CN112053022A - 计划制定系统及其方法 - Google Patents
计划制定系统及其方法 Download PDFInfo
- Publication number
- CN112053022A CN112053022A CN202010354232.2A CN202010354232A CN112053022A CN 112053022 A CN112053022 A CN 112053022A CN 202010354232 A CN202010354232 A CN 202010354232A CN 112053022 A CN112053022 A CN 112053022A
- Authority
- CN
- China
- Prior art keywords
- plan
- evaluation
- data
- learning
- user
- 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 50
- 238000011156 evaluation Methods 0.000 claims abstract description 453
- 230000006870 function Effects 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 28
- 230000008569 process Effects 0.000 description 23
- 238000004519 manufacturing process Methods 0.000 description 14
- 238000003860 storage Methods 0.000 description 13
- WWYNJERNGUHSAO-XUDSTZEESA-N (+)-Norgestrel Chemical compound O=C1CC[C@@H]2[C@H]3CC[C@](CC)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1 WWYNJERNGUHSAO-XUDSTZEESA-N 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000002156 mixing Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 3
- 238000010924 continuous production Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06Q10/083—Shipping
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供使得不需要伴随于计划制定的修正的计划制定系统即计划制定方法。计划制定系统具备:计划制定装置,基于与确定计划的规格的多个要素有关的规格信息和规定了针对多个要素各自的限制条件的限制条件信息,制定多个计划候选,生成计划数据;计划评价装置,对各个计划数据进行评价,生成多个评价数据;评价输入装置,将由计划制定装置生成的各个计划数据发送给用户用终端,从用户用终端分别接收表示用户对各个计划数据的评价结果的用户数据;以及评价学习装置,至少将通过评价输入装置的接收而得到的各个用户数据作为学习数据进行学习,根据学习结果,构建对于各个计划候选的评价学习器。
Description
技术领域
本发明涉及计划制定系统及其方法。
背景技术
作为本发明的背景技术,有日本特开2013-14387号公报(专利文献1)所记载的技术。该公报中,记载有一种配车计划评价学习系统,“具备:自动配车计划制作装置,将货物与输送该货物的上述车辆关联而制作指示货物的输送的配车计划;评价装置,计算利用评价项目值和按每个评价项目设定的权重系数的函数对制作出的配车计划进行评价的评价值;输入装置,受理对于由上述自动配车计划制作装置制作出的配车计划的修正输入、以及估计为修正后的配车计划的评价值的值,作为评价目标值;以及评价参数学习装置,输入自动配车计划制作装置制作出的自动配车计划及上述手动配车计划、以及上述自动配车计划的评价值及上述评价目标值,并且将所输入的上述手动配车计划及自动配车计划的评价项目值作为训练数据的输入数据,将上述评价值及评价目标值作为训练数据的输出值,进行学习。”(预约参照)。
专利文献1:日本特开2013-14387号公报
发明内容
在上述专利文献1中,记载有将系统的自动计划与用户的修正结果进行比较来调整系统的技术。
在通过机器学习对计划进行评价时,在需要修正的情况下,成为用户的作业负担。
本发明的目的是使得不需要伴随于计划制定的修正。
为了解决上述问题,本发明的特征在于,具备:计划制定装置,基于与确定计划的规格的多个要素有关的规格信息和规定了针对上述多个要素各自的限制条件的限制条件信息,制定作为上述计划的候选的多个计划候选,生成所制定的上述多个计划候选各自的内容作为计划数据;计划评价装置,对各个上述计划数据进行评价,生成表示对各个上述计划数据的评价结果的多个评价数据;评价输入装置,将由上述计划制定装置生成的各个上述计划数据发送给用户用终端,从上述用户用终端分别接收表示用户对各个上述计划数据的评价结果的用户数据;以及评价学习装置,至少将通过上述评价输入装置的接收而得到的各个上述用户数据作为学习数据进行学习,根据学习结果,构建对于各个上述计划候选的评价学习器。
发明效果
根据本发明,能够使得不需要伴随于计划制定的修正。
上述以外的问题、结构及效果通过以下的实施方式的说明会变得清楚。
附图说明
图1是表示有关本发明的计划制定系统的实施例1的系统结构图。
图2是表示实施例1的计划制定装置的结构的结构图。
图3是表示实施例1的计划评价装置的结构的结构图。
图4是表示实施例1的评价输入装置的结构的结构图。
图5是表示实施例1的评价学习装置的结构的结构图。
图6是表示实施例1的PC的结构的结构图。
图7是表示实施例1的订购信息DB的数据构造的结构图。
图8是表示实施例1的限制条件DB的数据构造的结构图。
图9是表示实施例1的自动计划DB的数据构造的结构图。
图10是表示实施例1的计划评价结果DB的数据构造的结构图。
图11是表示实施例1的评价学习器DB的构造的结构图。
图12是表示实施例1的用户用终端的画面的结构图。
图13是表示实施例1的自动制定系统的处理的流程图。
图14是用来说明实施例1的评价学习装置的学习处理的流程图。
图15是用来说明实施例1的计划制定装置的计划制定处理的流程图。
图16是用来说明实施例1的计划评价装置的计划评价处理的流程图。
图17是表示实施例2的评价学习装置的结构的结构图。
图18是表示实施例2的计划评价结果DB的数据构造的结构图。
图19是用来说明实施例2的评价学习装置的学习处理的流程图。
标号说明
101订购信息DB;102限制条件DB;103自动制定系统;104计划制定装置;105自动计划DB;106用户用终端;107评价输入装置;108计划评价结果DB;109评价学习装置;110评价学习器DB;201计划制定部;202计划评价装置;203计划结果输出部;301目标函数评价部;302评价学习器读入部;303评价预测部;304预测可靠度计算部;305计划评价部;401计划结果读入部;402计划结果显示部;403评价结果保存部;501学习器选择部;502学习输入输出部;503学习部;504学习器保存部;601CPU;602存储器;603接口;604网络接口;605键盘;606画面;607鼠标;608硬盘;1701学习输入输出部;1702参数学习部;1703学习结果保存部。
具体实施方式
[实施例1]
以下使用附图对本具体实施方式进行说明。
首先,使用图1对系统的结构进行说明。图1是表示有关本发明的计划制定系统的实施例1的系统结构图。在图1中,计划制定系统具备订购信息DB(数据库)101、限制条件DB102、自动制定系统103、用户用终端106。
订购信息DB101是保存与确定计划的规格的多个要素(产品的交货期、品种、生产时间、成本)有关的规格信息,例如与预定生产的产品的订购和过去的订购履历有关的订购信息的数据库。另外,在本实施例中,DB由通常的PC(Personal Computer,个人计算机)和通常的DB软件构成,由DB软件提供检索及更新功能等。订购信息中包含有被顾客委托的产品的种类、数量、交货期等信息。
限制条件DB102是保存规定了针对确定计划的规格的多个要素各自的限制条件的限制条件信息,例如记述有多个工序的生产能力、生产的产品的规格、能够制造的产品前后的产品的规格的差等信息的数据库。
自动制定系统103是自动制定计划的系统,包括计划制定装置104、自动计划DB105、评价输入装置107、计划评价结果DB108、评价学习装置109、评价学习器DB110而构成,与订购信息DB101、限制条件DB102及用户用终端106连接。
计划制定装置104是从订购信息DB101读入计划预定的订购信息,从限制条件DB102读入限制条件的信息,并基于读入的信息制定作为计划的候选的多个计划候选,生成所制定的多个计划候选各自的内容作为计划数据的装置。自动计划DB105是保存与由计划制定装置104制定的自动计划(计划候选)有关的计划数据的数据库。
评价输入装置107是将保存在自动计划DB105中的与自动计划有关的计划数据向用户用终端106发送、从用户用终端106接收与通过用户的评价而得到的评价结果(用户评价结果)有关的用户数据的装置。计划评价结果DB108是计划评价装置202(参照图3)将对自动计划(计划数据)进行评价而得到的评价数据(计划数据的属性、评价项目的评价值)与从用户用终端106接收到的与用户评价结果(评价点数)有关的用户数据(用户评价值)建立对应而作为计划评价结果数据保存的数据库。
评价学习装置109是基于保存在计划评价结果DB108中的计划评价结果数据、通过机器学习对自动计划与用户评价结果的关系进行学习来构建评价学习器的装置。评价学习器DB110是保存与由评价学习装置109构建的评价学习器有关的数据的数据库。
用户用终端106是利用自动制定系统103的用户操作的终端。
图2是表示实施例1的计划制定装置的结构的结构图。在图2中,计划制定装置104具备计划制定部201、计划评价装置202、计划结果输出部203。
计划制定部201是从订购信息DB101读入计划预定的订购信息,从限制条件DB102读入限制条件的信息,基于所读入的信息,概率性地制作多个计划、例如多个计划候选,自动地生成与各计划候选有关的计划数据的处理部(处理程序)。计划评价装置202是对由计划制定部201制作的多个计划候选执行评价、选择的处理的装置。自动计划输出部203是基于计划评价装置202的处理结果判断计划精度及处理时间等的计划的结束条件,并基于判断结果使计划制定部201执行再计划的处理或结束计划处理,将处理结果输出的处理部(处理程序)。另外,也可以将计划评价装置202配置到计划制定装置104的外部。
图3是表示实施例1的计划评价装置的结构的结构图。在图3中,计划评价装置202具备目标函数评价部301、评价学习器读入部302、评价预测部303、预测可靠度计算部304、计划评价部305。
目标函数评价部301是在自动制定系统103的构建时事前设定的、将计划(计划候选)用目标函数进行评价的处理部(处理程序)。此时,目标函数评价部301参照由计划制定装置104自动生成的计划数据,利用目标函数评价计划(计划候选)。在将目标函数设为y的情况下,y例如可以用以下的数式1的总和运算来定义。
[数式1]
y=∑Wi·Xi
这里,Xi是计划的成本等的评价项目。Wi是表示评价项目的优先顺序的权重。作为评价项目,例如在计划是生产计划的情况下,可以使用预定生产的产品的成本、交货期、生产时间。此时,例如在将评价项目设为产品的生产时间的情况下,产品的生产时间越短,y的值越小,为越好的计划。另外,根据评价项目,也可以设为y的值越大为越好的计划。
评价学习器读入部302是从评价学习器DB110读入评价学习器的数据的处理部(处理程序)。评价预测部303是基于评价学习器读入部302读入的评价学习器的数据来预测计划的评价值的处理部(处理程序)。预测可靠度计算部304是对评价预测部303的预测值(评价的预测值)计算预测的可靠度的处理部(处理程序)。计划评价部305是使用评价的预测值、预测可靠度、目标函数的评价值来评价计划的处理部(处理程序)。
图4是表示实施例1的评价输入装置的结构的结构图。在该图4中,评价输入装置107具备计划结果读入部401、计划结果显示部402、评价结果保存部403。计划结果读入部401是从自动计划DB105读入与自动计划有关的计划数据的处理部(处理程序)。计划结果显示部402是使用户用终端106显示由计划结果读入部401读入的与自动计划有关的计划数据的处理部(处理程序)。评价结果保存部403是将从用户用终端106接收到的表示用户的评价结果的用户数据向计划评价结果DB108保存的处理部(处理程序)。
图5是表示实施例1的评价学习装置的结构的结构图。在该图5中,评价学习装置109具备学习器选择部501、学习输入输出部502、学习部503、学习器保存部504。学习器选择部501是与商用或开源的机器学习库协同、使用户选择学习器的类型的处理部(处理程序)。学习输入输出部502是从计划评价结果DB108读入由用户用终端106指定的与学习输入输出有关的数据的处理部(处理程序)。学习部503是在由学习器选择部501选择的学习器的类型例如是神经网络的情况下、使用神经网络的机器学习技术对学习输入与学习输出的关系进行学习的处理部(处理程序)。学习器保存部504是将与进行了学习的评价学习器有关的数据向评价学习器DB110保存的处理部(处理程序)。
在本实施例中,包括终端的各装置可以使用以下的PC来构成。图6是表示实施例1的PC的结构的结构图。在图6中,PC具备CPU601、存储器602、接口603、网络接口604、键盘605、画面606、鼠标607、硬盘608。
CPU601是中央处理装置(Central Processing Unit),是能够执行记录在存储器602中的程序或预先从硬盘608转送给存储器602的程序的装置。另外,程序根据需要能够由PC利用,也可以被可拆装的存储介质导入。在此情况下,将用来读取存储介质的信息的装置连接到接口603。另外,作为这样的存储介质及用来读取它的装置,通常已知使用光盘(CD、DVD、蓝光盘等)的装置或使用闪存存储器的装置,可以使用这些装置。此外,程序根据需要,也可以由网络接口604经由通信介质(通信线路或通信线路上的输送波)被导入到PC。
存储器602是暂时性地记录程序及数据的存储介质。接口603用来连接PC系统内的各部,PC系统内的各部经由接口603被连接。网络接口604是用来与PC系统外的PC等进行通信的装置。在本实施例中,网络接口604与通信网络(未图示)连接。
键盘605是为了进行向PC系统的指令及数据输入而由PC系统的操作者操作的装置。画面606是用来显示CPU601的处理结果等的显示装置(未图示)的显示画面。鼠标607是通过由PC系统的操作者移动显示在画面606上的指针、并且在任意的地方供操作者按下按钮,从而指定画面上的位置、向CPU601传达某种行动的装置。另外,画面606也可以由触摸面板代替,在此情况下,通常不需要指针。
硬盘608是保存程序及数据的装置,例如可以由磁盘或非易失性存储器等构成。在此情况下,保存在硬盘608中的程序及数据即使在硬盘608的电源断开之后接通的情况下也通常被保持。另外,在硬盘608中也可以预先导入操作系统(OS)。通过这样,能够使用文件名来指定程序。这里OS是计算机的基本软件,可以使用通常周知的OS。在本实施例中假设导入了OS。
接着,使用图7~图11,对订购信息DB101、限制条件DB102、自动计划DB105、计划评价结果DB108、评价学习器DB110的数据构造进行说明。
图7是表示实施例1的订购信息DB的数据构造的结构图。订购信息DB101包括订购号701、交货期702、数量703、品种704而构成。订购号701是唯一地识别与计划对象有关的订购的识别号。在订购号701中,例如在计划对象是预定生产的产品的情况下,作为预定生产的产品的识别号而保存“1”的信息。交货期704表示交付预定生产的产品的期限。在交货期704中,例如作为到预定生产的产品的出货为止的天数而保存“4”的信息。数量703是表示预定生产的产品的数量的值。在数量703中,例如在产品的数量是“3”的情况下保存“3”的信息。品种704是唯一地识别预定生产的产品的种类的识别信息。品种704例如在预定生产的产品的种类是“A”的情况下保存“A”的信息。另外,上述的项目作为计划制作所需要的数据也可以包括关于订购的其他数据。
图8是表示实施例1的限制条件DB的数据构造的结构图。在图8中,限制条件DB102包括设备号801、决定变量802、限制条件803而构成。设备号801是唯一地识别用来在各工序中生产预定生产的产品的设备的识别号。在设备号801中,例如在用来在各工序中生产预定生产的产品的设备是“设备1”的情况下保存“设备1”的信息。决定变量802是对与相应设备的限制条件有关的属性进行管理的变量,例如由与交货期、数量、品种有关的属性构成。限制条件803是表示各工序的交货期及生产量等的条件。在限制条件803中,作为规定决定变量802的交货期的条件,例如在到预定生产的产品的出货为止的天数比“5天”短的情况下保存“交货期>5”的信息,作为规定决定变量802的数量的条件,例如在预定生产的产品的“数量”比“20”少的情况下保存“数量<20”的信息,作为规定决定变量802的品种的条件,例如在预定生产的产品中的“相同品种的连续制造量”比“10”少的情况下保存“同品种的连续制造量<10”的信息。另外,上述的决定变量802及限制条件803作为在计划制作中应考虑的条件,也可以包括对计划有影响的天气等的变量或条件。
图9是表示实施例1的自动计划DB的数据构造的结构图。在图9中,自动计划DB105是用来管理由计划制定装置104自动生成的计划数据的数据库,包括批号901、设备号902、品种903、开始时刻904、结束时刻905而构成。批号901是唯一地识别制造产品时的批次的识别号。在批号901中,例如在将某个品种的产品一起制作一定的数量的情况下,作为该一起制作的产品的批号而保存“1”的信息。设备号902与限制条件DB102的设备号801是同样的,品种904与订购信息DB101的品种704是同样的。开始时刻904是表示在制造产品时的批次中、各设备中的开始时刻的信息。在开始时刻904中,例如保存“08:00”的信息。结束时刻905是表示在制造产品时的批次中、各设备中的结束时刻的信息。在结束时刻905中,例如保存“10:00”的信息。根据保存在开始时刻904中的信息和保存在结束时刻905中的信息,能够计算产品的生产时间。
图10是表示实施例1的计划评价结果DB的数据构造的结构图。在图10中,计划评价结果DB108是由评价输入装置107管理的数据库,包括计划ID1001、计划数据的属性1(1002)、计划数据的属性2(1003)、评价项目1的评价值1004、评价项目2的评价值1005、用户评价值1006而构成。计划ID1001是学习对象计划的识别号。在计划ID1001中,例如保存“1”的信息。计划数据的属性1(1002)、属性2(1003)是计划数据的属性,例如是表示预定生产的产品的品种的数量、计划数据的记录数等的信息。在计划数据的属性1(1002)中,例如在预定生产的产品的品种的数量是“2”的情况下保存“2”的信息,在计划数据的属性2(1003)中,例如在计划数据的记录数是“21”的情况下保存“21”的信息。
评价项目1的评价值1004和评价项目2的评价值1005是由计划评价装置202评价的值,例如表示使用目标函数y对计划进行了评价的值。在评价项目1的评价值1004中,例如在将目标函数y的评价项目设为“交货期”、在对计划进行了评价时的评价值是“15”的情况下,保存“15”的信息。在评价项目2的评价值1005中,例如在将目标函数y的评价项目设为“生产时间”、对计划进行了评价时的评价值是“15”的情况下,保存“15”的信息。
用户评价值1006是被输入到用户用终端106中的值,表示用户对于对象计划(计划数据)的评价值(用户数据)。在用户评价值1006中,例如在将由用户给出的3个等级(高、中、低)的评价值设为“○”、“△”、“×”的情况下,保存某1个评价值的信息。
这里,在评价项目1的评价值1004中,在由计划数据确定的交货期是到出货为止的天数的情况下,作为评价值将小的值作为好的值保存。此外,在评价项目2的评价值1005中,在由计划数据确定的时间是产品的生产时间的情况下,作为评价值将小的值作为好的值保存。因此,计划ID1001为“1”的计划由于记录在评价项目1、2的评价值1003、1004中的数值分别比其他计划低,所以作为用户评价值1006而选择“○”。另外,即使是记录在评价项目1、2的评价值1003、1004中的数值分别比其他计划低的情况,在计划数据的属性1(1002)或计划数据的属性2(1003)的值分别比其他计划大的情况下(品种的数量或计划数据的记录数大的情况下),由于计划有可能变得复杂,所以也有作为用户评价值1006而记录“×”的情况。另外,作为在用户评价值106中使用的信息,既可以是“○”、“△”、“×”等的等级评价的信息,也可以是基于数值的信息。在此情况下,也可以设为数值越大则用户评价值106越高,或相反数值越小则用户评价值106越高。
图11是表示实施例1的评价学习器DB的构造的结构图。在图11中,评价学习器DB110包括学习器ID1101、学习数据的期间1102、学习器类型1103而构成。学习器ID1101是唯一地识别从评价学习装置109输出的学习器的识别号。在学习器ID1101中,例如保存“1”的信息。学习数据期间1102表示学习器构建用的学习数据的期间。在学习数据期间1102中,例如保存“2018/01/01~2018/06/30”的信息。学习器类型1103表示从评价学习装置109输出的学习器的类型(学习器的构造)。在学习器类型1103中,例如保存“神经网络”、“决策树”的信息。
接着,对用户用终端的画面进行说明。图12是表示实施例1的用户用终端的画面的结构图。在图12中,用户用终端106的画面1200包括自动计划的显示框(display box)1201、计划评价输入按钮1202、评价预测值和预测可靠度的显示框1203、学习对象计划评价结果的显示框1204、学习输入指定按钮1205、学习输出指定按钮1206、保存按钮1207而构成。
自动计划的显示框1201是用来显示保存在自动计划DB105中的数据(自动计划结果)的显示区域。计划评价输入按钮1202是使用户对显示在自动计划的显示框1201中的自动计划结果输入“○”、“△”、“×”等的计划的好坏的评价值的按钮。评价预测值和预测可靠度的显示框1203是显示来自计划评价装置202的评价预测值和评价预测值的可靠度的显示区域。学习对象计划评价结果的显示框1204是显示学习对象计划评价结果的显示区域。学习输入指定按钮1205是使用户指定学习输入栏,例如计划数据的属性、评价项目等的按钮。学习输出指定按钮1206是使用户指定学习输出例如用户评价值的按钮。保存按钮1207是用来使用户将对计划评价输入按钮1202输入的信息(计划评价输入的值)、对学习输入指定按钮1205输入的信息(学习输入指定的值)、对学习输出指定按钮1206输入的信息(学习输出指定的值)向计划评价结果DB108保存的按钮。
图13是表示实施例1的自动制定系统的处理的流程图。在图13中,用户用终端106的CPU经由计划制定装置104取入保存在订购信息DB101中的信息,将保存在订购信息DB101中的信息中的计划对象的订购信息显示在画面1200上,使用户确认订购信息(步骤1301)。这里,订购信息DB101等的DB与装置间的通信可以通过通常的通信或RPC(RemoteProcedure Call)等来执行,以下,假设通过这样的方法进行装置间通信。
接着,计划制定装置104的CPU从订购信息DB101输入订购信息,并从限制条件DB102输入关于限制条件的信息,基于订购信息及限制条件,将目标函数优化,制定计划,将所制定的计划的内容(计划数据)向自动计划DB105保存(步骤1302)。此时,在计划评价装置202的CPU中,使用目标函数评价自动计划的内容(计划数据),执行生成表示对计划数据的评价结果的多个评价数据的处理。
对于计划制定方法,以下举出具体例进行说明。在本实施例中使用限制编程。另外,关于这些计算,有通常能够获得的数理计划软件,也可以使用这种软件。本实施例中的输入是订购的交货期、数量、品种、对象设备的限制条件。输出是遵守了对象设备的限制条件的对象设备中的开始结束时刻。关于开始结束时刻的决定方式,例如使用回溯法(Backtracking)的搜索方法。
另外,回溯法是通常的解(计划候选)搜索算法之一,当求某个解时,依次尝试有可能的顺序。在用该顺序求出了解的情况下作为解保存,在判明了不能求出解的时间点,回到前一个状态,尝试其他的顺序。
通过回溯法搜索法,可以搜索到多个解(计划候选)。此时,对于通过搜索得到的多个计划候选,用目标函数进行评价,采用多个计划候选中的得分(评价值)高的计划候选,将所采用的计划候选设为通过自动制定形成的计划。目标函数例如可以用数式1所示的数式来定义。另外,也可以通过其他方式进行定义。计划制定装置104的CPU执行搜索算法来制定计划。
接着,评价输入装置107的CPU如果将保存在自动计划DB105中的数据(表示自动计划的计划数据)向用户用终端106传送,则用户用终端106的CPU将自动计划的内容(计划数据)显示在画面1200上,使用户评价自动计划结果(步骤1303)。此时,在向用户用终端106输入了由用户给出的评价结果(用户评价值)的情况下,评价输入装置107的CPU从用户用终端106接收表示由用户给出的评价结果的用户数据。此外,评价输入装置107的CPU在从计划评价装置202接收到计划评价装置202对自动计划的内容(计划数据)进行评价而得到的评价数据(计划数据的属性/评价项目的评价值)的情况下,生成将接收到的评价数据与用户数据建立了关联的计划评价结果数据,将所生成的计划评价结果数据向计划评价结果DB108保存。
接着,评价学习装置109的CPU基于学习用的计划评价结果的数据(计划评价结果数据)构建评价学习器,将关于所构建的评价学习器的数据向评价学习器DB110保存(步骤1304)。另外,关于学习方法,使用图14在后面叙述。
接着,计划制定装置104的CPU从评价学习器DB110读入在步骤1304中构建的评价学习器的数据,对于新计划输入,由计划评价装置202对计划进行评价,制定计划(步骤1305),然后,结束该例程中的处理。此时,在属于计划制定装置104的计划评价装置202中,执行对于新计划的评价。另外,关于制定计划的处理,使用图15在后面叙述。此外,在需要计划评价装置202中的更新处理的情况下,再实施步骤1301~步骤1305的处理。在再实施处理的情况下,在步骤1302中,计划评价装置202不是使用目标函数、而主要使用评价学习器来评价计划。
接着,使用图14对图13的步骤1304中的学习处理详细说明。图14是用来说明实施例1的评价学习装置的学习处理的流程图。在图14中,首先,评价学习装置109的CPU将学习器类型的信息(在评价学习器DB110的学习器类型1103中保存的信息)显示在用户用终端106的画面1200上,使用户选择学习器(学习器类型)(步骤1401)。
接着,评价学习装置109的CPU从计划评价结果DB108读入包括评价数据和用户数据的计划评价结果数据作为学习对象的评价结果数据(步骤1402),将所读入的计划评价结果数据中的评价数据(包括计划数据的属性和评价项目的评价值的数据)作为学习数据的输入,将用户数据(表示用户评价值的数据)作为学习数据的输出,学习其关系(步骤1403)。此时,评价学习装置109的CPU根据学习数据的输入与输出的关系,能够学习如果输入了怎样的评价数据则会输出怎样的用户评价值。
接着,评价学习装置109的CPU将在步骤1403中学习的结果向评价学习器DB110保存(步骤1404),然后,结束该例程中的处理。
接着,使用图15对图13的步骤1305的计划制定处理详细说明。图15是用来说明实施例1的计划制定装置的计划制定处理的流程图。在图15中,用户用终端106的CPU将保存在订购信息DB101中的信息中的计划对象的订购信息显示在画面1200上,使用户确认订购信息(步骤1501)。
接着,计划制定装置104的CPU从订购信息DB101输入订购信息,并从限制条件DB102输入关于限制条件的信息,基于所输入的订购信息及限制条件,将由计划评价装置202得到的评价值优化而制定计划,将表示所制定的计划(自动计划)的内容的数据(计划数据)向自动计划DB105保存(步骤1502),然后,结束该例程中的处理。另外,计划评价装置202基于对各计划候选的评价结果,选择各计划候选中的某1个计划候选作为制定对象的计划。此外,关于计划评价装置202中的评价方法,使用图16在后面叙述。
接着,使用图16对图15的步骤1502的计划评价装置202中的评价处理详细说明。图16是用来说明实施例1的计划评价装置的计划评价处理的流程图。在图16中,计划评价装置202的CPU使用评价学习器,基于多个计划(计划候选)、例如计划A和计划B的学习用输入数据,计算对于各计划的评价预测值,并且也计算对于预测值(评价预测值)的预测可靠度(步骤1601)。
作为预测可靠度的计算方法,例如,对于学习数据,将评价学习器中的预测值(由已学习评价学习器得到的用户评价值的预测值)好、用户也评价为○的计划集合设为预测值(评价预测值)好、预测可靠度也高的计划集合A。将评价学习器中的预测值好、用户评价为×的计划集合设为预测值(评价预测值)好、预测可靠度低的计划集合B。此外,对于计划,预测值(评价预测值)好的情况下,计算计划与各个计划集合的距离。例如,在与计划集合A的距离短的情况下,设为对于计划的预测可靠度高,在与计划集合B的距离短的情况下,设为对于计划的预测可靠度低。同样,对于学习数据,在评价学习器中的预测值差的情况下,预测可靠度也差。这里,举出了预测可靠度的定义的一例,但也可以是其他的定义。
接着,计划评价装置202的CPU执行判别计划A和计划B的评价预测值、以及计划A和计划B的预测可靠度中的哪一方的内容符合条件的处理(步骤1602)。该判别条件例如设定3种。例如,作为条件1设定为“A(计划A)的预测可靠度高且B(计划B)的预测可靠度高,作为条件2设定为“A(计划A)的预测可靠度高或B(计划B)的预测可靠度高”,作为条件3设定为“A(计划A)的预测可靠度低且B(计划B)的预测可靠度低”。这里,评价预测值和预测可靠度的判别条件的设定也可以是不同的设定方式。
接着,计划评价装置202的CPU执行按照在步骤1602中的判别中使用的条件选择计划A和计划B中的某个计划的处理(步骤1603),然后,结束该例程中的处理。此时,作为选择计划的处理,例如在步骤1602中选择了条件1的情况下,选择评价预测值高的计划。此外,在步骤1602的处理中选择了条件2的情况下,预测可靠度高的计划的评价预测值也好的情况下选择相应计划。或者,预测可靠度高的计划的评价预测值差的情况下,选择对方计划(另一方的计划)。进而,在步骤1602的处理中选择了条件3的情况下,用目标函数对计划A、B进行评价,选择评价值好的计划。
此时,计划评价装置202用目标函数或由评价学习装置109构建的评价学习器对各计划数据进行评价,基于各评价结果,从各计划候选中选择评价结果好的计划候选作为制定对象的计划。这里,举出了判别条件的处理的一例,但也可以是其他的处理方式。
此外,当对计划A、B的预测可靠度进行评价时,在计划评价装置202中可以采用以下的方法。对数式1的目标函数y应用计划数据,将多个计划候选中的目标函数y的值高的计划候选设为计划集合A,将目标函数y的值低的计划候选设为计划集合B,对于各计划候选,将作为计划集合A的基准位置(中心)与该计划候选之间的距离的第1距离、和作为计划集合B的基准位置与该计划候选之间的距离的第2距离进行比较。
基于第1距离和第2距离的比较结果,根据各计划候选属于计划集合A及计划集合B中的哪一方,决定作为预测值(由已学习评价学习器得到的用户评价值的预测值)的可靠度的预测可靠度,基于预测可靠度高的预测值来选择计划候选。
在第1距离<第2距离或第1距离=第2距离、并且计划候选属于计划集合A的情况下,将预测可靠度设为高预测可靠度。即是因为,第1距离比第2距离小是指计划候选应该属于计划集合A,并且计划候选属于了计划集合A。
在第1距离<第2距离或第1距离=第2距离、但是计划候选属于计划集合B的情况下,将预测可靠度设为低预测可靠度。即是因为,第1距离比第2距离小是指计划候选应该属于计划集合A,但属于了计划集合B。
在第1距离>第2距离、并且计划候选属于计划集合B的情况下,将预测可靠度设为高预测可靠度。即是因为,第2距离比第1距离小是指计划候选应该属于计划集合B,并且计划候选属于了计划集合B。
在第1距离>第2距离、但是计划候选属于计划集合A的情况下,将预测可靠度设为低预测可靠度。即是因为,第2距离比第1距离小是指计划候选应该属于计划集合B,但属于了计划集合A。
根据本实施例,用户仅向用户用终端106输入用户数据就可以,所以能够不需要伴随于计划制定的修正,结果,能够减轻用户的作业负担。此外,根据本实施例,由于使用目标函数或评价学习器对各计划候选进行评价,所以能够防止因评价学习器的误评价而造成精度变差,结果,能够从各计划候选中正确地选择评价结果好的计划候选作为制定对象的计划。
[实施例2]
本实施例中,评价学习装置的功能与实施例1不同,但其他结构与实施例1是同样的。图17是表示实施例2的评价学习装置的结构的结构图。在图17中,评价学习装置109包括学习输入输出部1701、参数学习部1702、学习结果保存部1703而构成。
学习输入输出部1701是从计划评价结果DB108读入由用户用终端106指定的关于学习输入输出的信息的处理部(处理程序)。参数学习部1702例如是使用最小二乘法等的技术学习参数的关系的处理部(处理程序)。最小二乘法的计算也可以利用通常的市面销售的软件。学习结果保存部1703是将参数学习部1702所学习的参数、例如关于评价参数的信息向评价学习器DB110保存的处理部(处理程序)。
图18是表示实施例2的计划评价结果DB的数据构造的结构图。在图18中,计划评价结果DB108是由评价输入装置107管理的数据库,包括计划ID1801、评价项目1的用户评价值1802、评价项目2的用户评价值1803、用户综合评价值1804而构成。此时,计划评价结果DB108构成为,将从用户用终端106接收到的用户对在目标函数的设定中使用的评价项目进行评价而得到的数据即评价数据(评价项目1的用户评价值1802、评价项目2的用户评价值1803),与从用户用终端106接收到的关于用户评价结果(评价分数)的用户数据(用户综合评价值)建立对应,作为计划评价结果数据保存的数据库。
计划ID1801是唯一地识别学习对象计划的识别号。在计划ID1801中,例如保存“1”的信息。评价项目1的用户评价值1802及评价项目2的用户评价值1803表示在目标函数的设定中使用的评价项目中的用户的评价值。在评价项目1的用户评价值1802中,例如在将目标函数y的评价项目设为“交货期”、用户对计划(计划数据)进行了评价时的评价值是“15”的情况下,保存“15”的信息。在评价项目2的评价值1005中,例如在将目标函数y的评价项目设为“生产时间”、用户对计划(计划数据)进行了评价时的评价值是“15”的情况下,保存“15”的信息。
用户综合评价值1804是由用户对用户用终端106输入的值,并且是从用户用终端106发送给评价输入装置107的值,表示用户数据,该用户数据表示用户对于对象计划的综合评价值(用户评价结果)。在用户综合评价值1804中,例如假设用户对于对象计划的综合评价值高而保存“80”的信息。另外,在用户的综合评价值比“高”低的情况下,将比“80”小的数值的信息保存到用户综合评价值1804中。
这里,在评价项目1的用户评价值1802中,在由计划数据确定的交货期是到出货为止的天数的情况下,作为评价值而保存小的值作为好的值。此外,在评价项目2的用户评价值1803中,在由计划数据确定的时间是产品的生产时间的情况下,作为评价值而保存小的值作为好的值。因此,计划ID1801为“1”的计划由于记录在评价项目1的用户评价值1802中的数值比计划ID1801为“2”的计划大,但比计划ID1801为“3”的计划小,记录在评价项目1的用户评价值1803中的数值比其他计划低,所以作为用户综合评价值1804,选择了在3个计划中最高的数值“80”。另外,也可以将各计划的用户综合评价值1804与计划数据的多个属性建立关联而保存。此外,作为在用户综合评价值1804中使用的信息,也可以是“○”、“△”、“×”等的等级评价的信息。
接着,使用图19对实施例2的评价学习装置的学习处理详细说明。图19是用来说明实施例2的评价学习装置的学习处理的流程图。另外,实施例2的评价学习装置的学习处理是图13的步骤1303的详细的内容。
在图19中,首先,评价学习装置109的CPU从图18的计划评价结果DB108,作为学习对象的评价结果数据而读入在评价项目1的用户评价值1802和评价项目2的用户评价值1803中记录的数据(评价数据)及在用户综合评价值1804中记录的数据(用户数据)(步骤1901)。
接着,评价学习装置109的CPU将作为自动评价值的评价数据(在评价项目1的用户评价值1802和评价项目2的用户评价值1803中记录的数据)和作为用户综合评价值1804的用户数据作为学习数据的输入,将目标函数的参数作为学习数据的输出,学习其关系(步骤1902)。此时,评价学习装置109的CPU根据学习数据的输入与输出的关系,能够学习如果输入了怎样的评价数据则会输出怎样的目标函数的参数。
接着,评价学习装置109的CPU将在步骤1902中学习的结果向评价学习器DB110保存(步骤1903),然后,结束该例程中的处理。
另外,然后计划制定装置104执行图15的步骤1502的处理,计划评价装置202将在步骤1903中保存在评价学习器DB110中的学习结果作为评价学习器的学习数据,能够执行图16的步骤1601~步骤1603的处理。
根据本实施例,能够起到与实施例1同样的效果,并且能够使用以评价数据(评价项目的用户评价值)及用户数据(用户综合评价值)为学习数据的输入、以目标函数的参数为学习数据的输出而学习了其关系的评价学习器对各计划候选进行评价。
在各实施例中,对自动地制定计划的例子进行了说明。另外,本发明并不限定于上述的实施例,而包括各种各样的变形例。例如,也可以由订购信息DB101、限制条件DB102及自动制定系统103构成计划制定系统。此外,也可以将订购信息DB101及限制条件DB102配置到自动制定系统103内而构成计划制定系统。上述的实施例是为了容易理解地说明本发明而详细地说明的,并不限定于必定具备所说明的全部结构的形态。此外,可以将某个实施例的结构的一部分替换为其他实施例的结构,此外,还能够对某个实施例的结构添加其他实施例的结构。此外,对于各实施例的结构的一部分,能够进行其他结构的追加、去除、替换。
此外,上述的各结构、功能等也可以通过将它们的一部分或全部例如用集成电路设计等而用硬件实现。此外,上述的各结构、功能等也可以通过由处理器将实现各个功能的程序解释并执行,而由软件来实现。可以将实现各功能的程序、表格、文件等的信息放置到存储器或硬盘、SSD(Solid State Drive)等的记录装置、或IC卡、SD卡、DVD等的记录介质中。
Claims (12)
1.一种计划制定系统,其特征在于,具备:
计划制定装置,基于与确定计划的规格的多个要素有关的规格信息和规定了针对上述多个要素各自的限制条件的限制条件信息,制定作为上述计划的候选的多个计划候选,生成所制定的上述多个计划候选各自的内容作为计划数据;
计划评价装置,对各个上述计划数据进行评价,生成表示对各个上述计划数据的评价结果的多个评价数据;
评价输入装置,将由上述计划制定装置生成的各个上述计划数据发送给用户用终端,从上述用户用终端分别接收表示用户对各个上述计划数据的评价结果的用户数据;以及
评价学习装置,至少将通过上述评价输入装置的接收而得到的各个上述用户数据作为学习数据进行学习,根据学习结果,构建对于各个上述计划候选的评价学习器。
2.如权利要求1所述的计划制定系统,其特征在于,
上述计划评价装置利用目标函数或由上述评价学习装置构建的上述评价学习器对各个上述计划数据进行评价,基于该评价结果,从各个上述计划候选中选择作为制定对象的计划的计划候选。
3.如权利要求1所述的计划制定系统,其特征在于,
上述计划评价装置生成与表示上述计划数据的属性的1个以上的属性和表示用于对上述计划数据进行评价的评价项目的评价值的1个以上的评价值有关的数据,作为上述多个评价数据的各个评价数据;
上述评价学习装置构建如下学习器作为上述评价学习器,上述学习器将由上述计划评价装置生成的上述计划数据的上述1个以上的属性和上述评价项目的上述1个以上的评价值作为上述学习数据的输入,将属于通过上述评价输入装置的接收而得到的上述用户数据的用户评价值作为上述学习数据的输出,学习其关系。
4.如权利要求1所述的计划制定系统,其特征在于,
上述评价输入装置从上述用户用终端接收与1个以上的用户评价值有关的数据,该1个以上的用户评价值表示用户针对用于评价上述计划数据的评价项目的评价值;
上述评价学习装置构建如下学习器作为上述评价学习器,上述学习器将由上述评价输入装置接收到的上述1个以上的用户评价值和属于通过上述评价输入装置的接收而得到的上述用户数据的用户综合评价值作为上述学习数据的输入,将目标函数的参数作为上述学习数据的输出,学习其关系。
5.如权利要求1所述的计划制定系统,其特征在于,
上述计划评价装置具备:
评价预测部,使用通过上述评价学习装置的构建而得到的上述评价学习器,预测各个上述计划候选的评价值,生成评价预测值;
预测可靠度计算部,针对各个上述计划候选,计算对于通过上述评价预测部的生成而得到的上述评价预测值的预测可靠度;以及
计划评价部,基于通过上述评价预测部的生成而得到的上述评价预测值和通过上述预测可靠度计算部的计算而得到的上述预测可靠度,对各个上述计划候选进行评价;
上述计划评价部基于对各个上述计划候选的评价结果,选择各个上述计划候选中的某1个计划候选,作为制定对象的计划。
6.如权利要求5所述的计划制定系统,其特征在于,
上述计划评价部进行以下处理:
在各个上述计划候选的预测可靠度分别高的情况下,选择各个上述计划候选中的各个上述计划候选的评价预测值高的计划候选,作为上述制定对象的计划,
在各个上述计划候选中的一方的计划候选的预测可靠度高、并且上述一方的计划候选的评价预测值好的情况下,选择上述一方的计划候选,作为上述制定对象的计划,
在各个上述计划候选中的上述一方的计划候选的预测可靠度高、并且上述一方的计划候选的评价预测值差的情况下,以另一方的计划候选的预测可靠度高为条件,选择上述另一方的计划候选,作为上述制定对象的计划,
在各个上述计划候选的预测可靠度分别低的情况下,利用目标函数对各个上述计划候选进行评价,选择该评价的评价值好的计划候选,作为上述制定对象的计划。
7.一种计划制定方法,其特征在于,具备:
计划制定步骤,基于与确定计划的规格的多个要素有关的规格信息和规定了针对上述多个要素各自的限制条件的限制条件信息,制定作为上述计划的候选的多个计划候选,生成所制定的上述多个计划候选各自的内容作为计划数据;
计划评价步骤,对在上述计划制定步骤中生成的各个上述计划数据进行评价,生成表示对各个上述计划数据的评价结果的多个评价数据;
评价输入步骤,将通过上述计划制定步骤生成的各个上述计划数据发送给用户用终端,从上述用户用终端分别接收表示用户对各个上述计划数据的评价结果的用户数据;以及
评价学习步骤,至少将通过上述评价输入步骤中的接收而得到的各个上述用户数据作为学习数据进行学习,根据学习结果,构建对于各个上述计划候选的评价学习器。
8.如权利要求7所述的计划制定方法,其特征在于,
在上述计划评价步骤中,利用目标函数或在上述评价学习步骤中构建的上述评价学习器对各个上述计划数据进行评价,基于该评价结果,从各个上述计划候选中选择作为制定对象的计划的计划候选。
9.如权利要求7所述的计划制定方法,其特征在于,
在上述计划评价步骤中,生成与表示上述计划数据的属性的1个以上的属性和表示用于对上述计划数据进行评价的评价项目的评价值的1个以上的评价值有关的数据,作为上述多个评价数据的各个评价数据;
在上述评价学习步骤中,构建如下学习器作为上述评价学习器,上述学习器将在上述计划评价步骤中生成的上述计划数据的上述1个以上的属性和上述评价项目的上述1个以上的评价值作为上述学习数据的输入,将属于通过上述评价输入步骤中的接收而得到的上述用户数据的用户评价值作为上述学习数据的输出,学习其关系。
10.如权利要求7所述的计划制定方法,其特征在于,
在上述评价输入步骤中,从上述用户用终端接收与1个以上的用户评价值有关的数据,该1个以上的用户评价值表示用户针对用于评价上述计划数据的评价项目的评价值;
在上述评价学习步骤中,构建如下学习器作为上述评价学习器,上述学习器将通过上述评价输入步骤接收到的上述1个以上的用户评价值和属于通过上述评价输入步骤中的接收而得到的上述用户数据的用户综合评价值作为上述学习数据的输入,将目标函数的参数作为上述学习数据的输出,学习其关系。
11.如权利要求7所述的计划制定方法,其特征在于,
上述计划评价步骤具备:
评价预测步骤,使用通过上述评价学习步骤中的构建而得到的上述评价学习器,预测各个上述计划候选的评价值,生成评价预测值;
预测可靠度计算步骤,针对各个上述计划候选,计算对于通过上述评价预测步骤中的生成而得到的上述评价预测值的预测可靠度;以及
评价步骤,基于通过上述评价预测步骤中的生成而得到的上述评价预测值和通过上述预测可靠度计算步骤中的计算而得到的上述预测可靠度,对各个上述计划候选进行评价;
在上述评价步骤中,基于对各个上述计划候选的评价结果,选择各个上述计划候选中的某1个计划候选,作为制定对象的计划。
12.如权利要求11所述的计划制定方法,其特征在于,
在上述评价步骤中,
在各个上述计划候选的预测可靠度分别高的情况下,选择各个上述计划候选中的各个上述计划候选的评价预测值高的计划候选,作为上述制定对象的计划,
在各个上述计划候选中的一方的计划候选的预测可靠度高、并且上述一方的计划候选的评价预测值好的情况下,选择上述一方的计划候选,作为上述制定对象的计划,
在各个上述计划候选中的上述一方的计划候选的预测可靠度高、并且上述一方的计划候选的评价预测值差的情况下,以另一方的计划候选的预测可靠度高为条件,选择上述另一方的计划候选,作为上述制定对象的计划,
在各个上述计划候选的预测可靠度分别低的情况下,利用目标函数对各个上述计划候选进行评价,选择该评价的评价值好的计划候选,作为上述制定对象的计划。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019-106593 | 2019-06-06 | ||
JP2019106593A JP7228470B2 (ja) | 2019-06-06 | 2019-06-06 | 計画立案システム及びその方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112053022A true CN112053022A (zh) | 2020-12-08 |
Family
ID=73609187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010354232.2A Pending CN112053022A (zh) | 2019-06-06 | 2020-04-29 | 计划制定系统及其方法 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7228470B2 (zh) |
CN (1) | CN112053022A (zh) |
TW (1) | TW202046213A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023144963A1 (ja) * | 2022-01-27 | 2023-08-03 | ロジスティード株式会社 | 倉庫作業管理システム、倉庫作業管理方法及びプログラム |
WO2023144962A1 (ja) * | 2022-01-27 | 2023-08-03 | ロジスティード株式会社 | 倉庫作業管理システム、倉庫作業管理方法及びプログラム |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070073431A1 (en) * | 2003-10-16 | 2007-03-29 | Cdc Software Global Holdings Corp. | Method and Apparatus for Planning a Manufacturing Schedule Using an Adaptive Learning Process |
CN101542553A (zh) * | 2006-11-20 | 2009-09-23 | 丰田自动车株式会社 | 行驶控制计划生成系统以及计算机程序 |
CN102567900A (zh) * | 2011-12-28 | 2012-07-11 | 尚明生 | 一种向客户推荐商品的方法 |
JP2012194712A (ja) * | 2011-03-16 | 2012-10-11 | Panasonic Corp | 生産計画作成方法 |
CN102769288A (zh) * | 2012-07-17 | 2012-11-07 | 湖南大学 | 海岛新能源供电系统调度时间尺度自适应调整方法 |
CN108021107A (zh) * | 2016-11-01 | 2018-05-11 | 株式会社日立制作所 | 生产辅助系统、生产辅助方法以及生产辅助程序 |
JP2019074922A (ja) * | 2017-10-16 | 2019-05-16 | 株式会社日立製作所 | 更新装置、更新方法、および更新プログラム |
-
2019
- 2019-06-06 JP JP2019106593A patent/JP7228470B2/ja active Active
-
2020
- 2020-04-29 CN CN202010354232.2A patent/CN112053022A/zh active Pending
- 2020-06-04 TW TW109118740A patent/TW202046213A/zh unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070073431A1 (en) * | 2003-10-16 | 2007-03-29 | Cdc Software Global Holdings Corp. | Method and Apparatus for Planning a Manufacturing Schedule Using an Adaptive Learning Process |
CN101542553A (zh) * | 2006-11-20 | 2009-09-23 | 丰田自动车株式会社 | 行驶控制计划生成系统以及计算机程序 |
JP2012194712A (ja) * | 2011-03-16 | 2012-10-11 | Panasonic Corp | 生産計画作成方法 |
CN102567900A (zh) * | 2011-12-28 | 2012-07-11 | 尚明生 | 一种向客户推荐商品的方法 |
CN102769288A (zh) * | 2012-07-17 | 2012-11-07 | 湖南大学 | 海岛新能源供电系统调度时间尺度自适应调整方法 |
CN108021107A (zh) * | 2016-11-01 | 2018-05-11 | 株式会社日立制作所 | 生产辅助系统、生产辅助方法以及生产辅助程序 |
JP2019074922A (ja) * | 2017-10-16 | 2019-05-16 | 株式会社日立製作所 | 更新装置、更新方法、および更新プログラム |
Non-Patent Citations (1)
Title |
---|
张明月: "考虑产品特征的个性化推荐及应用", 北京:企业管理出版社, pages: 48 - 52 * |
Also Published As
Publication number | Publication date |
---|---|
JP2020201611A (ja) | 2020-12-17 |
JP7228470B2 (ja) | 2023-02-24 |
TW202046213A (zh) | 2020-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101777147B (zh) | 预测建模 | |
US11030557B2 (en) | Predicting arrival time of components based on historical receipt data | |
KR20210116435A (ko) | 재고 관리 및 최적화를 위한 시스템 및 방법 | |
US20210158259A1 (en) | Orchestrated intelligent supply chain optimizer | |
CN108021107B (zh) | 生产辅助系统、生产辅助方法以及生产辅助程序 | |
JP5096194B2 (ja) | データ処理装置、プログラムおよびデータ処理方法 | |
US20150066569A1 (en) | Balancing supply and demand using demand-shaping actions | |
US20180158015A1 (en) | Inventory management system and inventory management method | |
US10699225B2 (en) | Production management support apparatus, production management support method, and production management support program | |
CN112053022A (zh) | 计划制定系统及其方法 | |
US20230306347A1 (en) | Systems and methods for supply chain optimization with channel saliency | |
CN114154816A (zh) | 企业管理系统及其执行方法 | |
JP4230975B2 (ja) | データ予測装置及びデータ予測方法並びにプログラム | |
CN116050987A (zh) | 用于物料补货的预测方法、装置、存储介质及处理器 | |
JP2018077822A (ja) | 生産支援システム、及び生産支援方法 | |
JP7047911B2 (ja) | 情報処理システム、情報処理方法及び記憶媒体 | |
US20160292625A1 (en) | Product data analysis | |
US20230019364A1 (en) | Selection method of learning data and computer system | |
CN109741097A (zh) | 一种基于产品服务周期的自适应价格计算方法 | |
US20140236667A1 (en) | Estimating, learning, and enhancing project risk | |
CN115943399A (zh) | 生成方法、生成装置、程序、信息处理方法及信息处理装置 | |
US20190266548A1 (en) | Project Progress Prediction Device and Project Progress Prediction System | |
CN118469460B (zh) | 一种物料调配优化系统 | |
CN116662764B (zh) | 误识别纠正的数据识别方法、模型训练方法、装置和设备 | |
JP7373384B2 (ja) | 計算機システム及びスケジューリングシステムの検証方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201208 |