JP7449779B2

JP7449779B2 - ジョブ管理方法、及びジョブ管理装置

Info

Publication number: JP7449779B2
Application number: JP2020096916A
Authority: JP
Inventors: 淳北脇; 貴志爲重; 康之玉井; 耕一村山; 峰義増田; 洋輔肥村
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2020-06-03
Filing date: 2020-06-03
Publication date: 2024-03-14
Anticipated expiration: 2040-06-03
Also published as: US20210382751A1; JP2021189949A; US11734063B2

Description

本発明は、ジョブ管理方法、及びジョブ管理装置に関する。

ＩＴ（Information Technology）を用いた業務管理システムにおいて、いわゆるバッチジョブを用いた業務管理方法がある。ここでジョブとは、情報処理装置を用いた処理の単位（コマンド、スクリプト等）である。そして、このジョブは、ジョブネットと呼ばれるジョブ群によってしばしば管理される。

バッチジョブは、業務時間に処理されたデータを、業務終了後次の業務の開始前（例えば、業務終了後の夜間）に、予め設定したスケジュールに従って自動的に業務管理システムに反映させる。

したがって、バッチジョブを用いて業務管理を行う際は、業務開始前に必ずバッチジョブが完了していなければならず、業務開始前にバッチジョブが完了しない可能性がある場合には、なるべく早くその旨を検知し、必要な対策を講じる必要がある。

ここで、バッチジョブの管理方法として、例えば特許文献１には、起動時刻指定ジョブの起動予定時刻を保持する指定時刻情報保持部と、パス開始ジョブおよびパス終了ジョブの指定を受け付ける指定受付部と、ジョブの稼動時間の実績および指定時刻情報保持部によって保持される起動予定時刻に基づいて、パス開始ジョブとパス終了ジョブとの間のジョブの起動予定時刻および終了予定時刻を決定する時刻決定部と、起動時刻指定ジョブについて仮想的なジョブを設定する仮想ジョブ設定部と、仮想的なジョブを使用して、パス開始ジョブとパス終了ジョブとの間のクリティカルパスを特定するクリティカルパス特定部と、を備えるバッチジョブ分析装置が開示されている。

特開２０１３－１６４７１２号公報

特許文献１は、バッチジョブを構成する各ジョブの過去の実行ログをもとにジョブの実行時間の予測モデルを作成し、バッチジョブの終了予定時刻からさかのぼる形でジョブごとの終了時刻（閾値）を設定し、各ジョブが終了予想時刻から一定時間経過しても終了しない場合に遅延と判定するものである。

しかしながら、特許文献１では、ジョブの過去の実行時間データが少ない、又は、各実行時間データの値のばらつきが大きい場合には、ジョブネットの実行時間の予測が困難となる。その結果、ジョブネットの終了予定時刻を適切に推定できないという問題があった。

本発明はこのような背景に鑑みてなされたものであり、その目的は、ジョブネットの実行終了タイミングを安定した精度で予測することが可能なジョブ管理方法、及びジョブ管理装置を提供することにある。

上記課題を解決するための本発明の一つは、情報処理装置が、過去に実行された各ジョブネットの実行時間に関する情報に基づき、実行されるジョブネットの実行時間を予測する実行時間予測モデルを生成するジョブネット実行時間予測モデル生成処理と、前記生成した実行時間予測モデルによる各ジョブネットの実行時間の予測精度をそれぞれ算出する予測モデル精度判定処理と、現在実行中の又は以後実行される複数のジョブネットを含む集合であるジョブネット群のうち指定されたジョブネットの実行終了時を前記実行時間予測モデルに基づき予測するか否かを、前記算出した、各ジョブネットの実行時間の予測精度に基づき判定し、前記指定されたジョブネットの実行終了時を前記実行時間予測モデルに基づき予測すると判定した場合には、前記実行時間予測モデルに基づき予測した、前記指定されたジョブネットの実行終了時に関する情報を表示する遅延判定処理と、を実行する、ジョブ管理方法、とする。ジョブとジョブネットの関係は後述する。

また、上記課題を解決するための本発明の他の一つは、プロセッサ及びメモリを備え、過去に実行された各ジョブネットの実行時間に関する情報に基づき、実行されるジョブネットの実行時間を予測する実行時間予測モデルを生成するジョブネット実行時間予測モデル生成処理と、前記生成した実行時間予測モデルによる各ジョブネットの実行時間の予測精度をそれぞれ算出する予測モデル精度判定処理と、現在実行中の又は以後実行される複数のジョブネットを含む集合であるジョブネット群のうち指定されたジョブネットの実行終了時を前記実行時間予測モデルに基づき予測するか否かを、前記算出した、各ジョブネットの実行時間の予測精度に基づき判定し、前記指定されたジョブネットの実行終了時を前記実行時間予測モデルに基づき予測すると判定した場合には、前記実行時間予測モデルに基づき予測した、前記指定されたジョブネットの実行終了時に関する情報を表示する遅延判定処理と、を実行するジョブ管理装置、とする。

本発明によれば、ジョブネットの実行終了タイミングを安定した精度で予測することができる。

上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

実施例１に係るジョブ管理システムの構成の一例を示す図である。ジョブ管理システムにおいて行われるジョブ管理処理の概要を説明するフロー図である。ジョブネット情報収集処理の一例を説明するフロー図である。ジョブネット実行履歴管理テーブルの一例を示す図である。ジョブネット実行情報管理テーブルの一例を示す図である。ジョブネット実行時間収集処理の詳細を説明するフロー図である。ジョブネット実行時間予測モデル生成処理の詳細を説明するフロー図である。前提ＪＮ実行時間及び待ち時間の算出方法の例を説明する図である。ジョブネット待ち時間予測モデルにより生成される、ジョブネット待ち時間学習テーブルの一例を示す図である。ジョブネット実行時間学習テーブルの一例を示す図である。ジョブネット実行時間予測方法テーブルの一例を示す図である。クリティカルパス特定処理の詳細を説明するフロー図である。ジョブネットリストテーブルの一例を示す図である。ジョブネットリスト生成処理の詳細を説明するフロー図である。ジョブネット実行時間予測処理の詳細を説明するフロー図である。ジョブネット遅延判定処理の詳細を説明するフロー図である。ジョブネット監視画面の一例を示す図である。ジョブネット終了予定時刻入力画面の一例を示す図である。ジョブネット情報表示画面の一例を示す図である。実施例２に係るバッチジョブ管理システムの構成の一例を説明する図である。ジョブネット実行エージェントテーブルの一例を示す図である。ジョブネット実行エージェント情報テーブルの一例を示す図である。実施例２に係るジョブネット実行時間収集処理の一例を説明する。リソース使用状況テーブルの一例を示す図である。実施例２に係るジョブネット実行時間学習テーブルの一例を示す図である。

［実施例１］
図１は、実施例１に係るジョブ管理システム１の構成の一例を示す図である。ジョブ管理システム１は、複数のジョブネット（ＪＮ）から構成される処理（以下、パス又はジョブネットリストという）であるバッチジョブを管理するジョブ管理装置１００と、バッチジョブの実行を統括するジョブ実行マネージャー５００と、バッチジョブにおけるジョブネットを実行する、１又は複数のジョブ実行エージェント６００とを含んで構成されている。

バッチジョブは、予め定められたジョブ定義に基づき、指定された順序及びタイミングで、ジョブネットを実行するジョブ群である。

ジョブネットは、１又は複数のジョブの集合である。ジョブとは、所定の業務のために実行される処理の単位（例えば、プログラム、コマンド、スクリプトによって実現される所定のデータ処理）である。ジョブネットは、ジョブ定義に基づき実行される。ジョブ定義では、複数ジョブの実行順序、ジョブの実行結果による条件分岐、複数ジョブの待ち受けを定義することもできる。

バッチジョブは、例えば、所定の業務を行う情報処理システムが日中に処理した大量のデータを、その情報処理システムが稼働していない夜間に（例えば、情報処理システムの翌日の稼働開始時刻までに）更新して情報処理システムを更新又は反映させるための一連のプログラムの流れである。

なお、本実施形態では、バッチジョブにより実行されるパスは１又は複数存在し、同一のジョブネットが複数のパス内のプロセスで実行される場合がある（例えば、ジョブネットの流れが分岐している場合がある）。

ジョブ実行マネージャー５００は、各ジョブ実行エージェント６００に、ジョブネットを実行させる。

例えば、ジョブ実行マネージャー５００は、ジョブ定義をデータベースで管理している。ジョブ実行マネージャー５００は、ジョブ定義に定義された時刻になると、ジョブ定義に定義されている所定のプログラムを起動した後、ジョブ定義を各ジョブ実行エージェント６００に送信し、各ジョブ実行エージェント６００に各ジョブを実行させる。各ジョブ実行エージェント６００は、各ジョブの実行を終了すると、各ジョブの実行結果の情報をジョブ実行マネージャー５００に送信する。ジョブ実行マネージャー５００は、ジョブ実行エージェント６００から受信した各ジョブの実行結果の情報を所定のデータベースに反映する。ジョブ実行マネージャー５００は、そのデータベースに基づき、以後のジョブを
実行し、又はその実行予定時刻を決定する。ジョブ実行マネージャー５００は、このようにして複数のジョブを実行させることにより各ジョブネットを実行する。

ジョブ実行マネージャー５００及び各ジョブ実行エージェント６００の間は、専用線、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、インターネット等の、
有線又は無線の管理用ネットワーク３によって通信可能に接続される。

また、ジョブ管理装置１００と、ジョブ実行マネージャー５００及び各ジョブ実行エージェント６００との間は、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network
）、インターネット、専用線等の有線又は無線のネットワーク５によって通信可能に接続される。

次に、ジョブ管理装置１００は、ＣＰＵ等のプロセッサ１１０と、プログラム及びデータ等が展開される、ＲＡＭ（Random Access Memory）又はＲＯＭ（Read Only Memory）等のメモリ１１１と、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、又はフラッシュメモリ等の記憶装置１２０と、他の情報処理装置と通信する、ネットワークインターフェイスカード等の通信装置１１２と、外部記憶媒体が接続されるメディア読取装置１１５と、キーボード若しくはタッチパネル等の入力装置１１３と、モニタ若しくはディスプレイ等の出力装置を含む表示装置１１４とを備え、これらはバス等で互いに接続されている。なお、外部記憶媒体は、例えば、通信媒体（すなわち有線、無線、光などのネットワーク、または当該ネットワークを伝搬する搬送波やディジタル信号）、又は、メディア読取装置１１５に着脱可能な記憶媒体である。なお、ジョブ実行マネージャー５００、及びジョブ実行エージェント６００も同様のハードウェアを備える。

次に、ジョブ管理装置１００は、入力受付プログラム１０２、表示制御プログラム１０３、ジョブネット実行時間収集プログラム１０４、予測モデル作成プログラム１０５、予測モデル精度判定プログラム１０６、実行時間表示プログラム１０７、終了予定時刻設定プログラム１０８、及び遅延判定プログラム１０９の各プログラムを記憶している。

入力受付プログラム１０２は、ユーザからの情報の入力を受け付ける。

表示制御プログラム１０３は、表示装置１１４に情報を表示する。

ジョブネット実行時間収集プログラム１０４は、過去に実行された各ジョブネットの実行時間に関する情報を収集する。

また、ジョブネット実行時間収集プログラム１０４は、過去に実行された各ジョブネットの実行時間に関する情報に基づき、各ジョブネットの実行時間の統計値を算出する。

具体的には、ジョブネット実行時間収集プログラム１０４は、過去に実行された各ジョブネットの実行時間に関する情報に基づき、各ジョブネットの実行時間の統計値として、各ジョブネットの実行時間の平均値及び最大値を算出する。

予測モデル作成プログラム１０５は、過去に実行された各ジョブネットの実行時間に関する情報に基づき、実行されるジョブネットの実行時間を予測する実行時間予測モデルを生成する。

また、予測モデル作成プログラム１０５は、過去に実行された各ジョブネットの実行時間に関する情報の一つとして、過去に実行された各ジョブネットの実行開始時刻と、当該各ジョブネットの前に実行が終了した他のジョブネットの実行終了時刻との差である待ち
時間を算出し、算出した待ち時間に基づき、実行時間予測モデルを生成する。

なお、予測モデル作成プログラム１０５は、過去に実行された各ジョブネットの実行時間に関する情報に基づき、各ジョブネットの実行順序を推定してもよい。

予測モデル精度判定プログラム１０６は、予測モデル作成プログラム１０５が生成した実行時間予測モデルによる各ジョブネットの実行時間の予測精度をそれぞれ算出する。

実行時間表示プログラム１０７は、予測モデル作成プログラム１０５等に基づく、各ジョブネットの実行時間の情報を表示装置１１４等に表示する。

終了予定時刻設定プログラム１０８は、ジョブネット実行の終了予定時刻（詳細は後述）の入力をユーザから受け付ける。

遅延判定プログラム１０９は、現在実行中の又は以後実行される複数のジョブネットを含む集合であるジョブ群（バッチジョブ）のうち指定されたジョブネットの実行終了時を実行時間予測モデルに基づき予測するか否かを、予測モデル精度判定プログラム１０６で算出した、各ジョブネットの実行時間の予測精度に基づき判定し、指定されたジョブネットの実行終了時を実行時間予測モデルに基づき予測すると判定した場合には、実行時間予測モデルに基づき予測した、指定されたジョブネットの実行終了時に関する情報を表示する。

具体的には、遅延判定プログラム１０９は、指定されたジョブネットの実行終了時を実行時間予測モデルに基づき予測するか否かを、指定されたジョブネットの実行時間の予測精度が所定値以上であるか否かにより判定し、実行時間の各予測精度が所定値以上である場合に、実行時間予測モデルに基づき予測した、指定されたジョブネットの実行終了時に関する情報を表示する。

また、遅延判定プログラム１０９は、指定されたジョブネットの実行終了時を実行時間予測モデルに基づき予測するか否かを、指定されたジョブネットの実行時間の予測精度が所定値以上であるか否かにより判定し、実行時間の予測精度が所定値以上でないと判定した場合には、ジョブネット実行時間収集プログラム１０４が算出した統計値に基づき算出した、指定されたジョブネットの実行終了時に関する情報を表示する。

さらに、遅延判定プログラム１０９は、指定されたジョブネットの実行時間の予測精度が所定値以上でないと判定した場合には、ジョブネット実行時間収集プログラム１０４が算出した統計値に基づき算出した、指定されたジョブネットの実行終了時に関する情報を表示する前に、所定期間待機する。

また、遅延判定プログラム１０９は、実行時間の予測精度が所定値以上でないと判定した場合には、さらに、指定されたジョブネットの実行時間が所定時間以上であるか否かを判定し、指定されたジョブネットの実行時間が所定時間以上である場合には、ジョブネット実行時間収集プログラム１０４が算出した最大値に基づき算出した、指定されたジョブネットの実行終了時に関する情報を表示し、指定されたジョブネットの実行時間が所定時間以上でない場合には、ジョブネット実行時間収集プログラム１０４が算出した平均値に基づき算出した、指定されたジョブネットの実行終了時に関する情報を表示する。

なお、遅延判定プログラム１０９は、指定されたジョブネットより前の実行順序のジョブネットを、予測モデル作成プログラム１０５が推定した実行順序に基づき特定してもよい。

また、ジョブ管理装置１００は、ジョブネット実行履歴管理テーブル１３０、ジョブネット実行情報管理テーブル１４０、ジョブネット実行時間学習テーブル１５０、ジョブネット実行時間予測モデル（不図示）、ジョブネット実行時間予測方法テーブル１６０、及びジョブネットリストテーブル１７０の各情報を記憶している。これらの情報の詳細は後述する。

これまでに説明したジョブ管理装置１００の各プログラムは、例えば、専用のハードウェア、メモリ１１１、又は記憶装置１２０に記憶される。そして、プロセッサ１１０がこれらの場所に記憶されている各プログラムを読み出して実行することにより、各プログラムの機能が実現される。なお、各プログラムは、外部記憶媒体にあらかじめ記録されていてもよいし、所定の通信ネットワークを介して、必要なときに導入されてもよい。

続いて、ジョブ管理システム１において行われる処理について説明する。

－－－処理－－－
図２は、ジョブ管理システム１において行われるジョブ管理処理の概要を説明するフロー図である。ジョブ管理処理は、例えば、ジョブ管理装置１００が起動した後、所定のタイミング（例えば、所定の時刻、又は所定の時間間隔、又はユーザから指定されたタイミング）で実行される。

まず、ジョブ管理システム１は、各ジョブネットの実行時間を予測するための情報を収集又は生成するジョブネット情報収集処理Ｓ１０を実行する（Ｓ１０）。

そして、ジョブ管理システム１は、ジョブネット実行時間収集処理に基づき、各ジョブネットの終了時刻を予測するジョブネット実行時間予測処理Ｓ２０を実行する（Ｓ２０）。

ジョブ管理システム１は、ジョブネット実行時間予測処理に基づき、現在実行中のバッチジョブにおける各ジョブネットの実行の遅延状況を判定するジョブネット遅延判定処理Ｓ３０を実行する（Ｓ３０）。

以下、これらの処理について説明する。

－－ジョブネット実行時間収集処理－－
図３は、ジョブネット情報収集処理Ｓ１０の一例を説明するフロー図である。ジョブネット情報収集処理Ｓ１０は、例えば、ジョブ管理装置１００の起動後の所定のタイミング（例えば、ユーザから所定の入力があった場合、所定の時刻、又は所定の時間間隔等）に繰り返し実行される。

まず、ジョブ管理装置１００のジョブネット実行時間収集プログラム１０４は、ジョブ実行マネージャー５００から、過去に実行されたジョブネット（同一のジョブネットが過去に複数回実行されていることもある）の実行時間に関する情報を収集するジョブネット実行時間収集処理Ｓ１を実行する（Ｓ１）。ジョブネット実行時間収集プログラム１０４は、ジョブネット実行時間収集処理Ｓ４の実行結果を、ジョブネット実行履歴管理テーブル１３０及びジョブネット実行情報管理テーブル１４０に記憶する。ジョブネット実行時間収集処理Ｓ１の詳細は後述する。

（ジョブネット実行履歴管理テーブル）
図４は、ジョブネット実行履歴管理テーブル１３０の一例を示す図である。ジョブネッ
ト実行履歴管理テーブル１３０は、各タイミングで実行されたジョブネットの名称（種類、ＩＤ等に対応）であるジョブネット名称１３１と、ジョブネット名称１３１に係るジョブネットの実行開始のタイミングである開始時刻１３２と、ジョブネット名称１３１に係るジョブネットの実行終了のタイミングである終了時刻１３３と、ジョブネット名称１３１に係るジョブネットの実行結果を表す情報であるジョブネット終了コード１３４とを含む各項目を有するレコードで構成されるデータベースである。

（ジョブネット実行情報管理テーブル）
次に、図５は、ジョブネット実行情報管理テーブル１４０の一例を示す図である。ジョブネット実行情報管理テーブル１４０は、ジョブネットを特定するＩＤであるジョブネットＩＤ１４１と、ジョブネットＩＤ１４１に係るジョブネットの名称であるジョブネット名称１４２と、ジョブネットＩＤ１４１に係るジョブネットの平均実行時間（同一のジョブネットが複数回実行される場合があるため）であるジョブネット平均実行時間１４３と、ジョブネットＩＤ１４１に係るジョブネットの実行時間のうちその最大値であるジョブネット最大実行時間１４４と、ジョブネットＩＤ１４１に係るジョブネットの実行時間のうちその最小値であるジョブネット最小実行時間１４６と、ジョブネットＩＤ１４１に係るジョブネットの実行時間の標準偏差１４５とを含む各項目を有するレコードで構成されるデータベースである。

次に、図３に示すように、予測モデル作成プログラム１０５は、Ｓ１で収集した各ジョブネットの過去の実行時間の情報に基づき、以後実行する各ジョブネットの実行時間を予測するためのジョブ実行時間予測モデルを生成するジョブネット実行時間予測モデル生成処理Ｓ２を実行する（Ｓ２）。ジョブネット実行時間予測モデル生成処理Ｓ２の詳細は後述する。

予測モデル作成プログラム１０５は、Ｓ２で生成したジョブネット実行時間予測モデルに基づき、バッチジョブの終了時刻に最も影響を与えるパス（以下、クリティカルパスという）を特定するクリティカルパス特定処理Ｓ３を実行する（Ｓ３）。クリティカルパス特定処理Ｓ３の詳細は後述する。

予測モデル作成プログラム１０５は、Ｓ１～Ｓ３で算出したジョブネットの情報を記憶する（Ｓ４）。以上でジョブネット情報収集処理Ｓ１０は終了する。

次に、ジョブネット情報収集処理Ｓ１０における各処理の詳細を説明する。

－－ジョブネット実行時間収集処理－－
図６は、ジョブネット実行時間収集処理Ｓ１の詳細を説明するフロー図である。まず、ジョブネット実行時間収集プログラム１０４は、ジョブネット実行履歴管理テーブル１３０に登録されている、各ジョブネットの過去の実行リストをそのジョブネットの名称に従って並び替える（Ｓ１１）。

ジョブネット実行時間収集プログラム１０４は、Ｓ１１で並び替えた各ジョブネットのうち任意のある名称のジョブネット（以下、選択ＪＮという）を選択する（Ｓ１２）。

具体的には、ジョブネット実行時間収集プログラム１０４は、ジョブネット実行履歴管理テーブル１３０の各レコードのうち、ジョブネット名称１３１に、任意のあるジョブネットの名称が設定されているレコードを全て取得する。

ジョブネット実行時間収集プログラム１０４は、選択ＪＮの実行開始時刻及び実行終了時刻を取得する（Ｓ１３）。

具体的には、ジョブネット実行時間収集プログラム１０４は、Ｓ１２で取得した、ジョブネット実行履歴管理テーブル１３０の選択ＪＮに係る各レコードの開始時刻１３２及び終了時刻１３３の値を取得する。

ジョブネット実行時間収集プログラム１０４は、選択ＪＮの各実行時間を算出する（Ｓ１４）。

具体的には、ジョブネット実行時間収集プログラム１０４は、Ｓ１３で取得した終了時刻１３３の各値から、開始時刻１３２の各値を減算する。

ジョブネット実行時間収集プログラム１０４は、選択ＪＮの各実行時間に関する統計情報を算出し、算出した統計情報を記憶する（Ｓ１５）。

例えば、ジョブネット実行時間収集プログラム１０４は、選択ＪＮの平均実行時間を算出する。具体的には、ジョブネット実行時間収集プログラム１０４は、ジョブネット実行情報管理テーブル１４０における選択ＪＮの名称に係る新たなレコードを生成し、生成したレコードのジョブネット平均実行時間１４３に、Ｓ１４で算出した各減算値の平均値を格納する。

また、例えば、ジョブネット実行時間収集プログラム１０４は、選択ＪＮの実行時間の最大値および最小値を算出する。具体的には、ジョブネット実行時間収集プログラム１０４は、生成した前記レコードのジョブネット最大実行時間１４４にＳ１４で算出した各実行時間のうち最大値を格納する。

また、例えば、ジョブネット実行時間収集プログラム１０４は、生成した前記レコードのジョブネット最小実行時間１４６に、Ｓ１４で算出した各実行時間のうち最小値を格納する。

また、例えば、ジョブネット実行時間収集プログラム１０４は、選択ＪＮの実行時間の標準偏差を算出する。具体的には、ジョブネット実行時間収集プログラム１０４は、生成した前記レコードの標準偏差１４５に、Ｓ１４で算出した各実行時間の標準偏差を格納する。

次に、ジョブネット実行時間収集プログラム１０４は、ジョブネット実行履歴管理テーブル１３０で未だ選択されていない名称のジョブネットがある場合は、その選択されていない名称のジョブネットを新たな選択ＪＮとして、Ｓ１２以降の処理を繰り返す。ジョブネット実行時間収集プログラム１０４は、全ての名称のジョブネットを選択した場合には、ジョブネット実行時間収集処理Ｓ１を終了する。

－－ジョブネット実行時間予測モデル生成処理－－
次に、図７は、ジョブネット実行時間予測モデル生成処理Ｓ２の詳細を説明するフロー図である。

まず、予測モデル作成プログラム１０５は、ジョブネット実行時間予測モデルの生成に用いる、過去に実行されたジョブネットの情報である学習用データ（具体的には、説明変数及び目的変数）を取得する（Ｓ２１）。

具体的には、予測モデル作成プログラム１０５は、ジョブネット実行情報管理テーブル１４０の各レコードのＩＤ１４１に対応するジョブネット実行履歴管理テーブル１３０の
終了時刻１３３の値から開始時刻１３２の値を減算したジョブネット実行時間を各ジョブネットの目的変数として取得する。

また、予測モデル作成プログラム１０５は、前記の目的変数に対する説明変数の一つとして、各ジョブネットが実行された曜日（以下、実行曜日という）を取得する。また、例えば、予測モデル作成プログラム１０５は、説明変数の一つとして、各ジョブネットが実行された営業日の情報（以下、実行営業日情報という。例えば、月の初めから数えて何日目の営業日かといった情報）を取得する。

また、予測モデル作成プログラム１０５は、説明変数の一つとして、各ジョブネットより前に常にその実行が終了している他のジョブネット（以下、前提ＪＮという）の実行時間（以下、前提ＪＮ実行時間という）を、ジョブネット実行履歴管理テーブル１３０の開始時刻１３２及び終了時刻１３３を参照することにより取得する。この場合、（１）ジョブネット実行開始時刻に係る日付が予測モデルを生成する対象となるジョブネットと前提ＪＮとの間で同一とする、あるいは、（２）予測モデルを生成する対象となるジョブネットの実行開始時刻に係る日付と、前提ＪＮの実行終了時刻の係る日付が同一とする、という条件を加えることにより、１つの前提ＪＮあたりの実行時間が１個となるようにする。

また、予測モデル作成プログラム１０５は、説明変数の一つとして、各ジョブネットの終了コードを、ジョブネット実行履歴管理テーブル１３０のジョブネット終了コード１３４を参照することにより取得する。

また、予測モデル作成プログラム１０５は、説明変数の一つとして、各ジョブネットの実行開始時刻前に終了した他のジョブネットの実行終了時刻と、当該各ジョブネットの実行開始時刻との時間差（待ち時間）を、ジョブネット実行履歴管理テーブル１３０の開始時刻１３２及び終了時刻１３３を参照することにより算出する。

（前提ＪＮ実行時間及び待ち時間）
ここで、図８は、前提ＪＮ実行時間及び待ち時間の算出方法の例を説明する図である。

例えば、予測モデル作成プログラム１０５は、実行開始時刻ｔ３ｓのジョブネットＪＮ３の前に実行が終了した、実行終了時刻ｔ１ｅの他のジョブネットＪＮ１を特定する。予測モデル作成プログラム１０５は、特定した他のジョブネットＪＮ１の実行時間ｅ１を、当該後続ジョブネットの前提ＪＮ実行時間とする。そして、予測モデル作成プログラム１０５は、特定した他のジョブネットＪＮ１が唯一の他のジョブネットであるため、ジョブネットＪＮ３の実行開始時間ｔ３ｓと、他のジョブネットＪＮ１の実行終了時間ｔ１ｅとの時間差を、ジョブネットＪＮ３の、当該他のジョブネットＪＮ１に対する待ち時間ｗ３とする。

また、予測モデル作成プログラム１０５は、その実行開始時刻ｔ４ｓのジョブネットＪＮ４の前に実行が終了した、実行終了時刻ｔ３ｅ、ｔ２ｅ、ｔ１ｅの他の複数のジョブネットＪＮ１、ＪＮ２、ＪＮ３を特定する。予測モデル作成プログラム１０５は、当該他の複数のジョブネットＪＮ１、ＪＮ２、ＪＮ３の実行時間（ｅ１、ｅ２、ｅ３）をそれぞれ、当該後続ジョブネットに対する前提ＪＮ実行時間とする。さらに、予測モデル作成プログラム１０５は、当該他の複数のジョブネットＪＮ１、ＪＮ２、ＪＮ３のうち、ジョブネットＪＮ４の直前にその実行が終了しているジョブネットＪＮ３の実行終了時刻ｔ３ｅと、ジョブネットＪＮ４の実行開始時刻ｔ４ｓとの時間差を、ジョブネットＪＮ４に対する待ち時間ｗ４とする。同じように、ジョブネットＪＮ１の実行終了時刻ｔ１ｅとジョブネットＪＮ４の実行開始時刻ｔ４ｓとの時間差ｗ４１、およびジョブネットＪＮ２の実行終了時刻ｔ２ｅとジョブネットＪＮ４の実行開始時刻ｔ４ｓとの時間差ｗ４２も、ジョブネ
ットＪＮ４に対する待ち時間の１つとして扱ってもよい。

なお、各ジョブネットの待ち時間は、所定の予測モデルを用いて算出してもよい。すなわち、予測モデル作成プログラム１０５は、Ｓ２１で取得した学習データに基づき、各ジョブネットの待ち時間を算出するジョブネット待ち時間予測モデルを生成することにより、各ジョブネットの待ち時間を算出するようにしてもよい。

（ジョブネット待ち時間学習テーブル）
図９は、ジョブネット待ち時間予測モデルにより生成される、ジョブネット待ち時間学習テーブル２２０の一例を示す図である。ジョブネット待ち時間学習テーブル２２０は、ジョブネット実行情報管理テーブル１４０のＩＤ１４１の数だけ存在し、後述するジョブネット実行時間学習テーブル１５０と同様の構成を有する。

すなわち、ジョブネット待ち時間学習テーブル２２０は、ジョブネット待ち時間学習テーブルにおける目的変数である当該ジョブネットの待ち時間２５１と、各待ち時間２５１を説明する説明変数２５２との組み合わせと、その組み合わせに対する説明変数の値２５４とを記憶した情報である。説明変数２５２は、例えば、後述する先実行ＪＮ実行時間２５５、各ジョブネットの待ち時間２５６、各ジョブネットの実行曜日２５７、各ジョブネットの実行営業日情報２５８、及び先実行ＪＮの終了コード２５９の各変数を含む。

次に、図７のＳ２２に示すように、予測モデル作成プログラム１０５は、Ｓ２１で取得した学習データに基づき、ジョブネット実行時間予測モデルを生成する（Ｓ２２）。予測モデル作成プログラム１０５は、生成したジョブネット実行時間予測モデルの結果を、記憶装置１２０に記憶する。

例えば、予測モデル作成プログラム１０５は、Ｓ２１で取得した目的変数及び各説明変数の特徴量に対する機械学習（例えば、ランダムフォレスト等の決定木による学習、ディープラーニングによる学習等）を行うことにより、説明変数と目的変数との間の関係を学習し、また、説明変数及び目的変数に係る特徴量を算出する。予測モデル作成プログラム１０５は、所定値以上の特徴量を有する目的変数及び説明変数の組み合わせを、記憶装置１２０に記憶する。

（ジョブネット実行時間学習テーブル）
図１０は、ジョブネット実行時間学習テーブル１５０の一例を示す図である。ジョブネット実行時間学習テーブル１５０は、ジョブネット実行時間予測モデルを生成するための目的変数である各ジョブネットの実行時間１５１と、各ジョブネットの実行時間１５１を説明する説明変数１５２との組み合わせと、当該ジョブネット実行時間に対する説明変数の値１５４とを記憶した情報である。

説明変数１５２は、例えば、先実行ＪＮ実行時間１５５、各ジョブネットの待ち時間１５６、各ジョブネットの実行曜日１５７、各ジョブネットの実行営業日情報１５８、及び先実行ＪＮの終了コード１５９の各変数を含む。

次に、図７のＳ２３に示すように、予測モデル精度判定プログラム１０６は、Ｓ２２で生成したジョブネット実行時間予測モデルの予測精度、すなわちジョブネット実行時間学習テーブル１５０から作成されたジョブネット実行時間予測モデルに基づく予測精度を、各ジョブネットに対する関係で評価する。

例えば、予測モデル精度判定プログラム１０６は、ジョブネット実行時間予測モデルの生成に使用されておらず、かつ実行時間が実測されている、過去に実行された各ジョブネ
ット（以下、評価用ジョブネットという）の説明変数（例えば、実行曜日、実行営業日情報、先実行ＪＮ実行時間、終了コード、及び待ち時間）を、ジョブネット実行履歴管理テーブル１３０等により算出又は取得し、算出又は取得した各説明変数をジョブネット実行時間予測モデル（記憶装置１２０に記憶されている）に入力することにより、各ジョブネットの実行時間を予測する。予測モデル精度判定プログラム１０６は、この予測された実行時間と、実測されている実行時間との時間差を算出することにより、各ジョブネットに対する関係での、ジョブネット実行時間予測モデルの精度を算出する。

予測モデル精度判定プログラム１０６は、Ｓ２３で算出した、評価用ジョブネットの実行時間の予測精度の情報を、ジョブネット実行時間予測方法テーブル１６０に登録する（Ｓ２４）。

（ジョブネット実行時間予測方法テーブル）
図１１は、ジョブネット実行時間予測方法テーブル１６０の一例を示す図である。ジョブネット実行時間予測方法テーブル１６０は、各ジョブネットの名称であるジョブネット名称１６１と、ジョブネット名称１６１に係るジョブネットの実行時間の長さの分類（以下、長さ分類という）を示すジョブネット実行時間分類１６２と、ジョブネット名称１６１に係るジョブネットの実行時間をジョブネット実行時間予測テーブルで予測した場合のその予測時間の精度の分類（以下、精度分類という）であるジョブネット予測精度分類１６３と、ジョブネット名称１６１に係るジョブネットの実行時間を予測する方法（以下、予測方法という）を特定する情報であるジョブネット実行時間予測方法１６４とを含む各項目を有するレコードで構成されるデータベースである。

長さ分類は、ジョブネットの実行時間の長さに応じた情報が設定される。例えば、ジョブネット実行時間分類１６２には、ジョブネットの平均実行時間が所定の閾値Ｔを超えている場合には「Ｌｏｎｇ」、ジョブネットの平均実行時間が所定の閾値Ｔ以下である場合には「Ｓｈｏｒｔ」が設定される。

なお、長さ分類は、ジョブネット実行時間予測モデルに基づき推定される実行時間が所定の閾値Ｔを超えているか否かによって、「Ｌｏｎｇ」又は「Ｓｈｏｒｔ」を設定するようにしてもよい。

精度分類は、予測精度を表す指標である。例えば、ジョブネット予測精度分類１６３には、予測値の幅が所定の閾値を超える場合、例えば２σ区間から外れている場合には「Ｌｏｗ」が設定され、予測値（時間差）が所定の閾値以下である場合、例えば２σ区間以内にある場合には「Ｈｉｇｈ」が設定される。

予測方法は、ジョブネットの実行時間の予測の方法である。具体的には、ジョブネット実行時間分類１６２及びジョブネット予測精度分類１６３に基づき予測方法が設定される。

例えば、ジョブネット予測精度分類１６３が「Ｈｉｇｈ」の場合は、「Ｐｒｅｄｉｃｔ」が設定される。ジョブネット予測精度分類１６３が「Ｌｏｗ」かつジョブネット実行時間分類１６２が「Ｌｏｎｇ」の場合は、「Ｗａｉｔ」が設定される。ジョブネット予測精度分類１６３が「Ｌｏｗ」かつジョブネット実行時間分類１６２が「Ｓｈｏｒｔ」の場合は、「Ｃａｌｃｕｌａｔｅ」が設定される。

このうち「Ｐｒｅｄｉｃｔ」は、ジョブネットの実行時間を、ジョブネット実行時間予測モデルを用いて予測することを示す。

「Ｃａｌｃｕｌａｔｅ」は、ジョブネットの実行時間を、そのジョブネットの統計情報（ジョブネットの実行時間の最大値又は平均値等）に基づき算出する（予測する）ことを示す。

「Ｗａｉｔ」は、ジョブネットの実行時間を、所定の統計情報（ジョブネットの実行時間の最大値）に基づき算出する（予測する）が、実行時間に関するユーザへの情報の表示を所定期間保留することを示す。

－－クリティカルパス特定処理－－
次に、図１２は、クリティカルパス特定処理Ｓ３の詳細を説明するフロー図である。まず、予測モデル作成プログラム１０５は、ジョブネット実行時間予測モデルの結果に基づき、バッチジョブにおけるジョブネット間の処理上（時間上）の依存関係を推定し、推定した依存関係から１又は複数のジョブネットリスト（パス）の情報を生成するジョブネットリスト生成処理を実行する（Ｓ７００）。

なお、予測モデル作成プログラム１０５は、ジョブネットリストの情報を、ジョブネットリストテーブル１７０に登録する。ジョブネットリスト生成処理Ｓ７００の詳細は後述する。

ここで、ジョブネットリストテーブル１７０について説明する。

（ジョブネットリストテーブル）
図１３は、ジョブネットリストテーブル１７０の一例を示す図である。ジョブネットリストテーブル１７０は、ジョブネットリスト（パス）のＩＤであるジョブネットリストＩＤ１７１と、ジョブネットリストＩＤ１７１に係るジョブネットリストを構成する各ジョブネット及びその処理上の順序であるジョブネット構成１７２とを含む各項目を有するレコードで構成される。

なお、ジョブネット構成１７２には、これ以上前にジョブネットが存在しないことを示す値（－１）が設定される。このジョブネットリストテーブル１７０が示すように、複数のジョブネットリストにより枝分かれの構造が形成されている場合がある。

次に、図１２のＳ７０１に示すように、予測モデル作成プログラム１０５は、ジョブネットリスト生成処理で生成したジョブネットリストのうち一つのリスト（ここでは、選択リストという）を選択する（Ｓ７０１）。具体的には、予測モデル作成プログラム１０５は、ジョブネットリストテーブル１７０のうち一つのレコードを選択する。

予測モデル作成プログラム１０５は、ジョブネットリストテーブル１７０及びジョブネット実行情報管理テーブル１４０に基づき、選択リストの実行時間の平均値を算出する（Ｓ７０２）。

具体的には、予測モデル作成プログラム１０５は、Ｓ７０１で選択したレコードのジョブネット構成１７２に記録されている各ジョブネットの平均実行時間を、ジョブネット実行情報管理テーブル１４０における対応レコードのジョブネット平均実行時間１４３から取得する。予測モデル作成プログラム１０５は、取得した各平均実行時間を合計する。

また、予測モデル作成プログラム１０５は、ジョブネットリストテーブル１７０及びジョブネット実行情報管理テーブル１４０に基づき、選択リストの実行時間の最大値を算出する（Ｓ７０３）。

具体的には、予測モデル作成プログラム１０５は、Ｓ７０１で選択したレコードのジョブネット構成１７２に記録されている各ジョブネットの最大実行時間を、ジョブネット実行情報管理テーブル１４０における対応レコードのジョブネット最大実行時間１４４から取得する。予測モデル作成プログラム１０５は、取得したジョブネット最大実行時間１４４の各値を合計する。

予測モデル作成プログラム１０５は、これまでに選択リストとして選択されていない他のジョブネットリストがある場合は、そのジョブネットリストを新たな選択リストとして、Ｓ７０１以降の処理を繰り返す（Ｓ７０４）。予測モデル作成プログラム１０５は、全てのジョブネットリストを選択リストとして選択した場合に、次述するＳ７０５の処理を実行する。

すなわちＳ７０５において、予測モデル作成プログラム１０５は、Ｓ７０１～Ｓ７０５で算出した各実行時間に基づき、クリティカルパスを特定する。

具体的には、予測モデル作成プログラム１０５は、各ジョブネットリストについて、Ｓ７０１～Ｓ７０４で算出した実行時間の平均値及び最大値の合計値をそれぞれ算出する。予測モデル作成プログラム１０５は、算出した合計値が最大のジョブネットリストを、クリティカルパスとして特定する。以上でクリティカルパス特定処理Ｓ３は終了する。

ここで、クリティカルパス特定処理Ｓ３におけるジョブネットリスト生成処理Ｓ７００について説明する。

－－ジョブネットリスト生成処理－－
図１４は、ジョブネットリスト生成処理Ｓ７００の詳細を説明するフロー図である。まず、ジョブ管理装置１００の予測モデル作成プログラム１０５は、ジョブネット実行時間予測モデルに基づき、各ジョブネットの処理上の前後関係を推定する（Ｓ６０１）。

具体的には、例えば、予測モデル作成プログラム１０５は、ジョブネット実行時間予測モデル生成処理で生成したジョブネット実行時間学習テーブル１５０における、各ジョブネットの目的変数である各ジョブネットの実行時間１５１と各ジョブネットの説明変数１５２との組み合わせに対する特徴量１５４をそれぞれ参照及び比較することにより、ジョブネット間の前後関係の組み合わせのうち最も特徴量が大きくなる前後関係の組み合わせを特定する。

予測モデル作成プログラム１０５は、各ジョブネットのうち一つ（ここでは、選択ＪＮという）を選択する（Ｓ６０２）。

予測モデル作成プログラム１０５は、Ｓ６０１で特定した各ジョブネットの前後関係に基づき、選択ＪＮの後に実行されるジョブネットのうち最後のジョブネット（末端のＪＮ）を取得する（Ｓ６０３）。例えば、予測モデル作成プログラム１０５は、ジョブネットリストテーブル１７０に作成した新たなレコードのジョブネット構成１７２における最初の項目に、取得したジョブネットのＩＤを登録する。

予測モデル作成プログラム１０５は、Ｓ６０３で取得したジョブネットの直前に実行される他のジョブネットがあるか否かを判定する（Ｓ６０４）。直前に実行される他のジョブネットがある場合は（Ｓ６０４：ＹＥＳ）、予測モデル作成プログラム１０５は、Ｓ６０５の処理を実行し、直前に実行される他のジョブネットがない場合は（Ｓ６０４：ＮＯ）、予測モデル作成プログラム１０５は、Ｓ６０６の処理を実行する。

Ｓ６０５において予測モデル作成プログラム１０５は、当該他のジョブネットを取得し、そのジョブネットに対して、Ｓ６０４の処理を再び実行する。例えば、予測モデル作成プログラム１０５は、ジョブネットリストテーブル１７０の前記レコードのジョブネット構成１７２における次の項目に、当該他のジョブネットのＩＤを登録する。

Ｓ６０６において予測モデル作成プログラム１０５は、選択ＪＮが、選択ＪＮを含むジョブネットリストにおける最初のジョブネットである旨を記憶する。例えば、予測モデル作成プログラム１０５は、作成したジョブネットリストテーブル１７０のレコードのジョブネット構成１７２における最後の項目として、「－１」を設定する。

予測モデル作成プログラム１０５は、これまでに選択ＪＮとして選択されていない他のジョブネットがある場合は、そのジョブネットを新たな選択ＪＮとして、Ｓ６０２以降の処理を繰り返す（Ｓ６０６）。予測モデル作成プログラム１０５は、全てのジョブネットを選択ＪＮとして選択した場合に、ジョブネットリスト生成処理を終了する。

－－ジョブネット実行時間予測処理－－
次に、図１５は、ジョブネット実行時間予測処理Ｓ２０の詳細を説明するフロー図である。ジョブネット実行時間予測処理Ｓ２０は、ジョブネット情報収集処理Ｓ１０の最低１回の実行後、バッチジョブを実行中の場合において、所定のタイミング（例えば、所定の時間間隔、所定の時刻、又はユーザから所定の入力があった場合等）に繰り返し実行される。

まず、予測モデル作成プログラム１０５は、ジョブネット情報収集処理Ｓ１０のクリティカルパス特定処理Ｓ３で特定したクリティカルパスにおける、各ジョブネットの情報を取得する（Ｓ８０１）。

具体的には、予測モデル作成プログラム１０５は、ジョブネットリストテーブル１７０及びジョブネット実行情報管理テーブル１４０から、クリティカルパスに係るレコードを取得する。

予測モデル作成プログラム１０５は、現在実行中のバッチジョブにおいて、実行順序が最初のジョブネットからジョブネットを検索することで、実行が終了していないか又は実行時間を未だ予測していないジョブネットのうち、最初に検索されかつこれまでに選択されていないジョブネット（以下、予測対象ジョブネットという）を選択する（Ｓ８０２）。

予測モデル作成プログラム１０５は、後述するＳ８０５でジョブネット実行時間予測モデルに入力するための、予測対象ジョブネットに関する説明変数の項目を取得する（Ｓ８０３）。例えば、予測モデル作成プログラム１０５は、ジョブネット実行時間学習テーブル１５０から、説明変数１５２の項目を取得する。

予測モデル作成プログラム１０５は、予測対象ジョブネットに対する前提ＪＮであってその実行が未だ完了していない、１又は複数のジョブネット（以下、未了前提ＪＮという）があるか否かを判定する（Ｓ８０４）。

具体的には、例えば、予測モデル作成プログラム１０５は、Ｓ８０２で選択したジョブネットより前の実行順序のジョブネットを、ジョブネットリストテーブル１７０により特定し、特定したジョブネットの実行が現在実行中か否かを、所定のモニタリングプログラムにより確認する。

未了前提ＪＮがある場合は（Ｓ８０４：ＹＥＳ）、予測モデル作成プログラム１０５は、次述するＳ８０５の処理を実行し、未了前提ＪＮがない場合は（Ｓ８０４：ＮＯ）、予測モデル作成プログラム１０５は、後述するＳ８０７の処理を実行する。

Ｓ８０５において予測モデル作成プログラム１０５は、ジョブネット実行時間予測モデル生成処理Ｓ２で決定した各ジョブネットの予測方法に応じて、各未了前提ＪＮの実行時間を予測する。その後、予測モデル作成プログラム１０５は、その次の実行順序の予測対象ジョブネットを選択してＳ８０２以降の処理を繰り返す。

具体的には、まず、予測モデル作成プログラム１０５は、ジョブネット実行時間予測方法テーブル１６０から、未了前提ＪＮに係るレコードのジョブネット実行時間予測方法１６４を取得する。

そして、予測モデル作成プログラム１０５は、取得した内容が「Ｐｒｅｄｉｃｔ」の場合（予測精度が高い場合）は、ジョブネット実行時間予測モデル（ジョブネット実行時間学習テーブル１５０から作成されたジョブネット実行時間予測モデル）に、実行が終了した各前提ＪＮの実行時間の実測値及び、各未了前提ＪＮに関する、Ｓ３０３で取得した説明変数の値を入力することにより、各未了前提ＪＮの実行時間を予測する。

また、予測モデル作成プログラム１０５は、取得した内容が「Ｃａｌｃｕｌａｔｅ」の場合（予測精度が低く実行時間が短い場合）、過去に実行された各未了前提ＪＮの統計情報に基づき、各未了前提ＪＮの実行時間を算出する。例えば、予測モデル作成プログラム１０５は、ジョブネット実行情報管理テーブル１４０から、各未了前提ＪＮに係るレコードのジョブネット平均実行時間１４３又はジョブネット最大実行時間１４４を取得することにより、各未了前提ＪＮの実行時間を予測（算出）する。

なお、ジョブネット平均実行時間１４３又はジョブネット最大実行時間１４４のいずれを利用するかは、例えば、ジョブネット実行情報管理テーブル１４０の作成に際して利用したジョブネットの過去履歴のデータの多さ（サンプリング数の多さ）に応じて変えるようにする。例えば、予測モデル作成プログラム１０５は、サンプリング数が所定数より多い場合にはジョブネット平均実行時間１４３を使用し、サンプリング数が所定数未満の場合にはジョブネット最大実行時間１４４を利用する。

また、予測モデル作成プログラム１０５は、取得した内容が「Ｗａｉｔ」の場合（予測精度が低く実行時間が長い場合）、過去に実行された各未了前提ＪＮの統計情報のうち最大値に基づき、各未了前提ＪＮの実行時間を予測（算出）する。例えば、予測モデル作成プログラム１０５は、ジョブネット実行情報管理テーブル１４０から、各未了前提ＪＮに係るレコードのジョブネット最大実行時間１４４を取得することにより、各未了前提ＪＮの実行時間を予測する。

Ｓ８０７において予測モデル作成プログラム１０５は、選択可能な予測対象ジョブネットを全て選択したかを確認する。予測対象ジョブネットを全て選択した場合は（Ｓ８０７：ＹＥＳ）、ジョブネット実行時間予測処理は終了し（Ｓ８０８）、選択していない予測対象ジョブネットがある場合は（Ｓ８０７：ＮＯ）、予測モデル作成プログラム１０５は、一つ前の予測対象ジョブネットを選択してＳ８０２以降の処理を繰り返す。

このように、ジョブネット実行時間予測処理Ｓ２０は、現在実行中のバッチジョブにおける未了前提ＪＮのそれぞれの実行時間を算出する（予測する）。

－－ジョブネット遅延判定処理－－
次に、図１６は、ジョブネット遅延判定処理Ｓ３０の詳細を説明するフロー図である。ジョブネット遅延判定処理Ｓ３０は、ジョブネット実行時間予測処理Ｓ２０で算出した実行時間を用いて、ユーザから指定されたジョブネットの実行終了時刻の進行状況（遅延状況）に関する情報を表示する。

なお、ジョブネット遅延判定処理Ｓ３０は、ジョブネット実行時間予測処理Ｓ２０の最低１回の実行後に、バッチジョブが実行中の場合であって、ユーザから所定の入力があった場合、実行中のいずれかのジョブネットの実行が終了した通知をジョブ実行マネージャー５００から受信した場合、又は所定のタイミング（例えば、所定の時間間隔、所定の時刻等）に実行される。

まず、遅延判定プログラム１０９は、現在実行中のバッチジョブのクリティカルパスにおけるジョブネットのうち、実行の遅延状況を判定するジョブネット（以下、判定対象ＪＮという）を特定する（Ｓ９００）。

具体的には、例えば、遅延判定プログラム１０９は、後述するジョブネット監視画面１０００によりユーザから判定対象ＪＮの指定の入力を受け付けてもよいし、各ジョブネットから任意に選択してもよいし、所定のスケジュールに従って判定対象ＪＮを選択してもよい。

遅延判定プログラム１０９は、現在時刻を取得する（Ｓ９０１）。そして、遅延判定プログラム１０９は、予めユーザにより設定された判定対象ＪＮの実行終了時刻（以下、終了予定時刻という）が現在時刻より前であるか否かを判定する（Ｓ９０２）。

なお、終了予定時刻は、例えば、ユーザが業務状況等に応じて設定した時刻、又は、所定のスケジュールに基づき自動的に設定された時刻である。

終了予定時刻が現在時刻より前である場合は（Ｓ９０２：ＹＥＳ）、遅延判定プログラム１０９は、次述するＳ９０５の処理を実行し、終了予定時刻が現在時刻又はそれ以後である場合は（Ｓ９０２：ＮＯ）、遅延判定プログラム１０９は、後述するＳ９０３の処理を実行する。

Ｓ９０５において遅延判定プログラム１０９は、判定対象ＪＮの処理が終了予定時刻より遅延している旨を示す情報を表示する。以上でジョブネット遅延判定処理Ｓ３０は終了する。

他方、Ｓ９０３において遅延判定プログラム１０９は、判定対象ＪＮの実行時間の予測精度が高いか否かを判定する。例えば、遅延判定プログラム１０９は、ジョブネット実行時間予測方法テーブル１６０における、判定対象ＪＮに係るレコードのジョブネット予測精度分類１６３が「Ｈｉｇｈ」であるか否かを判定する。

判定対象ＪＮの実行時間の予測精度が高い場合は（Ｓ９０３：ＹＥＳ）、遅延判定プログラム１０９は、後述するＳ９０６の処理を実行し、判定対象ＪＮの実行時間の予測精度が高くない場合は（Ｓ９０３：ＮＯ）、遅延判定プログラム１０９は、後述するＳ９０４の処理を実行する。

Ｓ９０６において遅延判定プログラム１０９は、判定対象の実行終了時刻を、ジョブネット実行時間予測モデルに基づき算出する。そして、遅延判定プログラム１０９は、判定対象ＪＮの処理の遅延状況を示す情報を後述するジョブネット監視画面１０００に表示し、ジョブネット遅延判定処理Ｓ３０は終了する。

具体的には、例えば、遅延判定プログラム１０９は、判定対象ＪＮの各前提ＪＮを実行順序順に取得する。遅延判定プログラム１０９は、取得した各前提ＪＮについて、その前提ＪＮが未了前提ＪＮである場合にはその未了前提ＪＮの実行時間の予測値（ジョブネット実行時間予測処理Ｓ２０で算出したもの）を取得し、他方、その前提ＪＮが未了前提ＪＮでない場合にはその前提ＪＮの実行時間の実測値を取得する。

遅延判定プログラム１０９は、取得した各前提ＪＮの実行時間と、その他の説明変数（例えば、実行曜日、又は、ジョブネット実行情報管理テーブルの平均待ち時間１４６又はジョブネット待ち時間学習テーブル２２０をもとに作成された予測モデルにより取得される待ち時間等）とをそれぞれ説明変数として、これらをジョブネット実行時間予測モデルに入力することにより、判定対象ＪＮの実行時間を予測することでその実行終了時刻を算出し、これを表示する。

さらに、遅延判定プログラム１０９は、算出した実行終了時刻が終了予定時刻より後の場合には、判定対象ＪＮの処理が遅延している旨を示す情報を表示してもよい。

Ｓ９０４において遅延判定プログラム１０９は、判定対象ＪＮの実行時間が長いか否かを判定する。例えば、遅延判定プログラム１０９は、ジョブネット実行時間予測方法テーブル１６０における、判定対象ＪＮに係るレコードのジョブネット実行時間分類１６２が「Ｌｏｎｇ」であるレコードがあるか否かを判定する。

実行時間が長い場合は（Ｓ９０４：ＹＥＳ）、遅延判定プログラム１０９は、後述するＳ９０８の処理を実行し、実行時間が長くない場合は（Ｓ９０４：ＮＯ）、遅延判定プログラム１０９は、後述するＳ９０７の処理を実行する。

Ｓ９０７において遅延判定プログラム１０９は、判定対象ＪＮの実行終了時刻を、判定対象ＪＮ及び各前提ＪＮの実行時間の平均値又は実測値に基づき予測する。そして、遅延判定プログラム１０９は、判定対象ＪＮの処理の遅延状況を示す情報を後述するジョブネット監視画面１０００に表示し、ジョブネット遅延判定処理Ｓ３０は終了する。

具体的には、例えば、遅延判定プログラム１０９は、判定対象ＪＮの各前提ＪＮを実行順序順に取得する。遅延判定プログラム１０９は、取得した前提ＪＮについて、その前提ＪＮが未了前提ＪＮである場合にはその未了前提ＪＮの実行時間の予測値（ジョブネット実行時間予測処理Ｓ２０で算出したもの）を取得し、他方、その前提ＪＮが未了前提ＪＮでない場合にはその前提ＪＮの実行時間の実測値を取得する。

また、遅延判定プログラム１０９は、判定対象ＪＮの実行時間を、ジョブネット実行情報管理テーブル１４０の対応レコードのジョブネット平均実行時間１４３から取得する。

遅延判定プログラム１０９は、取得した各前提ＪＮ及び判定対象ＪＮの各実行時間を合計することによって、判定対象ＪＮの実行終了時刻を算出し、表示する。

なお、遅延判定プログラム１０９は、各前提ＪＮの間の待ち時間、及び、判定対象ＪＮと各前提ＪＮとの待ち時間を、ジョブネット実行履歴管理テーブル１３０の判定対象ＪＮと各ＪＮの対応レコード開始時刻および終了時刻から得られる待ち時間の平均値あるいは最大値、又はジョブネット待ち時間学習テーブル２２０をもとに作成した予測モデルを用いて取得して、これらをさらに加算するようにしてもよい。

なお、遅延判定プログラム１０９は、算出した判定対象ＪＮの実行終了時刻の精度が低
いことを示す情報をジョブネット監視画面１０００に表示してもよい。

Ｓ９０８において遅延判定プログラム１０９は、判定対象ＪＮの実行終了時刻を、判定対象ＪＮ及び各前提ＪＮの実行時間の最大値又は実測値に基づき予測する。そして、遅延判定プログラム１０９は、判定対象ＪＮの処理の遅延状況を示す情報を後述するジョブネット監視画面１０００に表示し、ジョブネット遅延判定処理Ｓ３０は終了する。

また、遅延判定プログラム１０９は、判定対象ＪＮの実行時間を、ジョブネット実行情報管理テーブル１４０の対応レコードの最大ジョブネット最大実行時間１４４から取得する。

なお、遅延判定プログラム１０９は、各前提ＪＮの間の待ち時間、及び、判定対象ＪＮと各前提ＪＮとの待ち時間を、ジョブネット実行情報管理テーブルの対応レコードの平均待ち時間１４６又はジョブネット待ち時間予測テーブル２２０の対応特徴量から取得して、これらをさらに加算するようにしてもよい。

なお、遅延判定プログラム１０９は、算出した判定対象ＪＮの実行終了時刻の精度が低いことを示す情報をジョブネット監視画面１０００に表示してもよい。また、遅延判定プログラム１０９は、所定期間、待機する（判定対象ＪＮの実行終了時刻の表示を保留する）ようにしてもよい。

このように、本実施形態のジョブネット遅延判定処理Ｓ３０は、判定対象ジョブネット及び未了前提ＪＮの、予測精度の高さ及び実行時間の長さに基づき、遅延判定に係る情報の表示を変えている。

ここで、ジョブネット監視画面１０００について説明する。

（ジョブネット監視画面）
図１７は、ジョブネット監視画面１０００の一例を示す図である。ジョブネット監視画面１０００には、クリティカルパスにおける各ジョブネットのアイコンと、それらの実行順序を示す図形１００１（矢印等）とが表示される。具体的には、各ジョブネットのアイコンには、そのジョブネットが実行済みであることを示す実行済みアイコン１００３と、そのジョブネットが現在実行中であることを示す実行中アイコン１００５と、そのジョブネットが未実行（実行待ち）であることを示す未実行アイコン１００７とがある。なお、クリティカルパスに属さないジョブネットのアイコン１００９には、その旨がわかるように特殊な表示（例えば、薄い色による表示）がなされる。

ここで、ユーザが、判定対象ＪＮとして未実行アイコン１００７（１００７（１）（２））を選択すると、その未実行アイコン１００７に対応するジョブネットの遅延状況を示す情報が表示される。

具体的には、例えば、選択した未実行アイコン１００７（１）のジョブネットの実行終了時刻の予測精度が高い場合には、その未実行アイコン１００７（１）に対応するジョブネットの実行終了時刻として、ジョブネット実行時間予測モデル又は実測値により予測された実行終了時刻１０１１が表示される。

また、例えば、選択した未実行アイコン１００７（２）のジョブネットの実行終了時刻の予測精度が低い場合は、その未実行アイコン１００７（２）に対応するジョブネットの実行終了時刻として、統計情報（平均値又は最大値等）により予測された実行終了時刻１０１２が表示される。

なお、この場合、実行終了時刻１０１１の予測精度が低いことを示す情報１０１３が表示されてもよい。また、予測された実行終了時刻１０１２を表示しないようにしてもよい。さらにこの場合、実行終了時刻１０１１の表示を所定期間待機してもよい。例えば、その未実行アイコン１００７（２）に対応するジョブネットの実行が開始されるまでは、その終了予定時刻が到来するまでは、又は、統計情報のうち最小値を用いて予測されたそのジョブネットの実行終了時刻が到来するまでは、実行終了時刻１０１２を表示しないようにしてもよい。

なお、ユーザが、判定対象ＪＮとして実行中アイコン１００５を選択した場合にも、未実行アイコン１００７と同様に各情報の表示が行われる。

次に、ジョブネット終了予定時刻入力画面１１００について説明する。

（ジョブネット終了予定時刻入力画面）
図１８は、ジョブネット終了予定時刻入力画面１１００の一例を示す図である。ジョブネット終了予定時刻入力画面１１００には、クリティカルパスにおける各ジョブネット１１１１とこれらのジョブネット１１１１の実行順序を示す情報１１１３（矢印）とが表示されるジョブ表示欄１１１０と、クリティカルパスにおけるジョブネット１１１１のリストの表示欄１１２０と、クリティカルパスの最後のジョブネットの終了予定時刻の入力をユーザから受け付ける設定時刻入力欄１１３０とが表示される。

（ジョブネット情報表示画面）
図１９は、ジョブネット情報表示画面１２００の一例を示す図である。

ジョブネット情報表示画面１２００は、例えば、ジョブ管理装置１００がユーザから所定の入力を受け付けた際に表示される。ジョブネット情報表示画面１２００は、ジョブネットごとに設けられる画面であり、ジョブネットの名称１２１０と、そのジョブネットの統計情報１２２０と、そのジョブネットとの関係でのジョブネット実行時間予測モデルの精度の情報１２３０とが表示される。

統計情報１２２０は、ジョブネット実行履歴管理テーブル１３０及びジョブネット実行情報管理テーブル１４０に基づく情報であり、具体的には、これまでに実行された当該ジョブネットの実行時間のうち最短実行時間１２２１と、これまでに実行された当該ジョブネットの平均実行時間１２２２と、これまでに実行された当該ジョブネットの実行時間のうち最大実行時間１２２３と、これまでに実行された当該ジョブネットの実行時間の標準偏差１２２４と、当該ジョブネットの実行時間の長さの分類１２２５（「Ｌｏｎｇ」「Ｓｈｏｒｔ」に対応）とを含む。

精度の情報１２３０は、ジョブネット実行時間予測方法テーブル１６０に基づく情報であり、具体的には、当該ジョブネットに関するジョブネット実行時間予測モデルの予測精
度１２３１（「Ｈｉｇｈ」「Ｌｏｗ」に対応）と、当該ジョブネットの実行時間の予測方法１２３２（「Ｐｒｅｄｉｃｔ」「Ｌｏｗ」「Ｗａｉｔ」に対応）とを含む。

以上のように、本実施形態のジョブ管理装置１００は、実行されるジョブ（又はジョブネット。以下同様。）の実行時間を予測する実行時間予測モデルによる各ジョブの実行時間の予測精度をそれぞれ算出し、現在実行中のバッチジョブのうち指定されたジョブの実行終了時を実行時間予測モデルに基づき予測するか否かを、各ジョブの実行時間の予測精度に基づき判定し、実行時間予測モデルに基づき予測する場合には、実行時間予測モデルに基づき予測した、指定されたジョブの実行終了時に関する情報を表示する。

すなわち、ジョブ管理装置１００は、実行時間予測モデルの精度に応じて、各ジョブ（ネット）の実行終了時刻を実行時間予測モデルで予測するので、ジョブ（ネット）の実行終了タイミングを安定した精度で予測することができる。

これにより、例えば、ジョブネットの開始、終了、又は進捗状況を監視し、ジョブネットの実行終了が遅れそうな場合には、これをいち早く検知してユーザに必要な対策を促すことができる。これにより、例えば、ジョブを利用する業務システムの稼働開始時刻までに、必要なジョブの処理を完了することができる。

［実施例２］
実施例２に係るジョブ管理システム２は、ジョブネット実行時間予測モデルにおける説明変数が実施例１と異なる。すなわち、本実施例に係るジョブ管理システム２は、説明変数として、ジョブ実行エージェント６００のリソースの情報が追加される。

図２０は、実施例２に係るジョブ管理システム２の構成の一例を説明する図である。実施例１と同様の符号の構成は、実施例１と同様である。

すなわち、本実施例に係るジョブ管理装置１００は、ジョブネット実行エージェント実行エージェントテーブル１８０、ジョブネット実行エージェント情報テーブル１９０、及びリソース使用状況テーブル２００を記憶している。

そして、本実施例では、予測モデル作成プログラム１０５は、過去に実行された各ジョブを実行したジョブ実行エージェント６００の、当該各ジョブを実行した際のリソースの使用状況の情報を取得し、取得したリソースの使用状況の情報（リソース使用状況テーブル２００）と、過去に実行された各ジョブの実行時間に関する情報とに基づき、実行時間予測モデルを生成する。

ここで、ジョブネット実行エージェントテーブル１８０、及びジョブネット実行エージェント情報テーブル１９０について説明する。

（ジョブネット実行エージェントテーブル）
図２１は、ジョブネット実行エージェントテーブル１８０の一例を示す図である。ジョブネット実行エージェントテーブル１８０は、各ジョブネットの名称（識別子）であるジョブネット名称１８１、及びジョブネット名称１８１に係るジョブネットを実行するジョブ実行エージェント６００の識別子であるエージェント１８２の各項目を有する各レコードで構成される。

（ジョブネット実行エージェント情報テーブル）
図２２は、ジョブネット実行エージェント情報テーブル１９０の一例を示す図である。ジョブネット実行エージェント情報テーブル１９０は、各ジョブ実行エージェント６００
の名称（識別子）であるエージェント名称１９１、及びエージェント名称１９１に係るジョブ実行エージェント６００のジョブ管理システム２上の位置（ＩＰアドレス等）であるアドレス１９２、及びエージェント名称１９１に係るジョブ実行エージェント６００へのアクセスに必要な認証情報１９３の各項目を有する各レコードで構成される。

－－ジョブネット実行時間収集処理－－
図２３は、実施例２に係るジョブネット実行時間収集処理Ｓ４０の一例を説明する。このジョブネット実行時間収集処理Ｓ４０は、実施例１と同様のジョブネット実行時間収集処理Ｓ１と、後述するジョブネット実行時間予測モデル生成処理Ｓ６と、実施例１と同様のクリティカルパス特定処理Ｓ３と、実施例１と同様のデータの追加Ｓ４とを実行する他、ジョブネット実行時間予測モデル生成処理Ｓ６を実行する前に、ジョブ実行エージェント６００に関するリソースの情報を収集するリソース情報収集処理Ｓ５を実行する。

すなわち、リソース情報収集処理Ｓ５においてジョブネット実行時間収集プログラム１０４は、実施例１の各処理に加え、ジョブ実行エージェント６００に関するリソースの情報を、各ジョブ実行エージェント６００から受信し、受信した情報を、リソース使用状況テーブル２００に記憶する。

（リソース使用状況テーブル）
図２４は、リソース使用状況テーブル２００の一例を示す図である。リソース使用状況テーブル２００は、ジョブ実行エージェント６００に係る名称（識別子）であるエージェント名称２０１、エージェント名称２０１に係るジョブ実行エージェント６００がジョブネットを実行した日時２０２、エージェント名称２０１に係るジョブ実行エージェント６００におけるリソースの種類（例えば、ＣＰＵ使用率、メモリ使用率、ディスク使用率、ネットワーク帯域使用率）の名称（識別子）であるリソース名２０３、及びリソース名２０３に係るリソースの、日時２０２に係る時点での値２０４の各項目を含むレコードで構成される。

次に、本実施例に係るジョブネット実行時間予測モデル生成処理Ｓ６について説明する。

ジョブネット実行時間予測モデル生成処理Ｓ６において、予測モデル作成プログラム１０５は、実施例１と同様にジョブネット実行時間予測モデルを生成することにより、実施例１と異なるジョブネット実行時間学習テーブル２３０を生成する。すなわち、本実施例では、予測モデル作成プログラム１０５は、ジョブネット実行時間予測モデルの説明変数として、実施例１で説明した説明変数に加えて、ジョブ実行エージェント６００のリソース情報を使用する。

（ジョブネット実行時間学習テーブル）
図２５は、実施例２に係るジョブネット実行時間学習テーブル２３０の一例を示す図である。ジョブネット実行時間学習テーブル２３０は、実施例１と同様に、ジョブネット実行時間予測モデルにおける目的変数である各ジョブネットの実行時間１５１と、各ジョブネットの実行時間１５１を説明する説明変数１５２との組み合わせと、その組み合わせに対する説明変数の値１５４とを記憶した情報である。ここで、本実施例では、説明変数１５２として、ジョブ実行エージェント６００のリソース２３５（同図の例では、ＣＰＵ使用率、メモリ使用率）が設定されている。

このジョブネット実行時間学習テーブル２３０を用いて、遅延判定プログラム１０９は、ジョブネット実行時間予測処理Ｓ２０及びジョブネット遅延判定処理Ｓ３０を実行する。

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。上記した実施例は本発明のより良い理解のために詳細に説明したのであり、必ずしも説明の全ての構成を備えるものに限定されものではない。

例えば、各情報処理装置の一部又は全部の機能を、他の情報処理装置に設けてもよい。

また、本実施形態では、実行時間又は実行終了時刻等の算出対象をジョブネット単位としたが、ジョブ単位としてもよいし、ジョブネットを更に統合したさらに上位のジョブのグループとしてもよい。

また、ジョブネット実行時間予測モデルにおける説明変数は、本実施形態で説明したものに限られない。また、説明変数の対象となるジョブネットを一部のジョブネットに限定してもよい。

また、本実施形態では、ジョブネット実行時間予測モデルに基づく予測か、又は統計情報に基づき予測かについての判定基準を、ジョブネット実行時間予測モデルの予測精度の他、ジョブネットの実行時間に基づくものとしたが、他の判定基準を用いてもよい。例えば、全パスにおける各ジョブネットの実行時間の割合を使用してもよい。

また、終了予定時刻は、ジョブネットごとに設定してもよいし、パス全体の終了時刻としてもよい。

以上の本明細書の記載により、少なくとも次のことが明らかにされる。すなわち、本実施形態において、前記情報処理装置（ジョブ管理装置１００）が、前記遅延判定処理において、前記指定されたジョブネットの実行終了時を前記実行時間予測モデルに基づき予測するか否かを、前記実行時間予測モデルによる、前記指定されたジョブネットの実行時間の予測精度が所定値以上であるか否かにより判定し、前記実行時間の予測精度が前記所定値以上である場合に、前記実行時間予測モデルに基づき予測した、前記指定されたジョブネットの実行終了時に関する情報を表示する、としてもよい。

このように、実行時間予測モデルによる、指定されたジョブネットの実行時間の予測精度が高い場合に、実行時間予測モデルに基づき予測した、指定されたジョブネットの実行終了時に関する情報を表示することにより、信頼性の高い、指定されたジョブネットの実行終了時刻の情報を確実にユーザに提供することができる。

また、本実施形態において、前記情報処理装置が、前記過去に実行された各ジョブネットの実行時間に関する情報に基づき、前記各ジョブネットの実行時間の統計値を算出するジョブネット実行時間収集処理を実行し、前記遅延判定処理において、前記指定されたジョブネットの実行終了時を前記実行時間予測モデルに基づき予測するか否かを、前記実行時間予測モデルによる、前記指定されたジョブネットの実行時間の予測精度が所定値以上であるか否かにより判定し、前記実行時間の予測精度が前記所定値以上でないと判定した場合には、前記算出した統計値に基づき算出した、前記指定されたジョブネットの実行終了時に関する情報を表示する、としてもよい。

このように、実行時間の予測精度が高くない場合には、各ジョブネットの実行時間の統計値に基づき算出した、指定されたジョブネットの実行終了時に関する情報を表示することで、その予測精度が高くない場合であっても、ユーザは、適切な予測方法による実行終了時刻の提示を受けることができる。

また、本実施形態において、前記情報処理装置が、前記遅延判定処理において、前記指定されたジョブネットの実行時間の予測精度が前記所定値以上でないと判定した場合には、前記算出した統計値に基づき算出した、前記指定されたジョブネットの実行終了時に関する情報を表示する前に、所定期間待機する、としてもよい。

このように、実行時間の予測精度が高くない場合に、統計値に基づき算出した実行終了時に関する情報を表示する前に、所定期間待機することで、ユーザが実行時間の予測に関して、不正確な情報に基づく拙速な判断をすることを防ぐことができる。

また、本実施形態において、前記情報処理装置が、前記ジョブネット実行時間収集処理において、前記過去に実行された各ジョブネットの実行時間に関する情報に基づき、前記各ジョブネットの実行時間の統計値として、前記各ジョブネットの実行時間の平均値及び最大値を算出し、前記遅延判定処理において、前記実行時間の予測精度が前記所定値以上でないと判定した場合には、さらに、前記指定されたジョブネットの実行時間が所定時間以上であるか否かを判定し、前記指定されたジョブネットの実行時間が前記所定時間以上である場合には、前記算出した最大値に基づき算出した、前記指定されたジョブネットの実行終了時に関する情報を表示し、前記指定されたジョブネットの実行時間が前記所定時間以上でない場合には、前記算出した平均値に基づき算出した、前記指定されたジョブネットの実行終了時に関する情報を表示する、としてもよい。

このように、指定されたジョブネットの実行時間の予測精度が高くない場合に、さらに、ジョブネットの実行時間が長い場合には、最大値に基づき算出した実行終了時に関する情報を表示し、他方、実行時間が長くない場合には、平均値に基づき算出した実行終了時に関する情報を表示することで、実行時間の長さに応じた、指定されたジョブネットの実行終了時に関する合理的な情報をユーザに提供することができる。

また、本実施形態において、前記情報処理装置が、前記ジョブネット実行時間予測モデル生成処理において、前記過去に実行された各ジョブネットの実行時間に関する情報に基づき、前記各ジョブネットの実行順序を推定し、前記遅延判定処理において、前記指定されたジョブネットより前の実行順序のジョブネットを、前記推定した実行順序に基づき特定する、としてもよい。

このように、各ジョブネットの過去の実行時間に基づき各ジョブネットの実行順序を推定しておき、指定されたジョブネットより前の実行順序のジョブネットを、その推定した実行順序に基づき特定することにより、ジョブネット間の実行順序の関係が複雑である場合であっても各ジョブネット間の実行順序を適切に推定し、指定されたジョブネットの実行終了時刻を適切に算出することができる。

また、本実施形態において、前記情報処理装置が、前記ジョブネット実行時間予測モデル生成処理において、前記過去に実行された各ジョブネットの実行時間に関する情報の一つとして、前記過去に実行された各ジョブネットの実行開始時刻と、当該各ジョブネットの前に実行が終了した他のジョブネットの実行終了時刻との差である待ち時間を算出し、算出した待ち時間に基づき、前記実行時間予測モデルを生成する、としてもよい。

このように、過去のジョブネットの実行開始時刻と、そのジョブネットの前に実行が終了しているジョブネットの実行終了時刻との時間差に基づき実行時間予測モデルを生成することにより、ジョブネット間の実行順序を適切に推定し、各ジョブネットの実行時間をより正確に推定できる予測モデルを生成することができる。

また、本実施形態において、前記情報処理装置が、前記ジョブネット実行時間予測モデ
ル生成処理において、前記過去に実行された各ジョブネットを実行した所定の情報処理装置の、当該各ジョブネットを実行した際のリソースの使用状況の情報を取得し、取得した前記リソースの使用状況の情報と、前記過去に実行された各ジョブネットの実行時間に関する情報とに基づき、前記実行時間予測モデルを生成する、としてもよい。

このように、各ジョブネットを実行したジョブ実行エージェント６００の、各ジョブネットを実行した際のリソースの使用状況を用いて実行時間予測モデルを生成することにより、各ジョブ実行エージェント６００の性能が異なり各ジョブネットの実行時間が各ジョブ実行エージェント６００ごとに大きく異なる場合であっても、ジョブネットの実行時間をより正確に推定できる予測モデルを生成することができる。

１ジョブ管理システム、１００ジョブ管理装置、５００ジョブ実行マネージャー、６００ジョブ実行エージェント

Claims

情報処理装置が、
過去に実行された各ジョブネットの実行時間に関する情報に基づき、実行されるジョブネットの実行時間を予測する実行時間予測モデルを生成するジョブネット実行時間予測モデル生成処理と、
前記生成した実行時間予測モデルによる各ジョブネットの実行時間の予測精度をそれぞれ算出する予測モデル精度判定処理と、
現在実行中の又は以後実行される複数のジョブネットを含む集合であるジョブネット群のうち指定されたジョブネットの実行終了時を前記実行時間予測モデルに基づき予測するか否かを、前記算出した、各ジョブネットの実行時間の予測精度に基づき判定し、前記指定されたジョブネットの実行終了時を前記実行時間予測モデルに基づき予測すると判定した場合には、前記実行時間予測モデルに基づき予測した、前記指定されたジョブネットの実行終了時に関する情報を表示する遅延判定処理と、
を実行する、ジョブ管理方法。
前記情報処理装置が、
前記遅延判定処理において、前記指定されたジョブネットの実行終了時を前記実行時間予測モデルに基づき予測するか否かを、前記実行時間予測モデルによる、前記指定されたジョブネットの実行時間の予測精度が所定値以上であるか否かにより判定し、前記実行時間の予測精度が前記所定値以上である場合に、前記実行時間予測モデルに基づき予測した、前記指定されたジョブネットの実行終了時に関する情報を表示する、
請求項１に記載のジョブ管理方法。
前記情報処理装置が、
前記過去に実行された各ジョブネットの実行時間に関する情報に基づき、前記各ジョブネットの実行時間の統計値を算出するジョブネット実行時間収集処理を実行し、
前記遅延判定処理において、前記指定されたジョブネットの実行終了時を前記実行時間予測モデルに基づき予測するか否かを、前記実行時間予測モデルによる、前記指定されたジョブネットの実行時間の予測精度が所定値以上であるか否かにより判定し、前記実行時間の予測精度が前記所定値以上でないと判定した場合には、前記算出した統計値に基づき算出した、前記指定されたジョブネットの実行終了時に関する情報を表示する、
請求項２に記載のジョブ管理方法。
前記情報処理装置が、
前記遅延判定処理において、前記指定されたジョブネットの実行時間の予測精度が前記所定値以上でないと判定した場合には、前記算出した統計値に基づき算出した、前記指定されたジョブネットの実行終了時に関する情報を表示する前に、所定期間待機する、
請求項３に記載のジョブ管理方法。
前記情報処理装置が、
前記ジョブネット実行時間収集処理において、前記過去に実行された各ジョブネットの実行時間に関する情報に基づき、前記各ジョブネットの実行時間の統計値として、前記各ジョブネットの実行時間の平均値及び最大値を算出し、
前記遅延判定処理において、前記実行時間の予測精度が前記所定値以上でないと判定した場合には、さらに、前記指定されたジョブネットの実行時間が所定時間以上であるか否かを判定し、前記指定されたジョブネットの実行時間が前記所定時間以上である場合には、前記算出した最大値に基づき算出した、前記指定されたジョブネットの実行終了時に関する情報を表示し、前記指定されたジョブネットの実行時間が前記所定時間以上でない場合には、前記算出した平均値に基づき算出した、前記指定されたジョブネットの実行終了
時に関する情報を表示する、
請求項３に記載のジョブ管理方法。
前記情報処理装置が、
前記ジョブネット実行時間予測モデル生成処理において、前記過去に実行された各ジョブネットの実行時間に関する情報に基づき、前記各ジョブネットの実行順序を推定し、
前記遅延判定処理において、前記指定されたジョブネットより前の実行順序のジョブネットを、前記推定した実行順序に基づき特定する、
請求項２に記載のジョブ管理方法。
前記情報処理装置が、
前記ジョブネット実行時間予測モデル生成処理において、前記過去に実行された各ジョブネットの実行時間に関する情報の一つとして、前記過去に実行された各ジョブネットの実行開始時刻と、当該各ジョブネットの前に実行が終了した他のジョブネットの実行終了時刻との差である待ち時間を算出し、算出した待ち時間に基づき、前記実行時間予測モデルを生成する、
請求項１に記載のジョブ管理方法。
前記情報処理装置が、
前記ジョブネット実行時間予測モデル生成処理において、前記過去に実行された各ジョブネットを実行した所定の情報処理装置の、当該各ジョブネットを実行した際のリソースの使用状況の情報を取得し、取得した前記リソースの使用状況の情報と、前記過去に実行された各ジョブネットの実行時間に関する情報とに基づき、前記実行時間予測モデルを生成する、
請求項１に記載のジョブ管理方法。
プロセッサ及びメモリを備え、
過去に実行された各ジョブネットの実行時間に関する情報に基づき、実行されるジョブネットの実行時間を予測する実行時間予測モデルを生成するジョブネット実行時間予測モデル生成処理と、
前記生成した実行時間予測モデルによる各ジョブネットの実行時間の予測精度をそれぞれ算出する予測モデル精度判定処理と、
現在実行中の又は以後実行される複数のジョブネットを含む集合であるジョブネット群のうち指定されたジョブネットの実行終了時を前記実行時間予測モデルに基づき予測するか否かを、前記算出した、各ジョブネットの実行時間の予測精度に基づき判定し、前記指定されたジョブネットの実行終了時を前記実行時間予測モデルに基づき予測すると判定した場合には、前記実行時間予測モデルに基づき予測した、前記指定されたジョブネットの実行終了時に関する情報を表示する遅延判定処理と、
を実行する、ジョブ管理装置。