WO2020255336A1 - 所在人数予測装置、設備管理システム、及び所在人数予測方法 - Google Patents

所在人数予測装置、設備管理システム、及び所在人数予測方法 Download PDF

Info

Publication number
WO2020255336A1
WO2020255336A1 PCT/JP2019/024520 JP2019024520W WO2020255336A1 WO 2020255336 A1 WO2020255336 A1 WO 2020255336A1 JP 2019024520 W JP2019024520 W JP 2019024520W WO 2020255336 A1 WO2020255336 A1 WO 2020255336A1
Authority
WO
WIPO (PCT)
Prior art keywords
prediction
people
area
contribution
predicted value
Prior art date
Application number
PCT/JP2019/024520
Other languages
English (en)
French (fr)
Inventor
智祐 成井
利宏 妻鹿
裕希 川野
修一 村山
浩 田口
淳二 堀
Original Assignee
三菱電機ビルテクノサービス株式会社
三菱電機株式会社
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 三菱電機ビルテクノサービス株式会社, 三菱電機株式会社 filed Critical 三菱電機ビルテクノサービス株式会社
Priority to CN201980097666.4A priority Critical patent/CN114008643B/zh
Priority to PCT/JP2019/024520 priority patent/WO2020255336A1/ja
Priority to JP2019569493A priority patent/JP6690070B1/ja
Publication of WO2020255336A1 publication Critical patent/WO2020255336A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Definitions

  • the present invention relates to a location number prediction device, a facility management system, and a location number prediction method.
  • an air conditioner that reduces the output is selected from the air conditioners installed on each floor. At this time, if the predicted value of the number of people in the room on each floor after 1 hour is obtained, for example, the output of the air conditioning equipment on the floor where the number of people in the room after 1 hour is predicted to be small can be suppressed. It is possible to reduce power consumption while suppressing reduction of user comfort.
  • Patent Document 1 In predicting the number of people, a technique has been proposed in which the predicted value of the number of people in a specific area in a specific time zone is increased or decreased according to the schedule of the user by referring to the schedule of the user of the building (for example, Patent Document 1).
  • Patent Document 3 a technology has been proposed to create a model of elevator operation patterns based on building usage status and reservation status, and to change the model of elevator operation patterns in light of actual usage status, etc.
  • the fluctuation model is generated based on the past actual value in the area (for example, a predetermined floor of the building) where the number of people is to be predicted, that is, the fluctuation performance of the number of people. Therefore, the predicted value of the number of people located based on the fluctuation model has a large prediction error on the day when an event that causes an exceptional number fluctuation occurs, which did not occur much in the past. For example, on the date of the anniversary event of a company occupying the floor to be predicted (for example, the 50th anniversary event of establishment), the number of people varies from the normal business day, and the number of people predicted by the fluctuation model and the actual number of people are actually The divergence from the number of people in the area becomes large.
  • the schedule information of each user is created by each user registering the schedule. That is, a prediction error may occur in the number of people in the location due to omission of registration of schedule information or registration error.
  • the present invention organically combines the prediction of the number of people based on the fluctuation model and the prediction of the number of people based on the schedule information, and in particular, the prediction error of the number of people on a day when an exceptional number fluctuation occurs.
  • the purpose is to make it possible to suppress.
  • the location prediction device includes a first prediction unit, a second prediction unit, a contribution determination unit, and an integrated prediction unit.
  • the first prediction unit calculates the first prediction value of the number of people in the future area based on the fluctuation model representing the time variation of the number of people in the predetermined area in the building.
  • the second prediction unit calculates the second prediction value of the number of people in the future area based on the schedule information of each user who uses the area.
  • the contribution determination unit determines the contribution of the first predicted value and the second predicted value when predicting the number of people in the future area for each prediction target time.
  • the integrated prediction unit weights the first predicted value and the second predicted value according to the degree of contribution, and calculates the predicted value of the number of people in the area for each prediction target time.
  • the predicted value of the number of people in the area can be obtained by weighting the first predicted value and the second predicted value and then integrating the two. For example, on a day when an exceptional number of people fluctuates, the weighting of the first predicted value based on the fluctuation model can be set to a relatively small value, and the prediction error of the number of people located can be suppressed. Further, by determining the contribution degree for each prediction target time, if the accuracy of each of the first predicted value and the second predicted value fluctuates for each time, the contribution degree can be determined accordingly. ..
  • the contribution determination unit may determine the contribution at the prediction target time according to the number of schedules scheduled at the predetermined prediction target time in the schedule information.
  • the contribution of the second predicted value based on the schedule information is set to a relatively small value, and weighting is performed according to the accuracy of the second predicted value. Is possible.
  • the contribution determination unit may set the contribution of the first prediction value to a value larger than the contribution of the second prediction value when the prediction target time corresponds to the specific time zone.
  • the number of schedules is relatively small.
  • the contribution of the first predicted value can be set to a relatively large value according to the time zone, such as setting the time zone outside the fixed time from the leaving time to the next sunrise working time as a specific time zone.
  • the contribution determination unit may set a time zone in which the number of users who are working in the area is relatively small as a specific time zone based on the history of attendance / leaving information.
  • a so-called flex system with a range of attendance time and leaving time is defined, based on the history of attendance / leaving information. It is possible to specify a time zone in which the number of users working in the area is relatively small, and the contribution of the first predicted value in the time zone can be set to a relatively large value.
  • the contribution determination unit may set a time zone in which the number of people in the area is relatively small as a specific time zone based on the history of the number of people in the area.
  • the present invention also relates to a facility management system.
  • the system includes a location number prediction device according to the above invention and a facility management device that manages equipment installed in a building based on the location number of people in an area predicted by the location number prediction device.
  • the present invention also relates to a method for predicting the number of people.
  • the method includes a step of calculating the first predicted value of the number of people in the future area based on a fluctuation model representing the time variation of the number of people in a predetermined area in the building, and a schedule of each user who uses the area.
  • the step of calculating the second predicted value of the number of people in the future area based on the information and the contribution of the first and second predicted values when predicting the number of people in the future area are determined for each prediction target time.
  • the first predicted value and the second predicted value are weighted according to the degree of contribution, and the predicted value of the number of people in the area is calculated for each prediction target time.
  • the prediction of the number of people on a day when an exceptional number of people fluctuates occurs by organically combining the prediction of the number of people based on the fluctuation model and the prediction of the number of people based on the schedule information, the prediction of the number of people on a day when an exceptional number of people fluctuates occurs.
  • the error can be suppressed.
  • FIG. 5 is a hardware configuration diagram of a computer forming the location number prediction device according to the first embodiment. It is a block block diagram of the location number prediction device in Embodiment 1. It is a figure which shows the data structure example of the schedule information stored in the schedule information storage part in Embodiment 1. FIG. It is a figure which shows the variation model information stored in the variation model information storage part in Embodiment 1. FIG. It is a flowchart which showed the location number prediction process in Embodiment 1. It is a flowchart which showed the location number prediction process in Embodiment 2. It is a block block diagram of the location number prediction device in Embodiment 2.
  • FIG. 1 is an overall configuration diagram showing an embodiment of the equipment management system according to the present invention.
  • the equipment management system in the present embodiment is constructed in the building 1.
  • a multi-story building 1 is assumed as the building.
  • each floor of the building 1 corresponds to the area in the present invention.
  • each floor is divided into a plurality of areas (rooms) by a partition wall or the like, each area (room) may be used as the area of the present invention.
  • building 1 is used exclusively by one company for convenience of explanation. Employees and visitors engaged in the company will come and go to the building 1, but in this embodiment, the number of people on each floor is referred to as the "number of people located" on the floor.
  • a configuration is installed in which the number-of-location prediction device 10, the equipment management device 2, and the schedule management server 3 according to the present embodiment are connected to the network 4.
  • the equipment management device 2 manages the equipment installed in the building based on the number of people in the area predicted by the number of people in the building 10.
  • the schedule management server 3 collectively manages the schedule information of each employee engaged in the building 1.
  • schedule information a general-purpose schedule management application may be used. However, the application needs to have a function of specifying the start and end times of events such as meetings subject to schedule management and the floor (area) to be held.
  • FIG. 2 is a hardware configuration diagram of a computer forming the location number prediction device 10 according to the present embodiment.
  • the computer forming the location number prediction device 10 in the present embodiment can be realized by a general-purpose hardware configuration such as a personal computer (PC) that has existed before.
  • PC personal computer
  • the location number prediction device 10 includes a CPU 21, a ROM 22, a RAM 23, and a hard disk drive (HDD) 24 as shown in FIG. 2, and these are connected to the internal bus 30. Further, the location number prediction device 10 includes a mouse 25 and a keyboard 26 provided as input means, and a display 27 provided as a display means, and these are connected to the input / output controller 28. In addition, the location number prediction device 10 includes the input / output controller 28 and a network controller 29 provided as a communication means, which are also connected to the internal bus 30. Since the equipment management device 2 is also realized by a computer, its hardware configuration can be illustrated in the same manner as in FIG.
  • FIG. 3 is a block configuration diagram of the number of people locating device 10 according to the present embodiment. The components not used in the description of the present embodiment are omitted from FIG.
  • the location number prediction device 10 in the present embodiment includes the location number acquisition unit 11, the schedule information acquisition unit 12, the contribution determination unit 13, the first prediction unit 14, the location number information storage unit 15, the schedule information storage unit 16, and the variation. It includes a model information storage unit 17, a second prediction unit 18, and an integrated prediction unit 19.
  • the program used in the present embodiment can be provided not only by communication means but also by storing it in a computer-readable recording medium such as a CD-ROM or a USB memory.
  • the programs provided by the communication means and the recording medium are installed in the computer, and the CPU of the computer sequentially executes the programs to configure a resident device that realizes various processes.
  • the location number acquisition unit 11 periodically acquires the current number of locations for each floor in the building 1, that is, for each area, and stores it in the location number information storage unit 15.
  • the location number acquisition unit 11 may include a number count sensor installed on each floor (each area). As will be described later, a fluctuation model is generated and modified based on the actual value of the number of people in each time.
  • the location number information stored in the location number information storage unit 15 is associated with at least the location number of each floor acquired from the location number acquisition unit 11, the floor (area) where the location number was acquired, and the acquisition date and time. It is formed on each floor.
  • the first prediction unit 14 calculates the predicted value (first predicted value) of the future number of people in the predetermined area based on the fluctuation model.
  • FIG. 5 illustrates the fluctuation model information stored in the fluctuation model information storage unit 17 in a graph format.
  • the horizontal axis represents time and the vertical axis represents the number of people in a predetermined area.
  • the fluctuation model is a model representing the time variation of the number of people in a predetermined area in the building, for example, each floor (predetermined area), and FIG. 5 shows an example of a fluctuation model of a certain floor (predetermined area). Will be done.
  • the fluctuation model is set and created every predetermined period, for example, in units of one day (one business day).
  • the shape of the graph of the fluctuation model differs depending on the number of employees on each floor, room composition, work style, and the like.
  • the fluctuation model for one business day typically shows that the number of employees increases significantly during the morning work hours and decreases significantly during the evening leave hours. In the meantime, during lunch time after 12:00 and before 14:00, many people move out of Building 1 and have lunch. As illustrated in FIG. 5, the transition curve of the number of people in the area has a shape showing that it decreases at the start of lunch time and then increases before the end of lunch time.
  • This fluctuation model is sequentially updated (or at an arbitrary timing as described later) by the first prediction unit 14.
  • the number-of-location acquisition unit 11 acquires the actual value of the number of people in a predetermined area (predetermined floor) at a predetermined time interval (for example, every 30 minutes) by a person count sensor or the like.
  • the actual value of the number of people located is stored in the number of people information storage unit 15.
  • the first prediction unit 14 modifies the fluctuation model using the actual value of the most recent number of people stored in the number information storage unit 15.
  • the modified variation model is stored (overwritten and updated) in the variation model information storage unit 17. Further, the first prediction unit 14 calculates the first prediction value of the number of people in the future area based on the fluctuation model. This calculation process will be described later.
  • the schedule information acquisition unit 12 acquires schedule information of users (for example, employees) on each floor (that is, each area) of the building 1 from the schedule management server 3 (see FIG. 1) and stores it in the schedule information storage unit 16. For example, the schedule information acquisition unit 12 acquires schedule information for the forecast day at 0:00 every day. Furthermore, since the schedule information for the current day may be changed even after 0:00, the schedule information may be updated periodically. As will be described later, based on this schedule information, the second prediction value and the contribution degree c by the second prediction unit 18 are obtained.
  • FIG. 4 illustrates the data structure of the schedule information stored in the schedule information storage unit 16 in the present embodiment in a table format.
  • Schedule information is generated for each event (schedule) for each user (employee), and each record represents one schedule (schedule) for one user.
  • the user ID is the identification information of the user, that is, the employee.
  • the start date and start time are information indicating the start of the schedule (planned).
  • the end date and end time are information indicating the end of the schedule (planned).
  • the schedule type is information indicating the type of the schedule, and is set by selecting from the items specified in advance when the user registers the schedule.
  • the schedule content is information indicating specific content in the schedule type.
  • the location is information indicating the implementation location of the schedule.
  • the number of people located is predicted for each floor (area), so it is necessary to include information that can identify the floor where the location is located.
  • information setting example shown in FIG. 4 both users u001, u002, and u003 are scheduled to participate in the "partial meeting" held at the same date and time (February 1, 2017) and place (4th floor, 1st meeting room). You can see that.
  • the schedule information is set and registered as a different schedule for each user even in the same conference.
  • the second prediction unit 18 predicts the future number of people in the predetermined area (second) based on the schedule information input by each user who uses the predetermined area, for example, an employee on the predetermined floor (predetermined area). 2 Predicted value) is calculated.
  • the number of users (employees) who are enrolled in a predetermined floor, that is, a predetermined area (with seats) is set as the capacity, and the value obtained by increasing or decreasing this capacity based on the schedule information is the second predicted value.
  • the capacity is 100
  • the schedule on the predicted day is only 7 as illustrated in FIG.
  • the contribution determination unit 13 determines the contribution c (0 ⁇ c ⁇ 1) of the second predicted value in the prediction of the number of people on each floor (that is, each area) on the prediction day. Further, by obtaining the contribution degree c, the contribution degree 1-c of the first predicted value is determined. As will be described later, in the number of people predicted according to the present embodiment, the first predicted value based on the fluctuation model and the second predicted value based on the schedule information are integrated. In this integration, the contribution of the first predicted value and the second predicted value is required. The process of determining the degree of contribution will be described later.
  • the number-of-location prediction device 10 in the present embodiment predicts the number of people on each floor (each area) after the prediction time on the day of prediction. In this prediction, a first predicted value x1 based on the fluctuation model and a second predicted value x2 based on the schedule information are obtained.
  • the number of people in the area is predicted based on using a fluctuation model created based on the actual number of people in the past. This is because there is no guarantee that the number of people in the schedule can be accurately predicted due to omission of registration or registration error because the user registers himself / herself.
  • the location based on the fluctuation model is based on the fluctuation model based on the past performance, but unlike the fluctuation model, the schedule information reflecting the schedule for the exceptional event is also referred to.
  • the number of people forecast is corrected.
  • the schedule information is not always correct because there may be cases such as omission of registration, registration error, or schedule change after correct registration is not reflected.
  • the error from the actual schedule included in the schedule information itself is also paid attention to.
  • the information set in the schedule information is trusted to some extent to predict the number of people.
  • the second predicted value x2 obtained based on the schedule information Contribution degree c is required.
  • the degree of contribution c (0 ⁇ c ⁇ 1) can also be expressed as the degree of contribution for suppressing the prediction error when only the fluctuation model is used.
  • the contribution of the schedule information is 100%. Therefore, there may be a case where the number of people is predicted by referring only to the schedule information without referring to the fluctuation model.
  • the location prediction processing in the present embodiment will be described using the flowchart shown in FIG.
  • the location number prediction process in the present embodiment is started at regular intervals, for example, every predetermined time (every hour). Since the same processing may be executed on each floor, the description will be focused on one floor (area).
  • the number of schedule inputs is smaller than that in the working hours, so the contribution of the second predicted value x2_i is low outside the working hours.
  • the predicted value X_i of the number of people in each time based on the contribution c_i that fluctuates for each prediction target time time_i, more accurate prediction becomes possible.
  • the number-of-persons acquisition unit 11 such as a number-of-person counting sensor installed on a predetermined floor (predetermined area) acquires the actual value of the number of people at a predetermined time interval (for example, every 30 minutes). Further, as the number-of-location acquisition unit 11, for example, the actual value of the number of people on each floor may be obtained from the number of passengers getting on and off the elevator.
  • the number-of-location acquisition unit 11 When the current number of people is acquired as described above, the number-of-location acquisition unit 11 writes and saves the acquired date and time, the acquired floor, and the number of people on the floor as a set in the number-of-location information storage unit 15.
  • the first prediction unit 14 sets the count i of the prediction target time time_i to the initial value 1 (S101).
  • the first prediction unit 14 extracts the location number information newly stored in the location number information storage unit 15 and updates the fluctuation model. Further, based on the fluctuation model, the first predicted value x1_i at the predicted target time time_i is calculated (S102). For example, the predicted value of the number of people located at the predicted target time time_i of the fluctuation model becomes the first predicted value x1_i as it is.
  • the variation model update process in step S102 does not have to be performed at all times of the location prediction process of FIG. For example, the variation model may be updated at any time (for example, every month).
  • the schedule information acquisition unit 12 acquires the schedule information of the users on each floor (each area) from the schedule management server 3 (see FIG. 1), writes it in the schedule information storage unit 16, and saves it.
  • the schedule information acquisition unit 12 Since the schedule information acquisition unit 12 has already acquired the schedule information before (past) the forecast day and saved it in the location information storage unit 15, the schedule information acquired here is only the schedule information related to the forecast day. Good.
  • the schedule information related to the forecast day means the schedule information including the schedule information of the forecast day.
  • the schedule information is not limited to the schedule information set only on the forecast day, but also includes long-term business trips including the forecast day and dates before and after the forecast day.
  • the schedule after the time of prediction may be changed by the user on the day of prediction (such as adding a schedule of 16:00 at 10 o'clock on the day of prediction). Therefore, every time the location number prediction process is executed, the schedule information on the day of prediction may be acquired.
  • events that cause a large error in the prediction of the number of residents are usually scheduled in advance. Therefore, the schedule information may be acquired only for the first time on the prediction day in consideration of the processing load when a huge number of employees are engaged.
  • the schedule information is acquired from the schedule management server 3, but an alternative means may be used.
  • the schedule management server 3 may be acquired directly from the groupware or scheduler commonly used by users on the building 1 or each floor, or it may be installed on the mobile terminal used by each user. It may be obtained from the scheduler or the like.
  • the second prediction unit 18 calculates the second prediction value x2_i at the prediction target time time_i based on the schedule information (S103). For example, as described above, the number of users enrolled in the predetermined floor (predetermined area) is set as the capacity, and the value obtained by increasing or decreasing this capacity based on the schedule information is the second predicted value. For example, the second prediction unit 18 subtracts the absentee at the prediction target time time_i from the capacity to obtain the second prediction value x2_i.
  • the contribution determination unit 13 obtains the contribution c_i of the second predicted value x2_i based on the number of schedules n_skd_i at the prediction target time time_i (S104).
  • the contribution c_i of the second predicted value x2_i is set to be higher as the number of schedules is larger.
  • the reference value A for the number of schedules is set in advance.
  • the contribution determination unit 13 sets the contribution c_i of the second predicted value x2_i to a relatively large value (for example, c_i>. Set to 0.5).
  • the contribution determination unit 13 sets the contribution c_i of the second predicted value x2_i to a relatively small value (for example, c_i ⁇ 0.5).
  • the reference value A may be calculated statistically based on the history of schedule information. Further, the contribution degree c_i may be obtained based on the difference between the reference value A and the number of schedules B_i.
  • the average value of the number of cases per day in the history of the number of people used to create the fluctuation model is set as the reference value A. For example, if the period is from December 1st to December 31st (excluding holidays), the number of schedules for each day during this period is calculated, and then the average for the entire period is calculated and calculated.
  • the reference value A may be used. By performing such a calculation, a leveled value can be obtained even if the period includes the day when the exceptional event was carried out.
  • the reference schedule information is information indicating an average daily schedule.
  • a reference value for the number of schedules may be set for each schedule type.
  • the number of schedules for a meeting held in a certain area on a certain day can be expressed as ⁇
  • the number of schedules for going out can be expressed as ⁇
  • the number of vacation schedules can be expressed as ⁇ .
  • the contribution c_i can be obtained by obtaining a reference value for each type, finding the difference from the number of cases of each scheduled type at the prediction target time time_i, and finding the average value.
  • the contribution determination unit 13 obtains the contribution (1-c_i) of the first predicted value x1_i (S105).
  • the integrated prediction unit 19 weights the first predicted value x1_i and the second predicted value x2_i at the prediction target time time_i according to the contribution c_i, (1-c_i), and weights the predetermined floor (area).
  • the calculated predicted value X_i is output to the display 27 (see FIG. 2) by the integrated prediction unit 19 (S107).
  • the predicted value X_i may be saved as a file in the HDD 24.
  • an error bar in the range of several percent before and after may be output.
  • the first prediction unit 14 determines whether or not the count i is the final value k (S108). When the count i has reached the final value k, the location number prediction processing flow shown in FIG. 6 ends.
  • the first prediction unit 14 increments the count i (S109) and returns to step S102.
  • the first prediction value x1 based on the fluctuation model in which the prediction error becomes large when there is an event in which an exceptional number fluctuation occurs, and the registration of schedule information.
  • the predicted value X of the number of people located is calculated by compensating for each other's weaknesses of the second predicted value x2, which may cause a prediction error in the number of people located due to omission or registration error. Therefore, it is possible to make a prediction with a smaller error than the prediction of the number of residents based on either prediction.
  • the degree of contribution c_i is calculated for each prediction target time time_i, and the predicted value X_i of the number of residents is calculated based on this.
  • highly accurate prediction becomes possible. For example, when the number of registered schedules is different for each time, that is, there are a time zone in which the number of cases is large and a time zone in which the number is small, the prediction processing of the number of residents according to the present embodiment enables highly accurate prediction.
  • a month is taken as an example as a predetermined period for creating the standard schedule information, and the standard schedule information is created for each predetermined period, but the present invention is not limited to this form.
  • schedule information as a reference may be created for each predetermined period, for example, in the middle and middle of the month, for each day of the week, and so on. This provides information that indicates a typical schedule for the fragmented period.
  • Embodiment 2 In the first embodiment, in the prediction of the number of people at the time when many schedules are scheduled, the contribution c according to the prediction target time is set, focusing on the fact that the prediction based on the fluctuation model tends to have a large error. The case of deciding was explained. In the second embodiment described below, in the prediction of the number of people in the time zone when the number of users who usually go to work is small, the contribution degree c is focused on the fact that the prediction based on the schedule information tends to have a large error. Is determined.
  • the prediction based on the schedule information at a predetermined time, a calculation is performed such that the number of personnel registered for the schedule at the predetermined time is subtracted from the capacity of the predetermined area. Since the number of people in the office is different from the capacity during the time when there are few users who go to work, the error becomes large in the calculation method of the predicted value as described above. Therefore, as will be described below, it is determined that the contribution of the first predicted value x1 based on the fluctuation model is large in such a time zone when the number of people is small.
  • FIG. 7 illustrates a flow for predicting the number of people in the area based on this embodiment.
  • steps S110 and S111 for determining whether or not the prediction target time time_i is included in the specific time zone are inserted between steps S103 and S105.
  • steps S110 and S111 for determining whether or not the prediction target time time_i is included in the specific time zone are inserted between steps S103 and S105.
  • steps S110 and S111 for determining whether or not the prediction target time time_i is included in the specific time zone are inserted between steps S103 and S105.
  • the steps with the same reference numerals as those in FIG. 6 will be omitted as appropriate.
  • the specific time zone refers to the time zone in which there are few users who go to work and the error in the prediction (second prediction value) based on the schedule information becomes large.
  • the contribution determination unit 13 determines whether or not the prediction target time time_i is included in such a specific time zone (S110). When the prediction target time time_i is included in the specific time zone, the contribution determination unit 13 sets the contribution c_i so that c_i ⁇ (1-c_i) (S111). That is, the contribution determination unit 13 sets the contribution (1-c_i) of the first predicted value x1_i to a value larger than the contribution c_i with respect to the second predicted value x2_i.
  • the contribution c_i of the second predicted value x2_i is obtained based on the number of schedules n_skd_i at the prediction target time time_i (S104).
  • a time zone outside the fixed time from the leaving time to the next sunrise working time which is a time zone in which the number of schedules is relatively small, is set as a specific time zone.
  • the location number prediction device 10 has a functional block for setting a specific time zone.
  • the location number prediction device 10 includes an attendance / leaving information acquisition unit 40 and an attendance / leaving information storage unit 41, which is different from the block configuration diagram of FIG.
  • the attendance / leaving information storage unit 41 is connected to the contribution determination unit 13, and the attendance / leaving information acquisition unit 40 is further connected to the attendance / leaving information storage unit 41.
  • the attendance / leaving information acquisition unit 40 acquires the attendance / leaving information of users (employees) who use each floor (each area) of the building 1 and stores it in the attendance / leaving information storage unit 41.
  • the attendance / leaving information is acquired based on, for example, entry / exit information for building 1 or entry / exit information for each floor by the entry / exit management system, and each time each user goes to work or leaves, the user's identification information and attendance / attendance information are obtained.
  • the time or leaving time is set and stored in the attendance / leaving information storage unit 41.
  • the attendance / leaving information acquisition unit 40 may acquire attendance / leaving information by a method such as self-input of the user to the attendance management system.
  • the contribution determination unit 13 refers to the history of attendance / leaving information and sets a specific time zone.
  • the contribution determination unit 13 sets a specific time zone as a time zone in which the number of users who are working in the predetermined area is relatively small, based on the history of attendance / leaving information. For example, the contribution determination unit 13 obtains the number of regular attendees at each time from the history of attendance / leaving information for a predetermined period (excluding holidays) in the past, and sets a time zone in which the value is equal to or less than the predetermined fighting value. Use as a belt.
  • the number of regular attendees may be calculated by averaging the number of attendees at each time of each day, or the usual attendance time and leave time of each user are statistically processed (for example, the average value and the mode). It may be calculated after obtaining the value).
  • the contribution determination unit 13 sets a time zone in which the number of people in the area is relatively small as a specific time zone based on the history of the number of people in the floor (area) in the past. You may decide. For example, the contribution determination unit 13 obtains the average number of people at each time from the history of the number of people in the past predetermined period (excluding holidays), and sets a time zone in which the value is equal to or less than the predetermined clan value as a specific time zone. And. In addition, the specific time zone may be changed depending on the day of the week or the like.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

第１予測部１４は、建物内の所定のエリアにおける所在人数の時間変動を表す変動モデルに基づいて、将来のエリアの所在人数の第１予測値ｘ１＿iを算出する。第２予測部１８は、エリアを利用する各利用者のスケジュール情報に基づいて将来のエリアの所在人数の第２予測値ｘ２＿iを算出する。寄与度決定部１３は、将来のエリアの所在人数を予測する際の第１予測値ｘ１＿i及び第２予測値ｘ２＿iの寄与度１－ｃ＿i，ｃ＿iを、予測対象時刻ｔｉｍｅ＿iごとに決定する。統合予測部１９は、第１予測値ｘ１＿i及び第２予測値ｘ２＿iに対して、寄与度１－ｃ＿i，ｃ＿iに応じた重み付けを行って、エリアの所在人数の予測値を予測対象時刻ｔｉｍｅ＿iごとに算出する。

Description

所在人数予測装置、設備管理システム、及び所在人数予測方法
　本発明は、所在人数予測装置、設備管理システム、及び所在人数予測方法に関する。
　ビル等の建物の設備を運用管理する上で、各階の所定時間後の所在人数を予測したい場合がある。例えば建物全体の１時間後の消費電力を抑制するため、各フロアに設置された空調設備の中から、出力を絞る空調設備が選択される。このとき、各フロアの在室人数の１時間後の予測値が得られていれば、例えば１時間後の在室人数が少ないと予測されるフロアの空調設備の出力を抑制する等、建物の利用者の快適性低減を抑えた上での消費電力の抑制が可能となる。
　従来、所在人数の予測に当たり、建物の利用者のスケジュールを参照して、特定エリアの特定の時間帯の所在人数の予測値を、利用者のスケジュールに応じて増減させる技術が提案されている（例えば、特許文献１）。
　また、時刻ごとの所在人数の変化をモデル化した変動モデルを作成する技術も提案されている。当該技術では、現時点における所在人数を取得する一方で、変動モデルに基づく同時点の所在人数を求め、両者の差異が比較される。さらにこの差異を縮めるために、交通機関の運行情報や天気情報等の外部状況を解析して変動モデルが調整される（例えば、特許文献２）。
　また、エレベーターの群管理に当たり、ビルの利用状況や予約状況からエレベーターの運行パターンのモデルを作成するとともに、実際の利用状況等に照らしてエレベーター運行パターンのモデルを変更する技術が提案されている（例えば、特許文献３）。
特開２０１１－１８０９７４号公報 国際公開第２０１８／０６１３２８号 特開昭６２－７９１８１号公報
　ところで、変動モデルでは、所在人数の予測対象となるエリア（例えば、ビルの所定のフロア）における、過去の実績値、つまり所在人数の変動実績をベースに、変動モデルが生成される。したがって、変動モデルに基づく所在人数予測値は、過去にはあまり生じなかった、例外的な人数変動が生じるようなイベントが予定されている日において、予測誤差が大きくなる。例えば、予測対象となるフロアに入居する企業の周年行事（例えば設立５０周年記念行事）の開催日には、通常の営業日とは異なる人数変動が生じ、変動モデルにより予測された所在人数と実際の所在人数との乖離が大きくなる。
　また、スケジュール情報を用いて将来の所在人数を予測する場合、各利用者のスケジュール情報は、各利用者が予定を登録することで作成される。つまり、スケジュール情報の登録漏れや登録ミスによって所在人数に予測誤差が発生しうる。
　そこで本発明は、変動モデルに基づく所在人数の予測とスケジュール情報に基づく所在人数の予測とを有機的に結合することで、特に、例外的な人数変動が生じるような日における所在人数の予測誤差を抑制可能とすることを目的とする。
　本発明に係る所在人数予測装置は、第１予測部、第２予測部、寄与度決定部、及び統合予測部を備える。第１予測部は、建物内の所定のエリアにおける所在人数の時間変動を表す変動モデルに基づいて、将来のエリアの所在人数の第１予測値を算出する。第２予測部は、エリアを利用する各利用者のスケジュール情報に基づいて将来のエリアの所在人数の第２予測値を算出する。寄与度決定部は、将来のエリアの所在人数を予測する際の第１予測値及び第２予測値の寄与度を、予測対象時刻ごとに決定する。統合予測部は、第１予測値及び第２予測値に対して、寄与度に応じた重み付けを行って、エリアの所在人数の予測値を予測対象時刻ごとに算出する。
　上記発明によれば、第１予測値及び第２予測値に対して重み付けを行い、その上で両者を統合することで所在人数の予測値が求められる。例えば、例外的な人数変動が生じるような日には、変動モデルに基づく第１予測値の重み付けを相対的に小さい値とする等、所在人数の予測誤差を抑制可能となる。また、寄与度を予測対象時刻ごとに決定することで、時刻ごとに第１予測値及び第２予測値のそれぞれの確度が変動する場合には、これに応じた寄与度の決定が可能となる。
　また上記発明において、寄与度決定部は、スケジュール情報のうち、所定の予測対象時刻に予定されているスケジュールの件数に応じて、当該予測対象時刻における寄与度を決定してもよい。
　上記発明によれば、スケジュールの件数が少ないような予測対象時刻には、スケジュール情報に基づく第２予測値の寄与度を相対的に小さい値にする等、第２予測値の確度に応じた重み付けが可能となる。
　また上記発明において、寄与度決定部は、予測対象時刻が特定時間帯に該当する場合に、第１予測値の寄与度を第２予測値の寄与度よりも大きい値に設定してもよい。
　上記発明によれば、例えば所在人数の予測対象エリアに入居するオフィスにおいて、出勤時刻と退勤時刻が一律に定められるいわゆる定時制が定められている場合には、スケジュールの件数が相対的に少ない時間帯である、退勤時刻から翌日の出勤時刻までの定時時間外の時間帯を特定時間帯にする等、時間帯に応じて第１予測値の寄与度を相対的に大きい値に設定できる。
　また上記発明において、エリアの利用者毎の出退勤情報を取得する出退勤情報取得部をさらに有してもよい。この場合、寄与度決定部は、出退勤情報の履歴に基づき、エリアに出勤している利用者が相対的に少ない時間帯を特定時間帯としてもよい。
　上記発明によれば、例えば所在人数の予測対象のエリアに入居するオフィスにおいて、出勤時刻及び退勤時刻に幅を持たせたいわゆるフレックス制が定められている場合には、出退勤情報の履歴に基づき、エリアに出勤している利用者が相対的に少ない時間帯を特定可能となり、当該時間帯の第１予測値の寄与度を相対的に大きい値に設定できる。
　また上記発明において、寄与度決定部は、エリアの所在人数の履歴に基づき、エリア内の所在人数が相対的に少ない時間帯を特定時間帯としてもよい。
　上記発明によれば、エリアの実際の所在人数の履歴に基づいて、当該エリアに出勤している利用者が相対的に少ない時間帯を特定可能となり、より確度の高い寄与度の設定が可能となる。
　また本発明は、施設管理システムに関する。当該システムは、上記発明による所在人数予測装置と、当該所在人数予測装置により予測されたエリアの所在人数に基づき建物内に設置された設備の管理を行う設備管理装置と、を有する。
　また本発明は、所在人数予測方法に関する。当該方法は、建物内の所定のエリアにおける所在人数の時間変動を表す変動モデルに基づいて、将来のエリアの所在人数の第１予測値を算出するステップと、エリアを利用する各利用者のスケジュール情報に基づいて将来のエリアの所在人数の第２予測値を算出するステップと、将来のエリアの所在人数を予測する際の第１予測値及び第２予測値の寄与度を、予測対象時刻ごとに決定するステップと、第１予測値及び第２予測値に対して、寄与度に応じた重み付けを行って、エリアの所在人数の予測値を予測対象時刻ごとに算出するステップと、含む。
　本発明によれば、変動モデルに基づく所在人数の予測とスケジュール情報に基づく所在人数の予測とを有機的に結合することで、特に、例外的な人数変動が生じるような日における所在人数の予測誤差を抑制可能となる。
本発明に係る設備管理システムの一実施の形態を示した全体構成図である。 実施の形態１における所在人数予測装置を形成するコンピュータのハードウェア構成図である。 実施の形態１における所在人数予測装置のブロック構成図である。 実施の形態１におけるスケジュール情報記憶部に蓄積されるスケジュール情報のデータ構成例を示す図である。 実施の形態１における変動モデル情報記憶部に記憶される変動モデル情報を示す図である。 実施の形態１における所在人数予測処理を示したフローチャートである。 実施の形態２における所在人数予測処理を示したフローチャートである。 実施の形態２における所在人数予測装置のブロック構成図である。
　以下、図面に基づいて、本発明の好適な実施の形態について説明する。
実施の形態１．
　図１は、本発明に係る設備管理システムの一実施の形態を示した全体構成図である。本実施の形態における設備管理システムは、ビル１内に構築される。本実施の形態では、建物として複数階建てのビル１が想定される。
　また、本実施の形態では、ビル１の各階が本発明におけるエリアに相当する。なお、各階（フロア）が、隔壁等により複数の領域（部屋）に分けられている場合には、個々の領域（部屋）を本発明のエリアとしてもよい。
　さらに、以下では、ビル１は、説明の便宜上、一企業が独占して使用しているものとする。ビル１には、当該企業で従事する従業員や訪問者が出入りすることになるが、本実施の形態では、各階にいる人の人数を当該階の「所在人数」と称している。
　ビル１には、本実施の形態における所在人数予測装置１０と設備管理装置２とスケジュール管理サーバ３とがネットワーク４に接続された構成が設置される。設備管理装置２は、所在人数予測装置１０により予測されたエリアの所在人数に基づき建物内に設置された設備の管理を行う。スケジュール管理サーバ３は、ビル１で従事する各従業員のスケジュール情報を一括して管理する。スケジュール情報は、汎用的なスケジュール管理アプリケーションを利用してよい。ただし、そのアプリケーションは、スケジュール管理対象の会議等のイベントの開始及び終了時刻や開催される階（エリア）を特定しうる機能を有している必要がある。
　図２は、本実施の形態における所在人数予測装置１０を形成するコンピュータのハードウェア構成図である。本実施の形態において所在人数予測装置１０を形成するコンピュータは、パーソナルコンピュータ（ＰＣ）等従前から存在する汎用的なハードウェア構成で実現できる。
　すなわち、所在人数予測装置１０は、図２に示したようにＣＰＵ２１、ＲＯＭ２２、ＲＡＭ２３、及びハードディスクドライブ（ＨＤＤ）２４を備え、これらが内部バス３０に接続される。さらに所在人数予測装置１０は、入力手段として設けられたマウス２５及びキーボード２６、ならびに、表示手段として設けられたディスプレイ２７を備え、これらが入出力コントローラ２８に接続される。加えて所在人数予測装置１０は、当該入出力コントローラ２８と、通信手段として設けられたネットワークコントローラ２９を備え、これらも内部バス３０に接続される。設備管理装置２も同様にコンピュータで実現することから、そのハードウェア構成は図２と同様に図示できる。
　図３は、本実施の形態における所在人数予測装置１０のブロック構成図である。なお、本実施の形態の説明に用いない構成要素は図３から省略される。本実施の形態における所在人数予測装置１０は、所在人数取得部１１、スケジュール情報取得部１２、寄与度決定部１３、第１予測部１４、所在人数情報記憶部１５、スケジュール情報記憶部１６、変動モデル情報記憶部１７、第２予測部１８、及び統合予測部１９を備える。
　所在人数予測装置１０における各構成要素、つまり所在人数取得部１１から統合予測部１９は、所在人数予測装置１０を形成するコンピュータと、コンピュータに搭載されたＣＰＵ２１（図２参照）で動作するプログラムとの協調動作により実現される。また、各記憶部１５～１７は、所在人数予測装置１０に搭載されたＨＤＤ２４にて実現される。あるいは、ＲＡＭ２３又は外部にある記憶手段がネットワーク経由で利用されてもよい。
　また、本実施の形態で用いるプログラムは、通信手段により提供することはもちろん、ＣＤ－ＲＯＭやＵＳＢメモリ等のコンピュータ読み取り可能な記録媒体に格納して提供することも可能である。通信手段や記録媒体から提供されたプログラムはコンピュータにインストールされ、コンピュータのＣＰＵがプログラムを順次実行することで、各種処理を実現する所在人数装置が構成される。
　所在人数取得部１１は、ビル１内の階毎、つまりエリア毎に、現時点における所在人数を周期的に取得し、所在人数情報記憶部１５に保存する。例えば所在人数取得部１１は、各階（各エリア）に設置された人数カウントセンサを含んでよい。後述するように、この所在人数の時刻ごとの実績値をもとに、変動モデルが生成、修正される。
　例えば所在人数情報記憶部１５に蓄積される所在人数情報は、所在人数取得部１１より取得された各階の所在人数、所在人数が取得された階（エリア）、及び、取得日時が少なくとも対応付けして階毎に形成される。
　第１予測部１４は、変動モデルに基づいて所定エリアの将来の所在人数の予測値（第１予測値）を算出する。図５には、変動モデル情報記憶部１７に記憶される変動モデル情報がグラフ形式で例示される。図５において、横軸は時間を示し、縦軸は所定エリアの所在人数を示す。
　前述したように、変動モデルは、建物内の所定のエリア、例えば各階（各エリア）の所在人数の時間変動を表すモデルであり、図５には、ある階（所定エリア）の変動モデルが例示される。変動モデルは、所定期間毎、例えば１日（１営業日）単位で設定され、作成される。変動モデルのグラフの形状は、各階の従業員数、部屋の構成、勤務形態等によって異なってくる。
　勤務形態に依存するとも考えられるが、１営業日における変動モデルは、典型的には午前中の出勤時間に所在人数が大きく増加し、夕方の退勤時間に所在人数が大きく減少する。そして、その間の１２時以降１４時前のランチタイムの時間帯には、多くの人がビル１の外に移動して昼食を取る。図５に例示されるように、所在人数の推移曲線はランチタイム開始時点で減少した後、ランチタイム終了前に増加することを表す形状となる。
　この変動モデルは、第１予測部１４により順次（または後述するように任意のタイミングで）更新される。例えば所在人数取得部１１は、所定の時間間隔（例えば３０分間隔）で、人数カウントセンサ等により所定エリア（所定階）の所在人数の実績値を取得する。この所在人数の実績値が所在人数情報記憶部１５に記憶される。
　第１予測部１４は、所在人数情報記憶部１５に記憶された直近の所在人数の実績値を用いて、変動モデルを修正する。修正された変動モデルは、変動モデル情報記憶部１７に記憶（上書き更新）される。また第１予測部１４は、変動モデルに基づいて、将来のエリアの所在人数の第１予測値を算出する。この算出過程については後述する。
　スケジュール情報取得部１２は、ビル１の各階（つまり各エリア）の利用者（例えば従業員）のスケジュール情報をスケジュール管理サーバ３（図１参照）から取得し、スケジュール情報記憶部１６に保存する。例えばスケジュール情報取得部１２は、毎日０時に、予測当日分のスケジュール情報を取得する。さらに、０時以降も当日分のスケジュール情報が変更される場合があることから、定期的にスケジュール情報が更新されてもよい。後述するように、このスケジュール情報をもとにして、第２予測部１８による第２予測値及び寄与度ｃが求められる。
　図４には、本実施の形態におけるスケジュール情報記憶部１６に蓄積されるスケジュール情報のデータ構成がテーブル形式で例示される。スケジュール情報は、ユーザ(従業員)別に、イベント（スケジュール）毎に生成され、各レコードによって一ユーザの一スケジュール（予定）が表されている。
　図４において、ユーザＩＤは、ユーザ、すなわち従業員の識別情報である。開始日及び開始時刻は、当該スケジュール（予定）の始期を示す情報である。終了日及び終了時刻は、当該スケジュール（予定）の終期を示す情報である。予定種別は、予定の種類を示す情報であり、ユーザがスケジュールを登録する際に予め指定されている項目の中から選択することで設定される。予定内容は、当該予定種別において具体的な内容を示す情報である。場所は、当該予定の実施場所を示す情報である。
　本実施の形態では、階（エリア）毎に所在人数が予測されるので、所在する階が特定できる情報が含まれている必要がある。図４に示す情報の設定例によると、ユーザｕ００１，ｕ００２，ｕ００３は共に同じ日時（２０１７／２／１）・場所（４階　第１会議室）で開催される「部会議」に参加する予定であるのがわかる。また、スケジュール情報は、同じ会議でもユーザ毎に別のスケジュールとして設定登録される。
　第２予測部１８は、所定エリアを利用する各利用者、例えば、所定階（所定エリア）の従業員によって入力されたスケジュール情報に基づいて、当該所定エリアの将来の所在人数の予測値（第２予測値）を算出する。
　例えば、所定階、つまり所定エリアに在籍する（席のある）ユーザ（従業員）数を定員数として、この定員数を、スケジュール情報に基づいて増減した値が第２予測値となる。例えば、４階を利用する従業員数、つまり定員数が１００人であり、予測当日のスケジュールが図４に例示した７件のみであるとする。１５：００の所在人数を予測する場合、ユーザｕ００１は６階で会議、ユーザｕ００２は外出、ユーザｕ００３は５階で会議、の予定があるため、この３人は１５時時点において４階に不在であると推定できる。よって、１００－３＝９７人が１５時時点における所在人数の第２予測値として算出される。
　寄与度決定部１３は、予測当日の各階（つまり各エリア）の所在人数の予測における、第２予測値の寄与度ｃ（０＜ｃ＜１）を決定する。また寄与度ｃを求めることで、第１予測値の寄与度１－ｃを決定する。後述するように、本実施形態に係る所在人数予測では、変動モデルに基づく第１予測値とスケジュール情報に基づく第２予測値とが統合される。この統合に当たり、第１予測値と第２予測値の寄与度が求められる。寄与度の決定プロセスについては後述する。
　本実施の形態における所在人数予測装置１０は、予測当日の予測時点以降における各階（各エリア）の所在人数を予測する。この予測に当たり、変動モデルに基づく第１予測値ｘ１と、スケジュール情報に基づく第２予測値ｘ２が求められる。
　ここで、予測精度という観点から、過去の所在人数の実績に基づき作成された変動モデルを用いることを基本として、所在人数が予測される。スケジュール情報は、利用者が自ら登録することから登録漏れや登録ミスによって所在人数が精度よく予測できる保証がないからである。
　一方、変動モデルは、過去の実績に基づき作成されることから、多数の参加者による会議の開催等、例外的な人数変動が生じるようなイベントに適応できているとは限らない。
　そこで、本実施の形態においては、過去の実績に基づく変動モデルを基本としつつも、変動モデルとは異なり例外的なイベントに関するスケジュールが反映されているスケジュール情報も参照して、変動モデルに基づく所在人数の予測が補正される。
　ただ、前述したように、登録漏れや登録ミス、あるいは正しい登録をした後の予定変更が反映されていない等のケースが起こり得ることから、スケジュール情報が常に正しいとは限らない。本実施の形態では、このようにスケジュール情報自体に含まれている実際のスケジュールとの誤差にも着目している。
　つまり、本実施の形態では、変動モデルからスケジュール情報に切り替えて所在人数を予測するというプロセスを取る代わりに、スケジュール情報に設定されている情報をある程度信頼して所在人数を予測する。ここで、スケジュール情報に設定されている情報をどれだけ信用して所在人数の予測に反映されるかを示す指標として、本実施の形態では、スケジュール情報に基づいて求められる第２予測値ｘ２の寄与度ｃが求められる。
　寄与度ｃ（０＜ｃ＜１）は、変動モデルのみを用いた場合の予測誤差を抑制するための貢献度と言い表すこともできる。もちろん、寄与度を算出した結果、スケジュール情報の寄与度が１００％となる場合も論理的にはあり得る。従って、変動モデルを参照せずにスケジュール情報のみを参照して所在人数を予測する場合も起こり得る。
　次に、本実施の形態における所在人数予測処理について、図６に示したフローチャートを用いて説明する。本実施の形態における所在人数予測処理は、定周期的、例えば所定時間毎（１時間毎）に起動される。なお、各階とも同じ処理を実行すればよいので、ここでは１つの階（エリア）に着目して説明する。
　また、本実施の形態に係る所在人数予測処理では、予測対象時刻ｔｉｍｅ＿i（i＝１～ｋ）ごとに、第１予測値ｘ１＿i、第２予測値ｘ２＿i、及び寄与度ｃ＿iが求められる。さらに、求められた第１予測値ｘ１＿i、第２予測値ｘ２＿i、及び寄与度ｃ＿iに基づいて、予測対象時刻ｔｉｍｅ＿iにおける、注目階（所定エリア）の所在人数の予測値Ｘ＿iが求められる。
　例えば勤務時間外の時間帯においては、スケジュールの入力件数が勤務時間内の時間帯と比較して少なくなるから、勤務時間外においては第２予測値ｘ２＿iの寄与度は低くなる。このように、予測対象時刻ｔｉｍｅ＿iごとに変動する寄与度ｃ＿iに基づいて各時刻における所在人数の予測値Ｘ＿iを求めることで、より精度の高い予測が可能となる。
　例えば所定階（所定エリア）に設置された人数カウントセンサ等の所在人数取得部１１は、所定の時間間隔（例えば３０分間隔）で所在人数の実績値を取得する。また所在人数取得部１１として、例えばエレベーターの乗降者人数から各階の所在人数の実績値が求められてもよい。
　所在人数取得部１１は、上記のようにして現時点における所在人数を取得すると、取得した日時、取得した階及び当該階の所在人数を組にして所在人数情報記憶部１５に書き込み保存する。
　所在人数情報記憶部１５に新規の所在人数情報が記憶されると、図６の所在人数予測処理フローが開始される。第１予測部１４は、予測対象時刻ｔｉｍｅ＿iのカウントiを初期値１に設定する（Ｓ１０１）。
　初期値i＝１のときの予測対象時刻ｔｉｍｅ＿１は、例えば所在人数予測処理フローの開始時点であってよい。また、最終値i＝ｋのときの予測対象時刻ｔｉｍｅ＿ｋは、例えば所在人数予測対象時間帯の最終時刻、例えば２３：００であってよい。
　第１予測部１４は、所在人数情報記憶部１５に新規に記憶された所在人数情報を抽出して変動モデルを更新する。さらに変動モデルに基づいて、予測対象時刻ｔｉｍｅ＿iにおける第１予測値ｘ１＿iが算出される（Ｓ１０２）。例えば変動モデルの予測対象時刻ｔｉｍｅ＿iにおける所在人数の予測値がそのまま第１予測値ｘ１＿iとなる。なお、ステップS１０２における変動モデル更新処理は、図６の所在人数予測処理のすべての実行時に行わなくてもよい。例えば、任意のタイミング（例えば１か月毎）で変動モデルを更新してもよい。
　続いて、スケジュール情報取得部１２は、各階（各エリア）の利用者のスケジュール情報をスケジュール管理サーバ３（図１参照）から取得してスケジュール情報記憶部１６に書き込み保存する。
　スケジュール情報取得部１２は、予測当日以前（過去）のスケジュール情報を既に取得して所在人数情報記憶部１５に保存しているので、ここで取得するスケジュール情報は、予測当日に関わるスケジュール情報のみでよい。予測当日に関わるスケジュール情報というのは、予測当日のスケジュール情報を含むスケジュール情報を意味する。例えば、予測当日のみに設定されているスケジュール情報に限定せずに、予測当日及びその前後の日付を含む長期出張等も、スケジュール情報に含まれる。
　また、厳密には、予測当日において予測時点以降のスケジュールがユーザにより変更される場合がある（予測当日の１０時に１６時の予定を追加したなど）。したがって、所在人数予測処理が実行される度に、予測当日のスケジュール情報を取得するようにしてもよい。ただ、所在人数の予測に大きな誤差を生じさせるようなイベント（所在人数に大幅な変動が見込まれる例外的なイベント）は、通常、事前にスケジュールされる。したがって、膨大な数の従業員が従事している場合の処理負荷等を考慮して、予測当日の初回のみにスケジュール情報を取得してもよい。
　なお、本実施の形態では、スケジュール情報をスケジュール管理サーバ３から取得するようにしたが、その代替手段が用いられてもよい。例えば、スケジュール管理サーバ３が存在しない場合、例えばビル１又は各階のユーザが共通して利用するグループウェアやスケジューラなどから直接取得するようにしてもよいし、個々のユーザが利用する携帯端末にインストールされたスケジューラなどから取得するようにしてもよい。
　第２予測部１８は、スケジュール情報に基づいて、予測対象時刻ｔｉｍｅ＿iにおける第２予測値ｘ２＿iを算出する（Ｓ１０３）。例えば上述したように、所定階（所定エリア）に在籍するユーザ数を定員数として、この定員数を、スケジュール情報に基づいて増減した値が第２予測値となる。例えば第２予測部１８は、予測対象時刻ｔｉｍｅ＿iにおける不在者を定員数から減じて、これを第２予測値ｘ２＿iとする。
　続いて、寄与度決定部１３は、予測対象時刻ｔｉｍｅ＿iにおけるスケジュール件数ｎ＿ｓｋｄ＿iに基づいて、第２予測値ｘ２＿iの寄与度ｃ＿iを求める（Ｓ１０４）。一般的に、相対的に多くのスケジュールが予定されている時刻の所在人数の予測においては、いわゆるルーティンワークの実施時とは異なり、例外的な人数変動が生じる可能性が高い。したがって変動モデルに基づく予測では誤差が大きくなり易い。本実施の形態に係る所在人数の予測ではこの点に着目して、スケジュールの件数が多いほど、第２予測値ｘ２＿iの寄与度ｃ＿iが高くなるように設定される。
　例えば、スケジュール件数の基準値Ａが予め定められる。これに対して、予測対象時刻ｔｉｍｅ＿iにおけるスケジュール件数Ｂ＿ｉが基準値Ａ以上である場合には、寄与度決定部１３は、第２予測値ｘ２＿iの寄与度ｃ＿iを相対的に大きい値（例えばｃ＿i　＞　０．５）となるように設定する。一方、予測対象時刻ｔｉｍｅ＿iにおけるスケジュール件数Ｂ＿iが基準値Ａ未満である場合には、寄与度決定部１３は、第２予測値ｘ２＿iの寄与度ｃ＿iを相対的に小さい値（例えばｃ＿i　＜　０．５）となるように設定する。
　なお、基準値Ａは、スケジュール情報の履歴に基づき、統計的に算出されてもよい。また、基準値Ａとスケジュール件数Ｂ＿iとの差分に基づいて、寄与度ｃ＿iが求められてもよい。
　例えば、変動モデルの作成に用いた所在人数の履歴における１日毎の件数の平均値が基準値Ａとされる。例えば、当該期間が１２月１日～１２月３１日（休日を除く）の場合、この期間中の１日毎のスケジュール件数を求めたうえで、期間全体での平均を算出して求めてこれを基準値Ａとしてよい。このような算出を行うことで、仮に当該期間に例外的イベントが実施された日が含まれていたとしても、平準化された値が求められる。換言すると、基準となるスケジュール情報は、平均的な１日のスケジュールを示す情報となる。
　さらに、予定種別ごとにスケジュール件数の基準値が設定されてよい。例えば、あるエリアのある１日に実施される会議のスケジュール件数は○件、外出のスケジュール件数は○件、休暇のスケジュール件数は○件、のように表せる。この種別ごとに基準値を求めて、予測対象時刻ｔｉｍｅ＿iにおける各予定種別の件数との差分を求めて、その平均値を求めることで、寄与度ｃ＿iが求められる。
　続いて、寄与度決定部１３は、第１予測値ｘ１＿iの寄与度（１－ｃ＿i）を求める（Ｓ１０５）。次に統合予測部１９は、予測対象時刻ｔｉｍｅ＿iにおける第１予測値ｘ１＿i、第２予測値ｘ２＿iに対して、寄与度ｃ＿i，（１－ｃ＿i）に応じた重み付けを行って、所定階（エリア）の所在人数の予測対象時刻ｔｉｍｅ＿iにおける所在人数の予測値Ｘ＿iを算出する（Ｓ１０６）。例えば下記の数式（１）に基づいて、統合予測部１９は、所在人数の予測値Ｘ＿iを算出する。
　Ｘ＿i＝ｘ１＿i×（１－ｃ＿i）＋ｘ２＿i×ｃ＿i　　（１）
　算出された予測値Ｘ＿iは、統合予測部１９によりディスプレイ２７（図２参照）に出力される（Ｓ１０７）。なお、ディスプレイ２７への出力に加えて、予測値Ｘ＿iはＨＤＤ２４にファイルとして保存されてもよい。また、出力する情報は、予測値Ｘ＿iに加えて、前後数％範囲のエラーバーも出力してもよい。
　予測値Ｘ＿iの出力後、第１予測部１４は、カウントiが最終値ｋであるか否かを判定する（Ｓ１０８）。カウントiが最終値ｋに到達している場合には、図６に示される所在人数予測処理フローが終了する。
　一方、カウントiが最終値ｋにまだ到達していない場合には、第１予測部１４は、カウントiをインクリメントし（Ｓ１０９）、ステップＳ１０２に戻る。
　このように、本実施形態に係る所在人数の予測処理では、例外的な人数変動が生じるようなイベントがある場合に予測誤差が大きくなる変動モデルに基づく第１予測値ｘ１と、スケジュール情報の登録漏れや登録ミスによって所在人数に予測誤差が発生しうる第２予測値ｘ２の、お互いの短所を補い合うようにして、所在人数の予測値Ｘが算出される。したがって、どちらか一方の予測に基づく所在人数の予測と比較して、より誤差の小さい予測が可能となる。
　また、本実施形態に係る所在人数の予測処理では、予測対象時刻ｔｉｍｅ＿iごとに寄与度ｃ＿iが算出され、これに基づいて所在人数の予測値Ｘ＿iが算出される。このように、時刻ごとに変動する寄与度に基づいて所在人数の予測を行うことで、精度の高い予測が可能となる。例えば、時刻ごとにスケジュールの登録件数が異なる、つまり件数が多い時間帯と少ない時間帯がある場合に、本実施形態に係る所在人数の予測処理は、精度の高い予測が可能となる。
　なお、本実施の形態においては、基準となるスケジュール情報を作成する所定期間として月を例にし、その所定期間毎に基準となるスケジュール情報が作成されるようにしたが、この形態に限らない。例えば所定期間を、例えば月の上中下旬、曜日毎などのように細分化して形成した期間毎に基準となるスケジュール情報を作成するようにしてもよい。これにより、細分化した期間において典型的なスケジュールを示す情報が得られる。
実施の形態２．
　実施の形態１では、多くのスケジュールが予定されている時刻の所在人数の予測においては、変動モデルに基づく予測では誤差が大きくなりやすいことに着目して、予測対象時刻に応じた寄与度ｃを決定する場合について説明した。以下に説明する実施の形態２では、普段、出勤している利用者が少ない時間帯の所在人数の予測においては、スケジュール情報に基づく予測では誤差が大きくなりやすいことに着目して、寄与度ｃが決定される。
　例えば、スケジュール情報に基づく予測では、所定時刻において、所定エリアの定員数から、当該所定時刻にスケジュール登録があった人員数を減算するような演算が実行される。出勤している利用者が少ない時間帯では所在人数が定員数と乖離しているため、上記のような予測値の算出方法では誤差が大きくなる。そこで下記に説明するように、そのような、所在人数の少ない時間帯では、変動モデルに基づく第１予測値ｘ１の寄与度が大きくなるように定められる。
　図７には、本実施の形態に基づく、所在人数の予測処理フローが例示される。図６のフローチャートと異なる点として、ステップＳ１０３とステップＳ１０５の間に、予測対象時刻ｔｉｍｅ＿iが特定時間帯に含まれるか否かを判定するステップＳ１１０，Ｓ１１１が挿入される。なお図７において、図６と同一の符号が付されたステップについては、適宜説明を省略する。
　特定時間帯とは出勤している利用者が少なく、スケジュール情報に基づく予測（第２予測値）の誤差が大きくなる時間帯を指す。寄与度決定部１３は、このような特定時間帯に予測対象時刻ｔｉｍｅ＿iが含まれるか否かを判定する（Ｓ１１０）。特定時間帯に予測対象時刻ｔｉｍｅ＿iが含まれる場合には、寄与度決定部１３は、ｃ＿i　＜　（１－ｃ＿i）となるように寄与度ｃ＿iを設定する（Ｓ１１１）。つまり寄与度決定部１３は、第１予測値ｘ１＿iの寄与度（１－ｃ＿i）を第２予測値ｘ２＿iに対する寄与度ｃ＿iよりも大きい値に設定する。
　一方、特定時間帯に予測対象時刻ｔｉｍｅ＿iが含まれない場合には、予測対象時刻ｔｉｍｅ＿iにおけるスケジュール件数ｎ＿ｓｋｄ＿iに基づいて、第２予測値ｘ２＿iの寄与度ｃ＿iを求める（Ｓ１０４）。
　特定時間帯の設定について、所在人数の予測対象となるエリア（階）に入居するオフィスにおいて、出勤時刻と退勤時刻が一律に定められるいわゆる定時制が定められている場合がある。このような場合には、スケジュールの件数が相対的に少ない時間帯である、退勤時刻から翌日の出勤時刻までの定時時間外の時間帯が特定時間帯として設定される。
　一方、所在人数の予測対象のエリアに入居するオフィスにおいて、出勤時刻及び退勤時刻に幅を持たせたいわゆるフレックス制が定められている場合には、一律に特定時間帯を定めることが困難となる。そこで、図８に例示されるように、特定時間帯を設定するための機能ブロックを所在人数予測装置１０に持たせることが好適である。
　図８を参照して、図３のブロック構成図と異なる点として、所在人数予測装置１０は、出退勤情報取得部４０及び出退勤情報記憶部４１を備える。寄与度決定部１３に、出退勤情報記憶部４１が接続され、さらに出退勤情報記憶部４１に、出退勤情報取得部４０が接続される。
　出退勤情報取得部４０は、ビル１の各階（各エリア）を利用する利用者（従業員）の出退勤情報を取得し、出退勤情報記憶部４１に保存する。出退勤情報は、例えば、入退管理システムによるビル１への入退館情報又は各階への入退室情報に基づいて取得され、各利用者が出勤または退勤する毎に、利用者の識別情報と出勤時刻または退勤時刻を組にして出退勤情報記憶部４１に保存される。
　なお、出退勤情報取得部４０は、勤怠管理システムへの利用者の自己入力などの方法によって出退勤情報を取得してもよい。寄与度決定部１３は、出退勤情報の履歴を参照し、特定時間帯を設定する。
　寄与度決定部１３は、出退勤情報の履歴に基づき、所定エリアに出勤している利用者が相対的に少ない時間帯を特定時間帯とする。例えば寄与度決定部１３は、過去の所定期間（休日を除く）の出退勤情報の履歴から、各時刻における普段の出勤者数を求め、その値が所定の闘値以下である時間帯を特定時間帯とする。普段の出勤者数は、日毎の各時刻における出勤者数を平均して算出してもよいし、利用者毎の普段の出勤時刻及び退勤時刻を統計的に処理した（例えば平均値や最頻値を求めた）うえで算出してもよい。
　なお、出退勤情報を用いる代わりに、寄与度決定部１３は、過去の当該階（エリア）の所在人数の履歴に基づいて、当該エリア内の所在人数が相対的に少ない時間帯を、特定時間帯と定めてもよい。例えば、寄与度決定部１３は、過去の所定期間（休日を除く）の所在人数の履歴から、各時刻における平均所在人数を求め、その値が所定の閥値以下である時間帯を特定時間帯とする。また、曜日などによって特定時間帯が変更されてもよい。
　１０　所在人数予測装置、１１　所在人数取得部、１２　スケジュール情報取得部、１３　寄与度決定部、１４　第１予測部、１５　所在人数情報記憶部、１６　スケジュール情報記憶部、１７　変動モデル情報記憶部、１８　第２予測部、１９　統合予測部、４０　出退勤情報取得部、４１　出退勤情報記憶部。

Claims (7)

  1. 　建物内の所定のエリアにおける所在人数の時間変動を表す変動モデルに基づいて、将来の前記エリアの所在人数の第１予測値を算出する第１予測部と、
    　前記エリアを利用する各利用者のスケジュール情報に基づいて将来の前記エリアの所在人数の第２予測値を算出する第２予測部と、
    　将来の前記エリアの所在人数を予測する際の前記第１予測値及び前記第２予測値の寄与度を、予測対象時刻ごとに決定する寄与度決定部と、
    　前記第１予測値及び前記第２予測値に対して、前記寄与度に応じた重み付けを行って、前記エリアの所在人数の予測値を前記予測対象時刻ごとに算出する統合予測部と、
    を有する、所在人数予測装置。
  2. 　請求項１に記載の所在人数予測装置であって、
    　前記寄与度決定部は、前記スケジュール情報のうち、所定の前記予測対象時刻に予定されているスケジュールの件数に応じて、当該予測対象時刻における前記寄与度を決定する、所在人数予測装置。
  3. 　請求項１に記載の所在人数予測装置であって、
    　前記寄与度決定部は、前記予測対象時刻が特定時間帯に該当する場合に、前記第１予測値の寄与度を前記第２予測値の寄与度よりも大きい値に設定する、所在人数予測装置。
  4. 　請求項３に記載の所在人数予測装置であって、
    　前記エリアの利用者毎の出退勤情報を取得する出退勤情報取得部をさらに有し、
    　前記寄与度決定部は、出退勤情報の履歴に基づき、前記エリアに出勤している利用者が相対的に少ない時間帯を前記特定時間帯とする、所在人数予測装置。
  5. 　請求項３に記載の所在人数予測装置であって、
    　前記寄与度決定部は、前記エリアの所在人数の履歴に基づき、前記エリア内の所在人数が相対的に少ない時間帯を前記特定時間帯とする、所在人数予測装置。
  6. 　請求項１乃至請求項５のいずれか１項に記載の所在人数予測装置と、
    　前記所在人数予測装置により予測された前記エリアの所在人数に基づき前記建物内に設置された設備の管理を行う設備管理装置と、
    を有することを特徴とする設備管理システム。
  7. 　建物内の所定のエリアに居る所在人数の時間変動を表す変動モデルに基づいて、将来の前記エリアの所在人数の第１予測値を算出するステップと、
    　前記エリアを利用する各利用者のスケジュール情報に基づいて将来の前記エリアの所在人数の第２予測値を算出するステップと、
    　将来の前記エリアの所在人数を予測する際の前記第１予測値及び前記第２予測値の寄与度を、予測対象時刻ごとに決定するステップと、
    　前記第１予測値及び前記第２予測値に対して、前記寄与度に応じた重み付けを行って、前記エリアの所在人数の予測値を前記予測対象時刻ごとに算出するステップと、
    含む、所在人数予測方法。
PCT/JP2019/024520 2019-06-20 2019-06-20 所在人数予測装置、設備管理システム、及び所在人数予測方法 WO2020255336A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201980097666.4A CN114008643B (zh) 2019-06-20 2019-06-20 所在人数预测装置、设备管理系统以及所在人数预测方法
PCT/JP2019/024520 WO2020255336A1 (ja) 2019-06-20 2019-06-20 所在人数予測装置、設備管理システム、及び所在人数予測方法
JP2019569493A JP6690070B1 (ja) 2019-06-20 2019-06-20 所在人数予測装置、設備管理システム、及び所在人数予測方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/024520 WO2020255336A1 (ja) 2019-06-20 2019-06-20 所在人数予測装置、設備管理システム、及び所在人数予測方法

Publications (1)

Publication Number Publication Date
WO2020255336A1 true WO2020255336A1 (ja) 2020-12-24

Family

ID=70413864

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/024520 WO2020255336A1 (ja) 2019-06-20 2019-06-20 所在人数予測装置、設備管理システム、及び所在人数予測方法

Country Status (3)

Country Link
JP (1) JP6690070B1 (ja)
CN (1) CN114008643B (ja)
WO (1) WO2020255336A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7553283B2 (ja) 2020-08-19 2024-09-18 アズビル株式会社 施設管理システム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011180974A (ja) * 2010-03-03 2011-09-15 Mitsubishi Electric Corp 施設管理システム
JP2013089208A (ja) * 2011-10-24 2013-05-13 Mitsubishi Electric Building Techno Service Co Ltd 空調システム及び空調制御プログラム
JP2017021423A (ja) * 2015-07-07 2017-01-26 東芝エレベータ株式会社 エリア環境管理装置及びエリア環境管理方法
US20170364817A1 (en) * 2016-06-15 2017-12-21 Arm Limited Estimating a number of occupants in a region
JP2018026028A (ja) * 2016-08-12 2018-02-15 三菱電機ビルテクノサービス株式会社 所在人数予測装置、設備管理システム、所在人数予測方法及びプログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886018B (zh) * 2014-02-21 2017-02-08 车智互联（北京）科技有限公司 数据预测装置、数据预测方法以及电子设备
CN106545950B (zh) * 2015-09-17 2020-11-17 开利公司 一种楼宇空调控制系统及其控制方法
CN109791638B (zh) * 2016-09-30 2023-09-15 三菱电机楼宇解决方案株式会社 所在人数预测装置、设备管理系统以及记录介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011180974A (ja) * 2010-03-03 2011-09-15 Mitsubishi Electric Corp 施設管理システム
JP2013089208A (ja) * 2011-10-24 2013-05-13 Mitsubishi Electric Building Techno Service Co Ltd 空調システム及び空調制御プログラム
JP2017021423A (ja) * 2015-07-07 2017-01-26 東芝エレベータ株式会社 エリア環境管理装置及びエリア環境管理方法
US20170364817A1 (en) * 2016-06-15 2017-12-21 Arm Limited Estimating a number of occupants in a region
JP2018026028A (ja) * 2016-08-12 2018-02-15 三菱電機ビルテクノサービス株式会社 所在人数予測装置、設備管理システム、所在人数予測方法及びプログラム

Also Published As

Publication number Publication date
JPWO2020255336A1 (ja) 2021-09-13
CN114008643A (zh) 2022-02-01
JP6690070B1 (ja) 2020-04-28
CN114008643B (zh) 2024-06-25

Similar Documents

Publication Publication Date Title
US7027995B2 (en) Dynamic resource scheduling to optimize location of meeting participants
JP2013089208A (ja) 空調システム及び空調制御プログラム
Whitt Dynamic staffing in a telephone call center aiming to immediately answer all calls
US8321253B2 (en) Technician control system
Aldor-Noiman et al. Workload forecasting for a call center: Methodology and a case study
US8364513B2 (en) Technician control system
US11720134B2 (en) Method and system for predicting potential future energy consumption of built environment
US20070005406A1 (en) Event scheduling
US20140379404A1 (en) Location triggered scheduling
JP6671264B2 (ja) 所在人数予測装置、設備管理システム、所在人数予測方法及びプログラム
JP5336981B2 (ja) 会議室予約支援装置および会議室予約支援方法
JP6387622B2 (ja) 情報処理装置、情報処理方法およびプログラム
JP6724149B2 (ja) 所在人数予測装置、設備管理システム及びプログラム
WO2020255336A1 (ja) 所在人数予測装置、設備管理システム、及び所在人数予測方法
KR101865924B1 (ko) 예측 속도 향상을 위한 신경망과 보정계수를 이용한 주간 부하 예측 장치 및 방법
Song et al. Optimal appointment rule design in an outpatient department
JP5635220B1 (ja) 蓄熱量予測装置、蓄熱量予測方法およびプログラム
JP6818937B1 (ja) 所在人数予測装置、設備管理システム、及び所在人数予測方法
KR101904327B1 (ko) 자동예약시스템
US8812339B1 (en) System and method for scheduling tasks
JP6263376B2 (ja) 候補出力システム、候補出力方法及びコンピュータプログラム
JP6824206B2 (ja) 所在人数予測装置及び設備管理システム
JP5233661B2 (ja) 所在情報通知装置及び所在情報通知プログラム
JP2018205877A (ja) 提供数予測装置、提供数予測方法及び提供数予測プログラム
JP6427049B2 (ja) ピーク電力発現予測装置および予測方法

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2019569493

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19934310

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19934310

Country of ref document: EP

Kind code of ref document: A1