空调控制方法以及空调控制装置与流程

本发明涉及一种利用从空调设备以外的外部设备获取的传感值来控制空调设备的工作的空调控制方法以及空调控制装置。

背景技术：

空调设备搭载有温度传感器，通过温度传感器对室内的温度进行测量，来调整空调的强弱。例如，在冷气运转下，当设定温度为25度时，如果空调设备的温度传感器获取的温度为30度，空调设备就会通过提高压缩机的转数等生成冷风并送至室内。另一方面，在冷气运转下，当设定温度为25度时，如果空调设备的温度传感器获取的温度为20度，空调设备就会判断不需要制冷，减弱压缩机的工作。

但是，搭载在空调设备的温度传感器存在如下的问题。由于空调设备的室内机一般在物理上被设置在房间的上部，很难测量到人实际上所处场所的温度。一般而言，房间的上部的空气温度比房间下部的空气温度暖和，即使在同一个房间其上部和下部也会产生数度的温差。而且，搭载在空调设备的温度传感器是搭载在空调设备的室内机上，由于搭载温度传感器的位置接近空调设备吹出的风的位置，有时温度传感器会测量到空调设备吹出的风的温度。因此，以往存在空调设备的温度传感器测量的温度和人所处位置的实际温度不同的问题。

在此，为了解决该问题，可以考虑将在与空调设备不同的位置测量的温度信息发送至空调设备从而用于空调控制的空调控制系统。空调控制系统由空调设备和外部设备构成。外部设备例如是远程控制空调设备的远程控制器。外部设备由温度传感器和通信部构成。温度传感器测量空间的温度。空调设备由空调控制部和通信部构成。外部设备的通信部例如利用红外线信号与空调设备的通信部进行通信。空调控制部控制压缩机的转数从而控制室内的空调。

外部设备的温度传感器定期地测量外部设备附近的温度，通信部将温度信息发送至空调设备。空调设备的空调控制部使用接收到的温度信息控制空调。根据这样的结构，如果在接近人的位置配置外部设备，通过与人所处位置的温度相配合就可以准确地控制空调。

外部设备最好放在接近人的场所。在这种情况下，外部设备的供电不是从插座供给，最好是通过无线从内部电池供给。在外部设备是用电池驱动的情况下，电力消耗称为一个问题。在外部设备定期地获取温度频繁地进行通信的情况下，在通信处理上消耗很多电力，需要频繁地更换电池、频繁地进行充电。

例如，在日本专利特开2010-206596号公报公开的无线传感系统中，相当于外部设备的传感器节点(sensornode)将数据发送至相当于空调设备的基站。基站，基于从传感器节点发送来的数据，生成传感器节点下一次有可能生成的预测数据，将生成的预测数据发送至传感器节点。传感器节点，在预测数据和与其对应生成的数据不一致的情况下，将生成的数据发送至基站；在预测数据和与其对应生成的数据一致的情况下，停止发送生成的数据。根据这样的结构，在以往的系统中，在未来的数据被正确地预测的情况下，由于数据的发送频度降低，电力消耗的削减成为可能。

但是，在上述的以往技术中，有时难以兼顾电力消耗的削减和传感值的预测的正确性，需要作进一步的改善。

技术实现要素：

本发明是为了解决上述问题而作出的发明，其目的在于提供一种空调控制方法以及空调控制装置，可以削减设置在与第2传感装置在同一空间内的不同位置的第1传感装置的电力消耗，并能正确地预测第1传感装置的第1传感值。

本发明的一个方面所涉及的空调控制方法，利用处理器，以第1频度获取通过设置在与第2传感装置在同一空间内的不同位置的第1传感装置测量的第1传感值；以比第1频度高的第2频度获取通过所述第2传感装置测量的第2传感值；在获取了所述第2传感值但没有获取所述第1传感值的期间，基于所述第1传感值与所述第2传感值之间的相关性，从所述第2传感值生成第1传感预测值；基于所述第1传感预测值，决定空调设备的工作。

附图说明

图1是本发明的实施方式中的空调控制系统所提供的服务的总体情况的示意图。

图2是设备制造商相当于数据中心运营公司时的示例的示意图。

图3是设备制造商和管理公司双方或任意一方相当于数据中心运营公司时的示例的示意图。

图4是本发明的第1实施方式中的空调控制系统以及云服务器的结构的方框图。

图5是本发明的第1实施方式中的空调设备的结构的方框图。

图6是本发明的第1实施方式中的外部设备的结构的方框图。

图7是本发明的第1实施方式中的履历db的数据结构的一个例子的示意图。

图8是在本发明的第1实施方式中，当远程操作空调设备时，在终端设备显示的显示画面的一个例子的示意图。

图9是本发明的第1实施方式中的履历db的数据结构的变形例的示意图。

图10是本发明的第1实施方式中的空调设备进行数据发送处理的一个例子的流程图。

图11是本发明的第1实施方式中的外部设备进行数据发送处理的一个例子的流程图。

图12是本发明的第1实施方式中的云服务器进行学习处理的一个例子的流程图。

图13是本发明的第1实施方式中的云服务器进行预测处理的一个例子的流程图。

图14是本发明的第1实施方式中的云服务器进行空调设定处理的一个例子的流程图。

图15是用于说明在本发明的第1实施方式中，外部设备判断空调设备的on时刻的处理的示意图。

图16是用于说明本发明的第1实施方式中的云服务器和外部设备的通信时刻的变形例的示意图。

图17是本发明的第2实施方式中的空调控制系统和云服务器的结构的方框图。

图18是本发明的第3实施方式中的空调控制系统和云服务器的结构的方框图。

图19是本发明的第4实施方式中的空调控制系统和云服务器的结构的方框图。

图20是本发明的第5实施方式中的空调控制系统和云服务器的结构的方框图。

图21是本发明的第6实施方式中的空调控制系统和云服务器的结构的方框图。

图22是服务类型1(本公司数据中心型云服务)中的信息管理系统提供的服务的总体情况的示意图。

图23是服务类型2(iaas利用型云服务)中的信息管理系统提供的服务的总体情况的示意图。

图24是服务类型3(paas利用型云服务)中的信息管理系统提供的服务的总体情况的示意图。

图25是服务类型4(saas利用型云服务)中的信息管理系统提供的服务的总体情况的示意图。

具体实施方式

(作为本发明的基础的知识)

在上述以往技术中，存在难以兼顾电力消耗的削减和传感值的预测的正确性的情况。具体而言，在以往的技术中，虽然预测未来的数据，但是，在预测不一致的情况下不能削减发送频度。在以往的技术中，由于是根据以往的数据来预测未来的数据，难以对应未来发生的变化。例如，在使用空调设备的电源被off时测量到的数据生成预测数据之后，在空调设备的电源被on的情况下，无法跟进进行预测。为此，生成的数据与预测数据不一致，需要将生成的数据进行发送。

为了解决上述的问题，本发明的一方面所涉及的空调控制方法，利用处理器，以第1频度获取通过设置在与第2传感装置在同一空间内的不同位置的第1传感装置测量的第1传感值；以比第1频度高的第2频度获取通过所述第2传感装置测量的第2传感值；在获取了所述第2传感值但没有获取所述第1传感值的期间，基于所述第1传感值与所述第2传感值之间的相关性，从所述第2传感值生成第1传感预测值；基于所述第1传感预测值，决定空调设备的工作。

根据该结构，以第1频度获取通过设置在与第2传感装置在同一空间内的不同位置的第1传感装置测量的第1传感值。以比第1频度高的第2频度获取通过第2传感装置测量的第2传感值。在获取了第2传感值但没有获取第1传感值的期间，基于第1传感值与第2传感值之间的相关性，从第2传感值生成第1传感预测值。基于第1传感预测值，决定空调设备的工作。

因此，因为第1传感值被以第1频度从第1传感装置获取，第2传感值被以比第1频度高的第2频度从第2传感装置获取，所以，可以削减被设置在与第2传感装置在同一空间内的不同位置的第1传感装置的电力消耗。而且，在获取了第2传感值但没有获取第1传感值的期间，因为基于第1传感值和第2传感值之间的相关性，从第2传感值生成第1传感预测值，并基于生成的第1传感预测值决定空调设备的工作，所以，可以正确地预测第1传感装置的第1传感值。

而且，在所述的空调控制方法中，所述第1传感值、所述第2传感值以及所述第1传感预测值也可以包含温度、湿度以及颗粒物质的量之中的至少其中之一。

根据该结构，因为第1传感值、第2传感值以及第1传感预测值包含温度、湿度以及颗粒物质的量之中的至少其中之一，所以，可以基于温度、湿度以及颗粒物质的量之中的至少其中之一决定空调设备的工作。

而且，在所述的空调控制方法中，所述的空调控制方法还可以利用所述第1传感预测值以及所述第1传感值决定所述第1频度。

根据该结构，因为利用第1传感预测值以及第1传感值决定第1频度，所以，如果第1传感预测值的预测精度低，通过提高第1频度，可以防止第1传感预测值与第1传感值之间出现很大的偏离。

而且，在所述的空调控制方法中，在决定所述第1频度时，也可以基于以往的所述第1传感值与所述第1传感预测值之间的差值决定所述第1频度，所述第1传感预测值根据在获取以往的第1传感值之际获取的以往的第2传感值而生成。

根据该结构，在决定第1频度时，可以基于以往的第1传感值与第1传感预测值之间的差值决定第1频度，所述第1传感预测值根据在获取以往的第1传感值之际获取的以往的第2传感值而生成。

因此，如果以往的第1传感值和根据在获取以往的第1传感值时获取的以往的第2传感值所生成的第1传感预测值之间的差值较大，就可以判断第1传感预测值的预测精度较低。而且，如果第1传感预测值的预测精度较低，通过提高第1频度，可以防止第1传感预测值与第1传感值之间出现很大的偏离。

而且，在所述的空调控制方法中，所述空调控制方法还可以利用所述第1传感预测值以及所述第1传感值，决定所述第1传感值的获取量。

根据该结构，因为利用第1传感预测值以及第1传感值决定第1传感值的获取量，如果第1传感预测值的预测精度较高，就可以减少第1传感值的获取量，从而降低第1传感装置的处理负荷。

而且，在所述的空调控制方法中，在生成所述第1传感预测值时，也可以利用基于所述相关性的预测模型根据所述第2传感值生成所述第1传感预测值。

根据该结构，因为在生成第1传感预测值时，利用基于相关性的预测模型从第2传感值生成第1传感预测值，所以，通过向预测模型输入第2传感值，可以容易地生成第1传感预测值。

而且，在所述的空调控制方法中，所述空调控制方法还可以利用所述第1传感值、所述第2传感值以及所述第1传感预测值进行所述预测模型的机械学习。

根据该结构，因为利用第1传感值、第2传感值以及第1传感预测值进行预测模型的机械学习，所以，可以以更高的精度生成第1传感预测值。

而且，在所述的空调控制方法中，所述预测模型可以包含以各自不同的学习方法学习的多个预测模型，所述空调控制方法，还可以利用所述第1传感预测值以及所述第1传感值，从所述多个预测模型中决定所使用的所述预测模型。

根据该结构，预测模型包含用不同的学习方法学习的多个预测模型。利用第1传感预测值以及第1传感值，从多个预测模型中决定所使用的预测模型。

因此，如果第1传感预测值的预测精度较低，因为可以将现在的预测模型变更为其它的预测模型，利用其它的预测模型生成第1传感预测值，所以，可以提高第1传感预测值的预测精度。

而且，在所述的空调控制方法中，所述空调控制方法还可以利用所述第1传感预测值以及所述第1传感值，检测所述第1传感装置的异常。

根据该结构，因为利用第1传感预测值以及第1传感值检测第1传感装置的异常，所以，如果第1传感预测值的预测精度较低，就可以判断第1传感装置发生了异常，可以通知用户第1传感装置发生了异常。

而且，在所述的空调控制方法中，所述空调控制方法，还可以利用以往的所述第1传感值与所述第1传感预测值之间的差值，修正生成的所述第1传感预测值，所述第1传感预测值根据在获取以往的第1传感值之际获取的以往的第2传感值而生成。

根据该结构，可以利用以往的第1传感值与第1传感预测值之间的差值，修正生成的第1传感预测值，所述第1传感预测值根据在获取以往的第1传感值之际获取的以往的第2传感值而生成。

因此，通过将以往的第1传感值与根据在获取以往的第1传感值之际获取的以往的第2传感值而生成的第1传感预测值之间的差值累加到生成的第1传感预测值，可以修正第1传感预测值，可以提高第1传感预测值的预测精度。

而且，在所述的空调控制方法中，所述空调控制方法还可以获取所述空调设备的工作状态，所述相关性还可以包含所述第1传感值、所述第2传感值以及所述调设备的工作状态之间的相关性。

根据该结构，可以获取空调设备的工作状态。相关性包含第1传感值、第2传感值以及空调设备的工作状态之间的相关性。

因此，在获取了第2传感值但没有获取第1传感值的期间，因为基于第1传感值、第2传感值以及空调设备的工作状态之间的相关性从第2传感值生成第1传感预测值，所以，可以进一步考虑空调设备的工作状态来生成第1传感预测值，可以提高第1传感预测值的预测精度。

而且，在所述的空调控制方法中，所述空调控制方法还可以获取表示设置所述第1传感装置以及所述第2传感装置的空间的外部的气象状况的气象信息，所述第1传感装置和所述第2传感装置还可以被设置在同一空间中的不同场所，所述相关性还可以包含所述第1传感值、所述第2传感值以及所述气象信息之间的相关性。

根据该结构，可以获取表示设置第1传感装置和第2传感装置的空间的外部的气象状况的气象信息。第1传感装置和第2传感装置被设置在同一空间中的不同场所。相关性包含第1传感值、第2传感值以及气象信息之间的相关性。

因此，在获取了第2传感值但没有获取第1传感值的期间，因为基于第1传感值、第2传感值以及气象信息之间的相关性从第2传感值生成第1传感预测值，所以可以进一步考虑气象信息生成第1传感预测值，可以提高第1传感预测值的预测精度。

本发明的另一方面所涉及的空调控制装置，包括通信部和处理器，其中，所述通信部，以第1频度获取通过设置在与第2传感装置在同一空间内的不同位置的第1传感装置测量的第1传感值，以比第1频度高的第2频度获取通过所述第2传感装置测量的第2传感值，所述处理器，在获取了所述第2传感值但没有获取所述第1传感值的期间，基于所述第1传感值和所述第2传感值之间的相关性，从所述第2传感值生成第1传感预测值，基于所述第1传感预测值决定空调设备的工作。

根据该结构，以第1频度获取通过设置在与第2传感装置在同一空间内的不同位置的第1传感装置测量的第1传感值。以比第1频度离的第2频度获取通过第2传感装置测量的第2传感值。在获取了第2传感值但没有获取第1传感值的期间，基于第1传感值和第2传感值之间的相关性，从第2传感值生成第1传感预测值。基于第1传感预测值决定空调设备的工作。

因此，因为第1传感值从第1传感装置以第1频度获取，第2传感值从第2传感装置以比第1频度高的第2频度获取，所以，可以削减设置在与第2传感装置在同一空间内的不同位置的第1传感装置的电力消耗。而且，因为在获取了第2传感值但没有获取第1传感值的期间，基于第1传感值和第2传感值之间的相关性从第2传感值生成第1传感预测值，基于生成的第1传感预测值决定空调设备的工作，所以，能够正确地预测第1传感装置的第1传感值。

以下，参照附图对本发明的实施方式进行说明。另外，以下的实施方式是本发明具体化的一个例子而已，并不用于限定本发明的技术保护范围。

(提供的服务的总体情况)

首先，对本实施方式中的空调控制系统提供的服务的总体情况进行说明。

图1是本实施方式中的空调控制系统提供的服务的总体情况的示意图，图2是设备制造商相当于数据中心运营公司的示例的示意图，图3是设备制造商和管理公司的双方或任意一方相当子数据中心运营公司的示例的示意图。空调控制系统具备组100、数据中心运营公司110以及服务提供商120。

组100例如是企业、团体或家庭等，无论其规模大小。组100具备包含第1设备和第2设备的多个设备101和家庭网关102。多个设备101包含可以与互联网连接的设备(例如，智能手机、个人计算机(pc)或电视等)以及其自身不能与互联网连接的设备(例如，照明、洗衣机或冰箱等)。多个设备101也可以包含即使是其自身不能与互联网连接但介于家庭网关102可与互联网连接的设备。而且，用户15使用组100内的多个设备101。

数据中心运营公司110具备云服务器113。云服务器113是经由互联网与各种设备协作的虚拟化服务器。云服务器113主要管理用普通数据库管理工具等难以处理的庞大的数据(大数据)等。数据中心运营公司110进行数据的管理、云服务器113的管理以及执行这些管理的数据中心的运营等。关于数据中心运营公司110执行的服务的详细内容稍后将进行说明。

在此，数据中心运营公司110不局限于仅仅进行数据的管理或云服务器113的管理的公司。例如，如图2所示，在开发或制造多个设备101中的一个设备的设备制造商进行数据的管理或云服务器113的管理等的情况下，该设备制造商相当于数据中心运营公司110。而且，数据中心运营公司110不限于一家公司。例如，如图3所示，在设备制造商和管理公司共同或分担进行数据的管理或云服务器113的管理的情况下，双方或任意一方都相当于数据中心运营公司110。

服务提供商120具备服务器121。在此所说的服务器121不论其规模大小，例如，也包含个人电脑内的存储器等。而且，服务提供商120也存在不具备服务器121的情况。

另外，在上述空调控制系统中，家庭网关102不是必需的。例如，在云服务器113进行所有的数据管理等的情况下，就不需要家庭网关102。而且，如家庭内所有的设备都连接到互联网的情况下，也可能不存在其自身不能与互联网连接的设备。

其次，对上述空调控制系统中的设备的日志信息(操作履历信息以及工作履历信息)的流程进行说明。

首先，组100的第1设备或第二设备将各自的日志信息分别发送至数据中心运营公司110的云服务器113。云服务器113集累第1设备或第2设备的日志信息(图1的箭头141)。在此，日志信息是指多个设备101的例如运转状况或工作日期时间等的信息。例如，日志信息包含电视的收看履历、录像机的录像预约信息、洗衣机的运转日期时间、洗衣物的量、冰箱的开闭日期时间、或者冰箱的开闭次数等，但是并不仅限于这些信息，也可以包含从各种设备获取的各种各样的信息。另外，日志信息也可以经由互联网从多个设备101自身直接提供给云服务器113。而且，日志信息也可以从多个设备101暂时集累到家庭网关102，再从家庭网关102提供给云服务器113。

其次，数据中心运营公司110的云服务器113将集累的日志信息以一定的单位提供给服务提供商120。在此，一定的单位可以是数据中心运营公司110能够整理集累的信息并提供给服务提供商120的单位，也可以是服务提供商120所要求的单位。而且，虽然是以一定的单位进行提供，但是，也可以不以一定的单位而是根据情况改变提供的信息量。日志信息根据需要被保存在服务提供商120保有的服务器121中(图1的箭头142)。

而且，服务提供商120将日志信息整理成适合于提供给用户的服务的信息，并提供给用户。被提供了信息的用户可以是使用多个设备101的用户15，也可以是外部的用户16。作为向用户15、16提供信息的方法，例如可以从服务提供商120直接向用户15、16提供信息(图1的箭头143、144)。而且，作为向用户15提供信息的方法，例如，也可以再次经由数据中心运营公司110的云服务器113向用户15提供信息(图1的箭头145、146)。而且，数据中心运营公司110的云服务器113也可以将日志信息整理成适合提供给用户的服务的信息，并提供给服务提供商120。

另外，用户15即可以与用户16不同也可以与用户16相同。

(第1实施方式)

图4是本发明的第1实施方式中的空调控制系统以及云服务器的结构的方框图。图5是本发明的第1实施方式中的空调设备的结构的方框图。图6是本发明的第1实施方式中的外部设备的结构的方框图。

空调控制系统具备空调设备10、云服务器20、外部设备30、终端设备40以及气象信息服务器50。另外，云服务器20的构成要素的一部分或全部属于数据中心运营公司的云服务器或服务提供商的服务器的任意一方。而且，空调控制系统也可以不具备终端设备40以及气象信息服务器50。

首先，对外部设备30的结构进行说明。

外部设备30例如是通过红外线信号远程控制空调设备10的远程控制器。外部设备30被放置在用户的附近。另外，外部设备30也可以是智能手机、平板电脑或ai(artificialintelligence)扬声器。外部设备30例如经由互联网等网络与云服务器20相互可通信地被连接。

外部设备30具备控制部31、传感器32、存储部33以及通信部34。

控制部31，例如是处理器，具备通信控制部311。通信控制部311控制通信部34，经由通信部34向云服务器20发送各种信息，并经由通信部34从云服务器20接收各种信息。而且，通信控制部311决定将信息发送至云服务器20的频度。

传感器32，被搭载在外部设备30，用于测量第1传感值。传感器32例如包含测量温度的温度传感器或测量湿度的湿度传感器。第1传感值例如包含外部设备30附近的温度、外部设备30附近的湿度以及外部设备30附近的颗粒物质的量的至少其中之一。颗粒物质例如是花粉或pm2.5等。传感器32定期地测量第1传感值。传感器32相当于第1传感装置的一个例子。

存储部33例如是非挥发性的半导体存储器，具备第1传感值存储部331。第1传感值存储部331存储，在第1传感值发送部341发送了第1传感值起到下一次发送第1传感值为止的期间，由传感器32测量的第1传感值。通信控制部311从传感器32获取第1传感值，并将其存储到第1传感值存储部331。

通信部34具备第1传感值发送部341。第1传感值发送部341以第1频度向云服务器20发送由传感器32测量的第1传感值。此时，第1传感值发送部341将存储在第1传感值存储部331的第1传感值向云服务器20发送。

其次，对空调设备10的结构进行说明。

空调设备10调整室内空气质量环境。空调设备10例如经由互联网等网络与云服务器20相互可通信地被连接。

空调设备10具备控制部11、传感器12以及通信部13。控制部11例如是处理器，具备通信控制部111和空调控制部112。通信部13具备第2传感值发送部131、控制信息发送部132、预测信息接收部133以及参数接收部134。

通信控制部111控制通信部13，经由通信部13向云服务器20发送各种信息，并经由通信部13从云服务器20接收各种信息。而且，通信控制部111决定将信息发送至云服务器20的频度。

空调控制部112调整室内的空气的温度或湿度等。具体而言，空调控制部112虽然是控制空调设备10的空调功能，但只要是能够控制房间的温度或湿度的控制机构，并不局限于此。参数接收部134接收通过云服务器20发送来的运转参数。空调控制部112基于通过参数接收部134接收到的运转参数来控制空调设备10。

运转参数由后述的空调设定部232来指定。运转参数包含例如表示运转的on/off的运转状态信息、表示冷气、暖风、除湿或自动等的空调设备的设定模式的设定模式信息、表示向空调设备指定的外部设备的目标设定温度的信息、表示空调设备的排出风量的信息、表示空调设备的排出风向的信息以及表示用于判断空调控制的控制强度而使用的室温传感器的种类的室温传感器种类信息。室温传感器种类信息是表示利用由传感器12获取的内部温度数据和通过预测信息接收部133而被通知的外部温度数据这两种温度数据中的哪一个的信息。

传感器12，被搭载在空调设备10，用于测量第2传感值。传感器12包含测量室内温度的温度传感器、测量室内湿度的湿度传感器、测量室外温度的温度传感器、测量室外湿度的湿度传感器、测量风的吹出口的温度的温度传感器、输出表示是否有人的信息的红外线等的人感传感器以及根据空调设备运转时的电流测量电量的电量传感器。第2传感值包含例如室内温度、室内湿度、室外温度、室外湿度、吹出温度、表示室内是否有人的信息以及电量。另外，第2传感值也可以包含空调设备10附近的温度、空调设备10附近的湿度以及空调设备10附近的颗粒物质的量之中的至少其中之一。通信控制部111从传感器12获取第2传感值，并将其输出到第2传感值发送部131。传感器12相当于第2传感装置的一个例子。

另外，在第1实施方式中，虽然空调设备10具备传感器12，但是，本发明并不特别限定于此，空调设备10也可以不具备传感器12，传感器12被设置在空调设备10的外部。

第2传感值发送部131将传感器12测量到的第2传感值以比第1频度高的第2频度向云服务器20发送。

控制信息发送部132从空调控制部112获取空调控制信息，将空调控制信息发送至云服务器20。空调控制信息表示空调控制部112的控制内容。具体而言，空调控制信息包含表示运转的on/off的运转状态信息、表示冷气、暖风、除湿或自动等空调设备的设定模式的设定模式信息、室内的目标设定温度、风向、风量以及压缩机的转数(冷暖风强度)等。

预测信息接收部133从云服务器20接收基于第1传感值和第2传感值的相关性根据第2传感值生成的第1传感预测值。空调控制部112利用第1传感预测值控制空调设备10的运转。

其次，对云服务器20的结构进行说明。

云服务器20具备通信部21、存储部22以及控制部23。通信部21具备第1传感值获取部211、第2传感值获取部212、控制信息获取部213、气象信息获取部214、预测信息发送部215、设定信息受理部216以及参数发送部217。存储部22例如是硬盘驱动器，具备履历db(数据库)221以及预测结果db222。控制部23例如是处理器，具备室内环境预测部231和空调设定部232。

第1传感值获取部211以第1频度获取通过外部设备30的传感器32测量的第1传感值。第1传感值包含通过传感器32测量到的温度和湿度。第1传感值获取部211接收通过外部设备30发送来的第1传感值，并将接收到的第1传感值存储到履历db221。第1传感值发送部341经由互联网等网络定期地将第1传感值上传到第1传感值获取部211。从外部设备30向云服务器20的数据通信频度(第1频度)比从空调设备10向云服务器20的数据通信频度(第2频度)低。例如，从空调设备10向云服务器20的数据通信频度为1分钟1次的情况下，从外部装置30向云服务器20的数据通信频度为60分钟1次。

第2传感值获取部212以比第1频度高的第2频度获取通过空调设备10的传感器12测量到的第2传感值。第2传感值获取部212接收通过空调设备10发送的第2传感值，并将接收到的第2传感值存储到履历db221。第2传感值包含室内温度、室内湿度、室外温度、吹出温度、电量以及在与不在的信息。第2传感值获取部212经由互联网等网络，例如以1分钟1次的频度，从第2传感值发送部131获取第2传感值并将其存储到履历db221。而且，第2传感值发送部131也可以定期地将第2传感值上传到第2传感值获取部212。

控制信息获取部213获取表示空调设备10的工作状态的空调控制信息。控制信息获取部213接收通过空调设备10发送的空调控制信息，并将接收到的空调控制信息存储到履历db221。空调控制信息包含运转状态信息、设定模式信息、设定温度、风量以及风向。控制信息获取部213，经由互联网等网络，例如以1分钟1次的频度，从控制信息发送部132获取空调控制信息并将其存储到履历db221。而且，控制信息发送部132也可以定期地将空调控制信息上传到控制信息获取部213。而且，控制信息发送部132也可以将控制被变更的事件作为触发，将空调控制信息上传到控制信息获取部213。

而且，在外部设备30，从传感器32获取数据的频度高于将数据发送到云服务器20的频度。为此，从上一次数据发送后到下一次数据发送为止的期间的第1传感值被保存在外部设备30的第1传感值存储部331，在数据发送时，第1传感值发送部341从第1传感值存储部331读出数据，将该期间的数据汇总发送。例如，在以1分钟1次的频度从传感器32获取第1传感值，以60分钟1次的频度与云服务器20进行通信的情况下，第1传感值发送部341将保存在第1传感值存储部331中的第1传感值(从上一个发送时刻起到当前时刻为止的第1传感值)汇总发送。另外，传感器32也可以根据通信频度来设定传感频度。

气象信息获取部214获取表示设置有传感器32以及传感器12的空间的外部的气象状况的气象信息。气象信息获取部214从气象信息服务器50接收空调设备10存在的区域的气象信息，并将其存储到履历db221。气象信息包含今后的天气预测信息或天气履历信息。气象信息服务器50经由互联网等网络与云服务器20相互可通信地连接。气象信息服务器50将气象信息发送至云服务器20。

另外，空调设备10以及外部设备30被设置在同一空间的不同场所。为此，传感器32和传感器12也被设置在同一空间的不同场所。

而且，气象信息获取部214获取气象信息的通信频度与第2传感值获取部212以及控制信息获取部213获取信息的通信频度相同。

履历db221是存储第1传感值获取部211获取的第1传感值、第2传感值获取部212获取的第2传感值、控制信息获取部213获取的空调控制信息以及气象信息获取部214获取的气象信息的数据库。作为数据库的形式，一般情况下是利用了sql等的关系型数据库，但也可以是用key-value型数据库等简单的关系性构成数据的被称为nosql的数据库。

图7是本发明的第1实施方式中的履历db的表结构的一个例子的示意图。在履历db221中，id是用于识别各记录的唯一的id。时刻是获取各信息的时刻。第2室内温度、室内湿度、室外温度、吹出温度、电量以及在与不在的信息是通过第2传感值获取部212获取的第2传感值。运转状态、设定模式、设定温度、风量以及风向是通过控制信息获取部213获取的空调控制信息。气象信息是通过气象信息获取部214获取的表示地区的天气的信息。第1室内温度是通过第1传感值获取部211获取的第1传感值。另外，为了便于说明，将第1传感值、第2传感值、空调控制信息汇总在一个表中，但是也可以作为另一个表来进行管理。

在此，第1传感值获取部211的通信频度，如上所述，由于比第2传感值获取部212、控制信息获取部213以及气象信息获取部214的通信频度低，第1传感值被更新的时刻也比其它的数据迟。例如，在图7的例子中，在2016年8月14日的10:01获取了第1传感值。在这种情况下，虽然获取了到该时刻为止的第1传感值，但是，该时刻以后的第1传感值直到下一个数据获取时刻(如果是60分1次的频度，则为2016年8月14日的11:01)为止不会被更新。为此，如图7所示，在id103以后，除了第1传感值以外的其它的数据都有，但是，第1传感值处于未知的状态。

室内环境预测部231，在获取了第2传感值、空调控制信息以及气象信息并且没有获取篙1传感值的期间，基于第1传感值、第2传感值、空调控制信息、气象信息之间的相关性，从第2传感值、空调控制信息以及气象信息生成第1传感预测值。室内环境预测部231，利用履历db221，在第1传感值还未确定的情况下，利用通过第2传感值获取部212获取的第2传感值、通过控制信息获取部213获取的空调控制信息以及通过气象信息获取部214获取的气象信息，预测第1传感值，将预测的结果存储到预测结果db222。另外，第1传感预测值电可以包含外部设备30附近的预测温度、外部设备30附近的预测湿度以及外部设备30附近的颗粒物质的预测量之中的至少其中之一。

室内环境预测部231，利用基于第1传感值、第2传感值、空调控制信息、气象信息之间的相关性的预测模型，从第2传感值、空调控制信息以及气象信息生成第1传感预测值。

室内环境预测部231利用机械学习进行预测。一般而言，机械学习被分类为称为学习阶段和识别阶段的两个阶段。在学习阶段，室内环境预测部231输入以往的履历数据等的训练数据，通过进行数据解析，提取训练数据的相关性，制作预测模型。预测模型，基于所学习的数据的相关性，输出未知的数据的预测值。然后，在识别阶段，室内环境预测部231将作为用于预测的输入参数的识别数据输入到预测模型，基于在学习阶段提取的数据的相关性，从预测模型输出预测值。而且，将想要预测的参数称为目的变量，将为了引导目的变量而在学习中利用的参数称为说明变量。

在此，室内环境预测部231，作为训练数据，获取履历db221的履历数据，进行学习并生成预测模型。作为履历数据，被登录在履历db，获取包含第1传感值的所有表列的数据齐全的数据。例如，在图7的例子中，由于到id102为止的所有列的数据齐全，室内环境预测部231获取到id102为止的数据，生成预测模型。在这种情况下，目的变量是第1传感值，说明变量是时刻、从第1传感值获取部211获取的第1传感值、从第2传感值获取部212获取的第2传感值、从控制信息获取部213获取的空调制信息以及从气象信息获取部214获取的气象信息。

室内环境预测部231，向生成的预测模型输入第1传感值以外的数据作为识别数据。如此，室内环境预测部231预测在该时刻的第1传感值。例如，在图7的例子中，记录id103的第1传感值为未知。在预测记录id103的第1传感值的情况下，室内环境预测部231，将记录id103的时刻、从第2传感值获取部212获取的第2传感值、从控制信息获取部213获取的空调控制信息以及从气象信息获取部214获取的气象信息输入到预测模型，生成第1传感预测值。

在此，由于来自履历数据的学习处理成本很大，最好能降低学习频度。例如，室内环境预测部231，最好与从外部设备30获取第1传感值的频度相配台，来学习预测模型。另一方面，由于使用预测模型进行预测的处理成本较小，最好提高预测频度。例如，室内环境预测部231，最好与第2传感值获取部212或控制信息获取部213将数据存储到履历db221的时刻相配合，来预测第1传感值。

在进行机械学习的情况下，将什么样的履历数据作为训练数据进行输入，将什么样的履历数据作为识别数据进行输入，是提高预测精度的关键。作为学习的算法，虽然使用线性回归、神经网络或深度学习等，但是并不局限于此。作为机械学习的云上服务，室内环境预测部231也可以利用进行机械学习的库或api(应用程序编程接口)。

另外，在第1实施方式中，室内环境预测部231虽然基于第1传感值、第2传感值、空调控制信息、气象信息之间的相关性从第2传感值、空调控制信息以及气象信息生成第1传感预测值，但是，本发明并不局限于此。室内环境预测部231也可以在获取了第2传感值并且没有获取第1传感值的期间，基于第1传感值和第2传感值之间的相关性从第2传感值生成第1传感预测值。此时，室内环境预测部231，利用基于第1传感值和第2传感值之间的相关性的预测模型，从第2传感值生成第1传感预测值。在这种情况下，因为是基于第1传感值和第2传感值之间的相关性从第2传感值生成第1传感预测值，所以，不需要空调控制信息和气象信息。

而且，室内环境预测部231也可以基于第1传感值、第2传感值、空调控制信息之间的相关性从第2传感值以及空调控制信息生成第1传感预测值。此时，室内环境预测部231，利用基于第1传感值、第2传感值、空调控制信息之间的相关性的预测模型，从第2传感值以及空调控制信息生成第1传感预测值。在这种情况下，因为是基于第1传感值、第2传感值、空调控制信息之间的相关性从第2传感值和空调控制信息生成第1传感预测值，所以，不需要气象信息。

此外，室内环境预测部231也可以基于第1传感值、第2传感值、气象信息之间的相关性从第2传感值以及气象信息生成第1传感预测值。此时，室内环境预测部231，利用基于第1传感值、第2传感值、气象信息之间的相关性的预测模型，从第2传感值和气象信息生成第1传感预测值。在这种情况下，因为是基于第1传感值、第2传感值、气象信息之间的相关性从第2传感值和气象信息生成第1传感预测值，所以，不需要空调控制信息。

设定信息受理部216是受理用户的输入的外部接口，例如，是以http/https协议通信的外部接口(webapi)。设定信息受理部216，从终端设备40接收由用户对空调设备10输入的设定信息，并将其输出到空调设定部232。

终端设备40，例如是智能手机、平板电脑或个人计算机。终端设备40例如经由互联网等网络与云服务器20可相互通信地连接。另外，外部设备30和终端设备40即可以是相互不同的装置，也可以是相同的装置。而且，设定信息受理部216也可以将通过室内环境预测部231生成的预测结果或存储在履历db221中的履历信息发送至终端设备40。

图8是在本发明的第1实施方式中当远程操作空调设备时显示在终端设备的显示画面的一个例子的示意图。终端设备40显示gui(图形用户界面)。在图8中示意了控制对象为空调设备的例子。在具有多个空调设备的情况下，可以通过下拉选择控制对象的空调设备。在图8中，选择了设置在客厅的空调设备。空调设备的现在的状态被显示在终端设备40，设定信息受理部216，从履历db221获取最近的空调设备的设定状态的数据并显示空调设备的现在的状态。在图8中，空调设备的现在的状态显示为“冷气运转中”。

运转状态的项目受理选择空调设备的on和off的任意一个。设定模式的项目受理选择冷气、暖风、除湿以及自动运转中的任意一个。设定温度的项目受理选择用空调设备指定的外部设备30测量的目标温度。风量的项目受理设定空调设备排出的风量。风向的项目受理空调设备排出的风的方向。室温的项目受理选择测量室内温度的传感器的种类。例如，受理是选择外部设备所具备的传感器还是选择空调设备所具备的传感器。用户选择是利用外部设备所具备的传感器还是空调设备所具备的传感器测量的温度来控制空调设备。通过按下设定按钮，终端设备40将在gui输入的设定信息转换为http/https协议的格式通知给设定信息受理部216。

空调设定部232，基于设定信息受理部216受理的设定信息，生成控制空调设备10的运转参数，并将生成的运转参数发送至空调设备10。

预测信息发送部215从预测结果db222获取外部设备30的第1传感预测值，并定期地将其向空调设备10发送。

在本实施方式中，制作利用存储在履历db221中的履历信息进行学习的预测模型，利用预测模型以较高的频度预测通过外部设备30测量的室内温度，将预测值应用在空调控制中。根据此结构，无论第1传感值获取部211获取数据的频度如何，都可以预测通过外部设备30测量的室内温度。因此，可以削减来自外部设备30的通信频度，可以削减外部设备30的消耗电量。

在本实施方式的预测处理中，没有将外部设备30测量的以往的室内温度的实际测量值作为说明变量而使用。根据这样的结构，预测精度就不会依赖于外部设备30的室内温度的获取频度。因此，在预测精度较高的情况下，也可以降低外部设备30的室内温度的获取频度。

另外，在本实施方式中，室内环境预测部231也可以将外部设备30的第1传感值的以往的时序数据作为说明变量来使用。

图9是本发明的第1实施方式中的履历db的数据结构的变形例的示意图。例如，如图9所示，室内环境预测部231也可以将10分钟前的外部设备30的第1传感值作为学习数据来使用。另外，在10分钟前的第1传感值没有被存储的情况下，室内环境预测部231也可以使用10分钟前的第1传感预测值。即，室内环境预测部231也可以利用第1传感值、第2传感值、空调控制信息、气象信息以及第1传感预测值进行预测模型的机械学习。而且，室内环境预测部231也可以利用第1传感值、第2传感值以及第1传感预测值进行预测模型的机械学习。根据这样的结构，由于时序的数据迁移的相关性被反映到预测模型，可以改善预测精度。

另外，图9所示的第2传感值也可以包含空调设备10的电量。

其次，对本实施方式中的空调控制系统的空调控制方法进行说明。本实施方式中的空调控制系统的空调控制处理包含空调设备的数据发送处理、外部设备的数据发送处理、云服务器的学习处理、云服务器的预测处理以及云服务器的空调设定处理。

图10是本发明的第1实施方式中的空调设备的数据发送处理的一个例子的流程图。

首先，在步骤s1，空调设备10的通信控制部111从传感器12获取包含室内温度、室内湿度、室外温度、吹出温度、电量以及在与不在信息的第2传感值。

其次，在步骤s2，空调设备10的控制信息发送部132从空调控制部112获取包含运转状态、设定模式、设定温度、风量以及风向的空调控制信息。

其次，在步骤s3，第2传感值发送部131将第2传感值发送至云服务器20。云服务器20的第2传感值获取部212接收由空调设备10发送的第2传感值，将接收到的第2传感值存储到履历db221。

其次，在步骤s4，控制信息发送部132向云服务器20发送空调控制信息。云服务器20的控制信息获取部213接收由空调设备10发送的空调控制信息，将接收到的空调控制信息存储到履历db221。

其次，在步骤s5，通信控制部111判断在发送了第2传感值以及空调控制信息之后是否经过了规定时间。规定时间例如是1分钟。在此，在被判断为没有经过规定时间的情况下(在步骤s5为否)，通信控制部111待机直到经过规定时间为止。另外，在待机过程中，也可以降低处理器的负荷，削减电力消耗。

另一方面，在被判断为经过了规定时间的情况下(在步骤s5为是)，处理返回到步骤s1。另外，规定时间可以根据第2传感值被发送的发送频度而设定。通信控制部111，如果发送频度为1分钟1次，则将规定时间设定为1分钟。

上述的数据发送处理，在与云服务器20的通信路径已经确定，电源处于on状态的情况下，一直都进行。如此，室内的环境信息以及空调设备的设定信息都被存储在数据库。而且，在图10中，第2传感值的获取处理和空调控制信息的获取处理被按照顺序执行，但是，也可以并行执行各自的处理。而且，关于空调控制信息的获取处理，也可以不是定期地进行，而是在空调控制信息被变更的时刻执行。

图11是本发明的第1实施方式中的外部设备的数据发送处理的一个例子的流程图。

首先，在步骤s11，外部设备30的通信控制部311从传感器32获取包含室内温度以及室内湿度的第1传感值。

其次，在步骤s12，通信控制部311将获取的第1传感值存储到第1传感值存储部331。

其次，在步骤s13，通信控制部311判断是否为将第1传感值发送至云服务器20的时刻。例如，在将第1传感值每1小时发送1次到云服务器20的情况下，通信控制部311将上一次发送的时刻与现在时刻进行比较，判断从上一次发送的时刻起是否经过了规定时间。规定时间例如是1小时。通信控制部311，在从上一次发送的时刻起经过了规定时间的情况下，判断是将第1传感值向云服务器20发送的时刻。而且，通信控制部311，在从上一次发送的时刻起没有经过规定时间的情况下，判断不是将第1传感值发送至云服务器20的时刻。另外，规定时间可以根据发送第1传感值的发送频度而设定。通信控制部311，如果发送频度为1小时1次，则将规定时间设定为1小时。

在此，在判断为不是将第1传感值发送至云服务器20的时刻的情况下(在步骤s13为否)，处理转移到步骤s17。

另一方面，在判断为是将第1传感值发送至云服务器20的时刻的情况下(在步骤s13为yes)，在步骤s14，第1传感值发送部341将存储在第1传感值存储部331的第1传感值发送至云服务器20。云服务器20的第1传感值获取部211接收由外部设备30发送来的第1传感值，并将接收到的第1传感值存储到履历db221。

其次，在步骤s15，通信控制部311从第1传感值存储部331中删除第1传感值。

其次，在步骤s16，通信控制部311将发送结果存储到存储部33。发送结果是在步骤s13的发送时刻的判断中所利用的信息，例如，包含发送了第1传感值的时刻。

其次，在步骤s17，通信控制部311判断在上一次获取第1传感值之后是否经过了规定时间。规定时间例如是1分钟。在此，在判断为没有经过规定时间的情况下(步骤s17为否)，处理返回到步骤s13。另一方面，在判断为经过了规定时间的情况下(在步骤s17为是)，处理返回到步骤s11。另外，规定时间可以根据从传感器32获取第1传感值的获取频度而设定。通信控制部311，如果获取频度为1分钟1次，则将规定时间设定为1分钟。

图12是本发明的第1实施方式中的云服务器的学习处理的一个例子的流程图。

首先，在步骤s21，云服务器20的室内环境预测部231判断第1传感值获取部211是否获取了由外部设备30发送来的第1传感值。在此，在判断为没有获取第1传感值的情况下(在步骤s21为否)，处理转移到步骤s24。

另一方面，在判断为获取了第1传感值的情况下(在步骤s21为是)，在步骤s22，第1传感值获取部211将获取的第1传感值存储到履历db221。

其次，在步骤s23，室内环境预测部231将用于判断是否更新预测模型的学习标志设定为true。

其次，在步骤s24，室内环境预测部231判断是否为学习预测模型的时刻。例如，在第1传感值被从外部设备30上传的时刻进行学习的情况下，在第1传感值获取部211将第1传感值存储到履历db221的时刻，学习标志被设定为true。室内环境预测部231，在学习标志被设定为true的情况下，判断为是学习的时刻，在学习标志被设定为false的情况下，判断为不是学习的时刻。在此，在被判断为不是学习的时刻的情况下(在步骤s24为否)，处理返回到步骤s21。

另一方面，在被判断为是学习的时刻的情况下(在步骤s24为是)，在步骤s25，室内环境预测部231从履历db221获取第1传感值、第2传感值、空调控制信息以及气象信息，通过学习获取的第1传感值、第2传感值、空调控制信息以及气象信息，生成预测模型。此时，关于使用哪一段时间的数据进行学习，可以根据预测精度和处理时间之间的关系来决定，但是，因为使用最近的数据能提高预测精度，所以优选使用最近的数据。

其次，在步骤s26，室内环境预测部231将预测模型存储到存储部22。

其次，在步骤s27，室内环境预测部231将学习标志设定为false。在进行完步骤s27的处理之后，处理转移到步骤s21。

图13是本发明的第1实施方式中的云服务器的预测处理的一个例子的流程图。

首先，在步骤s31，云服务器20的室内环境预测部231判断第2传感值获取部212是否获取了空调设备10发送来的第2传感值、控制信息获取部213是否获取了空调设备10发送来的空调控制信息、气象信息获取部214是否获取了气象信息服务器50发送来的气象信息。在此，在判断为第2传感值、空调控制信息以及气象信息全部都没有获取的情况下(在步骤s31为否)，处理转移到步骤s34。然后，室内环境预测部231进行步骤s34和步骤s31的判断处理，直到第2传感值、空调控制信息以及气象信息被全部获取为止。

另一方面，在判断为第2传感值、空调控制信息以及气象信息被全部获取的情况下(在步骤s31为是)，在步骤s32，第2传感值获取部212、控制信息获取部213以及气象信息获取部214将获取的第2传感值、空调控制信息以及气象信息存储到履历db221。

其次，在步骤s33，室内环境预测部231将用于判断是否计算出第1传感预测值的预测标志设定为true。

其次，在步骤s34，室内环境预测部231判断否是为预测第1传感值的时刻。例如，在用于预测的数据通过第2传感值获取部212、控制信息获取部213以及气象信息获取部214被全部获取的时刻进行预测的情况下，在第2传感值获取部212、控制信息获取部213以及气象信息获取部214将第2传感值、空调控制信息以及气象信息存储到履历db2221的时刻，将预测标志设定为true。室内环境预测部231，在预测标志被设定为true的情况下，判断为是预测的时刻，在预测标志被设定为false的情况下，判断为不是预测的时刻。在此，在判断为不是预测的时刻的情况下(在步骤s34为否)，处理返回到步骤s31。

另一方面，在被判断为是预测的时刻的情况下(在步骤s34为是)，在步骤s35，室内环境预测部231，利用在学习处理时生成的预测模型，生成预测了外部设备30的第1传感值的第1传感预测值。室内环境预测部231，从履历db221读出想要预测的时刻的第2传感值、空调控制信息以及气象信息，将读出的第2传感值、空调控制信息以及气象信息作为识别数据输入到预测模型。想要预测的时刻的第1传感预测值被从预测模型输出。

其次，在步骤s36，室内环境预测部231将第1传感预测值存储到预测结果db222。

其次，在步骤s37，室内环境预测部231将预测标志设定为false。

其次，在步骤s38，预测信息发送部215从预测结果db222读出第1传感预测值，将读出的第1传感预测值发送至空调设备10。在进行了步骤s38的处理之后，处理转移到步骤s31。

图14是本发明的第1实施方式中的云服务器的空调设定处理的一个例子的流程图。

首先，在步骤s41，设定信息受理部216接收由终端设备40发送来的空调设备10的设定信息。终端设备40将包含用户所期望的运转状态、设定模式、设定温度、风量以及风向等的设定信息发送至云服务器20。

其次，在步骤s42，空调设定部232根据接收到的设定信息生成用于使空调设备10运转的运转参数。

其次，在步骤s43，参数发送部217将运转参数发送至空调设备10。空调设备10的参数接收部134接收由云服务器20发送来的运转参数。然后，空调设备10的空调控制部112根据参数接收部134接收到的运转参数控制空调设备10的运转。

另外，在本实施方式中，在外部装置30的电源被off的情况下，空调设定部232也可以利用预测了外部设备30的第1传感值的第1传感预测值，生成空调设备10的运转参数。如果履历db221存储了足够的数据，预测模型是基于该数据而制作的，即使不与外部设备30通信，室内环境预测部231也可以预测通过外部设备30测量的第1传感值。根据这样的结构，即使没有配置外部设备30，也可以进行适应于接近人的场所的环境的空调控制。

而且，在本实施方式中，室内环境预测部231也可以受理用户对是否学习预测模型的设定。例如，外部设备30也可以具备用于输入是否进行预测模型学习的学习执行按钮。室内环境预测部231仅将在学习执行按钮被on的情况下通信的数据用于预测模型的学习。如果这样做，用户通过使学习执行按钮仅在外部设备30存在于想要学习的位置的情况下为on，使学习执行按钮在外部设备30存在于不想学习的位置的情况下为off，可以指定想要预测的外部设备30的位置。

而且，在本实施方式中的外部设备30是空调设备10的远程控制器的情况下，外部设备30，通过远程控制信号与空调设备10通信，利用空调设备10和云服务器20之间的通信路径，可以将来自外部设备30的数据发送至云服务器20。根据这样的结构，外部设备30没有必要具备除红外线通信功能以外的其它通信功能。

而且，在本实施方式中，作为室内环境预测部231的学习参数的例子，如图7所示，列举了室内温度、室内湿度、室外温度、吹出温度、电量、在与不在信息、运转状态、设定模式、设定温度、风量、风向以及气象信息，但是，只要是与外部设备30的第1传感值(室内温度)具有相关性的信息，并不限于上述。例如，根据是星期几以及节日的相关信息，可以将人出入于室内和人在室内的逗留期间的特性反映到预测模型。而且，作为表示空调设备10的冷暖风强度的参数，有压缩机的转数或吹出风量等。而且，通过利用室内的二氧化碳量可以更准确地把握人是否存在以及人的活动量。而且，如果有关于窗户的开闭的信息，可以追踪房间的隔热性的变化。并且，日照量作为影响室内的温度推移是有效的。

而且，在本实施方式中，作为室内环境预测部231所使用的预测模型的目的变量，示例了外部设备30附近的室内温度，但是，不用说本发明的目的变量并不限于室内温度。例如，湿度、二氧化碳量或日照量等，只要是空调设备10可测量的第2传感值以及与空调控制信息相关联的第1传感值，都可以作为目的变量适用。并且，例如，如果外部设备30的传感器32测量pm2.5或花粉等颗粒物质的量，空调设备10的传感器12同样地测量pm2.5或花粉等颗粒物质的量，也可以将外部段备30的传感器32测量的空气质量信息作为目的变量。

而且，本实施方式中的外部设备30也可以是通过红外线与空调设备10通信的远程控制器。为了实现该结构，外部设备30具备通过红外线通信的红外线通信部。红外线通信部可以与空调设备10通信，将设定信息发送至空调设备10，控制空调设备10。在利用外部设备30控制空调设备10的情况下，可以将控制内容存储到外部设备30的存储部33，控制内容可以利用于外部设备30的通信方法或通信频度等。例如，外部设备30通过在空调设备10的电源为off的情况下停止发送第1传感值，仅在空调设备10的电源被on的情况下发送第1传感值，可以防止在不使用空调设备10的季节或期间进行不必要的通信。

而且，本实施方式中的外部设备30可以不是远程操作空调设备10的远程控制器。在这种情况下，作为外部设备30检测出空调设备10的电源被on的情况的方法，可以是利用来自云服务器20的信息和由外部设备30测量的第1传感值的推移的特征的方法。

图15是在本发明的第1实施方式中用于说明外部设备判断空调设备的on时刻的处理的示意图。例如，在图15中，表示在空调设备10为暖风运转的情况下，外部设备30测量的室内温度的温度推移的图表。云服务器20，利用存储在履历记录db221中的信息，确定在以横轴为时刻以纵轴为温度的坐标空间上表示空调设备10暖风运转的时间段以及温度带的区域t1、t2，将有关区域t1、t2的信息发送至外部设备30作为外部设备30发送了第1传感值(室内温度)的返回值。

外部设备30，在表示空调设备10暖风运转的时间段和温度带的区域t1、t2，在现在的测量温度比从以往测量的多个温度预测(线性插值)的预测温度推移px上的预测温度高规定的阈值以上的情况下，向云服务器20发送第1传感值。根据这样的结构，可以尽量抑制通信频度，推测空调设备10的电源被on的时刻。

而且，用同样的方法，也可以推测空调设备10的电源被off的时刻。外部设备30从云服务器20接收表示空调设备10的暖风运转被停止的时间段和温度带的区域，在该区域，在现在的测量温度比从以往测量的多个温度预测(线性插值)的预测温度推移px上的预测温度低规定的阈值以上的情况下，向云服务器20发送第1传感值。而且，空调设备10冷风运转的情况也同样，外部设备30可以检测出空调设备10的电源被on或off。

而且，本实施方式中的第1传感值获取部211从外部设备30获取第1传感值的时刻并不局限于上述。

图16是用于说明本发明的第1实施方式中的云服务器和外部设备的通信时刻的变形例的示意图。图16所示的图表表示外部设备30的传感器32测量的温度的实际测量值的时间推移。时刻t1是空调设备10的电源被on的时刻，时刻t2是测量温度达到设定温度的时刻，时刻t3是测量温度偏离了规定的允许范围的时刻。

空调设备10的电源被on之后，通信控制部311，通过判断测量温度是否达到了设定温度，来判断是否为发送图11的步骤s13的第1传感值的时刻。即，通信控制部311，在测量温度达到设定温度的情况下，判断为是发送第1传感值的时刻。在图16所示的例子中，在时刻t2的时刻发送第1传感值。例如，如果外部设备30是远程控制器，设定温度可以利用由外部设备30设定的温度，如果外部设备30不是远程控制器，设定温度可以在图15说明的空调设备的电源被on的时刻来获取。

根据这样的结构，由于云服务器20和空调设备10可以准确地把握室内温度达到设定温度的时刻，即使在预测不准确的情况下也能适当地控制空调设备10。一般而言，空调设备10，在室内温度达到设定温度为止提高空调设备10的处理负荷，在达到设定温度之后降低空调设备10的处理负荷，用间歇运转使电力消耗降低。例如，在预测不准确室内温度比预测时刻更早地达到设定温度的情况下，空调设备10比预测更早地降低处理负荷使电力消耗降低。另一方面，在预测不准确室内温度比预测时间更晚达到设定温度的情况下，云服务器20可以修正第1传感预测值，通过不让空调设备10的处理负荷降低来使室内温度达到设定温度。

另外，也有可能存在由于通信不良无法通信的情况。因此，通信控制部311除了室内温度是否达到设定温度的条件之外，也可以设定通信时间超时值。而且，通信控制部311也可以不将室内温度达到设定温度作为发送条件，而是将在室内温度达到设定温度的预定时刻达到现在时刻作为发送条件。另外，室内温度达到设定温度的预定时刻，由云服务器20预测并被发送至外部设备30。

在空调设备10的电源被on，室内温度达到设定温度之后，如图16所示，通信控制部311也可以对设定温度设定允许范围，在室内温度脱离了允许范围的时刻(时刻t3)进行通信。允许范围，例如，可以为从设定温度-1度到设定温度+1度之间的范围。根据这样的结构，即使是在预测结果偏离的情况下，也可以适当地控制空调设备10。一般而言，空调设备10，在室内温度达到设定温度时，就控制空调维持相同的温度。因此，室内温度应该不会脱离允许范围，但是，通过仅在室内温度脱离了允许范围的情况下进行通信，可以避免错误、保持舒适性，并且还能降低用于进行最低限度的通信的频度。另外，由于通信不良也有可能无法进行通信。为此，通信控制部311除了室内温度是否脱离了允许范围的条件之外，也可以设定通信超时值。

而且，在本实施方式中，预测信息发送部215将第1传感预测值发送至空调设备10，空调控制部112利用第1传感预测值来控制空调，但是也可以是空调设定部232利用第1传感预测值和空调设备10的测量温度来变更设定温度，让空调控制部112设定变更后的设定温度。即，空调设定部232可以从设定温度中减去外部设备30的测量温度和空调设备10的测量温度之间的差值。例如，在空调设备10为冷气运转、设定温度为25度、空调设备10的测量温度为25度、外部设备30的第1传感预测值为28度的情况下，空调设定部232将设定温度变更为22度(＝25度-(28度-25度))并发送变更后的设定温度。根据这样的结构，空调设备10的空调控制方法，可以不必考虑用外部设备30测量的室内温度，而是利用现有的空调设备10。

(第2实施方式)

在第2实施方式中，第1传感值获取部211从外部装置30获取第1传感值的频度可以根据室内环境预测部231生成的预测模型的预测精度而变更。

图17是本发明的第2实施方式的空调控制系统以及云服务器的结构的方框图。另外，在图17中，对于与第1实施方式相同的结构赋予相同的符号，并省略其说明。

空调控制系统具备空调设备10、云服务器20a、外部设备30、终端设备40以及气象信息服务器50。云服务器20a具备通信部21a、存储部22以及控制部23a。通信部21a具备第1传感值获取部211、第2传感值获取部212、控制信息获取部213、气象信息获取部214、预测信息发送部215、设定信息受理部216、参数发送部217以及频度发送部218。控制部23a具备室内环境预测部231、空调设定部232以及频度决定部233。

频度决定部233，利用第1传感预测值以及第1传感值决定用于获取第1传感值的第1频度。频度决定部233基于以往的第1传感值与第1传感预测值之间的差值来决定第1频度，第1传感预测值根据获取以往的第1传感值之际获取的以往的第2传感值、空调控制信息以及气象信息而生成。

而且，频度决定部233也可以基于以往的第1传感值与在获取以往的第1传感值之际获取的以往的第2传感值所生成的第1传感预测值之间的差值来决定第1频度。

频度决定部233计算出第1传感预测值与第1传感值的实际测量值之间的绝对平均误差，第1传感预测值是向预测模型输入以往的履历数据而生成的。该绝对平均误差表示预测精度。而且，例如，频度决定部233也可以利用以往的履历数据的一部分(例如70％)进行学习，利用以往的履历数据的剩余部分(例如，剩余的30％)进行预测，计算出预测值与实际测量值之间的绝对平均误差。

频度决定部233，在预测精度较低的情况下，即，在第1传感预测值与第1传感值的实际测量值之间的差值(绝对平均误差)大于规定值的情况下，决定比当前的第1频度高的第1频度。例如，频度决定部233，将60分钟发送1次的当前的第1频度变更为10分钟发送1次的第1频度。根据这样的结构，在预测精度较低的情况下，可以防止外部设备30的实际的第1传感值和第1传感预测值出现较大的偏离。

另外，频度决定部233，在预测精度较高的情况下，即，在第1传感预测值与第1传感值的实际测量值之间的差值(绝对平均误差)小于规定值的情况下，即可以以维持当前的第1频度的方式决定第1频度，也可以决定比当前的第1频度低的第1频度。例如，频度决定部233可以维持60分钟发送1次的当前的第1频度。而且，例如，频度决定部233，也可以将60分钟发送1次的当前的第1频度变更为90分钟发送1次的第1频度。

频度发送部218向外部设备30发送由频度决定部233决定的用于获取第1传感值的频度(第1频度)。

在图12的云服务器20a的学习处理中，在获取了步骤s21的第1传感值之后，频度决定部233根据预测精度决定用于获取第1传感值的第1频度。然后，频度发送部218将由频度决定部233决定的第1频度发送至外部设备30。

在图11的基于外部设备30的数据发送处理中，在步骤s14的第1传感值发送之后，外部设备30的通信部34从云服务器20a接收与预测精度相对应的第1频度。在图11的步骤s13，通信控制部311根据接收到的第1频度来判断是否为发送第1传感值的时刻。

(第3实施方式)

在第3实施方式中，第1传感值获取部211从外部设备30获取的第1传感值的获取数据量可以根据室内环境预测部231生成的预测模型的预测精度而变更。

图18是本发明的第3实施方式中的空调控制系统和云服务器的结构的方框图。另外，在图18中，对于与第1实施方式相同的结构赋予相同的符号，并省略其说明。

空调控制系统具备空调设备10、云服务器20b、外部设备30、终端设备40以及气象信息服务器50。云服务器20b具备通信部21b、存储部22以及控制部23b。通信部21b具备第1传感值获取部211、第2传感值获取部212、控制信息获取部213、气象信息获取部214、预测信息发送部215、设定信息受理部216、参数发送部217以及获取量发送部219。控制部23b具备室内环境预测部231、空调设定部232以及获取量决定部234。

获取量决定部234利用第1传感预测值以及第1传感值决定第1传感值的获取量。获取量决定部234基于以往的第1传感值与第1传感预测值之间的差值决定第1传感值的获取量，第1传感预测值根据获取以往的第1传感值之际获取的以往的第2传感值、空调控制信息以及气象信息而生成。

另外，获取量决定部234也可以基于以往的第1传感值与第1传感预测值之间的差值来决定第1传感值的获取量，第1传感预测值由在获取以往的第1传感值之际获取的以往的第2传感值所生成。

获取量决定部234计算第1传感预测值与第1传感值的实际测量值之间的绝对平均误差，第1传感预测佳通过向预测模型输入以往的履历数据而生成。该绝对平均误差表示预测精度。而且，例如，获取量决定部234也可以利用以往的履历数据的一部分(例如70％)进行学习，利用以往的履历数据的剩余部分(例如，剩余的30％)进行预测，计算预测值和实际测量值之间的绝对平均误差。

在第3实施方式中，例如，被测量的第1传感值以1分钟1次的频度被存储在第1传感值存储部331，被存储的60个第1传感值以60分钟1次的频度被发送至云服务器20b。此时，获取量决定部234，在预测精度较高的情况下，即，在第1传感预测值与第1传感值的实际测量值之间的差值(绝对平均误差)小于规定值的情况下，将获取量(通信数据量)决定为比现在的获取量少20个。在这种情况下，在下一次的步骤s14的第1传感值发送时，通信控制部311从60个第1传感值中减去40个第1传感值，将20个第1传感值发送至云服务器20b。根据这样的结构，在预测精度较高的情况下，因为可以削减通信数据量，所以可以削减外部设备30的处理负荷，进一步实现省电化。

另外，获取量决定部234，在预测精度较低的情况下，即，在第1传感预测值与第1传感值的实际测量值之间的差值(绝对平均误差)大于规定值的情况下，即可以以维持现在的获取量的方式决定获取量，也可以决定比现在的获取量多的获取量。例如，获取量决定部234也可以维持60个这样的现在的获取量。而且，例如，获取量决定部234也可以将20个的现在的获取量变更为60个的获取量。另外，获取量的上限值，是在从发送第1传感值起到发送下一个第1传感值为止的期间，存储在第1传感值存储部331中的第1传感值的数量。

获取量发送部219，将由获取量决定部234决定的第1传感值的获取量发送至外部设备30。

在图12的基于云服务器20的学习处理中，在获取步骤s21的第1传感值之后，获取量决定部234根据预测精度决定第1传感值的获取量。然后，获取量发送部219，将由获取量决定部234决定的第1传感值的获取量发送至外部设备30。

在图11的基于外部设备30的数据发送处理中，在步骤s14的第1传感值发送之后，外部设备30的通信部34从云服务器20接收与预测精度相对应的第1传感值的获取量(通信数据量)。通信控制部311，根据接收到的获取量(通信数据量)，调整下一次的第1传感值发送时的第1传感值的数据量。

(第4实施方式)

在第4实施方式中，室内环境预测部231也可以根据预测结果的预测精度来变更用于预测的预测模型。

图19是本发明的第4实施方式中的空调控制系统和云服务器的结构的方框图。另外，在图19中，对于与第1实施方式相同的结构赋予相同的符号，并省略其说明。

空调控制系统具备空调设备10、云服务器20c、外部设备30、终端设备40以及气象信息服务器50。云服务器20c具备通信部21、存储部22以及控制部23c。控制部23c具备室内环境预测部231、空调设定部232以及预测模型决定部235。

室内环境预测部231，生成用不同的学习方法进行学习的多个预测模型，并将它们存储到存储部22。存储部22存储多个预测模型。预测模型决定部235，利用第1传感预测值以及第1传感值，从多个预测模型中决定所使用的预测模型。预测模型决定部235，基于以往的第1传感值与第1传感预测值之间的差值，从多个预测模型中决定所使用的预测模型，第1传感预测值根据获取以往的第1传感值之际获取的以往的第2传感值、空调控制信息以及气象信息而生成。

另外，预测模型决定部235，也可以基于以往的第1传感值与第1传感预测值之间的差值，从多个预测模型中决定所使用的预测模型，第1传感预测值由在获取以往的第1传感值之际获取的以往的第2传感值而生成。

预测模型决定部235，计算第1传感预测值与第1传感值的实际测量值之间的绝对平均误差，第1传感预测值通过向预测模型输入以往的履历数据而生成。该绝对平均误差表示预测精度。而且，例如，预测模型决定部235也可以利用以往的履历数据的一部分(例如70％)进行学习，利用以往的履历数据的剩余部分(例如，剩余的30％)进行预测，计算预测值与实际测量值之间的绝对平均误差。

预测模型决定部235，在预测精度较低的情况下，即，在第1传感预测值和第1传感值的实际测量值之间的差值(绝对平均误差)大于规定值的情况下，将所使用的预测模型切换为其它的预测模型。在这种情况下，室内环境预测部231变更学习方法生成多个预测模型，将学习方法不同的多个预测模型存储到存储部22。室内环境预测部231，例如，也可以生成利用获取期间不同的履历数据进行学习的预测模型、变更说明变量的参数值进行学习的预测模型以及利用不同的算法进行学习的预测模型。根据这样的结构，可以改善预测精度。

(第5实施方式)

在第5实施方式中，由室内环境预测部231生成的第1传感预测值可以用于外部设备30的异常检测。

图20是本发明第5实施方式中的空调控制系统和云服务器的结构的方框图。另外，在图20中，对于与第1实施方式相同的结构赋予相同的符号，并省略其说明。

空调控制系统具备空调设备10、云服务器20d、外部设备30、终端设备40以及气象信息服务器50。云服务器20d具备通信部21d、存储部22以及控制部23d。通信部21d具备第1传感值获取部211、第2传感值获取部212、控制信息获取部213、气象信息获取部214、预测信息发送部215、设定信息受理部216、参数发送部217以及异常通知部220。控制部23d具备室内环境预测部231、空调设定部232和异常检测部236。

异常检测部236利用第1传感预测值以及第1传感值检测外部设备30的传感器32(第1传感装置)的异常。异常检测部236，基于以往的第1传感值与第1传感预测值之间的差值，检测外部设备30的传感器32的异常，第1传感预测值根据在获取以往的第1传感值之际获取的以往的第2传感值、空调控制信息以及气象信息而生成。

另外，异常检测部236也可以基于以往的第1传感值与第1传感预测值之间的差值，检测外部设备30的传感器32的异常，第1传感预测值根据在获取以往的第1传感值之际获取的以往的第2传感值而生成。

异常检测部236，计算第1传感预测值与第1传感值的实际测量值之间的绝对平均误差，第1传感预测值通过向预测模型输入以往的履历数据面生成。该绝对平均误差表示预测精度。而且，例如，异常检测部236也可以利用以往的履历数据的一部分(例如70％)进行学习，利用以往的履历数据的剩余部分(例如，剩余的30％)进行预测，计算预测值和实际测量值之间的绝对平均误差。

异常检测部236，在预测精度较低的情况下，即，在第1传感预测值与第1传感值的实际测量值之间的差值(绝对平均误差)大于规定值的情况下，检测外部设备30的传感器32的异常。例如，在预测精度显著恶化的情况下，可以怀疑外部设备30可能被转移到了别的房间或是被暴露于别的热源。

异常通知部220，在通过异常检测部236检测出外部设备30的传感器32有异常的情况下，向终端设备40发送用于通知用户在外部设备30的传感器32发生了异常的异常通知信息。在这种情况下，异常通知信息，例如，也可以包含诸如确认外部设备30的设置位置的信息。根据这样的结构，可以检测外部设备30的错误并通知用户。

(第6实施方式)

在第6实施方式中，通过室内环境预测部231生成的第1传感预测值也可以根据室内环境预测部231的预测结果的预测精度进行修正。

图21是本发明第6实施方式中的空调控制系统和云服务器的结构的方框图。另外，在图21中，对于与第1实施方式相同的结构赋予相同的符号，并省略其说明。

空调控制系统具备空调设备10、云服务器20e、外部设备30、终端设备40以及气象信息服务器50。云服务器20e具备通信部21、存储部22以及控制部23e。控制部23e具备室内环境预测部231、空调设定部232以及预测值修正部237。

预测值修正部237利用第1传感预测值以及第1传感值修正第1传感预测值。预测值修正部237，基于以往的第1传感值与第1传感预测值之间的差值修正第1传感预测值，第1传感预测值根据获取以往的第1传感值之际获取的以往的第2传感值、空调控制信息以及气象信息而生成。

另外，预测值修正部237，也可以基于以往的第1传感值与第1传感预测值之间的差值修正第1传感预测值，第1传感预测值根据在获取以往的第1传感值之际获取的以往的第2传感值而生成。

预测值修正部237计算第1传感预测值与第1传感值的实际测量值之间的绝对平均误差，第1传感预测值通过向预测模型输入以往的履历数据而生成。该绝对平均误差表示预测精度。而且，例如，预测值修正部237也可以利用以往的履历数据的一部分(例如70％)进行学习，利用以往的履历数据的剩余部分(例如，剩余的30％)进行预测，计算预测值和实际测量值之间的绝对平均误差。

预测值修正部237，在预测精度较低的情况下，即，在第1传感预测值与第1传感值的实际测量值之间的差值(绝对平均误差)大于规定值的情况下，修正第1传感预测值。具体而言，预测值修正部237，将以往的规定时间中的第1传感预测值与第1传感值的实际测量值之间的平均误差加到第1传感预测值上。根据这样的结构，可以修正预测结果，改善预测精度。

以上是对第1至6实施方式中的空调控制系统的说明。

另外，在上述实施方式中说明的技术，例如，可以在以下的云服务类型中得以实现。但是，实现上述实施方式中说明的技术的云服务的类型不仅局限于此。

(服务类型1：本公司数据中心型云服务)

图22是服务类型1(本公司数据中心型云服务)中的空调控制系统提供的服务的总体情况的示意图。在本类型中，服务提供商120从组100获取信息，向用户提供服务。在本类型中，服务提供商120具有数据中心运营公司的功能。即，服务提供商120具有管理大数据的云服务器113。因此，不存在数据中心运营公司。

在本类型中，服务提供商120运营并管理数据中心(云服务器)203。而且，服务提供商120管理操作系统(os)202以及应用程序201。服务提供商120利用服务提供商120管理的os202以及应用程序201提供服务(箭头204)。

(服务类型2：iaas利用型云服务)

图23是服务类型2(iaas利用型云服务)中的空调控制系统提供的服务的总体情况的示意图。在此，iaas是lnfrastructureasaservice的缩写，是将用于构筑以及操作计算机系统的基础本身作为经由互联网的服务而提供的云服务提供模型。

在本类型中，数据中心运营公司110运营并管理数据中心(云服务器)203。而且，服务提供商120管理os202以及应用程序201。服务提供商120利用服务提供商120管理的os202和应用程序201提供服务(箭头204)。

(服务类型3：paas利用型云服务)

图24是服务类型3(paas利用型云服务)中的空调控制系统提供的服务的总体情况的示意图。在此，paas是platformasaservice的缩写，是将用于构筑以及操作软件的基础的平台作为经由互联网的服务而提供的云服务提供模型。

在本类型中，数据中心运营公司110管理os202，运营并管理数据中心(云服务器)203。而且，服务提供商120管理应用程序201。服务提供商120利用数据中心运营公司110管理的os202以及服务提供商120管理的应用程序201提供服务(箭头204)。

(服务类型4：saas利用型云服务)

图25是服务类型4(saas利用型云服务)中的空调控制系统提供的服务的总体情况的示意图。在此，saas是softwareasaservice的缩写。saas利用型云服务，例如，是让不具备数据中心(云服务器)的公司或个人等用户经由互联网等网络可以具有使用具备数据中心(云服务器)的平台提供者提供的应用程序的功能的云服务提供模型。

在本类型中，数据中心运营公司110管理应用程序201，管理os202，运营并管理数据中心(云服务器)203。而且，服务提供商120利用数据中心运营公司110管理的os202以及应用程序201提供服务(箭头204)。

以上，在任何一个云服务的类型中，服务提供商120提供服务。而且，例如，服务提供商或数据中心运营公司即可以自行开发os、应用程序或大数据的数据库等，也可以外包给第三方。

以上，对于本发明的装置基于具体实施方式进行了说明，但是，本发明并不仅局限于这些实施方式。只要没有脱离本发明的主旨，本领域技术人员可以对该实施方式进行各种变形，通过组合不同实施方式中的构成要素而构建的实施方式也可以包含在本发明的一个或多个实施方式的范围内。

另外，在上述各实施方式中，各构成要素是用专用的硬件而构成的，但是，也可以通过执行适合于各构成要素的软件程序来实现。各构成要素也可以通过让cpu或处理器等程序执行部读取记录在硬盘或半导体存储器等记录介质中的软件程序来实现。

本发明的实施方式所涉及的装置的功能的一部分或全部可以典型地作为集成电路的lsi(largescaleintegration)来实现。即可以将这些功能分别单独形成为一个芯片，也可以以包含一部分或全部功能的方式形成为一个芯片化。而且，集成电路不仅限于lsi，也可以用专用电路或通用处理器来实现。也可以利用在制造lsi之后可编程的fpga(fieldprogrammablegatearray)、或可重新构筑lsi内部的电路单元的连接或设定的可重构处理器(reconfigurableprocessor)。

而且，本发明的实施方式所涉及的装置的功能的一部分或全部也可以通过让cpu等处理器执行程序来实现。

而且，上述所用的数字所有的都是为了具体地说明本发明而给出的示例，本发明不局限于这些被示例的数字。

而且，上述流程图所示的各步骤被执行的顺序只是为了具体地说明本发明而给出的示例，在能够获得同样效果的范围内也可以是上述以外的顺序。而且，上述步骤的一部分也可以与其它的步骤同时(并行)执行。

并且，只要不脱离本发明的主旨，本领域技术人员对本发明的各实施方式所施加的能想到的范围内的变更后的各种变形例都包含在本发明中。

本发明所涉及的空调控制方法以及空调控制装置，可以削减第1传感装置的电力消耗，可以正确地预测第1传感装置的第1传感值，作为利用从空调设备以外的外部设备获取的传感值控制空调设备的工作的空调控制方法以及空调控制装置具有实用价值。

本发明基于2017年12月8日向日本专利局提交的日本专利申请2017-235967，其内容以引用方式被并入。

尽管通过参照附图对本发明进行了充分的说明，但是，对于本领域技术人员而言各种变形和变更都是显而易见的。因此，除非这些变形和变更偏离了本发明的保护范围，否则这些都包含在本发明之内。