JP6856589B2

JP6856589B2 - データ処理装置およびデータ処理方法

Info

Publication number: JP6856589B2
Application number: JP2018158551A
Authority: JP
Inventors: 有哉岡留; 文鵬魏; 敏子相薗
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2018-08-27
Filing date: 2018-08-27
Publication date: 2021-04-07
Anticipated expiration: 2038-08-27
Also published as: JP2020035011A; US20200065669A1; US11551078B2

Description

本開示は、データ処理装置に関する。

特許文献１には「ニューラルネットワークの複数のモデルを記憶しておく予測モデル１と、販売実績を獲得し、第１の時期の販売実績を処理要素として複数のモデルのニューラルネットワークにそれぞれ入力し、第１の時期以後の第２の時期の販売実績に可及的に近いデータを出力するようにそれぞれのニューラルネットワークに学習させ、学習済みのニューラルネットワークのうち、第２の時期の需要予測値として出力したデータが第２の時期の販売実績に最も近いニューラルネットワークのモデルを選択し、学習済みの該モデルのニューラルネットワークに最新の販売実績を入力して需要を予測する予測エンジン２とを設ける」ことが記載されている。

特開平１０−１４３４９０号公報

特許文献１に記載された装置はニューラルネットワークにより対象製品の販売実績から需要を予測するものである。ニューラルネットワークは学習により、対象製品の特徴量を捉え、その特徴量に適合した需要予測を行うことになる。

物流などで需要予測を行う場合、複数の対象製品の需要予測が要求されることが多い。対象製品の需要の特徴は多様である。特許文献１に記載された装置のように特徴量の抽出と需要の予測を同一のニューラルネットワークで学習する場合、様々な特徴を有する複数の対象製品の特徴量をニューラルネットワークに良好に反映するのが困難である。その結果、特徴量の捉え方に起因する需要予測の誤差を十分に低減することが困難となる。

本開示の目的は、製品の需要予測の誤差を低減したデータ処理装置を提供することにある。

本開示の一態様に係るデータ処理装置は、複数品目の需要のデータを処理するデータ処理装置であって、複数品目の需要を予測する予測モデルを生成するモデル学習部と、前記予測モデルを用いて前記複数品目の需要を予測する需要予測部と、有し、前記モデル学習部は、前記品目毎の第１のニューラルネットワークに前記品目毎の需要の実績データを入力して前記品目毎の特徴量を抽出し、前記品目毎の特徴量を合成することにより前記予測モデルである第２のニューラルネットワークを生成する。

本開示によれば、製品の需要予測の誤差を低減できる。

一実施の形態に係る倉庫管理システムの構成例を示すブロック図である。予測モデル部の構成例を示すブロック図である。予測モデル学習部の処理例を示すフローチャートである。予測モデル学習部の処理に用いられる学習用データベースの構成例を示す図である。受注予測部の処理例を示すフローチャートである。受注予測情報の一例を示す図である。受注量予測画面の一例を示す図である。在庫管理画面の一例を示す図である。人員シフト管理画面の一例を示す図である。トラック台数管理画面の一例を示す図である。

以下、一実施の形態について説明する。

図１は、倉庫管理システム１の構成例を示すブロック図である。データ処理装置の一例である倉庫管理システム１は、データベース１０と、予測モデル部１１と、予測モデル学習部１２と、受注予測部１３と、データ保存部１４と、在庫管理部１５と、人員シフト管理部１６と、トラック台数管理部１７と、を備える。

データベース１０は、予測モデル部１１に入力され得る様々な種別の情報を保持する。様々な種別の情報は、例えば、受注実績情報、商品情報、天候情報、及び地域情報を保持する。受注実績情報は、商品の過去の受注量（つまり受注実績）を含む。商品情報は、商品の品名、ジャンル及び価格等、商品に関する情報を含む。天候情報は、過去の日々の天気に関する情報（例えば、晴、曇、雨の情報）を含む。地域情報は、商品が販売されている地域に関する情報を含む。

予測モデル部１１は、入力された様々な種別の情報に応じて、受注に関する将来の情報（以下「予測受注情報」という）を出力する。予測モデル部１１の予測精度は、予測モデル部１１における多量のパラメータによって変化する。

予測モデル学習部１２は、データベース１０に格納されている様々な種別の情報、及び、予測モデル部１１が出力した予測受注情報等に基づいて、予測モデル部１１のパラメータを調整（最適化）する。

受注予測部１３は、予測モデル部１１を用いて、所望の予測期間における予測受注情報を算出する。例えば、受注予測部１３は、データベース１０から、所望の予測期間における様々な種別の情報を読み出して予測モデル部１１へ入力する。そして、受注予測部１３は、予測モデル部１１から出力された予測受注情報に基づいて、当該予測期間における商品等の予測受注量を算出する。受注予測部１３は、その算出した予測受注量を、データ保存部１４に格納する。このとき、受注予測部１３は、その算出した予測受注量を、予測期間に応じて、短期の予測受注量と、長期の予測受注量とに分けて、データ保存部１４に格納してもよい。例えば、受注予測部１３は、予測期間が数日の予測受注量を、短期の予測受注量として、予測期間が数週間から数か月の予測受注量を、長期の予測受注量として格納してよい。

在庫管理部１５は、データ保存部１４から予測受注量を読み出し、商品の発注量等を決定する。

人員シフト管理部１６は、データ保存部１４から予測受注量を読み出し、人員シフト等を決定する。

トラック台数管理部１７は、データ保存部１４から予測受注量を読み出し、配送トラック台数等を決定する。

図２は、予測モデル部１１の構成例を示すブロック図である。予測モデル部１１は、特徴量生成部１１０と、特徴量合成部１１１と、予測部１１２とを有する。

＜特徴量生成部＞
特徴量生成部１１０は、データベース１０から様々な種別の時系列情報を、種別を示す種別情報と共に読み出し、種別情報と時系列情報を入力として種別毎の時系列情報における特徴量を抽出する。時系列情報は、時刻の経過に伴って値（又は状態）が変化し得る情報である。時系列情報は、例えば、店舗の売上高、商品の売上数、売上額、又は受注量等の実績情報（履歴情報）である。また、時系列情報は、天候情報等である。ここで、商品の売上数等の実績情報と、天候情報とは、種別の異なる時系列情報である。例えば、店舗の売上高であれば、その時系列情報に関連する種別情報には店舗名などの店舗を識別する情報が含まれている。

特徴量生成部１１０は、種別毎の特徴量生成用ニューラルネットワーク１１０Ａを用いて、当該種別の時系列情報における特徴量を抽出する。すなわち、特徴量生成部１１０は、時系列情報の種別に応じた特徴量生成用ニューラルネットワーク１１０Ａを有する。このように、種別毎に固有のニューラルネットワーク１１０Ａを用いることにより、種別毎に顕著な特徴量を抽出することができる。

＜特徴量合成部＞
特徴量合成部１１１は、特徴量生成部１１０によって抽出された各種別の特徴量を、予測に利用できる形式の特徴量に合成する。以下、特徴量合成部１１１によって合成された特徴量を、「合成特徴量」という。特徴量合成部１１２は、所定のモジュール１１１Ａを用いて、各種別の特徴量を合成してよい。所定のモジュール１１１Ａは、入力された各種別の特徴量に重み付けを行って合成特徴量を出力するニューラルネットワークであってよい。或いは、所定のモジュール１１１Ａは、入力された各種別の特徴量を単純加算又は単純平均した結果を合成特徴量として出力するものであってよい。

＜予測部＞
予測部１１２は、ニューラルネットワーク１１２Ａを用いて予測受注量を算出し、出力する。ここで、予測部１１２は、特徴量合成部１１１によって出力された合成特徴量を用いて、ニューラルネットワーク１１２Ａの初期パラメータを決定する。そして、予測部１１２は、そのニューラルネットワーク１１２Ａを用いて、期間Ｔにおける予測受注量を算出する。期間Ｔは、予測用の情報の一例である商品情報を入力することにより定められてよい。商品情報には、或る商品の受注実績（受注履歴）及び商品名等が含まれてよい。

なお、予測モデル部１１における複数のパラメータは、予測モデル学習部１２によって調整（最適化）されてよい。例えば、予測モデル学習部１２は、或る時点から期間Ｔにおける、予測受注量と実績受注量とに基づき、誤差を算出する。そして、予測モデル学習部１２は、その誤差を、特徴量生成部１１０、特徴量合成部１１１、及び予測部１１２へフィードバック１１３する。これにより、ニューラルネットワーク１１０Ａ、１１１Ａ、１１２Ａの学習が進み、予測受注量の精度が向上する。

図３は、予測モデル学習部１２の処理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、予測モデル学習部１２は、データベース１０から、学習用データベース１０Ａ（図４参照）を作成する。例えば、予測モデル学習部１２は、データベース１０から、或る時点よりも過去の期間Ｐにおける第１情報と、当該或る時点よりも将来の期間Ｔにおける第２情報とを抽出し、学習用レコードとして学習用データベース１０Ａに格納する。期間Ｐにおける第１情報は、例えば、或る時点よりも過去の９０日分の売上実績情報である。期間Ｔにおける第２情報は、例えば、或る時点よりも将来の期間Ｔ分の受注実績情報である。すなわち、予測モデル学習部１２は、データベース１０から或る商品に関する期間Ｔにおける第１情報と期間Ｐにおける第２情報とを抽出し、学習用データベース１０Ａに登録する。そして、フローは、ステップＳ３０２へ進む。

ステップＳ３０２において、予測モデル学習部１２は、学習用データベース１０Ａから予測対象とする商品情報（第１情報）を抽出し、予測モデル部１１へ入力する。このとき、複数の商品情報を一度に予測対象としてもよい。そして、フローは、ステップＳ３０３へ進む。

ステップＳ３０３において、予測モデル学習部１２は、受注予測部１３と同様の処理（図５参照）により、期間Ｔにおける商品の予測受注量を算出する。そして、フローは、ステップＳ３０４へ進む。

ステップＳ３０４において、予測モデル学習部１２は、ステップＳ３０３にて算出した期間Ｔにおける予測受注量と、同じ期間Ｔにおける実績受注量との誤差を算出する。そして、フローは、ステップＳ３０５へ進む。予測モデル学習部１２は、例えば、平均二乗誤差によって当該誤差を算出してよい。或いは、予測モデル学習部１２は、式（１）によって当該誤差を算出してよい。

式（１）において、Dは、予測受注量の算出に用いた商品ｉの総数を示し、Ｔは、単位あたりの期間（以下「単位期間」という）ｔの総数（全期間）を示す。単位期間ｔは、例えば、１時間、１日又は１週間等であってよい。ｘ_ｉ，ｔは、商品ｉの期間ｔにおける実績受注量を示し、ｘ’_ｉ，ｔは、商品ｉの期間ｔにおける予測受注量を示す。式（１）では、各商品の実績受注量ｘ_ｉ，ｔと予測受注量ｘ’_ｉ，ｔとの差をｗ_ｉで除算している。これにより、受注量の大小による誤差の大小を正規化（平準化）している。

ステップＳ３０５において、予測モデル学習部１２は、Ｓ３０４で算出した誤差を、特徴量生成部１１０、特徴量合成部１１１、及び予測部１１２へフィードバックする。そして、フローは、ステップＳ３０６へ進む。

ステップＳ３０６において、予測モデル学習部１２は、誤差の変動が収束した場合、或いは、予め規定した繰り返し処理数に到達した場合（Ｓ３０６：ＹＥＳ）、ステップＳ３０７へ進む。一方、予測モデル学習部１２は、誤差の変動が未収束であり、かつ、予め規定した繰り返し処理数に未到達である場合（Ｓ３０６：ＮＯ）、ステップＳ３０２に戻る。

ステップＳ３０７において、予測モデル学習部１２は、上述の処理によって学習した、予測モデル部１１のパラメータを保存する。

図４は、予測モデル学習部１２において用いられる学習用データベース１０Ａの一例を示す。学習用データベース１０Ａは、図４に示すような複数の学習用レコード１０１Ａと、複数の誤差算出用レコード１０２Ａとを有する。

学習用レコード１０１Ａは、或る基準時刻から過去の期間Ｐにおける第１情報をデータベース１０から抽出し、結合したものである。学習用レコード１０１Ａは、例えば、予測に用いる時系列情報および種別情報を含む。種別情報は、カテゴリカル情報と呼んでもよい。種別情報は、例えば、商品カテゴリ名、商品名、又は天気等、数値の大きさで表現できない、及び／又は、順序関係を定義できない情報である。

また、誤差算出用レコード１０２Ａは、或る基準時刻から将来の期間Ｔにおける第２情報をデータベースから抽出し、結合したものである。図４に示す誤差用レコード１０２Ａは、商品Ａの受注実績情報の例である。

図５は、受注予測部１３の処理例を示すフローチャートである。

ステップＳ５０１において、受注予測部１３は、データベース１０から予測受注量の算出に用いる情報を読み出す。そして、フローは、ステップＳ５０２へ進む。

ステップＳ５０２において、受注予測部１３は、ステップＳ５０１で読み出した情報を、予測モデル部１１へ入力する。当該予測モデル部１１は、この入力された情報に基づいて、単位期間ｔの予測受注量を出力する。受注予測部１３は、この出力された単位期間ｔの予測受注量を取得する。そして、フローは、ステップＳ５０３へ進む。

ステップＳ５０３において、受注予測部１３は、単位期間ｔに１単位を加算する。つまり、受注予測部１３は、単位期間ｔを１単位分進める。そして、フローは、ステップＳ５０４へ進む。

ステップＳ５０４において、受注予測部１３は、単位期間ｔが最大予測期間Ｔを超えている（ｔ＞Ｔ）か否かを判定する。単位期間ｔ≦最大予測期間Ｔの場合（Ｓ５０４：ＮＯ）、フローは、ステップＳ５０５へ進む。単位期間ｔ＞最大予測期間Ｔの場合（Ｓ５０４：ＹＥＳ）、フローは、ステップＳ５０７へ進む。

ステップＳ５０５において、受注予測部１３は、ステップＳ５０２にて算出した予測受注量を、メモリに格納する。そして、フローは、ステップＳ５０６へ進む。

ステップＳ５０６において、受注予測部１３は、メモリに格納された予測受注量を、新たな入力情報に追加する。そして、フローは、ステップＳ５０２へ戻る。このように、予測受注量を再度入力情報に追加することにより、任意の将来までの期間について予測を行うことができる。

ステップＳ５０７において、受注予測部１３は、最大予測期間Ｔについて算出した予測受注量を、ファイルに保存する。

図６は、単位期間ｔを１日とした場合における予測受注量の一例を示す。

図６に示すように、各商品について、予測開始日から予測期間Ｔまでの１日単位の予測受注量が算出される。予測受注量は、商品の売上数又は売上額等であってよい。なお、予測受注量には、当該予測受注量の信頼度ｃなど、当該予測受注量に対する付加情報が対応付けられてもよい。

図７は、受注量予測画面の一例を示す。受注量予測画面は、受注予測部１３によって生成される。

図７に示すように、受注量予測画面には、予測に用いられた情報、予測モデル部１１が当該予測に用いたニューラルネットワークの構造、及び、算出された予測受注量が表示される。

図７において、点線のグラフは、実績受注量を示し、実線のグラフは、予測受注量を示す。すなわち、受注量予測画面には、実績受注量と予測受注量とがまとめて表示されてよい。

図８は、在庫管理画面の一例を示す。在庫管理画面は、在庫管理部１５によって生成される。

図８に示すように、在庫管理画面には、商品の現在の在庫量と予測受注量とに基づいて算出された、将来の予測在庫量が表示される。これにより、ユーザは、将来の予測在庫量から、商品を発注すべきタイミングを推定できる。

図９は、人員シフト管理画面の一例を示す。人員シフト管理画面は、人員シフト管理部１６によって生成される。

図９に示すように、人員シフト管理画面には、例えば単位期間を１日とした場合、過去の勤務実績と予測受注量とに基づいて算出された、将来の各日に必要と予測される総人員数が表示される。また、人員シフト管理画面には、図９に示すように、各日に必要な総人員数を満たすように、各人員にどのように勤務日を割り当てたら良いかを示す推奨シフト表が表示される。なお、現在の総人員数では予測受注量に対して不足すると想定される場合、人員シフト管理画面には、人員不足のアラートが表示される。

図１０は、トラック台数管理画面の一例を示す。トラック台数管理画面は、トラック台数管理部１７によって生成される。

トラック台数管理画面には、例えば単位期間を１日とした場合、過去のトラック台数と予測受注量とに基づいて算出された、将来の各日に必要と予測される総トラック台数が表示される。また、トラック台数管理画面には、各日において何台のトラックを配備すれば良いかを示す推奨トラック配備計画表が表示される。

以上説明したように、本開示は以下の事項を含む。
本開示の一態様に係る倉庫管理システム１は、複数品目（商品又は種別）の需要（受注）のデータを処理するデータ処理装置の一例である。データ処理装置は、複数品目の需要を予測する予測モデル（予測モデル部１１）を生成するモデル学習部（予測モデル学習部１２）と、予測モデルを用いて複数品目の需要を予測する需要予測部（受注予測部１３）とを有する。モデル学習部は、品目毎の第１のニューラルネットワーク（ニューラルネットワーク１１０Ａ）に品目毎の需要の実績データを入力して品目毎の特徴量を抽出し、品目毎の特徴量を合成することにより予測モデルである第２のニューラルネットワーク（ニューラルネットワーク１１２Ａ）を生成する。

このように、複数品目の個々に対して設ける第１のニューラルネットワークで品目毎の需要データの特徴量を抽出し、それらを合成した第２のニューラルネットワークで複数品目の需要を予測する。また、複数の品目毎に第１のニューラルネットワークを互いに分離し、各品目の特徴量の抽出と、複数品目の需要予測とを互いに分離する。これにより、複数品目の需要データの特徴を良好に捉え複数品目の需要を良好に予測することが可能になる。

また、モデル学習部は、需要予測部により第２のニューラルネットワークを用いた予測により生成された需要の予測データの誤差に基づいて、第１のニューラルネットワークおよび第２のニューラルネットワークを更新してよい。

このように、需要の予測結果の誤差に基づいて第１および第２のニューラルネットワークを更新する。これにより、特徴量抽出と需要予測の両方に誤差を反映させることができ、複数品目の需要予測の誤差を良好に低減することができる。

また、モデル学習部は、複数の第１のニューラルネットワークでそれぞれ抽出された特徴量を第３のニューラルネットワーク（モジュール１１１Ａ）で重みづけ合成し、予測データの誤差に基づいて更に第３のニューラルネットワークを更新してよい。

このように、品目毎の特徴量を第３のニューラルネットワークで重みづけ合成し、その第３のニューラルネットワークも予測結果の誤差に基づいて更新する。これにより、複数品目の需要を良好に予測することが可能になる。

また、モデル学習部は、複数商品の予測受注量と実績受注量との誤差を正規化して合計したエラー値を第１のニューラルネットワークおよび第２のニューラルネットワークにフィードバックすることにより、第１のニューラルネットワークおよび第２のニューラルネットワークを更新してよい。

このように、複数品目のそれぞれの受注量を予測するための第１および第２のニューラルネットワークの更新に、複数品目の予測受注量の誤差を正規化したエラー値を用いる。これにより、売れる個数が多い商品もあれば売れる個数が少ない商品もあるというように複数品目の受注量がそれぞれ異なる場合でも第１および第２のニューラルネットワークの更新に各商品の予測受注量の誤差を均して反映させることができ、複数品目の受注量の誤差を低減するような更新が可能となる。

また、需要予測部は、複数品目を選択的に指定可能に表示し、指定された品目の受注量の実績データと予測データとを区別可能な時系列のグラフを表示してよい。

このように、予測された複数品目の時系列の受注量の実績データから予測データまでの遷移をグラフで表示する。これにより、ユーザは受注量の実績から予測までの遷移を視覚的に容易に知得することができる。

また、データ処理装置は、品目の受注量の予測データに基づいて品目の予測される在庫量を算出し、在庫量の時系列のグラフを表示する在庫管理部を更に有してよい。

このように、品目毎の在庫量を算出し、実績データから予測データまでの時系列のデータをグラフで表示する。これにより、ユーザは、複数品目の在庫管理が容易になる。

また、データ処理装置は、品目の受注量の予測データに基づいて、予測される人員数を算出し、人員の時系列の割り当てシフトを表示するシフト管理部を更に有してよい。

このように、予測される必要な人員数を算出し、人員の推奨される割り当てシフトを時系列に表示する。これにより、ユーザは、人員のシフト管理が容易になる。

また、データ処理装置は、品目の受注量の予測データに基づいて、予測されるトラックの台数を算出し、トラックの配車台数を時系列に表示するトラック台数管理部を更に有してよい。

このように、予測される必要なトラックの台数を算出し、推奨されるトラックの配車台数を時系列に表示する。これにより、ユーザは、トラック台数の管理が容易になる。

上述した実施形態は、本開示の説明のための例示であり、本開示の範囲を実施形態にのみ限定する趣旨ではない。当業者は、本開示の要旨を逸脱することなしに、他の様々な態様で本開示を実施することができる。

１…倉庫管理システム１０…データベース１１…予測モデル部１２…予測モデル学習部１３…受注予測部１４…データ保存部１５…在庫管理部１６…人員シフト管理部１７…トラック台数管理部１１０…特徴量生成部１１１…特徴量合成部１１２…予測部

Claims

複数種別の時系列情報および商品の需要のデータを処理するデータ処理装置であって、
前記需要を予測する予測モデルを生成するモデル学習部と、
前記予測モデルを用いて前記需要を予測する需要予測部と、
を有し、
前記モデル学習部は、前記時系列情報の複数種別のそれぞれについて、前記複数種別ごとのニューラルネットワークにより当該種別の時系列情報における特徴を定量的に表した特徴量を抽出し、抽出された前記複数種別ごとの時系列情報の特徴量を合成特徴量として合成し、前記合成特徴量を用いて前記需要を予測する予測モデルのパラメータを生成する、
データ処理装置。
前記モデル学習部は、前記需要予測部により予測された需要の予測データの誤差に基づいて前記予測モデルを更新する、
請求項１に記載のデータ処理装置。
前記モデル学習部は、複数品目の商品の予測受注量と実績受注量との誤差を正規化して合計したエラー値をフィードバックすることにより、前記予測モデルを更新する、
請求項２に記載のデータ処理装置。
前記需要予測部は、前記複数品目を選択的に指定可能に表示し、指定された品目の受注量の実績データと予測データとを区別可能な時系列のグラフを表示する、
請求項３に記載のデータ処理装置。
前記品目の受注量の予測データに基づいて前記品目の予測される在庫量を算出し、前記在庫量の時系列のグラフを表示する在庫管理部を更に有する、
請求項３に記載のデータ処理装置。
前記品目の受注量の予測データに基づいて、予測される人員数を算出し、人員の割り当てシフトを時系列に表示するシフト管理部を更に有する、
請求項３に記載のデータ処理装置。
前記品目の受注量の予測データに基づいて、予測されるトラックの台数を算出し、前記トラックの配車台数を時系列に表示するトラック台数管理部を更に有する、
請求項３に記載にデータ処理装置。
複数種別の時系列情報および商品の需要のデータを処理するデータ処理方法であって、
モデル学習部は、
前記時系列情報の複数種別のそれぞれについて、前記複数種別ごとのニューラルネットワークにより当該種別の時系列情報における特徴を定量的に表した特徴量を抽出し、
抽出された前記複数種別ごとの時系列情報の特徴量を合成特徴量として合成し、前記合成特徴量を用いて前記需要を予測する予測モデルを生成し、
需要予測部は、
前記予測モデルを用いて前記商品の需要を予測する、
データ処理方法。