(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2022191564
(43)【公開日】2022-12-28
(54)【発明の名称】情報通知管理システム、方法、および、プログラム
(51)【国際特許分類】
G06Q 30/02 20120101AFI20221221BHJP
【ＦＩ】
G06Q30/02 436
G06Q30/02 398
【審査請求】未請求
【請求項の数】6
【出願形態】ＯＬ
(21)【出願番号】P 2021099850
(22)【出願日】2021-06-16
(71)【出願人】
【識別番号】000006013
【氏名又は名称】三菱電機株式会社
(74)【代理人】
【識別番号】100095407
【弁理士】
【氏名又は名称】木村 満
(74)【代理人】
【識別番号】100131152
【弁理士】
【氏名又は名称】八島 耕司
(74)【代理人】
【識別番号】100147924
【弁理士】
【氏名又は名称】美恵 英樹
(74)【代理人】
【識別番号】100148149
【弁理士】
【氏名又は名称】渡邉 幸男
(74)【代理人】
【識別番号】100181618
【弁理士】
【氏名又は名称】宮脇 良平
(74)【代理人】
【識別番号】100174388
【弁理士】
【氏名又は名称】龍竹 史朗
(72)【発明者】
【氏名】上森 聡史
(72)【発明者】
【氏名】村本 吉史
(72)【発明者】
【氏名】長沢 雅人
(72)【発明者】
【氏名】坂本 忠昭
(72)【発明者】
【氏名】金子 秀樹
【テーマコード（参考）】
5L049
【Ｆターム（参考）】
5L049BB08
(57)【要約】
【課題】ユーザの手間を省き、通知の有用性を向上させることができる情報通知管理システム、方法、および、プログラムを提供する。
【解決手段】情報通知管理システムは、屋内機器の機器操作データを取得した日時および曜日を取得する日時データ取得部１３１と、ユーザの曜日・時刻毎の機器操作頻度を取得するためのニューラルネットワークを構築し、日時データ取得部１３１で取得した機器操作データを取得した日時および曜日を、構築したニューラルネットワークに入力して曜日・時刻毎の機器操作頻度を推測する推論処理部１３２と、推論処理部１３２で推測された曜日・時刻毎の機器操作頻度、通知する通知内容、及び前記通知内容のカテゴリに基づいて、各時間帯における通知の許可を決定する通知許可決定部と、通知許可決定部で決定された通知の許可に応じて、通知を行うか否かを判定する通知発行判定部と、を備える。
【選択図】図５
【解決手段】情報通知管理システムは、屋内機器の機器操作データを取得した日時および曜日を取得する日時データ取得部１３１と、ユーザの曜日・時刻毎の機器操作頻度を取得するためのニューラルネットワークを構築し、日時データ取得部１３１で取得した機器操作データを取得した日時および曜日を、構築したニューラルネットワークに入力して曜日・時刻毎の機器操作頻度を推測する推論処理部１３２と、推論処理部１３２で推測された曜日・時刻毎の機器操作頻度、通知する通知内容、及び前記通知内容のカテゴリに基づいて、各時間帯における通知の許可を決定する通知許可決定部と、通知許可決定部で決定された通知の許可に応じて、通知を行うか否かを判定する通知発行判定部と、を備える。
【選択図】図５
【特許請求の範囲】
【請求項1】
屋内機器の機器操作データを取得した日時および曜日を取得する日時データ取得部と、
ユーザの曜日・時刻毎の機器操作頻度を取得するためのニューラルネットワークを構築し、前記日時データ取得部で取得した前記機器操作データを取得した日時および曜日を、構築した前記ニューラルネットワークに入力して曜日・時刻毎の機器操作頻度を推測する推論処理部と、
前記推論処理部で推測された前記曜日・時刻毎の機器操作頻度、通知する通知内容、及び前記通知内容のカテゴリに基づいて、各時間帯における通知の許可を決定する通知許可決定部と、
前記通知許可決定部で決定された通知の許可に応じて、通知を行うか否かを判定する通知発行判定部と、
を備える、
情報通知管理システム。
ユーザの曜日・時刻毎の機器操作頻度を取得するためのニューラルネットワークを構築し、前記日時データ取得部で取得した前記機器操作データを取得した日時および曜日を、構築した前記ニューラルネットワークに入力して曜日・時刻毎の機器操作頻度を推測する推論処理部と、
前記推論処理部で推測された前記曜日・時刻毎の機器操作頻度、通知する通知内容、及び前記通知内容のカテゴリに基づいて、各時間帯における通知の許可を決定する通知許可決定部と、
前記通知許可決定部で決定された通知の許可に応じて、通知を行うか否かを判定する通知発行判定部と、
を備える、
情報通知管理システム。
【請求項2】
前記屋内機器から取得した機器操作データと、前記機器操作データを取得した日時のデータとに基づいて、前記ユーザの曜日・時刻毎の機器操作頻度を取得するためのニューラルネットワークを学習させる学習部を、さらに備える、
請求項１に記載の情報通知管理システム。
請求項１に記載の情報通知管理システム。
【請求項3】
通知する通知内容を複数のカテゴリに分類した通知情報の分類結果を保存する通知情報記憶部をさらに備え、
前記通知発行判定部は、前記通知を行うと判定した場合に、前記通知情報記憶部から前記通知情報の分類結果を取得し、前記通知許可決定部における通知の許可を決定する際に用いられた前記通知内容のカテゴリとに対応する前記通知内容を、前記屋内機器またはユーザの使用する端末装置に通知する、
請求項１または２に記載の情報通知管理システム。
前記通知発行判定部は、前記通知を行うと判定した場合に、前記通知情報記憶部から前記通知情報の分類結果を取得し、前記通知許可決定部における通知の許可を決定する際に用いられた前記通知内容のカテゴリとに対応する前記通知内容を、前記屋内機器またはユーザの使用する端末装置に通知する、
請求項１または２に記載の情報通知管理システム。
【請求項4】
ユーザの購買情報のデータを取得した日時および曜日を取得する日時データ取得部と、
前記ユーザの購買頻度を取得するためのニューラルネットワークを構築し、前記日時データ取得部で取得した前記ユーザの購買情報のデータを取得した日時および曜日を、構築した前記ニューラルネットワークに入力して前記ユーザの購買頻度を推測する推論処理部と、
前記推論処理部で推測された前記ユーザの購買頻度、通知する通知内容、及び前記通知内容のカテゴリに基づいて、各時間帯における通知の許可を決定する通知許可決定部と、
前記通知許可決定部で決定された通知の許可に応じて、通知を行うか否かを判定する通知発行判定部と、
を備える、
情報通知管理システム。
前記ユーザの購買頻度を取得するためのニューラルネットワークを構築し、前記日時データ取得部で取得した前記ユーザの購買情報のデータを取得した日時および曜日を、構築した前記ニューラルネットワークに入力して前記ユーザの購買頻度を推測する推論処理部と、
前記推論処理部で推測された前記ユーザの購買頻度、通知する通知内容、及び前記通知内容のカテゴリに基づいて、各時間帯における通知の許可を決定する通知許可決定部と、
前記通知許可決定部で決定された通知の許可に応じて、通知を行うか否かを判定する通知発行判定部と、
を備える、
情報通知管理システム。
【請求項5】
情報通知管理システムが実行する方法であって、
屋内機器の機器操作データを取得した日時および曜日を取得し、
ユーザの曜日・時刻毎の機器操作頻度を取得するためのニューラルネットワークを構築し、取得した前記機器操作データを取得した日時および曜日を、構築した前記ニューラルネットワークに入力して曜日・時刻毎の機器操作頻度を推測し、
推測された前記曜日・時刻毎の機器操作頻度、通知する通知内容、及び前記通知内容のカテゴリに基づいて、各時間帯における通知の許可を決定し、
決定された前記通知の許可に応じて、前記通知を行うか否かを判定する、
方法。
屋内機器の機器操作データを取得した日時および曜日を取得し、
ユーザの曜日・時刻毎の機器操作頻度を取得するためのニューラルネットワークを構築し、取得した前記機器操作データを取得した日時および曜日を、構築した前記ニューラルネットワークに入力して曜日・時刻毎の機器操作頻度を推測し、
推測された前記曜日・時刻毎の機器操作頻度、通知する通知内容、及び前記通知内容のカテゴリに基づいて、各時間帯における通知の許可を決定し、
決定された前記通知の許可に応じて、前記通知を行うか否かを判定する、
方法。
【請求項6】
コンピュータに、
屋内機器の機器操作データを取得した日時および曜日を取得する処理、
ユーザの曜日・時刻毎の機器操作頻度を取得するためのニューラルネットワークを構築し、取得した前記機器操作データを取得した日時および曜日を、構築した前記ニューラルネットワークに入力して曜日・時刻毎の機器操作頻度を推測する処理、
推測された前記曜日・時刻毎の機器操作頻度、通知する通知内容、及び前記通知内容のカテゴリに基づいて、各時間帯における通知の許可を決定する処理、
決定された前記通知の許可に応じて、前記通知を行うか否かを判定する処理、
を実行させるためのプログラム。
屋内機器の機器操作データを取得した日時および曜日を取得する処理、
ユーザの曜日・時刻毎の機器操作頻度を取得するためのニューラルネットワークを構築し、取得した前記機器操作データを取得した日時および曜日を、構築した前記ニューラルネットワークに入力して曜日・時刻毎の機器操作頻度を推測する処理、
推測された前記曜日・時刻毎の機器操作頻度、通知する通知内容、及び前記通知内容のカテゴリに基づいて、各時間帯における通知の許可を決定する処理、
決定された前記通知の許可に応じて、前記通知を行うか否かを判定する処理、
を実行させるためのプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、情報通知管理システム、方法、および、プログラムに関する。
【背景技術】
【0002】
紙媒体のチラシ、クーポン等だけではなく、電子チラシ、電子クーポン等も幅広く使用されている。電子チラシ、電子クーポン等は、例えば、電子メール、チャット等とは異なり、ユーザが時間のある時にまとめて閲覧できればよい場合がほとんどである。例えば、特許文献１には、記憶部に新着記事通知情報を記憶しておき、ユーザが事前に設定した通知許可指定時刻に、ユーザ端末装置に新着記事通知情報を送付する技術が開示されている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特許第６０７９２３１号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかしながら、特許文献１に開示された技術では、ユーザが事前にユーザ端末装置への通知許可時刻を指定する必要がある。このため、ユーザは、事前に通知許可時刻を指定する手間がかかる。また、電子チラシ、電子クーポン等の内容が、タイムセール、時間指定のイベント等の情報である場合、ユーザが事前に指定した通知許可時刻に電子チラシ、電子クーポン等がユーザ端末装置へ配信されても活用できない可能性がある。
【0005】
本開示は、上述の課題を解決するためになされたものであり、ユーザの手間を省き、通知の有用性を向上させることができる情報通知管理システム、方法、および、プログラムを提供することを目的とする。
【課題を解決するための手段】
【0006】
上述の目的を達成するために、本開示に係る情報通知管理システムは、屋内機器の機器操作データを取得した日時および曜日を取得する日時データ取得部と、ユーザの曜日・時刻毎の機器操作頻度を取得するためのニューラルネットワークを構築し、日時データ取得部で取得した機器操作データを取得した日時および曜日を、構築したニューラルネットワークに入力して曜日・時刻毎の機器操作頻度を推測する推論処理部と、推論処理部で推測された曜日・時刻毎の機器操作頻度、通知する通知内容、及び前記通知内容のカテゴリに基づいて、各時間帯における通知の許可を決定する通知許可決定部と、通知許可決定部で決定された通知の許可に応じて、通知を行うか否かを判定する通知発行判定部と、を備える。
【発明の効果】
【0007】
本開示によれば、情報通知管理システムは、事前に設定することなく、ユーザの行動と通知内容に応じて通知タイミングを変更することがきるため、ユーザの手間を省き、通知の有用性を向上させることができる。
【図面の簡単な説明】
【0008】
【図1】本開示の実施の形態１に係る情報通知管理システムの全体構成を示す図
【図8A】実施の形態１に係る時刻毎の機器操作頻度のうち月曜日の一例を示す図
【図8B】実施の形態１に係る時刻毎の機器操作頻度のうち日曜日の一例を示す図
【図9】実施の形態１に係る学習用データと推論用データの一例を示す図
【図10】実施の形態１に係る通知情報の分類結果を示す図
【図11A】実施の形態１に係る推論結果を示す図
【図12A】実施の形態１に係る通知発行タイミングを示す図
【図13】実施の形態１に係る学習処理のフローチャート
【図14】実施の形態１に係る操作頻度取得処理のフローチャート
【図15】実施の形態１に係る通知許可設定処理のフローチャート
【図16】実施の形態１に係る通知発行判定処理のフローチャート
【図17】本開示の実施の形態２に係る情報通知管理システムの全体構成を示す図
【図21】実施の形態２に係る時刻毎の購買頻度を示す図であり、（Ａ）は月曜日の一例を示す図、（Ｂ）は日曜日の一例を示す図
【図22】実施の形態２に係る学習用データと推論用データの一例を示す図
【図23】実施の形態２に係る通知情報を示す図
【図24A】実施の形態２に係る推論結果を示す図
【図25A】実施の形態２に係る通知発行タイミングを示す図
【図26】実施の形態２に係る通知許可決定処理のフローチャート
【図27】実施の形態２に係る通知発行処理のフローチャート
【発明を実施するための形態】
【0009】
（実施の形態１）
以下、本開示の実施の形態１に係る情報通知管理システム１００について、図面を参照しつつ説明する。なお、同一または同等の部分に同一の符号を付す。情報通知管理システム１００は、ユーザの住む住戸３に含まれる屋内機器３１の機器操作頻度に基づいて、ユーザの利用する端末装置２に通知を発行するタイミングを決定することができるシステムである。
以下、本開示の実施の形態１に係る情報通知管理システム１００について、図面を参照しつつ説明する。なお、同一または同等の部分に同一の符号を付す。情報通知管理システム１００は、ユーザの住む住戸３に含まれる屋内機器３１の機器操作頻度に基づいて、ユーザの利用する端末装置２に通知を発行するタイミングを決定することができるシステムである。
【0010】
図１は、本実施の形態１における情報通知管理システム１００の全体構成を示す図である。情報通知管理システム１００は、通知を発行するタイミングを決定するサーバ１と、ユーザの利用する端末装置２と、各種の屋内機器３１を備える住戸３と、ネットワーク４とを含む。サーバ１と端末装置２と住戸３とは、ネットワーク４を介して相互に接続されている。
【0011】
端末装置２には、例えば、スマートフォン、タブレット等の小型携帯端末装置を用いることができる。ネットワーク４には、例えば、インターネット、イントラネット等、既存の通信網を用いることができる。
【0012】
住戸３は、エアコン、送風機等の空調機器３１ａと、屋内空気循環システム、換気扇等の換気機器３１ｂと、電子レンジ、冷蔵庫等のキッチン家電３１ｃと、ボイラー、温水器等の給湯設備３１ｄと、住戸３内に設置された天井灯、手元用ライト等の照明機器３１ｅと、ルータ３２とを備えている。空調機器３１ａと、換気機器３１ｂと、キッチン家電３１ｃと、ボイラー、給湯設備３１ｄと、照明機器３１ｅを総称して、以下では屋内機器３１と称する。
【0013】
屋内機器３１は、ルータ３２を介して相互に接続されている。屋内機器３１とルータ３２との接続は、有線または無線のいずれの接続方式でもよい。屋内機器３１は、ルータ３２を介してネットワーク４と接続し、稼働情報データをサーバ１に送信することができる。屋内機器３１からサーバ１に送信される稼働情報データは、屋内機器３１に含まれる各機器から取得したタイムスタンプ付きの機器状態データである。また、屋内機器３１は、ルータ３２を介してネットワーク４と接続し、サーバ１から各種の通知を受信することができる。
【0014】
図２は、サーバ１の概要を示す図である。サーバ１は、図１に示した住戸３に含まれる屋内機器３１の稼働情報データを学習する学習部１１と、学習部１１の学習結果を保存する学習済モデル記憶部１２と、ユーザの屋内機器３１の操作タイミングと在宅タイミングとを推測する推論部１３と、端末装置２および住戸３の屋内機器３１への通知を制御する通知制御部１４とを備える。
【0015】
学習部１１は、図３に示すとおり、機器操作データを取得した日時を取得する日時データ取得部１１１と、図１に示した住戸３内の屋内機器３１の稼働情報データを取得する機器操作データ取得部１１２と、学習済モデルを生成するモデル生成部１１３とを備えている。日時データ取得部１１１は、図１に示した住戸３内の屋内機器３１から取得した、稼働情報データに含まれる機器操作データのタイムスタンプから、機器操作データを取得した日時、特に曜日を、学習用データとして取得する。
【0016】
機器操作データ取得部１１２は、図１に示した住戸３内の屋内機器３１の稼働情報データを取得し、稼働情報データに含まれる機器操作データを取得する。機器操作データ取得部１１２の取得する機器操作データは、空調機器３１ａまたは換気機器３１ｂのオン／オフデータ、キッチン家電３１ｃである冷蔵庫のドアの開閉データ、および電子レンジ、調理用家電の動作データ、給湯設備３１ｄの給湯実績データ、照明機器３１ｅの点灯／消灯データである。
【0017】
モデル生成部１１３は、日時データ取得部１１１から出力される図１に示した屋内機器３１の機器操作データが取得された日時、特に曜日と、機器操作データ取得部１１２から出力される機器操作データとの組合せを学習する。これにより、機器操作データ取得部１１２は、曜日・時刻毎に操作されることの多い屋内機器３１を学習することができる。
【0018】
すなわち、モデル生成部１１３は、ユーザの操作した屋内機器３１の機器操作データを正解とし、ユーザの屋内機器３１を操作した日時、特に曜日の情報から、曜日・時刻毎に操作される可能性の高い機器を推論する学習済モデルを生成するものである。本実施の形態１では、学習済モデルをニューラルネットワークにより得るものとする。
【0019】
ここで、モデル生成部１１３に構築されるニューラルネットワークの一例を、図４に示す。ニューラルネットワークは、複数のニューロンを含む、入力層と、中間層と、出力層とで構成されている。ここで、本実施の形態においては、中間層を１層とする。例えば、図４に示す３層のニューラルネットワークであれば、複数の入力が入力層Ｘ１～Ｘｎに入力されると、その値に重みＷ１１～Ｗｎｍを掛けて中間層Ｙ１～Ｙｍに入力される。中間層Ｙ１～Ｙｍに入力された結果に、さらに重みＶ１１～Ｖｋｍを掛け、出力層Ｚ１～Ｚｋから出力される。出力層Ｚ１～Ｚｋからの出力結果は、重みＷ１１～Ｗｎｍと、重みＶ１１～Ｖｋｍの値によって変わる。なお、ここでは、ｎ、ｋは４以上の整数とし、ｍは３以上の整数とする。
【0020】
まず、出力層Ｚ１～Ｚｋの各ニューロンに、図３に示した機器操作データ取得部１１２から出力される機器操作データを設定する。機器操作データは、例えば、空調機器３１ａまたは換気機器３１ｂのオン／オフデータ、キッチン家電３１ｃである冷蔵庫のドアの開閉データ、および電子レンジ、調理用家電の動作データ、給湯設備３１ｄの給湯実績データ、照明機器３１ｅの点灯／消灯データである。
【0021】
続いて、入力層Ｘ１～Ｘｎの各ニューロンに、図３に示した日時データ取得部１１１から出力される図１に示した屋内機器３１の機器操作データが取得された日時、特に曜日をそれぞれ入力する。そして、出力層Ｚ１～Ｚｋから出力される結果が、機器操作データに近づく状態に、重みＷ１１～Ｗｎｍと、重みＶ１１～Ｖｋｍとを調整させる。
【0022】
重みＷ１１～Ｗｎｍと、重みＶ１１～Ｖｋｍの調整は、例えば、誤差伝搬（Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ）法を用いて行う。重みＷ１１～Ｗｎｍと、重みＶ１１～Ｖｋｍを調整することは、ニューラルネットワークにおける学習である。また、以下では、重みＷ１１～Ｗｎｍと、重みＶ１１～Ｖｋｍを調整することを、モデル生成部１１３における学習とする。モデル生成部１１３は、調整された重みＷ１１～Ｗｎｍと、重みＶ１１～Ｖｋｍとを、学習済モデルとして、図３に示した学習済モデル記憶部１２に保存する。
【0023】
次に、図２に示した推論部１３の概要について、図５を参照しつつ以下に説明する。推論部１３は、推測する対象となる日時、特に曜日を取得する日時データ取得部１３１と、推測を行う推論処理部１３２とを備える。日時データ取得部１３１は、図１に示した住戸３内の屋内機器３１のうち、曜日・時刻毎に操作されることの多い屋内機器３１を推測するための日時、特に曜日を取得する。
【0024】
推論処理部１３２は、学習済モデル記憶部１２から学習済モデルを取得する。続いて、推論処理部１３２は、ニューラルネットワークを構築し、中間層と出力層との各ニューロンに、学習済モデルである重みを設定する。推論処理部１３２は、構築したニューラルネットワークの入力層に、日時データ取得部１３１が取得した日時、特に曜日を入力する。これにより、推論処理部１３２は、曜日・時刻毎に操作されることの多い屋内機器３１、すなわち、曜日・時刻毎の機器操作頻度を推測することができる。推論処理部１３２は、推測した曜日・時刻毎の機器操作頻度を、推論結果として通知制御部１４に出力する。
【0025】
続いて、通知制御部１４の概要について図６に示す。通知制御部１４は、外部からの通知イベントを取得する通知情報取得部１４１と、通知イベントの内容を分類する通知内容分類部１４２と、通知イベントの内容を分類した分類結果を保存する通知情報記憶部１４３と、推論部１３から推論結果を取得する推論結果取得部１４４と、推論結果に基づいて通知の許可を決定する通知許可決定部１４５と、通知の許可についてまとめたテーブルを保存する通知許可テーブル記憶部１４６と、通知を発行するか判定する通知発行判定部１４７とを備える。
【0026】
通知情報取得部１４１は、図１に示した住戸３内の接続された屋内機器３１から発行される通知、屋内機器３１に接続された外部サーバから発行される通知等の各種の通知イベントを取得する。屋内機器３１から発行される通知は、例えば、キッチン家電３１ｃである冷蔵庫のドアが長時間開いたままであることの通知、照明機器３１ｅの電灯が切れたことを示す通知等である。また、屋内機器３１に接続された外部サーバから発行される通知は、例えば、屋内機器３１のソフトウェアのアップデートの通知、屋内機器３１に関するサービスを提案するメールの到着を示す通知等である。
【0027】
通知内容分類部１４２は、通知イベントの文言を処理する自然言語処理部１４２１と、自然言語処理部１４２１で処理された結果を分類する通知情報分類部１４２２とを備える。通知情報取得部１４１で取得する通知イベントは、規格で決まったもの、送られる通知内容が既知の場合等では、セキュリティ、見守り、メンテナンス等のカテゴリに、通知イベントの内容をそのまま分類することができる。しかし、例えば、店舗サーバからの通知といった非定型の通知イベントは、その情報を単純に既存のカテゴリを分類することが困難である。そこで、本実施の形態１では、自然言語処理部１４２１において、自然言語処理を用い、通知の内容を処理している。
【0028】
自然言語処理部１４２１は、通知情報取得部１４１の取得した通知イベントを取得すると、まず、形態素解析を行う。続いて、自然言語処理部１４２１は構文解析、意味解析、文脈解析を順番に行う。そして、自然言語処理部１４２１は、処理された結果を、通知情報分類部１４２２に送信する。通知情報分類部１４２２は、自然言語処理部１４２１から取得した処理結果をカテゴリ別に分類する。具体的には、通知情報分類部１４２２は、カテゴリとして、セキュリティ、見守り、メンテナンス、機能提案、サービス提案に分類するようにする。例えば、「フィルターを清掃してください。」という通知イベントを取得したとする。この場合、自然言語処理部１４２１において自然言語処理された結果を、通知情報分類部１４２２は、図１に示した空調機器３１ａのメンテナンスを通知しているものとして、メンテナンスのカテゴリに分類する。
【0029】
通知情報記憶部１４３は、通知情報分類部１４２２で分類された通知情報の分類結果を保存する。推論結果取得部１４４は、図５に示した推論部１３から出力された推論結果を取得する。通知許可決定部１４５は、推論結果取得部１４４が取得した推論結果を基に、通知内容毎に通知を発行して良い時間帯を決定し、通知の許可についてまとめたテーブルを生成する。通知許可決定部１４５は、生成した通知の許可についてまとめたテーブルを通知許可テーブル記憶部１４６に保存する。
【0030】
通知発行判定部１４７は、通知を発行するか判定する。具体的には、通知発行判定部１４７は、各通知の許可時刻が到来したか否か判定する。各通知の許可時刻が到来した場合、通知発行判定部１４７は、通知許可テーブル記憶部１４６に保存された通知の許可についてまとめたテーブルに含まれるデータを基に、通知情報記憶部１４３に記憶された通知のうち通知タイミングが合致する通知を、図１に示した端末装置２、もしくは住戸３内の屋内機器３１に発行する。
【0031】
上述した図２に示したサーバ１で実行される学習部１１と、推論部１３と、通知制御部１４とは、ソフトウェアにより実現することができる機能である。サーバ１で実行される各機能を実現するための処理を実行するソフトウェアを、情報通知管理プログラムとする。この情報通知管理プログラムを実行するためのハードウエア構成の一例を、図７に示す。
【0032】
サーバ１は、図２に示したネットワーク４に接続するための通信機器５１と、各種プログラム及び各データを保存する保存機器５２と、各種プログラムを展開するためのメモリ５３と、各種プログラムを実行するプロセッサ５４とを備える。通信機器５１と、保存機器５２と、メモリ５３と、プロセッサ５４とは、データバス５５により相互に接続されている。
【0033】
通信機器５１は、図２に示したネットワーク４に接続するための機器である。通信機器５１は、例えば、無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｗｉｆｉ等の各種通信方式による機器により構成することができる。保存機器５２は、図２に示したサーバ１の学習済モデル記憶部１２として機能することができる機器である。保存機器５２は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶装置を用いて構成することができる。
【0034】
メモリ５３は、保存機器５２に記憶された各種プログラムを展開するための機器である。メモリ５３は、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、フラッシュメモリ等の揮発性または不揮発性の半導体メモリといった記憶素子および記憶媒体を用いて構成することができる。プロセッサ５４は、保存機器５２に記憶された各種プログラムを読み出してメモリ５３に展開し、実行する。プロセッサ５４は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ－ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等の処理装置を用いて構成することができる。
【0035】
次に、図１に示した住戸３内の屋内機器３１から取得される稼働情報データと、日時、特に曜日との関連性について具体例を示して説明する。なお、以下では説明のため、時刻および曜日について、ユーザの生活サイクル、例えば、食事時間帯、外出時間帯、帰宅時間帯、団欒時間帯、入浴時間帯、就寝時間帯等と表現を変えて説明するものとする。
【0036】
例えば、ユーザが、月曜日から金曜日の平日日中は仕事で外出して不在、土曜日、日曜日は休日で在宅する場合を想定する。ユーザ生活サイクルとして、平日の月曜日は、習慣的に７時頃に朝食をとり、続いて８時頃に全ての屋内機器３１をオフして出勤する。そして、ユーザが、１９時頃に帰宅して夕食をとり、２２時頃に入浴し、２３時頃に就寝していたとする。
【0037】
食事時間帯は、食品出し入れのため冷蔵庫のドア開閉、ＩＨクッキングヒーター、電子レンジ等の調理家電の操作、キッチン、ダイニングの照明機器３１ｅの操作が行われる。このため、朝食をとる７時頃または夕食をとる１９時頃は、冷蔵庫、調理家電等のキッチン家電３１ｃ、および、キッチン、ダイニングの照明機器３１ｅの操作が多くなる。
【0038】
また、出勤時の８時には、全ての屋内機器３１がオフされる。この場合、ユーザが帰宅する１９時頃までは屋内機器３１の操作は行なわれない。また、ユーザが帰宅する帰宅時間帯の１９時には、住戸３内の照明機器３１ｅの操作が行われることが多くなる。また、その後の団欒時間帯はＴＶ、リビングの照明機器３１ｅの操作が多くなる。入浴時間帯の２２時は、給湯設備３１ｄおよび浴室換気扇といった換気機器３１ｂの操作が多くなる。そして、就寝時間帯の２３時には、全ての屋内機器３１がオフされる。
【0039】
一方、休日の土曜日にユーザが習慣的に在宅していたとすると、平日とは異なり日中にも冷蔵庫のドア開閉、調理家電の操作、サニタリー室の照明機器３１ｅの操作等が行われるため、１日を通して機器操作データが多くなると考えられる。以上のとおり、ユーザが曜日毎に習慣的な生活サイクルで過ごしていたものと考えると、機器操作データは、時刻、特に曜日、換言すれば、ユーザの生活サイクルに関連する屋内機器３１の操作データが含まれることになる。
【0040】
そこで、本実施の形態１では、図２に示したサーバの学習部１１で学習する機器操作データとして、時刻および曜日ごとの屋内機器３１の操作回数を学習する。なお、学習部１１で操作回数をそのまま学習してもよいが、そのままの値を学習すると誤差が大きくなる。そこで、本実施の形態１では、操作回数を正規化したヒストグラムの値を用いるものとする。操作回数を正規化した一例を、図８Ａ、８Ｂに示す。
【0041】
図８Ａに示すのは、月曜日における時刻毎の機器操作頻度である。グラフは、１に近いほど屋内機器３１の操作回数が多いことを示している。図８Ａでは、冷蔵庫の操作回数を一点鎖点で示し、照明機器３１ｅの操作回数を実線で示し、換気機器３１ｂの操作回数を二点鎖点で示している。
【0042】
例えば、図８Ａでは、朝食をとる７時頃、冷蔵庫、照明機器３１ｅ、換気機器３１ｂの機器操作頻度が高いことが示されている。その後、出勤時の８時には、全ての屋内機器３１がオフされるため、機器操作頻度はゼロになる。そして、ユーザが帰宅する帰宅時間帯の１９時から入浴時間帯の２２時頃までの間、冷蔵庫、照明機器３１ｅ、換気機器３１ｂの機器操作頻度が示されている。また、就寝時間帯の２３時には、全ての屋内機器３１がオフされるため、機器操作頻度はゼロになる。
【0043】
また、図８Ｂに示すのは、日曜日における時刻毎の機器操作頻度である。図８Ｂでは、図８Ａと同様に、冷蔵庫の操作回数を一点鎖点で示し、照明機器３１ｅの操作回数を実線で示し、換気機器３１ｂの操作回数を二点鎖点で示している。
【0044】
例えば、図８Ｂでは、朝食をとる８時頃、冷蔵庫、照明機器３１ｅ、換気機器３１ｂの機器操作頻度が高いことが示されている。その後、ユーザが出かける１５時頃まで、冷蔵庫、照明機器３１ｅ、換気機器３１ｂの機器操作頻度が示されている。また、ユーザの帰宅する１８時から２３時頃までの間、冷蔵庫、照明機器３１ｅ、換気機器３１ｂの機器操作頻度が示されている。また、図８Ａ、図８Ｂにおいて、屋内機器３１の機器操作頻度がゼロでは無い場合、ユーザが在宅しているものと考えることができる。このため、屋内機器３１の機器操作頻度から副次的にユーザの在宅状態も推測することができる。
【0045】
また、ここまで、図３に示したサーバ１の学習部１１は、構築されるニューラルネットワークの入力層に屋内機器３１の機器操作データが取得された日時、特に曜日をそれぞれ入力し、出力層に屋内機器３１の機器操作データを設定し、学習するものして説明した。また、図５に示した推論部１３は、構築されるニューラルネットワークの入力層に推測するめの日時、特に曜日を入力し、曜日・時刻毎に操作されることの多い屋内機器３１を推測するものとして説明した。
【0046】
しかしながら、本実施の形態１では、サーバ１の学習部１１に設定される学習用データとして、種々の情報データを追加することができる。また、推論部１３で推測される曜日・時刻毎に操作されることの多い屋内機器３１、すなわち、推測される機器操作頻度を、学習用データに追加された種々の情報データに応じて変更することも可能である。この学習用データと推測される機器操作頻度の一例を、図９に示す。なお、図９においては、推測される機器操作頻度を推論用データと称する。
【0047】
まず、学習用データのうち、入力層に入力するデータとして、さらに、暦の祝日データを追加することも考えられる。例えば、土日祝日で連休になる場合は、ユーザが外出しがちなため、日中は屋内機器３１の機器操作データが少なくなる。また、平日の中日に祝日がある場合、連休でなければユーザは外出しないことも多いため、日中は、屋内機器３１の機器操作データが多くなる。これらのパターンをふまえ、曜日だけでなく祝日を加味した学習が可能となる。
【0048】
また、学習用データのうち、入力層に入力するデータとして、月日の情報を追加して学習することも考えられる。例えば、月末の平日は、仕事でユーザの帰宅時間が遅くなりがちなため、日中の屋内機器３１の機器操作データが少なくなる。また、冬の休日は、ユーザの起床時間が遅くなりがちなため、朝の屋内機器３１の機器操作データが少なくなる。これらのパターンをふまえ、季節、月初め、月末等を加味した学習が可能となる。
【0049】
また、学習用データのうち、入力層に入力するデータとして、ユーザの居住する地域の天候データを追加して学習することも考えられる。例えば、雨天ではユーザは外出しないため、雨天の休日は日中の屋内機器３１の機器操作データが多くなる。晴天ではユーザが外出しがちなため、晴天の休日は日中の屋内機器３１の機器操作データが少なくなる。また、寒い日はユーザが早く帰宅しがちになるため、気温の低い平日は夕方の屋内機器３１の機器操作データが多くなる。これらのパターンをふまえ、ユーザの居住する地域の天気、気温を加味した学習が可能となる。
【0050】
また、学習用データのうち、入力層に入力するデータとして、年齢、人数等の家族情報とカレンダー情報とを追加して学習することも考えられる。家族情報、カレンダー情報はユーザによる手入力のほか、カレンダーアプリとの連携により取得することが考えられる。例えば、家族の誕生日にはユーザは早く帰宅しがちなため、誕生日などの家族イベントがある場合には夕方の屋内機器３１の機器操作が多くなる。このため、家族イベントに応じたユーザの行動を加味した学習が可能となる。
【0051】
また、学習用データのうち、入力層に入力するデータとして、ユーザの行動履歴を収集できる装置の情報を追加して学習することも考えられる。ユーザの行動履歴を収集できる装置は、例えば、スマートフォンのＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）、歩数計のデータ、カーナビのデータ等である。ユーザの行動履歴情報をさらに学習データに含むことで、例えば、歩数データが少ない時は家に居た、ＧＰＳ情報からユーザが外出していたか否か等を加味して学習できる。このため、在宅しているか否かの学習精度を向上させることが可能となる。
【0052】
なお、学習用データのうち、入力層に入力するデータを増やす例として、例えば、ユーザが本システムを利用し始めたばかりで学習に使用できる機器操作データが少ない場合に、日時および曜日だけで学習する。そして、例えば、ユーザが本システムを利用し始めてから数か月、数年経過し、学習に使用できる機器操作データが増えてきた場合に、順次、学習に使用する入力を増やしていく。さらに、祝日、季節、天候、家族情報、カレンダー情報、ＧＰＳデータ、歩数計のデータ等を、順次、加味し、学習済モデルを進化させていくことも考えられる。
【0053】
次に、図１０に示すのは、図６に示した通知制御部１４の通知情報記憶部１４３に保存される通知情報の分類結果のデータをまとめたテーブルである。通知情報の分類結果のテーブルに示す通知元は、どこから通知が発行されたかを示す。通知内容は、発行された通知の内容である。この通知内容は、通知内容分類部１４２の自然言語処理部１４２１で処理されたものである。また、通知内容の分類のうちカテゴリは、通知内容分類部１４２で通知情報の内容が分類された結果である。また。通知内容の分類のうち通知タイミングは、カテゴリに紐づけて設定された通知タイミングである。
【0054】
例えば、図１０に示すとおり、エアコンから「室温が３０度を超えました。」との通知情報がサーバ１に送信された場合、通知元に「エアコン」、通知内容に「室温が３０度を超えました。」が入力される。また、通知内容を通知内容分類部１４２で分類された結果、通知内容分の類部のうちカテゴリに「見守り」、通知タイミングに「即時」が入力される。
【0055】
続いて、図１１Ａ、図１１Ｂに示すのは、図６に示した通知制御部１４の推測結果取得部１４４が、図５に示した推論部１３から取得した推論結果の一例である。図１１Ａ、図１１Ｂは連続しており、月曜と日曜との間の火曜から土曜が省略されている。なお、図１１Ａ、図１１Ｂは連続しているが、便宜上、各図に表題欄を記載している。推論結果は、例えば、図１１Ａ、図１１Ｂに示すとおり、０から１までの数値で示されている。この数値は、機器操作されやすい、すなわち、過去に機器操作されることが多かった時間帯ほど１に近い値となる。逆に、機器操作されにくい、すなわち、過去に機器操作されることが少なかった時間帯ほど０に近い値となる。
【0056】
図６に示した通知制御部１４の通知許可決定部１４５は、推論結果取得部１１４の取得した推論結果を基に、通知内容毎に通知を発行して良い時間帯を決定する。そして、通知許可決定部１４５は、推論結果を含めて通知発行タイミングのテーブルとして、図６に示した通知制御部１４の通知許可テーブル記憶部１４６に保存する。通知発行タイミングのテーブルを、図１２Ａ、１２Ｂに示す。図１２Ａ、図１２Ｂは連続しており、月曜と日曜との間の火曜から土曜が省略されている。なお、図１２Ａ、図１２Ｂは連続しているが、便宜上、各図に表題欄を記載している。
【0057】
通知許可決定部１４５は、具体的には、図１１Ａ、図１１Ｂに示した推論結果のうち、ある一定の数値以上、例えば、０．５以上が示された時間帯であれば通知を許可すると決定する。通知発行タイミングのテーブルのうち、通知許可の項目内で「○」が示された時間帯が通知を許可された時間帯である。通知許可の項目には、即時実行することを示す「即時」、屋内機器３１ごとに管理された機能提案、サービス提案である「通知（１）」、メンテナンスを示す「通知（２）」のそれぞれについて許可時間帯が決定される。
【0058】
「即時」の項目は、即時実行することを示すものであり、セキュリティ、屋内機器３１の見守りに関する項目である。このため、ユーザが、すぐに通知を認識できる必要があるため、全ての時間帯で通知が許可される。
【0059】
また、サービス提案である「通知（１）」は、対象となる屋内機器３１が操作されるタイミングで通知を発行する。これにより、ユーザが通知を認識する確率を高めることが期待できる。このため、推論結果のうち、ある一定の数値以上、例えば、０．５以上が示された時間帯、すなわち、屋内機器３１が操作される可能性が高い時間帯を通知許可すると決定する。
【0060】
次に、「通知（２）」は、メンテナンスを示す項目である。メンテナンスは、ユーザが屋内機器３１のメンテナンス対応に時間をかけられるタイミング、すなわち、長時間の在宅が予測される時間帯に通知することにより、ユーザにタイミングよくメンテナンス対応を促すことができる。そこで、「通知（１）」で通知許可が決定された時間帯のＡＮＤをとり、継続して許可決定された時間帯、例えば３時間以上、連続して許可されている時間帯を通知許可すると決める。
【0061】
また、メンテナンスは、一般的に日中に実施されるものと想定されるため、夜間の通知は不要である。このため、システム側で通知不要時間を設定しておく。図１２Ａ、図１２Ｂでは、例えば、「通知（２）」の項目のうち、１９時～翌８時の箇所をグレーアウトしている。グレーアウトしている期間は、システムにより通知不要時間として設定されている期間を示している。
【0062】
また、図１２Ａ、図１２Ｂでは、「通知（２）」の項目のうち、取り消し線付き付きの「○」が入力されている欄がある。これは、「通知（１）」で通知許可が決定された時間帯のＡＮＤをとった際に通知許可の継続時間が条件を満たさない場合、システムにより通知不要時間として設定されている期間である場合を示している。この場合には、通知は許可されない。
【0063】
次に、図３に示した学習部１１で実行される処理について、図１３に示す学習処理のフローチャートを参照しつつ、以下に説明する。学習処理のフローチャートに示す各処理は、サーバ１で実行される各機能を実現するための処理を実行するソフトウェアである、情報通知管理プログラムに含まれる処理とする。
【0064】
図３に示した学習部１１の日時データ取得部１１１は、図１に示した住戸３内の屋内機器３１から取得した、稼働情報データに含まれる機器操作データのタイムスタンプから、機器操作データを取得した日時、特に曜日を、学習用データとして取得する。続いて、図３に示した学習部１１の機器操作データ取得部１１２は、図１に示した住戸３内の屋内機器３１の稼働情報データを取得し、稼働情報データに含まれる機器操作データを、学習用データとして取得する（ステップＳ１０１）。
【0065】
モデル生成部１１３は、学習済モデルを生成する（ステップＳ１０２）。具体的には、モデル生成部１１３はニューラルネットワークを構築し、出力層の各ニューロンに、ステップＳ１０１で取得した機器操作データを設定する。続いて、モデル生成部１１３は、入力層の各ニューロンに、ステップＳ１０１で取得した屋内機器３１の機器操作データが取得された日時、特に曜日をそれぞれ入力する。
【0066】
そして、モデル生成部１１３は、出力層から出力される結果が、機器操作データに近づく状態に、中間層と出力層の各ニューロンの重みを調整させる。モデル生成部１１３は、ニューラルネットワークの中間層と出力層の各ニューロンの重みを、学習済モデルとして学習済モデル記憶部１２に保存する（ステップＳ１０３）。
【0067】
続いて、図５に示した推論部１３で実行される処理について、図１４に示す操作頻度取得処理のフローチャートを参照しつつ、以下に説明する。操作頻度取得処理フローチャートに示す各処理は、サーバ１で実行される各機能を実現するための処理を実行するソフトウェアである、情報通知管理プログラムに含まれる処理とする。
【0068】
図５に示した推論部１３の日時データ取得部１３１は、推測する対象となる日時、特に曜日を取得する（ステップＳ２０１）。図５に示した推論部１３の推論処理部１３２は、学習済モデル記憶部１２から学習済モデルを取得する。続いて、推論処理部１３２は、ニューラルネットワークを構築し、中間層と出力層との各ニューロンに、学習済モデルである重み設定する。推論処理部１３２は、構築したニューラルネットワークの入力層に、日時データ取得部１３１が取得した日時、特に曜日を入力する（ステップＳ２０２）。
【0069】
推論処理部１３２は、推測した曜日・時刻毎の機器操作頻度を取得する（ステップＳ２０３）。推論処理部１３２は、曜日・時刻毎の機器操作頻度を推論結果として通知制御部１４に出力する（ステップＳ２０４）。
【0070】
続いて、通知制御部１４は、推論処理部１３２から取得した推論結果を基に、通知発行を許可するタイミングを決定し、許可された時刻に通知を発行する。通知制御部１４で実行される処理について、図１５に示す通知許可設定処理のフローチャートおよび、図１６に示す通知発行判定処理のフローチャートを参照しつつ、以下に説明する。通知許可設定処理のフローチャートおよび通知発行判定処理のフローチャートに示す各処理は、図２に示したサーバ１で実行される各機能を実現するための処理を実行するソフトウェアである、情報通知管理プログラムに含まれる処理とする。
【0071】
まず、図１５に示す通知許可設定処理において、図６に示した通知制御部１４の推測結果取得部１４４は、図５に示した推論部１３から取得した推論結果を取得する（ステップＳ３０１）。図６に示した通知制御部１４の通知許可決定部１４５は、推論結果取得部１４４の取得した推論結果のうち、各時間帯の操作頻度が閾値以上か否か判定する（ステップＳ３０２）。その時間帯の操作頻度が閾値以上の場合（ステップＳ３０２；ＹＥＳ）、通知許可決定部１４５は、機能提案、サービス提案である「通知（１）」を許可する（ステップＳ３０３）。その時間帯の操作頻度が閾値以上ではない場合（ステップＳ３０２；ＮＯ）、通知許可決定部１４５は、ステップＳ３０４に移る。
【0072】
通知許可決定部１４５は、「通知（１）」を許可した時間帯について、各機器のＡＮＤを計算する（ステップＳ３０４）。通知許可決定部１４５は、ＡＮＤを計算した時間帯が、９－１８時の間、且つ、３時間連続で通知を許可されているか否か判定する（ステップＳ３０５）。ＡＮＤを計算した時間帯が、９－１８時の間、且つ、３時間連続で通知を許可された時間帯である場合（ステップＳ３０５；ＹＥＳ）、通知許可決定部１４５は、メンテナンスを示す「通知（２）」を許可する（ステップＳ３０６）。
【0073】
また、ＡＮＤを計算した時間帯が、９－１８時の間、且つ、３時間連続で通知を許可された時間帯ではない場合（ステップＳ３０５；ＮＯ）、通知許可決定部１４５は、ステップＳ３０６をスキップする。通知許可決定部１４５は、推論結果を含めて通知発行タイミングのテーブルとして、図６に示した通知制御部１４の通知許可テーブル記憶部１４６に保存する。通知許可決定部１４５は、通知許可設定処理を終了する。
【0074】
続いて、図１６に示す通知発行判定処理に移る。図６に示した通知制御部１４の通知発行判定部１４７は、通知許可テーブル記憶部１４６に保存された通知発行タイミングのテーブルを取得する。通知発行判定部１４７は、通知発行タイミングのテーブルを参照し、現在の時間帯に即時実行の通知イベントが発生したか否か判定する（ステップＳ４０１）。即時実行の通知イベントが発生していない場合（ステップＳ４０１；ＮＯ）、通知発行判定部１４７は、ステップＳ４０１をくり返す。
【0075】
即時実行の通知イベントが発生した場合（ステップＳ４０１；ＹＥＳ）、通知発行判定部１４７は、図６に示した通知制御部１４の通知情報記憶部１４３から即時に分類された通知を取得する（ステップＳ４０２）。通知発行判定部１４７は、図１に示す端末装置２もしくは住戸３内の屋内機器３１に通知を発行する（ステップＳ４０３）。
【0076】
通知発行判定部１４７は、通知発行タイミングのテーブルを参照し、現在の時間帯に、機能提案、サービス提案である「通知（１）」を許可するタイミングが到来したか否か判定する（ステップＳ４０４）。「通知（１）」を許可するタイミングが到来していない場合（ステップＳ４０４；ＮＯ）、通知発行判定部１４７は、ステップＳ４０４をくり返す。
【0077】
「通知（１）」を許可するタイミングが到来した場合（ステップＳ４０４；ＹＥＳ）、通知発行判定部１４７は、通知情報記憶部１４３から「通知（１）」に分類された通知を取得する（ステップＳ４０５）。通知発行判定部１４７は、図１に示す端末装置２もしくは住戸３内の屋内機器３１に通知を発行する（ステップＳ４０３）。
【0078】
また、通知発行判定部１４７は、通知発行タイミングのテーブルを参照し、現在の時間帯に、メンテナンスを実行する「通知（２）」を許可するタイミングが到来したか否か判定する（ステップＳ４０６）。「通知（２）」を許可するタイミングが到来していない場合（ステップＳ４０６；ＮＯ）、通知発行判定部１４７は、ステップＳ４０６をくり返す。
【0079】
「通知（２）」を許可するタイミングが到来した場合（ステップＳ４０６；ＹＥＳ）、通知発行判定部１４７は、通知情報記憶部１４３から「通知（２）」に分類された通知を取得する（ステップＳ４０７）。通知発行判定部１４７は、図１に示す端末装置２もしくは住戸３内の屋内機器３１に通知を発行する（ステップＳ４０３）。通知発行判定部１４７は、通知発行判定処理を終了する。
【0080】
以上のとおり、実施の形態１によれば、情報通知管理システム１００は、住戸３に含まれる屋内機器３１の機器操作頻度に基づいて、ユーザの利用する端末装置２に通知を発行するタイミングを決定することができる。これにより、情報通知管理システム１００は、事前に設定することなく、ユーザの行動と通知内容に応じて通知タイミングを変更することがきるため、ユーザの手間を省き、通知の有用性を向上させることができる。
【0081】
（実施の形態２）
実施の形態１では、曜日・時刻毎の機器操作頻度の推測結果から、通知許可タイミングを決定し、許可時刻が到来したタイミングで、端末装置２もしくは、住戸３内の屋内機器３１に通知を発行する情報通知管理システム１００について説明した。実施の形態２では、外部の店舗サーバ６と連携することで、ユーザの購買タイミングの推測を可能とする情報通知管理システム１００Ａについて説明する。情報通知管理システム１００Ａは、ユーザの購買タイミングに合わせて店舗からの通知を発行させることで、通知による集客効果の向上および製品購入を促進させることができるシステムである。
実施の形態１では、曜日・時刻毎の機器操作頻度の推測結果から、通知許可タイミングを決定し、許可時刻が到来したタイミングで、端末装置２もしくは、住戸３内の屋内機器３１に通知を発行する情報通知管理システム１００について説明した。実施の形態２では、外部の店舗サーバ６と連携することで、ユーザの購買タイミングの推測を可能とする情報通知管理システム１００Ａについて説明する。情報通知管理システム１００Ａは、ユーザの購買タイミングに合わせて店舗からの通知を発行させることで、通知による集客効果の向上および製品購入を促進させることができるシステムである。
【0082】
図１７に示すのは、実施の形態２に係る情報通知管理システム１００Ａの全体構成である。情報通知管理システム１００Ａは、通知を発行するタイミングを決定するサーバ１Ａと、ユーザの利用する端末装置２と、ネットワーク４、４１、４２と、ユーザの購入情報を管理する店舗サーバ６を含む。サーバ１Ａと端末装置２とは、ネットワーク４を介して相互に接続している。また、サーバ１Ａと店舗サーバ６とは、ネットワーク４１、４２を介して相互に接続している。
【0083】
図１８は、店舗サーバ６の概要を示す図である。店舗サーバ６は、ユーザのアカウント、購買情報の管理および保存をするとともに、ユーザに各種イベントを通知することができる。店舗サーバ６は、ユーザのアカウントを管理するアカウント管理部６１と、ユーザの購買情報を管理する購買情報管理部６２と、ユーザのアカウントの情報データを保存するアカウント情報記憶部６３と、ユーザの購入情報データを保存する購入情報記憶部６４とを含む。アカウント管理部６１は、例えば、ユーザが登録している各種ポイントカード、スマホアプリ等の会員情報を管理する。アカウント情報記憶部６３は、アカウント管理部６１の管理するユーザの会員情報を保存している。
【0084】
また、アカウント管理部６１は、ネットワーク４１を介して、後述するサーバ１Ａのアカウント管理部１５と相互に接続している。アカウント管理部６１とサーバ１Ａのアカウント管理部１５とは、互いに連携し、管理するユーザの会員情報を共有している。購買情報管理部６２は、ユーザの購買情報を管理する。ユーザの購買情報は、ユーザの会員情報を登録しているポイントカードの提示履歴、店舗でのスマホアプリの利用履歴から求められた情報である。また、ユーザの購買情報には、店舗、インターネット経由の通販等、ユーザの購買を行った日時も含まれる。購買情報管理部６２は、管理するユーザの購買情報を購入情報記憶部６４に保存している。
【0085】
購買情報管理部６２は、ネットワーク４２を介して、後述するサーバ１Ａの学習部１１Ａと接続している。購買情報管理部６２は、サーバ１Ａの学習部１１Ａに、購入情報記憶部６４に保存したユーザの購買情報を提供する。
【0086】
図１９は、サーバ１Ａの概要を示す図である。サーバ１Ａは、ユーザの購買情報を学習する学習部１１Ａと、学習部１１Ａの学習結果を保存する学習済モデル記憶部１２と、ユーザの購買頻度を推測する推論部１３Ａと、端末装置２への通知を制御する通知制御部１４と、ユーザのアカウントを管理するアカウント管理部１５と、ユーザのアカウントの情報データを保存するアカウント情報記憶部１６とを備える。
【0087】
学習部１１Ａは、図１８に示した購買情報管理部６２からネットワーク４２を介して提供されるユーザの購買情報を学習する。推論部１３Ａは、推測の対象となる日時のユーザの購買頻度を推測する。アカウント管理部１５は、図１８に示したアカウント管理部６１と互いに連携し、管理するユーザの会員情報を共有している。また、アカウント管理部１５は、管理するユーザのアカウントの情報データ、アカウント情報記憶部１６に保存する。したがって、アカウント情報記憶部１６に保存されたユーザのアカウントの情報データと、図１８に示したアカウント情報記憶部６３に保存されたユーザのアカウントの情報データとは共通のものである。なお、学習済モデル記憶部１２と通知制御部１４とは、実施の形態１で説明したものと同様である。
【0088】
続いて、学習部１１Ａの概要について、図２０を参照し、以下に説明する。学習部１１Ａは、機器操作データを取得した日時を取得する日時データ取得部１１１と、ユーザの購買情報データを取得する購買情報取得部１１５と、学習済モデルを生成するモデル生成部１１３とを備える。日時データ取得部１１１は、図１８に示した購入情報記憶部６４に保存されたユーザの購買情報から、ユーザが購買行動をした日時を取得する。購買情報取得部１１５は、図１８に示した購入情報記憶部６４に保存されたユーザの購買情報から、ユーザの購買情報を取得する。ユーザの購買情報は、例えば、ユーザの購入した製品、購入金額、購買回数等である。ここでは、学習部１１Ａの学習するユーザの購買情報は、購買した商品にかかわらず購買した回数である。
【0089】
モデル生成部１１３は、ニューラルネットワークを構築し、ユーザの購買頻度を学習する。具体的には、モデル生成部１１３は、ニューラルネットワークの入力層に日時データ取得部１１１から取得したユーザが購買行動をした日時を設定し、出力層に購買情報取得部１１５から取得したユーザの購買情報を設定し、中間層と出力層の各ニューロンの重みを調整させる。モデル生成部１１３は、調整された中間層と出力層の各ニューロンの重みを、学習済データとして、学習済モデル記憶部１２に保存する。
【0090】
また、図１９では、学習部１１Ａは、ユーザの購買情報として購買回数を学習するものとした。学習部１１Ａは、購買回数をそのまま学習してもよいが、そのままの値を学習すると誤差が大きくなる。そこで、本実施の形態２では、購買回数を正規化したヒストグラムの値を用いるものとする。購買回数を正規化した一例を、図２１に示す。
【0091】
図２１（Ａ）に示すのは、月曜日における時刻毎の購買頻度の一例である。グラフは、１に近いほどユーザの購買回数が多いことを示している。図２１（Ａ）では、ユーザは、朝８時と夕方の１７時から１９時に購買をしていることを示している。続いて、図２１（Ｂ）に示すのは、日曜日における時刻毎の購買頻度の一例である。図２１（Ｂ）では、ユーザは、１４時から１７時に購買をしていることを示している。
【0092】
また、図１９に示した学習部１１Ａのモデル生成部１１３は、ニューラルネットワークの入力層に日時データ取得部１１１から取得したユーザが購買行動をした日時を設定し、出力層に購買情報取得部１１５から取得したユーザの購買情報を設定し、学習するものとした。また、図１８に示した推論部１３Ａは、推測の対象となる日時のユーザの購買頻度を推測するものとした。しかしながら、本実施の形態２では、学習部１１Ａに設定される学習用データとして、種々の情報データを追加することができる。
【0093】
また、推論部１３Ａが推測するユーザの購買頻度を学習用データに追加された種々の情報データに応じて変更することも可能である。この学習用データと推測されるユーザの購買頻度の一例を、図２２に示す。なお、図２２においては、推測されるユーザの購買頻度を推論用データと称する。
【0094】
まず、学習用データのうち、入力層に入力するデータとして、さらに、暦の祝日データを追加することも考えられる。例えば、土日祝日で連休になる場合は平日の購買情報データが少なくなり連休に購買情報データが多くなる。つまり、連休前はユーザが買物せず、連休中にまとめて買物することが多いことを示している。このパターンをふまえ、曜日だけでなく祝日を加味した学習が可能となる。
【0095】
また、学習用データのうち、入力層に入力するデータとして、さらに月日の情報を追加して学習することも考えられる。月日の情報をさらに学習データに含むことで、例えば、月末の平日は仕事でユーザの帰宅時間が遅く、総菜、弁当を買いがちであるため、夜遅くに購買情報データが多くなる。また、寒い日はユーザが買物しにくいことから、冬の平日は購買情報データが少なくなる。このため、これらのパターンをふまえ、季節、月初め、月末等の月を加味した学習が可能となる。
【0096】
また、学習用データのうち、入力層に入力するデータとして、さらにユーザの居住する地域の天候データを追加して学習することも考えられる。例えば、雨天ではユーザは買物に行かないため、雨天の休日は購買情報データが少なくなる。また、ユーザは熱い時間帯を避けて買物をしがちなため、気温の高い日中は購買情報データが少なく、涼しくなった夕方の購買情報データが多くなる。これらのパターンをふまえ、ユーザの居住する地域の天気、気温を加味した学習が可能となる。
【0097】
また、学習用データのうち、入力層に入力するデータとして、年齢、人数等の家族情報とカレンダー情報とを追加して学習することも考えられる。家族情報、カレンダー情報はユーザによる手入力のほか、カレンダーアプリとの連携により取得することが考えられる。例えば、家族の誕生日前には準備のためにユーザが買物しがちなため、誕生日などの家族イベントがある場合には前日の購買情報データが多くなる。このため、家族イベントに応じたユーザの行動を加味した学習が可能となる。
【0098】
次に、図２３に示すのは、図１９に示した通知制御部１４の通知情報記憶部１４３に保存される通知情報の分類結果のデータをまとめたテーブルである。通知情報の分類結果のテーブルに示す通知元は、どこから通知が発行されたかを示す。通知内容は、発行された通知の内容である。この通知内容は、通知内容分類部１４２の自然言語処理部１４２１で処理されたものである。また、通知内容の分類部のうちカテゴリは、通知内容分類部１４２で通知情報の内容が分類された結果である。また。通知内容の分類のうち通知タイミングは、カテゴリに紐づけて設定された通知タイミングである。なお、このテーブルの内容は、実施の形態１で分類された内容も含むものである。
【0099】
例えば、店舗Ｂが有している図１８に示した店舗サーバ６から、「クーポン利用でお得になります。」という通知を取得したとする。この場合、通知元に「店舗Ｂ」、通知内容に「クーポン利用でお得になります。」が入力される。また、通知内容を通知内容分類部１４２で分類された結果、通知内容の分類部のうちカテゴリに「店舗情報」、通知タイミングに「通知（３）」が入力される。この通知タイミングの「通知（３）」は、ユーザが購買行動を起こす頻度の高い時間帯とする。これは、店舗情報は、ユーザが買物する前に通知することで、店舗への集客効果、製品への興味を引かせることができるためである。
【0100】
続いて、図２４Ａ、２４Ｂに示すのは、図１９に示した通知制御部１４の推測結果取得部１４４が、図１９に示した推論部１３Ａから取得した推論結果の一例である。図２４Ａ、図２４Ｂは連続しており、月曜と日曜との間の火曜から土曜が省略されている。なお、図２４Ａ、図２４Ｂは連続しているが、便宜上、各図に表題欄を記載している。推論結果は、例えば、図２４Ａ、２４Ｂに示すとおり、０から１までの数値で示されている。この数値は、ユーザが購買行動を起こしやすい、すなわち、過去に買物することが多かった時間帯ほど１に近い値になる。逆に、ユーザが購買行動を起こしにくい、すなわち、過去に買物することが少なかった時間帯ほど０に近い値となる。
【0101】
例えば、図２４Ａでは、朝８時と夕方１８時、１９時に、ユーザの購買が行われていることを示している。また、朝８時の購買頻度よりも夕方１８時、１９時の購買頻度の方が１に近い値であるため、夕方１８時、１９時のほうが、ユーザが購買行動を起こしやすいことが分かる。
【0102】
また、例えば、図２４Ｂでは、朝１０時、１１時と夕方１５時から１７時に、ユーザの購買が行われていることを示している。また、朝１０時の購買頻度よりも朝１１時と夕方１５時から１７時の購買頻度の方が１に近い値ため、朝１１時と夕方１５時から１７時のほうが、ユーザが購買行動を起こしやすいことが分かる。
【0103】
図１９に示した通知制御部１４の通知許可決定部１４５は、推論結果取得部１１４の取得した推論結果を基に、通知内容毎に通知を発行して良い時間帯を決定する。そして、通知許可決定部１４５は、推論結果を含めて通知発行タイミングのテーブルとして、図１９に示した通知制御部１４の通知許可テーブル記憶部１４６に保存する。通知発行タイミングのテーブルを、図２５Ａ、２５Ｂに示す。図２５Ａ、図２５Ｂは連続しており、月曜と日曜との間の火曜から土曜が省略されている。なお、図２５Ａ、図２５Ｂは連続しているが、便宜上、各図に表題欄を記載している。
【0104】
通知許可決定部１４５は、具体的には、図２５Ａ、２５Ｂに示した推論結果のうち、ある一定の数値以上、例えば、０．５以上が示された時間帯であれば通知を許可すると決定する。さらに、店舗情報の通知は、ユーザが買物をする前に通知することで、店舗への集客、製品購入を促すことが可能となるため、例えば、２時間前といった、一定時間前までの場合も通知を許可すると決定する。通知発行タイミングのテーブルのうち、通知許可の項目には、店舗情報である「通知（３）」が設定されている。そして、通知許可の項目内で「○」が示された時間帯が通知を許可された時間帯である。
【0105】
図２５Ａでは、例えば、購買頻度の高い夕方１８時、１９時と、夕方１８時の２時間前である１６時、１時間前である１７時に、通知が許可されている。また、図２５Ｂでは、ユーザの購買が行われている朝１０時、１１時と夕方１５時から１７時に、通知が許可されている。また、購買頻度の高い朝１１時の２時間前である朝９時にも通知が許可されている。さらに、夕方１５時の２時間前である１３時と、１時間前である１４時に、通知が許可されている。
【0106】
図１９に示した通知制御部１４は、図１９に示した推論部１３Ａから取得した推論結果を基に、通知発行を許可するタイミングを決定し、許可された時刻に通知を発行する。通知制御部１４で実行される処理について、図２６に示す通知許可決定処理のフローチャートおよび、図２７に示す通知発行処理のフローチャートを参照しつつ、以下に説明する。通知許可決定処理のフローチャートおよび通知発行処理のフローチャートに示す各処理は、図１９に示したサーバ１Ａで実行される各機能を実現するための処理を実行するソフトウェアである、情報通知管理プログラムに含まれる処理とする。
【0107】
まず、図２６に示す通知許可決定処理において、図１９に示した通知制御部１４の推測結果取得部１４４は、図１９に示した推論部１３Ａから取得した推論結果に含まれる各時間帯の購買頻度を取得する（ステップＳ５０１）。図１９に示した通知制御部１４の通知許可決定部１４５は、各時間帯の購買頻度が閾値以上か否か判定する（ステップＳ５０２）。その時間帯の購買頻度が閾値以上の場合（ステップＳ５０２；ＹＥＳ）、通知許可決定部１４５は、店舗情報である「通知（３）」を許可する（ステップＳ５０３）。その時間帯の購買頻度が閾値以上ではない場合（ステップＳ５０２；ＮＯ）、通知許可決定部１４５は、ステップＳ５０３をスキップする。通知許可決定部１４５は、通知許可決定処理を終了する。
【0108】
続いて、図２７に示す通知発行処理に移る。図１９に示した通知制御部１４の通知発行判定部１４７は、通知許可テーブル記憶部１４６に保存された通知発行タイミングのテーブルを参照し、店舗情報である「通知（３）」を許可するタイミングが到来したか否か判定する（ステップＳ６０１）。「通知（３）」を許可するタイミングが到来していない場合（ステップＳ６０１；ＮＯ）、通知発行判定部１４７は、ステップＳ６０１をくり返す。
【0109】
また、「通知（３）」を許可するタイミングが到来した場合（ステップＳ６０１；ＹＥＳ）、通知発行判定部１４７は、通知情報記憶部１４３から「通知（３）」に分類された通知を取得する（ステップＳ６０２）。通知発行判定部１４７は、図１９に示す端末装置２に通知を発行する（ステップＳ６０３）。通知発行判定部１４７は、通知発行処理を終了する。
【0110】
以上のとおり、実施の形態２によれば、情報通知管理システム１００Ａは、ユーザの購買タイミングに合わせて店舗からの通知を発行させることで、通知による集客効果の向上および製品購入を促進させることできる。これにより、情報通知管理システム１００Ａは、事前に設定することなく、ユーザの行動と通知内容に応じて通知タイミングを変更することがきるため、ユーザの手間を省き、通知の有用性を向上させることができる。
【0111】
（変形例１）
上記の実施の形態１において、即時実行する通知イベントに対しても、通知発行判定部１４７は、通知許可テーブル記憶部１４６に保存された通知発行タイミングのテーブルを参照して、通知するか否かを判定するものとした。これに限らず、即時実行する通知イベントについては、通知発行タイミングのテーブルを参照しないものとしてもよい。例えば、図６に示した通知制御部１４の通知情報分類部１４２２の後ろに即時通知部を設け、通知情報分類部１４２２で即時実行に分類された通知イベントを、即時に端末装置２もしくは住戸３内の屋内機器３１に通知する。
上記の実施の形態１において、即時実行する通知イベントに対しても、通知発行判定部１４７は、通知許可テーブル記憶部１４６に保存された通知発行タイミングのテーブルを参照して、通知するか否かを判定するものとした。これに限らず、即時実行する通知イベントについては、通知発行タイミングのテーブルを参照しないものとしてもよい。例えば、図６に示した通知制御部１４の通知情報分類部１４２２の後ろに即時通知部を設け、通知情報分類部１４２２で即時実行に分類された通知イベントを、即時に端末装置２もしくは住戸３内の屋内機器３１に通知する。
【0112】
（変形例２）
上記の実施の形態１および２において、学習部１１、１１Ａで用いられるニューラルネットワークは教師ありのものとした。これに限らず、教師なしのニューラルネットワークを用いて学習済モデルを得てもよい。
上記の実施の形態１および２において、学習部１１、１１Ａで用いられるニューラルネットワークは教師ありのものとした。これに限らず、教師なしのニューラルネットワークを用いて学習済モデルを得てもよい。
【0113】
（変形例３）
上記の実施の形態１において、情報通知管理システム１００は、ユーザの住む住戸３に含まれる屋内機器３１の機器操作頻度に基づいて、ユーザの利用する端末装置２に通知を発行するタイミングを決定することができるものとした。これに限らず、情報通知管理システム１００は、ユーザの勤め先の事務所、工場等に含まれる事務機器、給湯、照明等の各種設備機器の操作頻度に基づいて、ユーザの利用する端末装置２に通知を発行するタイミングを決定してもよい。
上記の実施の形態１において、情報通知管理システム１００は、ユーザの住む住戸３に含まれる屋内機器３１の機器操作頻度に基づいて、ユーザの利用する端末装置２に通知を発行するタイミングを決定することができるものとした。これに限らず、情報通知管理システム１００は、ユーザの勤め先の事務所、工場等に含まれる事務機器、給湯、照明等の各種設備機器の操作頻度に基づいて、ユーザの利用する端末装置２に通知を発行するタイミングを決定してもよい。
【0114】
また、本開示の実施の形態１および２では、情報通知管理システム１００、１００Ａを専用のシステムとして実現できるものとした。しかしながら、専用のシステムによらず、通常のコンピュータシステムを用いて実現可能である。例えば、上述の情報通知管理システム１００、１００Ａにおける各機能を実現するためのプログラムを、コンピュータが読み取り可能なＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）などの記録媒体に格納して配布し、このプログラムをコンピュータにインストールすることにより、上述の各機能を実現することができるコンピュータを構成してもよい。そして、各機能をＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）とアプリケーションとの分担、またはＯＳとアプリケーションとの協同により実現する場合には、アプリケーションのみを記録媒体に格納してもよい。
【0115】
なお、本開示の技術的範囲は、上記実施の形態と変形例によっては限定されない。本開示は特許請求の範囲に記載された技術的思想の限りにおいて、自由に応用、変形あるいは改良して、実施することができる。
【符号の説明】
【0116】
１、１Ａ サーバ、２ 端末装置、３ 住戸、４、４１、４２ ネットワーク、６ 店舗サーバ、１１、１１Ａ 学習部、１２ 学習済モデル記憶部、１３、１３Ａ 推論部、１４ 通知制御部、１５、６１ アカウント管理部、１６、６３ アカウント情報記憶部、３１ 屋内機器、３１ａ 空調機器、３１ｂ 換気機器、３１ｃ キッチン家電、３１ｄ 給湯設備、３１ｅ 照明機器、３２ ルータ、５１ 通信機器、５２ 保存機器、５３ メモリ、５４ プロセッサ、５５ データバス、６２ 購買情報管理部、６４ 購入情報記憶部、１００、１００Ａ 情報通知管理システム、１１１、１３１ 日時データ取得部、１１２ 機器操作データ取得部、１１３ モデル生成部、１１４、１４４ 推論結果取得部、１１５ 購買情報取得部、１３２ 推論処理部、１４１ 通知情報取得部、１４２ 通知内容分類部、１４３ 通知情報記憶部、１４５ 通知許可決定部、１４６ 通知許可テーブル記憶部、１４７ 通知発行判定部、１４２１ 自然言語処理部、１４２２ 通知情報分類部。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8A】
【図8B】
【図9】
【図10】
【図11A】
【図11B】
【図12A】
【図12B】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24A】
【図24B】
【図25A】
【図25B】
【図26】
【図27】