JPH0764965A - 販売量予測方法 - Google Patents

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。

Description

【発明の詳細な説明】

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【図面の簡単な説明】

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【符号の説明】

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。

───────────────────────────────────────────────────── 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)

【特許請求の範囲】
1. 【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。
2. 【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。
3. 【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。