WO2021145074A1 - 苦情予測システム及び苦情予測方法 - Google Patents

苦情予測システム及び苦情予測方法 Download PDF

Info

Publication number
WO2021145074A1
WO2021145074A1 PCT/JP2020/044155 JP2020044155W WO2021145074A1 WO 2021145074 A1 WO2021145074 A1 WO 2021145074A1 JP 2020044155 W JP2020044155 W JP 2020044155W WO 2021145074 A1 WO2021145074 A1 WO 2021145074A1
Authority
WO
WIPO (PCT)
Prior art keywords
odor
information
complaint
user
learning
Prior art date
Application number
PCT/JP2020/044155
Other languages
English (en)
French (fr)
Inventor
英数 高橋
Original Assignee
アルプスアルパイン株式会社
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 アルプスアルパイン株式会社 filed Critical アルプスアルパイン株式会社
Priority to JP2021570668A priority Critical patent/JP7257551B2/ja
Publication of WO2021145074A1 publication Critical patent/WO2021145074A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • 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 complaint prediction system and a complaint prediction method.
  • the scent is sensuous, and the impression and degree that humans receive from the scent varies from person to person, so it is difficult to recognize it objectively. Therefore, in the inside of a car, a bus, a train, etc., or in the interior of a building such as an office building or a hotel, the next user, etc. becomes uncomfortable with the odor of the previous user or user (referred to as a user, etc.) Feeling and complaints may occur.
  • a detection device for such an odor for example, a plurality of odor sensors having different characteristics for reacting to odors are provided, and the odor component contained in the gas to be measured and its concentration are specified based on the output values of the plurality of odor sensors.
  • a odor detecting device for discriminating the type of odor based on the specified odor component and its concentration is disclosed (see, for example, Patent Document 1).
  • Patent Document 1 it is difficult for the odor detecting device of Patent Document 1 to accurately detect the concentration of a specific odor component in a gas containing various odor components.
  • the odor that is perceived as unpleasant differs depending on each user, and the concentration of a specific odor component tends not to be necessarily proportional to the rate at which complaints occur. Therefore, it is difficult to determine the relationship between the odor component and the complaint occurrence rate, and there is a problem that the complaint occurrence rate cannot be accurately predicted for the odor.
  • One aspect of the present invention is to provide a complaint prediction system capable of predicting the incidence of complaints about odors with high accuracy.
  • One aspect of the complaint prediction system is a complaint prediction system that predicts the risk of occurrence of a complaint regarding an odor contained in a gas to be detected in a partitioned space, and the odor component contained in the gas to be detected is used.
  • a storage unit that stores related data in which information on the output values of a plurality of odor sensors having different reacting detection characteristics and information on the output values of the odor sensors in the past and information on subjective judgment on the odor of a past user are associated with each other.
  • a calculation unit that calculates the risk of complaints from the user who plans to use the space based on the output values of the current plurality of odor sensors and the related data.
  • One aspect of the complaint prediction system according to the present invention can predict the incidence of complaints about odors with high accuracy.
  • the complaint prediction system (hereinafter, simply referred to as a prediction system) according to the present embodiment will be described.
  • the prediction system according to the present embodiment measures the odor component contained in the detection target gas existing in the space, and the risk of odor-related complaints by the user who plans to use the space (complaint occurrence risk). ) Predict.
  • the detection target gas is the air in the vehicle interior space (space) of the automobile.
  • FIG. 1 is a system configuration diagram showing the configuration of the prediction system according to the present embodiment.
  • the prediction system 1 includes a complaint prediction control device (hereinafter, simply referred to as a control device) 10 and a plurality of odor sensors 201 ... 20N (N is an integer of 1 or more) and a communication device 30 are provided.
  • the output values of the odor sensors 201 ... 20N are transmitted from the communication device 30 to the control device 10 via the communication network 40.
  • the control device 10 is based on the output values of the current plurality of odor sensors 201 ... 20N and the related data, and the user who plans to use the automobile complains about the odor contained in the detected gas in the vehicle interior. Calculate the risk of occurrence.
  • the hardware configuration of the control device 10 will be described later.
  • the plurality of odor sensors 201 ... 20N are sensors having different detection characteristics that react with odor components contained in the detection target gas.
  • the odor component is a chemical substance constituting the odor, and examples thereof include nonenal, diacetyl, and isovaleric acid.
  • a semiconductor type sensor or the like including a semiconductor element can be used as the odor sensor 201 ... 20N.
  • the resistance value of a semiconductor element changes when oxygen adsorbed on the surface of the semiconductor element reacts with an odor component that causes an odor (surface reaction) and is released. From this change in resistance value, the concentration of odorous components in the air existing in the space is measured. Then, the measured concentration of the odor component is converted into an electric quantity, and an electric signal corresponding to the concentration of the odor component is output.
  • Examples of the odor sensor 201 ... 20N include a gas sensor for VOC (Volatile Organic Compounds) detection, a gas sensor for CO detection, a gas sensor for hydrogen detection, a gas sensor for hydrocarbon detection, and an alcohol detection. A gas sensor, a gas sensor for detecting cigarettes, etc. are used. Further, the odor sensors 201 ... 20N may be MEMS (Micro Electro Mechanical Systems) type sensors.
  • the odor sensors 201 ... 20N may react to a plurality of odor components, or may react to only one odor component.
  • the communication device 30 transmits the detected values of the odor sensors 201 ... 20N to the communication network 40.
  • FIG. 2 is a block diagram showing the functions of the control device 10.
  • the control device 10 includes a learning model 11, a learning data creation unit 12, a learning unit 13, a storage unit 14, a calculation unit 15, an input unit 16, an acquisition unit 17, and a display unit 18.
  • the learning model 11 includes input information including information on related data in which information on output values of a plurality of past odor sensors 201 ... 20N and information on subjective judgment on odor of a past user are associated with each other. , Based on the current output values of multiple odor sensors 201 ... 20N and related data, the correspondence with the output information including the information on the risk of complaints by the users who plan to use the space is obtained by machine learning. It is acquired and formulated.
  • the learning model 11 is a learning result of a correspondence relationship between input information and output information, which is obtained by performing machine learning in the learning unit 13 using the learning data stored in the learning data creation unit 12. That is, the learning result of the input / output relationship is applied.
  • the learning model 11 is a program for using input information as input data and output information as output data so that the input / output relationship between the input information and the output information can be modeled and calculated.
  • the learning model 11 may be expressed by a mathematical formula such as a function.
  • the learning model 11 applies a supervised learning algorithm even in machine learning.
  • supervised learning for example, linear regression (Linear regression), logistic regression (Logistic regression), random forest (Random Forest), boosting (Boosting), support vector machine (Support Vector Machine, SVM), neural network (Neural Network) ) Etc.
  • the neural network deep learning in which the neural network has multiple layers rather than three layers can be used.
  • a convolutional neural network (CNN), a recurrent neural network (RNN), a general recurrent neural network, etc. should be used. Can be done.
  • the input information corresponds to the information about the user existing in the space, the information about the output values of the plurality of odor sensors 201 ... 20N, and the information about the subjective judgment about the odor of the user existing in the space.
  • Information on related data information on the type of odor felt by the user and the cause of complaints caused by the odor component, the type of odor component detected by multiple odor sensors 201 ... 20N, and each odor component. It can include information about the concentration of. This information is prepared for each user existing in the space. Further, this information may be based on measurements in the same space or may be based on measurements in different spaces.
  • the input information may include necessary information as appropriate in addition to these information.
  • Information about users existing in the space includes names, membership numbers, telephone numbers, email addresses, addresses, and the like.
  • Information on the output values of the plurality of odor sensors 201 ... 20N includes, for example, "1 step” and “4 steps” when the output values of the plurality of odor sensors 201 ... 20N are in 10 steps. "There is”, “There are 6 stages”, “There are 10 stages” and the like.
  • Information on the subjective judgment of the user's odor includes, for example, "smell is odor”, “smell is very odor”, “cigarette odor”, “alcohol odor”, “perfume odor” and the like.
  • Information on the type of odor felt by the user includes, for example, tobacco, perfume, alcohol, and the like.
  • Information on the causes of complaints caused by odor components includes, for example, "smell of cigarettes”, “strong perfume”, “smell of body odor”, “sweaty” and the like.
  • Information on the types of odor components detected by a plurality of odor sensors 201 ... 20N and the concentration of each odor component includes, for example, “smell of cigarettes", “smell of cigarettes", and “smell of cigarettes”. "Light”, “No smoke”, “Smell of perfume”, “Smell of perfume”, “Smell of perfume is light”, “No smell of perfume”, etc.
  • the output information can include information regarding the risk of complaints from users of the space, and may include necessary information as appropriate.
  • the risk of complaints from space users is the current information on the output values of multiple odor sensors 201 ... 20N, the past information on the output values of multiple odor sensors 201 ... 20N, and the past use. It is calculated based on the relevant data that corresponds to the information on the subjective judgment of the person's odor.
  • the learning data creation unit 12 creates learning data for the learning model 11.
  • the learning data includes input information and output information.
  • FIG. 3 is a diagram showing an example of learning data.
  • the learning data includes information on the output values of a plurality of past odor sensors 201 ... 20N and information on the subjective judgment of the past user as input information, and outputs the data.
  • the information includes information on the risk of complaints from users.
  • black circles indicate odor levels.
  • the learning data creation unit 12 uses the input information used for prediction (prediction input information) and the output information predicted from the prediction input information (prediction output information) or the prediction input information in the learning data.
  • the obtained actual output information can be input as input information and output information to update the learning data.
  • the forecast input information includes information about the user who is going to use the car from now on.
  • the prediction input information may include information about a user who is currently using the car.
  • the learning unit 13 can update the learning model 11 by learning the prediction input information and the prediction output information input to the learning data by the learning data creation unit 12 as input information and output information. That is, the learning unit 13 learns the learning model 11 representing the correspondence between the input information and the output information by machine learning using the learning data created by the learning data creation unit 12. For example, the learning unit 13 preferably learns the learning model 11 so that the input / output relationship of the learning model 11 approaches the input / output relationship of the learning data. Since the details of machine learning are the same as those of the learning model 11, the description thereof will be omitted.
  • the storage unit 14 provides information on the user, information on the output values of the plurality of past odor sensors 201 ... 20N, and related data corresponding to information on the subjective judgment on the odor of the past user.
  • these information regarding the subjective judgment of the user's odor in the past may be based on the measurement in the same space or may be based on the measurement in different spaces.
  • the storage unit 14 can store the relationship between the type of odor felt by the user and the cause of the complaint caused by the odor component in the related data for each user.
  • the calculation unit 15 outputs the prediction output information based on the prediction input information input to the learning model 11.
  • the forecast output information can include the same information as the above output information.
  • the output information for prediction the risk of complaints from users who plan to use the space is based on the output values of the current plurality of odor sensors 201 ... 20N output from the learning model 11 and the related data. Since the same information as the output information including the information related to the information can be included, the details of the information will be omitted.
  • the calculation unit 15 outputs a coping method from the type of the odor component detected by the odor sensors 201 ... 20N and the concentration of each odor component.
  • a coping method a method of deodorizing with ozone or the like can be mentioned.
  • the coping method may include the case where nothing is done.
  • the input unit 16 inputs the output values of the odor sensors 201 ... 20N acquired by the acquisition unit 17 to the calculation unit 15 as prediction input information.
  • the prediction input information can include the same information as the above-mentioned input information.
  • the input information for prediction the information about the user existing in the space, the information about the output values of the plurality of past odor sensors 201 ... 20N, and the odor of the past user, which are input to the learning model 11, are used.
  • Information on related data corresponding to information on subjective judgment, information on the type of odor felt by the user and the cause of complaints caused by the odor component, and detected by a plurality of odor sensors 201 ... 20N. Since the same information as the information on the type of the odor component and the concentration of each odor component can be included, the details of the information will be omitted.
  • the acquisition unit 17 acquires the output values of the odor sensors 201 ... 20N sent via the communication device 20.
  • the display unit 18 displays the prediction output information output by the calculation unit 15. In addition, the display unit 18 can display the optimum coping method calculated from the type of the odor component output by the calculation unit 15 and the concentration of each odor component.
  • FIG. 4 is a block diagram showing a hardware configuration of the control device 10.
  • the control device 10 is composed of an information processing device (computer), and is physically a CPU (Central Processing Unit: processor) 101 which is an arithmetic processing unit and a RAM (Random) which is a main storage device. It can be configured as a computer system including an Access Memory) 102 and a ROM (Read Only Memory) 103, an input device 104 as an input device, an output device 105, a communication module 106, an auxiliary storage device 107 such as a hard disk, and the like. These are connected to each other by bus 108.
  • the output device 105 and the auxiliary storage device 107 may be provided externally.
  • the CPU 101 controls the overall operation of the prediction system 1 and performs various types of information processing.
  • the CPU 101 executes a complaint prediction program (hereinafter, simply referred to as a prediction program) stored in the ROM 103 or the auxiliary storage device 107 to control the display operation of the measurement recording screen and the analysis screen.
  • a complaint prediction program hereinafter, simply referred to as a prediction program
  • the RAM 102 may include a non-volatile RAM that is used as a work area of the CPU 101 and stores major control parameters and information.
  • ROM 103 stores basic input / output programs and the like.
  • the prediction program may be stored in ROM 103.
  • the input device 104 is a keyboard, a mouse, operation buttons, a touch panel, and the like.
  • the output device 105 is a monitor display or the like.
  • the output device 105 displays the prediction result and the like, and the screen is updated according to the input / output operation via the input device 104 and the communication module 106.
  • the communication module 106 is a data transmission / reception device such as a network card, and functions as a communication interface that takes in information from an external data recording server or the like and outputs analysis information to other electronic devices.
  • the auxiliary storage device 107 is a storage device such as an SSD (Solid State Drive) and an HDD (Hard Disk Drive), and stores, for example, various data, files, and the like necessary for the operation of the prediction program and the prediction system 1.
  • SSD Solid State Drive
  • HDD Hard Disk Drive
  • Each function of the control device 10 shown in FIG. 2 causes a main storage device such as a CPU 101 or a RAM 102 or an auxiliary storage device 107 to read predetermined computer software (including a prediction program) and stores the computer software (including a prediction program) in the RAM 102, the ROM 103 or the auxiliary storage device 107.
  • the CPU 101 executes the predicted prediction program and the like.
  • the control device 10 has the learning model 11, the learning data creation unit 12, the learning unit 13, the storage unit 14, and the calculation unit 15 in FIG. It functions as an input unit 16, an acquisition unit 17, and a display unit 18.
  • the prediction program is stored in, for example, a storage device provided in the computer.
  • a part or all of the prediction program may be transmitted via a transmission medium such as a communication line, and may be received and recorded (including installation) by a communication module 106 or the like provided in the computer.
  • the prediction program has a configuration in which a part or all of the prediction program is recorded (including installation) in the computer from a state in which a part or all thereof is stored in a portable storage medium such as a CD-ROM, a DVD-ROM, or a flash memory. May be good.
  • the prediction system 1 includes a control device 10 and a plurality of odor sensors 201 ... 20N, and the control device 10 includes a storage unit 14 and a calculation unit 15.
  • the storage unit 14 stores related data in which the information on the output values of the plurality of past odor sensors 201 ... 20N and the information on the subjective judgment on the odor of the past user are associated with each other. ing. Then, the prediction system 1 calculates the complaint occurrence risk by the user who plans to use the space based on the output values of the current plurality of odor sensors 201 ... 20N and the related data in the calculation unit 15. ..
  • the prediction system 1 does not measure all the concentrations of specific odor components, but uses the output values of the current plurality of odor sensors 201 ... 20N based on the related data and plans to use the automobile. It is possible to calculate the risk of complaints caused by a person. Therefore, the prediction system 1 can predict the occurrence rate of complaints about odors with high accuracy without depending on the concentration of a specific odor component.
  • the prediction system 1 can easily determine whether or not the air inside the car needs to be exhausted, deodorized, maintained, or the like before the car is rented to the next user.
  • the storage unit 14 stores the relationship between the type of odor felt by the user and the cause of the complaint caused by the odor component in the related data for each user, and the calculation unit 15 stores a plurality of odor sensors.
  • the cause of the complaint can be identified from the types of odor components detected at 201 ... 20N.
  • the prediction system 1 can specifically identify the cause of the complaint for each user, so that the occurrence rate of complaints about the odor can be increased for each user according to the type of odor existing in the space. It can be predicted with high accuracy.
  • the prediction system 1 detects the type of the odor component and the concentration of each odor component by the plurality of odor sensors 201 ... 20N, and the odor detected by the plurality of odor sensors 201 ... 20N in the calculation unit 15.
  • the coping method can be output from the type of the component and the concentration of each odor component.
  • the prediction system 1 can propose a more appropriate coping method for the odor in the space, so that the occurrence rate of complaints about the odor of the user who plans to use the automobile can be reduced in advance.
  • the prediction system 1 can include a learning model 11.
  • the learning model 11 is a learning model generated by machine learning the correspondence between the input information and the output information using the learning data created by the learning data creation unit 12 in the learning unit 13.
  • the prediction system 1 includes information about the user, information about the output values of the plurality of odor sensors 201 ... 20N, and information about the subjective judgment of the odor of the user in the space in the learning model 11 for prediction.
  • the calculation unit 15 infers information on the risk of complaints from users who plan to use the space based on the prediction input information input to the learning model, and predictive output information. Can be calculated as. Therefore, the prediction system 1 can calculate the risk of complaints by a user who plans to use the automobile with higher accuracy based on the result of the prediction output information obtained by using the learning model 11.
  • the prediction system 1 can include a learning data creation unit 12 and a learning unit 13.
  • the learning unit 13 can learn a learning model that represents the correspondence between the input information and the output information by using the learning data created by the learning data creation unit 12.
  • the prediction system 1 can apply the learning model learned by the learning unit 13 as the learning model 11. Therefore, since the prediction system 1 can output the prediction output information from the prediction input information with higher accuracy by the learning model 11, the risk of complaints from users who plan to use the automobile is calculated with higher accuracy. be able to.
  • the prediction system 1 may update the learning model 11 by having the learning unit 13 learn the prediction input information and the prediction output information input to the learning data of the learning data creation unit 12 as input information and output information. can.
  • the prediction system 1 can update the learning model 11 by having the learning unit 13 learn the newly obtained input information and output information in the learning data. Therefore, since the prediction system 1 can train the learning model 11 including the latest input information and output information, it can output the prediction output information from the prediction input information in consideration of the latest data. Therefore, since the prediction system 1 can further improve the accuracy of the prediction output information, it is possible to stably calculate the degree of complaint occurrence by the user who plans to use the automobile with higher accuracy.
  • the prediction system 1 can predict the occurrence rate of complaints about the odor contained in the gas to be detected with high accuracy. Therefore, in addition to the space inside the vehicle, the inside of a bus, train, etc., an airplane, a ship, etc. Complaints from users and users due to odor components in closed spaces such as cabins, office buildings, hotel buildings, guest rooms, changing rooms, toilets, etc. It can be suitably used as a system for predicting the occurrence.
  • the prediction system 1 may be used by the current user.
  • the prediction system 1 does not have to include the learning model 11, the learning data creation unit 12, and the learning unit 13.
  • the learning data creation unit 12 does not have to learn the prediction input information and the prediction output information input to the learning data as input information and output information and update the learning data.
  • the complaint prediction method according to the present embodiment will be described using the prediction system 1 according to the present embodiment.
  • the odor component contained in the detection target gas existing in the space is measured, and the space is planned to be used. Predict the risk of odor complaints by people.
  • FIG. 5 is a flowchart illustrating a complaint prediction method according to the present embodiment.
  • the complaint prediction method according to the present embodiment includes a learning data creation step (step S11), a learning model learning step (step S12), an odor detection step (step S13), and an odor sensor 201.
  • a 20N output value input step step S14
  • a complaint occurrence risk calculation step step S15
  • a complaint occurrence risk display step step S16
  • a learning data update step step S18.
  • the prediction system 1 creates learning data for the learning model 11 by the learning data creation unit 12 (learning data creation process: step S11).
  • the learning data creation unit 12 learns the correspondence between the input information and the output information, and creates the learning data as shown in FIG. 3 as the related data.
  • the prediction system 1 learns the learning model 11 by the learning unit 13 using the learning data created in step S11 (learning process of learning model: step S12).
  • the learning unit 13 learns the learning model 11 that represents the correspondence between the input information and the output information by using machine learning such as deep learning from the learning data created by the learning data creation unit 12. do.
  • the learning unit 13 learns the learning model 11 so that the output matches the output information related to the input information according to the content of the input information of the learning data.
  • the learning unit 13 includes linear regression (Linear regression), logistic regression (Logistic regression), random forest (Random Forest), boosting (Boosting), support vector machine (Support Vector Machine, SVM), and neural network.
  • An algorithm such as a network (Neural Network) can be applied as a supervised learning model.
  • the prediction system 1 acquires the output values of the current plurality of odor sensors 201 ... 20N by the acquisition unit 17 (odor detection step: step S13).
  • the prediction system 1 uses the input unit 16 to input information about the user who is planning to use the space and information about the output value of the odor sensors 201 ... 20N as input information for prediction (smell sensor). 201 ... 20N output value input step: step S14).
  • the prediction system 1 uses the learning model 11 to calculate information on the risk of complaints from users who plan to use the space by the calculation unit 15 (complaint risk prediction step: step S15). ..
  • the calculation unit 15 inputs the prediction input information input in step S13 to the learning model 11 for which machine learning has been completed in step S12, and is output from the learning model 11 by the user who plans to use the space. Acquire the prediction result of the risk of complaint occurrence as output information for prediction.
  • the prediction system 1 displays the prediction result of the complaint occurrence risk, which is output by the calculation unit 15 by the display unit 18, as the prediction output information (display step of the prediction result of the complaint occurrence risk: step S16). ).
  • the prediction system 1 displays the coping method from the type of the odor component detected by the display unit 18 and the concentration of each odor component.
  • the prediction system 1 inputs the prediction input information and the prediction output information into the learning data as input information and output information by the learning data creation unit 12, and updates the learning data (learning data). Update step: Step S17).
  • the complaint prediction method includes an odor detection step (step S13) and a calculation step (step S15).
  • the odor components contained in the detection target gas are detected by a plurality of odor sensors in the odor detection step (step S13), and the current plurality of odor sensors 201 are detected in the calculation step (step S15).
  • the space is used based on the output value of 20N and the related data corresponding to the output value of a plurality of past odor sensors 201 ... 20N and the information on the subjective judgment of the user in the past. It is possible to calculate the risk of complaints from users who are planning to make a complaint. Therefore, the complaint prediction method according to the present embodiment can predict the occurrence rate of complaints about odors with high accuracy without depending on the concentration of a specific odor component.
  • the complaint prediction method according to the present embodiment may be used for the current user.
  • the learning data creation step (step S11) and the learning model learning step (step S12) may not be performed if they are not particularly required.
  • the complaint occurrence risk display step (step S16) may not be performed when the complaint occurrence risk display is not required.
  • the learning data update step (step S17) may not be performed when it is not necessary to update the learning data.
  • Complaint prediction system 10
  • Complaint prediction control device 11
  • Learning model 12
  • Learning data creation unit 13
  • Learning unit 14
  • Storage unit 15
  • Calculation unit 16
  • Input unit 17
  • Acquisition unit 18
  • Smell sensor 30
  • Communication device 40 Communication network

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

本発明に係る苦情予測システムは、仕切られた空間内の検知対象ガスに含まれる匂いに関する苦情発生危険度を予測する苦情予測システムであって、前記検知対象ガスに含まれる匂い成分に反応する検出特性が異なる複数の匂いセンサと、過去の複数の前記匂いセンサの出力値に関する情報と過去の使用者の匂いに対する主観的な判断に関する情報とを対応させた関連データを記憶する記憶部と、現在の複数の前記匂いセンサの出力値と前記関連データとに基づいて、前記空間を使用する予定の前記使用者による苦情発生危険度を算出する算出部と、を備える。

Description

苦情予測システム及び苦情予測方法
　本発明は、苦情予測システム及び苦情予測方法に関する。
　匂いは、感覚的なものであり、人間が匂いから受ける印象や程度は人によって異なるため、客観的に認識することは困難である。そのため、自動車、バス、電車等の車内、オフィスビルやホテル等の建物の室内等において前回の使用者や利用者（使用者等という）による匂い特に悪臭に対して次の使用者等が不快に感じ、苦情が発生する場合がある。
　そのため、予め車内や室内の空間の匂いを除去して、車両や建物内の部屋の次の使用者等に対して不快を与えないようにするため、種々の匂いに関する検知装置が検討されている。
　このような匂いに関する検知装置として、例えば、ニオイに反応する特性が互いに異なる複数のニオイセンサーを備え、複数のニオイセンサーの出力値に基づいて測定対象気体に含まれるニオイ成分とその濃度を特定し、特定されたニオイ成分とその濃度に基づいてニオイの種類を判別するニオイ検出装置が開示されている（例えば、特許文献１参照）。
日本国特許第６５０８４４０号公報
　しかしながら、特許文献１のニオイ検出装置では、多様な匂い成分を含む気体中から特定の匂い成分の濃度を正確に検出することは困難である。また、それぞれの使用者によって不快と感じる匂いが異なり、特定の匂い成分の濃度と苦情が発生する割合とは必ずしも比例しない傾向にある。そのため、匂い成分と苦情の発生割合とを関連付けて判断することは困難であり、匂いに対して苦情の発生割合を正確に予測することができないという問題があった。
　本発明の一態様は、匂いに対する苦情の発生率を高精度で予測することができる苦情予測システムを提供することを目的とする。
　本発明に係る苦情予測システムの一態様は、仕切られた空間内の検知対象ガスに含まれる匂いに関する苦情発生危険度を予測する苦情予測システムであって、前記検知対象ガスに含まれる匂い成分に反応する検出特性が異なる複数の匂いセンサと、過去の複数の前記匂いセンサの出力値に関する情報と過去の使用者の匂いに対する主観的な判断に関する情報とを対応させた関連データを記憶する記憶部と、現在の複数の前記匂いセンサの出力値と前記関連データとに基づいて、前記空間を使用する予定の前記使用者による苦情発生危険度を算出する算出部と、を備える。
　本発明に係る苦情予測システムの一態様は、匂いに対する苦情の発生率を高精度で予測することができる。
本発明の実施形態に係る苦情予測システムの構成を示すシステム構成図である。 制御装置の機能を示すブロック図である。 学習用データの一例を示す図である。 苦情予測制御装置のハードウェア構成を示すブロック図である。 本実施形態に係る苦情予測方法を説明するフローチャートである。
　以下、本発明の実施の形態について、詳細に説明する。なお、説明の理解を容易にするため、各図面において同一の構成要素に対しては同一の符号を付して、重複する説明は省略する。また、図面における各部材の縮尺は実際とは異なる場合がある。本明細書において数値範囲を示すチルダ「～」は、別段の断わりがない限り、その前後に記載された数値を下限値及び上限値として含むことを意味する。
＜苦情予測システム＞
　本実施形態に係る苦情予測システム（以下、単に予測システムという。）について説明する。本実施形態に係る予測システムは、空間内に存在する検知対象ガスに含まれる匂い成分を測定して、空間内を使用する予定の使用者による匂いに関する苦情が発生する危険度（苦情発生危険度）を予測する。本実施形態では、検知対象ガスが、自動車の車内空間（空間）の空気である場合について説明する。
　図１は、本実施形態に係る予測システムの構成を示すシステム構成図である。図１に示すように、予測システム１は、苦情予測制御装置（以下、単に、制御装置という。）１０と、空気に含まれる匂い成分に反応する検出特性が異なる複数の匂いセンサ２０１・・・２０Ｎ（Ｎは１以上の整数）と、通信装置３０とを備える。予測システム１では、匂いセンサ２０１・・・２０Ｎの出力値は、通信装置３０から通信ネットワーク４０を介して制御装置１０に送信される。
　制御装置１０は、現在の複数の匂いセンサ２０１・・・２０Ｎの出力値と関連データとに基づいて、自動車を使用する予定の使用者による、車両の室内の検知対象ガスに含まれる匂いに関する苦情発生危険度を算出する。制御装置１０のハードウェア構成については後述する。
　複数の匂いセンサ２０１・・・２０Ｎは、検知対象ガスに含まれる匂い成分に反応する検出特性が異なるセンサである。なお、匂い成分（臭気成分）とは、匂いを構成する化学物質であり、ノネナール、ジアセチル、イソ吉草酸等が挙げられる。
　匂いセンサ２０１・・・２０Ｎは、半導体素子を備える半導体式センサ等を用いることができる。半導体式センサでは、半導体素子の表面で表面に吸着している酸素が匂いの原因である匂い成分と反応（表面反応）して離脱することによって、半導体素子の抵抗値が変化する。この抵抗値の変化から、空間内に存在する空気中の匂い成分の濃度が測定される。そして、測定された匂い成分の濃度を電気量に変換し、匂い成分の濃度に対応する電気信号を出力する。
　匂いセンサ２０１・・・２０Ｎとしては、例えば、ＶＯＣ（Volatile Organic Compounds：揮発性有機化合物）検出用ガスセンサー、ＣＯ検出用ガスセンサー、水素検出用ガスセンサー、炭化水素検出用ガスセンサー、アルコール検出用ガスセンサー、煙草検出用ガスセンサー等が用いられる。また、匂いセンサ２０１・・・２０Ｎは、ＭＥＭＳ（Micro Electro Mechanical Systems）タイプのセンサでもよい。
　匂いセンサ２０１・・・２０Ｎは、複数の匂い成分に対して反応するものでもよいし、一つの匂い成分のみに対して反応するものでもよい。
　通信装置３０は、匂いセンサ２０１・・・２０Ｎの検出値を通信ネットワーク４０に送信する。
　制御装置１０の構成について説明する。図２は、制御装置１０の機能を示すブロック図である。図２に示すように、制御装置１０は、学習モデル１１、学習用データ作成部１２、学習部１３、記憶部１４、算出部１５、入力部１６、取得部１７及び表示部１８を備える。
　学習モデル１１は、過去の複数の匂いセンサ２０１・・・２０Ｎの出力値に関する情報と、過去の使用者の匂いに対する主観的な判断に関する情報とを対応させた関連データに関する情報を含む入力情報と、現在の複数の匂いセンサ２０１・・・２０Ｎの出力値と関連データとに基づいて、空間を使用する予定の使用者による苦情発生危険度に関する情報を含む出力情報との対応関係を機械学習により取得して定式化したものである。
　学習モデル１１は、学習用データ作成部１２に記憶されている学習用データを利用して学習部１３で機械学習が行われることで得られる、入力情報と出力情報との対応関係の学習結果、すなわち入出力関係の学習結果が適用される。学習モデル１１は、入力情報を入力データとし、出力情報を出力データとし、入力情報と出力情報との入出力関係をモデル化して算出可能とするためのプログラムである。なお、学習モデル１１は、関数等の数式で表してもよい。
　学習モデル１１は、機械学習の中でも、教師あり学習のアルゴリズムを適用することが好ましい。教師あり学習として、例えば、線形回帰（Linear regression）、ロジスティック回帰（Logistic regression）、ランダムフォレスト（Random Forest）、ブースティング（Boosting）、サポートベクターマシン（Support Vector Machine、ＳＶＭ）、ニューラルネットワーク（Neural Network）等が挙げられる。ニューラルネットワークは、ニューラルネットワークを３層よりも多層にした深層学習（ディープラーニング）を用いることができる。ニューラルネットワークの種類としては、例えば、畳み込みニューラルネットワーク（Convolutional Neural Network、ＣＮＮ）、回帰型（再帰型）ニューラルネットワーク（Recurrent Neural Network、ＲＮＮ）及び一般回帰ニューラルネットワーク（General Regression Neural Network）等を用いることができる。
　入力情報は、空間内に存在する使用者に関する情報と、複数の匂いセンサ２０１・・・２０Ｎの出力値に関する情報と空間内に存在する使用者の匂いに対する主観的な判断に関する情報とを対応させた関連データに関する情報と、使用者が感じた匂いの種類と匂い成分に起因した苦情原因とに関する情報と、複数の匂いセンサ２０１・・・２０Ｎで検出される匂い成分の種類及びそれぞれの匂い成分の濃度に関する情報等を含むことができる。これらの情報は、空間内に存在する使用者毎に準備される。また、これらの情報は、同じ空間での測定に基づくものでもよいし、異なる空間での測定に基づくものでもよい。なお、入力情報は、これらの情報以外に適宜必要な情報を含んでもよい。
　空間内に存在する使用者に関する情報としては、名前、会員番号、電話番号、メールアドレス、住所等が挙げられる。
　複数の匂いセンサ２０１・・・２０Ｎの出力値に関する情報としては、例えば、複数の匂いセンサ２０１・・・２０Ｎの出力値が１０段階であるときに、「１段階である」、「４段階である」、「６段階である」、「１０段階である」等が挙げられる。
　使用者の匂いに対する主観的な判断に関する情報として、例えば、「匂いが臭い」、「匂いが非常に臭い」、「煙草臭い」、「アルコール臭い」、「香水臭い」等が挙げられる。
　関連データに関する情報として、例えば、「匂いセンサ２０１の出力値が４段階である時、臭くない。」、「匂いセンサ２０２の出力値が６段階である時、臭い。」、「匂いセンサ２０１の出力値が２段階であり、匂いセンサ２０２の出力値が１段階である時、臭くない。」等が挙げられる。
　使用者が感じた匂いの種類に関する情報として、例えば、煙草、香水、アルコール等が挙げられる。
　匂い成分に起因した苦情原因に関する情報として、例えば、「煙草が臭い」、「香水がきつい」、「体臭が臭う」、「汗くさい」等が挙がられる。
　複数の匂いセンサ２０１・・・２０Ｎで検出される匂い成分の種類及びそれぞれの匂い成分の濃度に関する情報として、例えば、「煙草の匂いがきつい」、「煙草の匂いがする」、「煙草の匂いが薄い」、「煙草の匂いがしない」、「香水の匂いがきつい」、「香水の匂いがする」、「香水の匂いが薄い」、「香水の匂いがしない」等である。
　出力情報は、空間の使用者による苦情発生危険度に関する情報等を含むことができ、適宜必要な情報を含んでもよい。
　空間の使用者による苦情発生危険度は、現在の、複数の匂いセンサ２０１・・・２０Ｎの出力値に関する情報と、過去の複数の匂いセンサ２０１・・・２０Ｎの出力値に関する情報と過去の使用者の匂いに対する主観的な判断に関する情報とを対応させた関連データとに基づいて、算出される。
　空間の使用者による苦情発生危険度に関する情報としては、例えば、「苦情の発生率が０％」、「苦情の発生率が６％」、「苦情の発生率が６０％」「苦情の発生率が９０％」等が挙がられる。
　学習用データ作成部１２は、学習モデル１１の学習用データを作成する。学習用データは、入力情報と出力情報とを含む。
　図３は、学習用データの一例を示す図である。図３に示すように、学習用データは、入力情報として、過去の複数の匂いセンサ２０１・・・２０Ｎの出力値に関する情報と、過去の使用者の主観的な判断に関する情報とを含み、出力情報として、使用者による苦情発生危険度に関する情報を含む。なお、図３中、黒丸は、匂いレベルを示す。
　学習用データ作成部１２は、学習用データに、予測用に用いられる入力情報（予測用入力情報）と、予測用入力情報から予測された出力情報（予測用出力情報）又は予測用入力情報から得られた実際の出力情報を、入力情報及び出力情報として入力して、学習用データを更新することができる。
　なお、予測用入力情報は、これから車を使用しようとしている使用者に関する情報等を含む。また、予測用入力情報は、現在、車を使用している使用者に関する情報等を含んでもよい。
　学習部１３は、学習用データ作成部１２で学習用データに入力された予測用入力情報及び予測用出力情報を入力情報及び出力情報として学習し、学習モデル１１を更新することができる。すなわち、学習部１３は、学習用データ作成部１２により作成された学習用データを用いて、入力情報と出力情報との対応関係を表す学習モデル１１を機械学習によって学習する。学習部１３は、例えば、学習モデル１１の入出力関係が学習用データの入出力関係に近づくように、学習モデル１１を学習することが好ましい。機械学習の詳細は、学習モデル１１と同様であるため、説明は省略する。
　記憶部１４は、使用者に関する情報と、過去の複数の匂いセンサ２０１・・・２０Ｎの出力値に関する情報と過去の使用者の匂いに対する主観的な判断に関する情報とを対応させた関連データとを記憶する。なお、これらの、過去の使用者の匂いに対する主観的な判断に関する情報は、同じ空間での測定に基づくものでもよいし、異なる空間での測定に基づくものでもよい。
　また、記憶部１４は、使用者毎に、使用者が感じた匂いの種類と、匂い成分に起因した苦情原因との関係を関連データに記憶することができる。
　算出部１５は、学習モデル１１に入力された予測用入力情報に基づいて、予測用出力情報を出力する。
　予測用出力情報は、上述の出力情報と同様の情報を含むことができる。予測用出力情報としては、学習モデル１１から出力された、現在の複数の匂いセンサ２０１・・・２０Ｎの出力値と関連データとに基づいて、空間を使用する予定の使用者による苦情発生危険度に関する情報等を含む出力情報と同様の情報を含むことができるため、情報の詳細について省略する。
　また、算出部１５は、匂いセンサ２０１・・・２０Ｎで検出された、匂い成分の種類、及びそれぞれの匂い成分の濃度から対処方法を出力する。対処方法としては、オゾン等を用いて脱臭する方法等が挙げられる。なお、対処方法には、何もしない場合も含むことができる。
　入力部１６は、取得部１７が取得した匂いセンサ２０１・・・２０Ｎの出力値を予測用入力情報として算出部１５に入力する。
　予測用入力情報は、上述の入力情報と同様の情報を含むことができる。予測用入力情報としては、学習モデル１１に入力された、空間内に存在する使用者に関する情報と、過去の複数の匂いセンサ２０１・・・２０Ｎの出力値に関する情報と過去の使用者の匂いに対する主観的な判断に関する情報とを対応させた関連データに関する情報と、使用者が感じた匂いの種類と匂い成分に起因した苦情原因とに関する情報と、複数の匂いセンサ２０１・・・２０Ｎで検出された匂い成分の種類及びそれぞれの匂い成分の濃度に関する情報等と同様の情報を含むことができるため、情報の詳細については省略する。
　取得部１７は、通信装置２０を介して送られる、匂いセンサ２０１・・・２０Ｎの出力値を取得する。
　表示部１８は、算出部１５で出力された予測用出力情報を表示する。また、表示部１８は、算出部１５で出力された匂い成分の種類及びそれぞれの匂い成分の濃度から算出した最適な対処方法を表示することができる。
（制御装置１０のハードウェア構成）
　次に、制御装置１０のハードウェア構成の一例について説明する。図４は、制御装置１０のハードウェア構成を示すブロック図である。図４に示すように、制御装置１０は、情報処理装置（コンピュータ）で構成され、物理的には、演算処理部であるＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ：プロセッサ）１０１、主記憶装置であるＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）１０２及びＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）１０３、入力デバイスである入力装置１０４、出力装置１０５、通信モジュール１０６並びにハードディスク等の補助記憶装置１０７等を含むコンピュータシステムとして構成することができる。これらは、バス１０８で相互に接続されている。なお、出力装置１０５及び補助記憶装置１０７は、外部に設けられていてもよい。
　ＣＰＵ１０１は、予測システム１の全体の動作を制御し、各種の情報処理を行う。ＣＰＵ１０１は、ＲＯＭ１０３又は補助記憶装置１０７に格納された苦情予測プログラム（以下、単に予測プログラムという。）を実行して、測定収録画面と解析画面の表示動作を制御する。
　ＲＡＭ１０２は、ＣＰＵ１０１のワークエリアとして用いられ、主要な制御パラメータや情報を記憶する不揮発ＲＡＭを含んでもよい。
　ＲＯＭ１０３は、基本入出力プログラム等を記憶する。予測プログラムはＲＯＭ１０３に保存されてもよい。
　入力装置１０４は、キーボード、マウス、操作ボタン、タッチパネル等である。
　出力装置１０５は、モニタディスプレイ等である。出力装置１０５では、予測結果等が表示され、入力装置１０４や通信モジュール１０６を介した入出力操作に応じて画面が更新される。
　通信モジュール１０６は、ネットワークカード等のデータ送受信デバイスであり、外部のデータ収録サーバ等からの情報を取り込み、他の電子機器に解析情報を出力する通信インタフェースとして機能する。
　補助記憶装置１０７は、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）、及びＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）等の記憶装置であり、例えば、予測プログラムや予測システム１の動作に必要な各種のデータ、ファイル等を格納する。
　図２に示す制御装置１０の各機能は、ＣＰＵ１０１、ＲＡＭ１０２等の主記憶装置又は補助記憶装置１０７に所定のコンピュータソフトウェア（予測プログラムを含む）を読み込ませ、ＲＡＭ１０２、ＲＯＭ１０３又は補助記憶装置１０７に格納された予測プログラム等をＣＰＵ１０１により実行する。入力装置１０４、出力装置１０５及び通信モジュール１０６を動作させると共に、ＲＡＭ１０２、ＲＯＭ１０３及び補助記憶装置１０７等におけるデータの読み出し及び書き込みを行うことで、制御装置１０予の各機能は、実現される。すなわち、本実施形態に係る予測プログラムをコンピュータ上で実行させることで、制御装置１０は、図２の、学習モデル１１、学習用データ作成部１２、学習部１３、記憶部１４、算出部１５、入力部１６、取得部１７及び表示部１８として機能する。
　予測プログラムは、例えばコンピュータが備える記憶装置内に格納される。なお、予測プログラムは、その一部又は全部が、通信回線等の伝送媒体を介して伝送され、コンピュータが備える通信モジュール１０６等により受信されて記録（インストールを含む）される構成としてもよい。また、予測プログラムは、その一部又は全部が、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、フラッシュメモリ等の持ち運び可能な記憶媒体に格納された状態から、コンピュータ内に記録（インストールを含む）される構成としてもよい。
　予測システム１は、制御装置１０と、複数の匂いセンサ２０１・・・２０Ｎとを備え、制御装置１０は、記憶部１４及び算出部１５を備える。予測システム１は、記憶部１４で、過去の複数の匂いセンサ２０１・・・２０Ｎの出力値に関する情報と過去の使用者の匂いに対する主観的な判断に関する情報とを対応させた関連データを記憶している。そして、予測システム１は、算出部１５で、現在の複数の匂いセンサ２０１・・・２０Ｎの出力値と関連データとに基づいて、空間を使用する予定の使用者による苦情発生危険度を算出する。これにより、予測システム１は、特定の匂い成分の濃度を全て測定するのではなく、現在の複数の匂いセンサ２０１・・・２０Ｎの出力値を関連データに基づいて、自動車を使用する予定の使用者による苦情発生危険度を算出することができる。よって、予測システム１は、特定の匂い成分の濃度に寄ることなく、匂いに対する苦情の発生率を高精度で予測することができる。
　これにより、予測システム１は、次の使用者に自動車を貸し出す前に、予め自動車の車内の空気の排気、脱臭、メンテナンス等が必要であるか否かを容易に判断することができる。
　予測システム１は、記憶部１４で、使用者毎に、使用者が感じた匂いの種類と匂い成分に起因した苦情原因との関係を関連データに記憶し、算出部１５で、複数の匂いセンサ２０１・・・２０Ｎで検出された匂い成分の種類から苦情原因を特定することができる。これにより、予測システム１は、使用者毎に、具体的に苦情原因を特定することができるので、空間内に存在する匂いの種類に応じて、使用者毎に匂いに対する苦情の発生率をより高精度に予測することができる。
　予測システム１は、複数の匂いセンサ２０１・・・２０Ｎで、匂い成分の種類及びそれぞれの匂い成分の濃度を検出し、算出部１５で、複数の匂いセンサ２０１・・・２０Ｎで検出された匂い成分の種類及びそれぞれの匂い成分の濃度から対処方法を出力することができる。これにより、予測システム１は、空間内の匂いに対してより適切な対処方法を提案できるので、予め、自動車を使用する予定の使用者の匂いに対する苦情の発生率を低減することができる。
　予測システム１は、学習モデル１１を備えることができる。学習モデル１１は、学習部１３において学習用データ作成部１２により作成された学習用データを用いて、入力情報と出力情報との対応関係を機械学習することによって生成した学習モデルである。予測システム１は、学習モデル１１に、使用者に関する情報と、複数の匂いセンサ２０１・・・２０Ｎの出力値に関する情報と、空間の使用者の匂いに対する主観的な判断に関する情報とを含む予測用入力情報を入力することで、算出部１５で、学習モデルに入力された予測用入力情報に基づいて、空間を使用する予定の使用者による苦情発生危険度に関する情報を推論して予測用出力情報として算出することができる。よって、予測システム１は、学習モデル１１を用いて得られた予測用出力情報の結果に基づいて、自動車を使用する予定の使用者による苦情発生危険度をさらに高精度に算出することができる。
　予測システム１は、学習用データ作成部１２と学習部１３とを備えることができる。予測システム１は、学習部１３で、学習用データ作成部１２により作成された学習用データを用いて、入力情報と出力情報との対応関係を表す学習モデルを学習できる。これにより、予測システム１は、学習部１３で学習した学習モデルを学習モデル１１として適用することができる。よって、予測システム１は、学習モデル１１によって、予測用入力情報から予測用出力情報をより高精度に出力できるので、自動車を使用する予定の使用者による苦情発生危険度をさらに高精度に算出することができる。
　予測システム１は、学習用データ作成部１２の学習用データに入力された予測用入力情報及び予測用出力情報を入力情報及び出力情報として学習部１３で学習させ、学習モデル１１を更新することができる。予測システム１は、学習用データに新たに得られた入力情報及び出力情報を学習部１３で学習させることで、学習モデル１１を更新することができる。そのため、予測システム１は、学習モデル１１に最新の入力情報及び出力情報も含めて学習させることができるので、最新のデータも考慮した上で予測用入力情報から予測用出力情報を出力できる。よって、予測システム１は、予測出力情報の精度をさらに高めることができるので、自動車を使用する予定の使用者による苦情発生危険度をさらに高精度に安定して算出することができる。
　予測システム１は、上述の通り、検知対象ガスに含まれる匂いに対する苦情の発生率を高精度で予測することができることから、自動車の車内空間以外に、バス、電車等の車内、飛行機や船舶等の機内、オフィスビルやホテル等の建物の居室、客室、更衣室、トイレ等の室内のように閉ざされた空間内の空間中の臭気成分に起因して使用者や利用者等から苦情が発生するのを予測するシステムとして好適に用いることができる。
　なお、本実施形態では、予測システム１は、現在の使用者に使用してもよい。
　本実施形態では、予測システム１は、学習モデル１１、学習用データ作成部１２及び学習部１３を備えていなくてもよい。
　本実施形態では、学習用データ作成部１２は、学習用データに入力された予測用入力情報及び予測用出力情報を入力情報及び出力情報として学習して学習用データを更新しなくてもよい。
＜苦情予測方法＞
　次に、本実施形態に係る予測システム１を用いて、本実施形態に係る苦情予測方法について説明する。本実施形態に係る苦情予測方法は、図１に示すような構成を有する予測システム１において、空間内に存在する検知対象ガスに含まれる匂い成分を測定して、空間内を使用する予定の使用者による匂いに関する苦情発生危険度を予測する。
　図５は、本実施形態に係る苦情予測方法を説明するフローチャートである。図５に示すように、本実施形態に係る苦情予測方法は、学習用データの作成工程（ステップＳ１１）、学習モデルの学習工程（ステップＳ１２）、匂い検知工程（ステップＳ１３）、匂いセンサ２０１・・・２０Ｎの出力値の入力工程（ステップＳ１４）、苦情発生危険度の算出工程（ステップＳ１５）、苦情発危険度の表示工程（ステップＳ１６）及び学習用データの更新工程（ステップＳ１８）を含む。
　予測システム１は、学習用データ作成部１２により、学習モデル１１の学習用データを作成する（学習用データの作成工程：ステップＳ１１）。学習用データ作成部１２は、入力情報と出力情報との対応関係を学習し、図３に示すような学習用データを関連データとして作成する。
　次に、予測システム１は、学習部１３により、ステップＳ１１にて作成された学習用データを用いて、学習モデル１１を学習する（学習モデルの学習工程：ステップＳ１２）。
　学習部１３は、学習用データ作成部１２により作成された学習用データを、深層学習（ディープラーニング）等の機械学習を用いて、入力情報と出力情報との対応関係を表す学習モデル１１を学習する。学習部１３は、学習用データの入力情報の内容に応じて、この入力情報に関連した出力情報と合致した出力となるように、学習モデル１１を学習する。学習部１３は、上述の通り、線形回帰（Linear regression）、ロジスティック回帰（Logistic regression）、ランダムフォレスト（Random Forest）、ブースティング（Boosting）、サポートベクターマシン（Support Vector Machine、ＳＶＭ）、及び、ニューラルネットワーク（Neural Network）等のアルゴリズムを教師あり学習モデルとして適用できる。
　次に、予測システム１は、取得部１７により、現在の複数の匂いセンサ２０１・・・２０Ｎでの出力値を取得する（匂い検知工程：ステップＳ１３）。
　次に、予測システム１は、入力部１６により、空間をこれから使用する予定の使用者に関する情報と、匂いセンサ２０１・・・２０Ｎの出力値に関する情報とを予測用入力情報として入力する（匂いセンサ２０１・・・２０Ｎの出力値の入力工程：ステップＳ１４）。
　次に、予測システム１は、算出部１５により、学習モデル１１を用いて、空間を使用する予定の使用者による苦情発生危険度に関する情報を算出する（苦情発生危険度の予測工程：ステップＳ１５）。算出部１５は、ステップＳ１３にて入力された予測用入力情報をステップＳ１２にて機械学習が済んだ学習モデル１１へ入力し、学習モデル１１から出力される、空間を使用する予定の使用者による苦情発生危険度の予測結果を予測用出力情報として取得する。
　次に、予測システム１は、表示部１８により、算出部１５により出力された、苦情発生危険度の予測結果を予測用出力情報として表示する（苦情発生危険度の予測結果の表示工程：ステップＳ１６）。
　また、予測システム１は、表示部１８により、検出された、匂い成分の種類、及びそれぞれの匂い成分の濃度から、対処方法を表示する。
　次に、予測システム１は、学習用データ作成部１２により、予測用入力情報及び予測用出力情報を入力情報及び出力情報として学習用データに入力して、学習用データを更新する（学習用データの更新工程：ステップＳ１７）。
　本実施形態に係る苦情予測方法は、匂い検知工程（ステップＳ１３）と算出工程（ステップＳ１５）とを含む。本実施形態に係る苦情予測方法は、匂い検知工程（ステップＳ１３）で複数の匂いセンサで検知対象ガスに含まれる匂い成分を検知し、算出工程（ステップＳ１５）で、現在の複数の匂いセンサ２０１・・・２０Ｎの出力値と、過去の複数の匂いセンサ２０１・・・２０Ｎの出力値と過去の使用者の主観的な判断に関する情報とを対応させた関連データとに基づいて、空間を使用する予定の使用者による苦情発生危険度を算出することができる。よって、本実施形態に係る苦情予測方法は、特定の匂い成分の濃度に寄ることなく、匂いに対する苦情の発生率を高精度に予測することができる。
　なお、本実施形態では、本実施形態に係る苦情予測方法は、現在の使用者に対して使用してもよい。
　本実施形態では、学習用データの作成工程（ステップＳ１１）及び学習モデルの学習工程（ステップＳ１２）は、特に不要の場合には、行わなくてもよい。
　本実施形態では、苦情発危険度の表示工程（ステップＳ１６）は、苦情発危険度の表示が不要の場合には、行わなくてもよい。
　本実施形態では、学習用データの更新工程（ステップＳ１７）は、学習用データの更新が不要の場合には、行わなくてもよい。
　以上の通り、実施形態を説明したが、上記実施形態は、例として提示したものであり、上記実施形態により本発明が限定されるものではない。上記実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の組み合わせ、省略、置き換え、変更等を行うことが可能である。これら実施形態やその変形は、発明の範囲や要旨に含まれると共に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
　本出願は、２０２０年１月１６日に日本国特許庁に出願した特願２０２０－００５３９７号に基づく優先権を主張するものであり、特願２０２０－００５３９７号の全内容を本出願に援用する。
　１　苦情予測システム
　１０　苦情予測制御装置
　１１　学習モデル
　１２　学習用データ作成部
　１３　学習部
　１４　記憶部
　１５　算出部
　１６　入力部
　１７　取得部
　１８表示部
　２０１・・・２０Ｎ　匂いセンサ
　３０　通信装置
　４０　通信ネットワーク

Claims (7)

  1. 　仕切られた空間内の検知対象ガスに含まれる匂いに関する苦情発生危険度を予測する苦情予測システムであって、
    　前記検知対象ガスに含まれる匂い成分に反応する検出特性が異なる複数の匂いセンサと、
    　過去の複数の前記匂いセンサの出力値に関する情報と過去の使用者の匂いに対する主観的な判断に関する情報とを対応させた関連データを記憶する記憶部と、
    　現在の複数の前記匂いセンサの出力値と前記関連データとに基づいて、前記空間を使用する予定の前記使用者による苦情発生危険度を算出する算出部と、
    を備える苦情予測システム。
  2. 　前記記憶部は、使用者毎に、前記匂いの種類と前記匂い成分に起因した苦情原因との関係を前記関連データに記憶し、
    　前記算出部は、前記匂いセンサで検出された前記匂い成分の種類から前記苦情原因を特定する請求項１に記載の苦情予測システム。
  3. 　前記匂いセンサは、前記匂い成分の種類及びそれぞれの前記匂い成分の濃度を検出し、
    　前記算出部は、前記匂いセンサで検出された前記匂い成分の種類及びそれぞれの前記匂い成分の濃度から対処方法を出力する請求項１又は２に記載の苦情予測システム。
  4. 　前記使用者毎に、複数の前記匂いセンサの出力値に関する情報と、前記空間の前記使用者の匂いに対する主観的な判断に関する情報とを含む入力情報と、前記空間の前記使用者による苦情発生危険度に関する情報を含む出力情報との対応関係を学習した学習モデルを備え、
    　前記算出部は、前記学習モデルに入力された、前記使用者に関する情報と、複数の前記匂いセンサの出力値に関する情報とを含む予測用入力情報に基づいて、前記空間を使用する予定の前記使用者による苦情発生危険度に関する情報を含む予測用出力情報を算出する請求項１～３の何れか一項に記載の苦情予測システム。
  5. 　前記入力情報と前記出力情報とを含む学習用データを作成する学習用データ作成部と、
    　前記学習用データを用いて前記学習モデルを学習する学習部と、
    を備える請求項４に記載の苦情予測システム。
  6. 　前記学習部は、前記学習用データ作成部で前記学習用データに入力された前記予測用入力情報及び前記予測用出力情報を前記入力情報及び前記出力情報として学習し、前記学習モデルを更新する請求項５に記載の苦情予測システム。
  7. 　仕切られた空間内の検知対象ガスに含まれる匂いに関する苦情発生危険度を予測する苦情予測方法であって、
    　前記検知対象ガスに含まれる匂い成分に反応する検出特性が異なる複数の匂いセンサで匂いを検知する匂い検知工程と、
    　現在の複数の前記匂いセンサの出力値と、過去の複数の前記匂いセンサの出力値に関する情報と過去の使用者の匂いに対する主観的な判断に関する情報とを対応させた関連データとに基づいて、前記空間を使用する予定の前記使用者による苦情発生危険度を算出する算出工程と、
    を含む苦情予測方法。
PCT/JP2020/044155 2020-01-16 2020-11-27 苦情予測システム及び苦情予測方法 WO2021145074A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2021570668A JP7257551B2 (ja) 2020-01-16 2020-11-27 苦情予測システム及び苦情予測方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-005397 2020-01-16
JP2020005397 2020-01-16

Publications (1)

Publication Number Publication Date
WO2021145074A1 true WO2021145074A1 (ja) 2021-07-22

Family

ID=76864206

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/044155 WO2021145074A1 (ja) 2020-01-16 2020-11-27 苦情予測システム及び苦情予測方法

Country Status (2)

Country Link
JP (1) JP7257551B2 (ja)
WO (1) WO2021145074A1 (ja)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07136238A (ja) * 1993-11-15 1995-05-30 Ohbayashi Corp 臭気防止方法
US20120143804A1 (en) * 2009-07-23 2012-06-07 Yada Research And Development Co., Ltd. Predicting odor pleasantness with an electronic nose
US20170315103A1 (en) * 2014-10-31 2017-11-02 Nokia Technologies Oy Apparatus and method for dealing with ambient smell
US20170369168A1 (en) * 2016-06-28 2017-12-28 International Business Machines Corporation Unmanned aerial vehicle for scent analysis and distribution
US20190061466A1 (en) * 2017-08-24 2019-02-28 Ford Global Technologies, Llc Vehicle cabin odor detection and amelioration
WO2019074526A1 (en) * 2017-10-13 2019-04-18 Ford Global Technologies, Llc IDENTIFICATION AND MITIGATION OF ODORS IN A VEHICLE
JP2019111939A (ja) * 2017-12-22 2019-07-11 太陽誘電株式会社 空調システム、車両、制御装置および制御方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7136238B2 (ja) 2021-02-02 2022-09-13 ウシオ電機株式会社 不活化装置および不活化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07136238A (ja) * 1993-11-15 1995-05-30 Ohbayashi Corp 臭気防止方法
US20120143804A1 (en) * 2009-07-23 2012-06-07 Yada Research And Development Co., Ltd. Predicting odor pleasantness with an electronic nose
US20170315103A1 (en) * 2014-10-31 2017-11-02 Nokia Technologies Oy Apparatus and method for dealing with ambient smell
US20170369168A1 (en) * 2016-06-28 2017-12-28 International Business Machines Corporation Unmanned aerial vehicle for scent analysis and distribution
US20190061466A1 (en) * 2017-08-24 2019-02-28 Ford Global Technologies, Llc Vehicle cabin odor detection and amelioration
WO2019074526A1 (en) * 2017-10-13 2019-04-18 Ford Global Technologies, Llc IDENTIFICATION AND MITIGATION OF ODORS IN A VEHICLE
JP2019111939A (ja) * 2017-12-22 2019-07-11 太陽誘電株式会社 空調システム、車両、制御装置および制御方法

Also Published As

Publication number Publication date
JPWO2021145074A1 (ja) 2021-07-22
JP7257551B2 (ja) 2023-04-13

Similar Documents

Publication Publication Date Title
JP6761895B2 (ja) 管理装置、空調管理システム及び空調管理方法
JP6436030B2 (ja) ライフログ記録システム
Wolf et al. Carbon dioxide-based occupancy estimation using stochastic differential equations
JP5060978B2 (ja) 情報提示システム、プログラム、情報記憶媒体及び情報提示システムの制御方法
CN111132703A (zh) 识别和减轻车辆异味
EP2690436A1 (en) Method for operating a portable electronic device
Nazário et al. Toward assessing quality of context parameters in a ubiquitous assisted environment
JP2018048749A (ja) 推定装置、推定システム、推定方法及び推定プログラム
Jabłoński et al. Fuzzy inference system for the assessment of indoor environmental quality in a room
WO2021145074A1 (ja) 苦情予測システム及び苦情予測方法
JP6276727B2 (ja) 統計モデル作成装置、統計モデル作成方法及び統計モデル作成プログラム
US11530836B2 (en) Air conditioner and control method thereof
KR20160045241A (ko) 센싱 장치, 환경 대응 장치 및 컴퓨터 프로그램
US20210134397A1 (en) Information processing apparatus, information processing method, and storage medium
JP2006058942A (ja) 環境負荷評価装置
JP6036258B2 (ja) 情報処理装置及び情報処理プログラム
Bitter et al. Estimation of odour intensity of indoor air pollutants from building materials with a multi-gas sensor system
WO2018043232A1 (ja) 温度推定システム、温度推定方法及び温度推定プログラムを記録した記録媒体
JP2020034341A (ja) 空気質提供システムおよびプログラム
JP2022141210A (ja) 臭気予測システム及び消臭システム
CN111613325A (zh) 一种慢阻肺复发预测方法、装置、电子设备和存储介质
JP7426469B2 (ja) アラート通知システム及びアラート通知方法
Pajuelo-Holguera et al. Recommender systems for sensor-based ambient control in academic facilities
Puscasiu et al. Indoor Air Quality Monitoring System for Healthcare Facilities
WO2023276083A1 (ja) 情報処理システム、学習済みモデル、情報処理方法、及びプログラム

Legal Events

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

Ref document number: 20913108

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021570668

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20913108

Country of ref document: EP

Kind code of ref document: A1