JP2015118412A - 部品の需要予測装置及び部品の需要予測方法 - Google Patents

Abstract

【課題】顧客が部品の交換計画を立案していない場合であっても、部品の需要予測を精度良く行うことが可能な部品の需要予測装置及び方法を提供する。
【解決手段】需要予測装置１は、部品払出データ記憶部２１と、運転台数データ記憶部２２と、運転時間データ記憶部２３と、処理部１１とを備え、処理部１１は、需要予測処理を実行すると、基準期間から過去に遡った複数の運転台数データと、基準期間から過去に遡った複数の運転時間データと、基準期間と同じ払出期間の部品払出データとを取得し、部品払出データの払出実績数を解とし、複数の運転台数データの複数の運転台数を運転台数因子とし、複数の運転時間データの複数の運転時間を運転時間因子として、多変量解析モデルを構築し、構築した多変量解析モデルに、予測運転台数を運転台数因子に変数として与え、予測運転時間を運転時間因子に変数として与えて、部品の払出予測数を導出する。
【選択図】図１

Description

本発明は、部品の需要予測装置及び部品の需要予測方法に関するものである。

従来、経時的に変化する予測対象及び予測対象に関する複数の項目についてのデータを経時的に記録し、記録したデータに基づいて、予測対象の変化を予測する予測装置が知られている（例えば、特許文献１参照）。

特開２０１３−４０３３号公報

ところで、予測対象としては、発電装置の部品需要予測がある。この部品は、製造期間が数ヶ月となるものがあり、在庫管理がなされている。この場合、部品の製造期間が長いことから、部品の交換計画を立てる必要がある。ここで、部品の交換計画は、主に、発電装置を運用する顧客側が作成している。一方で、顧客によっては、部品の交換計画を立てない場合もあり、この場合、部品を製造する製造側が、顧客の需要に合わせて、部品を納入することになる。しかしながら、上記のように、部品の製造期間は長いことから、想定以上の需要となると、部品の在庫が尽きてしまって部品の納品が困難となったり、または、想定未満の需要となると、過剰在庫を抱えてしまったりして、部品の管理費が増大してしまう。

そこで、本発明は、顧客が部品の交換計画を立案していない場合であっても、部品の需要予測を精度良く行うことが可能な部品の需要予測装置及び部品の需要予測方法を提供することを課題とする。

本発明の部品の需要予測装置は、所定の払出期間に払い出しされた部品の払出実績数に関する部品払出データが、前記払出期間に対応付けて蓄積されることで、時系列となる複数の前記部品払出データが記憶される部品払出データ記憶部と、所定の運転期間に使用された前記部品を有する装置の運転台数に関する運転台数データが、前記運転期間に対応付けて蓄積されることで、時系列となる複数の前記運転台数データが記憶される運転台数データ記憶部と、前記運転期間における前記装置の運転時間に関する運転時間データが、前記運転期間に対応付けて蓄積されることで、時系列となる複数の前記運転時間データが記憶される運転時間データ記憶部と、前記部品払出データ、前記運転台数データ及び前記運転時間データに基づいて、前記部品の需要を予測する需要予測処理を実行可能な処理部と、を備え、前記処理部は、前記需要予測処理を実行すると、基準となる基準期間から過去に遡った複数の異なる前記運転期間に対応付けられた複数の前記運転台数データを前記運転台数データ記憶部から取得し、前記基準期間から遡った複数の異なる過去の前記運転期間に対応付けられた複数の前記運転時間データを前記運転時間データ記憶部から取得し、前記基準期間と同じ期間となる前記払出期間に対応付けられた前記部品払出データを前記部品払出データ記憶部から取得し、取得した前記部品払出データの前記払出実績数を解とし、取得した複数の前記運転台数データの異なる前記運転期間の複数の前記運転台数を運転台数因子とし、取得した複数の前記運転時間データの異なる前記運転期間の複数の前記運転時間を運転時間因子として、多変量解析モデルを構築し、構築した前記多変量解析モデルに、前記基準期間から所定の期間だけ経過した予測経過期間の予測運転台数を前記運転台数因子に変数として与え、前記予測経過期間の予測運転時間を前記運転時間因子に変数として与えることで、前記部品の払出予測数を導出することを特徴とする。

また、本発明の部品の需要予測方法は、所定の払出期間に払い出しされた部品の払出実績数に関する部品払出データが、前記払出期間に対応付けて蓄積されることで、時系列となる複数の前記部品払出データと、所定の運転期間に使用された前記部品を有する装置の運転台数に関する運転台数データが、前記運転期間に対応付けて蓄積されることで、時系列となる複数の前記運転台数データと、前記運転期間における前記装置の運転時間に関する運転時間データが、前記運転期間に対応付けて蓄積されることで、時系列となる複数の前記運転時間データと、が用意され、基準となる基準期間から過去に遡った複数の異なる前記運転期間に対応付けられた複数の前記運転台数データを取得し、前記基準期間から遡った複数の異なる過去の前記運転期間に対応付けられた複数の前記運転時間データを取得し、前記基準期間と同じ期間となる前記払出期間に対応付けられた前記部品払出データを取得するデータ取得工程と、取得した前記部品払出データの前記払出実績数を解とし、取得した複数の前記運転台数データの異なる前記運転期間の複数の前記運転台数を運転台数因子とし、取得した複数の前記運転時間データの異なる前記運転期間の複数の前記運転時間を運転時間因子として、多変量解析モデルを構築するモデル構築工程と、構築した前記多変量解析モデルに、前記基準期間から所定の期間だけ経過した予測経過期間の予測運転台数を前記運転台数因子に変数として与え、前記予測経過期間の予測運転時間を前記運転時間因子に変数として与えることで、前記部品の払出予測数を導出する予測数導出工程と、を備えることを特徴とする。

この構成によれば、多変量解析モデルを構築して、構築した多変量解析モデルに予測運転台数と予測運転時間とを変数として与えることで、部品の払出予測数を導出することができる。このとき、多変量解析モデルを構築するにあたり、因子として、運転台数と運転時間とを用いることで、部品の払出予測数に関する予測精度の向上を図ることができる。加えて、基準期間から過去に遡った異なる運転期間の運転台数と運転時間とを因子として多変量解析モデルを構築することができるため、過去の運転台数及び運転時間のトレンドを考慮した多変量解析モデルとすることができ、部品の払出予測数に関する予測精度の向上をより図ることができる。

この場合、前記処理部は、前記需要予測処理の実行時において、前記基準期間から過去に遡った前記運転期間までの間の期間を、定期的に前記装置の点検を行う定期点検期間に設定しており、前記基準期間から前記定期点検期間の分だけ過去に遡った前記運転期間の前記運転台数データ及び前記運転時間データを取得することが好ましい。

この構成によれば、部品の払出予測数を予測するにあたって、部品の交換時期の目安となる定期点検期間の範囲に絞って運転台数データ及び運転時間データを取得することができるため、部品の払出予測数に関する予測精度の向上をさらに図ることができる。なお、定期点検期間は、例えば、１年または１年半の期間となっている。

この場合、所定の指定期間における経済指標に関する経済指標データが、前記指定期間に対応付けて蓄積されることで、時系列となる複数の前記経済指標データが記憶される経済指標データ記憶部をさらに備え、前記処理部は、前記需要予測処理を実行すると、前記基準期間から過去に遡った複数の異なる前記指定期間に対応付けられた複数の前記経済指標データを前記経済指標データ記憶部から取得し、取得した複数の前記経済指標データの異なる前記指定期間の複数の前記経済指標を経済指標因子としてさらに加えて、前記多変量解析モデルを構築し、構築した前記多変量解析モデルに、前記基準期間と同じ期間となる前記指定期間の前記経済指標を前記経済指標因子に変数としてさらに与えることで、前記部品の払出予測数を導出することが好ましい。

この構成によれば、経済指標を因子として含む多変量解析モデルを構築することで、経済状況を考慮することができ、部品の払出予測数に関する予測精度の向上をさらに図ることができる。このとき、払出予測数を導出するために、多変量解析モデルに与えられる経済指標は、基準期間と同じ指定期間の経済指標が与えられる。これは、経済指標を予測することが困難であり、また、経済状況によって部品の払出しがすぐに影響するものではなく、遅れて影響する可能性が高い。以上から、払出予測数を導出するにあたり、多変量解析モデルに与えられる経済指標を、基準期間と同じ指定期間の経済指標を与えることで、部品の払出予測数に関する予測精度を高めることができる。

この場合、前記処理部は、前記部品払出データ、前記運転台数データ及び前記運転時間データのＳ／Ｎ比利得を算出し、前記Ｓ／Ｎ比利得が予め設定された値よりも大きければ、構築される前記多変量解析モデルの因子として使用しないことが好ましい。

この構成によれば、ノイズが大きいデータを使用することなく、多変量解析モデルを構築することができるため、部品の払出予測数に関する予測精度の向上をさらに図ることができる。

図１は、実施例１に係る需要予測装置の概略構成図である。 図２は、実施例１に係る需要予測装置を用いた需要予測方法に関するフローチャートである。 図３は、実施例２に係る需要予測装置の需要予測方法に関するフローチャートである。 図４は、需要予測の予測結果を比較した説明図である。

以下に、本発明に係る実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。また、下記実施例における構成要素には、当業者が置換可能かつ容易なもの、あるいは実質的に同一のものが含まれる。

図１は、実施例１に係る需要予測装置の概略構成図である。図２は、実施例１に係る需要予測装置を用いた需要予測方法に関するフローチャートである。

図１に示すように、本実施例に係る需要予測装置１は、部品の需要を予測するための装置であり、例えば、コンピュータ等の端末を用いて構成されている。需要の予測が行われる部品は、発電装置の部品であり、この部品は、製造期間が長い部品となっている。このため、製造期間が長い部品は、在庫がない限り、受注後すぐに納めることができず、一方で、欠品を抑制するために過剰な在庫を抱えることは在庫管理費の増大につながることから、需要予測装置１を用いて部品の需要予測を行っている。

需要予測装置１は、処理部１１と、記憶部１２とを備えている。処理部１１は、記憶部１２に接続されており、記憶部１２に記憶された各種データに基づいて処理を行っている。記憶部１２は、各種情報を記憶しており、例えば、部品の需要予測を行うための情報等を記憶している。具体的に、記憶部１２は、部品払出データ記憶部２１と、運転台数データ記憶部２２と、運転時間データ記憶部２３とを有している。

部品払出データ記憶部２１は、時系列となる複数の部品払出データを記憶している。部品払出データは、所定の払出期間に払い出しされた部品の払出実績数に関するデータである。この部品払出データは、払出期間に対応付けて、部品払出データ記憶部２１に蓄積されることで、時系列のデータとなる。具体的に、複数の部品払出データは、１か月毎の部品の払出実績数を記録したデータとなっている。

運転台数データ記憶部２２は、時系列となる複数の運転台数データを記憶している。運転台数データは、所定の運転期間に運転する、部品を装着した装置の運転台数に関するデータである。この運転台数データは、運転期間に対応付けて、運転台数データ記憶部２２に蓄積されることで、時系列のデータとなる。なお、運転台数とは、運転を開始している装置の台数である。具体的に、複数の運転台数データは、１か月毎の装置の累積運転台数を記録したデータとなっている。

運転時間データ記憶部２３は、時系列となる複数の運転時間データを記憶している。運転時間データは、所定の運転期間における装置の運転時間に関するデータである。この運転時間データは、運転期間に対応付けて、運転時間データ記憶部２３に蓄積されることで、時系列のデータとなる。具体的に、複数の運転時間データは、１か月毎の装置の運転時間を記録したデータとなっている。

ここで、処理部１１は、上記の部品払出データ、運転台数データ及び運転時間データに基づいて、部品の需要を予測する需要予測処理を実行している。需要予測処理は、装置の一機種の一部品に対してそれぞれ実行される。つまり、需要予測処理は、多機種の多部品に亘って複数回実行される。処理部１１は、需要予測処理を実行すると、データ取得工程と、モデル構築工程と、予測数導出工程とを順に行う。なお、以下の説明では、例えば、部品の払出実績数が確定した直近の確定期間を基準期間とし、この基準期間から未来の部品の需要を予測する場合について説明する。

データ取得工程は、記憶部１２から所定のデータを取得する工程であり、データとして、部品払出データ、運転台数データ及び運転時間データを取得する。具体的に、データ取得工程では、取得するデータとして、基準期間から定期点検期間の分だけ過去に遡った期間の運転台数データ及び運転時間データを取得すると共に、基準期間と同じ期間となる払出期間の部品払出データを取得する。ここで、定期点検期間は、例えば、１８か月であることから、データ取得工程では、基準期間と同じ運転期間（０か月）の運転台数データ及び１か月〜１８か月前の過去の運転期間の運転台数データが取得される。同様に、データ取得工程では、基準期間と同じ運転期間（０か月）の運転時間データ及び１か月〜１８か月前の過去の運転期間の運転時間データが取得される。さらに、データ取得工程では、基準期間と同じ期間となる払出期間（０か月）の部品払出データを取得する。

モデル構築工程は、取得した部品払出データ、運転台数データ及び運転時間データに基づいて、多変量解析モデルを構築する工程である。具体的に、モデル構築工程では、取得した部品払出データの払出実績数を解（例えば、ｙ）とし、取得した複数の運転台数データの運転台数を運転台数因子（例えば、ｘ_１）とし、取得した複数の運転時間データの運転時間を運転時間因子（例えば、ｘ_２）として、多変量解析モデル（例えば、ｙ＝ａｘ_１＋ｂｘ_２）を構築する。なお、運転台数は、各運転期間までの累積した累積運転台数となっており、同様に、運転時間は、各運転期間までの累積した累積運転時間となっている。このように、モデル構築工程では、取得した部品払出データ、複数の運転台数データ及び複数の運転時間データに基づいて、多変量解析モデルを構築することで、多変量解析モデルの係数であるａ及びｂを決定する。

予測数導出工程は、構築した多変数量解析モデルを用いて、部品の払出予測数を導出する工程である。具体的に、予測数導出工程では、構築した多変量解析モデルに、基準期間から所定の期間だけ経過した予測経過期間の予測運転台数を運転台数因子に変数として与え（例えば、ｘ_１＝ｘ’_１）、また、予測経過期間の予測運転時間を運転時間因子に変数として与える（例えば、ｘ_２＝ｘ’_２）ことで、解である部品の払出予測数（ｙ’）を導出する。

ここで、上記のモデル構築工程及び予測数導出工程では、記憶部１２に記憶されたデータシート等の算出ツールを用いて部品の払出予測数を導出している。このデータシートには、部品払出データ、運転台数データ及び運転時間データを入力するための複数の入力項目が予め設けられており、この算出ツールの入力項目に部品払出データ、運転台数データ及び運転時間データを入力することで、部品の払出予測数が導出可能となっている。また、データシートには、入力された部品払出データ、運転台数データ及び運転時間データのＳ／Ｎ比利得を算出して出力するＳ／Ｎ比利得項目が設けられている。このため、データシートに部品払出データ、運転台数データ及び運転時間データを入力することで、各データのＳ／Ｎ比利得がＳ／Ｎ比利得項目に表示される。このとき、処理部１１は、算出されたＳ／Ｎ比利得が予め設定された値よりも大きければ、構築される多変量解析モデルの因子として使用しないノイズ除去処理を実行する。

次に、図２を参照して、上記の需要予測装置１を用いた部品の需要予測方法について説明する。先ず、処理部１１は、需要予測処理が実行されると、記憶部１２から部品払出データ、運転台数データ及び運転時間データを取得する（ステップＳ１１：データ取得工程）。この後、処理部１１は、取得した部品払出データ、運転台数データ及び運転時間データを、算出ツールの入力項目にセット（入力）する（ステップＳ１２）。この後、処理部１１は、算出ツールに入力された部品払出データ、運転台数データ及び運転時間データに基づいて、計算を実行する（ステップＳ１３）。つまり、処理部１１は、ステップＳ１３において、算出シートに入力された部品払出データ、運転台数データ及び運転時間データに基づいて、上記したモデル構築工程及び予測数導出工程を実行することで、計算結果としての部品の払出予測数を導出する。なお、部品の払出予測数は、１か月ごとの部品の払出予測数が、複数月に亘って導出される。この後、処理部１１は、導出した計算結果である部品の払出予測数をグラフ化したりすることで、部品の払出予測数の評価を実行する（ステップＳ１４）。なお、ステップＳ１４における部品の払出予測数の評価は、例えば、図４に示すグラフのように表示される（詳細は後述）。

以上のように、実施例１の構成によれば、処理部１１は、多変量解析モデルを構築し、構築した多変量解析モデルに予測運転台数と予測運転時間とを変数として与えることで、部品の払出予測数を導出することができる。このとき、多変量解析モデルを構築するにあたり、因子として、運転台数と運転時間とを用いることで、部品の払出予測数に関する予測精度の向上を図ることができる。加えて、基準期間から過去に遡った期間の異なる運転期間の運転台数と運転時間とを、多変量解析モデルの因子として用いることができるため、過去の運転台数及び運転時間のトレンドを考慮した多変量解析モデルとすることができ、部品の払出予測数に関する予測精度の向上をより図ることができる。

また、実施例１の構成によれば、部品の払出予測数を予測するにあたって、部品の交換時期の目安となる定期点検期間の範囲に絞って運転台数データ及び運転時間データを取得することができるため、部品の払出予測数に関する予測精度の向上をさらに図ることができる。なお、実施例１では、定期点検期間を１８か月（１年半）としたが、例えば、１２か月（１年）であってもよく、特に限定されない。

また、実施例１の構成によれば、Ｓ／Ｎ比利得が予め設定された値よりも大きい、すなわちノイズの大きいデータを使用することなく、多変量解析モデルを構築することができるため、部品の払出予測数に関する予測精度の向上をさらに図ることができる。

次に、図１及び図３を参照して、実施例２に係る需要予測装置１及び需要予測方法について説明する。図３は、実施例２に係る需要予測装置の需要予測方法に関するフローチャートである。なお、実施例２では、重複した記載を避けるべく、実施例１と異なる部分について説明し、実施例１と同様の構成である部分については、同じ符号を付す。実施例２に係る需要予測装置１は、記憶部１２に、経済指標データ記憶部３１が設けられ、多変量解析モデルの構築にあたり、経済指標を因子として追加している。以下、実施例２に係る需要予測装置１について説明する。

図１の点線で示すように、記憶部１２は、経済指標データ記憶部３１をさらに有している。経済指標データ記憶部３１は、時系列となる複数の経済指標データを記憶している。経済指標データは、所定の指定期間における経済指標に関するデータである。経済指標としては、例えば、米国消費者景気信頼感指数、ＮＹダウ工業株平均、日本景気動向指数、日経平均株価、バルチック海運指数（ＢＤＩ）、燃料価格等がある。この経済指標データは、指定期間に対応付けて、経済指標データ記憶部３１に蓄積されることで、時系列のデータとなる。

処理部１１は、部品払出データ、運転台数データ及び運転時間データの他、上記の経済指標データを追加して、部品の需要を予測する需要予測処理を実行している。つまり、処理部１１は、データ取得工程において、部品払出データ、運転台数データ及び運転時間データに加えて、経済指標データを取得する。具体的に、データ取得工程では、基準期間（０か月）からの景気変動と需要発生時期の誤差分を過去に遡った指定期間の経済指標データとして取得する。指定期間は、経済指標によって異なる期間となっており、例えば、６か月ごととなっている。このため、誤差分が６か月の場合は、６か月前の過去の指定期間の経済指標データが取得される。

また、処理部１１は、モデル構築工程において、取得した部品払出データ、運転台数データ及び運転時間データの他、経済指標データを加えて、多変量解析モデルを構築する。具体的に、モデル構築工程では、取得した複数の経済指標データを経済指標因子（例えば、ｘ_３）として、多変量解析モデル（例えば、ｙ＝ａｘ_１＋ｂｘ_２＋ｃｘ_３）を構築する。なお、上記は、１つの経済指標を用いた場合であるが、複数の経済指標を用いる場合には、経済指標因子は複数となる。ここで、モデル構築工程において用いられる経済指標データは、基準期間と同じ指定期間（０か月）の経済指標データを除く、複数の経済指標データである。このように、モデル構築工程では、取得した部品払出データ、複数の運転台数データ、複数の運転時間データ及び複数の経済指標データに基づいて、多変量解析モデルを構築することで、多変量解析モデルの係数であるａ、ｂ及びｃを決定する。

続いて、処理部１１は、予測数導出工程において、構築した多変量解析モデルを用いて、部品の払出予測数を導出する。具体的に、予測数導出工程では、構築した多変量解析モデルに、基準期間から所定の期間だけ経過した予測経過期間の予測運転台数を運転台数因子に変数として与え（例えば、ｘ_１＝ｘ’_１）、また、予測経過期間の予測運転時間を運転時間因子に変数として与え（例えば、ｘ_２＝ｘ’_２）、さらに、基準期間と同じ指定期間（０か月）の経済指標を経済指標因子に変数として与える（例えば、ｘ_３＝ｘ’_３）ことで、解である部品の払出予測数（ｙ’）を導出する。

次に、図３を参照して、上記の需要予測装置１を用いた部品の需要予測方法について説明する。先ず、処理部１１は、需要予測処理が実行されると、記憶部１２から部品払出データ、運転台数データ及び運転時間データを取得する（ステップＳ２１：データ取得工程）。続いて、処理部１１は、記憶部１２から経済指標データを取得する（ステップＳ２２）。この後、処理部１１は、取得した部品払出データ、運転台数データ、運転時間データ及び経済指標データを、算出ツールの入力項目にセット（入力）する（ステップＳ２３）。この後、処理部１１は、算出ツールに入力された部品払出データ、運転台数データ、運転時間データ及び経済指標データに基づいて、計算を実行する（ステップＳ２４）。つまり、処理部１１は、ステップＳ２４において、算出シートに入力された部品払出データ、運転台数データ、運転時間データ及び経済指標データに基づいて、上記したモデル構築工程及び予測数導出工程を実行することで、計算結果としての部品の払出予測数を導出する。なお、実施例２においても、部品の払出予測数は、１か月ごとの部品の払出予測数が、複数月に亘って導出される。この後、処理部１１は、導出した計算結果である部品の払出予測数をグラフ化したりすることで、部品の払出予測数の評価を実行する（ステップＳ２５）。なお、ステップＳ２５における部品の払出予測数の評価は、例えば、図４に示すグラフのように表示される（詳細は後述）。

以上のように、実施例２の構成によれば、経済指標因子を含む多変量解析モデルを構築することで、経済状況を考慮することができ、部品の払出予測数に関する予測精度の向上をさらに図ることができる。このとき、払出予測数を導出するために、多変量解析モデルに与えられる経済指標は、基準期間と同じ指定期間の経済指標が与えられる。これは、経済指標を予測することが困難であり、また、経済状況によって部品の払出しがすぐに影響するものではなく、遅れて影響する可能性が高い。以上から、払出予測数を導出するにあたり、多変量解析モデルに与えられる経済指標を、基準期間と同じ指定期間の経済指標を与えることで、部品の払出予測数に関する予測精度を高めることができる。

次に、図４を参照して、実施例１の需要予測装置１（及び需要予測方法）を用いた予測結果と、実施例２の需要予測装置１（及び需要予測方法）を用いた予測結果と、従来の需要予測方法を用いた予測結果と、の比較について説明する。図４は、需要予測の予測結果を比較した説明図である。なお、従来の需要予測方法は、顧客によって作成された部品の交換計画がある場合は、それに基づいて部品の需要予測を行い、部品の交換計画がない場合は、部品需要の平均値を当てはめて予測する方法である。

ここで、図４に示す手法（１）は、実施例１の需要予測方法であり、手法（２）は、実施例２の需要予測方法であり、手法（３）は、従来の需要予測である。また、図４の縦軸は、部品の数量となっており、図４の横軸は、部品Ａ〜Ｌを並べたものとなっている。そして、図４では、部品Ａ〜Ｌについて、手法（１）〜（３）により行われた予測結果と、払出実績数とを比較している。

ここで、部品Ｃ、部品Ｄ、部品Ｅ、部品Ｇ、部品Ｈ、及び部品Ｉについては、部品の交換計画があるものとなる一方で、部品Ａ、部品Ｂ、部品Ｆ、部品Ｊ、部品Ｋ、及び部品Ｌについては、部品の交換計画がないものとなっている。このため、交換計画がない部品については、手法（３）において、過去の部品の払出実績数に基づく予測結果となっている。

図４に示す通り、交換計画がある部品（部品Ｃ、部品Ｄ、部品Ｅ、部品Ｇ、部品Ｈ及び部品Ｉ）については、手法（３）に基づく部品の払出予測数の精度が高いものの方が多いことが確認された。一方で、交換計画がない部品（部品Ａ、部品Ｂ、部品Ｆ、部品Ｊ、部品Ｋ及び部品Ｌ）については、手法（１）及び手法（２）に基づく部品の払出予測数の精度が高いものの方が多いことが確認された。

このように、実施例１の需要予測方法及び実施例２の需要予測方法を用いることで、部品の交換計画がない部品の需要予測については、部品の需要を精度良く予測できることが確認された。

１ 需要予測装置
１１ 処理部
１２ 記憶部
２１ 部品払出データ記憶部
２２ 運転台数データ記憶部
２３ 運転時間データ記憶部
３１ 経済指標データ記憶部

Claims (5)

1. 所定の払出期間に払い出しされた部品の払出実績数に関する部品払出データが、前記払出期間に対応付けて蓄積されることで、時系列となる複数の前記部品払出データが記憶される部品払出データ記憶部と、
   所定の運転期間に運転する、前記部品を有する装置の運転台数に関する運転台数データが、前記運転期間に対応付けて蓄積されることで、時系列となる複数の前記運転台数データが記憶される運転台数データ記憶部と、
   前記運転期間における前記装置の運転時間に関する運転時間データが、前記運転期間に対応付けて蓄積されることで、時系列となる複数の前記運転時間データが記憶される運転時間データ記憶部と、
   前記部品払出データ、前記運転台数データ及び前記運転時間データに基づいて、前記部品の需要を予測する需要予測処理を実行可能な処理部と、を備え、
   前記処理部は、前記需要予測処理を実行すると、
   基準となる基準期間から過去に遡った複数の異なる前記運転期間に対応付けられた複数の前記運転台数データを前記運転台数データ記憶部から取得し、前記基準期間から遡った複数の異なる過去の前記運転期間に対応付けられた複数の前記運転時間データを前記運転時間データ記憶部から取得し、前記基準期間と同じ期間となる前記払出期間に対応付けられた前記部品払出データを前記部品払出データ記憶部から取得し、
   取得した前記部品払出データの前記払出実績数を解とし、取得した複数の前記運転台数データの異なる前記運転期間の複数の前記運転台数を運転台数因子とし、取得した複数の前記運転時間データの異なる前記運転期間の複数の前記運転時間を運転時間因子として、多変量解析モデルを構築し、
   構築した前記多変量解析モデルに、前記基準期間から所定の期間だけ経過した予測経過期間の予測運転台数を前記運転台数因子に変数として与え、前記予測経過期間の予測運転時間を前記運転時間因子に変数として与えることで、前記部品の払出予測数を導出することを特徴とする部品の需要予測装置。
2. 前記処理部は、前記需要予測処理の実行時において、
   前記基準期間から過去に遡った前記運転期間までの間の期間を、定期的に前記装置の点検を行う定期点検期間に設定しており、
   前記基準期間から前記定期点検期間の分だけ過去に遡った前記運転期間の前記運転台数データ及び前記運転時間データを取得することを特徴とする請求項１に記載の部品の需要予測装置。
3. 所定の指定期間における経済指標に関する経済指標データが、前記指定期間に対応付けて蓄積されることで、時系列となる複数の前記経済指標データが記憶される経済指標データ記憶部をさらに備え、
   前記処理部は、前記需要予測処理を実行すると、
   前記基準期間から過去に遡った複数の異なる前記指定期間に対応付けられた複数の前記経済指標データを前記経済指標データ記憶部から取得し、
   取得した複数の前記経済指標データの異なる前記指定期間の複数の前記経済指標を経済指標因子としてさらに加えて、前記多変量解析モデルを構築し、
   構築した前記多変量解析モデルに、前記基準期間と同じ期間となる前記指定期間の前記経済指標を前記経済指標因子に変数としてさらに与えることで、前記部品の払出予測数を導出することを特徴とする請求項１または２に記載の部品の需要予測装置。
4. 前記処理部は、前記部品払出データ、前記運転台数データ及び前記運転時間データのＳ／Ｎ比利得を算出し、前記Ｓ／Ｎ比利得が予め設定された値よりも大きければ、構築される前記多変量解析モデルの因子として使用しないことを特徴とする請求項１から３のいずれか１項に記載の部品の需要予測装置。
5. 所定の払出期間に払い出しされた部品の払出実績数に関する部品払出データが、前記払出期間に対応付けて蓄積されることで、時系列となる複数の前記部品払出データと、
   所定の運転期間に使用された前記部品を有する装置の運転台数に関する運転台数データが、前記運転期間に対応付けて蓄積されることで、時系列となる複数の前記運転台数データと、
   前記運転期間における前記装置の運転時間に関する運転時間データが、前記運転期間に対応付けて蓄積されることで、時系列となる複数の前記運転時間データと、が用意され、
   基準となる基準期間から過去に遡った複数の異なる前記運転期間に対応付けられた複数の前記運転台数データを取得し、前記基準期間から遡った複数の異なる過去の前記運転期間に対応付けられた複数の前記運転時間データを取得し、前記基準期間と同じ期間となる前記払出期間に対応付けられた前記部品払出データを取得するデータ取得工程と、
   取得した前記部品払出データの前記払出実績数を解とし、取得した複数の前記運転台数データの異なる前記運転期間の複数の前記運転台数を運転台数因子とし、取得した複数の前記運転時間データの異なる前記運転期間の複数の前記運転時間を運転時間因子として、多変量解析モデルを構築するモデル構築工程と、
   構築した前記多変量解析モデルに、前記基準期間から所定の期間だけ経過した予測経過期間の予測運転台数を前記運転台数因子に変数として与え、前記予測経過期間の予測運転時間を前記運転時間因子に変数として与えることで、前記部品の払出予測数を導出する予測数導出工程と、を備えることを特徴とする部品の需要予測方法。

Images