CN106327002A - 需求预测方法和需求预测装置 - Google Patents

需求预测方法和需求预测装置 Download PDF

Info

Publication number
CN106327002A
CN106327002A CN201610487573.0A CN201610487573A CN106327002A CN 106327002 A CN106327002 A CN 106327002A CN 201610487573 A CN201610487573 A CN 201610487573A CN 106327002 A CN106327002 A CN 106327002A
Authority
CN
China
Prior art keywords
explanatory variable
demand
value
error
judged
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.)
Pending
Application number
CN201610487573.0A
Other languages
English (en)
Inventor
藤村亮太
大滨郁
梅谷英生
庄田幸惠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Panasonic Intellectual Property Corp of America
Original Assignee
Panasonic Intellectual Property Corp of America
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from JP2016051976A external-priority patent/JP6603600B2/ja
Application filed by Panasonic Intellectual Property Corp of America filed Critical Panasonic Intellectual Property Corp of America
Publication of CN106327002A publication Critical patent/CN106327002A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Computational Linguistics (AREA)

Abstract

提供一种能够削减用户的输入次数，能够削减获得解释变量所需的时间，并能够提高需求量预测的精度的需求预测方法、需求预测装置。需求预测方法包括：步骤(S1)，算出过去的需求量的预测值与过去的需求量的实测值的误差，所述过去的需求量的预测值通过向预测模型输入过去的解释变量的实测值而算出，所述预测模型基于预定场所的需求量的实测值和解释变量而构筑，所述解释变量是给需求量的增减带来影响的外部要因；步骤(S2)，判断算出的误差是否属于异常值；步骤(S3)，在判断为误差属于异常值的情况下，取得新的解释变量；步骤(S4)，基于所取得的新的解释变量，更新预测模型；以及步骤(S5)，使用更新后的预测模型，新预测将来的需求量。

Description

需求预测方法和需求预测装置
技术领域
本公开涉及一种使用预测模型来预测将来的需求量的需求预测方法和需求预测装置。
背景技术
以往，作为预测将来的需求量的技术，提出了一种将需求量与给需求量的增减带来影响的外部要因(解释变量)的关系数理地模型化的方法(例如多元回归模型和神经网络)(例如参照非专利文献1)。
另一方面，解释变量的种类多种多样，当前状况下，基于用户的见解来决定用于模型的解释变量的种类。但是，由于用户并不是完全掌握怎样的解释变量会给需求量带来怎样的影响这一关系性，所以应该用于模型的解释变量有可能会欠缺或不足。因此，预测的精度很大程度上受到用户对预测对象的见解的影响。
作为解决这样的问题的现有技术，例如，在专利文献1中公开了如下技术：在使用了计算机的时序预测方法中，在产生了异常值时，根据在与异常值的产生时刻相同的时刻产生的各种要因候选信息，以与计划者对话的形式设定异常值的产生要因，并提高销售量预测的精度，所述计算机具有算出预测期间中的产品销售量的运算装置。
在先技术文献
专利文献
专利文献1：日本特开平9-101947号公报
非专利文献
非专利文献1：Miguel Rocha、Paulo Cortez以及Jose Neves，“Evolution ofNeural Networks for Classification and Regression”，神经计算学，第70卷，Issue16-18，2007(第2809-2816页)
发明内容
发明要解决的问题
但是，在专利文献1记载的方法中，具有以下问题：不能够排除过去获得的异常值的产生要因(因素)的影响，导致会向用户多次催促取得相同的产生要因，不能够减少用户的输入次数。
用于解决问题的技术方案
本公开的一个技术方案涉及的需求预测方法是如下需求预测方法，算出过去的需求量的预测值与过去的需求量的实测值的误差，判断所算出的所述误差是否属于异常值，在判断为所述误差属于所述异常值的情况下，取得新的解释变量，基于所取得的所述新的解释变量更新所述预测模型，使用更新后的所述预测模型新预测将来的需求量，所述过去的需求量的预测值通过在预测模型中输入过去的解释变量的实测值而算出，所述预测模型基于预定场所的需求量的实测值和解释变量而构筑，所述解释变量是给所述需求量的增减带来影响的外部要因。
发明的效果
根据本公开，能够削减用户的输入次数，能够削减获得解释变量所需的时间，能够提高需求量预测的精度。
附图说明
图1是表示本公开的实施方式涉及的需求预测装置的整体构成的图。
图2是表示本公开的实施方式的变化例涉及的需求预测装置的整体构成的图。
图3是表示本公开的实施方式涉及的需求预测装置的功能构成的框图。
图4是表示存储于本公开的实施方式涉及的信息存储部的信息的一例的图。
图5是表示本公开的实施方式涉及的需求预测装置的处理的流程的流程图。
图6是表示本公开的实施方式涉及的误差算出部的处理的流程的流程图。
图7是表示本公开的实施方式涉及的解释变量取得部的处理的流程的流程图。
图8是表示显示属于异常值的模型误差的显示画面的一例的图。
图9是表示显示属于异常值的模型误差的显示画面的另一例的图。
图10是表示在受理新的解释变量的输入时所显示的显示画面的一例的图。
图11是表示在受理新的解释变量的输入时所显示的显示画面的另一例的图。
图12是表示本公开的实施方式的变化例涉及的解释变量取得部的处理的流程的流程图。
图13是表示显示提示信息的显示画面的一例的图。
图14是表示本公开的实施方式涉及的需求预测系统的构成的图。
图15是表示本公开的实施方式的变化例涉及的需求预测系统的构成的图。
图16是表示本公开的实施方式涉及的预测模型修正部的处理的流程的流程图。
图17是表示存储于本公开的实施方式涉及的信息存储部的修正解释变量的一例的图。
标号说明
100 需求预测装置
101 第一需求预测装置
102 第二需求预测装置
110 输入部
120 处理部
121 预测模型存储部
122 信息存储部
123 信息取得部
124 误差算出部
125 解释变量取得部
126 需求预测部
127 预测输出部
128 预测模型修正部
130 显示部
200 输入输出装置
201 第一输入输出装置
202 第二输入输出装置
300 处理装置
301 第一处理部
302 第二处理部
500 网络
具体实施方式
(成为本公开的基础的见解)
近年来，由于计算机的先进化和信息存储技术的进步，使得能实现活用按时序方式存储的需求量实绩数据、预测将来的需求量的技术。预测的需求量例如是外食产业的来店人数、零售业的销售数量以及电力运营商的电力消耗量。
以往，作为预测将来的需求量的技术，提出了一种将需求量与给需求量的增减带来影响的外部要因(解释变量)的关系数理地模型化的方法(例如多元回归模型和神经网络)。在将需求量与解释变量的关系模型化的方法中，存在如下问题：用户必须预先列出使用怎样的信息来作为解释变量，用户的与预测对象相关的知识会大大影响预测的精度。
作为解决这样的问题的现有技术，有上述专利文献1。
然而，在专利文献1记载的方法中，由于按时序成分分解过去的需求量，并根据分解而成的成分来判断异常值的产生，所以不能够判断异常值产生的要因是否已经作为解释变量组入到预测模型中。因此，会有如下问题：在产生了由已经组入到预测模型中的解释变量引起的异常值时，会导致再次催促用户输入，不会减少用户的输入次数。也就是说，需要在除去了由已经组入到预测模型中的解释变量导致的需求量变动之后，获得新的解释变量。
为了解决这种问题，本公开的一个技术方案涉及的需求预测方法包括：算出过去的需求量的预测值与过去的需求量的实测值的误差，所述过去的需求量的预测值通过向预测模型输入过去的解释变量的实测值而算出，所述预测模型基于预定场所的需求量的实测值和解释变量而构筑，所述解释变量是给所述需求量的增减带来影响的外部要因，判断所算出的所述误差是否属于异常值，在判断为所述误差属于所述异常值的情况下，取得新的解释变量，基于所取得的所述新的解释变量，更新所述预测模型，使用更新后的所述预测模型，新预测将来的需求量。
根据该构成，算出过去的需求量的预测值与过去的需求量的实测值的误差，所述过去的需求量的预测值通过向预测模型输入过去的解释变量的实测值而算出，所述预测模型基于需求量的实测值和解释变量而构筑，所述解释变量是给需求量的增减带来影响的外部要因。判断算出的误差是否属于异常值。在判断为误差属于异常值的情况下，取得新的解释变量。基于所取得的新的解释变量更新预测模型。使用更新的预测模型，新预测将来的需求量。
因此，由于算出了需求量的过去的实测值与预测模型的预测值的误差，并基于算出的误差取得新的解释变量，所以能够获得除去了由已经组入到预测模型中的解释变量引起的需求量变动而得到的、有效的解释变量。由此，能够削减用户的输入次数，能够削减获得解释变量所需的时间，并能够提高需求量预测的精度。
另外，在上述需求预测方法中，也可以按时序方式显示被判断为属于所述异常值的所述误差。
根据该构成，由于按时序方式显示被判断为属于异常值的误差，所以用户能够确认被判断为属于异常值的误差。
另外，在上述需求预测方法中，也可以通过受理用户输入，取得所述新的解释变量。
根据该构成，由于通过受理用户输入来取得新的解释变量，所以能够使用户的见解(想法)反映在新的解释变量中。
另外，在上述需求预测方法中，也可以在判断为所述误差属于所述异常值的情况下，取得表示所述新的解释变量的一个或多个候选的候选信息，将所取得的所述候选信息以能够进行选择的状态来显示。
根据该构成，在判断为误差属于异常值的情况下，取得表示新的解释变量的一个或多个候选的候选信息。而且，以能够选择的状态显示所取得的候选信息。
因此，由于以能够选择的状态显示表示新的解释变量的一个或多个候选的候选信息，所以用户能够容易地选择新的解释变量。
另外，在上述需求预测方法中，所述候选信息也可以包括进行了实测的时间段中的、预定场所的周边区域的信息，所述实测用于得到在判断为属于所述异常值的误差的算出中使用的所述过去的需求量的实测值。
根据该构成，将进行了实测的时间段中的、预定场所的周边区域的信息作为候选信息而取得，所述实测用于得到在判断为属于异常值的误差的算出中使用的过去的需求量的实测值。因此，能够将进行了在判断为属于异常值的误差的算出中使用的需求量的实测的时间段中的、预定场所的周边区域的信息作为新的解释变量提示给用户。
另外，在上述需求预测方法中，也可以在判断为所述误差属于所述异常值的情况下，在所述候选信息的取得中，从提供搜索引擎或社交网络服务的外部服务器取得多个关键字作为所述候选信息。所述多个关键字也可以包括按在所述搜索引擎中搜索数从多到少的顺序提取出的多个关键字，或者按在所述社交网络服务中写入(消息)数量从多到少的顺序提取出的多个关键字。也可以在所述候选信息的显示中，以能够选择的状态显示作为所述候选信息取得的所述多个关键字。
根据该构成，将按在搜索引擎中搜索数从多到少的顺序提取出的多个关键字，或者按在社交网络服务中写入数量从多到少的顺序提取出的多个关键字作为候选信息，以能够选择的状态显示。
因此，用户能够从按在搜索引擎中搜索数从多到少的顺序提取出的多个关键字，或者按在社交网络服务中写入数量从多到少的顺序提取出的多个关键字之中，选择新的解释变量。
另外，在上述需求预测方法中，也可以在判断为所述误差属于所述异常值的情况下，在所述候选信息的取得中，从其他计算机中取得一个或多个解释变量作为所述候选信息。
根据该构成，在判断为误差属于异常值的情况下，从经由网络连接的其他需求预测装置取得一个或多个解释变量作为候选信息，将所取得的候选信息以能够选择的状态显示。
因此，由于在判断为误差属于异常值的情况下，将从经由网络连接的其他需求预测装置取得的一个或多个解释变量作为候选信息，以能够选择的状态显示，所以能够向用户提示在其他需求预测装置中使用的解释变量，并能够容易地选择新的解释变量。
另外，在上述需求预测方法中，也可以判断所取得的所述新的解释变量是否满足预定条件，在判断为所述新的解释变量满足所述预定条件的情况下，基于所述新的解释变量更新所述预测模型，在判断为所述新的解释变量不满足所述预定条件的情况下，不更新所述预测模型，将所述新的解释变量作为修正解释变量存储，所述修正解释变量用于修正使用所述预测模型算出的需求量的预测值。
根据该构成，判断所取得的新的解释变量是否满足预定条件。在判断为新的解释变量满足预定条件的情况下，基于新的解释变量更新预测模型。在判断为新的解释变量不满足预定条件的情况下，不更新预测模型而将新的解释变量作为修正解释变量存储，所述修正解释变量用于修正使用预测模型算出的需求量的预测值。
因此，由于在判断为新的解释变量满足预定条件的情况下，基于新的解释变量更新预测模型，所以能够实现精度更高的需求量的预测。另外，由于在判断为新的解释变量不满足预定条件的情况下，不更新预测模型，而将新的解释变量作为修正解释变量存储，所以能够使用所存储的修正解释变量修正需求量的预测值，所述修正解释变量用于修正使用预测模型算出的需求量的预测值。
另外，在上述需求预测方法中，也可以按每个所述修正解释变量算出对所述需求量的增减的影响值，根据算出的所述影响值修正所述预测值。
根据该构成，由于按修正解释变量算出对需求量的增减的影响值，并根据算出的影响值修正预测值，所以能够算出更高精度的预测值。
另外，在上述需求预测方法中，也可以在预定期间内的所述新的解释变量的实测值的变化比预定次数少时，判断为所述新的解释变量不满足所述预定条件。
根据该构成，在预定期间内的新的解释变量的实测值的变化比预定次数少时，判断为新的解释变量不满足预定条件。因此，在新的解释变量平时不会地给需求量的增减带来影响的情况下，由于不使新的解释变量反映到预测模型中，所以能够提高需求量的预测精度。
另外，在上述需求预测方法中，也可以在所述误差的绝对值超过预定阈值的情况下，判断为所述误差属于所述异常值。
根据该构成，判断误差的绝对值是否超过预定阈值，在误差的绝对值超过预定阈值的情况下，能够判断为误差属于异常值，在误差的绝对值不超过预定阈值的情况下，能够判断为误差不属于异常值。
本公开的一个技术方案涉及的需求预测装置是预测将来的需求量的需求预测装置，具备：误差算出部，其算出过去的需求量的预测值与过去的需求量的实测值的误差，所述过去的需求量的预测值通过向预测模型输入过去的解释变量的实测值而算出，所述预测模型基于需求量的实测值和解释变量而构筑，所述解释变量是给需求量的增减带来影响的外部要因；解释变量取得部，其判断由所述误差算出部算出的所述误差是否属于异常值，在判断为所述误差属于所述异常值的情况下，取得新的解释变量；以及需求预测部，其基于由所述解释变量取得部取得的所述新的解释变量更新所述预测模型，使用更新后的所述预测模型新预测将来的需求量。
根据该构成，算出过去的需求量的预测值与过去的需求量的实测值的误差，所述过去的需求量的预测值通过向预测模型输入过去的解释变量的实测值而算出，所述预测模型基于需求量的实测值和解释变量而构筑，所述解释变量是给需求量的增减带来影响的外部要因。判断算出的误差是否属于异常值。在判断为误差属于异常值的情况下，取得新的解释变量。基于取得的新的解释变量更新预测模型。使用更新的预测模型新预测将来的需求量。
因此，由于算出了需求量的过去的实测值与预测模型的预测值的误差，并基于算出的误差取得新的解释变量，所以能够获得除去了由已经组入到预测模型中的解释变量引起的需求量变动而得到的、有效的解释变量。由此，能够削减用户的输入次数，能够削减获得解释变量所需的时间，并能够提高需求量预测的精度。
本公开的一个技术方案涉及的记录介质是记录了程序的记录介质，所述程序使计算机执行如下处理：算出过去的需求量的预测值与过去的需求量的实测值的误差，所述过去的需求量的预测值通过向预测模型输入过去的解释变量的实测值而算出，所述预测模型基于预定场所的需求量的实测值和解释变量而构筑，所述解释变量是给所述需求量的增减带来影响的外部要因，判断所述算出的所述误差是否属于异常值，在判断为所述误差属于所述异常值的情况下，取得新的解释变量，基于所述取得的所述新的解释变量更新所述预测模型，使用更新的所述预测模型，新预测将来的需求量。
根据该构成，算出过去的需求量的预测值与过去的需求量的实测值的误差，所述过去的需求量的预测值通过向预测模型输入过去的解释变量的实测值而算出，所述预测模型基于需求量的实测值和解释变量而构筑，所述解释变量是给需求量的增减带来影响的外部要因。判断算出的误差是否属于异常值。在判断为误差属于异常值的情况下，取得新的解释变量。基于所取得的新的解释变量更新预测模型。使用更新的预测模型新预测将来的需求量。
因此，由于算出了需求量的过去的实测值与预测模型的预测值的误差，并基于算出的误差取得新的解释变量，所以能够获得除去了由已经组入到预测模型中的解释变量引起的需求量变动而得到的、有效的解释变量。由此，能够削减用户的输入次数，能够削减获得解释变量所需的时间，并能够提高需求量预测的精度。
以下，参照附图说明本公开的实施方式。此外，以下的实施方式是将本公开具体化而成的一例，并不限定本公开的技术范围。
1.1需求预测装置的整体构成
图1是表示本公开的实施方式涉及的需求预测装置的整体构成的图。图1示出需求预测装置为一个装置的情况。需求预测装置100具备输入部110、处理部120以及显示部130。
需求预测装置100例如是由服务器、个人计算机、智能手机、功能手机(featurephone)或平板型计算机等构成，且具有计算功能的信息处理装置。
输入部110例如由个人计算机的键盘、鼠标或触控板(Trackpad)等指点设备(pointing device)、麦克风等语音输入装置或平板型计算机的触摸面板等构成，受理来自用户的输入。
处理部120例如由内置于个人计算机的微处理器和存储器构成。存储器存储有计算机程序，微处理器按照计算机程序工作，由此能实现处理部120的功能。
显示部130例如由个人计算机的监视器或平板型计算机的显示器等显示面板构成。
图2是表示本公开的实施方式的变形例涉及的需求预测装置的整体构成的图。图2所示的需求预测装置是输入部110和显示部130作为不同设备而相互独立的例子。需求预测装置具备输入输出装置200和处理装置300。
处理装置300经由网络500与输入输出装置200连接。
处理装置300例如具备用于经由网络500与输入输出装置200进行通信的通信部(未图示)。通信部例如包括通信线路。
输入输出装置200例如具备用于经由网络500与处理装置300进行通信的通信部(未图示)。通信部例如包括通信线路。
处理装置300的通信部在处理结果满足预定条件时经由网络500，向输入输出装置200发送用于使预定画面显示于输入输出装置200的显示部130的信息。
输入输出装置200的通信部将用于使接收到的预定画面显示的信息输出至显示部130。显示部130按照该信息显示预定画面。
另外，输入输出装置200的通信部经由网络500，向处理装置300发送来自输入部110的输入信息。处理装置300的通信部向处理部120输出接收到的输入信息。由此，处理部120取得来自输入部110的输入信息。
输入输出装置200例如是由个人计算机、智能手机、功能手机或平板型计算机等构成，具有输入功能和输出功能，并能够与网络500连接的设备。
处理装置300例如是由服务器、个人计算机、智能手机、功能手机或平板型计算机等构筑，且具有计算功能的信息处理装置。
网络500是以太网(注册商标)等有线网络、无线LAN(Local Area Network：局域网)等无线网络、公共网络或将这些网络组合而成的网络等。公共网络是电信运营商向不特定多数的利用者提供的通信线路，例如可列举一般电话线路或ISDN(Integrated ServicesDigital Network：综合业务数字网)等。
在这里，说明了输入输出装置200和处理装置300分别为不同的设备的例子，但本公开不特别限定于此，输入部110、处理部120以及显示部130中的一个也可以与其他两个存在于不同的设备中。另外，在图2中，说明了输入输出装置200和处理装置300通过网络500连接的例子，但也可以通过HDMI(注册商标)(High Definition Multimedia Interface：高清晰度多媒体接口)或USB(Universal Serial Bus:通用串行总线)线等有线来连接。
另外，多个输入输出装置200也可以经由网络500与处理装置300连接。
在之后的实施方式的说明中，说明图1所示的需求预测装置为一个装置的例子。另外，需求量例如是指预定场所的需求量。在本实施方式中，说明如下例子：将预定场所的店铺中的来店人数作为具体需求量的例子，需求预测装置预测每预定期间(例如1小时、一天、一个月、一年等)的来店人数来作为需求量。在本实施方式中，作为预定期间，主要以一天为例来进行说明。
另外，本公开并不限定于来店人数的预测，作为需求量的预测的对象，例如也可应用于在店铺消耗的电力消耗量、店铺前的道路的交通量或店铺中的销售量等。
1.2需求预测装置的构成
图3是表示本公开的实施方式涉及的需求预测装置的功能构成的框图。
需求预测装置100预测将来的需求量。需求预测装置100具备输入部110、处理部120以及显示部130。
处理部120具备预测模型存储部121、信息存储部122、信息取得部123、误差算出部124、解释变量取得部125、需求预测部126、预测输出部127以及预测模型修正部128。
预测模型存储部121例如是非易失性存储器或磁盘，并包含能够存储信息的区域。预测模型存储部121存储用于预测需求的预测模型信息。预测模型例如使用多元回归分析、神经网络、支持向量机或决策树等，输出对所输入的信息的预测结果。例如，预测模型根据进行需求预测的对象日的曜日或天气预报，算出表示对象日的预测来店人数的概率分布，并将算出的概率分布作为预测结果输出。
信息存储部122例如是非易失性存储器或磁盘，包含能够存储信息的区域。信息存储部122存储：来店人数的实测值、成为存储在预测模型存储部121中的预测模型的输入信息的解释变量的变量名以及每个解释变量的实测值。
信息存储部122例如是在非易失性存储器或磁盘上展开的数据库系统。图4是表示存储于本公开的实施方式涉及的信息存储部122的信息的一例的图。如图4所示，信息存储部122对日期、来店人数、曜日(星期)、天气以及气温进行关联存储。在图4所示的信息中，“曜日”、“天气”以及“气温”表示解释变量的变量名，“星期三”、“晴”以及“15.2”表示解释变量的实测值。
信息取得部123在预定的时间取得新的信息，并将取得的信息存储到信息存储部122中。信息取得部123例如每24小时取得当日的来店人数的实测值(在该例子中是在当日(24小时期间，或当日的店铺营业时间期间)来到店铺的来店人数的总数所对应的值)，并存储到信息存储部122中。另外，信息取得部123取得每个解释变量的未来的值或预测值，并存储到信息存储部122中。此外，在本实施方式中，信息取得部123从外部服务器取得各值，但本公开不特别限定于此，也可以通过受理来自用户的输入来取得各值。
误差算出部124算出过去的需求量的预测值与过去的需求量的实测值之间的误差(模型误差)，所述过去的需求量的预测值通过在预测模型中输入过去的解释变量的实测值而算出，所述预测模型基于需求量的实测值和解释变量而构筑，所述解释变量是给需求量的增减带来影响的外部要因。更具体而言，误差算出部124根据从存储于预测模型存储部121的预测模型算出的预测值与存储于信息存储部122的来店人数的实测值，算出模型误差。误差算出部124例如通过在预测模型中输入解释变量的过去的实测值，并对从预测模型输出的预测值与来店人数的过去的实测值进行比较，算出模型误差。
误差算出部124进一步判断算出的模型误差是否属于异常值。在判断为模型误差属于异常值的情况下，误差算出部124向解释变量取得部125发送通知。进一步，误差算出部124将算出的模型误差的信息发送给解释变量取得部125。判断模型误差是否属于异常值的条件例如为模型误差的绝对值是否比预定阈值大。例如，误差算出部124在模型误差的绝对值比预定阈值大的情况下，判断为模型误差属于异常值，误差算出部124在模型误差的绝对值为预定的阈值以下的情况下，判断为模型误差不属于异常值。或者，也可以将某日的模型误差的值是否从其他日的模型误差的分布大大偏离作为某日的模型误差是否为异常值的判断条件。
解释变量取得部125从误差算出部124接受通知，取得未存储于信息存储部122的新的解释变量。解释变量取得部125在判断为模型误差属于异常值的情况下，取得新的解释变量。
解释变量取得部125通过受理用户输入，取得新的解释变量。解释变量取得部125例如向显示部130输出表示模型误差为异常值的通知信息，并取得相对于通知信息而由用户输入的信息。由用户输入的信息例如是将新的解释变量的名称、新的解释变量的过去的实测值以及表示新的解释变量的将来的预测值的取得目的地的信息进行了关联而成的信息。更具体而言，例如取得与数据库的连接信息、存储了解释变量的文件的文件路径或互联网的URL(Uniform Resource Locator：统一资源定位符)信息。输入部110受理由用户进行的新的解释变量的输入。
解释变量取得部125按照从输入部110输入的信息，将新的解释变量存储在信息存储部122中。
预测模型修正部128检测出在信息存储部122中追加了新的解释变量这一情况。另外，预测模型修正部128也可以在信息存储部122中追加了新的解释变量时，从解释变量取得部125接受通知。预测模型修正部128基于由解释变量取得部125取得的新的解释变量来更新预测模型。
预测模型修正部128判断由解释变量取得部125取得的新的解释变量是否满足预定条件。预测模型修正部128在判断为新的解释变量满足预定条件的情况下，基于新的解释变量更新预测模型。此外，预定条件是指：例如在过去的预定期间内，观测到解释变量的次数为预定次数以上。
另外，预测模型修正部128在预定期间内的新的解释变量的实测值的变化比预定次数少时，判断为新的解释变量不满足预定条件。例如，在取得有无举行活动(1或0)作为新的解释变量的情况下，在一年中仅一次成为“1”(举行了活动)的情况下，不使之反映到预测模型中。
进一步，预测模型修正部128在判断为新的解释变量在过去的预定期间内被观测到预定次数以上时，更新预测模型存储部121的预测模型。另一方面，预测模型修正部128在判断为新的解释变量在过去的预定期间内未被观测到预定次数以上时，将新的解释变量作为修正解释变量，并存储于信息存储部122。即，预测模型修正部128在判断为新的解释变量不满足预定条件的情况下，不更新预测模型，并将新的解释变量存储作为修正解释变量，所述修正解释变量用于修正使用预测模型算出的需求量的预测值。
需求预测部126在预测模型中输入存储于信息存储部122的未来的解释变量的值，并算出未来的来店人数(需求量)的预测值。需求预测部126使用由预测模型修正部128更新后的预测模型，新预测将来的需求量。另外，在信息存储部122中存储有修正解释变量的情况下，需求预测部126使用修正解释变量的信息，修正来店人数的预测值。具体而言，例如，需求预测部126按修正解释变量算出对需求量的增减的影响值，并根据算出的影响值修正预测值。进一步，需求预测部126将算出的未来的来店人数的预测值发送给预测输出部127。
预测输出部127输出从需求预测部126接收到的未来的来店人数的预测值。例如，预测输出部127也可以向显示部130输出预测值。另外，预测输出部127也可以向自动订购商品的自动订购装置(未图示)等进行之后处理的外部装置输出预测值。
1.3需求预测装置的处理
参照图5并说明需求预测装置100的处理。
图5是表示本公开的实施方式涉及的需求预测装置的处理的流程的流程图。另外，在以下的例子中，以在信息存储部122中存储有30天的既存的解释变量(A)的实测值和来店人数的实测值的情况为例，进行说明。该情况下，例如，如果将图4所示的存储于信息存储部122的信息设为一例，则存储有与最近30天的日期中的每一天对应的来店人数、曜日、天气以及气温。这些30天的存储信息每天更新为最新的信息。另外，作为预测模型，以使用存储于信息存储部122的30天的存储信息完成学习的多元回归模型为例进行说明。
首先，误差算出部124算出预测模型的预测值与来店人数的实测值的模型误差(步骤S1)。
接着，误差算出部124判断算出的模型误差是否属于异常值(步骤S2)。在这里，在判断为模型误差不属于异常值的情况下(在步骤S2中为否)，结束处理。
另一方面，在判断为模型误差属于异常值的情况下(在步骤S2中为是)，解释变量取得部125取得新的解释变量(B)，并将取得的新的解释变量(B)存储在信息存储部122中(步骤S3)。此外，在判断为模型误差属于异常值的情况下，误差算出部124向解释变量取得部125发送通知，解释变量取得部125接受来自误差算出部124的通知。
接着，预测模型修正部128基于由解释变量取得部125取得的新的解释变量(B)，更新存储于预测模型存储部121的预测模型(步骤S4)。预测模型修正部128检测出在信息存储部122中追加了新的解释变量这一情况，判断是否更新预测模型。在这里，在判断为更新预测模型的情况下，预测模型修正部128更新存储于预测模型存储部121的预测模型。具体而言，预测模型修正部128构筑使用了既存的解释变量(A)和新的解释变量(B)的预测模型。另一方面，在判断为不更新预测模型的情况下，预测模型修正部128将新的解释变量(B)作为修正解释变量存储于信息存储部122。
接着，需求预测部126通过从信息存储部122读出解释变量的值，并将读出的解释变量的值代入到预测模型中，来预测需求量(来店人数)(步骤S5)。此时，信息取得部123取得成为预测对象的日期的解释变量的值，并存储在信息存储部122中。另外，在信息存储部122中存储有修正解释变量的情况下，需求预测部126按照修正解释变量的信息修正预测值。
接着，预测输出部127输出由需求预测部126算出的需求量(来店人数)的预测值(步骤S6)。例如，如图1所示，在需求预测装置100具备处理部120和显示部130的情况下，预测输出部127向需求预测装置100具备的显示部130输出所算出的需求量(来店人数)的预测值，显示部130显示所算出的需求量(来店人数)的预测值。
例如，如图2所示，在具备处理部120的处理装置300与具备显示部130的输入输出装置200经由网络500连接的情况下，预测输出部127使用处理装置300的通信部，经由网络500，向输入输出装置200发送用于使所算出的需求量(来店人数)的预测值显示于显示部130的信息。当输入输出装置200的通信部接收该信息时，向显示部130输出，显示部130显示所算出的需求量(来店人数)的预测值。
此外，预测输出部127也可以一并输出成为预测对象的日期的解释变量的值和修正解释变量的值。
此外，在图5的流程图中，新的解释变量的取得、预测模型的更新以及需求量的预测连续执行，但它们不一定必须连续地执行，也可以分别独立地执行。
1.4误差算出部124的处理
参照图6，并说明误差算出部124的处理。
图6是表示本公开的实施方式涉及的误差算出部的处理的流程的流程图。
首先，误差算出部124从预测模型存储部121读出预测模型(步骤S11)。
接着，误差算出部124从信息存储部122读出来店人数的过去一定期间(在本实施例中为30天)的实测值和解释变量(A)的过去一定期间的实测值(步骤S12)。
接着，误差算出部124将解释变量(A)的过去一定期间的实测值代入到预测模型中，算出过去一定期间的来店人数的预测值。例如，对于从信息存储部122读出的、图4所示的30天的日期中的每一天，误差算出部124通过将该日的解释变量(A)的实测值输入到预测模型中，将所算出的值作为该日的来店人数的预测值。在本实施方式中，对于30天的日期中的每一天算出来店人数的预测值。(步骤S13)。
接着，误差算出部124对在步骤S13中算出的30天的来店人数的预测值与在步骤S12中读出的30天的来店人数的实测值进行比较，算出30天的模型误差。具体而言，误差算出部124例如将成为对象的日期的来店人数的预测值与该来店人数的实测值之差算出作为模型误差。在本实施方式中，对于30天的日期中的每一天算出模型误差。(步骤S14)。
此外，在本实施方式中，以天为单位算出需求量的预测值、需求量的实测值以及模型误差，但本公开不特别限定于此。例如，也可以是，如果分别以小时为单位实测需求量的实测值和解释变量(A)的实测值，并将它们关联并存储于信息存储部122，则通过将使用它们进行了学习的多元回归模型作为预测模型，来以小时为单位算出需求量的预测值和模型误差。
接着，误差算出部124对于在步骤S14中算出的30天的模型误差的每一个，分别判断模型误差是否属于异常值(步骤S15)。模型误差是否属于异常值例如通过模型误差的绝对值是否超过预定阈值来判断。预定的阈值可以预先存储作为固定值，也可以根据模型误差的分布算出。例如，在30天的模型误差的分布能够近似成平均值为0且标准差为5的正态分布的情况下，误差算出部124对于30天的模型误差的每一个，分别判断是否从95％的可靠区间偏离(是否为10％以上)即可。或者，误差算出部124也可以向显示部130输出30天的模型误差，通过用户输入来受理模型误差是否属于异常值。
接着，误差算出部124在步骤S15中的判断结果是判断为模型误差属于异常值的情况下，即，在判断为模型误差的绝对值超过预定阈值的情况下(在步骤S15中为是)，向解释变量取得部125输出通知信息(步骤S16)。通知信息可以包括属于异常值的模型误差，可以包括属于异常值的模型误差产生的日期的信息，也可以包括30天的模型误差的全部。
属于异常值的模型误差产生的日期的信息例如是进行了用于得到来店人数的值的实测的日期(那天)的信息，所述来店人数的值在属于异常值的模型误差的算出中使用。另外，日期的信息也称为时间段的信息。
在判断为模型误差不属于异常值的情况下，即，在判断为30天的模型误差的全部没有超过预定阈值的情况下(在步骤S15中为否)，误差算出部124不输出通知信息而结束处理。
1.5解释变量取得部125的处理
参照图7，并说明解释变量取得部125的处理。
图7是表示本公开的实施方式涉及的解释变量取得部的处理的流程的流程图。
首先，解释变量取得部125接收从误差算出部124输出的模型误差(步骤S21)。解释变量取得部125接收从误差算出部124输出的通信信息。
接着，解释变量取得部125向显示部130输出接收到的模型误差(步骤S22)。显示部130按时序方式显示被判断为属于异常值的模型误差。
图8是表示显示属于异常值的模型误差的显示画面的一例的图。在图8所示的显示画面800中，以表格形式显示了属于异常值的模型误差。显示部130显示将属于异常值的模型误差发生的日期、过去的需求量的实测值、过去的需求量的预测值以及属于异常值的模型误差进行了关联而成的显示画面800。
图9是表示显示属于异常值的模型误差的显示画面的另一例的图。在图9所示的显示画面810中，以图表形式显示了属于异常值的模型误差。显示部130显示显示画面810，所述显示画面810示出日期、过去30天的需求量的实测值(单点划线)、过去30天的需求量的预测值(虚线)以及过去30天的模型误差(柱状图)。在图9中，横轴表示日期，左边的纵轴表示实测值和预测值，右边的纵轴表示模型误差。另外，显示部130在属于异常值的模型误差产生的日期显示标记802。
接着，解释变量取得部125取得由用户输入的新的解释变量(B)(步骤S23)。对在步骤S22中输出的显示画面进行用户输入。例如，在图8所示的显示画面中，输入按钮801与模型误差关联并显示。用户通过点击输入按钮801，能开始新的解释变量(B)的输入。
图10是表示在受理新的解释变量的输入时所显示的显示画面的一例的图。
如图10所示，当由用户点击输入按钮801时，显示输入表单(form)803，所述输入表单803用于受理解释变量名和能够取得解释变量的信息的URL的输入。此外，输入表单803既可以重叠显示在表示属于异常值的模型误差的图像上，也可以转换到其他画面而显示。另外，应由输入表单803受理的信息是解释变量的名称和解释变量的信息的取得目的地，并且取得目的地不一定必须是URL。例如，CSV文件的文件路径或对数据库的访问路径也可以作为解释变量的信息的取得目的地而受理。另外，输入表单803不一定必须通过输入按钮801的点击而显示。例如，也可以通过点击图9所示的标记802而显示。
图11是表示在受理新的解释变量的输入时所显示的显示画面的另一例的图。例如，在图11所示的显示画面中，以能够视觉识别属于异常值的模型误差产生的日期的方式显示标记802。
如图11所示，当由用户点击标记802时，显示输入表单803，所述输入表单803用于受理解释变量名和能够取得解释变量的信息的URL的输入。此外，输入表单803既可以重叠显示在表示属于异常值的模型误差的图像上，也可以转换到其他画面而显示。
此外，输入部110也可以通过语音对话受理新的解释变量的输入。
接着，解释变量取得部125将取得的新的解释变量(B)存储于信息存储部122(步骤S24)。
另外，解释变量取得部125也可以在向显示部130输出模型误差时，向显示部130输出提示信息。
图12是表示本公开的实施方式的变形例涉及的解释变量取得部的处理的流程的流程图。此外，由于图12所示的步骤S31、S32、S34、S35的处理与图7所示的步骤S21～S24的处理相同，所以省略说明。
在步骤S33中，解释变量取得部125向显示部130输出提示信息。解释变量取得部125在判断为模型误差属于异常值的情况下，取得提示信息(候选信息)，所述提示信息表示新的解释变量的一个或多个候选。显示部130以能够选择的状态显示所取得的提示信息。
提示信息例如包括按在搜索引擎中搜索数从多到少的顺序提取出的多个关键字(keyword)，或者按在社交网络服务中写入数量从多到少的顺序提取出的多个关键字。解释变量取得部125在判断为模型误差属于异常值的情况下，从提供搜索引擎或社交网络服务的外部服务器取得多个关键字。显示部130以能够选择的状态显示所取得的多个关键字。
另外，解释变量取得部125也可以利用TF-IDF(Term Frequency-InverseDocument Frequency：术语频率(词频)逆文档频率)等方法，提取平时未观测到的关键字，并将提取出的关键字作为提示信息输出。另外，解释变量取得部125也可以在从互联网取得提示信息时，取得预测需求量(来店人数)的店铺的位置信息，并基于取得的位置信息，仅取得与店铺周边相关的关键字。
图13是表示显示提示信息的显示画面的一例的图。如图13所示，提示信息804、805在表示属于异常值的模型误差的图像上重叠显示。例如，提示信息804示出了在属于异常值的模型误差产生的那天，社交网络服务的写入数量(消息数)排名前三位的关键字。另外，提示信息805示出了在属于异常值的模型误差产生的那天，搜索引擎的搜索数排名前三位的关键字。
输入部110受理用户从所显示的提示信息之中对新的解释变量的选择。用户可以从所显示的提示信息之中选择新的解释变量。此外，在所显示的提示信息之中没有最佳的解释变量的情况下，输入部110也可以受理用于显示输入表单的显示切换指示，所述输入表单用于输入新的解释变量。
这样，通过显示提示信息804、805，用户容易掌握模型误差的要因，容易输入新的解释变量。
另外，提示信息也可以包括经由网络连接的其他需求预测装置所存储的解释变量。
图14是表示本公开的实施方式涉及的需求预测系统的构成的图。图14所示的需求预测系统具备第一需求预测装置101、第二需求预测装置102以及汇集装置600。第一需求预测装置101具备输入部110、处理部120以及显示部130。第二需求预测装置102与第一需求预测装置101构成相同，并具备输入部110、处理部120以及显示部130。
汇集装置600以能够通信的方式与第一需求预测装置101和第二需求预测装置102连接。第一需求预测装置101的信息取得部123在判断为模型误差属于异常值的情况下，从第二需求预测装置102取得一个或多个解释变量作为提示信息。此时，信息取得部123向汇集装置600发送请求信息，所述请求信息请求第二需求预测装置102的解释变量。当接收到请求信息时，汇集装置600从第二需求预测装置102取得解释变量，并将取得的解释变量向第一需求预测装置101发送。信息取得部123接收由汇集装置600发送来的解释变量，并向解释变量取得部125输出。解释变量取得部125将所取得的解释变量作为提示信息向显示部130输出。显示部130将所取得的提示信息以能够进行选择的状态显示。
此外，第一需求预测装置101可以直接从第二需求预测装置102取得解释变量，但考虑安全性等，优选经由汇集装置600取得解释变量。另外，在第一需求预测装置101从多个需求预测装置取得解释变量的情况下，优选汇集装置600从多个需求预测装置取得解释变量，将取得的解释变量一并向第一需求预测装置101发送。由此，能够省略第一需求预测装置101从多个需求预测装置分别单独地取得解释变量的处理。
另外，优选，第一需求预测装置101的解释变量取得部125将从第二需求预测装置102取得的解释变量中、未存储于信息存储部122的解释变量作为提示信息向显示部130输出。由此，能够防止向用户提示重复的解释变量这一情况。
图15是表示本公开的实施方式的变形例涉及的需求预测系统的构成的图。图15所示的需求预测系统具备第一输入输出装置201、第二输入输出装置202以及处理装置300。第一输入输出装置201具备输入部110和显示部130。第二输入输出装置202与第一输入输出装置201构成相同，并具备输入部110和显示部130。
处理装置300以能够通信的方式与第一输入输出装置201和第二输入输出装置202连接。处理装置300具备第一处理部301和第二处理部302。第一处理部301和第二处理部302的构成与图3所示的处理部120的构成相同。
第一处理部301的信息取得部123在判断为模型误差属于异常值的情况下，从第二处理部302取得一个或多个解释变量作为提示信息。此时，第一处理部301的信息取得部123将请求第二处理部302的解释变量的请求信息发送至第二处理部302。第二处理部302的信息取得部123当接收到请求信息时，从信息存储部122取得解释变量，并将取得的解释变量向第一处理部301发送。第一处理部301的信息取得部123接收由第二处理部302发送来的提示信息，并向解释变量取得部125输出。解释变量取得部125将所取得的提示信息向显示部130输出。显示部130将所取得的提示信息以能够进行选择的状态显示。
另外，提示信息也可以包括被判断为属于异常值的模型误差产生的日期(那天)的店铺周边区域的信息。周边区域的信息是距店铺预先确定的距离内的区域的信息。
例如，解释变量取得部125也可以在存在被判断为属于异常值的模型误差的情况下，取得店铺的位置信息，并基于取得的店铺的位置信息，取得在该模型误差产生的日期(那天)的周边区域的天气信息作为提示信息。
另外，例如，解释变量取得部125也可以取得店铺的位置信息，并基于取得的店铺的位置信息，取得在被判断为属于异常值的模型误差产生的日期(那天)，在位于店铺周围的活动会场举行的活动的信息作为提示信息。店铺周围例如是指距店铺预先确定的距离内。
1.6预测模型修正部128的处理
参照图16，并说明预测模型修正部128的处理。
图16是表示本公开的实施方式涉及的预测模型修正部的处理的流程的流程图。
首先，预测模型修正部128从信息存储部122取得由解释变量取得部125追加的新的解释变量(B)(步骤S41)。
接着，预测模型修正部128对预定期间(例如30天)中的新的解释变量(B)的观测次数进行计数(步骤S42)。例如，如果新的解释变量(B)是能够每天观测的信息(天气或气温等)，则观测次数成为30次。另一方面，如果新的解释变量(B)例如是表示在店铺周围进行的活动的信息(附近小学的运动会或附近娱乐场的活动等)，则观测次数很可能停留在一次至数次。
接着，预测模型修正部128判断新的解释变量(B)的观测次数是否为预定次数以上(步骤S43)。预定次数既可以是预先设定的固定值，也可以是动态变化的值。
在这里，在判断为观测次数为预定次数以上的情况下(在步骤S43中为是)，预测模型修正部128更新存储于预测模型存储部121的预测模型(步骤S44)。具体而言，预测模型修正部128将既存的解释变量(A)和新的解释变量(B)作为解释变量的候选，学习以来店人数为被解释变量的多元回归模型。在本实施方式中，将多元回归模型作为预测模型的例子，但如上所述，作为预测模型，也可以使用神经网络、支持向量机或决策树等方法。另外，预测模型修正部128在学习预测模型时，例如也可以利用被称为逐步回归法(Step-Wise)法或轮询算法的方法，从解释变量的候选之中，自动地选择在预测模型中采用的解释变量。
另一方面，在判断为观测次数不是预定次数以上的情况下，即，在判断为观测次数比预定次数少的情况下(在步骤S43中为否)，预测模型修正部128将新的解释变量(B)作为修正解释变量存储于信息存储部122(步骤S45)。通过将观测次数比预定次数少的新的解释变量(B)作为修正解释变量存储，能够修正由在某个期间中的发生次数少的活动等(例如附近小学的运动会等)引起的来店人数的增减。
图17是表示存储于本公开的实施方式涉及的信息存储部的修正解释变量的一例的图。信息存储部122将修正解释变量的变量名(修正解释变量的可取的值)和每个变量的修正值进行关联存储。此外，每个变量的修正值也可以定义为将变量的值作为输入的函数并存储。图17所示的修正解释变量是取二值的分类数据。在图17的例子中，在变量的值为真时定义为变量名的活动发生，并存储有活动发生时的对来店人数的影响值(修正值)。修正值根据在过去解释变量的值为真的日子中的来店人数的实测值与预测模型的预测值之差而算出。
预测模型修正部128进行使用新的解释变量更新预测模型的处理或将新的解释变量作为修正解释变量存储的处理中的某一个处理，并结束处理。
以上，根据本实施方式中的需求预测方法和需求预测装置，能够有效地实施需求预测的高精度化所需的用户的想法的获取。进一步，根据本实施方式中的需求预测方法和需求预测装置，也能够预测由某个期间内的观测次数少的要因引起的需求量的增减，并能够高精度地预测需求量。
在本公开中，单元、装置、部件或部的全部或一部分，或图1～图3、图14～图15所示的框图的功能块的全部或一部分也可以利用包括半导体装置、半导体集成电路(IC)或LSI(large scale integration：大规模集成电路)的一个或多个电子电路来执行。LSI或IC既可以集成在一块芯片中，也可以将多块芯片组合而构成。例如，存储元件以外的功能块可以集成在一块芯片中。在这里，虽然称为LSI或IC，但根据集成程度的不同叫法也变化，也可以称为系统LSI、VLSI(very large scale integration：超大规模集成电路)或ULSI(ultralarge scale integration：超大规模集成电路)。在制造LSI后进行编程的、现场可编程门阵列(FPGA：Field Programmable Gate Array)，或能够重新构建LSI内部的接合关系或安装LSI内部的电路划分的可重构逻辑器件(reconfigurable logic device)也能够以相同的目的使用。
并且，单元、装置、部件或部的全部或一部分功能或操作能够通过软件处理来执行。在该情况下，软件记录在一个或多个ROM、光盘、硬盘驱动器等非易失性记录介质中，在由处理装置(processor)执行软件时，在该软件中确定的功能由处理装置(processor)和周边装置执行。系统或装置也可以具备记录有软件的一个或多个非易失性记录介质、处理装置(processor)以及必要的硬件装置例如接口。
产业上的可利用性
本公开涉及的需求预测方法和需求预测装置能够削减用户的输入次数，能够削减获得解释变量所需的时间，并能够提高需求量预测的精度，在预测将来的需求量的需求预测方法和需求预测装置中是有用的。

Claims (12)

1.一种需求预测方法，
算出过去的需求量的预测值与过去的需求量的实测值的误差，所述过去的需求量的预测值通过向预测模型输入过去的解释变量的实测值而算出，所述预测模型基于预定场所的需求量的实测值和解释变量而构筑，所述解释变量是给所述需求量的增减带来影响的外部要因，
判断所算出的所述误差是否属于异常值，
在判断为所述误差属于所述异常值的情况下，取得新的解释变量，
基于所取得的所述新的解释变量，更新所述预测模型，
使用更新后的所述预测模型，新预测将来的需求量。
2.根据权利要求1所述的需求预测方法，
按时序方式显示被判断为属于所述异常值的所述误差。
3.根据权利要求2所述的需求预测方法，
通过受理用户输入，取得所述新的解释变量。
4.根据权利要求2所述的需求预测方法，
在判断为所述误差属于所述异常值的情况下，取得表示所述新的解释变量的一个或多个候选的候选信息，
将所取得的所述候选信息以能够进行选择的状态来显示。
5.根据权利要求4所述的需求预测方法，
所述候选信息包括进行了实测的时间段中的、所述预定场所的周边区域的信息，所述实测用于得到在判断为属于所述异常值的误差的算出中使用的所述过去的需求量的实测值。
6.根据权利要求4所述的需求预测方法，
在判断为所述误差属于所述异常值的情况下，在所述候选信息的取得中，从提供搜索引擎或社交网络服务的外部服务器取得多个关键字作为所述候选信息，
所述多个关键字是按在所述搜索引擎中搜索数从多到少的顺序提取出的多个关键字，或者按在所述社交网络服务中写入数量从多到少的顺序提取出的多个关键字，
在所述候选信息的显示中，以能够进行选择的状态显示作为所述候选信息取得的所述多个关键字。
7.根据权利要求4所述的需求预测方法，
在判断为所述误差属于所述异常值的情况下，在所述候选信息的取得中，从经由网络连接的其他计算机中取得一个或多个解释变量作为所述候选信息。
8.根据权利要求1所述的需求预测方法，
判断所取得的所述新的解释变量是否满足预定条件，
在判断为所述新的解释变量满足所述预定条件的情况下，基于所述新的解释变量更新所述预测模型，
在判断为所述新的解释变量不满足所述预定条件的情况下，不更新所述预测模型，将所述新的解释变量作为修正解释变量存储，所述修正解释变量用于修正使用所述预测模型算出的需求量的预测值。
9.根据权利要求8所述的需求预测方法，
按每个所述修正解释变量算出对所述需求量的增减的影响值，根据算出的所述影响值修正所述预测值。
10.根据权利要求8所述的需求预测方法，
在预定期间内的所述新的解释变量的实测值的变化比预定次数少时，判断为所述新的解释变量不满足所述预定条件。
11.根据权利要求1所述的需求预测方法，
在所述误差的绝对值超过预定阈值的情况下，判断为所述误差属于所述异常值。
12.一种需求预测装置，具备：
误差算出部，其算出过去的需求量的预测值与过去的需求量的实测值的误差，所述过去的需求量的预测值通过向预测模型输入过去的解释变量的实测值而算出，所述预测模型基于预定场所的需求量的实测值和解释变量而构筑，所述解释变量是给所述需求量的增减带来影响的外部要因；
解释变量取得部，其判断由所述误差算出部算出的所述误差是否属于异常值，在判断为所述误差属于所述异常值的情况下，取得新的解释变量；以及
需求预测部，其基于由所述解释变量取得部取得的所述新的解释变量更新所述预测模型，使用更新后的所述预测模型新预测将来的需求量。
CN201610487573.0A 2015-06-30 2016-06-28 需求预测方法和需求预测装置 Pending CN106327002A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2015130986 2015-06-30
JP2015-130986 2015-06-30
JP2016-051976 2016-03-16
JP2016051976A JP6603600B2 (ja) 2015-06-30 2016-03-16 需要予測方法、需要予測装置及び需要予測プログラムを記録したコンピュータ読み取り可能な記録媒体

Publications (1)

Publication Number Publication Date
CN106327002A true CN106327002A (zh) 2017-01-11

Family

ID=57683257

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610487573.0A Pending CN106327002A (zh) 2015-06-30 2016-06-28 需求预测方法和需求预测装置

Country Status (2)

Country Link
US (1) US11593817B2 (zh)
CN (1) CN106327002A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670626A (zh) * 2017-10-13 2019-04-23 松下电器（美国）知识产权公司 预测模型分布方法以及预测模型分布系统
CN111081020A (zh) * 2019-12-26 2020-04-28 安徽揣菲克科技有限公司 一种基于云边结合的车载交通事故预警装置
CN111295715A (zh) * 2017-10-26 2020-06-16 欧姆龙健康医疗事业株式会社 目标管理系统、目标管理服务器、目标管理程序以及目标管理终端装置
CN112236786A (zh) * 2018-06-06 2021-01-15 并智创新科技公司 未来预测模拟装置、方法、计算机程序
WO2024119865A1 (zh) * 2022-12-06 2024-06-13 北京京东尚科信息技术有限公司 预测信息生成方法、装置、设备、介质和程序产品

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10318350B2 (en) 2017-03-20 2019-06-11 International Business Machines Corporation Self-adjusting environmentally aware resource provisioning
US11494631B2 (en) * 2017-09-27 2022-11-08 Google Llc Smart advanced content retrieval
JP6954082B2 (ja) * 2017-12-15 2021-10-27 富士通株式会社 学習プログラム、予測プログラム、学習方法、予測方法、学習装置および予測装置
JP6845819B2 (ja) * 2018-02-22 2021-03-24 株式会社日立製作所 分析装置、分析方法、および分析プログラム
JP6975073B2 (ja) * 2018-02-27 2021-12-01 三菱重工業株式会社 予測システム、予測方法、およびプログラム
CN109800483A (zh) * 2018-12-29 2019-05-24 北京城市网邻信息技术有限公司 一种预测方法、装置、电子设备和计算机可读存储介质
CN110348622B (zh) * 2019-07-02 2021-02-09 创新奇智(成都)科技有限公司 一种基于机器学习的温度预测方法、系统及电子设备
TWI793412B (zh) * 2020-03-31 2023-02-21 廣達電腦股份有限公司 消費預測系統及消費預測方法
CN113490053A (zh) * 2021-06-30 2021-10-08 北京奇艺世纪科技有限公司 播放量预测方法、装置、模型、电子设备及存储介质
JP7542502B2 (ja) * 2021-09-14 2024-08-30 株式会社東芝 情報処理装置、情報処理方法、及びプログラム

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07191967A (ja) * 1993-11-22 1995-07-28 Toshiba Corp 関数近似装置及び電力需要予測装置
US20080222109A1 (en) * 2007-03-09 2008-09-11 Kabushiki Kaisha Toshiba Time-series pattern finding apparatus, method and program
US8014983B2 (en) * 2005-05-09 2011-09-06 Sas Institute Inc. Computer-implemented system and method for storing data analysis models
US20140180973A1 (en) * 2012-12-21 2014-06-26 International Business Machines Corporation Iterative Active Feature Extraction
US20140351008A1 (en) * 2013-05-27 2014-11-27 Hitachi, Ltd. Calculating machine, prediction method, and prediction program
CN104718547A (zh) * 2013-10-11 2015-06-17 文化便利俱乐部株式会社 顾客数据解析系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09101947A (ja) 1995-10-06 1997-04-15 Hitachi Ltd 時系列予測方法
US9557723B2 (en) * 2006-07-19 2017-01-31 Power Analytics Corporation Real-time predictive systems for intelligent energy monitoring and management of electrical power networks
US8595154B2 (en) * 2011-01-26 2013-11-26 Google Inc. Dynamic predictive modeling platform
US20170039470A1 (en) * 2013-12-25 2017-02-09 Hitachi, Ltd. Factor extraction system and factor extraction method
JP6460095B2 (ja) * 2014-03-28 2019-01-30 日本電気株式会社 学習モデル選択システム、学習モデル選択方法及びプログラム
CN105095614A (zh) * 2014-04-18 2015-11-25 国际商业机器公司 更新预测模型的方法和装置
US10102480B2 (en) * 2014-06-30 2018-10-16 Amazon Technologies, Inc. Machine learning service

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07191967A (ja) * 1993-11-22 1995-07-28 Toshiba Corp 関数近似装置及び電力需要予測装置
US8014983B2 (en) * 2005-05-09 2011-09-06 Sas Institute Inc. Computer-implemented system and method for storing data analysis models
US20080222109A1 (en) * 2007-03-09 2008-09-11 Kabushiki Kaisha Toshiba Time-series pattern finding apparatus, method and program
US20140180973A1 (en) * 2012-12-21 2014-06-26 International Business Machines Corporation Iterative Active Feature Extraction
US20140351008A1 (en) * 2013-05-27 2014-11-27 Hitachi, Ltd. Calculating machine, prediction method, and prediction program
CN104718547A (zh) * 2013-10-11 2015-06-17 文化便利俱乐部株式会社 顾客数据解析系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SERENA NG*: "Variable Selection in Predictive Regressions", 《HANDBOOK OF ECONOMIC FORECASTING》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670626A (zh) * 2017-10-13 2019-04-23 松下电器（美国）知识产权公司 预测模型分布方法以及预测模型分布系统
CN109670626B (zh) * 2017-10-13 2024-01-05 松下电器（美国）知识产权公司 预测模型分布方法以及预测模型分布系统
CN111295715A (zh) * 2017-10-26 2020-06-16 欧姆龙健康医疗事业株式会社 目标管理系统、目标管理服务器、目标管理程序以及目标管理终端装置
CN111295715B (zh) * 2017-10-26 2024-01-19 欧姆龙健康医疗事业株式会社 目标管理系统、目标管理服务器、目标管理程序以及目标管理终端装置
CN112236786A (zh) * 2018-06-06 2021-01-15 并智创新科技公司 未来预测模拟装置、方法、计算机程序
CN112236786B (zh) * 2018-06-06 2022-09-23 并智创新科技公司 未来预测模拟装置、方法、记录装置
CN111081020A (zh) * 2019-12-26 2020-04-28 安徽揣菲克科技有限公司 一种基于云边结合的车载交通事故预警装置
WO2024119865A1 (zh) * 2022-12-06 2024-06-13 北京京东尚科信息技术有限公司 预测信息生成方法、装置、设备、介质和程序产品

Also Published As

Publication number Publication date
US20170004404A1 (en) 2017-01-05
US11593817B2 (en) 2023-02-28

Similar Documents

Publication Publication Date Title
CN106327002A (zh) 需求预测方法和需求预测装置
Amiri et al. A new fuzzy BWM approach for evaluating and selecting a sustainable supplier in supply chain management
JP6603600B2 (ja) 需要予測方法、需要予測装置及び需要予測プログラムを記録したコンピュータ読み取り可能な記録媒体
Mishra et al. Evolution of supply chain ripple effect: A bibliometric and meta-analytic view of the constructs
Athawale et al. Decision making for facility location selection using PROMETHEE II method
Diabat et al. Supply chain risk management and its mitigation in a food industry
Amin et al. A three-stage model for closed-loop supply chain configuration under uncertainty
Bai et al. Supply-chain performance-measurement system management using neighbourhood rough sets
Yang et al. Optimal reservation pricing strategy for a fashion supply chain with forecast update and asymmetric cost information
CN109711929A (zh) 基于预测模型的业务推荐的方法及装置
CA3007940A1 (en) Systems and methods of utilizing multiple forecast models in forecasting customer demands for products at retail facilities
KR101435096B1 (ko) 소셜 네트워크 서비스 데이터에 기반한 상품 수요 예측 장치 및 방법
Geng et al. A hybrid service supplier selection approach based on variable precision rough set and VIKOR for developing product service system
Lam et al. Application of the entropy technique and genetic algorithms to construction site layout planning of medium‐size projects
KR20220076012A (ko) Ｂ２ｂ 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 시스템
Gao et al. Discrete harmony search algorithm for scheduling and rescheduling the reprocessing problems in remanufacturing: a case study
KR20210083089A (ko) 관광지 지수 산출 방법 및 시스템
CN115619571A (zh) 一种理财规划方法、系统及装置
Wang et al. A rolling horizon approach for production planning and condition-based maintenance under uncertain demand
Tavana et al. A technology development framework for scenario planning and futures studies using causal modeling
Gaspar et al. Phases and tools for supply chain risk management: a systematic literature review
Acheamfour et al. Contractor selection: a review of qualification and pre-qualification systems
Aragão et al. Projects aimed at smart cities: A hybrid MCDA evaluation approach
Shishehgarkhaneh et al. Construction supply chain risk management
Jaafar et al. Framework for a Predictive Progress Model–case of infrastructure projects

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination