具体实施方式

(1)HVAC管理系统的概要

(1-1)需要HVAC管理系统的背景

随着对建筑物(办公楼、商业设施等)的节能以及智能控制技术的急速发展的需求的提高，空调、换气的智能系统正逐渐设置于建筑物。该系统通过监视温度、湿度、CO₂浓度、房间的占有率等，能够提供基于房间的人数来调整空调机的设定温度等与需要相应的反馈控制。

在特定的地域中，为了实现这样的反馈控制，需要将进行换气、空气调节的HVAC设备、传感器与网络连接，将HVAC设备等的网络地址映射(mapping)到HVAC设备等的物理配置场所。也被称为地址设定的映射作业迄今为止是通过手动作业来进行的。作业者在现场进行的作业包括为了使HVAC设备一次1个地工作而使用控制装置进行的作业、将显示在控制装置的显示器上的HVAC设备等的地址写入布局图上的作业。

这些作业花费时间，产生因人为错误引起的修正作业。另外，由作业者在现场进行的作业所涉及的人工费成为较大的成本。例如，在具有50000平方米的地面面积的大规模的建筑物的情况下，即使2名作业员进行作业，地址设定也需要3个月。

(1-2)与HVAC管理系统的映射作业减轻有关的基本思路

为了抑制该映射(地址设定)作业的负担，在本实施方式中，对用于进行自动映射的HVAC管理系统进行说明。在该HVAC管理系统中，如图1所示，使作为HVAC设备的空调机A装备BLE(Bluetooth Low Energy：低功耗蓝牙)模块M，利用BLE模块M的RSSI(接收信号强度指示器)。在此，估计装备于空调机A的BLE模块M的设置位置，估计BLE模块M间的电波传播状态。当估计各个BLE模块M间的电波传播状态时，能够根据这些估计值容易地进行映射。

具体而言，使空调机A分别装备BLE模块M，相互进行分组(packet)通信，由此测定从发送侧的BLE模块M向接收侧的BLE模块M发送的分组的实际的接收信号强度。另一方面，根据从建筑物的设计者等提供的设计图(参照图3)提取出的各空调机A的布局图，自动地读取各空调机A的物理配置、空调机A间的距离、有可能对电波(信号)的传播造成影响的障碍物的配置等。BLE模块M与其他BLE模块M之间的电波传播状态、例如两模块M间的电波衰减量、接收侧的BLE模块M的接收信号强度相对于发送侧的BLE模块M的发送信号强度的比率等能够通过使用学习部30的线性模型35(参照图3)来估计。如果使用从各空调机A的布局图读取的各空调机A、障碍物的配置的信息、和通过在各种建筑物中过去采样得到的庞大的学习数据集而训练后的学习部30的线性模型35，则能够高精度地估计BLE模块M与其他BLE模块M之间的电波传播状态。

其结果，最终能够对设置于建筑物的天花板上的空间的空调机A自动地映射网络地址。由此，能够实现建筑物中的空调、换气的智能系统(HVAC管理系统)的初始设定作业所需的时间的缩短以及人工费的削减。

(2)HVAC管理系统的结构

HVAC管理系统是对进行制热、换气、空气调节等的HVAC设备进行管理的系统，但在此以作为HVAC设备的空调机A为例，参照图1至图3进行说明。

(2-1)作为HVAC设备的空调机的设置场所

如图1所示，空调机A是设置于建筑物81的内部空间的空调室内机。多个空调机A配置于建筑物81的各楼层(房间)的天花板上的空间。在图1中，示出了设置于建筑物81的1楼的天花板之上的空间S的3个空调机A1、A2、A3。这些空调机A1、A2、A3是包括1楼的天花板上的空间S的平面图即图2所示的空调机A1、A2、A3。在1楼的天花板之上的空间S的空间中，多个梁B沿水平方向延伸。如图1和图2所示，在空调机A2与空调机A3之间存在梁B1。

(2-2)BLE模块

空调机A分别内置有BLE模块M。BLE模块M具有RSSI，除了电波的发送之外，还能够测定接收到的电波的强度(接收信号强度)。

如图1所示，空调机A1内置有BLE模块M1，空调机A2内置有BLE模块M2，空调机A3内置有BLE模块M3。

(2-3)作为机器学习装置的计算机

作为机器学习装置发挥功能的计算机10由1个或多个计算机构成，经由因特网等通信网络80与各建筑物81的空调机A等HVAC设备连接。计算机10执行HVAC管理系统的服务提供者为了提供各种服务而构建的云计算服务。计算机10的硬件结构不需要收纳在1个壳体中，也不需要作为一整个装置而具备。

如图3所示，计算机10主要包括取得部20、学习部30、输出部40、输入部50和更新部60。计算机10具备控制运算装置和存储装置。控制运算装置能够使用CPU或GPU之类的处理器。控制运算装置读出存储于存储装置的程序，按照该程序进行规定的图像处理、运算处理。进而，控制运算装置能够按照程序将运算结果写入存储装置，或者读出存储装置中存储的信息。图3所示的取得部20、学习部30、输出部40、输入部50以及更新部60是由控制运算装置实现的各种功能块。这些功能块通过控制运算装置执行模型制作程序而呈现。

(2-3-1)取得部

取得部20从外部的设计图数据库70取得空调机配置信息(第一信息)21和天花板后空间的梁配置信息(第一信息)22，作为用于得到状态变量的信息。在设计图数据库70中存储有建筑物81的各楼层的设计图等。空调机配置信息21是图1、图2所示那样的与配置有空调机A的场所有关的信息。空调机配置信息21包括各空调机A的平面图中的X坐标、Y坐标的数据、空调机A彼此的距离等信息。梁配置信息22包括各梁B的两端的X坐标、Y坐标的数据、表示位于哪两个空调机A之间的信息等。

换言之，这些空调机配置信息21以及梁配置信息22是关于某个BLE模块M和其他BLE模块M之间的信息。空调机A彼此的距离的信息为内置于这2个空调机A的BLE模块M彼此的距离的信息。另外，根据各空调机A的平面图中的X坐标、Y坐标的数据和各梁B的两端的X坐标、Y坐标的数据，能够计算出位于某个BLE模块M与其他BLE模块M之间的梁B、空调机A的数量的信息。

在此，取得部20根据从设计图提取出的空调机A、梁B的布局图，取得任意的2个BLE模块M间的距离x、以及位于连结2个BLE模块M的线段上的梁B和空调机A的数量x’作为状态变量。

例如，在图1以及图2所示的BLE模块M1与其他BLE模块M2之间，存在1个梁B1，存在1个空调机A3。在BLE模块M2与其他BLE模块M3之间存在1个梁B1，不存在空调机A。在BLE模块M1与其他BLE模块M3之间，既不存在梁B1也不存在空调机A。

(2-3-2)学习部

学习部30将状态变量与BLE模块M和其他BLE模块M之间的电波传播状态关联起来进行学习。学习部30基于学习用数据集，将状态变量与电波传播状态关联起来进行学习。学习用数据集由进行电波传播状态的实测得到的结果即电波传播状态的实测结果55和电波传播状态的实测时的状态变量构成。

如图3所示，电波传播状态的实测结果55是通过后述的输入部50从设置于建筑物81的各空调机A的BLE模块M收集的信息。具体而言，电波传播状态的实测时的状态变量是根据设置于建筑物81的各空调机A、梁B的信息得到的值。在此，根据从设计图提取出的空调机A、梁B的布局图，将任意的2个BLE模块M间的距离、以及位于连结2个BLE模块M的线段上的梁B和空调机A的数量用作电波传播状态的实测时的状态变量。

更详细地说，学习部30通过调整如下的式12的线性模型35的系数，将状态变量与电波传播状态关联起来进行学习。

式12：

其中，

是所述电波传播状态的估计结果，

w是系数，

x是BLE模块与其他BLE模块的距离，

x’是处于BLE模块与其他BLE模块之间的梁和空调机的数量。

(2-3-3)输出部

输出部40输出由学习部30的线性模型35得到的电波传播状态的估计结果45。

(2-3-4)输入部

输入部50经由通信网络80从设置于建筑物81的各空调机A的BLE模块M收集电波传播状态的实测结果55。另外，输入部50也能够经由通信网络80从用户终端90收集电波传播状态的实测结果55。

(2-3-5)更新部

更新部60求出输出部40输出的电波传播状态的估计结果45与输入到输入部50的电波传播状态的实测结果55之差。然后，更新部60通过评价该差，来更新学习部30的学习状态。

具体而言，更新部60以使以下的评价函数12变小的方式更新上述的式12中的系数w，由此更新学习部30的学习状态。

评价函数12：

其中，

是电波传播状态的估计结果45，

y是电波传播状态的实测结果55，

α是正则化参数。

(3)HVAC管理系统的计算机(机器学习装置)的特征

(3-1)

一般而言，在发送机与接收机之间的距离是传播路径损失的主要原因的情况下，自由空间中的电波传播能够通过弗里斯的传递公式(Friis Transmission Equation)来记述。但是，建筑物的天花板上的空间通常为0.5m或1.5m这样的高度，是非常有限的空间。另外，在天花板上的空间中，存在用于保持建筑物的强度的梁、HVAC设备。在这样的复杂的空间中，除了距离之外，电波传播路径上的障碍物也有可能对由反射、折射引起的传播路径损失带来较大的影响。因此，障碍物也需要作为模型的变量来考虑。特别是，金属制且体积比较大的2种障碍物、梁(beam)和HVAC设备应该作为线性模型的变量来考虑。

鉴于此，在作为本实施方式的机器学习装置的计算机10中，将焦点对准BLE模块M与其他BLE模块M的距离、以及位于BLE模块M与其他BLE模块M之间的梁B和空调机A的数量。

在本实施方式的HVAC管理系统的计算机10中，取得部20取得与BLE模块M和其他BLE模块M之间有关的空调机配置信息(第一信息)21、天花板后空间的梁配置信息(第一信息)22。因此，计算机10能够从这些信息得到学习部30所需的状态变量。并且，学习部30将状态变量与电波传播状态关联起来进行学习，因此根据该计算机10，能够得到BLE模块M与其他BLE模块M之间的电波传播状态。

另外，由于采用BLE模块M与其他BLE模块M的距离(x)作为状态变量，因此能够得到精度高的电波传播状态。

这样，根据计算机10，在现有的电波传播模拟装置中难以得到精度良好的结果的、天花板上的狭窄的空间S中，能够通过学习部30得到精度比较良好的电波传播状态。

(3-2)

在作为本实施方式的机器学习装置的计算机10中，还采用位于BLE模块M与其他BLE模块M之间的梁B和空调机A的数量(x’)作为状态变量。因此，在计算机10中，能够得到精度更高的电波传播状态。

(3-3)

在作为本实施方式的机器学习装置的计算机10中，在建筑物81中通过各BLE模块M进行电波传播状态的实测，学习部30利用由此时的状态变量、电波传播状态的实测结果55构成的学习用数据集进行学习。具体而言，更新部60通过评价电波传播状态的估计结果45与电波传播状态的实测结果55之差，来更新学习部30的学习状态。由此，线性模型35的系数w成为与该建筑物81的天花板上的空间的梁B、空调机A的配置相匹配的适当的数值。

(4)变量为1个的模型与变量为3个的模型的比较的一例

实施例

上述计算机(机器学习装置)10使焦点对准金属制且体积比较大的2种障碍物即梁和空调机。首先，根据从设计图提取出的布局图，取得任意的2个BLE模块间的距离(distance)、位于连结2个BLE模块的线段上的梁和空调机的数量(#beam以及#machine)。然后，接着，生成由(distance、#beam、#machine)这3个变量构成的预测变量集。

在此，为了评价#beam和#machine的影响，学习部使用

1变量(1-feature；distance)、

3变量(3-feature；distance，#beam，#machine)

这两者来构建线性模型，对它们的差异进行了比较。

对于1变量模型，选择具有多项式的OLS回归(Ordinary Linear Regression；通常的最小二乘法)。线性回归是以用于使数据集内的观测到的响应与通过线性近似预测到的响应之间的残差平方和最小的系数，对线性模型进行近似。在数学上，模型能够如下那样示出。

其中，

x是变量，

是电波传播状态的估计结果，

w是系数。

残差平方和(有时也称为损失函数)由下式表示。

y是RSSI属性，

x是距离的多项，是

d,d²,…,dⁿ。

另一方面，对于具有3个变量[distance、#beam、#machine]的模型，选择了使用多项式的脊回归(Ridge Regression)。脊回归也是一般化线性回归的1个。与OLS回归相比，在脊回归中存在伴随追加的惩罚项的损失函数。

α的值越大，则惩罚也越大，因此系数的大小变小。

在模型的训练的最初的试行中，对具有各自的3个(distance、#beam、#machine)变量的模型应用了α＝10。

对于OLS回归和脊回归这两者，将多项式的次数从1变更到4，在回归前对各变量应用了缩放。通过使用机器学习库的功能，变量最初被变换为正态分布，接着各变量的最大绝对值被缩放为1.0。

线性模型预测的精度主要通过RMSE(Root Mean Square Error；均方根误差)和R²(决定系数)来评价。在此，采用RMSE。使用估计出的RSSI与测量出的RSSI之间的绝对差来计算RMSE。

在此，通过以下2种方法进行了RMSE计算。

1)对全部数据集(100％数据集)执行模型训练和测试这两者(RMSE计算)。

2)K-分割交叉验证(K＝10)组随机地分割为10组，模型以9组进行训练，以剩余的1组进行测试。重复测试组对模型进行测试，计算10次RMSE。然后，将10个RMSE的平均值作为评价指标。

在实验中，在所有梁均为金属制的、典型的钢骨结构的建筑物(办公楼)中进行了数据采样。

天花板上的空间(从石膏板之下到上方的楼板为止)的高度为0.85m，

梁的最大高度为0.7m，

空调机的平均高度为0.3m。

各楼层是18m×18m的平坦的天花板。26个BLE模块配置于1楼和2楼。2个BLE模块间的距离为1.3m至20m。

数据采样处理进行1周，在此期间，BLE模块交换通信分组，收集分组记录。在分组记录中包括时间戳、发送器ID、接收器ID、发送电力(对各BLE模块始终设定为8dBm)以及RSSI。建筑物内的Wi-Fi引起的无线干扰因作业时间而变得严重。考虑到这一点，选择了夜间(22点至7点)以及用于模型训练的周末的RSSI。针对BLE模块的各对，以5分钟的时间间隔进一步重新采样RSSI，各时间间隔中的RSSI的平均值被用作上述的100％数据集。

将模型评价结果示于表1。

[表1]

模型的RMSE

在此，计算了2种RMSE。在K-折交叉验证(K-fold cross-validation)中，示出了大于100％数据集的RMSE。任何RMSE均显示相同的倾向。

在具有相同功能的多个模型中，越是次数高的模型，RMSE越低。该模型除了距离之外，还将梁的数量和空调机的数量作为变量进行追加，由此，天花板上的空间中的电波传播模型的精度提高。

接着，表2示出模型所示出的RSSI与实际的BLE模块的RSSI的比较。在8组模型中，3个变量的4次模型示出最佳的估计精度。在表2中，关于“102A”的BLE模块所关联的全部的BLE模块的对(省略图示)，示出了其差别。

[表2]

BLE 102对的估计结果

为了改善HVAC设备的网络地址设定的过程，利用上述BLE模块的RSSI是有用的。通过实验发现，RSSI预测的RMSE具有以下倾向。

1)通过考虑梁的数量、空调机等HVAC设备的台数这样的与障碍物有关的信息，RMSE减少。

2)随着多项式的次数的增加，RMSE减少。

(5)变形例

(5-1)

在上述的计算机(机器学习装置)10中，作为与位于连结2个BLE模块M的线段上的障碍物(梁B和空调机A)有关的状态变量，采用了这些障碍物的数量。但是，也可以取而代之或者在此基础上，将障碍物的大小作为状态变量。

(5-2)

在上述的计算机(机器学习装置)10中，作为与位于连结2个BLE模块M的线段上的障碍物(梁B和空调机A)有关的状态变量，采用了这些障碍物的数量。但是，也可以取而代之或者在此基础上，将障碍物的位置作为状态变量。

(5-3)

在上述的计算机(机器学习装置)10中，作为与位于连结2个BLE模块M的线段上的障碍物(梁B和空调机A)有关的状态变量，采用了这些障碍物的数量。但是，也可以取而代之或者在此基础上，将障碍物的朝向作为状态变量。

(5-4)

在上述计算机(机器学习装置)10中，学习部30通过调整上述式12的线性模型35的系数，将状态变量与电波传播状态关联起来进行学习。也可以取而代之，学习部30通过调整下式11的线性模型的系数，将状态变量与电波传播状态关联起来进行学习。

式11:

其中，

是电波传播状态的估计结果，

w是系数，

x是BLE模块与其他BLE模块的距离。

而且，也可以是，更新部60以使并非上述的评价函数12而是以下的评价函数11变小的方式，更新上述的式11中的系数w，由此更新学习部30的学习状态。

评价函数11：

其中，

是电波传播状态的估计结果45，

y是电波传播状态的实测结果55。

在通过这样更新式11的线性模型的系数w来更新学习部30的学习状态的情况下，也能够得到精度高的电波传播状态。

(5-5)

在上述的HVAC管理系统中，在作为HVAC设备的空调机A处装备了BLE模块M，但也可以代替BLE模块而装备其他无线设备。例如，也可以采用ZigBee模块。

(6)使用了机器学习装置的电波强度的估计值与使用了以往的模拟的电波强度的估计值的比较

(6-1)

如上所述，为了减轻将HVAC设备等的网络地址映射到HVAC设备等的物理配置场所的作业(地址设定作业)，作为机器学习装置的计算机10对BLE模块M间的电波传播状态的估计是有用的。如果能够检测各空调机的设置位置并使地址设定自动化，则能够期待反馈控制乃至建筑物的节能以及智能控制技术的发展。

因此，在空调机处分别装备BLE模块，在上述的机器学习装置中，使用了从BLE模块输出的电波的接收强度。电波的接收强度(电波强度)是表示电波传播状态的指标之一。

2个地点间的电波强度因距离引起的电波的衰减而存在距离越远则越弱的倾向。但是，如果在该2个地点间存在阻碍电波传播之物，则由于其影响，电波强度的衰减变大。以往，在电波传播强度的估计中，使用了以物理模型为基础的模拟，但输入条件(输入内容)多而繁杂。在使用了以往的物理模型的地址设定中，若将输入条件缩小到能够作为正常业务而活用的程度，则存在精度大幅恶化的问题。

鉴于此，在上述的机器学习装置中，使用机器学习来构建电波传播模型，该电波传播模型预测基于2个BLE模块间的距离以及位于2个BLE模块间的阻碍电波传播的障碍物而测量的电波强度。

以下，为了验证使用了机器学习的模型的有效性，示出与基于模拟的以往的物理模型的比较结果。

(6-2)比较评价

首先，在机器学习的预测中，将BLE模块的电波强度作为被说明变量。另外，将BLE模块间的距离以及空调机、梁的数量设为说明变量(状态变量)。在加入安装于某大厦的天花板后面的BLE模块的电波强度实测值来学习电波传播模型之后，使用学习模型来估计电波强度。在机器学习的预测精度评价中，使用设置于大厦的天花板后面的15个BLE模块间的电波强度来进行了精度评价。

在模拟的预测中，制作某大厦的天花板后实际环境的3D模型(包括空调机以及梁的模型)，对材料参数输入参考值，实施电波传播模拟，估计电波强度。模拟的软件使用在市售的离散现象模拟器中组合了用于进行高精细的电波传播的扩展模块的软件。在基于该软件的模拟中，能够执行考虑了建筑物等对电波的反射、遮蔽、衍射的影响的、精细的电波传播环境中的模拟。在基于模拟的预测精度评价中，将构建了3D模型的建筑物部分所包括的5个BLE模块间的电波强度作为评价对象。

此外，在模拟的预测中，除了输入材料参数以外，在没有BIM模型(3D的建筑物的数字模型)的情况下，也需要制作该模型，因此需要比使用学习模型的情况更繁杂的作业。

将按照上述顺序实施精度评价得到的结果示于以下的表3。

[表3]

可知在模拟中，尽管电波强度实测值的标准误差较小，但估计误差较大。

根据以上的结果可知，使用了机器学习的方法与使用模拟相比能够以良好的精度预测电波强度。在此，虽然使用比模拟的输入条件少的状态变量进行了学习，但使用学习模型仍能够得到较高的精度。

(7)各空调机的设置位置与BLE模块的匹配

通过上述的机器学习装置得到的作为电波传播状态的电波强度在接下来的步骤中，在用于确定BLE模块的位置的、设备设置位置与BLE模块的匹配算法中被使用。在设备设置位置与BLE模块的匹配中，首先，得到将通过上述的机器学习的方法得到的估计接收电波强度作为边的值、将空调机的位置ID作为顶点的无向图GE。接着，内置于作为对象物业的建筑物(现场)的空调机的BLE模块相互进行发送。收集BLE模块的实测接收电波强度，制作将实测接收强度作为边的值、将顶点作为发送BLE模块和接收BLE模块的ID的无向图GM。但是，电波强度的估计值和实测值必然存在误差。因此，通过设定误差容许值(slack value)，判断为存在误差为容许值以下的无向图GM中的边与无向图GE中的边相同的可能性。在此基础上，通过进行无向图GM向无向图GE的匹配算法，针对空调机的每个设置位置决定成为匹配候选的BLE模块(多个)。

如果在进行以上的匹配时，使用利用了模拟的估计电波强度值，则在使用相同的算法和相同的误差容许值按每个设置位置决定了BLE模块的候选的情况下，在所决定的BLE模块的候选中不包括正确解的情况变多。另外，相反地，在使用更大的误差容许值使得包括正确解的情况下，所决定的BLE模块的候选的数量增加，正确解的筛选变得困难。

(8)

以上，对具有作为机器学习装置的计算机10的HVAC管理系统的实施方式进行了说明，但应该理解为在不脱离权利要求书所记载的本公开的主旨以及范围的情况下，能够进行方式、细节的多种多样的变更。

标号说明

10：计算机(机器学习装置)；20：取得部；21：空调机配置信息(第一信息；物品信息)；22：天花板后空间的梁配置信息(第一信息；物品信息)；30：学习部；35：线性模型；40：输出部；45：电波传播状态的估计结果；55：电波传播状态实测结果；60：更新部；A(A1、A2、A3)：空调机(规定的物品)；B(B1)：梁(规定的物品)；M(M1、M2、M3)：BLE模块(无线设备)。

现有技术文献

专利文献

专利文献1：日本特开2016-208265号公报