JPH0764965A - 販売量予測方法 - Google Patents
販売量予測方法Info
- Publication number
- JPH0764965A JPH0764965A JP21374693A JP21374693A JPH0764965A JP H0764965 A JPH0764965 A JP H0764965A JP 21374693 A JP21374693 A JP 21374693A JP 21374693 A JP21374693 A JP 21374693A JP H0764965 A JPH0764965 A JP H0764965A
- Authority
- JP
- Japan
- Prior art keywords
- value
- series
- sales volume
- trend
- calculated
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013213 extrapolation Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 210000002569 neuron Anatomy 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000001932 seasonal effect Effects 0.000 claims description 18
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000013277 forecasting method Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 abstract description 2
- 239000013065 commercial product Substances 0.000 abstract 3
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 19
- 238000012545 processing Methods 0.000 description 8
- 238000012937 correction Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 230000001788 irregular Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004710 electron pair approximation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000005654 stationary process Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【目的】 計画業務における計画者の予測業務負荷の軽
減を図ると共に、販売量予測の高精度化と予測モデルの
保守性向上も併せてを実現する販売量予測方法を提供す
ること。 【構成】 製品の販売量実績に関する時系列データから
突発的要因による異常値を抽出・補正して補正済み時系
列データを作成し、前記補正済み時系列データから季節
指数及び傾向値系列を抽出し、前記傾向値系列の傾向値
間の変動量を算出して傾向値変動量系列を作成し、製品
の販売量予測期間における前記傾向値変動量系列の外挿
値を算出し、前記外挿値と前記傾向値系列から予測傾向
値を算出し、前記傾向値変動量予測値と前記季節指数か
ら前記販売量予測期間における製品の予測販売量を算出
する。
減を図ると共に、販売量予測の高精度化と予測モデルの
保守性向上も併せてを実現する販売量予測方法を提供す
ること。 【構成】 製品の販売量実績に関する時系列データから
突発的要因による異常値を抽出・補正して補正済み時系
列データを作成し、前記補正済み時系列データから季節
指数及び傾向値系列を抽出し、前記傾向値系列の傾向値
間の変動量を算出して傾向値変動量系列を作成し、製品
の販売量予測期間における前記傾向値変動量系列の外挿
値を算出し、前記外挿値と前記傾向値系列から予測傾向
値を算出し、前記傾向値変動量予測値と前記季節指数か
ら前記販売量予測期間における製品の予測販売量を算出
する。
Description
【0001】
【産業上の利用分野】本発明は、製品の販売量実績の時
系列データに基づく需要予測方法に係り、特に冷暖房製
品に代表されるような季節性の高い製品の販売量見積り
に好適な販売量予測方法に関する。
系列データに基づく需要予測方法に係り、特に冷暖房製
品に代表されるような季節性の高い製品の販売量見積り
に好適な販売量予測方法に関する。
【0002】
【従来の技術】販売量予測は販売計画などの様々な計画
を立案するための拠り所を得るために行う作業であり、
計画の質はその予測精度の善し悪しで大きく左右される
ことが多い。この販売量予測には、各種の数理統計・予
測技法を適用するが、その際に用いられるデータとして
は、販売量実績の時系列データである場合が多い。これ
は、データ入手の容易さや過去の延長上に今後の姿があ
るという経験を生かせるという特長によるところが大き
い。特に、季節性の高い製品の販売量実績の時系列デー
タは、季節変動のパターンが毎年ほぼ一定であり、その
データを用いた予測では傾向変動と不規則変動を如何に
的確に捉えるかが予測精度を高めるポイントとなる。
を立案するための拠り所を得るために行う作業であり、
計画の質はその予測精度の善し悪しで大きく左右される
ことが多い。この販売量予測には、各種の数理統計・予
測技法を適用するが、その際に用いられるデータとして
は、販売量実績の時系列データである場合が多い。これ
は、データ入手の容易さや過去の延長上に今後の姿があ
るという経験を生かせるという特長によるところが大き
い。特に、季節性の高い製品の販売量実績の時系列デー
タは、季節変動のパターンが毎年ほぼ一定であり、その
データを用いた予測では傾向変動と不規則変動を如何に
的確に捉えるかが予測精度を高めるポイントとなる。
【0003】時系列データを用いた予測に好適なモデル
の一つにARIMA(AutoRegressive Integrated Movin
g Averege)モデル(廣松、浪花:「経済時系列分析」、
朝倉書店、1990.11、pp162〜170)がある。ARIMA
モデルでは、階差処理を加えることで時系列データのダ
イナミクスを定常過程に変換し、自己回帰パラメータお
よび移動平均パラメータを推定してモデルの構造を決
め、そのモデルに基づき予測値を算出する。
の一つにARIMA(AutoRegressive Integrated Movin
g Averege)モデル(廣松、浪花:「経済時系列分析」、
朝倉書店、1990.11、pp162〜170)がある。ARIMA
モデルでは、階差処理を加えることで時系列データのダ
イナミクスを定常過程に変換し、自己回帰パラメータお
よび移動平均パラメータを推定してモデルの構造を決
め、そのモデルに基づき予測値を算出する。
【0004】
【発明が解決しようとする課題】上記従来技術では、予
測精度の良否に直接係る自己回帰パラメータ、移動平均
パラメータ、および、階差処理の階数は、各種の分析結
果に基づき、計画者が最終的に決定する。そのため、各
種の分析結果を得るための数値実験にかなりの工数がか
かるうえに、その実験結果から前記のパラメータを適切
に決めるための高度な統計解析技術が要求されるという
問題がある。また、製品市場の変化に伴い、販売量実績
の時系列データのダイナミクスも変化するため、その度
に、前記のパラメータやモデル構造の見直しといった予
測モデルの保守作業が必要になるという問題もある。
測精度の良否に直接係る自己回帰パラメータ、移動平均
パラメータ、および、階差処理の階数は、各種の分析結
果に基づき、計画者が最終的に決定する。そのため、各
種の分析結果を得るための数値実験にかなりの工数がか
かるうえに、その実験結果から前記のパラメータを適切
に決めるための高度な統計解析技術が要求されるという
問題がある。また、製品市場の変化に伴い、販売量実績
の時系列データのダイナミクスも変化するため、その度
に、前記のパラメータやモデル構造の見直しといった予
測モデルの保守作業が必要になるという問題もある。
【0005】さらに、上記従来技術では、時系列データ
内の突発的要因による異常値の影響で前記のパラメータ
の精度が低下しやすいという問題がある。
内の突発的要因による異常値の影響で前記のパラメータ
の精度が低下しやすいという問題がある。
【0006】本発明の第1の目的は、計画業務における
計画者の予測業務負荷の軽減を実現する販売量予測方法
を提供することにある。
計画者の予測業務負荷の軽減を実現する販売量予測方法
を提供することにある。
【0007】本発明の第2の目的は、販売量予測の高精
度化と予測モデルの保守性向上を実現する販売量予測方
法を提供することにある。
度化と予測モデルの保守性向上を実現する販売量予測方
法を提供することにある。
【0008】
【課題を解決するための手段】上記の第1の目的は、入
力装置、出力装置、製品の販売量実績に関する情報の記
憶領域を含む記憶装置、並びに、前記記憶装置内の販売
量実績に関する情報をもとに前記入力装置から入力され
た予測期間における製品の販売量を算出する演算装置を
有する計算機を用いた販売量予測方法において、製品の
販売量実績に関する時系列データから突発的要因による
異常値を抽出・補正して補正済み時系列データを作成
し、前記補正済み時系列データから季節指数及び傾向値
系列を抽出し、前記傾向値系列の傾向値間の変動量を算
出して傾向値変動量系列を作成し、製品の販売量予測期
間における前記傾向値変動量系列の外挿値を算出し、前
記外挿値と前記傾向値系列から予測傾向値を算出し、前
記予測傾向値と前記季節指数から前記販売量予測期間に
おける製品の販売量を算出し、前記販売量算出結果を前
記出力装置に出力する販売量予測方法を設けることによ
り達成される。
力装置、出力装置、製品の販売量実績に関する情報の記
憶領域を含む記憶装置、並びに、前記記憶装置内の販売
量実績に関する情報をもとに前記入力装置から入力され
た予測期間における製品の販売量を算出する演算装置を
有する計算機を用いた販売量予測方法において、製品の
販売量実績に関する時系列データから突発的要因による
異常値を抽出・補正して補正済み時系列データを作成
し、前記補正済み時系列データから季節指数及び傾向値
系列を抽出し、前記傾向値系列の傾向値間の変動量を算
出して傾向値変動量系列を作成し、製品の販売量予測期
間における前記傾向値変動量系列の外挿値を算出し、前
記外挿値と前記傾向値系列から予測傾向値を算出し、前
記予測傾向値と前記季節指数から前記販売量予測期間に
おける製品の販売量を算出し、前記販売量算出結果を前
記出力装置に出力する販売量予測方法を設けることによ
り達成される。
【0009】上記の第2の目的は、前記傾向値変動量系
列の外挿において、前記傾向値変動量系列のダイナミク
スに適応した多層型ニューラルネットワークの入出力層
及び中間層のニューロン数を算出し、前記ニューロン数
に基づく多層型ニューラルネットワークの各ニューロン
の結合係数を算出し、前記結合係数をもとに販売量予測
期間における前記傾向値変動量系列の外挿値を算出する
ことにより達成される。
列の外挿において、前記傾向値変動量系列のダイナミク
スに適応した多層型ニューラルネットワークの入出力層
及び中間層のニューロン数を算出し、前記ニューロン数
に基づく多層型ニューラルネットワークの各ニューロン
の結合係数を算出し、前記結合係数をもとに販売量予測
期間における前記傾向値変動量系列の外挿値を算出する
ことにより達成される。
【0010】また、上記の第2の目的は、前記傾向値変
動量系列の外挿において、前記傾向値変動量系列の内挿
に最適な多項式の回帰次数を決定し、前記回帰次数をも
とに販売量予測期間における前記傾向値変動量系列の外
挿値を算出することによっても達成される。
動量系列の外挿において、前記傾向値変動量系列の内挿
に最適な多項式の回帰次数を決定し、前記回帰次数をも
とに販売量予測期間における前記傾向値変動量系列の外
挿値を算出することによっても達成される。
【0011】
【作用】上述のような手段を設けることにより、(1)〜
(3)に示すような作用効果が得られる。
(3)に示すような作用効果が得られる。
【0012】(1)補正済み時系列データの作成におい
ては、統計的手法により製品の販売量実績に関する時系
列データから突発的要因による異常値を抽出・補正して
補正済み時系列データが作成される。これにより、予測
精度の低下の大きな原因であった異常値が網羅的に適正
化されるので、販売量予測の高精度化が期待できる。
ては、統計的手法により製品の販売量実績に関する時系
列データから突発的要因による異常値を抽出・補正して
補正済み時系列データが作成される。これにより、予測
精度の低下の大きな原因であった異常値が網羅的に適正
化されるので、販売量予測の高精度化が期待できる。
【0013】(2)予測販売量の算出においては、前記
補正済み時系列データからEPA手法を用いて傾向値系
列が抽出され、それをもとに傾向値変動量系列を求めら
れる。さらに、傾向値変動量系列の内挿モデルを用いて
販売量予測期間への外挿値を求め、前記外挿値と前記傾
向値系列から販売量予測期間における予測傾向値を算出
される。最後に、この予測傾向値とEPA手法により求
めた季節指数をもとに、販売量予測期間における製品の
予測販売量が算出される。これにより、販売量予測の一
連の業務が自動化できるので、計画業務における計画者
の予測業務負荷を軽減することができる。
補正済み時系列データからEPA手法を用いて傾向値系
列が抽出され、それをもとに傾向値変動量系列を求めら
れる。さらに、傾向値変動量系列の内挿モデルを用いて
販売量予測期間への外挿値を求め、前記外挿値と前記傾
向値系列から販売量予測期間における予測傾向値を算出
される。最後に、この予測傾向値とEPA手法により求
めた季節指数をもとに、販売量予測期間における製品の
予測販売量が算出される。これにより、販売量予測の一
連の業務が自動化できるので、計画業務における計画者
の予測業務負荷を軽減することができる。
【0014】(3)傾向値変動量系列の外挿において
は、前記傾向値変動量系列のダイナミクスに適応した多
層型ニューラルネットワークの入出力層及び中間層のニ
ューロン数が算出され、このニューロン数に基づく最適
な多層型ニューラルネットワークモデルにより各ニュー
ロンの結合係数を算出され、最後にこの結合係数を用い
て販売量予測期間における前記傾向値変動量系列の外挿
値が算出される。これにより、時系列データのダイナミ
クスの変化、即ち、製品市場の変化に正確、かつ、柔軟
に適応できるため、販売量予測の更なる高精度化と予測
モデルの保守性向上が期待できる。
は、前記傾向値変動量系列のダイナミクスに適応した多
層型ニューラルネットワークの入出力層及び中間層のニ
ューロン数が算出され、このニューロン数に基づく最適
な多層型ニューラルネットワークモデルにより各ニュー
ロンの結合係数を算出され、最後にこの結合係数を用い
て販売量予測期間における前記傾向値変動量系列の外挿
値が算出される。これにより、時系列データのダイナミ
クスの変化、即ち、製品市場の変化に正確、かつ、柔軟
に適応できるため、販売量予測の更なる高精度化と予測
モデルの保守性向上が期待できる。
【0015】
【実施例】以下、本発明の実施例を図面を用いて詳細に
説明する。
説明する。
【0016】図1は、本実施例の装置構成図であり、入
力装置1、出力装置2、記憶装置3、演算装置4および
それらを制御する制御装置5から構成される。記憶装置
3内には、図2に示すように、予測対象製品名称記憶欄
201と予測対象製品の販売量実績の時系列データを示
す販売量実績データ欄202とを有する販売実績情報テ
ーブル200が格納されている。演算装置4は、四則演
算や各種関数演算を行う演算機能6と本発明に基づき予
測対象製品の販売量を予測する販売量予測機能7から成
る。
力装置1、出力装置2、記憶装置3、演算装置4および
それらを制御する制御装置5から構成される。記憶装置
3内には、図2に示すように、予測対象製品名称記憶欄
201と予測対象製品の販売量実績の時系列データを示
す販売量実績データ欄202とを有する販売実績情報テ
ーブル200が格納されている。演算装置4は、四則演
算や各種関数演算を行う演算機能6と本発明に基づき予
測対象製品の販売量を予測する販売量予測機能7から成
る。
【0017】以下、図3のフローチャートに沿って本発
明の主眼である販売量予測機能7の処理動作および情報
の伝達動作を説明する。
明の主眼である販売量予測機能7の処理動作および情報
の伝達動作を説明する。
【0018】<ステップ31>補正済み時系列データの
作成 記憶装置3内の販売実績情報テーブル200に格納され
た製品の販売量実績に関する時系列データ内の異常値を
抽出・補正して図4に示す形式の補正済み時系列データ
301を作成する。
作成 記憶装置3内の販売実績情報テーブル200に格納され
た製品の販売量実績に関する時系列データ内の異常値を
抽出・補正して図4に示す形式の補正済み時系列データ
301を作成する。
【0019】その具体的な処理手順を図5のフローチャ
ートに沿って説明する。
ートに沿って説明する。
【0020】[ステップ501]標準季節指数の算出 販売実績情報テーブル200に格納された製品の販売量
実績に関する時系列データ(原系列)の12ヶ月移動平
均値を求める。この12ヶ月移動平均値で原系列の販売
量実績値を除算することで原系列の各月の季節指数を求
め、さらに、同月の季節指数の算術平均値を求め、それ
を標準季節指数とする。
実績に関する時系列データ(原系列)の12ヶ月移動平
均値を求める。この12ヶ月移動平均値で原系列の販売
量実績値を除算することで原系列の各月の季節指数を求
め、さらに、同月の季節指数の算術平均値を求め、それ
を標準季節指数とする。
【0021】[ステップ502]傾向・不規則変動合成
系列の作成 ステップ501で求めた標準季節指数を用い、図6(a)
のような原系列601に対して対移動平均比率を計算し
て季節要素を除いた図6(b)のような傾向・不規則変動
合成系列602を作成する。
系列の作成 ステップ501で求めた標準季節指数を用い、図6(a)
のような原系列601に対して対移動平均比率を計算し
て季節要素を除いた図6(b)のような傾向・不規則変動
合成系列602を作成する。
【0022】[ステップ503]多項式の回帰次数の決
定 ステップ502で求めた傾向・不規則変動合成系列にい
くつかの多項式をフィッティグした結果を赤池情報基準
量AIC(Akaike's Information Criterion)で評価し、
最もフィッティグの良い多項式の回帰次数を決定する。
定 ステップ502で求めた傾向・不規則変動合成系列にい
くつかの多項式をフィッティグした結果を赤池情報基準
量AIC(Akaike's Information Criterion)で評価し、
最もフィッティグの良い多項式の回帰次数を決定する。
【0023】[ステップ504]信頼限界値の算出 ステップ503で求めた回帰次数に基づく多項式回帰線
を基準に、図7のように、予め設定されている信頼度の
範囲で、信頼限界の上限値701、下限値702を算出
する。
を基準に、図7のように、予め設定されている信頼度の
範囲で、信頼限界の上限値701、下限値702を算出
する。
【0024】[ステップ505]異常値の抽出 ステップ504で求めた信頼限界の上限値〜下限値の範
囲からはみ出した値に対応する販売実績情報テーブル2
00内の実績値を異常値として抽出する。図7では、点
703、点704が信頼限界外であり、それぞれの点に
対応する年/月を示すT1、T2での販売量実績を異常値
として抽出する。
囲からはみ出した値に対応する販売実績情報テーブル2
00内の実績値を異常値として抽出する。図7では、点
703、点704が信頼限界外であり、それぞれの点に
対応する年/月を示すT1、T2での販売量実績を異常値
として抽出する。
【0025】[ステップ506]標準前月比・標準翌月
比の算出 原系列をもとに販売量の前月比、例えば、4月が基準月
の場合には4月分販売量/3月分販売量を各年度毎に算
出し、それらを算術平均して標準前月比を算出する。同
様に、販売量の翌月比、例えば、4月が基準月の場合に
は4月分販売量/5月分販売量を各年度毎に算出し、そ
れらを算術平均して標準翌月比を算出する。
比の算出 原系列をもとに販売量の前月比、例えば、4月が基準月
の場合には4月分販売量/3月分販売量を各年度毎に算
出し、それらを算術平均して標準前月比を算出する。同
様に、販売量の翌月比、例えば、4月が基準月の場合に
は4月分販売量/5月分販売量を各年度毎に算出し、そ
れらを算術平均して標準翌月比を算出する。
【0026】[ステップ507]補正値の算出 ステップ505で抽出した異常値の発生月を基準に、そ
の前月の実績値にステップ506で算出した標準前月比
を乗じて、前月比による補正値を求める。同様に、異常
値の発生月の翌月の実績値にステップ506で算出した
標準翌月比を乗じて、翌月比による補正値を求める。
の前月の実績値にステップ506で算出した標準前月比
を乗じて、前月比による補正値を求める。同様に、異常
値の発生月の翌月の実績値にステップ506で算出した
標準翌月比を乗じて、翌月比による補正値を求める。
【0027】[ステップ508]補正値の調整 ステップ507で求めた前月比による補正値と翌月比に
よる補正値とを算術平均し、それを異常値の最終的な補
正値とする。
よる補正値とを算術平均し、それを異常値の最終的な補
正値とする。
【0028】以上のような処理ステップにより、予測精
度の低下の大きな原因であった異常値が網羅的に適正化
されるので、販売量予測の高精度化が期待できる。
度の低下の大きな原因であった異常値が網羅的に適正化
されるので、販売量予測の高精度化が期待できる。
【0029】<ステップ32>季節指数・傾向値系列の
抽出 補正済み時系列データ301をもとに、入力装置1から
入力された図8に示す形式の予測期間情報800に対応
した各月の季節指数を算出して図9に示す形式の季節指
数テーブル900を作成する。さらに、補正済み時系列
データ301から傾向値系列を抽出して図10に示す形
式の傾向値系列1000を作成する。なお、本実施例で
は、季節指数・傾向値系列の具体的抽出手法としては、
時系列データ解析の代表的な代表的な公知技法であるセ
ンサス局法あるいはEPA(the Economic Planning Age
ncy)法を適用するため、詳細な計算方法の説明はここで
は省略する。
抽出 補正済み時系列データ301をもとに、入力装置1から
入力された図8に示す形式の予測期間情報800に対応
した各月の季節指数を算出して図9に示す形式の季節指
数テーブル900を作成する。さらに、補正済み時系列
データ301から傾向値系列を抽出して図10に示す形
式の傾向値系列1000を作成する。なお、本実施例で
は、季節指数・傾向値系列の具体的抽出手法としては、
時系列データ解析の代表的な代表的な公知技法であるセ
ンサス局法あるいはEPA(the Economic Planning Age
ncy)法を適用するため、詳細な計算方法の説明はここで
は省略する。
【0030】<ステップ33>傾向値変動量系列の作成 傾向値系列1000を用いて傾向値系列の傾向値間の変
動量を算出して図11に示す形式の傾向値変動量系列1
100を作成する。
動量を算出して図11に示す形式の傾向値変動量系列1
100を作成する。
【0031】<ステップ34>傾向値変動量系列の外挿 傾向値変動量系列1100をもとに、製品の販売量予測
期間における前記傾向値変動量系列の外挿値を求めて図
12に示す形式の外挿値テーブル1200を作成する。
期間における前記傾向値変動量系列の外挿値を求めて図
12に示す形式の外挿値テーブル1200を作成する。
【0032】<ステップ35>予測傾向値の算出 傾向値系列1000内の終端の実績値に外挿値テーブル
1200内の外挿値を販売量予測期間の範囲で逐次加算
して図13に示す形式の予測傾向値テーブル1300を
作成する。
1200内の外挿値を販売量予測期間の範囲で逐次加算
して図13に示す形式の予測傾向値テーブル1300を
作成する。
【0033】<ステップ36>予測販売量の算出 予測傾向値テーブル1300内の販売量予測期間の傾向
値に、季節指数テーブル900内の販売量予測期間の季
節指数を乗算して図14に示す形式の販売量予測結果テ
ーブル1400を作成する。
値に、季節指数テーブル900内の販売量予測期間の季
節指数を乗算して図14に示す形式の販売量予測結果テ
ーブル1400を作成する。
【0034】<ステップ37>予測結果の出力 販売量予測結果テーブル1400の内容を出力装置2に
出力する。その出力の一例を図15に示す。
出力する。その出力の一例を図15に示す。
【0035】次に、予測精度の良否を大きく左右する傾
向値変動量系列の外挿方法(ステップ34)の処理手順
を図16のフローチャートに沿って説明する。なお、こ
こでは、傾向値変動量系列のダイナミクスがカオス的変
動要素を持つとの仮定より、株価、金利などの経済時系
列データのダイナミクスを対象にした予測に好適で、既
に公知技術であるフィードバック付き多層型ニューラル
ネットワークを外挿手法に適用する。
向値変動量系列の外挿方法(ステップ34)の処理手順
を図16のフローチャートに沿って説明する。なお、こ
こでは、傾向値変動量系列のダイナミクスがカオス的変
動要素を持つとの仮定より、株価、金利などの経済時系
列データのダイナミクスを対象にした予測に好適で、既
に公知技術であるフィードバック付き多層型ニューラル
ネットワークを外挿手法に適用する。
【0036】[ステップ1601]入出力層ニューロン
数の入力 予測期間情報800を入力し、その情報のデータ総数、
即ち、予測期間数を出力層ニューロン数に、予測期間数
の2倍の数を入力層ニューロン数にそれぞれ設定する。
数の入力 予測期間情報800を入力し、その情報のデータ総数、
即ち、予測期間数を出力層ニューロン数に、予測期間数
の2倍の数を入力層ニューロン数にそれぞれ設定する。
【0037】[ステップ1602]傾向値変動量系列の
フラクタル次元の算出 N+1個の傾向値変動量系列Z(n)(0≦n≦N)に対
して、データ間隔kにおける曲線Zk(m)(m=1,…,
k)を数1のように定義する。
フラクタル次元の算出 N+1個の傾向値変動量系列Z(n)(0≦n≦N)に対
して、データ間隔kにおける曲線Zk(m)(m=1,…,
k)を数1のように定義する。
【0038】
【数1】
【0039】さらに、曲線Zk(m)の長さLk(m)を数2
のように定義する。
のように定義する。
【0040】
【数2】
【0041】このとき、間隔kに関する平均<Lk>が
kの−D乗に比例すれば、フラクタル次元Dであるとい
える。具体的には、まず、logk対log<Lk>をグラフ
にプロットし、それに対し最小二乗法でフィッテイング
した回帰直線の傾斜をフラクタル次元Dとして算出す
る。一般に、このフラクタル次元Dは1から2の間の値
を取り、フラクタル次元Dが1に近いほど予測結果の確
信度が高くなる。
kの−D乗に比例すれば、フラクタル次元Dであるとい
える。具体的には、まず、logk対log<Lk>をグラフ
にプロットし、それに対し最小二乗法でフィッテイング
した回帰直線の傾斜をフラクタル次元Dとして算出す
る。一般に、このフラクタル次元Dは1から2の間の値
を取り、フラクタル次元Dが1に近いほど予測結果の確
信度が高くなる。
【0042】[ステップ1603]入出力層ニューロン
数の妥当性の判定 logk対log<Lk>のプロット図で回帰直線が折れ曲が
るときのkの値が予測期間数以下であればステップ16
05に進み、そうでなけれがステップ1604に進む。
数の妥当性の判定 logk対log<Lk>のプロット図で回帰直線が折れ曲が
るときのkの値が予測期間数以下であればステップ16
05に進み、そうでなけれがステップ1604に進む。
【0043】[ステップ1604]入出力層ニューロン
数の修正値の受付け ステップ1601で設定した入出力層ニューロン数で
は、与えられた傾向値変動量系列Z(n)の特性を適切に
捉えることができず、予測精度の低下を招く可能性が高
い。本ステップでは、logk対log<Lk>のプロット図
の特性等をもとに人手により見直した予測期間に対応し
た入出力層ニューロン数の修正値を受付け、ステップ1
602に戻る。
数の修正値の受付け ステップ1601で設定した入出力層ニューロン数で
は、与えられた傾向値変動量系列Z(n)の特性を適切に
捉えることができず、予測精度の低下を招く可能性が高
い。本ステップでは、logk対log<Lk>のプロット図
の特性等をもとに人手により見直した予測期間に対応し
た入出力層ニューロン数の修正値を受付け、ステップ1
602に戻る。
【0044】[ステップ1605]中間層ニューロン数
の算出 統計モデルを評価する基準として広く知られているAI
Cの考え方を用いて、次式により中間層ニューロン数別
のAICを求める。
の算出 統計モデルを評価する基準として広く知られているAI
Cの考え方を用いて、次式により中間層ニューロン数別
のAICを求める。
【0045】AIC=(学習パターン数)×log(学習2
乗誤差)+2×中間層ニューロン数 上記の式で求めたAICが最小、即ち、学習中の収束誤
差が最小になるようなニューロン数を中間層のニューロ
ン数とする。
乗誤差)+2×中間層ニューロン数 上記の式で求めたAICが最小、即ち、学習中の収束誤
差が最小になるようなニューロン数を中間層のニューロ
ン数とする。
【0046】[ステップ1606]ニューラルネットワ
ークの学習 α〜β(但し、0≦α≦1、0≦β≦1、α<β)内に
傾向値変動量系列を線形比例配分して作成した正規化デ
ータから、学習用のパターンセットを切り出し、これを
もとにニューラルネットワークモデルを所定の回数学習
させ、各ニューロンの結合係数を決定する。
ークの学習 α〜β(但し、0≦α≦1、0≦β≦1、α<β)内に
傾向値変動量系列を線形比例配分して作成した正規化デ
ータから、学習用のパターンセットを切り出し、これを
もとにニューラルネットワークモデルを所定の回数学習
させ、各ニューロンの結合係数を決定する。
【0047】[ステップ1607]外挿値の算出 入力層のニューロン数に応じたデータ数を正規化データ
から切り出し、それを入力層の初期値に設定して学習済
みニューラルネットワークモデルで予測し、その結果を
逆正規化変換して傾向値変動量系列の外挿値を算出とす
る。その具体例を図17に示す。正規化済みの傾向値変
動量系列1701を用いて販売量予測対象期間であるY
(t+1)、Y(t+2)の外挿値が算出する場合(図17
(a))、ニューラルネットワークモデルの入力層・出力
層のニューロン数はそれぞれ4ヶ、2ヶとなる。また、
中間層のニューロン数はステップ1605により3ヶと
算出されたとする。このようなニューラルネットワーク
モデル(図17(b))の場合には、入力層のi1、i
2、i3に正規化済みの傾向値変動量系列1701のY
(t-2)、Y(t-1)、Y(t)をそれぞれ設定し、入力層のi
4にゼロを設定する。以上のニューラルネットワークモ
デルへの入力値とステップ1606で学習された各ニュ
ーロンの結合係数を用いて予測演算を行うと、出力層で
あるo1、o2にY(t+1)、Y(t+2)の正規化値が求めら
れる。最後に、この正規化値を逆正規化変換して、販売
量予測期間の外挿値を求める。
から切り出し、それを入力層の初期値に設定して学習済
みニューラルネットワークモデルで予測し、その結果を
逆正規化変換して傾向値変動量系列の外挿値を算出とす
る。その具体例を図17に示す。正規化済みの傾向値変
動量系列1701を用いて販売量予測対象期間であるY
(t+1)、Y(t+2)の外挿値が算出する場合(図17
(a))、ニューラルネットワークモデルの入力層・出力
層のニューロン数はそれぞれ4ヶ、2ヶとなる。また、
中間層のニューロン数はステップ1605により3ヶと
算出されたとする。このようなニューラルネットワーク
モデル(図17(b))の場合には、入力層のi1、i
2、i3に正規化済みの傾向値変動量系列1701のY
(t-2)、Y(t-1)、Y(t)をそれぞれ設定し、入力層のi
4にゼロを設定する。以上のニューラルネットワークモ
デルへの入力値とステップ1606で学習された各ニュ
ーロンの結合係数を用いて予測演算を行うと、出力層で
あるo1、o2にY(t+1)、Y(t+2)の正規化値が求めら
れる。最後に、この正規化値を逆正規化変換して、販売
量予測期間の外挿値を求める。
【0048】以上のような処理ステップにより、時系列
データのダイナミクスの変化、即ち、製品市場の変化に
正確、かつ、柔軟に適応できるため、販売量予測の更な
る高精度化と予測モデルの保守性向上が期待できる。
データのダイナミクスの変化、即ち、製品市場の変化に
正確、かつ、柔軟に適応できるため、販売量予測の更な
る高精度化と予測モデルの保守性向上が期待できる。
【0049】次に、傾向値変動量系列の外挿手法の代替
案を図18のフローチャートに沿って説明する。
案を図18のフローチャートに沿って説明する。
【0050】[ステップ1801]回帰次数の決定 傾向値変動量系列にいくつかの多項式を内挿した結果を
AICで評価し、最もフィッティグの良い多項式の回帰
次数を決定する。例えば、図19のように、傾向値変動
量系列1901への多項式フィッティグにおいて、一次
式1902の時、AICが最小であれば、それを外挿値
算出用の回帰次数とする。
AICで評価し、最もフィッティグの良い多項式の回帰
次数を決定する。例えば、図19のように、傾向値変動
量系列1901への多項式フィッティグにおいて、一次
式1902の時、AICが最小であれば、それを外挿値
算出用の回帰次数とする。
【0051】[ステップ1802]外挿値の算出 ステップ1801で求めた回帰次数に基づく回帰多項式
を用いて、販売量予測期間における傾向値変動量系列の
外挿値を算出する。例えば、販売量予測期間が図20の
ように設定されている場合には、一次式1902の延長
線上にある点2001及び点2002の値Y(t+1)、Y
(t+2)をそれぞれt+1、t+2の外挿値とする。
を用いて、販売量予測期間における傾向値変動量系列の
外挿値を算出する。例えば、販売量予測期間が図20の
ように設定されている場合には、一次式1902の延長
線上にある点2001及び点2002の値Y(t+1)、Y
(t+2)をそれぞれt+1、t+2の外挿値とする。
【0052】以上、本実施例による効果を総括すれば、
高精度な販売量予測を実現する一連の予測業務が自動化
できるので、計画業務における計画者の予測業務の負荷
軽減が可能となる。
高精度な販売量予測を実現する一連の予測業務が自動化
できるので、計画業務における計画者の予測業務の負荷
軽減が可能となる。
【0053】
【発明の効果】本発明によれば、計画業務における計画
者の予測業務負荷の軽減が実現できるようになる。
者の予測業務負荷の軽減が実現できるようになる。
【0054】更に、本発明によれば、販売量予測の高精
度化と予測モデルの保守性向上が実現できるようにな
る。
度化と予測モデルの保守性向上が実現できるようにな
る。
【図1】一実施例の装置構成図である。
【図2】予測対象製品に関する販売実績情報テーブルの
構成図である。
構成図である。
【図3】販売量予測装置の処理動作および情報の伝達動
作を説明するための図である。
作を説明するための図である。
【図4】補正済み時系列データの構成図である。
【図5】補正済み時系列データの作成手順を示すフロー
チャートである。
チャートである。
【図6】傾向・不規則変動合成系列の作成結果の一例を
示す図である。
示す図である。
【図7】異常値の抽出方法を説明するための図である。
【図8】予測期間情報の格納形式を示す図である。
【図9】季節指数テーブルの構成図である。
【図10】傾向値系列のデータ構成図である。
【図11】傾向値変動量系列のデータ構成図である。
【図12】外挿値テーブルの構成図である。
【図13】予測傾向値テーブルの構成図である。
【図14】販売量予測結果テーブルの構成図である。
【図15】販売量予測結果の出力画面例である。
【図16】傾向値変動量系列の外挿手順を示すフローチ
ャートである。
ャートである。
【図17】ニューラルネットワークによる外挿値の算出
方法を説明するための図である。
方法を説明するための図である。
【図18】回帰による傾向値変動量系列の外挿手順を示
すフローチャートである。
すフローチャートである。
【図19】傾向値変動量系列を一次式でフィッテイング
した一例を示す図である。
した一例を示す図である。
【図20】回帰線延長による外挿値の算出方法を説明す
るための図である。
るための図である。
1…入力装置、2…出力装置、3…記憶装置、4…演算
装置、7…販売量予測機能、31…補正済み時系列デー
タの作成、32…季節指数・傾向値系列の抽出、33…
傾向値変動量系列の作成、34…傾向値変動量系列の外
挿、35…予測傾向値の算出、36…予測販売量の算
出、37…予測結果の出力。
装置、7…販売量予測機能、31…補正済み時系列デー
タの作成、32…季節指数・傾向値系列の抽出、33…
傾向値変動量系列の作成、34…傾向値変動量系列の外
挿、35…予測傾向値の算出、36…予測販売量の算
出、37…予測結果の出力。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 板橋 正文 神奈川県川崎市幸区鹿島田890番地の12 株式会社日立製作所ビジネスシステム開発 センタ内 (72)発明者 小野田 光善 東京都大田区大森北三丁目2番16号 日立 システムエンジニアリング株式会社内 (72)発明者 山崎 義雄 東京都大田区大森北三丁目2番16号 日立 システムエンジニアリング株式会社内
Claims (3)
- 【請求項1】入力装置、出力装置、製品の販売量実績に
関する情報の記憶領域を含む記憶装置、並びに、前記記
憶装置内の販売量実績に関する情報をもとに前記入力装
置から入力された予測期間における製品の販売量を算出
する演算装置を有する計算機を用いた販売量予測方法に
おいて、製品の販売量実績に関する時系列データから突
発的要因による異常値を抽出・補正して補正済み時系列
データを作成し、前記補正済み時系列データから季節指
数及び傾向値系列を抽出し、前記傾向値系列の傾向値間
の変動量を算出して傾向値変動量系列を作成し、製品の
販売量予測期間における前記傾向値変動量系列の外挿値
を算出し、前記外挿値と前記傾向値系列から予測傾向値
を算出し、前記予測傾向値と前記季節指数から前記販売
量予測期間における製品の販売量を算出し、前記販売量
算出結果を前記出力装置に出力することを特徴とする販
売量予測方法。 - 【請求項2】前記傾向値変動量系列の外挿値は、前記傾
向値変動量系列のダイナミクスに適応した多層型ニュー
ラルネットワークの入出力層及び中間層のニューロン数
を算出し、前記ニューロン数に基づく多層型ニューラル
ネットワークの各ニューロンの結合係数を算出し、前記
結合係数をもとに算出することを特徴とする請求項1記
載の販売量予測方法。 - 【請求項3】前記傾向値変動量系列の外挿値は、前記傾
向値変動量系列の内挿に最適な多項式の回帰次数を決定
し、前記回帰次数をもとに算出することを特徴とする請
求項1記載の販売量予測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP21374693A JPH0764965A (ja) | 1993-08-30 | 1993-08-30 | 販売量予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP21374693A JPH0764965A (ja) | 1993-08-30 | 1993-08-30 | 販売量予測方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH0764965A true JPH0764965A (ja) | 1995-03-10 |
Family
ID=16644336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP21374693A Pending JPH0764965A (ja) | 1993-08-30 | 1993-08-30 | 販売量予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH0764965A (ja) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001282906A (ja) * | 2000-04-03 | 2001-10-12 | Nippon Syst Design Kk | 販売数の予測値と発注量演算処理システム |
JP2007122264A (ja) * | 2005-10-26 | 2007-05-17 | Foresight Information Institute Co Ltd | 経営または需要の予測システムおよびこれに用いる予測プログラム |
JP2007141036A (ja) * | 2005-11-21 | 2007-06-07 | Ricoh Co Ltd | 需要予測方法及び需要予測プログラム |
JP2008015738A (ja) * | 2006-07-05 | 2008-01-24 | Nec Electronics Corp | 設備管理システム |
JP2009043291A (ja) * | 2008-11-25 | 2009-02-26 | Nomura Research Institute Ltd | 商品需要予測システム、商品の売上数調整システム |
EP1680961A3 (de) * | 2005-01-12 | 2010-05-05 | Aldi Einkauf GmbH & Co. oHG | Backvorrichtung für insbesondere Selbstbedienungsläden |
JP2012211483A (ja) * | 2011-03-31 | 2012-11-01 | Sinfonia Technology Co Ltd | 水需要予測システム |
JP2013205894A (ja) * | 2012-03-27 | 2013-10-07 | Oki Electric Ind Co Ltd | 異常検出装置、プログラムおよび異常検出方法 |
JP2016110289A (ja) * | 2014-12-03 | 2016-06-20 | 日本電信電話株式会社 | 異常抽出装置、方法、及びプログラム |
WO2017212880A1 (ja) * | 2016-06-09 | 2017-12-14 | 株式会社日立製作所 | データ予測システムおよびデータ予測方法 |
JP2017224268A (ja) * | 2016-06-09 | 2017-12-21 | 株式会社日立製作所 | データ予測システムおよびデータ予測方法 |
CN111126656A (zh) * | 2019-11-10 | 2020-05-08 | 国网浙江省电力有限公司温州供电公司 | 一种电能表故障数量预测方法 |
KR20200107087A (ko) * | 2019-03-06 | 2020-09-16 | 베스핀글로벌 주식회사 | 판매량 예측 장치 및 방법 |
KR20200130760A (ko) * | 2019-04-25 | 2020-11-20 | (주)밸류파인더스 | 이중 dnn을 이용한 가맹점 추천방법 |
-
1993
- 1993-08-30 JP JP21374693A patent/JPH0764965A/ja active Pending
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001282906A (ja) * | 2000-04-03 | 2001-10-12 | Nippon Syst Design Kk | 販売数の予測値と発注量演算処理システム |
EP1680961A3 (de) * | 2005-01-12 | 2010-05-05 | Aldi Einkauf GmbH & Co. oHG | Backvorrichtung für insbesondere Selbstbedienungsläden |
AU2006200128B2 (en) * | 2005-01-12 | 2011-09-22 | Aldi Einkauf Gmbh & Co. Ohg | Baking device especially for self-service shops |
JP2007122264A (ja) * | 2005-10-26 | 2007-05-17 | Foresight Information Institute Co Ltd | 経営または需要の予測システムおよびこれに用いる予測プログラム |
JP2007141036A (ja) * | 2005-11-21 | 2007-06-07 | Ricoh Co Ltd | 需要予測方法及び需要予測プログラム |
JP4673727B2 (ja) * | 2005-11-21 | 2011-04-20 | 株式会社リコー | 需要予測方法及び需要予測プログラム |
JP2008015738A (ja) * | 2006-07-05 | 2008-01-24 | Nec Electronics Corp | 設備管理システム |
JP2009043291A (ja) * | 2008-11-25 | 2009-02-26 | Nomura Research Institute Ltd | 商品需要予測システム、商品の売上数調整システム |
JP2012211483A (ja) * | 2011-03-31 | 2012-11-01 | Sinfonia Technology Co Ltd | 水需要予測システム |
JP2013205894A (ja) * | 2012-03-27 | 2013-10-07 | Oki Electric Ind Co Ltd | 異常検出装置、プログラムおよび異常検出方法 |
JP2016110289A (ja) * | 2014-12-03 | 2016-06-20 | 日本電信電話株式会社 | 異常抽出装置、方法、及びプログラム |
WO2017212880A1 (ja) * | 2016-06-09 | 2017-12-14 | 株式会社日立製作所 | データ予測システムおよびデータ予測方法 |
JP2017224268A (ja) * | 2016-06-09 | 2017-12-21 | 株式会社日立製作所 | データ予測システムおよびデータ予測方法 |
US11593690B2 (en) | 2016-06-09 | 2023-02-28 | Hitachi, Ltd. | Data prediction system and data prediction method |
KR20200107087A (ko) * | 2019-03-06 | 2020-09-16 | 베스핀글로벌 주식회사 | 판매량 예측 장치 및 방법 |
KR20200130760A (ko) * | 2019-04-25 | 2020-11-20 | (주)밸류파인더스 | 이중 dnn을 이용한 가맹점 추천방법 |
CN111126656A (zh) * | 2019-11-10 | 2020-05-08 | 国网浙江省电力有限公司温州供电公司 | 一种电能表故障数量预测方法 |
CN111126656B (zh) * | 2019-11-10 | 2023-07-04 | 国网浙江省电力有限公司温州供电公司 | 一种电能表故障数量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7853462B2 (en) | Optimizing an inventory of a supply chain | |
US7584116B2 (en) | Monitoring a demand forecasting process | |
JPH0764965A (ja) | 販売量予測方法 | |
Dunsmuir et al. | Control of inventories with intermittent demand | |
US7587330B1 (en) | Method and system for constructing prediction interval based on historical forecast errors | |
US8428987B2 (en) | Determining order lead time for a supply chain using a probability distribution of order lead time | |
US20070293959A1 (en) | Apparatus, method and computer product for predicting a price of an object | |
US20210192435A1 (en) | Systems and methods for safety stock optimization for products stocked at retail facilities | |
CN111915254A (zh) | 一种适用于汽车售后配件的库存优化控制方法和系统 | |
US6937966B1 (en) | System and method for on-line adaptive prediction using dynamic management of multiple sub-models | |
DE10257199A1 (de) | Erzeugen eines optimierten Preiskalkulationsplans | |
CN113822499B (zh) | 一种基于模型融合的列车备件损耗预测方法 | |
KR102574244B1 (ko) | 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치 | |
US6473721B1 (en) | Factory traffic monitoring and analysis apparatus and method | |
US5913200A (en) | System for and method of working out production start plans | |
CN117196695B (zh) | 一种目标产品的销量数据的预测方法及装置 | |
JPH0922402A (ja) | 日最大電力需要量予測方法 | |
CN110992189A (zh) | 资源数据估值方法、装置、计算机设备和存储介质 | |
JP3268520B2 (ja) | ガス需要量の予測方法 | |
JPH09233700A (ja) | 日最大需要電力予測の信頼性評価方法 | |
JP3181018B2 (ja) | 気象予測装置 | |
JP3308654B2 (ja) | 出荷量予測システム | |
Boyko | Data Interpretation Algorithm for Adaptive Methods of Modeling and Forecasting Time Series | |
JP2020115276A (ja) | 情報処理方法、情報処理装置、プログラム及び学習済みモデルの生成方法 | |
US20230245147A1 (en) | Systems and methods for generating and validating item demand transfer coefficients using database entries |