|
本研究は、細かな生活状態の把握とそれに応じた自動家電制御を目標とし、屋内センサデータの分類と、それに基づく省エネルギーアプリケーションの開発までを計画していたが、最終的にアプリケーション開発は断念し、データ分類のみを行った。
SVM(Support Vector Machine)やWard法によるデータの生活状況分類(判定)では、生活を『在室・不在』などの大まかに2～3種の状態に分類した場合しか判定できず、4～7種の状態に細分化すると判定できなかった。原因は各センサデータの多様性やノイズによるものと考えられた。ノイズ除去として一般的なフィルタリングを試したが、改善はみられるものの、有用な判定精度は出なかった。
実験データセット固有の特性でない事の証明として、対象を変えた上でのデータの再取得を含めたWiFiネットワークによる再実験を行うと共に、多様性への対応やノイズ耐性の高い手法として深層学習を用いた分類を行った。限定的なデータによるものだが、TensorFlowとKerasを用いた解析によって、2～3種の状態において約90%の分類精度を、RNN(Recurrent Neural Network)とLSTM(Long Short-Term Memory)を使用した場合は、4～7種の状態においても約90%の分類精度を得た。
100%に近い分類精度を得て、それに応じた家電制御を行うのが目標だが、この精度であれば、設定を慎重に考慮して多少の誤判定なら問題にならない家電制御を検討すれば、十分に省エネルギー目的の家電制御が可能と考える。また、それらの状態の推移からなんらかのアラートを出すシステムにも応用できるだろう。
|
