JP2016212825A - 商品価格予測のための装置及び方法 - Google Patents
商品価格予測のための装置及び方法 Download PDFInfo
- Publication number
- JP2016212825A JP2016212825A JP2015242425A JP2015242425A JP2016212825A JP 2016212825 A JP2016212825 A JP 2016212825A JP 2015242425 A JP2015242425 A JP 2015242425A JP 2015242425 A JP2015242425 A JP 2015242425A JP 2016212825 A JP2016212825 A JP 2016212825A
- Authority
- JP
- Japan
- Prior art keywords
- price
- spike
- information
- machine learning
- spike price
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 108
- 230000008569 process Effects 0.000 claims abstract description 49
- 238000010801 machine learning Methods 0.000 claims description 90
- 238000012549 training Methods 0.000 claims description 21
- 230000004044 response Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 26
- 230000005611 electricity Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 6
- 230000001932 seasonal effect Effects 0.000 description 6
- 230000000052 comparative effect Effects 0.000 description 5
- 230000009977 dual effect Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000005653 Brownian motion process Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005537 brownian motion Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- GOLXNESZZPUPJE-UHFFFAOYSA-N spiromesifen Chemical compound CC1=CC(C)=CC(C)=C1C(C(O1)=O)=C(OC(=O)CC(C)(C)C)C11CCCC1 GOLXNESZZPUPJE-UHFFFAOYSA-N 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】商品価格予測のための装置及び方法を提供する。
【解決手段】商品の価格を予測するプロセス100は、商品の価格予測のための将来の特定の時間を取得し、商品の過去の価格情報を取得する工程、価格情報をスパイク価格情報及び非スパイク価格情報に分解し、非スパイク価格情報を利用して特定の時間における非スパイク価格を判定する工程、価格情報に基づいて、特定の時間において価格スパイクが生じるか否かを判定する工程、特定の時間における商品の予測価格を提供する工程を含む。商品の予測価格は、価格スパイクが生じない場合には非スパイク価格であり、価格スパイクが生じる場合にはスパイク価格である。
【選択図】図1
【解決手段】商品の価格を予測するプロセス100は、商品の価格予測のための将来の特定の時間を取得し、商品の過去の価格情報を取得する工程、価格情報をスパイク価格情報及び非スパイク価格情報に分解し、非スパイク価格情報を利用して特定の時間における非スパイク価格を判定する工程、価格情報に基づいて、特定の時間において価格スパイクが生じるか否かを判定する工程、特定の時間における商品の予測価格を提供する工程を含む。商品の予測価格は、価格スパイクが生じない場合には非スパイク価格であり、価格スパイクが生じる場合にはスパイク価格である。
【選択図】図1
Description
本開示は商品価格予測に関連する。
電気(electricity)のような商品における価格予測は益々重要になりつつある。価格予測(Price forecasting)は長期的な予測から短期的な予測に及ぶ。長期的及び中期的な価格予測は投資やメンテナンスの目的に使用されてもよい。リアルタイムのような短期的な予測は、商品のマーケットオペレータや商品の生産者による運用の目的に使用されてもよい。例えば、電気の生産者は、リアルタイムの価格予測を利用して、市場に対して電気の供給に何時どの程度の値を付けるかを決定する。他者も電気のリアルタイム価格予測を利用するかもしれない。例えば、小売及び需要応答の収集者(アグリゲータ)は、小さな消費者達をどのように需要反応戦略に組み込むかを決定する際に、リアルタイム予測を利用してもよい。
本願の請求項に係る内容は、如何なる欠点をも解決する実施形態に限定されず、また、上記の環境でしか動作しない実施形態にも限定されない。むしろこの背景技術の欄は、本願で説明される実施形態が実施されてもよい技術分野の一例を示すために提供されているに過ぎない。
実施形態によれば、商品の価格を予測する方法は、商品の価格予測のための将来の特定の時間を取得する工程を含む。本方法は、前記特定の時間に基づいて前記商品の過去の価格情報を取得する工程も含んでよい。本方法は、スパイク価格閾値に基づいて、前記価格情報を、スパイク価格情報及び非スパイク価格情報に分解する工程と、第1の機械学習価格アルゴリズムを利用して、前記非スパイク価格情報を利用して、前記特定の時間における非スパイク価格を判定する工程を含む。本方法は、第2の機械学習価格アルゴリズムを利用して、前記価格情報に基づいて、前記特定の時間において価格スパイクが生じるか否かを判定する工程も含んでよい。本方法は、前記特定の時間における前記商品の予測価格を提供する工程も含んでよい。前記価格スパイクが前記特定の時間において生じない旨の判断に応じて、前記商品の予測価格は前記非スパイク価格となり、前記価格スパイクが前記特定の時間において生じる旨の判断に応じて、前記商品の予測価格は前記スパイク価格となる。前記特定の時間における前記スパイク価格は、第3の機械学習価格アルゴリズムを利用して、前記スパイク価格情報に基づいて判定されてもよい。
実施形態の課題及び利点は、特に特許請求の範囲に記載される要素、特徴及び組み合わせにより少なくとも実現及び達成される。
上記の一派的な説明及び後述の詳細な説明の双方は、例示的であり一例に過ぎず、請求項に記載される本願に開示内容を限定するものではないことが、理解されるべきである。
添付図面を利用することにより実施例は更なる特定の詳細事項とともに記述及び説明される。
図1は、商品の価格を予測するためのプロセス例を示す。
図2aは、時間に対する商品価格情報のグラフの一例を示す。
図2bは、図2aの価格情報に基づく時間に対する商品の非スパイク価格情報のグラフの一例を示す。
図2cは、図2aの価格情報に基づく時間に対する商品のスパイク価格情報のグラフの一例を示す。
図3は、商品の価格を予測するように構成されるシステム例を示す。
図4は、商品の価格を予測するための方法例のフローチャートを示す。
図5は、商品の価格を予測するための他の方法例のフローチャートを示す。
本願で説明される実施形態は、商品(特に、石油、ガス、電気、水など)の価格を予測するためのシステム及び方法に関連する。
何らかの状況において商品市場は商品を売り買いするために存在する。入札(bidding)及び決済(clearing)の処理の間の時間は、例えば、5分間毎、10分間毎、15分間毎、30分間毎又は他の時間間隔のように比較的短いかもしれない。これら及び他の実施形態において、30未満の間に生じる入札及び決済プロセスは、本願において、商品のリアルタイム価格決定として言及される。商品のリアルタイム価格決定を可能にする最近の技術革新に起因して、買い手及び売り手はリアルタイムで入札価格を提示できる。
典型的には、商品の価格は上下して価格スパイク(price spikes)を含むかもしれない。価格スパイク(価格の急騰又は急変)は、商品の価格が短期間の間に比較的大きく上昇又は下降して変動する瞬間を含む。例えば、ある場合には、電気の決済及び入札が5分ごとに生じるかもしれない。これら及び他の実施形態において、価格は、ある時間Aにおいて100ドル毎メガワット時間($100/Mwh)であり、5分後の時間Bにおいて価格は$300/Mwhであるとする。時間A及び時間Bの間の価格変動は、価格スパイクであってもよい。商品の価格の変動性に起因して、リアルタイムで妥当なリスク許容範囲内で販売価格及び決済価格を提示することは困難であるかもしれない。
買い手及び売り手が商品に対する価格及び入札を提示する場合のリスク管理を支援するために、本願における少なくとも或る実施形態で説明されるシステム及び方法は、将来の特定の時間における商品の価格を予測する。商品価格の変動性及び価格スパイクに起因して、本願における少なくとも或る実施形態で説明されるシステム及び方法は、将来の特定の時間における商品の価格を予測することに対して、二重レベル価格予測(bi-level price forecast)を適用する。
二重レベル価格予測は、価格スパイクを補償しない価格動向を生成する。価格動向(trending price)は、本願において、非スパイク価格(non-spike price)として言及される。二重レベル価格予測は、潜在的な価格スパイクに関するスパイク価格を生成してもよい。すなわち、価格予測は、非スパイク価格及びスパイク価格である二重レベル価格を生成する。非スパイク価格又はスパイク価格の何れを使用するかを決定するために、本願の少なくとも或る実施形態で説明されるシステム及び方法は、価格スパイクが生じるか否かを判断してもよい。価格スパイクが生じる旨の判断がなされた場合、将来の特定の時間における予測される商品価格について、スパイク価格が使用されてもよい。価格スパイクは生じない旨の判断がなされた場合、将来の特定の時間における予測される商品価格について、非スパイク価格が使用されてもよい。
以下、添付図面を参照しながら本開示の実施形態が説明される。
図1は、商品の価格を予測するように本開示の少なくとも1つの実施形態により構成されるプロセス例100を示す。プロセス100は、商品に関する価格情報及びロード情報に基づいて将来の時間における商品の価格を予測する。一般に、プロセス100は二重レベル価格方式を利用して商品の価格を予測してもよい。
商品の価格を予測するために、プロセス100は、商品の価格が予測されるべき将来の特定の時間102を取得する。一実施形態において、時間102は、予測価格を要求している他のシステムにより或いはプロセス100を実行するシステムのユーザにより自動的に提供されてもよいし、或いは、プロセス100を実行するシステムに伝達することにより提供されてもよい。一実施形態において、プロセス100は、価格を予測する要求(リクエスト)の時間に基づいて時間102を取得してもよい。例えば、一実施形態において、プロセス100は、リクエストが受信される前の特定の時間における価格を予測してもよい。
時間102は将来的な1つの時点又は将来的な複数の時点であってもよい。図1に関し、プロセス100は、将来的な1つの時点に関連して説明される。しかしながら、プロセス100は、複数回の反復を実行することにより、複数の時間における価格を予測するように動作してもよい。一実施形態において、反復の内の1回の間に使用又は生成されるデータが、追加的な反復において使用されてもよい。
一実施形態において、時間102は、商品の商品市場における入札及び売りの時価の細かさに関連する粒度を有してもよい。例えば、電気の商品市場は、5分間隔で電気を売り買いしている。これら及び他の実施形態において、取得される時間102は、商品についての商品市場のインターバル(又は時間間隔)に対応してもよい。代替的又は追加的に、プロセス100は、任意の時間を取り込み、それが商品についての商品市場の時間間隔に対応するようにその時間を処理してもよい。
時間102に基づいて、プロセス100は、商品の価格及びロード(又は負荷)(load)に関するデータ104を取得してもよい。一実施形態において、価格情報106は商品に関して取得される。代替的又は追加的に、ロード情報108が商品に関して取得されてもよい。一実施形態において、商品の売り及び買いを取り扱う商品市場から、価格情報106及びロード情報108が取得されてもよい。
一実施形態において、価格情報106は、複数の異なるタイプの価格情報を含んでもよい。異なるタイプの価格情報106は第1及び第2の過去の価格データを含んでもよい。例えば、一実施形態において、第1の過去の価格データは時間102より前の第1時間である第1期間の実際の価格データであってもよく、第2の過去の価格データは時間102より前の第2時間である第2期間の実際の価格データであってもよい。一実施形態において、第1及び第2の過去の価格データは、商品市場の複数の売り買いの期間に対する過去の価格データを提供してもよい。一実施形態において、価格情報106は、第1及び第2の過去の価格データの間の差分を含んでもよい。
一実施形態において、第1期間は、商品の現在の価格データ動向を取得するために数時間の時間102の間の期間であってもよい。一実施形態において、第1期間は、商品についての最新のリアルタイム価格データに関連する期間であってもよい。第2期間は、時間102と同じ時間であるが、前の日の期間であってもよい。第2期間は、1日の内の共通する時間内における、商品の共通する価格動向を判断するプロセス100を支援する。例えば、前の日の正午の電気の価格は、今日の正午の電気価格を、前の日の午前2時及び3時の間の電気価格よりも一層適切に代表するかもしれない。
第1及び第2期間の具体例として、商品市場が5分間毎に売り買いを行う場合に、第1期間は、時間102より2時間前から1時間前までにわたる1時間であってもよい。第2期間は、時間102より24時間前から23時間前にわたる1時間であってもよい。例えば、時間102が4月14日の午後12:05である場合に、第1の過去の価格データは、4月14日の午前10:05ないし午前11:05までにわたる商品の実際の価格データの(5分毎の)12個の均等に隔てられた時点のデータ点であってもよい。第2の過去の価格データは、4月13日の午後12:05ないし午後1:05までにわたる商品の実際の価格データの(5分毎の)12個の均等に隔てられた時点のデータ点であってもよい。一実施形態において、第1及び第2期間は異なる長さであってもよい。
別のタイプの価格情報106は、将来の市場決済価格(future market clearing price)を含んでもよい。将来の市場決済価格は、商品の入札及び決済に関する要求される予測価格及びタイミングよりも低い(又は粗い)粒度における商品の予想される価格であってもよい。例えば、商品市場は5分ごとに入札及び決済を受け入れるかもしれない。将来の市場決済価格は、1時間毎の時間単位における推定される価格を提供してもよい。従って、将来の市場決済価格は、入札及び決済の期間の1つ1つ又は12個毎に推定値を提供してもよい。
一実施形態において、ロード情報108は、複数の異なるタイプのロード情報を含んでもよい。異なるタイプのロード情報108は過去のロードデータ及び予測されたロードデータを含んでもよい。一実施形態において、過去のロードデータは、時間102より前のロード期間の実際のロードデータであってもよい。過去のロードデータのロード期間は、商品の現在のロード動向を判断する際にプロセス100を支援する。一実施形態において、ロード情報108は、過去のロードデータ及び予測されたロードデータの間の差分を含んでもよい。
ロード期間の具体例として、商品市場が5分毎に売り買いをする場合に、ロード期間は、時間102より2時間前から1時間前までにわたる1時間であってもよい。例えば、時間102が4月14日の午後12:05である場合に、過去のロードデータは、4月14日の10:05A.M.ないし11:05A.M.にわたる商品の実際のロードデータの12個の均等に隔てられた時点のデータ点であってもよい。
予想されたロードデータは、商品の入札及び決済についての要求される予測価格及びタイミングよりも低い粒度における商品の予測ロードであってもよい。例えば、商品市場は、5分ごとに商品の入札及び決済を受け入れ、5分ごとにロード情報を提供してもよい。予測ロードデータは、1時間毎の時間単位における推定ロードを提供してもよい。従って、予測ロードデータは、入札及び決済の期間の1つ1つ又は12個毎に推定値を提供してもよい。
プロセス100は、価格情報106及びロード情報108に関するデータ処理110を実行してもよい。データ処理110は、不良データを除去し、価格情報106及びロード情報108から、欠落しているデータを補間することを含んでもよい。例えば、ロード情報108は、ロードがゼロであることを示すロードポイントを含んでもよい。これらのロードポイントは、隣接するロードポイントに基づいて補間される調整されたロード値で置換されてもよい。他の例として、価格情報106は、ゼロ未満又はゼロである価格ポイントを含んでもよい。これらの価格ポイントは、隣接する価格ポイントに基づいて補間される調整された価格値で置換されてもよい。データ処理110は、処理されたロード情報112及び処理された価格情報114を生成してもよい。
処理100は、処理された価格情報114に関して価格データ分析120を実行し、スパイク価格情報122及び非スパイク価格情報124を生成する。価格データ分析120は、処理された価格情報114から価格スパイクを識別及び除去することを含んでもよい。
処理された価格情報114の価格スパイクは、スパイク価格閾値に基づいて判断されてもよい。スパイク価格閾値は、商品の価格の安定性に基づいて決定されてもよい。例えば、スパイク価格閾値は、所与の時間フレームの中で商品の価格の80%がスパイク価格閾値未満になるような値に設定されてもよい。一実施形態において、より高い価格安定性を有する商品市場は、より低い価格安定性を有する商品市場よりも、所与の時間フレームの中でスパイク価格閾値より低い価格の割合が高い。代替的又は追加的に、スパイク価格閾値は、価格の安定性が時間と共に変化するような変数であってもよい。例えば、電気の安定性は、春の間では夏の間と異なっているかもしれない。一実施形態において、スパイク価格閾値は、商品市場における価格のニーポイント頻度(a knee point of a frequency)に基づいて決定されてもよい。
非スパイク価格情報124を生成するために、処理された価格情報114から、識別(又は特定)された価格スパイクが除去される。識別された価格スパイクを除去することは、識別された価格スパイクの価格値を、隣接する非スパイク価格値に基づいて補間された値に変更することを含んでもよい。
スパイク価格情報122を生成するために、処理された価格情報114から識別される価格スパイクは、非スパイク価格情報124における価格スパイクを置換する識別される価格スパイクの補間値とともに減らされてもよい。非スパイク価格が除去されてもよい。結果的に、スパイク価格情報122は、調整された値とともに、識別された価格スパイクを含んでもよい。
様々なタイプの価格情報の各々に対する価格データ分析は、個別的に実行されてもよいことに、留意を要する。従って、第1の過去の価格データは、第1の過去の価格データに基づいて分析(又は分解)される価格データであってもよい。第2の過去の価格データは第2の過去の価格データに基づいて分析(又は分解)される価格データであってもよく、将来の市場決済価格は将来の市場決済価格に基づいて分析(又は分解)される価格データであってもよい。
図2a-2cは、本開示の少なくとも1つの実施形態による価格データ分析を示す。特に、図2aは、本願の開示の少なくとも1つの実施形態による時間に関する商品の或るタイプの価格情報のグラフ例200aを示す。グラフ200aは8つの異なる時間を示す。8つの時間(時点)はある種の価格情報の8つのデータポイントに対応し、ある種の価格情報は、例えば、第1の過去の価格データ、第2の過去の価格データ、又は、将来の市場決済価格データ等である。例えば、8つのデータポイントは、商品についての8つの連続的な入札及び決済の価格におけるスポット価格、又は、入札及び決済の価格についての或る選択された増加分におけるスポット価格であってもよい。図示されるように、時間3及び4における価格ポイントは、スパイク価格閾値よりも高い価格値を有する。
図2bは、本願の開示の少なくとも1つの実施形態による、図2aの価格情報に基づく時間に関する商品の非スパイク価格情報のグラフ例200bを示す。グラフ200bはグラフ200aと同様であるが、時間3及び4における価格スパイクを含まない点で異なる。時間3及び4における価格の値は、時間3及び4に隣接する時間2及び5における値に基づく補間値により置換されている。時間2及び5に基づく補間値は、グラフ200bに示されるように、時間3及び4において時間2及び5での値に等しい価格値という結果をもたらす。
図2cは、本願の開示の少なくとも1つの実施形態により構成される図2aの価格情報に基づく時間に関する商品のスパイク価格情報のグラフ例200cを示す。グラフ200cはグラフ200aと同様であるが、グラフ200aが非スパイク価格を含んでいる時間における価格を含まない点で異なる。従って、グラフ200cは時間1、2、5、6、7及び8においてゼロであるか価格を含む。更に、グラフ200cは、価格スパイクの時間であるグラフ200aの時間3及び4における値を含む。時間3及び4における値は、グラフ200aの時間3及び4における値と、グラフ200bの時間3及び4における補間値との間の差分に等しい。
図1に関し、一実施形態では、処理された価格情報114の価格データ分析120は、スパイク価格閾値と比較するローリングウィンドウとともに、価格値の移動平均フィルタを利用してなされてもよい。これら及び他の実施形態において、ローリングウィンドウサイズは、スパイクイベントの平均的な長さ(期間)に基づいてもよい。一実施形態において、5分毎になされる入札及び決済の価格ポイントを含む商品市場に関するローリングウィンドウのサイズは、3ないし6つの価格ポイントを含んでもよい。これら及び他の実施形態において、非スパイク価格情報124における価格を円滑化(又は平滑化)するために、価格スパイクが除去された後に、非スパイク価格情報124に対して移動平均フィルタが適用されてもよい。
非スパイク価格情報124及びスパイク価格情報122を生成した後に、プロセス100は、処理されたロード情報112、処理された価格情報114、スパイク価格情報122、及び、非スパイク価格情報124を利用して、特徴生成130を実行してもよい。特徴生成130により生成される特徴は、スパイク検出特徴140a、スパイク価格特徴140b、非スパイク価格特徴140cを含んでもよく、これらは本願ではまとめて特徴140のように言及される。
スパイク検出特徴140aは、処理された価格情報114及び処理されたロード情報112を利用して生成されてもよい。スパイク価格情報140bは、非スパイク価格情報124又は処理された価格情報114を利用することなく、処理されたロード情報112及びスパイク価格情報122を利用して生成されてもよい。非スパイク価格特徴140cは、スパイク価格情報122又は処理された価格情報114を利用することなく、処理されたロード情報112及び非スパイク価格情報124を利用して生成されてもよい。
一実施形態において、スパイク検出特徴140a、スパイク価格特徴140b、及び、非スパイク価格特徴140cは、類似する特徴又は非類似の特徴を含んでもよい。スパイク検出特徴140a、スパイク価格特徴140b、及び、非スパイク価格特徴140cに含まれてもよい様々な特徴が、以下に説明される。様々な特徴に関連する以下の説明は概して価格データに関連する。価格データは、処理された価格情報114、スパイク価格情報122、及び、非スパイク価格情報124を表現してもよい。例えば、議論される特徴が非スパイク価格特徴140cである場合、価格データは、非スパイク価格情報124を表現することになる。
特徴生成130により生成される特徴140は、特に、スパイク特徴、ロード特徴、比較ロード特徴、季節的な特徴、日の種類の特徴、毎時間の価格変動特徴、価格データ特徴、需要価格率の特徴、エラスティック特徴(elastic feature)、スパイクの連続する長さの特徴などを含んでもよい。
スパイク特徴は、スパイクが第1の過去の価格データに含まれるか否かを示してもよい。ロード特徴は、ロード情報108の過去のロードデータの正規化(又は規格化)を含んでもよい。特徴140を生成する場合に、一般的な正規化等式化(normalization equation)が適用されてもよい。一般的な正規化等式化は、時間tにおけるデータポイントの値とデータセット内の最低値との間の差分をとり、その差分を、データセット中の最大値と最低値との間の差分で除算することにより、データを正規化してもよい。その結果は、時間tにおけるデータポイントが正規化されるように、時間tにおけるデータポイントの値を置換するために使用される。
比較ロード特徴は、正規化された予測ロードデータと正規化された過去のロードデータとの間の差分であってもよい。季節的な特徴は、春(3月ないし5月)、夏(6月ないし8月)、秋(9月ないし11月)、及び、冬(12月ないし2月)のような、生成された予測価格の日付についての季節を示す数であってもよい。入力として特徴を使用するかもしれないスパイク検出アルゴリズム150a、スパイク価格アルゴリズム150b及び非スパイク価格アルゴリズム150cのようなアルゴリズムを生成するために使用されるトレーニングデータが、複数の異なる季節からのデータを含んでいた場合に、季節的な特徴が使用されてもよい。トレーニングデータが単独の季節のうちの情報を含んでいた場合、又は、商品の価格が季節に基づいて変化しない場合、季節的な特徴は使用されなくてよい。
日の種類の特徴は、生成される予測価格についての日が平日であるか又は週末であるかを示す数であってもよい。入力として特徴を使用するかもしれないスパイク検出アルゴリズム150a、スパイク価格アルゴリズム150b及び非スパイク価格アルゴリズム150cのようなアルゴリズムを生成するために使用されるトレーニングデータが、1週間のうちの日毎のデータを含んでいた場合に、日の特徴が使用されてもよい。トレーニングデータが、平日又は週末のうちどちらか一方の情報しか含まない場合、又は、商品の価格が平日であるか又は週末であるかに基づいて変化しない場合、日の特徴は使用されなくてもよい。
時間毎の価格変動の特徴は、第1の過去の価格データの変動を表す下図であってもよい。価格データの特徴は、第1及び第2の過去の価格データ、及び、将来の市場決済価格のうちの1つ以上の正規化を含んでもよい。
需要価格率の特徴は、過去のロードデータと第1の過去の価格データとが正規化された後に、過去のロードデータと第1の過去の価格データとの間の比較を含んでもよい。エラスティック特徴は、過去のロードデータと第1の過去の価格データとが正規化された後に、過去のロードデータの時間変化と第1の過去の価格データの時間変化との間の比較を含んでもよい。スパイクの連続する長さの特徴は、価格スパイクである価格ポイントの連続する数を示してもよい。一実施形態において、スパイクの連続する長さの特徴は、第1の過去の価格データからの価格スパイクである価格ポイントの連続数未満の数であってもよい。
一実施形態において、スパイク検出特徴140a、スパイク価格特徴140b及び非スパイク価格特徴140cの各々は、特徴グループに対する特定の価格データを利用して生成される特徴のうち本願で説明される全ての特徴を含んでもよい。代替的又は追加的に、スパイク検出特徴140a、スパイク価格特徴140b及び非スパイク価格特徴140cの各々は、特徴グループに対する特定の価格データを利用して生成される特徴のうち本願で説明される特徴のうちの1つ以上を含んでもよい。
例えば、一実施形態において、スパイク検出特徴140aは、スパイク特徴、ロード特徴、比較ロード特徴、季節的な特徴、日の種類の特徴、時間毎の価格変動性の特徴、価格データ特徴、及び、スパイクの連続する長さの特徴などを含んでいてもよい。これらの特徴は、価格スパイクを含む処理された価格情報114を利用して生成されてもよい。
これら及び他の実施形態において、スパイク価格特徴140bは、スパイク特徴、比較ロードの特徴、価格データの特徴、需要価格率の特徴、及び、スパイク連続長の特徴などを含んでもよい。これらの特徴は、スパイク価格情報122を利用して、及び、非スパイク価格情報124又は処理された価格情報114を利用せずに生成されてもよい。
これら及び他の実施形態において、非スパイク価格特徴140cは、ロード特徴、比較ロード特徴、季節的な特徴、日の種類の特徴、時間毎の価格変動の特徴、価格データの特徴、需要価格率の特徴、及び、エラスティック特徴などを含んでもよい。これらの特徴は、非スパイク価格情報124を利用して、及び、スパイク価格情報122又は処理された価格情報114を利用せずに生成されてもよい。
スパイク検出特徴140aは、スパイク検出アルゴリズム150aに提供されてもよい。スパイク価格特徴140bはスパイク価格アルゴリズム150bに提供され、非スパイク価格特徴140cは非スパイク価格アルゴリズム150cに提供されてもよい。スパイク検出アルゴリズム150a、スパイク価格アルゴリズム150b、及び、非スパイク価格アルゴリズム150cは、本願ではアルゴリズム150のように言及されてもよい。
アルゴリズム150は機械学習アルゴリズムに由来していてもよく、機械学習アルゴリズムは、価格情報106及びロード情報108に類似するデータを利用して以前にトレーニングされている。一実施形態において、アルゴリズム150は、それぞれ、同じタイプの機械学習アルゴリズムに由来していてもよいし、それらは類似する又は異なるデータでトレーニングされてもよい。一実施形態において、アルゴリズム150は、それぞれ、異なるタイプの機械学習アルゴリズムに由来していてもよい。例えば、スパイク検出アルゴリズム150aは、サポートベクトルマシンアルゴリズムのような2進分類機械学習アルゴリズムに由来してもよい。スパイク価格アルゴリズム150bは、自己組織化マップアルゴリズム又はk平均クラスタリングアルゴリズムのようなクラスタリング機械学習アルゴリズムに由来してもよい。非スパイク価格アルゴリズム150cは、ニューラルネットワーク型の機械学習アルゴリズムに由来してもよい。
一実施形態において、スパイク価格アルゴリズム150bは、同じクラスタリングアルゴリズムに基づいて発展(学習)させた複数のアルゴリズムを含んでもよい。これら及び他の実施形態において、スパイク価格アルゴリズム150bの各々を発展させるために使用されるトレーニングデータは、異なっていてもよい。例えば、トレーニングデータは、商品のロード情報及び過去のスパイク-価格情報に基づく複数の特徴を含んでもよい。スパイク価格アルゴリズム150bの各々を発展させるために、複数の特徴及び/又は様々な初期トレーニングパラメータの様々な部分集合が、スパイク価格アルゴリズム150bの何れかを発展させるために、クラスタリングアルゴリズムに提供されてもよい。従って、各々のスパイク価格アルゴリズム150bは、類似していてもよいが、同じ入力とともに、確率的な出力アレイを生成する程度に十分に異なっていてもよい。一実施形態において、プロセス100は、10, 20, 50, 100, 500, 1000又は5000個の異なるスパイク価格アルゴリズム150bを使用してもよい。
スパイク検出アルゴリズムは150aには、入力としてスパイク検出特徴140aが与えられる。スパイク検出アルゴリズム150aは、スパイク情報160を生成してもよい。スパイク情報160は、価格スパイクが、時間102において生じるか又は生じないかの何れに予測されるかを示してもよい。一実施形態において、スパイク情報160は、バイナリ(2進的)であってもよく、従って、価格スパイクであること又は価格スパイクでないことを予測してもよい。代替的又は追加的に、スパイク情報160は、時間102における価格スパイクの出現の確率を提供してもよい。
スパイク価格アルゴリズム150bの各々はスパイク価格特徴140bの供給を受ける。スパイク価格アルゴリズム150bは、それぞれ、スパイク価格162という結果をもたらすスパイク価格を生成する。すなわち、これら及び他の実施形態において、スパイク価格アルゴリズム150bは、多数のスパイク価格アルゴリズム150bに基づいて、10, 20, 50, 100, 500, 1000又は5000個の様々なスパイク価格162を生成してもよい。非スパイク価格アルゴリズム150cは非スパイク価格特徴140cの供給を受ける。非スパイク価格アルゴリズム150cは非スパイク価格164を生成する。
プロセス100は、スパイク情報160に基づいて、時間102における商品の予測価格172を判定するために価格選択170を実行する。スパイク情報160が時間102における価格スパイクを予見していない場合、非スパイク価格164が、時間102における商品の予測価格172となってもよい。スパイク情報160が時間102における価格スパイクを予見する場合、時間102における商品の予測価格172はスパイク価格162に基づいていてもよい。一実施形態において、価格選択170は、スパイク価格162の平均又は中間(又は中央値)を判定することにより、スパイク価格162に基づいて、時間102における商品の予測価格172を判定してもよい。
代替的又は追加的に、スパイク価格162は、時間102における商品の予測価格172の事後分布(posterior distribution)を示してもよい。これら及び他の実施形態において、スパイク価格162は、スパイク価格162の平均である予測価格に対する信頼区間(confidence interval)を判定するために使用されてもよい。信頼区間を構築するために、スパイク価格162の平均である予測価格172の密度及び分布は、ブラウン運動又はガウシアン分布のような何らかの分布を利用して決定されてもよい。信頼区間は、スパイクに関する予測価格172の上限価格及び下限価格を含んでもよい。一実施形態において、信頼区間は、80、90、95パーセントの信頼区間又はその他の割合の信頼区間であってもよい。
本開示の範囲から逸脱することなく、プロセス100に対して修正、追加又は省略がなされてもよい。例えば、一実施形態において、プロセス100は単独のスパイク価格アルゴリズム150bを含んでもよい。代替的又は追加的に、プロセス100は、スパイク情報160に基づいて、時間102において価格スパイクが発生するという予測判断の後に、スパイク価格を生成してもよい。これら及び他の実施形態において、スパイク価格特徴140bは、スパイク情報160に基づいて、時間102において価格スパイクが発生するという予測判定の後に生成されてもよい。代替的又は追加的に、時間102においてスパイクが生じそうにないことをスパイク情報が予見する場合に、プロセス100が、スパイク価格情報122、スパイク価格特徴140b及びスパイク価格162を静止してしまうことを回避するように、価格データ分析120はスパイク情報160の生成の後になされてもよい。
一実施形態において、プロセス100は、複数の反復を実行することにより、複数の異なる時間における価格を予測するように動作してもよい。これら及び他の実施形態において、或る反復で使用又は生成される何らかのデータが、更なる反復で使用されてもよい。例えば、第1の価格予測による、処理されたロード情報112、処理された価格情報114、スパイク価格情報122、非スパイク価格情報124又はスパイク価格特徴140bが、第2の価格予測で使用されてもよい。
図3は、商品の価格を予測するように構成される本願の開示の少なくとも1つの実施形態により構成されるシステム例300を示す。概して、システム300は、商品の価格を予測するために使用される任意のハードウェア、ソフトウェア又はハードウェア及びソフトウェアの双方を含んでもよい。例えば、システム300は、図1に示されるプロセス及び/又は図4及び図5に示される方法を実行するのに使用されるハードウェア、ソフトウェア又はハードウェア及びソフトウェアの双方を含んでもよい。
図3に示されるように、システム300は、プロセッサ312、メモリ314、通信モジュール316及びI/Oデバイス318を含む予測システム310;第1データベース320;第2データベース330;及びネットワーク302を含む。
ネットワーク302は、予測システム310及び第2データベース330に通信可能に結合するように構成されてもよい。ネットワーク302は、任意のタイプ、構成又はプロトコルの任意の無線、有線、ローカル又は外部のネットワークであってよい。ネットワーク302は、ネットワーク302を通じてシステム間で通信を可能にする1つ以上のサーバ又はその他のプロセッサを含んでよい。
第2データベース330は、商品に関する価格情報332及びロード情報334を保存するように構成される。価格情報332は図1の価格情報106と同様であってもよい。ロード情報334は図1のロード情報108と同様であってもよい。一実施形態において、価格情報332及びロード情報334は、商品の商品市場により第2データベース330に提供されてもよい。他のシステムから要求があった際に、第2データベース330は、価格情報332及びロード情報334を、ネットワーク302を介して提供するように構成されてもよい。
第1データベース320は、トレーニングデータ322と、スパイク検出アルゴリズム324と、スパイク価格アルゴリズム326と、非スパイク価格アルゴリズム328とを含んでもよい。トレーニングデータ322は、商品に関する以前の価格及びロード情報を含んでもよい。例えば、トレーニングデータ322は、以前のリアルタイム価格情報、以前の将来的な市場決済価格、以前のリアルタイムロード価格、及び、以前の予測ロード価格を含んでもよい。トレーニングデータは、例えば、第2データベース330から取得されてもよい。
予測システム310のようなシステムは、機械学習を利用してトレーニングデータから、スパイク検出アルゴリズム324、スパイク価格アルゴリズム326、及び、非スパイク価格アルゴリズム328を生成するように構成されてもよい。例えば、トレーニングデータは、図1の特徴生成130に類似する方法で特徴を生成するために使用されてもよい。一実施形態において、スパイク検出アルゴリズム324、スパイク価格アルゴリズム326、及び、非スパイク価格アルゴリズム328をトレーニングするために使用される特徴は、図1のアルゴリズム150に提供される特徴と同一又は類似であってもよい。すなわち、スパイク検出アルゴリズム324はスパイク及び非スパイク価格データに関する特徴を利用してトレーニングされてもよく、スパイク価格アルゴリズム326はスパイク価格データを利用してトレーニングされてもよく、非スパイク価格アルゴリズム328は非スパイク価格データを利用してトレーニングされてもよい。
一実施形態において、トレーニングデータ322は、例えば、毎日、毎週、隔週、毎月などのような特定のインターバルで更新又は追加されてよい。トレーニングデータ322の変更後に、スパイク検出アルゴリズム324、スパイク価格アルゴリズム326、及び、非スパイク価格アルゴリズム328は、更新されたトレーニングデータ322とともに再トレーニングされてもよい。
一実施形態において、スパイク価格アルゴリズム326は、自己組織化マップ機械学習アルゴリズムを使用して生成されてもよい。これら及び他の実施形態において、スパイク価格アルゴリズム326を生成する場合に、特定数の特徴が使用されてもよい。スパイク価格アルゴリズム326の各々に関し、特定数の特徴のうちの一部分(部分集合)が使用されてもよい。例えば、特定数の特徴の二乗が使用されてもよい。これら及び他の実施形態において、その一部分のうちの特徴がランダムに選択されてもよい。代替的又は追加的に、スパイク価格アルゴリズム326の各々は、スパイク価格アルゴリズム326に関する特徴の様々な一部分を利用して生成されてもよい。これら及び他の実施形態において、生成される多数のスパイク価格アルゴリズム326は、自己組織化マップ機械学習アルゴリズムで使用されるトレーニング半径(training radius)に影響を及ぼす。特に、トレーニング半径は、生成されるスパイク価格アルゴリズム326の数に逆比例する性質を有してもよい。
予測システム310は商品の価格を予測するように構成される。一実施形態において、予測システム310は、図1のプロセス並びに図4及び図5の方法400及び500において価格が予測されるのと同様な方法で商品の価格を予測してもよい。
通信モジュール316は、第1及び第2データベース320及び330と通信するように構成される。通信モジュール316は、価格を予測するのに使用するために第1及び第2データベース320及び330のうちの情報を要求及び受信する。例えば、通信モジュール316は、価格情報332、ロード情報334、スパイク検出アルゴリズム324、スパイク価格アルゴリズム326及び非スパイク価格アルゴリズム328を取得してもよい。
I/Oデバイス318はユーザとのやり取りを行うインタフェースを構成する。これら及び他の実施形態において、I/Oデバイス318は、価格を予測する特定の時間の指示を取得し、特定の時間に対して予想される価格を提示してもよい。
プロセッサ312は、価格情報332、ロード情報334、スパイク検出アルゴリズム324、スパイク価格アルゴリズム326、非スパイク価格アルゴリズム328及び特定の時間を使用して、特定の時間における価格を予測するように構成される。これら及び他の実施形態において、価格情報332、ロード情報334、スパイク検出アルゴリズム324、スパイク価格アルゴリズム326、非スパイク価格アルゴリズム328及び特定の時間は、価格を予測するためのコンピュータ読み取り可能な命令により、メモリ314にロードされてもよい。プロセッサ312は、コンピュータ読み取り可能な命令を実行し、価格情報332、ロード情報334、スパイク検出アルゴリズム324、スパイク価格アルゴリズム326、非スパイク価格アルゴリズム328及び特定の時間を利用して価格を予測してもよい。予測された価格は、提示するためにI/Oデバイスに提供されてもよいし、或いは、他のシステムやデバイスに送信するために通信モジュール316に提供されてもよい。
一般に、プロセッサ312は、様々なコンピュータハードウェア又はソフトウェアモジュールを含む適切な任意の特定用途向け又は汎用のコンピュータ、コンピューティング装置又は処理デバイスを含んでよいことに加えて、利用可能な任意のコンピュータ読み取り可能な記憶媒体に保存される命令を実行するように構成されてよい。例えば、プロセッサは、マイクロプロセッサ、マイクロコントローラ、ディジタル信号プロセッサ(DSP)、特定用途向け集積回路(ASIC)、フィールドプログラマブルゲートアレイ(FPGA)を含んでもよく、或いは、プログラム命令を解釈及び/又は実行する及び/又はデータを処理するように構成される任意の他のディジタル又はアナログ回路を含んでもよい。図3では単独のプロセッサとして示されているが、プロセッサ312は、本願で説明される任意数の処理を個別的又は集合的に実行するように構成される任意数のネットワーク又は物理ロケーションにわたって分散される任意数のプロセッサを含んでよいことが理解される。一実施形態において、プロセッサ312は、メモリ314に保存されるプログラム命令を解釈及び/又は実行し及び/又はメモリ314に保存されるデータを処理する。
メモリ314は、そこに保存されるコンピュータ実行可能な命令又はデータ構造を担う又は有するコンピュータ読み取り可能な記憶媒体又は1つ以上のコンピュータ読み取り可能な記憶媒体群を含んでもよい。そのようなコンピュータ読み取り可能な記憶媒体は、例えばプロセッサ312のような汎用又は専用のコンピュータによりアクセスされる利用可能な任意の媒体であってよい。限定ではない具体例として、そのようなコンピュータ読み取り可能な記憶媒体は非一時的なコンピュータ読み取り可能な記憶媒体を含み、例えば、ランダムアクセスメモリ(RAM)、リードオンリメモリ(ROM)、電気的に消去可能でプログラム可能なリードオンリメモリ(EEPROM)、コンパクトディスクリードオンリメモリ(CD-ROM)又は他の光ディスクストレージ、磁気ディスクストレージ又は他の磁気ストレージデバイス、フラッシュメモリデバイス(例えば、ソリッドステートメモリデバイス)、或いは、他の任意の記憶媒体を含み、その任意の記憶媒体は、コンピュータ実行可能な形式における所望のプログラムコード又はデータ構造を担う又は保存するために使用され、かつ、汎用又は専用のコンピュータによりアクセスされる。上記のものの組み合わせも、コンピュータ読み取り可能な記憶媒体の範囲内に包含されてよい。コンピュータ実行可能な命令は、例えば、所定の処理又は一群の処理を実行することをプロセッサ312に行わせるように構成される命令及びデータを含んでもよい。
本願の開示の範囲から逸脱することなく、システム300に対して修正、追加又は省略がなされてよい。例えば、第1データベース320は、予測システム310の一部分であってもよいし、或いは、ネットワーク302又は他のネットワークを介して予測システム310とネットワーク接続されてもよい。一実施形態において、予測システム310は、スパイク検出アルゴリズム324、スパイク価格アルゴリズム326、及び、非スパイク価格アルゴリズム328を生成してもよい。
図4は、商品の価格を予測するための本願で説明される少なくとも1つの実施形態により構成される方法例400のフローチャートである。方法400は、一実施形態では、図3のシステム300のようなシステムにより実現される。分離したブロックとして示されているが、様々なブロックは、所望の実現手段に依存して、追加的なブロックに分割されてもよいし、より少数のブロックに結合されてもよいし、或いは、省略されてもよい。
方法400はブロック402において始まり、商品の価格予測のために、将来的な特定の時間が取得される。特定の時間は、ユーザ、システムから提供されてもよいし、ランダムに生成されてもよい、或いは、他の方法で取得されてもよい。
ブロック404において、特定の時間に基づいて、商品の過去の価格情報が取得される。ブロック406において、価格情報は、スパイク価格閾値に基づいて、スパイク価格情報及び非スパイク価格情報に分解される。
ブロック408において、特定の時間における非スパイク価格が、非スパイク価格情報を用いて判定される。一実施形態において、特定の時間における非スパイク価格は、スパイク価格情報を利用することなく判定されてもよい。ブロック410において、価格情報に基づいて、特定の時間で価格スパイクが生じるか否かが判定される。
ブロック412では、その特定の時間に価格スパイクは生じない旨の判断に応じて、特定の時間における商品の予測価格として、非スパイク価格が提供される。
ブロック414では、その特定の時間に価格スパイクは生じる旨の判断に応じて、特定の時間における商品の予測価格として、スパイク価格が提供される。特定の時間におけるスパイク価格は、スパイク価格情報を利用して判定されてもよい。一実施形態において、特定の時間におけるスパイク価格は、非スパイク価格情報を利用することなく判定されてもよい。
一実施形態において、特定の時間におけるスパイク価格は、複数のスパイク価格アルゴリズムにスパイク価格情報を適用することにより判定されてもよい。これら及び他の実施形態において、スパイク価格は、複数のスパイク価格アルゴリズムの出力に基づいていてもよい。これら及び他の実施形態において、商品のロード情報及び商品の過去のスパイク価格情報に基づく複数の特徴を利用して、複数のスパイク価格アルゴリズムが生成されてもよい。複数のスパイク価格の各々は、複数の特徴のうちの一部分(部分集合)を利用して構成されてもよい。これら及び他の実施形態において、複数のスパイク価格アルゴリズムのうちの第1のものを生成するために使用される複数の特徴のうちの第1部分集合は、複数のスパイク価格アルゴリズムのうちの第2のものを生成するために使用される複数の特徴のうちの第2部分集合と異なっていてもよい。
一実施形態において、非スパイク価格を判定することは、第1価格アルゴリズムを利用して実行されてもよい。これら及び他の実施形態において、価格スパイクが生じるか否かを判定することは第2価格アルゴリズムを利用して実行されてもよく、スパイク価格を判定することは第3価格アルゴリズムを利用して実行されてもよい。これら及び他の実施形態において、第1、第2及び第3価格アルゴリズムはそれぞれ異なる価格アルゴリズムであってもよい。一実施形態において、第1価格アルゴリズムはニューラルネットワークアルゴリズムであり、第2価格アルゴリズムはサポートベクトルマシンであり、第3価格アルゴリズムは自己組織化マップであってもよい。
本願で開示されるこれら及び他のプロセス及び方法に関し、プロセス及び方法で実行される機能は異なる順序で実現されてもよいことを、当業者は認めるであろう。更に、説明されるステップ及び処理は例示として提供されているに過ぎず、開示される実施形態の本質から逸脱することなく、ステップ及び処理のうちのあるものは選択的であってもよいし、より少数のステップ及び処理に結合されてもよいし、或いは、追加的なステップ及び処理に拡張されてもよい。
例えば、方法400は、特定の時間における商品の第1の予測ロード情報を取得し、特定の時間における商品の第2の予測ロード情報を取得することを更に含んでもよい。これら及び他の実施形態において、過去の価格情報は、第1の過去の価格情報、第2の過去の価格情報、そして、将来の市場決済価格を含んでもよい。特定の時点における非スパイク価格は、非スパイク価格情報、第1の予測ロード情報、及び、第2の予測ロード情報を利用して判定されてもよい。これら及び他の実施形態において、特定の時間に価格スパイクが生じるか否かは、価格情報、第1の予測ロード情報及び第2の予測ロード情報に基づいて判定されてもよい。更に、特定の時間におけるスパイク価格は、スパイク価格情報、第1の予測ロード情報及び第2の予測ロード情報を利用して判定されてもよい。
一実施形態において、価格情報をスパイク価格情報及び非スパイク価格情報に分解することは、スパイク価格閾値に基づいて、価格情報における1つ以上のスパイク価格ポイントを判定することを更に含んでもよい。価格情報を分解することは、1つ以上のスパイク価格ポイントを非スパイク価格ポイントに変更することにより、非スパイク価格情報を生成することを更に含んでもよい。非スパイク価格ポイントの値は、非スパイク価格ポイントの値がスパイク価格閾値未満になるように、1つ上のスパイク価格ポイント各々に隣接する価格ポイントに基づいていてもよい。結果的に、これら及び他の実施形態においては、非スパイク価格情報の価格ポイントの全てがスパイク価格閾値未満の値を有する。価格情報の分解は、1つ上のスパイク価格ポイントとそれらの対応する非スパイク価格ポイントとの間の差分を収集すること(compiling)によって、スパイク価格情報を生成することを更に含んでもよい。
図5は、商品の価格を予測する本願で説明される少なくとも1つの実施形態により構成される別の方法例500のフローチャートである。方法500は、一実施形態では、図3のシステム300のようなシステムにより実現されてもよい。分離したブロックとして示されているが、様々なブロックは、所望の実現手段に依存して、追加的なブロックに分割されてもよいし、より少数のブロックに結合されてもよいし、或いは、省略されてもよい。
方法500はブロック502において始まり、商品の価格予測のために、将来的な特定の時間が取得される。ブロック504において、特定の時間に基づいて、商品の過去の価格情報が取得される。ブロック506において、価格情報における1つ上のスパイク価格ポイントが、スパイク価格閾値に基づいて判定される。
ブロック508において、1つ以上のスパイク価格ポイントを非スパイク価格ポイントに変更することにより、非スパイク価格情報が生成される。これら及び他の実施形態において、非スパイク価格ポイントの値は、非スパイク価格ポイントの値がスパイク価格閾値未満になるように、1つ以上のスパイク価格ポイントの各々に対する隣接する価格ポイントに基づいていてもよい。結果的に、これら及び他の実施形態において、非スパイク価格情報における全ての価格ポイントが、スパイク価格閾値未満の値を有する。
ブロック510において、1つ以上のスパイク価格ポイントとそれらの対応する非スパイク価格ポイントとの間の差分を収集することにより、スパイク価格情報が生成されてもよい。ブロック512において、特定の時間における非スパイク価格は、非スパイク価格情報を利用し、かつ、スパイク価格情報を利用せずに判定されてもよい。ブロック514において、特定の時間におけるスパイク価格は、スパイク価格情報を利用し、かつ、非スパイク価格情報を利用せずに判定されてもよい。
本願で開示されるこれら及び他のプロセス及び方法に関し、プロセス及び方法で実行される機能は異なる順序で実現されてもよいことを、当業者は認めるであろう。更に、説明されるステップ及び処理は具体例として提供されているに過ぎず、開示される実施形態の本質から逸脱することなく、ステップ及び処理のうちの何れかは、選択的であってもよいし、より少数のステップ及び処理に統合されてもよいし、或いは、追加的なステップ及び処理に拡張されてもよい。
例えば、方法500は、価格情報に基づいて、価格スパイクが特定の時間に生じるか否かを判定することを更に含んでもよい。価格スパイクが特定の時間に生じない旨の判断に応じて、特定の時間における商品の予測価格として、非スパイク価格が提供されてもよい。価格スパイクが特定の時間に生じる旨の判断に応じて、特定の時間における商品の予測価格として、スパイク価格が提供されてもよい。
これら及び他の実施形態において、非スパイク価格を判定することは第1価格アルゴリズムを利用して実行されてもよく、スパイク価格が生じるか否かを判定することは第2価格アルゴリズムを利用して実行されてもよく、スパイク価格を判定することは第3価格アルゴリズムを利用して実行されてもよい。これら及び他の実施形態において、第1、第2及び第3価格アルゴリズムは、それぞれ、異なるトレーニングデータを用いて構成された異なる価格アルゴリズムであってもよい。
一実施形態において、特定の時間におけるスパイク価格は、複数のスパイク価格アルゴリズムにスパイク価格情報を適用することにより判定されてもよい。これら及び他の実施形態において、スパイク価格は、複数のスパイク価格アルゴリズムの出力に基づいていてもよい。複数のスパイク価格アルゴリズムは、商品のロード情報と商品の過去のスパイク価格情報とに基づいて複数の特徴を利用して生成されてもよい。一実施形態において、複数のスパイク価格アルゴリズムの各々は、複数の特徴のうちの一部分を利用して構成されてもよい。複数のスパイク価格アルゴリズムのうち第1のものを生成するために使用される複数の特徴の第1部分は、複数のスパイク価格アルゴリズムのうち第2のものを生成するために使用される複数の特徴の第2部分と異なっていてもよい。
本願で説明されるシステム及び方法のうちの何れかは概して(汎用ハードウェアに保存される及び/又はそれにより実行される)ソフトウェアで実現されるように説明されるが、特定のハードウェア実現手段、又は、ソフトウェア及び特定のハードウェア実現手段の組み合わせも可能であり、本願で想定されている。本説明において、「コンピューティング装置」は、本願で上述されているような任意のコンピューティングシステム、任意のモジュール、或いは、コンピューティングシステムで動作するモジュールの任意の組み合わせであってもよい。
本願において(特に特許請求の範囲において)使用される用語は、概して、「開放的(open)」な用語として意図されている(例えば、「含んでいる(including)」という用語は、「含んではいるがそれらに限定されない」ように解釈されるべきであり、「有する(having)」という用語は「少なくとも有する」ように解釈されるべきであり、「含む(includes)」という用語は「含むがそれらに限定されない」ように解釈されるべきである)。
更に、導入される請求項の言及についての具体的な番号が意図される場合、そのような意向は請求項で明示的に言及され、そのような言及がなければそのような意向ではない。例えば、理解を促すように、添付の特許請求の範囲は、請求項の記述事項を導入する際に「少なくとも1つ」及び「1つ以上」のような導入的語句の使用を含むかもしれない。しかしながら、そのような語句の使用は、不定冠詞的な「或る」又は「ある」という請求項の記述事項の導入が、そのように導入された請求項の記述事項を含む何らかの特定の請求項を、そのような記述事項しか含まない実施形態に限定するようには解釈されるべきでなく、たとえ、同じ請求項が「1つ以上」又は「少なくとも1つ」のような導入的な語句及び「或る」又は「ある」のような不定冠詞的な用語を含んでいる場合でさえそうであり(例えば、「或る」及び/又は「ある」は「少なくとも1つ」又は「1つ以上」を意味するように解釈されるべきである);同様な事項は、請求項の記述事項を導入するために定冠詞的な用語を利用する場合にも成り立つ。
更に、導入される請求項の記述事項のうちの具体的な数字が明示的に言及される場合でさえ、そのような言及は、少なくとも、言及された数字を意味するように解釈されるべきであることを、当業者は認めるであろう(例えば、他の修飾を伴わない「2つの記述事項(recitation)」のうちの記述事項そのものは、少なくとも2つの記述事項、又は、2つ以上の記述事項を意味する)。更に、「A、B、及びC等のうちの少なくとも1つ」又は「A、B、及びC等のうちの1つ以上」のような慣例的な類似性が使用される例では、一般に、そのような構造は、Aのみ、Bのみ、Cのみ、A及びBがともにある場合、A及びCがともにある場合、B及びCが共にある場合、又は、A、B及びCが共にある場合等を含むように意図される。例えば、「及び/又は」という用語の使用は、この観点から解釈される。
更に、明細書、特許請求の範囲又は図面の何れにおいても、2つ以上の代替的な用語を示す何らかの離接的な(disjunctive)言葉又は語句は、用語のうちの1つ、何れかの用語、又は、双方の用語を含む可能性を想定するように理解されるべきである。例えば、「A又はB」という語句は、「A」又は「B」又は「A及びB」の可能性を含むように理解されるべきである。
本願で言及される全ての具体例及び条件的な言葉は、発明者が技術進歩に貢献した発明及び概念を読者が理解することを支援するように教育的目的に意図されており、そのように具体的に言及される具体例や条件に限定せずに本発明は解釈されるべきである。本開示による実施形態が詳細に記述されてきたが、本開示の精神及び範囲から逸脱することなく、様々な変更、置換及び代替がそれらに対してなされることが可能であることが、理解されるべきである。
以上の実施の形態に関し、更に以下の付記を開示する。
(付記1)
商品の価格を予測する方法であって:
商品の価格予測のための将来の特定の時間を取得する工程;
前記特定の時間に基づいて前記商品の過去の価格情報を取得する工程;
スパイク価格閾値に基づいて、前記価格情報を、スパイク価格情報及び非スパイク価格情報に分解する工程;
第1の機械学習価格アルゴリズムを利用して、前記非スパイク価格情報に基づいて、前記特定の時間における非スパイク価格を判定する工程;
第2の機械学習価格アルゴリズムを利用して、前記価格情報に基づいて、前記特定の時間において価格スパイクが生じるか否かを判定する工程;
前記特定の時間における前記商品の予測価格を提供する工程であって、前記価格スパイクが前記特定の時間において生じない旨の判断に応じて、前記商品の予測価格は前記非スパイク価格となり、前記価格スパイクが前記特定の時間において生じる旨の判断に応じて、前記商品の予測価格はスパイク価格となり、前記特定の時間における前記スパイク価格は、第3の機械学習価格アルゴリズムを利用して、前記スパイク価格情報に基づいて判定される、工程;
を有する方法。
商品の価格を予測する方法であって:
商品の価格予測のための将来の特定の時間を取得する工程;
前記特定の時間に基づいて前記商品の過去の価格情報を取得する工程;
スパイク価格閾値に基づいて、前記価格情報を、スパイク価格情報及び非スパイク価格情報に分解する工程;
第1の機械学習価格アルゴリズムを利用して、前記非スパイク価格情報に基づいて、前記特定の時間における非スパイク価格を判定する工程;
第2の機械学習価格アルゴリズムを利用して、前記価格情報に基づいて、前記特定の時間において価格スパイクが生じるか否かを判定する工程;
前記特定の時間における前記商品の予測価格を提供する工程であって、前記価格スパイクが前記特定の時間において生じない旨の判断に応じて、前記商品の予測価格は前記非スパイク価格となり、前記価格スパイクが前記特定の時間において生じる旨の判断に応じて、前記商品の予測価格はスパイク価格となり、前記特定の時間における前記スパイク価格は、第3の機械学習価格アルゴリズムを利用して、前記スパイク価格情報に基づいて判定される、工程;
を有する方法。
(付記2)
前記第1、第2及び第3の機械学習価格アルゴリズムはそれぞれ異なる機械学習価格アルゴリズムである、付記1に記載の方法。
前記第1、第2及び第3の機械学習価格アルゴリズムはそれぞれ異なる機械学習価格アルゴリズムである、付記1に記載の方法。
(付記3)
前記第1の機械学習価格アルゴリズムはニューラルネットワークアルゴリズムであり、前記第2の機械学習価格アルゴリズムはサポートベクトルマシンであり、前記第3の機械学習価格アルゴリズムは自己組織化マップである、付記2に記載の方法。
前記第1の機械学習価格アルゴリズムはニューラルネットワークアルゴリズムであり、前記第2の機械学習価格アルゴリズムはサポートベクトルマシンであり、前記第3の機械学習価格アルゴリズムは自己組織化マップである、付記2に記載の方法。
(付記4)
前記特定の時間における前記非スパイク価格は前記スパイク価格情報を利用せずに判定され、前記特定の時間における前記スパイク価格は前記非スパイク価格情報を利用せずに判定される、付記1に記載の方法。
前記特定の時間における前記非スパイク価格は前記スパイク価格情報を利用せずに判定され、前記特定の時間における前記スパイク価格は前記非スパイク価格情報を利用せずに判定される、付記1に記載の方法。
(付記5)
前記価格情報をスパイク価格情報及び非スパイク価格情報に分解する工程が:
前記スパイク価格閾値に基づいて、前記価格情報における1つ以上のスパイク価格ポイントを判定する工程;
前記1つ以上のスパイク価格ポイントを非スパイク価格ポイントに変更することにより、前記非スパイク価格情報を生成する工程であって、前記非スパイク価格ポイントの値が前記スパイク価格閾値未満となり前記非スパイク価格情報における全ての価格ポイントが前記スパイク価格閾値未満の値を有するように、前記非スパイク価格ポイントの値は前記1つ以上のスパイク価格ポイント各々の隣接する価格ポイントに基づく、工程;
前記1つ以上のスパイク価格ポイントとそれらの対応する非スパイク価格ポイントとの間の差分を収集することにより、前記スパイク価格情報を生成する工程;
を更に有する付記1に記載の方法。
前記価格情報をスパイク価格情報及び非スパイク価格情報に分解する工程が:
前記スパイク価格閾値に基づいて、前記価格情報における1つ以上のスパイク価格ポイントを判定する工程;
前記1つ以上のスパイク価格ポイントを非スパイク価格ポイントに変更することにより、前記非スパイク価格情報を生成する工程であって、前記非スパイク価格ポイントの値が前記スパイク価格閾値未満となり前記非スパイク価格情報における全ての価格ポイントが前記スパイク価格閾値未満の値を有するように、前記非スパイク価格ポイントの値は前記1つ以上のスパイク価格ポイント各々の隣接する価格ポイントに基づく、工程;
前記1つ以上のスパイク価格ポイントとそれらの対応する非スパイク価格ポイントとの間の差分を収集することにより、前記スパイク価格情報を生成する工程;
を更に有する付記1に記載の方法。
(付記6)
当該方法は、
前記特定の時間における前記商品の第1の予測ロード情報を取得する工程;及び
前記特定の時間より前の前記商品の第2の予測ロード情報を取得する工程;
を更に有し、前記過去の価格情報は、第1の過去の価格情報と、第2の過去の価格情報と、将来の市場決済価格とを含み、
前記特定の時間における前記非スパイク価格は、前記非スパイク価格情報、前記第1の予測ロード情報、及び、前記第2の予測ロード情報を利用して判定され、
前記特定の時間において価格スパイクが生じるか否かは、前記価格情報、前記第1の予測ロード情報、及び、前記第2の予測ロード情報に基づいて判定され、
前記特定の時間における前記スパイク価格は、前記スパイク価格情報、前記第1の予測ロード情報、及び、前記第2の予測ロード情報を利用して判定される、
付記1に記載の方法。
当該方法は、
前記特定の時間における前記商品の第1の予測ロード情報を取得する工程;及び
前記特定の時間より前の前記商品の第2の予測ロード情報を取得する工程;
を更に有し、前記過去の価格情報は、第1の過去の価格情報と、第2の過去の価格情報と、将来の市場決済価格とを含み、
前記特定の時間における前記非スパイク価格は、前記非スパイク価格情報、前記第1の予測ロード情報、及び、前記第2の予測ロード情報を利用して判定され、
前記特定の時間において価格スパイクが生じるか否かは、前記価格情報、前記第1の予測ロード情報、及び、前記第2の予測ロード情報に基づいて判定され、
前記特定の時間における前記スパイク価格は、前記スパイク価格情報、前記第1の予測ロード情報、及び、前記第2の予測ロード情報を利用して判定される、
付記1に記載の方法。
(付記7)
前記特定の時間における前記スパイク価格は、複数の機械学習スパイク価格アルゴリズムに前記スパイク価格情報を適用することにより判定され、前記スパイク価格は前記複数の機械学習スパイク価格アルゴリズムの出力に基づく、
付記1に記載の方法。
前記特定の時間における前記スパイク価格は、複数の機械学習スパイク価格アルゴリズムに前記スパイク価格情報を適用することにより判定され、前記スパイク価格は前記複数の機械学習スパイク価格アルゴリズムの出力に基づく、
付記1に記載の方法。
(付記8)
前記特定の時間における前記スパイク価格は、前記複数の機械学習スパイク価格アルゴリズムの出力の平均であり、当該方法は、前記複数の機械学習スパイク価格アルゴリズムの出力の確率分布関数に基づいて、前記複数の機械学習スパイク価格アルゴリズムの出力の平均に関する信頼区間を生成する工程を更に有する、
付記7に記載の方法。
前記特定の時間における前記スパイク価格は、前記複数の機械学習スパイク価格アルゴリズムの出力の平均であり、当該方法は、前記複数の機械学習スパイク価格アルゴリズムの出力の確率分布関数に基づいて、前記複数の機械学習スパイク価格アルゴリズムの出力の平均に関する信頼区間を生成する工程を更に有する、
付記7に記載の方法。
(付記9)
前記複数の機械学習スパイク価格アルゴリズムは、前記商品のロード情報と前記商品の過去のスパイク価格情報とに基づいて、複数の特徴を利用して生成され、前記複数の機械学習スパイク価格アルゴリズムの各々は、前記複数の特徴のうちの一部分を使用して構成され、前記複数の機械学習スパイク価格アルゴリズムのうち第1のものを生成するのに使用される前記複数の特徴のうちの第1部分は、前記複数の機械学習スパイク価格アルゴリズムのうち第2のものを生成するのに使用される前記複数の特徴のうちの第2部分と異なる、
付記7に記載の方法。
前記複数の機械学習スパイク価格アルゴリズムは、前記商品のロード情報と前記商品の過去のスパイク価格情報とに基づいて、複数の特徴を利用して生成され、前記複数の機械学習スパイク価格アルゴリズムの各々は、前記複数の特徴のうちの一部分を使用して構成され、前記複数の機械学習スパイク価格アルゴリズムのうち第1のものを生成するのに使用される前記複数の特徴のうちの第1部分は、前記複数の機械学習スパイク価格アルゴリズムのうち第2のものを生成するのに使用される前記複数の特徴のうちの第2部分と異なる、
付記7に記載の方法。
(付記10)
命令を含む1つ以上の非一時的なコンピュータ読み取り可能な媒体であって、前記命令は、1つ以上のプロセッサにより実行される場合に、商品の価格を予測するための処理を実行し、前記処理は:
商品の価格予測のための将来の特定の時間を取得する工程;
前記特定の時間に基づいて前記商品の過去の価格情報を取得する工程;
スパイク価格閾値に基づいて、前記価格情報を、スパイク価格情報及び非スパイク価格情報に分解する工程;
第1の機械学習価格アルゴリズムを利用して、前記非スパイク価格情報に基づいて、前記特定の時間における非スパイク価格を判定する工程;
第2の機械学習価格アルゴリズムを利用して、前記価格情報に基づいて、前記特定の時間において価格スパイクが生じるか否かを判定する工程;
前記特定の時間における前記商品の予測価格を提供する工程であって、前記価格スパイクが前記特定の時間において生じない旨の判断に応じて、前記商品の予測価格は前記非スパイク価格となり、前記価格スパイクが前記特定の時間において生じる旨の判断に応じて、前記商品の予測価格はスパイク価格となり、前記特定の時間における前記スパイク価格は、第3の機械学習価格アルゴリズムを利用して、前記スパイク価格情報に基づいて判定される、工程;
を有する、1つ以上の非一時的なコンピュータ読み取り可能な媒体。
命令を含む1つ以上の非一時的なコンピュータ読み取り可能な媒体であって、前記命令は、1つ以上のプロセッサにより実行される場合に、商品の価格を予測するための処理を実行し、前記処理は:
商品の価格予測のための将来の特定の時間を取得する工程;
前記特定の時間に基づいて前記商品の過去の価格情報を取得する工程;
スパイク価格閾値に基づいて、前記価格情報を、スパイク価格情報及び非スパイク価格情報に分解する工程;
第1の機械学習価格アルゴリズムを利用して、前記非スパイク価格情報に基づいて、前記特定の時間における非スパイク価格を判定する工程;
第2の機械学習価格アルゴリズムを利用して、前記価格情報に基づいて、前記特定の時間において価格スパイクが生じるか否かを判定する工程;
前記特定の時間における前記商品の予測価格を提供する工程であって、前記価格スパイクが前記特定の時間において生じない旨の判断に応じて、前記商品の予測価格は前記非スパイク価格となり、前記価格スパイクが前記特定の時間において生じる旨の判断に応じて、前記商品の予測価格はスパイク価格となり、前記特定の時間における前記スパイク価格は、第3の機械学習価格アルゴリズムを利用して、前記スパイク価格情報に基づいて判定される、工程;
を有する、1つ以上の非一時的なコンピュータ読み取り可能な媒体。
(付記11)
前記第1の機械学習価格アルゴリズムはニューラルネットワークアルゴリズムであり、前記第2の機械学習価格アルゴリズムはサポートベクトルマシンであり、前記第3の機械学習価格アルゴリズムは自己組織化マップである、付記10に記載の1つ以上の非一時的なコンピュータ読み取り可能な媒体。
前記第1の機械学習価格アルゴリズムはニューラルネットワークアルゴリズムであり、前記第2の機械学習価格アルゴリズムはサポートベクトルマシンであり、前記第3の機械学習価格アルゴリズムは自己組織化マップである、付記10に記載の1つ以上の非一時的なコンピュータ読み取り可能な媒体。
(付記12)
前記特定の時間における前記非スパイク価格は前記スパイク価格情報を利用せずに判定され、前記特定の時間における前記スパイク価格は前記非スパイク価格情報を利用せずに判定される、付記10に記載の1つ以上の非一時的なコンピュータ読み取り可能な媒体。
前記特定の時間における前記非スパイク価格は前記スパイク価格情報を利用せずに判定され、前記特定の時間における前記スパイク価格は前記非スパイク価格情報を利用せずに判定される、付記10に記載の1つ以上の非一時的なコンピュータ読み取り可能な媒体。
(付記13)
前記価格情報をスパイク価格情報及び非スパイク価格情報に分解する工程が:
前記スパイク価格閾値に基づいて、前記価格情報における1つ以上のスパイク価格ポイントを判定する工程;
前記1つ以上のスパイク価格ポイントを非スパイク価格ポイントに変更することにより、前記非スパイク価格情報を生成する工程であって、前記非スパイク価格ポイントの値が前記スパイク価格閾値未満となり前記非スパイク価格情報における全ての価格ポイントが前記スパイク価格閾値未満の値を有するように、前記非スパイク価格ポイントの値は前記1つ以上のスパイク価格ポイント各々の隣接する価格ポイントに基づく、工程;
前記1つ以上のスパイク価格ポイントとそれらの対応する非スパイク価格ポイントとの間の差分を収集することにより、前記スパイク価格情報を生成する工程;
を更に有する、付記10に記載の1つ以上の非一時的なコンピュータ読み取り可能な媒体。
前記価格情報をスパイク価格情報及び非スパイク価格情報に分解する工程が:
前記スパイク価格閾値に基づいて、前記価格情報における1つ以上のスパイク価格ポイントを判定する工程;
前記1つ以上のスパイク価格ポイントを非スパイク価格ポイントに変更することにより、前記非スパイク価格情報を生成する工程であって、前記非スパイク価格ポイントの値が前記スパイク価格閾値未満となり前記非スパイク価格情報における全ての価格ポイントが前記スパイク価格閾値未満の値を有するように、前記非スパイク価格ポイントの値は前記1つ以上のスパイク価格ポイント各々の隣接する価格ポイントに基づく、工程;
前記1つ以上のスパイク価格ポイントとそれらの対応する非スパイク価格ポイントとの間の差分を収集することにより、前記スパイク価格情報を生成する工程;
を更に有する、付記10に記載の1つ以上の非一時的なコンピュータ読み取り可能な媒体。
(付記14)
前記処理が:
前記特定の時間における前記商品の第1の予測ロード情報を取得する工程;及び
前記特定の時間より前の前記商品の第2の予測ロード情報を取得する工程;
を更に有し、前記過去の価格情報は、第1の過去の価格情報と、第2の過去の価格情報と、将来の市場決済価格とを含み、
前記特定の時間における前記非スパイク価格は、前記非スパイク価格情報、前記第1の予測ロード情報、及び、前記第2の予測ロード情報を利用して判定され、
前記特定の時間において価格スパイクが生じるか否かは、前記価格情報、前記第1の予測ロード情報、及び、前記第2の予測ロード情報に基づいて判定され、
前記特定の時間における前記スパイク価格は、前記スパイク価格情報、前記第1の予測ロード情報、及び、前記第2の予測ロード情報を利用して判定される、
付記10に記載の1つ以上の非一時的なコンピュータ読み取り可能な媒体。
前記処理が:
前記特定の時間における前記商品の第1の予測ロード情報を取得する工程;及び
前記特定の時間より前の前記商品の第2の予測ロード情報を取得する工程;
を更に有し、前記過去の価格情報は、第1の過去の価格情報と、第2の過去の価格情報と、将来の市場決済価格とを含み、
前記特定の時間における前記非スパイク価格は、前記非スパイク価格情報、前記第1の予測ロード情報、及び、前記第2の予測ロード情報を利用して判定され、
前記特定の時間において価格スパイクが生じるか否かは、前記価格情報、前記第1の予測ロード情報、及び、前記第2の予測ロード情報に基づいて判定され、
前記特定の時間における前記スパイク価格は、前記スパイク価格情報、前記第1の予測ロード情報、及び、前記第2の予測ロード情報を利用して判定される、
付記10に記載の1つ以上の非一時的なコンピュータ読み取り可能な媒体。
(付記15)
前記特定の時間における前記スパイク価格は、複数の機械学習スパイク価格アルゴリズムに前記スパイク価格情報を適用することにより判定され、前記スパイク価格は前記複数の機械学習スパイク価格アルゴリズムの出力に基づく、
付記10に記載の1つ以上の非一時的なコンピュータ読み取り可能な媒体。
前記特定の時間における前記スパイク価格は、複数の機械学習スパイク価格アルゴリズムに前記スパイク価格情報を適用することにより判定され、前記スパイク価格は前記複数の機械学習スパイク価格アルゴリズムの出力に基づく、
付記10に記載の1つ以上の非一時的なコンピュータ読み取り可能な媒体。
(付記16)
前記複数の機械学習スパイク価格アルゴリズムは、前記商品のロード情報と前記商品の過去のスパイク価格情報とに基づいて、複数の特徴を利用して生成され、前記複数の機械学習スパイク価格アルゴリズムの各々は、前記複数の特徴のうちの一部分を使用して構成され、前記複数の機械学習スパイク価格アルゴリズムのうち第1のものを生成するのに使用される前記複数の特徴のうちの第1部分は、前記複数の機械学習スパイク価格アルゴリズムのうち第2のものを生成するのに使用される前記複数の特徴のうちの第2部分と異なる、
付記15に記載の1つ以上の非一時的なコンピュータ読み取り可能な媒体。
前記複数の機械学習スパイク価格アルゴリズムは、前記商品のロード情報と前記商品の過去のスパイク価格情報とに基づいて、複数の特徴を利用して生成され、前記複数の機械学習スパイク価格アルゴリズムの各々は、前記複数の特徴のうちの一部分を使用して構成され、前記複数の機械学習スパイク価格アルゴリズムのうち第1のものを生成するのに使用される前記複数の特徴のうちの第1部分は、前記複数の機械学習スパイク価格アルゴリズムのうち第2のものを生成するのに使用される前記複数の特徴のうちの第2部分と異なる、
付記15に記載の1つ以上の非一時的なコンピュータ読み取り可能な媒体。
(付記17)
商品の価格を予測する方法であって:
商品の価格予測のための将来の特定の時間を取得する工程;
前記特定の時間に基づいて前記商品の過去の価格情報を取得する工程;
スパイク価格閾値に基づいて前記価格情報における1つ以上のスパイク価格ポイントを判定する工程;
前記1つ以上のスパイク価格ポイントを非スパイク価格ポイントに変更することにより、非スパイク価格情報を生成する工程であって、前記非スパイク価格ポイントの値が前記スパイク価格閾値未満となり前記非スパイク価格情報における全ての価格ポイントが前記スパイク価格閾値未満の値を有するように、前記非スパイク価格ポイントの値は前記1つ以上のスパイク価格ポイント各々の隣接する価格ポイントに基づく、工程;
前記1つ以上のスパイク価格ポイントとそれらの対応する非スパイク価格ポイントとの間の差分を収集することにより、前記スパイク価格情報を生成する工程;
第1の機械学習価格アルゴリズムを利用して、前記非スパイク価格情報を利用しかつ前記スパイク価格情報を利用せずに、前記特定の時間における非スパイク価格を判定する工程;及び
第2の機械学習価格アルゴリズムを利用して、前記スパイク価格情報を利用しかつ前記非スパイク価格情報を利用せずに、前記特定の時間におけるスパイク価格を判定する工程;
を有する方法。
商品の価格を予測する方法であって:
商品の価格予測のための将来の特定の時間を取得する工程;
前記特定の時間に基づいて前記商品の過去の価格情報を取得する工程;
スパイク価格閾値に基づいて前記価格情報における1つ以上のスパイク価格ポイントを判定する工程;
前記1つ以上のスパイク価格ポイントを非スパイク価格ポイントに変更することにより、非スパイク価格情報を生成する工程であって、前記非スパイク価格ポイントの値が前記スパイク価格閾値未満となり前記非スパイク価格情報における全ての価格ポイントが前記スパイク価格閾値未満の値を有するように、前記非スパイク価格ポイントの値は前記1つ以上のスパイク価格ポイント各々の隣接する価格ポイントに基づく、工程;
前記1つ以上のスパイク価格ポイントとそれらの対応する非スパイク価格ポイントとの間の差分を収集することにより、前記スパイク価格情報を生成する工程;
第1の機械学習価格アルゴリズムを利用して、前記非スパイク価格情報を利用しかつ前記スパイク価格情報を利用せずに、前記特定の時間における非スパイク価格を判定する工程;及び
第2の機械学習価格アルゴリズムを利用して、前記スパイク価格情報を利用しかつ前記非スパイク価格情報を利用せずに、前記特定の時間におけるスパイク価格を判定する工程;
を有する方法。
(付記18)
第3の機械学習価格アルゴリズムを利用して、前記価格情報に基づいて、前記特定の時間に価格スパイクが生じるか否かを判定する工程;及び
前記特定の時間における前記商品の予測価格を提供する工程であって、前記価格スパイクが前記特定の時間において生じない旨の判断に応じて、前記商品の予測価格は前記非スパイク価格となり、前記価格スパイクが前記特定の時間において生じる旨の判断に応じて、前記商品の予測価格は前記スパイク価格となる、工程;
を更に有する付記17に記載の方法。
第3の機械学習価格アルゴリズムを利用して、前記価格情報に基づいて、前記特定の時間に価格スパイクが生じるか否かを判定する工程;及び
前記特定の時間における前記商品の予測価格を提供する工程であって、前記価格スパイクが前記特定の時間において生じない旨の判断に応じて、前記商品の予測価格は前記非スパイク価格となり、前記価格スパイクが前記特定の時間において生じる旨の判断に応じて、前記商品の予測価格は前記スパイク価格となる、工程;
を更に有する付記17に記載の方法。
(付記19)
前記第1、第2及び第3の機械学習価格アルゴリズムは、それぞれ、異なるトレーニングデータを利用して構成された異なる価格アルゴリズムである、付記18に記載の方法。
前記第1、第2及び第3の機械学習価格アルゴリズムは、それぞれ、異なるトレーニングデータを利用して構成された異なる価格アルゴリズムである、付記18に記載の方法。
(付記20)
前記特定の時間における前記スパイク価格は、複数の機械学習スパイク価格アルゴリズムに前記スパイク価格情報を適用することにより判定され、
前記スパイク価格は前記複数の機械学習スパイク価格アルゴリズムの出力に基づき、前記複数の機械学習スパイク価格アルゴリズムは、前記商品のロード情報と前記商品の過去のスパイク価格情報とに基づいて複数の特徴を利用して生成され、
前記複数の機械学習スパイク価格アルゴリズムの各々は、前記複数の特徴のうちの一部分を使用して構成され、前記複数の機械学習スパイク価格アルゴリズムのうち第1のものを生成するのに使用される前記複数の特徴のうちの第1部分は、前記複数の機械学習スパイク価格アルゴリズムのうち第2のものを生成するのに使用される前記複数の特徴のうちの第2部分と異なる、
付記19に記載の方法。
前記特定の時間における前記スパイク価格は、複数の機械学習スパイク価格アルゴリズムに前記スパイク価格情報を適用することにより判定され、
前記スパイク価格は前記複数の機械学習スパイク価格アルゴリズムの出力に基づき、前記複数の機械学習スパイク価格アルゴリズムは、前記商品のロード情報と前記商品の過去のスパイク価格情報とに基づいて複数の特徴を利用して生成され、
前記複数の機械学習スパイク価格アルゴリズムの各々は、前記複数の特徴のうちの一部分を使用して構成され、前記複数の機械学習スパイク価格アルゴリズムのうち第1のものを生成するのに使用される前記複数の特徴のうちの第1部分は、前記複数の機械学習スパイク価格アルゴリズムのうち第2のものを生成するのに使用される前記複数の特徴のうちの第2部分と異なる、
付記19に記載の方法。
Claims (20)
- 商品の価格を予測する方法であって:
商品の価格予測のための将来の特定の時間を取得する工程;
前記特定の時間に基づいて前記商品の過去の価格情報を取得する工程;
スパイク価格閾値に基づいて、前記価格情報を、スパイク価格情報及び非スパイク価格情報に分解する工程;
第1の機械学習価格アルゴリズムを利用して、前記非スパイク価格情報に基づいて、前記特定の時間における非スパイク価格を判定する工程;
第2の機械学習価格アルゴリズムを利用して、前記価格情報に基づいて、前記特定の時間において価格スパイクが生じるか否かを判定する工程;
前記特定の時間における前記商品の予測価格を提供する工程であって、前記価格スパイクが前記特定の時間において生じない旨の判断に応じて、前記商品の予測価格は前記非スパイク価格となり、前記価格スパイクが前記特定の時間において生じる旨の判断に応じて、前記商品の予測価格はスパイク価格となり、前記特定の時間における前記スパイク価格は、第3の機械学習価格アルゴリズムを利用して、前記スパイク価格情報に基づいて判定される、工程;
を有する方法。 - 前記第1、第2及び第3の機械学習価格アルゴリズムはそれぞれ異なる機械学習価格アルゴリズムである、請求項1に記載の方法。
- 前記第1の機械学習価格アルゴリズムはニューラルネットワークアルゴリズムであり、前記第2の機械学習価格アルゴリズムはサポートベクトルマシンであり、前記第3の機械学習価格アルゴリズムは自己組織化マップである、請求項2に記載の方法。
- 前記特定の時間における前記非スパイク価格は前記スパイク価格情報を利用せずに判定され、前記特定の時間における前記スパイク価格は前記非スパイク価格情報を利用せずに判定される、請求項1に記載の方法。
- 前記価格情報をスパイク価格情報及び非スパイク価格情報に分解する工程が:
前記スパイク価格閾値に基づいて、前記価格情報における1つ以上のスパイク価格ポイントを判定する工程;
前記1つ以上のスパイク価格ポイントを非スパイク価格ポイントに変更することにより、前記非スパイク価格情報を生成する工程であって、前記非スパイク価格ポイントの値が前記スパイク価格閾値未満となり前記非スパイク価格情報における全ての価格ポイントが前記スパイク価格閾値未満の値を有するように、前記非スパイク価格ポイントの値は前記1つ以上のスパイク価格ポイント各々の隣接する価格ポイントに基づく、工程;
前記1つ以上のスパイク価格ポイントとそれらの対応する非スパイク価格ポイントとの間の差分を収集することにより、前記スパイク価格情報を生成する工程;
を更に有する請求項1に記載の方法。 - 当該方法は、
前記特定の時間における前記商品の第1の予測ロード情報を取得する工程;及び
前記特定の時間より前の前記商品の第2の予測ロード情報を取得する工程;
を更に有し、前記過去の価格情報は、第1の過去の価格情報と、第2の過去の価格情報と、将来の市場決済価格とを含み、
前記特定の時間における前記非スパイク価格は、前記非スパイク価格情報、前記第1の予測ロード情報、及び、前記第2の予測ロード情報を利用して判定され、
前記特定の時間において価格スパイクが生じるか否かは、前記価格情報、前記第1の予測ロード情報、及び、前記第2の予測ロード情報に基づいて判定され、
前記特定の時間における前記スパイク価格は、前記スパイク価格情報、前記第1の予測ロード情報、及び、前記第2の予測ロード情報を利用して判定される、
請求項1に記載の方法。 - 前記特定の時間における前記スパイク価格は、複数の機械学習スパイク価格アルゴリズムに前記スパイク価格情報を適用することにより判定され、前記スパイク価格は前記複数の機械学習スパイク価格アルゴリズムの出力に基づく、
請求項1に記載の方法。 - 前記特定の時間における前記スパイク価格は、前記複数の機械学習スパイク価格アルゴリズムの出力の平均であり、当該方法は、前記複数の機械学習スパイク価格アルゴリズムの出力の確率分布関数に基づいて、前記複数の機械学習スパイク価格アルゴリズムの出力の平均に関する信頼区間を生成する工程を更に有する、
請求項7に記載の方法。 - 前記複数の機械学習スパイク価格アルゴリズムは、前記商品のロード情報と前記商品の過去のスパイク価格情報とに基づいて、複数の特徴を利用して生成され、前記複数の機械学習スパイク価格アルゴリズムの各々は、前記複数の特徴のうちの一部分を使用して構成され、前記複数の機械学習スパイク価格アルゴリズムのうち第1のものを生成するのに使用される前記複数の特徴のうちの第1部分は、前記複数の機械学習スパイク価格アルゴリズムのうち第2のものを生成するのに使用される前記複数の特徴のうちの第2部分と異なる、
請求項7に記載の方法。 - 命令を含む1つ以上の非一時的なコンピュータ読み取り可能な媒体であって、前記命令は、1つ以上のプロセッサにより実行される場合に、商品の価格を予測するための処理を実行し、前記処理は:
商品の価格予測のための将来の特定の時間を取得する工程;
前記特定の時間に基づいて前記商品の過去の価格情報を取得する工程;
スパイク価格閾値に基づいて、前記価格情報を、スパイク価格情報及び非スパイク価格情報に分解する工程;
第1の機械学習価格アルゴリズムを利用して、前記非スパイク価格情報に基づいて、前記特定の時間における非スパイク価格を判定する工程;
第2の機械学習価格アルゴリズムを利用して、前記価格情報に基づいて、前記特定の時間において価格スパイクが生じるか否かを判定する工程;
前記特定の時間における前記商品の予測価格を提供する工程であって、前記価格スパイクが前記特定の時間において生じない旨の判断に応じて、前記商品の予測価格は前記非スパイク価格となり、前記価格スパイクが前記特定の時間において生じる旨の判断に応じて、前記商品の予測価格はスパイク価格となり、前記特定の時間における前記スパイク価格は、第3の機械学習価格アルゴリズムを利用して、前記スパイク価格情報に基づいて判定される、工程;
を有する、1つ以上の非一時的なコンピュータ読み取り可能な媒体。 - 前記第1の機械学習価格アルゴリズムはニューラルネットワークアルゴリズムであり、前記第2の機械学習価格アルゴリズムはサポートベクトルマシンであり、前記第3の機械学習価格アルゴリズムは自己組織化マップである、請求項10に記載の1つ以上の非一時的なコンピュータ読み取り可能な媒体。
- 前記特定の時間における前記非スパイク価格は前記スパイク価格情報を利用せずに判定され、前記特定の時間における前記スパイク価格は前記非スパイク価格情報を利用せずに判定される、請求項10に記載の1つ以上の非一時的なコンピュータ読み取り可能な媒体。
- 前記価格情報をスパイク価格情報及び非スパイク価格情報に分解する工程が:
前記スパイク価格閾値に基づいて、前記価格情報における1つ以上のスパイク価格ポイントを判定する工程;
前記1つ以上のスパイク価格ポイントを非スパイク価格ポイントに変更することにより、前記非スパイク価格情報を生成する工程であって、前記非スパイク価格ポイントの値が前記スパイク価格閾値未満となり前記非スパイク価格情報における全ての価格ポイントが前記スパイク価格閾値未満の値を有するように、前記非スパイク価格ポイントの値は前記1つ以上のスパイク価格ポイント各々の隣接する価格ポイントに基づく、工程;
前記1つ以上のスパイク価格ポイントとそれらの対応する非スパイク価格ポイントとの間の差分を収集することにより、前記スパイク価格情報を生成する工程;
を更に有する、請求項10に記載の1つ以上の非一時的なコンピュータ読み取り可能な媒体。 - 前記処理が:
前記特定の時間における前記商品の第1の予測ロード情報を取得する工程;及び
前記特定の時間より前の前記商品の第2の予測ロード情報を取得する工程;
を更に有し、前記過去の価格情報は、第1の過去の価格情報と、第2の過去の価格情報と、将来の市場決済価格とを含み、
前記特定の時間における前記非スパイク価格は、前記非スパイク価格情報、前記第1の予測ロード情報、及び、前記第2の予測ロード情報を利用して判定され、
前記特定の時間において価格スパイクが生じるか否かは、前記価格情報、前記第1の予測ロード情報、及び、前記第2の予測ロード情報に基づいて判定され、
前記特定の時間における前記スパイク価格は、前記スパイク価格情報、前記第1の予測ロード情報、及び、前記第2の予測ロード情報を利用して判定される、
請求項10に記載の1つ以上の非一時的なコンピュータ読み取り可能な媒体。 - 前記特定の時間における前記スパイク価格は、複数の機械学習スパイク価格アルゴリズムに前記スパイク価格情報を適用することにより判定され、前記スパイク価格は前記複数の機械学習スパイク価格アルゴリズムの出力に基づく、
請求項10に記載の1つ以上の非一時的なコンピュータ読み取り可能な媒体。 - 前記複数の機械学習スパイク価格アルゴリズムは、前記商品のロード情報と前記商品の過去のスパイク価格情報とに基づいて、複数の特徴を利用して生成され、前記複数の機械学習スパイク価格アルゴリズムの各々は、前記複数の特徴のうちの一部分を使用して構成され、前記複数の機械学習スパイク価格アルゴリズムのうち第1のものを生成するのに使用される前記複数の特徴のうちの第1部分は、前記複数の機械学習スパイク価格アルゴリズムのうち第2のものを生成するのに使用される前記複数の特徴のうちの第2部分と異なる、
請求項15に記載の1つ以上の非一時的なコンピュータ読み取り可能な媒体。 - 商品の価格を予測する方法であって:
商品の価格予測のための将来の特定の時間を取得する工程;
前記特定の時間に基づいて前記商品の過去の価格情報を取得する工程;
スパイク価格閾値に基づいて前記価格情報における1つ以上のスパイク価格ポイントを判定する工程;
前記1つ以上のスパイク価格ポイントを非スパイク価格ポイントに変更することにより、非スパイク価格情報を生成する工程であって、前記非スパイク価格ポイントの値が前記スパイク価格閾値未満となり前記非スパイク価格情報における全ての価格ポイントが前記スパイク価格閾値未満の値を有するように、前記非スパイク価格ポイントの値は前記1つ以上のスパイク価格ポイント各々の隣接する価格ポイントに基づく、工程;
前記1つ以上のスパイク価格ポイントとそれらの対応する非スパイク価格ポイントとの間の差分を収集することにより、前記スパイク価格情報を生成する工程;
第1の機械学習価格アルゴリズムを利用して、前記非スパイク価格情報を利用しかつ前記スパイク価格情報を利用せずに、前記特定の時間における非スパイク価格を判定する工程;及び
第2の機械学習価格アルゴリズムを利用して、前記スパイク価格情報を利用しかつ前記非スパイク価格情報を利用せずに、前記特定の時間におけるスパイク価格を判定する工程;
を有する方法。 - 第3の機械学習価格アルゴリズムを利用して、前記価格情報に基づいて、前記特定の時間に価格スパイクが生じるか否かを判定する工程;及び
前記特定の時間における前記商品の予測価格を提供する工程であって、前記価格スパイクが前記特定の時間において生じない旨の判断に応じて、前記商品の予測価格は前記非スパイク価格となり、前記価格スパイクが前記特定の時間において生じる旨の判断に応じて、前記商品の予測価格は前記スパイク価格となる、工程;
を更に有する請求項17に記載の方法。 - 前記第1、第2及び第3の機械学習価格アルゴリズムは、それぞれ、異なるトレーニングデータを利用して構成された異なる価格アルゴリズムである、請求項18に記載の方法。
- 前記特定の時間における前記スパイク価格は、複数の機械学習スパイク価格アルゴリズムに前記スパイク価格情報を適用することにより判定され、
前記スパイク価格は前記複数の機械学習スパイク価格アルゴリズムの出力に基づき、前記複数の機械学習スパイク価格アルゴリズムは、前記商品のロード情報と前記商品の過去のスパイク価格情報とに基づいて複数の特徴を利用して生成され、
前記複数の機械学習スパイク価格アルゴリズムの各々は、前記複数の特徴のうちの一部分を使用して構成され、前記複数の機械学習スパイク価格アルゴリズムのうち第1のものを生成するのに使用される前記複数の特徴のうちの第1部分は、前記複数の機械学習スパイク価格アルゴリズムのうち第2のものを生成するのに使用される前記複数の特徴のうちの第2部分と異なる、
請求項19に記載の方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/701,448 | 2015-04-30 | ||
US14/701,448 US20160321750A1 (en) | 2015-04-30 | 2015-04-30 | Commodity price forecasting |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2016212825A true JP2016212825A (ja) | 2016-12-15 |
Family
ID=57205568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015242425A Pending JP2016212825A (ja) | 2015-04-30 | 2015-12-11 | 商品価格予測のための装置及び方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20160321750A1 (ja) |
JP (1) | JP2016212825A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3736774A1 (en) | 2019-05-09 | 2020-11-11 | Fujitsu Limited | Rule presentation method, storage medium, and rule presentation apparatus |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10690364B2 (en) * | 2015-09-08 | 2020-06-23 | International Business Machines Corporation | Predictive analytics to determine optimal structure control |
US10181165B2 (en) | 2016-02-12 | 2019-01-15 | Fujitsu Limited | Critical peak pricing demand response participant assessment |
CN110210672A (zh) * | 2019-06-04 | 2019-09-06 | 北京百度网讯科技有限公司 | 用电量预测的方法和装置、电子设备、计算机可读介质 |
CN111753097B (zh) * | 2020-06-22 | 2023-11-14 | 国能日新科技股份有限公司 | 基于深度学习的电力现货交易出清的数据分析方法及装置 |
US10878505B1 (en) * | 2020-07-31 | 2020-12-29 | Agblox, Inc. | Curated sentiment analysis in multi-layer, machine learning-based forecasting model using customized, commodity-specific neural networks |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7194434B2 (en) * | 2000-06-15 | 2007-03-20 | Sergio Piccioli | Method for predictive determination of financial investment performance |
GB0110249D0 (en) * | 2001-04-26 | 2001-06-20 | Barings Ltd Ing | Method of and apparatus for automatically pricing a commodity |
US20030182250A1 (en) * | 2002-03-19 | 2003-09-25 | Mohammad Shihidehpour | Technique for forecasting market pricing of electricity |
US8271374B2 (en) * | 2002-07-29 | 2012-09-18 | The McGraw-Hill Companies | Method for assessing a commodity price and assessment determined thereby |
US7693801B2 (en) * | 2004-04-22 | 2010-04-06 | Hewlett-Packard Development Company, L.P. | Method and system for forecasting commodity prices using capacity utilization data |
US8306886B2 (en) * | 2009-01-16 | 2012-11-06 | Future Beef Partners Inc. | System and method for predicting future prices of a cut meat |
-
2015
- 2015-04-30 US US14/701,448 patent/US20160321750A1/en not_active Abandoned
- 2015-12-11 JP JP2015242425A patent/JP2016212825A/ja active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3736774A1 (en) | 2019-05-09 | 2020-11-11 | Fujitsu Limited | Rule presentation method, storage medium, and rule presentation apparatus |
Also Published As
Publication number | Publication date |
---|---|
US20160321750A1 (en) | 2016-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2016212825A (ja) | 商品価格予測のための装置及び方法 | |
JP6852392B2 (ja) | 確率的価格及び急変予測 | |
Keles et al. | Extended forecast methods for day-ahead electricity spot prices applying artificial neural networks | |
Li et al. | A novel time-of-use tariff design based on Gaussian Mixture Model | |
Papadimitriou et al. | Forecasting energy markets using support vector machines | |
Tang et al. | A novel hybrid ensemble learning paradigm for nuclear energy consumption forecasting | |
Lin et al. | An enhanced radial basis function network for short-term electricity price forecasting | |
Cincotti et al. | Modeling and forecasting of electricity spot-prices: Computational intelligence vs classical econometrics | |
EP3115959B1 (en) | Data analysis system and method | |
Paraschiv et al. | A spot-forward model for electricity prices with regime shifts | |
Shao et al. | A new electricity price prediction strategy using mutual information-based SVM-RFE classification | |
WO2013071414A1 (en) | System, method and computer program for forecasting energy price | |
WO2018222308A1 (en) | Time-based features and moving windows sampling for machine learning | |
US20120078814A1 (en) | System and method for forecasting realized volatility via wavelets and non-linear dynamics | |
WO2021077226A1 (en) | Method and system for individual demand forecasting | |
CN114782201A (zh) | 股票推荐方法、装置、计算机设备和存储介质 | |
Li et al. | Travel time prediction in transport and logistics: Towards more efficient vehicle GPS data management using tree ensemble methods | |
CN110796379B (zh) | 业务渠道的风险评估方法、装置、设备及存储介质 | |
Corredera et al. | Prescriptive selection of machine learning hyperparameters with applications in power markets: Retailer’s optimal trading | |
Falini et al. | Spline based Hermite quasi-interpolation for univariate time series | |
JP7101403B2 (ja) | 電力取引支援装置及び電力取引支援方法 | |
Shrivastava et al. | Prediction interval estimation for electricity price and demand using support vector machines | |
Stübinger et al. | Financial market predictions with Factorization Machines: Trading the opening hour based on overnight social media data | |
Nikolic | Price determinants of newly built dwellings in Serbia | |
JP6753919B2 (ja) | 電力使用量に基づいた売上予測システムおよびその方法 |