信息处理方法、信息处理装置及程序与流程

1.本公开涉及信息处理方法、信息处理装置及程序。


背景技术：

2.先前，熟知一种兼顾节能和舒适性而进行空气调节(调和)的技术(例如，参见专利文件1)。
3.[引证文件]
[0004]
[专利文件]
[0005]
[专利文件1](日本)特开2005-158020号公报


技术实现要素：

[0006]
[要解决的技术问题]
[0007]
然而，现有技术中存在可能无法兼顾节能和舒适性的问题。本公开的目的在于提供一种可兼顾节能和舒适性的技术。
[0008]
[技术方案]
[0009]
本公开的第1方面的信息处理方法为，由信息处理装置执行如下处理：根据包括空气调和装置运行时的、表示状况的信息、与用户舒适性相关的信息及与电力消耗相关的信息的组合的数据组，确定基于与所述空气调和装置运行时的状况、所述空气调和装置运行时的所述舒适性及所述空气调和装置运行时的所述电力消耗相关的条件的运行设定(运行配置)。据此，可兼顾节能和舒适性。
[0010]
此外，本公开的第2方面的信息处理方法为，由信息处理装置执行如下处理：根据包含空气调和装置运行时的、表示状况的信息、与用户舒适性相关的信息及与电力消耗相关的信息的组合的数据组，进行将根据所述舒适性越高值越高的第1指标和所述电力消耗越低值越高的第2指标所确定的值作为奖励的强化学习，并执行确定基于与所述空气调和装置运行时的状况、所述空气调和装置运行时的所述舒适性及所述空气调和装置运行时的所述电力消耗相关的条件的运行设定。
[0011]
此外，本公开的第3方面为第2方面所述的信息处理方法，其中，根据由所述用户指定的信息确定第1系数和第2系数，并将根据所述第1指标的值乘以所述第1系数后的值和所述第2指标的值除以所述第2系数后的值所确定的值作为所述奖励。
[0012]
此外，本公开的第4方面是第2或3方面所述的信息处理方法，其中，所述强化学习通过将对目标温度、目标湿度、设定风量及设定风向中的至少一个进行改变作为行动的选项而被执行。
[0013]
此外，本公开的第5方面为第2至4的任一方面所述的信息处理方法，其中，所述强化学习通过将对冷凝温度、蒸发温度、膨胀阀的开度、压缩机的旋转速度、室内机的风扇的旋转速度及室外机的风扇的旋转速度中的至少一个进行改变作为行动的选项而被执行。
[0014]
此外，本公开的第6方面为第1至5的任一方面所述的信息处理方法，其中，表示所
述状况的信息包括室内温度、室内湿度、室内气流、室内辐射温度、所述用户的服装量、所述用户的活动量及所述用户的信息中的至少一个。
[0015]
此外，本公开的第7方面为第1至6的任一方面所述的信息处理方法，其中，表示所述状况的信息包括室外温度、室外湿度、太阳辐射量及室内人数中的至少一个。
[0016]
此外，本公开的第8方面为第1至7的任一方面所述的信息处理方法，其中，表示所述状况的信息包括室内照明、室内气味、室内声音及室内空气清洁度中的至少一个。
[0017]
此外，本公开的第9方面为第1至8的任一方面所述的信息处理方法，其中，表示所述状况的信息包括冷凝温度、蒸发温度、膨胀阀的开度、压缩机的旋转速度、室内机的风扇的旋转速度及室外机的风扇的旋转速度中的至少一个。
[0018]
此外，本公开的第10方面为第1至9的任一方面所述的信息处理方法，其中，表示所述舒适性的信息包括表示室内的舒适性的指标的值和表示由所述用户输入的舒适性的信息中的至少一个。
[0019]
此外，本公开的第11方面为第1至10的任一方面所述的信息处理方法，其中，表示所述舒适性的信息包括表示基于所述状况的运行设定被该用户容许的程度的容许度。
[0020]
此外，本公开的第12方面为第11方面所述的信息处理方法，其中，表示所述状况的信息包括所述空气调和装置运行时的日期和时间、天气的类别、热负荷、室内面积、室内的用途的类别及所述空气调和装置的类别中的至少一个。
[0021]
此外，本公开的第13方面为第11或12方面所述的信息处理方法，其中，获取表示所述状况的信息、基于该状况向用户建议的所述空气调和装置的运行设定及该用户进行的改变所述空气调和装置的运行设定的操作的信息，当在从所述空气调和装置的运行设定被建议给用户时开始的预定期间内该用户进行了基于被建议的内容的设定改变操作的情况下，使所述容许度为第1值，当在该预定期间内该用户没有进行基于被建议的内容的设定改变操作的情况下，使所述容许度为低于第1值的第2值。
[0022]
此外，本公开的第14方面为第13方面所述的信息处理方法，其中，当在该预定期间内用户进行了与被建议的内容相反的设定改变操作的情况下，使所述容许度为低于所述第2值的第3值。
[0023]
此外，本公开的第15方面为第13或14方面所述的信息处理方法，其中，在由用户进行了拒绝被建议的内容的操作的情况下，使所述容许度为低于所述第2值的第4值。
[0024]
此外，本公开的第16方面为第11至15的任一方面所述的信息处理方法，其中，根据将被建议的所述空气调和装置的运行设定通知给该用户的终端的类别，调整用户进行了设定改变操作的情况下的所述容许度的值或用户没有进行设定改变操作的情况下的所述容许度的值。
[0025]
此外，本公开的第17方面为第11至16的任一方面所述的信息处理方法，其中，根据用户在按照与该用户最后设定的运行设定不同的运行设定使所述空气调和装置运行时执行的针对所述空气调和装置的操作输入，生成表示所述舒适性的信息。
[0026]
此外，本公开的第18方面为第11至17的任一方面所述的信息处理方法，其中，根据从多个空气调和装置分别获取的数据组，进行使用线性回归或非线性回归的机器学习，使用该机器学习的结果，将所述空气调和装置运行时的状况作为输入，并将被用户容许的程度为阈值以上的所述空气调和装置的运行设定通知给用户。
[0027]
此外，本公开的第19方面为第11至18的任一方面所述的信息处理方法，其中，将基于空气调和装置运行时周围存在的用户的属性和空气调和装置运行时的状况的、被用户容许的程度为阈值以上的空气调和装置的运行设定通知给用户。
[0028]
此外，本公开的第20方面为第1至10的任一方面所述的信息处理方法，其中，与所述电力消耗相关的信息包含表示电力消耗量累计值、电力消耗峰值、电流值、高压压力、低压压力、压缩机的旋转速度及压缩机的运行效率的信息中的至少一个。
[0029]
此外，本公开的第21方面为一种信息处理装置，具有确定部，根据包含空气调和装置运行时的、表示状况的信息、与用户舒适性相关的信息及与电力消耗相关的信息的组合的数据组，确定基于与所述空气调和装置运行时的状况、所述空气调和装置运行时的所述舒适性及所述空气调和装置运行时的所述电力消耗相关的条件的运行设定。
[0030]
此外，本公开的第22方面为一种程序，使计算机执行如下处理，即，根据包含空气调和装置运行时的、表示状况的信息、与用户舒适性相关的信息及与电力消耗相关的信息的组合的数据组，确定基于与所述空气调和装置运行时的状况、所述空气调和装置运行时的所述舒适性及所述空气调和装置运行时的所述电力消耗相关的条件的运行设定。
附图说明
[0031]
[图1]第1实施方式的空气调和系统的系统构成的一例的示意图。
[0032]
[图2]实施方式的信息处理装置的硬件构成的一例的示意图。
[0033]
[图3]第1实施方式的空气调和系统的功能框图的一例的示意图。
[0034]
[图4]第1实施方式的空气调和系统进行学习时的处理的一例的流程图。
[0035]
[图5]第1实施方式的学习用数据组的一例的示意图。
[0036]
[图6]第1实施方式的空气调和系统进行推理时的处理的一例的流程图。
[0037]
[图7]第2实施方式的信息处理系统的系统构成的一例的示意图。
[0038]
[图8]第2实施方式的信息处理装置的功能框图的一例的示意图。
[0039]
[图9]第2实施方式的信息处理装置进行学习时的处理的一例的流程图。
[0040]
[图10]实施方式的运行状况db中保存的运行状况的历史的一例的示意图。
[0041]
[图11]第2实施方式的信息处理装置进行推理时的处理的一例的流程图。
[0042]
[图12]第2实施方式的推荐的运行设定的通知画面的一例的说明图。
[0043]
[图13]第3实施方式的信息处理装置的功能块的一例的示意图。
[0044]
[图14]第3实施方式的信息处理装置进行学习时的处理的一例的流程图。
[0045]
[图15]用户的针对实施方式的用户操作db中保存的、被推荐的运行设定的操作的历史的一例的示意图。
[0046]
[图16]第3实施方式的信息处理装置进行推理时的处理的一例的流程图。
具体实施方式
[0047]
下面参照附图对各实施方式进行说明。需要说明的是，本说明书和附图中对实质上具有相同功能构成的构成要素赋予了相同的符号，由此对重复的说明进行了省略。
[0048]
[第1实施方式]
[0049]
《空气调和系统的系统构成》
[0050]
首先，对空气调和系统1的系统构成进行说明。图1是第1实施方式的空气调和系统1的系统构成的一例的示意图。如图1所示，空气调和系统1具有信息处理装置10和空气调和装置20。信息处理装置10和空气调和装置20的数量并不限定于图1的示例。需要说明的是，信息处理装置10是“信息处理装置”的一例。
[0051]
信息处理装置10和空气调和装置20之间例如可经由lan、信号线、无线lan(local area network)、lte(long term evolution)、5g等的手机网络以及互联网等的网络nw连接，从而能够进行通信。
[0052]
空气调和装置20例如可设置于住宅、办公室、公共设施等。信息处理装置10例如可为安装在设置有多个空气调和装置20的建筑物内的边缘服务器。此外，信息处理装置10例如也可为云服务器。另外，信息处理装置10例如还可容纳在空气调和装置20中包含的各设备的框体(壳体)内(例如，室内机框体内)。
[0053]
信息处理装置10根据包括表示空气调和装置20运行时的环境的信息、表示空气调和装置20运行时的空气调和装置20的运行设定(运行状况、操作状态)的信息、及与空气调和装置20运行时的电力消耗相关的信息的组合的数据组进行机器学习。在该机器学习中，信息处理装置10根据表示空气调和装置20运行时的环境的信息生成用于对用户的舒适性满足预定条件且与电力消耗相关的信息满足预定条件的空气调和装置20的运行设定进行推理(估计、确定)的学习后模型。
[0054]
此外，信息处理装置10根据表示空气调和装置20运行时的环境的信息确定用户的舒适性满足预定条件且与电力消耗相关的信息满足预定条件的空气调和装置20的运行设定，并向空气调和装置20指示所确定的运行设定下的操作。
[0055]
空气调和装置20的控制装置40按照基于从信息处理装置10接收的指示的运行设定使空气调和装置20进行运转。
[0056]
空气调和装置20具备构成制冷剂(冷媒)回路200的各种设备、各种传感器及控制装置40。构成制冷剂回路200的各设备由控制装置40控制。制冷剂回路200例如是填充有氟利昂气体等的制冷剂的闭回路。制冷剂回路200例如可被配置为使制冷剂循环以执行蒸气压缩式制冷循环。
[0057]
制冷剂回路200上连接有压缩机(compressor)201、四通切换阀(四通阀、切换阀)202、室外热交换器203、膨胀阀(减压阀)204及室内热交换器207连接。压缩机201的排出侧与四通切换阀202的第1端口2021连接，吸入侧与四通切换阀202的第2端口2022连接。此外，制冷剂回路200上还采用使经过四通切换阀202的第3端口2023的制冷剂依次经过室外热交换器203、膨胀阀204及室内热交换器207并通向四通切换阀202的第4端口2024的方式配置有室外热交换器203、膨胀阀204及室内热交换器207。
[0058]
压缩机201例如可为全密闭式可变容量型压缩机。压缩机201对所吸入的制冷剂进行压缩和排出。例如，通过改变供给至压缩机201的马达(省略图示)的交流的频率以使马达的旋转速度(压缩机201的旋转速度)进行变化，可使压缩机201的容量发生变化。需要说明的是，旋转速度例如可为每单位时间的转数等。
[0059]
室外热交换器203中，由室外风扇208吸入的室外空气和制冷剂进行热交换。室内机内设置的室内热交换器207中，由室内风扇209吸入的室内空气和制冷剂进行热交换。室内风扇209例如可为藉由沿旋转方向向前倾斜的叶轮的旋转而从吸入口吸入空气并将空气
memory)等的挥发性存储器。ram103作为主存储装置而发挥功能，可提供辅助存储装置104中安装的各种程序被cpu101执行时所展开的作业空间。
[0070]
辅助存储装置104可保存各种程序和各种程序被执行时所使用的信息。
[0071]
显示装置105是用于显示各种信息的显示装置。操作装置106是用于接收各种操作的操作装置。i/f装置107为与外部设备进行通信的通信装置。
[0072]
驱动装置108是用于放入记录介质110的装置。这里所说的记录介质110包括诸如cd-rom、软盘、光磁光盘等的以光学、电学或磁学方式记录信息的介质。此外，记录介质110也可包括诸如rom、闪存等的以电学方式记录信息的半导体存储器等。
[0073]
需要说明的是，辅助存储装置104中安装的各种程序例如可采用将分发的记录介质110放入驱动装置108，并由驱动装置108读取该记录介质110中记录的各种程序的方式进行安装。或者，辅助存储装置104中安装的各种程序也可采用从未图示的网络下载的方式进行安装。
[0074]
《功能构成》
[0075]
接下来，参照图3对第1实施方式的空气调和系统1的功能构成进行说明。图3是第1实施方式的空气调和系统的功能块的一例的示意图。
[0076]
《信息处理装置10》
[0077]
信息处理装置10具有获取部11、学习部13、推理部14及收发部15。这些部件中的每个例如均可通过信息处理装置10中安装的一个以上的程序使信息处理装置10的cpu101执行的处理而实现。
[0078]
获取部11获取用于进行机器学习的数据即学习用数据组111。获取部11例如可根据从空气调和装置20获取的信息生成学习用数据组111。
[0079]
学习部13根据由获取部11获取的学习用数据组111进行机器学习。学习部13例如根据包含空气调和装置20运行时的、表示状况的信息、与用户的舒适性相关的信息、及与电力消耗相关的信息的组合的学习用数据组111进行机器学习。由此，学习部13例如可生成用于确定基于空气调和装置20运行时的状况的、基于与空气调和装置20运行时的舒适性和空气调和装置20运行时的电力消耗相关的条件的运行设定的学习后模型。
[0080]
推理部14可根据从空气调和装置20获取的信息和由学习部13生成的学习后模型，对基于空气调和装置20运行时的状况的、基于与空气调和装置20运行时的舒适性和空气调和装置20运行时的电力消耗相关的条件的最佳运行设定进行推理(确定)。
[0081]
收发部15进行与空气调和装置20之间数据的收发(接收和发送)。
[0082]
《处理》
[0083]
《学习时的处理》
[0084]
接着，参照图4和图5对第1实施方式的空气调和系统1的学习时的处理的一例进行说明。图4是第1实施方式的空气调和系统1的学习时的处理的一例的流程图。图5是第1实施方式的学习用数据组111的一例的示意图。
[0085]
步骤s101中，信息处理装置10的获取部11获取机器学习用的数据。这里，信息处理装置10的获取部11可获取包含表示空气调和装置20运行时的环境、运行设定等的状况的信息和与电力消耗相关的信息的组合的学习用数据组111。
[0086]
(学习用数据组111)
[0087]
图5的示例中，学习用数据组111中包含空气调和装置id与日期和时间相关联的、表示环境的信息、表示运行设定的信息及与电力消耗相关的信息。需要说明的是，表示环境的信息和表示运行设定的信息是“表示状况的信息”的一例。此外，表示环境的信息中包含的至少一个信息为“与用户舒适性相关的信息”的一例。空气调和装置id是空气调和装置20的识别信息。日期和时间为各种数据被测定到的日期和时间。
[0088]
((表示环境的信息))
[0089]
表示环境的信息是表示空气调和装置20运行时的环境的信息。表示环境的信息可包含影响舒适性的状况的信息、用户的针对基于各种状况的运行设定的容许度及影响空调负荷的状况的信息。需要说明的是，关于“容许度”的示例，将在第3实施方式中说明。
[0090]
(((影响舒适性的状况的信息)))
[0091]
影响舒适性的状况的信息(“与用户舒适性相关的信息”的一例)是空气调和装置20运行时的影响用户的舒适性的状况的信息。影响舒适性的状况的信息例如可包含室内温度、室内湿度、室内气流、室内辐射温度、用户服装量、用户活动量及用户信息中的至少一个。室内温度是由空气调和装置20的室内机的温度传感器测定的、设置有空气调和装置20的房间内(室内)的气温。室内湿度为室内的湿度。室内气流为室内的气流(风速)。室内气流例如可为空气调和装置20的设定风量和设定风向的信息。或者，室内气流例如可由空气调和装置20或室内设置的气流传感器测定。室内辐射温度是室内的辐射温度。室内辐射温度例如可由空气调和装置20或室内设置的辐射温度传感器测定。
[0092]
用户服装量是室内存在的用户的服装量(身上所穿的衣服的量)。用户服装量例如可由信息处理装置10的获取部11根据空气调和装置20的室内机的相机所拍摄的图像并藉由使用深度神经网络(deep neural network：dnn)的机器学习即深度学习等来进行估计。需要说明的是，作为用户服装量的单位，例如可使用克罗值(clo值)。
[0093]
用户活动量是室内存在的用户的活动量(作业量、代谢量)。用户活动量例如可由信息处理装置10的获取部11根据空气调和装置20的室内机的相机所拍摄的图像的按时间顺序排列的数据并藉由使用深度神经网络(deep neural network：dnn)的机器学习即深度学习等来进行估计。需要说明的是，作为用户活动量的单位，例如可使用met(metabolic equivalent)。
[0094]
用户信息是室内存在的用户的信息。用户信息例如可包含用户的性别、年龄等的属性的信息。此外，用户信息中也可包含用于识别各用户的信息。用户信息例如可根据空气调和装置20的室内机的相机所拍摄的图像并通过ai(artificial intelligence)来进行估计。
[0095]
此外，影响舒适性的状况的信息例如可包括室内照明、室内气味、室内声音及室内空气清洁度中的至少一个。
[0096]
室内照明为室内的照明的信息。室内照明例如可包括照明的亮度(发光强度、辉度、照度)和颜色。室内照明例如可根据空气调和装置20的室内机的相机所拍摄的图像并通过ai来进行估计。或者，室内照明例如也可由空气调和装置20的室内机的照明传感器测定。
[0097]
通过根据室内照明的信息进行机器学习，例如，在室内照明的颜色为灯泡色等的暖色系(橙色)且亮度较亮的情况下，用户会有较暖的错觉，为此，能够将用户容许(可接收)的暖房的设定温度推理为在一定时间(期间)内可较低。此外，在中性白等的冷色系(蓝白)
且亮度较暗的情况下，用户会有较冷的错觉，为此，能够将用户容许的冷房的设定温度推理为在一定时间内可较高。
[0098]
室内气味例如可由空气调和装置20的室内机的气味传感器测定。或者，室内气味例如也可为空气调和装置20的室内机的气味散发装置散发的气味的类别(种类)和量(强度)的信息。通过根据室内气味进行机器学习，例如，在室内气味为香草气味的情况下，用户会有较暖的错觉，为此，能够将用户容许的暖房的设定温度推理为在一定时间内可较低。此外，在室内气味为能联想到薄荷、南阿尔卑斯山等的青草等的气味的情况下，用户会有较冷的错觉，为此，能够将用户容许的冷房的设定温度推理为在一定时间内可较高。
[0099]
室内声音例如可由空气调和装置20的室内机的麦克风测定。室内声音可包含声音的类别和音量的信息。通过根据室内声音进行机器学习，例如，在室内较静等用户易于集中工作的情况下，能够将用户容许的暖房的设定温度推理为可较低。此外，还能够将用户容许的冷房的设定温度推理为可较高。
[0100]
室内空气清洁度例如可由空气调和装置20的室内机的传感器测定。室内空气清洁度例如可包括二氧化碳浓度的信息等。通过根据室内空气清洁度进行机器学习，例如，在二氧化碳浓度较高用户容易发困的情况下，为了降低室内温度从而阻止发困，能够将用户容许的暖房的设定温度推理为可较低。
[0101]
(((影响空调负荷的状况的信息)))
[0102]
影响空调负荷的状况的信息为空气调和装置20运行时的影响空调负荷的状况的信息。影响空调负荷的状况的信息例如可包括室外温度、室外湿度、太阳辐射量及室内人数中的至少一个。室外温度为设置有空气调和装置20的建筑物外(室外)的气温。室外湿度为室外的湿度。太阳辐射量是室外的太阳辐射量。太阳辐射量例如可通过空气调和装置20的室外机内设置的太阳辐射量传感器检测。室内人数表示室内存在的用户的人数。室内人数例如可根据空气调和装置20的室内机的相机所拍摄的图像并通过ai来进行估计。或者，室内人数例如也可从办公室的入退室管理系统等获得。
[0103]
((表示运行设定的信息))
[0104]
表示运行设定的信息是表示空气调和装置20运行时的空气调和装置20的运行设定的信息。表示运行设定的信息例如可包括冷凝温度、蒸发温度、膨胀阀204的开度、压缩机201的旋转速度、室内风扇209的旋转速度及室外风扇208的旋转速度中的至少一个。
[0105]
冷凝温度是冷凝器中的制冷剂的压力的饱和温度。就冷凝温度而言，在进行冷房运行时，可根据由室外热交换器203的吸入口内设置的压力传感器测定的、吸入至室外热交换器203的制冷剂的压力来进行计算。此外，在进行暖房运行时，可根据由室内热交换器207的吸入口内设置的压力传感器测定的、吸入至室内热交换器207的制冷剂的压力来进行计算。
[0106]
蒸发温度是蒸发器内的制冷剂的压力的饱和温度。就蒸发温度而言，在进行冷房运行时，可根据吸入至室内热交换器207的制冷剂的压力来进行计算。此外，在进行暖房运行时，可根据吸入至室外热交换器203的制冷剂的压力来进行计算。
[0107]
膨胀阀204的开度例如可为根据供给至膨胀阀204的脉冲马达的信号的脉冲数量而算出的值。压缩机201的旋转速度是压缩机201的马达的旋转速度，例如，可根据由控制装置40供给至压缩机201的马达的交流的频率信息来进行计算。室内风扇209的旋转速度为室
内风扇209的马达的旋转速度，例如可根据由控制装置40供给至室内风扇209的马达的交流的频率信息来进行计算。室外风扇208的旋转速度为室外风扇208的马达的旋转速度，例如可根据由控制装置40供给至室外风扇208的马达的交流的频率信息来进行计算。
[0108]
((与电力消耗相关的信息))
[0109]
与电力消耗相关的信息为空气调和装置20运行时的与空气调和装置20的电力消耗相关的信息。与电力消耗相关的信息例如可包括表示电力消耗量累计值、电力消耗峰值、电流值、高压压力、低压压力、压缩机旋转速度及压缩机的运行效率的信息中的至少一个。
[0110]
电力消耗量累计值例如为预定期间(例如，最近10分钟)内的空气调和装置20的电力消耗量的累计值。电力消耗峰值例如为预定期间内的空气调和装置20的电力消耗的峰值。电流值例如为预定期间内的空气调和装置20的电流的平均值。
[0111]
高压压力是指预定期间内的空气调和装置20的高压压力的平均值。需要说明的是，高压压力是空气调和装置20的制冷循环中的高压压力(下面为了方便，有时也简称为“高压”)，例如，可为由压缩机201压缩并排出的制冷剂的压力(压缩机201的排出压力)，也可为冷凝器内的制冷剂的压力。
[0112]
低压压力是指预定期间内的空气调和装置20的低压压力的平均值。需要说明的是，低压压力是空气调和装置20的制冷循环中的低压压力(下面为了方便，有时也简称为“低压”)，例如，可为要被吸入压缩机201的制冷剂的压力(压缩机201压缩前的制冷剂的压力)。
[0113]
压缩机201的运行效率例如为按照预定的电力消耗对制冷剂进行压缩的效率。压缩机201的运行效率例如在压缩机201的旋转速度为预定值的情况下变为最高。例如，在室内温度和设定温度之差较小，导致空调负荷过低的情况下，如果以压缩机201的旋转速度过低的方式进行冷房运行或暖房运行，则压缩机201的运行效率过低。此外，例如，在室内温度和设定温度之差较大，导致空调负荷过高等的情况下，如果以压缩机201的旋转速度过高的方式进行冷房运行或暖房运行，则压缩机201的运行效率也过低。
[0114]
通过使压缩机201的旋转速度为压缩机201的运行效率变为较高的预定值，并对室外风扇208和室内风扇209的旋转速度进行调整，不仅可减少用户的舒适性的降低，而且还能达到节能的效果。
[0115]
此情况下，例如，如果空调负荷过低，则在使室外风扇208和室内风扇209的旋转速度降低为较低的状态下，使压缩机201的旋转速度为该预定值，据此，在进行冷房运行时，如果室内温度下降到比设定温度还低阈值以上，则可暂时停止压缩机201的运行。此外，在进行暖房运行时，同理，如果室内温度上升到比设定温度还高阈值以上，则也可暂时停止压缩机201的运行。
[0116]
另外，例如，如果空调负荷过高，则在使室外风扇208和室内风扇209的旋转速度提高至较高的状态下，也可使压缩机201的旋转速度为该预定值。
[0117]
接下来，信息处理装置10的学习部13根据包含表示空气调和装置20运行时的环境的信息、表示空气调和装置20运行时的空气调和装置20的运行设定的信息及与空气调和装置20运行时的电力消耗相关的信息的组合的数据组进行机器学习(步骤s102)。
[0118]
这里，信息处理装置10的学习部13例如可通过有监督学习对根据输入推理与电力消耗相关的信息的回归问题进行机器学习。需要说明的是，回归问题是指例如对连续值进
行予测的问题。据此，针对空气调和装置20运行时的环境，可推理出各运行设定下的与电力消耗相关的信息。
[0119]
此情况下，信息处理装置10的学习部13例如可进行使用线性回归(linear regression)的机器学习。此时，信息处理装置10的学习部13例如可通过将与电力消耗相关的信息作为目标变量(响应变量、因变量)，并将表示空气调和装置20运行时的环境的信息和表示空气调和装置20运行时的空气调和装置20的运行设定的信息中包含的至少一个项目的信息作为说明变量(输入变量、自变量)，从而使用最小二乘法等进行机器学习。
[0120]
此外，信息处理装置10的学习部13例如也可进行使用非线性回归(nonlinear regression)的机器学习。此情况下，信息处理装置10的学习部13例如可进行使用回归(递归)神经网络(recurrent neural network，rnn)、广义回归神经网络(general regression neural network)、随机森林(random forest)、支持向量机(support vector machine，svm)等的机器学习。
[0121]
此外，信息处理装置10的学习部13例如还可通过强化学习并根据输入对与用户的舒适性和电力消耗相关的信息满足预定条件的运行设定进行机器学习。此情况下，信息处理装置10的学习部13例如可将根据用户的舒适性越高其值越高的第1指标和电力消耗越低其值越高的第2指标所确定的值作为奖励，由此进行基于dqn(deep q-network)等的强化学习。此情况下，信息处理装置10的学习部13例如可根据用户指定的信息确定第1系数和第2系数，并将根据第1指标的值乘以第1系数后的值和第2指标的值乘以第2系数后的值所确定的值作为奖励，藉此进行强化学习。信息处理装置10的学习部13例如可在用户藉由遥控器输入等指定了的“舒适性优先”的情况下，使第1系数为“1.1”，并使第2系数为“0.9”。此外，在用户指定了“节能优先”的情况下，可使第1系数为“0.9”，并使第2系数为“1.1”。
[0122]
另外，该情况下，信息处理装置10的学习部13例如可将空气调和装置20的目标温度、目标湿度、设定风量及设定风向中的至少一个的改变作为行动的选项而进行强化学习。此外，该情况下，信息处理装置10的学习部13例如也可将空气调和装置20的冷凝温度、蒸发温度、膨胀阀的开度、压缩机的旋转速度、室内机的风扇的旋转速度及室外机的风扇的旋转速度中的至少一个的改变作为行动的选项而进行强化学习。
[0123]
《推理时的处理》
[0124]
接下来，参照图6对第1实施方式的空气调和系统1的推理时的处理的一例进行说明。图6是第1实施方式的空气调和系统1的推理时的处理的一例的流程图。下面的处理例如可在空气调和装置20运行期间执行，也可定期执行。
[0125]
步骤s201中，信息处理装置10的获取部11获取表示空气调和装置20的现在的状况的信息。这里，信息处理装置10的获取部11例如可按照预定期间(例如，10分钟)间隔从空气调和装置20获取表示空气调和装置20的现在的状况的信息。
[0126]
需要说明的是，信息处理装置10在采用强化学习进行学习的情况下，根据获取的表示空气调和装置20的现在的状况的信息对运行设定进行推理，然后进入下述的步骤s205的处理。
[0127]
下面，对信息处理装置10的学习部13采用有监督学习进行机器学习的情况的示例进行说明。
[0128]
接着，信息处理装置10的推理部14根据表示空气调和装置20的现在的环境的信息
对用户的舒适性满足预定条件的多个运行设定进行估计(步骤s202)。这里，信息处理装置10的推理部14例如可根据步骤s201中获取的室内辐射温度、用户服装量及用户活动量确定多个包含pmv(predicted mean vote，预期平均评价)的值位于-0.5至0.5的范围内的温度、湿度及气流的组合的运行设定。需要说明的是，pmv的值通过-3至3的数值表示人感到寒冷或感到温暖。
[0129]
需要说明的是，针对用户舒适性的预定条件可由空气调和装置20的用户指定。此情况下，信息处理装置10的推理部14例如在用户使用空气调和装置20的遥控器等指定了“重视舒适性”模式的情况下，可确定多个包含pmv的值位于-0.2至0.2的范围内的温度、湿度及气流的组合的运行设定。此外，信息处理装置10的推理部14例如在用户指定了“重视节能”模式的情况下，可确定多个包括pmv的值位于-0.8至0.8的范围内的温度、湿度及气流的组合的运行设定。
[0130]
另外，信息处理装置10的推理部14例如也可确定多个包含set*(standard new effective temperature，标准新有效温度)的值位于预定范围内的温度、湿度及气流的组合的运行设定。
[0131]
此外，信息处理装置10的推理部14还可应用ai估计用户舒适性满足预定条件的多个运行设定。此情况下，信息处理装置10的推理部14例如在用户使用遥控器等输入了与舒适性相关的报告的情况下，获取报告内容以及表示此时的空气调和装置20的环境的信息和空气调和装置20的运行设定。之后，信息处理装置10的推理部14可对用于根据表示空气调和装置20的环境的信息和空气调和装置20的运行设定来推理用户的舒适性的回归问题进行机器学习。
[0132]
此情况下，信息处理装置10的学习部13例如可进行使用线性回归(linear regression)或非线性回归(nonlinear regression)的机器学习。在使用非线性回归的情况下，信息处理装置10的学习部13例如可进行使用回归(递归)神经网络(recurrent neural network，rnn)、广义回归神经网络(general regression neural network)、随机森林(random forest)、支持向量机(support vector machine，svm)等的机器学习。
[0133]
用户输入的与舒适性相关的报告例如可为由用户输入的表示不舒服的信息。此情况下，由用户输入的表示舒适性的信息例如可包括“热”、“冷”、“湿度高”、“湿度低”、“风强”、“风弱”等的不舒服的报告。
[0134]
此外，由用户输入的与舒适性相关的报告也可包括用户针的针对基于各种状况的运行设定的容许度。需要说明的是，关于“容许度”的示例，将在第3实施方式中说明。
[0135]
另外，信息处理装置10的推理部14例如可针对各运行设定推理被用户报告为不舒服的概率，并可确定多个包括该概率为预定阈值以下的温度、湿度及气流的组合的运行设定。
[0136]
接着，信息处理装置10的推理部14根据获取的表示空气调和装置20的现在的状况的信息和图4的步骤s102的处理后的学习结果，分别推理按照步骤s202中估计的各运行设定在现在的状况下使空气调和装置20运行时的与电力消耗相关的信息(步骤s203)。这里，信息处理装置10的推理部14例如可将步骤s202中估计到的各运行设定下的温度、湿度及气流的组合作为目标温度(设定温度)、目标湿度(设定湿度)及目标气流(设定风量、设定风向)，并分别推理在空气调和装置20的现在的环境中使空气调和装置20运行时的与电力消
耗相关的信息。
[0137]
接着，信息处理装置10的推理部14确定步骤s202中估计出的各运行设定中的、步骤s203中推理出的与电力消耗相关的信息最符合条件的运行设定(步骤s204)。
[0138]
接下来，信息处理装置10的收发部15将用于按照所确定的运行设定执行运行的控制命令发送给空气调和装置20(步骤s205)。这里，信息处理装置10的收发部15例如可将使所确定的运行设定下的温度、湿度及气流分别作为目标温度、目标湿度及目标气流的控制命令发送至空气调和装置20。
[0139]
《变形例》
[0140]
信息处理装置10的各功能部例如可通过由一个以上的计算机构成的云计算来实现。此外，上述信息处理装置10的各功能部的处理的至少一部分也可由空气调和装置20的控制装置40执行。此外，信息处理装置10和控制装置40还可被构成为一体装置。
[0141]
另外，一个信息处理装置10可根据从多个空气调和装置20分别获取的信息生成一个学习后模型，并将所生成的一个学习后模型发送至各个空气调和装置20。
[0142]
[第2实施方式]
[0143]
《系统构成》
[0144]
对第2实施方式的信息处理系统1000的系统构成进行说明。图7是第2实施方式的信息处理系统1000的系统构成的一例的示意图。如图7所示，第2实施方式的信息处理系统1000具有信息处理装置10、设备20a(“第1设备”的一例)、设备20b、设备20c(下面，在不需要分别对其进行区分的情况下，将其统称为“设备20”)、终端30a、终端30b及终端30c(下面，在不需要分别对其进行区分的情况下，将其统称为“终端30”)。信息处理装置10、设备20及终端30的数量并不限定于图7的例子。
[0145]
信息处理装置10和设备20以及信息处理装置10和终端30例如可分别采用经由互联网、无线lan(local area network)、lte(long term evolution)、5g等的手机网络、lan、信号线等的网络nw能够相互通信的方式而进行连接。设备20例如可设置于住宅、办公室、公共设施等。信息处理装置10例如可为云服务器。此外，信息处理装置10例如可容纳于设备20(例如，空气调和装置的室内机框体)。
[0146]
信息处理装置10根据从多个设备20分别获取的数据组即包括表示设备20运行时的周围环境的信息和表示该设备20运行时的电力消耗的信息的组合的数据组，对作为用于判定基于设备20a等运行时的周围环境的设备的运行设定是否为节能的运行设定的基准的电力消耗(基准电力消耗)进行推理。
[0147]
此外，信息处理装置10根据从多个设备20分别获取的数据组即包括表示设备20运行时的周围环境的信息、推理出的基准电力消耗及设备20运行时的运行设定的组合的数据组，对能够节能的设备20a等的运行设定进行推理。此外，信息处理装置10还将推理出的运行设定通过给设备20a等的用户。
[0148]
设备20例如为空气调和装置(空调)、冰箱、热水器、照明等的各种设备，并可具有用于将所测定的各种信息发送至信息处理装置10的iot(internet of things)装置。
[0149]
终端30例如是设备20的用户所使用的智能手机、手提电话、平板电脑、个人计算机等的终端。
[0150]
需要说明的是，各设备20的用户已经预先将自己使用的设备20和终端30的id、通
信地址等注册于信息处理装置10，信息处理装置10可将向各设备20推荐(建议)的运行设定等的信息通知给各设备20的用户的各终端30。
[0151]
第2实施方式中，对“根据包括表示设备20运行时的周围环境的信息和表示设备20运行时的电力消耗的信息的组合的数据组来推理用于判定基于设备20a运行时的周围环境的运行设定是否为节能的运行设定的基准的电力消耗即基准电力消耗等的例子”进行说明。根据第2实施方式，能够确定设备的适当的运行设定。
[0152]
《功能构成》
[0153]
接下来，参照图8对第2实施方式的信息处理装置10的功能构成进行说明。图8是第2实施方式的信息处理装置10的功能块的一例的示意图。
[0154]
第2实施方式的信息处理装置10具有运行状况db(数据库)111a。
[0155]
第2实施方式的获取部11获取多个设备20各自的与运行状况相关的信息，并将其保存于运行状况db111。需要说明的是，与运行状况相关的信息为“表示状况的信息”的一例。
[0156]
第2实施方式的学习部13具有训练数据生成部131、学习部132、训练数据生成部133及学习部134。此外，第2实施方式的推理部14具有推理部141和推理部142。
[0157]
训练数据生成部131根据由获取部11获取的信息生成用于对基于设备20运行时的周围环境的基准电力消耗进行学习(机器学习)的训练数据。学习部132根据由训练数据生成部131生成的训练数据对基于设备20运行时的周围环境的基准电力消耗进行学习。
[0158]
训练数据生成部133根据由获取部11获取的信息生成用于对基于设备20运行时的周围环境和基准电力消耗的运行设定进行学习的训练数据。学习部134根据由训练数据生成部133生成的训练数据对基于设备20运行时的周围环境和基准电力消耗的运行设定进行学习。
[0159]
推理部141根据由获取部11获取的与设备20a的现在的运行状况相关的信息和学习部132的学习结果，对设备20a的现在的周围环境下的基准电力消耗进行推理。
[0160]
推理部142根据表示设备20a的现在的周围环境的信息、学习部134所执行的运行设定的学习结果及由推理部141推理出的设备20a的现在的周围环境下的基准电力消耗，对该环境下能够节能的设备20a的运行设定进行推理。
[0161]
第2实施方式的收发部15将由推理部142推理出的设备20a的运行设定通知给设备20a的用户。
[0162]
《处理》
[0163]
下面以设备20为空气调和装置(空调)的情形为例进行说明，但公开的技术例如也可应用于冰箱，热水器，照明等的各种设备20。
[0164]
《学习时的处理》
[0165]
参照图9和图10对第2实施方式的信息处理装置10的学习时的处理的一例进行说明。图9是第2实施方式的信息处理装置10的学习时的处理的一例的流程图。图10是实施方式的运行状况db111中保存的运行状况的历史(历史数据)的一例的示意图。
[0166]
(训练数据的获取)
[0167]
步骤s1101中，信息处理装置10的获取部11获取多个设备20各自的与运行状况相关的信息。这里，信息处理装置10的获取部11例如可按照预定期间(例如，一个小时)间隔从
各设备20获取与各设备20的现在的运行状况相关的信息。或者，也可按照预定时间间隔(例如，一天一次)从各设备20获取与各设备20的运行状况相关的信息的历史。信息处理装置10的获取部11例如可获取外部服务器中累积的与各设备20的运行状况相关的信息的历史。
[0168]
这里，与运行状况相关的信息例如可包括设备20的id即设备id、设备20运行的日期和时间、表示设备20运行时(例如，该日期和时间)的周围环境的信息、该设备运行时的电力消耗及该设备运行时的运行设定的信息。
[0169]
接着，信息处理装置10的获取部11将获取的与运行状况相关的信息保存至运行状况db111(步骤s1102)。
[0170]
图10的示例中，运行状况db111内与设备id以及日期和时间相关联地保存有表示设备20运行时的周围环境的信息、电力消耗及运行设定的信息的组(记录)。此外，还与设备id相关联地保存有设备类别。
[0171]
表示设备20运行时的周围环境的信息例如可包含室外温度、室内人数，室内照度、室外湿度、太阳辐射量、天气类别、室内温度、室内湿度，热负荷、室内面积、室内用途类别等。
[0172]
室外温度是设置有设备20的建筑物外的气温。室外温度例如可由设备20的空调室外机内设置的温度传感器测定。
[0173]
室内人数是设置有设备20的室内的人数。室内人数例如可由设备20的空调室内机中设置的辐射温度传感器测定，或者可由设备20根据通过相机等检测到的信息进行测定。
[0174]
室内照度为设置有设备20的室内的照度。室内照度例如可由设备20的空调室内机中设置的照度传感器测定。
[0175]
室外湿度是设置有设备20的建筑物外的湿度。室外湿度例如可由设备20的空调室外机内设置的湿度传感器测定。
[0176]
太阳辐射量为设置有设备20的建筑物外的太阳辐射量。太阳辐射量例如可由设备20的空调室外机内设置的太阳辐射量传感器(太阳辐射计)测定。
[0177]
天气类别是设置有设备20的地区的天气的类别。天气类别例如可包括晴天、阴天、雨、雪等的类别。天气类别例如可根据设备20中预先设定的设置有设备20的地区的信息和从气象局等的服务器获取到的各日期和时间的各地区的天气类别的信息而进行判定。
[0178]
室内温度和室内湿度分别为设置有设备20的室内的温度和湿度。室内温度和室内湿度例如可分别由设备20的空调室内机中设置的温度传感器和湿度传感器测定。
[0179]
热负荷例如是设置有设备20的房间(room)的进出的热量和该房间内发生的热量。需要说明的是，例如，就设置有设备20的房间而言，在室外空气的进出和换气扇进行的换气较多的情况、天棚较高的情况、及为木制建筑物等的隔热性较低的建筑物等的情况下，热负荷变大。热负荷可为由设备20等根据与设备20的运行状况相关的信息的历史而估计出的值。或者，也可将设备20的空调能力(马力)的值使用为热负荷。
[0180]
室内面积为设置有设备20的室内的地板面积。室内面积例如可通过各用户的设定操作而被事先保存在设备20中。
[0181]
室内用途类别为设置有设备20的室内的用途的类别(业务种类)。室内用途类别例如可包括家庭用、办公室用(一般公司用)、理发美容院用、饭店用、服务器室用等的类别。室内用途类别例如可藉由各用户的设定操作而被预先保存在设备20中。
[0182]
电力消耗是设备20运行时的电力消耗。电力消耗为各日期和时间的每单位预定时间间内消耗的电力的合计值(累积值)。电力消耗可由设备20根据每单位预定时间内实际消耗的电力而算出。
[0183]
运行设定为设备20运行时的运行设定。运行设定例如可包括由用户通过设备20的遥控器等的操作所设定的与设备20的运行相关的设定。运行设定例如可包括运行模式、设定温度、设定风量等。运行模式例如可包含自动运行、冷房运行、暖房运行、除湿运行、送风运行等。
[0184]
设备类别为设备20的类别，例如可包括空气调和装置、冰箱、水器、照明等的类别。设备类别的项目可预先按照每个设备20来进行设定。
[0185]
(基准电力消耗的学习)
[0186]
接着，信息处理装置10的训练数据生成部131根据运行状况db111中保存的数据组，生成用于对基于设备20运行时的周围环境的基准电力消耗进行学习的训练数据(步骤s1103)。
[0187]
这里，信息处理装置10的训练数据生成部131例如可将包括运行状况db111中保存的、表示设备20运行时的周围环境的信息中包含的至少一个项目(第1项目)的信息和电力消耗的组合的数据组作为基准电力消耗的学习用的训练数据。此情况下，信息处理装置10的训练数据生成部131例如可将表示设备20运行时的周围环境的信息中包含的至少一个项目的信息作为输入，并将电力消耗作为正解(ground truth)数据，由此将该输入和该正解数据的组合(组)作为基准电力消耗的学习用的训练数据。
[0188]
接着，信息处理装置10的学习部132根据所生成的该训练数据，对用于判定基于设备20运行时的周围环境的设备20的运行设定是否为节能的运行设定的基准电力消耗进行机器学习(步骤s1104)。
[0189]
这里，信息处理装置10的学习部132例如可通过有监督学习对用于根据输入推理电力消耗的回归问题进行机器学习。需要说明的是，回归问题是指例如对连续值进行予测的问题。据此，可将各用户使用的各设备20的各周围环境和各运行设定下的平均的各电力消耗作为用于判定设备20a的各周围环境下的运行设定是否为节能的运行设定的基准电力消耗。为此，例如可降低诸如在一定程度上或更多地损害用户舒适度的不合理的节能要求。另外，例如在公众的节能意识提高了的情况下，还能够实现符合公众意识的节能要求。
[0190]
此情况下，信息处理装置10的学习部132例如可进行使用线性回归(linear regression)的机器学习。此情况下，信息处理装置10的学习部132例如可将电力消耗作为目标变量(响应变量、因变量)，并将表示设备20运行时的周围环境的信息中包含的至少一个项目的信息作为说明变量(输入变量、自变量)，从而使用最小二乘法等进行机器学习。
[0191]
此外，信息处理装置10的学习部132例如也可进行使用非线性回归(nonlinear regression)的机器学习。此情况下，信息处理装置10的学习部132例如可进行使用回归(递归)神经网络(recurrent neural network，rnn)、广义回归神经网络(general regression neural network)、随机森林(random forest)、支持向量机(support vector machine，svm)等的机器学习。
[0192]
另外，信息处理装置10的学习部132例如还可按照设备20运行时的每个周围环境分别计算设备20运行时的电力消耗的代表值，并将所算出的各代表值作为设备20运行时的
每个周围环境的基准电力消耗，由此进行机器学习。需要说明的是，信息处理装置10的学习部132例如可计算出平均值、中值、众数(mode)等，以作为该代表值。此外，信息处理装置10的学习部132例如也可计算出平均值、中值、众数等的平均值，以作为该代表值。
[0193]
(运行设定的学习)
[0194]
接着，信息处理装置10的训练数据生成部133根据运行状况db111中保存的数据组，生成用于对基于设备20运行时的周围环境和基准电力消耗的运行设定进行学习的训练数据(步骤s1105)。
[0195]
这里，信息处理装置10的训练数据生成部133例如可将包含运行状况db111中保存的、表示设备20运行时的周围环境的信息中包含的至少一个项目(第2项目)的信息、电力消耗及设备20的运行设定的组合的数据组作为运行设定的学习用的训练数据。需要说明的是，上述第1项目和第2项目可相同，也可彼此不同。
[0196]
此情况下，信息处理装置10的训练数据生成部133例如可将表示设备20运行时的周围环境的信息中包含的至少一个项目的信息和电力消耗作为输入，并将设备20的运行设定作为正解数据，由此将该输入和该正解数据的组合(组)作为运行设定的学习用的训练数据。
[0197]
接下来，信息处理装置10的学习部134根据所生成的该训练数据，对基于设备20运行时的周围环境和基准电力消耗的运行设定进行机器学习(步骤s1106)。这里，信息处理装置10的学习部134例如可通过有监督学习对用于根据输入推理运行设定的分类问题进行机器学习。需要说明的是，分类问题是指例如对离散值进行予测的问题。此情况下，信息处理装置10的学习部134例如可进行使用逻辑回归、随机森林(random forest)、提升法(boosting)、支持向量机(support vector machine，svm)、神经网络(neural network)等的机器学习。据此，可根据设备20的周围环境和基准电力消耗对设备20的最佳运行设定进行推理。
[0198]
《推理时的处理》
[0199]
接下来，参照图11和图12对第2实施方式的信息处理装置10的推理时的处理的一例进行说明。图6是第2实施方式的信息处理装置10的推理时的处理的一例的流程图。图11是实施方式的推荐(建议)的运行设定的通知画面的一例的说明图。下面说明针对设备20a所执行的推理的示例。
[0200]
步骤s1201中，信息处理装置10的获取部11获取与设备20a的现在的运行状况相关的信息。这里，信息处理装置10的获取部11例如可按照预定期间(例如，一个时间)间隔从设备20a获取与设备20a的现在的运行状况相关的信息。
[0201]
接着，信息处理装置10的推理部141根据获取的与设备20a的现在的运行状况相关的信息和图9的步骤s1104的处理后的基准电力消耗的学习结果，推理针对设备20a的现在的周围环境的基准电力消耗(步骤s1202)。这里，信息处理装置10的推理部141将表示设备20a的现在的周围环境的信息中包含的项目中的、对基准电力消耗进行学习时所使用的上述第1项目的信息作为输入，并使用基准电力消耗的学习结果，对设备20a的现在的基准电力消耗进行推理。
[0202]
此外，信息处理装置10的推理部141例如可根据藉由上述各方法分别进行学习而得到的各结果，对设备20a的现在的基准电力消耗进行推理。此情况下，信息处理装置10的
推理部141例如可根据藉由图9的步骤s1104的处理中说明的各方法分别进行学习而获得的各结果，分别对设备20a的现在的基准电力消耗进行推理。另外，信息处理装置10的推理部141还可将分别推理出的值的平均值等作为设备20a的现在的基准电力消耗，藉此进行推理。
[0203]
接下来，信息处理装置10的推理部142判定是否向设备20a的用户a推荐节能的运行设定(步骤s1203)。这里，信息处理装置10的推理部142例如可根据设备20a的现在的电力消耗和针对设备20a的现在的周围环境进行推理而得的基准电力消耗，判定是否推荐节能的运行设定。此情况下，信息处理装置10的推理部142例如可在设备20a的现在的电力消耗为比推理出的基准电力消耗大预定阈值以上的情况下，判定为推荐节能的运行设定，在为比推理出的基准电力消耗不大该预定阈值以上的情况下，判定为不进行推荐。
[0204]
在判断为不进行推荐的情况下(步骤s1203中，no(否))，信息处理装置10的推理部142结束处理，不执行之后的处理。
[0205]
在判断为进行推荐的情况下(步骤s1203中，yes(是))，信息处理装置10的推理部142根据表示设备20a的现在的周围环境的信息、图9的步骤s1106的处理后的运行设定的学习结果及步骤s1202的处理中推理出的针对设备20a的现在的周围环境的基准电力消耗，对该环境下的节能的运行设定进行推理(步骤s1204)。这里，信息处理装置10的推理部142将表示设备20a的现在的周围环境的信息中包含的项目中的、对运行设定进行学习时所使用的上述第2项目的信息和该基准电力消耗作为输入，并使用运行设定的学习结果，对运行设定进行推理。据此，可进行诸如设备20a的现在的周围环境下的电力消耗的值大致与该环境下的基准电力消耗的值相符合的运行设定的推理。
[0206]
步骤s1204的处理中，信息处理装置10的推理部142可对由步骤s1202的处理所推理出的、针对设备20a的现在的周围环境的基准电力消耗的值进行修正，并将修正后的值作为基准电力消耗。此情况下，信息处理装置10的推理部142例如可使将推理出的基准电力消耗的值降低预定程度(例如，5％)后所得的值作为输入，由此对运行设定进行推理。据此，可进行诸如设备20a的现在的周围环境下的电力消耗的值比该环境下的基准电力消耗的值低预定程度的运行设定的推理。
[0207]
此外，信息处理装置10的推理部142例如也可根据设备20a的现在的电力消耗的值和推理出的基准电力消耗的值对基准电力消耗的值进行修正，并将修正后的值作为基准电力消耗。此情况下，信息处理装置10的推理部142例如可将设备20a的现在的电力消耗的值和推理出的基准电力消耗的比值越大，越使推理出的基准电力消耗的值增加预定程度而得的值作为输入，由此对运行设定进行推理。此情况下，信息处理装置10的推理部142例如可在设备20a的现在的电力消耗的值为推理出的基准电力消耗的值的1.2倍的情况下，将基准电力消耗的值修正为两者的值的平均值即1.1倍的值，从而加以使用。据此，例如，即使在设备20a的用户a喜欢在较低的设定温度下进行制冷的情况、喜欢在较低的设定风量下进行运行的情况下等，即不喜欢节能的运行设定的情况下，也可推理出能够减少用户a的舒适度降低那样的节能的运行设定。
[0208]
接着，信息处理装置10的收发部15将用于推荐所推理出的运行设定的信息通知给设备20a的用户a(步骤s1205)。这里，信息处理装置10的收发部15例如可向预先进行了注册的用户a的通知对象即终端30a发送所推理出的运行设定的信息。
[0209]
图12的例子中，信息处理装置10的收发部15使终端30a在通知内容的显示画面701上显示了针对设备20a的现在的周围环境而推理出的基准电力消耗702、表示设备20a的现在的周围环境的信息703及设备20a的现在的电力消耗704。此外，还使终端30a显示了在步骤s1204的处理进行了修正后的基准电力消耗705、推理出的运行设定的信息706、“ai统括设定”按钮707及“不改变”按钮708。
[0210]“ai统括设定”按钮707被按下后，终端30a例如可通过无线lan等的无线通信发送控制信号(遥控器命令)，并将被推理出的运行设定中包含的各种设定反映在设备20a上。
[0211]“不改变”按钮708被按下后，终端30a可将表示所推荐的运行设定被用户拒绝了的通知发送至信息处理装置10。这里，该通知例如可包含设备20的用户的用户id、所推荐的运行设定的id、表示被拒绝了的信息等。
[0212]
需要说明的是，信息处理装置10的收发部15例如在基于ai(artificial intelligence)的自动运行藉由用户a的设定操作而被允许了的情况下，可进行将设备20a的运行设定改变至所推理出的运行设定的控制。此情况下，信息处理装置10的收发部15可经由终端30a将控制信号发送至设备20a，也可不经由终端30a将控制信号发送至设备20a。
[0213]
《基准电力消耗的学习和推理的变形例》
[0214]
信息处理装置10可根据从设备20a获取的室外温度等的按时间顺序排列的数据对今后的电力消耗的推移进行予测，在满足预定条件的情况下，预先将节能的运行设定推荐给用户a。据此，例如在预想到盛夏时电力在过了中午等的时间会发生紧张的情况下，可在上午等的时点进行节能的推荐。
[0215]
此情况下，信息处理装置10的训练数据生成部131可将针对多个设备20各自的数据组即包含表示各设备20运行时的周围环境的信息的时间推移(各时点的值、按时间顺序排列的数据)和各设备20运行时的电力消耗的时间推移的信息的组合的数据组作为用于对基准电力消耗的时间推移进行学习的训练数据。此情况下，信息处理装置10的训练数据生成部131例如可将表示设备20运行时的周围环境的信息中包含的至少一个项目的信息的时间推移作为输入，并将电力消耗的时间推移作为正解数据，由此将该输入和该正解数据的组合作为基准电力消耗的学习用的训练数据。
[0216]
此外，信息处理装置10的学习部132可根据该训练数据预先对基准电力消耗的时间推移进行机器学习。此情况下，信息处理装置10的学习部132例如可使用回归(递归)神经网络(recurrent neural network，rnn)来进行机器学习。
[0217]
另外，在图12的步骤s1203的处理中，信息处理装置10的推理部142可根据上述机器学习的结果和设备20a的至现在为止的各时点的周围环境的按时间顺序排列的数据，对设备20a的电力消耗的今后(以后)的推移进行推理，并可根据所推理出的推移来计算设备20a的今后的预定期间内(例如，3小时内)的电力消耗的合计值，在计算出的值为阈值以上的情况下，判定为向设备20a的用户a推荐节能的运行设定。
[0218]
之后，在图12的步骤s1204的处理中，信息处理装置10的推理部142可根据计算出的今后的预定期间内的电力消耗的合计值对步骤s1202的处理中推理出的针对设备20a的现在的周围环境的基准电力消耗的值进行修正，并将修正后的值作为基准电力消耗加以使用。此情况下，信息处理装置10的推理部142可采用该合计值越大所推理出的基准电力消耗的值的减少量越大的方式，对基准电力消耗的值进行修正。
[0219]
[第3实施方式]
[0220]
第3实施方式中，对根据用户的针对基于设备20的周围环境等的节能等的运行设定的容许度来进行该运行设定的推理的例子进行说明。根据第3实施方式，能够确定设备的适当的运行设定。
[0221]
需要说明的是，第3实施方式中，由于除了一部分之外都与第2实施方式相同，所以这里对相同部分的说明进行了适当的省略。下面，与第2实施方式相同的部分的说明被进行了省略，仅对不同的部分进行说明。
[0222]
《功能构成》
[0223]
接下来，参照图13对第3实施方式的信息处理装置10的功能构成进行说明。图13是第3实施方式的信息处理装置10的功能块的一例的示意图。
[0224]
第3实施方式中，与第2实施方式的功能框图相比，不同点在于，具有用户操作db112等。需要说明的是，关于用户操作db112中保存的信息的内容，将在下面进行叙述。
[0225]
《处理》
[0226]
下面，以设备20为空气调和装置(空调)的情形为例进行说明，但公开的技术例如也可应用于冰箱、热水器、照明等的各种各样的设备20。
[0227]
《学习时的处理》
[0228]
参照图14至图15对第3实施方式的信息处理装置10的学习时的处理的一例进行说明。图14是第3实施方式的信息处理装置10的学习时的处理的一例的流程图。图15是第3实施方式的用户操作db中保存的针对所推荐的运行设定的用户的操作的历史(历史数据)的一例的示意图。
[0229]
步骤s1301中，信息处理装置10的收发部15将通知给设备20的与运行设定相关的信息保存至用户操作db112。
[0230]
图15的例子中，用户操作db112内按照每个用户id与用于进行运行设定的推理的各种信息和推理出的运行设定相关联地保存了容许度(“表示舒适性的信息”的一例)。
[0231]
用户id为设备20的用户的id或设备20的id。用于进行运行设定的推理的各种信息为用于进行用户id的设备20的运行设定的推理的各种信息。用于进行运行设定的推理的各种信息包括表示设备运行时的周围环境的信息、电力消耗、运行设定及基准电力消耗。关于容许度，将在下面进行叙述。需要说明的是，通过步骤s1301的处理，用户操作db112的记录中的容许度之外的项目也被进行了保存。
[0232]
接着，信息处理装置10的收发部15将用于推荐所推理出的运行设定的信息通知给设备20的用户(步骤s1302)。该处理可与图11的步骤s1205的处理相同。
[0233]
(训练数据的获取)
[0234]
接着，信息处理装置10的获取部11获取该设备20的用户的针对设备20的设定操作(步骤s1303)。这里，信息处理装置10的获取部11例如可从设备20获取用户的针对设备20的遥控器等的操作的信息。信息处理装置10的获取部11例如可从终端30获取用户在终端30进行的针对设备20的操作的信息。需要说明的是，终端30例如可响应用户的操作并通过无线lan等的无线通信将控制信号(遥控器命令)发送至设备20。
[0235]
(容许度的学习)
[0236]
接着，信息处理装置10的训练数据生成部133根据获取到的设定操作，计算表示所
通知(推荐、建议)的运行设定被该设备20的用户容许的程度的容许度(步骤s1304)。这里，信息处理装置10的训练数据生成部133例如可根据用户的针对通知给该用户的运行设定的操作，计算针对在预定状况下所推荐的运行设定的容许度。
[0237]
此情况下，就信息处理装置10的训练数据生成部133而言，例如，当用户从预定状况下的设备20的运行设定被推荐给用户时开始的预定期间(例如，一个小时间)内进行了改变设备20的运行设定的操作的情况下，改变内容符合推荐内容的程度(符合的程度)越高，越高地确定容许度的值。
[0238]
此情况下，信息处理装置10的训练数据生成部133例如当在从预定状况下的设备20的运行设定被推荐给用户时开始的预定期间内对设备20的运行设定进行了与所推荐的运行设定相同的操作的情况下，可使容许度例如为“10”(“第1值”的一例)。
[0239]
此外，信息处理装置10的训练数据生成部133例如当在该预定期间内对设备20的运行设定进行了一定程度上与所推荐的运行设定相符合的操作的情况下，可使容许度为基于所符合的程度的值。
[0240]
例如，假定在室外温度为30℃且设备20的设定温度为25℃的冷房运行的状况下，推荐给用户的设定温度为28℃。此情况下，信息处理装置10的训练数据生成部133在设定温度被改变为27℃的情况下，可使容许度例如为“7”，在设定温度被改变为26℃的情况下，可使容许度例如为“4”等。另外，此时，在设定温度被改变为24℃的情况下，由于用户进行了与被推荐的内容相反的设定改变操作，所以可将所符合的程度判定为负，并可使容许度例如为
“‑
5”(“第3值”的一例)等。
[0241]
此外，信息处理装置10的训练数据生成部133例如当在该预定期间内没有进行使设备20的运行设定改变的操作的情况下，可使容许度例如为“0”(“第2值”的一例)等。
[0242]
另外，信息处理装置10的训练数据生成部133例如当在该预定期间内由用户进行了拒绝所推荐的运行设定的操作的情况下，可使容许度例如为
“‑
1”(“第4值”的一例)等。
[0243]
此外，信息处理装置10的训练数据生成部133例如还可根据向用户通知所推荐的运行设定的终端30的类别来调整容许度的值。此情况下，在信息处理装置10的训练数据生成部133中，可由用户预先注册终端30的类别的信息。之后，信息处理装置10的训练数据生成部133在终端30例如为智能手机的情况下，可使上述容许度的值乘以第1系数(例如，“1”)，在终端30例如为设备20的遥控器的情况下，可使上述容许度的值乘以第2系数(例如，“0.5”)。据此，例如，在终端30为办公室等的多个用户共用(共同使用)的遥控器的情况下，即使进行了忽略所推荐的内容的操作等，也可降低容许度的反映程度。
[0244]
此外，信息处理装置10的训练数据生成部133也可根据在按照与用户最后设定的第1运行设定不同的第2运行设定使设备20运行时的该用户针对设备20的操作输入，生成表示舒适性的信息。此情况下，设备20例如当用户在从用户进行设定改变操作时开始的预定期间内没有进行下一个设定改变操作的情况下，可改变至电力消耗比现在的第1运行设定还少的第2运行设定。另外，在改变至第2运行设定之后，如果用户在预定期间以上没有进行设定改变操作，则信息处理装置10的训练数据生成部133可将针对第2运行设定的容许度的值确定为较高。
[0245]
接着，信息处理装置10的训练数据生成部133将针对所推荐的运行设定的容许度保存在用户操作db112中(步骤s1305)。这里，信息处理装置10的训练数据生成部133可保存
藉由步骤s1301的处理而保存在用户操作db112中的记录的容许度的项目
[0246]
接下来，信息处理装置10的训练数据生成部133根据用户操作db112内保存的数据组，生成用于对基于设备20运行时的周围环境和运行设定的用户的容许度进行学习的训练数据(步骤s1306)。
[0247]
这里，信息处理装置10的训练数据生成部133例如可将用户操作db112中保存的、包括表示设备20运行时的周围环境的信息中所含的至少一个项目(第3项目)的信息、电力消耗、运行设定、基准电力消耗、所推荐的运行设定及容许度的组合的数据组作为容许度的学习用的训练数据。需要说明的是，上述第1项目、第2项目及第3项目可相同，也可彼此不同。
[0248]
此情况下，信息处理装置10的训练数据生成部133例如可将表示设备20运行时的周围环境的信息中所含的至少一个项目的信息、设备20的现在的电力消耗、设备20的现在的运行设定、设备20的现在的基准电力消耗及所推荐的运行设定作为输入，并将容许度作为正解数据，由此将该输入和该正解数据的组合(组)作为容许度的学习用的训练数据。
[0249]
接下来，信息处理装置10的学习部134根据所生成的该训练数据，对基于设备20的周围环境等和所推荐的运行设定的、表示该运行设定被用户a容许的程度的容许度进行学习(步骤s1307)。
[0250]
这里，信息处理装置10的学习部134例如可通过有监督学习对用于根据输入推理容许度的回归问题进行机器学习。据此，可对基于设备20的周围环境等和所推荐的运行设定的容许度进行学习。
[0251]
此情况下，信息处理装置10的学习部134例如可进行使用线性回归(linear regression)的机器学习。此情况下，信息处理装置10的学习部134例如可将容许度作为目标变量，并将表示设备20运行时的周围环境的信息中所含的至少一个项目的信息和所推荐的运行设定等作为说明变量，进而使用最小二乘法等来进行机器学习。
[0252]
此外，信息处理装置10的学习部134例如也可进行使用非线性回归(nonlinear regression)的机器学习。此情况下，信息处理装置10的学习部134例如可进行使用回归(递归)神经网络(recurrent neural network，rnn)、广义回归神经网络(general regression neural network)、随机森林(random forest)、支持向量机(support vector machine，svm)等的机器学习。
[0253]
《推理时的处理》
[0254]
接下来，参照图16对第3实施方式的信息处理装置10的推理时的处理的一例进行说明。图16是第3实施方式的信息处理装置10的推理时的处理的一例的流程图。下面说明针对设备20a所进行的推理的例子。
[0255]
步骤s1401中，信息处理装置10的推理部142对多个针对设备20a的用户a的运行设定进行推理。这里，信息处理装置10的推理部142例如可进行与上述第1实施方式中的图11的步骤s1201至步骤s1204相同的处理，由此对运行设定进行推理。此情况下，信息处理装置10的推理部142例如可按照推理的精度(准确度)的降序，计算出预定数量的运行设定。
[0256]
接着，信息处理装置10的推理部142根据推理出的运行设定、表示设备20a的现在的周围环境的信息等及图13的步骤s1304的处理后的容许度的学习结果，分别推理针对步骤s1401中推理出的各运行设定的容许度(步骤s1402)。
[0257]
接下来，信息处理装置10的推理部142根据推理出的各运行设定和针对各运行设定所推理出的容许度，对该环境下的满足容许度的条件的运行设定进行推理(步骤s1403)。这里，信息处理装置10的推理部142例如可将容许度最高的运行设定确定为向用户a进行推荐的运行设定。
[0258]
或者，信息处理装置10的推理部142例如可将针对各运行设定的准确度的归一化后的值和针对各运行设定的容许度的归一化后的值的合计值为最高的运行设定确定为向用户a进行推荐的运行设定。
[0259]
需要说明的是，信息处理装置10的推理部142也可将容许度作为奖励，从而通过强化学习来对奖励最高的运行设定进行推理。
[0260]
接着，信息处理装置10的收发部15可将用于推荐该环境下满足容许度的条件的运行设定的信息通知给设备20a的用户a(步骤s1404)。
[0261]
《基于容许度的运行设定的推理的变形例》
[0262]
信息处理装置10也可推荐基于设备20的每个用户的容许度的运行设定。此情况下，信息处理装置10的训练数据生成部133在图14的步骤s1306中例如将设备20运行时周围存在的用户的用户id也作为输入，并将容许度作为正解数据，由此将该输入和该正解数据的组合(组)作为容许度的学习用的训练数据。此外，信息处理装置10的学习部134在图14的步骤s1307中也可根据该训练数据对每个用户的容许度进行学习。另外，信息处理装置10的推理部142在图16的步骤s1402中还可对基于设备20a的用户的容许度进行推理。
[0263]
需要说明的是，就设备20运行时周围存在的用户的用户id而言，例如可从办公室的入退室管理系统等中获取。或者，也可由用户预先注册在信息处理装置10中。
[0264]
此外，信息处理装置10也可推荐基于设备20的用户的每个属性的容许度的运行设定。需要说明的是，用户的属性例如包括用户的性别、年龄等。用户的属性的信息例如可由各用户事先注册在信息处理装置10中。
[0265]
此情况下，信息处理装置10的训练数据生成部133在图14的步骤s1306中例如将设备20运行时周围存在的用户的属性也作为输入，并将容许度作为正解数据，由此将该输入和该正解数据的组合(组)作为容许度的学习用的训练数据。此外，信息处理装置10的学习部134在图14的步骤s1307中也可根据该训练数据对基于用户的属性的容许度进行学习。另外，信息处理装置10的推理部142在图16的步骤s1402中还可对基于设备20a的用户的容许度进行推理。
[0266]
以上尽管对实施方式进行了说明，但在不脱离权利要求书的主旨和范围的前提下，还可对其进行各种各样的变形和变更。
[0267]
本技术主张基于2019年9月30日向日本特许厅申请的基础申请第2019-180995号和2019年6月21日向日本特许厅申请的基础申请第2019-115764号的优先权，并将其内容以引用的方式全部援引于此。
[0268]
[附图标记说明]
[0269]1ꢀꢀꢀꢀꢀꢀ
空气调和系统
[0270]
1000
ꢀꢀꢀ
信息处理系统
[0271]
10
ꢀꢀꢀꢀꢀ
信息处理装置
[0272]
11
ꢀꢀꢀꢀꢀ
获取部
[0273]
111
ꢀꢀꢀꢀ
学习用数据组
[0274]
111a
ꢀꢀꢀ
运行状况db
[0275]
112
ꢀꢀꢀꢀ
用户操作db
[0276]
13
ꢀꢀꢀꢀꢀ
学习部
[0277]
131
ꢀꢀꢀꢀ
训练数据生成部
[0278]
132
ꢀꢀꢀꢀ
学习部
[0279]
133
ꢀꢀꢀꢀ
训练数据生成部
[0280]
134
ꢀꢀꢀꢀ
学习部
[0281]
14
ꢀꢀꢀꢀꢀ
推理部
[0282]
141
ꢀꢀꢀꢀ
推理部
[0283]
142
ꢀꢀꢀꢀ
推理部
[0284]
15
ꢀꢀꢀꢀꢀ
收发部
[0285]
20
ꢀꢀꢀꢀꢀ
空气调和装置
[0286]
30
ꢀꢀꢀꢀꢀ
终端
[0287]
40
ꢀꢀꢀꢀꢀ
控制装置。