JP5551806B2

JP5551806B2 - 統合需要予測装置、統合需要予測方法、及び統合需要予測プログラム

Info

Publication number: JP5551806B2
Application number: JP2013078766A
Authority: JP
Inventors: 順子矢野; 崇岡田; 慶一郎中川
Original assignee: NTT Data Corp
Current assignee: NTT Data Corp
Priority date: 2013-04-04
Filing date: 2013-04-04
Publication date: 2014-07-16
Anticipated expiration: 2027-10-23
Also published as: JP2013131259A

Description

本発明は、統合需要予測装置、統合需要予測方法、及び統合需要予測プログラムに関する。

従来、時間経過に伴って需要量が変化するような電力や、商品、金融商品などにおいて、将来の需要量がどのようになるかを予測する方法、装置として、複数の異なる手法により予測を行う部分と、その予測データの平均値を予測データとして算出する部分とからなる予測装置が提案されている（例えば、特許文献１参照）。該従来技術では、複数の異なる予測手法により予測を行い、その予測誤差や、その他の指標に基づき、予測誤差が少なくなるように最適化手法を用いて、各予測手法から予測される予測データの組み合わせ比率である「加重比率」を決定し、その比率に基づき予測を行う。

特開２００５−３３２１２２号公報

高精度の需要予測を行うためには、時間の経過に伴い変化する販売実績を基に、最適な予測手法を組み合わせた予測モデルを構築することが重要である。小売店における需要予測を想定した場合、仕入業務では、累積的な長期的な予測を行い、発注業務では、納品日までの短期的な予測を行うといったように、販売実績が存在する期間や、予測する期間に応じて、適切な予測手法が異なる。したがって、このような「短期的な視点」、「長期的な視点」など、複数の視点を考慮した需要予測装置を共通的に利用できることが要求されている。

さらに、小売店業務における視点の違いに限らず、メーカと小売店、あるいは卸売業者と小売店といったように、そもそも立場が異なる企業においても、共通の需要予測を用いて予測結果（予測需要量）を共有することで、企業間の混乱（余剰在庫や、欠品など）を低減することが可能になると考える。

しかしながら、長期・短期といった時間的な視点を考慮しておらず、同一の予測モデルを利用していることから、予測を行う期間が現在から近い・遠いといった、予測期間に応じた精度の高い予測が実現できないという問題がある。また、仮に、それぞれの予測期間に応じて複数の予測モデルを利用したとしても、長期・短期の予測では、両者を考慮した予測誤差の評価が行われていないため、一連の業務、例えば、仕入れ計画・発注業務などの業務において、予測期間に応じて予測値を使い分けなくてはならなかった。

本発明は、このような事情を考慮してなされたものであり、その目的は、異なる複数の予測期間に対して、より精度の高い需要予測を行うことができる統合需要予測装置、統合需要予測方法、及び統合需要予測プログラムを提供することにある。

上述した課題を解決するために、本発明は、過去の需要実績量を記憶する需要実績量記憶手段と、前記需要実績量記憶手段に記憶されている需要実績量に基づいて、複数の需要予測モデルを構築する需要予測モデル構築手段と、前記需要予測モデル構築手段により構築された需要予測モデル毎に、予測需要量を算出する予測需要量算出手段と、前記予測需要量算出手段により算出された予測需要量と、前記需要実績量記憶手段に記憶されている需要実績量とに基づいて、共通期間における前記複数の需要予測モデル毎の予測誤差を算出する予測誤差算出手段と、前記予測誤差算出手段より算出された予測誤差を、前記予測誤差に対して、予め定められた予測誤差範囲内にする、前記複数の需要予測モデル毎のブレンド比率を予測期間毎に算出する統合需要予測ブレンド比率算出手段と、前記統合需要予測ブレンド比率算出手段によって算出された需要予測モデル毎のブレンド比率と、前記予測需要量算出手段によって算出された需要予測モデル毎の予測需要量を積算することで、予め決められる予測期間における予測需要量を算出する需要予測結果出力手段とを備えたことを特徴とする統合需要予測装置である。

また、上述した課題を解決するために、本発明は、過去の需要実績量に基づいて、複数の需要予測モデルを構築する需要予測モデル構築ステップと、前記構築された需要予測モデル毎に、予測需要量を算出する予測需要量算出ステップと、前記算出された予測需要量と、前記需要実績量とに基づいて、共通期間における前記複数の需要予測モデル毎の予測誤差を算出する予測誤差算出ステップと、前記算出された予測誤差を、前記予測誤差に対して、予め定められた予測誤差範囲内にする、前記複数の需要予測モデル毎のブレンド比率を予測期間毎に算出する統合需要予測ブレンド比率算出ステップと、前記算出された需要予測モデル毎のブレンド比率と、前記算出された需要予測モデル毎の予測需要量を積算することで、予め決められる予測期間における予測需要量を算出する需要予測結果出力ステップとを含むことを特徴とする統合需要予測方法である。

また、上述した課題を解決するために、本発明は、コンピュータに、過去の需要実績量に基づいて、複数の需要予測モデルを構築する需要予測モデル構築ステップと、前記構築された需要予測モデル毎に、予測需要量を算出する予測需要量算出ステップと、前記算出された予測需要量と、前記需要実績量とに基づいて、共通期間における前記複数の需要予測モデル毎の予測誤差を算出する予測誤差算出ステップと、前記算出された予測誤差を、前記予測誤差に対して、予め定められた予測誤差範囲内にする、前記複数の需要予測モデル毎のブレンド比率を予測期間毎に算出する統合需要予測ブレンド比率算出ステップと、前記算出された需要予測モデル毎のブレンド比率と、前記算出された需要予測モデル毎の予測需要量を積算することで、予め決められる予測期間における予測需要量を算出する需要予測結果出力ステップとを実行させるための統合需要予測プログラムである。

この発明によれば、過去の需要実績量に基づいて、複数の需要予測モデルを構築し、該構築された予測モデル毎に、予測需要量を算出し、該算出された予測需要量と需要実績量とに基づいて、共通期間における複数の需要予測モデル毎の予測誤差を算出し、複数の需要予測モデル毎の予測誤差を最小とする、複数の需要予測モデル毎のブレンド比率を算出し、該ブレンド比率に基づいて、複数の予測手法を用いて、予め定められる予測期間における予測需要量を算出する。したがって、異なる複数の予測期間に対して、より精度の高い需要予測を行うことができるという利点が得られる。

また、一例としては、短期的な予測誤差である短期予測誤差と、長期的な予測誤差である長期予測誤差とを最小にする複数の需要予測モデル毎の統合ブレンド比率を予測期間毎に算出する。したがって、異なる複数の予測期間に対して、より精度の高い需要予測を行うことができるという利点が得られる。

また、一例としては、短期予測誤差と長期予測誤差とに対して、それぞれに予め定められる重み値を積算して加算することにより統合予測誤差を算出する。したがって、異なる複数の予測期間に対して、より精度の高い需要予測を行うことができるという利点が得られる。

また、一例としては、予測需要量が、予め定められる閾値範囲外である場合、最大あるいは最小のいずれかの予測需要量を算出した予測モデルを外し、再度、複数の需要予測モデルを構築する。したがって、より運用者の予測感覚に適合させることができるという利点が得られる。

本発明の実施形態による統合需要予測装置の構成を示すブロック図である。本発明の実施形態による統合需要予測装置の商品販売実績テーブル１のデータ構成を示す概念図である。本発明の実施形態による統合需要予測装置の予測手法別商品別予測需要テーブル３のデータ構成を示す概念図である。本発明の実施形態による統合需要予測装置の最適化重みテーブル５のデータ構成を示す概念図である。本発明の実施形態による統合需要予測装置のブレンド比率テーブル７のデータ構成を示す概念図である。本発明の実施形態による統合需要予測装置の予測期間テーブル８のデータ構成を示す概念図である。本発明の実施形態による統合需要予測装置の需要予測結果テーブル１０のデータ構成を示す概念図である。本発明の実施形態による統合需要予測装置の動作を説明するためのフローチャートである。本実施形態による予測手法の構築方法を説明する概念図である。本実施形態による各予測手法のブレンド比率の算出例を示す概念図である。従来技術における課題を説明するための概念図である。本実施形態による需要予測を説明するための概念図である。

以下、本発明の一実施形態を、図面を参照して説明する。

図１は、本発明の実施形態による統合需要予測装置の構成を示すブロック図である。図において、商品販売実績テーブル（需要実績量記憶手段）１は、図２に示すように、商品を識別するための商品ＪＡＮコード毎に、販売された日付、発売後からの経過日数、売上数量からなり、商品販売の実績（履歴）を保持する。予測値算出部（需要予測モデル構築手段、予測需要量算出手段）２は、複数の需要予測モデルを構築する、需要予測モデル構築手段を備え、商品販売実績テーブル１の売上数量（実績値）から、商品ＪＡＮコード別に用意した複数の需要予測モデル（予測手法）を構築し、構築した予測モデル毎に、各予測期間における商品ＪＡＮコード別（ｋ）の予測売上数量（予測需要量）を算出し、予測手法別商品別予測需要テーブル３に格納する。

本実施形態では、予測期間を、１日を単位として説明する。予測手法としては、時系列分析のＡＲ（Auto Regressive model）、ＭＡ（Moving Average model）、ＡＲＩＭＡ（Auto Regressive Integrated Moving Average model）、単純移動平均、指数平滑法や、重回帰モデルなどを用いる。なお、重回帰モデルなどの、販売数量以外のデータを利用する場合には、例えば、当日の客数、天候、気温といった、売上げに関連する要素以外のデータもテーブルとして用意する必要がある。

予測手法別商品別予測需要テーブル３は、図３に示すように、商品ＪＡＮコード毎に、予測手法（予測モデル）、予測日付、及び予測売上数量（予測値）を保持する。予測値誤差算出部（予測誤差算出手段）４は、予測手法別商品別予測需要量テーブル３の売上数量（実績値）と商品販売実績テーブル１の予測売上数量（予測需要量）とから、予測誤差を算出する。予測誤差を算出する期間は、構築した複数の予測手法により、予測値が算出された共通する期間である。これは、予測手法に応じて、モデル構築に必要となるデータ数が異なるためである。

最適化重みテーブル５は、図４に示すように、統合需要予測ブレンド比率の算出において、最小化すべき複数の予測誤差のうち、どの予測誤差を優先させるかを決定するために用いる「重み」を保持する。複数の予測誤差には、例えば、後述する短期的な予測誤差と、長期的な予測誤差とがあり、前者は、後述する数式（２）の二乗誤差の平均、後者は、後述する数式（３）の誤差平均の二乗によって表される。これらの予測誤差は、短期、長期いずれかの精度を優先させたい場合に、重みを付けて優先する。通常は、同じ重みとして構わない。統合需要予測ブレンド比率算出部（統合需要予測ブレンド比率算出手段）６は、予測値誤差算出部４により算出される、予測日付別の予測誤差を用いて、短期的な視点及び長期的な視点の双方から予測誤差を加工する（短期予測誤差算出手、長期予測誤差算出手段）。

また、統合需要予測ブレンド比率算出部（需要予測結果出力手段）６は、これら加工した予測誤差と最適化重みテーブル５の重みとを積算し、２つの視点からの予測誤差を統合して、これらの統合予測誤差が最小になるように、各予測手法の組み合わせ比率（ブレンド比率）を算出し、ブレンド比率テーブル７に格納する。ブレンド比率は、後述する最適化問題の「二次計画問題」の形式に定式化される。ブレンド比率テーブル７は、図５に示すように、商品ＪＡＮコード毎に、予測手法（予測モデル）、予測日付及びブレンド比率を保持する。

予測対象期間テーブル８は、図６に示すように、商品ＪＡＮコード毎に、予測対象期間を保持する。需要予測結果出力部９は、予測対象期間テーブル８の予測対象期間と、予測手法別商品別予測需要テーブル３に保持された、構築した予測手法とを用いて、予測対象期間分の予測値を算出し、その予測値とブレンド比率テーブル７のブレンド比率とを積算することにより、最終的な各予測期間における予測売上数量（予測需要量）を算出し、需要予測結果テーブル１０に格納する。需要予測結果テーブル１０は、図７に示すように、商品ＪＡＮコード毎に、予測期間及び予測値である最終的な予測売上数量を保持する。

次に、本実施形態の動作について説明する。
図８は、本実施形態による統合需要予測装置の動作を説明するためのフローチャートである。予測値算出部２は、商品販売実績テーブル１の売上数量（実績値）から、商品ＪＡＮコード別に複数の需要予測モデル（予測手法）を構築し、構築した予測モデル毎に、予測日付における（ｉ日後の）商品ＪＡＮコード別（ｋ）の予測売上数量（予測需要量）を算出し、予測手法別商品別予測需要テーブル３に格納する（ステップＳ１）。

次に、予測値誤差算出部４は、予測手法別商品別予測需要量テーブル３の売上数量（実績値）と商品販売実績テーブル１の予測売上数量（予測需要量）とから、予測誤差を算出し、統合需要予測ブレンド比率算出部６に供給する（ステップＳ２）。予測誤差を算出する期間は、構築した複数の予測手法により、予測値が算出された共通する期間である。

次に、統合需要予測ブレンド比率算出部６は、予測値誤差算出部４により算出される、予測日付別の予測誤差を用いて、短期的な視点及び長期的な視点の双方から予測誤差を加工する（ステップＳ３）。すなわち、短期的な視点では、予測手法別商品別予測需要量テーブル３の予測期間別毎に予測誤差を二乗し、予測対象期間で合計することで予測誤差を加工し、長期的な視点では、同様の予測誤差について予測対象期間の合計をとり、二乗することで予測誤差を加工する。次に、これら加工した予測誤差と最適化重みテーブル５の重み（０〜１）とを積算し、２つの視点からの予測誤差を加算することにより統合して、これらの統合予測誤差が最小になるように、各予測手法のブレンド比率を算出し、ブレンド比率テーブル７に格納する（ステップＳ４）。

ここで、ブレンド比率の算出方法について説明する。ブレンド比率は、前述したように、最適化問題の「二次計画問題」の形式に定式化される。二次計画問題は、１次式の制約の下で、二次式を最小化・最大化する問題であり、ポートフォリオ最適化や、最適配置問題などがこの形式に定式化される。最小の統合予測誤差ｍｉｎｉｍｉｚｅｐ（ｘ）は、次式（１）で表すことができる。

ｗ_ｌは、各予測誤差に対する重みである。ｌは、予測誤差を示し、ｌ＝１が第１の予測誤差（短期）、ｌ＝２が第２の予測誤差（長期）にそれぞれ対応し、図４の各予測誤差に対する。ｘ_ｉｊは、ｉ日後に予測手法ｊが組み込まれる割合である。また、本実施形態では、最小化すべき予測誤差を次式（２）、（３）で表す。

数式（２）は、第１の予測誤差であり、日々の予測誤差を表し、数式（３）は、第２の予測誤差であり、一定期間の累積誤差を表す。また、予測手法ｊによるｔ時点でのｉ日後の商品ｋの予測需要量をｙ（＾）_ｊｔｉｋ、実需要量をｙ_ｔｉｋとする。すなわち、２つの制約を満たすように、ｎ日後の予測手法を選択すればよい。なお、この記号ｙ（＾）は、数式（２）または（３）においては、記号ｙの上に記号＾が付いた記号として表記してある。

図９は、本実施形態による各予測手法のブレンド比率の算出例を示す概念図である。図において、予測期間毎に、予測手法１〜Ｎのブレンド比率を適切に組み合わせることで、より精度の高い（予測誤差の小さい）需要予測を行っている。予測期間が１日後では、予測手法１のブレンド比率を０．１、予測手法２のブレンド比率を０．０１、…、予測手法Ｎのブレンド比率を０．４（合計＝１）とし、予測期間が２日後では、予測手法１のブレンド比率を０．０３、予測手法２のブレンド比率を０．２４、…、予測手法Ｎのブレンド比率を０．０１（合計＝１）とし、予測期間が３０日後では、予測手法１のブレンド比率を０．１、予測手法２のブレンド比率を０．２５、…、予測手法Ｎのブレンド比率を０．０３（合計＝１）としている。

次に、需要予測結果出力部９は、予測対象期間テーブル８の予測対象期間と、予測手法別商品別予測需要テーブル３に保持された、構築した予測手法とを用いて、予測対象期間分の予測値を算出し（ステップＳ５）、その予測値とブレンド比率テーブル８のブレンド比率とを積算することにより、予測対象期間における予測値を算出し、需要予測結果テーブル１０に格納する（ステップＳ６）。

図１０（ａ）、（ｂ）は、従来技術における課題を説明するための概念図である。小売店においては、複数の立場（発注業務、仕入業務）からの需要予測が必要とされている。つまり、図１１（ａ）に示す発注業務では、毎日（検証日）、１日後の発注量を予測する必要があるのに対して、図１１（ｂ）に示す仕入計画では、検証日から、１日後、２日後、…、３０日後というように、長期（１か月）の累計需要を予測する必要がある。

図１１は、本実施形態による需要予測を説明するための概念図である。本実施形態では、上述した処理により、「累積予測誤差」と「日々の予測誤差」の２つを最小化するように最適化することで、検証日から、１日後の予測値、２日後の予測値、…、１５日後の予測値、１６日後の予測値、…、３０日後の予測値というように、予測期間における予測値を算出している。

図１２は、本実施形態の変形例による予測手法の構築方法を説明する概念図である。本実施形態の変形例は、過去の経験から、需要量の閾値（ＳＳ１：上限・下限）が決まっている場合に、予測範囲を大きく超える予測手法を外し、前述したステップＳ１〜Ｓ６を繰り返して予測手法の構築を行うことを特徴としている。図において、過去の経験から、需要量の閾値（上限・下限）を決定する（ＳＳ１）。統合需要予測モデルにより予測した需要量が、閾値外であった場合には、最も大きく（または小さく）予測した予測モデルを外し（ＳＳ２）、再度、予測モデルの構築を行う。予測モデルの構築を繰り返し行っても、予測値が閾値範囲内に収まらない場合には、直前の予測値売上数（予測需要量）または実績値を用いる（ＳＳ３）。

上述した実施形態によれば、最適化手法を用いて、複数の異なる予測期間に対して共通的に利用できる「統合需要予測モデル」を構築することにより、複数の異なる視点において重視する評価軸である予測誤差を共に抑えることができる。

また、共通化した予測値を利用することで、小売店や、卸業者と連携した、生産計画を立てることができる。このような情報共有により、需要量の予測値の乖離リスクを低減することができる。

また、予測期間に応じて予測手法のブレンド比率を決定するため、予測期間に応じた、より精度の高いモデルが構築できる。

また、上限下限の閾値を設け、予測値が範囲外になった場合には、統合需要予測モデルの再構築を行うことで、より運用者の予測感覚を取り入れることができる。

なお、上述した実施形態においては、長期的な視点で予測誤差を低減する、短期的な視点で予測誤差を低減するというように、異なる視点を考慮して、予測モデルを構築するようにしたが、統合予測誤差の範囲が過去の実績に基づいて決定できる場合には、「統合予測誤差を○○以上、△△以下に収めたい」といった統合予測誤差の範囲を、上述した数式（２）、（３）に示す制約式に追加することで、予測モデルに組み込むことが可能である。

また、上述した本実施形態においては、予測期間を１日単位として説明したが、必要に応じて複数の日をまとめて１つの予測期間としてもよい。例えば、予測期間を１週間単位としてもよい。

また、上述した予測値算出部２、予測値誤差算出部４、統合需要予測ブレンド比率算出部６、需要予測結果出力９による各機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより、符号化処理、及び復号化処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものであってもよい。また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、フラッシュメモリ等の書き込み可能な不揮発性メモリ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。

さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（例えばＤＲＡＭ（Dynamic Random Access Memory））のように、一定時間プログラムを保持しているものも含むものとする。また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。また、上記プログラムは、前述した機能の一部を実現するためのものであっても良い。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であっても良い。

１商品販売実績テーブル
２予測値算出部
３予測手法別商品別予測需要テーブル
４予測値誤差算出部
５最適化重みテーブル
６統合需要予測ブレンド比率
７ブレンド比率テーブル
８予測対象期間テーブル
９需要予測結果出力部
１０需要予測結果テーブル

Claims

過去の需要実績量を記憶する需要実績量記憶手段と、
前記需要実績量記憶手段に記憶されている需要実績量に基づいて、複数の需要予測モデルを構築する需要予測モデル構築手段と、
前記需要予測モデル構築手段により構築された需要予測モデル毎に、予測需要量を算出する予測需要量算出手段と、
前記予測需要量算出手段により算出された予測需要量と、前記需要実績量記憶手段に記憶されている需要実績量とに基づいて、共通期間における前記複数の需要予測モデル毎の予測誤差を算出する予測誤差算出手段と、
前記予測誤差算出手段より算出された予測誤差を、前記予測誤差に対して、予め定められた予測誤差範囲内にする、前記複数の需要予測モデル毎のブレンド比率を予測期間毎に算出する統合需要予測ブレンド比率算出手段と、
前記統合需要予測ブレンド比率算出手段によって算出された需要予測モデル毎のブレンド比率と、前記予測需要量算出手段によって算出された需要予測モデル毎の予測需要量を積算することで、予め決められる予測期間における予測需要量を算出する需要予測結果出力手段と
を備えたことを特徴とする統合需要予測装置。
過去の需要実績量に基づいて、複数の需要予測モデルを構築する需要予測モデル構築ステップと、
前記構築された需要予測モデル毎に、予測需要量を算出する予測需要量算出ステップと、
前記算出された予測需要量と、前記需要実績量とに基づいて、共通期間における前記複数の需要予測モデル毎の予測誤差を算出する予測誤差算出ステップと、
前記算出された予測誤差を、前記予測誤差に対して、予め定められた予測誤差範囲内にする、前記複数の需要予測モデル毎のブレンド比率を予測期間毎に算出する統合需要予測ブレンド比率算出ステップと、
前記算出された需要予測モデル毎のブレンド比率と、前記算出された需要予測モデル毎の予測需要量を積算することで、予め決められる予測期間における予測需要量を算出する需要予測結果出力ステップと
を含むことを特徴とする統合需要予測方法。
コンピュータに、
過去の需要実績量に基づいて、複数の需要予測モデルを構築する需要予測モデル構築ステップと、
前記構築された需要予測モデル毎に、予測需要量を算出する予測需要量算出ステップと、
前記算出された予測需要量と、前記需要実績量とに基づいて、共通期間における前記複数の需要予測モデル毎の予測誤差を算出する予測誤差算出ステップと、
前記算出された予測誤差を、前記予測誤差に対して、予め定められた予測誤差範囲内にする、前記複数の需要予測モデル毎のブレンド比率を予測期間毎に算出する統合需要予測ブレンド比率算出ステップと、
前記算出された需要予測モデル毎のブレンド比率と、前記算出された需要予測モデル毎の予測需要量を積算することで、予め決められる予測期間における予測需要量を算出する需要予測結果出力ステップと
を実行させるための統合需要予測プログラム。