CN110610252A - 预测系统以及预测方法 - Google Patents
预测系统以及预测方法 Download PDFInfo
- Publication number
- CN110610252A CN110610252A CN201910437355.XA CN201910437355A CN110610252A CN 110610252 A CN110610252 A CN 110610252A CN 201910437355 A CN201910437355 A CN 201910437355A CN 110610252 A CN110610252 A CN 110610252A
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- input data
- prediction unit
- period
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000008859 change Effects 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 80
- 238000013524 data verification Methods 0.000 description 75
- 238000004891 communication Methods 0.000 description 30
- 238000003860 storage Methods 0.000 description 30
- 238000012905 input function Methods 0.000 description 28
- 238000010586 diagram Methods 0.000 description 25
- 238000012545 processing Methods 0.000 description 14
- 238000012795 verification Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 230000007704 transition Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 4
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012314 multivariate regression analysis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
提供在有限的计算时间中改善预测精度的预测系统及预测方法。预测系统具有第1预测部以及第2预测部，第1预测部基于至少包含过去的第1期间的数值数据的输入数据，预测包含将来的期间的第2期间的数值，第2预测部取得第1预测部在预测中使用的输入数据、第1预测部预测出的第2期间的数值、以及表示输入数据的变更的信息，基于按照表示输入数据的变更的信息进行变更后的输入数据的至少一部分，进行计算量较少的预测处理，由此预测第2期间的至少一部分的数值，输出第1以及第2预测部的预测的结果，在输入数据的变更有效的情况下，第1预测部基于按照表示输入数据的变更的信息进行变更后的输入数据，预测第2期间的数值。
Description
技术领域
本发明涉及基于过去的数值输出预测值的预测系统。
背景技术
根据过去的数值数据预测将来的数值的技术被应用于各种领域。例如在物流领域中，为了对仓库内的人工费或者配送费进行报价而预测仓库的进货量以及出货量等，并用于报价。此时，进货量以及出货量等的物量的预测由具有专业知识的作业者进行，要求其精度改善以及自动化。
此外，在生产领域中也同样，为了优化生产量而进行消费者的需求预测，要求其精度改善。另外，在用于优化销售店铺中的商品的订货量而预测消费者的购买量等各种领域需要预测技术。
自动进行高精度的预测的技术多种多样。
在专利文献1中，不仅使用过去的出货量还使用天气、营业天数等的数据群来进行出货量的预测。
在专利文献2中，提出了使用神经网络的高精度的预测方式。
现有技术文献
专利文献
专利文献1：日本特开2005－78277号公报
专利文献2：日本特开平9－22402号公报
发明内容
发明所要解决的课题
在上述的专利文献1中，为了提高预测精度而进行了多元回归分析，其中不仅使用了过去的出货量还使用了成为出货量的暂时变动的要因的天气等的数据。然而，多元回归分析由于需要解释变量的预测数值，必须进行天气预报等解释变量本身的预测，在预测精度上留有课题。
另一方面，根据上述的专利文献2中记载的技术，能够进行精度更高的预测。此时，如专利文献1所述的那样，为了提高预测的精度，不仅包括过去的出货量还包括天气以及营业日等的变动要因的数据是有效的。然而，季节用品受气温影响较大，另一方面，与季节要因相比化妆品受促销活动影响较大等，变动要因因商品而不同，此外，确定影响较大的有效的数据作为变动要因并不容易。为了使用有效的数据进行高精度的预测，在预测之前，需要推测变动要因并验证。推测出的变动要因的有效性通过实际使用变动要因数据进行预测，并评价预测结果而知晓。然而，在如专利文献2那样使用高精度的预测的情况下，通常预测的计算花费时间。例如，在物流领域中，仓库中处理的商品数庞大，预测全部的商品的出货量等花费庞大的学习、预测时间。因此，对于推测出的变动要因的有效性，不能实时进行研究，变动要因的确定需花费时间。
用于解决课题的方法
若示出用于解决上述课题的本发明的代表性的一例则如下所述。即，一种预测系统，具有基于过去的数值数据来预测将来的数值的第1预测部以及第2预测部，其特征在于，所述第1预测部基于至少包含过去的第1期间的数值数据的输入数据，预测包含将来的期间的第2期间的数值，所述第2预测部取得所述第1预测部在预测中使用的所述输入数据、所述第1预测部预测出的所述第2期间的数值、以及表示所述输入数据的变更的信息，所述第2预测部基于按照表示所述输入数据的变更的信息进行变更后的输入数据的至少一部分，进行计算量少于所述第1预测部进行的预测的预测处理，由此预测所述第2期间的至少一部分的数值，所述第2预测部输出所述第1预测部的预测的结果、以及所述第2预测部的预测的结果，在所述输入数据的变更有效的情况下，所述第1预测部基于按照表示所述输入数据的变更的信息进行变更后的输入数据，预测所述第2期间的数值。
发明效果
根据本发明的一方式，通过计算速度较快但精度较低的第2预测方式进行变动要因的选择，将选择出的有效数据在计算速度较慢但精度较高的第1预测方式中进行预测，能够在有限的计算时间中改善预测精度。
上述以外的课题、构成以及效果根据以下的实施例的说明而明确。
附图说明
图1是表示本发明的实施例1的预测系统的构成的一例的框图。
图2是表示本发明的实施例1的正式预测装置以及数据验证用预测装置的应用软件的功能构成的一例的说明图。
图3是表示本发明的实施例1的正式预测装置的应用软件的处理的一例的流程图。
图4是表示本发明的实施例1的预测对象的过去的时间推移的数值数据的一例的说明图。
图5是表示本发明的实施例1的变动要因候选数据的一例的说明图。
图6是本发明的实施例1的预测结果数据的一例的说明图。
图7是表示本发明的实施例1的数据验证用预测装置的应用软件的处理的一例的流程图。
图8是表示本发明的实施例1的显示功能的显示的一例的说明图。
图9是表示本发明的实施例1的数据验证时的显示功能的显示的一例的说明图。
图10是表示本发明的实施例1的数据验证时的显示功能的显示的一例的说明图。
图11是表示本发明的实施例1的数据验证时的显示功能的显示的一例的说明图。
图12是表示本发明的实施例2的正式预测装置与数据验证用预测装置的应用软件的功能构成的一例的说明图。
附图标记说明：
11第1预测装置(正式预测装置)
12第2预测装置(数据验证用预测装置)
111、121CPU
112、122存储器
113、123存储部
114、124通信部
115、125总线
126输入部
127显示部
21预测装置1
22预测装置2
211输入功能1
212存储功能1
213预测功能1
214输出功能1
221输入功能2
222存储功能2
223显示功能
224预测功能2
225输出功能2
226用户操作输入功能
41、51、61出货日
42、62商品ID
43出货量
52天气
62商品ID
63预测出货量
81、91图表
82、92表格
101分布图
1101图表
1102表格
1103累计图表
1104预测精度的数值。
具体实施方式
以下，使用附图对实施例进行说明。另外，在附图中，相同附图标记表示相同或者相应的部分。此外，本发明不限于图示的例子。
(实施例1)
使用图1～图11说明本发明的实施例1。
在实施例1中，示出了将本发明适用于物流仓库中的商品的出货量的预测的情况的例子。
在物流仓库中，管理有数万种类的商品，为了对仓库内的人工费或者配送费进行报价而对仓库内的各商品的每日的进货量以及出货量等进行预测，并用于报价。此时，进货量以及出货量等的预测由具有专业知识的作业者进行，需要其精度改善、自动化。
在本实施例中说明下述技术，为了提高在仓库内保管的各商品的每日的出货量的预测精度，用户能够实时且高效地验证成为预测的变动要因的变动要因候选的数据的有效性，在实际用于报价等的出货量的预测中进行高精度的预测。
图1是表示本发明的实施例1的预测系统的构成的一例的框图。
在本实施例中，预测系统由第1预测装置11与第2预测装置12这两个预测装置构成。在本实施例中，第1预测装置11作为正式预测装置11、第2预测装置12作为数据验证用预测装置12进行说明。正式预测装置11为了在用于仓库运营的报价等中应用预测，进行虽然花费时间但高精度的预测。数据验证用预测装置12为了提高正式预测装置11的预测精度，为了验证成为预测的变动要因的变动预测要因数据而进行预测精度较差但高速的预测。
用户适当地使用数据验证用预测装置12以高速的预测重估预测所使用的数据，在实际的应用时使用预测精度较高的正式预测装置11的预测结果，该预测结果使用了重估后的有效的数据。例如可以是，正式预测装置中的预测1日实施1次，数据验证用预测装置的预测以任意的定时在数据验证时进行。
正式预测装置11与数据验证用预测装置12经由网络13连接，在通信部间进行数据的交换。
正式预测装置11具备CPU111、存储器112、存储部113、通信部114以及总线115。
CPU111是CPU(Central Processing Unit：中央处理单元)、MPU(MicroProcessing Unit：微处理单元)、以及DSP(Digital Signal Processor：数字信号处理器)等的总称，执行规定的程序。
存储器112由DRAM(Dynamic Random Access Memory：动态随机存取存储)等构成。在存储器112中展开在存储部113中储存的应用软件程序的功能部。
存储部113由内置于正式预测装置11的记录介质、能够拆卸的外部记录介质或者光盘等构成，存储各种信息。例如，存储部113能够保存应用软件程序。此外，存储部113保存在应用软件程序中使用的各种信息，例如用于预测的数值数据以及预测结果等。
通信部114具备无线LAN、Bluetooth(注册商标)、红外线通信、IC标签功能、TransferJET(注册商标)、LTE(Long Term Evolution：长期演进)、HSPA(High SpeedPacket Access：高速分组接入)、EV－DO(Evolution Data Only：发展只是数据)、以及WiMAX(全球微波互联接入)等的无线通信功能，或者Ethernet(注册商标)等的有线通信功能，收发各种信息。无线通信功能包括天线、以及调制解调电路等。有线通信功能包括连接器、以及调制解调电路等。信息的收发能够在经由网络进行的网络通信、与不经由网络而在各设备间直接进行通信的直接通信(例如Bluetooth(注册商标)、无线USB、Felica(注册商标)、ZigBee(注册商标)、Z－WAVE(注册商标)、可见光通信、红外线通信、或者NFC(NearField Communication)(注册商标))间适当地切换来使用。通信部114也可以与多个通信方式对应地构成。
总线115是用于正式预测装置11的各部相互传输信号的传输路。
数据验证用预测装置12具备CPU121、存储器122、存储部123、通信部124、总线125、输入部126以及显示部127。
关于CPU121、存储器122、存储部123、通信部124以及总线125的详细情况与正式预测装置相同。
输入部126由键盘、按钮或者鼠标等构成，能够输入由用户进行的操作。除此以外，输入部126也可以接收来自麦克风或者照相机等的外部装置的输入。
显示部127由LCD(Liquid Crystal Display)或者有机EL等构成，显示从输入部126输入的字符、操作、在记录部中记录的文件或者应用软件等。
图2是表示本发明的实施例1的正式预测装置以及数据验证用预测装置的应用软件的功能构成的一例的说明图。
图2所示的预测装置1(21)相当于图1所示的正式预测装置11。预测装置1(21)具有输入功能1(211)、存储功能1(212)、预测功能1(213)以及输出功能1(214)。这些功能通过处理器(CPU)111执行存储器112中储存的程序(省略图示)来实现。程序也可以储存在存储部113中，根据需要复制到存储器112中。在以下的说明中，上述功能执行的处理实际上由CPU111按照程序来执行。
图2所示的预测装置2(22)相当于图1所示的数据验证用预测装置12。预测装置2(22)具有输入功能2(221)、存储功能2(222)、显示功能(223)、预测功能2(224)、输出功能2(225)以及用户操作输入功能(226)。这些功能通过处理器(CPU)121执行在存储器122中储存的程序(省略图示)来实现。程序也可以储存在存储部123中，根据需要复制到存储器122中。在以下的说明中，上述的功能执行的处理实际上由CPU121按照程序来执行。
另外，在图1以及图2的例子中，正式预测装置11与数据验证用预测装置12由分别独立的计算机实现。本实施例的正式预测装置11为了高精度的预测而进行大量的计算。因此，正式预测装置11优选通过高性能的计算机实现。此外，正式预测装置11的功能也可以通过多个物理性的计算机的并行处理来实现。另一方面，数据验证用预测装置12进行虽然精度有可能低于正式预测装置11的精度但以短时间结束的计算量较少的预测。因此，数据验证用预测装置12例如可以通过所谓的面向个人的计算机(PC)等、廉价且性能并不那么高的计算机来实现。
但是，上述的构成为一个例子，只要如上述那样具有进行计算量较多、精度较高的预测的部分(第1预测部)、以及进行计算量较少的预测的部分(第2预测部)，便能够通过任意形态的计算机系统实现本实施例的预测系统。例如也可以是，由具有与图1的正式预测装置11或者数据验证用预测装置12等同的构成的物理性的一个计算机，具有图2所示的正式预测装置11以及数据验证用预测装置12的全部的功能。
图3是表示本发明的实施例1的正式预测装置11的应用软件的处理的一例的流程图。
正式预测装置11开始处理(S301)后，输入功能1(211)为了预测作为预测对象的出货量，而经由通信部114从仓库内的全部商品的过去的出货量数据库(省略图示)中，取得过去的规定的期间的出货量数据作为预测中使用的过去的时间推移的数值数据(S302)。过去的出货量数据库既可以储存在例如存储部113中，也可以储存在与网络13连接的其他装置(省略图示)中。例如，输入功能1(211)取得各商品的过去3个月期间的每1日的出货量。
图4是表示本发明的实施例1的预测对象的过去的时间推移的数值数据的一例的说明图。
图4的例子表示用于在2017/12/1日实施预测而取得的2017/9/1日至2017/11/30日为止的仓库内的全部商品的过去的以1日为单位的数值数据，由表示预测对象的商品的出货日的出货日41、识别该商品的商品ID42、以及表示该商品的各出货日的出货量的出货量43构成。
在存在对将来的出货量的预测有影响的变动要因候选的数据的情况下，输入功能1(211)从数据验证用预测装置12或者未图示的其他数据库等取得变动要因候选数据。例如，在预测对象的商品为伞，天气被认为是出货量的预测的变动要因的情况下，输入功能1(211)从天气数据库(省略图示)经由通信部114取得过去的一定期间的天气数据作为变动要因候选数据。此时，在除了过去还具有将来的数据的情况下，也可以取得包含将来数据的数据。例如，在使用天气预报等而不仅具有过去还具有未来1周的天气预测数据的情况下，也可以取得包含该未来1周的天气预测数据。在本实施例中，预测所使用的数值数据经由通信部114从数据库中取得，但也可以从数据验证用预测装置12直接取得，只要能够取得数值数据，则能够通过其他的任意方法取得。例如，输入功能1(211)也可以取得通过未图示的用户操作输入功能等利用用户的操作所输入的数据。
图5是表示本发明的实施例1的变动要因候选数据的一例的说明图。
图5中例示的变动要因候选数据示出天气的时间推移，由表示预测对象的商品的出货日的出货日51、以及表示各出货日的天气的天气52构成。在图5的例子中，为了在2017/12/1日实施预测，取得2017/9/1日至2017/11/30日的以1日为单位的实际的天气数据、以及至2017/12/6日为止的天气预测的数据作为天气数据。
接下来，存储功能1(212)将通过输入功能1(211)取得的预测所使用的过去的出货量数据以及变动要因候选数据(例如天气数据)存储在存储部113中(S303)。
然后，预测功能1(213)使用在存储部113中存储的过去的出货量数据以及天气数据，制作对作为预测对象的仓库内的全部商品各自的将来的出货量的时间推移进行预测而得的预测结果数据1，作为预测结果(S304)。例如，预测功能1(213)进行各商品的未来1个月为止的以1日为单位的出货量的预测，制作预测结果数据1作为预测结果。在此时的预测中，预测功能1(213)使用高精度的预测方式。例如，可以进行使用了深度学习等的高精度的预测。
图6是表示本发明的实施例1的预测结果数据1的一例的说明图。
在图6中，作为一例示出在2017/12/1日实施的预测结果。在该例中，示出预测的实施日的未来1个月的2017/12/31为止的仓库内的全部商品的以1日为单位的预测值，作为预测结果数据1。预测结果数据1由出货日61、识别商品的商品ID62、以及预测出货量63构成。
然后，输出功能1(214)经由通信部114向数据验证用预测装置12作为预测结果转交预测结果数据1、以及能够确定正式预测装置11作为预测的基础(即输入数据)而使用的数据序列的信息(S305)，并结束处理(S306)。这里，与输入数据相当的数据序列包含例如过去的规定的期间的商品的出货量等，与预测对象的数值相同的项目的过去的数值数据，进而还可以包含例如过去的天气的实际数据以及将来的天气的预测结果等，对预测对象的数值产生影响的要因数据。
在本实施例中，作为能够确定所使用的数据序列的信息，直接转交所使用的数据序列其本身。然而，作为能够确定所使用的数据序列的信息，也可以指示该使用的数据序列的保管场所，或者指示输入功能1(211)获取数据序列的获取目的地。只要是数据验证用预测装置12能够取得与正式预测装置11为了获得预测结果数据1而使用的数据序列相同的数据序列的方法，则可以使用任意的方法。所输出的预测结果数据1被应用于仓库内的各种报价或者优化措施。
图7是表示本发明的实施例1的数据验证用预测装置12的应用软件的处理的一例的流程图。
数据验证用预测装置12开始处理后(S701)，为了验证正式预测装置11在预测作为预测对象的出货量中使用的数据的有效性，输入功能2(221)经由通信部124从正式预测装置11中取得所使用的数据序列，作为能够确定正式预测装置11在预测中使用的数据序列的信息，并且，取得预测结果数据1作为预测结果(S702)。
例如，作为在预测中使用的数据序列，取得出货量数据以及天气数据等。在本实施例中，数据验证用预测装置12从正式预测装置11直接取得数据序列，但作为能够确定所使用的数据序列的信息，既可以接收数据序列的保管场所的指示，并从其保管场所取得，也可以是接收正式预测装置11的输入功能获取数据序列的获取目的地的指示，并从其获取目的地取得，另外，只要能够取得正式预测装置11使用的数据序列则可以通过任意的方法取得。取得的数据序列的例子与为了说明正式预测装置11的处理而使用的图4以及图5、图6相同。
接下来，存储功能2(222)将通过输入功能2(221)取得的数据序列存储在存储部123中(S703)。
然后，显示功能(223)在显示部127显示出货量数据以及天气数据等的预测所使用的数据序列、以及使用了该数据序列的正式预测装置11的预测结果即预测结果数据1等(S704)。
图8是表示本发明的实施例1的显示功能的显示的一例的说明图。
表格82以表格形式显示预测所使用的出货量数据以及天气数据。图表81以图表形式显示过去的出货量数据与正式预测装置11的预测结果数据1。图表81的横轴为日期，纵轴为出货量，过去的出货量的实际数据以柱状图显示，正式预测装置11的预测结果以折线图显示。
在本实施例中，基于2017/9/1日至2017/11/30日的出货量的实际数据、相同的期间的天气的实际数据、2017/12/1日至2017/12/6日的天气预报数据，正式预测装置11在2017/12/1日预测2017/9/1日至2017/12/31日的出货量。在图8中，显示上述期间中的2017/11/29日至2017/12/5日的数据。
具体而言，由于图表81的柱状图与表格82的出货量为实际数据值，因此12/1以后的部分不被显示。在图表81中，对于11/29日以及11/30日显示出货量的实际数据值(柱状图)与预测结果(折线图)双方。此外，表格82的天气数据中的11/29日以及11/30日的部分为实际数据值，12/1日至12/5日的部分为预测值(例如从预测系统的外部取得的天气预报数据)。
另外，在本实施例中，说明了由图表以及表格进行的显示，但只要能够确认预测所使用的数据序列与正式预测装置11的预测结果则可以进行任意的显示。例如，可以仅显示图表或者表格中的任一方，或也可以进行其他形式的显示。
再次参照图7。S704结束后，接下来，用户操作输入功能226进行预测所使用的数据的追加、删除或者编辑等(S705)。具体而言，例如，在除了过去的出货量数据以及天气数据之外，还存在希望验证有效性的变动要因候选数据的情况下，通过使用了输入部126的用户操作来追加。这里，变动要因候选数据是指可能成为对出货量的预测产生影响的要因的数据，天气数据为其一例。天气数据之外，例如仓库的工作日数据(即表示各个日期是否是仓库的工作日等的工作状况的数据)、以及新商品的发售日数据(即，表示哪一品种的商品在哪一日发售的数据)等可列举为希望验证有效性的变动要因候选数据的例子。由此能够验证各种要因的有效性。
此外，用户操作输入功能226也可以通过相同的方法，进行正式预测装置11在预测中使用的数据的删除或者变更。例如，在预测所使用的任一数据的有效性受到怀疑(即该数据有可能对预测精度的提高没有帮助)的情况下，能够通过删除该数据并基于数据验证用预测装置12进行预测，来验证该数据的有效性。或者，例如在取得了更准确的数据的情况下，也可以据此置换已使用的数据。
另外，经由上述那样的用户操作输入功能226进行数据的追加、删除或者编辑等，是取得表示数据验证用预测装置12在预测中使用的数据序列(输入数据)的变更的信息的方法的一例。
存储功能2(222)将预测所使用的数据的追加、删除以及编辑的结果(即基于表示变更的信息进行了变更后的数据序列)重新存储于存储部123中。以下，作为一例，对追加了仓库的工作日的数据(即表示各个日期是否是仓库的工作日的数据)的情况进行说明。
然后，预测功能2(224)使用在存储部123中存储的过去的出货量数据、天气数据、以及新追加的仓库的工作日数据，制作对作为预测对象的仓库内的全部商品各自的将来的出货量的时间推移进行预测而得的预测结果数据2(S706)。例如，预测功能2(224)进行各商品的未来1个月的以1日为单位的出货量的预测，制作预测结果数据2作为预测结果。在此时的预测中，使用实时能够进行预测(即计算量较少，能够以短时间执行)的预测方式。例如，使用了多元回归分析的预测等。预测结果数据2的形式与图6示出的预测结果数据1相同。
然后，显示功能(223)在显示部127显示出货量数据、天气数据以及新追加的工作日数据等的预测所使用的数据序列、作为使用了这些数据序列的数据验证用预测装置12的预测结果的预测结果数据2、以及追加新的数据前的正式预测装置11的预测结果数据1等(S707)。
图9是表示本发明的实施例1的数据验证时的显示功能的显示的一例的说明图。
表格92以表格形式显示预测所使用的出货量数据、天气数据、以及作为追加的变动要因候选数据的工作日数据。图表91以图表形式显示过去的出货量数据与正式预测装置11的预测结果数据1、以及追加工作日数据并进行了预测的情况下的数据验证用预测装置12的预测结果即预测结果数据2。
以下，对图9的显示中的相对于图8的变更点进行说明。在图表91中追加了表示预测结果数据2的虚线的折线图。在表格92中追加了作为追加的变动要因候选数据的工作日数据。在图9示出的例子中，示出了从11/29日至12/5日的期间中，12/1日以及12/2日仓库不工作，除此以外的日期仓库工作的例子。另外，在该例中，由于在12/1日进行了预测，因此12/1日以后的工作日数据示出了预定(即预测值)。
由于在12/1日以及12/2日仓库不工作，因此这两日的预测结果数据2的出货量为0。在图9的例中，其他日的预测结果数据2与预测结果数据1相同。然而，数据验证用预测装置12的预测与正式预测装置11的预测相比，以计算量较少的方法进行，故通常，其他日的预测结果数据2的值也不会与预测结果数据1完全相同。
如图9所示，通过显示过去的出货量数据、预测结果数据1、以及预测结果数据2，用户能够比较通过验证中的数据(上述的例中为工作日数据)是否改善了预测精度。另外，在本实施例中，说明了由图表以及表格进行的显示，但只要能够确认预测所使用的数据序列、正式预测装置11的预测结果以及数据验证用预测装置12的预测结果则可以进行任意的显示。例如，既可以仅显示图表或者表格的任一方，也可以进行其他的形式的显示。
再次参照图7。通过显示功能223，用户判断为追加、删除或者编辑后的数据序列有效的情况下，输出功能2(225)经由通信部124，向正式预测装置11转交能够确定预测所使用的数据序列的信息(S708)，结束处理(S709)。在本实施例，作为能够确定预测所使用的数据序列的信息，将数据序列其本身直接转交给正式预测装置11。然而，作为能够确定预测所使用的数据序列的信息，也可以转交表示该数据序列的保管场所的信息，或也可以转交表示输入功能2(221)获取该数据序列的获取目的地的信息。只要是正式预测装置11能够取得与数据验证用预测装置12用于获得预测结果数据2而使用的数据序列相同的数据序列的方法则可以使用任意的方法。
之后，正式预测装置11基于判断为有效的数据序列进行预测，并输出该结果(参照图3)。
另外，关于用户追加、删除或者编辑后的数据序列是否有效，既可以是用户基于由显示功能223显示的信息进行判断并输入该结果，也可以是数据验证用预测装置12基于规定的条件自动地判定。例如也可以是，数据验证用预测装置12计算预测结果数据1以及预测结果数据2各自的预测精度，在预测结果数据2的预测精度比预测结果数据1的预测精度更高的情况下，判定为用户追加、删除或者编辑后的数据序列有效。
根据本实施例，用户使用数据验证用预测装置12验证预测所使用的数据的有效性，因此能够通过利用实时的(即能够以短时间取得结果的)预测，以短时间确定对于改善预测的精度有效的变动要因，对于使用所确定的变动要因并应用于实际的优化措施等的预测，进行正式预测装置11的高精度的预测。例如通过将其适用于仓库中的商品(物品)的出货量，能够进行高精度的出货量的预测。
在本实施例中，说明了正式预测装置11的预测功能1(213)使用的数据序列以及预测方法、与数据验证用预测装置12的预测功能2(224)使用的数据序列以及预测方式不同的例子。然而，这样的不同为一个例子，只要双方的预测功能不同，则其不同可以是任意的。例如也可以是，正式预测装置11的预测功能1(213)进行仓库内的全部商品的预测，数据验证用预测装置12的预测功能2(224)进行1种商品的预测等，预测对象的数量不同。
或者也可以是，在正式预测装置11的预测功能1(213)中，使用过去2年份的数据进行未来3个月的预测，在数据验证用预测装置12的预测功能2(224)中，使用作为上述的2年的一部分的过去2个月份的数据，进行作为上述的3个月的一部分的未来1周的预测等，即也可以是期间不同等。
或者也可以是，正式预测装置11的预测功能1(213)使用多个预测模型进行预测，数据验证用预测装置12的预测功能2(224)使用其中一部分的预测模型来进行预测。或者也可以是，数据验证用预测装置12的预测功能2(224)使用计算量少于正式预测装置11的预测功能1(213)在预测中使用的预测模型的预测模型来进行预测。
或者，也可以是适用组合了上述的方法的至少两个的方法。通过这些方法，数据验证用预测装置12的精度即使降低，但是能够以比正式预测装置11短的时间进行预测。
如在正式预测装置11的预测功能1(213)中，进行仓库内的全部商品的预测，在数据验证用预测装置12的预测功能2(224)中，进行1种商品的预测那样，预测对象的数量不同的情况下，能够选择预测精度的改善对整体的预测精度作用较大的预测对象。因此也可以是，正式预测装置11的预测功能1(213)不仅作为预测结果计算预测结果数据1还计算预测精度，并通过输出功能1将其转交给数据验证用预测装置12。然后，数据验证用预测装置12的显示功能223也可以与预测结果一同显示预测精度。然后，也可以能够通过来自用户操作输入功能226的用户操作选择针对哪一商品进行数据验证。预测精度的一览既可以是文本显示，也可以通过图表等显示。
图10是表示本发明的实施例1的数据验证时的显示功能的显示的一例的说明图。
具体而言，图10是通过分布图101表示各商品的预测精度与总出货量的例子。分布图101的横轴为各商品的出货量的预测精度，纵轴为各商品的总出货量。例如如图10所示的商品A那样，即使出货量的预测精度较低，但在出货量其本身较小的情况下，其预测结果与实际的出货量的偏差对仓库整体的人工费或者配送费等的报价带来的影响较小。用户能够判断出选择精度改善可能对整体影响较大的、总出货量大且精度较差的商品(图10的例中为商品D)，进行其出货量的预测精度的改善。
只要是能够显示以便从多个预测对象中选择进行用于提高预测精度的数据验证的预测对象，则既可以是不仅显示各商品的总出货量还显示销售价格与预测精度，也可以是仅按预测精度从差到好的顺序以列表显示商品，或也可以进行其他的任意显示。
此外，也可以能够通过来自用户操作输入功能226的用户操作来指定下述条件：在正式预测装置11中的预测时，是仅对验证时的预测对象使用验证而追加、删除或者编辑后的数据，还是对其他的全部商品也同样使用。输出功能2(225)在向正式预测装置11转交数据序列时，包含所指定的条件地转交。并且，正式预测装置11的预测功能1(213)也可以按照指定的条件进行预测。
例如，正式预测装置11将多个商品作为对象，预测各自的出货量，数据验证用预测装置12对于该多个商品中的某1种商品，进行数据验证。此时，验证的数据例如为“商情”那样的对全部商品有影响的数据，在验证的结果是判定为将该数据作为预测所使用的数据而追加对预测精度的提高有效的情况下，可以指定为将该数据用于全部商品而非仅该1种商品。另一方面，在验证的数据为“预测对象商品的评价”那样的仅对于对象商品有影响的数据的情况下，可以指定为仅对该预测对象的商品使用。
例如，用户也可以决定进行上述的哪一个指定并将其结果输入数据验证用预测装置12。数据验证用预测装置12向正式预测装置11转交表示该指定的信息。在指定了将该数据用于全部商品的情况下，正式预测装置11将全部的商品作为对象，进行使用了该数据的预测，在指定了将该数据仅用于该1种商品的情况下，正式预测装置11使用该数据进行该1种商品的预测，不进行其他商品的预测(即对于其他商品维持上一次的预测结果)。
由此，即使在存在多个预测对象的情况下，也能够将针对一个预测对象的验证结果，在规定的情况下反映于全部的预测对象，其结果能够高效地改善预测精度。
在本实施例中，说明了正式预测装置11的输入功能1(211)以及数据验证用预测装置12的输入功能2(221)使用通信部114以及124取得数据序列的例子。然而，只要能够取得数据序列，则可以使用例如取得通过用户操作而输入的数据序列等任意的方法。
在本实施例中，数据验证用预测装置12的预测功能2(224)输出表示将来的出货量的时间推移的预测结果数据2作为预测结果，但也可以还输出其他的信息。例如，预测功能2(224)也可以输出预测结果数据2的预测精度、以及预测所使用的出货量数据以及天气数据等的数据序列对预测的贡献度。在预测的对象的期间包含过去部分的情况下，预测精度能够通过计算过去部分的预测结果(例如图9的12/1日以前的折线图的部分)与实际的出货量数据(例如图9的柱状图的部分)的误差来计算。此外，关于贡献度，能够利用各数据序列与出货量数据的相关系数等。
此外，对于正式预测装置11的预测功能1(213)也同样，虽然输出表示将来的出货量的时间推移的预测结果数据1作为预测结果，但也可以还输出其他的信息。例如，预测功能1(213)也可以输出预测结果数据1的预测精度、预测所使用的出货量数据以及天气数据等的数据序列对预测的贡献度、以及对预测产生影响的天数等。对预测产生影响的天数，例如能够通过使日期错移后的变动要因候选数据与出货量数据的相关关系来计算。由此，能够掌握例如天气数据对1日后的出货量影响较大等的预测理由。
此外，在预测功能1(213)在预测时组合多个预测方式来使用的情况下，也可以按每时间推移来输出预测方式的贡献度，并转交给数据验证用预测装置12。例如，对于某商品，在组合1周周期的预测方式与取平均的预测方式等来使用的情况下，也可以计算各个预测方式以何种程度对每日的预测值的计算作出贡献，并将其结果转交给数据验证用预测装置12。
图11是表示本发明的实施例1的数据验证时的显示功能的显示的一例的说明图。
具体而言，图11为数据验证用预测装置12的显示功能223显示出预测精度以及贡献度时的显示的一例。表格1102显示预测所使用的出货量数据、天气数据、以及作为追加的验证数据的工作日数据。进而，表格1102显示出在正式预测装置11中的预测时的各个数据序列的贡献度、表示各个数据序列被反映至预测的结果的时间差的反映日、以及在数据验证用预测装置12中包含工作日数据的预测时的各个数据序列的贡献度。
图表1101与图9的图表91相同，显示过去的出货量数据、正式预测装置11的预测结果数据1、以及数据验证用预测装置12追加工作日数据后进行预测的情况下的预测结果即预测结果数据2。
累计图表1103显示每日的预测使用的各预测方式(预测模型)的贡献度。此外，数值1104示出预测结果1与预测结果2之间的预测精度的比较。图11的例子示出，相对于预测结果1的预测精度为80％，通过追加工作日数据而得到的预测结果2的预测精度提高到85％。
由此，例如用户参照表示预测精度的数值1104，可知晓通过追加工作日数据作为预测所使用的数据从而使预测精度提高。此外，若参照累计图表1103，能够推测出12/1日的预测值受到是否为非工作日的影响较大。此外，12/4日的预测值能够从累计图表1103中推测出天气的影响较大，根据与天气有关的反映日“－1”，能够推测出1日后的(即12/5日的预测值)“雨”产生了影响。
这里，反映日表示数据序列的值被反映至预测的结果的时间差。反映日的值为+N(这里N为正的整数)表示该数据序列的值易反映于N日后的预测的结果中。反映日的值为－N表示该数据序列的值易反映于N日前的预测的结果。
利用这样的显示，可知预测理由(即各个预测结果受到哪种要因的影响)，从而也能够获得对预测值的认同感。在本实施例中，通过表格以及图表示出与预测结果以及预测理由有关的信息，但只要能够确认预测结果等，则可以进行任意的显示。例如，既可以仅显示图表或者表格的任一方，也可以通过文本输出数值的列表。
在本实施例中，说明了预测对象为仓库中的1个以上的品种的商品的出货量的例子，但预测对象也可以是任意的。例如，预测对象为消费者购买的1种以上的品种的商品的购买量、销售店铺中的1种以上的品种的商品的订货量，或者办公室中的1种以上的种类的打印用纸的使用量等，只要是1个以上的项目的数值则可以是任意的项目。在该情况下，例如基于消费者购买的过去的各商品的购买量、销售店铺中的过去的各商品的订货量、或者办公室中的过去的各种打印用纸的使用量等的过去1种以上的品种的数值数据，进而根据需要还基于天气、或者仓库/店铺或办公室等的工作日等的要因数据，预测将来的预测对象的数值。
此外，在本实施例中，基于过去的每1日的出货量、过去以及将来的每1日的天气以及仓库的工作日，预测将来的每1日的出货量。这里“1日”是预测的单位时间的一例，也可以适用其他的单位时间。例如也可以基于过去的每1周的出货量等，预测将来的每1周的出货量，或也可以基于过去的每数小时的出货量等，预测将来的每数小时的出货量。
在本实施例中，作为由正式预测装置11与数据验证用预测装置12这两个装置构成的系统进行了说明，但预测系统也可以仅包含数据验证用预测装置12，关于正式预测装置11的功能，只要能够输出预测结果，则也可以由位于外部的装置或者服务来实现。
此外，在本实施例中，正式预测装置11与数据验证用预测装置12分别作为独立的装置或者应用软件进行了说明，但也可以统一为相同装置内的不同应用软件、或相同装置内的相同应用软件。
此外，在本实施例中，将预测装置1(21)作为正式预测装置11，将预测装置2(22)作为数据验证用预测装置12进行了说明，但只要是预测功能不同的构成，则各自的作用可以是任意的。
【实施例2】
使用图12说明本发明的实施例2。除了以下说明的不同点，实施例2的系统的各部与附加了与实施例1相同的附图标记的各部具有相同的功能，故省略其说明。
与实施例1相同，表示将本发明适用于物流仓库中的商品的出货量的预测的情况的例子作为实施例2。
图12是表示本发明的实施例2的正式预测装置11与数据验证用预测装置12的应用软件的功能构成的一例的说明图。
图12所示的实施例2的预测系统与图2相比，预测装置1(21)以及预测装置2(22)与数据库1201连接的部分不同。数据库1201例如储存于与网络13连接的存储装置(省略图示)中。正式预测装置11以及数据验证用预测装置12能够经由通信部114以及124访问数据库1201。但是，上述的数据库的所在之处为一例，只要正式预测装置11以及数据验证用预测装置12均能够访问，则在何处储存数据库1201均可。例如可以在正式预测装置11的存储部113或者数据验证用预测装置12的存储部123的任一个中储存数据库。
数据库1201保持仓库内的全部商品的过去的出货量。预测装置1(21)的输入功能(211)经由通信部114从数据库1201取得过去的一定期间的出货量数据，作为预测所使用的过去的时间推移的数值数据，以预测作为预测对象的出货量。然后，输出功能1(214)经由通信部114向数据验证用预测装置12转交预测结果数据1作为预测结果，进而，转交表示在数据库1201的何处保管有所使用的数据的指针，作为能够确定所使用的数据序列的信息，结束处理。
预测装置2(22)的输入功能2(221)经由通信部124，根据从正式预测装置11作为能够确定正式预测装置11在预测中使用的数据序列的信息而接收到的数据库的指针，访问数据库取得所使用的数据序列，并取得作为预测结果的预测结果数据1。例如，输入功能2(221)取得出货量数据以及天气数据等作为预测所使用的数据序列。
实施例2的正式预测装置11以及数据验证用预测装置12为了预测而执行的处理与实施例1相同，故省略说明。
根据本实施例，能够抑制正式预测装置11与数据验证用预测装置12之间的数据的转送负荷，且用户为了使用数据验证用预测装置12验证预测所使用的数据的有效性，利用实时的预测，对于应用于实际的优化措施等的预测，能够利用正式预测装置11进行的高精度的预测。
根据本发明的一方式，通过计算速度较快但精度较低的第2预测方式进行变动要因的选择，使用作为有效数据而选择出的变动要因，通过计算速度较慢但精度较高的第1预测方式进行预测，从而能够在有限的计算时间中改善预测精度。
另外，本发明不限于上述的实施例，包括各种变形例。例如，上述的实施例为了更好地理解本发明而详细进行了说明，但不限于一定具备说明的全部的构成。此外，能够将某实施例的构成的一部分置换为其他实施例的构成，此外，能够向某实施例的构成追加其他实施例的构成。此外，对于各实施例的构成的一部分，能够进行其他构成的追加/删除/置换。
此外，例如也可以在集成电路中进行设计等而由硬件实现上述的各构成、功能、处理部、处理方式等的一部分或者全部。此外，也可以通过处理器编译、执行实现各个的功能的程序而由软件实现上述的各构成、功能等。实现各功能的程序、表格、文件等的信息能够储存于非易失性半导体存储器、硬盘驱动器、SSD(Solid State Drive：固态驱动器)等的存储设备，或者IC卡、SD卡、DVD等的计算机能够读取的非暂时性数据存储介质。
此外，控制线以及信息线考虑到说明上的需要而示出，未必示出产品上全部的控制线以及信息线。可认为实际上几乎全部的构成相互连接。
Claims (13)
1.一种预测系统，具有基于过去的数值数据来预测将来的数值的第1预测部以及第2预测部，其特征在于，
所述第1预测部基于至少包含过去的第1期间的数值数据的输入数据，预测包含将来的期间的第2期间的数值，
所述第2预测部取得所述第1预测部在预测中使用的所述输入数据、所述第1预测部预测出的所述第2期间的数值、以及表示所述输入数据的变更的信息，
所述第2预测部基于按照表示所述输入数据的变更的信息进行变更后的输入数据的至少一部分，进行与所述第1预测部进行的预测相比计算量少的预测处理，由此预测所述第2期间的至少一部分的数值，
所述第2预测部输出所述第1预测部的预测的结果、以及所述第2预测部的预测的结果，
在所述输入数据的变更有效的情况下，所述第1预测部基于按照表示所述输入数据的变更的信息进行变更后的输入数据，预测所述第2期间的数值。
2.如权利要求1所述的预测系统，其特征在于，
所述第2预测部通过对于所述第1预测部的预测对象的多个项目之中的一部分项目进行预测、基于所述第1期间的一部分期间的输入数据进行预测、预测所述第2期间的一部分期间的所述数值、使用所述第1预测部在预测中使用的多个预测方法之中的一部分进行预测、或者使用与所述第1预测部使用的预测模型相比计算量少的预测模型来进行预测，从而进行与所述第1预测部进行的预测相比计算量少的预测处理。
3.如权利要求1所述的预测系统，其特征在于，
所述过去的数值数据是表示仓库中的物品的过去的每单位时间的出货量的出货量数据，
所述第1预测部以及所述第2预测部预测所述物品的每单位时间的出货量。
4.如权利要求1所述的预测系统，其特征在于，
所述输入数据的变更是：向所述输入数据追加可能成为对预测所述第2期间的数值产生影响的要因的1个以上的项目的要因数据、删除已包含在所述输入数据中的所述1个以上的项目的要因数据、或者编辑已包含在所述输入数据中的所述1个以上的项目的要因数据，
关于所述第1预测部基于所述输入数据进行的预测，所述第1预测部计算预测精度、以及所述输入数据中包含的所述数值数据和所述各要因数据对预测出的数值的贡献度，
所述第2预测部取得所述第1预测部计算出的所述预测精度以及所述贡献度，
关于所述第2预测部基于所述变更后的输入数据进行的预测，所述第2预测部计算预测精度、以及所述输入数据中包含的所述数值数据和所述各要因数据对预测出的数值的贡献度，
所述第2预测部输出所述第1预测部计算出的所述预测精度以及所述贡献度、以及所述第2预测部计算出的所述预测精度以及所述贡献度。
5.如权利要求4所述的预测系统，其特征在于，
所述过去的数值数据是表示仓库中的物品的过去的每单位时间的出货量的出货量数据，
所述第1预测部以及所述第2预测部预测所述物品的每单位时间的出货量，
所述1个以上的项目的要因数据是表示各个单位时间中的天气的天气数据、表示各个单位时间的所述仓库的工作状况的工作数据、以及表示所述物品的发售日的发售日数据中的至少一个，包含所述第1期间中包含的过去的期间的实际数据值、以及所述第2期间中包含的将来的期间的预测值。
6.如权利要求1所述的预测系统，其特征在于，
所述第2预测部具有显示部，
所述显示部以表格以及/或者图表的形式显示所述第1预测部在预测中使用的所述输入数据、所述第1预测部预测出的所述第2期间的数值、按照表示所述输入数据的变更的信息进行变更后的输入数据、以及所述第2预测部预测出的所述第2期间的数值中的至少一部分。
7.如权利要求1所述的预测系统，其特征在于，
所述第1预测部的预测所使用的所述输入数据包含多个项目的数值数据，
所述第1预测部基于所述输入数据，预测所述第2期间的所述多个项目的数值，计算每个所述项目的预测精度，
所述第2预测部从所述第1预测部取得预测出的所述多个项目的数值、以及每个所述项目的预测精度，将每个所述项目的数值与所述预测精度建立对应地输出，在被输入了选择所述多个项目中的某一个项目的信息的情况下，输出与所选择的项目有关的所述输入数据、以及所述预测出的数值。
8.如权利要求7所述的预测系统，其特征在于，
所述第2期间包含作为与所述第1期间重复的过去的期间的第3期间、以及作为将来的期间的第4期间，
所述第1预测部通过比较所述输入数据中包含的所述第3期间的所述多个项目的数值数据、与所述第1预测部预测出的所述第3期间的所述多个项目的数值，来计算每个所述项目的预测精度。
9.如权利要求7所述的预测系统，其特征在于，
所述多个项目是仓库中的物品的多个品种，
所述第1预测部的预测所使用的所述输入数据中包含的过去的数值数据，是表示仓库中的多个品种的物品的过去的每单位时间的出货量的出货量数据，
所述第2预测部具有显示分布图的显示部，该分布图表示所述各品种的物品的过去的规定期间的出货量与所述预测精度。
10.如权利要求1所述的预测系统，其特征在于，
所述第1预测部的预测所使用的所述输入数据包含多个项目的数值数据，
所述第1预测部基于所述输入数据，预测所述第2期间的所述多个项目的数值，
所述第2预测部从所述第1预测部取得预测出的所述多个项目的数值，对于所述多个项目中的选择出的一个项目，基于所述变更后的输入数据，预测所述第2期间的数值，
在向所述第2预测部输入了表示所述输入数据的变更有效的信息、以及表示将所述输入数据的变更适用于全部所述项目的信息的情况下，所述第1预测部基于按照表示所述输入数据的变更的信息进行变更后的输入数据，预测所述第2期间的全部所述项目的数值，
在向所述第2预测部输入了表示所述输入数据的变更有效的信息、以及表示将所述输入数据的变更适用于所述选择出的一个项目的信息的情况下，所述第1预测部基于按照表示所述输入数据的变更的信息进行变更后的输入数据，预测所述第2期间的所述选择出的一个项目的数值。
11.如权利要求1所述的预测系统，其特征在于，
所述输入数据的变更是：向所述输入数据追加可能成为对预测所述第2期间的数值产生影响的要因的1个以上的项目的要因数据、删除已包含在所述输入数据中的所述1个以上的项目的要因数据、或者编辑已包含在所述输入数据中的所述1个以上的项目的要因数据，
关于所述第1预测部基于所述输入数据进行的预测，所述第1预测部计算所述输入数据中包含的所述数值数据以及所述各要因数据对预测出的数值的贡献度、以及表示所述各要因数据被反映至所述预测出的数值为止的时间差的反映时间，
所述第2预测部取得并输出所述各要因数据的所述贡献度以及所述反映时间。
12.如权利要求1所述的预测系统，其特征在于，
所述第1预测部使用多个预测模型，基于所述输入数据预测所述第2期间的数值，并计算所述各预测模型对预测出的数值的贡献度，
所述第2预测部取得并输出所述各预测模型的所述贡献度。
13.一种预测方法，由具有1个以上的处理器的计算机系统基于过去的数值数据预测将来的数值，其特征在于，包括：
第1步骤，某一所述处理器基于至少包含过去的第1期间的数值数据的输入数据，预测包含将来的期间的第2期间的数值；
第2步骤，某一所述处理器取得在所述第1步骤中使用的所述输入数据、在所述第1步骤中预测出的所述第2期间的数值、以及表示所述输入数据的变更的信息；
第3步骤，某一所述处理器基于按照表示所述输入数据的变更的信息进行变更后的输入数据的至少一部分，进行与所述第1步骤相比计算量少的预测处理，由此预测所述第2期间的至少一部分的数值；以及
第4步骤，某一所述处理器输出所述第1步骤的预测的结果、以及所述第3步骤的预测的结果，
在所述输入数据的变更有效的情况下，某一所述处理器基于按照表示所述输入数据的变更的信息进行变更后的输入数据，再次执行所述第1步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018-113981 | 2018-06-14 | ||
| JP2018113981A JP7015740B2 (ja) | 2018-06-14 | 2018-06-14 | 予測システム及び予測方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110610252A true CN110610252A (zh) | 2019-12-24 |
Family
ID=66770400
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910437355.XA Pending CN110610252A (zh) | 2018-06-14 | 2019-05-24 | 预测系统以及预测方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20190385178A1 (zh) |
| EP (1) | EP3582156A1 (zh) |
| JP (1) | JP7015740B2 (zh) |
| CN (1) | CN110610252A (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230306058A1 (en) * | 2020-09-28 | 2023-09-28 | Nec Corporation | Prediction device, prediction method, and recording medium |
| CN112949109B (zh) * | 2021-01-26 | 2023-04-07 | 西北核技术研究所 | 基于深度神经网络的架空线电磁脉冲传导环境的预测方法 |
| 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 |
| WO2023181320A1 (ja) * | 2022-03-25 | 2023-09-28 | 日本電気株式会社 | モデル処理装置、モデル処理方法、及び、記録媒体 |
| CN114781766B (zh) * | 2022-06-22 | 2022-09-13 | 长江水利委员会长江科学院 | 水文站点的水文信息预测方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101159046A (zh) * | 2003-05-08 | 2008-04-09 | 株式会社日立制作所 | 后援电力购入量预约支援系统 |
| US8370280B1 (en) * | 2011-07-14 | 2013-02-05 | Google Inc. | Combining predictive models in predictive analytical modeling |
| US20130332233A1 (en) * | 2011-02-23 | 2013-12-12 | Naoko Kishikawa | Prediction system and program for parts shipment quantity |
| US20140330741A1 (en) * | 2013-05-03 | 2014-11-06 | Iwona Bialynicka-Birula | Delivery estimate prediction and visualization system |
| CN104598986A (zh) * | 2014-12-12 | 2015-05-06 | 国家电网公司 | 基于大数据的电力负荷预测方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0922402A (ja) | 1995-05-01 | 1997-01-21 | Fuji Electric Co Ltd | 日最大電力需要量予測方法 |
| JPH11120255A (ja) * | 1997-10-14 | 1999-04-30 | Duskin Co Ltd | 在庫管理方法及び在庫管理装置 |
| JP2004295226A (ja) | 2003-03-25 | 2004-10-21 | Matsushita Electric Works Ltd | 需要量予測支援システム及びそのプログラム並びにそのプログラムを記録したコンピュータで読み取り可能な記録媒体 |
| JP2005078277A (ja) | 2003-08-29 | 2005-03-24 | Kirin Beverage Corp | 出荷量予測システム |
| JP2006252465A (ja) | 2005-03-14 | 2006-09-21 | Omron Corp | 製造装置の予知保全装置、並びに、製造装置の予知保全用コンピュータプログラム |
| JP5005208B2 (ja) | 2005-10-28 | 2012-08-22 | 株式会社国際バイオインフォマティクス研究所 | 予測方法、予測装置および予測プログラム |
| US7765123B2 (en) | 2007-07-19 | 2010-07-27 | Hewlett-Packard Development Company, L.P. | Indicating which of forecasting models at different aggregation levels has a better forecast quality |
| JP2010157114A (ja) | 2008-12-26 | 2010-07-15 | Mitsubishi Chemicals Corp | 操業データの予測方法 |
| WO2016151616A1 (ja) | 2015-03-23 | 2016-09-29 | 日本電気株式会社 | 推定器可視化システム |
| JP6742894B2 (ja) * | 2016-06-09 | 2020-08-19 | 株式会社日立製作所 | データ予測システムおよびデータ予測方法 |
-
2018
- 2018-06-14 JP JP2018113981A patent/JP7015740B2/ja active Active
-
2019
- 2019-05-24 CN CN201910437355.XA patent/CN110610252A/zh active Pending
- 2019-06-05 EP EP19178530.2A patent/EP3582156A1/en not_active Withdrawn
- 2019-06-06 US US16/433,370 patent/US20190385178A1/en not_active Abandoned
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101159046A (zh) * | 2003-05-08 | 2008-04-09 | 株式会社日立制作所 | 后援电力购入量预约支援系统 |
| US20130332233A1 (en) * | 2011-02-23 | 2013-12-12 | Naoko Kishikawa | Prediction system and program for parts shipment quantity |
| US8370280B1 (en) * | 2011-07-14 | 2013-02-05 | Google Inc. | Combining predictive models in predictive analytical modeling |
| US20140330741A1 (en) * | 2013-05-03 | 2014-11-06 | Iwona Bialynicka-Birula | Delivery estimate prediction and visualization system |
| CN104598986A (zh) * | 2014-12-12 | 2015-05-06 | 国家电网公司 | 基于大数据的电力负荷预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3582156A1 (en) | 2019-12-18 |
| JP7015740B2 (ja) | 2022-02-03 |
| US20190385178A1 (en) | 2019-12-19 |
| JP2019215831A (ja) | 2019-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110610252A (zh) | 预测系统以及预测方法 | |
| US9805402B1 (en) | Adaptive control of an item inventory plan | |
| Ma et al. | Measure of the bullwhip effect considering the market competition between two retailers | |
| JP2019215831A5 (zh) | ||
| US20170140464A1 (en) | Method and apparatus for evaluating relevance of keyword to asset price | |
| WO2019109790A1 (zh) | 销量预测方法、装置和计算机可读存储介质 | |
| Balugani et al. | A periodic inventory system of intermittent demand items with fixed lifetimes | |
| Cárdenas-Barrón et al. | Optimizing price, order quantity, and backordering level using a nonlinear holding cost and a power demand pattern | |
| CN101950395A (zh) | 市场营销模型确定系统 | |
| CN110555578A (zh) | 一种销量预测方法和装置 | |
| CN110135878B (zh) | 用于确定销售价格的方法及装置 | |
| Khilwani et al. | Hybrid Petri-nets for modelling and performance evaluation of supply chains | |
| CN107958297B (zh) | 一种产品需求预测方法及产品需求预测装置 | |
| Wang et al. | A heuristic for rationing inventory in two demand classes with backlog costs and a service constraint | |
| Hajej et al. | Modelling and analysis for sequentially optimising production, maintenance and delivery activities taking into account product returns | |
| CN109961198A (zh) | 关联信息生成方法和装置 | |
| CN105574599A (zh) | 估算订单退货率的方法及装置 | |
| Wang et al. | A rolling horizon approach for production planning and condition-based maintenance under uncertain demand | |
| JP5551806B2 (ja) | 統合需要予測装置、統合需要予測方法、及び統合需要予測プログラム | |
| JP6012860B2 (ja) | 作業時間推定装置 | |
| Chen et al. | Optimal design of expected lifetime and warranty period for product with quality loss and inspection error | |
| Forghani et al. | A Price‐Dependent Demand Model in the Single Period Inventory System with Price Adjustment | |
| JP6067630B2 (ja) | 損益予測装置及び損益予測プログラム | |
| Xu | Statistical measurement of the inventory shortage cost | |
| Hung et al. | Garch models in forecasting the volatility of the world’s oil prices |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191224 |