JP5437887B2 - 需要予測装置、需要予測方法およびプログラム - Google Patents

需要予測装置、需要予測方法およびプログラム Download PDF

Info

Publication number
JP5437887B2
JP5437887B2 JP2010084885A JP2010084885A JP5437887B2 JP 5437887 B2 JP5437887 B2 JP 5437887B2 JP 2010084885 A JP2010084885 A JP 2010084885A JP 2010084885 A JP2010084885 A JP 2010084885A JP 5437887 B2 JP5437887 B2 JP 5437887B2
Authority
JP
Japan
Prior art keywords
demand
service
time
product
change point
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.)
Expired - Fee Related
Application number
JP2010084885A
Other languages
English (en)
Other versions
JP2011215989A (ja
Inventor
正次 高野
信祐 下川
基 岩下
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.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone 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 Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2010084885A priority Critical patent/JP5437887B2/ja
Publication of JP2011215989A publication Critical patent/JP2011215989A/ja
Application granted granted Critical
Publication of JP5437887B2 publication Critical patent/JP5437887B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、サービスや商品の中長期の需要を予測する技術に係り、特にユーザ層の変化やユーザの流れの変化といった質的な変化が発生している点である構造変化点を検出し、かつ、そのサービスや商品のカテゴリを形成する複数のサービスや商品のそれぞれの構造変化点についても検出し、これらの構造変化点に基づいて予測対象のサービスや商品の中長期の需要予測の精度・効果を高める需要予測装置、需要予測方法およびプログラムに関するものである。
一般に、サービスや商品の需要の定量予測に関する従来の技術では、過去実績データから、需要成長曲線をデータフィッティングなどにより特定し、将来の需要を予測してきた（例えば、非特許文献１、非特許文献２、非特許文献３参照）。また、ブロードバンドサービスを実施例とした、ユーザの質的変化を考慮した構造変化点を用いたサービスを含む商品の需要予測については、非特許文献４で提案されている。また、特許文献１には、非特許文献４に基づいた、市場における商品の需要を予測する装置で用いられる需要予測方法が開示されている。
特開２００８−３０５２２９号公報
Bass F.M.，"A new product growth for model consumer durables"，Management Science Theory，Vol.15，No.5，January，1969，p.215-227 Saito H.，"A demand forecasting method for new telecommunication services"，Journal of the Operations Research Society of Japan，Vol.30，No.2，June，1987 森村他 監訳，"マーケティングハンドブック"，朝倉書店，1997，p.350-404（Eliashberg J.，and Lilien G.L.，"Marketing，Handbooks in Operations Research and Management Science"，Vol.5，1993） Shimogawa S.，and Shinno M. ，"Mechanism of Diffusion of Fixed-Line Broadband Access Services in Japan and its Application to Long-Term Growth Prediction - Rapid Diffusion in Urban Areas -"，presented at the 35th Research Conference on Communication，Information and Internet Policy，2007，＜ｈｔｔｐ：／／ｗｅｂ．ｓｉ．ｕｍｉｃｈ．ｅｄｕ／ｔｐｒｃ／ｐａｐｅｒｓ／２００７／７５５／Ｓｈｉｎｓｕｋｅ−ｓｈｉｍｏｇａｗａ．ｐｄｆ＞
あるサービスカテゴリＴ内の複数のサービス（商品）であるサービスａとサービスｘとサービスｃとが、以下のような関係で存在する状況を対象とする。
（１）サービスａは、長期間提供されてきた旧来サービス。
（２）サービスｘは、技術革新にともなって提供され始めた後継サービス。
（３）サービスｃは、サービスカテゴリＴ内でサービスａとサービスｘと競合関係にあるものの、固有の需要や特長を持つ独自色の強いサービス。
サービスカテゴリＴ内のサービスに対する採用行動として、ユーザは、サービスａ、サービスｘ、または、サービスｃのいずれかの選択を行う。多くのユーザが旧来サービスａから後継サービスｘに移行していく、つまり、旧来サービスａの需要が減少し、後継サービスｘの需要が増加していく過渡期の状況を想定する。また一方では、サービスｃは、固有の需要や特長を有するため、一定のユーザを継続して獲得しているような状況を想定する。
このとき、後継サービスｘの提供事業者が、今後どのように事業展開していくことが合理的なのか、あるいは今後どのように設備増強していくことが合理的なのかを検討するための判断材料として、後継サービスｘの需要の中長期予測が必要となる。
後継サービスｘの需要の精度の高い中長期予測には、後継サービスｘの需要の構造変化点を利用することが非常に重要となる。
非特許文献１，２，３に開示された従来の需要予測手法では、過去の実績トレンドから時系列にデータを予測する方法、もしくはその改良版として、将来の需要が需要成長曲線や他の曲線に従うと仮定したもとで、将来予測曲線を定める方法がとられている。非特許文献１，２，３に開示された従来の需要予測手法では、どの区間の時系列データを採用するかに関する検討はこれまで確立されておらず、したがって需要の構造変化点をまたがった時系列データを採用して将来の需要を予測することにより生じる誤差（精度の悪さ）が大きくなるという課題があった。
この課題を解決するため、非特許文献４に開示された方法では、サービスカテゴリ全体（あるいは、商品）の需要について、「需要成長の構造的理論」を新たに構築している。特許文献１に開示された需要予測方法および装置は、非特許文献４の「需要成長の構造的理論」に基づくものである。
「需要成長の構造的理論」とは、特許文献１内の記述によれば、以下のようなものである。「需要成長現象が、単一の正冪関数に表現できるという性質は、需要成長現象の前半のある時期までである。そこで、増分に正に限らない冪性を要求しつつデータフィッティングを施すと、ある時期から後半は、その前半の正冪成長とは関数クラスとして双対的なものである負冪増大に適合する。そして、その増分の冪指数として『−１』がよく適合する。」という性質が見られることを、「後発ユーザの利用開始行動が、身近な周囲からの情報の蓄積量が一定量に達することで、平均的に生ずるものとし、その情報のチャネルのサイズが身近な周囲を共有する人々の数によって決まるという仮説」に基づくことで導くものである。
シンプルに言い換えた表現として、「需要成長の構造的理論」とは、「後発ユーザの需要成長曲線が対数的な成長となること」を導く理論、ともいえる。
非特許文献４、特許文献１に開示された「需要成長の構造的理論」に基づく需要予測方法および装置によって、単一サービスや商品、あるいはサービスカテゴリ全体の需要について、中長期において十分な精度で予測することができるようになった。ただし、前述のように、あるサービスカテゴリに複数の旧来サービスａと後継サービスｘとが含まれ、さらに同一のサービスカテゴリ内ながら独自色が強いサービスｃが含まれる場合に、しかも、旧来サービスａから後継サービスｘにサービスが置き換わっていく過渡期について、後継サービスｘの需要を、「需要成長の構造的理論」に基づく構造変化点の検出によって、精度良く中長期予測を行うことは実現できていなかった。
本発明は、このような課題を解決するためのものであり、後継サービスの需要予測において、中長期において十分な精度で予測可能となる構造変化点を用いた需要予測装置、需要予測方法およびプログラムを提供することを目的としている。
本発明は、旧来の第１のサービスまたは第１の商品から後継の第２のサービスまたは第２の商品に置き換わっていく過渡期において前記第２のサービスまたは第２の商品の需要を予測する需要予測装置であって、前記第１のサービスまたは第１の商品と前記第２のサービスまたは第２の商品とを含むサービスカテゴリの需要の構造変化点を検出する第１の構造変化点検出手段と、前記第１のサービスまたは第１の商品の需要の構造変化点を検出する第２の構造変化点検出手段と、前記サービスカテゴリに含まれるものの固有の需要や特長を持つ第３のサービスまたは第３の商品の需要の構造変化点を検出する第３の構造変化点検出手段と、前記第１の構造変化点検出手段が検出した構造変化点以降の前記サービスカテゴリの需要実績の時系列データに対して時間軸変換処理および回帰分析処理を行うことにより需要予測曲線を特定し、特定した需要予測曲線に基づいて前記サービスカテゴリの需要予測値を算出する第１の需要予測算出手段と、前記第２の構造変化点検出手段が検出した構造変化点以降の前記第１のサービスまたは第１の商品の需要実績の時系列データに対して時間軸変換処理および回帰分析処理を行うことにより需要予測曲線を特定し、特定した需要予測曲線に基づいて前記第１のサービスまたは第１の商品の需要予測値を算出する第２の需要予測算出手段と、前記第３の構造変化点検出手段が検出した構造変化点以降の前記第３のサービスまたは第３の商品の需要実績の時系列データに対して時間軸変換処理および回帰分析処理を行うことにより需要予測曲線を特定し、特定した需要予測曲線に基づいて前記第３のサービスまたは第３の商品の需要予測値を算出する第３の需要予測算出手段と、前記サービスカテゴリの需要予測値と前記第１のサービスまたは第１の商品の需要予測値と前記第３のサービスまたは第３の商品の需要予測値とから、前記第２のサービスまたは第２の商品の需要予測値を算出する第４の需要予測算出手段とを備え、前記需要予測曲線は、サービスまたは商品の需要数の単位時間あたりの増加数が、所定の基準時点からの経過時間長の負冪に比例する関数からなり、前記第１の構造変化点検出手段は、前記サービスカテゴリの需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データに対して線形近似処理を行って、同一の近似直線上に乗る最も過去の時点を前記サービスカテゴリの需要の構造変化点として検出し、前記第２の構造変化点検出手段は、前記第１のサービスまたは第１の商品の需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データに対して線形近似処理を行って、同一の近似直線上に乗る最も過去の時点を前記第１のサービスまたは第１の商品の需要の構造変化点として検出し、前記第３の構造変化点検出手段は、前記第３のサービスまたは第３の商品の需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データに対して線形近似処理を行って、同一の近似直線上に乗る最も過去の時点を前記第３のサービスまたは第３の商品の需要の構造変化点として検出することを特徴とするものである。
また、本発明の需要予測装置の１構成例において、前記第１の需要予測算出手段は、前記サービスカテゴリの需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データのうち、前記サービスカテゴリの需要の構造変化点以降の時系列データを用いて回帰分析処理により回帰直線を算出し、この回帰直線の時間軸を元の自然時間に逆変換した関数である需要予測曲線を算出し、この需要予測曲線に基づいて前記サービスカテゴリの需要予測値を算出し、前記第２の需要予測算出手段は、前記第１のサービスまたは第１の商品の需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データのうち、前記第１のサービスまたは第１の商品の需要の構造変化点以降の時系列データを用いて回帰分析処理により回帰直線を算出し、この回帰直線の時間軸を元の自然時間に逆変換した関数である需要予測曲線を算出し、この需要予測曲線に基づいて前記第１のサービスまたは第１の商品の需要予測値を算出し、前記第３の需要予測算出手段は、前記第３のサービスまたは第３の商品の需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データのうち、前記第３のサービスまたは第３の商品の需要の構造変化点以降の時系列データを用いて回帰分析処理により回帰直線を算出し、この回帰直線の時間軸を元の自然時間に逆変換した関数である需要予測曲線を算出し、この需要予測曲線に基づいて前記第３のサービスまたは第３の商品の需要予測値を算出することを特徴とするものである。
また、本発明は、ＣＰＵとメモリとを備えたコンピュータにおいて、旧来の第１のサービスまたは第１の商品から後継の第２のサービスまたは第２の商品に置き換わっていく過渡期において前記第２のサービスまたは第２の商品の需要を予測する需要予測方法であって、前記第１のサービスまたは第１の商品と前記第２のサービスまたは第２の商品とを含むサービスカテゴリの需要の構造変化点を検出する第１の構造変化点検出ステップと、前記第１のサービスまたは第１の商品の需要の構造変化点を検出する第２の構造変化点検出ステップと、前記サービスカテゴリに含まれるものの固有の需要や特長を持つ第３のサービスまたは第３の商品の需要の構造変化点を検出する第３の構造変化点検出ステップと、前記第１の構造変化点検出ステップで検出した構造変化点以降の前記サービスカテゴリの需要実績の時系列データに対して時間軸変換処理および回帰分析処理を行うことにより需要予測曲線を特定し、特定した需要予測曲線に基づいて前記サービスカテゴリの需要予測値を算出する第１の需要予測算出ステップと、前記第２の構造変化点検出ステップで検出した構造変化点以降の前記第１のサービスまたは第１の商品の需要実績の時系列データに対して時間軸変換処理および回帰分析処理を行うことにより需要予測曲線を特定し、特定した需要予測曲線に基づいて前記第１のサービスまたは第１の商品の需要予測値を算出する第２の需要予測算出ステップと、前記第３の構造変化点検出ステップで検出した構造変化点以降の前記第３のサービスまたは第３の商品の需要実績の時系列データに対して時間軸変換処理および回帰分析処理を行うことにより需要予測曲線を特定し、特定した需要予測曲線に基づいて前記第３のサービスまたは第３の商品の需要予測値を算出する第３の需要予測算出ステップと、前記サービスカテゴリの需要予測値と前記第１のサービスまたは第１の商品の需要予測値と前記第３のサービスまたは第３の商品の需要予測値とから、前記第２のサービスまたは第２の商品の需要予測値を算出する第４の需要予測算出ステップとを、前記メモリに記憶されたプログラムに従って前記ＣＰＵに実行させ、前記需要予測曲線は、サービスまたは商品の需要数の単位時間あたりの増加数が、所定の基準時点からの経過時間長の負冪に比例する関数からなり、前記第１の構造変化点検出ステップは、前記サービスカテゴリの需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データに対して線形近似処理を行って、同一の近似直線上に乗る最も過去の時点を前記サービスカテゴリの需要の構造変化点として検出し、前記第２の構造変化点検出ステップは、前記第１のサービスまたは第１の商品の需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データに対して線形近似処理を行って、同一の近似直線上に乗る最も過去の時点を前記第１のサービスまたは第１の商品の需要の構造変化点として検出し、前記第３の構造変化点検出ステップは、前記第３のサービスまたは第３の商品の需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データに対して線形近似処理を行って、同一の近似直線上に乗る最も過去の時点を前記第３のサービスまたは第３の商品の需要の構造変化点として検出することを特徴とするものである。
また、本発明の需要予測方法の１構成例において、前記第１の需要予測算出ステップは、前記サービスカテゴリの需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データのうち、前記サービスカテゴリの需要の構造変化点以降の時系列データを用いて回帰分析処理により回帰直線を算出し、この回帰直線の時間軸を元の自然時間に逆変換した関数である需要予測曲線を算出し、この需要予測曲線に基づいて前記サービスカテゴリの需要予測値を算出し、前記第２の需要予測算出ステップは、前記第１のサービスまたは第１の商品の需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データのうち、前記第１のサービスまたは第１の商品の需要の構造変化点以降の時系列データを用いて回帰分析処理により回帰直線を算出し、この回帰直線の時間軸を元の自然時間に逆変換した関数である需要予測曲線を算出し、この需要予測曲線に基づいて前記第１のサービスまたは第１の商品の需要予測値を算出し、前記第３の需要予測算出ステップは、前記第３のサービスまたは第３の商品の需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データのうち、前記第３のサービスまたは第３の商品の需要の構造変化点以降の時系列データを用いて回帰分析処理により回帰直線を算出し、この回帰直線の時間軸を元の自然時間に逆変換した関数である需要予測曲線を算出し、この需要予測曲線に基づいて前記第３のサービスまたは第３の商品の需要予測値を算出することを特徴とするものである。
また、本発明は、ＣＰＵとメモリとを備えたコンピュータを、旧来の第１のサービスまたは第１の商品から後継の第２のサービスまたは第２の商品に置き換わっていく過渡期において前記第２のサービスまたは第２の商品の需要を予測する需要予測装置として動作させる需要予測プログラムであって、前記第１のサービスまたは第１の商品と前記第２のサービスまたは第２の商品とを含むサービスカテゴリの需要の構造変化点を検出する第１の構造変化点検出ステップと、前記第１のサービスまたは第１の商品の需要の構造変化点を検出する第２の構造変化点検出ステップと、前記サービスカテゴリに含まれるものの固有の需要や特長を持つ第３のサービスまたは第３の商品の需要の構造変化点を検出する第３の構造変化点検出ステップと、前記第１の構造変化点検出ステップで検出した構造変化点以降の前記サービスカテゴリの需要実績の時系列データに対して時間軸変換処理および回帰分析処理を行うことにより需要予測曲線を特定し、特定した需要予測曲線に基づいて前記サービスカテゴリの需要予測値を算出する第１の需要予測算出ステップと、前記第２の構造変化点検出ステップで検出した構造変化点以降の前記第１のサービスまたは第１の商品の需要実績の時系列データに対して時間軸変換処理および回帰分析処理を行うことにより需要予測曲線を特定し、特定した需要予測曲線に基づいて前記第１のサービスまたは第１の商品の需要予測値を算出する第２の需要予測算出ステップと、前記第３の構造変化点検出ステップで検出した構造変化点以降の前記第３のサービスまたは第３の商品の需要実績の時系列データに対して時間軸変換処理および回帰分析処理を行うことにより需要予測曲線を特定し、特定した需要予測曲線に基づいて前記第３のサービスまたは第３の商品の需要予測値を算出する第３の需要予測算出ステップと、前記サービスカテゴリの需要予測値と前記第１のサービスまたは第１の商品の需要予測値と前記第３のサービスまたは第３の商品の需要予測値とから、前記第２のサービスまたは第２の商品の需要予測値を算出する第４の需要予測算出ステップとを、前記メモリに記憶されたプログラムに従って前記ＣＰＵに実行させ、前記需要予測曲線は、サービスまたは商品の需要数の単位時間あたりの増加数が、所定の基準時点からの経過時間長の負冪に比例する関数からなり、前記第１の構造変化点検出ステップは、前記サービスカテゴリの需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データに対して線形近似処理を行って、同一の近似直線上に乗る最も過去の時点を前記サービスカテゴリの需要の構造変化点として検出し、前記第２の構造変化点検出ステップは、前記第１のサービスまたは第１の商品の需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データに対して線形近似処理を行って、同一の近似直線上に乗る最も過去の時点を前記第１のサービスまたは第１の商品の需要の構造変化点として検出し、前記第３の構造変化点検出ステップは、前記第３のサービスまたは第３の商品の需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データに対して線形近似処理を行って、同一の近似直線上に乗る最も過去の時点を前記第３のサービスまたは第３の商品の需要の構造変化点として検出することを特徴とするものである。
本発明によれば、第１のサービスまたは第１の商品と第２のサービスまたは第２の商品とを含むサービスカテゴリの需要の構造変化点、第１のサービスまたは第１の商品の需要の構造変化点、およびサービスカテゴリに含まれるものの固有の需要や特長を持つ第３のサービスまたは第３の商品の需要の構造変化点を検出し、構造変化点以降の需要実績の時系列データに対して時間軸変換処理および回帰分析処理を行うことにより需要予測曲線を特定し、特定した需要予測曲線に基づいてサービスカテゴリの需要予測値、第１のサービスまたは第１の商品の需要予測値、および第３のサービスまたは第３の商品の需要予測値を算出し、サービスカテゴリの需要予測値と第１のサービスまたは第１の商品の需要予測値と第３のサービスまたは第３の商品の需要予測値とから、第２のサービスまたは第２の商品の需要予測値を算出するようにしたので、旧来の第１のサービスまたは第１の商品から後継の第２のサービスまたは第２の商品に置き換わっていく過渡期においても、第２のサービスまたは第２の商品の中長期の需要を精度良く予測することができる。需要予測曲線は所定の基準時点からの経過時間長の負冪に比例する関数からなることを特徴とするため、算出される第２のサービスまたは第２の商品の需要予測について、高い予測精度を期待することができるため、サービス展開戦略、在庫管理、販売計画業務の向上を図ることができる。
本発明の第１の実施の形態に係る需要予測方法の処理の流れを示すフローチャートである。 本発明の第２の実施の形態に係る需要予測装置の構成を示すブロック図である。 本発明の第２の実施の形態におけるサービスの需要の構造変化点の検出処理を説明するフローチャートである。 本発明の第２の実施の形態におけるサービスの需要予測算出処理を説明するフローチャートである。 ブロードバンドサービス全体、ＡＤＳＬサービス、ＣＡＴＶサービス、ＦＴＴＨサービスの需要数の実績値例を示す図である。 本発明の第３の実施の形態におけるブロードバンドサービス全体の需要の構造変化点の検出処理と需要予測算出処理とを説明する図である。 本発明の第３の実施の形態におけるブロードバンドサービス全体の需要実績と需要予測曲線とを示す図である。 本発明の第３の実施の形態におけるＡＤＳＬサービスの需要の構造変化点の検出処理と需要予測算出処理とを説明する図である。 本発明の第３の実施の形態におけるＡＤＳＬサービスの需要実績と需要予測曲線とを示す図である。 本発明の第３の実施の形態におけるＣＡＴＶサービスの需要の構造変化点の検出処理と需要予測算出処理とを説明する図である。 本発明の第３の実施の形態におけるＣＡＴＶサービスの需要実績と需要予測曲線とを示す図である。 本発明の第３の実施の形態におけるＦＴＴＨサービスの需要予測結果を示す図である。
［第１の実施の形態］
以下で、本実施の形態が解決しようとする対象の具体的状況を説明する。本実施の形態は、複数のサービス（商品）が以下のような関係で存在する状況を対象とする。
（Ａ）サービスａは、サービスカテゴリＴに含まれるサービス。
（Ｂ）サービスｘは、サービスカテゴリＴに含まれるサービス。
（Ｃ）多くのユーザがサービスａからサービスｘに移行する過渡期にある。
（Ｄ）サービスｃは、サービスカテゴリＴに含まれるサービスでサービスａとサービスｘと競合関係にあるものの、固有の需要や特長を持つ独自色の強いサービス。
後継サービスｘの提供事業者は、後継サービスｘを今後どのように提供していくことが事業において合理的なのかを検討するための判断材料として、後継サービスｘの需要の中長期予測を行うことが必要となる。
後継サービスｘの需要の中長期予測を精度良く行うには、非特許文献４、特許文献１に開示された「需要成長の構造的理論」に基づいた、後継サービスｘの需要の構造変化点の検出が必要となる。しかしながら、後継サービスｘは、旧来サービスａおよび独自色の強いサービスｃと複雑な競合関係があるので、後継サービスｘの需要の構造変化点を、後継サービスｘの需要実績の時系列データのみから検出することが困難であると想定する。
ここで、非特許文献４、特許文献１に開示された「需要成長の構造的理論」において言及している、「需要を形成する先行者と後発者の逆転時点」はすでに経過しているものであり、旧来サービスａ、後継サービスｘ、独自色の強いサービスｃの何れについても当該理論の適用は可能であるものとする。
このとき、時刻ｔでのサービスカテゴリＴ全体の需要の中長期予測値Ｔ（ｔ）は、特許文献１に基づき構造変化点を利用した予測を行うことができる。
同様に、独自色の強いサービスｃの需要の中長期予測値ｃ（ｔ）についても、特許文献１に基づく構造変化点を利用した予測を行うことができることを想定する。
さらに、旧来サービスａの需要の中長期予測値ａ（ｔ）について、「需要成長の構造的理論」の発展から、「需要の減少速度がほぼ対数的な成長となること」を想定する。
このとき、後継サービスｘの需要の中長期予測値ｘ（ｔ）を式（１）で算出することにより、それぞれの構造変化点を利用していることで高い精度を期待することができる。
ｘ（ｔ）＝Ｔ（ｔ）−ｃ（ｔ）−ａ（ｔ） ・・・（１）
ここで、独自色の強いサービスｃがｃ１（ｔ），・・・，ｃｉ（ｔ）のｉ種類（ｉは自然数）存在し、旧来サービスａがａ１（ｔ），・・・，ａｊ（ｔ）のｊ種類（ｊは自然数）存在しても、式（２）に示すように後継サービスｘの需要の中長期予測値ｘ（ｔ）を算出することができる。
ｘ（ｔ）＝Ｔ（ｔ）−ｃ１（ｔ）−・・・−ｃｉ（ｔ）
−ａ１（ｔ）−・・・−ａｊ（ｔ） ・・・（２）
以上の技術的な要請、理論的な考察に基づき、本実施の形態の需要予測方法について説明する。図１は本発明の第１の実施の形態に係る需要予測方法の処理の流れを示すフローチャートである。
最初に、データ入出力・記憶ステップでは、サービスカテゴリＴ、旧来サービスａ、後継サービスｘ、独自色の強いサービスｃの過去の需要実績の時間的変化を示す時系列データを入力として受け取ってメモリ等に蓄積する（図１ステップＳ１）。
続いて、サービスカテゴリＴの需要の構造変化点検出ステップでは、サービスカテゴリＴ全体の需要の構造変化点を検出する（図１ステップＳ２）。サービスカテゴリＴの需要の構造変化点は、「需要成長の構造的理論」に基づき、時間軸を対数変換した需要実績の時系列データに対して、直線近似（最小二乗法などにより）を適用したときの、同一の近似直線上に乗ると考えられる最も過去の時点を構造変化点とすることで検出できる。
次に、サービスカテゴリＴの需要予測算出ステップでは、サービスカテゴリＴの需要予測曲線を、非特許文献４、特許文献１に開示された「需要成長の構造的理論」に基づいて特定し、特定した需要予測曲線に基づいて将来の任意の時点におけるサービスカテゴリＴの需要予測値を算出する（図１ステップＳ３）。
このサービスカテゴリＴの需要予測算出ステップについて、より詳細に説明する。まず、需要予測算出ステップでは、サービスカテゴリＴの需要実績の時系列データを読み出し、予め設定された負冪指数と需要成長の開始を示す初期時点に基づき、時系列データの時間軸変換を行う。サービスカテゴリＴの任意の時点ｔ（ｉ）における需要実績（例えばサービスの加入者数）をＮ（ｉ）とした場合、時系列データＤ０は、次の式（３）で表される。なお、ｉは、ｉ＝１，２，・・・・ｎの自然数である。
Ｄ０＝｛（Ｎ（ｉ），ｔ（ｉ））｝ ・・・（３）
需要予測曲線は、サービスカテゴリＴの需要数の単位時間あたりの増加数が、所定の基準時点（需要成長開始時点）からの経過時間長の負冪に比例する関数とする。負冪積分関数をｆ（ｔ）とした場合、時間軸変換後の時系列データＤ１は、次の式（４）で表される。
Ｄ１＝｛（Ｎ（ｉ），ｆ（ｔ（ｉ）））｝ ・・・（４）
例えば、冪の指数が−１に適応する場合には、負冪積分関数ｆ（ｔ）は時間ｔの対数関数となる。
Ｄ１＝｛（Ｎ（ｉ），Ｌｏｇ（ｔ（ｉ）））｝ ・・・（５）
こうして、時間軸を対数変換した時系列データのうち、サービスカテゴリＴの需要の構造変化点以降の時系列データを用いて、回帰分析処理、具体的には最小二乗法などによる直線近似処理を行い、構造変化点以降の時系列データの回帰直線を算出する。このとき、特許文献１に開示されているように、回帰直線の平均二乗誤差が最小となるように負冪指数を調整してもよい。平均二乗誤差とは、回帰直線のデータからの誤差値を回帰に利用したデータＤ１（ｉ）のエントリ数、すなわち集合Ｄ１（ｉ）の濃度によって除算した値である。
算出された回帰直線は、時間軸変換後の需要予測曲線を示す。そこで、回帰直線の時間軸を元の自然時間（ナチュラルスケール）に逆変換した関数、すなわち需要予測曲線を算出する。こうして、構造変化点以降の任意の時点ｔにおけるサービスカテゴリＴの需要予測値Ｔ（ｔ）を算出することができる（図１ステップＳ３）。
サービスカテゴリＴの場合と同様に、旧来サービスａの需要の構造変化点検出ステップでは、旧来サービスａの需要実績の時系列データを用いて、旧来サービスａの需要の構造変化点を検出し（図１ステップＳ４）、旧来サービスａの需要予測算出ステップでは、旧来サービスａの需要実績の時系列データを用いて、旧来サービスａの需要予測曲線を特定し、特定した需要予測曲線に基づいて構造変化点以降の任意の時点ｔにおける旧来サービスａの需要予測値ａ（ｔ）を算出する（図１ステップＳ５）。
また、独自色の強いサービスｃの需要の構造変化点検出ステップでは、サービスｃの需要実績の時系列データを用いて、サービスｃの需要の構造変化点を検出し（図１ステップＳ６）、サービスｃの需要予測算出ステップでは、サービスｃの需要実績の時系列データを用いて、サービスｃの需要予測曲線を特定し、特定した需要予測曲線に基づいて構造変化点以降の任意の時点ｔにおけるサービスｃの需要予測値ｃ（ｔ）を算出する（図１ステップＳ７）。ステップＳ４，Ｓ６の処理はステップＳ２と同様であり、ステップＳ５，Ｓ７の処理はステップＳ３と同様である。
後継サービスｘの需要予測算出ステップでは、任意の時点ｔにおける後継サービスｘの需要の中長期予測値ｘ（ｔ）を前述の関係式（１）により算出する（図１ステップＳ８）。
ｘ（ｔ）＝Ｔ（ｔ）−ｃ（ｔ）−ａ（ｔ） ・・・（１）
最後に、予測結果表示ステップでは、後継サービスｘの需要予測結果の外部への表示・出力を行う（図１ステップＳ９）。
以上のように、本実施の形態によれば、旧来サービスａと後継サービスｘとを含むサービスカテゴリＴの需要の構造変化点、旧来サービスａの需要の構造変化点、およびサービスカテゴリＴに含まれるものの独自色の強いサービスｃの需要の構造変化点を検出し、構造変化点以降の需要実績の時系列データに対して時間軸変換処理および回帰分析処理を行うことにより需要予測曲線を特定し、特定した需要予測曲線に基づいてサービスカテゴリＴの需要予測値、旧来サービスａの需要予測値、およびサービスｃの需要予測値を算出し、サービスカテゴリＴの需要予測値と旧来サービスａの需要予測値とサービスｃの需要予測値とから、後継サービスｘの需要予測値を算出するようにしたので、旧来サービスａから後継サービスｘに置き換わっていく過渡期においても、後継サービスｘの中長期の需要を精度良く予測することができる。需要予測曲線は所定の基準時点からの経過時間長の負冪に比例する関数からなることを特徴とするため、算出される後継サービスｘの需要予測について、高い予測精度を期待することができ、サービス展開戦略、在庫管理、販売計画業務の向上を図ることができる。
［第２の実施の形態］
次に、本発明の第２の実施の形態について説明する。本実施の形態は、第１の実施の形態をより具体的に説明するものである。図２は本実施の形態の需要予測装置の構成を示すブロック図である。需要予測装置１０は、全体としてコンピュータを用いた情報処理装置からなり、主な機能部として、データ入出力・蓄積機能部２０と、構造変化点検出機能部３０と、需要予測算出機能部４０と、予測結果表示機能部５０とを有する。
データ入出力・蓄積機能部２０は、データ入出力部２１と、操作入力部２２と、画面表示部２３と、主記憶部２４と、時系列データ記憶部２５と、処理データ記憶部２６と、出力データ保存部２７とから構成される。
データ入出力部２１は、専用の通信インターフェース回路からなり、通信回線を介して外部装置と接続してデータ通信を行う機能と、外部装置から時系列データを読み込んで時系列データ記憶部２５へ保存する機能と、出力データ保存部２７から出力結果を読み込んで外部へ出力する機能と、外部装置からプログラムを読み込んで主記憶部２４へ格納する機能とを有している。
操作入力部２２は、キーボードやマウスなどの操作入力装置からなり、オペレータによる需要予測処理の開始操作やデータ入力操作などの各種操作を検出して、各機能部への動作命令を行う。
画面表示部２３は、ＬＣＤやＰＤＰなどの画面表示装置からなり、各機能部からの処理メニュー、あるいは需要予測値や需要予測グラフなどの出力結果を画面表示する機能を有している。
主記憶部２４は、メモリやハードディスク装置などの記憶装置からなり、各機能部での処理に用いるパラメータあるいは指定要求などの処理データに対するデフォルト値（初期値）や、プログラムを記憶する機能を有している。
時系列データ記憶部２５は、メモリやハードディスク装置などの記憶装置からなり、需要予測の対象となる、ユーザ向けのサービス、耐久性のある製品、システムあるいは商品について地域ごとに実績購入数（販売数）の時間的変化を示す時系列データを記憶する機能を有している。
処理データ記憶部２６は、メモリやハードディスク装置などの記憶装置からなり、需要予測処理の実行時に生成される、サービスごとに検出された構造変化点、変換後時系列データなどの各種処理データを記録する機能を有している。
出力データ保存部２７は、メモリやハードディスク装置などの記憶装置からなり、需要予測処理で得られた需要予測値や需要予測グラフなどの出力結果を保存する機能を有している。
次に、需要予測装置１０の動作について説明する。需要予測装置１０の処理の流れは第１の実施の形態と同様であるので、図１を用いて動作を説明する。
外部から入力されたサービスカテゴリＴ、サービスａ、サービスｃおよびサービスｘの需要実績（加入者数や販売数）の時系列データは、時系列データ記憶部２５に蓄積される（図１ステップＳ１）。
構造変化点検出機能部３０は、まず、サービスカテゴリＴの需要の構造変化点を検出する（図１ステップＳ２）。図３は、このサービスカテゴリＴの需要の構造変化点の検出処理を説明するフローチャートである。構造変化点検出機能部３０は、例えばオペレータから需要予測処理の開始指示があったとき、時系列データ記憶部２５からサービスカテゴリＴの需要実績の時系列データを読み出し（図３ステップＳ１００）、この時系列データの時間軸を、所定の基準時点からの経過時間に変換後、さらに時間軸に対数変換を施し（図３ステップＳ１０１）、この時間軸を対数変換した需要実績の時系列データに対して、直近データ（つまり時系列データのうちの最新データ）から直近データよりも過去の各データまでを線形近似して（図３ステップＳ１０２）、同一の近似直線上に乗ると考えられる最も過去の時点を、構造変化点として検出する（図３ステップＳ１０３）。すなわち、構造変化点検出機能部３０は、近似した直線の傾きに変化が生じた時点をサービスカテゴリＴの需要の構造変化点として検出する。サービスカテゴリＴの需要の構造変化点は、処理データ記憶部２６に記憶される。
次に、需要予測算出機能部４０は、ステップＳ２で検出された構造変化点を利用して、サービスカテゴリＴの需要予測曲線を特定し、特定した需要予測曲線に基づいて将来の任意の時点ｔにおけるサービスカテゴリＴの需要予測値Ｔ（ｔ）を算出する（図１ステップＳ３）。
図４は、このサービスカテゴリＴの需要予測算出処理を説明するフローチャートである。需要予測算出機能部４０は、時系列データ記憶部２５からサービスカテゴリＴの需要実績の時系列データを読み出し（図４ステップＳ２００）、この時系列データの時間軸を、所定の基準時点（需要成長開始時点）からの経過時間に変換後、さらに時間軸に対数変換を施す（図４ステップＳ２０１）。続いて、需要予測算出機能部４０は、ステップＳ２で検出されたサービスカテゴリＴの需要の構造変化点を処理データ記憶部２６から読み出し（図４ステップＳ２０２）、ステップＳ２０１で時間軸を対数変換した需要実績の時系列データのうち、構造変化点以降の時系列データを用いて、直近データから直近データよりも過去の構造変化点までの時系列データの回帰直線（線形近似直線）を算出する（図４ステップＳ２０３）。線形近似直線を求めるには、最小二乗法などを利用することができる。
さらに、需要予測算出機能部４０は、線形近似直線の時間軸を元の自然時間に逆変換した関数である需要予測曲線を算出し（図４ステップＳ２０４）、この需要予測曲線に基づいて将来の時点ｔにおけるサービスカテゴリＴの需要予測値Ｔ（ｔ）を算出する（図４ステップＳ２０５）。サービスカテゴリＴの需要予測値Ｔ（ｔ）は、処理データ記憶部２６に記憶される。
次に、構造変化点検出機能部３０は、旧来サービスａの需要の構造変化点を検出する（図１ステップＳ４）。旧来サービスａの需要の構造変化点は、処理データ記憶部２６に記憶される。需要予測算出機能部４０は、ステップＳ４で検出された構造変化点を利用して、旧来サービスａの需要予測曲線を特定し、特定した需要予測曲線に基づいて将来の任意の時点ｔにおける旧来サービスａの需要予測値ａ（ｔ）を算出する（図１ステップＳ５）。旧来サービスａの需要予測値ａ（ｔ）は、処理データ記憶部２６に記憶される。
同様に、構造変化点検出機能部３０は、サービスｃの需要の構造変化点を検出する（図１ステップＳ６）。サービスｃの需要の構造変化点は、処理データ記憶部２６に記憶される。需要予測算出機能部４０は、ステップＳ６で検出された構造変化点を利用して、サービスｃの需要予測曲線を特定し、特定した需要予測曲線に基づいて将来の任意の時点ｔにおけるサービスｃの需要予測値ｃ（ｔ）を算出する（図１ステップＳ７）。サービスｃの需要予測値ｃ（ｔ）は、処理データ記憶部２６に記憶される。第１の実施の形態で説明したとおり、ステップＳ４，Ｓ６の処理はステップＳ２と同様であり、ステップＳ５，Ｓ７の処理はステップＳ３と同様なので、詳細な説明は省略する。
そして、需要予測算出機能部４０は、サービスカテゴリＴの需要予測値Ｔ（ｔ）と旧来サービスａの需要予測値ａ（ｔ）と独自色の強いサービスｃの需要予測値ｃ（ｔ）とを処理データ記憶部２６から読み出し、任意の時点ｔにおける後継サービスｘの需要の中長期予測値ｘ（ｔ）を前述の関係式（１）により算出する（図１ステップＳ８）。
ｘ（ｔ）＝Ｔ（ｔ）−ｃ（ｔ）−ａ（ｔ） ・・・（１）
このような手順で得られた後継サービスｘの需要予測値ｘ（ｔ）は、処理データ記憶部２６に記憶される。
最後に、予測結果表示機能部５０は、処理データ記憶部２６から後継サービスｘの需要予測値ｘ（ｔ）を読み出し、この需要予測値ｘ（ｔ）を画面表示部２３に表示させる（図１ステップＳ９）。
以上のようにして、本実施の形態では、第１の実施の形態で説明した効果を得ることができる。
［第３の実施の形態］
次に、本発明の第３の実施の形態について説明する。本実施の形態は、第１、第２の実施の形態をより具体的に説明するものである。ここでは、ブロードバンドサービスカテゴリを例に、本発明の適用例を具体的に示す。
ブロードバンドサービスカテゴリは、ＡＤＳＬサービス、ＣＡＴＶサービス、およびＦＴＴＨサービスを含む。なお、総務省の定義では、ブロードバンドサービスカテゴリにＦＷＡアクセスサービスとＢＷＡアクセスサービスとが含まれるが、この２つのサービスの利用者数が非常に少数なため、ここでは無視する。
まず、旧来サービスａとしてＡＤＳＬサービスを想定する。また、旧来サービスａの後継サービスｘとしてＦＴＴＨサービスを想定する。さらに、独自色の強いサービスｃとしてＣＡＴＶサービスを想定する。ＡＤＳＬサービスとＦＴＴＨサービスとは、インターネット接続サービスを主要な目的としたサービスとして競合関係にあることは明白である。
一方、ＣＡＴＶサービスは、テレビ番組提供サービスと同時にインターネット接続サービスを提供するため、ＡＤＳＬサービスやＦＴＴＨサービスと競合するものの、主要なサービスはテレビの難視聴地域に対してのテレビ番組の提供サービスであり、現在においても独自性を残しているサービスとなっている。
本実施の形態では、ＦＴＴＨサービスの需要の予測を行うため、ブロードバンドサービス全体の需要予測とＡＤＳＬサービスの需要予測とＣＡＴＶサービスの需要予測とを、それぞれ構造変化点を利用して行い、最後に、ＦＴＴＨサービスの需要予測を得ることが特徴となる。
図５に、ブロードバンドサービス全体、ＡＤＳＬサービス、ＣＡＴＶサービス、ＦＴＴＨサービス、それぞれの需要数の実績値例を示す。図５は、２００５年１２月末から２００９年９月末までの単位期間毎（ここでは４半期毎）の契約数の変化を示している。図５において、３００はブロードバンドサービス全体の契約数を示し、３０１はＡＤＳＬサービスの契約数を示し、３０２はＣＡＴＶサービスの契約数を示し、３０３はＦＴＴＨサービスの契約数を示している。
本実施の形態においても、処理の流れは第１の実施の形態と同様であり、装置構成は第２の実施の形態と同様なので、図１〜図４を用いて説明する。
最初に、外部から入力されたブロードバンドサービス、ＡＤＳＬサービス、ＣＡＴＶサービス、ＦＴＴＨサービスの各サービスの需要実績（契約数）の時系列データは、時系列データ記憶部２５にそれぞれ蓄積される（図１ステップＳ１）。
構造変化点検出機能部３０は、時系列データ記憶部２５からブロードバンドサービスの需要実績の時系列データを読み出し、この時系列データを基にブロードバンドサービスの需要の構造変化点を検出する（図１ステップＳ２）。
図６はブロードバンドサービスの需要の構造変化点の検出処理と需要予測算出処理とを説明する図であり、２００５年１２月末から２００９年９月末までのブロードバンドサービス全体の４半期毎の加入者数を示している。ただし、需要予測に利用するデータは、２００８年９月末までの実績データを用い、それ以降の実績データは、予測精度の検証のために用いている。図６におけるＤ６０は直近データ、Ｌ６０は近似直線、Ｐ６０は構造変化点、Ｄ６１は予測後の実績値である。なお、図６の時間軸はすでに対数変換が施されている。
構造変化点検出機能部３０は、ブロードバンドサービスの四半期毎の加入者数の時系列データの時間軸に対数変換を施し（図３ステップＳ１０１）、この時間軸を対数変換した需要実績の時系列データに対して、２００８年９月末の直近データＤ６０から直近データＤ６０よりも過去のデータまでを線形近似して（図３ステップＳ１０２）、同一の近似直線Ｌ６０上に乗ると考えられる最も過去の時点を、構造変化点Ｐ６０として検出する（図３ステップＳ１０３）。構造変化点検出機能部３０が検出した、ブロードバンドサービスの需要の構造変化点Ｐ６０は、処理データ記憶部２６に記憶される。
次に、需要予測算出機能部４０は、ステップＳ２で検出された構造変化点Ｐ６０を利用して、ブロードバンドサービスの需要予測曲線を特定し、特定した需要予測曲線に基づいて将来の任意の時点ｔにおけるブロードバンドサービスの需要予測値Ｔ（ｔ）を算出する（図１ステップＳ３）。
第２の実施の形態で説明したとおり、需要予測算出機能部４０は、時系列データ記憶部２５からブロードバンドサービスの需要実績の時系列データを読み出し（図４ステップＳ２００）、この時系列データの時間軸に対数変換を施す（図４ステップＳ２０１）。続いて、需要予測算出機能部４０は、ステップＳ２で検出されたブロードバンドサービスの需要の構造変化点Ｐ６０を処理データ記憶部２６から読み出し（図４ステップＳ２０２）、ステップＳ２０１で時間軸を対数変換した需要実績の時系列データのうち構造変化点Ｐ６０以降の時系列データを用いて、直近データＤ６０から直近データよりも過去の構造変化点Ｐ６０までの時系列データの線形近似直線を算出する（図４ステップＳ２０３）。
さらに、需要予測算出機能部４０は、線形近似直線の時間軸を元の自然時間に逆変換した関数である需要予測曲線を算出し（図４ステップＳ２０４）、この需要予測曲線に基づいて将来の時点ｔにおけるブロードバンドサービスの需要予測値Ｔ（ｔ）を算出する（図４ステップＳ２０５）。ブロードバンドサービスの需要予測値Ｔ（ｔ）は、処理データ記憶部２６に記憶される。
図７は、ブロードバンドサービスの需要実績と需要予測曲線とを示す図である。図７では、時間軸を自然時間に戻している。図７におけるＬ６１がステップＳ３で算出した需要予測曲線である。図７によれば、需要予測曲線Ｌ６１と予測後の実績値Ｄ６１とが良く一致しており、ブロードバンドサービスの需要の予測精度の良さが確認できる。
次に、構造変化点検出機能部３０は、旧来サービスであるＡＤＳＬサービスの需要の構造変化点を検出する（図１ステップＳ４）。図８はＡＤＳＬサービスの需要の構造変化点の検出処理と需要予測算出処理とを説明する図であり、２００５年１２月末から２００９年９月末までのＡＤＳＬサービスの４半期毎の加入者数を示している。図６と同様に、図８の時間軸はすでに対数変換が施されている。図８におけるＤ８０は直近データ、Ｌ８０は近似直線、Ｐ８０は構造変化点、Ｄ８１は予測後の実績値である。ステップＳ４の処理はステップＳ２と同様なので、詳細な説明は省略する。ＡＤＳＬサービスの需要の構造変化点Ｐ８０は、処理データ記憶部２６に記憶される。
需要予測算出機能部４０は、ステップＳ４で検出された構造変化点Ｐ８０を利用して、ＡＤＳＬサービスの需要予測曲線を特定し、特定した需要予測曲線に基づいて将来の任意の時点ｔにおけるＡＤＳＬサービスの需要予測値ａ（ｔ）を算出する（図１ステップＳ５）。ステップＳ５の処理はステップＳ３と同様なので、詳細な説明は省略する。ＡＤＳＬサービスの需要予測値ａ（ｔ）は、処理データ記憶部２６に記憶される。
図９は、ＡＤＳＬサービスの需要実績と需要予測曲線とを示す図である。図９では、時間軸を自然時間に戻している。図９におけるＬ８１がステップＳ５で算出した需要予測曲線である。図９によれば、需要予測曲線Ｌ８１と予測後の実績値Ｄ８１とが良く一致しており、ＡＤＳＬサービスの需要の予測精度の良さが確認できる。
同様に、構造変化点検出機能部３０は、独自色の強いサービスであるＣＡＴＶサービスの需要の構造変化点を検出する（図１ステップＳ６）。図１０はＣＡＴＶサービスの需要の構造変化点の検出処理と需要予測算出処理とを説明する図であり、２００５年１２月末から２００９年９月末までのＣＡＴＶサービスの４半期毎の加入者数を示している。図６と同様に、図１０の時間軸はすでに対数変換が施されている。図１０におけるＤ１００は直近データ、Ｌ１００は近似直線、Ｐ１００は構造変化点、Ｄ１０１は予測後の実績値である。ステップＳ６の処理はステップＳ２と同様なので、詳細な説明は省略する。ＣＡＴＶサービスの需要の構造変化点Ｐ１００は、処理データ記憶部２６に記憶される。
需要予測算出機能部４０は、ステップＳ６で検出された構造変化点Ｐ１００を利用して、ＣＡＴＶサービスの需要予測曲線を特定し、特定した需要予測曲線に基づいて将来の任意の時点ｔにおけるＣＡＴＶサービスの需要予測値ｃ（ｔ）を算出する（図１ステップＳ７）。ステップＳ７の処理はステップＳ３と同様なので、詳細な説明は省略する。ＣＡＴＶサービスの需要予測値ｃ（ｔ）は、処理データ記憶部２６に記憶される。
図１１は、ＣＡＴＶサービスの需要実績と需要予測曲線とを示す図である。図１１では、時間軸を自然時間に戻している。図１１におけるＬ１０１がステップＳ７で算出した需要予測曲線である。図１１によれば、需要予測曲線Ｌ１０１と予測後の実績値Ｄ１０１とが良く一致しており、ＣＡＴＶサービスの需要の予測精度の良さが確認できる。
そして、需要予測算出機能部４０は、ブロードバンドサービス全体の需要予測値Ｔ（ｔ）とＡＤＳＬサービスの需要予測値ａ（ｔ）とＣＡＴＶサービスの需要予測値ｃ（ｔ）とを処理データ記憶部２６から読み出し、任意の時点ｔにおけるＦＴＴＨサービスの需要の中長期予測値ｘ（ｔ）を前述の関係式（１）により算出する（図１ステップＳ８）。
ｘ（ｔ）＝Ｔ（ｔ）−ｃ（ｔ）−ａ（ｔ） ・・・（１）
このような手順で得られたＦＴＴＨサービスの需要予測値ｘ（ｔ）は、処理データ記憶部２６に記憶される。
最後に、予測結果表示機能部５０は、処理データ記憶部２６からＦＴＴＨサービスの需要予測値ｘ（ｔ）を読み出し、この需要予測値ｘ（ｔ）を画面表示部２３に表示させる（図１ステップＳ９）。
図１２は、本実施の形態により得られた、ＦＴＴＨサービスの需要予測結果を示す図である。図１２において、Ｄ１２０は需要予測時点以前の実績データ、Ｄ１２１は需要予測時点以後の実績データ、Ｌ１２０はＦＴＴＨサービスの需要予測値ｘ（ｔ）から得られる需要予測曲線である。本実施の形態による需要予測結果は、図１２に示すように予測後の実績データＤ１２１が需要予測曲線Ｌ１２０によく乗っているおり、精度のよい予測ができていることが分かる。
なお、第１〜第３の実施の形態では、サービスの中長期の需要予測について説明しているが、これに限るものではなく、本発明は商品の需要予測にも適用できることは言うまでもない。
第１〜第３の実施の形態の需要予測装置は、ＣＰＵ、メモリおよび外部とのインタフェースを備えたコンピュータと、これらのハードウェア資源を制御するプログラムによって実現することができる。このようなコンピュータにおいて、本発明の需要予測方法を実現させるためのプログラムは、フレキシブルディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、メモリカードなどの記録媒体に記録された状態で提供される。ＣＰＵは、記録媒体から読み込んだプログラムをメモリに書き込み、プログラムに従って第１〜第３の実施の形態で説明した処理を実行する。
本発明は、サービスや商品の中長期の需要を予測する技術に適用することができる。
１０…需要予測装置、２０…データ入出力・蓄積機能部、２１…データ入出力部、２２…操作入力部、２３…画面表示部、２４…主記憶部、２５…時系列データ記憶部、２６…処理データ記憶部、２７…出力データ保存部、３０…構造変化点検出機能部、４０…需要予測算出機能部、５０…予測結果表示機能部。

Claims (6)

  1. 旧来の第１のサービスまたは第１の商品から後継の第２のサービスまたは第２の商品に置き換わっていく過渡期において前記第２のサービスまたは第２の商品の需要を予測する需要予測装置であって、
    前記第１のサービスまたは第１の商品と前記第２のサービスまたは第２の商品とを含むサービスカテゴリの需要の構造変化点を検出する第１の構造変化点検出手段と、
    前記第１のサービスまたは第１の商品の需要の構造変化点を検出する第２の構造変化点検出手段と、
    前記サービスカテゴリに含まれるものの固有の需要や特長を持つ第３のサービスまたは第３の商品の需要の構造変化点を検出する第３の構造変化点検出手段と、
    前記第１の構造変化点検出手段が検出した構造変化点以降の前記サービスカテゴリの需要実績の時系列データに対して時間軸変換処理および回帰分析処理を行うことにより需要予測曲線を特定し、特定した需要予測曲線に基づいて前記サービスカテゴリの需要予測値を算出する第１の需要予測算出手段と、
    前記第２の構造変化点検出手段が検出した構造変化点以降の前記第１のサービスまたは第１の商品の需要実績の時系列データに対して時間軸変換処理および回帰分析処理を行うことにより需要予測曲線を特定し、特定した需要予測曲線に基づいて前記第１のサービスまたは第１の商品の需要予測値を算出する第２の需要予測算出手段と、
    前記第３の構造変化点検出手段が検出した構造変化点以降の前記第３のサービスまたは第３の商品の需要実績の時系列データに対して時間軸変換処理および回帰分析処理を行うことにより需要予測曲線を特定し、特定した需要予測曲線に基づいて前記第３のサービスまたは第３の商品の需要予測値を算出する第３の需要予測算出手段と、
    前記サービスカテゴリの需要予測値と前記第１のサービスまたは第１の商品の需要予測値と前記第３のサービスまたは第３の商品の需要予測値とから、前記第２のサービスまたは第２の商品の需要予測値を算出する第４の需要予測算出手段とを備え、
    前記需要予測曲線は、サービスまたは商品の需要数の単位時間あたりの増加数が、所定の基準時点からの経過時間長の負冪に比例する関数からなり、
    前記第１の構造変化点検出手段は、前記サービスカテゴリの需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データに対して線形近似処理を行って、同一の近似直線上に乗る最も過去の時点を前記サービスカテゴリの需要の構造変化点として検出し、
    前記第２の構造変化点検出手段は、前記第１のサービスまたは第１の商品の需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データに対して線形近似処理を行って、同一の近似直線上に乗る最も過去の時点を前記第１のサービスまたは第１の商品の需要の構造変化点として検出し、
    前記第３の構造変化点検出手段は、前記第３のサービスまたは第３の商品の需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データに対して線形近似処理を行って、同一の近似直線上に乗る最も過去の時点を前記第３のサービスまたは第３の商品の需要の構造変化点として検出することを特徴とする需要予測装置。
  2. 請求項１記載の需要予測装置において、
    前記第１の需要予測算出手段は、前記サービスカテゴリの需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データのうち、前記サービスカテゴリの需要の構造変化点以降の時系列データを用いて回帰分析処理により回帰直線を算出し、この回帰直線の時間軸を元の自然時間に逆変換した関数である需要予測曲線を算出し、この需要予測曲線に基づいて前記サービスカテゴリの需要予測値を算出し、
    前記第２の需要予測算出手段は、前記第１のサービスまたは第１の商品の需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データのうち、前記第１のサービスまたは第１の商品の需要の構造変化点以降の時系列データを用いて回帰分析処理により回帰直線を算出し、この回帰直線の時間軸を元の自然時間に逆変換した関数である需要予測曲線を算出し、この需要予測曲線に基づいて前記第１のサービスまたは第１の商品の需要予測値を算出し、
    前記第３の需要予測算出手段は、前記第３のサービスまたは第３の商品の需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データのうち、前記第３のサービスまたは第３の商品の需要の構造変化点以降の時系列データを用いて回帰分析処理により回帰直線を算出し、この回帰直線の時間軸を元の自然時間に逆変換した関数である需要予測曲線を算出し、この需要予測曲線に基づいて前記第３のサービスまたは第３の商品の需要予測値を算出することを特徴とする需要予測装置。
  3. ＣＰＵとメモリとを備えたコンピュータにおいて、旧来の第１のサービスまたは第１の商品から後継の第２のサービスまたは第２の商品に置き換わっていく過渡期において前記第２のサービスまたは第２の商品の需要を予測する需要予測方法であって、
    前記第１のサービスまたは第１の商品と前記第２のサービスまたは第２の商品とを含むサービスカテゴリの需要の構造変化点を検出する第１の構造変化点検出ステップと、
    前記第１のサービスまたは第１の商品の需要の構造変化点を検出する第２の構造変化点検出ステップと、
    前記サービスカテゴリに含まれるものの固有の需要や特長を持つ第３のサービスまたは第３の商品の需要の構造変化点を検出する第３の構造変化点検出ステップと、
    前記第１の構造変化点検出ステップで検出した構造変化点以降の前記サービスカテゴリの需要実績の時系列データに対して時間軸変換処理および回帰分析処理を行うことにより需要予測曲線を特定し、特定した需要予測曲線に基づいて前記サービスカテゴリの需要予測値を算出する第１の需要予測算出ステップと、
    前記第２の構造変化点検出ステップで検出した構造変化点以降の前記第１のサービスまたは第１の商品の需要実績の時系列データに対して時間軸変換処理および回帰分析処理を行うことにより需要予測曲線を特定し、特定した需要予測曲線に基づいて前記第１のサービスまたは第１の商品の需要予測値を算出する第２の需要予測算出ステップと、
    前記第３の構造変化点検出ステップで検出した構造変化点以降の前記第３のサービスまたは第３の商品の需要実績の時系列データに対して時間軸変換処理および回帰分析処理を行うことにより需要予測曲線を特定し、特定した需要予測曲線に基づいて前記第３のサービスまたは第３の商品の需要予測値を算出する第３の需要予測算出ステップと、
    前記サービスカテゴリの需要予測値と前記第１のサービスまたは第１の商品の需要予測値と前記第３のサービスまたは第３の商品の需要予測値とから、前記第２のサービスまたは第２の商品の需要予測値を算出する第４の需要予測算出ステップとを、前記メモリに記憶されたプログラムに従って前記ＣＰＵに実行させ、
    前記需要予測曲線は、サービスまたは商品の需要数の単位時間あたりの増加数が、所定の基準時点からの経過時間長の負冪に比例する関数からなり、
    前記第１の構造変化点検出ステップは、前記サービスカテゴリの需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データに対して線形近似処理を行って、同一の近似直線上に乗る最も過去の時点を前記サービスカテゴリの需要の構造変化点として検出し、
    前記第２の構造変化点検出ステップは、前記第１のサービスまたは第１の商品の需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データに対して線形近似処理を行って、同一の近似直線上に乗る最も過去の時点を前記第１のサービスまたは第１の商品の需要の構造変化点として検出し、
    前記第３の構造変化点検出ステップは、前記第３のサービスまたは第３の商品の需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データに対して線形近似処理を行って、同一の近似直線上に乗る最も過去の時点を前記第３のサービスまたは第３の商品の需要の構造変化点として検出することを特徴とする需要予測方法。
  4. 請求項３記載の需要予測方法において、
    前記第１の需要予測算出ステップは、前記サービスカテゴリの需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データのうち、前記サービスカテゴリの需要の構造変化点以降の時系列データを用いて回帰分析処理により回帰直線を算出し、この回帰直線の時間軸を元の自然時間に逆変換した関数である需要予測曲線を算出し、この需要予測曲線に基づいて前記サービスカテゴリの需要予測値を算出し、
    前記第２の需要予測算出ステップは、前記第１のサービスまたは第１の商品の需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データのうち、前記第１のサービスまたは第１の商品の需要の構造変化点以降の時系列データを用いて回帰分析処理により回帰直線を算出し、この回帰直線の時間軸を元の自然時間に逆変換した関数である需要予測曲線を算出し、この需要予測曲線に基づいて前記第１のサービスまたは第１の商品の需要予測値を算出し、
    前記第３の需要予測算出ステップは、前記第３のサービスまたは第３の商品の需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データのうち、前記第３のサービスまたは第３の商品の需要の構造変化点以降の時系列データを用いて回帰分析処理により回帰直線を算出し、この回帰直線の時間軸を元の自然時間に逆変換した関数である需要予測曲線を算出し、この需要予測曲線に基づいて前記第３のサービスまたは第３の商品の需要予測値を算出することを特徴とする需要予測方法。
  5. ＣＰＵとメモリとを備えたコンピュータを、旧来の第１のサービスまたは第１の商品から後継の第２のサービスまたは第２の商品に置き換わっていく過渡期において前記第２のサービスまたは第２の商品の需要を予測する需要予測装置として動作させる需要予測プログラムであって、
    前記第１のサービスまたは第１の商品と前記第２のサービスまたは第２の商品とを含むサービスカテゴリの需要の構造変化点を検出する第１の構造変化点検出ステップと、
    前記第１のサービスまたは第１の商品の需要の構造変化点を検出する第２の構造変化点検出ステップと、
    前記サービスカテゴリに含まれるものの固有の需要や特長を持つ第３のサービスまたは第３の商品の需要の構造変化点を検出する第３の構造変化点検出ステップと、
    前記第１の構造変化点検出ステップで検出した構造変化点以降の前記サービスカテゴリの需要実績の時系列データに対して時間軸変換処理および回帰分析処理を行うことにより需要予測曲線を特定し、特定した需要予測曲線に基づいて前記サービスカテゴリの需要予測値を算出する第１の需要予測算出ステップと、
    前記第２の構造変化点検出ステップで検出した構造変化点以降の前記第１のサービスまたは第１の商品の需要実績の時系列データに対して時間軸変換処理および回帰分析処理を行うことにより需要予測曲線を特定し、特定した需要予測曲線に基づいて前記第１のサービスまたは第１の商品の需要予測値を算出する第２の需要予測算出ステップと、
    前記第３の構造変化点検出ステップで検出した構造変化点以降の前記第３のサービスまたは第３の商品の需要実績の時系列データに対して時間軸変換処理および回帰分析処理を行うことにより需要予測曲線を特定し、特定した需要予測曲線に基づいて前記第３のサービスまたは第３の商品の需要予測値を算出する第３の需要予測算出ステップと、
    前記サービスカテゴリの需要予測値と前記第１のサービスまたは第１の商品の需要予測値と前記第３のサービスまたは第３の商品の需要予測値とから、前記第２のサービスまたは第２の商品の需要予測値を算出する第４の需要予測算出ステップとを、前記メモリに記憶されたプログラムに従って前記ＣＰＵに実行させ、
    前記需要予測曲線は、サービスまたは商品の需要数の単位時間あたりの増加数が、所定の基準時点からの経過時間長の負冪に比例する関数からなり、
    前記第１の構造変化点検出ステップは、前記サービスカテゴリの需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データに対して線形近似処理を行って、同一の近似直線上に乗る最も過去の時点を前記サービスカテゴリの需要の構造変化点として検出し、
    前記第２の構造変化点検出ステップは、前記第１のサービスまたは第１の商品の需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データに対して線形近似処理を行って、同一の近似直線上に乗る最も過去の時点を前記第１のサービスまたは第１の商品の需要の構造変化点として検出し、
    前記第３の構造変化点検出ステップは、前記第３のサービスまたは第３の商品の需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データに対して線形近似処理を行って、同一の近似直線上に乗る最も過去の時点を前記第３のサービスまたは第３の商品の需要の構造変化点として検出することを特徴とする需要予測プログラム。
  6. 請求項５記載の需要予測プログラムにおいて、
    前記第１の需要予測算出ステップは、前記サービスカテゴリの需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データのうち、前記サービスカテゴリの需要の構造変化点以降の時系列データを用いて回帰分析処理により回帰直線を算出し、この回帰直線の時間軸を元の自然時間に逆変換した関数である需要予測曲線を算出し、この需要予測曲線に基づいて前記サービスカテゴリの需要予測値を算出し、
    前記第２の需要予測算出ステップは、前記第１のサービスまたは第１の商品の需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データのうち、前記第１のサービスまたは第１の商品の需要の構造変化点以降の時系列データを用いて回帰分析処理により回帰直線を算出し、この回帰直線の時間軸を元の自然時間に逆変換した関数である需要予測曲線を算出し、この需要予測曲線に基づいて前記第１のサービスまたは第１の商品の需要予測値を算出し、
    前記第３の需要予測算出ステップは、前記第３のサービスまたは第３の商品の需要実績の時系列データの時間軸を、所定の基準時点からの経過時間に変換後、時間軸に対数変換を施し、この時間軸を対数変換した需要実績の時系列データのうち、前記第３のサービスまたは第３の商品の需要の構造変化点以降の時系列データを用いて回帰分析処理により回帰直線を算出し、この回帰直線の時間軸を元の自然時間に逆変換した関数である需要予測曲線を算出し、この需要予測曲線に基づいて前記第３のサービスまたは第３の商品の需要予測値を算出することを特徴とする需要予測プログラム。
JP2010084885A 2010-04-01 2010-04-01 需要予測装置、需要予測方法およびプログラム Expired - Fee Related JP5437887B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2010084885A JP5437887B2 (ja) 2010-04-01 2010-04-01 需要予測装置、需要予測方法およびプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2010084885A JP5437887B2 (ja) 2010-04-01 2010-04-01 需要予測装置、需要予測方法およびプログラム

Publications (2)

Publication Number Publication Date
JP2011215989A JP2011215989A (ja) 2011-10-27
JP5437887B2 true JP5437887B2 (ja) 2014-03-12

Family

ID=44945624

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2010084885A Expired - Fee Related JP5437887B2 (ja) 2010-04-01 2010-04-01 需要予測装置、需要予測方法およびプログラム

Country Status (1)

Country Link
JP (1) JP5437887B2 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6593348B2 (ja) * 2015-01-27 2019-10-23 日本電気株式会社 予測システム、予測方法及びコンピュータ読み取り可能記録媒体

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4777941B2 (ja) * 2007-06-08 2011-09-21 日本電信電話株式会社 需要予測方法および装置
JP5001347B2 (ja) * 2009-12-22 2012-08-15 日本電信電話株式会社 需要予測装置、需要予測方法およびプログラム

Also Published As

Publication number Publication date
JP2011215989A (ja) 2011-10-27

Similar Documents

Publication Publication Date Title
US20220138794A1 (en) Dynamic promotion analytics
AU2011205137B2 (en) Social media variable analytical system
JP5975875B2 (ja) マルチチャネル広告環境に対して入札生成するコンピュータ実行方法およびシステム
US10417650B1 (en) Distributed and automated system for predicting customer lifetime value
CN103455515B (zh) Sns社区中的用户推荐方法和系统
WO2010010653A1 (ja) ユーザモデル処理装置
JP6870312B2 (ja) 施策導入効果予測装置、施策導入効果予測プログラム及び施策導入効果予測方法
JP2019097327A (ja) 電力需要予測装置、電力需要予測方法およびプログラム
WO2012049987A1 (ja) 商品推薦システムおよび商品推薦方法
JPWO2010010654A1 (ja) 使い方推定装置
JP2008299839A (ja) キーワード推薦方法、コンピュータ読み取り可能な記録媒体、キーワード推薦システム
KR101639656B1 (ko) 광고 제공 방법 및 서버 장치
JP2014182520A (ja) 情報処理プログラム、情報処理方法および情報処理装置
JP2009265754A (ja) 情報提供装置、情報提供方法及び情報提供プログラム
US20110208752A1 (en) Method and Apparatus for Default Rating Estimation
KR101169170B1 (ko) 시간에 따라 변화하는 사용자 선호도를 고려한 컨텐츠 추천 방법
JP5437887B2 (ja) 需要予測装置、需要予測方法およびプログラム
JP2017228000A (ja) 情報処理装置、情報処理方法および情報処理プログラム
JP5967226B2 (ja) 旅行時間予測方法、旅行時間予測装置、及びプログラム
US20160148223A1 (en) Forecasting web metrics using statistical causality based feature selection
US20180108041A1 (en) Content scheduling method and apparatus
JP5001347B2 (ja) 需要予測装置、需要予測方法およびプログラム
JP4777941B2 (ja) 需要予測方法および装置
US20170004511A1 (en) Identifying Drivers for a Metric-of-Interest
JP2020154841A (ja) 決定装置、決定方法及び決定プログラム

Legal Events

Date Code Title Description
RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20111031

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20111031

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20121002

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20130925

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20131008

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20131112

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20131210

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20131212

R150 Certificate of patent or registration of utility model

Ref document number: 5437887

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

Free format text: JAPANESE INTERMEDIATE CODE: R150

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

LAPS Cancellation because of no payment of annual fees