図面 (/)

技術 特徴時間帯での消費電力量からユーザ属性を推定するプログラム、装置及び方法

出願人 KDDI株式会社
発明者 多屋優人平田紀史
出願日 2014年2月28日 (7年3ヶ月経過) 出願番号 2014-038948
公開日 2015年9月7日 (5年9ヶ月経過) 公開番号 2015-162229
状態 特許登録済
技術分野 特定用途計算機
主要キーワード 基本期間 クランプメータ 要素レコード 計測値データ 使用動作 コンセントタップ 近隣エリア 世帯人数
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2015年9月7日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (7)

課題

ユーザによる消費電力量に基づいて、当該ユーザのユーザ属性をより高い信頼度推定することが可能なユーザ属性推定プログラムを提供する。

解決手段

本ユーザ属性推定プログラムは、天候関連値を取得する天候データ管理手段と、ユーザの活動電力量を算出する活動電力抽出手段と、天候に応じて特徴が生じ得る特徴時間帯における活動電力量を代表する特徴時間代ベクトルを生成する代表ベクトル生成手段と、活動電力ベクトル要素と特徴時間代表ベクトル要素と天候関連値とを要素として含む特徴ベクトルを生成する特徴ベクトル生成手段と、特徴ベクトルとユーザ属性値との組を教師データとして含む教師データセットを用いて機械学習を行い、推定モデル構築する推定モデル構築手段と、推定対象ユーザに係る特徴ベクトルを推定モデルに入力し、推定対象ユーザのユーザ属性の推定値を取得するユーザ属性推定手段としてコンピュータを機能させる。

概要

背景

近年、ユーザのユーザ属性、例えば世帯人数世帯構成員情報等に応じて、生活・業務に関連する支援アドバイス、例えば家計管理支援や節電アドバイスを実施するシステムが注目されている。

このようなシステムの例として、特許文献1には、所得格差を考慮し、より正確で的確な家計支出のアドバイスを実施することの可能な家計管理支援システムが開示されている。このシステムでは、世帯区分、世帯人数、都道府県名及び年収といったユーザ情報や、日々の家計収支登録させた上で、家計収支と算出した収支目安とを比較した結果を出力する。

また、特許文献2には、電力計測センサによって計測された電力使用量と、環境センサから出力される環境に関する情報とに基づいて節電アドバイスを決定し、ユーザに提示する節電支援システムが開示されている。ここで、節電アドバイスに関する問い合わせをユーザに提示し、この問い合わせに対する回答の一部としてユーザから個人属性情報を入力させ、この個人属性情報に基づいて、提供するアドバイス情報を改善する実施形態も開示されている。

概要

ユーザによる消費電力量に基づいて、当該ユーザのユーザ属性をより高い信頼度推定することが可能なユーザ属性推定プログラムを提供する。本ユーザ属性推定プログラムは、天候関連値を取得する天候データ管理手段と、ユーザの活動電力量を算出する活動電力抽出手段と、天候に応じて特徴が生じ得る特徴時間帯における活動電力量を代表する特徴時間代ベクトルを生成する代表ベクトル生成手段と、活動電力ベクトル要素と特徴時間代表ベクトル要素と天候関連値とを要素として含む特徴ベクトルを生成する特徴ベクトル生成手段と、特徴ベクトルとユーザ属性値との組を教師データとして含む教師データセットを用いて機械学習を行い、推定モデル構築する推定モデル構築手段と、推定対象ユーザに係る特徴ベクトルを推定モデルに入力し、推定対象ユーザのユーザ属性の推定値を取得するユーザ属性推定手段としてコンピュータを機能させる。

目的

ここで、節電アドバイスに関する問い合わせをユーザに提示し、この問い合わせに対する回答の一部としてユーザから個人属性情報を入力させ、この個人属性情報に基づいて、提供する

効果

実績

技術文献被引用数
2件
牽制数
3件

この技術が所属する分野

(分野番号表示ON)※整理標準化データをもとに当社作成

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

推定対象ユーザ消費電力量に基づいて当該推定対象ユーザのユーザ属性推定する装置に搭載されたコンピュータを機能させるユーザ属性推定プログラムであって、所定期間におけるユーザに係る地域での天候に係る情報を示す天候関連値を取得する天候データ管理手段と、当該所定期間に計測された当該ユーザに係る消費電力量のデータから、各時間帯での消費電力量の最小値に基づいて機器起因電力量を算出し、当該時間帯での消費電力量と当該機器起因電力量とに基づいて、当該ユーザの活動に係る電力量に対応する活動電力量を算出する活動電力抽出手段と、当該ユーザの所定期間での活動電力量から、当該所定期間を構成する単位期間毎に、各時間帯での活動電力量を要素とする活動電力ベクトルを生成し、天候に応じて活動電力量に特徴が生じ得る時間帯である特徴時間帯において天候関連値が所定値を示す単位期間に係る活動電力ベクトルを選択し、選択した活動電力ベクトルを所定数クラスタ分類するクラスタリング処理を行い、最大のクラスタに属する活動電力ベクトルに基づいて、当該ユーザの該特徴時間帯での活動電力量を代表する特徴時間代表ベクトルを生成する代表ベクトル生成手段と、当該ユーザの1つの単位期間における活動電力ベクトルの要素と、当該ユーザについて生成された特徴時間代表ベクトルの要素と、当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを生成する特徴ベクトル生成手段と、当該特徴ベクトルと、当該特徴ベクトルに係るユーザのユーザ属性を示すユーザ属性値との組を教師データとして含む教師データセットを用いて機械学習を行い、推定モデル構築する推定モデル構築手段と、当該推定対象ユーザの1つの単位期間における活動電力ベクトルの要素と、当該推定対象ユーザについて生成された特徴時間代表ベクトルの要素と、当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを構築された推定モデルに入力し、当該推定対象ユーザのユーザ属性の推定値を取得するユーザ属性推定手段としてコンピュータを機能させることを特徴とするユーザ属性推定プログラム。

請求項2

前記代表ベクトル生成手段は、前記特徴時間帯として日没又は日没前の日照量が低下する所定時間である夕刻帯を設定し、該夕刻帯において晴れ又は日照有りに対応する天候関連値を示す単位期間に係る活動電力ベクトルを選択することを特徴とする請求項1に記載のユーザ属性推定プログラム。

請求項3

前記代表ベクトル生成手段は、複数の時間帯から構成される特徴時間帯を設定し、該複数の時間帯の各々における活動電力量をそれぞれ代表する複数の要素を有する特徴時間代表ベクトルを生成することを特徴とする請求項1又は2に記載のユーザ属性推定プログラム。

請求項4

当該単位期間として1日間が設定され、前記特徴ベクトル生成手段は、当該1日間が平日か否かを示す日別値を更なる要素として含む特徴ベクトルを生成することを特徴とする請求項1から3のいずれか1項に記載のユーザ属性推定プログラム。

請求項5

前記天候データ管理手段は、当該所定期間における当該ユーザに係る地域での気温を示す気温値を更に取得し、前記ユーザ属性推定プログラムは、さらに、同一の気象条件下にあると見なされる近隣エリアの複数のユーザについての各時間帯での活動電力量の平均である平均活動電力量を算出する平均活動電力算出手段と、算出された平均活動電力量に係る時間帯での気温値に基づいて、気温と活動電力量との関係をモデル化した活動電力推定モデルを構築する活動電力推定モデル構築手段としてコンピュータを機能させ、前記特徴ベクトル生成手段は、生成した特徴ベクトルについて、当該特徴ベクトルに係る単位期間における各時間帯での気温値から、前記活動電力推定モデルを用いて前記特徴時間帯での活動電力量である一般活動電力量を算出し、算出した該特徴時間帯での一般活動電力量と、当該特徴ベクトルのうちの前記特徴時間帯に係る活動電力ベクトルの要素との類似度を算出し、当該類似度に応じて信頼度が低いと見なされる特徴ベクトルを、ユーザ属性推定のためのレコードから除外することを特徴とする請求項1から4のいずれか1項に記載のユーザ属性推定プログラム。

請求項6

推定対象ユーザの消費電力量に基づいて当該推定対象ユーザのユーザ属性を推定する装置であって、所定期間におけるユーザに係る地域での天候に係る情報を示す天候関連値を取得する天候データ管理手段と、当該所定期間に計測された当該ユーザに係る消費電力量のデータから、各時間帯での消費電力量の最小値に基づいて機器起因電力量を算出し、当該時間帯での消費電力量と当該機器起因電力量とに基づいて、当該ユーザの活動に係る電力量に対応する活動電力量を算出する活動電力抽出手段と、当該ユーザの所定期間での活動電力量から、当該所定期間を構成する単位期間毎に、各時間帯での活動電力量を要素とする活動電力ベクトルを生成し、天候に応じて活動電力量に特徴が生じ得る時間帯である特徴時間帯において天候関連値が所定値を示す単位期間に係る活動電力ベクトルを選択し、選択した活動電力ベクトルを所定数のクラスタに分類するクラスタリング処理を行い、最大のクラスタに属する活動電力ベクトルに基づいて、当該ユーザの該特徴時間帯での活動電力量を代表する特徴時間代表ベクトルを生成する代表ベクトル生成手段と、当該ユーザの1つの単位期間における活動電力ベクトルの要素と、当該ユーザについて生成された特徴時間代表ベクトルの要素と、当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを生成する特徴ベクトル生成手段と、当該特徴ベクトルと、当該特徴ベクトルに係るユーザのユーザ属性を示すユーザ属性値との組を教師データとして含む教師データセットを用いて機械学習を行い、推定モデルを構築する推定モデル構築手段と、当該推定対象ユーザの1つの単位期間における活動電力ベクトルの要素と、当該推定対象ユーザについて生成された特徴時間代表ベクトルの要素と、当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを構築された推定モデルに入力し、当該推定対象ユーザのユーザ属性の推定値を取得するユーザ属性推定手段とを有することを特徴とするユーザ属性推定装置

請求項7

推定対象ユーザの消費電力量に基づいて当該推定対象ユーザのユーザ属性を推定するユーザ属性推定方法であって、所定期間におけるユーザに係る地域での天候に係る情報を示す天候関連値を取得する第1のステップと、当該所定期間に計測された当該ユーザに係る消費電力量のデータから、各時間帯での消費電力量の最小値に基づいて機器起因電力量を算出し、当該時間帯での消費電力量と当該機器起因電力量とに基づいて、当該ユーザの活動に係る電力量に対応する活動電力量を算出する第2のステップと、当該ユーザの所定期間での活動電力量から、当該所定期間を構成する単位期間毎に、各時間帯での活動電力量を要素とする活動電力ベクトルを生成し、天候に応じて活動電力量に特徴が生じ得る時間帯である特徴時間帯において天候関連値が所定値を示す単位期間に係る活動電力ベクトルを選択し、選択した活動電力ベクトルを所定数のクラスタに分類するクラスタリング処理を行い、最大のクラスタに属する活動電力ベクトルに基づいて、当該ユーザの該特徴時間帯での活動電力量を代表する特徴時間代表ベクトルを生成する第3のステップと、当該ユーザの1つの単位期間における活動電力ベクトルの要素と、当該ユーザについて生成された特徴時間代表ベクトルの要素と、当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを生成する第4のステップと、当該特徴ベクトルと、当該特徴ベクトルに係るユーザのユーザ属性を示すユーザ属性値との組を教師データとして含む教師データセットを用いて機械学習を行い、推定モデルを構築する第5のステップと、当該推定対象ユーザの1つの単位期間における活動電力ベクトルの要素と、当該推定対象ユーザについて生成された特徴時間代表ベクトルの要素と、当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを構築された推定モデルに入力し、当該推定対象ユーザのユーザ属性の推定値を取得する第6のステップとを有することを特徴とするユーザ属性推定方法。

技術分野

0001

本発明は、ユーザによって消費された電力等のユーザ関連量を解析して、ユーザに関する所定の情報を推定するユーザ情報推定技術に関する。

背景技術

0002

近年、ユーザのユーザ属性、例えば世帯人数世帯構成員情報等に応じて、生活・業務に関連する支援アドバイス、例えば家計管理支援や節電アドバイスを実施するシステムが注目されている。

0003

このようなシステムの例として、特許文献1には、所得格差を考慮し、より正確で的確な家計支出のアドバイスを実施することの可能な家計管理支援システムが開示されている。このシステムでは、世帯区分、世帯人数、都道府県名及び年収といったユーザ情報や、日々の家計収支登録させた上で、家計収支と算出した収支目安とを比較した結果を出力する。

0004

また、特許文献2には、電力計測センサによって計測された電力使用量と、環境センサから出力される環境に関する情報とに基づいて節電アドバイスを決定し、ユーザに提示する節電支援システムが開示されている。ここで、節電アドバイスに関する問い合わせをユーザに提示し、この問い合わせに対する回答の一部としてユーザから個人属性情報を入力させ、この個人属性情報に基づいて、提供するアドバイス情報を改善する実施形態も開示されている。

先行技術

0005

特開2010−79760号公報
特開2011−66956号公報

発明が解決しようとする課題

0006

しかしながら、特許文献1及び2に開示されたような従来技術は、アドバイスを生成・改善する際に利用するユーザ属性の入手を、ユーザによる自己申告に頼っている。即ち、ユーザ自身が明示的にユーザ属性をシステムに入力する必要がある。

0007

また、従来、マーケティングの分野でも、顧客情報の解析を実施するシステムは数多く存在するが、その解析の基礎情報となるユーザ属性、例えば世帯人数や世帯構成員の特徴等は、世帯に関するアンケート調査を行って顧客から直接入手されねばならない。

0008

このように、ユーザに対するサービス提供に関する情報を推定するのに必要となるユーザ属性の入手は、従来、ユーザ一人ひとりによる入力又はアンケート調査に頼るしかなく、多大な労力や時間がかかる作業となっていた。

0009

そこで、本発明は、生活関連量として特にユーザによる消費電力量に基づいて、当該ユーザのユーザ属性をより高い信頼度で推定することが可能なユーザ属性推定プログラム、装置及び方法を提供することを目的とする。

課題を解決するための手段

0010

本発明によれば、推定対象ユーザの消費電力量に基づいて当該推定対象ユーザのユーザ属性を推定する装置に搭載されたコンピュータを機能させるユーザ属性推定プログラムであって、
所定期間におけるユーザに係る地域での天候に係る情報を示す天候関連値を取得する天候データ管理手段と、
所定期間に計測されたユーザに係る消費電力量のデータから、各時間帯での消費電力量の最小値に基づいて機器起因電力量を算出し、当該時間帯での消費電力量と機器起因電力量とに基づいて、ユーザの活動に係る電力量に対応する活動電力量を算出する活動電力抽出手段と、
ユーザの所定期間での活動電力量から、所定期間を構成する単位期間毎に、各時間帯での活動電力量を要素とする活動電力ベクトルを生成し、天候に応じて活動電力量に特徴が生じ得る時間帯である特徴時間帯において天候関連値が所定値を示す単位期間に係る活動電力ベクトルを選択し、選択した活動電力ベクトルを所定数クラスタ分類するクラスタリング処理を行い、最大のクラスタに属する活動電力ベクトルに基づいて、ユーザの特徴時間帯での活動電力量を代表する特徴時間代表ベクトルを生成する代表ベクトル生成手段と、
ユーザの1つの単位期間における活動電力ベクトルの要素と、ユーザについて生成された特徴時間代表ベクトルの要素と、1つの単位期間における天候関連値とを要素として含む特徴ベクトルを生成する特徴ベクトル生成手段と、
特徴ベクトルと、当該特徴ベクトルに係るユーザのユーザ属性を示すユーザ属性値との組を教師データとして含む教師データセットを用いて機械学習を行い、推定モデル構築する推定モデル構築手段と、
推定対象ユーザの1つの単位期間における活動電力ベクトルの要素と、推定対象ユーザについて生成された特徴時間代表ベクトルの要素と、当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを構築された推定モデルに入力し、推定対象ユーザのユーザ属性の推定値を取得するユーザ属性推定手段と
してコンピュータを機能させるユーザ属性推定プログラムが提供される。

0011

この本発明によるユーザ属性推定プログラムの一実施形態として、前記代表ベクトル生成手段は、特徴時間帯として日没又は日没前の日照量が低下する所定時間である夕刻帯を設定し、夕刻帯において晴れ又は日照有りに対応する天候関連値を示す単位期間に係る活動電力ベクトルを選択することも好ましい。

0012

また、本発明によるユーザ属性推定プログラムにおいて、代表ベクトル生成手段は、複数の時間帯から構成される特徴時間帯を設定し、これらの複数の時間帯の各々における活動電力量をそれぞれ代表する複数の要素を有する特徴時間代表ベクトルを生成することも好ましい。

0013

さらに、本発明によるユーザ属性推定プログラムにおける他の実施形態として、単位期間として1日間が設定され、特徴ベクトル生成手段は、この1日間が平日か否かを示す日別値を更なる要素として含む特徴ベクトルを生成することも好ましい。

0014

さらにまた、本発明によるユーザ属性推定プログラムにおける更なる他の実施形態として、天候データ管理手段は、所定期間におけるユーザに係る地域での気温を示す気温値を更に取得し、ユーザ属性推定プログラムは、さらに、
同一の気象条件下にあると見なされる近隣エリアの複数のユーザについての各時間帯での活動電力量の平均である平均活動電力量を算出する平均活動電力算出手段と、
算出された平均活動電力量に係る時間帯での気温値に基づいて、気温と活動電力量との関係をモデル化した活動電力推定モデルを構築する活動電力推定モデル構築手段と
してコンピュータを機能させ、
特徴ベクトル生成手段は、生成した特徴ベクトルについて、当該特徴ベクトルに係る単位期間における各時間帯での気温値から、活動電力推定モデルを用いて特徴時間帯での活動電力量である一般活動電力量を算出し、算出した特徴時間帯での一般活動電力量と、当該特徴ベクトルのうちの特徴時間帯に係る活動電力ベクトルの要素との類似度を算出し、この類似度に応じて信頼度が低いと見なされる特徴ベクトルを、ユーザ属性推定のためのレコードから除外することも好ましい。

0015

さらに、本発明によるユーザ属性推定プログラムにおける更なる他の実施形態として、天候データ管理手段は、所定期間におけるユーザに係る地域での気温を示す気温値を更に蓄積し、
ユーザ属性推定プログラムは、さらに、
ユーザ属性の申告又は調査データから教師データセットを生成する教師データ生成手段と、
同一の気象条件下にあると見なされる近隣の複数のユーザについての各時間帯での活動電力量の平均である平均活動電力量を算出する平均活動電力算出手段と、
算出された平均活動電力量に係る時間帯での気温値に基づいて、気温と活動電力量との関係をモデル化した活動電力推定モデルを構築する活動電力推定モデル構築手段と
してコンピュータを機能させ、
教師データ生成手段は、取得されたユーザ属性に係る単位期間における各時間帯での気温値から、活動電力推定モデルを用いて各時間帯での活動電力量を算出して推定した特徴ベクトルである推定特徴ベクトルを生成し、推定特徴ベクトルと、取得されたユーザ属性とから教師データを生成することも好ましい。

0016

本発明によれば、さらに、推定対象ユーザの消費電力量に基づいて当該推定対象ユーザのユーザ属性を推定する装置であって、
所定期間におけるユーザに係る地域での天候に係る情報を示す天候関連値を取得する天候データ管理手段と、
所定期間に計測されたユーザに係る消費電力量のデータから、各時間帯での消費電力量の最小値に基づいて機器起因電力量を算出し、当該時間帯での消費電力量と機器起因電力量とに基づいて、ユーザの活動に係る電力量に対応する活動電力量を算出する活動電力抽出手段と、
ユーザの所定期間での活動電力量から、所定期間を構成する単位期間毎に、各時間帯での活動電力量を要素とする活動電力ベクトルを生成し、天候に応じて活動電力量に特徴が生じ得る時間帯である特徴時間帯において天候関連値が所定値を示す単位期間に係る活動電力ベクトルを選択し、選択した活動電力ベクトルを所定数のクラスタに分類するクラスタリング処理を行い、属するベクトル数の最も多いクラスタに属する活動電力ベクトルに基づいて、ユーザの特徴時間帯での活動電力量を代表する特徴時間代表ベクトルを生成する代表ベクトル生成手段と、
ユーザの1つの単位期間における活動電力ベクトルの要素と、ユーザについて生成された特徴時間代表ベクトルの要素と、当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを生成する特徴ベクトル生成手段と、
特徴ベクトルと、当該特徴ベクトルに係るユーザのユーザ属性を示すユーザ属性値との組を教師データとして含む教師データセットを用いて機械学習を行い、推定モデルを構築する推定モデル構築手段と、
推定対象ユーザの1つの単位期間における活動電力ベクトルの要素と、推定対象ユーザについて生成された特徴時間代表ベクトルの要素と、当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを構築された推定モデルに入力し、推定対象ユーザのユーザ属性の推定値を取得するユーザ属性推定手段と
を有するユーザ属性推定装置が提供される。

0017

本発明によれば、さらにまた、推定対象ユーザの消費電力量に基づいて当該推定対象ユーザのユーザ属性を推定するユーザ属性推定方法であって、
所定期間におけるユーザに係る地域での天候に係る情報を示す天候関連値を取得する第1のステップと、
所定期間に計測されたユーザに係る消費電力量のデータから、各時間帯での消費電力量の最小値に基づいて機器起因電力量を算出し、当該時間帯での消費電力量と機器起因電力量とに基づいて、ユーザの活動に係る電力量に対応する活動電力量を算出する第2のステップと、
ユーザの所定期間での活動電力量から、所定期間を構成する単位期間毎に、各時間帯での活動電力量を要素とする活動電力ベクトルを生成し、天候に応じて活動電力量に特徴が生じ得る時間帯である特徴時間帯において天候関連値が所定値を示す単位期間に係る活動電力ベクトルを選択し、選択した活動電力ベクトルを所定数のクラスタに分類するクラスタリング処理を行い、最大のクラスタに属する活動電力ベクトルに基づいて、ユーザの特徴時間帯での活動電力量を代表する特徴時間代表ベクトルを生成する第3のステップと、
ユーザの1つの単位期間における活動電力ベクトルの要素と、ユーザについて生成された特徴時間代表ベクトルの要素と、当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを生成する第4のステップと、
特徴ベクトルと、当該特徴ベクトルに係るユーザのユーザ属性を示すユーザ属性値との組を教師データとして含む教師データセットを用いて機械学習を行い、推定モデルを構築する第5のステップと、
推定対象ユーザの1つの単位期間における活動電力ベクトルの要素と、推定対象ユーザについて生成された特徴時間代表ベクトルの要素と、当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを構築された推定モデルに入力し、推定対象ユーザのユーザ属性の推定値を取得する第6のステップと
を有するユーザ属性推定方法が提供される。

発明の効果

0018

本発明のユーザ属性推定プログラム、装置及び方法によれば、ユーザによる消費電力量に基づいて当該ユーザのユーザ属性をより高い信頼度で推定することができる。

図面の簡単な説明

0019

本発明によるユーザ属性推定システムの一実施形態における模式図である。
本発明によるユーザ属性推定装置の一実施形態における機能構成を示す機能ブロック図である。
特徴ベクトルの一実施形態を示す説明図、及びユーザ属性と対応する特徴ベクトルとの関係の一実施形態を示すテーブルである。
活動電力推定モデルの一実施形態を示すグラフである。
特徴ベクトルに信頼度フラグを付与する実施例を示すテーブルである。
本発明によるユーザ属性推定方法の一実施形態を示すフローチャートである。

実施例

0020

以下、本発明の実施形態について、図面を用いて詳細に説明する。

0021

[ユーザ属性推定システム]
図1は、本発明によるユーザ属性推定システムの一実施形態における模式図である。

0022

図1において、本実施形態でのユーザ属性推定システムは、事業者通信網6に設置されており(a)ユーザの消費電力量及び(b)当日の気象情報に基づいてユーザのユーザ属性を判定・推定するユーザ属性推定装置1を含む。ここで、ユーザとは、本実施形態において1つの世帯(ユーザ世帯)又は当該世帯の構成員である。さらに、ユーザ属性とは、本実施形態において静的属性であり、「特徴時間帯」における当該世帯構成員の生活行動特性を指す。

0023

また、この「特徴時間帯」とは、天候に応じて活動電力量に特徴が生じ得る時間帯であり、本実施形態において、夕刻帯(夕方)、即ち16〜19時(16時台、17時台及び18時台)となっている。実際、夕刻帯は、日没又は日没前の日照量が低下する時間帯であり、このように日照量が低下することによって、夕刻帯では各世帯で照明をONにする行動が発生し得るのである。

0024

さらに、この夕刻帯(特徴時間帯)に係るユーザ属性として、例えば、夕刻帯に当該世帯構成員が在宅している「夕方在宅型」、夕刻帯に当該世帯構成員が外出している「夕方外出型」、夕食前には当該世帯構成員が帰宅する「夕食前帰宅型」、夕刻帯に当該世帯構成員は在宅しているが比較的照明をONにするタイミングが遅い「夕方在宅及び照明我慢型」等が挙げられる。

0025

同じく図1によれば、ユーザ(一世帯)の消費電力量は、本実施形態において世帯構成員の滞在対象区域である自宅に設置されたホームゲートウェイ(HGW)5から事業者通信網6を介してユーザ属性推定装置1に送信される。ここで、消費電力量はスマートメータ4で計測され、この計測値が、例えばHEMS(Home Energy Management System)を介してHGW5に出力されてもよい。また、変更態様として、スマートメータ4が消費電力量を(図示されていない)MDMS(Meter data Management System)に送信し、ユーザ属性推定装置1は、このMDMSから消費電力量を取得することも可能である。

0026

事業者通信網6は、例えば光ファイバ網若しくはADSL(Asymmetric Digital Subscriber Line)等の固定系アクセスネットワークとすることができる。また、Wi-Fi(登録商標)等の無線LAN(Local Area Network)、WiMAX(Worldwide Interoperability for Microwave Access)、LTE(Long Term Evolution)又は3G(3rd Generation)等の無線系アクセスネットワークとすることも可能である。

0027

スマートメータ4は、ユーザによる自宅における消費電力量を計測し、単位時間毎の消費電力量の計測値を、例えばHEMSを介してHGW5に出力する。ここで、スマートメータの代わりに、分電盤に設置されたCTセンサクランプメータ架線電流計)、又はコンセントに設置されたコンセントタップタップ型電力計)等を使用してもよい。この場合、CTセンサやコンセントタップ等によって宅内配電の個別の消費電力量を計測し、消費電力量の計測値をHGW5に出力することになる。

0028

HGW5は、宅内に設けられたホームネットワークや(図示されていない)セットトップボックス(STB)等と、事業者通信網6との間の通信中継・制御する装置である。このホームネットワークには例えば無線アクセスポイントAP)を介してパーソナルコンピュータ(PC)が接続されている。HGW5は、さらに、スマートメータ4から取得した単位時間毎の消費電力量の計測値を、事業者通信網6を介してユーザ属性推定装置1宛てに送信する。

0029

ユーザ情報管理装置2は、例えば事業者通信網6内に設置されており、各ユーザ(世帯)から、例えばアンケート調査に答える形でユーザ属性情報の申告を受信し、これらのユーザ属性情報をユーザIDと対応付けて記憶・管理する。ユーザは、例えば、所定の日時の夕刻帯における自らの在宅/外出状況や照明利用状況といった静的属性をPCに入力し、HGW5から事業者通信網6を介してユーザ情報管理装置2に送信してもよい。ユーザ属性推定装置1は、このユーザ情報管理装置2から、ユーザIDに紐付けられたユーザ属性情報を取得する。

0030

気象情報管理サーバ3は、所定期間の各日時における天候、温度、照度湿度降雨量等の過去、現在又は未来予報)における気象情報を、インターネット7及び事業者通信網6を介してユーザ属性推定装置1宛てに送信する。特に、例えば天候に関連する情報を示す天候関連値を含む気象情報が送信されることも好ましい。ここで、天候関連値には、「晴」、「曇り」又は「雨・」を区別する天候値や、日照量を示す日照値、さらには気温値等が含まれていてもよい。

0031

ユーザ属性推定装置1は、具体的に、
(a)単位期間としてのある1日間における、ユーザの活動に係る電力量に相当する「活動電力ベクトル」の要素と、「特徴時間帯」としての夕刻帯におけるユーザの活動電力量を代表する「特徴時間代表ベクトル」の要素と、この1日間における天候関連値とを要素として含む「特徴ベクトル」を生成し、
(b)「特徴ベクトル」と、当該特徴ベクトルに係るユーザのユーザ属性値(夕刻帯における当該世帯構成員の生活行動特性)との組を教師データとして含む教師データセットを用いて機械学習を行って推定モデルを構築し、
(c)推定対象ユーザの1日間における「活動電力ベクトル」の要素と、当該推定対象ユーザについて生成された「特徴時間代表ベクトル」の要素と、この1日間における天候関連値とを要素として含む特徴ベクトルを構築された推定モデルに入力し、当該推定対象ユーザのユーザ属性の推定値を取得する。

0032

このように、ユーザ属性推定装置1では、教師データを構成する「特徴ベクトル」に、
(ア)夕刻帯でのユーザの活動電力量を代表する「特徴時間代表ベクトル」の要素と、
(イ)天候関連値と
を含む。ここで、夕刻帯は、天候に応じて各世帯の特徴が活動電力量に顕著に現れ得る時間帯であり、具体的には、日照量が低下することによって、各世帯で照明をONにする行動が特徴的に発生し得る時間帯である。従って、上記(ア)及び(イ)の組合せを含む教師データが機械学習に使用されることにより、構築される推定モデルからのアウトプットにおいてより明確にユーザ(世帯)の特性が反映され、より的確な推定値が取得されることになる。

0033

また、これにより、一度このような推定モデルが生成されれば、ユーザによる入力やアンケート調査に頼ることなく、ユーザによる消費電力量に基づいてユーザ属性をより精度良く高い信頼度をもって推定することができる。特に、ユーザの特徴時間帯(夕刻帯)における生活行動特性を具体的且つ的確に推定することが可能となる。

0034

[ユーザ属性推定装置1]
図2は、本発明によるユーザ属性推定装置の一実施形態における機能構成を示す機能ブロック図である。

0035

図2によれば、ユーザ属性推定装置1は、通信インタフェース部101と、プロセッサメモリとを有する。ここで、プロセッサ・メモリは、ユーザ属性推定装置1に搭載されたコンピュータを機能させるプログラムを実行することによって、その機能を実現させる。

0036

ここで、プロセッサ・メモリは、消費電力データ管理部102と、天候データ管理部103と、ユーザ属性管理部104と、活動電力抽出部111と、代表ベクトル生成部112と、特徴ベクトル生成部113と、教師データ生成部114と、ユーザ属性推定モデル構築部115と、ユーザ属性推定部116と、平均活動電力算出部121と、活動電力推定モデル構築部122とを有する。なお、図2によれは、各機能構成部を矢印で接続した処理の流れは、本発明によるユーザ属性推定方法の一実施形態としても理解される。

0037

通信インタフェース部101は、
(a)ユーザの自宅(滞在対象区域)に設置されたスマートメータ4やHGW5等から、消費電力量の計測値データを受信し、ユーザ情報管理装置2から、ユーザIDと申告等によって収集されたユーザ属性との組の情報を受信し、また、気象情報管理サーバ3から、所定期間の各日時における天候関連値を含む気象情報を受信し、さらに、
(b)ユーザ属性推定部116から出力される推定対象ユーザ世帯のユーザ属性推定値を外部の通知先に送信する。例えば、ウェブサイトアプリケーション等を介する形で、この推定値を提示することもできる。

0038

消費電力データ管理部102は、受信した消費電力量の計測値から生成される消費電力データを蓄積・管理する。なお、消費電力データは、装置1の外部、例えばユーザの自宅内ストレージ等に蓄積されていてもよい。

0039

ここで、1日(基本期間)を構成する1時間毎の時間帯における消費電力量から24次元の消費電力ベクトルを生成し、所定期間、例えば90日間における各日に対応した90個の消費電力ベクトルを取得し、蓄積・管理してもよい。この際、各時間帯での消費電力量は、当該1時間での積算値であってもよく、または生データが例えば15分値である場合に当該1時間内の4つの値のうちの中央値としてもよい。さらに、1つの時間帯は1時間に限定されるものではなく、例えば2時間、3時間等としてもよい。また、互いに異なる時間長の時間帯を設定してもよい。

0040

天候データ管理部103は、所定期間、例えば90日間の各日における各時間帯でのユーザ世帯に係る地域での天候を示す天候関連値、例えば「晴れ」又は「雨・雪」を取得し、蓄積・管理する。さらに、所定期間におけるユーザ世帯に係る地域での気温を示す気温値を更に取得し蓄積・管理することも好ましい。

0041

ユーザ属性管理部104は、ユーザIDとユーザ属性との組の情報を取得し蓄積・管理する。ここで、ユーザIDは、ユーザ世帯又は世帯構成員の識別番号である。また、ユーザ属性は、本実施形態において、特徴時間帯としての夕刻帯における世帯構成員の生活行動特性、例えば「夕方在宅型」、「夕方外出型」、「夕食前帰宅型」、「夕方在宅及び照明我慢型」等に分類された属性である。

0042

活動電力抽出部111は、
(a)所定期間、例えば30日間に計測されたユーザ世帯に係る消費電力量のデータから、各時間帯での消費電力量の最小値を決定して、この最小値を各時間帯での機器起因電力量とし、
(b)当該時間帯での消費電力量と機器起因電力量とに基づいて活動電力量を算出する。

0043

ここで、機器起因電力量は、ユーザ世帯の構成員が機器に対し意図してON操作又は使用動作を行うことにより発生するユーザ起因の電力量以外の、主に機器から発生する消費電力量である。待機電力バックグラウンドの消費電力等がこれに相当する。例えば、30日間における16時台の消費電力量の30個のデータのうちでの最小値を、当該ユーザ世帯の16時台での機器起因電力量とする。なお、機器起因電力量は、季節生活状況の変化により変動する可能性があり、ユーザ属性推定処理に合わせて又は定期的に更新されることも好ましい。

0044

さらに、活動電力量は、当該ユーザ世帯の活動に係る電力量である。各時間帯において次式を用いて算出される。
(1) (活動電力量)=(総消費電力量)−(機器起因電力量)
ここで、算出された活動電力量が所定閾値以上となる場合、当該ユーザ世帯では当該時間帯において人(世帯構成員)が活動していると解釈可能となる。この閾値は、季節、例えば夏季冬季中間期毎に異なる値とすることができる。

0045

代表ベクトル生成部112は、最初に、
(a)ユーザ世帯の所定期間、例えば90日間での活動電力量から、当該90日間を構成する各日毎に、各時間帯での活動電力量を要素とする活動電力ベクトルを生成し、
(b)夕刻帯(特徴時間帯)において天候関連値が所定値(本実施形態では「晴」又は「日照有」)を示すような1日間に係る活動電力ベクトルを選択する。

0046

ここで、時間帯を1時間に設定した場合、活動電力ベクトルは、90日間の各日において、各時間帯での活動電力量を要素とする24次元ベクトルとなる。これにより、計90個の24次元活動電力ベクトル(レコード)が生成される。また、90日間のうち夕刻帯での天候関連値が「晴」又は「日照有」の日が70日とすると、これら90レコードのうちからこの70日の各々に相当する24次元活動電力ベクトル、即ち70レコードが選択される。

0047

代表ベクトル生成部112は、次いで、
(c)選択した活動電力ベクトルを所定数のクラスタに分類する階層型クラスタリング処理を行い、
(d)最大のクラスタ、即ち最大のクラスタに属する活動電力ベクトルに基づいて、当該ユーザ世帯の夕刻帯での活動電力量を代表する夕刻帯(特徴時間)代表ベクトル(照明ON時間代表ベクトル)を生成する。

0048

このクラスタリング処理は、上記の例では、選択された70レコードに対して実施される。ここで、クラスタ数は、例えば5クラスタといった固定値に設定される。または、AIC(Akaike's Information Criteria)やBIC(Bayesian Information Criteria)等の統計量基準を用いてクラスタ数を決定してもよい。なお、活動電力ベクトルを天候関連値によらず全て採用してクラスタリング処理を行うと、各クラスタには複数の天候関連値のレコードが混在してしまう。これに対し、上記のように活動電力ベクトルを天候関連値に基づいて予め選択しておくことによって、確実に所望の天候値(「晴」)の特徴を備えた夕刻帯代表ベクトルが生成可能となる。

0049

代表ベクトル生成部112は、クラスタリング処理の完了後、要素レコード数が最大となるクラスタを当該ユーザ世帯の代表クラスタとする。夕刻帯代表ベクトルは、この代表クラスタの代表(平均)ベクトルとなる。例えば、夕刻帯が16時台、17時台及び18時台の3つの時間帯から構成されるとし、これらの時間帯のそれぞれにおける代表ベクトルの要素(消費電力量)をl1、l2及びl3とすると、
(2) (夕刻帯代表ベクトル)=(l1,l2,l3)
となる。

0050

特徴ベクトル生成部113は、(ア)ユーザ世帯の1日間(単位期間)における活動電力ベクトルの要素と、(イ)当該ユーザ世帯について生成された夕刻帯(特徴時間)代表ベクトル(照明ON時間代表ベクトル)の要素と、(ウ)当該1つの単位期間における天候関連値とを要素として含む特徴ベクトルを生成する。この特徴ベクトルは、さらに、当該1日間が平日か否かを示す日別値を更なる要素として含むことも好ましい。実際、夕刻帯において例えば在宅しているか否か、さらには何時照明をONにするかは、平日と休日とで異なる場合が少なくない。このため、日別値は、後述するユーザ属性の推定の精度を向上させるのに効果的なパラメータとなる。

0051

図3は、特徴ベクトルの一実施形態を示す説明図、及びユーザ属性と対応する特徴ベクトルとの関係の一実施形態を示すテーブルである。

0052

図3(A)に示した実施形態によれば、特徴ベクトルは、
(ア)活動電力ベクトルの要素:a1,a2,a3,a4,a5,a6,a7、
(イ)夕刻帯代表ベクトルの要素:l1,l2,l3、
(ウ)天候関連値ベクトルの要素:w1,w2,w3,w4、及び
(エ)日別値:h
を要素とした15次元ベクトルとなっている。

0053

ここで、(ア)のa1、a2、a3、a4、a5、a6及びa7はそれぞれ、当該ユーザ世帯の当該1日間における0〜5時台、6〜10時台、11〜15時台、16時台、17時台、18時台及び19〜23時台での消費電力量である。このように、a3、a4及びa5は夕刻帯での消費電力量を示している。(イ)のl1,l2,l3は、上述した式(2)に示したベクトルの要素である。(ウ)のw1、w2、w3及びw4はそれぞれ、0〜7時台、8〜15時台、16〜18時台及び19時〜23時台での天候関連値(「晴れ」又は「雨・雪」)である。このように、w3は夕刻帯での天候関連値を示している。さらに、(エ)のhは、当該1日間が平日か休日かを示す日別値である。

0054

次いで、図3(B)に、ユーザ属性に対応する特徴ベクトルの実施例を示す。同図によれば、ユーザ0001のユーザ属性は「夕方在宅型」である。ここで、ユーザ0001における、夕刻帯での天候関連値w3が「晴」である特徴ベクトル及び「雨」である特徴ベクトルを共に見ると、夕刻帯代表ベクトルの要素(l1,l2,l3)が時間経過ともに0.47(kWh)→0.60→0.71と増加している。これにより、「夕方在宅型」では、夕方で薄暗くなると室内の照明をONにする傾向のあることが理解される。

0055

また、同じユーザ0001(「夕方在宅型」)における夕刻帯で「晴」の特徴ベクトルでは、夕刻帯での活動電力量(a4,a5,a6)が時間経過ともに0.40(kWh)→0.57→0.68と変化している。これにより、「夕方在宅型」では、晴れの日は、(室内の照明をONにするため)夕刻帯において消費電力量が増加することが理解される。一方、夕刻帯で「雨」の特徴ベクトルでは、夕刻帯での活動電力量(a4,a5,a6)が時間経過ともに0.60(kWh)→0.67→0.78と変化している。これにより、「夕方在宅型」では、雨の日は早めに消費電力量が上がるため、夕刻帯における消費電力量の増加が比較的小さいことが理解される。

0056

さらに、ユーザ0002のユーザ属性は「夕方在宅及び照明我慢型」である。ここで、ユーザ0002における、夕刻帯での天候関連値w3が「晴」である特徴ベクトル及び「雨」である特徴ベクトルを共に見ると、夕刻帯代表ベクトルの要素(l1,l2,l3)が時間経過ともに0.47(kWh)→0.49→0.71と増加している。これにより、「夕方在宅及び照明我慢型」では、夕方で薄暗くなっても室内の照明をなかなかONにしない傾向のあることが理解される。

0057

また、同じユーザ0002(「夕方在宅及び照明我慢型」)における夕刻帯で「晴」の特徴ベクトルでは、夕刻帯での活動電力量(a4,a5,a6)が時間経過ともに0.40(kWh)→0.47→0.68と変化している。これにより、「夕方在宅及び照明我慢型」では、晴れの日は、夕刻帯において消費電力量の増加が比較的小さいことが理解される。一方、夕刻帯で「雨」の特徴ベクトルでは、夕刻帯での活動電力量(a4,a5,a6)が時間経過ともに0.45(kWh)→0.57→0.78と変化している。これにより、「夕方在宅及び照明我慢型」では、雨の日は晴れの日と比較して消費電力量の増加がより早いことが理解される。

0058

さらにまた、ユーザ0003のユーザ属性は「夕方外出型」である。ここで、ユーザ0003における、夕刻帯での天候関連値w3が「晴」である特徴ベクトル及び「雨」である特徴ベクトルを共に見ると、夕刻帯代表ベクトルの要素(l1,l2,l3)が時間経過ともに0.47(kWh)→0.35→0.42と変化している。これにより、「夕方在宅及び照明我慢型」では、夕方で薄暗くなっても不在のため室内の照明をONにしない傾向のあることが理解される。

0059

また、同じユーザ0003(「夕方外出型」)における夕刻帯で「晴」の特徴ベクトルでは、夕刻帯での活動電力量(a4,a5,a6)が時間経過ともに0.40(kWh)→0.47→0.38と変化している。さらに、「雨」の特徴ベクトルでも、夕刻帯での活動電力量(a4,a5,a6)が時間経過ともに0.40(kWh)→0.47→0.38と変化している。これにより、「夕方外出型」では、天候にかかわらず、夕刻帯における消費電力量の変動は小さいことが理解される。

0060

以上、説明したように、本発明に係る特徴ベクトルは、消費電力量及び天候関連値について、ユーザ属性を十分に反映した特徴を備えているので、教師データを生成するのに、さらには推定モデルへの入力値として非常に優れていることが理解される。

0061

なお、特徴ベクトルを構成する活動電力ベクトルの要素数、夕刻帯代表ベクトルの要素数、及び天候関連値ベクトルの要素数は、当然に上述した数に限定されるものではなく、設定した時間帯に応じた要素数とすることができる。さらに、特徴ベクトルを構成する天候関連値(天候関連値ベクトルの要素)も、天候値(例えば「晴」又は「雨・雪」)に限定されるものではない。例えば、天候関連値として、日照量を示す日照値(例えば「日照量大」、「日照量中」又は「日照量小」)を採用することもできる。また、特徴ベクトルに日別値hを含めない形態も可能である。

0062

図2に戻って、教師データ生成部114は、ユーザ属性の申告又は調査データから教師データセットを生成する。教師データセットは、
(a)あるユーザ世帯のある1日間(基本期間)における特徴ベクトルと、
(b)当該ユーザ世帯のユーザ属性を示すユーザ属性値と
の組を含む教師データの集合である。教師データセットは、例えば1000世帯の90日分に相当する90000個の教師データを構成要素とすることができる。ここで、教師データを生成する際、例えば、消費電力量情報送信元であるHGW5の機器IDとユーザIDとが対応づけられており、特徴ベクトルを生成するのに使用された消費電力量に係る機器IDと、ユーザ属性値に紐付けられたユーザIDとが同一ユーザ(世帯)を示す場合に、当該特徴ベクトルと当該ユーザ属性値とを組にして教師データとすることも好ましい。

0063

ユーザ属性推定モデル構築部115は、生成された教師データセットを用いて機械学習を行い、推定モデルを構築する。ここで使用される機械学習のアルゴリズムには、周知の種々の手法、例えばランダムフォレスト法やロジスティック回帰分析法等が適用可能である。

0064

ユーザ属性推定部116は、推定対象ユーザ世帯の1日間(単位期間)における特徴ベクトルを、構築された推定モデルに入力し、当該推定対象ユーザ世帯のユーザ属性の推定値を取得する。ここで、入力される特徴ベクトルは、
(a)推定対象ユーザ世帯の1日間(単位期間)における活動電力ベクトルの要素と、
(b)当該推定対象ユーザ世帯について生成された特徴時間代表ベクトルの要素と、
(c)当該1日間における天候関連値と、
を要素として含むことも好ましい。さらに、(d)当該1日間の日別値(「平日」又は「休日」)を要素として含んでいてもよい。例えば、図3(B)に示したユーザ0001についての2つの特徴ベクトルの各々を構築された推定モデルに入力した場合、推定モデルからの出力として、ユーザ属性が「夕方在宅型」との推定値が取得されることになる。

0065

なお、以上に説明した実施形態では、特徴時間帯として夕刻帯を採用し、夕刻帯における照明をONするユーザの行動を想定してユーザ属性を推定しているが、本発明のユーザ属性の推定はこれに限定されるものではない。例えば、特徴時間帯として午前中の所定時間を採用し、晴れの日に洗濯機等を起動させるユーザの行動を想定することも可能である。

0066

また、本発明の手法によって推定されるユーザ属性は、当然に夕刻帯に係る生活行動特性に限定されるものではない。例えば、特徴ベクトルには活動電力ベクトルの要素(本実施形態ではa1,a2,a3,a4,a5,a6,a7)も含まれているため、例えば「日中在宅型」や「日中在宅及び節電型」等の属性を推定することも可能となる。

0067

以下に、平均活動電力算出部121及び活動電力推定モデル構築部122の機能を説明する。これらの機能構成部は、推定対象ユーザ世帯の近隣エリアの世帯における平均消費電力を考慮して、特徴ベクトルの選択や教師データ生成の補助を行い、取得されるユーザ属性の推定値の信頼性を高める効果をもたらす。なお、本発明の一実施形態として、以下に説明する平均活動電力算出部121及び活動電力推定モデル構築部122を採用しない機能構成も当然に可能である。

0068

平均活動電力算出部121は、同一の気象条件下にあると見なされる近隣エリアの複数のユーザ世帯についての各時間帯での活動電力量の平均である平均活動電力量を算出する。

0069

活動電力推定モデル構築部122は、算出された平均活動電力量に係る時間帯での気温値に基づいて、気温と活動電力量との関係をモデル化した活動電力推定モデルを構築する。ここで、活動電力推定モデルは、平均活動電力量データの集合を時間帯別、天候関連値別、及び日別値(平日/休日)別に分類した上で、気温と活動電力量との関係をまとめて構築することも好ましい。具体的なモデル化には、周知の種々の手法、例えばスプライン曲線を利用する方法や変化点を定義し回帰分析を実施する方法等が適用可能である。以下に、活動電力推定モデルの内容を説明する。

0070

図4は、活動電力推定モデルの一実施形態を示すグラフである。

0071

図4(A)に示すように、本実施形態の活動電力推定モデルでは、「晴」且つ「平日」である1日間(基本期間)における1時間毎の各時間帯について、気温と活動電力との関係が算出されている。図4(B)に、そのうちの0時台での気温と活動電力との関係を表すグラフを示す。グラフ中の曲線が、各気温値に対する活動電力量である「一般活動電力量」を示している。このように、構築された活動電力推定モデルを利用することによって、対象となる時間帯での気温値が分かれば、当該時間帯における近隣エリアの世帯での平均的な活動電力量である「一般活動電力量」が推定されるのである。

0072

図2に戻って、特徴ベクトル生成部113は、
(a)生成した特徴ベクトルについて、この特徴ベクトルに係る1日間(単位期間)における各時間帯での気温値から、活動電力推定モデル構築部122で構築された活動電力推定モデルを用いて夕刻帯(特徴時間帯)での「一般活動電力量」を算出し、
(b)算出した夕刻帯での「一般活動電力量」と、当該特徴ベクトルのうちの夕刻帯に係る活動電力ベクトルの要素との類似度を算出し、
(c)算出した類似度に応じて信頼度が低いと見なされる特徴ベクトルに信頼度フラグ=0を付与し、当該特徴ベクトルをユーザ属性推定のためのレコードから除外する。

0073

図5は、特徴ベクトルに信頼度フラグを付与する実施例を示すテーブルである。

0074

以下に、特徴ベクトル生成部113で生成された特徴ベクトルの信頼度を求める実施例を説明する。図5(A)及び(B)のそれぞれの実施例において、
(a)「晴」且つ「平日」に係る特徴ベクトルにおける、夕刻帯(16、17及び18時台)での活動電力ベクトルの要素(a4,a5,a6)と、
(b)同じ(「晴」且つ「平日」の)1日間の夕刻帯(16、17及び18時台)における一般活動電力量(a4',a5',a6')と
コサイン類似度が算出されている。この算出されたコサイン類似度が所定閾値(本実施例では0.8)未満の場合、この信頼度調査対象の特徴ベクトルに信頼度フラグ=0を付与する。

0075

図5(A)の実施例では、コサイン類似度は0.99(>0.8)であり、この特徴ベクトルには信頼度フラグ=1が付与される。その結果、当該特徴ベクトルは、ユーザ属性推定のためのレコードとして使用される。一方、図5(B)の実施例では、コサイン類似度は0.78(<0.8)であり、この特徴ベクトルには信頼度フラグ=0が付与される。その結果、当該特徴ベクトルは、ユーザ属性推定のためのレコードから除外される。このように、一般活動電力量を用いて一般的な近隣エリアの世帯との比較を行うことにより、ユーザ世帯における異常な又は通常から突出した電力使用の日を推定材料から除外し、推定値の信頼性を高めることが可能となる。

0076

図6は、本発明によるユーザ属性推定方法の一実施形態を示すフローチャートである。

0077

最初に、ステップS601からステップS606までは学習過程である。
(S601)所定期間(例えば90日間)における天候関連値(例えば「晴」又は「雨・雪」を示す値)を取得する。
(S602)ユーザ世帯の所定期間における各時間帯での消費電力量を取得し、当該消費電力量から当該ユーザ世帯の機器起因電力量を算出する。
(S603)算出された機器起因電力量から当該ユーザ世帯の活動電力ベクトルを算出する。

0078

(S604)当該ユーザ世帯の所定期間における活動電力ベクトルをクラスタリング処理し、当該ユーザ世帯の特徴時間(夕刻帯)代表ベクトルを生成する。
(S605)生成した特徴時間代表ベクトルを用いて当該ユーザ世帯の1つの基本期間(1日間)における特徴ベクトルを生成する。
(S606)特徴ベクトルとユーザ属性との組を含む教師データのセットを用いて推定モデルを構築する。

0079

次いで、ステップS607からステップS609までは推定過程となる。
(S607)推定対象ユーザ世帯に係る特徴ベクトルを生成する。
(S608)生成した特徴ベクトルをステップS606で構築した推定モデルに入力する。
(S609)推定モデルからの出力として、推定対象ユーザ世帯におけるユーザ属性の推定値を取得する。

0080

以上、詳細に説明したように、本発明のユーザ属性推定プログラム、ユーザ属性推定装置及びユーザ属性推定方法によれば、(ア)特徴時間帯でのユーザ(世帯)の活動電力量を代表する「特徴時間代表ベクトル」の要素と(イ)天候関連値とを含む「特徴ベクトル」を用いて教師データを構成している。ここで、特徴時間帯は、天候に応じて各世帯の特徴が活動電力量に顕著に現れ得る時間帯である。従って、このような教師データが機械学習に使用されることにより、構築される推定モデルからのアウトプットにおいてより明確にユーザ(世帯)の特性が反映され、より的確な推定値が取得可能となる。さらに、一度このような推定モデルが生成されれば、ユーザによる入力やアンケート調査に頼ることなく、ユーザによる消費電力量に基づいてユーザ属性をより精度良く高い信頼度をもって推定することができる。

0081

なお、このように推定されたユーザ(世帯)の特徴時間帯での生活行動特性に基づいて、ユーザの電力消費についての適切な支援情報、例えば節電アドバイスや家計管理アドバイス、さらには当該生活行動特性に適した商品サービス情報等を提供することも可能となる。また、これにより、省エネルギー化やよりユーザ(世帯)のニーズに適したマーケティングを実現することも可能となる。

0082

前述した本発明の種々の実施形態について、本発明の技術思想及び見地の範囲の種々の変更、修正及び省略は、当業者によれば容易に行うことができる。前述の説明はあくまで例であって、何ら制約しようとするものではない。本発明は、特許請求の範囲及びその均等物として限定するものにのみ制約される。

0083

1ユーザ属性推定装置
101通信インタフェース部
102消費電力データ管理部
103天候データ管理部
104ユーザ属性管理部
111 活動電力抽出部
112代表ベクトル生成部
113特徴ベクトル生成部
114教師データ生成部
115 ユーザ属性推定モデル構築部
116 ユーザ属性推定部
121 平均活動電力算出部
122 活動電力推定モデル構築部
2ユーザ情報管理装置
3気象情報管理サーバ
4スマートメータ
5 HGW
6事業者通信網
7 インターネット

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

(分野番号表示ON)※整理標準化データをもとに当社作成

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

  • 神田智一の「 機材管理システム」が 公開されました。( 2021/02/15)

    【課題・解決手段】異なる場所に設置された多数のコーティング液生成装置(1)をそれぞれ個別に管理することができ、各コーティング液生成装置(1)の稼働状況を離れた場所で一元管理することが可能なシステムを提... 詳細

  • 株式会社村田製作所の「 ハンガーラック用リーダ装置、ハンガーラック、及び衣料品の商品管理システム」が 公開されました。( 2019/12/05)

    【課題】ハンガーパイプに吊り下げられた複数の衣料品のRFIDタグをより確実に読み取ることができるハンガーパイプ用リーダ装置を提供する。【解決手段】本発明に係るハンガーパイプ用リーダ装置は、複数のハンガ... 詳細

  • 株式会社AiCTの「 ロッカーシステム」が 公開されました。( 2019/10/31)

    【課題】荷物を収納するロッカーの通信が断絶した場合や、停電時でも荷物の受け渡しが可能であり、かつ、ロッカーに収納した荷物を盗難されるおそれを軽減してセキュリティ効果を高めたロッカーシステムを提供する。... 詳細

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

関連する公募課題一覧

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ