JPH11219345A - 時系列データの予測方法およびシステム - Google Patents
時系列データの予測方法およびシステムInfo
- Publication number
- JPH11219345A JPH11219345A JP2063998A JP2063998A JPH11219345A JP H11219345 A JPH11219345 A JP H11219345A JP 2063998 A JP2063998 A JP 2063998A JP 2063998 A JP2063998 A JP 2063998A JP H11219345 A JPH11219345 A JP H11219345A
- Authority
- JP
- Japan
- Prior art keywords
- model
- prediction
- data
- series data
- predicted
- 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 14
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 230000010354 integration Effects 0.000 claims description 4
- 238000013277 forecasting method Methods 0.000 claims 1
- 238000003860 storage Methods 0.000 abstract description 17
- 230000006870 function Effects 0.000 abstract description 7
- 230000015572 biosynthetic process Effects 0.000 abstract 2
- 230000006978 adaptation Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【課題】予測に用いるモデルの学習や多様な情報を活用
して、適応機能の高い高精度予測方法を提供すること。 【解決手段】本発明の需要予測装置は、時系列データ等
の入力手段１、記憶手段であるデータベース２、データ
選択手段６、ベースモデル創出手段７、補助モデル創出
手段８、予測手段３、モデル評価手段５、予測結果出力
手段４、からなる。データ選択手段６はモデル創出に用
いるデータを選択することによって予測精度を向上させ
るものであり、ベースモデル創出手段７は予測対象のト
レンド、循環性、季節性、月・曜日性、特異日特性、予
測専門家の知識等を表すモデル構造を創出するものであ
り、補助モデル創出手段８はベースモデルのみによる予
測データと過去の時系列データの差を学習的にモデル構
造化するものであり、モデル評価手段５はモデルによる
予測の誤差を評価し最適なデータ選択を可能にするもの
である。
して、適応機能の高い高精度予測方法を提供すること。 【解決手段】本発明の需要予測装置は、時系列データ等
の入力手段１、記憶手段であるデータベース２、データ
選択手段６、ベースモデル創出手段７、補助モデル創出
手段８、予測手段３、モデル評価手段５、予測結果出力
手段４、からなる。データ選択手段６はモデル創出に用
いるデータを選択することによって予測精度を向上させ
るものであり、ベースモデル創出手段７は予測対象のト
レンド、循環性、季節性、月・曜日性、特異日特性、予
測専門家の知識等を表すモデル構造を創出するものであ
り、補助モデル創出手段８はベースモデルのみによる予
測データと過去の時系列データの差を学習的にモデル構
造化するものであり、モデル評価手段５はモデルによる
予測の誤差を評価し最適なデータ選択を可能にするもの
である。
Description
【０００１】
【発明の属する技術分野】本発明は、過去の時系列デー
タやその他の情報等をもとに将来のデータ値を予測する
方法とシステムに関する。特に、商品・製品やサービス
に対する需要をより正確に予測することによって、生産
計画や在庫・配送等の計画をより最適なものに近づける
ことにより、利益や顧客満足を向上させるのに好適な時
系列データの予測方法およびシステムに関する。
タやその他の情報等をもとに将来のデータ値を予測する
方法とシステムに関する。特に、商品・製品やサービス
に対する需要をより正確に予測することによって、生産
計画や在庫・配送等の計画をより最適なものに近づける
ことにより、利益や顧客満足を向上させるのに好適な時
系列データの予測方法およびシステムに関する。
【０００２】
【従来の技術】従来技術としては、特開平6-162231号公
報に記載されるものがある。そこでは、現在および過去
の時系列データ以外の情報として、月、曜日、旬などの
非数量化要因を数量化して、時系列データと非数量化要
因情報を用いて予測を行っている。さらに、特開平6-68
065号公報や特開平6-274470号公報に記載されるもので
は、現在および過去の時系列データの量によって予測手
段をかえて予測を行っている。さらに、特開平7-175786
号公報では、予測の熟練者の知識をプロダクションルー
ルとメンバーシップ関数によって予測に取りいれてい
る。さらに、特開平7-262168号公報は、多品種の単品予
測を簡易に行う方法を開示するものであった。
報に記載されるものがある。そこでは、現在および過去
の時系列データ以外の情報として、月、曜日、旬などの
非数量化要因を数量化して、時系列データと非数量化要
因情報を用いて予測を行っている。さらに、特開平6-68
065号公報や特開平6-274470号公報に記載されるもので
は、現在および過去の時系列データの量によって予測手
段をかえて予測を行っている。さらに、特開平7-175786
号公報では、予測の熟練者の知識をプロダクションルー
ルとメンバーシップ関数によって予測に取りいれてい
る。さらに、特開平7-262168号公報は、多品種の単品予
測を簡易に行う方法を開示するものであった。
【０００３】
【発明が解決しようとする課題】上記従来技術は、予測
に用いるモデルの学習や多様な情報の活用ということが
十分には配慮されておらないという問題があった。
に用いるモデルの学習や多様な情報の活用ということが
十分には配慮されておらないという問題があった。
【０００４】本発明の目的は、適応機能の高い予測方法
を提供することにある。
を提供することにある。
【０００５】
【課題を解決するための手段】上記目標を達成するため
に、予測精度の向上を図るべく、モデル創出に用いるデ
ータの選択手段を施したものである。さらに、予測対象
のモデルは（予測対象のトレンド、循環性、季節性、月
・曜日性、特異日特性、予測専門家の知識等を表す）ベ
ースモデルと（ベースモデルのみによる予測データと過
去の時系列データの差をモデル化した）補助モデルのす
くなくとも二つから成り、予測対象の該当モデルを学習
によって変更する手段を施したものである。さらに、利
用する情報の多様化を図るべく、予測実行オペレータが
入力した新項目のデータに基づき予測対象のモデルを変
更するべきかを判断する手段とその判断理由を表示する
手段、予測実行オペレータが入力した新項目に関連する
データがない場合には、関連データをネットワーク上を
検索して持ってくる手段を施したものである。さらに、
過去のデータからのモデリングだけでは対応できない状
況が予測される場合においては予測実行オペレータの経
験にたよるべく、予測実行オペレータが予測対象のモデ
ルを変更する手段あるいは予測結果を補正する手段を施
したものである。さらに、一つのモデルで常にベストの
予測を行うことは難しいので、予測対象に対して複数個
のモデルにもとづき複数の予測時系列データ候補を計算
する手段、複数個のモデルを評価する手段、複数の候補
から将来の時系列データを演算する統合手段を施したも
のである。
に、予測精度の向上を図るべく、モデル創出に用いるデ
ータの選択手段を施したものである。さらに、予測対象
のモデルは（予測対象のトレンド、循環性、季節性、月
・曜日性、特異日特性、予測専門家の知識等を表す）ベ
ースモデルと（ベースモデルのみによる予測データと過
去の時系列データの差をモデル化した）補助モデルのす
くなくとも二つから成り、予測対象の該当モデルを学習
によって変更する手段を施したものである。さらに、利
用する情報の多様化を図るべく、予測実行オペレータが
入力した新項目のデータに基づき予測対象のモデルを変
更するべきかを判断する手段とその判断理由を表示する
手段、予測実行オペレータが入力した新項目に関連する
データがない場合には、関連データをネットワーク上を
検索して持ってくる手段を施したものである。さらに、
過去のデータからのモデリングだけでは対応できない状
況が予測される場合においては予測実行オペレータの経
験にたよるべく、予測実行オペレータが予測対象のモデ
ルを変更する手段あるいは予測結果を補正する手段を施
したものである。さらに、一つのモデルで常にベストの
予測を行うことは難しいので、予測対象に対して複数個
のモデルにもとづき複数の予測時系列データ候補を計算
する手段、複数個のモデルを評価する手段、複数の候補
から将来の時系列データを演算する統合手段を施したも
のである。
【０００６】
【発明の実施の形態】以下、本発明の実施例を図面によ
り説明する。クレーム１と２に対応する第一の実施例は
図１〜３、クレーム３、４に対応する第二の実施例は図
４、クレーム５、６に対応する第三の実施例は図５に示
すものである。
り説明する。クレーム１と２に対応する第一の実施例は
図１〜３、クレーム３、４に対応する第二の実施例は図
４、クレーム５、６に対応する第三の実施例は図５に示
すものである。
【０００７】以下、過去13カ月の時系列の実需要データ
があり明日の需要を予測する場合を例にとり説明する。
があり明日の需要を予測する場合を例にとり説明する。
【０００８】図１はクレーム１と２に対応する第一の実
施例における需要予測装置の機能構成図である。本発明
の需要予測装置は、時系列データ等の入力手段１、記憶
手段であるデータベース２、データ選択手段６、ベース
モデル創出手段７、補助モデル創出手段８、予測手段
３、モデル評価手段５、予測結果出力手段４、からな
る。入力手段１はキーボード等の入力装置であり、予測
結果出力手段４は表示画面、印刷機械等であり、記憶手
段２は磁気ディスク装置等である。データ選択手段６、
ベースモデル創出手段７、補助モデル創出手段８、予測
手段３、モデル評価手段５、は全て計算機のハードとソ
フトとして実現されるものである。入力手段１によって
入力された情報１１は記憶手段２に蓄積される。出力手
段４は予測手段３の結果情報２３を出力するものであ
る。
施例における需要予測装置の機能構成図である。本発明
の需要予測装置は、時系列データ等の入力手段１、記憶
手段であるデータベース２、データ選択手段６、ベース
モデル創出手段７、補助モデル創出手段８、予測手段
３、モデル評価手段５、予測結果出力手段４、からな
る。入力手段１はキーボード等の入力装置であり、予測
結果出力手段４は表示画面、印刷機械等であり、記憶手
段２は磁気ディスク装置等である。データ選択手段６、
ベースモデル創出手段７、補助モデル創出手段８、予測
手段３、モデル評価手段５、は全て計算機のハードとソ
フトとして実現されるものである。入力手段１によって
入力された情報１１は記憶手段２に蓄積される。出力手
段４は予測手段３の結果情報２３を出力するものであ
る。
【０００９】データ選択手段６はモデル創出に用いるデ
ータを選択することによって予測精度を向上させようと
するものであり、ベースモデル創出手段７は予測対象の
トレンド、循環性、季節性、月・曜日性、特異日特性、
予測専門家の知識等を表すモデル構造を創出するもので
あり、補助モデル創出手段８はベースモデルのみによる
予測データと過去の時系列データの差をモデル構造化す
るものであり、モデル評価手段５はモデルによる予測の
誤差を評価するものである。
ータを選択することによって予測精度を向上させようと
するものであり、ベースモデル創出手段７は予測対象の
トレンド、循環性、季節性、月・曜日性、特異日特性、
予測専門家の知識等を表すモデル構造を創出するもので
あり、補助モデル創出手段８はベースモデルのみによる
予測データと過去の時系列データの差をモデル構造化す
るものであり、モデル評価手段５はモデルによる予測の
誤差を評価するものである。
【００１０】以下では、本発明の主要部分である、記憶
手段であるデータベース２、データ選択手段６、ベース
モデル創出手段７、補助モデル創出手段８、予測手段
３、モデル評価手段５、について詳述する。
手段であるデータベース２、データ選択手段６、ベース
モデル創出手段７、補助モデル創出手段８、予測手段
３、モデル評価手段５、について詳述する。
【００１１】記憶手段であるデータベース２では、入力
情報２１として入力された現時点までの時系列データ、
y(-m),y(-m+1),…,y(0) および特異日情報 γ(s),
s=1…, pが記憶されいる。特異日とは、お正月、お盆、
クリスマス、等で需要量が特別多くあるいは少なくなっ
た日で毎年繰り返される日を示す。さらに、以下のデー
タが記憶されている。時系列データ、y(-m),y(-m+1),
…,y(0)から特異日特性を除去したデータ x(j) 。ただ
し、このデータは以下で求めたものである。
情報２１として入力された現時点までの時系列データ、
y(-m),y(-m+1),…,y(0) および特異日情報 γ(s),
s=1…, pが記憶されいる。特異日とは、お正月、お盆、
クリスマス、等で需要量が特別多くあるいは少なくなっ
た日で毎年繰り返される日を示す。さらに、以下のデー
タが記憶されている。時系列データ、y(-m),y(-m+1),
…,y(0)から特異日特性を除去したデータ x(j) 。ただ
し、このデータは以下で求めたものである。
【００１２】x(i) = [y(i-7)+y(i+7)]/2, for i
（ = γ(s), s=1…, p）は特異日 （ただし、 y(i-7) あるいは y(i+7) のデータが存在し
ないときは、あるほうデータを x(i) とする）、 x(i) = y(i), for i は非特異日 さらに、ベースモデルのパラメータ：mean, α(j) , j=
1, …,12, β(k) , k=1, …,7,特異日係数δ(s), s=1
…, p, trend と補助モデルのパラメータ：a1,a2, …,
at1, b1,b2, …,at2,が記憶されている。さらに、予測
誤差の標準偏差とモデリングに使用するデータ量の最適
値がテーブルの形式で記憶されている。この関係データ
は、このシステムの運用の前に、実需要データから求め
ておくものである。
（ = γ(s), s=1…, p）は特異日 （ただし、 y(i-7) あるいは y(i+7) のデータが存在し
ないときは、あるほうデータを x(i) とする）、 x(i) = y(i), for i は非特異日 さらに、ベースモデルのパラメータ：mean, α(j) , j=
1, …,12, β(k) , k=1, …,7,特異日係数δ(s), s=1
…, p, trend と補助モデルのパラメータ：a1,a2, …,
at1, b1,b2, …,at2,が記憶されている。さらに、予測
誤差の標準偏差とモデリングに使用するデータ量の最適
値がテーブルの形式で記憶されている。この関係データ
は、このシステムの運用の前に、実需要データから求め
ておくものである。
【００１３】ベースモデル創出手段７は、以下の処理を
する。まず、年平均の一日当たりの需要量mean（xの過
去一年間の平均値）、１２カ月の各月について一日あた
りの需要の平均値 α(j) ・ mean, j=1, …,12, 一週
間の各曜日について一日あたりの需要の平均値 β(k)
・ mean, k=1, …,7, （ただし、 k 値の１〜７は各々
日曜日から土曜日までの各曜日を表すものとしている）
を算出する。さらに、１３カ月のデータx(i) に対し
て、線形回帰モデルを計算し、その傾き値trendを求め
る。年間の変動分として（３６５・trend）を計算す
る。そして、j月のk 曜日であるi 日対応のベースモデ
ルとして yb＾(i) = α(j)・β(k)・ mean + 365・trend for i は非特異日 = α(j) ・β(k) ・δ(i)・ mean + 365・trend for i は特異日 を持つ。ただし、上式におけるδ(i)は、特異日係数と
呼ぶもので以下で計算されるものである。
する。まず、年平均の一日当たりの需要量mean（xの過
去一年間の平均値）、１２カ月の各月について一日あた
りの需要の平均値 α(j) ・ mean, j=1, …,12, 一週
間の各曜日について一日あたりの需要の平均値 β(k)
・ mean, k=1, …,7, （ただし、 k 値の１〜７は各々
日曜日から土曜日までの各曜日を表すものとしている）
を算出する。さらに、１３カ月のデータx(i) に対し
て、線形回帰モデルを計算し、その傾き値trendを求め
る。年間の変動分として（３６５・trend）を計算す
る。そして、j月のk 曜日であるi 日対応のベースモデ
ルとして yb＾(i) = α(j)・β(k)・ mean + 365・trend for i は非特異日 = α(j) ・β(k) ・δ(i)・ mean + 365・trend for i は特異日 を持つ。ただし、上式におけるδ(i)は、特異日係数と
呼ぶもので以下で計算されるものである。
【００１４】 δ(γ(s)) = y(γ(s))/x(γ(s)) , s= 1, …,p これらベースモデルのパラメータ：mean, α(j) , j=1,
…,12, β(k) , k=1,…,7, δ(γ(s)), s=1…, p, tr
end を記憶手段２にストアする。
…,12, β(k) , k=1,…,7, δ(γ(s)), s=1…, p, tr
end を記憶手段２にストアする。
【００１５】補助モデル創出手段８では、過去Ｔ日の特
異日除去データxとベースモデルの予測出力 yb＾ の
差： e1(i-j) = x(i-j) - yb＾(i-j), j=1,2, …,Tを
まず求める。 e1(i-j) , j=1,2, …,T に対する自己回
帰移動平均モデルを考え、情報量基準が最小になるよう
にモデル構造およびパラメータを決める。すなわち、補
助モデルとして、 e1＾(i)= - a1・e1(i-1) - … - at1・e1(i-t1) + b1・[e1(i-1)- e1＾(i-1)] + … + bt2・[e1(i-t2)- e1＾(i-t2)], のパラメータ： a1, … , at1, b1, …, bt2 を算出する。また、 [e1(i-j)- e1＾(i-j)],j=1, …,T,
の標準偏差 std を求める。そして補助モデルのパラメ
ータ： a1, … , at1, b1, …, bt2 および stdを記憶
手段にストアする。
異日除去データxとベースモデルの予測出力 yb＾ の
差： e1(i-j) = x(i-j) - yb＾(i-j), j=1,2, …,Tを
まず求める。 e1(i-j) , j=1,2, …,T に対する自己回
帰移動平均モデルを考え、情報量基準が最小になるよう
にモデル構造およびパラメータを決める。すなわち、補
助モデルとして、 e1＾(i)= - a1・e1(i-1) - … - at1・e1(i-t1) + b1・[e1(i-1)- e1＾(i-1)] + … + bt2・[e1(i-t2)- e1＾(i-t2)], のパラメータ： a1, … , at1, b1, …, bt2 を算出する。また、 [e1(i-j)- e1＾(i-j)],j=1, …,T,
の標準偏差 std を求める。そして補助モデルのパラメ
ータ： a1, … , at1, b1, …, bt2 および stdを記憶
手段にストアする。
【００１６】特異日の需要量 y(γ(s))を用いてその後
の需要を予測すると大きな誤りを産むので、需要予測に
用いるモデル創出用のデータは、特異日除去データxを
用いている。
の需要を予測すると大きな誤りを産むので、需要予測に
用いるモデル創出用のデータは、特異日除去データxを
用いている。
【００１７】予測手段３は、ベースモデルによる予測分
yb＾(i) と補助モデルによる予測分yc＾(i) の和とし
て、予測値を求める。
yb＾(i) と補助モデルによる予測分yc＾(i) の和とし
て、予測値を求める。
【００１８】 y＾(i) = yb＾(i) + yc＾(i), yb＾(i) = α(j) ・β(k) ・ mean + 365・trend for i は非特異日 yb＾(i) = α(j) ・β(k) ・δ(γ(s))・ mean + 365・trend for i は特異日 yc＾(i) = - a1・e1(i-1) - … - at1・e1(i-t1) + b1・[e1(i-1)-e1＾(i-1)] + … + bt2・[e1(i-t2)- e1＾(i-t2)], モデル評価手段５は、図２に示すようなフローチャート
に従い処理プロセスを実行するものである。処理部５０
１では、予測誤差計算を行う。すなわち、e(i) = y(i)
- y＾(i), を求める。つぎに処理部５０２に移り、予
測誤差の平均値がゼロかどうかを判定する。処理部５０
２においては、 e(i-j), j=0, …，Ｔは正規分布からの
Ｔ＋１個のランダムサンプルと見なして、平均値がゼロ
かどうかの仮説検定を行う。すなわち、 ｅ（ｉ−
ｊ）， ｊ＝０， …,T の平均値 meane と標準偏差
stde をもとめ、 ｛[(Tの平方根)・ meane/ stde] の絶対値｝＞ const
(定数) ならば、ゼロと判定し、それ以外のときは非ゼロと判定
する。const はT自由度のｔ分布の関数より決められる
値である。非ゼロと判定されたときは処理部５０３へ行
き、ゼロと判定されたときは処理を終える。処理部５０
３では、ゼロと判定されるように補助関数ｆ(i) を以下
で求める。過去の一定期間Ｔ日間の時系列データ e(i)
を一次関数で線形回帰近似し、その線形関数をf(i) と
する。
に従い処理プロセスを実行するものである。処理部５０
１では、予測誤差計算を行う。すなわち、e(i) = y(i)
- y＾(i), を求める。つぎに処理部５０２に移り、予
測誤差の平均値がゼロかどうかを判定する。処理部５０
２においては、 e(i-j), j=0, …，Ｔは正規分布からの
Ｔ＋１個のランダムサンプルと見なして、平均値がゼロ
かどうかの仮説検定を行う。すなわち、 ｅ（ｉ−
ｊ）， ｊ＝０， …,T の平均値 meane と標準偏差
stde をもとめ、 ｛[(Tの平方根)・ meane/ stde] の絶対値｝＞ const
(定数) ならば、ゼロと判定し、それ以外のときは非ゼロと判定
する。const はT自由度のｔ分布の関数より決められる
値である。非ゼロと判定されたときは処理部５０３へ行
き、ゼロと判定されたときは処理を終える。処理部５０
３では、ゼロと判定されるように補助関数ｆ(i) を以下
で求める。過去の一定期間Ｔ日間の時系列データ e(i)
を一次関数で線形回帰近似し、その線形関数をf(i) と
する。
【００１９】そして、ベースモデルyb＾(i) をyb＾(i)
= yb＾(i) + f(i), と変更して記憶手段に記憶させる。
そして、過去のＴ日間の予測データを変更されたベース
モデルに基づき計算し、予測誤差をあらたに求める。
= yb＾(i) + f(i), と変更して記憶手段に記憶させる。
そして、過去のＴ日間の予測データを変更されたベース
モデルに基づき計算し、予測誤差をあらたに求める。
【００２０】データ選択手段６は、補助モデル創出手段
や、モデル評価手段で用いるデータを決定するものであ
り、具体的には、Ｔを決定するためのものである。この
値は次のように決定する。std の値に対応して、最適な
Ｔを前もって計算した対応テーブルを参照することによ
り線形補間で求める。 std とデータ量Ｔの間には、一
般的には図３の関係がある。
や、モデル評価手段で用いるデータを決定するものであ
り、具体的には、Ｔを決定するためのものである。この
値は次のように決定する。std の値に対応して、最適な
Ｔを前もって計算した対応テーブルを参照することによ
り線形補間で求める。 std とデータ量Ｔの間には、一
般的には図３の関係がある。
【００２１】特異日の情報は予測オペレータによって入
力されると本実施例では仮定したが、ベースモデル創出
手段７にて、データの標準偏差情報を活用して自動的に
抽出することも可能である。また、ベースモデルのグル
ープとして月を用いたが、データのグループ内分散を小
さく、グループ間分散を大きくするように適当な個数に
グルーピングすることも可能である。
力されると本実施例では仮定したが、ベースモデル創出
手段７にて、データの標準偏差情報を活用して自動的に
抽出することも可能である。また、ベースモデルのグル
ープとして月を用いたが、データのグループ内分散を小
さく、グループ間分散を大きくするように適当な個数に
グルーピングすることも可能である。
【００２２】上記実施例においてデータ選択手段におけ
るデータ量決定のための情報（誤差の標準偏差stdと最
適データ量Ｔの関係）は前もって求められてテーブル形
式で記憶されているとしたが、システム運用中に、いく
つかのＴに対して予測モデルを創り、予測誤差の小さく
なる方向へＴを変更してゆくということも可能である。
るデータ量決定のための情報（誤差の標準偏差stdと最
適データ量Ｔの関係）は前もって求められてテーブル形
式で記憶されているとしたが、システム運用中に、いく
つかのＴに対して予測モデルを創り、予測誤差の小さく
なる方向へＴを変更してゆくということも可能である。
【００２３】図４はクレーム３と４に対応する第二の実
施例における需要予測装置の機能構成図である。本発明
の需要予測装置は、時系列データ等の入力手段１、記憶
手段であるデータベース２、データ入手手段９、モデル
創出手段１０、予測手段３、モデル評価手段５、予測結
果出力手段４からなる。
施例における需要予測装置の機能構成図である。本発明
の需要予測装置は、時系列データ等の入力手段１、記憶
手段であるデータベース２、データ入手手段９、モデル
創出手段１０、予測手段３、モデル評価手段５、予測結
果出力手段４からなる。
【００２４】入力手段１はキーボード等の入力装置であ
り、予測結果出力手段４は表示画面、印刷機械等であ
り、記憶手段２は磁気ディスク装置等である。データ入
手手段９、モデル創出手段１０、予測手段３、モデル評
価手段５、は全て計算機のハードとソフトとして実現さ
れるものである。入力手段１によって入力された情報２
１は記憶手段２に蓄積される。出力手段４は予測手段３
の結果やモデル評価手段５の結果情報２３を出力するも
のである。
り、予測結果出力手段４は表示画面、印刷機械等であ
り、記憶手段２は磁気ディスク装置等である。データ入
手手段９、モデル創出手段１０、予測手段３、モデル評
価手段５、は全て計算機のハードとソフトとして実現さ
れるものである。入力手段１によって入力された情報２
１は記憶手段２に蓄積される。出力手段４は予測手段３
の結果やモデル評価手段５の結果情報２３を出力するも
のである。
【００２５】データ入手手段９は、予測実行オペレータ
が入力した新項目に関連するデータが記憶手段２にない
場合に、関連データをネットワーク上を検索して持って
くるものである。この実施例では、天候という項目に対
してインターネットを通して該当地域の天候（晴れ、曇
り、雨）情報を持ってくるものである。この情報を晴れ
ならば該当日のデータとして天候＝１、曇りならば天候
＝２、雨ならば天候＝３、と記憶手段にストアする。
が入力した新項目に関連するデータが記憶手段２にない
場合に、関連データをネットワーク上を検索して持って
くるものである。この実施例では、天候という項目に対
してインターネットを通して該当地域の天候（晴れ、曇
り、雨）情報を持ってくるものである。この情報を晴れ
ならば該当日のデータとして天候＝１、曇りならば天候
＝２、雨ならば天候＝３、と記憶手段にストアする。
【００２６】モデル創出手段１０は第一の実施例におい
てＴを固定値としたときのモデルを創る機能と予測実行
オペレータが入力した新項目のデータあるいはデータ入
手手段９が入手したデータに基づき別のモデルを創る機
能を有する。具体的には、過去のＴ個のデータe1 と １
から３で表示される天候データの相関をとり、相関が高
いときには、新しいモデルとして y＾(i) = yb＾(i) + yc＾(i), yb＾(i) = α(j) ・β(k) ・ mean + 365・trend + k1(定数)・天候値 for i は非特異日 yb＾(i) = α(j) ・β(k) ・δ(γ(s))・ mean + 365・trend + k1(定数)・ 天候値 for i は特異日 yc＾(i) = - a1・e1(i-1) - … - at1・e1(i-t1) + b1・[e1(i-1)- e1＾ (i-1)] + … + bt2・[e1(i-t2)- e1＾(i-t2)], を創出する。k1 は過去のＴ個のデータから e1 のＴ個
の標準偏差が小さくなるように求めるものであり、天候
値は各日の天候、あるいはその予測に対応する１、２あ
るいは３の値である。
てＴを固定値としたときのモデルを創る機能と予測実行
オペレータが入力した新項目のデータあるいはデータ入
手手段９が入手したデータに基づき別のモデルを創る機
能を有する。具体的には、過去のＴ個のデータe1 と １
から３で表示される天候データの相関をとり、相関が高
いときには、新しいモデルとして y＾(i) = yb＾(i) + yc＾(i), yb＾(i) = α(j) ・β(k) ・ mean + 365・trend + k1(定数)・天候値 for i は非特異日 yb＾(i) = α(j) ・β(k) ・δ(γ(s))・ mean + 365・trend + k1(定数)・ 天候値 for i は特異日 yc＾(i) = - a1・e1(i-1) - … - at1・e1(i-t1) + b1・[e1(i-1)- e1＾ (i-1)] + … + bt2・[e1(i-t2)- e1＾(i-t2)], を創出する。k1 は過去のＴ個のデータから e1 のＴ個
の標準偏差が小さくなるように求めるものであり、天候
値は各日の天候、あるいはその予測に対応する１、２あ
るいは３の値である。
【００２７】予測手段３は、各モデルに対応して明日の
予測値を計算するものである。
予測値を計算するものである。
【００２８】モデル評価手段５は各種モデルによる予測
の誤差を計算し、予測誤差の統計比較により新モデルの
可否を判定し、出力手段４に結果を送るものである。
の誤差を計算し、予測誤差の統計比較により新モデルの
可否を判定し、出力手段４に結果を送るものである。
【００２９】図５はクレーム５、６に対応する第三の実
施例における需要予測装置の機能構成図である。本発明
の需要予測装置は、時系列データ等の入力手段１、記憶
手段であるデータベース２、モデル創出手段１０、予測
手段３、モデル評価手段５、予測結果出力手段４、統合
手段１１からなる。
施例における需要予測装置の機能構成図である。本発明
の需要予測装置は、時系列データ等の入力手段１、記憶
手段であるデータベース２、モデル創出手段１０、予測
手段３、モデル評価手段５、予測結果出力手段４、統合
手段１１からなる。
【００３０】モデル創出手段１０、予測手段３、モデル
評価手段５、統合手段１１は全て計算機のハードとソフ
トとして実現されるものである。入力手段１によって入
力された情報２１は記憶手段２に蓄積される。出力手段
４は予測手段３の結果情報２３を出力するものである。
評価手段５、統合手段１１は全て計算機のハードとソフ
トとして実現されるものである。入力手段１によって入
力された情報２１は記憶手段２に蓄積される。出力手段
４は予測手段３の結果情報２３を出力するものである。
【００３１】モデル創出手段１０は、次の３種のモデル
をつくる。第一のモデルは第一の実施例においてＴを固
定値としたときのモデル、第二のモデルは、各曜日別の
モデルを持つものである。第二のモデルの具体的な式は
つぎである。
をつくる。第一のモデルは第一の実施例においてＴを固
定値としたときのモデル、第二のモデルは、各曜日別の
モデルを持つものである。第二のモデルの具体的な式は
つぎである。
【００３２】 y＾(i) = yw(i) for i は非特異日 y＾(i) = yw(i) ・δ(γ(s)) for i は特異日 yw(i) = c1(k)・x(i-1) + c2(k)・x(i-2) + c3(k)・x
(i-7), k=1, …,7 ただし、i日はｋ曜日に対応し、自己回帰モデルの係数c
1(k), c2(k), c3(k) は各曜日ごとに異なるものであ
り、直近の過去のT1個のデータ x(i - 7・j) - yw(i -
7・j), j= 1, …,T1, の情報量基準を最小にするよう
に求められるものである。
(i-7), k=1, …,7 ただし、i日はｋ曜日に対応し、自己回帰モデルの係数c
1(k), c2(k), c3(k) は各曜日ごとに異なるものであ
り、直近の過去のT1個のデータ x(i - 7・j) - yw(i -
7・j), j= 1, …,T1, の情報量基準を最小にするよう
に求められるものである。
【００３３】予測手段３は、各モデルに対応して明日の
予測値を計算するものである。
予測値を計算するものである。
【００３４】モデル評価手段５は各種モデルによる予測
の誤差を計算し、予測誤差の統計比較により各モデルの
精度を判定し、曜日やその他の状況依存でどのモデルの
精度が良いかを求め、統合手段に対し、各予測値の最適
な線形の重みづけを求めて、それを送る。さらに、モデ
ル１に対しては、補助モデルやｆ１関数を求めることに
より、モデル創出手段におけるモデル１を学習的に変更
する。
の誤差を計算し、予測誤差の統計比較により各モデルの
精度を判定し、曜日やその他の状況依存でどのモデルの
精度が良いかを求め、統合手段に対し、各予測値の最適
な線形の重みづけを求めて、それを送る。さらに、モデ
ル１に対しては、補助モデルやｆ１関数を求めることに
より、モデル創出手段におけるモデル１を学習的に変更
する。
【００３５】統合手段１１は、予測実行オペレータが予
測結果を補正する信号を入力手段１を通して入力しない
限り、評価手段５によって得られた重みづけベクトルに
従い、３つのモデルによる予測値の線形結合を計算し、
その値を明日の予測値として出力手段４に結果を送るも
のである。予測実行オペレータが、競合他社の類似製品
販売の開始やその他の情報で過去のデータからのモデル
だけでは予測が大きくはずれると考えた場合は、予測を
k2倍すると予測結果を補正する信号を入力手段１を通し
て入力すると、評価手段５によって得られた重みづけベ
クトルに従い、３つのモデルによる予測値の線形結合を
計算し、その値のk2倍を明日の予測値として出力手段４
に結果を送るものである。
測結果を補正する信号を入力手段１を通して入力しない
限り、評価手段５によって得られた重みづけベクトルに
従い、３つのモデルによる予測値の線形結合を計算し、
その値を明日の予測値として出力手段４に結果を送るも
のである。予測実行オペレータが、競合他社の類似製品
販売の開始やその他の情報で過去のデータからのモデル
だけでは予測が大きくはずれると考えた場合は、予測を
k2倍すると予測結果を補正する信号を入力手段１を通し
て入力すると、評価手段５によって得られた重みづけベ
クトルに従い、３つのモデルによる予測値の線形結合を
計算し、その値のk2倍を明日の予測値として出力手段４
に結果を送るものである。
【００３６】
【発明の効果】本発明は、以上説明したように構成され
ているので適応力の高い、高精度な予測が実現できる。
ているので適応力の高い、高精度な予測が実現できる。
【図面の簡単な説明】
【図１】第一の実施例における需要予測装置の機能構成
図。
図。
【図２】処理フローチャート図。
【図３】モデル構成に用いるデータ量と予測誤差標準偏
差の関係図。
差の関係図。
【図４】第二の実施例における需要予測装置の機能構成
図。
図。
【図５】第三の実施例における需要予測装置の機能構成
図。
図。
１…入力手段、 ２…記憶手段、
３…予測手段、 ４…出力手段、
５…評価手段、 ６…データ選択
手段、７…ベースモデル創出手段、 ８…補助
モデル創出手段、９…データ入手手段、
１０…モデル創出手段、１１…統合手段、
２１…入力信号、２３…出力信号。
３…予測手段、 ４…出力手段、
５…評価手段、 ６…データ選択
手段、７…ベースモデル創出手段、 ８…補助
モデル創出手段、９…データ入手手段、
１０…モデル創出手段、１１…統合手段、
２１…入力信号、２３…出力信号。
Claims (6)
- 【請求項１】予測対象の過去の時系列データを含む各種
データを入力する入力手段と、入力されたデータを記憶
する手段と、記憶されたデータに基づき将来の時系列デ
ータを演算する予測手段と、求めた演算結果の出力手段
を有する予測システムにおいて、 将来の時系列データを演算するのに用いる予測対象のモ
デルを創出する手段、 モデル創出手段において用いられるデータを選択する手
段、 創出されたモデルを用いて予測した結果によりモデルを
評価する手段、 該評価手段の結果に基づき予測対象のモデルを変更ある
いはモデル創出に用いられるデータを選択する手段、 を備えたことを特徴とする時系列データの予測方法およ
びシステム。 - 【請求項２】予測対象の過去の時系列データを含む各種
データを入力する入力手段と、入力されたデータと予測
対象のモデルを記憶する手段と、記憶されたデータと予
測対象のモデルに基づき将来の時系列データを演算する
予測手段と、求めた演算結果を出力する出力手段を有す
る予測システムにおいて、 予測対象のモデルは（予測対象のトレンド、循環性、季
節性、月・曜日性、特異日特性、予測専門家の知識等を
表す）ベースモデルと（ベースモデルのみによる予測デ
ータと過去の時系列データの差をモデル化した）補助モ
デルのすくなくとも二つから成り、予測対象の該当モデ
ルを学習によって変更する手段、 を備えたことを特徴とする時系列データの予測方法およ
びシステム。 - 【請求項３】予測対象の過去の時系列データを含む各種
データを入力する入力手段と、入力されたデータと予測
対象のモデルを記憶する手段と、記憶されたデータと予
測対象のモデルに基づき将来の時系列データを演算する
予測手段と、求めた演算結果の出力手段を有する予測シ
ステムにおいて、 予測実行オペレータが入力した新項目のデータに基づき
予測対象のモデルを変更するべきかを判断する手段と、
その判断理由を表示する手段を備えたことを特徴とする
時系列データの予測方法およびシステム。 - 【請求項４】予測対象の過去の時系列データを含む各種
データを入力する入力手段と、入力されたデータと予測
対象のモデルを記憶する手段と、記憶されたデータと予
測対象のモデルに基づき将来の時系列データを演算する
予測手段と、求めた演算結果を出力する出力手段を有す
る無線あるいは有線の計算機ネットワークに接続された
予測システムにおいて、 予測実行オペレータが入力した新項目に関連するデータ
がない場合には、関連データをネットワーク上を検索し
て持ってくる手段と、予測対象のモデルを変更するべき
かを判断する手段と、その判断理由を表示出力する手段
を備えたことを特徴とする時系列データの予測方法およ
びシステム。 - 【請求項５】予測対象の過去の時系列データを含む各種
データを入力する入力手段と、入力されたデータと予測
対象のモデルを記憶する手段と、記憶されたデータと予
測対象のモデルに基づき将来の時系列データを演算する
予測手段と、求めた演算結果を出力する出力手段を有す
る予測システムにおいて、 予測結果によりモデルを評価する手段、 該評価手段の結果に基づき予測対象のモデルを変更する
手段、 予測実行オペレータが予測対象のモデルを変更する手段
あるいは予測結果を補正する手段、 を備えたことを特徴とする時系列データの予測方法およ
びシステム。 - 【請求項６】予測対象の過去の時系列データを含む各種
データを入力する入力手段と、入力されたデータと予測
対象のモデルを記憶する手段と、記憶されたデータと予
測対象のモデルに基づき将来の時系列データを演算する
予測手段と、求めた演算結果の出力手段を有する予測シ
ステムにおいて、 予測対象に対して複数個のモデルにもとづき複数の予測
時系列データ候補を計算する手段、複数個のモデルを評
価する手段、複数の候補から将来の時系列データを演算
する統合手段とを備えたことを特徴とする時系列データ
の予測方法およびシステム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2063998A JPH11219345A (ja) | 1998-02-02 | 1998-02-02 | 時系列データの予測方法およびシステム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2063998A JPH11219345A (ja) | 1998-02-02 | 1998-02-02 | 時系列データの予測方法およびシステム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH11219345A true JPH11219345A (ja) | 1999-08-10 |
Family
ID=12032809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2063998A Pending JPH11219345A (ja) | 1998-02-02 | 1998-02-02 | 時系列データの予測方法およびシステム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH11219345A (ja) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001183970A (ja) * | 1999-12-22 | 2001-07-06 | Eikoh Inc | 学習支援システム、その方法、及びその記録媒体 |
| JP2007122592A (ja) * | 2005-10-31 | 2007-05-17 | Toshiba Corp | 卸商品市場入札価格設定支援システムと方法、およびプログラム |
| JP2007141247A (ja) * | 2005-11-21 | 2007-06-07 | Sap Ag | 電子ビジネス通信におけるデータ要素の使用の追跡 |
| JP2008234094A (ja) * | 2007-03-19 | 2008-10-02 | Nippon Telegr & Teleph Corp <Ntt> | 予測モデル選択方法、予測方法、およびパラメータ推定装置、ならびにそのプログラム |
| CN107644274A (zh) * | 2017-09-30 | 2018-01-30 | 湖南省烟草公司郴州市公司 | 基于大气候数据的烟草野火病气象预测预报方法 |
| JP2018073163A (ja) * | 2016-10-31 | 2018-05-10 | 日本電信電話株式会社 | 符号器学習装置、変換装置、方法、及びプログラム |
| JP6815570B1 (ja) * | 2020-02-20 | 2021-01-20 | 三菱電機株式会社 | 静電選別装置 |
| WO2021075927A1 (ko) * | 2019-10-16 | 2021-04-22 | (주)아인스에스엔씨 | 대상 시스템을 기술하는 모델을 구현하고 동작시키는 컴퓨팅 시스템 및 이를 이용한 대상 시스템의 동작 예측 방법 |
| KR20210045124A (ko) * | 2019-10-16 | 2021-04-26 | (주) 아인스에스엔씨 | 다중 해상도 기반 모델 간의 천이 과정을 기술하는 모델을 구현하고 동작시키는 컴퓨팅 시스템 |
| KR20210045205A (ko) * | 2019-10-16 | 2021-04-26 | 주식회사 한국디지털트윈연구소 | 대상 시스템을 기술하는 모델을 구현하고 동작시키는 컴퓨팅 시스템 및 이를 이용한 대상 시스템의 동작 예측 방법 |
-
1998
- 1998-02-02 JP JP2063998A patent/JPH11219345A/ja active Pending
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001183970A (ja) * | 1999-12-22 | 2001-07-06 | Eikoh Inc | 学習支援システム、その方法、及びその記録媒体 |
| JP2007122592A (ja) * | 2005-10-31 | 2007-05-17 | Toshiba Corp | 卸商品市場入札価格設定支援システムと方法、およびプログラム |
| JP2007141247A (ja) * | 2005-11-21 | 2007-06-07 | Sap Ag | 電子ビジネス通信におけるデータ要素の使用の追跡 |
| JP2008234094A (ja) * | 2007-03-19 | 2008-10-02 | Nippon Telegr & Teleph Corp <Ntt> | 予測モデル選択方法、予測方法、およびパラメータ推定装置、ならびにそのプログラム |
| JP2018073163A (ja) * | 2016-10-31 | 2018-05-10 | 日本電信電話株式会社 | 符号器学習装置、変換装置、方法、及びプログラム |
| CN107644274A (zh) * | 2017-09-30 | 2018-01-30 | 湖南省烟草公司郴州市公司 | 基于大气候数据的烟草野火病气象预测预报方法 |
| WO2021075927A1 (ko) * | 2019-10-16 | 2021-04-22 | (주)아인스에스엔씨 | 대상 시스템을 기술하는 모델을 구현하고 동작시키는 컴퓨팅 시스템 및 이를 이용한 대상 시스템의 동작 예측 방법 |
| KR20210045124A (ko) * | 2019-10-16 | 2021-04-26 | (주) 아인스에스엔씨 | 다중 해상도 기반 모델 간의 천이 과정을 기술하는 모델을 구현하고 동작시키는 컴퓨팅 시스템 |
| KR20210045205A (ko) * | 2019-10-16 | 2021-04-26 | 주식회사 한국디지털트윈연구소 | 대상 시스템을 기술하는 모델을 구현하고 동작시키는 컴퓨팅 시스템 및 이를 이용한 대상 시스템의 동작 예측 방법 |
| JP6815570B1 (ja) * | 2020-02-20 | 2021-01-20 | 三菱電機株式会社 | 静電選別装置 |
| WO2021166178A1 (ja) * | 2020-02-20 | 2021-08-26 | 三菱電機株式会社 | 静電選別装置および静電選別方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dubé et al. | An empirical model of advertising dynamics | |
| US20100169165A1 (en) | Method for updating regression coefficients in a causal product demand forecasting system | |
| CN109784984A (zh) | 一种生鲜门店智能订货系统 | |
| JP5251217B2 (ja) | 販売数予測システム、販売数予測システムの動作方法および販売数予測プログラム | |
| Siregar et al. | Forecasting of raw material needed for plastic products based in income data using ARIMA method | |
| JPH11219345A (ja) | 時系列データの予測方法およびシステム | |
| JP2008123371A (ja) | 商品の需要予測装置および商品の需要予測方法ならびにそのプログラム | |
| CN111882363A (zh) | 销量预测方法、系统及终端 | |
| JP5031715B2 (ja) | 商品需要予測システム、商品の売上数調整システム | |
| EP2343683A1 (en) | Data relationship preservation in a multidimension data hierarchy | |
| JP2004295226A (ja) | 需要量予測支援システム及びそのプログラム並びにそのプログラムを記録したコンピュータで読み取り可能な記録媒体 | |
| CN118195675A (zh) | 一种用于客户快速决策的敏捷洞察评估系统 | |
| KR102217886B1 (ko) | 빅데이터 기반 상품 투자 추천 알고리즘의 최적 가중치를 인공지능을 이용하여 탐색하는 시스템 및 방법 | |
| JP2008117077A (ja) | メディアミックス計画の立案支援装置と立案支援方法 | |
| US20100100421A1 (en) | Methodology for selecting causal variables for use in a product demand forecasting system | |
| CN113657667A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
| US20050096964A1 (en) | Best indicator adaptive forecasting method | |
| JPH10134027A (ja) | 販売予測支援方法およびその装置 | |
| JP2004334326A (ja) | 商品需要予測システム、商品の売上数調整システム | |
| JPH10124478A (ja) | セグメント生成型予測モデル構築装置及びその方法 | |
| JPH09167152A (ja) | 対話的モデル作成方法 | |
| JP2005284470A (ja) | 商品毎のシェア予測装置と予測方法とそのためのプログラム | |
| US20230274162A1 (en) | Demand forecasting system, learning system, and demand forecasting method | |
| JPH09101947A (ja) | 時系列予測方法 | |
| JPH11259564A (ja) | 販売予測支援システム |