JP6451894B2 - 商品需要予測システム、商品需要予測方法および商品需要予測プログラム - Google Patents

Description

本発明は、商品の需要を予測する商品需要予測システム、商品需要予測方法および商品需要予測プログラムに関する。

過去の商品の取引実績に基づいて予測モデルを学習し、その予測モデルに基づいて将来の需要予測を行う方法が広く知られている。例えば、過去の売上実績、店舗営業時間、キャンペーン情報および気象情報などのデータと商品の需要量とを含む学習データに基づいて予測モデルを作成し、作成された予測モデルに予測する日の説明変数値を代入することで予測値が得られる。

一方、新商品のように過去に取引実績がない場合、その商品についての学習データが存在しないため、上述する方法で予測モデルを作成することはできない。そこで、発売前に需要実績に関する情報がない場合でも需要予測を行う方法が提案されている。

例えば、特許文献１には、過去の需要データがない新商品の需要予測を行うシステムが記載されている。特許文献１に記載されたシステムは、新商品と類似する商品を選択し、類似商品の過去の需要量から新商品のベース需要量を算出して、新商品の発売開始日以降の需要量を求める。

特開２０１５−３２０３４号公報

しかし、特許文献１に記載されたシステムでは、予測対象の新商品と、過去の需要データが存在する商品とが、互いに類似するか否かの判断が人間の主観に依存し、その判断基準が自明ではない。すなわち、特許文献１に記載されたシステムでは、ある商品に類似する商品の入力をユーザから受け付けて類似商品としているが、その類否判断の方法は不明である。そのため、類似するか否かの判断が、例えば、熟練のマーケット担当者による過去の経験や勘などの主観に依存してしまうと言う問題がある。

また、同一の商品の実績データが存在しない場合、予測モデルを学習する際には、新商品に類似する過去の商品群の実績データを纏めて予測モデルを学習することが考えられる。しかし、どの商品を類似する商品群として纏めるかも自明ではないため、やはり、予測モデルの精度が経験者の主観に依存してしまうと言う問題もある。

そこで、本発明は、学習データが存在しない商品の需要予測精度を向上させることができる商品需要予測システム、商品需要予測方法および商品需要予測プログラムを提供することを目的とする。

本発明による商品需要予測システムは、商品の販売開始からの経過期間と、商品の名称に含まれる単語と、販売開始以降の商品の需要数量とを含む学習データに基づいて、予測モデルを学習する学習器と、学習データの存在しない商品である対象商品の需要数量を予測する予測器とを備え、予測器が、予測モデルおよび対象商品に含まれる単語に基づいて、予測対象期間における対象商品の需要数量を予測することを特徴とする。

本発明による他の商品需要予測システムは、過去の需要数量を含む学習データが存在しない商品である対象商品の需要数量を予測する商品需要予測システムであって、過去に販売された対象商品とは異なる商品の販売開始からの経過期間と、その商品の名称に含まれる単語と、販売開始以降のその商品の需要数量とを含む学習データに基づいて学習された予測モデル、および、対象商品に含まれる単語に基づいて、予測対象期間における対象商品の需要数量を予測する予測器を備えたことを特徴とする。

本発明による商品需要予測方法は、商品の販売開始からの経過期間と、商品の名称に含まれる単語と、販売開始以降の商品の需要数量とを含む学習データに基づいて、予測モデルを学習し、予測モデル、および、学習データの存在しない商品である対象商品に含まれる単語に基づいて、予測対象期間におけるその対象商品の需要数量を予測することを特徴とする。

本発明による他の商品需要予測方法は、過去の需要数量を含む学習データが存在しない商品である対象商品の需要数量を予測する商品需要予測方法であって、過去に販売された対象商品とは異なる商品の販売開始からの経過期間と、その商品の名称に含まれる単語と、販売開始以降のその商品の需要数量とを含む学習データに基づいて学習された予測モデル、および、対象商品に含まれる単語に基づいて、予測対象期間における対象商品の需要数量を予測することを特徴とする。

本発明による商品需要予測プログラムは、コンピュータに、商品の販売開始からの経過期間と、商品の名称に含まれる単語と、販売開始以降の商品の需要数量とを含む学習データに基づいて、予測モデルを学習する学習処理、および、学習データの存在しない商品である対象商品の需要数量を予測する予測処理を実行させ、予測処理で、予測モデルおよび対象商品に含まれる単語に基づいて、予測対象期間における対象商品の需要数量を予測させることを特徴とする。

本発明による他の商品需要予測プログラムは、過去の需要数量を含む学習データが存在しない商品である対象商品の需要数量を予測するコンピュータに適用される商品需要予測プログラムであって、コンピュータに、過去に販売された対象商品とは異なる商品の販売開始からの経過期間と、その商品の名称に含まれる単語と、販売開始以降のその商品の需要数量とを含む学習データに基づいて学習された予測モデル、および、対象商品に含まれる単語に基づいて、予測対象期間における対象商品の需要数量を予測する予測処理を実行させることを特徴とする。

本発明によれば、学習データが存在しない商品の需要予測精度を向上させることができる。

本発明による商品需要予測システムの一実施形態の構成例を示すブロック図である。 学習データの例を示す説明図である。 学習データの他の例を示す説明図である。 第１の実施形態の動作例を示すフローチャートである。 予測モデルの例を示す説明図である。 学習データのさらに他の例を示す説明図である。 本発明による商品需要予測システムの概要を示すブロック図である。 本発明による商品需要予測システムの他の概要を示すブロック図である。

例えば、新商品は過去に販売実績がないため、その商品の販売実績から予測モデルを作成ることはできない。そこで、発明者は、新商品のそのものの過去の販売実績ではなく、新商品の名称に含まれる単語に着目し、その単語を含む商品の過去の販売実績を利用するとの着想を得た。具体的には、本願発明では、商品の名称に含まれる単語（より具体的には、各単語が各商品に含まれているか否か）を説明変数とし、商品の需要数量（例えば、取引数、販売数、注文数など）を予測する。以下、本発明の実施形態を図面を参照して説明する。

実施形態１．
図１は、本発明による商品需要予測システムの第１の実施形態の構成例を示すブロック図である。本実施形態の商品需要予測システム１００は、記憶部１０と、学習器２０と、予測器３０と、出力部４０とを備えている。

記憶部１０は、後述する学習器２０が予測モデルの作成に用いる学習データを記憶する。記憶部１０は、例えば、磁気ディスク装置等により実現される。後述する学習器２０と記憶部１０とは、有線または無線ＬＡＮ（Local Area Network）を介して接続されていてもよく、インターネットを介して接続されていてもよい。

予測モデルは、説明変数と目的変数の相関関係を表す情報である。予測モデルは、例えば、説明変数に基づいて目的とする変数を算出することにより予測対象の結果を予測するためのコンポーネントである。予測モデルは、「モデル」、「学習モデル」、「推定モデル」、「予測式」または「推定式」などと記載されることもある。

記憶部１０は、商品の販売開始からの経過期間と、商品の名称に含まれる単語と、販売開始以降の商品の需要数量とを含む学習データを記憶する。例えば、日単位で需要数量が管理される場合、記憶部１０は、商品の販売開始日からの経過日数と、商品の名称に含まれる単語と、販売開始日以降の商品の需要数量とを含む学習データを記憶する。以下、学習データに含まれる需要数量の集計期間の単位を単位期間と記すこともある。例えば、日単位の学習データが存在する場合、単位期間は１日になる。

本実施形態の具体例として、ある工場が新商品をどの程度製造すべきかを需要数量として予測することを想定する。製造すべき数量を予測できれば、その工場で新商品の製造に必要な原材料を予測することも可能になる。学習データには、例えば、店舗で過去に取得された新商品の売上データ（例えば、ＰＯＳ（Point of sale ）データ）が用いられる。例えば、「弁当」が新商品の場合、過去の売上データのうち、弁当の売上データを学習データに用いることが好ましい。また、新商品の売上傾向を予測するため、発売日から一定の期間（例えば、１〜７日目）のデータが用いられる。

また、需要とは、ある工場における各店舗の需要だけでなく、店舗からみた顧客の需要をも意味する。例えば、ある店舗の１日の弁当の販売数が１０個の場合、店舗の観点では、その日の弁当の需要数量は１０個になる。また、ある地域内に存在する１００店舗に卸す１日の弁当の数がそれぞれ１０個の場合、工場の観点では、その日の弁当の需要数量は１０００個になる。

本実施形態では、商品の名称に含まれる単語が説明変数として用いられるため、記憶部１０は、説明変数として用いられる単語が各商品に含まれるか否かを記憶する。本実施形態では、記憶部１０は、予測の対象とする商品（以下、対象商品と記す。）の学習データを記憶していないものとする。対象商品の例として、新商品や、既存の商品のうち今まで扱っていなかった商品などが挙げられる。

図２は、記憶部１０が記憶する学習データの例を示す説明図である。図２では、過去に販売された商品の販売開始日からの経過日数、その商品の名称に含まれる単語、および、販売開始日以降の各経過日における商品の需要数量を含む学習データを例示している。図２に例示する取引実績数（需要数量）は、例えば、各店舗の売上数量や発注数の合算値である。

図２に示す例では、変数１が、販売開始日からの経過日数を表わし、また、変数２〜変数５が、予め定めた単語が商品名に含まれるか否か（含まれる場合に１、含まれない場合に０）を表わす。図２に示す例では、変数２が『商品名に「幕の内」を含むか否か（含む場合に１、含まない場合に０。以下、同様。）』、変数３が『商品名に「和風」を含むか否か』、変数４が『商品名に「季節」を含むか否か』、変数５が『商品名に「生姜」を含むか否か』をそれぞれ表わす。また、取引実績数が需要数量を表わす。

例えば、図２に例示する表の１行目は、店舗ＩＤ＝Ｓ１０１で識別される店舗において、販売開始日から１日目の商品ＩＤ＝Ｐ１０１で識別される商品「豪華和風幕の内弁当」の需要数量が１１８０個であったことを示す。また、「豪華和風幕の内弁当」には、単語「豪華」、「和風」「幕の内」および「弁当」が含まれているため、対応する変数２および変数３に１が設定される。

なお、記憶部１０は、商品の名称に含まれる単語そのものを記憶していてもよい。また、記憶部１０が商品の名称のみを記憶し、利用する側に形態素解析などの方法を用いて、商品名から単語を抽出させてもよい。ただし、後述する学習処理を高速化するため、記憶部１０は、説明変数に対応する単語が含まれているか否かを記憶することが好ましい。

また、図２に示す例では、学習データが、商品の販売開始日からの経過日数、その商品の名称に含まれる単語、および、販売開始日以降の各経過日における商品の需要数量を含む場合を例示しているが、学習データには、その他の変数を含んでいてもよい。その他の変数として、各経過日の特性を示す情報や、各商品の特性を示す情報などが挙げられる。経過日の特性を示す情報としては、例えば、販売開始日からの経過日数に占める休日の割合などが考えられる。商品の特性を示す情報としては、例えば、当該商品に含まれる栄養素の量を示す情報などが考えられる。

図３は、学習データの他の例を示す説明図である。図３では、過去に販売された商品の販売開始日からの経過日数、その商品の名称に含まれる単語、販売開始日以降の各経過日における商品の需要数量、各経過日の特性を示す情報、および、商品の特性を示す情報を含む学習データを例示している。具体的には、図３に示す例では、図２に示す例に加え、変数６〜８が追加されている。

変数６は、各経過日の特性を示す情報として、その日が休日か否か（休日の場合に１、休日でない場合に０）を表わす。また、各商品の特性を示す情報として、変数７は商品の価格を表わし、変数８は商品のカロリーを表わす。

各経過日の特性を示す情報や、各商品の特性を示す情報は、必ずしも学習データに含まれていなくてもよい。ただし、これらの変数を考慮して予測モデルを作成するほうが、予測精度が高くなるため、より好ましい。

また、各経過日の特性を示す情報は、経過日が休日か否かを表わす情報に限定されない。各経過日の特性を示す情報として、例えば、曜日、連休か否か、月の何週目か、などの情報を含んでいてもよい。これらの情報も予測モデルの説明変数として利用される。

また、各商品を分類するため、学習データは、その商品の分類を示す情報を含んでいてもよい。例えば、商品が食品の場合、学習データは、「肉」や「魚」が含まれるか否かを示す情報や、「米飯」または「パン」であることを示す情報を含んでいてもよい。例えば、商品「満腹ロース生姜焼き弁当」は、「肉」を含む「米飯」であることから、学習データは、「肉」を含むこと、「米飯」であることを示す変数を含んでいてもよい。また、学習データは、分類を階層的に示す情報を含んでいてもよい。学習データは、例えば、「肉＞豚肉」のような階層的な分類情報を含んでいてもよい。

学習器２０は、上述する学習データに基づいて予測モデルを作成する。具体的には、学習器２０は、需要数量を目的変数とし、学習データに含まれる変数（情報）を説明変数とする１つの予測モデルを作成する。予測モデルの作成方法は任意である。学習器２０は、一般的に知られて方法を用いて予測モデルを作成すればよい。予測モデルの作成方法は広く知られているため、詳細な説明を省略する。

予測器３０は、対象商品（すなわち、上述する学習データの存在しない商品）の需要数量を予測する。具体的には、予測器３０は、学習器２０により作成された予測モデルおよび対象商品に含まれる単語に基づいて、予測対象期間における対象商品の需要数量を予測する。

予測対象期間における対象商品の需要数量として、例えば、販売開始時から所定期間経過するまで（販売初日からＭ日目まで）の総需要数量や、販売開始時から所定期間経過した日の１日（Ｎ日目）の需要数量、販売開始時から所定期間経過した後の一定期間（Ｎ日目からＭ日目まで）内の総需要数量などが考えられる。

以下、図３で例示した説明変数を用いた場合の予測方法を、具体例を示しながら説明する。ここでは、新発売商品「季節の野菜サンド生姜風味」について、販売開始からの需要数量を予測するものとする。

図３に例示する学習データの変数を用いた予測モデルは、例えば、以下に例示する式１で表される。ここで、ｆは予測式を表わす任意の関数である。
需要数量Ｄ＝ｆ（変数１、変数２、…、変数７、変数８） ・・・（式１）

以下、販売開始から２日目の需要数量を予測する場合について説明する。ここで、予測日は休日であるとし、新発売商品の価格が３００円、カロリーが１０００ｋｃａｌであるとする。新発売開始から２日目の取引数を予測するため、変数１＝２になる。また、新発売商品「季節の野菜サンド生姜風味」には、「季節」、「野菜」、「サンド」、「生姜」および「風味」が含まれているため、変数２＝０、変数３＝０、変数４＝１、変数５＝１になる。なお、助詞である「の」を単語の候補に含めてもよい。予測日が休日であることから、変数６＝１になる。また、価格が３００円であり、カロリーが１０００ｋｃａｌであるため、変数７＝３００、変数８＝１０００になる。予測器３０は、これらの変数を上記に示す式１に代入することで、２日目の需要数量Ｄを予測する。

販売開始時から所定期間経過した後の一定期間内の総需要数量を算出する場合も同様である。例えば、販売開始の２日目から５日目までの総需要数量を算出する場合、予測器３０は、２日目の需要数量を予測する場合と同様に、３日目、４日目および５日目の需要数量をそれぞれ算出し、各日の需要数量を加算して総需要数量を算出すればよい。販売開始時から所定期間経過するまでの総需要数量を算出する場合も同様である。

出力部４０は、予測器３０による予測結果を出力する。出力部４０は、例えば、ディスプレイ装置により実現される。

学習器２０と、予測器３０とは、プログラム（商品需要予測プログラム）に従って動作するコンピュータのＣＰＵによって実現される。例えば、プログラムは、記憶部１０に記憶され、ＣＰＵは、そのプログラムを読み込み、プログラムに従って、学習器２０および予測器３０として動作してもよい。また、商品需要予測システムの機能がＳａａＳ（Software as a Service ）形式で提供されてもよい。

また、学習器２０と、予測器３０とは、それぞれが専用のハードウェアで実現されていてもよい。また、各装置の各構成要素の一部又は全部は、汎用または専用の回路（circuitry ）、プロセッサ等やこれらの組合せによって実現されもよい。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。各装置の各構成要素の一部又は全部は、上述した回路等とプログラムとの組合せによって実現されてもよい。

また、各装置の各構成要素の一部又は全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントアンドサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。

次に、本実施形態の商品需要予測システムの動作を説明する。図４は、第１の実施形態の商品需要予測システム１００の動作例を示すフローチャートである。

学習器２０は、学習データに基づいて予測モデルを学習する（ステップＳ１１）。予測器３０は、予測モデルおよび対象商品に含まれる単語に基づいて、予測対象期間における対象商品の需要数量を予測する（ステップＳ１２）。

以上のように、本実施形態では、学習器２０が、商品の販売開始からの経過期間と、商品の名称に含まれる単語と、販売開始以降の商品の需要数量とを含む学習データに基づいて、予測モデルを学習する。そして、予測器３０が、学習データの存在しない商品（すなわち、対象商品）の需要数量を予測する。具体的には、予測器３０は、予測モデルおよび対象商品に含まれる単語に基づいて、予測対象期間における対象商品の需要数量を予測する。そのような構成により、学習データが存在しない商品の需要予測精度を向上させることができる。

すなわち、本実施形態の商品需要予測システムでは、商品の名称という客観的な情報に基づいて予測モデルが作成される。そのため、主観に依存しない予測が可能になり、需要予測精度を向上させることができる。また、本実施形態のように商品の名称に着目した予測は、新商品を見た消費者が見た目でその商品を判断する観点とも一致する。

また、例えば、新商品を製造する工場の観点では、新商品の発売前に必要となる原材料量を事前に把握できるため、原材料の過不足が発生するリスクを抑えることが可能になる。また、新商品を販売する店舗の観点では、新商品の在庫を抱えたり、機会損失が発生したりといったリスクを抑えることが可能になる。

次に、第１の実施形態の変形例を説明する。第１の実施形態では、予測モデルが式１で例示するような１つの予測式で表される場合について例示した。一方、予測モデルは、１つの予測式で表される態様に限定されない。学習器２０は、対象商品を特定する変数の値に応じて予測式が決定される予測モデルを作成してもよい。そして、予測器３０は、作成された予測モデルから対象商品を特定する変数の値に応じて予測式を特定し、特定された予測式を用いて対象商品の需要数量を予測してもよい。

図５は、対象商品を特定する変数の値に応じて予測式が決定される予測モデルの例を示す説明図である。図５では、選択される予測式が木構造で表される予測モデルを例示している。図５に示す例では、対象商品の価格が３００円未満の場合に予測式１、３００円以上の場合に予測式２が用いられることを示す。

実施形態２．
次に、本実施形態の第２の実施形態を説明する。本実施形態の商品需要予測システムの構成は、第１の実施形態の構成と同様である。第１の実施形態では、ある工場が新商品をどの程度を製造すべきかを需要数量として予測することを想定した。本実施形態では、店舗の属性を考慮した需要数量を予測する場合について説明する。店舗の属性には、例えば、個々の店舗を特定する情報（例えば、店舗の種類やチェーン店に関する情報など）、その店舗が属する地域（例えば、関東地区、関西地区、東京都、など）が含まれる。

図６は、記憶部１０が記憶する学習データのさらに他の例を示す説明図である。図６に例示する学習データは、図３に例示する変数１〜８に加え、店舗の属性として、販売地域を示す変数９が追加されている。例えば、関東地区の場合、変数９＝１になり、関西地区の場合、変数９＝２になる。

学習器２０は、需要数量を目的変数とし、店舗の属性を表わす変数を説明変数に含む１つの予測モデルを作成する。すなわち、本実施形態では、学習器２０は、店舗や地域ごとに予測モデルを作成するのではなく、これらの店舗の属性を説明変数に含む予測モデルを作成する。

例えば、新規出店エリアや店舗そのものが少ない地域では、新商品の学習データを大量に収集するのは難しい。しかし、本実施形態では、作成する予測モデルを１つとすることで、学習器２０が、大量に存在する他の地域の学習データも用いることができるため、学習データの少ない地域についても需要予測の精度を向上させることができる。

なお、予測器３０が予測をする方法は、第１の実施形態と同様である。例えば、図６に例示する学習データの変数を用いた予測モデルは、以下に例示する式２で表される。ここで、ｇは予測式を表わす任意の関数である。
需要数量Ｄ＝ｇ（変数１、変数２、…、変数７、変数８、変数９） ・・・（式２）

以下、ある商品の関西地区の販売開始から２日目の需要数量を予測する場合について説明する。第１の実施形態と同様に、発売開始からの経過期間、単語の有無、価格、カロリーに基づいて変数１〜８の値が設定される。さらに、関西地区の需要数量を予測するため、変数９＝２になる。予測器３０は、これらの変数を上記に示す式２に代入することで、２日目の需要数量Ｄを予測する。

以上のように、本実施形態では、学習器２０が、需要数量を目的変数とし、店舗の属性を表わす変数を説明変数に含む１つの予測モデルを作成する。よって、第１の実施形態の効果に加え、地域ごとの需要予測を行うことが可能になる。また、作成する予測モデルを１つとすることで、学習データの少ない地域についても需要予測の精度を向上させることができる。

次に、本発明の概要を説明する。図７は、本発明による商品需要予測システムの概要を示すブロック図である。本発明による商品需要予測システム８０（例えば、商品需要予測システム１００）は、商品の販売開始からの経過期間（例えば、販売開始日からの経過日数）と、商品の名称に含まれる単語と、販売開始以降の商品の需要数量とを含む学習データに基づいて、予測モデルを学習する学習器８１（例えば、学習器２０）と、学習データの存在しない商品である対象商品の需要数量（例えば、発注数など）を予測する予測器８２（例えば、予測器３０）とを備えている。

予測器８２は、予測モデルおよび対象商品に含まれる単語に基づいて、予測対象期間における対象商品の需要数量を予測する。

そのような構成により、学習データが存在しない商品の需要予測精度を向上させることができる。

また、学習器８１は、需要数量を目的変数とし、店舗の属性を表わす変数を説明変数に含む１つの予測モデルを作成してもよい。そのような構成によれば、店舗の観点で需要予測を行うことが可能になる。また、作成する予測モデルを１つとすることで、学習データの少ない地域についても需要予測の精度を向上させることができる。

また、学習器８１は、商品の販売開始からの所定の期間経過時の特性（例えば、販売開始日からの経過日の特性。休日か否か、など）を示す情報、および、商品の特性を示す情報（例えば、価格など）の少なくとも１つを含む学習データに基づいて、予測モデルを学習してもよい。そのような構成によれば、販売日や商品の特性を考慮した予測が可能になる。

具体的には、予測器８２は、販売開始時から所定期間経過するまでの総需要数量、販売開始時から所定期間経過後の単位期間の需要数量、または、販売開始時から所定期間経過した後の一定期間内の総需要数量を予測してもよい。また、説明変数として、例えば商品名における単語の位置を含む情報を説明変数としてもよい。例えば、ある単語が商品名の先頭に含まれているか否か、ある単語が商品名の語尾に含まれているか否か、といった情報を説明変数としてもよい。

また、学習器８１は、対象商品を特定する変数の値に応じて予測式が決定される予測モデルを作成してもよい。そして、予測器８２は、作成された予測モデルから対象商品を特定する変数の値に応じて予測式を特定し、特定された予測式を用いて対象商品の需要数量を予測してもよい。

具体的には、学習データの存在しない商品は、新発売商品であってもよい。

図８は、本発明による商品需要予測システムの他の概要を示すブロック図である。図８に例示する商品需要予測システムは、過去の需要数量を含む学習データが存在しない商品である対象商品の需要数量を予測する商品需要予測システム９０（例えば、商品需要予測システム１００）であって、過去に販売された対象商品とは異なる商品の販売開始からの経過期間と、その商品の名称に含まれる単語と、販売開始以降のその商品の需要数量とを含む学習データに基づいて学習された予測モデル、および、対象商品に含まれる単語に基づいて、予測対象期間における対象商品の需要数量を予測する予測器９１（例えば、予測器３０）を備えている。

そのような構成によっても、学習データが存在しない商品の需要予測精度を向上させることができる。

１０ 記憶部
２０ 学習器
３０ 予測器
４０ 出力部
１００ 商品需要予測システム

Claims (10)

1. 商品の販売開始からの経過期間と、前記商品の名称に含まれる単語と、前記販売開始以降の前記商品の需要数量とを含む学習データに基づいて、予測モデルを学習する学習器と、
   前記学習データの存在しない商品である対象商品の需要数量を予測する予測器とを備え、
   前記予測器は、前記予測モデルおよび前記対象商品に含まれる単語に基づいて、予測対象期間における前記対象商品の需要数量を予測する
   ことを特徴とする商品需要予測システム。
2. 学習器は、需要数量を目的変数とし、店舗の属性を表わす変数を説明変数に含む１つの予測モデルを作成する
   請求項１記載の商品需要予測システム。
3. 学習器は、商品の販売開始からの所定の期間経過時の特性を示す情報、および、商品の特性を示す情報の少なくとも１つを含む学習データに基づいて、予測モデルを学習する
   請求項１または請求項２記載の商品需要予測システム。
4. 予測器は、販売開始時から所定期間経過するまでの総需要数量、販売開始時から所定期間経過後の単位期間の需要数量、または、販売開始時から所定期間経過した後の一定期間内の総需要数量を予測する
   請求項１から請求項３のうちのいずれか１項に記載の商品需要予測システム。
5. 学習器は、対象商品を特定する変数の値に応じて予測式が決定される予測モデルを作成し、
   予測器は、作成された予測モデルから対象商品を特定する変数の値に応じて予測式を特定し、特定された予測式を用いて対象商品の需要数量を予測する
   請求項１から請求項４のうちのいずれか１項に記載の商品需要予測システム。
6. 過去の需要数量を含む学習データが存在しない商品である対象商品の需要数量を予測する商品需要予測システムであって、
   過去に販売された前記対象商品とは異なる商品の販売開始からの経過期間と、当該商品の名称に含まれる単語と、前記販売開始以降の当該商品の需要数量とを含む学習データに基づいて学習された予測モデル、および、前記対象商品に含まれる単語に基づいて、予測対象期間における前記対象商品の需要数量を予測する予測器を備えた
   ことを特徴とする商品需要予測システム。
7. 商品の販売開始からの経過期間と、前記商品の名称に含まれる単語と、前記販売開始以降の前記商品の需要数量とを含む学習データに基づいて、予測モデルを学習し、
   前記予測モデル、および、前記学習データの存在しない商品である対象商品に含まれる単語に基づいて、予測対象期間における当該対象商品の需要数量を予測する
   ことを特徴とする商品需要予測方法。
8. 過去の需要数量を含む学習データが存在しない商品である対象商品の需要数量を予測する商品需要予測方法であって、
   過去に販売された前記対象商品とは異なる商品の販売開始からの経過期間と、当該商品の名称に含まれる単語と、前記販売開始以降の当該商品の需要数量とを含む学習データに基づいて学習された予測モデル、および、前記対象商品に含まれる単語に基づいて、予測対象期間における前記対象商品の需要数量を予測する
   ことを特徴とする商品需要予測方法。
9. コンピュータに、
   商品の販売開始からの経過期間と、前記商品の名称に含まれる単語と、前記販売開始以降の前記商品の需要数量とを含む学習データに基づいて、予測モデルを学習する学習処理、および、
   前記学習データの存在しない商品である対象商品の需要数量を予測する予測処理を実行させ、
   前記予測処理で、前記予測モデルおよび前記対象商品に含まれる単語に基づいて、予測対象期間における前記対象商品の需要数量を予測させる
   ための商品需要予測プログラム。
10. 過去の需要数量を含む学習データが存在しない商品である対象商品の需要数量を予測するコンピュータに適用される商品需要予測プログラムであって、
    前記コンピュータに、
    過去に販売された前記対象商品とは異なる商品の販売開始からの経過期間と、当該商品の名称に含まれる単語と、前記販売開始以降の当該商品の需要数量とを含む学習データに基づいて学習された予測モデル、および、前記対象商品に含まれる単語に基づいて、予測対象期間における前記対象商品の需要数量を予測する予測処理
    を実行させるための商品需要予測プログラム。

Images