JP2004157625A - 出荷量予測方法およびシステム - Google Patents
出荷量予測方法およびシステム Download PDFInfo
- Publication number
- JP2004157625A JP2004157625A JP2002320628A JP2002320628A JP2004157625A JP 2004157625 A JP2004157625 A JP 2004157625A JP 2002320628 A JP2002320628 A JP 2002320628A JP 2002320628 A JP2002320628 A JP 2002320628A JP 2004157625 A JP2004157625 A JP 2004157625A
- Authority
- JP
- Japan
- Prior art keywords
- shipment
- prediction
- shipping
- demand
- product
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】間歇的な需要を示す商品に対し、少ない過去実績データから高精度予測を実現する。
【解決手段】出荷予測装置は出荷関連データ入力手段1、記憶手段であるデータベース2、実需特性算出手段3、予測演算手段4、予測結果出力手段5からなる。実需特性算出手段は間歇需要商品か連続需要商品かの判別をする手段31と間歇需要(出荷)実績を仮想連続需要(出荷)へ変換する手段32と需要特性を推定する手段33より成る。予測値演算手段4は、モデル更新時判別処理40、商品判別処理41、前処理42、直近出荷量判別処理43、ベースモデルによる予測処理44、補助モデルによる予測処理45、後処理46、連続需要予測処理47、ベースモデル作成処理48、補助モデル作成処理49より成る。これにより、間歇需要商品に対しても少ない過去実績データから予測業務を精度良く行える。
【選択図】 図1
【解決手段】出荷予測装置は出荷関連データ入力手段1、記憶手段であるデータベース2、実需特性算出手段3、予測演算手段4、予測結果出力手段5からなる。実需特性算出手段は間歇需要商品か連続需要商品かの判別をする手段31と間歇需要(出荷)実績を仮想連続需要(出荷)へ変換する手段32と需要特性を推定する手段33より成る。予測値演算手段4は、モデル更新時判別処理40、商品判別処理41、前処理42、直近出荷量判別処理43、ベースモデルによる予測処理44、補助モデルによる予測処理45、後処理46、連続需要予測処理47、ベースモデル作成処理48、補助モデル作成処理49より成る。これにより、間歇需要商品に対しても少ない過去実績データから予測業務を精度良く行える。
【選択図】 図1
Description
【0001】
【発明の属する技術分野】
本発明は、間歇的に需要が発生する商品の出荷量を予測する方法とシステムに関する。特に、従来の連続的に需要が発生する商品向けの予測方法では予測誤差が大きくなることを防止して、実質的に有効な予測を通して資材調達・生産計画や在庫・配送等の計画・運用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出荷量予測方法およびシステムに関する。
【0002】
【従来の技術】
従来技術としては、下記の特許文献1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、特許文献2や特許文献3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、特許文献4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、特許文献5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】
【特許文献1】
特開平6−162231号公報
【特許文献2】
特開平6−68065号公報
【特許文献3】
特開平6−274470号公報
【特許文献4】
特開平7−175786号公報
【特許文献5】
特開平7−262168号公報
【0004】
【発明が解決しようとする課題】
上記従来技術は、間歇的な需要商品と連続的な需要商品を区別して予測することが予測精度の向上のためには必要であるということが十分には配慮されていない。これを分かり易く説明するには、出荷間隔が20日近傍の特性を持つ商品を考えるとよい。だいたい20日間隔で一定量の出荷を続けた場合のデータから季節指数を従来の月次の総出荷量のデータから求めると、たまたま出荷日が月に2回ある月の季節指数は大きくなり、1回の月は季節指数は小さくなる。しかし、これでは本来の季節指数を意味するものではないことは明らかであり、この情報を用いて将来の出荷予測をすると予測誤差が大きくなってしまう。
【0005】
さらに、商品寿命が短くなってきた現代においては、過去の多年間の出荷あるいは販売実績データから商品需要特性を抽出することはできなくなってきており、少ないデータで季節需要特性等を知る必要性に対する十分な配慮がなされておらないという第二の問題があった。
【0006】
本発明の目的は、商品需要の予測精度を向上する予測方法および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】
本発明は、出荷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出荷量を演算する手段、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、間歇需要商品か連続需要商品かの判別をする手段と、判別結果にもとづき予測方法を選択する手段、を施したものである。
【0008】
本発明は、間歇需要の予測方法として、間歇需要(出荷)実績データを仮想連続需要(出荷)データへ変換する手段と、該変換結果から需要(すなわち出荷)特性を推定する手段、該推定結果を利用して出荷量予測を行う手段、を施したものである。さらに第一の目的を達成するために、最頻出荷量近傍の出荷が続く場合はベース予測モデルを用い、最頻出荷量から大きくはずれた量の出荷が行われた場合には、補助予測モデルを用いて間歇需要商品の予測出荷量を演算する手段、を施したものである。
【0009】
【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。実施例を、特定のある製品について、先週までの日次出荷量データから今週の出荷量を予測する場合を例にとり説明する。
【0010】
図1は実施例における出荷量予測装置の機能構成図である。本発明の出荷量の予測装置は、出荷量の過去の時系列データや予測に用いるモデル群、等の出荷関連データ入力手段1、記憶手段であるデータベース2、実需特性算出手段3、予測値演算手段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。実需特性算出手段3、予測値演算手段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は予測値演算手段4の結果情報12を出力するものである。実需特性算出手段3は過去の出荷量時系列データから該当商品が間歇需要製品か連続需要製品かの判別を行い、その判別結果にもとづき異なった方法でそれぞれの需要(出荷)量特性を求めるものである。
【0011】
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、実需特性算出手段3、予測値演算手段4、について詳述する。
【0012】
記憶手段であるデータベース2では、入力情報11として入力された先週までの日次出荷量実績データ、
n(k),y(k), for k=−m,…,−1 (ただし、k=−s はs 回前の出荷を意味し、nは出荷年月日、yは出荷量を表わす)
やこれらのデータから実需特性算出手段3や予測値演算手段4において計算された結果データや、予測に用いる数式モデルやロジックモデル(モデルとは過去の時点のn(k),y(k)データや需要特性データ等を入力としてy(0)の予測値を出力とする関数あるいは計算処理手順のこと)等のモデルデータ、等の需要関連データが記憶されている。
【0013】
実需特性算出手段3は、間歇需要商品か連続需要商品かの判別をする手段31と間歇需要(出荷)実績を仮想連続需要(出荷)へ変換する手段32と需要特性を推定する手段33より成る。間歇需要商品か連続需要商品かの判別をする手段31では、まず、出荷日間隔日数を
dn(k)=n(k)−n(k−1), for k=−m+1,…, −1,
で計算し、データベース2へ格納し、さらに、これらの出荷日間隔データの平均(dnmean)を計算し、
dnmean > ある定数(例えば、=5)
ならば、間歇需要商品と判別し、それ以外(dnmean≦ある定数)なら連続需要商品と判別する。連続需要商品と判別された場合は手段33の処理へ移り、間歇需要商品と判別された場合は手段32の処理へ移る。
【0014】
間歇需要(出荷)実績を仮想連続需要(出荷)へ変換する手段32では、間歇需要である実出荷量y(k)を、量的に等価な、
y(k)/dn(k),
量の出荷がdn(k)日間(n(k−1)+1日からn(k)日まで)連続的に出荷されたものと仮想的に考えて連続需要量を計算する。この仮想連続需要データをデータベース2へ格納し、そして、手段33の処理へ移る。
【0015】
需要特性を推定する手段33では、連続需要商品の場合は日次出荷量データ
y(k), for k=−m,…,−1
を使用し、間歇需要商品の場合は仮想連続出荷データ
y(k)/dn(k), for dn(k)日間(n(k−1)+1日からn(k)日まで)
k=−m,…,−1
を、月次や週次にまとめて加算することにより、月次と週次の出荷量データ
my(i) , for i=…,−2 ,−1, (ただし、k=−s はs月前の出荷の意味)
wy(j) , for j=…,−2 ,−1, (ただし、j=−s はs週前の出荷の意味)
を得る。これらのデータから出荷特性としての移動平均と季節指数を
mamy(i)={my(i−6)+2×[my(i−5) +…+ my(i+5)]+my(i+6)}/24,
kmy(i)= 24×my(i)/{my(i−6)+2×[my(i−5) +…+ my(i+5)]+my(i+6)},
により算出し、データベース2へ格納する。同様に、53週の移動平均とその実績値から週次移動平均と週次季節指数を算出し、データベース2へ格納する。予測値演算手段4は、モデル更新時判別処理40、商品判別処理41、前処理42、直近出荷量判別処理43、ベースモデルによる予測処理44、補助モデルによる予測処理45、後処理46、連続需要予測処理47、ベースモデル作成処理48、補助モデル作成処理49より成る。
【0016】
モデル更新時判別処理40では、一定期間の経過をカウントし、前回の更新時か一定期間(例えば3ヶ月)を過ぎたらベースモデル作成処理48へ行く、まだ過ぎていなければ商品判別処理41へ行く。
【0017】
商品判別処理41では、間歇需要商品の判別をする手段31において、連続需要と判別された場合には、連続需要予測処理47へ処理部へ行き、間歇需要商品と判別された場合には処理部42へ行く。
【0018】
連続需要予測処理47では、週次wy(j)の移動平均の漸近線を最小二乗法で求め、これを予測すべき週まで外挿し、その値にその週の属する季節指数、あるいは、週次季節指数を掛けることにより、出荷予測値を算出する。これらの予測値データ13をデータベース2へ格納すると共に、出力手段5へ引き渡す。
【0019】
前処理42では、出荷日間隔データdn(k)を対応する季節指数で割って、定常化された出荷日間隔ddn(k) を算出する。ここにおける季節指数とは、n(k)とn(k−1)が同じ月ならばその月の季節指数を用い、異なっているときは、それぞれの月の季節指数の平均を使用するものである。
【0020】
直近出荷量判別処理43では、y(−1) が最頻出荷量近傍の場合はベースモデルによる予測処理44へ進み、近傍から離れているときは補助モデルによる予測処理45へ進むという判別を行う。ここでいう、近傍とは、最頻出荷量の一定量(例えば、2割とか3割)の相違の範囲のことである。
【0021】
ベースモデルによる予測処理44では、ベースモデルである
ddn(k)= a1× ddn(k−1)+a2×y(k−1)+…+a2p×y(k−p)
y(k) = b1× ddn(k−1)+b2×y(k−1)+…+b2p×y(k−p)
を用いて、ddn(0),y(0)の予測値として
eddn(0)=a1× ddn(−1)+a2×y(−1)+…+a2p×y(−p)
ey(0) =b1× ddn(−1)+b2×y(−1)+…+b2p×y(−p)
を算出して、後処理部46へ移る。ただし、ベースモデルの係数、
a1, a2, …, a2p
b1, b2, …, b2p
の値と個数は、ベースモデル作成処理48にて作成されたものである。
【0022】
補助モデルによる予測処理45では、補助モデル作成処理49にて作成されたモデルにもとづき予測値 eddn(0), ey(0)を算出する。
【0023】
後処理46では、eddn(0)に季節指数をかけてedn(0) を算出し、次回の出荷予測日と出荷予測量として、
n(−1)+edn(0), ey(0)
を算出する。そして、 n(−1)+edn(0) が今週の範囲にあれば、今週の出荷予測量は ey(0)となり、n(−1)+edn(0)が次週以降の範囲にあれば、今週の出荷予測量は零である。この出荷予測値をデータベース2に格納するとともに、予測結果出力手段5へ引渡す。
【0024】
ベースモデル作成処理48は、データ・クレンジング処理481とモデル作成処理482よりなっている。
【0025】
データ・クレンジング処理481では、過去の出荷データ
dn(k), y(k), k=−m,…,−1
に対し、y(k) が最頻出荷量近傍にあるときには、dn(k), y(k) はそのままにし、y(k) が最頻出荷量近傍外にあるときには、出荷回数を架空的に数回に分けたり、前後の出荷と合わせて一回の出荷とみなす処理により、すべての出荷量を最頻出荷量近傍にあるように架空の出荷データを作成する。たとえば、y(k)が最頻出荷量の2倍の場合には、出荷間隔がdn(k)/2で出荷量が y(k)/2 の出荷が2回連続して行われたと架空的に置き換え、また、2回の出荷量の和 y(k)+y(k+1) が最頻出荷量の近傍の範囲にある場合は、架空の1回の出荷(出荷間隔日は
dn(k)+dn(k+1)×y(k+1)/[y(k)+y(k+1)]、出荷量は y(k)+y(k+1))
に置き換える。
【0026】
モデル作成処理482では、このクレンジング後の架空データにフィッティングする自己回帰モデルを誤差最小あるいは最終予測誤差最小等の規範で算出し、これをベース予測モデルとしてデータベース2へ格納し、補助モデル作成処理49へ進む。
【0027】
補助モデル作成処理49では、クレンジング前の過去の出荷データ
dn(k), y(k), k=−m,…,−1
に対し、y(k) が最頻出荷量近傍より小さい場合と大きい場合に分けて、その後の1、2回の出荷データをセットで集め、それらの集合から特徴をロジックで抽出し、それを補助モデルとする。補助モデルの候補として、
等のロジックが上記抽出データによく当てはまったばあいには、それを補助モデルのロジックとして採用し、データベース2へ格納するものである。
【0028】
【発明の効果】
本発明によれば、間歇需要商品と連続需要商品とを分けて、予測することによって、商品需要の予測精度を向上できるという効果を奏する。
【0029】
また、本発明によれば、需要又は出荷実績の少ない商品の商品需要の予測精度を向上できるという効果を奏する。
【図面の簡単な説明】
【図1】実施例における需要予測装置の機能構成図。
【図2】実施例における予測値演算手段の処理フロー図。
【符号の説明】
1…出荷関連データ入力手段、2…記憶手段、3…実需特性算出手段、4…予測値演算手段、5…予測結果の出力手段、11…入力データ、12…予測結果情報、31…間歇需要商品の判別手段、32…仮想連続需要(出荷)への変換手段、33…需要特性の推定手段。
【発明の属する技術分野】
本発明は、間歇的に需要が発生する商品の出荷量を予測する方法とシステムに関する。特に、従来の連続的に需要が発生する商品向けの予測方法では予測誤差が大きくなることを防止して、実質的に有効な予測を通して資材調達・生産計画や在庫・配送等の計画・運用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出荷量予測方法およびシステムに関する。
【0002】
【従来の技術】
従来技術としては、下記の特許文献1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、特許文献2や特許文献3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、特許文献4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、特許文献5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】
【特許文献1】
特開平6−162231号公報
【特許文献2】
特開平6−68065号公報
【特許文献3】
特開平6−274470号公報
【特許文献4】
特開平7−175786号公報
【特許文献5】
特開平7−262168号公報
【0004】
【発明が解決しようとする課題】
上記従来技術は、間歇的な需要商品と連続的な需要商品を区別して予測することが予測精度の向上のためには必要であるということが十分には配慮されていない。これを分かり易く説明するには、出荷間隔が20日近傍の特性を持つ商品を考えるとよい。だいたい20日間隔で一定量の出荷を続けた場合のデータから季節指数を従来の月次の総出荷量のデータから求めると、たまたま出荷日が月に2回ある月の季節指数は大きくなり、1回の月は季節指数は小さくなる。しかし、これでは本来の季節指数を意味するものではないことは明らかであり、この情報を用いて将来の出荷予測をすると予測誤差が大きくなってしまう。
【0005】
さらに、商品寿命が短くなってきた現代においては、過去の多年間の出荷あるいは販売実績データから商品需要特性を抽出することはできなくなってきており、少ないデータで季節需要特性等を知る必要性に対する十分な配慮がなされておらないという第二の問題があった。
【0006】
本発明の目的は、商品需要の予測精度を向上する予測方法および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】
本発明は、出荷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出荷量を演算する手段、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、間歇需要商品か連続需要商品かの判別をする手段と、判別結果にもとづき予測方法を選択する手段、を施したものである。
【0008】
本発明は、間歇需要の予測方法として、間歇需要(出荷)実績データを仮想連続需要(出荷)データへ変換する手段と、該変換結果から需要(すなわち出荷)特性を推定する手段、該推定結果を利用して出荷量予測を行う手段、を施したものである。さらに第一の目的を達成するために、最頻出荷量近傍の出荷が続く場合はベース予測モデルを用い、最頻出荷量から大きくはずれた量の出荷が行われた場合には、補助予測モデルを用いて間歇需要商品の予測出荷量を演算する手段、を施したものである。
【0009】
【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。実施例を、特定のある製品について、先週までの日次出荷量データから今週の出荷量を予測する場合を例にとり説明する。
【0010】
図1は実施例における出荷量予測装置の機能構成図である。本発明の出荷量の予測装置は、出荷量の過去の時系列データや予測に用いるモデル群、等の出荷関連データ入力手段1、記憶手段であるデータベース2、実需特性算出手段3、予測値演算手段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。実需特性算出手段3、予測値演算手段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は予測値演算手段4の結果情報12を出力するものである。実需特性算出手段3は過去の出荷量時系列データから該当商品が間歇需要製品か連続需要製品かの判別を行い、その判別結果にもとづき異なった方法でそれぞれの需要(出荷)量特性を求めるものである。
【0011】
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、実需特性算出手段3、予測値演算手段4、について詳述する。
【0012】
記憶手段であるデータベース2では、入力情報11として入力された先週までの日次出荷量実績データ、
n(k),y(k), for k=−m,…,−1 (ただし、k=−s はs 回前の出荷を意味し、nは出荷年月日、yは出荷量を表わす)
やこれらのデータから実需特性算出手段3や予測値演算手段4において計算された結果データや、予測に用いる数式モデルやロジックモデル(モデルとは過去の時点のn(k),y(k)データや需要特性データ等を入力としてy(0)の予測値を出力とする関数あるいは計算処理手順のこと)等のモデルデータ、等の需要関連データが記憶されている。
【0013】
実需特性算出手段3は、間歇需要商品か連続需要商品かの判別をする手段31と間歇需要(出荷)実績を仮想連続需要(出荷)へ変換する手段32と需要特性を推定する手段33より成る。間歇需要商品か連続需要商品かの判別をする手段31では、まず、出荷日間隔日数を
dn(k)=n(k)−n(k−1), for k=−m+1,…, −1,
で計算し、データベース2へ格納し、さらに、これらの出荷日間隔データの平均(dnmean)を計算し、
dnmean > ある定数(例えば、=5)
ならば、間歇需要商品と判別し、それ以外(dnmean≦ある定数)なら連続需要商品と判別する。連続需要商品と判別された場合は手段33の処理へ移り、間歇需要商品と判別された場合は手段32の処理へ移る。
【0014】
間歇需要(出荷)実績を仮想連続需要(出荷)へ変換する手段32では、間歇需要である実出荷量y(k)を、量的に等価な、
y(k)/dn(k),
量の出荷がdn(k)日間(n(k−1)+1日からn(k)日まで)連続的に出荷されたものと仮想的に考えて連続需要量を計算する。この仮想連続需要データをデータベース2へ格納し、そして、手段33の処理へ移る。
【0015】
需要特性を推定する手段33では、連続需要商品の場合は日次出荷量データ
y(k), for k=−m,…,−1
を使用し、間歇需要商品の場合は仮想連続出荷データ
y(k)/dn(k), for dn(k)日間(n(k−1)+1日からn(k)日まで)
k=−m,…,−1
を、月次や週次にまとめて加算することにより、月次と週次の出荷量データ
my(i) , for i=…,−2 ,−1, (ただし、k=−s はs月前の出荷の意味)
wy(j) , for j=…,−2 ,−1, (ただし、j=−s はs週前の出荷の意味)
を得る。これらのデータから出荷特性としての移動平均と季節指数を
mamy(i)={my(i−6)+2×[my(i−5) +…+ my(i+5)]+my(i+6)}/24,
kmy(i)= 24×my(i)/{my(i−6)+2×[my(i−5) +…+ my(i+5)]+my(i+6)},
により算出し、データベース2へ格納する。同様に、53週の移動平均とその実績値から週次移動平均と週次季節指数を算出し、データベース2へ格納する。予測値演算手段4は、モデル更新時判別処理40、商品判別処理41、前処理42、直近出荷量判別処理43、ベースモデルによる予測処理44、補助モデルによる予測処理45、後処理46、連続需要予測処理47、ベースモデル作成処理48、補助モデル作成処理49より成る。
【0016】
モデル更新時判別処理40では、一定期間の経過をカウントし、前回の更新時か一定期間(例えば3ヶ月)を過ぎたらベースモデル作成処理48へ行く、まだ過ぎていなければ商品判別処理41へ行く。
【0017】
商品判別処理41では、間歇需要商品の判別をする手段31において、連続需要と判別された場合には、連続需要予測処理47へ処理部へ行き、間歇需要商品と判別された場合には処理部42へ行く。
【0018】
連続需要予測処理47では、週次wy(j)の移動平均の漸近線を最小二乗法で求め、これを予測すべき週まで外挿し、その値にその週の属する季節指数、あるいは、週次季節指数を掛けることにより、出荷予測値を算出する。これらの予測値データ13をデータベース2へ格納すると共に、出力手段5へ引き渡す。
【0019】
前処理42では、出荷日間隔データdn(k)を対応する季節指数で割って、定常化された出荷日間隔ddn(k) を算出する。ここにおける季節指数とは、n(k)とn(k−1)が同じ月ならばその月の季節指数を用い、異なっているときは、それぞれの月の季節指数の平均を使用するものである。
【0020】
直近出荷量判別処理43では、y(−1) が最頻出荷量近傍の場合はベースモデルによる予測処理44へ進み、近傍から離れているときは補助モデルによる予測処理45へ進むという判別を行う。ここでいう、近傍とは、最頻出荷量の一定量(例えば、2割とか3割)の相違の範囲のことである。
【0021】
ベースモデルによる予測処理44では、ベースモデルである
ddn(k)= a1× ddn(k−1)+a2×y(k−1)+…+a2p×y(k−p)
y(k) = b1× ddn(k−1)+b2×y(k−1)+…+b2p×y(k−p)
を用いて、ddn(0),y(0)の予測値として
eddn(0)=a1× ddn(−1)+a2×y(−1)+…+a2p×y(−p)
ey(0) =b1× ddn(−1)+b2×y(−1)+…+b2p×y(−p)
を算出して、後処理部46へ移る。ただし、ベースモデルの係数、
a1, a2, …, a2p
b1, b2, …, b2p
の値と個数は、ベースモデル作成処理48にて作成されたものである。
【0022】
補助モデルによる予測処理45では、補助モデル作成処理49にて作成されたモデルにもとづき予測値 eddn(0), ey(0)を算出する。
【0023】
後処理46では、eddn(0)に季節指数をかけてedn(0) を算出し、次回の出荷予測日と出荷予測量として、
n(−1)+edn(0), ey(0)
を算出する。そして、 n(−1)+edn(0) が今週の範囲にあれば、今週の出荷予測量は ey(0)となり、n(−1)+edn(0)が次週以降の範囲にあれば、今週の出荷予測量は零である。この出荷予測値をデータベース2に格納するとともに、予測結果出力手段5へ引渡す。
【0024】
ベースモデル作成処理48は、データ・クレンジング処理481とモデル作成処理482よりなっている。
【0025】
データ・クレンジング処理481では、過去の出荷データ
dn(k), y(k), k=−m,…,−1
に対し、y(k) が最頻出荷量近傍にあるときには、dn(k), y(k) はそのままにし、y(k) が最頻出荷量近傍外にあるときには、出荷回数を架空的に数回に分けたり、前後の出荷と合わせて一回の出荷とみなす処理により、すべての出荷量を最頻出荷量近傍にあるように架空の出荷データを作成する。たとえば、y(k)が最頻出荷量の2倍の場合には、出荷間隔がdn(k)/2で出荷量が y(k)/2 の出荷が2回連続して行われたと架空的に置き換え、また、2回の出荷量の和 y(k)+y(k+1) が最頻出荷量の近傍の範囲にある場合は、架空の1回の出荷(出荷間隔日は
dn(k)+dn(k+1)×y(k+1)/[y(k)+y(k+1)]、出荷量は y(k)+y(k+1))
に置き換える。
【0026】
モデル作成処理482では、このクレンジング後の架空データにフィッティングする自己回帰モデルを誤差最小あるいは最終予測誤差最小等の規範で算出し、これをベース予測モデルとしてデータベース2へ格納し、補助モデル作成処理49へ進む。
【0027】
補助モデル作成処理49では、クレンジング前の過去の出荷データ
dn(k), y(k), k=−m,…,−1
に対し、y(k) が最頻出荷量近傍より小さい場合と大きい場合に分けて、その後の1、2回の出荷データをセットで集め、それらの集合から特徴をロジックで抽出し、それを補助モデルとする。補助モデルの候補として、
等のロジックが上記抽出データによく当てはまったばあいには、それを補助モデルのロジックとして採用し、データベース2へ格納するものである。
【0028】
【発明の効果】
本発明によれば、間歇需要商品と連続需要商品とを分けて、予測することによって、商品需要の予測精度を向上できるという効果を奏する。
【0029】
また、本発明によれば、需要又は出荷実績の少ない商品の商品需要の予測精度を向上できるという効果を奏する。
【図面の簡単な説明】
【図1】実施例における需要予測装置の機能構成図。
【図2】実施例における予測値演算手段の処理フロー図。
【符号の説明】
1…出荷関連データ入力手段、2…記憶手段、3…実需特性算出手段、4…予測値演算手段、5…予測結果の出力手段、11…入力データ、12…予測結果情報、31…間歇需要商品の判別手段、32…仮想連続需要(出荷)への変換手段、33…需要特性の推定手段。
Claims (6)
- 予測対象の出荷関連データを入力する入力ステップと、入力されたデータを記憶するステップと、記憶されたデータあるいは入力データに基づき将来の出荷量を演算する予測ステップと、求めた演算結果の出力ステップを有する予測方法において、
予め定められた商品の出荷間隔を基準として、前記出荷間隔よりも長い間歇需要商品か前記出荷間隔よりも短い連続需要商品かの判別をするステップと、
判別結果にもとづき予測方法を変更するステップ、
を備えたことを特徴とする出荷量予測方法。 - 予測対象の出荷関連データを入力する入力ステップと、入力されたデータを記憶するステップと、記憶されたデータあるいは入力データに基づき将来の出荷量を演算する予測ステップと、求めた演算結果の出力ステップを有する予測方法において、
予め定められた商品の出荷間隔よりも長い間歇需要商品の需要又は出荷の実績から、前記出荷間隔よりも短い連続需要商品の需要又は出荷へ変換するステップと、
該変換結果から需要特性を推定するステップと、
該推定結果を利用して出荷量予測を行うステップ、
を備えたことを特徴とする出荷量予測方法。 - 上記請求項2における出荷量予測方法において、最頻出荷量に対して所定量の範囲内にある出荷量の商品はベース予測モデルを用い、最頻出荷量に対して所定量の範囲外にある出荷量の商品は前記ベース予測モデルを補助するための補助予測モデルを用いて予測出荷量を演算するステップ、
を備えたことを特徴とする出荷量予測方法。 - 予測対象の出荷関連データを入力する入力手段と、入力されたデータを記憶する手段と、記憶されたデータあるいは入力データに基づき将来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、
予め定められた商品の出荷間隔を基準として、前記出荷間隔よりも長い間歇需要商品か前記出荷間隔よりも短い連続需要商品かの判別をする手段と、
判別結果にもとづき予測方法を変更する手段、
を備えたことを特徴とする出荷量予測システム。 - 予測対象の出荷関連データを入力する入力手段と、入力されたデータを記憶する手段と、記憶されたデータあるいは入力データに基づき将来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、
予め定められた商品の出荷間隔よりも長い間歇需要商品の需要又は出荷の実績から、前記出荷間隔よりも短い連続需要商品の需要又は出荷へ変換する手段と、
該変換結果から需要特性を推定する手段と、
該推定結果を利用して出荷量予測を行う手段、
を備えたことを特徴とする出荷量予測システム。 - 上記請求項5における出荷量予測システムにおいて、最頻出荷量に対して所定量の範囲内にある出荷量の商品はベース予測モデルを用い、最頻出荷量に対して所定量の範囲外にある出荷量の商品は前記ベース予測モデルを補助するための補助予測モデルを用いて予測出荷量を演算する手段、
を備えたことを特徴とする出荷量予測システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2002320628A JP2004157625A (ja) | 2002-11-05 | 2002-11-05 | 出荷量予測方法およびシステム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2002320628A JP2004157625A (ja) | 2002-11-05 | 2002-11-05 | 出荷量予測方法およびシステム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2004157625A true JP2004157625A (ja) | 2004-06-03 |
Family
ID=32801416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2002320628A Pending JP2004157625A (ja) | 2002-11-05 | 2002-11-05 | 出荷量予測方法およびシステム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2004157625A (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7725575B2 (en) | 2005-10-27 | 2010-05-25 | Fujitsu Limited | Unexpected demand detection system and unexpected demand detection program |
JP2019215749A (ja) * | 2018-06-13 | 2019-12-19 | 株式会社日立物流 | 物流予測システム及び予測方法 |
JP7406447B2 (ja) | 2020-04-30 | 2023-12-27 | ロジスティード株式会社 | 計算機システム及びアイテムの需要予測方法 |
-
2002
- 2002-11-05 JP JP2002320628A patent/JP2004157625A/ja active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7725575B2 (en) | 2005-10-27 | 2010-05-25 | Fujitsu Limited | Unexpected demand detection system and unexpected demand detection program |
JP2019215749A (ja) * | 2018-06-13 | 2019-12-19 | 株式会社日立物流 | 物流予測システム及び予測方法 |
JP7406447B2 (ja) | 2020-04-30 | 2023-12-27 | ロジスティード株式会社 | 計算機システム及びアイテムの需要予測方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sarkar et al. | A cooperative advertising collaboration policy in supply chain management under uncertain conditions | |
Huber et al. | A data-driven newsvendor problem: From data to decision | |
Murray et al. | Forecast of individual customer’s demand from a large and noisy dataset | |
US9165270B2 (en) | Predicting likelihood of customer attrition and retention measures | |
WO2019001120A1 (zh) | 商品动态定价数据处理方法和系统 | |
US7062447B1 (en) | Imputed variable generator | |
Syntetos | Forecasting of intermittent demand | |
CA3235875A1 (en) | Method and system for generation of at least one output analytic for a promotion | |
JP6514342B2 (ja) | オンライン予測システムおよび方法 | |
US20110131079A1 (en) | System and Method for Modeling by Customer Segments | |
EP3371764A1 (en) | Systems and methods for pricing optimization with competitive influence effects | |
JP5251217B2 (ja) | 販売数予測システム、販売数予測システムの動作方法および販売数予測プログラム | |
Nasiri et al. | Incorporating sales and marketing considerations into a competitive multi-echelon distribution network design problem with pricing strategy in a stochastic environment | |
CN106056239A (zh) | 一种产品库存预测方法及装置 | |
JP2009043291A (ja) | 商品需要予測システム、商品の売上数調整システム | |
WO2019221844A1 (en) | Item-specific value optimization tool | |
Ishichi et al. | Shelf-space allocation model with demand learning | |
Behfard et al. | Last Time Buy and repair decisions for fast moving parts | |
JP2004157625A (ja) | 出荷量予測方法およびシステム | |
JP2005284470A (ja) | 商品毎のシェア予測装置と予測方法とそのためのプログラム | |
JPH11219345A (ja) | 時系列データの予測方法およびシステム | |
Kusmana et al. | The Design of A Web-Based Inventory Management Application Using Predictive Modeling | |
Akhmetbek | Forecasting customer future behavior in retail business using machine learning models | |
Ramlan | Evaluating forecast performance of Malaysian goods export for 2021-2022 with Box-Jenkins methodology and Arima model | |
JP2021039542A (ja) | 情報処理方法および情報処理装置 |