JP7406447B2 - Computer system and item demand forecasting method - Google Patents
Computer system and item demand forecasting method Download PDFInfo
- Publication number
- JP7406447B2 JP7406447B2 JP2020080764A JP2020080764A JP7406447B2 JP 7406447 B2 JP7406447 B2 JP 7406447B2 JP 2020080764 A JP2020080764 A JP 2020080764A JP 2020080764 A JP2020080764 A JP 2020080764A JP 7406447 B2 JP7406447 B2 JP 7406447B2
- Authority
- JP
- Japan
- Prior art keywords
- item
- demand
- information
- busy season
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013277 forecasting method Methods 0.000 title claims description 3
- 238000009826 distribution Methods 0.000 claims description 137
- 238000004364 calculation method Methods 0.000 claims description 74
- 238000000034 method Methods 0.000 claims description 67
- 238000012937 correction Methods 0.000 claims description 47
- 238000012545 processing Methods 0.000 description 61
- 238000007726 management method Methods 0.000 description 31
- 238000010586 diagram Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 10
- 238000005259 measurement Methods 0.000 description 5
- 230000003442 weekly effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、アイテムの需要を予測するシステム及び方法に関する。 The present invention relates to systems and methods for predicting demand for items.
取引対象のオブジェクトの需要を予測する方法としては、取引に関する履歴等の入力データを、線形回帰及びニューラルネットワーク等の数学的モデル(予測モデル)に入力して、将来のオブジェクトの需要を予測する方法が知られている(例えば、特許文献1を参照)。 A method of predicting the demand for objects to be traded is to input input data such as transaction history into a mathematical model (prediction model) such as linear regression or neural network to predict future demand for the object. is known (for example, see Patent Document 1).
特許文献1には、「将来の需要量を予測する需要予測方法は、需要量の実測値と需要量の増減に影響を及ぼす外部要因である説明変数とに基づいて構築された予測モデルに過去の説明変数の実測値を入力することにより算出された過去の需要量の予測値と、過去の需要量の実測値との誤差を算出するステップと、算出された誤差が異常値に該当するか否かを判断するステップと、誤差が異常値に該当すると判断された場合、新たな説明変数を取得するステップと、取得された新たな説明変数に基づいて予測モデルを更新するステップと、更新された予測モデルを用いて新たに将来の需要量を予測するステップとを含む。」ことが記載されている。
一般的に、予測モデルは、学習データを用いた機械学習によって生成される。ある特徴を示す学習データの量が少ない場合、当該特徴は予測モデルでは無視される。すなわち、当該特徴は予測モデルに反映されない。したがって、予測モデルは、繁忙期におけるオブジェクトの需要を正確に予測することが難しい。なぜならば、急激なオブジェクトの需要の変化はあまり発生せず、繁忙期のオブジェクトの需要に関する学習データの量は、通常期のオブジェクトの需要に関する学習データの量より十分少ないためである。これに対して、繁忙期の需要を予測する手法として、特許文献2に記載の技術が知られている。
Generally, predictive models are generated by machine learning using learning data. When the amount of training data showing a certain feature is small, the feature is ignored in the prediction model. That is, the feature is not reflected in the prediction model. Therefore, predictive models have difficulty accurately predicting demand for objects during busy periods. This is because sudden changes in object demand do not occur often, and the amount of learning data regarding object demand during busy periods is sufficiently smaller than the amount of learning data regarding object demand during normal periods. On the other hand, a technique described in
特許文献2には、「電力需要ピーク予測装置1は、過去日における時刻毎の電気使用量と過去日の特徴情報とが対応付けられた過去データを記憶する過去データ記憶部12と、予測対象日の特徴情報を取得する特徴情報取得部11と、予測対象日の特徴情報と同一又は類似する特徴情報を含む一以上の過去データを過去データ記憶部12から抽出する過去データ抽出部13と、過去データ抽出部13によって抽出された各過去データについて、電力需要ピーク値又は電力需要ピーク時間帯を特定するピーク特定部14と、各過去データの電力需要ピーク値又は電力需要ピーク時間帯に基づいて、予測対象日の電力需要ピーク値又は電力需要ピーク時間帯の予測値を算出する予測部15と、予測部15により算出された予測値を出力する出力部16と、を備える。」ことが記載されている。
特許文献2に記載されているように、過去のデータを学習データとして用いた機械学習により生成された予測モデルは学習データに強く依存する。一方、物流等の多くのフィールドでは、需要のピークは周期的に発生するが、異なる時期にずれることがしばしばある。
As described in
そのため、従来の予測モデルでは、学習データには表れない繁忙期のズレを考慮したアイテムの需要を予測することは難しい。なぜならば、従来の予測モデルでは繁忙期の発生時期は固定的に扱われているためである。 Therefore, with conventional prediction models, it is difficult to predict demand for items that takes into account deviations in busy seasons that do not appear in training data. This is because conventional prediction models treat the timing of the peak season as fixed.
本発明は、入力データから繁忙期を特定し、繁忙期及びその他の期間におけるアイテムの需要を高い精度で予測可能なシステム及び方法を実現することを目的とする。 An object of the present invention is to realize a system and method that can specify a busy season from input data and predict demand for items during the busy season and other periods with high accuracy.
本願において開示される発明の代表的な一例を示せば以下の通りである。すなわち、少なくとも一つの計算機を備え、予測期間におけるアイテムの需要を予測する計算機システムであって、複数のアイテムの各々の第1単位期間あたりの出荷に関する履歴を格納する履歴情報と、前記アイテムの需要を予測するための予測モデルの定義情報と、を格納する記憶部と、第1アイテムの前記履歴及び前記第1アイテムと関連性を有する第2アイテムの前記履歴を用いて、前記予測期間の一部であって、前記第1アイテムの出荷量が閾値より大きくなる期間である繁忙期を算出する繁忙期算出部と、前記予測モデルの定義情報、前記第1アイテムの前記履歴、及び前記繁忙期に基づいて、前記予測期間の第2単位期間あたりの前記第1アイテムの予測出荷量を示す時系列データを需要予測情報として生成する予測部と、前記予測期間における、第3単位期間あたりのアイテムの出荷量が閾値より大きくなるピークの発生回数の分布であるピーク分布を算出するピーク分布算出部と、を備え、前記ピーク分布算出部は、前記第1アイテムの前記履歴を用いて、第1ピーク分布を算出し、前記第2アイテムの前記履歴を用いて、第2ピーク分布を算出し、前記繁忙期算出部は、前記第1ピーク分布及び前記第2ピーク分布に基づいて、混合ピーク分布を算出し、前記混合ピーク分布に基づいて、前記繁忙期を算出し、前記予測部は、前記予測モデルの定義情報及び前記第1アイテムの前記履歴を用いて、前記需要予測情報を生成し、前記第2ピーク分布を用いて、前記繁忙期に含まれる前記時系列データを補正することによって前記需要予測情報を更新し、前記更新された需要予測情報を出力する。 A typical example of the invention disclosed in this application is as follows. That is, the computer system includes at least one computer and predicts the demand for an item in a prediction period, the computer system includes history information that stores history regarding shipments of each of a plurality of items per first unit period, and demand for the item. definition information of a prediction model for predicting the prediction period, a busy season calculation unit that calculates a busy season that is a period during which the shipment amount of the first item is greater than a threshold; definition information of the prediction model, the history of the first item, and the busy season. a forecasting unit that generates , as demand forecast information, time-series data indicating the predicted shipment amount of the first item per second unit period of the forecast period , based on the forecast period; and an item per third unit period of the forecast period. a peak distribution calculation unit that calculates a peak distribution that is a distribution of the number of times a peak in which a shipment amount of A peak distribution is calculated, and a second peak distribution is calculated using the history of the second item, and the busy season calculation unit calculates a mixed peak distribution based on the first peak distribution and the second peak distribution. and calculate the busy season based on the mixed peak distribution, and the prediction unit generates the demand forecast information using the definition information of the prediction model and the history of the first item, The demand forecast information is updated by correcting the time series data included in the busy season using the second peak distribution, and the updated demand forecast information is output .
本発明によれば、アイテムの繁忙期を特定し、繁忙期を含む予測期間におけるアイテムの需要を高い精度で予測できる。上記した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。 According to the present invention, it is possible to identify the busy season for an item and predict the demand for the item in a prediction period including the busy season with high accuracy. Problems, configurations, and effects other than those described above will be made clear by the description of the following examples.
以下、本発明の実施例を、図面を用いて説明する。ただし、本発明は以下に示す実施例の記載内容に限定して解釈されるものではない。本発明の思想ないし趣旨から逸脱しない範囲で、その具体的構成を変更し得ることは当業者であれば容易に理解される。以下に説明する発明の構成において、同一又は類似する構成又は機能には同一の符号を付し、重複する説明は省略する。本明細書等における「第1」、「第2」、「第3」等の表記は、構成要素を識別するために付するものであり、必ずしも、数又は順序を限定するものではない。図面等において示す各構成の位置、大きさ、形状、及び範囲等は、発明の理解を容易にするため、実際の位置、大きさ、形状、及び範囲等を表していない場合がある。したがって、本発明では、図面等に開示された位置、大きさ、形状、及び範囲等に限定されない。 Embodiments of the present invention will be described below with reference to the drawings. However, the present invention should not be construed as being limited to the contents described in the Examples shown below. Those skilled in the art will readily understand that the specific configuration can be changed without departing from the spirit or spirit of the present invention. In the configuration of the invention described below, the same or similar configurations or functions are denoted by the same reference numerals, and redundant explanations will be omitted. In this specification, etc., expressions such as "first," "second," and "third" are used to identify constituent elements, and do not necessarily limit the number or order. The position, size, shape, range, etc. of each component shown in the drawings etc. may not represent the actual position, size, shape, range, etc. in order to facilitate understanding of the invention. Therefore, the present invention is not limited to the position, size, shape, range, etc. disclosed in the drawings and the like.
図1は、実施例1の需要予測システムの構成の一例を示す図である。 FIG. 1 is a diagram illustrating an example of the configuration of a demand forecasting system according to a first embodiment.
需要予測システムは、少なくとも一つの計算機100から構成される計算機システムである。計算機100は、CPU110、IOインタフェース111、ネットワークインタフェース112、主記憶装置113、及び副記憶装置114を有する。各ハードウェアはバスを介して互いに接続される。
The demand forecasting system is a computer system composed of at least one
CPU110は、主記憶装置113に格納されるプログラムを実行する。CPUがプログラムにしたがって処理を実行することによって、特定の機能を実現する機能部(モジュール)として動作する。以下の説明では、機能部を主語に処理を説明する場合、CPUが当該機能部を実現するプログラムを実行していることを示す。
IOインタフェース111は外部装置と接続するためのインタフェースである。計算機100は、IOインタフェース111を介して入力装置101及び出力装置102と接続する。入力装置101は、キーボード、マウス、及びタッチパネル等である。出力装置102は、ディスプレイ及びプリンタ等である。
The
ネットワークインタフェース112は、ネットワーク103を介して外部装置と接続するためのインタフェースである。ネットワーク103は、WAN(Wide Area Network)及びLAN(Local Area Network)等である。ネットワーク103の接続形式は有線及び無線のいずれでもよい。
主記憶装置113は、CPU110が実行するプログラム及びプログラムが使用するデータを格納する。また、主記憶装置113は、プログラムが一時的に使用するワークエリアを含む。主記憶装置113は、例えば、DRAM(Dynamic Random Access Memory)等である。
The
主記憶装置113は、入力部120、予測部121、及び表示部122を実現するプログラムを格納する。なお、主記憶装置113は、OS(Operating System)等、図示しないプログラムを格納しているが、本実施例では省略している。
The
入力部120は、入力装置101又はネットワーク103を介して、ユーザからの各種入力を受け付ける。予測部121は、予測期間におけるアイテムの需要を予測し、予測の結果を出力する。予測期間は、アイテムの需要を予測する時間範囲であり、例えば、年、月、及び週である。なお、予測期間はこれらに限定されない。予測期間は予め設定されているものとする。表示部122は、出力装置102を介して、ユーザに対して予測の結果等を提示する。なお、計算機100は、ネットワーク103を介して通信可能に接続されたユーザ端末からデータを受信することで、ユーザからの入力を受付け、かつ、出力装置102で出力すべき出力をユーザ端末に送信することで、ユーザ端末にデータを出力してもよい。
The
副記憶装置114は、データを永続的に格納する。副記憶装置114は、例えば、HDD(Hard Disk Drive)及びSSD(Solid State Drive)等である。
The
副記憶装置114は、出荷履歴管理情報130及び予測モデル管理情報131を格納する。なお、副記憶装置114には、アイテムの特性を管理する情報等、図示しない情報を格納しているが、本実施例では省略している。
The
出荷履歴管理情報130は、過去のアイテムの出荷に関するデータ(出荷履歴)を格納する。出荷履歴には計測期間におけるアイテムの出荷量等が含まれる。計測期間は、例えば、日、週、及び月等である。なお、計測期間はこれらに限定されない。出荷履歴管理情報130のデータ構造については図2を用いて説明する。予測モデル管理情報131は、出荷履歴からアイテムの需要を予測する数学的モデル(予測モデル)の定義情報を格納する。予測モデルは、例えば、決定木及びニューラルネットワーク等である。なお、予測モデル管理情報131には、アイテムの種別及びアイテムのカテゴリ等、アイテムの特性毎に異なるモデルの定義情報が格納されてもよい。なお、本発明は、予測モデルの種別及び構造に限定されない。
The shipping
なお、需要予測システムは、複数の計算機100から構成されてもよい。この場合、複数の計算機100に機能部が分散して配置される。例えば、一つの計算機100に入力部120が配置され、一つの計算機100に予測部121が配置され、一つの計算機100に表示部122が配置される。
Note that the demand forecasting system may be composed of a plurality of
なお、主記憶装置113に格納されるプログラム及びデータは副記憶装置114に格納されてもよい。この場合、CPU110は、副記憶装置114からプログラム及びデータを読み出し、主記憶装置113に格納する。
Note that the programs and data stored in the
図2は、実施例1の出荷履歴管理情報130のデータ構造の一例を示す図である。
FIG. 2 is a diagram showing an example of the data structure of the shipping
出荷履歴管理情報130は、複数のアイテムの出荷履歴を格納する。具体的には、出荷履歴管理情報130は、アイテムID201、出荷日202、及び出荷量203から構成されるエントリを格納する。一つのエントリが一つの出荷履歴に対応する。図2に示す出荷履歴管理情報130には、計測期間が一日(第1単位期間)である出荷履歴が格納される。
The shipping
アイテムID201は、アイテムの識別情報を格納するフィールドである。出荷日202は、アイテムの出荷日を格納するフィールドである。出荷量203は、アイテムの出荷量を格納するフィールドである。
図3は、実施例1の計算機100の機能部の詳細を説明する図である。
FIG. 3 is a diagram illustrating details of the functional units of the
入力部120は、対象アイテムの需要予測の出力要求を受け付ける。出力要求には、対象アイテムの識別情報が含まれる。
The
入力部120は、対象アイテムの特性に基づいて、対象アイテムと関連性を有する関連アイテムを特定する。例えば、カテゴリ、保管場所(倉庫)、製造メーカ、及び出荷先の少なくともいずれかが対象アイテムと類似又は同一のアイテムが関連アイテムとして特定される。なお、アイテムの関連性の観点はこれらに限定されない。なお、特定される関連アイテムの数は一つでもよいし、二つ以上でもよい。
The
入力部120は、出荷履歴管理情報130から、任意の処理期間の対象アイテムの出荷履歴群から構成されるデータセットと、任意の処理期間の関連アイテムの出荷履歴群から構成されるデータセットとを読み出す。入力部120は、読み出したデータセットを格納する出荷履歴情報310、311を予測部121に入力する。出荷履歴情報310には、複数のデータセット(例えば、三年分の対象アイテムの出荷履歴群)が格納され、出荷履歴情報311には、複数のデータセット(例えば、三年分の関連アイテムの出荷履歴群)が格納される。処理期間は、予測部121が使用する出荷履歴の時間範囲であり、例えば、年、月、及び週である。なお、本発明は処理期間に限定されない。処理期間は予め設定されているものとする。本実施例では、処理期間及び予測期間は同一であるものとする。
The
予測部121は、対象アイテムの出荷履歴情報310及び関連アイテムの出荷履歴情報311を用いて、予測期間における対象アイテムの需要(出荷量)を予測し、予測結果を表示部122に出力する。
The
ここで、予測部121の詳細について説明する。予測部121は、ピーク分布算出部300、繁忙期算出部301、需要予測部302、及び補正部303を含む。
Here, details of the
ピーク分布算出部300は、対象アイテムの出荷履歴情報310を用いて、対象アイテムのピーク分布を算出し、算出結果をピーク分布情報320として出力する。また、ピーク分布算出部300は、関連アイテムの出荷履歴情報311を用いて、関連アイテムのピーク分布を算出し、算出結果をピーク分布情報321として出力する。
The peak
ここで、ピーク分布は、処理期間におけるピークの発生回数の分布である。ピーク分布はアイテムの需要の傾向を示す情報として用いることができる。ピークは、単位期間あたりのアイテムの出荷量が需要閾値より大きい状態を表す。単位期間は、処理期間より小さく、かつ、計測期間より大きい期間であって、例えば、月及び週である。なお、単位期間はこれらに限定されない。単位期間は予め設定されているものとする。 Here, the peak distribution is a distribution of the number of times a peak occurs during the processing period. The peak distribution can be used as information indicating the trend of demand for an item. A peak represents a state in which the amount of items shipped per unit period is greater than the demand threshold. The unit period is a period that is smaller than the processing period and larger than the measurement period, and is, for example, a month or a week. Note that the unit period is not limited to these. It is assumed that the unit period is set in advance.
繁忙期算出部301は、ピーク分布情報320、321を用いて繁忙期を算出し、算出結果を繁忙期情報330として出力する。
The busy
需要予測部302は、予測モデル管理情報131及び対象アイテムの出荷履歴情報310に基づいて、予測期間における対象アイテムの需要(予測出荷量)を予測し、予測結果を需要予測情報340として出力する。
The
補正部303は、ピーク分布情報321及び繁忙期情報330を用いて、需要予測情報340に格納される対象アイテムの予測出荷量を修正し、修正結果を需要予測情報350として出力する。
The
表示部122は、予測部121から出力された需要予測情報350に基づいて、対象アイテムの需要予測に関する情報を提示する。
The
なお、計算機100が有する各機能部については、複数の機能部を一つの機能部にまとめてもよいし、一つの機能部を機能毎に複数の機能部に分けてもよい。例えば、需要予測部302が補正部303の機能を有してもよい。
Regarding each functional unit that the
まず、図4から図12を用いて予測部121が実行する処理について説明する。
First, the processing executed by the
図4は、実施例1の予測部121が実行する処理の概要を説明するフローチャートである。
FIG. 4 is a flowchart outlining the processing executed by the
予測部121は、入力部120から出荷履歴情報310、311が入力された場合、処理を開始する。なお、予測部121は、入力された出荷履歴情報310、311をワークエリアに格納する。まず、予測部121は、ピーク分布算出処理を実行する(ステップS101)。当該処理によって、ピーク分布情報320、321が生成される。ピーク分布算出処理の詳細は図5を用いて説明する。
The
次に、予測部121は、繁忙期算出処理を実行する(ステップS102)。当該処理によって、繁忙期情報330が生成される。繁忙期算出処理の詳細は図8を用いて説明する。
Next, the
次に、予測部121は、需要予測処理を実行する(ステップS103)。当該処理によって、需要予測情報340が生成される。需要予測処理の詳細は図10を用いて説明する。
Next, the
次に、予測部121は、予測補正処理を実行する(ステップS104)。当該処理によって、需要予測情報350が生成される。予測補正処理の詳細は図12を用いて説明する。
Next, the
次に、予測部121は、需要予測情報350を表示部122に出力し(ステップS105)、処理を終了する。
Next, the
図5は、実施例1の予測部121が実行するピーク分布算出処理の一例を説明するフローチャートである。図6A及び図6Bは、実施例1のピーク分布情報のデータ構造の一例を示す図である。図7A及び図7Bは、実施例1のピーク分布を視覚化したグラフの一例を示す図である。
FIG. 5 is a flowchart illustrating an example of the peak distribution calculation process executed by the
ピーク分布算出部300は、ワークエリアから対象アイテムの出荷履歴情報310を取得する(ステップS201)。
The peak
次に、ピーク分布算出部300は、出荷履歴情報310に含まれる各データセットの出荷履歴群を単位期間毎に集計することによって需要時系列データを生成する(ステップS202)。
Next, the peak
例えば、ピーク分布算出部300は、出荷日の時系列にしたがって、出荷履歴情報310に含まれる、日単位の出荷量を格納する出荷履歴を週単位に集計することによって需要時系列データを生成する。需要時系列データには処理期間における時系列の順番を示す識別情報が付与される。処理期間が一年である場合、需要時系列データには1から52までの番号が識別情報として付与される。データセット毎に需要時系列データが生成される。
For example, the peak
次に、ピーク分布算出部300は、複数のデータセットの中から一つのデータセットを選択する(ステップS203)。ここでは、時系列順にデータセットが選択されるものとする。
Next, the peak
次に、ピーク分布算出部300は、選択されたデータセットの需要時系列データに基づいて、処理期間におけるピークを特定する(ステップS204)。
Next, the peak
具体的には、ピーク分布算出部300は、需要時系列データに含まれる出荷履歴の出荷量の合計値(一週間のアイテムの出荷量)と需要閾値とを比較し、出荷量の合計値が需要閾値より大きい場合、ピークの発生と判定する。ピーク分布算出部300は、ピークとして特定された需要時系列データの識別情報から構成される集計データをワークエリアに格納する。
Specifically, the peak
需要閾値は、例えば、アイテムの平均出荷量及びアイテムの出荷量標準偏差の合計である。ただし、需要閾値は前述のものに限定されない。 The demand threshold is, for example, the sum of the average shipping amount of the item and the standard deviation of the shipping amount of the item. However, the demand threshold is not limited to the above.
次に、ピーク分布算出部300は、全てのデータセットの処理が完了したか否かを判定する(ステップS205)。
Next, the peak
全てのデータセットの処理が完了していない場合、ピーク分布算出部300は、ステップS203に戻り、同様の処理を実行する。
If the processing of all data sets has not been completed, the peak
全てのデータセットの処理が完了した場合、ピーク分布算出部300は、ワークエリアに格納される集計データに基づいて、処理期間におけるピークの発生回数の分布(ピーク分布)を算出し(ステップS206)、ピーク分布情報320として出力する。ピーク分布情報320はワークエリアに格納される。
When the processing of all datasets is completed, the peak
例えば、図6Aに示すようなピーク分布情報320が出力される。ピーク分布情報320は、時系列番号601及びピーク発生回数602から構成されるエントリを格納する。一つのエントリが、一つの単位期間のピークの発生回数の算出結果に対応する。時系列番号601は、需要時系列データの識別情報を格納するフィールドである。ピーク発生回数602は、ピークの発生回数を格納するフィールドである。
For example,
ピーク分布情報320は、図7Aに示すようなグラフとして表すことができる。図7Aの横軸は処理期間の時系列を表し、縦軸はピークの発生回数を表す。
The
次に、ピーク分布算出部300は、ワークエリアから関連アイテムの出荷履歴情報311を取得する(ステップS207)。
Next, the peak
次に、ピーク分布算出部300は、出荷履歴情報311に含まれる各データセットの出荷履歴群を単位期間毎に集計することによって需要時系列データを生成する(ステップS208)。ステップS208の処理はステップS202の処理と同一である。
Next, the peak
次に、ピーク分布算出部300は、複数のデータセットの中から一つのデータセットを選択する(ステップS209)。ここでは、時系列順にデータセットが選択されるものとする。
Next, the peak
次に、ピーク分布算出部300は、選択されたデータセットの需要時系列データに基づいて、処理期間におけるピークを特定する(ステップS210)。ステップS210の処理はステップS204の処理と同一である。
Next, the peak
次に、ピーク分布算出部300は、全てのデータセットの処理が完了したか否かを判定する(ステップS211)。
Next, the peak
全てのデータセットの処理が完了していない場合、ピーク分布算出部300は、ステップS209に戻り、同様の処理を実行する。
If the processing of all data sets has not been completed, the peak
全てのデータセットの処理が完了した場合、ピーク分布算出部300は、ワークエリアに格納される集計データに基づいて、処理期間におけるピークの発生回数の分布(ピーク分布)を算出し(ステップS212)、ピーク分布情報321として出力する。ピーク分布情報321はワークエリアに格納される。
When the processing of all data sets is completed, the peak
例えば、図6Bに示すようなピーク分布情報321が出力される。ピーク分布情報321はピーク分布情報320と同一のデータ構造である。
For example,
ピーク分布情報321は、図7Bに示すようなグラフとして表すことができる。図7Bの横軸は処理期間の時系列を表し、縦軸はピークの発生回数を表す。
The
なお、関連アイテムが複数存在する場合、ピーク分布算出部300は、各関連アイテムについてステップS207からステップS211までの処理を実行し、各関連アイテムのピーク分布を算出する。また、ピーク分布算出部300は、各関連アイテムのピーク分布を重ね合わせた分布を、ピーク分布情報321として出力する。
Note that when there are multiple related items, the peak
図8は、実施例1の予測部121が実行する繁忙期算出処理の一例を説明するフローチャートである。図9は、実施例1の繁忙期情報330のデータ構造の一例を示す図である。
FIG. 8 is a flowchart illustrating an example of the busy season calculation process executed by the
繁忙期算出部301は、ワークエリアから、対象アイテムのピーク分布情報320及び関連アイテムのピーク分布情報321を取得する(ステップS301)。
The busy
次に、繁忙期算出部301は、ピーク分布情報320、321を用いて、混合ピーク分布を算出する(ステップS302)。
Next, the busy
例えば、繁忙期算出部301は、各ピーク分布を用いて、各単位期間のピークの発生回数の平均値を算出することによって、混合ピーク分布を算出する。なお、混合ピーク分布の算出方法は前述の方法に限定されない。
For example, the busy
次に、繁忙期算出部301は、混合ピーク分布に基づいて繁忙期閾値を算出する(ステップS303)。
Next, the busy
例えば、繁忙期算出部301は、混合ピーク分布におけるピークの発生回数の平均値を繁忙期閾値として算出する。なお、繁忙期閾値の算出方法は前述の方法に限定されない。
For example, the busy
次に、繁忙期算出部301は、混合ピーク分布及び繁忙期閾値に基づいて、処理期間における繁忙期を検索する(ステップS304)。
Next, the busy
具体的には、繁忙期算出部301は、混合ピーク分布において、ピークの発生回数が繁忙期閾値より大きく、かつ、時系列が連続する区間(需要時系列データの集合)を検索する。当該区間が繁忙期となる。繁忙期算出部301は、検索された区間及び識別情報から構成される検索データをワークエリアに格納する。複数の区間が検索された場合、複数の検索データがワークエリアに格納される。
Specifically, the busy
次に、繁忙期算出部301は、少なくとも一つの繁忙期が存在するか否かを判定する(ステップS305)。
Next, the busy
繁忙期が存在しない場合、繁忙期算出部301は繁忙期算出処理を終了する。
If there is no busy season, the busy
少なくとも一つの繁忙期が存在する場合、繁忙期算出部301は、繁忙期情報330を生成する(ステップS306)。その後、繁忙期算出部301は繁忙期算出処理を終了する。
If at least one busy season exists, the busy
例えば、図9に示すような繁忙期情報330が出力される。繁忙期情報330は、アイテムID901、繁忙期ID902、及び区間903から構成されるエントリを格納する。一つのエントリが、一つの繁忙期に対応する。アイテムID901は、対象アイテムの識別情報を格納するフィールドである。繁忙期ID902は、繁忙期の識別情報を格納するフィールドである。区間903は、繁忙期に対応する区間の情報を格納するフィールドである。区間903には、時系列の識別番号を用いて指定される区間の情報が格納される。
For example,
対象アイテムと関連アイテムのピーク分布を用いることによって、関連アイテムの需要を考慮した対象アイテムの繁忙期を求めることができる。これによって、繁忙期の流動性を実現できる。 By using the peak distribution of the target item and related items, it is possible to determine the busy season of the target item, taking into account the demand for the related item. This allows for liquidity during busy periods.
図10は、実施例1の予測部121が実行する需要予測処理の一例を説明するフローチャートである。図11は、実施例1の需要予測情報340のデータ構造の一例を示す図である。
FIG. 10 is a flowchart illustrating an example of the demand prediction process executed by the
需要予測部302は、ワークエリアから対象アイテムの出荷履歴情報310を取得する(ステップS401)。
The
次に、需要予測部302は、出荷履歴情報310に含まれる出荷履歴を単位期間毎に集計することによって需要時系列データを生成する(ステップS402)。ステップS402の処理はステップS202の処理と同一である。
Next, the
次に、需要予測部302は、需要時系列データを用いて、予測モデルに入力する特徴量を算出する(ステップS403)。
Next, the
例えば、需要予測部302は、出荷の年、シーズン、及び週等を特徴量として算出する。なお、算出する特徴量の種別及び特徴量の算出方法に限定されない。
For example, the
次に、需要予測部302は、予測モデル管理情報131を取得し(ステップS404)、予測モデル管理情報131及び特徴量を用いて予測期間における対象アイテムの需要を予測する(ステップS405)。
Next, the
具体的には、需要予測部302は、予測モデル管理情報131にて定義される予測モデルを構築し、当該予測モデルに特徴量を入力することによって、対象アイテムの需要の予測結果を出力する。例えば、一週(第2単位期間)あたりの対象アイテムの予測出荷量を示す予測データが、週間隔で52個だけ出力される。複数の予測データは時系列データとして出力される。
Specifically, the
次に、需要予測部302は、予測結果に基づいて、需要予測情報340を生成し(ステップS406)、ワークエリアに格納する。
Next, the
例えば、図11に示すような需要予測情報340が生成される。需要予測情報340は、アイテムID1101、日付1102、出荷量1103から構成されるエントリを格納する。一つのエントリが、処理期間のある週の対象アイテムの予測出荷量を示す予測データに対応する。アイテムID1101は、対象アイテムの識別情報を格納するフィールドである。日付1102は、予測された週を特定する日時を格納するフィールドである。本実施例では週単位の予測出荷量が算出される。したがって、一週間のうちの特定の曜日の日付が日付1102に設定される。出荷量1103は、対象アイテムの予測出荷量を格納するフィールドである。
For example,
図12は、実施例1の予測部121が実行する予測補正処理の一例を説明するフローチャートである。
FIG. 12 is a flowchart illustrating an example of the prediction correction process executed by the
補正部303は、繁忙期が存在するか否かを判定する(ステップS501)。
The
具体的には、補正部303は、ワークエリアに繁忙期情報330が格納されているか否かを判定する。ワークエリアに繁忙期情報330が格納されている場合、補正部303は繁忙期が存在すると判定する。
Specifically, the
繁忙期が存在しない場合、補正部303は予測補正処理を終了する。この場合、補正されていない需要予測情報340が表示部122に出力される。
If there is no busy season, the
繁忙期が存在する場合、補正部303は、ワークエリアから需要予測情報340を取得する(ステップS502)。
If a busy season exists, the
次に、補正部303は、ワークエリアから関連アイテムのピーク分布情報321を取得する(ステップS503)。
Next, the
次に、補正部303は、繁忙期及びピーク分布情報321に基づいて、需要予測情報340を更新する(ステップS504)。その後、補正部303は予測補正処理を終了する。具体的には、以下のような処理が実行される。
Next, the
(処理A1)補正部303は、繁忙期情報330にて管理される繁忙期の中から、対象の繁忙期を選択する。
(Process A1) The
(処理A2)補正部303は、需要予測情報350から、日付1102が対象の繁忙期に含まれる予測データを特定する。
(Process A2) The
(処理A3)補正部303は、ピーク分布情報321にて管理される関連アイテムのピーク分布における繁忙期のピークの発生回数に基づいて、特定された予測データの出荷量1103を補正する。例えば、補正部303は、繁忙期のピークの発生回数に応じて、出荷量1103の値を増加させる。増加量は任意に設定できる。なお、補正の方法はこれに限定されない。
(Process A3) The
(処理A4)補正部303は、全ての繁忙期について処理が完了したか否かを判定する。全ての繁忙期について処理が完了していない場合、補正部303は、処理A1に戻り、同様の処理を実行する。全ての繁忙期について処理が完了した場合、補正部303は、繁忙期の予測データが補正された需要予測情報350をワークエリアに格納する。
(Processing A4) The
次に、図13及び図14を用いて、表示部122が実行する処理について説明する。
Next, the process executed by the
図13は、実施例1の表示部122によって表示される需要予測画面1300の一例を示す図である。図14は、実施例1の表示部122によって表示される補正根拠画面1400の一例を示す図である。
FIG. 13 is a diagram illustrating an example of a
表示部122は、予測部121から、需要予測情報350とともに、需要予測情報340、繁忙期情報330、ピーク分布情報320、及び出荷履歴情報310を取得する。
The
表示部122は、需要予測情報350、需要予測情報340、繁忙期情報330、ピーク分布情報321、及び出荷履歴情報310に基づいて、需要予測画面1300を表示するための表示情報を生成する。
需要予測画面1300は、需要予測を提示するための画面であり、需要予測表示欄1310及び予測根拠表示ボタン1320を含む。
The
需要予測表示欄1310は、対象アイテムの需要予測を示すグラフを表示する欄である。グラフの横軸は処理期間における予測データの時系列の識別情報を表し、縦軸は出荷量を表す。 The demand forecast display column 1310 is a column that displays a graph showing the demand forecast for the target item. The horizontal axis of the graph represents time-series identification information of prediction data during the processing period, and the vertical axis represents shipping amount.
図13の需要予測表示欄1310には、複数の処理期間の需要予測を連結したグラフが表示されている。処理期間は一年であり、単位期間は一週である。この場合、処理期間は52個の単位期間に分割され、各単位期間には1から52までの識別情報が付与される。 The demand forecast display column 1310 in FIG. 13 displays a graph that connects demand forecasts for a plurality of processing periods. The processing period is one year, and the unit period is one week. In this case, the processing period is divided into 52 unit periods, and each unit period is given identification information from 1 to 52.
また、需要予測表示欄1310には、補正前の需要予測のグラフ(一点鎖線のグラフ)、補正後の需要予測のグラフ(実線のグラフ)、及び実際の需要のグラフ(点線のグラフ)が表示される。また、需要予測表示欄1310には、繁忙期を示す枠1330が表示される。
In addition, the demand forecast display field 1310 displays a graph of the demand forecast before correction (dashed line graph), a graph of the demand forecast after correction (solid line graph), and an actual demand graph (dotted line graph). be done. Further, in the demand forecast display field 1310, a
予測根拠表示ボタン1320は、補正根拠画面1400を表示するためのボタンである。ユーザが予測根拠表示ボタン1320を操作した場合、補正根拠画面1400が表示される。
The prediction basis display button 1320 is a button for displaying the
表示部122は、需要予測情報350、需要予測情報340、及び繁忙期情報330に基づいて、補正根拠画面1400を表示するための表示情報を生成する。
The
補正根拠画面1400は、需要予測の補正根拠を提示する画面であり、需要予測表示欄1410、ピーク分布表示欄1420、需要予測(補正後)表示欄1430を含む。
The
需要予測表示欄1410は、対象アイテムの処理期間の需要予測を示すグラフを表示する欄である。需要予測表示欄1410は、需要予測情報340及び繁忙期情報330に基づいて表示される。グラフの横軸は処理期間における予測データの時系列の識別情報を表し、縦軸は出荷量を表す。需要予測表示欄1410のドット部分は繁忙期を示す。
The demand
ピーク分布表示欄1420は、関連アイテムのピーク分布を示すグラフを表示する欄である。ピーク分布表示欄1420は、ピーク分布情報321及び繁忙期情報330に基づいて表示される。グラフの横軸は処理期間における需要時系列データの時系列の識別情報を表し、縦軸はピークの発生回数を表す。ピーク分布表示欄1420のドット部分は繁忙期を示す。
The peak
需要予測(補正後)表示欄1430は、対象アイテムの処理期間の補正後の需要予測を示すグラフを表示する欄である。需要予測(補正後)表示欄1430は、需要予測情報350及び繁忙期情報330に基づいて表示される。グラフの横軸は処理期間における予測データの時系列の識別情報を表し、縦軸は出荷量を表す。需要予測(補正後)表示欄1430のドット部分は繁忙期を示す。また、需要予測(補正後)表示欄1430には、需要予測が補正された部分及び補正理由が表示される。
The demand forecast (after correction)
実施例1によれば、需要予測システムは、関連アイテムのピーク分布(需要傾向)を用いて対象アイテムの繁忙期を特定し、また、関連アイテムのピーク分布(需要傾向)を用いて繁忙期の対象アイテムの需要の予測値を補正する。これによって、繁忙期を含む予測期間の対象アイテムの需要の予測精度を高めることができる。 According to the first embodiment, the demand forecasting system uses the peak distribution (demand trend) of related items to identify the busy season of the target item, and also uses the peak distribution (demand trend) of the related item to identify the busy season. Correct the predicted demand for the target item. This makes it possible to improve the accuracy of predicting the demand for the target item during the prediction period including the busy season.
なお、予測部121は、複数のデータセットを用いてピーク分布を算出していたが、一つのデータセットを用いてピーク分布を算出してもよい。この場合、ピーク分布算出処理を以下のように変更すればよい。
Note that although the
ステップS202では、ピーク分布算出部300は、一つのデータセットの出荷履歴群から需要時系列データを生成する。ステップS203では、ピーク分布算出部300は、複数の需要時系列データの中から一つの需要時系列データを選択する。
In step S202, the peak
ステップS204では、ピーク分布算出部300は日単位のピークを特定する。すなわち、一日の出荷量が需要閾値より大きい日をピークと特定する。ピーク分布算出部300は、時系列データの識別情報及びピークの数から構成される集計データをワークエリアに格納する。すなわち、一週間におけるピークの回数が集計データとして保存される。
In step S204, the peak
ステップS205では、ピーク分布算出部300は、全ての需要時系列データの処理が完了したか否かを判定する。全ての需要時系列データの処理が完了していない場合、ピーク分布算出部300はステップS203に戻り、全ての需要時系列データの処理が完了した場合、ピーク分布算出部300は、ステップS206に進む。関連アイテムについても同様の処理が実行される。
In step S205, the peak
実施例2は、需要予測処理の内容が実施例1と異なる。以下、実施例1との差異を中心に実施例2について説明する。 The second embodiment differs from the first embodiment in the content of the demand forecasting process. The second embodiment will be described below, focusing on the differences from the first embodiment.
図15は、実施例2の需要予測システムの構成の一例を示す図である。 FIG. 15 is a diagram illustrating an example of the configuration of a demand forecasting system according to the second embodiment.
需要予測システムは一つの計算機100から構成される。実施例2の計算機100のハードウェア構成は実施例1と同一である。実施例2の計算機100が有する機能部の構成は実施例1と同一である。実施例2の計算機100は、出荷履歴管理情報130、及び二つの予測モデル管理情報1500、1501を保持する。なお、出荷履歴管理情報130は、実施例1と同一である。
The demand forecasting system is composed of one
予測モデル管理情報1500は、通常期間のアイテムの需要を予測するための予測モデルの定義情報を格納する。当該予測モデルは通常期間の出荷履歴を用いた学習処理によって生成される。予測モデル管理情報1501は、繁忙期のアイテムの需要を予測するための予測モデルの定義情報を格納する。当該モデルは繁忙期の出荷履歴を用いた学習処理によって生成される。
The prediction
図16は、実施例2の計算機100の機能部の詳細を説明する図である。
FIG. 16 is a diagram illustrating details of the functional units of the
実施例2の入力部120は実施例1の入力部120と同一である。
The
実施例2の予測部121は、ピーク分布算出部300、繁忙期算出部301、及び需要予測部302を含む。
The
実施例2のピーク分布算出部300及び繁忙期算出部301は、実施例1と同一の機能である。
The peak
需要予測部302は、予測モデル管理情報1500、1501、繁忙期情報330、及び対象アイテムの出荷履歴情報310に基づいて、対象アイテムの需要を予測し、予測結果を需要予測情報340として出力する。
The
表示部122は、予測部121から出力された需要予測情報340に基づいて、対象アイテムの需要予測に関する情報を提示する。
The
実施例2の予測部121は、予測補正処理を実行しない点が実施例1と異なる。実施例2のピーク分布算出処理は実施例1と同一である。実施例2の繁忙期算出処理は実施例1と同一である。
The
実施例2の需要予測処理は実施例1と異なる。図17は、実施例2の予測部121が実行する需要予測処理の一例を説明するフローチャートである。
The demand forecasting process of the second embodiment is different from that of the first embodiment. FIG. 17 is a flowchart illustrating an example of the demand prediction process executed by the
ステップS401からステップS403までの処理は実施例1と同一である。 The processing from step S401 to step S403 is the same as in the first embodiment.
需要予測部302は、繁忙期が存在するか否かを判定する(ステップS451)。ステップS451の処理はステップS501の処理と同一である。
The
繁忙期が存在する場合、需要予測部302は、予測モデル管理情報1500、1501を取得する(ステップS452)。
If a busy season exists, the
需要予測部302は、予測モデル管理情報1500、1501及び特徴量を用いて予測期間における対象アイテムの需要を予測し(ステップS453)、その後、ステップS406に進む。
The
具体的には、需要予測部302は、予測モデル管理情報1501にて定義される予測モデルを構築し、当該予測モデルに繁忙期の需要時系列データから算出された特徴量を入力する。また、需要予測部302は、予測モデル管理情報1500にて定義される予測モデルを構築し、当該予測モデルに通常期間の需要時系列データから算出された特徴量を入力する。
Specifically, the
繁忙期が存在しない場合、需要予測部302は、予測モデル管理情報1500を取得する(ステップS454)。
If there is no busy season, the
需要予測部302は、予測モデル管理情報1500及び特徴量を用いて処理期間における対象アイテムの需要を予測し(ステップS455)、その後、ステップS406に進む。
The
具体的には、需要予測部302は、予測モデル管理情報1500にて定義される予測モデルを構築し、当該予測モデルに特徴量を入力する。
Specifically, the
ステップS406の処理は実施例1と同一である。 The processing in step S406 is the same as in the first embodiment.
実施例2によれば、需要予測システムは、関連アイテムのピーク分布(需要傾向)を用いて対象アイテムの繁忙期を特定し、また、繁忙期及び通常期間のそれぞれで予測モデルを切り替えて、それぞれの期間の対象アイテムの需要を予測する。これによって、繁忙期を含む予測期間の対象アイテムの需要の予測精度を高めることができる。 According to the second embodiment, the demand forecasting system identifies the busy season of the target item using the peak distribution (demand trend) of related items, and also switches the forecasting model for each of the busy season and normal period to Forecast the demand for a target item over a period of time. This makes it possible to improve the accuracy of predicting the demand for the target item during the prediction period including the busy season.
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。また、例えば、上記した実施例は本発明を分かりやすく説明するために構成を詳細に説明したものであり、必ずしも説明した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、各実施例の構成の一部について、他の構成に追加、削除、置換することが可能である。 Note that the present invention is not limited to the above-described embodiments, and includes various modifications. Further, for example, the configurations of the embodiments described above are explained in detail in order to explain the present invention in an easy-to-understand manner, and the present invention is not necessarily limited to having all the configurations described. Further, a part of the configuration of each embodiment can be added to, deleted from, or replaced with other configurations.
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りハードウェアで実現してもよい。また、本発明は、実施例の機能を実現するソフトウェアのプログラムコードによっても実現できる。この場合、プログラムコードを記録した記憶媒体をコンピュータに提供し、そのコンピュータが備えるプロセッサが記憶媒体に格納されたプログラムコードを読み出す。この場合、記憶媒体から読み出されたプログラムコード自体が前述した実施例の機能を実現することになり、そのプログラムコード自体、及びそれを記憶した記憶媒体は本発明を構成することになる。このようなプログラムコードを供給するための記憶媒体としては、例えば、フレキシブルディスク、CD-ROM、DVD-ROM、ハードディスク、SSD(Solid State Drive)、光ディスク、光磁気ディスク、CD-R、磁気テープ、不揮発性のメモリカード、ROMなどが用いられる。 Further, each of the above-mentioned configurations, functions, processing units, processing means, etc. may be partially or entirely realized in hardware by designing, for example, an integrated circuit. Further, the present invention can also be realized by software program codes that realize the functions of the embodiments. In this case, a storage medium on which a program code is recorded is provided to a computer, and a processor included in the computer reads the program code stored on the storage medium. In this case, the program code itself read from the storage medium realizes the functions of the embodiments described above, and the program code itself and the storage medium storing it constitute the present invention. Examples of storage media for supplying such program codes include flexible disks, CD-ROMs, DVD-ROMs, hard disks, SSDs (Solid State Drives), optical disks, magneto-optical disks, CD-Rs, magnetic tapes, A non-volatile memory card, ROM, etc. are used.
また、本実施例に記載の機能を実現するプログラムコードは、例えば、アセンブラ、C/C++、perl、Shell、PHP、Python、Java(登録商標)等の広範囲のプログラム又はスクリプト言語で実装できる。 Further, the program code for realizing the functions described in this embodiment can be implemented in a wide range of program or script languages such as assembler, C/C++, Perl, Shell, PHP, Python, and Java (registered trademark).
さらに、実施例の機能を実現するソフトウェアのプログラムコードを、ネットワークを介して配信することによって、それをコンピュータのハードディスクやメモリ等の記憶手段又はCD-RW、CD-R等の記憶媒体に格納し、コンピュータが備えるプロセッサが当該記憶手段や当該記憶媒体に格納されたプログラムコードを読み出して実行するようにしてもよい。 Furthermore, by distributing the software program code that realizes the functions of the embodiment via a network, it can be stored in a storage means such as a computer's hard disk or memory, or a storage medium such as a CD-RW or CD-R. Alternatively, a processor included in the computer may read and execute the program code stored in the storage means or the storage medium.
上述の実施例において、制御線や情報線は、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や情報線を示しているとは限らない。全ての構成が相互に接続されていてもよい。 In the above-described embodiments, the control lines and information lines are those considered necessary for explanation, and not all control lines and information lines are necessarily shown in the product. All configurations may be interconnected.
100 計算機
101 入力装置
102 出力装置
103 ネットワーク
110 CPU
111 IOインタフェース
112 ネットワークインタフェース
113 主記憶装置
114 副記憶装置
120 入力部
121 予測部
122 表示部
130 出荷履歴管理情報
131、1500、1501 予測モデル管理情報
300 ピーク分布算出部
301 繁忙期算出部
302 需要予測部
303 補正部
310 出荷履歴情報
311 出荷履歴情報
320、321 ピーク分布情報
330 繁忙期情報
340、350 需要予測情報
350 需要予測情報
1300 需要予測画面
1400 補正根拠画面
100
111
Claims (10)
複数のアイテムの各々の第1単位期間あたりの出荷に関する履歴を格納する履歴情報と、前記アイテムの需要を予測するための予測モデルの定義情報と、を格納する記憶部と、
第1アイテムの前記履歴及び前記第1アイテムと関連性を有する第2アイテムの前記履歴を用いて、前記予測期間の一部であって、前記第1アイテムの出荷量が閾値より大きくなる期間である繁忙期を算出する繁忙期算出部と、
前記予測モデルの定義情報、前記第1アイテムの前記履歴、及び前記繁忙期に基づいて、前記予測期間の第2単位期間あたりの前記第1アイテムの予測出荷量を示す時系列データを需要予測情報として生成する予測部と、
前記予測期間における、第3単位期間あたりのアイテムの出荷量が閾値より大きくなるピークの発生回数の分布であるピーク分布を算出するピーク分布算出部と、
を備え、
前記ピーク分布算出部は、
前記第1アイテムの前記履歴を用いて、第1ピーク分布を算出し、
前記第2アイテムの前記履歴を用いて、第2ピーク分布を算出し、
前記繁忙期算出部は、
前記第1ピーク分布及び前記第2ピーク分布に基づいて、混合ピーク分布を算出し、
前記混合ピーク分布に基づいて、前記繁忙期を算出し、
前記予測部は、
前記予測モデルの定義情報及び前記第1アイテムの前記履歴を用いて、前記需要予測情報を生成し、
前記第2ピーク分布を用いて、前記繁忙期に含まれる前記時系列データを補正することによって前記需要予測情報を更新し、
前記更新された需要予測情報を出力することを特徴とする計算機システム。 A computer system comprising at least one calculator and predicting demand for an item in a prediction period,
a storage unit that stores history information that stores history regarding shipments per first unit period of each of the plurality of items, and definition information of a prediction model for predicting demand for the item;
Using the history of the first item and the history of a second item that has a relationship with the first item, a period that is part of the prediction period and in which the shipment amount of the first item is greater than a threshold value is determined. a busy season calculation unit that calculates a certain busy season;
Based on the definition information of the prediction model, the history of the first item, and the busy season, time-series data indicating the predicted shipment amount of the first item per second unit period of the prediction period is used as demand prediction information. a prediction unit that generates
a peak distribution calculation unit that calculates a peak distribution that is a distribution of the number of peaks in which the shipment amount of items per third unit period is larger than a threshold value in the prediction period;
Equipped with
The peak distribution calculation unit includes:
calculating a first peak distribution using the history of the first item;
calculating a second peak distribution using the history of the second item;
The busy season calculation section is
Calculating a mixed peak distribution based on the first peak distribution and the second peak distribution,
calculating the busy season based on the mixed peak distribution;
The prediction unit is
generating the demand forecasting information using the definition information of the forecasting model and the history of the first item;
updating the demand forecast information by correcting the time series data included in the busy season using the second peak distribution;
A computer system that outputs the updated demand forecast information .
前記繁忙期算出部は、前記混合ピーク分布を参照し、前記ピークの発生回数が繁忙期閾値より大きくなる連続区間を、前記繁忙期として算出することを特徴とする計算機システム。 The computer system is characterized in that the busy season calculation unit refers to the mixed peak distribution and calculates, as the busy season, a continuous section in which the number of occurrences of the peak is greater than a busy season threshold.
前記繁忙期算出部は、前記混合ピーク分布を用いて算出される統計値に基づいて、前記繁忙期閾値を算出することを特徴とする計算機システム。 The computer system is characterized in that the busy season calculation unit calculates the busy season threshold based on statistical values calculated using the mixed peak distribution.
更新前の前記需要予測情報、更新後の前記需要予測情報、及び前記繁忙期を補正根拠として提示する表示部を備えることを特徴とする計算機システム。 A computer system comprising: a display unit that presents the demand forecast information before updating, the demand forecast information after update, and the busy season as a basis for correction.
前記記憶部は、前記繁忙期の前記アイテムの需要を予測するための第1予測モデルの定義情報と、通常期間の前記アイテムの需要を予測するための第2予測モデルの定義情報とを格納し、 The storage unit stores definition information of a first prediction model for predicting demand for the item during the busy season, and definition information for a second prediction model for predicting demand for the item during the normal period. ,
前記予測部は、 The prediction unit is
前記第1予測モデルの定義情報及び前記第1アイテムの前記履歴を用いて、前記繁忙期の前記時系列データを算出し、 Calculating the time series data of the busy season using the definition information of the first prediction model and the history of the first item,
前記第2予測モデルの定義情報及び前記第1アイテムの前記履歴を用いて、前記通常期間の前記時系列データを算出し、 Calculating the time series data for the normal period using the definition information of the second prediction model and the history of the first item,
前記繁忙期の前記時系列データ及び前記通常期間の前記時系列データを、前記需要予測情報として生成することを特徴とする計算機システム。 A computer system that generates the time series data of the busy season and the time series data of the normal period as the demand forecast information.
前記計算機システムは、複数のアイテムの各々の第1単位期間あたりの出荷に関する履歴を格納する履歴情報と、前記アイテムの需要を予測するための予測モデルの定義情報と、を管理し、 The computer system manages history information that stores history regarding shipments per first unit period of each of a plurality of items, and definition information of a prediction model for predicting demand for the item,
前記アイテムの需要予測方法は、 The demand forecasting method for the above items is as follows:
前記計算機システムが、 The computer system,
第1アイテムの前記履歴及び前記第1アイテムと関連性を有する第2アイテムの前記履歴を用いて、前記予測期間の一部であって、前記第1アイテムの出荷量が閾値より大きくなる期間である繁忙期を算出する第1のステップと、 Using the history of the first item and the history of a second item that has a relationship with the first item, a period that is part of the prediction period and in which the shipment amount of the first item is greater than a threshold value is determined. A first step of calculating a certain busy season;
前記予測モデルの定義情報、前記第1アイテムの前記履歴、及び前記繁忙期に基づいて、前記予測期間の第2単位期間あたりの前記第1アイテムの予測出荷量を示す時系列データを需要予測情報として生成する第2のステップと、を含み、 Based on the definition information of the prediction model, the history of the first item, and the busy season, time-series data indicating the predicted shipment amount of the first item per second unit period of the prediction period is used as demand prediction information. a second step of generating as;
前記第1のステップは、 The first step is:
前記第1アイテムの前記履歴を用いて、前記予測期間における、第3単位期間あたりの前記第1アイテムの出荷量が閾値より大きくなるピークの発生回数の分布である第1ピーク分布を算出する第3のステップと、 Using the history of the first item, calculating a first peak distribution that is a distribution of the number of peaks in which the shipment amount of the first item per third unit period is larger than a threshold value in the prediction period. Step 3 and
前記第2アイテムの前記履歴を用いて、前記予測期間における、前記第3単位期間あたりの前記第2アイテムの出荷量が閾値より大きくなるピークの発生回数の分布である第2ピーク分布を算出する第4のステップと、 Using the history of the second item, calculate a second peak distribution that is a distribution of the number of peaks in which the shipment amount of the second item per third unit period is greater than a threshold value in the prediction period. The fourth step and
前記第1ピーク分布及び前記第2ピーク分布に基づいて、混合ピーク分布を算出する第5のステップと、 a fifth step of calculating a mixed peak distribution based on the first peak distribution and the second peak distribution;
前記混合ピーク分布に基づいて、前記繁忙期を算出する第6のステップと、を含み、 a sixth step of calculating the busy season based on the mixed peak distribution,
前記第2のステップは、 The second step is
前記予測モデルの定義情報及び前記第1アイテムの前記履歴を用いて、前記需要予測情報を生成する第7のステップと、 a seventh step of generating the demand forecast information using the definition information of the forecast model and the history of the first item;
前記第2ピーク分布を用いて、前記繁忙期に含まれる前記時系列データを補正することによって前記需要予測情報を更新する第8のステップと、 an eighth step of updating the demand forecast information by correcting the time series data included in the busy season using the second peak distribution;
前記更新された需要予測情報を出力する第9のステップと、を含むことを特徴とするアイテムの需要予測方法。 A method for predicting demand for an item, comprising: a ninth step of outputting the updated demand forecast information.
前記第6のステップは、前記混合ピーク分布を参照し、前記第3単位期間あたりの出荷量が閾値より大きくなるピークの発生回数が繁忙期閾値より大きくなる連続区間を、前記繁忙期として算出するステップを含むことを特徴とするアイテムの需要予測方法。 The sixth step refers to the mixed peak distribution and calculates, as the busy season, a continuous section in which the number of occurrences of peaks in which the shipment volume per third unit period is greater than the threshold is greater than the busy season threshold. A method for predicting demand for an item, comprising steps.
前記第6のステップは、前記混合ピーク分布を用いて算出される統計値に基づいて、前記繁忙期閾値を算出するステップを含むことを特徴とするアイテムの需要予測方法。 The method for predicting demand for an item, wherein the sixth step includes calculating the busy season threshold based on the statistical value calculated using the mixed peak distribution.
更新前の前記需要予測情報、更新後の前記需要予測情報、及び前記繁忙期を補正根拠として提示するステップを含むことを特徴とするアイテムの需要予測方法。 A method for predicting demand for an item, comprising the step of presenting the demand forecast information before updating, the demand forecast information after update, and the busy season as a basis for correction.
前記計算機システムは、前記繁忙期の前記アイテムの需要を予測するための第1予測モデルの定義情報と、通常期間の前記アイテムの需要を予測するための第2予測モデルの定義情報とを管理し、 The computer system manages definition information of a first prediction model for predicting demand for the item during the busy season and definition information for a second prediction model for predicting demand for the item during the normal period. ,
前記第7のステップは、 The seventh step is
前記第1予測モデルの定義情報及び前記第1アイテムの前記履歴を用いて、前記繁忙期の前記時系列データを算出するステップと、 calculating the time series data of the busy season using the definition information of the first prediction model and the history of the first item;
前記第2予測モデルの定義情報及び前記第1アイテムの前記履歴を用いて、前記通常期間の前記時系列データを算出するステップと、 calculating the time series data for the normal period using the definition information of the second prediction model and the history of the first item;
前記繁忙期の前記時系列データ及び前記通常期間の前記時系列データを、前記需要予測情報として生成するステップと、を含むことを特徴とするアイテムの需要予測方法。 A method for predicting demand for an item, comprising the step of generating the time series data of the busy season and the time series data of the normal period as the demand forecast information.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020080764A JP7406447B2 (en) | 2020-04-30 | 2020-04-30 | Computer system and item demand forecasting method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020080764A JP7406447B2 (en) | 2020-04-30 | 2020-04-30 | Computer system and item demand forecasting method |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021174475A JP2021174475A (en) | 2021-11-01 |
JP7406447B2 true JP7406447B2 (en) | 2023-12-27 |
Family
ID=78279752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020080764A Active JP7406447B2 (en) | 2020-04-30 | 2020-04-30 | Computer system and item demand forecasting method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7406447B2 (en) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004157625A (en) | 2002-11-05 | 2004-06-03 | Hitachi Ltd | Shipment volume prediction method and system |
JP2008123371A (en) | 2006-11-14 | 2008-05-29 | Kose Corp | Goods demand predicting device, goods demand predicting method and program thereof |
JP2013191099A (en) | 2012-03-14 | 2013-09-26 | Fujitsu Ltd | Selection program, selection method, and selection device |
JP2016146037A (en) | 2015-02-06 | 2016-08-12 | 三菱日立パワーシステムズ株式会社 | Demand prediction apparatus, demand prediction method and demand prediction program |
WO2019097694A1 (en) | 2017-11-17 | 2019-05-23 | Ground株式会社 | Product placement system, product placement method, and product placement program |
-
2020
- 2020-04-30 JP JP2020080764A patent/JP7406447B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004157625A (en) | 2002-11-05 | 2004-06-03 | Hitachi Ltd | Shipment volume prediction method and system |
JP2008123371A (en) | 2006-11-14 | 2008-05-29 | Kose Corp | Goods demand predicting device, goods demand predicting method and program thereof |
JP2013191099A (en) | 2012-03-14 | 2013-09-26 | Fujitsu Ltd | Selection program, selection method, and selection device |
JP2016146037A (en) | 2015-02-06 | 2016-08-12 | 三菱日立パワーシステムズ株式会社 | Demand prediction apparatus, demand prediction method and demand prediction program |
WO2019097694A1 (en) | 2017-11-17 | 2019-05-23 | Ground株式会社 | Product placement system, product placement method, and product placement program |
Also Published As
Publication number | Publication date |
---|---|
JP2021174475A (en) | 2021-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4237610B2 (en) | Maintenance support method and program | |
JP7315617B2 (en) | Goods placement optimization system and method | |
US11042823B2 (en) | Business management system | |
US11556447B2 (en) | Usage prediction method and storage medium | |
CN113128932A (en) | Warehouse stock processing method and device, storage medium and electronic equipment | |
US9558458B2 (en) | Method for allocating spatial resources | |
JP6536028B2 (en) | Order plan determination device, order plan determination method and order plan determination program | |
US20210224351A1 (en) | Method and system for optimizing an objective having discrete constraints | |
WO2020023763A1 (en) | System and method for predicting stock on hand with predefined markdown plans | |
JP2021064049A (en) | Calculator system and mathematical model generation support method | |
CN111260142B (en) | Commodity index data prediction method and device, storage medium and electronic equipment | |
US20180039901A1 (en) | Predictor management system, predictor management method, and predictor management program | |
JP7167992B2 (en) | label correction device | |
JP2014520340A (en) | Retail forecasting using parameter estimation | |
TWI578242B (en) | Technology trend predicting method and system and non-transitory computer readable storage medium | |
US20210390574A1 (en) | Information processing system, information processing method, and storage medium | |
JP7406447B2 (en) | Computer system and item demand forecasting method | |
JP6697082B2 (en) | Demand forecasting method, demand forecasting system and program thereof | |
JP6307926B2 (en) | Order quantity determination method, order quantity determination device, and order quantity determination program | |
WO2021140884A1 (en) | Method for reusing model and computer system | |
CN115943399A (en) | Generation method, generation device, program, information processing method, and information processing device | |
JP6861176B2 (en) | Project estimation support method and project estimation support device | |
JP7373384B2 (en) | Verification method for computer systems and scheduling systems | |
JP2023104145A (en) | Computer system and learning method of prediction model | |
WO2023152807A1 (en) | Computer system and information sharing method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221221 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231016 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231024 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231124 |
|
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: 20231212 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231215 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7406447 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |