特許 7272877 温熱実感モデル生成装置および方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2023-05-01

(45)【発行日】2023-05-12

(54)【発明の名称】温熱実感モデル生成装置および方法

(51)【国際特許分類】

   F24F 11/64 20180101AFI20230502BHJP

   G06N 20/00 20190101ALI20230502BHJP

   F24F 11/61 20180101ALI20230502BHJP

   F24F 120/20 20180101ALN20230502BHJP

【ＦＩ】

F24F11/64

G06N20/00

F24F11/61

F24F120:20

【請求項の数】 10

(21)【出願番号】P 2019118176

(22)【出願日】2019-06-26

(65)【公開番号】P2021004691

(43)【公開日】2021-01-14

【審査請求日】2022-03-24

(73)【特許権者】

【識別番号】000006666

【氏名又は名称】アズビル株式会社

(74)【代理人】

【識別番号】100098394

【弁理士】

【氏名又は名称】山川 茂樹

(74)【代理人】

【識別番号】100064621

【弁理士】

【氏名又は名称】山川 政樹

(72)【発明者】

【氏名】三浦 眞由美

【審査官】奈須 リサ

(56)【参考文献】

【文献】特開２０１８－０６２１９０（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１２／０２５９４６９（ＵＳ，Ａ１）

【文献】特表２０１３－５１４５１０（ＪＰ，Ａ）

【文献】特開２０１０－２６６９７５（ＪＰ，Ａ）

【文献】特開平６－２０７７３４（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｆ２４Ｆ １１／００－１１／８９

Ｇ０６Ｎ ２０／００

(57)【特許請求の範囲】

【請求項1】

評価対象空間の居住環境指標と前記評価対象空間に対する居住者の温熱実感との関係をモデル化した第１のモデルの更新タイミングの情報と学習データ期間の情報とを記憶するように構成されたデータ期間管理部と、
前記更新タイミングになったときに、前記学習データ期間における前記居住環境指標と前記居住者の温熱実感情報とに基づいて前記第１のモデルを生成するように構成された第１のモデル生成部と、
複数の学習データ期間によってそれぞれ生成された複数の前記第１のモデルと前記複数の学習データ期間のそれぞれに対応する過去の屋外温熱環境の代表値とに基づいて、前記第１のモデルの関数の形状を決定付けるモデル特性量と屋外温熱環境の代表値との関係を示す特性量修正関数を求めるように構成された季節依存管理部と、
前記居住者の温熱実感を推定したい未来の日時に対して設定されるべき未来の学習データ期間を決定して、この学習データ期間における屋外温熱環境の代表値に対応するモデル特性量を前記特性量修正関数に基づいて算出して、算出したモデル特性量に基づいて最新の前記第１のモデルを修正した第２のモデルを生成するように構成された第２のモデル生成部とを備えることを特徴とする温熱実感モデル生成装置。

【請求項2】

請求項１記載の温熱実感モデル生成装置において、
前記データ期間管理部は、前記更新タイミングの情報と前記学習データ期間の情報に加えて、オーバーラップ期間の情報を記憶し、
前記複数の学習データ期間は、連続する前後の学習データ期間が前記オーバーラップ期間の幅の分だけ重なるように設定されることを特徴とする温熱実感モデル生成装置。

【請求項3】

請求項１または２記載の温熱実感モデル生成装置において、
前記評価対象空間が含まれる建物の過去の屋外温熱環境情報を記憶するように構成された屋外温熱環境情報管理部をさらに備え、
前記季節依存管理部は、前記複数の学習データ期間のそれぞれに対応する過去の前記屋外温熱環境情報を前記屋外温熱環境情報管理部から取得し、前記複数の学習データ期間のそれぞれに対応する過去の屋外温熱環境の代表値を決定して、前記特性量修正関数を求め、
前記第２のモデル生成部は、前記未来の学習データ期間に対応する過去の前記屋外温熱環境情報を前記屋外温熱環境情報管理部から取得して、前記未来の学習データ期間に対応する屋外温熱環境の代表値を決定することを特徴とする温熱実感モデル生成装置。

【請求項4】

請求項１乃至３のいずれか１項に記載の温熱実感モデル生成装置において、
前記第２のモデル生成部は、前記特性量修正関数に基づいて算出したモデル特性量と最新の前記第１のモデルのモデル特性量とに基づいて、最新の前記第１のモデルを修正することを特徴とする温熱実感モデル生成装置。

【請求項5】

請求項１乃至４のいずれか１項に記載の温熱実感モデル生成装置において、
前記居住環境指標は、ＰＭＶであり、前記居住者の温熱実感は、温熱環境に対する不満足を申告する居住者の割合であることを特徴とする温熱実感モデル生成装置。

【請求項6】

評価対象空間の居住環境指標と前記評価対象空間に対する居住者の温熱実感との関係をモデル化した第１のモデルの更新タイミングの情報と学習データ期間の情報とを記憶するデータ期間管理部を参照し、前記更新タイミングになったときに、前記学習データ期間における前記居住環境指標と前記居住者の温熱実感情報とに基づいて前記第１のモデルを生成する第１のステップと、
複数の学習データ期間によってそれぞれ生成された複数の前記第１のモデルと前記複数の学習データ期間のそれぞれに対応する過去の屋外温熱環境の代表値とに基づいて、前記第１のモデルの関数の形状を決定付けるモデル特性量と屋外温熱環境の代表値との関係を示す特性量修正関数を求める第２のステップと、
前記居住者の温熱実感を推定したい未来の日時に対して設定されるべき未来の学習データ期間を決定して、この学習データ期間における屋外温熱環境の代表値に対応するモデル特性量を前記特性量修正関数に基づいて算出して、算出したモデル特性量に基づいて最新の前記第１のモデルを修正した第２のモデルを生成する第３のステップとを含むことを特徴とする温熱実感モデル生成方法。

【請求項7】

請求項６記載の温熱実感モデル生成方法において、
前記データ期間管理部は、前記更新タイミングの情報と前記学習データ期間の情報に加えて、オーバーラップ期間の情報を記憶し、
前記複数の学習データ期間は、連続する前後の学習データ期間が前記オーバーラップ期間の幅の分だけ重なるように設定されることを特徴とする温熱実感モデル生成方法。

【請求項8】

請求項６または７記載の温熱実感モデル生成方法において、
前記第２のステップは、前記評価対象空間が含まれる建物の過去の屋外温熱環境情報を記憶する屋外温熱環境情報管理部を参照し、前記複数の学習データ期間のそれぞれに対応する過去の前記屋外温熱環境情報を前記屋外温熱環境情報管理部から取得し、前記複数の学習データ期間のそれぞれに対応する過去の屋外温熱環境の代表値を決定して、前記特性量修正関数を求めるステップを含み、
前記第３のステップは、前記未来の学習データ期間に対応する過去の前記屋外温熱環境情報を前記屋外温熱環境情報管理部から取得して、前記未来の学習データ期間に対応する屋外温熱環境の代表値を決定するステップを含むことを特徴とする温熱実感モデル生成方法。

【請求項9】

請求項６乃至８のいずれか１項に記載の温熱実感モデル生成方法において、
前記第３のステップは、前記特性量修正関数に基づいて算出したモデル特性量と最新の前記第１のモデルのモデル特性量とに基づいて、最新の前記第１のモデルを修正するステップを含むことを特徴とする温熱実感モデル生成方法。

【請求項10】

請求項６乃至９のいずれか１項に記載の温熱実感モデル生成方法において、
前記居住環境指標は、ＰＭＶであり、前記居住者の温熱実感は、温熱環境に対する不満足を申告する居住者の割合であることを特徴とする温熱実感モデル生成方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、未来の日時における評価対象空間に対する居住者の温熱実感を推定するための温熱実感モデルを生成する技術に関するものである。

【背景技術】

【0002】

室内環境の空調制御や運用管理において、室内環境への居住者の満足度合いを精度良く把握する技術が求められている。
居住者自身からの申告や居住者の行動、画像、生理量計測等から、居住者の温熱実感情報を取得し、取得した温熱実感情報と、温熱実感情報発生時の居住者の環境に関する指標（以下、居住環境指標）との関係を学習した学習モデルを構築し、この学習済みモデルを個別温熱実感モデルとして、任意の環境に対する対象居住者の温熱実感を推定する技術がある。居住者の温熱実感情報は、暑い／寒いなどの全身温冷感の尺度や、温熱環境に起因する快適感／満足感など、である。居住環境指標としては、温度、湿度などの物理環境指標、あるいは物理環境指標を利用した指標であるＰＭＶ（Predicted Mean Vote）などがある。

【0003】

特許文献１には、居住者の温熱実感情報（特許文献１では温冷感申告）と、居住環境指標（特許文献１では室内温度）との関係を実質的に学習する方法が記載されている。
また、非特許文献１には、ユーザの温熱実感情報（非特許文献１では不快感申告）と、ユーザの居住環境指標（非特許文献１ではＰＭＶ）との関係を学習する方法が記載されている。

【0004】

居住者の温熱実感は、季節によって異なる着衣や代謝量の変化、睡眠時の自宅寝室の室温など、季節により推移する要素（以下、季節推移要素）の影響を受けて常に変化する（非特許文献２参照）。このため、過去のデータによる学習済みモデルを、学習時以降の温熱実感情報の推定に適用すると推定誤差が発生するという課題があり、推定精度の向上が求められている。

【先行技術文献】

【特許文献】

【0005】

【文献】特許第２７１３５３２号公報

【非特許文献】

【0006】

【文献】田中 規敏他，“既存オフィスのＺＥＢ化に関する研究 （第４報）個人の温冷感に配慮した空調制御手法の研究”，空気調和・衛生工学会大会学術講演論文集，第１０巻，ｐｐ２１３－２１６，２０１７／９

【文献】久保 博子他，“温冷感と快適感の季節差に関する実験的研究”，人間と生活環境，１巻１号，ｐｐ５１－５７，１９９４

【発明の概要】

【発明が解決しようとする課題】

【0007】

本発明は、上記課題を解決するためになされたもので、居住者の温熱実感の推定結果を実態に近づけることができる温熱実感モデル生成装置および方法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】

【0008】

本発明の温熱実感モデル生成装置は、評価対象空間の居住環境指標と前記評価対象空間に対する居住者の温熱実感との関係をモデル化した第１のモデルの更新タイミングの情報と学習データ期間の情報とを記憶するように構成されたデータ期間管理部と、前記更新タイミングになったときに、前記学習データ期間における前記居住環境指標と前記居住者の温熱実感情報とに基づいて前記第１のモデルを生成するように構成された第１のモデル生成部と、複数の学習データ期間によってそれぞれ生成された複数の前記第１のモデルと前記複数の学習データ期間のそれぞれに対応する過去の屋外温熱環境の代表値とに基づいて、前記第１のモデルの関数の形状を決定付けるモデル特性量と屋外温熱環境の代表値との関係を示す特性量修正関数を求めるように構成された季節依存管理部と、前記居住者の温熱実感を推定したい未来の日時に対して設定されるべき未来の学習データ期間を決定して、この学習データ期間における屋外温熱環境の代表値に対応するモデル特性量を前記特性量修正関数に基づいて算出して、算出したモデル特性量に基づいて最新の前記第１のモデルを修正した第２のモデルを生成するように構成された第２のモデル生成部とを備えることを特徴とするものである。

【0009】

また、本発明の温熱実感モデル生成装置の１構成例において、前記データ期間管理部は、前記更新タイミングの情報と前記学習データ期間の情報に加えて、オーバーラップ期間の情報を記憶し、前記複数の学習データ期間は、連続する前後の学習データ期間が前記オーバーラップ期間の幅の分だけ重なるように設定されることを特徴とするものである。
また、本発明の温熱実感モデル生成装置の１構成例は、前記評価対象空間が含まれる建物の過去の屋外温熱環境情報を記憶するように構成された屋外温熱環境情報管理部をさらに備え、前記季節依存管理部は、前記複数の学習データ期間のそれぞれに対応する過去の前記屋外温熱環境情報を前記屋外温熱環境情報管理部から取得し、前記複数の学習データ期間のそれぞれに対応する過去の屋外温熱環境の代表値を決定して、前記特性量修正関数を求め、前記第２のモデル生成部は、前記未来の学習データ期間に対応する過去の前記屋外温熱環境情報を前記屋外温熱環境情報管理部から取得して、前記未来の学習データ期間に対応する屋外温熱環境の代表値を決定することを特徴とするものである。
また、本発明の温熱実感モデル生成装置の１構成例において、前記第２のモデル生成部は、前記特性量修正関数に基づいて算出したモデル特性量と最新の前記第１のモデルのモデル特性量とに基づいて、最新の前記第１のモデルを修正することを特徴とするものである。
また、本発明の温熱実感モデル生成装置の１構成例において、前記居住環境指標は、ＰＭＶであり、前記居住者の温熱実感は、温熱環境に対する不満足を申告する居住者の割合である。

【0010】

また、本発明の温熱実感モデル生成方法は、評価対象空間の居住環境指標と前記評価対象空間に対する居住者の温熱実感との関係をモデル化した第１のモデルの更新タイミングの情報と学習データ期間の情報とを記憶するデータ期間管理部を参照し、前記更新タイミングになったときに、前記学習データ期間における前記居住環境指標と前記居住者の温熱実感情報とに基づいて前記第１のモデルを生成する第１のステップと、複数の学習データ期間によってそれぞれ生成された複数の前記第１のモデルと前記複数の学習データ期間のそれぞれに対応する過去の屋外温熱環境の代表値とに基づいて、前記第１のモデルの関数の形状を決定付けるモデル特性量と屋外温熱環境の代表値との関係を示す特性量修正関数を求める第２のステップと、前記居住者の温熱実感を推定したい未来の日時に対して設定されるべき未来の学習データ期間を決定して、この学習データ期間における屋外温熱環境の代表値に対応するモデル特性量を前記特性量修正関数に基づいて算出して、算出したモデル特性量に基づいて最新の前記第１のモデルを修正した第２のモデルを生成する第３のステップとを含むことを特徴とするものである。

【0011】

また、本発明の温熱実感モデル生成方法の１構成例において、前記データ期間管理部は、前記更新タイミングの情報と前記学習データ期間の情報に加えて、オーバーラップ期間の情報を記憶し、前記複数の学習データ期間は、連続する前後の学習データ期間が前記オーバーラップ期間の幅の分だけ重なるように設定されることを特徴とするものである。
また、本発明の温熱実感モデル生成方法の１構成例において、前記第２のステップは、前記評価対象空間が含まれる建物の過去の屋外温熱環境情報を記憶する屋外温熱環境情報管理部を参照し、前記複数の学習データ期間のそれぞれに対応する過去の前記屋外温熱環境情報を前記屋外温熱環境情報管理部から取得し、前記複数の学習データ期間のそれぞれに対応する過去の屋外温熱環境の代表値を決定して、前記特性量修正関数を求めるステップを含み、前記第３のステップは、前記未来の学習データ期間に対応する過去の前記屋外温熱環境情報を前記屋外温熱環境情報管理部から取得して、前記未来の学習データ期間に対応する屋外温熱環境の代表値を決定するステップを含むことを特徴とするものである。
また、本発明の温熱実感モデル生成方法の１構成例において、前記第３のステップは、前記特性量修正関数に基づいて算出したモデル特性量と最新の前記第１のモデルのモデル特性量とに基づいて、最新の前記第１のモデルを修正するステップを含むことを特徴とするものである。

【発明の効果】

【0012】

本発明によれば、データ期間管理部と第１のモデル生成部と季節依存管理部と第２のモデル生成部とを設け、季節推移が反映された屋外温熱環境状態に基づいて第１のモデルを修正して第２のモデルを生成することにより、季節推移要素による推定誤差を改善することができる。その結果、本発明では、居住者の温熱実感の推定結果を実態に近づけることができる。

【0013】

また、本発明では、更新タイミングの情報と学習データ期間の情報に加えて、オーバーラップ期間の情報をデータ期間管理部に記憶させ、連続する複数の学習データ期間がオーバーラップ期間の幅の分だけ重なるように設定することにより、モデルの信頼性を更に向上させることができる、

【図面の簡単な説明】

【0014】

【図1】図１は、本発明の第１の実施例に係る空調制御システムの例を示す図である。

【図2】図２は、本発明の第１の実施例に係る温熱実感モデル生成装置の構成を示すブロック図である。

【図3】図３は、本発明の第１の実施例に係る温熱実感モデル生成装置の居住環境情報保持部と温熱実感情報保持部とデータ統合部の動作を説明するフローチャートである。

【図4】図４は、本発明の第１の実施例における温冷感申告情報と申告日時と申告者ＩＤの１例を示す図である。

【図5】図５は、本発明の第１の実施例における統合情報の１例を示す図である。

【図6】図６は、本発明の第１の実施例に係る温熱実感モデル生成装置の過去モデル生成部の動作を説明するフローチャートである。

【図7】図７は、居住環境指標であるＰＭＶと「暑い」という申告者数との関係を示す図である。

【図8】図８は、本発明の第１の実施例におけるモデリング情報の生成方法を説明するフローチャートである。

【図9】図９は、ＰＭＶとＰＰＤとの関係を示す図である。

【図10】図１０は、不満足度関数の例を示す図である。

【図11】図１１は、本発明の第１の実施例に係る温熱実感モデル生成装置の季節依存管理部の動作を説明するフローチャートである。

【図12】図１２は、本発明の第１の実施例に係る温熱実感モデル生成装置の季節依存管理部の特性量修正関数決定動作を説明するフローチャートである。

【図13】図１３は、本発明の第１の実施例におけるモデル特性量を説明する図である。

【図14】図１４は、本発明の第１の実施例における特性量修正関数の決定方法を説明する図である。

【図15】図１５は、本発明の第１の実施例における別のモデル特性量を説明する図である。

【図16】図１６は、本発明の第１の実施例に係る温熱実感モデル生成装置の未来モデル生成部の動作を説明するフローチャートである。

【図17】図１７は、本発明の第１、第２の実施例の学習データ期間を説明する図である。

【図18】図１８は、外気温の期間平均推移値の１例を示す図である。

【図19】図１９は、本発明の第１、第２の実施例に係る温熱実感モデル生成装置を実現するコンピュータの構成例を示すブロック図である。

【発明を実施するための形態】

【0015】

［発明の原理］
季節推移があると、学習用のデータが収集された時点で温熱実感の実態が変化していることに対応しなければならない。よって、発明者は、過去のデータによる学習済みの個別温熱実感モデル（以下、過去モデル）を、季節推移が反映された屋外温熱環境状態に基づいて修正し、未来モデルとすることに着眼した。季節推移が反映された屋外温熱環境状態で過去モデルを修正することにより、季節変動の影響をモデルに反映させることが可能である。

【0016】

季節推移が反映された屋外温熱環境状態としては、屋外の外気温などがある。例えば、過去モデル生成時の学習データ期間の外気温平均値と、居住者の温熱実感を推定したい未来の平年外気温や外気温予報値を利用して、学習済みの過去モデルから未来モデルを生成する。

【0017】

さらに発明者は、２日間、３日間などの短期的な変動が含まれる期間のデータを使用すると過去モデルおよび未来モデルの信頼性が保てない点に着目した。季節推移という年単位の変動を考慮するためには、この変動の周期に対応する、ある程度の期間幅のデータをモデルの学習用に確保する必要がある。この期間幅としては１か月程度が適当であるが、さらに、季節推移の連続性を維持するため、信頼できる期間（２週間など）を前期間と後期間でオーバーラップさせるオーバーラップ方式とするのが有効であることに想到した。

【0018】

［第１の実施例］
以下、本発明の実施例について図面を参照して説明する。本発明の第１の実施例では、過去モデルから未来モデルを生成する基本手法について説明する。
本実施例は、月単位で各月のモデルを生成する例とし、過去モデルのデータ期間月の平年外気温と、予測したい未来が含まれる未来モデルデータ期間月の平年外気温に基づき、過去モデルのモデルパラメータを特性量修正関数で修正し、特性量修正関数を利用して過去モデルを修正し、未来モデルとする。

【0019】

本実施例では、説明の簡単のために、図１に示すように、対象とする１つの空調ゾーンに居住者２名が在席する居住者申告型空調制御システムの例で説明する。居住者申告型空調制御システムについては、例えば文献「大曲 康仁他，“温冷感申告対応空調システムの実証試験”，空気調和・衛生工学会学術講演論文集，第３巻，ｐｐ４１－４４，２０１６／９」に開示されている。

【0020】

図１において、１００は居住者、１０１は評価対象空間（居住者の在席空間）、１０２は温冷感申告を受ける空調制御装置（コントローラ）、１０３は評価対象空間１０１の室温を計測する温度センサ、１０４は評価対象空間１０１の湿度を計測する湿度センサ、１０５は室内機、１０６は室外機である。空調制御装置１０２は、温度センサ１０３によって計測される室温が室温設定値と一致し、湿度センサ１０４によって計測される湿度が湿度設定値と一致するように空調機器（室内機１０５および室外機１０６）を制御する。

【0021】

図２は本実施例の温熱実感モデル生成装置の構成を示すブロック図である。温熱実感モデル生成装置は、過去モデル生成ユニット１と、未来モデル生成ユニット２とから構成される。

【0022】

過去モデル生成ユニット１は、データ収集部１０と、評価対象空間１０１の居住環境指標と評価対象空間１０１に対する居住者の温熱実感との関係をモデル化した個別温熱実感モデルの更新タイミングの情報と学習データ期間の情報とを記憶するデータ期間管理部１４と、更新タイミングになったときに、学習データ期間における居住環境指標と居住者の温熱実感情報とに基づいて過去モデル（第１のモデル）を生成する過去モデル生成部１５（第１のモデル生成部）と、過去モデル生成部１５によって生成された過去モデルを記憶する過去モデル記憶管理部１６とを備えている。

【0023】

データ収集部１０は、温熱環境情報から居住環境指標を算出する居住環境情報保持部１１と、評価対象空間の居住者から申告された温熱実感情報を取得する温熱実感情報保持部１２と、温熱実感情報の発生日時に対応する計測日時の温熱環境情報から算出された居住環境指標を抽出して、温熱実感情報と居住環境指標とを統合した統合情報を生成するデータ統合部１３とから構成される。

【0024】

未来モデル生成ユニット２は、評価対象空間が含まれる建物の過去の屋外温熱環境情報を記憶する屋外温熱環境情報管理部２０と、複数の学習データ期間によってそれぞれ生成された複数の過去モデルと複数の学習データ期間のそれぞれに対応する過去の屋外温熱環境の代表値とに基づいて、過去モデルの関数の形状を決定付けるモデル特性量と屋外温熱環境の代表値との関係を示す特性量修正関数を求める季節依存管理部２１と、居住者の温熱実感を推定したい未来の日時に対して設定されるべき未来の学習データ期間を決定して、この学習データ期間における屋外温熱環境の代表値に対応するモデル特性量を特性量修正関数に基づいて算出して、算出したモデル特性量に基づいて最新の過去モデルを修正した未来モデル（第２のモデル）を生成する未来モデル生成部２２（第２のモデル生成部）とを備えている。

【0025】

図３は居住環境情報保持部１１と温熱実感情報保持部１２とデータ統合部１３の動作を説明するフローチャートである。
居住環境情報保持部１１は、例えば評価対象空間１０１に設置された環境計測デバイス（温度センサ１０３や湿度センサ１０４など）から温熱環境情報（温度計測値や湿度計測値などの温熱環境計測値）を受信して、居住環境指標を算出する。そして、居住環境情報保持部１１は、温熱環境計測値の計測日時と居住環境指標とを対応付けて居住環境情報（計測日時、居住環境指標）として記憶する（図３ステップＳ１００）。

【0026】

居住環境情報保持部１１には、居住環境指標の算出に必要な算出式およびパラメータ値、算出に利用する温熱環境計測値の種類の情報などが、室内環境評価／制御等のソリューションプロバイダや設備管理者により予め設定されている。

【0027】

居住環境情報保持部１１は、データ統合部１３からの情報送信要求に応じて、居住環境情報（計測日時、居住環境指標）をデータ統合部１３に送信する（図３ステップＳ１０１）。

【0028】

居住環境指標は、居住環境の温熱的な環境指標であり、空調環境で一般的に計測される空気温度や湿度といった物理環境指標、あるいは物理環境指標を用いて算出される一般的な指標（例えば作用温度、ＳＥＴ^*（Standard new Effective Temperature）、ＰＭＶなど）である。本実施例では、居住環境指標を国際標準化されているＰＭＶとし、ＰＭＶの演算に通常必要となる６要素：空気温度Ｔａ［℃］、湿度Ｈ［％］、平均放射温度Ｔｒ［℃］、気流速度ｖ［ｍ／ｓ］、代謝量Ｍ［ｍｅｔ］、着衣量Ｉｃｌ［ｃｌｏ］については各々、以下の値とする。つまり、空気温度Ｔａ［℃］と湿度Ｈ［％］は対象建物の空気温度計測値と湿度計測値計測値とし、平均放射温度Ｔｒを空気温度Ｔａと等しい値とし、気流速度ｖを０．１［ｍ／ｓ］、代謝量Ｍを１．０［ｍｅｔ］、着衣量Ｉｃｌを０．８［ｃｌｏ］としてＰＭＶを求める例で説明する。これら以外でＰＭＶ演算に必要な情報はＰＭＶの算出式と共に国際標準などを参照して設定されているとする。

【0029】

ここで、ＰＭＶの算出方法について説明する。ＰＭＶの算出方法は、ＩＳＯ－７７３０で国際標準化されているので、この標準の算出方法に従えばよい。ＰＭＶは、以下の式（１）～式（３）を用いて求められる。算出プログラムは、ＡＮＳＩ／ＡＳＨＲＡＥ Ｓｔａｎｄａｒｄ ５５－２０１０等においても公開されている。
ＰＭＶ＝Ｑ（Ｍ）×Ｌ ・・・（１）
Ｑ（Ｍ）＝０．３０３ｅｘｐ^-0.036M＋０．０２８ ・・・（２）
Ｌ＝Ｍ－（Ｃ＋Ｒ＋Ｅｄ＋Ｅｓ）－（Ｃｒｅ＋Ｅｒｅ） ・・・（３）

【0030】

Ｍは代謝量［ｍｅｔ］、Ｌは人体の熱負荷Ｌ［Ｗ／ｍ²］、Ｃは対流熱損失量［Ｗ／ｍ²］、Ｒは放射熱損失量［Ｗ／ｍ²］、Ｅｄは不感蒸せつ量［Ｗ／ｍ²］、Ｅｓは発汗による蒸発熱損失量［Ｗ／ｍ²］、Ｃｒｅは呼吸による顕熱損失量［Ｗ／ｍ²］、Ｅｒｅは呼吸による潜熱損失量［Ｗ／ｍ²］である。

【0031】

以下の式（４）～式（６）を収束計算し、対流熱損失量Ｃおよび放射熱損失量Ｒを算出する。ｔｃｌは着衣外表面温度［℃］である。
Ｃ＝ｆｃｌ×ｈｃ×（ｔｃｌ－Ｔａ） ・・・（４）
Ｒ＝３．９６×１０^-8×ｆｃｌ×｛（ｔｃｌ＋２７３．１５）⁴
－（Ｔｒ＋２７３．１５）⁴｝ ・・・（５）
ｔｃｌ＝ｔｓ－０．１５５×Ｉｃｌ×（Ｃ＋Ｒ） ・・・（６）

【0032】

式（４）～式（６）において、Ｉｃｌは着衣量［ｃｌｏ］である。ｆｃｌは着衣面積増加係数であり、Ｉｃｌ＜０．７８の時、ｆｃｌ＝１＋１．２９×Ｉｃｌ、Ｉｃｌ≧０．７８の時、ｆｃｌ＝１．０５＋０．６４５×Ｉｃｌである。Ｔｒは平均放射温度［℃］である。ｔｓは平均皮膚温度［℃］であり、次式により求められる。Ｗは機械的仕事量［Ｗ／ｍ²］である（通常は０）。
ｔｓ＝３５．７－０．０２８×（Ｍ－Ｗ） ・・・（７）

【0033】

また、ｈｃは人体の対流熱伝達率［Ｗ／（ｍ²・℃）］であり、２．３８×｜ｔｃｌ－ｔａ｜^0.25または１２．１×ｖ^0.5のうちの大きい方となる。ｖは気流速度［ｍ／ｓ］である。

【0034】

不感蒸せつ量Ｅｄは、次式により得られる。
Ｅｄ＝３．０５×（５．７３－０．００７×Ｍ－ｐａ） ・・・（８）
発汗による蒸発熱損失量Ｅｓは、次式により得られる。
Ｅｓ＝０．４２×（Ｍ－５８．１５） ・・・（９）

【0035】

呼吸による顕熱損失量Ｃｒｅは、次式により得られる。
Ｃｒｅ＝０．００１４×Ｍ×（３４－Ｔａ） ・・・（１０）
呼吸による潜熱損失量Ｅｒｅは、次式により得られる。ｐａは水蒸気圧である。
Ｅｒｅ＝０．０１７３×Ｍ×（５．８７－ｐａ） ・・・（１１）

【0036】

以上により、居住環境情報保持部１１は、居住環境指標としてＰＭＶを算出することができる。本実施例では、１分周期で計測された温熱環境計測値が居住環境情報保持部１１に送信され、居住環境情報保持部１１が１分周期でＰＭＶを算出するものとする。空調の制御装置や建物を管理する中央監視システムなどに周期的に温熱環境計測値が蓄積されている場合は、これら空調の制御装置や中央監視システムから温熱環境計測値を取得すればよい。

【0037】

一方、温熱実感情報保持部１２は、評価対象空間１０１の居住者の温熱実感情報を受信し、この温熱実感情報の発生日時や温熱実感情報を申告した居住者の情報と関連付けて温熱実感情報を記憶する（図３ステップＳ１０２）。

【0038】

温熱実感情報保持部１２は、データ統合部１３からの情報送信要求に応じて、温熱実感情報と発生日時情報と居住者情報とをデータ統合部１３に送信する（図３ステップＳ１０３）。

【0039】

温熱実感情報は、居住環境指標に対応する居住者の感じ方を示す量であり、暑い／寒いなどの全身温冷感の尺度や、温熱環境に起因する快適感／満足感などの情報を示す。対象空間の不満足者数や、不満足者数から算出される不満足者率などの指標も温熱実感情報に含まれる。温熱実感情報の入力端末としては、スマートフォン、ＰＣ（personal computer）などを適宜利用すればよい。

【0040】

本実施例では、居住者からの温冷感申告情報（暑い／寒い）を温熱実感情報とし、居住者が自由に暑い、あるいは寒いという温冷感申告を入力端末を通じて行うものとする。温冷感申告情報と申告日時（発生日時情報）と申告者ＩＤ（居住者情報）の１例を図４に示す。図４の例では、暑いを「ｈｏｔ」、寒いを「ｃｏｌｄ」で示している。

【0041】

申告者ＩＤは、居住者が温冷感申告と合わせて入力して温熱実感情報保持部１２に送信してもよいし、居住者個々人が入力端末を利用する場合は端末ＩＤを申告者ＩＤとして、温熱実感情報保持部１２に送信してもよい。
また、申告日時は、入力端末が温熱実感情報保持部１２に送信してもよいし、温熱実感情報保持部１２が温冷感申告情報を受信した日時を申告日時としてもよい。

【0042】

次に、データ統合部１３は、居住環境情報保持部１１から居住環境指標を受信し、温熱実感情報保持部１２から温熱実感情報を受信すると、温熱実感情報の発生日時に対応する計測日時の居住環境指標を抽出して、温熱実感情報と居住環境指標とを統合した統合情報（発生日時情報、居住者ＩＤ、温熱実感情報、居住環境指標）を記憶する（図３ステップＳ１０４）。

【0043】

データ統合部１３は、過去モデル生成部１５からの情報送信要求に応じて、統合情報を過去モデル生成部１５に送信する（図３ステップＳ１０５）。

【0044】

温熱実感情報発生日時情報（申告日時情報）と居住者ＩＤ（申告者ＩＤ）と温熱実感情報と居住環境指標（ＰＭＶ）とからなる統合情報の１例を図５に示す。
温熱実感情報の発生日時に対応する計測日時の居住環境指標を抽出する際に、温熱実感情報の発生日時（申告日時）の分解能が例えば１分単位で、温熱環境計測値の計測日時の分解能が例えば１０分単位などというように、温熱実感情報の発生と温熱環境計測値の計測の時間間隔が異なる場合がある。この場合には、予めソリューションプロバイダや設備管理者が抽出ルールを決定しておけばよい。

【0045】

例えば温熱実感情報の発生日時（申告日時）の分解能が１分単位で、温熱環境計測値が１０分おきに計測される場合、温熱実感情報の発生日時の直近の計測日時、または温熱実感情報の発生日時を１０分単位で繰り上げた日時を、温熱実感情報の発生日時に対応する計測日時とする、という抽出ルールを決定しておけばよい。

【0046】

１４時５０分、１５時００分、１５時１０分、・・・・といったように温熱環境計測値が１０分おきに計測される場合、温熱実感情報の発生日時１５時０３分に対応する計測日時は、直近の１５時００分、または１５時０３分を１０分単位で繰り上げた１５時１０分となる。

【0047】

居住環境情報保持部１１と温熱実感情報保持部１２とデータ統合部１３とは、継続的に図３の処理を実行し、データ統合部１３に統合情報が蓄積される。

【0048】

次に、データ期間管理部１４には、個別温熱実感モデル（過去モデル）の更新タイミングと学習データ期間とを決定するためのデータ期間管理情報が室内環境評価／制御等のソリューションプロバイダや設備管理者によって予め設定されている。
データ期間管理部１４は、過去モデル生成部１５または未来モデル生成部２２からの情報送信要求に応じ、データ期間管理情報を送信する。

【0049】

本実施例では、個別温熱実感モデルの更新タイミングの情報と学習データ期間幅の情報とをデータ期間管理情報とする。具体的には、個別温熱実感モデルの更新タイミングを、毎月１日（Ｘ月１日、Ｘは任意の月）の０時００分とし、学習データ期間幅を、前回の更新タイミングから今回の更新タイミングまでの１か月とする。つまり、個別温熱実感モデルの更新タイミングが毎月１日であるので、この個別温熱実感モデルの更新のための学習データ期間の開始日時は前月の１日の０時００分、学習データ期間の終了日時は前月の末日の２３時５９分となる。

【0050】

データ期間管理情報から個別温熱実感モデルの更新タイミングと学習データ期間とを決定できればよいので、更新スタート日時と、その更新スタート日時から遡る学習データの期間幅（１４日間毎や１６８時間毎など）とをデータ期間管理情報として設定してももちろん構わない。

【0051】

図６は過去モデル生成部１５の動作を説明するフローチャートである。過去モデル生成部１５は、データ期間管理部１４から取得したデータ期間管理情報により、個別温熱実感モデルの更新タイミングになったことを認識すると（図６ステップＳ２００においてＹＥＳ）、今回のモデル更新に対応する学習データ期間の開始日時と終了日時とを決定する（図６ステップＳ２０１）。

【0052】

過去モデル生成部１５は、決定した学習データ期間の統合情報をデータ統合部１３から取得し（図６ステップＳ２０２）、取得した統合情報を利用して、個別温熱実感モデルを同定するための入出力データ（モデリング情報）を生成する（図６ステップＳ２０３）。過去モデル生成部１５は、生成したモデリング情報を利用して、個別温熱実感モデルを同定し、この個別温熱実感モデルを最新の過去モデルとして更新する（図６ステップＳ２０４）。

【0053】

そして、過去モデル生成部１５は、最新の過去モデルのモデリング結果とモデリングに利用した学習データ期間の情報とを過去モデル記憶管理部１６に送信する（図６ステップＳ２０５）。
過去モデル生成部１５は、図６の処理をモデルの更新タイミング毎に行う。

【0054】

本実施例では、上記のとおり個別温熱実感モデルの更新タイミングを、毎月１日の０時００分としている。例えば個別温熱実感モデルが２０１８年３月１日０時００分に更新される場合、学習データ期間は２０１８年２月１日０時００分から２月２８日２３時５９分までとなる。また、個別温熱実感モデルが２０１９年８月１日０時００分に更新される場合、学習データ期間は２０１８年７月１日０時００分から７月３１日２３時５９分までとなる。

【0055】

また、本実施例では、居住環境指標（ＰＭＶ）と、「暑い」という申告者率ＰＰＶｈとをモデリング情報とし、予測不満足者率ＰＰＤ（Predicted Percentage Dissatisfied）の関数を個別温熱実感モデルの基本関数とする。ＰＰＤも国際標準化されており、ＩＳＯ－７７３０でＰＭＶを用いた演算式が示されている。

【0056】

次に、ステップＳ２０３のモデリング情報の生成方法について説明する。上記のとおり、過去モデル生成部１５は、統合情報からモデリング情報を生成する。
任意のＰＭＶにおける「暑い」という申告者率ＰＰＶｈは、任意のＰＭＶにおける「暑い」という申告者数をＮ、評価対象空間における居住者数をＮ＿ａｌｌとしたとき、次式により算出される。
ＰＰＶｈ＝Ｎ／Ｎ＿ａｌｌ ・・・（１２）

【0057】

評価対象空間における居住者数Ｎ＿ａｌｌは、室内環境評価／制御等のソリューションプロバイダや設備管理者により予め設定されている。
ここで、式（１２）における申告者数Ｎは、温冷感に対する生理的な妥当性を考慮して算出した申告者数としてもよい。この算出方法は、任意のＰＭＶにおいて「暑い」という申告をした人は、その環境よりも更に暑い側のＰＭＶではより暑く感じるという原理に基づくものである。

【0058】

具体的には、各々の申告者が、ＰＭＶが低い（暑さが弱い）ときに最初に申告を行ったＰＭＶをラッチ開始点ＰＭＶｓｔａｒｔ（ｍ）（ｍは正の整数、本実施例ではｍ＝１～４）とし、ラッチ開始点ＰＭＶｓｔａｒｔ（ｍ）よりも大きいＰＭＶ領域では「暑い」という申告の発生状態を維持して人数を算出する。この算出方法によれば、図７に示すように「暑い」という申告者の数は、より暑い環境になるに従って増加し、生理的な妥当性が高くなる。以降ではこの方法を申告ラッチ法と記述し、この申告ラッチ法によりモデリング情報を生成する例を説明する。

【0059】

図８に申告ラッチ法を用いて算出した申告者数から申告者率ＰＰＶｈを算出して、モデリング情報を生成するフローチャートを示す。過去モデル生成部１５は、ステップＳ２０２で取得した統合情報から「暑い」という申告の情報のみを抽出し（図８ステップＳ３００）、抽出した情報に含まれる申告者ＩＤが異なる申告者の数（「暑い」という申告をした居住者の人数）Ｎ＿ｖｏｔｅを求める（図８ステップＳ３０１）。図５に示したデータ例を、学習データ期間の統合情報とすると、「暑い」（ｈｏｔ）という申告をした申告者の数はＮ＿ｖｏｔｅ＝４である。

【0060】

次に、過去モデル生成部１５は、申告者を数えるための変数ｍ（ｍはＮ＿ｖｏｔｅ以下の正の整数）１に初期化する（図８ステップＳ３０２）。
過去モデル生成部１５は、ｍ番目の申告者について、「暑い」という申告が行われたときのＰＭＶのうち最小値をラッチ開始点ＰＭＶｓｔａｒｔ（ｍ）として求める（図８ステップＳ３０３）。

【0061】

過去モデル生成部１５は、ｍ＝Ｎ＿ｖｏｔｅ、すなわち「暑い」という申告をした全申告者についてステップＳ３０３の処理を終えたかどうかを判定し（図８ステップＳ３０４）、変数ｍがＮ＿ｖｏｔｅ未満の場合には処理を終えていないとして、変数ｍを１増やす（図８ステップＳ３０５）。こうして、「暑い」という申告をした申告者毎にステップＳ３０３の処理が行われる。

【0062】

過去モデル生成部１５は、ｍ＝Ｎ＿ｖｏｔｅとなり、「暑い」という申告をした全申告者についてステップＳ３０３の処理を終えたときに（ステップＳ３０４においてＹＥＳ）、任意のＰＭＶとこれに対応する「暑い」という申告者率ＰＰＶｈからなるモデリング情報を生成する（図８ステップＳ３０６）。

【0063】

任意のＰＭＶに対する申告者Ｐ（ｍ）の申告の有無の状態Ｖ＿ｌａｔｃｈ（ｍ）は、ＰＭＶ＜ＰＭＶｓｔａｒｔ（ｍ）のとき、Ｖ＿ｌａｔｃｈ（ｍ）＝０（申告無し）、ＰＭＶｓｔａｒｔ（ｍ）≦ＰＭＶのとき、Ｖ＿ｌａｔｃｈ（ｍ）＝１（申告有り）となる。
このとき、任意のＰＭＶに対する「暑い」という申告者率ＰＰＶｈは次式により得られる。

【0064】

【数1】

【0065】

以上により、「暑い」という申告者率ＰＰＶｈの算出が終了し、学習データ期間のＰＭＶと、学習データ期間の「暑い」という申告者率ＰＰＶｈとからなるモデリング情報の生成が終了する。図５のデータ例の場合、図７の縦軸を「暑い」という申告者の人数で除算し、「暑い」という申告者率としたものがモデリング情報となる。モデリング情報は、ＰＭＶを一定の刻みで生成しても良いし、ＰＰＶｈが増加する点のみのデータとするなどとしても構わない。

【0066】

次に、ステップＳ２０４の個別温熱実感モデルの同定方法について説明する。上記のとおり、本実施例では、予測不満足者率ＰＰＤを個別温熱実感モデルの基本関数とする。ＰＰＤは、ＰＭＶの関数として以下の関係式で示される。
ＰＰＤ＝Ｆ（ＰＭＶ）＝１００－９５×ｅｘｐ（－０．０３３５３×ＰＭＶ⁴
－０．２１７９×ＰＭＶ²）［％］ ・・・（１４）

【0067】

ＰＭＶとＰＰＤとの関係は図９のようになる。個別温熱実感モデルは、ＰＭＶとＰＰＤとを対応付けた、図９のようなＶ字型の分布関数として定義すればよい。あるいは、暑い側と寒い側の不満足度を分離して、不満足関数（個別温熱実感モデル）を定義することも可能である。

【0068】

図１０は特開２０１５－４４８０号公報に開示された不満足度関数の例を示す図である。「暑い」という不満足度を求める場合には、図１０の１１０で示す不満足度関数を使用すればよく、「寒い」という不満足度を求める場合には、図１０の１１１で示す不満足度関数を使用すればよい。図１０のような関数としては、例えばシグモイド関数などがあり、個別温熱実感モデルの関数はこのような一般的なモデルで構わない。

【0069】

本実施例では、式（１４）の基本関数に居住者の温熱実感を反映させて関数を修正した、以下の式（１５）のモデルを個別温熱実感モデル（不満足度モデル）とした例で説明する。この式（１５）の個別温熱実感モデルの形状は、図１０の１１０で示した関数と同様のものである。式（１５）では、不満足度に相当する式（１４）の予測不満足者率ＰＰＤを居住者の温熱実感を反映させた「暑い」という申告者率ＰＰＶｈとしている。

【0070】

【数2】

【0071】

式（１５）において、ａ，ｂ，ｃ，ｄ，ｅは探索対象となるモデルのパラメータである。式（１６）は、式（１５）においてａ＝ｂ（「暑い」という申告者率ＰＰＶｈの最小値が０）としたものであり、これを個別温熱実感モデルのモデル関数とする場合、探索対象となるモデルのパラメータはａ，ｃ，ｄ，ｅとなる。

【0072】

【数3】

【0073】

式（１５）または式（１６）のような個別温熱実感モデルのモデル関数と、探索するモデルのパラメータと、利用する最適化手法とが、室内環境評価／制御等のソリューションプロバイダや設備管理者により、予め設定されている。

【0074】

過去モデル生成部１５は、ステップＳ２０３で生成したモデリング情報を利用して、ソリューションプロバイダや設備管理者により予め設定された個別温熱実感モデルのモデル関数に対し、同様に予め設定された探索対象のモデルパラメータを探索して個別温熱実感モデルを同定する。パラメータを探索する際に利用する最適化手法としては、最小二乗法やシンプレックス法など汎用的な手法を利用すればよい。
以上により、過去モデルの更新が終了する。

【0075】

過去モデル記憶管理部１６は、過去モデル生成部１５から受信した過去モデルのモデリング結果（探索したモデルのパラメータ値）と学習データ期間の情報とを記憶し、季節依存管理部２１からのモデル情報の送信要求に応じて、記憶している情報を季節依存管理部２１に送信する。

【0076】

屋外温熱環境情報管理部２０は、評価対象空間１０１が含まれる建物の過去の屋外温熱環境情報と未来の屋外温熱環境情報を記憶している。過去の屋外温熱環境情報は、屋外温熱環境状態情報と、屋外温熱環境状態情報を取得した日時の情報とからなる。未来の屋外温熱環境情報は、未来の屋外温熱環境を推定するために必要な情報であり、屋外温熱環境状態情報と、屋外温熱環境状態情報の出現が推定される日時の情報とからなる。

【0077】

季節推移を反映する屋外温熱環境状態情報としては、屋外の気温や湿度、気温と湿度とを統合した不快指数などの指標、ＷＢＧＴ（湿球黒球温度）などがある。また、過去の屋外温熱環境情報は、平年のデータ（月平均気温、日平均気温等）などの統計量としてもよいし、屋外に設置された温度センサ等による計測値としてもよい。未来の屋外温熱環境情報は、本質的には未来の学習データ期間に対応する過去の屋外温熱環境情報であり、過去の屋外温熱環境情報が未来で再現するとして過去の屋外温熱環境情報と同様としてもよいし、気象予報などに基づいて推定される屋外温熱環境情報の推定値としてもよい。

【0078】

屋外温熱環境情報の取得方法については、室内環境評価／制御等のソリューションプロバイダや設備管理者によって予め設定されている。屋外温熱環境状態情報として月平均気温などの、予め入手可能なデータを用いる場合には、これらのデータを予め屋外温熱環境情報管理部２０に設定しておくことで構わない。
本実施例では、平年の各月の月平均外気温を過去および未来の屋外温熱環境状態情報として使用する。

【0079】

次に、季節依存管理部２１は、未来モデル生成部２２からの要求により、特性量修正関数Ｇｐｍを決定し、この特性量修正関数Ｇｐｍと過去モデル記憶管理部１６に記憶されている過去モデルのモデリング結果（探索したモデルのパラメータ値）とを未来モデル生成部２２へ送信する。

【0080】

図１１は季節依存管理部２１の動作を説明するフローチャートである。季節依存管理部２１は、最新のモデリング結果から（Ｎ＿ｒｅｆ－１）回前のモデリング結果までのＮ＿ｒｅｆ回（Ｎ＿ｒｅｆは予め設定された参照モデル数）のモデリング結果と、これらＮ＿ｒｅｆ回のモデリングに利用した学習データ期間の情報とを過去モデル記憶管理部１６から取得する（図１１ステップＳ４００）。

【0081】

続いて、季節依存管理部２１は、Ｎ＿ｒｅｆ回のモデリングに利用した学習データ期間の各々に対応する過去の屋外温熱環境情報を屋外温熱環境情報管理部２０から取得する（図１１ステップＳ４０１）。

【0082】

そして、季節依存管理部２１は、取得した過去の屋外温熱環境情報に基づいて、Ｎ＿ｒｅｆ回のモデリングに利用した学習データ期間に対応する過去の屋外温熱環境代表値Ｅｏｔを学習データ期間毎に算出する（図１１ステップＳ４０２）。例えば、過去の屋外温熱環境情報管理部２０から取得した屋外温熱環境状態情報が１時間毎に計測された外気温であり、学習データ期間が２０１８年８月１日０時００分から８月１０日２３時５９分であれば、この学習データ期間の外気温の平均値（平均外気温）を算出して過去の屋外温熱環境代表値Ｅｏｔとすればよい。

【0083】

ただし、上記のように、平年の各月の月平均外気温を過去の屋外温熱環境状態情報として使用する場合、季節依存管理部２１は、学習データ期間を含む月の月平均外気温をそのまま過去の屋外温熱環境代表値Ｅｏｔとすればよい。また、複数の月にわたって学習データ期間が設定されている場合には、これら複数の月の月平均外気温の平均値や日数に応じた重み付け平均値を過去の屋外温熱環境代表値Ｅｏｔとすればよい。

【0084】

次に、季節依存管理部２１は、過去の屋外温熱環境代表値Ｅｏｔと過去モデルのモデル特性量ＳＺとの関係を示す特性量修正関数Ｇｐｍを求める（図１１ステップＳ４０３）。モデル特性量ＳＺは、過去モデルの関数の形状を決定付ける量のひとつである。特性量修正関数Ｇｐｍが決定されれば、任意の屋外温熱環境代表値Ｅｏｔに対応するモデル特性量ＳＺが推定可能となる。

【0085】

図１２は季節依存管理部２１の特性量修正関数決定動作を説明するフローチャートである。以下の説明において、ｉは過去モデルを数えるための変数であり、１～Ｎ＿ｒｅｆの整数とする。変数ｉが小さいほど、新しい過去モデルであることを示している。

【0086】

また、図１３に示すように、モデル特性量ＳＺを、「暑い」という申告者率ＰＰＶｈの飽和値とし、特性量修正関数Ｇｐｍを、過去の屋外温熱環境代表値Ｅｏｔとモデル特性量ＳＺとの線形近似の関数とする。つまり、任意の屋外温熱環境代表値Ｅｏｔが決定されれば、これに対応するモデル特性量ＳＺの推定値が特性量修正関数Ｇｐｍによって算出できる。個別温熱実感モデルを式（１５）、式（１６）に設定した場合、申告者率ＰＰＶｈの飽和値はモデルの探索パラメータａ，ｂ，ｃ，ｄ，ｅのうちのａに対応する。

【0087】

季節依存管理部２１は、ステップＳ４００でＮ＿ｒｅｆ回のモデリング結果Ｓｐ（ｉ）、すなわち、ｉ番目の過去モデルに対して探索された探索パラメータ値のセット（本実施例では、探索されたパラメータａ（ｉ），ｂ（ｉ），ｃ（ｉ），ｄ（ｉ），ｅ（ｉ）のセット）と、これらＮ＿ｒｅｆ回のモデリングに利用した学習データ期間ＬＰ（ｉ）の情報とを過去モデル記憶管理部１６から取得した後、変数ｉを１に初期化する（図１２ステップＳ５００）。

【0088】

季節依存管理部２１は、最新からｉ回目のモデリングに利用した学習データ期間ＬＰ（ｉ）に対応する過去の屋外温熱環境代表値Ｅｏｔ（ｉ）をステップＳ４０２で算出した値の中から取得する（図１２ステップＳ５０１）。

【0089】

季節依存管理部２１は、ｉ＝Ｎ＿ｒｅｆ、すなわちＮ＿ｒｅｆ個の全ての学習データ期間ＬＰ（ｉ）についてステップＳ５０１の処理を終えたかどうかを判定し（図１２ステップＳ５０２）、変数ｉがＮ＿ｒｅｆ未満の場合には処理を終えていないとして、変数ｉを１増やす（図１２ステップＳ５０３）。こうして、学習データ期間ＬＰ（ｉ）毎にステップＳ５０１の処理が行われる。

【0090】

季節依存管理部２１は、ｉ＝Ｎ＿ｒｅｆとなり、Ｎ＿ｒｅｆ個の全ての学習データ期間ＬＰ（ｉ）についてステップＳ５０１の処理を終えたときに（ステップＳ５０２においてＹＥＳ）、個別温熱実感モデルの関数とパラメータ探索値のセットであるモデリング結果Ｓｐ（ｉ）より決定するモデル特性量ＳＺ（ｉ）と屋外温熱環境代表値Ｅｏｔ（ｉ）との関係を線形近似した関数を求めて、この関数を特性量修正関数Ｇｐｍとする（図１２ステップＳ５０４）。ここで、モデル特性量ＳＺを「暑い」という申告者率ＰＰＶｈの飽和値とした本実施例では、ＳＺ（ｉ）＝ａ（ｉ）である。

【0091】

図１４（Ａ）、図１４（Ｂ）は特性量修正関数Ｇｐｍの決定方法を説明する図である。図１４（Ａ）、図１４（Ｂ）の例では、Ｎ＿ｒｅｆ＝３とし、最新の過去モデルの関数をＭｐ（１）、最新から１回前の過去モデルの関数をＭｐ（２）、最新から２回前の過去モデルの関数をＭｐ（３）としている。

【0092】

例えば最新の過去モデルのモデリングの際に利用した学習データ期間ＬＰ（１）を９月、１回前の過去モデルのモデリングの際に利用した学習データ期間ＬＰ（２）を８月、２回前の過去モデルのモデリングの際に利用した学習データ期間ＬＰ（３）を７月とすれば、過去の屋外温熱環境代表値Ｅｏｔ（１），Ｅｏｔ（２），Ｅｏｔ（３）は、それぞれ９月、８月、７月の平年外気温である。また、モデル特性量ＳＺ（１），ＳＺ（２），ＳＺ（３）は、それぞれ関数Ｍｐ（１），Ｍｐ（２），Ｍｐ（３）の飽和値（パラメータａ（１），ａ（２），ａ（３））である。

【0093】

そして、図１４（Ｂ）に示すように、過去の屋外温熱環境代表値｛Ｅｏｔ（１），Ｅｏｔ（２），Ｅｏｔ（３）｝とモデル特性量｛ＳＺ（１），ＳＺ（２），ＳＺ（３）｝との関係を線形近似した関数を特性量修正関数Ｇｐｍとする。特性量修正関数Ｇｐｍは、任意の月平年外気温から、これに対応するモデル特性量ＳＺ（「暑い」という申告者率ＰＰＶｈの飽和値）を推定する関数となる。

【0094】

なお、本実施例では、特性量修正関数Ｇｐｍを求める手法として線形近似を用いたが、特性量修正関数Ｇｐｍは、多項式近似や指数近似などの手法により、温熱実感への季節推移の影響を考慮して適宜決定すればよい。

【0095】

なお、本実施例では、「暑い」という申告者率ＰＰＶｈの飽和値をモデル特性量ＳＺとして特性量修正関数Ｇｐｍを決定したが、モデル特性量ＳＺは過去モデルの関数の形状を決定付ける別の量でも良く、また、モデル特性量ＳＺは複数種類設定してもよい。

【0096】

例えば「暑い」という申告者率ＰＰＶｈの飽和値をモデル特性量ＳＺ１（図１３のＳＺ）、図１５（Ａ）に示すように申告者率ＰＰＶｈの立上り位置のＰＭＶ値をモデル特性量ＳＺ２、図１５（Ｂ）に示すように申告者率ＰＰＶｈが飽和値の５０％に到達したときのＰＭＶ値をモデル特性量ＳＺ３とする。

【0097】

図１５（Ａ）の例では、モデル特性量ＳＺ２は、個別温熱実感モデルを式（１５）、式（１６）とした場合、モデル探索パラメータａ，ｂ，ｃ，ｄ，ｅのうちのｅに対応する。
したがって、季節依存管理部２１は、Ｎ＿ｒｅｆ回のモデリング結果Ｓｐ（ｉ）のそれぞれからモデル特性量ＳＺ２（ｉ）＝ｅ（ｉ）を取得し、モデル特性量ＳＺ１の場合と同様に、モデル特性量ＳＺ２（ｉ）＝ｅ（ｉ）と過去の屋外温熱環境代表値Ｅｏｔ（ｉ）との関係を線形近似した関数を求めて、この関数を特性量修正関数Ｇｐｍ＿２とすればよい（ステップＳ５０４）。

【0098】

また、図１５（Ｂ）の例では、モデル特性量ＳＺ３は、申告者率ＰＰＶｈが飽和値の５０％に到達したときのＰＭＶ値である。したがって、季節依存管理部２１は、個別温熱実感モデルのモデル関数と、Ｎ＿ｒｅｆ回のモデリング結果Ｓｐ（ｉ）の各々からａ（ｉ）の５０％の値ａ＿５０（ｉ）を算出し、「暑い」という申告者率ＰＰＶｈがａ＿５０（ｉ）となるＰＭＶ値を、式（１６）（または式（１５））とモデリング結果Ｓｐ（ｉ）とから算出して、算出した結果をＳＺ３（ｉ）とすればよい。

【0099】

そして、季節依存管理部２１は、モデル特性量ＳＺ１の場合と同様に、モデル特性量ＳＺ３（ｉ）と過去の屋外温熱環境代表値Ｅｏｔ（ｉ）との関係を線形近似した関数を求めて、この関数を特性量修正関数Ｇｐｍ＿３とすればよい（ステップＳ５０４）。上記のモデル特性量ＳＺ１（図１３のＳＺ）から求めた特性量修正関数をＧｐｍ＿１とする。
こうして、モデル特性量ＳＺの種類毎に特性量修正関数を求めることができる。

【0100】

最後に、季節依存管理部２１は、未来モデル生成部２２からの情報送信要求に対して、特性量修正関数Ｇｐｍ（Ｇｐｍ＿１，Ｇｐｍ＿２，Ｇｐｍ＿３）と最新の過去モデルのモデリング結果とを送信する（図１１ステップＳ４０４）。

【0101】

なお、参照モデル数Ｎ＿ｒｅｆ、過去の屋外温熱環境代表値Ｅｏｔの決定方法、モデル特性量ＳＺの決定方法、および各特性量に対応する特性量修正関数Ｇｐｍの決定方法は、室内環境評価／制御等のソリューションプロバイダや設備管理者によって予め設定されている。

【0102】

図１６は未来モデル生成部２２の動作を説明するフローチャートである。未来モデル生成部２２は、評価対象空間１０１の居住者の温熱実感（評価対象空間１０１の温熱環境に対する不満足を申告する居住者の割合であり、「暑い」という申告者率ＰＰＶｈ）を推定したい未来の日時（推定未来日時Ｔｍ）をオペレータからの指示などで取得する（図１６ステップＳ６００）。

【0103】

未来モデル生成部２２は、データ期間管理部１４から個別温熱実感モデルの更新タイミングの情報を取得し、推定未来日時Ｔｍを含む未来の学習データ期間ＬＰＦを決定する（図１６ステップＳ６０１）。例えば、推定未来日時Ｔｍを２０１９年１０月１５日とすると、個別温熱実感モデルの更新タイミングが毎月１日の０時００分、学習データ期間幅が１か月であるので、未来モデル生成部２２は、未来の学習データ期間ＬＰＦを２０１９年１０月と決定する。

【0104】

そして、未来モデル生成部２２は、屋外温熱環境情報管理部２０から、未来の学習データ期間ＬＰＦに対応する未来の屋外温熱環境情報を取得し（図１６ステップＳ６０２）、取得した未来の屋外温熱環境情報に基づいて、未来の学習データ期間ＬＰＦに対応する未来の屋外温熱環境代表値Ｅｏｔｆを決定する（図１６ステップＳ６０３）。例えば、未来の学習データ期間ＬＰＦが２０１９年１０月の場合、未来モデル生成部２２は、１０月の平年月平均外気温を取得して未来の屋外温熱環境代表値Ｅｏｔｆとすればよい。

【0105】

次に、未来モデル生成部２２は、季節依存管理部２１から送信された特性量修正関数Ｇｐｍ（ここではＧｐｍ＿１）を利用して、未来の屋外温熱環境代表値Ｅｏｔｆに対応するモデル特性量ＳＺ１＝Ｇｐｍ＿１（Ｅｏｆｔ）を算出し、算出した値を推定特性量ＳＺｅｓｔとする（図１６ステップＳ６０４）。

【0106】

最後に、未来モデル生成部２２は、算出した推定特性量ＳＺｅｓｔに基づいて最新の過去モデルを修正した個別温熱実感モデル（未来モデル）を生成する（図１６ステップＳ６０５）。過去モデルを修正する方法は、室内環境評価／制御等のソリューションプロバイダや設備管理者によって予め設定されている。

【0107】

本実施例では、推定特性量ＳＺｅｓｔと、最新の過去モデルのモデル特性量ＳＺ１（１）＝ａ（１）との比率をモデル補正パラメータηとする。
η＝ＳＺｅｓｔ／ＳＺ１（１） ・・・（１７）

【0108】

そして、未来モデル生成部２２は、モデル補正パラメータηに基づいて、最新の過去モデルの関数Ｍｐ（１）を次式のように修正する。

【0109】

【数4】

【0110】

式（１８）は、最新の過去モデル（式（１６））のパラメータａ（１），ｃ（１），ｄ（１），ｅ（１）のうち、パラメータａ（１）をモデル補正パラメータηに基づいて修正することを示している。

【0111】

なお、本実施例の過去モデルの修正では、補正パラメータηによりＰＰＶｈ軸についての倍率修正のみを行っているが、上記のモデル特性量ＳＺ２，ＳＺ３を用いることにより、申告者率ＰＰＶｈの立上り位置の修正やＰＭＶ軸の倍率修正などを行うようにしてもよい。

【0112】

具体的には、未来モデル生成部２２は、季節依存管理部２１から送信された特性量修正関数Ｇｐｍ＿２を利用して、未来の屋外温熱環境代表値Ｅｏｔｆに対応するモデル特性量ＳＺ２＝Ｇｐｍ＿２（Ｅｏｆｔ）を算出し、算出した値を推定特性量ＳＺｅｓｔ＿２とする。また、未来モデル生成部２２は、特性量修正関数Ｇｐｍ＿３を利用して、未来の屋外温熱環境代表値Ｅｏｔｆに対応するモデル特性量ＳＺ３＝Ｇｐｍ＿３（Ｅｏｆｔ）を算出し、算出した値を推定特性量ＳＺｅｓｔ＿３とする（図１６ステップＳ６０４）。

【0113】

そして例えば、推定特性量ＳＺｅｓｔ＿２と、最新の過去モデルのモデル特性量ＳＺ２（１）＝ｅ（１）との差をモデル補正パラメータδとする。
δ＝ＳＺｅｓｔ＿２－ＳＺ２（１） ・・・（１９）

【0114】

さらに例えば、推定特性量ＳＺｅｓｔ＿３とＳＺｅｓｔ＿２との差（ＳＺｅｓｔ＿３－ＳＺｅｓｔ＿２）と、最新の過去モデルのモデル特性量ＳＺ３（１）とＳＺ２（１）との差（ＳＺ３（１）－ＳＺ２（１））との比率をモデル補正パラメータξとする。
ξ＝（ＳＺｅｓｔ＿３－ＳＺｅｓｔ＿２）／（ＳＺ３（１）－ＳＺ２（１））
・・・（２０）

【0115】

そして、未来モデル生成部２２は、モデル補正パラメータη，δ，ξに基づいて、最新の過去モデルの関数Ｍｐ（１）を次式のように修正する。

【0116】

【数5】

【0117】

式（２１）のように過去モデルの修正を行えば、モデル補正パラメータδによる申告者率ＰＰＶｈの立上り位置の修正や、モデル補正パラメータξによるＰＭＶ軸の倍率修正が可能である。

【0118】

以上により、未来モデル生成部２２の処理が終了する。本実施例によれば、季節推移が反映された屋外温熱環境状態に基づいて過去モデルを修正して未来モデルを生成することにより、季節推移要素による推定誤差を改善することができ、未来モデルに推定未来日時の推定ＰＭＶ値を入力してやれば、推定未来日時における評価対象空間１０１に対する居住者の温熱実感（評価対象空間１０１の温熱環境に対する不満足を申告する居住者の割合であり、「暑い」という申告者率ＰＰＶｈ）を推定することが可能となる。その結果、本実施例では、居住者の温熱実感の推定結果を実態に近づけることができる。

【0119】

［第２の実施例］
次に、本発明の第２の実施例について説明する。本実施例においても、温熱実感モデル生成装置の構成は第１の実施例と同様であるので、図２の符号を用いて説明する。
短期的な変動が含まれる数日程度の期間に対応する学習データを使用すると、モデルの信頼性が保てないため、学習データ（統合情報）として一定の期間のデータを確保する必要がある。第１の実施例で説明したとおり、学習データ期間幅としては１か月程度が適当であるが、さらに季節推移の連続性を維持するため、個々の学習データ期間が重なり合うオーバーラップ期間を設ける。本実施例では、信頼できる一定の期間としてオーバーラップ期間を２週間とした例で説明する。

【0120】

本実施例の温熱実感モデル生成装置のデータ期間管理部１４には、第１の実施例と同様に個別温熱実感モデル（過去モデル）の更新タイミングと学習データ期間とを決定するためのデータ期間管理情報が室内環境評価／制御等のソリューションプロバイダや設備管理者によって予め設定されている。

【0121】

第１の実施例と異なる点は、データ期間管理情報が個別温熱実感モデルの更新タイミングの情報と学習データ期間幅の情報の他に、オーバーラップ期間幅Ｌｏの情報を含むことである。

【0122】

図１７（Ａ）、図１７（Ｂ）は第１、第２の実施例の学習データ期間を説明する図である。なお、図１７（Ａ）、図１７（Ｂ）では、分かり易い説明とするため、各月を一律に３０日として更新タイミングの日にちを示しており、２０１８年１０月１日を最新の更新タイミングとして２０１８年８月１日の更新タイミングまで遡った各更新タイミングの学習データ期間を示している。また、図１７（Ａ）、図１７（Ｂ）いずれも、更新スタート日時を２０１８年８月１日０時００分、学習データの期間幅を３０日毎とし、図１７（Ｂ）の例では、本実施例のオーバーラップ期間幅Ｌｏを１５日としている。図１７（Ａ）のような連続する更新タイミングの学習データ期間に対して、オーバーラップ期間幅Ｌｏを設定する本実施例の図１７（Ｂ）では、モデル更新の周期がオーバーラップ期間幅Ｌｏに対応して短くなる。

【0123】

第１の実施例に対応する本説明の例では、図１７（Ａ）に示すように、例えば２０１８年９月１日０時００分に更新される過去モデルＭｐ（２）の学習データ期間ＳＷは、８月１日０時００分を開始タイミングとして、８月３０日（ここでは各月を一律に３０日としているので８月末日に相当）２３時５９分を終了タイミングとする３０日である。さらに、ひとつまえの過去モデルＭｐ（３）の学習データ期間ＳＷは、７月１日０時００分を開始タイミングとして、７月３０日（ここでは各月を一律に３０日としているので７月末日に相当）２３時５９分を終了タイミングとする３０日であり、連続する更新タイミングの過去モデルＭｐ（２）とＭｐ（３）の学習データ期間ＳＷは重複しない。

【0124】

一方、本実施例では、図１７（Ｂ）に示すように、例えば２０１８年９月１日０時００分に更新される過去モデルＭｐ（３）の学習データ期間ＳＷは、８月１日０時００分を開始タイミングとして、８月３０日（ここでは各月を一律に３０日としているので８月末日に相当）２３時５９分を終了タイミングとする３０日であり、図１７（Ａ）の過去モデルＭｐ（２）の学習データ期間ＳＷと同じであるが、図１７（Ｂ）のひとつまえの過去モデルＭｐ（４）の学習データ期間ＳＷは、７月１６日０時００分を開始タイミングとして、図１７（Ｂ）の過去モデルＭｐ（３）の学習データ期間ＳＷと重複するオーバーラップ期間幅Ｌｏを含み（すなわち、８月１日から８月１５日の１５日間）、８月１５日２３時５９分を終了タイミングとする３０日であり、連続する更新タイミングの過去モデルＭｐ（３）とＭｐ（４）の学習データ期間ＳＷはオーバーラップ期間幅Ｌｏだけ重複する。

【0125】

その他の構成は第１の実施例で説明したとおりである。なお、本実施例の学習データ期間幅としては１か月程度が適当であるが、この時、さらに、季節推移の連続性を維持するため、信頼できる期間幅を前後の学習データ期間でオーバーラップさせることが望ましい。オーバーラップ期間幅Ｌｏとしては、２週間以上の長い程度の期間とするのが適当である。

【0126】

ある建物で２０１７年７月から９月にかけて計測した外気温の、２週間平均の推移を図１８（Ａ）に、４週間平均の推移を図１８（Ｂ）に示す。図１８（Ａ）、図１８（Ｂ）の横軸は１週目からカウントした経過週の数である。

【0127】

図１８（Ａ）の例ではオーバーラップ期間を１週間、図１８（Ｂ）の例ではオーバーラップ期間を２週間としている。図１８（Ａ）、図１８（Ｂ）の比較から明らかなように、オーバーラップ期間を２週間として、４週間の平均値をとると、外気温平均値に短期的な変動が含まれ難いことが分かる。

【0128】

第１、第２の実施例で説明した温熱実感モデル生成装置は、ＣＰＵ（Central Processing Unit）、記憶装置及びインターフェースを備えたコンピュータと、これらのハードウェア資源を制御するプログラムによって実現することができる。このコンピュータの構成例を図１９に示す。

【0129】

コンピュータは、ＣＰＵ２００と、記憶装置２０１と、インターフェース装置（以下、Ｉ／Ｆと略する）２０２とを備えている。Ｉ／Ｆ２０２には、環境計測デバイス等が接続される。このようなコンピュータにおいて、本発明の温熱実感モデル生成方法を実現させるためのプログラムは記憶装置２０１に格納される。ＣＰＵ２００は、記憶装置２０１に格納されたプログラムに従って第１、第２の実施例で説明した処理を実行する。

【産業上の利用可能性】

【0130】

本発明は、未来の日時における居住者の温熱実感を推定する技術に適用することができる。

【符号の説明】

【0131】

１…過去モデル生成ユニット、２…未来モデル生成ユニット、１０…データ収集部、１１…居住環境情報保持部、１２…温熱実感情報保持部、１３…データ統合部、１４…データ期間管理部、１５…過去モデル生成部、１６…過去モデル記憶管理部、２０…屋外温熱環境情報管理部、２１…季節依存管理部、２２…未来モデル生成部。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】