JP7162774B1 - 需要予測装置及び需要予測方法 - Google Patents
需要予測装置及び需要予測方法 Download PDFInfo
- Publication number
- JP7162774B1 JP7162774B1 JP2022505545A JP2022505545A JP7162774B1 JP 7162774 B1 JP7162774 B1 JP 7162774B1 JP 2022505545 A JP2022505545 A JP 2022505545A JP 2022505545 A JP2022505545 A JP 2022505545A JP 7162774 B1 JP7162774 B1 JP 7162774B1
- Authority
- JP
- Japan
- Prior art keywords
- data
- demand
- index
- unit
- degree
- 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
- 238000013277 forecasting method Methods 0.000 title claims description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 73
- 238000013075 data extraction Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims description 53
- 239000000284 extract Substances 0.000 claims description 21
- 230000002123 temporal effect Effects 0.000 claims description 8
- 238000013500 data storage Methods 0.000 description 65
- 238000003860 storage Methods 0.000 description 29
- 238000010586 diagram Methods 0.000 description 27
- 238000007405 data analysis Methods 0.000 description 23
- 238000011156 evaluation Methods 0.000 description 23
- 238000004458 analytical method Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 8
- 239000002131 composite material Substances 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 101000911772 Homo sapiens Hsc70-interacting protein Proteins 0.000 description 1
- 101001139126 Homo sapiens Krueppel-like factor 6 Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
データ取得部は、複数の指標候補データ及び需要データのほかに、それぞれの指標候補データが示す指標と需要データが示す需要との間の類似具合に相当する意味的な類似度を示す設定データを取得し、関連度算出部は、それぞれの指標候補データと需要データとの間の相関係数、又は、それぞれの指標候補データと需要データとの間の距離を算出し、それぞれの相関係数又はそれぞれの距離と、設定データが示す意味的な類似度とから、それぞれの指標候補データが示す指標と需要データが示す需要との間の関連度を算出する。
図1は、実施の形態1に係る需要予測装置4を含む需要予測システム1を示す構成図である。
図1に示す需要予測システム1は、意思決定支援装置2、学習装置3及び需要予測装置4を備えている。
図2は、実施の形態1に係る意思決定支援装置2及び需要予測装置4を示す構成図である。
図3は、実施の形態1に係る需要予測装置4のハードウェアを示すハードウェア構成図である。
学習装置3は、需要予測装置4の需要予測処理に用いられる予測モデルを生成する。
需要予測装置4は、データ取得部21、データ記憶部22、関連度算出部23、指標データ抽出部24、予測モデル記憶部25、予測モデル選択部26、需要予測部27及び表示データ出力部28を備えている。
データ取得部21は、需要予測対象の製品における過去の需要の時間的な変化を示す需要データDを取得する。需要データDは、例えば、期間TP1に含まれている複数の時刻での需要を示す時系列データである。
また、データ取得部21は、需要データDが示す過去の需要に関連する指標の候補であるN個の指標のそれぞれを示す指標候補データIn(n=1,・・・,N)を取得する。Nは、2以上の整数である。指標候補データInは、例えば、期間TP2に含まれている複数の時刻での指標を示す時系列データである。
図2に示す需要予測装置4では、需要データDに係る期間TP1が、指標候補データInに係る期間TP2と同じ期間であってもよいし、需要データDに係る期間TP1が、指標候補データInに係る期間TP2よりも未来の期間であってもよい。
需要データDに係る期間TP1が、指標候補データInに係る期間TP2よりも未来の期間である場合、需要データDは、指標候補データInに対してタイムシフトされているデータである。タイムシフトが、例えば、2か月であって、指標候補データInに係る期間TP2が8月1日から8月31日の期間であれば、需要データDに係る期間TP1は、10月1日から10月31日の期間である。
ここでは、指標候補データI1~INに係る期間の全てがTP2である例を示している。しかし、これは一例に過ぎず、指標候補データI1~INに係る期間が互いに異なっていてもよい。
データ取得部21は、指標候補データI1~IN及び需要データDのそれぞれをデータ記憶部22に出力する。
データ記憶部22は、データ取得部21から出力された指標候補データI1~IN及び需要データDのそれぞれを記憶する。
関連度算出部23は、データ記憶部22から、データ取得部21により取得された指標候補データIn(n=1,・・・,N)とデータ取得部21により取得された需要データDとを取得する。
関連度算出部23は、指標候補データIn(n=1,・・・,N)が示す指標と需要データDが示す需要との間の関連度Cn(n=1,・・・,N)を算出する。
関連度算出部23は、指標候補データIn(n=1,・・・,N)、需要データD及び関連度Cnのそれぞれを指標データ抽出部24に出力する。
また、関連度算出部23は、関連度Cnをデータ記憶部22に出力する。
指標データ抽出部24は、関連度算出部23から、指標候補データIn(n=1,・・・,N)、需要データD及び関連度Cnのそれぞれを取得する。
指標データ抽出部24は、関連度Cnに基づいて、N個の指標候補データI1~INの中から、製品の将来の需要を予測する需要予測処理に用いられる指標データIm’(m=1,・・・,M)を抽出する。Mは、1以上N以下の整数である。
指標データ抽出部24は、需要データDを予測モデル選択部26に出力する。
また、指標データ抽出部24は、指標データIm’(m=1,・・・,M)を需要予測部27及びデータ記憶部22のそれぞれに出力する。
予測モデル記憶部25は、学習装置3により生成されたG個の予測モデルPM1~PMGを記憶する。
予測モデル選択部26は、指標データ抽出部24から、需要データDを取得する。
予測モデル選択部26は、需要データDに基づいて、予測モデル記憶部25に記憶されているG個の予測モデルPM1~PMGの中から、指標データIm’が与えられる予測モデルPMを選択する。Gは、1以上の整数である。
G=1であって、予測モデル記憶部25に記憶されている予測モデルPMの数が1個であれば、予測モデル選択部26は、不要である。
需要予測部27は、指標データ抽出部24から、指標データIm’(m=1,・・・,M)を取得する。
需要予測部27は、指標データIm’(m=1,・・・,M)を用いて、需要予測処理を行う。
即ち、需要予測部27は、指標データI1’~ IM’を予測モデル選択部26により選択された予測モデルPMに与えて、予測モデルPMから、製品の将来の需要の予測結果Rを取得する需要予測処理を行う。
需要予測部27は、需要の予測結果Rを表示データ出力部28に出力する。
表示データ出力部28は、需要予測部27から、需要の予測結果Rを取得する。
表示データ出力部28は、需要の予測結果Rを表示させるための表示データHを生成し、表示データHを表示部12に出力する。
分析結果出力部11は、指標データIm’(m=1,・・・,M)及び需要データDのそれぞれを表示部12に出力する。
表示部12は、表示データ出力部28から出力された表示データHに従って需要の予測結果Rをディスプレイに表示させる。
また、表示部12は、指標データI1’~I M’及び需要データDのそれぞれをディスプレイに表示させる。
また、データ取得回路31、関連度算出回路33、指標データ抽出回路34、予測モデル選択回路36、需要予測回路37及び表示データ出力回路38のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ASIC(Application Specific Integrated Circuit)、FPGA(Field-Programmable Gate Array)、又は、これらを組み合わせたものが該当する。
ソフトウェア又はファームウェアは、プログラムとして、コンピュータのメモリに格納される。コンピュータは、プログラムを実行するハードウェアを意味し、例えば、CPU(Central Processing Unit)、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、あるいは、DSP(Digital Signal Processor)が該当する。
図4は、需要予測装置4が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。
図6は、実施の形態1に係る学習装置3のハードウェアを示すハードウェア構成図である。
図5では、図面の簡単化のため、需要予測装置4において、データ記憶部22及び予測モデル記憶部25以外の構成要素の記載を省略している。
図5に示す学習装置3は、学習データ取得部51、学習データ記憶部52、学習データ分析部53、学習部54及び評価部55を備えている。
学習データ取得部51は、データ記憶部22から、学習データとして、指標候補データIn(n=1,・・・,N)と需要データDとを取得する。
学習データ取得部51により取得される需要データDは、例えば、期間TP1’に含まれている複数の時刻での需要を示す時系列データである。
また、学習データ取得部51により取得される指標候補データInは、例えば、期間TP2’に含まれている複数の時刻での指標を示す時系列データである。
学習データ取得部51により取得される指標候補データIn及び需要データDのそれぞれは、需要予測装置4によって需要予測処理が行われる際に、需要予測装置4に与えられる指標候補データIn及び需要データDのそれぞれよりも、過去のデータである。
図5に示す学習装置3では、需要データDに係る期間TP1’が、指標候補データInに係る期間TP2’よりも未来の期間である。即ち、需要データDは、指標候補データInに対してタイムシフトされているデータである。タイムシフトが、例えば、2か月であって、指標候補データInに係る期間TP2’が8月1日から8月31日の期間であれば、需要データDに係る期間TP1’は、10月1日から10月31日の期間である。
ここでは、指標候補データI1~INに係る期間の全てがTP2’である例を示している。しかし、これは一例に過ぎず、指標候補データI1~INに係る期間が互いに異なっていてもよい。
学習データ取得部51は、指標候補データIn(n=1,・・・,N)及び需要データDのそれぞれを学習データ記憶部52に出力する。
学習データ記憶部52は、学習データ取得部51から出力された指標候補データIn(n=1,・・・,N)及び需要データDのそれぞれを記憶する。
学習データ分析部53は、指標候補データIn(n=1,・・・,N)が示す指標と需要データDが示す需要との間の関連度Cn(n=1,・・・,N)を算出する。
学習データ分析部53は、関連度Cnに基づいて、N個の指標候補データI1~INの中から、予測モデルの生成に用いられる指標データIj”(j=1,・・・,J)を抽出する。Jは、1以上N以下の整数である。
学習データ分析部53は、抽出した指標データIj”(j=1,・・・,J)及び需要データDのそれぞれを学習部54に出力する。
学習部54は、学習データ分析部53から、指標データIj”(j=1,・・・,J)及び需要データDのそれぞれを取得する。
学習部54は、指標データIj”(j=1,・・・,J)及び需要データDのそれぞれを用いて、Q個の予測モデルを生成する。Qは、1以上G以下の整数である。
また、学習部54により生成される予測モデルは、回帰分析、クラスタ分析、又は、多次元尺度法等の多変量解析によって、需要予測が行われるモデルであってもよい。
さらに、学習部54により生成される予測モデルは、時系列分析と多変量解析とが組み合わされた手法で、需要予測が行われるモデルであってもよいし、ベイズ推定、シグマ法、又は、状態空間モデルによって、需要予測が行われるモデルであってもよい。
評価部55は、学習部54により生成されたQ個の予測モデルのそれぞれを評価する。
評価部55は、Q個の予測モデルの中で、評価が相対的に高い上位G個の予測モデルPM1~PMGを特定する。
評価部55は、G個の予測モデルPM1~PMGを予測モデル記憶部25に出力する。
また、学習データ取得回路61、学習データ分析回路63、学習回路64及び評価回路65のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ASIC、FPGA、又は、これらを組み合わせたものが該当する。
図7は、学習装置3が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。
図8は、需要予測装置4の処理手順である需要予測方法を示すフローチャートである。
データ取得部21は、需要予測対象の製品における過去の需要の時間的な変化を示す需要データDを取得する(図8のステップST1)。
需要データDとしては、例えば、製品の出荷量の実績値、製品の在庫量の実績値、製品の発注量の実績値、製品の受注量の実績値、又は、製品の生産量の実績値の時間的な変化を示すデータがある。
指標候補データInとしては、例えば、経済指標、統計指標、又は、気象情報の時間的な変化を示すデータがある。また、指標候補データInとしては、例えば、製品の需要データDが得られた期間内に、当該製品を使用した装置の運転台数がある。
経済指標としては、例えば、製品に関連する企業の株価、貿易相手国のGDP(Gross Domestic Product)、貿易相手国との為替レート、景気動向指数、平均株価、又は、燃料価格を示すものがある。
統計指標としては、例えば、製品に関連する原料の生産量又は原料の販売量、製品の貿易関連情報を示すものがある。
図9では、N=11個の指標候補データが示されている。
図9には、指標候補データの一例として、環境指標に係る指標候補データ、自動車関連指標Aに係る指標候補データ、自動車関連指標Bに係る指標候補データ、自動車関連指標Cに係る指標候補データ、不動産関連指標に係る指標候補データ、経済関連指標Aに係る指標候補データが示されている。
また、図9には、指標候補データの一例として、政府公開統計Cに係る指標候補データ、鉱工業指標Aに係る指標候補データ、鉱工業指標Bに係る指標候補データ、鉱工業指標Cに係る指標候補データ、鉱工業指標Dに係る指標候補データが示されている。
図中、灰色の実線は、それぞれの指標に係る指標候補データであり、黒色の実線は、灰色の実線が示す複数の指標候補データの平均である。また、破線は、製品の需要データである。
指標候補データIn(n=1,・・・,N)としては、例えば、黒色の実線が示す平均が用いられる。
データ記憶部22は、指標候補データI1~IN及び需要データDのそれぞれを記憶する。
関連度算出部23は、指標候補データIn(n=1,・・・,N)が示す指標と需要データDが示す需要との間の関連度Cn(n=1,・・・,N)を算出する(図8のステップST2)。
関連度算出部23は、指標候補データIn(n=1,・・・,N)、需要データD及び関連度Cnのそれぞれを指標データ抽出部24に出力する。
また、関連度算出部23は、関連度Cnをデータ記憶部22に出力する。
以下、関連度算出部23による関連度Cnの算出処理の一例を具体的に説明する。
次に、関連度算出部23は、指標候補データInと需要データDとの共分散Covを算出する。共分散の算出処理自体は、公知の技術であるため詳細な説明を省略する。
関連度算出部23は、以下の式(1)に示すように、指標候補データInの標準偏差ISDnと、需要データDの標準偏差DSDと、共分散Covとを用いて、関連度Cnとして、指標候補データInと需要データDとの間の相関係数を算出する。
指標候補データInと需要データDとの間の距離は、例えば、ユークリッド距離、又は、マンハッタン距離によって表される。指標候補データInと需要データDとの間の距離は、例えば、DTW(Dynamic Time Warping)によって求められる。DTWによるデータ間の距離の算出処理自体は、公知の技術であるため詳細な説明を省略する。
指標データ抽出部24は、関連度Cnに基づいて、N個の指標候補データI1~INの中から、需要予測処理に用いられる指標データIm’(m=1,・・・,M)を抽出する(図8のステップST3)。
指標データ抽出部24は、需要データDを予測モデル選択部26に出力する
また、指標データ抽出部24は、指標データIm’(m=1,・・・,M)を需要予測部27及びデータ記憶部22のそれぞれに出力する。
以下、指標データ抽出部24による指標データIm’の抽出処理の一例を具体的に説明する。
例えば、関連度Cnが相関係数であって、-1≦Cn<0である場合、指標データ抽出部24は、|1+Cn|が閾値Th1以下であれば、関連度Cnに係る指標候補データInを需要予測処理に用いられる指標データIm’として抽出する。指標データ抽出部24は、|1+Cn|が閾値Th1よりも大きければ、関連度Cnに係る指標候補データInを需要予測処理に用いられる指標データIm’として抽出しない。
閾値Th1は、0よりも大きく、1よりも小さい値である。閾値Th1は、指標データ抽出部24の内部メモリに格納されていてもよいし、図2に示す需要予測装置4の外部から与えられるものであってもよい。
ここでは、指標データ抽出部24が、|1-Cn|又は|1+Cn|と、閾値Th1との比較結果に基づいて、需要予測処理に用いられる指標データIm’を抽出している。しかし、これは一例に過ぎず、指標データ抽出部24が、関連度Cnの絶対値が大きい上位M個の指標候補データInを、需要予測処理に用いられる指標データIm’として抽出するようにしてもよい。
ここでは、指標データ抽出部24が、関連度Cnと閾値Th2との比較結果に基づいて、需要予測処理に用いられる指標データIm’を抽出している。しかし、これは一例に過ぎず、指標データ抽出部24が、関連度Cnの絶対値が小さい上位M個の指標候補データInを、需要予測処理に用いられる指標データIm’として抽出するようにしてもよい。
予測モデル選択部26は、需要データDに基づいて、予測モデル記憶部25に記憶されているG個の予測モデルPM1~PMGの中から、指標データIm’が与えられる予測モデルPMを選択する(図8のステップST4)。
以下、予測モデル選択部26による予測モデルPMの選択処理の一例を具体的に説明する。
また、予測モデル選択部26は、予測モデルPMg(g=1,・・・,G)から出力される需要の予測結果Rgの変動幅Fgを算出する。予測結果Rgの変動幅Fgは、予測結果Rgの最小値と予測結果Rgの最大値との差分の絶対値である。予測結果Rgの最小値と予測結果Rgの最大値とは、予測モデルPMgから得られる。
予測モデル選択部26は、G個の予測結果R1~RGの変動幅F1~FGの中で、需要データDの変動幅Fと最も近い予測結果Rgの変動幅Fgを検索する。
予測モデル選択部26は、G個の予測モデルPM1~PMGの中から、指標データIm’が与えられる予測モデルPMとして、検索した変動幅Fgに係る予測モデルPMgを選択する。
需要予測部27は、指標データIm’(m=1,・・・,M)を用いて、需要予測処理を行う(図8のステップST5)。
即ち、需要予測部27は、指標データI1’~ IM’を予測モデル選択部26により選択された予測モデルPMに与えて、予測モデルPMから、製品の将来の需要の予測結果Rを取得する需要予測処理を行う。
需要予測部27は、需要データDが示す過去の需要と関連度が高い指標を示す指標データIm’を用いて、需要予測処理を行っているため、高精度な予測結果Rを得ることができる。
一方、需要予測部27は、需要データDが示す過去の需要と関連度が低い指標を示す指標候補データについては、需要予測処理に用いていないため、需要データDが示す過去の需要と関連度が低い指標を示す指標候補データInがデータ取得部21に与えられても、需要の予測精度の低下を防ぐことができる。
需要予測部27は、需要の予測結果Rを表示データ出力部28に出力する。
表示データ出力部28は、需要の予測結果Rを表示させるための表示データHを生成し、表示データHを表示部12に出力する。
分析結果出力部11は、指標データIm’(m=1,・・・,M)及び需要データDのそれぞれを表示部12に出力する。
表示部12は、表示データ出力部28から出力された表示データHに従って需要の予測結果Rをディスプレイに表示させる。
また、表示部12は、指標データI1’~I M’及び需要データDのそれぞれをディスプレイに表示させる。
図10は、学習装置3の処理手順を示すフローチャートである。
学習データ取得部51は、データ記憶部22から、需要データDを取得する。
また、学習データ取得部51は、データ記憶部22から、N個の指標候補データI1~INを取得する(図10のステップST11)。
学習データ取得部51は、N個の指標候補データI1~INの中から、順番に1つの指標候補データInを取り出し、1つの指標候補データInと需要データDとを含むセットデータをN個用意し、N個のセットデータを学習データ記憶部52に出力する。
それぞれのセットデータに含まれている指標候補データIn及び需要データDのそれぞれは、需要予測装置4によって需要予測処理が行われる際に、需要予測装置4に与えられる指標候補データIn及び需要データDのそれぞれよりも、過去のデータである。また、それぞれのセットデータに含まれている需要データDは、当該セットデータに含まれている指標候補データInよりも未来のデータである。
学習データ分析部53は、取得したセットデータに含まれている、1つの指標候補データInが示す指標と需要データDが示す需要との間の関連度Cnを算出する(図10のステップST13)。
学習データ分析部53による関連度Cnの算出処理としては、例えば、図2に示す関連度算出部23による関連度Cnの算出処理と同様の方法を用いることができる。
学習データ分析部53は、未だN個のセットデータを取得していないために、N個の関連度C1~CNの算出処理が完了していなければ(図10のステップST14:NOの場合)、ステップST12~ST13の処理を繰り返し実施する。
学習データ分析部53による指標データIj”の抽出処理としては、例えば、図2に示す指標データ抽出部24による指標データIm”の抽出処理と同様の方法を用いることができる。
学習データ分析部53は、抽出した指標データIj”(j=1,・・・,J)と、取得したセットデータに含まれている需要データDとを学習部54に出力する。
学習部54は、指標データIj”(j=1,・・・,J)及び需要データDのそれぞれを用いて、Q個の予測モデルを生成する(図10のステップST16)。
以下、学習部54による予測モデルの生成処理の一例を具体的に説明する。
学習部54は、説明変数として指標データIj”(j=1,・・・,J)を、アルゴリズムが互いに異なるQ個の予測モデルのそれぞれに与え、教師データである目的変数として需要データDをそれぞれの予測モデルに与える。
学習部54は、それぞれの予測モデルから、予測結果Rとして、需要データDに相当するデータが出力されるように、それぞれの予測モデルに対して学習処理を行わせる。学習処理は、予測結果Rとして、需要データDに相当するデータが出力されるように、それぞれの説明変数に対する係数である重み等の調整を行う処理である。
学習部54は、学習済みのQ個の予測モデルを評価部55に出力する。
評価部55は、Q個の予測モデルのそれぞれを評価し、Q個の予測モデルの中で、評価が相対的に高い上位G個の予測モデルPM1~PMGを特定する(図10のステップST17)。
評価部55は、G個の予測モデルPM1~PMGを予測モデル記憶部25に出力する。
評価部55は、需要データDの変動幅Fを算出する。需要データDの変動幅Fは、需要データDの最小値と需要データDの最大値との差分の絶対値である。
また、評価部55は、Q個の予測モデルのそれぞれから出力される需要の予測結果の変動幅を算出する。予測結果の変動幅は、予測結果の最小値と予測結果の最大値との差分の絶対値である。予測結果の最小値と予測結果の最大値とは、それぞれの予測モデルから得られる。
評価部55は、Q個の予測結果の変動幅の中で、需要データDの変動幅Fと近い上位G個の予測結果の変動幅を検索する。
評価部55は、Q個の予測モデルの中から、G個の予測モデルPM1~PMGとして、上位G個の予測結果の変動幅に係る予測モデルを特定する。
データ取得部21により関連データが取得されていれば、学習部54が、指標データIj”(j=1,・・・,J)、需要データD及び関連データのそれぞれを用いて、Q個の予測モデルを生成するようにしてもよい。例えば、学習部54が、説明変数として、指標データIj”(j=1,・・・,J)及び関連データのそれぞれを、アルゴリズムが互いに異なるQ個の予測モデルのそれぞれに与え、目的変数として需要データDをそれぞれの予測モデルに与える。そして、学習部54が、それぞれの予測モデルから、予測結果Rとして、需要データDに相当するデータが出力されるように、それぞれの予測モデルに対して学習処理を行わせる。
N個の指標候補データI1~INの中に、例えば、複数の経済指標のそれぞれを示す指標候補データと、複数の統計指標のそれぞれを示す指標候補データと、複数の気象情報のそれぞれを示す指標候補データとが含まれている場合を想定する。この場合、指標データ抽出部24が、関連度Cnに基づいて、複数の経済指標のそれぞれを示す指標候補データの中で、最も関連度が高い指標候補データを、需要予測処理に用いられる指標データとして抽出する。また、指標データ抽出部24が、関連度Cnに基づいて、複数の統計指標のそれぞれを示す指標候補データの中で、最も関連度が高い指標候補データを、需要予測処理に用いられる指標データとして抽出する。さらに、指標データ抽出部24が、関連度Cnに基づいて、複数の気象情報のそれぞれを示す指標候補データの中で、最も関連度が高い指標候補データを、需要予測処理に用いられる指標データとして抽出する。
実施の形態2では、指標候補データI1~IN及び需要データDのほかに、指標候補データIn(n=1,・・・,N)が示す指標と需要データDが示す需要との間の意味的な類似度を示す設定データを取得するデータ取得部81を備える需要予測装置4について説明する。
図13は、実施の形態2に係る需要予測装置4のハードウェアを示すハードウェア構成図である。図13において、図3と同一符号は同一又は相当部分を示すので説明を省略する。
設定データ受付部13は、キーボード、マウス、又は、タッチパネル等のマンマシンインタフェースを備えている。
設定データ受付部13は、指標候補データIn(n=1,・・・,N)が示す指標と需要データDが示す需要との間の意味的な類似度Cn’を示す設定データBの受付処理を実施し、設定データBを需要予測装置4のデータ取得部81に出力する。即ち、ユーザが設定データ受付部13を操作することで、設定データ受付部13が、設定データBの受付処理を実施し、設定データBを需要予測装置4のデータ取得部81に出力する。意味的な類似度Cn’は、ユーザによって設定される、指標と需要との類似具合を示すものである。
データ取得部81は、例えば、図13に示すデータ取得回路91によって実現される。
データ取得部81は、図2に示すデータ取得部21と同様に、指標候補データI1~IN及び需要データDを取得する。
また、データ取得部81は、設定データ受付部13から出力された設定データBを取得する。
データ取得部81は、指標候補データI1~IN、需要データD及び設定データBのそれぞれをデータ記憶部82に出力する。
データ記憶部82は、データ取得部81から出力された指標候補データI1~IN、需要データD及び設定データBのそれぞれを記憶する。
関連度算出部83は、データ記憶部82から、図2に示す関連度算出部23と同様に、指標候補データI1~IN及び需要データDを取得する。
また、関連度算出部83は、データ記憶部82から、設定データBを取得する。
関連度算出部83は、指標候補データIn(n=1,・・・,N)が示す指標と需要データDが示す需要との間の関連度Cn(n=1,・・・,N)を算出する代わりに、関連度Cnとして、設定データBが示す意味的な類似度Cn’を指標データ抽出部24に出力する。
また、データ取得回路91、関連度算出回路93、指標データ抽出回路34、予測モデル選択回路36、需要予測回路37及び表示データ出力回路38のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ASIC、FPGA、又は、これらを組み合わせたものが該当する。
需要予測装置4が、ソフトウェア又はファームウェア等によって実現される場合、データ記憶部82及び予測モデル記憶部25が図4に示すコンピュータのメモリ41上に構成される。データ取得部81、関連度算出部83、指標データ抽出部24、予測モデル選択部26、需要予測部27及び表示データ出力部28におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムがメモリ41に格納される。そして、コンピュータのプロセッサ42がメモリ41に格納されているプログラムを実行する。
データ取得部81、データ記憶部82及び関連度算出部83以外は、図2に示す需要予測装置4と同様であるため、ここでは、主に、データ取得部81、データ記憶部82及び関連度算出部83の動作について説明する。
設定データ受付部13は、設定データBを需要予測装置4のデータ取得部81に出力する。
指標候補データInが示す指標と需要データDが示す需要との間の意味的な類似度Cn’が高くなる態様として、以下の(1)~(2)に示すような態様がある。
(1)需要データDに係る製品が、指標候補データInに係る製品に含まれる関係である場合、あるいは、指標候補データInに係る製品が、需要データDに係る製品に含まれる関係である場合、指標候補データInが示す指標と需要データDが示す需要との間の意味的な類似度Cn’が高くなる。
例えば、需要データDに係る製品がエレベータに実装される制御装置であって、指標候補データInに係る製品がエレベータである場合、あるいは、需要データDに係る製品がエレベータであって、指標候補データInに係る製品がエレベータに実装される制御装置である場合、指標候補データInが示す指標と需要データDが示す需要との間の意味的な類似度Cn’が高くなる。
(2)需要データDに係る製品と、指標候補データInに係る製品との間で物理的な関連がある場合、指標候補データInが示す指標と需要データDが示す需要との間の意味的な類似度Cn’が高くなる。
例えば、需要データDに係る製品が電圧計であって、指標候補データInに係る製品が電力計である場合、指標候補データInが示す指標と需要データDが示す需要との間の意味的な類似度Cn’が高くなる。
(1)~(2)に示す態様は、あくまでも一例であり、類似度Cn’が高くなる態様が、(1)~(2)以外の態様であってもよい。
ここでは、説明の簡単のため、(1)~(2)に示す態様以外は、指標候補データInが示す指標と需要データDが示す需要との間の意味的な類似度Cn’が低くなるものとする。
図14の例では、9つの需要データDが示されている。図14では、9つの需要データDが、需要データ(AA)、需要データ(AB)、需要データ(AC)、需要データ(BA)、需要データ(BB)、需要データ(BC)、需要データ(CA)、需要データ(CB)、需要データ(CC)のように区別されている。
また、図14の例では、9つの指標候補データIn(n=1,・・・,9)が示されている。図14の例では、指標候補データI1は、経済指標(1)に係る指標候補データ、指標候補データI2は、経済指標(2)に係る指標候補データ、指標候補データI3は、経済指標(3)に係る指標候補データである。
指標候補データI4は、業界団体統計(1)に係る指標候補データ、指標候補データI5は、業界団体統計(2)に係る指標候補データ、指標候補データI6は、業界団体統計(3)に係る指標候補データである。
指標候補データI7は、政府公表値(1)に係る指標候補データ、指標候補データI8は、政府公表値(2)に係る指標候補データ、指標候補データI9は、政府公表値(3)に係る指標候補データである。
×は、指標候補データが示す指標と需要データが示す需要との間の意味的な類似度が閾値Th3よりも低いことを表している。したがって、例えば、政府公表値(1)に係る指標候補データI7が示す指標と需要データ(BA)が示す需要との間の意味的な類似度C7-BA’を示す設定データBは、閾値Th3未満に設定されている。
図14の例では、それぞれの指標候補データについて、類似度を示す設定データBが設定されている。しかし、これは一例に過ぎず、1つ以上の指標候補データを含むグループ毎に、類似度を示す設定データBが設定されていてもよい。また、類似度は、○又は×のいずれかを示す離散値、2値又は3値を示す離散値、あるいは、0-1の間の連続値であってもよい。
また、データ取得部81は、設定データ受付部13から、設定データBを取得する。
データ取得部81は、指標候補データI1~IN、需要データD及び設定データBのそれぞれをデータ記憶部82に出力する。
データ記憶部82は、指標候補データI1~IN、需要データD及び設定データBのそれぞれを記憶する。
関連度算出部83は、指標候補データIn(n=1,・・・,N)が示す指標と需要データDが示す需要との間の関連度Cn(n=1,・・・,N)を算出する代わりに、関連度Cnとして、設定データBが示す意味的な類似度Cn’を指標データ抽出部24に出力する。
また、関連度算出部83は、指標候補データIn及び需要データDのそれぞれを指標データ抽出部24に出力する。
設定データBが示す意味的な類似度Cn’は、指標候補データInと需要データDとの間の相関係数、又は、指標候補データInと需要データDとの間の距離に相当する。
実施の形態3では、関連度算出部84が、指標候補データIn(n=1,・・・,N)と需要データDとの間の相関係数又は指標候補データInと需要データDとの間の距離と、設定データBが示す意味的な類似度Cn’とから、指標候補データInが示す指標と需要データDが示す需要との間の関連度Cnを算出する需要予測装置4について説明する。
図16は、実施の形態3に係る需要予測装置4のハードウェアを示すハードウェア構成図である。図16において、図3及び図13と同一符号は同一又は相当部分を示すので説明を省略する。
関連度算出部84は、データ記憶部82から、図12に示す関連度算出部83と同様に、指標候補データI1~IN、需要データD及び設定データBのそれぞれを取得する。
関連度算出部84は、図2に示す関連度算出部23と同様に、指標候補データIn(n=1,・・・,N)と需要データDとの間の相関係数、又は、指標候補データInと需要データDとの間の距離を算出する。
関連度算出部84は、相関係数又は距離と、設定データBが示す意味的な類似度Cn’とから、指標候補データInが示す指標と需要データDが示す需要との間の関連度Cnを算出する。
データ取得回路91、関連度算出回路94、指標データ抽出回路34、予測モデル選択回路36、需要予測回路37及び表示データ出力回路38のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ASIC、FPGA、又は、これらを組み合わせたものが該当する。
需要予測装置4が、ソフトウェア又はファームウェア等によって実現される場合、データ記憶部82及び予測モデル記憶部25が図4に示すコンピュータのメモリ41上に構成される。データ取得部81、関連度算出部84、指標データ抽出部24、予測モデル選択部26、需要予測部27及び表示データ出力部28におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムがメモリ41に格納される。そして、コンピュータのプロセッサ42がメモリ41に格納されているプログラムを実行する。
関連度算出部84以外は、図12に示す需要予測装置4と同様であるため、ここでは、関連度算出部84の動作のみを説明する。
関連度算出部84は、図2に示す関連度算出部23と同様に、指標候補データIn(n=1,・・・,N)と需要データDとの間の相関係数ccn、又は、指標候補データInと需要データDとの間の距離Lnを算出する。
関連度算出部84は、以下の式(2)に示すように、相関係数ccnと設定データBが示す意味的な類似度Cn’とから、指標候補データInが示す指標と需要データDが示す需要との間の関連度Cnを算出する。
あるいは、関連度算出部84は、以下の式(3)に示すように、距離Lnと設定データBが示す意味的な類似度Cn’とから、指標候補データInが示す指標と需要データDが示す需要との間の関連度Cnを算出する。
関連度算出部84は、相関係数ccn及び距離Lnのうち、相関係数ccnを用いる場合、N個の相関係数cc1~ccNについて、絶対値が大きい順にソートして、順番が早い相関係数ccnほど、大きなスコアSccnを設定する。
関連度算出部84は、相関係数ccn及び距離Lnのうち、距離Lnを用いる場合、N個の距離L1~LNについて、絶対値が小さい順にソートして、順番が早い距離Lnほど、大きなスコアSLnを設定する。
関連度算出部84は、N個の類似度C1’~ CN’について、絶対値が大きい順にソートして、順番が早い類似度Cn’ほど、大きなスコアSC’nを設定する。
関連度算出部84は、以下の式(4)又は式(5)に示すように、関連度Cnとして、相関係数ccnのスコアSccn又距離LnのスコアSLnと、類似度Cn’のスコアSC’nとの合計値を算出する。
Claims (8)
- 需要予測対象の製品における過去の需要の時間的な変化を示す需要データと、前記過去の需要に関連する指標の候補である複数の指標のそれぞれを示す指標候補データとを取得するデータ取得部と、
前記データ取得部により取得されたそれぞれの指標候補データが示す指標と前記データ取得部により取得された需要データが示す需要との間の関連度を算出する関連度算出部と、
前記関連度算出部により算出された関連度に基づいて、前記データ取得部により取得された複数の指標候補データの中から、前記製品の将来の需要を予測する需要予測処理に用いられる指標データを抽出する指標データ抽出部と、
前記指標データ抽出部により抽出された指標データを用いて、前記需要予測処理を行う需要予測部と、
を備え、
前記データ取得部は、
前記複数の指標候補データ及び前記需要データのほかに、それぞれの指標候補データが示す指標と前記需要データが示す需要との間の類似具合に相当する意味的な類似度を示す設定データを取得し、
前記関連度算出部は、
それぞれの指標候補データと前記需要データとの間の相関係数、又は、それぞれの指標候補データと前記需要データとの間の距離を算出し、それぞれの相関係数又はそれぞれの距離と、前記設定データが示す意味的な類似度とから、それぞれの指標候補データが示す指標と前記需要データが示す需要との間の関連度を算出することを特徴とする需要予測装置。 - 前記需要予測部は、
前記指標データ抽出部により抽出された指標データを予測モデルに与えて、前記予測モデルから、前記製品の将来の需要の予測結果を取得する需要予測処理を行うことを特徴とする請求項1記載の需要予測装置。 - 前記データ取得部により取得された需要データに基づいて、学習装置により生成された複数の予測モデルの中から、指標データが与えられる予測モデルを選択する予測モデル選択部を備え、
前記需要予測部は、
前記指標データ抽出部により抽出された指標データを前記予測モデル選択部により選択された予測モデルに与えて、当該予測モデルから、前記製品の将来の需要の予測結果を取得する需要予測処理を行うことを特徴とする請求項1記載の需要予測装置。 - 前記需要予測部による需要の予測結果を表示させるための表示データを生成し、前記表示データを出力する表示データ出力部を備えたことを特徴とする請求項1記載の需要予測装置。
- 前記指標データ抽出部は、前記データ取得部により取得された複数の指標候補データの中から、前記需要予測処理に用いられる指標データとして、前記関連度算出部により算出された関連度が高い上位M(Mは、1以上の整数)個の指標候補データを抽出することを特徴とする請求項1記載の需要予測装置。
- 前記データ取得部は、
前記複数の指標候補データとして、経済指標を示す指標候補データのほかに、経済指標以外の指標を示す指標候補データを取得することを特徴とする請求項1記載の需要予測装置。 - 前記複数の指標候補データの中に、複数の経済指標のそれぞれを示す指標候補データと、経済指標以外の複数の指標のそれぞれを示す指標候補データとが含まれており、
前記指標データ抽出部は、
前記関連度算出部により算出された関連度に基づいて、前記複数の経済指標のそれぞれを示す指標候補データの中から、前記需要予測処理に用いられる指標データを抽出し、前記経済指標以外の複数の指標のそれぞれを示す指標候補データの中から、前記需要予測処理に用いられる指標データを抽出することを特徴とする請求項6記載の需要予測装置。 - データ取得部が、需要予測対象の製品における過去の需要の時間的な変化を示す需要データと、前記過去の需要に関連する指標の候補である複数の指標のそれぞれを示す指標候補データとを取得し、
関連度算出部が、前記データ取得部により取得されたそれぞれの指標候補データが示す指標と前記データ取得部により取得された需要データが示す需要との間の関連度を算出し、
指標データ抽出部が、前記関連度算出部により算出された関連度に基づいて、前記データ取得部により取得された複数の指標候補データの中から、前記製品の将来の需要を予測する需要予測処理に用いられる指標データを抽出し、
需要予測部が、前記指標データ抽出部により抽出された指標データを用いて、前記需要予測処理を行い、
前記データ取得部は、
前記複数の指標候補データ及び前記需要データのほかに、それぞれの指標候補データが示す指標と前記需要データが示す需要との間の類似具合に相当する意味的な類似度を示す設定データを取得し、
前記関連度算出部は、
それぞれの指標候補データと前記需要データとの間の相関係数、又は、それぞれの指標候補データと前記需要データとの間の距離を算出し、それぞれの相関係数又はそれぞれの距離と、前記設定データが示す意味的な類似度とから、それぞれの指標候補データが示す指標と前記需要データが示す需要との間の関連度を算出することを特徴とする需要予測方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2021/035737 WO2023053236A1 (ja) | 2021-09-29 | 2021-09-29 | 需要予測装置及び需要予測方法 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP7162774B1 true JP7162774B1 (ja) | 2022-10-28 |
JPWO2023053236A1 JPWO2023053236A1 (ja) | 2023-04-06 |
JPWO2023053236A5 JPWO2023053236A5 (ja) | 2023-09-06 |
Family
ID=83806046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022505545A Active JP7162774B1 (ja) | 2021-09-29 | 2021-09-29 | 需要予測装置及び需要予測方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20240169377A1 (ja) |
JP (1) | JP7162774B1 (ja) |
CN (1) | CN117999569A (ja) |
DE (1) | DE112021008029T5 (ja) |
WO (1) | WO2023053236A1 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008083999A (ja) * | 2006-09-27 | 2008-04-10 | Sumitomo Heavy Ind Ltd | 需要予測方法、需要予測装置、需要予測プログラム、及び該プログラムを記録した記録媒体 |
JP2020154364A (ja) * | 2019-03-18 | 2020-09-24 | 株式会社明電舎 | 変圧器コスト予測装置 |
JP2021507323A (ja) * | 2017-12-18 | 2021-02-22 | オラクル・インターナショナル・コーポレイション | モデル生成のための動的な特徴選択 |
JP2021033881A (ja) * | 2019-08-28 | 2021-03-01 | 株式会社日立製作所 | 電力負荷予測装置および電力負荷予測方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015118412A (ja) | 2013-12-16 | 2015-06-25 | 三菱重工業株式会社 | 部品の需要予測装置及び部品の需要予測方法 |
-
2021
- 2021-09-29 WO PCT/JP2021/035737 patent/WO2023053236A1/ja active Application Filing
- 2021-09-29 JP JP2022505545A patent/JP7162774B1/ja active Active
- 2021-09-29 DE DE112021008029.6T patent/DE112021008029T5/de active Pending
- 2021-09-29 CN CN202180102379.5A patent/CN117999569A/zh active Pending
-
2024
- 2024-01-26 US US18/424,434 patent/US20240169377A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008083999A (ja) * | 2006-09-27 | 2008-04-10 | Sumitomo Heavy Ind Ltd | 需要予測方法、需要予測装置、需要予測プログラム、及び該プログラムを記録した記録媒体 |
JP2021507323A (ja) * | 2017-12-18 | 2021-02-22 | オラクル・インターナショナル・コーポレイション | モデル生成のための動的な特徴選択 |
JP2020154364A (ja) * | 2019-03-18 | 2020-09-24 | 株式会社明電舎 | 変圧器コスト予測装置 |
JP2021033881A (ja) * | 2019-08-28 | 2021-03-01 | 株式会社日立製作所 | 電力負荷予測装置および電力負荷予測方法 |
Non-Patent Citations (2)
Title |
---|
浜本 紘希,ほか,"LCD製造工程における製造情報オントロジーとベイジアンネットワークを用いた不良原因探索支援システム,システム/制御/情報,日本,一般社団法人システム制御情報学会,2018年03月15日,第62巻,第3号,第1-8頁 |
浜本 紘希,ほか: ""LCD製造工程における製造情報オントロジーとベイジアンネットワークを用いた不良原因探索支援システム", システム/制御/情報, vol. 第62巻,第3号, JPN6021046247, 15 March 2018 (2018-03-15), JP, pages 1 - 8, ISSN: 0004769373 * |
Also Published As
Publication number | Publication date |
---|---|
DE112021008029T5 (de) | 2024-05-08 |
JPWO2023053236A1 (ja) | 2023-04-06 |
CN117999569A (zh) | 2024-05-07 |
WO2023053236A1 (ja) | 2023-04-06 |
US20240169377A1 (en) | 2024-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Llorca et al. | Using the latent class approach to cluster firms in benchmarking: An application to the US electricity transmission industry | |
Shang et al. | Intraday forecasts of a volatility index: Functional time series methods with dynamic updating | |
JP2021039739A (ja) | 予測装置、予測プログラム、及び予測方法 | |
Bekiros et al. | Bayesian forecasting with small and medium scale factor-augmented vector autoregressive DSGE models | |
Buono et al. | Big data econometrics: Now casting and early estimates | |
JP2018113817A (ja) | 情報処理システム、および情報処理プログラム | |
Arumugam et al. | Fuzzy time series method for forecasting Taiwan export data | |
Li et al. | Optimization of investment strategies through machine learning | |
US20210090101A1 (en) | Systems and methods for business analytics model scoring and selection | |
JP7162774B1 (ja) | 需要予測装置及び需要予測方法 | |
Pashchenko | Analysis of the Quality of Predictive Models of Macroeconomic Parameters of Moscow for the Period of 10 years | |
Hung et al. | Garch models in forecasting the volatility of the world’s oil prices | |
WO2022222230A1 (zh) | 基于机器学习的指标预测方法、装置、设备及存储介质 | |
Poudel et al. | ARIMA Modeling and Forecasting of National Consumer Price Index in Nepal | |
US11113652B2 (en) | System and method for a recommendation mechanism regarding store remodels | |
Hartanto et al. | Stock Price Time Series Data Forecasting Using the Light Gradient Boosting Machine (LightGBM) Model | |
Rueda et al. | Important variables in explaining real-time peak price in the independent power market of Ontario | |
Li | Retracted: Neural network economic forecast method based on genetic algorithm | |
Bodnaruk et al. | PECULIARITIES OF THE STAGES OF RATING ASSESSMENT FORMATION IN RATING MANAGEMENT SYSTEM. | |
Bekiros et al. | Forecasting the US economy with a factor-augmented vector Autoregressive DSGE model | |
Marcellino et al. | Big data econometrics: Now casting and early estimates | |
Chen et al. | Nowcasting of Advance Estimates of Personal Consumption of Services in the US National Accounts: Individual Versus Forecasting Combination Approach | |
Wang et al. | Information fusion technique for weighted time series model | |
Bhattacharjee et al. | Nowcasting Growth using Google Trends Data: A Bayesian Structural Time Series Model | |
Badr et al. | Measuring the Impact of the COVID-19 Pandemic on Oil Prices Using Long Memory Models (November 1990 to December 2020) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220127 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220127 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220127 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220510 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220621 |
|
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: 20220920 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221018 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7162774 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |