JP2000099819A - 自動販売機における販売数予測方法および装置 - Google Patents

Abstract

(57)【要約】 【目的】 この発明は、制御日当日における様々な状況
の発生に起因する予測誤差を小さくすることができる自
動販売機における販売数予測方法を提供することを目的
とする。 【構成】 制御日より過去複数日の販売数の実績値に基
づいて、制御日における所定時間単位の各時間帯毎の販
売数の事前予測値を算出する事前予測値算出ステップ、
制御日当日において、制御日において各種の状況の発生
を判別するための各種要因データを用いて、制御日にお
ける所定時間単位の各時間帯毎の販売数の逐次予測値を
算出する逐次予測値算出ステップ、および事前予測値算
出ステップによって算出された事前予測値と、逐次予測
値算出ステップによって算出された逐次予測値とに基づ
いて、制御日における所定時間単位の各時間帯での販売
数の最終予測値を算出する最終予測値算出ステップを備
えている。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、自動販売機における
販売数予測方法および装置に関する。

【０００２】

【従来の技術】飲料供給装置として、レギュラーコーヒ
の自動販売機のように、温水とコーヒ豆から複数杯分の
レギュラーコーヒを抽出できる抽出機および抽出機によ
って抽出されたレギュラーコーヒを貯蔵する貯蔵部を備
え、需要者の供給命令に応じて貯蔵部からレギュラーコ
ーヒを供給するものがある。

【０００３】本出願人は、過去の供給杯数の実績値に基
づいて、飲料の供給が集中する時間帯を予測し、予測さ
れた飲料の供給が集中する各時間帯の直前に、複数杯分
の飲料を抽出機により抽出して貯蔵部に蓄積するように
した飲料供給装置を既に開発して、特許出願している
（特開平９−７０５９号公報参照）。

【０００４】飲料の供給が集中する時間帯の予測は、制
御日の前日に行われている。つまり、過去の供給杯数の
実績値に基づいて、翌日の１日分の供給杯数を予測す
る。過去の供給杯数の実績値に基づいて、所定時間ずつ
ずれた複数の時間帯ごとの供給杯数の、全時間帯分の供
給杯数に対する比率を算出する。予測された翌日の１日
分の供給杯数と、算出された各時間帯ごとの供給杯数の
全時間帯分の供給杯数に対する比率とに基づいて、翌日
の各時間帯ごとの供給杯数の予測値を算出する。翌日の
各時間帯ごとの供給杯数の予測値と、しきい値とに基づ
いて、翌日において飲料の供給が集中する時間帯を決定
する。

【０００５】しかしながら、制御日の前日までのデータ
に基づいて、翌日の各時間帯ごとの供給杯数の予測値を
算出しているため、制御日当日での予期しないイベント
等によって大きな予測誤差が発生するおそれがある。

【０００６】

【発明が解決しようとする課題】この発明は、制御日当
日における様々な状況の発生に起因する予測誤差を小さ
くすることができる自動販売機における販売数予測方法
および装置を提供することを目的とする。

【０００７】

【課題を解決するための手段】この発明による自動販売
機における販売数予測方法は、制御日より過去複数日の
販売数の実績値に基づいて、制御日における所定時間単
位の各時間帯毎の販売数の事前予測値を算出する事前予
測値算出ステップ、制御日当日において、制御日におい
て各種の状況の発生を判別するための各種要因データを
用いて、制御日における所定時間単位の各時間帯毎の販
売数の逐次予測値を算出する逐次予測値算出ステップ、
および事前予測値算出ステップによって算出された事前
予測値と、逐次予測値算出ステップによって算出された
逐次予測値とに基づいて、制御日における所定時間単位
の各時間帯での販売数の最終予測値を算出する最終予測
値算出ステップを備えていることを特徴とする。

【０００８】事前予測値算出ステップとしては、たとえ
ば、制御日より過去複数日の１日単位の販売数の実績値
に基づいて、制御日における１日単位の販売数の予測値
を算出するステップ、制御日より過去複数日の所定時間
単位の各時間帯毎の販売数の実績値に基づいて、上記各
時間帯毎の販売構成比を算出するステップ、および制御
日における１日単位の販売数の予測値と、上記各時間帯
毎の販売構成比とに基づいて、制御日における上記各時
間帯毎の販売数の事前予測値を算出するステップを備え
たものが用いられる。

【０００９】逐次予測値算出ステップは、過去の販売数
の実績値および過去の各種要因データに基づいて、予め
パラメータを求めておく事前処理ステップ、ならびに事
前処理ステップによって算出されたパラメータおよび当
日の各種要因データに基づいて、制御日における所定時
間単位の各時間帯毎の販売数の逐次予測値を算出する逐
次処理ステップとを備えている。

【００１０】事前処理ステップとしては、たとえば、事
前予測値の誤差が大きい箇所のデータを抽出するステッ
プ、各種要因データを状況毎に分類し、各状況毎にその
状況が発生するしきい値を要因データ別に算出するステ
ップ、各状況が発生した場合に、その状況に応じた適切
な逐次予測値を算出できるように予測モデルを生成する
ステップ、および各要因データのしきい値および予測モ
デルを知識ベースに記録するステップを備えているもの
が用いられ、逐次処理ステップとしては、たとえば、各
種要因データを収集するステップ、知識ベースに記録さ
れている各状況毎のしきい値に基づいて、現在の状況が
いずれの状況に合致するかを、状況毎に判定するステッ
プ、および知識ベースに記録されている各状況のうち、
現在の状況が合致する状況がある場合には、合致する状
況に対応する予測モデルを用いて逐次予測値を算出する
ステップを備えているものが用いられる。

【００１１】また、事前処理ステップとしては、事前予
測値の誤差が大きい箇所のデータを抽出するステップ、
各種要因データを状況毎に分類し、各状況毎にその状況
に対応したメンバシップ関数を要因データ別に作成する
ステップ、各状況が発生した場合に、その状況に応じた
適切な逐次予測値を算出できるように予測モデルを生成
するステップ、および各要因データのしきい値および予
測モデルを知識ベースに記録するステップを備えている
ものが用いられ、逐次処理ステップとしては、、各種要
因データを収集するステップ、知識ベースに記録されて
いる各状況毎のメンバシップ関数に基づいて、各状況へ
の合致度を算出するステップ、および所定のしきい値以
上の合致度が存在する場合には、それらの合致度のう
ち、最も大きな値の合致度に対応する状況に対する予測
モデルを用いて逐次予測値を算出するステップを備えて
いるものが用いられる。

【００１２】上記予測モデルとしては、たとえば、重回
帰モデルが用いられる。

【００１３】この発明による自動販売機における販売数
予測装置は、制御日より過去複数日の販売数の実績値に
基づいて、制御日における所定時間単位の各時間帯毎の
販売数の事前予測値を算出する事前予測手段、制御日当
日において、制御日において各種の状況の発生を判別す
るための各種要因データを用いて、制御日における所定
時間単位の各時間帯毎の販売数の逐次予測値を算出する
逐次予測手段、および事前予測手段によって算出された
事前予測値と、逐次予測手段によって算出された逐次予
測値とに基づいて、制御日における所定時間単位の各時
間帯での販売数の最終予測値を算出する手段を備えてい
ることを特徴とする。

【００１４】事前予測手段としては、たとえば、制御日
より過去複数日の１日単位の販売数の実績値に基づい
て、制御日における１日単位の販売数の予測値を算出す
る手段、制御日より過去複数日の所定時間単位の各時間
帯毎の販売数の実績値に基づいて、上記各時間帯毎の販
売構成比を算出する手段、および制御日における１日単
位の販売数の予測値と、上記各時間帯毎の販売構成比と
に基づいて、制御日における上記各時間帯毎の販売数の
事前予測値を算出する手段を備えているものが用いられ
る。

【００１５】逐次予測手段としては、過去の販売数の実
績値および過去の各種要因データに基づいて、予めパラ
メータを求めておく事前処理手段、ならびに事前処理手
段によって算出されたパラメータおよび当日の各種要因
データに基づいて、制御日における所定時間単位の各時
間帯毎の販売数の逐次予測値を算出する逐次処理手段と
を備えているものが用いられる。

【００１６】事前処理手段としては、たとえば、事前予
測値の誤差が大きい箇所のデータを抽出する手段、各種
要因データを状況毎に分類し、各状況毎にその状況が発
生するしきい値を要因データ別に算出する手段、各状況
が発生した場合に、その状況に応じた適切な逐次予測値
を算出できるように予測モデルを生成する手段、および
各要因データのしきい値および予測モデルを知識ベース
に記録する手段を備えているものが用いられ、逐次処理
手段としては、各種要因データを収集する手段、知識ベ
ースに記録されている各状況毎のしきい値に基づいて、
現在の状況がいずれの状況に合致するかを、状況毎に判
定する手段、および知識ベースに記録されている各状況
のうち、現在の状況が合致する状況がある場合には、合
致する状況に対応する予測モデルを用いて逐次予測値を
算出する手段を備えているものが用いられる。

【００１７】また、事前処理手段としては、たとえば、
事前予測値の誤差が大きい箇所のデータを抽出する手
段、各種要因データを状況毎に分類し、各状況毎にその
状況に対応したメンバシップ関数を要因データ別に作成
する手段、各状況が発生した場合に、その状況に応じた
適切な逐次予測値を算出できるように予測モデルを生成
する手段、および各要因データのしきい値および予測モ
デルを知識ベースに記録する手段を備えているものが用
いられ、逐次処理手段としては、各種要因データを収集
する手段、知識ベースに記録されている各状況毎のメン
バシップ関数に基づいて、各状況への合致度を算出する
手段、および所定のしきい値以上の合致度が存在する場
合には、それらの合致度のうち、最も大きな値の合致度
に対応する状況に対する予測モデルを用いて逐次予測値
を算出する手段を備えているものが用いられる。

【００１８】上記予測モデルとしては、たとえば、重回
帰モデルが用いられる。

【００１９】

【実施の形態】

【００２０】〔１〕第１の実施の形態

【００２１】この発明を、温水とコーヒ豆から複数杯分
のレギュラーコーヒを抽出できる抽出機および抽出機に
よって抽出されたレギュラーコーヒを貯蔵する貯蔵部を
備え、需要者の供給命令に応じて貯蔵部からレギュラー
コーヒを供給する飲料自動販売機に適用した場合の実施
例について説明する。

【００２２】（１）飲料自動販売機の内部機構の説明 図１は、飲料自動販売機の内部機構を示している。

【００２３】飲料自動販売機のケース１内の上段部に
は、温水が貯蔵された温水タンク２および粉末化された
コーヒ豆が貯蔵されたコーヒ豆タンク３が設けられてい
る。ケース１内の中段部には、複数杯分のコーヒを抽出
することができる抽出機４および抽出機４によって抽出
されたコーヒを貯蔵する貯蔵部５が設けられている。ケ
ース１内の下段部には、飲料取出口６が設けられてい
る。飲料取出口６には、販売時にコップ７が自動的にセ
ットされる。

【００２４】コーヒを抽出する際には、まず、コーヒ豆
タンク３の下部に設けられたオーガー８が回転駆動され
ることによりコーヒ豆が抽出機４内のフィルタ９上に供
給される。この後、温水供給用電磁弁１０が開けられて
温水タンク２内の温水が抽出機４に注がれるとともに、
高圧の圧縮空気が抽出機４内に送られることにより、コ
ーヒが抽出される。抽出されたコーヒは、貯蔵部５に貯
蔵される。

【００２５】貯蔵部５内には、コーヒを保温するための
ヒータ１１および貯蔵部５内のコーヒの残量を検出する
ための残量検出器１２が設けられている。

【００２６】所定金額以上の硬貨または紙幣が投入また
は挿入された後にコーヒが指定された場合にコーヒが供
給される。通常時のコーヒ販売は、次のようにして行な
われる。

【００２７】すなわち、所定金額以上の硬貨または紙幣
が投入または挿入された後、コーヒが指定された場合に
は、残量検出器１２に基づいて貯蔵部５内にコーヒが存
在するか否かが判別される。貯蔵部５内にコーヒが存在
する場合には、飲料供給用電磁弁１３が所定期間開か
れ、ノズル１４を介してコーヒがコップ７に供給され
る。一方、貯蔵部５内にコーヒが存在しない場合には、
抽出機４によって１杯分のコーヒが抽出された後、飲料
供給用電磁弁１３が所定時間開かれ、抽出したコーヒが
コップ７に供給される。通常時に行なわれるこのような
コーヒ販売処理を通常販売処理ということにする。

【００２８】通常時のコーヒ販売では、１杯ずつ抽出を
行なっているため、１杯の販売動作に、３０秒の時間が
かかる。１杯の販売動作に要する時間を短縮しようとす
ると、複数杯分のコーヒを抽出しておいて、貯蔵部５に
貯蔵しておけばよい。しかしながら、複数杯分のコーヒ
を貯蔵部５に貯蔵した後、所定時間（たとえば、６０
分）以上経過しても、貯蔵している全てのコーヒが販売
されないときには、コーヒの風味が低下するので抽出し
たコーヒが廃棄されるため、コーヒが無駄になる。

【００２９】この飲料自動販売機では、後述するよう
に、コーヒの販売が集中すると予測される時間帯が予測
される。そして、コーヒの販売が集中すると予測された
時間帯においては、その直前に所定杯数分のコーヒを予
め抽出して貯蔵部５に貯蔵しておくことにより、コーヒ
の無駄をできるだけ少なくするとともに、コーヒの供給
時間の短縮化を図っている。

【００３０】コーヒの販売が集中すると予測される時間
帯を、以下、ＯＮ時間帯ということにする。また、ＯＮ
時間帯の直前に、所定杯数分のコーヒを予め抽出して貯
蔵部５に貯蔵する処理を事前抽出処理ということにす
る。ＯＮ時間帯においては、その時間帯においてコーヒ
が販売されるごとに、その貯蔵部５から供給された杯数
分のコーヒが抽出されて貯蔵部５に補給される。ＯＮ時
間帯におけるこのようなコーヒの補給を伴うコーヒの販
売処理を、バッチブリュー処理ということにする。

【００３１】（２）飲料自動販売機の電気的構成の説明 図２は、飲料自動販売機の電気的構成を示している。

【００３２】飲料自動販売機は、制御装置２０によって
制御される。制御装置２０には、温水供給用電磁弁１０
の駆動装置２１、オーガー８の駆動装置２２、フィルタ
９の送り装置２３、ヒータ１１の駆動装置２４、飲料供
給用電磁弁１３の駆動装置２５等が出力機器として接続
されている。

【００３３】制御装置２０には、残量検出器１２、投入
硬貨または挿入紙幣の種別および枚数を判別する判別装
置３１、商品選択スイッチ３２、赤外線検知器などの人
検知器３３等が入力機器として接続されている。

【００３４】人検知器３３は、飲料自動販売機が設置さ
れた営業所の営業日と休業日とを判別するためのデータ
を獲得するために設けられたものである。人検知器３３
は、営業所内の所定領域を通行する人を検知するごと
に、人検知信号を制御装置２０に送る。

【００３５】制御装置２０は、コーヒの販売量の実績値
データを収集し、過去２週間分のコーヒの販売量の実績
値データを保存する。保存されるコーヒの販売量の実績
値データには、所定時間単位、たとえば５分単位のコー
ヒの販売量の実績値データと、１日単位のコーヒの販売
量の実績値データとがある。

【００３６】また、人検知器３３の出力に基づいて、通
行人数のデータを収集し、過去２週間分の通行人数のデ
ータを保存する。保存される通行人数のデータには、所
定時間単位、たとえば５分単位の通行人数のデータと、
１日単位の通行人数のデータとがある。

【００３７】図３は、１日単位の集計データを示してい
る。１日単位の集計データは、日付けと、その日のコー
ヒの販売量と、その日の通行人数とからなる。

【００３８】制御装置２０によって行なわれる処理に
は、コーヒの販売量のデータ収集および通行人数のデー
タ収集処理の他、予測処理と、ＯＮ・ＯＦＦ時間帯決定
処理と、販売制御処理とがある。以下、予測処理および
販売制御処理について、詳しく説明する。

【００３９】（３）予測処理の説明

【００４０】図４は、予測モデルを示している。予測処
理には、図４に示すように、制御日の前日の終了近くの
時刻、たとえば、２３：５９に販売データに基づいて行
われる事前予測処理と、制御日の当日に販売データに基
づいて行われる逐次予測処理とがある。

【００４１】そして、事前予測処理によって予測された
所定時間ずつずれた廃棄時間単位の時間帯ごとの予測値
＊ｙ_td’（事前予測値）と、逐次予測処理によって予測
された所定時間ずつずれた廃棄時間単位の時間帯ごとの
予測値＊ｙ_td”（逐次予測値）とに基づいて、最終的な
予測値＊ｙ_td（最終予測値）が算出される。

【００４２】（４）事前予測処理の説明 図５は、事前予測処理手順を示している。

【００４３】まず、当日を含む過去１４日分の５分単位
のコーヒ販売量データおよび１日単位のコーヒ販売量デ
ータが読み込まれる（ステップ１１）。

【００４４】次に、１日単位のコーヒ販売量データに基
づいて、翌日の１日分のコーヒ販売量の予測値＊Ｙ_d が
算出される（ステップ１２）。この予測は、ニューラル
ネットワークによって行なわれる。

【００４５】過去１４日分の１日単位のコーヒ販売量デ
ータを、古いものから順に、Ｙ₁ 、Ｙ₂ 、Ｙ₃ …Ｙ₁₄と
する。まず、Ｙ₁ 、Ｙ₂ 、Ｙ₃ を入力パターンとし、Ｙ
₄ を教師データとして、ニューラルネットワークが学習
せしめられる。次に、Ｙ₂ 、Ｙ₃ 、Ｙ₄ を入力パターン
とし、Ｙ₅ を教師データとして、ニューラルネットワー
クが学習せしめられる。

【００４６】このようにして、入力パターンおよび教師
データが１日ずつ更新されて、ニューラルネットワーク
が学習せしめられる。したがって、最後のニューラルネ
ットワークの学習では、Ｙ₁₁、Ｙ₁₂、Ｙ₁₃が入力パター
ンとされ、Ｙ₁₄が教師データとされる。

【００４７】このような学習の後、Ｙ₁₂、Ｙ₁₃、Ｙ₁₄が
ニューラルネットワークに入力され、その出力Ｙ₁₅が翌
日の１日分のコーヒ販売量の予測値＊Ｙ_d とされる。な
お、自己回帰モデルによって、翌日の１日分のコーヒ販
売量の予測値を算出するようにしてもよい。

【００４８】ステップ１２の処理の後、過去１４日分の
５分単位のコーヒ販売量データに基づいて、所定時間ず
つずれた廃棄時間単位の時間帯ごとに、過去１４日分の
販売量の総和が算出される（ステップ１３）。

【００４９】ところで、コーヒを貯蔵部５に最後に貯蔵
または補給した時点から、コーヒが販売されずに、一定
時間経過したときには、貯蔵している全てのコーヒが廃
棄される。この一定時間を廃棄時間といい、この例で
は、たとえば６０分に決定される。

【００５０】ステップ１３では、図６に示すように、所
定時間、たとえば、５分ずつずれた６０分単位の時間帯
Ｔ_t （ｔ＝１，２，３…）ごとに、過去１４日分の販売
量の総和が算出される。すなわち、過去１４日の１日ご
とに、各時間帯Ｔ_t のコーヒ販売量ｙ_tdが算出される。
そして、各時間帯Ｔ_t ごとに、過去１４日分のコーヒ販
売量ｙ_tdの総和Σ_N ｙ_tdが求められる。ここで、Σ
_N は、時間帯Ｔ_t に対して１４日分のｙ_tdを累積するこ
とを意味する。

【００５１】次に、各時間帯Ｔ_t ごとの過去１４日分の
コーヒ販売量ｙ_tdの総和Σ_N ｙ_tdが、全時間帯Ｔ_t に渡
って累積されることにより、累積値Σ_n （Σ_N ｙ_td）が
算出される（ステップ１４）。ここで、Σ_n は、時間帯
Ｔ_t ごとの（Σ_N ｙ_td）を、全時間帯にわたって累積す
ることを意味する。

【００５２】次に、時間帯Ｔ_t ごとのコーヒ販売量の平
均構成比が求められる（ステップ１５）。つまり、各時
間帯Ｔ_t ごとに、各時間帯Ｔ_t ごとの総和Σ_N ｙ_tdの累
積値Σ_n （Σ_N ｙ_td）に対する、各時間帯Ｔ_t ごとの総
和Σ_N ｙ_tdの比（Σ_N ｙ_td／Σ_n （Σ_N ｙ_td））が算出
される。各時間帯Ｔ_t ごとに算出された比（Σ_N ｙ_td／
Σ_n （Σ_N ｙ_td））が、各時間帯Ｔ_t のコーヒ販売量の
平均構成比とされる。

【００５３】次に、ステップ１２で求められた翌日の１
日分のコーヒ販売量の予測値Ｙ₁₅と、各時間帯Ｔ_i のコ
ーヒ販売量ｂｉの平均構成比（Σ_N ｙ_td／Σ_n （Σ_N ｙ
_td））とに基づいて、翌日の時間帯Ｔ_t ごとのコーヒ販
売量の予測値＊ｙ_td’（事前予測値）が求められる（ス
テップ１６）。

【００５４】すなわち、翌日の１日分のコーヒ販売量の
予測値＊Ｙ_d に、各時間帯Ｔ_t のコーヒ販売量の平均構
成比（Σ_N ｙ_td／Σ_n （Σ_N ｙ_td）をそれぞれ乗算する
ことにより、翌日の時間帯Ｔ_t ごとのコーヒ販売量の事
前予測値〔＊ｙ_td’＝＊Ｙ_d・（Σ_N ｙ_td／Σ_n （Σ_N
ｙ_td）〕が求められる。

【００５５】（５）逐次予測処理の説明 次に、逐次予測処理について説明する。逐次予測処理
は、過去のデータからパラメータを求めておく事前処理
と、事前処理によって算出されたパラメータおよび制御
日当日の様々な要因データから予測値（逐次予測値）を
算出し、事前予測値と合成する逐次処理とに大別され
る。

【００５６】（５−１）事前処理の説明 図７は、事前処理手順を示している。

【００５７】まず、事前予測値の誤差が大きい箇所のデ
ータを抽出する（ステップ２１）。そして、様々な要因
データを分析する（ステップ２２）。

【００５８】要因データとしては、次のようなものが挙
げられる。 (i) 販売間隔 (ii)販売間隔の傾き（変化度） (iii) 人体検知センサ値 (iv)人体検知センサ値の傾き（変化度） (v) 午前零時からデータ抽出箇所の時刻までの間隔（通
算秒） (vi)５分前の実績値と、５分前の事前予測値との誤差 (vii) 事前予測値

【００５９】次に、要因データを、状況毎に分類し、そ
の状況が発生するしきい値（状況判別用しきい値）を要
因データ毎に算出する（ステップ２３）。

【００６０】状況としては、例えば、会議、臨時休業、
朝礼、半休等が挙げられる。

【００６１】次に、各状況が発生した場合に、その状況
に応じた適切な予測値（逐次予測値）を算出できるよう
に、各状況毎に重回帰モデルを構築する（ステップ２
４）。つまり、数式１で表される重回帰モデルの係数ｂ
₀ 、ｂ₁ …ｂ_q を算出する。

【００６２】

【数１】

【００６３】数１において、＊ｙ_td”は現時刻からの１
時間単位の逐次予測値であり、Ｚ₁、Ｚ₂ …Ｚ_q は、各
要因データを示している。

【００６４】各状況毎に得られた、各要因データのしき
い値および重回帰モデルの係数を知識ベースに記録する
（ステップ２５）。

【００６５】なお、ここでは、予測モデルとして、重回
帰モデルが用いられているが、ニューラルネットワーク
等の他の多変数モデルを用いてもよい。

【００６６】（５−２）逐次処理の説明 図８は、逐次処理手順を示している。

【００６７】逐次処理は、制御日当日において、５分お
きに行われる。まず、上述した各種要因データを収集す
る（ステップ３１）。

【００６８】そして、知識ベースに記録されている各状
況毎のしきい値に基づいて、現在の状況がいずれの状況
に合致するかを、状況毎に判定していく（ステップ３
２）。

【００６９】知識ベースに記録されている各状況のう
ち、現在の状況が合致する状況がある場合には（ステッ
プ３３でＹＥＳ）、合致する状況毎に、その状況に対応
する重回帰係数（重回帰モデル）を用いて、現時刻から
の１時間単位の逐次予測値＊ｙ _td”を算出する（ステッ
プ３４）。

【００７０】このようにして、１または複数の逐次予測
値が算出された場合には、現時刻からの１時間単位の事
前予測値＊ｙ_td’と、算出された各逐次予測値＊ｙ_td”
とに基づいて、現時刻からの１時間単位の最終予測値＊
ｙ_tdを求める（ステップ３５）。具体的には、次式２に
基づいて、最終予測値＊ｙ_tdを求める。

【００７１】

【数２】

【００７２】上記数式２において、Σ＊ｙ_td”は、算出
された各逐次予測値＊ｙ_td”の総和を示し、ｋは算出さ
れた逐次予測値の数（合致した状況の数）を示してい
る。

【００７３】なお、知識ベースに記録されている各状況
の中に、現在の状況が合致する状況がなかった場合には
（ステップ３３でＮＯ）、現時刻からの１時間単位の事
前予測値＊ｙ_td’を、現時刻からの１時間単位の最終予
測値＊ｙ_tdとする（ステップ３６）。

【００７４】（６）ＯＮ・ＯＦＦ時間帯決定処理の説明 図９は、ＯＮ・ＯＦＦ時間帯決定処理手順を示してい
る。

【００７５】ＯＮ・ＯＦＦ時間帯決定処理は、最終予測
値が算出される毎、つまり、５分毎に行われる。

【００７６】最終予測値が算出されると、最終予測値と
予め定められたしきい値αとが比較される（ステップ４
１）。しきい値αとしては、たとえば、貯蔵部５に蓄積
できるコーヒの杯数が用いられる。この例では、しきい
値αは３である。

【００７７】最終予測値が予め定められたしきい値αよ
り大きい場合には、当該１時間単位の時間帯Ｔ_t の最初
の５分間がＯＮ時間帯に決定される（ステップ４２）。
当該１時間単位の時間帯Ｔ_t の最初の５分間がＯＮ時間
帯に決定された場合には、所定杯数分、この例では３杯
分のコーヒが予め抽出されて貯蔵部５に貯蔵される（ス
テップ４３）。つまり事前抽出処理が行われる。そし
て、ＯＮ・ＯＦＦ時間帯決定処理は終了する。

【００７８】最終予測値が予め定められたしきい値α以
下の場合には、当該１時間単位の時間帯Ｔ_t の最初の５
分間がＯＦＦ時間帯に決定される（ステップ４４）。そ
して、ＯＮ・ＯＦＦ時間帯決定処理は終了する。

【００７９】（７）販売制御処理の説明 図１０は、販売時に行なわれる逐次処理手順を示してい
る。

【００８０】逐次処理は、所定金額以上の硬貨または紙
幣が投入または挿入された後にコーヒが指定された場合
に実行される。

【００８１】所定金額以上の硬貨または紙幣が投入また
は挿入された後にコーヒが指定されると、現在時刻が、
ＯＮ時間帯か否かが判別される（ステップ５１）。

【００８２】現在時刻が、ＯＮ時間帯でないときには、
通常販売処理が行なわれる（ステップ５２）。すなわ
ち、まず、残量検出器１２に基づいて貯蔵部５内にコー
ヒが存在するか否かが判別される。貯蔵部５内にコーヒ
が存在する場合には、飲料供給用電磁弁１３が所定期間
開かれ、ノズル１４を介してコーヒがコップ７に供給さ
れる。一方、貯蔵部５内にコーヒが存在しない場合に
は、抽出機４によって１杯分のコーヒが抽出された後、
飲料供給用電磁弁１３が所定時間開かれ、抽出したコー
ヒがコップ７に供給される。

【００８３】現在時刻が、ＯＮ時間帯であるときには、
バッチブリュー処理が行なわれる（ステップ５３）。Ｏ
Ｎ時間帯においては、貯蔵部５内にコーヒが蓄積されて
いるので、飲料供給用電磁弁１３が所定期間開かれ、ノ
ズル１４を介してコーヒがコップ７に供給されるととも
に、抽出機４によって貯蔵部５から供給された杯数分の
コーヒが抽出されて貯蔵部５にコーヒが補給される。

【００８４】なお、事前抽出処理およびバッチブリュー
処理において、最新に貯蔵部５にコーヒが貯蔵または補
給された時刻から、コーヒが販売されずに６０分が経過
したときには、貯蔵部５内のコーヒが強制的に廃棄され
る。

【００８５】（８）逐次予測処理の変形例の説明 逐次予測処理の他の例について説明する。

【００８６】この逐次予測処理においても、過去のデー
タからパラメータを求めておく事前処理と、事前処理に
よって算出されたパラメータおよび制御日当日の様々な
要因データから予測値（逐次予測値）を算出し、事前予
測値と合成する逐次処理とに大別される。

【００８７】（８−１）事前処理の説明 図１１は、事前処理手順を示している。

【００８８】まず、事前予測値の誤差が大きい箇所のデ
ータを抽出する（ステップ６１）。そして、様々な要因
データを分析する（ステップ６２）。

【００８９】要因データとしては、上記（５−１）の事
前処理で説明したもの｛ (i)〜(vi _i ) ｝と同じものが
挙げられる。

【００９０】次に、要因データを、状況毎に分類し、そ
の状況に対応したメンバシップ関数（ファジィルール）
を要因データ毎に作成する（ステップ６３）。

【００９１】つまり、同じ状況に対する各要因データに
基づいて、要因毎にメンバシップ関数を作成する。具体
的には、横軸にデータ値をとり、縦軸に度数を取って、
グラフを作成し、これを三角形または台形に近似したメ
ンバシップ関数を作成する。なお、各メンバシップ関数
において、度数の最も高い値が”１．０”に設定され
る。

【００９２】次に、各状況が発生した場合に、その状況
に応じた適切な予測値（逐次予測値）を算出できるよう
に、各状況毎に重回帰モデルを構築する（ステップ６
４）。つまり、数式３で表される重回帰モデルの係数ｂ
₀ 、ｂ₁ …ｂ_q を算出する。

【００９３】

【数３】

【００９４】数３において、＊ｙ_td”は現時刻からの１
時間単位の逐次予測値であり、Ｚ₁、Ｚ₂ …Ｚ_q は、各
要因データを示している。

【００９５】各状況毎に得られた、各要因データに対す
るメンバシップ関数および重回帰モデルの係数を知識ベ
ースに記録する（ステップ６５）。

【００９６】（８−２）逐次処理の説明 図１２は、逐次処理手順を示している。逐次処理は、制
御日当日において、５分おきに行われる。

【００９７】まず、上述した各種要因データを収集する
（ステップ７１）。

【００９８】そして、知識ベースに記録されている各状
況毎のメンバシップ関数に基づいて、各状況への合致度
Ｇを算出する（ステップ７２）。具体的には、次式４に
基づいて、各状況への合致度Ｇを算出する。

【００９９】

【数４】

【０１００】数式４において、ｆ（Ｚ₁ ）、ｆ（Ｚ₂ ）
…ｆ（Ｚ_q ）は、ある状況に対する各要因データ毎のメ
ンバーシップ関数を示している。したがって、ある状況
に対する合致度Ｇとは、その状況に対する各要因データ
毎のメンバシップ関数を用いて求められた各要因データ
毎のメンバシップ関数値のうちの、最も小さい値とな
る。

【０１０１】次に、各状況に対する合致度のうち、しき
い値以上のものが存在するか否かが判別される（ステッ
プ７３）。

【０１０２】しきい値以上の合致度が存在する場合に
は、それらの合致度のうち、最も大きな値の合致度（以
下、最大合致度という）に対応する状況に対する重回帰
係数（重回帰モデル）を用いて、現時刻からの１時間単
位の逐次予測値＊ｙ_td”を算出する（ステップ７４）。

【０１０３】このようにして、逐次予測値＊ｙ_td”が算
出された場合には、その状況に算出された各逐次予測値
＊ｙ_td”と、最大合致度Ｇと、現時刻からの１時間単位
の事前予測値＊ｙ_td’とに基づいて、現時刻からの１時
間単位の最終予測値＊ｙ_tdを求める（ステップ７５）。
具体的には、次式５に基づいて、最終予測値＊ｙ_tdを求
める。

【０１０４】

【数５】

【０１０５】なお、上記ステップ７３において、各状況
に対する合致度のうち、しきい値以上のものが存在しな
かった場合には、現時刻からの１時間単位の事前予測値
＊ｙ _td’を、現時刻からの１時間単位の最終予測値＊ｙ
_tdとする（ステップ７６）。

【０１０６】〔２〕第２の実施の形態の説明

【０１０７】次に、この発明を缶飲料自動販売機に適用
した場合の実施の形態について説明する。

【０１０８】（１）予測値に基づく省エネ制御の説明 図１３に示すように、缶飲料自動販売機には、常温庫１
０１、予冷庫１０２、冷蔵庫１０３および取り出しスペ
ース１０４が設けられている。この実施の形態では、消
費電力の低減化を図るために、現在時刻から３０分後の
販売数を予測し、予測数分だけ予冷庫１０２から冷蔵庫
１０３に缶飲料を移動させるとともに、予測数分だけ常
温庫１０１から予冷庫１０２に缶飲料を移動させる。

【０１０９】販売予測は、５分単位毎に行われるので、
現在時刻から３０分後の販売数を予測するとは、現在時
刻から３０分後の時点から３５分後の時点までの５分間
の販売量を予測することを意味する。

【０１１０】（２）予測処理の説明 図１４は、予測モデルを示している。

【０１１１】予測処理には、図１４に示すように、制御
日の前日の終了近くの時刻、たとえば、２３：５９に販
売データに基づいて行われる事前予測処理と、制御日の
当日に販売データに基づいて行われる逐次予測処理とが
ある。

【０１１２】そして、事前予測処理によって予測された
５分単位の予測値＊ｙ_td’（事前予測値）と、逐次予測
処理によって予測された５分単位の予測値＊ｙ_td”（逐
次予測値）とに基づいて、最終的な予測値＊ｙ_td（最終
予測値）が算出される。

【０１１３】（３）事前予測処理の説明 図１５は、事前予測処理手順を示している。

【０１１４】ここでは、当日（制御日の前日）を含めて
過去２１日分の１日単位の売上数および過去２１日分の
５分単位の売上数が予め集計されて保存されているもの
とする。

【０１１５】まず、過去２１日分の１日単位の売上数に
基づいて、次式６で示される自己回帰モデルを生成する
（ステップ１０１）。

【０１１６】

【数６】

【０１１７】上記数式６において、Ｙ_n は過去の所定の
日の１日単位の売上数を表し、Ｙ_{(n -1)} 〜Ｙ_(n-p) はそ
れより過去の１日単位の売上数を示している。また、ａ
₁ 〜ａ_p は、自己回帰係数を表している。

【０１１８】過去２１の分の１日単位の売上数に基づい
て、上記数式６に示すような、方程式を所定数以上作成
し、予測精度が最も高くなるように、自己回帰係数を最
小二乗法によって決定する。

【０１１９】次に、ステップ１０１で得られた自己回帰
モデルを用いて、翌日の１日単位の売上数の予測値＊Ｙ
_d を算出する（ステップ１０２）。

【０１２０】次に、過去２１日分の５分単位の売上数に
基づいて、５分単位毎の各時刻の販売構成比ｒ_t を算出
する（ステップ１０３）。具体的には、次式７に基づい
て、５分単位毎の各時刻の販売構成比ｒ_t を算出する。

【０１２１】

【数７】

【０１２２】数式７において、ｒ_t は時刻ｔにおける販
売構成比を示し、Ｎは学習対象日数（この例では２１）
を示し、ｙ_ti は日付ｉ時刻ｔにおける５分単位の販売
数を示し、Ｙ_i は日付ｉにおける１日単位の販売数を示
している。

【０１２３】したがって、５分単位毎の販売構成比ｒ_t
は、時刻ｔにおける過去２１日間の５分単位の売上数の
総和を、過去２１日間の総売上数で割った値となる。

【０１２４】次に、上記ステップ１０２で算出された翌
日の１日単位の売上数の予測値＊Ｙ _d と、上記ステップ
１０３で算出された５分単位毎の販売構成比ｒ_t とに基
づいて、翌日の５分単位毎の各時刻の販売数の予測値＊
ｙ_td’（事前予測値）を算出する（ステップ１０４）。
具体的には、次式８に基づいて、翌日の５分単位毎の各
時刻における販売数の予測値＊ｙ_td’（事前予測値）を
算出する。

【０１２５】

【数８】

【０１２６】（４）逐次予測処理の説明 次に、逐次予測処理について説明する。逐次予測処理
は、過去のデータからパラメータを求めておく事前処理
と、事前処理によって算出されたパラメータおよび制御
日当日の様々な要因データから予測値（逐次予測値）を
算出し、事前予測値と合成する逐次処理とに大別され
る。

【０１２７】（４−１）事前処理の説明 図１６、事前処理手順を示している。

【０１２８】まず、事前予測値の誤差が大きい箇所のデ
ータを抽出する（ステップ１１１）。そして、様々な要
因データを分析する（ステップ１１２）。

【０１２９】要因データとしては、次のようなものが挙
げられる。 (i) 事前予測値＊ｙ_td’ (ii)５分後の事前予測値＊ｙ_(t+5)d’ (iii) ３０分後の事前予測値＊ｙ_(t+30)d ’ (iv)次式９で表される予測累計値（その日のその時刻ま
での事前予測値の累積数）

【０１３０】

【数９】

【０１３１】(v) 次式１０で表される予測累計値と実績
累積値との差（その日のその時刻までの事前予測値の累
積数と実績累積値との差）

【０１３２】

【数１０】

【０１３３】数式１０において、ｙ_idは、制御日当日の
時刻ｉにおける販売実績値を示している。 (vi)次式１１で表される事前予測値の予測誤差（その時
刻での事前予測値の予測誤差）

【０１３４】

【数１１】

【０１３５】数式１１において、ｙ_tdは、制御日当日の
時刻ｔにおける販売実績値を示している。

【０１３６】次に、要因データを、状況毎に分類し、そ
の状況が発生するしきい値（状況判別用しきい値）を要
因データ毎に算出する（ステップ１１３）。

【０１３７】状況としては、例えば、次のような状況が
挙げられる。 (i) （状況１）：事前予測値の累計値が実績累計値より
不足する状況（上記数式１０で表される予測累計値と実
績累積値との差が０より小さい状況） (ii)（状況２）：事前予測値の累計値が実績累計値を大
きく上回る状況（上記数式１０で表される予測累計値と
実績累積値との差が０より大きい状況）

【０１３８】次に、各状況が発生した場合に、その状況
に応じた３０分後の適切な予測値（逐次予測値）を算出
できるように、各状況毎に重回帰モデルを構築する（ス
テップ１１４）。つまり、数式１２で表される重回帰モ
デルの係数ｂ₀ 、ｂ₁ …ｂ_qを算出する。

【０１３９】

【数１２】

【０１４０】数式１２において、＊ｙ_td”は３０分後の
５分単位の逐次予測値であり、Ｚ₁、Ｚ₂ …Ｚ_q は、各
要因データを示している。

【０１４１】各状況毎に得られた、各要因データのしき
い値および重回帰モデルの係数を知識ベースに記録する
（ステップ１１５）。

【０１４２】なお、ここでは、予測モデルとして、重回
帰モデルが用いられているが、ニューラルネットワーク
等の他の多変数モデルを用いてもよい。

【０１４３】（４−２）逐次処理の説明 図１７は、逐次処理手順を示している。

【０１４４】逐次処理は、制御日当日において、５分お
きに行われる。

【０１４５】まず、上述した各種要因データを収集する
（ステップ１２１）。

【０１４６】そして、知識ベースに記録されている各状
況毎のしきい値に基づいて、現在の状況がいずれの状況
に合致するかを、状況毎に判定していく（ステップ１２
２）。

【０１４７】知識ベースに記録されている各状況のう
ち、現在の状況が合致する状況がある場合には（ステッ
プ１２３でＹＥＳ）、合致する状況毎に、その状況に対
応する重回帰係数（重回帰モデル）を用いて、３０分後
の５分単位の逐次予測値＊ｙ_td”を算出する（ステップ
１２４）。

【０１４８】このようにして、１または複数の逐次予測
値が算出された場合には、３０分後の５分単位の事前予
測値＊ｙ_td’と、算出された各逐次予測値＊ｙ_td”とに
基づいて、３０分後の５分単位の最終予測値＊ｙ_tdを求
める（ステップ１２５）。具体的には、次式１３に基づ
いて、最終予測値＊ｙ_tdを求める。

【０１４９】

【数１３】

【０１５０】上記数式１３において、Σ＊ｙ_td”は、算
出された各逐次予測値＊ｙ_td”の総和を示し、ｋは算出
された逐次予測値の数（合致した状況の数）を示してい
る。

【０１５１】なお、知識ベースに記録されている各状況
の中に、現在の状況が合致する状況がなかった場合には
（ステップ１２３でＮＯ）、３０分後の５分単位の事前
予測値＊ｙ_td’を、３０分後の５分単位の最終予測値＊
ｙ_tdとする（ステップ１２６）。

【０１５２】（５）逐次予測処理の変形例の説明 逐次予測処理の他の例について説明する。

【０１５３】この逐次予測処理においても、過去のデー
タからパラメータを求めておく事前処理と、事前処理に
よって算出されたパラメータおよび制御日当日の様々な
要因データから予測値（逐次予測値）を算出し、事前予
測値と合成する逐次処理とに大別される。

【０１５４】（５−１）事前処理の説明 図１８は、事前処理手順を示している。

【０１５５】まず、事前予測値の誤差が大きい箇所のデ
ータを抽出する（ステップ１３１）。そして、様々な要
因データを分析する（ステップ１３２）。

【０１５６】要因データとしては、上記（４−１）の事
前処理で説明したもの｛ (i)〜(vi)｝と同じものが挙げ
られる。

【０１５７】次に、要因データを、状況毎に分類し、そ
の状況に対応したメンバシップ関数（ファジィルール）
を要因データ毎に作成する（ステップ１３３）。

【０１５８】状況としては、上記（４−１）の事前処理
で説明したもの｛ (i)〜(ii)｝と同じものが挙げられ
る。

【０１５９】つまり、同じ状況に対する各要因データに
基づいて、要因毎にメンバシップ関数を作成する。つま
り、横軸にデータ値をとり、縦軸に度数を取って、グラ
フを作成し、これを三角形または台形に近似したメンバ
シップ関数を作成する。なお、各メンバシップ関数にお
いて、度数の最も高い値が”１．０”に設定される。

【０１６０】次に、各状況が発生した場合に、その状況
に応じた３０分後の適切な予測値（逐次予測値）を算出
できるように、各状況毎に重回帰モデルを構築する（ス
テップ１３４）。つまり、数式１４で表される重回帰モ
デルの係数ｂ₀ 、ｂ₁ …ｂ_qを算出する。

【０１６１】

【数１４】

【０１６２】数１４において、＊ｙ_td”は３０分後の５
分単位の逐次予測値であり、Ｚ₁ 、Ｚ₂ …Ｚ_q は、各要
因データを示している。

【０１６３】各状況毎に得られた、各要因データに対す
るメンバシップ関数および重回帰モデルの係数を知識ベ
ースに記録する（ステップ１３５）。

【０１６４】（５−２）逐次処理の説明 図１９は、逐次処理手順を示している。

【０１６５】逐次処理は、制御日当日において、５分お
きに行われる。

【０１６６】まず、上述した各種要因データを収集する
（ステップ１４１）。

【０１６７】そして、知識ベースに記録されている各状
況毎のメンバシップ関数に基づいて、各状況への合致度
Ｇを算出する（ステップ１４２）。具体的には、次式１
５に基づいて、各状況への合致度Ｇを算出する。

【０１６８】

【数１５】

【０１６９】数式１５において、ｆ（Ｚ₁ ）、ｆ
（Ｚ₂ ）…ｆ（Ｚ_q ）は、ある状況に対する各要因デー
タ毎のメンバシップ関数を示している。したがって、あ
る状況に対する合致度Ｇとは、その状況に対する各要因
データ毎のメンバシップ関数を用いて求められた各要因
データ毎のメンバシップ関数値のうちの、最も小さい値
となる。

【０１７０】次に、各状況に対する合致度のうち、しき
い値以上のものが存在するか否かが判別される（ステッ
プ１４３）。

【０１７１】しきい値以上の合致度が存在する場合に
は、それらの合致度のうち、最も大きな値の合致度（以
下、最大合致度という）に対応する状況に対する重回帰
係数（重回帰モデル）を用いて、３０分後の５分単位の
逐次予測値＊ｙ_td”を算出する（ステップ１４４）。

【０１７２】このようにして、逐次予測値＊ｙ_td”が算
出された場合には、その状況に算出された各逐次予測値
＊ｙ_td”と、最大合致度Ｇと、３０分後の５分単位の事
前予測値＊ｙ_td’とに基づいて、３０分後の５分単位の
最終予測値＊ｙ_tdを求める（ステップ１４５）。具体的
には、次式１６に基づいて、最終予測値＊ｙ_tdを求め
る。

【０１７３】

【数１６】

【０１７４】なお、上記ステップ１４３において、各状
況に対する合致度のうち、しきい値以上のものが存在し
なかった場合には、３０分後の５分単位の事前予測値＊
ｙ_td’を、３０分後のの５分単位の最終予測値＊ｙ_tdと
する（ステップ１４６）。

【０１７５】

【発明の効果】この発明によれば、制御日当日における
様々な状況の発生に起因する予測誤差を小さくすること
ができるようになる。

【図面の簡単な説明】

【図１】飲料自動販売機の内部構造を示す概略構成図で
ある。

【図２】飲料自動販売機の電気的な構成を示すブロック
図である。

【図３】１日単位の集計データの例を示す模式図であ
る。

【図４】予測モデルを示すブロック図である。

【図５】事前予測処理手順を示すフローチャートであ
る。

【図６】販売量予測が行われる時間帯を示す模式図であ
る。

【図７】逐次予測処理における事前処理手順を示すフロ
ーチャートである。

【図８】逐次予測処理における逐次処理手順を示すフロ
ーチャートである。

【図９】ＯＮ・ＯＦＦ時間帯決定処理手順を示すフロー
チャートである。

【図１０】販売制御処理手順を示すフローチャートであ
る。

【図１１】逐次予測処理の他の例における事前処理手順
を示すフローチャートである。

【図１２】逐次予測処理の他の例における逐次処理手順
を示すフローチャートである。

【図１３】缶飲料自動販売機に設けられた、常温庫、予
冷庫、冷蔵庫および取り出しスペースを示す模式図であ
る。

【図１４】予測モデルを示すブロック図である。

【図１５】事前予測処理手順を示すフローチャートであ
る。

【図１６】逐次予測処理における事前処理手順を示すフ
ローチャートである。

【図１７】逐次予測処理における逐次処理手順を示すフ
ローチャートである。

【図１８】逐次予測処理の他の例における事前処理手順
を示すフローチャートである。

【図１９】逐次予測処理の他の例における逐次処理手順
を示すフローチャートである。

【符号の説明】

４ 抽出機 ５ 貯蔵部 ２０ 制御装置 １０１ 常温庫 １０２ 予冷庫 １０３ 冷蔵庫 １０４ 取り出しスペース

Claims (10)

【特許請求の範囲】
1. 【請求項１】 制御日より過去複数日の販売数の実績値
   に基づいて、制御日における所定時間単位の各時間帯毎
   の販売数の事前予測値を算出する事前予測値算出ステッ
   プ、 制御日当日において、制御日において各種の状況の発生
   を判別するための各種要因データを用いて、制御日にお
   ける所定時間単位の各時間帯毎の販売数の逐次予測値を
   算出する逐次予測値算出ステップ、および事前予測値算
   出ステップによって算出された事前予測値と、逐次予測
   値算出ステップによって算出された逐次予測値とに基づ
   いて、制御日における所定時間単位の各時間帯での販売
   数の最終予測値を算出する最終予測値算出ステップ、 を備えている自動販売機における販売数予測方法。
2. 【請求項２】 事前予測値算出ステップは、 制御日より過去複数日の１日単位の販売数の実績値に基
   づいて、制御日における１日単位の販売数の予測値を算
   出するステップ、 制御日より過去複数日の所定時間単位の各時間帯毎の販
   売数の実績値に基づいて、上記各時間帯毎の販売構成比
   を算出するステップ、および制御日における１日単位の
   販売数の予測値と、上記各時間帯毎の販売構成比とに基
   づいて、制御日における上記各時間帯毎の販売数の事前
   予測値を算出するステップ、 を備えている請求項１に記載の自動販売機における販売
   数予測方法。
3. 【請求項３】 逐次予測値算出ステップは、過去の販売
   数の実績値および過去の各種要因データに基づいて、予
   めパラメータを求めておく事前処理ステップ、ならびに
   事前処理ステップによって算出されたパラメータおよび
   当日の各種要因データに基づいて、制御日における所定
   時間単位の各時間帯毎の販売数の逐次予測値を算出する
   逐次処理ステップとを備えており、 事前処理ステップは、 事前予測値の誤差が大きい箇所のデータを抽出するステ
   ップ、 各種要因データを状況毎に分類し、各状況毎にその状況
   が発生するしきい値を要因データ別に算出するステッ
   プ、 各状況が発生した場合に、その状況に応じた適切な逐次
   予測値を算出できるように予測モデルを生成するステッ
   プ、および各要因データのしきい値および予測モデルを
   知識ベースに記録するステップを備えており、 逐次処理ステップは、 各種要因データを収集するステップ、 知識ベースに記録されている各状況毎のしきい値に基づ
   いて、現在の状況がいずれの状況に合致するかを、状況
   毎に判定するステップ、および知識ベースに記録されて
   いる各状況のうち、現在の状況が合致する状況がある場
   合には、合致する状況に対応する予測モデルを用いて逐
   次予測値を算出するステップを備えている請求項１およ
   び２のいずれかに記載の自動販売機における販売数予測
   方法。
4. 【請求項４】 逐次予測値算出ステップは、過去の販売
   数の実績値および過去の各種要因データに基づいて、予
   めパラメータを求めておく事前処理ステップ、ならびに
   事前処理ステップによって算出されたパラメータおよび
   当日の各種要因データに基づいて、制御日における所定
   時間単位の各時間帯毎の販売数の逐次予測値を算出する
   逐次処理ステップとを備えており、 事前処理ステップは、 事前予測値の誤差が大きい箇所のデータを抽出するステ
   ップ、 各種要因データを状況毎に分類し、各状況毎にその状況
   に対応したメンバシップ関数を要因データ別に作成する
   ステップ、 各状況が発生した場合に、その状況に応じた適切な逐次
   予測値を算出できるように予測モデルを生成するステッ
   プ、および各要因データのしきい値および予測モデルを
   知識ベースに記録するステップを備えており、 逐次処理ステップは、各種要因データを収集するステッ
   プ、 知識ベースに記録されている各状況毎のメンバシップ関
   数に基づいて、各状況への合致度を算出するステップ、
   および所定のしきい値以上の合致度が存在する場合に
   は、それらの合致度のうち、最も大きな値の合致度に対
   応する状況に対する予測モデルを用いて逐次予測値を算
   出するステップを備えている請求項１および２のいずれ
   かに記載の自動販売機における販売数予測方法。
5. 【請求項５】 上記予測モデルが重回帰モデルである請
   求項３および４のいずれかに記載の自動販売機における
   販売数予測方法。
6. 【請求項６】 制御日より過去複数日の販売数の実績値
   に基づいて、制御日における所定時間単位の各時間帯毎
   の販売数の事前予測値を算出する事前予測手段、 制御日当日において、制御日において各種の状況の発生
   を判別するための各種要因データを用いて、制御日にお
   ける所定時間単位の各時間帯毎の販売数の逐次予測値を
   算出する逐次予測手段、および事前予測手段によって算
   出された事前予測値と、逐次予測手段によって算出され
   た逐次予測値とに基づいて、制御日における所定時間単
   位の各時間帯での販売数の最終予測値を算出する手段、 を備えている自動販売機における販売数予測装置。
7. 【請求項７】 事前予測手段は、 制御日より過去複数日の１日単位の販売数の実績値に基
   づいて、制御日における１日単位の販売数の予測値を算
   出する手段、 制御日より過去複数日の所定時間単位の各時間帯毎の販
   売数の実績値に基づいて、上記各時間帯毎の販売構成比
   を算出する手段、および制御日における１日単位の販売
   数の予測値と、上記各時間帯毎の販売構成比とに基づい
   て、制御日における上記各時間帯毎の販売数の事前予測
   値を算出する手段、 を備えている請求項６に記載の自動販売機における販売
   数予測装置。
8. 【請求項８】 逐次予測手段は、 過去の販売数の実績値および過去の各種要因データに基
   づいて、予めパラメータを求めておく事前処理手段、な
   らびに事前処理手段によって算出されたパラメータおよ
   び当日の各種要因データに基づいて、制御日における所
   定時間単位の各時間帯毎の販売数の逐次予測値を算出す
   る逐次処理手段とを備えており、 事前処理手段は、 事前予測値の誤差が大きい箇所のデータを抽出する手
   段、 各種要因データを状況毎に分類し、各状況毎にその状況
   が発生するしきい値を要因データ別に算出する手段、 各状況が発生した場合に、その状況に応じた適切な逐次
   予測値を算出できるように予測モデルを生成する手段、
   および各要因データのしきい値および予測モデルを知識
   ベースに記録する手段を備えており、 逐次処理手段は、 各種要因データを収集する手段、 知識ベースに記録されている各状況毎のしきい値に基づ
   いて、現在の状況がいずれの状況に合致するかを、状況
   毎に判定する手段、および知識ベースに記録されている
   各状況のうち、現在の状況が合致する状況がある場合に
   は、合致する状況に対応する予測モデルを用いて逐次予
   測値を算出する手段を備えている請求項６および７のい
   ずれかに記載の自動販売機における販売数予測装置。
9. 【請求項９】 逐次予測手段は、 過去の販売数の実績値および過去の各種要因データに基
   づいて、予めパラメータを求めておく事前処理手段、な
   らびに事前処理手段によって算出されたパラメータおよ
   び当日の各種要因データに基づいて、制御日における所
   定時間単位の各時間帯毎の販売数の逐次予測値を算出す
   る逐次処理手段とを備えており、 事前処理手段は、 事前予測値の誤差が大きい箇所のデータを抽出する手
   段、 各種要因データを状況毎に分類し、各状況毎にその状況
   に対応したメンバシップ関数を要因データ別に作成する
   手段、 各状況が発生した場合に、その状況に応じた適切な逐次
   予測値を算出できるように予測モデルを生成する手段、
   および各要因データのしきい値および予測モデルを知識
   ベースに記録する手段を備えており、 逐次処理手段は、 各種要因データを収集する手段、 知識ベースに記録されている各状況毎のメンバシップ関
   数に基づいて、各状況への合致度を算出する手段、およ
   び所定のしきい値以上の合致度が存在する場合には、そ
   れらの合致度のうち、最も大きな値の合致度に対応する
   状況に対する予測モデルを用いて逐次予測値を算出する
   手段を備えている請求項６および７のいずれかに記載の
   自動販売機における販売数予測装置。
10. 【請求項１０】 上記予測モデルが重回帰モデルである
    請求項８および９のいずれかに記載の自動販売機におけ
    る販売数予測装置。