JP7476147B2 - 情報処理装置、情報処理方法、プログラムおよび情報処理システム - Google Patents

Description

本発明の実施形態は、情報処理装置、情報処理方法、プログラムおよび情報処理システムに関する。

設備をＩＴ（Information Technology）で管理するためのＦＭＳ（Facility Management System）は様々な設備に対して導入されている。ＦＭＳは、多数のセンサと機器を制御するコントローラを備えている。そして、設備全体の状況をセンサで把握して最適な制御等を行うためのＦＭＳアプリケーションが導入されている。ＦＭＳアプリケーションは、ＦＭＳエンジン、フロントエンド（ＦＥ）、ＦＭＳデータ、センサＤＢ（データベース）、および、ＦＭＳメタデータなどの構成で実現される。ここで、ＦＭＳメタデータとは、センサの信号点がどのような物理量に対応するのかをＦＭＳが知るための情報である。

このようなセンサと物理量との対応を表すデータ（メタデータ、マッピングデータなど）を推定する必要が生じる場合がある。例えば、テキストマイニング手法を用いてセンサ時系列データを分析することでメタデータを生成する技術が提案されている。

特許第６０２７４６９号公報

Weimin， Wanga， "Automated point mapping for building control systems: Recent advances and future research needs"， Automation in Construction Volume 85， January 2018， Pages 107-123. D.Hong， et al， "Learning from correlated events for equipment relation inference in buildings"， ACM BuildSys ’19， pp.203-213.

しかしながら、従来技術では、センサと物理量との対応を表すデータを高精度に推定できない場合があった。例えば、従来技術では、同一種類の複数のセンサが存在する場合にはそれらの差を分析することができないケースがあった。

実施形態の情報処理装置は、シミュレーション部と、推定部と、を備える。シミュレーション部は、複数の電子機器の動作のシミュレーションを実行するための物理モデルを用いてシミュレーションを実行し、複数の電子機器それぞれによる出力を表す複数の第１データを出力する。推定部は、複数の電子機器が動作して得られる出力を表す複数の第２データと、第１データと、に基づいて、第２データを出力した電子機器が、複数の電子機器のいずれに対応するかを表すマッピングデータを推定する。

本実施形態にかかる情報処理装置のブロック図。 メタデータのデータ構造の一例を示す図。 センサデータのデータ構造の一例を示す図。 物理モデルに含まれる設備配置図の例を示す図。 情報モデルのデータ構造の一例を示す図。 マッピングデータのデータ構造の一例を示す図。 本実施形態におけるマッピング推定処理のフローチャート。 相関データの例を示す図。 各コンセプトに対する文字列の一致度の例を示す図。 算出された一致度の例を示す図。 波形の一致度の算出結果の例を示す図。 加算された一致度の例を示す図。 確認画面の一例を示す図。 相関データの例を示す図。 各組み合わせに対する相関誤差の算出例を示す図。 マッピングデータの例を示す図。 情報処理システムの構成例を示す図。 情報処理システムの構成例を示す図。 本実施形態にかかる情報処理装置のハードウェア構成図。

以下に添付図面を参照して、この発明にかかる情報処理装置の好適な実施形態を詳細に説明する。なお以下では、複数のセンサ（電子機器の一例）により検知されるセンサデータ（電子機器による出力の一例）などを用いて、センサと物理量との対応を推定するシステム（ＦＭＳなど）に適用した例を主に説明する。適用可能なシステムはこれに限られるものではない。出力データを出力する複数の電子機器を含む、どのようなシステムに対しても同様の手法を適用できる。例えば、センサを制御するコントローラ（電子機器の一例）の制御信号（電子機器による出力の一例）の異常を監視するシステムに対して本実施形態を適用してもよい。

ＦＭＳに対して、より高度なＡＩ（Artificial Intelligence）アプリケーションを追加する場合には、ＦＭＳを刷新するか、または、外部にＩＦＭ（Intelligent Facility Manager）のような独立したシステムを後付けするか、の２つの選択肢が一般的である。後者の方が低コストでの導入が期待できる。一方、ＩＦＭは、ＦＭＳコネクタを介してＦＭＳの機能を借りて機器のセンサデータを得た上で制御信号を生成し、ＦＭＳの機能を借りて機器を制御する必要がある。その際、ＩＦＭは、必要とする信号点がどのような物理量に対応するのかを知るためのメタデータ（マッピングデータ）が必要となる。

なお、信号点とは、管理対象となる信号が出力される点を表す。例えばＦＭＳの場合、センサが信号点に対応しうる。また、ＦＭＳがコントローラの制御信号を管理する場合は、コントローラの制御信号が信号点に対応しうる。

メタデータ推定装置は、ＦＭＳのメタデータの推定、または、センサ時系列データを用いたＩＦＭのメタデータの推定を支援する装置である。メタデータの推定は、例えば外部システムなどにより事前に作成されたメタデータが付与された複数のセンサと、実際に設置されている複数のセンサと、の対応を推定することであると解釈することもできる。このため、メタデータ推定装置は、センサマッピング装置とも呼ばれる。

本実施形態の情報処理装置は、メタデータ推定装置として機能しうる装置である。本実施形態の情報処理装置は、物理モデルに基づく物理シミュレーションを行い、物理シミュレーションの結果であるセンサ時系列データと、センサにより検知されたセンサ時系列データとを用いてメタデータを推定する。

図１は、本実施形態にかかる情報処理装置１００の構成の一例を示すブロック図である。図１に示すように、情報処理装置１００は、メタデータ記憶部１２１と、センサデータ記憶部１２２と、物理モデル記憶部１２３と、情報モデル記憶部１２４と、マッピングデータ記憶部１２５と、シミュレーションデータ記憶部１２６と、学習モデル記憶部１２７と、正解データ記憶部１２８と、表示部１３１と、前処理部１１１と、推定部１１２と、学習部１１３と、シミュレーション部１１４と、初期化部１１５と、出力制御部１１６と、を備えている。

メタデータ記憶部１２１は、事前に作成されたメタデータを記憶する。図２は、メタデータ記憶部１２１に記憶されるメタデータのデータ構造の一例を示す図である。メタデータは、センサＩＤと、名称と、を含む。センサＩＤは、センサ（信号点）を識別する識別情報である。図２の例では、Ｓ００１～Ｓ００８という８種類のセンサＩＤが記載されている。名称は、センサＩＤで識別されるセンサの名称である。

８種類のセンサＩＤで識別されるセンサは、後述する図４の物理モデルに含まれるセンサに対応する。一方、名称は、現在メタデータの推定を行っているユーザ（ＩＦＭを構築するエンジニアなど）とは異なるベンダー（既存のＦＭＳを構築したベンダーなど）によって付与される場合がある。このため、このユーザは、名称のみからでは完全にセンサの種類を区別できない場合がある。このような問題を解消するため、センサと物理量との対応を表すデータを推定するメタデータ推定装置が用いられる。

なお、センサと物理量との対応を推定することは、センサがどのような物理量を検知するセンサであるかを推定すること、または、センサの種類を推定すること、であると解釈することもできる。

メタデータに含まれる項目は図２に示す例に限られない。例えば、メタデータは、備考および単位（℃など）などの他の項目をさらに含んでもよい。また、メタデータが事前に作成されていない場合などであれば、メタデータ記憶部１２１は備えられなくてもよい。

センサデータ記憶部１２２は、センサにより検知されたセンサデータを記憶する。センサデータはどのような形式であってもよいが、例えば、検知された時刻と対応づけた形式とすることができる。センサデータは、値の時間変化を表す時系列データの形式であってもよい。以下では、このような形式のセンサデータをセンサ時系列データという場合がある。

図３は、センサデータ記憶部１２２に記憶されるセンサデータのデータ構造の一例を示す図である。図３は、時系列データの形式で表されるセンサデータの例を示す。図３に示すように、センサデータは、センサＩＤと対応づけて記憶される。

物理モデル記憶部１２３は、シミュレーション部１１４がシミュレーションを実行するときに用いる物理モデルを記憶する。物理モデルは、例えば、管理対象とする設備が設置される領域（建物、部屋など）、設備（ドア、空調機など）、および、センサなどの各要素の位置、構造および動作条件などを表すモデルである。

図４は、物理モデルに含まれる設備配置図の例を示す図である。設備配置図は、設備の空間的な位置関係を示す。図４の例では、以下のような要素を含む設備配置図が示されている。
・「Room-101」および「Room-102」という２つのロケーション
・各ロケーション内に配置される空調機の吹き出し口（Air Supply）、ドア（Door、Door-2）、および、温度センサ（Zone Temperature Sensor、Zone Temperature Sensor-2）
・吹き出し口からの空気の流れを検知するセンサ（Air Flow Sensor）

上記のように、物理モデルは、設備配置図以外の情報を含んでもよい。例えば、各部屋の壁の断熱性能を示す情報が物理モデルに含まれてもよい。

情報モデル記憶部１２４は、設備の階層関係を表す情報モデルを記憶する。情報モデルは、例えば上記のテキストマイニング手法によるメタデータの生成のために事前に用意されている場合がある。情報モデル記憶部１２４は、このように事前に用意されている情報モデルを記憶してもよい。情報モデルに相当する情報は、物理モデルに含まれてもよい。この場合、情報モデル記憶部１２４は備えられなくてもよい。

図５は、情報モデル記憶部１２４に記憶される情報モデルのデータ構造の一例を示す図である。図５は、図４に示す設備配置図に含まれる各設備間の階層関係を表す情報モデルの例である。例えば、「Room-101」内には、５種類のセンサが含まれ、「Room-102」内には、３種類のセンサが含まれることが示されている。

物理モデルおよび情報モデルは、メタデータ記憶部１２１に記憶されるメタデータとは独立に準備されうる。このため、同じセンサを示すとしても、メタデータの「名称」と、情報モデル内のセンサの名称とは一致しない場合がある。そこで、これらの対応を表すマッピングデータが推定される。

マッピングデータ記憶部１２５は、推定するマッピングデータを記憶する。本実施形態では、マッピングデータは、事前に作成されたメタデータ（第２メタデータ、例えば図２）が付与されたセンサデータを検知したセンサ（センサＩＤ）と、物理モデル（例えば図４の物理モデル）などに基づくメタデータ（第１メタデータ）が付与されたセンサデータを検知したセンサと、の対応を表す。

図６は、マッピングデータ記憶部１２５に記憶されるマッピングデータのデータ構造の一例を示す図である。図６に示すように、マッピングデータは、データＩＤと、ｌｏｃａｔｉｏｎと、ｅｑｕｉｐｍｅｎｔと、ｐｏｉｎｔと、センサＩＤと、を含む。

データＩＤは、センサデータがいずれのセンサにより検知されたデータであるかを識別する識別情報である。従ってデータＩＤは、センサデータを検知したセンサの識別情報と解釈することもできる。

ｌｏｃａｔｉｏｎは、センサが設置されるロケーション（領域）を表す。図４および図５の例では、ｌｏｃａｔｉｏｎは、部屋（Room-101、Room-102）に対応する。ｅｑｕｉｐｍｅｎｔは、ロケーション内のセンサ以外の設備を表す。図４および図５の例では、ｅｑｕｉｐｍｅｎｔは、空調機の吹き出し口（Air Supply）、および、ドア（Door、Door-2）に対応する。ｐｏｉｎｔは、センサ（信号点）を表す。なお図６ではｌｏｃａｔｉｏｎ、ｅｑｕｉｐｍｅｎｔ、および、ｐｏｉｎｔの３階層の情報によりセンサを特定する例が示されているが、センサの特定方法はこれに限られない。例えば、これらの３つの情報を統合した１つの情報によりセンサが特定されてもよい。

シミュレーションデータ記憶部１２６は、シミュレーション部１１４によるシミュレーションの結果（シミュレーションデータ）を記憶する。シミュレーションデータはどのような形式であってもよく、少なくとも推定部１１２が推定処理に用いる情報が含まれていればよい。推定処理に用いる情報は、例えば、センサデータの時間変化をシミュレーションしたセンサ時系列データである。

学習モデル記憶部１２７は、推定部１１２が推定処理で用いる学習モデルを記憶する。学習モデルは、正解データを用いた機械学習により性能を向上させる機能を持ったモデルである。例えば学習モデルは、センサデータおよびシミュレーションデータを入力し、両者の一致度を出力するように学習されたモデルである。

学習モデルはどのような形式のモデルであってもよい。例えば学習モデルは、ニューラルネットワークモデル、サポートベクタマシン（ＳＶＭ）、および、事例ベース推論で用いるモデルなどである。文字列間の一致度を求める場合は、複数の文字列と、一致度と、を対応づけたテーブル形式のモデルが学習モデルとして用いられてもよい。

正解データ記憶部１２８は、学習モデルの機械学習に用いることができる正解データを記憶する。正解データは、例えば、推定したマッピングデータに対してユーザが指定した修正などに基づき作成される。

なお、各記憶部は、フラッシュメモリ、メモリカード、ＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disk Drive）、および、光ディスクなどの一般的に利用されているあらゆる記憶媒体により構成することができる。

各記憶部は、物理的に異なる記憶媒体としてもよいし、物理的に同一の記憶媒体の異なる記憶領域として実現してもよい。さらに各記憶部のそれぞれは、物理的に異なる複数の記憶媒体により実現してもよい。

表示部１３１は、情報処理装置１００により処理される各種情報を出力する出力装置の一例である。表示部１３１は、例えば、情報を表示するディスプレイなどの表示装置である。

前処理部１１１は、各種データを、推定部１１２による推定処理で用いる形式に変換する前処理を実行する。例えば前処理部１１１は、センサデータ、および、シミュレーションデータに対して、テキストマイニング、時系列波形分析、および、時系列相関分析などの前処理を実行する。

前処理は、各種データの特徴を表す特徴データを抽出する処理を含むことができる。例えば前処理部１１１は、シミュレーションデータ（第１データの一例）の特徴を表す特徴データ（第１特徴データの一例）を抽出する。また。前処理部１１１は、センサデータ（第２データの一例）の特徴を表す特徴データ（第２特徴データの一例）を抽出する。

推定部１１２による推定処理が文字列間の一致度により対応を推定する処理を含む場合は、前処理は、例えばメタデータを解析（テキストマイニング）することにより文字列を特徴データとして抽出する処理を含んでもよい。

推定部１１２は、マッピングデータを推定する推定処理を実行する。例えば推定部１１２は、複数のセンサにより検知されたセンサデータと、シミュレーションデータとを用いて、マッピングデータを推定する。推定処理の詳細は後述する。センサデータおよびシミュレーションデータに対して前処理が行われる場合は、推定部１１２は、前処理後の各データ（特徴データなど）を用いてマッピングデータを推定する。

学習部１１３は、推定部１１２が推定処理に用いる学習モデルを学習する。例えば学習部１１３は、推定部１１２により推定されたマッピングデータを参照してユーザ等により設定されたマッピングデータの正解データを用いて学習モデルを学習する。

シミュレーション部１１４は、物理モデルを用いたシミュレーションを実行する。例えばシミュレーション部１１４は、シミュレーションを実行し、複数のセンサそれぞれによる出力を表す複数のセンサ時系列データをシミュレーションデータとして出力する。シミュレーション部１１４は、どのような方法でシミュレーションを実行してもよい。例えばシミュレーション部１１４は、シミュレーション実行Ｗｅｂサービスなどを利用してシミュレーションを実行してもよい。

初期化部１１５は、マッピングデータの初期化を行う。初期化したマッピングデータは、例えば、センサＩＤ欄が未設定のマッピングデータである。なお図６は、初期化されたマッピングデータに相当する。

出力制御部１１６は、情報処理装置１００による各種情報の出力を制御する。例えば出力制御部１１６は、推定されたマッピングデータを含む画面を表示部１３１などに出力する。

上記各部（前処理部１１１、推定部１１２、学習部１１３、シミュレーション部１１４、初期化部１１５、および、出力制御部１１６）は、例えば、１または複数のプロセッサにより実現される。例えば上記各部は、ＣＰＵ（Central Processing Unit）などのプロセッサにプログラムを実行させること、すなわちソフトウェアにより実現してもよい。上記各部は、専用のＩＣ（Integrated Circuit）などのプロセッサ、すなわちハードウェアにより実現してもよい。上記各部は、ソフトウェアおよびハードウェアを併用して実現してもよい。複数のプロセッサを用いる場合、各プロセッサは、各部のうち１つを実現してもよいし、各部のうち２以上を実現してもよい。

次に、このように構成された本実施形態にかかる情報処理装置１００によるマッピング推定処理について説明する。図７は、本実施形態におけるマッピング推定処理の一例を示すフローチャートである。

まず初期化部１１５は、マッピングデータを初期化する（ステップＳ１０１）。例えば初期化部１１５は、情報モデル記憶部１２４の情報モデルを参照して図６に示すようなマッピングデータを生成し、マッピングデータ記憶部１２５に記憶する。

前処理部１１１は、センサデータ記憶部１２２に記憶されたセンサデータを読み出し、読み出したセンサデータに対して前処理を行う（ステップＳ１０２）。上記のように、前処理は、テキストマイニング、時系列波形分析、時系列相関分析などの処理である。

シミュレーション部１１４は、物理モデル記憶部１２３に記憶された物理モデルを用いてシミュレーションを行い、シミュレーションデータをシミュレーションデータ記憶部１２６に記憶する（ステップＳ１０３）。

前処理部１１１は、シミュレーションデータ記憶部１２６に記憶されたシミュレーションデータを読み出し、読み出したシミュレーションデータに対して前処理を行う（ステップＳ１０４）。後述するように、シミュレーションに関するステップＳ１０３、ステップＳ１０４はスキップされる場合がある。

推定部１１２は、学習モデル記憶部１２７に記憶された学習モデルと、前処理の結果と、を用いてマッピングデータを推定し、推定結果をマッピングデータ記憶部１２５に記憶する（ステップＳ１０５）。

推定部１１２は、マッピングデータの推定が終了したか否か、すなわち、マッピング推定処理の終了条件を満たすか否かを判定する（ステップＳ１０６）。終了条件は、例えば、ループの繰り返し回数、および、対応するセンサＩＤが１つに決定されていないデータＩＤの個数または比率などの指標が規定値に達することである。

終了条件が満たされない場合（ステップＳ１０６：Ｎｏ）、シミュレーション部１１４は、推定されたマッピングデータ（事前に得られたマッピングデータ）に基づいて、次に実行するシミュレーションの条件（以降、シミュレーションシナリオという）を決定してもよい（ステップＳ１０７）。

例えばシミュレーション部１１４は、マッピングデータのセンサＩＤが決定されていないデータＩＤに対応する設備でのみシミュレーションを行うようにシミュレーションシナリオを決定してもよい。これにより、シミュレーション時間の短縮および精度向上などを実現できる。また、シミュレーション部１１４は、事前に得られているセンサデータに基づいてシミュレーションシナリオを決定してもよい。例えば、センサデータが特定の時期（例えば８月）のデータのみを含む場合は、シミュレーション部１１４は、特定の時期の気候を前提とするようにシミュレーションシナリオを決定してもよい。このようなシミュレーションシナリオの決定により、シミュレーション時間を短縮することが可能になる。

なお、例えば、マッピングデータが初期化直後（例えば図６）の場合、すべてのデータＩＤについてセンサＩＤが決定されていない。このため、シミュレーション部１１４は、シミュレーション（ステップＳ１０３）をスキップしてもよい。この場合、シミュレーションデータの前処理（ステップＳ１０４）もスキップされる。

シミュレーションシナリオの決定後、ステップＳ１０３に戻り、シミュレーション部１１４は、決定されたシミュレーションシナリオに従ったシミュレーションを実行する。

ステップＳ１０６で終了条件が満たされると判定された場合（ステップＳ１０６：Ｙｅｓ）、マッピング推定処理が終了する。

推定されたマッピングデータは、出力制御部１１６により表示部１３１などに出力されてもよい。また、例えば推定されたマッピングデータをユーザが確認可能とし、さらに、ユーザによる確定の指定、または、変更の指定に従ってステップＳ１０７でシミュレーションシナリオを決定するように構成してもよい。このような処理の詳細は後述する。

以下、マッピング推定処理の詳細についてさらに説明する。

ステップＳ１０１では、初期化部１１５は、マッピングデータを初期化し、図６のようなマッピングデータを記憶する。図６の例では、推定対象のデータ（センサ）は、データＩＤ：Ｄ１～Ｄ８に対応する８種類である。各データＩＤに対して正しいセンサ（信号点）のセンサＩＤをマッピングすること、言い換えると、データＩＤ:Ｄ１～Ｄ８とセンサＩＤ：Ｓ００１～Ｓ００８との対応関係を適切に決定することが、マッピング推定処理の目的である。

ステップＳ１０２では、前処理部１１１は、センサデータに対して前処理部を実行する。図３に示すようなセンサ時系列データに対しては、前処理部１１１は、例えば、平均値、最大値、最小値、変動量、および、フーリエ変換係数などのうち１つ以上の特徴量を抽出する時系列特徴抽出処理を前処理として実行する。すなわち、前処理では、どのような特徴を持った時系列波形であるかを表す１つ以上の定量値が決定される。前処理部１１１は、時系列相関分析によって、あるセンサのセンサデータが変化した時は別の特定のセンサのセンサデータも変化しやすいなどの相関関係を抽出してもよい。時系列相関分析はどのような手法であってもよいが、例えば、ある程度の量の変化を変化イベントとして抽出し、イベント相関分析を行う手法を適用できる。

図４の例では、２つの温度センサ「Zone Temperature Sensor」および「Zone Temperature Sensor-2」のうち、後者の方が「Door-2」の近くに設置されている。このため、「Door-2」が開いたことを検知する「Door Status Sensor」のセンサデータの変化と、「Zone Temperature Sensor-2」のセンサデータの変化との相関が大きくなると予想される。本実施形態では、このような相関分析の結果を利用することにより、仮に２つの温度センサが同一種類であるような場合であっても、それらの区別することが可能となる。

図８は、相関分析結果を表す相関データの例を示す図である。相関データは、例えば、センサデータに対応するセンサＩＤ間の相関の強さを示す値により表される。図８の例では、値が小さいほど相関が強いことを意味する。値が大きいほど相関が強いことを示すような相関分析が実行されてもよい。図８では、センサＩＤがＳ００８のセンサデータと、センサＩＤがＳ００５のセンサデータとの相関が強いことが示されている。

メタデータが得られている場合は、メタデータに対して前処理が実行されてもよい。前処理部１１１は、例えば、メタデータに対して文字列分離処理などの前処理を実行する。例えば前処理部１１１は、図２のメタデータのセンサＩＤ：Ｓ００１に対応する名称である「RM-102.TEMP」という文字列を、「RM」、「102」、「TEMP」という３つの文字列に分離し、これらの文字列を含む文字列リスト｛RM，102，TEMP｝を出力する。

ステップＳ１０３、ステップＳ１０４では、物理モデルを用いたシミュレーション、および、シミュレーションデータに対する前処理が実行される。上記のようにこれらの処理はスキップされうる。シミュレーションのスキップに応じて、推定部１１２による推定処理は以下のようなパターンがありうる。
パターン１：シミュレーションがスキップされた場合、シミュレーションデータを用いずに、センサデータまたはメタデータを用いてマッピングデータを推定する。
パターン２：シミュレーションが実行された場合、シミュレーションデータ（前処理が実行されたシミュレーションデータ）、および、センサデータ（前処理が実行されたセンサデータ）を用いてマッピングデータを推定する。

例えば、図２のようなメタデータが事前に作成されている場合は、最初のステップＳ１０３、ステップＳ１０４の処理はスキップされ、パターン１により、メタデータを用いたマッピングデータの推定が実行されてもよい。そして、対応が推定できなかったデータについてパターン２に従いシミュレーションを実行してさらにマッピングデータが推定されてもよい。また、図２のようなメタデータが事前に作成されていない場合は、最初のステップＳ１０３、ステップＳ１０４の処理はスキップされず、パターン２に従いマッピングデータが推定されてもよい。

パターン１の場合の推定部１１２による推定処理（ステップＳ１０５）の例を説明する。以下の例は、複数の文字列と一致度とを対応づけたテーブル形式の学習モデルを用いて推定する例である。

推定部１１２は、このような学習モデルを用いて、情報モデルに含まれる各要素（以下、コンセプトという場合がある）と、メタデータに対する前処理で得られた文字列リスト内の各文字列と、の一致度を求める。図９は、図５の情報モデルに含まれる各コンセプトに対する文字列の一致度の例を示す図である。図９に示すように、図５の情報モデルには９個のコンセプトが含まれる。また図９では、センサＩＤ：Ｓ００１に対応する名称を前処理して得られた文字列リスト｛RM，102，TEMP｝に含まれる３つの文字列「RM」、「102」、「TEMP」それぞれとの一致度の例が示されている。

この例では、一致度は、値が大きいほど一致の度合いが大きいことを示す。一致度は、例えば「Room-101」というコンセプトに対して「RM」という文字列が付与されるケースの起こりやすさを表す。一致度は、類似度（類似する度合い）を示す解釈することもできる。

推定部１１２は、このようなコンセプトと文字列リストに含まれる文字列との一致度の算出結果から、各データＩＤに対応するセンサと、事前に作成されたメタデータで特定されるセンサとの間の、文字列に関する一致度を決定できる。

例えば、センサＩＤ：Ｓ００１に対応する名称「RM-102.TEMP」は、「Room-102」というコンセプトに対して一致度が２．５（＝０．５＋２．０）であり、「Zone Temperature Sensor」というコンセプトに対して一致度が２である。一方、データＩＤ：Ｄ６は、図６に示すように、「Room-102」および「Zone Temperature Sensor」という文字列で特定される。このため、センサＩＤ：Ｓ００１と、データＩＤ：Ｄ６との一致度は４．５（＝２．５＋２）となる。

図１０は、８個のデータＩＤ：Ｄ１～Ｄ８と、８個のセンサＩＤ：Ｓ００１～Ｓ００８とのすべての組み合わせについて算出された一致度の例を示す図である。

推定部１１２は、これまで説明したような文字列の一致度の代わりに、または、文字列の一致度とともに、センサ時系列データの波形の一致度を算出してもよい。以下に、センサ時系列データの一致度の算出方法の例を説明する。

例えば、種類がわかっている複数のセンサそれぞれにより検知されたセンサ時系列データを前処理（特徴抽出処理など）した結果である複数の照合用データが、学習モデル記憶部１２７などの記憶部に事前に記憶される。推定部１１２は、複数の照合用データそれぞれと、ステップＳ１０２の前処理で得られたデータと、を照合することにより、センサの種類ごとに、センサ時系列データの波形の一致度を算出することができる。

図１１は、波形の一致度の算出結果の例を示す図である。図１１は、センサＩＤ：Ｓ００１～Ｓ００８に対応するセンサ時系列データそれぞれについて、以下の３種類のセンサの照合用データに対する波形の一致度の例を示す。なお、波形の一致度は、値が大きいほど一致の度合いが大きいことを示す。
・Zone Temperature Sensor
・Door Status Sensor
・Air Flow Sensor

図１１では、例えば、センサＩＤ：Ｓ００１のセンサ時系列データから抽出された特徴と、「Zone Temperature Sensor」により検知されたセンサ時系列データから抽出された特徴に相当する照合用データと、の間の一致度が０．５であることが示されている。

文字列の一致度、および、波形の一致度の両方を算出する場合、推定部１１２は、両者を加算した値をさらに算出する。図１２は、加算された一致度の例を示す図である。図１２は、図１０で示される文字列の一致度に対して、図１１で示される波形の一致度を加算した図に相当する。

図１２の例では、データＩＤ：Ｄ１、Ｄ２、Ｄ３、Ｄ４に関しては、一致度の値が同じである他のデータＩＤが存在するため、対応するセンサＩＤを決定することができない。一方、データＩＤ：Ｄ５、Ｄ６、Ｄ７、Ｄ８に関しては、一致度の値が同じである他のデータＩＤが存在しないため、対応するセンサＩＤが１つに決定される。

図７の１回目のループでの推定部１１２による推定処理（ステップＳ１０５）で、図１２に示すようなマッピングデータが得られたとする。

ステップＳ１０６では、マッピング推定処理を終了するかが判定される。この例では、センサＩＤが決定されないデータＩＤが半数存在するため、終了しないと判定されたものとする。

ステップＳ１０７では、次のループの準備に相当する処理が行われる。例えば、次のループのシミュレーション（ステップＳ１０３）のためのシミュレーションシナリオが決定される。上記のように、ここでユーザによる指定に従った処理が実行されてもよい。

例えば、出力制御部１１６は、マッピングデータの推定結果を確認するための確認画面を表示部１３１に表示する。図１３は、確認画面の一例を示す図である。図１３に示すように、確認画面は、その時点までに決定されたセンサＩＤを含む。ユーザは、例えば「確定」欄でチェックを指定することにより、対応させるセンサＩＤを確定させることができる。

確認画面は、複数のセンサＩＤの候補を表示し、ユーザによりいずれかの候補を選択させるように構成されてもよい。例えば、ユーザがデータＩＤ：Ｄ１を選択すると、出力制御部１１６は、データＩＤ：Ｄ１に対する推定果の詳細を表示する。図１３の例では、データＩＤ：Ｄ１について、２つのセンサＩＤの候補（Ｓ００４、Ｓ００５）が表示されている。ユーザの選択を補助する補助情報として、各候補について、文字列の一致度、波形の一致度、および、相関誤差が対応づけて表示される。相関誤差については後述する。

確認画面は、上記以外の補助情報をさらに含んでもよい。補助情報は、例えば、センサＩＤごとのセンサ時系列データ、および、センサＩＤに対応づけられたメタデータなどである。

ユーザによりマッピングデータの修正が指定された場合は、指定に応じてマッピングデータが修正される。

ユーザの指定は必須ではなく、その時点での推定結果に従いシミュレーションシナリオが決定されてもよい。例えば、シミュレーション部１１４は、対応するセンサＩＤが１つに決定されていないデータＩＤを求め、求めたデータＩＤに応じてシミュレーションシナリオを決定する。図１２の例では、データＩＤ：Ｄ１、Ｄ２、Ｄ３、Ｄ４についてセンサＩＤが決定されていない。そこで、シミュレーション部１１４は、以下のシミュレーション対象に限定してシミュレーションを実行するようにシミュレーションシナリオを決定する。
・ロケーション：「Room-101」
・センサの種類：すべての「Zone Temperature Sensor」、および、すべての「Door Status Sensor｝

この後、２回目のループのステップＳ１０３で、決定されたシミュレーションシナリオに従ったシミュレーションが実行される。シミュレーションが実行された場合、前処理として、シミュレーションデータ間の相関分析を実行することができる。また、シミュレーションデータ間の相関分析結果と、センサデータ間の相関分析結果との間の対応から、マッピングデータを推定することが可能となる。以下、相関分析結果を用いたマッピングデータの推定について説明する。

ステップＳ１０４では、前処理部１１１は、ステップＳ１０３により得られたシミュレーションデータに対して、例えば、時系列相関分析を実行する。図１４は、シミュレーションデータに対する時系列相関分析の結果である相関データの例を示す図である。シミュレーションデータに対する相関データは、センサデータに対する相関データを示す図８と同様の形式となる。

なお、センサＩＤが１つに決定されていないデータＩＤに限定してシミュレーションが実行された場合、これらのデータＩＤに対応するシミュレーションデータ間に限定して相関分析が実行される。上記例では、前処理部１１１は、データＩＤ：Ｄ１、Ｄ２、Ｄ３、Ｄ４に対応するシミュレーションデータ間で相関分析を実行する。

図１２の例では、データＩＤ：Ｄ１、Ｄ２が、センサＩＤ：Ｓ００４、Ｓ００５のいずれに対応するかが決定されていない。また、データＩＤ：Ｄ３、Ｄ４が、センサＩＤ：Ｓ００７、Ｓ００８のいずれに対応するかが決定されていない。従って、データＩＤ：Ｄ１、Ｄ２、Ｄ３、Ｄ４と、センサＩＤ：Ｓ００４、Ｓ００５、Ｓ００７、Ｓ００８との対応の候補を示す組み合わせは、以下の４つとなる。
・（Ｄ１、Ｄ２、Ｄ３、Ｄ４）＝（Ｓ００４、Ｓ００５、Ｓ００７、Ｓ００８）
・（Ｄ１、Ｄ２、Ｄ３、Ｄ４）＝（Ｓ００５、Ｓ００４、Ｓ００７、Ｓ００８）
・（Ｄ１、Ｄ２、Ｄ３、Ｄ４）＝（Ｓ００４、Ｓ００５、Ｓ００８、Ｓ００７）
・（Ｄ１、Ｄ２、Ｄ３、Ｄ４）＝（Ｓ００５、Ｓ００４、Ｓ００８、Ｓ００７）

推定部１１２は、４つの組み合わせそれぞれについて、シミュレーションデータ間の相関分析結果（第１相関データ）と、センサデータ間の相関分析結果（第２相関データ）との間の誤差を表す相関誤差を算出する。推定部１１２は、算出した相関誤差に基づいてマッピングデータを推定する。例えば推定部１１２は、他の組み合わせより相関誤差が小さい組み合わせ（例えば相関誤差が最小となる組み合わせ）を求める。これにより、すべてのデータＩＤに対応するセンサＩＤを決定可能となる。

図１５は、各組み合わせに対する相関誤差の算出例を示す図である。例えば「Ｄ１－Ｄ３」および対応する数値「０．５」は、データＩＤ：Ｄ１に対応するシミュレーションデータと、データＩＤ：Ｄ３に対応するシミュレーションデータと、の間の相関を表す値を示す。「Ｄ１－Ｄ４」、「Ｄ２－Ｄ３」、「Ｄ２－Ｄ４」についても同様である。

例えば、１行目の組み合わせの場合、「Ｄ１－Ｄ３」の相関を表す値は「０．５」である（図１４、図１５）。一方、この組合せについては、データＩＤ：Ｄ１、Ｄ３は、それぞれセンサＩＤ：Ｓ００４、Ｓ００７に対応する。そして、センサＩＤ：Ｓ００４、Ｓ００７に対応するセンサデータ間の相関は、図８に示すように「０．４５」である。従って、「Ｄ１－Ｄ３」についての相関誤差は｜０．５－０．４５｜＝０．０５となる。

推定部１１２は、同様に「Ｄ１－Ｄ４」、「Ｄ２－Ｄ３」、「Ｄ２－Ｄ４」について相関誤差を算出し、算出した相関誤差の合計値（ＳＵＭ）を算出する。図１５の例では、合計値は０．２となる。推定部１１２は、同様にして、他の３つの組み合わせについても相関誤差の合計値を算出する。そして推定部１１２は、相関誤差の合計値が最も小さい１行目の組み合わせを採用する。すなわち推定部１１２は、データＩＤ：Ｄ１、Ｄ２、Ｄ３、Ｄ４が、それぞれセンサＩＤ：Ｓ００４、Ｓ００５、Ｓ００７、Ｓ００８に対応すると推定する。図１６は、このようにして、すべてのデータＩＤに対してセンサＩＤが推定されたマッピングデータの例を示す図である。

なお、推定部１１２は、相関誤差の合計値を算出する際、特定の種類のセンサ間の相関誤差についてはパラメータ（重み）を乗じてから加算するなどの処理を行ってもよい。
このパラメータは、相関誤差を求めるための学習モデルのパラメータであると解釈することができる。学習部１１３は、この学習モデルのパラメータを、正解データを用いて学習してもよい。

この後のステップＳ１０６では、対応するセンサＩＤが１つに決定されていないデータＩＤの個数が０であるため、マッピング推定処理を終了すると判定される。

この例ではすべてのデータＩＤに対して候補となるセンサＩＤを１つに決定することができた。一方、一致度または相関誤差に差が生じずに、対応するセンサＩＤを１つに決定できない場合もありうる。このような場合は、上記の図１３のような確認画面により、ユーザが対応するセンサＩＤを選択可能とするように構成することができる。

シミュレーションデータを用いたマッピングデータの推定方法として、相関分析結果を用いる方法を説明したが、相関分析結果を用いない方法を適用してもよい。例えば推定部１１２は、シミュレーションデータの波形とセンサデータの波形との一致度からマッピングデータを推定してもよい。

また、これまでは、同じ個数のデータＩＤとセンサＩＤとを対応づける例を説明したが、両者の個数は同じである必要はない。例えば、ｎ個（ｎは１以上の整数）のデータＩＤを、ｍ個（ｍはｎより大きい整数）のセンサＩＤのいずれに対応するかを推定する場合にも、上記と同様の手順を適用できる。

図１３などでユーザが指定した情報は、正解データとして学習モデルの学習に利用することができる。学習部１１３は、このような学習モデルの学習を実現する。例えば、図１３のような確認画面を用いてユーザにより指定された情報は、正解データとして正解データ記憶部１２８に記憶される。学習部１１３は、記憶された正解データを用いて、学習モデル記憶部１２７に記憶された学習モデルを学習する。学習はどのようなタイミングで実行されてもよいが、例えば、新たな正解データが一定数以上記憶されたとき、および、ユーザ等により学習が指定されたときに実行される。

このような構成により、例えば、現在分析している設備に対してより高精度に推定を実行できるように学習モデルを更新することが可能となる。

次に、情報処理装置１００を適用した情報処理システムの例について説明する。図１７は、情報処理システム１７０１の構成例を示す図である。情報処理システム１７０１は、ＦＭＳ１７１０と、ＩＦＭ１７２０と、情報処理装置１００と、を備える。情報処理システム１７０１は、例えば、既存のＦＭＳ１７１０に対して、より高度なＡＩアプリケーションを実現するためにＩＦＭ１７２０を追加したシステムである。

ＦＭＳ１７１０は、コントローラ１７１１と、センサ１７１２と、ＦＭＳエンジン・ＦＥ１７１３と、センサ時系列データ１７１４と、ＦＭＳデータ１７１５と、ＦＭＳメタデータ１７１６と、外部ＩＦ（インタフェース）１７１７と、を備える。

コントローラ１７１１は、図示しない各種機器を制御するコントローラである。センサ１７１２は、機器の状態を示すセンサ時系列データを検知するためのセンサである。図１７では１つのコントローラ１７１１および１つのセンサ１７１２が記載されているが、それぞれ複数備えられてもよい。

ＦＭＳエンジン・ＦＥ１７１３は、管理する機器の制御、および、管理のための画面表示などを行う。

センサ時系列データ１７１４は、センサ１７１２により検知されたセンサ時系列データである。ＦＭＳメタデータ１７１６は、センサ１７１２などのメタデータである。ＦＭＳデータ１７１５は、ＦＭＳエンジン・ＦＥ１７１３による機器の制御などに用いられるデータである。これらのデータは、例えばフラッシュメモリなどにより実現される記憶部に記憶される。

外部ＩＦ１７１７は、ＩＦＭ１７２０などの外部装置と接続するためのインタフェースである。

ＩＦＭ１７２０は、ＩＦＭエンジン・ＦＥ１７２１と、ＩＦＭデータ１７２２と、ＩＦＭメタデータ１７２３と、ＦＭＳコネクタ１７２４と、を備える。

ＩＦＭエンジン・ＦＥ１７２１は、ＩＦＭ１７２０内での機器の制御、および、管理のための画面表示などを行う。ＩＦＭデータ１７２２は、ＩＦＭエンジン・ＦＥ１７２１による機器の制御などに用いられるデータである。ＦＭＳコネクタ１７２４は、ＦＭＳ１７１０と接続するためのコネクタである。

ＩＦＭメタデータ１７２３は、ＩＦＭ１７２０内で用いられるメタデータであり、ＦＭＳ１７１０内で用いられるＦＭＳメタデータ１７１６とは異なる形式で表される場合がある。ＩＦＭメタデータ１７２３と、ＦＭＳメタデータ１７１６と、を対応づけたマッピングデータを推定するために、情報処理装置１００が用いられる。

図１８は、図１７とは異なる情報処理システムであるＦＭＳ１８１０の構成例を示す図である。ＦＭＳ１８１０は、内部に情報処理装置１００を備えるように構成されたシステムに相当する。

メタデータの初期設定、および、設備の保守などに伴うメタデータ変更処理に伴い、メタデータが現実のメタデータと乖離する場合がある。例えば、初期設定または変更を誤って実行すること、または、センサを誤った位置に設置することなどにより、メタデータが想定される値と異なって設定される場合があり得る。

情報処理装置１００は、このような誤りを確認するために利用することができる。例えば情報処理装置１００は、上記手順によりマッピングデータを推定する。そして情報処理装置１００は、推定したマッピングデータと、正しいマッピングデータ（例えばメタデータ変更前のマッピングデータ）と、を比較し、誤りが生じていないかを判定する。

次に、本実施形態を適用できるシステムの具体例について説明する。本実施形態は、例えばビル設備を管理する管理システムに適用することができる。ビル設備の管理システムでは、照明、ドア、空調機器、および、室温計などについてのセンサデータが蓄積されていることが多い。このような管理システムでは、以下のような現象が生じることが想定される。
・ドアが開くと室温が変化する。
・空調機器の弁の開度が変化すると室温が変化する。
・ドアが開くと照明が点灯される。

本実施形態は、発電設備および製造プラントなどの管理システムにも適用できる。このような管理システムでは、以下のような現象が生じることが想定される。
・熱源の発熱量が変化した後、近い位置の温度センサからセンサデータが変化する。
・熱源の発熱量が変化した後、化学反応が進行する。

本実施形態では、上記のような現象をシミュレーションする複数のシミュレーションシナリオを用意し、マッピングデータの推定の状況に応じて切り替えることができる。これにより、センサ時系列データと対比可能なシミュレーションデータを効率的に生成することが可能になる。

本実施形態では、このようにシミュレーションデータを利用することにより、より詳細な粒度のメタデータ（マッピングデータ）の推定が可能になり、また、より正確なメタデータをより短時間に推定可能となる。例えば、同一種類の複数のセンサが存在する場合であっても、シミュレーションデータを用いることにより、物理的なセンサの配置などを考慮してより高精度な推定が可能になる。その結果、例えば、より高度な設備管理アプリケーションの導入が可能になり、設備の効率的な管理を実現することができる。

次に、本実施形態にかかる情報処理装置のハードウェア構成について図１９を用いて説明する。図１９は、本実施形態にかかる情報処理装置のハードウェア構成例を示す説明図である。

本実施形態にかかる情報処理装置は、ＣＰＵ５１などの制御装置と、ＲＯＭ（Read Only Memory）５２やＲＡＭ５３などの記憶装置と、ネットワークに接続して通信を行う通信Ｉ／Ｆ５４と、各部を接続するバス６１を備えている。

本実施形態にかかる情報処理装置で実行されるプログラムは、ＲＯＭ５２等に予め組み込まれて提供される。

本実施形態にかかる情報処理装置で実行されるプログラムは、インストール可能な形式または実行可能な形式のファイルでＣＤ－ＲＯＭ（Compact Disk Read Only Memory）、フレキシブルディスク（ＦＤ）、ＣＤ－Ｒ（Compact Disk Recordable）、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記録媒体に記録してコンピュータプログラムプロダクトとして提供されるように構成してもよい。

さらに、本実施形態にかかる情報処理装置で実行されるプログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成してもよい。また、本実施形態にかかる情報処理装置で実行されるプログラムをインターネット等のネットワーク経由で提供または配布するように構成してもよい。

本実施形態にかかる情報処理装置で実行されるプログラムは、コンピュータを上述した情報処理装置の各部として機能させうる。このコンピュータは、ＣＰＵ５１がコンピュータ読取可能な記憶媒体からプログラムを主記憶装置上に読み出して実行することができる。

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。これら新規な実施形態は、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ともに、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。

１００ 情報処理装置
１１１ 前処理部
１１２ 推定部
１１３ 学習部
１１４ シミュレーション部
１１５ 初期化部
１１６ 出力制御部
１２１ メタデータ記憶部
１２２ センサデータ記憶部
１２３ 物理モデル記憶部
１２４ 情報モデル記憶部
１２５ マッピングデータ記憶部
１２６ シミュレーションデータ記憶部
１２７ 学習モデル記憶部
１２８ 正解データ記憶部
１３１ 表示部

Claims (17)

1. 複数の電子機器の動作のシミュレーションを実行するためのモデルを用いて前記シミュレーションを実行し、複数の前記電子機器による出力を表す複数の第１データを出力するシミュレーション部と、
   複数の前記電子機器が動作して得られる出力を表す複数の第２データと、前記第１データと、に基づいて、前記第２データを出力した前記電子機器が、複数の前記電子機器のうちいずれであるかを表すマッピングデータを推定する推定部と、を備え、
   前記推定部は、第１メタデータが付与された前記第１データと、第２メタデータが付与された前記第２データと、に基づいて、前記マッピングデータを推定する、
   情報処理装置。
2. 複数の前記第１データの特徴を表す第１特徴データ、および、複数の前記第２データの特徴を表す第２特徴データを抽出する前処理部をさらに備え、
   前記推定部は、前記第１特徴データおよび前記第２特徴データに基づいて、前記マッピングデータを推定する、
   請求項１に記載の情報処理装置。
3. 前記前処理部は、前記第２データに付与された第２メタデータを解析することにより前記第２特徴データを抽出する、
   請求項２に記載の情報処理装置。
4. 前記シミュレーション部は、事前に得られたマッピングデータに基づいて、前記シミュレーションの条件を決定する、
   請求項１～３のいずれか１項に記載の情報処理装置。
5. 前記シミュレーション部は、事前に得られた前記第２データに基づいて、前記シミュレーションの条件を決定する、
   請求項１～４のいずれか１項に記載の情報処理装置。
6. 前記推定部は、前記マッピングデータの推定が終了したか否かを判定し、
   前記シミュレーション部は、前記マッピングデータの推定が終了していないと判定された場合、前記シミュレーションの条件を決定し、決定した条件により前記シミュレーションをさらに実行する、
   請求項１～５のいずれか１項に記載の情報処理装置。
7. 前記推定部は、前記第２データと前記第１データとの一致度を出力するように学習された学習モデルを用いて前記一致度を算出し、算出した前記一致度を用いて前記マッピングデータを推定し、
   推定された前記マッピングデータを出力する出力制御部と、
   出力された前記マッピングデータを参照して設定された前記マッピングデータの正解データを用いて、前記学習モデルを学習する学習部と、をさらに備える、
   請求項１～６のいずれか１項に記載の情報処理装置。
8. 前記推定部は、複数の前記第１データ間の相関を表す第１相関データと、複数の前記第２データ間の相関を表す第２相関データと、の間の誤差を算出し、算出した前記誤差に基づいて前記マッピングデータを推定する、
   請求項１～７のいずれか１項に記載の情報処理装置。
9. 前記モデルは、前記シミュレーションを実行するための物理モデルである、
   請求項１～８のいずれか１項に記載の情報処理装置。
10. 前記シミュレーション部は、前記シミュレーションを実行し、複数の前記電子機器それぞれによる出力を表す複数の前記第１データを出力する、
    請求項１～９のいずれか１項に記載の情報処理装置。
11. 情報処理装置が実行する情報処理方法であって、
    複数の電子機器の動作のシミュレーションを実行するためのモデルを用いて前記シミュレーションを実行し、複数の前記電子機器による出力を表す複数の第１データを出力するシミュレーションステップと、
    複数の前記電子機器が動作して得られる出力を表す複数の第２データと、前記第１データと、に基づいて、前記第２データを出力した前記電子機器が、複数の前記電子機器のうちいずれであるかを表すマッピングデータを推定する推定ステップと、を含み、
    前記推定ステップは、第１メタデータが付与された前記第１データと、第２メタデータが付与された前記第２データと、に基づいて、前記マッピングデータを推定する、
    情報処理方法。
12. コンピュータに、
    複数の電子機器の動作のシミュレーションを実行するためのモデルを用いて前記シミュレーションを実行し、複数の前記電子機器による出力を表す複数の第１データを出力するシミュレーションステップと、
    複数の前記電子機器が動作して得られる出力を表す複数の第２データと、前記第１データと、に基づいて、前記第２データを出力した前記電子機器が、複数の前記電子機器のうちいずれであるかを表すマッピングデータを推定する推定ステップと、を実行させ、
    前記推定ステップは、第１メタデータが付与された前記第１データと、第２メタデータが付与された前記第２データと、に基づいて、前記マッピングデータを推定する、
    プログラム。
13. 複数の電子機器と、
    情報処理装置と、を備え、
    前記情報処理装置は、
    複数の前記電子機器の動作のシミュレーションを実行するためのモデルを用いて前記シミュレーションを実行し、複数の前記電子機器による出力を表す複数の第１データを出力するシミュレーション部と、
    複数の前記電子機器が動作して得られる出力を表す複数の第２データと、前記第１データと、に基づいて、前記第２データを出力した前記電子機器が、複数の前記電子機器のうちいずれであるかを表すマッピングデータを推定する推定部と、を備え、
    前記推定部は、第１メタデータが付与された前記第１データと、第２メタデータが付与された前記第２データと、に基づいて、前記マッピングデータを推定する、
    情報処理システム。
14. 複数の電子機器の動作のシミュレーションを実行するためのモデルを用いて前記シミュレーションを実行し、複数の前記電子機器による出力を表す複数の第１データを出力するシミュレーション部と、
    複数の前記電子機器が動作して得られる出力を表す複数の第２データと、前記第１データと、に基づいて、前記第２データを出力した前記電子機器が、複数の前記電子機器のうちいずれであるかを表すマッピングデータを推定する推定部と、
    複数の前記第１データの特徴を表す第１特徴データ、および、複数の前記第２データの特徴を表す第２特徴データを抽出する前処理部と、を備え、
    前記推定部は、前記第１特徴データおよび前記第２特徴データに基づいて、前記マッピングデータを推定し、
    前記前処理部は、前記第２データに付与された第２メタデータを解析することにより前記第２特徴データを抽出する、
    情報処理装置。
15. 情報処理装置が実行する情報処理方法であって、
    複数の電子機器の動作のシミュレーションを実行するためのモデルを用いて前記シミュレーションを実行し、複数の前記電子機器による出力を表す複数の第１データを出力するシミュレーションステップと、
    複数の前記電子機器が動作して得られる出力を表す複数の第２データと、前記第１データと、に基づいて、前記第２データを出力した前記電子機器が、複数の前記電子機器のうちいずれであるかを表すマッピングデータを推定する推定ステップと、
    複数の前記第１データの特徴を表す第１特徴データ、および、複数の前記第２データの特徴を表す第２特徴データを抽出する前処理ステップと、を含み、
    前記推定ステップは、前記第１特徴データおよび前記第２特徴データに基づいて、前記マッピングデータを推定し、
    前記前処理ステップは、前記第２データに付与された第２メタデータを解析することにより前記第２特徴データを抽出する、
    情報処理方法。
16. コンピュータに、
    複数の電子機器の動作のシミュレーションを実行するためのモデルを用いて前記シミュレーションを実行し、複数の前記電子機器による出力を表す複数の第１データを出力するシミュレーションステップと、
    複数の前記電子機器が動作して得られる出力を表す複数の第２データと、前記第１データと、に基づいて、前記第２データを出力した前記電子機器が、複数の前記電子機器のうちいずれであるかを表すマッピングデータを推定する推定ステップと、
    複数の前記第１データの特徴を表す第１特徴データ、および、複数の前記第２データの特徴を表す第２特徴データを抽出する前処理ステップと、を実行させ、
    前記推定ステップは、前記第１特徴データおよび前記第２特徴データに基づいて、前記マッピングデータを推定し、
    前記前処理ステップは、前記第２データに付与された第２メタデータを解析することにより前記第２特徴データを抽出する、
    プログラム。
17. 複数の電子機器と、
    情報処理装置と、を備え、
    前記情報処理装置は、
    複数の前記電子機器の動作のシミュレーションを実行するためのモデルを用いて前記シミュレーションを実行し、複数の前記電子機器による出力を表す複数の第１データを出力するシミュレーション部と、
    複数の前記電子機器が動作して得られる出力を表す複数の第２データと、前記第１データと、に基づいて、前記第２データを出力した前記電子機器が、複数の前記電子機器のうちいずれであるかを表すマッピングデータを推定する推定部と、
    複数の前記第１データの特徴を表す第１特徴データ、および、複数の前記第２データの特徴を表す第２特徴データを抽出する前処理部と、を備え、
    前記推定部は、前記第１特徴データおよび前記第２特徴データに基づいて、前記マッピングデータを推定し、
    前記前処理部は、前記第２データに付与された第２メタデータを解析することにより前記第２特徴データを抽出する、
    情報処理システム。

Images