视为各个神经元的输入值以及输出值，藉以调整各个神经元的权重以及偏移 量。
[0069] 在完成类神经网络300中各个神经元的训练操作之后，模型建立模块112_1可依 据各个神经元的权重以及偏移量建立预测模型（即，训练后的类神经网络300)。
[0070] 之后，当检测装置120在所述第二时间区间检测到所述第二器使用状态时，预测 模块112_3即可输入所述第二电器使用状态至所述预测模型（即，训练后的类神经网络 300)，以依据各个神经元的权重以及偏移量计算所述第二人数。
[0071] 另一方面，在第二实施例中，模型建立模块112_1是基于所述多个第一人数以及 所述多个第一电器使用状态训练（training) -支持向量机，进而找出支持向量机中的分 类器。之后，预测模块112_3再基于所述分类器来预测对应于第二电器使用状态的第二人 数。
[0072] 详细而言，所述多个第一电器使用状态可视为分布在一数据空间中，而由于各个 第一电器使用状态皆对应至其中一个第一人数，因此对应至相同第一人数的多个第一电器 使用状态在所述数据空间中应相当接近。若将对应至相同第一人数的这些第一电器使用状 态视为一个群组，则所述数据空间中可视为存在个别对应于不同第一人数的多个群组。因 此，模型建立模块112_1可基于支持向量机的机制而在所述数据空间中找出区分这些群组 的超平面（hyperplane)，也就是前述的分类器。所述超平面（即，分类器）例如可表征为 Fa1 = gO^)」的一第二函式，其中Id1例如是其中一个电器使用状态，而B1则例如是对应于 此电器使用状态的第一人数。
[0073] 模型建立模块112_1例如可基于所述多个第一人数以及所述多个第一电器状态 之间的对应关系不断地训练所述分类器，进而调整所述第二函式的内容。在完成所述第二 函式的训练操作之后，模型建立模块112_1即可将所述第二函式定义为预测模型，以让预 测模块112_3可基于此预测模型进行后续的第二人数预测操作。
[0074] 应了解的是，上述第一实施例以及第二实施例的方式可泛称为监督式学习 (supervised training)。也即，在监控系统100已知所述特定空间中过往的第一人数以及 第一电器使用状态的对应关系的情形之下，电脑装置110可据以训练出适于此特定空间的 预测模型（例如是类神经网络或是分类器）。如此一来，当检测装置120后续再检测到第二 电器使用状态时，电脑装置110即可依据训练后的预测模型而准确地预测对应于此第二电 器使用状态的第二人数。
[0075] 在得知某个时间点（例如所述第二时间区间）的第二人数及第二电器使用状态 后，监控系统100即可利用这些信息提供使用者节能建议。举例而言，当所述特定空间中出 现不合理的用电情形（例如在所述特定空间中无人时出现大量的功耗）时，监控系统100 可通知使用者，而使用者即可对应地进行例如关闭不必要电器的行为来节省用电量。
[0076] 另外，监控系统100也可利用特定空间内人数与电器使用状态来产生能源分析报 告，用以提供历史用电信息给使用者。并且，监控系统100可还提供使用者能源分析建议， 让使用者据以检视这些电器是否有不当使用的情形。
[0077] 虽然基于监督式学习机制所得到的预测模型能够让电脑装置110准确地预测对 应于第二电器使用状态的第二人数，但由于其需要所述特定空间中过往的第一人数以及第 一电器使用状态的信息方能训练出准确的预测模型，因此当这些信息无法取得时，预测模 型将无法顺利地被建立。
[0078] 因此，本发明实施例还提出了基于半监督式学习（semi-supervised training)机 制来建立预测模型的方法，用以在无法取得所述特定空间的前述信息时，仍能基于其他相 似空间的信息来建立适合的预测模型，进而产生正确的人数预测结果。
[0079] 图4是本发明的一实施例示出的监控系统示意图。请参照图4,监控系统400包括 电脑装置410以及检测装置420。电脑装置410包括存储单元412以及处理单元414。电 脑装置410、检测装置420、存储单元412以及处理单元414的可能的实施方式可参照图1 中电脑装置110、检测装置120、存储单元112以及处理单元114的说明，在此不再赘述。
[0080] 在本实施例中，处理单元414可存取存储单元412所存储的第一转换模块412_1、 第二转换模块412_2、产生模块412_3、寻找模块412_4、电器使用状态取得模块412_5、分析 模块412_6、分类模块412_7、检测模块412_8以及预测模块412_9以执行本发明提出的基 于电器使用状态的人数计算方法的各个步骤。
[0081] 图5是本发明的一实施例示出的基于电器使用状态的人数计算方法流程图。本实 施例的方法可由图4的监控系统400执行，以下即搭配图4的各个元件说明本方法的详细 步骤。
[0082] 在步骤S512中，处理单元414可执行第一转换模块412_1以将多个第一空间中对 应于第一时间区间的多个第一电器类型以及所述多个第一电器类型个别的第一电器数量 转换为多个训练向量。所述多个第一空间例如对应于所述特定空间。举例而言，假设所述 特定空间为厨房，则所述多个第一空间分别可以是不同住家的厨房，但本发明的可实施方 式不限于此。第一电器类型例如是电视、冰箱、空调、电脑以及其他电器等。第一电器数量 为第一电器类型的数量（例如，电视的数量）。
[0083] 各个训练向量可对应于所述多个第一空间的其中之一。举例而言，第i个α为正 整数）训练向量例如对应于第i个第一空间。对于第i个训练向量而言，其包括的各个训 练向量元素例如是其中一个第一电器类型的第一电器数量。假设训练向量的第1至第3个 训练向量元素分别对应于电视、冰箱及空调。在此情况下，而在第i个第一空间中包括2台 电视、1台冰箱以及3台空调，则第i个训练向量可表征为[2 1 3]的向量。举另一例而言， 假设在第j个（j为正整数）第一空间中包括1台电视、2台冰箱以及3台空调，则第i个训 练向量可表征为[1 2 3]的向量，但本发明的可实施方式不限于此。
[0084] 接着，在步骤S514中，处理单元414可执行第二转换模块412_2以将特定空间中 对应于第一时间区间的多个第二电器类型以及所述多个第二电器类型个别的第二电器数 量转换为测试向量。相似于第一电器类型，第二电器类型也可是电视、冰箱、空调、电脑以及 其他电器等。第二电器数量为第二电器类型的数量（例如，电视的数量）。
[0085] 对于测试向量而言，其包括的各个测试元素例如是其中一个第二电器类型的第二 电器数量。假设测试向量的第1至第3个测试元素分别对应于电视、冰箱及空调。在此情 况下，而在所述特定空间中包括3台电视、2台冰箱以及1台空调，则测试向量可表征为[1 2 3]的向量。
[0086] 在步骤S516中，处理单元414可执行产生模块412_3以依据所述多个训练向量以 及测试向量产生最大测试向量。所述最大测试向量可包括多个元素，而这些元素可对应于 所述多个第一电器类型。
[0087] 在一实施例中，产生模块412_3可在所述多个训练向量中找出对应于各个索引值 的训练元素的最大值，并据以设定所述最大测试向量中对应于各个索引值的元素。举例而 言，假设第1个训练向量以及第2个训练向量分别为[1 3 1 2]以及[0 1 2 4]。在此假设 下，对应于第1个索引值的训练元素的最大值即为1，对应于第2个索引值的训练元素的最 大值即为3,对应于第3个索引值的训练元素的最大值即为2,对应于第4个索引值的训练 元素的最大值即为4。之后，产生模块412_3即可将所述最大测试向量中对应于第1个至第 4个索引值的元素依序设定为1、3、2和4。也即，所述最大测试向量可表征为[1 3 2 4]的 向量。
[0088] 接着，产生模块412_3可在测试向量中找出等于0的测试元素，并将所述最大测试 向量具有对应索引值的元素设定为0。举例而言，假设测试向量的第3个测试元素为0,则 产生模块412_3可对应地将所述最大测试向量的第3个元素设定为0。因此，最大测试向量 (原先为[1 3 2 4])可对应地被修改为[1 3 0 4]。
[0089] 在步骤S518中，处理单元414可执行寻找模块412_4以从所述多个元素中找出不 为〇的多个特定元素。以表征为[1 3 0 4]的最大测试向量为例，其不为0的特定元素例 如是1、3和4。
[0090] 接着，在步骤S520中，处理单元114可执行电器使用状态取得模块412_5以取得 对应于各特定元素的多个第一电器使用状态。详细而言，由于各个特定元素即为某个第一 电器类型的第一电器数量，因此电器使用状态取得模块412_5可取得对应于此第一电器类 型的第一电器使用状态。也就是说，假设一特定元素为3,此即代表此特定元素对应于3个 属于同一电器类型的电器（例如3台电视）。在此假设下，电器使用状态取得模块412_5即 可取得这3台电视个别的第一电器使用状态。举另一例而言，假设一特定元素为2,此即代 表此特定元素对应于2个属于同一电器类型的电器（例如2台空调）。在此假设下，电器使 用状态取得模块412_5即可取得这2台空调个别的第一电器使用状态。
[0091] 在步骤S522中，处理单元414可执行分析模块412_6以向对应于各特定元素的所 述多个第一电器使用状态执行主成分分析（Principal Component Analysis,简称：PCA)操 作，以找出所述多个第一电器使用状态个别的主成分。
[