用于控制室内设置的设备的装置、方法以及程序与流程

1.本发明涉及一种用于控制室内设置的设备的装置、方法以及程序。


背景技术：

2.在各种设备与互联网相连的iot时代中，这股潮流也在向家电扩展。例如，在自己家设置可以通过wi-fi(注册商标)而无线连接至互联网的网关，在外出时可以从智能手机向该网关发送用于控制空调设备的指示。接收到指示的网关例如通过红外线向空调设备发送控制信号。进而，在家时，可以使智能扬声器与空调设备等设备协作而通过语音向智能扬声器给予指示，由此来控制该设备。这样的有效利用通信技术来提高住宅舒适性的称为“智能家居”的想法受到关注。


技术实现要素：

发明要解决的问题
3.然而，各住宅内设置有大量设备，若是通过用户的操作或语音来分别控制这所有的设备，则比较繁杂，未必能期待舒适性的提高。
4.这一问题不限于个人住宅，对于办公室、工厂等室内、设置在工厂的室内的设备也是一样的。对于工厂而言，期望有效利用通信技术来提高生产率。
5.本发明是鉴于这样的问题而成，其目的在于在用于控制室内设置的设备的装置、方法以及程序中使该设备的动作自主变化。
6.再者，本发明虽然产生设备的动作的自主变化，但并不排除通过用户的操作或语音来改变该设备的动作。解决问题的技术手段
7.为了达成这样的目的，本发明的第1形态为一种用于控制室内设置的设备的方法，其特征在于，包含如下步骤：在用户进行了用于改变所述设备的导通或断开的状态的输入时，存储包含该输入的内容、该输入的时刻或时段、以及进行该输入时的该设备的周围环境的状况的历史数据；在所述历史数据积存了一定数量后，对所述历史数据进行预处理；根据预处理后的所述历史数据来生成对各时刻或各时段内的所述设备的导通或断开的状态进行预测的预测模型；使所述设备变为所述预测模型所预测的状态；以及，以在所述预测模型的生成后发生了预先定下的事件这一情况为条件来自动地再生成预测模型。
8.此外，本发明的第2形态为根据第1形态所述的方法，其特征在于，所述设备为照明器具。
9.此外，本发明的第3形态为根据第2形态所述的方法，其特征在于，所述周围环境的所述状况包含音量及亮度中的至少一方。
10.此外，本发明的第4形态为根据第1形态至第3形态中任一形态所述的方法，其特征在于，所述预处理的步骤包含如下步骤：将作为所述预处理的对象的各历史数据中包含的时刻转换为以一定单位进行了划分的时段。
11.此外，本发明的第5形态为根据第4形态所述的方法，其特征在于，所述时段包含星期。
12.此外，本发明的第6形态为根据第1形态至第3形态中任一形态所述的方法，其特征在于，所述预处理的步骤包含如下步骤：针对作为所述预处理的对象的各历史数据来算出距上一次的历史数据的经过时间。
13.此外，本发明的第7形态为根据第1形态至第6形态中任一形态所述的方法，其特征在于，所述预测模型的生成是通过基于所述预处理后的历史数据的随机森林来进行。
14.此外，本发明的第8形态为根据第1形态至第7形态中任一形态所述的方法，其特征在于，所述事件为所述用户进行的用于改变所述设备的导通或断开的状态的追加输入。
15.此外，本发明的第9形态为一种用于让计算机执行用于控制室内设置的设备的方法的程序，其特征在于，所述方法包含如下步骤：在用户进行了用于改变所述设备的导通或断开的状态的输入时，存储包含该输入的内容、该输入的时刻或时段、以及进行该输入时的该设备的周围环境的状况的历史数据；在所述历史数据积存了一定数量后，对所述历史数据进行预处理；根据预处理后的所述历史数据来生成对各时刻或各时段内的所述设备的导通或断开的状态进行预测的预测模型；使所述设备变为所述预测模型所预测的状态；以及，以在所述预测模型的生成后发生了预先定下的事件这一情况为条件来自动地再生成预测模型。
16.此外，本发明的第10形态为一种用于控制室内设置的设备的装置，其特征在于，在用户进行了用于改变所述设备的导通或断开的状态的输入时，存储包含该输入的内容、该输入的时刻或时段、以及进行该输入时的该设备的周围环境的状况的历史数据，在所述历史数据积存了一定数量后，对所述历史数据进行预处理，根据预处理后的所述历史数据来生成对各时刻或各时段内的所述设备的导通或断开的状态进行预测的预测模型，使所述设备变为所述预测模型所预测的状态，以在所述预测模型的生成后发生了预先定下的事件这一情况为条件来自动地再生成预测模型。发明的效果
17.根据本发明的一形态，装置100将因用户进行的用于改变设备120的导通或断开的状态的输入而产生的历史数据作为教学数据来生成预测模型，而且以预测模型生成后的事件发生为条件来自动地再生成预测模型。通过设置装置100，设备120会顺应各用户的行为而自主改变动作。
附图说明
18.图1为表示本发明的第1实施方式的装置的图。图2为表示本发明的第1实施方式的方法的流程的图。图3a为表示实施例1的预测模型中的权重的图。图3b为表示实施例1的预测模型中的权重的图。图4a为表示实施例2的预测模型中的权重的图。图4b为表示实施例2的预测模型中的权重的图。图5a为表示实施例3的预测模型中的权重的图。图5b为表示实施例3的预测模型中的权重的图。
图6a为表示实施例4的预测模型中的权重的图。图6b为表示实施例4的预测模型中的权重的图。图7a为表示实施例5的预测模型中的权重的图。图7b为表示实施例5的预测模型中的权重的图。图8为表示本发明的第2实施方式的装置的图。
具体实施方式
19.下面，对本发明的实施方式进行详细说明。
20.(第1实施方式)图1中展示第1实施方式的装置。装置100对通过开关110来切换导通与断开的照明器具120的动作进行控制。一般的照明器具120是在自身与开关110之间配置继电器，开关110的导通或断开借助该继电器传达给照明器具120，而在本实施方式中，由装置100代替继电器。
21.装置100具备处理器、cpu、gpu等处理部101、包含硬盘等存储装置或存储介质的存储部102以及继电器103，处理部101从存储部102中读出用于进行以下所说明的各处理的程序并加以执行。装置100也可以还具备通信接口等通信部(未图示)而能够连接至计算机网络来获取当前时刻，但在图1的例子中，装置100具备内置时钟104。装置100并非必须与其他装置协作，在该情况下，使用计算机网络的同步等严格的时刻设定的必要性不高。处理部101所执行的程序有时包含1个或多个程序，此外，可以记录在计算机可读取的存储介质中而设为非短暂性程序产品。
22.装置100或其处理部101与开关110直接或间接连接，检测对开关110进行的操作而据此使继电器103动作，从而进行照明器具120的点亮或熄灭。装置100或其处理部101与声音传感器130及光传感器140直接或间接连接，可以连续地或者视需要对周围环境的音量及亮度进行检测。
23.处理部101及存储部102可设置在单个芯片上。此外，也可将声音传感器130及光传感器140包含在内来视为装置100，也可进而将这些传感器设置在与处理部101及存储部102中的至少一方相同的芯片上。更具体而言，能以单片机的形式来构成此处叙述的各种构成要素的组合。
24.本实施方式的装置100将一定期间内进行了用户对开关110的操作时的周围环境相关的数据(以下也称为“环境数据”)与时刻数据一并加以存储，在装置100自身中通过基于这些数据的机器学习来生成对各时刻下的开关110的导通或断开的状态进行预测的预测模型。继而，装置100或其处理部101根据借助该预测模型加以预测的状态使继电器103动作而使照明器具120点亮或熄灭。在预测模型的生成后，以预先定下的事件的发生为条件来自动进行预测模型的再生成，对预测模型进行更新。由此，装置100使设备120的动作自主变化。下面进行详细叙述。
25.首先，在一定期间内进行了用户对开关110的操作时，装置100或其处理部101将开关110的导通或断开的内容、进行对开关110的操作的时刻或时段、以及进行对开关110的操作时的设备120的周围环境的状况(以下也将这些统称为“历史数据”)存储至装置100或其存储部102(s201)。
26.然后，在装置100或其存储部102中存储的历史数据积存了一定数量后，装置100或其处理部101进行对历史数据的预处理(s202)。对于时刻数据，将各历史数据的时刻转换为以30分钟、1小时等一定单位进行了划分的时段。另外，算出距上一次的历史数据的经过时间。各时刻或各时段也可包含是星期几的时刻或时段这样的星期。对于环境数据，也可将音量或亮度的原始数据转换为以一定单位进行了划分的音量的范围或者亮度的范围。
27.继而，装置100或其处理部101使用预处理后的历史数据、通过机器学习来生成对各时刻或各时段内的开关110的导通或断开的状态进行预测的预测模型(s203)。机器学习例如可以通过随机森林等集成学习来进行。在使用随机森林的情况下，无须假定通过预处理获得的特征量中的哪一特征量有助于准确的预测便能生成预测模型，因此用户只须设置装置100并进行一定次数的开关110的操作即可，大大缓和了为开始使用的负担。除了集成学习以外，也可通过神经网络(nn)、一般线性模型、支持向量机(svm)、决策树、朴素贝叶斯、k近邻法等其他的机器学习方法来进行预测模型的生成。
28.预测模型较理想为在不与互联网等计算机网络上的服务器进行通信的情况下譬如在边缘生成。其原因在于，通信线路的速度成为瓶颈，在实时下的处理时可能会产生时滞。尤其是在工厂的室内使用本实施方式的发明时，在网络故障时可能会无法进行控制，所以优选边缘计算。
29.其后，装置100或其处理部101连续、定期或者间歇性地获取时刻数据及环境数据(s204)，并根据预测模型来预测开关110的状态(s205)。生成的预测模型优选存储在处理部101的存储器中。
30.装置100或其处理部101以与预测出的状态一致的方式使继电器103动作而使照明器具120点亮或熄灭(s206)。具体而言，在要将照明器具120设为导通状态的情况下，装置100或其处理部101使继电器103动作而使照明器具120通电。
31.在用户操作了开关110而使得开关110的状态变得与借助预测模型预测出的状态不一致的情况下，即，在预测模型的预测结果并非用户在该时刻或时段内所期望的状态的情况下，装置100或其处理部101将用户的该操作时的历史数据存储至装置100或其存储部102，而且根据包括该历史数据在内的规定数量的历史数据来自动地再生成预测模型(s207)。换句话说，在预测模型生成后，以用于改变设备120的导通或断开的状态的追加输入这样的事件的发生为条件来进行预测模型的更新，使用户的操作自主反映到以后的预测当中。此处，再生成时也像上述那样视需要进行历史数据的预处理。此外，除了使用过去的所有历史数据来进行再生成的情况以外，还考虑使用过去的一定数量或一定经过天数或经过时间数之内的历史数据来进行再生成的情况。
32.如上所述，本实施方式的装置100将因用户进行的用于改变设备120的导通或断开的状态的输入而产生的历史数据作为教学数据在装置100自身中生成预测模型，而且以预测模型生成后的事件发生为条件来自动地再生成预测模型。通过设置装置100，设备120会顺应各用户的行为而自主改变动作。
33.能以加装方式对设备120设置装置100，由此，能够简便地将室内所存在的大量设备120智能化，但并非一定排除内置于设备120中这一情况。
34.再者，在本实施方式中列举了使用声音传感器130及光140这2个传感器的例子，但也考虑使用至少1个传感器。此外，开关110在图1中图示的是以有线方式与装置100连接，但
也能以无线方式来接收输入。此外，在本实施方式中，是以处理部101使继电器103动作、继电器103使设备120通电的形式来进行说明，但只要能改变设备120的导通或断开的状态，则由处理部101使其动作的、介于处理部101与设备120之间的中介设备便不限定于继电器103。
35.此外要注意的是，只要没有像“仅基于
××”
、“仅根据
××”
、“仅
××
的情况”、“仅以
××
为条件”这样“仅”的记载，则本说明书中设想的是也可能考虑附加性的信息。此外要注意的是，作为一例，“在a的情况下进行b”这样的记载除了明示的情况以外，未必表示“在a的情况下始终进行b”。尤其要注意的是，“在a的情况下进行控制”这一表现未必表示“在a的情况下始终进行控制”，设想的是可能进行例外或追加的处理。
36.此外，为明确起见，在一些方法、程序、终端、装置、服务器或系统(以下记作“方法等”)中，即便存在进行与本说明书中记述的动作不一样的动作的情形，本发明的各形态也是以与本说明书中记述的任一动作相同的动作为对象，存在与本说明书中记述的动作不一样的动作并不会将该方法等排除在本发明的各形态的范围之外。
37.此外，上述说明中，是以使室内的设备自主动作的部件的形式记述的装置100，但有时也能运用于室外的设备。
38.在以下展示的实施例中，装置100或其处理部101因用于预测模型生成的数据集而出现预测精度的变动。具体而言，实施例5的数据集实现了特别高的精度，效果好。但可以说以下展示的所有数据集中都获得了在减轻每次都需要用户的操作的繁杂性上有益的精度。
39.实施例12018年11月11日18:30，在发明人的住宅的照明器具120与用于点亮或熄灭它的开关110之间设置了本实施方式的装置100，并将开关110设为导通。将使用sunfounder公司的sensor kit v1.0 for raspberry pi(商标)中包含的麦克风的高灵敏度语音传感器作为声音传感器130、将该套件中包含的光敏电阻作为光传感器140而连接到装置100。分别经由a/d转换器adc0832来测定音量和亮度。adc0832的分辨率为8位，音量、亮度均取0到255的值。作为用于构成装置100的计算机，使用该公司的raspberry pi 3model b。其后，根据发明人的生活习惯来进行开关110的导通或断开，到2019年11月19日22:50为止将时刻、亮度及音量与导通时设为1、断开时设为0的导通标记一起存储到存储部102中。存储的历史数据示于表1-1。
40.表1-1
41.将最初的历史数据作为经过时间的起算时刻而不予计数，在积存了5个历史数据后，装置100根据这些历史数据、通过机器学习来生成预测模型。在将历史数据存储至存储部102时，对已积存的历史数据的数量进行计数，在已达到规定的5个的情况下开始机器学习，以如此方式进行编程，由此来进行预测模型的生成。
42.机器学习的算法采用随机森林，更具体而言，使用作为python的机器学习工具的scitit-learn中的randomforestclassifier库。作为预处理，将各历史数据的时刻转换成0点到23点的时段。此外，对于各历史数据，以对数来算出距上一次的历史数据的经过时间。虽然此处使用的是对数，但它并非是必需的。将如此得到的亮度、音量、经过时间、星期以及时段作为特征量来执行机器学习。
43.在本实施例中，为验证预测精度，在预测模型生成后也继续用户操作所产生的历
史数据的存储，另一方面，在借助预测模型预测出的导通或断开的状态与用户操作所产生的状态不一样的情况下，评价为错误的预测。于是，根据到该时间点为止的历史数据来再生成预测模型，并进行之后的预测。如此得到的预测模型的预测结果示于表1-2。
44.表1-2
45.在通过随机森林而生成的预测模型中，表示进行了基于各特征量的预测的情况下精度出现哪一程度的提高的、各特征量的权重(基尼权重)用作参数，算出的各特征量的权重示于图3a及图3b。越是权重大的特征量，涂色就越浓。
46.在实施例1中，预测的成功率为85.7％，实现了较高精度。
47.实施例2在实施例2中，仅将从历史数据中得到的亮度、音量、经过时间、星期以及时段中的亮度、星期以及时段作为特征来生成预测模型。如此得到的预测模型的预测结果示于表2。
48.表2
49.各特征量的权重示于图4a及图4b。越是权重大的特征量，涂色就越浓。针对所有历史数据将权重的值为0的时段从图4b中排除。
50.在实施例2中，预测的成功率为60.7％，获得了一定的预测精度。
51.实施例3在实施例3中，仅将从历史数据中得到的亮度、音量、经过时间、星期以及时段中的音量、星期以及时段作为特征来生成预测模型。如此得到的预测模型的预测结果示于表3。
52.表3
53.各特征量的权重示于图5a及图5b。越是权重大的特征量，涂色就越浓。针对所有历史数据将权重的值为0的时段从图5b中排除。
54.在实施例3中，预测的成功率为75.0％，获得了一定的预测精度。
55.实施例4在实施例4中，仅将从历史数据中得到的亮度、音量、经过时间、星期以及时段中的亮度、经过时间、星期以及时段作为特征来生成预测模型。如此得到的预测模型的预测结果示于表4。
56.表4
57.各特征量的权重示于图6a及图6b。越是权重大的特征量，涂色就越浓。针对所有历史数据将权重的值为0的时段从图6b中排除。
58.在实施例4中，预测的成功率为85.7％，获得了较高预测精度。
59.实施例5在实施例5中，仅将从历史数据中得到的亮度、音量、经过时间、星期以及时段中的音量、经过时间、星期以及时段作为特征来生成预测模型。如此得到的预测模型的预测结果示于表5。
60.表5
61.各特征量的权重示于图7a及图7b。越是权重大的特征量，涂色就越浓。针对所有历史数据将权重的值为0的时段从图7b中排除。
62.在实施例5中，预测的成功率为92.9％，获得了极高的预测精度。
63.(第2实施方式)在第1实施方式中，是以将装置100设置在开关110与设备120之间的形式来进行的说明，而在第2实施方式中，将装置800设置在插座810与设备820之间。
64.设备820具有电源插头821，通常是插入至插座810来使用。在使用本实施方式的装置800的情况下，首先将装置800的电源插头805插入至插座810而固定。继而，将设备820的电源插头821插入至装置800的插座806。在该状态下，在通信接口等无线通信部807以无线方式从智能手机、智能扬声器、遥控器等无线设备(未图示)接收到用于改变设备820的导通或断开的状态的输入的情况下，处理部801使继电器803动作而使设备820通电。
65.本实施方式的装置800与第1实施方式的装置100的不同点在于，是通过无线通信部807而不是开关110来接收用户输入，但处理部801、存储部802、继电器803、内置时钟804、声音传感器830以及光传感器840是进行同样的处理。
66.无线通信部807并非必须能与互联网等计算机网络上的服务器进行通信，只要在
室内能以无线方式接收用户输入即可。此外，在图8的例子中，是将设备820的电源插头821插入至装置800的插座806而能从装置800以有线方式控制设备820，但装置800也可通过红外线等而能以无线方式来控制设备820。
67.针对第1实施方式的装置100说明过的各种变形形态在第2实施方式中也同样能够实现。符号说明
68.100
…
装置101
…
处理部102
…
存储部103
…
继电器104
…
内置时钟110
…
开关120
…
照明器具130
…
声音传感器140
…
光传感器800
…
装置801
…
处理部802
…
存储部803
…
继电器804
…
内置时钟805
…
电源插头806
…
插座807
…
无线通信部810
…
插座820
…
设备821
…
电源插头。