JP2003168064A - 要素間関係分析方法および該方法を利用したコンピュータ - Google Patents

Abstract

(57)【要約】 【課題】 要素および／または要素間関係の度合いの高
精度予測を実現し、実績データ値と状況判断を反映する
要素間関係分析方法及び該方法を利用したコンピュータ
を提供する。 【解決手段】 実績情報の分析と関係因子の相関分析お
よび予測モデル式の自動生成から「３ＭＰＣＳ」エンジ
ンを活用し、分析に基づく関係因子相関を「関係する」
「無関係」「不明」の３大視点とその影響指数を人間が
設定して、その精度向上を図ることができる。結果、瞬
時に状況対応の予測モデル式を再生でき、人工知能的に
継続的に蓄積利用することで、実績データ値と状況判断
を反映した高精度予測を実現することができる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】複雑系の要素データをコンピ
ュータに取り込み、そのデータの特性を「３ＭＰＣＳエ
ンジン」を使うことで個々の要素のモデル式に自動展開
し、各要素間における要素の「±」の働きを自動的に判
定し、その相関関係を可視的に表現するものである。結
果として、モデル式を通した予測値が人工知能的自動最
適予測の実現と販売計画・受注計画・生産計画・在庫計
画・調達計画・物流供給計画など多岐の「予測」・計画
にも活用できる手法に関する。

【０００２】

【従来の技術】従来、製品の需要を予測して販売計画を
立案するシステムとして、個々の製品の売行き状況、売
上構成比、利益率などの販売実績特性を基に、販売計画
の熟練者が持つ販売実績の変動傾向の分析に関する知識
（ルール）を活用し、ファジィ演算で個々の製品の販売
促進の容易さを示す指数を算出し、この指数に基づく個
々の製品の販売予測結果を表示し、販売計画を効率良く
計画するためのユーザインターフェースを提供するシス
テムが開示されている（特開平５−１５１２３４号公
報）。また、「需要確度診断」による因果関係分析が開
示されている（特開２００１−１３４６４３号公報）。

【０００３】また、複数の店舗の中から抽出したサンプ
ル店から製品ごとの販売量を収集し、サンプル店が全店
に占める売上実績比と、サンプル店における商品特性
（価格帯、販売対象年齢、売り方など）とに基づき、サ
ンプル店の販売量から全店の販売量を推計する一方、過
去の販売実績の推移に基づき、複数種類の販売推移パタ
ーンと最終販売見込み量とを記憶しておき、記憶してい
る販売推移パターンの中から、推計した全店の販売量の
推移パターンに類似したパターンを選択してその最終販
売見込み量をその商品の販売見込み量として生産を計画
するシステムが開示されている（特公平８−１６９５０
号公報）。

【０００４】さらに、出荷（販売ともいう）実績を時系
列的に収集し、収集したデータに移動平均，最小２乗
法，回帰等の統計手法を用いて、季節性，周期性等の傾
向を分析し、この分析結果を外挿することによって需要
予測を行っていた（以下、需要予測を時系列ベース需要
予測という）。この時系列ベース需要予測で予測された
予測値をもとに、担当者が、競合情報，販売促進情報等
を加味して勘の要素も加えて出荷見通しを立てていた。
このような予測方法としては、計画策定と意思決定のた
めの予測手法入門第２版（1998年７月３日 同友館発
行）の第４１頁から第４８頁に記載のものが知られてい
る。

【０００５】

【発明が解決しようとする課題】従来の要素間関係分析
方法および需要予測方法は、過去の実績データを分析
し、予測モデル式、或いは複数のモデル式パターンをベ
ースに、関係因子を指数にして加えるという方式、また
予測のアルゴリズム、販売実績の変動傾向分析の知識、
条件などをルールとして明文化している時系列予測、計
量モデルなどの統計解析技術を適用する方法が主流であ
る。また、コンピュータによる最新のデータによって、
自動的にモデルが進化して要素間関係を分析する手法は
これまで見当たらない。

【０００６】ところで、近年のように製品のトレンドが
短いサイクルで変化すると、分析に用いたデータがすぐ
に古くなって予測精度が落ちるので、高い予測精度を保
つためには、上述のアルゴリズム、知識、条件などのソ
フトウェアの保守が頻繁に必要となる。しかしながら、
専門家の豊富な経験、勘などに従った予測の手法をルー
ルのように明文化するには長時間を要し、また熟練を要
するので、保守を専門家に頼らなければならず保守が困
難である。これでは刻々と変化する実績データに対する
分析や予測モデル式の生成や処理時間の割に精度向上は
望めない。

【０００７】そこで、発明者は、鋭意研究の結果、実績
情報の分析と関係因子の相関分析および予測モデル式の
自動生成という観点から、本願特許出願人が先に提出し
た「３ＭＰＣＳ」エンジンを活用すればよいことを知見
し、この発明を完成させた。「３ＭＰＣＳ」エンジンと
は、特開２０００−７６２２３号公報「複雑系システム
用モデル式の人間参加型作成方法および人工頭脳」に記
載された技術である。具体的には、コンピュータにより
自動的にかつ少ない時間で処理する数式モデル作成法に
より、多変数からなる複雑なシステムを表すモデル式を
作成する方法であって、コンピュータと人間の対話の繰
り返しを通して、最終的に、データを入力するだけで様
々な状況に対応した結果を入手できる人工頭脳を意味す
る。

【０００８】この「３ＭＰＣＳ」エンジンでは、前記分
析に基づく複数の要素の相関関係を、「関係する」「無
関係」「不明」という３大視点と、その影響指数を人間
が設定することで、その精度上を達成させることができ
る。このエンジンによる関係因子の操作は、２変数組立
理論（植物の品種改良理論、遺伝子操作理論、神経系組
織理論の十分条件となっている）を活用している。

【０００９】すなわち、本発明は、このような従来技術
を背景になされたもので、「３ＭＰＣＳ」エンジンに組
み込まれている２変数組立理論における関係因子の操作
によって瞬時に状況対応の予測モデル式を再生でき、人
工知能的に継続的に蓄積利用することで高精度予測を実
現し、同時に実績データ値と状況判断を反映することが
できる要素間関係分析方法および該方法を利用したコン
ピュータの提供を目的とするものである。また、本発明
は、各種の変動要因を含んだ受注・売上等の末端情報の
場合において、これらの要素要因を「３ＭＰＣＳ」エン
ジン（予測モデル式生成用）に組込むことで、迅速且つ
高精度な要素間関係分析および予測を実現し、この予測
結果に関する実績データを再判定と再組込みを繰り返
し、柔軟で、より適切な物流計画・在庫計画・資材調達
計画・生産計画に活用する支援システムとなる要素間関
係分析方法および該方法を利用したコンピュータの提供
を目的とするものである。

【００１０】さらに、本発明は、店頭売上（POS）によ
る各販売拠点の毎日の売上結果に基づき、迅速に店頭陳
列商品売れ筋対応陳列在庫・商品補充管理の製品（商
品）の時間帯・日・曜日・週・月別販売実績に応じた予
測値を算出し、売れ筋に応じた店頭陳列在庫のスペース
最適化を考慮した製品（商品）供給・補充用に活用する
ことができる要素間関係分析方法および該方法を利用し
たコンピュータの提供を目的とするものである。そし
て、本発明は、売上予測データを基にした物流（供給）
計画、生産計画、資材調達計画への連動システムの構築
が可能で、店舗および営業所の受注・販売実績に応じた
予測を行うことにより、中間物流倉庫在庫との最適な物
流供給システムや原材料の数量調達にまで応用し、活用
することができる要素間関係分析方法および該方法を利
用したコンピュータの提供を目的とするものである。さ
らにまた、本発明は、資材・半製品・製品（商品）に関
する最適在庫調整と物流拠点在庫並びに店頭バックヤー
ド在庫の最適化を図ることによって、生産コスト、物流
コスト、廃棄コスト、在庫スペースの低減に活用でき、
より効果的な適正在庫計画、供給を図ることができる要
素間関係分析方法および該方法を利用したコンピュータ
の提供を目的とするものである。

【００１１】加えて、本発明は、企業経営戦略におい
て、地域進出・新規出店・そして新商品の追加による売
上影響度の分析を、予測値を基に算出し、短期的、中期
的な経営戦略の判断材料として有効に役立てることがで
き、逆に地域撤退・既存店舗閉鎖・商品の撤退・廃止等
の場合は、予測値を基に現場の傾向をすばやく察知し、
明確な判断材料の要素として問題点の対応策作成、改良
の実施、抜本的な改善等に活用することができ、結果的
には、統括的に見た経営財務諸表のリアルタイムな変化
の予測と経営採算分析並びに戦略変化による影響分析
（予測）ができる要素間関係分析方法および該方法を利
用したコンピュータの提供を目的とするものである。

【００１２】また、本発明は、製品の生産工程の中で、
各工程の中間品質が最終製品品質にそれぞれどう影響す
るかを評価するために、製造ラインの最終製品品質に対
する通過工程の製造条件（品質工程仕様）の数値化によ
る要素分析により最適品質製品化への各工程の影響度分
析を可能にする要素間関係分析方法および該方法を利用
したコンピュータの提供を目的とするものである。さら
に、本発明は、この予測手法において、予測計算の過程
でのそれぞれの要素間の関係分析ができ、これを階層視
覚的に影響分析として用いることで、複雑な要素間の関
連が解明可能であるとともに、複数の要素・要因が絡ま
り結果を出している「複雑系問題」「カオス系問題」に
対するモデルの解明に活用することができる要素間関係
分析方法および該方法を利用したコンピュータの提供を
目的とするものである。

【００１３】そして、本発明は、少なくとも4点の個別
製品（商品）毎の実績データおよび複数の要素の相関関
係としての関係要因を加味したモデル式を、データ収集
サイクル毎に逐次生成し、それら複数のモデル式の中か
ら最適モデル式を選択し活用することができる要素間関
係分析方法及び該方法を利用したコンピュータの提供を
目的とするものである。さらにまた、本発明は、複数の
要素を情報行列として定義し、それらの要素に変動の影
響を与えるであろう要素をも情報行列に定義すること
で、より広範囲の相関関係としてとらえることで、生成
されるモデル式の最適化への支援することを目的とする
ことができる要素間関係分析方法及び該方法を利用した
コンピュータの提供を目的とするものである。

【００１４】

【課題を解決するための手段】請求項１に記載の発明
は、複雑系システムの要素（事項）間の関係を分析する
要素間関係分析方法において、前記要素および／または
要素間関係の度合いを入力情報として入力するステップ
と、該入力情報を情報行列として定義するステップと、
下記最適モデル式の作成のとおり、有限個の要素関連式
から無関係なモデル式を除去して最適モデル式を作成す
るステップと、複数の要素における相関関係を、下記判
定基準により「＋影響」「−影響」「無関係（独立）」
という影響度として自動判定するステップと、該影響度
を階層化表現で、可視的に出力するステップと、前記要
素および／または要素間関係の度合いについて、人間が
判断した結果を変動要素として入力できるステップと、
作成された前記最適モデル式および前記変動要素から、
前記要素および／または要素間関係の度合いの「予測
値」を作成するステップとを備えた要素間関係分析方
法。最適モデル式の作成：少なくとも３個のデータを用
いて２変数（ＸとＹ）の関係を表す２変数関数（Ｚ＝ａ
＋ｂＸ＋ｃＹ）（ここで、Ｘ，Ｙ，Ｚは変数、ａ，ｂ，
ｃは定数であり最小２乗法で求める）を要素関連式とし
て有限個作成し（ただし、計算不能な２変数の組み合わ
せは削除し、計算可能な関数のみ求める）、線形最小２
乗法を用いて、上記有限個作成した２変数関数を収束さ
せ１つのモデル式とする。複数の要素における相関関係
の判定基準：ｎ個の要素をX₁,X₂,・・・・、X_nの変数で
表す場合、変数間にX_i=ｆ（X₁・・・X_k,・・・）の関係
〔たとえば、X_i＝a₀+a₁X₁+・・・+a_kX_k+・・・+（a₀は
定数項、a₁・・・a_k・・・は係数）〕の関係が有ると
き、これを「モデル式」と呼び、X_iを「結果変数」（ま
たは目的変数）、X₁,・・・X_k・・・を「原因変数」
（または説明変数）と呼び、X_i,X₁,・・・X_k・・・を
「モデル式で表される変数」とした場合、2変数を見て
一方が他方の原因変数となっているとき「関係あり」、
なっていないとき「無関係」、なっているかどうか不明
なとき「不明」とする。

【００１５】要素としては、例えば店頭陳列商品売れ筋
対応陳列在庫・商品補充管理の製品（商品）の時間帯・
日・曜日・週・月別販売実績などが挙げられる。また、
要素間関係とは、上記複数の要素間の直接的・間接的因
果関係で階層構造のグラフによって表示できる相関関係
である。最適モデル式とは、それぞれの関連要素・要因
をコンピュータの情報行列に組み込んで得られる、より
精度の高いモデル式である。このモデル式は要素関連式
という非常に膨大な式を生成するが、無関係なモデル式
を品種改良理論によって自動的に除去する過程で最適性
を判断したモデル式となる。

【００１６】請求項２に記載の発明は、前記要素が、特
定の製品（商品）の受注（販売）実績である請求項１に
記載の要素間関係分析方法である。

【００１７】請求項３に記載の発明は、前記要素が、少
なくとも４点の個別製品（商品）毎の実績データおよび
関係要因であり、前記最適モデル式が、データ収集サイ
クル毎に逐次異なったものとして作成される請求項２に
記載の要素間関係分析方法である。個別製品の点数は、
４点以上の任意の数である。

【００１８】請求項４に記載の発明は、前記入力情報を
情報行列として定義するステップにおいて、前記変動要
素も入力情報に含む請求項１〜３のうち、いずれか１項
に記載の要素間関係分析方法である。

【００１９】請求項５に記載の発明は、要素（事項）お
よび／または要素間関係の度合いを入力情報として入力
する入力手段と、該入力情報を情報行列として定義する
定義手段と、下記最適モデル式の作成のとおり、有限個
の要素関連式から無関係なモデル式を除去して最適モデ
ル式を作成するモデル式作成手段と、複数の要素におけ
る相関関係を下記判定基準により「＋影響」「−影響」
「無関係（独立）」という影響度として自動判定する自
動判定手段と、該影響度を階層化表現で、可視的に出力
する出力手段と、前記要素および／または要素間関係の
度合いについて、人間が判断した結果を変動要素として
入力できる変動要素入力手段と、作成された前記最適モ
デル式および前記変動要素から、前記要素および／また
は要素間関係の度合いの「予測値」を作成する予測値作
成手段とを備えたコンピュータである。最適モデル式の
作成：少なくとも３個のデータを用いて２変数（Ｘと
Ｙ）の関係を表す２変数関数（Ｚ＝ａ＋ｂＸ＋ｃＹ）
（ここで、Ｘ，Ｙ，Ｚは変数、ａ，ｂ，ｃは定数であり
最小２乗法で求める）を要素関連式として有限個作成し
（ただし、計算不能な２変数の組み合わせは削除し、計
算可能な関数のみ求める）、線形最小２乗法を用いて、
上記有限個作成した２変数関数を収束させ１つのモデル
式とする。複数の要素における相関関係の判定基準：ｎ
個の要素をX₁,X₂,・・・・、X_nの変数で表す場合、変数
間にX_i=ｆ（X₁・・・X_k,・・・）の関係〔たとえば、X_i
＝a₀+a₁X₁+・・・+a_kX_k+・・・+（a₀は定数項、a₁・・
・a_k・・・は係数）〕の関係が有るとき、これを「モデ
ル式」と呼び、X_iを「結果変数」（または目的変数）、
X₁,・・・X_k・・・を「原因変数」（または説明変数）
と呼び、X_i,X₁,・・・X_k・・・を「モデル式で表される
変数」とした場合、2変数を見て一方が他方の原因変数
となっているとき「関係あり」、なっていないとき「無
関係」、なっているかどうか不明なとき「不明」とする
ものである。

【００２０】請求項６に記載の発明は、前記要素が、特
定の製品（商品）の受注（販売）実績である請求項５に
記載のコンピュータである。

【００２１】請求項７に記載の発明は、前記要素が、少
なくとも４点の個別製品（商品）毎の実績データおよび
関係要因であり、前記最適モデル式が、データ収集サイ
クル毎に逐次異なったものとして作成される請求項６に
記載のコンピュータである。

【００２２】請求項８に記載の発明は、前記定義手段で
は、前記変動要素も入力情報とする請求項５〜８のう
ち、いずれか１項に記載のコンピュータである。

【００２３】

【発明の実施の形態】本発明は、特開２０００−７６２
２３号公報記載の「３ＭＰＣＳ」エンジンを活用して、
多変数からなる複雑なシステムを表すモデル式を作成す
る方法であって、コンピュータと人間の対話の繰り返し
を通し、最終的に、データを入力するだけで様々な状況
に対応した結果を入手することができる要素間関係分析
方法および該方法を利用したコンピュータである。本発
明では、各種の変動要因を含んだ要素および／または要
素間関係の度合いを「３ＭＰＣＳ」エンジン（予測モデ
ル式生成用）に組込むことで、迅速且つ高精度な要素間
関係分析および要素などの予測を実現し、この予測結果
に関する実勢データを再判定と再組込みを繰り返して、
柔軟で、より適切なたとえば物流計画・在庫計画・資材
調達計画・生産計画などを可能にすることができるもの
である。そこで、人間の知識の導入をはかるため、モデ
ル式で表される変数間の因果関係を視覚化する階層構造
の有向グラフを求める。この階層構造の有向グラフと
は、原因変数から結果変数に向けて矢印を引いた有向グ
ラフを作成し、次にこれを簡素化して、因果関係の骨格
だけを表したものである。また、同時に、内挿によりモ
デル式の精度を求め、かつ外挿値（予測値）を計算す
る。これにより得られるコンピュータからの情報（モデ
ル式、階層構造の有向グラフ、内挿によりモデル式の精
度、外挿値）を人間が判断して、情報行列Ｃならびに変
数およびデータの修正を行なう。コンピュータは、修正
された情報行列Ｃならびに変数およびデータをもとに再
び情報を作成する。このように、コンピュータと人間の
対話の繰り返しを通して、相互啓発が進み、新しい発見
・知識の整理・曖昧部分が確定されることなどが起こ
り、人間の知識を蓄積した結果、情報行列Ｃが収束し変
数・データ修正手段も確立する。このようにして得られ
る収束した情報行列Ｃと変数・データ修正手段をコンピ
ュータに組み込んで人工頭脳を作成すると、最新情報を
取り入れたシステムのモデリングが可能となり、データ
を入力するだけで、前記物流計画・在庫計画・資材調達
計画・生産計画といった様々な状況に対応した結果を入
手できる。

【００２４】以下、この「３ＭＰＣＳ」エンジンを具体
的に説明する。本発明は、３個以上のデータを用いて２
変数（ＸとＹ）の関係を表す２変数関数（Ｚ＝ａ＋ｂＸ
＋ｃＹ）（ここで、Ｘ，Ｙ，Ｚは変数、ａ，ｂ，ｃは定
数であり最小２乗法で求める）を有限個作成し（ただ
し、計算不能な２変数の組み合わせは削除し、計算可能
な関数のみ求める）、線形最小２乗法を用いて幾何学的
解釈をすることにより収束させて複雑系システム用モデ
ル式を作成する。人間活動との関係が顕著な複雑なシス
テムをモデル式を作成してモデル化する場合、システム
は、ｎ個の変数（X₁ 〜X_n ）を用いて下式（４）で表
すことができる。

【００２５】 Ｘ＝｛X₁，X₂，・・・・，X_n ｝ ・・・（４） 上式（４）のそれぞれの変数 X₁ 〜X_n に対しデータが
蓄積されているものとする。この場合、変数Ｘ間の相互
の関係式として、結果変数（従属変数）（たとえばX
_n ）を原因変数（独立変数）（この場合X₁ 〜X_n-1）で
表した下式（５）を、システムのモデル式とすることが
でき、システム全体の数式構造が判明する。 X₁ ＝ｆ₁（X₂ ，X₃ ，．．．，X_n ） X₂ ＝ｆ₂（X₁ ，X₃ ，．．．，X_n ） ． X_n ＝ｆ_n （X₁，X₂，・・・・，X_n-1 ） ・・・（５）

【００２６】システムを代数方程式で表現する静的モデ
ル式の作成法として、上記（５）式として、X₁，X₂，・
・・・，X_n ，X_n+1 の中の一つX_n+1 を結果変数（従
属変数）ｙと置いた下式（６）の作成法を下記に示す。 ｙ＝ｆ（X₁，X₂，・・・・，X_n ） ・・・（６） 上式（６）のｙは、取り扱うモデルが線型モデルである
ため下式（７）とおける。 ｙ＝ａ₀＋ａ₁X₁＋．．．＋ａ_nX_n・・・（７） （線形式の作成で非線形式をカバーすることができる
が、必要であれば、高次関数、三角関数、指数関数、対
数関数など１変数として付け加えてもよい）

【００２７】たとえば、ｎ＝５、X₅ ＝ｙとしたとき、
この作成法が有効なことを下記に示し、変数の個数ｎが
何であってもこの作成法が有効なことを示す。このとき
上式（６）は、下式（８）となる。 ｙ＝ｆ（X₁，X₂，X₃，X₄） ・・・（８） 変数を２個づつ組み合わせて、 ₄Ｃ₂ 個（一般式は、
_n-1 Ｃ ₂ 個）の下式（９ａ）〜（９ｆ）を作成す
る。．．．．．．の近似誤差を、ε_n とする。 ｙ₁＝ｆ₁（X₁，X₂），ε₁ ・・・（９ａ） ｙ₂＝ｆ₂（X₁，X₃），ε₂ ・・・（９ｂ） ｙ₃＝ｆ₃（X₁，X₄），ε₃ ・・・（９ｃ） ｙ₄＝ｆ₄（X₂，X₃），ε₄ ・・・（９ｄ） ｙ₅＝ｆ₅（X₂，X₄），ε₅ ・・・（９ｅ） ｙ₆＝ｆ₆（X₃，X₄），ε₆ ・・・（９ｆ） 上式（９ａ）〜（９ｆ）は、いずれも（ｎがどんなに大
きくても）下式（１０）となる。 ｙ＝ａ₀＋ａ₁X₁＋ａ₂X₂ ・・・（１０） （ａ₀，ａ₁，ａ₂）を最小２乗法で決めるには、（ｙ，X
₁，X₂）に対するデータが３個あればよい。上式（９
ａ）〜（９ｆ）の近似誤差ε_n の関係を下式（１１）と
する。 ε₁≦ε₂≦ε₃≦ε₄≦ε₅≦ε₆ ・・・（１１）

【００２８】上式（１１）中から近似誤差の小さいもの
を２個選び、下式（１２ａ）および（１２ｂ）とする。 ｙ₁＝ｆ₁（X₁，X₂），ε₁・・・（１２ａ） ｙ₂＝ｆ₂（X₁，X₃），ε₂ ・・・（１２ｂ） 上式（１２ａ）および（１２ｂ）の（ｙ₁ ，ｙ₂ ）を、
システムの新しい変数として考える。新変数（ｙ₁ ，ｙ
₂ ）に対するデータは、旧いデータ（X₁ ，X₂ ，X₃ ）
に対するデータを用いて上式（１２ａ）および（１２
ｂ）から得られ、下式データ（１３ａ）および（１３
ｂ）となる。 ｆ₁（ｄ_1i，ｄ_2i），（ｉ，ｊ＝１，２，．．．） ・・・（１３ａ） ｆ₂（ｄ_1i，ｄ_3i），（ｉ，ｋ＝１，２，．．．） ・・・（１３ｂ）

【００２９】次に、下式（１４）と置き、最小２乗法で
（ｂ₀ ，ｂ₁ ，ｂ₂ ）を定める。 ｚ＝ｇ（ｙ₁，ｙ₂）＝ｂ₀＋ｂ₁ｙ₁＋ｂ₂ｙ₂，ε’ ・・・（１４） この時用いるデータは、上式（１３ａ）および（１３
ｂ）である。このときの近似誤差をε’とする。そし
て、ε₁ ，ε₂ ，ε’のうち最小なものを、最終モデル
として採用する。たとえば、ε’が最小の近似誤差とす
れば、上式（１４）に上式（１２ａ）および（１２ｂ）
を代入して下式（１５）となる。 よって、上式（８）のモデル式として下式（１６）が得
られる。 ｙ＝ｇ’（X₁，X₂，X₃） ・・・（１６）

【００３０】上記技法において、植物の品種改良にたと
えて、２変数の関数を作成することを「交配」、その中
から近似誤差εの小なるものを選ぶことを「選択」、モ
デル式を「品種」と呼ぶとすると、上記モデル式作成法
は、「交配」と「選択」を繰り返して最良の「品種」
（１６）を得る方法である。上記モデル式作成法で、２
変数の関数を有限回作成することにより多変数の任意の
関数を作成する過程を「自己学習過程」と呼ぶ。

【００３１】静的モデル式の作成のフローチャートを図
１に示す。図１は、変数X₁，X₂，・・・・，X_n，X_n+1の
中の一つX_n+1を結果変数ｙと置いた上式（６）ｙ＝ｆ
（X₁，X₂，・・・・，X_n）を作成する過程を示したもの
である。最初はX₁，X₂，・・・・，X_nを、X^k ₁，
X^k ₂，．．．，X^k _n（ｋ＝１）と置いて、ｙ₁＝ｆ
₁（X^k ₁，X^k ₂） ｙ₂＝ｆ₂（X^k ₁，X^k ₃） ｙ_p＝ｆ_p（X^k _p-1，X^k _p） （ただしｐ＝ _nＣ₂ ）を作成し、この中からｙとの近似
誤差εが小さい方より［ｎ／２］個（［ ］内は、ガウ
ス記号であり、下記縮小文字の（ｎ／２）は［ｎ／２］
を表す）選び（この場合、計算量を削減するのが主たる
目的だから、他の選び方をしてもよい）、ｆ^k ₁，
ｆ^k ₂，．．．，ｆ^k _(n/2)と置き、これを改めてX^k+1 ₁，X
^k+1 ₂，．．．，X^{k +1}(n/2)として次の階の選択された変
数とする。この作業を繰り返し、ｐ＝１となれば計算を
中止し、求めたものの中で近似誤差εが最小なものを数
式（６）とする。また、ｋは計算の階層の数を表し、ｋ
＝１，２，．．．とする。

【００３２】上記、数式（６）を作成する過程におい
て、２変数の組み合わせはｙ＝ａ₀＋ａ₁X₁＋ａ₂X₂のタ
イプであり、最小２乗法を用いて係数（ａ₀，ａ₁，
ａ₂）を求める。共線性問題等で計算不能となるものは
削除することにしているため、求められたものは、線形
最小２乗法の幾何学的解釈より、計算の階層が進めば近
似誤差εが小さくなることが言える。従って、ｐ＝１と
なる最終階層で得られるものが近似誤差εが最小となる
はずであるが、計算誤差の積み重ねなどから、必ずその
ようになるとは言い切れない。従って、各階層で求めら
れたものの中から、近似誤差εが最小なものを取り出す
ことにしている。

【００３３】複雑系システムを連立差分方程式で表現す
る動的モデル式の作成法は、上記静的モデル式の作成法
を少し変えればよい。現時点（ｔ）の変数値をX₁
（ｔ）とすると、X₁ （ｔ）は過去の時点（ｔ−１）の
変数値X₂ （ｔ−１）と、さらにその前の過去の時点
（ｔ−２）の変数値X₃ （ｔ−２）とで求まるとする。
この時、現時点（ｔ）の変数値X₁ （ｔ）は下式（１
７）で表される。これが、本発明の複雑系システムの動
的モデル式である。 X₁（ｔ）＝ａ＋ｂX₂（ｔ−１）＋ｃX₃（ｔ−２） ・・・（１７） 上式（１７）より、時点を変えることにより、未来予測
値X₁（ｔ＋１）、X₁（ｔ＋２）、．．．が下式（１８
ａ）、（１８ｂ）のように求められる。 X₁（ｔ＋１）＝ａ＋ｂX₂（ｔ）＋ｃX₃（ｔ−１） ・・・（１８ａ） X₁（ｔ＋２）＝ａ＋ｂX₂（ｔ＋１）＋ｃX₃（ｔ） ・・・（１８ｂ）

【００３４】本発明は、上記モデル式作成法において、
基本演算式をＺ＝ａ＋ｂＸ＋ｃＹとしたため、従来の多
変量解析などの手法に比較して計算時間が激減する。本
発明者らの従来の計算時間の１，０００分の１となる場
合もある。これは、本発明において人間とコンピュータ
との対話がスムースに行なわれる大きな要因である。ま
た、本発明においては予め数式を仮定する必要がなく、
２変数の関数を有限回作成することにより、モデル式を
自動的に求めることができる。さらに、変数の個数が多
くても、各変数のデータは少なくとも３個あればよいの
で、従来手法ではデータ数が少なくてモデリングできな
かったケースにも対応できる。

【００３５】本発明は、上記定理１〜５を基にして作成
される階層構造の有向グラフを利用した、人間参加型手
段により修正される情報行列Ｃによる制御のもとで行な
われる最適モデル式を中間段階で作成する。システムが
複雑になり、変数の個数ｎが大きくなればなるほど、上
式（５）の数式モデルで示されるシステムの構造、すな
わち変数間の因果関係は、複雑で分かりにくい。そこ
で、この変数間の因果関係を視覚化して、参加する人間
に理解しやすくするため、構造解析を行なう必要があ
る。構造解析は、まず原因変数から結果変数に向けて矢
印を引いた有向グラフを作成し、次にこれを簡素化し
て、因果関係の骨格だけを表す階層構造の有向グラフを
作成することで行なう（この時、矢印によりある変数間
が結ばれるとき、その変数間にパスがあるという）。

【００３６】有向グラフの作成およびその簡素化を、図
２を用いて説明する。 （イ）要素の最小結合として、原因変数と結果変数との
関係を矢印で示す。 （ロ）有向グラフを作成する。 （ハ）変数が、直接または間接的に互いに他の変数の原
因変数となり、かつ、結果変数となっている（原因変数
から結果変数へ向かって出た矢印が連続した結果、最初
の原因変数へ戻ってくる）場合、上記グラフにおいて
は、これらの変数を通るサイクルが存在するという。サ
イクルが存在する場合、これらの変数を１つにまとめ
て、上記グラフからサイクルを取り除く。 （ニ）２つの変数間において、原因変数から結果変数へ
直接に向かう矢印と、他の変数を挟んで間接的に向かう
矢印がある場合、原因と結果だけに着目すれば、直接に
向かう矢印は不要になる。よって上記グラフからこの直
接に向かう矢印を取り除く。（イ）〜（ニ）の処理を行
なうことによって、因果関係の骨格だけを表す階層構造
の有向グラフを作成することができる。

【００３７】システムの階層構造の有向グラフは、上記
定理１〜５を用いて作成することができる。上記定理１
〜５は、本発明者らが新たに作成したオリジナルなもの
であり、すべて下記に示されるように証明を完了してい
る。「定理１（行列Ｂの累乗Ｂ^t の性質に関する定
理）；行列Ｂは、ｎ×ｎ行列であり、その要素は０また
は１から成り立っており、また、モデル式の中に原因変
数X_pqがあれば、ｐ行ｑ列の要素が１となるとき、行列
Ｂ^t ＝［（ｂ_pq）^t ］において、（ｂ_pq）^t ＝１ ⇔X_q
＜^(t) X_p ただし、＜^(t) は、長さｔ（正の整数）のパ
スでサイクルも含むものとする。」の証明を下記に示
す。 （Ｉ）ｔ＝１のとき、Ｂ¹ ＝Ｂで、命題は成立する。 （II）ｔ＝ｋ（ｋは正の整数）で命題が成立するとすれ
ば、（ｂ_pq）^k ＝１ ⇔X _q ＜^(k) X_p・・・（１９）と
仮定できる。いま、（ｂ_pq）^k+1 ＝１ならば、（ｂ_pq）
^k+1 ＝（ｂ_p1）^k （ｂ_1q）¹ ＋．．．＋（ｂ_pn）^k（ｂ
_nq）¹は、Ｂｏｏｌｅａｎ演算によるから、 （ｂ_pm）^k （ｂ_mq）¹＝１（ｍ＝１，２，．．．，ｎ） となる１が、少なくとも１つ存在する。従って、その１
つを（ｂ_pm）^k （ｂ_mq） ¹＝１とすると、（ｂ_mq）¹ ＝
１、かつ、（ｂ_pm）^k ＝１上仮定式（１９）より、X_q
＜⁽¹⁾ X_m 、かつ、X_m ＜^(k) X_p推移律により、 X_q ＜⁽¹⁾ X_m、かつ、X_m＜^(k) X_p ⇒X_q ＜^(k+1) X_p ∴（ｂ_pq） ^k+1 ＝１⇒X_q ＜ ^(k+1) X_p ・・・（２０） 逆に、X_q ＜ ^(k+1) X_p ならば、必ずX_q ＜^(k) X_m、か
つ、X_m＜⁽¹⁾ X_pを満たすX _mが存在する。従って、上仮定
式（１９）より （ｂ_mq）^k ＝１、かつ、（ｂ_pm）¹ ＝１ ∴（ｂ_pq）^k+1 ＝（ｂ_p1）¹（ｂ_1q）^k＋．．．＋
（ｂ_pn）¹ （ｂ_nq）^k （ｂ_pq） ^k+1 ＝１ ∴X_q ＜^(k+1)X_p ⇒（ｂ_pq）^k+1 ＝１ ・・・（２１） ゆえに上式（２０）、（２１）から（ｂ_pq）^k+1 ＝１
⇔ X_q ＜^(k+1) X_pとなり、ｔ＝ｋ＋１のとき命題は成
立する。（Ｉ）、（II）より、ｔが正の整数の範囲で命
題は成立する。

【００３８】「定理２（行列Ｂの累乗Ｂ^t の和の性質に
関する定理）； Ｒ（ｋ）＝Ｂ＋Ｂ² ＋．．．＋Ｂ^k ・・・（１） Ｒ（ｋ）＝［（ｒ_pq）^k ］ ・・・（２） （ただし、ｋ＝１，２，．．．）とおくと、（ｒ_pq）^k
＝１ならば、X_q ＜^(s) X_p（１≦ｓ≦ｋ）となるパス
（サイクルを含む）が存在する。」の証明は、上記定理
１とＢｏｏｌｅａｎ演算の性質より明らかである。

【００３９】「定理３（到達行列Ｒの定義）；任意の２
変数の間のパス（サイクルを含む）が「ある」時を１、
「ない」時を０で示した行列を、到達行列Ｒ（＝
［ｒ_pq］）とし、また、ｒ_pq＝１ならば、原因変数と結
果変数が同じX_p となるパス（サイクルを含む）が存在
するとき、Ｒ＝Ｅ＋Ｂ＋Ｂ² ＋．．．＋Ｂⁿ ＋．．．と
置いたとき、 Ｒ＝Ｅ＋Ｂ＋Ｂ² ＋．．．＋Ｂ^n-1 ・・・（３） （ただし、Ｅは、単位行列）と置ける。」の証明を下記
に示す。証明として、Ｒ ¹ ＝Ｅ＋Ｂ＋Ｂ² ＋．．．＋Ｂ
^n-1 ＝［（ｒ_pq）¹ ］ Ｒ² ＝Ｂⁿ ＋Ｂⁿ⁺¹ ＋．．．＝［（ｒ_pq）² ］ と置いて、Ｒ＝Ｒ¹ となることを示す。 （ｒ_pq）² ＝１ならば（ｒ_pq）² ＝１⇒ X_q ＜(k) X_p
（ｎ≦ｋ） となるパスが存在する。この場合、変数がｎ個だから、
有向グラフではX_p とX_qを結ぶパスが必ず存在して、X_q
＜(k) X_p （１≦ｋ≦ｎ−１）となる。ゆえに、
（ｒ_pq）² ＝１ ⇒ （ｒ_pq）¹＝１ この対偶は、（ｒ_pq）¹ ＝０ ⇒ （ｒ_pq）² ＝０また、
（ｒ_pq）¹＝１ ならば（ｒ_pq）² ＝０ であっても、
（ｒ_pq）² ＝１であっても、Ｂｏｏｌｅａｎ演算で計算
すると、（ｒ_pq）¹ ＋（ｒ_pq）² ＝（ｒ_pq）¹ となるか
ら、Ｒ＝Ｒ¹ となる。

【００４０】「定理４（到達行列Ｒによる同値
（≡））；到達行列Ｒのｐ行とｑ行が等しい。⇔ X_p ≡
ｘ_q」の証明を下記に示す。 （Ｉ）「到達行列Ｒのｐ行とｑ行が等しい。⇒X_p ≡X_q」の証明到達行列Ｒにお いてｐ行とｑ行が等しければ、その要素においてｒ_pm＝ｒ_am（１≦ｍ≦ｎ） ・ ・・（２２） 一方、ｒ_pp＝１、ｒ_qq＝１だから、上式（２２）におい
て、ｍ＝ｐ と置くと、ｒ_qp＝ｒ_pp＝１ ∴X_p ＜X_q ｍ＝ｑ と置くと、ｒ_pq＝ｒ_qq＝１ ∴X_q ＜X_p ゆえに、X_p＜X_q 、X_q ＜X_p⇒ X_p ≡X_q （II）「X_p ≡X_q ⇒ 到達行列Ｒのｐ行とｑ行が等し
い。」の証明 （ｉ）「ｒ_pk ＝１ ⇒ ｒ_qk＝１」の証明ｒ_pk＝１ ⇒X_k
＜X_p である。一方、仮定X_p≡ X_q から、 X_p＜X_qゆえ
に推移律からX_k＜X_p、X_p＜X_q⇒ X_k＜X_q∴ｒqk＝１（i
i）「ｒ_pk ＝０ ⇒ ｒ_qk＝０」の証明ｒ_pk＝０のとき、
ｒ_qk＝１と仮定すると、上記（II）（ｉ）と同じ推論か
ら、ｒ_pk＝1 となり、この仮定は矛盾する。 ∴ｒ_qk＝
０上記（II）（ｉ）〜（ii）からX_p≡ X_q ⇒到達行列Ｒ
のｐ行とｑ行が等しい。

【００４１】「定理５（小行列ｒ_ab'の要素）；ｎ×ｎ
の到達行列Ｒの行ベクトルの等しいものどうしで各グル
ープごとにまとめ、ｍ×ｍ（ｍ≦ｎ）のブロック行列
（小行列ｒ_ab'）とするとき、小行列ｒ_ab'の要素はすべ
て１、またはすべて０である。」の証明を下記に示す。 ｛X₁ ，X₂ ，．．．，X_n ｝／≡＝｛X₁'，
X₂'，．．．， X_m ' ｝ （ただし、ｍ≦ｎ）として、X_a' ，X_b' のある要素X
_h ， X_p に対して、ｒ_hp＝1が成立すれば、任意な
X_a'，X_b' の要素X_h ，X_p に対して、X_h≡X_q ，X_p ≡X_k
だから、ｒ_qk＝1 となる。 ∴∃X_h∈X_a'，∃X_p∈X_b'に対して、ｒ_hp＝1⇒ ∀X_q ∈X
_a'，∀X_k∈X_b'に対して、ｒ_qk＝1従って、∃X_q∈X_a'，
∃X_k ∈X_b'に対して、ｒ_qk＝０⇒ ∀X_h∈X_a'，∀X_p∈
X_b'に対して、ｒ_hp＝０

【００４２】本発明のモデル式の作成は、従来法のよう
に、直接数式を仮定するのではなく、階層構造の有向グ
ラフを利用した人間参加により修正される情報行列Ｃに
よる制御のもとで行なわれる。これにより、システムに
対する人間の知識や日常経験の積み重ねによって培われ
た直観・センス・イメージなどの漠然としたものが下地
となった人間の勘をモデル式作成に取り入れることがで
きる。ここで用いる情報行列Ｃは、システムの定性的部
分を管理するための行列であり、変数とそのデータをチ
ェックしてシステムの定量的部分を管理し、本発明の目
的を果たすようにする。情報行列Ｃの作成や変数とその
データのチェックは、コンピュータと人間との対話の繰
り返しにより行なう。

【００４３】情報行列Ｃは、システムの変数がｎ個なら
ばｎ×ｎ行列であり、その要素ｒ_pqは０，１，２で示さ
れ、ｒ_pq＝０のとき、変数X_q は変数X_p の原因変数とな
らず、ｒ_pq＝１のとき、変数X_q が変数X_p の原因変数と
なるかどうか不明であり、ｒ _pq＝２のとき、変数X_q は
変数X_p の原因変数となる。要素ｒ_pqが１で仮定できな
い場合、人間が随時定めた一定条件を満たした場合に、
変数X_q を変数X_p の原因変数とする。

【００４４】本発明のモデル式の作成開始時は、情報行
列Ｃの要素を、ｒ_pq＝１（ｐ≠ｑ），ｒ_pp＝０（ｐ＝１
〜ｎ）と置き、変数間の相関の強さだけで、システム全
体のモデル式（５）を作成し、階層構造の有向グラフを
作成して構造解析を行ない、内挿によるモデル式の精度
（近似誤差）、外挿値（予測値）を求める。これらの情
報（モデル式（５）、階層構造の有向グラフ、内挿によ
るモデル式の精度、外挿値）を、人間（システム専門
家）に提供する。人間は、これらの情報から有向グラフ
の不必要な矢印と、どうしても必要な矢印を見つけ出
し、情報行列Ｃの要素ｒ_pqを下記のように変更する。変
数X _p が変数X _q の原因変数とならないとき、ｒ_pq＝０
と変更する。変数X _p が必ず変数X _p の原因変数となる
とき、ｒ_pq＝２と変更する。なお、本発明の影響度と
「関係あり」「関係なし」「不明」は、別の範疇の概念
である。例えば、モデル式 Ｙ＝ａ+ｂＸ₁−ｃＸ₂（ｂ
＞0、ｃ＞0）を例に取ると、Ｘ₁の係数は「正」だか
ら、説明変数Ｘ₁は目的変数Ｙに「＋影響」を与えてい
る。Ｘ₂の係数は「負」だから、説明変数Ｘ₂は目的変数
Ｙに「−影響」を与えている。この式の中に現れていな
い変数は、Ｙに「無関係」と言う。一方、「関係あり」
「関係なし」「不明」は、それぞれ「2」「0」「1」と
おき、これを要素とした情報行列を作成する。「不明」
は、情報行列の中で「1」になっている変数で、コンピ
ュータが要素分析を自動判定して影響度を計算する。
「1」となっている変数は、自動判定で、良い影響を与
える場合には、説明変数として取り入れられ、悪い影響
を与える場合には、取り入れられない。「2」となって
いる変数は、作成されたモデル式に、必ず説明変数とし
て現れ、「0」となっている変数は、作成されたモデル
式に表れない。

【００４５】要素ｒ_pqを変更された情報行列Ｃの制御の
もとに、再びコンピュータにより上記情報を求めて、人
間に再度提供する。このようなコンピュータと人間との
情報の交換、すなわち対話を、情報行列Ｃの要素ｒ_pqの
修正（定性的修正）が無くなり、情報行列Ｃが収束する
まで繰り返す。これらの作業を通して、コンピュータと
人間両者の相互啓発が行なわれ、新しい発見も生まれ
る。

【００４６】情報行列Ｃが収束しても、内挿によるモデ
ル式の精度、外挿値に対して納得いかない場合、人間に
よって変数とデータをチェックし、下記(1)〜(3)を修正
（定量的修正）する必要がある。 (1)不必要な変数を取り除き、必要な変数があれば取り
入れる。 (2)異常データを取り除き、欠落データを作成する。 (3)データの修正（データ変換、トレンド除去、フィル
タリングなど）を行なう。 上記(1)〜(3)の処理は、一度に行ってもよいが、対話を
繰り返しながら、個々に実行する方が好ましい。このよ
うにして、従来では困難とされていた仮定不可能な部分
を多く含む複雑系システムにおいても、状況の変化に即
したモデル式を容易に作成できる。

【００４７】上記コンピュータと人間の対話を図３のフ
ローチャートを用いて説明する。最初に、人間の知識を
インプットしていない情報数列Ｃを用いて、モデル式・
階層構造の有向グラフ・内挿によるモデル式の精度・外
挿値を求め、これをコンピュータからの情報として人間
に示す。人間は、有向グラフの理屈の合わない矢印を消
去し、必要な矢印を加えて、情報行列Ｃの要素を修正す
る。この繰り返しを情報行列Ｃが収束するまで継続す
る。これが定性的修正である。定性的修正が完了する
と、次に変数・データの修正を行なう。これが定量的修
正である。この結果、変数とデータの処理法が確定す
る。この定性的修正および定量的修正の２つの修正は、
平行して行なわれてもよい。

【００４８】上記コンピュータと人間との対話の繰り返
しは、両者の相互啓発が行なわれ、新しい発見・知識の
整理・曖昧部分が確定されることなどが起こり、人間の
知識を蓄積した結果、情報行列Ｃが収束し、変数・デー
タ修正手段が確立する。このようにして得られる収束し
た情報行列Ｃと変数・データ修正手段とをコンピュータ
に組み込むことで、人工頭脳を作成できる。この人工頭
脳は最新情報を取り入れたシステムのモデリングが可能
であり、データを入力するだけで、様々な状況に対応し
た結果を入手できる。

【００４９】次に、図４および図５に基づき、この「３
ＭＰＣＳ」エンジンを利用した特定製品の販売・店頭在
庫の最適予想方法を説明する。図４は、本発明のコンピ
ュータの制御系を示すブロック図である。図５は、本発
明の要素間関係分析方法のフローチャートである。図４
において、１０はコンピュータであり、このコンピュー
タ１０はメイン制御部１１を有している。このメイン制
御部１１は、コンピュータ１０の主体としてＣＰＵ１２
を具備し、このＣＰＵ１２には、情報記憶媒体としての
ＲＯＭ１３とＲＡＭ１４とが接続されている。メイン制
御部１１には、システムバス１５が接続されており、こ
のシステムバス１５には、キーボード（入力手段，変動
要素入力手段）１６、定義手段１７、モデル作成手段１
８、自動判定手段１９、予測値作成手段２０、ディスプ
レイ２１とが接続されている。

【００５０】キーボード１６は、一年間にわたる特定製
品の販売実績および店頭在庫の動向を入力するととも
に、これらの販売実績や店頭在庫に関して、熟練した在
庫管理者が判断した結果を変動要素として入力する。定
義手段１７は、入力情報を情報行列Ｃとして定義する。
このとき、変動要素も入力情報する。モデル作成手段１
８は、前記「３ＭＰＣＳ」エンジンを利用し、有限個の
要素関連式から無関係なモデル式を除去して最適モデル
式を作成する。自動判定手段１９は、複数の要素におけ
る相関関係を前記判定基準に基づいて「関係あり」「無
関係」「不明」という影響度として自動判定する。予測
値作成手段２０は、得られた最適モデル式および変動要
素から、特定製品の販売実績および店頭在庫の各予測値
を作成する。ディスプレイ２１は、液晶ディスプレイで
ある。

【００５１】次に、図５を参照して、このコンピュータ
１０を利用した特定製品の販売・店頭在庫の最適予想方
法を具体的に説明する。すなわち、キーボード１６を使
用し、一年分の特定製品の販売実績や店頭在庫の動向を
入力する。この入力は、４点の個別製品毎に行われる。
また、これらの販売実績や店頭在庫の動向に関する在庫
管理者の判断も変動要素として入力する。これらは、Ｒ
ＡＭに記憶される。次いで、定義手段１７により、これ
らの販売実績や店頭在庫の動向および在庫管理者が判断
した変動要素を情報行列Ｃとして定義する。その後、モ
デル作成手段１８により、「３ＭＰＣＳ」エンジンを利
用し、有限個の要素関連式から無関係なモデル式を除去
して最適モデル式を作成する。

【００５２】それから、自動判定手段１９により、複数
の要素における相関関係を前記判定基準に基づき、「関
係あり」「無関係」「不明」という影響度として自動判
定する。次に、予測値作成手段２０によって、得られた
最適モデル式および変動要素から、特定製品の販売実績
および店頭在庫の各予測値を作成する。得られた各予測
値は、ディスプレイ２１により画面表示され、図示しな
いプリンタにより印刷される。また、これらの予測値
は、例えば資材在庫計画と資材供給計画・生産計画と在
庫計画・物流計画と物流在倉庫在庫計画などの作成にも
利用することができる。

【００５３】図６に、本発明の一態様を表したシステム
関連図を示す。図６においては、受注（販売）・店頭在
庫などの最前線の情報を情報収集し、この情報を「３Ｍ
ＰＣＳ」による予測システムを通じて販売・店頭在庫の
最適予測を行い、次にこの予測値を使って、資材在庫計
画と資材供給計画・生産計画と在庫計画・物流計画と物
流倉庫在庫計画に連結できる。

【００５４】このように、最前線の販売・在庫動向の情
報に基づいて、「３ＭＰＣＳ」エンジンで予測し、その
予測値および要素相関関係を眺めて人間が補正し、それ
を最終予測として活用することができる。また、複雑な
複数要素の相関関係を元に生成する何百何千何万のモデ
ル式を、人間が判断し最適モデル式を選択するには非常
な時間的労力を要するが、この「３ＭＰＣＳ」エンジン
を活用すれば瞬時（１−３秒程度）に可能である。さら
に、新たな変動要素として発見した要素に関しても情報
行列に組込むことができ、同時にその要素を組込んだ時
点からその変動要素を含めた情報行列として扱われ、そ
の情報行列を透過したデータは、新たな最適モデル式と
して生成され活用できる。

【００５５】

【発明の効果】本発明は、このように「３ＭＰＣＳ」エ
ンジンに組み込まれている２変数組立理論における関係
因子の操作によって瞬時に状況対応の予測モデル式を再
生することができ、人工知能的に継続的に蓄積利用する
ことで要素および／または要素間関係の度合いの高精度
予測を実現し、同時に実績データ値と状況判断を反映す
ることができる。

【００５６】特に、請求項３および請求項７の発明にあ
っては、複数の要素が絡む関係に於ける最適モデル式の
生成とその要素間の相関関係の強弱の判定が瞬時に出来
る。

【００５７】また、請求項４および請求項８の発明にあ
っては、自明な要素以外にこの「３ＭＰＣＳ」エンジン
を通すことで判明する関係要素を逐次情報行列に組込む
ことができるので、その後のデータは新たな情報行列で
データ処理されその都度、モデル式を生成し、その中の
最適モデル式を選択することから結果的に柔軟な対応結
果が得られることとなる。

【図面の簡単な説明】

【図１】本発明の要素間関係分析方法に利用される「３
ＭＰＣＳ」エンジンの静的モデル式作成のフローチャー
トである。

【図２】本発明の要素間関係分析方法に利用される段階
構造の有向グラフの作成を示す図である。

【図３】本発明の要素間関係分析方法に利用されるモデ
ル式の作成において、コンピュータと人間の対話につい
てのフローチャートである。

【図４】本発明のコンピュータの制御系を示すブロック
図である。

【図５】本発明の要素間関係分析方法のフローチャート
である。

【図６】本発明の一態様を表したシステム関連図であ
る。

【符号の説明】

１０ コンピュータ １１ メイン制御部 １２ ＣＰＵ １３ ＲＯＭ １４ ＲＡＭ １５ システムバス １６ キーボード（入力手段，変動要素入力手段） １７ 定義手段 １８ モデル作成手段 １９ 自動判定手段 ２０ 予測値作成手段 ２１ ディスプレイ

───────────────────────────────────────────────────── フロントページの続き (72)発明者 椹木 義一 京都府京都市左京区岩倉木野町73番地 (72)発明者 両部 實 大阪府羽曳野市島泉１丁目２番地14号 (72)発明者 杉浦 亘 大阪府東大阪市客坊町４番１号 (72)発明者 布川 昊 滋賀県大津市花園町15―12 Ｆターム(参考） 5B056 BB00 BB36

Claims (8)

【特許請求の範囲】
1. 【請求項１】 複雑系システムの要素（事項）間の関係
   を分析する要素間関係分析方法において、前記要素およ
   び／または要素間関係の度合いを入力情報として入力す
   るステップと、該入力情報を情報行列として定義するス
   テップと、下記最適モデル式の作成のとおり、有限個の
   要素関連式から無関係なモデル式を除去して最適モデル
   式を作成するステップと、複数の要素における相関関係
   を、下記判定基準により「＋影響」「−影響」「無関係
   （独立）」という影響度として自動判定するステップ
   と、該影響度を階層化表現で、可視的に出力するステッ
   プと、前記要素および／または要素間関係の度合いにつ
   いて、人間が判断した結果を変動要素として入力できる
   ステップと、作成された前記最適モデル式および前記変
   動要素から、前記要素および／または要素間関係の度合
   いの「予測値」を作成するステップとを備えた要素間関
   係分析方法。最適モデル式の作成：少なくとも３個のデ
   ータを用いて２変数（ＸとＹ）の関係を表す２変数関数
   （Ｚ＝ａ＋ｂＸ＋ｃＹ）（ここで、Ｘ，Ｙ，Ｚは変数、
   ａ，ｂ，ｃは定数であり最小２乗法で求める）を要素関
   連式として有限個作成し（ただし、計算不能な２変数の
   組み合わせは削除し、計算可能な関数のみ求める）、線
   形最小２乗法を用いて、上記有限個作成した２変数関数
   を収束させ１つのモデル式とする。複数の要素における
   相関関係の判定基準：ｎ個の要素をX₁,X₂,・・・・、X_n
   の変数で表す場合、変数間にX_i=ｆ（X₁・・・X_k,・・
   ・）の関係〔たとえば、X_i＝a₀+a₁X₁+・・・+a_kX_k+・・
   ・+（a₀は定数項、a₁・・・a_k・・・は係数）〕の関係
   が有るとき、これを「モデル式」と呼び、X_iを「結果変
   数」（または目的変数）、X₁,・・・X_k・・・を「原因
   変数」（または説明変数）と呼び、X_i,X₁,・・・X _k・・
   ・を「モデル式で表される変数」とした場合、2変数を
   見て一方が他方の原因変数となっているとき「関係あ
   り」、なっていないとき「無関係」、なっているかどう
   か不明なとき「不明」とする。
2. 【請求項２】 前記要素が、特定の製品（商品）の受注
   （販売）実績である請求項１に記載の要素間関係分析方
   法。
3. 【請求項３】 前記要素が、少なくとも４点の個別製品
   （商品）毎の実績データおよび複数の要素の相関関係と
   しての関係要因であり、前記最適モデル式が、データ収
   集サイクル毎に逐次異なったものとして作成される請求
   項２に記載の要素間関係分析方法。
4. 【請求項４】 前記入力情報を情報行列として定義する
   ステップにおいて、前記変動要素も入力情報に含む請求
   項１〜３のうち、いずれか１項に記載の要素間関係分析
   方法。
5. 【請求項５】 要素（事項）および／または要素間関係
   の度合いを入力情報として入力する入力手段と、該入力
   情報を情報行列として定義する定義手段と、下記最適モ
   デル式の作成のとおり、有限個の要素関連式から無関係
   なモデル式を除去して最適モデル式を作成するモデル式
   作成手段と、複数の要素における相関関係を下記判定基
   準により「＋影響」「−影響」「無関係（独立）」とい
   う影響度として自動判定する自動判定手段と、該影響度
   を階層化表現で、可視的に出力する出力手段と、前記要
   素および／または要素間関係の度合いについて、人間が
   判断した結果を変動要素として入力できる変動要素入力
   手段と、作成された前記最適モデル式および前記変動要
   素から、前記要素および／または要素間関係の度合いの
   「予測値」を作成する予測値作成手段とを備えたコンピ
   ュータ。最適モデル式の作成：少なくとも３個のデータ
   を用いて２変数（ＸとＹ）の関係を表す２変数関数（Ｚ
   ＝ａ＋ｂＸ＋ｃＹ）（ここで、Ｘ，Ｙ，Ｚは変数、ａ，
   ｂ，ｃは定数であり最小２乗法で求める）を要素関連式
   として有限個作成し（ただし、計算不能な２変数の組み
   合わせは削除し、計算可能な関数のみ求める）、線形最
   小２乗法を用いて、上記有限個作成した２変数関数を収
   束させ１つのモデル式とする。複数の要素における相関
   関係の判定基準：ｎ個の要素をX₁,X₂,・・・・、X_nの変
   数で表す場合、変数間にX_i=ｆ（X₁・・・X_k,・・・）の
   関係〔たとえば、X_i＝a₀+a₁X₁+・・・+a_kX_k+・・・+（a
   ₀は定数項、a₁・・・a_k・・・は係数）〕の関係が有る
   とき、これを「モデル式」と呼び、X_iを「結果変数」
   （または目的変数）、X₁,・・・X_k・・・を「原因変
   数」（または説明変数）と呼び、X_i,X₁,・・・X _k・・・
   を「モデル式で表される変数」とした場合、2変数を見
   て一方が他方の原因変数となっているとき「関係あ
   り」、なっていないとき「無関係」、なっているかどう
   か不明なとき「不明」とする。
6. 【請求項６】 前記要素が、特定の製品（商品）の受注
   （販売）実績である請求項５に記載のコンピュータ。
7. 【請求項７】 前記要素が、少なくとも４点の個別製品
   （商品）毎の実績データおよび関係要因であり、前記最
   適モデル式が、データ収集サイクル毎に逐次異なったも
   のとして作成される請求項６に記載のコンピュータ。
8. 【請求項８】 前記定義手段では、前記変動要素も入力
   情報とする請求項５〜８のうち、いずれか１項に記載の
   コンピュータ。