JP2021009631A - 情報処理システムおよび情報処理方法 - Google Patents

Abstract

【課題】予測対象に関する数量の予測に要する計算時間の短縮化を図ること。【解決手段】情報処理システム１００は、予測対象に関する数量の予測に要した計算時間と、予測対象に関する数量の予測に用いられた複数の時系列予測手法の採否の組み合わせと、を関連付けた履歴情報を記憶しており、履歴情報には存在しない新規な採否の組み合わせを生成し、計算時間を目的変数とし、履歴情報に記憶されている既存の採否の組み合わせを説明変数とした計算時間推定モデルを生成し、計算時間推定モデルに既存の採否の組み合わせおよび新規な組み合わせをそれぞれ入力することにより、採否の組み合わせごとの推定計算時間を出力し、採否の組み合わせの中から、推定計算時間のうち予測対象に割り当てられた割当計算時間に収まる第１の採否の組み合わせを特定の採否の組み合わせとして探索する。【選択図】図１

Description

本発明は、情報を処理する情報処理システムおよび情報処理方法に関する。

商品の出荷量は、商品ごとに異なる要因の影響を受ける。そのため、商品ごとの予測モデルを作り、予測する必要がある。特許文献１の技術は、商品ごとの売上げ予測に関する。特許文献１の技術は、売上予測プログラム生成アルゴリズムにより、商品ごとに売上げ予測プログラムを選定することで、商品ごとの売上げの傾向を考慮した売上げ予測を実施する。

特開２０１６‐１１５１５７号公報

しかしながら、特許文献１の技術では、予測サーバをネットワーク上に配置し、複数のユーザで共同利用する場合、他のリクエスト状況に応じて計算時間に制約が発生する。複数のユーザで共同利用する場合とは、たとえば、リクエストの集中による待ち状態を緩和する場合や、予約されたリクエストの処理開始時刻までに使用が限られる場合である。また、単独の予測リクエストでも、結果出力に納期がある場合もある。このように限られた時間の中で計算を完了させることが必要となる。

また、物流倉庫の出荷予測に適用する際、全商品に対し全候補の予測手法で予め計算をすると計算量が膨大になる可能性が高い。物流倉庫では１拠点で数万種の商品を扱うことは一般的であり、それら全商品に対し予測手法の選定を事前に学習しておくことは実運用上難しい。

本発明は、計算時間の短縮化を図ることを目的とする。

本願において開示される発明の一側面となる情報処理システムは、プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する情報処理システムであって、前記記憶デバイスは、予測対象に関する数量の予測に要した計算時間と、前記予測対象に関する数量の予測に用いられた複数の時系列予測手法の採否の組み合わせと、を関連付けた履歴情報を記憶しており、前記プロセッサは、前記履歴情報には存在しない新規な採否の組み合わせを生成する生成処理と、前記計算時間を目的変数とし、前記履歴情報に記憶されている既存の採否の組み合わせを説明変数とした計算時間推定モデルを生成し、前記計算時間推定モデルに前記既存の採否の組み合わせおよび前記生成処理によって生成された新規な組み合わせをそれぞれ入力することにより、前記採否の組み合わせごとの推定計算時間を出力する推定処理と、前記採否の組み合わせの中から、前記推定処理によって出力された推定計算時間のうち前記予測対象に割り当てられた割当計算時間に収まる第１の採否の組み合わせを特定の採否の組み合わせとして探索する探索処理と、を実行することを特徴とする。

本発明の代表的な実施の形態によれば、計算時間の短縮化を図ることができる。前述した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。

図１は、実施例１にかかる情報処理システムのシステム構成例を示すブロック図である。 図２は、出荷実績の一例を示す説明図である。 図３は、第１設定情報の一例を示す説明図である。 図４は、予測結果の一例を示す説明図である。 図５は、予測誤差の一例を示す説明図である。 図６は、計算時間の一例を示す説明図である。 図７は、予測誤差履歴の一例を示す説明図である。 図８は、計算時間履歴の一例を示す説明図である。 図９は、組み合わせ済予測誤差履歴の一例を示す説明図である。 図１０は、組み合わせ済計算時間履歴の一例を示す説明図である。 図１１は、予測誤差推定結果の一例を示す説明図である。 図１２は、計算時間推定結果の一例を示す説明図である。 図１３は、第２設定情報の一例を示す説明図である。 図１４は、コンピュータ（予測装置および学習装置）のハードウェア構成例を示すブロック図である。 図１５は、学習装置による設定処理手順例を示すフローチャートである。 図１６は、実施例１にかかる、図１５に示した組み合わせ生成処理（ステップＳ１５０３）の詳細な処理手順例を示すフローチャートである。 図１７は、図１５に示した推定処理（ステップＳ１５０４）の詳細な処理手順例を示すフローチャートである。 図１８は、図１５に示した探索処理（ステップＳ１５０５）の詳細な処理手順例を示すフローチャートである。 図１９は、予測装置による予測処理手順例を示すフローチャートである。 図２０は、出力画面の一例を示す説明図である。 図２１は、時系列予測手法に条件を対応付けたテーブルである。 図２２は、履歴画面の一例を示す説明図である。 図２３は、設定画面の一例を示す説明図である。 図２４は、実施例２にかかる情報処理システムのシステム構成例を示すブロック図である。 図２５は、図２４に示した寄与度の一例を示す説明図である。 図２６は、実施例２にかかる、図１５に示した組み合わせ生成処理（ステップＳ１５０３）の詳細な処理手順例を示すフローチャートである。 図２７は、実施例３にかかる情報処理システムのシステム構成例を示すブロック図である。 図２８は、図２７に示した商品情報の一例を示す説明図である。 図２９は、実施例３にかかる組み合わせ済予測誤差履歴の一例を示す説明図である。 図３０は、実施例３にかかる組み合わせ済計算時間履歴の一例を示す説明図である。 図３１は、実施例３にかかる予測誤差推定結果の一例を示す説明図である。 図３２は、実施例３にかかる計算時間推定結果の一例を示す説明図である。 図３３は、実施例３にかかる、図１５に示した組み合わせ生成処理（ステップＳ１５０３）の詳細な処理手順例を示すフローチャートである。 図３４は、実施例３にかかる、図１５に示した推定処理（ステップＳ１５０４）の詳細な処理手順例を示すフローチャートである。

＜情報処理システムのシステム構成例＞
図１は、実施例１にかかる情報処理システムのシステム構成例を示すブロック図である。情報処理システム１００は、予測装置１０１と、学習装置１０２と、により構成される。情報処理システム１００は、予測装置１０１および学習装置１０２のうち少なくとも学習装置１０２を含めばよい。予測装置１０１および学習装置１０２は、同一または異なるコンピュータで実現される。

予測装置１０１と学習装置１０２は、具体的には、たとえば、直接、または、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、インターネットのようなネットワークを介して、通信可能に接続される。

予測装置１０１は、複数の時系列予測手法を用いて商品の出荷予測を実行するコンピュータである。学習装置１０２は、予測装置１０１で実行される複数の時系列予測手法１１２の採否を設定するコンピュータである。まず、予測装置１０１から説明する。

予測装置１０１は、出荷実績１３１の入力を受け付けて、設定情報１３２を用いて、予測結果１３３、予測誤差１３４および計算時間１３５を出力する。予測装置１０１は、予測誤差１３４および計算時間１３５を学習装置１０２に出力する。

＜出荷実績１３１の一例＞
図２は、出荷実績１３１の一例を示す説明図である。出荷実績１３１は、商品ごとに商品を出荷した実績を示す時系列データである。出荷実績１３１は、具体的には、たとえば、商品ごとに、商品コード２０１、出荷日２０２、および実出荷数２０３を含む。商品コード２０１は、ＪＡＮ（Ｊａｐａｎｅｓｅ Ａｒｔｉｃｌｅ Ｎｕｍｂｅｒ）コードなど、その商品を一意に特定するコードである。出荷日２０２は、その商品が出荷された年月日である。年月日については、８ケタの数字列で表記する。たとえば、「２０１８１００１」は、２０１８年１０月１日である（以下同様）。実出荷数２０３は、その商品が実際に出荷された実績数である。

＜第１設定情報１３２ａの一例＞
図３は、第１設定情報１３２ａの一例を示す説明図である。設定情報１３２は、第１設定情報１３２ａを記憶する。第１設定情報お１３２ａは、あらかじめ用意された情報である。第１設定情報１３２ａは、複数の時系列予測手法１１２の採否と、採用された手法で予測処理が実行されたことと、を示す情報である。第１設定情報１３２ａは、処理日３０１毎に各商品について予測装置１０１による予測時に時系列予測手法１１２の採否を記録したデータである。

第１設定情報１３２ａは、具体的には、たとえば、予測装置１０１での予測ごとに、処理日３０１と、商品コード２０１と、時系列予測手法（以下、単に、「手法」とする場合がある）Ａ１１２Ａ、手法Ｂ１１２Ｂ、…を含む。手法Ａ１１２Ａ、手法Ｂ１１２Ｂ、…を、それぞれ、手法１１２Ａ、手法１１２Ｂと表記したり、手法Ａ、手法Ｂと表記したりする。手法１１２Ａ、手法１１２Ｂ、…を区別しない場合は、単に、手法１１２と表記する。

手法１１２には、たとえば、ＭＡ（Ｍｏｖｉｎｇ Ａｖｅｒａｇｅ：移動平均）、ＡＲ（Ａｕｔｏｒｅｇｒｅｓｓｉｖｅ：自己回帰）、ＡＲＩＭＡ（Ａｕｔｏｒｅｇｒｅｓｓｉｖｅ， Ｉｎｔｅｇｒａｔｅｄ ａｎｄ Ｍｏｖｉｎｇ Ａｖｅｒａｇｅ：自己回帰和分移動平均）などがある。また、同じ手法１１２であっても、予測対象期間が異なるようにハイパーパラメータが設定されている場合は、それらは異なる手法として適用される。

処理日３０１は、時系列予測部１１２が予測処理を実行した年月日である。手法１１２は、時系列予測部１１２が、処理日３０１において商品コード２０１で特定される商品の出荷予測における手法１１２の採否を示すフラグである。ここでは、フラグが「１」であれば採用、「０」であれば不採用を示す。たとえば、１行目のエントリは、『２０１８年１０月１０日に、商品コード２０１が「Ｐｒｏｄｕｃｔ００１」の商品を、手法Ａおよび手法Ｂの各々で実行した。』ことを示す。

＜予測結果１３３の一例＞
図４は、予測結果１３３の一例を示す説明図である。予測結果１３３は、予測装置１０１が出力した出荷予測の結果を示すデータである。予測結果１３３は、具体的には、たとえば、予測装置１０１での予測毎に、処理日３０１、商品コード２０１、予測日４０１、および予測値４０２を含む。予測日４０１は、その商品の出荷を予測する日である。予測値４０２は、その商品が予測日４０１に出荷される予測個数である。

＜予測誤差１３４の一例＞
図５は、予測誤差１３４の一例を示す説明図である。予測誤差１３４は、予測装置１０１による予測の誤差を示すデータである。予測誤差１３４は、処理日３０１と、商品コード２０１と、誤差５０１と、を含む。誤差５０１は、その商品の出荷日２０２における実出荷数２０３と、その商品の出荷日２０２と同一の予測日４０１における予測値４０２との差を示す割合である。誤差５０１は、たとえば、下記式（１）で求められる。

誤差＝（｜実出荷数−予測値｜／実出荷数）×１００・・・（１）

＜計算時間１３５の一例＞
図６は、計算時間１３５の一例を示す説明図である。計算時間１３５は、予測装置１０１が商品ごとに、その商品について処理日３０１に予測処理を実行した場合に、当該予測処理の計算に要した時間である。具体的には、たとえば、計算時間１３５は、処理日３０１と、商品コード２０１と、計算時間６０１と、を含む。計算時間６０１は、その商品について処理日３０１に予測処理を実行した場合に、当該予測処理の計算に要した時間である。計算時間６０１は、採用された時系列予測手法１１２で計測された計算時間の合計値である。

図１に戻り、予測装置１０１は、前処理部１１１と、時系列予測部１１２と、統合部１１４と、を有する。前処理部１１１は、出荷実績１３１を前処理する。具体的には、たとえば、前処理部１１１は、その商品が出荷されていない年月日のエントリを生成し、当該エントリの出荷日２０２および実出荷数２０３の値に「０」を設定する処理である。

時系列予測部１１２は、商品ごとに、その商品の出荷実績１３１を用い、第２設定情報１３２ｂで設定された複数の時系列予測手法１１２の各々で予測処理を実行する。第２設定情報１３２ｂについては後述する。

統合部１１４は、各時系列予測手法１１２の演算結果を参照し、各演算結果に係数を乗じて合算する。具体的には、たとえば、各時系列予測手法１１２による演算結果をＰ１、Ｐ２、Ｐ３、…とし、各時系列予測手法１１２の係数をｗ１、ｗ２、ｗ３、…とした場合、統合部１１４によって統合された予測結果１３３の予測値４０２は、下記式（２）で表すことができる。

Ｐ＝ｗ１×Ｐ１＋ｗ２×Ｐ２＋ｗ３×Ｐ３＋…＋ｗｎ×Ｐｎ・・・（２）

ただし、ｎは、時系列予測手法１１２の総数であり、Ｐは予測値４０２である。ｎ番目の時系列予測手法１１２が不採用であれば係数ｗｎはｗｎ＝０である。つぎに、学習装置１０２について説明する。

学習装置１０２は、入力部１２１と、第１結合部１２２ａと、第２結合部１２２ｂと、第１組み合わせ生成部１２３ａと、第２組み合わせ生成部１２３ｂと、予測誤差推定部１２４ａと、計算時間推定部１２４ｂと、探索部１２５と、を有する。

入力部１２１は、ユーザ操作により指定された計算時間（以下、指定計算時間）の入力を受け付ける。指定計算時間は探索部１２５に出力される。入力部１２１から指定計算時間の入力が受け付けられなかった場合は、あらかじめ設定された計算時間（以下、設定計算時間）が探索部１２５に出力される。

第１結合部１２２ａは、予測誤差１３４と第１設定情報１３２ａとを結合して、予測誤差履歴１３６を出力する。第１結合部１２２ａは、第２設定情報１３２ｂが生成された場合、予測誤差１３４と第２設定情報１３２ｂとを結合して、予測誤差履歴１３６を出力する。第２結合部１２２ｂは、計算時間１３５と第１設定情報１３２ａとを結合して、計算時間履歴１３７を出力する。第２結合部１２２ｂは、第２設定情報１３２ｂが生成された場合、計算時間１３５と第２設定情報１３２ｂとを結合して、予測誤差履歴１３６を出力する。第１結合部１２２ａおよび第２結合部１２２ｂを区別しない場合は、単に、結合部１２２とする。

図７は、予測誤差履歴１３６の一例を示す説明図である。予測誤差履歴１３６は、処理日３０１と、商品コード２０１と、手法１１２と、誤差５０１と、を含む。

図８は、計算時間履歴１３７の一例を示す説明図である。計算時間履歴１３７は、処理日３０１と、商品コード２０１と、手法１１２と、計算時間６０１と、を含む。

図１に戻り、第１組み合わせ生成部１２３ａは、予測誤差履歴１３６を参照して、予測誤差履歴１３６に存在しない複数の時系列予測手法１１２の採否の組み合わせを生成する。第１組み合わせ生成部１２３ａは、生成した採否の組み合わせを予測誤差履歴１３６に追加して、組み合わせ済予測誤差履歴１３８として出力する。

第２組み合わせ生成部１２３ｂは、計算時間履歴１３７を参照して、計算時間履歴１３７に存在しない複数の時系列予測手法１１２の採否の組み合わせを生成する。第２組み合わせ生成部１２３ｂは、生成した採否の組み合わせを計算時間履歴１３７に追加して、組み合わせ済計算時間履歴１３９として出力する。第１組み合わせ生成部１２３ａおよび第２組み合わせ生成部１２３ｂを区別しない場合は、単に、組み合わせ生成部１２３とする。

図９は、組み合わせ済予測誤差履歴１３８の一例を示す説明図である。組み合わせ済予測誤差履歴１３８は、予測誤差履歴１３６に、生成した採否の組み合わせのエントリ（図９中、ハッチングされたエントリ）が追加された情報である。

図１０は、組み合わせ済計算時間履歴１３９の一例を示す説明図である。組み合わせ済計算時間履歴１３９は、計算時間履歴１３７に、生成した採否の組み合わせのエントリ（図１０中、ハッチングされたエントリ）が追加された情報である。

図１に戻り、予測誤差推定部１２４ａは、組み合わせ済予測誤差履歴１３８の全エントリについての誤差を推定し、予測誤差推定結果１４０を出力する。予測誤差推定部１２４ａは、具体的には、たとえば、重回帰分析や決定木を用いて当該誤差を推定する。

計算時間推定部１２４ｂは、組み合わせ済計算時間履歴１３９の全エントリについて計算時間を推定し、計算時間推定結果１４１を出力する。計算時間推定部１２４ｂは、具体的には、たとえば、重回帰分析や決定木を用いて当該計算時間を推定する。

図１１は、予測誤差推定結果１４０の一例を示す説明図である。予測誤差推定結果１４０は、組み合わせ済予測誤差履歴１３８の全エントリに、推定誤差１１０１の値が記録された情報である。

図１２は、計算時間推定結果１４１の一例を示す説明図である。計算時間推定結果１４１は、組み合わせ済計算時間履歴１３９の全エントリに、推定計算時間１２０１の値が記録された情報である。

探索部１２５は、入力部１２１によって入力された指定計算時間と、予測誤差推定結果１４０と、計算時間推定結果１４１と、を用いて、特定の採否の組み合わせを探索する。特定の採否の組み合わせとは、推定計算時間１２０１が指定計算時間以内で、かつ、推定誤差１１０１が最大でない採否の組み合わせである。特定の採否の組み合わせは、推定計算時間１２０１が指定計算時間以内で、かつ、推定誤差１１０１が最小の採否の組み合わせが好ましい。探索部１２５は、探索結果として推定誤差１１０１と、推定計算時間１２０１と、を出力する。

図１３は、第２設定情報１３２ｂの一例を示す説明図である。設定情報１３２は、第２設定情報１３２ｂに更新される。第２設定情報１３２ｂは、第１設定情報１３２ａ（処理日３０１、商品コード２０１および手法１１２）と、推定誤差１１０１と、推定計算時間１２０１と、を含む。第２設定情報１３２ｂのエントリは、探索部１２５によって探索された特定の採否の組み合わせを規定する。

＜コンピュータのハードウェア構成例＞
図１４は、コンピュータ（予測装置１０１および学習装置１０２）１４００のハードウェア構成例を示すブロック図である。コンピュータ１４００は、プロセッサ１４０１と、記憶デバイス１４０２と、入力デバイス１４０３と、出力デバイス１４０４と、通信インターフェース（通信ＩＦ）１４０５と、を有する。プロセッサ１４０１、記憶デバイス１４０２、入力デバイス１４０３、出力デバイス１４０４、および通信ＩＦ１４０５は、バス１４０６により接続される。プロセッサ１４０１は、コンピュータ１４００を制御する。記憶デバイス１４０２は、プロセッサ１４０１の作業エリアとなる。また、記憶デバイス１４０２は、各種プログラムやデータを記憶する非一時的なまたは一時的な記録媒体である。記憶デバイス１４０２としては、たとえば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、フラッシュメモリがある。入力デバイス１４０３は、データを入力する。入力デバイス１４０３としては、たとえば、キーボード、マウス、タッチパネル、テンキー、スキャナがある。出力デバイス１４０４は、データを出力する。出力デバイス１４０４としては、たとえば、ディスプレイ、プリンタがある。通信ＩＦ１４０５は、ネットワークと接続し、データを送受信する。

図１に示した前処理部１１１、時系列予測部１１２、統合部１１４、入力部１２１、結合部１２２、組み合わせ生成部１２３、予測誤差推定部１２４ａ、計算時間推定部１２４ｂ、および探索部１２５は、具体的には、たとえば、記憶デバイス１４０２に記憶されたプログラムをプロセッサ１４０１に実行させることにより実現される。

また、出荷実績１３１、設定情報１３２、予測結果１３３、予測誤差１３４、計算時間１３５、予測誤差履歴１３６、計算時間履歴１３７、組み合わせ済予測誤差履歴１３８、組み合わせ済計算時間履歴１３９、予測誤差推定結果１４０、および計算時間推定結果１４１は、具体的には、たとえば、記憶デバイス１４０２に格納される。

＜学習装置１０２による設定処理手順例＞
図１５は、学習装置１０２による設定処理手順例を示すフローチャートである。学習装置１０２は、予測誤差１３４、計算時間１３５、および設定情報１３２を取得する（ステップＳ１５０１）。設定情報１３２は、第２設定情報１３２ｂが生成されていない場合は第１設定情報１３２ａであり、第２設定情報１３２ｂが生成されている場合は第２設定情報１３２ｂである。つぎに、学習装置１０２は、第１結合部１２２ａにより予測誤差１３４と設定情報１３２とを結合し、第２結合部１２２ｂにより計算時間１３５と設定情報１３２とを結合する（ステップＳ１５０２）。

つぎに、学習装置１０２は、組み合わせ生成部１２３により、組み合わせ生成処理を実行して、組み合わせ済予測誤差履歴１３８および組み合わせ済計算時間履歴１３９を出力する（ステップＳ１５０３）。組み合わせ生成処理（ステップＳ１５０３）の詳細は、図１６で後述する。

つぎに、学習装置１０２は、予測誤差推定部１２４ａおよび計算時間推定部１２４ｂにより推定処理を実行して、予測誤差推定結果１４０および計算時間推定結果１４１を出力する（ステップＳ１５０４）。推定処理（ステップＳ１５０４）の詳細は、図１７で後述する。

つぎに、学習装置１０２は、探索部１２５により、探索処理を実行して、探索結果を出力する（ステップＳ１５０５）。探索処理（ステップＳ１５０５）の詳細は、図１８で後述する。

［組み合わせ生成処理（ステップＳ１５０３）］
図１６は、実施例１にかかる、図１５に示した組み合わせ生成処理（ステップＳ１５０３）の詳細な処理手順例を示すフローチャートである。学習装置１０２は、組み合わせ生成部１２３により、予測誤差履歴１３６および計算時間履歴１３７を取得する（ステップＳ１６０１）。

つぎに、学習装置１０２は、予測誤差履歴１３６および計算時間履歴１３７のうちいずれか一方の履歴（以下、単に、「履歴」）を用いて、組み合わせ生成部１２３により、履歴に存在する採否の組み合わせを検索する（ステップＳ１６０２）。つぎに、学習装置１０２は、組み合わせ生成部１２３により、ステップＳ１６０２の検索結果にすべての採否の組み合わせが存在するか否かを判断する（ステップＳ１６０３）。

すべての採否の組み合わせが存在する場合（ステップＳ１６０３：Ｙｅｓ）、ステップＳ１６０５に移行する。一方、すべての採否の組み合わせが存在しない場合（ステップＳ１６０３：Ｎｏ）、学習装置１０２は、組み合わせ生成部１２３により、履歴にない採否の組み合わせを生成して、予測誤差履歴１３６および計算時間履歴１３７にそのエントリを追加する（ステップＳ１６０４）。

なお、ステップＳ１６０４では、学習装置１０２は、組み合わせ生成部１２３により、履歴にない採否の組み合わせをすべて生成してもよく、一部を生成してもよい。具体的には、たとえば、組み合わせ生成部１２３は、予測装置１０１のリソースを考慮して、履歴にない採否の組み合わせの生成数を制限する。

この場合、既存の採否の組み合わせ（たとえば、前回求められた第２設定情報１３２ｂの採否の組み合わせ）のフラグ列に類似するフラグ列を、いずれか一方の履歴にない採否の組み合わせとしてもよい。類似するフラグ列とは、既存の採否の組み合わせのフラグ列のうち一致するフラグが不一致のフラグよりも多いフラグ列である。たとえば、手法Ａ〜Ｅの採否の組み合わせを示すフラグ列が［１，１，０，０，０］の場合、［１，１，１，０，０］は、手法Ｃの採否が異なり、他の４つの手法１１２の採否は同じであるため、［１，１，０，０，０］に類似する。

［１，１，１，０，１］も［１，１，０，０，０］に類似するが、異なるフラグが手法Ｃ、Ｅの２つであるため、［１，１，０，０，０］の方が［１，１，１，０，１］よりも［１，１，０，０，０］に類似する。フラグ列が類似するほど、予測結果１３３も類似すると考えられる。このため、組み合わせ生成部１２３は、予測誤差１３４が小さい採否の組み合わせに類似するフラグ列を優先的に生成することにより、未知でかつ高精度な採否の組み合わせを効率的に探し当てることができる。

また、逆に、組み合わせ生成部１２３は、既存の採否の組み合わせとは類似度が低いフラグ列を優先的に生成してもよい。たとえば、手法Ａ〜Ｅの採否の組み合わせを示すフラグ列が［１，１，０，０，０］の場合、［０，０，１，１，１］は、手法Ａ〜Ｅのいずれの採否も異なるため、最も類似度が低い採否の組み合わせとなる。これにより、未知でかつユーザが通常考えつかないような採否の組み合わせを効率的に探し当てることができる。

つぎに、学習装置１０２は、組み合わせ生成部１２３により、組み合わせ済予測誤差履歴１３８、および組み合わせ済計算時間履歴１３９を出力して、組み合わせ生成処理を終了する（ステップＳ１６０５）。

［推定処理（ステップＳ１５０４）］
図１７は、図１５に示した推定処理（ステップＳ１５０４）の詳細な処理手順例を示すフローチャートである。学習装置１０２は、予測誤差推定部１２４ａにより組み合わせ済予測誤差履歴１３８を取得し、計算時間推定部１２４ｂにより組み合わせ済計算時間履歴１３９を取得する（ステップＳ１７０１）。

学習装置１０２は、予測誤差推定部１２４ａにより組み合わせ済予測誤差履歴１３８における商品コード２０１および手法１１２の全組み合わせを推定対象パタンに設定する（ステップＳ１７０２）。学習装置１０２は、計算時間推定部１２４ｂにより組み合わせ済計算時間履歴１３９における商品コード２０１および手法１１２の全組み合わせを推定対象パタンに設定してもよい。学習装置１０２は、予測誤差推定部１２４ａにより、推定対象パタンのうち誤差５０１の値（計算時間推定部１２４ｂであれば計算時間６０１の値）がある商品コード２０１および手法１１２の採否の組み合わせを抽出する（ステップＳ１７０３）。

学習装置１０２は、計算時間推定部１２４ｂにより、ステップＳ１７０３で抽出した商品コード２０１および手法１１２の採否の組み合わせについて、計算時間１３５を目的変数、手法１１２の採否を説明変数とした計算時間推定モデルを、重回帰分析や決定木を用いて生成する（ステップＳ１７０４）。

学習装置１０２は、予測誤差推定部１２４ａにより、ステップＳ１７０３で抽出した商品コード２０１および手法１１２の採否の組み合わせについて、誤差５０１を目的変数、手法１１２の採否の既存の組み合わせを説明変数とした予測誤差推定モデルを、重回帰分析や決定木を用いて生成する（ステップＳ１７０５）。

学習装置１０２は、計算時間推定部１２４ｂにより、ステップＳ１７０４で生成した計算時間推定モデルに手法１１２の採否の組み合わせを与えて、推定対象パタンに対して推定計算時間１２０１を算出し、計算時間推定結果１４１を出力する（ステップＳ１７０６）。すなわち、図１０の組み合わせ済計算時間履歴１３９の全エントリ（既存の採否の組み合わせと履歴にない採否の組み合わせ）の計算時間６０１が更新され、図１２の計算時間推定結果１４１の推定計算時間１２０１となる。

学習装置１０２は、予測誤差推定部１２４ａにより、ステップＳ１７０５で生成した予測誤差推定モデルに手法１１２の採否の組み合わせを与えて、推定対象パタンに対して推定誤差１１０１を算出し、予測誤差推定結果１４０を出力して、推定処理を終了する（ステップＳ１７０７）。すなわち、図９の組み合わせ済予測誤差履歴１３８の全エントリ（既存の採否の組み合わせと履歴にない採否の組み合わせ）の誤差５０１が更新され、図１１の予測誤差推定結果１４０の推定誤差１１０１となる。

［探索処理（ステップＳ１５０５）］
図１８は、図１５に示した探索処理（ステップＳ１５０５）の詳細な処理手順例を示すフローチャートである。学習装置１０２は、探索部１２５により、入力部１２１からの指定計算時間、計算時間推定部１２４ｂからの計算時間推定結果１４１、および予測誤差推定部からの予測誤差推定結果１４０を取得する（ステップＳ１８０１）。

学習装置１０２は、探索部１２５により、入力部１２１からの指示内容に応じて商品別の計算時間の割り当てを決定する（ステップＳ１８０２）。学習装置１０２は、探索部１２５により、たとえば、指定計算時間を用いて、全商品をまとめて計算時間６０１の割り当てを決定したり、商品ごとに計算時間６０１の割り当てを決定したりする。

全商品をまとめて計算時間６０１の割り当てを決定する場合、指示内容としては、全商品で指定計算時間の一律按分や、指定計算時間から割り当てる計算時間６０１の実出荷数２０３に応じた重み付けがある。商品ごとに計算時間６０１の割り当てを決定する場合、指示内容としては、商品コード２０１と指定計算時間と指定計算時間を制限する条件（以上、以下など）とがある。

つぎに、学習装置１０２は、探索部１２５により、計算時間推定結果１４１（予測誤差推定結果１４０でもよい）から未選択の商品コード２０１を１つ選択する（ステップＳ１８０３）。学習装置１０２は、探索部１２５により、計算時間推定結果１４１から、選択商品コード２０１の推定計算時間１２０１が選択商品コード２０１の割り当てられた計算時間６０１に収まる採否の組み合わせを抽出する（ステップＳ１８０４）。

たとえば、商品コード２０１が「Ｐｒｏｄｕｃｔ００１」で、かつ、割り当てられた計算時間６０１が「９秒」である場合、図１２の計算時間推定結果１４１において、１行目のエントリにおける採否の組み合わせは抽出されず、２行目のエントリにおける採否の組み合わせは抽出される。

つぎに、学習装置１０２は、探索部１２５により、予測誤差推定結果１４０を参照して、ステップＳ１８０４で抽出された採否の組み合わせの中から、推定誤差１１０１が最小となる採否の組み合わせを選択する（ステップＳ１８０５）。

つぎに、学習装置１０２は、探索部１２５により、未選択商品コード２０１があるか否かを判断する（ステップＳ１８０６）。未選択商品コード２０１がある場合（ステップＳ１８０６：Ｙｅｓ）、ステップＳ１８０３に戻る。一方、未選択商品コード２０１がない場合（ステップＳ１８０６：Ｎｏ）、これまでにステップＳ１８０５で選択された採否の組み合わせを出力し、探索処理（ステップＳ１５０５）を終了する（ステップＳ１８０７）。

＜予測装置１０１による予測処理手順例＞
図１９は、予測装置１０１による予測処理手順例を示すフローチャートである。予測装置１０１は、前処理部１１１により、出荷実績１３１を取得し（ステップＳ１９０１）、上述した前処理を実行する（ステップＳ１９０２）。つぎに、予測装置１０１は、設定情報１３２に基づいて、各時系列予測手法１１２で商品ごとの出荷数の予測値４０２を算出する（ステップＳ１９０３）。

ここで、設定情報１３２とは、探索部１２５によって探索結果が出力されている場合は、第２設定情報１３２ｂであり、探索部１２５によって探索結果が出力されていない場合は、第１設定情報１３２ａである。また、ステップＳ１９０３では、予測装置１０１は、実出荷数２０３がある期間も商品ごとの出荷数の予測値４０２を算出する。このような各時系列予測手法１１２による予測値４０２を各々、適合結果と称す。

つぎに、予測装置１０１は、各時系列予測手法１１２からの適合結果を説明変数、出荷実績１３１を目的変数とした重回帰モデルを生成し、重回帰モデルに出荷実績１３１を与えることで、商品ごとの出荷数の予測値４０２を算出する。この予測値４０２は、各時系列予測手法１１２の適合結果を統合した統合適合結果となる。

つぎに、予測装置１０１は、統合部１１４により、ステップＳ１９０４の予測を評価する（ステップＳ１９０５）。具体的には、たとえば、予測装置１０１は、統合部１１４により、処理日３０１および商品コード２０１の組み合わせごとに、誤差５０１および計算時間６０１を算出する。そして、予測装置１０１は、統合部１１４により、図４に示した予測結果１３３、図５に示した予測誤差１３４、および、図６に示した計算時間１３５を出力して、予測処理を終了する（ステップＳ１９０５）。

＜出力画面例＞
図２０は、出力画面の一例を示す説明図である。図２０では、例として、商品コード２０１が「Ｐｒｏｄｕｃｔ００１」である商品を出力対象商品とした場合の出力画面２０００を示す。出力画面２０００は、予測装置１０１または学習装置１０２の出力デバイス１４０４の一例であるディスプレイに表示される。出力画面２０００は、予測結果グラフ２００１と、計算時間内訳変更ボタン２００２と、手法１１２の採否結果２００３と、コメント欄２００４と、推定結果グラフ２００５と、履歴表示ボタン２００６と、を表示する。

予測結果グラフ２００１は、横軸を時間、縦軸を出荷量とするグラフに、出力対象商品の時系列な実出荷数２０３と、時系列な出荷数の予測値４０２とがプロットされた情報である。

計算時間内訳変更ボタン２００２は、計算時間６０１の内訳を変更するためのボタンである。ユーザが入力デバイス１４０３で計算時間内訳変更ボタン２００２を押下すると、図２３に示す設定画面２３００が表示される。図２３については後述する。なお、図２３の設定画面２３００は、計算時間内訳変更ボタン２００２の押下以外でも呼び出される。手法１１２の採否結果２００３は、出力対象商品の予測にどの時系列予測手法１１２が採否されたかを示す表データである。

図２１は、時系列予測手法１１２に条件２１０１を対応付けたテーブルである。「曜日」、「１週間周期」、「２週間周期」、「トレンド」、「カレンダ」、…は、指定計算時間に関する条件２１０１であり、各々時系列予測手法１１２に対応する。たとえば、手法Ａは、指定計算時間として特定の曜日が指定された時系列予測手法１１２である。

手法Ｂは、指定計算時間として１週間分が指定された時系列予測手法１１２である。手法Ｃは、指定計算時間として出力対象商品のトレンドに応じた期間が指定された時系列予測手法１１２である。手法Ｄは、指定計算時間として出力対象商品を製造または販売する店舗の営業日などのカレンダに従った出荷数を予測する時系列予測手法１１２である。

図２０に戻り、コメント欄２００４は、ユーザが指定した指定計算時間の条件２１０１に対する評価結果を示す文字列である。ここでは、指定計算時間が前回より増えた分、手法１１２を追加した旨と、右の推定結果グラフ２００５を参照した別プランが提示されている。

推定結果グラフ２００５は、出力対象商品の推定計算時間１２０１と推定誤差１１０１との関係を示すグラフである。履歴表示ボタン２００６は、履歴を表示するためのボタンである。ユーザが入力デバイス１４０３で履歴表示ボタン２００６を押下すると、図２２に示す履歴画面２２００が表示される。図２２については後述する。

図２２は、履歴画面２２００の一例を示す説明図である。履歴画面２２００は、手法１１２の採否結果２００３の履歴情報２２０１を表示する。履歴情報２２０１には、推定計算時間１２０１と推定誤差１１０１とが含まれる。

図２３は、設定画面２３００の一例を示す説明図である。設定画面２３００は、ラジオボタン２３０１，２３０２と、第１表示欄２３０３と、ラジオボタン２３０４と、入力欄２３０５と、第２表示欄２３０６と、プルダウン２３０７と、を表示する。ユーザは、ラジオボタン２３０１，２３０２，２３０４のうちいずれか１つのみ選択可能である。

ラジオボタン２３０１は、指定計算時間の全商品での一律按分を選択するための選択ボタンである。ラジオボタン２３０２は、商品の出荷数での重み付けを選択するための選択ボタンである。第１表示欄２３０３は、ラジオボタン２３０１，２３０２のいずれかで選択された設定に応じて計算された出力対象商品の指定計算時間を表示するための領域である。

ラジオボタン２３０４は、時間指定を選択するための選択ボタンである。ラジオボタン２３０４が選択されると、第２表示欄２３０６に出力対象商品の指定計算時間が入力可能となる。入力欄２３０５は、出力対象商品の商品コード２０１を入力するための領域である。第２表示欄２３０６は、出力対象商品の指定計算時間を入力するための領域である。

プルダウン２３０７は、第２表示欄２３０６に入力された出力対象商品の指定計算時間を制限する条件２１０１（以上、以下など）を選択するためのインターフェースである。設定画面２３００での設定が完了すると、設定画面２３００の設定内容に応じて、出力対象商品ごとに指定計算時間が設定される。

このように、実施例１によれば、予測装置１０１での予測に要する計算時間を、許容された計算時間内に短縮することができる。また、許容された計算時間で予測精度の向上を図ることができる。また、そのような時系列予測手法の未知の組み合わせを効率的に探索することができる。また、予測装置１０１でこれまでに取り扱っていなかった新規な商品についても、時系列予測手法の未知の組み合わせを効率的に探索することができる。

実施例２について説明する。実施例２では、予測装置１０１は、統合部１１４により、採用された時系列予測手法１１２における商品の寄与度を算出し、寄与度の増減傾向に応じて当該時系列予測手法１１２の採否を決定する。なお、実施例２では、実施例１との相違点を中心に説明するため、実施例１と同一内容については同一符号を付し、その説明を省略する。

図２４は、実施例２にかかる情報処理システム１００のシステム構成例を示すブロック図である。実施例２では、予測装置１０１は、統合部１１４により寄与度を出力する。学習装置１０２は、第１組み合わせ生成部１２３ａにより、予測誤差履歴１３６および寄与度を入力して組み合わせ済予測誤差履歴１３６を生成し、第２組み合わせ生成部１２３ｂにより、計算時間履歴１３７および寄与度を入力して組み合わせ済計算時間履歴１３７を生成する。

図２５は、図２４に示した寄与度２４００の一例を示す説明図である。寄与度２４００は、処理日３０１と、商品コード２０１と、手法１１２と、寄与度２５０２と、を含む。寄与度２５０２とは、個別の時系列予測手法１１２の結果を統合処理する際に、各時系列予測手法１１２が統合結果にどれほど影響を与えたかを示す指標値である。

たとえば、統合した予測値４０２を目的変数、各時系列予測手法１１２の予測値４０２を説明変数とした重回帰分析をした際の各説明変数項の偏回帰係数を１００％化した値である。ｋ番目の手法１１２の寄与度２５０２の値Ｃｋは、たとえば、下記式（３）で算出される。Ｃｋが大きいほど寄与度２５０２が高いことを意味する。なお、寄与度２５０２は、あらかじめ設定された値でもよい。

［組み合わせ生成処理（ステップＳ１５０３）］
図２６は、実施例２にかかる、図１５に示した組み合わせ生成処理（ステップＳ１５０３）の詳細な処理手順例を示すフローチャートである。学習装置１０２は、組み合わせ生成部１２３により、予測誤差履歴１３６、計算時間履歴１３７および寄与度２４００を取得する（ステップＳ２６０１）。

ステップＳ１６０２、Ｓ１６０３の実行後、すべての採否の組み合わせが存在しない場合（ステップＳ１６０３：Ｎｏ）、学習装置１０２は、寄与度２５０２の履歴の特徴を考慮し、予測誤差履歴１３６および計算時間履歴１３７のうちいずれか一方の履歴にない採否の組み合わせを生成して、予測誤差履歴１３６および計算時間履歴１３７にそのエントリを追加する（ステップＳ２６０４）。なお、ステップＳ２６０４では、寄与度２５０２の履歴の特徴を考慮すること以外は、ステップＳ１６０４と同じ処理である。

ここで、寄与度２５０２の履歴の特徴が、手法１１２を採否する条件を充足する場合、学習装置１０２は、組み合わせ生成部１２３により、その商品について当該手法１１２を採否する。たとえば、その商品について、たとえば、寄与度２５０２の履歴における寄与度２５０２の減少傾向が続くという特徴の場合、学習装置１０２は、組み合わせ生成部１２３により、その商品について当該手法１１２を採用せず、そのような特徴でない場合、採用する。

また、寄与度２５０２の履歴において過去ｘ回（ｘは１以上の整数）連続で寄与度２５０２が所定のしきい値以下の場合、過去ｘ回（ｘは１以上の整数）連続で寄与度２５０２の高さがｙ位（ｙは２以上の整数）以下の場合、寄与度２５０２の履歴において過去ｘ回（ｘは１以上の整数）の平均値が所定のしきい値以下の場合、寄与度２５０２の履歴において過去ｘ回（ｘは１以上の整数）の高さがｙ位（ｙは２以上の整数）以下の場合も同様である。

また、所定のしきい値以上の寄与度２５０２が２つあるという特徴の場合、組み合わせ生成部１２３は、一方の手法１１２を採用し、他方の手法１１２を不採用にした組み合わせを生成してもよい。さらに、組み合わせ生成部１２３は、他方の手法１１２を採用し、一方の手法１１２を不採用にした組み合わせも生成してもよい。

このように、寄与度２４００を考慮することにより、商品毎の予測に効きそうな時系列予測手法１１２を優先的に採用し、また、商品毎の予測に効かなそうな時系列予測手法１１２法を優先的に不採用にすることができる。

実施例３は、実施例１および実施例２において、予測誤差推定モデルおよび計算時間推定モデルを学習するための学習期間も手法１１２の採否の組み合わせの変更対象とし、かつ商品情報を用いて手法１１２の採否の組み合わせを絞る例である。これにより、有効そうな手法１１２の採否の組み合わせに絞って未知の採否の組み合わせを探索することができる。なお、実施例３では、実施例１および実施例２との相違点を中心に説明するため、実施例１および実施例２と同一内容については同一符号を付し、その説明を省略する。また、以下の説明では、実施例１をベースにして説明するが、実施例２をベースにした場合も同様である。

図２７は、実施例３にかかる情報処理システム１００のシステム構成例を示すブロック図である。実施例３では、学習装置１０２は、商品情報２７００を保持する。学習装置１０２は、第１組み合わせ生成部１２３ａにより、予測誤差履歴１３６および商品情報２７００を入力して組み合わせ済予測誤差履歴１３８を生成し、第２組み合わせ生成部１２３ｂにより、計算時間履歴１３７および商品を入力して組み合わせ済計算時間履歴１３９を生成する。

図２８は、図２７に示した商品情報２７００の一例を示す説明図である。商品情報２７００とは、商品コード２０１ごとにイベント日２８００を格納する情報である。イベント日２８００は、その商品に関するイベントが行われる年月日であり、学習期間の区切りに活用される。イベント日２８００は、商品の出荷傾向の切り替わりに影響しそうな区切りとなる日である。すなわち、イベント日２８００は、学習期間の学習開始日となる。イベント日２８００には、たとえば、取扱開始日２８０１、製造終了日２８０２、販促開始日２８０３などがある。

図２９は、実施例３にかかる組み合わせ済予測誤差履歴１３６の一例を示す説明図である。組み合わせ済予測誤差履歴２７３８は、商品情報２７００から時系列予測手法１１２ごとに学習期間２９０１Ａ、学習期間２９０１Ｂ、…を生成し、予測誤差履歴１３６に追加することにより生成された情報である。図２９では、学習期間２９０１Ａは手法Ａの学習期間であり、学習期間２９０１Ｂは手法Ｂの学習期間である。学習期間２９０１Ａ、学習期間２９０１Ｂ、…を区別しない場合は、単に、学習期間２９０１とする。

学習期間２９０１は、その商品のイベント日２８００からその商品の出荷日２０２を手法で予測する処理日３０１までの日数である。たとえば、処理日３０１である「２０１８０９１８」において、イベント日２８００を販促開始日２８０３の「２０１８０９０９」とし、商品コード２０１「Ｐｒｏｄｕｃｔ００１」の商品の出荷日を手法Ａで予測する場合、その学習期間２９０１Ａは、１０日である。イベント日２８００が複数存在する商品コード２０１については、事前に適用するイベント日２８００が指定される。

図３０は、実施例３にかかる組み合わせ済計算時間履歴の一例を示す説明図である。組み合わせ済計算時間履歴２７３９は、商品情報２７００から時系列予測手法１１２ごとに学習期間２９０１Ａ、学習期間２９０１Ｂ、…を生成し、組み合わせ済計算時間履歴１３９に追加することにより生成された情報である。学習期間２９０１の生成は、図２９で示した場合と同様である。

図３１は、実施例３にかかる予測誤差推定結果２７４０の一例を示す説明図である。予測誤差推定結果２７４０は、予測誤差推定結果１４０に、学習期間２９０１が追加された情報である。

図３２は、実施例３にかかる計算時間推定結果２７４１の一例を示す説明図である。計算時間推定結果２７４１は、計算時間推定結果１４１に、学習期間２９０１が追加された情報である。

［組み合わせ生成処理（ステップＳ１５０３）］
図３３は、実施例３にかかる、図１５に示した組み合わせ生成処理（ステップＳ１５０３）の詳細な処理手順例を示すフローチャートである。学習装置１０２は、ステップＳ１６０４で履歴にない採否の組み合わせを生成して追加したあと、商品情報２７００から商品コード２０１ごとにあらかじめ設定されたイベント日２８００を取得する（ステップＳ３３０５）。

学習装置１０２は、組み合わせ生成部１２３により、採否の組み合わせごとに学習期間２９０１を算出し（ステップＳ３３０６）、組み合わせ済予測誤差履歴２７３８および組み合わせ済計算時間履歴２７３９に学習期間を追加する（ステップＳ３３０７）。

学習装置１０２は、ステップＳ１６０３：ＹｅｓまたはステップＳ３３０７のあと、第１組み合わせ生成部１２３ａにより組み合わせ済予測誤差履歴２７３８を予測誤差推定部１２４ａに出力し、第２組み合わせ生成部１２３ｂにより組み合わせ済計算時間履歴２７３９を計算時間推定部１２４ｂに出力して、組み合わせ生成処理を終了する（ステップＳ３３０８）。

［推定処理（ステップＳ１５０４）］
図３４は、実施例３にかかる、図１５に示した推定処理（ステップＳ１５０４）の詳細な処理手順例を示すフローチャートである。学習装置１０２は、ステップＳ１７０３のあと、計算時間推定部１２４ｂにより、ステップＳ１７０３で抽出した商品コード２０１および手法１１２の採否の組み合わせについて、計算時間を目的変数、手法１１２の採否の組み合わせおよび学習期間を説明変数とした計算時間推定モデルを、重回帰分析や決定木を用いて生成する（ステップＳ３４０４）。

学習装置１０２は、予測誤差推定部１２４ａにより、ステップＳ１７０３で抽出した商品コード２０１および手法１１２の採否の組み合わせについて、誤差５０１を目的変数、手法１１２の採否の組み合わせおよび学習期間２９０１を説明変数とした予測誤差推定モデルを、重回帰分析や決定木を用いて生成する（ステップＳ３４０５）。

学習装置１０２は、計算時間推定部１２４ｂにより、ステップＳ１７０４で生成した計算時間推定モデルに手法１１２の採否の組み合わせおよびその学習期間２９０１を与えて、推定対象パタンに対して推定計算時間１２０１を算出し、計算時間推定結果１４１を出力する（ステップＳ３４０６）。すなわち、図３０の組み合わせ済計算時間履歴２７３９の全エントリ（既存の採否の組み合わせと履歴にない採否の組み合わせ）の計算時間６０１が更新され、図３２の計算時間推定結果２７４１の推定計算時間１２０１となる。

学習装置１０２は、予測誤差推定部１２４ａにより、ステップＳ１７０５で生成した予測誤差推定モデルに手法１１２の採否の組み合わせおよびその学習期間２９０１を与えて、推定対象パタンに対して推定誤差１１０１を算出し、予測誤差推定結果２７４０を出力して、推定処理を終了する（ステップＳ３４０７）。すなわち、図２９の組み合わせ済予測誤差履歴２７３８の全エントリ（既存の採否の組み合わせと履歴にない採否の組み合わせ）の誤差５０１が更新され、図３１の予測誤差推定結果２７４０の推定誤差１１０１となる。

このように、実施例３によれば、商品情報２７００を活用することで、有効そうな組み合わせに絞って未知の採否の組み合わせを生成することができる。

なお、上述した実施例１〜実施例３では、商品の出荷数の予測について説明したが、出荷数に限らず、在庫数や発注数など他の物流量の予測にも適用してもよい。また、予測対象は、商品に限らず、提供するサービスの数や動画配信などのコンテンツでもよい。また、予測対象は、物流に限らず、来店顧客数や、会員の入会人数、退会人数でもよい。

なお、本発明は前述した実施例に限定されるものではなく、添付した特許請求の範囲の趣旨内における様々な変形例及び同等の構成が含まれる。例えば、前述した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに本発明は限定されない。また、ある実施例の構成の一部を他の実施例の構成に置き換えてもよい。また、ある実施例の構成に他の実施例の構成を加えてもよい。また、各実施例の構成の一部について、他の構成の追加、削除、または置換をしてもよい。

また、前述した各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等により、ハードウェアで実現してもよく、プロセッサがそれぞれの機能を実現するプログラムを解釈し実行することにより、ソフトウェアで実現してもよい。

各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶装置、又は、ＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）カード、ＳＤカード、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）の記録媒体に格納することができる。

また、制御線や情報線は説明上必要と考えられるものを示しており、実装上必要な全ての制御線や情報線を示しているとは限らない。実際には、ほとんど全ての構成が相互に接続されていると考えてよい。

１００ 情報処理システム
１０１ 予測装置
１０２ 学習装置
１１１ 前処理部
１１２ 時系列予測部／時系列予測手法
１１４ 統合部
１２１ 入力部
１２２ 結合部
１２３ 組み合わせ生成部
１２４ａ 予測誤差推定部
１２４ｂ 計算時間推定部
１２５ 探索部
１３１ 出荷実績
１３２ａ 第１設定情報
１３２ｂ 第２設定情報
１３３ 予測結果
１３４ 予測誤差
１３５ 計算時間
１３６ 予測誤差履歴
１３７ 計算時間履歴
１３８ 組み合わせ済予測誤差履歴
１３９ 組合せ済済計算時間履歴
１４０ 予測誤差推定結果
１４１ 計算時間推定結果

Claims (12)

1. プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する情報処理システムであって、
   前記記憶デバイスは、予測対象に関する数量の予測に要した計算時間と、前記予測対象に関する数量の予測に用いられた複数の時系列予測手法の採否の組み合わせと、を関連付けた履歴情報を記憶しており、
   前記プロセッサは、
   前記履歴情報には存在しない新規な採否の組み合わせを生成する生成処理と、
   前記計算時間を目的変数とし、前記履歴情報に記憶されている既存の採否の組み合わせを説明変数とした計算時間推定モデルを生成し、前記計算時間推定モデルに前記既存の採否の組み合わせおよび前記生成処理によって生成された新規な組み合わせをそれぞれ入力することにより、前記採否の組み合わせごとの推定計算時間を出力する推定処理と、
   前記採否の組み合わせの中から、前記推定処理によって出力された推定計算時間のうち前記予測対象に割り当てられた割当計算時間に収まる第１の採否の組み合わせを特定の採否の組み合わせとして探索する探索処理と、
   を実行することを特徴とする情報処理システム。
2. 請求項１に記載の情報処理システムであって、
   前記履歴情報は、前記予測対象の実績値と前記既存の採否の組み合わせが用いられた結果得られた予測値との誤差を含み、
   前記推定処理では、前記プロセッサは、前記誤差を目的変数とし、前記既存の採否の組み合わせを説明変数とした誤差推定モデルを生成し、前記誤差推定モデルに前記既存の採否の組み合わせおよび前記新規な採否の組み合わせをそれぞれ入力することにより、前記採否の組み合わせごとの推定誤差を出力し、
   前記探索処理では、前記プロセッサは、前記第１の採否の組み合わせの中で前記推定誤差が最大でない第２の採否の組み合わせを前記特定の採否の組み合わせとして探索する、
   ことを特徴とする情報処理システム。
3. 請求項２に記載の情報処理システムであって、
   前記第２の採否の組み合わせは、前記第１の採否の組み合わせの中で前記推定誤差が最小な採否の組み合わせである、
   ことを特徴とする情報処理システム。
4. 請求項１に記載の情報処理システムであって、
   前記生成処理では、前記プロセッサは、前記履歴情報には存在せず、かつ、前記探索処理によって探索された特定の採否の組み合わせと一部一致する採否の組み合わせを、前記新規な採否の組み合わせとして生成する、
   ことを特徴とする情報処理システム。
5. 請求項４に記載の情報処理システムであって、
   前記新規な採否の組み合わせは、前記特定の採否の組み合わせと一部一致する採否の数が前記特定の採否の組み合わせと不一致な採否の数よりも多い、
   ことを特徴とする情報処理システム。
6. 請求項４に記載の情報処理システムであって、
   前記新規な採否の組み合わせは、前記特定の採否の組み合わせと一部一致する採否の数が前記特定の採否の組み合わせと不一致な採否の数よりも少ない、
   ことを特徴とする情報処理システム。
7. 請求項１に記載の情報処理システムであって、
   前記割当計算時間は、前記予測対象ごとに一律按分された時間である、
   ことを特徴とする情報処理システム。
8. 請求項１に記載の情報処理システムであって、
   前記割当計算時間は、前記予測対象の実績値が大きいほど長く設定された時間である、
   ことを特徴とする情報処理システム。
9. 請求項１に記載の情報処理システムであって、
   前記記憶デバイスは、複数の時系列予測手法で前記予測対象に関する数量を予測する場合の時系列予測手法ごとの寄与度を有する寄与度情報を記憶しており、
   前記生成処理では、前記プロセッサは、前記寄与度に基づいて、前記新規な採否の組み合わせを生成する、
   ことを特徴とする情報処理システム。
10. 請求項１に記載の情報処理システムであって、
    前記履歴情報は、前記時系列予測手法ごとに、前記時系列予測手法が適用される前記予測対象に関する数量を学習するための学習期間が関連付けられており、
    前記推定処理では、前記プロセッサは、前記計算時間を目的変数とし、前記既存の採否の組み合わせおよび前記学習期間を説明変数とした計算時間推定モデルを生成し、前記計算時間推定モデルに前記既存の採否の組み合わせおよびその学習期間と、前記生成処理によって生成された新規な組み合わせおよびその学習期間と、をそれぞれ入力することにより、前記採否の組み合わせごとの推定計算時間を出力し、
    前記採否の組み合わせの中から、前記推定処理によって出力された推定計算時間のうち前記予測対象に割り当てられた割当計算時間に収まる第１の採否の組み合わせを特定の採否の組み合わせとして探索する、
    ことを特徴とする情報処理システム。
11. 請求項１０に記載の情報処理システムであって、
    前記履歴情報は、前記予測対象の実績値と前記既存の採否の組み合わせが用いられた結果得られた予測値との誤差を含み、
    前記推定処理では、前記プロセッサは、前記誤差を目的変数とし、前記既存の採否の組み合わせおよび前記学習期間を説明変数とした誤差推定モデルを生成し、前記誤差推定モデルに前記既存の採否の組み合わせおよびその学習期間と、前記新規な採否の組み合わせおよびその学習期間と、をそれぞれ入力することにより、前記採否の組み合わせごとの推定誤差を出力し、
    前記探索処理では、前記プロセッサは、前記第１の採否の組み合わせの中で前記推定誤差が最大でない第２の採否の組み合わせを前記特定の採否の組み合わせとして探索する、
    ことを特徴とする情報処理システム。
12. プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する情報処理システムが実行する情報処理方法であって、
    前記記憶デバイスは、予測対象に関する数量の予測に要した計算時間と、前記予測対象に関する数量の予測に用いられた複数の時系列予測手法の採否の組み合わせと、を関連付けた履歴情報を記憶しており、
    前記プロセッサは、
    前記履歴情報には存在しない新規な採否の組み合わせを生成する生成処理と、
    前記計算時間を目的変数とし、前記履歴情報に記憶されている既存の採否の組み合わせを説明変数とした計算時間推定モデルを生成し、前記計算時間推定モデルに前記既存の採否の組み合わせおよび前記生成処理によって生成された新規な組み合わせをそれぞれ入力することにより、前記採否の組み合わせごとの推定計算時間を出力する推定処理と、
    前記採否の組み合わせの中から、前記推定処理によって出力された推定計算時間のうち前記予測対象に割り当てられた割当計算時間に収まる第１の採否の組み合わせを特定の採否の組み合わせとして探索する探索処理と、
    を実行することを特徴とする情報処理方法。

Images