JP2001160045A - 需要予測システム - Google Patents

Abstract

(57)【要約】 【課題】ビジネスの環境変化に対して、適応機能の高い
高精度予測方法およびシステムを提供すること。 【解決手段】本発明の需要予測装置は、需要関連データ
入力手段１、記憶手段であるデータベース２、予測候補
演算手段３、複数規範による評価手段４、予測結果出力
手段５からなる。複数規範による評価・選択手段４は、
少なくとも利益最大と誤差最小の二つの規範を含む多数
の規範のもとで予測値候補を評価することによってビジ
ネス環境に適した予測値を得られるようにしたものであ
る。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、商品・製品やサー
ビスに対する需要量を予測する方法とシステムに関す
る。特に、多目的評価や需要関連情報の活用による、実
質的に有効な予測を通して生産計画や在庫・配送等の計
画をより最適なものに近づけることにより、利益や顧客
満足を向上させるのに好適な予測システムに関する。

【０００２】

【従来の技術】従来技術としては、特開平6−162231号
に記載されるものがある。そこでは、現在および過去の
時系列データ以外の情報として、月、曜日、旬などの非
数量化要因を数量化して、時系列データと非数量化要因
情報を用いて予測を行っている。さらに、特開平6−680
65号や特開平6−274470号 に記載されるものでは、現在
および過去の時系列データの量によって予測手段をかえ
て予測を行っている。さらに、特開平7−175786号で
は、予測の熟練者の知識をプロダクションルールとメン
バーシップ関数によって予測に取りいれている。さら
に、特開平7−262168号は、多品種の単品予測を簡易に
行う方法を開示するものであった。

【０００３】

【発明が解決しようとする課題】上記従来技術は、多目
的評価に基づく需要予測ということが十分には配慮され
ておらないという第一の問題があった。ビジネスの最終
目標は、利益の向上や顧客満足の向上であり、予測誤差
最小の従来の予測だけでは、これらの最終目標との関連
が不明確で、需要動向の変化に対して最終目的の達成が
不十分になりがちであった。

【０００４】また上記従来技術は、計算順序（包含関係
にある予測単位の大きい方の予測結果を予測単位の小さ
い方の予測に活用するかどうか、あるいは、包含関係に
ある予測単位の小さい方の予測結果を予測単位の大きい
方の予測に活用するかどうかという参照関係）を考慮し
て予測精度を向上させるということが十分には配慮され
ておらないという第二の課題があった。

【０００５】また上記従来技術を物流の中間点需要の予
測に用いるためには、物流の複数点の需要関連データ
（多元データ）を活用するということが十分には配慮さ
れておらないという第三の問題があった。物流の中間点
需要は、商品・製品の実需要だけでなく、下流点を含む
各発注担当者の判断が加味されてできあがるものであ
り、これらの点を考慮した予測方法が求められている。
さらに、商品別に、適した予測用モデルが存在し、使う
べきデータが異なることに対する配慮が求められてい
る。

【０００６】本発明の目的は、上記課題に答えられる、
予測システムを提供することにある。

【０００７】

【課題を解決するための手段】上記第一の目標を達成す
るために、需要関連データを入力する手段、それを記憶
する手段、記憶されたデータあるいは入力データから将
来の需要量を演算する手段、求めた演算結果の出力手段
を有する予測システムにおいて、予測対象に対し、少な
くとも二つ以上の予測値候補を演算する手段と少なくと
も利益最大と誤差最小の二つの規範を含む多数の規範の
もとで予測値候補を評価・選択する手段、を施したもの
である。

【０００８】これらにより、予測精度が悪くても利益的
にはより向上する予測値を採用することが可能になる。
あるいは、別の評価、例えば、採算を度外視しても顧客
満足が最優先される局面においては、欠品の可能性零を
評価規範に取り入れることで顧客満足を達成することが
できる。

【０００９】上記第二の目標を達成するために、参照関
係を自動的に判断する手段、あるいは、人に選択判断さ
せる手段、を施したものである。

【００１０】上記第三の目標を達成するために、拠点か
ら発送される商品別の総出荷量の過去の時系列データだ
けでなく、中間点から下流への商品別の総出荷量の過去
の時系列データと中間点在庫量の過去の時系列データを
入力する手段と、それらを記憶する手段と、これら記憶
されたデータから将来の拠点からの商品別の総出荷量を
演算するのに用いる予測モデルを拠点からの商品別総出
荷量データを用いるモデル（中間点需要の時系列モデ
ル）、中間点からの商品別総出荷量データを用いるモデ
ル（下流点需要の時系列モデル）、中間点の商品別在庫
量データと中間点からの商品別総出荷量データを用いる
モデル（発注者の発注量モデル）、の少なくとも３個の
モデルを有するモデル群から自動的に選択する手段を施
したものである。さらに、記憶されたデータから将来の
拠点からの商品別の総出荷量を演算するのに用いる中間
点から下流への商品別の総出荷量の過去の時系列データ
と中間点在庫量の過去の時系列データを論理的判断から
自動的に修正する手段や予測精度が改善される方向にモ
デルを学習的に変更してゆく学習手段を施したものであ
る。

【００１１】商品Ａ、商品Ｂ、商品Ｃ、の過去２年間半
の実データ（拠点から発送される商品別の総出荷量、中
間点在庫量、中間点から下流への総出荷量）を図２に示
す。この各々の商品に対し、予測用モデルとして、中間
点需要の時系列モデル、発注者の発注量モデル、下流点
需要の時系列モデル、の各々を用いた時の予測誤差の二
乗の平均値のルートの値を図３に示した。これらより、
従来よく用いられる中間点需要の時系列モデルだけで
は、商品Ａには適するが、商品Ｂや商品Ｃには適さな
い。商品Ｂには、発注者の発注量モデルが適しており、
商品Ｃには下流点需要の時系列モデルが適している。よ
って、多元データを用いて上記３種のモデルを上手く使
い分ければ予測精度が向上することが分かる。（モデル
の詳細は実施例にて説明する）

【００１２】

【発明の実施の形態】以下、本発明の実施例を図面によ
り説明する。第一の実施例は図１に示すものである。第
一の実施例を、特定のある商品について、先月までの時
系列のデータから今月の需要を予測する場合を例にとり
説明する。

【００１３】図１は第一の実施例における需要の予測装
置の機能構成図である。本発明の需要予測装置は、商品
別の需要量の過去の時系列データと予測に用いるモデル
群等の需要関連データ入力手段１、記憶手段であるデー
タベース２、予測値候補演算手段３、複数規範による評
価・選択手段４、予測結果の出力手段５、からなる。入
力手段１はキーボード等の入力装置であり、予測結果出
力手段５は表示画面、印刷機械等であり、記憶手段２は
磁気ディスク装置等である。予測値候補演算手段３、複
数規範による評価・選択手段４、は全て計算機のハード
とソフトとして実現されるものである。入力手段１によ
って入力された情報１１は記憶手段２に蓄積される。出
力手段５は複数規範による評価・選択手段４の結果情報
１３を出力するものである。予測値候補演算手段３は予
測に用いるモデル群と商品別の需要量の過去の時系列デ
ータから複数の予測値候補を演算するものである。

【００１４】以下では、本発明の主要部分である、記憶
手段であるデータベース２、予測値候補演算手段３、複
数規範による評価・選択手段４、について詳述する。記
憶手段であるデータベース２では、入力情報１１として
入力された現時点までの月別需要量データ

【００１５】

【数１】y(k), k=−m,…,0 （ただし、k は今月から
みての −k+1 ヶ月前を表わす）、さらに、入力情報１
１として予測に用いるモデル群 model1,…,models
（モデルは過去の時点のy(k)データを入力としてy(1)の
予測値を出力とする関数）のｓ個のモデルデータ、さら
に、入力情報１１として単品当たりの売り上げ利益、欠
品損失コスト、在庫コストが記憶されている。予測値候
補演算手段３では、前記月別需要量データとモデル群を
用いて、予測値候補群

【００１６】

【数２】 y＾(1,j), j=1,…,s, （jは使用モデルの指標） を算出し、さらに、過去の p+1個のデータについて、予
測誤差の分布

【００１７】

【数３】 e(k,j)=y(k)−y＾(k,j), k=−p,…,0, j=1,…,s, を算出し、これらの計算結果データ１２を複数規範によ
る評価・選択手段４に引き渡す。複数規範による評価・
選択手段４においては、まず、予測誤差を最小にする予
測モデルを選択する。そのために、各モデルによる予測
の過去の p+1個の予測誤差の二乗平均値

【００１８】

【数４】ms(j)=（e(−p,j)×e(−p,j)+…+e(0,j)×e(0,
j)）／(p+1),j=1,…,s, を比較し、その中で最小値を取るモデルを選択する。選
択したモデルの指標をj* で表わす。次に、今月の需要
量分布は、

【００１９】

【数５】y＾(1,j*)+e(k,j*), k=−p,…,0, が各々確率1／(p+1) であると仮定して、利益を最大に
する予測値y*(1)を求める。

【００２０】すなわち、

【００２１】

【数６】 y*(1)=y, for prf(y)=min{ prf(y),for any y} prf(y)=pa(−p)+…+pa(−1)+pa(0), pa(k)= pap(k)／(p+1), k=−p,…,0 pap(k)=prpu×（y + z(0)）−lospu×d(k), for d(k) ≦0 prpu×（y＾(1,j*) + e(k,j*)）−cpz×d(k), for d(k) >0 ただし、d(k) = y＾(1,j*) + e(k,j*) − y − z(0), z(0)：先月末の在庫量、 cpz ：単品当たりの在庫コスト、 prpu：単品当たりの売り上げ利益、 lospu：単品当たりの欠品損失コスト、 最後に、予測値候補として、誤差最小の y＾(1,j*)、利
益最大のy*(1)、その中間点の （y＾(1,j*)+y*(1)）／
2、 及びそれに対応する予想利益 prf(y) for y=y＾(1,
j*)、 y*(1)、（y＾(1,j*)+y*(1)）／2、 のデータ、お
よび ms(j*)の平方根を計算し、これらのデータ１３を
出力手段５へ引き渡す。

【００２２】本実施例では説明の簡単化のために、月単
位のデータとして記述したが、むろん時間の単位は週で
も日でも時間でもよいし、また、販促等で実需要が変動
している場合には、その分を補正することも可能であ
る。

【００２３】本発明の第二の実施例は図４に示すもので
ある。第ニの実施例を、地域Ｂと地域Ｃよりなる地域Ａ
において、地域Ａ、Ｂ、Ｃにおけるある商品の月次予測
を例にとり説明する。

【００２４】図４は第ニの実施例における需要予測装置
の機能構成図である。本発明の需要予測装置は、需要関
連データの入力手段２１、記憶手段であるデータベース
２２、参照関係の自動判断手段２３、予測量演算手段２
４、予測結果出力手段２５、からなる。入力手段２１は
キーボード等の入力装置であり、予測結果出力手段２５
は表示画面、印刷機械等であり、記憶手段２２は磁気デ
ィスク装置等である。参照関係の自動判断手段２３、予
測量演算手段２４、は全て計算機のハードとソフトとし
て実現されるものである。入力手段２１によって入力さ
れた情報３１は記憶手段２２に蓄積される。出力手段２
５は予測手段２４の結果情報３５を出力するものであ
る。参照関係の自動判断手段２３は予測値の参照関係を
自動的に選択することによって予測精度を向上させよう
とするものである。

【００２５】以下では、本発明の主要部分である、記憶
手段２２、参照関係の自動判断手段２３、予測量演算手
段２４、について詳述する。

【００２６】記憶手段であるデータベース２２では、入
力情報３１として入力された現時点までの月別需要量デ
ータ、

【００２７】

【数７】ya(k), k=−m,…,0 (地域Ａの需要量） yb(k), k=−m,…,0 (地域Ｂの需要量） yc(k), k=−m,…,0 (地域Ｃの需要量） ただし、k は今月からみての −k+1 ヶ月前を表わす。

【００２８】さらに、入力情報３１として今月の需要量
の予測量 y＾(1)を求める予測用モデルが記憶されてい
る。

【００２９】参照関係の自動判断手段２３は、参照関係
別の予測誤差計算手段２３１と予測誤差最小の参照関係
の選択手段２３２よりなっており、参照関係別の予測誤
差計算手段２３１においては、まず、参照関係がない場
合の予測値を次で計算する。地域Ａ、Ｂ、Ｃ、の来月の
予測値を予測用モデルと対応地域の月別需要量データを
用いて求めた予測値を ya1＾(k),yb1＾(k),yc1＾(k) で
表わす。次に参照関係のある場合の地域Ｂ、Ｃの予測値
を次で計算する。予測用モデルと ya(k)データを用いて
求めた場合の地域Ａ需要量予測値 ya1＾(k)に係数 ra
ｂ,raｃ を各々掛けて予測値

【００３０】

【数８】yb2＾(k)= rab×ya1＾(k), k=−s+1,…,1 yc2＾(k)= rac×ya1＾(k), k=−s+1,…,1 を求める。ここに、係数 rab, rac は、

【００３１】

【数９】rab=（yb(−s+1)+…+yb(0)）／（ya(−s+1)+…
+ya(0)）, rac=（yc(−s+1)+…+yc(0)）／（ya(−s+1)+…+ya
(0)）, である。さらに、参照関係のある場合の地域Ａの予測値
を次で計算する。

【００３２】

【数１０】 ya2＾(k)= yb1＾(k)+yc1＾(k), k=−s+1,…,1 ya3＾(k)= yb1＾(k)+yc2＾(k), k=−s+1,…,1 ya4＾(k)= yb2＾(k)+yc1＾(k), k=−s+1,…,1 ya5＾(k)= yb2＾(k)+yc2＾(k), k=−s+1,…,1 予測誤差最小の参照関係の選択手段２３２においては、

【００３３】

【数１１】 ea1(k)=ya(k)−ya1＾(k),k=−s+1,…,0 ea2(k)=ya(k)−ya2＾(k),k=−s+1,…,0 ea3(k)=ya(k)−ya3＾(k),k=−s+1,…,0 ea4(k)=ya(k)−ya4＾(k),k=−s+1,…,0 ea5(k)=ya(k)−ya5＾(k),k=−s+1,…,0 eb1(k)=yb(k)−yb1＾(k),k=−s+1,…,0 eb2(k)=yb(k)−yb2＾(k),k=−s+1,…,0 ec1(k)=yc(k)−yc1＾(k),k=−s+1,…,0 ec2(k)=yc(k)−yc2＾(k),k=−s+1,…,0 を計算し、各二乗平均

【００３４】

【数１２】msa(1)=（ea1(s−1)×ea1(s−1)+…+ea1(0)
×ea1(0)）／s, msa(2)=（ea2(s−1)×ea2(s−1)+…+ea2(0)×ea2(0)）
／s, msa(3)=（ea3(s−1)×ea3(s−1)+＝+ea3(0)×ea3(0)）
／s, msa(4)=（ea4(s−1)×ea4(s−1)+＝+ea4(0)×ea4(0)）
／s, msa(5)=（ea5(s−1)×ea5(s−1)+＝+ea5(0)×ea5(0)）
／s, msb(1)=（eb1(s−1)×eb1(s−1)+＝+eb1(0)×eb1(0)）
／s, msb(2)=（eb2(s−1)×eb2(s−1)+＝+eb2(0)×eb2(0)）
／s, msc(1)=（ec1(s−1)×ec1(s−1)+＝+ec1(0)×ec1(0)）
／s, msc(2)=（ec2(s−1)×ec2(s−1)+＝+ec2(0)×ec2(0)）
／s, を求める。そして、

【００３５】

【数１３】 msa(i)=min{msa(1),msa(2),msa(3),msa(4),msa(5)}, なる i に対して、参照関係指事フラグ、FLAGa=i

【００３６】

【数１４】msb(i)=min{msb(1),msb(2)}, なる i に対して、参照関係指事フラグ、FLAGb=i

【００３７】

【数１５】msc(i)=min{msc(1),msc(2)}, なる i に対して、参照関係指事フラグ、FLAGc=iを記憶
する。

【００３８】予測量演算手段４においては、FLAGa,FLAG
b,FLAGc の値にもとづいて、来月の需要量の予測量 y＾
(2)を次のように求める。

【００３９】

【数１６】y＾(1)=ya1＾(1), for FLAGa=1 y＾(1)=ya2＾(1), for FLAGa=2 y＾(1)=ya3＾(1), for FLAGa=3 y＾(1)=ya4＾(1), for FLAGa=4 y＾(1)=ya5＾(1), for FLAGa=5 y＾(1)=yb1＾(1), for FLAGb=1 y＾(1)=yb2＾(1), for FLAGb=2 y＾(1)=yc1＾(1), for FLAGc=1 y＾(1)=yc2＾(1), for FLAGc=2 本実施例では説明の簡単化のために、参照関係が一回だ
けの場合についてのみ記述したが、繰り返す場合につい
ても同様に行うことができる。また、係数 rab, rac
を求めるのに、需要に季節性がある場合は季節指数で調
整して各月の係数を調整することも可能である。実際、
図５で示す需要を示した商品に関し、１２ヶ月前の実需
を当月の予測値とするナイーブモデルを予測モデルとし
て採用し、上記参照を三回繰り返した場合には、図６に
示すように、各地域の予測誤差二乗の平均値（期間は19
97.7〜1998.6の予測誤差で評価）のルートの値は図７の
ように変化し、地域ＡとＣに関し、予測精度が３割程度
改善している。

【００４０】図７は第三の実施例における需要予測装置
の機能構成図である。本発明の需要予測装置は、第ニの
実施例における参照関係別の予測誤差計算手段２３１が
参照関係別の予測誤差表示手段２３３とその結果をみて
予測オペレータが参照関係を選択するように変更された
ものである。

【００４１】本発明の第四の実施例は図８に示すもので
ある。

【００４２】以下、特定のある商品について、先月まで
の時系列のデータから来月の中間点の需要を予測する場
合を例にとり説明する。また、拠点は流通センターと
し、中間点は拠点である流通センターへ発注する卸群の
総体であり、下流点はその卸へ発注する小売店の総体で
ある。

【００４３】図８は第四の実施例における需要予測装置
の機能構成図である。本発明の中間点需要を予測する需
要予測装置は、拠点から発送される商品別の総出荷量の
過去の時系列データ、中間点から下流への商品別の総出
荷量の過去の時系列データ、中間点在庫量の過去の時系
列データの入力手段４１、記憶手段であるデータベース
４２、予測に用いるモデルの選択手段４３、予測量演算
手段４４、予測結果出力手段４５、からなる。

【００４４】入力手段４１はキーボード等の入力装置で
あり、予測結果出力手段４５は表示画面、印刷機械等で
あり、記憶手段４２は磁気ディスク装置等である。モデ
ルの選択手段４３、予測量演算手段４４、は全て計算機
のハードとソフトとして実現されるものである。入力手
段４１によって入力された情報５１は記憶手段４２に蓄
積される。出力手段４５は予測手段４４の結果情報５５
を出力するものである。

【００４５】モデル選択手段４３は予測量演算に用いる
モデルを選択することによって予測精度を向上させよう
とするものである。

【００４６】以下では、本発明の主要部分である、記憶
手段４２、モデルの選択手段４３、予測量演算手段４
４、について詳述する。

【００４７】記憶手段であるデータベース４２では、入
力情報５１として入力された現時点までの拠点からの月
別総出荷量データ

【００４８】

【数１７】y(k), k=−m,…,0 （ただし、k は今月か
らみての −k+1 ヶ月前を表わす）、さらに、入力情報
５２として入力された中間点から下流への月別総出荷量
の過去の時系列データd(k), k=−m,…,0、入力情報５３
として入力された中間点月末在庫量の過去の時系列デー
タ z(k), k=−m,…,0が記憶されている。この場合、理
論的にはz(k)=z(k−1)+y(k)−d(k),の関係が成り立つ。
さらに、来月の中間点需要量の予測量 y＾(2)を求める
予測用モデルとして

【００４９】

【数１８】 モデル１： y＾(2)=y(−10)+try(0), （中間点需要の時系列モデル） モデル２： y＾(2)=d(−10)+trd(0), （下流点需要の時系列モデル） モデル３： y＾(2)=d(−10)−z(0)+mz(0),（発注者の発注量モデル） モデル４： y＾(2)=y(−10), （中間点需要の時系列モデル） が記憶されている。モデル１は、予測のベース量として
一年前の値 y(−10) を使い、傾向を取り入れるための
補正分として try(0) を加えたものである。モデル２
は、予測のベース量として一年前の値 d(−10) を使
い、傾向を取り入れるための補正分として trd(0) を加
えたものである。モデル３は、y より実需要に近い d
と在庫量を勘案して発注量を決める発注者の発注量モデ
ルを表わすもので、下流点の需要量を一年前の値 d(−1
0) で代用し、在庫量を先月のもの z(0)で代用し、安全
在庫量を mz(0) と見なした時の不足分＝y＾(2) と考え
たものである。

【００５０】モデル４は、ナイーブ法と言われ、一年前
の値 y(−10) を予測値とするものである。

【００５１】モデルの選択手段４３においては、

【００５２】

【数１９】 e1(k)=y(k−12)+try(k−2)−y(k), k=−s+1,…,0 e2(k)=d(k−12)+trd(k−2)−y(k), k=−s+1,…,0 e3(k)=d(k−12)−z(k−2)+mz(k−2)−y(k), k=−s+1,
…,0 e4(k)=y(k−12)−y(k), k=−s+1,…,0 ただし、 try(k)=（dy(k),…,dy(k−n1)）の平均
値、 trd(k)=（dd(k),…,dd(k−n2)）の平均値、 mz(k) = （z(k),…, z(k−n3)）の平均値、 dy(k)=y(k)−y(k−12),dd(k)=d(k)−d(k−12), s,n1,n2,n3, は適当な整数 を計算し、{e1(k), k=−s+1,…,0},{e2(k), k=−s+1,
…,0},{e3(k), k=−s+1,…,0},{e4(k), k=−s+1,…,0},
の各二乗平均

【００５３】

【数２０】 ms(1)=（e1(s−1)×e1(s−1)+…+e1(0)×e1(0)）／s, ms(2)=（e2(s−1)×e2(s−1)+…+e2(0)×e2(0)）／s, ms(3)=（e3(s−1)×e3(s−1)+…+e3(0)×e3(0)）／s, ms(4)=（e4(s−1)×e4(s−1)+…+e4(0)×e4(0)）／s, を求める。そして、

【００５４】

【数２１】ms(i)=min{ms(1),ms(2),ms(3),ms(4)}, なる i に対して、モデル i を使うというフラグ、FLAG
=iを記憶する。

【００５５】予測量演算手段４４においては、FLAG の
値にもとづいて、来月の中間点需要量の予測量 y＾(2)
を次のように求める。

【００５６】

【数２２】 y＾(2)=y(−10)+try(0), for FLAG=1 y＾(2)=d(−10)+trd(0), for FLAG=2 y＾(2)=d(−10)+z(0)−mz(0),for FLAG=3 y＾(2)=y(−12), for FLAG=4 本実施例では説明の簡単化のために、中間点から下流へ
の商品別の総出荷量（あるいは、総売り上げ量）の過去
の時系列データと中間点在庫量の過去の時系列データの
両方を必要であるように記述したが、理論的には z(k)
=z(k−1)+y(k)−d(k), の関係が成り立つので、在庫デ
ータと拠点からの出荷量データがあれば十分である。そ
の場合、中間点から下流への出荷データは計算で求める
ことができる。逆に、ある月の在庫データと拠点からの
出荷量データと中間点から下流への出荷量データがあれ
ば十分である。そのほかの月の在庫量は計算で求めるこ
とができる。

【００５７】図１０は第五の実施例における中間点の需
要予測装置の機能構成図である。本発明の中間点需要予
測装置は、第四の実施例にデータ修正手段４６が付加さ
れただけなので、その相違部分についてのみ説明する。

【００５８】データ修正手段４６においては、{dy(k),k
=−2,…,−13} の平均値 mdy と標準偏差 stddy を計
算する。そして、 y(−1) > mdy + α×stddy, and z(0)−z(−1) < α
×stddy ならば、今後予測に用いるデータを

【００５９】

【数２３】y(−1)=旧y(−1)−(α−1.5)×stddy, y(0) =旧y(0) +(α−1.5)×stddy, z(−1)=旧z(−1)−(α−1.5)×stddy, に変更し、

【００６０】

【数２４】 y(−1) < mdy − α×stddy, and z(0)−z(−1) >
α×stddy ならば、今後予測に用いるデータを

【００６１】

【数２５】y(−1)=旧y(−1)+(α−1.5)×stddy, y(0) =旧y(0) −(α−1.5)×stddy, z(−1)=旧z(−1)+(α−1.5)×stddy, に変更する。上式におけるαは、1.5 以上３未満の適当
な正の定数、旧y(−1)等の旧は変更する前のデータであ
ることを示ものである。図９に示す商品Ｄにおいて、実
施例四の方法でやると予測誤差の二乗の平均値のルート
は 29.3 となるが、実施例五の方法でやると、1996年７
月の y が 117 から 147 へ、８月の yが 175 から 14
5 へ、７月の z が 15 から 45 へ変更され、予測誤差
の二乗の平均値のルートは 19.9 となり、予測精度が向
上する。

【００６２】図１１は第六の実施例における中間点の需
要予測装置の機能構成図である。本発明の中間点需要予
測装置は、第四の実施例にモデル学習手段４７が付加さ
れただけなので、その相違部分についてのみ説明する。
モデル学習手段４７においては、予測モデル選択手段で
選択するモデルの範囲

【００６３】

【数２６】n1max > n1 > nimin, n2max > n2 > n2min,
n3max > n3 > n3min を指令するものであり、もし、予測モデル選択手段の選
択したモデルが n1、n2、n3、空間の探索範囲の境界に
あるときは、その点が内点になるよう探索範囲を拡張し
て選択するように予測モデル選択手段に差し戻す役割を
果たす。

【００６４】

【発明の効果】本発明は、以上説明したように構成され
ているのでビジネス状況に応じて目標の異なる評価関数
の元でのより適した予測値を選択することができるの
で、利益向上や顧客満足を高めることができ、需要の予
測を高適応・高精度で実現でき、物流の中間点需要の予
測も高適応・高精度で実現できる。

【図面の簡単な説明】

【図１】第一の実施例における需要予測装置の機能構成
図。

【図２】商品Ａ、Ｂ、Ｃの月別データ図。

【図３】予測結果の比較図。

【図４】第二の実施例における需要予測装置の機能構成
図。

【図５】ある商品の地域Ａ、Ｂ、Ｃ別の月次需要データ
図。

【図６】予測結果の比較図。

【図７】第三の実施例における需要予測装置の機能構成
図。

【図８】第四の実施例における需要予測装置の機能構成
図。

【図９】第五の実施例における需要予測装置の機能構成
図。

【図１０】商品Ｄの月別データ図。

【図１１】第六の実施例における需要予測装置の機能構
成図。

【符号の説明】

１…需要関連データ入力手段、２…記憶手段、３…予測
値候補演算手段、４……複数規範による評価手段、５…
予測結果の出力手段、１１…入力データ、１２…予測値
候補・誤差データ、１３…予測結果情報、２１…需要関
連データの入力手段、２２…記憶手段、２３…参照関係
の自動判断手段、２４…予測値演算手段、２５…予測結
果の出力手段、２６…参照関係の変更手段、３１…入力
データ、３２…記憶データ、３３…予測誤差データ、３
４…参照関係指事データ、３５…予測結果情報、２３１
…予測誤差計算手段、２３２…参照関係の選択手段、２
３３…予測誤差表示手段、４１…入力手段、４２…記憶
手段、４３…モデル選択手段、４４…予測手段、４５…
出力手段、４６…データ修正手段、４７…モデル学習手
段、５１…拠点から中間点への出荷量、５２…中間点か
ら下流への出荷量、５３…中間点の在庫量、５５…拠点
から中間点への予測出荷量。

Claims (8)

【特許請求の範囲】
1. 【請求項１】 需要関連データを入力する手段、それを
   記憶する手段、記憶されたデータあるいは入力データか
   ら将来の需要量を演算する手段、求めた演算結果の出力
   手段を有する予測システムにおいて、予測対象に対し、
   少なくとも二つ以上の予測値候補を演算する手段と少な
   くとも利益最大と誤差最小の二つの規範を含む多数の規
   範のもとで予測値候補を評価・選択する手段、を備えた
   ことを特徴とする需要予測システム。
2. 【請求項２】 少なくとも過去の時系列需要量データを
   含む需要関連データを入力する手段、それを記憶する手
   段、記憶されたデータから予測単位（日次・週次・月次
   等の時間間隔の長さや県・日本・アジア等の地域の範囲
   の大きさ等）の異なる将来の需要量を演算する手段、求
   めた演算結果の出力手段を有する予測システムにおい
   て、包含関係にある予測単位の大きい方の予測結果を予
   測単位の小さい方の予測に活用するかどうか、あるい
   は、包含関係にある予測単位の小さい方の予測結果を予
   測単位の大きい方の予測に活用するかどうか（参照関
   係）、の少なくとも一方を自動的に判断する手段と判断
   結果に基づき予測計算を実行する手段、を備えたことを
   特徴とする需要予測システム。
3. 【請求項３】 少なくとも過去の時系列需要量データを
   含む需要関連データを入力する手段、それを記憶する手
   段、記憶されたデータから予測単位（日次・週次・月次
   等の時間間隔の長さや県・日本・アジア等の地域の範囲
   の大きさ等）の異なる将来の需要量を演算する手段、求
   めた演算結果の出力手段を有する予測システムにおい
   て、包含関係にある予測単位の大きい方の予測結果を予
   測単位の小さい方の予測に活用するかどうか、あるい
   は、包含関係にある予測単位の小さい方の予測結果を予
   測単位の大きい方の予測に活用するかどうか（参照関
   係）、の少なくとも一方を人に選択判断させる手段と判
   断結果に基づき予測計算を実行する手段、を備えたこと
   を特徴とする需要予測システム。
4. 【請求項４】 上記自動的に判断する手段は、参照関係
   別の予測誤差計算手段、参照関係別予測誤差から最小誤
   差なる参照関係の選択手段、を備えたことを特徴とする
   請求項２の需要予測システム。
5. 【請求項５】 上記人に選択判断させる手段は、参照関
   係別の予測誤差計算手段、その結果の表示手段、人が予
   測計算における参照関係を変更する手段、を備えたこと
   を特徴とする請求項３の需要予測システム。
6. 【請求項６】 拠点へ発注する総体（これを仮想的に中
   間点と呼ぶ、例えば、卸が拠点なら小売店群、流通セン
   ターが拠点なら卸群、工場倉庫が拠点なら流通センター
   群）からの注文に応じて、拠点から発送される商品別の
   総出荷量の過去の時系列データと需要予測に用いるモデ
   ルを入力する手段と、それを記憶する手段と、記憶され
   たデータとモデルに基づき将来の商品別の拠点から中間
   点への出荷量を演算する予測手段と、求めた演算結果の
   出力手段を有する予測システムにおいて、中間点から下
   流への商品別の総出荷量（あるいは、総売り上げ量）の
   過去の時系列データと中間点在庫量の過去の時系列デー
   タを入力する手段と、それらを記憶する手段と、これら
   記憶されたデータ（拠点からの商品別総出荷量データ、
   中間点の商品別在庫量データ、中間点からの商品別総出
   荷量データ）から将来の拠点からの商品別の総出荷量を
   演算するのに用いる予測モデルを拠点からの商品別総出
   荷量データを用いるモデル（中間点需要の時系列モデ
   ル）、中間点からの商品別総出荷量データを用いるモデ
   ル（下流点需要の時系列モデル）、中間点の商品別在庫
   量データと中間点からの商品別総出荷量データを用いる
   モデル（発注者の発注量モデル）、の少なくとも３個の
   モデルを有するモデル群から自動的に選択する手段、を
   備えたことを特徴とする需要の予測システム。
7. 【請求項７】 請求項６のシステムにおいて、さらに、
   記憶されたデータから将来の拠点からの商品別の総出荷
   量を演算するのに用いる中間点から下流への商品別の総
   出荷量の過去の時系列データと中間点在庫量の過去の時
   系列データを論理的判断から自動的に修正する手段、を
   備えたことを特徴とする需要の予測システム。
8. 【請求項８】 請求項６のシステムにおいて、さらに、
   予測精度が改善される方向にモデルを学習的に変更して
   ゆく学習手段、を備えたことを特徴とする需要の予測シ
   ステム。