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 PDF

Info

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
Application number
JP2022505545A
Other languages
English (en)
Other versions
JPWO2023053236A1 (ja
JPWO2023053236A5 (ja
Inventor
敬純 小部
瞭 松村
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Application granted granted Critical
Publication of JP7162774B1 publication Critical patent/JP7162774B1/ja
Publication of JPWO2023053236A1 publication Critical patent/JPWO2023053236A1/ja
Publication of JPWO2023053236A5 publication Critical patent/JPWO2023053236A5/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

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、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（２１）と、データ取得部（２１）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データ取得部（２１）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（２３）と、関連度算出部（２３）により算出された関連度に基づいて、データ取得部（２１）により取得された複数の指標候補データの中から、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を抽出する指標データ抽出部（２４）と、指標データ抽出部（２４）により抽出された指標データを用いて、需要予測処理を行う需要予測部（２７）とを備えるように、需要予測装置（４）を構成した。

Description

本開示は、需要予測装置及び需要予測方法に関するものである。
会社等が、製品の生産、又は、製品の販売等を行う上で、製品の将来の需要を予測することは重要である。製品の需要に関連する１つ以上の経済指標を解析モデルに与えて、当該解析モデルから、製品の将来の需要の予測結果を得る需要予測装置がある（特許文献１を参照）。経済指標としては、例えば、景気動向指数、平均株価、又は、燃料価格がある。
特開２０１５－１１８４１２号公報
特許文献１に開示されている需要予測装置では、解析モデルに与えられる１つ以上の経済指標の中に、製品の需要との関連度が高い経済指標だけでなく、関連度が低い経済指標が含まれている可能性がある。関連度が低い経済指標が含まれている場合、解析モデルによる需要の予測結果が、製品の将来の需要と乖離してしまうことがあるという課題があった。
本開示は、上記のような課題を解決するためになされたもので、需要予測装置に与えられる複数の指標候補データの中に、製品の需要との関連度が低い指標を示す指標候補データが含まれていても、需要の予測結果が、製品の将来の需要から乖離してしまうことを防ぐことができる需要予測装置及び需要予測方法を得ることを目的とする。
本開示に係る需要予測装置は、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と、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、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、関連度算出部により算出された関連度に基づいて、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、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、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、需要予測処理を行う需要予測部とを備えるものである。
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。
本開示によれば、需要予測装置に与えられる複数の指標候補データの中に、製品の需要との関連度が低い指標を示す指標候補データが含まれていても、需要の予測結果が、製品の将来の需要から乖離してしまうことを防ぐことができる。
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。 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。 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。 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。 実施の形態１に係る学習装置３及び需要予測装置４を示す構成図である。 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。 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。 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。 指標候補データの一例を示す説明図である。 学習装置３の処理手順を示すフローチャートである。 １つの予測モデルの入出力関係を示す説明図である。 実施の形態２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。 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。 設定データＢの一例を示す説明図である。 実施の形態３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。 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。
以下、本開示をより詳細に説明するために、本開示を実施するための形態について、添付の図面に従って説明する。
実施の形態１．
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。
意思決定支援装置２は、分析結果出力部１１及び表示部１２を備えている。分析結果出力部１１及び表示部１２については後述する。
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、例えば、図３に示すデータ取得回路３１によって実現される。
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、例えば、図３に示すデータ記憶回路３２によって実現される。
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、例えば、図３に示す関連度算出回路３３によって実現される。
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、例えば、図３に示す指標データ抽出回路３４によって実現される。
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、例えば、図３に示す予測モデル記憶回路３５によって実現される。
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、例えば、図３に示す予測モデル選択回路３６によって実現される。
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、例えば、図３に示す需要予測回路３７によって実現される。
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、例えば、図３に示す表示データ出力回路３８によって実現される。
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。
意思決定支援装置２の分析結果出力部１１は、データ記憶部２２から、指標データ抽出部２４から出力された、需要予測処理に用いられる指標データＩｍ’（ｍ＝１，・・・，Ｍ）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。
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２では、需要予測装置４の構成要素であるデータ取得部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のそれぞれが、図３に示すような専用のハードウェアによって実現されるものを想定している。即ち、需要予測装置４が、データ取得回路３１、データ記憶回路３２、関連度算出回路３３、指標データ抽出回路３４、予測モデル記憶回路３５、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によって実現されるものを想定している。
ここで、データ記憶回路３２及び予測モデル記憶回路３５のそれぞれは、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等の不揮発性又は揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、あるいは、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）が該当する。
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。
需要予測装置４の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、需要予測装置４が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
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。
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２２及び予測モデル記憶部２５がコンピュータのメモリ４１上に構成される。データ取得部２１、関連度算出部２３、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。
また、図３では、需要予測装置４の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図４では、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例を示している。しかし、これは一例に過ぎず、需要予測装置４における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素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ものであってもよい。
図５は、実施の形態１に係る学習装置３及び需要予測装置４を示す構成図である。
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、例えば、図６に示す学習データ取得回路６１によって実現される。
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、例えば、図６に示す学習データ記憶回路６２によって実現される。
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、例えば、図６に示す学習データ分析回路６３によって実現される。
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、例えば、図６に示す学習回路６４によって実現される。
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。
学習部５４により生成される予測モデルとしては、例えば、自己回帰モデル、移動平均モデル、自己回帰移動平均モデル、自己回帰和分移動平均モデル、又は、季節自己回帰移動平均モデルがある。これらの予測モデルは、時系列分析によって、需要予測が行われるモデルである。
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、例えば、図６に示す評価回路６５によって実現される。
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。
図５では、学習装置３の構成要素である学習データ取得部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のそれぞれが、図６に示すような専用のハードウェアによって実現されるものを想定している。即ち、学習装置３が、学習データ取得回路６１、学習データ記憶回路６２、学習データ分析回路６３、学習回路６４及び評価回路６５によって実現されるものを想定している。
ここで、学習データ記憶回路６２は、例えば、ＲＡＭ、ＲＯＭ、フラッシュメモリ、ＥＰＲＯＭ、ＥＥＰＲＯＭ等の不揮発性又は揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、あるいは、ＤＶＤが該当する。
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。
学習装置３の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、学習装置３が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
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。
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、学習データ記憶部５２がコンピュータのメモリ７１上に構成される。学習データ取得部５１、学習データ分析部５３、学習部５４及び評価部５５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７１に格納される。そして、コンピュータのプロセッサ７２がメモリ７１に格納されているプログラムを実行する。
また、図６では、学習装置３の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図７では、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例を示している。しかし、これは一例に過ぎず、学習装置３における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素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ものであってもよい。
次に、図２に示す需要予測装置４の動作について説明する。
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。
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（図８のステップＳＴ１）。Ｎは、２以上の整数である。
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は、指標候補データの一例を示す説明図である。
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、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、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）と需要データ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（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。
まず、関連度算出部２３は、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）の特徴量として、指標候補データＩｎの標準偏差ＩＳＤｎを算出し、需要データＤの特徴量として、需要データＤの標準偏差ＤＳＤを算出する。標準偏差の算出処理自体は、公知の技術であるため詳細な説明を省略する。
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。

Figure 0007162774000001
関連度Ｃｎは、相関係数であるため、－１～＋１の数値で表される。このため、関連度Ｃｎが＋１に近い程、正の相関が強く、関連度Ｃｎが－１に近い程、負の相関が強い。また、関連度Ｃｎが０に近い程、相関が弱い。
ここでは、関連度算出部２３が、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している。しかし、これは一例に過ぎず、関連度算出部２３が、関連度Ｃｎとして、指標候補データＩｎと需要データＤとの間の距離を算出するようにしてもよい。
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、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、０≦Ｃｎ≦１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。
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。
例えば、関連度Ｃｎが距離である場合、指標データ抽出部２４は、関連度Ｃｎが閾値Ｔｈ２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、関連度Ｃｎが閾値Ｔｈ２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。
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、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（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。
予測モデル選択部２６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、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（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。
ここでは、需要予測部２７が、指標データＩ１’～ ＩＭ’を予測モデルＰＭに与えて、予測モデルＰＭから、需要の予測結果Ｒを取得している。しかし、これは一例に過ぎず、需要予測部２７が、指標データＩ１’～ ＩＭ’を回帰分析することで、需要の予測結果Ｒを得るようにしてもよい。指標データＩ１’～ ＩＭ’の回帰分析処理自体は、公知の技術であるため詳細な説明を省略する。
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。
意思決定支援装置２の分析結果出力部１１は、データ記憶部２２から、データ取得部２１により取得された需要データＤと、指標データ抽出部２４により抽出された、需要予測処理に用いられた指標データＩｍ’（ｍ＝１，・・・，Ｍ）とを取得する。
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。
次に、図５に示す学習装置３の動作について説明する。
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。
学習データ記憶部５２は、学習データ取得部５１から出力されたＮ個のセットデータのそれぞれを記憶する。
学習データ分析部５３は、学習データ記憶部５２に含まれているＮ個のセットデータの中から、未だ取得していない１つのセットデータを取得する（図１０のステップＳＴ１２）。
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は、Ｎ個の関連度Ｃ１～ＣＮの算出処理が完了していれば（図１０のステップＳＴ１４：ＹＥＳの場合）、関連度Ｃｎ（ｎ＝１，・・・，Ｎ）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（図１０のステップＳＴ１５）。
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、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（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。
図１１は、１つの予測モデルの入出力関係を示す説明図である。
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、学習部５４から、Ｑ個の予測モデルを取得する。
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。
以下、評価部５５によるＧ個の予測モデルＰＭ１～ＰＭＧの特定処理の一例を具体的に説明する。
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。
以上の実施の形態１では、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と、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２１と、データ取得部２１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データ取得部２１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２３と、関連度算出部２３により算出された関連度に基づいて、データ取得部２１により取得された複数の指標候補データの中から、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を抽出する指標データ抽出部２４と、指標データ抽出部２４により抽出された指標データを用いて、需要予測処理を行う需要予測部２７とを備えるように、需要予測装置４を構成した。したがって、需要予測装置４は、与えられる複数の指標候補データの中に、製品の需要との関連度が低い指標を示す指標候補データが含まれていても、需要の予測結果が、製品の将来の需要から乖離してしまうことを防ぐことができる。
図２に示す需要予測装置４では、分析結果出力部１１が、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に出力し、表示部１２が、指標データＩｍ’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ている。しかし、これは一例に過ぎず、関連度算出部２３が、指標データＩｍ’（ｍ＝１，・・・，Ｍ）が示す指標と需要データＤが示す需要との間の関連度Ｃｍを、データ記憶部２２を介して、分析結果出力部１１に出力する。そして、分析結果出力部１１が、指標データＩｍ’、需要データＤ及び関連度Ｃｍのそれぞれを表示部１２に出力し、表示部１２が、指標データＩｍ’、需要データＤ及び関連度Ｃｍのそれぞれをディスプレイに表示させるようにしてもよい。
図２に示す需要予測装置４では、データ取得部２１が、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）及び需要データＤのそれぞれを取得している。しかし、これは一例に過ぎず、データ取得部２１が、指標候補データＩｎ及び需要データＤの他に、関連データを取得するようにしてもよい。関連データとしては、例えば、平日及び祝日等を示すカレンダー情報、製品の販売促進の内容を示す販促情報、製品の製造状況を示す製造情報、又は、製品の流通状況を示す流通情報がある。
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。
図２に示す需要予測装置４では、指標データ抽出部２４が、Ｎ個の指標候補データＩ１～ＩＮの中から、例えば、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から、需要予測処理に用いられる指標データを抽出し、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、需要予測処理に用いられる指標データを抽出するようにしてもよい。経済指標以外の指標としては、例えば、統計指標、又は、気象情報がある。
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。
図２に示す需要予測装置４は、データ記憶部２２及び予測モデル記憶部２５を備えている。しかし、これは一例に過ぎず、データ記憶部２２及び予測モデル記憶部２５が、ネットワーク上のストレージ装置に備えられていてもよい。この場合、関連度算出部２３及び指標データ抽出部２４が、データ記憶部２２にアクセスするための通信機能を備え、予測モデル選択部２６が、予測モデル記憶部２５にアクセスするための通信機能を備えている。
実施の形態２．
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１２は、実施の形態２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１２において、図２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。
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。
意思決定支援装置２は、分析結果出力部１１、表示部１２及び設定データ受付部１３を備えている。
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。
需要予測装置４は、データ取得部８１、データ記憶部８２、関連度算出部８３、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、例えば、図１３に示すデータ記憶回路９２によって実現される。
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、例えば、図１３に示す関連度算出回路９３によって実現される。
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。
図１２では、需要予測装置４の構成要素であるデータ取得部８１、データ記憶部８２、関連度算出部８３、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のそれぞれが、図１３に示すような専用のハードウェアによって実現されるものを想定している。即ち、需要予測装置４が、データ取得回路９１、データ記憶回路９２、関連度算出回路９３、指標データ抽出回路３４、予測モデル記憶回路３５、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によって実現されるものを想定している。
ここで、データ記憶回路９２及び予測モデル記憶回路３５のそれぞれは、例えば、ＲＡＭ、ＲＯＭ、フラッシュメモリ、ＥＰＲＯＭ、ＥＥＰＲＯＭ等の不揮発性又は揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、あるいは、ＤＶＤが該当する。
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の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、需要予測装置４が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
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。
また、図１３では、需要予測装置４の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図４では、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例を示している。しかし、これは一例に過ぎず、需要予測装置４における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素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ものであってもよい。
次に、図１２に示す需要予測装置４の動作について説明する。
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。
意思決定支援装置２の設定データ受付部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は、設定データＢの一例を示す説明図である。
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。
図１４において、○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以上であることを表している。したがって、例えば、経済指標（１）に係る指標候補データＩ１が示す指標と需要データ（ＡＡ）が示す需要との間の意味的な類似度Ｃ１－ＡＡ’を示す設定データＢは、閾値Ｔｈ３以上に設定されている。
×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。
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、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、データ記憶部８２から、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。
以上の実施の形態２では、データ取得部８１が、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意味的な類似度を示す設定データを取得する。また、関連度算出部８３が、データ取得部８１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データ取得部８１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代わりに、関連度として、設定データが示す意味的な類似度を指標データ抽出部２４に出力するように、図１２に示す需要予測装置４を構成した。したがって、図１２に示す需要予測装置４は、図２に示す需要予測装置４と同様に、与えられる複数の指標候補データの中に、製品の需要との関連度が低い指標を示す指標候補データが含まれていても、需要の予測結果が、製品の将来の需要から乖離してしまうことを防ぐことができる。
図５に示す学習装置３では、学習データ分析部５３が、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を算出し、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）を抽出している。しかし、これは一例に過ぎず、学習データ分析部５３が、設定データＢが示す類似度Ｃｎ’を関連度Ｃｎとし、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”を抽出するようにしてもよい。
実施の形態３．
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１５は、実施の形態３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１５において、図２及び図１２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。
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。
需要予測装置４は、データ取得部８１、データ記憶部８２、関連度算出部８４、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。
関連度算出部８４は、例えば、図１６に示す関連度算出回路９４によって実現される。
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。
図１５では、需要予測装置４の構成要素であるデータ取得部８１、データ記憶部８２、関連度算出部８４、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のそれぞれが、図１６に示すような専用のハードウェアによって実現されるものを想定している。即ち、需要予測装置４が、データ取得回路９１、データ記憶回路９２、関連度算出回路９４、指標データ抽出回路３４、予測モデル記憶回路３５、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によって実現されるものを想定している。
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の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、需要予測装置４が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
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。
また、図１６では、需要予測装置４の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図４では、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例を示している。しかし、これは一例に過ぎず、需要予測装置４における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素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ものであってもよい。
次に、図１５に示す需要予測装置４の動作について説明する。
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、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。

Figure 0007162774000002
関連度算出部８４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。
ここでは、関連度算出部８４が、関連度Ｃｎとして、相関係数ｃｃｎ又は距離Ｌｎと、設定データＢが示す意味的な類似度Ｃｎ’との平均を算出している。しかし、これは一例に過ぎず、関連度算出部８４が、以下に示すように、相関係数ｃｃｎ又は距離Ｌｎと、類似度Ｃｎ’とをスコア化して、スコアに基づいて、関連度Ｃｎを算出するようにしてもよい。
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。

Figure 0007162774000003
以上の実施の形態３では、データ取得部８１が、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８４が、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ように、図１５に示す需要予測装置４を構成した。したがって、図１５に示す需要予測装置４は、図２に示す需要予測装置４又は図１２に示す需要予測装置４よりも、需要の予測精度を高めることができる。
なお、本開示は、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。
本開示は、需要予測装置及び需要予測方法に適している。
１ 需要予測システム、２ 意思決定支援装置、３ 学習装置、４ 需要予測装置、１１ 分析結果出力部、１２ 表示部、１３ 設定データ受付部、２１ データ取得部、２２ データ記憶部、２３ 関連度算出部、２４ 指標データ抽出部、２５ 予測モデル記憶部、２６ 予測モデル選択部、２７ 需要予測部、２８ 表示データ出力部、３１ データ取得回路、３２ データ記憶回路、３３ 関連度算出回路、３４ 指標データ抽出回路、３５ 予測モデル記憶回路、３６ 予測モデル選択回路、３７ 需要予測回路、３８ 表示データ出力回路、４１ メモリ、４２ プロセッサ、５１ 学習データ取得部、５２ 学習データ記憶部、５３ 学習データ分析部、５４ 学習部、５５ 評価部、６１ 学習データ取得回路、６２ 学習データ記憶回路、６３ 学習データ分析回路、６４ 学習回路、６５ 評価回路、７１ メモリ、７２ プロセッサ、８１ データ取得部、８２ データ記憶部、８３，８４ 関連度算出部、９１ データ取得回路、９２ データ記憶回路、９３，９４ 関連度算出回路。

Claims (8)

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  7. 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。
  8. 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。
JP2022505545A 2021-09-29 2021-09-29 需要予測装置及び需要予測方法 Active JP7162774B1 (ja)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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