JP2019053433A - 予測装置、予測方法、及び予測プログラム - Google Patents

予測装置、予測方法、及び予測プログラム Download PDF

Info

Publication number
JP2019053433A
JP2019053433A JP2017176107A JP2017176107A JP2019053433A JP 2019053433 A JP2019053433 A JP 2019053433A JP 2017176107 A JP2017176107 A JP 2017176107A JP 2017176107 A JP2017176107 A JP 2017176107A JP 2019053433 A JP2019053433 A JP 2019053433A
Authority
JP
Japan
Prior art keywords
business
information
prediction
predetermined
demand
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
Application number
JP2017176107A
Other languages
English (en)
Other versions
JP6736530B2 (ja
Inventor
博基 谷口
Hiroki Taniguchi
博基 谷口
玲 田島
Rei Tajima
玲 田島
孝太 坪内
Kota Tsubouchi
孝太 坪内
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yahoo Japan Corp
Original Assignee
Yahoo Japan Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yahoo Japan Corp filed Critical Yahoo Japan Corp
Priority to JP2017176107A priority Critical patent/JP6736530B2/ja
Publication of JP2019053433A publication Critical patent/JP2019053433A/ja
Application granted granted Critical
Publication of JP6736530B2 publication Critical patent/JP6736530B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】所定の事業者の事業の対象に対する需要を適切に予測する予測装置、予測方法、予測プログラム、学習データ、及びモデルを提供する。【解決手段】本願に係る予測装置は、取得部と、予測部とを有する。取得部は、所定の事業者の事業に関する情報である事業情報を取得する。予測部は、取得部により取得された事業情報に基づいて、所定の事業者の事業の対象に関する需要を予測する。【選択図】図４

Description

本発明は、予測装置、予測方法、予測プログラム、学習データ、及びモデルに関する。
従来、種々の需要を予測する技術が提供されている。例えば、少なくともＰＯＩ（興味のある地点：Point of Interest）データを含むユーザの検索データに基づいて、ユーザのニーズ情報を決定する技術が提供されている。
特開２０１７−１６６２５号公報
しかしながら、上記の従来技術では、所定の事業者の事業の対象に対する需要を適切に予測することができるとは限らない。例えば、上記の従来技術では、少なくともＰＯＩデータが必要であるため、ＰＯＩデータが十分でなかったり、ＰＯＩデータが不正確であったりした場合等、適切に需要を予測することが難しい場合がある。
本願は、上記に鑑みてなされたものであって、所定の事業者の事業の対象に対する需要を適切に予測する予測装置、予測方法、予測プログラム、学習データ、及びモデルを提供することを目的とする。
本願に係る予測装置は、所定の事業者の事業に関する情報である事業情報を取得する取得部と、前記取得部により取得された前記事業情報に基づいて、前記所定の事業者の事業の対象に関する需要を予測する予測部と、を備えたことを特徴とする。
実施形態の一態様によれば、所定の事業者の事業の対象に対する需要を適切に予測することができるという効果を奏する。
図１は、実施形態に係る生成処理の一例を示す図である。 図２は、実施形態に係る予測処理の一例を示す図である。 図３は、実施形態に係る予測システムの構成例を示す図である。 図４は、実施形態に係る予測装置の構成例を示す図である。 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。 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７は、実施形態に係る需要情報記憶部の一例を示す図である。 図８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。 図９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。 図１０は、予測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。
以下に、本願に係る予測装置、予測方法、予測プログラム、学習データ、及びモデルを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る予測装置、予測方法、予測プログラム、学習データ、及びモデルが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。
（実施形態）
〔１．生成処理〕
まず、図１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１は、実施形態に係る生成処理の一例を示す図である。図１では、予測装置１００がある事業者の事業内容や事業者の位置（エリア）に対応する予約に関する情報（予約情報）や検索に関する情報（検索情報）等を含む事業情報を用いてモデルの生成を行う場合を示す。なお、事業情報については、上記に限らず種々の情報が含まれるが、事業情報の詳細については後述する。
また、図１では、予測装置１００がある事業者の実績に基づく各日時における需要の高低を示す情報を正解情報としてモデルの生成を行う場合を示す。例えば、正解情報は、全体の平均の需要に対する正解情報に対応する日時（期間）における需要の高低を示す情報であってもよい。図１の例では、正解情報は、全体の平均の売上に対する正解情報に対応する日時における売上の高低を、需要の高低として示す情報であってもよい。以下では、正解情報が対応付けられた事業情報を「学習データ」ともいう。
また、予測装置１００は、生成したモデルを用いて、事業者に関する情報（事業者情報）やある日時における事業者のエリアに対応する分析用情報等を含む事業情報に基づいて、その日時後の所定の日時における事業者の事業の対象に対する需要を予測する。また、予測装置１００は、予測した事業者の事業の対象に対する需要を示す情報に基づいて、サービスを提供したりするが、この点については図２で説明する。
〔予測システムの構成〕
まず、図１の説明に先立って、図３に示す予測システム１について説明する。図３に示すように、予測システム１は、事業者装置１０と、情報提供装置５０と、予測装置１００とが含まれる。事業者装置１０と、情報提供装置５０と、予測装置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、実施形態に係る予測システムの構成例を示す図である。なお、図３に示した予測システム１には、複数台の事業者装置１０や、複数台の情報提供装置５０や、複数台の予測装置１００が含まれてもよい。
事業者装置１０は、事業者によって利用される情報処理装置である。なお、ここでいう事業者とは、法人に限らず個人であってもよく、企業や行政機関や公共団体や公共交通機関等の種々の事業者を含む概念であるものとする。図１及び図２の例では事業者装置１０は、Ａエリアに位置するパン屋ＭＡであるものとする。
事業者装置１０は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等により実現される。なお、以下では、事業者装置１０を事業者と表記する場合がある。すなわち、以下では、管理者を事業者装置１０と読み替えることもできる。図２に示すパン屋ＭＡの管理者ＳＡ１は、事業者装置１０を操作することにより、予測装置１００の情報を表示したり、予測装置１００に処理を要求したりしてもよい。
情報提供装置５０は、ユーザに種々のサービスを提供する情報処理装置である。なお、情報提供装置５０は、ユーザに提供される種々のサービスに関する情報を提供する情報処理装置であってもよい。例えば、情報提供装置５０は、鉄道や飛行機等の移動手段やホテル等の宿泊施設や飲食店（レストラン）等の所定のサービスを予約するサービス（以下、「予約サービス」ともいう）等の種々の電子商取引サービスを提供する。
また、情報提供装置５０は、ユーザが利用する端末装置（図示省略）から取得したクエリ（検索クエリ）に対する検索結果を端末装置に提供する検索サービスを提供する。また、例えば、情報提供装置５０は、商品を取引するショッピングやオークションに関する電子商取引サービスを提供する情報処理装置であってもよい。情報提供装置５０は、上記のようなサービスに関する種々の情報を収集し、予測装置１００へ提供する。また、例えば、情報提供装置５０は、上記のような種々の情報を他の外部装置から収集し、収集した情報を予測装置１００へ提供してもよい。また、予測装置１００と情報提供装置５０とは一体であってもよい。
予測装置１００は、所定の事業者の事業に関する情報である事業情報に基づいて、所定の事業者の事業の対象に関する需要を予測する情報処理装置である。図２の例では、予測装置１００は、所定の事業者の事業の対象に関する需要の予測に用いられるモデルであって、事業情報が入力されたモデルの出力に基づいて、所定の事業者の事業の対象に関する需要を予測する。
また、予測装置１００は、予測した所定の事業者の事業の対象に関する需要に関する情報に基づいてサービスを提供する。図２の例では、予測装置１００は、日時ＤＡ２１におけるＡエリアのパン屋ＭＡの商品であるパンの需要を示す情報を提供する。
図１及び図２の例では、説明を簡単にするために、事業者がＡエリアに位置するパン屋ＭＡの過去の事業実績に基づいてモデルを生成し、生成したモデルを用いて、ある日時の対象「パン」の需要を予測する場合を示す。
まず、図１を用いて、予測装置１００が需要予測に用いるモデルＭ１を生成する場合を説明する。
予測装置１００は、事業者から事業者情報を取得する（ステップＳ１１）。例えば、予測装置１００は、事業者が利用する事業者装置１０から事業者情報を取得する。図１の例では、予測装置１００は、事業者に事業内容や所在する位置や過去の売り上げ実績等を含む事業者情報ＩＮＦ１１を取得する。例えば、予測装置１００は、パン屋ＭＡの事業内容がパン屋であり、Ａエリアに位置することを示す事業者情報を取得する。また、例えば、予測装置１００は、日時ＤＡ１１〜ＤＡ１４等における売上を示す売上情報を含む事業者情報を取得する。なお、ここでいう日時は、その日時を含む所定の期間であってもよい。例えば、日時は、その日時以前の所定の期間（例えばその日時から２４時間以内）であってもよい。例えば、日時ＤＡ１１と日時ＤＡ１２には重複する期間が含まれてもよい。
なお、図１の例に示す各日時「ＤＡ＊」中の「ＤＡ」に続く「＊（＊は任意の数値）」は、対応する行動等が行われた日時を示し、日時「ＤＡ＊」は、「＊」の値が大きい程、日付が新しいものとする。例えば、日時「ＤＡ１１」は、日時「ＤＡ１２」に比べて、「ＤＡ」に続く数値が小さいため、日時「ＤＡ１１」は日時「ＤＡ１２」よりも過去に対応する日時であることを示す。
事業者情報を取得した予測装置１００は、事業者情報ＩＮＦ１１を分析することにより、分析事業者情報ＩＮＦ１１−１を生成する（ステップＳ１２）。図１の例では、予測装置１００は、事業者情報ＩＮＦ１１から分析事業者情報ＩＮＦ１１−１を生成する。例えば、予測装置１００は、各日時ＤＡ１１〜ＤＡ１４に対応する売上に基づいて、各日時ＤＡ１１〜ＤＡ１４の需要の高低を示す情報を含む分析事業者情報ＩＮＦ１１−１を生成する。例えば、予測装置１００は、各日時ＤＡ１１〜ＤＡ１４に対応する売上と全体の平均売上との差に基づいて、各日時ＤＡ１１〜ＤＡ１４の需要の高低を示す情報を含む分析事業者情報ＩＮＦ１１−１を生成する。なお、図１の例では、需要を「高」、「中」、「低」で示したが、スコア（数値）であってもよい。例えば、予測装置１００は、平均よりも売り上げが高い程大きな値となり、平均よりも売り上げが低い程小さな値となるようなスコアを用いてもよい。例えば、予測装置１００は、各日時に対応する需要を０から１の値を取るように正規化したスコア（数値）を用いてもよい。図１の例では、説明と簡単にするために、需要「高」＝「１」、需要「中」＝「０．５」、需要「低」＝「０」として説明する。
予測装置１００は、情報提供装置５０から分析用情報を取得する（ステップＳ１３）。例えば、予測装置１００は、予約サービスや検索サービスを提供する情報提供装置５０から予約情報や検索情報等を含む分析用情報を取得する。例えば、予測装置１００は、パン屋ＭＡの事業内容や位置に対応する分析用情報ＩＮＦ２１を取得する。図１の例では、予測装置１００は、日時ＤＡ１０〜ＤＡ１３等における予約情報や検索情報等を含む分析用情報ＩＮＦ２１を取得する。このように、予測装置１００は、所定の事業者以外の他の事業者が利用する情報提供装置５０が有する予約情報や検索情報等を取得する。すなわち、予測装置１００は、所定の事業者であるパン屋ＭＡ以外の他の事業者が利用する情報提供装置５０からパン屋ＭＡに関する情報を取得する。
ここで、分析用情報ＩＮＦ２１に示す予約情報ＢＤＴ１０〜ＢＤＴ１３は、日時ＤＡ１０〜ＤＡ１３の各々に対応する予約情報を示す。図１では予約情報ＢＤＴ１０といった符号で図示するが、予約情報は、事業者の位置を含むエリア（対象エリア）への移動手段の予約状況や対象エリアのホテルの予約状況等の種々のエリア関連情報を含むものとする。
例えば、予約情報ＢＤＴ１０は、日時ＤＡ１０におけるＡエリアへの移動手段の予約状況や対象エリアのホテルの予約状況等を示す情報を含む。例えば、予約情報ＢＤＴ１０は、日時ＤＡ１０におけるＡエリアに日時ＤＡ１１中に移動する移動手段の予約状況を示す情報を含む。例えば、予約情報ＢＤＴ１０は、日時ＤＡ１０におけるＡエリアに日時ＤＡ１１に宿泊する予約状況を示す情報を含む。
例えば、予約情報ＢＤＴ１１は、日時ＤＡ１１におけるＡエリアへの移動手段の予約状況や対象エリアのホテルの予約状況等を示す情報を含む。例えば、予約情報ＢＤＴ１１は、日時ＤＡ１１におけるＡエリアに日時ＤＡ１２中に移動する移動手段の予約状況を示す情報を含む。例えば、予約情報ＢＤＴ１１は、日時ＤＡ１１におけるＡエリアに日時ＤＡ１２に宿泊する予約状況等を示す情報を含む。
例えば、予約情報ＢＤＴ１２は、日時ＤＡ１２におけるＡエリアへの移動手段の予約状況や対象エリアのホテルの予約状況等を示す情報を含む。例えば、予約情報ＢＤＴ１２は、日時ＤＡ１２におけるＡエリアに日時ＤＡ１３中に移動する移動手段の予約状況を示す情報を含む。例えば、予約情報ＢＤＴ１２は、日時ＤＡ１２におけるＡエリアに日時ＤＡ１３に宿泊する予約状況等を示す情報を含む。
例えば、予約情報ＢＤＴ１３は、日時ＤＡ１３におけるＡエリアへの移動手段の予約状況や対象エリアのホテルの予約状況等を示す情報を含む。例えば、予約情報ＢＤＴ１３は、日時ＤＡ１３におけるＡエリアに日時ＤＡ１４中に移動する移動手段の予約状況を示す情報を含む。例えば、予約情報ＢＤＴ１３は、日時ＤＡ１３におけるＡエリアに日時ＤＡ１４に宿泊する予約状況等を示す情報を含む。
ここで、分析用情報ＩＮＦ２１に示す検索情報ＳＤＴ１０〜ＳＤＴ１３は、日時ＤＡ１０〜ＤＡ１３の各々に対応する検索情報を示す。図１では検索情報ＳＤＴ１０といった符号で図示するが、検索情報は、事業者の事業内容や事業者が提供する対象（パン）に関する検索回数等の種々の情報を含むものとする。
例えば、検索情報ＳＤＴ１０は、日時ＤＡ１０におけるパン屋ＭＡに関するクエリを用いた検索回数等を示す情報を含む。例えば、検索情報ＳＤＴ１０は、日時ＤＡ１０におけるパンに関する所定の名称等を用いた検索回数等を示す情報を含む。
例えば、検索情報ＳＤＴ１１は、日時ＤＡ１１におけるパン屋ＭＡに関するクエリを用いた検索回数等を示す情報を含む。例えば、検索情報ＳＤＴ１１は、日時ＤＡ１１におけるパンに関する所定の名称等を用いた検索回数等を示す情報を含む。
例えば、検索情報ＳＤＴ１２は、日時ＤＡ１２におけるパン屋ＭＡに関するクエリを用いた検索回数等を示す情報を含む。例えば、検索情報ＳＤＴ１２は、日時ＤＡ１２におけるパンに関する所定の名称等を用いた検索回数等を示す情報を含む。
例えば、検索情報ＳＤＴ１３は、日時ＤＡ１３におけるパン屋ＭＡに関するクエリを用いた検索回数等を示す情報を含む。例えば、検索情報ＳＤＴ１３は、日時ＤＡ１３におけるパンに関する所定の名称等を用いた検索回数等を示す情報を含む。
そして、予測装置１００は、分析事業者情報ＩＮＦ１１−１や分析用情報ＩＮＦ２１を組み合わせたデータを学習データとして追加する（ステップＳ１４）。図１の例では、予測装置１００は、分析事業者情報ＩＮＦ１１−１に含まれる各日時ＤＡ１１〜ＤＡ１４等の需要を正解情報とする学習データを生成する。具体的には、予測装置１００は、学習データを学習データ記憶部１２１に追加する。
例えば、予測装置１００は、正解情報ＲＤＴ１−１として、分析事業者情報ＩＮＦ１１−１に示すように、日時ＤＡ１１におけるＡエリアのパン屋ＭＡの需要が「高」であることを示す正解情報ＲＤＴ１−１を含むデータＤＴ１−１を学習データとして生成する。また、予測装置１００は、パン屋ＭＡの事業内容を示す事業内容情報ＥＤＴ１やパン屋ＭＡがＡエリアに位置することを示す位置情報ＡＤＴ１を入力情報として含むデータＤＴ１−１を学習データとして生成する。また、予測装置１００は、正解情報ＲＤＴ１−１に対応する日時ＤＡ１１よりも過去の日時ＤＡ１０における予約情報ＢＤＴ１０や検索情報ＳＤＴ１０を入力情報として含むデータＤＴ１−１を学習データとして生成する。
なお、上記のように、「データＤＴ＊（＊は任意の数値）」と記載した場合、そのデータはデータＩＤ「ＤＴ＊」により識別されるデータであることを示す。例えば、「データＤＴ１−１」と記載した場合、そのデータはデータＩＤ「ＤＴ１−１」により識別されるデータである。
また、例えば、予測装置１００は、正解情報ＲＤＴ１−２として、分析事業者情報ＩＮＦ１１−１に示すように、日時ＤＡ１２におけるＡエリアのパン屋ＭＡの需要が「中」であることを示す正解情報ＲＤＴ１−２を含むデータＤＴ１−２を学習データとして生成する。また、予測装置１００は、パン屋ＭＡの事業内容を示す事業内容情報ＥＤＴ１やパン屋ＭＡがＡエリアに位置することを示す位置情報ＡＤＴ１を入力情報として含むデータＤＴ１−２を学習データとして生成する。また、予測装置１００は、正解情報ＲＤＴ１−２に対応する日時ＤＡ１２よりも過去の日時ＤＡ１１における予約情報ＢＤＴ１１や検索情報ＳＤＴ１１を入力情報として含むデータＤＴ１−２を学習データとして生成する。
例えば、予測装置１００は、正解情報ＲＤＴ１−３として、分析事業者情報ＩＮＦ１１−１に示すように、日時ＤＡ１３におけるＡエリアのパン屋ＭＡの需要が「中」であることを示す正解情報ＲＤＴ１−３を含むデータＤＴ１−３を学習データとして生成する。また、予測装置１００は、パン屋ＭＡの事業内容を示す事業内容情報ＥＤＴ１やパン屋ＭＡがＡエリアに位置することを示す位置情報ＡＤＴ１を入力情報として含むデータＤＴ１−３を学習データとして生成する。また、予測装置１００は、正解情報ＲＤＴ１−３に対応する日時ＤＡ１３よりも過去の日時ＤＡ１２における予約情報ＢＤＴ１２や検索情報ＳＤＴ１２を入力情報として含むデータＤＴ１−３を学習データとして生成する。
例えば、予測装置１００は、正解情報ＲＤＴ１−４として、分析事業者情報ＩＮＦ１１−１に示すように、日時ＤＡ１４におけるＡエリアのパン屋ＭＡの需要が「中」であることを示す正解情報ＲＤＴ１−４を含むデータＤＴ１−４を学習データとして生成する。また、予測装置１００は、パン屋ＭＡの事業内容を示す事業内容情報ＥＤＴ１やパン屋ＭＡがＡエリアに位置することを示す位置情報ＡＤＴ１を入力情報として含むデータＤＴ１−４を学習データとして生成する。また、予測装置１００は、正解情報ＲＤＴ１−４に対応する日時ＤＡ１４よりも過去の日時ＤＡ１３における予約情報ＢＤＴ１３や検索情報ＳＤＴ１３を入力情報として含むデータＤＴ１−４を学習データとして生成する。
そして、予測装置１００は、学習データに基づいてモデルを生成する（ステップＳ１５）。このように、予測装置１００は、各正解情報に対応する日時よりも前の日時における予約情報や検索情報を入力情報としてモデルを生成する。これにより、予測装置１００は、現状の予約状況や検索状況を入力することにより、未来の需要を予測するモデルを生成することができる。このように、予測装置１００は、他の事業者が有する予約情報や検索情報と、所定の事業者（例えばパン屋ＭＡ）の売上情報とに基づいて、所定の事業者に関する需要を予測するモデルを生成する。
例えば、予測装置１００は、学習データ記憶部１２１中のデータＤＴ１−１〜ＤＴ１−４等を学習データ（教師データ）として、学習を行なうことにより、モデルを生成する。例えば、予測装置１００は、事業者の事業内容に関する特徴量を用いて、モデルを生成する。例えば、予測装置１００は、事業者が位置するエリア等に関する特徴量を用いて、モデルを生成する。また、例えば、予測装置１００は、予約情報に関する特徴量を用いて、モデルを生成する。例えば、予測装置１００は、エリアに関する移動手段や宿泊施設の予約状況等に関する特徴量を用いて、モデルを生成する。また、例えば、予測装置１００は、事業者の事業に関する検索情報に関する特徴量を用いて、モデルを生成する。例えば、予測装置１００は、事業者の事業に関するクエリを用いた検索回数等に関する特徴量を用いて、モデルを生成する。このように、予測装置１００は、事業情報に含まれる特徴を学習し、その事業の対象に関連する需要を予測するモデルを生成する。図１の例では、予測装置１００は、事業情報に含まれる情報に関する特徴を学習し、その事業情報に関連する対象の需要を予測するモデルを生成する。なお、予測装置１００が学習する事業情報に含まれる特徴は、予測装置１００の管理者等の人間が予測装置１００に入力してもよいし、予測装置１００に自動的に学習（抽出）させてもよい。
例えば、予測装置１００は、学習データ記憶部１２１に示すような学習データを用いてモデルＭ１を生成する。例えば、予測装置１００は、正解情報ＲＤＴ１−１のように需要が高かったことを示す「１」である場合、モデルＭ１にデータＤＴ１−１に含まれる事業情報が入力された場合に、モデルＭ１が出力するスコアが「１」に近づくように、学習処理を行う。例えば、予測装置１００は、データＤＴ１−１の事業内容情報ＥＤＴ１や位置情報ＡＤＴ１や予約情報ＢＤＴ１０や検索情報ＳＤＴ１０がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「１」に近づくように、学習処理を行う。
また、例えば、予測装置１００は、正解情報ＲＤＴ１−２のように需要が中程度（平均）であったことを示す「０．５」である場合、モデルＭ１にデータＤＴ１−２に含まれる事業情報が入力された場合に、モデルＭ１にデータＤＴ１−２に含まれる事業情報が入力された場合に、モデルＭ１が出力するスコアが「０．５」に近づくように、学習処理を行う。例えば、予測装置１００は、データＤＴ１−２の事業内容情報ＥＤＴ１や位置情報ＡＤＴ１や予約情報ＢＤＴ１２や検索情報ＳＤＴ１２がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「０．５」に近づくように、学習処理を行う。
また、例えば、予測装置１００は、正解情報ＲＤＴ１−４のように需要が低かったことを示す「０」である場合、モデルＭ１にデータＤＴ１−４に含まれる事業情報が入力された場合に、モデルＭ１にデータＤＴ１−４に含まれる事業情報が入力された場合に、モデルＭ１が出力するスコアが「０」に近づくように、学習処理を行う。例えば、予測装置１００は、データＤＴ１−４の事業内容情報ＥＤＴ１や位置情報ＡＤＴ１や予約情報ＢＤＴ１４や検索情報ＳＤＴ１４がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「０．５」に近づくように、学習処理を行う。
なお、モデルの学習手法については、上述した手法に限定されるものではなく、任意の公知技術が適用可能である。なお、各モデルの生成は、機械学習に関する種々の従来技術を適宜用いて行われてもよい。例えば、モデルの生成は、ＳＶＭ（Support Vector Machine）等の教師あり学習の機械学習に関する技術を用いて行われてもよい。また、例えば、モデルの生成は、教師なし学習の機械学習に関する技術を用いて行われてもよい。例えば、モデルの生成は、深層学習（ディープラーニング）の技術を用いて行われてもよい。例えば、モデルの生成は、ＤＮＮ（Deep Neural Network）やＲＮＮ（Recurrent Neural Network）やＣＮＮ（Convolutional Neural Network）等の種々のディープラーニングの技術を適宜用いて行われてもよい。なお、上記モデルの生成に関する記載は例示であり、モデルの生成は、取得可能な情報等に応じて適宜選択された学習手法により行われてもよい。すなわち、予測装置１００は、学習データに含まれる事業情報が入力された場合に、正解情報に対応するスコアを出力するようにモデルＭ１を学習可能であれば、どのような手法によりモデルＭ１の生成を行ってもよい。
上記のような処理により、図１の例では、予測装置１００は、モデル情報記憶部１２２に示すように、モデルＩＤ「Ｍ１」により識別されるモデル（モデルＭ１）を生成する。上記のように、「モデルＭ＊（＊は任意の数値）」と記載した場合、そのモデルはモデルＩＤ「Ｍ＊」により識別されるモデルであることを示す。例えば、「モデルＭ１」と記載した場合、そのモデルはモデルＩＤ「Ｍ１」により識別されるモデルである。また、図１中のモデル情報記憶部１２２に示すように、モデルＭ１は用途「需要予測（売上）」、すなわち需要の予測のために用いられるモデルであり、その具体的なモデルデータが「モデルデータＭＤＴ１」であることを示す。例えば、予測装置１００は、モデルＭ１にある日時に対応する分析用情報を含む事業情報を入力することにより、入力した事業情報に含まれる分析用情報に対応する日時から所定の期間経過後の事業者の対象に関する需要を示すスコアを、モデルＭ１に出力させ、モデルＭ１が出力するスコアに基づいて事業者の対象に関する需要を予測する。
上述したように、予測装置１００は、事業情報と正解情報とが対応付けられた学習データを用いて学習することにより、あるエリアにおける需要を適切に予測可能にするモデルを生成することができる。したがって、予測装置１００は、上述のように生成したモデルを用いることにより、例えば、所定の事業者の対象に関する需要を精度よく予測することを可能にすることができる。上述した例では、データＤＴ１−１の正解情報ＲＤＴ１−１は、日時ＤＡ１１におけるＡエリアのパン屋ＭＡの需要を示す情報である。また、データＤＴ１−１は、正解情報ＲＤＴ１−１に対応する日時ＤＡ１１よりも過去の日時ＤＡ１０における予約情報ＢＤＴ１０や検索情報ＳＤＴ１０を入力情報として含む。このように、予測装置１００は、正解情報ＲＤＴ１−１に対応する日時よりも前の日時における予約情報や検索情報を入力情報としてモデルを生成する。これにより、予測装置１００は、現状の予約状況や検索状況を入力することにより、未来の需要を予測するモデルを生成することができる。
〔２．予測処理〕
図２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２は、実施形態に係る予測処理の一例を示す図である。図２では、予測装置１００は、パン屋ＭＡから日時ＤＡ２１における需要の予測を要求された場合に、日時ＤＡ２１におけるパン屋ＭＡの事業の対象「パン」に関する需要を予測し、予測に基づく情報を提供する場合を示す。
まず、予測装置１００は、情報提供装置５０から分析用情報を取得する（ステップＳ２１）。例えば、予測装置１００は、予約サービスや検索サービスを提供する情報提供装置５０から予約情報や検索情報等を含む分析用情報を取得する。例えば、予測装置１００は、パン屋ＭＡの事業内容や位置に対応する分析用情報ＩＮＦ２２を取得する。図２の例では、予測装置１００は、日時ＤＡ２０における予約情報や検索情報等を含む分析用情報ＩＮＦ２２を取得する。
ここで、分析用情報ＩＮＦ２２に示す予約情報ＢＤＴ２０は、日時ＤＡ２０の各々に対応する予約情報を示す。例えば、予約情報ＢＤＴ２０は、日時ＤＡ２０におけるＡエリアへの移動手段の予約状況や対象エリアのホテルの予約状況等を示す情報を含む。例えば、予約情報ＢＤＴ２０は、日時ＤＡ２０におけるＡエリアに日時ＤＡ２１中に移動する移動手段の予約状況を示す情報を含む。例えば、予約情報ＢＤＴ２０は、日時ＤＡ２０におけるＡエリアに日時ＤＡ２１に宿泊する予約状況を示す情報を含む。例えば、検索情報ＳＤＴ２０は、日時ＤＡ２０におけるパン屋ＭＡに関するクエリを用いた検索回数等を示す情報を含む。例えば、検索情報ＳＤＴ２０は、日時ＤＡ２０におけるパンに関する所定の名称等を用いた検索回数等を示す情報を含む。なお、ステップＳ２１の処理は、予め行われていてもよい。
そして、予測装置１００は、パン屋ＭＡから日時ＤＡ２１における需要予測の要求を取得する（ステップＳ２２）。図２の例では、予測装置１００は、日時ＤＡ２１における需要予測の要求として、パン屋ＭＡの事業者情報ＩＮＦ１２を含む情報を取得する。例えば、予測装置１００は、パン屋ＭＡの管理者ＳＡ１が利用する事業者装置１０から事業者情報ＩＮＦ１２を取得する。例えば、予測装置１００は、パン屋ＭＡの事業内容を示す事業内容情報ＥＤＴ１やパン屋ＭＡがＡエリアに位置することを示す位置情報ＡＤＴ１を含む事業者情報ＩＮＦ１２を取得する。
そして、予測装置１００は、事業者情報ＩＮＦ１２や分析用情報ＩＮＦ２２を組み合わせた入力データを生成する（ステップＳ２３）。図１の例では、予測装置１００は、入力データ一覧ＩＰＤ２１に示すように、事業者情報ＩＮＦ１１に含まれる事業内容情報ＥＤＴ１や位置情報ＡＤＴ１を含むデータＤＴ２１を入力データとして生成する。また、予測装置１００は、入力データ一覧ＩＰＤ２１に示すように、需要予測の対象となる日時ＤＡ２１よりも過去の日時ＤＡ２０における予約情報ＢＤＴ２０や検索情報ＳＤＴ２０を含むデータＤＴ２１を入力データとして生成する。
データＤＴ２１を生成した予測装置１００は、データＤＴ２１をモデルに入力する。例えば、予測装置１００は、データＤＴ２１を、モデルＭ１に入力する。このように、予測装置１００は、他の事業者が有する予約情報や検索情報と、所定の事業者（例えばパン屋ＭＡ）の売上情報とモデルＭ１とを用いて、所定の事業者に関する需要を予測する。例えば、予測装置１００は、他の事業者が有する予約情報や検索情報と、所定の事業者の売上情報とをモデルＭ１に入力することにより、所定の事業者に関する需要を予測する。
図２の例では、予測装置１００は、処理群ＰＳ２１に示すような処理により、日時ＤＡ２１におけるパン屋ＭＡの事業の対象「パン」に関する需要を示すスコアを算出する。予測装置１００は、データＤＴ２１をモデルＭ１に入力する（ステップＳ２４）。具体的には、予測装置１００は、事業内容情報ＥＤＴ１や位置情報ＡＤＴ１や予約情報ＢＤＴ２０や検索情報ＳＤＴ２０等を含む事業情報をモデルＭ１に入力する。データＤＴ２１が入力されたモデルＭ１は、スコアを出力する（ステップＳ２５）。図２の例では、データＤＴ２１が入力されたモデルＭ１は、スコアＳＣ１１に示すようなスコア「０．７５」を出力する。
そして、予測装置１００は、日時ＤＡ２１におけるパン屋ＭＡの事業の対象「パン」に関する需要を示すスコアに基づいて需要を予測する（ステップＳ２６）。図２の例では、予測装置１００は、事業情報が入力されたモデルＭ１が出力するスコアが０．３未満である場合、その事業情報に対応する事業の対象の需要が「低」と予測する。また、予測装置１００は、事業情報が入力されたモデルＭ１が出力するスコアが０．３以上０．７未満である場合、その事業情報に対応する事業の対象の需要が「中」と予測する。また、予測装置１００は、事業情報が入力されたモデルＭ１が出力するスコアが０．７以上である場合、その事業情報に対応する事業の対象の需要が「高」と予測する。
このように、図２の例では、予測装置１００は、要求された日時における事業情報に対応する事業の対象の需要を「低」、「中」、「高」のいずれのレベルであるかを予測する。予測装置１００は、図２中の需要情報記憶部１２３に示すように、日時ＤＡ２１におけるＡエリアに位置するパン屋ＭＡのパンに対する需要を「高」と予測する。
その後、予測装置１００は、予測した需要に基づいて情報提供を行う（ステップＳ２７）。図２の例では、予測装置１００は、日時ＤＡ２１におけるＡエリアに位置するパン屋ＭＡのパンに対する需要が高いことを示す情報を事業者装置１０へ提供する。
上述したように、予測装置１００は、需要予測の対象となる日時より前の分析用情報を含む事業情報に基づいて、その需要予測の対象となる日時におえる事業の対象に関する需要を予測する。図２の例では、予測装置１００は、パン屋ＭＡに関する事業情報をモデルＭ１に入力することにより、モデルＭ１にパン屋ＭＡの事業の対象（パン）の需要に関するスコアを出力させる。そして、予測装置１００は、モデルＭ１が出力するスコアが高い程、予測の対象となる日時におけるパン屋ＭＡの事業の対象（パン）の需要が高いと予測する。そして、予測装置１００は、予測した需要情報を事業者装置１０へ提供する。このように、予測装置１００は、事業者に適切な需要予測の情報を提供することができる。
（２−１．事業情報）
（２−１−１．事業情報の種別）
なお、上記の入力情報は一例であり、予測装置１００は、上記の例に限らず、種々の情報を入力情報としてもよい。例えば、予測装置１００は、正解情報に対応する事業者の位置に対応するエリアに関するエリア関連情報（以下、単に「エリア情報」ともいう）を用いて、モデルを生成してもよい。この場合、予測装置１００は、エリア情報を含む事業情報を用いて、所定の事業者の事業の対象に関する需要を予測してもよい。
例えば、エリア情報には、対応する日時におけるエリアの混雑に関する情報（混雑情報）や、対応する日時におけるエリアの渋滞に関する情報（渋滞情報）や、対応する日時におけるエリアの気象に関する情報（気象情報）等が含まれてもよい。例えば、ここでいうエリア情報には、各エリアにおいて検知された種々のセンサ情報が含まれてもよい。また、センサ情報には、例えば、各エリアにおいて種々のセンサにより検知された人の流れ等の混雑を示す情報や車の流れ等の渋滞を示す情報や気温や湿度等の気象情報等が含まれてもよい。なお、エリア情報には、場所に依存しないグローバルな情報、例えば曜日や日時等に関する情報等、種々の情報が含まれてもよい。
例えば、混雑情報には、対応する日時においてエリアに位置するユーザ数等に基づく、そのエリアの混雑具合を示す情報であってもよい。例えば、混雑情報には、対応する日時においてエリアに位置するユーザ数等に基づく人口密度を示す情報であってもよい。
例えば、渋滞情報には、対応する日時においてエリアに位置する車両数や道路の大小等に基づく、そのエリアの渋滞具合を示す情報であってもよい。例えば、渋滞情報には、対応する日時においてエリアに位置する車両数等に基づくそのエリア内を車両で移動可能な平均速度を示す情報であってもよい。
例えば、気象情報には、対応する日時においてエリアの気象を示す情報であってもよい。例えば、気象情報には、対応する日時においてエリアの天候が晴天や雨であるか等を示す情報であってもよい。
例えば、予測装置１００は、エリアの混雑情報に関する特徴量を用いて、モデルを生成する。例えば、予測装置１００は、エリアの人の密集度等に関する特徴量を用いて、モデルを生成する。また、例えば、予測装置１００は、エリアの渋滞情報に関する特徴量を用いて、モデルを生成する。例えば、予測装置１００は、エリアに位置する車の台数等に関する特徴量を用いて、モデルを生成する。また、例えば、予測装置１００は、エリアの気象情報に関する特徴量を用いて、モデルを生成する。例えば、予測装置１００は、エリアにおける天候に関する特徴量を用いて、モデルを生成する。
なお、予測装置１００は、エリアの道路交通情報に関する特徴量を加味したモデルを生成してもよい。また、例えば、予測装置１００は、エリアの地形的な特徴量を加味したモデルを生成してもよい。このように、予測装置１００は、エリア情報に含まれる特徴を学習し、そのエリア情報に関連する対象（事象）等を予測するモデルを生成する。図１の例では、予測装置１００は、エリア情報に含まれるそのエリアの人の密集度やそのエリアの道路状況（道路の太さや渋滞の程度）等に関する特徴を学習し、所定の事業者の事業の対象に関する需要を予測するモデルを生成する。なお、予測装置１００が学習するエリア情報に含まれる特徴は、予測装置１００の管理者等の人間が予測装置１００に入力してもよいし、予測装置１００に自動的に学習（抽出）させてもよい。
（２−１−２．他の事業者の事業情報）
なお、図１及び図２の例では、パン屋ＭＡの情報を基にモデルを生成し、生成したモデルにパン屋ＭＡの情報を入力することにより、パン屋ＭＡについて需要を予測する例を示したが、予測装置１００は、他の事業者の情報を用いて、需要を予測してもよい。例えば、予測装置１００は、パン屋ＭＡに類似する事業者の情報を用いて、需要を予測してもよい。例えば、予測装置１００は、パン屋ＭＡと同じＡエリアに位置するパン屋の売上情報等を含む事業者情報を用いてモデルを生成し、そのモデルを用いてパン屋ＭＡについて需要を予測してもよい。例えば、予測装置１００は、パン屋ＭＡと同じＡエリアに位置する複数のパン屋の事業者情報を用いてモデルを生成し、そのモデルを用いてパン屋ＭＡについて需要を予測してもよい。
また、例えば、予測装置１００は、パン屋ＭＡと同じＡエリアに位置する類似する業種の事業者の情報を用いてモデルを生成してもよい。例えば、予測装置１００は、パン屋ＭＡと同じＡエリアに位置する類似する業種の事業者の売上等を含む事業者情報を用いてモデルを生成してもよい。例えば、予測装置１００は、Ａエリアに位置するコンビニやコーヒーショップ等の複数の事業者の情報を用いてモデルを生成し、そのモデルを用いてパン屋ＭＡについて需要を予測してもよい。
例えば、予測装置１００は、一の事業者について需要を予測する場合、情報を使用に同意が得られることを条件として他の事業者の実績等の情報を用いてもよい。例えば、予測装置１００は、一の事業者について需要を予測する場合、一の事業者と同じエリアに位置する事業者や隣接するエリアに位置する事業者の情報を用いてもよい。例えば、予測装置１００は、一の事業者について需要を予測する場合、情報を使用に同意が得られた事業者のうち、一の事業者と同じエリアに位置する事業者や隣接するエリアに位置する事業者の情報を用いてもよい。例えば、予測装置１００は、パン屋ＭＡについて需要の予測する場合、情報使用に同意した隣接するエリアＢのパン屋の売上実績等を基づいて需要の予測を行ってもよい。例えば、予測装置１００は、パン屋ＭＡについて需要の予測する場合、パン屋ＭＡが他の事業者に自身の売り上げ実績等の情報の利用を許可することにより、パン屋ＭＡについての予測において、他の事業者の情報を用いてもよい。これにより、予測装置１００は、事業者間の情報の相互利用を促進することができる。また、予測装置１００は、事業者間の情報の相互利用を促進させることにより、予測の精度を向上させることができる。
（２−２．予測の対象）
なお、上記は一例であり、予測装置１００は、事業者に関する需要であればどのような需要を予測してもよい。例えば、予測装置１００は、所定のエリア全体における所定の対象の需要を予測してもよい。この場合、予測装置１００は、所定のエリア全体における事業情報を用いてそのエリア全体の対象の需要を予測してもよい。例えば、予測装置１００は、Ａエリア全体の対象「パン」の需要を予測する場合、Ａエリア全体の売上等の情報を用いて、モデル（エリアモデル）を生成してもよい。そして、予測装置１００は、生成したエリアモデルに所定の日時に対応する事業情報を入力することにより、所定の日時におけるエリア全体の対象に関する需要を予測してもよい。
また、例えば、予測装置１００は、事業者に関する需要であればどのような需要を対象に予測モデルを生成してもよい。例えば、予測装置１００は、鉄道や飛行機等の移動サービスに関する需要を予測するモデルを生成してもよい。
また、上記の例では、予測装置１００は、売上に関する需要を予測する場合を示したが、予測する需要は売上に限らず、種々の種別の情報であってもよい。例えば、予測装置１００は、所定の事業者の事業の対象が購入される個数を示す需要を予測してもよい。
例えば、予測装置１００は、ユーザの検索に基づいて、事業者が販売する商品等に関する需要（流行）を予測してもよい。例えば、予測装置１００は、ユーザの検索クエリ及びそのユーザの位置に基づいて、事業者が販売する商品等に関する需要を予測してもよい。例えば、予測装置１００は、ユーザが用いた検索クエリに関する対象及びそのユーザの位置に基づいて、事業者が販売する商品等に関する需要を予測してもよい。
例えば、予測装置１００は、ユーザが検索クエリとして所定の疾病に関するクエリを用いている場合、そのユーザが検索を行った位置に基づいて、その疾病に関する流行を予測してもよい。例えば、予測装置１００は、所定のエリアにおいてユーザが検索クエリとして所定の疾病に関するクエリを用いている回数が急増している場合、そのエリアにおいてクエリに対応する疾病が流行すると予測してもよい。例えば、予測装置１００は、所定のエリアにおいてユーザが検索クエリとして所定の疾病に関するクエリを用いている回数が、所定の期間（例えば１週間等）において所定の割合（例えば２倍や５倍等）以上増加している場合、そのエリアにおいてクエリに対応する疾病が流行すると予測してもよい。例えば、予測装置１００は、所定のエリアにおけるユーザが検索に用いたインフルエンザに関するクエリに回数に基づいて、所定のエリアにおけるインフルエンザの流行を予測してもよい。
例えば、予測装置１００は、上記のような、所定の疾病に関する流行を予測することにより、医薬品を販売する事業者等の事業に関する需要を予測してもよい。例えば、予測装置１００は、疾病が流行すると予測されるエリア及びそのエリアにおける人口等の情報に基づいて、事業者が販売する医薬品の需要を予測してもよい。例えば、予測装置１００は、疾病が流行すると予測されるエリアの人工と疾病に関する過去の罹患率等の情報に基づいて、事業者が販売する医薬品の需要を予測してもよい。
また、予測装置１００は、あるエリアのおける需要を予測する場合、他のエリアに関する情報を用いてもよい。例えば、予測装置１００は、Ａエリアのおける需要を予測する場合、Ａエリアの周囲のエリアに関する情報を用いてもよい。例えば、予測装置１００は、花粉やインフルエンザなどのように需要が地理的にシフトする対象について、あるエリアのおける需要を予測する場合、そのエリアの周囲のエリアに関する情報を用いてもよい。
（２−３．予測方法について）
なお、図２の例では、モデルを用いて予測する場合を示したが、モデルを用いることなく所定の事業者の事業の対象に関する需要を予測してもよい。例えば、予測装置１００は、分析事業者情報ＩＮＦ１１−１等に基づいて、所定の事業者の事業の対象に関する需要を予測してもよい。例えば、予測装置１００は、分析事業者情報ＩＮＦ１１−１等における売上や需要の変動の規則性を抽出し、その規則性に基づいて、所定の事業者の事業の対象に関する需要を予測してもよい。例えば、予測装置１００は、分析事業者情報ＩＮＦ１１−１等における売上や需要の変動と、分析用情報ＩＮＦ１１に含まれる情報の変動との相関に関する規則性を抽出し、その規則性に基づいて、所定の事業者の事業の対象に関する需要を予測してもよい。例えば、予測装置１００は、分析事業者情報ＩＮＦ１１−１等における売上や需要の変動と、上述のようなエリア情報の変動との相関に関する規則性を抽出し、その規則性に基づいて、所定の事業者の事業の対象に関する需要を予測してもよい。
（２−４．予測に用いる情報について）
また、予測装置１００は、上記に限らず、種々の情報を用いて、需要の予測を行ってもよい。例えば、予測装置１００は、ユーザの情報も加味して需要の予測を行ってもよい。例えば、予測装置１００は、所定の行動を行ったユーザの属性情報を用いて、需要の予測を行ってもよい。例えば、予測装置１００は、予約情報に含まれる予約に関する行動を行ったユーザの属性や検索情報に含まれる検索に関する行動を行ったユーザの属性等を用いて、需要の予測を行ってもよい。
例えば、予測装置１００は、予約情報に含まれる予約に関する行動を行ったユーザの属性や検索情報に含まれる検索に関する行動を行ったユーザの属性等を用いて、需要の内容の予測を行ってもよい。例えば、予測装置１００は、検索クエリからパン屋の需要を予測し、パンの需要が高いと予測された場合に、検索を行ったユーザのうち、女性の割合が大きい場合、女性向けのパンの需要が増えると予測してもよい。また、予測装置１００は、検索クエリからパン屋の需要を予測し、パンの需要が高いと予測された場合に、検索を行ったユーザのうち、女性の割合が大きい場合、女性向けのパンの需要が増えることを示す情報を事業者に提供してもよい。
例えば、予測装置１００は、検索クエリからパン屋の需要を予測し、パンの需要が高いと予測された場合に、検索を行ったユーザのうち、年代が高いユーザ（高齢者）の割合が大きい場合、高齢者向けのパンの需要が増えると予測してもよい。また、予測装置１００は、検索クエリからパン屋の需要を予測し、パンの需要が高いと予測された場合に、検索を行ったユーザのうち、高齢者の割合が大きい場合、高齢者が好みそうなパン（例えば豆腐パン等）の需要が増えることを示す情報を事業者に提供してもよい。
例えば、予測装置１００は、検索クエリからパン屋の需要を予測し、パンの需要が高いと予測された場合に、検索を行ったユーザのうち、普段から健康への意識が高いユーザ（健康志向ユーザ）の割合が大きい場合、健康志向ユーザ向けのパンの需要が増えると予測してもよい。また、予測装置１００は、検索クエリからパン屋の需要を予測し、パンの需要が高いと予測された場合に、検索を行ったユーザのうち、健康志向ユーザの割合が大きい場合、健康志向ユーザが好みそうなパン（例えば健康パン等）の材料発注の量を増やすことを推奨する情報を事業者に提供してもよい。
〔３．予測装置の構成〕
次に、図４を用いて、実施形態に係る予測装置１００の構成について説明する。図４は、実施形態に係る予測装置の構成例を示す図である。図４に示すように、予測装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、予測装置１００は、予測装置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）
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、ネットワークと有線または無線で接続され、事業者装置１０との間で情報の送受信を行う。
（記憶部１２０）
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、需要情報記憶部１２３とを有する。
（学習データ記憶部１２１）
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」、「正解情報」、「入力情報」といった項目が含まれる。「入力情報」には、「事業内容情報」、「位置情報」、「予約情報」、「検索情報」といった項目が含まれる。
「データＩＤ」は、データを識別するための識別情報を示す。例えば、データＩＤ「ＤＴ１−１」により識別されるデータは、図１の例に示した、データＤＴ１−１に対応する。
「正解情報」は、データＩＤにより識別されるデータに対応する正解情報を示す。例えば、「正解情報」は、データＩＤにより識別されるデータに対応する実際の需要を示す。図５では「正解情報」に「ＲＤＴ１−１」といった概念的な情報が格納される例を示したが、実際には、所定の日時（期間）における所定の事業者の事業内容に対応する需要の度合いを示す情報（例えば平均に対する高低等）、または、その格納場所を示すファイルパス名などが格納される。
「入力情報」中の「事業内容情報」は、正解情報に対応する事業者の事業内容を示す。図５では「事業内容情報」に「ＥＤＴ１」といった概念的な情報が格納される例を示したが、実際には、正解情報に対応する事業内容を示す情報度等の種々の情報、または、その格納場所を示すファイルパス名などが格納される。
「入力情報」中の「位置情報」は、正解情報に対応する事業者の所在地を示す。図５では「位置情報」に「ＡＤＴ１」といった概念的な情報が格納される例を示したが、実際には、事業者の具体的な位置を示す住所や緯度経度情報、または、その格納場所を示すファイルパス名などが格納される。
「入力情報」中の「予約情報」は、入力情報に含まれる予約情報を示す。図５では「予約情報」に「ＢＤＴ１０」といった概念的な情報が格納される例を示したが、実際には、正解情報に対応する事業者の位置を含むエリア（対象エリア）への移動手段の予約状況や対象エリアのホテルの予約状況等の種々の情報、または、その格納場所を示すファイルパス名などが格納される。
「入力情報」中の「検索情報」は、入力情報に含まれる検索情報を示す。図５では「検索情報」に「ＳＤＴ１０」といった概念的な情報が格納される例を示したが、実際には、正解情報に対応する事業者の事業内容に関する検索回数等の種々の情報、または、その格納場所を示すファイルパス名などが格納される。
例えば、図５に示す例において、データＩＤ「ＤＴ１−１」により識別されるデータ（データＤＴ１−１）は、入力情報として、事業内容情報ＥＤＴ１や予約情報ＢＤＴ１０や検索情報ＳＤＴ１０等を含むことを示す。また、データＤＴ１−１は、正解情報ＲＤＴ１−１を含むことを示す。例えば、データＤＴ１−１の正解情報ＲＤＴ１−１は、日時ＤＡ１１におけるＡエリアのパン屋ＭＡの需要を示す情報である。また、データＤＴ１−１は、正解情報ＲＤＴ１−１に対応する日時ＤＡ１１よりも過去の日時ＤＡ１０における予約情報ＢＤＴ１０や検索情報ＳＤＴ１０を入力情報として含む。このように、予測装置１００は、正解情報ＲＤＴ１−１に対応する日時よりも前の日時における予約情報や検索情報を入力情報としてモデルを生成する。これにより、予測装置１００は、現状の予約状況や検索状況を入力することにより、未来の需要を予測するモデルを生成することができる。
なお、学習データ記憶部１２１は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、学習データ記憶部１２１は、学習データが追加された日時に関する情報を記憶してもよい。また、例えば、学習データ記憶部１２１は、各学習データがどのような判定処理により追加されたかを示す情報を記憶してもよい。例えば、学習データ記憶部１２１は、各学習データが管理者の選択により判定されたか等を示す情報を記憶してもよい。
（モデル情報記憶部１２２）
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」、「用途」、「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のみを図示するが、Ｍ２、Ｍ３、Ｍ４、Ｍ５等、各用途（予測の対象）に応じて多数のモデル情報が記憶されてもよい。
「モデルＩＤ」は、モデルを識別するための識別情報を示す。例えば、モデルＩＤ「Ｍ１」により識別されるモデルは、図１の例に示したモデルＭ１に対応する。「用途」は、対応するモデルの用途を示す。また、「モデルデータ」は、対応付けられた対応するモデルのデータを示す。例えば、「モデルデータ」には、各層におけるノードと、各ノードが採用する関数と、ノードの接続関係と、ノード間の接続に対して設定される接続係数とを含む情報が含まれる。
例えば、図６に示す例において、モデルＩＤ「Ｍ１」により識別されるモデル（モデルＭ１）は、用途が「需要予測（売上）」であり、入力された事業情報に対応する事業者の需要の予測に用いられることを示す。また、モデルＭ１のモデルデータは、モデルデータＭＤＴ１であることを示す。
モデルＭ１（モデルデータＭＤＴ１）は、所定の事業者の事業に関する情報である事業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事業情報に対し、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、需要の予測に用いられるスコアの値を出力層から出力するよう、コンピュータを機能させるためのモデルである。
ここで、モデルＭ１等が「ｙ＝ａ１＊ｘ１＋ａ２＊ｘ２＋・・・＋ａｉ＊ｘｉ」で示す回帰モデルで実現されるとする。この場合、例えば、モデルＭ１が含む第１要素は、ｘ１やｘ２等といった入力データ（ｘｉ）に対応する。また、第１要素の重みは、ｘｉに対応する係数ａｉに対応する。ここで、回帰モデルは、入力層と出力層とを有する単純パーセプトロンと見做すことができる。各モデルを単純パーセプトロンと見做した場合、第１要素は、入力層が有するいずれかのノードに対応し、第２要素は、出力層が有するノードと見做すことができる。
また、モデルＭ１等がＤＮＮ等、１つまたは複数の中間層を有するニューラルネットワークで実現されるとする。この場合、例えば、モデルＭ１が含む第１要素は、入力層または中間層が有するいずれかのノードに対応する。また、第２要素は、第１要素と対応するノードから値が伝達されるノードである次段のノードに対応する。また、第１要素の重みは、第１要素と対応するノードから第２要素と対応するノードに伝達される値に対して考慮される重みである接続係数に対応する。
なお、モデル情報記憶部１２２は、上記に限らず、目的に応じて種々のモデル情報を記憶してもよい。
（需要情報記憶部１２３）
実施形態に係る需要情報記憶部１２３は、需要に関する各種情報を記憶する。図７に、実施形態に係る需要情報記憶部１２３の一例を示す。図７に示す需要情報記憶部１２３は、「日時」、「対象」、「エリア」、「スコア」、「需要レベル」といった項目を有する。
「日時」は、需要を予測する対象となる時間（日時）を示す。「対象」は、需要を予測する対象を示す。「エリア」は、予測対象となったエリアを示す。「スコア」は、対応するエリアにおける対象に関する需要の評価値となるスコアを示す。例えば、「需要レベル」は、対応するエリアにおける対象に関する需要レベルを示す。
例えば、図７に示す例において、需要を予測する対象は、パン屋ＭＡであり、予測する日時は日時ＤＡ２１であることを示す。日時ＤＡ２１におけるパン屋ＭＡの需要を示すスコアは、「０．７５」であることを示す。また、日時ＤＡ２１におけるパン屋ＭＡの需要レベルは、「高」であることを示す。
なお、需要情報記憶部１２３は、上記に限らず、目的に応じて種々の情報を記憶してもよい。
（制御部１３０）
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、予測装置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、所定の事業者の事業に関する情報である事業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事業情報に対し、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、需要の予測に用いられるスコアの値を出力層から出力する。
図４に示すように、制御部１３０は、取得部１３１と、生成部１３２と、予測部１３３と、提供部１３４とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図４に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。制御部１３０は、記憶部１２０に記憶されているモデルＭ１（モデルデータＭＤＴ１）に従った情報処理により、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事業情報に対し、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、需要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）
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、需要情報記憶部１２３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、各種情報を事業者装置１０等から取得してもよい。
また、取得部１３１は、学習データ記憶部１２１に示すような学習データを取得する。例えば、取得部１３１は、データＤＴ１−１〜ＤＴ１〜４等を含む学習データを学習データ記憶部１２１から取得する。
例えば、取得部１３１は、所定の事業者の事業に関する情報である事業情報を取得する。例えば、取得部１３１は、所定の事業者自身の事業に関する情報を含む事業情報を取得する。例えば、取得部１３１は、所定の事業者の事業実績を含む事業情報を取得する。例えば、取得部１３１は、所定の事業者以外の他の事業者の事業に関する情報を含む事業情報を取得する。例えば、取得部１３１は、他の事業者の事業実績を含む事業情報を取得する。例えば、取得部１３１は、所定の事業者が位置する所定のエリア内に位置する他の事業者の事業に関する情報を含む事業情報を取得する。例えば、取得部１３１は、所定の事業者が位置する所定のエリア外に位置する他の事業者の事業に関する情報を含む事業情報を取得する。例えば、取得部１３１は、所定の事業者の事業に類似する事業を行う他の事業者の事業に関する情報を含む事業情報を取得する。例えば、取得部１３１は、所定の事業者の事業に類似する事業を行う他の事業者の事業に関する情報を含む事業情報を取得する。
例えば、取得部１３１は、所定の事業者以外の他の事業者が有する所定の事業者に関する情報を含む事業情報を取得する。取得部１３１は、所定の事業者以外の他の事業者が有する情報と、所定の事業者の売上情報を含む事業情報を取得する。例えば、取得部１３１は、所定の事業者が位置するエリアに関するエリア関連情報を含む事業情報を取得する。例えば、取得部１３１は、所定の事業者が位置するエリアに関する予約情報を含む事業情報を取得する。例えば、取得部１３１は、所定の事業者の事業に関する検索情報を含む事業情報を取得する。
図１の例では、取得部１３１は、事業者から事業者情報を取得する。例えば、取得部１３１は、事業者が利用する事業者装置１０から事業者情報を取得する。例えば、取得部１３１は、事業者に事業内容や所在する位置や過去の売り上げ実績等を含む事業者情報ＩＮＦ１１を取得する。例えば、取得部１３１は、パン屋ＭＡの事業内容がパン屋であり、Ａエリアに位置することを示す事業者情報を取得する。例えば、取得部１３１は、日時ＤＡ１１〜ＤＡ１４等における売上を示す売上情報を含む事業者情報を取得する。
図１の例では、取得部１３１は、情報提供装置５０から分析用情報を取得する。例えば、取得部１３１は、予約サービスや検索サービスを提供する情報提供装置５０から予約情報や検索情報等を含む分析用情報を取得する。例えば、取得部１３１は、パン屋ＭＡの事業内容や位置に対応する分析用情報ＩＮＦ２１を取得する。例えば、取得部１３１は、日時ＤＡ１０〜ＤＡ１３等における予約情報や検索情報等を含む分析用情報ＩＮＦ２１を取得する。
図２の例では、取得部１３１は、情報提供装置５０から分析用情報を取得する。例えば、取得部１３１は、予約サービスや検索サービスを提供する情報提供装置５０から予約情報や検索情報等を含む分析用情報を取得する。例えば、取得部１３１は、パン屋ＭＡの事業内容や位置に対応する分析用情報ＩＮＦ２２を取得する。例えば、取得部１３１は、日時ＤＡ２０における予約情報や検索情報等を含む分析用情報ＩＮＦ２２を取得する。
図２の例では、取得部１３１は、パン屋ＭＡから日時ＤＡ２１における需要予測の要求を取得する。例えば、取得部１３１は、日時ＤＡ２１における需要予測の要求として、パン屋ＭＡの事業者情報ＩＮＦ１２を含む情報を取得する。例えば、取得部１３１は、パン屋ＭＡの管理者ＳＡ１が利用する事業者装置１０から事業者情報ＩＮＦ１２を取得する。例えば、取得部１３１は、パン屋ＭＡの事業内容を示す事業内容情報ＥＤＴ１やパン屋ＭＡがＡエリアに位置することを示す位置情報ＡＤＴ１を含む事業者情報ＩＮＦ１２を取得する。
（生成部１３２）
生成部１３２は、各種情報を生成する。例えば、生成部１３２は、学習データ記憶部１２１に記憶された学習データを用いて、モデル情報記憶部１２２に示すようなモデルを生成する。例えば、生成部１３２は、取得部１３１により取得された種々の情報に基づいて、所定の事業者の事業の対象に関する需要の予測に用いられるモデルを生成する。例えば、生成部１３２は、取得部１３１により取得された学習データに基づいて、所定の事業者の事業の対象に関する需要の予測に用いられるモデルを生成する。例えば、生成部１３２は、所定の事業情報と、所定の事業情報に対応する事業者の事業の対象に関する需要を示す正解情報とを含む学習データに基づいて、事業者の事業の対象に関する需要の予測に用いられるモデルを生成する。
例えば、生成部１３２は、モデルＭ１等を生成し、生成したモデルＭ１等をモデル情報記憶部１２２に格納する。なお、生成部１３２は、いかなる学習アルゴリズムを用いてモデルＭ１等を生成してもよい。例えば、生成部１３２は、ニューラルネットワーク（neural network）、サポートベクターマシン（ＳＶＭ）、クラスタリング、強化学習等の学習アルゴリズムを用いてモデルＭ１等を生成する。一例として、生成部１３２がニューラルネットワークを用いてモデルＭ１等を生成する場合、モデルＭ１等は、一以上のニューロンを含む入力層と、一以上のニューロンを含む中間層と、一以上のニューロンを含む出力層とを有する。
生成部１３２は、モデルを生成し、生成したモデルをモデル情報記憶部１２２に格納する。具体的には、生成部１３２は、所定の事業者の事業に関する情報である事業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事業情報に対し、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、需要の予測に用いられるスコアの値を出力層から出力するモデルを生成する。
図１の例では、生成部１３２は、事業者情報ＩＮＦ１１を分析することにより、分析事業者情報ＩＮＦ１１−１を生成する。例えば、生成部１３２は、事業者情報ＩＮＦ１１から分析事業者情報ＩＮＦ１１−１を生成する。例えば、生成部１３２は、各日時ＤＡ１１〜ＤＡ１４に対応する売上に基づいて、各日時ＤＡ１１〜ＤＡ１４の需要の高低を示す情報を含む分析事業者情報ＩＮＦ１１−１を生成する。例えば、生成部１３２は、各日時ＤＡ１１〜ＤＡ１４に対応する売上と全体の平均売上との差に基づいて、各日時ＤＡ１１〜ＤＡ１４の需要の高低を示す情報を含む分析事業者情報ＩＮＦ１１−１を生成する。
図１の例では、生成部１３２は、学習データに基づいてモデルを生成する。例えば、生成部１３２は、学習データに基づいてモデルを生成する。例えば、生成部１３２は、学習データ記憶部１２１中のデータＤＴ１−１〜ＤＴ１−４等を学習データ（教師データ）として、学習を行なうことにより、モデルを生成する。
図１の例では、生成部１３２は、分析事業者情報ＩＮＦ１１−１や分析用情報ＩＮＦ２１を組み合わせたデータを学習データとして追加する。例えば、生成部１３２は、分析事業者情報ＩＮＦ１１−１に含まれる各日時ＤＡ１１〜ＤＡ１４等の需要を正解情報とする学習データを生成する。例えば、生成部１３２は、学習データを学習データ記憶部１２１に追加する。
例えば、生成部１３２は、正解情報ＲＤＴ１−１として、分析事業者情報ＩＮＦ１１−１に示すように、日時ＤＡ１１におけるＡエリアのパン屋ＭＡの需要が「高」であることを示す正解情報ＲＤＴ１−１を含むデータＤＴ１−１を学習データとして生成する。例えば、生成部１３２は、パン屋ＭＡの事業内容を示す事業内容情報ＥＤＴ１やパン屋ＭＡがＡエリアに位置することを示す位置情報ＡＤＴ１を入力情報として含むデータＤＴ１−１を学習データとして生成する。例えば、生成部１３２は、正解情報ＲＤＴ１−１に対応する日時ＤＡ１１よりも過去の日時ＤＡ１０における予約情報ＢＤＴ１０や検索情報ＳＤＴ１０を入力情報として含むデータＤＴ１−１を学習データとして生成する。
図１の例では、生成部１３２は、学習データ記憶部１２１に示すような学習データを用いてモデルＭ１を生成する。例えば、生成部１３２は、正解情報ＲＤＴ１−１のように需要が高かったことを示す「１」である場合、モデルＭ１にデータＤＴ１−１に含まれる事業情報が入力された場合に、モデルＭ１が出力するスコアが「１」に近づくように、学習処理を行う。例えば、生成部１３２は、データＤＴ１−１の事業内容情報ＥＤＴ１や位置情報ＡＤＴ１や予約情報ＢＤＴ１０や検索情報ＳＤＴ１０がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「１」に近づくように、学習処理を行う。
また、例えば、生成部１３２は、正解情報ＲＤＴ１−２のように需要が中程度（平均）であったことを示す「０．５」である場合、モデルＭ１にデータＤＴ１−２に含まれる事業情報が入力された場合に、モデルＭ１にデータＤＴ１−２に含まれる事業情報が入力された場合に、モデルＭ１が出力するスコアが「０．５」に近づくように、学習処理を行。例えば、生成部１３２は、データＤＴ１−２の事業内容情報ＥＤＴ１や位置情報ＡＤＴ１や予約情報ＢＤＴ１２や検索情報ＳＤＴ１２がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「０．５」に近づくように、学習処理を行う。
例えば、生成部１３２は、正解情報ＲＤＴ１−４のように需要が低かったことを示す「０」である場合、モデルＭ１にデータＤＴ１−４に含まれる事業情報が入力された場合に、モデルＭ１にデータＤＴ１−４に含まれる事業情報が入力された場合に、モデルＭ１が出力するスコアが「０」に近づくように、学習処理を行う。例えば、生成部１３２は、データＤＴ１−４の事業内容情報ＥＤＴ１や位置情報ＡＤＴ１や予約情報ＢＤＴ１４や検索情報ＳＤＴ１４がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「０．５」に近づくように、学習処理を行う。
図２の例では、生成部１３２は、事業者情報ＩＮＦ１２や分析用情報ＩＮＦ２２を組み合わせた入力データを生成する。例えば、生成部１３２は、入力データ一覧ＩＰＤ２１に示すように、事業者情報ＩＮＦ１１に含まれる事業内容情報ＥＤＴ１や位置情報ＡＤＴ１を含むデータＤＴ２１を入力データとして生成する。例えば、生成部１３２は、入力データ一覧ＩＰＤ２１に示すように、需要予測の対象となる日時ＤＡ２１よりも過去の日時ＤＡ２０における予約情報ＢＤＴ２０や検索情報ＳＤＴ２０を含むデータＤＴ２１を入力データとして生成する。
（予測部１３３）
予測部１３３は、各種情報を予測する。予測部１３３は、学習データ記憶部１２１と、モデル情報記憶部１２２と、需要情報記憶部１２３等に記憶された情報を用いて種々の情報を予測する。例えば、予測部１３３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。
例えば、予測部１３３は、取得部１３１により取得された事業情報に基づいて、所定の事業者の事業の対象に関する需要を予測する。例えば、予測部１３３は、所定の事業者の事業の対象に関する需要の予測に用いられるモデルであって、事業情報が入力されたモデルの出力に基づいて、所定の事業者の事業の対象に関する需要を予測する。予測部１３３は、他の事業者が有する情報と所定の事業者の売上情報とに基づいて、所定の事業者に関する需要を予測する。
図２の例では、予測部１３３は、日時ＤＡ２１におけるパン屋ＭＡの事業の対象「パン」に関する需要を示すスコアに基づいて需要を予測する。例えば、予測部１３３は、事業情報が入力されたモデルＭ１が出力するスコアが０．３未満である場合、その事業情報に対応する事業の対象の需要が「低」と予測する。例えば、予測部１３３は、事業情報が入力されたモデルＭ１が出力するスコアが０．３以上０．７未満である場合、その事業情報に対応する事業の対象の需要が「中」と予測する。例えば、予測部１３３は、事業情報が入力されたモデルＭ１が出力するスコアが０．７以上である場合、その事業情報に対応する事業の対象の需要が「高」と予測する。
例えば、予測部１３３は、要求された日時における事業情報に対応する事業の対象の需要を「低」、「中」、「高」のいずれのレベルであるかを予測する。例えば、予測部１３３は、図２中の需要情報記憶部１２３に示すように、日時ＤＡ２１におけるＡエリアに位置するパン屋ＭＡのパンに対する需要を「高」と予測する。
なお、上記例では、モデルＭ１が、所定の事業者の事業に関する情報である事業情報が入力された場合に、所定のエリアにおいて所定の事業者の事業の対象に関する需要の予測を定量化した値を出力するモデルである例を示した。しかし、実施形態に係るモデル（モデルＸ）は、モデルＭ１にデータの入出力を繰り返すことで得られる結果に基づいて生成されるモデルであってもよい。例えば、モデルＸは、所定の事業者の事業に関する情報である事業情報を入力とし、モデルＭ１が出力するスコアを出力とするよう学習されたモデル（モデルＹ)であってもよい。または、モデルＭ１は、所定の事業者の事業に関する情報である事業情報を入力とし、モデルＹの出力値を出力とするよう学習されたモデルであってもよい。また、予測部１３３がＧＡＮ（Generative Adversarial Networks）を用いた予測処理を行う場合、モデルＭ１は、ＧＡＮの一部を構成するモデルであってもよい。
（提供部１３４）
提供部１３４は、各種情報を提供する。例えば、提供部１３４は、事業者装置１０に各種情報を提供する。提供部１３４は、予測部１３３により予測された所定の事業者の事業の対象に関する需要に基づくサービスを提供する。例えば、提供部１３４は、予測部１３３により予測された所定の事業者の事業の対象に関する需要に基づいて予測する対象の販売予定個数に関する情報を提供する。また、例えば、提供部１３４は、生成部１３２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。
また、例えば、提供部１３４は、予測した需要に基づいて情報提供を行う。図２の例では、提供部１３４は、日時ＤＡ２１におけるＡエリアに位置するパン屋ＭＡのパンに対する需要が高いことを示す情報を事業者装置１０へ提供する。
また、例えば、提供部１３４は、予測した需要に基づいて情報提供以外にも種々のサービスを提供してもよい。例えば、提供部１３４は、電子商取引サービスやコンテンツ配信サービス等の種々のサービスにおいて、予測した需要に関する情報を用いてもよい。例えば、提供部１３４は、広告の出稿等の広告配信サービスに予測した需要を用いてもよい。
例えば、提供部１３４は、オンライン広告出稿に予測した需要を用いてもよい。
また、例えば、提供部１３４は、電子商取引サービスにおけるユーザへのインセンティブ付与において、予測した需要に関する情報を用いてもよい。例えば、提供部１３４は、クーポン配布等において、予測した需要に関する情報を用いてもよい。例えば、提供部１３４は、予測した需要に基づく、商品等の自動注文サービス等を提供してもよい。例えば、提供部１３４は、予測した需要に基づく、仕入れ自動発注サービス等を提供してもよい。例えば、提供部１３４は、商品等に値段に関する情報提供に予測した需要を用いてもよい。例えば、提供部１３４は、予測した需要に基づく、動的プライシングサービス等を提供してもよい。例えば、提供部１３４は、予測した需要に基づいて、商品等の値段を自動的に決定するプライシングサービス等を提供してもよい。なお、上記は一例であり、提供部１３４は、予測した需要に基づいて種々のサービスを提供してもよい。
〔４．生成処理のフロー〕
次に、図８を用いて、実施形態に係る予測システム１による生成処理の手順について説明する。図８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。
図８に示すように、予測装置１００は、学習データを取得する（ステップＳ１０１）。例えば、予測装置１００は、学習データ記憶部１２１から学習データを取得する。
その後、予測装置１００は、学習データに基づきモデルを生成する（ステップＳ１０２）。図１の例では、予測装置１００は、学習データ記憶部１２１から学習データを用いてモデルＭ１を生成する。
〔５．予測処理のフロー〕
次に、図９を用いて、実施形態に係る予測システム１による予測処理の手順について説明する。図９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。
図９に示すように、予測装置１００は、需要予測の要求を取得する（ステップＳ２０１）。図２の例では、予測装置１００は、情報提供装置５０から日時ＤＡ２０における分析用情報ＩＮＦ２２を取得する。
また、予測装置１００は、需要予測の要求を取得する（ステップＳ２０２）。図２の例では、予測装置１００は、日時ＤＡ２１における需要予測の要求として、パン屋ＭＡの管理者ＳＡ１が利用する事業者装置１０から事業者情報ＩＮＦ１２を取得する。
また、予測装置１００は、モデルを用いてエリアにおける所定の事業者の事業の対象に関する需要を予測する（ステップＳ２０３）。図２の例では、予測装置１００は、モデルＭ１を用いて、日時ＤＡ２１におけるパン屋ＭＡが提供するパンの需要を予測する。
また、予測装置１００は、予測した情報に基づくサービスを提供する（ステップＳ２０４）。図２の例では、予測装置１００は、予測した日時ＤＡ２１における需要情報ＤＭＬ２１を事業者装置１０へ提供する。
〔６．効果〕
上述してきたように、実施形態に係る予測装置１００は、取得部１３１と、予測部１３３とを有する。取得部１３１は、所定の事業者の事業に関する情報である事業情報を取得する。また、予測部１３３は、取得部１３１により取得された事業情報に基づいて、所定の事業者の事業の対象に関する需要を予測する。
このように、実施形態に係る予測装置１００は、所定の事業者の事業に関する情報である事業情報に基づいて、所定の事業者の事業の対象に関する需要を予測することにより、所定の事業者の事業の対象に対する需要を適切に予測することができる。
また、実施形態に係る予測装置１００において、取得部１３１は、所定の事業者自身の事業に関する情報を含む事業情報を取得する。
このように、実施形態に係る予測装置１００は、所定の事業者自身の事業に関する情報を含む事業情報を取得することにより、所定の事業者の事業の対象に対する需要を適切に予測することができる。
また、実施形態に係る予測装置１００において、取得部１３１は、所定の事業者の事業実績を含む事業情報を取得する。
このように、実施形態に係る予測装置１００は、所定の事業者の事業実績を含む事業情報を取得することにより、所定の事業者の事業の対象に対する需要を適切に予測することができる。
また、実施形態に係る予測装置１００において、取得部１３１は、所定の事業者以外の他の事業者が有する所定の事業者に関する情報を含む事業情報を取得する。
このように、実施形態に係る予測装置１００は、所定の事業者以外の他の事業者が有する所定の事業者に関する情報を含む事業情報を取得することにより、所定の事業者の事業の対象に対する需要を適切に予測することができる。
また、実施形態に係る予測装置１００において、取得部１３１は、所定の事業者以外の他の事業者が有する情報と、所定の事業者の売上情報を含む事業情報を取得する。予測部１３３は、他の事業者が有する情報と所定の事業者の売上情報とに基づいて、所定の事業者に関する需要を予測する。
このように、実施形態に係る予測装置１００は、他の事業者が有する情報と所定の事業者の売上情報とに基づいて、所定の事業者に関する需要を予測することにより、所定の事業者の事業の対象に対する需要を適切に予測することができる。
また、実施形態に係る予測装置１００において、取得部１３１は、所定の事業者が位置するエリアに関するエリア関連情報を含む事業情報を取得する。
このように、実施形態に係る予測装置１００は、所定の事業者が位置するエリアに関するエリア関連情報を含む事業情報を取得することにより、所定の事業者の事業の対象に対する需要を適切に予測することができる。
また、実施形態に係る予測装置１００において、取得部１３１は、所定の事業者が位置するエリアに関する予約情報を含む事業情報を取得する。
このように、実施形態に係る予測装置１００は、所定の事業者が位置するエリアに関する予約情報を含む事業情報を取得することにより、所定の事業者の事業の対象に対する需要を適切に予測することができる。
また、実施形態に係る予測装置１００において、取得部１３１は、所定の事業者の事業に関する検索情報を含む事業情報を取得する。
このように、実施形態に係る予測装置１００は、所定の事業者の事業に関する検索情報を含む事業情報を取得することにより、所定の事業者の事業の対象に対する需要を適切に予測することができる。
また、実施形態に係る予測装置１００において、取得部１３１は、所定の事業者以外の他の事業者の事業に関する情報を含む事業情報を取得する。
このように、実施形態に係る予測装置１００は、所定の事業者以外の他の事業者の事業に関する情報を含む事業情報を取得することにより、所定の事業者の事業の対象に対する需要を適切に予測することができる。
また、実施形態に係る予測装置１００において、取得部１３１は、他の事業者の事業実績を含む事業情報を取得する。
このように、実施形態に係る予測装置１００は、他の事業者の事業実績を含む事業情報を取得することにより、所定の事業者の事業の対象に対する需要を適切に予測することができる。
また、実施形態に係る予測装置１００において、取得部１３１は、所定の事業者が位置する所定のエリア内に位置する他の事業者の事業に関する情報を含む事業情報を取得する。
このように、実施形態に係る予測装置１００は、所定の事業者が位置する所定のエリア内に位置する他の事業者の事業に関する情報を含む事業情報を取得することにより、所定の事業者の事業の対象に対する需要を適切に予測することができる。
また、実施形態に係る予測装置１００において、取得部１３１は、所定の事業者が位置する所定のエリア外に位置する他の事業者の事業に関する情報を含む事業情報を取得する。
このように、実施形態に係る予測装置１００は、所定の事業者が位置する所定のエリア外に位置する他の事業者の事業に関する情報を含む事業情報を取得することにより、所定の事業者の事業の対象に対する需要を適切に予測することができる。
また、実施形態に係る予測装置１００において、取得部１３１は、所定の事業者の事業に類似する事業を行う他の事業者の事業に関する情報を含む事業情報を取得する。
このように、実施形態に係る予測装置１００は、所定の事業者の事業に類似する事業を行う他の事業者の事業に関する情報を含む事業情報を取得することにより、所定の事業者の事業の対象に対する需要を適切に予測することができる。
また、実施形態に係る予測装置１００において、取得部１３１は、所定の事業者の事業に類似する事業を行う他の事業者の事業に関する情報を含む事業情報を取得する。
このように、実施形態に係る予測装置１００は、所定の事業者の事業に類似する事業を行う他の事業者の事業に関する情報を含む事業情報を取得することにより、所定の事業者の事業の対象に対する需要を適切に予測することができる。
また、実施形態に係る予測装置１００において、予測部１３３は、所定の事業情報と、所定の事業情報に対応する事業者の事業の対象に関する需要を示す正解情報とに基づいて生成されるモデルを用いて、所定の事業者の事業の対象に関する需要を予測する。
このように、実施形態に係る予測装置１００は、所定の事業情報と、所定の事業情報に対応する事業者の事業の対象に関する需要を示す正解情報とに基づいて生成されるモデルを用いて、所定の事業者の事業の対象に関する需要を予測することにより、所定の事業者の事業の対象に対する需要を適切に予測することができる。
また、実施形態に係る予測装置１００は、提供部１３４を有する。提供部１３４は、予測部１３３により予測された所定の事業者の事業の対象に関する需要に関する情報を用いたサービスを提供する。
このように、実施形態に係る予測装置１００は、予測部１３３により予測された所定の事業者の事業の対象に関する需要に関する情報を用いたサービスを提供することにより、情報提供先の事業者等が所定のエリアにおける需要に基づくサービスを提供可能にすることができる。
〔７．ハードウェア構成〕
上述してきた実施形態に係る予測装置１００は、例えば図１０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１０は、予測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。
ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。
ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、ネットワークＮを介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータをネットワークＮを介して他の機器へ送信する。
ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。
メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。
例えば、コンピュータ１０００が実施形態に係る予測装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムまたはデータ（例えば、モデルＭ１（モデルデータＭＤＴ１））を実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムまたはデータ（例えば、モデルＭ１（モデルデータＭＤＴ１））を記録媒体１８００から読み取って実行するが、他の例として、他の装置からネットワークＮを介してこれらのプログラムを取得してもよい。
以上、本願の実施形態及び変形例のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の行に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。
〔８．その他〕
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。
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。
また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。
また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。
１ 予測システム
１００ 予測装置
１２１ 学習データ記憶部
１２２ モデル情報記憶部
１２３ 需要情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 生成部
１３３ 予測部
１３４ 提供部
１０ 事業者装置
５０ 情報提供装置
Ｎ ネットワーク
本発明は、予測装置、予測方法、及び予測プログラムに関する。

Claims (19)

  1. 所定の事業者の事業に関する情報である事業情報を取得する取得部と、
    前記取得部により取得された前記事業情報に基づいて、前記所定の事業者の事業の対象に関する需要を予測する予測部と、
    を備えることを特徴とする予測装置。
  2. 前記取得部は、
    前記所定の事業者自身の事業に関する情報を含む前記事業情報を取得する
    ことを特徴とする請求項１に記載の予測装置。
  3. 前記取得部は、
    前記所定の事業者の事業実績を含む前記事業情報を取得する
    ことを特徴とする請求項２に記載の予測装置。
  4. 前記取得部は、
    前記所定の事業者以外の他の事業者が有する前記所定の事業者に関する情報を含む前記事業情報を取得する
    ことを特徴とする請求項１〜３いずれか１項に記載の予測装置。
  5. 前記取得部は、
    前記所定の事業者以外の他の事業者が有する情報と、前記所定の事業者の売上情報を含む前記事業情報を取得し、
    前記予測部は、
    前記他の事業者が有する情報と前記所定の事業者の売上情報とに基づいて、前記所定の事業者に関する需要を予測する
    ことを特徴とする請求項１〜４のいずれか１項に記載の予測装置。
  6. 前記取得部は、
    前記所定の事業者が位置するエリアに関するエリア関連情報を含む前記事業情報を取得する
    ことを特徴とする請求項１〜５のいずれか１項に記載の予測装置。
  7. 前記取得部は、
    前記所定の事業者が位置するエリアに関する予約情報を含む前記事業情報を取得する
    ことを特徴とする請求項６に記載の予測装置。
  8. 前記取得部は、
    前記所定の事業者の事業に関する検索情報を含む前記事業情報を取得する
    ことを特徴とする請求項１〜７のいずれか１項に記載の予測装置。
  9. 前記取得部は、
    前記所定の事業者以外の他の事業者の事業に関する情報を含む前記事業情報を取得する
    ことを特徴とする請求項１〜８いずれか１項に記載の予測装置。
  10. 前記取得部は、
    前記他の事業者の事業実績を含む前記事業情報を取得する
    ことを特徴とする請求項９に記載の予測装置。
  11. 前記取得部は、
    前記所定の事業者が位置する所定のエリア内に位置する前記他の事業者の事業に関する情報を含む前記事業情報を取得する
    ことを特徴とする請求項９または請求項１０に記載の予測装置。
  12. 前記取得部は、
    前記所定の事業者が位置する所定のエリア外に位置する前記他の事業者の事業に関する情報を含む前記事業情報を取得する
    ことを特徴とする請求項９または請求項１０に記載の予測装置。
  13. 前記取得部は、
    前記所定の事業者の事業に類似する事業を行う前記他の事業者の事業に関する情報を含む前記事業情報を取得する
    ことを特徴とする請求項９〜１２いずれか１項に記載の予測装置。
  14. 前記予測部は、
    所定の事業情報と、前記所定の事業情報に対応する事業者の事業の対象に関する需要を示す正解情報とに基づいて生成されるモデルを用いて、前記所定の事業者の事業の対象に関する需要を予測する
    ことを特徴とする請求項１〜１３のいずれか１項に記載の予測装置。
  15. 前記予測部により予測された前記所定の事業者の事業の対象に関する需要に関する情報を用いたサービスを提供する提供部、
    をさらに備えることを特徴とする請求項１〜１４のいずれか１項に記載の予測装置。
  16. コンピュータが実行する予測方法であって、
    所定の事業者の事業に関する情報である事業情報を取得する取得工程と、
    前記取得工程により取得された前記事業情報に基づいて、前記所定の事業者の事業の対象に関する需要を予測する予測工程と、
    を含むことを特徴とする予測方法。
  17. 所定の事業者の事業に関する情報である事業情報を取得する取得手順と、
    前記取得手順により取得された前記事業情報に基づいて、前記所定の事業者の事業の対象に関する需要を予測する予測手順と、
    をコンピュータに実行させることを特徴とする予測プログラム。
  18. 所定の事業情報と、前記所定の事業情報に対応する事業者の事業の対象に関する需要を示す正解情報とを含む学習データであって、
    入力層と出力層とを有し、前記入力層から前記出力層までのいずれかの層であって前記出力層以外の層に属する第１要素と、前記第１要素と前記第１要素の重みとに基づいて値が算出される第２要素と、前記入力層に入力された前記事業情報に対し、前記出力層以外の各層に属する各要素を前記第１要素として、前記第１要素と前記第１要素の重みとに基づく演算を行うモデルの前記入力層に入力されることにより、演算結果を示す出力値を前記モデルの前記出力層から出力させ、前記事業情報に対応する前記正解情報と前記出力値との比較に基づく学習を行なうよう、
    コンピュータを機能させるための学習データ。
  19. 所定の事業者の事業に関する情報である事業情報が入力される入力層と、
    出力層と、
    前記入力層から前記出力層までのいずれかの層であって前記出力層以外の層に属する第１要素と、
    前記第１要素と前記第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、
    前記入力層に入力された事業情報に対し、前記出力層以外の各層に属する各要素を前記第１要素として、前記第１要素と前記第１要素の重みとに基づく演算を行うことにより、所定の事業者の事業の対象に関する需要の予測に用いられるスコアの値を前記出力層から出力するよう、
    コンピュータを機能させるモデル。
JP2017176107A 2017-09-13 2017-09-13 予測装置、予測方法、及び予測プログラム Active JP6736530B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2017176107A JP6736530B2 (ja) 2017-09-13 2017-09-13 予測装置、予測方法、及び予測プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017176107A JP6736530B2 (ja) 2017-09-13 2017-09-13 予測装置、予測方法、及び予測プログラム

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2018191990A Division JP7000293B2 (ja) 2018-10-10 2018-10-10 予測装置、予測方法、及び予測プログラム

Publications (2)

Publication Number Publication Date
JP2019053433A true JP2019053433A (ja) 2019-04-04
JP6736530B2 JP6736530B2 (ja) 2020-08-05

Family

ID=66015092

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017176107A Active JP6736530B2 (ja) 2017-09-13 2017-09-13 予測装置、予測方法、及び予測プログラム

Country Status (1)

Country Link
JP (1) JP6736530B2 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6709483B1 (ja) * 2019-10-07 2020-06-17 株式会社ファーマクラウド 医薬品の調剤量を予測するためのシステム、方法、およびプログラム
JP2021532501A (ja) * 2019-08-19 2021-11-25 平安科技(深▲せん▼)有限公司Ping An Technology (Shenzhen) Co., Ltd. データのインテリジェント分析方法、装置、コンピュータ機器及び記憶媒体
WO2022025282A1 (ja) * 2020-07-31 2022-02-03 ＴｅｃｈＭａｇｉｃ株式会社 学習制御システム

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102344383B1 (ko) * 2021-02-01 2021-12-29 테이블매니저 주식회사 인공지능 기반 매장 수요 예측 방법 및 시스템

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05113987A (ja) * 1991-06-28 1993-05-07 Mitsuo Nagamachi 商品発注システム
JPH0926990A (ja) * 1995-07-10 1997-01-28 Toshiba Corp ホテルシステム
JPH11219346A (ja) * 1998-02-02 1999-08-10 Fujitsu Ltd 仮想企業シミュレーション装置および記録媒体
JP2004086896A (ja) * 2002-08-06 2004-03-18 Fuji Electric Holdings Co Ltd 適応的予測モデル構築方法及び適応的予測モデル構築システム
JP2004326346A (ja) * 2003-04-23 2004-11-18 Hitachi Ltd 需要予測装置及び方法、並びに生産計画立案支援装置及び方法
JP2007299260A (ja) * 2006-05-01 2007-11-15 Nippon Telegr & Teleph Corp <Ntt> 情報処理サーバ、情報配信システム、プログラム、及び、記録媒体
JP2008021020A (ja) * 2006-07-11 2008-01-31 Hitachi Information & Control Solutions Ltd 販売計画作成支援システム
JP2008083999A (ja) * 2006-09-27 2008-04-10 Sumitomo Heavy Ind Ltd 需要予測方法、需要予測装置、需要予測プログラム、及び該プログラムを記録した記録媒体
JP2009237832A (ja) * 2008-03-26 2009-10-15 Tokyo Gas Co Ltd 可変的予測モデル構築方法、及び、可変的予測モデル構築システム
JP2009265747A (ja) * 2008-04-22 2009-11-12 Ntt Data Smis Co Ltd マーケティング支援システム、マーケティング支援方法、マーケティング支援プログラム及びコンピュータ読み取り可能な媒体
JP2010108078A (ja) * 2008-10-28 2010-05-13 Hitachi East Japan Solutions Ltd 需要予測装置
JP2010231605A (ja) * 2009-03-27 2010-10-14 Denso It Laboratory Inc イベント判断装置
WO2010150722A1 (ja) * 2009-06-22 2010-12-29 楽天株式会社 予約情報集計装置、予約情報集計方法、サーバ、旅行予約状況開示方法、プログラム及び記録媒体
JP2012133694A (ja) * 2010-12-24 2012-07-12 Hitachi Ltd 需要予測方法
JP2013077109A (ja) * 2011-09-30 2013-04-25 Rakuten Inc 情報処理装置、情報処理方法、情報処理プログラム、及び記録媒体
JP5740536B1 (ja) * 2014-03-28 2015-06-24 楽天株式会社 情報処理装置、情報処理方法及び情報処理プログラム
JP6156665B1 (ja) * 2016-04-08 2017-07-05 パナソニックＩｐマネジメント株式会社 施設内活動分析装置、施設内活動分析システムおよび施設内活動分析方法
JP2017146815A (ja) * 2016-02-18 2017-08-24 株式会社日立製作所 電力需要予測装置及び方法
JP2017151867A (ja) * 2016-02-26 2017-08-31 ヤフー株式会社 更新装置、更新方法、及び更新プログラム

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05113987A (ja) * 1991-06-28 1993-05-07 Mitsuo Nagamachi 商品発注システム
JPH0926990A (ja) * 1995-07-10 1997-01-28 Toshiba Corp ホテルシステム
JPH11219346A (ja) * 1998-02-02 1999-08-10 Fujitsu Ltd 仮想企業シミュレーション装置および記録媒体
JP2004086896A (ja) * 2002-08-06 2004-03-18 Fuji Electric Holdings Co Ltd 適応的予測モデル構築方法及び適応的予測モデル構築システム
JP2004326346A (ja) * 2003-04-23 2004-11-18 Hitachi Ltd 需要予測装置及び方法、並びに生産計画立案支援装置及び方法
JP2007299260A (ja) * 2006-05-01 2007-11-15 Nippon Telegr & Teleph Corp <Ntt> 情報処理サーバ、情報配信システム、プログラム、及び、記録媒体
JP2008021020A (ja) * 2006-07-11 2008-01-31 Hitachi Information & Control Solutions Ltd 販売計画作成支援システム
JP2008083999A (ja) * 2006-09-27 2008-04-10 Sumitomo Heavy Ind Ltd 需要予測方法、需要予測装置、需要予測プログラム、及び該プログラムを記録した記録媒体
JP2009237832A (ja) * 2008-03-26 2009-10-15 Tokyo Gas Co Ltd 可変的予測モデル構築方法、及び、可変的予測モデル構築システム
JP2009265747A (ja) * 2008-04-22 2009-11-12 Ntt Data Smis Co Ltd マーケティング支援システム、マーケティング支援方法、マーケティング支援プログラム及びコンピュータ読み取り可能な媒体
JP2010108078A (ja) * 2008-10-28 2010-05-13 Hitachi East Japan Solutions Ltd 需要予測装置
JP2010231605A (ja) * 2009-03-27 2010-10-14 Denso It Laboratory Inc イベント判断装置
WO2010150722A1 (ja) * 2009-06-22 2010-12-29 楽天株式会社 予約情報集計装置、予約情報集計方法、サーバ、旅行予約状況開示方法、プログラム及び記録媒体
JP2012133694A (ja) * 2010-12-24 2012-07-12 Hitachi Ltd 需要予測方法
JP2013077109A (ja) * 2011-09-30 2013-04-25 Rakuten Inc 情報処理装置、情報処理方法、情報処理プログラム、及び記録媒体
JP5740536B1 (ja) * 2014-03-28 2015-06-24 楽天株式会社 情報処理装置、情報処理方法及び情報処理プログラム
JP2017146815A (ja) * 2016-02-18 2017-08-24 株式会社日立製作所 電力需要予測装置及び方法
JP2017151867A (ja) * 2016-02-26 2017-08-31 ヤフー株式会社 更新装置、更新方法、及び更新プログラム
JP6156665B1 (ja) * 2016-04-08 2017-07-05 パナソニックＩｐマネジメント株式会社 施設内活動分析装置、施設内活動分析システムおよび施設内活動分析方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021532501A (ja) * 2019-08-19 2021-11-25 平安科技(深▲せん▼)有限公司Ping An Technology (Shenzhen) Co., Ltd. データのインテリジェント分析方法、装置、コンピュータ機器及び記憶媒体
JP6709483B1 (ja) * 2019-10-07 2020-06-17 株式会社ファーマクラウド 医薬品の調剤量を予測するためのシステム、方法、およびプログラム
JP2021060821A (ja) * 2019-10-07 2021-04-15 株式会社ファーマクラウド 医薬品の調剤量を予測するためのシステム、方法、およびプログラム
WO2022025282A1 (ja) * 2020-07-31 2022-02-03 ＴｅｃｈＭａｇｉｃ株式会社 学習制御システム

Also Published As

Publication number Publication date
JP6736530B2 (ja) 2020-08-05

Similar Documents

Publication Publication Date Title
RU2721176C2 (ru) Системы и способы для предсказания поведения пользователя на основе данных о местоположении
Dandl et al. Evaluating the impact of spatio-temporal demand forecast aggregation on the operational performance of shared autonomous mobility fleets
Fikar et al. A decision support system to investigate dynamic last-mile distribution facilitating cargo-bikes
JP7000293B2 (ja) 予測装置、予測方法、及び予測プログラム
Kim Forecasting short-term air passenger demand using big data from search engine queries
JP6736530B2 (ja) 予測装置、予測方法、及び予測プログラム
JP2019028489A (ja) 予測装置、予測方法、予測プログラム、学習データ、及びモデル
US20080004926A1 (en) Methods and architectures for context-sensitive reminders and service facilitation
D’Silva et al. Predicting the temporal activity patterns of new venues
JP2017162450A (ja) 公共交通機関システムにおけるユーザ旅行嗜好の平滑化動的モデリング
Sanders Forecasting fundamentals
JP6823612B2 (ja) 予測装置、予測方法、及び予測プログラム
Gonzalez-Feliu et al. A location-based accessibility analysis to estimate the suitability of urban consolidation facilities
JP6804505B2 (ja) 予測装置、予測方法、及び予測プログラム
Young et al. Railway station choice modelling: a review of methods and evidence
Comi et al. Aggregate delivery tour modeling through AVM data: Experimental evidence for light goods vehicles
Hyland et al. Integrating demand forecasts into the operational strategies of shared automated vehicle mobility services: spatial resolution impacts
Navandar et al. Empirical analysis of level of service at toll plaza by using ordered probit model
JP7249103B2 (ja) 選択装置、選択方法、及び選択プログラム
Flamini et al. The value of real-time traffic information in urban freight distribution
He et al. Gravity model of passenger and mobility fleet origin–destination patterns with partially observed service data
Kolbeinsson et al. Galactic air improves ancillary revenues with dynamic personalized pricing
Busquets et al. Air itinerary shares estimation using multinomial logit models
Mocanu What types of cars will we be driving? Methods of forecasting Car travel demand by vehicle type
Motuba et al. Truck trip generation in small-and medium-sized urban areas

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20171031

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20171031

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20171108

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180206

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180409

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20180710

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20181010

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20181018

A912 Re-examination (zenchi) completed and case transferred to appeal board

Free format text: JAPANESE INTERMEDIATE CODE: A912

Effective date: 20181228

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

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200409

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200715

R150 Certificate of patent or registration of utility model

Ref document number: 6736530

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

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