JP7378112B2 - 情報処理装置及び情報処理プログラム - Google Patents

Description

本発明は、情報処理装置及び情報処理プログラムに関する。

近年、より効率的に物品の配送を行うことが求められている。そのために、例えば、コンピュータを用いて配送に関する推計をし、この推計結果に基づいて、物品の配送を行う技術が利用されている。

このような、配送に関する推計を行う技術の一例が、特許文献１に開示されている。特許文献１に開示の技術では、配送対象とする物品それぞれの容積（縦×横×高さ）等のデータを含んだマスタを予め用意しておく。そして、配送対象とする物品数の入力を受け付けると、このマスタを参照することにより、配送対象の物品全ての容積を推計する。
この推計した容積を用いることにより、更に、配送を行う車両の割り当てや、配送料金の算出等を行うことができる。

特開２０１７－０１０３４０号公報

上述した特許文献１に開示の技術等の一般的な技術を用いて適切に推計を行うためには、配送対象とする物品それぞれの容積等のデータを含んだマスタを予め用意しておく必要がある。

しかしながら、例えば、配送のみを請け負う事業者等は、物品の容積等のデータを所有していないことが多く、このようなマスタを予め用意することは困難であった。また、仮に物品の容積等のデータを所有している場合であっても、商品のライフサイクルが短い業界では、新しい商品が販売される都度、商品の容積等を測定してマスタを更新する必要が生じてしまい、煩雑であった。

本発明は、このような状況に鑑みてなされたものであり、より簡便に配送に関する推計を行うための、情報処理装置及び情報処理プログラムを提供することを目的とする。

上記目的を達成するため、本発明の一態様の情報処理装置は、
物品の数量及び種類と、該物品の数量及び種類に対応する物品を実際に梱包するために用いられた梱包資材の数量及び種類とを紐付けた実績データを取得する実績データ取得手段と、
前記実績データに基づいた機械学習を行うことにより、梱包資材に関する推計を行うための学習モデルを構築する学習手段と、
前記学習手段が構築した前記学習モデルに基づいて、推計対象とされた物品の数量及び種類に対応する物品を実際に梱包するために用いられる梱包資材の数量及び種類を推計する推計手段と、
を備える。

本発明によれば、より簡便に配送に関する推計を行うことができる。

本発明の一実施形態に係る情報処理システムの全体構成の一例を示すブロック図である。 本発明の一実施形態に係る第１事業者装置の構成の一例を示すブロック図である。 本発明の一実施形態に係る第２事業者装置の構成の一例を示すブロック図である。 本発明の一実施形態に係る第３事業者装置の構成の一例を示すブロック図である。 本発明の一実施形態における学習や推計の概念を示す第１模式図である。 本発明の一実施形態における学習や推計の概念を示す第２模式図である。 本発明の一実施形態における学習や推計の概念を示す第３模式図である。 本発明の一実施形態に係る第２事業者装置の学習における、第１学習アルゴリズムの流れを説明するフローチャートである。 本発明の一実施形態に係る第２事業者装置の学習における、第２学習アルゴリズムにより生成される決定木の一例を示す模式図である。 本発明の一実施形態に係る情報処理システムが実行する学習処理時の流れを示すシーケンス図である。 本発明の一実施形態に係る第２事業者装置が実行する、推計処理の流れを説明するフローチャートである。 本発明の一実施形態の変形例における運賃計算の概念を示す模式図である。 本発明の一実施形態の変形例における学習や推計の概念を示す第１模式図である。 本発明の一実施形態の変形例における学習や推計の概念を示す第２模式図である。

以下、添付の図面を参照して本発明の実施形態の一例について説明する。
［システム構成］
図１は、本実施形態に係る情報処理システムＳの全体構成を示すブロック図である。図１に示すように、情報処理システムＳは、第１事業者装置１０、第２事業者装置２０、第３事業者装置３０、及びネットワーク４０を含む。

これら、第１事業者装置１０、第２事業者装置２０、及び第３事業者装置３０は、ネットワーク４０を介して相互に通信可能に接続される。このネットワーク４０を介した各装置の間での通信は、任意の通信方式に準拠して行われてよく、その通信方式は特に限定されない。ネットワーク４０は、例えば、インターネット、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、及び携帯電話網の何れか又はこれらを組み合わせたネットワークにより実現される。また、第１事業者装置１０、第２事業者装置２０、及び第３事業者装置３０は、パーソナルコンピュータやサーバ装置等の情報処理機能を有する電子機器により実現される。

第１事業者装置１０、第２事業者装置２０、及び第３事業者装置３０は、それぞれ異なる事業者が利用する装置である。すなわち、第１事業者装置１０は、第１事業者が利用する装置であり、第２事業者装置２０は、第２事業者が利用する装置であり、第３事業者装置３０は、第３事業者が利用する装置である。

本実施形態では、説明の為の一例として、第３事業者は、商品を販売する店舗（例えば、コンビニエンスストア）を運営する事業者であると想定する。また、第１事業者は、第３事業者からの発注に応じて、商品（例えば、食品）を出荷するメーカ等の事業者であると想定する。更に、第２事業者は、第３事業者からの発注に応じて、第１事業者が出荷した商品を、第３事業者が運営する店舗まで配送する事業者であると想定する。
この場合、商品である物品は、図１に示すように、第１事業者、第２事業者、第３事業者の順番で移動する。

このような構成を有する情報処理システムＳでは、学習処理及び推計処理を行う。
具体的に、学習処理において、第２事業者装置２０が、物品の数量及び種類と、該物品の数量及び種類に対応する物品を実際に梱包するために用いられた梱包資材の数量及び種類とを紐付けた実績データを取得する。また、学習処理において、第２事業者装置２０が、取得した実績データに基づいた機械学習を行うことにより、梱包資材に関する推計を行うための学習モデルを構築する。
更に、推計処理において、第２事業者装置２０が、構築した学習モデルに基づいて、推計対象とされた物品の数量及び種類に対応する物品を実際に梱包するために用いられる梱包資材の数量及び種類を推計する。

第２事業者は、この推計結果を参照することにより、第１事業者が、発注データに応じた商品を、何れの梱包資材に、どれだけの数で梱包するのかを予測することができる。すなわち、第２事業者は、他の事業者（第１事業者）が、どのように梱包してくるのかを、発注データに基づいて予測することができる。

そのため、第２事業者は、予測結果に基づいて、予め配送に必要な車両の割り当てや、配送経路の決定等を行っておき、効率的に配送を行うことができる。また、この場合に、第２事業者は、配送対象とする物品それぞれの容積等のデータを含んだマスタや、物品を梱包するための梱包資材に関するマスタを設けておく必要はない。
つまり、情報処理システムＳによれば、より簡便に配送に関する推計を行うことができる。

なお、図中では、各装置を１台ずつ図示しているがこれは例示に過ぎず、情報処理システムＳには、これら各装置が任意の台数含まれていてよい。また、これに応じて各装置を利用する各事業者が複数存在していてもよい。
次に、これら各装置それぞれの構成について詳細に説明をする。

［第１事業者装置の構成］
次に、第１事業者装置１０の構成について、図２のブロック図を参照して説明をする。図２に示すように、第１事業者装置１０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３と、通信部１４と、記憶部１５と、入力部１６と、表示部１７と、を備えている。これら各部は、信号線によりバス接続されており、相互に信号を送受する。

ＣＰＵ１１は、ＲＯＭ１２に記録されているプログラム、又は、記憶部１５からＲＡＭ１３にロードされたプログラムに従って各種の処理を実行する。
ＲＡＭ１３には、ＣＰＵ１１が各種の処理を実行する上において必要なデータ等も適宜記憶される。

通信部１４は、ＣＰＵ１１が、情報処理システムＳに含まれる他の装置との間で通信を行うための通信制御を行う。
記憶部１５は、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等の半導体メモリで構成され、各種データを記憶する。

入力部１６は、各種ボタン及びタッチパネル、又はマウス及びキーボード等の外部入力装置で構成され、ユーザの指示操作に応じて各種情報を入力する。
表示部１７は、液晶ディスプレイ等で構成され、ＣＰＵ１１が出力する画像データに対応する画像を表示する。

第１事業者装置１０が動作する場合、図２に示すように、ＣＰＵ１１において、在庫データ管理部１１１と、発注データ受信部１１２と、出荷指示部１１３とが機能する。
また、記憶部１５の一領域には、在庫データ記憶部１５１が設定される。

在庫データ記憶部１５１には、第１事業者が製造する物品（以下、適宜「商品」と称する）の在庫データが記憶される。例えば、商品の在庫数、商品の製造予定数、商品の製造日時、及び製品の使用期限（例えば、賞味期限）等のデータが在庫データとして記憶される。

在庫データ管理部１１１は、在庫データ記憶部１５１が記憶する在庫データを管理する機能を含む。在庫データ管理部１１１は、例えば、入力部１６により受け付けた第１事業者の操作や、第１事業者が利用する他の装置（図示を省略する）から通信部１４を介して受信したデータ等に基づいて、在庫データ記憶部１５１が記憶する在庫データを最新の内容に更新することにより管理を行う。

発注データ受信部１１２は、第３事業者装置３０から通信部１４を介して発注データを受信する機能を含む。この発注データには、例えば、第３事業者が運営する各店舗それぞれに対して配送する商品の種類、商品の数、及び配送日時等のデータ等が含まれる。また、発注データ受信部１１２は、受信した発注データを出荷指示部１１３に対して出力する機能も含む。

出荷指示部１１３は、在庫データ記憶部１５１が記憶する最新の在庫データと、発注データ受信部１１２から入力された発注データに基づいて出荷指示情報を出力する機能を含む。出荷指示情報は、例えば、何日何時までに、何れの倉庫に在庫されている何れの商品を、何れの場所に対して出荷するかといった情報を含む。また、出荷指示部１１３は、例えば、発注データに含まれる商品についての在庫が不足している等の情報も出力するようにしてもよい。出荷指示部１１３による出力は、例えば、表示部１７への表示や、印刷装置（図示を省略する）からの紙媒体への印刷等により実現される。

第１事業者は、この出荷指示を参照することにより、発注データに応じた出荷を行う。本実施形態では、説明の為の一例として第１事業者は、発注データに応じた商品を在庫から用意し、第２事業者の配送所まで、この用意した商品を配送する場合を想定する。ただし、第１事業者が発注データに応じた商品を在庫から用意し、第２事業者が第１事業者の倉庫等までこの商品を受け取りにいくような場合であっても、本実施形態を適用することは可能である。

［第２事業者装置の構成］
次に、第２事業者装置２０の構成について、図３のブロック図を参照して説明をする。図３に示すように、第２事業者装置２０は、ＣＰＵ２１と、ＲＯＭ２２と、ＲＡＭ２３と、通信部２４と、記憶部２５と、入力部２６と、表示部２７と、を備えている。これら各部は、信号線によりバス接続されており、相互に信号を送受する。

ここで、これら各部のハードウェアとしての機能は、上述の第１事業者装置１０が備える、符号のみが異なる同名の各部のハードウェアとしての機能と同等である。従って、重複する説明を省略する。

第２事業者装置２０が動作する場合、図３に示すように、ＣＰＵ２１において、発注データ受信部２１１と、実績データ取得部２１２と、学習部２１３と、推計部２１４とが機能する。
また、記憶部２５の一領域には、実績データ記憶部２５１と、学習モデル記憶部２５２とが設定される。

実績データ記憶部２５１には、第１事業者が商品を配送するために行った梱包に関する情報が実績データとして記憶される。例えば、１回の配送に対応する発注データと、この発注データに対応する商品を梱包するために用いられた梱包資材の数量及び種類とを紐付けた情報が実績データとして記憶される。

学習モデル記憶部２５２には、後述の学習部２１３が機械学習を行うことにより構築した学習モデルが記憶される。学習部２１３により行われる機械学習の詳細や、学習モデルの詳細については、［学習と推計］という欄にて後述する。

発注データ受信部２１１は、第３事業者装置３０から通信部２４を介して発注データを受信する機能を含む。発注データ受信部２１１は、受信した発注データを実績データ取得部２１２に対して出力する。

実績データ取得部２１２は、実績データを取得する機能を含む。本実施形態において、第２事業者は、発注データに対応する商品を受け取った際に、実際に梱包のために用いられていた梱包資材の数量及び種類を計測し、入力部２６の操作により計測結果を実績データ取得部２１２に対して入力する。実績データ取得部２１２は、入力部２６により受け付けた第２事業者の操作や、第２事業者が利用する他の装置（図示を省略する）から通信部２４を介して受信したデータ等に基づいて、発注データに対応する商品を梱包するために用いられた梱包資材の数量及び種類を取得する。

そして、発注データ受信部２１１は、発注データ受信部２１１から入力された発注データと、上述したようにして取得した発注データに対応する商品を梱包するために用いられた梱包資材の数量及び種類とを紐付けることにより、実績データを取得する。また、発注データ受信部２１１は、取得した実績データを実績データ記憶部２５１に記憶させる。

学習部２１３は、実績データ記憶部２５１に記憶されている実績データに基づいた機械学習を行うことにより、梱包資材に関する推計を行うための学習モデルを構築する機能を含む。

推計部２１４は、学習部２１３が構築した学習モデルに基づいて、推計対象とされた商品の数量及び種類に対応する商品を実際に梱包するために用いられる梱包資材の数量及び種類を推計する機能を含む。また、推計部２１４は、推計結果を出力する機能も含む。推計部２１４による出力は、例えば、表示部２７への表示や、印刷装置（図示を省略する）からの紙媒体への印刷等により実現される。
学習部２１３により行われる機械学習の詳細や、学習モデルの詳細、及び推計部２１４により行われる推計の詳細は、［学習と推計］という欄にて後述する。

［第３事業者装置の構成］
次に、第３事業者装置３０の構成について、図４のブロック図を参照して説明をする。図４に示すように、第３事業者装置３０は、ＣＰＵ３１と、ＲＯＭ３２と、ＲＡＭ３３と、通信部３４と、記憶部３５と、入力部３６と、表示部３７と、を備えている。これら各部は、信号線によりバス接続されており、相互に信号を送受する。

ここで、これら各部のハードウェアとしての機能は、上述の第１事業者装置１０や第２事業者装置２０が備える、符号のみが異なる同名の各部のハードウェアとしての機能と同等である。従って、重複する説明を省略する。

第３事業者装置３０が動作する場合、図４に示すように、ＣＰＵ１１において、発注データ生成部３１１と、発注データ送信部３１２とが機能する。
また、記憶部３５の一領域には、発注データ記憶部３５１が設定される。

発注データ記憶部３５１には、発注データが記憶される。例えば、第３事業者が運営する各店舗それぞれに対して配送する商品の種類、商品の数、及び配送日時等のデータが発注データとして記憶される。

発注データ生成部３１１は、発注データ記憶部３５１が記憶する発注データを生成する機能を含む。発注データ生成部３１１は、例えば、入力部３６により受け付けた第３事業者の操作や、第３事業者が利用する他の装置（図示を省略する）から通信部３４を介して受信したデータ等に基づいて、発注データを生成する。そして、発注データ生成部３１１は、生成した発注データを発注データ記憶部３５１に記憶させる。

発注データ送信部３１２は、発注データ記憶部３５１が記憶する発注データを、通信部３４を介して、発注データに対応する第１事業者装置１０及び第２事業者装置２０に対して送信する機能を含む。発注データ送信部３１２が送信した発注データは、上述した発注データ受信部１１２や、発注データ受信部２１１により受信される。

［学習と推計］
次に、学習部２１３により行われる機械学習の詳細や、学習モデルの詳細、及び推計部２１４により行われる推計の詳細について、図５から図９までを参照して説明をする。
図５から図７までは、機械学習や推計の概念を示す模式図である。学習部２１３は、実績データ記憶部２５１に記憶される実績データを教師データとして機械学習を行うことにより学習モデルを構築及び更新する。

具体的には、図５に示すように、学習部２１３は、実績データに含まれる発注データＤ１１を入力とし、実績データに含まれる出荷データＤ１２を出力とした場合の、この発注データＤ１１と出荷データＤ１２との関係性を学習する。そして、学習部２１３は、未知データ（まだ出力が確定していないデータ）に含まれる発注データＤ２１を入力とした場合の、出荷データＤ２２を、学習した発注データＤ１１と出荷データＤ１２との関係性に基づいて推計する。そして、推計部２１４は、推計した出荷データＤ２２を、推計結果として出力する。
以上が、学習部２１３により行われる機械学習の詳細や、学習モデルの詳細、及び推計部２１４により行われる推計の詳細である。

次に、図６を参照して、発注データＤ１１及び出荷データＤ１２それぞれの具体的なデータ構造の例について説明をする。また、図７を参照して、発注データＤ２１及び出荷データＤ２２それぞれの具体的なデータ構造の例について説明をする。なお、これらの図に図示する具体例は、あくまで説明の為の一例であり、各データのデータ構造は、これらの図に図示する具体例には、限定されない。

図６に示すように、学習における入力となる発注データＤ１１には、或る１つの店舗において各日（ここでは、一例として３月１日～３月５日）それぞれで発注された、各商品それぞれの数量及び種類が含まれる。例えば、商品「焼きそばパン」のレコードの場合、この商品が属するグループである商品グループ１「調理パン」と、商品グループ１が更に上位概念化されたグループである商品グループ２「惣菜類」と、各日の発注量が含まれる。また、発注データＤ１１には、或る１つの店舗において各日それぞれで発注された、各商品グループそれぞれの数量も含まれる。例えば、商品グループ「調理パン」のレコードの場合、この商品グループに属する各商品の、各日の発注量の合計数が含まれる。例えば、図６の例であれば、商品グループ「調理パン」に属する、商品「焼きそばパン」、「コロッケパン」、「カツサンド」、及び「ピロシキパン」各日の発注量の合計数が含まれる。

ただし、これは一例に過ぎず、商品グループとして、上述したような情報とは異なる情報を利用するようにしてもよい。例えば、商品グループの数を更に多数設定するようにしてもよい。また、商品グループの階層数を更に増加し、商品グループ２が更に上位概念化されたグループである商品グループ３「食品」等を追加するようにしてもよい。また、各商品グループを階層化した関係とせず、何らの階層関係も有さないようにしてもよい。例えば、商品グループ１は、「調理パン」等の商品種別を示す情報として、商品グループ２は「男性用・女性用」、「定価販売品・特価販売品」といった商品グループ１とは、何らの階層も有さない情報としてもよい。すなわち、商品の属性を示す任意のプロパティ情報に基づいて、商品グループ生成するようにしてもよい。

また、図６に示すように、学習における出力となる出荷データＤ１２には、第１事業者が、或る１つの店舗において各日それぞれで発注された各商品を、実際に梱包するために用いた梱包資材の数量及び種類が含まれる。例えば、出荷データＤ１２には、梱包資材の種類として、「番重」と「クレート」がそれぞれ存在する。そして、出荷データＤ１２には、或る１つの店舗において各日それぞれで、第１事業者が実際に梱包するために用いた「番重」と「クレート」の数量が含まれる。なお、梱包資材の種類として大きさや形状が含まれていてもよい。例えば、番重であっても、サイズの大きな番重と、これよりも小さなサイズの番重とで、異なる種類の梱包資材として取り扱うようにしてもよい。

学習部２１３は、機械学習によって、各日における、発注データＤ１１と出荷データＤ１２との関係性を学習する。なお、関係性の学習は、発注データＤ１１に含まれる各商品の数量及び種類と、出荷データＤ１２に含まれる梱包資材の数量及び種類との関係性について行われてもよいし、発注データＤ１１に含まれる各商品グループの数量及び種類と、出荷データＤ１２に含まれる梱包資材の数量及び種類との関係性について行われてもよい。

一方で、図７に示すように、発注データＤ２１は、推計対象とする日（図中では、一例として「３月６日」と仮定する）の商品の数量及び種類を含んだデータである。発注データＤ２１は、例えば、第２事業者が入力部２６を介して入力してもよく、発注データ受信部２１１が受信した新たな発注データを、発注データＤ２１としてもよい。
また、発注データＤ２２は、推計部２１４が推計結果として出力したデータであって、出荷データＤ２１により推計対象とされた商品の数量及び種類に対応する商品を実際に梱包するために用いられる梱包資材の数量及び種類を含んだデータである。

このようにして、推計部２１４は、学習部２１３が学習した発注データＤ１１と出荷データＤ１２との関係性に基づいて、発注データＤ２１を入力とした場合の、出荷データＤ２２を推計する。

なお、図６では、或る１つの店舗にて複数の日（ここでは、一例として３月１日～３月５日）それぞれにおいて発注された発注データＤ１１や、この或る１つの店舗に対して複数の日（ここでは、一例として３月１日～３月５日）それぞれにおいて出荷された出荷データＤ１２を用いて学習する場合を例に取って説明した。また、図７では、この或る店舗にて或る日（ここでは、一例として３月６日）において発注された発注データＤ２１を用いて、出荷データＤ２２を推計する場合を例に取って説明した。
しかしながら、これに限らず、例えば、或る１日において複数の店舗にて発注された発注データや、この或る１日において複数の店舗に出荷された出荷データを用いて学習するようにしてもよい。また、これら複数の店舗以外の或る店舗において或る日において発注された発注データを用いて推計をするようにしてもよい。更に、例えば、複数の日それぞれおいて複数の店舗それぞれにて発注された発注データや、この複数の日それぞれにおいて複数の店舗それぞれに出荷された出荷データを用いて学習をするようにしてもよい。これら点については、＜第４変形例＞として後述する。

次に、学習部２１３が学習を行うための手法の一例として、以下では、第１学習アルゴリズムと、第２学習アルゴリズムの２つのアルゴリズムについて説明をする。

［第１学習アルゴリズム］
第１学習アルゴリズムは、実績データに基づいて個々の商品のサイズを推計する手法である。学習部２１３が、この第１学習アルゴリズムに基づいて学習を行う場合の流れについて、図８のフローチャートを参照して説明をする。

ステップＳ１０１において、学習部２１３は、梱包資材の容量を評価する指標を選択する。指標は、例えば、梱包資材である容器の容積や、容器の底面積等から選択される。この選択は、予め定められた条件に基づいて行われてもよく、第２事業者の操作に基づいて行われてもよい。

ステップＳ１０２において、学習部２１３は、実績を学習する期間の実績データに基づいて、梱包資材容量の延べ合計を、全商品の延べ数量合計で割って全商品の平均サイズを求める
ステップＳ１０３において、学習部２１３は、全商品を同一のサイズと仮定し、ステップＳ１０２にて求めた全商品の平均サイズを、各商品それぞれのサイズとする。

ステップＳ１０４において、学習部２１３は、実績を学習する期間の実績データに基づいて、各商品についての期間内の１日当たりの平均の受注数を求める。
ステップＳ１０５において、学習部２１３は、実績を学習する期間の実績データに基づいて、期間内のそれぞれの１日に対して、現在、設定されている各商品のサイズに当該日に受注した数量を掛けて、現設定上、必要となる梱包資材数を推計する。

ステップＳ１０６において、学習部２１３は、実績を学習する期間の実績データに基づいて、ステップＳ１０５にて推計された梱包資材数と実績の梱包資材数の乖離が最も大きい日を選ぶ。ここで、乖離が最も大きいか否かは、例えば、推計された梱包資材数と実績の梱包資材数の差の乖離や、あるいは比の乖離が大きいか否かに基づいて判定することができる。

ステップＳ１０７において、学習部２１３は、実績を学習する期間の実績データに基づいて、ステップＳ１０６にて選択された当該の日において、実績の受注数がステップＳ１０４で求めた平均の受注数から最も乖離する商品を求める。

ステップＳ１０８において、学習部２１３は、推計上の梱包資材数が実績の梱包資材数になるべく近付くようにステップＳ１０７にて選択された当該商品の設定上のサイズを増減させる。この場合に、増減の幅又は増減率には制限を設けるようにしてもよい。

ステップＳ１０９において、学習部２１３は、推計上の梱包資材数が実績の梱包資材数に一致したか否かを判定する。一致しない場合は、ステップＳ１０９においてＮｏと判定され、処理はステップＳ１０７に戻る。そして、再度処理を再開する。なお、ステップＳ１０８における増減を行っているので、再度行われるステップＳ１０７では、前回のステップＳ１０７において選択された商品の次に乖離が大きかった商品が選択される。
一方で、一致した場合には、ステップＳ１０９においてＹｅｓと判定され、処理はステップＳ１１０に進む。なお、一致しない場合であっても、ステップＳ１０７からステップＳ１０９の処理を、Ｎ回（Ｎは任意の自然数）繰り返した場合にはステップＳ１０９においてＹｅｓと判定するようにしてもよい。

ステップＳ１１０において、学習部２１３は、本第１学習アルゴリズムの終了条件が満たされたか否かを判定する。ここで、終了条件は、任意に定めることができるが、例えば、推計上の梱包資材数と実績の梱包資材数が乖離する日がなくなったことや、あるいは所定回数ステップＳ１０９までの処理を繰り返したことを終了条件とすることができる。終了条件が満たされた場合には、ステップＳ１１０においてＹｅｓと判定され、本第１学習アルゴリズムは終了する。一方で、終了条件が満たされなかった場合には、ステップＳ１１０においてＮｏ判定され、処理はステップＳ１０６に戻る。そして、再度処理を再開する。なお、ステップＳ１０８における増減を行っているので、再度行われるステップＳ１０６では、前回のステップＳ１０６において選択された日の次に乖離が大きかった日が選択される。

以上説明した、第１学習アルゴリズムによれば、個々の商品のサイズの推計値を出力できるので、人間がチェックして必要に応じて修正できる。つまり、実績データと推計値の関係がブラックボックスになるため、コンピュータがどのように判断して推計値を出したのかが分かりにくいという問題が生じない。

［第２学習アルゴリズム］
第２学習アルゴリズムは、各日の発注データ（例えば、商品それぞれの数量や、商品グループそれぞれの数量）を入力とし、それに対する実績の梱包資材数を出力とする組合せのレコードを教師データとして、ディープラーニングなどの一般的な教師あり（または半教師あり）機械学習アルゴリズムに学習させる方法である。

機械学習のアルゴリズムには任意のものが使えるが、一般に流通や物流の世界のデータは商品の改廃や価格・料金の変動が頻繁で普遍性がない、そのため、膨大な教師データを必要とするディープラーニング等の手法は適切ではない場合がある。
その代わり、一般に流通や物流の世界のデータでは、入力と出力の関係性は比較的単純である。例えば、一般的にサイズの大きい商品の数量が大きければ荷量も大きくなるという関係性があることは容易に分かる。

このような教師データの特性を考慮して、複雑な判別を行う能力には劣るが、少数の教師データからも良好な学習成績を得られるランダムフォレストのような決定木による学習を行うことが考えられる。
一例として、学習部２１３が、第２学習アルゴリズムとして、単純な決定木による学習を行う場合について説明をする。本例では、注文データを入力すると、或る種類の梱包資材が１個以上、必要になるかどうかを判断する決定木を作成する。

（１）この場合、学習部２１３は、実績データを、目的とする梱包資材が１個以上必要になった場合と、それ以外の場合の二つのグループに分ける。

（２）次に、学習部２１３は、上記（１）で分けた二つのグループのそれぞれに対して、入力側の各指標に対する平均値を求め、二つのグループの間で最も値が離れている指標を見つける。例えば、図６を参照して上述した発注データＤ１１及び出荷データＤ１２において、クレートが１個以上になるかどうかを判別しようとする場合は、クレートが０個の実績データのグループとクレートが１個以上のグループで最も数値がかけ離れる指標は「乳製品」の個数で、それぞれのグループにおける「乳製品」の個数の平均値は０と３５．６である。

（３）上記（２）で発見した指標をこのレベルにおける分岐の指標とし、二つのグループの間の中間の値を分岐の値とする。例えば、図６を参照して上述した発注データＤ１１及び出荷データＤ１２の場合であれば、乳製品の個数が１７．８以上かどうかで実績データを二分する。ただし、これは一例に過ぎず、他の方法により分岐指標を求めるようにしてもよい。

（４）上記（３）で二分したそれぞれのグループが、目的とする梱包資材が０個だけのデータと１個以上のデータに適切に分別されているか確認する。適切に分別されていない場合は、そのグループに対して、再度上記（１）に戻り、同様の手順で分割を行う。

本第２学習アルゴリズムによる上述の処理を行うことにより完成する完成した決定木の概念的なイメージを、図９に示す。このようにして完成した決定木を用いることにより、梱包に用いられる梱包資材の個数を判別することが可能となる。なお、図９に示すのは、概念的なイメージであり、実際に、図６を参照して上述した発注データＤ１１及び出荷データＤ１２に対して上記の手順通りに作成したものではない。

同様にして、他の種類のクレートや番重それぞれに対して、１個、２個、３個、・・・、Ｍ個（Ｍは任意の自然数）以上になるか否かを判別する決定木を作成する。これにより、複数種類の梱包資材それぞれについて、梱包に用いられる個数を判別することが可能となる。

本第２学習アルゴリズムによれば、緩衝材や組合せの問題で単純に積載する商品のサイズの合計で容器種類や個数を求められない場合でも推計を行うことができる。すなわち、単純に注文データの商品のサイズの合計だけで梱包後の荷物の総量が決まらない場合でも推計を行うことができる。

［学習処理］
次に、図１０のシーケンス図を参照して、情報処理システムＳが実行する学習処理の流れについて説明をする。ここで学習処理とは、情報処理システムＳに含まれる各装置が協働することにより、第２事業者装置２０により学習を実現する一連の処理である。

ステップＳ３１において、第３事業者装置３０の発注データ生成部３１１は、発注データを生成する。
ステップＳ３２において、第３事業者装置３０の発注データ送信部３１２は、ステップＳ３１において発注データ生成部３１１が生成した実績データを、第１事業者装置１０及び第２事業者装置２０に対して送信する。

ステップＳ２１において、第２事業者装置２０の発注データ受信部２１１は、ステップＳ３２において送信された発注データを受信する。
ステップＳ１１において、第１事業者装置１０の発注データ受信部１１２は、ステップＳ３２において送信された発注データを受信する。

ステップＳ１２において、第１事業者装置１０の出荷指示部１１３は、ステップＳ１１において受信した発注データに基づいて、出荷指示情報を生成する。そして、出荷指示部１１３は、この生成した出荷指示情報を出力することにより、第１事業者に対して出荷を指示する。この出荷指示に応じて、第１事業者は出荷を行う。これにより、図中に破線矢印で示すように、商品は第２事業者の配送センター等に移動される。そして、第２事業者は、発注データに対応する商品を受け取った際に、実際に梱包のために用いられていた梱包資材の数量及び種類を計測し、入力部２６の操作により計測結果を実績データ取得部２１２に対して入力する。

ステップＳ２２において、第２事業者装置２０の実績データ取得部２１２は、実績データを取得する。また、実績データ取得部２１２は、取得した実績データを、第２事業者装置２０の実績データ記憶部２５１に記憶させる。

ステップＳ２３において、第２事業者装置２０の学習部２１３は、機械学習を実行する。例えば、学習部２１３は、図８を参照して上述した第１アルゴリズム、又は図９を参照して上述した第２アルゴリズムに基づいて、機械学習を実行する。また、学習部２１３は、機械学習により構築（あるいは更新）した学習モデルを、第２事業者装置２０の学習モデル記憶部２５２に記憶させる。これにより、学習処理は終了する。
以上説明した学習処理により、実績データに基づいて構築され、適宜更新された学習モデルを作成することができる。

なお、図８のシーケンス図に示す学習処理では、教師データである実績データが作成される都度、即座に機械学習を行うというオンライン学習を行っている。しかしながら、これに限られず、例えば、機械学習をバッチ学習で行うようにしてもよい。バッチ学習とは、実績データが作成されることが繰り返される間に、繰り返しに応じた複数の実績データを収集し、収集した全ての実績データを用いて、機械学習を行うという学習方法である。

［推計処理］
次に、図１１のフローチャートを参照して、第２事業者装置２０の推計部２１４が実行する推計処理の流れについて説明をする。ここで推計処理とは、学習処理において構築（あるいは更新）した学習モデルに基づいて、推計対象とされた物品の数量及び種類に対応する物品を実際に梱包するために用いられる梱包資材の数量及び種類を推計する一連の処理である。

ステップＳ４１において、推計部２１４は、推定対象データを受け付ける。
ステップＳ４２において、推計部２１４は、推計を実行する。具体的に、推計部２１４は、ステップＳ４１にて受信した推定対象データを、学習モデル記憶部２５２に記憶されている学習モデルの入力とする。そして、推計部２１４は、この入力に応じた学習モデルの出力を、推計結果として取得する。

ステップＳ４３において、推計部２１４は、ステップＳ４２において取得した推計結果を出力する。
第２事業者は、この推計結果を参照することにより、第１事業者が、発注データに応じた商品を、何れの梱包資材に、どれだけの数で梱包するのかを予測することができる。すなわち、第２事業者は、他の事業者（第１事業者）が、どのように梱包してくるのかを、発注データに基づいて予測することができる。

このような推計処理は、推定対象データ（例えば、今回の発注データ）を第２事業者装置２０が取得した時点で行うことができる。例えば、図１０の例であれば、ステップＳ２１において発注データを受信した時点で推計処理を行うことができ、出荷された商品を実際に受け取る前に行うことができる。

そのため、第２事業者は、予測結果に基づいて、予め配送に必要な車両の割り当てや、配送経路の決定等を行っておき、効率的に配送を行うことができる。また、この場合に、第２事業者は、配送対象とする物品それぞれの容積等のデータを含んだマスタや、物品を梱包するための梱包資材に関するマスタを設けておく必要はない。
つまり、情報処理システムＳによれば、より簡便に配送に関する推計を行うことができる。

本発明は、上述の実施形態に限定されるものではなく、本発明の目的を達成できる範囲での変形、改良等は本発明に含まれるものである。

例えば、上述した一連の処理は、ハードウェアにより実行させることもできるし、ソフトウェアにより実行させることもできる。また、上述した各機能ブロックのそれぞれは、ハードウェア単体で構成してもよいし、ソフトウェア単体で構成してもよいし、それらの組み合わせで構成してもよい。
換言すると、図２、図３、及び図４に図示した機能的構成は例示に過ぎず、特に限定されない。即ち、上述した一連の処理を全体として実行できる機能が情報処理システムＳに備えられていれば足り、この機能を実現するためにどのような機能ブロックを用いるのかは特に図２、図３、及び図４に図示した例に限定されない。

例えば、本実施形態に含まれる機能的構成を、演算処理を実行するプロセッサによって実現することができ、本実施形態に用いることが可能なプロセッサには、シングルプロセッサ、マルチプロセッサ及びマルチコアプロセッサ等の各種処理装置単体によって構成されるものの他、これら各種処理装置と、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）又はＦＰＧＡ（Ｆｉｅｌｄ‐Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の処理回路とが組み合わせられたものを含む。

例えば、第２事業者装置２０については、機械学習に伴う演算量が多いため、例えば、パーソナルコンピュータにＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔｓ）を搭載し、ＧＰＧＰＵ（Ｇｅｎｅｒａｌ－Ｐｕｒｐｏｓｅ ｃｏｍｐｕｔｉｎｇ ｏｎ Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔｓ）と呼ばれる技術により、ＧＰＵを機械学習に伴う演算処理に利用するようにすると高速処理できるようになるのでよい。更には、より高速な処理を行うために、このようなＧＰＵを搭載したコンピュータを複数台用いてコンピュータ・クラスターを構築し、このコンピュータ・クラスターに含まれる複数のコンピュータにて並列処理を行うようにしてもよい。

また、一連の処理をソフトウェアにより実行させる場合には、そのソフトウェアを構成するプログラムが、コンピュータ等にネットワーク又は記録媒体からインストールされる。
コンピュータは、専用のハードウェアに組み込まれているコンピュータであってもよい。また、コンピュータは、各種のプログラムをインストールすることで、各種の機能を実行することが可能なコンピュータ、例えば汎用のパーソナルコンピュータであってもよい。

このようなプログラムを含む記録媒体は、ユーザにプログラムを提供するために装置本体とは別に配布されることによりユーザに提供されてもよく、装置本体に予め組み込まれた状態でユーザに提供されてもよい。装置本体とは別に配布される記憶媒体は、例えば、磁気ディスク（フロッピディスクを含む）、光ディスク、又は光磁気ディスク等により構成される。光ディスクは、例えば、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ－Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ），ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ），Ｂｌｕ－ｒａｙ（登録商標） Ｄｉｓｃ（ブルーレイディスク）等により構成される。光磁気ディスクは、ＭＤ（Ｍｉｎｉ－Ｄｉｓｋ）等により構成される。また、装置本体に予め組み込まれた状態でユーザに提供される記録媒体は、例えば、プログラムが記録されている図２のＲＯＭ１２、図３のＲＯＭ２２、及び図４のＲＯＭ３２、又は図２の記憶部１５、図３の記憶部２５、図４の記憶部３５に含まれるハードディスク等で構成される。

なお、本明細書において、記録媒体に記録されるプログラムを記述するステップは、その順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。
また、本明細書において、システムの用語は、複数の装置及び複数の手段等より構成される全体的な装置を意味するものとする。

以上、本発明のいくつかの実施形態について説明したが、これらの実施形態は、例示に過ぎず、本発明の技術的範囲を限定するものではない。本発明はその他の様々な実施形態を取ることが可能であり、さらに、本発明の要旨を逸脱しない範囲で、省略及び置換等種々の変更を行うことができる。これら実施形態及びその変形は、本明細書等に記載された発明の範囲及び要旨に含まれると共に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
例えば、本発明の実施形態を以下の変形例のように変形してもよい。

＜第１変形例＞
上述の実施形態では、推計対象とされた物品の数量及び種類に対応する物品を実際に梱包するために用いられる梱包資材の数量及び種類を推計していた。これに限らず、他の推計を行うようにしてもよい。例えば、推計対象とされた物品の数量及び種類に対応する物品を配送するための運賃について推計を行うようにしてもよい。

そのためには、配送における特性（例えば、発地、着地、荷物の種類、及び配送に必要な車種等）の組合せを上述の実施形態における「商品」として取り扱い、輸送手段や運賃を「梱包資材」と取り扱う。このようにすれば、ある荷物集合の輸送依頼に対する車両の種類と台数や、運賃の推定することができる。

本変形例における運賃の推計について図１２を参照してより詳細に説明をする。なお、図１２に図示する具体例は、あくまで説明の為の一例であり、各データのデータ構造は、図１２に図示する具体例には、限定されない。
本変形例では、教師データの入力として、上述した発注データＤ１１に代えて、配送における特性と荷量とを紐付けた配送データＤ３１を用いる。そして、これら配送における特性の組合せを１つの「商品」と考える。また、個々の特性は１つの「商品グループ」と考える。更に、荷量を「商品個数」と考える。
また、教師データの出力として、出荷データＤ１２に代えて、配送において生じた費用である運賃を示す運賃データＤ３２を用いる。そして、この運賃を「梱包資材」と考える。

このように考えることにより、学習部２１３は、上述の実施形態と同様にして、配送データＤ３１を入力とし、運賃データＤ３２を出力とした場合の、この配送データＤ３１と運賃データＤ３２との関係性を学習することができる。

なお、これら、配送データＤ３１及び運賃データＤ３２は、それぞれ実際に行われた配送における実績データであり、発注データＤ１１や出荷データＤ１２と同様に、ユーザの入力等に基づいて実績データ取得部２１２により取得される。

また、推計部２１４は、未知データ（まだ出力が確定していないデータ）に含まれる配送データＤ４１を入力とした場合の、運賃データＤ４２を、学習した配送データＤ３１と運賃データＤ３２との関係性に基づいて推計する。そして、推計部２１４は、推計した運賃データＤ４２を、推計結果として出力する。
以上説明した本変形例によれば、推計対象とされた物品の数量及び種類に対応する物品を配送するための運賃について推計を行うことが可能となる。

また、本変形例を更に変形して、運賃以外の他の情報についての推計を行うようにしてもよい。例えば、１つの車両を、車両を一つの大きな梱包資材（すなわち、１つの大きな容器）と考えることにより、配送に必要な車両の種類と台数を推計するようにしてもよい。

＜第２変形例＞
推計対象とする発注データＤ２１に、未知の商品（例えば、新製品）が含まれる場合に、商品グループを利用して推計を行うようにしてもよい。この場合、例えば、学習部２１３は、発注データＤ１１に含まれる商品ではなく、発注データＤ１１に含まれる商品グループと、出荷データＤ１２との関係性を学習するようにする。

そして、推計部２１４は、推計対象とする発注データＤ２１に、未知の商品が含まれる場合には、この未知の商品の商品グループに基づいて、推計を行う。
このようにすれば、発注データＤ２１に、推計対象とする発注データＤ２１に、未知の商品が含まれる場合であっても、より精度高く推計を行うことができる。

＜第３変形例＞
上述した実施形態では、学習処理において、第２事業者装置２０が、取得した実績データに基づいた機械学習を行うことにより、梱包資材に関する推計を行うための学習モデルを構築していた。
また、推計処理において、第２事業者装置２０が、構築した学習モデルに基づいて、推計対象とされた物品の数量及び種類に対応する物品を実際に梱包するために用いられる梱包資材の数量及び種類を推計していた。そして、第２事業者がこの推計結果を利用していた。

これに限らず、学習処理や推計処理を行う機能を、第１事業者装置１０（又は第３事業者装置３０）により実現するようにしてもよい。そして、第１事業者（又は第３事業者）が、これらの装置により推計を行い、推計結果を、第２事業者に対して通知するようにしてもよい。
このような構成とした場合であっても、第２事業者は、他の事業者（第１事業者）が、発注データに対応する商品を、どのように梱包してくるのかを知ることができる。つまり、本変形例によっても、上述の実施形態と同様の効果を奏することができる。

＜第４変形例＞
上述した実施形態では、図６に示す発注データＤ１１及び出荷データＤ１２を用いた学習を行うこと、並びに、図７に示す発注データＤ２１及び出荷データＤ２２を用いた推計を行うことを、具体例として説明をした。
しかしながら、これに限らず、例えば、或る１日において複数の店舗にて発注された発注データや、この或る１日において複数の店舗に出荷された出荷データを用いて学習するようにしてもよい。また、これら複数の店舗以外の或る店舗において或る日において発注された発注データを用いて推計をするようにしてもよい。この場合に、学習に用いるデータの一例を、図１３に発注データＤ５１及び出荷データＤ５２として示す。また、この場合に、推計に用いるデータの一例を、図１４に発注データＤ６１及び出荷データＤ６２として示す。

図１３に示すように、発注データＤ５１は、或る１日（ここでは、一例として３月５日）において複数の店舗（ここでは、一例として店舗Ａ～店舗Ｅ）にて発注された発注データである。また、図１３に示すように、出荷データＤ５２は、或る１日（ここでは、一例として３月５日）において複数の店舗（ここでは、一例として店舗Ａ～店舗Ｅ）に出荷された出荷データある。
本変形例では、学習部２１３は、機械学習によって、各店舗における、発注データＤ５１と出荷データＤ５２の関係性を学習する。

一方で、図１４に示すように、発注データＤ６１は、推計対象とする日（図中では、一例として「３月６日」）の、推計対象とする店舗（図中では、一例として店舗Ｘ）商品の数量及び種類を含んだデータである。
また、発注データＤ６２は、推計部２１４が推計結果として出力したデータであって、出荷データＤ６１により推計対象とされた商品の数量及び種類に対応する商品を実際に梱包するために用いられる梱包資材の数量及び種類を含んだデータである。

このようにして、推計部２１４は、学習部２１３が学習した発注データＤ５１と出荷データＤ５２との関係性に基づいて、発注データＤ６１を入力とした場合の、出荷データＤ６２を推計する。
以上説明したように、本変形例のように、或る１日において複数の店舗それぞれにて発注された発注データや、この或る１日において複数の店舗それぞれに出荷された出荷データを用いて学習をするようにしても、上述の実施形態と同様の効果を奏することができる。

なお、本変形例を更に変形し、例えば、複数の日それぞれおいて複数の店舗それぞれにて発注された発注データや、この複数の日それぞれにおいて複数の店舗それぞれに出荷された出荷データを用いて学習をするようにしても、上述の実施形態と同様の効果を奏することができる。

１０ 第１事業者装置
２０ 第２事業者装置
３０ 第３事業者装置
１１、２１、３１ ＣＰＵ
１２、２２、３２ ＲＯＭ
１３、２３、３３ ＲＡＭ
１４、２４、３４ 通信部
１５、２５、３５ 記憶部
１６、２６、３６ 入力部
１７、２７、３７ 表示部
４０ ネットワーク
１１１ 在庫データ管理部
１１２ 発注データ受信部
１１３ 出荷指示部
１５１ 在庫データ記憶部
２１１ 発注データ受信部
２１２ 実績データ取得部
２１３ 学習部
２１４ 推計部
２５１ 実績データ記憶部
２５２ 学習モデル記憶部
３１１ 発注データ生成部
３１２ 発注データ送信部
３５１ 発注データ記憶部
Ｓ 情報処理システム

Claims (6)

1. 複数種類の物品の数量及び種類と、該複数種類の物品の数量及び種類に対応する物品を実際に梱包するために用いられた梱包資材の数量及び種類とを紐付けた実績データを取得する実績データ取得手段と、
   前記実績データに基づいた機械学習を行うことにより、梱包資材に関する推計を行うための学習モデルを構築する学習手段と、
   前記学習手段が構築した前記学習モデルに基づいて、推計対象とされた複数種類の物品の数量及び種類に対応する物品を実際に梱包するために用いられる梱包資材の種類ごとの数量を推計する推計手段と、
   を備える情報処理装置。
2. 前記実績データ取得手段は、物品を出荷する第１事業者が物品の梱包を行った場合の前記実績データを取得し、
   前記学習手段は、前記第１事業者が物品の梱包を行った場合の前記実績データに基づいた機械学習を行うことにより、前記学習モデルを構築し、
   前記推計手段は、梱包された物品を配送する第２事業者が利用する装置に対して前記推計の結果を出力する、
   請求項１に記載の情報処理装置。
3. 前記学習手段は、前記実績データに基づいた機械学習を行うことにより、前記推計対象とされた物品の数量及び種類に対応する物品を実際に梱包するために必要となる梱包資材の数量を判断するための学習モデルを、各種類の梱包資材それぞれについて構築する、
   請求項１又は２に記載の情報処理装置。
4. 前記学習手段は、各種類の物品を所定の区分に基づいて分類し、該分類後の前記実績データに基づいた機械学習を行うことにより、梱包資材に関する推計を行うための学習モデルを構築し、
   前記推計手段は、推計対象とされた物品が前記実績データに存在しない場合に、該物品に対応する上記分類に基づいて、前記推計をする、
   請求項１から３までの何れか１項に記載の情報処理装置。
5. 前記実績データ取得手段は、物品の配送における特性を示す情報と、該特性を示す情報に対応する配送を実際に行うために生じた運賃とを紐付けた実績データを運賃推計用の実績データとして取得し、
   前記学習手段は、前記運賃推計用の実績データに基づいた機械学習を行うことにより、配送により生じる運賃に関する推計を行うための学習モデルを構築し、
   前記推計手段は、前記学習手段が構築した前記運賃に関する推計を行うための学習モデルに基づいて、推計対象とされた物品の配送を実際に行うために生じる運賃を推計する、
   請求項１から４までの何れか１項に記載の情報処理装置。
6. 情報処理装置としてコンピュータを機能させるための情報処理プログラムであって、
   複数種類の物品の数量及び種類と、該複数種類の物品の数量及び種類に対応する物品を実際に梱包するために用いられた梱包資材の数量及び種類とを紐付けた実績データを取得する実績データ取得手段と、
   前記実績データに基づいた機械学習を行うことにより、梱包資材に関する推計を行うための学習モデルを構築する学習手段と、
   前記学習手段が構築した前記学習モデルに基づいて、推計対象とされた複数種類の物品の数量及び種類に対応する物品を実際に梱包するために用いられる梱包資材の種類ごとの数量を推計する推計手段と、
   を備える情報処理装置として前記コンピュータを機能させる情報処理プログラム。

Images