CN105556546A - 分层隐变量模型估计设备、分层隐变量模型估计方法、供应量预测设备、供应量预测方法、以及记录介质 - Google Patents
分层隐变量模型估计设备、分层隐变量模型估计方法、供应量预测设备、供应量预测方法、以及记录介质 Download PDFInfo
- Publication number
- CN105556546A CN105556546A CN201480051777.9A CN201480051777A CN105556546A CN 105556546 A CN105556546 A CN 105556546A CN 201480051777 A CN201480051777 A CN 201480051777A CN 105556546 A CN105556546 A CN 105556546A
- Authority
- CN
- China
- Prior art keywords
- layering
- variable
- model
- supply
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
主要目标在于提供能够解决前述问题的分层隐变量模型估计设备、分层隐变量模型估计方法、供应量预测设备、供应量预测方法、以及记录介质。分层隐结构设置单元82设置分层隐结构,该分层隐结构为其中隐变量由树结构表示并且表示概率模型的成分位于树结构的最低层的节点处的结构。变分概率计算单元81计算路径隐变量的变分概率,该路径隐变量为在分层隐结构中的将根节点链接到目标节点的路径中包括的隐变量。成分优化单元83针对计算出的变分概率而优化成分中的每个成分。门函数优化单元84基于节点中的隐变量的变分概率来优化门函数模型,该门函数模型为用于根据分层隐结构的节点中的多变量数据来确定分支方向的模型。
Description
技术领域
本发明涉及一种分层隐变量模型估计设备、一种分层隐变量模型估计方法、一种供应量预测设备、一种供应量预测方法、以及一种记录介质。
背景技术
店铺(store)中的产品的供应量为根据各种要素来观察的累积数据。因而,数据累积为由并非一个要素而是各种要素带来的观察值。销售量为供应量的示例中的一个示例。分析引起数据的要素(例如,分析销售与天气和/或一天中的时间的相关性)使得能够减少库存用尽或者库存积压。供应量的示例包括店铺的产品的销售、发货、销售进度、以及总销售量。
因此,从过去的销售数据预测未来需求的技术(例如,参见日本专利号4139410(此后称作“PTL1”)以及日本未审专利申请、首次公开号2010-128779(此后称作“PTL2”))。PTL1公开了一种根据诸如为天、日期、或促销信息的信息、使用预测模型来计算适当的库存量的技术。PTL2公开了一种使用基于诸如为市场专员的数量、店铺区域、交通、或区域人口的信息而提取的优化的多回归类型来计算销售量的技术。
进一步,一种用于通过针对为隐变量模型的典型示例的混合模型而近似完整边际似然度函数并且最大化其下边界(下限)来确定观察概率的类型的方法在RyoheiFujimaki、SatoshiMorinaga:FactorizedAsymptoticBayesianInferenceforMixtureModeling,ProceedingsoftheFifteenthInternationalConferenceonArtificialIntelligenceandStatistics(AISTATS),2012年3月(此后称作“NPL1”;并且还称作“FactorizedAsymptoticBayesianInferenceforMixtureModeling”)以及PCT国际公开号WO2012/128207(此后称作“PTL3”)中描述。
引用列表
专利文献
引用专利文献1:日本专利号4139410
引用专利文献2:日本未审专利申请公开号2010-128779
引用专利文献3:PCT国际公开号WO2012/128207
非专利文献
引用非专利文献1:RyoheiFujimaki、SatoshiMorinaga:FactorizedAsymptoticBayesianInferenceforMixtureModeling,ProceedingsoftheFifteenthInternationalConferenceonArtificialIntelligenceandStatistics(AISTATS),2012年3月
发明内容
技术问题
根据PTL1和PTL2中公开的技术,使用针对每天、季节、以及天气信息而不同的预测模型来执行销售量的预测。系统的设计者或使用者基于专家意见来确定将用于对预测模型分类的信息。因而,难于设置合适的参考以对预测模型分类。除此之外,在用于对预测模型分类的参考不合适的情况中,预测结果的可靠度可能降低。
即使使用在NPL1和PTL3中描述的方法时,仍然存在不能解决包括分层隐变量(hierarchicallatentvariables)的模型的模型选择问题的问题。这是因为在NPL1和PTL3中描述的方法不考虑分层隐变量,并且由此不能显然地建立计算过程。另外,因为在NPL1和PTL3中描述的方法基于对存在分层隐变量的情况不可应用的强假设,如果简单应用该方法,则失去了理论论证(justification)。
主要目标在于提供能够解决前述问题的一种分层隐变量模型估计设备、一种分层隐变量模型估计方法、一种供应量预测设备、一种供应量预测方法、以及一种记录介质。
技术问题的解决方案
第一个示例性的方面为一种一种用于估计用于预测产品的供应量的分层隐变量模型的分层隐变量模型估计设备,该分层隐变量模型估计设备包括:研究数据输入装置,用于输入用以研究的数据,该用以研究的数据为响应变量和一个或多个解释变量的多个组合,该响应变量为产品的已知的供应量,该一个或多个解释变量为能够影响供应量的信息项;分层隐结构设置装置,用于设置分层隐结构,该分层隐结构为其中隐变量由树结构表示并且表示概率模型的成分位于树结构的最低层的节点处的结构;变分概率计算装置,用于基于由研究数据输入装置输入的用以研究的数据和成分来计算路径隐变量的变分概率,该路径隐变量为在分层隐结构中的将根节点链接到目标节点的路径中包括的隐变量;成分优化装置,用于基于由研究数据输入装置输入的用以研究的数据来针对计算出的变分概率优化成分中的每个成分;以及门函数优化装置,用于基于分层隐结构的节点中的隐变量的变分概率来优化门函数模型,该门函数模型为用于根据节点中的解释变量来确定分支方向的模型。
第二示例性的方面为一种用于估计用于预测产品的供应量的分层隐变量模型的分层隐变量模型估计方法,该分层隐变量模型估计方法包括:输入用以研究的数据,该用以研究的数据为响应变量和一个或多个解释变量的多个组合,该响应变量为产品的已知的供应量,该一个或多个解释变量为能够影响供应量的信息项;设置分层隐结构,该分层隐结构为其中隐变量由树结构表示并且表示概率模型的成分位于树结构的最低层的节点处的结构;基于输入的用以研究的数据和成分来计算路径隐变量的变分概率,该路径隐变量为在分层隐结构中的将根节点链接到目标节点的路径中包括的隐变量;基于输入的用以研究的数据来针对计算出的变分概率优化成分中的每个成分;以及基于分层隐结构的节点中的隐变量的变分概率来优化门函数模型,该门函数模型为用于根据节点中的解释变量来确定分支方向的模型。
第三个示例性的方面为一种非瞬态有形记录介质,在其上记录有用于估计用于预测产品的供应量的分层隐变量模型的分层隐变量模型估计程序,该分层隐变量模型估计程序使得计算机执行:用以研究的数据输入处理,该用以研究的数据输入处理输入用以研究的数据,该用以研究的数据为响应变量和一个或多个解释变量的多个组合,响应变量为产品的已知的供应量,该一个或多个解释变量为能够影响供应量的信息项;分层隐结构设置处理,该分层隐结构设置处理设置分层隐结构,该分层隐结构为其中隐变量由树结构表示并且表示概率模型的成分位于树结构的最低层的节点处的结构;变分概率计算处理,该变分概率计算处理基于通过用以研究的数据输入处理输入的用以研究的数据和成分来计算路径隐变量的变分概率,该路径隐变量为在分层隐结构中的将根节点链接到目标节点的路径中包括的隐变量;成分优化处理,该成分优化处理基于通过用以研究的数据输入处理输入的用以研究的数据来针对计算出的变分概率优化成分中的每个成分;以及门函数优化处理,该门函数优化处理基于分层隐结构的节点中的隐变量的变分概率来优化门函数模型,该门函数模型为用于根据节点中的多变量数据来确定分支方向的模型。该第三个示例性的方面还通过分层隐变量模型估计程序来实现。
第四个示例性的方面为一种用于预测产品的供应量的供应量预测设备,该供应量预测设备包括:预测数据输入装置,用于输入用以预测的数据,该用以预测的数据为作为能够影响产品的供应量的信息项的一个或多个解释变量;成分确定装置,用于基于作为其中隐变量由树结构表示并且表示概率模型的成分位于树结构的最低层的节点处的结构的分层隐结构、用于确定分层隐结构的节点中的分支方向的门函数以及用以预测的数据来确定要被用于供应量的预测的成分;以及供应量预测装置,用于基于由成分确定装置确定的成分和用以预测的数据来预测供应量。
第五个示例性的方面为一种用于预测产品的供应量的供应量预测方法,该供应量预测方法包括:输入用以预测的数据,该用以预测的数据为作为能够影响产品的供应量的信息项的一个或多个解释变量;基于作为其中隐变量由树结构表示并且表示概率模型的成分位于树结构的最低层的节点处的结构的分层隐结构、用于确定分层隐结构的节点中的分支方向的门函数以及用以预测的数据来确定要被用于供应量的预测的成分;以及基于确定的成分和用以预测的数据来预测供应量。
第六个示例性的方面为一种非瞬态有形记录介质,在其上记录有用于预测产品的供应量的供应量预测程序,该供应量预测程序使得计算机执行:用以预测的数据输入处理,该用以预测的数据输入处理输入用以预测的数据,该用以预测的数据为作为能够影响产品的供应量的信息项的一个或多个解释变量;成分确定处理,该成分确定处理基于作为其中隐变量由树结构表示并且表示概率模型的成分位于树结构的最低层的节点处的结构的分层隐结构、用于确定分层隐结构的节点中的分支方向的门函数以及用以预测的数据来确定用于供应量的预测的成分;以及供应量预测处理,该供应量预测处理基于通过成分确定处理确定的成分和用以预测的数据来预测供应量。第六个示例性的方面还通过该供应量预测程序来实现。。
第七个示例性的方面为一种用于预测产品的供应量的供应量预测系统,该供应量预测系统包括:研究数据输入装置,用于输入用以研究的数据,该用以研究的数据为响应变量和一个或多个解释变量的多个组合,该响应变量为产品的已知的供应量,该一个或多个解释变量为能够影响供应量的信息项;分层隐结构设置装置,用于设置分层隐结构,该分层隐结构为其中隐变量由树结构表示并且表示概率模型的成分位于树结构的最低层的节点处的结构;变分概率计算装置,用于基于由研究数据输入装置输入的用以研究的数据和成分来计算路径隐变量的变分概率,该路径隐变量为在分层隐结构中的将根节点链接到目标节点的路径中包括的隐变量;成分优化装置,用于基于由研究数据输入装置输入的用以研究的数据来针对计算出的变分概率优化成分中的每个成分;门函数优化装置,用于基于分层隐结构的节点中的隐变量的变分概率来优化门函数模型,该门函数模型为用于根据节点中的解释变量来确定分支方向的模型;预测数据输入装置,用于输入用以预测的数据,该用以预测的数据为作为能够影响产品的供应量的信息项的一个或多个解释变量;成分确定装置,用于基于由门函数优化装置优化的门函数和用以预测的数据来在由成分优化装置优化的成分之中确定要被用于供应量的预测的成分;以及供应量预测装置,用于基于由成分确定装置确定的成分和用以预测的数据来预测供应量。
第八个示例性的方面为一种用于预测产品的供应量的供应量预测方法,该供应量预测方法包括:输入用以研究的数据,该用以研究的数据为响应变量和一个或多个解释变量的多个组合,该响应变量为产品的已知的供应量,该一个或多个解释变量为能够影响供应量的信息项;设置分层隐结构,该分层隐结构为其中隐变量由树结构表示并且表示概率模型的成分位于树结构的最低层的节点处的结构;基于输入的用以研究的数据和成分来计算路径隐变量的变分概率,路径隐变量为在分层隐结构中的将根节点链接到目标节点的路径中包括的隐变量;基于输入的用以研究的数据来针对计算出的变分概率优化成分中的每个成分;基于分层隐结构的节点中的隐变量的变分概率来优化门函数模型,该门函数模型为用于根据节点中的解释变量来确定分支方向的模型;输入用以预测的数据,该用以预测的数据为作为能够影响产品的供应量的信息项的一个或多个解释变量;基于优化的门函数和用以预测的数据来在优化的成分之中确定要被用于供应量的预测的成分;以及基于确定的成分和用以预测的数据来预测供应量。
第九个示例性的方面为一种非瞬态有形记录介质,在其上记录有用于预测产品的供应量的分层隐变量模型,该记录介质上记录有通过以下各项获得的优化的成分和优化的门函数:输入用以研究的数据,该用以研究的数据为响应变量和一个或多个解释变量的多个组合,该响应变量为产品的已知的供应量,该一个或多个解释变量为能够影响供应量的信息项;设置分层隐结构,该分层隐结构为其中隐变量由树结构表示并且表示概率模型的成分位于树结构的最低层的节点处的结构;基于输入的用以研究的数据和成分来计算路径隐变量的变分概率,该路径隐变量为在分层隐结构中的将根节点链接到目标节点的路径中包括的隐变量;基于输入的用以研究的数据来针对计算出的变分概率优化成分中的每个成分;以及基于分层隐结构的节点中的隐变量的变分概率来优化门函数模型,该门函数模型为用于根据节点中的解释变量来确定分支方向的模型。
本发明的有益效果
根据各示例性的方面,有可能将对预测模型的分类自动化并且有可能使用合适的预测模型来执行供应量预测。
附图说明
【图1】图1为根据至少一个示例性实施例的示出供应量预测系统的结构示例的框图。
【图2A】图2A为根据至少一个示例性实施例的示出将存储在学习数据库中的信息的示例(供应表)的示图。
【图2B】图2B为根据至少一个示例性实施例的示出将存储在学习数据库中的信息的示例(天气表)的示图。
【图2C】图2C为根据至少一个示例性实施例的示出将存储在学习数据库中的信息的示例(顾客表)的示图。
【图2D】图2D为根据至少一个示例性实施例的示出将存储在学习数据库中的信息的示例(库存表)的示图。
【图2E】图2E为根据至少一个示例性实施例的示出将存储在学习数据库中的信息的示例(店铺属性表)的示图。
【图2F】图2F为根据至少一个示例性实施例的示出将存储在学习数据库中的信息的示例(日期属性表)的示图。
【图2G】图2G为根据至少一个示例性实施例的示出将存储在学习数据库中的信息的示例(产品属性表)的示图。
【图3】图3为根据至少一个示例性实施例的示出分层隐变量模型估计设备的结构示例的框图。
【图4】图4为根据至少一个示例性实施例的示出分层隐变量变分概率计算单元的结构示例的框图。
【图5】图5为根据至少一个示例性实施例的示出门函数优化单元的结构示例的框图。
【图6】图6为根据至少一个示例性实施例的示出分层隐变量模型估计设备的操作示例的流程图。
【图7】图7为根据至少一个示例性实施例的示出分层隐变量变分概率计算单元的操作示例的流程图。
【图8】图8为根据至少一个示例性实施例的示出门函数优化单元的操作示例的流程图。
【图9】图9为根据至少一个示例性实施例的示出供应量预测设备的结构示例的框图。
【图10】图10为根据至少一个示例性实施例的示出供应量预测设备的操作示例的流程图。
【图11】图11为根据至少一个示例性实施例的示出分层隐变量模型估计设备的结构示例的框图。
【图12】图12为根据至少一个示例性实施例的示出分层隐结构优化单元的结构示例的框图。
【图13】图13为根据至少一个示例性实施例的示出分层隐变量模型估计设备的操作示例的流程图。
【图14】图14为根据至少一个示例性实施例的示出分层隐结构优化单元的操作示例的流程图。
【图15】图15为根据至少一个示例性实施例的示出门函数优化单元的结构示例的框图。
【图16】图16为根据至少一个示例性实施例的示出门函数优化单元的操作示例的流程图。
【图17】图17为示出分层隐变量模型估计设备的基本结构的框图。
【图18】图18为示出供应量预测设备的基本结构的框图。
【图19】图19为根据至少一个示例性实施例的示出计算机的结构的示意性框图。
具体实施方式
在本说明书中,分层隐变量模型(hierarchicallatentvariablemodel)为其中隐变量(即,分层结构)具有树结构的模型。作为概率模型的成分(component)位于树结构的最低层节点处。每个分支节点提供有用于根据输入来对分支归类(sort)的门函数(gatingfunction)。在下面的描述中,具体描述特别的深度2的分层隐变量模型。
因为假设分层结构为树结构,从根节点到给定节点的路线被唯一地确定。此后,在分层隐结构中将根节点链接到给定节点时的路线(链路)被称作路径。通过跟踪每个路径的隐变量,确定路径隐变量。例如,最低层路径隐变量指示针对从根节点到最低层节点的每个路径确定的路径隐变量。
在下面的描述中,假设输入数据序列xn(n=1,...,N),其中xn为M维多变量(multivariate)数据序列(xn=x1 n,...,xM n)。数据序列xn还称作观察到的变量。为观察到的变量xn定义第一层分支隐变量zi n、最低层分支隐变量zj|i n、以及最低层路径隐变量zij n。
zi n=1指示输入到根节点的xn分支到第一层第i个节点,以及zi n=0指示输入到根节点的xn不分支到第一层第i个节点。zj|i n=1指示输入到第一层第i个节点的xn分支到第二层第j个节点,以及zj|i n=0指示输入到第一层第i个节点的xn不分支到第二层第j个节点。zij n=1指示xn对应于通过旁路第一层第i个节点和第二层第j个节点来跟踪的成分,以及zij n=0指示xn不对应于通过旁路第一层第i个节点和第二层第j个节点来跟踪的成分。
因为zi n针对i的和等于1、zj|i n针对j的和等于1、以及zij n等于zi n乘以zj|i n,zi n等于zij n针对j的和。为最低层路径隐变量zij n的代表值的x和z的组合被称作“完整变量”。相反,x称作“不完整变量”。
完整变量的深度2的分层隐变量模型联合分布(jointdistribution)由下面的表达式1来表示。
【数学式1】
也就是,完全变量的深度2的分层隐变量模型联合分布由以上示出的表达式1中包括的P(x,y)=P(x,z1st,z2nd)来定义。这里,zi n的代表值由z1st n来表示,以及zj|i n的代表值由z2nd n来表示。此外,第一层分支隐变量zi n的变分分布(variationaldistribution)由q(zi n)来表示,以及最低层路径隐变量zij n的变分分布由q(zij n)来表示。
在以上示出的表达式1中,K1表示第一层的节点的数量,以及K2表示从第一层的节点中的每个节点分支的节点的数量。最低层的成分由K1K2表示。同时,f=(b,b1,...,bK1,h1,...,hK1K2)表示模型的参数。这里,b为根节点的分支参数,bk为第一层第k个节点的分支参数,以及hk为第k个成分的观察参数。
进而,S1,...,SK1K2表示对应于hk的观察概率的类型。作为示例,在多变量数据产生概率的情况中,能够为S1到SK1K2的候选者为{正态分布,对数正态分布,指数分布}等等。作为另一示例,在输出多项式曲线的情况中,能够为S1到SK1K2的候选者为{零度曲线,线性曲线,二次曲线,三次曲线}等等。
在下面的描述中,将深度2的分层隐变量模型用作具体示例。然而,注意,根据该至少一个示例性实施例的分层隐变量模型不限于深度2的分层隐变量模型,并且可以为深度1或深度3或更多深度的分层隐变量模型。在这些情况中,同样,以上示出的表达式1和以下示出的表达式2至4能够如在深度2的分层隐变量模型的情况地得到,并且由此估计设备能够由相同的结构来实现。
尽管下面描述了目标变量为X的情况中的分布,观察分布为如在回归或鉴别中的条件模型P(Y|X)(Y为目标随机变量)的情况可应用。
在描述示例性实施例之前,在以下描述根据示例性实施例的估计设备与用于“FactorizedAsymptoticBayesianInferenceforMixtureModeling”(NPL1)和PCT国际公开号WO2012/128207(PTL3)中描述的混合隐变量模型的估计方法之间的实质差异。
在NPL1和PTL3中描述的方法中,假设其中隐变量为每个成分的指示符的典型的混合模型,以及优化准则(criterion)如在NPL1和PTL3中的表达式10中地得到。然而,由于费雪信息矩阵(Fisherinformationmatrices)以NPL1和PTL3中的表达式6的形式给出,假设在NPL1和PTL3中描述的方法中为每个成分的指示符的隐变量的概率分布仅仅取决于混合模型的混合比例。因此,不能实现根据输入的成分切换,并且由此该优化准则不合适。
为了解决以上记载的问题,如在下面的示例性实施例中描述的,需要设置分层隐变量并且使用合适的优化准则来执行计算。在下面的示例性实施例中,假设根据输入来对每个分支节点处的分支归类的多级具体模型为合适的优化准则。
下面参照附图描述示例性实施例。
示例性实施例1
图1为根据至少一个示例性实施例的示出供应量预测系统的结构示例的框图。根据示例性实施例的供应量预测系统10包括分层隐变量模型估计设备100、学习数据库300、模型数据库500、以及供应量预测设备700。供应量预测系统10产生用于基于根据过去的产品供应的信息来预测供应量的模型,并且使用模型来执行供应量的估计。
使用学习数据库300中存储的数据,分层隐变量模型估计设备100估计用于预测产品的供应量的模型,并且将模型存储在模型数据库500中。
图2A至2G为根据至少一个示例性实施例的示出存储在学习数据库300中的信息的示例的示图。
学习数据库300记录与产品和店铺相关的数据。
具体地,学习数据库300存储了储存与产品的供应相关的数据的供应表。如图2A中所示,供应表存储与日期和时间、产品ID(标识)、店铺ID、以及顾客ID的组合关联的销售量、单价、小计、收据号。顾客ID为用于唯一地识别顾客的信息,并且例如由会员卡或点卡的呈现规定。
除此之外,学习数据库300存储用于存储与天气相关的数据的天气表。如在图2B中所示,与日期和时间关联,天气表存储温度、日最高温度、日最低温度、降水、天气、不适指数等等。
除此之外,学习数据库300存储用于存储与购买产品的顾客相关的数据的顾客表。如在图2C中所示,顾客表存储年龄、地址、家庭成员等等,与顾客ID关联。在示例性实施例中,在注册会员卡或点卡时存储信息项。
学习数据库300存储用于存储与产品的库存量相关的数据的库存表。如在图2D中所示,库存表存储库存量、从之前的库存量增加或减少的值,与日期和时间的组合、以及产品ID相关联。
学习数据库300存储用于存储与店铺相关的数据的店铺属性表。如在图2E中所示,店铺属性表包括店铺名、地址、类型、空间、以及停车位的数量,与店铺ID关联。店铺的类型的示例包括位于站前的站型、位于居住区中的居住区型、以及与诸如为加油站的其他设施复合的复合型。
除此之外,学习数据库300存储用于对与日期相关的数据归类的日期属性表。如在图2F中所示,与日期关联,日期属性表包括示出日期属性、以及值、产品ID、以及店铺ID的信息类型。信息类型的示例包括公众假日、促销日、以及店铺附近举行的事件等等。日期属性表的值为1或0。在日期属性表的值为1的情况中,与值关联的日期的属性包括由与值关联的信息类型示出的属性。在其值为0的情况中,与值关联的日期的属性不包括由与值关联的信息类型示出的属性。该值示出了与值关联的日期不具有与该值关联的信息类型示出的属性。除此之外,产品ID和店铺ID可以为基本的信息类型或者不取决于信息类型。例如,在信息类型示出促销的情况中,需要示出什么产品在促销以及在什么店铺,并且因而产品ID和店铺ID为基本项。另一方面,在其中信息类型示出公众假日的情况中,日期为公众假日的事实与店铺和产品的类型无关,并且因而产品ID和店铺ID不是必要的项。
除此之外,学习数据库300存储用于存储与产品相关的数据的产品属性表。如在图2G中所示,产品属性表包括产品名称、产品的大类、其中间类、其小类、单价、成本价等等,与产品ID关联。
模型数据库500存储用于预测由分层隐变量模型估计设备估计的产品的供应量的模型。模型数据库500由诸如为硬盘驱动器或固态驱动器的非瞬态有形介质来配置。
供应量预测设备700接收与产品和店铺相关的数据并且基于模型数据库500中存储的数据和模型来预测产品的供应量。
图3为根据至少一个示例性实施例的示出分层隐变量模型估计设备的结构示例的框图。该示例性实施例中的分层隐变量模型估计设备100包括数据输入设备101、分层隐结构设置单元102、初始化单元103、分层隐变量变分概率计算单元104、成分优化单元105、门函数优化单元106、最优性确定单元(optimalitydeterminationunit)107、优化模型选择单元108、以及模型估计结果输出设备109。
分层隐变量模型估计设备100在输入基于存储在学习数据库300中的数据生成的输入数据111之后针对输入数据111优化分层隐结构和观察概率(observationprobability)的类型,输出优化结果作为模型估计结果112,以及在模型数据库500中存储结果。示例性实施例中的输入数据111为用于研究(study)的数据的示例。
图4为根据至少一个示例性实施例的示出分层隐变量变分概率计算单元104的结构示例的框图。分层隐变量变分概率计算单元104包括最低层路径隐变量变分概率计算单元104-1、分层设置单元104-2、更高层路径隐变量变分概率计算单元104-3、以及分层计算结束确定单元104-4。
分层隐变量变分概率计算单元104在输入输入数据111和由以下提及的成分优化单元105估计的模型104-5之后输出分层隐变量变分概率(variationalprobability)104-6。分层隐变量变分概率计算单元104将在之后具体描述。成分在示例性实施例中是根据每个解释变量(explanatoryvariable)的权重。供应量预测设备700能够通过计算通过乘以由成分所示的权重而获得的解释变量的总和来获得响应变量(responsevariable)。
图5为根据至少一个示例性实施例的示出门函数优化单元106的结构示例的框图。门函数优化单元106包括分支节点信息获取单元106-1、分支节点选择单元106-2、分支参数优化单元106-3、以及总分支节点优化结束确定单元106-4。
门函数优化单元106在输入输入数据111、由以下提及的分层隐变量变分概率计算单元104计算的分层隐变量变分概率104-6、以及由成分优化单元105估计的模型104-5之后,输出门函数模型106-6。门函数优化单元106将在之后具体描述。示例性实施例的门函数为用于确定包括在输入数据111中的信息是否满足预定条件的函数。除此之外,提供门函数对应于分层隐结构的内部节点。供应量预测设备700在跟随(follow)分层隐结构的节点时根据所确定的门函数的结果来确定跟随的下一节点。
数据输入设备101为用于输入输入数据111的设备。数据输入设备101基于学习数据库300的供应表中存储的数据来产生示出每个预定时间范围(例如,1小时或6小时)的产品的已知的供应量的响应变量。例如,作为响应变量,单个店铺中的单个产品的每个预定时间范围的销售量、所有店铺中的一个产品的每个预定时间范围的销售量、一个店铺中的所有产品的每个预定时间范围的销售价格等等能够被采用。除此之外,数据输入设备101基于学习数据库300中的天气表、顾客表、店铺属性表、日期属性表、以及产品属性表中存储的数据来针对每个响应变量产生作为能够影响响应变量的信息的一个或多个解释变量。数据输入设备101输入响应变量和解释变量的多个组合作为输入数据111。当输入输入数据111时,数据输入设备101同时输入模型估计所需的参数,诸如观察概率的类型和成分的数量的候选者。在示例性实施例中,数据输入设备101为研究数据输入单元的示例。
分层隐结构设置单元102从输入的观察概率的类型和成分的数量的候选者中选择并设置分层隐变量模型的结构为优化候选者。示例性实施例中使用的隐结构为树结构。此后,设置的成分的数量由C表示,以及描述中使用的数学表达式与深度2的分层隐变量模型相关。注意分层隐结构设置单元102可以在内部存储器中存储所选择的分层隐变量模型结构。
例如,在深度2的10树结构的二进制树模型(其中每个分支节点具有两个分支的模型)的情况中,分层隐结构设置单元102选择具有两个第一层节点和四个第二层节点(在本示例性实施例中,最低层节点)的分层隐结构。
初始化单元103执行估计分层隐变量模型的初始化处理。初始化单元103能够通过任意方法来执行初始化处理。例如,初始化单元103可以针对每个成分随机地设置观察概率的类型,并且根据所设置的类型来随机地设置每个观察概率的参数。此外,初始化单元103可以随机地设置分层隐变量的最低层路径变分概率。
分层隐变量变分概率计算单元104针对每个层计算路径隐变量的变分概率。参数f已经由初始化单元103或由成分优化单元105和门函数优化单元106计算。因此,分层隐变量变分概率计算单元104通过使用参数f来计算变分概率。
分层隐变量变分概率计算单元104可以通过拉普拉斯近似(Laplace-approximate)关于完整变量的估计(例如,最大似然度估计或最大后验概率估计)的边际对数似然度函数并且最大化其下边界来计算变分概率。这样计算的值此后称作优化准则A。
以下使用深度2的分层隐变量模型为示例来描述计算优化准则A的过程。边际对角似然度由下面的表达式2来给出,其中log指示例如自然对数函数。其他具有不同于纳皮尔常数(Napier'sconstant)的基(base)的对数函数可以替代自然对数函数而采用。
【数学式2】
首先,考虑由以上示出的表达式2给出的边际对数似然度的下边界。在表达式2中,当最低层路径隐变量变分概率q(zN)最大化时等式保持真。使用完整变量的最大似然度估计来拉普拉斯近似分子中的完整变量的边际似然度得到由下面的表达式3表示的边际对数似然度函数的近似。
【数学式3】
在表达式3中,上标栏指示完整变量的最大似然度估计,以及D*指示下标参数*的维度。
接下来,通过使用最大似然度估计的性质来最大化对数似然度函数以及对数函数为凹函数(concavefunction)的事实,表达式3的下边界根据下面的表达式4来计算。
【数学式4】
第一层分支隐变量的变分分布q'和最低层路径隐变量的变分分布q”都通过针对变分分布来最大化表达式4来获得。这里,q”和f固定,使得q”=q(t-1)并且f=f(t-1),并且q'固定在由下面的表达式A表示的值处。
【数学式5】
上标(t)指示分层隐变量变分概率计算单元104、成分优化单元105、门函数优化单元106、以及最优性确定单元107的迭代计算中的第t次迭代。
下面参照图4来描述分层隐变量变分概率计算单元104的操作。
最低层路径隐变量变分概率计算单元104-1接收输入数据111和估计模型104-5的输入,并且计算最低层隐变量变分概率q(zN)。分层设置单元104-2将最低层设置为变分概率计算目标。具体地,最低层路径隐变量变分概率计算单元104-1针对输入数据111的响应变量和解释变量的每个组合计算每个估计模型104-5的变分概率。变分概率的计算通过比较通过替代估计模型104-5中的输入数据111的解释变量与输入数据111的响应变量而获得的解来执行。
更高层路径隐变量变分概率计算单元104-3计算紧接着的更高层的路径隐变量变分概率。具体地,更高层路径隐变量变分概率计算单元104-3计算具有与父节点相同的分支节点的当前层的隐变量变分概率的和,并且将该和设置为紧接着的更高层的路径隐变量变分概率。
分层计算结束确定单元104-4确定是否有将针对其计算变分概率的任意更高层。在分层计算结束确定单元104-4确定存在更高层的情况中,分层设置单元104-2将紧接着的更高层设置为变分概率计算目标。随后,更高层路径隐变量变分概率计算单元104-3和分层计算结束确定单元104-4重复上述处理。在分层计算结束确定单元104-4确定没有更高层的情况中,分层计算结束确定单元104-4确定已经针对所有层计算路径隐变量变分概率。
成分优化单元105针对以上所述的表达式4优化每个成分的模型(参数f和类型S),并且输出经优化的模型104-5。在深度2的分层隐变量模型的情况中,成分优化单元105将q和q”固定在由分层隐变量变分概率计算单元104计算的最低层路径隐变量变分概率q(t)处,并且将q'固定在由以上所示的表达式A表示的更高层路径隐变量变分概率处。成分优化单元105接着计算用于最大化表达式4中的G的值的模型。
由表达式4定义的G能够针对每个成分分解优化函数。因此,S1到SK1K2以及参数h1到hK1K2能够在不考虑成分类型组合(例如,S1到SK1K2被分配的类型)的情况下单独优化。以这样的方式优化的能力在该处理中是重要的。因而,成分的类型能够被优化,同时避免组合激增(combinationexplosion)。
下面参照图5描述门函数优化单元106的操作。分支节点信息获取单元106-1使用由成分优化单元105估计的模型104-5来提取分支节点列表。分支节点选择单元106-2从被提取的分支节点列表中选择一个分支节点。此后,所选择的节点还被称作选择节点。
分支参数优化单元106-3使用输入数据111和从分层隐变量变分概率104-6中获得的选择节点的隐变量变分概率来优化选择节点的分支参数。选择节点的分支参数与上述门函数相对应。
总分支节点优化结束确定单元106-4确定由分支节点信息获取单元106-1提取的所有分支节点是否已经被优化。在所有分支节点已经被优化的情况中,门函数优化单元106结束处理。在所有分支节点还没有被优化的情况中,分支节点选择单元106-2执行其处理,并且接着分支参数优化单元106-3和总分支节点优化结束确定单元106-4执行他们相应的处理。
以下使用基于用于二进制树分层模型的伯努利分布(Bernoullidistribution)的门函数来描述门函数的具体示例。此后,基于伯努利分布的门函数还被称作伯努利门函数。取xd为x的第d维,g-为当该值不超过阈值w时分支到二进制树的下左方的概率,以及g+为当该值超过阈值w时分支到二进制树的下左方的概率。分支参数优化单元106-3基于伯努利分布来优化上述的优化参数d、w、g-和g+。
最优性确定单元107确定使用以上所示的表达式4计算的优化准则A是否已经收敛。在优化准则A还没有收敛的情况中,重复分层隐变量变分概率计算单元104、成分优化单元105、门函数优化单元106、以及最优性确定单元107的处理。例如,最优性确定单元107可以在优化准则A的增加少于预定阈值的情况中确定优化准则A已经收敛。
此后,分层隐变量变分概率计算单元104、成分优化单元105、门函数优化单元106、以及最优性确定单元107的处理还被统称为分层隐变量变分概率计算单元104到最优性确定单元107的处理。分层隐变量变分概率计算单元104到最优性确定单元107的处理被重复执行以更新变分分布和模型,由此,能够选择合适的模型。注意重复执行这些处理确保了优化准则A单调(monotonically)增加。
优化模型选择单元108选择优化模型。具体地,在由于分层隐变量变分概率计算单元104到最优性确定单元107的处理而计算的优化准则A大于由分层隐结构设置单元102设置的隐藏状态数C的当前设置的优化准则A的情况中,优化模型选择单元108选择模型作为最优模型。
模型估计结果输出设备109在模型优化已经针对来自观察概率的类型和成分数的输入候选者的分层隐变量模型结构集的候选者完成的情况中,输出隐藏状态的最优数、观察概率的类型、参数、变分分布等等,作为模型估计结果输出结果112。在存在没有完成优化的任意候选者的情况中,另一方面,过程去到分层隐结构设置单元102的处理,并且执行与以上描述的处理相同的处理。
分层隐结构设置单元102、初始化单元103、分层隐变量变分概率计算单元104(更具体地,最低层路径隐变量变分概率计算单元104-1、分层设置单元104-2、更高层路径隐变量变分概率计算单元104-3、以及分层计算结束确定单元104-4)、成分优化单元105、门函数优化单元106(更具体地,分支节点信息获取单元106-1、分支节点选择单元106-2、分支参数优化单元106-3、以及总分支节点优化结束确定单元106-4)、最优性确定单元107、以及优化模型选择单元108由根据程序(分层隐变量模型估计程序)操作的计算机的CPU(中央处理单元)来实现。
例如,程序可以存储在分层隐变量模型估计设备100中的存储单元(未示出)中,其中CPU读取程序并且,根据程序,操作为分层隐结构设置单元102、初始化单元103、分层隐变量变分概率计算单元104(更具体地,最低层路径隐变量变分概率计算单元104-1、分层设置单元104-2、更高层路径隐变量变分概率计算单元104-3、以及分层计算结束确定单元104-4)、成分优化单元105、门函数优化单元106(更具体地,分支节点信息获取单元106-1、分支节点选择单元106-2、分支参数优化单元106-3、以及总分支节点优化结束确定单元106-4)、最优性确定单元107、以及优化模型选择单元108。
可选地,分层隐结构设置单元102、初始化单元103、分层隐变量变分概率计算单元104、成分优化单元105、门函数优化单元106、最优性确定单元107、以及优化模型选择单元108都可以由专门硬件来实现。
下面描述该示例性实施例中的分层隐变量模型估计设备的操作。图6为根据至少一个示例性实施例的示出分层隐变量模型估计设备的操作示例的流程图。
首先,数据输入设备101输入输入数据111(步骤S100)。接下来,分层隐结构设置单元102从输入分层隐结构候选值中选择并且设置还没有被优化的分层隐结构(步骤S101)。接下来,初始化单元103针对设置的分层隐结构执行用于估计的隐变量变分概率和参数的初始化处理(步骤S102)。
接下来,分层隐变量变分概率计算单元104计算每个路径隐变量的变分概率(步骤S103)。接下来,成分优化单元105通过估计观察概率的类型和参数来优化每个成分(步骤S104)。
接下来,门函数优化单元106优化每个分支节点中的分支参数(步骤S105)。接下来,最优性确定单元107确定优化准则A是否已经收敛(步骤S106)。也就是,最优性确定单元107确定模型的最优性。
在步骤S106中没有确定优化准则A已经收敛(即,确定模型不是最优的)(步骤S106a:否)的情况中,重复步骤S103至S106的处理。
在步骤S106中确定优化准则A已经收敛(即,确定模型是最优的)(步骤S106a:是)的情况中,另一方面,优化模型选择单元108将根据当前设置的优化模型的优化准则A的值(例如,成分的数量、观察概率的类型、参数)与根据该处理中优化的模型的优化准则A的值进行比较,并且选择具有较大值的模型作为最优模型(步骤S107)。
接下来,优化模型选择单元108确定是否有任何还没有被估计的分层隐结构候选者剩余(步骤S108)。在仍然剩余有候选者(步骤S108:是)的情况中,重复步骤S101至S108的处理。在其中没有候选者剩余(步骤S108:否)的情况中,相反地,模型估计结果输出设备109输出模型估计结果,并且结束处理(步骤S109)。也就是,模型估计结果输出设备109在模型数据库500中存储由成分优化单元105优化的成分和由门函数优化单元106优化的门函数。
下面描述该示例性实施例中的分层隐变量变分概率计算单元104的操作。图7为根据至少一个示例性实施例的示出分层隐变量变分概率计算单元104的操作示例的流程图。
首先,最低层路径隐变量变分概率计算单元104-1计算最低层路径隐变量变分概率(步骤S111)。接下来,分层设置单元104-2设置到其中路径隐变量还没有被计算的层(步骤S112)。接下来,更高层路径隐变量变分概率计算单元104-3使用由分层设置单元104-2设置的层的路径隐变量变分概率来计算紧接着的更高层的路径隐变量变分概率(步骤S113)。
接下来,分层计算结束确定单元104-4确定是否有任何还没有计算路径隐变量的层剩余(步骤S114)。在剩余有还没有计算路径隐变量的层(步骤S114:否)的情况中,重复步骤S112至S113的处理。相反地,在没有还没有计算路径隐变量的层剩余的情况中,分层隐变量变分概率计算单元104结束处理。
下面描述该示例性实施例中的门函数优化单元106的操作。图8为根据至少一个示例性实施例的示出门函数优化单元106的操作示例的流程图。
首先,分支节点信息获取单元106-1识别所有的分支节点(步骤S121)。接下来,分支节点选择单元106-2选择一个分支节点作为优化目标(步骤S122)。接下来,分支参数优化单元106-3优化被选择的分支节点中的分支参数(步骤S123)。
接下来,总分支节点优化结束确定单元106-4确定是否有任何还没有优化的分支节点剩余(步骤S124)。在剩余有还没有优化的分支节点的情况中,重复步骤S122至S123的处理。另一方面,在没有还没被优化的分支节点剩余的情况中,门函数优化单元106结束处理。
如上所述,根据该示例性实施例,分层隐结构设置单元102设置分层隐结构。这里,分层隐结构为隐变量由树结构表示的结构,其中表示概率模型的成分位于树结构的最低层的节点处。
分层隐变量变分概率计算单元104计算路径隐变量的变分概率(也就是,优化准则A)。分层隐变量变分概率计算单元104可以针对树结构的每层(从最低层节点依次)计算隐变量的变分概率。例如,分层隐变量变分概率计算单元104可以计算最大化边际对数似然度的变分概率。
在此之后,成分优化单元105针对计算出的变分概率而优化成分,以及门函数优化单元106基于分层隐结构的节点中的隐变量的变分概率来优化门函数模型。注意门函数模型为用于根据分层隐结构的节点中的多变量数据来确定分支方向的模型。
因为多变量数据的分层隐变量模型由以上描述的结构来估计,包括分层隐变量的分层隐变量模型能够以合适的计算复杂性来估计,而不损失理论论证(theoreticaljustification),并且还能够解决分层隐变量模型的模型选择问题。除此之外,通过使用分层隐变量模型估计设备100,不需要为对成分进行分类来手动设置适当的参考。
分层隐结构设置单元102可以设置其中隐变量由二进制树结构来表示的分层隐结构,其中门函数优化单元106基于节点中的隐变量的变分概率来优化基于伯努利分布的门函数模型。在这一情况中,每个参数具有分析解(analyticalsolution),这对更快的优化有所贡献。
通过这些处理,分层隐变量模型估计设备100能够在温度低时或者温度高时将成分分类成畅销(sellwell)的模式(pattern),在早上或者在下午的畅销的模式,以及在一周的开始或者在周末的畅销的模式。
将描述示例性实施例的供应量预测设备。图9为根据至少一个示例性实施例的示出供应量预测设备的结构示例的框图。
供应量预测设备700包括数据输入设备701、模型获取单元702、成分确定单元703、供应量预测单元704、以及预测结果输出设备705。
数据输入设备701输入作为能够影响供应量的信息的一个或多个解释变量,作为输入数据711。配置输入数据711的解释变量的类型与输入数据111的解释变量的类型相同。在示例性实施例中,数据输入设备701为预测数据输入单元的示例。
模型获取单元702从模型数据库500中获取门函数或者成分,作为用于预测供应量的模型。门函数由门函数优化单元106优化。除此之外,成分由成分优化单元105优化。
成分确定单元703基于由数据输入设备701输入的输入数据711和由模型获取单元702获取的门函数来跟随分层隐结构。成分确定单元703确定与分层隐结构的最低层的节点相关的成分,到(to)要被用于供应量的预测的成分。
供应量预测单元704通过针对(to)由成分确定单元703确定的成分,替代由数据输入设备701输入的输入数据711,来预测供应量。
预测结果输出设备705输出供应量预测单元704获得的供应量的预测结果712。
接下来,将描述示例性实施例的供应量预测设备的操作。图10为根据至少一个示例性实施例的示出供应量预测设备的操作示例的流程图。
首先,数据输入设备701输入输入数据711(步骤S131)。数据输入设备701可以输入多个输入数据项711,不仅一个输入数据项711。例如,数据输入设备701可以输入针对给定店铺的日期的每个给定时间点的输入数据项711。在数据输入设备701输入该多个输入数据项711的情况中,供应量预测单元704预测针对每个输入数据项711的供应量。接下来,模型获取单元702从模型数据库500中获取门函数和成分(步骤S132)。
接下来,供应量预测设备逐一选择输入数据711,并且针对所选择的输入数据711执行从步骤S134到步骤S136的处理(步骤S133)。
首先,成分确定单元703基于由模型获取单元702获得的门函数、通过跟随从分层隐结构的根节点到最低层节点来确定要被用于供应量的预测的成分(步骤S134)。具体地,成分确定单元703使用下面的过程来确定成分。
成分确定单元703针对分层隐结构的每个节点而读出与节点相关的门函数。接下来,成分确定单元703确定输入数据711是否满足读出的门函数。接着,成分确定单元703基于确定结果来确定将跟随的下一子节点。当通过处理、通过跟随分层隐结构的节点达到最低层节点时,成分确定单元703确定与节点相关的成分,到(to)要被用于供应量的预测的成分。
如果在步骤S134中成分确定单元703确定要被用于供应量的预测的成分,供应量预测单元704通过针对(to)成分替代在步骤S133中选择的输入数据711来预测供应量(步骤S135)。预测结果输出设备705输出由供应量预测单元704获得的供应量的预测结果712(步骤S136)。
供应量预测设备700针对所有输入数据项711执行从步骤S134到步骤S136的处理并且结束处理。
如上所述,根据示例性实施例,供应量预测设备700能够通过门函数使用合适的成分来以极好的精确性来执行供应量的预测。特别地,因为门函数和成分由分层隐变量模型估计设备100在不损失理论论证的情况下估计,供应量预测设备700能够使用由合适的参考分类的成分来执行供应量的预测。
示例性实施例2
下面描述供应量预测系统的示例性实施例2。根据示例性实施例的供应量预测系统与供应量预测系统10的不同仅仅在于分层隐变量模型估计设备100被分层隐变量模型估计设备200代替。
图11为根据至少一个示例性实施例的示出分层隐变量模型估计设备的结构示例的框图。与示例性实施例1中的那些结构相同的结构被给予与图3中的附图标记相同的附图标记,并且省略他们的描述。该示例性实施例中的分层隐变量模型估计设备200与分层隐变量模型估计设备100的不同仅仅在于分层隐结构优化单元201被连接并且优化模型选择单元108没有被连接。
在示例性实施例1中,分层隐变量模型估计设备100针对分层隐结构候选者而优化门函数的模型和成分,并且选择用于优化优化准则A的分层隐结构。另一方面,在该示例性实施例中的分层隐变量模型估计设备200中,在分层隐变量变分概率计算单元104的处理之后,分层隐结构优化单元201借以从模型移除具有减少的隐变量的路径的处理被添加。
图12为根据至少一个示例性实施例的示出分层隐结构优化单元201的结构示例的框图。分层隐结构优化单元201包括路径隐变量求和运算单元201-1、路径移除确定单元201-2、以及路径移除执行单元201-3。
路径隐变量求和运算单元201-1接收分层隐变量变分概率104-6的输入,并且计算每个成分中的最低层路径隐变量变分概率的和(此后称作“采样和”(samplesum))。
路径移除确定单元201-2确定采样和是否少于或等于预定阈值e。这里,e为与输入数据111一起的阈值输入。具体地,由路径移除确定单元201-2确定的条件能够例如由下面的表达式5来表示。
【数学式6】
也就是,路径移除确定单元201-2确定每个成分中的最低层路径隐变量变分概率q(zij n)是否满足由以上示出的表达式5定义的准则。换而言之,路径移除确定单元201-2确定采样和是否足够小。
路径移除执行单元201-3将针对其采样和被确定为足够小的路径的变分概率设置为0。路径移除执行单元201-3接着使用针对每个剩余路径(即,具有没有被设置成0的变分概率的路径)而归一化(normalized)的最低层路径隐变量变分概率来针对每个层重新计算分层隐变量变分概率104-6,并且输出重新计算的结果。
以下描述该处理的有效性。以下示为示例的表达式6为迭代优化中的q(zij n)的更新表达式。
【数学式7】
在以上示出的表达式6中,负项(negativeterm)包括在指数部分中,并且在之前的处理中计算的q(zij n)出现在项的分母中。因此,当分母更小时优化的q(zij n)的值更小。因而,小的路径隐变量变分概率通过迭代计算逐渐减少。
注意分层隐结构优化单元201(更具体地,路径隐变量求和运算单元201-1、路径移除确定单元201-2、以及路径移除执行单元201-3)由根据程序(分层隐变量模型估计程序)操作的计算机的CPU来实现。
下面描述该示例性实施例中的分层隐变量模型估计设备200的操作。图13为根据至少一个示例性实施例的示出分层隐变量模型估计设备200的操作示例的流程图。
首先,数据输入设备101输入输入数据111(步骤S200)。接下来,分层隐结构设置单元102将隐藏状态数的初始状态设置为分层隐结构(步骤S201)。
在示例性实施例1中,该多个候选者都执行成分的数量次以搜索最优方案。另一方面,在该示例性实施例中,成分的数量也能够被优化,使得在一个操作中能够优化分层隐结构。因此,在步骤S201中,仅仅隐藏状态数量的初始值需要被一次设置,不同于还没有被优化的候选者从该多个候选者中选择的示例性实施例1中的步骤S102。
接下来,初始化单元103针对设置的分层隐结构执行用于估计的隐变量变分概率和参数的初始化处理(步骤S202)。
接下来,分层隐变量变分概率计算单元104计算每个路径隐变量的变分概率(步骤S203)。接下来,分层隐结构优化单元201通过估计成分的数量来优化分层隐结构(步骤S204)。也就是,因为成分位于最低层节点处,当优化分层隐结构时,成分的数量也被优化。
接下来,成分优化单元105通过估计观察概率的类型和参数来优化每个成分(步骤S205)。接下来,门函数优化单元106优化每个分支节点中的分支参数(步骤S206)。接下来,最优性确定单元107确定优化准则A是否已经收敛(步骤S207)。也就是,最优性确定单元107确定模型的最优性。
在步骤S207中没有确定优化准则A已经收敛(即,确定模型不是最优的)(步骤S207a:否)的情况中,重复步骤S203至S207的处理。
另一方面,在步骤S207中确定优化准则A已经收敛(即,确定模型是最优的)(步骤S207a:是)的情况中,模型估计结果输出设备109输出模型估计结果112,并且结束处理(步骤S208)。
下面描述该示例性实施例中的分层隐结构优化单元201的操作。图14为根据至少一个示例性实施例的示出分层隐结构优化单元201的操作示例的流程图。
首先,路径隐变量求和运算单元201-1计算路径隐变量的采样和(步骤S211)。接下来,路径移除确定单元201-2确定计算出的采样和是否足够小(步骤S212)。接下来,路径移除执行单元201-3输出在针对其采样和被确定为足够小的最低层路径隐变量变分概率被设置成0的状态中重新计算的分层隐变量变分概率,并且结束处理(步骤S213)。
如上描述的,在该示例性实施例中,分层隐结构优化单元201通过从模型移除具有小于或等于预定阈值的计算出的变分概率的路径来优化分层隐结构。
根据这样的结构,除了示例性实施例1的有益效果之外,成分的数量能够在一个操作中优化,其中不需要如在分层隐变量模型估计设备100中那样优化该多个分层隐结构候选者。这使得能够同时估计成分的数量、观察概率的类型和参数、以及变分分布,因此计算成本能够减少。
示例性实施例3
下面描述供应量预测系统的示例性实施例3。在根据示例性实施例的供应量预测系统中,分层隐变量模型估计设备的配置不同于示例性实施例2的配置。该示例性实施例中的分层隐变量模型估计设备与分层隐变量模型估计设备200的不同仅仅在于门函数优化单元106由门函数优化单元113代替。
图15为示出示例性实施例3中的门函数优化单元113的结构示例的框图。门函数优化单元113包括有效分支节点选择单元113-1和分支参数优化并行处理单元113-2。
有效分支节点选择单元113-1从分层隐结构中选择仅仅有效分支节点。具体地,通过使用由成分优化单元105估计的模型104-5,有效分支节点选择单元113-1通过考虑从模型移除的路径来选择仅仅有效的(effective)分支节点。因而,有效分支节点意指没有从分层隐结构移除的路径上的分支节点。
分支参数优化并行处理单元113-2并行地执行针对有效分支节点的分支参数优化处理,并且输出门函数模型106-6。具体地,分支参数优化并行处理单元113-2使用输入数据111和由分层隐变量变分概率计算单元104计算出的分层隐变量变分概率104-6来同时并行地优化针对所有有效分支节点的分支参数。
作为例子,如图15中所例示的,分支参数优化并行处理单元113-2可以包括并行设置的示例性实施例1中的分支参数优化单元106-3。这样的结构允许一次性优化所有的门函数的分支参数。
也就是,当分层隐变量模型估计设备100和200一次性执行门函数的优化处理时,该示例性实施例中的分层隐变量模型估计设备能够并行执行门函数的优化处理,这对更快的模型估计有所贡献。
注意门函数优化单元113(更具体地,有效分支节点选择单元113-1和分支参数优化并行处理单元113-2)由根据程序(分层隐变量模型估计程序)操作的计算机的CPU来实现。
下面描述该示例性实施例中的门函数优化单元113的操作。图16为根据至少一个示例性实施例的示出门函数优化单元113的操作示例的流程图。首先,有效分支节点选择单元113-1选择所有的有效分支节点(步骤S301)。接下来,分支参数优化并行处理单元113-2并行地优化所有有效分支节点,并且结束处理(步骤S302)。
如上描述的,根据该示例性实施例,有效分支节点选择单元113-1从分层隐结构节点中选择有效分支节点,并且分支参数优化并行处理单元113-2基于每个有效分支节点中的隐变量的变分概率来优化门函数模型。这里,分支参数优化并行处理单元113-2并行地优化针对有效分支节点的分支参数。因而,门函数的优化处理能够并行地执行,因此,除了之前的示例性的实施例的有益效果之外,能够达到更快的模型估计。
基本结构
接下来,将描述分层隐变量模型估计设备的基本结构。图17为示出分层隐变量模型估计设备的基本结构的框图。
分层隐变量模型估计设备估计用于预测产品的供应量的分层隐变量模型。分层隐变量模型估计设备包括研究数据输入单元80、变分概率计算单元81、分层隐结构设置单元82、成分优化单元83、以及门函数优化单元84,作为基本结构。
研究数据输入单元80输入用以研究的数据。数据为响应变量和一个或多个解释变量的多个组合。响应变量为产品的已知的供应量。该一个或多个解释变量为能够影响供应量的信息项。作为研究数据输入单元80的示例,使用数据输入设备101。
分层隐结构设置单元82设置分层隐结构,该分层隐结构为其中隐变量由树结构表示并且表示概率模型的成分位于树结构的最低层的节点处的结构。作为分层隐结构设置单元82的示例,使用分层隐结构设置单元102。
变分概率计算单元81基于由研究数据单元80输入的用以研究的数据和成分来计算路径隐变量的变分概率,该路径隐变量为在分层隐结构中的将根节点链接到目标节点的路径中包括的隐变量(例如,优化准则A)。作为变分概率计算单元81的示例,使用分层隐变量变分概率计算单元104。
成分优化单元83基于由研究数据输入单元80输入的用以研究的数据来针对计算出的变分概率优化成分中的每个成分。作为成分优化单元83的示例,使用成分优化单元105。
门函数优化单元84基于节点中的隐变量的变分概率来优化门函数模型,该门函数模型为用于根据分层隐结构的节点中的解释变量来确定分支方向的模型。作为门函数优化单元84的示例,使用门函数优化单元106。
根据这样的结构,分层隐变量模型估计设备能够在不损失理论论证的情况下以合适的计算复杂性来估计包括分层隐变量的分层隐变量模型。
此外,分层隐变量模型估计设备可以包括用于通过从模型移除具有小于或等于预定阈值的计算出的变分概率的路径来优化分层隐结构的分层隐结构优化单元(例如,分层隐结构优化单元201)。根据这样的结构,能够在一个操作中优化成分的数量,其中不需要优化多个分层隐结构候选者。
此外,门函数优化单元84可以包括:有效分支节点选择单元(例如,有效分支节点选择单元113-1),用于从分层隐结构的节点中选择有效分支节点,有效分支节点为没有从分层隐结构移除的路径的分支节点;以及门函数优化并行处理单元(例如,分支参数优化并行处理单元113-2),用于基于有效分支节点中的隐变量的变分概率来优化门函数模型。门函数优化并行处理单元可以并行为有效分支节点执行每个分支参数的优化。根据这样的结构,能够达到更快的模型估计。
此外,分层隐结构设置单元82可以设置其中隐变量由二进制树结构来表示的分层隐结构。门函数优化单元84接着可以基于节点中的隐变量的变分概率来优化基于伯努利分布的门函数模型。在这一情况中,每个参数具有解析方案,这促进了更快的优化。
具体地,变分概率计算单元81可以计算隐变量的变分概率以便最大化边际对数似然度。
接下来,下面描述供应量预测设备的基本结构。图18为示出供应量预测设备的基本结构的框图。
供应量预测设备包括预测数据输入单元90、成分确定单元91、以及供应量预测单元92。
预测数据输入单元90输入用以预测的数据,该用以预测的数据为作为能够影响产品的供应量的信息项的一个或多个解释变量。作为预测数据输入单元90的示例,使用数据输入设备701。
成分确定单元91基于作为其中隐变量由树结构表示并且表示概率模型的成分位于树结构的最低层的节点处的结构的分层隐结构、用于确定分层隐结构的节点中的分支方向的门函数、以及用以预测的数据来确定要被用于供应量的预测的成分。作为成分确定单元91的示例,使用成分确定单元703。
供应量预测单元92基于由成分确定单元91确定的成分和用以预测的数据来预测供应量。作为供应量预测单元92的示例,使用供应量预测单元704。
根据这样的结构,供应量预测设备能够通过门函数使用适当的成分来以极好的精确性来执行供应量的预测。
图19为根据至少一个示例性实施例的示出计算机的结构的示意性框图。
计算机1000包括CPU1001、主存储装置1002、辅存储装置1003、以及接口1004。
以上描述的分层隐变量模型估计设备或者供应量预测设备分别安装在计算机1000上。除此之外,其上安装有分层隐变量模型估计设备的计算机1000和其上安装有供应量预测设备的计算机1000可以彼此不同。以上描述的每个处理单元的操作以程序(分层隐变量模型的估计程序或者供应量预测程序)的形式存储在辅存储装置1003中。CPU1001从辅存储装置1003中读出程序以扩展程序到主存储装置1002中,并且根据程序来执行以上描述的处理。
在至少一个示例性实施例中,辅存储装置1003为非瞬态有形介质的示例。非瞬态有形介质的其他示例包括磁盘、磁光盘、CD-ROM(致密盘只读存储器)、DVD-ROM(数字通用盘只读存储器)、半导体存储器或者通过接口1004连接的类似物。除此之外,在通过通信线路传递程序到计算机1000的情况中,对其执行传递的计算机1000可以扩展程序到主存储装置1002中,并且可以执行处理。
除此之外,程序可以用于实现以上描述的功能的一部分。进一步,程序可以为通过与之前存储在辅存储装置1003中的其他程序组合来实现以上描述的功能的程序,其是所谓的差异文件(差异程序)。
虽然已经参照其示例性实施例特别示出和描述了本发明,本发明不限于这些实施例。那些本领域技术人员将理解到形式和细节上的各种变化可以在不脱离如由权利要求限定的本发明的精神和范围的情况下在其中做出。
本申请基于并且要求来自2013年9月20日提交的美国专利申请号14/032,295的优先权的权益,这里通过引用将其公开内容整体并入。
附图标记列表
10供应量预测系统
80研究数据输入单元
81变分概率计算单元
82分层隐结构设置单元
83成分优化单元
84门函数优化单元
90预测数据输入单元
91成分确定单元
92供应量预测单元
100分层隐变量模型估计设备
101数据输入设备
102分层隐结构设置单元
103初始化单元
104分层隐变量变分概率计算单元
104-1最低层路径隐变量变分概率计算单元
104-2分层设置单元
104-3更高层路径隐变量变分概率计算单元
104-4分层计算结束确定单元
104-5估计模型
104-6分层隐变量变分概率
105成分优化单元
106门函数优化单元
106-1分支节点信息获取单元
106-2分支节点选择单元
106-3分支参数优化单元
106-4总分支节点优化结束确定单元
106-6门函数模型
107最优性确定单元
108优化模型选择单元
109模型估计结果输出设备
111输入数据
112模型估计结果
113门函数优化单元
113-1有效分支节点选择单元
113-2分支参数优化并行处理单元
201分层隐结构优化单元
201-1路径隐变量求和运算单元
201-2路径移除确定单元
201-3路径移除执行单元
300学习数据库
500模型数据库
700供应量预测设备
701数据输入设备
702模型获取单元
703成分确定单元
704供应量预测单元
705预测结果输出设备
711输入数据
712预测结果
1000计算机
1001CPU
1002主存储装置
1003辅存储装置
1004接口
Claims (15)
1.一种用于估计用以预测产品的供应量的分层隐变量模型的分层隐变量模型估计设备,所述分层隐变量模型估计设备包括:
研究数据输入装置,用于输入用以研究的数据,所述数据为响应变量和一个或多个解释变量的多个组合,所述响应变量为产品的已知的供应量,所述一个或多个解释变量为能够影响所述供应量的信息项;
分层隐结构设置装置,用于设置分层隐结构,所述分层隐结构为其中隐变量由树结构表示、并且表示概率模型的成分位于所述树结构的最低层的节点处的结构;
变分概率计算装置,用于基于由所述研究数据输入装置输入的用以研究的数据和所述成分来计算路径隐变量的变分概率,所述路径隐变量为在所述分层隐结构中的将根节点链接到目标节点的路径中包括的隐变量;
成分优化装置,用于基于由所述研究数据输入装置输入的所述用以研究的数据,来针对计算出的所述变分概率优化所述成分中的每个成分;以及
门函数优化装置,用于基于所述分层隐结构的节点中的所述隐变量的所述变分概率来优化门函数模型,所述门函数模型为用于根据所述节点中的所述解释变量来确定分支方向的模型。
2.根据权利要求1所述的分层隐变量模型估计设备,进一步包括:
分层隐结构优化装置,用于通过从所述模型移除具有小于或等于预定阈值的计算出的变分概率的路径来优化所述分层隐结构。
3.根据权利要求2所述的分层隐变量模型估计设备,其中
所述门函数优化装置包括:
有效分支节点选择装置,用于从所述分层隐结构的节点选择有效分支节点,所述有效分支节点为没有被从所述分层隐结构移除的路径的分支节点;以及
门函数优化并行处理装置,用于基于所述有效分支节点中的所述隐变量的所述变分概率来优化所述门函数模型,并且
所述门函数优化并行处理装置并行地执行用于所述有效分支节点的每个分支参数的优化。
4.根据权利要求1至3中任一项所述的分层隐变量模型估计设备,其中
所述分层隐结构设置装置设置其中所述隐变量由二进制树结构表示的所述分层隐结构,并且
所述门函数优化装置基于所述节点中的所述隐变量的所述变分概率来优化基于伯努利分布的所述门函数模型。
5.根据权利要求1至4中任一项所述的分层隐变量模型估计设备,其中
所述变分概率计算装置计算所述隐变量的所述变分概率以便最大化边际对数似然度。
6.一种用于估计用以预测产品的供应量的分层隐变量模型的分层隐变量模型估计方法,所述分层隐变量模型估计方法包括:
输入用以研究的数据,所述数据为响应变量和一个或多个解释变量的多个组合,所述响应变量为产品的已知的供应量,所述一个或多个解释变量为能够影响所述供应量的信息项;
设置分层隐结构,所述分层隐结构为其中隐变量由树结构表示、并且表示概率模型的成分位于所述树结构的最低层的节点处的结构;
基于输入的所述用以研究的数据和所述成分来计算路径隐变量的变分概率,所述路径隐变量为在所述分层隐结构中的将根节点链接到目标节点的路径中包括的隐变量;
基于输入的所述用以研究的数据来针对计算出的所述变分概率优化所述成分中的每个成分;以及
基于所述分层隐结构的节点中的所述隐变量的所述变分概率来优化门函数模型,所述门函数模型为用于根据所述节点中的所述解释变量来确定分支方向的模型。
7.根据权利要求6所述的分层隐变量模型估计方法,进一步包括:
通过从所述模型移除具有小于或等于预定阈值的计算出的变分概率的路径来优化所述分层隐结构。
8.一种非瞬态有形记录介质,在其上记录有用于估计用以预测产品的供应量的分层隐变量模型的分层隐变量模型估计程序,所述分层隐变量模型估计程序使得计算机执行:
用以研究的数据输入处理,所述用以研究的数据输入处理输入用以研究的数据,所述数据为响应变量和一个或多个解释变量的多个组合,响应变量为产品的已知的供应量,所述一个或多个解释变量为能够影响所述供应量的信息项;
分层隐结构设置处理,所述分层隐结构设置处理设置分层隐结构,所述分层隐结构为其中隐变量由树结构表示、并且表示概率模型的成分位于所述树结构的最低层的节点处的结构;
变分概率计算处理,所述变分概率计算处理基于通过所述用以研究的数据输入处理输入的所述用以研究的数据和所述成分来计算路径隐变量的变分概率,所述路径隐变量为在所述分层隐结构中的将根节点链接到目标节点的路径中包括的隐变量;
成分优化处理,所述成分优化处理基于通过所述用以研究的数据输入处理输入的所述用以研究的数据,来针对计算出的所述变分概率优化所述成分中的每个成分;以及
门函数优化处理,所述门函数优化处理基于所述分层隐结构的节点中的所述隐变量的所述变分概率来优化门函数模型,所述门函数模型为用于根据所述节点中的多变量数据来确定分支方向的模型。
9.根据权利要求8所述的记录介质,其中所述分层隐变量模型估计程序进一步使得所述计算机执行:
分层隐结构优化处理,所述分层隐结构优化处理通过从所述模型移除具有小于或等于预定阈值的计算出的变分概率的路径来优化所述分层隐结构。
10.一种用于预测产品的供应量的供应量预测设备,所述供应量预测设备包括:
预测数据输入装置,用于输入用以预测的数据,所述用以预测的数据为作为能够影响产品的供应量的信息项的一个或多个解释变量;
成分确定装置,用于基于作为其中隐变量由树结构表示并且表示概率模型的成分位于所述树结构的最低层的节点处的结构的分层隐结构、用于确定所述分层隐结构的节点中的分支方向的门函数以及所述用以预测的数据,来确定要被用于所述供应量的预测的成分;以及
供应量预测装置,用于基于由所述成分确定装置确定的所述成分和所述用以预测的数据来预测所述供应量。
11.一种用于预测产品的供应量的供应量预测方法,所述供应量预测方法包括:
输入用以预测的数据,所述用以预测的数据为作为能够影响产品的所述供应量的信息项的一个或多个解释变量;
基于作为其中隐变量由树结构表示并且表示概率模型的成分位于所述树结构的最低层的节点处的结构的分层隐结构、用于确定所述分层隐结构的节点中的分支方向的门函数以及所述用以预测的数据,来确定要被用于所述供应量的预测的成分;以及
基于确定的所述成分和所述用以预测的数据来预测所述供应量。
12.一种非瞬态有形记录介质,在其上记录有用于预测产品的供应量的供应量预测程序,所述供应量预测程序使得计算机执行:
用以预测的数据输入处理,所述用以预测的数据输入处理输入用以预测的数据,所述用以预测的数据为作为能够影响产品的所述供应量的信息项的一个或多个解释变量;
成分确定处理,所述成分确定处理基于作为其中隐变量由树结构表示并且表示概率模型的成分位于所述树结构的最低层的节点处的结构的分层隐结构、用于确定所述分层隐结构的节点中的分支方向的门函数以及所述用以预测的数据,来确定用于所述供应量的预测的成分;以及
供应量预测处理,所述供应量预测处理基于通过所述成分确定处理确定的所述成分和所述用以预测的数据来预测所述供应量。
13.一种用于预测产品的供应量的供应量预测系统,所述供应量预测系统包括:
研究数据输入装置,用于输入用以研究的数据,所述数据为响应变量和一个或多个解释变量的多个组合,所述响应变量为产品的已知的供应量,所述一个或多个解释变量为能够影响所述供应量的信息项;
分层隐结构设置装置,用于设置分层隐结构,所述分层隐结构为其中隐变量由树结构表示、并且表示概率模型的成分位于所述树结构的最低层的节点处的结构;
变分概率计算装置,用于基于由所述研究数据输入装置输入的用以研究的数据和所述成分来计算路径隐变量的变分概率,所述路径隐变量为在所述分层隐结构中的将根节点链接到目标节点的路径中包括的隐变量;
成分优化装置,用于基于由所述研究数据输入装置输入的所述用以研究的数据,来针对计算出的所述变分概率优化所述成分中的每个成分;
门函数优化装置,用于基于所述分层隐结构的节点中的所述隐变量的所述变分概率来优化门函数模型,所述门函数模型为用于根据所述节点中的所述解释变量来确定分支方向的模型;
预测数据输入装置,用于输入用以预测的数据,所述用以预测的数据为作为能够影响产品的所述供应量的信息项的一个或多个解释变量;
成分确定装置,用于基于由所述门函数优化装置优化的所述门函数和所述用以预测的数据,来在由所述成分优化装置优化的所述成分之中确定要被用于所述供应量的预测的成分;以及
供应量预测装置,用于基于由所述成分确定装置确定的所述成分和所述用以预测的数据来预测所述供应量。
14.一种用于预测产品的供应量的供应量预测方法,所述供应量预测方法包括:
输入用以研究的数据,所述数据为响应变量和一个或多个解释变量的多个组合,所述响应变量为产品的已知的供应量,所述一个或多个解释变量为能够影响所述供应量的信息项;
设置分层隐结构,所述分层隐结构为其中隐变量由树结构表示、并且表示概率模型的成分位于所述树结构的最低层的节点处的结构;
基于输入的所述用以研究的数据和所述成分来计算路径隐变量的变分概率,所述路径隐变量为在所述分层隐结构中的将根节点链接到目标节点的路径中包括的隐变量;
基于输入的所述用以研究的数据来针对计算出的所述变分概率优化所述成分中的每个成分;
基于所述分层隐结构的节点中的所述隐变量的所述变分概率来优化门函数模型,所述门函数模型为用于根据所述节点中的所述解释变量来确定分支方向的模型;
输入用以预测的数据,所述用以预测的数据为作为能够影响产品的供应量的信息项的一个或多个解释变量;
基于优化的所述门函数和所述用以预测的数据,来在优化的所述成分之中确定要被用于所述供应量的预测的成分;以及
基于确定的所述成分和所述用以预测的数据来预测所述供应量。
15.一种非瞬态有形记录介质,在其上记录有用于预测产品的供应量的分层隐变量模型,所述记录介质上记录有通过以下各项获得的优化的成分和优化的门函数:
输入用以研究的数据,所述数据为响应变量和一个或多个解释变量的多个组合,所述响应变量为产品的已知的供应量,所述一个或多个解释变量为能够影响所述供应量的信息项;
设置分层隐结构,所述分层隐结构为其中隐变量由树结构表示、并且表示概率模型的成分位于所述树结构的最低层的节点处的结构;
基于输入的所述用以研究的数据和所述成分来计算路径隐变量的变分概率,所述路径隐变量为在所述分层隐结构中的将根节点链接到目标节点的路径中包括的隐变量;
基于输入的所述用以研究的数据来针对计算出的所述变分概率优化所述成分中的每个成分;以及
基于所述分层隐结构的节点中的所述隐变量的所述变分概率来优化门函数模型,所述门函数模型为用于根据所述节点中的所述解释变量来确定分支方向的模型。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/032,295 US9324026B2 (en) | 2013-09-20 | 2013-09-20 | Hierarchical latent variable model estimation device, hierarchical latent variable model estimation method, supply amount prediction device, supply amount prediction method, and recording medium |
US14/032,295 | 2013-09-20 | ||
PCT/JP2014/004494 WO2015040806A1 (en) | 2013-09-20 | 2014-09-02 | Hierarchical latent variable model estimation device, hierarchical latent variable model estimation method, supply amount prediction device, supply amount prediction method, and recording medium |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105556546A true CN105556546A (zh) | 2016-05-04 |
CN105556546B CN105556546B (zh) | 2019-01-08 |
Family
ID=52688477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480051777.9A Active CN105556546B (zh) | 2013-09-20 | 2014-09-02 | 分层隐变量模型估计设备、分层隐变量模型估计方法、供应量预测设备、供应量预测方法、以及记录介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US9324026B2 (zh) |
JP (1) | JP6330901B2 (zh) |
CN (1) | CN105556546B (zh) |
WO (1) | WO2015040806A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109313664A (zh) * | 2016-07-06 | 2019-02-05 | 日本电信电话株式会社 | 费希尔精确检验计算装置、方法以及程序 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9489632B2 (en) * | 2013-10-29 | 2016-11-08 | Nec Corporation | Model estimation device, model estimation method, and information storage medium |
US9355196B2 (en) * | 2013-10-29 | 2016-05-31 | Nec Corporation | Model estimation device and model estimation method |
US11586947B2 (en) * | 2017-06-29 | 2023-02-21 | Nec Corporation | Visualization system, visualization method, and visualization program |
JP7249103B2 (ja) * | 2018-02-23 | 2023-03-30 | ヤフー株式会社 | 選択装置、選択方法、及び選択プログラム |
JP7489275B2 (ja) * | 2020-09-09 | 2024-05-23 | 株式会社Screenホールディングス | 情報処理装置、情報処理システムおよび情報処理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129860A (zh) * | 2011-04-07 | 2011-07-20 | 魏昕 | 基于无限状态隐马尔可夫模型的与文本相关的说话人识别方法 |
CN103221945A (zh) * | 2011-03-18 | 2013-07-24 | 日本电气株式会社 | 多变量数据混合模型估计装置、混合模型估计方法和混合模型估计程序 |
CN104969216A (zh) * | 2013-02-04 | 2015-10-07 | 日本电气株式会社 | 分级潜在变量模型估计设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3767954B2 (ja) | 1996-11-07 | 2006-04-19 | 富士通株式会社 | 需要予測装置 |
JP4139410B2 (ja) | 2006-01-30 | 2008-08-27 | アクセンチュア株式会社 | 最適在庫量/発注量を指示する発注指示システム |
JP2010128779A (ja) | 2008-11-27 | 2010-06-10 | Kansai Electric Power Co Inc:The | 重回帰式の抽出方法 |
US8892491B2 (en) | 2011-11-21 | 2014-11-18 | Seiko Epson Corporation | Substructure and boundary modeling for continuous action recognition |
-
2013
- 2013-09-20 US US14/032,295 patent/US9324026B2/en active Active
-
2014
- 2014-09-02 WO PCT/JP2014/004494 patent/WO2015040806A1/en active Application Filing
- 2014-09-02 JP JP2016511462A patent/JP6330901B2/ja active Active
- 2014-09-02 CN CN201480051777.9A patent/CN105556546B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103221945A (zh) * | 2011-03-18 | 2013-07-24 | 日本电气株式会社 | 多变量数据混合模型估计装置、混合模型估计方法和混合模型估计程序 |
US20130211801A1 (en) * | 2011-03-18 | 2013-08-15 | Nec Corporation | Multivariate data mixture model estimation device, mixture model estimation method, and mixture model estimation program |
CN102129860A (zh) * | 2011-04-07 | 2011-07-20 | 魏昕 | 基于无限状态隐马尔可夫模型的与文本相关的说话人识别方法 |
CN104969216A (zh) * | 2013-02-04 | 2015-10-07 | 日本电气株式会社 | 分级潜在变量模型估计设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109313664A (zh) * | 2016-07-06 | 2019-02-05 | 日本电信电话株式会社 | 费希尔精确检验计算装置、方法以及程序 |
CN109313664B (zh) * | 2016-07-06 | 2023-07-28 | 日本电信电话株式会社 | 费希尔精确检验计算装置、方法以及记录介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105556546B (zh) | 2019-01-08 |
JP6330901B2 (ja) | 2018-05-30 |
WO2015040806A1 (en) | 2015-03-26 |
JP2016537693A (ja) | 2016-12-01 |
US9324026B2 (en) | 2016-04-26 |
US20150088789A1 (en) | 2015-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105556546A (zh) | 分层隐变量模型估计设备、分层隐变量模型估计方法、供应量预测设备、供应量预测方法、以及记录介质 | |
JP6344395B2 (ja) | 払出量予測装置、払出量予測方法、プログラム、及び、払出量予測システム | |
WO2015040789A1 (ja) | 商品推薦装置、商品推薦方法、及び、記録媒体 | |
EP3104323A1 (en) | Electric power business profit and loss calculation system and electric power business profit and loss calculation method | |
CN104969216B (zh) | 分级潜在变量模型估计设备 | |
JP6344396B2 (ja) | 発注量決定装置、発注量決定方法、プログラム、及び、発注量決定システム | |
JP6525002B2 (ja) | メンテナンス時期決定装置、劣化予測システム、劣化予測方法および記録媒体 | |
JP2004157814A (ja) | 決定木生成方法およびモデル構造生成装置 | |
JP6451735B2 (ja) | エネルギー量推定装置、エネルギー量推定方法、及び、エネルギー量推定プログラム | |
Brito et al. | An iterative local search approach applied to the optimal stratification problem | |
Aljubayrin et al. | Finding non-dominated paths in uncertain road networks | |
CN114610706A (zh) | 基于过采样和改进随机森林的窃电检测方法、系统及装置 | |
CN113283924A (zh) | 需求预测方法以及需求预测装置 | |
Strimas‐Mackey et al. | Reserve design to optimize the long‐term persistence of multiple species | |
Tan et al. | A multiobjective evolutionary algorithm for solving vehicle routing problem with time windows | |
JP3927040B2 (ja) | 配電系統負荷推定装置 | |
WO2011070979A1 (ja) | 辞書作成装置 | |
CN116662860A (zh) | 一种基于能源大数据的用户画像与分类方法 | |
Camero et al. | Road map partitioning for routing by using a micro steady state evolutionary algorithm | |
Ibrahim et al. | Using qualitative probability in reverse-engineering gene regulatory networks | |
CN113358130A (zh) | 规划路径的获取方法、装置、设备及可读存储介质 | |
Saidi et al. | Power outage prediction by using logistic regression and decision tree | |
CN116341781B (zh) | 基于大规模邻域搜索算法的路径规划方法及存储介质 | |
CN113592516B (zh) | 基于偏置项的重要度确定方法与确定得分的方法 | |
Hu et al. | Improving the station-level demand prediction by using feature engineering in bike sharing systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |