JP2014182520A - 情報処理プログラム、情報処理方法および情報処理装置 - Google Patents

Abstract

【課題】来客数を高精度に予測すること。
【解決手段】情報処理装置１００は、記憶部２０１と、抽出部２０２と、算出部２０３と、出力部２０４と、を有する。記憶部２０１は、各日の特徴を示す情報を日ごとに記憶するとともに来客数を日ごとに記憶する。抽出部２０２は、記憶部２０１を参照して、予測対象日の前日の特徴と予測対象日の特徴とにそれぞれ合致し、且つ予測対象日よりも前の連続する第一期間および第二期間を抽出する。算出部２０３は、記憶部２０１を参照して、抽出部２０２によって抽出された第一期間および第二期間についての来客数と、前日の来客数と、に基づいて、予測対象日の予測来客数を算出する。出力部２０４は、算出部２０３によって算出された予測来客数を出力する。
【選択図】図２

Description

本発明は、情報処理プログラム、情報処理方法および情報処理装置に関する。

従来、店舗などにおいて来客数を予測する技術が提案されている。たとえば、過去の客数実績値を参照して、予測対象日と同一曜日の過去の実績を用いる技術が知られている（たとえば、下記特許文献１参照。）。また、前年同月の各日の来客数や、販売実績、天気、気温、催事等の情報を参考にして、翌月１ヶ月間の各日の来客数を予測する技術が知られている（たとえば、下記特許文献２参照。）。

特開２００５−２４２８３９号公報 特開２００２−０２４３５０号公報

しかしながら、従来技術では、予測対象日と同じ特徴を有する日の来客実績だけでは来客数を高精度に予測することができないという問題がある。

１つの側面では、本発明は、来客数を高精度に予測することを目的とする。

本発明の一側面によれば、期間の特徴を示す情報と来客数とを関連付けて前記期間ごとに記憶する記憶部を参照して、対象期間に連続し該対象期間の直前の期間の特徴と前記対象期間の特徴とにそれぞれ合致または近似し、且つ前記対象期間よりも過去の期間である連続する第一期間および第二期間についての来客数をそれぞれ抽出し、抽出した前記第一期間および前記第二期間についての来客数と、前記直前の期間の来客数と、に基づいて、前記対象期間の予測来客数を算出し、算出した前記対象期間の予測来客数を出力する、情報処理プログラム、情報処理方法および情報処理装置が提案される。

本発明の一態様によれば、来客数を高精度に予測することができるという効果を奏する。

図１は、実施の形態にかかる情報処理方法の一実施例を示す説明図である。 図２は、情報処理装置の機能的構成の一例を示すブロック図である。 図３は、情報処理装置のハードウェア構成の一例を示す図である。 図４は、実績ＤＢの記憶内容の一例を示す説明図である。 図５は、重み付け値の算定の一例を示す説明図である。 図６は、パターン一致判定手順の一例を示す説明図である。 図７は、パターン選択手順の一例を示す説明図である。 図８は、情報処理装置がおこなう発注処理の一例を示すフローチャートである。 図９は、情報処理装置がおこなう予測来客数算出処理の一例を示すフローチャート（その１）である。 図１０は、情報処理装置がおこなう予測来客数算出処理の一例を示すフローチャート（その２）である。

以下に図面を参照して、本発明にかかる情報処理プログラム、情報処理方法および情報処理装置の実施の形態を詳細に説明する。

（実施の形態）
（実施の形態にかかる情報処理方法の一実施例）
図１は、実施の形態にかかる情報処理方法の一実施例を示す説明図である。図１において、情報処理装置１００は、来客数を予測するコンピュータである。情報処理装置１００は、たとえば、店舗等に設置されるＰＣ（パーソナルコンピュータ）であるが、これに限らず、店舗に設置されるＰＣ等と通信可能なサーバであってもよい。店舗とは、たとえば、商品を販売する施設や役務を提供する施設などが挙げられる。

情報処理装置１００は、来客数を予測する装置である。来客数の予測は、商品の発注や従業員の配置や商品の配置の決定など、各店舗の経営上、不可欠なものとなっている。そのため、店舗において、来客数を精度よく予測することは極めて重要なことになっている。

たとえば、予測した来客数は、発注数量の算出に用いられる。発注数量の算出には、たとえば、ＰＩ（Ｐｕｒｃｈａｓｅ Ｉｎｄｅｘ）値が用いられる。ＰＩ値は、来客数１０００人あたりの購買指数である。たとえばスーパーマーケットにおいて牛乳を購入している来客数が、１０００人中１００人であるとすると、牛乳のＰＩ値は１０％になる。つまり、ＰＩ値は、来客数の中の、牛乳を購入する来客数の割合を示す数値であり、値が高いほど購入客数が多いといえる。ＰＩ値は「ＰＩ＝（購買個数／来客数）×１０００」の式によって算出することができる。ＰＩ値の精度を高めるには、予測来客数の精度を高めることが有効である。

そこで、実施の形態では、天気等の特徴について、予測対象日の前日から予測対象日までの特徴変化と同じ特徴変化があったときの過去の来客数の変化と前日の来客数を用いて予測対象日の来客数を予測することにより、来客数を高精度に予測する。

以下、情報処理装置１００の情報処理の一実施例について説明する。情報処理装置１００は、ディスプレイ１１０を有する。情報処理装置１００は、実績ＤＢ１２０に、各日の特徴を示す情報と来客数の実績とを日ごとに記憶している。特徴とは、来客数に影響を及ぼす要素であり、たとえば、天気、気温、催事といった要素である。来客数は、前日までの各日の集計を示した実績値であり、たとえば、来客数を検出する所定の方法によって検出された値や、店員がカウンタを用いて実測した値である。実績ＤＢ１２０には、過去１年分以上の特徴を示す情報と来客数とが日ごとに記憶されている。

（１）情報処理装置１００には、予測対象日の日付および特徴が入力される。予測対象日の日付および特徴は、たとえば、操作者によって入力されるものである。たとえば、予測対象日を「９月３０日（金）」とし、特徴を「特売、雨」とする。情報処理装置１００は、実績ＤＢ１２０を参照して、前日の９月２９日（木）の特徴および実績の来客数「定番、晴、来客数４００」を抽出する。なお、前日の特徴および来客数は、実績ＤＢ１２０から抽出せずに、操作者が入力したものでもよい。

（２）情報処理装置１００は、実績ＤＢ１２０を参照して、予測対象日の特徴および前日の特徴に一致する過去の連続する日の組合せを抽出する。つまり、情報処理装置１００は、前日および予測対象日の特徴変化の傾向に近い、過去の連続する日の組合せを抽出する。たとえば、９月１５日（木）と９月１６日（金）とが抽出されたとする。９月１５日（木）は、第一期間であり、予測対象日の前日（９月２９日（木））の特徴「定番、晴」と同じ特徴である。９月１５日（木）の来客数は５００である。また、９月１６日（金）は、第二期間であり、予測対象日（９月３０日（金））の特徴「特売、雨」と同じ特徴である。９月１６日（金）の来客数は１０００である。

（３）情報処理装置１００は、９月１５日（木）の来客数、９月１６日（金）の来客数、および９月２９日（木）の来客数を用いて、９月３０日（金）の予測来客数を算出する。情報処理装置１００は、９月１６日（金）の来客数（１０００）と９月１５日（木）の来客数（５００）との変動値として、たとえば比率（１０００／５００）を算出する。そして、情報処理装置１００は、この比率を９月２９日（木）の来客数（４００）に乗じることによって、９月３０日（金）の予測来客数（（１０００／５００）×４００＝８００）を算出する。

算出した予測来客数は、情報処理装置１００のディスプレイ１１０に表示出力される。このように、本実施の形態では、予測対象日の前日の特徴等によって来客数が左右されるという点を考慮し、予測対象日および予測対象日の前日の特徴を用いて、予測来客数を算出するようにしたので、来客数を高精度に予測することができる。

情報処理装置１００は、店舗等に設置されるＰＣに限らず、ユーザが使用するＰＣと通信可能なサーバとしてもよい。たとえば、各日の特徴と来客数とを日ごとに記憶する記憶部をサーバに含ませ、ユーザが使用するＰＣからの要求に応じて、サーバが、予測対象日の特徴および前日の特徴に一致する過去の連続する日の組合せを抽出してもよい。そして、サーバは、抽出した各日の来客数と、予測対象日前日の来客数を用いて予測来客数を算出し、算出結果をユーザが使用するＰＣに送信してもよい。

（情報処理装置の機能的構成の一例）
図２は、情報処理装置の機能的構成の一例を示すブロック図である。図２において、情報処理装置１００は、記憶部２０１と、抽出部２０２と、算出部２０３と、出力部２０４と、有する。記憶部２０１は、期間の特徴を示す情報を期間ごとに記憶するとともに来客数を期間ごとに記憶する。期間とは、日を単位とするが、これに限らず、時間単位や月単位としてもよいし、たとえば４時間単位といった一定時間単位や、たとえば３日間や７日間といった一定日数単位としてもよい。来客数は、実際に店舗等に来店した客の数である。

記憶部２０１は、情報処理装置１００に含まれるが、これに限らず、外部装置やサーバに含まれるものであってもよく、この場合、情報処理装置１００がこの外部装置やサーバから各種情報を取得すればよい。図１に示した実績ＤＢ１２０は、記憶部２０１によって実現される。

抽出部２０２は、記憶部２０１を参照して、対象期間の直前の期間の特徴と対象期間の特徴とにそれぞれ合致または近似し、且つ対象期間よりも前の連続する第一期間および第二期間を抽出する。本実施の形態において、対象期間とは予測対象日であり、対象期間の直前の期間とは予測対象日の前日である。

また、本実施の形態において、特に説明しない限り、予測対象日を９月３０日（金）として説明する。特徴とは、客の来客数に影響を及ぼす要素であり、たとえば、催事、天候、気温区分といった要素であり、この中から少なくとも１以上が用いられる。合致とは、特徴の項目が合致することであり、たとえば、催事が合致することや、天候が合致することである。

近似とは、特徴が所定の範囲を有する場合に用いられ、たとえば、気温の場合２７℃と２８℃とを同じ温度と見なすことである。本実施の形態において、気温については、たとえば、５℃刻みでランク分けしている。そのため、気温についての特徴は、合致または非合致のいずれかをとる。なお、気温の特徴などのように、特徴が所定の範囲を有する場合については、ランク分けせずに、相違が所定値（たとえば５℃）未満の場合には近似とし、相違が所定値以上のときは非近似とすればよい。

第一期間は、前日（９月２９日（木））の特徴と合致または近似する日である。第二期間は、予測対象日（９月３０日（金））の特徴と合致または近似する日である。第一期間と第二期間とは、連続する日であり、つまり、連続する日の組合せとなる。すなわち、抽出部２０２は、前日および予測対象日の特徴変化に近い過去の連続する日の組合せを抽出する。

算出部２０３は、抽出部２０２によって抽出された第一期間の来客数ａおよび第二期間の来客数ｂと、直前の期間の来客数ｃと、に基づいて、対象期間の予測来客数ｄを算出する。たとえば、算出部２０３は、来客数ｃを基準にして、来客数ａと来客数ｂとの相違を用いて予測来客数ｄを算出する。相違とは、比率や差分である。具体的には、算出部２０３は、比率を用いた場合、「来客数ｃ×（来客数ａ／来客数ｂ）」により、予測来客数ｄを算出し、差分を用いた場合「来客数ｃ＋（来客数ｂ−来客数ａ）」により、予測来客数ｄを算出する。つまり、算出部２０３は、前日の来客数を基準にして、前日および予測対象日の特徴変化に近い過去の連続する日の来客数の変化を加味して、予測来客数を算出する。

出力部２０４は、算出部２０３によって算出された対象期間の予測来客数を出力する。出力部２０４によって出力された予測来客数は、ディスプレイ１１０に表示出力されるが、スピーカなどからの音声出力であってもよい。

算出部２０３は、抽出部２０２によって抽出された第一期間の来客数と第二期間の来客数との相違に応じて直前の期間の来客数を補正して得られる対象期間の予測来客数を算出する。たとえば、算出部２０３は、第一期間の来客数と第二期間の来客数との相違に応じて直前の期間の来客数を補正することにより予測来客数を算出してもよい。また、たとえば、算出部２０３は、第一期間の来客数を補正するとともに第二期間の来客数を補正し、補正した各値の相違に応じて、直前の期間の来客数を補正することにより、予測来客数を算出してもよい。

また、抽出部２０２は、第一期間および第二期間の組合せを一または複数抽出する。算出部２０３は、抽出部２０２によって抽出された第一期間の来客数と第二期間の来客数との相違の平均に応じて直前の期間の来客数を補正して得られる対象期間の予測来客数を算出する。第一期間についての来客数と第二期間についての来客数との相違の平均とは、変動値（比率や差分）の平均であるが、重み付け平均などであってもよい。

たとえば、算出部２０３は、第一期間の来客数と第二期間の来客数との相違の平均を導出して、当該相違の平均に応じて直前の期間の来客数を補正することにより予測来客数を算出してもよい。また、たとえば、算出部２０３は、第一期間の来客数の平均と第二期間の来客数の平均とから相違の平均を導出して、当該相違の平均に応じて直前の期間の来客数を補正することにより予測来客数を算出してもよい。

また、本実施の形態において、情報処理装置１００は、算出した予測対象日より先の日についても、予測来客数を算出することができる。具体的に説明すると、抽出部２０２は、対象期間の特徴と対象期間の直後の期間の特徴とにそれぞれ合致または近似し、且つ対象期間の直後の期間よりも前の連続する第三期間および第四期間を抽出する。対象期間の直後の期間とは予測対象日の翌日である。

第三期間は、予測対象日の特徴と合致または近似する日である。第四期間は、予測対象日の翌日の特徴と合致または近似する日である。第三期間と第四期間とは、連続する日であり、つまり、連続する日の組合せとなる。つまり、抽出部２０２は、予測対象日および翌日の特徴変化に近い過去の連続する日の組合せを抽出する。

算出部２０３は、抽出部２０２によって抽出された第三期間および第四期間の来客数と、対象期間の予測来客数と、に基づいて、対象期間の直後の期間の予測来客数を算出する。つまり、算出部２０３は、予測対象日および翌日の特徴変化に近い過去の連続する日の来客数と、既に算出した予測対象日の来客数とに基づいて、予測対象日の翌日の予測来客数を算出する。出力部２０４は、算出部２０３によって算出された対象期間の直後の期間の予測来客数を出力する。

また、情報処理装置１００は、予測対象日の翌々日以降も同様に、予測来客数を算出することができる。具体的には、第三期間を翌日の特徴と合致する日に置き換え、第四期間を翌々日の特徴と合致する日に置き換えればよい。これにより、翌日以降についても予測来客数を高精度に算出することができる。

また、記憶部２０１は、期間の複数種類の特徴を示す情報を期間ごとに記憶する。具体的には、記憶部２０１は、各日の複数種類の特徴を示す情報を日ごとに記憶する。複数種類の特徴とは、たとえば、催事、天候、気温区分といった３つの特徴うちの、少なくとも２以上である。

抽出部２０２は、第一期間および第二期間の複数の組合せのうちの、直前の期間および対象期間と合致または近似する特徴の種類数が多い組合せほど優先的に抽出してもよい。直前の期間および対象期間と合致または近似する特徴の種類数が多い組合せとは、具体的には、直前の期間および対象期間の特徴変化に近い組合せであるということである。たとえば、日と予測対象日との間において合致した特徴数が、３つの組合せの方が２つの組合せに比べて、前日および予測対象日の特徴変化に近い組合せであるため、抽出部２０２は、３つの組合せを優先的に抽出する。

また、抽出部２０２は、第一期間および第二期間の組合せを、直前の期間および対象期間と合致または近似する特徴の種類数ごとに抽出してもよい。たとえば、特徴の種類数を３とした場合、前日および予測対象日と合致する特徴の種類数（たとえば、２種類または３種類）ごとに、第一期間および第二期間の組合せを抽出する。

また、抽出部２０２は、種類数ごとの抽出結果に含まれる組合せ数と、種類数のそれぞれに対応付けられた所定の係数と、を乗算して得られる種類数ごとの判定値を用いて、種類数ごとの抽出結果のうちの一の抽出結果を選択する。抽出結果とは、種類数ごとに抽出された組合せである。

たとえば、抽出部２０２は、前日および予測対象日の特徴と３種類合致する第一期間および第二期間の組合せをｓ個抽出し、前日および予測対象日の特徴と２種類合致する第一期間および第二期間の組合せをｔ個抽出したとする。また、種類数のそれぞれに対応付けられた所定の係数は、たとえば、３種類については「α」、２種類については「β」として定められている。なお、所定の係数は、負の値であってもよい。また、所定の係数は、ユーザによって任意に値が変更可能なものとしてもよい。

抽出部２０２は、種類数ごとの抽出結果に含まれる組合せ数と、種類数のそれぞれに対応付けられた所定の係数と、を乗算して種類数ごとの判定値を得る。具体的には、抽出部２０２は、前日および予測対象日と特徴が３種類合致する「ｓ」と、３種類について対応付けられた所定の係数「α」と、を乗算することにより判定値「ｓ×α」を得る。また、抽出部２０２は、前日および予測対象日と特徴が２種類合致する「ｔ」と、２種類について対応付けられた所定の係数「β」と、を乗算することにより判定値「ｔ×β」を得る。

抽出部２０２は、判定値を用いて、種類数ごとの抽出結果のうちの一の抽出結果を選択する。抽出部２０２は、たとえば、判定値「ｓ×α」と「ｔ×β」を比較して、大きい値の抽出結果（たとえば「ｓ×α」）を選択する。

算出部２０３は、抽出部２０２によって選択された抽出結果に含まれる組合せの第一期間および第二期間の来客数と、直前の期間の来客数と、に基づいて、対象期間の予測来客数を算出する。具体的には、抽出部２０２によって選択された抽出結果に含まれる組合せの第一期間および第二期間の来客数は、選択された組合せについての全ての来客数である。たとえば、組合せがｓ個の場合、第一期間および第二期間についてそれぞれ２つの計２ｓ個の期間の来客数である。

ここで、組合せ数ｓ＝２として、この２つの組合せを、たとえば「９月１５日（木）、１６日（金）」と、「９月２２日（木）、２３日（金）」とする。各日の来客数については、９月１５日（木）がｘ１、９月１６日（金）がｘ２、９月２２日（木）がｘ３、９月２３日（金）がｘ４、であるとする。

直前の期間の来客数は、前日（９月２９日（木））の来客数であり、ｘ５とする。算出部２０３は、第一期間の客数として、前日までの木曜日の来客数の平均値を算出する（（ｘ１＋ｘ３＋ｘ５）／３＝ｘ６）。また、算出部２０３は、第二期間の客数として、予測対象日と同じ金曜日の過去の来客数の平均値を算出する（（ｘ２＋ｘ４）／２＝ｘ７）。そして、算出部２０３は、第一期間の客数と第二期間の客数との相違としての変動値を算出する。変動値は、たとえば、第一期間の客数に対する第二期間の客数の割合を示す比率であるが（ｘ７／ｘ６）、第一期間の客数と第二期間の客数の差分（ｘ７−ｘ６）としてもよい。

算出部２０３は、前日（９月２９日（木））の来客数ｘ５と変動値（ｘ７／ｘ６）とを乗算して（ｘ５×（ｘ７／ｘ６））、予測来客数を算出する。なお、算出部２０３は、前日（９月２９日（木））の来客数ｘ５と差分の変動値（ｘ７−ｘ６）とを加算して（ｘ５＋（ｘ７−ｘ６））、予測来客数を算出してもよい。

また、抽出部２０２は、対象期間まで連続する所定数の期間の特徴にそれぞれ合致または近似し、且つ対象期間よりも前の連続する所定数の期間の組合せを所定数ごとに抽出する。所定数は、２以上の値であり、たとえば、２または３であるが、４以上の値でもよい。所定数が２であるとは、予測対象日までの２連続の期間を表し、すなわち、予測対象日と前日との連続する期間であることを表す。所定数が３であるとは、予測対象日までの３連続の期間を表し、すなわち、予測対象日と前日と前々日との３連続する期間であることを表す。

具体的には、抽出部２０２は、予測対象日までの２連続の期間の特徴または３連続の期間の特徴にそれぞれ合致し、且つ予測対象日よりも前の２連続の期間または３連続の期間の組合せを、２連続の期間または３連続の期間ごとに抽出する。たとえば、予測対象日まで連続する３連続の期間の特徴に合致する組合せをｕ個とする。また、予測対象日まで連続する２連続の期間の特徴に合致する組合せをｖ個とする。

抽出部２０２は、組合せごとの抽出結果に含まれる組の数と、組合せのそれぞれに対応付けられる所定の係数と、を乗算して得られる組合せごとの判定値を用いて、組合せごとの抽出結果のうちの一の抽出結果を選択する。抽出結果とは、組合せ数ごとに抽出された組である。組合せのそれぞれに対応付けられた所定の係数は、たとえば、所定数が３の場合「γ」、所定数が２の場合「δ」として定められている。なお、所定の係数は、負の値であってもよい。また、所定の係数は、ユーザによって任意に値が変更可能なものとしてもよい。

そして、抽出部２０２は、所定数ごとの抽出結果に含まれる組合せ数と、所定数のそれぞれに対応付けられた所定の係数と、を乗算して所定数ごとの判定値を得る。具体的には、抽出部２０２は、予測対象日まで連続する２連続の期間の特徴が合致する「ｖ」と、所定数「２」に対応付けられた所定の係数「δ」と、を乗算することにより判定値「ｖ×δ」を得る。また、抽出部２０２は、予測対象日まで連続する３連続の期間の特徴が合致する「ｕ」と、所定数「３」に対応付けられた所定の係数「γ」と、を乗算することにより判定値「ｕ×γ」を得る。

抽出部２０２は、判定値を用いて、組ごとの抽出結果のうちの一の抽出結果を選択する。具体的には、判定値「ｖ×δ」と「ｕ×γ」を比較して、大きい値の抽出結果（たとえば「ｕ×γ」）を選択する。算出部２０３は、抽出部２０２によって選択された抽出結果に含まれる組合せの所定数の期間の来客数と、対象期間以前の連続する所定数の期間のうちの対象期間を除く期間についての各期間の来客数と、に基づいて、対象期間の予測来客数を算出する。ここで、組合せ数ｕ＝２として、この２つの組合せを、たとえば「９月１４日（水）、１５日（木）、１６日（金）」と、「９月２１日（水）、２２日（木）、２３日（金）」とする。

各日の来客数については、９月１４日（水）がｙ１、１５日（木）がｙ２、１６日（金）がｙ３、２１日（水）がｙ４、２２日（木）がｙ５、２３日（金）がｙ６、であるとする。対象期間以前の連続する所定数の期間のうちの対象期間を除く期間は、予測対象日以前の連続する３日の期間のうちの予測対象日を除いた前日および前々日である。前日（９月２９日）および前々日（９月２８日）の来客数が、それぞれ、たとえば、ｙ７、ｙ８であるとする。

まず、算出部２０３は、前日までの水曜日および木曜日の来客数の平均値を算出する（（ｙ１＋ｙ２＋ｙ４＋ｙ５＋ｙ７＋ｙ８）／６＝ｚ１）。また、算出部２０３は、予測対象日と同じ金曜日の過去の来客数の平均値を算出する（（ｙ３＋ｙ６）／２＝ｚ２）。そして、算出部２０３は、各期間の相違としての変動値を算出する。変動値は、たとえば、各期間の客数の割合を示す比率であるが（ｚ２／ｚ１）、第一期間の客数と第二期間の客数の差分（ｚ２−ｚ１）としてもよい。

算出部２０３は、直前の期間（前日および前々日）の来客数の平均値を算出する（（ｙ７＋ｙ８）／２＝ｚ３）。そして、算出部２０３は、直前の期間の来客数の平均値ｚ３と変動値（ｚ２／ｚ１）とを乗算して（ｚ３×（ｚ２／ｚ１））、予測来客数を算出する。なお、算出部２０３は、直前の期間の来客数の平均値ｚ３と差分の変動値（ｚ２−ｚ１）とを加算して（ｚ３＋（ｚ２−ｚ１））、予測来客数を算出してもよい。

（情報処理装置のハードウェア構成の一例）
図３は、情報処理装置のハードウェア構成の一例を示す図である。情報処理装置１００は、ＣＰＵ３０１と、メモリ３０２と、ユーザインタフェース３０３と、通信インタフェース３０４と、を備えている。ＣＰＵ３０１、メモリ３０２、ユーザインタフェース３０３および通信インタフェース３０４は、バス３０９によって接続されている。

ＣＰＵ３０１（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）は、情報処理装置１００の全体の制御を司る。メモリ３０２には、たとえばメインメモリおよび補助メモリが含まれる。メインメモリは、たとえばＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）である。

メインメモリは、ＣＰＵ３０１のワークエリアとして使用される。補助メモリは、たとえば磁気ディスク、光ディスク、フラッシュメモリなどの不揮発メモリである。補助メモリには、情報処理装置１００を動作させる各種のプログラムが記憶されている。補助メモリに記憶されたプログラムは、メインメモリにロードされてＣＰＵ３０１によって実行される。

ユーザインタフェース３０３は、たとえば、ユーザからの操作入力を受け付ける入力デバイスや、ユーザへ情報を出力する出力デバイスなどを含む。入力デバイスは、たとえば、タッチパネルやキー（たとえばキーボード）やリモコンなどによって実現することができる。出力デバイスは、たとえば、ディスプレイやスピーカなどによって実現することができる。ユーザインタフェース３０３は、ＣＰＵ３０１によって制御される。

通信インタフェース３０４は、たとえば、無線や有線によって情報処理装置１００の外部装置との間で通信をおこなう通信インタフェースである。通信インタフェース３０４は、ＣＰＵ３０１によって制御される。

図２に示した抽出部２０２と、算出部２０３と、出力部２０４とは、メモリ３０２に記憶されたプログラムをＣＰＵ３０１に実行させることにより、または、ユーザインタフェース３０３により、その機能を実現する。各機能部の処理結果は、メモリ３０２に記憶される。また、図２に示した記憶部２０１は、メモリ３０２によって実現される。

（実績ＤＢ１２０の記憶内容）
次に、図４を用いて、情報処理装置１００が有する実績ＤＢ１２０の記憶内容の一例について説明する。実績ＤＢ１２０は、たとえば、図３に示したメモリ３０２などの記憶装置により実現される。

図４は、実績ＤＢの記憶内容の一例を示す説明図である。図４において、実績ＤＢ１２０は、日付フィールドと、特徴フィールドと、来客数フィールドと、を有する。これらのフィールドに情報を設定することにより、実績ＤＢ１２０には、日付と、特徴と、来客数と、の組み合わせごとの実績データ４００−１〜４００−ｚがレコードとして記憶される。実績データ４００は、過去１年分以上がレコードとして記憶されている。

日付は、各日の月日である。特徴は、客の来客数に影響を及ぼす要素であり、たとえば、催事、天候、気温区分といった要素である。来客数は、各日の来客数の累計である。催事とは、定番または特売である。なお、催事には、このほかにも、年に数回しか行わない特殊なイベントがある場合には、別途、特徴として記憶してもよい。

天候は、晴、曇、雨、雪などであり、たとえば営業時間中の代表的な天候としてもよい。また、日中の代表的な天気が晴れの場合であっても、一時的に雷や夕立があった場合には、別途特徴として、雷や夕立の有無を記憶するようにしてもよい。気温は、日中の平均気温であり、たとえば営業時間中の平均気温としてもよい。来客数は、来客数を検出する所定の方法によって検出された値である。また、特徴としては、このほかにも、休日または平日といった日の種類や、イベントの有無などを記憶してもよい。また、曜日を特徴に含ませてもよい。

本実施の形態においては、たとえば、９月３０日を予測対象日とする。予測来客数が算出されると、算出された来客数は、たとえばデータ４００−ｘとして記憶される。このデータ４００−ｘを用いることにより、予測対象日（９月３０日）の翌日（１０月１日）についても、予測来客数を算出することができる。

１０月１日の来客数は、たとえばデータ４００−ｙとして記憶される。このデータ４００−ｙを用いることにより、予測対象日（９月３０日）の翌々日（１０月２日）についても、予測来客数を算出することができる。１０月２日の来客数は、データ４００−ｚとして記憶される。同様に、以降の特徴を特定することができれば、１０月３日以降の予測来客数についても、同様に算出することが可能である。

たとえば、予測対象日から１週間後までを予測しておき、予測対象日が経過するたびに、予測対象日の予測来客数を実績来客数に更新するとともにこの実績来客数を用いて、翌日以降の予測来客数を再度算出し直す。これにより、予測対象日以降の来客数の予測の精度を向上させることができる。

（重み付け値の算定について）
図５は、重み付け値の算定の一例を示す説明図である。図５の説明図５００に示すように、パターンは、各日を抽出するためのものである。このパターンごとに重み付け値が設定されている。図５に示す組合せ数は、予測対象日以前の連続する日数である所定数を表したものであり、たとえば、「２」または「３」である。組合せ数が「３」とは、予測対象日と、予測対象日の前日と、予測対象日の前々日と、の３連続の期間であることを表す。組合せ数が「２」とは、予測対象日と、予測対象日の前日と、の２連続であるということを表す。

組合せ数「３」には、所定の係数として、組合せ数重み「１」が割り振られている。組合せ数「２」には、所定の係数として、組合せ数重み「０．８」が割り振られている。つまり、前々日と前日と予測対象日との間の変化の傾向に近い過去の３連続する日の組合せは、前日と予測対象日との間の変化の傾向に近い過去の２連続する日の組合せに比べて、組合せ数重みが高い値であるため、採用されやすくなっている。

要素数は、実績データの各日において、予測対象日の特徴および予測対象日の前日の特徴とそれぞれ一致する連続する日の組合せにおいて、一致する特徴の種類数を表している。本実施の形態において、要素数は「３」としている。つまり、特徴が全て一致する場合、一致する要素数は「３」となり、２つの特徴と一致する場合の要素数は「２」となる。要素数「３」には、所定の係数として、要素数重み「１」が割り振られている。

要素数「２」には、所定の係数として、要素数重み「０．４」が割り振られている。つまり、特徴が一致する数が多いほど（要素数＝「３」）、前日および予測対象日の特徴変化の傾向に近いため、特徴が一致する数が少ないとき（要素数＝「２」）に比べて、採用されやすくなっている。

パターン１は、３連続する各日の要素が３つ一致する組合せを示している。パターン１は、たとえば、９月３０日を予測対象日とすると（図４参照）、「前々日→前日→予測対象日」の順に、催事が「定番→定番→特売」、天候が全て「晴」、気温区分が全て「２５〜２９」となる、３連続する日の組合せを抽出するためのパターンである。

パターン２は、３連続する各日の要素が２つ一致する組合せを示している。パターン２は、９月３０日を予測対象日とすると「前々日→前日→予測対象日」の順に、「定番→定番→特売」の催事、全て「晴」となる天候、全て「２５〜２９」となる気温区分、の特徴のうち２つが一致する、３連続する日の組合せを抽出するためのものである。

パターン３は、２連続する各日の要素が３つ一致する組合せを示した種類である。パターン３は、９月３０日を予測対象日とすると、「前日→予測対象日」の順に、催事が「定番→特売」、天候が両方とも「晴」、気温区分が両方とも「２５〜２９」となる、２連続する日の組合せを抽出するためのパターンである。

パターン４は、２連続する各日の要素が２つ一致する組合せを示した種類である。パターン４は、９月３０日を予測対象日とすると「前日→予測対象日」の順に、「定番→特売」の催事、両方とも「晴」となる天候、両方とも「２５〜２９」となる気温区分、の特徴のうち、２つが一致する、２連続する日の組合せを抽出するためのパターンである。パターン１〜４のうち、予測対象日と前日と前々日との傾向に最も近いものは、パターン１である。

（パターン一致判定手順について）
次に、図６を用いて、予測対象日を９月３０日（金）とした場合のパターン一致判定手順について説明する。図６は、パターン一致判定手順の一例を示す説明図である。図６において、説明図６００には、それぞれ、各パターンと一致するか否かを示している。パターンは、各日の特徴が一致する連続する日の組合せを示している。

パターン１は、３日連続して各日の特徴が全て一致するパターンである。実績データ４００（図４参照）のうち、パターン１に該当する日の組合せは、９月２１日〜２３日の１組（一致数＝１）のみである。また、パターン２は、３日連続して各日の特徴のうちの２つが一致するパターンである。実績データ４００（図４参照）のうち、パターン２に該当する日の組合せは、９月２１日〜２３日の１組（一致数＝１）のみである。

パターン３は、２日連続して各日の特徴が全て一致するパターンである。実績データ４００（図４参照）のうち、パターン３に該当する日の組合せは、９月１５日〜１６日、９月２２日〜２３日の２組（一致数＝２）である。パターン４は、２日連続して各日の特徴のうちの２つが一致するパターンである。実績データ４００（図４参照）のうち、パターン４に該当する日の組合せは、８月２５日〜２６日、９月８日〜９日、９月１５日〜１６日、９月２２日〜２３日の４組（一致数＝４）である。このように各パターンに該当する日の組合せをパターンごとに抽出することができる。

（パターン選択手順について）
図７は、パターン選択手順の一例を示す説明図である。図７において、テーブル７００には、パターンと、一致数と、判定値と、採否と、がレコードとして記録される。パターンは、図６に示したパターン１〜４を示しており、つまり、９月３０日（金）を予測対象日とした場合に抽出したパターンを示している。

パターンの欄の括弧に示す重み付け値は、重み付け値の算定において導出された値である（図５参照）。一致数は、パターン一致判定手順において抽出されたパターンごとの数である（図６参照）。判定値は、一致数と重み付け値とを乗算した値である。採否は、いずれのパターンを採用するかを示しており、判定値が最も大きいパターンが採用される。９月３０日（金）の予測来客数の算出にあたっては、判定値が最も大きいパターン３が採用されることを示している。

（発注処理の一例について）
図８は、情報処理装置がおこなう発注処理の一例を示すフローチャートである。図８において、まず、情報処理装置１００は、対象商品の発注日から納品日を特定する（ステップＳ８０１）。たとえば、ある商品（卵）の納品までの日数を１日とし、発注日を９月２９日（木）とすると、納品日は９月３０日（金）として特定される。

次に、情報処理装置１００は、納品日と同曜日（金曜日）の過去（ｍ週間）の来客数および対象商品の売上数量を取得する（ステップＳ８０２）。次に、情報処理装置１００は、ＰＩ値を算出する（ステップＳ８０３）。ステップＳ８０３において、情報処理装置１００は、納品日と同曜日の過去（ｍ週間）の売上数量の集計値を、納品日と同曜日の過去（ｍ週間）の来客数の集計値で除算することによって、ＰＩ値を算出する。たとえば、情報処理装置１００は、過去ｍ週の金曜日の全来客数のうち、卵を購入した客数の割合（＝ＰＩ値）を算出する。

次に、情報処理装置１００は、予測来客数算出処理を実行する（ステップＳ８０４）。予告来客数算出処理の詳細については、図９および図１０を用いて後述する。次に、情報処理装置１００は、算出した予測来客数とＰＩ値とを乗算することにより、発注数量を算出し（ステップＳ８０５）、本フローチャートによる一連の処理を終了する。算出した発注数量は、ディスプレイ１１０などに表示される。

（予測来客数算出処理の一例について）
図９は、情報処理装置がおこなう予測来客数算出処理の一例を示すフローチャート（その１）である。図１０は、情報処理装置がおこなう予測来客数算出処理の一例を示すフローチャート（その２）である。

図９および図１０において、まず、情報処理装置１００は、組合せ数パラメータおよび要素数パラメータを取得する（ステップＳ９０１）。組合せ数パラメータは、予測対象日以前の連続する日数を示した値であり、たとえば「２」または「３」の２種類である。要素数パラメータは、予測対象日および予測対象日以前の日の特徴と一致する日の組合せのうち、一致する特徴の数を示した値であり、たとえば「２」または「３」の２種類である。

情報処理装置１００は、組合せ数パラメータの種類数「２」と、要素数の種類数「２」と、を乗算することにより、パターン数ｎ（たとえば、ｎ＝４）を算出する（ステップＳ９０２）。次に、情報処理装置１００は、１〜ｎの値を示すカウント値ｉに「１」を設定する（ステップＳ９０３）。次に、情報処理装置１００は、パターンｉに一致する日の組合せを抽出する（ステップＳ９０４）。

ステップＳ９０４では、図６に示したパターン一致判定手順にしたがって、パターンｉに一致する日の組合せを抽出する。たとえば、パターン１は、３日連続して各日の特徴が全て一致するパターンである。パターン２は、３日連続して各日の特徴のうちの２つが一致するパターンである。パターン３は、２日連続して各日の特徴が全て一致するパターンである。パターン４は、２日連続して各日の特徴のうちの２つが一致するパターンである。ステップＳ９０４では、パターンの番号に応じたパターンを抽出する。また、ステップＳ９０４では、実績データ４００（図４参照）を参照して、たとえば、過去の５６週間分（過去１年分＋１週分）を参照して、パターンの番号に応じたパターンを抽出する。

次に、情報処理装置１００は、パターンｉに一致する日の組合せを全て抽出したか否かを判断する（ステップＳ９０５）。パターンｉに一致する日の組合せを全て抽出していない場合（ステップＳ９０５：Ｎｏ）、情報処理装置１００は、ステップＳ９０４の処理に移行し、パターンｉに一致する日の組合せを抽出する。

パターンｉに一致する日の組合せを全て抽出した場合（ステップＳ９０５：Ｙｅｓ）、情報処理装置１００は、抽出したパターンｉに一致する組合せの一致数と、重み付け値とを乗算することにより（図７参照）、判定値を算出する（ステップＳ９０６）。なお、重み付け値は、パターンごとに異なる値である。

次に、情報処理装置１００は、カウント値ｉをインクリメントし（ステップＳ９０７）、カウント値ｉがｎより大きいか否かを判断する（ステップＳ９０８）。カウント値ｉがｎ以下である場合（ステップＳ９０８：Ｎｏ）、情報処理装置１００は、ステップＳ９０４に移行する。

カウント値ｉがｎより大きい場合（ステップＳ９０８：Ｙｅｓ）、情報処理装置１００は、最も大きい判定値に対応するパターンを採用する（ステップＳ９０９）。判定値が同じ値となった場合には、組合せ数が大きいものを最優先し、次に、要素数が大きいものを優先する。９月３０日（金）を予測対象日とした場合、パターン３が採用される（図７参照）。

次に、情報処理装置１００は、直近の過去分の来客数の平均値を算出する（ステップＳ９１０）。組合せ数が「３」の場合、つまり、パターン１，２のように３連続する日の場合、直近の過去分の来客数の平均は、前日と前々日の来客数の平均である。また、組合せ数が「２」の場合、つまり、パターン３，４のように２連続する日の場合、直近の過去分の来客数の平均とは、前日の来客数である。予測対象日を９月３０日（金）とすると、パターン３が採用されるため、直近の過去分の来客数の平均は、前日の９月２９日（木）の来客数「６００」となる。

次に、情報処理装置１００は、採用したパターンに該当する日のうち、予測対象日の前日と同一曜日（木曜日）の来客数の平均値を算出する（ステップＳ１００１）。具体的には、パターン３に該当する前日と同一曜日（９月１５日（木）、２２日（木）、２９日（木））の来客数（８２０、８２０、６００）の平均値（（８２０＋８２０＋６００）／３＝７４７）を算出する（図４および図６参照）。また、パターン１，２のように３連続する日が採用された場合、このパターンに該当する日のうち、予測対象日の前日と同一曜日（木曜日）および前々日と同一曜日（水曜日）の来客数の平均値を算出すればよい。

次に、情報処理装置１００は、採用したパターンに該当する日のうち、予測対象日と同一曜日（金曜日）の来客数の平均値を算出する（ステップＳ１００２）。具体的には、パターン３に該当する予測対象日と同一曜日（９月１６日（金）、２３日（金））の来客数（１０００、８１０）の平均値（（１０００＋８１０）／２＝９０５）を算出する（図４および図６参照）。

次に、情報処理装置１００は、予測対象日の前日と同一曜日（木曜日）の来客数の平均値に対する、予測対象日と同一曜日（金曜日）の来客数の平均値の割合を示した変動値を算出する（ステップＳ１００３）。具体的には、ステップＳ１００２において算出した値（９０５）を、ステップＳ１００１において算出した値（７４７）で除算することにより変動値を算出する（９０５／７４７＝１．２１）。

次に、情報処理装置１００は、直近の過去分の来客数の平均値と変動値とを乗算することにより、予測来客数を算出する（ステップＳ１００４）。具体的には、ステップＳ９１０において算出した値（６００）に、ステップＳ１００３において算出した値（１．２１）を乗算することにより、予測来客数を算出する（６００×１．２１＝７２６）。このようにして、９月３０日（金）の予測来客数を算出することができる。

次に、情報処理装置１００は、予測来客数を出力する（ステップＳ１００５）。予測来客数を出力は、たとえば、ディスプレイ１１０上への出力や、ＰＩ値の計算に用いられるための装置の内部的な出力である。次に、情報処理装置１００は、予測対象日（９月３０日）の翌日（１０月１日）についても来客数を予測するか否かを判断する（ステップＳ１００６）。予測対象日の翌日についても来客数を予測する場合とは、たとえば、納品日が２日以上先の場合である。

ステップＳ１００６において、予測対象日の翌日についても来客数を予測する場合（ステップＳ１００６：Ｙｅｓ）、情報処理装置１００は、予測対象日を過去日とし、翌日を予測対象日と置き換え（ステップＳ１００７）、ステップＳ９０１に移行する。ここでいう過去日とは、実績値とみなすことである。ステップＳ１００６において、予測対象日の翌日について来客数を予測しない場合（ステップＳ１００６：Ｎｏ）、情報処理装置１００は、本フローチャートによる一連の処理を終了する。

以上説明したように、情報処理装置１００は、予測対象日の前日から予測対象日までの特徴変化と同じ特徴変化があったときの過去の来客数の変化と前日の来客数を用いて予測対象日の来客数を予測するようにした。したがって、予測対象日の特徴だけではなく、予測対象日の特徴に加えて予測対象日の前日等の特徴を用いることにより、予測対象日の前日等の特徴によって来客数が左右されるという点を考慮した来客数を予測することができる。これにより、来客数を高精度に予測することができる。

また、情報処理装置１００は、算出した予測対象日よりも先の日についても、予測来客数を算出することができる。具体的には、算出した予測対象日の来客数を過去日の来客数に置き換え、予測対象日の翌日を予測対象日として置き換えることにより、翌日以降の来客数についても予測することができる。これにより、翌日以降の来客数についても高精度に予測することができる。また、たとえば、発注してから納品するまでに数日かかる商品についても、ＰＩ値を精度よく算出することができる。

また、情報処理装置１００において、図７のパターン３，４に示すように、要素数ごとに一致する一致数と、要素数のそれぞれに対応付けられた重み付け値と、を乗算して得られる要素数ごとの判定値を用いて、抽出結果を選択するようにした。したがって、合致する要素数が多いものや、一致数が多いものを単に優先して選択するのではなく、重み付け値に応じた抽出結果を選択することができる。これにより、来客数をより高精度に予測することができる。

また、情報処理装置１００は、図７のパターン１，２に示すように、連続する日数に一致する一致数と、連続する日数のそれぞれに対応付けられた重み付け値と、を乗算して得られる連続する日数ごとの判定値を用いて、抽出結果を選択するようにした。したがって、連続する日数が多いものや、一致数が多いものを単に優先して選択するのではなく、重み付け値に応じた抽出結果を選択することができる。これにより、来客数をより高精度に予測することができる。

また、情報処理装置１００は、図７のパターン１〜４に示すように、連続する日数および一致する各日の要素数ごとのパターンにそれぞれ一致する一致数と、各パターンに対応付けられた重み付け値と、を乗算して得られる判定値を用いて抽出結果を選択した。したがって、連続する日数や合致する要素数が多いものや、一致数が多いものを単に優先して選択するのではなく、重み付け値に応じた抽出結果を選択することができる。これにより、来客数をより高精度に予測することができる。

なお、重み付け値は、ユーザが任意に設定できるようにしてもよい。また、実績値と予測来客数とが乖離する場合には、乖離に応じて重み付け値を補正してもよい。具体的には、情報処理装置１００が、実績値が入力された際に当該実績値と予測来客数とを比較して、所定値以上や所定回数以上、乖離がある場合に、当該乖離が小さくなるように、図５に示した各種重みを補正してもよい。

また、情報処理装置１００において、重み付け値を用いずに、前日および予測対象日と合致する特徴の種類数が多い組合せほど優先的に抽出するようにしてもよい。このようにすれば、簡単な処理で、前日および予測対象日の特徴変化に近い組合せを抽出できる。たとえば５種類以上といった特徴の種類数が多く、前日および予測対象日と合致する特徴の種類数が多い（たとえば５種類）場合、前日および予測対象日の特徴変化と同じ変化の組合せを抽出できる。これにより、前日および予測対象日の特徴変化と同じ変化の実績値を用いて予測来客数を算出することができ、来客数を高精度に予測することができる。

なお、本実施の形態で説明した情報処理方法は、たとえば、予め用意されたプログラムをパーソナル・コンピュータやワークステーション等のコンピュータで実行することにより実現することができる。このプログラムは、ハードディスク、フレキシブルディスク、ＣＤ−ＲＯＭ、ＭＯ、ＤＶＤ等のコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行される。またこのプログラムは、インターネット等のネットワークを介して配布されてもよい。

上述した実施の形態に関し、さらに以下の付記を開示する。

（付記１）コンピュータに、
期間の特徴を示す情報を前記期間ごとに記憶するとともに来客数を前記期間ごとに記憶する記憶部を参照して、
対象期間に連続し該対象期間の直前の期間の特徴と前記対象期間の特徴とにそれぞれ合致または近似し、且つ前記対象期間よりも過去の期間である連続する第一期間および第二期間を抽出し、
抽出した前記第一期間および前記第二期間の来客数と、前記直前の期間の来客数と、に基づいて、前記対象期間の予測来客数を算出し、
算出した前記対象期間の予測来客数を出力する、
処理を実行させることを特徴とする情報処理プログラム。

（付記２）前記コンピュータに、
前記対象期間の特徴と前記対象期間に連続し該対象期間の直後の期間の特徴とにそれぞれ合致または近似し、且つ前記直後の期間よりも過去の期間である連続する第三期間および第四期間を抽出し、
抽出した前記第三期間および前記第四期間の来客数と、算出した前記対象期間の予測来客数と、に基づいて、前記直後の期間の予測来客数を算出し、
算出した前記直後の期間の予測来客数を出力する、
処理を実行させることを特徴とする付記１に記載の情報処理プログラム。

（付記３）前記算出する処理では、
抽出した前記第一期間の来客数と前記第二期間の来客数との相違に応じて前記直前の期間の来客数を補正して得られる前記予測来客数を算出する、
ことを特徴とする付記１または２に記載の情報処理プログラム。

（付記４）前記抽出する処理では、
前記第一期間および前記第二期間の組合せを一または複数抽出し、
前記算出する処理では、
抽出した前記第一期間の来客数と前記第二期間の来客数との相違の平均に応じて前記直前の期間の来客数を補正して得られる前記予測来客数を算出する、
ことを特徴とする付記３に記載の情報処理プログラム。

（付記５）前記記憶部は、
前記期間の複数種類の特徴を示す情報を前記期間ごとに記憶し、
前記抽出する処理では、
前記第一期間および前記第二期間の複数の組合せのうちの、前記直前の期間および前記対象期間と合致または近似する特徴の種類数が多い組合せほど優先的に抽出する、
ことを特徴とする付記１〜４のいずれか一つに記載の情報処理プログラム。

（付記６）前記記憶部は、
前記期間の複数種類の特徴を示す情報を前記期間ごとに記憶し、
前記抽出する処理では、
前記第一期間および前記第二期間の組合せを、前記直前の期間および前記対象期間と合致または近似する特徴の種類数ごとに抽出し、
前記種類数ごとの抽出結果に含まれる組合せ数と、前記種類数のそれぞれに対応付けられた所定の係数と、を乗算して得られる前記種類数ごとの判定値を用いて、前記種類数ごとの抽出結果のうちの一の抽出結果を選択し、
前記算出する処理では、
選択した前記抽出結果に含まれる前記組合せの前記第一期間および前記第二期間の来客数と、前記直前の期間の来客数と、に基づいて、前記対象期間の予測来客数を算出する、
ことを特徴とする付記１〜４のいずれか一つに記載の情報処理プログラム。

（付記７）前記抽出する処理では、
前記対象期間まで連続する所定数の期間の特徴にそれぞれ合致または近似し、且つ前記対象期間よりも前の連続する前記所定数の期間の組合せを前記所定数ごとに抽出し、
前記所定数ごとの抽出結果に含まれる組合せ数と、前記所定数のそれぞれに対応付けられた所定の係数と、を乗算して得られる前記所定数ごとの判定値を用いて、前記所定数ごとの抽出結果のうちの一の抽出結果を選択し、
前記算出する処理では、
選択した前記抽出結果に含まれる前記組合せの前記所定数の期間の来客数と、前記対象期間以前の連続する前記所定数の期間のうちの前記対象期間を除く期間についての各期間の来客数と、に基づいて、前記対象期間の予測来客数を算出する、
ことを特徴とする付記１〜４のいずれか一つに記載の情報処理プログラム。

（付記８）前記記憶部は、
前記期間の複数種類の特徴を示す情報を前記期間ごとに記憶し、
前記抽出する処理では、
前記対象期間よりも前の連続する所定数の期間の組合せを、前記対象期間を含む前記対象期間以前の連続する前記所定数の期間と合致または近似する特徴の種類数および前記所定数の組合せごとに抽出し、
前記組合せごとの抽出結果に含まれる組の数と、前記組合せのそれぞれに対応付けられる所定の係数と、を乗算して得られる前記組合せごとの判定値を用いて、前記組合せごとの抽出結果のうちの一の抽出結果を選択し、
前記算出する処理では、
選択した前記抽出結果に含まれる前記組の前記所定数の期間の来客数と、前記直前の期間の来客数と、に基づいて、前記対象期間の予測来客数を算出する、
ことを特徴とする付記１〜４のいずれか一つに記載の情報処理プログラム。

（付記９）コンピュータが、
期間の特徴を示す情報を前記期間ごとに記憶するとともに来客数を前記期間ごとに記憶する記憶部を参照して、
対象期間に連続し該対象期間の直前の期間の特徴と前記対象期間の特徴とにそれぞれ合致または近似し、且つ前記対象期間よりも過去の期間である連続する第一期間および第二期間を抽出し、
抽出した前記第一期間および前記第二期間の来客数と、前記直前の期間の来客数と、に基づいて、前記対象期間の予測来客数を算出し、
算出した前記対象期間の予測来客数を出力する、
処理を実行することを特徴とする情報処理方法。

（付記１０）期間の特徴を示す情報を前記期間ごとに記憶するとともに来客数を前記期間ごとに記憶する記憶部を参照して、対象期間に連続し該対象期間の直前の期間の特徴と前記対象期間の特徴とにそれぞれ合致または近似し、且つ前記対象期間よりも過去の期間である連続する第一期間および第二期間を抽出する抽出部と、
前記記憶部を参照して、前記抽出部によって抽出された前記第一期間および前記第二期間についての来客数と、前記直前の期間の来客数と、に基づいて、前記対象期間の予測来客数を算出する算出部と、
前記算出部によって算出された前記対象期間の予測来客数を出力する出力部と、
を有することを特徴とする情報処理装置。

１００ 情報処理装置
１１０ ディスプレイ
１２０ 実績ＤＢ
２０１ 記憶部
２０２ 抽出部
２０３ 算出部
２０４ 出力部
３０１ ＣＰＵ
３０２ メモリ
３０３ ユーザインタフェース
３０４ 通信インタフェース

Claims (9)

1. コンピュータに、
   期間の特徴を示す情報を前記期間ごとに記憶するとともに来客数を前記期間ごとに記憶する記憶部を参照して、
   対象期間に連続し該対象期間の直前の期間の特徴と前記対象期間の特徴とにそれぞれ合致または近似し、且つ前記対象期間よりも過去の期間である連続する第一期間および第二期間を抽出し、
   抽出した前記第一期間および前記第二期間の来客数と、前記直前の期間の来客数と、に基づいて、前記対象期間の予測来客数を算出し、
   算出した前記対象期間の予測来客数を出力する、
   処理を実行させることを特徴とする情報処理プログラム。
2. 前記コンピュータに、
   前記対象期間の特徴と前記対象期間に連続し該対象期間の直後の期間の特徴とにそれぞれ合致または近似し、且つ前記直後の期間よりも過去の期間である連続する第三期間および第四期間を抽出し、
   抽出した前記第三期間および前記第四期間の来客数と、算出した前記対象期間の予測来客数と、に基づいて、前記直後の期間の予測来客数を算出し、
   算出した前記直後の期間の予測来客数を出力する、
   処理を実行させることを特徴とする請求項１に記載の情報処理プログラム。
3. 前記算出する処理では、
   抽出した前記第一期間の来客数と前記第二期間の来客数との相違に応じて前記直前の期間の来客数を補正して得られる前記予測来客数を算出する、
   ことを特徴とする請求項１または２に記載の情報処理プログラム。
4. 前記記憶部は、
   前記期間の複数種類の特徴を示す情報を前記期間ごとに記憶し、
   前記抽出する処理では、
   前記第一期間および前記第二期間の複数の組合せのうちの、前記直前の期間および前記対象期間と合致または近似する特徴の種類数が多い組合せほど優先的に抽出する、
   ことを特徴とする請求項１〜３のいずれか一つに記載の情報処理プログラム。
5. 前記記憶部は、
   前記期間の複数種類の特徴を示す情報を前記期間ごとに記憶し、
   前記抽出する処理では、
   前記第一期間および前記第二期間の組合せを、前記直前の期間および前記対象期間と合致または近似する特徴の種類数ごとに抽出し、
   前記種類数ごとの抽出結果に含まれる組合せ数と、前記種類数のそれぞれに対応付けられた所定の係数と、を乗算して得られる前記種類数ごとの判定値を用いて、前記種類数ごとの抽出結果のうちの一の抽出結果を選択し、
   前記算出する処理では、
   選択した前記抽出結果に含まれる前記組合せの前記第一期間および前記第二期間の来客数と、前記直前の期間の来客数と、に基づいて、前記対象期間の予測来客数を算出する、
   ことを特徴とする請求項１〜３のいずれか一つに記載の情報処理プログラム。
6. 前記抽出する処理では、
   前記対象期間まで連続する所定数の期間の特徴にそれぞれ合致または近似し、且つ前記対象期間よりも前の連続する前記所定数の期間の組合せを前記所定数ごとに抽出し、
   前記所定数ごとの抽出結果に含まれる組合せ数と、前記所定数のそれぞれに対応付けられた所定の係数と、を乗算して得られる前記所定数ごとの判定値を用いて、前記所定数ごとの抽出結果のうちの一の抽出結果を選択し、
   前記算出する処理では、
   選択した前記抽出結果に含まれる前記組合せの前記所定数の期間の来客数と、前記対象期間以前の連続する前記所定数の期間のうちの前記対象期間を除く期間についての各期間の来客数と、に基づいて、前記対象期間の予測来客数を算出する、
   ことを特徴とする請求項１〜３のいずれか一つに記載の情報処理プログラム。
7. 前記記憶部は、
   前記期間の複数種類の特徴を示す情報を前記期間ごとに記憶し、
   前記抽出する処理では、
   前記対象期間よりも前の連続する所定数の期間の組合せを、前記対象期間を含む前記対象期間以前の連続する前記所定数の期間と合致または近似する特徴の種類数および前記所定数の組合せごとに抽出し、
   前記組合せごとの抽出結果に含まれる組の数と、前記組合せのそれぞれに対応付けられる所定の係数と、を乗算して得られる前記組合せごとの判定値を用いて、前記組合せごとの抽出結果のうちの一の抽出結果を選択し、
   前記算出する処理では、
   選択した前記抽出結果に含まれる前記組の前記所定数の期間の来客数と、前記直前の期間の来客数と、に基づいて、前記対象期間の予測来客数を算出する、
   ことを特徴とする請求項１〜３のいずれか一つに記載の情報処理プログラム。
8. コンピュータが、
   期間の特徴を示す情報を前記期間ごとに記憶するとともに来客数を前記期間ごとに記憶する記憶部を参照して、
   対象期間に連続し該対象期間の直前の期間の特徴と前記対象期間の特徴とにそれぞれ合致または近似し、且つ前記対象期間よりも過去の期間である連続する第一期間および第二期間を抽出し、
   抽出した前記第一期間および前記第二期間の来客数と、前記直前の期間の来客数と、に基づいて、前記対象期間の予測来客数を算出し、
   算出した前記対象期間の予測来客数を出力する、
   処理を実行することを特徴とする情報処理方法。
9. 期間の特徴を示す情報を前記期間ごとに記憶するとともに来客数を前記期間ごとに記憶する記憶部を参照して、対象期間に連続し該対象期間の直前の期間の特徴と前記対象期間の特徴とにそれぞれ合致または近似し、且つ前記対象期間よりも過去の期間である連続する第一期間および第二期間を抽出する抽出部と、
   前記記憶部を参照して、前記抽出部によって抽出された前記第一期間および前記第二期間についての来客数と、前記直前の期間の来客数と、に基づいて、前記対象期間の予測来客数を算出する算出部と、
   前記算出部によって算出された前記対象期間の予測来客数を出力する出力部と、
   を有することを特徴とする情報処理装置。

Images