JP2014010482A - 予測装置、予測方法及びコンピュータプログラム - Google Patents

予測装置、予測方法及びコンピュータプログラム Download PDF

Info

Publication number
JP2014010482A
JP2014010482A JP2012144414A JP2012144414A JP2014010482A JP 2014010482 A JP2014010482 A JP 2014010482A JP 2012144414 A JP2012144414 A JP 2012144414A JP 2012144414 A JP2012144414 A JP 2012144414A JP 2014010482 A JP2014010482 A JP 2014010482A
Authority
JP
Japan
Prior art keywords
period
value
items
data
prediction
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.)
Granted
Application number
JP2012144414A
Other languages
English (en)
Other versions
JP5416809B2 (ja
Inventor
Katsuhiko Nagakura
克彦 永倉
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.)
Yanmar Co Ltd
Original Assignee
Yanmar Co Ltd
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 Yanmar Co Ltd filed Critical Yanmar Co Ltd
Priority to JP2012144414A priority Critical patent/JP5416809B2/ja
Priority to EP13808980.0A priority patent/EP2869248A1/en
Priority to PCT/JP2013/067311 priority patent/WO2014002974A1/ja
Priority to US14/411,349 priority patent/US20150339579A1/en
Publication of JP2014010482A publication Critical patent/JP2014010482A/ja
Application granted granted Critical
Publication of JP5416809B2 publication Critical patent/JP5416809B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】Ｔ法を用いた予測方法に関し、時間差モデルに加えて経時変化の傾向を反映させ、予測精度を更に向上させる予測装置、予測方法及びコンピュータプログラムを提供する。
【解決手段】時系列に記録されている信号値及び項目毎のデータから、信号値の信号トレンドの周期性の有無を判断し、周期性が無い場合に、直近の信号トレンド、項目毎のＭＤトレンドに基づく信号期間を選択し、選択した信号期間における信号値及び項目毎のデータに対してＴ法を用いて予測を行なう。
【選択図】図１５

Description

本発明は、時系列的に変化する予測対象及び該予測対象に関する複数の項目について分析する方法に関し、特に、予測結果の精度を向上させることができる予測装置、予測方法、及び、コンピュータを予測装置として機能させるコンピュータプログラムに関する。
製品の需要予測及び販売予測等の経済予測は、会社経営における方向性及び戦略を検証する上で、極めて重要である。そして、予測した需要を販売、在庫、生産、物流、開発等の各部門の計画にどのように結び付けるかが経営課題となっている。更に、需要予測、販売予測等の経済的な事象に対する予測に限らず、経時的に変化する事象についてそれまでの情報を用いて以降の事象について予測することは様々な分野で重要な課題である。
製品の需要台数、又は販売台数等の時系列的に推移する事象の以後の変化を予測するための方法として、種々の時系列分析方法が提案されている。このような分析方法としては、重回帰分析、Ｔ法等の多変量解析が挙げられる（例えば、特許文献１、非特許文献１）。更に、これらの分析方法に対して種々の応用案が提案されている（非特許文献２等）。
特許第３１４１１６４号公報
立林和夫編著、手島昌一、長谷川良子著、「入門ＭＴシステム」、日科技連出版社、２００８年１２月 増田雪也、「非線形成分を考慮したＴ法の研究」、第１７回品質工学研究発表大会 論文集、ｐ．４２２−４２５ ２００９年
種々の時系列分析方法の内、Ｔ法を用いて分析する場合、解析に用いる項目をいかにして選択するかが課題であった。項目の選択については、非特許文献１に開示されている両側Ｔ法という手法が提案されている。しかしながら、発明者は、両側Ｔ法による項目選択では予測精度は不十分であるとし、非特許文献２の総合推定ＳＮ比が最大となる項目を選択する方法等を検討した。その結果、項目選択を行なう対象期間を、過去の事象の経時変化の傾向（トレンド）を考慮して選択しておくべきであるとの知見を得た。
本発明は斯かる知見に基づいてなされたものであり、経時変化の傾向を反映させて予測精度を更に向上させる予測装置、予測方法及びコンピュータプログラムを提供することを目的とする。
本発明に係る予測装置は、複数の要因が関連する事象に係る値、及び、該値に関連する前記複数の要因を複数の項目毎のデータとして前記値に対応付けて時系列に記録する記録手段と、該記録手段から前記値及び該値に対応する前記複数の項目毎のデータを読み出して演算を行なう演算手段とを備え、該演算手段が、前記複数の項目の前記値の変化に対する相関の強さを示す要因効果値に基づき、前記複数の項目から複数の項目を選択し、選択した項目のデータに基づき、予測対象期間における前記事象に係る値を予測する予測装置において、前記演算手段は、前記記録手段に記録されている値の記録期間中における経時変化傾向の周期性の有無を判断する判断手段と、該判断手段が周期性無しと判断した場合、前記予測対象期間よりも所定期間前の対応期間における前記値の経時変化傾向と、同一傾向である期間を前記記録期間から選択する選択手段と、該選択手段が選択した期間から、前記対応期間における前記複数の項目毎のデータが属する期間を判別する期間判別手段と、判別した期間における前記複数の項目毎のデータ、及び、該期間よりも所定期間後の値により求められる前記要因効果値に基づき、複数の項目を選択する項目選択手段と、前記対応期間における前記項目選択手段が選択した項目のデータから前記予測対象期間における予測値を算出する予測手段とを備えることを特徴とする。
本発明に係る予測装置は、前記判断手段は、時系列の前記値について、期間を変化させて期間毎の自己相関係数を算出する手段と、算出された期間毎の自己相関係数の分布におけるピークの有無を判断する手段とを備え、前記ピーク有と判断した場合に、周期性が有と判断するようにしてあることを特徴とする。
本発明に係る予測装置は、前記期間判別手段は、前記選択手段により選択された期間における前記複数の項目毎のマハラノビスの汎距離を算出する第１算出手段と、算出したマハラノビスの汎距離のトレンドをトレンドモデルに基づき算出する第２算出手段とを備え、前記対応期間における複数の項目毎のデータのトレンドと同一のトレンドを有する期間を、前記選択手段により選択された期間を、前記対応期間における前記複数の項目毎のデータが属する期間と判別するようにしてあることを特徴とする。
本発明に係る予測方法は、複数の要因が関連する事象に係る値、及び、該値に関連する前記複数の要因を複数の項目毎のデータとして前記値に対応付けて時系列に記録する記録手段と、該記録手段から前記値及び該値に対応する前記複数の項目毎のデータを読み出して演算を行なう演算手段とを備える装置にて、該演算手段が、前記複数の項目の前記値の変化に対する相関の強さを示す要因効果値に基づき、前記複数の項目から複数の項目を選択し、選択した項目のデータに基づき、予測対象期間における前記事象に係る値を予測する予測方法において、前記演算手段は、前記記録手段に記録されている値の記録期間中における経時変化傾向の周期性の有無を判断し、周期性無しと判断した場合、前記予測対象期間よりも所定期間前の対応期間における前記値の経時変化傾向と、同一傾向である期間を前記記録期間から選択し、選択した期間から、前記対応期間における前記複数の項目毎のデータが属する期間を判別し、判別した期間における前記複数の項目毎のデータ、及び、該期間よりも所定期間後の値により求められる前記要因効果値に基づき、複数の項目を選択し、前記対応期間における選択された項目のデータから前記予測対象期間における予測値を算出することを特徴とする。
本発明に係るコンピュータプログラムは、記録手段を備えるコンピュータに、前記記録手段に時系列に記録してある複数の要因が関連する事象に係る値、及び、該値に関連する前記複数の要因を複数の項目毎のデータを読み出し、前記複数の項目の前記値の変化に対する相関の強さを示す要因効果値に基づき、前記複数の項目から複数の項目を選択させ、選択された項目のデータに基づいて予測対象期間における前記事象に係る値を予測させるコンピュータプログラムにおいて、前記コンピュータに、前記記録手段に記録されている値の記録期間中における経時変化傾向の周期性の有無を判断する判断手段、該判断手段が周期性無しと判断した場合、前記予測対象期間よりも所定期間前の対応期間における前記値の経時変化傾向と、同一傾向である期間を前記記録期間から選択する選択手段、該選択手段が選択した期間から、前記対応期間における前記複数の項目毎のデータが属する期間を判別する期間判別手段、判別した期間における前記複数の項目毎のデータ、及び、該期間よりも所定期間後の値により求められる前記要因効果値に基づき、複数の項目を選択する項目選択手段、及び、前記対応期間における前記項目選択手段が選択した項目のデータから前記予測対象期間における予測値を算出する予測手段としての機能を実行させることを特徴とする。
本発明では、時系列データである事象に係る値及び該値に関連する複数の要因である複数の項目毎のデータが記録されている記録手段から、前記値及び項目毎のデータが読み出され、前記時系列データの値の経時変化傾向の周期性の有無が判断される。周期性が無いと判断された場合に、予測対象期間の直前の値及び項目毎のデータの経時変化傾向と同一の変化傾向を有する期間が記録期間から選択され、選択された期間における項目毎のデータ及び所定期間後の値の関係式に基づき、予測が行なわれる。
本発明では、値の経時変化傾向の周期性の有無が、自己相関係数の分布におけるピークの有無によって判断される。期間を変化させて周期性の有無を判断するので、季節等に固定されない周期性の有無を客観的に判断することができ、予測精度を向上させることが可能となる。
本発明では、同一の経時変化傾向を有する期間が、マハラノビスの汎距離を用いて判別される。これにより、比較的容易な手法にて客観的に類似する期間の選択が可能となり、予測精度を向上させることが可能となる。
本発明による場合、解析に用いる項目の選択に際し、予測時点における信号値及び項目データの変化傾向が類似すると判断される期間から、当該信号期間にて項目選択を行なって項目と所定時間後の信号値との関係式を特定し、該関係式から予測を行なう。つまり、過去の事象から類似性が高い経時変化がなされた時期のデータに基づき予測が行なわれる。これにより、予測時点と異なる傾向の経時変化がなされている時系列データによる影響を排除し、予測精度を向上させることができる。
Ｔ法で用いる信号値及び項目のデータの内容例を示す説明図である。 Ｔ法で用いる各項目の比例定数β及びＳＮ比η（２乗比）の一例を示す説明図である。 各メンバーの実際の信号値又は基準化した信号値の実値と、各メンバーについて求めた総合推定値を一覧形式で示した図である。 Ｔ法における各項目の総合推定値のＳＮ比を示す要因効果図である。 Ｔ法における各項目の要因効果に対する影響を示すグラフである。 時間差モデルを概念的に示す説明図である。 変換処理前後の信号値と項目毎のデータの値との関係を示すグラフである。 最適な項目選択数を決定するための処理を概念的に示すグラフである。 項目選択数と総合推定値のＳＮ比との対応を示すグラフである。 本実施の形態における予測装置の構成を示すブロック図である。 本実施の形態における予測装置による予測処理手順の一例を示すフローチャートである。 本実施の形態における予測装置による信号期間選択処理手順の一例を示すフローチャートである。 本実施例における項目の内容を示す説明図である。 実施例１にて予測に用いる信号値の内容例を示すグラフである。 実施例１における信号値と、信号トレンドを示すグラフである。 周期性有と判断される標本自己相関関数のプロットの例を示すグラフである。 周期性無と判断される標本自己相関関数のプロットの例を示すグラフである。 図１５に示した信号値から選択されたマイナストレンドの信号区間の例を示すグラフである。 実施例１にて選択された信号区間における項目データのＭＤ及びＭＤトレンドを示すグラフである。 実施例１における予測装置の制御部による予測結果を示すグラフである。 実施例２にて予測に用いる信号値の内容例を示すグラフである。 実施例２における信号値と、信号トレンドを示すグラフである。 図２２に示した信号値から選択されたプラストレンドの信号区間の例を示すグラフである。 実施例２にて選択された信号区間における項目データのＭＤ及びＭＤトレンドを示すグラフである。 実施例２における予測装置の制御部による予測結果を示すグラフである。
以下、本発明の実施の形態を、図面に基づいて具体的に説明する。
以下に開示する予測方法は、従前から利用されているＭＴシステム、特に、Ｔ法を用いた方法を基本に、信号（事象に係る値）の経時変化を予測するために「時間差モデル」という発明を加えて予測精度を向上させ、更に、過去の信号及び該信号に対応する項目（要因）から、予測に用いる「信号及び項目を適切に選択する方法」を加え、予測精度を向上させるものである。なお、以下の予測方法は、予測に用いるデータを記録している記録手段から各データを読み出すことができるコンピュータ（後述する予測装置１）などの演算手段により実施されるものである。
また以下は特に、「信号及び項目の選択方法」を開示するものである。ただし、Ｔ法及び時間差モデル等の既に先に開示している技術についても、これらは当該選択方法が前提とする技術及び発明であり、本発明の信号及び項目の選択方法の理解を助けるために必要であるから、以下に説明する。
まず、Ｔ法の概要を説明する。図１は、Ｔ法で用いる信号値及び項目のデータの内容例を示す説明図である。図１において、メンバーとは、単位期間毎のデータであることを示すインデックスであり、１，２，…，ｌとして示している。データの値自体は、信号値Ｍとして記録される。「項目１」，「項目２」，…，「項目ｋ」は、信号値Ｍに関連する要因となる項目であり、Ｘ11，Ｘ12，…，Ｘ1kは、メンバー１の信号値Ｍ1 に関連する各項目のデータを示している。例えば、メンバーが月毎の電気使用量である場合、月毎の電気使用量（Ｗ）が信号値Ｍであり、項目は「月」，「気温」，「風速」，「降水量（月平均）」，「日照時間（月平均）」，「最高気温（月平均）」，「最低気温（月平均）」…等の電気使用量の上下に関連するであろう変量である。この場合の項目のデータとは、各項目の値、例えば何月であるかのデータ，気温の月平均値，風速の月平均値等である。
なお、信号値Ｍ及び各項目のデータＸは、実際の値を用いてもよいが、演算手段を用いて規準化しておいてから用いることが好ましい。規準化の方法は例えば、演算手段が、各項目のデータＸ（例えば月平均の気温）から、当該項目のデータの平均値（用いる全メンバーの月平均の気温の平均値）を減算しておくなどの方法がある。これにより、信号値に対する項目のデータの値のプロットした場合に（単位空間とよぶ）、原点を通る直線として予測式を表現することが可能となる。
予測方法は、演算手段により、各メンバーの信号値Ｍと、関連する多変数である項目のデータとの関係を特定する特定式を求め、予測対象である次の単位期間の項目のデータを予測し、その予測した項目のデータを特定式にあてはめて、予測するものである。しかしながら、項目のデータは多変量である。例えばメンバーが１２個であって、項目の数が２０（ｋ＝２０）存在する場合がある。このような場合、次の信号値を予測するのに特定式を求めることが難しくなる。Ｔ法は、多数の項目夫々に対して、信号値の変動に対する要因効果の強さを示す値を評価し、要因効果を示す値を重み付けする。これにより、効果的な項目を選択することにより、全ての項目のデータを使用せずとも、選択された項目を使用することで十分に精度の高い予測等を行うことができるというものである。
そこで、Ｔ法では、演算手段によって、信号値Ｍを持つメンバーを用いて、項目毎に比例定数βと、ＳＮ比η（２乗比）を下記の式１及び式２を適用して算出する。ＳＮ比とは、下記式２に示すような分散の逆数を用いて示される値であり、各項目に対する信号値の感度であり、各項目と信号値との相関の強さを示す。
Figure 2014010482
なお、上述の式１及び式２は、項目１についての比例定数β及びＳＮ比η（２乗比）を求める式である。演算手段は、項目２から項目ｋについても項目１と同様の計算を行なう。図２は、Ｔ法で用いる各項目の比例定数β及びＳＮ比η（２乗比）の一例を示す説明図である。図２では、上述の式１及び式２を各項目に適用することによって算出した項目毎の比例定数β及びＳＮ比η（２乗比）を表形式で示している。
次に、項目毎の比例定数β及びＳＮ比η（２乗比）を用いて、各メンバーについて、演算手段によって項目毎の出力の推定値を求める。第ｉ番目メンバーについて、項目１による出力の推定値は、下記の式３にて示すことができる。また、同様に、演算手段により、項目２から項目ｋによる出力の推定値を求める。
Figure 2014010482
これにより、演算手段は、項目のデータと信号値の総合推定値との関係を示す予測式として、総合推定式（式４）を導出することができる。ただし、予測対象の信号値に対し、全ての項目（１〜ｋ）を用いた総合推定式が最も予測精度が高いわけではない。そこで、予測対象への影響に対する寄与を高くし、予測精度を高めるべく、演算手段によって全ての項目のうちから適切な項目の組み合わせを選択する。
そこで、演算手段によって各項目の推定値についての推定精度であるＳＮ比η1 ，η2 ，…，ηk （２乗比）を重み付け係数として用いた総合推定値を算出する。従って、第ｉ番目のメンバーの総合推定値は、下記の式４にて示すことができる。
Figure 2014010482
図３は、各メンバーの実際の信号値又は基準化した信号値の実値と、各メンバーについて求めた総合推定値を一覧形式で示した図である。そして、図３に示したように得られた各メンバーの実値と総合推定値とを用い、演算手段は下記式５によって、各項目について、総合推定値のＳＮ比η（ｄｂ）を算出する。
Figure 2014010482
Ｔ法では、上述したように求めた各項目についての総合推定値を用いて更に、要因効果値という値を求め、要因効果値を元に項目を選択するなどの方法がとられている。図４は、Ｔ法における各項目の総合推定値のＳＮ比を示す要因効果図であり、図５は、Ｔ法における各項目の要因効果に対する影響を示すグラフである。
図４は、横軸に選択の対象となる項目を示し、縦軸に総合推定値のＳＮ比をとって、各項目についてのＳＮ比を示している。また図４では、各項目について、左側にその項目のデータを含む各データに対する総合推定値のＳＮ比、即ち信号値との相関の強さを示し、右側にその項目のデータを除いた各データに対する総合推定値のＳＮ比を示している。図４に示す例では、項目は３６個あり、選択の組み合わせは２36−１通り存在する。演算手段は、これらの各組み合わせについて一又は複数の項目に対する予測対象のＳＮ比を導出する。そして、演算手段は、対象となる当該項目を含む組み合わせのＳＮ比の平均値と、当該項目を含まない組み合わせのＳＮ比の平均値とを算出する。図４では、このようにして算出された当該項目のデータを含むＳＮ比の平均値を左側に、当該項目を含まないＳＮ比の平均値を右側に、項目毎に示したものである。
図５は、横軸に選択の対象となる項目を示し、縦軸に要因効果値をとって、各項目についての要因効果値の度合いを示している。図５の縦軸の要因効果値は、図４における予測対象の相関の強さをｄｂ単位で示した各項目の総合推定値のＳＮ比について、右側の（項目を含まない）ＳＮ比に対する左側の（項目を含む）ＳＮ比の度合い、即ち、左側のＳＮ比から右側のＳＮ比を減じた値を示している。つまり、項目毎に、その項目を含む場合の、含まない場合に対するＳＮ比への効果度を示している。したがって算出された要因効果値が正である項目は、その項目を使用することにより、総合推定値のＳＮ比が上昇することを示している。両側Ｔ法と呼ばれる方法においては、このような要因効果値が正である項目のみを選択し、上述にしめしたようなＴ法による解析が行なわれる。
上述に示したようなＴ法（両側Ｔ法）を用いて予測を行なう場合には依然として、実際の予測精度が高まらない。そこで発明者はまず、上述のＴ法に、時間差モデルという考え方を適用し、信号値と項目のデータの値との非線形性を考慮した変換処理を行ない、更に、項目選択方法として、要因効果値の正負によって選択する方法ではなく、総合推定値のＳＮ比を最大化する方法を用いることとした。
まず、時間差モデルについて説明する。
Ｔ法は元来、時系列データの予測のための方法ではない。時間軸の概念は特に無く、多数の要因が関連する事象の値に対し、いずれの要因が最も影響があるかを選択するための方法である。Ｔ法をそのまま予測方法に用いる場合、上述したように、各メンバーの項目毎のデータと信号値との関係を特定して、次のメンバーの信号値を予測するのである。したがって、次のメンバーの信号値を予測するには、次のメンバーの項目毎のデータを予測しなければならない。このときの各項目のデータの推定誤差が重なって、信号値の予測精度を悪化させることは容易に想定される。また、時系列に推移していくデータを元に、次の信号値を予測する場合、特に経済予測又は販売予測のような分野では、未来に起こる事象には、過去にその予兆があるはずである。そこで、発明者は、上述したような信号値と項目毎のデータとの対応付けを、同時期のメンバーではなく、所定時間ずらしたものどうしで対応付けることとした。具体的には、本実施の形態の予測方法を実施する演算手段は、ある期間における項目毎のデータに対し、所定期間後の信号値を対応づけ、これらの間で式１〜５の計算を行ない、結果得られた総合推定式を用い、現在（直近）の任意の期間の項目毎のデータに基づき、所定期間後の信号値を推定（予測）する。
図６は、時間差モデルを概念的に示す説明図である。図６では、右から左へ向かって時間の経過を示している。図６の下部の各矩形は、単位期間毎の信号を示し、上部の各矩形は、信号と同時期の単位時間毎の各項目のデータを示す。例えば、単位期間とする１ヶ月毎の信号と、１ヶ月毎の項目のデータを示す。項目は、各信号に対して複数存在する。時間差モデルとは、同時期の信号と項目のデータとを対応付けるのではなく、信号値Ｍi に対し、所定期間前の項目のデータＸi-t 1 ，Ｘi-t 2 ，…，Ｘi-t k （例えばｔ＝４ヶ月）を対応付けるものである。本実施の形態の予測方法では、演算手段は、時間差モデルを適用した信号値及び項目のデータに、上述（式１〜式５）のＭ1 と各項目のデータＸ11，Ｘ12，…，Ｘ1kの関係に当てはめてＴ法を適用する。そして、予測対象期間の信号値は、所定期間前の項目のデータの値、即ち予測対象期間直近の対応期間（ここでは４ヶ月分）における各項目のデータの値を用いて式４に適用することで求められる。つまり、本実施の形態の予測方法における時間差モデルでは、演算手段は、複数項目のデータと所定期間後の信号値との関係を特定することにより、過去又は現在の項目のデータから、未来の信号値を予測することを可能とするものである。
そして本実施の形態における予測方法では、信号値Ｘに対し、非線形性を考慮した変換処理が行なわれる。図７は、変換処理前後の信号値と項目毎のデータの値との関係を示すグラフである。図７の左側には変換処理前の、ある項目のデータに対する信号値の関係を示し、右側には、変換処理後の、ある項目のデータに対する信号値の関係が示されている。Ｔ法では、項目毎に、項目のデータと信号値との関係に対し、ゼロ点を通る直線が設定され、この直線からのずれに基づく重み付け（ＳＮ比として数値化）が行なわれる。つまり、図７の右側のような関係が前提とされている。直線に対するばらつきが少ない項目ほど、信号値の変化に対し寄与する項目であり、ばらつきが多い、即ち項目のデータの値の変化と信号値の変化とに相関がない項目ほど、信号値の変化に寄与しない項目である。しかしながら、全ての項目のデータが、信号値との関係において直線、即ち線形な関係を有しているとは限らないのは当然である。中には、図７の左側に示すように、原点を通らないような２次関数で示される強い関係を示す項目がある。そこで、本実施の形態における予測方法では、演算手段は、項目のデータＸij（ｉ：メンバー数（１〜ｌ）、ｊ：項目数（１〜ｋ））を、非線形の関係（２次関数）にある前提にて、線形的な関係を示すｘijに線形変換しておく。
具体的には、演算手段は、項目のデータＸij（１〜ｌ）と信号値Ｍij（１〜ｌ）との間の基準とする単位空間データとして、データＸijと信号値Ｍijの平均値とを求める。演算手段は、信号値Ｍij及び項目データＸijの夫々の値から単位空間における平均値を減じる規準化処理を行なう。そして、演算手段は、信号値Ｍijに対して変化する項目データＸijの値を用いて、２次式等の多項式で近似する。次に、演算手段は、この近似された値を用いてＸij（１〜ｌ）の値をｘijに変換する。信号値と項目データとの関係が線形的な場合は、項目データの値Ｘij（１〜ｌ）がそのまま又は規準化したＸij（１〜ｌ）のデータが、式４に適用されるが、非線形の場合は変換後のｘij（１〜ｌ）の値を式４に適用される。
また、本実施の形態における予測方法では、項目選択の方法として、信号値及び項目毎のデータに対し、上述の時間差モデルを適用し、更に、非線形性を考慮した変換処理を行なった後の対応する項目毎のデータと信号値とに基づき、演算手段が、上述の総合推定値のＳＮ比を算出し、総合推定値のＳＮ比が最大となるような項目を選択する。図８は、最適な項目選択数を決定するための処理を概念的に示すグラフである。まず、時間差モデルを適用して線形変換処理を行なった信号値と項目毎のデータについて、式１〜式５を適用して各項目の総合推定値のＳＮ比を算出する。そして図４及び図５について説明したように、演算手段が、総合推定値のＳＮ比から、項目毎の要因効果値を算出する。図８に示すように、演算手段はまず、項目毎の要因効果値の最小値を初期的な閾値として設定する。演算手段は、要因効果値が閾値以上である項目を選択し、信号値（例えば１〜ｌ全て）に対する総合推定値のＳＮ比を算出する。閾値が初期値である場合、全項目が選択される。次に演算手段は、閾値に所定値を加算した値を次の閾値として設定し、同様にして要因効果値が閾値以上である項目を選択し、信号値に対する総合推定値のＳＮ比を算出する。演算手段がこのような処理を、閾値が要因効果値の最大値以上、即ち図８のＭＡＸとして示した横線に到達するまで繰り返すことにより、選択した複数の項目のデータに対する総合推定値のＳＮ比を、項目数毎に算出することが可能である。なお、演算手段は、閾値の初期値を最大値ＭＡＸ以上に設定し、閾値を所定値ずつ小さくし、各閾値以上の要因効果値である項目を選択して総合推定値のＳＮ比を算出していくようにしてもよい。
図９は、項目選択数と総合推定値のＳＮ比との対応を示すグラフである。図８に示したような方法にて、項目を選択した場合の項目数に対する総合推定値のＳＮ比を示す。図９中、黒丸で示す推移は、線形変換を行なった場合の総合推定値のＳＮ比であり、黒四角で示す推移は、線形変換を行なわなかった場合の総合推定値のＳＮ比である。図９に示す用に、線形変換を行なった場合の方が、全体として総合推定値のＳＮ比が高い。即ち、予測の精度が高い。また、ＳＮ比の値の内、白抜きの四角は、要因効果値が正の項目を選択するという両側Ｔ法を用いて項目を選択した場合の総合推定値のＳＮ比である。白抜きの菱形は、全項目を選択した場合の総合推定値のＳＮ比を示す。白丸は総合ＳＮ比が最大となる項目数を示している。図９に示すように、要因効果値が正の項目を選択する方法では、非線形変換を行なった場合には、総合推定値のＳＮ比は最大とならない。当然であるが、図９に示すように、演算手段が図８に示した方法を実施することにより、総合推定値のＳＮ比が最も高くなる項目を最適に選択することができる。
本願発明者は上述したように、Ｔ法に、時間差モデルを適用し、信号値と項目のデータとの非線形性を考慮した変換処理を行なった上で総合推定値のＳＮ比を算出し、当該ＳＮ比を最大化する項目の選択方法を適用することによって、予測精度を向上させることができるという知見を得た。更に本願発明者は、上述の時間差モデル等の方法に加え、総合推定値のＳＮ比を最大化する項目を選択するに際し、記録されている信号期間（メンバー１〜ｌ）から、予測に適した信号期間を選択することで予測精度を向上させることができるとの知見を得た。予測に適した信号期間は、演算手段が、信号値の推移の周期性の有無、及び項目の類似性トレンドを元に選択する。以下、予測精度を向上させることができる信号期間の選択方法について、具体的に開示する。
まず、上述に説明した方法を含む予測方法全体を実施する予測装置の構成について説明する。図１０は、本実施の形態における予測装置１の構成を示すブロック図である。予測装置１は、パーソナルコンピュータ、サーバコンピュータ等のコンピュータを用いる。予測装置１は、制御部１０、記録部１１、一時記憶部１２、入力部１３及び出力部１４を備える。
制御部１０は、ＣＰＵ（Central Processing Unit ）を用いる。制御部１０は、以下に説明する予測プログラム２に基づき、パーソナルコンピュータ又はサーバコンピュータを制御し、本実施の形態における予測装置１としての機能を発揮させる。なお制御部１０は、上述した予測方法を実施する演算手段の機能を発揮する。
記録部１１は、ＲＯＭ（Read Only Memory）、ハードディスクドライブ等の不揮発性メモリを用いる。なお、記録部１１は、外付けのハードディスクドライブ、光学ディスクドライブ、通信網を介して接続される他の記録装置であってもよい。即ち記録部１１とは、制御部１０からアクセス可能な１又は複数の情報記録媒体の総称である。
記録部１１には、本実施の形態の予測方法を実現するための各種手順を含む予測プログラム２が記録されている。また、記録部１１の記録領域の一部は、信号値及び該値に対応する複数の項目のデータを記録するデータベース（ＤＢ）１１０として用いられる。制御部１０は、データベース１１０に対し、信号値及び複数の項目のデータの読み書きが可能である。データベース１１０は、例えば図３に示した形式にて各メンバーの信号値及び項目毎のデータを時系列に記録している。
一時記憶部１２は、ＤＲＡＭ（Dynamic Random Access Memory）又はＳＲＡＭ（Static Random Access Memory ）等の不揮発性メモリを用いる。一時記憶部１２は、制御部１０の処理によって発生した情報を一時的に記憶する。
入力部１３は、キーボード、マウス等を用い、ユーザの操作入力を受け付ける。
出力部１４は、液晶モニタなどの表示部、又はプリンタ等の印刷部を用い、制御部１０による情報の処理結果を出力する。
このように構成される予測装置１にて、制御部１０が予測プログラム２に基づく処理を実行することにより、未来の事象に係る信号値を予測する。
図１１は、本実施の形態における予測装置１による予測処理手順の一例を示すフローチャートである。
制御部１０は、入力部１３から、信号値及びこれに関連する複数の項目のデータについて入力を受け付け、受け付けた信号値及び項目毎のデータを記録部１１のデータベース１１０に記録する（ステップＳ１０１）。なお、データベース１１０に記録する信号値及び項目毎のデータは、入力部１３から入力されるもののみならず、通信網を介して他の装置から入力されてもよいし、他の情報記録媒体から入力されてもよい。
制御部１０は、記録部１１のデータベース１１０に記録した信号値及び項目毎のデータに基づいて、時間差モデルを生成する（ステップＳ１０２）。ステップＳ１０２にて生成する時間差モデルとは、図６を参照して説明したように、項目毎のデータと、該項目のデータの所定期間後の信号値とを対応付けたものである。即ち、制御部１０は、ステップＳ１０２において、時系列に記憶された信号値と、項目毎のデータとを、所定期間ずらして対応付ける。
制御部１０は、生成した時間差モデルにおいて対応する信号値と項目毎のデータとの関係に基づき、項目毎のデータを線形変換する（ステップＳ１０３）。制御部１０は、線形変換後のデータを用いて、予測に用いる信号期間を選択する処理を行なう（ステップＳ１０４）。信号期間を選択する処理については、後述の図１２のフローチャートを参照して詳細を説明する。
制御部１０は、ステップＳ１０４にて選択した信号期間における信号値と、時間差モデルにて対応する項目データとに基づき、前述の式１及び式２を用いて、項目毎の比例定数β及びＳＮ比η（２乗比）を算出する（ステップＳ１０５）。
制御部１０は、式３を用いて項目毎の比例定数βとＳＮ比η（２乗比）を用いて、選択された信号期間における各メンバーについて、式３により出力の推定値を算出する（ステップＳ１０６）。
制御部１０は、式４により、推定値についての推定精度であるＳＮ比（２乗比）を重み付け係数として用いた総合推定値を算出する（ステップＳ１０７）。
次に制御部１０は、式５に基づき、信号値及び総合推定値に基づいて、各項目の総合推定値のＳＮ比（ｄｂ）を算出する（ステップＳ１０８）。
制御部１０は、各項目について、要因効果値を導出する（ステップＳ１０９）。要因効果値は、上述したように、各項目について、当該項目を除いた各項目のデータに対する総合推定値のＳＮ比に対する、当該項目を含む各項目のデータに対する総合推定値のＳＮ比の差分を求めることによって算出される。総合推定値のＳＮ比とは、信号値に対する当該項目のデータの相関の強さであり、分散の逆数に比例する値の対数として示した値である。
次に制御部１０は、要因効果値が大きいものから順に選択した複数の項目のデータに対する総合推定値のＳＮ比を、項目数毎に算出する（ステップＳ１１０）。ステップＳ１１０における処理の詳細は、上述にて図８を参照して説明したものである。
制御部１０は、項目数毎の総合推定値のＳＮ比に基づき、当該ＳＮ比を最大にする項目数を決定する（ステップＳ１１１）。
制御部１０は、ステップＳ１１１にて決定した項目数分の項目を選択する（ステップＳ１１２）。そして制御部１０は、時間差モデルにおける予測対象期間に対応付けられている所定期間前の項目毎のデータ、即ち、予測対象期間の直近の対応期間における項目毎のデータの内、選択した項目のデータを式４に当てはめ、予測値を算出する（ステップＳ１１３）。式４におけるβ及びηは、ステップＳ１０５にて算出したもの（時間差モデル、線形変換、信号期間選択後のデータによって算出されたもの）を用いる。ステップＳ１１３にて予測値は、出力部１４から出力されるか、記録部１１に記録される。なお、信号値が規準化されている場合は、逆変換を行なって求めればよい。
図１２は、本実施の形態における予測装置１による信号期間選択処理手順の一例を示すフローチャートである。以下に示す処理手順は、図１１のステップＳ１０４における信号期間の選択処理の詳細に対応する。
制御部１０は、変動率の低減のため、信号値を規準化（平均値を減算）し、対数値をとる変換を行なう（ステップＳ４０１）。
制御部１０は、変換後の信号値に対し、信号値の推移に周期性があるか否かを判断する（ステップＳ４０２）。ステップＳ４０２において詳細には、例えば以下のようにする。周期性の有無については他の方法を用いてもよい。制御部１０は、変換後の時系列の信号値から、所定の時点（例えば記録期間の起点）から長さを少しずつ変化させたサンプル時間分選択する。制御部１０は、異なるサンプル時間毎に、選択したサンプル時間分における信号値の標本自己相関係数を算出し、サンプル時間の長さに対して標本自己相関係数をプロットし、ピークが存在するか否かを判断することにより、周期性の有無を判断する。
制御部１０は、周期性があると判断した場合（Ｓ４０２：ＹＥＳ）、全記録期間（全メンバー）又は所定の期間（例えば１０年分）における信号トレンドを計算する（ステップＳ４０３）。信号トレンドの計算は、例えば状態空間モデルによるトレンド成分モデルを適用するなど、公知の種々の時系列データに対するトレンド計算の方法を用いることが可能である。
制御部１０は、ステップＳ４０３にて計算したトレンドの内、予測対象期間の信号値に対応付けられる項目のデータと、時間差モデル適用前の同時期（対応期間）の信号値のトレンドを特定する（ステップＳ４０４）。ステップＳ４０４にて詳細には、制御部１０は、前記対応期間におけるトレンドが、正の勾配であるか負の勾配であるかを判定する。
制御部１０は、ステップＳ４０４で特定したトレンド（正の勾配か／負の勾配か）と同一のトレンド特性を有する区間における信号値及び項目毎のデータ（時間差モデル適用後）を選択する（ステップＳ４０５）。
制御部１０は、選択した区間における項目のデータ（線形変換後）のマハラノビスの汎距離（以下、ＭＤ（Mahalanobis Distance）という）を算出する（ステップＳ４０６）。
制御部１０は、選択した区間におけるＭＤのトレンドを算出する（ステップＳ４０７）。
制御部１０は、選択した区間を構成する複数の不連続な区間（信号トレンドが同一の区間）から、予測対象期間から近い区間を順に選択する（ステップＳ４０８）。制御部１０は、選択した区間全体において、ＭＤトレンドが所定値（例えば１．０）よりも大きいか否かを判断する（ステップＳ４０９）。制御部１０は、ステップＳ４０９にて所定値よりも大きいと判断した場合（Ｓ４０９：ＹＥＳ）、処理をステップＳ４０８へ戻し、次に予測対象期間に近い他の区間を選択する。
制御部１０は、選択した区間全体においてＭＤトレンドが所定値よりも大きくない、即ち、一部ＭＤトレンドが所定値以下の区間を含むと判断した場合（Ｓ４０９：ＮＯ）、当該区間の内、直近の予測対象期間分の長さを信号期間として選択し（ステップＳ４１０）、処理を終了する。
制御部１０は、ステップＳ４０２にて、周期性がないと判断した場合（Ｓ４０２：ＮＯ）、全記録期間（全メンバー）又は所定の期間（例えば１０年分）における信号トレンドを計算する（ステップＳ４１１）。
次に制御部１０は、ステップＳ４１１にて計算したトレンドの内、予測対象期間の信号値に対応付けられる項目のデータと、時間差モデル適用前の同時期（対応期間）の信号値のトレンドを特定する（ステップＳ４１２）。ステップＳ４１２にて詳細には、制御部１０は、前記対応期間におけるトレンドが、正の勾配であるか負の勾配であるかを判定する。
制御部１０は、ステップＳ４１２で特定したトレンド（正の勾配か／負の勾配か）と同一のトレンド特性を有する区間を選択する（ステップＳ４１３）。
制御部１０は、ステップＳ４１３で選択した区間における項目毎のデータのＭＤ、及びＭＤトレンドを算出する（ステップＳ４１４）。
制御部１０は、予測対象期間の信号値に対応付けられる項目のデータと、時間差モデル適用前の同時期（対応期間）におけるＭＤトレンドが所定値（例えば１．０）以下であるか否かを判断する（ステップＳ４１５）。
制御部１０は、ステップＳ４１５で所定値以下であると判断した場合（Ｓ４１５：ＹＥＳ）、ステップＳ４１３にて選択した区間の内、ＭＤトレンドが所定値以下である区間を、信号期間として選択し（ステップＳ４１６）、処理を終了する。
制御部１０は、ステップＳ４１５で所定値よりも大きいと判断した場合（Ｓ４１５：ＮＯ）、ステップＳ４１３にて選択した区間の内、ＭＤトレンドが所定値よりも大きい区間を、信号期間として選択し（ステップＳ４１７）、処理を終了する。
なお、本実施の形態で開示する予測方法は、特に、信号値の推移に周期性がない場合の方法（Ｓ４１１〜Ｓ４１７）を開示するものである。したがって、上述のステップＳ４０３〜Ｓ４１０の処理は、これに限らず、周期性がある場合に応じた処理であれば他の方法に基づく処理であってもよい。
制御部１０が図１２のフローチャートに示したように信号期間を選択、特に、信号値の推移の周期性の有無に応じて方法を変えて信号期間を選択することにより、周期性の有無に応じて、予測対象期間の所定期間前と近い推移傾向を有する信号期間が選択される。周期性がない場合に特に、直近の信号値及び項目毎のデータのＭＤトレンドに類似する期間を元に予測式が特定されることになり、類似しない期間からの影響を低減することができ、予測の精度を向上させることができる。
次に、予測装置１による予測方法を適用した具体的な実施例について説明する。
実施例として、本実施の形態の予測方法を建設機械の需要予測に適用した例を説明する。図１３は、本実施例における項目の内容を示す説明図である。本実施例では、予測対象（信号値）を「建設機械の出荷台数」とし、予測対象に関連する項目を様々な経済指標とした。経済指標となる項目としては、図１３に示すように、「月」、「日本 失業率（％）」、「国内銀行貸出金利（％）」等が設定されている。これらの各項目は、月度毎のデータがメンバーに対応付けられている。なお「１月」、「２月」等の月を示す項目は、メンバーとして対応付けられる各項目が何月度に対応するかを示す項目であり、当該月度の出荷台数を信号値とするメンバーでは、「１」が記録され、当該月度でない場合には「０」が記録される。例えば、２０１０年１月度のメンバーは、「１月」の項目のデータが「１」となり、他の月度の項目のデータ「２月」〜「１２月」の項目のデータが「０」となる。実施例では、予測装置１が、経済指標に関する２４項目（図１３では一部省略又は詳細変更）及び月度に関する１２項目の合計３６項目に基づき、「建設機械の出荷台数」を予測する。
以下、実施例１及び実施例２に予測装置１が適用された場合について夫々説明する。実施例１及び実施例２では、予測対象期間が異なる。予測対象期間の違いによって異なる信号期間が選択され、それにより予測値が精度よく算出されることを示す。
（実施例１）
図１４は、実施例１にて予測に用いる信号値の内容例を示すグラフである。図１４の横軸は、年月を時系列に示し、縦軸は、出荷台数を示す。なお図１４における出荷台数は、実際の値を示している。実施例１では、予測装置１を用い、図１４に示す出荷台数の時系列データに対する図１３に示した項目毎のデータに基づき、２０１０年６月〜２０１１年５月までの１２ヶ月間の出荷台数を予測する。なお、後述にて、当該期間における出荷台数の実績値を元に、予測装置１による予測値に対する評価を行なう。
図１５は、実施例１における信号値と、信号トレンドを示すグラフである。図１５の横軸は年月を時系列に示し、縦軸は出荷台数を示す。なお図１５における横軸の時間幅は、図１４の時間幅より大きくとってある。
まず、予測装置１の制御部１０は、図１５に示したような時期列データの信号値及び各信号値に対する項目毎のデータについて、時間差モデルを適用し（Ｓ１０１）、項目毎のデータに対して線形変化を行い、信号値に対しても変換処理を行なう（Ｓ４０１）。実施例１では、予測期間は１２ヶ月であるので、１２ヶ月ずらした時間差モデルを適用する。
制御部１０は、時系列データに基づき信号値の推移に対する周期性の有無を判断する。図１６は、周期性有と判断される標本自己相関関数のプロットの例、図１７は、周期性無と判断される標本自己相関関数のプロットの例を示すグラフである。図１５に示す信号値の推移では、図１６に示したような自己相関の周期が検出されず、周期性無しと判断される（Ｓ４０２：ＮＯ）。
そこで制御部１０は、変換後の信号値のトレンドを求め（Ｓ４１１）、予測対象期間に対応する項目のデータ、即ち２０１０年６月〜２０１１年５月の１２ヶ月間よりも所定期間（１２ヶ月）前の２００９年６月〜２０１０年５月の直近における信号トレンドの勾配を判定する（Ｓ４１２）。制御部１０は、Ｓ４１２の処理によって、勾配はマイナスと判定する。制御部１０は、勾配がマイナスと判定される信号トレンドの区間を選択する（Ｓ４１３）。
図１８は、図１５に示した信号値から選択されたマイナストレンドの信号区間の例を示すグラフである。図１８では、図１５同様に、横軸は年月を時系列に示し、縦軸は出荷台数を示す。
制御部１０は、図１８のように選択された区間を連続区間のように扱い、当該区間の信号値に対応する項目毎のデータのＭＤ、及びＭＤトレンドを算出する（Ｓ４１４）。
図１９は、実施例１にて選択された信号区間における項目データのＭＤ及びＭＤトレンドを示すグラフである。図１９の横軸は、年月を時系列に示し、縦軸はＭＤ値を示している。図１９中、白抜きの丸にてＭＤ値を示し、太線にてＭＤトレンドを示している。図１９を参照すると、２００７年１２月以前においては、ＭＤトレンドは１．０よりも大きく、直近の２００７年１２月以降ではＭＤトレンドが極小値を有している。
制御部１０は、算出されたＭＤトレンドに基づき、直近のＭＤトレンドが所定値以下であるか否かを判断する（Ｓ４１５）。図１９に示す実施例１では、直近のＭＤトレンドは所定値の１．０以下であると判断される（Ｓ４１５：ＹＥＳ）。したがって制御部１０は、ステップＳ４１３で選択した区間の内、ＭＤトレンドが所定値以下である区間、具体的には２００７年１２月〜２０１０年５月を信号期間として選択する（Ｓ４１６）。
制御部１０は、選択された信号期間（２００７年１２月〜２０１０年５月）における信号値及び項目毎のデータに基づき、両側Ｔ法を用いて項目毎の総合推定値のＳＮ比を求め、ＳＮ比が最大となる項目数を選択する処理を行なう（Ｓ１０５〜Ｓ１１１）。そして、制御部１０は、選択した項目数の項目を選択し（Ｓ１１２）、対応期間（２００９年１月〜１２月）における選択された項目のデータに基づき、予測値を算出する（Ｓ１１３）。
図２０は、実施例１における予測装置１の制御部１０による予測結果を示すグラフである。図２０の横軸は年月を時系列に示し、縦軸は出荷台数を示す。予測対象期間において、白丸で示す値が予測値である。これに対し、黒四角で示す値が実際の値である。比較として、白抜きの菱形にて、信号期間を予測対象期間の直前２４ヶ月間とした場合の予測値を示す。図２０に示すように、信号期間を直前の２４ヶ月間とした場合には、実際の値よりも過小に予測がされている。しかしながら、予測装置１による予測値は、１２ヶ月分の予測値として十分な精度で予測ができていることが分かる。
（実施例２）
図２１は、実施例２にて予測に用いる信号値の内容例を示すグラフである。図２１の横軸は、年月を時系列に示し、縦軸は、出荷台数を示す。なお図２１における出荷台数は、実際の値を示している。実施例２では、予測装置１を用い、図２１に示す出荷台数の時系列データに対する図１３に示した項目毎のデータに基づき、２０１１年１月〜２０１１年１２月までの１２ヶ月間の出荷台数を予測する。なお、後述にて、当該期間における出荷台数の実績値を元に、予測装置１による予測値に対する評価を行なう。
図２２は、実施例２における信号値と、信号トレンドを示すグラフである。図２２の横軸は年月を時系列に示し、縦軸は出荷台数を示す。なお図２２における横軸の時間幅は、図２１の時間幅より大きくとってある。
予測装置１の制御部１０は、図２２に示したような時期列データの信号値及び各信号値に対する項目毎のデータについて、時間差モデルを適用し（Ｓ１０１）、項目毎のデータに対して線形変化を行い、信号値に対しても変換処理を行なう（Ｓ４０１）。実施例２でも予測期間は１２ヶ月であるので、１２ヶ月ずらした時間差モデルを適用する。
制御部１０は、時系列データに基づき信号値の推移に対する周期性の有無を判断する。図２２に示す信号値の推移では、図１６に示したような自己相関の周期が検出されず、周期性無しと判断される（Ｓ４０２：ＮＯ）。
そこで制御部１０は、変換後の信号値のトレンドを求め（Ｓ４１１）、予測対象期間に対応する項目のデータ、即ち２０１１年１月〜２０１１年１２月の１２ヶ月間よりも所定期間（１２ヶ月）前の２０１０年１月〜２０１０年１２月の内の、直近における信号トレンドの勾配を判定する（Ｓ４１２）。制御部１０は、Ｓ４１２の処理によって、勾配はプラスと判定する。制御部１０は、勾配がプラスと判定される信号トレンドの区間を選択する（Ｓ４１３）。
図２３は、図２２に示した信号値から選択されたプラストレンドの信号区間の例を示すグラフである。図２３では、図２２同様に、横軸は年月を時系列に示し、縦軸は出荷台数を示す。
制御部１０は、図２３のように選択された区間を連続区間のように扱い、当該区間の信号値に対応する項目毎のデータのＭＤ、及びＭＤトレンドを算出する（Ｓ４１４）。
図２４は、実施例２にて選択された信号区間における項目データのＭＤ及びＭＤトレンドを示すグラフである。図２４の横軸は、年月を時系列に示し、縦軸はＭＤ値を示している。図２４中、白抜きの丸にてＭＤ値を示し、太線にてＭＤトレンドを示している。図２４を参照すると、２０００年１０月〜２００１年１０月においては、ＭＤトレンドは１．０よりも大きく、２００１年１１月〜２００７年１月付近ではＭＤトレンドは１．０以下、２００７年１月〜直近の２０１０年１２月までＭＤトレンドは再び１．０よりも大きい傾向を示している。
制御部１０は、算出されたＭＤトレンドに基づき、直近のＭＤトレンドが所定値以下であるか否かを判断する（Ｓ４１５）。図２４に示す実施例２では、直近のＭＤトレンドは所定値の１．０よりも大きいと判断される（Ｓ４１５：ＮＯ）。したがって制御部１０は、ステップＳ４１３で選択した区間の内、ＭＤトレンドが所定値よりも大きい区間、具体的には２０００年１０月〜２００１年１０月、及び２００７年１月〜直近の２０１０年１２月までを信号期間として選択する（Ｓ４１６）。
制御部１０は、選択された信号期間（２０００年１０月〜２００１年１０月、２００７年１月〜２０１０年１２月）における信号値及び項目毎のデータに基づき、両側Ｔ法を用いて項目毎の総合推定値のＳＮ比を求め、ＳＮ比が最大となる項目数を選択する処理を行なう（Ｓ１０５〜Ｓ１１１）。そして、制御部１０は、選択した項目数の項目を選択し（Ｓ１１２）、対応期間（２０１０年１月〜１２月）における選択された項目のデータに基づき、予測値を算出する（Ｓ１１３）。
図２５は、実施例２における予測装置１の制御部１０による予測結果を示すグラフである。図２５の横軸は年月を時系列に示し、縦軸は出荷台数を示す。予測対象期間において、白丸で示す値が予測値である。これに対し、黒四角で示す値が実際の値である。比較として、白抜きの菱形にて、信号期間を予測対象期間の直前２４ヶ月間とした場合の予測値を示す。図２５に示すように、信号期間を直前の２４ヶ月間とした場合には、実際の値よりも過大に予測がされている。特に、予測対象期間の後半にて過大予測が顕著である。しかしながら、予測装置１による予測値は、１２ヶ月分の予測値として十分な精度で予測ができていることが分かる。
このように、信号値の周期性の有無に応じて、ＭＤ及びＭＤトレンドを考慮した方法を適用することにより、予測装置１は高精度な出荷台数予測を実現することが可能である。
なお、上述のように開示された本実施の形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。
１ 予測装置
１０ 制御部（演算手段）
１１ 記録部（記録手段）
１３ 入力部
１４ 出力部
１１０ データベース
２ 予測プログラム（コンピュータプログラム）

Claims (5)

  1. 複数の要因が関連する事象に係る値、及び、該値に関連する前記複数の要因を複数の項目毎のデータとして前記値に対応付けて時系列に記録する記録手段と、該記録手段から前記値及び該値に対応する前記複数の項目毎のデータを読み出して演算を行なう演算手段とを備え、該演算手段が、前記複数の項目の前記値の変化に対する相関の強さを示す要因効果値に基づき、前記複数の項目から複数の項目を選択し、選択した項目のデータに基づき、予測対象期間における前記事象に係る値を予測する予測装置において、
    前記演算手段は、
    前記記録手段に記録されている値の記録期間中における経時変化傾向の周期性の有無を判断する判断手段と、
    該判断手段が周期性無しと判断した場合、
    前記予測対象期間よりも所定期間前の対応期間における前記値の経時変化傾向と、同一傾向である期間を前記記録期間から選択する選択手段と、
    該選択手段が選択した期間から、前記対応期間における前記複数の項目毎のデータが属する期間を判別する期間判別手段と、
    判別した期間における前記複数の項目毎のデータ、及び、該期間よりも所定期間後の値により求められる前記要因効果値に基づき、複数の項目を選択する項目選択手段と、
    前記対応期間における前記項目選択手段が選択した項目のデータから前記予測対象期間における予測値を算出する予測手段と
    を備えることを特徴とする予測装置。
  2. 前記判断手段は、
    時系列の前記値について、期間を変化させて期間毎の自己相関係数を算出する手段と、
    算出された期間毎の自己相関係数の分布におけるピークの有無を判断する手段と
    を備え、
    前記ピーク有と判断した場合に、周期性が有と判断するようにしてあること
    を特徴とする請求項１に記載の予測装置。
  3. 前記期間判別手段は、
    前記選択手段により選択された期間における前記複数の項目毎のマハラノビスの汎距離を算出する第１算出手段と、
    算出したマハラノビスの汎距離のトレンドをトレンドモデルに基づき算出する第２算出手段と
    を備え、
    前記対応期間における複数の項目毎のデータのトレンドと同一のトレンドを有する期間を、前記選択手段により選択された期間を、前記対応期間における前記複数の項目毎のデータが属する期間と判別するようにしてあること
    を特徴とする請求項１に記載の予測装置。
  4. 複数の要因が関連する事象に係る値、及び、該値に関連する前記複数の要因を複数の項目毎のデータとして前記値に対応付けて時系列に記録する記録手段と、該記録手段から前記値及び該値に対応する前記複数の項目毎のデータを読み出して演算を行なう演算手段とを備える装置にて、該演算手段が、前記複数の項目の前記値の変化に対する相関の強さを示す要因効果値に基づき、前記複数の項目から複数の項目を選択し、選択した項目のデータに基づき、予測対象期間における前記事象に係る値を予測する予測方法において、
    前記演算手段は、
    前記記録手段に記録されている値の記録期間中における経時変化傾向の周期性の有無を判断し、
    周期性無しと判断した場合、
    前記予測対象期間よりも所定期間前の対応期間における前記値の経時変化傾向と、同一傾向である期間を前記記録期間から選択し、
    選択した期間から、前記対応期間における前記複数の項目毎のデータが属する期間を判別し、
    判別した期間における前記複数の項目毎のデータ、及び、該期間よりも所定期間後の値により求められる前記要因効果値に基づき、複数の項目を選択し、
    前記対応期間における選択された項目のデータから前記予測対象期間における予測値を算出する
    ことを特徴とする予測方法。
  5. 記録手段を備えるコンピュータに、前記記録手段に時系列に記録してある複数の要因が関連する事象に係る値、及び、該値に関連する前記複数の要因を複数の項目毎のデータを読み出し、前記複数の項目の前記値の変化に対する相関の強さを示す要因効果値に基づき、前記複数の項目から複数の項目を選択させ、選択された項目のデータに基づいて予測対象期間における前記事象に係る値を予測させるコンピュータプログラムにおいて、
    前記コンピュータに、
    前記記録手段に記録されている値の記録期間中における経時変化傾向の周期性の有無を判断する判断手段、
    該判断手段が周期性無しと判断した場合、前記予測対象期間よりも所定期間前の対応期間における前記値の経時変化傾向と、同一傾向である期間を前記記録期間から選択する選択手段、
    該選択手段が選択した期間から、前記対応期間における前記複数の項目毎のデータが属する期間を判別する期間判別手段、
    判別した期間における前記複数の項目毎のデータ、及び、該期間よりも所定期間後の値により求められる前記要因効果値に基づき、複数の項目を選択する項目選択手段、及び、
    前記対応期間における前記項目選択手段が選択した項目のデータから前記予測対象期間における予測値を算出する予測手段
    としての機能を実行させることを特徴とするコンピュータプログラム。
JP2012144414A 2012-06-27 2012-06-27 予測装置、予測方法及びコンピュータプログラム Expired - Fee Related JP5416809B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2012144414A JP5416809B2 (ja) 2012-06-27 2012-06-27 予測装置、予測方法及びコンピュータプログラム
EP13808980.0A EP2869248A1 (en) 2012-06-27 2013-06-25 Prediction device, prediction method, and computer programme
PCT/JP2013/067311 WO2014002974A1 (ja) 2012-06-27 2013-06-25 予測装置、予測方法及びコンピュータプログラム
US14/411,349 US20150339579A1 (en) 2012-06-27 2013-06-25 Prediction device, prediction method, and computer readable medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2012144414A JP5416809B2 (ja) 2012-06-27 2012-06-27 予測装置、予測方法及びコンピュータプログラム

Publications (2)

Publication Number Publication Date
JP2014010482A true JP2014010482A (ja) 2014-01-20
JP5416809B2 JP5416809B2 (ja) 2014-02-12

Family

ID=49783120

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2012144414A Expired - Fee Related JP5416809B2 (ja) 2012-06-27 2012-06-27 予測装置、予測方法及びコンピュータプログラム

Country Status (4)

Country Link
US (1) US20150339579A1 (ja)
EP (1) EP2869248A1 (ja)
JP (1) JP5416809B2 (ja)
WO (1) WO2014002974A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5826891B1 (ja) * 2014-06-02 2015-12-02 ヤンマー株式会社 予測装置、予測方法、及びコンピュータプログラム
JP7487412B2 (ja) 2021-05-14 2024-05-20 三菱重工業株式会社 プラント監視方法、プラント監視装置及びプラント監視プログラム

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130018689A1 (en) * 2011-02-10 2013-01-17 Diego Guicciardi System and Method for Enhancing and Sustaining Operational Efficiency
JP5068383B1 (ja) * 2011-06-21 2012-11-07 ヤンマー株式会社 予測装置、予測方法及び予測プログラム
CN109376896B (zh) * 2018-08-29 2022-05-20 国网重庆市电力公司南岸供电分公司 一种基于多模融合的配电网短期负荷预测方法
CN111260427B (zh) * 2018-11-30 2023-07-18 北京嘀嘀无限科技发展有限公司 服务订单处理方法、装置、电子设备及存储介质
CN111260384B (zh) * 2018-11-30 2023-09-15 北京嘀嘀无限科技发展有限公司 服务订单处理方法、装置、电子设备及存储介质
CN111008749B (zh) * 2019-12-19 2023-06-30 北京顺丰同城科技有限公司 一种需求预测的方法及装置
CN112699614B (zh) * 2021-01-14 2023-01-31 长安大学 基于XGBoost的序列预测模型构建、降水趋势预测方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3141164B2 (ja) 1991-07-24 2001-03-05 株式会社日立製作所 電力需要予測方法及び装置
JP2001022729A (ja) * 1999-07-09 2001-01-26 Hitachi Ltd 予測モデルの選択方法
JP4673727B2 (ja) * 2005-11-21 2011-04-20 株式会社リコー 需要予測方法及び需要予測プログラム
JP5034120B2 (ja) * 2009-01-29 2012-09-26 三菱電機株式会社 製品の組立調整方法および組立調整装置
JP2010211684A (ja) * 2009-03-12 2010-09-24 Toshiba Corp データ処理方法、データ処理プログラム、データ処理装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5826891B1 (ja) * 2014-06-02 2015-12-02 ヤンマー株式会社 予測装置、予測方法、及びコンピュータプログラム
JP7487412B2 (ja) 2021-05-14 2024-05-20 三菱重工業株式会社 プラント監視方法、プラント監視装置及びプラント監視プログラム

Also Published As

Publication number Publication date
US20150339579A1 (en) 2015-11-26
JP5416809B2 (ja) 2014-02-12
EP2869248A1 (en) 2015-05-06
WO2014002974A1 (ja) 2014-01-03

Similar Documents

Publication Publication Date Title
JP5416809B2 (ja) 予測装置、予測方法及びコンピュータプログラム
JP5068382B1 (ja) 予測装置、予測方法及び予測プログラム
Chen et al. Inventory and shelf-space optimization for fresh produce with expiration date under freshness-and-stock-dependent demand rate
Henri The periodic review of performance indicators: an empirical investigation of the dynamism of performance measurement systems
JP5416811B2 (ja) 予測装置、予測方法及びコンピュータプログラム
Wang et al. The bullwhip effect on inventory under different information sharing settings based on price-sensitive demand
JP5416810B2 (ja) 予測装置、予測方法及びコンピュータプログラム
Keil Explaining the concentration-profitability paradox
Białowolski Concepts of confidence in tendency survey research: An assessment with multi-group confirmatory factor analysis
WO2014003001A1 (ja) 予測装置、予測方法及びコンピュータプログラム
JP5572738B1 (ja) 予測装置、予測方法及びコンピュータプログラム
Enisan et al. Monetary policy shocks and effectiveness of channels of transmission in nigeria: a dynamic stochastic general equilibrium approach
Perng et al. A service quality improvement dynamic decision support system for refurbishment contractors
Dupačová et al. Stress testing for VaR and CVaR
Chen et al. Explore the new relationship between patents and market value: A panel smooth transition regression (PSTR) approach
JP5564604B1 (ja) 予測装置、予測方法及びコンピュータプログラム
Consigli et al. Applying stochastic programming to insurance portfolios stress-testing
Hinch et al. LIBOR and interest rate spread: Sensitivities of the Australian housing market
JP2008305229A (ja) 需要予測方法および装置
JP5602283B1 (ja) 予測装置、予測方法及びコンピュータプログラム
JP5680144B2 (ja) 予測装置、予測方法及びコンピュータプログラム
WO2014200080A1 (ja) 予測装置、予測方法及びコンピュータプログラム
Bao et al. Dynamic financial distress prediction based on Kalman filtering
Golosnoy et al. New characteristics for portfolio surveillance
JP5826348B1 (ja) 予測装置、予測方法及びコンピュータプログラム

Legal Events

Date Code Title Description
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20131112

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20131115

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

LAPS Cancellation because of no payment of annual fees