低粒度な分岐回路電力データを用いた家庭内行動認識手法

DOI 情報処理学会

書誌事項

タイトル別名
  • Home Activity Recognition Using Low-grain Branch Circuit Power Consumption

この論文をさがす

説明

本研究では，HEMS住宅分電盤から得られる分岐回路別の30分ごとの累計消費電力情報のみから家庭内行動推定を行う手法を提案する．提案手法では，起床，就寝，調理，洗濯，皿洗い，入浴，洗面行動の7行動を推定対象とし，30分ごとにどの行動が行われていたかを推定する．これに対し，まず各行動に最も関係すると想定される分岐回路を特定するとともに，家電の電源のON/OFFで明確に特定できる行動については当該分岐回路の電力利用の有無を用いて推定する．その他の行動に関しては，推定対象時間スロット前後の複数時間スロットに対し，当該分岐回路の電力量から抽出した特徴量を用い，機械学習により各行動の有無を推定するモデルを構築する．また，転移学習により家庭間の差異に適応する方法もあわせて提案する．17家庭の1年分のHEMS計測データを連携企業の協力で入手し，うち夏および冬の2カ月間の計53万エントリ以上のデータに，複数人による行動ラベル付与を行ったデータを用いて学習および推定実験を実施した．その結果，起床は71.8%，就寝は70.7%，入浴は82.9%，洗面は87.2%のF値でそれぞれ認識できていることを確認した．また転移学習を行うことで各行動の認識精度を向上することが確認できた．

This paper proposes a method for estimating household activities based only on the cumulative power consumption information obtained from the HEMS home distribution board every 30 minutes. The proposed method predicts the activity of each 30 minute timeslot, from the seven activity labels; waking up, going to bed, cooking, laundering, dishwashing, bathing, and personal hygiene. For the prediction, we first identify the branch circuit that is strongly correlated with each activity label, and detect turn-on/off of home appliances on the circuit to detect those activities. We also incorporate a machine learning model (random forest model) for estimating the other activities based on the time series of power consumption on the circuits. Furthermore, to cope with difference among households, we apply transfer learning to the constructed model. We have collaborated with a home builder, and the above methodology is designed based on the thorough analysis of the power consumption measurement data of 17 real households obtained through their HEMS for one year. We have extracted two months data (one month in summer and one in winter) and have annotated activity labels to more than 530,000 entries via crowdsourcing. As a result, we achieved F-measure values 71.8%, 70.7%, 82.9%, and 87.2% for waking up, going to bed, bathing, and personal hygiene activities, respectively. We also confirmed that the recognition accuracy of each activity was improved by transfer learning.

収録刊行物

キーワード

詳細情報 詳細情報について

問題の指摘

ページトップへ