JP7272873B2 - 計画作成支援装置および計画作成支援方法 - Google Patents

計画作成支援装置および計画作成支援方法 Download PDF

Info

Publication number
JP7272873B2
JP7272873B2 JP2019109126A JP2019109126A JP7272873B2 JP 7272873 B2 JP7272873 B2 JP 7272873B2 JP 2019109126 A JP2019109126 A JP 2019109126A JP 2019109126 A JP2019109126 A JP 2019109126A JP 7272873 B2 JP7272873 B2 JP 7272873B2
Authority
JP
Japan
Prior art keywords
plan
knowledge model
amount
constraint
relaxation
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
JP2019109126A
Other languages
English (en)
Other versions
JP2020201781A (ja
Inventor
雄一 小林
貴志 柳田
恭志 川田
晋一 角尾
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.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
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 Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP2019109126A priority Critical patent/JP7272873B2/ja
Priority to CN202010337875.6A priority patent/CN112070333A/zh
Priority to TW109117055A priority patent/TWI818176B/zh
Publication of JP2020201781A publication Critical patent/JP2020201781A/ja
Application granted granted Critical
Publication of JP7272873B2 publication Critical patent/JP7272873B2/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)
  • Multi-Process Working Machines And Systems (AREA)

Description

本発明は、計画作成支援装置および計画作成支援方法に関し、例えば、計画の作成を支援する計画作成支援装置および計画作成支援方法に適用して好適なものである。
製品の製造、大規模システムの運営、管理等、事前の計画が重要となる事象は、数多い。計画の作成に際しては、時間、空間、設備、人といったリソース等、各種の事項に関する制約条件を順守しつつ、かつ、生産量の最大化、設備の稼働率の最大化、作業員の人数の最小化等の計画の評価指標を考慮した計画を作成する必要がある。計画の作成を始めから人手で行う場合、時間が掛かり過ぎることから計算機を用いるケースも多い。
一方、実環境では、しばしば制約条件が複雑化しており、計算機を用いたとしても全ての制約条件を順守する解を探索することが困難なケースもある。そうした場合でも、計画の作成者（以降、計画作成者と記す）は、長年の知識をもって、どれだけ制約条件を緩和させればよいかを判断し、いくつかの制約条件を緩和した計画を作成することができる。しかしながら、計算機に、計画の作成に必要となる制約条件をどれだけ緩和してよいか正確に定義することが困難であり、結果として得られる計画も計画作成者の満足いくものとはなり難い。
この問題に対し、制約条件の緩和量を学習手段で適宜に学習し、類似した入力情報に対して同一の制約条件の緩和量に倣い、計画を作成する技術が存在する。
このような技術として、最適化処理手順を用いて事例をシミュレーションし、表示されるシミュレーションの結果に対して計画作成者による制約条件の緩和量、優先度等の修正を受け付け、受け付けられた修正内容を学習することで制約条件の緩和量、優先度等の知識パラメータを再設定し、再シミュレーションするシミュレーション方法等が提案されている（特許文献１参照）。
また、過去に立案された各製品の生産計画に関する履歴情報に基づいて、各製品を生産する際の各制約条件の緩和量を考慮しつつ各製品の生産順を含む計画パターンを算出し、算出した計画パターンに従って各製品の生産順序を並べ替えて各製品の生産計画に関する複数の計画候補を作成し、各制約条件に対する緩和量に基づいて複数の計画候補を評価し、複数の計画候補のうちから最良の生産計画を選出する生産計画作成方法等が提案されている（特許文献２参照）。
特開２００５－３３９４０２号公報 国際公開第２０１８／２２０７４４号公報
上述した技術においては、計画作成者の修正結果または過去に立案された計画に基づき、制約条件を緩和した計画の作成を行うことが可能である。
しかしながら、特許文献１において計画作成者による修正を受け付けることが前提であり、例えば、注文が１００以上のときは納期制約を１日だけ緩和してもよく、注文が２００以上のときは納期制約を２日だけ緩和してもよいというように、計画の作成に必要な入力情報（ここでは注文の数）ごとに制約条件の緩和量が異なるときは、その都度、計画作成者による修正が必要となり、効率的な計画の作成が妨げられる場合もある。
また、特許文献１および特許文献２においては、制約条件の緩和量の基準値、割合等を固定値として決定した後、評価指標を最小化または最大化する計画を作成することが前提である。例えば、利益の最大化が評価指標の計画に対して利益が小さいときは生産能力の制約を緩和してでも利益を大きくするが、利益が出るときは生産能力の制約を緩和しないというように、評価指標の値に応じて制約条件の緩和量を動的に変化させる場合には対応できない。
本発明は、以上の点を考慮してなされたもので、入力情報に応じて評価指標と制約条件の緩和量とを調整した計画を作成し得る計画作成支援装置等を提案しようとするものである。
かかる課題を解決するため本発明においては、各計画における制約条件および評価指標を含む入力履歴と、前記各計画の前記制約条件を違反した量を示す緩和量に係る情報を含む計画履歴とから、前記制約条件の緩和量と前記評価指標との関係を示す知識モデルを生成する生成部と、前記知識モデルを用いて計画を作成する計画作成部が使用可能に前記知識モデルを出力する出力部と、を設けるようにした。
上記構成では、評価指標と制約条件の緩和量との関係を示す知識モデルが生成される。知識モデルによれば、例えば、計画作成部は、計画作成者が過去にどれくらいの価値のときに、どのくらいの違反を許容したかの関係（バランス）が把握できるようになる。よって、計画作成部は、例えば、入力情報に応じて、過去の計画のバランスに近い計画、すなわち評価指標と制約条件の緩和量との関係を反映した計画を作成することができるようになる。
本発明によれば、計画の作成を支援することができる。
第１の実施の形態による計画作成支援装置に係る構成の一例を示す図である。 第１の実施の形態による入力履歴のデータ構成例を示す図である。 第１の実施の形態による計画履歴のデータ構成例を示す図である。 第１の実施の形態による計画候補のデータ構成例を示す図である。 第１の実施の形態による計画作成支援方法の処理手順例を示す図である。 第１の実施の形態による計画履歴と計画候補とを計画情報ごとに２つの評価指標軸に描き入れたイメージ図である。 第１の実施の形態による計画候補の計画のラベルの値を変更するイメージ図である。 第１の実施の形態による計画候補の計画のラベルの値を変更するイメージ図である。 第１の実施の形態による計画作成支援方法の処理手順例を示す図である。 第１の実施の形態による計画情報の各々について選好解確率を示すイメージ図である。 第１の実施の形態による知識モデル生成画面の一例を示す図である。 第１の実施の形態による計画作成画面の一例を示す図である。
以下図面について、本発明の一実施の形態を詳述する。本実施の形態は、計画作成者にとって好ましい解を計画の評価指標に反映させた、精度が良好な計画を作成する技術に関する。
（１）第１の実施の形態
－－－装置構成－－－
図１において、１００は全体として第１の実施の形態による計画作成支援装置を示す。
図１は、計画作成支援装置１００に係る構成の一例を示す図である。
計画作成支援装置１００は、入力情報に応じて評価指標と制約条件の緩和量とを調整する暗黙知を反映させた、効率的な計画の作成を可能とするコンピュータである。計画作成支援装置１００を実現する具体的な構成としては、メインフレーム、パーソナルコンピュータ等を想定できる。
本実施の形態における計画とは、例えば、生産設備、作業人員等の各種のリソースを用いた一連の工程によって、所定の生産能力の範囲内で利益を最大にするように生産する商品（製品）を選択するという生産計画を想定する。したがって、この場合の計画作成支援装置１００は、商品製造について過去に作成された複数の生産計画から、従来であれば暗黙知とされていた評価指標と制約条件の緩和量との調整量を導出し、これを計画の作成の処理に適用する装置となる。
なお、計画は、商品の生産計画に限るものではなく、従業員の人員計画、車の配車計画等であってもよい。
計画作成支援装置１００が備えるハードウェアは、例えば、図１に示すものである。すなわち、計画作成支援装置１００は、中央処理装置１１０、記憶装置１２０、メモリ１３０、入力装置１４０、および出力装置１５０を備える。
中央処理装置１１０は、ＣＰＵ（Central Processing Unit）等のプロセッサである。中央処理装置１１０は、計画作成支援装置１００自体の統括制御を行うとともに、各種の判定、演算、および制御処理を行う。記憶装置１２０は、ＳＳＤ（Solid State Drive）等の不揮発性記憶素子、ハードディスクドライブ等の磁気媒体で構成される、記憶装置１２０には、入力履歴１２１（入力履歴情報）、計画履歴１２２（計画履歴情報）、計画候補１２３（計画候補情報）、知識モデル１２４（知識モデル情報）、プログラム１２５が少なくとも記憶されている。
メモリ１３０は、ＲＡＭ（Random Access Memory）等の揮発性記憶素子で構成される。入力装置１４０は、キーボード、ポインティングデバイス、マイク等である。入力装置１４０は、ユーザからのキー入力、音声入力等を受け付ける。出力装置１５０は、ディスプレイ、スピーカ等である。出力装置１５０は、各種の情報の表示、音声出力等を行う。
中央処理装置１１０は、記憶装置１２０に格納されたプログラム１２５をメモリ１３０に読み出して実行することで、知識モデル１２４を生成する知識モデル生成処理を実行する生成部１１１、生成部１１１により生成される知識モデル１２４を出力する出力部１１２、出力部１１２によって出力された知識モデル１２４等に基づいて計画の作成を行う計画作成部１１３といった各機能を実装する。
付言するならば、計画作成支援装置１００の機能（生成部１１１、出力部１１２、計画作成部１１３等）は、例えば、中央処理装置１１０が記憶装置１２０に格納されたプログラム１２５をメモリ１３０に読み出して実行すること（ソフトウェア）により実現されてもよいし、専用の回路等のハードウェアにより実現されてもよいし、ソフトウェアとハードウェアとが組み合わされて実現されてもよい。また、計画作成支援装置１００の機能の一部は、計画作成支援装置１００と通信可能な他のコンピュータにより実現されてもよい。
計画作成支援装置１００の機能を実装するためのプログラム１２５は、記憶装置１２０に格納されている形態の他、実行時等、必要な時に計画作成支援装置１００が所定の媒体を介して他装置から記憶装置１２０に導入するとしてもよい。所定の媒体とは、例えば、計画作成支援装置１００における所定のインターフェースに着脱可能な記憶媒体を指す。
また、入力履歴１２１は、過去の入力情報の集合である。入力情報は、計画を作成するために必要な制約条件および評価指標を少なくとも含む情報の集合である。また、計画履歴１２２は、過去の計画作成者によって作成された計画を示す計画情報の集合である。また、計画候補１２３は、計画作成支援装置１００によって出力された計画情報の集合である。１つの計画情報は、１つの入力情報から生成されるため、入力履歴１２１の入力情報と計画履歴１２２の計画情報と計画候補１２３の計画情報とは対応関係にある。
本実施の形態における計画は、上述したように所定の生産能力の範囲内で利益を最大にするように生産する商品を選択する生産計画である。このとき、入力情報に含まれる制約条件、評価指標、および変数の例を（式１）に示す。
Figure 0007272873000001
 ・・・（式１）
（式１）におけるＩは、計画を作成するときに生産候補となる商品の集合である。ｗｉは、生産候補中ｉ番目の商品を生産するために掛かるコストである。ｖｉは、生産候補中ｉ番目の商品を生産して販売することで得られる利益である。Ｗは、生産能力の最大値であり、一計画内で複数の商品の生産コストの合計の限界値である。ｘｉは、「０」または「１」の値をとる変数である。ｘｉの値「０」は、生産候補中ｉ番目の商品を生産しないことを意味し、ｘｉの値「１」は、生産候補中ｉ番目の商品を生産することを意味する。本実施の形態において計画を作成するということは、ｘｉの値を決定するということである。したがって、入力情報におけるｘｉの値は無く、計画情報おけるｘｉの値は、「０」または「１」が与えられる。
なお、（式１）の制約条件は、生産する商品の生産コストの合計が最大の生産能力を超えてはいけないという条件であるが、その他に、商品の種類の組合せ条件、在庫量条件、納期条件等の複数の制約条件があってもよい。また、（式１）の評価指標は、生産する商品の価値の合計が最大化するように計画を作成するという指標であるが、その他に、商品のサイズの種類数の最小化、生産コストの最小化等の複数の評価指標があってもよい。
また、知識モデル１２４は、生成部１１１が計画作成者の暗黙知を入力履歴１２１と計画履歴１２２と計画候補１２３とから算出した情報である。
－－－機能－－－
続いて、計画作成支援装置１００の機能について説明する。以下に説明する機能は、例えば、計画作成支援装置１００がプログラム１２５を実行することで実装される機能として説明する。
計画作成支援装置１００は、上述の（式１）で示す入力情報（入力履歴１２１から読み出したもの）を所定のアルゴリズムに適用して計画候補１２３を生成し、計画候補１２３と入力情報とに共通する過去の計画情報を計画履歴１２２から抽出し、過去の計画情報と計画候補１２３とを所定のアルゴリズムに適用し、計画作成者の暗黙知として制約条件の緩和量を調整する知識モデル１２４を生成する。こうした知識モデル１２４を生成する機能は、生成部１１１によるものとなる。
また、計画作成支援装置１００は、生成した知識モデル１２４を計画作成部１１３が使用可能に出力する。出力の方法については、特定の方法に限定されるものではなく、例えば、記憶装置１２０に記憶、計画作成部１１３に通知、他のコンピュータに送信、出力装置１５０に表示等が挙げられる。こうした出力する機能は、出力部１１２によるものとなる。
また、計画作成支援装置１００は、新規の計画の作成に用いる新規の入力情報を入力装置１４０で計画作成者から受け付け、新規の入力情報を所定のアルゴリズムに適用して（例えば、知識モデル１２４を用いて）制約条件の緩和量を調整する計画作成者の暗黙知を反映させた新規の計画を作成し、出力装置１５０で出力する。こうした計画を作成する機能は、計画作成部１１３によるものとなる。
－－－データ構造例－－－
次に、計画作成支援装置１００が用いるデータの具体例について説明する。まず、入力履歴１２１の具体例について説明する。
図２は、入力履歴１２１のデータ構成例を示す図である。入力履歴１２１は、既に述べたように過去の計画の作成に用いた入力情報の集合体である。
図２で例示する入力履歴１２１の各レコードは、計画番号２０１、商品候補個数２０２、最大生産能力２０３、商品番号２０４、生産コスト２０５および価値２０６の各値が対応付けされたものである。
計画番号２０１の値は、計画情報を一意に特定する識別情報である。同一の計画番号２０１であるレコードは、該当計画番号２０１を説明する計画情報を表している。商品候補個数２０２の値は、該当計画番号２０１における生産する商品候補の数の値であって、該当計画番号２０１のレコードの数に相当する。最大生産能力２０３の値は、該当計画番号２０１における複数の商品の生産コストの合計の限界値である。商品番号２０４の値は、該当計画番号２０１における商品を一意に特定する識別情報である。生産コスト２０５の値は、該当商品を生産するために掛かるコストである。価値２０６の値は、該当商品を生産して販売することで得られる利益である。
なお、上述の入力履歴１２１には、既に述べたように、該当計画番号２０１における制約条件、評価指標および変数（例えば、（式１））が格納されており、例えば、制約条件、評価指標等を示す式がレコードの各行に格納されたテーブル構造をなしてもよいし、その他のデータ構造であってもよい。また、上述の入力履歴１２１は、計画の作成に必要なデータとして、商品に関するデータの他に、計画作成者の識別情報、生産設備の稼働状態、気温、湿度、天候等のデータを含むとしてもよい。
続いて、計画履歴１２２の具体例について説明する。
図３は、計画履歴１２２のデータ構成例を示す図である。計画履歴１２２は、既に述べたように、上述の入力情報に基づいて過去に計画作成者によって作成された計画情報の集合体である。
図３で例示する計画履歴１２２の各レコードは、計画番号３０１、商品候補個数３０２、最大生産能力３０３、商品番号３０４、生産コスト３０５、価値３０６、選択フラグ３０７、利益３０８、緩和量３０９および小番３１０の各値が対応付けされたものである。計画番号３０１、商品候補個数３０２、最大生産能力３０３、商品番号３０４、生産コスト３０５および価値３０６の値は、上述の入力履歴１２１の値と同じ値である。
選択フラグ３０７の値は、計画作成者が該当商品を生産するか生産しないかを選択したことを示す識別情報である。選択フラグ３０７の値が「１」のときは生産することを意味し、選択フラグ３０７の値が「０」のときは生産しないことを意味する。利益３０８の値は、該当計画番号３０１における評価指標の値である。利益３０８の値は、該当計画番号３０１における商品のうち生産する商品（選択フラグ３０７の値が「１」の商品）の価値３０６の値の合計値である。利益３０８の値は、（式１）の評価指標にあるように該当計画番号３０１における商品の価値３０６の値と選択フラグ３０７の値とを掛け合わせた値を合計することでも算出することができる。
緩和量３０９の値は、該当計画番号３０１における制約条件を違反した量（最大生産能力３０３の値を超えた量）の値である。緩和量３０９の値は、該当計画番号３０１における商品のうち生産する商品（選択フラグ３０７の値が「１」の商品）の生産コスト３０５の値の合計値から該当計画番号３０１における最大生産能力３０３の値を引いた値である。
緩和量３０９の値は、（式１）の制約条件にあるように、該当計画番号３０１における商品の生産コスト３０５の値と選択フラグ３０７の値とを掛け合わせた値を合計し、該当計画番号３０１における最大生産能力３０３の値を引くことでも算出することができる。つまり、緩和量３０９の値が正の値のときは制約条件を違反している（最大生産能力３０３の値を超えている）ことを意味し、緩和量３０９の値が負の値のときは制約条件を順守している（最大生産能力３０３の値を超えていない）ことを意味する。
小番３１０の値は、該当計画情報が計画作成者によって作成された計画履歴１２２であり、後述する計画作成支援装置１００によって出力された計画候補１２３と区別するための識別情報である。計画履歴１２２の小番３１０の値には、「０」が格納される。
続いて、計画候補１２３の具体例について説明する。
図４は、計画候補１２３のデータ構成例を示す図である。計画候補１２３は、既に述べたように、上述の入力情報に基づいて計画作成支援装置１００によって出力された計画情報の集合体である。また、計画作成支援装置１００は、１つの入力情報から複数の候補となる計画情報を出力するため、計画候補１２３は、計画情報の集合体の集合体である。
図４で例示する計画候補１２３の各レコードは、計画番号４０１、商品候補個数４０２、最大生産能力４０３、商品番号４０４、生産コスト４０５、価値４０６、選択フラグ４０７、利益４０８、緩和量４０９および小番４１０の各値が対応付けされたものである。
計画番号４０１、商品候補個数４０２、最大生産能力４０３、商品番号４０４、生産コスト４０５および価値４０６の値は、上述の入力履歴１２１の値と同じ値である。
選択フラグ４０７の値は、計画作成支援装置１００が該当商品を生産するか生産しないかを選択したことを示す識別情報である。選択フラグ４０７の値が「１」のときは生産することを意味し、選択フラグ４０７の値が「０」のときは生産しないことを意味する。利益４０８および緩和量４０９の値は、上述した計画履歴１２２の利益３０８および緩和量３０９の値の算出方法と同じである。また、既に述べたように、計画作成支援装置１００は、１つの入力情報から複数の候補となる計画情報を出力するため、小番４１０の値は、各計画情報を特定する識別情報である。
－－－処理手順例－－－
以下、本実施の形態における計画作成支援方法の手順について図５～図１２を用いて説明する。以下で説明する計画作成支援方法に対応する各種動作は、計画作成支援装置１００がプログラム１２５を実行することによって実現される。なお、プログラム１２５は、以下に説明される各種の動作を行うためのコードから構成されている。
図５は、本実施の形態における計画作成支援方法の処理手順例（主に、計画作成支援装置１００が実行する処理に係るフローチャートの一例）を示す図である。フローフローチャートは、概して、計画作成支援装置１００の生成部１１１が、記憶装置１２０に蓄積された入力履歴１２１と計画履歴１２２とから計画作成者の暗黙知として制約条件の緩和量を調整する知識モデル１２４を生成し、出力部１１２が知識モデル１２４を記憶装置１２０に格納する処理を例示するものである。なお、以下で説明する各処理は、少なくとも計画作成部１１３による計画の作成の実行前に実行されるものであり、一定期間ごとに繰り返し実行するとしてもよい。
まず前提として、計画作成者が作成した計画は、計画作成者を満足させる計画であり、計画作成者が作成した計画に類似した計画を出力することが計画作成支援装置１００の目的である。したがって、始めに、計画作成者は、入力履歴１２１と計画履歴１２２とを準備する（ステップＳ５０１）。例えば、計画作成者は、教師データとして、入力情報の集合（例えば、過去１年分の１０００件の入力情報）と、入力情報を基に、計画作成者の暗黙知として制約条件の緩和量を調整して計画作成者が作成した計画情報の集合と、を準備する。
次に、計画作成支援装置１００の生成部１１１は、入力履歴１２１と計画履歴１２２とを入力する（ステップＳ５０２）。より具体的には、生成部１１１は、入力装置１４０を介し、計画作成者から制約条件と評価関数と変数と（例えば、（式１））を含むステップＳ５０１で準備された入力情報の集合を入力履歴１２１として取得し、これを記憶装置１２０に格納する。また、生成部１１１は、ステップＳ５０１で準備された計画作成者が作成した計画情報の集合を計画履歴１２２として取得し、これを記憶装置１２０に格納する。
次に、生成部１１１は、ステップＳ５０２で取得した入力履歴１２１を、同一の計画番号２０１でグルーピングする（ステップＳ５０３）。ここで、グルーピングした各グループのことを、以降のステップでは「入力情報」と呼ぶ。
次に、生成部１１１は、ステップＳ５０２で取得した入力履歴１２１の中から、これまで選択していない計画番号２０１を選択する（ステップＳ５０４）。
次に、生成部１１１は、ステップＳ５０４で選択していない計画番号２０１があるか否かを判定する（ステップＳ５０５）。生成部１１１は、ステップＳ５０４で選択していない計画番号２０１があると判定した場合、ステップＳ５０６に処理を移し、選択していない計画番号２０１がないと判定した場合、ステップＳ５０９に処理を移す。つまり、ステップＳ５０６からステップＳ５０８までの処理を入力履歴１２１の計画番号２０１の種類の数だけ繰り返す。
上述のステップＳ５０５で選択していない計画番号２０１があった場合、生成部１１１は、該当制約条件の緩和量をペナルティとする評価指標化を行う（ステップＳ５０６）。より具体的には、生成部１１１は、該当計画番号２０１と等しい入力情報に含まれる制約条件と評価関数と変数と（例えば、（式１））を入力履歴１２１から抽出し、該当制約条件の緩和量をペナルティとする評価指標を追加し、以降のステップでは、多目的最適化問題（例えば、下記の（式２））として扱う。これは、計画作成者が作成した計画履歴１２２の中に、制約条件を緩和している計画が１つ以上存在するからである。
Figure 0007272873000002
 ・・・（式２）
次に、生成部１１１は、該当計画番号２０１と等しい入力情報から、候補となる計画情報を１つ以上算出する（ステップＳ５０７）。より具体的には、生成部１１１は、該当計画番号２０１と等しい入力情報から、多目的最適化問題（例えば、（式２））を解くための一般的な手法（例えば、局所探索法、遺伝的アルゴリズム等）を用いてパレート最適解と呼ばれる候補となる複数の計画を算出（計画情報を生成）する。多目的最適化問題において、複数の評価指標を同時に改善することが不可能な実行可能解のことをパレート最適解と呼び、例えば、制約条件の違反が無い（緩和量がゼロ）中で価値を最大化した計画、少しだけ違反してより価値の高い計画、更に価値が高いが違反も大きい計画群のことをパレート最適解と呼ぶ。
次に、生成部１１１は、ステップＳ５０７で算出した各計画情報（パレート最適解）に計画情報を特定する識別情報である小番４１０を採番し、計画候補１２３として記憶装置１２０に格納し、ステップＳ５０４に処理を戻す（ステップＳ５０８）。
上述のステップＳ５０５で選択していない計画番号２０１がなかった場合、生成部１１１は、計画履歴１２２から計画情報ごとに特徴ベクトルとラベルとの組を生成する（ステップＳ５０９）。より具体的には、生成部１１１は、計画作成者が作成した計画履歴１２２を記憶装置１２０から読み出し、計画番号３０１ごとに該当計画情報を説明する特徴ベクトル（例えば、下記の（式３））を生成し、ラベルを付与することで教師データを生成する。一般的に特徴ベクトルを構成する要素は、計画作成者が計画を作成する際、意識的であれ、無意識的であれ、考慮している要素であるのが望ましい。特徴ベクトルの例を（式３）に示す。
Figure 0007272873000003
 ・・・（式３）
例えば、入力情報の生産コストの平均値が低く、ばらつき（標準偏差）が小さく、商品価値の平均値が高く、ばらつき（標準偏差）が小さいとき、計画作成者は、生産能力の制約条件の緩和量の最小化よりも利益の最大化を優先する計画を作成する。また、例えば、入力情報の商品数が多く、生産コストのばらつき（標準偏差）が大きく、商品価値のばらつき（標準偏差）が大きいとき、計画作成者は、利益の最大化より生産能力の制約条件の緩和量の最小化を優先する計画を作成する。このような計画作成者による計画の作成を想定し、（式３）に示すように特徴ベクトルは、入力情報を特徴付ける特徴ベクトルと計画情報を特徴付ける特徴ベクトルとの２種類の特徴ベクトルを含んで構成する。
入力情報を特徴付ける特徴ベクトルには、商品数、商品生産コストの平均値および標準偏差、商品価値の平均値および標準偏差を設定し、計画情報を特徴付ける特徴ベクトルには、評価指標の値を設定している。特徴ベクトルを構成する要素は、計画作成者等が選択してもよいし、予めあらゆる要素を準備して重回帰分析、クラスター分析等を用いて計画作成者が作成した計画履歴１２２の計画情報の集合を類似性の指標を基にグルーピングする際に有効な要素を算出してそれらの要素を選択してもよい。また、生成部１１１は、ラベルの値については、計画作成者が満足する計画であることを示す「１」を設定する。
次に、生成部１１１は、計画候補１２３から計画情報ごとに特徴ベクトルとラベルとの組を生成する（ステップＳ５１０）。より具体的には、生成部１１１は、ステップＳ５０７で算出した計画候補１２３を記憶装置１２０から読み出し、計画番号３０１および小番４１０ごとに該当計画情報を説明する特徴ベクトル（例えば、（式３））を生成し、ラベルを付与することで教師データを生成する。特徴ベクトルを構成する要素は、上述のステップＳ５０９で設定した要素と同じにする。
ここで、図６は、計画作成者が作成した計画履歴１２２とステップＳ５０７で算出した計画候補１２３とを計画情報ごとに（式２）の２つの評価指標軸に描き入れたイメージ図である。
図６中の左図が１番目の計画情報を表し、右図がｉ番目の計画情報を表している。横軸は、（式２）の１番目の評価指標である利益（商品価値の合計）の逆数であり、左に行くほど利益が大きい。縦軸は、（式２）の２番目の評価指標である緩和量（生産コストの合計から最大生産能力を引いた値）であり、下に行くほど緩和量が小さい。この２つの評価指標は、トレードオフ関係にあり、最適な計画（パレート最適解）は、複数存在する。これが計画候補１２３であり、図６では、黒丸で表している。計画候補１２３に対し、計画作成者が最も好ましいと選択した計画（計画作成者が作成した計画）を選好解と呼び、図６では白丸で表している。
上述のステップＳ５１０において、生成部１１１は、生成した特徴ベクトルごとにラベルを付与し、教師データを生成するとき、ラベルの値は、計画作成者が満足しない計画であることを示す「０」を設定する。
ここで、ラベルの値が「０」の教師データの数よりラベルの値が「１」の教師データの数が圧倒的に少ない問題を解決するために、図７または図８に示すように、計画候補１２３の計画のラベルの値を変更してもよい。
図７は、計画候補１２３の計画のラベルの値を「１」から「０」に変更するイメージ図である。例えば、生成部１１１は、上述のステップＳ５０９で作成した選好解を取得し、選好解に近い計画候補１２３の計画（近傍解）のラベルの値は、選好解と同様に計画作成者が満足する計画であることを示す「１」を設定し、それ以外の計画候補１２３の計画のラベルの値は、計画作成者が満足しない計画であることを示す「０」を設定する。なお、近傍解については、例えば、選好解から一定の範囲内（例えば、予め規定された所定の距離内）にある計画候補１２３の計画とすることができる。
図８は、計画候補１２３の計画のラベルの値を「１」から「（なし）」に変更するイメージ図である。例えば、生成部１１１は、上述のステップＳ５０９で作成した選好解を取得し、選好解に近い計画候補１２３の計画（近傍解）に該当する教師データ（特徴ベクトルとラベルとの組）を排除（削除を含む。）し（例えば、機械学習の対象外のデータとし）、それ以外の計画候補１２３の計画のラベルの値は、計画作成者が満足しない計画であることを示す「０」を設定する。
次に、生成部１１１は、ステップＳ５０９とステップＳ５１０とで生成した特徴ベクトルとラベルとの組を教師データとして機械学習し、知識モデル１２４として回帰モデルを生成する（ステップＳ５１１）。ここで、機械学習には、一般的な手法（例えば、ロジスティック回帰、ランダムフォレスト、深層学習等）を用いる。（式４）は、知識モデル１２４の一例を示した式である。
Figure 0007272873000004
 ・・・（式４）
知識モデル１２４は、特徴ベクトルを入力すると選好解である確率（以降、選好解確率と記す）を出力する関数である。機械学習するとは、この関数を生成することを意味する。選好解確率は、「０」から「１」までの実数であり、「０」に近いと選好解である確率が低く、「１」に近いと選好解である確率が高いことを意味する。つまり、計画作成者が作成した計画情報から生成した特徴ベクトルに近い特徴ベクトルを知識モデル１２４に入力すると「１」に近い値が出力される。他方、計画作成者が作成した計画情報から生成した特徴ベクトルから遠い特徴ベクトルを知識モデル１２４に入力すると「０」に近い値が出力されることが期待される。
ここで、ある２つの異なる特徴ベクトルが近いとは、例えば、２つの特徴ベクトルの間のマハラノビス距離が短いことを意味し、２つの異なる特徴ベクトルが遠いとは、例えば、２つの特徴ベクトルの間のマハラノビス距離が長いことを意味する。
次に、出力部１１２は、ステップＳ５１１で生成された回帰モデルを知識モデル１２４として記憶装置１２０に格納し（ステップＳ５１２）、処理を終了する。なお、知識モデル１２４が正常に生成され、記憶装置１２０に格納された後、計画作成支援装置１００は、出力装置１５０を介し、正常に処理が終了したことを通知してもよい。
ここで、図９および図１０を用いて、知識モデル１２４を利用して計画を作成する処理を説明する前に、上述のステップＳ５０１からステップＳ５１２に至る一連の処理に際し、計画作成者が出力装置１５０にて閲覧し、入力装置１４０を通じて適宜な情報入力を行う画面について図１１を用いて説明する。
図１１は、知識モデル生成画面１１００の一例を示す図である。
知識モデル生成画面１１００は、テキスト入力エリア１１０１と、入力履歴読み込みボタン１１０２と、計画履歴読み込みボタン１１０３と、知識モデル生成ボタン１１０４と、教師データ分布出力エリア１１０５とを備える。
テキスト入力エリア１１０１は、上述の制約条件、評価指標および変数を計画作成者が入力するエリアである。入力履歴読み込みボタン１１０２は、入力履歴１２１の内容が記載されたテキストファイルを計画作成者が選択するためのボタンである。計画履歴読み込みボタン１１０３は、計画履歴１２２の内容が記載されたテキストファイルを計画作成者が選択するためのボタンである。知識モデル生成ボタン１１０４は、知識モデル１２４の生成を計画作成者が指示するためのボタンである。教師データ分布出力エリア１１０５は、生成部１１１で生成した教師データ（特徴ベクトルとラベルとの組）が評価指標を軸に分布している模様を表示するエリアである。
例えば、計画作成者は、上述のステップＳ５０２において、制約条件、評価指標および変数である（式１）を、テキスト入力エリア１１０１に入力する。また、例えば、ステップＳ５０２の開始に先立ち、計画作成者は、入力履歴読み込みボタン１１０２をクリックして、入力履歴１２１の内容が記載されたテキストファイルを記憶装置１２０から選択する。また、例えば、計画作成者は、計画履歴読み込みボタン１１０３をクリックして、計画履歴１２２の内容が記載されたテキストファイルを記憶装置１２０から選択する。
そして、計画作成者は、知識モデル生成ボタン１１０４をクリックする。これにより以降のステップが実行され、その結果として知識モデル１２４が記憶装置１２０に蓄積され、すべての特徴ベクトルとラベルとの組である教師データが教師データ分布出力エリア１１０５に表示される。既存の評価指標、違反が認められる制約条件が複数存在する場合、教師データ分布出力エリア１１０５には、既存の評価指標、違反が認められる制約条件の中から２つまたは３つ計画作成者に選択させて、選択された評価指標、制約条件を軸に教師データの分布を表示してもよい。
続いて、上述のように計画作成者の暗黙知として制約条件の緩和量を調整する知識モデル１２４を利用し、新たな入力情報に基づいて新規の計画を作成する処理について説明する。
図９は、本実施の形態における計画作成支援方法の処理手順例（主に、計画作成支援装置１００が実行する処理に係るフローチャートの一例）を示す図である。本フローチャートは、計画作成部１１３が出力部１１２により出力された知識モデル１２４に従い、計画作成者が作成した計画情報に類似した新たな計画情報を生成する処理を例示するものである。
本フローチャートは、例えば、計画作成支援装置１００が、入力装置１４０において、新たな計画の作成のための入力情報を計画作成者から受け付けたことをトリガーに、計画作成部１１３が起動され、処理が開始されることを想定する。また、計画作成者から新たに受け付ける入力情報は、図２に例示した入力履歴１２１のレコードと同じ項目を持ち、同一の計画番号で集約されたものに相当する。
まず、計画作成支援装置１００の計画作成部１１３は、入力情報を入力する（ステップＳ９０１）。より具体的には、計画作成部１１３は、入力装置１４０を介し、計画作成者から制約条件と評価関数と変数と（例えば、（式１））を含む新たな入力情報を受け付ける。
次に、計画作成部１１３は、入力情報から制約条件の緩和量をペナルティとして評価指標化する（ステップＳ９０２）。より具体的には、計画作成部１１３は、新たな入力情報に含まれる制約条件と評価関数と変数と（例えば、（式１））に対し、該当制約条件の緩和量をペナルティとする評価指標を追加し、以降のステップでは、多目的最適化問題（例えば、（式２））として扱う。
次に、計画作成部１１３は、入力情報から候補となる計画情報を１つ以上算出する（ステップＳ９０３）。より具体的には、計画作成部１１３は、新たな入力情報から、多目的最適化問題（例えば、（式２））を解くための一般的な手法（例えば、局所探索法、遺伝的アルゴリズム等）を用いてパレート最適解と呼ばれる候補となる複数の計画情報を算出する。
次に、計画作成部１１３は、候補となる計画情報ごとに特徴ベクトルを生成する（ステップＳ９０４）。より具体的には、計画作成部１１３は、ステップＳ９０３で算出した候補となる複数の計画情報を、計画情報ごとに該当計画情報を説明する特徴ベクトル（例えば、（式３））を生成する。特徴ベクトルを構成する要素は、上述のステップＳ５０９で設定した要素と同じにする。
次に、計画作成部１１３は、知識モデル１２４を用いて候補となる計画情報ごとに選好解確率を算出する（ステップＳ９０５）。より具体的には、計画作成部１１３は、知識モデル１２４を記憶装置１２０から読み出し、上述のステップＳ９０４で候補となる計画情報ごとに生成した特徴ベクトルを知識モデル１２４（例えば、（式４））に入力して選好解確率を算出する。
図１０は、候補となる５つの計画情報の各々について選好解確率を示すイメージ図である。図１０では、５つの計画情報のうち最も利益の高い（最もｆ１の値が小さい）Ｐ１は、「０．１」、最も緩和量が小さい（最もｆ２の値が小さい）Ｐ５は、「０．３」であり、選好解確率が低く、程よく利益が高くて緩和量が小さいＰ３が「０．９」であり、選好解確率が高くなっている。
次に、計画作成部１１３は、選好解確率が最も高い計画情報を出力する（ステップＳ９０６）。より具体的には、計画作成部１１３は、上述のステップＳ９０５で算出した選好解確率のうち最も数値の大きい計画情報を選択し、出力装置１５０を介し、選択した計画情報を計画作成者に出力し、計画作成部１１３の処理を終了する。
ここで、上述のステップＳ９０１からステップＳ９０６に至る一連の処理に際し、計画作成者が出力装置１５０にて閲覧し、入力装置１４０を通じて適宜な情報入力を行う画面について説明する。
図１２は、計画作成画面１２００の一例を示す図である。
計画作成画面１２００は、入力情報読み込みボタン１２０１と、入力情報テキスト出力フィールド１２０２と、知識モデル読み込みボタン１２０３と、計画情報生成ボタン１２０４と、計画情報出力エリア１２０５と、教師データ分布出力エリア１２０６とを備える。
入力情報読み込みボタン１２０１は、計画を作成するために必要な入力情報の内容が記載されたテキストファイルを計画作成者が選択するためのボタンである。入力情報テキスト出力フィールド１２０２は、読み込んだ入力情報を表示するフィールドである。知識モデル読み込みボタン１２０３は、生成部１１１により生成された知識モデル１２４を計画作成者が選択するためのボタンである。計画情報生成ボタン１２０４は、計画作成部１１３を起動して計画情報の生成（計画の作成）を計画作成者が指示するためのボタンである。計画情報出力エリア１２０５は、計画作成部１１３が出力した計画情報をテーブル形式で表示するエリアである。教師データ分布出力エリア１２０６は、計画作成部１１３が出力した計画情報に類似した教師データ（特徴ベクトルとラベルとの組）が評価指標を軸に分布している模様を表示するエリアである。
例えば、計画作成者は、上述のステップＳ９０１に際して、新たな計画の作成のための入力情報を、入力情報読み込みボタン１２０１のクリックにより入力情報の内容が記載されたテキストファイルを記憶装置１２０から選択する。また、新たな計画の作成に用いる知識モデル１２４を、知識モデル読み込みボタン１２０３のクリックにより記憶装置１２０から呼び出し、計画情報生成ボタン１２０４をクリックする。
これにより以降のステップが実行され、その結果として新たに生成された計画情報が計画情報出力エリア１２０５に表示される。また、生成された計画情報に類似した特徴ベクトルとラベルとの組である教師データが教師データ分布出力エリア１２０６に表示される。既存の評価指標、違反が認められる制約条件が複数存在する場合、教師データ分布出力エリア１２０６には、既存の評価指標、違反が認められる制約条件の中から２つまたは３つ計画作成者に選択させて、選択された評価指標、制約条件を軸に教師データの分布を表示してもよい。
以上、本実施の形態では、入力履歴と計画履歴とから計画作成者の暗黙知として制約条件の緩和量を調整する知識モデルを生成し、後の計画の作成に反映することで、満足度の高い計画を出力することができる。これにより、入力情報に応じて評価指標と制約条件の緩和量とを調整する暗黙知を反映させた、効率的な計画の作成が可能となる。
（２）第２の実施の形態
本実施の形態について説明する。ただし、第１の実施の形態と相違する点について主に説明するものとする。本実施の形態は、図１に示す計画作成支援装置１００が、入力情報に応じて評価指標と制約条件の緩和量とを調整する暗黙知の種類が複数あった場合でもそれらの暗黙知の違いを反映させた計画を、効率的に作成する形態に関するものである。暗黙知の違いとは、例えば、計画作成者が複数名いる場合の計画作成者ごとの暗黙知の違いであったり、時間経過による一人の計画作成者の暗黙知の違いであったりしてもよい。
本実施の形態における、計画作成支援装置１００の生成部１１１は、第１の実施の形態における生成部１１１の処理（図５）と一部を除いて同様の処理を実行する。そこで、以下に、本実施の形態における生成部１１１の処理のうち、第１の実施の形態と異なるものについて説明することとする。
本実施の形態における生成部１１１は、図５で既に例示した処理のうち、ステップＳ５０１において、入力情報の集合と計画情報の集合とを準備するとき、計画作成者ごとに分割して準備する。または、直近１年分と直近１か月分と直近１週間分とに分割して準備してもよい。
次に、本実施の形態における生成部１１１は、図５で既に例示した処理のうち、ステップＳ５０２において、入力装置１４０を介し、上述のステップＳ５０１で分割した入力情報の集合と計画情報の集合とを入力し、生成部１１１の処理を分割した数だけ実行する。
以上の処理により、本実施の形態における生成部１１１は、ステップＳ５０１で分割した数だけ知識モデル１２４を生成する。
また、本実施の形態における計画作成部１１３は、第１の実施の形態における計画作成部１１３の処理（図９）と一部を除いて同様の処理を実行する。そこで、以下に、本実施の形態における計画作成部１１３の処理のうち、第１の実施の形態と異なるものについて説明することとする。
本実施の形態における計画作成部１１３は、図９で既に例示した処理のうち、ステップＳ９０５において、上述のステップＳ５０１で分割した数だけ知識モデル１２４を記憶装置１２０から読み出し、上述のステップＳ９０４で候補となる計画情報ごとに生成した特徴ベクトルを知識モデル１２４（例えば、（式４））に入力して選好解確率を分割した数だけ算出する。
次に、本実施の形態における計画作成部１１３は、図９で既に例示した処理のうち、ステップＳ９０６において、上述のステップＳ９０５で算出した選好解確率のうち最も数値の大きい計画情報を上述のステップＳ５０１で分割した数だけ選択し、出力装置１５０を介し、これらの計画情報を計画作成者に出力し、計画作成部１１３の処理を終了する。
以上、本実施の形態によれば、例えば、計画作成者が複数名いる場合の計画作成者ごとの暗黙知の違いであったり、または、時間経過による一人の計画作成者の暗黙知の違いであったりというように、暗黙知の種類が複数あった場合、入力履歴と計画履歴とから計画作成者の暗黙知として制約条件の緩和量を調整する知識モデルを複数生成し、それらの暗黙知の違いを後の計画の作成に反映することで、満足度の高い計画を知識モデルごとに出力することができる。これにより、入力情報に応じて評価指標と制約条件の緩和量とを調整する暗黙知を反映させた、効率的な計画の作成が可能となる。
以上、本発明を実施するための最良の形態等について具体的に説明したが、本発明はこれに限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能である。
（３）他の実施の形態
なお、上述の実施の形態においては、本発明を計画作成支援装置に適用するようにした場合について述べたが、本発明はこれに限らず、この他種々のシステム、装置、方法、プログラムに広く適用することができる。
また、上述の実施の形態において、各テーブルの構成は一例であり、１つのテーブルは、２以上のテーブルに分割されてもよいし、２以上のテーブルの全部または一部が１つのテーブルであってもよい。
また、上述の実施の形態において、説明の便宜上、ＸＸテーブル、ＸＸファイルを用いて各種のデータを説明したが、データ構造は限定されるものではなく、ＸＸ情報等と表現してもよい。
また、上記の説明において、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、メモリや、ハードディスク、ＳＳＤ等の記憶装置、または、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。
上述した実施の形態は、例えば、以下の特徴的な構成を備える。
計画作成支援装置（例えば、計画作成支援装置１００）は、各計画における制約条件および評価指標を含む入力履歴（例えば、入力履歴１２１）と、上記各計画の上記制約条件を違反した量を示す緩和量に係る情報（例えば、緩和量３０９、緩和量３０９を算出するための情報である最大生産能力３０３、生産コスト３０５、選択フラグ３０７等）を含む計画履歴（例えば、計画履歴１２２）とから、上記制約条件の緩和量と上記評価指標との関係を示す知識モデル（例えば、知識モデル１２４、（式４））を生成する生成部（例えば、生成部１１１）と、上記知識モデルを用いて計画を作成する計画作成部（例えば、計画作成部１１３）が使用可能に上記知識モデルを出力（例えば、記憶装置１２０に記憶、計画作成部１１３に通知、他のコンピュータに送信、出力装置１５０に表示等）する出力部（例えば、出力部１１２）と、を備える。
上記構成では、評価指標と制約条件の緩和量との関係を示す知識モデルが生成される。知識モデルによれば、例えば、計画作成部は、計画作成者が過去にどれくらいの価値のときに、どのくらいの違反を許容したかの関係（バランス）が把握できるようになる。よって、計画作成部は、例えば、入力情報に応じて、過去の計画のバランスに近い計画、すなわち評価指標と制約条件の緩和量との関係を反映した計画を作成することができるようになる。
上記生成部は、上記計画履歴に基づいて、上記各計画について、上記各計画の特徴ベクトル（例えば、（式３））と、計画作成者が作成したことを示す第１のラベル（例えば、「１」）との組を生成し、上記入力履歴に基づいて、上記各計画について、上記評価指標と上記緩和量を最小化する評価指標との最適化を行って計画候補（例えば、計画候補１２３）を生成し、上記計画候補の各計画の特徴ベクトルと、計画候補であることを示す第２のラベルと（例えば、「０」）の組を生成し、生成した特徴ベクトルとラベルとの組を機械学習して上記知識モデルを生成する。
上記構成によれば、正解の教師データ（計画履歴の計画の特徴ベクトルと第１のラベルとの組）だけでなく、不正解の教師データ（計画候補の計画の特徴ベクトルと第２のラベルとの組）も合わせて学習することで、知識モデルの精度を高めることができるようになる。これにより、計画作成部は、計画作成者がより満足する計画を作成することができるようになる。
なお、計画候補の計画を用いずに、計画履歴の計画を用いて知識モデルを生成する場合には、知識モデルの生成が簡略化され、知識モデルの生成時間を短縮化することができる。付言するならば、計画履歴の計画の特徴ベクトルと第１のラベルとの組の分布の偏りから、知識モデルを生成する際に用いる情報を決定してもよい。例えば、分布の標準偏差がしきい値を超える場合、計画履歴および計画候補を用いて知識モデルを生成すると決定し、分布の標準偏差がしきい値を超えない場合、計画履歴を用いて知識モデルを生成すると決定する。
上記生成部は、上記第１のラベルの組の近傍にある上記第２のラベルの組のラベルを上記第１のラベルに変更し、上記知識モデルを生成する（例えば、図７参照）。
上記構成によれば、正解の教師データ（計画履歴の計画の特徴ベクトルと第１のラベルとの組）の近傍の不正解の教師データ（計画候補の計画の特徴ベクトルと第２のラベルとの組）を正解の教師データに変更することで、正解の教師データが圧倒的に少なくなってしまう事態を回避することができる。これにより、例えば、生成部は、正解の教師データを確保できるようになるので、知識モデルの精度を高めることができるようになる。
上記生成部は、上記各計画について、上記第１のラベルの組の近傍にある上記第２のラベルの組を排除し、上記知識モデルを生成する（例えば、図８参照）。
上記構成によれば、正解の教師データ（計画履歴の計画の特徴ベクトルと第１のラベルとの組）の近傍の不正解の教師データ（計画候補の計画の特徴ベクトルと第２のラベルとの組）を排除することで、正解の教師データが圧倒的に少なくなってしまう事態を回避することができる。これにより、例えば、生成部は、正解の教師データと不正解の教師データとのデータ数のバランスをとることができるようになるので、知識モデルの精度を高めることができるようになる。
上記生成部は、予め指定された条件（例えば、気温、湿度、天候、気圧、風の強さ等の現象、季節、時間帯等の期間、日時等の時間、曜日、休日、平日等の日の区分等）に応じて、上記各計画について、上記計画履歴に基づいて上記各計画の特徴ベクトルと計画作成者が作成したことを示す第１のラベルとの組を生成し、生成した特徴ベクトルとラベルとの組を機械学習して上記知識モデルを生成する。
上記構成では、評価指標と制約条件の緩和量との関係を条件に応じて示す知識モデルが生成されるので、計画作成部は、予め定められた条件により入力情報を場合分けすることにより、入力情報に応じた計画を作成することができる。例えば、計画作成部は、入力情報に含まれる日時のデータから季節（夏、冬等）を判別し、季節に対応した計画を作成することができるようになる。
上記生成部は、予め指定された観点（予め指定された観点は、計画作成者が計画に必要とする観点である。例えば、暗黙知の種類を示し、計画作成者、１年、１か月、１週間といった期間等）ごとに、上記各計画について、上記計画履歴に基づいて上記各計画の特徴ベクトルと計画作成者が作成したことを示す第１のラベルとの組を生成し、生成した特徴ベクトルとラベルとの組を機械学習して上記知識モデルを生成する。
上記構成では、予め指定された観点ごとに、知識モデルが生成される。例えば、１年、１か月、１週間といった期間ごとに知識モデルが生成される場合、計画作成者は、何れかの期間の知識モデルを選択することで、１年、１か月、１週間といった期間のトレンドを反映した計画を得ることができるようになる。また、例えば、計画作成者ごとに知識モデルが生成される場合、計画作成者は、自身の知識モデルを選択することで、自身の暗黙知が反映された計画を得ることができたり、熟練者の知識モデルを選択することで、熟練者の暗黙知が反映された計画を得ることができたりするようになる。
また上述した構成については、本発明の要旨を超えない範囲において、適宜に、変更したり、組み替えたり、組み合わせたり、省略したりしてもよい。
１００……計画作成支援装置、１１１……生成部、１１２……出力部、１１３……計画作成部。

Claims (6)

  1. 各計画における制約条件および評価指標を含む入力履歴と、前記各計画の前記制約条件を違反した量を示す緩和量に係る情報を含む計画履歴とから、前記制約条件の緩和量と前記評価指標との関係を示す知識モデルを生成する生成部と、
    前記知識モデルを用いて計画を作成する計画作成部が使用可能に前記知識モデルを出力する出力部と、
    を備え、
    前記生成部は、
    前記計画履歴に基づいて、前記各計画について、前記各計画の特徴ベクトルと、計画作成者が作成したことを示す第１のラベルとの組を生成し、
    前記入力履歴に基づいて、前記各計画について、前記評価指標と前記緩和量を最小化する評価指標との最適化を行って計画候補を生成し、前記計画候補の各計画の特徴ベクトルと、計画候補であることを示す第２のラベルとの組を生成し、
    生成した特徴ベクトルとラベルとの組を機械学習して前記知識モデルを生成する、
    計画作成支援装置。
  2. 前記生成部は、前記第１のラベルの組の近傍にある前記第２のラベルの組のラベルを前記第１のラベルに変更し、前記知識モデルを生成する、
    請求項１に記載の計画作成支援装置。
  3. 前記生成部は、前記各計画について、前記第１のラベルの組の近傍にある前記第２のラベルの組を排除し、前記知識モデルを生成する、
    請求項１に記載の計画作成支援装置。
  4. 各計画における制約条件および評価指標を含む入力履歴と、前記各計画の前記制約条件を違反した量を示す緩和量に係る情報を含む計画履歴とから、前記制約条件の緩和量と前記評価指標との関係を示す知識モデルを生成する生成部と、
    前記知識モデルを用いて計画を作成する計画作成部が使用可能に前記知識モデルを出力する出力部と、
    を備え、
    前記生成部は、予め指定された条件に応じて、前記各計画について、前記計画履歴に基づいて前記各計画の特徴ベクトルと計画作成者が作成したことを示す第１のラベルとの組を生成し、生成した特徴ベクトルとラベルとの組を機械学習して前記知識モデルを生成する、
    計画作成支援装置。
  5. 各計画における制約条件および評価指標を含む入力履歴と、前記各計画の前記制約条件を違反した量を示す緩和量に係る情報を含む計画履歴とから、前記制約条件の緩和量と前記評価指標との関係を示す知識モデルを生成する生成部と、
    前記知識モデルを用いて計画を作成する計画作成部が使用可能に前記知識モデルを出力する出力部と、
    を備え、
    前記生成部は、予め指定された観点ごとに、前記各計画について、前記計画履歴に基づいて前記各計画の特徴ベクトルと計画作成者が作成したことを示す第１のラベルとの組を生成し、生成した特徴ベクトルとラベルとの組を機械学習して前記知識モデルを生成する、
    計画作成支援装置。
  6. 生成部が、各計画における制約条件および評価指標を含む入力履歴と、前記各計画の前記制約条件を違反した量を示す緩和量に係る情報を含む計画履歴とから、前記制約条件の緩和量と前記評価指標との関係を示す知識モデルを生成する第１のステップと、
    出力部が、前記知識モデルを用いて計画を作成する計画作成部が使用可能に前記知識モデルを出力する第２のステップと、
    を備え、
    前記生成部は、
    前記計画履歴に基づいて、前記各計画について、前記各計画の特徴ベクトルと、計画作成者が作成したことを示す第１のラベルとの組を生成し、
    前記入力履歴に基づいて、前記各計画について、前記評価指標と前記緩和量を最小化する評価指標との最適化を行って計画候補を生成し、前記計画候補の各計画の特徴ベクトルと、計画候補であることを示す第２のラベルとの組を生成し、
    生成した特徴ベクトルとラベルとの組を機械学習して前記知識モデルを生成する、
    計画作成支援方法。
JP2019109126A 2019-06-11 2019-06-11 計画作成支援装置および計画作成支援方法 Active JP7272873B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2019109126A JP7272873B2 (ja) 2019-06-11 2019-06-11 計画作成支援装置および計画作成支援方法
CN202010337875.6A CN112070333A (zh) 2019-06-11 2020-04-26 计划制定辅助装置和计划制定辅助方法
TW109117055A TWI818176B (zh) 2019-06-11 2020-05-22 計劃制定輔助裝置和計劃制定輔助方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019109126A JP7272873B2 (ja) 2019-06-11 2019-06-11 計画作成支援装置および計画作成支援方法

Publications (2)

Publication Number Publication Date
JP2020201781A JP2020201781A (ja) 2020-12-17
JP7272873B2 true JP7272873B2 (ja) 2023-05-12

Family

ID=73656058

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019109126A Active JP7272873B2 (ja) 2019-06-11 2019-06-11 計画作成支援装置および計画作成支援方法

Country Status (3)

Country Link
JP (1) JP7272873B2 (ja)
CN (1) CN112070333A (ja)
TW (1) TWI818176B (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222528A (zh) * 2021-04-13 2021-08-06 华迪计算机集团有限公司 行为采集方法及系统
WO2023175947A1 (ja) * 2022-03-18 2023-09-21 日本電気株式会社 情報処理装置、制御方法及び記憶媒体
WO2023188073A1 (ja) * 2022-03-30 2023-10-05 日本電気株式会社 学習装置、提示装置、学習方法及び記憶媒体

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017097520A (ja) 2015-11-20 2017-06-01 株式会社日立製作所 資源運用計画支援装置および資源運用計画支援方法
JP2019086817A (ja) 2017-11-01 2019-06-06 株式会社日立製作所 設計支援装置及び設計支援方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0481968A (ja) * 1990-07-24 1992-03-16 Hitachi Ltd 知的計画支援システム
JPH06266726A (ja) * 1993-03-15 1994-09-22 Fuji Xerox Co Ltd 生産計画作成装置
JP3596111B2 (ja) * 1995-09-28 2004-12-02 三菱電機株式会社 生産計画装置及び生産計画方法
WO2013105911A2 (en) * 2011-11-21 2013-07-18 Hewlett-Packard Development Company, L.P. Recommending production plans
JP6424648B2 (ja) * 2015-01-27 2018-11-21 新日鐵住金株式会社 生産計画作成装置、生産計画作成方法、およびプログラム
CN105550751B (zh) * 2015-12-15 2018-05-29 重庆大学 利用优先级策略混合遗传算法的炼钢连铸生产调度方法
JP6674915B2 (ja) * 2017-01-24 2020-04-01 株式会社日立製作所 生産計画立案装置、及び生産計画立案方法
WO2018220744A1 (ja) * 2017-05-31 2018-12-06 株式会社日立製作所 生産計画作成装置、生産計画作成方法及び生産計画作成プログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017097520A (ja) 2015-11-20 2017-06-01 株式会社日立製作所 資源運用計画支援装置および資源運用計画支援方法
JP2019086817A (ja) 2017-11-01 2019-06-06 株式会社日立製作所 設計支援装置及び設計支援方法

Also Published As

Publication number Publication date
TW202046193A (zh) 2020-12-16
CN112070333A (zh) 2020-12-11
TWI818176B (zh) 2023-10-11
JP2020201781A (ja) 2020-12-17

Similar Documents

Publication Publication Date Title
US12040059B2 (en) Trial design platform
US20230325691A1 (en) Systems and methods of processing personality information
US12051488B2 (en) Interactive trial design platform
JP7272873B2 (ja) 計画作成支援装置および計画作成支援方法
EP2889822A1 (en) Employee value-retention risk calculator
US20150161629A1 (en) Retail optimization for markdown
US11163783B2 (en) Auto-selection of hierarchically-related near-term forecasting models
US20220375551A1 (en) Systems and methods for clinician interface
JP2016189079A (ja) 計画作成支援装置および計画作成支援方法
US20210319158A1 (en) Methods and system for reducing computational complexity of clinical trial design simulations
Miller Statistics for data science: Leverage the power of statistics for data analysis, classification, regression, machine learning, and neural networks
US20200380541A1 (en) Method and system for adjustable automated forecasts
US20220382935A1 (en) Filtering designs using boundaries derived from optimal designs
Anderson Statistics for big data for dummies
JP2012008947A (ja) 営業活動分析方法及び営業支援システム
JP2019191781A (ja) 学習用データ生成方法、学習用データ生成プログラム
WO2022271876A1 (en) Design stratification for evaluation of qualitative tradeoffs
Versteyhe et al. Application of non-deterministic uncertainty models to improve resource constraint optimal scheduling
US20150262204A1 (en) Sales and fundraising computer management system with staged display.
Mita et al. Early warning of task failure using task processing logs
JP2011227794A (ja) 拠点分析システム
US20230376979A1 (en) Sales support device, sales support method and sales support program
Pereira An Intelligent Recommendation System for Campaigns in the Retail Business
Smith et al. Proceedings of the 23rd International Conference of the International Federation of Operational Research Societies
JP2023031427A (ja) 学習データ生成装置、プログラムおよび学習データ生成方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220203

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221115

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20221117

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221215

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: 20230411

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230427

R150 Certificate of patent or registration of utility model

Ref document number: 7272873

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150