JP7244777B2 - 生成方法、生成装置、プログラム、情報処理方法、及び情報処理装置 - Google Patents

Description

本開示は、生成方法、生成装置、プログラム、情報処理方法、及び情報処理装置に関する。

従来、商品やサービスの需要予測が行われている。需要予測において、予測値の誤差を推定する技術も知られている（例えば、特許文献１を参照）。

特開２０１７－１０４３６号公報

しかしながら、従来技術では、例えば、説明変数に応じて需要量の変動量が異なる場合や、説明変数に応じた需要量の実績値の分布に偏りがある等の場合に、需要量を適切に予測できない場合がある。本開示は、需要量を適切に予測できる技術を提供することを目的とする。

本開示の第１の態様による生成方法は、情報処理装置が、商品またはサービスの需要量の実績値と、需要が発生した際の状況を示す情報との組みのデータを含むデータセットに基づいて、需要量の実績値の分布を、当該分布の中央から所定量ずれた位置で分割する値を推定するモデルを生成する処理を実行する。

また、本開示の第２の態様は、第１の態様に記載の生成方法であって、前記モデルは２種類のモデルを含んでおり、前記モデルを生成する処理では、前記データセットを利用した学習により前記分布の中央を推定する第１の前記モデルと、前記需要量の実績値の分布に対する所定の分位数に基づく非対称な損失関数を利用した学習により、前記分布の予測幅を推定する第２の前記モデルと、を生成する。

また、本開示の第３の態様は、第２の態様に記載の生成方法であって、前記モデルを生成する処理では、前記所定の分位数と前記需要量の実績値との差がない点を含む所定範囲で曲線となる損失関数を用いる学習により、第２の前記モデルを生成する。

また、本開示の第４の態様は、第１の態様に記載の生成方法であって、前記モデルは２種類のモデルを含んでおり、前記モデルを生成する処理では、前記データセットを利用した学習により前記分布の中央を推定する第１の前記モデルと、前記需要量の予測値の誤差幅の確率分布から前記分布の予測幅を推定する第２の前記モデルと、生成する。

また、本開示の第５の態様は、第４の態様に記載の生成方法であって、前記モデルを生成する処理では、前記需要量の予測値に応じて変化する複数種類の関数から一つの前記関数を選択して、選択した前記関数によって定まる前記誤差幅の確率分布から前記分布の予測幅を推定する前記第２の前記モデルを生成する。

また、本開示の第６の態様は、第１から５のいずれかの態様に記載の生成方法であって、前記状況を示す情報には、新規で受注を受けた量、気温、天気、製品あたりの製造原価、閾値以上の受注量の受注を除外した需要実績、受注した後で未提供の量、受注する可能性がある量、営業担当者に対して設定される売り上げの目標台数、及び店舗に対して設定される売り上げの目標台数の少なくとも一つが含まれる。

また、本開示の第７の態様は、第１から６のいずれかの態様に記載の生成方法であって、前記状況を示す情報には、所定期間内に出荷された空気調和装置の運転能力、所定期間内に出荷された室内機の台数、及び所定期間内に出荷された室外機の台数の少なくとも一つが含まれる。

また、本開示の第８の態様による生成装置は、商品またはサービスの需要量の実績値と、需要が発生した際の状況を示す情報との組みのデータを含むデータセットに基づいて、所定の状況における需要量の分布を中央から所定量ずれた位置で分割する値を推定するモデルを生成する。

また、本開示の第９の態様によるプログラムは、情報処理装置に、商品またはサービスの需要量の実績値と、需要が発生した際の状況を示す情報との組みのデータを含むデータセットに基づいて、需要量の実績値の分布を、当該分布の中央から所定量ずれた位置で分割する値を推定するモデルを生成する処理を実行させる。

また、本開示の第１０の態様による情報処理方法は、情報処理装置が、商品またはサービスの需要量の実績値と、需要が発生した際の状況を示す情報との組みのデータを含むデータセットに基づいて生成されたモデルを用いて、需要量の実績値の分布を、当該分布の中央から所定量ずれた位置で分割する値を出力する処理を実行する。

また、本開示の第１１の態様による情報処理装置は、商品またはサービスの需要量の実績値と、需要が発生した際の状況を示す情報との組みのデータを含むデータセットに基づいて生成されたモデルを用いて、需要量の実績値の分布を、当該分布の中央から所定量ずれた位置で分割する値を出力する。

また、本開示の第１２の態様によるプログラムは、情報処理装置に、商品またはサービスの需要量の実績値と、需要が発生した際の状況を示す情報との組みのデータを含むデータセットに基づいて生成されたモデルを用いて、需要量の実績値の分布を、当該分布の中央から所定量ずれた位置で分割する値を出力する処理を実行させる。

実施形態に係る情報処理システムのシステム構成の一例を示す図である。 実施形態に係る情報処理装置のハードウェア構成の一例を示す図である。 実施形態に係る情報処理装置の機能構成の一例を示す図である。 実施形態に係る情報処理装置の学習時の処理の一例を示すフローチャートである。 実施形態に係る訓練データの一例について説明する図である。 実施形態に係る損失関数の一例について説明する図である。 実施形態に係る情報処理装置の推論時の処理の一例を示すフローチャートである。 実施形態に係る需要予測結果の表示画面の一例について説明する図である。 実施形態に係る情報処理装置１０Ａの学習時の処理の一例を示すフローチャートである。 実施形態に係る情報処理装置１０Ｂの推論時の処理の一例を示すフローチャートである。 第２の実施形態に係る情報処理装置１０Ｂの推論時の処理の一例を示す説明図である。 需要量の予測値に応じた誤差幅を推論する誤差モデルの一例の説明図である。 通常の分散推定による誤差幅の一例の説明図である。 複数の関数を比較することで適した誤差モデルを生成する方法の一例の説明図である。

以下、各実施形態について図面を参照しながら説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省く。

＜システム構成＞
はじめに、情報処理システム１のシステム構成について説明する。図１は、実施形態に係る情報処理システム１のシステム構成の一例を示す図である。図１に示すように、情報処理システム１は、情報処理装置１０Ａ、及び情報処理装置１０Ｂ（以下で、それぞれを区別する必要がない場合は、単に「情報処理装置１０」と称する。）を有する。情報処理装置１０の数は、図１の例に限定されない。なお、情報処理装置１０Ａは、「生成装置」の一例である。

情報処理装置１０Ａと情報処理装置１０Ｂは、例えば、ＬＡＮ（Local Area Network）、無線ＬＡＮ、インターネット、及び５Ｇ等の携帯電話網等のネットワークＮＷを介して通信できるように接続されてもよい。

情報処理装置１０Ａは、例えば、サーバ等の情報処理装置である。情報処理装置１０Ａは、クラウド上のサーバでもよい。情報処理装置１０Ａは、機械学習により、各種の商品及びサービス（以下で、適宜、「商品等」とも称する。）の需要予測を行うための学習済みモデルなどのモデルを生成する。以下では、学習済みモデルを生成する例を説明する。情報処理装置１０Ａは、例えば、製品出荷量の予測、部品需要量の予測、保守依頼（修理依頼）件数の予測、コールセンターにおける着電数（顧客からの問い合わせ件数）の予測、配送トラックの需要量の予測、及び化学製品等の原材料の消費量の予測等を行うための学習済みモデルを生成してもよい。

情報処理装置１０Ｂは、例えば、商品またはサービスを提供する事業者の各拠点に設置されるサーバ、デスクトップＰＣ（Personal Computer）、ノートＰＣ、タブレットＰＣ等の情報処理装置でもよい。情報処理装置１０Ｂは、情報処理装置１０Ａにより生成された学習済みモデルを用いて、需要予測を行う。なお、情報処理装置１０Ａと情報処理装置１０Ｂとは、同一の装置でもよい。

＜情報処理装置１０のハードウェア構成＞
次に、実施形態に係る情報処理装置１０のハードウェア構成について説明する。図２は、実施形態に係る情報処理装置１０のハードウェア構成の一例を示す図である。図２に示すように、情報処理装置１０は、ＣＰＵ（Central Processing Unit）１０１、ＲＯＭ（Read Only Memory）１０２、ＲＡＭ（Random Access Memory）１０３を有する。ＣＰＵ１０１、ＲＯＭ１０２、ＲＡＭ１０３は、いわゆるコンピュータを形成する。また、情報処理装置１０は、補助記憶装置１０４、表示装置１０５、操作装置１０６、Ｉ／Ｆ（Interface）装置１０７、ドライブ装置１０８を有する。情報処理装置１０の各ハードウェアは、バス１０９を介して相互に接続される。

ＣＰＵ１０１は、補助記憶装置１０４にインストールされている各種プログラム（例えば、機械学習プログラム等）を実行する演算デバイスである。ＲＯＭ１０２は、不揮発性メモリである。ＲＯＭ１０２は、主記憶デバイスとして機能し、補助記憶装置１０４にインストールされている各種プログラムをＣＰＵ１０１が実行するために必要な各種プログラムやデータ等を格納する。具体的には、ＲＯＭ１０２はＢＩＯＳ（Basic Input/Output System）やＥＦＩ（Extensible Firmware Interface）等のブートプログラム等を格納する。

ＲＡＭ１０３は、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等の揮発性メモリである。ＲＡＭ１０３は、主記憶デバイスとして機能し、補助記憶装置１０４にインストールされている各種プログラムがＣＰＵ１０１によって実行される際に展開される作業領域を提供する。

補助記憶装置１０４は、各種プログラムや、各種プログラムが実行される際に用いられる情報を格納する。

表示装置１０５は、各種の情報を表示する表示デバイスである。操作装置１０６は、各種操作を受け付けるための操作デバイスである。Ｉ／Ｆ装置１０７は、外部の機器と通信する通信デバイスである。

ドライブ装置１０８は記録媒体１１０をセットするためのデバイスである。ここでいう記録媒体１１０には、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体１１０には、ＲＯＭ、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。

なお、補助記憶装置１０４にインストールされる各種プログラムは、例えば、配布された記録媒体１１０がドライブ装置１０８にセットされ、該記録媒体１１０に記録された各種プログラムがドライブ装置１０８により読み出されることでインストールされる。あるいは、補助記憶装置１０４にインストールされる各種プログラムは、不図示のネットワークよりダウンロードされることで、インストールされてもよい。

＜機能構成＞
次に、図３を参照し、実施形態に係る情報処理システム１の機能構成について説明する。図３は、実施形態に係る情報処理装置１０の機能構成の一例を示す図である。

≪情報処理装置１０Ａ≫
情報処理装置１０Ａは、取得部１１、生成部１２、及び出力部１３を有する。これら各部は、例えば、情報処理装置１０Ａにインストールされた１以上のプログラムと、情報処理装置１０ＡのＣＰＵ１０１、ＲＯＭ１０２、及びＲＡＭ１０３等の協働により実現されてもよい。

取得部１１は、各種のデータを外部装置の記憶部、及び情報処理装置１０Ａの記憶部から取得する。取得部１１は、例えば、機械学習を行うためのデータを取得する。

生成部１２は、取得部１１により取得されたデータに基づいて機械学習を行うことにより、学習済みモデルを生成する。

出力部１３は、各種の情報を出力する。出力部１３は、例えば、生成部１２により生成された学習済みモデルを、情報処理装置１０Ｂに送信（配信）する。

≪情報処理装置１０Ｂ≫
情報処理装置１０Ｂは、取得部２１、推論部２２、及び出力部２３を有する。これら各部は、例えば、情報処理装置１０Ｂにインストールされた１以上のプログラムと、情報処理装置１０ＢのＣＰＵ１０１、ＲＯＭ１０２、及びＲＡＭ１０３等の協働により実現されてもよい。

取得部２１は、各種のデータを外部装置の記憶部、及び情報処理装置１０Ｂの記憶部から取得する。取得部２１は、例えば、学習済みモデルを情報処理装置１０Ａから取得する。また、取得部２１は、例えば、当該学習済みモデルを用いて推論を行うためのデータ（テストデータ）を取得する。

推論部２２は、当該学習済みモデルと、取得部２１により取得されたテストデータとに基づいて、需要量の予測（推論）を行う。出力部２３は、推論部２２により予測された需要量に基づく表示等を行う。

＜第１の実施形態の処理＞
≪学習時の処理≫
図４及び図５を参照し、実施形態に係る情報処理装置１０Ａの学習時の処理の一例について説明する。図４は、実施形態に係る情報処理装置１０Ａの学習時の処理の一例を示すフローチャートである。図５は、実施形態に係る訓練データの一例について説明する図である。なお、以下では、空気調和装置に関する需要を予測する例について説明する。

ステップＳ１０１において、情報処理装置１０Ａの取得部１１は、図５に示す訓練データ（学習データ、トレーニングデータ）５０１を取得する。図５の例では、各期間における需要量の実績値と、各期間における状況を示す情報との組みのデータを含むデータセットが訓練データ５０１として取得される。なお、取得部１１は、所定のＤＢ（データベース）に記録されているデータを加工（前処理）して、当該データセットを生成してもよい。

需要量の実績値は、例えば、商品の出荷台数でもよい。これにより、情報処理装置１０Ｂのユーザは、ある期間における商品の出荷台数の所定の分位数の推定値に応じて、当該商品の在庫計画を作成することができる。また、需要量の実績値は、新規で受注を受けた量でもよい。なお、需要量の実績値は、推論の対象となる目的変数である。取得部１１は、需要量の実績値を対数変換（対数化）してもよい。これにより、例えば、ある期間における需要量の実績値が極端に大きい場合に、当該期間における説明変数の少なくとも一部が過大に評価されることを低減できる。

状況を示す情報は、需要が発生した際の状況を示す情報であり、需要量を予測するための説明変数である。状況を示す情報には、新規で受注を受けた量、気温、天気（天候、気候）、製品あたりの製造原価、受注した後で未提供の量（受注残の量）、及び閾値以上の受注量の受注を除外した需要実績の少なくとも一つが含まれてもよい。また、需要が発生した際の状況を示す情報には、受注する可能性がある量、営業担当者に対して設定される売り上げの目標台数、及び店舗に対して設定される売り上げの目標台数の少なくとも一つが含まれてもよい。また、需要が発生した際の状況を示す情報には、当該各期間以前の所定期間（例えば、前月）内に出荷された空気調和装置（エアコン）の運転能力、当該各期間以前の所定期間内に出荷された室内機の台数、当該各期間以前の所定期間内に出荷された室外機の台数、及び空気調和装置の種別の少なくとも一つが含まれてもよい。

新規で受注を受けた量は、新規で受注を受けた商品等の量である。気温は、例えば、各期間における最高温度、及び最低気温の少なくとも一方でもよい。天気は、各期間における各日の天気でもよい。各日の天気は、例えば、「晴れ」、「曇り」、「雨」等の天気の分類で示されてもよい。

製品あたりの製造原価は、商品となる製品の製造原価である。これにより、例えば、製造原価が高い商品は需要のばらつきが大きい等の傾向がある場合に、適切に需要予測をすることができる。

受注した後で未提供の量は、受注して未提供の商品等の量である。これにより、例えば、発注されてから納品までにかかる時間（リードタイム）が長い業務用の空気調和装置等の受注残の量が多い場合はその後の新規受注は減少する等の傾向がある場合に、適切に需要予測をすることができる。

閾値以上の受注量の受注を除外した需要実績は、上述した新規で受注を受けた量から閾値以上の受注量の受注を除外した量、及び上述した受注した後で未提供の量から閾値以上の受注量の受注を除外した量の少なくとも一方である。これにより、例えば、受注頻度が低く受注量が多い突発的な大口案件による受注実績を除外したデータに基づいて機械学習できるため、適切に需要予測をすることができる。

受注する可能性がある量は、例えば、売買の条件についての問い合わせ（引き合い）、及び見積もりの依頼等を顧客から営業担当者等が受けたこと等により、一定程度以上の確度で受注が見込まれる量である。

営業担当者に対して設定される売り上げの目標台数は、例えば、所定の営業店において、各営業担当者に対して設定された売り上げの目標台数である。店舗に対して設定される売り上げの目標台数は、所定の営業店に対して設定された売り上げの目標台数である。これにより、例えば、営業が強化されている期間は受注量が増加する等の傾向がある場合に、適切に需要予測をすることができる。

空気調和装置の運転能力は、例えば、空気調和装置の冷暖房能力でもよい。当該冷暖房能力は、単位時間当たりに室内から取り除く、あるいは室内に加える熱エネルギーの値であり、ｋＷの単位で表されてもよい。これにより、例えば、所定クラスの運転能力の製品が毎月同程度出荷されている等の傾向がある場合に、適切に需要予測をすることができる。

当該各期間以前の所定期間内に出荷された室内機の台数、及び当該各期間以前の所定期間内に出荷された室外機の台数は、それぞれ、例えば、前月に出荷された空気調和装置の室内機の台数と室外機の台数でもよい。これにより、例えば、ある機種の室外機の出荷台数と、当該機種に対応する機種の室内機の出荷台数に相関がある場合に、適切に需要予測をすることができる。

空気調和装置の種別は、例えば、業務用、家庭用等の空気調和装置の用途の種別でもよい。これにより、例えば、業務用は受注残の量と需要量との相関が大きく、家庭用は気温と需要量との相関が大きい等の傾向がある場合に、適切に需要予測をすることができる。

続いて、情報処理装置１０Ａの生成部１２は、取得した訓練データに基づいて、所定の分位数（分位点回帰(Quantile Regression)）に基づく機械学習を行い、学習済みモデルを生成する（ステップＳ１０２）。ここで、生成部１２は、需要が発生した際の状況に応じた需要量の実績値の分布を、当該分布の中央から所定量ずれた位置で分割する値を推定（予測）する学習済みモデルを生成してもよい。これにより、例えば、需要量の実績値の分布の偏りに応じた需要量を適切に予測できる。また、説明変数と誤差の分散の関係も考慮された、所定の状況下において一定の確度で需要量の中央値からずれる程度（予測幅）を適切に予測できる。

生成部１２は、状況に応じた需要量の上限値を推定する第１学習済みモデルと、中央値を推定する第２学習済みモデルと、下限値を推定する第３学習済みモデルとをそれぞれ生成してもよい。この場合、生成部１２は、例えば、後述するτの値をそれぞれ３／４、１／２、１／４として、第１学習済みモデル、第２学習済みモデル、及び第３学習済みモデルを生成してもよい。この場合、情報処理装置１０Ｂにより、３／４分位数（第３四分位数、上側四分位数）が需要予測における上限値として算出され、１／４分位数（第１四分位数、下側四分位数）が需要予測における下限値としてユーザに算出される。これにより、例えば、情報処理装置１０Ｂのユーザは、ある期間における商品の出荷台数の各分位数の推定値に応じて、一定程度の確度で、中央値からどの程度外れるかをユーザに把握させることができる。

（機械学習における損失関数について）
生成部１２は、当該需要量の実績値の分布に対する所定の分位数に基づく機械学習により、当該学習済みモデルを生成してもよい。この場合、生成部１２は、以下の式（１）のｆ（γ）を損失関数として用いて機械学習を行ってもよい。なお、以下で、τは０から１の実数であり、分布をτ：１－τに分割するための値である。τの値は、情報処理装置１０Ａの管理者等により予め設定されていてもよい。γは、需要量の実績値と、分布をτ：１－τに分割する値であるτ分位数の推定値との差（残差）である。

生成部１２は、残差の符号によって異なる非対称な重み付けを式（１）のｆ（γ）で行いながら、残差の絶対値の加重和である損失を最小化するτ分位数の値を算出する。

（（機械学習の収束性を向上させる例））
生成部１２は、需要量のτ分位数と需要量の実績値との差がない点（図６の原点）を含む所定範囲で曲線となる損失関数を用いてもよい。この場合、生成部１２は、以下の式（２）のｆ（γ）を損失関数として用いて機械学習を行ってもよい。式（２）によれば、需要量の分布は概ねτ：１－τに分割される。

図６には、τが３／４（０．７５）の場合の、式（１）の損失関数ｆ（γ）の各値を示す線６０１と、式（２）の損失関数ｆ（γ）の各値を示す曲線６０２が示されている。なお、図６において、縦軸は損失関数ｆ（γ）の値であり、横軸Ｙは実績値とτ分位数の推定値との残差である。

残差が０で直線的（線形的）に値が変化する式（１）の代わりに、残差が０で非線形的かつ連続的に値が変化する式（２）の損失関数ｆ（γ）を用いることにより、機械学習をより高速に収束させることができる。

（機械学習の手法について）
生成部１２は、機械学習の手法として、勾配法により、損失関数による重みが付加された損失が最小となる値を求めるものを用いてもよい。この場合、生成部１２は、例えば、ＧＢＤＴ(Gradient Boosting Decision Tree)、ランダムフォレスト（Random Forest）、決定木(Decision Tree)、またはニューラルネットワーク（Neural Network）等を用いた機械学習を行ってもよい。

続いて、情報処理装置１０Ａの出力部１３は、生成部１２により生成された学習済みモデルを情報処理装置１０Ｂに送信する（ステップＳ１０３）。ここで、出力部１３は、例えば、情報処理装置１０Ｂからの要求を受信した場合に、当該学習済みモデルを情報処理装置１０Ｂにダウンロードさせてもよい。

≪推論時の処理≫
次に、図７及び図８を参照し、実施形態に係る情報処理装置１０Ｂの推論時の処理の一例について説明する。図７は、実施形態に係る情報処理装置１０Ｂの推論時の処理の一例を示すフローチャートである。図８は、実施形態に係る需要予測結果の表示画面の一例について説明する図である。

ステップＳ２０１において、情報処理装置１０Ｂの取得部２１は、情報処理装置１０Ａにより生成された学習済みモデルと、当該学習済みモデルを用いて推論を行うためのテストデータを取得する。ここで、取得部２１は、図５の訓練データ５０１に含まれる状況を示す情報と同様の項目のデータを有するテストデータを取得する。

なお、テストデータとして用いる際の当該状況を示す情報に含まれる各項目のデータは、予測値でもよい。この場合、例えば、状況を示す情報に含まれる、気温、天気、営業担当者に対して設定される売り上げの目標台数、及び店舗に対して設定される売り上げの目標台数等の項目のデータは、需要予測の対象とする期間（例えば、今月または来月等）の予測値でもよい。なお、取得部２１は、所定のＤＢに記録されているデータを加工（前処理）して、当該テストデータを生成してもよい。

続いて、情報処理装置１０Ｂの推論部２２は、当該学習済みモデルと、取得部２１により取得されたテストデータとに基づいて、需要量の予測（推論）を行う（ステップＳ２０２）。ここで、推論部２２は、当該テストデータを当該学習済みモデルに入力することにより、需要予測の対象とする期間における需要量の予測値を算出する。

ここで、推論部２２は、状況に応じた需要量の上限値を推定する第１学習済みモデルと、中央値を推定する第２学習済みモデルと、下限値を推定する第３学習済みモデルとに当該テストデータをそれぞれ入力することにより、需要予測の対象とする期間における需要量の上限値、中央値、及び下限値の推定値をそれぞれ算出してもよい。

続いて、情報処理装置１０Ｂの出力部２３は、推論部２２により予測された需要量を出力する（ステップＳ２０３）。図８の例では、出力部２３は、表示画面において、過去の需要量の実績値の折れ線８０１と、予め設定されている今後の需要量の計画値の折れ線８０２とを表示させている。そして、出力部２３は、推論部２２により算出された、需要予測の対象とする期間における需要量の上限値、中央値、及び下限値のそれぞれを示す折れ線８０３Ａ、８０３Ｂ、及び８０３Ｃを表示させている。

＜第２の実施形態の処理＞
≪学習時の処理≫
図９を参照し、第２の実施形態に係る情報処理装置１０Ａの学習時の処理の一例について説明する。図９は、実施形態に係る情報処理装置１０Ａの学習時の処理の一例を示すフローチャートである。なお、以下では、空気調和装置に関する需要を予測する例について説明する。

ステップＳ３０１において、情報処理装置１０Ａの取得部１１は、例えば図５に示して説明したような学習に用いるデータを取得する。学習に用いるデータは、各期間における需要量の実績値と、各期間における状況を示す情報との組みのデータを含むデータセットである。

ステップＳ３０２において、情報処理装置１０Ａの生成部１２は、学習に用いるデータに含まれる学習データに基づいて、機械学習により予測モデルを生成する。ステップＳ３０３において、情報処理装置１０Ａの出力部１３は、生成部１２により生成された予測モデルを情報処理装置１０Ｂに配信する。ここで、出力部１３は、例えば、情報処理装置１０Ｂからの要求を受信した場合に、予測モデルを情報処理装置１０Ｂにダウンロードさせてもよい。

≪推論時の処理≫
次に、図１０を参照し、第２の実施形態に係る情報処理装置１０Ｂの推論時の処理の一例について説明する。図１０は、実施形態に係る情報処理装置１０Ｂの推論時の処理の一例を示すフローチャートである。

ステップＳ４０１において、情報処理装置１０Ｂの取得部２１は、情報処理装置１０Ａにより生成された学習済みモデルと、推論に用いるデータを取得する。例えば取得部２１は推論に用いるデータとして、図５に示して説明した訓練データ５０１に含まれる状況を示す情報と同様の項目のデータを有するテストデータを取得する。

続いて、ステップＳ４０２において、情報処理装置１０Ｂの推論部２２は、学習済みモデルと、取得部２１により取得されたテストデータとに基づいて、未来及び過去の需要量の予測（推論）を行う。ここで、推論部２２は、テストデータを学習済みモデルに入力することにより、未来及び過去の需要量の予測値を算出する。

ステップＳ４０３において、推論部２２はステップＳ４０２で推論した過去の需要量の予測値と、テストデータに含まれている過去の需要量の実績値との誤差から、後述するような統計分析により、予測値に応じた誤差モデルを生成する。このように、推論部２２は需要量の予測値に応じた誤差幅を推論する誤差モデルを生成する。

ステップＳ４０４において、推論部２２は誤差モデルにより未来の需要量の予測値の誤差幅を推論し、未来の需要量の予測値の予測幅を算出する。予測幅は、所定の状況下において一定の確度で需要量の中央値からずれる程度である。このように、推論部２２は、状況に応じた需要量の中央値を推定する予測モデルと、需要量の予測値に応じた予測幅を推定する誤差モデルと、を用いることで、需要予測の対象とする期間における需要量の上限値、中央値、及び下限値の推定値を算出できる。

ステップＳ４０５において、情報処理装置１０Ｂの出力部２３は、推論部２２により予測された未来の需要量を出力する。

第２の実施形態に係る情報処理装置１０Ｂの推論時の処理について、図１１を参照しつつ更に説明する。図１１は第２の実施形態に係る情報処理装置１０Ｂの推論時の処理の一例を示す説明図である。

推論部２２は、予測値推論部２０１、誤差モデル生成部２０２、及び誤差計算部２０３を有する。予測値推論部２０１は情報処理装置１０Ａの生成部１２が生成した予測モデル２０５と、テストデータとに基づいて、未来及び過去の需要量の予測値の推論を行う。

誤差モデル生成部２０２は、予測値推論部２０１が推論した過去の需要量の予測値と、テストデータの過去の需要量の実績値と、の誤差から例えば図１２に示すような需要量の予測値に応じた誤差幅を推論する誤差モデル２０６を生成する。図１２は、需要量の予測値に応じた誤差幅を推論する誤差モデルの一例の説明図である。誤差モデル２０６は例えば以下の式（３）により表される。

例えば図１２では、横軸ｘに需要量の予測値、縦軸ｙに需要量の予測値に応じた誤差幅を表している。式（３）に示されるように、誤差幅は需要量の予測値に応じて分散が変化している。なお、図１２の縦軸に表した需要量の予測値に応じた誤差幅は、真値として表されている需要量の実績値から、推論した需要量の予測値を減算して算出される。

図１２に示すように、第２の実施形態では需要量の予測値に応じて分散の変化する誤差モデルを生成し、実態にあった需要量の予測値の誤差幅を推定できる。なお、通常の分散推定による誤差幅では、例えば図１３に示すように需要量の予測値による分散の変化を取り入れることができず、以下の式（４）に示すように、需要量の予測値によって誤差幅が変化しない。図１３は通常の分散推定による誤差幅の一例の説明図である。

図１１に戻り、誤差計算部２０３は誤差モデル２０６により、予測値推論部２０１が推論した未来の需要量の予測値の誤差幅を推論することで、未来の需要量の予測値の予測幅として未来の需要量の予測値の上限及び下限を算出できる。

例えば、出力部２３は、予測値推論部２０１により推論された需要予測の対象とする期間における未来の需要量の予測値を中央値として、例えば図８の折れ線８０３Ｂを表示できる。また、出力部２３は、誤差計算部２０３により算出された未来の需要量の予測値の上限値、誤差計算部２０３により算出された未来の需要量の予測値の下限値のそれぞれを例えば図８の折れ線８０３Ａ及び８０３Ｃとして表示できる。

このように、推論部２２は、予測モデル２０５及び誤差モデル２０６により、需要が発生した際の状況に応じた需要量の実績値の分布を、当該分布の中央から所定量ずれた位置で分割する値を推定（予測）できる。

なお、需要量の予測値の誤差の分布は、対象製品の種類や販売状況などによって違いがあることが予想される。そこで、第２の実施形態では、例えば図１４に示すように複数の関数を比較することで、より適した誤差モデルを生成するようにしてもよい。

図１４は、複数の関数を比較することで適した誤差モデルを生成する方法の一例の説明図である。例えば誤差の分布を、需要量の予測値を平均とした正規分布と仮定し、分散が予測値の関数で変化するモデルを生成する。複数の分散の関数を設定し、ＡＩＣ（赤池情報量基準）でモデルを比較し、最適な関数によって定まる誤差の分布の誤差モデルを生成する。

ＡＩＣとは、説明変数候補を変えて生成した複数のモデルから、目的変数に対するモデルとして適切な（尤度の高い）モデルを選択する際に利用される指標の一例であり、テストデータがモデルにどの程度一致するかを表す基準である。第２の実施形態では、ＡＩＣで比較することで最適な関数によって定まる誤差の分布の誤差モデルを選択して、選択した誤差モデルから関数の幅内に収まる確率で誤差幅を算出できる。

＜変形例＞
情報処理装置１０Ａ、及び情報処理装置１０Ｂの各機能部は、例えば１以上のコンピュータにより提供されるクラウドコンピューティングにより実現されていてもよい。また、情報処理装置１０Ａ、及び情報処理装置１０Ｂの一部の処理を、他の情報処理装置により実行する構成としてもよい。この場合、例えば、訓練データを生成する処理、及びテストデータを生成する処理を、他の情報処理装置により実行させるようにしてもよい。

以上、実施形態を説明したが、特許請求の範囲の趣旨及び範囲から逸脱することなく、形態や詳細の多様な変更が可能なことが理解されるであろう。

１ 情報処理システム
１０Ａ 情報処理装置
１１ 取得部
１２ 生成部
１３ 出力部
１０Ｂ 情報処理装置
２１ 取得部
２２ 推論部
２３ 出力部
２０１ 予測値推論部
２０２ 誤差モデル生成部
２０３ 誤差計算部
２０５ 予測モデル
２０６ 誤差モデル

Claims (12)

1. 情報処理装置が、
   商品またはサービスの需要量の実績値と、需要が発生した際の状況を示す情報との組みのデータを含むデータセットに基づいて、需要量の実績値の分布を当該分布の中央から所定量ずれた位置で分割する値を推定するモデルを、前記分布の予測幅を推論するモデルとして生成する処理を実行し、
   前記モデルは２種類のモデルを含んでおり、
   前記モデルを生成する処理では、前記データセットを利用した学習により前記分布の中央を推論する第１の前記モデルと前記分布の予測幅を推論する第２の前記モデルとを生成する、生成方法。
2. 前記モデルを生成する処理では、
   前記データセットを利用した学習により前記分布の中央を推論する第１の前記モデルと、前記需要量の実績値の分布に対する所定の分位数に基づく非対称な損失関数を利用した学習により、前記分布の予測幅を推論する第２の前記モデルと、を生成する、
   請求項１に記載の生成方法。
3. 前記モデルを生成する処理では、
   前記所定の分位数と前記需要量の実績値との差がない点を含む所定範囲で曲線となる損失関数を用いる学習により、第２の前記モデルを生成する、
   請求項２に記載の生成方法。
4. 前記モデルを生成する処理では、
   前記データセットを利用した学習により前記分布の中央を推論する第１の前記モデルと、
   前記需要量の予測値の誤差幅の確率分布から前記分布の予測幅を推論する第２の前記モデルと、を生成する、
   請求項１に記載の生成方法。
5. 前記モデルを生成する処理では、
   前記需要量の予測値に応じて変化する複数種類の関数から一つの前記関数を選択して、選択した前記関数によって定まる前記誤差幅の確率分布から前記分布の予測幅を推論する第２の前記モデルを生成する、
   請求項４に記載の生成方法。
6. 前記状況を示す情報には、
   新規で受注を受けた量、製品あたりの製造原価、閾値以上の受注量の受注を除外した需要実績、受注した後で未提供の量、受注する可能性がある量、営業担当者に対して設定される売り上げの目標台数、及び店舗に対して設定される売り上げの目標台数の少なくとも一つが含まれる、
   請求項１から５のいずれか一項に記載の生成方法。
7. 前記状況を示す情報には、
   所定期間内に出荷された空気調和装置の運転能力、所定期間内に出荷された室内機の台数、及び所定期間内に出荷された室外機の台数の少なくとも一つが含まれる、
   請求項１から６のいずれか一項に記載の生成方法。
8. 商品またはサービスの需要量の実績値と、需要が発生した際の状況を示す情報との組みのデータを含むデータセットに基づいて、所定の状況における需要量の分布を中央から所定量ずれた位置で分割する値を推定するモデルを、前記分布の予測幅を推論するモデルとして生成し、
   前記モデルは２種類のモデルを含んでおり、
   前記モデルを生成する処理では、前記データセットを利用した学習により前記分布の中央を推論する第１の前記モデルと前記分布の予測幅を推論する第２の前記モデルとを生成する、生成装置。
9. 情報処理装置に、
   商品またはサービスの需要量の実績値と、需要が発生した際の状況を示す情報との組みのデータを含むデータセットに基づいて、需要量の実績値の分布を当該分布の中央から所定量ずれた位置で分割する値を推定するモデルを、前記分布の予測幅を推論するモデルとして生成する処理を実行させ、
   前記モデルは２種類のモデルを含んでおり、
   前記モデルを生成する処理では、前記データセットを利用した学習により前記分布の中央を推論する第１の前記モデルと前記分布の予測幅を推論する第２の前記モデルとを生成する、プログラム。
10. 情報処理装置が、
    商品またはサービスの需要量の実績値と、需要が発生した際の状況を示す情報との組みのデータを含むデータセットに基づいて、前記需要量の実績値の分布の予測幅を推論するモデルとして生成された前記分布の中央から所定量ずれた位置で分割する値を推定するモデルを用いて、需要量の実績値の分布を、当該分布の中央から所定量ずれた位置で分割する値による前記分布の予測幅を出力する処理を実行し、
    前記モデルは、前記データセットを利用した学習により前記分布の中央を推論する第１の前記モデルと前記分布の予測幅を推論する第２の前記モデルとの２種類のモデルを含んでいる、情報処理方法。
11. 商品またはサービスの需要量の実績値と、需要が発生した際の状況を示す情報との組みのデータを含むデータセットに基づいて、前記需要量の実績値の分布の予測幅を推論するモデルとして生成された前記分布の中央から所定量ずれた位置で分割する値を推定するモデルを用いて、需要量の実績値の分布を、当該分布の中央から所定量ずれた位置で分割する値による前記分布の予測幅を出力し、
    前記モデルは、前記データセットを利用した学習により前記分布の中央を推論する第１の前記モデルと前記分布の予測幅を推論する第２の前記モデルとの２種類のモデルを含んでいる、情報処理装置。
12. 情報処理装置に、
    商品またはサービスの需要量の実績値と、需要が発生した際の状況を示す情報との組みのデータを含むデータセットに基づいて、前記需要量の実績値の分布の予測幅を推論するモデルとして生成された前記分布の中央から所定量ずれた位置で分割する値を推定するモデルを用いて、需要量の実績値の分布を、当該分布の中央から所定量ずれた位置で分割する値による前記分布の予測幅を出力する処理を実行させ、
    前記モデルは、前記データセットを利用した学習により前記分布の中央を推論する第１の前記モデルと前記分布の予測幅を推論する第２の前記モデルとの２種類のモデルを含んでいる、プログラム。

Images