JPH10124478A - セグメント生成型予測モデル構築装置及びその方法 - Google Patents

Abstract

(57)【要約】 【課題】 属性によって標本をセグメントに分類し、各
セグメントの標本群に精度良く適合する予測モデルが存
在し、かつ、その予測モデルが適応性・一般性を具備す
るセグメント生成型予測モデル構築装置及びその方法を
提供する。 【解決手段】 入力手段２と、遺伝的アルゴリズムによ
るセグメント進化と生成とを行うセグメント進化生成手
段５と、進化生成されたセグメントの評価を行うセグメ
ント評価手段６と、進化生成されたセグメントから次の
世代進化の親セグメントを選択するセグメント選択手段
７と、セグメント進化の効果を評価してセグメント進化
の推進停止を判断制御する進化判断制御手段８と、出力
手段４と、を備えた。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、複数の属性の組合
せによって様々な動向や傾向を示すものの将来の動向や
傾向を予測するために、予測対象物の過去の実績データ
を標本とし、それら標本を属性によってグループ（本明
細書では所定の属性によって特徴づけられた標本のグル
ープという意味で以下区別してセグメントということと
する）に分け、各セグメントに最適な予測モデルを推定
し、かつ、予測モデルの適合性および適応性がもっとも
高いレベルでバランスするセグメントを自動的に求める
セグメント生成型予測モデル構築装置及びその方法に関
する。

【０００２】なお、上記セグメント生成型予測モデル構
築装置およびその方法は、多数の属性によって様々な種
類やバリエーションを有する「商品」の「需要予測」に
適用でき、かつ、商品の需要予測を例に説明すれば理解
が容易なので、以下本明細書では商品の需要予測を例に
説明する。

【０００３】

【従来の技術】商品の売行きは、種々の要因によって影
響される。これらの要因には、商品そのものが有する性
質と、商品を取り巻く外的条件の二種類がある。

【０００４】商品そのものが有する性質とは、たとえば
商品の色、形、価格など、その商品が本来的に固有する
もので、それにより他の商品と区別されるものである。
また、商品を取り巻く外的条件とは、たとえば商品にか
ける宣伝広告費、商品の販売時期、商品の購買層、流行
など間接的に商品の売行きに影響を与えるものである。

【０００５】上記商品の性質と商品の外的条件は、いず
れも商品の売行きに関係してそれに影響を与えるので、
これらをまとめて本明細書では「商品の属性」と呼ぶ。

【０００６】ある商品の売行きが好調という現象は、多
くの需要者が、その商品が有する多数の属性のうち、所
定の属性あるいは所定の複数の属性の組合せによって、
購買意欲をかきたてられ、実際にその商品を購入する行
為を実行することによって生じる。

【０００７】もっとも、上記商品の属性は、一つの商品
に多数存在し、また目に見える属性ばかりではないの
で、商品の販売と購買に際しては、販売者も需要者も購
買の動機になった商品の属性、あるいはそれらの組合せ
を明確に認識しないことも多い。

【０００８】このため、ある商品が好調な売行きを示し
ている場合、商品の売行きが好調な原因、すなわち、商
品の売行きを好調にさせている支配的な商品の属性を客
観的に把握できないことが多いのである。

【０００９】上記事情により、従来行われていた商品の
需要予測は、予測しようとする商品の売行きに大きな影
響を与える属性を客観的かつ明確に把握できないまま、
人間の経験と勘によって行われていたものが大多数であ
った。

【００１０】たとえば、従来は、過去の商品の売上げデ
ータを蓄積し、下記の表１のように分類し、この表を参
照するだけで商品の予測をしていた。

【００１１】

【表１】 具体的には、表１の商品属性から新規に売り出す商品と
同一あるいは類似の商品を検索し、検索された同一ある
いは類似商品の過去の需要量の時系列データからその商
品の将来の需要を予測していた。

【００１２】この際の需要予測の方法としては、需要量
の推移から経験と勘によって予測する方法、あるいは、
移動平均法、自己回帰法、自己回帰移動平均法などの時
系列予測の方法が主であった。

【００１３】ここで、移動平均法とは、１年の間の季節
変動（たとえば、季節による需要の変動、ボーナス月の
一時的な需要の高騰など）の影響をなくし、商品の恒常
的な需要の推移等を観察し、あるいは将来予測する方法
である。

【００１４】たとえば、ある商品の１９８５年から１９
９５年の月次データから、その季節変動をなくした需要
の推移を求めるには、１９８５年１月〜１９８５年１２
月の平均値を１９８５年の６．５月の季節調整値、次に
１期ずらした１９８５年２月〜１９８６年１月の平均値
を１９８５年の７．５月の季節調整値、というように次
々に季節調整値を求め、さらに、隣接する２つの季節調
整値の中心値を求めることにより（移動平均値の中心
化）、この商品の移動平均を求めることができる。

【００１５】この移動平均は、局所的な季節変動をなく
したその商品の安定的な需要推移を示しており、この需
要推移から回帰分析等の手法によって将来の需要予測を
行うことができる。

【００１６】自己回帰法は、たとえば月ごとに商品の売
上げ等のデータを取得し、ある月の売上げは、その前月
（あるいはその前の数月）の売上げにある係数をかけた
ものと、定数と、時間の確率的関数であるホワイト・ノ
イズとの和であるとし、上記商品の売上げデータの全体
に適合する係数、定数、ホワイト・ノイズを求めること
によって将来の商品売上げを予測する方法である。

【００１７】また、自己回帰移動平均法は、上記自己回
帰法と移動平均法とを組み合わせたもので、季節調整し
た移動平均値について自己回帰法によって将来の予測を
行うものである。

【００１８】なお、経験による需要予測方法は、販売者
や製造者が過去の実績に基づき、多少の変動要素を勘に
よって加える方法で、種々のノウハウがあるものの、客
観的な根拠や基準を求めることは難しい。

【００１９】

【発明が解決しようとする課題】上述したことを要約す
ると、従来はある商品の将来の需要予測をする場合、そ
の商品と同一あるいは類似する商品の過去の実績から、
上記いずれかの予測方法によって将来の需要予測を行っ
ていた。

【００２０】しかし、全く同一属性の商品の需要予測を
行う場合は従来の方法によっても比較的精度が高い予測
を行えるものの、類似商品の需要予測を行う場合、ある
いはある特定の属性を特徴とする新商品の需要予測をす
る場合は、問題を生じる。

【００２１】これは、一般に一つの商品は非常に多くの
属性を有しており、ある商品の将来の需要予測を行う場
合は、どの属性を予測の支配的要因にするか判断が困難
なことに原因がある。

【００２２】たとえば、類似商品といっても、形状が類
似する商品の実績データを用いるのか、あるいは商品イ
メージ（ブランド等）が類似する商品の実績データを用
いるのか、あるいは宣伝広告の方法が類似する商品の実
績データを用いるのかにより、需要予測は大きく異なっ
た結果となる。上記いずれの商品属性を売上げに支配的
な属性とするかは、実際には判断が非常に難しいのであ
る。

【００２３】また、同一商品でも、宣伝広告の方法のよ
うな目にみえない属性によって大きく売上げが左右され
ることもある。まして、商品の売行きに影響する商品の
属性は、上記のような単一のものではなく、複数の属性
の組合せからなるのが通常であるので、ある商品の将来
の需要予測を行うときに、その商品から売上げに支配的
な商品属性を抽出し、その商品属性に基づいて過去の実
績データから適当な予測モデルを特定することはほとん
ど不可能であった。

【００２４】このため、従来はすでに説明したように、
過去の実績データのうち、同一又は類似の商品の実績デ
ータを参照し、その過去の実績データとの差異を人間の
勘によって加味して将来の需要予測を行っていたが、そ
の判断の基礎にする実績データの選定やその実績データ
との差異に何ら客観的な根拠や評価を与えることはでき
なかった。このような商品予測には何も保証がなかっ
た。

【００２５】上記商品の売行きに対する支配的な属性を
特定する一つの方法として、アンケート調査が従来から
行われていた。しかし、アンケート調査等による方法
は、時間と手間と経費がかかる割には、把握できる商品
の範囲が限られるので、数千あるいは数万種類に及ぶ商
品全般についてアンケート調査をすることは不可能であ
った。

【００２６】そこで、本発明が解決しようとする課題
は、上記商品とその需要予測に限らず、所定の属性を有
する予測対象物の過去の実績データ（標本データ）か
ら、属性によって標本をセグメントに分類し、各セグメ
ントに最適な予測モデルを推定し、かつ、予測モデルの
適合性と適応性がもっとも高いレベルでバランスするセ
グメントを自動的に求める装置と方法を提供することに
ある。

【００２７】

【課題を解決するための手段】本願請求項１に係るセグ
メント生成型予測モデル構築装置は、ユーザーの命令、
予測モデル候補、標本データ、予測モデルの評価基準、
セグメント選択条件、進化推進停止条件を入力可能な入
力手段と、遺伝的アルゴリズムによるセグメント進化の
初期セグメントの生成と、親セグメントから子セグメン
トへの進化とを行うセグメント進化生成手段と、前記セ
グメント進化生成手段によって生成されたセグメントに
ついて前記予測モデル評価基準に基づいて評価を行うセ
グメント評価手段と、前記セグメント評価手段によって
評価されたセグメントから、前記セグメント選択条件に
基づいて次の世代進化の親セグメントを選択するセグメ
ント選択手段と、前記進化推進停止条件に基づいてセグ
メント進化の効果を評価してセグメント進化の推進ある
いは停止を判断および制御する進化判断制御手段と、前
記進化判断制御手段によって進化が停止されたときに、
最適セグメントと予測モデルとを出力する出力手段と、
からなることを特徴とするものである。

【００２８】本願請求項２に係るセグメント生成型予測
モデル構築装置は、ユーザーの命令、標本データを入力
する入力手段と、予測モデル候補、予測モデルの評価基
準、セグメント選択条件、進化推進停止条件を格納した
記憶手段と、遺伝的アルゴリズムによるセグメント進化
の初期セグメントの生成と、親セグメントから子セグメ
ントへの進化とを行うセグメント進化生成手段と、前記
セグメント進化生成手段によって生成されたセグメント
について前記予測モデル評価基準に基づいて評価を行う
セグメント評価手段と、前記セグメント評価手段によっ
て評価されたセグメントから、前記セグメント選択条件
に基づいて次の世代進化の親セグメントを選択するセグ
メント選択手段と、前記進化推進停止条件に基づいてセ
グメント進化の効果を評価してセグメント進化の推進あ
るいは停止を判断および制御する進化判断制御手段と、
前記進化判断制御手段によって進化が停止されたとき
に、最適セグメントと予測モデルとを出力する出力手段
と、からなることを特徴とするものである。

【００２９】本願請求項３に係るセグメント生成型予測
モデル構築方法は、標本データに基づいて各標本の属性
をすべて含む初期セグメントを生成し、前記各初期セグ
メントに最適な予測モデルを特定して評価値を算出し、
次に、前記初期セグメントを親セグメントとし、親セグ
メントの所定の属性を他の属性に置き換えて子セグメン
トを生成する進化を行い、次に、前記子セグメントを評
価して評価値の高い子セグメントを選択して次の世代進
化の親セグメントとし、次に、前記セグメント進化の効
果を評価し、次のセグメント進化によって予測モデルの
評価値が向上すると判断した場合は、前記セグメントの
進化と評価と選択とセグメント進化の効果の評価からな
る処理を繰り返し、次のセグメント進化によって予測モ
デルの評価値が向上が望めないと判断した場合は、それ
までの最適なセグメントと予測モデルとを出力すること
を特徴とするものである。

【００３０】本願請求項４に係るセグメント生成型予測
モデル構築方法は、上記請求項３の方法において、前記
初期セグメントを親セグメントとし、親セグメントの所
定の属性を他の属性に置き換えて子セグメントを生成す
る進化の処理において、セグメント進化の初期の段階で
は所定の属性を任意の属性に置き換え、セグメント進化
の後期の段階では、任意の属性に加えて突然変異として
元の属性と異なる属性を置き換えるようにしたことを特
徴とするものである。

【００３１】本願請求項５に係るセグメント生成型予測
モデル構築方法は、上記請求項３の方法において、前記
子セグメントを評価して評価値の高い子セグメントを選
択して次の世代進化の親セグメントとする処理におい
て、同一の標本が複数のセグメントに重複して包含され
る場合に、包含されるセグメントのうち該標本に対して
高い予測精度で適合する予測モデルを有するセグメント
を優先的に選択することを特徴とするものである。

【００３２】

【発明の実施の形態】次に本発明の実施の形態について
願書に添付した図面を用いて以下に説明する。図１は、
本発明によるセグメント生成型予測モデル構築装置の一
実施形態による構成とそれらの構成要素の相互の関係を
示したものである。これに対して、図２は、図１のセグ
メント生成型予測モデル構築装置による予測モデル構築
方法の処理の流れを示したものである。これら図１と図
２とを参照しながら本実施形態によるセグメント生成型
予測モデル構築装置の構成およびその処理の流れを以下
に説明する。

【００３３】図１に示すように、本実施形態によるセグ
メント生成型予測モデル構築装置１は、入力手段２と、
予測モデル構築エンジン３と、出力手段４とからなる。
さらに上記予測モデル構築エンジン３は、セグメント進
化生成手段５と、セグメント評価手段６と、セグメント
選択手段７と、進化判断制御手段８とからなる。

【００３４】上記入力手段２は、セグメント生成型予測
モデル構築装置１に対するユーザーの命令、予測モデル
の候補、予測モデルを特定するための目標となる実績デ
ータ（ティーチングデータまたは標本データ）、予測モ
デルの評価基準、セグメントの選択条件、進化の推進停
止条件などを入力するための手段である。この入力手段
２は、具体的にはキーボード、ポインティングデバイ
ス、タッチパネル等を含む公知の任意の入力装置からな
る。

【００３５】予測モデル構築エンジン３は、予め与えら
れた条件に対して遺伝的アルゴリズムにより、その条件
に対する最適なセグメントとその予測モデルとを推定す
る推論エンジンである。

【００３６】ここで、遺伝的アルゴリズムとは、環境に
適応するための生物の遺伝子の進化をコンピュータの最
適化問題に応用したものであって、適合すべき条件（環
境）を与え、その条件に適合すべき個体をその属性の配
列（遺伝子）によって表現した上で、親となる個体か
ら子となる個体の生成（進化）、環境に対する適応度
の評価（評価）、環境に適応する個体の選択（淘
汰）、の３つの処理からなる世代進化を繰り返すことに
より、最初に与えた条件に最適な個体（解）を特定する
方法である。

【００３７】上記遺伝的アルゴリズムによる処理を行う
ために、本実施形態のセグメント進化生成手段５は、進
化の最初においては属性の組合せからなる最初の親セグ
メント（初期セグメント）を生成し、進化の途中におい
ては属性の入れ替えによって親セグメントから子セグメ
ントを生成する。この進化の具体的な方法については、
後にさらに説明する。

【００３８】セグメント評価手段６は、進化によって生
成された各セグメントに属する標本データをそれぞれ抽
出し、各標本データ群に最も適合する予測モデルを係数
等を含めて特定し、さらにその予測モデルに対する評価
値を算出して当該セグメントの適応度とする。

【００３９】セグメント選択手段７は、上記セグメント
評価手段６による評価に従って適応度の高いセグメント
から所定数のセグメントを選択して次世代の進化の親セ
グメントとする。また、進化の途中では、一つの標本が
複数のセグメントに属する場合が予想されるので、この
場合は標本データが属する複数のセグメントの中、最も
予測精度の高い予測モデルを有するセグメントを残す処
理を行う。

【００４０】進化判断制御手段８は、セグメントの進化
によって全体として予測モデルの評価値が安定的に向上
しており、かつ、標本群の分布が各セグメントに平均的
に分布している間は、セグメントの進化を推進し、逆
に、予測モデルの評価値が向上しなくなったとき、ある
いは、標本が特定のセグメントに偏って分布するように
なったときは、セグメントの進化を停止する。

【００４１】出力手段４は、上記予測モデル構築エンジ
ン３が構築した最適なセグメントとその予測モデルとを
出力する装置であって、プリンター、表示装置を含む任
意の公知のユーザーインターフェイスからなる。

【００４２】次に、上記セグメント生成型予測モデル構
築装置１による処理の流れを図２のフローチャートにそ
って以下に説明する。

【００４３】セグメント生成型予測モデル構築装置１に
よる処理においては、最初に入力手段２によって実績デ
ータ、予測モデル候補、予測モデル評価基準、セグメン
ト選択条件、進化推進停止条件等を入力する（ステップ
Ｓ１００）。

【００４４】ここで、上記「実績データ」、「予測モデ
ル候補」、「予測モデル評価基準」、「セグメント選択
条件」「進化推進停止条件」について説明しておく。

【００４５】「実績データ」は、前述したティーチング
データまたは標本データであって、予測モデルを構築す
る上で、適合すべき目標となるデータである。

【００４６】「予測モデル候補」は、複数でも単数でも
よい予測モデルであって、たとえば、次のようなものが
ある。 Ｙt ＝α＋βＸt ＋ｕt （１変数の線形回帰モデル） Ｙt ＝β1 Ｘ1t＋β2 Ｘ2t＋…＋βk Ｘkt＋ｕt （重
回帰モデル） log Ｙt ＝α＋βlog Ｘt ＋ｕt （対数線形モデル） ここで、 Ｘ，Ｙ ：変数（ＸとＹはそれぞれ原因と結果を表
わす） Ｘt ，Ｙt ：変数Ｘ，Ｙのｔ時点の観測値 α，β ：パラメーター、係数 ｕt ：ｔ時点の分散誤差 「予測モデルの評価基準」は、予測モデルの適合性を評
価するものであって、たとえば平均二乗誤差、ＡＩＣ
（赤池情報量基準）、ＭＤＬ（最小記述長）等を含む公
知の任意の評価基準を使用することができる。

【００４７】なお、平均二乗誤差による評価は、ティー
チングデータ（ｎ個）について予測モデルによる予測値
と実際の観測値との差分δを求め、下式の平均二乗誤差
ｅが小さいほどよいとする予測モデル評価方法である。

【００４８】 また、ＡＩＣによる予測モデルの評価は、下式のＡＩＣ
を最小とする予測モデルを最適予測モデルとする方法で
ある。 ＡＩＣ＝−２×（モデルの最大対数尤度）＋２×（モデ
ルの自由パラメータ数） ここで、最大対数尤度は、対数尤度を最大とするパラメ
ータのモデル（最尤モデル）の対数尤度である。一般
に、対数尤度＝Σｎｉlog ｑｉ である。ｎｉとｑｉ
は、それぞれ事象ｉが生じた度数と事象ｉが生じる予測
確率である。

【００４９】ここで注目すべき点は、上記ＡＩＣの式の
右辺第１項は、予測値と真の確率分布の差が小さいほど
負に大きくなり、また、右辺第２項は、予測モデルのパ
ラメータ数が少ないほど小さくなることである。つま
り、ＡＩＣ評価値は、予測モデルはパラメータ数が大き
くなるほど予測精度が向上するが、これに反比例して予
測モデルとしての適応性または一般性を失うことを示し
ている。これは、一般に節約の原理と呼ばれ、本発明の
予測モデル構築にも考え方として採用されている。この
ことは、後述する「進化推進停止条件」のところで再び
説明する。

【００５０】ＭＤＬによる方法は、上記節約の原理の別
な形の表現であって、「予測モデル自体の記述長と、こ
の予測モデルを用いて与えられたデータを記述した際の
記述長とを最も短く符号化できるような予測モデルが最
良のモデルである。」を数式化した方法である。このＭ
ＤＬによる評価方法は、公知のものであって、本発明の
本旨ではないので、これ以上の説明は省略する。

【００５１】「セグメント選択条件」は、進化によって
生成したセグメントのうち、いずれのセグメントを次世
代の進化の親セグメントとするかを決定する条件であ
る。たとえば、セグメントの評価値の高い順に所定数の
セグメントを選択するとか、あるいは、評価値の高いセ
グメントほど選択される確率が高くなるように選択する
とかの条件を設定する。

【００５２】また、一つの標本が複数のセグメントに属
する場合もあるので、その標本データが属する複数のセ
グメントの中、最も予測精度の高い予測モデルを有する
セグメントを残すなどの条件を設定する。

【００５３】次に、「進化推進停止条件」は、進化判断
制御手段８が、進化の推進または停止を判断するための
条件である。

【００５４】本発明による方法では、前述したように、
セグメントの進化によって全体として予測モデルの評価
値が安定的に向上しており、かつ、標本群の分布が各セ
グメントに平均的に分布している間は、セグメントの進
化を推進し、逆に、予測モデルの評価値が向上しなくな
ったとき、あるいは、標本が特定のセグメントに偏って
分布するようになったときは、セグメントの進化を停止
する。

【００５５】上記予測モデルの評価値が一定のところで
向上しなくなる現象を上記ＡＩＣの評価値を例に以下に
説明する。本実施形態のセグメント生成型予測モデル構
築装置１は、後にさらに説明するように最初は各標本に
一対一対応のセグメントから出発し、所定の属性を任意
の属性（ここでは「ｄｏｎ' ｔ ｃａｒｅ」の属性とい
う）とすることにより、複数の標本を含むような大きな
セグメントに進化して行く。

【００５６】進化の最初の段階では、標本と一対一対応
のセグメントが生成されるので、適合すべき標本データ
が一つだけであることにより、予測モデルの予測精度は
１００％となる。しかし、予測モデルを表現する属性
（パラメータ）数は多いので、ＡＩＣのモデル自由パラ
メータ数は大きくなり、全体としてＡＩＣの評価値が大
きく（悪く）なる。

【００５７】初期の進化の段階では、「ｄｏｎ' ｔ ｃ
ａｒｅ」の属性が増え、モデル自由パラメータ数が減少
する一方、予測モデルの予測精度はそれほど低下しない
ことにより、ＡＩＣ評価値が減少（向上）する。

【００５８】進化を必要以上に繰り返すと、「ｄｏｎ'
ｔ ｃａｒｅ」の属性が増え、適合すべき標本データの
数が増加して予測モデルの予測精度が低下し、一方、Ａ
ＩＣのモデル自由パラメータ数は小さくなって、全体と
してＡＩＣの評価値が大きく（悪く）なる。

【００５９】このように、セグメントの進化により、セ
グメントの予測モデルのＡＩＣ評価値は、最初は小さく
なり、次には増大する。このセグメント進化の途中でＡ
ＩＣ評価が最も小さくなるところ、すなわち、予測モデ
ルとしての予測精度が高く、かつ、予測モデルの適応性
・一般性も高いポイントでセグメントの進化を停止させ
ればよい。

【００６０】上記予測モデルの予測精度と予測モデルの
適応性・一般性の考え方を採用する限り、ＡＩＣ評価値
の代わりに、ＭＤＬによる評価方法、あるいは平均二乗
誤差に所定の条件を付加してこれらを採用してもよい。

【００６１】この他の進化の推進停止条件として標本の
分布がある。セグメント進化を繰り返すと、急激に所定
のセグメントに標本が集中することがある。これは一般
的にそのセグメントの予測モデルの予測精度の低下を招
くので、本実施形態では特定のセグメントに標本が偏っ
て分布するようになったときに進化を停止させる。

【００６２】なお、上記諸条件は、およそ予測モデルの
適合性が高くなるように、種々設定が可能であり、本実
施形態はその一例を示すのみであるので、予測モデルの
適合性が高くなるような他の条件の設定を妨げるもので
はない。

【００６３】以上で、実績データ、予測モデル候補、予
測モデルの評価基準、セグメント選択条件、進化推進停
止条件の説明を終え、次に遺伝的アルゴリズムによる最
適セグメント、最適予測モデルの特定について説明す
る。

【００６４】まず、セグメント進化生成手段５により、
各標本の属性をすべて有する標本に一対一対応の初期セ
グメントが生成される（ステップＳ１１０）。また、セ
グメント評価手段６により、初期セグメントの最適予測
モデル決定され、その最適予測モデルによる評価値が算
出される（ステップＳ１１０）。

【００６５】なお、最適予測モデルは、入力手段２によ
って入力された予測モデル候補のうち、標本データに最
も精度よく適合する予測モデルが選択される。この初期
評価値は、次に行われる進化の推進あるいは停止の判断
基準となる。

【００６６】次に、セグメント進化生成手段５により、
セグメントの進化が行われる（ステップＳ１２０）。本
実施形態によるセグメント進化は、親セグメントの属性
にうち所定の属性を「ｄｏｎ' ｔ ｃａｒｅ」の属性に
することにより、子セグメントを生成する方法で行われ
る。また、子セグメントの多様性を維持するために、必
要によって一定の確率で突然変異による属性変化を入れ
ることも行う。

【００６７】上記セグメント進化生成手段５によって親
セグメントから子セグメントが生成された後は、セグメ
ント評価手段６により、各セグメントに属する標本デー
タに最も適合する予測モデルがパラメータを含めて特定
され、その予測モデルの予測精度と適応性とを含めて評
価される（ステップＳ１３０）。

【００６８】本実施形態では、ＡＩＣ評価値を予測モデ
ルの評価値として使用する。この各セグメントの予測モ
デルの評価値は、そのセグメントの環境適応性の指標と
して使用される。

【００６９】次に、セグメント選択手段７により、セグ
メントの選択が行われる（ステップＳ１４０）。セグメ
ントの選択は、環境適応度、すなわち各セグメントの最
適予測モデルの評価値の高い順に所定数のセグメントが
選択される。

【００７０】なお、本実施形態による進化ではセグメン
トの標本の包含範囲を広げる方向で各セグメントを進化
させるので、一つの標本が複数のセグメントに含まれる
状態が生じる。この場合は、本実施形態では、その標本
が属する各セグメントの予測モデルの予測精度を計算
し、最も予測精度が高いセグメントに１勝数を付与し、
最終的に勝数のないセグメントを排除する。この処理に
より、重複して複数のセグメントに含まれる標本がもっ
とも精度よく適合するセグメントは残され、一つの標本
データを予測する予測モデルが一つに絞られる。

【００７１】次に、進化判断制御手段８により、セグメ
ント進化の推進あるいは停止が判断され、セグメント進
化の推進と判断された場合は、次世代の進化（ステップ
Ｓ１２０）に処理が戻され、一方、進化の停止と判断さ
れた場合は、セグメントの進化が終了される（ステップ
Ｓ１６０）。

【００７２】ここで、上記セグメントの進化と、セグメ
ントの評価と、セグメントの選択と、セグメント進化の
推進あるいは停止の判断を具体例と図面を用いて説明す
る。

【００７３】図３ないし図６は、商品の需要予測をセグ
メント生成型予測モデル構築装置１によって行う場合の
セグメント生成、進化、セグメントの評価、選択、進化
の推進停止判断の様子を示したものである。

【００７４】最初に商品の初期セグメントの生成を行
う。商品は、用途、色、素材、価格、…、知名度等の多
数の属性を有している。初期セグメントは、上述した通
り、各商品の属性をすべて有する一対一対応のセグメン
トである。図３に示すように、この場合、各商品（Ｍ０
０１，Ｍ００２，…）ごとにセグメントが形成され、セ
グメントの数は商品個数と等しい。また、各セグメント
の予測モデルの予測精度はほとんど１００％となるが、
各予測モデルの自由パラメータ数が多いために、それら
の評価値は低い範囲に止まる。

【００７５】次に、図４は上記初期セグメントの一セグ
メントの進化の様子を示している。図４に示すように、
本実施形態の進化は、一つの親セグメントから、親セグ
メントの属性を継承する子セグメントと、親セグメント
の属性の一つに「don't care」の属性を混入させた子セ
グメントとを生成する方法によって行われる。

【００７６】「don't care」の属性は、その属性につい
ては如何なるものでも含む意なので、子セグメントは、
親セグメントが包含商品よりも多くの商品を包含するこ
とになる。「don't care」の属性は、予測モデルの自由
パラメータから除かれるので、予測モデルの適応性・一
般性は向上する。

【００７７】なお、図４に示すように、一定回数の世代
進化を行った後は、子セグメントの多様性を維持するた
めに、一定の確率でたとえば「白」の代わりに「ピン
ク」なる属性を入れるような突然変異を生じさせる。こ
の突然変異は、進化の誤った方向への収束を矯正し、予
測モデルの予測精度を向上させる働きを有する。

【００７８】図５は、上述したようなセグメント進化の
途中の第ｎ世代のセグメントを示している。図５に示す
ように、第ｎ世代のセグメントは、所定の属性が「don'
t care」の属性になっている。従って、一つのセグメン
トは、複数の商品を包含している。また、一つの商品
が、複数のセグメントに重複して含まれることもある。
これら第ｎ世代のセグメントのうち、予測モデルの評価
値が高い所定数（たとえば評価値の高い順に１０個）の
セグメントが次世代の親セグメントとして選択される。

【００７９】図６は、上記セグメントの選択と、進化の
推進停止判断の方法とを概念的に示している。

【００８０】第ｎ世代のセグメントが得られると、これ
らのセグメントはセグメント評価手段６によって評価さ
れ、その評価値の高い順（セグメント６，セグメント
８，セグメント１，…の順）に図６のような表形式にま
とめられる。この表の中の評価値の高い所定数のセグメ
ントのみが次世代のセグメント進化の親セグメントとし
て残されることができる。

【００８１】次に、複数のセグメントに属する商品の予
測モデルを単一化するために、各商品の各セグメントの
予測モデルによる予測精度を計算する。この結果、最も
良い予測精度を示すセグメントに１勝数（図６では符号
○によって示す）を付与する。このように、すべての商
品について各セグメントの勝数を付与した後、たとえば
図中のセグメントｘのように勝数のないセグメントを次
世代の親セグメントから排除する。この処理により、各
商品の実績データを最も良く説明するセグメントと予測
モデルのみが次世代進化に残される。

【００８２】さらに、図６の右欄の評価値ｎ1 ，ｎ2 ，
ｎ3 ，…のように、各商品について各セグメントの予測
モデルの評価値の合計を算出する。最後に図６右欄の評
価値ｎ1 ，ｎ2 ，ｎ3 ，…を合計し、総合評価値（Σ評
価値）を算出する。この総合評価値は、セグメントの世
代進化の有効性の指標となる。

【００８３】セグメント進化によって総合評価値は最初
は向上するが、次第に予測モデルの適合性が悪くなり、
総合評価値が低下する。このため、進化判断制御手段８
は、総合評価値を監視し、総合評価値の向上の度合いが
低下したときにセグメントの進化を停止させる。

【００８４】また、進化判断制御手段８は、各セグメン
トが包含する商品数（図６における該当数）を監視し、
世代進化によって所定のセグメントの該当数が急激に変
化した場合は、セグメントの進化を停止させる。

【００８５】以上でセグメントの生成・進化、評価、選
択、進化の判断制御の具体例による説明を終了するが、
このようにしてセグメントの進化が最適なところで停止
された後は、出力手段４により、そのときのセグメント
とそれらの予測モデルが出力される（ステップＳ１７
０）。（図２参照） 上記出力されたセグメントと予測モデルを用いることに
より、ある予測対象物があった場合に、その予測対象物
がいずれのセグメントに属するかを判断することによ
り、精度が高い予測を行うことができる（ステップＳ１
８０）。

【００８６】また、その予測対象物が複数のセグメント
に属する場合は、最も予測精度が高いセグメントの予測
モデルを使用して最も予測精度が高い予測を行うことが
できる。

【００８７】さらに、本発明によって特定したセグメン
トを時系列的に観察することにより、どのようなセグメ
ントが経時的にどのような発展を遂げたかを観察でき、
そのセグメントに含まれるものの将来の動向を推定する
ことができる。

【００８８】また、仮想的にセグメントを設定した場合
に、その評価を過去に遡って得ることができるので、現
実にはないものの将来の動向あるいは傾向を予測するこ
とも可能となる。

【００８９】なお、本発明は「属性」によって種々の動
向や傾向を示す「対象物」であって、属性によって分類
された動向・傾向の実績データを有するものならば適用
できる。このため、上記具体的な形態を有する商品の需
要予測の他、種々のものに適用することができる。たと
えば、無形の金融商品の売行き予測、あるいは商品とは
言えない社会現象の予測、あるいはそれらの中間的存在
とも言える株価の予測等、属性によって動向や傾向が左
右されるものであれば、その予測モデルを構築すること
ができる。

【００９０】上記セグメント生成型予測モデル構築装置
１では、入力手段２により、予測モデル候補、予測モデ
ル評価基準、セグメント選択条件、進化推進停止の条件
を必要な時に自由に入力可能としているが、これらの諸
条件・データを予め固定して設定しておき、処理のため
のユーザーの命令、実績データのみを入力することがで
きるように構成した装置も本発明の範囲に含まれる。

【００９１】

【発明の効果】以上の説明から明らかなように、本発明
によるセグメント生成型予測モデル構築装置およびその
方法によれば、属性によって様々な動向や傾向を示すも
のの実績データから、一定の属性によって一定の動向や
傾向を示す標本群（セグメント）を抽出し、かつ、それ
らセグメントの標本群の動向や傾向を精度よく説明する
とともに、予測モデルとしての適応性・ 一般性をバラン
スよく兼ね備えた最適予測モデルを構築することができ
る。

【００９２】たとえば、このセグメント生成型予測モデ
ル構築装置とその方法を膨大な種類の商品の需要予測に
適用すれば、膨大な量の過去の売上げデータから、予測
しようとする商品の属性と同一属性の商品グループを発
見し、その商品グループの売上げに最も適合する予測モ
デルを素早く特定し、信頼性の高い需要予測を行うこと
ができるのである。

【００９３】また、特定のセグメントを時系列的に観察
することにより、そのセグメントが経時的にどのような
発展を遂げたかを観察でき、これによって該セグメント
の将来の動向を推定することができる。

【００９４】さらに、仮想的にセグメントを設定し、そ
の評価を過去に遡って得ることにより、現実にはないも
のの将来の動向あるいは傾向を予測することも可能とな
る。

【図面の簡単な説明】

【図１】本発明によるセグメント生成型予測モデル構築
装置の構成とその構成要素間の関係を示したブロック
図。

【図２】本発明によるセグメント生成型予測モデル構築
方法の処理の流れを示したフローチャート。

【図３】本発明によるセグメント生成型予測モデル構築
装置およびその方法を商品の需要予測に適用した場合
の、初期セグメントを概念的に示した説明図。

【図４】本発明によるセグメント生成型予測モデル構築
装置およびその方法を商品の需要予測に適用した場合
の、セグメント進化の様子を概念的に示した説明図。

【図５】本発明によるセグメント生成型予測モデル構築
装置およびその方法を商品の需要予測に適用した場合
の、第ｎ世代のセグメントを概念的に示した説明図。

【図６】本発明によるセグメント生成型予測モデル構築
装置およびその方法を商品の需要予測に適用した場合
の、セグメントの選択、進化の推進停止判断の方法を概
念的に示した説明図。

【符号の説明】

１ セグメント生成型予測モデル構築装置 ２ 入力手段 ３ 予測モデル構築エンジン ４ 出力手段 ５ セグメント進化生成手段 ６ セグメント評価手段 ７ セグメント選択手段 ８ 進化判断制御手段

Claims (5)

【特許請求の範囲】
1. 【請求項１】ユーザーの命令、予測モデル候補、標本デ
   ータ、予測モデルの評価基準、セグメント選択条件、進
   化推進停止条件を入力可能な入力手段と、 遺伝的アルゴリズムによるセグメント進化の初期セグメ
   ントの生成と、親セグメントから子セグメントへの進化
   とを行うセグメント進化生成手段と、 前記セグメント進化生成手段によって生成されたセグメ
   ントについて前記予測モデル評価基準に基づいて評価を
   行うセグメント評価手段と、 前記セグメント評価手段によって評価されたセグメント
   から、前記セグメント選択条件に基づいて次の世代進化
   の親セグメントを選択するセグメント選択手段と、 前記進化推進停止条件に基づいてセグメント進化の効果
   を評価してセグメント進化の推進あるいは停止を判断お
   よび制御する進化判断制御手段と、 前記進化判断制御手段によって進化が停止されたとき
   に、最適セグメントと予測モデルとを出力する出力手段
   と、からなることを特徴とするセグメント生成型予測モ
   デル構築装置。
2. 【請求項２】ユーザーの命令、標本データを入力する入
   力手段と、 予測モデル候補、予測モデルの評価基準、セグメント選
   択条件、進化推進停止条件を格納した記憶手段と、 遺伝的アルゴリズムによるセグメント進化の初期セグメ
   ントの生成と、親セグメントから子セグメントへの進化
   とを行うセグメント進化生成手段と、 前記セグメント進化生成手段によって生成されたセグメ
   ントについて前記予測モデル評価基準に基づいて評価を
   行うセグメント評価手段と、 前記セグメント評価手段によって評価されたセグメント
   から、前記セグメント選択条件に基づいて次の世代進化
   の親セグメントを選択するセグメント選択手段と、 前記進化推進停止条件に基づいてセグメント進化の効果
   を評価してセグメント進化の推進あるいは停止を判断お
   よび制御する進化判断制御手段と、 前記進化判断制御手段によって進化が停止されたとき
   に、最適セグメントと予測モデルとを出力する出力手段
   と、からなることを特徴とするセグメント生成型予測モ
   デル構築装置。
3. 【請求項３】標本データに基づいて各標本の属性をすべ
   て含む初期セグメントを生成し、前記各初期セグメント
   に最適な予測モデルを特定して評価値を算出し、 次に、前記初期セグメントを親セグメントとし、親セグ
   メントの所定の属性を他の属性に置き換えて子セグメン
   トを生成する進化を行い、 次に、前記子セグメントを評価して評価値の高い子セグ
   メントを選択して次の世代進化の親セグメントとし、 次に、前記セグメント進化の効果を評価し、次のセグメ
   ント進化によって予測モデルの評価値が向上すると判断
   した場合は、前記セグメントの進化と評価と選択とセグ
   メント進化の効果の評価からなる処理を繰り返し、次の
   セグメント進化によって予測モデルの評価値が向上が望
   めないと判断した場合は、それまでの最適なセグメント
   と予測モデルとを出力することを特徴とするセグメント
   生成型予測モデル構築方法。
4. 【請求項４】前記初期セグメントを親セグメントとし、
   親セグメントの所定の属性を他の属性に置き換えて子セ
   グメントを生成する進化の処理において、セグメント進
   化の初期の段階では所定の属性を任意の属性に置き換
   え、セグメント進化の後期の段階では、任意の属性に加
   えて突然変異として元の属性と異なる属性を置き換える
   ようにしたことを特徴とする請求項３に記載のセグメン
   ト生成型予測モデル構築方法。
5. 【請求項５】前記子セグメントを評価して評価値の高い
   子セグメントを選択して次の世代進化の親セグメントと
   する処理において、同一の標本が複数のセグメントに重
   複して包含される場合に、包含されるセグメントのうち
   該標本に対して高い予測精度で適合する予測モデルを有
   するセグメントを優先的に選択することを特徴とする請
   求項３に記載のセグメント生成型予測モデル構築方法。