JP5698860B1 - 在庫管理システム、在庫管理方法、及びプログラム - Google Patents
在庫管理システム、在庫管理方法、及びプログラム Download PDFInfo
- Publication number
- JP5698860B1 JP5698860B1 JP2014169287A JP2014169287A JP5698860B1 JP 5698860 B1 JP5698860 B1 JP 5698860B1 JP 2014169287 A JP2014169287 A JP 2014169287A JP 2014169287 A JP2014169287 A JP 2014169287A JP 5698860 B1 JP5698860 B1 JP 5698860B1
- Authority
- JP
- Japan
- Prior art keywords
- value
- model
- prediction
- data
- arima
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Abstract
【課題】最適な在庫管理が行えるARIMA予測モデルを選択することができる変動値予測システム、在庫管理システム、変動値予測方法、及びプログラムを提供する。【解決手段】所定の記憶領域に記憶された時系列データを用いて決定された複数のARIMAモデルから、該ARIMAモデルを用いた第1の予測値を変動値予測部によりそれぞれ算出する第1の予測手段と、第1の予測手段により算出された第1の予測値を用いて、ARIMAモデル毎に第1の指標値と第2の指標値とを算出する指標値算出手段と、指標値算出手段により算出された第1の指標値と第2の指標値とに基づき複数のARIMAモデルから一のARIMAモデルを選択するモデル選択手段と、モデル選択手段により選択された一のARIMAモデルを用いて、時系列データの将来の予測値である第2の予測値を変動値予測部により算出する第2の予測手段とを有する。【選択図】図2
Description
本発明は、在庫管理システム、在庫管理方法、及びプログラムに関する。
従来より熱伝導方程式から派生した数学モデルとして、定差方程式をベースとしたARIMA(Autoregressive Integrated Moving Average;自己回帰和分移動平均)モデルが知られている。ARIMAモデルの中核部分は、次式(1)により表される。式中、Xtは時点tにおける変動量であり、φn、θm(n=1〜p、m=1〜q)はパラメータであり、Zは分散σ2のホワイトノイズである。
このようなARIMAモデルを用いた変動量推定手法において、次数パターン毎のARIMAモデルから統計学上の情報量の正規化値と誤差指標の正規化値との和が最も小さいモデルを選択することで、モデル選択における精度を向上させる技術が知られている(例えば特許文献1参照)。
ここで、特許文献1では、ARIMAモデルを用いた変動量推定手法において、例えば時系列データを差分系列化したデータ系列等の複数のデータパターンのデータ系列を用いて変動量が推定(予測)される。したがって、それぞれのデータパターンのデータ系列に対応するモデルがそれぞれ選択される。そこで、これらの選択された複数のモデルのうち誤差指標が最小となるモデルを予測モデルとして採用し、この採用された予測モデルを用いて将来の予測値を算出している。
例えば従来の管理工学等における適正在庫量は、次式(2)により表される。式中、Dは適正在庫量、kは安全性係数、σは標準偏差、dは平均販売量、mはリードタイムである。
本発明の実施の形態は、上記の点に鑑みてなされたもので、最適な在庫管理が行えるARIMA予測モデルを選択することを目的とする。
上記の目的を達成するため、本発明の実施の形態は、ARIMAモデルを用いて変動値の時系列データから将来の予測値を出力する変動値予測部を有する変動値予測システムであって、所定の記憶領域に記憶された時系列データを用いて決定された複数の前記ARIMAモデルから、該ARIMAモデルを用いた第1の予測値を前記変動値予測部によりそれぞれ算出する第1の予測手段と、前記第1の予測手段により算出された第1の予測値を用いて、前記ARIMAモデル毎に第1の指標値と第2の指標値とを算出する指標値算出手段と、前記指標値算出手段により算出された第1の指標値と第2の指標値とに基づき複数の前記ARIMAモデルから一のARIMAモデルを選択するモデル選択手段と、前記モデル選択手段により選択された前記一のARIMAモデルを用いて、前記時系列データの将来の予測値である第2の予測値を前記変動値予測部により算出する第2の予測手段と、を有することを特徴とする。
本発明の実施の形態によれば、最適な在庫管理が行えるARIMA予測モデルを選択することができる。
以下、本発明の実施の形態について、図面を参照しながら詳細に説明する。
<ハードウェア構成>
まず、図1を参照しながら本実施形態に係る在庫管理システム10のハードウェア構成について説明する。図1は、本実施形態に係る在庫管理システムの一例のハードウェア構成図である。本実施形態に係る在庫管理システム10は、変動値に関する過去の時系列データに基づいて将来の変動値の推移を予測する変動値予測システムを一部に含む。したがって、本実施形態に係る在庫管理システム10は、スーパーや百貨店、コンビニエンスストア等における複数の商品の販売数量実績を過去の時系列データとして将来の販売数量を予測し、この予測結果に基づいて最適な仕入れ量(納品量、生産量)を推定して在庫管理を行うのに好適なシステムである。なお、本実施形態に係る在庫管理システム10は、スーパーにおける特売日等、統計的に特殊処理が必要なデータを除外等するためのフィルタ処理部を備えている。
まず、図1を参照しながら本実施形態に係る在庫管理システム10のハードウェア構成について説明する。図1は、本実施形態に係る在庫管理システムの一例のハードウェア構成図である。本実施形態に係る在庫管理システム10は、変動値に関する過去の時系列データに基づいて将来の変動値の推移を予測する変動値予測システムを一部に含む。したがって、本実施形態に係る在庫管理システム10は、スーパーや百貨店、コンビニエンスストア等における複数の商品の販売数量実績を過去の時系列データとして将来の販売数量を予測し、この予測結果に基づいて最適な仕入れ量(納品量、生産量)を推定して在庫管理を行うのに好適なシステムである。なお、本実施形態に係る在庫管理システム10は、スーパーにおける特売日等、統計的に特殊処理が必要なデータを除外等するためのフィルタ処理部を備えている。
図1に示すように、在庫管理システム10は、CPU(Central Processing Unit)11と、RAM(Random Access Memory)12と、ROM(Read Only Memory)13と、外部I/F14と、入力装置15と、表示装置16と、記憶装置17と、通信I/F18とを有し、それぞれがバスBに相互に接続されたコンピュータによって実現される。
CPU11は、ROM13や記憶装置17等からプログラムやデータをRAM14上に読み出し、処理を実行することで、在庫管理システム10の制御や機能を実現する演算装置である。
RAM12は、プログラムやデータを一時保持する揮発性の半導体メモリである。ROM13は、電源を切ってもプログラムやデータを保持することができる不揮発性の半導体メモリである。ROM13には、在庫管理システム10の起動時に実行されるBIOS(Basic Input/Output System)、OS(Operating System)設定、及びネットワーク設定等のプログラムやデータが格納されている。
外部I/F14は、外部装置とのインタフェースである。外部装置には、記録媒体14a等がある。在庫管理システム10は、外部I/F14を介して、記録媒体14aの読み取り及び/又は書き込みを行うことができる。
記録媒体14aは、例えば、SDメモリカード(SD Memory card)等の記録媒体である。記録媒体14aは、USBメモリ(Universal Serial Bus memory)、DVD(Digital Versatile Disk)、CD(Compact Disk)、フレキシブルディスク等の記録媒体であってもよい。
入力装置15は、キーボードやマウス等であり、在庫管理システム10に各種操作信号を入力するために用いられる。入力装置15は、例えば、タッチパネル等であってもよい。表示装置16は、LCD(Liquid Crystal Display)等であり、在庫管理システム10による処理結果を表示する。なお、入力装置15及び/又は表示装置16は、通信I/F18により在庫管理システム10とネットワークを介して接続されていてもよい。
通信I/F18は、在庫管理システム10をインターネット等のネットワークに接続するためのインタフェースである。これにより、在庫管理システム10は、通信I/F18を介してデータ通信を行うことができる。
記憶装置17は、例えば、HDD(Hard Disk Drive)やSSD(Solid State Drive)等であり、プログラムやデータが格納される不揮発性メモリである。記憶装置17に格納されるプログラムやデータには、実施形態を実現するためのプログラムやデータ、OS、OS上において各種機能を提供するアプリケーションソフトウェア等がある。記憶装置17は格納しているプログラムやデータを所定のファイルシステム及び/又はDB(データベース)等により管理している。
記憶装置17に格納される実施形態を実現するためのプログラムには、モデル別データ系列作成プログラム101と、ARIMA予測プログラム102と、予測モデル選択プログラム103と、発注・在庫計算プログラム104とが存在する。また、記憶装置17に格納される実施形態を実現するためのデータには、モデル設定データ105が存在する。これらの各プログラム及びデータは、記録媒体14aに格納されたものが記憶装置17にインストール等されてもよいし、インターネット等を介してサーバからダウンロードされてもよい。これらの各プログラム及びデータの詳細については、後述する。
本実施形態に係る在庫管理システム10は、上記したハードウェア構成により後述するような各種処理を実現できる。なお、本実施形態に係る在庫管理システム10及び在庫管理システムに含まれる変動値予測システムは、それぞれ別々のコンピュータによって実現されていてもよい。
<機能構成>
次に、本実施形態に係る在庫管理システム10の機能構成について説明する。図2は、本実施形態に係る在庫管理システムの一例の機能ブロック図である。図2における各機能ブロックは、記憶装置17に格納されたプログラムをCPU11が実行することにより実現される。図2に示すように、在庫管理システム10は、モデル別データ系列作成プログラム101が実行されることにより機能するモデル別データ系列作成部110と、ARIMA予測プログラム102が実行されることにより機能するARIMA予測処理部120と、予測モデル選択プログラム103が実行されることにより機能する予測モデル選択部130と、発注・在庫計算プログラム104が実行されることにより機能する発注・在庫計算部140とを有する。なお、在庫管理システム10に含まれる変動値予測システムは、例えば、モデル別データ系列作成部110と、ARIMA予測処理部120と、予測モデル選択部130とを有するように構成される。
次に、本実施形態に係る在庫管理システム10の機能構成について説明する。図2は、本実施形態に係る在庫管理システムの一例の機能ブロック図である。図2における各機能ブロックは、記憶装置17に格納されたプログラムをCPU11が実行することにより実現される。図2に示すように、在庫管理システム10は、モデル別データ系列作成プログラム101が実行されることにより機能するモデル別データ系列作成部110と、ARIMA予測プログラム102が実行されることにより機能するARIMA予測処理部120と、予測モデル選択プログラム103が実行されることにより機能する予測モデル選択部130と、発注・在庫計算プログラム104が実行されることにより機能する発注・在庫計算部140とを有する。なお、在庫管理システム10に含まれる変動値予測システムは、例えば、モデル別データ系列作成部110と、ARIMA予測処理部120と、予測モデル選択部130とを有するように構成される。
また、モデル別データ系列作成部110は、フィルタ処理部111と、データ系列作成部112とを有する。予測モデル選択部130は、平均在庫計算部131と、最適モデル選択部134とを有し、さらに、平均在庫計算部131は、累積誤差方式計算部132と、誤差調整方式計算部133とを有する。発注・在庫計算部140は、安全在庫計算部141と、発注量計算部142とを有する。
フィルタ処理部111は、入力された時系列データ(例えば、販売数量実績等の日次データ)に対して所定のフィルタ処理を行う。なお、時系列データは、日次データに限られず、週次データ、月次データ、年次データ等の形式で入力されてもよい。また、時系列データは、記録媒体14aやインターネット等を介して、又は入力装置15から入力される。
ここで、所定のフィルタ処理とは、時系列データに含まれるある特定のデータを除外等する処理である。例えば、食品スーパー等の販売店においては、不定期の特売が実施されることがあり、このような特売日には実質的に需要の予測が困難である。したがって、特売日の仕入れ数量と販売数量とが大きく乖離するという状況がある。また、特売日以外の通常販売日においても、特売反動としての過大仕入れ、過小仕入れが発生しているという状況がある。過大仕入れは在庫増をもたらし、過小仕入れは品切れをもたらすことになる。
上記の事情に鑑み、特売日と推定される日の該当品目のデータ(特定のデータ)を除外等する必要がある。このような特定のデータを除外等するための所定のフィルタ処理は、例えば特許第4981976号公報に記載されている方法を用いればよい。
データ系列作成部112は、モデル設定データ105に定義されたモデル毎のパラメータに基づき、フィルタ処理部111によるフィルタ処理後の時系列データからモデル別のデータ系列を作成する。ここで、モデルとは、フィルタ処理後の時系列データから作成されるデータ系列のデータパターンである。例えば、フィルタ処理後の時系列データの各データに対して以下のようなデータ加工を行うモデルが挙げられる。
・対数を取ったデータ系列を作成する対数モデル(logモデル)
・平方根を取ったデータ系列を作成する平方根モデル(√モデル)
・前日差分を取ったデータ系列を作成する前日差分モデル(D1モデル)
・前日差分の前日差分を取ったデータ系列を作成する前日差分+前日差分モデル(D1D1モデル)
・2日移動平均を取ったデータ系列を作成する2日移動平均モデル(2DMAモデル)
・7日移動平均を取ったデータ系列を作成する7日移動平均モデル(7DMAモデル)
・21日移動平均を取ったデータ系列を作成する21日移動平均モデル(21DMAモデル)
以上に示すように、データパターンは、差分化系列(D1モデル、D1D1モデル等)、移動平均化系列(2DMAモデル、7DMAモデル、21DMAモデル等)、その他の系列(logモデル、√モデル等)に大別することができる。なお、前日差分を取ったデータ系列に対して、さらに、平方根を取ったデータ系列を作成する前日差分+平方根モデル(√D1モデル)が挙げられてもよい。すなわち、差分化系列、移動平均化系列、その他の系列を、それぞれ組み合わせたデータ系列を作成するモデル等、入力された時系列データに対して所定のデータ加工を行って当該データ加工後のデータ系列を得る種々のモデル(データパターン)が挙げられてもよい。
・対数を取ったデータ系列を作成する対数モデル(logモデル)
・平方根を取ったデータ系列を作成する平方根モデル(√モデル)
・前日差分を取ったデータ系列を作成する前日差分モデル(D1モデル)
・前日差分の前日差分を取ったデータ系列を作成する前日差分+前日差分モデル(D1D1モデル)
・2日移動平均を取ったデータ系列を作成する2日移動平均モデル(2DMAモデル)
・7日移動平均を取ったデータ系列を作成する7日移動平均モデル(7DMAモデル)
・21日移動平均を取ったデータ系列を作成する21日移動平均モデル(21DMAモデル)
以上に示すように、データパターンは、差分化系列(D1モデル、D1D1モデル等)、移動平均化系列(2DMAモデル、7DMAモデル、21DMAモデル等)、その他の系列(logモデル、√モデル等)に大別することができる。なお、前日差分を取ったデータ系列に対して、さらに、平方根を取ったデータ系列を作成する前日差分+平方根モデル(√D1モデル)が挙げられてもよい。すなわち、差分化系列、移動平均化系列、その他の系列を、それぞれ組み合わせたデータ系列を作成するモデル等、入力された時系列データに対して所定のデータ加工を行って当該データ加工後のデータ系列を得る種々のモデル(データパターン)が挙げられてもよい。
なお、入力された時系列データが週次データや月次データ、年次データである場合は、例えば、前日差分は、それぞれ前週差分、前月差分、前年差分と読み替えるものとする。2日移動平均や7日移動平均等に関しても同様に、それぞれ2週移動平均や7週移動平均、2か月移動平均や7か月移動平均、2年移動平均や7年移動平均等と読み替えればよい。
以上のように、データ系列作成部112は、フィルタ処理後の時系列データに対して、複数のデータパターンのデータ系列(すなわち、複数のモデルのデータ系列)を作成する。本実施形態では、特に、差分化系列に加えて、移動平均化系列を作成する。これにより、例えば差分化系列を用いてARIMA予測処理部120で予測値を算出した場合に、予測に失敗する場合(換言すれば、短期波がホワイトノイズになる場合)においても中・長期のトレンドを予測値として算出することができる。このことは、本実施形態に係る在庫管理システム10に含まれる変動値予測システムは、短期波がホワイトノイズになる場合、短期的な予測はせずに、中・長期的な予測を行うと言うことができる。
また、データ系列作成部112は、フィルタ処理後の時系列データに欠損や異常値が含まれる場合、これらの欠損データの補完又は除外等や異常値の除外又は置換等を行ってもよい。例えば、日次データである時系列データについて、ある特定日のデータが欠損している場合、当該特定日を除外したり、特定の値(例えば、時系列データの平均値)に補完する。また、例えば、対数モデルのデータ系列を作成する場合において、フィルタ処理後の時系列データに「0」(異常値)が含まれる場合、異常値を除外又は特定の値(例えば、時系列データの平均値)に置換する。
ARIMA予測処理部120は、データ系列作成部112により作成されたデータ系列からそれぞれ予測値を算出する。また、ARIMA予測処理部120は、最適モデル選択部134により選択されたモデル(データパターン)を用いて、入力された時系列データから将来の予測値を算出する。
平均在庫計算部131は、累積誤差方式計算部132と、誤差調整方式計算部133とを有する。累積誤差方式計算部132は、入力された時系列データとARIMA予測処理部120により算出された予測値とに基づき、ある期間の平均在庫を累積誤差方式により算出する。同様に、誤差調整方式計算部133は、入力された時系列データとARIMA予測処理部120により算出された予測値とに基づき、ある期間の平均在庫を誤差調整方式により算出する。累積誤差方式により算出された平均在庫及び誤差調整方式より算出された平均在庫は、それぞれ第1の指標値及び第2の指標値の一例である。
最適モデル選択部134は、累積誤差方式により算出された平均在庫と、誤差調整方式により算出された平均在庫とに基づき、将来の予測値を算出するのために用いる最適なモデルを選択する。すなわち、最適モデル選択部134は、データ系列作成部112により作成された複数のモデル(データパターン)のデータ系列それぞれの累積誤差方式による平均在庫と、誤差調整方式による平均在庫とを比較し、最も低い(少ない)平均在庫のモデルを最適モデルとして選択する。
<処理の詳細>
次に、本実施形態に係る在庫管理システム10の処理の詳細について説明する。在庫管理システム10の処理は、過去の時系列データに基づき、将来の予測値を算出するための最適なモデルを選択するシミュレーションフェーズと、シミュレーションフェーズにより選択されたモデルを用いて将来の予測値を算出し、最適な発注量(納品量、生産量)を算出する運用フェーズとに大別することができる。以降の図3ないし図8を用いて説明する処理はシミュレーションフェーズにおける処理である一方、図9ないし図11を用いて説明する処理は運用フェーズにおける処理である。
次に、本実施形態に係る在庫管理システム10の処理の詳細について説明する。在庫管理システム10の処理は、過去の時系列データに基づき、将来の予測値を算出するための最適なモデルを選択するシミュレーションフェーズと、シミュレーションフェーズにより選択されたモデルを用いて将来の予測値を算出し、最適な発注量(納品量、生産量)を算出する運用フェーズとに大別することができる。以降の図3ないし図8を用いて説明する処理はシミュレーションフェーズにおける処理である一方、図9ないし図11を用いて説明する処理は運用フェーズにおける処理である。
≪ARIMA予測値データを算出する処理≫
まず、入力された時系列データに基づき、複数のモデルの予測値(ARIMA予測値データ)を算出する処理について説明する。図3は、本実施形態に係るARIMA予測値データを算出するまでの処理の流れの一例を示すフローチャートである。
まず、入力された時系列データに基づき、複数のモデルの予測値(ARIMA予測値データ)を算出する処理について説明する。図3は、本実施形態に係るARIMA予測値データを算出するまでの処理の流れの一例を示すフローチャートである。
ステップS301において、モデル別データ系列作成部110は、時系列データを入力する。ここで、入力される時系列データは、例えば、過去の販売数量実績等を示す日次データ等である。このような時系列データは、上述したように、例えば記録媒体14aやインターネット、又は入力装置15等を介して入力される。
ステップS302において、フィルタ処理部111は、入力された時系列データに対して所定のフィルタ処理を行う。フィルタ処理部111は、上述したように、例えば特売日における販売数量実績を示すデータを除外等する処理を行う。すなわち、例えば、図4に示すように、実線で示される実績値における特定のデータを、破線で示される補正値に補正する。
ステップS303において、モデル別データ系列作成部110は、モデル設定データ105を読み込む。モデル設定データ105には、モデル(データパターン)を示すパラメータが定義されており、これらのパラメータに従ってフィルタ処理後の時系列データに対してデータ加工が行われる。なお、モデル設定データ105に定義されたモデルをすべて用いる必要はなく、例えば、ユーザ又は所定のプログラム等により所望のモデルが選択されるようにしてもよい。ここで選択されるモデルは、任意のモデルでよいが、上述したように予測に失敗する場合を考慮すれば、差分化系列のモデルに加えて移動平均化のモデルも選択されることが好ましい。
ステップS304において、データ系列作成部112は、上記のステップS303で読み込まれたモデル設定データ105に基づき、フィルタ処理後の時系列データから複数のモデル別のデータ系列を作成する。
データ系列作成部112により作成されるモデル別のデータ系列の一例について、図5を用いてより具体的に説明すると、フィルタ処理後の時系列データ{x1,x2,・・・,xn}から以下のようにモデル別のデータ系列が作成される。
・平方根モデル(√モデル)は、時系列データの各xi(i=1〜n)の平方根を取ったデータ系列{√x1,√x2,・・・,√xn}が作成される。
・前日差分モデル(D1モデル)は、時系列データの各xi(i=1〜n)に対して前日差分yi−1=xi−xi−1(i=2〜n)のデータ系列{y1,y2,・・・,yn−1}が作成される。
・2日移動平均モデル(2DMAモデル)は、時系列データの各xi(i=1〜n)に対して2日(単純)移動平均yi−1=(xi+xi−1)/2(i=2〜n)のデータ系列{y1,y2,・・・,yn−1}が作成される。
・7日移動平均モデル(2DMAモデル)は、時系列データの各xi(i=1〜n)に対して7日(単純)移動平均yi−6=(xi+xi−1+xi−2+xi−3+xi−4+xi−5+xi−6)/7(i=7〜n)のデータ系列{y1,y2,・・・,yn−6}が作成される。
・平方根モデル(√モデル)は、時系列データの各xi(i=1〜n)の平方根を取ったデータ系列{√x1,√x2,・・・,√xn}が作成される。
・前日差分モデル(D1モデル)は、時系列データの各xi(i=1〜n)に対して前日差分yi−1=xi−xi−1(i=2〜n)のデータ系列{y1,y2,・・・,yn−1}が作成される。
・2日移動平均モデル(2DMAモデル)は、時系列データの各xi(i=1〜n)に対して2日(単純)移動平均yi−1=(xi+xi−1)/2(i=2〜n)のデータ系列{y1,y2,・・・,yn−1}が作成される。
・7日移動平均モデル(2DMAモデル)は、時系列データの各xi(i=1〜n)に対して7日(単純)移動平均yi−6=(xi+xi−1+xi−2+xi−3+xi−4+xi−5+xi−6)/7(i=7〜n)のデータ系列{y1,y2,・・・,yn−6}が作成される。
以上のように、データ系列作成部112は、モデル設定データ105に基づき、フィルタ処理後の時系列データから複数のモデル(データパターン)のデータ系列を作成する。
ステップS305において、ARIMA予測処理部120は、データ系列作成部112により作成されたモデル別のデータ系列を1件取得する。
ステップS306において、ARIMA予測処理部120は、取得したデータ系列に基づき、予測値(ARIMA予測値データ)を算出する。ここで、ARIMA予測値データの算出は、例えば特許第4981976号公報に記載されている方法を用いればよい。すなわち、ARIMA予測処理部120は、取得したデータ系列に対して、以下の手順によりARIMA予測値データを算出する。
(1)取得したデータ系列のモデルの次数パターンを複数(例えば50通り)定義する。
(2)各次数パターン毎にARIMAパラメータの推定を行う。
(3)パラメータが決定された次数について、AICC及び誤差指標を算出する。
(4)AICC及び誤差指標に基づいて最適な次数パターンを選択する。
(5)選択された次数パターンのARIMAパラメータに基づき、所定の計算式により予測値系列及び残差系列を計算し、予測値(ARIMA予測値データ)を算出する。
(1)取得したデータ系列のモデルの次数パターンを複数(例えば50通り)定義する。
(2)各次数パターン毎にARIMAパラメータの推定を行う。
(3)パラメータが決定された次数について、AICC及び誤差指標を算出する。
(4)AICC及び誤差指標に基づいて最適な次数パターンを選択する。
(5)選択された次数パターンのARIMAパラメータに基づき、所定の計算式により予測値系列及び残差系列を計算し、予測値(ARIMA予測値データ)を算出する。
なお、ARIMA予測値データは、所定の期間を1つの単位として、複数回繰り返して算出される。例えば、フィルタ処理後の時系列データが{x1,x2,・・・,x100}である場合、当該時系列データの一部(所定の期間の時系列データ)である{x1,x2,・・・,x30}を用いて第1のARIMA予測値データ{y1,y2,・・・y7}を算出する。次に、時系列データ{x8,x9,・・・,x37}を用いて第2のARIMA予測値データ{y8,y9,・・・y14}を算出する。同様に、時系列データ{x15,x16,・・・,x42}を用いて第3のARIMA予測値データ{y15,y16,・・・y21}を算出する。第4のARIMA予測値データ以降についても同様に繰り返して、ARIMA予測値データ{y1,y2,・・・,y77}が算出される。以降では、例えば、ARIMA予測値データ{y1,y2,・・・,y77}に対して、それぞれ同じ時点(すなわち、同日、同月、同年等)のフィルタ処理後の時系列データ{x8,x9,・・・,x84}を、改めて{x1,x2,・・・,x77}と表すこととして、データ系列の添字は時点を表すものとする。
ステップS307において、予測モデル選択部130は、上記のステップS305により作成されたすべてのモデルのデータ系列を取得したか否かを判定する。すべてのモデルのデータ系列を取得していない場合、ステップS305に戻る一方、すべてのモデルのデータ系列を取得している場合、処理を終了させる。すなわち、ARIMA予測処理部120は、モデル別データ系列作成部110により作成されたすべてのモデルのデータ系列に対して、ARIMA予測値データを算出する。
以上により、過去の販売数量実績等を示す時系列データから複数のモデルのデータ系列が作成される。そして、作成されたデータ系列それぞれに対してARIMA予測値データが算出される。
≪予測モデルを選択及び安全在庫を算出する処理≫
次に、図3を用いて説明した処理において算出されたモデル毎のARIMA予測値データに基づき、複数のモデルから最適な一のモデルを選択するとともに、選択されたモデルを用いて安全在庫を算出する処理について説明する。図6は、本実施形態に係る予測モデルを選択及び安全在庫を算出するまでの処理の流れの一例を示すフローチャートである。なお、安全在庫とは、後述するように、欠品(品切れ)の許容率から算出される理論安全在庫と、ユーザにより任意に設定される余裕度との和(又は差)である。
次に、図3を用いて説明した処理において算出されたモデル毎のARIMA予測値データに基づき、複数のモデルから最適な一のモデルを選択するとともに、選択されたモデルを用いて安全在庫を算出する処理について説明する。図6は、本実施形態に係る予測モデルを選択及び安全在庫を算出するまでの処理の流れの一例を示すフローチャートである。なお、安全在庫とは、後述するように、欠品(品切れ)の許容率から算出される理論安全在庫と、ユーザにより任意に設定される余裕度との和(又は差)である。
ステップS601において、平均在庫計算部131は、ARIMA予測処理部120により算出された複数のモデル毎のARIMA予測値データから1件のARIMA予測値データを取得する。なお、このとき、取得されたARIMA予測値データが差分化系列のモデルを用いて算出されたものである場合、例えば特許第4981976号公報に記載されているように和分処理を行う。
ステップS602において、累積誤差方式計算部132は、フィルタ処理後の時系列データと、取得されたARIMA予測値データとに基づいて、累積誤差方式により平均在庫量を計算する。
ここで累積誤差方式による平均在庫量の計算について、図7を用いて説明する。図7は、累積誤差方式による平均在庫の算出の一例を説明するための図である。累積誤差方式とは、ARIMA予測値データ通りに納品・発注・生産する方式である。図7において、時点(1〜n)は、例えば、日次データの場合は「日」、月次データの場合は「月」、年次データの場合は「年」等である。時系列データは、フィルタ処理後の時系列データである。ARIMA予測値データは、ARIMA予測処理部120により算出された予測値である。誤差は、ある時点のARIMA予測値データと、このARIMA予測値データに対応する同じ時点の時系列データとの差である。納品量は、各時点における在庫の増加量であり、在庫に対して納品された量(生産された量)である。
このとき、初期在庫量をD0とすれば、時点1における在庫量D1は、D0+y1−x1=D0+e1である。同様に、時点2における在庫量D2は、D0+e1+y2−x2=D0+e1+e2である。以降も同様に、一般に、時点k(k=1〜n)における在庫量Dkは、次式(3)により表される。
ここで誤差調整方式による平均在庫量の計算について、図8を用いて説明する。図8は、誤差調整方式による平均在庫の算出の一例を説明するための図である。誤差調整方式とは、ARIMA予測値データとフィルタ処理後の時系列データとの誤差を、商品等のリードタイムを考慮して調整する方式である。なお、リードタイムとは、商品等を発注してから納品等されるまでに必要な期間である。
図8(a)はリードタイムが1の場合について説明するための図である。この場合、時点1における在庫量D1は、D0+y1−x1=D0+e1である。ここで、リードタイムが1であるため、時点1で発生した誤差e1は時点2において調整(−e1)される。したがって、時点2における在庫量D2は、D0+y2−x2−e1=D0+e2である。
同様に、時点2で発生した誤差e2は時点3において調整(−e2)される。したがって、時点3におけるD3は、D0+y3−x3−e2=D0+e3である。以降も同様であり、時点kにおける在庫量Dkは、次式(7)で表される。
ステップS605において、最適モデル選択部134は、すべてのモデルのARIMA予測値データから算出された累積誤差方式による平均在庫及び誤差調整方式による平均在庫のうち、最小値の平均在庫が算出されたモデルを、運用フェーズで用いる予測モデルとして選択する。すなわち、それぞれのモデルについて式(4)及び式(10)を計算し、最も平均在庫が小さいモデルを最適な予測モデルとして選択する。
このように、本実施形態における在庫管理システム10は、シミュレーションフェーズにおいて、過去の販売数量実績等を示す時系列データに基づいて、複数のモデルから最適なモデルが選択される。ここで、最適なモデルを選択する基準として、対象となる期間の平均在庫が最も小さくなるモデルが選択される。これにより、ARIMA予測値データの予測精度の問題はあるものの、劣悪な予測精度であっても、過去最大の販売量(実務上、σdは過去最大の販売量として計算されることが多い)に比べ予測誤差は十分に小さいことから、一般に次式(14)が成り立つ。
ステップS606において、安全在庫計算部141は、上記のステップS605において選択された予測モデルのARIMA予測値データを用いて安全在庫を算出する。ここで、安全在庫とは、欠品(品切れ)の許容率から算出される理論安全在庫と、ユーザにより任意に設定される余裕度との和(又は差)である。以降では、このような安全在庫を「適用安全在庫」と表す。
理論安全在庫は、実務上では、一般に欠品の許容率は「0」(すなわち、欠品を許容しない)に設定される場合が多いが、例えば、惣菜、弁当等の消費期限が短い商品においては、余剰在庫による商品の破棄を防止するために欠品率が0より大きい値に設定される場合がある。なお、欠品率ρは、対象期間(例えば日数)において欠品が発生する割合であり、一般に次式(15)で表される。
以上のように算出される理論安全在庫に対して、所定の余裕度を加算又は減算したものが適用安全在庫である。ここで余裕度とは、ユーザ等により設定される値であり、理論安全在庫に対する補正量である。余裕度を加算させる場合としては、例えば、余剰在庫が発生する可能性があっても欠品を発生させたくない場合である。他方、余裕度を減算させる場合としては、例えば、欠品が発生する可能性があっても余剰在庫を発生させたくない場合である。余裕度は、例えば、対象期間における平均在庫に対して、ユーザ等により決定された任意の値(例えば0以上1以下の値)を乗算したものである。以降では、適用安全在庫をDsと表す。
≪発注量を算出する処理≫
次に、シミュレーションフェーズで選択された最適な予測モデルを用いて、将来の予測値を算出し、最適な発注量(納品量、生産量)を算出する運用フェーズにおける処理について説明する。なお、最適な発注量(納品量、生産量)とは、欠品が発生しない最小の在庫量と定義される。すなわち、本実施形態に係る在庫管理システム10では、シミュレーションフェーズで選択された予測モデルと、算出された適用安全在庫とに基づいて、最適な発注量(納品量、生産量)を算出することで、欠品が発生しない最小の在庫量を維持することができる。そして、この欠品が発生しない最小の在庫量は、式(14)で示したように、従来の従来の管理工学等における適正在庫量よりも大幅に少ない。したがって、本実施形態に係る在庫管理システム10においては、在庫量を大幅に削減することができる。なお、シミュレーションフェーズを、例えば、数か月毎に実施して、予測モデルを更新することが好ましい。
次に、シミュレーションフェーズで選択された最適な予測モデルを用いて、将来の予測値を算出し、最適な発注量(納品量、生産量)を算出する運用フェーズにおける処理について説明する。なお、最適な発注量(納品量、生産量)とは、欠品が発生しない最小の在庫量と定義される。すなわち、本実施形態に係る在庫管理システム10では、シミュレーションフェーズで選択された予測モデルと、算出された適用安全在庫とに基づいて、最適な発注量(納品量、生産量)を算出することで、欠品が発生しない最小の在庫量を維持することができる。そして、この欠品が発生しない最小の在庫量は、式(14)で示したように、従来の従来の管理工学等における適正在庫量よりも大幅に少ない。したがって、本実施形態に係る在庫管理システム10においては、在庫量を大幅に削減することができる。なお、シミュレーションフェーズを、例えば、数か月毎に実施して、予測モデルを更新することが好ましい。
図9は、本実施形態に係る発注量を算出するまでの処理の流れの一例を示すフローチャートである。
ステップS901において、モデル別データ系列作成部110、時系列データを入力する。ここで、入力される時系列データは、図3のステップS301と同様に、例えば、過去の販売数量実績等を示す日次データ等である。このような時系列データは、上述したように、例えば記録媒体14aやインターネット、又は入力装置15等を介して入力される。
このとき、データ系列作成部112は、シミュレーションフェーズにおいて選択された予測モデルに対応するデータパターンのデータ系列を、入力された時系列データから作成する。例えば、予測モデルが7DMAモデル(7日移動平均モデル)である場合、入力された時系列データから7日移動平均を取ったデータ系列を作成する。
ステップS902において、ARIMA予測処理部120は、上記のステップS901で作成されたデータ系列(すなわち、予測モデルのデータ系列)を用いて、ARIMA予測値データを算出する。
ステップS903において、発注量計算部142は、上記のステップS901で算出されたARIMA予測値データと、シミュレーションフェーズで算出された適用安全在庫Dsとに基づき発注量を算出する。
発注量計算部142による発注量の算出について、図10及び図11を用いてより具体的に説明する。発注量の算出は、シミュレーションフェーズで選択された予測モデルの累積誤差方式による平均在庫及び誤差調整方式による平均在庫の値が小さい方の方式を用いて行う。すなわち、選択された予測モデルの累積誤差方式による平均在庫<誤差調整方式による平均在庫である場合、累積誤差方式により発注量を算出する。他方、選択された予測モデルの累積誤差方式による平均在庫>誤差調整方式による平均在庫である場合、誤差調整方式により発注量を算出する。
まず、累積誤差方式により発注量を算出する場合について説明する。図10は、累積誤差方式による発注量の算出の一例を説明するための図である。ARIMA予測値データ{y1,y2,・・・,y7}は、上記のステップS902で算出された予測値である。販売量(実績値)は、各時点における商品等の販売数量等である。誤差は、ARIMA予測値データと実績値との誤差である。安全在庫調整は、初期在庫D0に対する適用安全在庫Dsの調整量である。安全在庫調整は、時点1において発注量を調整するために用いられる。
以上を用いて、時点1における発注量は、y1−(D0−Ds)と算出される。これにより、時点1の在庫量はDs+e1となる。次に、時点2以降においては、ARIMA予測値データによる予測値が発注量となり、例えば、時点kにおける発注量はykであり、時点kにおける在庫量はDs+e1+・・・+ekとなる。したがって、一般に、時点1〜nにおける平均在庫は、次式(17)で表される。
次に、誤差調整方式により発注量を算出する場合について説明する。図11は、誤差調整方式による発注量の算出の一例を説明するための図である。図8(a)はリードタイムが1の場合について説明するための図である。この場合、時点1における発注量は、累積誤差方式による発注量の計算と同様に、安全在庫調整を用いて、y1−(D0−Ds)と算出される。これにより、時点1の在庫量はDs+e1となる。次に、時点2以降においては、ARIMA予測値データによる予測値に対して、リードタイムに応じたタイミングで誤差を調整した発注量となり、例えば、時点kにおける発注量はyk−ek−1であり、時点kにおける在庫量はDs+ekとなる。
リードタイムが2の場合についても、同様に発注量が計算され、時点kにおける発注量は、k=1の場合、y1−(D0−Ds)であり、k=2の場合、y2であり、kが3以降の場合、yk−ek−2となる。また、時点kにおける在庫量は、Ds+e1+・・・+ekとなる。
以上より、一般に、リードタイムがmである場合、時点1〜nにおける平均在庫は、次式(18)で表される。ここで、式(18)中のΔは、式(11)と同様である。
<まとめ>
以上のように、本実施形態に係る在庫管理システム10では、過去の販売数量実績等の時系列データに基づき、中・長期の予測を行うための移動平均化系列を含む複数のモデル(データパターン)のデータ系列を作成し、これらの作成されたデータ系列のそれぞれについてARIMA予測値データを算出する。そして、算出されたARIMA予測値データについて、累積誤差方式及び誤差調整方式の2つの方式で対象期間の平均在庫を算出し、最も平均在庫が小さいモデルを予測モデルとして採用する。また、このとき採用された予測モデルを用いて、所望の欠品率を許容する安全在庫が算出される。
以上のように、本実施形態に係る在庫管理システム10では、過去の販売数量実績等の時系列データに基づき、中・長期の予測を行うための移動平均化系列を含む複数のモデル(データパターン)のデータ系列を作成し、これらの作成されたデータ系列のそれぞれについてARIMA予測値データを算出する。そして、算出されたARIMA予測値データについて、累積誤差方式及び誤差調整方式の2つの方式で対象期間の平均在庫を算出し、最も平均在庫が小さいモデルを予測モデルとして採用する。また、このとき採用された予測モデルを用いて、所望の欠品率を許容する安全在庫が算出される。
本実施形態に係る在庫管理システム10では、予測モデルと安全在庫とに基づき、最適な発注量(納品量・生産量)が算出される。すなわち、本実施形態に係る在庫管理システム10では、従来の管理工学等における適正在庫に比して大幅に少ない量の在庫量で商品等の管理を行うことができる発注量が算出される。これにより、本実施形態に係る在庫管理システム10のユーザは、余剰在庫及び欠品による販売機会の損失を防止しつつ、従来に比べて大幅に少ない管理コストで商品等を管理することができるようなる。
例えば、シミュレーションフェーズにおいて、過去の月次販売数量実績等を示すある時系列データの各モデル(データパターン)毎の累積誤差方式及び誤差調整方式による平均在庫が図12に示すようなものであったとする。ここで、図12の「モデル」の列について、例えばD12モデルは、前年同月差分を取ったデータ系列を作成するモデルであり、12mMAモデルは、12か月移動平均を取ったデータ系列を作成するモデルである。このようなD12モデル〜36mMAモデルのそれぞれについて、累積誤差方式及び誤差調整方式により平均在庫を算出する。そして、すべてのモデルの累積誤差方式及び誤差調整方式による平均在庫のうち、誤差調整方式による平均在庫が全モデル中で最も小さい√D12モデルが予測モデルとして選択される。
次に、上記で選択された√D12の予測モデルについて、運用フェーズにおいて、図13に示すようにARIMA予測値データ(予測値)が算出されたものとする。このような実績値とARIMA予測値データとは、図14に示すようなグラフとなる。図13は、リードタイムが3である場合で、2011年9月〜2013年2月までの月次販売数量実績を示す時系列データに基づいて、2013年5月〜2013年8月までのARIMA予測値データを算出した結果が示されている。これによれば、累積誤差方式により算出された2013年5月〜2014年5月までの平均在庫は約32,717である。したがって、この平均在庫量が、適正在庫となる。図13で示した累積誤差方式による在庫量は、例えば、図15に示すようなグラフとなる。
他方、従来の管理工学等における適正在庫(すなわち、過去の最大の販売数量実績×リードタイム)によれば、約503,055となる。したがって、適正在庫が従来に比べ、約10分の1に削減される。
なお、本実施形態に係るARIMA予測処理部120は、第1の予測手段及び第2の予測手段の一例である。平均在庫計算部131は、指標値算出手段の一例である。最適モデル選択部134は、モデル選択手段の一例である。データ系列作成部112は、データ系列生成手段の一例である。安全在庫計算部141は、安全在庫算出手段の一例である。発注量計算部142は、発注・生産量算出手段の一例である。
本発明は、具体的に開示された上記の実施形態に限定されるものではなく、特許請求の範囲から逸脱することなく、種々の変形や変更が可能である。
10 在庫管理システム
101 モデル別データ系列作成プログラム
102 ARIMA予測プログラム
103 予測モデル選択プログラム
104 発注・在庫計算プログラム
105 モデル設定データ
110 モデル別データ系列作成部
111 フィルタ処理部
112 データ系列作成部
120 ARIMA予測処理部
130 予測モデル選択部
131 平均在庫計算部
132 累積誤差方式計算部
133 誤差調整方式計算部
134 最適モデル選択部
140 発注・在庫計算部
141 安全在庫計算部
142 発注量計算部
101 モデル別データ系列作成プログラム
102 ARIMA予測プログラム
103 予測モデル選択プログラム
104 発注・在庫計算プログラム
105 モデル設定データ
110 モデル別データ系列作成部
111 フィルタ処理部
112 データ系列作成部
120 ARIMA予測処理部
130 予測モデル選択部
131 平均在庫計算部
132 累積誤差方式計算部
133 誤差調整方式計算部
134 最適モデル選択部
140 発注・在庫計算部
141 安全在庫計算部
142 発注量計算部
Claims (9)
- ARIMAモデルを用いて変動値の時系列データから将来の予測値を出力する変動値予測部を有する在庫管理システムであって、
所定の記憶領域に記憶された時系列データを用いて決定された複数の前記ARIMAモデルから、該ARIMAモデルを用いた第1の予測値を前記変動値予測部によりそれぞれ算出する第1の予測手段と、
前記第1の予測手段により算出された第1の予測値を用いて、前記ARIMAモデル毎に第1の指標値と第2の指標値とを算出する指標値算出手段と、
前記指標値算出手段により算出された第1の指標値と第2の指標値とに基づき複数の前記ARIMAモデルから一のARIMAモデルを選択するモデル選択手段と、
前記モデル選択手段により選択された前記一のARIMAモデルを用いて、前記時系列データの将来の予測値である第2の予測値を前記変動値予測部により算出する第2の予測手段と、
を有し、
前記時系列データは、所定の商品の販売量を示す実績値の時系列データであり、
前記第1の指標値は、前記第1の予測値と前記時系列データの対応する実績値との誤差に基づく累積誤差方式により算出された第1の平均在庫であり、
前記第2の指標値は、前記第1の予測値と前記時系列データの対応する実績値との誤差と、前記商品のリードタイムとに基づく誤差調整方式により算出された第2の平均在庫である、在庫管理システム。 - 前記時系列データから複数のパターンのデータ系列を生成するデータ系列生成手段を有し、
前記第1の予測手段は、
前記データ系列生成手段により生成された複数のデータ系列毎に、該データ系列にそれぞれ対応するARIMAモデルを決定し、該ARIMAモデルを用いた第1の予測値を前記変動値予測部によりそれぞれ算出する、請求項1記載の在庫管理システム。 - 前記データ系列生成手段は、
前記時系列データから、1以上のパターンの差分系列と、1以上のパターンの移動平均とを含むデータ系列を生成する、請求項2記載の在庫管理システム。 - 前記モデル選択手段は、
複数の前記ARIMAモデルの第1の指標値及び第2の指標値のうち、最も低い値の第1の指標値又は第2の指標値の一のARIMAモデルを選択する、請求項1ないし3のいずれか1項に記載の在庫管理システム。 - 前記モデル選択手段により選択された前記一のARIMAモデルを用いて算出された第1の予測値と、前記時系列データと、予め与えられた前記所定の商品の欠品率とに基づき、前記所定の商品が欠品とならない在庫量を示す安全在庫量を算出する安全在庫算出手段と、
前記安全在庫算出手段により算出された安全在庫量と、前記第2の予測値と前記所定の商品の販売量を示す実績値との誤差とに基づき、前記所定の商品の在庫量を増減させる量を算出する発注・生産量算出手段と、
を有する請求項1ないし4のいずれか1項に記載の在庫管理システム。 - 前記欠品率は、ユーザにより入力される値であって、該ユーザにより許容される前記商品が欠品となる割合を示す値である、請求項5記載の在庫管理システム。
- 前記発注・生産量算出手段は、
所定の期間における前記所定の商品の平均在庫量が、前記安全在庫量となるように前記所定の商品の在庫量を増減させる量を算出する、請求項5又は6記載の在庫管理システム。 - ARIMAモデルを用いて変動値の時系列データから将来の予測値を出力する変動値予測部を有する在庫管理システムに用いられる在庫管理方法であって、
所定の記憶領域に記憶された時系列データを用いて決定された複数の前記ARIMAモデルから、該ARIMAモデルを用いた第1の予測値を前記変動値予測部によりそれぞれ算出する第1の予測手順と、
前記第1の予測手順により算出された第1の予測値を用いて、前記ARIMAモデル毎に第1の指標値と第2の指標値とを算出する指標値算出手順と、
前記指標値算出手順により算出された第1の指標値と第2の指標値とに基づき複数の前記ARIMAモデルから一のARIMAモデルを選択するモデル選択手順と、
前記モデル選択手順により選択された前記一のARIMAモデルを用いて、前記時系列データの将来の予測値である第2の予測値を前記変動値予測部により算出する第2の予測手順と、
を有し、
前記時系列データは、所定の商品の販売量を示す実績値の時系列データであり、
前記第1の指標値は、前記第1の予測値と前記時系列データの対応する実績値との誤差に基づく累積誤差方式により算出された第1の平均在庫であり、
前記第2の指標値は、前記第1の予測値と前記時系列データの対応する実績値との誤差と、前記商品のリードタイムとに基づく誤差調整方式により算出された第2の平均在庫である、在庫管理方法。 - コンピュータを、
ARIMAモデルを用いて変動値の時系列データから将来の予測値を出力する変動値予測部を有する在庫管理システムとして機能させるためのプログラムであって、
所定の記憶領域に記憶された時系列データを用いて決定された複数の前記ARIMAモデルから、該ARIMAモデルを用いた第1の予測値を前記変動値予測部によりそれぞれ算出する第1の予測手段、
前記第1の予測手段により算出された第1の予測値を用いて、前記ARIMAモデル毎に第1の指標値と第2の指標値とを算出する指標値算出手段、
前記指標値算出手段により算出された第1の指標値と第2の指標値とに基づき複数の前記ARIMAモデルから一のARIMAモデルを選択するモデル選択手段、
前記モデル選択手段により選択された前記一のARIMAモデルを用いて、前記時系列データの将来の予測値である第2の予測値を前記変動値予測部により算出する第2の予測手段、
として機能させ、
前記時系列データは、所定の商品の販売量を示す実績値の時系列データであり、
前記第1の指標値は、前記第1の予測値と前記時系列データの対応する実績値との誤差に基づく累積誤差方式により算出された第1の平均在庫であり、
前記第2の指標値は、前記第1の予測値と前記時系列データの対応する実績値との誤差と、前記商品のリードタイムとに基づく誤差調整方式により算出された第2の平均在庫である、プログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014169287A JP5698860B1 (ja) | 2014-08-22 | 2014-08-22 | 在庫管理システム、在庫管理方法、及びプログラム |
US14/680,470 US20160055440A1 (en) | 2014-08-22 | 2015-04-07 | Fluctuation value forecasting system, stock management system, and fluctuation value forecasting method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014169287A JP5698860B1 (ja) | 2014-08-22 | 2014-08-22 | 在庫管理システム、在庫管理方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP5698860B1 true JP5698860B1 (ja) | 2015-04-08 |
JP2016044029A JP2016044029A (ja) | 2016-04-04 |
Family
ID=52837060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014169287A Active JP5698860B1 (ja) | 2014-08-22 | 2014-08-22 | 在庫管理システム、在庫管理方法、及びプログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US20160055440A1 (ja) |
JP (1) | JP5698860B1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020197838A (ja) * | 2019-05-31 | 2020-12-10 | キヤノンマーケティングジャパン株式会社 | 情報処理装置、制御方法、プログラム |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6130977B1 (ja) * | 2016-05-24 | 2017-05-17 | 三井情報株式会社 | 情報処理装置、情報処理方法、情報処理システム及びプログラム |
JP6713963B2 (ja) * | 2017-08-09 | 2020-06-24 | 株式会社日立製作所 | サプライチェーン業務シミュレーションの初期在庫情報生成方法及び装置 |
JP6837949B2 (ja) * | 2017-09-08 | 2021-03-03 | 株式会社日立製作所 | 予測システム及び方法 |
CN109934370B (zh) * | 2017-12-15 | 2024-03-05 | 中国农业大学 | 一种鱼类存活率预测方法及装置 |
JP7140410B2 (ja) * | 2018-03-30 | 2022-09-21 | Necソリューションイノベータ株式会社 | 予測システム、予測方法および予測プログラム |
US10685283B2 (en) | 2018-06-26 | 2020-06-16 | Sas Institute Inc. | Demand classification based pipeline system for time-series data forecasting |
US10560313B2 (en) * | 2018-06-26 | 2020-02-11 | Sas Institute Inc. | Pipeline system for time-series data forecasting |
CN109272276B (zh) * | 2018-09-29 | 2020-10-27 | 石化盈科信息技术有限责任公司 | 一种库存补货管理方法以及装置 |
KR102264013B1 (ko) * | 2019-04-09 | 2021-06-11 | 카페24 주식회사 | 상품 판매량 예측 방법, 장치 및 시스템 |
CN112446570B (zh) * | 2019-08-30 | 2024-04-19 | 顺丰科技有限公司 | 一种库存健康度指标构建方法、系统、设备、存储介质 |
JP7387422B2 (ja) | 2019-12-24 | 2023-11-28 | 株式会社東芝 | 発注推奨システム、発注推奨方法、およびプログラム |
CN113298546A (zh) * | 2020-05-29 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 销量预测方法及装置、商品处理方法及装置 |
CN116720811B (zh) * | 2023-08-10 | 2023-11-28 | 山东水发大正物联科技有限公司 | 一种基于物联网的仓储库管理方法及系统 |
CN117709855A (zh) * | 2024-01-05 | 2024-03-15 | 东莞益海嘉里粮油食品工业有限公司 | 一种智能仓储货架及控制系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0744631A (ja) * | 1993-06-29 | 1995-02-14 | Olympus Optical Co Ltd | 在庫自動調整システム及び在庫自動調整方法 |
JP2001014295A (ja) * | 1999-06-30 | 2001-01-19 | Sumitomo Metal Ind Ltd | データ予測方法、データ予測装置及び記録媒体 |
JP2006085646A (ja) * | 2004-09-17 | 2006-03-30 | Canon System Solutions Inc | 予測モデル選択装置及び予測モデル選択方法並びにプログラム |
JP2010122825A (ja) * | 2008-11-18 | 2010-06-03 | Osaka Prefecture Univ | データ予測装置、データ予測方法、データ予測プログラム |
JP4981976B1 (ja) * | 2011-01-27 | 2012-07-25 | 有限会社アールファイブ | 変動値予測システム、在庫管理システム、プログラム、記憶媒体 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0770967A3 (en) * | 1995-10-26 | 1998-12-30 | Koninklijke Philips Electronics N.V. | Decision support system for the management of an agile supply chain |
US7881986B1 (en) * | 2005-03-10 | 2011-02-01 | Amazon Technologies, Inc. | Method and system for event-driven inventory disposition |
-
2014
- 2014-08-22 JP JP2014169287A patent/JP5698860B1/ja active Active
-
2015
- 2015-04-07 US US14/680,470 patent/US20160055440A1/en not_active Abandoned
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0744631A (ja) * | 1993-06-29 | 1995-02-14 | Olympus Optical Co Ltd | 在庫自動調整システム及び在庫自動調整方法 |
JP2001014295A (ja) * | 1999-06-30 | 2001-01-19 | Sumitomo Metal Ind Ltd | データ予測方法、データ予測装置及び記録媒体 |
JP2006085646A (ja) * | 2004-09-17 | 2006-03-30 | Canon System Solutions Inc | 予測モデル選択装置及び予測モデル選択方法並びにプログラム |
JP2010122825A (ja) * | 2008-11-18 | 2010-06-03 | Osaka Prefecture Univ | データ予測装置、データ予測方法、データ予測プログラム |
JP4981976B1 (ja) * | 2011-01-27 | 2012-07-25 | 有限会社アールファイブ | 変動値予測システム、在庫管理システム、プログラム、記憶媒体 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020197838A (ja) * | 2019-05-31 | 2020-12-10 | キヤノンマーケティングジャパン株式会社 | 情報処理装置、制御方法、プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2016044029A (ja) | 2016-04-04 |
US20160055440A1 (en) | 2016-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5698860B1 (ja) | 在庫管理システム、在庫管理方法、及びプログラム | |
Singh et al. | Obsolescence driven design refresh planning for sustainment-dominated systems | |
WO2010146819A1 (ja) | 部品発注量決定装置および部品発注量決定プログラム | |
JP2019192002A (ja) | 在庫管理装置、在庫管理方法及びプログラム | |
EP3850441B1 (en) | Industrial bottleneck detection and management method and system | |
US20200311749A1 (en) | System for Generating and Using a Stacked Prediction Model to Forecast Market Behavior | |
WO2023044426A1 (en) | Ai-based hyperparameter tuning in simulation-based optimization | |
WO2016205153A1 (en) | Incremental estimation for probabilistic forecaster | |
Lödding et al. | Modelling schedule reliability | |
JP2016099739A (ja) | 発注量決定装置、発注量決定方法および発注量決定プログラム | |
US20170236221A1 (en) | System and methods for visualization of supply chain and data processing of related tasks and events | |
US20140278707A1 (en) | Commodity Procurement System | |
US10896388B2 (en) | Systems and methods for business analytics management and modeling | |
JP4339769B2 (ja) | 予測モデル選択装置及び予測モデル選択方法並びにプログラム | |
WO2013061324A2 (en) | A method for estimating the total cost of ownership (tcp) for a requirement | |
EP2702481A1 (en) | Method and system for hierarchical forecasting | |
US20140236667A1 (en) | Estimating, learning, and enhancing project risk | |
JP2006092106A (ja) | 予測装置及び予測方法並びにプログラム | |
JP2006331312A (ja) | データ予測装置、データ予測プログラム | |
JP2014016805A (ja) | 生産計画調整支援装置、生産計画調整支援方法、および生産計画調整支援プログラム | |
JP6690882B2 (ja) | 資金繰り情報提供装置、資金繰り情報提供方法及び資金繰り情報提供プログラム | |
JP2006171856A (ja) | 在庫補充計画システム、在庫補充計画方法、および在庫補充計画プログラム | |
US20170337489A1 (en) | Method and system for facilitating a simulation of a business | |
WO2024069734A1 (ja) | 情報処理装置、情報処理方法及びプログラム | |
US11526844B2 (en) | System and method for optimizing inventory management |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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: 20150203 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20150213 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5698860 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |