JP7264715B2 - 物量予測方法及び物量予測システム - Google Patents

Description

本発明は、企業の物流活動において扱われる物量を予測する技術に関する。

事象の予測に関する技術として、例えば特表２０１７－５３１２６０号公報に記載の技術がある。特許文献１には、事象の要因を捉えるためのウィンドウ期間を事象の発生間隔に基づいて設定し、要因の発生に基づいて発生頻度の低い事象を予測するシステムが開示されている。このシステムは、要因の発生及び事象の発生に関する過去の履歴において、ウィンドウ期間内で要因が発生した場合に、要因の候補が複数種類存在する場合は最も発生頻度の高いものを要因として、要因と事象間の時間の間隔で最も相関の高いものを抽出し、これを要因から事象が発生するまでのタイムラグとする。このタイムラグを用いて、要因の発生の有無から、タイムラグ経過後の事象の発生の有無を予測する。このような予測手法が開示されている。

特表２０１７－５３１２６０号公報

特許文献１に記載の方法では、要因が事象に影響を与えるまでのタイムラグが変化する場合には対応できず、要因から物量を予測できない。

上記課題を解決するため、本発明の一態様は以下の方法を実現する。

即ち、制御装置と、前記制御装置に接続される記憶装置と、を有する物量予測システムが実行する物量予測方法であって、前記記憶装置は、要因データと、物量データと、を保持し、前記要因データは、天気、気温、湿度、気圧及び物品の販売量の少なくとも一つを含み、前記物量予測方法は、前記制御装置が、前記要因データが前記物量データに影響を及ぼすまでの時間となりうるタイムラグを複数取得する第１手順と、前記制御装置が、前記複数のタイムラグから、前記要因データに付加した場合に前記要因データと前記物量データとの相関が高くなるタイムラグを抽出する第２手順と、前記制御装置が、前記抽出したタイムラグが付与された前記要因データから前記物量データを予測する予測モデルを生成する第３手順と、前記制御装置が、前記生成した予測モデルに基づいて、予測のための要因データから物量データを予測する第４手順と、を含み、前記制御装置は、前記第１手順から前記第３手順を実行したタイミングで前記第４手順を実行することを特徴とする。

要因が物量に影響を与えるまでのタイムラグが変化する場合であっても、タイムラグの変化に対応して要因から物量を予測可能にする。前述した以外の課題、構成及び効果は、以下の実施例の説明によって明らかにされる。

要因と事象との関係を示す概念図である。 本発明の実施例における、サプライチェーンに着目した場合の要因と事象との関係を示す概念図である。 本発明の実施例のシステム構成の例を示すブロック図である。 本発明の実施例の外部データ／物量データ格納データベースに格納されるデータの例を示す説明図である。 本発明の実施例の外部データ／物量データ格納データベースに格納されるデータの例を示す説明図である。 本発明の実施例の外部データ／物量データ格納データベースに格納されるデータの例を示す説明図である。 本発明の実施例の予測モデル生成用データベースに格納されるデータの例を示す説明図である。 本発明の実施例の予測モデル生成用データベースに格納されるデータの例を示す説明図である。 本発明の実施例の予測値データベースに格納されるデータの例を示す説明図である。 本発明の実施例の予測値データベースに格納されるデータの例を示す説明図である。 本発明の実施例の物量予測システムがデータを収集し、関係性を抽出し、物量を予測するまでの全体の処理を示すフローチャートである。 本発明の実施例の物量予測システムが学習期間の中で外部データと物量データとの相関を分析して、相関の高い外部データを説明変数として決定するまでの処理を示すフローチャートである。 本発明の実施例の物量予測システムが予測結果を基にユーザの業務を支援する際に出力する画面例を示す説明図である。 本発明の実施例の物量予測システムが予測結果を基にユーザの業務を支援する際に出力する画面例を示す説明図である。

以下、本発明を実施するための形態を、図面を用いて説明する。

本発明の実施例の詳細を説明する前に、まず本実施例の概要を図１Ａ及び図１Ｂを用いて説明する。本実施例では、企業内外の様々な情報を収集し、それらの情報を組合せて分析することで、企業の経済活動において有益な情報を生成して、企業の経済活動の効率化を支援するためのシステム及び方法について説明する。

ここで、企業の経済活動に有益な情報を生成するために、企業外で発生している様々な現象に関する情報を収集し、企業内で発生する現象に関する情報との相関関係を明らかにし、過去の企業外の現象に関する情報から、現在の企業内の現象に関する情報を予測して、企業の経済活動に有益な情報を生成することが想定される。以降では説明を容易にするため、企業外で発生している様々な現象を「要因」と呼び、企業内で発生する予測対象の現象を「事象」と呼ぶことにする。

図１Ａは、要因と事象との関係を示す概念図である。

図１Ａの例において、要因１１１から事象１１２が発生しており、その際のタイムラグ（例えば要因１１１が事象１１２に影響を及ぼすまでの時間）がタイムラグ１１３である。このとき、事象１１２の要因は既知ではないため、どの要因が事象１１２に影響を及ぼすかを分析するために、ウィンドウ期間１１４が設けられる。ウィンドウ期間１１４内で発生する要因の候補の中から事象１１２と相関が高い要因が要因１１１として抽出され、要因１１１が事象１１２に影響を与えるまでのタイムラグをタイムラグ１１３として抽出する。ここで、特許文献１では、ウィンドウ期間を前回の事象発生から今回の事象発生までの期間としているため、タイムラグ１２３がウィンドウ期間１１４よりも長い要因’１２１を事象１１２の要因候補として分析することはできない。

そこで、本願発明では、サプライチェーンにおける企業の経済活動として物流活動に着目し、サプライチェーンの特性を踏まえて、要因が事象に影響を与えるまでのタイムラグを分析する。

図１Ｂは、本発明の実施例における、サプライチェーンに着目した場合の要因と事象との関係を示す概念図である。

サプライチェーンの上流には倉庫１６０があり、中流には卸売１７０があり、下流には小売１８０がある。倉庫１６０の物流業務１６１～１６２、卸売１７０の物流業務１７１～１７４、及び小売１８０の物流業務１８１～１８３は、サプライチェーン上で様々に関連し合っている。

例えば小売１８０の店舗での商品の販売１８２は、卸売１７０の受注１７２と関連し合う。これは、販売による在庫減少のために、小売１８０から卸売１７０に対して発注１８３を掛けることによる。また、卸売１７０の受注１７２は、倉庫１６０での受注１６１と関連し合う。これは、受注１７２に伴う小売１８０に向けた出荷１７３によって商品の在庫が減少するために、卸売１７０から倉庫１６０に対して発注１７４を掛けることによる。さらに、倉庫１６０の受注１６１は、受注１６１に伴う卸売１７０に向けた出荷１６２と関連し合う。

つまり、小売１８０の店舗の販売１８２と倉庫１６０の出荷１６２は関連し合っており、小売１８０の販売１８２を起点として倉庫１６０で出荷１６２が発生することになる。ここで、販売１８２を要因１９１と捉え、出荷１６２を事象１９２と捉えれば、それらの関係は、図１Ａに示す要因’１２１と事象１１２の関係と同じ構図となる。つまり、小売１８０の販売１８２を要因として、倉庫１６０の出荷１６２の事象が発生し、要因から事象の発生までにタイムラグが存在する。ここで、販売１８２に関する情報と出荷１６２に関する情報の間のタイムラグを考慮して２つの業務の間の相関を分析すれば、タイムラグの抽出と、要因の抽出が可能となる。

なお、図１Ｂの例では販売１８２を要因１９１と捉え、出荷１６２を事象１９２と捉えているが、これは一例であり、他の要因及び事象にも本発明が適用できる。例えば、後述するように、販売のほかに、天気、気温等、又はそれらの任意の組み合わせ等を要因１９１と捉えてもよい。また、出荷の他に、入荷、在庫等、又はそれらの任意の組み合わせ等を事象１９２と捉えてもよい。

次に、図２乃至図８Ｂを用いて、本実施例の詳細を説明する。ただし、本発明はこの実施例に限定されるものではなく、事象を予測する何れの状況においても、本発明は適用可能である。

図２は、本発明の実施例のシステム構成の例を示すブロック図である。

物量予測システム２００は、中央制御装置２４０、主記憶装置２１０、補助記憶装置２３０、通信装置２４１、及び入出力装置２４２を有する。これらはバスによって相互に接続されている。

補助記憶装置２３０は、外部データ／物量データ格納データベース（ＤＢ）２３１、予測モデル生成用データベース２３２、予測値データベース２３３、及び予測モデルデータベース２３４を格納している。

主記憶装置２１０は、プログラムを格納している。外部データ収集部２１１、物量データ収集部２１２、関係性抽出部２１３、物量予測値計算部２１４、予測結果出力部２１５は、プログラムである。以降、「○○部は」と主体を記した場合は、中央制御装置２４０が、補助記憶装置２３０から各プログラムを読み出し、主記憶装置２１０にロードしたうえで、各プログラムの機能（詳細後記）を実現するものとする。

ここで、物量予測システム２００は、倉庫管理システム２６０と通信回線２５０Ａを介して接続し、外部データ提供システム（オープン）２７０及び外部データ提供システム（クローズド）２８０と通信回線２５０Ｂを介して接続する。ここで、倉庫管理システム２６０、外部データ提供システム（オープン）２７０、及び外部データ提供システム（クローズド）２８０は、一般的なコンピュータである。

倉庫管理システム２６０は、商品毎の出荷量などの倉庫に関する情報を物量予測システム２００に提供するシステムであり、通信回線２５０Ａに接続して物量予測システム２００と通信する。また、外部データ提供システム（オープン）２７０は、天気などのオープンデータを物量予測システム２００に提供するシステムであり、通信回線２５０Ｂに接続して物量予測システム２００と通信する。さらに、外部データ提供システム（クローズド）２８０は、小売の店舗での販売情報などのクローズドデータを物量予測システム２００に提供するシステムであり、通信回線２５０Ｂに接続して物量予測システム２００と通信する。

通信回線２５０Ａ及び２５０Ｂとしては、ＬＡＮ(Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ)の他、専用回線、ＷＡＮ(Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ)、電灯線ネットワーク、無線ネットワーク、公衆回線網、携帯電話網、衛星通信回線など、様々なネットワークを採用することができる。通信回線２５０Ａは、社内の通信回線を想定するため、公衆回線網などの社外に公開された通信回線を採用する場合は、ＶＰＮ（Ｖｉｒｔｕａｌ Ｐｒｉｖａｔｅ Ｎｅｔｗｏｒｋ）技術を用いて擬似的に専用回線化してもよい。また、通信回線２５０Ｂは、社外に公開された通信回線を想定しており、通信内容を秘匿する場合にのみ、ＶＰＮ技術を用いて擬似的に専用回線化してもよい。

なお、図２では、物量予測システム２００は単独で入出力を行うものとしたが、通信回線２５０Ａで他の端末と接続し、当該端末の入出力装置を介して情報を入出力しても良い。また、物量予測システム２００を倉庫管理システム２６０の中のサブシステムとしても良い。

ここで、データベースの詳細を説明する。

図３Ａ、図３Ｂ及び図３Ｃは、本発明の実施例の外部データ／物量データ格納データベース２３１に格納されるデータの例を示す説明図である。

外部データ／物量データ格納データベース２３１には、物量予測の予測対象である物量データ、及び、物量データを予測するときの根拠となる外部データに関するデータが記憶されている。この例では、外部データが図１Ｂの要因１９１に対応し、物量データが事象１９２に対応する。

外部データ／物量データ格納データベース２３１は、データ定義テーブル３００（図３Ａ）と、データ値格納テーブル３１０（図３Ｂ）と、商品データ値格納テーブル３２０（図３Ｃ）と、で構成される。

図３Ａに示すデータ定義テーブル３００は、データＩＤ３０１と、データ名称３０２と、データ種別３０３と、親ＩＤ３０４と、によって構成される。各レコードを識別するためのキーは、データＩＤ３０１である。

データＩＤ３０１は、ここで定義されるデータを一意に識別するための識別子である。データ名称３０２は、データを端的に表現・説明した名称である。データ種別３０３は、データが外部データなのか、物量データなどの内部データなのかを区別するための記号であり、例えば外部データを示す「外部」又は内部データを示す「内部」などと表記される。

親ＩＤ３０４は、データＩＤ３０１のデータに親子関係がある場合、その親のデータＩＤを示すものである。例えば、天気データの中に温度データ、湿度データ、気圧データがある（すなわち天気データが温度データ、湿度データ、気圧データの親データである）場合、温度データ、湿度データ、気圧データの各々の親ＩＤ３０４に天気データのデータＩＤ３０１の値（図３Ａの例では「ＤＯ００１０」）を格納しても良い。また、日本の天気データの中に東京の天気データ、神奈川の天気データなど４７都道府県の天気データがある場合は、４７都道府県各々の天気データの親ＩＤ３０４に日本の天気データのデータＩＤ３０１の値を格納しても良い。

図３Ｂに示すデータ値格納テーブル３１０には、商品に依存しない、商品とは独立のデータが記憶されている。

データ値格納テーブル３１０は、年月日３１１と、データＩＤ３１２と、値ＩＤ３１３と、によって構成される。各レコードを識別するためのキーは、年月日３１１及びデータＩＤ３１２である。

年月日３１１は、データの発生年月日を示す。データＩＤ３１２は、物量予測システム２００がデータを識別するための識別子である。この識別子は、物量予測システム２００がデータを識別するために付与した識別子でもよいし、世の中で使われているデータの識別子がある場合はそちらの識別子でもよい。

値３１３は、データが示す数値を示す。例えば、天気の気温のデータを例にとると、年月日３１１は気温を観測した年月日であり、データＩＤ３１２は気温データを識別するために物量予測システム２００から付与された識別子であり、値３１３は気温そのものの値である。

図３Ｃに示す商品データ値格納テーブル３２０には、商品に関するデータが記憶されている。

商品データ値格納テーブル３２０は、年月日３２１と、商品ＩＤ３２２と、データＩＤ３２３と、値ＩＤ３２４と、によって構成される。各レコードを識別するためのキーは、年月日３２１、商品ＩＤ３２２及びデータＩＤ３２３である。

年月日３２１は、データの発生年月日を示す。商品ＩＤ３２２は、各レコードのデータがどの商品に関するものかを識別するための商品の識別子である。この識別子は、物量予測システム２００が商品を識別するために付与した識別子でもよいし、世の中で使われている商品の識別子（例えばＪＡＮコードなど）でもよい。

データＩＤ３２３は、物量予測システム２００がデータを識別するための識別子である。この識別子は、物量予測システム２００がデータを識別するために付与した識別子でもよいし、世の中で使われているデータの識別子がある場合はそちらの識別子でもよい。

値３２４は、データが示す数値を示す。例えば、商品に関するデータとして店舗での商品の販売量データを例にとると、商品ＩＤ３２２は当該商品の識別子であり、年月日３２１は当該商品の販売が行われた年月日であり、データＩＤ３２３は販売量データを識別するための識別子であり、値３２４は販売量そのものの値である。

図４Ａ及び図４Ｂは、本発明の実施例の予測モデル生成用データベース２３２に格納されるデータの例を示す説明図である。

予測モデル生成用データベース２３２には、物量予測の予測モデル作成に必要なデータが記憶されている。予測モデル生成用データベース２３２は、データ向け学習情報定義テーブル４００（図４Ａ）と、商品向けデータ向け学習情報定義テーブル４１０（図４Ｂ）と、によって構成される。ユーザがデータの視点を重視する場合（例えば、要因データがどのようなデータであるかに着目して予測モデルを作成する場合）はデータ向け学習情報定義テーブル４００を用い、商品の視点を重視する場合（例えば、予測の対象の商品がどのような商品であるかに着目して予測モデルを作成する場合）は商品向けデータ向け学習情報定義テーブル４１０を用いる。データの視点／商品の視点のどちらを重視するかは、事前に設定ファイルなどでユーザから指定されているものとする。

図４Ａに示すデータ向け学習情報定義テーブル４００には、物量予測の予測モデル作成に必要なデータが記憶されている。これは、データの特徴に応じてユーザが定義したデータであり、データの学習期間及び相関係数の閾値などが記憶されている。

データ向け学習情報定義テーブル４００は、データＩＤ４０１と、学習期間４０２と、タイムラグ候補パターン４０３と、相関種別４０４と、相関閾値４０５と、累積候補パターン４０６と、によって構成される。各レコードを識別するためのキーは、データＩＤ４０１である。

データＩＤ４０１は、学習情報が定義されるデータを一意に識別するための識別子である。学習期間４０２は、物量予測の予測モデルを作成するために過去のデータを学習する際に、その学習データの期間を示すものである。

タイムラグ候補パターン４０３は、物量データと外部データとの関係性を抽出する際に、外部データに付与するタイムラグの候補のパターンを示す。タイムラグとは、要因データ（この例では外部データ）が事象データ（この例では物量データ）に影響を及ぼすまでの時間であり、タイムラグの候補とは、そのようなタイムラグになりうる値として事前に設定されたものである。実際にはタイムラグになりうる値は無数にあるが、学習のための計算量を抑制するために、代表的ないくつかの値を設定することができる。タイムラグの候補のパターンは、例えば、１日前、５日前、１０日前及び１５日前などであり、それぞれ、１日前、５日前、１０日前及び１５日前の外部データと物量データとの間で関係性を抽出するためのものである。

相関種別４０４は、関係性の抽出を相関係数に基づいて行う際に、相関係数のプラス・マイナスをどのように判断するか、その判断基準を示すものである。例えば、相関係数がプラスだけのもので判断する（すなわち正の相関がある場合にのみ相関ありと判断する）、マイナスだけのもので判断する（すなわち負の相関がある場合にのみ相関ありと判断する）、プラス・マイナス両方から判断する（すなわち正又は負のいずれの相関がある場合にも相関ありと判断する）、などの判断基準を示す。相関閾値４０５は、相関係数に基づいて関係性を抽出する際に、基準値を満たす場合に関係性が有ると判断するための、当該基準値を示すものである。

累積候補パターン４０６は、物量データと外部データとの関係性を抽出する際に、データをある期間で累積してから関係性を抽出するための、データの累積期間の候補のパターンを示す。累積期間の候補のパターンは、例えば、７日間、１４日間、などである。

後述のように、外部データと物量データは、例えば７日間の外部データの累積と７日間の物量データの累積との関係性を抽出するなど、同じ長さの累積期間で累積してから関係性を抽出しても良い。この例において、例えばタイムラグが５日前であれば、ある日（第１の日）を起点とする７日間の外部データの累積と、当該第１の日の５日後の日を起点とする７日間の物量データの累積との間の関係性が抽出される。あるいは、外部データは１４日間で累積し、物量データは７日間で累積するなど、異なる長さの累積期間で累積してから関係性を抽出しても良い。

なお、図４Ａの例では、いずれのデータＩＤ４０１の値に対しても、タイムラグ候補パターン４０３には同じ値（すなわち１、５、１０、１５）が格納されている。しかし、これは一例であり、実際には外部データの種類ごとに異なるタイムラグ候補パターン４０３の値が設定されてもよい。例えば、天気が出荷量に影響を与えるまでの時間の長さの傾向と、販売量が出荷量に影響を与えるまでの時間の長さの傾向とが異なるなど、外部データの種類によってタイムラグの傾向が異なる場合に、それぞれに適したタイムラグ候補パターン４０３の値が設定されてもよい。適切に設定されたタイムラグ候補パターン４０３を使用して、後述する予測モデルの生成を実行することによって、計算量の増加を抑えながら、精度の高い予測モデルを生成することが可能になる。累積候補パターン４０６についても同様である。

図４Ｂに示す商品向けデータ向け学習情報定義テーブル４１０は、商品ＩＤ４１１と、学習期間４１２と、タイムラグ候補パターン４１３と、相関種別４１４と、相関閾値４１５と、累積候補パターン４１６と、によって構成される。各レコードを識別するためのキーは、商品ＩＤ４１１である。

商品ＩＤ４１１は、学習情報が定義される商品を一意に識別するための識別子である。

学習期間４１２～累積候補パターン４１６の説明は、図４Ａの学習期間４０２～累積候補パターン４０６の説明と同様である。つまり、学習期間４１２は、物量予測の予測モデルを作成するために過去のデータを学習する際に、その学習データの期間を示すものである。タイムラグ候補パターン４１３は、物量データと外部データの関係性を抽出する際に、外部データに付与するタイムラグの候補のパターンを示す。タイムラグの候補のパターンは、例えば、５日前、１０日前及び１５日前などであり、それぞれ、５日前、１０日前及び１５日前の外部データと物量データの間で関係性を抽出するためのものである。

相関種別４１４は、関係性の抽出を相関係数に基づいて行う際に、相関係数のプラス・マイナスをどのように判断するか、その判断基準を示すものである。例えば、相関係数がプラスだけのもので判断する、マイナスだけのもので判断する、プラス・マイナス両方から判断する、などの判断基準を示す。相関閾値４１５は、相関係数に基づいて関係性を抽出する際に、基準値を満たす場合に関係性が有ると判断するための、当該基準値を示すものである。

累積候補パターン４１６は、物量データと外部データとの関係性を抽出する際に、データをある期間で累積してから関係性を抽出するための、データの累積期間の候補のパターンを示す。累積期間の候補のパターンは、例えば、７日間、１４日間、などである。後述のように、外部データと物量データは、例えば７日間の外部データの累積と７日間の物量データの累積との関係性を抽出するなど、同じ長さの累積期間で累積してから関係性を抽出しても良い。あるいは、外部データは１４日間で累積し、物量データは７日間で累積するなど、異なる長さの累積期間で累積してから関係性を抽出しても良い。

なお、図４Ｂの例では、商品ＩＤ４１１の値「Ｇ００１」に対するタイムラグ候補パターン４１３として「２、３、４、５」が格納されている。一方、商品ＩＤ４１１の値「Ｇ００２」に対するタイムラグ候補パターン４１３として「５、１０、１５」が格納されている。これは、商品の種類によってタイムラグの傾向が異なる場合に、それぞれに適したタイムラグ候補パターン４１３の値を設定できることを示している。適切に設定されたタイムラグ候補パターン４１３を使用して、後述する予測モデルの生成を実行することによって、計算量の増加を抑えながら、精度の高い予測モデルを生成することが可能になる。累積候補パターン４１６についても同様であり、商品の種類に応じて適切な値を設定することができる。

図５Ａ及び図５Ｂは、本発明の実施例の予測値データベース２３３に格納されるデータの例を示す説明図である。

予測値データベース２３３には、物量予測で予測した結果に関するデータが記憶されている。

外部データ／物量データ格納データベース２３１は、予測値格納テーブル５００（図５Ａ）と、予測値属性テーブル５１０（図５Ｂ）と、によって構成される。

図５Ａに示す予測値格納テーブル５００は、年月日５０１と、予測年月日５０２と、商品ＩＤ５０３と、データＩＤ５０４と、値５０５と、によって構成される。各レコードを識別するためのキーは、年月日５０１、予測年月日５０２、商品ＩＤ５０３及びデータＩＤ５０４である。

年月日５０１は、予測した物量データの発生予定の年月日を示す。予測年月日５０２は、予測を行った年月日を示す。商品ＩＤ５０３は、どの商品に関して予測した物量データかを識別するための商品の識別子である。この識別子は、物量予測システム２００が商品を識別するために付与した識別子データでもよいし、世の中で使われている商品の識別子（例えばＪＡＮコードなど）でもよい。データＩＤ５０４は、物量予測システム２００が物量データを識別するために付与した識別子である。値５０５は、物量データの予測値を示す。

図５Ｂに示す予測値属性テーブル５１０は、商品ＩＤ５１１と、データＩＤ５１２と、タイムラグ５１３と、相関係数５１４と、によって構成される。各レコードを識別するためのキーは、商品ＩＤ３６１及びデータＩＤ３６２である。

商品ＩＤ５１１は、どの商品に関して予測した物量データかを識別するための商品の識別子である。この識別子は、物量予測システム２００が商品を識別するために付与した識別子データでもよいし、世の中で使われている商品の識別子（例えばＪＡＮコードなど）でもよい。データＩＤ５１２は、物量予測システム２００が物量データを識別するために付与した識別子である。タイムラグ５１３は、外部データと物量データとの間で影響が及ぶまでの時間のずれ（この例では日数）を示す数値である。例えば、時間のずれが５日前である場合は、５日前の外部データが物量データと関係を有することを示す。相関係数５１４は、外部データと物量データの関係性の強弱を示す相関係数を示す。

予測モデルデータベース２３４には、物量予測に用いる予測モデルが記憶されている。予測モデルは、例えば、物量予測システム２００が後述の処理で作成したもの、又は、ユーザが手動で作成したものである。ここでは詳細な説明を省くが、例えば、予測モデルが外部データを用いる回帰モデルである場合、その切片及び係数が予測モデルデータベース２３４に記憶されている。

続いて、本実施例における物量を予測するまでの一連の処理について説明する。

図６は、本発明の実施例の物量予測システム２００がデータを収集し、関係性を抽出し、物量を予測するまでの全体の処理を示すフローチャートである。

なお、外部データ／物量データ格納データベース２３１に格納されるデータの定義情報をデータ定義テーブル３００に登録する処理は、図６の一連の処理（処理Ｓ６００～処理Ｓ６１１）の事前にユーザが行うものである。また、予測モデル作成においてユーザの重視する視点の受付処理も、図６の一連の処理（処理Ｓ６００～処理Ｓ６１１）の事前にユーザから受け付けるものである。データを重視する場合はデータ向け学習情報定義テーブル４００を用い、商品を重視する場合は商品向け学習情報定義テーブル４１０を用いることにして、図６の一連の処理（処理Ｓ６００～処理Ｓ６１１）を行う。

図６は、外部データと物量データを収集し、両者の関係性を抽出して物量を予測し、予測結果を表示するまでの処理フローを示す。

処理Ｓ６００にて、物量予測システム２００の中央制御装置２４０が、物量予測の処理フローを開始する。処理Ｓ６０１に進む。

処理Ｓ６０１にて、外部データ収集部２１１が、外部データ提供システム（オープン）２７０及び外部データ提供システム（クローズド）２８０から、通信装置２４１を介して、外部データを収集する。外部データ収集部２１１は、収集した外部データを外部データ／物量データ格納データベース２３１に格納する。このとき、外部データは、それが商品に依存しないデータであればデータ値格納テーブル３１０に格納され、商品毎に異なるデータであれば商品データ値格納テーブル３２０に格納される。

外部データ収集部２１１は、収集した外部データをデータ値格納テーブル３１０に格納する際は、データの発生年月日を年月日３１１に格納し、物量予測システム２００がデータを識別するために付与した識別子をデータＩＤ３１２に格納し、データが示す数値を値３１３に格納する。また、外部データ収集部２１１は、収集した外部データを商品データ値格納テーブル３２０に格納する際は、どの商品に関するデータか示すために商品の識別子を商品ＩＤ３２２に格納し、データの発生年月日を年月日３２１に格納し、物量予測システム２００がデータを識別するために付与した識別子をデータＩＤ３２３に格納し、データが示す数値を値３２３に格納する。その後、処理Ｓ６０２に進む。

処理Ｓ６０２にて、物量データ収集部２１２が、倉庫管理システム２６０から、通信装置２４１を介して、物量データを収集する。物量データ収集部２１２は、収集した物量データを外部データ／物量データ格納データベース２３１の商品データ値格納テーブル３２０に格納する。物量データ収集部２１２は、物量データを商品データ値格納テーブル３２０に格納する際は、どの商品に関する物量データか示すために商品の識別子を商品ＩＤ３２２に格納し、物量データの発生年月日を年月日３２１に格納し、物量予測システム２００が物量データを識別するために付与した識別子をデータＩＤ３２３に格納し、物量の数値を値３２３に格納する。その後、処理Ｓ６０３に進む。

処理Ｓ６０３にて、関係性抽出部２１３が、処理Ｓ６０１で収集した外部データのうち、どの外部データを使って物量データを予測するか、外部データの対象範囲を決定し、決定した外部データの対象範囲のデータＩＤの集合を生成する。ここで、決定する外部データは一つでも良いし、複数あっても良い。また決定方法は、ユーザに選ばせても良いし、予め決めていたルールに従ってシステムが自動で決定しても良い。その後、処理Ｓ６０４に進む。

処理Ｓ６０４にて、関係性抽出部２１３が、どの商品の物量データを予測するか、商品の対象範囲を決定し、対象範囲の商品の商品ＩＤの集合を生成する。ここで、商品ＩＤの集合の決定方法は、ユーザに選ばせても良いし、予め決めていたルールに従ってシステムが自動で決定しても良い。

ルールに従う自動的な決定方法の一例は、例えば次の通りである。すなわち、関係性抽出部２１３は、処理Ｓ６００～処理Ｓ６１１の一連の処理の直近１週間の計算時間が閾値以上となった場合、計算時間を圧縮するために、データ値格納テーブル３１０の値３１３の直近１ヶ月の平均が閾値以上に増減したデータＩＤ３１２に対して、そのデータＩＤ３１２を用いて予測している商品を予測値格納テーブル５００のデータＩＤ５０４と予測年月日５０２と商品ＩＤ５０３から検索し、検索された商品ＩＤの集合を、対象範囲の商品ＩＤの集合として決定しても良い。ここで、「１週間」及び「１ヶ月」は一例であり、それ以外の適切な長さの期間が設定されてもよい。

このように、所定の条件（例えば「直近１ヶ月の平均が閾値以上に増減する」）を設定しておき、外部データがその条件を満たす変化を含む場合に、予測モデルを生成し直す必要があると判定することができる。例えば、外部データが物量データに影響を与えるメカニズムが変化する場合に、その変化を検出するための適切な条件を設定してもよい。これによって、必要な場合に予測モデルが再度生成され、それ以外の場合には過去に生成された予測モデルが使用される。その結果、計算量を抑えながら、精度の高い予測を行うことが可能になる。

その後、処理Ｓ６０５に進む。

処理Ｓ６０５にて、関係性抽出部２１３が、処理Ｓ６０４で決定した商品の対象範囲の中から商品ＩＤを一つ選び出し、当該商品ＩＤの商品に関して、処理Ｓ６０１で収集した外部データにタイムラグを付与して物量データとの相関係数を算出し、相関の有無を判定する。相関が無い場合は処理Ｓ６０６に進み、相関が有る場合は処理Ｓ６０７に進む。

処理Ｓ６０６にて、物量予測値計算部２１４が、処理Ｓ６０５で選び出された商品ＩＤの商品に関して、既に予測モデルが作成されているか、予測モデルデータベース２３４を基に判定する。予測モデルが有る場合は処理Ｓ６０８に進み、予測モデルが無い場合は処理Ｓ６０９に進む。

処理Ｓ６０７にて、物量予測値計算部２１４が、処理Ｓ６０５で相関有りと判定された外部データを基に回帰分析を行って、当該商品ＩＤに関する物量データの予測モデルを生成する。物量予測値計算部２１４は、生成した予測モデルを予測モデルデータベース２３４に格納する。予測モデルは、回帰式に用いる外部データの係数、切片、及び、外部データのタイムラグ（後述の累積期間を用いる場合は、その累積期間も含む）である。その後、処理Ｓ６０８に進む。

処理Ｓ６０８にて、物量予測値計算部２１４が、予測モデルに外部データを入力して物量データの予測値を算出する。ここで入力される外部データは、予測のための外部データであり、例えば、予測モデルを生成するために学習データとして使用されたものではなく、将来の物量を予測するために取得されたものである。

物量予測値計算部２１４は、算出した予測値を予測値データベース２２３の予測値格納テーブル３５０に格納する。このとき、物量予測値計算部２１４は、算出した予測値がどの商品に関する物量データか示すために商品の識別子を商品ＩＤ５０３に格納し、予測した物量データの発生予定の年月日を年月日５０１に格納し、物量データを識別する識別子をデータＩＤ５０４に格納し、物量データの予測値を値５０５に格納し、予測を行った年月日を予測年月日５０２に格納する。その後、処理Ｓ６０９に進む。

処理Ｓ６０９にて、物量予測値計算部２１４が、次の対象範囲の商品ＩＤが残っているか判定する。まだ予測の終わっていない商品が残っている場合は、処理Ｓ６０５に戻る。既に全ての商品で予測が終わっている場合は処理Ｓ６１０に進む。

処理Ｓ６１０にて、予測結果出力部２１５が、処理Ｓ６０１～処理Ｓ６０９の一連の処理での商品の物量予測の予測結果を入出力装置２４２に出力する。その後、処理Ｓ６１１に進む。

処理Ｓ６１１にて、中央制御装置２４０が、物量を予測する処理の処理フローを終了する。

なお、処理Ｓ６００で一連の処理フローを開始するタイミングは、任意に設定することができる。例えば、日に１回夜中午前０時を基点として一連の処理フローを開始しても良いし、ユーザが定義したタイミング（毎週月曜朝８時、毎月第三木曜日午前０時、予測精度が３０％以上に悪化した時点、など）を基点として一連の処理フローを開始しても良い。

また、処理Ｓ６０１で外部データを格納する場合、例えば販売量を同じ系列店舗で足し合わせるなど、ユーザによって予め定義されたグループのグループ内の値を足し合わせた値を格納しても良い。あるいは、外部データの値を、前日との差分、前週との差分、前月との差分、又は前年との差分などの差分データとして格納しても良い。または、直前一週間又は直前１ヶ月など、所定の期間の平均、最大値、最小値、累積値などを格納しても良い。

ここで、累積値を外部データ／物量データ格納データベース２３１に格納する代わりに、データ向け学習情報定義テーブル４００の累積候補パターン４０６や商品向け学習情報定義テーブル４１０の累積候補パターン４１６に事前に累積期間の各候補のパターンを登録しておき、処理Ｓ７０４にて事前に登録しておいた累積期間の各候補のパターンを取得し、外部データにタイムラグの各候補のパターンを付与する際に累積期間の各候補のパターンをも付与して、処理Ｓ７０５～処理Ｓ７１４の処理を行っても良い。これらの処理は、図７を参照して後述する。この際は、外部データの累積値と物量データの累積値を計算してから、これらの相関を分析する。

ここで、外部データと物量データに同じ累積期間の候補を適用して累積値を各々求めても良いし、外部データと物量データで別々の累積期間の候補を適用し別々の長さの期間の累積値を各々求めても良い。

また、処理Ｓ６０７で回帰分析を行う場合において、外部データが複数ある場合は、処理Ｓ６０７では全ての外部データを用いて一つの予測モデルを生成することを想定したが、外部データ毎に異なる予測モデルを生成し、各々の予測モデルの予測値を最後に合算して最終的な予測値を算出しても良い。また、複数の外部データを加減乗算して新たな一つのデータを生成し、それを用いて予測モデルを生成しても良い。あるいは、地域毎の特性値を予めユーザが定義しておき、特性値を説明変数として加えることで、予測モデルに地域特性を加味させても良い。

また、処理Ｓ６０３で予測データの範囲を決定する際に、予測精度向上を重視する場合はデータ量を増やし、予測コスト低減を重視する場合はデータ量を減らしても良い。

続いて、図７で、処理Ｓ６０５の詳細な処理フローを説明する。

図７は、本発明の実施例の物量予測システム２００が学習期間の中で外部データと物量データとの相関を分析して、相関の高い外部データを説明変数として決定するまでの処理を示すフローチャートである。

ここで決定した説明変数を基に、回帰分析を行って、外部データから物量データを予測するための予測モデルを生成するのが処理Ｓ６０７である。

処理Ｓ７００にて、物量予測システム２００の中央制御装置２４０が、処理Ｓ６０５の処理フローを開始する。また、中央制御装置２４０は、説明変数を空集合で初期化する。その後、処理Ｓ７０１に進む。

処理Ｓ７０１にて、関係性抽出部２１３が、処理Ｓ６０３で決定した外部データの対象範囲を示すデータＩＤの集合の中から任意に選択した一つのデータＩＤを取得する。その後、処理Ｓ７０２に進む。

処理Ｓ７０２にて、関係性抽出部２１３が、予測モデル生成用データベース２３２から、学習期間を取得する。ユーザがデータ重視の視点の場合は、関係性抽出部２１３は、データ向け学習情報定義テーブル４００のデータＩＤ４０１を処理Ｓ７０１で取得したデータＩＤと比較し、両者が一致するレコードの学習期間４０２を、学習期間として取得する。ユーザが商品重視の視点の場合は、関係性抽出部２１３は、商品向け学習情報定義テーブル４１０の商品ＩＤ４１１を処理Ｓ７０１で取得したデータＩＤと比較し、両者が一致するレコードの学習期間４１２を、学習期間として取得する。ユーザからの指定が無い場合は、関係性抽出部２１３は、デフォルトの視点（例えば、データ重視など）に基づいて学習期間を取得する。その後、処理Ｓ７０３に進む。

処理Ｓ７０３にて、関係性抽出部２１３が、予測モデル生成用データベース２３２から、タイムラグ候補パターンを取得する。ユーザがデータ重視の視点の場合は、関係性抽出部２１３は、データ向け学習情報定義テーブル４００のデータＩＤ４０１を処理Ｓ７０１で取得したデータＩＤと比較し、両者が一致するレコードのタイムラグ候補パターン４０３を、タイムラグの候補のパターンとして取得する。ユーザが商品重視の視点の場合は、関係性抽出部２１３は、商品向け学習情報定義テーブル４１０の商品ＩＤ４１１を処理Ｓ７０１で取得したデータＩＤと比較し、両者が一致するレコードのタイムラグ候補パターン４１３を、タイムラグの候補のパターンとして取得する。ユーザからの指定が無い場合は、関係性抽出部２１３は、デフォルトの視点（例えば、データ重視など）に基づいてタイムラグの候補のパターンを取得する。その後、処理Ｓ７０４に進む。

処理Ｓ７０４にて、関係性抽出部２１３が、処理Ｓ７０３で取得したタイムラグの各候補のパターンを外部データに付与する。これによって、外部データはタイムラグだけ時間のずれたデータとなる。以降は、このデータを、タイムラグ有り外部データと呼ぶことにする。その後、処理Ｓ７０５に進む。

処理Ｓ７０５にて、関係性抽出部２１３が、予測モデル生成用データベース２３２から、相関種別及び相関閾値を取得する。ユーザがデータ重視の視点の場合は、関係性抽出部２１３は、データ向け学習情報定義テーブル４００のデータＩＤ４０１を処理Ｓ７０１で取得したデータＩＤと比較し、両者が一致するレコードのうち、相関種別４０４を相関種別として取得し、相関閾値４０５を相関閾値として取得する。ユーザが商品重視の視点の場合は、関係性抽出部２１３は、商品向け学習情報定義テーブル４１０の商品ＩＤ４１１を処理Ｓ７０１で取得したデータＩＤと比較し、両者が一致するレコードのうち、相関種別４１４を相関種別として取得し、相関閾値４１５を相関閾値として取得する。ユーザからの指定が無い場合は、関係性抽出部２１３は、デフォルトの視点（例えば、データ重視など）に基づいて相関種別及び相関閾値を取得する。また、関係性抽出部２１３は、主記憶装置２１０に一時的に記憶する変数「データＡとの相関係数」にゼロを設定し、「データＢとの相関係数」にゼロを設定する。その後、処理Ｓ７０６に進む。

処理Ｓ７０６にて、関係性抽出部２１３が、処理Ｓ７０５で取得した相関種別から相関分析の方法を判定する。相関種別にプラスが含まれる場合は、処理Ｓ７０７に進む。相関種別にプラスが含まれない場合は、処理Ｓ７０８に進む。

処理Ｓ７０７にて、関係性抽出部２１３が、処理Ｓ７０４でタイムラグを付与されたタイムラグ有り外部データと、物量データとの相関を分析する。この中で、関係性抽出部２１３は、相関係数の最も高いタイムラグ有り外部データを「データＡ」として主記憶装置２１０に一時的に記憶する。また、関係性抽出部２１３は、処理Ｓ７０５で記憶されていた「データＡとの相関係数」の値を更新する。

処理Ｓ７０８にて、関係性抽出部２１３が、処理Ｓ７０５で取得した相関種別から相関分析の方法を判定する。相関種別にマイナスが含まれる場合は、処理Ｓ７０９に進む。相関種別にマイナスが含まれない場合は、処理Ｓ７１０に進む。

処理Ｓ７０９にて、関係性抽出部２１３が、処理Ｓ７０４でタイムラグを付与されたタイムラグ有り外部データと、物量データとの相関を分析する。この中で、関係性抽出部２１３は、相関係数の最も低いタイムラグ有り外部データを「データＢ」として主記憶装置２１０に一時的に記憶する。また、関係性抽出部２１３は、処理Ｓ７０５で記憶されていた「データＢとの相関係数」の値を更新する。

処理Ｓ７１０にて、関係性抽出部２１３が、主記憶装置２１０に記憶されている「データＡとの相関係数」と、「データＢとの相関係数」の絶対値とを比較する。「データＡとの相関係数」の値が大きい場合は、処理Ｓ７１１に進む。「データＢとの相関係数」の絶対値が大きい場合は、処理Ｓ７１２に進む。

処理Ｓ７１１にて、関係性抽出部２１３が、主記憶装置２１０に記憶されている「データＡ」を説明変数の候補として選出する。また、関係性抽出部２１３は、「データＡとの相関係数」を「説明変数の候補の相関係数」として主記憶装置２１０に一時的に記憶する。その後、処理Ｓ７１３に進む。

処理Ｓ７１２にて、関係性抽出部２１３が、主記憶装置２１０に記憶されている「データＢ」を説明変数の候補として選出する。また、関係性抽出部２１３は、「データＢとの相関係数」の絶対値を「説明変数の候補の相関係数」に設定する。その後、処理Ｓ７１３に進む。

処理Ｓ７１３にて、関係性抽出部２１３が、処理Ｓ７１１または処理Ｓ７１２で決定した「説明変数の候補の相関係数」と、処理Ｓ７０５で取得した相関閾値を比較する。「説明変数の候補の相関係数」の値が大きい場合は、処理Ｓ７１４に進む。相関閾値が大きい場合は、処理Ｓ７１５に進む。

処理Ｓ７１４にて、関係性抽出部２１３が、処理Ｓ７１１または処理Ｓ７１２で決定した説明変数の候補（データＡまたはデータＢ）を説明変数の集合に追加する。その後、処理Ｓ７１５に進む。

処理Ｓ７１５にて、関係性抽出部２１３が、対象範囲のデータＩＤの中で、処理Ｓ７０１でまだ呼び出されていないデータＩＤが有るか判定する。まだ呼び出されていないデータＩＤが有る場合は、処理Ｓ７０１に進む。全てのデータＩＤが呼び出されている場合は、処理Ｓ７１６に進む。

処理Ｓ７１６にて、中央制御装置２４０が、処理Ｓ６０５の処理フローを終了する。説明変数が空集合で無く、何某かの説明変数が含まれる場合は処理Ｓ６０７に進む。説明変数が空集合の場合は、説明変数の該当無しとして、処理Ｓ６０６に進む。

次に、図６の処理Ｓ６１０で表示する予測結果の出力画面の例を示す。出力画面の例としては、予測値格納テーブル５００の値を出力する画面、又は、予測値格納テーブル５００の値を集計した値を出力する画面が画面例となる。あるいは、画面例は、予測値属性テーブル５１０の値を出力する画面としても良く、予測値属性テーブル５１０の値を集計した値を出力する画面としても良い。

ここでは、予測結果を出力する画面を例示したが、予測結果を基にユーザの業務を支援する画面を出力しても良い。

図８Ａ及び図８Ｂは、本発明の実施例の物量予測システム２００が予測結果を基にユーザの業務を支援する際に出力する画面例を示す説明図である。

図８Ａで示した商品配置推奨画面は、物量予測の結果を基に、倉庫内の商品を効率的な配置に変更するための案を推奨するための画面であり、物量予測システム２００の入出力装置２４２に表示される。商品配置推奨画面は、倉庫内マップ８０１と、商品配置ブロック８０２と、配置変更案８０３と、によって構成される。

倉庫内マップ８０１は、物量予測を行った商品が配置されている倉庫の倉庫内のマップを示す。商品配置ブロック８０２は、倉庫内で商品を配置可能な箇所を示す。ここでは配置可能な箇所を大きな塊のブロックとして示しているが、商品の配置棚など、商品配置の最小単位で示しても良い。

配置変更案８０３は、物量予測に従って商品の配置の変更を行う案を示したものである。例えば、物量予測の結果、直近で出荷されると予測される商品を入り口近くのＡブロックに移動する、及び、当面は出荷が見込まれないと予測される商品を倉庫の奥のブロックＤに移動する、などの案を示す。これを基に、ユーザが実際の商品の配置変更を決定することができる。

図８Ｂで示した人員計画推奨画面は、物量予測の結果を基に、倉庫で働くパートタイム労働者及びアルバイト労働者などの、募集人員の計画立案を支援するための画面であり、物量予測システム２００の入出力装置２４２に表示される。人員計画推奨画面は、倉庫内の商品総量予測８１１と、人員推奨数８１２と、によって構成される。

倉庫内の商品総量予測８１１は、物量予測の結果、倉庫内の商品の総量が時系列でどのように推移するかを示した表である。人員推奨数８１２は、倉庫内の商品総量予測８１１に基づいて、労働人員をどの程度確保すべきか推奨する表である。例えば、図８Ｂには、１２月の商品総量が増えるため、１２月の人員を他の月に比べて多く計画する案を示す。これを基に、ユーザが実際の人員計画を決定することができる。

以上に説明した本発明の態様の代表的な例をまとめると次の通りとなる。すなわち、制御装置（例えば中央制御装置２４０）と、制御装置に接続される記憶装置（例えば主記憶装置２１０及び補助記憶装置２３０）と、を有する物量予測システムが実行する物量予測方法であって、記憶装置は、要因データ（例えば、外部データ／物量データ格納ＤＢ２３１に格納される天気、気温、湿度、気圧及び販売量の少なくともいずれかのような外部データ）と、物量データ（例えば、外部データ／物量データ格納ＤＢ２３１に格納される商品ごとの出荷量）と、を保持し、物量予測方法は、制御装置が、要因データが物量データに影響を及ぼすまでの時間となりうるタイムラグを複数取得する第１手順（例えば、処理Ｓ７０３において、タイムラグ候補パターン４０３又は４１３の値を取得すること）と、制御装置が、複数のタイムラグから、要因データに付加した場合に要因データと物量データとの相関が高くなるタイムラグを抽出する第２手順（例えば、処理Ｓ７０４～Ｓ７１２）と、制御装置が、抽出したタイムラグが付与された要因データから物量データを予測する予測モデルを生成する第３手順（例えば、処理Ｓ６０７）と、制御装置が、生成した予測モデルに基づいて、予測のための要因データから物量データを予測する第４手順（例えば、処理Ｓ６０８）と、を含み、制御装置は、第１手順から第３手順を実行したタイミングで、第４手順を実行する。

これによって、要因が物量に影響を与えるまでのタイムラグが変化する場合であっても、タイムラグの変化に対応して要因から物量を予測可能にする。

ここで、記憶装置は、複数のタイムラグを保持し（例えば、タイムラグ候補パターン４０３又は４１３として長さが異なる複数のタイムラグの値が保持されていること）、第１手順において、制御装置は、記憶装置に保持された複数のタイムラグを取得し、第２手順において、制御装置は、複数のタイムラグから、要因データに付加した場合に要因データと物量データとの相関が最も高くなるタイムラグを抽出してもよい。

これによって、例えば無数のタイムラグの中から現実的にありうるいくつかのタイムラグのパターンを設定することができ、計算量の増大を抑えながら精度の高い予測モデルを生成することが可能になる。

また、要因データは、複数の種類の要因（例えば、天気、気温、湿度、気圧及び物品の販売量）に関する要因データを含み、第１手順において、制御装置は、要因の種類ごとに、タイムラグを複数取得し、第２手順において、制御装置は、要因の種類ごとに、複数のタイムラグから、要因データに付加した場合に要因データと物量データとの相関が高くなるタイムラグを抽出し、第３手順において、制御装置は、それぞれに抽出したタイムラグが付与された複数の種類の要因に関する要因データから物量データを予測する予測モデルを生成してもよい。

これによって、複数の要因から物量データを予測する予測モデルを生成することができる。

また、記憶装置は、要因の種類ごとに、複数のタイムラグを保持し（例えば、データ向け学習情報定義テーブル４００において、データＩＤ４０１の値ごとにタイムラグ候補パターン４０３が設定されていること）、第１手順において、制御装置は、要因の種類ごとに、記憶装置に保持された複数のタイムラグを取得し、第２手順において、制御装置は、要因の種類ごとに、複数のタイムラグから、要因データに付加した場合に要因データと物量データとの相関が最も高くなるタイムラグを抽出してもよい。

これによって、例えば要因の種類ごとに、その要因が物量に影響を及ぼすまでの時間の長さの傾向が異なる場合にも、要因ごとに適したタイムラグの候補をあらかじめ保持しておくことによって、計算量の増加を抑えながら精度の高い予測モデルを生成することが可能になる。

また、物量データは、複数の種類の物品に関する物量データを含み（例えば、商品データ値格納テーブル３２０において、商品ＩＤ３２２の値ごとに、出荷量等の値３２４が記憶されていること）、記憶装置は、物品の種類ごとに、複数のタイムラグを保持し（例えば、商品向け学習情報定義テーブル４１０において、商品ＩＤ４１１の値ごとにタイムラグ候補パターン４１３が設定されていること）、前記第１手順において、前記制御装置は、予測対象の物品の種類に関する前記複数のタイムラグを取得し、前記第２手順において、前記制御装置は、前記複数のタイムラグから、前記要因データに付加した場合に前記要因データと前記物量データとの相関が最も高くなるタイムラグを抽出してもよい。

これによって、例えば物品の種類ごとに、要因が物量に影響を及ぼすまでの時間の長さの傾向が異なる場合にも、物品の種類ごとに適したタイムラグの候補をあらかじめ保持しておくことによって、計算量の増加を抑えながら精度の高い予測モデルを生成することが可能になる。

また、第２手順において、制御装置は、複数のタイムラグから、要因データに付加した場合に、第１の長さの期間（例えば、累積候補パターン４０６の値のいずれか）の要因データの累積値と第２の長さの期間（例えば、累積候補パターン４１６の値のいずれか）の物量データの累積値との相関が高くなるタイムラグを抽出し、第３手順において、制御装置は、抽出したタイムラグが付与された第１の長さの期間の要因データの累積値から第２の長さの期間の物量データの累積値を予測する予測モデルを生成し、第４手順において、制御装置は、生成した予測モデルに基づいて、予測のための第１の長さの期間の要因データから第２の長さの期間の物量データを予測してもよい。

これによって、要因データと物量データのそれぞれについて、適切な期間の累積値を用いた予測モデルを生成することができ、精度の高い予測が可能になる。

また、第４手順において、制御装置は、要因データに所定の条件を満たす変化が含まれるかを判定し、所定の条件を満たす変化が含まれる場合に、第１手順から第３手順を実行してもよい。これは、例えば、Ｓ６０４で決定された範囲を対象に、Ｓ６０５以降の処理が実行されることに相当する。

これによって、例えば、予測モデルの変更の原因となりうる要因データの変化の条件を設定しておき、その条件が満たされる場合には予測モデルを生成し直す必要性が高いと判定して、その場合に予測モデルを生成し、それ以外の場合には既に生成した予測モデルを使用することができる。これによって、計算量の増大を抑えながら、精度の高い予測をすることが可能になる。

また、要因データは、天気、気温、湿度、気圧及び物品の販売量の少なくとも一つを含み、物量データは、１以上の種類の物品の出荷量、入荷量及び在庫量の少なくとも一つを含んでもよい。

これによって、例えば天候及び店舗における販売量等から、倉庫等を含む物流システムで取り扱われる物品の量を予測することが可能になる。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明のより良い理解のために詳細に説明したのであり、必ずしも説明の全ての構成を備えるものに限定されるものではない。

また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によってハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによってソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、不揮発性半導体メモリ、ハードディスクドライブ、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶デバイス、または、ＩＣカード、ＳＤカード、ＤＶＤ等の計算機読み取り可能な非一時的データ記憶媒体に格納することができる。

また、制御線及び情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線及び情報線を示しているとは限らない。実際にはほとんど全ての構成が相互に接続されていると考えてもよい。

２００ 物量予測システム
２１０ 主記憶装置
２１１ 外部データ収集部
２１２ 物量データ収集部
２１３ 関係性抽出部
２１４ 物量予測値計算部
２１５ 予測結果出力部
２３０ 補助記憶装置
２３１ 外部データ／物量データ格納データベース
２３２ 予測モデル生成用データベース
２３３ 予測値データベース
２３４ 予測モデルデータベース
２４０ 中央制御装置
２４１ 通信装置
２４２ 入出力装置
２５０Ａ 通信回線
２５０Ｂ 通信回線
２６０ 倉庫管理システム
２７０ 外部データ提供システム（オープン）
２８０ 外部データ提供システム（クローズド）

Claims (9)

1. 制御装置と、前記制御装置に接続される記憶装置と、を有する物量予測システムが実行する物量予測方法であって、
   前記記憶装置は、要因データと、物量データと、を保持し、
   前記要因データは、天気、気温、湿度、気圧及び物品の販売量の少なくとも一つを含み、
   前記物量予測方法は、
   前記制御装置が、前記要因データが前記物量データに影響を及ぼすまでの時間となりうるタイムラグを複数取得する第１手順と、
   前記制御装置が、前記複数のタイムラグから、前記要因データに付加した場合に前記要因データと前記物量データとの相関が高くなるタイムラグを抽出する第２手順と、
   前記制御装置が、前記抽出したタイムラグが付与された前記要因データから前記物量データを予測する予測モデルを生成する第３手順と、
   前記制御装置が、前記生成した予測モデルに基づいて、予測のための要因データから物量データを予測する第４手順と、を含み、
   前記制御装置は、前記第１手順から前記第３手順を実行したタイミングで前記第４手順を実行することを特徴とする物量予測方法。
2. 請求項１に記載の物量予測方法であって、
   前記記憶装置は、複数のタイムラグを保持し、
   前記第１手順において、前記制御装置は、前記記憶装置に保持された前記複数のタイムラグを取得し、
   前記第２手順において、前記制御装置は、前記複数のタイムラグから、前記要因データに付加した場合に前記要因データと前記物量データとの相関が最も高くなるタイムラグを抽出することを特徴とする物量予測方法。
3. 請求項１に記載の物量予測方法であって、
   前記要因データは、複数の種類の要因に関する要因データを含み、
   前記第１手順において、前記制御装置は、前記要因の種類ごとに、前記タイムラグを複数取得し、
   前記第２手順において、前記制御装置は、前記要因の種類ごとに、前記複数のタイムラグから、前記要因データに付加した場合に前記要因データと前記物量データとの相関が高くなるタイムラグを抽出し、
   前記第３手順において、前記制御装置は、それぞれに前記抽出したタイムラグが付与された前記複数の種類の要因に関する要因データから前記物量データを予測する予測モデルを生成することを特徴とする物量予測方法。
4. 請求項３に記載の物量予測方法であって、
   前記記憶装置は、前記要因の種類ごとに、複数のタイムラグを保持し、
   前記第１手順において、前記制御装置は、前記要因の種類ごとに、前記記憶装置に保持された前記複数のタイムラグを取得し、
   前記第２手順において、前記制御装置は、前記要因の種類ごとに、前記複数のタイムラグから、前記要因データに付加した場合に前記要因データと前記物量データとの相関が最も高くなるタイムラグを抽出することを特徴とする物量予測方法。
5. 請求項１に記載の物量予測方法であって、
   前記物量データは、複数の種類の物品に関する物量データを含み、
   前記記憶装置は、前記物品の種類ごとに、複数のタイムラグを保持し、
   前記第１手順において、前記制御装置は、予測対象の物品の種類に関する前記複数のタイムラグを取得し、
   前記第２手順において、前記制御装置は、前記複数のタイムラグから、前記要因データに付加した場合に前記要因データと前記物量データとの相関が最も高くなるタイムラグを抽出することを特徴とする物量予測方法。
6. 請求項１に記載の物量予測方法であって、
   前記第２手順において、前記制御装置は、前記複数のタイムラグから、前記要因データに付加した場合に、第１の長さの期間の前記要因データの累積値と第２の長さの期間の前記物量データの累積値との相関が高くなるタイムラグを抽出し、
   前記第３手順において、前記制御装置は、前記抽出したタイムラグが付与された前記第１の長さの期間の要因データの累積値から前記第２の長さの期間の物量データの累積値を予測する予測モデルを生成し、
   前記第４手順において、前記制御装置は、前記生成した予測モデルに基づいて、予測のための前記第１の長さの期間の要因データから前記第２の長さの期間の物量データを予測することを特徴とする物量予測方法。
7. 請求項１に記載の物量予測方法であって、
   前記第４手順において、前記制御装置は、前記要因データに所定の条件を満たす変化が含まれるかを判定し、前記所定の条件を満たす変化が含まれる場合に、前記第１手順から前記第３手順を実行することを特徴とする物量予測方法。
8. 請求項１に記載の物量予測方法であって、
   前記物量データは、１以上の種類の物品の出荷量、入荷量及び在庫量の少なくとも一つを含むことを特徴とする物量予測方法。
9. 制御装置と、前記制御装置に接続される記憶装置と、を有する物量予測システムであって、
   前記記憶装置は、要因データと、物量データと、を保持し、
   前記要因データは、天気、気温、湿度、気圧及び物品の販売量の少なくとも一つを含み、
   前記制御装置は、
   前記要因データが前記物量データに影響を及ぼすまでの時間となりうるタイムラグを複数取得する第１手順と、
   前記複数のタイムラグから、前記要因データに付加した場合に前記要因データと前記物量データとの相関が高くなるタイムラグを抽出する第２手順と、
   前記抽出したタイムラグが付与された前記要因データから前記物量データを予測する予測モデルを生成する第３手順と、
   前記生成した予測モデルに基づいて、予測のための要因データから物量データを予測する第４手順と、を実行し、
   前記第１手順から前記第３手順を実行したタイミングで、前記第４手順を実行することを特徴とする物量予測システム。

Images