JP7494939B2

JP7494939B2 - Quantity forecasting system

Info

Publication number: JP7494939B2
Application number: JP2022561268A
Authority: JP
Inventors: 孝光坂井; 雄大石塚; 利男加藤; 洋市山村; 悠一栗脇
Original assignee: Aisin Seiki Co Ltd; Aisin Corp
Current assignee: Aisin Corp
Priority date: 2020-11-12
Filing date: 2021-06-22
Publication date: 2024-06-04
Anticipated expiration: 2041-06-22
Also published as: WO2022102160A1; JPWO2022102160A1

Description

本発明は、物量予測システムに関する。 The present invention relates to a quantity prediction system.

従来、過去の販売実績に基づいて商品の販売量を予測することが知られている（例えば、特許文献１）。It is known in the past to predict the sales volume of a product based on past sales performance (for example, Patent Document 1).

特開２００５－１９４０７３号公報JP 2005-194073 A

しかし、従来の技術では、１日当たりの営業時間が過去の販売実績における営業時間と異なっている場合に、適切に販売量を予測できない。
本発明は、上記課題にかんがみてなされたもので、営業時間が変更される場合に、変更後の物量を予測する技術の提供を目的とする。 However, conventional techniques are unable to appropriately predict sales volume when business hours per day differ from business hours in past sales records.
The present invention has been made in consideration of the above-mentioned problems, and aims to provide a technique for predicting the amount of goods after a change in business hours when the business hours are changed.

上記の目的を達成するため、物量予測システムは、店舗の営業時間の変更を取得する営業時間取得部と、変更前の営業時間での物量実績に基づいて、変更後の営業時間に対応する物量を予測する物量予測部と、を備える。To achieve the above objective, the quantity prediction system includes a business hours acquisition unit that acquires changes to a store's business hours, and a quantity prediction unit that predicts the quantity corresponding to the changed business hours based on the actual quantity during the business hours before the change.

すなわち、物量予測システムでは、変更前の営業時間での物量実績に基づいて、変更後の営業時間での物量を予測する。そのため、営業時間が変更される場合に、変更後の物量を予測することができる。 In other words, the volume prediction system predicts the volume during changed business hours based on the volume achieved during the business hours before the change. Therefore, if business hours are changed, it is possible to predict the volume after the change.

物量予測システムの構成を示すブロック図である。FIG. 1 is a block diagram showing a configuration of a quantity prediction system. 図２Ａおよび図２Ｂは、配送計画の例を示す図である。2A and 2B are diagrams showing an example of a delivery plan. 図３Ａは物量実績の例を示す図であり、図３Ｂは機械学習の入出力例を示す図である。FIG. 3A is a diagram showing an example of actual material quantity, and FIG. 3B is a diagram showing an example of input and output of machine learning. 物量予測処理のフローチャートである。13 is a flowchart of a quantity prediction process.

ここでは、下記の順序に従って本発明の実施の形態について説明する。
（１）物量予測システムの構成：
（２）物量予測処理：
（３）他の実施形態： Here, the embodiments of the present invention will be described in the following order.
(1) Configuration of quantity forecasting system:
(2) Quantity prediction processing:
(3) Other embodiments:

（１）物量予測システムの構成：
図１は、本発明にかかる物量予測システムの構成を示すブロック図である。本実施形態において物量予測システム１０は、管理者端末１００から操作されるサーバによって実現される。管理者端末１００は、例えば、汎用コンピュータや携帯端末等で実現可能であり、図示しないディスプレイや操作入力部等を備えている。管理者は、複数の店舗に対する商品の配送計画を作成するため、管理者端末１００の操作入力部を操作することにより、物量予測システム１０に物量を予測させる。 (1) Configuration of quantity forecasting system:
1 is a block diagram showing the configuration of a quantity prediction system according to the present invention. In this embodiment, the quantity prediction system 10 is realized by a server operated from an administrator terminal 100. The administrator terminal 100 can be realized by, for example, a general-purpose computer or a mobile terminal, and is equipped with a display and an operation input unit, not shown. In order to create a product delivery plan for multiple stores, the administrator operates the operation input unit of the administrator terminal 100 to have the quantity prediction system 10 predict the quantity.

本実施形態においては、例えばコンビニエンスストアの各店舗に配送する商品の物量を予測することを想定している。昨今、コンビニエンスストア各社では、２４時間営業から営業時間を短縮することが議論されている。営業時間を短縮する店舗が現れた場合の物量の変化を予測して変化後の物量での配送計画を予め作成し、作成した配送計画によって営業時間の変更に即応した無駄の少ない配送を実現できることが望ましい。In this embodiment, it is assumed that the volume of goods to be delivered to each convenience store, for example, is predicted. Recently, convenience store companies have been discussing shortening their business hours from 24 hours a day. It is desirable to predict the change in volume when a store shortens its business hours, create a delivery plan in advance for the changed volume, and realize efficient delivery that responds to changes in business hours using the created delivery plan.

本実施形態において、配送計画は、１台以上の配送車両が複数の店舗を決められた順序で訪問し、各店舗に商品を届ける荷役を行うための計画である。本実施形態において配送計画は、複数の店舗に到着する順序および各店舗で荷役を行う期間が定義されることによって作成される。In this embodiment, the delivery plan is a plan for one or more delivery vehicles to visit multiple stores in a set order and deliver goods to each store. In this embodiment, the delivery plan is created by defining the order of arrival at multiple stores and the period during which goods will be delivered at each store.

図２Ａは、配送計画の一例を示す図である。図２Ａにおいて、配送先である店舗は、Ｓ_Ａ～Ｓ_Ｆ等の識別情報で表記されている。また、図２Ａにおいては、２４時間分の配送計画が一部省略して表記されている。配送計画では、荷役作業を開始する時刻が少なくとも定義される。図２Ａに示す例において、同一の店舗で荷役作業を行う期間が３０分以内であることが想定されている。むろん、当該期間は、店舗と駐車場との距離や荷物の量等に応じて変化しても良い。 FIG. 2A is a diagram showing an example of a delivery plan. In FIG. 2A, stores as delivery destinations are indicated by identification information such as S _A to S _F. Also, in FIG. 2A, a 24-hour delivery plan is partially omitted. In the delivery plan, at least the time when loading and unloading work is to start is defined. In the example shown in FIG. 2A, it is assumed that the period during which loading and unloading work is to be performed at the same store is within 30 minutes. Of course, the period may change depending on the distance between the store and the parking lot, the amount of luggage, etc.

本実施形態において、商品は、チルド、米飯、常温、フローズンに分類されており、当該分類に対応する各物流拠点から配送車両が商品を各店舗に配送する。図２Ａにおいて、Ｃ，Ｒ，Ｄ，Ｆは、それぞれ、チルド、米飯、常温、フローズンの商品を各店舗に配送する時間帯を示している。各拠点から出発する配送車両の数は任意であり、複数台である場合には各配送車両で複数の店舗のいずれかを分担して配送を行う計画になる。図２Ａにおいては、簡単のため、各拠点から１台の配送車両が出発する状態が想定されている。In this embodiment, products are classified into chilled, cooked rice, room temperature, and frozen, and delivery vehicles deliver the products to each store from each logistics base corresponding to the classification. In FIG. 2A, C, R, D, and F indicate the time periods during which chilled, cooked rice, room temperature, and frozen products are delivered to each store, respectively. The number of delivery vehicles departing from each base is arbitrary, and if there are multiple vehicles, the plan is for each delivery vehicle to share delivery to one of the multiple stores. In FIG. 2A, for simplicity, it is assumed that one delivery vehicle departs from each base.

例えば、図２Ａにおいて、チルド（Ｃ）の商品を配送する配送車両は、チルド商品の拠点を出発後、店舗Ｓ_Ｂ，Ｓ_Ｃ，Ｓ_Ｄ，Ｓ_Ｅ，Ｓ_Ｆ，Ｓ_Ａの順に配送を行う。また、チルド商品の拠点を出発した配送車両が店舗Ｓ_Ｂで荷役を開始する時刻は５：００であり、店舗Ｓ_Ｂでの荷役を終了して次の配送先である店舗Ｓ_Ｃに移動を完了する時刻は５：３０である。また、店舗Ｓ_Ｃにて荷役を開始する時刻は５：３０であり、次の配送先である店舗ＳＤに移動を完了する時刻は６：００である。このように、各拠点から出発する配送車両が各配送先の店舗で荷役作業を行う期間が特定されることで、配送計画が定義される。 For example, in Fig. 2A, a delivery vehicle delivering chilled (C) products leaves the chilled product base and delivers to stores S _B , S _C , S _D , S _E , S _F , and S _A in that order. The delivery vehicle leaving the chilled product base starts loading at store S _B at 5:00, and finishes loading at store S _B and moves to store S _C , the next delivery destination, at 5:30. The delivery vehicle starts loading at store S _C at 5:30, and moves to store SD, the next delivery destination, at 6:00. In this way, the delivery plan is defined by specifying the period during which the delivery vehicle leaving each base will perform loading and unloading at each delivery destination store.

本実施形態においては、同一の分類に属する商品を同日にＮ回（Ｎは１以上）配送する計画が作成され得る。例えば、図２Ａに示す例であれば、同日にチルドの商品が配送先の各店舗に３回配送される。店舗Ｓ_Ａであれば、７：００からと、１０：３０からと、１６：３０からの３回チルドの商品が配送される。これらを区別するため、本明細書では、同一の分類の商品の異なる時間帯における配送を「便」と呼ぶ。例えば、図２Ａに示す例において、チルド（Ｃ）の商品の配送と、米飯（Ｒ）の商品の配送は１日に３便ずつ存在し、常温（Ｄ）の商品の配送と、フローズン（Ｆ）の商品の配送は１日に１便ずつ存在する。 In this embodiment, a plan may be created to deliver products belonging to the same category N times (N is 1 or more) on the same day. For example, in the example shown in FIG. 2A, chilled products are delivered to each destination store three times on the same day. In the case of store S _A , chilled products are delivered three times, from 7:00, 10:30, and 16:30. To distinguish between these, in this specification, deliveries of products of the same category at different times are called "flights." For example, in the example shown in FIG. 2A, there are three deliveries of chilled (C) products and rice (R) products each in one day, and there is one delivery of room temperature (D) products and frozen (F) products each in one day.

なお、本実施形態において配送先は店舗であり、荷物は各店舗で販売される商品である。ピークタイムＰは、配送先である店舗が混雑する時間帯であり、本実施形態においては、当該ピークタイムＰにおいて荷役が発生しないように配送計画が作成される。なお、配送計画の態様は、本例の態様に限定されず、種々の態様で定義されて良い。In this embodiment, the delivery destination is a store, and the cargo is merchandise sold at each store. Peak time P is the time period when the destination store is crowded, and in this embodiment, a delivery plan is created so that no cargo handling occurs during peak time P. The form of the delivery plan is not limited to that of this example, and may be defined in various forms.

物量予測システム１０は、ＣＰＵ，ＲＡＭ，ＲＯＭ等を備える制御部２０、記録媒体３０、通信部４０を備えている。通信部４０は、管理者端末１００と情報の授受を行う回路を備えている。制御部２０は、通信部４０を介して管理者端末１００と通信を行うことができる。The quantity prediction system 10 comprises a control unit 20 equipped with a CPU, RAM, ROM, etc., a recording medium 30, and a communication unit 40. The communication unit 40 comprises a circuit for sending and receiving information with the administrator terminal 100. The control unit 20 can communicate with the administrator terminal 100 via the communication unit 40.

また、記録媒体３０には、店舗情報３０ａと物量実績３０ｂとカレンダー情報３０ｃと学習済モデル３０ｄが記録されている。店舗情報３０ａは、商品の配送先である店舗毎に定義され、店舗ＩＤ、店舗名、店舗の位置情報、ピークタイム、営業時間等の情報を含んでいる。営業時間には、例えば、２４時間営業や、２４時間営業でない場合には営業開始時刻と営業終了時刻を示す情報が含まれる。また、今後２４時間営業から非２４時間営業に変更される予定の店舗については、変更日も含まれる。店舗情報３０ａは、例えば、管理者端末１００を操作する管理者によって入力や変更が行われる。In addition, the recording medium 30 records store information 30a, actual quantity 30b, calendar information 30c, and trained model 30d. Store information 30a is defined for each store to which the goods are delivered, and includes information such as the store ID, store name, store location information, peak time, and business hours. Business hours include, for example, information indicating whether the store is open 24 hours a day, or the opening and closing times if the store is not open 24 hours a day. In addition, for stores that are scheduled to change from 24-hour operation to non-24-hour operation in the future, the date of change is also included. Store information 30a is entered or changed, for example, by an administrator operating the administrator terminal 100.

物量実績３０ｂは、過去の一定期間の各日の店舗毎および便毎の物量の実績が含まれる。具体的には例えば、図３Ａに示すように、日付、曜日、平日／休日区分、天候、気温、便、店舗に対応付けて物量が含まれる。曜日や平日／休日区分は、カレンダー情報３０ｃから該当日の日付と対応する曜日や平日／休日区分を取得することにより記録される。物量予測システム１０は、通信部４０を介して各地域の将来の天候や気温等を含む天候情報を提供する天候情報サーバ２００と通信可能である。天候や気温は、天候情報サーバ２００から該当日の天候や気温を取得することにより記録される。 The volume performance 30b includes the volume performance for each store and flight for each day over a certain period of time in the past. Specifically, for example, as shown in FIG. 3A, the volume is included in association with the date, day of the week, weekday/holiday classification, weather, temperature, flight, and store. The day of the week and weekday/holiday classification are recorded by obtaining the day of the week and weekday/holiday classification corresponding to the date of the relevant day from the calendar information 30c. The volume prediction system 10 can communicate with a weather information server 200 that provides weather information including future weather and temperature for each region via the communication unit 40. The weather and temperature are recorded by obtaining the weather and temperature for the relevant day from the weather information server 200.

図３ＡにおいてＣ１、Ｃ２、Ｃ３は、それぞれチルドの第１便、第２便、第３便を示しており、Ｒ１，Ｒ２，Ｒ３は、米飯の第１便、第２便、第３便を示している。本実施形態において物量は、例えば番重などの商品運搬用の容器の個数で表されることを想定している。該当日の該当便において、各店舗から発注された商品を配送するために実際に用いられた容器の個数が記録される。 In Figure 3A, C1, C2, and C3 indicate the first, second, and third shipments of chilled goods, respectively, and R1, R2, and R3 indicate the first, second, and third shipments of cooked rice. In this embodiment, the quantity is assumed to be represented by the number of containers for transporting goods, such as food containers. The number of containers actually used to deliver goods ordered from each store on the corresponding shipment on the corresponding day is recorded.

カレンダー情報３０ｃは、日付と曜日や平日／祝日の区分とを対応付けた情報である。制御部２０は、カレンダー情報３０ｃを参照することにより、指定した日付の曜日や、平日／祝日の区分を取得することができる。学習済モデル３０ｄは、後述する物量予測部２１ｂの機能により、制御部２０によって生成される機械学習モデルである。詳細は後述する。 Calendar information 30c is information that associates dates with days of the week and weekday/holiday classifications. By referring to calendar information 30c, control unit 20 can obtain the day of the week and weekday/holiday classification of a specified date. Trained model 30d is a machine learning model generated by control unit 20 using the function of quantity prediction unit 21b, which will be described later. Details will be described later.

制御部２０は、記録媒体３０やＲＯＭに記憶されたプログラムを制御部２０で実行することができる。本実施形態においては、このプログラムとして物量予測プログラム２１を実行可能である。物量予測プログラム２１が実行されると、制御部２０は、営業時間取得部２１ａ、物量予測部２１ｂ、配送計画取得部２１ｃとして機能する。The control unit 20 can execute a program stored in the recording medium 30 or ROM. In this embodiment, the control unit 20 can execute a quantity prediction program 21 as this program. When the quantity prediction program 21 is executed, the control unit 20 functions as a business hours acquisition unit 21a, a quantity prediction unit 21b, and a delivery plan acquisition unit 21c.

営業時間取得部２１ａの機能により、制御部２０は、店舗の営業時間の変更を取得する。すなわち、制御部２０は、店舗情報３０ａを参照し、配送先の店舗の営業時間を取得する。制御部２０は、物量を予測したい日として管理者が指定した日付（以降、予測対象日という）における店舗の営業時間と、予測対象日より前の店舗の営業時間（後述する機械学習の教師データの採用期間における店舗の営業時間）とを店舗毎に比較し、営業時間が変更になっている店舗が存在する場合、営業時間が変更される店舗を特定する。 The control unit 20 acquires changes to store business hours through the function of the business hours acquisition unit 21a. That is, the control unit 20 references store information 30a and acquires business hours of the delivery destination store. The control unit 20 compares, for each store, the store's business hours on the date (hereinafter referred to as the prediction target date) specified by the administrator as the day for which the volume is to be predicted, with the store's business hours prior to the prediction target date (store business hours during the adoption period of the machine learning training data described below), and, if any stores have had their business hours changed, identifies the stores whose business hours will be changed.

本実施形態では、配送先の複数の２４時間営業の店舗のうちの一部が非２４時間営業に変更になる例を想定している。具体的には例えば、図２Ｂは、店舗Ｓ_Ａの営業時間が６：００から２３：００までに短縮され（２３：００から翌日６：００までが非営業時間となる）、店舗Ｓ_Ｄの営業時間が６：００から翌日０：００までに短縮される（０：００から６：００まで非営業時間となる）となる例を示している。 In this embodiment, it is assumed that some of the multiple 24-hour delivery stores are changed to non-24-hour delivery stores. Specifically, for example, Fig. 2B shows an example in which the business hours of store S _A are shortened from 6:00 to 23:00 (23:00 to 6:00 the next day are non-business hours), and the business hours of store S _D are shortened from 6:00 to 0:00 the next day (0:00 to 6:00 are non-business hours).

物量予測部２１ｂの機能により、制御部２０は、変更前の営業時間での物量実績に基づいて、変更後の営業時間に対応する物量を予測する。本実施形態において、制御部２０は、過去の一定期間における物量実績に基づいて機械学習したモデルを予め生成し、記録媒体３０に保存している（学習済モデル３０ｄ）。本実施形態における機械学習モデルは、例えば図３Ｂに示すように、曜日、平日／休日区分、天候、最高気温、最低気温、便、店舗の組み合わせを入力とし、当該組み合わせに対応する実際の物量を出力する教師データを用いて機械学習したモデルである。 By using the function of the quantity prediction unit 21b, the control unit 20 predicts the quantity corresponding to the changed business hours based on the actual quantity during the business hours before the change. In this embodiment, the control unit 20 generates a model based on the actual quantity during a certain period of time in the past, which has been machine-learned, and stores it in the recording medium 30 (trained model 30d). The machine learning model in this embodiment is a model that has been machine-learned using training data that inputs combinations of day of the week, weekday/holiday classification, weather, maximum temperature, minimum temperature, flight, and store, and outputs the actual quantity corresponding to the combination, as shown in FIG. 3B, for example.

制御部２０は、まず、予測対象日（営業時間変更後の日付）における店舗および便毎に、営業時間変更を考慮しない物量を、学習済モデル３０ｄを用いて取得する。そのために、制御部２０は、予測対象日の曜日や平日／休日区分を、カレンダー情報３０ｃを参照して取得する。また、制御部２０は、予測対象日の天候および気温を、天候情報サーバ２００から取得する。そして、制御部２０は、取得した各情報と便および店舗を学習済モデル３０ｄに入力し、予測対象日における便および店舗毎の物量を取得する。The control unit 20 first obtains the volume of goods for each store and flight on the prediction target date (the date after the business hours are changed) without taking into account the change in business hours using the learned model 30d. To do this, the control unit 20 obtains the day of the week and weekday/holiday classification of the prediction target date by referring to the calendar information 30c. The control unit 20 also obtains the weather and temperature for the prediction target date from the weather information server 200. The control unit 20 then inputs the obtained information, flight, and store into the learned model 30d, and obtains the volume of goods for each flight and store on the prediction target date.

なお学習済モデル３０ｄは、毎日の物量実績に基づく教師データにより一定期間毎に追加学習され更新されうるが、本実施形態において学習済モデル３０ｄは、営業時間の変更を考慮しない場合の物量を予測するために用いることを想定しているため、店舗Ｓ_ＡやＳ_Ｄの営業時間の変更前（すなわち２４時間営業の期間）における物量実績によって学習されたモデルである。 The trained model 30d can be trained and updated at regular intervals using training data based on daily actual volume data. However, in this embodiment, the trained model 30d is intended to be used to predict volume data when changes in business hours are not taken into account, and is therefore a model trained using actual volume data before the business hours of stores S _A and S _D were changed (i.e., during the period when the stores were open 24 hours a day).

続いて、制御部２０は、営業時間が変更される店舗におけるＮ回の便のうち、営業時間の変更に物量が影響を受けることが推定される便を抽出する。営業時間が変更されることにより商品が売れる機会（時間）が増減し、その結果、店舗からの商品の発注量が増減するため物量が増減する。そのため、営業時間の変更に物量が影響を受けうる。１日に１便のみで配送される常温（Ｄ）やフローズン（Ｆ）については、当該１便が、物量が影響を受ける便として抽出される。１日に複数便で配送されるチルド（Ｃ）や米飯（Ｒ）については、本実施形態では次のように影響を受ける便が抽出される。Next, the control unit 20 extracts, from among the N shipments at the store for which business hours are being changed, shipments for which the volume is estimated to be affected by the change in business hours. A change in business hours increases or decreases the opportunity (time) to sell products, which results in an increase or decrease in the amount of products ordered from the store, and therefore an increase or decrease in volume. Therefore, the volume may be affected by a change in business hours. For room temperature (D) and frozen (F) products, which are delivered only once a day, that one shipment is extracted as the shipment for which the volume will be affected. For chilled (C) and rice (R) products, which are delivered multiple times a day, in this embodiment, the shipments affected are extracted as follows:

店舗Ｓ_Ａに注目すると、例えばチルドは、１日当たり３便、配送の機会がある。本実施形態においては、例えば、７：００のＣ１便には、朝のピークタイムを含む午前中に売れることが期待される商品が含まれ、１０：３０のＣ２便には、正午のピークタイムを含む夕方頃までに売れることが期待される商品が含まれ、１６：３０のＣ３便には夜のピークタイムを含み翌日の朝のＣ１便頃の約１４時間の間に売れることが期待される商品が含まれる。 Focusing on store S _A , for example, there are three delivery opportunities for chilled goods per day. In this embodiment, for example, the C1 delivery at 7:00 includes products that are expected to sell in the morning including the morning peak time, the C2 delivery at 10:30 includes products that are expected to sell by around the evening including the noon peak time, and the C3 delivery at 16:30 includes products that are expected to sell during the approximately 14 hours around the C1 delivery the next morning including the evening peak time.

本実施形態において、制御部２０は、これまで営業時間であった２３：００から６：００までの７時間が非営業時間となることによって、Ｃ３便で店舗Ｓ_Ａに配送される商品の販売の機会が１４時間から７時間（＝１４－７）に減少すると見積もる。すなわち本実施形態において、制御部２０は、営業終了時刻の直近の便を、営業時間の変更に物量が影響を受ける便として抽出する。 In this embodiment, the control unit 20 estimates that the seven hours from 23:00 to 6:00, which were previously business hours, will become non-business hours, and therefore the sales opportunity for products delivered to store S _A by delivery C3 will decrease from 14 hours to 7 hours (=14-7). That is, in this embodiment, the control unit 20 extracts the delivery immediately before the closing time as the delivery whose volume will be affected by the change in business hours.

さらに、制御部２０は、変更前の営業時間の長さＴ_１を分母とし変更後の営業時間の長さＴ_２を分子とする時間比（Ｔ_２／Ｔ_１）を、変更前の営業時間における物量Ｑに乗じた値に基づいて、営業時間変更後の物量を予測する。店舗Ｓ_ＡのＣ３便の場合、変更前の物量をＱ_Ｃとすると、制御部２０は、Ｑ_Ｃ×７／１４＝Ｑ_Ｃ／２を営業時間変更後のＣ３便の物量と予測する。本実施形態において制御部２０は、１日当たり３便存在する米飯Ｒについても同様に、営業終了時刻の直近の便であるＲ３を、営業時間の変更に物量が影響を受ける便と見なす。そして、制御部２０は、営業時間変更後の店舗Ｓ_ＡのＲ３便の物量を、Ｑ_Ｒ／２と予測する（Ｑ_Ｒは、変更前の店舗Ｓ_ＡのＲ３便の物量）。 Furthermore, the control unit 20 predicts the volume of goods after the change in business hours based on the value obtained by multiplying the volume _Q during the business hours before the change by the time ratio ( _T2 / _T1 ), where the length of business hours before the change is _T1 as the denominator and the length of business hours after the change is T2 as the numerator. In the case of the C3 flight of the store S _A , if the volume before the change is _QC , the control unit 20 predicts the volume of the C3 flight after the change in business hours to be _QC x 7/14 = _QC /2. Similarly, in this embodiment, for the rice meal R, of which there are three flights per day, the control unit 20 regards the R3 flight, which is the flight closest to the closing time, as the flight whose volume will be affected by the change in business hours. The control unit 20 then predicts the volume of the R3 flight of the store S _A after the change in business hours to be _QR /2 ( _QR is the volume of the R3 flight of the store S _A before the change).

本実施形態において、１日１便の常温ＤおよびフローズンＦについては、制御部２０は、これら１便がそれぞれ営業時間変更の影響を受けると見なす。店舗Ｓ_Ａの場合、営業時間が２４時間から１７時間（＝２４－７）に減少するため、変更前の物量Ｑ_Ｄに１７／２４を乗じた値を、変更後の常温Ｄの便の予測物量とする。フローズンＦについても同様に、制御部２０は、変更前の物量Ｑ_Ｆに１７／２４を乗じた値を変更後のフローズンＦの予測物量とする。 In this embodiment, for the once-a-day shipments of room temperature D and frozen F, the control unit 20 considers each of these shipments to be affected by the change in business hours. In the case of store S _A , because business hours are reduced from 24 hours to 17 hours (=24-7), the predicted volume of the changed shipment of room temperature D is calculated by multiplying the volume Q _D before the change by 17/24. Similarly, for frozen F, the control unit 20 multiplies the volume Q _F before the change by 17/24 to calculate the predicted volume of the changed shipment of frozen F.

以上のように、本実施形態によれば、変更前の営業時間での物量実績に基づいて機械学習したモデルを用いて、まず営業時間変更を考慮しない場合の予測対象日の物量を予測し、予測物量に営業時間変更に伴う時間比を乗じて営業時間変更後の物量の予測値とする。従って本実施形態によれば、営業時間が変更される場合に、変更後の物量を予測することができる。 As described above, according to this embodiment, a model trained by machine learning based on actual volume performance during business hours before the change is used to first predict the volume for the forecast date without taking the change in business hours into consideration, and then the predicted volume is multiplied by the time ratio associated with the change in business hours to obtain a predicted value for the volume after the change in business hours. Therefore, according to this embodiment, when business hours are changed, it is possible to predict the volume after the change.

物量予測部２１ｂの機能により、制御部２０は、営業時間が変更される店舗を含む複数の店舗毎の物量を予測する。すなわち、制御部２０は、営業時間が変更される店舗の、営業時間の変更に影響されると推定される便については、学習済モデル３０ｄを用いた取得した予測物量に時間比を乗じた値を予測値とする。制御部２０は、営業時間が変更される店舗の、営業時間の変更に影響されると推定される便以外の便については、学習済モデル３０ｄの出力結果を予測物量とする。また、制御部２０は、営業時間が変更されない店舗の各便について、学習済モデル３０ｄの出力結果を予測物量とする。Using the function of the quantity prediction unit 21b, the control unit 20 predicts the quantity for each of multiple stores, including stores whose business hours will be changed. That is, for flights of stores whose business hours will be changed that are estimated to be affected by the change in business hours, the control unit 20 sets the predicted quantity to the value obtained by multiplying the predicted quantity obtained using the trained model 30d by the time ratio. For flights of stores whose business hours will be changed that are not estimated to be affected by the change in business hours, the control unit 20 sets the output result of the trained model 30d to the predicted quantity. Furthermore, for each flight of stores whose business hours will not be changed, the control unit 20 sets the output result of the trained model 30d to the predicted quantity.

以上のようにして、予測対象日における全ての店舗の全ての便の物量の予測値を取得した後、制御部２０は、配送計画取得部２１ｃの機能により、予測された物量に基づいて複数の店舗に商品を配送するための配送計画を取得する。本実施形態において、制御部２０は、便毎の配送計画を取得する。すなわち、制御部２０は、便毎に、各店舗の予測物量と、各店舗の位置と、対象の便の配送拠点（出荷地点）の位置等を、ＶＲＰ（Vehicle Routing Problem）サーバ３００に出力し、ＶＲＰサーバ３００に配送計画を作成させ、作成された配送計画を取得する。ＶＲＰサーバ３００は、配送拠点を出発した車両が各店舗に商品を配送する配送計画を公知のアルゴリズムによって作成するサーバである。After obtaining the predicted volume values for all trips of all stores on the prediction target date in the above manner, the control unit 20 obtains a delivery plan for delivering goods to multiple stores based on the predicted volume, using the function of the delivery plan acquisition unit 21c. In this embodiment, the control unit 20 obtains a delivery plan for each trip. That is, for each trip, the control unit 20 outputs the predicted volume of each store, the location of each store, and the location of the delivery base (shipping point) of the target trip, etc. to the VRP (Vehicle Routing Problem) server 300, causes the VRP server 300 to create a delivery plan, and obtains the created delivery plan. The VRP server 300 is a server that uses a known algorithm to create a delivery plan for vehicles departing from delivery bases to deliver goods to each store.

本実施形態において、例えばＣ３便、Ｒ３便、Ｄ便、Ｆ便（図２Ｂを参照）は、営業時間の変更に伴って物量が変化することが予測される便である。制御部２０は、これらの便について変化後の物量に基づく配送計画を取得することができる。営業時間が短縮する店舗が出現し物量が減少することにより、例えば荷役時間が短縮できるため、配送計画の所要時間が短縮できることを示す配送計画が取得されうる。また、図２Ａおよび図２Ｂの例では配送車両が１台であることを示しているが、複数の配送車両で配送を行っていても良い。その場合例えば、全ての店舗で２４時間営業を行っていた期間のＣ３便はＶ台の車両で分担して配送する配送計画が採用されていたが、一部の店舗で非２４時間営業を開始する場合にはＶ台よりも少ない配送車両でＣ３便の配送を実施する配送計画が取得されうる。In this embodiment, for example, C3, R3, D, and F (see FIG. 2B) are flights whose volume is predicted to change with the change in business hours. The control unit 20 can acquire a delivery plan based on the changed volume for these flights. As a result of the appearance of a store whose business hours are shortened and the volume of goods decreases, for example, the loading and unloading time can be shortened, and a delivery plan indicating that the required time of the delivery plan can be shortened can be acquired. In addition, although the examples of FIG. 2A and FIG. 2B show that there is one delivery vehicle, delivery may be performed by multiple delivery vehicles. In that case, for example, a delivery plan was adopted in which V vehicles shared the delivery of C3 during the period when all stores were open 24 hours a day, but when some stores start non-24-hour business, a delivery plan in which fewer delivery vehicles than V vehicles deliver C3 may be acquired.

（２）物量予測処理：
次に、制御部２０が実行する物量予測処理を説明する。図４は、制御部２０が実行する物量予測処理を示すフローチャートである。本実施形態において、当該物量予測処理は、管理者が管理者端末１００を操作して店舗の営業時間の変更を入力し、管理者端末１００から物量予測処理の開始指示が行われたことを、制御部２０が通信部４０を介して取得した場合に開始される。 (2) Quantity prediction processing:
Next, a description will be given of the quantity prediction process executed by the control unit 20. Fig. 4 is a flowchart showing the quantity prediction process executed by the control unit 20. In this embodiment, the quantity prediction process is started when the manager operates the manager terminal 100 to input a change in the business hours of the store, and the control unit 20 acquires, via the communication unit 40, an instruction to start the quantity prediction process from the manager terminal 100.

物量予測処理が開始されると、制御部２０は、物量予測部２１ｂの機能により、過去の物量実績３０ｂを用いて機械学習されたモデルを取得する（ステップＳ１００）。すなわち、制御部２０は、記録媒体３０に記録されている学習済モデル３０ｄを取得する。続いて、制御部２０は、物量予測部２１ｂの機能により、天候情報を取得する（ステップＳ１０５）。すなわち、制御部２０は、天候情報サーバ２００から予測対象日の天候、気温等を含む天候情報を取得する。When the quantity prediction process is started, the control unit 20 acquires a model trained by machine learning using past quantity results 30b through the function of the quantity prediction unit 21b (step S100). That is, the control unit 20 acquires the trained model 30d recorded on the recording medium 30. Next, the control unit 20 acquires weather information through the function of the quantity prediction unit 21b (step S105). That is, the control unit 20 acquires weather information including the weather, temperature, etc. on the prediction target day from the weather information server 200.

続いて、制御部２０は、物量予測部２１ｂの機能により、カレンダー情報３０ｃを取得する（ステップＳ１１０）。すなわち制御部２０は、カレンダー情報３０ｃを参照し、予測対象日の曜日や平日／休日区分を取得する。続いて、制御部２０は、物量予測部２１ｂの機能により、機械学習モデルを用いて予測対象日の便毎および店舗毎の物量を予測する（ステップＳ１１５）。すなわち制御部２０は、学習済モデル３０ｄに、予測対象日の曜日、予測対象日の平日／休日区分、予測対象日の天候および気温、便、店舗を入力し、予測対象日における当該便および店舗の物量の予測値を取得する。Next, the control unit 20 acquires the calendar information 30c by using the function of the quantity prediction unit 21b (step S110). That is, the control unit 20 refers to the calendar information 30c and acquires the day of the week and weekday/holiday classification of the prediction target day. Next, the control unit 20 uses the function of the quantity prediction unit 21b to predict the quantity of each flight and each store on the prediction target day using a machine learning model (step S115). That is, the control unit 20 inputs the day of the week of the prediction target day, the weekday/holiday classification of the prediction target day, the weather and temperature of the prediction target day, the flight, and the store into the learned model 30d, and acquires the predicted value of the quantity of the flight and the store on the prediction target day.

続いて、制御部２０は、営業時間取得部２１ａの機能により、配送先の店舗の営業時間を取得する（ステップＳ１２０）。すなわち制御部２０は、店舗情報３０ａを参照し、予測対象日における配送先の各店舗の営業時間を取得する。続いて、制御部２０は、営業時間取得部２１ａの機能により、配送先の店舗に営業時間が変更される店舗が有るか否かを判定する（ステップＳ１２５）。すなわち、制御部２０は、予測対象日における店舗の営業時間と、予測対象日より前の店舗の営業時間（機械学習の教師データの採用期間における店舗の営業時間）とを店舗毎に比較し、営業時間が変更になっている店舗が存在するか否かを判定する。Next, the control unit 20 acquires the business hours of the destination store by using the function of the business hours acquisition unit 21a (step S120). That is, the control unit 20 refers to the store information 30a and acquires the business hours of each destination store on the prediction target date. Next, the control unit 20 determines whether or not there is a store whose business hours will be changed among the destination stores by using the function of the business hours acquisition unit 21a (step S125). That is, the control unit 20 compares the store's business hours on the prediction target date with the store's business hours before the prediction target date (the store's business hours during the adoption period of the machine learning training data) for each store, and determines whether or not there is a store whose business hours have been changed.

ステップＳ１２５において、営業時間が変更される店舗が有ると判定された場合、制御部２０は、物量予測部２１ｂの機能により、配送先の店舗の営業時間の変更に伴う物量変化を物量予測に反映させる（ステップＳ１３０）。すなわち、本実施形態において、制御部２０は、営業時間の変更に物量が影響されることが推定される店舗および便を特定し、当該店舗および便の物量予測値に時間比を乗じることによって、営業時間変更後の当該店舗および便の物量予測値を取得する。If it is determined in step S125 that there is a store whose business hours will be changed, the control unit 20 uses the function of the quantity prediction unit 21b to reflect the change in quantity due to the change in business hours of the delivery destination store in the quantity prediction (step S130). That is, in this embodiment, the control unit 20 identifies stores and flights whose quantities are estimated to be affected by the change in business hours, and obtains the quantity prediction value of the store and flight after the change in business hours by multiplying the quantity prediction value of the store and flight by the time ratio.

ステップＳ１３０を終了後、または、ステップＳ１２５で営業時間が変更される店舗が有ると判定されなかった場合、制御部２０は、物量予測処理を終了する。その後、制御部２０は、便毎および店舗毎に予測された物量に基づいて、ＶＲＰサーバ３００に配送計画を作成させ、作成された配送計画を取得する。After step S130 is completed, or if it is not determined in step S125 that there is a store whose business hours will be changed, the control unit 20 ends the volume prediction process. The control unit 20 then causes the VRP server 300 to create a delivery plan based on the volume predicted for each trip and each store, and acquires the created delivery plan.

（３）他の実施形態：
以上の実施形態は本発明を実施するための一例であり、他にも種々の実施形態を採用可能である。例えば、物量予測システム１０とＶＲＰサーバ３００は同じ装置で構成されてもよい。また、物量予測システム１０が、複数のシステムで構成されてもよい。例えば、物量予測システム１０の一部の機能が管理者端末１００で実現されても良いし、クラウドサーバで実現されても良い。 (3) Other embodiments:
The above embodiment is one example for carrying out the present invention, and various other embodiments can be adopted. For example, the quantity prediction system 10 and the VRP server 300 may be configured as the same device. Also, the quantity prediction system 10 may be configured as a plurality of systems. For example, some of the functions of the quantity prediction system 10 may be realized by the administrator terminal 100, or may be realized by a cloud server.

さらに、管理者端末１００の利用者は、物流拠点に存在しても良いし、発注元に存在しても良い。さらに、管理者端末１００は、車両に備えられていても良いし、可搬型の端末等であっても良い。また、物量予測システム１０を構成する各部（営業時間取得部２１ａ、物量予測部２１ｂ、配送計画取得部２１ｃ）の少なくとも一部が複数の装置に分かれて存在していても良い。また、上述の実施形態の一部の構成が省略される構成や、処理が変動または省略される構成も想定し得る。 Furthermore, the user of the administrator terminal 100 may be located at a logistics base or at the ordering party. Furthermore, the administrator terminal 100 may be provided in a vehicle or may be a portable terminal, etc. At least some of the components constituting the quantity prediction system 10 (business hours acquisition unit 21a, quantity prediction unit 21b, delivery plan acquisition unit 21c) may be separated into multiple devices. Also, configurations in which some of the components of the above-mentioned embodiments are omitted, or configurations in which processing is changed or omitted, may be envisioned.

営業時間取得部は、店舗の営業時間の変更を取得することができればよい。営業時間の変更は、営業開始時刻および営業終了時刻の少なくともいずれか一方が変化することによる営業時間の「短縮」や「延長」、営業時間の長さは変化しないが営業開始時刻および営業終了時刻が「シフト」することのいずれであってもよい。営業時間の変更は、管理者が入力する構成であってもよいし、例えば店舗の営業時間を管理するサーバから定期的に自動的に取得する構成であってもよい。また、営業時間が変更される店舗を検出した場合に、物量予測処理が自動的に実行されてもよい。 The business hours acquisition unit only needs to acquire changes to the business hours of the store. Changes to business hours may be "shortening" or "extending" the business hours by changing at least one of the opening time and closing time, or "shifting" the opening time and closing time without changing the length of business hours. Changes to business hours may be input by an administrator, or may be automatically acquired periodically from, for example, a server that manages the business hours of the store. Furthermore, when a store with a change in business hours is detected, a volume prediction process may be automatically executed.

物量予測部は、変更前の営業時間での物量実績に基づいて、変更後の営業時間に対応する物量を予測することができればよく、上記実施形態の他にも様々な構成を採用してよい。例えば、複数の店舗にそれぞれ量が異なりうる商品を配送するための配送計画を取得する配送計画取得部を備える場合、便毎および店舗毎の物量を予測する構成を採用するが、配送計画取得部を備えない場合は、必ずしも店舗毎や便毎に物量を予測しなくてもよい。例えばチルド商品の拠点の１日の出荷物量を予測する場合、天候や曜日などの条件が類似する過去の物量実績から、予測対象日の物量を予測し、営業時間変更前の複数店舗の営業時間の和を分母とし営業時間変更後の複数店舗の営業時間の和を分子とする時間比を乗じることで、営業時間が変更される場合の予測対象日１日のチルド商品の出荷量を予測する構成であってもよい。The quantity prediction unit may be configured in various ways other than the above embodiment, as long as it can predict the quantity corresponding to the changed business hours based on the actual quantity during the business hours before the change. For example, if a delivery plan acquisition unit is provided that acquires a delivery plan for delivering products whose quantities may vary to multiple stores, a configuration is adopted that predicts the quantity for each flight and each store. However, if a delivery plan acquisition unit is not provided, it is not necessary to predict the quantity for each store or each flight. For example, when predicting the daily shipment volume of a base for chilled products, the configuration may be such that the quantity for the prediction target day is predicted based on past volume records with similar conditions such as weather and day of the week, and the shipment volume of chilled products on the prediction target day when the business hours are changed is predicted by multiplying the time ratio with the sum of the business hours of multiple stores before the change of business hours as the denominator and the sum of the business hours of multiple stores after the change of business hours as the numerator.

また、営業時間変更前の物量の予測には、機械学習モデルを用いられてもよいし、多変量解析等の手法が用いられても良い。基本の物量に、曜日、平日／休日の区分、天候、気温、店舗規模、店舗立地条件、等に応じた係数を乗じて補正することで、予測対象日の物量を予測してもよい。 In addition, a machine learning model or a method such as multivariate analysis may be used to predict the volume of goods before the change in business hours. The volume of goods on the predicted day may be predicted by correcting the basic volume by multiplying it by a coefficient according to the day of the week, weekday/holiday classification, weather, temperature, store size, store location conditions, etc.

物量の予測に機械学習モデルが用いられる場合も、機械学習モデルの入力と出力の構成は上記実施形態の他にも種々の構成を採用可能である。店舗毎および便毎に物量を予測する場合、例えば、店舗毎や、店舗および便毎に機械学習モデルが生成されてもよい。機械学習モデルの入力や出力も、上記実施形態の例に限定されない。また、商品の配送に用いられる番重等の運搬用容器として、大きさ等が異なる複数種類の容器が用いられる場合、機械学習モデルの出力としての物量は、種類毎の容器の個数であってもよい。When a machine learning model is used to predict the quantity of goods, various configurations other than those of the above embodiment can be adopted for the input and output configuration of the machine learning model. When predicting the quantity for each store and each flight, for example, a machine learning model may be generated for each store, or for each store and flight. The input and output of the machine learning model are also not limited to the examples of the above embodiment. In addition, when multiple types of containers with different sizes are used as transport containers such as boxed containers used for delivering goods, the quantity as the output of the machine learning model may be the number of containers of each type.

物量予測部は、過去に営業時間が変更された他の店舗における物量の変化に基づいて、新たに営業時間が変更される店舗の物量を予測する構成であってもよい。具体的に例えば、過去に営業時間をＸ時間からＹ時間に変更した場合の物量が平均してＱ_ＸからＱ_Ｙに変化したことが過去の物量実績から取得できた場合に、時間の変化比と物量の変化比の関係を用いて、新たに営業時間がＸ時間からＺ時間に変更になる場合に物量がｑ_Ｘからどのように変化するかを予測する構成を採用してもよい。より具体的には、Ｙ／Ｘ：Ｑ_Ｙ／Ｑ_Ｘ＝Ｚ／Ｘ：ｑ_Ｚ／ｑ_Ｘの関係式からｑ_Ｚを算出してもよい。 The quantity prediction unit may be configured to predict the quantity of a store whose business hours will be changed based on the change in quantity of other stores whose business hours have been changed in the past. Specifically, for example, when it is possible to obtain from past quantity results that the quantity changed from _QX to _QY on average when the business hours were changed from X hours to Y hours in the past, a configuration may be adopted in which, using the relationship between the change ratio of time and the change ratio of quantity, it is possible to predict how the quantity will change from _qX when the business hours are newly changed from X hours to Z hours. More specifically, _qZ may be calculated from the relational formula Y/X: _QY / _QX =Z/X: _qZ / _qX .

また上記では、まず営業時間変更を考慮しない物量の予測を行い、その予測物量を、営業時間の変更に応じて補正するという２段階の処理を行う構成であるが、その構成に限定されない。例えば、機械学習モデルを用いて過去に営業時間が変更された他の店舗の物量変化に基づく予測を行っても良い。その場合、機械学習モデルの入力として、曜日、平日／休日、天候、最高気温、最低気温、便、店舗規模、店舗の立地環境（オフィス街、住宅街、幹線道路沿い、駅前、等）、店舗周辺人口、営業開始時刻、営業終了時刻を採用し、機械学習モデルの出力として物量を採用してもよい。 In the above, a two-step process is performed in which a volume is predicted without taking into account changes in business hours, and then the predicted volume is corrected in response to changes in business hours, but the present invention is not limited to this configuration. For example, a machine learning model may be used to make a prediction based on changes in volume at other stores whose business hours have been changed in the past. In this case, the inputs to the machine learning model may include the day of the week, weekday/holiday, weather, maximum temperature, minimum temperature, flight, store size, store location (office district, residential area, along a main road, in front of a station, etc.), population surrounding the store, opening time, and closing time, and the volume may be used as the output of the machine learning model.

物量予測部は、１日当たりＮ回の配送（便）のうちの営業時間の変更に物量が影響を受けることが推定される配送（便）について、物量を予測することができる構成であってもよい。営業時間が変更されてこれまで営業時間であった一部の時間帯が非営業時間となる場合、当該時間帯で売れていた商品が売れなくなると推定できる。そのため当該時間帯で売れていた商品の発注量が減少することが推定でき、その結果、配送する便の物量が減少すると推定できる。なお商品が配送された便や売れた時間帯は、配送実績やＰＯＳデータ等から特定可能である。上記実施形態においては、営業時間が短縮される場合に、営業終了時刻の直近の便が、営業時間の変更に物量が影響を受けると推定する構成であったがこれに限定されない。営業時間が短縮されることにより、営業終了時刻の直近の便以外にも、影響を及ぼしうる。The quantity prediction unit may be configured to predict the quantity of deliveries (flights) that are estimated to be affected by the change in business hours among N deliveries (flights) per day. When business hours are changed and some time periods that were previously business hours become non-business hours, it can be estimated that products that were selling during those time periods will no longer sell. Therefore, it can be estimated that the order volume of products that were selling during those time periods will decrease, and as a result, it can be estimated that the quantity of goods delivered by the delivery service will decrease. The flight on which the product was delivered and the time period in which it was sold can be identified from delivery records, POS data, etc. In the above embodiment, when business hours are shortened, the configuration is such that it is estimated that the quantity of goods will be affected by the change in business hours for the flight immediately before the closing time, but this is not limited to this. The shortening of business hours may have an impact on flights other than the flight immediately before the closing time.

例えば、店舗Ｓ_ＡにＣ２便で配送される商品のＭ_１％は店舗Ｓ_Ａにおいてこれまで深夜の時間帯（非営業時間に変更になる時間帯）に売れていた場合に、営業時間変更後は、Ｃ２便のＭ_１％は売れないと推定できる。そのため、店舗Ｓ_ＡのＣ２便が、営業時間減少の影響を受けると推定することができる。この場合に、物量予測部は、Ｃ２便で店舗Ｓ_Ａに配送される商品がＭ_１％減少することによる物量（例えば運搬用容器の個数）の減少数を特定し、営業時間変更前の物量から減少数を減算して営業時間変更後の物量を算出することができる。 For example, if M ₁ % of products delivered to store S _A by delivery C2 have been sold at store S _A during late night hours (time periods that will be changed to non-business hours), it can be estimated that M ₁ % of delivery C2 will not be sold after the change in business hours. Therefore, it can be estimated that delivery C2 of store S _A will be affected by the reduction in business hours. In this case, the quantity prediction unit can identify the reduction in quantity (e.g., the number of transport containers) due to the M ₁ % reduction in products delivered to store S _A by delivery C2, and calculate the quantity after the change in business hours by subtracting the reduction from the quantity before the change in business hours.

また、店舗Ｓ_Ａにおいて変更後の営業終了時刻の直近のＣ３便で配送される商品のＭ_２％はこれまで深夜の時間帯（非営業時間に変更になる時間帯）に売れていなかった（別の時間帯に売れる）場合、店舗Ｓ_ＡへのＣ３便の商品のＭ_２％は営業時間変更に影響を受けないと推定できる。従って店舗Ｓ_ＡへのＣ３便の商品のＭ_２％は減少せず、（１００－Ｍ_２）％は時間比で減少すると見なし、営業時間変更後の物量を予測してもよい。 In addition, if M ₂ % of the products delivered by C3 delivery immediately prior to the changed closing time at store S _A have not previously been sold during the late night hours (the hours that will be changed to non-business hours) (they will be sold at other times), it can be estimated that M ₂ % of the products on C3 delivery to store S _A will not be affected by the change in business hours. Therefore, it is possible to predict the volume after the change in business hours by assuming that M ₂ % of the products on C3 delivery to store S _A will not decrease and that (100-M ₂ ) % will decrease on an hourly basis.

また例えば、営業時間が変更されてこれまで非営業時間であった一部の時間帯が営業時間となる場合、当該時間帯で売れることが予測される商品を配送する便の物量が増えると推定できる。そのため、店舗規模や立地条件が類似の他店舗のＰＯＳデータを参照し、当該時間帯に売れる商品を配送する便を決定し（他の便の物量や商品の賞味期限等を考慮して決定されてよい）、当該便の物量が増加すると予測してもよい。For example, if business hours are changed and some time periods that were previously non-business hours become business hours, it can be estimated that the volume of flights delivering products that are predicted to sell during those time periods will increase. Therefore, by referring to POS data from other stores with similar store size and location conditions, a flight that will deliver products that will sell during that time period can be determined (which may be determined taking into consideration the volume of other flights, the expiration dates of the products, etc.), and it can be predicted that the volume of that flight will increase.

なお、これまで営業時間であった時間帯であり便が割り当てられていた時間帯が、非営業時間に変更になることもあり得る。その場合、当該便で配送されるはずだった商品が配送されないこととなるので、当該便の前後の便において物量が増加することもあり得る。具体的には例えば図２Ａの例にさらに、これまで深夜２：００にチルドの第４便（Ｃ４便）が存在していたとする。しかし、店舗Ｓ_Ａにおいて２３：００から６：００までの時間帯が非営業時間に変更になるためこのＣ４便でのチルドの商品を店舗Ｓ_Ａは受け取れないこととなる。営業時間変更前の１６：３０のＣ３便の物量をＱ_ｃ３、営業時間変更前の２：００のＣ４便の物量をＱ_ｃ４、営業時間変更後の１６：３０のＣ３便の物量をｘとすると、式（１）の関係にあると見なすことができる。
（Ｑ_ｃ３＋Ｑ_ｃ４）：１４時間（１７時から７時）
＝ｘ：７時間（１７時から２３時までの６時間＋６時から７時までの１時間） …（１）
式（１）より、ｘ＝（Ｑ_ｃ３＋Ｑ_ｃ４）／２となり、Ｑ_ｃ３およびＱ_ｃ４の値によっては営業時間変更前の１６：３０のＣ３便の物量Ｑ_ｃ３よりも変更後の１６：３０のＣ３便の物量ｘの方が増加しうる（例えば２≦Ｑ_ｃ３＜Ｑ_ｃ４の場合、ｘ＞Ｑ_ｃ３となる）。 In addition, a time period that was previously business hours and to which a flight was assigned may be changed to a non-business hour period. In that case, the products that were supposed to be delivered on that flight will not be delivered, and the amount of goods may increase on flights before and after that flight. Specifically, for example, in the example of FIG. 2A, assume that a chilled fourth flight (C4 flight) existed at 2:00 a.m. until now. However, the time period from 11:00 p.m. to 6:00 a.m. will be changed to non-business hours at store S _A , so store S _A will not be able to receive chilled goods on this C4 flight. If the amount of goods on the C3 flight at 16:30 before the business hours change is Q _c3 , the amount of goods on the C4 flight at 2:00 before the business hours change is Q _c4 , and the amount of goods on the C3 flight at 16:30 after the business hours change is x, then the relationship shown in formula (1) can be considered to be satisfied.
( _Qc3 + _Qc4 ): 14 hours (17:00 to 7:00)
= x: 7 hours (6 hours from 17:00 to 23:00 + 1 hour from 6:00 to 7:00) ... (1)
From formula (1), x = ( _Qc3 + _Qc4 ) / 2, and depending on the values of _Qc3 and _Qc4 , the volume x of the C3 flight at 16:30 after the change in business hours may be greater than the volume _Qc3 of the C3 flight at 16:30 before the change in business hours (for example, if 2 ≦ _Qc3 < _Qc4 , then x > _Qc3 ).

さらに、本発明は、プログラムや方法としても適用可能である。また、以上のようなシステム、プログラム、方法は、単独の装置として実現される場合もあれば、車両に備えられる各部と共有の部品を利用して実現される場合もあり、各種の態様を含むものである。例えば、以上のようなシステムで実現される方法、プログラムを提供することが可能である。また、一部がソフトウェアであり一部がハードウェアであったりするなど、適宜、変更可能である。さらに、装置を制御するプログラムの記録媒体としても発明は成立する。むろん、そのソフトウェアの記録媒体は、磁気記録媒体であってもよいし半導体メモリであってもよいし、今後開発されるいかなる記録媒体においても全く同様に考えることができる。 Furthermore, the present invention can also be applied as a program or method. The above-mentioned systems, programs, and methods may be realized as standalone devices, or may be realized by using parts shared with the various parts of the vehicle, and include various aspects. For example, it is possible to provide a method or program realized by the above-mentioned system. Also, it is possible to change it as appropriate, such as to have some parts be software and some be hardware. Furthermore, the invention can also be realized as a recording medium for a program that controls the device. Of course, the recording medium for the software may be a magnetic recording medium or a semiconductor memory, and any recording medium developed in the future can be considered in exactly the same way.

１０…物量予測システム、２０…制御部、２１…物量予測プログラム、２１ａ…営業時間取得部、２１ｂ…物量予測部、２１ｃ…配送計画取得部、３０…記録媒体、３０ａ…店舗情報、３０ｂ…物量実績、３０ｃ…カレンダー情報、３０ｄ…学習済モデル、４０…通信部、１００…管理者端末、２００…天候情報サーバ、３００…ＶＲＰサーバ10...Quantity prediction system, 20...Control unit, 21...Quantity prediction program, 21a...Business hours acquisition unit, 21b...Quantity prediction unit, 21c...Distribution plan acquisition unit, 30...Recording medium, 30a...Store information, 30b...Quantity record, 30c...Calendar information, 30d...Trained model, 40...Communication unit, 100...Administrator terminal, 200...Weather information server, 300...VRP server

Claims

an operating hours acquisition unit for acquiring changes in operating hours of a store;
a quantity prediction unit that predicts a quantity corresponding to the changed business hours based on the actual quantity during the business hours before the change;
Equipped with
In the quantity prediction unit, the past sales amount of the product for each time period for each store is acquired, and the quantity of the product sold before the change during the time period that will become non-business hours after the change is predicted to correspond to the quantity of the product sold after the change.
Quantity forecasting system.

In the quantity prediction unit, a quantity corresponding to the changed business hours is predicted based on a change in the business hours before and after the change.
The system for predicting quantity according to claim 1 .

The volume of goods after the change in business hours is predicted based on a value obtained by multiplying the volume of goods during the business hours before the change by a time ratio in which the length of business hours before the change is the denominator and the length of business hours after the change is the numerator.
The system for predicting quantity according to claim 1 or 2.

The quantity prediction unit predicts the quantity of each of a plurality of stores, including stores whose business hours are changed,
A delivery plan acquisition unit is provided for acquiring a delivery plan for delivering products to a plurality of stores based on a predicted quantity of goods.
The material quantity prediction system according to any one of claims 1 to 3.

The volume of goods at a store whose business hours will be changed is predicted based on the changes in the volume of goods at other stores whose business hours have been changed in the past.
The material quantity prediction system according to any one of claims 1 to 4.

When goods are delivered N times (N is 1 or more) per day to a store whose business hours are changed, the volume of deliveries that are estimated to be affected by the change in business hours among the N deliveries is predicted;
The system for predicting a quantity of material according to any one of claims 1 to 5.