JP7480844B2 - 需要予測装置、需要予測方法、及び需要予測プログラム - Google Patents
需要予測装置、需要予測方法、及び需要予測プログラム Download PDFInfo
- Publication number
- JP7480844B2 JP7480844B2 JP2022529243A JP2022529243A JP7480844B2 JP 7480844 B2 JP7480844 B2 JP 7480844B2 JP 2022529243 A JP2022529243 A JP 2022529243A JP 2022529243 A JP2022529243 A JP 2022529243A JP 7480844 B2 JP7480844 B2 JP 7480844B2
- Authority
- JP
- Japan
- Prior art keywords
- demand
- error
- related information
- regression model
- demand forecasting
- 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 7
- 230000006870 function Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 19
- 238000003860 storage Methods 0.000 description 13
- 230000002093 peripheral effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
開示の技術は、需要予測装置、需要予測方法、及び需要予測プログラムに関する。
コンビニエンスストアの在庫管理、又は故障修理作業員の人員配置等の、ある地点にどれだけの資材又は人員を配置するかを予測し、最適化することは、余剰在庫を防いだり、迅速な故障修理を実現したりする上で重要である。
従来においては、こうした需要予測において、非特許文献１のような手法が提案されてきた。
灰田武史，電力需要予測，電気学会誌，１９９７，１１７巻，９号，ｐ．５９６－５９９，公開日 ２００８／０４／１７，Ｏｎｌｉｎｅ ＩＳＳＮ １８８１－４１９０，Ｐｒｉｎｔ ＩＳＳＮ １３４０－５５５１，https://doi.org/10.1541/ieejjournal.117.596, https://www.jstage.jst.go.jp/article/ieejjournal1994/117/9/117_9_596/_article/-char/ja
しかし、従来の需要予測の手法では、目標になるべく近い予測値を出力するように学習するため、予測値が目標を下回る可能性があった。予測値が目標を下回ることは、コンビニエンスストアの例では、実際の需要に対して少ない商品を発注することになり、商品が売り切れてしまうことを意味する。また、故障修理作業員の人員配置の例では、実際の故障件数に対して、少ない人員を配置することになり、復旧完了の遅延を引き起こすことになる。
開示の技術は、上記の点に鑑みてなされたものであり、実際の需要に対して過大、または、過小な予測値を出力する需要予測装置、需要予測方法、及び需要予測プログラムを提供することを目的とする。
本開示の第１態様は、需要予測装置であって、需要と、前記需要に関連する需要関連情報とを記録する需要記録部と、前記需要記録部に記録された前記需要及び前記需要関連情報をそれぞれ目的変数及び説明変数とする回帰モデルの係数を、誤差の正負に応じて罰則係数を前記誤差に掛け合わせて学習する学習部と、前記需要関連情報とは別の需要関連情報を前記回帰モデルに入力して需要を予測する予測部と、を備える。
本開示の第２態様は、需要予測方法であって、需要と、前記需要に関連する需要関連情報とを記録し、記録された前記需要及び前記需要関連情報をそれぞれ目的変数及び説明変数とする回帰モデルの係数を、誤差の正負に応じて罰則係数を前記誤差に掛け合わせて学習し、前記需要関連情報とは別の需要関連情報を前記回帰モデルに入力して需要を予測する、処理をコンピュータが実行する。
本開示の第３態様は、コンピュータプログラムであって、需要と、前記需要に関連する需要関連情報とを記録し、記録された前記需要及び前記需要関連情報をそれぞれ目的変数及び説明変数とする回帰モデルの係数を、誤差の正負に応じて罰則係数を前記誤差に掛け合わせて学習し、前記需要関連情報とは別の需要関連情報を前記回帰モデルに入力して需要を予測する、処理をコンピュータに実行させる。
開示の技術によれば、実際の需要に対して過大、または、過小な予測値を出力する需要予測装置、需要予測方法、及び需要予測プログラムを提供することができる。
以下、開示の技術の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において同一又は等価な構成要素及び部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。
図１は、本実施形態に係る需要予測装置について説明する図である。図１に示した需要予測装置１０は、過去の需要と、周辺情報とを保持する。需要は、在庫管理の例では、ある店舗での販売数であり、人員配置の例では、ある地点での故障数である。周辺情報は、本開示の需要関連情報の一例であり、需要を予測するための情報である。周辺情報は、例えば、気象情報、周辺の人口情報、緯度経度などの位置情報などである。また、需要予測装置１０は、保持している過去の需要と、周辺情報とを用いて学習を行う。そして、需要予測装置１０は、周辺情報を入力し、学習結果を用いて需要予測を出力する。
図２は、需要予測装置１０のハードウェア構成を示すブロック図である。
図２に示すように、需要予測装置１０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３、ストレージ１４、入力部１５、表示部１６及び通信インタフェース（Ｉ／Ｆ）１７を有する。各構成は、バス１９を介して相互に通信可能に接続されている。
ＣＰＵ１１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４からプログラムを読み出し、ＲＡＭ１３を作業領域としてプログラムを実行する。ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ＲＯＭ１２又はストレージ１４には、周辺情報から需要を予測するための需要予測プログラムが格納されている。
ＲＯＭ１２は、各種プログラム及び各種データを格納する。ＲＡＭ１３は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ１４は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）又はＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶装置により構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。
入力部１５は、マウス等のポインティングデバイス、及びキーボードを含み、各種の入力を行うために使用される。
表示部１６は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部１６は、タッチパネル方式を採用して、入力部１５として機能しても良い。
通信インタフェース１７は、他の機器と通信するためのインタフェースである。当該通信には、たとえば、イーサネット（登録商標）若しくはＦＤＤＩ等の有線通信の規格、又は、４Ｇ、５Ｇ、若しくはＷｉ－Ｆｉ（登録商標）等の無線通信の規格が用いられる。
次に、需要予測装置１０の機能構成について説明する。
図３は、需要予測装置１０の機能構成の例を示すブロック図である。
図３に示すように、需要予測装置１０は、機能構成として、需要記録部１０１、学習部１０２、回帰モデル１０３、及び予測部１０４を有する。各機能構成は、ＣＰＵ１１がＲＯＭ１２又はストレージ１４に記憶された需要予測プログラムを読み出し、ＲＡＭ１３に展開して実行することにより実現される。
需要記録部１０１は、過去の需要と、需要に関連する情報である周辺情報とを記録する。上述したように、需要は、在庫管理の例では、ある店舗での販売数であり、人員配置の例では、ある地点での故障数である。また、周辺情報は、例えば、気象情報、周辺の人口情報、緯度経度などの位置情報などである。
学習部１０２は、需要記録部１０１に記録された需要及び周辺情報をそれぞれ目的変数及び説明変数とする回帰モデル１０３の係数を学習する。具体的には、学習部１０２は、誤差の正負に応じて罰則係数を誤差に掛け合わせて、回帰モデル１０３の係数を学習する。
予測部１０４は、需要記録部１０１に記録された周辺情報とは別の周辺情報を回帰モデル１０３に入力して、需要を予測する。予測部１０４が予測した需要は需要予測装置１０から出力される。
次に、需要予測装置１０の作用について説明する。
（学習処理）
図４は、需要予測装置１０による学習処理の流れを示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４から需要予測プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、学習処理が行なわれる。
図４は、需要予測装置１０による学習処理の流れを示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４から需要予測プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、学習処理が行なわれる。
ＣＰＵ１１は、学習部１０２として、需要記録部１０１から需要及び周辺情報を取得する（ステップＳ１０１）。ここでは、需要記録部１０１に保存された合計Ｎレコードのデータのｉ番目の需要を目的変数ｙｉ、周辺情報を説明変数ｘｉ、係数をｗとして、以下の数式（１）で示す回帰モデル１０３を考える。
ステップＳ１０１に続いて、ＣＰＵ１１は、学習部１０２として、以下の数式（２）で表されるＥ（ｗ）を誤差関数として、最適化により係数ｗを学習し、回帰モデルを生成する（ステップＳ１０２）。
数式（２）で、ＸはＮ×Ｍの大きさの周辺情報の行列、ｙはＮ×１の大きさの需要のベクトルである。ｖはＮ×１の大きさの０または１の要素で構成されるベクトルで、誤差ベクトルＸｗ－ｙの要素が正となるインデックスの要素が１で、それ以外の要素が０で構成される。同様に、ｕはＮ×１の大きさの０または１の要素で構成されるベクトルで、誤差ベクトルＸｗ－ｙの要素が負となるインデックスの要素が１で、それ以外の要素が０で構成される。
ＣＰＵ１１は、数式（２）で示すように、これらｖ、ｕと誤差ベクトルＸｗ－ｙとの内積を取ることにより、誤差の方向が正である誤差ベクトルの要素と負である要素の和をそれぞれ求めることができる。
また数式（２）で、α及びβは罰則係数であって、それぞれスカラーの定数である。需要予測装置１０を使用する分析者が、α及びβの値を事前に決定する。αを大きくすると正の誤差が強く影響するため、得られるモデルはなるべく誤差が負になるようにＣＰＵ１１で学習される。また、βを大きくすると負の誤差が強く影響するようになり、得られるモデルはなるべく誤差が正になるようにＣＰＵ１１で学習される。
ステップＳ１０２に続いて、ＣＰＵ１１は、学習部１０２として、学習した回帰モデル１０３を予測部１０４に出力する（ステップＳ１０３）。
なお、上述の例では、分析者がα、βをそれぞれ設定するとしたが、本開示は係る例に限定されるものではない。例えば、分析者は、予め状況に応じたα、βの組を設定しておき、状況に応じてそれらの組のなかから適切なものを選択することもできる。表１に例を示す。
表１の例では、４段階の状況を想定し、それぞれの状況に応じて需要を予測することができる。
また、ＣＰＵ１１は、過去の予測結果と実績の差に基づいてα、βの組を設定してもよい。例えば、ＣＰＵ１１は、表２のような条件に応じてα、βの組を選択する。なお、表２においてｋは任意の整数である。
また、ＣＰＵ１１は、過去の複数日の予測結果と実績の差の時系列の傾向からα，βの組を設定してもよい。例えば、ＣＰＵ１１は、表３のように連続して余剰が発生した場合にα、βの組を変更するなどしてもよい。
（需要予測処理）
図５は、需要予測装置１０による需要予測処理の流れを示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４から需要予測プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、需要予測処理が行なわれる。
図５は、需要予測装置１０による需要予測処理の流れを示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４から需要予測プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、需要予測処理が行なわれる。
ＣＰＵ１１は、予測部１０４として、係数の算出に用いた行列Ｘとは別の、予測したい時点の周辺情報の行列Ｘｔｅｓｔを読み込む（ステップＳ１１１）。
ステップＳ１１１に続いて、ＣＰＵ１１は、予測部１０４として、下記の数式（３）に従って、図４のステップＳ１０２で求めた係数ｗを掛け合わせることによって、需要Ｙｔｅｓｔを予測する（ステップＳ１１２）。
ＣＰＵ１１は、図４に示した学習処理を実行することで、誤差が正負のどちらかに偏るような予測器を実現することができる。そして、ＣＰＵ１１は、図５に示した需要予測処理を実行することで、実際の需要に対して、常に過大、又は過小な予測値を出力することになり、商品の売り切れ、又は人員不足などの事態を防ぐことが可能になる。
（効果）
続いて、本実施形態に係る需要予測装置１０の効果を説明する。ここでは、ボストンの住宅価格の予測を例に、本実施形態に係る需要予測装置１０の効果を説明する。評価には、Ｂｏｓｔｏｎ ｈｏｕｓｅ ｐｒｉｃｅｓ ｄａｔａｓｅｔ（https://scikit-learn.org/stable/datasets/index.html#boston-dataset）を用いた。
続いて、本実施形態に係る需要予測装置１０の効果を説明する。ここでは、ボストンの住宅価格の予測を例に、本実施形態に係る需要予測装置１０の効果を説明する。評価には、Ｂｏｓｔｏｎ ｈｏｕｓｅ ｐｒｉｃｅｓ ｄａｔａｓｅｔ（https://scikit-learn.org/stable/datasets/index.html#boston-dataset）を用いた。
図６は、比較対象による需要予測結果を示す図である。図７は、需要予測装置１０による需要予測結果を示す図である。図６及び図７に示す需要予測を行うにあたり、住宅価格を「需要」、人口１人当たりの犯罪発生数及び小売業以外の商業が占める面積の割合等の需要に関係する変数を「周辺情報」とした。データセットの周辺情報を、行列Ｘと行列Ｘｔｅｓｔとにあらかじめ分割し、行列Ｘを用いて「周辺情報」から「需要」を予測する回帰モデルを学習し、行列Ｘｔｅｓｔに対して回帰モデルを適用して、予測した需要と実際の需要との誤差を評価した。需要予測装置１０の誤差関数の定数α、βはそれぞれ１、１０００とした。つまり、需要予測装置１０は、誤差が正になるように学習した。なお、比較対象の一般的な手法は、下記の数式（４）で示す関数を誤差関数として学習した。
図６では、誤差が正の部分もあれば、負の部分もある。これに対し、図７では、殆どの地点で誤差が正である。これは、本実施形態に係る需要予測装置１０は、誤差関数によって、誤差の傾向を制御できたことを示していると考えられる。
図６及び図７では、住宅価格を需要とみなして、住宅周辺の情報から価格を予測した。例えば、不動産業者にとって販売する住宅の価格を過小評価することは、損失を意味し、避けるべきである。本実施形態に係る需要予測装置１０は、過小評価を防ぎながら、適切な需要を予測することが可能になる。
なお、上記各実施形態でＣＰＵがソフトウェア（プログラム）を読み込んで実行した学習処理及び需要予測処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、学習処理及び需要予測処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。
また、上記各実施形態では、需要予測プログラムがストレージ１４に予め記憶（インストール）されている態様を説明したが、これに限定されない。プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ等の非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記憶媒体に記憶された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。
以上の実施形態に関し、更に以下の付記を開示する。
（付記項１）
メモリと、
前記メモリに接続された少なくとも１つのプロセッサと、
を含み、
前記プロセッサは、
需要と、前記需要に関連する需要関連情報とを記録し、
記録された前記需要及び前記需要関連情報をそれぞれ目的変数及び説明変数とする回帰モデルの係数を、誤差の正負に応じて罰則係数を前記誤差に掛け合わせて学習し、
前記需要関連情報とは別の需要関連情報を前記回帰モデルに入力して需要を予測する、
ように構成されている需要予測装置。
（付記項１）
メモリと、
前記メモリに接続された少なくとも１つのプロセッサと、
を含み、
前記プロセッサは、
需要と、前記需要に関連する需要関連情報とを記録し、
記録された前記需要及び前記需要関連情報をそれぞれ目的変数及び説明変数とする回帰モデルの係数を、誤差の正負に応じて罰則係数を前記誤差に掛け合わせて学習し、
前記需要関連情報とは別の需要関連情報を前記回帰モデルに入力して需要を予測する、
ように構成されている需要予測装置。
（付記項２）
需要予測処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記需要予測処理は、
需要と、前記需要に関連する需要関連情報とを記録し、
記録された前記需要及び前記需要関連情報をそれぞれ目的変数及び説明変数とする回帰モデルの係数を、誤差の正負に応じて罰則係数を前記誤差に掛け合わせて学習し、
前記需要関連情報とは別の需要関連情報を前記回帰モデルに入力して需要を予測する、
非一時的記憶媒体。
需要予測処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記需要予測処理は、
需要と、前記需要に関連する需要関連情報とを記録し、
記録された前記需要及び前記需要関連情報をそれぞれ目的変数及び説明変数とする回帰モデルの係数を、誤差の正負に応じて罰則係数を前記誤差に掛け合わせて学習し、
前記需要関連情報とは別の需要関連情報を前記回帰モデルに入力して需要を予測する、
非一時的記憶媒体。
１０ 需要予測装置
１０１ 需要記録部
１０２ 学習部
１０３ モデル
１０４ 予測部
１０１ 需要記録部
１０２ 学習部
１０３ モデル
１０４ 予測部
Claims (8)
- 需要と、前記需要に関連する需要関連情報とを記録する需要記録部と、
前記需要記録部に記録された前記需要及び前記需要関連情報をそれぞれ目的変数及び説明変数とする回帰モデルの係数を、前記回帰モデルにより予測された需要と実際の需要との誤差の正負に応じて罰則係数を前記誤差に掛け合わせて学習する学習部と、
前記需要関連情報とは別の需要関連情報を前記回帰モデルに入力して需要を予測する予測部と、
を備える需要予測装置。 - 前記学習部は、前記需要のベクトル及び前記需要関連情報の行列から求まる誤差ベクトルの要素に基づいて定まる誤差関数を最適化することで前記回帰モデルの係数を学習する請求項１記載の需要予測装置。
- 前記学習部は、前記誤差の方向が正である前記誤差ベクトルの要素と、負である前記誤差ベクトルの要素との和に基づいて定まる誤差関数を最適化することで前記回帰モデルの係数を学習する請求項２記載の需要予測装置。
- 前記学習部は、前記誤差の方向が正である前記誤差ベクトルの要素に第１の定数を乗じ、負である前記誤差ベクトルの要素に第２の定数を乗じて、前記誤差関数を定める請求項３記載の需要予測装置。
- 前記学習部は、前記予測部の予測結果に基づいて前記第１の定数及び前記第２の定数の組を決定する請求項４記載の需要予測装置。
- 前記学習部は、前記予測部の予測結果が所定回数以上連続して過剰だった場合に前記第１の定数及び前記第２の定数の組を変更する請求項５記載の需要予測装置。
- 需要と、前記需要に関連する需要関連情報とを記録し、
記録された前記需要及び前記需要関連情報をそれぞれ目的変数及び説明変数とする回帰モデルの係数を、前記回帰モデルにより予測された需要と実際の需要との誤差の正負に応じて罰則係数を前記誤差に掛け合わせて学習し、
前記需要関連情報とは別の需要関連情報を前記回帰モデルに入力して需要を予測する、
処理をコンピュータが実行する需要予測方法。 - 需要と、前記需要に関連する需要関連情報とを記録し、
記録された前記需要及び前記需要関連情報をそれぞれ目的変数及び説明変数とする回帰モデルの係数を、前記回帰モデルにより予測された需要と実際の需要との誤差の正負に応じて罰則係数を前記誤差に掛け合わせて学習し、
前記需要関連情報とは別の需要関連情報を前記回帰モデルに入力して需要を予測する、
処理をコンピュータに実行させる需要予測プログラム。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2020/022074 WO2021245868A1 (ja) | 2020-06-04 | 2020-06-04 | 需要予測装置、需要予測方法、及び需要予測プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2021245868A1 JPWO2021245868A1 (ja) | 2021-12-09 |
| JP7480844B2 true JP7480844B2 (ja) | 2024-05-10 |
Family
ID=78830210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022529243A Active JP7480844B2 (ja) | 2020-06-04 | 2020-06-04 | 需要予測装置、需要予測方法、及び需要予測プログラム |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7480844B2 (ja) |
| WO (1) | WO2021245868A1 (ja) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016224566A (ja) | 2015-05-27 | 2016-12-28 | 一般財団法人電力中央研究所 | 予測装置、予測方法および予測プログラム |
| JP2019088150A (ja) | 2017-11-08 | 2019-06-06 | 株式会社東芝 | 信頼度監視システム、信頼度評価方法、及びプログラム |
-
2020
- 2020-06-04 JP JP2022529243A patent/JP7480844B2/ja active Active
- 2020-06-04 WO PCT/JP2020/022074 patent/WO2021245868A1/ja active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016224566A (ja) | 2015-05-27 | 2016-12-28 | 一般財団法人電力中央研究所 | 予測装置、予測方法および予測プログラム |
| JP2019088150A (ja) | 2017-11-08 | 2019-06-06 | 株式会社東芝 | 信頼度監視システム、信頼度評価方法、及びプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| JPWO2021245868A1 (ja) | 2021-12-09 |
| WO2021245868A1 (ja) | 2021-12-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bumblauskas et al. | Smart Maintenance Decision Support Systems (SMDSS) based on corporate big data analytics | |
| Sarkar et al. | An EPQ model with inflation in an imperfect production system | |
| JP2019075159A (ja) | 学習モデル選択システム、学習モデル選択方法およびプログラム | |
| US20210117863A1 (en) | Systems and methods for machine learning interpretability | |
| AU2020203862A1 (en) | Artificial intelligence (ai) based predictions and recommendations for equipment | |
| WO2018079367A1 (ja) | 商品需要予測システム、商品需要予測方法および商品需要予測プログラム | |
| Poler et al. | Forecasting model selection through out-of-sample rolling horizon weighted errors | |
| CN112396231A (zh) | 针对时空数据的建模方法、装置、电子设备及可读介质 | |
| Chang et al. | A latent information function to extend domain attributes to improve the accuracy of small-data-set forecasting | |
| JP2017146888A (ja) | 設計支援装置及び方法及びプログラム | |
| JP2020112847A (ja) | 水需要予測方法およびシステム | |
| JP2021064049A (ja) | 計算機システム及び数理モデルの生成支援方法 | |
| Acebes et al. | Stochastic earned duration analysis for project schedule management | |
| Nodoust et al. | An evidential reasoning approach for production modeling with deteriorating and ameliorating items | |
| JP2021043477A (ja) | 需要予測装置、需要予測方法、及びプログラム | |
| Sanchez et al. | An enhanced parenting process: Predicting reliability in product's design phase | |
| JP2018113817A (ja) | 情報処理システム、および情報処理プログラム | |
| JP7480844B2 (ja) | 需要予測装置、需要予測方法、及び需要予測プログラム | |
| Chen et al. | Simulation-based estimation of cycle time using quantile regression | |
| JP7226756B2 (ja) | 組織ポテンシャルの予測装置、予測方法、プログラム、および記録媒体 | |
| US20150134443A1 (en) | Testing a marketing strategy offline using an approximate simulator | |
| WO2018088276A1 (ja) | 予測モデル生成システム、方法およびプログラム | |
| JP4993097B2 (ja) | 企業施策の決定支援装置、企業施策の決定支援方法及びそのプログラム | |
| JP2005122517A (ja) | エネルギー需要予測方法、エネルギー需要予測装置、エネルギー需要予測プログラムおよび記録媒体 | |
| US20160140268A1 (en) | Prediction Using Method, Apparatus and Program Product |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221121 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231031 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231226 |
|
| 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: 20240326 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240408 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7480844 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |