JP2019021207A - 生成装置、生成方法、及び生成プログラム - Google Patents
生成装置、生成方法、及び生成プログラム Download PDFInfo
- Publication number
- JP2019021207A JP2019021207A JP2017141213A JP2017141213A JP2019021207A JP 2019021207 A JP2019021207 A JP 2019021207A JP 2017141213 A JP2017141213 A JP 2017141213A JP 2017141213 A JP2017141213 A JP 2017141213A JP 2019021207 A JP2019021207 A JP 2019021207A
- Authority
- JP
- Japan
- Prior art keywords
- information
- user
- generation
- target
- model
- 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
- 238000000034 method Methods 0.000 title claims description 53
- 238000013507 mapping Methods 0.000 claims abstract description 149
- 230000009471 action Effects 0.000 claims abstract description 103
- 230000006399 behavior Effects 0.000 description 155
- 238000003860 storage Methods 0.000 description 96
- 230000008569 process Effects 0.000 description 29
- 238000010586 diagram Methods 0.000 description 24
- 238000013500 data storage Methods 0.000 description 17
- 238000004519 manufacturing process Methods 0.000 description 17
- 101150086549 adt-1 gene Proteins 0.000 description 10
- 230000010365 information processing Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000012447 hatching Effects 0.000 description 7
- 101001111655 Homo sapiens Retinol dehydrogenase 11 Proteins 0.000 description 6
- 102100037224 Noncompact myelin-associated protein Human genes 0.000 description 6
- 101710184695 Noncompact myelin-associated protein Proteins 0.000 description 6
- 102100023916 Retinol dehydrogenase 11 Human genes 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 101001005165 Bos taurus Lens fiber membrane intrinsic protein Proteins 0.000 description 5
- 101150016799 ADT2 gene Proteins 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 101100216981 Arabidopsis thaliana ADT5 gene Proteins 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 101150077336 ADT3 gene Proteins 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【解決手段】本願に係る生成装置は、予測部と、生成部とを有する。予測部は、各ユーザの行動情報に基づいて、各ユーザによる所定の対象に関する行動の確率に関連する情報を予測する。生成部は、予測部により予測された前記各ユーザの確率に関連する情報に基づいて、前記各ユーザを前記所定の対象とは異なる他の対象に関してマッピングしたマッピング情報を生成する。
【選択図】図4
Description
〔1.予測処理〕
まず、図1を用いて、実施形態に係る予測処理の一例について説明する。図1は、実施形態に係る予測処理の一例を示す図である。図1の例では、生成装置100は、各ユーザの行動情報に基づいて、各ユーザによる所定の対象に関する行動の確率に関連する情報であるスコアを予測する。図1の例では、生成装置100は、各ユーザの行動情報に基づいて、ユーザがA商品を購入するかどうかの確率を示す予測情報を生成する。生成装置100が予測するユーザの行動は、上記に限らず、種々の行動であってもよい。例えば、生成装置100が予測するユーザの行動は、ある金融機関の口座開設やあるサービスの会員入会等を含む種々の設定された目標のコンバージョン(達成)であってもよい。
まず、図1の説明に先立って、図3に示す生成システム1について説明する。図3に示すように、生成システム1は、端末装置10と、生成装置100とが含まれる。端末装置10と、生成装置100とは所定のネットワークNを介して、有線または無線により通信可能に接続される。図3は、実施形態に係る生成システムの構成例を示す図である。なお、図3に示した生成システム1には、複数台の端末装置10や、複数台の生成装置100が含まれてもよい。
次に、図2を用いて、実施形態に係る生成処理の一例について説明する。図2は、実施形態に係る生成処理の一例を示す図である。図2の例では、生成装置100は、予測対象「A商品購入」について予測した予測情報を、他の対象「アプリ(利用)」に関してマッピング(写像)したマッピング情報を生成する。
また、図2の例では、曜日及び時間帯の組合せに基づく区分ごとに含有率をマッピングする例を示したが、マッピングする情報は含有率に限らず、種々の情報であってもよい。例えば、生成装置100は、期待値や平均確率や中央値や最頻値等を区分ごとにマッピングしたマッピング情報を生成してもよい。例えば、生成装置100は、ある区分に含まれる全ユーザの確率を示すスコアを用いてその区分の平均確率を示すスコアや中央値や最頻値等を算出し、マッピングしたマッピング情報を生成してもよい。
(2−2−1.他の情報)
また、図2の例では、曜日及び時間帯の組合せに基づく区分ごとにマッピングする例を示したが、区分は、曜日や時間帯に限らず種々の情報であってもよい。例えば、生成装置100は、ユーザの位置情報に関する区分ごとにマッピングを行ってもよい。例えば、生成装置100は、所定の領域ごとに分割されたエリアに対応する区分ごとにマッピングを行ってもよい。例えば、生成装置100は、図13に示すマッピング情報MP21のように、エリアAR21〜AR24等ごとにマッピングを行ってもよい。図13は、他のマッピング例を示す図である。具体的には、図13は、A商品の購入をアプリにマッピングする場合において、マッピングの区分を「曜日×時間帯」から「エリア(位置)」に変更したマッピング情報を示す。
また、生成装置100は、マッピング対象を細分化した区分ごとにマッピング情報を生成してもよい。例えば、生成装置100は、マッピング対象であるアプリをカテゴリごとに細分化した区分ごとにマッピング情報を生成してもよい。例えば、生成装置100は、マッピング対象であるアプリを、「ゲーム」、「天気」、「路線」等のカテゴリごとに細分化した区分ごとにマッピング情報を生成してもよい。また、例えば、生成装置100は、マッピング対象であるアプリを具体的なアプリ名(コンテンツ)ごとに細分化した区分ごとにマッピング情報を生成してもよい。例えば、生成装置100は、マッピング対象であるアプリを、「Aアプリ」、「Bアプリ」、「Cアプリ」等の具体的なアプリ名ごとに細分化した区分ごとにマッピング情報を生成してもよい。
図2の例では、アプリを対象とし、曜日及び時間帯の組合せを区分として、マッピング情報を生成する場合を示したが、例えば、生成装置100は、曜日や時間帯を対象として、マッピング情報を生成してもよい。この場合、例えば、生成装置100は、曜日及び時間帯の組合せを対象として、マッピング情報を生成してもよい。例えば、生成装置100は、曜日及び時間帯の組合せごとに含まれる全ユーザを対象として、その中に含まれる行動有ユーザに関するマッピング情報を生成してもよい。
例えば、生成装置100は、図1の例で用いるモデルM1を生成する場合、正解情報に対応する行動情報を除いた行動情報を入力とするモデルM1を生成してもよい。例えば、生成装置100は、正解情報である「A商品の購入」に対応する行動情報を行動情報から除いて、モデルM1を生成してもよい。また、例えば、生成装置100は、モデルM1の特徴量(素性)を指定する場合、正解情報である「A商品の購入」に対応する特徴量を含まないようにモデルM1の特徴量を設定してもよい。これにより、生成装置100は、モデルM1にA商品の購入に関する行動情報を含まないユーザの行動情報が入力された場合に、正確に予測することができる。なお、モデルの生成についての詳細は後述する。
次に、図4を用いて、実施形態に係る生成装置100の構成について説明する。図4は、実施形態に係る生成装置の構成例を示す図である。図4に示すように、生成装置100は、通信部110と、記憶部120と、制御部130とを有する。なお、生成装置100は、生成装置100の管理者等から各種操作を受け付ける入力部(例えば、キーボードやマウス等)や、各種情報を表示するための表示部(例えば、液晶ディスプレイ等)を有してもよい。
通信部110は、例えば、NIC(Network Interface Card)等によって実現される。そして、通信部110は、ネットワークNと有線または無線で接続され、端末装置10との間で情報の送受信を行う。
記憶部120は、例えば、RAM(Random Access Memory)、フラッシュメモリ(Flash Memory)等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。実施形態に係る記憶部120は、図4に示すように、学習データ記憶部121と、モデル情報記憶部122と、行動情報記憶部123と、予測情報記憶部124と、マッピング対象情報記憶部125と、マッピング情報記憶部126とを有する。
実施形態に係る学習データ記憶部121は、学習データに関する各種情報を記憶する。図5は、実施形態に係る学習データ記憶部の一例を示す図である。例えば、学習データ記憶部121は、モデルの生成に用いる教師データを記憶する。図5に示す学習データ記憶部121には、「データID」、「ユーザID」、「正解情報」、「行動情報」といった項目が含まれる。
実施形態に係るモデル情報記憶部122は、モデルに関する情報を記憶する。例えば、モデル情報記憶部122は、生成処理により生成されたモデル情報(モデルデータ)を記憶する。図6は、実施形態に係るモデル情報記憶部の一例を示す図である。図6に示すモデル情報記憶部122は、「モデルID」、「予測対象」、「モデルデータ」といった項目が含まれる。なお、図6では、モデルM1、M2、M3のみを図示するが、M4、M5等、各予測対象に応じて多数のモデル情報が記憶されてもよい。
実施形態に係る行動情報記憶部123は、ユーザの行動に関する各種情報を記憶する。図7は、実施形態に係る行動情報記憶部の一例を示す図である。例えば、行動情報記憶部123は、各ユーザの行動等の各種の行動情報を記憶する。図7に示す行動情報記憶部123には、「ユーザID」、「行動情報」といった項目が含まれる。
実施形態に係る予測情報記憶部124は、予測に関する各種情報を記憶する。図8は、実施形態に係る予測情報記憶部の一例を示す図である。図8に示す予測情報記憶部124は、「予測対象」、「ユーザID」、「スコア」、「有無」といった項目を有する。図8に示す予測情報記憶部124は、図2において予測したユーザU1〜U5等の予測対象の行動を行う可能性に関する情報を示す。
実施形態に係るマッピング対象情報記憶部125は、ユーザの行動に関する各種情報を記憶する。図9は、実施形態に係るマッピング対象情報記憶部の一例を示す図である。例えば、マッピング対象情報記憶部125は、各ユーザの行動等の各種の行動情報を記憶する。図9に示すマッピング対象情報記憶部125には、「マッピング対象」、「ユーザID」、「種別」、「日時」といった項目が含まれる。
実施形態に係るマッピング情報記憶部126は、マッピングに関する各種情報を記憶する。図10は、実施形態に係るマッピング情報記憶部の一例を示す図である。例えば、マッピング情報記憶部126は、曜日及び時間により分割された区分ごとのマッピング情報を記憶する。
図4の説明に戻って、制御部130は、コントローラ(controller)であり、例えば、CPU(Central Processing Unit)やMPU(Micro Processing Unit)等によって、生成装置100内部の記憶装置に記憶されている各種プログラム(予測プログラムや生成プログラムの一例に相当)がRAMを作業領域として実行されることにより実現される。また、制御部130は、コントローラであり、例えば、ASIC(Application Specific Integrated Circuit)やFPGA(Field Programmable Gate Array)等の集積回路により実現される。制御部130は、モデル情報記憶部122に記憶されているモデルM1等に従った情報処理により、ユーザの行動情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第1要素と、第1要素と第1要素の重みとに基づいて値が算出される第2要素と、を含み、入力層に入力された行動情報に対し、出力層以外の各層に属する各要素を第1要素として、第1要素と第1要素の重みとに基づく演算を行うことにより、ユーザによる所定の対象に関する行動の確率に関連する情報の予測に用いられるスコアの値を出力層から出力する。
取得部131は、各種情報を取得する。例えば、取得部131は、学習データ記憶部121と、モデル情報記憶部122と、行動情報記憶部123と、予測情報記憶部124と、マッピング対象情報記憶部125と、マッピング情報記憶部126等から各種情報を取得する。また、取得部131は、各種情報を外部の情報処理装置から取得してもよい。また、取得部131は、各種情報を端末装置10等から取得してもよい。例えば、取得部131は、端末装置10からユーザの行動情報を取得する。
予測部132は、各種情報を予測する。予測部132は、モデル情報記憶部122に記憶されたモデルを用いて種々の情報を予測する。例えば、予測部132は、取得部131により取得された各種情報に基づいて、種々の情報を予測する。予測部132は、ユーザの行動情報をモデルに入力することにより、ユーザによる所定の対象に関する行動の確率に関連する情報を予測する。
生成部133は、各種情報を生成する。また、生成部133は、予測情報記憶部124に記憶された予測情報と、マッピング対象情報記憶部125に記憶されたマッピング対象情報に基づいて、各ユーザを所定の対象とは異なる他の対象に関してマッピングしたマッピング情報を生成する。
提供部134は、各種情報を提供する。例えば、提供部134は、端末装置10に各種情報を提供する。提供部134は、予測部132により予測された予測情報に基づくサービスを提供してもよい。例えば、提供部134は、生成部133により生成されたモデルに関する情報を外部の情報処理装置へ提供してもよい。また、例えば、提供部134は、モデルが出力する情報を外部の情報処理装置へ提供してもよい。例えば、提供部134は、生成部133により生成されたマッピング情報を外部の情報処理装置へ提供する。
次に、図11を用いて、実施形態に係る生成システム1による生成処理の手順について説明する。図11は、実施形態に係る予測処理の一例を示すフローチャートである。
次に、図12を用いて、実施形態に係る生成システム1による生成処理の手順について説明する。図12は、実施形態に係る生成処理の一例を示すフローチャートである。
上述してきたように、実施形態に係る生成装置100は、予測部132と、生成部133とを有する。予測部132は、各ユーザの行動情報に基づいて、各ユーザによる所定の対象に関する行動の確率に関連する情報を予測する。また、生成部133は、予測部132により予測された各ユーザの確率に関連する情報に基づいて、各ユーザを所定の対象とは異なる他の対象に関してマッピングしたマッピング情報を生成する。
上述してきた実施形態に係る生成装置100は、例えば図14に示すような構成のコンピュータ1000によって実現される。図14は、生成装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ1000は、CPU1100、RAM1200、ROM(Read Only Memory)1300、HDD(Hard Disk Drive)1400、通信インターフェイス(I/F)1500、入出力インターフェイス(I/F)1600、及びメディアインターフェイス(I/F)1700を有する。
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
100 生成装置
121 学習データ記憶部
122 モデル情報記憶部
123 行動情報記憶部
124 予測情報記憶部
125 マッピング対象情報記憶部
126 マッピング情報記憶部
130 制御部
131 取得部
132 予測部
133 生成部
134 提供部
10 端末装置
N ネットワーク
Claims (13)
- 各ユーザの行動情報に基づいて、前記各ユーザによる所定の対象に関する行動の確率に関連する情報を予測する予測部と、
前記予測部により予測された前記各ユーザの確率に関連する情報に基づいて、前記各ユーザを前記所定の対象とは異なる他の対象に関してマッピングしたマッピング情報を生成する生成部と、
を備えることを特徴とする生成装置。 - 前記予測部は、
前記他の対象に関する行動を行った前記各ユーザの行動情報に基づいて、前記各ユーザによる所定の対象に関する行動の確率に関連する情報を予測する
ことを特徴とする請求項1に記載の生成装置。 - 前記予測部は、
前記他の対象に関する行動以外の前記各ユーザの行動情報に基づいて、前記各ユーザによる所定の対象に関する行動の確率に関連する情報を予測する
ことを特徴とする請求項1または請求項2に記載の生成装置。 - 前記生成部は、
前記各ユーザのうち、前記確率に関連する情報が所定の条件を満たすユーザである対象ユーザの数に関する情報を含む前記マッピング情報を生成する
ことを特徴とする請求項1〜3のいずれか1項に記載の生成装置。 - 前記生成部は、
前記各ユーザのうち、前記確率に関連する情報が所定の閾値以上である対象ユーザの数に関する情報を含む前記マッピング情報を生成する
ことを特徴とする請求項4に記載の生成装置。 - 前記生成部は、
前記各ユーザにおける前記対象ユーザの数に基づく指標値を含む前記マッピング情報を生成する
ことを特徴とする請求項4または請求項5に記載の生成装置。 - 前記生成部は、
前記各ユーザにおける前記対象ユーザの割合を示す含有率を含む前記マッピング情報を生成する
ことを特徴とする請求項4〜6のいずれか1項に記載の生成装置。 - 前記生成部は、
所定の基準に基づいて分割された区分ごとに前記マッピング情報を生成する
ことを特徴とする請求項1〜7のいずれか1項に記載の生成装置。 - 前記生成部は、
時間に基づいて分割された区分ごとに前記マッピング情報を生成する
ことを特徴とする請求項8に記載の生成装置。 - 前記生成部は、
曜日に基づいて分割された区分ごとに前記マッピング情報を生成する
ことを特徴とする請求項8または請求項9に記載の生成装置。 - 前記生成部は、
位置に基づいて分割された区分ごとに前記マッピング情報を生成する
ことを特徴とする請求項8〜10のいずれか1項に記載の生成装置。 - コンピュータが実行する生成方法であって、
各ユーザの行動情報に基づいて、前記各ユーザによる所定の対象に関する行動の確率に関連する情報を予測する予測工程と、
前記予測工程により予測された前記各ユーザの確率に関連する情報に基づいて、前記各ユーザを前記所定の対象とは異なる他の対象に関してマッピングしたマッピング情報を生成する生成工程と、
を含むことを特徴とする生成方法。 - 各ユーザの行動情報に基づいて、前記各ユーザによる所定の対象に関する行動の確率に関連する情報を予測する予測手順と、
前記予測手順により予測された前記各ユーザの確率に関連する情報に基づいて、前記各ユーザを前記所定の対象とは異なる他の対象に関してマッピングしたマッピング情報を生成する生成手順と、
をコンピュータに実行させることを特徴とする生成プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017141213A JP6938259B2 (ja) | 2017-07-20 | 2017-07-20 | 生成装置、生成方法、及び生成プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017141213A JP6938259B2 (ja) | 2017-07-20 | 2017-07-20 | 生成装置、生成方法、及び生成プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019021207A true JP2019021207A (ja) | 2019-02-07 |
JP6938259B2 JP6938259B2 (ja) | 2021-09-22 |
Family
ID=65353006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017141213A Active JP6938259B2 (ja) | 2017-07-20 | 2017-07-20 | 生成装置、生成方法、及び生成プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6938259B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7164683B1 (ja) * | 2021-08-19 | 2022-11-01 | ヤフー株式会社 | 情報処理装置、情報処理方法、及び情報処理プログラム |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006513462A (ja) * | 2002-03-20 | 2006-04-20 | カタリナ マーケティング インターナショナル,インク. | 予測された行動に基づくターゲット・インセンティブ |
JP2007011723A (ja) * | 2005-06-30 | 2007-01-18 | Canon Marketing Japan Inc | 集計装置、集計方法、プログラム及び記録媒体 |
JP2010198243A (ja) * | 2009-02-24 | 2010-09-09 | Oki Electric Ind Co Ltd | 行動予測装置および行動予測方法 |
JP2015079331A (ja) * | 2013-10-16 | 2015-04-23 | カルチュア・コンビニエンス・クラブ株式会社 | 顧客データ分析・検証システム |
JP2015184764A (ja) * | 2014-03-20 | 2015-10-22 | ヤフー株式会社 | 行動予測装置、行動予測方法、及び行動予測プログラム |
JP2016042297A (ja) * | 2014-08-18 | 2016-03-31 | ヤフー株式会社 | 学習装置、学習方法及び学習プログラム |
-
2017
- 2017-07-20 JP JP2017141213A patent/JP6938259B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006513462A (ja) * | 2002-03-20 | 2006-04-20 | カタリナ マーケティング インターナショナル,インク. | 予測された行動に基づくターゲット・インセンティブ |
JP2007011723A (ja) * | 2005-06-30 | 2007-01-18 | Canon Marketing Japan Inc | 集計装置、集計方法、プログラム及び記録媒体 |
JP2010198243A (ja) * | 2009-02-24 | 2010-09-09 | Oki Electric Ind Co Ltd | 行動予測装置および行動予測方法 |
JP2015079331A (ja) * | 2013-10-16 | 2015-04-23 | カルチュア・コンビニエンス・クラブ株式会社 | 顧客データ分析・検証システム |
JP2015184764A (ja) * | 2014-03-20 | 2015-10-22 | ヤフー株式会社 | 行動予測装置、行動予測方法、及び行動予測プログラム |
JP2016042297A (ja) * | 2014-08-18 | 2016-03-31 | ヤフー株式会社 | 学習装置、学習方法及び学習プログラム |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7164683B1 (ja) * | 2021-08-19 | 2022-11-01 | ヤフー株式会社 | 情報処理装置、情報処理方法、及び情報処理プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP6938259B2 (ja) | 2021-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chan et al. | Multi-objective particle swarm optimisation based integrated production inventory routing planning for efficient perishable food logistics operations | |
JP7292824B2 (ja) | 予測装置、予測方法、及び予測プログラム | |
Lin et al. | Hybrid evolutionary optimisation with learning for production scheduling: state-of-the-art survey on algorithms and applications | |
Claveria et al. | Combination forecasts of tourism demand with machine learning models | |
JP6823612B2 (ja) | 予測装置、予測方法、及び予測プログラム | |
CN107784390A (zh) | 用户生命周期的识别方法、装置、电子设备及存储介质 | |
Klepac | Developing churn models using data mining techniques and social network analysis | |
Kumaran et al. | Long-term sector-wise electrical energy forecasting using artificial neural network and biogeography-based optimization | |
US20200143252A1 (en) | Finite rank deep kernel learning for robust time series forecasting and regression | |
US20230206280A1 (en) | Message-transmittal strategy optimization | |
Ghiasi et al. | A new spinning reserve requirement prediction with hybrid model | |
Rahmaniani et al. | Variable neighborhood search based evolutionary algorithm and several approximations for balanced location–allocation design problem | |
Natarajan et al. | Boosting relational dependency networks | |
JP7249103B2 (ja) | 選択装置、選択方法、及び選択プログラム | |
Faraz et al. | The robust economic statistical design of the hotelling's T2 chart | |
Makridis et al. | Enhanced food safety through deep learning for food recalls prediction | |
JP7348230B2 (ja) | 生成装置、生成方法、及び生成プログラム | |
Ravulapati et al. | A reinforcement learning approach to stochastic business games | |
Kaya et al. | Fuzzy forecast combining for apparel demand forecasting | |
JP6938259B2 (ja) | 生成装置、生成方法、及び生成プログラム | |
Adhikari et al. | Time series forecasting through a dynamic weighted ensemble approach | |
JP6985059B2 (ja) | 生成装置、生成方法、及び生成プログラム | |
Patil | Using ensemble and metaheuristics learning principles with artificial neural networks to improve due date prediction performance | |
JP2019036116A (ja) | 決定装置、決定方法、及び決定プログラム | |
Li et al. | [Retracted] Real‐Time Prediction of Cross‐Border e‐Commerce Spike Performance Based on Neural Network and Decision Tree |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20191101 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20191108 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200309 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201218 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210126 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210315 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210803 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210901 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6938259 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |