CN112446530A - 信息处理方法以及信息处理装置 - Google Patents

信息处理方法以及信息处理装置 Download PDF

Info

Publication number
CN112446530A
CN112446530A CN202010909428.3A CN202010909428A CN112446530A CN 112446530 A CN112446530 A CN 112446530A CN 202010909428 A CN202010909428 A CN 202010909428A CN 112446530 A CN112446530 A CN 112446530A
Authority
CN
China
Prior art keywords
service
data
demand
prediction
information processing
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
CN202010909428.3A
Other languages
English (en)
Inventor
兼市大辉
志贺孝广
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.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
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
Application filed by Toyota Motor Corp filed Critical Toyota Motor Corp
Publication of CN112446530A publication Critical patent/CN112446530A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—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
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • 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
    • G06Q30/0206—Price or cost determination based on market factors
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

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

Abstract

本发明提供一种信息处理方法以及信息处理装置。高精度地进行无提供实绩的服务的需求预测。一种评估在使用基于机械学习的预测模型来预测服务的需求的系统中利用的训练数据的信息处理方法。包括：预测步骤，使用将第一服务中的第一实绩数据作为训练数据进行了学习的预测模型，生成与所述第一服务不同的第二服务中的需求预测数据；以及计算步骤，根据比较所述需求预测数据和所述第二服务中的第二实绩数据而得到的结果，计算将所述第二服务作为对象的需求预测中的所述第一实绩数据的贡献度。

Description

信息处理方法以及信息处理装置
技术领域
本发明涉及进行需求的预测的技术。
背景技术
使用移动体来提供服务的研究正在进行。例如，通过向用户处派遣作为移动店铺发挥功能的自主移动体(移动店铺车辆)，能够提高购物的便利性。另外，通过使可自主行驶的合乘汽车行驶，能够提高交通的便利性。
在通过这样的移动体进行营业的情况下，优选预测要发生的需求，决定移动体的配置场所、营业体制。例如，如专利文献1公开那样，能够使用机械学习算法，进行需求的预测。
现有技术文献
专利文献
专利文献1：日本特开2019-109648号公报
发明内容
用于进行机械学习的模型能够使用过去利用服务时的数据(购买数据等)来学习。但是，在开始新的业务种类的事业的情况等无该业务种类中的服务的提供实绩的情况下，存在得不到充分的预测精度这样的问题。虽然还有挪用其他业务种类的数据这样的方法，但无法定量地表示得到何种程度的再现性。
本发明是考虑上述课题而完成的，其目的在于高精度地进行没有提供实绩的服务的需求预测。
本发明所涉及的信息处理方法是评估在使用基于机械学习的预测模型来预测服务的需求的系统中利用的训练数据，所述信息处理方法包括：预测步骤，使用将第一服务中的第一实绩数据作为训练数据进行学习而得到的预测模型，生成与所述第一服务不同的第二服务中的需求预测数据；以及计算步骤，根据比较所述需求预测数据和所述第二服务中的第二实绩数据而得到的结果，计算将所述第二服务作为对象的需求预测中的所述第一实绩数据的贡献度。
本发明所涉及的信息处理装置是评估在使用基于机械学习的预测模型来预测服务的需求的系统中利用的训练数据，所述信息处理装置具有控制部，该控制部执行：使用将第一服务中的第一实绩数据作为训练数据进行学习而得到的预测模型，生成与所述第一服务不同的第二服务中的需求预测数据；以及根据比较所述需求预测数据和所述第二服务中的第二实绩数据而得到的结果，计算将所述第二服务作为对象的需求预测中的所述第一实绩数据的贡献度。
另外，本发明的其他方案是用于使计算机执行上述信息处理装置执行的信息处理方法的程序、或者、非临时地存储该程序的计算机可读存储介质。
根据本发明，能够高精度地进行没有提供实绩的服务的需求预测。
附图说明
图1是示出基于机械学习的需求预测的概要的图。
图2是第一实施方式所涉及的信息处理装置的结构概略图。
图3是说明存储于模型存储部以及数据存储部的数据的图。
图4是说明存储于数据存储部的数据的图。
图5是针对服务的每个组合生成的评估值的例子。
图6A是说明预测模型的构筑处理的概要的图。
图6B是预测模型的构筑处理的流程图。
图7A是说明对需求进行预测的处理的概要的图。
图7B是对需求进行预测的处理的流程图。
图8A是说明计算评估值的处理的概要的图。
图8B是计算评估值的处理的流程图。
图9是在第二实施方式中评估部进行的处理的流程图。
(符号说明)
100：信息处理装置；101：存储部；101A：模型存储部；101B：数据存储部；102：控制部；1021：学习部；1022：推测部；1023：评估部；103：输入输出部。
具体实施方式
考虑通过可自主行驶的移动体来提供服务的方式。例如，能够将在车辆内具有用于店铺营业的设施、设备的移动店铺车辆派遣至预定的区段，将设施、设备展开来进行营业。另外，通过可自主行驶的移动体，还能够提供旅客、货物的运送服务。
具有店铺功能的自主移动体进行营业的区段、地点、具有客货运送功能的自主移动体的车辆调度目的地能够根据需求决定。例如，通过使用与对象区段的特征、天气、时间段等有关的数据、和与实际上发生的需求有关的数据(例如表示销售额的数据。以下实绩数据)进行机械学习，能够预测在某个条件下发生何种程度的需求。
但是，在以新的服务为事业开始的情况等完全无该服务的提供实绩的情况下，存在无法以充分的精度使用机械学习进行需求的预测的情况。
虽然也可以通过在既存的服务中发生的实绩数据构筑机械学习模型，但在服务的内容、业务种类、营业情况不同的情况下，未必得到预期的结果。其原因为，服务、商品被要求的时间段、场所根据该服务、商品的内容可能发生很大变化。
为了应对这一点，在本实施方式中，首先，使用将第一服务中的第一实绩数据作为训练数据进行学习的预测模型，生成与所述第一服务不同的第二服务中的需求预测数据。
然后，根据比较所述需求预测数据和所述第二服务中的第二实绩数据而得到的结果，计算将所述第二服务作为对象的需求预测中的、所述第一实绩数据的贡献度。
这样，在本实施方式所涉及的方法中，使用提供某个服务时的实绩数据来构筑预测模型，使用该预测模型进行不同的服务中的需求预测。其结果，通过比较得到的数据和实际上得到的实绩，能够判定第一实绩数据对第二服务中的需求预测贡献何种程度(换言之，在通过使用在第一服务中发生的实绩数据构筑的模型进行第二服务中的需求预测的情况下，能得到何种程度的精度)。
另外，也可以在所述需求预测数据表示的需求的量表示更接近所述第二实绩数据表示的需求的量的值的情况下，进一步提高所述贡献度。
预测出的需求和第二实绩数据表示的需求(实际上发生的需求)越类似，能够判定出预测的精度越高、即第一实绩数据的贡献度越高。
此外，服务是指，提供移动的服务、提供资源的服务、提供空间的服务、销售商品的服务等只要是对消费者提供价值的服务，则可以是任意服务。在该情况下，如果提供的服务的内容、销售的商品有不同，则可以当作不同的服务处置。另外，在同一移动体能够提供不同的商品的情况下，可以分别当作不同的服务(提供商品A的服务、提供商品B的服务等)处置。
另外，也可以使用所述第一服务分别不同的多个预测模型，生成多个所述第二服务中的需求预测数据，针对所述第一服务和所述第二服务的组合的每一个组合，计算所述贡献度。
通过制作第一服务和第二服务的多个组合，容易发现贡献度高的组合。
另外，也可以根据所述贡献度，决定将所述第一实绩数据从取得所述第一实绩数据的经营者向进行将所述第二服务作为对象的需求预测的经营者销售时的价格。
第一实绩数据针对第二服务的贡献度高意味着，对于将第二服务作为对象进行需求预测的经营者来说，第一实绩数据的价值高。因此，也可以根据贡献度，决定数据的交易价格。
另外，根据所述贡献度，评估将所述第一实绩数据从取得所述第一实绩数据的第一经营者向进行将所述第二服务作为对象的需求预测的第二经营者销售时的价格，在判定为所述价格低于考虑所述贡献度的评估额的情况下，生成表示针对所述第一经营者的奖励的数据。
这样，也可以在考虑贡献度的评估额低于实际的交易价格的情况下，给予用于补偿价格差的奖励。根据上述结构，能够激活数据交易。
(第一实施方式)
参照图1，说明第一实施方式所涉及的信息处理装置的概要。本实施方式所涉及的信息处理装置是将表示提供了商品或者服务的实绩的数据(实绩数据)作为训练数据，构筑机械学习模型(以下预测模型)，使用该预测模型，预测针对特定的服务估计有何种程度的需求的装置。实绩数据是指，表示商品、服务的提供实绩的数据，例如，包括商品、服务的内容、个数等。
预测模型将提供商品或者服务的区段特有的数据、和天气、时间段等一般的数据用作用于进行需求的预测的数据。将前者称为区段数据，将后者称为一般数据。区段数据例如是将对象区段分割为网格，表示每个网格的特征(例如在网格内存在的设施、建筑物的数量、类别、可停留人数等)的数据。一般数据例如是对象区段的天气、气温、对象时间段、在对象区段中存在的人的数量等。这些数据被变换为特征量，并作为说明变量来使用。
在构筑这样的预测模型的情况下，需要实绩数据。但是，在希望进行需求预测的情形下，未必存在实绩数据。例如，虽然存在某个服务(第一服务)中的实绩数据，但不存在新开始提供的服务(第二服务)中的实绩数据(或者没有能够以充分的精度进行预测的程度的数据量)的情形与其相应。
关于这一点，还认为能够使用利用第一服务中的实绩数据进行学习而得到的预测模型，进行第二服务中的需求预测。但是，在大部分的情况下，根据服务，购买层、要求服务的场所、要求服务的时间段等有很大不同，所以即使将该模型直接地应用于第二服务，仍难以得到预期的结果。
说明用于解决该问题的、本实施方式所涉及的信息处理装置100。
在信息处理装置100中，作为第一功能，使用机械学习算法构筑用于进行需求的预测的模型，使用该模型来进行需求预测。例如，使用在服务A中得到的实绩数据来构筑机械学习模型，进行服务A中的需求的预测。
另外，在信息处理装置100中，作为第二功能，根据预测出的需求，判定服务之间的实绩数据能够挪用何种程度。例如，通过使用与服务A对应的机械学习模型，进行针对服务B的需求的预测，比较预测结果和实际的结果，在服务B的需求预测中挪用服务A中的实绩数据的情况下，判定得到何种程度的精度。
图2是概略地示出信息处理装置100的结构的一个例子的框图。
信息处理装置100构成为包括存储部101、控制部102、输入输出部103。信息处理装置100由具有处理器以及存储器的通常的计算机构成。
存储部101是存储为了进行需求的预测而所需的数据的单元。具体而言，构成为包括存储机械学习模型的模型存储部101A、和存储用于进行机械学习的数据的数据存储部101B。此外，在存储部101中，还能够存储由后述控制部102执行的程序、该程序利用的数据等。存储部101由RAM、磁盘、闪存存储器等存储介质构成。
模型存储部101A存储机械学习模型(预测模型)。
预测模型是将成为需求预测的背景的特征量作为输入数据，将变换实绩数据而得到的特征量作为训练数据来构筑的模型。信息处理装置100能够执行进行预测模型的学习的阶段、和利用该预测模型来进行需求预测的阶段。
模型存储部101A能够如图3(A)所示，针对作为对象的每个服务，存储不同的预测模型。在为图示的例子的情况下，预测模型A是通过在服务A中发生的实绩数据进行学习而得到的模型。另外，预测模型B是通过在服务B中发生的实绩数据进行学习而得到的模型，预测模型C是通过在服务C中发生的实绩数据进行学习而得到的模型。
数据存储部101B是存储实绩数据、区段数据、一般数据的数据库。通过由处理器执行的数据库管理系统(DBMS)的程序管理存储于存储装置的数据，构筑这些数据库。在本实施方式中利用的数据库是例如关系数据库。
数据存储部101B也能够如图3(B)所示，针对作为对象的每个服务，存储不同的数据的组。
此外，在本例子中，将服务设为3个种类，但服务的数量不限于此。
作为用于进行机械学习的数据，有如上述那样的实绩数据、区段数据、一般数据。这些数据也可以从装置的外部经由存储介质、网络取得。
实绩数据是表示提供了商品或者服务的实绩的数据。图4(A)是实绩数据的例子。实绩数据例如是通过数值表示商品、服务的内容、个数的数据，在服务是提供移动的例子的情况下，是通过数值表示人数、货物的个数、移动区间、销售额金额等的数据。
区段数据是表示关于对象区段所包含的多个网格的特征的数据。图4(B)是区段数据的例子。区段数据例如是通过数值表示在网格内存在的设施、建筑物的数量、类别(例如学校、商业设施、医院、车站等)、可停留人数(例如在设施是医院的情况下病床数、在是学校的情况下学生数、在是娱乐设施的情况下容纳人数等)等的数据。在本实施方式中，设为对象区段被预先分割为多个网格。
一般数据是通过数值表示日期、星期、时间段、天气、气温等的数据。图4(C)是一般数据的例子。一般数据是与商品、服务的内容无关且通常可获得的数据。
此外，在以后的说明中，将变换实绩数据而得到的特征量称为实绩特征量，将变换区段数据而得到的特征量称为区段特征量，将变换一般数据而得到的特征量称为一般特征量。
控制部102是掌控信息处理装置100具有的功能的运算装置。控制部102能够通过CPU(Central Processing Unit，中央处理单元)等运算处理装置实现。
控制部102构成为具有学习部1021、推测部1022、评估部1023这三个功能模块。各功能模块也可以通过由CPU执行存储于存储部101的程序来实现。
学习部1021使用存储于数据存储部101B的数据组，构筑与某个服务对应的预测模型。例如，将与服务A对应的实绩数据、区段数据、一般数据变换为特征量，构筑与服务A对应的预测模型A。对象的服务能够如上所述切换。例如，能够将服务切换为B或C，构筑预测模型B或C。另外，还能够根据存储的数据，增加要处置的服务的数量。
推测部1022使用构筑的预测模型，进行需求预测。具体而言，选择与进行预测的服务对应的预测模型，对该预测模型输入成为预测的前提的特征量(例如变换区段数据、一般数据而得到的特征量)，根据得到的结果，判定对应的状况下的需求的大小。
评估部1023将构筑的预测模型应用于不同的服务来进行需求预测，评估能够进行何种程度的正确的预测。例如，使用利用与服务A、B、C分别对应的实绩数据构筑的预测模型A、B、C，进行针对相互不同的服务的需求的预测。通过比较由此得到的预测结果、和实际上发生的需求，能够计算在某个服务中发生的实绩数据针对其他服务中的需求预测在何种程度上有用。
例如，在使用利用在服务A中发生的实绩数据构筑的预测模型A来进行针对服务B的需求预测的结果表示接近实际上发生的需求的值的情况下，可知在将服务B作为对象的需求预测中，服务A中的实绩数据的价值高(贡献度高)。评估部1023生成多个这样的组合，分别提供表示贡献度的高低的评估值。图5是针对服务的每个组合生成的评估值的例子。意味着，评估值越高，该组合中的实绩数据的价值越高。例如，在图示的例子中可知，服务A中的实绩数据在将服务B作为对象的需求预测中具有高的价值(评估值：90)，接下来，服务D中的实绩数据在将服务C作为对象的需求预测中具有高的价值(评估值：80)。
说明各功能模块进行的处理的具体的内容。
首先，说明学习部1021进行的模型的构筑方法。图6A是说明预测模型的构筑处理(学习阶段)的概要的图，图6B是该处理的流程图。
在学习阶段中，学习部1021使用实绩特征量、和与该实绩对应的区段特征量以及一般特征量，进行预测模型的学习。在此，设为存在关于某个服务的提供实绩，关联的数据(实绩数据、区段数据、一般数据)存储于数据存储部101B。
首先，学习部1021判定在存储的实绩数据中是否有未在学习中使用的数据(步骤S11)。在此，在所有实绩数据已处理的情况下，处理结束，在其以外的情况下，处理转移到步骤S12。
在步骤S12中，将实绩数据中的作为处理对象的记录项变换为实绩特征量，并且将与该实绩对应的区段数据的记录项变换为区段特征量，将与该实绩对应的一般数据的记录项变换为一般特征量。
然后，在步骤S13中，使用这些特征量来进行预测模型的学习。区段特征量以及一般特征量成为说明变量，实绩特征量成为目的变量。通过将其针对所有实绩数据的记录项反复进行，说明变量相对目的变量的权重被更新。
接下来，说明推测部1022进行的需求预测的方法。图7A是说明预测需求的处理(预测阶段)的概要的图，图7B是该处理的流程图。
在预测阶段中，推测部1022使用与进行需求的预测的条件(预测条件)对应的区段特征量以及一般特征量，进行需求的预测。在此，设为预先准备与预测条件对应的区段特征量和一般特征量。
首先，推测部1022取得与预测条件对应的区段特征量和一般特征量(步骤S21)。向特征量的变换能够使用与学习时相同的方法。
然后，将取得的特征量输入到预测模型，取得所得到的输出，作为与被预测的需求有关的数据(步骤S22)。
接下来，说明评估部1023进行的处理。图8A是说明计算评估值的处理(评估阶段)的概要的图，图8B是该处理的流程图。
在此，设为在数据存储部101B中积蓄有多个服务的实绩数据，并且在模型存储部101A中存储有使用该实绩数据构筑的多个预测模型(在图8A所示的例子中，预测模型A～C)。
首先，评估部1023生成如图5所示的多个服务的组合，判定是否存在未处理的组合(步骤S31)。例如，在服务有n个的情况下，组合的数量有nC2个。在此，在所有组合已处理的情况下，处理结束，在其以外的情况下，处理转移到步骤S32。
在步骤S32中，决定与预测模型关联起来的服务(第一服务)、和实际上进行需求预测的服务(第二服务)的组合。例如，决定将第一服务设为服务A、将第二服务设为服务B的组合。该组合意味着，使用利用服务A的实绩数据构筑的预测模型，进行关于服务B的需求预测。
在步骤S33中，生成预测条件，使用在步骤S32中选择的预测模型来进行需求预测。预测条件例如也可以根据存储于数据存储部101B的区段数据、一般数据来生成。其结果，如图8A所示，生成与预测模型对应的预测结果。
接下来，在步骤S34中，对比生成的预测结果、和实际上产生的需求(第二服务中的实绩数据)，计算表示预测结果是何种程度的正确的评估值。对比既可以通过提供服务的量进行，也可以通过销售额金额等进行。此外，本步骤也可以等待至充分积蓄第二服务中的实绩数据来执行。换言之，也可以在判断为第二服务中的实绩数据的数量低于预定的阈值等未充分积蓄的情况下，关于相应的组合，推迟步骤S34的处理。
评估值例如能够设为将本来应得到的值和预想值的差异标准化成预定的范围内而得到的值。在此，作为评估值，应用0至100的数值，但还能够在评估值的计算中采用其他任意的方法。
在此计算的评估值成为将第二服务作为对象的需求预测中的、表示第一服务的实绩数据的贡献度的值。
通过评估部1023执行以上说明的处理，能够针对服务的每个组合，计算如图5所示的评估值。计算的数据既可以经由输入输出部103提供给装置的用户，也可以传送给利用该数据的其他装置。
根据第一实施方式，在关于作为需求的预测对象的一个服务，应用其他多个服务中的实绩数据来进行需求预测的情况下，能够对得到何种程度的精度进行数值化。即，能够关于实绩数据少的服务，提供用于使用在其他服务中发生的实绩数据进行需求预测的指标。
此外，在步骤S33中生成的预测条件可以是固定的，但也可以适宜地变更。例如，也可以使用多个预测条件(例如按天气、按星期、按时间段等)计算多个评估值，将这些代表值作为最终的评估值。
另外，评估值针对每个预测条件有偏差，当使用单一的评估值不恰当的情况下，例如，也可以输出如“仅限晴天时”这样的带条件的评估值。
(第二实施方式)
在第一实施方式中，评估部1023针对第一服务和第二服务的组合的每一个组合计算评估值，但也可以代替计算评估值，而进行针对实绩数据的标价。例如，考虑从提供服务A的经营者针对提供服务B的经营者(进行将服务B作为对象的需求预测的经营者)，销售实绩数据。该实绩数据的贡献度根据应用目标的服务而变化，所以买卖数据时的价值也发生变动。第二实施方式是以这样的交易为前提，评估部1023针对实绩数据而与评估值对应地进行标价的实施方式。
图9是在第二实施方式中评估部1023进行的处理的流程图。在本实施方式中，在评估值的计算结束之后，在步骤S35中，根据评估值，决定实绩数据的价格(评估额)。
例如，评估部1023预先存储实绩数据的标准价格，根据评估值校正标准价格。评估值和校正后的价格的关系既可以通过公式等保持，也可以通过表格保持。例如，也可以在评估值是100的情况下，将对标准价格乘以1.00而得到的值作为价格，在评估值是50的情况下，将对标准价格乘以0.50而得到的值作为价格。对于该校正方法，能够采用任意的方法。
校正后的价格(评估额)被存储到存储装置，供交易用。第二实施方式所涉及的信息处理装置100例如也可以针对每个服务保持与能够提供实绩数据的经营者有关的信息，将计算的评估额经由电气通信线路发送给对应的经营者。
根据第二实施方式，能够对买卖实绩数据时的价值进行数值化，所以能够促使激活实绩数据的交易。
此外，标准价格能够根据实绩数据的特性来设定。例如，也可以分成根据实绩数据的量、粒度等决定标准价格的步骤、和利用评估值进行校正的步骤。另外，标准价格也可以根据实绩数据的市场实价设定。
另外，也可以将与能够提供实绩数据的经营者(以下销售经营者)、和希望接受实绩数据的提供的经营者(以下买进经营者)有关的信息，与提供条件关联起来存储，并进行匹配。例如，在计算出的评估额是销售经营者希望的金额以上、且是买进经营者希望的金额以下的情况下，可以匹配两者，对各经营者通知交易可能成立的意思。
进而，也可以通过针对未登记为销售经营者的经营者通知计算出的价格，促使参加买卖。另外，也可以通知能够超出业务种类来进行数据的销售。
(第二实施方式的变形例)
在第二实施方式中，根据评估值来校正实绩数据的价格，但也可以不校正价格自身，针对实绩数据的供给者，提供与评估值对应的奖励。
在本变形例中，在步骤S35中，评估部1023首先计算考虑了评估值的实绩数据的价格(评估额)，计算与在系统中设定的实绩数据的标准价格(或者市场实价)的差额。然后，在评估额更高的情况下，生成用于提供与该差额对应的奖励的数据(奖励数据)。奖励数据是包括奖励的内容、金额、给予对象者(即销售经营者)等的数据。该数据能够发送到管理实绩数据的交易的外部装置。
根据上述结构，通过系统的管理者(例如管理实绩数据的交易的人员)给予奖励，能够激活交易。
(变形例)
上述实施方式只不过是一个例子，本发明能够在不脱离其要旨的范围内适宜地变更而实施。
例如，在本公开中说明的处理、单元只要不产生技术上的矛盾，就能够自由地组合实施。
例如，作为评估值的计算基准，也可以使用例示以外的内容。例如，也可以使用在对象的期间购入商品、服务的个数、次数、销售金额、购入者的人数、购入的商品、服务的标识符、或者、将它们复合而得到的值来计算评估值。评估值只要是表示预测的需求和实际上发生的需求的接近程度的例子，则可以用任意的方法计算。
另外，说明为由1个装置进行的处理也可以由多个装置分担执行。或者，说明为由不同的装置进行的处理也可以由1个装置执行。在计算机系统中，能够灵活地变更通过怎样的硬件结构(服务器结构)实现各功能。
本发明还通过将安装有在上述实施方式中说明的功能的计算机程序供给给计算机、并且由该计算机具有的1个以上的处理器读出并执行程序来实现。这样的计算机程序既可以通过能够连接到计算机的系统总线的非临时性的计算机可读存储介质提供给计算机，也可以经由网络提供给计算机。非临时性的计算机可读存储介质例如包括磁盘(软盘(注册商标)、硬盘驱动器(HDD)等)、光盘(CD-ROM、DVD盘·蓝光盘等)等任意类型的盘、只读存储器(ROM)、随机存取存储器(RAM)、EPROM、EEPROM、磁卡、闪存存储器、光学式卡、适合于储存电子命令的任意类型的介质。

Claims (6)

1.一种信息处理方法，评估在使用基于机械学习的预测模型来预测服务的需求的系统中利用的训练数据，所述信息处理方法包括：
预测步骤，使用将第一服务中的第一实绩数据作为训练数据进行学习而得到的预测模型，生成与所述第一服务不同的第二服务中的需求预测数据；以及
计算步骤，根据比较所述需求预测数据和所述第二服务中的第二实绩数据而得到的结果，计算将所述第二服务作为对象的需求预测中的所述第一实绩数据的贡献度。
2.根据权利要求1所述的信息处理方法，其中，
在所述计算步骤中，在所述需求预测数据表示的需求的量表示更接近所述第二实绩数据表示的需求的量的值的情况下，进一步提高所述贡献度。
3.根据权利要求1所述的信息处理方法，其中，
在所述预测步骤中，使用所述第一服务分别不同的多个预测模型，生成多个所述第二服务中的需求预测数据，
在所述计算步骤中，针对所述第一服务和所述第二服务的组合的每一个组合，计算所述贡献度。
4.根据权利要求1所述的信息处理方法，还包括：
决定步骤，在该决定步骤中，根据所述贡献度，决定将所述第一实绩数据从取得所述第一实绩数据的经营者向进行将所述第二服务作为对象的需求预测的经营者销售时的价格。
5.根据权利要求1所述的信息处理方法，还包括：
决定步骤，在该决定步骤中，根据所述贡献度，评估将所述第一实绩数据从取得所述第一实绩数据的第一经营者向进行将所述第二服务作为对象的需求预测的第二经营者销售时的价格，在判定为所述价格低于考虑所述贡献度的评估额的情况下，生成表示针对所述第一经营者的奖励的数据。
6.一种信息处理装置，评估在使用基于机械学习的预测模型来预测服务的需求的系统中利用的训练数据，所述信息处理装置具有控制部，该控制部执行：
使用将第一服务中的第一实绩数据作为训练数据进行学习而得到的预测模型，生成与所述第一服务不同的第二服务中的需求预测数据；以及
根据比较所述需求预测数据和所述第二服务中的第二实绩数据而得到的结果，计算将所述第二服务作为对象的需求预测中的所述第一实绩数据的贡献度。
CN202010909428.3A 2019-09-03 2020-09-02 信息处理方法以及信息处理装置 Pending CN112446530A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019160447A JP7243533B2 (ja) 2019-09-03 2019-09-03 情報処理方法および情報処理装置
JP2019-160447 2019-09-03

Publications (1)

Publication Number Publication Date
CN112446530A true CN112446530A (zh) 2021-03-05

Family

ID=74682639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010909428.3A Pending CN112446530A (zh) 2019-09-03 2020-09-02 信息处理方法以及信息处理装置

Country Status (3)

Country Link
US (1) US20210065227A1 (zh)
JP (1) JP7243533B2 (zh)
CN (1) CN112446530A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7036271B1 (ja) 2021-09-15 2022-03-15 トヨタ自動車株式会社 モデル管理装置及びモデル管理方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001160045A (ja) * 1999-12-03 2001-06-12 Hitachi Ltd 需要予測システム
JP2006079298A (ja) * 2004-09-09 2006-03-23 Toyota Motor Corp 販売量予測システム
WO2019053821A1 (ja) * 2017-09-13 2019-03-21 株式会社日立製作所 発注支援システム、発注支援プログラム及び発注支援方法
CN109509030A (zh) * 2018-11-15 2019-03-22 北京旷视科技有限公司 销量预测方法及其模型的训练方法、装置和电子系统
WO2019065610A1 (ja) * 2017-09-29 2019-04-04 日本電気株式会社 情報処理装置、制御方法、及びプログラム
CN109978194A (zh) * 2017-12-27 2019-07-05 丰田自动车株式会社 工作辅助系统以及工作辅助方法
WO2019142597A1 (ja) * 2018-01-19 2019-07-25 ソニー株式会社 情報処理装置、情報処理方法及びプログラム
CN110097307A (zh) * 2018-01-31 2019-08-06 丰田自动车株式会社 可移动体、服务提供方法、存储介质和服务提供系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6231944B2 (ja) 2014-06-04 2017-11-15 日本電信電話株式会社 学習モデル作成装置、判定システムおよび学習モデル作成方法
JP7064075B2 (ja) 2017-08-01 2022-05-10 三菱重工業株式会社 プラントの学習支援装置、およびプラントの学習支援方法
JP6800124B2 (ja) 2017-09-29 2020-12-16 本田技研工業株式会社 電力課金システム及び電力課金方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001160045A (ja) * 1999-12-03 2001-06-12 Hitachi Ltd 需要予測システム
JP2006079298A (ja) * 2004-09-09 2006-03-23 Toyota Motor Corp 販売量予測システム
WO2019053821A1 (ja) * 2017-09-13 2019-03-21 株式会社日立製作所 発注支援システム、発注支援プログラム及び発注支援方法
WO2019065610A1 (ja) * 2017-09-29 2019-04-04 日本電気株式会社 情報処理装置、制御方法、及びプログラム
CN109978194A (zh) * 2017-12-27 2019-07-05 丰田自动车株式会社 工作辅助系统以及工作辅助方法
WO2019142597A1 (ja) * 2018-01-19 2019-07-25 ソニー株式会社 情報処理装置、情報処理方法及びプログラム
CN110097307A (zh) * 2018-01-31 2019-08-06 丰田自动车株式会社 可移动体、服务提供方法、存储介质和服务提供系统
CN109509030A (zh) * 2018-11-15 2019-03-22 北京旷视科技有限公司 销量预测方法及其模型的训练方法、装置和电子系统

Also Published As

Publication number Publication date
JP2021039542A (ja) 2021-03-11
JP7243533B2 (ja) 2023-03-22
US20210065227A1 (en) 2021-03-04

Similar Documents

Publication Publication Date Title
Huang et al. A two-phase optimization model for the demand-responsive customized bus network design
Kuhn et al. Integrated order batching and vehicle routing operations in grocery retail–a general adaptive large neighborhood search algorithm
Souza Supply chain analytics
Liu et al. A heuristic method for the inventory routing problem with time windows
US11836806B2 (en) Insurance claim capitation and predictive payment modeling
Chen et al. An integrated method for supplier selection from the perspective of risk aversion
US20170316472A1 (en) System and method for determining retail-business-rule coefficients from current prices
Janjevic et al. Investigating the financial viability of urban consolidation centre projects
WO2017056368A1 (ja) 最適化システム、最適化方法および最適化プログラム
US20160171440A1 (en) Method and system for freight management
US20120284086A1 (en) Fuel store profit optimization
WO2017056367A1 (ja) 情報処理システム、情報処理方法および情報処理用プログラム
Babaee Tirkolaee et al. A novel multi-objective model for two-echelon green routing problem of perishable products with intermediate depots
WO2017056366A1 (ja) 最適化システム、最適化方法および最適化プログラム
CN113506143A (zh) 商品折扣生成方法、装置、设备以及计算机可读存储介质
Jafari Nozar et al. Hyper-heuristic for integrated due-window scheduling and vehicle routing problem for perishable products considering production quality
Hsieh et al. Critical factors affecting performance of logistics operation planning considering interdependency: A case study in automotive aftermarket
Fürderer Option and component bundling under demand risk: mass customization strategies in the automobile industry
CN112446530A (zh) 信息处理方法以及信息处理装置
Crönert et al. Inverse optimization of integer programming games for parameter estimation arising from competitive retail location selection
Balaiyan et al. Joint forecasting for airline pricing and revenue management
US11631095B2 (en) Information processing method and information processing apparatus
Imani et al. The bi-objective multi-depot split delivery location routing problems under uncertain conditions
CN113240359A (zh) 一种应对外界重大变动的需求预测方法
JP6695238B2 (ja) 駐車場案内装置、駐車場案内方法及び駐車場案内プログラム

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