特許 7462259 計測装置、システム、計測方法、及びプログラム

(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】2024-03-28

(45)【発行日】2024-04-05

(54)【発明の名称】計測装置、システム、計測方法、及びプログラム

(51)【国際特許分類】

   G06Q 50/06 20240101AFI20240329BHJP

【ＦＩ】

G06Q50/06

【請求項の数】 10

(21)【出願番号】P 2020003880

(22)【出願日】2020-01-14

(65)【公開番号】P2021111221

(43)【公開日】2021-08-02

【審査請求日】2022-09-12

【前置審査】

(73)【特許権者】

【識別番号】314012076

【氏名又は名称】パナソニックＩＰマネジメント株式会社

(74)【代理人】

【識別番号】110002527

【氏名又は名称】弁理士法人北斗特許事務所

(72)【発明者】

【氏名】大垣 史迅

(72)【発明者】

【氏名】村上 憲一

【審査官】深津 始

(56)【参考文献】

【文献】特開２０１８－０４９３２１（ＪＰ，Ａ）

【文献】特開２０２０－００４２４８（ＪＰ，Ａ）

【文献】特開２０１８－１４７２６１（ＪＰ，Ａ）

【文献】特開２０１９－１７５１０９（ＪＰ，Ａ）

【文献】特開２００２－０９８５６４（ＪＰ，Ａ）

【文献】特開２０１９－２０４４５８（ＪＰ，Ａ）

【文献】特開２０２０－１２３１９８（ＪＰ，Ａ）

【文献】特開２０１６－２１２１０４（ＪＰ，Ａ）

【文献】特開２０１４－２０３２９１（ＪＰ，Ａ）

【文献】特開２０１１－２４４４４１（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｑ １０／００ －Ｇ０６Ｑ ９９／００

(57)【特許請求の範囲】

【請求項1】

資源の使用状況を計測する計測部と、
前記資源の使用状況及び所定の項目の正誤を学習用データとして前記所定の項目を出力するように機械学習された学習済みモデルを用いて、前記計測部の計測結果に基づく前記所定の項目を判定する判定部と、
前記計測部の計測結果及び前記判定部の判定結果の正誤の判断に従って前記判定部の判定結果を是正したデータを用いて、前記学習済みモデルの再学習を行う再学習部と、
前記学習済みモデルである第１学習済みモデルと別の第２学習済みモデルを、外部の学習装置から取得する取得部と、
前記計測部の計測結果を前記学習装置に出力する出力部と、を備え、
前記判定部は、前記第１学習済みモデルと、前記取得部にて取得した前記第２学習済みモデルと、のいずれか一方を採用し、
前記出力部は、前記計測部の計測結果のうち、前記計測部が計測した時間に関する時間情報は前記学習装置に出力せず、
前記時間情報は、
ユーザがどの時間に特定の行動を行ったかを想起させる情報を含み、
前記再学習部での前記第１学習済みモデルの再学習に用いられる、
計測装置。

【請求項2】

前記判定部である第１判定部とは別の判定部であって、前記第２学習済みモデルを用いて、前記計測部の計測結果に基づく前記所定の項目を判定する第２判定部を更に備える、
請求項１記載の計測装置。

【請求項3】

前記再学習部は、前記計測部の計測結果のうち間引き条件に従って間引いたデータを用いて、前記学習済みモデルの再学習を行う、
請求項１又は２に記載の計測装置。

【請求項4】

前記間引き条件は、ユーザからの入力に関するユーザ条件を含み、
前記ユーザ条件は、前記ユーザからの入力により前記学習用データとすることを禁止されたデータを間引くという条件を含む、
請求項３記載の計測装置。

【請求項5】

前記間引き条件は、前記判定部の判定結果の正誤に関する正誤条件を含み、
前記正誤条件は、前記判定部の判定結果が正しいデータを間引くという条件を含む、
請求項３又は４に記載の計測装置。

【請求項6】

前記再学習部は、あらかじめ規定された特定期間にて前記学習済みモデルの再学習を行う、
請求項１～５のいずれか１項に記載の計測装置。

【請求項7】

前記所定の項目は、前記資源を消費する機器に関する機器情報と、ユーザに関するユーザ情報と、の少なくとも一方を含み、
前記ユーザ情報は、前記ユーザが特定の行動を行っているか否かを含む、
請求項１～６のいずれか１項に記載の計測装置。

【請求項8】

請求項１～７のいずれか１項に記載の計測装置と、
前記資源の使用状況及び前記所定の項目の正誤を前記学習用データとして、請求項１～７のいずれか１項に記載の計測装置の前記判定部にて用いられる前記学習済みモデルを機械学習により生成する学習装置と、を備える、
システム。

【請求項9】

１以上のプロセッサによって実行される計測方法であり、
資源の使用状況を計測する計測ステップと、
前記資源の使用状況及び所定の項目の正誤を学習用データとして前記所定の項目を出力するように機械学習された学習済みモデルを用いて、前記計測ステップの計測結果に基づく前記所定の項目を判定する判定ステップと、
前記計測ステップの計測結果及び前記判定ステップの判定結果の正誤の判断に従って前記判定ステップの判定結果を是正したデータを用いて、前記学習済みモデルの再学習を行う再学習ステップと、
前記学習済みモデルである第１学習済みモデルと別の第２学習済みモデルを、外部の学習装置から取得する取得ステップと、
前記計測ステップの計測結果を前記学習装置に出力する出力ステップと、を有し、
前記判定ステップでは、前記第１学習済みモデルと、前記取得ステップにて取得した前記第２学習済みモデルと、のいずれか一方を採用し、
前記出力ステップでは、前記計測ステップの計測結果のうち、前記計測ステップで計測した時間に関する時間情報は前記学習装置に出力せず、
前記時間情報は、
ユーザがどの時間に特定の行動を行ったかを想起させる情報を含み、
前記再学習ステップでの前記第１学習済みモデルの再学習に用いられる、
計測方法。

【請求項10】

前記１以上のプロセッサに、
請求項９記載の計測方法を実行させる、
プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、一般に計測装置、システム、計測方法、及びプログラムに関する。より詳細には、本開示は、資源の使用状況を計測する計測装置、これを備えたシステム、資源の使用状況を計測する計測方法、及びこれを実行するためのプログラムに関する。

【背景技術】

【0002】

特許文献１には、住戸（施設）の住居者（ユーザ）の生活行動（状態）を推測するエネルギーマネジメントシステムが開示されている。特許文献１では、エネルギーマネジメントシステムは、施設における電力の使用状況からユーザの状態を判定している。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１２－１７４０３０号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１に記載のエネルギーマネジメントシステムでは、電力（資源）の使用状況としての電気使用量と所定の閾値との比較によってユーザの状態を判定しているため、判定精度、及び判定可能な項目の多様さにも限界がある、という問題があった。

【0005】

本開示は、上記の点を鑑みてなされており、判定精度、及び判定可能な項目の多様さの向上を図りやすい計測装置、システム、計測方法、及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】

本開示の一態様に係る計測装置は、計測部と、判定部と、再学習部と、取得部と、出力部と、を備える。前記計測部は、資源の使用状況を計測する。前記判定部は、前記資源の使用状況及び所定の項目の正誤を学習用データとして前記所定の項目を出力するように機械学習された学習済みモデルを用いて、前記計測部の計測結果に基づく前記所定の項目を判定する。前記再学習部は、前記計測部の計測結果及び前記判定部の判定結果の正誤の判断に従って前記判定部の判定結果を是正したデータを用いて、前記学習済みモデルの再学習を行う。前記取得部は、前記学習済みモデルである第１学習済みモデルと別の第２学習済みモデルを、外部の学習装置から取得する。前記出力部は、前記計測部の計測結果を前記学習装置に出力する。前記判定部は、前記第１学習済みモデルと、前記取得部にて取得した前記第２学習済みモデルと、のいずれか一方を採用する。前記出力部は、前記計測部の計測結果のうち、前記計測部が計測した時間に関する時間情報は前記学習装置に出力しない。前記時間情報は、ユーザがどの時間に特定の行動を行ったかを想起させる情報を含む。前記時間情報は、前記再学習部での前記第１学習済みモデルの再学習に用いられる。

【0007】

本開示の一態様に係るシステムは、上記の計測装置と、学習装置と、を備える。前記学習装置は、前記資源の使用状況及び前記所定の項目の正誤を前記学習用データとして、上記の計測装置の前記判定部にて用いられる前記学習済みモデルを機械学習により生成する。

【0008】

本開示の一態様に係る計測方法は、１以上のプロセッサによって実行される計測方法である。前記測定方法は、計測ステップと、判定ステップと、再学習ステップと、取得ステップと、出力ステップと、を有する。前記計測ステップは、資源の使用状況を計測するステップである。前記判定ステップは、前記資源の使用状況及び所定の項目の正誤を学習用データとして前記所定の項目を出力するように機械学習された学習済みモデルを用いて、前記計測ステップの計測結果に基づく前記所定の項目を判定するステップである。前記再学習ステップは、前記計測ステップの計測結果及び前記判定ステップの判定結果の正誤の判断に従って前記判定ステップの判定結果を是正したデータを用いて、前記学習済みモデルの再学習を行うステップである。前記取得ステップは、前記学習済みモデルである第１学習済みモデルと別の第２学習済みモデルを、外部の学習装置から取得する。前記出力ステップは、前記計測ステップの計測結果を前記学習装置に出力する。前記判定ステップでは、前記第１学習済みモデルと、前記取得ステップにて取得した前記第２学習済みモデルと、のいずれか一方を採用する。前記出力ステップでは、前記計測ステップの計測結果のうち、前記計測ステップで計測した時間に関する時間情報は前記学習装置に出力しない。前記時間情報は、ユーザがどの時間に特定の行動を行ったかを想起させる情報を含む。前記時間情報は、前記再学習ステップでの前記第１学習済みモデルの再学習に用いられる。

【0009】

本開示の一態様に係るプログラムは、１以上のプロセッサに、上記の計測方法を実行させる。

【発明の効果】

【0010】

本開示は、判定精度、及び判定可能な項目の多様さの向上を図りやすい、という利点がある。

【図面の簡単な説明】

【0011】

【図1】図１は、本開示の一実施形態に係る計測装置及び学習装置を含むシステムの構成を示すブロック図である。

【図2】図２は、同上のシステムを含む全体構成を示す概略図である。

【図3】図３は、同上の計測装置の動作を示すフローチャートである。

【図4】図４は、同上の学習装置の動作を示すフローチャートである。

【図5】図５は、本開示の一実施形態の変形例に係る計測装置及び学習装置を含むシステムの構成を示すブロック図である。

【発明を実施するための形態】

【0012】

（１）概要
本実施形態の計測装置１（図１参照）は、資源の使用状況を計測するための装置である。本実施形態では、計測装置１は、対象となる施設Ｆ１（図１参照）での資源の使用状況を計測する。

【0013】

本開示でいう「資源」は、電力（電気エネルギー）、ガス及び水道水等の、施設Ｆ１にて使用（消費）される資源を意味する。施設Ｆ１で消費される「資源」には、例えば、電気錠、自動扉、電動シャッタ又はエスカレータ等のように施設Ｆ１の一部で消費される資源だけでなく、施設Ｆ１で使用される機器３（図２参照）で消費される資源も含む。資源が電力である場合、電力系統から供給される電力、及び施設Ｆ１に設置された分散電源（例えば、太陽光発電設備、蓄電設備又は風力発電設備）から出力される電力も資源に含まれる。

【0014】

本開示でいう「施設」は、店舗、オフィス、工場、ビル、学校、福祉施設又は病院等の非住宅施設、及び戸建住宅、集合住宅、又は戸建住宅若しくは集合住宅の各住戸等の住宅施設を含む。非住宅施設には、劇場、映画館、公会堂、遊技場、複合施設、百貨店、ホテル、旅館、幼稚園、図書館、博物館、美術館、地下街、駅及び空港等も含む。さらには、本開示でいう「施設」には、建物（建造物）だけでなく、球場、庭、駐車場、グランド及び公園等の屋外施設を含む。本実施形態では、戸建住宅を施設Ｆ１の一例として説明する。

【0015】

本開示でいう「機器」は、施設Ｆ１で使用され、かつ資源を使用（消費）する種々の機器（据置型又は可搬型の設備、装置及びシステム等を含む）である。本実施形態では、機器３は、図２に示すように、照明器具３１、空調機器３２、コンセント（アウトレット）３３、トイレ３４、シャワー３５、風呂３６、及び給湯機３７等である。つまり、機器３は、電力を消費する電気機器に限られず、水又はガス等を消費する機器を含み得る。また、機器３は、ユーザが使用する機器に限られず、施設Ｆ１の環境状態を計測するセンサ（例えば、温度センサ、湿度センサ等）の他、例えば壁スイッチ等が含まれる。

【0016】

電気機器としては、設備機器又は家電機器等を含み得る。設備機器の例としては、パッケージエアコン（空調設備）、照明設備（ベースライト及びスポットライト等を含む）、蓄電設備、厨房設備（ＩＨヒータ及び食器洗浄器等を含む）、入退室管理機器、コピー機及びファクシミリ等がある。さらに、例えば、給湯設備（エコキュート（登録商標）等を含む）、電動シャッタ、換気扇、２４時間換気システム等の住設機器も設備機器に含まれる。家電機器の例としては、テレビ受像機、照明機器（シーリングライト等を含む）及び録画再生機（ＨＤＤ付ＤＶＤレコーダ及び外付けＨＤＤ等を含む）等がある。さらに、例えば、洗濯機、冷蔵庫、空調機器、空気清浄機、パーソナルコンピュータ、スマートスピーカ及びコンピュータゲーム機等も家電機器に含まれる。

【0017】

また、計測装置１は、計測した資源の使用状況に基づいて、所定の項目を判定するための装置でもある。本開示でいう「所定の項目」は、資源の使用状況に含まれる特徴量から推定される項目であって、例えば、施設Ｆ１で使用されている機器３の種別、又はユーザの状態（ユーザが特定の行動を行ったか否か）を含み得る。つまり、計測装置１は、センサ等を用いて所定の項目を直接的に判定するのではなく、計測した資源の使用状況に基づいて、所定の項目を間接的に判定する。本実施形態では、施設Ｆ１が戸建住宅であるので、ユーザは、戸建住宅の居住者である。

【0018】

計測装置１は、図１に示すように、計測部１１と、判定部１３と、再学習部１５と、を備えている。

【0019】

計測部１１は、資源の使用状況を計測する。例えば、資源が電気である場合、計測部１１は、施設Ｆ１全体での電力量（電気使用量）、又は施設Ｆ１で使用される各機器３の電力量（電気使用量）等を計測する。

【0020】

判定部１３は、資源の使用状況を学習用データとして所定の項目を出力するように機械学習された学習済みモデルＭ１を用いて、計測部１１の計測結果に基づく所定の項目を判定する。本開示でいう「学習済みモデル」は、計測部１１の計測結果（資源の使用状況）が入力されると、入力された資源の使用状況に含まれる特徴量から所定の項目を判定し、判定結果を出力するプログラムであって、学習用データを用いた機械学習が完了したモデルである。また、本開示でいう「学習用データ」は、モデルに入力される入力情報（本実施形態では、資源の使用状況）と、入力情報に付与されたラベル（本実施形態では、所定の項目の正誤）と、を組み合わせたデータセットであり、いわゆる教師データである。つまり、本実施形態では、学習済みモデルＭ１は、教師あり学習による機械学習が完了したモデルである。つまり、判定部１３は、計測部１１の計測結果を学習済みモデルＭ１に入力することにより、入力された資源の使用状況に含まれる特徴量から所定の項目を判定する。本実施形態では、判定部１３は、計測装置１自体が生成した学習済みモデルＭ１ではなく、計測装置１とは別の外部の学習装置２にて生成された学習済みモデルＭ１を用いて判定を行う。

【0021】

再学習部１５は、計測部１１の計測結果を用いて、学習済みモデルＭ１の再学習を行う。つまり、再学習部１５は、計測部１１の計測結果（つまり、資源の使用状況）を学習用データとして、機械学習により学習済みモデルＭ１を再学習して更新する。

【0022】

上述のように、本実施形態では、計測装置１は、機械学習により生成された学習済みモデルＭ１を用いて、資源の使用状況に含まれる特徴量から所定の項目を判定している。したがって、本実施形態では、例えば資源の使用量と閾値とを比較するといった単純な判定手法により判定を行う場合と比較して、判定精度、及び判定可能な項目の多様さの向上を図りやすい、という利点がある。

【0023】

また、本実施形態では、計測装置１は、計測装置１にて学習済みモデルＭ１の再学習を行えるので、計測装置１の設置された環境（ここでは、施設Ｆ１）に固有の学習済みモデルＭ１を構築しやすい、という利点がある。

【0024】

（２）詳細
以下、本実施形態の計測装置１と、学習装置２と、を備えたシステム１００について図１及び図２を参照して詳細に説明する。学習装置２は、資源の使用状況を学習用データとして、計測装置１の判定部１３で用いられる学習済みモデルＭ１を機械学習により生成する。学習装置２で生成された学習済みモデルＭ１は、計測装置１に対して出力される。

【0025】

本開示でいう「学習済みモデルの生成」は、従前に学習済みモデルＭ１が存在しない状態において学習済みモデルＭ１を生成することの他に、既存の学習済みモデルＭ１を再学習することにより学習済みモデルＭ１を生成（更新）することを含み得る。

【0026】

本実施形態では、学習装置２は、図１に示すように、例えばインターネット等のネットワークＮ１を介して１以上（ここでは、複数）の計測装置１と個別に通信可能に構成されている。１以上の計測装置１は、それぞれ互いに異なる１以上の施設Ｆ１に設けられている。学習装置２は、各計測装置１に対して、学習済みモデルＭ１を出力する。つまり、各計測装置１が取得する学習済みモデルＭ１は、いずれも同じである。以下では、１以上の計測装置１のうちの１つの計測装置１に焦点を当てて説明する。

【0027】

（２．１）計測装置
計測装置１は、図１に示すように、計測部１１と、通信部１２と、判定部１３と、記憶部１４と、再学習部１５と、を備えている。本実施形態では、計測装置１は、計測部１１、通信部１２、判定部１３、記憶部１４、及び再学習部１５を１つの筐体に収容した装置として構成されている。

【0028】

本実施形態では、計測装置１は、少なくとも一部が１以上のプロセッサ及びメモリを有するマイクロコントローラにて構成されている。言い換えれば、計測装置１の少なくとも一部は、１以上のプロセッサ及びメモリを有するコンピュータシステムにて実現されており、１以上のプロセッサがメモリに格納されているプログラムを実行することにより、コンピュータシステムが計測装置１の少なくとも一部として機能する。プログラムは、ここではメモリに予め記録されているが、インターネット等の電気通信回線を通じて、又はメモリカード等の非一時的な記録媒体に記録されて提供されてもよい。

【0029】

計測装置１は、図２に示すように、分電盤５のキャビネット内に配置されている。分電盤５は、系統電源６に電気的に接続される主幹ブレーカ５１と、主幹ブレーカ５１の二次側に電気的に接続された複数の分岐ブレーカ５２とをキャビネット内に備えている。計測装置１は、電流センサ４１，４２に電気的に接続されている。電流センサ４１は、主幹ブレーカ５１の一次側に設けられ、幹線を流れる電流を計測する。複数の電流センサ４２は、それぞれ複数の分岐ブレーカ５２に対応して設けられている。複数の電流センサ４２は、それぞれ対応する複数の分岐回路に流れる電流を計測する。ここでいう「分岐回路」は、複数の分岐ブレーカ５２にて幹線から分岐された各回路を意味する。分岐回路には、分岐ブレーカ５２に接続される配線、照明器具３１、空調機器３２、コンセント（アウトレット）３３、又は壁スイッチ等を含んでいる。このような分岐回路は、本実施形態のように戸建住宅である施設Ｆ１においては、例えばリビング、寝室、玄関、トイレ、子供部屋、又はキッチン等の部屋ごと、かつ、照明器具３１又は空調機器３２等の機器３の種類ごとに設けられる。１つの分岐回路には、１つの機器３が含まれてもよいし、複数の機器３が含まれてもよい。

【0030】

計測部１１は、資源の使用状況を計測する。計測部１１は、後述する計測ステップＳＴ１（図３参照）の実行主体である。本実施形態では、計測部１１は、資源の使用状況として、電気の使用状況、水道水の使用状況、及びガスの使用状況を計測する。計測部１１の計測結果は、記憶部１４に記憶される。

【0031】

計測部１１は、電流センサ４１，４２の出力を用いて、幹線及び複数の分岐回路の各々について、瞬時電力及び電力量（電気使用量）の少なくとも一方を計測する。また、計測部１１は、電流センサ４１，４２の出力を用いて、幹線及び複数の分岐回路の各々を流れる電流の特徴量を計測する。電流の特徴量は、一例として、電流の周波数又は位相等である。ここでいう「電流の周波数」には、電流の高調波成分等が含まれ得る。このようにして、計測部１１は、電気の使用状況を計測する。

【0032】

また、計測部１１は、計測装置１に電気的に接続されている水道メータ４３の出力を用いて、施設Ｆ１における水道水の使用量を計測する。具体的には、計測部１１は、水道メータ４３の有するパルス発信器が発信するパルスを計数することにより、施設Ｆ１における水道水の使用量を計測する。本実施形態では、計測部１１は、トイレ３４、シャワー３５、風呂３６及び洗面所等での水道水の使用量を計測する。このようにして、計測部１１は、水道水の使用状況を計測する。

【0033】

また、計測部１１は、計測装置１に電気的に接続されているガスメータ４４の出力を用いて、施設Ｆ１におけるガスの使用量を計測する。具体的には、計測部１１は、ガスメータ４４の有するパルス発信器が発信するパルスを計数することにより、施設Ｆ１におけるガスの使用量を計測する。本実施形態では、計測部１１は、給湯機３７等でのガスの使用量を計測する。このようにして、計測部１１は、ガスの使用状況を計測する。

【0034】

通信部１２は、有線通信又は無線通信の適宜の通信方式により、直接的、又はネットワーク若しくは中継器（ルータ等）を介して間接的に、外部の学習装置２との間で信号を授受する。本実施形態では、通信部１２は、インターネット等のネットワークＮ１を介して学習装置２と通信するように構成されている。通信部１２は、取得部１２１としての機能と、出力部１２２としての機能と、を有している。

【0035】

取得部１２１は、学習装置２から学習済みモデルＭ１を含む信号を受信することにより、学習済みモデルＭ１を取得する。取得部１２１は、後述する取得ステップＳＴ２（図３参照）の実行主体である。取得部１２１は、過去に学習済みモデルＭ１を取得していない場合、学習装置２から学習済みモデルＭ１自体を取得する。

【0036】

一方、取得部１２１が過去に学習済みモデルＭ１を取得しており、かつ、学習装置２にて学習済みモデルＭ１の再学習が行われた場合、学習装置２は、再学習後の学習済みモデルＭ１のパラメータを計測装置１に出力する。この場合、取得部１２１は、学習済みモデルＭ１自体を取得するのではなく、再学習後の学習済みモデルＭ１のパラメータ（例えば、重み係数）のみを取得することになる。そして、判定部１３では、取得部１２１にて取得したパラメータを用いて、既存の学習済みモデルＭ１を再学習後の学習済みモデルＭ１に更新することが可能である。この態様では、学習済みモデルＭ１自体を送信する場合と比較して、通信量の低減を図ることができる。

【0037】

つまり、取得部１２１は、学習済みモデルＭ１である第１学習済みモデルＭ１１（図５参照）と同一又は別の第２学習済みモデルＭ１２（図５参照）を、外部の学習装置２から取得する。ここで、第１学習済みモデルＭ１１は、計測装置１が有する既存の学習済みモデルＭ１である。また、第２学習済みモデルＭ１２は、学習装置２から取得する学習済みモデルＭ１である。後述するように、計測装置１及び学習装置２は、それぞれ独自に学習済みモデルＭ１の再学習を行うため、基本的に第１学習済みモデルＭ１１と第２学習済みモデルＭ１２とは互いに異なる。もちろん、第１学習済みモデルＭ１１と第２学習済みモデルＭ１２とが同一になっても構わない。

【0038】

出力部１２２は、計測部１１の計測結果を、ネットワークＮ１を介して学習装置２へ出力する。出力部１２２は、後述する出力ステップＳＴ４（図３参照）の実行主体である。本実施形態では、学習装置２に出力される計測部１１の計測結果には、電気の使用状況の計測結果と、水道水の使用状況の計測結果と、ガスの使用状況の計測結果と、が含まれ得る。

【0039】

本実施形態では、出力部１２２は、計測部１１の計測結果をそのまま学習装置２に出力するのではなく、計測部１１の計測結果を入力とした判定部１３の判定結果も学習装置２に出力する。つまり、出力部１２２は、計測部１１の計測結果と、ラベルとなる判定部１３の判定結果と、を含む学習用データを学習装置２に出力する。

【0040】

ここで、本実施形態では、出力部１２２は、計測部１１の計測結果のうち、計測部１１が計測した時間に関する時間情報（つまり、タイムスタンプ）は学習装置２に出力しない。例えば、出力部１２２は、資源としての電気の使用状況の計測結果を学習装置２に出力する場合、計測した瞬時電力及び電力量のデータは学習装置２に出力する一方、タイムスタンプは学習装置２に出力しない。ここで、時間情報は、ユーザがどの時間に特定の行動を行ったか等、ユーザの日常生活を想起させるプライベートな情報となり得る。本実施形態では、計測部１１の計測結果のうち時間情報を除いて学習装置２に出力することにより、ユーザのプライベートな情報を公に晒さなくて済む。

【0041】

判定部１３は、学習済みモデルＭ１を用いて所定の項目を判定する。判定部１３は、後述する判定ステップＳＴ３（図３参照）の実行主体である。本実施形態では、判定部１３（つまり、学習済みモデルＭ１）により判定される所定の項目は、資源を消費する機器３に関する機器情報と、ユーザに関するユーザ情報と、の少なくとも一方を含んでいる。

【0042】

機器情報は、一例として、機器３の種類、又は機器３の動作状況等を含み得る。例えば、判定部１３は、計測部１１の計測結果に基づいて、施設Ｆ１で使用されている１以上の機器３の種類を判定する。ここでいう「種類」は、機器３のタイプ（品番）等を含み得る。また、例えば、判定部１３は、計測部１１の計測結果に基づいて、機器３が動作しているか否か、動作している場合には機器３の動作モード又は動作時間等を判定する。

【0043】

既に述べたように、本実施形態では、施設Ｆ１が戸建住宅であるため、ユーザは、戸建住宅の居住者である。したがって、ユーザ情報は、一例として、ユーザが在宅しているか否か、ユーザがテレビを視聴しているか否か、ユーザが料理をしているか否か、ユーザが入浴しているか否か、ユーザがトイレを使用しているか否か、又はユーザが就寝しているか否か等を含み得る。このように、ユーザ情報は、ユーザが特定の行動を行っているか否かを含み得る。

【0044】

ここで、本実施形態では、判定部１３は、第１学習済みモデルＭ１１と、取得部１２１にて取得した第２学習済みモデルＭ１２と、のいずれか一方を採用する。例えば、判定部１３は、基本的には第１学習済みモデルＭ１１を採用する一方、学習装置２にて学習済みモデルＭ１の大幅なアップデートがあった場合、学習装置２から取得した第２学習済みモデルＭ１２を採用することが考えられる。第１学習済みモデルＭ１１及び第２学習済みモデルＭ１２のいずれを採用するかは、あらかじめ設定されたアルゴリズムに従って決定してもよいし、ユーザの判断に従って決定してもよい。後者の場合、後述する情報端末７を介してユーザの判断を仰げばよい。

【0045】

記憶部１４は、例えば、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read-Only Memory）等の電気的に書換え可能な不揮発性メモリ、又はＲＡＭ（Random Access Memory）等の揮発性メモリ等を備える。記憶部１４は、計測部１１の計測結果、及び判定部１３の判定結果を記憶する。つまり、記憶部１４は、再学習部１５での再学習に用いられる学習用データ（又は学習装置２に出力する学習用データ）を記憶する。学習用データは、再学習部１５での再学習に用いられた後（又は学習装置２に出力された後）は消去されてもよい。

【0046】

再学習部１５は、計測部１１の計測結果（つまり、資源の使用状況）を学習用データとして、機械学習により学習済みモデルＭ１を再学習して更新する。再学習部１５は、後述する再学習ステップＳＴ５の実行主体である。本実施形態では、学習済みモデルＭ１は、後述するようにニューラルネットワークを用いたモデルである。したがって、再学習部１５は、学習済みモデルＭ１の再学習を行うことで、ニューラルネットワークのパラメータ（例えば、重み係数）を更新する。

【0047】

ここで、本実施形態では、上述の時間情報（タイムスタンプ）は、再学習部１５での学習済みモデルＭ１の再学習に用いられる。つまり、出力部１２２は、上述の時間情報がユーザの日常生活を想起させるプライベートな情報となり得ることから、公に晒さないようにするために、計測部１１の計測結果から時間情報を除いて学習装置２に出力している。一方、再学習部１５は、上述の時間情報を学習用データに含めることで、ユーザのプライベートな情報を学習済みモデルＭ１に反映させるように再学習を行うことが可能であり、結果としてユーザに適した学習済みモデルＭ１の最適化を図りやすい。

【0048】

また、本実施形態では、再学習部１５は、計測部１１の計測結果を全て用いるのではなく、計測部１１の計測結果のうち間引き条件に従って間引いたデータを用いて、学習済みモデルＭ１の再学習を行う。以下、間引き条件の例について列挙する。再学習部１５は、以下に列挙する間引き条件の全てに従ってデータを間引いてもよいし、一部の間引き条件にのみ従ってデータを間引いてもよい。また、再学習部１５は、特定の条件を満たすデータの数だけが突出して多くなったり少なくなったりしないように、条件ごとのデータの数が均一となるように間引くのが好ましい。

【0049】

間引き条件は、一例として、ユーザからの入力に関する条件を含み得る。例えば、再学習部１５は、計測部１１の計測結果のうち、ユーザからの入力により学習用データとすることを禁止されたデータを間引いて、学習済みモデルＭ１の再学習を行う。本実施形態では、計測装置１は、ユーザの操作により情報端末７（図２参照）に入力された情報を、ネットワークＮ１を介して通信部１２にて受信することにより、ユーザからの入力を受け付ける。情報端末７は、例えばスマートフォン、タブレット端末、又はパーソナルコンピュータ等のユーザが所持する又は利用する端末である。その他、計測装置１は、備え付けのタッチパネルディスプレイ等の種々の表示機器及び入力機器を介して、ユーザからの入力を受け付けてもよい。

【0050】

また、間引き条件は、一例として、判定部１３の判定結果の正誤に関する条件を含み得る。例えば、再学習部１５は、計測部１１の計測結果のうち、判定部１３の判定結果が正しいデータを間引いて、学習済みモデルＭ１の再学習を行う。言い換えれば、再学習部１５は、計測部１１の計測結果のうち、判定部１３の判定結果が誤っていたデータを用いて学習済みモデルＭ１の再学習を行う。より具体的には、所定の項目が照明器具３１が点灯しているか否かであった場合に、実際には照明器具３１が点灯していないが、判定部１３では照明器具３１が点灯していると判定している、と仮定する。この場合、再学習部１５は、判定部１３の判定結果の正誤の判断に従って判定部１３の判定結果を是正したデータを学習用データとして、学習済みモデルＭ１の再学習を行う。この態様では、学習済みモデルＭ１の判定結果を是正するように再学習することができるので、学習済みモデルＭ１の判定精度の向上が期待できる。

【0051】

判定部１３の判定結果の正誤の判断については、例えば、判定部１３の判定結果をユーザに提示し、ユーザが判定部１３の判定結果を評価することにより実現され得る。具体的には、計測装置１は、判定部１３の判定結果を、ネットワークＮ１を介して情報端末７に出力する。ユーザは、情報端末７に備え付けのディスプレイを見ることで、判定部１３の判定結果を確認し、判定結果が正しいか否かの評価を入力する。そして、情報端末７は、入力された評価を含む応答信号を、ネットワークＮ１を介して計測装置１に返信する。

【0052】

また、間引き条件は、一例として、時間に関する条件を含み得る。例えば、再学習部１５は、計測部１１の計測結果のうち、あらかじめ設定された特定の時間帯に計測されたデータを間引いて、学習済みモデルＭ１の再学習を行う。特定の時間帯は、例えば、ユーザが情報端末７にて入力することにより、設定することが可能である。

【0053】

ここで、間引き条件が時間に関する条件を含む場合、時間に関する条件は、機器３の種類及び曜日に依らず一律に設定されてもよいが、これに限らない。つまり、時間に関する条件は、複数設定されていてもよい。例えば、時間に関する条件は、曜日ごとに異なる時間帯であってもよい。具体的には、月曜日から金曜日までの平日においては、昼間の時間帯のデータを間引くように設定され、土曜日及び日曜日等の休日においては、早朝の時間帯のデータを間引くように設定されてもよい。また、例えば、時間に関する条件は、機器３の種類ごとに異なる時間帯に設定されてもよい。具体的には、照明器具３１と風呂３６とでデータを間引く時間帯が互いに異なるように設定されてもよい。

【0054】

本実施形態では、再学習部１５は、あらかじめ規定された特定期間にて学習済みモデルＭ１の再学習を行う。特定期間は、一例として、深夜等の計測装置１の処理負荷が比較的小さくなる時間帯である。この態様では、計測装置１の処理能力に余裕がある期間に学習済みモデルＭ１の再学習を行えるので、処理能力が比較的低い装置を計測装置１として採用することが可能になる。

【0055】

（２．２）学習装置
学習装置２は、図１に示すように、通信部２１と、モデル生成部２２と、記憶部２３と、を備えている。

【0056】

本実施形態では、学習装置２は、少なくとも一部が１以上のプロセッサ及びメモリを有するマイクロコントローラにて構成されている。言い換えれば、学習装置２の少なくとも一部は、１以上のプロセッサ及びメモリを有するコンピュータシステムにて実現されており、１以上のプロセッサがメモリに格納されているプログラムを実行することにより、コンピュータシステムが学習装置２の少なくとも一部として機能する。プログラムは、ここではメモリに予め記録されているが、インターネット等の電気通信回線を通じて、又はメモリカード等の非一時的な記録媒体に記録されて提供されてもよい。

【0057】

通信部２１は、有線通信又は無線通信の適宜の通信方式により、直接的、又はネットワーク若しくは中継器（ルータ等）を介して間接的に、計測装置１との間で信号を授受する。本実施形態では、通信部２１は、インターネット等のネットワークＮ１を介して計測装置１と通信するように構成されている。通信部２１は、モデル生成部２２にて生成した学習済みモデルＭ１を計測装置１に出力（送信）したり、計測装置１から出力された計測部１１の計測結果（学習用データ）を取得（受信）したりする。

【0058】

モデル生成部２２は、資源の使用状況を学習用データとして、計測装置１にて用いられる学習済みモデルＭ１を機械学習により生成する。具体的には、モデル生成部２２は、例えばＳＶＭ（Support Vector Machine）等の線形モデルの他、ニューラルネットワークを用いたモデル、又は多層ニューラルネットワークを用いた深層学習（ディープラーニング）によるモデル等を学習済みモデルＭ１として生成する。本実施形態では、モデル生成部２２は、ニューラルネットワークを用いたモデルを、学習済みモデルＭ１として生成する。ニューラルネットワークは、例えばＣＮＮ（Convolutional Neural Network：畳み込みニューラルネットワーク）、又はＢＮＮ（Bayesian Neural Network：ベイズニューラルネットワーク）等を含み得る。また、本実施形態では、モデル生成部２２は、既に述べたように、教師あり学習により学習済みモデルＭ１を生成する。

【0059】

モデル生成部２２は、従前に学習済みモデルＭ１が存在しない場合、計測装置１から取得した計測部１１の計測結果を学習用データとせずに、別途用意した資源の使用状況を学習用データとして、機械学習により学習済みモデルＭ１を生成する。また、モデル生成部２２は、既に学習済みモデルＭ１が存在する場合、計測装置１から取得した計測部１１の計測結果（つまり、資源の使用状況）を学習用データとして、機械学習により学習済みモデルＭ１を再学習して更新する。

【0060】

本実施形態では、学習装置２は、図１に示すように、複数の計測装置１の各々から計測部１１の計測結果を取得する。このため、本実施形態では、学習装置２は、１つの計測装置１のみから計測部１１の計測結果を取得する場合と比較して、多数かつ多様な学習用データを取得することができ、結果として再学習後の学習済みモデルＭ１の判定精度の向上が期待できる。

【0061】

記憶部２３は、例えば、ＥＥＰＲＯＭ等の電気的に書換え可能な不揮発性メモリ、又はＲＡＭ等の揮発性メモリ等を備える。記憶部２３は、計測装置１から取得した計測部１１の計測結果を記憶する。つまり、記憶部２３は、計測装置１から取得した学習用データを記憶する。学習用データは、学習済みモデルＭ１の再学習後に消去されてもよい。

【0062】

（３）動作
以下、計測装置１の動作の一例を図３を参照して、学習装置２の動作の一例を図４を参照して説明する。計測装置１の動作例においては、計測装置１は、未だ学習装置２から学習済みモデルＭ１を取得していない、と仮定する。また、学習装置２の動作例においては、学習装置２は、未だ学習済みモデルＭ１を生成していない、と仮定する。

【0063】

（３．１）計測装置
計測装置１においては、まず、取得部１２１は、学習装置２から出力される学習済みモデルＭ１を取得する（Ｓ１）。これ以降、判定部１３は、学習装置２から取得した学習済みモデルＭ１を用いて、所定の項目を判定することが可能になる。処理Ｓ１は、取得ステップＳＴ２に相当する。

【0064】

学習済みモデルＭ１を取得した以降においては、計測部１１は、定期的に資源の使用状況を計測する（Ｓ２）。そして、判定部１３は、計測部１１の計測結果を学習済みモデルＭ１に入力し、計測部１１の計測結果に基づいて所定の項目を判定する（Ｓ３）。処理Ｓ２は、計測ステップＳＴ１に相当する。処理Ｓ３は、判定ステップＳＴ３に相当する。計測部１１の計測結果と、これに紐づく判定部１３の判定結果とは、学習用データとして記憶部１４に記憶される（Ｓ４）。処理Ｓ２～Ｓ４は、学習用データが記憶部１４に所定数蓄積されるまで繰り返される（Ｓ５：Ｎｏ）。

【0065】

学習用データが記憶部１４に所定数蓄積されると（Ｓ５：Ｙｅｓ）、出力部１２２は、蓄積された学習用データ（計測部１１の計測結果）を学習装置２に出力する（Ｓ６）。また、再学習部１５は、蓄積された学習用データを用いて、学習済みモデルＭ１の再学習を行う（Ｓ７）。そして、記憶部１４に蓄積された学習用データは消去される。つまり、処理Ｓ７以降においては、記憶部１４には、新たに学習用データが蓄積されることになる。処理Ｓ６は、出力ステップＳＴ４に相当する。処理Ｓ７は、再学習ステップＳＴ５に相当する。

【0066】

その後、学習装置２にて学習済みモデルＭ１の再学習が行われ、学習装置２から再学習後の学習済みモデルＭ１（つまり、第２学習済みモデルＭ１２）のパラメータを取得する（Ｓ８：Ｙｅｓ）。処理Ｓ８：Ｙｅｓは、取得ステップＳＴ２に相当する。すると、判定部１３は、あらかじめ規定されたアルゴリズムに従って、既存の学習済みモデルＭ１（つまり、第１学習済みモデルＭ１１）及び第２学習済みモデルＭ１２のいずれを採用するかを決定する。第１学習済みモデルＭ１１を採用する場合（Ｓ９：Ｙｅｓ）、判定部１３は、特に何も実行しない。一方、第２学習済みモデルＭ１２を採用する場合（Ｓ９：Ｎｏ）、判定部１３は、学習装置２から取得したパラメータを用いて、学習済みモデルＭ１（第１学習済みモデルＭ１１）を第２学習済みモデルＭ１２に更新する（Ｓ１０）。なお、学習装置２から第２学習済みモデルＭ１２のパラメータを取得するまでは、判定部１３は、既存の学習済みモデルＭ１を用いて所定の項目を判定する（Ｓ８：Ｎｏ）。

【0067】

（３．２）学習装置
学習装置２においては、まず、モデル生成部２２は、あらかじめ用意された学習用データを用いて、学習済みモデルＭ１を生成する（Ｓ１１）。そして、学習装置２は、モデル生成部２２にて生成した学習済みモデルＭ１を計測装置１に出力する（Ｓ１２）。

【0068】

学習済みモデルＭ１を生成した以降においては、通信部２１は、計測装置１から出力される計測部１１の計測結果（つまり、学習用データ）を定期的に又は不定期に取得する（Ｓ１３）。通信部２１にて取得した学習用データは、記憶部２３に記憶される（Ｓ１４）。処理Ｓ１３，Ｓ１４は、学習用データが記憶部２３に所定数蓄積されるまで繰り返される（Ｓ１５：Ｎｏ）。

【0069】

学習用データが記憶部２３に所定数蓄積されると（Ｓ１５：Ｙｅｓ）、学習装置２は、蓄積された学習用データを用いて学習済みモデルＭ１の再学習を行う（Ｓ１６）。そして、学習装置２は、再学習後の学習済みモデルＭ１のパラメータを計測装置１に出力する（Ｓ１７）。以降、処理Ｓ１３～Ｓ１７が繰り返される。ここで、記憶部２３に蓄積された学習用データは消去される。つまり、処理Ｓ１７以降においては、記憶部２３には、新たに学習用データが蓄積されることになる。

【0070】

上述のように、本実施形態では、計測装置１は、機械学習により生成された学習済みモデルＭ１を用いて、資源の使用状況に含まれる特徴量から所定の項目を判定している。つまり、本実施形態では、判定部１３は、学習済みモデルＭ１を用いることにより、人間が規定した閾値を用いて所定の項目を判定するのではなく、人間では気づきにくい潜在的な特徴量を用いて所定の項目を判定することになる。したがって、本実施形態では、例えば資源の使用量と閾値とを比較するといった単純な判定手法により判定を行う場合と比較して、判定精度、及び判定可能な項目の多様さの向上を図りやすい、という利点がある。

【0071】

また、本実施形態では、計測装置１は、計測装置１にて学習済みモデルＭ１の再学習を行えるので、計測装置１の設置された環境（ここでは、施設Ｆ１）に固有の学習済みモデルＭ１を構築しやすい、という利点がある。つまり、学習装置２が生成（更新）する学習済みモデルＭ１は、任意の計測装置１の設置された環境を考慮しておらず、汎用的なモデルである。このため、学習装置２から取得した学習済みモデルＭ１を用いた場合、計測装置１の設置された環境に応じた判定を行えない可能性がある。

【0072】

一方、本実施形態では、計測装置１は、計測部１１の計測結果、つまり計測装置１の設置された環境に固有の情報を学習用データとして、学習済みモデルＭ１の再学習を行うことが可能である。このため、本実施形態では、計測装置１の設置された環境に応じた判定を行えるようになることが期待できる。

【0073】

（４）変形例
上述の実施形態は、本開示の様々な実施形態の一つにすぎない。上述の実施形態は、本開示の目的を達成できれば、設計等に応じて種々の変更が可能である。また、計測装置１と同様の機能は、計測方法の他に、（コンピュータ）プログラム、又はプログラムを記録した非一時的記録媒体等で具現化されてもよい。

【0074】

一態様に係る計測方法は、計測ステップＳＴ１と、判定ステップＳＴ３と、再学習ステップＳＴ５と、を有する。計測ステップＳＴ１は、資源の使用状況を計測するステップである。判定ステップＳＴ３は、資源の使用状況を学習用データとして所定の項目を出力するように機械学習された学習済みモデルＭ１を用いて、計測ステップＳＴ１の計測結果に基づく所定の項目を判定するステップである。再学習ステップＳＴ５は、計測ステップＳＴ１の計測結果を用いて、学習済みモデルＭ１の再学習を行うステップである。一態様に係る（コンピュータ）プログラムは、１以上のプロセッサに、上記の計測方法を実行させる。

【0075】

以下、上述の実施形態の変形例を列挙する。以下に説明する変形例は、適宜組み合わせて適用可能である。

【0076】

本開示における計測装置１は、それぞれコンピュータシステムを含んでいる。コンピュータシステムは、ハードウェアとしてのプロセッサ及びメモリを主構成とする。コンピュータシステムのメモリに記録されたプログラムをプロセッサが実行することによって、本開示における計測装置１としての機能が実現される。プログラムは、コンピュータシステムのメモリに予め記録されてもよく、電気通信回線を通じて提供されてもよく、コンピュータシステムで読み取り可能なメモリカード、光学ディスク、ハードディスクドライブ等の非一時的記録媒体に記録されて提供されてもよい。コンピュータシステムのプロセッサは、半導体集積回路（ＩＣ）又は大規模集積回路（ＬＳＩ）を含む１ないし複数の電子回路で構成される。ここでいうＩＣ又はＬＳＩ等の集積回路は、集積の度合いによって呼び方が異なっており、システムＬＳＩ、ＶＬＳＩ（Very Large Scale Integration）、又はＵＬＳＩ（Ultra Large Scale Integration）と呼ばれる集積回路を含む。さらに、ＬＳＩの製造後にプログラムされる、ＦＰＧＡ（Field-Programmable Gate Array）、又はＬＳＩ内部の接合関係の再構成若しくはＬＳＩ内部の回路区画の再構成が可能な論理デバイスについても、プロセッサとして採用することができる。複数の電子回路は、１つのチップに集約されていてもよいし、複数のチップに分散して設けられていてもよい。複数のチップは、１つの装置に集約されていてもよいし、複数の装置に分散して設けられていてもよい。ここでいうコンピュータシステムは、１以上のプロセッサ及び１以上のメモリを有するマイクロコントローラを含む。したがって、マイクロコントローラについても、半導体集積回路又は大規模集積回路を含む１ないし複数の電子回路で構成される。

【0077】

上述の実施形態では、判定部１３は、第１学習済みモデルＭ１１及び第２学習済みモデルＭ１２のいずれか一方を採用しているが、この態様に限らない。例えば、判定部１３は、第１学習済みモデルＭ１１及び第２学習済みモデルＭ１２の両方を採用してもよい。

【0078】

すなわち、図５に示すように、第１判定部１３１と、第２判定部１３２と、を備えていてもよい。第１判定部１３１は、上述の実施形態の判定部１３と同じであって、第１学習済みモデルＭ１１を用いて、計測部１１の計測結果に基づく所定の項目を判定する。第２判定部１３２は、判定部１３である第１判定部１３１とは別の判定部であって、第２学習済みモデルＭ１２を用いて、計測部１１の計測結果に基づく所定の項目を判定する。そして、第２学習済みモデルＭ１２は、第１学習済みモデルＭ１１とは別のモデルである。

【0079】

この態様では、計測装置１は、学習装置２から取得した最新の学習済みモデル（第２学習済みモデルＭ１２）を用いて所定の項目を判定することが可能である。また、この態様では、計測装置１は、計測装置１自体が備える第１学習済みモデルＭ１１も有している。このため、この態様では、仮に第２学習済みモデルＭ１２の判定精度が第１学習済みモデルＭ１１よりも劣化した場合でも、第１学習済みモデルＭ１１を用いて所定の項目を判定することが可能である。

【0080】

上述の実施形態では、計測装置１は、従前に学習済みモデルＭ１が存在しない状態においては、外部の学習装置２から取得した学習済みモデルＭ１を用いて判定を行っているが、この態様に限らない。例えば、計測装置１は、処理能力によっては、計測部１１の計測結果（つまり、資源の使用状況）を学習用データとして学習済みモデルＭ１を自ら生成し、生成した学習済みモデルＭ１を用いて判定を行ってもよい。

【0081】

上述の実施形態において、再学習部１５は、特定期間に依らず、学習済みモデルＭ１の再学習を行ってもよい。例えば、再学習部１５は、記憶部１４に学習用データが所定数蓄積された時点から、学習済みモデルＭ１の再学習を開始してもよい。

【0082】

上述の実施形態では、計測部１１は、資源として電力、水、及びガスを計測しているが、この態様に限らない。例えば、計測部１１は、電力、水、及びガスのうち少なくとも１つの資源を計測する態様であってもよい。

【0083】

上述の実施形態において、判定部１３の判定結果の正誤は、ユーザの入力によって評価するだけでなく、例えば計測装置１とは異なる他システムが評価してもよい。

【0084】

上述の実施形態において、学習済みモデルＭ１は、教師あり学習により生成されるだけでなく、教師なし学習により生成されてもよい。その他、学習済みモデルＭ１は、強化学習により生成されてもよい。

【0085】

上述の実施形態では、出力部１２２は、計測部１１の計測結果のうち、間引き条件に従って間引いたデータを学習装置２に出力しているが、計測部１１の計測結果の全てを学習装置２に出力してもよい。

【0086】

上述の実施形態において、計測装置１は、分電盤５の内部に収容されていなくてもよい。例えば、計測装置１は、分電盤５の外側において、施設Ｆ１の内壁又は外壁に取り付けられることで設置されてもよい。つまり、計測装置１は、分電盤５とは別に、壁に取り付け可能な構造を有していてもよい。一例として、計測装置１は、筐体を施設Ｆ１の内壁又は外壁にねじ止めすることにより、施設Ｆ１の内壁又は外壁に取り付けられる。

【0087】

上述の実施形態において、計測部１１は、資源としての電気の使用状況として、機器３に印加される電圧の値、又は電圧の特徴量を計測してもよい。電圧の特徴量は、一例として、電圧の周波数又は位相等である。ここでいう「電圧の周波数」には、電圧の高調波成分等が含まれ得る。

【0088】

上述の実施形態において、取得部１２１は、学習装置２にて学習済みモデルＭ１の再学習が行われた場合に、再学習後の学習済みモデルＭ１のパラメータのみを取得するのではなく、再学習後の学習済みモデルＭ１自体を取得してもよい。

【0089】

（まとめ）
以上述べたように、第１の態様に係る計測装置（１）は、計測部（１１）と、判定部（１３）と、再学習部（１５）と、を備える。計測部（１１）は、資源の使用状況を計測する。判定部（１３）は、資源の使用状況を学習用データとして所定の項目を出力するように機械学習された学習済みモデル（Ｍ１）を用いて、計測部（１１）の計測結果に基づく所定の項目を判定する。再学習部（１５）は、計測部（１１）の計測結果を用いて、学習済みモデル（Ｍ１）の再学習を行う。

【0090】

この態様によれば、判定精度、及び判定可能な項目の多様さの向上を図りやすい、という利点がある。また、この態様によれば、計測装置（１）は、計測装置（１）の設置された環境に固有の学習済みモデル（Ｍ１）を構築しやすい、という利点がある。

【0091】

第２の態様に係る計測装置（１）は、第１の態様において、取得部（１２１）を更に備える。取得部（１２１）は、学習済みモデル（Ｍ１）である第１学習済みモデル（Ｍ１１）と同一又は別の第２学習済みモデル（Ｍ１２）を、外部の学習装置（２）から取得する。判定部（１３）は、第１学習済みモデル（Ｍ１１）と、取得部（１２１）にて取得した第２学習済みモデル（Ｍ１２）と、のいずれか一方を採用する。

【0092】

この態様によれば、学習済みモデル（Ｍ１）の選択の自由度が向上する、という利点がある。

【0093】

第３の態様に係る計測装置（１）は、第２の態様において、第２判定部（１３２）を更に備える。第２判定部（１３２）は、判定部（１３）である第１判定部（１３１）とは別の判定部であって、第２学習済みモデル（Ｍ１２）を用いて、計測部（１１）の計測結果に基づく所定の項目を判定する。第２学習済みモデル（Ｍ１２）は、第１学習済みモデル（Ｍ１１）とは別のモデルである。

【0094】

この態様によれば、学習装置（２）から取得した最新の学習済みモデル（第２学習済みモデル（Ｍ１２））を用いることができる、という利点がある。

【0095】

第４の態様に係る計測装置（１）では、第１～第３のいずれかの態様において、再学習部（１５）は、計測部（１１）の計測結果のうち間引き条件に従って間引いたデータを用いて、学習済みモデル（Ｍ１）の再学習を行う。

【0096】

この態様によれば、再学習に不必要なデータを間引くことができるので、計測部（１１）の計測結果を全て再学習に用いる場合と比較して、学習済みモデル（Ｍ１）の最適化を図りやすい、という利点がある。

【0097】

第５の態様に係る計測装置（１）では、第４の態様において、間引き条件は、ユーザからの入力に関する条件を含む。

【0098】

この態様によれば、計測部（１１）の計測結果のうち、ユーザが学習済みモデル（Ｍ１）に反映させたいデータに限定して再学習することができるので、学習済みモデル（Ｍ１）の最適化を図りやすい、という利点がある。

【0099】

第６の態様に係る計測装置（１）では、第４又は第５の態様において、間引き条件は、判定部（１３）の判定結果の正誤に関する条件を含む。

【0100】

この態様によれば、計測部（１１）の計測結果のうち、判定部（１３）の判定結果が実際に正しかったデータ又は誤っていたデータに限定して再学習することができるので、学習済みモデル（Ｍ１）の最適化を図りやすい、という利点がある。

【0101】

第７の態様に係る計測装置（１）は、第１～第６のいずれかの態様において、計測部（１１）の計測結果を外部の学習装置（２）に出力する出力部（１２２）を更に備える。

【0102】

この態様によれば、計測部（１１）の計測結果を学習装置（２）での学習済みモデル（Ｍ１）の再学習に役立てることができる、という利点がある。

【0103】

第８の態様に係る計測装置（１）では、第７の態様において、出力部（１２２）は、計測部（１１）の計測結果のうち、計測部（１１）が計測した時間に関する時間情報は学習装置（２）に出力しない。

【0104】

この態様によれば、ユーザの行動を想起させるプライベートな情報を公に晒さなくて済む、という利点がある。

【0105】

第９の態様に係る計測装置（１）では、第８の態様において、時間情報は、再学習部（１５）での学習済みモデル（Ｍ１）の再学習に用いられる。

【0106】

この態様によれば、ユーザに適した学習済みモデル（Ｍ１）の最適化を図りやすい、という利点がある。

【0107】

第１０の態様に係る計測装置（１）では、第１～第９のいずれかの態様において、再学習部（１５）は、あらかじめ規定された特定期間にて学習済みモデル（Ｍ１）の再学習を行う。

【0108】

この態様によれば、処理負荷に余裕がある期間に学習済みモデル（Ｍ１）の再学習を行えるので、処理能力が比較的低い装置を採用することが可能になる、という利点がある。

【0109】

第１１の態様に係る計測装置（１）では、第１～第１０のいずれかの態様において、所定の項目は、資源を消費する機器（３）に関する機器情報と、ユーザに関するユーザ情報と、の少なくとも一方を含む。

【0110】

この態様によれば、機器（３）の状態及びユーザの状態の少なくとも一方を把握しやすくなる、という利点がある。

【0111】

第１２の態様に係るシステム（１００）は、第１～第１１のいずれかの態様の計測装置（１）と、学習装置（２）と、を備える。学習装置（２）は、資源の使用状況を学習用データとして、第１～第１１のいずれかの態様の計測装置（１）の判定部（１３）にて用いられる学習済みモデル（Ｍ１）を機械学習により生成する。

【0112】

この態様によれば、判定精度、及び判定可能な項目の多様さの向上を図りやすい、という利点がある。また、この態様によれば、計測装置（１）は、計測装置（１）の設置された環境に固有の学習済みモデル（Ｍ１）を構築しやすい、という利点がある。

【0113】

第１３の態様に係る計測方法は、計測ステップ（ＳＴ１）と、判定ステップ（ＳＴ３）と、再学習ステップ（ＳＴ５）と、を有する。計測ステップ（ＳＴ１）は、資源の使用状況を計測するステップである。判定ステップ（ＳＴ３）は、資源の使用状況を学習用データとして所定の項目を出力するように機械学習された学習済みモデル（Ｍ１）を用いて、計測ステップ（ＳＴ１）の計測結果に基づく所定の項目を判定するステップである。再学習ステップ（ＳＴ５）は、計測ステップ（ＳＴ１）の計測結果を用いて、学習済みモデル（Ｍ１）の再学習を行うステップである。

【0114】

この態様によれば、判定精度、及び判定可能な項目の多様さの向上を図りやすい、という利点がある。また、この態様によれば、計測方法の実行主体は、計測方法の実行主体の設置された環境に固有の学習済みモデル（Ｍ１）を構築しやすい、という利点がある。

【0115】

第１４の態様に係るプログラムは、１以上のプロセッサに、第１３の態様の計測方法を実行させる。

【0116】

この態様によれば、判定精度、及び判定可能な項目の多様さの向上を図りやすい、という利点がある。また、この態様によれば、計測方法の実行主体は、計測方法の実行主体の設置された環境に固有の学習済みモデル（Ｍ１）を構築しやすい、という利点がある。

【0117】

第２～第１１の態様に係る構成については、計測装置（１）に必須の構成ではなく、適宜省略可能である。

【符号の説明】

【0118】

１００ システム
１ 計測装置
１１ 計測部
１２１ 取得部
１２２ 出力部
１３ 判定部
１３１ 第１判定部
１３２ 第２判定部
１５ 再学習部
２ 学習装置
３ 機器
Ｍ１ 学習済みモデル
Ｍ１１ 第１学習済みモデル
Ｍ１２ 第２学習済みモデル
ＳＴ１ 計測ステップ
ＳＴ３ 判定ステップ
ＳＴ５ 再学習ステップ

【図1】

【図2】

【図3】

【図4】

【図5】