JP2009093642A - プリントジョブ関連の需要を予測するシステム及び方法 - Google Patents

Abstract

【課題】その変動度が高いプリントジョブを受注する大規模プリントショップに対するプリント需要をうまく予測できるようにする。
【解決手段】文書プリント作成センタ例えば１０−１の出力装置１６で所定期間内に処理された複数個のプリントジョブについて、ＤＣＴ（データ収集ツール）１８がプリント需要示唆データを収集し、大容量メモリ２０がそれを暫時記憶し、サービスマネージャ２４がメモリ２０上のデータを処理して需要を予測する。このデータ処理では、メモリ２０上のプリント需要示唆データから第１及び第２需要時系列を導出し、第１需要時系列に含まれる複数個の低変動性需要成分をプール等して第１需要関連予測を、また第２需要時系列に含まれる高変動性需要成分（のうち結果が収束しそうなもの）を１個ずつ処理して第２需要関連予測を、それぞれ導出する。
【選択図】図１

Description

本発明は、文書プリント作成環境の稼働状況を調整するシステム及び方法に関し、特にその変動度（variability）の高低によらずプリントジョブを処理する環境での需要予測手法に関する。

プリントショップは文書プリント作成環境の一種である。プリントショップでは、印刷注文たるプリントジョブを受注し、そのジョブに基づき最終印刷物たるプリントを作成する。即ち、印刷機、裁断機、製本機等といった店内リソースを活用し、受注したジョブを処理する。それらのリソースは組織的に活用されるので、顧客から受注したプリントジョブは、通常、それに相応しい処理機能乃至機能群を用いて処理されることとなる。

こうしたプリントショップでは様々な稼働状況が発生しうる。例えば、その処理条件にあまり違いがない等、文書多様性（product variety）に乏しい多数のプリントジョブを受注した場合、印刷、折り込み、結束、運送等といった工程を延々と繰り返さねばならなくなる。逆に、そのジョブサイズが様々である等、文書多様性に極めて富んだ複数のプリントジョブを受注した場合、連続送り装置や折り込み機等、種々のジョブ処理装置の動作切換に多くの時間が費やされてしまう。ある非常に大規模なプリントショップで行われた運用実験からも、プリント需要が極めて多様な時系列的挙動を呈しうることが、既にわかっている。ジョブ処理量が多い大規模プリントショップではこうした変動性が強くなりがちであり、その度合い即ち変動度は裾厚分布（fat-tailed distribution）又は裾重分布（heavy-tailed distribution）と呼ばれる分布を呈することがしばしばである。

米国特許第７０７９２６６号明細書（Ｂ１） 米国特許第７２４２３０２号明細書（Ｂ２）

従って、プリント需要を予測することができれば、とりわけ大規模プリントショップにおける店内リソース管理でその結果を活用することができる。そのため、文献上ではこれまで何種類かの予測手法が提案されているが、そうした従来案では、変動度が高いプリントジョブを受注する大規模プリントショップに関し、プリント需要をうまく予測することができない。例えば、成分毎に予測を行いその結果を総合して総予測を得る予測総合法（aggregate forecast）に比べプール式予測法（pooled demand forecast）に利があるようにいう文献があるけれども、発明者の知る限り、その変動度がかなり高水準となるジョブでも受注する文書プリント作成環境等では、プール式予測法だと予測が成り立たないことがある。

ここに、本発明の一実施形態は、所定期間に亘り複数個のプリントジョブを処理する文書プリント作成システムにて使用されるプリント需要予測システムであって、当該所定期間に亘り個々の処理済プリントジョブからプリント需要示唆データを収集するデータ収集ツールと、収集されたプリント需要示唆データを記憶する大容量メモリと、コンピュータ上で稼働し記憶済のプリント需要示唆データを処理するサービスマネージャと、を備える。そのサービスマネージャは、その処理によって（１）その変動度が所定水準より低い低変動性需要成分からなる第１需要時系列、並びにその変動度が同水準より高い高変動性需要成分からなる第２需要時系列を導出し、（２）一般に複数個ある低変動性需要成分を併用し第１需要時系列に関する予測結果たる第１需要関連予測を導出する一方、高変動性需要成分のうち予測結果が収束しうるものを個別に使用し第２需要時系列に関する予測結果たる第２需要関連予測を導出する。

図１に、データ処理センタを伴うネットワーク型文書プリント作成システムの例を示す。この図のシステムは、一群の文書プリント作成センタ１０（個別に表すときは１０−１，１０−２，…１０−Ｎ）、それと通信するデータ処理センタ１２、並びにその通信路を提供するネットワーク１４例えばワールドワイドウェブ利用型ＷＡＮ（wide area network）から構成されている。センタ１０のうち何個所かはプリントショップ等の文書プリント作成設備であり、そのうち少なくとも１個所例えば１０−１には出力装置１６及びそれとやりとりするデータ収集ツール（ＤＣＴ）１８が設けられている。なお、以下の説明はセンタ１０−１を例として行うが、他のセンタ１０もやはり、１個又は複数個の出力装置１６にＤＣＴ１８を組み合わせた構成としうるので、その点を了解されたい。また、本件技術分野で習熟を積まれた方々（いわゆる当業者）には自明な通り、文書プリント作成設備で使用できる文書処理関連装置は出力装置１６以外にも数多くある。例えば特許文献１（発明者：Ｒａｉ ｅｔ ａｌ．；この参照を以てその関連部分を本願に繰り入れる）に記載のものもそうである。

特許文献２（発明者：Ｒａｉ ｅｔ ａｌ．；この参照を以てその関連部分を本願に繰り入れる）の記載からもご推察頂けるように、出力装置１６として使用できる装置は数多く、例えばＰＤＡ（personal digital assistant：携帯情報端末）等のハンドヘルドデバイスや、ＲＦＩＤ（radio frequency identification：無線周波数識別）技術を利用したデバイス等もこれに該当する。データ収集サブシステムたるＤＣＴ１８は、例えばアプリケーションプログラマブルインタフェースを介し与えられたプログラムに従い、出力装置１６で発生するデータを所定時間間隔で取得する。取得されるのはジョブ処理状況（パフォーマンス）を示すジョブ処理状況データやプリント需要を予測する材料になるプリント需要示唆データであり、ＤＣＴ１８は大容量メモリ２０上にそれらのデータを暫時記憶させる。即ち、メモリ２０には何をさしおいてもプリント需要示唆データを記憶させ、必要ならジョブ処理状況データも記憶させる。ジョブ処理状況データとはジョブ種別、クライアント、メディアプレックス（片面／両面の別）、印刷頁数、印刷部数等のことであり、これらは出力装置１６から得ることができる。

他方のデータ処理センタ１２にはサービスマネージャ２４及びそれとやりとりするデータ倉庫２６がある。サービスマネージャ２４は、後述する複数種類の予測計算を実行可能な処理プラットフォームである。データ倉庫２６には、文書プリント作成センタ１０から送られてくるデータ、例えば大容量メモリ２０から読み出されたプリント需要示唆データやジョブ処理状況データが格納される。データ倉庫２６上にジョブ処理状況データベースがあると後述する成分分解処理を好適に実行できる。また、図中の報告作成アプリケーション乃至サービス３０は、サービスマネージャ２４の出力を所要書式の報告書にまとめ、その報告書をネットワークウェブポータル２８に送る。この報告書には予測結果出力が少なくとも一通り含まれるので、随時、その報告書を参照して予測結果を知り関連する文書プリント作成センタ１０の運用を調整することができる。例えば、受注管理、棚卸し、資源配分制御、処理容量配分制御等をその報告に基づき調整することができる。

図中のサービスマネージャ２４で実行されるアプリケーションは過去のプリント需要を調べて将来のプリント需要を予測するアプリケーションであり、本発明の発明者が一連の研究で得た知見に基づき作成されている。発明者が得た知見とは、プリントショップにおけるプリント需要示唆データ（日々の印刷頁数や印刷部数）が他分野の予測対象データ（計量経済学的指標や製品需要）ではあまり発生しないユニークな特性を呈するという知見である。この知見は、プリント需要示唆データの時系列（需要時系列）の挙動にかなりの変動性があり、トレンド変動、周期変動、ある種の裾厚化変動（fat-tailed phenomena）等の成分が含まれるという研究結果に基づいている。実際のところ、文書プリント作成研究時に発明者が調べた需要時系列は、これまで関連文献上で検討されてきた手法ではうまく成分分解できそうにない。そこで、発明者は、文献上の従来案から発想を転換し、プリント需要示唆データに表れるユニークな特性を念頭に置きつつ需要時系列を成分分解して挙動を予測する新たな手法を、本願で提案することとした。その新たな手法の根幹は、以下の説明からもわかる通り、複数の成分を含む需要時系列にも適用できるよう統計モデルを拡張した点にある。種々の時系列データの中にはこの新たなモデルを適用できないものもあるが、少なくともプリント作成設備におけるプリント需要示唆データについては、発明者の知る限りこのモデルは非常にうまく機能する。

即ち、文書プリント作成設備で発生する需要時系列の多くは複数の成分を含むので単一モデルで模擬するのが難しく、特に処理量が多い成分や変動度が高い成分が１個でも含まれているとその難しさが顕著になる。しかも、その変動度が高い成分即ち高変動性需要成分には、単に変動度が高いだけで有限分散のものと、裾厚な即ち無限分散のものとがある。発明者の知る限り、有限分散の高変動性需要成分でその周期構造が強いものなら、将来その成分がどう挙動するかを予測可能である。しかし、裾厚な高変動性需要成分となると、その将来挙動を予測するのは極めて難しく予測結果が収束しないことが多い。既知のＡＲＩＭＡ（auto regressive integrated moving average：自己回帰和分移動平均）アルゴリズムを使用し、相当に高次のモデリングを行った場合すら、そのような具合である。本願で提案する手法なら複数の成分を含む需要時系列でもその将来挙動を予測できる。

本願で提案する手法では、需要時系列の成分分解に当たり、次に示す三種類の手順を使用することができる。第１の手順は、ユーザ例えばプリントショップ稼働状況アナリストが需要時系列を集計、出力乃至表示させ、その需要時系列が複数の成分を含むか否かを調べ、複数の成分を認めたときはデータベース上のジョブ種別フィールドに基づき各成分をジョブ種別毎に分類し、そしてその結果に基づき需要時系列を成分分解させる、という手順である。第２の手順は、ユーザが需要時系列を集計、出力乃至表示させ、その需要時系列が複数の成分を含むか否かを調べ、そしてその結果に基づきまた適当なユーザインタフェースを用いてグラフィカルに需要時系列を指定し成分分解させる、という手順である。第３の手順は、期待値最大化（expectation-maximization）アルゴリズム等のモデル当てはめアルゴリズムを用い複数の成分を自動検知しそれらの成分に分解させる、という手順である。成分分解に利用できるデータベース上のフィールドは属性フィールド、例えばジョブ種別、フォーム種別、クライアント、メディアプレックス等の属性情報がセットされたフィールドである。これは図１中のデータ倉庫２６から取得できる。属性情報に基づく成分分解は、“月曜日だけ”“月初だけ”等といったタイムスライス基準でも、“印刷枚数３００００枚を境に区別”等といった統計しきい値基準でも行える。

図２に、ある文書プリント作成設備で発生したプリント需要の例をコントロールチャートの体裁で示す。この設備では三種類のアプリケーションが稼働しており、アプリケーション毎に別々のフォームでの文書プリントが求められているので、この図に示した総プリント需要は三種類の成分を重ね合わせた複合的な時系列となっている。また、そのうちの高変動性成分は、管理限界線ＵＣＬ及びＬＣＬで示される制御範囲から逸脱している。図３にこの総プリント需要の統計分析結果を示す。

図４に、それら三種類のアプリケーションに発するプリント需要をアプリケーション別に示す。図示の通り、フォームＢプリント需要は変動が大きく、フォームＡ又はＣのプリント需要変動を明らかに上回っている。この所見は、フォームＡ〜Ｃに関する情報抽出結果を示す次の表

からも確認できる。即ち、フォームＢに係るＳＤ及びＣＶはフォームＡ又はＣに係るそれよりかなり大きくなっている。

文献記載の従来案では、フォームＡ〜Ｃプリント需要に関する需要時系列の挙動を予測するのに、ＡＲＩＭＡアルゴリズムに従いある単一のモデルを構築し、そのモデルで得たデータをプールして予測結果を導出する。図５に、その予測結果を実際のプリント需要と対比して示す。図示の例は５０日に亘る予測の例であり、予測結果と実需要との間にはＭＡＤ（mean absolute deviation：平均絶対偏差）＝１６４３２、ＭＡＰＥ（mean absolute percentage error：平均絶対誤差率）＝１．０１という大きな開きが見られる。

また、この予測を得る際には、ＡＲＩＭＡアルゴリズムに基づく単一のモデルを収束させるのにかなり高次のモデリングを行わねばならない。具体的には、この予測手法ではＡＲＩＭＡモデルを初期構築するのに最初の１００日分のデータポイントが必要であり、しかもそのモデルで予測できるのはその次の１０日分に限られる。更にその次の１０日間について予測を行うには１１０日分、その次の１０日間について予測を行うには１２０日分、というように、モデル構築に必要なデータポイント数は嵩んでいく。従って、図５に示した５０日分の予測結果を得るにはモデルを５回構築し直さねばならない。

このような問題が発生するのは、フォームＡ〜Ｃプリント需要をプールする手法を採っているからである。発想を変え、プリント需要示唆データを二種類の需要時系列に分けるようにすれば、この問題を抑えることができる。即ち、需要時系列中の複数個の低変動性需要成分（フォームＡ，フォームＣプリント需要に対応する成分）をまとめて第１需要時系列とし、それらを共にプールして第１需要関連予測を導出する一方、同需要時系列中の残りの成分即ち高変動性需要成分（フォームＢプリント需要に対応する成分）を第２需要時系列とし、第１需要時系列とは別に予測に供して第２需要関連予測を導出する、という手法を採ればよい。それら二種類の需要関連予測を総合して総予測を導出すると、図６に示すようにＭＡＤ＝５４８２．５４、ＭＡＰＥ＝０．５９が達成される。

一見して明らかな通り、図６に示した予測結果は図５に示した予測結果に比べ遙かに良質である。即ち、フォームＡ及びフォームＣのプリント需要をプールして得た予測結果とフォームＢプリント需要を別途処理して得た予測結果とを総合する手法（図６）では、プリント需要をプールして一種類の予測結果を導出する従来案の手法（図５）よりも優れた予測結果が得られる。従来手法に比し本手法による予測結果が良質であることは、例えばＭＡＰＥが約４０％も小さくなっていることから、明らかである。

図７に、本発明の一実施形態に係る予測手順をフローチャートにより示す。これは図１に示したシステム等で採用可能な手順であり、プール式予測法による第１需要関連予測とプール式予測法によらない第２需要関連予測とから総予測を導出する流れになっている。この手順では、まず文書プリント作成センタ１０で処理されたプリントジョブからプリント需要示唆データを収集する（３２）。ここでは収集元となるセンタ１０例えばプリントショップが１個所しかないと仮定するが、これは専ら説明を簡明化するためである。これまでの説明からも明らかな通り、本手順は、単独のプリントショップでも、複数個所のプリントショップを包含するネットワーク型の文書プリント作成システムでも、等しく実行することができる。

十分な量のプリント需要示唆データが集まったら次はそのデータの処理である。即ち、収集したプリント需要示唆データを図１中のサービスマネージャ２４が集計、出力乃至表示させ（３４）、それに基づき且つ前掲の要領に従いその需要時系列を成分分解する。次いで、得られた何個かの成分の中に低変動性需要成分が含まれているか否かを、所定水準を基準に判別する（３６）。含まれていることが判明した場合は、その成分をプールし前掲の予測アルゴリズムでその将来挙動を予測する（４２）。含まれている低変動性需要成分の個数が複数なら（３８）各成分をいずれもプール対象にする（４０）。

同図の手順では、分解して得た何個かの成分の中に高変動性需要成分があるか否かやその個数も同様の所定水準に従い調べ（４６）、予測結果が収束しそうな高変動性需要成分について成分毎に予測を実行する（４８）。低変動性需要成分及び高変動性需要成分双方が需要時系列に含まれている場合、両者の予測が相前後して又は並行して実行される。また、高変動性需要成分についての予測は、その結果が収束するものである限りどのような予測手法でも行える。既知の手法でも新規な手法でもよい。重要なことに、図示手順では、（１）高変動性需要成分をプールすることなく高変動性需要成分についての予測を行うことができ、しかも（２）高変動性需要成分についての予測を必ずしも精密に行う必要がない。但し、（２）に関していえば、その高変動性需要成分にある程度の構造性例えば周期性がないと予測が困難になる可能性もある。また、高変動性需要成分の種類乃至性状によっては、予測結果が収束しない可能性もある。

高変動性需要成分及び低変動性成分それぞれについて予測を実行した後は、同図に示すようにそれらの結果を可能な限り（例えば収束しそうなものに限り）総合乃至統合して図６のような総予測を導出し（５０）、得られた総予測を利用し文書プリント作成システムの稼働状況をより望ましい方向に調整する（５２）。スタンドアロンのプリントショップでも、或いは複数個所のプリントショップを包含するネットワーク型のシステムでも、本手順でその稼働状況を改善させることができる。本手順は、とりわけ、店内リソース管理や処理容量配分の質の向上に役立つ。

以上述べた事項の要点は、その変動度が低い成分であればその成分をプールすることで変動性をキャンセル可能だが、その変動度が高い成分をプールすると却って予測誤差が増してしまう、という点にある。とりわけその高変動性需要成分が裾重分布乃至裾厚分布を呈する場合その傾向が強い。これは、裾薄分布に裾厚分布を重ねると必ず裾厚分布になるためである。従って、文書プリント作成システムにおける予測をより正確なものにするには、他のことはさておき、プールする成分を低変動性需要成分に止め、高変動性需要成分を別途処理し、そして低変動成分についての予測結果と高変動性需要成分についての予測結果を総和して総予測を導出することが肝心である。即ち、低変動性需要成分についての予測と高変動性需要成分についての予測を別々に行いその結果を統合して総予測を得るという上記実施形態の手法は、とりわけ文書プリント作成システムにおいて有益である。

従って、上述した実施形態の特徴的構成としては次の諸点を挙げることができる。

第１の特徴は、文書プリント作成システムから取得したプリント需要示唆データを処理することによって、その変動度が所定水準より低い低変動性需要成分からなる第１需要時系列と、その変動度が同水準より高い高変動性需要成分からなる第２需要時系列とを導出する点である。第１需要時系列に関する予測結果たる第１需要関連予測は、その第１需要時系列に１個又は複数個含まれる低変動性需要成分を使用して導出することができ、また第２需要時系列に関する予測結果たる第２需要関連予測は、その第２需要時系列に含まれる高変動性需要成分に基づき導出することができる。

第２の特徴は、第２需要関連予測が収束しうる場合に、第１需要関連予測及び第２需要関連予測を共に集計、出力例えば表示させうる点である。

第３の特徴は、上掲の所定水準に対する需要成分の変動度の高低を統計的パラメタ例えば変動係数（ＣＶ）に基づき判別する点である。また、プリント需要示唆データを処理することによってその変動度が所定水準を上回る別の高変動性需要成分を生成することや、その高変動性需要成分に基づき第３予測結果を導出すること、更には第１、第２及び第３予測結果を総合して集計、出力例えば表示させることもできる。

第４の特徴は、プリント需要示唆データに関する処理として、メモリ上に記憶させてあるプリント需要示唆データを集計、出力乃至表示させる処理や、そのデータを第１需要時系列と第２需要時系列に分解する処理を、実行できる点である。その分解処理は、文書プリント作成処理に関連する属性、例えばジョブ種別、フォーム種別、クライアント、メディアプレックス等の属性に基づき、実施することができる。

第５の特徴は、第１需要関連予測を第１予測アルゴリズムに従い、また第２需要関連予測を（それとは別の）第２予測アルゴリズムに従い、それぞれ導出する点である。第１予測アルゴリズムとしては、例えば自己回帰和分移動平均アルゴリズムを使用することができる。第２需要関連予測は、例えばニューラルネットワークを用いて導出することができる。

第６の特徴は、文書プリント作成システムにおけるリソース割当や処理容量配分を第１需要関連予測、第２需要関連予測又はその双方に基づき実施し、リソース管理や処理容量配分の質を向上させることができる点である。

本発明の実施に適するデータ収集／処理システムを示すブロック図である。 ある文書プリント作成設備で発生した総プリント需要を示したコントロールチャートである。 説明のためその総プリント需要についての統計分析結果を示した図である。 三種類の個別アプリケーションから互いに独立に発せられたプリント需要をアプリケーション別に示したグラフである。 プール式予測法に従い単一モデルで導出した５０日分の予測結果と、その期間に実際に発生したプリント需要とを、対比して示したグラフである。 本発明の一実施形態に係る手法、即ちプリント需要のうち低変動性需要成分をプールする一方高変動性需要成分を別途処理することで高低別の予測結果を求めそれらを総合して総プリント需要を求める手法による総プリント需要予測結果を示したグラフである。 本発明の一実施形態に係る機能のうち幾つかを示すフローチャートである。

符号の説明

１０−１，１０−２，…１０−Ｎ 文書プリント作成センタ、１２ データ処理センタ、１６ 出力装置、１８ ＤＣＴ、２０ 大容量メモリ、２４ サービスマネージャ、３２ データ収集ステップ、３４ データ処理ステップ、３６ 変動度判別ステップ、４０ 複数成分プールステップ、４２ 低変動性需要成分予測実行ステップ、４８ 高変動性需要成分予測実行ステップ、５０ 予測結果総合ステップ、５２ 稼働状況調整ステップ。

Claims (5)

1. 所定期間に亘り複数個のプリントジョブを処理する文書プリント作成システムにて使用されるプリント需要予測システムであって、
   上記所定期間に亘り個々の処理済プリントジョブからプリント需要示唆データを収集するデータ収集ツールと、
   収集されたプリント需要示唆データを記憶する大容量メモリと、
   コンピュータ上で稼働し記憶済のプリント需要示唆データを処理するサービスマネージャと、
   を備え、
   サービスマネージャが、その処理によって（１）その変動度が所定水準より低い低変動性需要成分からなる第１需要時系列、並びにその変動度が上記所定水準より高い高変動性需要成分からなる第２需要時系列を導出し、（２）一般に複数個ある低変動性需要成分を併用し第１需要時系列に関する予測結果たる第１需要関連予測を導出する一方、高変動性需要成分のうち予測結果が収束しうるものを個別に使用し第２需要時系列に関する予測結果たる第２需要関連予測を導出するプリント需要予測システム。
2. 請求項１記載のプリント需要予測システムであって、第２需要関連予測が収束しうる場合に第１需要関連予測及び第２需要関連予測を共に集計、出力乃至表示させるプリント需要予測システム。
3. 請求項１記載のプリント需要予測システムであって、上記所定水準に対する需要成分の変動度の高低を統計的パラメタに基づき判別するプリント需要予測システム。
4. 請求項１記載のプリント需要予測システムであって、第１需要関連予測を第１予測アルゴリズムに従いまた第２需要関連予測を第２予測アルゴリズムに従いそれぞれ導出し、その第１予測アルゴリズムとして自己回帰和分移動平均アルゴリズムを使用するプリント需要予測システム。
5. 請求項１記載のプリント需要予測システムであって、文書プリント作成システムにおける処理容量配分を第１需要関連予測、第２需要関連予測又はその双方に基づき所望方向に調整するプリント需要予測システム。

Images