JP2016058029A - 行動分析装置、行動分析方法、及びプログラム - Google Patents

Abstract

【課題】生活スタイルを適切に推定することができる行動分析装置、行動分析方法、及びプログラムを提供することである。
【解決手段】実施形態の行動分析装置は、行動特徴抽出部と、行動傾向推定部と、を持つ。行動特徴抽出部は、複数日における時間帯別の特定の生活行動の発生有無に基づいて、複数日にわたる前記特定の生活行動の時間的な変化の特徴を抽出する。行動傾向推定部は、前記行動特徴抽出部が抽出した特徴に基づいて、前記特定の生活行動の傾向を推定する。
【選択図】図２

Description

本発明の実施形態は、行動分析装置、行動分析方法、及びプログラムに関する。

ＨＥＭＳ（Home Energy Management System）の普及に伴い、各家庭の電力消費量等からその家庭でなされている行動を推定して情報を提供する技術が検討されている。例えば、各家庭での電力消費量等から、異常状態の通知や電力消費量の削減アドバイス等を行う技術が提案されている。しかしながら、特に異常ではない通常の生活を送っている家庭にも、その家庭の生活スタイルに合った情報提供が望まれるが、通常の生活スタイルを適切に推定することが困難であった。

特開２０１０−２２４８００号公報 特開２００６−１０６８１３号公報 特開平９−１１４９００号公報 特開２０１０−１７０４１９号公報 特開２００２−３０４６８１号公報

本発明が解決しようとする課題は、生活スタイルを適切に推定することができる行動分析装置、行動分析方法、及びプログラムを提供することである。

実施形態の行動分析装置は、行動特徴抽出部と、行動傾向推定部と、を持つ。行動特徴抽出部は、複数日における時間帯別の特定の生活行動の発生有無に基づいて、複数日にわたる前記特定の生活行動の時間的な変化の特徴を抽出する。行動傾向推定部は、前記行動特徴抽出部が抽出した特徴に基づいて、前記特定の生活行動の傾向を推定する。

第１の実施形態の行動分析システムの概略構成を示すシステム構成図。 第１の実施形態の行動分析装置の概略構成を示すブロック図。 第１の実施形態の電力量の計測データを示す図。 第１の実施形態の家電製品から送信されるデータを示す図。 第１の実施形態の状態履歴データを示す図。 第１の実施形態の家庭内のセンサの位置を示す図。 第１の実施形態の人感センサ計測データを示す図。 第１の実施形態の学習用行動記録データを示す図。 第１の実施形態の生活行動の推定処理を行う際の教師学習の処理を示すフローチャート。 第１の実施形態の調理用途の家電製品の状態履歴データを示す図。 第１の実施形態の家電製品ごとのＯＮ状態の時間数の集計例を示す図。 第１の実施形態の「調理」の発生していない時間帯の抽出例を示す図。 第１の実施形態の識別器学習のイメージを示す図である。 第１の実施形態の生活行動の推定処理を示すフローチャート。 第１の実施形態の生活行動の発生時間帯の推定結果の一例を示す図。 第１の実施形態の行動系列発生時間帯抽出処理を示すフローチャート。 第１の実施形態の行動ラベルの開始時刻の度数の集計を説明する図である。 第１の実施形態の行動ラベルの終了時刻の度数の集計を説明する図である。 第１の実施形態の行動ラベルの開始時刻の度数を昇順に並べた図。 第１の実施形態の行動ラベルの終了時刻の度数を昇順に並べた図。 第１の実施形態の行動ラベルの開始時刻の度数についての時間帯区分を示す図。 第１の実施形態の行動ラベルの終了時刻の度数についての時間帯区分を示す図。 第１の実施形態の特定の行動ラベルの行動発生時間帯区間を示す図。 第１の実施形態の「調理」の発生時間帯の分類例を示す図。 第１の実施形態の「調理」の発生時間帯の行動発生頻度に関する特徴量の抽出例を示す図。 第１の実施形態の複数の行動ラベルの行動発生時間帯区間を示す図。 第１の実施形態の生活行動の傾向を推定する別の例を説明する説明図。 図２７に対して生活行動の発生時間帯が異なる例の説明図。 第１の実施形態の配信する情報の優先ルールの登録情報を示す図。 第１の実施形態の特定の生活行動の傾向に基づいて提供するメッセージを示す図。 第１の実施形態の優先度に基づいて情報を選択する例を示す樹形図。 図３１に対してさらに発信タイミングの選択ルールを示す図。 第１の実施形態の提供する情報と出力タイミングとを選択する処理を示すフローチャート。 第１の実施形態の情報端末の表示部の表示例を示す図。 第２の実施形態の行動分析装置の概略構成を示すブロック図。

以下、実施形態の行動分析装置、分析方法、及びプログラムを、図面を参照して説明する。

（第１の実施形態）
以下、第１の実施形態に係る行動分析システムについて説明する。図１は、第１の実施形態における行動分析システム１の概略構成の一例を示すシステム構成図である。
行動分析システム１は、家庭１０（住居）に設置されている通信装置１１と、通信装置１１にネットワーク２０を介して接続されるサーバ３０と、を備えている。なお、この図１では、一つの家庭１０の通信装置１１が示されているが、サーバ３０は、複数の家庭１０のそれぞれに設置されている通信装置１１にネットワーク２０を介して接続される。

ネットワーク２０は、インターネット、ＬＡＮ（Local Area Network）、携帯電話網等のネットワークである。通信装置１１は、家庭１０内の電気製品（電気機器）とネットワーク２０とを中継する通信機器（例えば、ＨＧＷ（Home GateWay））である。電気製品は、例えば、分電盤１２、家電製品１３、センサ１４、情報端末１５などである。

例えば、通信装置１１は、分電盤１２における主幹電力量または分岐電力量の計測データをネットワーク２０へ中継する。また、通信装置１１は、電気ケトル１３ａ、オーブンレンジ１３ｂ、炊飯器１３ｃなどの家電製品１３の消費電力量の計測データまたは操作履歴データをネットワーク２０へ中継する。また、通信装置１１は、人感センサ１４ａ、温湿照度センサ１４ｂなどのセンサ１４の計測データをネットワーク２０へ中継する。また、通信装置１１は、サーバ３０からネットワーク２０を介して情報端末１５へ送信されるデータ、及び情報端末１５からネットワーク２０を介してサーバ３０へ送信されるデータを中継する。

なお、この図１では家電製品１３の例として、電気ケトル１３ａ、オーブンレンジ１３ｂ、炊飯器１３ｃを図示しているが、これらは単に一例を示しているものであり、これらに限られるものではない。

人感センサ１４ａは、所定の検知範囲に人がいるか否か、または検知範囲内での人の動き等をセンシングして計測データを出力する。温湿照度センサ１４ｂは、周囲の温度、湿度、及び照度をセンシングして計測データを出力する。

情報端末１５は、表示部を備えた端末装置の一例であり、例えば、携帯電話やスマートフォン、タブレット端末、パーソナルコンピュータ、テレビジョンなどである。例えば、情報端末１５は、サーバ３０から送信される情報を表示部に表示する。なお、情報端末１５は、行動分析システム１における専用の端末装置であってもよい。

サーバ３０は、通信装置３１と、行動分析装置３２と、を備えている。通信装置３１は、行動分析装置３２とネットワーク２０とを中継する通信機能を備えている。行動分析装置３２は、通信装置３１及びネットワーク２０を介して、家庭１０と、情報のやり取り行う。

例えば、行動分析装置３２は、家庭１０内の電気製品に関連する情報に基づいて、複数日にわたる特定の生活行動の時間的な変化の特徴を抽出する。ここで、電気製品に関連する情報とは、例えば、電気製品の操作履歴に関する情報、または電気製品で消費される電力に関する情報などが含まれる。また、複数日にわたる特定の生活行動の時間的な変化とは、その生活行動の発生時刻の日ごとの差異の大小、または生活行動の発生時間の長さの日ごとの差異の大小などである。また、行動分析装置３２は、例えば１日のうちの任意の分析時間帯を設定して、生活行動の時間的な変化の特徴を抽出することが可能である。そして、行動分析装置３２は、家庭１０における生活行動の時間的変化の特徴に基づいて生活行動の傾向を推定する。また、行動分析装置３２は、この生活行動の分析結果に基づいて、ユーザの生活行動の傾向（生活スタイル）にあった情報を提供する。

なお、行動分析装置３２は、図１に示すように、サーバ３０の一部の構成としてもよいし、サーバ３０と等価としてサーバ３０の構成をすべて含む構成としてもよい。

以下、行動分析装置３２の構成について詳しく説明する。
図２は、第１の実施形態に係る行動分析装置３２の概略構成の一例を示すブロック図である。行動分析装置３２は、入力部１００と、記憶部２００と、演算部３００と、出力部４００と、を備えている。

まず、入力部１００の構成について説明する。
入力部１００は、電気製品稼働状態推定条件入力部１０１と、行動ラベル推定条件入力部１０２と、行動系列発生時間帯抽出条件入力部１０３と、発生時間帯内特徴抽出条件入力部１０４と、行動傾向推定条件入力部１０５と、を備えている。

電気製品稼働状態推定条件入力部１０１は、各電気製品の稼働状態を判定するための電力閾値の入力を受け付ける。この電力閾値は、サーバ３０がネットワーク２０を介して家庭１０から取得する各電気製品（分電盤１２や家電製品１３など）の消費電力量の計測データに基づいて各電気製品の稼働状態を判定するための閾値である。各電気製品の消費電力量の計測データがこの電力閾値により判定されることにより、各電気製品の稼働状態が、離散化された複数の状態として表される。例えば、各電気製品の稼働状態は、ＯＮ／ＯＦＦのような２状態で表される。また、電気製品の稼働状態は、３以上の複数の状態で表されてもよい。例えば、炊飯器１３ｃの稼働状態は、複数の電力閾値を用いて、ＯＦＦ／保温／炊飯の３状態で表されてもよい。

行動ラベル推定条件入力部１０２は、抽出対象とする行動ラベルの定義及びその行動ラベルの発生条件の入力を受け付ける。行動ラベルとは、例えば「睡眠」、「外出」、「洗濯」、「ＴＶ視聴」、「調理」などの生活行動を表す。行動ラベルの発生条件とは、行動ラベルの発生の有無を判定する条件、即ち生活行動を推定する際の推定条件である。

例えば、行動ラベル推定条件入力部１０２では、行動ラベルの発生条件として、行動ラベルの発生の有無を判定する際の閾値が設定される。また、行動ラベル推定条件入力部１０２では、教師学習（半教師学習を含む）を用いて判定する際の学習用行動記録データに関して、正例に対する負例のサンプル数の設定方法（例えば、ランダムサンプリングで正例と同数、など）が設定される。また、行動ラベル推定条件入力部１０２では、必要に応じて行動ラベルの最大対象継続時間などが設定される。さらに、行動ラベル推定条件入力部１０２では、抽出対象とする行動ラベルの発生有無を判定するのに必要な家電製品１３のリストが設定される。なお、行動ラベルの発生条件の具体例については、後述する演算部３００の説明の中で詳述する。

行動系列発生時間帯抽出条件入力部１０３は、複数日の行動ラベル系列データから特定の行動ラベルの発生時間帯を抽出する際の抽出条件の入力を受け付ける。ここで、行動ラベル系列データとは、例えば一日単位で発生した行動ラベルを時系列に並べたデータである。具体的には、行動系列発生時間帯抽出条件入力部１０３には、各単位時間における行動ラベルの度数（発生数）と所定の閾値とが、行動ラベルの発生時間帯を抽出する際の抽出条件として設定される。例えば、行動ラベルの度数が所定の閾値以上であればその行動ラベルが発生した（その時間において、その行動がなされた）とする。一方、行動ラベルの度数が所定の閾値未満であればその行動ラベルが発生しない（その時間において、その行動はなされない）とする。この抽出条件に基づいて、行動ラベルの発生時間帯が区分される。

また、行動系列発生時間帯抽出条件入力部１０３には、平日または休日のみ、ある時間帯（例えば「９時から１８時の直前まで」）での降雨の有無、等を、分析対象時間帯として抽出するといった抽出条件が設定されてもよい。また、行動ラベル系列データの長さ（例えば「８時から２２時の直前まで」）、行動ラベル系列データの切り出しの条件（例えば「睡眠開始時から次の睡眠開始時の直前まで」）が抽出条件として設定されてもよい。

発生時間帯内特徴抽出条件入力部１０４は、複数日における時間帯別の特定の行動ラベルの発生有無に基づいて複数日にわたる特定の行動ラベルの時間的な変化の特徴を抽出する際の抽出条件の入力を受け付ける。例えば、発生時間帯内特徴抽出条件入力部１０４には、「朝の時間帯、昼の時間帯、夕方の時間帯のそれぞれで調理がされる割合」など、特定の行動ラベルの発生に対してその割合をカウントする際のカウント条件が設定される。ここで、「朝の時間帯」は、例えば「７時から２１時の直前まで」として設定される。「昼の時間帯」は、例えば「１１時から１３時の直前まで夕方の時間帯」として設定される。「夕方の時間帯」は、例えば「１６時から１８時の直前までの時間帯」として設定される。なお、特定の行動ラベルの時間的な変化の特徴を抽出する際の抽出条件は、複数の行動ラベルごとに設定することができる。さらに、発生時間帯内特徴抽出条件入力部１０４には、特定の行動ラベルの時間的な変化の特徴量の算出方法が設定される。

行動傾向推定条件入力部１０５は、生活行動の傾向を推定するための推定条件の入力を受け付ける。この推定条件に基づいて、発生時間帯内特徴抽出条件入力部１０４で設定された抽出条件により抽出された特定の行動ラベルの時間的な変化の特徴から、家庭１０内のユーザの生活行動の傾向が推定される。そして、その生活行動の傾向に応じたサービスコンテンツや推薦情報が家庭１０の情報端末１５に配信される。

次に、記憶部２００の構成について説明する。
記憶部２００は、電気製品電力計測データ記憶部２０１と、電気製品操作履歴データ記憶部２０２と、電気製品状態履歴データ記憶部２０３と、人感センサ計測データ記憶部２０４と、温湿照度センサ計測データ記憶部２０５と、学習用行動記録データ記憶部２０６と、行動ラベル系列データ記憶部２０７と、行動系列発生時間帯データ記憶部２０８と、行動発生時間帯特徴データ記憶部２０９と、推薦情報蓄積ＤＢ２１０と、を備えている。

電気製品電力計測データ記憶部２０１には、サーバ３０がネットワーク２０を介して家庭１０から取得した各電気製品の一定時間内の電力量の計測データが記憶される。図３は、電気製品電力計測データ記憶部２０１に記憶される電力量の計測データの一例を示す図である。この図は、平日のある１日（Ｗｅｅｋｄａｙ−０１）の電力量の計測データＴ１０を示しており、各時間（０〜２３時）を列とする行と列からなる２次元の表形式のデータである。例えば、６時の列には、６時から７時の直前までの各電力量の計測データが記憶されている。ここでは、１行目には分電盤１２の主幹電力量の計測データが時系列に記憶されている。また、２行目以降には各家電製品１３の消費電力量の計測データが時系列に記憶されている。

電気製品操作履歴データ記憶部２０２は、家庭１０内の各電気製品の一定時間内の操作履歴データが記憶される。例えば、サーバ３０がネットワーク２０を介して家庭１０から各電気製品の操作情報を取得できる場合には、取得した操作情報に基づいて操作履歴データが記憶される。

例えば、家庭１０内の電気製品が「ＥＣＨＯＮＥＴ Ｌｉｔｅ」などの通信規格に対応した機器であれば、各電気製品に搭載された情報収集装置によって得られた情報が各電気製品から送信される。そして、サーバ３０は、各電気製品から送信された情報を取得して蓄積することが可能である。各電気製品から送信される情報は、操作した時のタイムスタンプがその操作内容に付与されたデータでもよい。また、一定時間おきに各電気製品から情報が送信される場合、各電気製品から送信される情報は、送信された時のタイムスタンプがその操作内容に付与されたデータでもよい。

図４は、家電製品１３から送信される送信データの一例を示す図である。送信データＴ２０は、リビングエアコンから送信される操作履歴データの一例であり、操作した時のタイムスタンプとその時の操作内容とが含まれている。ここでは、６時４分に電源がＯＮ、８時５５分に電源がＯＦＦ、１８時１０分に電源がＯＮ、２２時５分に電源がＯＦＦされたことを示している。

また、図４に示す送信データＴ３０は、炊飯器から送信される操作履歴データの一例であり、操作した時または稼働状態が変化した時のタイムスタンプと、その時の操作内容または稼働状態とが含まれている。ここでは、１８時００分に電源がＯＮされて炊飯モードの状態となり、１８時５５分に炊飯モードから保温モードに切り換わり、２２時５７分に電源がＯＦＦされたことを示している。

電気製品状態履歴データ記憶部２０３には、単位時間ごとの各電気製品の操作状態または稼働状態が時系列に示される状態履歴データが記憶される。例えば、電気製品状態履歴データ記憶部２０３には、電気製品操作履歴データ記憶部２０２に記憶されている操作履歴データを一定時間間隔で補間した値（例えば補間対象時刻に対する直前の値）が記憶される。

また、電気製品状態履歴データ記憶部２０３には、電気製品電力計測データ記憶部２０１に記憶される電力量の計測データに基づいて推定された稼働状態のデータが時系列に記憶されてもよい。例えば、電力量の計測データと、電気製品稼働状態推定条件入力部１０１により入力された各電気製品の電力閾値とに基づいて推定された各電気製品の稼働状態を示すデータが状態履歴データとして記憶される。

つまり、電気製品状態履歴データ記憶部２０３には、電力計測データから推定された稼働状態のデータと操作履歴データとのうちの一方または両方に基づいて生成された状態履歴データが記憶される。

図５は、電気製品状態履歴データ記憶部２０３に記憶される状態履歴データの一例を示す図である。この図に示す状態履歴データＴ４０は、平日のある１日（Ｗｅｅｋｄａｙ−０１）の状態履歴データを示しており、各時間（０〜２３時）を列とする行と列からなる２次元の表形式のデータである。各行には、１時間ごとの各電気製品の操作状態または稼働状態がそれぞれ時系列に記憶されている。例えば、６時の列には、６時から７時の直前までの各電気製品の操作状態または稼働状態が記憶されている。

ここでは、１行目には、１時間ごとの分電盤１２の操作状態または稼働状態（例えば「ＯＮ／ＯＦＦ」）が時系列に記憶されている。また、２行目以降には、１時間ごとの各家電製品１３の操作状態または稼働状態（例えば「ＯＮ／ＯＦＦ」、炊飯器の場合には「炊飯／保温／ＯＦＦ」）が時系列に記憶されている。

人感センサ計測データ記憶部２０４には、人感センサ１４ａの計測データに基づいた人感センサ計測データが記憶される。図６は、家庭１０内のセンサ１４の位置を示す図である。例えば、この図に示すように人感センサ１４ａが玄関、ダイニング＆キッチン、リビング、及び個室に設置されている。人感センサ計測データ記憶部２０４には、それぞれの人感センサ１４ａの検知範囲でセンシングされた計測データが時系列に記憶される。

図７は、人感センサ計測データ記憶部２０４に記憶される人感センサ計測データの一例を示す図である。この図に示す人感センサ計測データＴ５０は、図６に示すそれぞれの人感センサ１４ａの時系列の計測データを示しており、各時間（０〜２３時）を列とする行と列からなる２次元の表形式のデータである。１行目から４行目にかけて順に、玄関、ダイニング＆キッチン（ＤＫ）、リビング（Ｌ）、及び個室のそれぞれの人感センサ１４ａの計測データが時系列に記憶されている。ここでは、人感センサ計測データとして、各時間（１時間）の中で人が検知された時間（分）のデータを表している。

なお、図７に示す例では、人感センサ１４ａにより人が検知された時間（分）が人感センサ計測データとして記憶されているが、これに限られるものではない。例えば、人感センサ１４ａにより検知された人の動きの量に関するデータが、人感センサ計測データとして記憶されてもよい。なお、人の動き量に関するデータは、人感センサ１４ａが出力する計測データの出力値であってもよいし、人感センサ１４ａの出力値を動き量に変換したデータであってもよい。

温湿照度センサ計測データ記憶部２０５には、家庭１０内の温度、湿度、及び照度の計測データが、温湿照度計測データとして記憶される。例えば、図６に示すように温湿照度センサ１４ｂがダイニング＆キッチン、リビング、及び個室に設置されている。温湿照度センサ計測データ記憶部２０５には、それぞれの温湿照度センサ１４ｂがセンシングした温度、湿度、及び照度の温湿照度計測データが時系列に記憶される。

例えば、照明機器の消費電力量またはＯＮ／ＯＦＦ等の状態を取得することができない場合、温湿照度センサ１４ｂにより計測された照度値に基づいて、部屋が利用可能な明るい状態であるか否かを判定してもよい。具体的には、照度値を判定する閾値を設けることにより、照明機器による照明、または屋外からの日差しによる照明により、その部屋が利用可能な明るい状態であるか否かを判定することができる。また、湿度については、前後の湿度値の差を算出し、ある閾値以上の差がある場合に「１」、その他を「０」などとした時系列のデータとしてもよい。

学習用行動記録データ記憶部２０６には、各生活行動がどの時間帯になされていたかをユーザが記録することにより生成される学習用行動記録データが記憶される。図８は、学習用行動記録データ記憶部２０６に記憶される学習用行動記録データの一例を示す図である。学習用行動記録データＴ６０は、平日のある１日（Ｗｅｅｋｄａｙ−０１）のユーザの生活行動の記録を示しており、各時間（０〜２３時）を列とする行と列からなる２次元の表形式のデータである。各行には、各生活行動のそれぞれを表す各行動ラベルの発生時間帯が時系列に記録されており、ここでは、各行動ラベルの発生時間帯には「１」が記述されている。例えば、３行目は、高度ラベルが「調理」であり、発生時間帯（即ち、調理がなされた時間帯）が６時から７時までの間と、１６時から１９時までの間と、２０時から２１時までの間と、であることが記録されている。

なお、学習用行動記録データは、学習用行動記録データＴ６０に示すように、多くの行動ラベルについて細かく記録されたものでもよいが、学習用行動記録データＴ７０に示すように、いくつかの行動ラベルのみが記録されたものでもよい。例えば、ユーザが興味のある行動ラベル（ここでは、「睡眠」、「外出」、「調理」）がそれぞれ記録され、他の行動ラベルが「その他」といったような行動ラベルで記録されてもよい。また，分析者が計測データの各時間帯について、予め任意に行動ラベルを定めるようにしてもよい。

行動ラベル系列データ記憶部２０７には、サーバ３０がネットワーク２０を介して家庭１０から取得した各種データに基づいて行動分析装置３２が推定した行動ラベル系列データが記憶される。家庭１０から取得した各種データには、電気製品状態履歴データ記憶部２０３に記憶される電力量の計測データ、または電気製品操作履歴データ記憶部２０２に記憶される操作履歴データが含まれる。また、家庭１０から取得した各種データには、人感センサ計測データ記憶部２０４に記憶される人感センサ計測データ、または温湿照度センサ計測データ記憶部２０５に記憶される温湿照度計測データが含まれてもよい。さらに、家庭１０から取得した各種データには、学習用行動記録データ記憶部２０６に記憶される学習用行動記録データが含まれてもよい。

なお、行動ラベル系列データ記憶部２０７に、推定した行動ラベル系列データが記憶されるとともに、学習用行動記録データをトレーニングデータとして、各行動ラベルの推定モデルのパラメータ推定も合わせて行われる。

なお、行動ラベル系列データ記憶部２０７に記憶される行動ラベル系列データは、学習用行動記録データ記憶部２０６に記憶される学習用行動記録データと同等のものである。

行動系列発生時間帯データ記憶部２０８には、複数の行動ラベル系列データの中で、特定の時間帯ではその行動ラベルが発生するが、他のある時間帯では発生しないとみなす、というような関係性を示すデータが記憶されている。

行動発生時間帯特徴データ記憶部２０９には、複数日にわたる特定の生活行動の時間的な変化の特徴を示すデータが記憶される。例えば、行動発生時間帯特徴データ記憶部２０９には、複数日における特定の行動ラベルの時間的な変化として、その特定の生活行動の時間帯ごとの発生有無に基づいて分類された行動発生時間帯のパターンが記録される。また、行動発生時間帯特徴データ記憶部２０９には、複数日における時間帯ごとの特定の行動ラベルの行動発生頻度に基づいて算出された、行動発生時間帯の特徴量の算出結果を示すデータが記憶される。

推薦情報蓄積ＤＢ２１０には、ユーザの生活行動に応じて提供する情報が蓄積されている。例えば、提供する情報には、レストランのクーポンやおすすめメニューなどの情報、またはスーパーマーケットなどの食材情報などが含まれる。これらの情報は、行動傾向推定条件入力部１０５により設定された生活行動の傾向を推定するための推定条件にもとづいて、ある特定の生活行動の傾向を有する家庭１０であるか否かが判定され、情報配信の対象とするか否かが決定される。

なお、記憶部２００の各部に記憶されるデータは、家庭１０からネットワーク２０を介して直接的にサーバ３０が取得しなくともよい。例えば、サーバ３０は、家庭１０から送信されるデータを、データ蓄積サーバを経由して取得してもよい。このデータ蓄積サーバは、例えば、各家電製品１３に接続された電力センサの時系列データや、分電盤１２に設置された電力センサの時系列データが蓄積されるサーバである。また、このデータ蓄積サーバは、一定の間隔で計測される、人感センサ１４ａによる移動体の検出データや、温度、湿度、または照度データ、水道使用量データ、ガス使用量データなどが時系列に蓄積されるサーバであってもよい。また、データ蓄積サーバは、蓄積されるデータの種類ごとに複数のサーバに分かれていてもよい。

次に、演算部３００の構成について説明する。
演算部３００は、電気製品稼働状態推定部３０１と、電気製品状態履歴収集部３０２と、行動ラベル推定部３０３と、行動系列発生時間帯抽出部３０４と、発生時間帯間特徴抽出部３０５と、行動系列発生時間帯内特徴抽出部３０６と、行動傾向推定部３０７と、を備えている。

電気製品稼働状態推定部３０１は、電気製品電力計測データ記憶部２０１に記憶されている電力量の計測データを参照して、各電気製品の稼働状態を推定する。例えば、電気製品稼働状態推定部３０１は、電気製品稼働状態推定条件入力部１０１から入力された電力閾値を用いて、各電気製品の電力量から分電盤１２または各家電製品１３のそれぞれの稼働状態を推定する。なお、推定方法は、例えば、特開２０１２-２５４７４８または特開２０１１−３９８８６などに記載されている推定方法としてもよい。

電気製品状態履歴収集部３０２は、各電気製品の操作状態または稼働状態が時系列に示される状態履歴データを出力する。例えば、電気製品状態履歴収集部３０２は、推定された各電気製品の稼働状態を示すデータと、電気製品操作履歴データ記憶部２０２に記憶されている操作履歴データとに基づいて、状態履歴データを生成する。そして、電気製品状態履歴収集部３０２は、生成した状態履歴データを電気製品状態履歴データ記憶部２０３に出力し記憶させる。

これにより、電気製品状態履歴データ記憶部２０３には、例えば図５に示す状態履歴データＴ４０のように、各電気製品について、単位時間ごと（例えば、１時間ごと）に離散的に行動ラベルが付けられた時系列データが記憶される。

行動ラベル推定部３０３は、家庭１０内の電気製品に関連する情報に基づいて、家庭１０のユーザの生活行動を推定する。また、行動ラベル推定部３０３は、さらに、生活行動が行われる場所の人の有無を示す情報、または当該場所の温度、湿度、若しくは照度を示す情報に基づいて生活行動を推定してもよい。このように、人の有無を示す情報、または当該場所の温度、湿度、若しくは照度を示す情報を加えることで、生活行動の推定精度を向上させることができる。

具体的には、行動ラベル推定部３０３は、電気製品状態履歴データ記憶部２０３、人感センサ計測データ記憶部２０４、温湿照度センサ計測データ記憶部２０５を参照して、家庭１０内の生活行動を、いくつかの離散的な行動ラベルとして変換する。例えば、行動ラベル推定部３０３は、推定する生活行動を行動ラベルとして表し、一日単位で時系列に一または複数の行動ラベルが離散的に並ぶ行動ラベル系列データを、推定結果として出力する。また、行動ラベル推定部３０３は、出力した行動ラベル系列データを行動ラベル系列データ記憶部２０７に記憶させる。行動ラベル系列データ記憶部２０７に記憶される行動ラベル系列データは、例えば、図８に示す学習用行動記録データＴ６０、Ｔ７０と同様な構成のデータである。

生活行動を表す行動ラベルには、前述したように「睡眠」、「外出」、「洗濯」、「ＴＶ視聴」、「調理」などがある。これらの行動ラベルとその行動ラベルの発生条件とは、行動ラベル推定条件入力部１０２に入力されて設定されている。例えば以下のような行動ラベルの発生条件に基づいて生活行動が推定される。

「睡眠」：空調機器以外の家電製品１３がＯＦＦの状態であって、かつ人感センサ１４ａの測定データが寝返りなどをする際に検知される程度の出力しかない場合、「睡眠」と推定される。

「外出」：すべての家電製品１３がＯＦＦの状態で、かつ人感センサ１４ａの測定データ（出力値）が玄関を最後に低くなった場合に、「外出」と推定される。人感センサ１４ａの測定データ（出力値）が玄関を最後に低くなった場合とは、玄関で人が検知されたのを最後に家庭１０内で人が検知されなくなったことを意味しており、この場合「外出」が想定される。

「洗濯」：洗濯機がＯＮの状態の場合に、「洗濯」と推定される。
「ＴＶ視聴」：ＴＶがＯＮの状態の場合に、「ＴＶ視聴」と推定される。

「調理」：複数の家電製品１３が使用され、かつ複数の家電製品１３の稼働状態の時間的な前後関係に関連性があるため、以下のような推定方法を用いる。
まず、行動ラベル推定条件入力部１０２により、「調理」の発生有無を判定するのに必要な家電製品１３のリストとして、調理用途で使用される家電製品１３のリストが設定される。例えば、このリストは、分析者が予め行動ラベル推定条件入力部１０２に入力することにより設定されている。また、行動ラベル推定部３０３は、調理用途で使用される家電製品１３の状態履歴データと、学習用行動記録データとの時系列の時間間隔を合わせ、ユーザが実際に調理をしたと記録しているデータと、を結合する。

この後の、行動ラベル推定部３０３が行う生活行動の推定処理について、図９から図１４を参照して説明する。図９は、生活行動の推定処理を行う際の教師学習の処理の一例を示すフローチャートである。

まず、行動ラベル推定部３０３は、状態履歴データから、学習用行動記録データで「調理」の発生時間帯を抽出する。ここで、状態履歴データは、例えば、電気製品状態履歴データ記憶部２０３に記憶されている状態履歴データＴ４０である。学習用行動記録データは、例えば、学習用行動記録データ記憶部２０６に記憶されている学習用行動記録データＴ６０である。例えば、行動ラベル推定部３０３は、状態履歴データＴ４０から学習用行動記録データＴ６０で「調理」の発生時間帯（図８の例では、「１」が記述されている時間帯）を抽出する（ステップＳ１０１）。

次に、「調理」の発生時間帯のうち、ＯＮの状態の調理用途の家電製品１３がない時間帯が、「調理」の始まりの直前まで、または「調理」の最後から持続している期間を、教師データから除外する（ステップＳ１０２）。

ここで、図１０を参照してステップＳ１０１及びステップＳ１０２の処理を説明する。この図１０に示す状態履歴データＴ８０は、図５に示す状態履歴データＴ４０のうちの調理用途の家電製品１３の状態履歴データである。また、状態履歴データＴ９０では、状態履歴データＴ８０において、「調理」の発生時間帯の一例として６時の列と１６時から１８時の列とを示している。また、１９時の列は、「調理」の端、かつそれ以降にＯＮの状態の調理用途の家電製品１３のない期間である。即ち、１９時の列は、ＯＮの状態の調理用途の家電製品１３がない時間帯が、「調理」の最後から持続している期間である。そのため、この１９時の列の期間は、教師データから除外される。そして、「調理」として継続している時間ごとに推定モデルとして形成される（Ｆ１、Ｆ２、Ｆ３、・・・）。

次に、行動ラベル推定部３０３は、「調理」の発生時間帯の長さ別に識別器を選択する（ステップＳ１０３）。そして、行動ラベル推定部３０３は、「調理」の発生時間帯で、調理用途の家電製品１３ごとに、ＯＮの状態の時間数（列の数）を集計する（ステップＳ１０４）。

図１１は、家電製品１３ごとのＯＮ状態の時間数の集計例を示す図である。この図では、発生時間帯の長さが３時間の長さの識別器の場合の集計例を示している。この図に示す例では、１６時から１８時の列において、電気ケトル１３ａ、オーブンレンジ１３ｂ、炊飯器１３ｃ、トースターのそれぞれのＯＮの状態の時間数の集計結果が、「０、２、１、０」として表される。

次に、行動ラベル推定部３０３は、学習用行動データで「調理」の発生していない時間帯を抽出する（ステップＳ１０５）。行動ラベル推定部３０３は、「調理」の発生時間帯の長さごとに、「調理」の発生していない時間帯の状態履歴データを、１列ずつスライドさせて逐次抽出する（ステップＳ１０６）。

図１２は、「調理」の発生していない時間帯の抽出例を示す図である。この図１２に示す例は、発生時間帯の長さが３時間の長さの識別器の場合の抽出例である。状態履歴データＴ９０の「調理」の発生していない時間帯を３時間ごとに１列ずつスライドさせて、電気ケトル１３ａ、オーブンレンジ１３ｂ、炊飯器１３ｃ、トースターのそれぞれのＯＮの状態の時間数が集計される。例えば、例えば０時から２時の列のように、いずれもＯＮの状態でない場合の集計結果は、「０、０、０、０」として表される。また、例えば２０時から２２時の列のように、電気ケトル１３ａのみ１時間ＯＮの状態であった場合の集計結果は、「１、０、０、０」として表される。この例では、「調理」の発生していない時間帯の集計結果として、「０、０、０、０」として表される１２個の集計結果と、「１、０、０、０」として表される１個の集計結果と、が得られる。

次に、行動ラベル推定部３０３は、「調理」の発生していない時間帯の状態履歴データから一部のデータを学習データとして選択する（ステップＳ１０７）。例えば、図１２に示す例では、集計結果が「０、０、０、０」となる状態履歴データの１２個のうちの９個と、「１、０、０、０」となる状態履歴データの１個とが、学習データとして選択される。

そして、行動ラベル推定部３０３は、「調理」の発生時間帯の状態履歴データを正例、一部の「調理」の発生していない時間帯の状態履歴データを負例として、識別器に入力して学習させる（ステップＳ１０８）。図１３は、正例と負例とを識別器に入力して学習させる識別器学習のイメージを示す図である。

このように、行動ラベル推定部３０３は、電気製品の状態履歴データ（教師データの両端で機器ＯＮの状態がない時間帯は除外）と、教師データの正例及び負例とに基づいて、識別器を教師学習にて構築する。そして、行動ラベル推定部３０３は、その識別器に学習した推定条件を用いて、調理用途の家電製品１３の状態履歴データから調理の生活行動を推定する。

次に、図１４を参照して、教師学習に基づいた識別器を用いて生活行動を推定する推定処理について説明する。図１４は、教師学習に基づく生活行動の推定処理を示すフローチャートである。

行動ラベル推定部３０３は、調理用途の家電製品１３の状態履歴データをスイープして、いずれかの家電製品１３がＯＮの状態になっている時間帯を検索する（ステップＳ２０１）。次に、行動ラベル推定部３０３は、この検索した時間帯の状態履歴データを、教師学習により学習された「調理」時間帯の長さ別の識別器を用いて、「調理」に該当するデータであるか否か判定する（ステップＳ２０２）。

そして、行動ラベル推定部３０３は、「調理」に該当した時間帯を「調理」の発生時間帯と推定する。また、行動ラベル推定部３０３は、「調理」に該当した時間帯が連続する場合、連続する最も長い時間帯を一つの「調理」の発生時間帯として判定する（ステップＳ２０３）。

図１５は、生活行動の発生時間帯の推定結果の一例を示す図である。この図に示す例では、状態履歴データから、６時の列と、１７時から１８時の列とが、「調理」の発生時間帯として推定されている。

このように、例えば、行動ラベル推定部３０３は、状態履歴データと、時間帯ごとの実際の生活行動が記録された生活行動記録データとに基づいて、複数の時間帯にまたがる生活行動の推定条件について教師学習を行う。そして、行動ラベル推定部３０３は、教師学習を行った推定条件に基づいて複数の時間帯にまたがる生活行動を推定する。

このように教師学習を用いることにより、家庭１０における通常の生活行動を的確に推定することができる。特に、「調理」のように複数の家電製品１３が用いられる生活行動の推定精度を向上させることができる。

なお、上述した例では、行動ラベル推定部３０３が一日単位の行動ラベル系列データを推定結果として出力する例を主として説明した。これにより、行動分析装置３２は、複数日における生活行動の発生時間帯を１日単位で比較することができるが、これに限られるものではない。例えば、行動ラベル推定部３０３は、「睡眠」を示す行動ラベルの先頭から次の「睡眠」を示す行動ラベルの直前までを一単位とした行動ラベル系列データを、推定結果として出力してもよい。これにより、行動分析装置３２は、夜に活動して昼間に睡眠するようなユーザ、日によって夜勤と昼勤とがあるようなユーザなど、様々な生活スタイルにも対応することができる。

次に、行動系列発生時間帯抽出部３０４について説明する。行動系列発生時間帯抽出部３０４は、行動ラベル推定部３０３により推定された特定の生活行動に基づいて、予め設定された分析対象時間帯のうち上記特定の生活行動の発生時間帯を抽出する。特定の生活行動とは、例えば、分析者が分析する対象として選択した生活行動である。

具体的には、行動系列発生時間帯抽出部３０４は、行動ラベル系列データを参照して、特定の生活行動を表す行動ラベルを、当該行動ラベルを含む行動ラベル系列データから抽出する。また、行動系列発生時間帯抽出部３０４は、分析対象時間帯において抽出した行動ラベルの度数と所定の閾値とに基づいて、分析対象時間帯における特定の生活行動の発生時間帯を抽出する。ここで、所定の閾値とは、後述する行動発生領域判定閾値である。

以下、この特定の生活行動の発生時間帯を抽出する行動系列発生時間帯抽出処理の動作について、図１６から図２２を参照して具体的に説明する。図１６は、本実施形態による行動系列発生時間帯抽出処理の一例を示すフローチャートである。

まず、行動系列発生時間帯抽出部３０４は、ある１種類かつ複数日の行動ラベル系列データを入力として、時間帯ごとの行動ラベルの開始時刻または終了時刻の度数（回数）を抽出する。例えば、行動系列発生時間帯抽出部３０４は、行動ラベル系列データ記憶部２０７を参照して、分析対象とする特定の行動ラベル及び分析対象時間帯のデータを行動ラベル系列データから収集する。ここで、分析対象とする特定の行動ラベル及び分析対象時間帯は、行動系列発生時間帯抽出条件入力部１０３で設定されたものである（ステップＳ３０１）。

次に、行動系列発生時間帯抽出部３０４は、収集したデータから、特定の行動ラベルの開始（または終了）時刻を時刻別に度数として集計する（ステップＳ３０２）。

図１７と図１８とのそれぞれは、時間帯ごとの行動ラベルの開始時刻と終了時刻の度数の集計を説明する図である。
図１７は、ある特定の時間帯における、ある行動ラベルの開始時刻の集計を示している。符号ａに示すグラフは、横軸が時刻で、縦時刻が行動発生ＩＤであり、行動発生ＩＤごとの行動ラベルの発生時間帯を表している。行動発生ＩＤは、例えば、１日ごとの行動ラベルを識別可能な識別子である。符号ｂに示すグラフは、横軸が時刻で、縦時刻が行動ラベルの開始時刻の度数であり、符号ａに示す行動ラベルの開始時刻を時刻ごとの度数として集計したものである。

図１８は、ある行動ラベルの終了時刻の集計を示している。符号ａに示すグラフは、横軸が時刻で、縦時刻が行動発生ＩＤであり、行動発生ＩＤごとの行動ラベルの発生時間帯を表している。符号ｂに示すグラフは、横軸が時刻で、縦時刻が行動ラベルの狩猟時刻の度数であり、符号ａに示す行動ラベルの開始時刻を時刻ごとの度数として集計したものである。

例えば、行動系列発生時間帯抽出部３０４は、上述した方法で、予め行動系列発生時間帯抽出条件入力部１０３で設定された分析対象時間帯について、特定の生活行動の行動ラベルの開始時刻の度数と終了時刻の度数とを集計する。

また、行動系列発生時間帯抽出部３０４は、集計した時刻ごとのデータを度数の大きい順にソートする（ステップＳ３０３）。例えば、行動系列発生時間帯抽出部３０４は、上述の行動ラベルの開始時刻の度数と終了時刻の度数とのそれぞれを昇順に並べる。図１９は、行動ラベルの開始時刻の度数を昇順に並べた図である。また、図２０は、行動ラベルの終了時刻の度数を昇順に並べた図である。

次に、ステップＳ３０４〜Ｓ３０８において、行動系列発生時間帯抽出部３０４は、ステップＳ３０３においてソートされた時刻の全数について、ステップＳ３０５〜Ｓ３０７の処理を行う。そして全数終了すると、行動系列発生時間帯抽出部３０４は、ステップＳ３０９の処理に進む。

まず、ステップＳ３０５において、行動系列発生時間帯抽出部３０４は、ソートされた時刻のうちの選択された時刻の度数（度数の最も大きいもの）を「行動発生数」に加算する。次に、ステップＳ３０６において、行動系列発生時間帯抽出部３０４は、「行動発生数／全行動発生数＋行動不発生割合閾値＞１」を充足するか否かを判定する。ステップＳ３０６において充足しないと判定された場合（ＮＯ）、行動系列発生時間帯抽出部３０４は、ステップＳ３０５に戻り、ソートされた時刻の中から次に大きい度数を選択して行動発生数」に加算する。一方、ステップＳ３０６において充足したと判定された場合（ＹＥＳ）、行動系列発生時間帯抽出部３０４は、このとき加算した時刻の度数を行動発生領域判定閾値として決定する（図１９または図２０参照）。そして、行動系列発生時間帯抽出部３０４は、決定した行動発生領域判定閾値を行動系列発生時間帯データ記憶部２０８に格納する（ステップＳ３０７）。

このように、行動系列発生時間帯抽出部３０４は、行動系列発生時間帯抽出条件入力部１０３で設定された行動不発生割合閾値を用いて、度数の最も大きいものからその発生割合の占有率と行動不発生割合閾値の和が１を越えるか否かを判定する。そして、行動系列発生時間帯抽出部３０４は、１を越えない場合には次に大きい度数を順に加算していき、１を超えた時点で加算した度数を行動発生領域判定閾値として決定する。図１９には、行動ラベルの開始時刻の度数により決定した行動発生領域判定閾値を示している。また、図２０には、行動ラベルの終了時刻の度数により決定した行動発生領域判定閾値を示している。

次に、ステップＳ３０９において、行動系列発生時間帯抽出部３０４は、行動発生領域判定閾値が格納されたか否かを判定する。ステップＳ３０９において行動発生領域判定閾値が格納されていないと判定された場合（ＮＯ）、行動系列発生時間帯抽出部３０４は、行動系列発生時間帯抽出処理を終了する。一方、ステップＳ３０９において行動発生領域判定閾値が格納されていないと判定された場合（ＹＥＳ）、行動系列発生時間帯抽出部３０４は、ステップＳ３１０の処理に進む。

ステップＳ３１０〜Ｓ３１４において、行動系列発生時間帯抽出部３０４は、特定の行動ラベルの時刻の全数について、ステップＳ３１１〜Ｓ３１３の処理を行う。

まず、ステップＳ３１１において、行動系列発生時間帯抽出部３０４は、特定の行動ラベルの開始（または終了）時刻の度数が、行動発生領域判定閾値以上であるか否かをそれぞれ順番に判定する。ステップＳ３１１において行動発生領域判定閾値以上であると判定された場合（ＹＥＳ）、行動系列発生時間帯抽出部３０４は、その判定された時刻を行動発生時間帯として登録する（ステップＳ３１２）。一方、ステップＳ３１１において行動発生領域判定閾値未満であると判定された場合（ＮＯ）、行動系列発生時間帯抽出部３０４は、その判定された時刻を行動不発生時間帯として登録する（ステップＳ３１３）。

そして、特定の行動ラベルの時刻の全数について終了すると、行動系列発生時間帯抽出部３０４は、ステップＳ３１５の処理に進める（ステップＳ３１４）。

ステップＳ３１５において、行動系列発生時間帯抽出部３０４は、隣接する２つの時刻について、行動発生領域判定閾値を超えた時刻と超えなかった時刻の間で時間帯を区間分割する。そして、行動系列発生時間帯抽出部３０４は、分割した各区間のそれぞれにおいて行動発生領域判定閾値を超えた時刻について、行動発生時間帯ラベルを付与する。そして、行動系列発生時間帯抽出部３０４は、特定の行動ラベルの各区間における開始時間帯時刻（または終了時間帯時刻）及びその行動発生時間帯ラベルを行動系列発生時間帯データ記憶部２０８に記憶させる（ステップＳ３１６）。

このように、行動系列発生時間帯抽出部３０４は、決定した行動発生領域判定閾値を用いて、開始時刻ごとの度数と終了時刻ごとの度数について行動発生領域判定閾値を超えるか否かの判定を行う。そして、行動系列発生時間帯抽出部３０４は、閾値を超えた時刻と超えなかった時刻との間で時間帯を区間分割する。以下、区間分割された各区間の時間帯のことを、「時間帯区分」ともいう。

図２１は、行動ラベルの開始時刻の度数についての時間帯区分を示す図である。この図に示すように、行動発生領域判定閾値を超えなかった時刻は行動ラベルが発生しなかったものとみなし、当該閾値を超えた時刻と超えなかった時刻との間で区分されている。ここでは、時間帯区分として、「Ｐｓ０」、「Ｐｓ１」、「Ｐｓ２」、「Ｐｓ３（＝Ｐｓ０）」のそれぞれに区分されている。「Ｐｓ０」が０時から７時の直前までの時間帯であり、「Ｐｓ１」が７時から１１時の直前までの時間帯である。また、「Ｐｓ２」が１１時から１７時の直前までの時間帯であり、「Ｐｓ３（＝Ｐｓ０）」が１７時から２４時（０時）の直前までの時間帯である。

図２２は、行動ラベルの終了時刻の度数についての時間帯区分を示す図である。この図に示すように、行動発生領域判定閾値を超えなかった時刻は行動ラベルが発生しなかったものとみなし、閾値を超えた時刻と超えなかった時刻との間で区分されている。ここでは、時間帯区分として、「Ｐｅ４」、「Ｐｅ３」、「Ｐｅ２」、「Ｐｅ１」のそれぞれに区分されている。「Ｐｅ４」が０時から９時の直前までの時間帯であり、「Ｐｅ３」が９時から１４時の直前までの時間帯である。また、「Ｐｅ２」が１４時から２０時の直前までの時間帯であり、「Ｐｅ１」が２０時から２４時（０時）の直前までの時間帯である。

このように、行動分析装置３２は、行動ラベルの度数と行動発生領域判定閾値とに基づいて生活行動の発生時間帯を抽出する。これにより、行動分析装置３２は、発生頻度の少ない生活行動を特徴から除外することができるため、後述する生活行動の傾向の推定精度を向上させることができる。

次に、発生時間帯間特徴抽出部３０５について説明する。発生時間帯間特徴抽出部３０５は、複数日における時間帯別の特定の生活行動の発生有無に基づいて、複数日にわたる特定の生活行動の時間的な変化の特徴を抽出する。例えば、発生時間帯間特徴抽出部３０５は、行動系列発生時間帯抽出部３０４により抽出された行動系列発生時間帯に基づいて、分析対象時間帯における特定の生活行動の時間的な変化の特徴を抽出する。

具体的には、発生時間帯間特徴抽出部３０５は、特定の生活行動の発生時間帯に基づいて、複数日における特定の生活行動のそれぞれを同一の発生時間帯となる組合せごとに分類する。そして、発生時間帯間特徴抽出部３０５は、分類した結果に基づいて分析対象時間帯における特定の生活行動の時間的な変化の特徴を抽出する。この場合の、特定の生活行動の時間的な変化の特徴は、例えば、その特定の生活行動の時間帯ごとの発生有無に基づいて分類された発生時間帯のパターンである。

具体的には、発生時間帯間特徴抽出部３０５は、行動系列発生時間帯抽出部３０４により抽出された行動系列発生時間帯に基づいて、例えば開始時刻と終了時刻領域の組合せで複数日の行動ラベル系列のパターンを分類し、それぞれの行動発生時間帯区間を設定する。これにより、行動分析装置３２は、生活行動の時間的な変化の特徴を、発生時間帯の組合せで分類して表すことができる。

図２３は、特定の行動ラベルの行動発生時間帯区間の一例を示す図である。この図では、ある一日（０時から２３時）における特定の行動ラベル（例えば「調理」）の行動開始発生時間帯と行動終了発生時間帯を示している。「Ｐｓ０」、「Ｐｓ１」、「Ｐｓ２」、「Ｐｓ３」のそれぞれは、図２１に示したように開始時刻の時間帯区分を示している。また、「Ｐｅ４」、「Ｐｅ３」、「Ｐｅ２」、「Ｐｅ１」のそれぞれは、図２２に示したように終了時刻の時間帯区分を示している。また、この図では、１２日分の「調理」（Ｃ−０１〜Ｃ−１２）のデータが得られている場合のそれぞれの行動発生ラベルが時系列に示されている。

１２日分の「調理」（Ｃ−０１〜Ｃ−１２）のそれぞれの１日における発生時間帯は、開始時刻の時間帯区分と終了時刻の時間帯区分との組合せで分類すると、６通りに分類される。図２４は、「調理」の発生時間帯の分類例を示す図である。この図に示す例では、開始時刻と終了時刻との時間帯区分としては，（Ｐｓ１、Ｐｅ４）、（Ｐｓ０、Ｃ−Ｐｅ２）、（Ｐｓ２、Ｐｅ３）、（Ｐｓ２、Ｐｅ２）、（Ｐｓ０、Ｐｅ１）の６通りに分類されることを示している。即ち、「調理」が発生している時間帯が、上述の６通りの時間帯であることがわかる。発生時間帯間特徴抽出部３０５は、これらの行動発生時間帯の時間帯区分を分類した結果を行動発生時間帯特徴データ記憶部２０９に記憶させる。

行動系列発生時間帯内特徴抽出部３０６は、行動系列発生時間帯抽出部３０４により抽出された複数日における特定の生活行動の発生時間帯に基づいて、分析対象時間帯における特定の生活行動の時間的な変化の特徴を抽出する。例えば、行動系列発生時間帯内特徴抽出部３０６は，複数日にわたる特定の生活行動の時間的な変化の特徴として、ある時間帯での行動発生頻度に関する特徴量を算出する。

具体的には、行動系列発生時間帯内特徴抽出部３０６は，複数日における特定の生活行動の各発生時間帯内の開始時刻、終了時刻、継続時間の平均及び分散、及び高頻度な時間帯の度数占有率のいずれか一つまたは複数を抽出する。これにより、行動分析装置３２は、生活行動の時間的な変化の特徴を数値化した特徴量で表すことができる。

図２５は、「調理」の発生時間帯の行動発生頻度に関する特徴量の抽出例を示す図である。この図は、図２３に示す「調理」の行動発生頻度に関する特徴量の抽出例である。ここでは、図２４に示す時間帯区分による分類とは関係なく、時間帯区分ごとに、開始時刻、終了時刻、継続時間、平均、分散などが、特徴量として抽出されている。

なお、時間帯区分により分類されたパターンごとに平均、分散などが算出されて、特徴量として抽出されてもよい。また、平日／休日、降雨の有無，イベントの有無などのように生活行動を左右する要因の状態ごとに分析対象日が選択され，その分析対象日の時間帯区分ごとに平均、分散などが算出されて、特徴量として抽出されてもよい。これらの諸条件は、発生時間帯内特徴抽出条件入力部１０４で予め抽出条件として設定される。
また、行動系列発生時間帯内特徴抽出部３０６は、これらの抽出した特徴量を、行動発生時間帯特徴データ記憶部２０９に記憶させる。

行動傾向推定部３０７は、発生時間帯間特徴抽出部３０５または行動系列発生時間帯内特徴抽出部３０６が抽出した特徴に基づいて、特定の生活行動の傾向を推定する。例えば、行動傾向推定部３０７は、行動発生時間帯特徴データ記憶部２０９および推薦情報蓄積ＤＢ２１０を参照して，現在の家庭１０の生活行動の特徴から、生活行動のどのような傾向があるかを示す行動傾向ラベルによりラベリングする。そして、行動傾向推定部３０７は、そのラベリング結果に適した情報を選択する。

以下に、推定方法について具体例を説明する。
図２６は、複数の行動ラベルの行動発生時間帯区間の一例を示す図である。図２３では、一つの特定の行動ラベル（例えば「調理」）の例を示したが、この図２６では、「睡眠」、「外出」、「調理」のそれぞれの発生時間帯を示している。なお、「Ｓ−Ｐｓα」と「Ｓ−Ｐｅα」とのそれぞれは、「睡眠」の開始時刻の時間帯区分と終了時刻の時間帯区分とをそれぞれ示している（「α」は、０以上の整数）。また、「Ａ−Ｐｓα」と「Ａ−Ｐｅα」とのそれぞれは、「外出」の開始時刻の時間帯区分と終了時刻の時間帯区分とをそれぞれ示している。また、「Ｃ−Ｐｓα」と「Ｃ−Ｐｅα」とのそれぞれは、「調理」の開始時刻の時間帯区分と終了時刻の時間帯区分とをそれぞれ示している。

行動傾向推定部３０７は、時間帯区分ごとの発生頻度（度数の大小）に基づいて生活行動の傾向を推定してもよい。例えば、行動傾向推定部３０７は、以下の「条件１」を充足する場合、行動傾向ラベルとして「自宅で調理派」をラベリングする。
「条件１」：１日１回以上「調理」の生活行動が発生する日数の割合が０．８以上である。

また、行動傾向推定部３０７は、行動系列発生時間帯内特徴抽出部３０６が抽出した特徴量に基づいて生活行動の傾向を推定してもよい（例えば、以下の「条件２」、「条件３」、「条件４」による推定）。

例えば、行動傾向推定部３０７は、以下の「条件２」を充足する場合、行動傾向ラベルとして「自宅でディナー調理派」をラベリングする。
「条件２」：１日のなかで１５時から２１時までに１回以上「調理」の生活行動が発生する日数の割合が０．６以上である。

また、行動傾向推定部３０７は、以下の「条件３」を充足する場合、行動傾向ラベルとして「夕方外出派」をラベリングする。
「条件３」：１日のなかで１５時から２１時までに１回以上「外出」の生活行動が発生する日数の割合が０．５以上である。

また、行動傾向推定部３０７は、以下の「条件４」を充足する場合、行動傾向ラベルとして「ディナー調理時間キッチリ派」をラベリングする。
「条件４」：１日のなかで１５時から２１時までに１回以上「調理」の生活行動が発生する日のうちのすべての時系列区分の組合せ（Ｃ−Ｐｓα、Ｃ−Ｐｅα）で、「調理」の終了時刻のトップの時刻の出現割合が（Ｃ−Ｐｓα、Ｃ−Ｐｅα）のそれの０．８以上。

また、行動傾向推定部３０７は、複数の行動ラベルの発生時間帯の関係に基づいて生活行動の傾向を推定してもよい。例えば、行動傾向推定部３０７は、以下の「条件５」を充足する場合、行動傾向ラベルとして「調理〜睡眠接近派」をラベリングする。
「条件５」：１日のなかで１５時から２１時までに１回以上「調理」の生活行動が発生する日で、１日の最後の「調理」の終了時刻と「睡眠」との時間間隔が１時間未満の割合が０．３以上。

なお、行動傾向推定部３０７は、時間帯区分ごとの発生頻度（度数の大小）に基づいて情報を発信するタイミングを設定してもよい。例えば、行動傾向推定部３０７は、「睡眠」、「外出」、「調理」の生活行動の発生割合が０．２未満である時間帯を、生活行動の傾向に応じた情報を家庭１０に対して送信するタイミングとして選択してもよい。図２６に示す例では、「睡眠」、「外出」、「調理」の生活行動の発生割合が０．２未満である時間帯は、「８時から１２時の直前まで」、「１４時から１６時の直前まで」、及び「２０時から２２時の直前まで」の各時間帯である。

図２７は、生活行動の傾向を推定する別の例を説明する説明図である。この図は、図２６の「調理」に関するデータのみを抜き出して示している。この図では、１７〜２１時（１７時から２２時の直前まで）に調理が終了している「調理」の生活行動から、「調理」傾向が推定される。

例えば、１２日分（１２回分）の「調理」（Ｃ−０１〜Ｃ−１２）のデータのうち、時間帯区分（Ｃ-Ｐｓ０、Ｃ-Ｐｅ２）での「調理」の発生が１０回で、発生無し２回である。このことから、行動傾向推定部３０７は、行動傾向ラベルとして「調理機会が多い」、「調理パターンが少ない」、「調理時間帯が安定」などをラベリングする。また、行動傾向推定部３０７は、終了時刻の分散が小さいことから、「調理時間調整意識が高い」をラベリングしてもよい。また、行動傾向推定部３０７は、調理にかかった時間の分散が大きいことから、行動傾向ラベルとして「調理のレパートリーが多い」をラベリングしてもよい。

図２８は、図２７に対して生活行動の発生時間帯が異なる例の説明図である。この図では、図２７を参照して説明した例と同様に、１７〜２１時（１７時から２２時の直前まで）に調理が終了している「調理」の生活行動から、「調理」の傾向が推定される。

この例では、１２日分（１２回分）の「調理」（Ｃ−０１〜Ｃ−１２）のデータのうち、時間帯区分（Ｃ-Ｐｓ２、Ｃ-Ｐｅ２）での「調理」の発生が１回であり、時間帯区分（Ｃ-Ｐｓ３、Ｃ-Ｐｅ２）での「調理」の発生が２回である。また、時間帯区分（Ｃ-Ｐｓ０、Ｃ-Ｐｅ２）での「調理」の発生が１回であり、発生無し２回である。これにより、行動傾向推定部３０７は、行動傾向ラベルとして「調理機会が多い」、「調理パターンが多い」、「調理時間帯が不安定」などをラベリングする。

また、行動傾向推定部３０７は、終了時刻の分散が大きいことから、「調理時間調整意識が低い」をラベリングしてもよい。また、行動傾向推定部３０７は、調理にかかった時間の分散が大きいことから、「調理のレパートリーが多い」をラベリングしてもよい。

そして、行動傾向推定部３０７は、図２７または図２８を参照して説明した行動傾向ラベルの組合せを用いて、いずれの情報を優先的に配信するかを規定する優先ルールが、予め推薦情報蓄積ＤＢ２１０に登録されていてもよい。

図２９は、配信する情報の優先ルールの登録情報の一例を示す図である。ここでは、例えば「外食レストラン紹介」、「中食紹介」、「食材特売」、「保存容器など余り物のメンテナンス商品の紹介」、「調理方法アドバイス」などの推薦情報がある場合を例にしている。これらの推薦情報のうちいずれの情報を優先的に配信するかが、行動傾向ラベルの組合せにより規定されている。

ここでは、行動傾向ラベルとして、「調理機会」が多い（○）か少ない（×）か、「調理時間安定性」が高い（○）か低い（×）か、「時間調整意識」が高い（○）か低い（×）か、「レパートリー」が多い（○）か少ない（×）かの組合せにより規定されている。

例えば、「調理機会」が多く（○）、「調理時間安定性」が高く（○）、「時間調整意識」が高く（○）、「レパートリー」が多い（○）とする。この場合、「外食レストラン紹介」、「中食紹介」、及び「調理方法アドバイス」の優先度は低くなる。一方、「食材特売」、「保存容器など余り物のメンテナンス商品の紹介」の優先度は高くなる。

このように、行動傾向推定部３０７は、特定の生活行動に関連するユーザに提供する情報の複数の候補が記憶されている推薦情報蓄積ＤＢ２１０を参照する。そして、行動傾向推定部３０７は、当該複数の候補のうち特定の生活行動に関連するユーザに提供する情報の優先度を、推定した特定の生活行動の傾向に基づいて決定する。これにより、行動分析装置３２は、生活スタイルに合った情報を優先して提供することができる。

次に、出力部４００の構成について説明する。
出力部４００は、行動傾向反映推薦情報出力部４０１を備えている。行動傾向反映推薦情報出力部４０１は、行動傾向推定部３０７が推定した特定の生活行動の傾向に基づいて、特定の生活行動に関連するユーザに提供する情報を出力する。

また、行動傾向反映推薦情報出力部４０１は、特定の生活行動に関連するユーザに提供する情報を、その特定の生活行動の発生時間帯に基づいて指定された時間に出力してもよい。例えば、行動傾向反映推薦情報出力部４０１は、その生活行動の発生時間帯の中の指定された時間に、提供する情報を出力してもよい。また、行動傾向反映推薦情報出力部４０１は、その生活行動の発生時間帯の中の指定された時間外に、提供する情報を出力してもよい。これにより、行動分析装置３２は、生活すたるにあった情報を適切なタイミングで提供することができる。

以下、特定の生活行動の傾向に基づいて提供する情報の選択例を具体的に説明する。
図３０は、特定の生活行動の傾向に基づいて提供するメッセージの一例を示す図である。この図に示す例では、家庭特徴ＩＤと、行動傾向ラベルと、メッセージと、採用率とが、関連付けられている。家庭特徴ＩＤは、生活行動の傾向の特徴の定義ごとに付されている識別情報である。行動傾向ラベルとしては、ここでは、図２９の例と同様に「調理機会」、「調理時間安定性」、「時間調整意識」、及び「レパートリー」の組合せの例である。メッセージは、提供するメッセージの候補である。採用率は、同一の家庭特徴ＩＤのなかで、各メッセージの候補から実際に提供されるメッセージとして採用される確率である。これらの情報は、予め推薦情報蓄積ＤＢ２１０に記憶されている。

例えば、家庭特徴ＩＤ「０１」は、「調理機会」が多く（○）、「調理時間安定性」が高く（○）、「時間調整意識」が高く（○）、「レパートリー」が多い（○）組合せの特徴をもつ家庭１０に提供するメッセージの候補が定義されている。ここでは、メッセージの候補として、「いつもごちそうありがとう！」と、「いつもの調理に一工夫！」とが定義されており、前者の採用率が「０．８」で、後者の採用率が「０．２」である。

また、行動傾向反映推薦情報出力部４０１は、行動傾向推定部３０７により決定された提供する情報の優先度（例えば、図２９参照）に基づいて、実際に提供する情報を選択して出力する。

図３１は、提供する情報の優先度に基づいて情報を選択する例を示す樹形図である。この図では、家庭特徴ＩＤがルートであり、各家庭特徴ＩＤは、推薦ジャンルを下位ノードとして持ち、各推薦ジャンルは、広告コンテンツを下位ノードとして持つ。各家庭特徴ＩＤからいずれの推薦ジャンルが選択されるかの選択確率は、例えば図２９に示す行動傾向推定部３０７が決定した提供する情報の優先度に基づいて予め設定される。

例えば、家庭特徴ＩＤ「０１」から各推薦ジャンル（「外食」（外食レストラン紹介）、「食材特売」、「惣菜」（中食紹介））が選択される選択確率は、それぞれ「０．３５」、「０．３５」、「０．３０」に設定されている。また、推薦ジャンルとして「外食」が選択された場合に、さらに選択される広告コンテンツの候補が設定されている。例えば、広告コンテンツの候補として、「たまには外でゆっくりごはん、×□代官山」（採用率：０．３）、「本場のスペインの味、グラッツィエ☆□」（採用率：０．１５）、・・・など、が設定されている。

つまり、分析する対象の家庭１０について推定された行動傾向ラベルの組合せに合致する家庭特徴ＩＤが、例えば家庭特徴ＩＤ「０１」であったとする。この場合、推薦ジャンルとして、「外食」、「食材特売」、「惣菜」のいずれかが、それぞれ「０．３５」、「０．３５」、「０．３０」の選択確率で選択される。そして、例えば、推薦ジャンルとして「外食」が選択された場合には、実際に提供する広告コンテンツが広告コンテンツの候補の中から上述の採用率に応じて選択される。

図３２は、図３１のうち、推薦ジャンルが「外食」の広告コンテンツに対して、さらに発信タイミングの選択ルールを示す図である。この図に示す選択ルールのように、行動分析装置３２では、各広告コンテンツの候補ごとに、各行動ラベルの発生時間帯の情報に基づいて広告コンテンツの発信タイミングを設定することができる。ここでは、各広告コンテンツに対して、発生タイミングの候補とその選択確率とが選択ルールとして設定されている。例えば、広告コンテンツ「たまには外でゆっくりご飯、×□代官山」の場合、２種類の発信タイミングの候補が設定されており、それぞれの選択確率に従って選択された発信タイミングで広告コンテンツが行動分析装置３２から家庭１０へ提供される。ここでは、主に午前中に発生する調理行動が終わった後から１２時までの期間（選択確率：０．４）と、「外出」が発生した後から「睡眠」が発生する前までの期間（選択確率：０．６）とが発信タイミングの候補として設定されている。なお、主に午前中に発生する調理行動が終わった後から１２時までの期間は、例えば、０時から１０時までに発生した「調理」の終了時間帯の終了後から１２時までの期間、として設定されている。また、「外出」が発生した後から「睡眠」が発生する前までの期間は、例えば、最も頻度の高い「外出」の発生時間帯の終了時間帯の終了後から，最も頻度の高い「睡眠」の発生時間帯の開始時間帯の開始前までの期間、として設定されている。

次に、図３３を参照して、提供する情報と出力タイミングとを選択する処理について説明する。図３３は、提供する情報と出力タイミングとを選択する処理の一例を示すフローチャートである。

まず、分析する対象の家庭１０について，その家庭１０の生活行動の推定結果に基づいてラベリングされた行動傾向ラベルが指定される（ステップＳ４０１）。この行動傾向ラベルは、分析者によって指定されてもよい。また、分析者が家庭１０を選択することにより行動傾向推定部３０７がその家庭１０についてラベリングした行動傾向ラベルを指定してもよい。

次に、ステップＳ４０２〜Ｓ４０５において、行動傾向反映推薦情報出力部４０１は、定義された家庭特徴ＩＤの数分について、ステップＳ４０３〜Ｓ４０４の処理を行う。そして、家庭特徴ＩＤの数分の処理が終了すると、行動傾向反映推薦情報出力部４０１は、ステップＳ４０６の処理に進める。

まず、ステップＳ４０３において、行動傾向反映推薦情報出力部４０１は、各家庭特徴ＩＤの行動傾向ラベルを順番に、指定した家庭１０の行動傾向ラベルに合致しているか否かを判定する。ステップＳ４０３において、指定した家庭１０の行動傾向ラベルに合致していると判定された場合（ＹＥＳ）、行動傾向反映推薦情報出力部４０１は、その合致した家庭特徴ＩＤをすべて保持する（ステップＳ４０４）。一方、ステップＳ４０３において、指定した家庭１０の行動傾向ラベルに合致していないと判定された場合（ＮＯ）、行動傾向反映推薦情報出力部４０１は、ステップＳ４０３に処理を戻し、次の家庭特徴ＩＤの行動傾向ラベルについて判定する。

そして、家庭特徴ＩＤの数分の処理が終了すると、行動傾向反映推薦情報出力部４０１は、ステップＳ４０６の処理に進める（ステップＳ４０５）。

ステップＳ４０６において、行動傾向反映推薦情報出力部４０１は、合致した家庭特徴ＩＤがあるか否かを判定する。ステップＳ４０６において、合致した家庭特徴ＩＤがないと判定された場合（ＮＯ）、行動傾向反映推薦情報出力部４０１は、情報を配信せずに処理を終了する。

一方、ステップＳ４０６において、合致した家庭特徴ＩＤがあると判定された場合（ＹＥＳ）、行動傾向反映推薦情報出力部４０１は、その家庭特徴ＩＤの選択確率に応じて、推薦ジャンル及び推薦する広告コンテンツを選択する（図３１参照）。このとき選択確率の積に，さらに重み係数（０〜１のランダム値など）をかけスコアリングしてもよい（ステップＳ４０７）。

続いて、行動傾向反映推薦情報出力部４０１は、予め決められた上限数以下になるように、推薦する広告コンテンツ、及び１日の中の発信タイミングを選択する（ステップＳ４０８、図３２参照）。ここで、予め決められた上限数とは、例えば、表示可能なコンテンツの上限数である。

そして、行動傾向反映推薦情報出力部４０１は、選択した広告コンテンツを、選択した発信タイミングで出力して、家庭１０に対して配信する（ステップＳ４０９）。なお、行動傾向反映推薦情報出力部４０１は、広告コンテンツのみならず、メッセージ、または行動傾向ラベルに基づく情報（即ち、生活行動の傾向を示す情報）等を、ユーザに提供する情報をして出力してもよい。

これにより、家庭１０の情報端末１５は、サーバ３０から送信された広告コンテンツ、メッセージ、または行動傾向ラベルに基づく情報を、ユーザに提供する情報として取得して表示する。

図３４は、情報端末１５の表示部の表示例を示す図である。この図に示す表示例では、家庭１０において現在使用されている総電力量（符号Ｄ１０）、今月の使用電力量（符号Ｄ２０）、部屋ごとまたは家電製品１３ごとの現在の使用電力量（符号Ｄ３０）などが表示されている。また、行動分析装置３２が分析した分析結果に基づく情報が、表示されている（符号Ｄ４０）。ここでは、行動傾向ラベルに基づく情報（符号Ｄ４１）、メッセージ（符号Ｄ４２）、及び、広告コンテンツ（符号Ｄ４３）が表示されている。

以上説明してきたように、第１の実施形態よる行動分析装置３２は、複数日にわたる特定の生活行動の時間的な変化の特徴を抽出する行動特徴抽出部として、発生時間帯間特徴抽出部３０５と、行動系列発生時間帯内特徴抽出部３０６と、を持つ。また、行動分析装置３２は、特定の生活行動の時間的な変化の特徴に基づいてその生活行動の傾向を推定する行動傾向推定部３０７を持つ。これにより、行動分析装置３２は、通常の生活スタイルを適切に推定することができる。また、行動分析装置３２は、生活スタイルに合った情報を、その生活を送っているユーザに対して提供することができる。

（第２の実施形態）
次に、第２の実施形態に係る行動分析システムについて説明する。
第２の実施形態に係る行動分析システムは、図２に示す行動分析システム１に対して、行動分析装置３２に代えて行動分析装置３２Ａを備えている点が異なる。行動分析装置３２Ａ以外の構成は、図２に示す行動分析システム１と同様であり、その説明を省略する。

図３５は、第２の実施形態に係る行動分析装置３２Ａの概略構成の一例を示すブロック図である。なお、この図において、図２の各部に対応する構成には同一の符号を付しており、その説明を省略する。行動分析装置３２Ａは、入力部１００Ａと、記憶部２００Ａと、演算部３００Ａと、出力部４００と、を備えている。

入力部１００Ａは、行動ラベル推定条件入力部１０２と、行動系列発生時間帯抽出条件入力部１０３と、発生時間帯内特徴抽出条件入力部１０４と、行動傾向推定条件入力部１０５と、を備えている。即ち、入力部１００Ａは、図２に示す入力部１００に対して、電気製品稼働状態推定条件入力部１０１を備えていない点が異なる。

記憶部２００Ａは、電気製品操作履歴データ記憶部２０２と学習用行動記録データ記憶部２０６と、行動ラベル系列データ記憶部２０７と、行動系列発生時間帯データ記憶部２０８と、行動発生時間帯特徴データ記憶部２０９と、推薦情報蓄積ＤＢ２１０と、を備えている。即ち、記憶部２００Ａは、図２に示す記憶部２００に対して、電気製品電力計測データ記憶部２０１と、電気製品状態履歴データ記憶部２０３と、人感センサ計測データ記憶部２０４と、温湿照度センサ計測データ記憶部２０５と、を備えていない点が異なる。

演算部３００Ａは、行動ラベル推定部３０３Ａと、行動系列発生時間帯抽出部３０４と、発生時間帯間特徴抽出部３０５と、行動系列発生時間帯内特徴抽出部３０６と、行動傾向推定部３０７と、を備えている。即ち、演算部３００Ａは、図２に示す演算部３００に対して、電気製品稼働状態推定部３０１と、電気製品状態履歴収集部３０２と、を備えていない点が異なる。また、行動ラベル推定部３０３Ａの機能が、図２に示す行動ラベル推定部３０３と異なる。

行動ラベル推定部３０３Ａは、電気製品操作履歴データ記憶部２０２に記憶されている操作履歴データと、学習用行動記録データ記憶部２０６に記憶されている学習用行動記録データとに基づいて、生活行動を推定する。なお、推定する際に用いられる行動ラベルとその行動ラベルの発生条件とは、行動ラベル推定条件入力部１０２に入力されて設定されている。

このように、第２の実施形態による行動分析装置３２Ａは、各電気製品の操作履歴データを用いて、生活行動を推定する。これにより、行動分析装置３２Ａは、家庭１０内の各電気製品の電力量の計測データ、人感センサ計測データ、及び温湿照度計測データを用いずに、生活スタイルを適切に推定することができる。よって、行動分析装置３２Ａは、家庭１０内の電力量を計測する装置や各種センサ１４等を設置することなく、第１の実施形態よりも低コストで生活スタイルを推定することができる。

なお、上記第１の実施形態では、行動分析装置３２が各電気製品の電力量の計測データ、操作履歴データ、人感センサ計測データ、及び温湿照度計測データを用いて、生活行動を推定する例を説明した。また、第２の実施形態では、行動分析装置３２Ａが各電気製品の操作履歴データを用いて、生活行動を推定する例を説明した。しかし、生活行動を推定する方法はこれらに限られるものではない。例えば、各電気製品の操作履歴データ、人感センサ計測データ、及び温湿照度計測データを用いずに、各電気製品の電力量の計測データを用いて、生活行動を推定する方法としてもよい。また、各電気製品の操作履歴データを用いずに、各電気製品の電力量の計測データ、人感センサ計測データ、及び温湿照度計測データを用いて、生活行動を推定する方法としてもよい。

また、上記第１、第２の実施形態において、家庭１０を生活行動の分析対象として説明したが、これに限られるものではない。世帯、家族、集合住宅、会社、組織、等を生活行動の分析対象としてもよい。

また、図２に示す記憶部２００と図３５に示す記憶部２００Ａとは、それぞれ行動分析装置３２と行動分析装置３２Ａとに備えられなくてもよい。例えば、記憶部２００（２００Ａ）は、サーバ３０内における行動分析装置３２（３２Ａ）以外の構成として備えられてもよい。また、記憶部２００（２００Ａ）は、サーバ３０の外部に備えられてもよい。その場合、行動分析装置３２（３２Ａ）は、外部に備えられた記憶部２００（２００Ａ）にネットワーク２０を介して接続することで、内部に備えた場合と同様に記憶部２００（２００Ａ）に記憶されているデータを利用することができる。

また、図２に示す行動分析装置３２及び図３５に示す行動分析装置３２Ａが、出力部４００を備える構成として説明したが、出力部４００を外部に備えるようにしてもよい。つまり、行動分析装置３２及び行動分析装置３２Ａは、生活行動の傾向を推定するまでの装置として構成されてもよい。そして、行動分析装置３２及び行動分析装置３２Ａが推定した生活行動の傾向に応じた情報の提供は、行動分析装置３２及び行動分析装置３２Ａ以外の装置が行うようにしてもよい。

以上説明した少なくともひとつの実施形態によれば、特定の生活行動の時間的な変化の特徴に基づいてその生活行動の傾向を推定するため、生活スタイルを適切に推定することができる。

上述した実施形態における行動分析装置３２（３２Ａ）の機能をコンピュータで実現するようにしてもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１…行動分析システム、１１…通信装置、１２…分電盤、１３…家電製品、１３ａ…電気ケトル、１３ｂ…オーブンレンジ、１３ｃ…炊飯器、１４…センサ、１４ａ…人感センサ、１４ｂ…温湿照度センサ、１５…情報端末、２０…ネットワーク、３０…サーバ、３１…通信装置、３２、３２Ａ…行動分析装置、１００、１００Ａ…入力部、１０１…電気製品稼働状態推定条件入力部、１０２…行動ラベル推定条件入力部、１０３…行動系列発生時間帯抽出条件入力部、１０４…発生時間帯内特徴抽出条件入力部、１０５…行動傾向推定条件入力部、２００、２００Ａ…記憶部、２０１…電気製品電力計測データ記憶部、２０２…電気製品操作履歴データ記憶部、２０３…電気製品状態履歴データ記憶部、２０４…人感センサ計測データ記憶部、２０５…温湿照度センサ計測データ記憶部、２０６…学習用行動記録データ記憶部、２０７…行動ラベル系列データ記憶部、２０８…行動系列発生時間帯データ記憶部、２０９…行動発生時間帯特徴データ記憶部、２１０…推薦情報蓄積ＤＢ、３００、３００Ａ…演算部、３０１…電気製品稼働状態推定部、３０２…電気製品状態履歴収集部、３０３、３０３Ａ…行動ラベル推定部、３０４…行動系列発生時間帯抽出部、３０５…発生時間帯間特徴抽出部、３０６…行動系列発生時間帯内特徴抽出部、３０７…行動傾向推定部、４００…出力部、４０１…行動傾向反映推薦情報出力部

Claims (15)

1. 複数日における時間帯別の特定の生活行動の発生有無に基づいて、複数日にわたる前記特定の生活行動の時間的な変化の特徴を抽出する行動特徴抽出部と、
   前記行動特徴抽出部が抽出した特徴に基づいて、前記特定の生活行動の傾向を推定する行動傾向推定部と、
   を備える行動分析装置。
2. 前記行動傾向推定部が推定した前記特定の生活行動の傾向に基づいて、前記特定の生活行動に関連するユーザに提供する情報を出力する出力部、
   を備える請求項１に記載の行動分析装置。
3. 電気機器に関連する情報に基づいて、生活行動を推定する行動推定部と、
   前記行動推定部により推定された前記特定の生活行動に基づいて、予め設定された分析対象時間帯のうち前記特定の生活行動の発生時間帯を抽出する行動発生時間帯抽出部と、
   を備え、
   前記行動特徴抽出部は、
   前記行動発生時間帯抽出部が抽出した複数日における前記特定の生活行動の発生時間帯に基づいて、前記分析対象時間帯における前記特定の生活行動の時間的な変化の特徴を抽出する、
   請求項１または請求項２に記載の行動分析装置。
4. 前記電気機器に関連する情報には、前記電気機器の操作履歴に関する情報、または前記電気機器で消費される電力に関する情報が含まれる、
   請求項３に記載の行動分析装置。
5. 前記行動推定部は、
   さらに、生活行動が行われる場所の人の有無を示す情報、または当該場所の温度、湿度、若しくは照度を示す情報に基づいて生活行動を推定する、
   請求項３または請求項４に記載の行動分析装置。
6. 前記行動推定部は、
   前記電気機器に関連する情報、生活行動が行われる場所の人の有無を示す情報、または当該場所の温度もしく湿度を示す情報と、時間帯ごとの実際の生活行動が記録された生活行動記録データとに基づいて、複数の時間帯にまたがる生活行動の推定条件について教師学習を行い、当該推定条件に基づいて複数の時間帯にまたがる生活行動を推定する、
   請求項３から請求項５の何れか一項に記載の行動分析装置。
7. 前記行動推定部は、
   推定する生活行動を行動ラベルとして表し、一日単位で時系列に一または複数の行動ラベルが並ぶ行動ラベル系列データを、推定結果として出力する、
   請求項３から６の何れか一項に記載の行動分析装置。
8. 前記行動推定部は、
   推定する生活行動を行動ラベルとして表し、睡眠行動を示す行動ラベルの先頭から次の睡眠行動を示す行動ラベルの直前までを一単位として、当該一単位で時系列に一または複数の行動ラベルが並ぶ行動ラベル系列データを、推定結果として出力する、
   ことを特徴とする請求項３から６の何れか一項に記載の行動分析装置。
9. 前記行動発生時間帯抽出部は、
   前記行動ラベル系列データを参照して、前記特定の生活行動を表す行動ラベルを、当該行動ラベルを含む前記行動ラベル系列データから抽出するとともに、前記分析対象時間帯において抽出した行動ラベルの度数と所定の閾値とに基づいて、前記分析対象時間帯における前記特定の生活行動の発生時間帯を抽出する、
   請求項７または請求項８の何れか一項に記載の行動分析装置。
10. 前記行動特徴抽出部は、
    前記行動発生時間帯抽出部が抽出した複数日における前記特定の生活行動の発生時間帯に基づいて、複数日における前記特定の生活行動のそれぞれを同一の発生時間帯となる組合せごとに分類し、分類した結果に基づいて前記分析対象時間帯における前記特定の生活行動の時間的な変化の特徴を抽出する、
    請求項３から請求項９の何れか一項に記載の行動分析装置。
11. 前記行動特徴抽出部は、
    前記行動発生時間帯抽出部が抽出した複数日における前記特定の生活行動の発生時間帯に基づいて、複数日における前記特定の生活行動の各発生時間帯内の開始時刻、終了時刻、継続時間の平均及び分散、及び高頻度な時間帯の度数占有率のいずれかを、前記特定の生活行動の時間的な変化の特徴として算出する、
    請求項３から請求項１０の何れか一項に記載の行動分析装置。
12. 前記行動傾向推定部は、
    前記特定の生活行動に関連するユーザに提供する情報の複数の候補が記憶されている記憶部を参照して、当該複数の候補のうち前記特定の生活行動に関連するユーザに提供する情報の優先度を、推定した前記特定の生活行動の傾向に基づいて決定する、
    請求項１から請求項１１の何れか一項に記載の行動分析装置。
13. 前記出力部は、
    前記特定の生活行動に関連するユーザに提供する情報を、前記特定の生活行動の発生時間帯に基づいて指定された時間に出力する、
    請求項２に記載の行動分析装置。
14. 複数日における時間帯別の特定の生活行動の発生有無に基づいて、複数日にわたる前記特定の生活行動の時間的な変化の特徴を抽出するステップと、
    前記抽出した特徴に基づいて、前記特定の生活行動の傾向を推定するステップと、
    を含む行動分析方法。
15. 複数日における時間帯別の特定の生活行動の発生有無に基づいて、複数日にわたる前記特定の生活行動の時間的な変化の特徴を抽出するステップと、
    前記抽出した特徴に基づいて、前記特定の生活行動の傾向を推定するステップと、
    をコンピュータに実行させるためのプログラム。

Images