特許 7494014 情報処理システム

(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】2024-05-24

(45)【発行日】2024-06-03

(54)【発明の名称】情報処理システム

(51)【国際特許分類】

   G06Q 30/0201 20230101AFI20240527BHJP

   A47L 9/28 20060101ALI20240527BHJP

   G06N 5/04 20230101ALI20240527BHJP

【ＦＩ】

G06Q30/0201

A47L9/28 L

A47L9/28 E

A47L9/28 K

A47L9/28 N

A47L9/28 J

A47L9/28 Z

G06N5/04

【請求項の数】 11

(21)【出願番号】P 2020094075

(22)【出願日】2020-05-29

(65)【公開番号】P2021189726

(43)【公開日】2021-12-13

【審査請求日】2022-12-15

(73)【特許権者】

【識別番号】503376518

【氏名又は名称】東芝ライフスタイル株式会社

(74)【代理人】

【識別番号】100141139

【弁理士】

【氏名又は名称】及川 周

(74)【代理人】

【識別番号】100205785

【弁理士】

【氏名又は名称】▲高▼橋 史生

(74)【代理人】

【識別番号】100203297

【弁理士】

【氏名又は名称】橋口 明子

(74)【代理人】

【識別番号】100175824

【弁理士】

【氏名又は名称】小林 淳一

(74)【代理人】

【識別番号】100135301

【弁理士】

【氏名又は名称】梶井 良訓

(72)【発明者】

【氏名】金山 将也

(72)【発明者】

【氏名】丸谷 裕樹

(72)【発明者】

【氏名】中川 達也

(72)【発明者】

【氏名】瀧川 正史

【審査官】田上 隆一

(56)【参考文献】

【文献】国際公開第２０１４／０９７５８９（ＷＯ，Ａ１）

【文献】特開２０１８－０４９３２１（ＪＰ，Ａ）

【文献】特開２０１９－０３６１９１（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｑ １０／００－９９／００

Ａ４７Ｌ ９／２８

Ｇ０６Ｎ ５／０４

(57)【特許請求の範囲】

【請求項1】

電気掃除機から送信されたデータを取得する取得部と、
電気掃除機に関する情報が入力されるとユーザの属性の推定結果を出力するように学習されたモデルを用いて、前記取得部により取得された前記データから得られる入力情報に基づき前記電気掃除機のユーザの属性を推定する推定部と、
を備え、
前記入力情報は、前記電気掃除機が有するセンサにより検出された前記電気掃除機のハンドルを把持するグリップ力もしくはグリップ位置に関する情報、前記電気掃除機のヘッドに対する延長管の角度に関する情報、または前記電気掃除機に作用した加速度に関する情報を含み、
前記推定部は、前記ユーザの属性として、同居家族の人数を推定する、
情報処理システム。

【請求項2】

前記入力情報は、前記センサにより検出された前記電気掃除機のハンドルを把持するグリップ力もしくはグリップ位置に関する情報、前記電気掃除機のヘッドに対する延長管の角度に関する情報、または前記電気掃除機に作用した加速度に関する情報である第１情報と、前記第１情報と関連付けて取得される情報であって、前記電気掃除機が使用された曜日および時間帯に関する第２情報とを含み、
前記推定部は、前記ユーザの属性として、前記同居家族の人数を推定するとともに、２名以上の同居家族が存在すると推定される場合、前記２名以上の同居家族の構成員ごとの就業形態に関する属性を推定する、
請求項１に記載の情報処理システム。

【請求項3】

前記入力情報は、前記電気掃除機の運転時間に関する情報、前記電気掃除機の内部に所定量のゴミが溜まるまでの時間に関する情報、前記電気掃除機の運転終了から運転再開までの時間に関する情報、前記電気掃除機の電源のＯＮ／ＯＦＦ回数に関する情報、前記電気掃除機のヘッドが持ち上げられた回数に関する情報、前記電気掃除機が使用された曜日および時間帯に関する情報、前記電気掃除機と同一のユーザの識別情報と対応付けてサーバに登録されている電気掃除機の台数に関する情報、またはロボットクリーナである前記電気掃除機によって生成された地図に関する情報を含み、
前記推定部は、前記ユーザの属性として、前記同居家族に関する属性を推定する、
請求項１または請求項２に記載の情報処理システム。

【請求項4】

前記推定部は、前記電気掃除機の運転時間に関する情報と、前記電気掃除機の内部に所定量のゴミが溜まるまでの時間に関する情報とに基づき、前記同居家族に関する属性を推定する、
請求項３に記載の情報処理システム。

【請求項5】

前記入力情報は、前記電気掃除機により吸引されたゴミの種類に関する情報であって前記電気掃除機が有するカメラの撮像データに基づいて生成されて特定種類のゴミが所定量を超えて存在するか否かを示す情報を含み、
前記推定部は、前記ユーザの属性として、子供の有無またはペットの有無に関する属性を推定する、
請求項１から請求項４のうちいずれか１項に記載の情報処理システム。

【請求項6】

前記入力情報は、前記電気掃除機のヘッドに対する延長管の角度に関する情報、前記電気掃除機のハンドルに対するユーザのグリップ力に関する情報、前記電気掃除機に作用した加速度に関する情報、前記電気掃除機のフィルタ詰まりの回数に関する情報、前記電気掃除機により吸引されたゴミの種類に関する情報であって前記電気掃除機が有するカメラの撮像データに基づいて生成されて特定種類のゴミが所定量を超えて存在するか否かを示す情報、またはキャニスタ型である前記電気掃除機の使用態様に関する情報を含み、
前記推定部は、前記ユーザの属性として、性別に関する属性を推定する、
請求項１から請求項５のうちいずれか１項に記載の情報処理システム。

【請求項7】

前記入力情報は、前記電気掃除機の機種を特定可能な情報を含み、
前記推定部は、前記ユーザの属性として、年齢に関する属性を推定する、
請求項１から請求項６のうちいずれか１項に記載の情報処理システム。

【請求項8】

前記入力情報は、前記電気掃除機が使用された曜日および時間帯に関する情報、またはロボットクリーナである前記電気掃除機が稼働した曜日および時間帯に関する情報を含み、
前記推定部は、前記ユーザの属性として、就業形態に関する属性を推定する、
請求項１から請求項７のうちいずれか１項に記載の情報処理システム。

【請求項9】

前記入力情報は、前記電気掃除機の運転時間に関する情報、コードありタイプである前記電気掃除機の外部電源へのつなぎ直し回数に関する情報、前記電気掃除機に対して着脱された付属品に関する情報、前記電気掃除機のヘッドに設けられたライトの点灯状態に関する情報、前記電気掃除機と同一のユーザの識別情報と対応付けてサーバに登録されている電気掃除機の台数に関する情報、キャニスタ型である前記電気掃除機の本体部の移動に関する情報、キャニスタ型である前記電気掃除機のコードの引出量に関する情報、ロボットクリーナである前記電気掃除機によって生成された地図に関する情報、またはロボットクリーナである前記電気掃除機の落下防止センサの検出結果に関する情報を含み、
前記推定部は、前記ユーザの属性として、住居に関する属性を推定する、
請求項１から請求項８のうちいずれか１項に記載の情報処理システム。

【請求項10】

前記入力情報は、前記電気掃除機のブラシモータの負荷状態に関する情報、前記電気掃除機のヘッドに作用する加速度に関する情報、または前記電気掃除機に設けられたゴミセンサの検出結果に関する情報を含み、
前記推定部は、前記ユーザの属性として、部屋の床面タイプに関する属性を推定する、 請求項１から請求項９のうちいずれか１項に記載の情報処理システム。

【請求項11】

前記入力情報は、前記電気掃除機で検出された温度に関する情報、または前記電気掃除機が接続された外部電源の周波数に関する情報を含み、
前記推定部は、前記ユーザの属性として、居住地域に関する属性を推定する、
請求項１から請求項１０のうちいずれか１項に記載の情報処理システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の実施形態は、情報処理システムに関する。

【背景技術】

【0002】

通信インターフェイスを介して外部の機器から掃除動作部に係るデータを受信し、受信したデータに基づいた制御を実行する電気掃除機が知られている。

【0003】

ところで、製品開発やサービス提供などのためにユーザの属性情報を収集したい場合がある。この場合、ユーザにアンケートやウェブ上での登録などをお願いする必要があり、情報の収集負担が大きい場合がある。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１９－０００４４２号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

本発明が解決しようとする課題は、ユーザの属性情報の収集負担の低減を図ることができる情報処理システムを提供することである。

【課題を解決するための手段】

【0006】

実施形態の情報処理システムは、取得部と、推定部とを持つ。前記取得部は、電気掃除機から送信されたデータを取得する。前記推定部は、電気掃除機に関する情報が入力されるとユーザの属性の推定結果を出力するように学習されたモデルを用いて、前記取得部により取得された前記データから得られる入力情報に基づき前記電気掃除機のユーザの属性を推定する。前記入力情報は、前記電気掃除機が有するセンサにより検出された前記電気掃除機のハンドルを把持するグリップ力もしくはグリップ位置に関する情報、前記電気掃除機のヘッドに対する延長管の角度に関する情報、または前記電気掃除機に作用した加速度に関する情報を含む。前記推定部は、前記ユーザの属性として、同居家族の人数を推定する。

【図面の簡単な説明】

【0007】

【図1】第１実施形態の情報処理システムの全体構成を示す図。

【図2】第１実施形態の電気掃除機の一例を示す斜視図。

【図3】第１実施形態の電気掃除機のセンサおよび制御部の構成を示すブロック図。

【図4】第１実施形態の電気掃除機から送信されるデータの一部を概念的に示す図。

【図5】第１実施形態のサーバの構成を示すブロック図。

【図6】第１実施形態のユーザ登録情報の内容の一例を示す図。

【図7】第１実施形態の教師なし学習に関係する推定モデルの一例を示す図。

【図8】第１実施形態の教師あり学習に関係する推定モデルの一例を示す図。

【図9】第１実施形態のユーザ属性情報の内容の一例を示す図。

【図10】第１実施形態の電気掃除機における処理の流れを示すフローチャート。

【図11】第１実施形態のサーバにおける処理の流れを示すフローチャート。

【図12】第２実施形態のサーバの構成を示すブロック図。

【図13】第３実施形態のサーバの構成を示すブロック図。

【発明を実施するための形態】

【0008】

以下、実施形態の情報処理システムを、図面を参照して説明する。以下の説明では、同一または類似の機能を有する構成に同一の符号を付す。そして、それら構成の重複する説明は省略する場合がある。「ＸＸに基づく」とは、「少なくともＸＸに基づく」ことを意味し、ＸＸに加えて別の要素に基づく場合も含み得る。「ＸＸに基づく」とは、ＸＸを直接に用いる場合に限定されず、ＸＸに対して演算や加工が行われたものに基づく場合も含み得る。「ＸＸまたはＹＹ」とは、ＸＸとＹＹのうちいずれか一方の場合に限定されず、ＸＸとＹＹの両方の場合も含み得る。これは選択的要素が３つ以上の場合も同様である。「ＸＸ」および「ＹＹ」は、任意の要素（例えば任意の情報）である。

【0009】

（第１実施形態）
＜１．情報処理システムの全体構成＞
図１は、実施形態の情報処理システム（ユーザ情報収集システム）１の全体構成を示す図である。情報処理システム１は、例えば、各家庭に配置された電気掃除機１００、サーバ２００、および端末装置３００を含む。ただし、本明細書で「情報処理システム」とは、電気掃除機１００および端末装置３００を含まず、サーバ２００のみを意味してもよい。後述するネットワークＮＷは、例えば、インターネット、セルラー網、Ｗｉ－Ｆｉ網、ＬＰＷＡ（Low Power Wide Area）、ＷＡＮ（Wide Area Network）、ＬＡＮ（Local Area Network）、その他の公衆回線、専用回線などを状況に応じて利用すればよい。

【0010】

電気掃除機１００は、ユーザＵの住居内に配置される。電気掃除機１００は、例えば、ユーザＵの住居内に配置された無線ルータＲおよびネットワークＮＷを介して、サーバ２００と通信可能である。電気掃除機１００については、詳しく後述する。

【0011】

サーバ２００は、１台以上のサーバ装置ＳＤ（例えばクラウドサーバ）で構成される。サーバ２００は、「サーバシステム」と称されてもよい。サーバ２００は、ネットワークＮＷ中のルータに含まれる情報処理部など、エッジコンピューティングやフォグコンピューティングを行う情報処理部を含んでもよい。サーバ２００については、詳しく後述する。

【0012】

端末装置３００は、パーソナルコンピュータなどの機器であり、ネットワークＮＷを介してサーバ２００と通信可能である。端末装置３００は、液晶ディスプレイまたは有機ＥＬディスプレイ（Electro Luminescence）ディスプレイなどの表示装置３００ａを含む。ただし、端末装置３００とサーバ装置ＳＤは、１つの装置で一体に設けられてもよい。

【0013】

＜２．電気掃除機＞
＜２．１ 電気掃除機の全体構成＞
図２は、電気掃除機１００の一例を示す斜視図である。本実施形態の電気掃除機１００は、いわゆるスティック型の電気掃除機であり、バッテリ１５が内蔵されたコードレスタイプの電気掃除機である。電気掃除機１００は、例えば、掃除機本体１０、延長管２０、およびヘッド（吸込口体）３０を備えている。

【0014】

掃除機本体１０は、例えば、本体ケース１１、ハンドル（把持部）１２、集塵装置１３、電動送風機１４、バッテリ１５、回路基板１６、および通信モジュール１７（図３参照）を有する。

【0015】

本体ケース１１は、掃除機本体１０の外郭を形成している。本体ケース１１は、電動送風機１４、バッテリ１５、回路基板１６、および通信モジュール１７などを収容している。本体ケース１１は、後述する延長管２０の一端が接続される延長管接続部１１ａを有する。

【0016】

ハンドル１２は、本体ケース１１の上後端部に設けられている。ハンドル１２は、電気掃除機１００を用いて床面（被掃除面）を掃除する際に、ユーザＵにより把持される部位である。ハンドル１２は、ユーザＵによって操作される操作ボタン１２ａを有する。

【0017】

集塵装置１３は、本体ケース１１に着脱可能に装着されている。集塵装置１３は、後述する電動送風機１４の働きにより掃除機本体１０に吸い込まれた空気中に含まれる塵埃を分離する装置である。例えば、集塵装置１３は、分離部１３ａと、フィルタ１３ｂとを含む遠心分離式の集塵装置である。分離部１３ａは、吸い込まれた空気に含まれる塵埃を空気から遠心分離(サイクロン分離)する。フィルタ１３ｂは、分離部１３ａを通過した空気中に僅かに残る塵埃を分離(濾過分離)する。ただし、集塵装置１３は、遠心分離式の集塵装置に限らず、紙パックなどを含む濾過式の集塵装置でもよい。

【0018】

電動送風機１４は、ファンモータまたはメインモータと呼ばれるモータと、モータにより回転されるインペラとを含み、駆動されることで負圧を発生させる。電動送風機１４は、発生させた負圧により後述するヘッド３０の吸込口３１ａから集塵装置１３へ含塵空気を吸い込み、集塵装置１３で塵埃が分離された空気を電気掃除機１００の外部に排気する。

【0019】

バッテリ１５は、電動送風機１４および後述するブラシモータ３４などに電力を供給する電源部である。回路基板１６は、配線パターンが設けられたプリント配線板と、プリント配線板に実装された複数の電子部品とを含む。回路基板１６は、電気掃除機１００の動作を制御する制御部８０（図３参照）を実現する。通信モジュール１７は、例えば高周波回路とアンテナを含み、ルータＲと無線通信可能である。

【0020】

また、掃除機本体１０には、ブロアアタッチメント１８が着脱自在に取り付けられる。ブロアアタッチメント１８は、掃除機本体１０の排気風路に接続されるノズルである。ブロアアタッチメント１８が取り付けられると、ユーザＵは、ブロアアタッチメント１８から吹き出される排気を利用して掃除を行うことができる。ブロアアタッチメント１８は、「付属品」の一例である。

【0021】

次に、延長管２０について説明する。延長管２０は、例えば長尺状に形成されており、第１端部２０ａと、第２端部２０ｂとを有する。延長管２０の第１端部２０ａは、掃除機本体１０の延長管接続部１１ａに気密に接続される。延長管２０の第２端部２０ｂは、ヘッド３０に気密に接続される。延長管２０の内部には、掃除機本体１０とヘッド３０とを電気的に接続する接続配線が設けられている。

【0022】

次に、ヘッド３０について説明する。ヘッド３０は、床面に沿って移動される部分である。ヘッド３０は、例えば、ヘッドケース３１、接続管３２、回転ブラシ３３、ブラシモータ３４、およびライト３５を有する。

【0023】

ヘッドケース３１は、横長、すなわち左右方向に長手状に形成されている。ヘッドケース３１は、ブラシモータ３４を収容している。ヘッドケース３１は、床面に対向する下部に、吸込口３１ａを有する。吸込口３１ａは、電動送風機１４が駆動されることで、床面の塵埃を吸い込む開口部である。

【0024】

接続管３２は、ヘッドケース３１と延長管２０の第２端部２０ｂとを気密に接続する部分であり、ヘッドケース３１に回動可能に接続されている。接続管３２によりヘッドケース３１と延長管２０とが接続されることで、ヘッドケース３１の吸込口３１ａから延長管２０を経由して掃除機本体１０に至る風路が形成される。

【0025】

回転ブラシ３３は、吸込口３１ａに設けられ、床面に沿って配置されている。回転ブラシ３３は、ヘッドケース３１に対して回動可能に設けられている。回転ブラシ３３は、床面から塵埃を浮かせるまたは絨毯などの毛先を立たせるなどの働きをする。ブラシモータ３４は、不図示の回転駆動機構を介して回転ブラシ３３に接続され、回転ブラシ３３を駆動する（回転させる）。ライト３５は、ヘッドケース３１に設けられ、ヘッド３０が薄暗いところ（ベッドやソファの下または家具の隙間など）に挿入された場合、後述する照度センサ６５の検出結果に基づき点灯される。

【0026】

ここで、延長管２０の第２端部２０ｂには、ヘッド３０に代えて、種々の付属品３６が着脱自在に取り付け可能である。付属品３６は、例えば、隙間ノズル３６Ａ、丸ブラシ３６Ａ、または布団掃除用のヘッド３６Ｃなどである。これら付属品３６は、延長管２０に代えて、本体ケース１１の延長管接続部１１ａに着脱自在に取り付け可能であってもよい。

【0027】

＜２．２ 電気掃除機のセンサ群および制御部の構成＞
図３は、電気掃除機１００のセンサ群および制御部８０の構成を示すブロック図である。電気掃除機１００は、例えば、電動送風機電流検出部４１、電源検出部４２、バッテリ残量検出部４３、バッテリ温度センサ４４、本体加速度センサ４５、本体ジャイロセンサ４６、グリップ力検出部４７、ゴミセンサ４８、カメラ４９、集塵装置検出スイッチ５０、ブロアアタッチメント検出スイッチ５１、ブラシモータ電流検出部６１、エンコーダ６２、ヘッド加速度センサ６３、ヘッドジャイロセンサ６４、照度センサ６５、延長管角度センサ６６、および付属品検出スイッチ６７を有する。以下、これらを纏めて「センサ群ＳＵ」と称する場合がある。ただし、電気掃除機１００は、これらセンサやスイッチなどを全て備える必要はない。

【0028】

電動送風機電流検出部４１は、シャント抵抗などを含み、バッテリ１５から電動送風機１４のモータに流れる電流の電流値を検出する。電動送風機１４のモータに流れる電流の電流値は、電動送風機１４の負荷に比例する。例えば、フィルタ１３ｂが目詰まりし、電動送風機１４の負荷が大きくなると、電動送風機電流検出部４１により検出される電流値が大きくなる。このため、電動送風機電流検出部４１は、電動送風機１４の負荷（例えばフィルタ１３ｂの詰まり）を検出する検出部とも言える。また別の観点では、ヘッド３０が床面から浮かされ、電動送風機１４の負荷が小さくなると、電動送風機電流検出部４１により検出される電流値が小さくなる。このため、電動送風機電流検出部４１は、床面に対するヘッド３０の状態（例えばヘッド３０の上げ下げ）を検出する検出部とも言える。

【0029】

電源検出部４２は、充電のために電気掃除機１００が外部の商用電源（例えば家庭用のコンセント）に接続された場合、商用電源に接続されたこと、および商用電源の交流周波数が５０Ｈｚであるか、６０Ｈｚであるかを検出する。

【0030】

バッテリ残量検出部４３は、バッテリ１５の電圧に基づき、バッテリ１５の残容量を検出する。バッテリ温度センサ４４は、バッテリ１５に隣接して設けられ、バッテリ１５の温度を検出する。バッテリ１５の温度は、電気掃除機１００の運転開始直後では電気掃除機１００の周囲環境の温度（室温）とほぼ同じである。このため、バッテリ温度センサ４４は、ユーザＵの住居の室温を検出する検出部とも言える。なお、電気掃除機１００は、バッテリ温度センサ４４とは別に、室温を検出する専用のセンサを有してもよい。

【0031】

本体加速度センサ４５は、掃除機本体１０に設けられ、掃除機本体１０の加速度を検出する。本体ジャイロセンサ４６は、掃除機本体１０に設けられ、掃除機本体１０の角速度を検出する。

【0032】

グリップ力検出部４７は、ハンドル１２に設けられた感圧センサを含み、ハンドル１２を把持するユーザの力（グリップ力）および／またはハンドル１２のなかでユーザＵが把持する位置（グリップ位置）を検出する。ここで一般的に、男性のグリップ力が女性のグリップ力よりも大きい場合が多い。また、グリップ位置は、ユーザＵによって異なる癖が表れる要素である。

【0033】

ゴミセンサ４８は、例えば掃除機本体１０の吸気風路に設けられている。ゴミセンサ４８は、例えば吸気風路の左右の内側面に分かれて配置された発光部と受光部とを有し、発光部から受光部に向かう光が吸気風路を通過するゴミによって遮られることで、吸い込まれたゴミを検出する。例えば、ゴミセンサ４８は、発光部から受光部に向かう光が遮られている間、ゴミを吸っていると判定する。一方で、ゴミセンサ４８は、発光部から受光部に向かう光が遮られていない間、ゴミを吸っていないと判定する。ゴミセンサ４８（または、電気掃除機１００の制御部８０、或いは後述するサーバ２００の情報変換部２０２）は、ゴミを吸っている時間とゴミを吸っていない時間との比（言い換えると、動作時間中におけるゴミを吸っている時間）に基づいて、吸ったゴミの量を測定する。

【0034】

カメラ４９は、例えば、掃除機本体１０の集塵装置１３に設けられ、集塵装置１３の内部に溜まったゴミを撮像する。これに代えて、カメラ４９は、ヘッド３０に設けられ、ヘッド３０の前方に存在するゴミ（例えば、ヘッド３０により吸い込む直前のゴミ）を撮像してもよい。または、カメラ４９は、掃除機本体１０の吸気風路に設けられ、電気掃除機１００によって吸い込まれたゴミを撮影してもよい。カメラ４９は、ゴミの種類を検出する検出部である。なお、「カメラ４９がゴミの種類を検出する」とは、例えば、カメラ４９によって撮像された撮像データに対して電気掃除機１００の制御部８０、または後述するサーバ２００の情報変換部２０２による画像認識（例えば、パターンマッチングまたはニューラルネットワークを用いた画像認識）が行われ、ゴミの種類が判定されることを意味する。

【0035】

集塵装置検出スイッチ５０は、集塵装置１３に隣接する位置に設けられ、掃除機本体１０に対する集塵装置１３の着脱状態を検出する。ブロアアタッチメント検出スイッチ５１は、掃除機本体１０にブロアアタッチメント１８が取り付けられた場合にブロアアタッチメント１８に隣接する位置に設けられ、掃除機本体１０に対するブロアアタッチメント１８の取り付け状態を検出する。

【0036】

ブラシモータ電流検出部６１は、シャント抵抗などを含み、バッテリ１５からブラシモータ３４に流れる電流の電流値を検出する。ブラシモータ３４に流れる電流の電流値は、ブラシモータ３４の負荷に比例する。例えば、床面が絨毯であり、電動送風機１４の負荷が大きくなると、ブラシモータ３４により検出される電流値が大きくなる。このため、ブラシモータ電流検出部６１は、床面タイプ（フローリング／カーペット／絨毯など）を検出する検出部とも言える。

【0037】

エンコーダ６２は、回転ブラシ３３（またはブラシモータ３４）に設けられ、回転ブラシ３３（またはブラシモータ３４）の回転数を検出する。例えば床面が絨毯であり、回転ブラシ３３の回転数が落ちると、エンコーダ６２により検出される回転数が小さくなる。このため、エンコーダ６２は、床面タイプ（フローリング／カーペット／絨毯など）を検出する検出部とも言える。なお、床面タイプを検出する検出部は、ブラシモータ電流検出部６１またはエンコーダ６２に代えて／加えて、床面に光を照射し、その反射光の特性で床面タイプを検出する検出部でもよい。

【0038】

ヘッド加速度センサ６３は、ヘッド３０に設けられ、ヘッド３０の加速度を検出する。ヘッドジャイロセンサ６４は、ヘッド３０に設けられ、ヘッド３０の角速度を検出する。

【0039】

照度センサ６５は、ヘッド３０に設けられ、ヘッド３０が薄暗いところ（ベッドやソファの下または家具の隙間など）に挿入された場合、照度が所定量以下であることを検出する。照度センサ６５により照度が所定量以下であることを検出された場合、後述する制御部８０は、ライト３５を点灯させ、薄暗いところを照らす。

【0040】

延長管角度センサ６６は、ヘッド３０の接続管３２に設けられ、ヘッド３０に対する延長管２０の角度（図２中の角度α）を検出する。例えば、電気掃除機１００を使用するユーザの身長が高い場合、ヘッド３０に対する延長管２０の角度が大きくなる。一方で、電気掃除機１００を使用するユーザの身長が低い場合、ヘッド３０に対する延長管２０の角度が小さくなる。このため、延長管角度センサ６６は、ユーザの身長を検出する検出部とも言える。ここで一般的に、男性の身長が女性の身長よりも高い場合が多い。

【0041】

付属品検出スイッチ６７は、延長管２０の第２端部２０ｂ、および／または掃除機本体１０の延長管接続部１１ａに設けられ、延長管２０の第２端部２０ｂまたは掃除機本体１０の延長管接続部１１ａに対する付属品３６の装着状態を検出する。さらに、後述する制御部８０は、付属品検出スイッチ６７により物体の装着が検出されている状態で、当該物体に対する通電状態を検出する。そして、制御部８０は、装着された物体が通電した場合、物体がヘッド３０であると判定する。一方で、制御部８０は、装着された物体が通電しない場合、物体が付属品３６であると判定する。以下の説明で「付属品検出スイッチ６７の検出結果」とは、上述した制御部８０による通電状態の検出結果を含む意味で用いる。さらに、付属品検出スイッチ６７は、付属品３６の種別（隙間ノズル３６Ａ、丸ブラシ３６Ｂ、または布団掃除用のヘッド３６Ｃ）を検出可能であってもよい。

【0042】

次に、制御部８０について説明する。制御部８０は、例えば、操作受付部８１、モータ制御部８２、情報記録部８３、および情報出力部８４を含む。これら機能部は、電気掃除機１００に搭載されたＣＰＵ（Central Processing Unit）のようなハードウェアプロセッサがプログラム（ソフトウェア）を実行することにより実現される。ただし、これら機能部の全部または一部は、ＡＳＩＣ（Application Specific Integrated Circuit）、ＰＬＤ（Programmable Logic Device）、またはＦＰＧＡ（Field Programmable Gate Array）などのハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアとの協働によって実現されてもよい。

【0043】

さらに、制御部８０は、記憶部８５を含む。記憶部８５は、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、ＨＤＤ（Hard Disk Drive）、フラッシュメモリ、またはこれらのうち複数の組み合わせにより実現される。記憶部８５には、識別情報Ｉ１と、状態情報Ｉ２とが記憶される。

【0044】

操作受付部８１は、電気掃除機１００の操作ボタン１２ａに対するユーザＵの操作に基づき、電気掃除機１００に対するユーザＵの操作を受け付ける。操作受付部８１により受け付けられるユーザＵの操作は、例えば、電気掃除機１００の電源のＯＮ／ＯＦＦ、電動送風機１４の運転モード（弱／強／自動など）、および回転ブラシ３３の回転のＯＮ／ＯＦＦなどである。

【0045】

モータ制御部８２は、操作受付部８１により受け付けられたユーザＵの操作に基づき、バッテリ１５から電動送風機１４に電力を供給し、電動送風機１４を駆動する。同様に、モータ制御部８２は、操作受付部８１により受け付けられたユーザＵの操作に基づき、バッテリ１５からブラシモータ３４に電力を供給し、ブラシモータ３４を駆動する。

【0046】

情報記録部８３は、例えばモータ制御部８２から出力される制御指令および不図示のタイマを参照し、電気掃除機１００の運転状態と日時情報とを対応付けて、記憶部８５の状態情報Ｉ２に追加する。「電気掃除機１００の運転状態」は、例えば、電気掃除機１００の電源のＯＮ／ＯＦＦの状態、および電動送風機１４の運転モードなどを含む。日時情報は、曜日および時刻を示す情報を含む。さらに、情報記録部８３は、センサ群ＳＵの検出結果と日時情報とを対応付けて、記憶部８５の状態情報Ｉ２に追加する。センサ群ＳＵの検出結果は、上述した各種センサやスイッチの検出結果である。これら情報は、生データが記録されてもよいし、必要な演算（加工）が行われた状態で記録されてもよい。

【0047】

情報出力部８４は、通信モジュール１７を介して、記憶部８５に記憶された状態情報Ｉ２をサーバ２００に送信する。情報出力部８４は、例えば所定の周期で、状態情報Ｉ２をサーバ２００に送信する。このとき、情報出力部８４は、状態情報Ｉ２と、記憶部８５に記憶された識別情報Ｉ１とを紐付けてサーバ２００に送信する。識別情報Ｉ１は、電気掃除機１００を識別するために各電気掃除機１００に付与された機器ＩＤである。状態情報Ｉ２および識別情報Ｉ１は、電気掃除機１００からサーバ２００に送信されるデータの一例である。以下では、状態情報Ｉ２および識別情報Ｉ１を纏めて「データＤ」と称する。

【0048】

なお上記構成に代えて、情報記録部８３が省略され、情報出力部８４は、電気掃除機１００の運転状態およびセンサ群ＳＵの検出結果を、リアルタイムでサーバ２００に送信してもよい。この場合、電気掃除機１００の運転状態およびセンサ群ＳＵの検出結果と、日時情報との対応付けは、サーバ２００で行われてもよい。

【0049】

図４は、電気掃除機１００から送信されるデータＤの一部を概念的に示す図である。図４は、会社員の夫と専業主婦の妻の２人暮らしの家庭で得られるデータＤの例を示す。なお図中の「電気掃除機の運転時間」は、本実施形態では実際にはサーバ２００で算出される指標であるが、イメージを伝えやすくするため、ここでは図４に含めて示す。

【0050】

図４に示すデータＤでは、平日である月曜午後、水曜午後、金曜午後、および休日である日曜午前に掃除が行われていることが分かる。また、月曜午後、水曜午後、および金曜午後に掃除を行ったユーザの身長よりも日曜午前に掃除を行ったユーザの身長が高く、月曜午後、水曜午後、および金曜午後に掃除を行ったユーザのグリップ力よりも日曜午前に掃除を行ったユーザのグリップ力が大きいことが分かる。これらの情報を分析することで、例えば、少なくとも２人の家族構成員がおり、それら家族構成員は男性と女性を含み、土日が休みの男性と、非就業者またはパートタイムである女性が存在する可能性が高いことが推定可能である。

【0051】

＜３．サーバ＞
図５は、サーバ２００の構成を示すブロック図である。サーバ２００は、例えば、情報取得部２０１、情報変換部２０２、学習部２０３、ユーザ属性推定部２０４、情報記録部２０５、および情報出力部２０６を含む。これら機能部は、サーバ２００が有するＣＰＵのようなハードウェアプロセッサがプログラム（ソフトウェア）を実行することにより実現される。ただし、これら機能部の全部または一部は、ＡＳＩＣ、ＰＬＤ、またはＦＰＧＡなどのハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアとの協働によって実現されてもよい。

【0052】

さらに、サーバ２００は、記憶部２０７を有する。記憶部２０７は、例えば、ＲＡＭ、ＲＯＭ、ＨＤＤ、フラッシュメモリ、またはこれらのうち複数の組み合わせにより実現される。記憶部２０７には、蓄積情報Ｉ１１、ユーザ登録情報Ｉ１２、推定モデル（学習モデル）Ｍ、およびユーザ属性情報Ｉ１３が記憶される。

【0053】

情報取得部２０１は、電気掃除機１００から送信されたデータＤを取得する（受け取る）。なお、推定モデルＭの学習が行われる場合には、情報取得部２０１は、複数の家庭でそれぞれ使用される複数の電気掃除機１００からデータＤを収集する。情報取得部２０１は、取得したデータＤを蓄積情報Ｉ１１として記憶部２０７に蓄積する。情報取得部２０１は、例えば各電気掃除機１００について、所定期間（例えば３ヶ月）に亘りデータＤを蓄積する。情報取得部２０１は、「取得部」の一例である。

【0054】

情報変換部２０２は、各電気掃除機１００のデータＤが蓄積された蓄積情報Ｉ１１に基づき、後述する推定モデルＭに入力する入力情報を生成する。推定モデルＭは、ユーザＵの属性（同居家族の種別（例えば同居家族の規模）、子供の有無、ペットの有無、性別、年齢、就業形態、婚姻の有無、住居タイプ（例えば住居の広さ）、部屋の床面タイプ、居住地域など）を推定するモデルである。

【0055】

（ａ．同居家族に関する属性を推定するための入力情報）
情報変換部２０２は、例えば、同居家族に関する属性を推定するために推定モデルＭに入力する入力情報（以下「同居家族推定用入力情報」と称する）として、電気掃除機１００の運転時間に関する情報、電気掃除機１００の内部に所定量のゴミが溜まるまでの時間に関する情報、電気掃除機１００の運転終了から運転再開までの時間に関する情報、電気掃除機１００の電源のＯＮ／ＯＦＦ回数に関する情報、電気掃除機１００のヘッド３０が持ち上げられた回数に関する情報、電気掃除機１００が使用された曜日および時間帯に関する情報、電気掃除機１００のヘッド３０に対する延長管２０の角度に関する情報、電気掃除機１００のハンドル１２に対するユーザＵのグリップ力あるいはグリップ位置に関する情報、および同一住居内にある電気掃除機１００の台数に関する情報のうち１つ以上を、蓄積情報Ｉ１１に基づき生成する。なお、同居家族の人数は、電気掃除機１００を使用するユーザＵの人数（使用人数）と見做すこともできる。

【0056】

「運転時間に関する情報」は、１回当たりの掃除における電気掃除機１００の運転時間の平均値あるいは最大値、または上記所定期間（例えば３ヶ月）における電気掃除機１００の運転時間の累計値などである。「１回当たりの掃除」とは、電気掃除機１００の電源がＯＦＦにされた場合でも、次に電源がＯＮにされるまでの時間が所定時間以内（例えば１０分以内）であれば、それら運転は同じ１回の掃除として計算される。「運転時間」とは、電気掃除機１００の電源がＯＮにされていた時間（すなわち電動送風機１４が回転していた時間）である。上述した平均値、最大値、または累計値は、例えば、データＤに含まれる「電気掃除機の運転状態」および日時情報などに基づいて算出される。ここで一般的に、同居家族の人数が多いほど、広い住宅や部屋数が多い住宅に住んでいることが多い。そして、上述した平均値、最大値、または累計値は、住居が広いほど、および／または部屋数が多いほど、大きくなる傾向にある。

【0057】

「所定量のゴミが溜まるまでの時間に関する情報」は、集塵装置検出スイッチ５０によってある時に集塵装置１３の取り外しが検出されてから、次に同じ取り外しが検出されるまでの時間間隔（図４中のＴ１参照）の平均値、またはある時点（例えば集塵装置検出スイッチ５０によって集塵装置１３の取り外しが検出された時点）からゴミセンサ４８によって検出されたゴミが所定量に達するまでの時間の平均値などである。これら平均値は、例えば、データＤに含まれる集塵装置検出スイッチ５０の検出結果、ゴミセンサ４８の検出結果、および日時情報などに基づいて算出される。掃除機本体１０から集塵装置１３が取り外される行為は、集塵装置１３内にゴミが溜まり、溜まったゴミがユーザＵによって捨てられた時点と見做すことができる。ここで一般的に、同居家族の人数が多いほど、ゴミの発生量が多くなる。そして、上述した平均値は、ゴミの発生量が多いほど、短くなる。

【0058】

「運転終了から運転再開までの時間に関する情報」とは、ある回の掃除が終了してから次回の掃除が開始されるまでの時間間隔（図４中のＴ２参照）の平均値などである。この平均値は、例えば、データＤに含まれる「電気掃除機の運転状態」および日時情報などに基づいて算出される。ここで一般的に、同居家族の人数が多いほど、ゴミの発生量が多くなり、掃除の頻度が増加する。また同居家族の人数が多いほど、各同居者の所望のタイミングで掃除が行われることも増え、掃除の頻度が増加する。そして、上述した平均値は、掃除の頻度が増加するほど、短くなる。「運転終了から運転再開までの時間に関する情報」は、１回の掃除時間が短い傾向のユーザＵがいることや、１回の掃除時間が長い傾向のユーザＵがいることを推定する情報となり得る。言い換えると、「運転終了から運転再開までの時間に関する情報」は、電気掃除機１００の使用人数の推定に有用な情報である。

【0059】

「電源のＯＮ／ＯＦＦ回数に関する情報」とは、１回当たりの掃除における電気掃除機１００の電源のＯＮ／ＯＦＦ回数の平均値あるいは最大値、または上記所定期間（例えば３ヶ月）における電気掃除機１００の電源のＯＮ／ＯＦＦ回数の累計値などである。これら平均値、最大値、または累計値は、例えば、データＤに含まれる「電気掃除機の運転状態」および日時情報などに基づいて算出される。ここで一般的に、同居家族の人数が多いほど、家具などが多く、部屋数も多いため、電気掃除機１００の電源のＯＮ／ＯＦＦ回数が多くなる。「電源のＯＮ／ＯＦＦ回数に関する情報」は、１回の掃除時間が短い傾向のユーザＵがいることや、１回の掃除時間が長い傾向のユーザＵがいること（または、電源をこまめに停止させるユーザＵがいることや、電源をあまり停止させないユーザＵがいること）を推定する情報となり得る。言い換えると、「電源のＯＮ／ＯＦＦ回数に関する情報」は、電気掃除機１００の使用人数の推定に有用な情報である。

【0060】

「ヘッドが持ち上げられた回数」とは、１回当たりの掃除におけるヘッド３０が持ち上げられた回数の平均値あるいは最大値、または上記所定期間（例えば３ヶ月）におけるヘッド３０が持ち上げられた回数の累計値などである。これら平均値、最大値、または累計値は、例えば、データＤに含まれる電動送風機電流検出部４１の検出結果、ヘッド加速度センサ６３の検出結果、ヘッドジャイロセンサ６４の検出結果、および日時情報などに基づいて算出される。ここで一般的に、同居家族の人数が多いほど、家具などが多く、部屋数も多く、階段を含む住居タイプである場合も多いため、ヘッド３０が持ち上げられた回数が多くなる。

【0061】

「使用された曜日および時間帯に関する情報」とは、例えば、電気掃除機１００が使用された曜日が月曜から金曜であるか、または土曜・日曜・祝日であるかを示す情報や、電気掃除機１００が使用された時間帯が午前／昼間／夜間のいずれであるかを示す情報などである。なお本明細書で「時間帯に関する情報」とは、時刻そのものを示す情報でもよい。これら情報は、例えば、データＤに含まれる「電気掃除機の運転状態」および日時情報などに基づいて導出される。ここで一般的に、同居家族の人数が多いほど、専業主婦や非就業の高齢者、学生が含まれることが多くなる。専業主婦や非就業の高齢者、学生がいる場合、平日の午前や昼間に掃除が行われる機会が多くなる。言い換えると、電気掃除機１００が使用される曜日および時間帯は、ユーザＵが家事専業である場合、共働きである場合、または一人暮らしである場合などで異なる傾向を持つ。すなわち、「使用された曜日および時間帯に関する情報」は、電気掃除機１００の使用人数の推定に有用な情報である。

【0062】

「ヘッドに対する延長管の角度に関する情報」とは、例えば、ある回の掃除におけるヘッド３０に対する延長管２０の角度の平均値と、別の回の掃除におけるヘッド３０に対する延長管２０の角度の平均値とが所定量を超えて異なっているか否かを示す情報である。この情報は、例えば、データＤに含まれる延長管角度センサ６６の検出結果および日時情報などに基づいて導出される。ここで一般的に、同居家族の人数が２人以上であれば、男性と女性が含まれる可能性が高い。そして、同居家族に男性と女性が含まれる場合、ヘッド３０に対する延長管２０の角度が所定量を超えて異なる場合がある。すなわち、「ヘッドに対する延長管の角度に関する情報」は、電気掃除機１００の使用人数の推定に有用な情報である。

【0063】

「ハンドルに対するユーザのグリップ力に関する情報」とは、例えば、ある回の掃除におけるユーザのグリップ力の平均値（またはグリップ位置）と、別の回の掃除におけるユーザのグリップ力の平均値（またはグリップ位置）とが所定量を超えて異なっているか否かを示す情報である。この情報は、例えば、データＤに含まれるグリップ力検出部４７の検出結果および日時情報などに基づいて導出される。ここで一般的に、同居家族の人数が２人以上であれば、同居家族に男性と女性が含まれる可能性が高い。そして、同居家族に男性と女性が含まれる場合、ユーザのグリップ力が所定量を超えて異なる場合がある。また、同居家族の人数が２人以上であれば、異なるグリップ位置でハンドル１２を把持するユーザが存在する可能性が高くなる。すなわち、「ハンドルに対するユーザのグリップ力に関する情報」は、電気掃除機１００の使用人数の推定に有用な情報である。

【0064】

「同一住居内にある電気掃除機の台数に関する情報」とは、例えば、ユーザＵの住居に２台以上の電気掃除機１００があるか否かを示す情報である。この情報は、例えば、データＤに含まれる電気掃除機１００の識別情報Ｉ１（機器ＩＤ）と、記憶部２０７に記憶されたユーザ登録情報Ｉ１２とに基づいて導出される。ここで一般的に、電気掃除機１００が２台以上であれば、電気掃除機１００の種別（スティック型／キャニスタ型／ロボットクリーナのような種別、または吸引力重視型／軽さ重視型のような種別など）に対する好みが複数の同居人で異なる可能性が高い。言い換えると、２台以上の電気掃除機１００が存在する場合、同居家族の人数が２人以上である可能性が高くなる。すなわち、「同一住居内にある電気掃除機の台数に関する情報」は、電気掃除機１００の使用人数の推定に有用な情報である。

【0065】

ここで、上述した同居家族の人数（または電気掃除機１００の使用人数）は、ユーザＵの世帯構成を示す属性である。さらに言えば、上述した同居家族の人数（または電気掃除機１００の使用人数）と、後述する子供の有無、および／または年齢に関する属性を加えることで、より詳細な世帯構成を示す属性を推定することができる。

【0066】

例えば、電気掃除機１００のユーザＵが１人であると推定された場合、そのユーザＵの世帯構成は単独世帯（単身世帯）と考えることができる。例えば、同居家族の人数が２人であり、かつ年代が同世代であると推定された場合、そのユーザＵの世帯構成は夫婦のみの世帯であると考えることができる。

【0067】

例えば、同居家族の人数が複数人であり、その中に子供と大人が含まれると推定された場合、そのユーザＵの世帯構成は親と子の世帯（２世代世帯、子育て世代）であると考えることができる。この場合、子供の有無を推定するために、後述する「子供等推定用入力情報」、「年齢推定用入力情報」、「就業形態推定用入力情報」などの情報が「同居家族推定用入力情報」に含められてもよい。

【0068】

例えば、大人の中に、子育て世代の大人と、老齢の大人が含まれると推定された場合、そのユーザＵの世帯構成は３世代世帯であると考えることができる。この場合、大人の年代を推定するために、後述する「子供等推定用入力情報」、「年齢推定用入力情報」、「就業形態推定用入力情報」などの情報が「同居家族推定用入力情報」に含められてもよい。

【0069】

図６は、ユーザ登録情報Ｉ１２の内容の一例を示す図である。ユーザ登録情報Ｉ１２では、ユーザＩＤと、電気掃除機１００の機器ＩＤと、電気掃除機１００の機種情報と、電気掃除機１００の機種種別とが対応付けられて登録されている。ユーザ登録情報Ｉ１２は、例えば、製品購入時にユーザに登録してもらうことで得られる。情報変換部２０２は、電気掃除機１００から受信したデータＤに含まれる識別情報Ｉ１（機器ＩＤ）に基づき、ユーザＩＤを参照することで、同一のユーザＩＤと対応付けられて登録されている電気掃除機１００の台数を示す情報を取得する。

【0070】

（ｂ．子供の有無、ペットの有無を推定するための入力情報）
図５に戻り説明を続ける。情報変換部２０２は、例えば、ユーザＵの子供の有無および／またはペットの有無を推定するために推定モデルＭに入力する入力情報（以下「子供等推定用入力情報」）として、電気掃除機１００により吸引されたゴミの種類に関する情報を蓄積情報Ｉ１１に基づき生成する。例えば、情報変換部２０２は、カメラ４９によって撮像された撮像データに対してパターンマッチングまたはニューラルネットワークなどを用いた画像認識を行うことにより、ゴミの種類に関する情報を生成する。「ゴミの種類に関する情報」は、特定種類のゴミが所定量を超えて存在するか否かを示す情報である。ここで一般的に、同居家族に子供がいる場合、皮脂を含むゴミが多くなる。また、ペットがいる場合、ペットの抜け毛を含むゴミが多くなる。「皮脂を含むゴミ」および／または「ペットの抜け毛」は、上記特定種類のゴミの例である。

【0071】

（ｃ．性別を推定するための入力情報）
情報変換部２０２は、例えば、ユーザＵの性別を推定するために推定モデルＭに入力する入力情報（以下「性別推定用入力情報」と称する）として、電気掃除機１００のヘッド３０に対する延長管２０の角度に関する情報、電気掃除機１００のハンドル１２に対するユーザＵのグリップ力に関する情報、電気掃除機１００に作用した加速度に関する情報、電気掃除機１００のフィルタ詰まりの回数に関する情報、および電気掃除機１００により吸引されたゴミの種類に関する情報のうち１つ以上を、蓄積情報Ｉ１１に基づき生成する。なお、「ヘッドに対する延長管の角度に関する情報」、「ハンドルに対するユーザのグリップ力に関する情報」、および「吸引されたゴミの種類に関する情報」は、上述したとおりである。ここで一般的に、ユーザＵが女性の場合、ゴミに長い髪の毛が含まれる場合が多くなる。

【0072】

「加速度に関する情報」は、上記所定期間（例えば３ヶ月）に掃除機本体１０に作用した加速度の平均値または最大値などである。これら平均値および最大値は、例えば、データＤに含まれる本体加速度センサ４５の検出結果に基づき算出される。ここで一般的に、ユーザＵが男性である場合、ユーザＵが女性である場合と比べて、掃除機本体１０に作用する加速度が高くなる。

【0073】

「フィルタ詰まりの回数に関する情報」は、上記所定期間（例えば３ヶ月）において、ある時点（例えば例えば集塵装置検出スイッチ５０によって集塵装置１３の取り外しが検出された時点）から電動送風機１４の負荷が所定以上に達し、ユーザＵに対してフィルタ詰まりが報知（例えば制御部８０の制御により不図示の報知ランプが点灯）された回数などである。この回数は、例えば、データＤに含まれる電動送風機電流検出部４１の検出結果および日時情報などに基づいて算出される。ここで一般的に、ユーザＵが女性である場合、ユーザＵが男性である場合と比べて、ゴミに長い髪の毛が含まれる場合が多くなり、フィルタ詰まりの回数が多くなる。

【0074】

（ｄ．年齢を推定するための入力情報）
情報変換部２０２は、例えば、ユーザＵの年齢を推定するために推定モデルＭに入力する入力情報（以下「年齢推定用入力情報」と称する）として、電気掃除機１００の機種を示す情報を、蓄積情報Ｉ１１に基づき導出する。この情報は、例えば、データＤに含まれる電気掃除機１００の識別情報Ｉ１（機器ＩＤ）と、記憶部２０７に記憶されたユーザ登録情報Ｉ１２とに基づいて導出される。ここで一般的に、高齢者は吸引力重視の機種よりも軽さ重視の機種を好む傾向にある。また、高齢者は、スティック型よりもキャニスタ型を好む傾向にある。また、高齢者は、集塵方式として遠心分離式よりも濾過式（紙パック式）を好む傾向にある。また、２０代／３０代／４０代など各年代で人気機種が異なる場合がある。電気掃除機１００の機種を示す情報は、「機種を特定可能な情報」の一例である。

【0075】

（ｅ．就業形態を推定するための入力情報）
情報変換部２０２は、例えば、ユーザＵの就業形態（フルタイム／パートタイム／非就業）を推定するために推定モデルＭに入力する入力情報（以下「就業形態推定用入力情報」と称する）として、電気掃除機１００が使用された曜日および時間帯に関する情報を、蓄積情報Ｉ１１に基づき生成する。「使用された曜日および時間帯に関する情報」は、上述したとおりである。

【0076】

（ｆ．住居タイプを推定するための入力情報）
情報変換部２０２は、例えば、ユーザＵの住居タイプを推定するために推定モデルＭに入力する入力情報（以下「住居タイプ推定用入力情報」と称する）として、電気掃除機１００の運転時間に関する情報、コードありタイプである電気掃除機１００の外部電源（商用電源）へのつなぎ直し回数に関する情報、電気掃除機１００で着脱された付属品に関する情報、電気掃除機１００のヘッドに設けられたライトの点灯状態に関する情報、および同一住居内にある電気掃除機１００の台数に関する情報のうち１つ以上を、蓄積情報Ｉ１１に基づき生成する。「運転時間に関する情報」および「同一住居内にある電気掃除機の台数に関する情報」は、上述したとおりである。ここで一般的に、電気掃除機１００が２台以上である場合、住居が広く、部屋数も多い可能性が高い。

【0077】

「外部電源へのつなぎ直し回数に関する情報」は、１回当たりの掃除における外部電源へのつなぎ直し回数の平均値あるいは最大値、または上記所定期間（例えば３ヶ月）におけるつなぎ直し回数の累計値などである。「外部電源へのつなぎ直し回数」とは、例えば家庭用コンセントに対して電気掃除機１００のプラグが挿抜された回数である。この回数は、例えば、データＤに含まれる電源検出部４２の検出結果および日時情報などに基づき算出される。ここで一般的に、部屋が広いほど、また部屋数が多いほど、上記つなぎ直し回数が多くなる。

【0078】

「着脱された付属品に関する情報」は、上記所定期間（例えば３ヶ月）において、付属品３６またはブロアアタッチメント１８の装着の回数を示す情報などである。付属品３６またはブロアアタッチメント１８の装着は、例えば、データＤに含まれる付属品検出スイッチ６７の検出結果、ブロアアタッチメント検出スイッチ５１の検出結果、および日時情報などに基づき導出される。ここで一般的に、住居が大きいほど、付属品３６やブロアアタッチメント１８を用いて掃除を行う箇所が増えることが多い。

【0079】

「ライトの点灯状態に関する情報」は、掃除１回あたりにおけるライト３５の点灯回数の平均値あるいは最大値、または上記所定期間（例えば３ヶ月）におけるライト３５の点灯回数の累計値などである。これら平均値、最大値、または累計値は、例えば、データＤに含まれる照度センサ６５の検出結果および日時情報などに基づいて算出される。ここで一般的に、住居が広いほど、家具なども多くなり、ライト３５の点灯が必要な薄暗い掃除箇所が増えることが多い。

【0080】

（ｇ．床面タイプを推定するための入力情報）
情報変換部２０２は、例えば、部屋の床面タイプを推定するために推定モデルＭに入力する入力情報（以下「床面タイプ推定用入力情報」と称する）として、電気掃除機１００のブラシモータ３４の負荷状態に関する情報、電気掃除機１００のヘッド３０に作用する加速度に関する情報、およびゴミセンサ４８の検出結果に関する情報のうち１つ以上を、蓄積情報Ｉ１１に基づき生成する。

【0081】

「ブラシモータの負荷状態に関する情報」は、ブラシモータ３４の負荷状態の時間変化を示す情報などである。この情報は、例えば、データＤに含まれるブラシモータ電流検出部６１の検出結果および日時情報などに基づき導出される。ここで一般的に、ブラシモータ３４に作用する負荷は、絨毯、カーペット、フローリングのなかでは、絨毯が最も高く、次にカーペットが高く、フローリングが最も低い。

【0082】

「ヘッドに作用する加速度に関する情報」は、ヘッド３０に作用する加速度の時間変化を示す情報などである。この情報は、例えば、データＤに含まれるヘッド加速度センサ６３の検出結果および日時情報などに基づき導出される。ここで一般的に、ヘッド３０に対する抵抗は、絨毯、カーペット、フローリングのなかでは、絨毯が最も高く、次にカーペットが高く、フローリングが最も低い。このため、フローリングではヘッド３０がスムーズに移動し、ヘッド３０の加速度は大きくなりやすい。一方で、絨毯ではヘッド３０がスムーズに移動しにくく、ヘッド３０の加速度は小さくなりやすい。

【0083】

「ゴミセンサの検出結果に関する情報」は、例えば、ゴミセンサ４８によってゴミが検出された時刻を時系列で示す情報などである。この情報は、例えば、データＤに含まれるゴミセンサ４８の検出結果および日時情報などに基づき導出される。ここで一般的に、絨毯はまんべんなくゴミが取れる一方で、フローリングでは部屋の隅にゴミが集中しやすい。このため、フローリングの掃除においては、ゴミがあまり取れない時間と、ゴミが集中的に取れる時間とがゴミセンサ４８の検出結果に表れる。

【0084】

（ｈ．居住地域を推定するための入力情報）
情報変換部２０２は、例えば、ユーザＵの居住地域を推定するために推定モデルＭに入力する入力情報（以下「居住地域推定用入力情報」と称する）として、電気掃除機１００で検出された温度に関する情報、および電気掃除機１００が接続された外部電源の周波数に関する情報のうち１つ以上を、蓄積情報Ｉ１１に基づき導出する。

【0085】

「温度に関する情報」は、１回当たりの掃除において電気掃除機１００の運転開始直後のバッテリ１５の温度を示す情報などである。この情報は、例えば、データＤに含まれるバッテリ温度センサ４４の検出結果および日時情報などに基づき導出される。上述したように、電気掃除機１００の運転開始直後のバッテリ１５の温度は、室温とほぼ同じと見做すことができる。ここで、サーバ２００は、気象庁のサーバから各地の気温情報を取得し、取得した各地の気温情報とバッテリ温度センサ４４の検出結果との比較結果を居住地域推定用入力情報としてもよい。このような構成によれば、各地の気温と室温との比較情報に基づき、ユーザＵの住居が存在する地域を推定することができる。

【0086】

「外部電源の周波数に関する情報」は、電気掃除機１００が接続された外部電源の交流周波数が５０Ｈｚであるか６０Ｈｚであるかを示す情報などである。この情報は、例えば、データＤに含まれる電源検出部４２の検出結果に基づき導出される。ここで、東日本での商用電源の周波数は５０Ｈｚであり、西日本での商用電源の周波数は６０Ｈｚである。

【0087】

次に、学習部２０３について説明する。学習部２０３は、上述した各種入力情報に基づき、推定モデルＭを機械学習により生成する。推定モデルＭは、電気掃除機１００に関する情報が入力されると、電気掃除機１００のユーザＵの属性の推定結果を出力するように学習される。

【0088】

本実施形態では、学習部２０３は、ユーザＵの属性を推定するための推定モデルＭとして、同居家族に関する属性（例えば同居家族の規模または世帯構成）を推定する推定モデルＭＡ、子供の有無またはペットの有無に関する属性を推定する推定モデルＭＢ、性別に関する属性を推定する推定モデルＭＣ、年齢に関する属性を推定する推定モデルＭＤ、就業形態に関する属性を推定する推定モデルＭＥ、住居に関する属性（例えば住居タイプ）を推定する推定モデルＭＦ、部屋の床面タイプに関する属性を推定する推定モデルＭＧ、および居住地域に関する属性を推定する推定モデルＭＨを生成する。本明細書で「学習」とは、教師なし学習または教師あり学習のいずれを意味してもよい。以下では、教師なし学習により推定モデルＭが生成される例と、教師あり学習により推定モデルＭが生成される例をそれぞれ説明する。推定モデルＭは、ニューラルネットワークに限定されず、数式と閾値によるモデルでもよい。

【0089】

まず、教師なし学習について説明する。例えば、学習部２０３は、上述した各種入力情報に基づいたクラスタリングにより、推定モデルＭを生成する。クラスタリングの手法は、例えばＫ－ｍｅａｎｓ法であるが、別の手法が用いられてもよい。

【0090】

図７は、教師なし学習で得られる推定モデルＭの一例を示す図である。詳しく述べると、図７は、ユーザＵの同居家族に関する属性を推定するための推定モデルＭＡの一例である。図７に示す例では、情報変換部２０２によって得られた「運転時間に関する情報」と「ゴミが溜まるまでの時間に関する情報」が２つの入力情報（パラメータＸ１，Ｘ２）として与えられ、クラスタ数が３つ（独身／核家族／大家族）として設定された場合のモデルの生成結果である。すなわち、運転時間が相対的に短く、且つ、ゴミが溜まるまでの時間が相対的に長い第１グループＧ１は独身として分類され、運転時間が相対的に長く、且つ、ゴミが溜まるまでの時間が相対的に短い第３グループＧ３は大学族として分類され、それらの間に位置する第２グループＧ２は核家族として分類される。なお本明細書では「大家族」とは、核家族と対となる表現であり、拡大家族の意味で用いている。独身は、「単身世帯」と見做されてもよい。核家族は、「２世代世帯」と見做されてもよい。大家族は、「３世代世帯」と見做されてもよい。

【0091】

以上のように、ユーザＵの同居家族に関する属性を推定するための推定モデルＭＡは、上述した電気掃除機１００の運転時間に関する情報、電気掃除機１００の内部に所定量のゴミが溜まるまでの時間に関する情報、電気掃除機１００の運転終了から運転再開までの時間に関する情報、電気掃除機１００の電源のＯＮ／ＯＦＦ回数に関する情報、電気掃除機１００のヘッド３０が持ち上げられた回数に関する情報、電気掃除機１００が使用された曜日および時間帯に関する情報、電気掃除機１００のヘッド３０に対する延長管２０の角度に関する情報、電気掃除機１００のハンドル１２に対するユーザのグリップ力（またはグリップ位置）に関する情報、および同一住居内にある電気掃除機１００の台数に関する情報などのうち１つ以上の入力情報（例えば２つ以上の入力情報）に基づきクラスタリングが行われることで導出される。ただしこれに代えて、推定モデルＭは、上記各種情報に含まれる１つの入力情報に基づきクラスタリングが行われることで導出されてもよく、上記各種情報に含まれる３つ以上の入力情報に基づきクラスタリングが行われることで導出されてもよい。

【0092】

ここで、ユーザＵとしては、丁寧に掃除を行うユーザと、時間優先でざっと掃除を行うユーザとがいる。このため、例えば電気掃除機１００の運転時間に関する情報だけに基づいて同居家族の人数や住居の広さなどの属性を推定すると、推定の精度が高くなりにくい場合がある。しかしながら、例えば、「電気掃除機１００の運転時間」と「ゴミが溜まるまでの時間に関する情報」など２つ以上の入力情報を補完的に用いることで、電気掃除機１００の運転時間が長くてもゴミがあまり取れていない場合は、丁寧に掃除を行うタイプのユーザＵであり、同居家族の人数が少ない（または住居が狭い）といった推定が可能であり、電気掃除機１００の運転時間が短くてもゴミが大量に取れている場合は、時間優先でざっと掃除を行うタイプのユーザであり、同居家族の人数が多い（または住居が広い）といった推定が可能である。このように、２つ以上（さらに言えば３つ以上）の入力情報を用いることで、推定精度をさらに高めることができる。

【0093】

以上、いくつかの入力情報の例について説明したが、入力情報は上記例に限定されない。入力情報は、電気掃除機１００から受信するデータＤに含まれる情報で、具体例として紹介しきれなかった種々の情報を適宜用いることができる。

【0094】

続いて、他の推定モデルＭＢ～ＭＨについて説明する。子供の有無またはペットの有無に関する属性を推定する推定モデルＭＢは、上述した電気掃除機１００により吸引されたゴミの種類に関する情報などを入力情報としてクラスタリングが行われることで導出される。クラスタ数は、例えば２つ（子供の有無、またはペットの有無）に設定される。

【0095】

性別に関する属性を推定する推定モデルＭＣは、上述した電気掃除機１００のヘッド３０に対する延長管２０の角度に関する情報、電気掃除機１００のハンドル１２に対するユーザのグリップ力に関する情報、電気掃除機１００に作用した加速度に関する情報、および電気掃除機１００のフィルタ詰まりの回数に関する情報などのうち１つ以上（例えば２つ以上）を入力情報としてクラスタリングが行われることで導出される。クラスタ数は、２つ（男性／女性）に設定される。

【0096】

年齢に関する属性を推定する推定モデルＭＤは、上述した電気掃除機１００の機種を示す情報などを入力情報としてクラスタリングが行われることで導出される。クラスタ数は、例えば３つ（若者／子育て世代／高齢者）に設定される。

【0097】

就業形態に関する属性を推定する推定モデルＭＥは、上述した電気掃除機１００が使用された曜日および時間帯に関する情報などを入力情報としてクラスタリングが行われることで導出される。クラスタ数は、例えば３つ（フルタイム／パートタイム／非就業）に設定される。

【0098】

住居に関する属性を推定する推定モデルＭＦは、上述した電気掃除機１００の運転時間に関する情報、コードありタイプである電気掃除機１００の外部電源へのつなぎ直し回数に関する情報、電気掃除機１００で着脱された付属品に関する情報、電気掃除機１００のヘッドに設けられたライトの点灯状態に関する情報、および同一住居内にある電気掃除機１００の台数に関する情報などのうち１つ以上（例えば２つ以上）を入力情報としてクラスタリングが行われることで導出される。クラスタ数は、例えば３つ（大型住居／中型住居／小型住居）に設定される。

【0099】

部屋の床面タイプに関する属性を推定する推定モデルＭＧは、上述した電気掃除機１００のブラシモータ３４の負荷状態に関する情報、電気掃除機１００のヘッド３０に作用する加速度に関する情報、およびゴミセンサ４８の検出結果に関する情報のうち１つ以上（例えば２つ以上）を入力情報としてクラスタリングが行われることで導出される。クラスタ数は、例え３つ（フローリング／カーペット／絨毯）に設定される。

【0100】

居住地域に関する属性を推定する推定モデルＭＨは、上述した電気掃除機１００で検出された温度に関する情報、および電気掃除機１００が接続された外部電源の周波数に関する情報などのうち１つ以上（例えば２つ以上）を入力情報としてクラスタリングが行われることで導出される。クラスタ数は、例えば９つ（北海道／東北／関東甲信越／東海／北陸／関西／中国／四国／九州沖縄）または２つ（東日本／西日本）に設定される。

【0101】

一方で、図８は、教師あり学習で用いられる推定モデルＭの一例を示す図である。教師あり学習で用いられる推定モデルＭは、入力層、隠れ層（中間層）、および出力層を含むニューラルネットワークによって構成される。推定モデルＭは、教師データを用いたディープラーニングなどによって入力層、隠れ層、および出力層に含まれるノード間の重み付け係数などが調整されることで学習が行われる。教師データは、例えば、アンケートに協力してくれたユーザやウェブ上で登録を行ってくれたユーザ（以下「特定ユーザ」と称する）の電気掃除機１００から収集された上記各種入力情報と、上記特定ユーザがアンケートで記入またはウェブ上で登録してくれたユーザ属性の正解データとが対応付けられたデータである。

【0102】

本実施形態では、教師あり学習における推定モデルＭの出力情報は、上記教師なし学習で説明した各種のクラスタリングの分類が相当する。例えば、同居家族に関する属性を推定するための推定モデルＭＡは、電気掃除機１００の運転時間に関する情報、電気掃除機１００の内部に所定量のゴミが溜まるまでの時間に関する情報、電気掃除機１００の運転終了から運転再開までの時間に関する情報、電気掃除機１００の電源のＯＮ／ＯＦＦ回数に関する情報、電気掃除機１００のヘッド３０が持ち上げられた回数に関する情報、電気掃除機１００が使用された曜日および時間帯に関する情報、電気掃除機１００のヘッド３０に対する延長管２０の角度に関する情報、電気掃除機１００のハンドル１２に対するユーザのグリップ力（またはグリップ位置）に関する情報、および同一住居内にある電気掃除機１００の台数に関する情報などのうち１つ以上（例えば２つ以上）が入力情報として用いられ、出力情報として独身／核家族／大家族のいずれかであることを示す推定結果が出力されるように学習が行われる。なお入力情報の一部または全部は、情報変換部２０２によって算出または導出された情報に限らず、電気掃除機１００から受信したデータＤそのもの（例えばセンサ群ＳＵの検出結果を示す時系列データ）でもよい。これらは、他の推定モデルＭＢ～ＭＨについても同様である。

【0103】

ユーザ属性推定部２０４は、学習部２０３により得られた推定モデルＭを用いて、ユーザ属性の判定対象の電気掃除機１００（以下「判定対象掃除機１００」と称する）から受信したデータＤに基づき、判定対象掃除機１００のユーザＵのユーザ属性を推定する。ここで「推定」とは、最も確からしい１つの属性候補を判定することに限定されず、複数の属性候補のそれぞれの確率（例えば、独身の可能性：１３％、核家族の可能性：６５％、大家族の可能性：２２％）などを出力する場合も含む。

【0104】

ユーザ属性推定部２０４は、判定対象掃除機１００から得られたデータＤに基づく入力情報を推定モデルＭに入力し、推定モデルＭの出力情報として判定対象掃除機１００のユーザＵのユーザ属性の推定結果を得る。本実施形態では、ユーザ属性推定部２０４は、判定対象掃除機１００から得られたデータＤに基づく入力情報として、上述した同居家族推定用入力情報、子供等推定用入力情報、性別推定用入力情報、年齢推定用入力情報、就業形態推定用入力情報、住居タイプ推定用入力情報、床面タイプ推定用入力情報、および居住地域推定用入力情報をそれぞれ対応する推定モデルＭＡ～ＭＧに入力し、推定モデルＭＡ～ＭＧの出力情報として、判定対象掃除機１００のユーザＵの同居家族の種別（例えば同居家族の規模または世帯構成）、子供の有無、ペットの有無、性別、年齢、就業タイプ、住居タイプ、床面タイプ、および居住地域の推定結果を出力させる。

【0105】

情報記録部２０５は、ユーザ属性推定部２０４によって推定されたユーザ属性を、ユーザ属性情報Ｉ１３として記憶部２０７に記憶させる。

【0106】

図９は、ユーザ属性情報Ｉ１３の内容の一例を示す図である。ユーザ属性情報Ｉ１３では、例えば、ユーザＩＤと、同居家族の種別と、子供の有無、ペットの有無（不図示）、性別、年齢、就業形態、住居タイプ（例えば住居の広さ）、床面タイプ（不図示）、および居住地域（不図示）などが対応付けられて登録される。

【0107】

情報出力部２０６は、上述した処理によって得られたユーザ属性情報Ｉ１３を、端末装置３００に送信する。これにより、ユーザ属性情報Ｉ１３は、製品開発やサービス提供に利用可能になる。

【0108】

＜４．処理の流れ＞
次に、処理の流れについて説明する。
図１０は、電気掃除機１００における処理の流れを示す図である。まず、制御部８０は、電気掃除機１００の電源がＯＮにされたか否かを判定する（Ｓ１０１）。電気掃除機１００の電源がＯＦＦである場合、制御部８０は、電気掃除機１００の電源がＯＮにされるまで待機する。

【0109】

一方で、電気掃除機１００の電源がＯＮにされた場合（Ｓ１０１：ＹＥＳ）、制御部８０は、センサ群ＳＵで検出された検出結果を、所定の周期またはリアルタイムで、サーバ２００に送信する（Ｓ１０２）。

【0110】

次に、制御部８０は、電気掃除機１００の電源がＯＦＦにされたか否かを判定する（Ｓ１０３）。電気掃除機１００の電源がＯＮである場合（Ｓ１０３：ＮＯ）、制御部８０は、Ｓ１０２の処理を繰り返す。一方で、電気掃除機１００の電源がＯＦＦにされた場合（Ｓ１０３：ＹＥＳ）、制御部８０は、一連の処理を終了する。そして、電気掃除機１００は、例えば、所定期間に亘り上述した処理（Ｓ１０１～Ｓ１０３）を繰り返す。

【0111】

図１１は、サーバ２００における処理の流れを示す図である。前提として、電気掃除機１００からサーバ２００に送信されたデータＤは、情報取得部２０１によって取得され、蓄積情報Ｉ１１として蓄積されている。

【0112】

まず、情報変換部２０２は、蓄積情報Ｉ１１に基づき、上述した各種入力情報を導出する（Ｓ２０１）。次に、ユーザ属性推定部２０４は、導出した各種入力情報を推定モデルＭＡ～ＭＨにそれぞれ入力することで、出力情報としてユーザ属性の推定結果を得る（Ｓ２０２）。次に、情報出力部２０６は、ユーザ属性推定部２０４により推定されたユーザ属性を端末装置３００に出力させる。

【0113】

＜５．作用＞
比較例として、アンケートやウェブ上で性別、年齢、家族構成などの情報や、掃除する時間を入力してもらうことで、ユーザの属性情報を収集することが考えられる。しかしながらこれら場合、入力が手間でユーザが情報を入力してくれないことがあり、またユーザが入力してくれる情報が実態と合わない場合もある。また、詳細な使用状況をアンケート形式でユーザに確認することも難しい。

【0114】

一方で、本実施形態では、情報処理システム１は、電気掃除機１００から送信されたデータＤを取得する情報取得部２０１と、機械学習されたモデルＭを用いて、情報取得部２０１により取得されたデータＤから得られる入力情報に基づき電気掃除機１００のユーザＵの属性を推定するユーザ属性推定部２０４とを含む。このような構成によれば、ユーザＵによる入力がなくても、ユーザＵの電気掃除機１００の使用結果に基づきユーザＵの属性を推定することができる。これにより、ユーザＵの属性情報の収集負担の低減を図ることができる。

【0115】

（第２実施形態）
次に、第２実施形態について説明する。第２実施形態は、電気掃除機１００Ａがキャニスタ型である点で第１実施形態とは異なる。なお以下に説明する以外の構成は、第１実施形態と同様である。

【0116】

図１２は、第２実施形態のサーバ２００の構成を示す図である。本実施形態では、電気掃除機１００Ａは、キャニスタ型の電気掃除機である。電気掃除機１００Ａは、センサ群ＳＵに含まれる検出部として、本体着地検出部７１と、コード引出量検出部７２とを有する。本体着地検出部７１は、例えば、電気掃除機１００Ａが床面にある場合に床面に接するスイッチを含み、床面に対して電気掃除機１００Ａが接しているか浮いているかを検出する。コード引出量検出部７２は、例えば、コードが巻かれたリールの回転量を検出するエンコーダを含み、電気掃除機１００Ａから引き出されたコードの長さ（コードの引出量）を検出する。本体着地検出部７１およびコード引出量検出部７２の検出結果は、データＤの一部としてサーバ２００に送信される。

【0117】

本実施形態では、情報変換部２０２は、例えば、性別推定用入力情報の１つとして、電気掃除機１００Ａの使用態様に関する情報を含む。「使用態様に関する情報」は、電気掃除機１００Ａの掃除機本体１０が床面に着地した状態で掃除が行われているか、ユーザＵによって電気掃除機１００Ａの掃除機本体１０が床面から持ち上げられた状態で掃除が行われたかを示す情報などである。この情報は、例えば、データＤに含まれる「電気掃除機１００Ａの運転状態」、本体着地検出部７１の検出結果（またはヘッド加速度センサ６３の検出結果）、および日時情報などに基づいて導出される。ここで一般的に、ユーザＵが男性の場合、ユーザＵが女性の場合と比べて、電気掃除機１００Ａの掃除機本体１０が床面から持ち上げられた状態で掃除が行われることが多い。

【0118】

本実施形態では、情報変換部２０２は、例えば、住居タイプ推定用入力情報の１つとして、電気掃除機１００Ａの掃除機本体１０の移動に関する情報を含む。掃除機本体１０は、車輪を有して床面に置かれる部分である。掃除機本体１０は、「本体部」の一例である。「掃除機本体１０の移動に関する情報」は、１回当たりの掃除において電気掃除機１００Ａの掃除機本体１０が移動した距離の平均値あるいは最大値、または上記所定期間（例えば３ヶ月）における電気掃除機１００Ａの掃除機本体１０が移動した距離の累計値などである。上述した平均値、最大値、または累計値は、例えば、データＤに含まれる本体加速度センサ４５の検出結果、本体ジャイロセンサ４６の検出結果、および日時情報などに基づいて算出される。ここで一般的に、キャニスタ型の電気掃除機１００Ａは、部屋が狭い場合でも広い場合でもヘッド３０の動きはほぼ同じであることが多いが、部屋が狭い場合は掃除機本体１０の移動距離が短く、部屋が広い場合は掃除機本体１０の移動距離が長くなることが多い。

【0119】

本実施形態では、情報変換部２０２は、例えば、住居タイプ推定用入力情報の１つとして、電気掃除機１００Ａのコードの引出量に関する情報を含む。「コードの引出量に関する情報」は、１回当たりの掃除において電気掃除機１００Ａのコードの引出量の平均値あるいは最大値、または上記所定期間（例えば３ヶ月）における電気掃除機１００Ａのコードの引出量の累計値などである。上述した平均値、最大値、または累計値は、例えば、データＤに含まれるコード引出量検出部７２の検出結果および日時情報などに基づいて算出される。ここで一般的に、電気掃除機１００Ａのコードは、部屋が狭い場合はあまり引き出されず、部屋が広い場合は長く引き出されることが多い。

【0120】

本実施形態では、ユーザ属性推定部２０４は、電気掃除機１００Ａの使用態様に関する情報に基づき、ユーザＵの性別を推定する。なお、ユーザ属性推定部２０４は、電気掃除機１００Ａの使用態様に関する情報に基づき、ユーザＵの年齢を推定してもよい。すなわち、若者と比べて高齢者は、電気掃除機１００Ａの掃除機本体１０を持ち上げて掃除する回数が少ない傾向にある。

【0121】

本実施形態では、ユーザ属性推定部２０４は、電気掃除機１００Ａの掃除機本体１０の移動に関する情報、および／または電気掃除機１００Ａのコードの引出量に関する情報に基づき、ユーザＵの住居タイプ（例えば部屋の広さ）を推定する。なお、ユーザ属性推定部２０４は、電気掃除機１００Ａの掃除機本体１０の移動に関する情報、および／または電気掃除機１００Ａのコードの引出量に関する情報に基づき、同居家族の属性（人数）を推定してもよい。

【0122】

このような構成によれば、第２実施形態と同様に、ユーザＵの属性情報の収集負担の低減を図ることができる。

【0123】

（第３実施形態）
次に、第３実施形態について説明する。第３実施形態は、電気掃除機１００Ｂがロボットクリーナである点で第１実施形態とは異なる。なお以下に説明する以外の構成は、第１実施形態と同様である。

【0124】

図１３は、第３実施形態のサーバ２００の構成を示す図である。本実施形態では、電気掃除機１００Ｂは、自動走行でゴミを集めるロボットクリーナである。電気掃除機１００Ｂは、センサ群ＳＵに含まれる検出部として、地図生成部７５と、落下防止センサ７６と、照度センサ６５とを有する。地図生成部７５は、電気掃除機１００Ｂの自動走行の結果に基づき、部屋の地図情報を生成する。落下防止センサ７６は、電気掃除機１００Ｂの進行方向の先に段差（例えば階段）が無いかを検出するためのセンサである。照度センサ６５は、第１実施形態と同様に、電気掃除機１００Ｂがベッドの下方に入った場合などに照度が所定量以下であることを検出する。地図生成部７５により生成された地図情報、落下防止センサ７６の検出結果、および照度センサ６５の検出結果は、データＤの一部としてサーバ２００に送信される。

【0125】

本実施形態では、情報変換部２０２は、例えば、同居家族推定用入力情報の１つとして、電気掃除機１００Ｂの地図生成部７５により生成された地図に関する情報を含む。「地図に関する情報」は、住居の部屋数や各部屋の広さを示す情報などである。

【0126】

本実施形態では、情報変換部２０２は、例えば、就業形態推定用入力情報の１つとして、電気掃除機１００Ｂが稼働した曜日および時間帯に関する情報を含む。この情報は、例えば、データＤに含まれる「電気掃除機１００Ｂの運転状態」および日時情報に基づいて導出される。ここで一般的に、ユーザＵは、自身が外出にしている間にロボットクリーナである電気掃除機１００Ｂを用いて掃除を行うことが多い。このため、電気掃除機１００Ｂが稼働した曜日および時間帯は、ユーザＵが住居にいない時間（仕事中の時間）と見做すことができる。

【0127】

本実施形態では、情報変換部２０２は、例えば、住居タイプ推定用入力情報の１つとして、電気掃除機１００Ｂの落下防止センサ７６の検出結果に関する情報を含む。「落下防止センサ７６の検出結果に関する情報」とは、階段と見做せる段差の有無を示す情報などである。階段と見做せる段差が存在する場合、住居が広い可能性が高まる。

【0128】

本実施形態では、情報変換部２０２は、例えば、婚姻の有無（結婚／未婚）に関する属性を推定するために推定モデルＭに入力する入力情報（以下「婚姻推定用入力情報）と称する」として、電気掃除機１００Ｂに設けられた照度センサ６５の検出結果に関する情報を含む。「照度センサ６５の検出結果に関する情報」とは、照度が連続して所定量以下となる領域の広さを示す情報などである。照度が連続して所定量以下となる領域の広さは、ユーザＵの住居に置かれたベッドの広さと見做すことができる。このため、照度が連続して所定量以下となる領域の広さがシングルベッドのサイズであれば、未婚である可能性が高くなる。また、照度が連続して所定量以下となる領域が２つ以上ある場合、既婚である可能性（ベッドが２つ以上ある可能性）が高くなる。

【0129】

本実施形態では、ユーザ属性推定部２０４は、地図生成部７５により生成された地図に関する情報に基づき、同居家族の種別（独身／核家族／大家族）を推定する。また、ユーザ属性推定部２０４は、電気掃除機１００Ｂが稼働した曜日および時間帯に関する情報に基づき、就業形態に関する属性を推定する。

【0130】

本実施形態では、ユーザ属性推定部２０４は、落下防止センサ７６の検出結果に関する情報に基づき、住居タイプに関する属性を推定する。また、ユーザ属性推定部２０４は、照度センサ６５の検出結果に関する情報に基づき、婚姻の有無に関する属性を推定する。

【0131】

このような構成によれば、第１実施形態と同様に、ユーザＵの属性情報の収集負担の低減を図ることができる。

【0132】

以上説明した少なくともひとつの実施形態によれば、電気掃除機から送信されたデータを取得する取得部と、機械学習されたモデルを用いて、前記取得部により取得された前記データに基づき前記電気掃除機のユーザの属性を推定する推定部とを持つことにより、ユーザの属性情報の収集負担の低減を図ることができる。

【0133】

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同様に、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ものである。

【符号の説明】

【0134】

１００，１００Ａ，１００Ｂ…電気掃除機、２００…サーバ、２０１…情報取得部（取得部）、２０２…情報変換部、２０３…学習部、２０４…ユーザ属性推定部（推定部）、Ｍ…推定モデル。

【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】