JP6880154B2 - 情報処理装置、情報処理方法及び情報処理プログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法及び情報処理プログラムに関する。

従来、空調制御に関する技術が知られている。例えば、空調装置から人物までの距離と人物に適した温度とを算出し、算出した距離と温度とに基づいて、室内にいる複数の人間の一人ひとりに対して送風方向と送風量とを調整する技術が知られている。

特開２００８−３０４０８３号公報

しかしながら、上記の従来技術では、適切に空調を制御することができるとは限らない。例えば、上記の従来技術では、空調制御の制御対象となる空間に今いる人の情報に基づいて、空調制御の制御対象となる空間の空調を制御するにすぎず、適切に空調を制御することができるとは限らない。

本願は、上記に鑑みてなされたものであって、適切に空調を制御することができる情報処理装置、情報処理方法及び情報処理プログラムを提案する。

本願に係る情報処理装置は、第１空間に存在すると推定される第１利用者の特徴を推定する推定部と、前記推定部によって推定された第１利用者の特徴に基づいて、前記第１空間の空調を制御する空調制御部と、を備えることを特徴とする。

実施形態の一態様によれば、適切に空調を制御することができるといった効果を奏する。

図１は、実施形態に係るＰＭＶ（Predicted Mean Vote）について説明するための図である。 図２は、実施形態に係る情報処理の概要を説明するための図である。 図３は、実施形態に係る情報処理システムの構成例を示す図である。 図４は、実施形態に係る情報処理装置の構成例を示す図である。 図５は、実施形態に係る情報処理手順を示すフローチャートである。 図６は、変形例に係る情報処理の概要を説明するための図である。 図７は、情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る情報処理装置、情報処理方法及び情報処理プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理装置、情報処理方法及び情報処理プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

（実施形態）
〔１．情報処理の概要〕
従来、人の暑さ寒さに関する温熱環境における快適さを評価する指標であるＰＭＶ（Predicted Mean Vote）に基づいて空調制御する技術が知られている。図１を用いて、実施形態に係るＰＭＶについて説明する。図１は、実施形態に係るＰＭＶについて説明するための図である。人間は、体内での熱産生をほどよく外部環境に逃がし熱平衡を保ち、深部体温を一定に保っている。この人体と環境との熱交換に影響を与える要素を温熱環境要素と呼ぶ。

ＰＭＶは、６つの温熱環境要素から算出される。図１の左側に示すように、６つの温熱環境要素は、着衣量［clo］、代謝量（活動量）［met］の２つの人的要素と、温度［℃］、湿度［％］、（熱）放射［℃］、気流［m/s］の４つの環境要素とを含む。ここで、着衣量、代謝量（活動量）の２つの人的要素は、人物に対するセンシングによって得られる。一方、温度、湿度、放射、気流の４つの環境要素は、空間に対するセンシングによって得られる。

ＰＭＶは、着衣量、代謝量（活動量）の２つの人的要素と、温度、湿度、放射、気流の４つの環境要素をＰＭＶの算出式に代入することにより算出される。図１の右側に示すように、ＰＭＶでは、ＰＭＶ＝０の状態を熱的中立とし、−３から３のあいだで人間の温熱快適性を表現する。

ところで、６つの温熱環境要素のうち、温度、湿度、放射、気流の４つの環境要素に関する情報は、空間に環境センサを設置することにより、取得することができる。具体的には、空間にＵＳＢ型の環境センサを設置することにより、温度、湿度といった環境要素に関する情報を取得することができる。このようなＵＳＢ型の環境センサは、比較的安価であり、小型であるため、空間に設置する際のコストや手間といったハードルはそこまで高くない。

一方、６つの温熱環境要素のうち、着衣量と代謝量（活動量）の２つの人的要素に関する情報は、環境要素に関する情報に比べると、取得が困難である。具体的には、着衣量は、空間にＲＧＢカメラを設置し、空間に存在する利用者のＲＧＢ画像を画像解析することにより推定される。また、代謝量（活動量）は、空間に赤外線カメラを設置し、空間に存在する利用者のサーマル画像を画像解析することにより推定される。このように、着衣量と代謝量（活動量）に関する情報を取得するには、ＲＧＢカメラや赤外線カメラといった画像センサを各空間に設置する必要がある。また、各空間に設置された画像センサによって撮影された画像を画像解析する必要がある。さらに、ＲＧＢカメラや赤外線カメラといった画像センサは、ＵＳＢ型の環境センサに比べると、空間に設置する際のコストや手間といったハードルが高い。そのため、６つの温熱環境要素のうち、着衣量と代謝量（活動量）の２つの人的要素に関する情報は、環境要素に関する情報に比べると、取得が困難である。

また、従来は、６つの温熱環境要素のうち、着衣量と代謝量（活動量）の２つの人的要素は取得が困難であるため、着衣量と代謝量（活動量）を固定値としてＰＭＶを算出することもあった。ところが、着衣量と代謝量（活動量）を固定値としてＰＭＶを算出すると、ＰＭＶは実質的に温度、湿度、放射、気流の４つの環境要素に依存することとなり、ＰＭＶの算出精度が下がるという問題があった。

ここで、着衣量や代謝量（活動量）といった人的要素には、何らかの周期性があることが推定される。例えば、着衣量については、夏と比べると、冬の方が大きいというような周期性があると推定される。また、オフィス街に所在するビルの会議室であれば、毎週月曜日の朝９時から同じようなメンバーで１時間ほど会議が行われるといった周期性があることが予想されることから、その会議室の利用者の特徴にも何らかの周期性があることが推定される。また、このような周期性があるとすれば、同じオフィス街に所在する、似たような構造のビルの会議室であれば、毎週月曜日の朝９時に同じような利用者が存在すると推定されるため、そのような会議室の利用者の特徴も類似することが予想される。

そこで、本願に係る情報処理装置は、第１空間に存在すると推定される第１利用者の特徴を推定する。また、本願に係る情報処理装置は、推定した第１利用者の特徴に基づいて、第１空間の空調を制御する。これにより、情報処理装置は、空調制御の制御対象となる各空間に画像センサが設置されていない場合であっても、各空間に存在すると推定される利用者の特徴（着衣量と代謝量（活動量）といった人的要素）を推定することができる。また、情報処理装置は、例えば、着衣量と代謝量（活動量）を固定値としてＰＭＶを算出する場合と比べると、ＰＭＶの算出精度を高めることができる。さらに、情報処理装置は、より高い精度で算出されたＰＭＶに基づいて空調を制御することができる。すなわち、情報処理装置は、画像センサが設置されていない場合であっても、推定した利用者の特徴（人的要素）に基づいて、適切に各空間の空調を制御することができる。したがって、情報処理装置は、適切に空調を制御することができる。

次に、図２を用いて、実施形態に係る情報処理の概要について説明する。図２は、実施形態に係る情報処理の概要を説明するための図である。図２に示す例では、情報処理装置１００が、地域Ａ１に所在するビルＢ１のフロアＦ１に含まれる４つの会議室Ｒ１１〜Ｒ１４の２０２０年８月３日（月）午前９時における空調を制御する。具体的には、情報処理装置１００は、画像センサが設置されたフロアＦ２の各会議室に関する情報と各会議室の利用者の特徴との関係性を学習した第１学習モデルＭ１に基づいて、画像センサが設置されていないフロアＦ１の各会議室に関する情報から各会議室の利用者の特徴を推定する。そして、情報処理装置１００は、推定した利用者の特徴に基づいて、フロアＦ１に含まれる各会議室の２０２０年８月３日（月）午前９時における空調を制御する。

図２の説明に先立って、図３を用いて、実施形態に係る情報処理システムの構成について説明する。図３は、実施形態に係る情報処理システムの構成例を示す図である。図３に示すように、情報処理システム１には、空調装置１０と、センサ装置２０と、情報処理装置１００とが含まれる。空調装置１０と、センサ装置２０と、情報処理装置１００とは所定のネットワークＮを介して、有線または無線により通信可能に接続される。なお、図３に示す情報処理システム１には、任意の数の空調装置１０と任意の数のセンサ装置２０と任意の数の情報処理装置１００とが含まれてもよい。

空調装置１０は、空間の空気の温度や湿度などを調整する装置である。例えば、空調装置１０は、情報処理装置１００による空調制御の対象となる各空間に設置されたＩｏＴ（Internet of Things）化されたエアコンである。空調装置１０は、情報処理装置１００の制御に従って制御対象となる空間の空調を調整する。具体的には、空調装置１０は、情報処理装置１００から空調の制御に関する制御情報を受信する。例えば、空調装置１０は、情報処理装置１００から空調に設定する設定温度や設定湿度に関する情報を受信する。続いて、空調装置１０は、情報処理装置１００から受信した制御情報に従って、空間の空調を調整する。例えば、空調装置１０は、設定温度や設定湿度に関する情報を受信すると、空間の温度や湿度が、設定温度や設定湿度に保たれるように空調を調整する。

また、図２および図３に示す例においては、空調装置１０に応じて、空調装置１０を空調装置１０−１〜１０−２として説明する。例えば、空調装置１０−１は、会議室Ｒ１１に設置されている空調装置１０である。また、例えば、空調装置１０−２は、会議室Ｒ２１に設置されている空調装置１０である。また、以下では、空調装置１０−１〜１０−２について、特に区別なく説明する場合には、空調装置１０と記載する。

センサ装置２０は、空間の物理的な状態や空間に存在する利用者の物理的な状態を検知する装置である。具体的には、センサ装置２０は、環境センサである。例えば、ＵＳＢ型の環境センサであるセンサ装置２０は、空間の温度、湿度、放射、気流等のセンサ情報を検出する。また、センサ装置２０は、画像センサである。例えば、ＲＧＢカメラであるセンサ装置２０は、空間に存在する利用者のＲＧＢ画像を検出する。また、赤外線カメラであるセンサ装置２０は、空間に存在する利用者のサーマル画像を検出する。センサ装置２０は、センサ情報を検出すると、情報処理装置１００の要求に応じて、センサ情報を情報処理装置１００に送信する。

また、図２および図３に示す例においては、センサ装置２０に応じて、センサ装置２０をセンサ装置２０−１〜２０−３として説明する。例えば、センサ装置２０−１は、会議室Ｒ１１に設置されている環境センサである。また、例えば、センサ装置２０−２は、会議室Ｒ２１に設置されている環境センサである。また、例えば、センサ装置２０−３は、会議室Ｒ２１に設置されている画像センサである。また、以下では、センサ装置２０−１〜２０−３について、特に区別なく説明する場合には、センサ装置２０と記載する。

情報処理装置１００は、空調装置１０を制御する制御装置である。情報処理装置１００は、第１空間に存在すると推定される第１利用者の特徴を推定する。具体的には、情報処理装置１００は、第２空間に関する情報と第２空間に存在する第２利用者の特徴との関係性を学習した第１学習モデルＭ１を用いて、第１空間に関する情報から第１空間に存在すると推定される第１利用者の特徴を推定する。

ここで、実施形態に係る第１空間（第２空間）は、時間と場所によって定義される。図２に示す例では、第１空間は、「２０２０年８月３日（月）午前９時におけるビルＢ１のフロアＦ１の各会議室」に対応する空間である。また、第２空間は、「２０１９年８月５日（月）午前９時におけるビルＢ１のフロアＦ２の各会議室」に対応する空間である。

また、実施形態に係る第１空間（第２空間）に関する情報は、時間や場所を含む情報である。具体的には、第１空間（第２空間）に関する情報とは、日付、曜日もしくは時間を示す情報、第１空間（第２空間）を含む建物の構造を示す情報、第１空間（第２空間）の位置を示す情報、または第１空間（第２空間）を含む建物が所在する地域を示す情報である。

また、情報処理装置１００は、推定した第１利用者の特徴に基づいて、第１空間の空調を制御する。具体的には、情報処理装置１００は、第１利用者の特徴を推定すると、推定した第１利用者の特徴（着衣量、代謝量（活動量））と環境センサによって検出されたセンサ情報（空間の温度、湿度、放射、気流）とに基づいて、ＰＭＶを算出する。続いて、情報処理装置１００は、ＰＭＶを算出すると、算出したＰＭＶに基づいて、第１利用者にとって快適な快適温度を推定する。続いて、情報処理装置１００は、推定した快適温度を空調装置１０の設定温度とするよう空調装置１０に制御情報を送信する。

図２の説明に戻る。図２では、情報処理装置１００は、画像センサが設置されたフロアＦ２の各会議室Ｒ２１〜Ｒ２４に関する情報と各会議室Ｒ２１〜Ｒ２４の利用者の特徴とを取得する。具体的には、情報処理装置１００は、会議室Ｒ２１に関する情報として、日付、曜日もしくは時間を示す「２０１９年８月５日（月）午前９時」という情報を取得する。また、情報処理装置１００は、会議室Ｒ２１に関する情報として、ビルＢ１の構造を示す「６階建て」という情報、会議室Ｒ２１の広さを示す「１００平方メートル」という情報、会議室Ｒ２１が閉鎖空間であるか否かを示す「閉鎖空間」という情報、会議室Ｒ２１における窓の有無を示す「窓無し」という情報、会議室Ｒ２１の向きを示す「南向き」という情報等を取得する。また、情報処理装置１００は、会議室Ｒ２１に関する情報として、会議室Ｒ２１の位置を示す情報である「ビルＢ１のフロアＦ２の「Ｒ２１」で識別される会議室」という情報を取得する。また、情報処理装置１００は、会議室Ｒ２１に関する情報として、会議室Ｒ２１を含む建物が所在する地域を示す「地域Ａ１」という情報を取得する。また、情報処理装置１００は、会議室Ｒ２１に関する情報と同様に、他の会議室Ｒ２２〜Ｒ２４に関する情報を取得する。

また、情報処理装置１００は、会議室Ｒ２１の利用者Ｕ１２の特徴として、会議室Ｒ２１に存在する利用者Ｕ１２の着衣量、代謝量、性別に関する情報を取得する。例えば、情報処理装置１００は、会議室Ｒ２１に設置された画像センサ２０−２によって撮影された利用者Ｕ１２の画像を画像センサ２０−２から取得する。続いて、情報処理装置１００は、利用者Ｕ１２の画像を取得すると、取得した利用者Ｕ１２の画像に基づいて、利用者Ｕ１２の着衣量、代謝量、性別に関する情報を取得する。また、情報処理装置１００は、会議室Ｒ２１の利用者Ｕ１２の特徴と同様に、他の会議室Ｒ２２〜Ｒ２４の利用者の特徴を取得する。

なお、情報処理装置１００は、各会議室に複数の利用者が存在する場合は、各利用者の着衣量もしくは代謝量の平均、または性別の割合を各会議室の利用者の特徴として取得する。例えば、情報処理装置１００は、ある会議室に５人の利用者が存在する場合は、５人の利用者の着衣量の平均をその会議室の利用者の着衣量に関する情報として取得する。また、情報処理装置１００は、５人の利用者の代謝量の平均をその会議室の利用者の代謝量に関する情報として取得する。また、情報処理装置１００は、５人の利用者の性別が男性３人、女性２人である場合には、例えば、男性の割合を示す「０．６」をその会議室の利用者の性別に関する情報として取得する。

続いて、情報処理装置１００は、各会議室Ｒ２１〜Ｒ２４に関する情報と各会議室Ｒ２１〜Ｒ２４の利用者の特徴とを取得すると、各会議室Ｒ２１〜Ｒ２４に関する情報が入力された際に各会議室Ｒ２１〜Ｒ２４の利用者の特徴を出力するよう学習された第１学習モデルＭ１を生成する。なお、情報処理装置１００は、会議室Ｒ２１〜Ｒ２４に加えて、第１学習モデルＭ１の学習に十分な量の情報に基づいて学習された第１学習モデルＭ１を生成する。

続いて、情報処理装置１００は、第１学習モデルＭ１を生成すると、生成された第１学習モデルＭ１を用いて、画像センサが設置されていないフロアＦ１の各会議室Ｒ１１〜Ｒ１４に関する情報から各会議室Ｒ１１〜Ｒ１４に存在すると推定される利用者の特徴を推定する。具体的には、情報処理装置１００は、会議室Ｒ１１に関する情報として、日付、曜日もしくは時間を示す「２０２０年８月３日（月）午前９時」という情報を取得する。また、情報処理装置１００は、会議室Ｒ１１に関する情報として、ビルＢ１の構造を示す「６階建て」という情報、会議室Ｒ１１の広さを示す「１００平方メートル」という情報、会議室Ｒ１１が閉鎖空間であるか否かを示す「閉鎖空間」という情報、会議室Ｒ１１における窓の有無を示す「窓無し」という情報、会議室Ｒ１１の向きを示す「南向き」という情報等を取得する。また、情報処理装置１００は、会議室Ｒ１１に関する情報として、会議室Ｒ１１の位置を示す情報である「ビルＢ１のフロアＦ１の「Ｒ１１」で識別される会議室」という情報を取得する。また、会議室Ｒ１１に関する情報として、会議室Ｒ１１を含む建物が所在する地域を示す「地域Ａ１」という情報を取得する。また、情報処理装置１００は、会議室Ｒ１１に関する情報と同様に、他の会議室Ｒ１２〜Ｒ１４に関する情報を取得する。

続いて、情報処理装置１００は、会議室Ｒ１１に関する情報を取得すると、取得した会議室Ｒ１１に関する情報を第１学習モデルＭ１に入力して、会議室Ｒ１１に存在すると推定される利用者Ｕ１１の特徴を推定する。より具体的には、情報処理装置１００は、会議室Ｒ１１に存在すると推定される利用者Ｕ１１の特徴として、会議室Ｒ１１に存在すると推定される利用者Ｕ１１の着衣量、代謝量、性別に関する情報を推定する。また、情報処理装置１００は、会議室Ｒ１１に存在すると推定される利用者Ｕ１１の特徴と同様に、他の会議室Ｒ１２〜Ｒ１４に存在すると推定される利用者の特徴を推定する。

続いて、情報処理装置１００は、各会議室Ｒ１１〜Ｒ１４に存在すると推定される利用者の特徴を推定すると、各会議室Ｒ１１〜Ｒ１４に存在すると推定される利用者の特徴に基づいて、ＰＭＶ（Predicted Mean Vote）を算出する。具体的には、情報処理装置１００は、会議室Ｒ１１に存在すると推定される利用者Ｕ１１の着衣量および代謝量と、環境センサから取得した会議室Ｒ１１の温度、湿度、放射、気流に基づいて、ＰＭＶを算出する。また、情報処理装置１００は、会議室Ｒ１１と同様に、他の会議室Ｒ１２〜Ｒ１４についても、ＰＭＶを算出する。

続いて、情報処理装置１００は、ＰＭＶを算出すると、算出したＰＭＶに基づいて、会議室Ｒ１１に存在すると推定される第１利用者が快適であると感じる第１快適温度（以下、会議室Ｒ１１の第１快適温度ともいう）を推定する。続いて、情報処理装置１００は、会議室Ｒ１１の第１快適温度を推定すると、推定した第１利用者の性別に基づいて、会議室Ｒ１１に存在すると推定される第１利用者が快適であると感じる第２快適温度（以下、会議室Ｒ１１の第２快適温度ともいう）を推定する。例えば、情報処理装置１００は、推定した利用者Ｕ１１の性別が男性寄り（例えば、推定した男性の割合が０．５以上）である場合には、推定した利用者Ｕ１１の性別が女性寄り（例えば、推定した男性の割合が０．５未満）である場合と比べて、ＰＭＶに基づいて推定された第１快適温度よりも所定の温度（例えば、１度）だけ高い温度を会議室Ｒ１１の第２快適温度と推定する。また、情報処理装置１００は、会議室Ｒ１１の第２快適温度と同様に、他の会議室Ｒ１２〜Ｒ１４の第２快適温度を推定する。

続いて、情報処理装置１００は、快適温度を推定すると、推定した快適温度を設定温度とするよう会議室Ｒ１１に設置された空調装置１０−１に制御情報を送信する。また、情報処理装置１００は、会議室Ｒ１１と同様に、他の会議室Ｒ１２〜Ｒ１４の快適温度を推定すると、推定した快適温度を設定温度とするよう他の会議室Ｒ１２〜Ｒ１４に設置された各空調装置に制御情報を送信する。

上述したように、情報処理装置１００は、第１空間に存在すると推定される第１利用者の特徴を推定する。また、情報処理装置１００は、推定した第１利用者の特徴に基づいて、第１空間の空調を制御する。これにより、情報処理装置１００は、空調制御の制御対象となる各空間に画像センサが設置されていない場合であっても、各空間に存在すると推定される利用者の特徴（着衣量と代謝量（活動量）といった人的要素）を適切に推定することができる。また、情報処理装置１００は、例えば、着衣量と代謝量（活動量）を固定値としてＰＭＶを算出する場合と比べると、ＰＭＶの算出精度を高めることができる。さらに、情報処理装置１００は、より高い精度で算出されたＰＭＶに基づいて空調を制御することができる。すなわち、情報処理装置１００は、画像センサが設置されていない場合であっても、推定した利用者の特徴（人的要素）に基づいて、適切に各空間の空調を制御することができる。したがって、情報処理装置１００は、適切に空調を制御することができる。

〔２．情報処理装置の構成〕
次に、図３を用いて、実施形態に係る情報処理装置１００の構成について説明する。図３は、実施形態に係る情報処理装置１００の構成例を示す図である。図３に示すように、情報処理装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、情報処理装置１００は、情報処理装置１００の管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示させるための表示部（例えば、液晶ディスプレイ等）を有してもよい。

（通信部１１０）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワークと有線または無線で接続され、例えば、空調装置１０との間で情報の送受信を行う。

（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。記憶部１２０は、図３に示すように、センサ情報記憶部１２１とモデル情報記憶部１２２を有する。

（センサ情報記憶部１２１）
センサ情報記憶部１２１は、センサ情報に関する各種情報を記憶する。具体的には、センサ情報記憶部１２１は、環境センサによって取得された各第１空間における温度、湿度、放射、気流等のセンサ情報を各第１空間に関する情報およびセンサ情報の取得日時と対応付けて記憶する。また、センサ情報記憶部１２１は、画像センサによって取得された各第２空間における第２利用者の着衣量、代謝量または性別等のセンサ情報を各第２空間に関する情報およびセンサ情報の取得日時と対応付けて記憶する。

（モデル情報記憶部１２２）
モデル情報記憶部１２２は、第２空間に関する情報が入力された際に、第２空間に存在する第２利用者の特徴を出力するよう学習された第１学習モデルに関する各種の情報を記憶する。具体的には、モデル情報記憶部１２４は、モデルを識別する識別情報とモデルのモデルデータとを対応付けて記憶する。例えば、モデル情報記憶部１２４は、モデルＩＤ「Ｍ１」で識別される第１学習モデル（第１学習モデルＭ１）と、「ＭＤＴ１」で示されるモデルデータ（モデルデータＭＤＴ１）とを対応付けて記憶する。

モデルデータＭＤＴ１は、第２空間に関する情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された第２空間に関する情報に応じて、入力層に入力された第２空間に関する情報に対応する第２空間に存在する第２利用者の特徴を出力層から出力するよう、情報処理装置１００を機能させてもよい。

ここで、モデルデータＭＤＴ１が「y=a1*x1+a2*x2+・・・+ai*xi」で示す回帰モデルで実現されるとする。この場合、モデルデータＭＤＴ１が含む第１要素は、x1やx2等といった入力データ（xi）に対応する。また、第１要素の重みは、xiに対応する係数aiに対応する。ここで、回帰モデルは、入力層と出力層とを有する単純パーセプトロンと見做すことができる。各モデルを単純パーセプトロンと見做した場合、第１要素は、入力層が有するいずれかのノードに対応し、第２要素は、出力層が有するノードと見做すことができる。

また、モデルデータＭＤＴ１がＤＮＮ（Deep Neural Network）等、１つまたは複数の中間層を有するニューラルネットワークで実現されるとする。この場合、モデルデータＭＤＴ１が含む第１要素は、入力層または中間層が有するいずれかのノードに対応する。また、第２要素は、第１要素と対応するノードから値が伝達されるノードである次段のノードに対応する。また、第１要素の重みは、第１要素と対応するノードから第２要素と対応するノードに伝達される値に対して考慮される重みである接続係数に対応する。

情報処理装置１００は、上述した回帰モデルやニューラルネットワーク等、任意の構造を有するモデルを用いて、第２空間に存在する第２利用者の特徴の算出を行う。具体的には、モデルデータＭＤＴ１は、第２空間に関する情報が入力された場合に、第２空間に関する情報に対応する第２空間に存在する第２利用者の特徴を出力するように係数が設定される。情報処理装置１００は、このようなモデルデータＭＤＴ１を用いて、第２空間に関する情報に対応する第２空間に存在する第２利用者の特徴を算出する。

また、情報処理装置１００がＧＡＮ（Generative Adversarial Networks）を用いた推定処理を行う場合、モデルデータＭＤＴ１は、ＧＡＮの一部を構成するモデルであってもよい。

（制御部１３０）
図３の説明に戻って、制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報処理装置１００内部の記憶装置に記憶されている各種プログラム（情報処理プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、コントローラであり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。

図３に示すように、制御部１３０は、取得部１３１と、生成部１３２と、推定部１３３と、算出部１３４と、空調制御部１３５とを有し、以下に説明する情報処理の作用を実現または実行する。なお、制御部１３０の内部構成は、図３に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。

（取得部１３１）
取得部１３１は、各種のセンサ情報を取得する。具体的には、取得部１３１は、第１空間の温度、湿度、放射、気流に関する情報を第１空間に設置された環境センサから取得する。図２に示す例では、取得部１３１は、会議室Ｒ１１に設置された環境センサ２０−１から会議室Ｒ１１の温度、湿度、放射、気流に関する情報を取得する。続いて、取得部１３１は、センサ情報を取得すると、取得したセンサ情報を各第１空間に関する情報およびセンサ情報の取得日時と対応付けてセンサ情報記憶部１２１に格納する。

（生成部１３２）
生成部１３２は、第２空間に関する情報が入力された際に、第２空間に存在する第２利用者の特徴を出力するよう学習された第１学習モデルを生成する。具体的には、生成部１３２は、日付、曜日もしくは時間を示す情報、第２空間を含む建物の構造を示す情報、第２空間の位置を示す情報、または第２空間を含む建物が所在する地域を示す情報である第２空間に関する情報が入力された際に、第２空間に存在する第２利用者の着衣量、代謝量および性別を出力するよう学習された第１学習モデルを生成する。続いて、生成部１３２は、第１学習モデルを生成すると、生成した第１学習モデルをモデル情報記憶部１２２に格納する。

図２に示す例では、生成部１３２は、画像センサが設置されたフロアＦ２の各会議室Ｒ２１〜Ｒ２４に関する情報と各会議室Ｒ２１〜Ｒ２４の利用者の特徴とを取得する。具体的には、生成部１３２は、会議室Ｒ２１に関する情報として、日付、曜日もしくは時間を示す「２０１９年８月５日（月）午前９時」という情報を取得する。また、生成部１３２は、会議室Ｒ２１に関する情報として、ビルＢ１の構造を示す「６階建て」という情報、会議室Ｒ２１の広さを示す「１００平方メートル」という情報、会議室Ｒ２１が閉鎖空間であるか否かを示す「閉鎖空間」という情報、会議室Ｒ２１における窓の有無を示す「窓無し」という情報、会議室Ｒ２１の向きを示す「南向き」という情報等を取得する。また、生成部１３２は、会議室Ｒ２１に関する情報として、会議室Ｒ２１の位置を示す情報である「ビルＢ１のフロアＦ２の「Ｒ２１」で識別される会議室」という情報を取得する。また、生成部１３２は、会議室Ｒ２１に関する情報として、会議室Ｒ２１を含む建物が所在する地域を示す「地域Ａ１」という情報を取得する。また、生成部１３２は、会議室Ｒ２１に関する情報と同様に、他の会議室Ｒ２２〜Ｒ２４に関する情報を取得する。

また、生成部１３２は、会議室Ｒ２１の利用者Ｕ１２の特徴として、会議室Ｒ２１に存在する利用者Ｕ１２の着衣量、代謝量、性別に関する情報を取得する。例えば、生成部１３２は、会議室Ｒ２１に設置された画像センサ２０−２によって撮影された利用者Ｕ１２の画像を画像センサ２０−２から取得する。続いて、生成部１３２は、利用者Ｕ１２の画像を取得すると、取得した利用者Ｕ１２の画像に基づいて、利用者Ｕ１２の着衣量、代謝量、性別に関する情報を取得する。また、生成部１３２は、会議室Ｒ２１の利用者Ｕ１２の特徴と同様に、他の会議室Ｒ２２〜Ｒ２４の利用者の特徴を取得する。

なお、生成部１３２は、各会議室に複数の利用者が存在する場合は、各利用者の着衣量もしくは代謝量の平均、または性別の割合を各会議室の利用者の特徴として取得する。例えば、生成部１３２は、ある会議室に５人の利用者が存在する場合は、５人の利用者の着衣量の平均をその会議室の利用者の着衣量に関する情報として取得する。また、生成部１３２は、５人の利用者の代謝量の平均をその会議室の利用者の代謝量に関する情報として取得する。また、生成部１３２は、５人の利用者の性別が男性３人、女性２人である場合には、例えば、男性の割合を示す「０．６」をその会議室の利用者の性別に関する情報として取得する。

続いて、生成部１３２は、各会議室Ｒ２１〜Ｒ２４に関する情報と各会議室Ｒ２１〜Ｒ２４の利用者の特徴とを取得すると、各会議室Ｒ２１〜Ｒ２４に関する情報が入力された際に各会議室Ｒ２１〜Ｒ２４の利用者の特徴を出力するよう学習された第１学習モデルＭ１を生成する。なお、生成部１３２は、会議室Ｒ２１〜Ｒ２４に加えて、第１学習モデルＭ１の学習に十分な量の情報に基づいて学習された第１学習モデルＭ１を生成する。

（推定部１３３）
推定部１３３は、第１空間に存在すると推定される第１利用者の特徴を推定する。推定部１３３は、第２空間に関する情報に基づいて、第１利用者の特徴を推定する。具体的には、推定部１３３は、日付、曜日もしくは時間を示す情報、第２空間を含む建物の構造を示す情報、第２空間の位置を示す情報、または第２空間を含む建物が所在する地域を示す情報である第２空間に関する情報に基づいて、第１利用者の特徴を推定する。より具体的には、推定部１３３は、生成部１３２によって生成された第１学習モデルを用いて、第１利用者の特徴を推定する。推定部１３３は、生成部１３２によって生成された第１学習モデルを用いて、第１空間に関する情報から第１利用者の特徴を推定する。

例えば、推定部１３３は、日付、曜日もしくは時間を示す情報、第１空間を含む建物の構造を示す情報、第１空間の位置を示す情報、または第１空間を含む建物が所在する地域を示す情報である第１空間に関する情報を第１学習モデルに入力することにより、第１利用者の着衣量、代謝量および性別を推定する。

また、推定部１３３は、第１空間に存在すると推定される第１利用者が快適であると感じる快適温度を推定する。図２に示す例では、推定部１３３は、算出部１３４がＰＭＶを算出すると、算出部１３４が算出したＰＭＶに基づいて、会議室Ｒ１１に存在すると推定される第１利用者が快適であると感じる第１快適温度（以下、会議室Ｒ１１の第１快適温度ともいう）を推定する。続いて、推定部１３３は、会議室Ｒ１１の第１快適温度を推定すると、推定した第１利用者の性別に基づいて、会議室Ｒ１１に存在すると推定される第１利用者が快適であると感じる第２快適温度（以下、会議室Ｒ１１の第２快適温度ともいう）を推定する。例えば、推定部１３３は、推定した利用者Ｕ１１の性別が男性寄り（例えば、推定した男性の割合が０．５以上）である場合には、推定した利用者Ｕ１１の性別が女性寄り（例えば、推定した男性の割合が０．５未満）である場合と比べて、ＰＭＶに基づいて推定された第１快適温度よりも所定の温度（例えば、１度）だけ高い温度を会議室Ｒ１１の第２快適温度と推定する。また、推定部１３３は、会議室Ｒ１１の第２快適温度と同様に、他の会議室Ｒ１２〜Ｒ１４の第２快適温度を推定する。

また、第１空間とは、ビルのあるフロアの一区画（例えば、一室）に対応する空間、ビルのあるフロア全体に対応する空間、またはビル全体に対応する空間を指す。すなわち、推定部１３３は、フロアの一区画に対応する第１空間に存在すると推定される第１利用者の特徴を推定する。また、推定部１３３は、フロアに対応する第１空間に存在すると推定される第１利用者の特徴を推定する。また、推定部１３３は、建物に対応する第１空間に存在すると推定される第１利用者の特徴を推定する。

図２に示す例では、推定部１３３は、生成部１３２が第１学習モデルＭ１を生成すると、生成された第１学習モデルＭ１を用いて、画像センサが設置されていないフロアＦ１の各会議室Ｒ１１〜Ｒ１４に関する情報から各会議室Ｒ１１〜Ｒ１４に存在すると推定される利用者の特徴を推定する。具体的には、推定部１３３は、会議室Ｒ１１に関する情報として、日付、曜日もしくは時間を示す「２０２０年８月３日（月）午前９時」という情報を取得する。また、推定部１３３は、会議室Ｒ１１に関する情報として、ビルＢ１の構造を示す「６階建て」という情報、会議室Ｒ１１の広さを示す「１００平方メートル」という情報、会議室Ｒ１１が閉鎖空間であるか否かを示す「閉鎖空間」という情報、会議室Ｒ１１における窓の有無を示す「窓無し」という情報、会議室Ｒ１１の向きを示す「南向き」という情報等を取得する。また、推定部１３３は、会議室Ｒ１１に関する情報として、会議室Ｒ１１の位置を示す情報である「ビルＢ１のフロアＦ１の「Ｒ１１」で識別される会議室」という情報を取得する。また、会議室Ｒ１１に関する情報として、会議室Ｒ１１を含む建物が所在する地域を示す「地域Ａ１」という情報を取得する。また、推定部１３３は、会議室Ｒ１１に関する情報と同様に、他の会議室Ｒ１２〜Ｒ１４に関する情報を取得する。

続いて、推定部１３３は、会議室Ｒ１１に関する情報を取得すると、取得した会議室Ｒ１１に関する情報を第１学習モデルＭ１に入力して、会議室Ｒ１１に存在すると推定される利用者Ｕ１１の特徴を推定する。より具体的には、推定部１３３は、会議室Ｒ１１に存在すると推定される利用者Ｕ１１の特徴として、会議室Ｒ１１に存在すると推定される利用者Ｕ１１の着衣量、代謝量、性別に関する情報を推定する。また、推定部１３３は、会議室Ｒ１１に存在すると推定される利用者Ｕ１１の特徴と同様に、他の会議室Ｒ１２〜Ｒ１４に存在すると推定される利用者の特徴を推定する。

（算出部１３４）
算出部１３４は、推定部１３３によって推定された第１利用者の特徴に基づいて、ＰＭＶ（Predicted Mean Vote）を算出する。具体的には、算出部１３４は、推定部１３３によって推定された第１利用者の着衣量および代謝量と、取得部１３１によって取得された第１空間の温度、湿度、放射、気流に基づいて、ＰＭＶを算出する。

図２に示す例では、算出部１３４は、推定部１３３が各会議室Ｒ１１〜Ｒ１４に存在すると推定される利用者の特徴を推定すると、各会議室Ｒ１１〜Ｒ１４に存在すると推定される利用者の特徴に基づいて、ＰＭＶを算出する。具体的には、算出部１３４は、推定部１３３が推定した会議室Ｒ１１に存在すると推定される利用者Ｕ１１の着衣量および代謝量と、取得部１３１が取得した会議室Ｒ１１の温度、湿度、放射、気流に基づいて、ＰＭＶを算出する。また、算出部１３４は、会議室Ｒ１１と同様に、他の会議室Ｒ１２〜Ｒ１４についても、ＰＭＶを算出する。

（空調制御部１３５）
空調制御部１３５は、推定部１３３によって推定された第１利用者の特徴に基づいて、第１空間の空調を制御する。具体的には、空調制御部１３５は、算出部１３４によって算出されたＰＭＶに基づいて、第１空間の空調を制御する。より具体的には、空調制御部１３５は、推定部１３３によって推定された快適温度を空調装置１０の設定温度とするよう空調装置１０に制御情報を送信する。

また、空調制御部１３５は、フロアの一区画に対応する第１空間の空調を制御する。また、空調制御部１３５は、フロアに対応する第１空間の空調を制御する。また、空調制御部１３５は、建物に対応する第１空間の空調を制御する。

図２に示す例では、空調制御部１３５は、推定部１３３が第２快適温度を推定すると、第２快適温度を設定温度とするよう会議室Ｒ１１に設置された空調装置１０−１に制御情報を送信する。また、情報処理装置１００は、会議室Ｒ１１と同様に、推定部１３３が他の会議室Ｒ１２〜Ｒ１４の第２快適温度を推定すると、第２快適温度を設定温度とするよう他の会議室Ｒ１２〜Ｒ１４に設置された各空調装置に制御情報を送信する。

〔３．情報処理のフロー〕
次に、図５を用いて、実施形態に係る情報処理の手順について説明する。図５は、実施形態に係る情報処理手順を示すフローチャートである。図５に示す例では、情報処理装置１００は、第１空間に存在すると推定される第１利用者の特徴を推定する（ステップＳ１０１）。続いて、情報処理装置１００は、推定した第１利用者の特徴に基づいて、ＰＭＶを算出する（ステップＳ１０２）。続いて、情報処理装置１００は、算出したＰＭＶに基づいて、第１空間の空調を制御する（ステップＳ１０３）。

〔４．変形例〕
上述した実施形態に係る情報処理システム１は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、情報処理システム１の他の実施形態について説明する。なお、実施形態と同一部分には、同一符号を付して説明を省略する。

まず、図６を用いて、変形例に係る情報処理の概要について説明する。図６は、変形例に係る情報処理の概要を説明するための図である。図６では、推定部１３３は、第１空間を含む建物が所在する地域に向かう交通機関の乗り物に対応する第２空間に存在する第２利用者の特徴に基づいて、第１利用者の特徴を推定する。あるいは、推定部１３３は、第１空間を含む建物から所定の範囲内に位置する第２空間に存在する第２利用者の特徴に基づいて、第１利用者の特徴を推定してもよい。

具体的には、生成部１３２は、第２空間に設置された防犯カメラの画像が入力された際に、第２空間に存在する第２利用者の特徴を出力するよう学習された第２学習モデルを生成する。より具体的には、生成部１３２は、ＲＧＢ画像またはサーマル画像である防犯カメラの画像が入力された際に、第２空間に存在する第２利用者の特徴を出力するよう学習された第２学習モデルを生成する。例えば、生成部１３２は、ＲＧＢ画像である防犯カメラの画像が入力された際に、第２空間に存在する第２利用者の着衣量と性別を出力するよう学習された第２学習モデルを生成する。また、生成部１３２は、サーマル画像である防犯カメラの画像が入力された際に、第２空間に存在する第２利用者の代謝量を出力するよう学習された第２学習モデルを生成する。

続いて、推定部１３３は、生成部１３２によって生成された第２学習モデルを用いて、第１利用者の特徴を推定する。例えば、推定部１３３は、生成部１３２によって生成された第２学習モデルを用いて、第１空間を含む建物が所在する地域Ａに向かう各交通機関の乗り物に対応する第２空間に存在する第２利用者の着衣量、代謝量または性別を推定する。続いて、推定部１３３は、推定した各第２空間に存在する第２利用者の着衣量、代謝量または性別を平均化する。続いて、推定部１３３は、平均化された第２利用者の特徴を第１空間に存在すると推定される第１利用者の特徴と推定する。

〔５．効果〕
上述してきたように、実施形態に係る情報処理装置１００は、推定部１３３と空調制御部１３５とを備える。推定部１３３は、第１空間に存在すると推定される第１利用者の特徴を推定する。空調制御部１３５は、推定部１３３によって推定された第１利用者の特徴に基づいて、第１空間の空調を制御する。

これにより、情報処理装置１００は、空調制御の制御対象となる各空間に画像センサが設置されていない場合であっても、各空間に存在すると推定される利用者の特徴（着衣量と代謝量（活動量）といった人的要素）を適切に推定することができる。また、情報処理装置１００は、例えば、着衣量と代謝量（活動量）を固定値としてＰＭＶを算出する場合と比べると、ＰＭＶの算出精度を高めることができる。さらに、情報処理装置１００は、より高い精度で算出されたＰＭＶに基づいて空調を制御することができる。すなわち、情報処理装置１００は、画像センサが設置されていない場合であっても、推定した利用者の特徴（人的要素）に基づいて、適切に各空間の空調を制御することができる。したがって、情報処理装置１００は、適切に空調を制御することができる。

また、推定部１３３は、第２空間に関する情報に基づいて、第１利用者の特徴を推定する。

これにより、情報処理装置１００は、例えば、第１空間とは異なる他の第２空間の情報に基づいて、第１利用者の特徴を推定することができる。例えば、ＲＧＢカメラや赤外線カメラといった画像センサが設置されている第２空間に関する情報に基づいて、ＲＧＢカメラや赤外線カメラといった画像センサが設置されていない第１空間に存在すると推定される第１利用者の特徴を推定することができる。したがって、情報処理装置１００は、適切に空調を制御することができる。

また、推定部１３３は、日付、曜日もしくは時間を示す情報、第２空間を含む建物の構造を示す情報、第２空間の位置を示す情報、または第２空間を含む建物が所在する地域を示す情報である第２空間に関する情報に基づいて、第１利用者の特徴を推定する。

これにより、情報処理装置１００は、時間と場所の情報に基づいて、第１空間に存在すると推定される第１利用者の特徴を推定することができるため、適切に空調を制御することができる。

また、実施形態に係る情報処理装置１００は、生成部１３２をさらに備える。生成部１３２は、第２空間に関する情報が入力された際に、第２空間に存在する第２利用者の特徴を出力するよう学習された第１学習モデルを生成する。推定部１３３は、生成部１３２によって生成された第１学習モデルを用いて、第１利用者の特徴を推定する。

これにより、情報処理装置１００は、例えば、第１空間とは異なる他の第２空間の情報を学習した第１学習モデルを用いて、第１利用者の特徴を推定することができる。例えば、ＲＧＢカメラや赤外線カメラといった画像センサが設置されている第２空間に関する情報の情報を学習した第１学習モデルを用いて、ＲＧＢカメラや赤外線カメラといった画像センサが設置されていない第１空間に存在すると推定される第１利用者の特徴を推定することができる。したがって、情報処理装置１００は、適切に空調を制御することができる。

また、推定部１３３は、フロアの一区画に対応する第１空間に存在すると推定される第１利用者の特徴を推定する。空調制御部１３５は、フロアの一区画に対応する第１空間の空調を制御する。

これにより、情報処理装置１００は、フロアの一区画に対応する第１空間の空調を制御することができるため、適切に空調を制御することができる。

また、推定部１３３は、フロアに対応する第１空間に存在すると推定される第１利用者の特徴を推定する。空調制御部１３５は、フロアに対応する第１空間の空調を制御する。

これにより、情報処理装置１００は、フロアに対応する第１空間の空調を制御することができるため、適切に空調を制御することができる。

また、推定部１３３は、建物に対応する第１空間に存在すると推定される第１利用者の特徴を推定する。空調制御部１３５は、建物に対応する第１空間の空調を制御する。

これにより、情報処理装置１００は、建物に対応する第１空間の空調を制御することができるため、適切に空調を制御することができる。

また、推定部１３３は、第１空間を含む建物から所定の範囲内に位置する第２空間に存在する第２利用者の特徴に基づいて、第１利用者の特徴を推定する。

これにより、情報処理装置１００は、第１空間とは異なる第２空間に存在する第２利用者の特徴に基づいて、第１利用者の特徴を推定することができるため、適切に空調を制御することができる。

また、推定部１３３は、第１空間を含む建物が所在する地域に向かう交通機関の乗り物に対応する第２空間に存在する第２利用者の特徴に基づいて、第１利用者の特徴を推定する。

これにより、情報処理装置１００は、第１空間を含む建物が所在する地域に向かう交通機関の乗り物に対応する第２空間に存在する第２利用者の特徴に基づいて、第１利用者の特徴を推定することができるため、適切に空調を制御することができる。

また、実施形態に係る情報処理装置１００は、生成部１３２をさらに備える。生成部１３２は、第２空間に設置された防犯カメラの画像が入力された際に、第２空間に存在する第２利用者の特徴を出力するよう学習された第２学習モデルを生成する。推定部１３３は、生成部１３２によって生成された第２学習モデルを用いて、第１利用者の特徴を推定する。また、生成部１３２は、ＲＧＢ画像またはサーマル画像である防犯カメラの画像が入力された際に、第２空間に存在する第２利用者の特徴を出力するよう学習された第２学習モデルを生成する。

これにより、情報処理装置１００は、防犯カメラの画像に基づいて、第１利用者の特徴を推定することができるため、適切に空調を制御することができる。

また、推定部１３３は、第１利用者の着衣量、代謝量または性別である第１利用者の特徴を推定する。

これにより、情報処理装置１００は、空調制御の制御対象となる各空間にＲＧＢカメラや赤外線カメラといった画像センサを設置するコストや手間を省いて、取得が困難な人的要素を取得することができるため、適切に空調を制御することができる。

また、実施形態に係る情報処理装置１００は、算出部１３４をさらに備える。算出部１３４は、推定部１３３によって推定された第１利用者の特徴に基づいて、ＰＭＶ（Predicted Mean Vote）を算出する。空調制御部１３５は、算出部１３４によって算出されたＰＭＶに基づいて、第１空間の空調を制御する。

これにより、情報処理装置１００は、推定した第１利用者の人的要素を用いてＰＭＶを算出することができるため、ＰＭＶの算出精度を向上させることができる。また、情報処理装置１００は、算出精度を向上したＰＭＶに基づいて第１空間の空調を制御することができるため、空調制御の精度を向上させることができる。

〔６．ハードウェア構成〕
また、上述してきた実施形態に係る情報処理装置１００は、例えば図７に示すような構成のコンピュータ１０００によって実現される。図７は、情報処理装置１００の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を備える。

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、所定の通信網を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを所定の通信網を介して他の機器へ送信する。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ１０００が実施形態に係る情報処理装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から所定の通信網を介してこれらのプログラムを取得してもよい。

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

〔７．その他〕
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、決定部は、決定手段や決定回路に読み替えることができる。

１ 情報処理システム
１０ 空調装置
２０ センサ装置
１００ 情報処理装置
１１０ 通信部
１２０ 記憶部
１２１ センサ情報記憶部
１２２ モデル情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 生成部
１３３ 推定部
１３４ 算出部
１３５ 空調制御部

Claims (16)

1. 第１空間とは異なる第２空間に関する情報が入力された際に、前記第２空間に存在する第２利用者の特徴を出力するよう学習された第１学習モデルを用いて、前記第１空間に存在すると推定される第１利用者の特徴を推定する推定部と、
   前記推定部によって推定された第１利用者の特徴に基づいて、前記第１空間の空調を制御する空調制御部と、
   を備えることを特徴とする情報処理装置。
2. 前記推定部は、
   第２空間に関する情報に基づいて、前記第１利用者の特徴を推定する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記推定部は、
   日付、曜日もしくは時間を示す情報、前記第２空間を含む建物の構造を示す情報、前記第２空間の位置を示す情報、または前記第２空間を含む建物が所在する地域を示す情報である前記第２空間に関する情報に基づいて、前記第１利用者の特徴を推定する
   ことを特徴とする請求項２に記載の情報処理装置。
4. 前記第２空間に関する情報が入力された際に、前記第２空間に存在する第２利用者の特徴を出力するよう学習された第１学習モデルを生成する生成部をさらに備え、
   前記推定部は、
   前記生成部によって生成された第１学習モデルを用いて、前記第１利用者の特徴を推定する
   ことを特徴とする請求項２または３に記載の情報処理装置。
5. 前記推定部は、
   フロアの一区画に対応する前記第１空間に存在すると推定される第１利用者の特徴を推定し、
   前記空調制御部は、
   前記フロアの一区画に対応する前記第１空間の空調を制御する
   ことを特徴とする請求項１〜４のいずれか一つに記載の情報処理装置。
6. 前記推定部は、
   フロアに対応する前記第１空間に存在すると推定される第１利用者の特徴を推定し、
   前記空調制御部は、
   前記フロアに対応する前記第１空間の空調を制御する
   ことを特徴とする請求項１〜５のいずれか一つに記載の情報処理装置。
7. 前記推定部は、
   建物に対応する前記第１空間に存在すると推定される第１利用者の特徴を推定し、
   前記空調制御部は、
   前記建物に対応する前記第１空間の空調を制御する
   ことを特徴とする請求項１〜６のいずれか一つに記載の情報処理装置。
8. 前記推定部は、
   前記第１空間を含む建物から所定の範囲内に位置する前記第２空間に存在する第２利用者の特徴に基づいて、前記第１利用者の特徴を推定する
   ことを特徴とする請求項２に記載の情報処理装置。
9. 前記推定部は、
   前記第１空間を含む建物が所在する地域に向かう交通機関の乗り物に対応する前記第２空間に存在する第２利用者の特徴に基づいて、前記第１利用者の特徴を推定する
   ことを特徴とする請求項８に記載の情報処理装置。
10. 前記第２空間に設置された防犯カメラの画像が入力された際に、前記第２空間に存在する第２利用者の特徴を出力するよう学習された第２学習モデルを生成する生成部をさらに備え、
    前記推定部は、
    前記生成部によって生成された第２学習モデルを用いて、前記第１利用者の特徴を推定する
    ことを特徴とする請求項８または９に記載の情報処理装置。
11. 前記生成部は、
    ＲＧＢ画像またはサーマル画像である前記防犯カメラの画像が入力された際に、前記第２空間に存在する第２利用者の特徴を出力するよう学習された第２学習モデルを生成する
    ことを特徴とする請求項１０に記載の情報処理装置。
12. 前記推定部は、
    前記第１利用者の着衣量、代謝量または性別である前記第１利用者の特徴を推定する
    請求項１〜１１のいずれか一つに記載の情報処理装置。
13. 前記推定部によって推定された第１利用者の特徴に基づいて、ＰＭＶ（Predicted Mean Vote）を算出する算出部をさらに備え、
    前記空調制御部は、
    前記算出部によって算出されたＰＭＶに基づいて、前記第１空間の空調を制御する
    請求項１〜１２のいずれか一つに記載の情報処理装置。
14. コンピュータが実行する情報処理方法であって、
    第１空間とは異なる第２空間に関する情報が入力された際に、前記第２空間に存在する第２利用者の特徴を出力するよう学習された第１学習モデルを用いて、前記第１空間に存在すると推定される第１利用者の特徴を推定する推定工程と、
    前記推定工程によって推定された第１利用者の特徴に基づいて、前記第１空間の空調を制御する空調制御工程と、
    を含むことを特徴とする情報処理方法。
15. 第１空間とは異なる第２空間に関する情報が入力された際に、前記第２空間に存在する第２利用者の特徴を出力するよう学習された第１学習モデルを用いて、前記第１空間に存在すると推定される第１利用者の特徴を推定する推定手順と、
    前記推定手順によって推定された第１利用者の特徴に基づいて、前記第１空間の空調を制御する空調制御手順と、
    をコンピュータに実行させることを特徴とする情報処理プログラム。
16. 第１空間とは異なる第２空間に存在する第２利用者の特徴を出力するよう学習された第１学習モデルを用いて推定された、前記第１空間に存在する第１利用者の特徴に基づいて、前記第１空間の空調を制御する空調制御部、
    を備えることを特徴とする情報処理装置。

Images