JP5068382B1 - 予測装置、予測方法及び予測プログラム - Google Patents

Abstract

【課題】経時的に変化する予測対象の予測に際し、予測精度の高い予測装置、予測方法及び予測プログラムを提供する。
【解決手段】予測対象の予測に際し、予測対象に関する複数の項目についてのデータに基づいて予測対象の変化を予測する。即ち、各項目について、当該項目のデータを除いた各データに対する予測対象のＳＮ比に対する、当該項目のデータを含む各データに対する予測対象のＳＮ比を示す要因効果値を導出し、導出した要因効果値が大きいものから順に選択した複数の項目のデータに対する総合推定値のＳＮ比の強さを、項目数毎に算出し、算出した項目数毎の総合推定値のＳＮ比に基づいて項目数を決定し、導出した要因効果値が大きいものから順に、決定した項目数分の項目を選択し、選択した項目のデータに基づきＴ法等の方法を用いて予測対象の変化を予測する。
【選択図】図１１

Description

本願は、経時的に変化する予測対象及び該予測対象に関する複数の項目についてのデータに基づいて、予測対象の変化を予測する予測装置、予測方法及び予測プログラムに関する。

会社経営にとって、製品の需要予測は会社の方向性及び戦略を検証する上で、極めて重要である。そして、予測した需要を販売、在庫、生産、物流、開発等の分野の計画にどのように結びつけるかが経営課題となっている。また、需要予測、販売予測等の会社経営に関する予測に限らず、経時的に変化する予測対象について予測することは様々な分野で重要な課題である。

製品の需要予測等の予測対象の経時変化を予測するための方法として、種々の時系列分析方法が提案されている。このような分析方法としては、重回帰分析、Ｔ法等の多変量解析を例示することができる（例えば、特許文献１、非特許文献１参照。）。

特許第３１４１１６４公報

立林和夫編著、手島昌一、長谷川良子著、「入門ＭＴシステム」、日科技連出版社、2008年12月

しかしながら、例えば、重回帰分析を用いた分析では、項目数がデータ数より多い場合は分析そのものをすることができないという問題がある。Ｔ法では、この問題については解決されているが、解析に用いる項目をどのように選択するかという問題がある。項目の選択に際しては、例えば、非特許文献１に記載されているように両側Ｔ法という手法が提案されている。

本願発明者は、Ｔ法を用いた予測方法を基本としながらも、予測精度を更に向上させるという課題を見出し、その課題を解決すべく予測精度の向上を実現する予測装置、予測方法及び予測プログラムの提供を目的とする。

本発明に係る予測装置は、経時的に変化する予測対象及び該予測対象に関する複数の項目についてのデータを経時的に記録する記録手段を備え、該記録手段に記録されたデータに基づいて、予測対象の変化を予測する予測装置において、各項目について、当該項目のデータを除いた各データに対する予測対象の相関の強さに対する、当該項目のデータを含む各データに対する予測対象の相関の強さを示す要因効果値を導出する導出手段と、該導出手段が導出した要因効果値が大きいものから順に選択した複数の項目のデータに対する予測対象との相関の強さを、項目数毎に算出する算出手段と、該算出手段が算出した項目数毎の相関の強さに基づいて項目数を決定する決定手段と、前記導出手段が導出した要因効果値が大きいものから順に、前記決定手段が決定した項目数分の項目を選択する選択手段と、該選択手段が選択した項目のデータに基づいて、予測対象の変化を予測する予測手段とを備え、前記導出手段は、項目のデータと該項目のデータの所定期間後の予測対象のデータとに基づいて要因効果値を導出するようにしてあり、前記予測手段は、項目のデータに対する所定期間経過後の予測対象の変化を予測するようにしてあることを特徴とする。

本発明に係る予測装置は、前記算出手段は、前記導出手段が導出した要因効果値の最小値以下（又は最大値以上）の値を閾値の初期値として設定する手段と、設定した閾値以上の要因効果値が算出された項目を選択する第１手段と、選択した項目のデータに対する予測対象の相関の強さを算出する第２手段と、前記閾値を所定値分大きい値（又は小さい値）に再設定する第３手段とを有し、前記第１手段、第２手段及び第３手段により、選択した複数の項目のデータに対する予測対象の相関の強さを、項目数毎に算出するようにしてあることを特徴とする。

本発明に係る予測装置は、前記予測手段は、選択した項目毎のデータに対する予測対象の相関の強さに基づく項目毎の重み、及び選択した項目毎のデータと予測対象との線形的な関係又は該線形的な関係に代替可能な非線形的な関係を示す項目毎の比例定数に基づく予測式を導出する手段を備え、導出した予測式に基づいて、予測対象の変化を導出するようにしてあることを特徴とする。

本発明に係る予測方法は、経時的に変化する予測対象及び該予測対象に関する複数の項目についてのデータを経時的に記録する記録手段にアクセス可能な予測装置が、前記記録手段に記録されたデータに基づいて、予測対象の変化を予測する処理を実行する予測方法において、前記予測装置は、各項目について、当該項目のデータを除いた各データに対する予測対象の相関の強さに対する、当該項目のデータを含む各データに対する予測対象の相関の強さを示す要因効果値を導出する導出ステップと、該導出ステップにより導出した要因効果値が大きいものから順に選択した複数の項目のデータに対する予測対象との相関の強さを、項目数毎に算出する算出ステップと、該算出ステップにより算出した項目数毎の相関の強さに基づいて項目数を決定する決定ステップと、前記導出ステップにより導出した要因効果値が大きいものから順に、前記決定ステップにより決定した項目数分の項目を選択する選択ステップと、該選択ステップにより選択した項目のデータに基づいて、予測対象の変化を予測する予測ステップとを実行し、前記導出ステップは、項目のデータと該項目のデータの所定期間後の予測対象のデータとに基づいて要因効果値を導出するようにしてあり、前記予測ステップは、項目のデータに対する所定期間経過後の予測対象の変化を予測するようにしてあることを特徴とする。

本発明に係る予測プログラムは、経時的に変化する予測対象及び該予測対象に関する複数の項目についてのデータを経時的に記録する記録手段にアクセス可能なコンピュータに、前記記録手段に記録されたデータに基づいて、予測対象の変化を予測する処理を実行させる予測プログラムにおいて、前記コンピュータに、各項目について、当該項目のデータを除いた各データに対する予測対象の相関の強さに対する、当該項目のデータを含む各データに対する予測対象の相関の強さを示す要因効果値を導出する導出手順と、該導出手順により導出した要因効果値が大きいものから順に選択した複数の項目のデータに対する予測対象との相関の強さを、項目数毎に算出する算出手順と、該算出手順により算出した項目数毎の相関の強さに基づいて項目数を決定する決定手順と、前記導出手順により導出した要因効果値が大きいものから順に、前記決定手順により決定した項目数分の項目を選択する選択手順と、該選択手順により選択した項目のデータに基づいて、予測対象の変化を予測する予測手順とを実行させ、前記導出手順は、項目のデータと該項目のデータの所定期間後の予測対象のデータとに基づいて要因効果値を導出するようにしてあり、前記予測手順は、項目のデータに対する所定期間経過後の予測対象の変化を予測するようにしてあることを特徴とする。

本発明では、項目数毎の相関の強さに基づいて項目数を決定し、決定した項目数に基づいて解析に用いる項目を選択することにより、最適な項目選択を実現する。

本発明では、予測式の導出に際し、適宜非線形成分を加味することにより、様々な項目を用いた予測方法に展開することができる。

本発明では、所定期間後の予測対象に対する解析を行うことにより、予測の対象となる時期における各項目のデータを推定が不要となる。

本発明では、解析に用いる項目の選択に際し、項目数毎の相関に基づいて項目数を決定し、決定した項目数及び要因効果値に基づいて最適な項目選択を行うことができるので、予測精度を向上させることが可能である等、優れた効果を奏する。

本発明では、予測式の導出に際し、適宜非線形成分を加味することができるので、線形性を有していない項目のデータ変化についても予測可能であり、予測精度を向上させることが可能である等、優れた効果を奏する。

本発明では、所定期間後の予測対象に対して解析する時間差モデルを提案し、時間差モデルに基づいて過去の項目から将来の予測対象の変化を予測することが可能である。従って、予測の対象となる時期における各項目のデータを推定する必要が無く、これによる推定誤差を排除することができるので、予測精度を向上させることが可能である等、優れた効果を奏する。

本発明の予測方法にて扱う時間差モデルを概念的に示す説明図である。 本発明に係る予測方法に用いる各項目及び予測対象のデータの一例を示す図表である。 本発明に係る予測方法に用いる各項目の比例定数β及びＳＮ比ηの一例を示す図表である。 本発明に係る予測方法に用いる予測対象の実値及び総合推定値の一例を示す図表である。 本発明に係る予測方法に用いる要因効果図の一例である。 本発明に係る予測方法に用いる各項目の要因効果に対する影響の一例を示すグラフである。 本発明に係る予測方法において、項目選択数と総合推定値のＳＮ比との関係の一例を示すグラフである。 本発明に係る予測方法において、項目選択数に対する総合推定値のＳＮ比との関係の一例を示すグラフである。 本発明に係る予測方法において、最適な項目選択数を決定するための処理の一例を概念的に示すグラフである。 本発明の予測装置の構成例を示すブロック図である。 本発明の予測装置による予測処理の一例を示すフローチャートである。 本発明の予測装置による予測処理の一例を示すフローチャートである。 本発明の予測方法を適用した実施例１に係る項目の内容を示す図表である。 本発明の予測方法を適用した実施例１の時間差モデルを模式的に示す説明図である。 本発明の予測方法を適用した実施例１の項目選択数と総合推定値のＳＮ比との関係を示すグラフである。 本発明の予測方法を適用した実施例１の実績値と予測値との経時変化を示すグラフである。 本発明の予測方法を適用した実施例１の実績値と予測値との関係を示す分布図である。 本発明の予測方法を適用した実施例１の予測精度の結果を纏めたグラフである。 本発明の予測方法を適用した実施例２に係る項目の内容を示す図表である。 本発明の予測方法を適用した実施例２に係る各項目の要因効果に対する影響を示すグラフである。 本発明の予測方法を適用した実施例２の項目選択数と総合推定値のＳＮ比との関係を示すグラフである。 本発明の予測方法を適用した実施例２の予測精度を示すグラフである。

以下、本発明をその実施の形態を示す図面に基づいて詳述する。

先ず、本発明に係る予測方法の基となる理論について説明する。本発明に係る予測方法は、ＭＴシステム、特にＴ法を用いた予測方法を産業上利用可能なものとするために、様々な技術的改良を行ったものである。即ち、経時的に変化する予測対象を目的特性として捉え、予測対象に関する複数の項目についてのデータを用いて、予測対象の変化を予測することを目的としている。

図１は、本発明の予測方法にて扱う時間差モデルを概念的に示す説明図である。本発明の予測方法では、例えば単位期間とする１ヶ月毎のデータに基づいて、所定期間とする１２ヶ月後の予測対象について予測する場合に、各項目のデータに対し、１２ヶ月後の予測対象のデータを目的特性データとする時間差モデルを提案する。図１は、時間差モデルを概念的に示したものであり、上方に示した複数項目のデータと、下方に示した予測対象のデータとの関係を示している。項目のデータ及び予測対象のデータは、１マスが、単位期間におけるデータを示しており、右方向から左方向へ経時的にデータが存在していることを示している。図１では、４マス分が予測に対しての所定期間となっており、（１）として示すように各項目の８マス分の期間のデータと、予測対象の４マス分後の８マス分の期間のデータとを対応付ける。そして、（２）として示すように４マス分の時間の経過後、その期間分の項目のデータを用いて４マス分先の期間の予測対象のデータを予測する。

図１に示すように時間差モデルでは、複数項目のデータと、所定期間に対応する４マス分先の予測対象のデータとの関係を求めることにより、過去又は現在の項目のデータから未来の予測対象のデータを予測することを可能としている。

従来の予測方法では、例えば重回帰分析の場合、同時期における項目のデータ及び予測対象のデータを夫々説明変数及び目的変数とし、過去のデータから最適な近似モデルを求め、これを外挿して予測する。従って各項目の未来のデータを推定し、推定値に基づいて予測することになり、その際の推定誤差等が予測精度を悪化させる要因となり得る。時間差モデルは、未来に起こる事象には、過去にその予兆があるとの前提に基づいて、各項目の未来のデータを推定するのではなく、各項目の過去又は現在のデータから将来の予測対象のデータを高精度に予測するものである。なお、一定期間における項目のデータ及び予測対象のデータとを対応付ける場合、任意の期間における項目のデータと、所定期間経過後の期間における予測対象のデータとを対応付けることになる。

次に本発明に係る予測方法で適用するＴ法の概要について説明する。図２は、本発明に係る予測方法に用いる各項目及び予測対象のデータの一例を示す図表である。図２において、メンバーとは、単位期間毎のデータであることを示すインデックスであり、１，２，…，ｌとして示している。項目１、項目２、…、項目ｋとは、予測対象に関する複数の項目であり、Ｘ11、Ｘ12、…とは、各項目のデータを示している。予測対象とは、予測対象を示す項目であり、Ｍ1 、Ｍ2 、…は、予測対象のデータを示している。なお、前述のように本発明の予測方法では、時間差モデルを採用していることから、同一のメンバーとして対応付けられた複数の項目のデータと、予測対象のデータとには時間差がある。なお、予測に用いるデータは、実際のデータを用いても良いが、各項目のデータから、当該項目のデータの平均値を減算する等の演算を行って、規準化した上で用いることが好ましく、規準化することにより、各項目についての単位空間内での原点を通る直線として後述する予測式を表現することが可能となる。

そして、項目毎に比例定数βと、ＳＮ比η（２乗比）を下記の式１及び式２により算出する。ＳＮ比とは、下記式２に示すように分散の逆数を用いて示される値であり、各項目に対する予測対象の感度であり、各項目と予測対象との相関の強さを示す。

なお、上記の式１及び式２は、項目１について比例定数β及びＳＮ比η（２乗比）を求める式であるが、項目２から項目ｋまでの項目についても項目１と同様の計算を行う。図３は、本発明に係る予測方法に用いる各項目の比例定数β及びＳＮ比η（２乗比）の一例を示す図表である。図３では、上記の式１及び式２を各項目に適用することにより算出した項目毎の比例定数β及びＳＮ比η（２乗比）を表形式で示したものである。

そして、項目毎の比例定数βとＳＮ比η（２乗比）を用いて、各メンバーについて、項目毎の予測対象の出力の推定値を求める。第ｉ番目のメンバーについて、項目１による出力の推定値は、下記の式３にて示すことができる。また、同様に、項目２から項目ｉについての推定値を求める。

そして、各項目の推定値についての推定精度であるＳＮ比η1 、η2 、…、ηl （２乗比）を重み付け係数として用いた総合推定値を算出する。従って、第ｉ番目のメンバーに対する予測対象の総合推定値は、下記の式４にて示すことができる。

図４は、本発明に係る予測方法に用いる予測対象の実値及び総合推定値の一例を示す図表である。図４は、各メンバーの実際のデータ又は規準化したデータを示す予測対象の実値と、上記式４で求めた総合推定値を一覧形式で示した表である。そして、図４の表に示す予測対象の実値及び総合推定値を用い、下記の式５により、総合推定値のＳＮ比η（ｄｂ）を算出することができる。

このようにして、項目のデータと予測対象の総合推定値との関係を示す予測式として総合推定式を導出することができる。ただし、予測対象に関する全ての項目を用いた総合推定式が最も予測精度が高いわけではない。そこで、予測対象への影響に対する寄与を高くし、予測精度を高めるべく、全ての項目のうちから適切な項目の組み合わせを選択することが必要となる。

なお、予測式は項目と予測対象との関係が線形性を有することが前提となる。しかしながら、必ずしも項目と予測対象との関係が線形性を示すとは限らず、結果として予測対象の予測値と実測値とが乖離し、予測精度が低下する場合もある。そこで、本発明では必要に応じて線形的な関係を示す予測式に代替して非線形的な関係を示す予測式を用いるようにしても良い。即ち、予測対象と項目との関係を２次式で近似した予測式を非線形的な関係を示す予測式として、線形的な関係を示す予測式に代替するようにしても良い。

非線形な関係を示す予測式を用いる場合の具体的な手法について説明する。項目Ｘと予測対象ｙとの間に非線形関係がある場合、基準とする単位空間データとして、ｙの平均値とＸの平均値とを求めて、ｙ及びＸの夫々のデータから平均値を減じる規準化処理を行う。そして、ｙに対して変化するＸの値を用いて、２次式等の多項式で近似する。次に、この近似された値を用いてＸのデータを変換する。即ち、線形的な関係の場合は、データをそのまま又は単に規準化したＸのデータを式４に適用するが、非線形の場合はデータ変換したＸのデータを式４に適用すると捉えることができる。

図５は、本発明に係る予測方法に用いる要因効果図の一例である。図５は、項目の選択方法を示す２水準系の直交表を用いた要因効果図であり、横軸に選択の対象となる項目を示し、縦軸に総合推定値のＳＮ比をとって、各項目についてのＳＮ比を示している。また、図５に示す直交表では、各項目について、左側にその項目のデータを含む各データに対する総合推定値のＳＮ比、即ち予測対象との相関の強さを示し、右側にその項目のデータを除いた各データに対する総合推定値のＳＮ比を示している。更に詳述すると、図５に示す例では、３６項目を選択の対象としている。従って、項目を選択する組み合わせは、２³⁶−１通り存在することになる。これらの各組み合わせについて一又は複数の項目に対する予測対象のＳＮ比を導出する。そして、対象となる当該項目を含む組み合わせのＳＮ比の平均値と、当該項目を含まない組み合わせのＳＮ比の平均値とを算出する。図５では、このようにして、算出された当該項目のデータを含むＳＮ比の平均値を左側に、当該項目のデータを含まないＳＮ比の平均値を右側に、項目毎に示したものである。

図６は、本発明に係る予測方法に用いる各項目の要因効果に対する影響の一例を示すグラフである。図６に示すグラフでは、横軸に選択の対象となる項目を示し、縦軸に要因効果値をとって、各項目についての要因効果値の度合いを示している。図６の縦軸に示す要因効果値とは、図５において、予測対象の相関の強さをｄｂ単位で示した総合推定値のＳＮ比について、右側のＳＮ比に対する左側のＳＮ比、即ち、右側のＳＮ比から左側のＳＮ比を減じた値を示している。従って、図６では、要因効果値が正である項目は、その項目を使用することにより、総合推定値のＳＮ比が上昇することを示している。例えば、両側Ｔ法と呼ばれる方法においては、このような要因効果値が正である項目のみを選択し、Ｔ法による解析を行っている。しかしながら、本願発明者は、このような要因効果値が正である項目のみを選択する方法が、必ずしも最適な選択方法ではないことを見出した。

図７は、本発明に係る予測方法において、項目選択数と総合推定値のＳＮ比との関係の一例を示すグラフである。図７は、横軸に項目の選択数をとり、縦軸に総合推定値のＳＮ比をとって、その関係を示している。なお、項目の選択は、要因効果が大きい項目から順に項目選択数として示した数の項目を選択したものである。即ち、項目選択数が１０の場合は、要因効果が最大の項目から１０番目に高い項目までを選択したことを示している。また、矢印付き点線で示した１９という項目選択数は、図６に示す要因効果が正である項目のみを選択した場合のＳＮ比を示している。図７に示すように、項目選択数に対するＳＮ比は、単調増加又は単調減少となる訳ではなく、また、要因効果が正である項目のみを選択した場合に必ずしもＳＮ比が最大値を示す訳でもない。図７にグラフとして示す例では、矢印付き実線で示した項目選択数を２６とした場合に、ＳＮ比が最大となっている。

図８は、本発明に係る予測方法において、項目選択数に対する総合推定値のＳＮ比との関係の一例を示すグラフである。図８Ａは、本発明に係る予測方法にて用いられるＳＮ比が最大となる２６項目を選択した場合、要因効果が正である項目のみを選択した場合、及び全項目を選択した場合の総合推定値のＳＮ比を示している。また、図８Ｂは、本発明に係る予測方法にて用いられるＳＮ比が最大となる２６項目を選択した場合、要因効果が正である項目のみを選択した場合、及び全項目を選択した場合の寄与率を示している。図８Ａ及び図８Ｂからも明らかなように、本発明に係る予測方法にて用いられるＳＮ比が最大となる項目数となるように項目を選択した場合、ＳＮ比及び寄与率共に、最も優れた値となっている。

図９は、本発明に係る予測方法において、最適な項目選択数を決定するための処理の一例を概念的に示すグラフである。図９は、図７にて示したグラフにおいて、最適な項目選択数を決定するための処理の一例を示すものであり、先ず、要因効果値の最小値以下の値を閾値の初期値として設定する。図９においては、初期値として示した横線が閾値の初期値となる。次に、要因効果値が閾値以上である項目を選択する。要因効果の最小値を閾値の初期値として設定した場合、この段階では、全ての項目が選択されることになる。次に、選択した項目のデータに対する予測対象に係る総合推定値のＳＮ比を算出する。次に、設定した閾値を所定値分大きい値に再設定する。そして、要因効果値が再設定した閾値以上である項目を再度選択する。このような処理を閾値が要因効果値の最大値以上、即ち、図９においてｉとして示した横線に到達するまで繰り返すことにより、選択した複数の項目のデータに対する総合推定値のＳＮ比を、項目数毎に算出することができる。なお、閾値の初期値を要因効果値の最大値以上に設定し、設定した閾値以上の項目を選択し、総合推定値のＳＮ比を算出後、閾値を所定値分小さい値に再設定するようにしてもよい。

次に本発明に係る予測方法を、各種コンピュータ等の装置を用いて実現する形態について説明する。図１０は、本発明の予測装置の構成例を示すブロック図である。図１０中１は、本発明の予測方法を適用した予測装置であり、予測装置１は、パーソナルコンピュータ等の各種コンピュータを用いて構成される。予測装置１は、制御部１０、記録部１１、入力部１２、出力部１３等の各種機構を備えている。

制御部１０は、装置全体を制御し、各種演算を実行するＣＰＵ等の機構である。

記録部１１は、各種情報を記録する様々な記録手段を示しており、情報を一時的に記録する各種ＲＡＭ等の揮発性メモリ、ＲＯＭ、ハードディスクドライブ等の不揮発性メモリ等の機構である。また、外付けのハードディスクドライブ、光学ディスクドライブ、通信網を介して接続されるファイルサーバ等の他の装置についても記録部１１として用いることが可能である。即ち、ここでいう記録部１１とは、制御部１０からアクセス可能な一又は複数の情報記録媒体の総称である。

なお、記録部１１には、本発明の予測方法を実現するための各種手順を含む本発明の予測プログラム２が記録されている。また、記録部１１の記録領域の一部は、予測対象及び複数の項目についてのデータを記録するデータベース（ＤＢ）１１０として用いられており、制御部１０は、必要に応じてデータベース１１０にアクセスすることが可能である。データベース１１０は、例えば図４に示した図表の形式でデータを記録している。

入力部１２は、キーボード、マウス等のユーザの操作入力を受け付ける機構である。

出力部１３は、モニタ等の表示機構、プリンタ等の印刷機構等の各種出力機構を示している。

そして、記録部１１に記録している本発明の予測プログラム２に含まれる各種手順を制御部１０の制御にて実行することにより、コンピュータは、本発明の予測装置１として動作する。

次に本発明の予測装置１を用いた予測処理について説明する。図１１は、本発明の予測装置１による予測処理の一例を示すフローチャートである。予測装置１は、予測プログラム２を実行する制御部１０の制御により、以下に例示する予測処理を実行する。

制御部１０は、入力部１２から予測対象及び複数の項目についてのデータの入力を受け付け、受け付けた予測対象及び複数の項目についてデータを記録部１１のデータベース１１０に記録する（Ｓ１０１）。なお、データベース１１０に記録する各データは、入力部１２からの入力に限らず、他の装置から入力データを受け付けるようにしても良く、また、他の情報記録媒体から入力データを読み取るようにしても良い。

制御部１０は、記録部１１のデータベース１１０に記録した予測対象及び複数の項目のデータに基づいて、時間差モデルを生成する（Ｓ１０２）。ステップＳ１０２で生成する時間差モデルとは、図１にて説明したように、各項目のデータと、該項目のデータの所定期間後の予測対象のデータとを対応付けたモデルである。即ち、初期のデータベース１１０の記録内容が同時期の項目及び予測対象のデータを対応付けて記録している場合、予測対象のデータを所定期間ずらして対応付けることにより時間差モデルを生成することができる。このとき生成される時間差モデルおいて、必要に応じて各項目のデータを、当該項目のデータの平均値で減算する等の演算を行って規準化するようにしても良い。なお、最初にデータベース１１０に記録した予測対象及び各項目のデータが時間差モデルである場合、当該処理を省略することができる。

制御部１０は、前述の式１及び式２を用いて、項目毎に比例定数及びＳＮ比（２乗比）を算出する（Ｓ１０３）。

更に、制御部１０は、前述の式３を用いて項目毎の比例定数とＳＮ比（２乗比）とを用いて、各メンバーについて予測対象の出力の推定値を算出する（Ｓ１０４）。

更に、制御部１０は、前述の式４に基づいて、各項目の推定値についての推定精度であるＳＮ比（２乗比）を重み付け係数として用いた総合推定値を算出する（Ｓ１０５）。

更に、制御部１０は、前述の式５に基づいて、予測対象のデータ及び総合推定値から総合推定値のＳＮ比（ｄｂ）を算出する（Ｓ１０６）。

更に、制御部１０は、各項目について、当該項目のデータを除いた各データに対する総合推定値のＳＮ比に対する、当該項目のデータを含む各データに対する総合推定値のＳＮ比を、要因効果値として導出する（Ｓ１０７）。ステップＳ１０７では、図５を用いて示したように、各項目について、当該項目を除いた場合のＳＮ比から当該項目を含む場合のＳＮ比を減じた値を要因効果値として導出する。ここで、総合推定値のＳＮ比とは、予測対象の相関の強さであり、分散の逆数に比例する値の対数として示した値である。なお、ステップＳ１０３〜Ｓ１０６の処理は、既存のＴ法を応用したものであるが、時間差モデルを用いた所に本発明の本発明の特徴がある。

更に、制御部１０は、要因効果値が大きいものから順に選択した複数の項目のデータに対する総合推定値のＳＮ比を、項目数毎に算出する（Ｓ１０８）。ステップＳ１０８にて算出される総合推定値のＳＮ比、即ち複数の項目のデータに対する予測対象の相関の強さを、項目数毎に算出する具体的な処理については後述する。

更に、制御部１０は、項目数毎の総合推定値のＳＮ比に基づいて項目数を決定する（Ｓ１０９）。ステップＳ１０９の決定処理は、図７に例示したグラフを用いて説明したように、総合推定値のＳＮ比、即ち予測対象の相関の強さが最大となる項目数を決定する処理である。

更に、制御部１０は、ステップＳ１０７にて導出した要因効果値が大きいものから順に、ステップＳ１０９にて決定した項目数分の項目を選択する（Ｓ１１０）。

更に、制御部１０は、ステップ１１０にて選択した項目のデータに基づいて、選択した項目毎のデータに対する総合推定値のＳＮ比に基づく項目毎の重み、及び選択した項目毎のデータと予測対象との関係を示す項目毎の比例定数に基づく予測式を導出する（Ｓ１１１）。ステップＳ１１１にて導出する予測式とは、前述の式４により示される総合推定式である。この予測式は、既存のＴ法においても用いられる式である。また、前述のように、予測式は、必ずしも項目と予測対象との線形的な関係を示す一次式を用いる必要はなく、項目と予測対象との非線形的な関係を示す二次式を用いた予測式として導出するようにしても良い。

そして、制御部１０は、ステップＳ１１１にて導出した予測式に基づいて、予測対象の経時的な変化を予測する（Ｓ１１２）。予測結果は、出力部１３から出力され、また記録部１１に記録される。ステップＳ１１２の予測に際しては、予測の基となる各項目の過去或いは現在又は将来の予測値のデータを用いて予測を行う。本発明では、時間差モデルを用いることにより、各項目のデータに関する時期から所定時間経過後の予測対象を予測することが可能である。また、経時的な変化の予測は、予測式を用いた計算処理を適宜繰り返すことにより行うことができる。なお、予測対象の算出結果について、予め計算に際し規準化、対数化等の換算処理がなされている場合は、当該換算の逆変換を行うことが必要である。

図１２は、本発明の予測装置１による予測処理の一例を示すフローチャートである。予測装置１は、予測プログラム２を実行する制御部１０の制御により、図１１を用いて説明した予測処理におけるステップＳ１０８の処理について具体的な処理として、以下に例示する処理を実行する。なお、図１２のフローチャートを用いて示す処理は、図９のグラフを用いて説明した処理に対応する。

制御部１０は、ステップＳ１０７にて導出した要因効果値の最小値以下の値を閾値の初期値として設定する（Ｓ２０１）。ステップＳ２０１は、図９において、初期値を設定した状態である。なお、図９に示すように、要因効果値の最小値を閾値として設定することにより処理量を削減することができる。

更に、制御部１０は、設定した閾値以上の要因効果値が算出された項目を選択する（Ｓ２０２）。要因効果値の最小値を閾値の初期値として設定した場合、最初のステップＳ２０２の段階では、全ての項目が選択されることになる。

更に、制御部１０は、ステップＳ２０２にて選択した項目のデータに対する予想対象の相関の強さ、即ち、総合推定値のＳＮ比を算出し（Ｓ２０３）、算出した総合推定値のＳＮ比を、項目数に対応付けて記録部１１に記録する（Ｓ２０４）。

更に、制御部１０は、選択した項目に対する総合推定値のＳＮ比の算出を完了したか否かを判定する（Ｓ２０５）。ステップＳ２０５は、繰り返し処理の終了判定であり、項目数毎の総合推定値のＳＮ比の算出処理が、各項目数について完了したか否かを判定する処理である。例えば、設定されている閾値が要因効果値の最大値以上の値をとる場合、後述する閾値の再設定により、閾値以上となる要因効果値が存在しなくなる場合、算出した項目数毎の総合推定値の個数が選択の対象となる項目数に一致した場合等の完了条件を適宜設定することができる。

ステップＳ２０５において、選択した項目に対する総合推定値のＳＮ比の算出を完了したと判定した場合（Ｓ２０５：ＹＥＳ）、制御部１０は、処理を終了する。即ち、ステップＳ１０８の処理を終了し、ステップＳ１０９の処理を実行する。

ステップ２０５において、選択した項目に対する総合推定値のＳＮ比の算出を完了しておらず、更に少ない項目数に対する総合推定値のＳＮ比の算出を要すると判定した場合（Ｓ２０５：ＮＯ）、制御部１０は、設定している閾値を所定値分大きい値に再設定し（Ｓ２０６）、ステップＳ２０２へ進み、以降の処理を繰り返す。

なお、ここでは、閾値の初期値を要因効果値の最小値以下に設定し、所定値分ずつ大きくなるように閾値を再設定する形態を示したが、逆の処理を行うようにしても良い。即ち、閾値の初期値を要因効果値の最大値以上に設定し、設定した閾値以上の要因効果値が算出された項目を選択し、閾値が所定値分ずつ小さくなるように再設定するようにしても良い。このようにして本発明に係る予測装置による予測処理が実行される。

次に、本発明の予測方法を適用した具体的な実施例について説明する。

（実施例１）
実施例１として、本発明の予測方法を建設機械の需要予測に適用した例を説明する。図１３は、本発明の予測方法を適用した実施例１に係る項目の内容を示す図表である。実施例１では、予測対象を「建設機械の出荷台数」とし、予測対象に関連する項目を様々な経済指標とした。経済指標となる各項目としては、図１３に示す通りであり、「日本 失業率（％）」、「国内銀行貸出金利（％）」等の各項目が設定されている。これらの各項目は、月度毎のデータがメンバーとして対応付けられている。なお、「１月」、「２月」等の月を示す項目は、メンバーとして対応付けられる各項目が何月度に対応するかを示す項目であり、当該月度である場合には、その項目にフラグデータとして「１」が記録され、当該月度でない場合には「０」が記録される。例えば、１月度の経済指標を対応付けたメンバーに対しては、「１月」の項目のデータが「１」となり、他の月度を示す項目のデータが「０」となる。実施例１では、経済指標に関する２４項目（図１３では一部省略又は詳細変更）及び月度に関する１２項目の合計３６項目により、予測対象である建設機械の出荷台数を予測する。また、本発明の予測方法の適用に際し、線形的な関係に基づく予測と共に、非線形的な関係をも加味した予測も行った。更に、予測対象である建設機械の出荷台数の実値を用いる場合だけでなく、出荷台数の対数値を用いる場合についても予測を行った。

図１４は、本発明の予測方法を適用した実施例１の時間差モデルを模式的に示す説明図である。実施例１に係る時間差モデルは、１年の時間差をもって各項目と予測対象とを対応付けている。より具体的には、２年間の経済指標等の各項目のデータと、１年経過後の２年間の建設機械の出荷台数とを対応付けている。図１４の例では、２００４〜２００５年の各項目と、２００５〜２００６年の建設機械の出荷台数との対応付けを模式的に示している。

図１５は、本発明の予測方法を適用した実施例１の項目選択数と総合推定値のＳＮ比との関係を示すグラフである。図１５に示すように、実施例１では、矢印付き実線で示すように項目選択数が２４の場合に、総合推定値のＳＮ比が２８．０となり最大値をとる。なお、要因効果値が正である項目のみを選択した場合は、矢印付き点線で示すように項目選択数が２５となり、総合推定値のＳＮ比が２７．３となる。また、全ての項目を選択した場合は、矢印付き一点鎖線で示すように、総合推定値のＳＮ比が２５．５となる。なお、図１５に示す値は、データとしての変動率低減のため、出荷台数の実値ではなく対数値を用い、また非線形的な関係を示す予測式に基づいて算出したものである。

図１６は、本発明の予測方法を適用した実施例１の実績値と予測値との経時変化を示すグラフである。図１６は、横軸を時間軸とし、縦軸に１ヶ月当たりの建設機械の出荷台数（台／月）をとって、実績値及び予測値の推移を示したグラフである。出荷台数の予測は、２００７年１月以降であるが、実際の出荷台数の推移と近似していることを確認することができる。なお、寄与率は０．７９であり、総合推定値のＳＮ比は、１２．７ｄｂとなる。

図１７は、本発明の予測方法を適用した実施例１の実績値と予測値との関係を示す分布図である。図１７は、図１６にて示した２００７年１月以降のデータについて、実績値及び予測値の関係を示したものである。図１７に示すように実績値及び予測値の関係は一致を示す対角線に沿って分布している。なお、図１６及び図１７にて用いたデータは、非線形的な関係を示す予測式及び実値の対数値を用いた予測に基づくものである。

図１８は、本発明の予測方法を適用した実施例１の予測精度の結果を纏めたグラフである。なお、縦軸は、予測の精度であり、右側にＳＮ比として求めた値を示し、左側に寄与率として求めた値を示している。図１８において、正方形で示した値がＳＮ比であり、丸印で示した値が寄与率である。図１８において、左方の区画に示した２つのデータは、比較用に示した重回帰分析による予測精度であり、そのうちで左側が実値を用いた場合の予測精度を示し、右側が対数値を用いた場合の予測精度を示している。左から２番目の区画に示した３つのデータは、Ｔ法を用いた予測方法により、線形的な関係を示す予測式及び実値を用いた場合の予測精度を示している。そのうちで左側が全ての項目を用いた場合の予測精度、中央が要因効果値が正である項目のみを用いた場合の予測精度、そして、右側が本発明の予測方法を適用して要因効果値が最大となる項目数を選択した場合の予測精度を示している。左から３番目の区画に示した３つのデータは、Ｔ法を用いた予測方法により、線形的な関係を示す予測式及び対数値を用いた場合の予測精度を示している。そのうちで左側が全ての項目を用いた場合の予測精度、中央が要因効果値が正である項目のみを用いた場合の予測精度、そして、右側が本発明の予測方法を適用して要因効果値が最大となる項目数を選択した場合の予測精度を示している。最も右側の区画に示した３つのデータは、Ｔ法を用いた予測方法により、非線形的な関係を示す予測式及び対数値を用いた場合の予測精度を示している。そのうちで左側が全ての項目を用いた場合の予測精度、中央が要因効果値が正である項目のみを用いた場合の予測精度、そして、右側が本発明の予測方法を適用して要因効果値が最大となる項目数を選択した場合の予測精度を示している。

図１８から明らかなように、Ｔ法を用いた予測方法においては、本発明の予測方法を用いた場合の予測精度が最も高いことが示されている。また、本発明の予測方法を用いた場合の予測精度は、同条件で重回帰分析を行った場合よりも高いことも明らかである。

（実施例２）
実施例２として、本発明の予測方法を北米冷凍機用エンジン販売予測に適用した例を説明する。図１９は、本発明の予測方法を適用した実施例２に係る項目の内容を示す図表である。実施例２では、予測対象を「北米冷凍機用エンジンの出荷台数」とし、予測対象に関する項目を様々な経済指標とした。これらの各項目は、月度毎のデータがメンバーとして対応付けられている。なお、実施例１と同様に月を示す項目を設けている。実施例２では、経済指標に関する４０項目（図１９では一部省略又は詳細変更）及び月度に関する１２項目の合計５２項目により、予測対象である北米冷凍機用エンジンの出荷台数を予測する。

図２０は、本発明の予測方法を適用した実施例２に係る各項目の要因効果に対する影響を示すグラフである。図２０に示すグラフでは、横軸に各項目を示し、縦軸に要因効果値をとって、各項目についての要因効果値をｄｂ単位で示している。なお、要因効果値が０となる位置のやや上方に示した実線が本発明の予測方法を適用した場合に総合推定値のＳＮ比が最大となる場合の閾値を示している。この場合、閾値以上の値をとる項目数は２３である。

図２１は、本発明の予測方法を適用した実施例２の項目選択数と総合推定値のＳＮ比との関係を示すグラフである。図２１は、図２０のグラフに示した項目について、項目選択数と総合推定値のＳＮ比との関係を示したものである。実施例２では、矢印付き実線が総合推定値のＳＮ比が最大となる場合を示しており、２６項目が選択されている。また、矢印付き点線が要因効果が正である項目のみを選択した場合を示しており、２３項目が選択されている。

図２２は、本発明の予測方法を適用した実施例２の予測精度を示すグラフである。図２２Ａは、予測精度を総合推定値のＳＮ比で示したものであり、図２２Ｂは、予測精度を寄与率で示したものである。いずれのグラフも、左方が、本発明の予測方法を適用し、総合推定値のＳＮ比が最大となる項目数の項目を選択した場合を示しており、中央が要因効果が正となる項目のみを選択した場合を示しており、右方が全ての項目を選択した場合を示している。図２２Ａ及び図２２Ｂから明らかなように本発明の予測方法により、項目を選択した場合に最も予測精度が大きくなっている。

前記実施の形態は、本願の無数に存在する形態の一部を例示したに過ぎず、各種ハードウェアの構成、処理の手順、数式、代替式、その他の条件の設定は、目的、用途等に応じて適宜設計することが可能である。例えば、前記実施の形態では、相関の強さを示す数値として分散の逆数を用いたＳＮ比を用いる形態を示したが、本発明はこれに限らず、エネルギー比型ＳＮ比等の定義の異なる指標を用いるようにしても良い。

１ 予測装置
１０ 制御部
１１ 記録部
１２ 入力部
１３ 出力部
１１０ データベース
２ 予測プログラム

Claims (5)

1. 経時的に変化する予測対象及び該予測対象に関する複数の項目についてのデータを経時的に記録する記録手段を備え、該記録手段に記録されたデータに基づいて、予測対象の変化を予測する予測装置において、
   各項目について、当該項目のデータを除いた各データに対する予測対象の相関の強さに対する、当該項目のデータを含む各データに対する予測対象の相関の強さを示す要因効果値を導出する導出手段と、
   該導出手段が導出した要因効果値が大きいものから順に選択した複数の項目のデータに対する予測対象との相関の強さを、項目数毎に算出する算出手段と、
   該算出手段が算出した項目数毎の相関の強さに基づいて項目数を決定する決定手段と、
   前記導出手段が導出した要因効果値が大きいものから順に、前記決定手段が決定した項目数分の項目を選択する選択手段と、
   該選択手段が選択した項目のデータに基づいて、予測対象の変化を予測する予測手段と
   を備え、
   前記導出手段は、
   項目のデータと該項目のデータの所定期間後の予測対象のデータとに基づいて要因効果値を導出するようにしてあり、
   前記予測手段は、
   項目のデータに対する所定期間経過後の予測対象の変化を予測するようにしてある
   ことを特徴とする予測装置。
2. 前記算出手段は、
   前記導出手段が導出した要因効果値の最小値以下（又は最大値以上）の値を閾値の初期値として設定する手段と、
   設定した閾値以上の要因効果値が算出された項目を選択する第１手段と、
   選択した項目のデータに対する予測対象の相関の強さを算出する第２手段と、
   前記閾値を所定値分大きい値（又は小さい値）に再設定する第３手段と
   を有し、
   前記第１手段、第２手段及び第３手段により、選択した複数の項目のデータに対する予測対象の相関の強さを、項目数毎に算出するようにしてある
   ことを特徴とする請求項１に記載の予測装置。
3. 前記予測手段は、
   選択した項目毎のデータに対する予測対象の相関の強さに基づく項目毎の重み、及び選択した項目毎のデータと予測対象との線形的な関係又は該線形的な関係に代替可能な非線形的な関係を示す項目毎の比例定数に基づく予測式を導出する手段を備え、
   導出した予測式に基づいて、予測対象の変化を導出するようにしてある
   ことを特徴とする請求項１又は２に記載の予測装置。
4. 経時的に変化する予測対象及び該予測対象に関する複数の項目についてのデータを経時的に記録する記録手段にアクセス可能な予測装置が、前記記録手段に記録されたデータに基づいて、予測対象の変化を予測する処理を実行する予測方法において、
   前記予測装置は、
   各項目について、当該項目のデータを除いた各データに対する予測対象の相関の強さに対する、当該項目のデータを含む各データに対する予測対象の相関の強さを示す要因効果値を導出する導出ステップと、
   該導出ステップにより導出した要因効果値が大きいものから順に選択した複数の項目のデータに対する予測対象との相関の強さを、項目数毎に算出する算出ステップと、
   該算出ステップにより算出した項目数毎の相関の強さに基づいて項目数を決定する決定ステップと、
   前記導出ステップにより導出した要因効果値が大きいものから順に、前記決定ステップにより決定した項目数分の項目を選択する選択ステップと、
   該選択ステップにより選択した項目のデータに基づいて、予測対象の変化を予測する予測ステップと
   を実行し、
   前記導出ステップは、
   項目のデータと該項目のデータの所定期間後の予測対象のデータとに基づいて要因効果値を導出するようにしてあり、
   前記予測ステップは、
   項目のデータに対する所定期間経過後の予測対象の変化を予測するようにしてある
   ことを特徴とする予測方法。
5. 経時的に変化する予測対象及び該予測対象に関する複数の項目についてのデータを経時的に記録する記録手段にアクセス可能なコンピュータに、前記記録手段に記録されたデータに基づいて、予測対象の変化を予測する処理を実行させる予測プログラムにおいて、
   前記コンピュータに、
   各項目について、当該項目のデータを除いた各データに対する予測対象の相関の強さに対する、当該項目のデータを含む各データに対する予測対象の相関の強さを示す要因効果値を導出する導出手順と、
   該導出手順により導出した要因効果値が大きいものから順に選択した複数の項目のデータに対する予測対象との相関の強さを、項目数毎に算出する算出手順と、
   該算出手順により算出した項目数毎の相関の強さに基づいて項目数を決定する決定手順と、
   前記導出手順により導出した要因効果値が大きいものから順に、前記決定手順により決定した項目数分の項目を選択する選択手順と、
   該選択手順により選択した項目のデータに基づいて、予測対象の変化を予測する予測手順と
   を実行させ、
   前記導出手順は、
   項目のデータと該項目のデータの所定期間後の予測対象のデータとに基づいて要因効果値を導出するようにしてあり、
   前記予測手順は、
   項目のデータに対する所定期間経過後の予測対象の変化を予測するようにしてある
   ことを特徴とする予測プログラム。

Images