JPH09179850A - 需要予測モデル評価方法 - Google Patents
需要予測モデル評価方法Info
- Publication number
- JPH09179850A JPH09179850A JP33644095A JP33644095A JPH09179850A JP H09179850 A JPH09179850 A JP H09179850A JP 33644095 A JP33644095 A JP 33644095A JP 33644095 A JP33644095 A JP 33644095A JP H09179850 A JPH09179850 A JP H09179850A
- Authority
- JP
- Japan
- Prior art keywords
- demand
- error
- forecast
- value
- demand forecast
- 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 description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 51
- 230000007704 transition Effects 0.000 claims abstract description 9
- 238000003860 storage Methods 0.000 claims description 14
- 230000007423 decrease Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000012552 review Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【課題】正確性、持続性の高い需要予測を実現するた
め、需要予測モデルの見直し時期の適正化及び需要予測
モデルの見直し作業の効率化を図る需要予測モデル評価
方法を提供する。 【解決手段】需要予測モデルの評価期間における需要実
績値と需要予測値を取り込み、需要予測モデル自体に内
在する誤差である定常誤差と需要予測モデル構築時には
考慮できない因子による誤差である撹乱誤差から前記需
要実績値と前記需要予測値との予測誤差を求め、前記予
測誤差の時系列推移特性に応じて需要予測モデルの適用
妥当性を評価し、前記評価の結果を前記出力装置に出力
する処理手順からなる需要予測モデル評価方法。
め、需要予測モデルの見直し時期の適正化及び需要予測
モデルの見直し作業の効率化を図る需要予測モデル評価
方法を提供する。 【解決手段】需要予測モデルの評価期間における需要実
績値と需要予測値を取り込み、需要予測モデル自体に内
在する誤差である定常誤差と需要予測モデル構築時には
考慮できない因子による誤差である撹乱誤差から前記需
要実績値と前記需要予測値との予測誤差を求め、前記予
測誤差の時系列推移特性に応じて需要予測モデルの適用
妥当性を評価し、前記評価の結果を前記出力装置に出力
する処理手順からなる需要予測モデル評価方法。
Description
【発明の詳細な説明】
【発明の属する技術分野】本発明は、販売計画、生産計
画などの前段業務として行われる需要予測に関わり、特
に既に構築した需要予測モデルの見直しの要否判定業務
に好適な需要予測モデル評価方法に関する。
画などの前段業務として行われる需要予測に関わり、特
に既に構築した需要予測モデルの見直しの要否判定業務
に好適な需要予測モデル評価方法に関する。
【従来の技術】需要予測では予測精度の向上を狙いに各
種の統計・予測手法により需要特性を定式化した予測モ
デルが用いられている。この予測モデルは過去の需要特
性が将来においても継続するであろうという演繹的考え
方に基づいている。従って、需要特性が変化した場合に
は予測モデルを見直す必要があり、その見直しの判断基
準として予測誤差の変動特性に着目することが多い。文
献(G.A.Coutie他、石渡訳：「短期予測方式」、培風
館、1971.11、pp31）では、予測誤差の分布は時が経つ
につれて変化するものかもしれないため、予測誤差の標
準誤差を数期間に渡って毎年計算し、その傾向をチェッ
クしていくことを推奨している。
種の統計・予測手法により需要特性を定式化した予測モ
デルが用いられている。この予測モデルは過去の需要特
性が将来においても継続するであろうという演繹的考え
方に基づいている。従って、需要特性が変化した場合に
は予測モデルを見直す必要があり、その見直しの判断基
準として予測誤差の変動特性に着目することが多い。文
献(G.A.Coutie他、石渡訳：「短期予測方式」、培風
館、1971.11、pp31）では、予測誤差の分布は時が経つ
につれて変化するものかもしれないため、予測誤差の標
準誤差を数期間に渡って毎年計算し、その傾向をチェッ
クしていくことを推奨している。
【発明が解決しようとする課題】予測誤差はモデル自体
に内在する定常誤差とモデル構築時には考慮できない因
子による撹乱誤差とで成り立っている。しかし、上記従
来技術では前記のそれぞれの誤差成分を分離して取扱っ
ていないため、予測誤差の発生の原因が定常誤差による
ものか撹乱誤差によるものなのかを判断できない。これ
により、予測モデルの見直し時期を逸し精度が悪い需要
予測結果を示したり、逆に予測モデルの見直しを過度に
行い余計な作業工数が発生していまうという問題点があ
った。さらに、予測誤差の傾向分析は人手によるものな
ので計画者の予測に関する経験、技量に左右され、か
つ、恣意性の高いものになってしまうという問題点もあ
った。本発明の目的は、正確性、持続性の高い需要予測
を実現するために需要予測モデルの見直し時期の適正化
及び需要予測モデルの見直し作業の効率化を図る需要予
測モデル評価方法を提供することにある。
に内在する定常誤差とモデル構築時には考慮できない因
子による撹乱誤差とで成り立っている。しかし、上記従
来技術では前記のそれぞれの誤差成分を分離して取扱っ
ていないため、予測誤差の発生の原因が定常誤差による
ものか撹乱誤差によるものなのかを判断できない。これ
により、予測モデルの見直し時期を逸し精度が悪い需要
予測結果を示したり、逆に予測モデルの見直しを過度に
行い余計な作業工数が発生していまうという問題点があ
った。さらに、予測誤差の傾向分析は人手によるものな
ので計画者の予測に関する経験、技量に左右され、か
つ、恣意性の高いものになってしまうという問題点もあ
った。本発明の目的は、正確性、持続性の高い需要予測
を実現するために需要予測モデルの見直し時期の適正化
及び需要予測モデルの見直し作業の効率化を図る需要予
測モデル評価方法を提供することにある。
【課題を解決するための手段】上記の目的は下記の
（１）〜（６）の手段により達成される。 （１）入力装置、出力装置、製品の需要実績に関する情
報の記憶領域及び製品の需要予測の期待値とその信頼限
界に関する情報の記憶領域を含む記憶装置並びに前記記
憶装置内の情報をもとに前記入力装置から入力された評
価期間における需要予測用予測モデルの予測誤差を算出
する演算装置を有する計算機を用いた需要予測モデル評
価方法において、前記評価期間における需要実績値と需
要予測値を取り込み、需要予測モデル自体に内在する誤
差である定常誤差と需要予測モデル構築時には考慮でき
ない因子による誤差である撹乱誤差から前記需要実績値
と前記需要予測値との予測誤差を求め、前記予測誤差の
時系列推移特性に応じて需要予測モデルの適用妥当性を
評価し、前記評価の結果を前記出力装置に出力する。 （２）需要実績値から需要予測値を減じた差異が正でか
つ需要実績値が需要予測の期待値の信頼限界上限値より
小さいならば前記差異を定常誤差とし、需要実績値から
需要予測値を減じた差異が正でかつ需要実績値が需要予
測の期待値の信頼限界上限値より大きいならば需要実績
値から需要予測の期待値の信頼限界上限値を減じた差異
を撹乱誤差、信頼限界上限値から期待値を減じた差異を
定常誤差とする。 （３）需要実績値から需要予測値を減じた差異が負でか
つ需要実績値が需要予測の期待値の信頼限界下限値より
大きいならば前記差異を定常誤差とし、需要実績値から
需要予測値を減じた差異が負でかつ需要実績値が需要予
測の期待値の信頼限界下限値より小さいならば需要実績
値から需要予測の期待値の信頼限界下限値を減じた差異
を撹乱誤差、信頼限界下限値から期待値を減じた差異を
定常誤差とする。 （４）予測誤差の構成要素である定常誤差の時系列推移
が増加傾向にある時は需要予測モデルの妥当性が低下傾
向にあると評価する。 （５）予測誤差の構成要素である撹乱誤差の時系列推移
が増加傾向にある時は需要予測モデルの見直しが必要で
あると評価する。 （６）定常誤差・撹乱誤差の時系列推移及び需要予測モ
デルの適用妥当性の評価結果を出力装置の同一画面上に
出力する。
（１）〜（６）の手段により達成される。 （１）入力装置、出力装置、製品の需要実績に関する情
報の記憶領域及び製品の需要予測の期待値とその信頼限
界に関する情報の記憶領域を含む記憶装置並びに前記記
憶装置内の情報をもとに前記入力装置から入力された評
価期間における需要予測用予測モデルの予測誤差を算出
する演算装置を有する計算機を用いた需要予測モデル評
価方法において、前記評価期間における需要実績値と需
要予測値を取り込み、需要予測モデル自体に内在する誤
差である定常誤差と需要予測モデル構築時には考慮でき
ない因子による誤差である撹乱誤差から前記需要実績値
と前記需要予測値との予測誤差を求め、前記予測誤差の
時系列推移特性に応じて需要予測モデルの適用妥当性を
評価し、前記評価の結果を前記出力装置に出力する。 （２）需要実績値から需要予測値を減じた差異が正でか
つ需要実績値が需要予測の期待値の信頼限界上限値より
小さいならば前記差異を定常誤差とし、需要実績値から
需要予測値を減じた差異が正でかつ需要実績値が需要予
測の期待値の信頼限界上限値より大きいならば需要実績
値から需要予測の期待値の信頼限界上限値を減じた差異
を撹乱誤差、信頼限界上限値から期待値を減じた差異を
定常誤差とする。 （３）需要実績値から需要予測値を減じた差異が負でか
つ需要実績値が需要予測の期待値の信頼限界下限値より
大きいならば前記差異を定常誤差とし、需要実績値から
需要予測値を減じた差異が負でかつ需要実績値が需要予
測の期待値の信頼限界下限値より小さいならば需要実績
値から需要予測の期待値の信頼限界下限値を減じた差異
を撹乱誤差、信頼限界下限値から期待値を減じた差異を
定常誤差とする。 （４）予測誤差の構成要素である定常誤差の時系列推移
が増加傾向にある時は需要予測モデルの妥当性が低下傾
向にあると評価する。 （５）予測誤差の構成要素である撹乱誤差の時系列推移
が増加傾向にある時は需要予測モデルの見直しが必要で
あると評価する。 （６）定常誤差・撹乱誤差の時系列推移及び需要予測モ
デルの適用妥当性の評価結果を出力装置の同一画面上に
出力する。
【発明の実施の形態】以下、本発明の実施例を図面を用
いて詳細に説明する。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（本実施
例では販売量を需要量と見做す）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、図
３に示すように予測対象製品名称記憶欄３０１と需要予
測モデルにより予測対象製品の販売量を予測した際の期
待値を示す期待値データ欄３０２、予測の信頼限界の上
限値を示す信頼限界上限値データ欄３０３、予測の信頼
限界の下限値を示す信頼限界下限値データ欄３０４とを
有する販売予測情報テーブル３００、入力装置１から入
力された需要予測モデルの評価期間を示す図４の形式の
評価期間テーブル４００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
に基づき需要予測モデルの予測精度を評価する需要予測
モデル評価機能７から成る。以下、図５のフローチャー
トに沿って本発明の中心である需要予測モデル評価機能
７の処理動作および情報の伝達動作を説明する。なお、
本実施例で用いる需要予測モデルは製品別に設定されて
おり、また、それぞれの予測モデルはモデル構造、構造
パラメータが適正化されていることを前提にする。 ＜ステップ５０１＞販売実績・販売予測データの取り込
み 記憶装置４に格納されている販売実績情報テーブル２０
０及び販売予測情報テーブル３００からそれぞれ予測対
象製品の販売実績データ及び販売予測データを取り込
み、図６に示す形式の評価対象データテーブル６００に
格納する。 ＜ステップ５０２＞予測誤差の算出 評価対象データテーブル６００に格納された販売実績及
び販売予測データをもとに、需要予測モデル自体に内在
する誤差である定常誤差と需要予測モデル構築時には考
慮できない因子による誤差である撹乱誤差とを算出す
る。その具体的な処理手順を図７のフローチャートに沿
って説明する。まず、ステップ７０１では評価対象デー
タテーブル６００をもとに評価期間における評価時点ｔ
の販売実績値Ｊ(t)と販売予測の期待値Ｙe(t)から両者
の差異量を示す期待値誤差Ｇe(t)（図８(a)）を次式で
算出する。 Ｇe(t) ＝ Ｊ(t)−Ｙe(t) ステップ７０２では期待値誤差Ｇe(t)の正負を判定し、
０以上ならばステップ７０３に進み、負ならばステップ
７０７に進む。ステップ７０３では販売実績値Ｊ(t)と
販売予測の信頼限界の上限値Ｙu(t)から両者の差異量を
示す信頼限界上限値誤差Ｇu(t)（図８(b)）を次式で算
出する。 Ｇu(t) ＝ Ｊ(t)−Ｙu(t) ステップ７０４では信頼限界上限値誤差Ｇu(t)の正負を
判定し、０以下ならばステップ７０５に進み、正ならば
ステップ７０６に進む。ステップ７０５では時点ｔの定
常誤差Ｔ(t)及び撹乱誤差Ｋ(t)を次式で算出し、ステッ
プ７１１に進む。 Ｔ(t) ＝ Ｇe(t) Ｋ(t) ＝ ０ ステップ７０６では時点ｔの定常誤差Ｔ(t)及び撹乱誤
差Ｋ(t)を次式で算出し、ステップ７１１に進む。 Ｔ(t) ＝ Ｙu(t)−Ｙe(t) Ｋ(t) ＝ Ｇu(t) ステップ７０７では販売実績値Ｊ(t)と販売予測の信頼
限界の下限値Ｙl(t)から両者の差異量を示す信頼限界下
限値誤差Ｇl(t)（図８(b)）を次式で算出する。 Ｇl(t) ＝ Ｊ(t)−Ｙｌ（ｔ） ステップ７０８では信頼限界下限値誤差Ｇｌ（ｔ）の正
負を判定し、０以上ならばステップ７０９に進み、負な
らばステップ７１０に進む。ステップ７０９では時点ｔ
の定常誤差Ｔ(t)及び撹乱誤差Ｋ(t)を次式で算出し、ス
テップ７１１に進む。 Ｔ(t) ＝ Ｇe(t) Ｋ(t) ＝ ０ ステップ７１０では時点ｔの定常誤差Ｔ(t)及び撹乱誤
差Ｋ(t)を次式で算出し、ステップ７１１に進む。 Ｔ(t) ＝ Ｙl(t)−Ｙe(t) Ｋ(t) ＝ Ｇl(t) ステップ７１１では時点ｔの定常誤差Ｔ(t)及び撹乱誤
差Ｋ(t)の算出結果を図９に示す形式の予測誤差テーブ
ル９００に格納する。ステップ７１２では評価期間の評
価時点が評価期間テーブル４００の最遅時点に達したか
を判定し、それが成立するならば本ステップを終了し、
否成立ならばステップ７１３で評価時点ｔを更新してス
テップ７０１に戻る。 ＜ステップ５０３＞予測誤差傾向判定情報の作成 予測誤差テーブル７００の定常誤差及び撹乱誤差の時系
列データから予測誤差の傾向特性を定式化する。ここで
は、図１０に示すような定常誤差Ｔ(t)及び撹乱誤差Ｋ
(t)の時系列データの傾向特性を定式化するため、下記
に示す一次式のパラメータを推定する。 Ｔ(t)＝ＡT・t＋ＢT Ｋ(t)＝ＡK・t＋ＢK 但し、ＡT：定常誤差Ｔ(t)の傾きを示すパタメータ ＢT： 〃 の切片を 〃 ＡK：撹乱誤差Ｋ(t)の傾きを示すパタメータ ＢK： 〃 の切片を 〃 この結果を図１１に示す予測誤差特性判定情報テーブル
１１００に格納する。なお、パラメータの推定方法につ
いては最小自乗法といった確立された技法を適用すれば
良い。従って、本処理は容易類推の範疇であるため、こ
こでの詳細な説明は省略する。＜ステップ５０４＞撹乱
誤差傾向の判定 予測誤差傾向判定情報テーブル１１００に格納されてい
る撹乱誤差の一次式のパラメータＡK，ＢKが共に正また
はＡK，ＢKが共に負の場合にはステップ５０５に進み、
その他の場合にはステップ５０６に進む。 ＜ステップ５０５＞予測モデル見直し情報の設定 予測モデルが需要変動特性に対し適応力が無いと評価
し、その結果を図１２に示す予測モデル評価結果テーブ
ル１２００に格納してステップ５０９に進む。 ＜ステップ５０６＞定常誤差傾向の判定 予測誤差傾向判定情報テーブル１１００に格納されてい
る定常誤差の一次式のパラメータＡT，ＢTが共に正また
はＡT，ＢTが共に負の場合にはステップ５０７に進み、
その他の場合にはステップ５０８に進む。 ＜ステップ５０７＞予測モデル警告情報の設定 予測モデルが需要変動特性に対し適応力が低下傾向にあ
ると評価し、その結果を予測モデル評価結果テーブル１
２００に格納してステップ５０９に進む。 ＜ステップ５０８＞予測モデル良好情報の設定 予測モデルが需要変動特性に対し適応力があると評価
し、その結果を予測モデル評価結果テーブル１２００に
格納してステップ５０９に進む。 ＜ステップ５０９＞予測モデル評価結果の出力 予測モデル評価結果テーブル１２００の内容を出力装置
２に出力する。具体的には図１３のように定常誤差及び
撹乱誤差の傾向をグラフ化した予測誤差特性出力領域１
３０１と予測モデルの妥当性をコメント出力する予測モ
デル評価結果出力領域１３０２を中心に画面を構成す
る。なお、同図は撹乱誤差の増加のため予測モデルを見
直すべきと評価した一例を示している。 ＜ステップ５１０＞予測モデル評価処理の終了判定 評価対象とする予測モデルの評価が完了したならば本ス
テップを終了し、未完ならばステップ５０１に戻る。以
上のような処理ステップにより、モデル自体に内在する
定常誤差とモデル構築時には考慮できない因子による撹
乱誤差とで的確に予測誤差を捉えらる。これにより、需
要予測モデルの見直し時期の適正化と需要予測モデルの
見直し作業の効率化が期待できる。
いて詳細に説明する。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（本実施
例では販売量を需要量と見做す）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、図
３に示すように予測対象製品名称記憶欄３０１と需要予
測モデルにより予測対象製品の販売量を予測した際の期
待値を示す期待値データ欄３０２、予測の信頼限界の上
限値を示す信頼限界上限値データ欄３０３、予測の信頼
限界の下限値を示す信頼限界下限値データ欄３０４とを
有する販売予測情報テーブル３００、入力装置１から入
力された需要予測モデルの評価期間を示す図４の形式の
評価期間テーブル４００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
に基づき需要予測モデルの予測精度を評価する需要予測
モデル評価機能７から成る。以下、図５のフローチャー
トに沿って本発明の中心である需要予測モデル評価機能
７の処理動作および情報の伝達動作を説明する。なお、
本実施例で用いる需要予測モデルは製品別に設定されて
おり、また、それぞれの予測モデルはモデル構造、構造
パラメータが適正化されていることを前提にする。 ＜ステップ５０１＞販売実績・販売予測データの取り込
み 記憶装置４に格納されている販売実績情報テーブル２０
０及び販売予測情報テーブル３００からそれぞれ予測対
象製品の販売実績データ及び販売予測データを取り込
み、図６に示す形式の評価対象データテーブル６００に
格納する。 ＜ステップ５０２＞予測誤差の算出 評価対象データテーブル６００に格納された販売実績及
び販売予測データをもとに、需要予測モデル自体に内在
する誤差である定常誤差と需要予測モデル構築時には考
慮できない因子による誤差である撹乱誤差とを算出す
る。その具体的な処理手順を図７のフローチャートに沿
って説明する。まず、ステップ７０１では評価対象デー
タテーブル６００をもとに評価期間における評価時点ｔ
の販売実績値Ｊ(t)と販売予測の期待値Ｙe(t)から両者
の差異量を示す期待値誤差Ｇe(t)（図８(a)）を次式で
算出する。 Ｇe(t) ＝ Ｊ(t)−Ｙe(t) ステップ７０２では期待値誤差Ｇe(t)の正負を判定し、
０以上ならばステップ７０３に進み、負ならばステップ
７０７に進む。ステップ７０３では販売実績値Ｊ(t)と
販売予測の信頼限界の上限値Ｙu(t)から両者の差異量を
示す信頼限界上限値誤差Ｇu(t)（図８(b)）を次式で算
出する。 Ｇu(t) ＝ Ｊ(t)−Ｙu(t) ステップ７０４では信頼限界上限値誤差Ｇu(t)の正負を
判定し、０以下ならばステップ７０５に進み、正ならば
ステップ７０６に進む。ステップ７０５では時点ｔの定
常誤差Ｔ(t)及び撹乱誤差Ｋ(t)を次式で算出し、ステッ
プ７１１に進む。 Ｔ(t) ＝ Ｇe(t) Ｋ(t) ＝ ０ ステップ７０６では時点ｔの定常誤差Ｔ(t)及び撹乱誤
差Ｋ(t)を次式で算出し、ステップ７１１に進む。 Ｔ(t) ＝ Ｙu(t)−Ｙe(t) Ｋ(t) ＝ Ｇu(t) ステップ７０７では販売実績値Ｊ(t)と販売予測の信頼
限界の下限値Ｙl(t)から両者の差異量を示す信頼限界下
限値誤差Ｇl(t)（図８(b)）を次式で算出する。 Ｇl(t) ＝ Ｊ(t)−Ｙｌ（ｔ） ステップ７０８では信頼限界下限値誤差Ｇｌ（ｔ）の正
負を判定し、０以上ならばステップ７０９に進み、負な
らばステップ７１０に進む。ステップ７０９では時点ｔ
の定常誤差Ｔ(t)及び撹乱誤差Ｋ(t)を次式で算出し、ス
テップ７１１に進む。 Ｔ(t) ＝ Ｇe(t) Ｋ(t) ＝ ０ ステップ７１０では時点ｔの定常誤差Ｔ(t)及び撹乱誤
差Ｋ(t)を次式で算出し、ステップ７１１に進む。 Ｔ(t) ＝ Ｙl(t)−Ｙe(t) Ｋ(t) ＝ Ｇl(t) ステップ７１１では時点ｔの定常誤差Ｔ(t)及び撹乱誤
差Ｋ(t)の算出結果を図９に示す形式の予測誤差テーブ
ル９００に格納する。ステップ７１２では評価期間の評
価時点が評価期間テーブル４００の最遅時点に達したか
を判定し、それが成立するならば本ステップを終了し、
否成立ならばステップ７１３で評価時点ｔを更新してス
テップ７０１に戻る。 ＜ステップ５０３＞予測誤差傾向判定情報の作成 予測誤差テーブル７００の定常誤差及び撹乱誤差の時系
列データから予測誤差の傾向特性を定式化する。ここで
は、図１０に示すような定常誤差Ｔ(t)及び撹乱誤差Ｋ
(t)の時系列データの傾向特性を定式化するため、下記
に示す一次式のパラメータを推定する。 Ｔ(t)＝ＡT・t＋ＢT Ｋ(t)＝ＡK・t＋ＢK 但し、ＡT：定常誤差Ｔ(t)の傾きを示すパタメータ ＢT： 〃 の切片を 〃 ＡK：撹乱誤差Ｋ(t)の傾きを示すパタメータ ＢK： 〃 の切片を 〃 この結果を図１１に示す予測誤差特性判定情報テーブル
１１００に格納する。なお、パラメータの推定方法につ
いては最小自乗法といった確立された技法を適用すれば
良い。従って、本処理は容易類推の範疇であるため、こ
こでの詳細な説明は省略する。＜ステップ５０４＞撹乱
誤差傾向の判定 予測誤差傾向判定情報テーブル１１００に格納されてい
る撹乱誤差の一次式のパラメータＡK，ＢKが共に正また
はＡK，ＢKが共に負の場合にはステップ５０５に進み、
その他の場合にはステップ５０６に進む。 ＜ステップ５０５＞予測モデル見直し情報の設定 予測モデルが需要変動特性に対し適応力が無いと評価
し、その結果を図１２に示す予測モデル評価結果テーブ
ル１２００に格納してステップ５０９に進む。 ＜ステップ５０６＞定常誤差傾向の判定 予測誤差傾向判定情報テーブル１１００に格納されてい
る定常誤差の一次式のパラメータＡT，ＢTが共に正また
はＡT，ＢTが共に負の場合にはステップ５０７に進み、
その他の場合にはステップ５０８に進む。 ＜ステップ５０７＞予測モデル警告情報の設定 予測モデルが需要変動特性に対し適応力が低下傾向にあ
ると評価し、その結果を予測モデル評価結果テーブル１
２００に格納してステップ５０９に進む。 ＜ステップ５０８＞予測モデル良好情報の設定 予測モデルが需要変動特性に対し適応力があると評価
し、その結果を予測モデル評価結果テーブル１２００に
格納してステップ５０９に進む。 ＜ステップ５０９＞予測モデル評価結果の出力 予測モデル評価結果テーブル１２００の内容を出力装置
２に出力する。具体的には図１３のように定常誤差及び
撹乱誤差の傾向をグラフ化した予測誤差特性出力領域１
３０１と予測モデルの妥当性をコメント出力する予測モ
デル評価結果出力領域１３０２を中心に画面を構成す
る。なお、同図は撹乱誤差の増加のため予測モデルを見
直すべきと評価した一例を示している。 ＜ステップ５１０＞予測モデル評価処理の終了判定 評価対象とする予測モデルの評価が完了したならば本ス
テップを終了し、未完ならばステップ５０１に戻る。以
上のような処理ステップにより、モデル自体に内在する
定常誤差とモデル構築時には考慮できない因子による撹
乱誤差とで的確に予測誤差を捉えらる。これにより、需
要予測モデルの見直し時期の適正化と需要予測モデルの
見直し作業の効率化が期待できる。
【発明の効果】本発明によれば、需要予測モデルの見直
し時期の適正化、需要予測モデルの見直し作業の効率化
が図れるようになる。これにより、正確性、持続性の高
い需要予測の実現が期待できる。
し時期の適正化、需要予測モデルの見直し作業の効率化
が図れるようになる。これにより、正確性、持続性の高
い需要予測の実現が期待できる。
【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】予測対象製品に関する販売予測情報テーブルの
構成図である。
構成図である。
【図４】需要予測モデル評価期間テーブルの構成図であ
る。
る。
【図５】需要予測モデル評価方法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。
の伝達動作を説明するための図である。
【図６】評価対象データテーブルの構成図である。
【図７】予測誤差の算出手順を示すフローチャートであ
る。
る。
【図８】予測誤差の算出過程を説明するための図であ
る。
る。
【図９】予測誤差テーブルの構成図である。
【図１０】予測誤差の傾向特性を説明するための図であ
る。
る。
【図１１】予測誤差傾向判定情報テーブルの構成図であ
る。
る。
【図１２】予測モデル評価結果テーブルの構成図であ
る。
る。
【図１３】予測モデル評価結果の出力画面の一例を示す
図である。
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…予測モデル評価機能、 ５０２…予
測誤差の算出、５０３…予測誤差傾向判定情報の作成。
…演算装置、７…予測モデル評価機能、 ５０２…予
測誤差の算出、５０３…予測誤差傾向判定情報の作成。
Claims (6)
- 【請求項１】入力装置、出力装置、製品の需要実績に関
する情報の記憶領域及び製品の需要予測の期待値とその
信頼限界に関する情報の記憶領域を含む記憶装置並びに
前記記憶装置内の情報をもとに前記入力装置から入力さ
れた評価期間における需要予測用予測モデルの予測誤差
を算出する演算装置を有する計算機を用いた需要予測モ
デル評価方法において、前記評価期間における需要実績
値と需要予測値を取り込み、需要予測モデル自体に内在
する誤差である定常誤差と需要予測モデル構築時には考
慮できない因子による誤差である撹乱誤差から前記需要
実績値と前記需要予測値との予測誤差を求め、前記予測
誤差の時系列推移特性に応じて需要予測モデルの適用妥
当性を評価し、前記評価の結果を前記出力装置に出力す
ることを特徴とする需要予測モデル評価方法。 - 【請求項２】請求項１記載の需要予測モデル評価方法に
おいて、需要実績値から需要予測値を減じた差異が正で
かつ需要実績値が需要予測の期待値の信頼限界上限値よ
り小さいならば前記差異を定常誤差とし、需要実績値か
ら需要予測値を減じた差異が正でかつ需要実績値が需要
予測の期待値の信頼限界上限値より大きいならば需要実
績値から需要予測の期待値の信頼限界上限値を減じた差
異を撹乱誤差、信頼限界上限値から期待値を減じた差異
を定常誤差とすることを特徴とする需要予測モデル評価
方法。 - 【請求項３】請求項１記載の需要予測モデル評価方法に
おいて、需要実績値から需要予測値を減じた差異が負で
かつ需要実績値が需要予測の期待値の信頼限界下限値よ
り大きいならば前記差異を定常誤差とし、需要実績値か
ら需要予測値を減じた差異が負でかつ需要実績値が需要
予測の期待値の信頼限界下限値より小さいならば需要実
績値から需要予測の期待値の信頼限界下限値を減じた差
異を撹乱誤差、信頼限界下限値から期待値を減じた差異
を定常誤差とすることを特徴とする需要予測モデル評価
方法。 - 【請求項４】請求項１記載の需要予測モデル評価方法に
おいて、予測誤差の構成要素である定常誤差の時系列推
移が増加傾向にある時は需要予測モデルの妥当性が低下
傾向にあると評価することを特徴とする需要予測モデル
評価方法。 - 【請求項５】請求項１記載の需要予測モデル評価方法に
おいて、予測誤差の構成要素である撹乱誤差の時系列推
移が増加傾向にある時は需要予測モデルの見直しが必要
であると評価することを特徴とする需要予測モデル評価
方法。 - 【請求項６】請求項１記載の需要予測モデル評価方法に
おいて、定常誤差・撹乱誤差の時系列推移及び需要予測
モデルの適用妥当性の評価結果を出力装置の同一画面上
に出力することを特徴とする需要予測モデル評価方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP33644095A JPH09179850A (ja) | 1995-12-25 | 1995-12-25 | 需要予測モデル評価方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP33644095A JPH09179850A (ja) | 1995-12-25 | 1995-12-25 | 需要予測モデル評価方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH09179850A true JPH09179850A (ja) | 1997-07-11 |
Family
ID=18299166
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP33644095A Pending JPH09179850A (ja) | 1995-12-25 | 1995-12-25 | 需要予測モデル評価方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH09179850A (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002251512A (ja) * | 2001-02-26 | 2002-09-06 | Sintokogio Ltd | 部品販売予測管理システム及び部品販売予測管理方法 |
| JP2009043292A (ja) * | 2008-11-25 | 2009-02-26 | Nomura Research Institute Ltd | 商品需要予測システムおよび年末年始の商品需要予測システム |
| 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 |
| CN103699803A (zh) * | 2013-12-31 | 2014-04-02 | 北京农业信息技术研究中心 | 一种基于多光谱遥感信息的区域作物养分管理方法 |
| CN110727263A (zh) * | 2019-10-31 | 2020-01-24 | 南方电网调峰调频发电有限公司 | 一种设备动作顺序异常及监控信号抖动状态的检修方法 |
| WO2021241938A1 (ko) * | 2020-05-27 | 2021-12-02 | 삼성전자(주) | 전자장치 및 그 제어방법 |
| WO2023181230A1 (ja) * | 2022-03-24 | 2023-09-28 | 日本電気株式会社 | モデル分析装置、モデル分析方法、及び、記録媒体 |
-
1995
- 1995-12-25 JP JP33644095A patent/JPH09179850A/ja active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002251512A (ja) * | 2001-02-26 | 2002-09-06 | Sintokogio Ltd | 部品販売予測管理システム及び部品販売予測管理方法 |
| JP2009043292A (ja) * | 2008-11-25 | 2009-02-26 | Nomura Research Institute Ltd | 商品需要予測システムおよび年末年始の商品需要予測システム |
| 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 |
| CN103699803A (zh) * | 2013-12-31 | 2014-04-02 | 北京农业信息技术研究中心 | 一种基于多光谱遥感信息的区域作物养分管理方法 |
| CN110727263A (zh) * | 2019-10-31 | 2020-01-24 | 南方电网调峰调频发电有限公司 | 一种设备动作顺序异常及监控信号抖动状态的检修方法 |
| CN110727263B (zh) * | 2019-10-31 | 2021-02-26 | 南方电网调峰调频发电有限公司 | 一种设备动作顺序异常及监控信号抖动状态的检修方法 |
| WO2021241938A1 (ko) * | 2020-05-27 | 2021-12-02 | 삼성전자(주) | 전자장치 및 그 제어방법 |
| US11561518B2 (en) | 2020-05-27 | 2023-01-24 | Samsung Electronics Co., Ltd. | Electronic apparatus and control method thereof |
| WO2023181230A1 (ja) * | 2022-03-24 | 2023-09-28 | 日本電気株式会社 | モデル分析装置、モデル分析方法、及び、記録媒体 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2020500420A (ja) | マシンラーニング基盤の半導体製造の収率予測システム及び方法 | |
| WO2021042924A1 (zh) | 巡检机器人、巡检系统、巡检方法 | |
| JPH1074188A (ja) | データ学習装置およびプラント制御装置 | |
| JP2000011005A (ja) | データ分析方法及び装置及びデータ分析プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
| JP2008021296A (ja) | テスト計画支援装置およびテスト計画支援プログラム | |
| CN110704929A (zh) | 基于bim+gis与案例推理的绿色建筑辅助优化系统 | |
| CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
| JP2020064479A (ja) | 探索装置 | |
| US20070233532A1 (en) | Business process analysis apparatus | |
| JPH09179850A (ja) | 需要予測モデル評価方法 | |
| US7412430B1 (en) | Determining the quality of computer software | |
| CN117332490A (zh) | 按项目业态自动计算bim构件碳排的方法、系统及设备 | |
| JPH09256338A (ja) | 河川水位予測装置 | |
| CN104850711B (zh) | 一种机电产品设计标准选择方法 | |
| CN115841343B (zh) | 一种销售额度的确定方法及装置 | |
| CN109388385B (zh) | 用于应用开发的方法和装置 | |
| CN116611493A (zh) | 基于贪心式搜索的硬件感知混合精度量化方法及系统 | |
| JP2006350883A (ja) | 知識データベースを利用した需要予測値自動判定システムおよびそれに用いられる需要予測値自動判定プログラム並びにそのプログラムが記録された記録媒体 | |
| JP2005063208A (ja) | ソフトウェア信頼度成長モデル選択方法、ソフトウェア信頼度成長モデル選択装置、ソフトウェア信頼度成長モデル選択プログラム、およびプログラム記録媒体 | |
| Ahmad | Designing accelerated life tests for generalised exponential distribution with log-linear model | |
| US20210049417A1 (en) | Learning processing device, data analysis device, analytical procedure selection method, and recording medium | |
| JPH09293092A (ja) | 電子回路のモデル化方法及び電子回路のシミュレーション方法 | |
| Zhang et al. | A monitoring and prediction model of workflow based self-adaptive software system | |
| JP2005258717A (ja) | 制御装置のパラメータ設定方法及び装置並びにプログラム | |
| CN112541628B (zh) | 一种多模型耦合驱动的高炉煤气产生量预测方法及系统 |