JP7561020B2 - 発注システム - Google Patents

Description

本発明の実施形態は、発注システムに関する。

冷蔵庫に保存された食材を管理するためのシステムが提案されている。このようなシステムでは、必要な食材を適切なタイミングで確保することが期待されている。

特開２０１８－１４６１２０号公報

本発明が解決しようとする課題は、必要な食材を適切なタイミングで確保することができる発注システムを提供することである。

実施形態の冷蔵庫システムは、ユーザの冷蔵庫または住居内で保存される少なくとも１つの食材の在庫状態を示す在庫情報と、前記食材に関する前記ユーザの過去の消費動向を反映した推定用情報とに基づき、前記食材の将来の在庫状態を推定する推定部と、前記推定部により推定された前記食材の将来の在庫状態と、前記食材の配送に必要な配送期間とに基づき、前記食材を発注する発注部と、前記ユーザの過去の消費動向に基づき前記ユーザが消費した複数の食材を消費頻度に応じて分類し、各分類で消費頻度が相対的に高い特別食材を特定する特定部と、を備え、前記推定部は、前記在庫情報と、前記推定用情報とに基づき、前記特別食材の将来の在庫状態を推定し、前記発注部は、前記特別食材の将来の在庫状態に基づき、前記特別食材を発注する。

一実施形態の発注システムの構成の一例を示す図。 一実施形態の冷蔵庫の構成の一例を示す図。 一実施形態の冷蔵庫の別の構成の一例を示す図。 一実施形態の携帯端末の構成の一例を示す図。 一実施形態のサーバの構成の一例を示す図。 一実施形態の記憶部が記憶する情報の一例を示す図。 一実施形態のサーバの構成の一例を示す図。 一実施形態の過去の所定期間における日時と、その日時における食材の在庫量との関係を示す図。 一実施形態の教師データの一例を示す第１の図。 一実施形態の教師データの一例を示す第２の図。 一実施形態の教師データの一例を示す第３の図。 一実施形態の教師データの一例を示す第４の図。 一実施形態の教師データの一例を示す第５の図。 一実施形態の教師データの一例を示す第６の図。 一実施形態の教師データの一例を示す第７の図。 一実施形態のサーバの構成の一例を示す図。 一実施形態の発注システムの処理フローの一例を示す図。

以下、実施形態の発注システムを、図面を参照して説明する。以下の説明では、同一または類似の機能を有する構成に同一の符号を付す。そして、それら構成の重複する説明は省略する場合がある。「ＸＸに基づく」とは、「少なくともＸＸに基づく」ことを意味し、ＸＸに加えて別の要素に基づく場合も含み得る。「ＸＸに基づく」とは、ＸＸを直接に用いる場合に限定されず、ＸＸに対して演算や加工が行われたものに基づく場合も含み得る。「ＸＸまたはＹＹ」とは、ＸＸとＹＹのうちいずれか一方の場合に限定されず、ＸＸとＹＹの両方の場合も含み得る。これは選択的要素が３つ以上の場合も同様である。「ＸＸ」および「ＹＹ」は、任意の要素（例えば任意の情報）である。また、「検出」とは、対象の物理量を直接感知する場合に限定されず、対象の物理量に関連する他の物理量を直接または間接的に取得し、取得した他の物理量から対象の物理量を推定したり特定したりする場合も含み得る。また、「取得」とは、対象物そのものを直接受け取る場合に限定されず、直接受け取った物を演算や加工などを行うことによって対象物となる場合も含み得る。また、「特定」とは、対象の物理量を用いた演算結果に基づく判定の判定結果に応じて定まることを含み得る。また、「特定」とは、後述する学習済みモデルのように、入力データを入力したときに出力する出力データが示す内容に応じて定まることを含み得る。

以下では、いくつかの実施形態について説明する。実施形態の発注システムは、食材の在庫状態と、その食材を注文してから（すなわち、発注してから）配送が完了までの期間とを考慮して、食材を発注するシステムである。なお、ここでの配送とは、例えば、食材を送り出す発送から、食材が目的地に到達する配達までの全工程を含むものである。また、配送に掛かる期間については、食材の発注先にネットワークや電話網などの通信網を介して連絡したときに発注先から得られる。例えば、食材の発注先のＷＥＢサイトにネットワークを介してアクセスした場合に、ＷＥＢサイト上に配送完了日が表示される。また、例えば、食材の発注先に電話をして食材の配送完了日の情報を取得してもよい。

＜実施形態＞
（全体構成）
図１は、一実施形態の発注システム１の構成の一例を示す図である。発注システム１は、図１に示すように、冷蔵庫１０、携帯端末２０、サーバ３０、４０、５０を備える。

図２は、冷蔵庫１０の構成の一例を示す図である。冷蔵庫１０は、図２に示すように、撮影部１０１、通信部１０２、処理部１０３を備える。撮影部１０１は、食材を撮影する。具体的には、撮影部１０１は、冷蔵庫１０の内部の食材および住居内で保存されている管理対象の食材を撮影する。撮影部１０１は、例えば、カメラである。通信部１０２は、外部装置と通信する。外部装置の例としては、携帯端末２０、サーバ３０などが挙げられる。処理部１０３は、食材の種類と在庫量とを特定する。例えば、処理部１０３は、撮影部１０１が撮影した画像において、画像マッチング技術を用いて予め用意した各食材の特徴を含む画像のパターンが含まれていないかを判定することにより、食材の種類を特定するとともにその在庫量を特定する。なお、在庫量には、重量および数量（在庫数）が含まれる。
図３は、冷蔵庫１０の別の構成の一例を示す図である。冷蔵庫１０は、食材の種類と在庫量との情報を受け付けるタッチパネルなどの受付部１０４を備え、ユーザがその受付部１０４を介して食材の種類と在庫量との情報を手入力し、処理部１０３が入力された情報を特定することにより、食材の種類と在庫量とを特定するものであってもよい。

図４は、携帯端末２０の構成の一例を示す図である。携帯端末２０は、図４に示すように、通信部２０１、処理部２０２、通知部２０３（表示部の一例、入力部の一例）を備える。通信部２０１は、外部装置と通信する。外部装置の例としては、冷蔵庫１０、サーバ４０などが挙げられる。処理部２０２は、食材の発注予定の情報を取得する。また、処理部２０２は、例えば、後述する通知部２０３に対するユーザによる発注の内容を示す情報を変更する操作に応じて、食材の発注予定の情報（発注の内容を示す情報の一例）を変更する。また、処理部２０２は、食材の発注結果の情報を取得する。通知部２０３は、通信部２０１を介して受信した情報を通知する。例えば、通知部２０３は、通信部２０１を介して受信した食材の発注予定の情報（発注の内容を示す情報の一例）を通知する。また、通知部２０３は、食材の発注結果の情報（発注の内容を示す情報の一例）を通知する。通知部２０３は、例えば、液晶パネルを有するタッチパネルなどの表示部である。通知部２０３は、ユーザによる発注の内容を示す情報を変更する操作を受け付ける。

図５は、サーバ３０の構成の一例を示す図である。サーバ３０は、食材の種類と在庫量を管理する。サーバ３０は、図５に示すように、通信部３０１、処理部３０２、記憶部３０３を備える。

通信部３０１は、外部装置と通信する。外部装置の例としては、冷蔵庫１０、サーバ４０などが挙げられる。処理部３０２は、通信部３０１を介して、冷蔵庫１０から食材の種類ごとの在庫量を示す情報を取得する。処理部３０２は、取得した在庫量を示す情報を、その情報を取得した日時を示す情報と共に記憶部３０３に記録する。日時とは、年、月、日および時を含む。記憶部３０３は、過去の所定期間において、食材の種類ごとに、在庫量を示す情報と日時を示す情報とを関連付けて記憶する。過去の所定期間とは、食材とその食材の在庫数との関係を示すデータを記憶しておく期間のことである。食材とその食材の在庫数との関係を示すデータは、後述する複数の学習モデルのパラメータの決定するためのデータ、および決定したパラメータを有するそれら複数の学習モデルを用いて将来を予測するためのデータである。図６は、記憶部３０３が記憶する情報の一例を示す図である。図６に示す例は、食材として卵と豚肉が記憶部３０３に記録された例であり、それぞれの食材について、日時とその日時におけるその食材の在庫量（図６における在庫数）とが関連付けられている。なお、図６では、在庫量を数量で表す例を示したが、在庫量は数量に限定するものではなく、在庫量は重量で表されてもよい。

図７は、サーバ４０の構成の一例を示す図である。サーバ４０は、各食材の消費頻度を特定し、各食材の将来の在庫状態を推定し、各食材の発注日を推定する。サーバ４０は、図７に示すように、通信部４０１、処理部４０２（特定部の一例、推定部の一例、発注部の一例、在庫推定学習部の一例、発注日学習部の一例）、記憶部４０３を備える。

通信部４０１は、外部装置と通信する。外部装置の例としては、携帯端末２０、サーバ３０、サーバ５０などが挙げられる。

処理部４０２は、ユーザの過去の消費動向に基づき、ユーザが消費した複数の食材を消費頻度に応じて分類し、各分類で消費頻度が相対的に高い特別食材を特定する。例えば、処理部４０２は、第１期間におけるユーザの過去の消費動向と、その第１期間よりも長い第２期間におけるユーザの過去の消費動向とに基づき、複数の食材の各々の消費頻度を特定する。つまり、処理部４０２は、期間の異なるデータを用いて消費頻度を特定する。

図８は、過去の所定期間における日時と、その日時における食材Ａの在庫量との関係を示す図である。ここでは、図８を参照して、期間の異なるデータを用いて消費頻度を特定する処理部４０２について説明する。なお、図８における過去の所定期間は、過去９０日間である。

まず、処理部４０２は、直近の短い期間における（例えば、図８における過去１日～１４日（２週間）の履歴）における食材Ａの在庫量のデータを用いて、食材Ａが、消費頻度が高い（例えば、毎日消費される、あるいは２～３日に１回消費される）食材であるかを特定する。例えば、処理部４０２は、直近の短い期間における食材Ａの消費回数をその期間が示す日数で除算した演算結果を消費頻度とすることによって、消費頻度を特定する。そして、処理部４０２は、例えば、演算結果が１以上である場合に、食材Ａは毎日消費される食材と特定する。また、処理部４０２は、例えば、演算結果が３分の１以上１未満である場合に、食材Ａを２～３日に１回消費される食材と特定する。

また、食材Ａが消費頻度が高いと特定されなかった場合（上記例において、演算結果が３分の１未満であった場合）、処理部４０２は、直近の期間を長くして（例えば、２週間を３０日間に変更して）消費頻度が次に高い（例えば、１週間に１回消費される、あるいは２週間に１回消費される）食材を特定する。つまり、処理部４０２は、期間の異なるデータとして、過去１日～３０日における食材Ａの在庫量のデータを用いて食材Ａの消費頻度を特定する。なお、処理部４０２による消費頻度の特定は、上述したように、食材Ａの消費回数を期間が示す日数で除算した演算結果を消費頻度とするものであってよい。そして、処理部４０２は、例えば、演算結果が７分の１以上３分の１未満である場合に、食材Ａを１週間に１回消費される食材と特定する。また、処理部４０２は、例えば、演算結果が１４分の１以上７分の１未満である場合に、食材Ａを２週間に１回消費される食材と特定する。

また、食材Ａが消費頻度が次に高いと特定されなかった場合（上記例において、演算結果が１４分の１未満であった場合）、処理部４０２は、直近の期間をさらに長くして（例えば、３０日間を９０日間に変更して）消費頻度が次に高い（例えば、３０日間に１回消費される）食材を特定する。つまり、処理部４０２は、期間の異なるデータとして、過去１日～９０日における食材Ａの在庫量のデータを用いて食材Ａの消費頻度を特定する。なお、処理部４０２による消費頻度の特定は、上述したように、食材Ａの消費回数を期間が示す日数で除算した演算結果を消費頻度とするものであってよい。そして、処理部４０２は、例えば、演算結果が３０分の１以上１４分の１未満である場合に、食材Ａを３０日間に１回消費される食材と特定する。また、処理部４０２は、例えば、演算結果が３０分の１未満である場合に、食材Ａを３０日に１回未満の消費頻度の食材と特定する。

実際には、処理部４０２は、上述した食材Ａについて行う処理を、各食材について行うことにより、各食材の消費頻度を特定する。

なお、処理部４０２は、上述した演算による消費頻度を特定する方法とは別に、消費頻度を特定する学習済みモデルを用いて消費頻度を特定するものであってもよい。学習済みモデルにおけるパラメータは、例えば、次のように決定される。

消費頻度を特定する学習モデルのパラメータの決定に用いられる教師データは、入力データと、その入力データに対応する出力データとを含む。図９～図１１は、教師データの例を示す図である。

まず、消費頻度が高い（例えば、毎日消費される、あるいは２～３日に１回消費される）食材を特定するための学習モデルのパラメータの決定について説明する。図９は、処理部４０２が、消費頻度が高い（例えば、毎日消費される、あるいは２～３日に１回消費される）食材を特定するための学習モデルのパラメータを特定するための教師データを示す図である。例えば、記憶部４０３がこの教師データを記憶する。教師データは、各食材についての過去の消費頻度を示す実績データである。教師データは、各食材について、消費頻度が高い食材を特定するための所定期間（毎日消費される、あるいは２～３日に１回消費される食材を特定する場合には、例えば、２週間）における日時とその日時における在庫量とを入力データとし、その入力データに対応する消費頻度を出力データとし、入力データとその入力データに対応する出力データとが関連付けられたデータを複数含む。図９に示す例では、入力データとその入力データに対応する出力データとが関連付けられたデータは１００００組のデータである。

例えば、図９に示す１００００組のデータから成る教師データを用いて食材Ａについての学習モデルにおけるパラメータを決定する場合を考える。この場合、教師データは、例えば、訓練データと、評価データと、テストデータとに分けられる。訓練データと、評価データと、テストデータとの割合の例としては、７０％、１５％、１５％や９５％、２．５％、２．５％などが挙げられる。例えば、データ＃１～＃１００００の教師データが、訓練データとしてデータ＃１～＃７０００、評価データとしてデータ＃７００１～＃８５００、テストデータ１５％としてデータ＃８５０１～＃１００００に分けられたとする。この場合、訓練データであるデータ＃１を学習モデルであるニューラルネットワークに入力する。訓練データの入力データがニューラルネットワークに入力され、消費頻度がニューラルネットワークから出力される度に（この場合、データ＃１～＃７０００のそれぞれのデータがニューラルネットワークに入力される度に）、その出力に応じて例えばバックプロパゲーションを行うことにより、ノード間のデータの結合の重み付けを示すパラメータを変更する（すなわち、ニューラルネットワークのモデルを変更する）。このように、訓練データをニューラルネットワークに入力してパラメータを調整する。

次に、訓練データによってパラメータが変更されたニューラルネットワークに、評価データの入力データ（データ＃７００１～＃８５００）を順に入力する。ニューラルネットワークは、入力された評価データに応じた消費頻度を出力する。ここで、ニューラルネットワークが出力するデータが、図９において入力データに関連付けられている出力データと異なる場合、ニューラルネットワークの出力が図９において入力データに関連付けられている出力データとなるようにパラメータを変更する。このように、パラメータが決定されたニューラルネットワーク（すなわち、学習モデル）が、消費頻度が高い（例えば、毎日消費される、あるいは２～３日に１回消費される）食材を特定するための学習済みモデル（以下、第１学習済みモデルと記載）である。

次に、最終確認として、第１学習済みモデルのニューラルネットワークに、テストデータ（データ＃８５０１～＃１００００）の入力データを順に入力する。第１学習済みモデルのニューラルネットワークは、入力されたテストデータに応じた消費頻度を出力する。すべてのテストデータに対して、第１学習済みモデルのニューラルネットワークが出力する消費頻度が、図９において入力データに関連付けられている消費頻度と一致する場合、第１学習済みモデルのニューラルネットワークが所望のモデルである。また、テストデータのうちの１つでも、第１学習済みモデルのニューラルネットワークが出力する消費頻度が、図９において入力データに関連付けられている消費頻度と一致しない場合、新たな教師データを用いて学習モデルのパラメータを決定する。上述の学習モデルのパラメータの決定は、所望のパラメータを有する第１学習済みモデルが得られるまで繰り返される。所望のパラメータを有する第１学習済みモデルが得られた場合、その第１学習済みモデルが、例えば、記憶部４０３に記録される。

次に、消費頻度が次に高い（例えば、１週間に１回消費される、あるいは２週間に１回消費される）食材を特定するための学習モデルのパラメータの決定について説明する。図１０は、処理部４０２が、消費頻度が次に高い（例えば、１週間に１回消費される、あるいは２週間に１回消費される）食材を特定するための学習モデルのパラメータを特定するための教師データを示す図である。例えば、記憶部４０３がこの教師データを記憶する。教師データは、各食材についての過去の消費頻度を示す実績データである。教師データは、各食材について、消費頻度が次に高い食材を特定するための所定期間（１週間に１回消費される、あるいは２週間に１回消費される食材を特定する場合には、例えば、３０日間）における日時とその日時における在庫量とを入力データとし、その入力データに対応する消費頻度を出力データとし、入力データとその入力データに対応する出力データとが関連付けられたデータを複数含む。図１０に示す例では、入力データとその入力データに対応する出力データとが関連付けられたデータは１００００組のデータである。

なお、図１０に示す１００００組のデータから成る教師データを用いて食材Ａについての学習モデルにおけるパラメータを決定する場合も、教師データを、例えば、上述したように、訓練データと、評価データと、テストデータとに分けて、所望のパラメータを有する学習済みモデルが得られるまで（入力データに関連付けられている消費頻度と一致しない場合、新たな教師データを用いて）繰り返される。このように、パラメータが決定されたニューラルネットワーク（すなわち、学習モデル）が、消費頻度が次に高い（例えば、１週間に１回消費される、あるいは２週間に１回消費される）食材を特定するための学習済みモデル（以下、第２学習済みモデルと記載）である。所望のパラメータを有する第２学習済みモデルが得られた場合、その第２学習済みモデルが、例えば、記憶部４０３に記録される。

次に、消費頻度が次に高い（例えば、３０日間に１回消費される）食材を特定するための学習モデルのパラメータの決定について説明する。図１１は、処理部４０２が、消費頻度が次に高い（例えば、３０日間に１回消費される）食材を特定するための学習モデルのパラメータを特定するための教師データを示す図である。例えば、記憶部４０３がこの教師データを記憶する。教師データは、各食材についての過去の消費頻度を示す実績データである。教師データは、各食材について、消費頻度が次に高い食材を特定するための所定期間（３０日間に１回消費される食材を特定する場合には、例えば、９０日間）における日時とその日時における在庫量とを入力データとし、その入力データに対応する消費頻度を出力データとし、入力データとその入力データに対応する出力データとが関連付けられたデータを複数含む。図１１に示す例では、入力データとその入力データに対応する出力データとが関連付けられたデータは１００００組のデータである。

なお、図１１に示す１００００組のデータから成る教師データを用いて食材Ａについての学習モデルにおけるパラメータを決定する場合も、教師データを、例えば、上述したように、訓練データと、評価データと、テストデータとに分けて、所望のパラメータを有する学習済みモデルが得られるまで（入力データに関連付けられている消費頻度と一致しない場合、新たな教師データを用いて）繰り返される。このように、パラメータが決定されたニューラルネットワーク（すなわち、学習モデル）が、消費頻度が次に高い（例えば、３０日間に１回消費される）食材を特定するための学習済みモデル（以下、第３学習済みモデルと記載）である。所望のパラメータを有する第３学習済みモデルが得られた場合、その第３学習済みモデルが、例えば、記憶部４０３に記録される。

なお、食材Ａ以外の食材についても、食材Ａと同様に、上述した学習モデルのパラメータの決定方法を用いて、異なる各使用頻度を特定するための複数の学習モデルのパラメータが決定される。

また、処理部４０２は、特定した消費頻度に基づいて食材を分類し、分類した食材のうち消費頻度が上位の食材（消費頻度が相対的に高い特別食材の一例）を特定する。例えば、処理部４０２は、消費頻度が毎日である食材、消費頻度が２～３日間に１回の食材、消費頻度が１週間に１回の食材、消費頻度が２週間に１回の食材、消費頻度が１か月に１回の食材、消費頻度が１か月に１回未満の食材に分類する。そして、処理部４０２は、消費頻度が毎日である食材、消費頻度が２～３日に１回の食材、消費頻度が１週間に１回の食材、消費頻度が２週間に１回の食材、消費頻度が３０日間に１回の食材、消費頻度が１か月に１回未満の食材の順に消費頻度の高い上位の食材を特定する。そして、処理部４０２は、特定した消費頻度のうち、消費頻度の高い上位の食材を特定すればよい。なお、処理部４０２は、上述の消費頻度を特定する学習済みモデルとは別の学習済みモデルを用いて消費頻度の高い上位の食材（例えば、消費頻度が高い上位５つ、消費頻度が１か月に１回以上の食材など）を特定するものであってもよい。なお、消費頻度が高い上位の食材を特定するための学習モデルのパラメータは、例えば、所定期間を２週間とし、その２週間における日時とその日時における在庫量とを入力データとし、その入力データに対応する消費頻度の高い上位の食材を出力データとして、その入力データと出力データとが関連付けられた複数のデータを含む教師データを用いて、上述した学習モデルのパラメータと同様に決定すればよい。

また、処理部４０２は、ユーザの冷蔵庫１０または住居内で保存される少なくとも１つの食材の在庫状態を示す在庫情報と、食材に関するユーザの過去の消費動向を反映した推定用情報とに基づき、食材の将来の在庫状態を推定する。食材の将来の在庫状態とは、食材の将来の在庫量であってよい。推定用情報の例としては、学習済みモデルなどが挙げられる。ユーザの過去の消費動向の例としては、ユーザの過去の異なる複数の時刻とそれら各時刻における食材の在庫量との関係などが挙げられる。ただし、食材の将来の在庫状態は、食材の将来の在庫量に限定するものではなく、例えば、食材の在庫量が所定量（例えば、ゼロ）以下となる時期であってもよい。なお、在庫情報は、同一または異なる食材に関して購入日または摂取期限が異なる複数の在庫登録がある場合、複数の在庫登録の各々の在庫量と、複数の在庫登録の各々の購入日または摂取期限との対応関係を示す情報を含むものであってもよい。なお、購入日は、食材を注文した日から食材の配送が完了した日までの何れかの日にちを含むものであってよい。なお、購入日は、食材を注文した日、または食材の配送が完了した日など基準となる日を統一することが望ましい。また、摂取期限は、消費期限または賞味期限の少なくとも一方を含むものであってよい。また、在庫情報は、同一または異なる食材に関して冷蔵庫の保存部屋が異なる複数の在庫登録がある場合、複数の在庫登録の各々の在庫量と、複数の在庫登録の各々の保存部屋との対応関係を示す情報を含むものであってもよい。また、在庫情報は、各食材が食材のカテゴリーを示す食材分類と紐付けられて登録されている場合、複数の在庫登録の各々の在庫量と、複数の在庫登録の各々の食材分類との対応関係を示す情報を含むものであってもよい。例えば、食材のカテゴリーを示す食材分類の例としては、肉類、魚類、野菜などが挙げられる。処理部４０２は、特別食材（例えば、分類した食材のうち消費頻度が上位の食材）の将来の在庫状態を推定する。また、処理部４０２は、食材の在庫状態に変化があった場合に、食材の最新の在庫状態に基づき食材の将来の在庫状態を推定する。なお、処理部４０２は、食材の将来の在庫状態を推定する学習済みモデルを用いて食材の将来の在庫状態を推定するものであってもよい。つまり、処理部４０２は、過去時点の食材の在庫状態を示す在庫情報と、過去時点から見た将来時点の食材の在庫状態を示す情報とが対応付けられ、過去時点の食材の在庫状態を示す在庫情報を入力データとし、過去時点から見た将来時点の食材の在庫状態を示す情報を出力データとして含むユーザに関する教師データに基づき、推定用情報である学習モデルのパラメータを決定するものであってもよい。また、教師データは、過去時点における冷蔵庫の制御モードを示す情報を含むものであってもよい。学習モデルにおけるパラメータは、例えば、次のように決定される。

図１２～１４は、食材の将来の在庫状態を推定する学習モデルのパラメータの決定に用いられる教師データの例を示す図である。まず、消費頻度が高い（例えば、毎日消費される、あるいは２～３日に１回消費される）食材の将来の在庫状態を推定するための学習モデルのパラメータの決定について説明する。図１２は、消費頻度が高い（例えば、毎日消費される、あるいは２～３日に１回消費される）場合の各食材の将来の在庫状態を推定する学習モデルのパラメータの決定に用いられる教師データを示している。例えば、記憶部４０３がこの教師データを記憶する。教師データは、各食材についての過去の消費頻度を示す実績データである。教師データは、各食材について、消費頻度が高い所定期間（毎日消費される、あるいは２～３日に１回消費される食材を特定する場合には、例えば、２週間）における日時とその日時における在庫量とを入力データとし、その食材の在庫量がゼロになる時期を出力データとし、入力データとその入力データに対応する出力データとが関連付けられたデータを複数含む。図１２に示す例では、入力データとその入力データに対応する出力データとが関連付けられたデータは１００００組のデータである。

例えば、図１２に示す１００００組のデータから成る教師データを用いて食材Ａについての学習モデルにおけるパラメータを決定する場合を考える。この場合、教師データは、例えば、訓練データと、評価データと、テストデータとに分けられる。訓練データと、評価データと、テストデータとの割合の例としては、７０％、１５％、１５％や９５％、２．５％、２．５％などが挙げられる。例えば、データ＃１～＃１００００の教師データが、訓練データとしてデータ＃１～＃７０００、評価データとしてデータ＃７００１～＃８５００、テストデータ１５％としてデータ＃８５０１～＃１００００に分けられたとする。この場合、訓練データであるデータ＃１を学習モデルであるニューラルネットワークに入力する。訓練データの入力データがニューラルネットワークに入力され、在庫量がゼロになる時期がニューラルネットワークから出力される度に（この場合、データ＃１～＃７０００のそれぞれのデータがニューラルネットワークに入力される度に）、その出力に応じて例えばバックプロパゲーションを行うことにより、ノード間のデータの結合の重み付けを示すパラメータを変更する（すなわち、ニューラルネットワークのモデルを変更する）。このように、訓練データをニューラルネットワークに入力してパラメータを調整する。

次に、訓練データによってパラメータが変更されたニューラルネットワークに、評価データの入力データ（データ＃７００１～＃８５００）を順に入力する。ニューラルネットワークは、入力された評価データに応じた在庫量がゼロになる時期を出力する。ここで、ニューラルネットワークが出力するデータが、図１２において入力データに関連付けられている出力データと異なる場合、ニューラルネットワークの出力が図１２において入力データに関連付けられている出力データとなるようにパラメータを変更する。このように、パラメータが決定されたニューラルネットワーク（すなわち、学習モデル）が、食材Ａが消費頻度が高い（例えば、毎日消費される、あるいは２～３日に１回消費される）食材と特定された場合に、食材Ａの在庫状態を推定するための学習済みモデル（以下、第４学習済みモデルと記載）である。

次に、最終確認として、第４学習済みモデルのニューラルネットワークに、テストデータ（データ＃８５０１～＃１００００）の入力データを順に入力する。第４学習済みモデルのニューラルネットワークは、入力されたテストデータに応じた在庫量がゼロになる時期を出力する。すべてのテストデータに対して、第４学習済みモデルのニューラルネットワークが出力する在庫量がゼロになる時期が、図１２において入力データに関連付けられている在庫量がゼロになる時期と一致する場合、第４学習済みモデルのニューラルネットワークが所望のモデルである。また、テストデータのうちの１つでも、第４学習済みモデルのニューラルネットワークが出力する在庫量がゼロになる時期が、図１２において入力データに関連付けられている在庫量がゼロになる時期と一致しない場合、新たな教師データを用いて学習モデルのパラメータを決定する。上述の学習モデルのパラメータの決定は、所望のパラメータを有する第４学習済みモデルが得られるまで繰り返される。所望のパラメータを有する第４学習済みモデルが得られた場合、その第４学習済みモデルが記憶部４０３に記録される。

次に、消費頻度が次に高い（例えば、１週間に１回消費される、あるいは２週間に１回消費される）食材の将来の在庫状態を推定するための学習モデルのパラメータの決定について説明する。図１３は、消費頻度が次に高い（例えば、１週間に１回消費される、あるいは２週間に１回消費される）場合の各食材の将来の在庫状態を推定学習モデルのパラメータの決定に用いられる教師データを示している。例えば、記憶部４０３がこの教師データを記憶する。教師データは、食材についての過去の消費頻度を示す実績データである。教師データは、各食材について、消費頻度が次に高い所定期間（１週間に１回消費される、あるいは２週間に１回消費される食材を特定する場合には、例えば、３０日間）における日時とその日時における在庫量とを入力データとし、その食材の在庫量がゼロになる時期を出力データとし、入力データとその入力データに対応する出力データとが関連付けられたデータを複数含む。図１３に示す例では、入力データとその入力データに対応する出力データとが関連付けられたデータは１００００組のデータである。

なお、図１３に示す１００００組のデータから成る教師データを用いて食材Ａについての学習モデルにおけるパラメータを決定する場合も、教師データを、例えば、上述したように、訓練データと、評価データと、テストデータとに分けて、所望のパラメータを有する学習済みモデルが得られるまで（入力データに関連付けられている在庫量がゼロになる時期と一致しない場合、新たな教師データを用いて）繰り返される。このように、パラメータが決定されたニューラルネットワーク（すなわち、学習モデル）が、消費頻度が次に高い（例えば、１週間に１回消費される、あるいは２週間に１回消費される）食材の将来の在庫状態を推定するための学習済みモデル（以下、第５学習済みモデルと記載）である。所望のパラメータを有する第５学習済みモデルが得られた場合、その第５学習済みモデルが記憶部４０３に記録される。

次に、消費頻度が次に高い（例えば、３０日間に１回消費される）食材の将来の在庫状態を推定するための学習モデルのパラメータの決定について説明する。図１４は、消費頻度が次に高い（例えば、３０日間に１回消費される）場合の各食材の将来の在庫状態を推定学習モデルのパラメータの決定に用いられる教師データを示している。例えば、記憶部４０３がこの教師データを記憶する。教師データは、食材についての過去の消費頻度を示す実績データである。教師データは、各食材について、消費頻度が次に高い所定期間（３０日間に１回消費される食材を特定する場合には、例えば、９０日間）における日時とその日時における在庫量とを入力データとし、その食材の在庫量がゼロになる時期を出力データとし、入力データとその入力データに対応する出力データとが関連付けられたデータを複数含む。図１４に示す例では、入力データとその入力データに対応する出力データとが関連付けられたデータは１００００組のデータである。

なお、図１４に示す１００００組のデータから成る教師データを用いて食材Ａについての学習モデルにおけるパラメータを決定する場合も、教師データを、例えば、上述したように、訓練データと、評価データと、テストデータとに分けて、所望のパラメータを有する学習済みモデルが得られるまで（入力データに関連付けられている在庫量がゼロになる時期と一致しない場合、新たな教師データを用いて）繰り返される。このように、パラメータが決定されたニューラルネットワーク（すなわち、学習モデル）が、消費頻度が次に高い（例えば、３０日間に１回消費される）食材の将来の在庫状態を推定するための学習済みモデル（以下、第６学習済みモデルと記載）である。所望のパラメータを有する第６学習済みモデルが得られた場合、その第６学習済みモデルが記憶部４０３に記録される。

なお、食材Ａ以外の食材についても、食材Ａと同様に、上述した学習モデルのパラメータの決定方法を用いて、異なる各将来の在庫状態を推定するための複数の学習モデルのパラメータが決定される。

また、処理部４０２は、発注する食材ごとの配送期間（発注する食材の発注後の配送期間の一例）に関連する情報を取得する。例えば、処理部４０２は、食材の発注先のサーバである後述するサーバ５０にネットワークや電話網などの通信網を介してアクセスすることによって食材の配送完了日の情報を取得する。具体的には、業務提携などをしており、ＷＥＢサイトに配送完了日の情報を取得しやすい仕組みを導入可能な企業の場合、処理部４０２は、例えば、ＷＥＢサイトにアクセスし、所定のＩＤ（Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）とパスワードを入力した場合に、配送完了日を示す信号がサーバ５０から送信され、配信完了日の情報を取得する。また、具体的には、単にＷＥＢサイト上に配送完了日が表示される場合、処理部４０２は、例えば、ＨＴＭＬ（Ｈｙｐｅｒｔｅｘｔ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）などの言語解析や、ＷＥＢサイトの画面を画像解析するなどして、配送完了日の情報を取得する。なお、ユーザが発注先に電話連絡などして取得した食材の配送完了日の情報をサーバ４０の記憶部４０３などに記録し、処理部４０２がその記憶部にアクセルすることによって配送期間の情報を取得するものであってもよい。また、ユーザがＷＥＢサイト上に表示された配送完了日の情報をサーバ４０の記憶部４０３などに記録し、処理部４０２がその記憶部にアクセルすることによって配送期間の情報を取得するものであってもよい。そして、処理部４０２は、発注日から配送完了日までの期間を算出し、算出結果を配送期間として取得する。

なお、配送完了日が１週間後、１か月後など日数以外の単位で示される場合には、処理部４０２は、１週間を７日に変換し、１か月を３０日に変換あるいは翌月の同日とするなど月ごとの日数の違いを考慮して、配送期間を算出するものであってよい。

そして、処理部４０２は、推定した食材の将来の在庫状態と、食材の配送に必要な配送期間とに基づき、食材を発注する。例えば、処理部４０２は、特別食材（例えば、分類した食材のうち消費頻度が上位の食材）の将来の在庫状態に基づき、特別食材を発注する。在庫量がゼロになる時期からその食材の配送期間だけ遡った時期以前に、その食材の次の発注からその発注による食材の配送が完了するまでの間に消費されないと考えられる在庫量となる量の食材を発注する。その食材の次の発注からその発注による食材の配送が完了するまでの間に消費されないと考えられる在庫量となる量の食材の発注の例としては、その食材についての過去の最大発注量となる発注、その食材についての過去の平均発注量となる発注などが挙げられる。なお、その食材の次の発注からその発注による食材の配送が完了するまでの間に消費されないと考えられる在庫量となる量は、予め決定しておいてもよい。また、処理部４０２は、新たに推定した食材の将来の在庫状態に基づき、過去に決定した食材の発注タイミングまたは発注量を更新するものであってもよい。例えば、処理部４０２は、食材が消費される度にその食材の在庫量から在庫状態を推定する。処理部４０２は、前回の推定において、その食材が３日後にゼロになり、発注から配送完了まで１日掛かるため、例えば、２日後に過去に発注した発注量の平均の量の食材を注文すればよいと判定したとする。しかしながら、例えば、次の日に、その食材がすべて消費された場合、処理部４０２は、その食材を直ちに注文してもよい。また、その食材が急激に消費されたため、消費頻度も高くなる。そのため、処理部４０２は、今後も消費頻度が高い状態が続くと判断して、発注量を増加させるものであってもよい。また、処理部４０２は、食材の発注を決定した時点から食材を実際に発注するまでの間、食材の在庫状態が変化していない、若しくは在庫の減少量が閾値以下の場合、食材の在庫が増加した場合、または、前回推定した将来の在庫数よりも実際の在庫数が多い場合、食材の発注に関する問い合わせをユーザに通知するものであってもよい。この通知により、ユーザは無駄な食材の発注を回避することができる。

なお、処理部４０２は、食材の発注時期と発注量とを特定する学習済みモデルを有し、その学習済みモデルを用いて食材の発注時期と発注量とを特定するものであってもよい。つまり、処理部４０２は、食材の将来の在庫状態と、食材の過去の実際の配送期間と、食材の実際の発注日とが対応付けられ、処理部４０２により推定された食材の将来の在庫状態と、食材の過去の実際の配送期間とを入力データとし、食材の実際の発注日を出力データとして含む教師データに基づき、食材の発注日を推定する学習モデルのパラメータを決定するものであってもよい。そして、処理部４０２は、パラメータが決定された学習モデルを用いて食材を発注する発注日を決定するものであってもよい。学習モデルにおけるパラメータは、例えば、次のように決定される。

図１５は、食材の発注日を推定する学習モデルのパラメータの決定に用いられる教師データの例を示す図である。例えば、記憶部４０３がこの教師データを記憶する。教師データは、各食材についての過去のある時点における将来の在庫状態と、その食材の発注における実際の配送期間と、その食材の実際の発注日との関係を示す実績データである。教師データは、各食材についての過去のある時点における将来の在庫状態と、その食材の発注における実際の配送期間とを入力データとし、その食材の実際の発注日を出力データとし、入力データとその入力データに対応する出力データとが関連付けられたデータを複数含む。図１５に示す例では、入力データとその入力データに対応する出力データとが関連付けられたデータは１００００組のデータである。

例えば、図１５に示す１００００組のデータから成る教師データを用いて食材Ａについての学習モデルにおけるパラメータを決定する場合を考える。この場合、教師データは、例えば、訓練データと、評価データと、テストデータとに分けられる。訓練データと、評価データと、テストデータとの割合の例としては、７０％、１５％、１５％や９５％、２．５％、２．５％などが挙げられる。例えば、データ＃１～＃１００００の教師データが、訓練データとしてデータ＃１～＃７０００、評価データとしてデータ＃７００１～＃８５００、テストデータ１５％としてデータ＃８５０１～＃１００００に分けられたとする。この場合、訓練データであるデータ＃１を学習モデルであるニューラルネットワークに入力する。訓練データの入力データがニューラルネットワークに入力され、発注日がニューラルネットワークから出力される度に（この場合、データ＃１～＃７０００のそれぞれのデータがニューラルネットワークに入力される度に）、その出力に応じて例えばバックプロパゲーションを行うことにより、ノード間のデータの結合の重み付けを示すパラメータを変更する（すなわち、ニューラルネットワークのモデルを変更する）。このように、訓練データをニューラルネットワークに入力してパラメータを調整する。

次に、訓練データによってパラメータが変更されたニューラルネットワークに、評価データの入力データ（データ＃７００１～＃８５００）を順に入力する。ニューラルネットワークは、入力された評価データに応じた発注日を出力する。ここで、ニューラルネットワークが出力するデータが、図１５において入力データに関連付けられている出力データと異なる場合、ニューラルネットワークの出力が図１５において入力データに関連付けられている出力データとなるようにパラメータを変更する。このように、パラメータが決定されたニューラルネットワーク（すなわち、学習モデル）が、発注日を推定するための学習済みモデル（以下、第７学習済みモデルと記載）である。

次に、最終確認として、第７学習済みモデルのニューラルネットワークに、テストデータ（データ＃８５０１～＃１００００）の入力データを順に入力する。第４学習済みモデルのニューラルネットワークは、入力されたテストデータに応じた発注日を出力する。すべてのテストデータに対して、第７学習済みモデルのニューラルネットワークが出力する発注日が、図１５において入力データに関連付けられている発注日と一致する場合、第７学習済みモデルのニューラルネットワークが所望のモデルである。また、テストデータのうちの１つでも、第７学習済みモデルのニューラルネットワークが出力する発注日が、図１５において入力データに関連付けられている発注日と一致しない場合、新たな教師データを用いて学習モデルのパラメータを決定する。上述の学習モデルのパラメータの決定は、所望のパラメータを有する第７学習済みモデルが得られるまで繰り返される。所望のパラメータを有する第７学習済みモデルが得られた場合、その第７学習済みモデルが記憶部４０３に記録される。

なお、食材Ａ以外の食材についても、食材Ａと同様に、上述した学習モデルのパラメータの決定方法を用いて、異なる各発注日を推定するための複数の学習モデルのパラメータが決定される。

なお、処理部４０２は、食材の在庫量が変化し、その食材の在庫量がゼロであると推定した場合、その食材を発注するものであってもよい。処理部４０２は、食材をサーバ５０に対して発注した場合、その発注内容を示す発注情報を記憶部４０３に記録する。発注情報には、発注日時、食材の種類、食材の発注量、食材の価格、食材の発送日などの情報が含まれる。また、処理部４０２は、発注情報を携帯端末２０に送信する。記憶部４０３は、処理部４０２が発注した発注情報を記憶する。

図１６は、サーバ５０の構成の一例を示す図である。サーバ５０は、図１６に示すように、通信部５０１、処理部５０２、記憶部５０３を備える。

通信部５０１は、外部装置と通信する。外部装置の例としては、サーバ４０などが挙げられる。処理部５０２は、通信部５０１を介して、サーバ４０から食材の発注を受け付ける。食材の発注には、発注日時、食材の種類、食材の発注量、食材の価格、食材の発送日などの情報が含まれる。また、処理部５０２は、通信部５０１を介して、各食材の配送期間を示す情報をサーバ４０に送信する。

処理部５０２は、受け付けた食材の発注内容を示す情報を記憶部５０３に記録する。受け付けた食材の発注内容を示す情報には、注日時、食材の種類、食材の発注量、食材の価格、食材の発送日などの情報が含まれる。また、処理部５０２は、発注を受け付けた食材の配送を手配する。この手配により、発注された食材がユーザに配送される。記憶部５０３は、受け付けた食材の発注内容を示す情報を記憶する。

（発注システムが行う処理）
次に、一実施形態の発注システム１が行う処理について説明する。図１７は、一実施形態の発注システム１の処理フローの一例を示す図である。ここでは、図１７に示す発注システム１の処理フローについて説明する。なお、過去の実績などのデータを用いて用意した教師データを用いて、パラメータが決定された各食材の消費頻度を特定する学習済みモデル、各食材の消費頻度ごとに将来の在庫状態を推定する学習済みモデル、および消費頻度の高い食材の発注日を推定する学習済みモデルが発注前に既に用意されているものとする。

撮影部１０１は、食材を撮影する。具体的には、撮影部１０１は、冷蔵庫１０の内部の食材および住居内で保存されている管理対象の食材を撮影する（ステップＳ１）。処理部１０３は、食材の種類と在庫量とを特定する（ステップＳ２）。例えば、処理部１０３は、撮影部１０１が撮影した画像において、画像マッチング技術を用いて予め用意した各食材の特徴を含む画像のパターンが含まれていないかを判定することにより、食材の種類を特定するとともにその在庫量を特定する。処理部１０３は、通信部１０２を介して、特定した食材の種類と、その食材の在庫量と、日時とをサーバ３０に送信する。

サーバ３０の処理部３０２は、通信部３０１を介して、冷蔵庫１０から食材の種類と、その食材の在庫量と、日時とを受信する。処理部３０２は、受信した在庫量を示す情報と、その情報を受信した日時を示す情報とを関連付けて記憶部３０３に記録する。記憶部３０３は、食材の種類ごとに、在庫量を示す情報と日時を示す情報とを関連付けて記憶する。

処理部４０２は、通信部４０１を介して、サーバ３０から、ユーザの過去の消費動向を示す情報を取得する。処理部４０２は、取得したユーザの過去の消費動向を示す情報を、消費頻度を特定する学習済みモデルに入力する。消費頻度を特定する学習済みモデルは、入力した情報に対応する各食材の消費頻度を出力する。学習済みモデルが出力した消費頻度がその食材の消費頻度である。処理部４０２は、特定した消費頻度ごとに食材を分類する。処理部４０２は、分類した食材のうち消費頻度が上位の食材を特定する（ステップＳ３）。例えば、処理部４０２は、消費頻度が毎日である食材、消費頻度が２～３日に１回の食材、消費頻度が１週間に１回の食材、消費頻度が２週間に１回の食材、消費頻度が１か月に１回の食材、消費頻度が１か月に１回未満の食材に分類する。そして、処理部４０２は、消費頻度の高い上位の食材を特定する。例えば、処理部４０２は、消費頻度が毎日である食材、消費頻度が２～３日に１回の食材、消費頻度が１週間に１回の食材、消費頻度が２週間に１回の食材、消費頻度が１か月に１回の食材の順に並べて、消費頻度の高い上位の食材（例えば、消費頻度が高い上位５つ、消費頻度が１か月に１回以上の食材など）を特定する。なお、処理部４０２は、上述の消費頻度を特定する学習済みモデルが特定する消費頻度のうち消費頻度の高い上位の食材のみを出力する第１～第３学習済みモデルとは異なる学習済みモデルを用いて消費頻度の高い上位の食材（例えば、消費頻度が高い上位５つ、消費頻度が１か月に１回以上の食材など）を特定するものであってもよい。

処理部４０２は、通信部４０１を介して、サーバ３０から、特定した消費頻度が上位の食材についての在庫情報を取得する。また、処理部４０２は、特定した消費頻度が上位の食材についての推定用情報を記憶部４０３から読み出す。処理部４０２は、取得した在庫情報を、読み出した推定用情報（すなわち、食材の将来の在庫状態を推定する学習済みモデル）に入力する。食材の将来の在庫状態を推定する学習済みモデルは、入力した情報に対応する各食材の将来の在庫状態（例えば、在庫量がゼロとなる時期）を出力する。

処理部４０２は、通信部４０１を介して、サーバ５０から、消費頻度が上位の各食材を発注した場合の配送期間を示す情報を取得する。例えば、処理部４０２は、食材の発注先のサーバであるサーバ５０にネットワークや電話網などの通信網を介してアクセスすることによって（例えば、ＷＥＢサイト上に表示される配送完了日を読み取ることによって）、食材の配送完了日の情報を取得する。なお、配送完了日の情報の取得は、発注前であれば、どのタイミングに取得するものであってもよい。また、処理部４０２は、通信部４０１を介して、サーバ３０から、消費頻度が上位の各食材について、過去の直近の所定期間における最大発注量を示す情報を取得する。処理部４０２は、取得した情報が示す各食材の配送期間と、取得した情報が示す過去の直近の所定期間における消費頻度が上位の各食材についての最大発注量と、食材の将来の在庫状態を推定する学習済みモデルが出力した各食材の将来の在庫状態（例えば、在庫量がゼロとなる時期）とを、食材の発注日を推定する各学習済みモデルに入力する。食材の発注日を推定する各学習済みモデルは、入力した情報に対応する食材の発注日を出力する。処理部４０２は、食材の発注日を推定する学習済みモデルが出力した発注日を特定する（ステップＳ４）。処理部４０２は、過去の直近の所定期間における消費頻度が上位の各食材について特定した発注日に最大発注量の食材を発注する（ステップＳ５）。

（利点）
以上、一実施形態の発注システム１について説明した。発注システム１において、処理部４０２（推定部の一例）は、ユーザの冷蔵庫１０または住居内で保存される少なくとも１つの食材の在庫状態を示す在庫情報と、食材に関するユーザの過去の消費動向を反映した推定用情報とに基づき、食材の将来の在庫状態を推定する。また、処理部４０２（発注部の一例）は、推定した食材の将来の在庫状態と、食材の配送に必要な配送期間とに基づき、食材を発注する。この発注システム１により、必要な食材を適切なタイミングで確保することができる。

＜実施形態の第１の変形例＞
実施形態の第１の変形例では、過去時点の食材の在庫状態を示す在庫情報は、同一または異なる食材に関して購入日または摂取期限が異なる複数の在庫登録がある場合、複数の在庫登録の各々の在庫量と、複数の在庫登録の各々の購入日または摂取期限との対応関係を示す情報を含むものであってもよい。摂取期限の例としては、賞味期限や消費期限が挙げられる。これは、購入日または摂取期限が異なる場合、購入日が早い食材や摂取期限が近い食材を優先して消費する傾向にあり、食材の消費に影響を及ぼすという考えに基づくものである。

よって、実施形態の第１の変形例では、上記考えに基づいて、処理部４０２は、食材の将来の在庫状態を推定する学習済みモデルのパラメータを決定する場合に、教師データの入力として購入日または摂取期限を用いる。また、処理部４０２は、食材の将来の在庫状態を推定する学習済みモデルに購入日または摂取期限を入力して、食材の将来の消費を推定する。こうすることにより、実施形態の第１の変形例の発注システム１は、一実施形態の発注システム１に比べて、食材の将来の在庫状態に影響を及ぼす要因をより多く用いることになり、食材の将来の在庫状態をより精度よく推定することができる。

＜実施形態の第２の変形例＞
実施形態の第２の変形例では、過去時点の食材の在庫状態を示す在庫情報は、同一または異なる食材に関して冷蔵庫１０の保存部屋が異なる複数の在庫登録がある場合、複数の在庫登録の各々の在庫量と、複数の在庫登録の各々の保存部屋との対応関係を示す情報を含むものであってもよい。保存部屋の例としては、冷蔵室、冷凍室などが挙げられる。冷凍室に保存する食材は、長期間消費されない可能性が高いと考えられる。つまり、一般的には、冷凍室の食材に比べて冷蔵室の食材の方が消費されるまでの期間が短い傾向にあり、食材の消費に影響を及ぼすという考えに基づくものである。

よって、実施形態の第２の変形例では、上記考えに基づいて、処理部４０２は、食材の将来の在庫状態を推定する学習済みモデルのパラメータを決定する場合に、教師データの入力として保存部屋を用いる。また、処理部４０２は、食材の将来の在庫状態を推定する学習済みモデルに保存部屋を入力して、食材の将来の在庫状態を推定する。こうすることにより、実施形態の第２の変形例の発注システム１は、一実施形態の発注システム１に比べて、食材の将来の在庫状態に影響を及ぼす要因をより多く用いることになり、食材の将来の在庫状態をより精度よく推定することができる。

＜実施形態の第３の変形例＞
実施形態の第３の変形例では、過去時点の食材の在庫状態を示す在庫情報は、各食材が食材のカテゴリーを示す食材分類と紐付けられて登録されている場合、複数の在庫登録の各々の在庫量と、複数の在庫登録の各々の食材分類との対応関係を示す情報を含むものであってもよい。食材のカテゴリーを示す食材分類の例としては、肉類、魚類、野菜などが挙げられる。肉類と魚類の両方が一度の食事の食材として使用される可能性は低いと考えられる。つまり、一般的には、肉類が使用される場合、魚類が使用されない可能性が高く、また、魚類が使用される場合、肉類が使用されない可能性が高い傾向にあり、食材の消費に影響を及ぼすという考えに基づくものである。また、野菜の在庫が多い場合、肉類や魚類を消費せずに、野菜を消費する可能性がある。また、肉類や魚類の在庫が多い場合、野菜を消費せずに、肉類や魚類を消費する可能性がある。

よって、実施形態の第３の変形例では、上記考えに基づいて、処理部４０２は、食材の将来の在庫状態を推定する学習済みモデルのパラメータを決定する場合に、教師データの入力として食材のカテゴリーを示す食材分類を用いる。また、処理部４０２は、食材の将来の在庫状態を推定する学習済みモデルに食材のカテゴリーを示す食材分類を入力して、食材の将来の在庫状態を推定する。こうすることにより、実施形態の第３の変形例の発注システム１は、一実施形態の発注システム１に比べて、食材の将来の在庫状態に影響を及ぼす要因をより多く用いることになり、食材の将来の在庫状態をより精度よく推定することができる。

＜実施形態の第４の変形例＞
実施形態の第４の変形例では、処理部４０２は、食材の将来の在庫状態を推定する学習済みモデルのパラメータを決定する場合に、教師データの入力として、過去時点における冷蔵庫１０の制御モードを示す情報を用いるものであってもよい。また、処理部４０２は、食材の将来の在庫状態を推定する学習済みモデルに制御モードを入力して、食材の将来の在庫状態を推定する。冷蔵庫１０の制御モードの例としては、解凍モード、チルドモードなどが挙げられる。なお、解凍モードは、食材を消費するために設定されるモードであるため、直ちに食材が消費される可能性が高い。また、チルドモードもあまり時間を空けずに食材を消費するために設定されるモードであるため、直ちに食材が消費される可能性が高い。このような考えに基づいて、制御モードを用いている。こうすることにより、実施形態の第４の変形例の発注システム１は、一実施形態の発注システム１に比べて、食材の将来の在庫状態に影響を及ぼす要因をより多く用いることになり、食材の将来の在庫状態をより精度よく推定することができる。

＜実施形態の第５の変形例＞
実施形態の第５の変形例の発注システム１は、少なくとも冷蔵庫１０およびサーバ５０を備えるものであってよい。また、実施形態の第５の変形例の発注システム１は、上述の各実施形態の発注システム１において説明した冷蔵庫１０、携帯端末２０、サーバ３０、サーバ４０、サーバ５０それぞれの一部またはすべてを、発注システム１が備える冷蔵庫１０、携帯端末２０、サーバ３０、サーバ４０、サーバ５０のうちの何れかに分散または集中して備えるものであってもよい。例えば、発注システム１が冷蔵庫１０、携帯端末２０、サーバ３０、サーバ４０、サーバ５０を備える場合、冷蔵庫１０が備える撮影部１０１、通信部１０２、処理部１０３、受付部１０４の一部または全部は、携帯端末２０、サーバ３０、サーバ４０、サーバ５０の何れかが分散または集中して備えるものであってもよい。また、携帯端末２０が備える通信部２０１、処理部２０２、通知部２０３の一部または全部は、冷蔵庫１０、サーバ３０、サーバ４０、サーバ５０の何れかが分散または集中して備えるものであってもよい。また、サーバ３０が備える通信部３０１、処理部３０２、記憶部３０３の一部または全部は、冷蔵庫１０、携帯端末２０、サーバ４０、サーバ５０の何れかが分散または集中して備えるものであってもよい。また、サーバ４０が備える通信部４０１、処理部４０２、記憶部４０３の一部または全部は、冷蔵庫１０、携帯端末２０、サーバ３０、サーバ５０の何れかが分散または集中して備えるものであってもよい。また、サーバ５０が備える通信部５０１、処理部５０２、記憶部５０３の一部または全部は、冷蔵庫１０、携帯端末２０、サーバ３０、サーバ４０の何れかが分散または集中して備えるものであってもよい。

＜実施形態の第６の変形例＞
一実施形態の発注システム１では、配送期間などの期間を日数を単位の基準に説明した。しかしながら、実施形態の第６の変形例の発注システム１では、配送期間は、時間、分などの単位を基準とするものであってもよい。例えば、時間を単位とする場合、処理部４０２は、１日を２４時間に変換して配送期間などの期間を取得すればよい。また、分を単位とする場合、処理部４０２は、１日を１４４０分に変換して配送期間などの期間を取得すればよい。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

なお、本発明の実施形態における処理は、適切な処理が行われる範囲において、処理の順番が入れ替わってもよい。

本発明の実施形態について説明したが、上述の冷蔵庫１０、携帯端末２０、サーバ３０、サーバ４０、サーバ５０、その他の制御装置は内部に、コンピュータ装置を有していてもよい。そして、上述した処理の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムをコンピュータが読み出して実行することによって、上記処理が行われる。コンピュータの具体例を以下に示す。

コンピュータ５は、ＣＰＵ６（ベクトルプロセッサを含む）、メインメモリ７、ストレージ８、インターフェース９を備える。
例えば、上述の冷蔵庫１０、携帯端末２０、サーバ３０、サーバ４０、サーバ５０、その他の制御装置のそれぞれは、コンピュータ５に実装される。そして、上述した各処理部の動作は、プログラムの形式でストレージ８に記憶されている。ＣＰＵ６は、プログラムをストレージ８から読み出してメインメモリ７に展開し、当該プログラムに従って上記処理を実行する。また、ＣＰＵ６は、プログラムに従って、上述した各記憶部に対応する記憶領域をメインメモリ７に確保する。

ストレージ８の例としては、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、半導体メモリ等が挙げられる。ストレージ８は、コンピュータ５のバスに直接接続された内部メディアであってもよいし、インターフェース９または通信回線を介してコンピュータ５に接続される外部メディアであってもよい。また、このプログラムが通信回線によってコンピュータ５に配信される場合、配信を受けたコンピュータ５が当該プログラムをメインメモリ７に展開し、上記処理を実行してもよい。少なくとも１つの実施形態において、ストレージ８は、一時的でない有形の記憶媒体である。

また、上記プログラムは、前述した機能の一部を実現してもよい。さらに、上記プログラムは、前述した機能をコンピュータ装置にすでに記録されているプログラムとの組み合わせで実現できるファイル、いわゆる差分ファイル（差分プログラム）であってもよい。

１…発注システム、５…コンピュータ、６…ＣＰＵ、７…メインメモリ、８…ストレージ、９…インターフェース、１０…冷蔵庫、２０…携帯端末、３０、４０、５０…サーバ、１０１…撮影部、１０２、２０１、３０１、４０１…通信部、１０３、２０２、３０２、４０２…処理部、１０４…受付部、２０３…通知部、３０３、４０３…記憶部。

Claims (5)

1. ユーザの冷蔵庫または住居内で保存される少なくとも１つの食材の在庫状態を示す在庫情報と、前記食材に関する前記ユーザの過去の消費動向を反映した推定用情報とに基づき、前記食材の将来の在庫状態を推定する推定部と、
   前記推定部により推定された前記食材の将来の在庫状態と、前記食材の配送に必要な配送期間とに基づき、前記食材を発注する発注部と、
   前記ユーザの過去の消費動向に基づき前記ユーザが消費した複数の食材を消費頻度に応じて分類し、各分類で消費頻度が相対的に高い特別食材を特定する特定部と、
   を備え、
   前記推定部は、前記在庫情報と、前記推定用情報とに基づき、前記特別食材の将来の在庫状態を推定し、
   前記発注部は、前記特別食材の将来の在庫状態に基づき、前記特別食材を発注する、
   発注システム。
2. 前記特定部は、第１期間における前記ユーザの過去の消費動向と、前記第１期間よりも長い第２期間における前記ユーザの過去の消費動向とに基づき、前記複数の食材の各々の消費頻度を特定する、
   請求項１に記載の発注システム。
3. ユーザの冷蔵庫または住居内で保存される少なくとも１つの食材の在庫状態を示す在庫情報と、前記食材に関する前記ユーザの過去の消費動向を反映した推定用情報とに基づき、前記食材の将来の在庫状態を推定する推定部と、
   前記推定部により推定された前記食材の将来の在庫状態と、前記食材の配送に必要な配送期間とに基づき、前記食材を発注する発注部と、
   を備え、
   前記発注部は、前記食材の発注を決定した時点から前記食材を実際に発注するまでの間、前記食材の在庫状態が変化していない、若しくは在庫の減少量が閾値以下の場合、前記食材の在庫が増加した場合、または、前記推定部が前回推定した前記将来の在庫数よりも実際の在庫数が多い場合、前記食材の発注に関する問い合わせをユーザに通知する、
   発注システム。
4. 前記推定部により推定された前記食材の将来の在庫状態と、前記食材の過去の実際の配送期間と、前記食材の実際の発注日とが対応付けられ、前記推定部により推定された前記食材の将来の在庫状態と、前記食材の過去の実際の配送期間とを入力データとし、前記食材の実際の発注日を出力データとして含む教師データに基づき、前記食材の発注日を推定する学習モデルのパラメータを決定する発注日学習部をさらに備え、
   前記発注部は、前記発注日学習部によりパラメータが決定された前記学習モデルを用いて前記食材を発注する発注日を決定する、
   請求項１から請求項３の何れか一項に記載の発注システム。
5. 前記推定部は、前記食材の在庫状態に変化があった場合に、最新の前記食材の在庫状態に基づき前記食材の将来の在庫状態を推定し、
   前記発注部は、前記推定部により新しく推定された前記食材の将来の在庫状態に基づき、過去に決定した前記食材の発注タイミングまたは発注量を更新する、
   請求項１から請求項４の何れか一項に記載の発注システム。

Images