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 PDFInfo
- 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
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
【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)。
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。
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。
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。
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。
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。
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。
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)
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)
- 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。 - 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。 - 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。 - 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。 - 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。
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)
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)
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)
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 |
-
2012
- 2012-06-27 JP JP2012144414A patent/JP5416809B2/ja not_active Expired - Fee Related
-
2013
- 2013-06-25 EP EP13808980.0A patent/EP2869248A1/en not_active Withdrawn
- 2013-06-25 US US14/411,349 patent/US20150339579A1/en not_active Abandoned
- 2013-06-25 WO PCT/JP2013/067311 patent/WO2014002974A1/ja active Application Filing
Cited By (2)
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 |