JP7192025B2 - 推移予測装置、推移予測方法、および、推移予測プログラム - Google Patents

Description

本開示は、推移予測装置、推移予測方法、および、推移予測プログラムに関する。特に、遂行中のプロジェクトにおける将来のデータ推移を予測する推移予測装置、推移予測方法、および、推移予測プログラムに関する。

従来、プロジェクトにかかる最終コストを予測する方法として、遂行中のある時点において発生しているコストから最終コストを予測する方法がある。例えば、材料費あるいは人件費といった項目ごとにコストを予測し、予測した項目ごとのコストを加算することでプロジェクト全体における最終コストを予測する方法がある。この方法では、各項目において今後発生するコストを、進捗に基づいて予測している。そのため、作業の進捗と相関のない項目については、今後発生するコストを正確に予測することはできない。

特許文献１には、コスト発生推移パターンを用いて項目別にコストを予測する発想が開示されている。

特開２０１２－２３８０４９号公報

特許文献１では、コスト発生推移パターンは項目別に用意されており、人手によりコスト発生推移パターンを推測して設定しなければならないという課題がある。
また、コスト推移を予測するために、全プロジェクトのデータをそのまま機械学習させた場合、全体の平均となる推移または該当件数が多いパターンを参考に予測するため、プロジェクトの開発形態あるいはコスト推移の傾向を考慮した予測ができないという課題がある。
また、プロジェクト序盤では、将来のコスト推移の変化が様々なパターンをとる可能性があり、プロジェクト序盤では予測を間違えやすい傾向にあるという課題もある。

本開示では、遂行中のプロジェクトにおけるデータ推移から、プロジェクトの特性および推移の傾向を考慮した高精度な推移予測を自動的に実施することを目的とする。

本開示に係る推移予測装置は、
完了済のプロジェクトにおけるプロジェクトデータのデータ推移をクラスタに分類した分類結果と前記完了済のプロジェクトの各々の特性を表すプロジェクト特性とを用いて機械学習することにより、前記プロジェクトデータのデータ推移の予測に用いる推移予測モデルを生成する学習部と、
予測対象のプロジェクトにおける現時点までのデータ推移である予測対象推移に基づいて、前記クラスタに含まれるデータ推移と前記予測対象のプロジェクトのプロジェクト特性である予測対象特性とを用いて、前記推移予測モデルにより前記予測対象推移における将来の推移を推移パターンとして推定するパターン推定部と、
前記選択されたクラスタから、前記予測対象推移に類似するデータ推移を類似推移として抽出する類似抽出部と、
前記推移パターンと前記類似推移とに基づいて、前記予測対象推移における将来の推移を推移予測結果として予測するパターン予測部とを備える。

前記パターン推定部は、
前記クラスタに含まれるデータ推移から前記クラスタの代表推移を算出し、前記代表推移と前記予測対象推移との類似確率を計算し、前記類似確率と前記予測対象特性とを特徴量として、前記推移予測モデルにより前記推移パターンを推定する。

前記類似抽出部は、
前記予測対象推移の現時点が前記予測対象のプロジェクトの開始時点に近いほど多くの数の前記類似推移を抽出する。

前記推移予測装置は、
前記予測対象推移のデータ時点と抽出する前記類似推移の数とを対応付けた類似抽出数情報を備え、
前記類似抽出部は、
前記類似抽出数情報に基づいて、前記類似推移を抽出する。

前記学習部は、
前記データ推移を分類する前に、前記プロジェクトの開始時点から終了時点までのプロジェクト期間におけるデータの実績値の数が、予め定められた基準数となるように推移を補間する補間処理を前記データ推移に対して実施する。

前記学習部は、
前記データ推移を分類する前に、推移のデータの大きさを前後のデータの勾配に変換する変換処理を前記データ推移に対して実施する。

前記学習部は、
前記補間処理を実施した後の前記データ推移に対して前記変換処理を実施する。

前記パターン推定部は、
前記類似するクラスタを選択する前に、前記補間処理を実施した後の前記予測対象推移に対して前記変換処理を実施する。

本開示に係る推移予測方法は、
完了済のプロジェクトにおけるプロジェクトデータのデータ推移をクラスタに分類した分類結果と前記完了済のプロジェクトの各々の特性を表すプロジェクト特性とを用いて機械学習することにより、前記プロジェクトデータのデータ推移の予測に用いる推移予測モデルを生成し、
予測対象のプロジェクトにおける現時点までのデータ推移である予測対象推移に基づいて、前記クラスタに含まれるデータ推移と前記予測対象のプロジェクトのプロジェクト特性である予測対象特性とを用いて、前記推移予測モデルにより前記予測対象推移における将来の推移を推移パターンとして推定し、
前記選択されたクラスタから、前記予測対象推移に類似するデータ推移を類似推移として抽出し、
前記推移パターンと前記類似推移とに基づいて、前記予測対象推移における将来の推移を推移予測結果として予測する。

本開示に係る推移予測プログラムは、
完了済のプロジェクトにおけるプロジェクトデータのデータ推移をクラスタに分類した分類結果と前記完了済のプロジェクトの各々の特性を表すプロジェクト特性とを用いて機械学習することにより、前記プロジェクトデータのデータ推移の予測に用いる推移予測モデルを生成する学習処理と、
予測対象のプロジェクトにおける現時点までのデータ推移である予測対象推移に基づいて、前記クラスタに含まれるデータ推移と前記予測対象のプロジェクトのプロジェクト特性である予測対象特性とを用いて、前記推移予測モデルにより前記予測対象推移における将来の推移を推移パターンとして推定するパターン推定処理と、
前記選択されたクラスタから、前記予測対象推移に類似するデータ推移を類似推移として抽出する類似抽出処理と、
前記推移パターンと前記類似推移とに基づいて、前記予測対象推移における将来の推移を推移予測結果として予測するパターン予測処理と
をコンピュータに実行させる。

本開示に係る推移予測装置では、学習部が、完了済のプロジェクトにおけるデータ推移をクラスタに分類した分類結果と、完了済のプロジェクトのプロジェクト特性とを用いて機械学習することにより、推移予測モデルを生成する。パターン推定部が、予測対象推移に類似するクラスタに含まれるデータ推移と予測対象特性とを用いて、推移予測モデルにより予測対象推移の推移パターンを推定する。そして、パターン予測部が、推移パターンと、選択されたクラスタから抽出した類似推移とに基づいて、予測対象推移における将来の推移を推移予測結果として予測する。よって、本開示に係る推移予測装置によれば、遂行中のプロジェクトにおけるデータ推移から、プロジェクトの特性および推移の傾向を考慮した推移予測を実施することができるという効果を奏する。

実施の形態１に係る推移予測装置の構成例を示す図。 実施の形態１に係る推移予測装置の全体処理の例を示す模式図。 実施の形態１に係る推移予測装置の学習処理の例を示すフロー図。 実施の形態１に係る補間処理の例１および例２を示す図。 実施の形態１に係る変換処理の例を示す図。 実施の形態１に係る補間処理→変換処理の順番で処理する理由を示す図。 実施の形態１に係る推移予測装置による予測処理の例を示すフロー図。 実施の形態１に係る類似抽出数情報の例を示す図。 実施の形態１の変形例に係る推移予測装置の構成例。

以下、本開示の実施の形態について、図を用いて説明する。なお、各図中、同一または相当する部分には、同一符号を付している。実施の形態の説明において、同一または相当する部分については、説明を適宜省略または簡略化する。

実施の形態１．
＊＊＊構成の説明＊＊＊
図１は、本実施の形態に係る推移予測装置１００の構成例を示す図である。
推移予測装置１００は、完了済のプロジェクトにおけるプロジェクトデータのデータ推移５１と、完了済のプロジェクトの各々の特性を表すプロジェクト特性５１１とを用いて機械学習することにより、推移予測モデル５３を生成する。推移予測モデル５３は、プロジェクトにおけるデータ推移の予測に用いられる。
また、推移予測装置１００は、遂行中のプロジェクトのプロジェクトデータのデータ推移を予測対象推移５４とし、そのプロジェクトの特性を表すプロジェクト特性を予測対象特性５５として、推移予測モデル５３等を用いて予測対象推移５４の将来の推移を予測する。
ここで、データ推移とは、例えば、データの推移を表すグラフ形状で表される。

プロジェクトデータの例として、プロジェクトにおける各種のコストが想定される。また、プロジェクト特性の例として、プロジェクト区分、プロジェクトの業種、あるいは、システム開発、パッケージソフトを利用した開発、基盤構築、およびネットワーク構築といった開発形態といった特性が想定される。

推移予測装置１００は、コンピュータである。推移予測装置１００は、プロセッサ９１０を備えるとともに、メモリ９２１、補助記憶装置９２２、入力インタフェース９３０、出力インタフェース９４０、および通信装置９５０といった他のハードウェアを備える。プロセッサ９１０は、信号線を介して他のハードウェアと接続され、これら他のハードウェアを制御する。

推移予測装置１００は、機能要素として、学習部１１０とパターン推定部１２０と類似抽出部１３０とパターン予測部１４０と記憶部１５０を備える。記憶部１５０には、データ推移５１、プロジェクト特性５１１、分類結果５２、推移予測モデル５３、予測対象推移５４、予測対象特性５５、推移パターン５６、類似抽出数情報５７、および推移予測結果５８といった情報が記憶される。

学習部１１０とパターン推定部１２０と類似抽出部１３０とパターン予測部１４０の機能は、ソフトウェアにより実現される。
記憶部１５０は、メモリ９２１に備えられる。なお、記憶部１５０は、補助記憶装置９２２に備えられていてもよいし、メモリ９２１と補助記憶装置９２２に分散して備えられていてもよい。

プロセッサ９１０は、推移予測プログラムを実行する装置である。推移予測プログラムは、学習部１１０とパターン推定部１２０と類似抽出部１３０とパターン予測部１４０の機能を実現するプログラムである。
プロセッサ９１０は、演算処理を行うＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）である。プロセッサ９１０の具体例は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）である。

メモリ９２１は、データを一時的に記憶する記憶装置である。メモリ９２１の具体例は、ＳＲＡＭ（Ｓｔａｔｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、あるいはＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）である。

補助記憶装置９２２は、データを保管する記憶装置である。補助記憶装置９２２の具体例は、ＨＤＤである。また、補助記憶装置９２２は、ＳＤ（登録商標）メモリカード、ＣＦ、ＮＡＮＤフラッシュ、フレキシブルディスク、光ディスク、コンパクトディスク、ブルーレイ（登録商標）ディスク、ＤＶＤといった可搬の記憶媒体であってもよい。なお、ＨＤＤは、Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅの略語である。ＳＤ（登録商標）は、Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌの略語である。ＣＦは、ＣｏｍｐａｃｔＦｌａｓｈ（登録商標）の略語である。ＤＶＤは、Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋの略語である。

入力インタフェース９３０は、マウス、キーボード、あるいはタッチパネルといった入力装置と接続されるポートである。入力インタフェース９３０は、具体的には、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）端子である。なお、入力インタフェース９３０は、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）と接続されるポートであってもよい。
推移予測装置１００は、入力インタフェース９３０を介して、データ推移５１、プロジェクト特性５１１、予測対象推移５４、および、予測対象特性５５といった情報を取得してもよい。

出力インタフェース９４０は、ディスプレイといった表示機器のケーブルが接続されるポートである。出力インタフェース９４０は、具体的には、ＵＳＢ端子またはＨＤＭＩ（登録商標）（Ｈｉｇｈ Ｄｅｆｉｎｉｔｉｏｎ Ｍｕｌｔｉｍｅｄｉａ Ｉｎｔｅｒｆａｃｅ）端子である。ディスプレイは、具体的には、ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）である。
推移予測装置１００は、出力インタフェース９４０を介して、分類結果５２、推移予測モデル５３、推移パターン５６、および、推移予測結果５８といった情報を出力してもよい。

通信装置９５０は、ネットワークを介して他の装置と通信する。通信装置９５０は、レシーバとトランスミッタを有する。通信装置９５０は、有線または無線で、ＬＡＮ、インターネット、あるいは電話回線といった通信網に接続している。通信装置９５０は、具体的には、通信チップまたはＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）である。
推移予測装置１００は、通信装置９５０を介して、データ推移５１、プロジェクト特性５１１、予測対象推移５４、および、予測対象特性５５といった情報を受信してもよい。また、推移予測装置１００は、通信装置９５０を介して、分類結果５２、推移予測モデル５３、推移パターン５６、および、推移予測結果５８といった情報を他の装置へ送信してもよい。

推移予測プログラムは、プロセッサ９１０に読み込まれ、プロセッサ９１０によって実行される。メモリ９２１には、推移予測プログラムだけでなく、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）も記憶されている。プロセッサ９１０は、ＯＳを実行しながら、推移予測プログラムを実行する。推移予測プログラムおよびＯＳは、補助記憶装置９２２に記憶されていてもよい。補助記憶装置９２２に記憶されている推移予測プログラムおよびＯＳは、メモリ９２１にロードされ、プロセッサ９１０によって実行される。なお、推移予測プログラムの一部または全部がＯＳに組み込まれていてもよい。

推移予測装置１００は、プロセッサ９１０を代替する複数のプロセッサを備えていてもよい。これら複数のプロセッサは、推移予測プログラムの実行を分担する。それぞれのプロセッサは、プロセッサ９１０と同じように、推移予測プログラムを実行する装置である。

推移予測プログラムにより利用、処理または出力されるデータ、情報、信号値および変数値は、メモリ９２１、補助記憶装置９２２、または、プロセッサ９１０内のレジスタあるいはキャッシュメモリに記憶される。

学習部１１０とパターン推定部１２０と類似抽出部１３０とパターン予測部１４０の各部の「部」を「処理」、「手順」あるいは「工程」に読み替えてもよい。推移予測プログラムは、学習処理とパターン推定処理と類似抽出処理とパターン予測処理を、コンピュータに実行させる。また、推移予測方法は、推移予測装置１００が推移予測プログラムを実行することにより行われる方法である。
推移予測プログラムは、コンピュータが読み取り可能な記録媒体に格納されて提供されてもよい。また、推移予測プログラムは、プログラムプロダクトとして提供されてもよい。

＊＊＊動作の説明＊＊＊
以下、図２から図８を使って、本実施の形態に係る推移予測装置１００の動作について説明する。
推移予測装置１００の動作手順は、推移予測方法および推移予測処理に相当する。また、推移予測装置１００の動作を実現するプログラムは、推移予測プログラムに相当する。

図２は、本実施の形態に係る推移予測装置１００の推移予測処理の例を示す模式図である。
推移予測処理は、学習処理と予測処理から構成される。
学習処理では、完了済のプロジェクトにおけるデータ推移５１をクラスタに分類し、分類した結果である分類結果５２とプロジェクト特性５１１とを用いて機械学習することにより、推移予測モデル５３を生成する。推移予測モデル５３は、ランダムフォレスト手法等によって、学習され生成される。
予測処理では、推移予測モデル５３と、予測対象推移５４に類似するクラスタとを使って、予測対象推移５４の将来の推移を予測する。
なお、クラスタはグループともいう。

図３は、本実施の形態に係る推移予測装置１００の学習処理の例を示すフロー図である。
＜学習処理＞
学習部１１０は、完了済のプロジェクトにおけるデータ推移５１をクラスタに分類する。そして、学習部１１０は、クラスタに分類した分類結果５２と完了済のプロジェクトの各々の特性を表すプロジェクト特性５１１とを用いて機械学習することにより、プロジェクトにおけるデータ推移の予測に用いる推移予測モデル５３を生成する。
学習処理は、データ取得処理と補間処理と変換処理とクラスタリング処理を含む。

＜＜データ取得処理＞＞
ステップＳ１０１において、学習部１１０は、完了済のプロジェクトのプロジェクトデータから、データ推移５１と完了済のプロジェクトのプロジェクト特性５１１とを取り込む。
データ推移５１とは、完了済のプロジェクトにおけるデータの実績値の推移をグラフで表したグラフ形状で表されている。完了済のプロジェクトにおけるデータの実績とは、例えば、完了済のプロジェクトにおけるコストの実績である。
図３では、データ推移５１として、完了済プロジェクトの各々の原価実績の推移を取り込んでいる。プロジェクト特性５１１は、完了済のプロジェクトの各々のプロジェクト区分、開発形態、および、業種といった情報である。
なお、本実施の形態では、推移を予測するデータとしてコストを想定している。よって、データ推移およびデータの実績値を、コスト推移およびコストの実績値と称する場合がある。なお、推移を予測するデータはコスト以外のデータでも構わない。

＜＜補間処理＞＞
ステップＳ１０２において、学習部１１０は、データ推移５１を分類する前に、補間処理をデータ推移５１の各々に対して実施する。
補間処理は、プロジェクトの開始時点から終了時点までのプロジェクト期間におけるデータの実績値の数が、予め定められた基準数となるように推移を補間する処理である。

プロジェクトごとに開始時点から終了時点までのプロジェクト期間が異なるため、データ推移５１におけるデータの実績値の数がプロジェクトによって異なる。そこでプロジェクト期間を正規化し対象となるプロジェクトのプロジェクト期間を合わせるのが、補間処理となる。また、コストのデータ推移５１の場合、特に推移の傾向が重要となるため、対象となるプロジェクトの推移の時系列における同一時点の実績値を対応づける必要がある。そのため、各プロジェクトにおけるデータの実績値の数を同一にする必要がある。よって、各プロジェクトにおけるデータの実績値の数を同一にするデータ補間を行う補間処理を実施する。

データ補間を行う上で、基準とする実績値の数を基準数として定義する。例えば、基準数を「１２」と設定する。基準数として設定される「１２」は、プロジェクト期間の平均件数に近く、また、プロジェクト期間が１年とした場合に毎月の実績値ととらえることができ、意味が理解しやすい数値として好ましい。
学習部１１０は、各プロジェクトのデータ推移５１のデータの実績値の数が「１２」となるように、データ推移５１に対して補間処理を実施する。
なお、その他の数、例えば、５、２０、あるいは２４といった基準数を採用しても構わない。

図４は、本実施の形態に係る補間処理の例１および例２を示す図である。
図４の例１では、線形補間を用いて、１０件の実績値を５件に補間した例を示している。
図４の例２では、線形補間を用いて、１０件の実績値を２０件に補間した例を示している。

各プロジェクトにおけるデータの実績値の数を基準数に揃えるためには、実際には計測されていない時点の値を用いる必要がある。計測されていない時点の値は、その前後の実測値の値をもとに補間する。補間には、例えば、「線形補間」を採用する。「線形補間」は、任意の値に対応する関数値を、既知の２点を通る線分で近似する方法である。図４の例１および例２に示すように、本実施の形態では、任意の時点に対応するコスト推移の値を、２つの実測値を結んだ直線で近似する。

＜＜変換処理＞＞
ステップＳ１０３において、学習部１１０は、データ推移５１を分類する前に、推移のデータの大きさを前後のデータの勾配に変換する変換処理をデータ推移５１に対して実施する。特に、学習部１１０は、補間処理を実施した後のデータ推移５１に対して変換処理を実施することが好ましい。
上述した補間処理ではプロジェクト期間の正規化を行ったが、変換処理ではデータの推移に関する正規化を行う。

コストのデータ推移５１をそのまま分類すると、コストの変化の度合いではなくコストの実績値が近いもので分類される虞がある。
コストの実績値は、プロジェクトの規模等により異なるため、コストの実績値の大きさの推移ではなく、変化の度合いによる分類を行うことが好ましい。このため、各データの実績値を勾配に変換する変換処理を実施する。

図５は、本実施の形態に係る変換処理の例を示す図である。
変換対象の時系列データをｑ＝（ｑ_１，ｑ_２，・・・，ｑ_ｎ）（ｎは３以上の自然数）とすると、勾配の変換には、下記の数１の式を用いる。なお、下記の数１の式は時系列データのクラスタリング手法で有用とされるＤＤＴＷ（Ｄｅｒｉｖａｔｉｖｅ Ｄｙｎａｍｉｃ Ｔｉｍｅ Ｗａｒｐｉｎｇ）法に用いられる変換式である。ｉ時点を変換対象の時点とすると、Ｄｑ_ｉは、１時点前（ｉ－１時点）と２時点前（ｉ－２時点）のデータの推移の勾配と、現時点（ｉ時点）と２時点前（ｉ－２時点）のデータの推移の勾配の平均値を表す。

図６は、本実施の形態に係る補間処理→変換処理の順番で処理する理由を示す図である。上述したように、データ推移に対して補間処理を実施した後に変換処理を実施し、その後データ推移を分類することが好ましい。

同一のグラフ形状をしたデータ推移であっても、データの実績値の数（あるいは、プロジェクト期間の長短）により、勾配変換後のグラフ形状が異なってしまう。グラフ形状が異なってしまうと、元が同一のグラフ形状を有するデータ推移であっても類似形状の波形に分類できなくなる。

図６の上段の表では、比較例として変換処理→補間処理の順番で処理する例を示している。上段の表では、１７件の実績値の波形データと５件の実績値の波形データは略同一形状である。しかし、同一形状の波形データであっても報告年月の件数（実績値の数）の多寡により、勾配変換後の形状が異なってしまう。このように、勾配変換後にグラフ形状が異なってしまうので、その後にデータ補間をした場合に異なるグラフ形状となってしまう。

図６の下段の表では、本実施の形態で説明したように、補間処理→変換処理の順番で処理する例を示している。
１７件の実績値の波形データと５件の実績値の波形データは同一形状であり、データ補間をした後であっても略同一形状のままである。よって、勾配変換をした後も略同一形状となり、１７件の実績値の波形データと５件の実績値の波形データは、正しく類似形状の波形に分類される。
このように、まず、観測点の個数を揃えるためにデータ補間を行い、その後、勾配変換を行うことが好ましい。

＜＜クラスタリング処理＞＞
ステップＳ１０４において、学習部１１０は、データ推移５１をクラスタに分類し、分類結果５２を記憶部１５０に記憶する。つまり、分類結果５２には、各々が類似するデータ推移５１を含む複数のクラスタが含まれる。具体的には、学習部１１０は、コサイン距離でデータの類似性を判断し、クラスタリングを実施する。
また、学習部１１０は、分類結果５２と完了済のプロジェクトの各々の特性を表すプロジェクト特性５１１とを用いて機械学習することにより、プロジェクトにおけるデータ推移の予測に用いる推移予測モデル５３を生成する。

本実施の形態では、プロジェクトの特性に応じた予測を行うため、完了済のプロジェクトのデータ推移５１を、推移の形状が類似するパターンに分類し、クラスタ化する。
また、分類結果５２と完了済のプロジェクトの各々の特性を表すプロジェクト特性５１１とを用いた機械学習により推移予測モデル５３を生成するので、プロジェクトの開発形態、進め方、および業種といったプロジェクトの特性を考慮したデータ推移の予測が可能となる。

図７は、本実施の形態に係る推移予測装置１００による予測処理の例を示すフロー図である。

＜予測処理＞
次に、学習処理で生成した推移予測モデル５３と分類結果５２とを使って、予測対象となる遂行中のプロジェクトのデータ推移である予測対象推移５４から、将来のデータ推移を高精度に予測する予測処理について説明する。
予測処理は、パターン推定処理と類似抽出処理とパターン予測処理とを含む。

＜＜パターン推定処理＞＞
ステップＳ２０１において、パターン推定部１２０は、予測対象のデータ推移である予測対象推移５４と、予測対象推移５４に対応するプロジェクト特性である予測対象特性５５を取り込む。予測対象推移５４は、予測対象である遂行中のプロジェクトにおける開始時点から現時点までのデータ実績の推移を表す。予測対象特性５５は、予測対象のプロジェクトのプロジェクト特性である。
なお、現時点とは、データ実績が取得できている最新の時点を示しており、予測処理では予測対象推移５４における現時点以降の将来のデータ推移を予測する。

ステップＳ２０２において、パターン推定部１２０は、予測対象推移５４に対して、補間処理を実施する。例えば、遂行中のプロジェクトの開始時点から終了予定の時点までのデータの実績値の数が基準数の１２となるように、予測対象推移５４に対して補間処理を実施する。
次に、ステップＳ２０３において、パターン推定部１２０は、補間処理を実施した後の予測対象推移５４に対して変換処理を実施する。
つまり、ステップＳ２０２およびステップＳ２０３において、パターン推定部１２０は、ステップＳ２０４において予測対象推移５４に類似するクラスタを選択する前に、補間処理を実施した後の予測対象推移５４に対して変換処理を実施する。
補間処理および変換処理については、図３のステップＳ１０２およびステップＳ１０３で説明した方法と同様である。

ステップＳ２０４において、パターン推定部１２０は、予測対象推移５４と分類結果５２に含まれる複数のクラスタとの類似確率を算出する。類似確率とは、予測対象推移５４と各クラスタとの類似度を確率に変換した数値である。
パターン推定部１２０は、分類結果５２に含まれる各クラスタに含まれるデータ推移５１に基づいて、各クラスタの代表推移を算出する。代表推移とは、各クラスタの中で、何等かの方法により、選択される代表的な推移のことを示す。代表推移は、例えば、各クラスタ内のデータ推移５１の平均値である。あるいは、各クラスタ内のデータ推移５１の中央値であってもよい。そして、パターン推定部１２０は、代表推移と予測対象推移５４との類似確率を計算する。
具体的には、以下の通りである。

プロジェクトが進行するにつれてデータ推移の波形は変化していく。このため、パターン推定部１２０は、予測をする直前の時点（すなわち、現時点）までの波形を元に、予測対象推移５４と各クラスタとの類似確率を算出する。
補間処理を実施した場合でも、進捗具合が異なるプロジェクト同士では、データ推移の時点数が異なる。このため、形状の単純比較を行うことはできない。そこで、予測対象推移５４と各クラスタの代表推移（代表波形ともいう）との距離を類似確率に変換する。類似確率が高いということは、予測対象推移５４がそのクラスタに該当する確率が高いということを意味する。以下に、変換の手順を示す。

（１）ｃ番目のクラスタの代表波形との距離をｄ_ｃとすると、その逆数ｉｄ_ｃは下記の数２の通り計算される。

（２）全クラスタの逆数の合計値で除算し、類似確率ｐ_ｃを下記の数３の通り計算する。

ステップＳ２０５において、パターン推定部１２０は、予測対象推移５４と予測対象特性５５とを入力データとして、推移予測モデル５３により、予測対象推移５４に類似するクラスタである推移パターン５６を推定する。
なお、推移予測モデル５３を用いずに、ステップＳ２０４において算出されたクラスタの類似確率を用いて、予測対象推移５４に類似するクラスタである推移パターン５６を推定してもよい。ただし、予測対象特性５５も用い、推移予測モデル５３により推移パターン５６を推定することで、予測対象推移５４の推移のパターンが不明確であるプロジェクトの進行序盤においても、予測対象特性５５による推移のパターンの差異を推移パターン５６の推定に反映することができる。
パターン推定部１２０は、選択されたクラスタとして、最も類似確率が高いクラスタを１つだけ選択してもよいし、あるいは類似確率が高いクラスタから複数のクラスタを選択してもよい。

＜＜類似抽出処理＞＞
ステップＳ２０６において、類似抽出部１３０は、選択されたクラスタから、予測対象推移５４に類似するデータ推移５１を類似推移５９として抽出する。例えば、類似抽出部１３０は、予測対象推移５４の現時点が予測対象のプロジェクトの開始時点に近いほど多くの数のデータ推移５１を類似推移５９として抽出する。
なお、パターン推定部１２０において複数のクラスタが選択された場合は、クラスタごとにデータ推移５１から類似推移５９として抽出する。

類似抽出部１３０は、予測対象推移５４に類似する（該当する確率が高い）クラスタから、データ推移５１の形状と類似する類似推移５９を所定数抽出する。このとき、類似推移５９の抽出件数である所定数は、推移を予測したいプロジェクトの進行状況によって変化させる。
例えば、推移を予測したいプロジェクトの進行序盤では、予測対象推移５４における将来の推移の変化の幅は大きいと考えられる。よって、将来の推移を予測するための類似推移５９の抽出数を多くして予測精度を向上させる。また、推移を予測したいプロジェクトの終盤では、予測対象推移５４における将来の推移の変化の幅は小さいと考えられる。よって、将来の推移を予測するための類似推移５９の抽出数を少なくして、処理効率を向上させる。

図８は、本実施の形態に係る類似抽出数情報５７の例を示す図である。
類似抽出数情報５７は、予測対象推移５４のデータ時点と、抽出する類似推移５９の数とを対応付けた情報である。

図８の例では、進行中プロジェクトの現時点が開始時点に近い３の場合、選択されたクラスタから類似推移５９として抽出するデータ推移の数は２２件である。また、進行中プロジェクトの現時点が終了予定時点に近い１１の場合、選択されたクラスタから類似推移５９として抽出するデータ推移の数は６件である。

なお、類似抽出部１３０は、選択されたクラスタに含まれるデータ推移と予測対象推移５４とのユークリッド距離に基づいて、類似推移５９として抽出するデータ推移を決定する。

＜＜パターン予測処理＞＞
ステップＳ２０７において、パターン予測部１４０は、推移パターン５６と、ステップＳ２０６で抽出された類似推移５９とに基づいて、予測対象推移５４における将来の推移を推移予測結果５８として予測する。パターン予測部１４０は、推移パターン５６と所定数の類似推移５９とを用いて推移予測結果５８を算出する。
具体的には、パターン予測部１４０は、推移パターン５６と所定数の類似推移５９との各時点の平均値を算出し、その平均値を推移予測結果５８とする。図２に示すように、現時点以降の推移が推移予測結果５８として得られる。例えば、予測対象推移５４がコスト推移の場合、推移予測結果５８により将来のコスト見込の予測結果が得られる。
なお、ステップＳ２０５の処理でパターン推定部１２０において複数のクラスタが選択された場合は、クラスタごとにそれぞれ推移予測結果を算出し、類似するクラスタの推移予測結果が重要視されるように、類似確率によって重み付けした各クラスタの推移予測結果の平均値を、推移予測結果５８とする。

＊＊＊他の構成＊＊＊
＜変形例１＞
図９は、本実施の形態の変形例１に係る推移予測装置１００の構成例である。
本実施の形態では、推移予測装置１００における、学習部１１０とパターン推定部１２０と類似抽出部１３０とパターン予測部１４０の機能がソフトウェアで実現される。しかし、変形例として、学習部１１０とパターン推定部１２０と類似抽出部１３０とパターン予測部１４０の機能がハードウェアで実現されてもよい。

すなわち、図９に示すように、図１におけるプロセッサ９１０を電子回路９０９に置き換えてもよい。
電子回路９０９は、学習部１１０とパターン推定部１２０と類似抽出部１３０とパターン予測部１４０の機能を実現する専用の電子回路である。電子回路９０９は、具体的には、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、ロジックＩＣ、ＧＡ、ＡＳＩＣ、または、ＦＰＧＡである。ＧＡは、Ｇａｔｅ Ａｒｒａｙの略語である。ＡＳＩＣは、Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ
Ｃｉｒｃｕｉｔの略語である。ＦＰＧＡは、Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙの略語である。

別の変形例として、学習部１１０とパターン推定部１２０と類似抽出部１３０とパターン予測部１４０の一部の機能が専用のハードウェアで実現され、残りの機能がソフトウェアで実現されてもよい。

プロセッサ９１０と、メモリ９２１と、電子回路９０９とを、総称して「プロセッシングサーキットリ」という。つまり、推移予測装置１００の機能は、プロセッシングサーキットリにより実現される。

＊＊＊本実施の形態の効果の説明＊＊＊
プロジェクトを成功に導くために、進行中のプロジェクトの情報から、例えば、コスト計画を達成できるかといった判断をする場合がある。このような判断には、コスト推移を高精度に予測する必要がある。
プロジェクトの開発形態は、システム開発、パッケージソフトを利用した開発、基盤構築、ＮＷ構築等、多岐に渡る。それに加え、開発の進め方等によりコスト推移のパターンは多岐に渡る。そのため、本実施の形態に係る推移予測装置１００では、似た特性を持つ集合に学習データを分類し、予測時にはその集合から類似パターンを取得して予測することで、予測精度の向上に繋げている。

本実施の形態に係る推移予測装置１００では、推移予測処理を学習処理と予測処理で構成している。
・学習処理（プロジェクトデータをクラスタリング）
プロジェクトの特徴に応じた予測を行うため、完了済のプロジェクトデータをコスト推移の形状が類似するパターンに分類し、クラスタ化する。これにより、開発形態や進め方に伴うコスト推移のパターンを踏まえた予測が可能となる。
・予測処理（類似パターンを利用した予測）
プロジェクトが進行するにつれてコスト推移の波形は変化していくため、予測をする直前の時点の波形を元に、波形の形状が類似するクラスタを選択する。さらに、クラスタ内からコスト推移の形状とプロジェクト特性が最も類似するデータを選択し、予測に利用する。これにより、過去のプロジェクトに最も類似するものを参考にして予測できるため、予測精度の向上に繋げている。

以上のように、本実施の形態に係る推移予測装置１００によれば、遂行中のプロジェクトにおけるデータ推移から、プロジェクトの特性および過去の推移の傾向を考慮した高精度な推移予測を自動的に実施することができるという効果を奏する。

以上の実施の形態１では、推移予測装置の各部を独立した機能ブロックとして説明した。しかし、推移予測装置の構成は、上述した実施の形態のような構成でなくてもよい。推移予測装置の機能ブロックは、上述した実施の形態で説明した機能を実現することができれば、どのような構成でもよい。また、推移予測装置は、１つの装置でなく、複数の装置から構成されたシステムでもよい。
また、実施の形態１のうち、複数の部分を組み合わせて実施しても構わない。あるいは、この実施の形態のうち、１つの部分を実施しても構わない。その他、この実施の形態を、全体としてあるいは部分的に、どのように組み合わせて実施しても構わない。
すなわち、実施の形態１では、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。

なお、上述した実施の形態は、本質的に好ましい例示であって、本開示の範囲、本開示の適用物の範囲、および本開示の用途の範囲を制限することを意図するものではない。上述した実施の形態は、必要に応じて種々の変更が可能である。

５１ データ推移、５１１ プロジェクト特性、５２ 分類結果、５３ 推移予測モデル、５４ 予測対象推移、５５ 予測対象特性、５６ 推移パターン、５７ 類似抽出数情報、５８ 推移予測結果、５９ 類似推移、１００ 推移予測装置、１１０ 学習部、１２０ パターン推定部、１３０ 類似抽出部、１４０ パターン予測部、１５０ 記憶部、９０９ 電子回路、９１０ プロセッサ、９２１ メモリ、９２２ 補助記憶装置、９３０ 入力インタフェース、９４０ 出力インタフェース、９５０ 通信装置。

Claims (10)

1. 完了済のプロジェクトにおけるプロジェクトデータのデータ推移と、前記データ推移をクラスタに分類した分類結果と、前記完了済のプロジェクトの各々の特性を表すプロジェクト特性とを機械学習することにより、データ推移とプロジェクト特性とが入力されると前記入力されたデータ推移に類似するクラスタを出力する推移予測モデルを生成する学習部と、
   予測対象のプロジェクトにおける現時点までのデータ推移である予測対象推移と前記予測対象のプロジェクトのプロジェクト特性である予測対象特性とを前記推移予測モデルに入力し、前記推移予測モデルから出力されるクラスタを推移パターンとして推定するとともに、前記予測対象推移に基づいて前記分類結果に含まれるクラスタから前記予測対象推移に類似するクラスタを選択するパターン推定部と、
   前記選択されたクラスタから、前記予測対象推移に類似するデータ推移を類似推移として抽出する類似抽出部と、
   前記推移パターンと前記類似推移とに基づいて、前記予測対象推移における将来の推移を推移予測結果として予測するパターン予測部と
   を備えた推移予測装置。
2. 前記パターン推定部は、
   前記分類結果に含まれるクラスタに含まれるデータ推移から前記分類結果に含まれるクラスタの代表推移を算出し、前記代表推移と前記予測対象推移との類似確率を計算し、前記類似確率に基づいて、前記分類結果に含まれるクラスタから前記予測対象推移に類似するクラスタを選択する請求項１に記載の推移予測装置。
3. 前記類似抽出部は、
   前記予測対象推移の現時点が前記予測対象のプロジェクトの開始時点に近いほど多くの数の前記類似推移を抽出する請求項１または請求項２に記載の推移予測装置。
4. 前記推移予測装置は、
   前記予測対象推移のデータ時点と抽出する前記類似推移の数とを対応付けた類似抽出数情報を備え、
   前記類似抽出部は、
   前記類似抽出数情報に基づいて、前記類似推移を抽出する請求項３に記載の推移予測装置。
5. 前記学習部は、
   前記データ推移を分類する前に、前記プロジェクトの開始時点から終了時点までのプロジェクト期間におけるデータの実績値の数が、予め定められた基準数となるように推移を補間する補間処理を前記データ推移に対して実施する請求項１から請求項４のいずれか１項に記載の推移予測装置。
6. 前記学習部は、
   前記データ推移を分類する前に、推移のデータの大きさを前後のデータの勾配に変換する変換処理を前記データ推移に対して実施する請求項５に記載の推移予測装置。
7. 前記学習部は、
   前記補間処理を実施した後の前記データ推移に対して前記変換処理を実施する請求項６に記載の推移予測装置。
8. 前記パターン推定部は、
   前記予測対象推移に類似するクラスタを選択する前に、前記補間処理を実施した後の前記予測対象推移に対して前記変換処理を実施する請求項６または請求項７に記載の推移予測装置。
9. 完了済のプロジェクトにおけるプロジェクトデータのデータ推移と、前記データ推移をクラスタに分類した分類結果と、前記完了済のプロジェクトの各々の特性を表すプロジェクト特性とを機械学習することにより、データ推移とプロジェクト特性とが入力されると前記入力されたデータ推移に類似するクラスタを出力する推移予測モデルを生成し、
   予測対象のプロジェクトにおける現時点までのデータ推移である予測対象推移と前記予測対象のプロジェクトのプロジェクト特性である予測対象特性とを前記推移予測モデルに入力し、前記推移予測モデルから出力されるクラスタを推移パターンとして推定するとともに、前記予測対象推移に基づいて前記分類結果に含まれるクラスタから前記予測対象推移に類似するクラスタを選択し、
   前記選択されたクラスタから、前記予測対象推移に類似するデータ推移を類似推移として抽出し、
   前記推移パターンと前記類似推移とに基づいて、前記予測対象推移における将来の推移を推移予測結果として予測する推移予測方法。
10. 完了済のプロジェクトにおけるプロジェクトデータのデータ推移と、前記データ推移をクラスタに分類した分類結果と、前記完了済のプロジェクトの各々の特性を表すプロジェクト特性とを機械学習することにより、データ推移とプロジェクト特性とが入力されると前記入力されたデータ推移に類似するクラスタを出力する推移予測モデルを生成する学習処理と、
    予測対象のプロジェクトにおける現時点までのデータ推移である予測対象推移と前記予測対象のプロジェクトのプロジェクト特性である予測対象特性とを前記推移予測モデルに入力し、前記推移予測モデルから出力されるクラスタを推移パターンとして推定するとともに、前記予測対象推移に基づいて前記分類結果に含まれるクラスタから前記予測対象推移に類似するクラスタを選択するパターン推定処理と、
    前記選択されたクラスタから、前記予測対象推移に類似するデータ推移を類似推移として抽出する類似抽出処理と、
    前記推移パターンと前記類似推移とに基づいて、前記予測対象推移における将来の推移を推移予測結果として予測するパターン予測処理と
    をコンピュータに実行させる推移予測プログラム。

Images