力が行われた際の当該機器の周囲環境の状況を含む履歴データを記憶するステップと、前記履歴データが一定の数蓄積された後に、前記履歴データに対して前処理を行うステップと、前処理後の前記履歴データに基づいて、各時刻又は各時間帯における前記機器のオン又はオフの状態を予測する予測モデルを生成するステップと、前記機器を前記予測モデルが予測する状態に変化させるステップと、前記予測モデルの生成後にあらかじめ定めたイベントが発生したことを条件に、予測モデルを自動的に再生成するステップとを含むことを特徴とする。

また、本発明の第１０の態様は、屋内に設置される機器を制御するための装置であって、ユーザーが前記機器のオン又はオフの状態を変化させるための入力を行った際に、当該入力の内容、当該入力の時刻又は時間帯、及び当該入力が行われた際の当該機器の周囲環境の状況を含む履歴データを記憶し、前記履歴データが一定の数蓄積された後に、前記履歴データに対して前処理を行い、前処理後の前記履歴データに基づいて、各時刻又は各時間帯における前記機器のオン又はオフの状態を予測する予測モデルを生成して、前記機器を前記予測モデルが予測する状態に変化させ、前記予測モデルの生成後にあらかじめ定めたイベントが発生したことを条件に、予測モデルを自動的に再生成することを特徴とする。

本発明の一態様によれば、装置１００は、ユーザーによる機器１２０のオン又はオフの状態を変化させるための入力により生じる履歴データを教師データとして予測モデルを生成するとともに、予測モデルの生成後のイベント発生を条件に、予測モデルを自動的に再生成する。装置１００が設置されることによって、機器１２０は各ユーザーの振る舞いに順応して自律的に動作を変化させていく。

本発明の第１の実施形態にかかる装置を示す図である。 本発明の第１の実施形態にかかる方法の流れを示す図である。 実施例１の予測モデルにおける重要度を示す図である。 実施例１の予測モデルにおける重要度を示す図である。 実施例２の予測モデルにおける重要度を示す図である。 実施例２の予測モデルにおける重要度を示す図である。 実施例３の予測モデルにおける重要度を示す図である。 実施例３の予測モデルにおける重要度を示す図である。 実施例４の予測モデルにおける重要度を示す図である。 実施例４の予測モデルにおける重要度を示す図である。 実施例５の予測モデルにおける重要度を示す図である。 実施例５の予測モデルにおける重要度を示す図である。 本発明の第２の実施形態にかかる装置を示す図である。

以下、本発明の実施形態を詳細に説明する。

（第１の実施形態）
図１に、第１の実施形態にかかる装置を示す。装置１００は、スイッチ１１０によってオンとオフが切り替えられる照明器具１２０の動作を制御する。一般的な照明器具１２０は、スイッチ１１０との間にリレーが配置され、スイッチ１１０のオン又はオフが当該リレーによって照明器具１２０に伝達されるところ、本実施形態では、リレーを装置１００が代替する。

装置１００は、プロセッサ、ＣＰＵ、ＧＰＵ等の処理部１０１と、ハードディスク等の記憶装置又は記憶媒体を含む記憶部１０２と、リレー１０３とを備え、処理部１０１は、以下で説明する各処理を行うためのプログラムを記憶部１０２から読み出して実行する。装置１００は、さらに通信インターフェースなどの通信部（図示せず）を備え、コンピュータネットワークに接続して現在時刻を取得可能としてもよいが、図１の例では、内蔵時計１０４を備える。装置１００は他の装置と必ずしも協働するわけではなく、その場合にはコンピュータネットワークを用いた同期等の厳密な時刻設定の必要性は高くない。処理部１０１が実行するプログラムは１又は複数のプログラムを含むことがあり、また、コンピュータ読み取り可能な記憶媒体に記録して非一過性のプログラムプロダクトとすることができる。

装置１００又はその処理部１０１は、スイッチ１１０と直接的又は間接的に接続され、スイッチ１１０に対してなされた操作を検知し、それに応じてリレー１０３を動作させ、照明器具１２０の点灯又は消灯を行う。装置１００又はその処理部１０１は、音センサ１３０及び光センサ１４０と直接的又は間接的に接続されており、連続的に又は必要に応じて周囲の環境の音量及び明るさを検知することができる。

処理部１０１及び記憶部１０２は、単一のチップ上に設けられたものとしてもよい。また、音センサ１３０及び光センサ１４０を含めて装置１００と考えてもよく、さらにこれらのセンサを処理部１０１及び記憶部１０２の少なくとも一方と同一のチップ上に設けられたものとしてもよい。より具体的には、ここで述べたさまざまな構成要素の組み合わせをシングルチップコンピュータとして構成してもよい。

本実施形態にかかる装置１００は、一定期間、ユーザーによるスイッチ１１０の操作が行われた際の周囲環境に関するデータ（以下「環境データ」ともいう。）を時刻データとともに記憶し、装置１００自体において、これらのデータに基づく機械学習によって各時刻におけるスイッチ１１０のオン又はオフの状態を予測する予測モデルを生成する。そして、装置１００又はその処理部１０１は、当該予測モデルにより予測される状態に応じてリレー１０３を動作させて照明器具１２０を点灯又は消灯させる。予測モデルの生成後、あらかじめ定めたイベントの発生を条件に予測モデルの再生成を自動的に行い、予測モデルを更新する。これにより、装置１００は機器１２０の動作を自律的に変化させる。以下、詳述する。

まず、装置１００又はその処理部１０１は、一定期間、ユーザーによるスイッチ１１０の操作が行われた際に、スイッチ１１０のオン又はオフの内容、スイッチ１１０に対する操作が行われた時刻又は時間帯、及びスイッチ１１０に対する操作が行われた際の機器１２０の周囲環境の状況（以下これらをまとめて「履歴データ」ともいう。）を装置１００又はその記憶部１０２に記憶する（Ｓ２０１）。

次いで、装置１００又はその処理部１０１は、装置１００又はその記憶部１０２に記憶された履歴データが一定数蓄積された後に、履歴データに対する前処理を行う（Ｓ２０２）。時刻データに対しては、各履歴データの時刻を３０分、１時間等の一定の単位で区切られた時間帯に変換する。加えて、前回の履歴データからの経過時間を算出する。各時刻又は各時間帯は、何曜日の時刻又は時間帯であるかという曜日を含んでもよい。環境データに対しても、一定の単位で区切られた音量の範囲又は明るさの範囲に音量又は明るさの生データを変換してもよい。

そして、前処理後の履歴データを用いて、装置１００又はその処理部１０１は、機械学習により、各時刻又は各時間帯におけるスイッチ１１０のオン又はオフの状態を予測する予測モデルを生成する（Ｓ２０３）。機械学習は、たとえばランダムフォレストなどのアンサンブル学習によって行うことができる。ランダムフォレストを用いる場合、前処理によって得られる特徴量のうちのいずれのものが正しい予測に寄与するかという仮説を立てることなく、予測モデルの生成が可能となることから、ユーザーは装置１００を設置し、スイッチ１１０の操作を一定回数行うだけでよく、利用開始のための負担が大きく緩和される。アンサンブル学習のほかに、ニューラルネットワーク（ＮＮ）、一般化線形モデル、サポートベクターマシーン（ＳＶＭ）、決定木、ナイーブベイズ、Ｋ近傍法等のその他の機械学習手法によって予測モデルの生成を行ってもよい。

予測モデルは、インターネットなどのコンピュータネットワーク上のサーバと通信することなく、いわばエッジで生成することが望ましい。なぜなら、通信回線の速度がボトルネックとなり、リアルタイムでの処理にあたってタイムラグが生じうるためである。特に工場の屋内で本実施形態にかかる発明を用いる際には、ネットワーク障害時に制御が不可能となりうるため、エッジコンピューティングが好ましい。

その後、装置１００又はその処理部１０１は、連続的、定期的又は断続的に時刻データ及び環境データを取得し（Ｓ２０４）、予測モデルに基づいてスイッチ１１０の状態を予測する（Ｓ２０５）。生成された予測モデルは、処理部１０１のメモリに記憶しておくことが好ましい。

予測された状態と合致するように、装置１００又はその処理部１０１は、リレー１０３を動作させて、照明器具１２０を点灯又は消灯させる（Ｓ２０６）。具体的には、装置１００又はその処理部１０１は、照明器具１２０をオンの状態にする場合、リレー１０３を動作させて、照明器具１２０を通電させる。

ユーザーがスイッチ１１０を操作して、スイッチ１１０の状態が予測モデルにより予測された状態と不一致となった場合、すなわち、予測モデルの予測結果がユーザーがその時刻又は時間帯に望む状態ではなかった場合、装置１００又はその処理部１０１は、ユーザーの当該操作の際の履歴データを装置１００又はその記憶部１０２に記憶するとともに、当該履歴データを含む所定の数の履歴データに基づいて、予測モデルを自動的に再生成する（Ｓ２０７）。換言すれば、予測モデルの生成後に、機器１２０のオン又はオフの状態を変化させるための追加入力というイベントの発生を条件として予測モデルの更新を行い、ユーザーによる操作を以後の予測に自律的に反映させる。ここで、再生成の際も上述のように履歴データの前処理が必要に応じて行われる。また、過去のすべての履歴データを用いて再生成を行う場合のほか、過去の一定の数又は一定の経過日数若しくは経過時間数までの履歴データを用いて再生成を行う場合が考えられる。

以上のように、本実施形態にかかる装置１００は、ユーザーによる機器１２０のオン又はオフの状態を変化させるための入力により生じる履歴データを教師データとして、装置１００自体において予測モデルを生成するとともに、予測モデルの生成後のイベント発生を条件に、予測モデルを自動的に再生成する。装置１００が設置されることによって、機器１２０は各ユーザーの振る舞いに順応して自律的に動作を変化させていく。

装置１００は、機器１２０に対して後付けで設置することが可能であり、こうすることにより、室内に存在する数多くの機器１２０を簡便にインテリジェント化することができるが、必ずしも機器１２０に内蔵することを除外するものではない。

なお、本実施形態においては、音センサ１３０及び光１４０の２つのセンサを用いる例を挙げたが、少なくとも１つのセンサを用いるようにすることも考えられる。また、スイッチ１１０は、図１では有線で装置１００と接続されているものとして図示しているが、無線で入力を受け取るようにしてもよい。また、本実施形態では、処理部１０１がリレー１０３を動作させて、リレー１０３が機器１２０を伝通電させるものとして説明しているが、機器１２０のオン又はオフの状態を変化させることができれば、処理部１０１が動作させる、処理部１０１と機器１２０との間に介在する介在機器はリレー１０３に限定するものではない。

また、「××のみに基づいて」、「××のみに応じて」、「××のみの場合」、「××のみを条件に」というように「のみ」との記載がなければ、本明細書においては、付加的な情報も考慮し得ることが想定されていることに留意されたい。また、一例として、「ａの場合にｂする」という記載は、明示した場合を除き、「ａの場合に常にｂする」ことを必ずしも意味しないことに留意されたい。特に、「ａの場合に制御する」といった表現は、「ａの場合に常に制御する」ことを必ずしも意味せず、例外的又は追加的な処理が行われ得ることを想定していることに留意されたい。

また、念のため、なんらかの方法、プログラム、端末、装置、サーバ又はシステム（以下「方法等」）において、本明細書で記述された動作と異なる動作を行う側面があるとしても、本発明の各態様は、本明細書で記述された動作のいずれかと同一の動作を対象とするものであり、本明細書で記述された動作と異なる動作が存在することは、当該方法等を本発明の各態様の範囲外とするものではないことを付言する。

また、上述の説明では、装置１００は屋内の機器を自律的に動作させるものとして記述したが、屋外の機器に適用可能である場合もあることを付言する。

以下に示す実施例では、装置１００又はその処理部１０１が予測モデル生成に用いるデータセットにより予測精度は変動する。具体的には、実施例５のデータセットが特に高い精度を実現しており、効果が大きい。しかしながら、以下に示すいずれのデータセットにおいてもユーザーの操作を都度必要とする煩雑さを軽減する上では有益な精度を得られているものと言える。

実施例１
2018年11月11日18:30に発明者の住居の照明器具１２０とそれを点灯又は消灯するためのスイッチ１１０との間に本実施形態にかかる装置１００を設置し、スイッチ１１０をオンにした。ＳｕｎＦｏｕｎｄｅｒ社のＳｅｎｓｏｒ Ｋｉｔ Ｖ１．０ ｆｏｒ Ｒａｓｐｂｅｒｒｙ Ｐｉ（商標）に含まれるマイクロフォンを用いた高感度音声センサを音センサ１３０とし、同キットに含まれるフォトレジスターを光センサ１４０として、装置１００に接続した。それぞれＡ／ＤコンバーターＡＤＣ０８３２経由で音量と明るさを測定した。ＡＤＣ０８３２の分解能は８ビットであり、音量、明るさともに０から２５５までの値を取る。装置１００を構成するためのコンピュータとしては、同社のＲａｓｐｂｅｒｒｙ Ｐｉ ３ ＭＯＤＥＬ Ｂを用いた。その後、発明者の生活習慣に応じてスイッチ１１０のオン又はオフが行われ、オンの場合を１、オフの場合を０とするオンフラグとともに、時刻、明るさ及び音量を2019年11月19日22:50まで記憶部１０２に記憶した。記憶された履歴データを表１−１に示す。

最初の履歴データを経過時間の起算時刻としてカウントせずに、５つの履歴データが蓄積された後に、装置１００は、これらの履歴データに基づいて機械学習により予測モデルを生成した。履歴データを記憶部１０２に記憶する際に蓄積した履歴データの数をカウントし、所定の５つに達した場合に機械学習を開始するようにプログラムすることによって、これは行った。

機械学習のアルゴリズムは、ランダムフォレストとし、より具体的にはＰｙｔｈｏｎの機械学習ツールであるｓｃｉｔｉｔ−ｌｅａｒｎにおけるＲａｎｄｏｍＦｏｒｅｓｔＣｌａｓｓｉｆｉｅｒライブラリを用いた。前処理として、各履歴データの時刻を0時から23時の時間帯に変換した。また、各履歴データについて、前回の履歴データからの経過時間を対数で算出した。ここでは対数を用いたが、これは必ずしも必要ではない。このようにして得られた明るさ、音量、経過時間、曜日及び時間帯を特徴量として機械学習を実行した。

本実施例では、予測精度を検証するために、予測モデル生成後もユーザー操作による履歴データの記憶を続け、別途、予測モデルにより予測されたオン又はオフの状態がユーザー操作による状態と異なる場合に誤った予測と評価した。そして、その時点までの履歴データに基づいて予測モデルを再生成し、以後の予測を行った。こうして得られた予測モデルの予測結果を表１−２に示す。

ランダムフォレストにより生成された予測モデルでは、各特徴量による予測を行なった場合にどの程度精度が向上するかを示す、各特徴量の重要度（ジニ重要度）がパラメータとして用いられ、算出した各特徴量の重要度を図３Ａ及び図３Ｂに示す。重要度の大きい特徴量ほど濃く色塗りされている。

実施例１において、予測の成功率は85.7%であり、高い精度を実現している。

実施例２
実施例２では、履歴データから得られた明るさ、音量、経過時間、曜日及び時間帯のうち、明るさ、曜日及び時間帯のみを特徴として予測モデルを生成した。こうして得られた予測モデルの予測結果を表２に示す。

各特徴量の重要度を図４Ａ及び図４Ｂに示す。重要度の大きい特徴量ほど濃く色塗りされている。重要度の値がすべての履歴データについて０の時間帯については図４Ｂから除いている。

実施例２において、予測の成功率は60.7%であり、一定の予測精度が得られている。

実施例３
実施例３では、履歴データから得られた明るさ、音量、経過時間、曜日及び時間帯のうち、音量、曜日及び時間帯のみを特徴として予測モデルを生成した。こうして得られた予測モデルの予測結果を表３に示す。

各特徴量の重要度を図５Ａ及び図５Ｂに示す。重要度の大きい特徴量ほど濃く色塗りされている。重要度の値がすべての履歴データについて０の時間帯については図５Ｂから除いている。

実施例３において、予測の成功率は75.0%であり、一定の予測精度が得られている。

実施例４
実施例４では、履歴データから得られた明るさ、音量、経過時間、曜日及び時間帯のうち、明るさ、経過時間、曜日及び時間帯のみを特徴として予測モデルを生成した。こうして得られた予測モデルの予測結果を表４に示す。

各特徴量の重要度を図６Ａ及び図６Ｂに示す。重要度の大きい特徴量ほど濃く色塗りされている。重要度の値がすべての履歴データについて０の時間帯については図６Ｂから除いている。

実施例４において、予測の成功率は85.7%であり、高い予測精度が得られている。

実施例５
実施例５では、履歴データから得られた明るさ、音量、経過時間、曜日及び時間帯のうち、音量、経過時間、曜日及び時間帯のみを特徴として予測モデルを生成した。こうして得られた予測モデルの予測結果を表５に示す。

各特徴量の重要度を図７Ａ及び図７Ｂに示す。重要度の大きい特徴量ほど濃く色塗りされている。重要度の値がすべての履歴データについて０の時間帯については図７Ｂから除いている。

実施例５において、予測の成功率は92.9%であり、極めて高い予測精度が得られている。

（第２の実施形態）
第１の実施形態においては、装置１００をスイッチ１１０と機器１２０との間に設置されるものとして説明したが、第２の実施形態では、ソケット８１０と機器８２０との間に装置８００を設置する。

機器８２０は、電源プラグ８２１を有し、ソケット８１０に挿入して通常は使用される。本実施形態にかかる装置８００を用いる場合、まず、装置８００の電源プラグ８０５をソケット８１０に挿入して固定する。そして、機器８２０の電源プラグ８２１を装置８００のソケット８０６に挿入する。この状態で、通信インターフェースなどの無線通信部８０７がスマートフォン、スマートスピーカー、リモートコントローラーなどの無線機器（図示せず）から無線で機器８２０のオン又はオフの状態を変化させるための入力を受信した場合、処理部８０１がリレー８０３を動作させて機器８２０を通電させる。

本実施形態にかかる装置８００は、第１の実施形態にかかる装置１００とスイッチ１１０ではなく無線通信部８０７にてユーザー入力を受け取る点で異なるものの、処理部８０１、記憶部８０２、リレー８０３、内臓時計８０４、音センサ８３０及び光センサ８４０について、同様の処理を行う。

無線通信部８０７は、インターネットなどのコンピュータネットワーク上のサーバと通信可能である必要は必ずしもなく、室内においてユーザー入力を無線で受信可能であればよい。また、図８の例では、機器８２０をその電源プラグ８２１を装置８００のソケット８０６に挿入して、装置８００から機器８２０を有線で制御可能としているところ、装置８００が機器８２０を赤外線等によって無線で制御可能としてもよい。

第１の実施形態にかかる装置１００について説明したさまざまな変形形態は、第２の実施形態においても同様に可能であることを付言する。

１００ 装置
１０１ 処理部
１０２ 記憶部
１０３ リレー
１０４ 内蔵時計
１１０ スイッチ
１２０ 照明器具
１３０ 音センサ
１４０ 光センサ
８００ 装置
８０１ 処理部
８０２ 記憶部
８０３ リレー
８０４ 内蔵時計
８０５ 電源プラグ
８０６ ソケット
８０７ 無線通信部
８１０ ソケット
８２０ 機器
８２１ 電源プラグ

Claims (10)

1. 屋内に設置される機器を制御するための方法であって、
   前記機器に接続された装置であって、シングルチップ上に処理部、記憶部及び内蔵時計が設けられた装置が、ユーザーが前記機器のオン又はオフの状態を変化させるための入力を行った際に、当該入力の内容、前記内蔵時計による当該入力の時刻又は時間帯、及び当該入力が行われた際の当該機器の周囲環境に関する環境データを含む履歴データを記憶するステップと、
   前記装置が、前記履歴データに対して前処理を行うステップであって、前記前処理は、前記環境データの一定の単位で区切られた範囲への変換を含むステップと、
   前記装置が、前処理後の前記履歴データに基づいて、各時刻又は各時間帯における前記機器のオン又はオフの状態を予測する予測モデルを機械学習により生成するステップと、
   前記装置が、前記機器を前記予測モデルが予測する状態に変化させるステップと、
   前記装置が、前記予測モデルの生成後にあらかじめ定めたイベントが前記機器に対して発生したことを条件に、予測モデルを自動的に再生成するステップと
   を含むことを特徴とする。
2. 請求項１記載の方法であって、
   前記装置は、通信部を有しないことを特徴とする。
3. 請求項１又は２記載の方法であって、
   前記機器は、照明器具であり、
   前記環境データは、音量及び明るさの少なくとも一方を含むことを特徴とする。
4. 請求項１から３のいずれかに記載の方法であって、
   前記前処理のステップは、前記前処理の対象である各履歴データに含まれる時刻を一定の単位で区切られた時間帯に変換するステップを含むことを特徴とする。
5. 屋内に設置される機器を制御するための方法であって、
   前記機器に接続された装置が、ユーザーが前記機器のオン又はオフの状態を変化させるための入力を行った際に、当該入力の内容、当該入力の時刻又は時間帯、及び当該入力が行われた際の当該機器の周囲環境に関する環境データを含む履歴データを記憶するステップと、
   前記装置が、前記履歴データに対して前処理を行うステップと、
   前記装置が、前処理後の前記履歴データに基づいて、各時刻又は各時間帯における前記機器のオン又はオフの状態を予測する予測モデルを生成するステップと、
   前記装置が、前記機器を前記予測モデルが予測する状態に変化させるステップと、
   前記装置が、前記予測モデルの生成後にあらかじめ定めたイベントが前記機器に対して発生したことを条件に、予測モデルを自動的に再生成するステップと
   を含み、
   前記前処理のステップは、前記前処理の対象である各履歴データについて、前回の履歴データからの経過時間を算出するステップを含むことを特徴とする。
6. 請求項１から５のいずれかに記載の方法であって、
   前記予測モデルの生成は、前記前処理後の履歴データに基づくランダムフォレストによって行うことを特徴とする。
7. 請求項１から６のいずれかに記載の方法であって、
   前記イベントは、前記ユーザーによる前記機器のオン又はオフの状態を変化させるための追加入力であることを特徴とする。
8. 装置に、屋内に設置される機器を制御するための方法を実行させるためのプログラムであって、前記方法は、
   前記装置であって、シングルチップ上に処理部、記憶部及び内蔵時計が設けられた装置が、ユーザーが前記機器のオン又はオフの状態を変化させるための入力を行った際に、当該入力の内容、前記内蔵時計による当該入力の時刻又は時間帯、及び当該入力が行われた際の当該機器の周囲環境に関する環境データを含む履歴データを記憶するステップと、
   前記装置が、前記履歴データに対して前処理を行うステップであって、前記前処理は、前記環境データの一定の単位で区切られた範囲への変換を含むステップと、
   前記装置が、前処理後の前記履歴データに基づいて、各時刻又は各時間帯における前記機器のオン又はオフの状態を予測する予測モデルを機械学習により生成するステップと、
   前記装置が、前記機器を前記予測モデルが予測する状態に変化させるステップと、
   前記装置が、前記予測モデルの生成後にあらかじめ定めたイベントが前記機器に対して発生したことを条件に、予測モデルを自動的に再生成するステップと
   を含むことを特徴とする。
9. 屋内に設置される機器を制御するための装置であって、
   シングルチップ上に処理部、記憶部及び内蔵時計を備え、
   ユーザーが前記機器のオン又はオフの状態を変化させるための入力を行った際に、当該入力の内容、前記内蔵時計による当該入力の時刻又は時間帯、及び当該入力が行われた際の当該機器の周囲環境に関する環境データを含む履歴データを前記記憶部に記憶し、前記処理部が、前記履歴データに対して前処理を行い、前記前処理は、前記環境データの一定の単位で区切られた範囲への変換を含み、
   前記処理部が、前処理後の前記履歴データに基づいて、各時刻又は各時間帯における前記機器のオン又はオフの状態を予測する予測モデルを機械学習により生成して、前記機器を前記予測モデルが予測する状態に変化させ、
   前記処理部が、前記予測モデルの生成後にあらかじめ定めたイベントが前記機器に対して発生したことを条件に、予測モデルを自動的に再生成することを特徴とする。
10. 屋内に設置される機器を制御するための装置であって、
    シングルチップ上の処理部、記憶部及び内蔵時計と、
    電源プラグと、
    前記機器の電源プラグを挿入するためのソケットと
    を備え、
    ユーザーが前記機器のオン又はオフの状態を変化させるための入力を行った際に、当該入力の内容、前記内蔵時計による当該入力の時刻又は時間帯、及び当該入力が行われた際の当該機器の周囲環境に関する環境データを含む履歴データを前記記憶部に記憶し、前記処理部が、前記履歴データに対して前処理を行い、前記前処理は、前記環境データの一定の単位で区切られた範囲への変換を含み、
    前記処理部が、前処理後の前記履歴データに基づいて、各時刻又は各時間帯における前記機器のオン又はオフの状態を予測する予測モデルを機械学習により生成して、前記ソケットに電源プラグが挿入される前記機器を前記予測モデルが予測する状態に変化させ、
    前記処理部が、前記予測モデルの生成後にあらかじめ定めたイベントが前記機器に対して発生したことを条件に、予測モデルを自動的に再生成することを特徴とする。

Images