JP6966216B2 - 在宅判定システム - Google Patents

Description

本発明は、在宅判定システムおよび方法に関する。

例えば宅配業者では、配達先が不在の場合、再配達する必要があるため、再配達に要するコスト増加が課題となる。また、調査員や販売員なども訪問先が不在の場合は、訪問効率が低下する。さらに、近年では、一人暮らしの老人の在宅状況をいかに把握するかが社会から求められている。

一方で、各住宅にはスマートメータが導入されており、電力会社は、各住宅の消費電力量情報を取得可能である。住宅の消費電力量情報に基づいて、在宅しているかを判定する技術は知られている（特許文献１，２，３）。

特許文献１では、電力会社のサーバが、自動検針システムで検知される電力使用量の情報を用いて在宅状況を示す情報を算出する。電力会社のサーバは、在宅状況を示す情報に対し、過去の電力使用量情報を基に各住宅の行動特性を加味した上で、指定した未来の時刻の在宅確率に加工する。在宅確率の情報は、サービス利用者へ提供される。

特許文献２には、利用者の住宅における現在の電力の使用状況と過去の電力の使用状況との比較に基づいて、利用者が在宅であるか不在であるかを判断する在宅判断装置が開示されている。

特許文献３では、各住宅に設置されたブレーカーの電流波形を解析することで、宅内の家電の稼働状況を推定する。特許文献３では、住宅内の各家電が稼働しているか否かを判断するためのセンサを設置することなく、低コストに住宅内の家電の稼働状況を推定することができる。

特開２０１２−１８１７８９号公報 特開２０１６−１２６７１３号公報 特開２０１３−２１３８２５号公報

特許文献１と特許文献２は、いずれもセンサから取得した消費電力データに基づいて在宅であるか不在であるかを判定する。しかし、例えば季節が異なれば、家庭電気製品（家電）の使用頻度や、エアコンディショナ（エアコン）の設定温度は変化する。室温が異なれば、冷蔵庫の負荷状態は変化する。つまり、１年を通して同一の判定処理で、在宅であるか不在であるかの判定精度を一定に保つのは困難である。

特許文献３は、住宅内の各家電の稼働状況を推測するに留まっており、その住宅が在宅なのか不在なのかを判定する技術は開示されていない。

本発明は上記の課題に鑑みてなされたもので、その目的は、複数の判定方法を結合させることで、ユーザが在宅であるかの判定精度を向上できるようにした在宅判定システムおよび方法を提供することにある。

上記課題を解決すべく、本発明の一つの観点に従う在宅判定システムは、ユーザが在宅しているか判定する在宅判定システムであって、ユーザの住宅の消費電力の時間変化に基づいて、ユーザが在宅しているか判定する第１在宅判定部と、住宅が有する少なくとも一つの電気機器の稼働状態に基づいて、ユーザが在宅しているか判定する第２在宅判定部と、第１在宅判定部の判定結果と第２在宅判定部の判定結果とに基づいて、ユーザが在宅しているか判定する総合判定部と、を備える。

本発明によれば、住宅の消費電力の時間変化から在宅であるか判定する第１在宅判定部の判定結果と、住宅が有する少なくとも一つの電気機器の稼動状態から在宅であるか判定する第２在宅判定部の判定結果とに基づいて、ユーザが在宅しているかを判定することができるため、判定精度が向上する。

本実施形態に係る在宅判定システムの全体概要を示す説明図。 在宅判定システムの機能構成を示すブロック図。 住宅の消費電力量の時間変化と在宅であるか判定するための閾値との関係を示すグラフ。 消費電力量に基づいて在宅／不在を判定するテーブルの例。 電気機器の特性に応じて設定される在宅係数の時間変化を示すグラフ。 電気機器の在宅係数に基づいて在宅／不在を判定するテーブルの例。 電気機器の想定動作時間を記憶するテーブルの例。 電気機器毎の重みパラメータを管理するテーブルの例。 複数の観点にしたがって用意された重みパラメータ管理テーブルの例。 在宅判定システムの実施する全体処理のフローチャート。 図１０中の在宅／不在判定処理の詳細を示すフローチャート。 在宅の可能性をランク分けするための在宅ランク判定テーブルの例。 過去の在宅判定結果も考慮する在宅ランク判定テーブルの例。 第２実施例に係り、住宅の住宅環境データを定義するテーブルの例。 在宅／不在判定処理の一例を示すフローチャート。 在宅／不在判定処理の他の例を示すフローチャート。 在宅／不在判定処理のさらに別の例を示すフローチャート。 第３実施例に係る在宅判定システムの機能ブロック図。 第４実施例に係る在宅判定システムの機能ブロック図。 在宅／不在の判定結果を地域ごとに統計処理して表示する画面の例。 ユーザ毎の在宅ランクを表示する画面の例。 第５実施例に係り、在宅ランク計算処理のフローチャート。

以下、図面に基づいて、本発明の実施の形態を説明する。本実施形態に係る在宅／不在判定処理は、ユーザにできるだけ意識されないように、消費電力量の時間変化と電気機器の稼働状態とに基づいて、ユーザが在宅しているか判定する。以下に述べる各テーブルの内容、閾値などは可変に設定可能である。

図１は、本実施形態に係る在宅判定システム１の全体概要を示す。在宅判定システム１は、ユーザの住宅２、つまり家庭用需要家２と通信可能に接続されている。さらに、在宅判定システム１は、サービス契約会社のコンピュータシステム３や情報配信サーバ４（いずれも図２参照）にも通信可能に接続されている。図中では、「総合判定部」を「総合判定」と示すように「部」の記載を省略する場合がある。

在宅判定システム１は、判定方法の異なる複数の在宅判定部１１２Ａ，１１２Ｂ，１１３を適宜結合させることで、ユーザの住宅２が在宅状態であるか判定する。総合判定部１１４は、消費電力量用在宅判定部１１１と、特定機器用在宅判定部１１２Ａと、その他機器用在宅判定部１１２Ｂと、環境センサ用在宅判定部１１３との、それぞれの判定結果を考慮して、ユーザの在宅可能性を判定する。図２で述べる在宅／不在判断部１１０は、各判定部１１１，１１２Ａ，１１２Ｂ，１１３，１１４を含む。後述の実施例では、消費電力量用在宅判定部１１１の行う処理を第１の判定処理と呼び、特定機器用在宅判定部１１２Ａおよびその他機器用在宅判定部１１２Ｂの行う処理を第２の判定処理と呼ぶ。

「第１在宅判定部」としての消費電力量用在宅判定部１１１は、ユーザの住宅２の消費電力量の時間変化に基づいて、ユーザの在宅／不在を判定する。住宅２の消費電力量の時間変化Ｄ１は、住宅２のブレーカ２１内に設けられた電流センサ２２からの検出信号から取得することができる。電流センサ２２は、住宅２内の各電気機器２０に流れる電流値を直接計測するのではなく、全ての電気機器２０の消費電流の合計である根幹の電流値を計測して在宅判定システム１へ送信する。

波形解析部１９０は、電流センサ２２により測定した消費電力量の時間変化Ｄ１を解析することで、電気機器２０の稼動に対応する波形Ｄ２，Ｄ３を抽出する。波形Ｄ２は、住宅２に設置された電気機器のうちユーザの在宅可能性との関連が高いとして事前に指定された特定機器２０Ａの稼動状態を表す。波形Ｄ３は、特定機器２０Ａ以外のその他機器２０Ｂの稼動状態を表す。特定機器２０Ａとその他機器２０Ｂを区別しない場合、電気機器２０と呼ぶ。

波形解析部１９０は、在宅判定システム１内に設けてもよいし、在宅判定システム１とは別のシステムとして構成してもよい。つまり、在宅判定システム１は、住宅２の消費電力量の時間変化を解析する波形解析サービス業者から波形の解析結果を取得することもできる。

特定機器用在宅判定部１１２Ａは、特定機器２０Ａの稼動状態を示す波形Ｄ２に基づいて、ユーザの在宅／不在を判定する。その他機器用在宅判定部１１２Ｂは、その他機器２０Ｂの稼動状態を示す波形Ｄ３に基づいて、ユーザの在宅／不在を判定する。特定機器用在宅判定部１１２Ａとその他機器用在宅判定部１１２Ｂとは、「第２在宅判定部」に該当する。

環境センサ用在宅判定部１１３は、ユーザの住宅２に設置されている環境センサ２３の検出信号に基づいて、ユーザの在宅／不在を判定する。環境センサ２３は、ユーザの住宅２の住宅環境に関する情報を測定して出力する。住宅環境としては、例えば、温度、湿度、照度、音、二酸化炭素濃度（ＣＯ２濃度）、赤外線、気圧などがある。詳しくは、例えば、室温、外気温、住宅２の内外の湿度、住宅２の内外の照度、住宅２内のＣＯ２濃度、住宅２内のユーザ等の発熱源から放射される赤外線の強さ、住宅２内の気圧などのうち少なくとも一つを環境センサ２３で検出する。

なお、環境センサ２３は、必ずしも判定対象の住宅２に設置されている必要はない。環境センサ用在宅判定部１１３は、目的の住宅２とは別の場所に設置された環境センサを利用することで、目的の住宅２の在宅／不在を判定することもできる。例えば、目的の住宅２の外部の温度（外気温）や湿度、照度といった情報は、住宅２の近所に設置された別のセンサからの情報で推測することができる。また、環境センサ用在宅判定部１１３は、目的の住宅２の天候などについては、目的の住宅２の環境センサ２３に頼らずに、気象データを配信するサーバから取得することもできる。

各在宅判定部１１１，１１２Ａ，１１２Ｂ，１１３で使用する判定用のパラメータは、それぞれ複数ずつ用意することができる。パラメータ管理部１２０は、在宅判定部ごとに予め用意されたパラメータセット１２１を、所定の情報にしたがって選択する。選択されたパラメータセット１２１は、対応する在宅判定部へ送られる。

パラメータセット１２１を切り替えるための所定の情報としては、例えば、年月日や曜日などの時間情報、ユーザの家族構成や生活パターンなどの生活環境情報、気温や湿度、気圧などの居住環境情報がある。

パラメータ管理部１２０は、カレンダ１６０から年月日や曜日、祝祭日情報、時刻といった時間情報を取得することができる。パラメータ管理部１２０は、在宅判定システム１の外部に位置する情報配信サーバ４から天候や災害などの気象情報や、最寄り駅での乗降客数の変化などを取得することができる。

ここで、季節が異なれば、消費電力量の時間変化のパターンも変化する。天候が異なっても、消費電力量の時間変化のパターンは変化する。家族構成、いわゆる昼型か夜型か、平日勤務か休日勤務か、昼型か夜型かといった生活環境によっても、消費電力量の時間変化のパターンは変化する。同様に、季節、天候、曜日、時間、家族構成、生活パターンなどの時間情報、生活環境情報、居住環境情報によって、電気機器２０の稼動パターンも変化する。

顧客情報１５１Ａは、図２で後述する第１データベース１５１に含まれるデータの例であり、顧客としてのユーザの家族構成などを管理する。

判定履歴１５２Ａは、図２で後述する第２データベース１５２に含まれるデータの例であり、総合判定部１１４の判定結果の履歴を管理する。

本実施形態のパラメータ管理部１２０は、種々のケースに対応すべく、予め複数のパラメータセット１２１を保持している。パラメータ管理部１２０は、上述のように、時間情報、生活環境情報、居住環境情報にしたがってパラメータセット１２１を選択し、在宅判定部へ設定する。パラメータ管理部１２０は、判定履歴１５２Ａも考慮してパラメータセット１２１を選択することもできる。

なお、パラメータセットを選択するとは、あらかじめ用意された複数のパラメータセットの中からパラメータセットを選択する場合に限らず、あらかじめ用意されたパラメータセットを修正して使用する場合、あるいは所定の計算式に基づいてパラメータを生成する場合も含む。

可視化部１７０は、総合判定部１１４の判定結果を可視化して外部へ出力する。可視化部１７０は、「判定結果出力部」あるいは「判定結果提供部」と呼ぶこともできる。可視化部１７０は、例えば、ユーザの在宅可能性をランク分けまたは数値で表現して、画面出力することができる。

サービス実現部１８０は、可視化部１７０から受領するユーザの在宅可能性の判定結果を利用して、所定のサービスを提供する。所定のサービスとしては、例えば、個人ごとのまたは地域ごとの在宅可能性を提供する在宅可能性予想サービスがある。宅配業者や訪問業者、調査会社等は、在宅可能性予想サービスを利用することで、配達や訪問の効率を向上させることができる。

このように構成される本実施形態によれば、複数の在宅判定部１１１，１１２Ａ，１１２Ｂ，１１３によってユーザの在宅可能性を判定し、それらの判定結果に基づいて総合判定部１１４は、ユーザが住宅２に在宅しているかを判定することができる。この結果、消費電力量だけに基づいてユーザの在宅を判定する場合に比べて、判定精度を高めることができる。

図２〜図１３を用いて第１実施例を説明する。図２は、在宅判定システム１の機能ブロック図である。

在宅判定システム１は、通信ネットワークＣＮ１を介して、各ユーザの住宅２と、情報配信サーバ４とに接続されている。在宅判定システム１は、それぞれ異なる複数の情報配信サーバ４に接続することもできる。情報配信サーバ４としては、例えば、気象情報を配信するサーバ、ニュースを配信するサーバなどがある。

さらに、在宅判定システム１は、他の通信ネットワークＣＮ２を介して、サービス契約会社の運営するコンピュータシステム３にも接続されている。以下、サービス契約会社のコンピュータシステム３をサービス契約会社３と呼ぶことがある。図中、通信ネットワークＣＮ１とＣＮ２とはそれぞれ別々の通信ネットワークであるかのように示すが、共通のネットワークとして構成することもできる。

住宅２について説明する。住宅２は、それぞれ後述するように、例えば、電気機器２０Ａ，２０Ｂと、ブレーカ２１と、電流センサ２２と、環境センサ２３を含む。

住宅２には、例えば、エアコン、洗濯機、電子レンジ、冷蔵庫、炊飯器、テレビ、掃除機、ＩＨクッキングヒータ、電気ポット、電気ストーブ、照明などの電気機器２０が設けられている。これら電気機器２０には、ユーザが在宅している可能性を判定するために使用される重みパラメータがあらかじめ設定されている。

電気機器２０は、２つの種類に大別することができる。一つは、ユーザが住宅２内に存在する可能性（在宅可能性）との関連が高いと推定される特定機器２０Ａである。他の一つは、特定機器２０Ａ以外のその他の機器（その他機器）２０Ｂである。

本実施例では、特定機器２０Ａとして電気掃除機（ユーザが手動操作するタイプ）を例に挙げて説明する。手動操作型の電気掃除機は、ユーザにより操作されるため、電気掃除機が稼動していることを検知できた場合は、ユーザが在宅している可能性が高いと考えられるためである。手動操作型の電気掃除機以外に、例えば、アイロン、電子レンジなどのユーザが手動で操作する可能性の高い電気機器を特定機器２０Ａとして設定することもできる。その他機器２０Ｂには、ユーザの在宅可能性との関連が低いと推定される機器、例えば、常時稼動している電気機器、戸外のユーザが遠隔操作可能な電気機器、タイマに設定した時刻で稼動可能な電気機器がある。

住宅２には、図外の電力系統から受電した電力を住宅２内の電気機器２０へ分配したり、負荷側（電気機器２０側）に過電流が流れた場合に電源を遮断したりするためのブレーカ２１が設けられている。ブレーカ２１内には、ブレーカ２１を介して住宅２内へ分配される大元の電流の波形をモニタするための電流センサ２２が設けられている。電流センサ２２の計測した電流波形は、通信ネットワークＣＮ１を介して在宅判定システム１へ定期的に送信される。電力系統から住宅２のブレーカ２１へ供給される電力の電圧は契約に基づいて一定であるため、電流波形から消費電力量の時間変化を得ることができる。

環境センサ２３は、住宅２内の環境に関する情報（居住環境情報）を測定し、通信ネットワークＣＮ１を介して在宅判定システム１へ送信する。環境センサ２３の計測した情報と電流センサ２２の計測したデータとは、それぞれ別々のタイミングで在宅判定システム１へ送信してもよいし、同時に送信してもよい。

環境センサ２３は、例えば、室温を測定する温度計、外気温を測定する温度計、室内の湿度を測定する湿度計や、室内の二酸化炭素（ＣＯ２）濃度を測定するセンサ、人間の存在を判断する赤外線センサ、音声を検出する音圧センサ（振動センサ）、気圧センサ、室内の明るさを検出する照度センサ、戸外の明るさを検出する照度センサなどである。例示列挙した全てのセンサが住宅２に備えられている必要はない。また、外気温度計や戸外の照度計の代わりに、他の住宅２の外気温時計や照度計を用いてもよいし、気象情報から推定してもよい。

在宅判定システム１について説明する。在宅判定システム１は、例えば、ＣＰＵ（Central Processing Unit）１００、メモリ１０１、通信部１０２等を備えるコンピュータシステムとして構成される。ＣＰＵ１００は、メモリ１０１に格納された所定のコンピュータプログラムを読み込んで実行することにより、後述の機能１１０〜１８０を実現する。

通信部１０２は、通信ネットワークＣＮ１を介して、各住宅２（電流センサ２２，環境センサ２３）、情報配信サーバ４と通信する。さらに、通信部１０２は、通信ネットワークＣＮ２を介してサービス契約会社のコンピュータシステム３と通信する。

在宅判定システム１は、その機能として、在宅／不在判断部１１０、パラメータ管理部１２０、顧客管理部１３０、ＡＰＩ１４０、第１データベース１５１、第２データベース１５２、カレンダ１６０、可視化部１７０、サービス実現部１８０を持つ。

在宅／不在判断部１１０は、例えば、消費電力量の時間変化、電気機器２０の稼動状態、カレンダ１６０から取得する時間情報、環境センサ２３から取得する居住環境情報、顧客管理部１３０から取得する生活環境情報に基づいて、ユーザが在宅している可能性を判定する。

パラメータ管理部１２０は、在宅／不在判断部１１０で使用するパラメータ（重みパラメータ）を管理する。

顧客管理部１３０は、第１データベース１５１に格納された各ユーザの生活環境情報を管理する。生活環境情報には、例えば、ユーザと同居する家族の構成、年齢、生活パターンなどである。生活環境情報は、ユーザがパーソナルコンピュータや携帯電話（いわゆるスマートフォンを含む）などを用いて、在宅判定システム１の第１データベース１５１へ登録してもよい。あるいは、電力会社のサーバから取得した契約者データを第１データベース１５１へ登録してもよいし、電子商取引システムから取得したユーザデータを第１データベース１５１へ登録してもよい。第１データベース１５１は、第１記憶部と呼ぶこともできる。

ＡＰＩ（Application Programming Interface）１４０は、各住宅２から受信するデータ（電流センサ２２のデータ、環境センサ２３のデータ）を受け付ける機能である。ＡＰＩ１４０を介して受け付けられた各データは、第２データベース１５２に記憶される。在宅／不在判断部１１０は、第２データベース１５２に格納されたデータに基づいて、ユーザが在宅している可能性を判断する。在宅／不在判断部１１０による判定結果（ユーザの在宅可能性）は、第２データベース１５２に格納される。第２データベース１５２は、第２記憶部と呼ぶこともできる。

第１データベース１５１に記憶されたデータ（生活環境情報）は、在宅の可能性を判定するためのパラメータセットの選択のために使用される。これに限らず、在宅／不在判断部１１０は、第１データベース１５１に格納されたデータと第２データベース１５２に格納されたデータの両方を用いて、ユーザの在宅可能性を判断してもよい。

カレンダ１６０は、年月日や時刻、曜日や祝祭日などの時間を管理する。カレンダ１６０は、在宅判定システム１の内部に設けることできるし、情報配信サーバ４の一つとして在宅判定システム１の外部に設けることもできる。

可視化部１７０は、在宅／不在判断部１１０の判定結果を、サービス実現部１８０が利用しやすいように可視化して出力する。例えば、可視化部１７０は、各住宅２の在宅状況を数値やグラフ等で表現して出力する。

サービス実現部１８０は、可視化部１７０で可視化された結果に基づく付加価値を提供するサービスを実現する。例えば、サービス実現部１８０は、住所やユーザ氏名、郵便番号、電話番号、宅配の伝票番号、調査票の識別番号等が入力されると、それに対応する住宅２にユーザが在宅している可能性を出力するといったサービスを提供する。あるいは、サービス実現部１８０は、後述のように、ある地域におけるユーザの在宅可能性をランク分けし、ランクの時間変化を出力するといったサービスを提供する。

図３および図４を用いて、消費電力量に基づく在宅判定の例を説明する。図３は、消費電力量に基づいて在宅／不在を判定する場合の消費電力量の時系列データと、在宅／不在を判定するための閾値との関係を示す。

図３において、縦軸は住宅２の消費電力量Ｗを示し、横軸は時間を示す。「ｍａｘ」は、ある期間（例えば１日間）における消費電力量Ｗの最大値を示す。「ｍｉｎ」は、同じくある期間における消費電力量の最小値を示す。「ａｖｅ」は、ある期間の消費電力量Ｗの平均値である。閾値ＴｈＵは、ユーザが在宅している可能性が高いと判断できる消費電力量である。閾値ＴｈＬは、ユーザが在宅していない可能性が高いと判断できる消費電力量である。

図４は、閾値ＴｈＵ，ＴｈＬと在宅／不在の判定結果との関係を示す判定テーブルＴ１である。判定テーブルＴ１は、番号欄Ｃ１１と、条件欄Ｃ１２と、判定結果欄Ｃ１３とを対応付けて管理する。

番号欄Ｃ１１は、各判定条件に設定された番号を管理する。条件欄Ｃ１２は、住宅２の消費電力量と閾値との大小関係から在宅の可能性を判定するための条件を定義する。判定結果欄Ｃ１３は、判定結果を格納する。

本実施例では、住宅２の消費電力量Ｗが在宅判定用閾値ＴｈＵを超えている場合（Ｗ＞ＴｈＵ）、ユーザは在宅している可能性が高いと判定する（図中、丸印）。これに対し、消費電力量Ｗが不在判定用閾値ＴｈＬを下回っている場合（Ｗ＜ＴｈＬ）、ユーザは不在である可能性が高いと判定する（図中、バツ印）。ここでのユーザとは、家族を構成する各個人ではなく、その住宅２に住む家族を示している。家族のうち誰か一人でも住宅２内に存在する場合、在宅／不在判断部１１０は在宅していると判定する。家族の全員が住宅２内に居ない場合、在宅／不在判断部１１０は不在であると判定する。

消費電力量Ｗが不在判定用閾値ＴｈＬ以上であって、かつ、在宅判定用閾値ＴｈＵ以下である場合（ＴｈＬ≦Ｗ≦ＴｈＵ）、ユーザは在宅しているか否か不明であると判定する（図中、三角印）。在宅しているか否か不明とは、ユーザが在宅している可能性はあるが、その可能性は丸印の評価ほどには高くない状況である。

在宅判定用閾値ＴｈＵおよび不在判定用閾値ＴｈＬは、それぞれ統計処理で決定してもよいし、過去蓄積されたデータから決定してもよい。家族構成や家族の年齢構成等から導出される生活パターン（生活リズム）と消費電力量の推移パターンとを照合することで、閾値ＴｈＵ，ＴｈＬを決定してもよい。なお、図中では、ユーザの在宅可能性を丸印、バツ印、△印のように記号で表現しているが、これに代えて、確率やランクなどの数値で表現することもできる。

図５，図６は、電気機器２０の稼動状態からユーザの在宅可能性を判定する様子を示す説明図である。

図５は、電気機器２０に設定される在宅係数の時間変化を示す。本実施例では、電気機器ごとに「重みパラメータ」の例である在宅係数を設定する。本実施例では、各電気機器２０の在宅係数に基づいて、ユーザの在宅可能性を算出する。

上述の通り、本実施例では、家庭で使用される電気機器（家庭電気製品）には、ユーザの在宅と密接に関連する特定機器２０Ａと、ユーザの在宅とは関連の薄いその他機器２０Ｂとがあることに着目する。

例えば、手動操作型の電気掃除機はユーザが手動で操作する電気機器である。したがって、電気掃除機の稼働が検出された場合は、ユーザが在宅している可能性が高い。これに対し、冷蔵庫は、通常、常時稼動している。エアコンは、ペットなどのために一日中稼動される場合がある。テレビ、照明などは、外出先のユーザが遠隔操作で稼動させたり停止させたりする場合がある。したがって、それらエアコン、テレビ、照明などの特定機器２０Ａ以外の機器２０Ｂは、ユーザの在宅との関連が低いと考えられる。

図５を参照する。住宅２のブレーカ２１内に設けられた電流センサ２２が検出した消費電力量を解析することで、その住宅２に置かれた各電気機器２０がいつ稼動し、いつ停止したかの稼動状態を推定することができる。

図５の上側には、２種類の電気機器２０の特性Ｌ１，Ｌ２が示されている。特性Ｌ１は、例えば手動操作型の電気掃除機である。特性Ｌ２は、例えばエアコンである。手動操作型の電気掃除機は、ユーザが手動で操作しないと使用することができないため、その在宅係数Ｃｈ１は高く設定される。これに対し、エアコンは、ユーザが不在であっても稼動する可能性が高いため、その在宅係数Ｃｈ２は低く設定される。

手動操作型の電気掃除機は、時刻ｔ１で起動されて時刻ｔ２まで時間Ｔｏｎだけ稼動したとする。在宅係数は、起動時刻ｔ１で値Ｃｈ１となり、停止時刻ｔ２までその値Ｃｈ１が継続する。

ここで、停止時刻ｔ２で手動操作型の電気掃除機が停止された後、在宅係数Ｃｈ１は直ちに０になるのではなく、所定の傾きθで徐々に低下し、時刻ｔ４で０になる。この理由は、手動操作型の電気掃除機を用いて掃除した後も、ユーザは、少なくとも所定時間Ｔｃの間は、在宅している可能性が高いからである。手動操作型の電気掃除機の稼動を停止させた後、ユーザの在宅可能性は次第に低下すると考えられる。

そこで、本実施例では、電気機器の稼働停止から所定時間Ｔｃが経過した後に、その在宅係数が０になるように設定することができるようになっている。所定時間Ｔｃを本実施例では移行時間Ｔｃと呼ぶ。移行時間Ｔｃは、電気機器の種類などに応じて事前に設定することができる。

特性Ｌ２は、時刻ｔ３で起動し、時刻ｔ５で停止したものとする。在宅係数は、起動時刻ｔ３で値Ｃｈ２（＜Ｃｈ１）となり、停止時刻ｔ５で０となる。特性Ｌ２では、移行時間が短く設定されているため、電気機器の稼働が停止した後、速やかに在宅係数の値は０になる。移行時間Ｔｃは０以上の値に設定することができる。

図５の下側には、特性Ｌ１，Ｌ２を合成した特性Ｌ３が示されている。本実施例では、住宅２内の各電気機器２０の在宅係数を総合的に判断することで、ユーザの在宅可能性を判定する。

なお、図５の例では、手動操作型の電気掃除機を主に説明したが、これに限らず、例えば、炊飯器であれば、炊飯動作がＯＦＦした後、しばらくの間はユーザは在宅している可能性が高い。通常の場合、食事をする可能性が高いためである。また、洗濯機であれば、洗濯動作がＯＦＦした後、ユーザは洗濯物を干したり乾燥機に入れたりする可能性が高いため、３０分程度は在宅している可能性が高いと予測できる。一方、エアコンの場合、稼動を停止させた後、比較的短時間で外出する可能性が高いと予測できる。このように、本実施例では、電気機器の使われ方に応じて、ユーザの在宅可能性との関係を示す在宅係数（重みパラメータ１）および移行時間（重みパラメータ２）を設定する。本実施例では、在宅係数と移行時間の設定を調整することで、電気機器ごとにユーザの在宅可能性との関連性を表現している。

図６は、在宅係数に基づいて在宅／不在を判断する判定テーブルＴ２を示す。この判定テーブルＴ２は、例えば、番号欄Ｃ２１と、条件欄Ｃ２２と、判定結果欄Ｃ２３とを対応付けて管理する。

番号欄Ｃ２１は、各判定条件に設定された番号を管理する。条件欄Ｃ２２は、電気機器２０の在宅係数と閾値との大小関係からユーザの在宅可能性を判定するための条件を定義する。判定結果欄Ｃ３３は、判定結果を格納する。

本実施例では、特定機器２０Ａの在宅係数Ｃｈ１が閾値ＴｈＣ１を超過した場合（Ｃｈ１＞ＴｈＣ１）、その住宅２は在宅可能性が高い（丸印）と判定する。各電気機器２０の在宅係数が全て閾値ＴｈＣ２以下の場合（０を含む）、その住宅３は在宅可能性が低いと判定する（バツ印）。特定機器２０Ａ以外のその他機器２０Ｂの在宅係数Ｃｈ２の合計値ΣＣｈ２が閾値ＴｈＣ２を超過した場合（ΣＣｈ２＞ＴｈＣ２）、その住宅の在宅可能性は不明であると判定する（三角印）。不明とは、上述の通り、在宅の可能性はあるが丸印評価の場合ほどには高くないという状態である。なお、判定結果は、丸印、三角印、バツ印のような記号に代えて、確率やランクなどの数値で表現してもよい。

図７は、電気機器２０の動作時間を管理するテーブルＴ３の例である。このテーブルＴ３は、電気機器毎の稼働時における想定動作時間を管理する。電気機器２０は、いったん起動されると、その起動目的を果たすまで継続して稼動することが多い。電気機器２０が起動した後、どの程度稼動し続けるかは、その電気機器の使用目的や性質、ユーザの性格、生活スタイルなどに依存する。しかし、電気機器毎の動作時間を調査して統計処理することで、およその値を得ることができる。

本実施例では、住宅２の消費電力量の時間変化を波形解析することで、その住宅２で使用される電気機器２０の稼動状態を推定する。さらに、本実施例では、図７に示すテーブルＴ３を参照することで、電気機器２０の稼動状態の推定精度を高める。

本実施例では、電気機器の起動をいったん検出した場合、途中で波形解析結果が不安定になったとしても、テーブルＴ３に規定する想定動作時間だけは稼動を続けるものと推定できる。例えば、洗濯機の稼動開始（起動）が検出された後、何らかの理由で洗濯機の消費電力量の波形を見失った場合でも、洗濯機は３０分程度は稼動を続けるものとみなして、洗濯機の稼働状態をモニタすることができる。これにより、電気機器２０の波形の検出が断続した場合でも、電気機器の在宅係数に基づいて、ユーザの在宅可能性を安定して判定することができる。なお、統計データなどから作成する想定動作時間の管理テーブルＴ３に代えて、あるいはテーブルＴ３と共に、他のデータから動作時間を推定することもできる。例えば、テレビの場合、ユーザの家族構成と世代別の視聴率情報とに基づいて、テレビの稼働時間を推定することもできる。

図８は、重みづけパラメータである在宅係数と移行時間の例を示すパラメータ管理テーブルＴ４を示す。

パラメータ管理テーブルＴ４は、例えば、機器種別欄Ｃ４１と、パラメータ１欄（在宅係数欄）Ｃ４２と、パラメータ２欄（移行時間欄）Ｃ４３とを対応付けて管理する。

機器種別欄Ｃ４１は、電気機器２０の種類が記憶される。パラメータ１欄Ｃ４２には、図５で述べた在宅係数の値が設定される。パラメータ２欄Ｃ４３には、在宅係数が０に低下するまでの移行時間が設定される。在宅係数は、値が大きいほどユーザの在宅している可能性が高いものとし、値が小さいほどユーザの在宅可能性は低いものとする。移行時間は、値が大きいほど、その電気機器が稼働を停止した後でもユーザが在宅している可能性が高いことを示す。移行時間の値が小さい場合は、電気機器の稼働が停止した後、ユーザの在宅可能性は低いことを示す。

図９は、パラメータ管理テーブルＴ４の他の例を示す。パラメータ管理テーブルＴ４は、例えば、生活パターン（生活スタイル）、季節、家族構成などの指標の組合せに応じて、それぞれ用意することができる。

例えば、パラメータ管理テーブルＴ４（１）では、生活パターンと季節の組合せで、図８で述べたパラメータ管理テーブル４の重みづけパラメータ（在宅係数、移行時間）の値を調整する。同様に例えば、パラメータ管理テーブルＴ４（２）では、ユーザの家族構成と生活パターンの組合せで、重みづけパラメータの値を調整する。さらに例えば、パラメータ管理テーブルＴ４（３）では、天候状態と季節の組合せで、重みづけパラメータの値を調整する。図９に示す例以外にも、種々の観点から重みづけパラメータを設定することができる。

図１０は、在宅／不在判定の全体処理を示すフローチャートである。在宅判定システム１は、ＡＰＩ１４０を介して所定周期でデータを取り込むことにより、更新データがあるか否か判定する（Ｓ１０）。取込み対象のデータは、住宅２の消費電力量の時間変化を示す消費電力データと、消費電力データから抽出された電気機器２０の稼動状態を示す電気機器データ（電気機器稼動状態情報）と、センサ２３や情報配信サーバ４から取得する環境データ（環境情報）である。

在宅判定システム１は、更新データがあると判定すると（Ｓ１０：ＹＥＳ）、その更新データをＡＰＩ１４０から取得して（Ｓ１１）、第２データベース１５２へ格納する（Ｓ１２）。在宅判定システム１の在宅／不在判断部１１０は、データベース１５２に格納された各データ（消費電力データ、電気機器稼動状態情報、環境情報）と、パラメータ管理部１２０から提供されるパラメータ（重みづけパラメータである在宅係数と移行時間）とを参照し（Ｓ１３）、ユーザの在宅可能性を判定する（Ｓ１４）。ステップＳ１４の詳細は図１１で後述する。

在宅／不在判断部１１０による判定結果は、第２データベース１５２へ格納される（Ｓ１５）。判定結果を格納するためのデータベースを別に用意してもよい。可視化部１７０は、在宅／不在判断部１１０の判定結果をデータベース１５２から取得して、グラフや表などの形式で可視化する（Ｓ１６）。後述のように、ユーザの在宅可能性を統計処理して地図情報上に対応付けて表示することもできる。

図１１は、図１０中のステップＳ１４の例を示すフローチャートである。本実施例では、消費電力量の時間変化に基づく判定処理Ｓ１００と電気機器２０の在宅係数に基づく判定処理Ｓ２００との複数の異なる処理を結合させることで、ユーザの在宅可能性を総合的に判定する。

ここで、処理Ｓ１００は、在宅／不在判断部１１０のうち図１中に示す消費電力量用在宅判定部１１１が担当する。処理Ｓ２００は、在宅／不在判断部１１０のうち図１中に示す特定機器用在宅判定部１１２Ａおよびその他機器用在宅判定部１１２Ｂが担当する。環境センサ用在宅判定部１１３の動作例は別の実施例で後述する。

先に消費電力量に基づく判定処理Ｓ１００について説明する。在宅／不在判断部１１０は、消費電力データと閾値パラメータを取得し（Ｓ１０１）、消費電力量Ｗが在宅判定用閾値ＴｈＵを超えているか判定する（Ｓ１０２）。在宅／不在判断部１１０は、消費電力量Ｗが在宅判定用閾値ＴｈＵを超えていると判定すると（Ｓ１０２：ＹＥＳ）、ユーザの在宅可能性は高いと判定する（Ｓ１０３）。

在宅／不在判断部１１０は、消費電力量Ｗが在宅判定用閾値ＴｈＵ以下であると判定すると（Ｓ１０２：ＮＯ）、消費電力量Ｗが不在判定用閾値ＴｈＬを下回っているか判定する（Ｓ１０４）。在宅／不在判断部１１０は、消費電力量Ｗが不在判定用閾値ＴｈＬを下回っていると判定すると（Ｓ１０４：ＹＥＳ）、ユーザは不在である可能性が高いと判定する（Ｓ１０５）。

在宅／不在判断部１１０は、消費電力量Ｗが不在判定用閾値ＴｈＬ以上であると判定すると（Ｓ１０４：ＮＯ）、ユーザが在宅している可能性はあるものの不明であると判定する（Ｓ１０６）。在宅／不在判断部１１０は、消費電力量の時間変化に基づく判定結果を在宅ランクを計算するステップＳ３００へ出力する（Ｓ１０７）。在宅ランクは、「ユーザが在宅している可能性を示す所定の指標値」の例である。ステップＳ３００は、在宅／不在判断部１１０のうち図１中に示す総合判定部１１４が担当する。

次に、電気機器２０の在宅係数に基づく判定処理Ｓ２００について説明する。在宅／不在判断部１１０は、住宅２内の各電気機器２０の稼動状態を示す情報と在宅係数および移行時間の基準値を取得する（Ｓ２０１）。

在宅／不在判断部１１０は、家族構成、季節、時間帯、室温、天候などの情報を考慮して、在宅係数の基準値から在宅係数を生成する（Ｓ２０２）。

在宅／不在判断部１１０は、特定機器２０Ａの例としての掃除機の在宅係数が閾値Ｔｈｃ１を超えているか判定する（Ｓ２０３）。在宅／不在判断部１１０は、特定機器２０Ａの在宅係数Ｃｈ１が閾値ＴｈＣ１を超過していると判定すると（Ｓ２０３：ＹＥＳ）、ユーザが在宅している可能性が高いと判定する（Ｓ２０４）。

在宅／不在判断部１１０は、特定機器２０Ａの在宅係数が閾値ＴｈＣ１以下であると判定すると（Ｓ２０３：ＮＯ）、その他機器２０Ｂの在宅係数Ｃｈ２の合計値ΣＣ２が閾値ＴｈＣ２を超えているか判定する（Ｓ２０５）。在宅／不在判断部１１０は、その他機器２０Ｂの在宅係数の合計値ΣＣ２が閾値ＴｈＣ２を超えていないと判定すると（Ｓ２０５：ＮＯ）、在宅の可能性は低いと判定する（Ｓ２０７）。

在宅／不在判断部１１０は、その他機器２０Ｂの在宅係数の合計値ΣＣ２が閾値ＴｈＣ２を超えている場合（Ｓ２０５：ＹＥＳ）、ユーザの在宅可能性はあるが、ステップＳ２０４での評価ほど可能性は高くないと判定する（Ｓ２０６）。在宅／不在判断部１１０は、在宅係数に基づく判定結果をステップＳ３００へ出力する（Ｓ２０８）。

在宅／不在判断部１１０は、消費電力量に基づく判定結果（Ｓ１０７）と在宅係数に基づく判定結果（Ｓ２０８）とから、ユーザが在宅している可能性を総合評価し、その結果を在宅ランクとして出力する（Ｓ３００）。

図１２は、在宅ランクを判定するテーブルＴ５の例を示す。テーブルＴ５は、例えば、番号欄Ｃ５１、消費電力量に基づく判定結果欄Ｃ５２、在宅係数に基づく判定結果欄Ｃ５３、在宅ランク欄Ｃ５４を対応付けて管理する。

消費電力量判定結果欄Ｃ５２は、消費電力量に基づいて判定された在宅可能性の結果を示している。在宅係数判定結果欄Ｃ５３は、在宅係数に基づいて判定された在宅可能性の結果を示している。在宅ランク欄Ｃ５４は、消費電力量に基づく判定結果と在宅係数に基づく判定結果とから算出されるランクの値を示す。在宅ランクは、総合評価と呼ぶこともできる。

図１２の例では、番号「１」に示すように、消費電力量に基づく在宅可能性が高く（丸印）、かつ、在宅係数に基づく在宅可能性も高い場合（丸印）、最高ランク「５」が与えられる。これに対し、番号「９」に示すように、消費電力量に基づく在宅可能性が低く（バツ印）、かつ、在宅係数に基づく在宅可能性も低い場合（バツ印）、最低ランク「０」が与えられる。

番号「２」，「３」に示すように、消費電力量に基づく在宅可能性が高い場合であっても（丸印）、在宅係数に基づく在宅可能性が高くはない場合（三角印、バツ印）、在宅ランクの値は最高ランク「５」よりも低くなる。消費電力量に基づく在宅可能性が高くても、在宅係数に基づく在宅可能性が低い場合、「総合評価」としての在宅ランクは低い値に修正される。

番号「４」，「７」に示すように、消費電力量に基づく在宅可能性が高くない場合であっても（三角印、バツ印）、在宅係数に基づく在宅可能性が高い場合（丸印）、在宅ランクは高い値に修正される。

このように、本実施例では、消費電力量に基づく在宅可能性を在宅係数に基づく在宅可能性により修正することができ、信頼性の高い総合評価を算出できる。

図１３は、変形例に係る在宅ランク判定テーブルＴ６を示す。このテーブルは、例えば、番号欄Ｃ６１と、消費電力量に基づく判定結果欄Ｃ６２と、在宅係数に基づく判定結果欄Ｃ６３と、予測欄Ｃ６４と、在宅ランク欄Ｃ６５とを対応付けて管理する。ここで欄Ｃ６１，Ｃ６２，Ｃ６３，Ｃ６５は、図１２で述べた欄Ｃ５１，Ｃ５２，Ｃ５３，Ｃ５４に対応するため、説明を省略する。

予測欄Ｃ６４は、過去の判定結果に基づく在宅可能性の予測である。例えば、一週間前の同じ時間帯のような過去の判定結果を参考にすることで、今回の在宅可能性の判定精度を向上させることができる。一週間や一ヶ月程度の過去の判定結果であれば、季節による気温変化や生活パターンの変化があまりないと見込まれるため、予測値として参考にすることができる。本日に対応する一年前の同じ曜日の在宅可能性を予測値として参考にしてもよい。予測値は、過去に実施した在宅可能性の判定結果（推定値）でもよいし、鉄道利用履歴などの他のデータで後から確認した実績値であってもよい。

図１３の予測欄Ｃ６４では、番号「５」〜「８」および「１０」，「１１」には丸印またはバツ印のいずれかを記載し、それ以外にはハイフンを記載している。これは、消費電力量に基づく在宅可能性と在宅係数に基づく在宅可能性だけでは判断が難しいケースに限って、予測値Ｃ６４を参照することを意味する。消費電力量に基づく在宅可能性と在宅係数に基づく在宅可能性だけで判断可能な場合は、予測値Ｃ６４を参照しない。予測値Ｃ６４を参照しないケースでは、ハイフンを記載している。

なお、在宅／不在の予測値を参照するか否かは、住宅毎で異なったり、在宅／不在判定の結果を適用するサービスによっても異なると考えられる。したがって、条件や状況等によって、在宅／不在の予測値を参照するか否かを設定してもよい。

このように構成される本実施例によれば、消費電力量に基づく在宅可能性と在宅係数に基づく在宅可能性とから総合判断することで、ユーザの在宅可能性を従来よりも高い精度で判定することができる。

本実施例では、ユーザの住宅２に設けられた電気機器２０を、ユーザの在宅可能性との関連が高いとして事前に指定された特定機器２０Ａとその他機器２０Ｂとに分類し、特定機器２０Ａの稼動状態を表す在宅係数と、その他機器２０Ｂの稼動状態を表す在宅係数とから、ユーザの在宅可能性を判定する。したがって、例えば手動操作型の電気掃除機のように、ユーザが手動で操作する可能性が高い特定機器２０Ａの稼動を検出した場合は、在宅可能性を高い精度で判定できる。特定機器２０Ａの稼動を検出できない場合でも、特定機器２０Ａの稼動停止後から一定時間内であれば、その他機器２０Ｂの稼動状態を加味することで在宅可能性を高精度に判定できる。

本実施例では、電気機器２０の稼動状態を示す在宅係数を、電気機器の稼動停止後にただちに０として扱うのではなく、所定の移行時間が経過するまでは徐々に低下させて、在宅可能性の判定に使用する。したがって、ユーザの生活実態に即して電気機器２０の稼動状態を解釈することができ、従来よりも高精度に在宅可能性を判定できる。

本実施例では、図７で述べたように、電気機器２０の種別ごとに想定動作時間を設定するため、消費電力量の時間変化を示す波形データを完全に解析できない場合でも、想定動作時間に基づいて電気機器の稼働状態を検出することができる。

図１４〜図１７を用いて第２実施例を説明する。本実施例を含む以下の各実施例では、第１実施例との相違を中心に説明する。本実施例では、第１実施例で述べた判定アルゴリズムを前提としつつ、温度や湿度などの環境データを用いることで在宅／不在の判定精度を向上させる。

図１４は、環境データを定義するテーブルＴ７の例である。このテーブルＴ７は、例えば、番号Ｃ７１、項目欄Ｃ７２、内容欄Ｃ７３を備える。項目欄Ｃ７２は、環境データの種類、例えば、温度（室温、外気温）、湿度、照度、二酸化炭素濃度（ＣＯ２濃度）、音、人感（赤外線の有無）を記憶する。内容欄Ｃ７３は、項目欄Ｃ７２に設定された環境データの内容を説明する。

住宅２が最初から人感センサを備えており、その人感センサの検出信号を在宅判定システム１が利用できるのであれば、ユーザが在宅しているか否かを高い確率で判断することができる。ペットが飼われていないことを前提にすると、二酸化炭素濃度が高ければ、ユーザが在宅している可能性が高いと判定できる。ユーザが在宅している場合、何らかの生活音が発生するため、音センサや音圧センサの検出信号から、ユーザが在宅している可能性を判定できる。

このように環境データを測定する環境センサ２３が住宅２に設置されており、その環境センサ２３を在宅判定システム１が利用できる場合、環境データを利用してユーザの在宅可能性を判定できる。しかし、環境データのみでは、在宅可能性の判定精度を高くすることができない可能性がある。そこで、本実施例では、第１実施例の在宅／不在判定アルゴリズムと環境データとを組み合わせることで、判定精度を向上させる。

なお、環境データは、全て住宅２内の環境センサ２３から取得する必要はなく、サーバ４などから取得して利用することもできる。

図１５は、本実施例による在宅／不在判定処理の第１の変形例を示すフローチャートである。この第１変形例では、消費電力量に基づいて在宅／不在を判定する第１の判定処理Ｓ１００（図中、判定処理１）と、在宅係数に基づいて在宅／不在を判定する第２の判定処理Ｓ２００（図中、判定処理２）とに加えて、第３の判定処理Ｓ４００（図中、判定処理３）を実施する。第３の判定処理４００では、後述のように、常時稼動する冷蔵庫のような機器と室温との関係から、在宅／不在を判定する。

第３の判定処理Ｓ４００では、常時稼働することの多い冷蔵庫に着目する。通常、冷蔵庫は庫内の温度を維持するために、冷却に使用するコンプレッサを間欠制御する。間欠動作では、庫内の温度が上昇した場合に電流値を増加させ、庫内の温度が設定温度以下に到達すると電流値を減少させる。この間欠動作の周期は、室温や人の開閉動作による庫内温度の変化に依存すると考えられる。

そこで、本実施例では、冷蔵庫の電力変化と室温とに着目した第３の判定処理Ｓ４００を実施する。

在宅／不在判断部１１０は、消費電力量などのデータと閾値などのパラメータとを取得した後（Ｓ４０１）、判定対象の常時稼動機器の単位時間あたりの消費電力量の変化ΔＷが所定の閾値ＴｈΔＷ以上であるか判定する（Ｓ４０２）。

常時稼動機器の消費電力量の時間変化ΔＷが閾値ＴｈΔＷ以上の場合、在宅／不在判断部１１０は、室温が所定の閾値ＴｈＴＡ以下であるか判定する（Ｓ４０３）。

常時稼動機器の消費電力量の時間変化ΔＷが閾値ＴｈΔＷ未満である場合（Ｓ４０２：ＮＯ）、在宅／不在判断部１１０は、在宅可能性は低い（バツ印）ものと判定する（Ｓ４０４）。在宅の場合、ユーザが常時稼動機器を時々使用すると考えられる。常時稼動機器の消費電力量の時間変化ΔＷが少ないということは、ユーザにより使用されていないと考えられる。したがって、在宅可能性は低いと判定することができる。

常時稼動機器の消費電力量の時間変化ΔＷが閾値ＴｈΔＷ以上の場合であっても（Ｓ４０２：ＹＥＳ）、室温が所定の閾値ＴｈＴＡを超えている場合（Ｓ４０３：ＮＯ）、高温の室温に対応すべくコンプレッサが稼働したと考えることができる。そこで、在宅／不在判断部１１０は、在宅可能性は低いと判定する（Ｓ４０４）。

これに対し、常時稼動機器の消費電力量の時間変化ΔＷが閾値ＴｈΔＷ以上であって（Ｓ４０２：ＹＥＳ）、かつ、室温が所定の閾値ＴｈＴＡ以下であるときは（Ｓ４０３：ＹＥＳ）、室温が高くないにもかかわらず消費電力量が閾値ＴｈΔＷを超えて増大した場合である。つまり、在宅中のユーザが常時稼動機器を使用した結果、消費電力量が増大したと考えられるため、在宅／不在判断部１１０は、在宅可能性は高い（丸印）と判定する（Ｓ４０５）。

第３の判定処理Ｓ４００の判定結果は、在宅ランクを計算するステップＳ３００へ出力される（Ｓ４０６）。在宅／不在判断部１１０は、消費電力量に基づく第１の判定処理Ｓ１００の判定結果と、在宅係数に基づく第２の判定処理Ｓ２００の判定結果と、常時稼動機器の稼働状態と室温の関係に基づく第３の判定処理Ｓ４００の判定結果とに基づいて、ユーザの在宅可能性を算出し、ランク分けする（Ｓ３００）。

例えば、在宅／不在判断部１１０は、第１の判定処理Ｓ１００の判定結果と第２の判定処理Ｓ２００の判定結果だけでは在宅可能性が不明な場合に、第３の判定処理Ｓ４００の判定結果を考慮して在宅可能性があるか否かを決定することができる。または、在宅／不在判断部１１０は、各判定処理Ｓ１００，Ｓ２００，Ｓ４００の判定結果を数値化し、重みを付けて合計した値から、在宅可能性をランク分けしてもよい。

なお、アナログ値である電力量の時間変化を閾値ＴｈΔＷとして用いたが、これに代えて、間欠動作時のオンオフ期間を参照し、オン時間の長さや、所定期間内におけるオン状態の頻度などから常時稼動機器の稼働状況を推定してもよい。

図１６は、本実施例による在宅／不在判定処理の第２の変形例を示すフローチャートである。この第２変形例では、環境センサ２３の例として人感センサを用いた第４の判定処理Ｓ５００（図中、判定処理４）を実施する。人感センサとは、例えば人間の体温が発する赤外線、人間の出す音などを計測して、人間の存在を検知するセンサである。

在宅／不在判断部１１０は、人感センサからの測定データと閾値などのパラメータとを取得し（Ｓ５０１）、人感センサが人間の存在を検知したか判定する（Ｓ５０２）。例えば、所定波長範囲の赤外線の強さが所定の閾値以上である場合、あるいは、所定周波数の音が所定期間以上継続した場合に、人間が存在すると推定することができる。

在宅／不在判断部１１０は、人感センサが人間の存在を検知すると（Ｓ５０２：ＹＥＳ）、在宅可能性が高い（丸印）と判定する（Ｓ５０３）。これに対し、在宅／不在判断部１１０は、人感センサが人間の存在を検知できなかった場合（Ｓ５０２：ＮＯ）、在宅可能性は低い（バツ印）と判定する（Ｓ５０４）。第４の判定処理Ｓ５００の判定結果は、在宅ランクを計算するステップＳ３００へ送られる。ステップＳ３００では、消費電力量に基づく第１の判定処理Ｓ１００の判定結果と、在宅係数に基づく第２の判定処理Ｓ２００の判定結果と、第４の判定処理Ｓ５００の判定結果とに基づいて、ユーザの在宅可能性を計算し、ランク分けして出力する。

図１７は、在宅／不在判定処理の第３の変形例を示すフローチャートである。この第３変形例では、環境センサとして二酸化炭素濃度センサを使用し、二酸化炭素濃度に基づいて在宅可能性を判定する第５の判定処理（図中、判定処理５）を実施する。

在宅／不在判断部１１０は、二酸化炭素濃度センサの測定データと閾値などのパラメータとを取得し（Ｓ６０１）、二酸化炭素濃度が所定の閾値ＴｈＣＯ２以上であるか判定する（Ｓ６０２）。

在宅／不在判断部１１０は、二酸化炭素濃度が閾値ＴｈＣＯ２以上であると判定すると（Ｓ６０２：ＹＥＳ）、在宅可能性は高い（丸印）と判定する（Ｓ６０３）。人間が住宅２内に存在すれば、二酸化炭素濃度は高くなるためである。これに対し、在宅／不在判断部１１０は、二酸化炭素濃度が閾値ＴｈＣＯ２未満であると判定すると（Ｓ６０２：ＮＯ）、在宅可能性は低い（バツ印）と判定する（Ｓ６０４）。第５の判定処理の結果は、在宅ランクを計算するステップＳ３００へ出力される（Ｓ６０５）。

在宅／不在判断部１１０は、消費電力量に基づく第１の判定処理Ｓ１００の判定結果と、在宅係数に基づく第２の判定処理Ｓ２００の判定結果と、二酸化炭素濃度センサの測定結果に基づく第５の判定処理Ｓ６００の判定結果とに基づいて、ユーザの在宅可能性を算出し、ランク分けする（Ｓ３００）。

このように構成される本実施例も第１実施例と同様の作用効果を奏する。さらに本実施例では、常時稼動機器の稼働状態、環境センサ２３の測定データ（室温、人感、二酸化炭素濃度）も考慮するため、第１実施例の場合に比べてより高精度に在宅可能性を判定することができる。

本実施例では、ユーザの在宅可能性との関連が低いと思われがちな冷蔵庫などの常時稼動機器の稼働状況を消費電力量の波形データから抽出し、その稼働状況と室温とを照合することで、在宅可能性を判断する。本実施例では、環境データである室温と組み合わせることで、常時稼動機器の稼働状態をユーザの在宅可能性に結びつけることができ、常時稼動機器の稼働状態から在宅可能性を判定できる。

なお、図１５，図１６，図１７に示す在宅／不在判定処理は適宜組み合わせてもよい。例えば、消費電力量に基づく第１の判定処理Ｓ１００と、在宅係数に基づく第２の判定処理Ｓ２００と、常時稼動機器の稼働状態に基づく第３の判定処理Ｓ４００と、人感センサの測定データに基づく第４の判定処理Ｓ５００と、二酸化炭素濃度センサの測定データに基づく第５の判定処理Ｓ６００とをそれぞれ実行し、ステップＳ３００において総合的に判定してランク分けしてもよい。

図１８を用いて第３実施例を説明する。本実施例では、在宅／不在を判定する機能と、その判定結果を利用してサービスを提供する機能とを別々のコンピュータシステム上に実現する。

図１８は、在宅判定システム１Ａを含む情報処理システムの全体概要を示す。本実施例では、図１で述べた在宅判定システム１のうち、サービス実現部１８０と顧客管理部１３０と第１データベース１５１とを、サービス提供者の管理するコンピュータシステム５上で実現する。図中では、サービス提供者の管理するコンピュータシステムを１つだけ示すが、在宅判定システム１Ａは、複数のコンピュータシステムに対して在宅可能性の判定結果を供給することができる。同様に、サービス提供者のコンピュータシステム５は、それぞれ異なるサービス契約会社に対してサービスを提供することができる。

本実施例の在宅判定システム１Ａは、在宅／不在判断部１１０、パラメータ管理部１２０、ＡＰＩ１４０、第２データベース１５２、カレンダ１６０、可視化部１７０を含んで構成される。住宅２の構成などは第１実施例と同一であるため、説明を省略する。

例えば電力会社などのサービス事業者の管理するコンピュータシステム５（サービス提供システム５）は、在宅判定システム１Ａと連携することで、各住宅２の在宅可能性を宅配業者などのサービス契約会社１に提供することができる。

このように構成される本実施例も第１実施例と同様の作用効果を奏する。さらに、本実施例では、在宅／不在を判定する機能と、在宅／不在の判定結果（在宅可能性）を用いてサービスを提供する機能とを異なる事業者の管理するコンピュータシステムに分散させて連携させる。したがって、在宅判定システム１Ａの判定結果を種々のサービスに応用することができ、使い勝手が向上する。

図１９〜図２１を用いて第４実施例を説明する。本実施例では、在宅／不在の判定結果を地域ごとに統計処理して提供する。

図１９は、本実施例の在宅判定システム１Ｂの機能構成図である。在宅判定システム１Ｂは、第１実施例で述べた在宅判定システム１に比べて、地図管理部１０００を備える点で相違する。

地図管理部１０００は、所定範囲の地図データを在宅／不在判断部１００と顧客管理部１３０と可視化部１７０とに供給する。顧客管理部１３０は、在宅判定システム１の対象となる住宅２の住所を管理している。したがって、在宅／不在判断部１１０の判定結果を地域ごとに集計することで、可視化部１７０は、各地域の時間帯毎の在宅可能性を表示出力することができる。さらに、隣接する地域同士で在宅可能性の時間変化を比較することで、人の流れを可視化することも可能である。

図２０は、地域別時間帯別の在宅可能性を集計して表示する画面Ｇ１の例である。例えば、Ａ地区、Ｂ地区、Ｃ地区、Ｄ地区があるものとして説明する。

本実施例の在宅判定システム１Ｂは、各地区に存在する各住宅の在宅可能性の判定結果の時系列データを合計し、その地区のデータ収集戸数の合計で除算する。これにより、在宅判定システム１Ｂは、地域毎の在宅ランクの平均値を算出し、グラフ化して提供することができる。図２０中のグラフにおいて、縦軸は在宅ランク、横軸は時間を示す。

図２１は、在宅ランクの提示方法の一例を示す。図２１の例では、７段構成になっており、最上段から順番に、全体の消費電力量、エアコンの稼動状況、洗濯機の稼動状況、炊飯器の稼動状況、テレビの稼動状況、掃除機の稼動状況、在宅／不在判定の結果を示す在宅ランクである。これら７種類のデータは、それぞれ一日分の時系列データである。エアコンや炊飯器等の電気機器２０の稼動状態（機器分離データ）は、最上段に示す消費電力量の波形データを解析することで抽出することができる。

１１：００付近において全体消費電力はわずかに上昇しているが、それだけでは在宅と判断できなかったとする。しかし、炊飯器の稼動状態がオン状態であるため、在宅している可能性がある（在宅ランク＝２）と判断している。なお、炊飯器と在宅との相関性は各住宅によって異なるだろうから、図２１は一例であることは言うまでもない。

図２１の例では、在宅ランクは０〜５の６段階とし、１段階あたり在宅可能性（在宅率）２０％に対応させる。したがって、在宅ランク０は在宅可能性０％、在宅ランク１は在宅可能性２０％、在宅ランク２は在宅可能性４０％、在宅ランク３は在宅可能性６０％、在宅ランク４は在宅可能性８０％、在宅ランク５は在宅可能性１００％となる。

しかし、在宅可能性とランクとの対応付けは、上述の例に限定されない。在宅可能性を利用するサービスの種類に応じて、ランク付けの定義や閾値を設定できる。例えば、宅配業者が配達の可能性を判断する場合、在宅ランクは３段階に分け、在宅ランク０は配達すべきではない、在宅ランク１は不在のリスクはあるが配達してもよい、在宅ランク２はほぼ在宅なので配達すべし、と定義してもよい。いずれにしても、可視化部１７０は、図２１で示すような時系列データの可視化画面をサービス提供者へ提供する。

このように構成される本実施例も第１実施例と同様の作用効果を奏する。さらに本実施例では、在宅可能性を地域毎／時間帯毎に統計処理して可視化して出力することができ、サービス提供者にとって使い勝手が向上する。サービス提供者は、地域毎時間帯毎の在宅可能性を、宅配時の経路選択のような、様々なサービス適用における判断基準として利用することができる。

本実施例では、消費電力量、各電気機器の稼働状態、在宅ランクの時系列データを一覧できるようにグラフ表示することができる。したがって、在宅判定システム１の管理者やサービス提供者は、在宅ランクの時間変化を容易に把握することができる上に、在宅ランクの算出根拠もグラフから比較的簡単に読み取ることができ、使い勝手が高い。

図２２を用いて第５実施例を説明する。本実施例では、消費電力量に基づく第１の判定処理では在宅可能性を判断できない場合に、在宅係数に基づく第２の判定処理の結果を参考にする。

図２２は、在宅ランクを算出するステップＳ３００Ａのフローチャートである。在宅／不在判断部１１０は、消費電力量に基づく第１の判定処理Ｓ１００の結果が不明（三角印）であるか判定する（Ｓ３０１）。

消費電力量に基づく第１の判定処理の結果が「不明」である場合（Ｓ３０１：ＹＥＳ）、在宅／不在判断部１１０は、在宅係数に基づく第２の判定処理Ｓ２００の判定結果を参照する（Ｓ３０２）。

在宅／不在判断部１１０は、第２の判定処理が在宅可能性は高い（丸印）と判定しているか判定する（Ｓ３０３）。第２の判定処理が在宅可能性は高いと判定している場合（Ｓ３０３：ＹＥＳ）、在宅／不在判断部１１０は、総合判定結果として、在宅可能性は高い（丸印）と判定する（Ｓ３０４）。

第２の判定処理が在宅可能性は高くないと判定している場合（Ｓ３０３：ＮＯ）、在宅／不在判断部１１０は、第２の判定処理の判定結果が「不明」であるか判定する（Ｓ３０５）。第２の判定処理の判定結果が「不明」である場合（Ｓ３０５：ＹＥＳ）、在宅／不在判断部１１０は、総合判定結果として、在宅可能性は不明（三角印）と判定する（Ｓ３０６）。これに対し、第２の判定処理が在宅可能性は「不明」でもない、すなわち在宅可能性は低い（バツ印）と判定している場合（Ｓ３０５：ＮＯ）、在宅／不在判断部１１０は、総合判定結果として、在宅可能性は低い（バツ印）と判定する（Ｓ３０７）。

このように構成される本実施例も第１実施例と同様の作用効果を奏する。さらに、本実施例では、消費電力量に基づく判定処理だけでは在宅可能性を明確に判定できない場合に、在宅可能性に基づく判定処理の結果を参考にする。つまり、第１の判定処理だけでは判定できない場合に、第２の判定処理が第１の判定処理を補完する。

なお、本発明は上記各実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記各実施例は本発明を分かりやすく説明するために詳細に記載したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。

また、上記の各構成、機能、処理部、および処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。 また、上記の各構成、機能、処理部、および処理手段等は、それらの一部又は全部を、例えば仮想マシンで設計する等によりクラウドシステムで実現してもよい。

また、上記の各構成、および機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。 各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記録装置、または、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。

また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。

また、本発明の各構成要素は、任意に取捨選択することができ、取捨選択した構成を具備する発明も本発明に含まれる。さらに特許請求の範囲に記載された構成は、特許請求の範囲で明示している組合せ以外にも組み合わせることができる。

１，１Ａ，１Ｂ：在宅判定システム、２：住宅、３：サービス契約会社、４：情報配信サーバ、２０Ａ：特定機器、２０Ｂ：その他機器、２１：ブレーカ、２２：電流センサ、２３：環境センサ、１１０：在宅／不在判断部、１２０：パラメータ管理部、１３０：顧客管理部、１７０：可視化部、１８０：サービス実現部

Claims (2)

1. ユーザが在宅しているか判定する在宅判定システムであって、
   ユーザの住宅の消費電力の時間変化に基づいて、ユーザが在宅しているか判定する第１在宅判定部と、
   前記住宅が有する少なくとも一つの電気機器の稼働状態に基づいて、ユーザが在宅しているか判定する第２在宅判定部と、
   前記第１在宅判定部の判定結果と前記第２在宅判定部の判定結果とに基づいて、ユーザが在宅しているか判定する総合判定部と、
   を備え、
   前記総合判定部の判定結果は、地図上に設定される地域ごとに、その地域に存在する各ユーザの在宅可能性の時間変化を統計処理して出力される、
   在宅判定システム。
2. ユーザが在宅しているか判定する在宅判定システムであって、
   ユーザの住宅の消費電力の時間変化に基づいて、ユーザが在宅しているか判定する第１在宅判定部と、
   前記住宅が有する少なくとも一つの電気機器の稼働状態に基づいて、ユーザが在宅しているか判定する第２在宅判定部と、
   前記第１在宅判定部の判定結果と前記第２在宅判定部の判定結果とに基づいて、ユーザが在宅しているか判定する総合判定部と、
   を備え、
   前記電気機器は、ユーザの在宅可能性との関連の高い特定機器とその他の機器とに予め分類されており、
   前記第２在宅判定部は、前記特定機器に設定される重みパラメータに基づいてユーザが在宅しているか判定する特定機器用在宅判定部と、前記その他の機器用在宅判定部に設定される重みパラメータに基づいてユーザが在宅しているか判定するその他の機器用在宅判定部とを含み、
   前記重みパラメータは、対応する電気機器の稼働停止後から所定の傾きで減少するように設定されており、
   前記電気機器の重みパラメータは複数用意されており、
   前記第２在宅判定部は、ユーザの生活に関する生活環境情報またはユーザの住宅の住宅環境に関する居住環境情報のいずれか一方にしたがって複数の重みパラメータの中から少なくとも一つの重みパラメータを選択することで、ユーザが在宅しているか判定する、
   在宅判定システム。

Images