JP7243533B2 - 情報処理方法および情報処理装置 - Google Patents

情報処理方法および情報処理装置 Download PDF

Info

Publication number
JP7243533B2
JP7243533B2 JP2019160447A JP2019160447A JP7243533B2 JP 7243533 B2 JP7243533 B2 JP 7243533B2 JP 2019160447 A JP2019160447 A JP 2019160447A JP 2019160447 A JP2019160447 A JP 2019160447A JP 7243533 B2 JP7243533 B2 JP 7243533B2
Authority
JP
Japan
Prior art keywords
service
data
demand
performance data
prediction
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
JP2019160447A
Other languages
English (en)
Other versions
JP2021039542A (ja
Inventor
大輝 兼市
孝広 志賀
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.)
Toyota Motor Corp
Original Assignee
Toyota Motor 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 Toyota Motor Corp filed Critical Toyota Motor Corp
Priority to JP2019160447A priority Critical patent/JP7243533B2/ja
Priority to US17/007,439 priority patent/US20210065227A1/en
Priority to CN202010909428.3A priority patent/CN112446530A/zh
Publication of JP2021039542A publication Critical patent/JP2021039542A/ja
Application granted granted Critical
Publication of JP7243533B2 publication Critical patent/JP7243533B2/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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q30/0206—Price or cost determination based on market factors
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、需要の予測を行う技術に関する。
移動体を用いてサービスを提供する研究が行われている。例えば、移動店舗として機能する自律移動体（移動店舗車）をユーザの元へ派遣することで、買い物に対する利便性を向上させることができる。また、自律走行が可能な乗合自動車を運行することで、交通に対する利便性を向上させることができる。
このような移動体によって営業を行う場合、発生する需要を予測して、移動体の配置場所や営業体制を決定することが好ましい。需要の予測は、例えば、特許文献１に開示されているように、機械学習アルゴリズムを用いて行うことができる。
特開２０１９－１０９６４８号公報
機械学習を行うためのモデルは、過去にサービスが利用された際のデータ（購買データなど）を用いて学習させることができる。しかし、新たな業種の事業を始める場合など、当該業種におけるサービスの提供実績が無い場合、十分な予測精度が得られないという問題がある。他の業種におけるデータを流用するという方法もあるが、どの程度の再現性が得られるかを定量的に示すことができない。
本発明は上記の課題を考慮してなされたものであり、提供実績の無いサービスの需要予測を精度よく行うことを目的とする。
本発明に係る情報処理方法は、機械学習による予測モデルを用いてサービスの需要を予測するシステムにおいて利用される教師データを評価する情報処理方法であって、第一のサービスにおける第一の実績データを教師データとして学習を行った予測モデルを用いて、前記第一のサービスとは異なる第二のサービスにおける需要予測データを生成する予測ステップと、前記需要予測データと、前記第二のサービスにおける第二の実績データとを比較した結果に基づいて、前記第二のサービスを対象とした需要予測における、前記第一の実績データの貢献度を算出する算出ステップと、を含むことを特徴とする。
本発明に係る情報処理装置は、機械学習による予測モデルを用いてサービスの需要を予測するシステムにおいて利用される教師データを評価する情報処理装置であって、第一のサービスにおける第一の実績データを教師データとして学習を行った予測モデルを用いて、前記第一のサービスとは異なる第二のサービスにおける需要予測データを生成することと、前記需要予測データと、前記第二のサービスにおける第二の実績データとを比較した結果に基づいて、前記第二のサービスを対象とした需要予測における、前記第一の実績データの貢献度を算出することと、を実行する制御部を有することを特徴とする。
また、本発明の他の態様は、上記の情報処理装置が実行する情報処理方法をコンピュータに実行させるためのプログラム、または、該プログラムを非一時的に記憶したコンピュ
ータ可読記憶媒体である。
本発明によれば、提供実績の無いサービスの需要予測を精度よく行うことができる。
機械学習による需要予測の概要を示した図。 第一の実施形態に係る情報処理装置の構成概略図。 モデル記憶部およびデータ記憶部に記憶されるデータを説明する図。 データ記憶部に記憶されるデータを説明する図。 サービスの組み合わせごとに生成した評価値の例。 予測モデルの構築処理の概要を説明する図。 予測モデルの構築処理のフローチャート。 需要を予測する処理の概要を説明する図。 需要を予測する処理のフローチャート。 評価値を算出する処理の概要を説明する図。 評価値を算出する処理のフローチャート。 第二の実施形態において評価部が行う処理のフローチャート。
自律走行が可能な移動体によってサービスを提供する形態が考えられる。例えば、車両内に店舗営業のための施設や設備を有した移動店舗車を所定のエリアまで派遣し、施設や設備を展開して営業を行うことができる。また、自律走行が可能な移動体によって、旅客や荷物の輸送サービスを提供することもできる。
店舗の機能を持つ自律移動体が営業を行うエリアや地点、貨客の輸送機能を持つ自律移動体の配車先は、需要に基づいて決定することができる。例えば、対象エリアの特徴、天候、時間帯等に関するデータと、実際に発生した需要に関するデータ（例えば、売り上げを示すデータ。以下、実績データ）と、を用いて機械学習を行うことで、ある条件下においてどの程度の需要が発生するかを予測することができる。
しかし、新たなサービスを事業として始める場合など、当該サービスの提供実績が全く無い場合、機械学習を用いた需要の予測が十分な精度で行えない場合がある。
既存のサービスにおいて発生した実績データによって機械学習モデルを構築してもよいが、サービスの内容、業種や業態が異なる場合、必ずしも期待した結果が得られるとは限らない。これは、サービスや商品が求められる時間帯や場所が、当該サービスや商品の内容によって大きく変わりうるためである。
これに対応するため、本実施形態では、まず、第一のサービスにおける第一の実績データを教師データとして学習を行った予測モデルを用いて、前記第一のサービスとは異なる第二のサービスにおける需要予測データを生成する。
そして、前記需要予測データと、前記第二のサービスにおける第二の実績データとを比較した結果に基づいて、前記第二のサービスを対象とした需要予測における、前記第一の実績データの貢献度を算出する。
このように、本実施形態に係る方法では、あるサービスを提供した際の実績データを用いて予測モデルを構築し、当該予測モデルを用いて、異なるサービスにおける需要予測を行う。この結果得られたデータと、実際に得られた実績とを比較することで、第一の実績データが、第二のサービスにおける需要予測にどの程度貢献しているか（換言すると、第一のサービスにおいて発生した実績データを用いて構築したモデルによって、第二のサービスにおける需要予測を行った場合に、どの程度の精度が得られるか）を判定することが
できる。
また、前記需要予測データが示す需要の量が、前記第二の実績データが示す需要の量に対してより近い値を示している場合に、前記貢献度をより高くしてもよい。
予測された需要と、第二の実績データが示す需要（実際に発生した需要）が類似しているほど、予測の精度が高い、すなわち、第一の実績データの貢献度が高いと判定できる。
なお、サービスとは、移動を提供するサービス、リソースを提供するサービス、空間を提供するサービス、商品を販売するサービスなど、消費者に価値を提供するものであれば、どのようなものであってもよい。この場合、提供するサービスの内容、販売する商品に差異があれば、異なるサービスとして扱ってもよい。また、同一の移動体が異なる商品を提供可能な場合、それぞれを異なるサービス（商品Ａを提供するサービス，商品Ｂを提供するサービス等）として扱ってもよい。
また、前記第一のサービスがそれぞれ異なる複数の予測モデルを用いて、前記第二のサービスにおける需要予測データを複数生成し、前記貢献度を、前記第一のサービスと前記第二のサービスの組み合わせごとに算出してもよい。
第一のサービスと第二のサービスの組み合わせを複数作成することで、貢献度の高い組み合わせを発見することが容易になる。
また、前記第一の実績データを、前記第一の実績データを取得した事業者から、前記第二のサービスを対象とした需要予測を行う事業者へ販売する際の価格を、前記貢献度に基づいて決定してもよい。
第一の実績データの、第二のサービスに対する貢献度が高いことは、第二のサービスを対象として需要予測を行う事業者にとって第一の実績データの価値が高いことを意味する。従って、貢献度に基づいてデータの取引価格を決定するようにしてもよい。
また、前記第一の実績データを、前記第一の実績データを取得した第一の事業者から、前記第二のサービスを対象とした需要予測を行う第二の事業者へ販売する際の価格を、前記貢献度に基づいて評価し、前記価格が、前記貢献度を考慮した評価額よりも低いと判定した場合に、前記第一の事業者に対するインセンティブを表すデータを生成してもよい。
このように、貢献度を考慮した評価額が、実際の取引価格よりも低い場合、価格差を補償するためのインセンティブを付与するようにしてもよい。かかる構成によると、データ取引の活性化を図ることができる。
（第一の実施形態）
第一の実施形態に係る情報処理装置の概要について、図１を参照しながら説明する。本実施形態に係る情報処理装置は、商品またはサービスの提供を行った実績を表すデータ（実績データ）を教師データとして機械学習モデル（以下、予測モデル）を構築し、当該予測モデルを用いて、特定のサービスに対してどの程度の需要が見込まれるかを予測する装置である。実績データとは、商品やサービスの提供実績を表すデータであり、例えば、商品やサービスの内容、個数などを含む。
予測モデルは、需要の予測を行うためのデータとして、商品またはサービスを提供するエリアに特有なデータと、天候や時間帯などの一般的なデータを利用する。前者をエリアデータ、後者を一般データと称する。エリアデータは、例えば、対象エリアをメッシュに分割し、メッシュごとの特徴（例えば、メッシュ内に存在する施設や建物の数、種別、滞在可能人数など）を表したものである。一般データは、例えば、対象エリアの天候、気温、対象時間帯、対象エリアに存在する人の数などである。これらのデータは特徴量に変換され、説明変数として利用される。
このような予測モデルを構築する場合、実績データが必要になる。しかし、需要予測を行いたい場面において、必ずしも実績データが存在するとは限らない。例えば、あるサービス（第一のサービス）における実績データが存在しているが、新規に提供を開始するサービス（第二のサービス）における実績データが存在していない（または、十分な精度で予測を行える程度のデータ量がない）ケースがこれに該当する。
これについて、第一のサービスにおける実績データを用いて学習を行った予測モデルを用いて、第二のサービスにおける需要予測ができるようにも思える。しかし、多くの場合、サービスによって、購買層や、サービスが求められる場所、サービスが求められる時間帯などが大きく異なるため、当該モデルをそのまま第二のサービスに適用しても、所望の結果を得ることが難しい。
この問題を解決するための、本実施形態に係る情報処理装置１００について説明する。
情報処理装置１００は、第一の機能として、機械学習アルゴリズムを用いて、需要の予測を行うためのモデルを構築し、当該モデルを用いて需要予測を行う。例えば、サービスＡにおいて得られた実績データを用いて機械学習モデルを構築し、サービスＡにおける需要の予測を行う。
また、情報処理装置１００は、第二の機能として、予測した需要に基づいて、サービス間における実績データの流用がどの程度可能であるかを判定する。例えば、サービスＡに対応する機械学習モデルを用いて、サービスＢに対する需要の予測を行い、予測結果と実際の結果を対比することで、サービスＡにおける実績データをサービスＢの需要予測に流用した場合に、どの程度の精度が得られるかを判定する。
図２は、情報処理装置１００の構成の一例を概略的に示したブロック図である。
情報処理装置１００は、記憶部１０１、制御部１０２、入出力部１０３を含んで構成される。情報処理装置１００は、プロセッサおよびメモリを有する一般的なコンピュータによって構成される。
記憶部１０１は、需要の予測を行うために必要なデータを記憶する手段である。具体的には、機械学習モデルを記憶するモデル記憶部１０１Ａと、機械学習を行うためのデータを記憶するデータ記憶部１０１Ｂを含んで構成される。なお、記憶部１０１には、後述する制御部１０２によって実行されるプログラム、当該プログラムが利用するデータ等も記憶可能である。記憶部１０１は、ＲＡＭ、磁気ディスクやフラッシュメモリなどの記憶媒体により構成される。
モデル記憶部１０１Ａは、機械学習モデル（予測モデル）を記憶する。
予測モデルは、需要予測のバックグラウンドとなる特徴量を入力データとし、実績データを変換して得られた特徴量を教師データとして構築されたモデルである。情報処理装置１００は、予測モデルの学習を行うフェーズと、当該予測モデルを利用して需要予測を行うフェーズを実行することができる。
モデル記憶部１０１Ａは、図３（Ａ）に示したように、対象とするサービスごとに異なる予測モデルを記憶することができる。図示した例の場合、予測モデルＡは、サービスＡにおいて発生した実績データによって学習を行ったモデルである。また、予測モデルＢは、サービスＢにおいて発生した実績データによって学習を行ったモデルであり、予測モデルＣは、サービスＣにおいて発生した実績データによって学習を行ったモデルである。
データ記憶部１０１Ｂは、実績データ、エリアデータ、一般データを記憶するデータベースである。これらのデータベースは、プロセッサによって実行されるデータベース管理システム（ＤＢＭＳ）のプログラムが、記憶装置に記憶されるデータを管理することで構築される。本実施形態において利用されるデータベースは、例えばリレーショナルデータ
ベースである。
データ記憶部１０１Ｂも、図３（Ｂ）に示したように、対象とするサービスごとに異なるデータのセットを記憶することができる。
なお、本例ではサービスを３種類としたが、サービスの数はこれに限られない。
機械学習を行うためのデータとして、前述したような、実績データ、エリアデータ、一般データがある。これらのデータは、装置の外部から記憶媒体やネットワークを介して取得してもよい。
実績データは、商品またはサービスが提供された実績を表すデータである。図４（Ａ）は、実績データの例である。実績データは、例えば、商品やサービスの内容、個数、サービスが移動を提供するものである場合は人数や荷物の個数、移動区間、売り上げ金額などを数値によって表したものである。
エリアデータは、対象エリアに含まれる複数のメッシュについての特徴を表したデータである。図４（Ｂ）は、エリアデータの例である。エリアデータは、例えば、メッシュ内に存在する施設や建物の数、種別（例えば、学校、商業施設、病院、駅など）、滞在可能人数（例えば、施設が病院である場合は病床数、学校である場合は生徒数、娯楽施設である場合は収容人数など）などを数値によって表したものである。本実施形態では、対象エリアは、複数のメッシュに予め分割されているものとする。
一般データは、日付、曜日、時間帯、天候、気温などを数値によって表したものである。図４（Ｃ）は、一般データの例である。一般データは、商品やサービスの内容とは関係なく、一般的に入手可能なデータである。
なお、以降の説明においては、実績データを変換して得られた特徴量を実績特徴量、エリアデータを変換して得られた特徴量をエリア特徴量、一般データを変換して得られた特徴量を一般特徴量と称する。
制御部１０２は、情報処理装置１００が有する機能を司る演算装置である。制御部１０２は、ＣＰＵ（Central Processing Unit）などの演算処理装置によって実現することが
できる。
制御部１０２は、学習部１０２１、推定部１０２２、評価部１０２３の三つの機能モジュールを有して構成される。各機能モジュールは、記憶部１０１に記憶されたプログラムをＣＰＵによって実行することで実現してもよい。
学習部１０２１は、データ記憶部１０１Ｂに記憶されたデータセットを用いて、あるサービスに対応する予測モデルを構築する。例えば、サービスＡに対応する実績データ、エリアデータ、一般データを特徴量に変換し、サービスＡに対応する予測モデルＡを構築する。対象のサービスは、前述したように切り替えが可能である。例えば、サービスをＢやＣに切り替え、予測モデルＢやＣを構築することができる。また、記憶されたデータに応じて、取り扱うサービスの数を増やすことも可能である。
推定部１０２２は、構築された予測モデルを用いて、需要予測を行う。具体的には、予測を行うサービスに対応する予測モデルを選択し、当該予測モデルに、予測の前提となる特徴量（例えば、エリアデータや一般データを変換して得られる特徴量）を入力し、得られた結果に基づいて、対応する状況下における需要の大小を判定する。
評価部１０２３は、構築された予測モデルを異なるサービスに適用して需要予測を行い、どの程度正確な予測が行えるかを評価する。例えば、サービスＡ，Ｂ，Ｃにそれぞれ対
応する実績データを用いて構築された予測モデルＡ，Ｂ，Ｃを用いて、互いに異なるサービスに対する需要の予測を行う。これによって得られた予測結果と、実際に発生した需要とを比較することで、あるサービスにおいて発生した実績データが、他のサービスにおける需要予測に対してどの程度有用であるかを算出することができる。
例えば、サービスＡにおいて発生した実績データを用いて構築した予測モデルＡを用いて、サービスＢに対する需要予測を行った結果が、実際に発生した需要と近い値を示していた場合、サービスＢを対象とした需要予測において、サービスＡにおける実績データの価値が高い（貢献度が高い）ことがわかる。評価部１０２３は、このような組み合わせを複数生成し、それぞれについて、貢献度の高さを示す評価値を与える。図５は、サービスの組み合わせごとに生成した評価値の例である。評価値が高いほど、当該組み合わせにおける実績データの価値が高いことを意味する。例えば、図示した例では、サービスＡにおける実績データが、サービスＢを対象とした需要予測において高い価値（評価値：９０）を持っており、次いで、サービスＤにおける実績データが、サービスＣを対象とした需要予測において高い価値（評価値：８０）を持っていることがわかる。
各機能モジュールが行う処理の具体的な内容について説明する。
まず、学習部１０２１が行う、モデルの構築方法について説明する。図６Ａは、予測モデルの構築処理（学習フェーズ）の概要を説明する図であり、図６Ｂは、当該処理のフローチャートである。
学習フェーズでは、学習部１０２１は、実績特徴量と、当該実績に対応するエリア特徴量および一般特徴量を用いて予測モデルの学習を行う。ここでは、あるサービスについての提供実績があり、関連するデータ（実績データ，エリアデータ，一般データ）がデータ記憶部１０１Ｂに記憶されているものとする。
まず、学習部１０２１は、記憶されている実績データのうち、学習に用いられていないデータがあるか否かを判定する（ステップＳ１１）。ここで、全ての実績データが処理済みであった場合、処理は終了し、それ以外の場合、処理はステップＳ１２へ遷移する。
ステップＳ１２では、実績データのうち、処理対象であるレコードを実績特徴量に変換するとともに、当該実績に対応するエリアデータのレコードをエリア特徴量に、当該実績に対応する一般データのレコードを一般特徴量に変換する。
そして、ステップＳ１３で、これらの特徴量を用いて予測モデルの学習を行う。エリア特徴量および一般特徴量は説明変数となり、実績特徴量は目的変数となる。これを、全ての実績データのレコードに対して繰り返すことにより、説明変数の、目的変数に対する重みが更新される。
次に、推定部１０２２が行う需要予測の方法について説明する。図７Ａは、需要を予測する処理（予測フェーズ）の概要を説明する図であり、図７Ｂは、当該処理のフローチャートである。
予測フェーズでは、推定部１０２２は、需要の予測を行う条件（予測条件）に対応するエリア特徴量および一般特徴量を用いて需要の予測を行う。ここでは、予測条件に対応するエリア特徴量と一般特徴量が予め準備されているものとする。
まず、推定部１０２２は、予測条件に対応するエリア特徴量と一般特徴量を取得する（ステップＳ２１）。特徴量への変換は、学習時と同じ方法を用いることができる。
そして、取得した特徴量を予測モデルに入力し、得られた出力を、予測される需要に関するデータとして取得する（ステップＳ２２）。
次に、評価部１０２３が行う処理について説明する。図８Ａは、評価値を算出する処理
（評価フェーズ）の概要を説明する図であり、図８Ｂは、当該処理のフローチャートである。
ここでは、複数のサービスの実績データがデータ記憶部１０１Ｂに蓄積されており、かつ、当該実績データを用いて構築された複数の予測モデル（図８Ａに示した例では、予測モデルＡ～Ｃ）がモデル記憶部１０１Ａに記憶されているものとする。
まず、評価部１０２３は、図５に示したような複数のサービスの組み合わせを生成し、未処理の組み合わせが存在するか否かを判定する（ステップＳ３１）。例えば、サービスがｎ個ある場合、組み合わせの数はnＣ2個存在する。ここで、全ての組み合わせが処理済みであった場合、処理は終了し、それ以外の場合、処理はステップＳ３２へ遷移する。
ステップＳ３２では、予測モデルに関連付いたサービス（第一のサービス）と、実際に需要予測を行うサービス（第二のサービス）との組み合わせを決定する。例えば、第一のサービスをサービスＡ、第二のサービスをサービスＢとする組み合わせを決定する。この組み合わせは、サービスＡの実績データを用いて構築された予測モデルを用いて、サービスＢについての需要予測を行うことを意味する。
ステップＳ３３では、予測条件を生成し、ステップＳ３２で選択された予測モデルを用いて需要予測を行う。予測条件は、例えば、データ記憶部１０１Ｂに記憶されているエリアデータや一般データに基づいて生成してもよい。この結果、図８Ａに示したように、予測モデルに対応する予測結果が生成される。
次に、ステップＳ３４で、生成された予測結果と、実際に生じた需要（第二のサービスにおける実績データ）とを対比し、予測結果がどの程度正確であるかを表す評価値を算出する。対比は、サービスを提供した量によって行ってもよいし、売り上げ金額等によって行ってもよい。なお、本ステップは、第二のサービスにおける実績データが十分に蓄積されるまで待って実行してもよい。換言すると、第二のサービスにおける実績データの数が所定の閾値を下回っているなど、十分に蓄積されていないと判断される場合、該当する組み合わせについてはステップＳ３４の処理を後回しにしてもよい。
評価値は、例えば、本来得られるべき値と、予想値との差異を所定の範囲に正規化した値とすることができる。ここでは、評価値として、０から１００までの数値を当てはめるものとするが、評価値の算出には他の任意の方法を採用することもできる。
ここで算出した評価値は、第二のサービスを対象とした需要予測における、第一のサービスの実績データの貢献度を表す値となる。
以上に説明した処理を評価部１０２３が実行することで、図５に示したような評価値を、サービスの組み合わせごとに算出することができる。算出したデータは、入出力部１０３を介して、装置のユーザに提供されてもよいし、当該データを利用する他の装置に伝送されてもよい。
第一の実施形態によると、需要の予測対象である一のサービスについて、他の複数のサービスにおける実績データを適用して需要予測を行った場合に、どの程度の精度が得られるかを数値化することができる。すなわち、実績データの少ないサービスについて、他のサービスで発生した実績データを用いて需要予測を行うための指標を提供することができる。
なお、ステップＳ３３において生成する予測条件は固定であってもよいが、適宜変更してもよい。例えば、複数の予測条件を用いて（例えば、天候別、曜日別、時間帯別等に）複数の評価値を算出し、それらの代表値を最終的な評価値としてもよい。
また、予測条件ごとに評価値にばらつきがあり、単一の評価値を用いることが適当でない場合、例えば、「晴天時に限る」といったような、条件付きの評価値を出力してもよい。
（第二の実施形態）
第一の実施形態では、評価部１０２３が、第一のサービスと第二のサービスとの組み合わせごとに評価値を算出したが、評価値を算出する代わりに、実績データに対する値付けを行ってもよい。例えば、サービスＡを提供する事業者から、サービスＢを提供する事業者（サービスＢを対象とした需要予測を行う事業者）に対して実績データを販売することが考えられる。当該実績データは、適用先のサービスによって貢献度が変わるため、データを売買する際の価値も変動する。第二の実施形態は、このような取引を前提として、評価部１０２３が、実績データに対して評価値に応じた値付けを行う実施形態である。
図９は、第二の実施形態において評価部１０２３が行う処理のフローチャートである。本実施形態では、評価値の算出が終了した後、ステップＳ３５で、評価値に基づいて実績データの価格（評価額）を決定する。
例えば、評価部１０２３は、実績データの標準価格を予め記憶しており、評価値に応じて標準価格を補正する。評価値と補正後の価格との関係は、数式等によって保持してもよいし、テーブルによって保持してもよい。例えば、評価値が１００である場合は標準価格に１．００を乗じた値を価格とし、評価値が５０である場合は標準価格に０．５０を乗じた値を価格としてもよい。その補正方法には、任意の方法を採用することができる。
補正後の価格（評価額）は、記憶装置に記憶され、取引の用に供される。第二の実施形態に係る情報処理装置１００は、例えば、実績データを提供可能な事業者に関する情報をサービスごとに保持し、算出した評価額を、対応する事業者に電気通信回線を経由して送信してもよい。
第二の実施形態によると、実績データを売買する際の価値を数値化することができるため、実績データの取引活性化を促すことができる。
なお、標準価格は、実績データの特性に応じて設定することができる。例えば、実績データの量や粒度等に応じて標準価格を決定するステップと、評価値による補正を行うステップを分けてもよい。また、標準価格は、実績データの実勢価格に基づいて設定してもよい。
また、実績データを提供可能な事業者（以下、販売事業者）と、実績データの提供を受けたい事業者（以下、買受事業者）に関する情報を、提供条件と関連付けて記憶し、マッチングを行うようにしてもよい。例えば、算出した評価額が、販売事業者が希望する金額以上であって、買受事業者が希望する金額以下であった場合、両者をマッチングし、取引が成立可能である旨を各事業者に通知するようにしてもよい。
さらに、販売事業者として登録されていない事業者に対して、算出した価格を通知することで、売買への参加を促してもよい。また、業種を超えてデータの販売が可能であることを通知してもよい。
（第二の実施形態の変形例）
第二の実施形態では、評価値に応じて実績データの価格を補正したが、価格自体は補正せず、実績データの供給者に対して、評価値に応じたインセンティブを与えるようにしてもよい。
本変形例では、ステップＳ３５にて、評価部１０２３が、まず、評価値を考慮した実績
データの価格（評価額）を算出し、システムに設定された実績データの標準価格（ないし、実勢価格）との差額を算出する。そして、評価額のほうが高い場合に、当該差額に対応するインセンティブを与えるためのデータ（インセンティブデータ）を生成する。インセンティブデータは、インセンティブの内容、金額、付与対象者（すなわち、販売事業者）などを含むデータである。当該データは、実績データの取引を管理する外部装置へ送信することができる。
かかる構成によると、システムの管理者（例えば、実績データの取引を管理する者）が、インセンティブを付与することによって取引の活性化を図ることができる。
（変形例）
上記の実施形態はあくまでも一例であって、本発明はその要旨を逸脱しない範囲内で適宜変更して実施しうる。
例えば、本開示において説明した処理や手段は、技術的な矛盾が生じない限りにおいて、自由に組み合わせて実施することができる。
例えば、評価値の算出基準として、例示したもの以外を用いてもよい。例えば、対象の期間において商品やサービスが購入された個数や回数、売上金額、購入者の人数、購入された商品やサービスの識別子、または、これらを複合して得られた値を用いて評価値を算出してもよい。評価値は、予測された需要と、実際に発生した需要との近さを表すものであれば、どのような方法で算出されてもよい。
また、１つの装置が行うものとして説明した処理が、複数の装置によって分担して実行されてもよい。あるいは、異なる装置が行うものとして説明した処理が、１つの装置によって実行されても構わない。コンピュータシステムにおいて、各機能をどのようなハードウェア構成（サーバ構成）によって実現するかは柔軟に変更可能である。
本発明は、上記の実施形態で説明した機能を実装したコンピュータプログラムをコンピュータに供給し、当該コンピュータが有する１つ以上のプロセッサがプログラムを読み出して実行することによっても実現可能である。このようなコンピュータプログラムは、コンピュータのシステムバスに接続可能な非一時的なコンピュータ可読記憶媒体によってコンピュータに提供されてもよいし、ネットワークを介してコンピュータに提供されてもよい。非一時的なコンピュータ可読記憶媒体は、例えば、磁気ディスク（フロッピー（登録商標）ディスク、ハードディスクドライブ（ＨＤＤ）等）、光ディスク（ＣＤ－ＲＯＭ、ＤＶＤディスク・ブルーレイディスク等）など任意のタイプのディスク、読み込み専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、ＥＰＲＯＭ、ＥＥＰＲＯＭ、磁気カード、フラッシュメモリ、光学式カード、電子的命令を格納するために適した任意のタイプの媒体を含む。
１００・・・情報処理装置
１０１・・・記憶部
１０１Ａ・・モデル記憶部
１０１Ｂ・・データ記憶部
１０２・・・制御部
１０２１・・学習部
１０２２・・推定部
１０２３・・評価部
１０３・・・入出力部

Claims (5)

  1. 機械学習による予測モデルを用いてサービスの需要を予測するシステムにおいて利用される学習データを評価する情報処理装置が実行する情報処理方法であって、
    第一のサービスにおける第一の実績データを学習データとして学習を行った予測モデルを用いて、前記第一のサービスとは異なる第二のサービスにおける需要予測データを生成する予測ステップと、
    前記需要予測データと、前記第二のサービスにおける第二の実績データとを比較した結果に基づいて、前記第二のサービスを対象とした需要予測における、前記第一の実績データの貢献度を算出する算出ステップと、
    前記第一の実績データを、前記第一の実績データを取得した事業者から、前記第二のサービスを対象とした需要予測を行う事業者へ販売する際の価格を、前記貢献度に基づいて決定する決定ステップと、
    を含む、情報処理方法。
  2. 前記算出ステップでは、前記需要予測データが示す需要の量が、前記第二の実績データが示す需要の量に対してより近い値を示している場合に、前記貢献度をより高くする、
    請求項１に記載の情報処理方法。
  3. 前記予測ステップでは、前記第一のサービスがそれぞれ異なる複数の予測モデルを用いて、前記第二のサービスにおける需要予測データを複数生成し、
    前記算出ステップでは、前記貢献度を、前記第一のサービスと前記第二のサービスの組み合わせごとに算出する、
    請求項１または２に記載の情報処理方法。
  4. 前記第一の実績データを、前記第一の実績データを取得した第一の事業者から、前記第二のサービスを対象とした需要予測を行う第二の事業者へ販売する際の価格を、前記貢献度に基づいて評価し、前記価格が、前記貢献度を考慮した評価額よりも低いと判定した場合に、前記第一の事業者に対するインセンティブを表すデータを生成する第二の決定ステップをさらに含む、
    請求項１から３のいずれか１項に記載の情報処理方法。
  5. 機械学習による予測モデルを用いてサービスの需要を予測するシステムにおいて利用される学習データを評価する情報処理装置であって、
    第一のサービスにおける第一の実績データを学習データとして学習を行った予測モデルを用いて、前記第一のサービスとは異なる第二のサービスにおける需要予測データを生成することと、
    前記需要予測データと、前記第二のサービスにおける第二の実績データとを比較した結果に基づいて、前記第二のサービスを対象とした需要予測における、前記第一の実績データの貢献度を算出することと、
    前記第一の実績データを、前記第一の実績データを取得した事業者から、前記第二のサービスを対象とした需要予測を行う事業者へ販売する際の価格を、前記貢献度に基づいて決定することと、
    を実行する制御部を有する、情報処理装置。
JP2019160447A 2019-09-03 2019-09-03 情報処理方法および情報処理装置 Active JP7243533B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2019160447A JP7243533B2 (ja) 2019-09-03 2019-09-03 情報処理方法および情報処理装置
US17/007,439 US20210065227A1 (en) 2019-09-03 2020-08-31 Information processing method and information processing apparatus
CN202010909428.3A CN112446530A (zh) 2019-09-03 2020-09-02 信息处理方法以及信息处理装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019160447A JP7243533B2 (ja) 2019-09-03 2019-09-03 情報処理方法および情報処理装置

Publications (2)

Publication Number Publication Date
JP2021039542A JP2021039542A (ja) 2021-03-11
JP7243533B2 true JP7243533B2 (ja) 2023-03-22

Family

ID=74682639

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019160447A Active JP7243533B2 (ja) 2019-09-03 2019-09-03 情報処理方法および情報処理装置

Country Status (3)

Country Link
US (1) US20210065227A1 (ja)
JP (1) JP7243533B2 (ja)
CN (1) CN112446530A (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7036271B1 (ja) 2021-09-15 2022-03-15 トヨタ自動車株式会社 モデル管理装置及びモデル管理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015230570A (ja) 2014-06-04 2015-12-21 日本電信電話株式会社 学習モデル作成装置、判定システムおよび学習モデル作成方法
JP2019028836A (ja) 2017-08-01 2019-02-21 三菱日立パワーシステムズ株式会社 プラントの学習支援装置、およびプラントの学習支援方法
WO2019065610A1 (ja) 2017-09-29 2019-04-04 日本電気株式会社 情報処理装置、制御方法、及びプログラム
JP2019066977A (ja) 2017-09-29 2019-04-25 本田技研工業株式会社 電力課金システム及び電力課金方法
WO2019142597A1 (ja) 2018-01-19 2019-07-25 ソニー株式会社 情報処理装置、情報処理方法及びプログラム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001160045A (ja) * 1999-12-03 2001-06-12 Hitachi Ltd 需要予測システム
JP2006079298A (ja) * 2004-09-09 2006-03-23 Toyota Motor Corp 販売量予測システム
JP6814302B2 (ja) * 2017-09-13 2021-01-13 株式会社日立製作所 発注支援システム、発注支援プログラム及び発注支援方法
JP6635107B2 (ja) * 2017-12-27 2020-01-22 トヨタ自動車株式会社 業務支援システム、及び業務支援方法
JP2019131360A (ja) * 2018-01-31 2019-08-08 トヨタ自動車株式会社 移動体、移動体のサービス提供方法、及びプログラム
CN109509030B (zh) * 2018-11-15 2021-06-22 北京旷视科技有限公司 销量预测方法及其模型的训练方法、装置和电子系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015230570A (ja) 2014-06-04 2015-12-21 日本電信電話株式会社 学習モデル作成装置、判定システムおよび学習モデル作成方法
JP2019028836A (ja) 2017-08-01 2019-02-21 三菱日立パワーシステムズ株式会社 プラントの学習支援装置、およびプラントの学習支援方法
WO2019065610A1 (ja) 2017-09-29 2019-04-04 日本電気株式会社 情報処理装置、制御方法、及びプログラム
JP2019066977A (ja) 2017-09-29 2019-04-25 本田技研工業株式会社 電力課金システム及び電力課金方法
WO2019142597A1 (ja) 2018-01-19 2019-07-25 ソニー株式会社 情報処理装置、情報処理方法及びプログラム

Also Published As

Publication number Publication date
US20210065227A1 (en) 2021-03-04
CN112446530A (zh) 2021-03-05
JP2021039542A (ja) 2021-03-11

Similar Documents

Publication Publication Date Title
Islam et al. Prediction of probable backorder scenarios in the supply chain using Distributed Random Forest and Gradient Boosting Machine learning techniques
Chandriah et al. RNN/LSTM with modified Adam optimizer in deep learning approach for automobile spare parts demand forecasting
Shaikh et al. A two-warehouse EOQ model with interval-valued inventory cost and advance payment for deteriorating item under particle swarm optimization
Yildiz et al. Multi-criteria decision-making methods for supplier selection: A literature review
Souza Supply chain analytics
Glazebrook et al. Benefits of Hybrid Lateral Transshipments in Multi‐Item Inventory Systems under Periodic Replenishment
US10181138B2 (en) System and method for determining retail-business-rule coefficients from current prices
Che A particle swarm optimization algorithm for solving unbalanced supply chain planning problems
US10387925B2 (en) System and method for integrating retail price optimization for revenue and profit with business rules
WO2017056368A1 (ja) 最適化システム、最適化方法および最適化プログラム
García Márquez et al. Competitiveness based on logistic management: a real case study
WO2017056367A1 (ja) 情報処理システム、情報処理方法および情報処理用プログラム
Jamil et al. A study of multicriteria decision making for supplier selection in automotive industry
Jiang et al. Order fulfilment problem with time windows and synchronisation arising in the online retailing
WO2017056366A1 (ja) 最適化システム、最適化方法および最適化プログラム
Ghadge et al. Mitigating demand risk of durable goods in online retailing
Saeed Osman Modeling and simulation for inventory management of repairable items in maintenance systems
Hsieh et al. Critical factors affecting performance of logistics operation planning considering interdependency: A case study in automotive aftermarket
Gazi Optimizing Regional Business Performance: Leveraging Business and Data Analytics in Logistics & Supply Chain Management for USA's Sustainable Growth
JP7243533B2 (ja) 情報処理方法および情報処理装置
Dybskaya et al. Designing a rational distribution network for trading companies
Cheaitou et al. Finite horizon stochastic inventory problem with dual sourcing: Near myopic and heuristics bounds
Balaiyan et al. Joint forecasting for airline pricing and revenue management
JP7310459B2 (ja) 情報処理方法および情報処理装置
Aouadni et al. Supplier selection: an analytic network process and imprecise goal programming model integrating the decision-maker’s preferences

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210921

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220725

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220816

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221013

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: 20230207

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230220

R151 Written notification of patent or utility model registration

Ref document number: 7243533

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151