JP2021117771A - 空調トラブル発生頻度予測プログラム - Google Patents
空調トラブル発生頻度予測プログラム Download PDFInfo
- Publication number
- JP2021117771A JP2021117771A JP2020011061A JP2020011061A JP2021117771A JP 2021117771 A JP2021117771 A JP 2021117771A JP 2020011061 A JP2020011061 A JP 2020011061A JP 2020011061 A JP2020011061 A JP 2020011061A JP 2021117771 A JP2021117771 A JP 2021117771A
- Authority
- JP
- Japan
- Prior art keywords
- association
- frequency
- trouble
- sales data
- degree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】建築構造物内における空調のトラブルの発生頻度を地域単位で予測する。【解決手段】空調トラブル発生頻度予測プログラムにおいて、空調トラブルの発生頻度を予測する建築構造物又はそれが立地する地域を特定するための地域特定情報を取得し、各地域における空調トラブル対応に対して出動した業者の参照用売上データP01、P02、P03と、空調のトラブルの発生頻度A~Dとの3段階以上の連関度W13〜W19を参照し、情報取得ステップにおいて取得した地域特定情報における地域の過去の売上データに対応する参照用売上データP01、P02、P03との間で、より高い連関度が設定されている空調のトラブルA~Dの発生頻度を探索する。【選択図】図3
Description
本発明は、空調トラブル発生頻度予測プログラムに関する。
ビルやマンション、戸建住宅等の建築構造物における空調トラブルの例としては、空調機器の故障、空調機器の配管の水漏れ、空調機器におけるフィルタの埃の蓄積、空調機器からの異常音の発生、空調機器から漂う異臭等がある。このような建築構造物における空調トラブルは、その居住者のみで解決できない場合も多々あることから専門業者に出動してもらい、作業を委託するケースが多い。
しかしながら、近年における専門業者の人手不足が深刻化しており、居住者が連絡をしてもなかなか対応してもらえないケースが増加している。特に猛暑日や寒さが厳しい日に空調設備が壊れてしまった場合に、業者の出動が遅れる場合には、通常の生活や仕事に大きな支障をきたす場合がある。このような空調のトラブルは、より早めの対応が必要になり場合が多いことから、これに対応する業者も、対応する地域毎の人員配置の最適化等、尽力している。
実際に空調の対応を行うために、どの地域にどれだけの人員を配置するかを考えたとき、各地域における空調のトラブルの発生頻度を予測する必要がある。しかしながら、このような空調のトラブルの発生頻度を地域毎に予測するための技術が未だ案出されていないのが現状であった。
そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、建築構造物内における空調のトラブルの発生頻度を地域単位で予測する空調トラブル発生頻度予測プログラムを提供することにある。
本発明に係る空調トラブル発生頻度予測プログラムは、建築構造物内における空調のトラブルの発生頻度を地域単位で予測する空調トラブル発生頻度予測プログラムにおいて、空調トラブルの発生頻度を予測する建築構造物又はそれが立地する地域を特定するための地域特定情報を取得する情報取得ステップと、各地域における空調トラブル対応に対して出動した業者の参照用売上データと、空調のトラブルの発生頻度との3段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域特定情報における地域の過去の売上データに対応する参照用売上データとの間でより高い連関度が設定されている空調のトラブルの発生頻度を探索する探索ステップとをコンピュータに実行させることを特徴とする。
特段のスキルや経験が無くても、人手に頼ることなく、建築構造物内における空調のトラブルの発生頻度を地域単位で予測することができる。
以下、本発明を適用した空調トラブル発生頻度予測プログラムについて、図面を参照しながら詳細に説明をする。
図1は、本発明を適用した空調トラブル発生頻度予測プログラムが実装される空調トラブル発生頻度システム1の全体構成を示すブロック図である。空調トラブル発生頻度システム1は、情報取得部9と、情報取得部9に接続された探索装置2と、探索装置2に接続されたデータベース3とを備えている。
情報取得部9は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部9は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部9は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部9は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部9は、後述する探索装置2と一体化されていてもよい。情報取得部9は、検知した情報を探索装置2へと出力する。また情報取得部9は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また情報取得部9は、温度センサ、湿度センサ、風向センサ、を測るための照度センサで構成されていてもよい。また情報取得部9は、天候についてのデータを気象庁や民間の天気予報会社から取得する通信インターフェースで構成されていてもよい。また情報取得部9は身体に装着して身体のデータを検出するための身体センサで構成されていてもよく、この身体センサは、例えば体温、心拍数、血圧、歩数、歩く速度、加速度を検出するためのセンサで構成されていてもよい。また身体センサは人間のみならず動物の生体データを取得するものであってもよい。また情報取得部9は図面等の情報をスキャニングしたり、或いはデータベースから読み出すことで取得するデバイスとして構成されていてもよい。情報取得部9は、これら以外に臭気や香りを検知する臭気センサにより構成されていてもよい。
また、情報取得部9は、空調トラブル対応に対して出動し、実際に作業を行うことで問題解決を行う業者のデータベースに記録されている地域毎の売り上げデータや、地域毎の出動回数等に応じて算出した出動頻度データを取得するための手段で構成されていてもよい。
データベース3は、空調トラブル発生頻度を行う上で必要な様々な情報が蓄積される。空調トラブル発生頻度を行う上で必要な情報としては、各地域における空調トラブル対応に対して出動した業者の参照用売上データ、空調トラブル対応のために出動要請された業者の参照用断り率、各地域における参照用人口推計データ、各地域における参照用天候情報、各地域におけるトラブルの種類に関する参照用トラブル種類情報、各地域における空調機器の種類や使用年数に関する参照用統計情報、各地域における外気温に関する参照用外気温情報等が、出力データとしての空調のトラブルの発生頻度との関係において蓄積されている。
つまり、データベース3には、このような業者の参照用売上データに加え、業者の参照用断り率、参照用人口推計データ、参照用天候情報、参照用トラブル種類情報、空調機器の種類や使用年数に関する参照用統計情報、参照用外気温情報の何れか1以上と、空調のトラブルの発生頻度が互いに紐づけられて記憶されている。
探索装置2は、例えば、パーソナルコンピュータ(PC)等を始めとした電子機器で構成されているが、PC以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この探索装置2による探索解を得ることができる。
図2は、探索装置2の具体的な構成例を示している。この探索装置2は、探索装置2全体を制御するための制御部24と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部25と、有線通信又は無線通信を行うための通信部26と、各種判断を行う判別部27と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部28とが内部バス21にそれぞれ接続されている。さらに、この内部バス21には、実際に情報を表示するモニタとしての表示部23が接続されている。
制御部24は、内部バス21を介して制御信号を送信することにより、探索装置2内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部24は、操作部25を介した操作に応じて各種制御用の指令を内部バス21を介して伝達する。
操作部25は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部25は、上記実行命令がユーザから入力された場合には、これを制御部24に通知する。この通知を受けた制御部24は、判別部27を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部25は、前述した情報取得部9として具現化されるものであってもよい。
判別部27は、探索解を判別する。この判別部27は、判別動作を実行するに当たり、必要な情報として記憶部28に記憶されている各種情報や、データベース3に記憶されている各種情報を読み出す。この判別部27は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。
表示部23は、制御部24による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部23は、例えば、液晶ディスプレイ(LCD)等によって実現される。
記憶部28は、ハードディスクで構成される場合において、制御部24による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部28には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部24により読み出されて実行されることになる。
上述した構成からなる空調トラブル発生頻度システム1における動作について説明をする。
空調トラブル発生頻度システム1では、例えば図3に示すように、各地域における空調トラブル対応に対して出動した業者の参照用売上データと、空調のトラブルの発生頻度との3段階以上の連関度が予め設定されていることが前提となる。各地域における空調トラブル対応に対して出動した業者とは、建築構造物(ビル、マンション、戸建住宅、アパート等)の居住者からの空調トラブルの要請に対して出動して実際に現場で修復作業を行う業者である。空調のトラブルとは、空調機器の故障、空調機器の配管の水漏れ、空調機器におけるフィルタの埃の蓄積、空調機器からの異常音の発生、空調機器から漂う異臭等があるがこれらに限定されるものでは無く、空調に関する他のいかなるトラブルも含まれる。このような業者は、各地域毎に売上を管理している場合が多い。個々でいう地域の単位は、地方、県、市区町村、更には、町、番地、号、更にはビルやマンション単位まで詳細に分類されていても良い。売上は、年単位、月単位、週単位、日単位等で管理されている。このような業者の地域単位での参照用売上データを先ずは学習用データのために取得する。またこの参照用売上データは、年単位、月単位、週単位、日単位等、ある期間の平均値や標準偏差で表されてもよいし、変動傾向、変動推移のデータで表されていてもよい。
空調のトラブルの発生頻度は、各地域において、空調のトラブルの発生がどの頻度で起こり得るかを示すものである。この空調トラブルの発生頻度は、年単位、月単位、週単位、日単位、5年単位等、いかなる分母で構成されていてもよい。空調のトラブル発生は、建築構造物の居住者から実際に業者に対して空調トラブルがあった旨の連絡がある都度、1回分としてカウントしてもよい。このような空調のトラブル発生頻度は、業者自身がカウントしておき、保有しているデータベースに記録しておくことで、事後的な取得が可能となる。この空調のトラブル発生頻度は、上述した地域単位で整理されている。
図3の例では、入力データとして、各地域における参照用売上データP01、P02、P03であるものとする。このような入力データとしての参照用売上データP01、P02、P03は、出力としての空調のトラブル発生頻度に連結している。
参照用売上データP01、P02、P03は、この出力解としての空調のトラブル発生頻度A~Dに対して3段階以上の連関度を通じて互いに連関しあっている。このトラブル発生頻度は、例えばAが月5回、Bが月20回等のように示されているが、これも月単位の頻度に限らず、いかなる期間単位の頻度とされていてもよい。参照用売上データがこの連関度を介して左側に配列し、各空調のトラブル発生頻度が連関度を介して右側に配列している。連関度は、左側に配列された参照用売上データに対して、何れのトラブル発生頻度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用売上データが、いかなるトラブル発生頻度に紐付けられる可能性が高いかを示す指標であり、各参照用売上データについて最も確からしいトラブル発生頻度を選択する上での的確性を示すものである。図3の例では、連関度としてw13〜w19が示されている。このw13〜w19は以下の表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力としてのトラブル発生頻度と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力としてのトラブル発生頻度と互いに関連度合いが低いことを示している。
探索装置2は、このような図3に示す3段階以上の連関度w13〜w19を予め取得しておく。つまり探索装置2は、実際の探索解の判別を行う上で、各地域の参照用売上データと、その場合のトラブル発生頻度の何れが採用、評価されたか、過去のデータセットを蓄積しておき、これらを分析、解析することで図3に示す連関度を作り上げておく。
例えば、過去において地域における参照用売上データがある折れ線グラフで示される変動推移で示されるものであるものとする。このような、ある折れ線グラフで示される参照用売上データの場合に、実際にその地域における空調のトラブル発生頻度は、Aが最も多かったものとする。このようなデータセットを集めて分析することにより、各地域の参照用売上データとの連関度が強くなる。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用売上データP01である場合に、過去の売上と、トラブル発生頻度の各種データから分析する。地域P01での売上が年平均で560万円である場合に、トラブル発生頻度Aの事例が多い場合には、このトラブル発生頻度の評価につながる連関度をより高く設定し、トラブル発生頻度Bの事例が多い場合には、このトラブル発生頻度の評価につながる連関度をより高く設定する。例えば地域P01についての参照用売上データの例では、トラブル発生頻度Aと、トラブル発生頻度Cにリンクしているが、以前の事例からトラブル発生頻度Aにつながるw13の連関度を7点に、トラブル発生頻度Cにつながるw14の連関度を2点に設定している。
また、この図3に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
かかる場合には、図4に示すように、入力データとして各地域の参照用売上データが入力され、出力データとしてトラブル発生頻度が出力され、入力ノードと出力ノードの間に少なくとも1以上の隠れ層が設けられ、機械学習させるようにしてもよい。入力ノード又は隠れ層ノードの何れか一方又は両方において上述した連関度が設定され、これが各ノードの重み付けとなり、これに基づいて出力の選択が行われる。そして、この連関度がある閾値を超えた場合に、その出力を選択するようにしてもよい。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを、以前の各地域の参照用売上データと、空調のトラブルの発生頻度とのデータセットを通じて作った後に、実際にこれから新たにトラブル発生頻度の判別を行う上で、上述した学習済みデータを利用してトラブル発生頻度を探索することとなる。これらのデータセットは、業者が管理しているデータベースから読み出すことで作成するようにしてもよい。
新たにトラブル発生頻度を探索する場合には、探索したい地域の入力を受け付ける。地域毎にそれぞれ過去の売上データが紐付けられて記憶されていることから、地域の入力を受け付けた場合、これに紐づけられている売上データを読み出すことで取得することができる。
次にこの読みだした売上データを参照用売上データと照合する。かかる場合には、予め取得した図3(表1)に示す連関度を参照する。例えば、新たに取得した売上データがP02と同一かこれに類似するものである場合には、連関度を介してトラブル発生頻度Bがw15、トラブル発生頻度Cが連関度w16で関連付けられている。かかる場合には、連関度の最も高いトラブル発生頻度Bを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められるトラブル発生頻度Cを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
ちなみに、売上データと参照用売上データの照合は、仮にこれらのデータが、ある期間の売上平均で表されている場合には、その売上平均が±10%の範囲内に入っているか否かで同一及び類似であるか否かを判別するようにしてもよい。また、売上データが時系列的推移グラフで示されるものであれば、その傾向の類似性に基づいて判別されるものであってもよい。
このようにして、新たに取得する売上データから、最も好適なトラブル発生頻度を探索し、ユーザに表示することができる。この探索結果を見ることにより、その地域で、今後どのようなトラブル発生頻度になりえるかを事前に判別することができ、地域毎の作業員の配置を検討することができる。
図5の例では、参照用売上データと、参照用断り率との組み合わせの連関度が形成される例である。参照用断り率とは、実際に建築構造物の居住者から空調トラブルに基づく出動要請が業者に対してあり、これに対して業者側が受任をすることができず断りを入れた確率である。この断り率は、出動要請数に対する断りを入れた回数で表される。出動要請数、断りを入れた回数、地域毎に業者がデータベース3上において管理している。この実際に断り率を知りたい地域に対して、データベース3からこれらの出動要請数に対する断りを入れた回数を読み出すことで、断り率を得ることができる。
空調のトラブルの発生頻度は、その地域における売上に加え、あまりに出動要請件数が多い場合には、断りを入れる場合が多くなることから、その断り率にも依拠する。このため、参照用売上データに加えて、参照用断り率を学習データに組み合わせ判断することで、トラブル発生頻度をより高精度に判別することができる。このため、参照用売上データに加えて、参照用断り率を組み合わせて上述した連関度を形成しておく。
図5の例では、入力データとして例えば参照用売上データP01〜P03、参照用断り率P14〜17であるものとする。このような入力データとしての、参照用売上データに対して、参照用断り率が組み合わさったものが、図5に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、トラブル発生頻度が表示されている。
参照用売上データと参照用断り率との各組み合わせ(中間ノード)は、この出力解としての、トラブル発生頻度に対して3段階以上の連関度を通じて互いに連関しあっている。参照用売上データと参照用断り率がこの連関度を介して左側に配列し、トラブル発生頻度が連関度を介して右側に配列している。連関度は、左側に配列された参照用売上データと参照用断り率に対して、トラブル発生頻度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用売上データと参照用断り率が、いかなるトラブル発生頻度に紐付けられる可能性が高いかを示す指標であり、参照用売上データと参照用断り率から最も確からしいトラブル発生頻度を選択する上での的確性を示すものである。このため、これらの参照用売上データと参照用断り率の組み合わせで、最適なトラブル発生頻度を探索していくこととなる。
図5の例では、連関度としてw13〜w22が示されている。このw13〜w22は表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。
探索装置2は、このような図5に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり探索装置2は、実際の探索解の判別を行う上で、参照用売上データと参照用断り率、並びにその場合のトラブル発生頻度が何れが見合うものであったか、過去のデータを蓄積しておき、これらを分析、解析することで図5に示す連関度を作り上げておく。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用売上データP01で、参照用断り率P16である場合に、そのトラブル発生頻度を過去のデータから分析する。トラブル発生頻度がAの事例が多い場合には、このトラブル発生頻度Aにつながる連関度をより高く設定し、トラブル発生頻度Bの事例が多く、トラブル発生頻度Aの事例が少ない場合には、トラブル発生頻度Bにつながる連関度を高くし、トラブル発生頻度Aにつながる連関度を低く設定する。例えば中間ノード61aの例では、トラブル発生頻度Aとトラブル発生頻度Bの出力にリンクしているが、以前の事例からトラブル発生頻度Aにつながるw13の連関度を7点に、トラブル発生頻度Bにつながるw14の連関度を2点に設定している。
また、この図5に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図4における説明と同様である。
図5に示す連関度の例で、ノード61bは、参照用売上データP01に対して、参照用断り率P14の組み合わせのノードであり、トラブル発生頻度Cの連関度がw15、トラブル発生頻度Eの連関度がw16となっている。ノード61cは、参照用売上データP02に対して、参照用断り率P15、P17の組み合わせのノードであり、トラブル発生頻度Bの連関度がw17、トラブル発生頻度Dの連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれからトラブル発生頻度を判別する際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にトラブル発生頻度を判別しようとする地域を同様に入力する。そしてデータベース3内にある、各地域毎に整理されている売上データと誤り率を取得する。
このようにして新たに取得した売上データ、誤り率に基づいて、最適なトラブル発生頻度を探索する。かかる場合には、予め取得した図5(表1)に示す連関度を参照する。例えば、新たに取得した売上データがP02と同一かこれに類似するものである場合であって、誤り率がP17と同一か類似である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、トラブル発生頻度Cがw19、トラブル発生頻度Dが連関度w20で関連付けられている。かかる場合には、連関度の最も高いトラブル発生頻度Cを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められるトラブル発生頻度Dを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
また、入力から伸びている連関度w1〜w12の例を以下の表2に示す。
この入力から伸びている連関度w1〜w12に基づいて中間ノード61が選択されていてもよい。つまり連関度w1〜w12が大きいほど、中間ノード61の選択における重みづけを重くしてもよい。しかし、この連関度w1〜w12は何れも同じ値としてもよく、中間ノード61の選択における重みづけは何れも全て同一とされていてもよい。
図6は、上述した参照用売上データに加え、上述した参照用断り率の代わりに参照用人口推計データとの組み合わせと、当該組み合わせに対するトラブル発生頻度との3段階以上の連関度が設定されている例を示している。
参照用断り率の代わりに説明変数として加えられるこの参照用人口推計データは、その地域における人口推計を示すものであり、人口ピラミッド(年代層、男女別に人口の分布が描かれた図)並びにその時系列的推移、その地域における転入数、転出数、転入家庭数、転出家庭数、また各人口毎の職業別分類等もこのデータに含めてもよい。トラブル発生頻度は、売上データに加え、このような人口推計にも影響を受ける。高齢者人口が多いほど、エアコンの故障等に対応することができない場合が多く、出動要請の機会が増加する場合がある。また転入数−転出数がプラスに多いほど、人口が増加しており、これに応じてトラブル発生頻度も高くなることが考えられる。このような参照用人口推計データは、各地域単位でデータベース3内にて管理されている。
このような家庭環境もトラブル発生頻度に影響を及ぼすことから、参照用売上データと組み合わせ、連関度を通じてトラブル発生頻度を判別することで、判別精度を向上させることができる。
図6の例では、入力データとして例えば参照用売上データP01〜P03、参照用人口
推計データP18〜21であるものとする。このような入力データとしての、参照用売上データに対して、参照用人口推計データが組み合わさったものが、図6に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、トラブル発生頻度が表示されている。
推計データP18〜21であるものとする。このような入力データとしての、参照用売上データに対して、参照用人口推計データが組み合わさったものが、図6に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、トラブル発生頻度が表示されている。
参照用売上データと参照用人口推計データとの各組み合わせ(中間ノード)は、この出力解としての、トラブル発生頻度に対して3段階以上の連関度を通じて互いに連関しあっている。参照用売上データと参照用人口推計データがこの連関度を介して左側に配列し、トラブル発生頻度が連関度を介して右側に配列している。連関度は、左側に配列された参照用売上データと参照用人口推計データに対して、トラブル発生頻度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用売上データと参照用人口推計データが、いかなるトラブル発生頻度に紐付けられる可能性が高いかを示す指標であり、参照用売上データと参照用人口推計データから最も確からしいトラブル発生頻度を選択する上での的確性を示すものである。
探索装置2は、このような図6に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり探索装置2は、実際の探索解の判別を行う上で、参照用売上データと、参照用売上データを取得する際に得た参照用人口推計データ、並びにその場合のトラブル発生頻度が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図7に示す連関度を作り上げておく。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用売上データP01で、参照用人口推計データP20である場合に、そのトラブル発生頻度を過去のデータから分析する。トラブル発生頻度Aの事例が多い場合には、このトラブル発生頻度がAにつながる連関度をより高く設定し、トラブル発生頻度がBの事例が多く、トラブル発生頻度がAの事例が少ない場合には、トラブル発生頻度がBにつながる連関度を高くし、トラブル発生頻度がAにつながる連関度を低く設定する。例えば中間ノード61aの例では、トラブル発生頻度Aとトラブル発生頻度Bの出力にリンクしているが、以前の事例からトラブル発生頻度Aにつながるw13の連関度を7点に、トラブル発生頻度Bにつながるw14の連関度を2点に設定している。
また、この図6に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図4における説明と同様である。
図6に示す連関度の例で、ノード61bは、参照用売上データP01に対して参照用人口推計データP18の組み合わせのノードであり、トラブル発生頻度Cの連関度がw15、トラブル発生頻度Eの連関度がw16となっている。ノード61cは、参照用売上データP02に対して、参照用人口推計データP19、P21の組み合わせのノードであり、トラブル発生頻度Bの連関度がw17、トラブル発生頻度Dの連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれからトラブル発生頻度の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にそのトラブル発生頻度の判別対象の地域を入力することで、その地域における売上データと、人口推計データとを取得する。
このようにして新たに取得した売上データと、人口推計データに基づいて、最適なトラブル発生頻度を探索する。かかる場合には、予め取得した図6(表1)に示す連関度を参照する。例えば、新たに取得した売上データがP02と同一かこれに類似するものである場合であって、人口推計データがP21と同一か又は類似する場合には、連関度を介してノード61dが関連付けられており、このノード61dは、トラブル発生頻度Cがw19、トラブル発生頻度Dが連関度w20で関連付けられている。かかる場合には、連関度の最も高いトラブル発生頻度Cを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められるトラブル発生頻度Dを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
図7は、上述した参照用売上データに加え、上述した参照用断り率の代わりに参照用天候情報との組み合わせと、当該組み合わせに対するトラブル発生頻度との3段階以上の連関度が設定されている例を示している。
参照用断り率の代わりに説明変数として加えられるこの参照用天候情報は、その地域におけるあらゆる天候情報を示すものであり、各地域において晴、曇、雨等の過去の天候の情報が時系列的に(日毎、週毎、月毎、年毎等)に整理されて記憶されている。また大雨や、台風、強風、降雪等の天気も整理されて記憶されている。このような参照用天候情報は、各地域単位でデータベース3内にて管理されている。
このような天候情報も空調トラブル発生頻度に影響を及ぼす。降雪があった場合には、これに応じて空調のトラブルが発生する可能性が高くなる場合があることから、これを参照用売上データと組み合わせ、連関度を通じてトラブル発生頻度を判別することで、判別精度を向上させることができる。
図7の例では、入力データとして例えば参照用売上データP01〜P03、参照用天候情報P18〜21であるものとする。このような入力データとしての、参照用売上データに対して、参照用天候情報が組み合わさったものが、図7に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、トラブル発生頻度が表示されている。
参照用売上データと参照用天候情報との各組み合わせ(中間ノード)は、この出力解としての、トラブル発生頻度に対して3段階以上の連関度を通じて互いに連関しあっている。参照用売上データと参照用天候情報がこの連関度を介して左側に配列し、トラブル発生頻度が連関度を介して右側に配列している。連関度は、左側に配列された参照用売上データと参照用天候情報に対して、トラブル発生頻度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用売上データと参照用天候情報が、いかなるトラブル発生頻度に紐付けられる可能性が高いかを示す指標であり、参照用売上データと参照用天候情報から最も確からしいトラブル発生頻度を選択する上での的確性を示すものである。
探索装置2は、このような図7に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり探索装置2は、実際の探索解の判別を行う上で、参照用売上データと、参照用売上データを取得する際に得た参照用天候情報、並びにその場合のトラブル発生頻度が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図7に示す連関度を作り上げておく。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用売上データP01で、参照用天候情報P20である場合に、そのトラブル発生頻度を過去のデータから分析する。トラブル発生頻度Aの事例が多い場合には、このトラブル発生頻度がAにつながる連関度をより高く設定し、トラブル発生頻度がBの事例が多く、トラブル発生頻度がAの事例が少ない場合には、トラブル発生頻度がBにつながる連関度を高くし、トラブル発生頻度がAにつながる連関度を低く設定する。例えば中間ノード61aの例では、トラブル発生頻度Aとトラブル発生頻度Bの出力にリンクしているが、以前の事例からトラブル発生頻度Aにつながるw13の連関度を7点に、トラブル発生頻度Bにつながるw14の連関度を2点に設定している。
また、この図7に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図4における説明と同様である。
図7に示す連関度の例で、ノード61bは、参照用売上データP01に対して参照用天候情報P18の組み合わせのノードであり、トラブル発生頻度Cの連関度がw15、トラブル発生頻度Eの連関度がw16となっている。ノード61cは、参照用売上データP02に対して、参照用天候情報P19、P21の組み合わせのノードであり、トラブル発生頻度Bの連関度がw17、トラブル発生頻度Dの連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれからトラブル発生頻度の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にそのトラブル発生頻度の判別対象の地域を入力することで、その地域における売上データと、天候情報とを取得する。
このようにして新たに取得した売上データと、天候情報に基づいて、最適なトラブル発生頻度を探索する。かかる場合には、予め取得した図7(表1)に示す連関度を参照する。例えば、新たに取得した売上データがP02と同一かこれに類似するものである場合であって、天候情報がP21と同一か又は類似する場合には、連関度を介してノード61dが関連付けられており、このノード61dは、トラブル発生頻度Cがw19、トラブル発生頻度Dが連関度w20で関連付けられている。かかる場合には、連関度の最も高いトラブル発生頻度Cを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められるトラブル発生頻度Dを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
なお、上述した図7において、参照用天候情報の代替として、その地域の外気温に関する参照用外気温情報と、参照用売上データとの間で上述した連関度が形成されていてもよい。参照用外気温情報とは、その地域において過去の外気温に関するあらゆるデータを示すものである。参照用外気温情報は、その地域における過去の外気温の時間毎、日毎、週毎、月毎、年毎の変化や推移、平均値で示されている。
かかる場合には、参照用売上データと、上記各地域における外気温に関する参照用外気温情報との組み合わせと、空調のトラブルの発生頻度との3段階以上の連関度を予め作っておく。そして、取得した地域特定情報における地域の売上データと共に、その地域の過去の外気温に関する外気温情報を取得する。この外気温情報の詳細は、上述した参照用外気温情報と同様である。
外気温情報を取得した場合には、連関度を参照し、取得した地域特定情報における地域の過去の売上データに対応する参照用売上データと、取得した外気温情報に対応する参照用外気温情報との組み合わせとの間でより高い連関度が設定されている空調のトラブルの発生頻度を探索する。この探索の方法は上述した図7に示す方法と同様である。取得した外気温情報に対して、いかなる参照用外気温情報が対応するかは、例えば参照用外気温情が日毎の平均値で示されるのであれば、その平均値±10%の範囲内に入っているか否かで判別するようにしてもよい。
図8は、上述した参照用売上データに加え、上述した参照用断り率の代わりに参照用トラブル種類情報との組み合わせと、当該組み合わせに対するトラブル発生頻度との3段階以上の連関度が設定されている例を示している。
参照用断り率の代わりに説明変数として加えられるこの参照用トラブル種類情報は、その地域におけるあらゆるトラブルの種類に関する情報を示すものである。このトラブルの種類としては、空調機器の故障、空調機器の配管の水漏れ、空調機器におけるフィルタの埃の蓄積、空調機器からの異常音の発生、空調機器から漂う異臭等、の種類が分類されている。このような参照用トラブル種類情報は、各地域単位でデータベース3内にて管理されている。
このようなトラブル種類情報も空調トラブル発生頻度に影響を及ぼす。空調機器の配管の水漏れが多いのか、或いは排水口のつまりが多いのかで、トラブルの頻度も異なる場合があることから、これを参照用売上データと組み合わせ、連関度を通じてトラブル発生頻度を判別することで、判別精度を向上させることができる。
図8の例では、入力データとして例えば参照用売上データP01〜P03、参照用トラブル種類情報P18〜21であるものとする。このような入力データとしての、参照用売上データに対して、参照用トラブル種類情報が組み合わさったものが、図8に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、トラブル発生頻度が表示されている。
参照用売上データと参照用トラブル種類情報との各組み合わせ(中間ノード)は、この出力解としての、トラブル発生頻度に対して3段階以上の連関度を通じて互いに連関しあっている。参照用売上データと参照用トラブル種類情報がこの連関度を介して左側に配列し、トラブル発生頻度が連関度を介して右側に配列している。連関度は、左側に配列された参照用売上データと参照用トラブル種類情報に対して、トラブル発生頻度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用売上データと参照用トラブル種類情報が、いかなるトラブル発生頻度に紐付けられる可能性が高いかを示す指標であり、参照用売上データと参照用トラブル種類情報から最も確からしいトラブル発生頻度を選択する上での的確性を示すものである。
探索装置2は、このような図8に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり探索装置2は、実際の探索解の判別を行う上で、参照用売上データと、参照用売上データを取得する際に得た参照用トラブル種類情報、並びにその場合のトラブル発生頻度の何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図8に示す連関度を作り上げておく。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用売上データP01で、参照用トラブル種類情報P20である場合に、そのトラブル発生頻度を過去のデータから分析する。トラブル発生頻度Aの事例が多い場合には、このトラブル発生頻度がAにつながる連関度をより高く設定し、トラブル発生頻度がBの事例が多く、トラブル発生頻度がAの事例が少ない場合には、トラブル発生頻度がBにつながる連関度を高くし、トラブル発生頻度がAにつながる連関度を低く設定する。例えば中間ノード61aの例では、トラブル発生頻度Aとトラブル発生頻度Bの出力にリンクしているが、以前の事例からトラブル発生頻度Aにつながるw13の連関度を7点に、トラブル発生頻度Bにつながるw14の連関度を2点に設定している。
また、この図8に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図4における説明と同様である。
図8に示す連関度の例で、ノード61bは、参照用売上データP01に対して参照用トラブル種類情報P18の組み合わせのノードであり、トラブル発生頻度Cの連関度がw15、トラブル発生頻度Eの連関度がw16となっている。ノード61cは、参照用売上データP02に対して、参照用トラブル種類情報P19、P21の組み合わせのノードであり、トラブル発生頻度Bの連関度がw17、トラブル発生頻度Dの連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれからトラブル発生頻度の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にそのトラブル発生頻度の判別対象の地域を入力することで、その地域における売上データと、トラブル種類情報とを取得する。
このようにして新たに取得した売上データと、トラブル種類情報に基づいて、最適なトラブル発生頻度を探索する。かかる場合には、予め取得した図8(表1)に示す連関度を参照する。例えば、新たに取得した売上データがP02と同一かこれに類似するものである場合であって、トラブル種類情報がP21と同一か又は類似する場合には、連関度を介してノード61dが関連付けられており、このノード61dは、トラブル発生頻度Cがw19、トラブル発生頻度Dが連関度w20で関連付けられている。かかる場合には、連関度の最も高いトラブル発生頻度Cを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められるトラブル発生頻度Dを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
図9は、上述した参照用売上データに加え、上述した参照用断り率の代わりに参照用統計情報との組み合わせと、当該組み合わせに対するトラブル発生頻度との3段階以上の連関度が設定されている例を示している。
参照用断り率の代わりに説明変数として加えられるこの参照用統計情報は、その地域における空調機器の種類に関する統計情報である。空調機器の種類とは、全空気方式、空気・水併用方式、全水方式、冷媒方式、単一ダクト定風量方式、単一ダクト変風量方式、4方向天井埋込カセット形、1方向天井埋込カセット形、天井ビルトインカセット形、天井埋込ダクト形、天吊自在形、壁掛形、床置形が統計的に分析されている。これらの各種類の割合が各地域間で比較分析しやすいように統計的に分析されている。このような参照用統計情報は、各地域単位でデータベース3内にて管理されている。
また、この参照用統計情報は、空調機器の使用年数に関する統計データで構成されていてもよい。この空調機器の使用年数毎に度数分布や平均、標準偏差等の統計データで地域毎に管理されている。
このような統計情報も空調トラブル発生頻度に影響を及ぼす。使用年数が長いほど機器の水漏れが多く、故障が多くなる場合があることから、これを参照用売上データと組み合わせ、連関度を通じてトラブル発生頻度を判別することで、判別精度を向上させることができる。また空調機器の種類に応じてトラブルの発生頻度も変わる場合もあることから、これを参照用売上データと組み合わせ、連関度を通じてトラブル発生頻度を判別することで、判別精度を向上させることができる。
図9の例では、入力データとして例えば参照用売上データP01〜P03、参照用統計情報P18〜21であるものとする。このような入力データとしての、参照用売上データに対して、参照用統計情報が組み合わさったものが、図9に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、トラブル発生頻度が表示されている。
参照用売上データと参照用統計情報との各組み合わせ(中間ノード)は、この出力解としての、トラブル発生頻度に対して3段階以上の連関度を通じて互いに連関しあっている。参照用売上データと参照用統計情報がこの連関度を介して左側に配列し、トラブル発生頻度が連関度を介して右側に配列している。連関度は、左側に配列された参照用売上データと参照用統計情報に対して、トラブル発生頻度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用売上データと参照用統計情報が、いかなるトラブル発生頻度に紐付けられる可能性が高いかを示す指標であり、参照用売上データと参照用統計情報から最も確からしいトラブル発生頻度を選択する上での的確性を示すものである。
探索装置2は、このような図9に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり探索装置2は、実際の探索解の判別を行う上で、参照用売上データと、参照用売上データを取得する際に得た参照用統計情報、並びにその場合のトラブル発生頻度が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図9に示す連関度を作り上げておく。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用売上データP01で、参照用統計情報P20である場合に、そのトラブル発生頻度を過去のデータから分析する。トラブル発生頻度Aの事例が多い場合には、このトラブル発生頻度がAにつながる連関度をより高く設定し、トラブル発生頻度がBの事例が多く、トラブル発生頻度がAの事例が少ない場合には、トラブル発生頻度がBにつながる連関度を高くし、トラブル発生頻度がAにつながる連関度を低く設定する。例えば中間ノード61aの例では、トラブル発生頻度Aとトラブル発生頻度Bの出力にリンクしているが、以前の事例からトラブル発生頻度Aにつながるw13の連関度を7点に、トラブル発生頻度Bにつながるw14の連関度を2点に設定している。
また、この図9に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。その他、人工知能に関する構成は、図4における説明と同様である。
図9に示す連関度の例で、ノード61bは、参照用売上データP01に対して参照用統計情報P18の組み合わせのノードであり、トラブル発生頻度Cの連関度がw15、トラブル発生頻度Eの連関度がw16となっている。ノード61cは、参照用売上データP02に対して、参照用統計情報P19、P21の組み合わせのノードであり、トラブル発生頻度Bの連関度がw17、トラブル発生頻度Dの連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれからトラブル発生頻度の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にそのトラブル発生頻度の判別対象の地域を入力することで、その地域における売上データと、統計情報とを取得する。
このようにして新たに取得した売上データと、統計情報に基づいて、最適なトラブル発生頻度を探索する。かかる場合には、予め取得した図9(表1)に示す連関度を参照する。例えば、新たに取得した売上データがP02と同一かこれに類似するものである場合であって、統計情報がP21と同一か又は類似する場合には、連関度を介してノード61dが関連付けられており、このノード61dは、トラブル発生頻度Cがw19、トラブル発生頻度Dが連関度w20で関連付けられている。かかる場合には、連関度の最も高いトラブル発生頻度Cを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められるトラブル発生頻度Dを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
上述した連関度においては、10段階評価で連関度を表現しているが、これに限定されるものではなく、3段階以上の連関度で表現されていればよく、逆に3段階以上であれば100段階でも1000段階でも構わない。一方、この連関度は、2段階、つまり互いに連関しているか否か、1又は0の何れかで表現されるものは含まれない。
上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽にトラブル発生頻度の判別・探索を行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能(ニューラルネットワーク等)で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。
なお、上述した入力データ、及び出力データは、学習させる過程で完全に同一のものが存在しない場合も多々あることから、これらの入力データと出力データを類型別に分類した情報であってもよい。つまり、入力データを構成する情報P01、P02、・・・・P15、16、・・・は、その情報の内容に応じて予めシステム側又はユーザ側において分類した基準で分類し、その分類した入力データと出力データとの間でデータセットを作り、学習させるようにしてもよい。
なお、上述した連関度では、参照用売上データに加え、業者の参照用断り率、参照用人口推計データ、参照用天候情報、参照用トラブル種類情報、空調機器の種類に関する参照用統計情報の何れかとの組み合わせで構成されている場合を例にとり説明をしたが、これに限定されるものではない。つまり連関度は、参照用売上データに加え、業者の参照用断り率、参照用人口推計データ、参照用天候情報、参照用トラブル種類情報、空調機器の種類に関する参照用統計情報の何れか2以上との組み合わせで構成されていてもよい。また連関度は、参照用売上データ又は、これに加えて業者の参照用断り率、参照用人口推計データ、参照用天候情報、参照用トラブル種類情報、空調機器の種類に関する参照用統計情報の何れか1以上に加え、他のファクターがこの組み合わせに加わって連関度が形成されていてもよい。
いずれの場合も、その連関度の参照情報に合わせたデータの入力がなされ、その連関度を利用してトラブル発生頻度を求める。
また本発明は、図10に示すように参照用情報Uと参照用情報Vという2種類以上の情報の組み合わせの連関度に基づいてトラブル発生頻度を判別するものである。この参照用情報Yが参照用売上データであり、参照用情報Vが業者の参照用断り率、参照用人口推計データ、参照用天候情報、参照用トラブル種類情報、空調機器の種類に関する参照用統計情報の何れかであるものとする。
このとき、図10に示すように、参照用情報Uについて得られた出力をそのまま入力データとして、参照用情報Vとの組み合わせの中間ノード61を介して出力(トラブル発生頻度)と関連付けられていてもよい。例えば、参照用情報U(参照用売上データ)について、図3に示すように出力解を出した後、これをそのまま入力として、他の参照用情報Vとの間での連関度を利用し、出力(トラブル発生頻度)を探索するようにしてもよい。
また本発明によれば、出力としてトラブル発生頻度を出力解として得る代わりに、トラブル発生頻度に基づいた警報、アラーム等を始めとする注意喚起情報を発信するようにしてもよい。トラブル発生頻度が高いほど、注意喚起情報の注意喚起度合が高くなる様にする。これにより外部に対して生徒が危険な状態にあることに対する注意喚起を効率的に行うことができる。
また、本発明によれば、3段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した10段階以外に、例えば0〜100%までの数値で記述することができるが、これに限定されるものではなく3段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。
このような3段階以上の数値で表される連関度に基づいて最も確からしいトラブル発生頻度、を判別することで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。このように連関度の高い順にユーザに表示できれば、より確からしい探索解を優先的に表示することも可能となる。
これに加えて、本発明によれば、連関度が1%のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。
更に本発明によれば、このような3段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が1%のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。
更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また参照用売上データを初めとする各参照用情報を取得し、これらに対するトラブル発生頻度に関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。
係る場合には、その参照用売上データを初めとする各参照用情報と実際にあったか否か、またその危険度や兆候の判別結果の事例を収集し、その事例の数に応じて連関度を上昇させ、或いは下降させる。このとき、上述した売上データ、断り率、人口推計データ、天候情報、トラブル種類情報、空調機器の種類に関する参照用統計情報を取得して、判別を行った際に、これらに基づいて更新を行うようにしてもよい。
つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。
また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。
また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。
1 空調トラブル発生頻度システム
2 探索装置
21 内部バス
23 表示部
24 制御部
25 操作部
26 通信部
27 判別部
28 記憶部
61 ノード
2 探索装置
21 内部バス
23 表示部
24 制御部
25 操作部
26 通信部
27 判別部
28 記憶部
61 ノード
Claims (9)
- 建築構造物内における空調設備のトラブルの発生頻度を地域単位で予測する空調トラブル発生頻度予測プログラムにおいて、
空調トラブルの発生頻度を予測する建築構造物又はそれが立地する地域を特定するための地域特定情報を取得する情報取得ステップと、
各地域における空調トラブル対応に対して出動した業者の参照用売上データと、空調のトラブルの発生頻度との3段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域特定情報における地域の過去の売上データに対応する参照用売上データとの間でより高い連関度が設定されている空調のトラブルの発生頻度を探索する探索ステップとをコンピュータに実行させること
を特徴とする空調トラブル発生頻度予測プログラム。 - 上記情報取得ステップでは、取得した地域特定情報における地域の過去の空調トラブル対応のために出動要請された業者の断り率を取得し、
上記探索ステップでは、各地域における空調トラブル対応に対して出動した業者の参照用売上データと、上記各地域における空調トラブル対応のために出動要請された業者の参照用断り率との組み合わせと、空調のトラブルの発生頻度との3段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域特定情報における地域の過去の売上データに対応する参照用売上データと、取得した断り率に対応する参照用断り率との組み合わせとの間でより高い連関度が設定されている空調のトラブルの発生頻度を探索すること
を特徴とする請求項1記載の空調トラブル発生頻度予測プログラム。 - 上記情報取得ステップでは、取得した地域特定情報における地域の人口推計データを取得し、
上記予測ステップでは、各地域における空調トラブル対応に対して出動した業者の参照用売上データと、上記各地域における参照用人口推計データとの組み合わせと、空調のトラブルの発生頻度との3段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域特定情報における地域の過去の売上データに対応する参照用売上データと、取得した人口推計データに対応する参照用人口推計データとの組み合わせとの間でより高い連関度が設定されている空調のトラブルの発生頻度を探索すること
を特徴とする請求項1記載の空調トラブル発生頻度予測プログラム。 - 上記情報取得ステップでは、取得した地域特定情報における地域の天候情報を取得し、
上記予測ステップでは、各地域における空調トラブル対応に対して出動した業者の参照用売上データと、上記各地域における参照用天候情報との組み合わせと、空調のトラブルの発生頻度との3段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域特定情報における地域の過去の売上データに対応する参照用売上データと、取得した天候情報に対応する参照用天候情報との組み合わせとの間でより高い連関度が設定されている空調のトラブルの発生頻度を探索すること
を特徴とする請求項1記載の空調トラブル発生頻度予測プログラム。 - 上記情報取得ステップでは、取得した地域特定情報における地域の空調トラブルの種類に関するトラブル種類情報を取得し、
上記予測ステップでは、各地域における空調トラブル対応に対して出動した業者の参照用売上データと、上記各地域における空調トラブルの種類に関する参照用トラブル種類情報との組み合わせと、空調のトラブルの発生頻度との3段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域特定情報における地域の過去の売上データに対応する参照用売上データと、取得したトラブル種類情報に対応する参照用トラブル種類情報との組み合わせとの間でより高い連関度が設定されている空調のトラブルの発生頻度を探索すること
を特徴とする請求項1記載の空調トラブル発生頻度予測プログラム。 - 上記情報取得ステップでは、取得した地域特定情報における地域の空調機器の使用年数に関する統計情報を取得し、
上記予測ステップでは、各地域における空調トラブル対応に対して出動した業者の参照用売上データと、上記各地域における空調機器の使用年数に関する参照用統計情報との組み合わせと、空調のトラブルの発生頻度との3段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域特定情報における地域の過去の売上データに対応する参照用売上データと、取得した統計情報に対応する参照用統計情報との組み合わせとの間でより高い連関度が設定されている空調のトラブルの発生頻度を探索すること
を特徴とする請求項1記載の空調トラブル発生頻度予測プログラム。 - 上記情報取得ステップでは、取得した地域特定情報における地域の空調機器の種類に関する統計情報を取得し、
上記予測ステップでは、各地域における空調トラブル対応に対して出動した業者の参照用売上データと、上記各地域における空調機器の種類に関する参照用統計情報との組み合わせと、空調のトラブルの発生頻度との3段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域特定情報における地域の過去の売上データに対応する参照用売上データと、取得した統計情報に対応する参照用統計情報との組み合わせとの間でより高い連関度が設定されている空調のトラブルの発生頻度を探索すること
を特徴とする請求項1記載の空調トラブル発生頻度予測プログラム。 - 上記情報取得ステップでは、取得した地域特定情報における地域の外気温に関する外気温情報を取得し、
上記予測ステップでは、各地域における空調トラブル対応に対して出動した業者の参照用売上データと、上記各地域における外気温に関する参照用外気温情報との組み合わせと、空調のトラブルの発生頻度との3段階以上の連関度を参照し、上記情報取得ステップにおいて取得した地域特定情報における地域の過去の売上データに対応する参照用売上データと、取得した外気温情報に対応する参照用外気温情報との組み合わせとの間でより高い連関度が設定されている空調のトラブルの発生頻度を探索すること
を特徴とする請求項1記載の空調トラブル発生頻度予測プログラム。 - 上記連関度は、人工知能におけるニューラルネットワークのノードで構成されること
を特徴とする請求項1〜8のうち何れか1項記載の空調トラブル発生頻度予測プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020011061A JP2021117771A (ja) | 2020-01-27 | 2020-01-27 | 空調トラブル発生頻度予測プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020011061A JP2021117771A (ja) | 2020-01-27 | 2020-01-27 | 空調トラブル発生頻度予測プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021117771A true JP2021117771A (ja) | 2021-08-10 |
Family
ID=77174983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020011061A Pending JP2021117771A (ja) | 2020-01-27 | 2020-01-27 | 空調トラブル発生頻度予測プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021117771A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022075274A1 (ja) * | 2020-10-06 | 2022-04-14 | Assest株式会社 | 空調トラブル発生頻度予測プログラム |
-
2020
- 2020-01-27 JP JP2020011061A patent/JP2021117771A/ja active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022075274A1 (ja) * | 2020-10-06 | 2022-04-14 | Assest株式会社 | 空調トラブル発生頻度予測プログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11808473B2 (en) | Action optimization device, method and program | |
KR101173823B1 (ko) | 공동주택의 에너지 사용량 예측 시스템 및 방법 | |
KR20220104460A (ko) | 병원 에너지 관리 시스템 및 그 관리 방법 | |
US20220019186A1 (en) | Method and system for smart environment management | |
JP2021117771A (ja) | 空調トラブル発生頻度予測プログラム | |
JP2021039637A (ja) | 熱中症リスク判別プログラム及びシステム | |
WO2022075274A1 (ja) | 空調トラブル発生頻度予測プログラム | |
JP2022061136A (ja) | 空調トラブル発生頻度予測プログラム | |
JP2022061138A (ja) | ガス設備トラブル発生頻度予測プログラム | |
JP6765110B1 (ja) | 水回りトラブル発生頻度予測プログラム | |
JP2022061137A (ja) | 電気設備トラブル発生頻度予測プログラム | |
JP2022033692A (ja) | 浸水被害予測プログラム | |
WO2022075268A1 (ja) | 水回りトラブル発生頻度予測プログラム | |
JP2022061134A (ja) | 水回りトラブル発生頻度予測プログラム | |
JP2022061135A (ja) | 水回りトラブル発生頻度予測プログラム | |
JP2023059365A (ja) | 水道管劣化度合判別プログラム | |
JP2022061458A (ja) | 水回りトラブル発生頻度予測プログラム | |
JP2021174265A (ja) | 宿泊料の増減率判定プログラム | |
JP2021047585A (ja) | 原状回復費用推定プログラム及びシステム | |
JP2021179875A (ja) | イベント混雑予想プログラム | |
JP2023075554A (ja) | メンテナンス業者選定プログラム | |
JP2022033589A (ja) | 保険条件提案プログラム | |
JP2023075555A (ja) | メンテナンス費用予測プログラム | |
JP2023075556A (ja) | 保険条件提案プログラム | |
WO2022085612A1 (ja) | 不動産取引価格提案プログラム |