JPH0736854A - 需要予測装置及び方法 - Google Patents
需要予測装置及び方法Info
- Publication number
- JPH0736854A JPH0736854A JP20105193A JP20105193A JPH0736854A JP H0736854 A JPH0736854 A JP H0736854A JP 20105193 A JP20105193 A JP 20105193A JP 20105193 A JP20105193 A JP 20105193A JP H0736854 A JPH0736854 A JP H0736854A
- Authority
- JP
- Japan
- Prior art keywords
- data
- prediction
- multiple regression
- demand
- items
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【目的】地域特性を反映し、正確で、迅速に予測できる
需要予測装置及び方法を提供することにある。 【構成】データベースのデータを広域のマクロデータ、
小域のミクロデータ、及び業界データの複数グループに
分け、該データの項目を説明変数とし、重回帰分析によ
り予測データを求めることを特徴とする需要予測装置に
ある。
需要予測装置及び方法を提供することにある。 【構成】データベースのデータを広域のマクロデータ、
小域のミクロデータ、及び業界データの複数グループに
分け、該データの項目を説明変数とし、重回帰分析によ
り予測データを求めることを特徴とする需要予測装置に
ある。
Description
【０００１】
【産業上の利用分野】本発明は、需要の予測をする需要
予測装置及び方法に関するものである。
予測装置及び方法に関するものである。
【０００２】
【従来の技術】従来の事業計画の進め方として、図２に
示されているように、建設予定の用途制限、建蔽率、所
有資金など制約条件を考慮して、概略の計画を立てる。
次に、駐車場などケース別に詳細設計を行う。更に、周
辺類似事業データを収集する。また、この事業における
収入、支出、借入金、返済条件などを求める。再度、必
要な場合、ケース別詳細設計に戻り、検討を行い、駐車
場などの事業の計画を作成して行く。
示されているように、建設予定の用途制限、建蔽率、所
有資金など制約条件を考慮して、概略の計画を立てる。
次に、駐車場などケース別に詳細設計を行う。更に、周
辺類似事業データを収集する。また、この事業における
収入、支出、借入金、返済条件などを求める。再度、必
要な場合、ケース別詳細設計に戻り、検討を行い、駐車
場などの事業の計画を作成して行く。
【０００３】
【発明が解決しようとする問題点】従来の技術にあって
は、次のような問題点がある。 ＜イ＞従来の計画では、手作業、経験、勘に頼ってお
り、定量的、定性的裏付けがなく、計画立案者の裁量に
よって計画、数値に大幅な違いが生じ、客観性を欠いて
いた。 ＜ロ＞従来の開発プロセスでは、プロジェクトごとに収
集していたデータは断片的かつ一過性のものであった為
に項目、範囲、精度にばらつきが生じ、将来の他の計画
に利用、応用することが不可能であって計画毎に無駄な
時間、経費、手間がかかっていた。 ＜ハ＞従来の手作業、経験、勘に頼っていると、計画、
設計段階で参照したり考察する項目を多くすることは実
際上不可能であるため、正確な予測が不可能であった。
は、次のような問題点がある。 ＜イ＞従来の計画では、手作業、経験、勘に頼ってお
り、定量的、定性的裏付けがなく、計画立案者の裁量に
よって計画、数値に大幅な違いが生じ、客観性を欠いて
いた。 ＜ロ＞従来の開発プロセスでは、プロジェクトごとに収
集していたデータは断片的かつ一過性のものであった為
に項目、範囲、精度にばらつきが生じ、将来の他の計画
に利用、応用することが不可能であって計画毎に無駄な
時間、経費、手間がかかっていた。 ＜ハ＞従来の手作業、経験、勘に頼っていると、計画、
設計段階で参照したり考察する項目を多くすることは実
際上不可能であるため、正確な予測が不可能であった。
【０００４】
【本発明の目的】本発明は、正確で迅速に需要予測がで
きる需要予測装置及び方法を提供することにある。ま
た、本発明は、重回帰分析により地域特性を反映した需
要度、適性規模などを予測できる需要予測装置及び方法
を提供することにある。
きる需要予測装置及び方法を提供することにある。ま
た、本発明は、重回帰分析により地域特性を反映した需
要度、適性規模などを予測できる需要予測装置及び方法
を提供することにある。
【０００５】
【問題点を解決するための手段】本発明は、データベー
スを有する需要予測装置において、該データベースのデ
ータを広域の特徴を示すマクロデータ、小域の特徴を示
すミクロデータ、及び業界データに分けて保持し、該デ
ータの項目を変数とし、重回帰分析により需要データを
予測することを特徴とする需要予測装置、または、デー
タベースを用いた需要予測方法において、該データベー
スのデータを広域の特徴を示すマクロデータ、小域の特
徴を示すミクロデータ、及び業界データに分けて保持
し、該データの項目を変数とし、重回帰分析により需要
データを予測することを特徴とする需要予測方法にあ
る。
スを有する需要予測装置において、該データベースのデ
ータを広域の特徴を示すマクロデータ、小域の特徴を示
すミクロデータ、及び業界データに分けて保持し、該デ
ータの項目を変数とし、重回帰分析により需要データを
予測することを特徴とする需要予測装置、または、デー
タベースを用いた需要予測方法において、該データベー
スのデータを広域の特徴を示すマクロデータ、小域の特
徴を示すミクロデータ、及び業界データに分けて保持
し、該データの項目を変数とし、重回帰分析により需要
データを予測することを特徴とする需要予測方法にあ
る。
【０００６】
【実施例１】以下、図面を参照して実施例について説明
する。 ＜イ＞需要予測装置の概要 需要予測装置１は、データベース部２、データベース処
理部３、及び統計解析処理部４を有しており、これらを
実現するために、入力装置、出力装置、演算装置、記憶
装置、ハードディスクなどを備えた通常のパーソナルコ
ンピュータを使用することができる。データベース部２
は、予測に必要な各種のデータを記憶する。データベー
ス処理部３は、データの入力・修正・削除、データの検
索、レポートの出力などの処理を行う。統計分析処理部
４は、データベース部のデータを利用して、重回帰分
析、判別分析、Ｔ検定、Ｆ検定などの処理を行う。ここ
では、ある地域に駐車場を設立しようと企画する際に、
その地域に必要とされるであろう駐車台数の予測を例に
とって説明する。
する。 ＜イ＞需要予測装置の概要 需要予測装置１は、データベース部２、データベース処
理部３、及び統計解析処理部４を有しており、これらを
実現するために、入力装置、出力装置、演算装置、記憶
装置、ハードディスクなどを備えた通常のパーソナルコ
ンピュータを使用することができる。データベース部２
は、予測に必要な各種のデータを記憶する。データベー
ス処理部３は、データの入力・修正・削除、データの検
索、レポートの出力などの処理を行う。統計分析処理部
４は、データベース部のデータを利用して、重回帰分
析、判別分析、Ｔ検定、Ｆ検定などの処理を行う。ここ
では、ある地域に駐車場を設立しようと企画する際に、
その地域に必要とされるであろう駐車台数の予測を例に
とって説明する。
【０００７】＜ロ＞データベース部 データベース部２には予測に必要なデータを格納し、こ
れらデータは、マクロデータ２１、ミクロデータ２２、
及び業界データ２３の３種類に分類される。マクロデー
タ２１は、広域な地域全体の特徴を示すデータであり、
例えば、東京都の場合では、渋谷区、千代田区、新宿区
などの行政単位に関係するデータである。マクロデータ
２１の項目の例としては、各区の人口、人口伸率、人口
密度、所得水準、市中銀行預金残高、小売店舗数、年間
総税収額などである。ミクロデータ２２は、広域な地域
の中にある小域で、一定のまとまりを有するエリアの特
徴を示すデータであり、例えば、渋谷区の場合、道玄坂
エリア、宮益坂エリア、センター街エリアなど、又、千
代田区の場合、秋葉原エリア、丸ノ内エリア、大手町エ
リアなどの商業地区に関するデータである。ミクロデー
タ２２の項目の例としては、各エリアの土地標準価格、
借床価格、宅地価格、商業地価格、官庁街面積、商業街
面積、鉄道の利用の有無、最寄り駅乗降客数、最短所要
時間などである。業界データは、予測しようとする業界
に関するデータであり、例えば、駐車場の業界に関する
データである。業界データの項目の例としては、各エリ
アに存在している各駐車場の駐車場構造、延床面積、自
走・機械方式、従業員数、建蔽率、平均回転率、営業時
間、月極料金などである。この様に、データを３種類の
レベルに分けることにより、公共性の強い事業に対して
はマクロデータの重み係数を高くし、民間事業に対して
はミクロデータの重み係数を高くするといった事業主体
別のデータ項目の抽出が可能となり、予測精度を高める
ことができる。又、例えば、ミクロのエリアをマクロの
広域な区よりも、小域、細分化することにより、区全体
の特性から見たエリアの特性を明確にすることができ
る。又、データを階層化することにより、検索作業が容
易になり、短時間で検索を行うことが可能となる。
れらデータは、マクロデータ２１、ミクロデータ２２、
及び業界データ２３の３種類に分類される。マクロデー
タ２１は、広域な地域全体の特徴を示すデータであり、
例えば、東京都の場合では、渋谷区、千代田区、新宿区
などの行政単位に関係するデータである。マクロデータ
２１の項目の例としては、各区の人口、人口伸率、人口
密度、所得水準、市中銀行預金残高、小売店舗数、年間
総税収額などである。ミクロデータ２２は、広域な地域
の中にある小域で、一定のまとまりを有するエリアの特
徴を示すデータであり、例えば、渋谷区の場合、道玄坂
エリア、宮益坂エリア、センター街エリアなど、又、千
代田区の場合、秋葉原エリア、丸ノ内エリア、大手町エ
リアなどの商業地区に関するデータである。ミクロデー
タ２２の項目の例としては、各エリアの土地標準価格、
借床価格、宅地価格、商業地価格、官庁街面積、商業街
面積、鉄道の利用の有無、最寄り駅乗降客数、最短所要
時間などである。業界データは、予測しようとする業界
に関するデータであり、例えば、駐車場の業界に関する
データである。業界データの項目の例としては、各エリ
アに存在している各駐車場の駐車場構造、延床面積、自
走・機械方式、従業員数、建蔽率、平均回転率、営業時
間、月極料金などである。この様に、データを３種類の
レベルに分けることにより、公共性の強い事業に対して
はマクロデータの重み係数を高くし、民間事業に対して
はミクロデータの重み係数を高くするといった事業主体
別のデータ項目の抽出が可能となり、予測精度を高める
ことができる。又、例えば、ミクロのエリアをマクロの
広域な区よりも、小域、細分化することにより、区全体
の特性から見たエリアの特性を明確にすることができ
る。又、データを階層化することにより、検索作業が容
易になり、短時間で検索を行うことが可能となる。
【０００８】＜ハ＞重回帰分析 予測したいデータ項目、例えば、建築しようとする駐車
場の最適な駐車台数を予測する場合、その予測に使用す
るデータ項目をデータベースから抽出し、重回帰分析に
より以下の重回帰方程式により求める。 Ｙ＝ａＡ＋ｂＢ＋ｃＣ＋・・・＋ｄ ここで、Ｙは、目的変数であり、即ち予測したいデータ
項目の値で、例えば最適な駐車台数を示す。Ａ、Ｂ、
Ｃ、・・・は、説明変数であり、各サンプル毎にデータ
項目の値が代入される。例えば、マクロデータの人口や
人口伸率などのデータ項目、ミクロデータの最寄り駅乗
降客数や土地標準価格などのデータ項目、及び業界デー
タの駐車場構造、自走・機械方式、延床面積などのデー
タ項目である。ａ、ｂ、ｃ、・・・、ｄは重回帰分析で
求められた係数である。重回帰方程式が求まれば、予測
したい駐車場に関して収集したデータ項目Ａ、Ｂ、Ｃ、
・・・の値を代入することにより、予測項目の値Ｙ、例
えば駐車台数が求められる。
場の最適な駐車台数を予測する場合、その予測に使用す
るデータ項目をデータベースから抽出し、重回帰分析に
より以下の重回帰方程式により求める。 Ｙ＝ａＡ＋ｂＢ＋ｃＣ＋・・・＋ｄ ここで、Ｙは、目的変数であり、即ち予測したいデータ
項目の値で、例えば最適な駐車台数を示す。Ａ、Ｂ、
Ｃ、・・・は、説明変数であり、各サンプル毎にデータ
項目の値が代入される。例えば、マクロデータの人口や
人口伸率などのデータ項目、ミクロデータの最寄り駅乗
降客数や土地標準価格などのデータ項目、及び業界デー
タの駐車場構造、自走・機械方式、延床面積などのデー
タ項目である。ａ、ｂ、ｃ、・・・、ｄは重回帰分析で
求められた係数である。重回帰方程式が求まれば、予測
したい駐車場に関して収集したデータ項目Ａ、Ｂ、Ｃ、
・・・の値を代入することにより、予測項目の値Ｙ、例
えば駐車台数が求められる。
【０００９】＜ニ＞データ項目の抽出 重回帰方程式で使用する変数のデータ項目Ａ、Ｂ、Ｃ、
・・・を抽出する。抽出する１つの方法、即ち予測項目
別方法は、全データベースを参照し、重回帰分析を行
い、全体の趨勢を把握した後に、予測するデータ項目に
対する相関の強い項目を抽出する。更に予測精度を上げ
るために各データ項目で条件検索を行い、選別を行うこ
とにより上位項目別カテゴリーを形成することができ
る。他の方法、即ち類似エリア別方法は、判別分析によ
り、予測したいエリアと類似しているエリアを求め、こ
のエリアのデータ項目の値を利用して、重回帰方程式を
求め、予測値を算出する。この方法により当該計画概要
に近いモデルを抽出することができ、以降の詳細設計に
充分な参考資料を与えることができる。又、実施地区の
性格に近い地域で予測を行うことにより現実に近いシミ
ュレーションを行うことができる。又は、これら方法を
組み合わせて、例えば、初めに予測項目別方法を行った
後、類似エリア別方法を行い、又、その逆で、初めに類
似エリア別を行った後、予測項目別を行い、より精度の
高い重回帰方程式を求めることができる。これら全ての
予測に対して、Ｔ検定やＦ検定を行い、最も精度の高い
係数を求める。
・・・を抽出する。抽出する１つの方法、即ち予測項目
別方法は、全データベースを参照し、重回帰分析を行
い、全体の趨勢を把握した後に、予測するデータ項目に
対する相関の強い項目を抽出する。更に予測精度を上げ
るために各データ項目で条件検索を行い、選別を行うこ
とにより上位項目別カテゴリーを形成することができ
る。他の方法、即ち類似エリア別方法は、判別分析によ
り、予測したいエリアと類似しているエリアを求め、こ
のエリアのデータ項目の値を利用して、重回帰方程式を
求め、予測値を算出する。この方法により当該計画概要
に近いモデルを抽出することができ、以降の詳細設計に
充分な参考資料を与えることができる。又、実施地区の
性格に近い地域で予測を行うことにより現実に近いシミ
ュレーションを行うことができる。又は、これら方法を
組み合わせて、例えば、初めに予測項目別方法を行った
後、類似エリア別方法を行い、又、その逆で、初めに類
似エリア別を行った後、予測項目別を行い、より精度の
高い重回帰方程式を求めることができる。これら全ての
予測に対して、Ｔ検定やＦ検定を行い、最も精度の高い
係数を求める。
【００１０】＜ホ＞重回帰分析の事例 建設すべき駐車場の駐車台数を予測するために、重回帰
分析に使用する説明変数のデータ項目としてミクロデー
タの最寄り駅乗降客数、業界データの駐車場構造、及び
延床面積の３項目を選び出した。駐車場構造の種別番号
は、駐車場の構造の種類を区別するもので、例えば、１
は平面屋外の自走式、２は平面屋外の機械式、３は平面
屋外の自走式と機械式の併設、４はメリーゴーランド
型、５は立体・パル式、６はビル内自走式、７はビル内
機械式、８はビル内併設の駐車場を示すものである。こ
の最寄り駅乗降客数、業界データの駐車場構造、及び延
床面積の３項目について、駐車場の事業者の選定データ
が示されている。事業者数１０１件について選定を行っ
た。表２には、建設予定の場所について、基本データと
して、３項目のデータ値を上げてある。
分析に使用する説明変数のデータ項目としてミクロデー
タの最寄り駅乗降客数、業界データの駐車場構造、及び
延床面積の３項目を選び出した。駐車場構造の種別番号
は、駐車場の構造の種類を区別するもので、例えば、１
は平面屋外の自走式、２は平面屋外の機械式、３は平面
屋外の自走式と機械式の併設、４はメリーゴーランド
型、５は立体・パル式、６はビル内自走式、７はビル内
機械式、８はビル内併設の駐車場を示すものである。こ
の最寄り駅乗降客数、業界データの駐車場構造、及び延
床面積の３項目について、駐車場の事業者の選定データ
が示されている。事業者数１０１件について選定を行っ
た。表２には、建設予定の場所について、基本データと
して、３項目のデータ値を上げてある。
【表１】
【表２】 これらデータの値を用いて重回帰分析により、建設予定
の駐車台数を予測する。この予測値を表３の最下段（予
測対象の欄）に示す。実績値の欄は各事業者の実際の駐
車台数を示し、理論値は重回帰分析で求めた駐車台数を
示し、下限値と上限値は理論値を中心に±５％の幅を持
たせた駐車台数を示している。この信頼性の評価係数を
表４に示す。以下に係数の説明を行う。 分散値Ｓ2 ：平均値からのデータの散らばり具合を示
す。 Ｓ2 ＝［（Ｙ1 −Ｍ）2 ＋・・・＋（Ｙn-1 −Ｍ）2 ］
÷（ｎ−１） Ｍ：全体の平均値 Ｙn:各サンプルの実測値、例えば各事業者の駐車台数 ｎ：サンプルの個数 決定係数（寄与率）Ｒ2 ：（予測値の分散値）／（実測
値の分散値）で、重回帰式の当てはまりの良さを示す。 重相関係数Ｒ：決定係数の平方根である。
の駐車台数を予測する。この予測値を表３の最下段（予
測対象の欄）に示す。実績値の欄は各事業者の実際の駐
車台数を示し、理論値は重回帰分析で求めた駐車台数を
示し、下限値と上限値は理論値を中心に±５％の幅を持
たせた駐車台数を示している。この信頼性の評価係数を
表４に示す。以下に係数の説明を行う。 分散値Ｓ2 ：平均値からのデータの散らばり具合を示
す。 Ｓ2 ＝［（Ｙ1 −Ｍ）2 ＋・・・＋（Ｙn-1 −Ｍ）2 ］
÷（ｎ−１） Ｍ：全体の平均値 Ｙn:各サンプルの実測値、例えば各事業者の駐車台数 ｎ：サンプルの個数 決定係数（寄与率）Ｒ2 ：（予測値の分散値）／（実測
値の分散値）で、重回帰式の当てはまりの良さを示す。 重相関係数Ｒ：決定係数の平方根である。
【表３】
【表４】
【００１１】
【発明の効果】本発明は、次のような効果を得ることが
できる。 ＜イ＞データベース内において、今まで一元的に扱って
いたデータを広域の特徴を表すマクロデータ、小域の特
徴を表すミクロデータ、業界データの３種類に部類分け
することにより、多様な側面から判断でき、正確な予測
が可能となる。 ＜ロ＞従来、手作業、経験、勘に頼っていたのに対し、
重回帰分析により定量的、定性的に行うことで、正確性
及び客観性を高めることができる。 ＜ハ＞コンピュータ処理を可能とすることで、多数のデ
ータを処理することができ、正確な予測が可能となる。
できる。 ＜イ＞データベース内において、今まで一元的に扱って
いたデータを広域の特徴を表すマクロデータ、小域の特
徴を表すミクロデータ、業界データの３種類に部類分け
することにより、多様な側面から判断でき、正確な予測
が可能となる。 ＜ロ＞従来、手作業、経験、勘に頼っていたのに対し、
重回帰分析により定量的、定性的に行うことで、正確性
及び客観性を高めることができる。 ＜ハ＞コンピュータ処理を可能とすることで、多数のデ
ータを処理することができ、正確な予測が可能となる。
【図１】需要予測装置のブロック図
【図２】従来の事業計画の処理図
Claims (2)
- 【請求項１】データベースを有する需要予測装置におい
て、 該データベースのデータを広域の特徴を示すマクロデー
タ、小域の特徴を示すミクロデータ、及び業界データに
分けて保持し、 該データの項目を変数とし、重回帰分析により需要デー
タを予測することを特徴とする、 需要予測装置。 - 【請求項２】データベースを用いた需要予測方法におい
て、 該データベースのデータを広域の特徴を示すマクロデー
タ、小域の特徴を示すミクロデータ、及び業界データに
分けて保持し、 該データの項目を変数とし、重回帰分析により需要デー
タを予測することを特徴とする、 需要予測方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP20105193A JPH0736854A (ja) | 1993-07-21 | 1993-07-21 | 需要予測装置及び方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP20105193A JPH0736854A (ja) | 1993-07-21 | 1993-07-21 | 需要予測装置及び方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0736854A true JPH0736854A (ja) | 1995-02-07 |
Family
ID=16434589
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP20105193A Pending JPH0736854A (ja) | 1993-07-21 | 1993-07-21 | 需要予測装置及び方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0736854A (ja) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006318011A (ja) * | 2005-05-10 | 2006-11-24 | Tokyo Electric Power Co Inc:The | 需要分析・提案システム |
| JP2010140074A (ja) * | 2008-12-09 | 2010-06-24 | Railway Technical Res Inst | プログラム及び旅客需要予測装置 |
| JP2012050241A (ja) * | 2010-08-26 | 2012-03-08 | Ntt Docomo Inc | 需要予測システム及び需要予測方法 |
| CN106529709A (zh) * | 2016-11-01 | 2017-03-22 | 辽宁工程技术大学 | 一种综采面动载系数预测方法 |
| WO2018207878A1 (ja) * | 2017-05-11 | 2018-11-15 | 株式会社Ｎｔｔドコモ | 需要予測装置 |
| JP2018181113A (ja) * | 2017-04-18 | 2018-11-15 | 丸市倉庫株式会社 | 情報処理装置 |
| WO2019159585A1 (ja) * | 2018-02-14 | 2019-08-22 | 株式会社Ｎｔｔドコモ | 学習システム、推定システム及び学習済モデル |
| WO2023047818A1 (ja) * | 2021-09-27 | 2023-03-30 | ソフトバンク株式会社 | 情報処理システム、情報処理システムの制御方法、及び情報処理システムの制御プログラム |
-
1993
- 1993-07-21 JP JP20105193A patent/JPH0736854A/ja active Pending
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006318011A (ja) * | 2005-05-10 | 2006-11-24 | Tokyo Electric Power Co Inc:The | 需要分析・提案システム |
| JP4688025B2 (ja) * | 2005-05-10 | 2011-05-25 | 東京電力株式会社 | 需要分析・提案システム |
| JP2010140074A (ja) * | 2008-12-09 | 2010-06-24 | Railway Technical Res Inst | プログラム及び旅客需要予測装置 |
| JP2012050241A (ja) * | 2010-08-26 | 2012-03-08 | Ntt Docomo Inc | 需要予測システム及び需要予測方法 |
| CN106529709A (zh) * | 2016-11-01 | 2017-03-22 | 辽宁工程技术大学 | 一种综采面动载系数预测方法 |
| JP2018181113A (ja) * | 2017-04-18 | 2018-11-15 | 丸市倉庫株式会社 | 情報処理装置 |
| WO2018207878A1 (ja) * | 2017-05-11 | 2018-11-15 | 株式会社Ｎｔｔドコモ | 需要予測装置 |
| JPWO2018207878A1 (ja) * | 2017-05-11 | 2019-06-27 | 株式会社Ｎｔｔドコモ | 需要予測装置 |
| WO2019159585A1 (ja) * | 2018-02-14 | 2019-08-22 | 株式会社Ｎｔｔドコモ | 学習システム、推定システム及び学習済モデル |
| WO2023047818A1 (ja) * | 2021-09-27 | 2023-03-30 | ソフトバンク株式会社 | 情報処理システム、情報処理システムの制御方法、及び情報処理システムの制御プログラム |
| JP2023047630A (ja) * | 2021-09-27 | 2023-04-06 | ソフトバンク株式会社 | 情報処理システム、情報処理システムの制御方法、及び情報処理システムの制御プログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190108602A1 (en) | Automated entity valuation system | |
| Robinson | Housing economics and public policy | |
| HWEE LIM et al. | Model for predicting clients' contribution to project success | |
| JP2003022314A (ja) | 不動産価格関数推定方法、不動産価格関数推定装置、及び不動産価格関数推定プログラム | |
| Önder et al. | Financial performance evaluation of Turkish construction companies in Istanbul Stock Exchange (BIST) | |
| KR101720062B1 (ko) | 부위별 분류를 활용한 건설공사비 관리 시스템 | |
| Czarnigowska et al. | Estimating construction duration for public roads during the preplanning phase | |
| Anas et al. | Applying input-output model to estimate the broader economic benefits of Cipularang Tollroad Investment to Bandung District | |
| CN111539764B (zh) | 基于次模函数的大数据多址选择方法 | |
| Kijewska et al. | Analysis of data needs and having for the integrated urban freight transport management system | |
| JPH0736854A (ja) | 需要予測装置及び方法 | |
| Rutzer et al. | Estimating the green potential of occupations: A new approach applied to the us labor market | |
| Boiko et al. | Approaches to analysis of factors affecting the residential real estate bid prices in case of open data use | |
| KR20070097939A (ko) | 서버 및 클라이언트 단말기를 이용한 부동산 정보 제공방법 및 이를 수행하는 컴퓨터 프로그램이 기록된컴퓨터에서 판독 가능한 기록 매체 | |
| Huang et al. | Implementation of GIS/GPS-Based Airport Pavement Management System—A Case Study | |
| KR100429145B1 (ko) | 기술가치 평가방법 | |
| KR20210074071A (ko) | 부동산 분석 보고서 작성 방법 및 시스템 | |
| Li et al. | Agglomeration and innovation: evidence from skyscraper development in China | |
| JP2007272722A (ja) | 出店分析方法及び出店分析システム | |
| Pearson et al. | How does the extension of existing transport infrastructure affect land value? A case study of the Tyne and Wear Light Transit Metro system | |
| Ravulaparthy et al. | Exploring the role of location in dynamics of the birth and death of business establishments: Case study analysis of Santa Barbara county, California | |
| Olalekon et al. | Forecasting Demand for Office Space in Ikeja, Nigeria | |
| JP2021174069A (ja) | 土地活用支援システム、土地活用支援プログラム及び土地活用支援方法 | |
| Hromada | Real estate prices in the Czech republic: Behavioral approach | |
| Chen et al. | Predicting Housing Price in Beijing via Google and Microsoft AutoML |