JPWO2020188637A1 - 需要予測装置および需要予測方法 - Google Patents

需要予測装置および需要予測方法 Download PDF

Info

Publication number
JPWO2020188637A1
JPWO2020188637A1 JP2021506804A JP2021506804A JPWO2020188637A1 JP WO2020188637 A1 JPWO2020188637 A1 JP WO2020188637A1 JP 2021506804 A JP2021506804 A JP 2021506804A JP 2021506804 A JP2021506804 A JP 2021506804A JP WO2020188637 A1 JPWO2020188637 A1 JP WO2020188637A1
Authority
JP
Japan
Prior art keywords
data
actual
demand
time
actual data
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.)
Granted
Application number
JP2021506804A
Other languages
English (en)
Other versions
JP6921360B2 (ja
Inventor
敬純 小部
敬純 小部
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Application granted granted Critical
Publication of JP6921360B2 publication Critical patent/JP6921360B2/ja
Publication of JPWO2020188637A1 publication Critical patent/JPWO2020188637A1/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Mathematical Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

需要予測装置（１）は、第１の実績データに類似するように第１の関連データを加工し、第２の実績データおよび第２の関連データから、加工された第１の関連データに類似するデータを選択し、選択された第２の実績データの傾向に合わせて第２の関連データの波形を調整し、第２の実績データの傾向に応じて予測モデルを選択して需要予測を行う。

Description

本発明は、需要予測装置および需要予測方法に関する。
例えば、特許文献１に記載された需要予測装置は、多変量解析モデルを用いて、部品の需要を予測している。多変量解析モデルは、払い出しされた部品の実績数を解とし、当該部品を有する装置の運転台数を因子とし、当該装置の運転時間を因子とし、指定期間の経済指標を因子としている。経済指標は、部品の需要に関連した経済指標であり、例えば、景気動向指数、平均株価または燃料価格である。
特開２０１５−１１８４１２号公報
特許文献１に記載された需要予測装置では、経済指標を因子とした多変量解析モデルを構築するために、基準期間から過去に遡った指定期間の経済指標データが用いられる。
しかしながら、基準期間から既定の時間だけずらされた指定期間の経済指標データは、基準期間からの景気変動と部品の需要発生時期との誤差が生じやすく、製品の需要を正確に予測できないという課題があった。
本発明は上記課題を解決するものであって、製品の需要を正確に予測することができる需要予測装置および需要予測方法を得ることを目的とする。
本発明に係る需要予測装置は、製品の過去の需要実績値の時系列である第１の実績データと、製品の過去の需要に関連した情報の時系列である第１の関連データとの波形の類似度に基づいて、第１の実績データに類似するように第１の関連データを加工し、製品の需要実績値の時系列である第２の実績データおよび製品の需要に関連した情報の時系列である第２の関連データから、加工された第１の関連データに類似するデータを選択し、第２の実績データの傾向に合わせて第２の関連データの波形を調整する分析部と、複数の予測モデルから、分析部によって選択された第２の実績データの傾向に応じて予測モデルを選択し、選択された予測モデルと、分析部によって選択された第２の実績データおよび第２の関連データとを使用した製品の需要予測を行う予測モデル選択部を備える。
本発明によれば、製品の過去の需要実績値の時系列である第１の実績データと製品の過去の需要に関連した情報の時系列である第１の関連データとの波形の類似度に基づいて、第１の実績データに類似するように第１の関連データを加工し、製品の需要実績値の時系列である第２の実績データおよび製品の需要に関連した情報の時系列である第２の関連データから、上記加工された第１の関連データに類似するデータを選択し、選択された第２の実績データの傾向に合わせて第２の関連データの波形を調整して、第２の実績データの傾向に応じて予測モデルを選択する。これにより、製品の需要の傾向が、製品の需要予測に使用される予測モデルおよびデータに反映されるので、製品の需要を正確に予測することができる。
実施の形態１に係る需要予測装置の構成を示すブロック図である。 実施の形態１に係る需要予測方法を示すフローチャートである。 図３Ａは、第１の実績データおよび第１の関連データの例を示すグラフである。図３Ｂは、図３Ａの第１の実績データと、この第１の実績データに類似するように加工された第１の関連データを示すグラフである。図３Ｃは、第２の実績データと、波形調整された第２の関連データの例を示すグラフである。 図４Ａは、実施の形態１に係る需要予測装置の機能を実現するハードウェア構成を示すブロック図である。図４Ｂは、実施の形態１に係る需要予測装置の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。 実施の形態２に係る需要予測装置の構成を示すブロック図である。 図６Ａは、第１の実績データおよび第１の関連データの例を示すグラフである。図６Ｂは、正規化された第１の実績データおよび第１の関連データを示すグラフである。図６Ｃは、図６Ｂの第１の実績データと、この第１の実績データに類似するように加工された第１の関連データを示すグラフである。図６Ｄは、第２の実績データと、波形調整された第２の関連データの例を示すグラフである。 図７Ａは、第１の実績データの一例を示すグラフである。図７Ｂは、図７Ａの第１の実績データが自己相関分析された結果を示すグラフである。図７Ｃは、図７Ａの第１の実績データが時系列成分ごとに分解された結果を示すグラフである。 図８Ａは、第１の実績傾向変動データおよび第１の関連傾向変動データの例を示すグラフである。図８Ｂは、正規化された第１の実績傾向変動データおよび第１の関連傾向変動データを示すグラフである。図８Ｃは、図８Ｂの第１の実績傾向変動データと、この第１の実績傾向変動データに類似するように加工された第１の関連傾向変動データを示すグラフである。図８Ｄは、第２の実績傾向変動データと、波形調整された第２の関連傾向変動データの例を示すグラフである。
実施の形態１．
図１は、実施の形態１に係る需要予測装置１の構成を示すブロック図である。需要予測装置１は、製品の需要予測を行う装置であり、図１に示すように、時系列データ入力部１１、時系列データ記憶部１２、予測モデル記憶部１３、分析部１４、予測モデル選択部１５および予測結果出力部１６を備える。以下、需要予測を行う対象の製品を単に「製品」と記載する。
時系列データ入力部１１は、時系列データの入力を受け付ける入力部である。時系列データ記憶部１２は、時系列データ入力部１１によって入力が受け付けられた時系列データを記憶する記憶部である。時系列データには、時間の経過に従って製品の需要の実績値が順次観測されて得られた時系列である実績データと、時間の経過に従って製品の需要に関連した情報が順次観測されて得られた時系列である関連データがある。なお、関連データは、製品の需要に関連した情報のオープンデータである。
実績データには、例えば、製品の出荷量、在庫量、発注量、受注量および生産量の実績値がある。製品の需要予測には、例えば、製品の出荷量予測、在庫量予測、発注量予測、受注量予測および生産量予測がある。
関連データには、例えば、実績データに関連した製品の経済指標、天気、および気温がある。製品の経済指標には、例えば、製品に関連する企業の株価、製品の貿易関連情報がある。また、関連データは、製品の実績データが得られた期間内に、当該製品を使用した装置が運転された運転台数であってもよい。
需要予測装置１によって需要予測が行われる前段階（以下、準備段階と記載する）に、時系列データ入力部１１によって入力が受け付けられた実績データを「第１の実績データ」と定義する。第１の実績データは、製品の過去の需要実績値の時系列データであって、製品の需要の経時的な傾向が反映されるように準備段階に至るまでの長期間に需要実績値が順次観測されて得られる。また、準備段階に、時系列データ入力部１１によって入力が受け付けられた関連データを「第１の関連データ」と定義する。第１の関連データは、製品の過去の需要に関連した情報の時系列データであり、準備段階に至るまでに製品の需要に関連する情報が順次観測されて得られる。
準備段階が経過し、需要予測装置１によって需要予測が行われる段階（以下、運用段階と記載する）に、時系列データ入力部１１によって入力が受け付けられた実績データを「第２の実績データ」と定義する。第２の実績データは、運用段階に需要実績値が順次観測されて得られた時系列データである。また、運用段階に、時系列データ入力部１１によって入力が受け付けられた関連データを「第２の関連データ」と定義する。第２の関連データは、運用段階に、製品の需要に関連した情報が順次観測されて得られた時系列データである。
予測モデル記憶部１３は、製品の需要予測に使用され得る複数の予測モデルを記憶する記憶部である。予測モデルには、例えば、自己回帰モデル（ＡＲモデル）、移動平均モデル（ＭＡモデル）、ＡＲＭＡモデル（自己回帰移動平均モデル）、ＡＲＩＭＡモデル（自己回帰和分移動平均モデル）およびＳＡＲＩＭＡモデル（季節自己回帰移動平均モデル）といった、時系列分析によって需要予測を行うモデルがある。
また、予測モデルには、例えば、回帰分析、クラスタ分析または多次元尺度法といった多変量解析によって需要予測を行うモデルがある。さらに、予測モデルは、時系列分析と多変量解析が組み合わされた手法で需要予測を行うモデルであってもよいし、ベイズ推定、シグマ法または状態空間モデルによって需要予測を行うモデルであってもよい。
時系列データ記憶部１２および予測モデル記憶部１３は、需要予測装置１とは別に設けられた外部装置が備えてもよい。この場合、時系列データ入力部１１は、当該外部装置が備えてもよい。需要予測装置１は、上記外部装置に通信接続して時系列データ記憶部１２との間で時系列データをやり取りし、予測モデル記憶部１３から予測モデルを取得する。なお、時系列データ記憶部１２および予測モデル記憶部１３は、別々の記憶装置が備えてもよいし、一つの記憶装置が備えてもよい。
分析部１４は、第１の実績データおよび第１の関連データを分析して、製品の需要予測に使用する第２の実績データおよび第２の関連データを選択する構成要素であり、類似度分析部１４１、データ選択部１４２および波形調整部１４３を備える。
類似度分析部１４１は、時系列データ同士の波形の類似度を算出する。例えば、類似度の指標として、動的時間伸縮（以下、ＤＴＷと記載する）を用いることができる。類似度分析部１４１は、実績データにおける各時点のデータと関連データにおける各時点のデータとの間のＤＴＷ距離を算出する。類似度は、ＤＴＷ距離の値が小さいほど高く、ＤＴＷ距離の値が大きいほど低くなる。また、類似度分析部１４１は、類似度の指標として相関係数を用いてもよいし、ＤＴＷ距離と相関係数の両方を用いてもよい。
類似度分析部１４１は、第１の実績データと第１の関連データとの波形の類似度に基づいて、第１の実績データに類似するように第１の関連データを加工する。例えば、類似度の指標がＤＴＷ距離である場合、類似度分析部１４１は、第１の実績データにおける各時点のデータとのＤＴＷ距離が最小となるように第１の関連データにおける各時点のデータを加工する。また、相関係数が類似度の指標である場合、類似度分析部１４１は、第１の実績データに対応させるデータを１時点ずつずらして相関分析を行い、第１の実績データに対する第１の関連データ全体の相関係数が最大となるように、第１の関連データを加工する。
さらに、類似度分析部１４１は、第１の実績データに類似するように加工された第１の関連データと、第２の実績データおよび第２の関連データとの波形の類似度を算出する。類似度の指標は、上記と同様に、ＤＴＷ距離、相関係数、または、ＤＴＷ距離および相関係数の両方である。
データ選択部１４２は、第１の実績データに類似するように加工された第１の関連データと第２の実績データとの波形の類似度に基づいて、運用段階に順次得られた第２の実績データから、当該第１の関連データに類似した第２の実績データを選択する。さらに、データ選択部１４２は、第１の実績データに類似するよう加工された第１の関連データと第２の関連データとの波形の類似度に基づいて、運用段階に順次得られた第２の関連データから、当該第１の関連データに類似した第２の関連データを選択する。
例えば、類似度の指標がＤＴＷ距離である場合、データ選択部１４２は、第１の関連データとの間のＤＴＷ距離の最小値が一定数以下である第２の実績データを選択する。類似度の指標が相関係数である場合、データ選択部１４２は、第１の関連データとの相関係数の最大値が一定数以上である第２の実績データを選択する。第１の関連データに類似した第２の関連データを選択する場合も同様である。
波形調整部１４３は、データ選択部１４２によって選択された第２の実績データの傾向に合わせて第２の関連データの波形を調整する。例えば、第２の実績データにおける製品の実績値の変動に伴って、この実績値に関連する情報も変動する場合、波形調整部１４３は、第２の実績データにおける実績値が変動する時点とこの実績値に関連する情報が変動する時点とが一致するように、第２の関連データをタイムシフトさせる。
予測モデル選択部１５は、予測モデル記憶部１３に記憶された複数の予測モデルから、データ選択部１４２によって選択された第２の実績データの傾向に応じて、予測モデルを選択する。例えば、第２の実績データが動的に変動している場合、予測モデル選択部１５は、予測結果が大きく変動しやすい予測モデルを選択する。一方、予測モデル選択部１５は、第２の実績データの変動が緩やかであれば、予測結果の変動が大きくなりにくい予測モデルを選択する。
予測モデル選択部１５は、予測モデル記憶部１３から選択された予測モデルと、データ選択部１４２によって選択された第２の実績データおよび第２の関連データを使用して、製品の将来の需要を予測する。製品の需要の予測結果は、予測モデル選択部１５から予測結果出力部１６に出力される。
予測結果出力部１６は、製品の需要の予測結果を出力してユーザに提示する。例えば、予測結果出力部１６は、予測結果である製品の需要実績値をディスプレイに表示する。
なお、予測結果出力部１６は、需要予測装置１とは別に設けられた外部装置が備えてもよい。例えば、予測結果出力部１６は、有線または無線の信号線を介して需要予測装置１と接続されたディスプレイ装置が備えてもよい。
図２は、実施の形態１に係る需要予測方法を示すフローチャートであって、図１の需要予測装置１の動作を示している。なお、図２に示す一連の処理の前段階（準備段階）に、時系列データ入力部１１は、第１の実績データおよび第１の関連データの入力を受け付けてる。また、第１の実績データには、製品の需要の経時的な傾向が反映されているものとする。
分析部１４が、時系列データ記憶部１２から第１の実績データおよび第１の関連データを読み出し、第１の実績データと第１の関連データとの波形の類似度に基づいて、第１の実績データに類似するように第１の関連データを加工する（ステップＳＴ１）。例えば、類似度の指標がＤＴＷ距離であれば、分析部１４は、第１の実績データの各時点のデータとの間のＤＴＷ距離が最小となるように第１の関連データの各時点のデータを加工する。
図３Ａは、第１の実績データａおよび第１の関連データｂの例を示すグラフである。図３Ａにおいて、横軸が時間（月）であり、縦軸が台数である。第１の実績データａは、準備段階までに月ごとに得られた製品の過去の出荷台数の実績値の時系列データである。第１の関連データｂは、準備段階までに月ごとに得られた、製品を使用した装置の過去の運転台数の時系列データである。なお、図３Ａに示す期間において、第１の実績データａと第１の関連データｂとの間にはデータサイズの大きな違いがないものとする。
図３Ｂは、図３Ａの第１の実績データａと、この第１の実績データａに類似するように加工された第１の関連データｂ’を示すグラフである。類似度の指標がＤＴＷ距離である場合、分析部１４が備える類似度分析部１４１は、第１の実績データａにおける各時点のデータと第１の関連データｂにおける各時点のデータとの間のＤＴＷ距離を算出する。
類似度分析部１４１は、第１の実績データａにおける各時点のデータと間のＤＴＷ距離が最小となるように、図３Ａに示した第１の関連データｂにおける各時点のデータを加工する。図３Ｂにおいて、破線Ａは、最小のＤＴＷ距離を示す線分である。類似度分析部１４１によって第１の関連データｂが加工されて、第１の実績データａにおける各時点のデータと破線Ａで結ばれた第１の関連データｂ’が生成される。
次に、分析部１４は、運用段階で取得された第２の実績データおよび第２の関連データから、第１の実績データａに類似するように加工された第１の関連データｂ’に類似する第２の実績データおよび第２の関連データを選択する（ステップＳＴ２）。例えば、分析部１４が備えるデータ選択部１４２が、第１の関連データｂ’とのＤＴＷ距離の最小値が一定数以上ある第２の実績データおよび第２の関連データを選択する。
続いて、分析部１４は、第２の実績データの傾向に合わせて第２の関連データの波形を調整する（ステップＳＴ３）。図３Ｃは、第２の実績データａ’と波形調整された第２の関連データｂ”の例を示すグラフである。例えば、分析部１４が備える波形調整部１４３は、第２の実績データａ’の傾向に合わせて時間のずらし幅を決定し、決定されたずらし幅で第２の関連データｂ”の波形をタイムシフトさせる。
予測モデル選択部１５は、分析部１４によって選択された第２の実績データａ’の傾向に応じて、予測モデルを選択する（ステップＳＴ４）。例えば、第２の実績データａ’に変化点がある、または、第２の実績データａ’が急激に減少もしくは増加している場合、予測モデル選択部１５は、第２の実績データａ’が動的に変動していると判断して、予測結果が大きく変動しやすい予測モデルを、予測モデル記憶部１３から選択する。予測結果が大きく変動しやすい予測モデルには、例えば、状態空間モデルがある。
第２の実績データａ’が緩やかに単純減少または単純増加もしくは一定値である場合、予測モデル選択部１５は、第２の実績データａ’の変動が緩やかであると判断して、予測結果の変動が大きくなりにくい予測モデルを、予測モデル記憶部１３から選択する。予測結果の変動が大きくなりにくい予測モデルには、例えば、回帰直線でデータの近似を行う予測モデルがある。
この後、予測モデル選択部１５は、選択した予測モデルと、分析部１４によって選択された第２の実績データおよび第２の関連データを使用して、製品の将来の需要予測を行う（ステップＳＴ５）。例えば、予測モデル選択部１５は、予測対象の将来の期間における製品の出荷台数を予測する。予測結果は、予測結果出力部１６によってユーザが確認可能な形式で出力される。例えば、製品の出荷台数の予測結果がディスプレイに表示される。
次に、需要予測装置１の機能を実現するハードウェア構成について説明する。
需要予測装置１における時系列データ入力部１１、時系列データ記憶部１２、予測モデル記憶部１３、分析部１４、予測モデル選択部１５および予測結果出力部１６の機能は、処理回路により実現される。すなわち、需要予測装置１は、図２のステップＳＴ１からステップＳＴ５までの処理を実行するための処理回路を備える。処理回路は、専用のハードウェアであってもよいが、メモリに記憶されたプログラムを実行するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）であってもよい。
図４Ａは、需要予測装置１の機能を実現するハードウェア構成を示すブロック図である。図４Ｂは、需要予測装置１の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。図４Ａおよび図４Ｂにおいて、補助記憶装置１００は、時系列データ記憶部１２および予測モデル記憶部１３によってデータの読み書きが行われる記憶領域を有した記憶装置である。例えば、時系列データ記憶部１２は、時系列データ入力部１１によって入力が受け付けられた時系列データを、補助記憶装置１００における第１の記憶領域に記憶する。また、予測モデル記憶部１３は、複数の予測モデルデータを、補助記憶装置１００における第２の記憶領域に記憶する。
情報入力インタフェース１０１は、時系列データ入力部１１が受け付ける時系列データと予測モデル記憶部１３に記憶される予測モデルデータの入力を中継するインタフェースである。以下、インタフェースをＩＦと省略して記載する。情報入力装置１０２は、需要予測装置１にデータを入力する装置であり、例えば、タッチパネル、マウスおよびキーボードである。情報入力装置１０２を用いて入力されたデータは、情報入力ＩＦ１０１を介して需要予測装置１に入力される。
ディスプレイＩＦ１０３は、需要予測装置１からディスプレイ１０４に出力されるデータを中継するＩＦである。ディスプレイ１０４は、入力したデータを表示する。例えば、予測結果出力部１６は、ディスプレイＩＦ１０３を介して予測結果をディスプレイ１０４に出力する。ディスプレイ１０４は、ディスプレイＩＦ１０３を介して入力した予測結果を画面上に表示する。
上記処理回路が図４Ａに示す専用のハードウェアである場合、処理回路１０５は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）またはこれらを組み合わせたものが該当する。なお、時系列データ入力部１１、時系列データ記憶部１２、予測モデル記憶部１３、分析部１４、予測モデル選択部１５および予測結果出力部１６の機能を、別々の処理回路で実現してもよいし、これらの機能をまとめて１つの処理回路で実現してもよい。
上記処理回路が図４Ｂに示すプロセッサ１０６である場合、時系列データ入力部１１、時系列データ記憶部１２、予測モデル記憶部１３、分析部１４、予測モデル選択部１５および予測結果出力部１６の機能は、ソフトウェア、ファームウェアまたはソフトウェアとファームウェアとの組み合わせによって実現される。ソフトウェアまたはファームウェアは、プログラムとして記述され、メモリ１０７に記憶される。プロセッサ１０６は、メモリ１０７に記憶されたプログラムを読み出して実行することによって、時系列データ入力部１１、時系列データ記憶部１２、予測モデル記憶部１３、分析部１４、予測モデル選択部１５および予測結果出力部１６の機能を実現する。すなわち、需要予測装置１は、プロセッサ１０６によって実行されるときに、図２に示したステップＳＴ１からステップＳＴ５までの処理が結果的に実行されるプログラムを記憶するメモリ１０７を備える。これらのプログラムは、時系列データ入力部１１、時系列データ記憶部１２、予測モデル記憶部１３、分析部１４、予測モデル選択部１５および予測結果出力部１６の手順または方法をコンピュータに実行させるものである。メモリ１０７は、コンピュータを、時系列データ入力部１１、時系列データ記憶部１２、予測モデル記憶部１３、分析部１４、予測モデル選択部１５および予測結果出力部１６として機能させるためのプログラムが記憶されたコンピュータ可読記憶媒体であってもよい。
メモリ１０７には、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ−ＥＰＲＯＭ）などの不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤなどが該当する。
なお、時系列データ入力部１１、時系列データ記憶部１２、予測モデル記憶部１３、分析部１４、予測モデル選択部１５および予測結果出力部１６の機能について、一部を専用のハードウェアで実現し、一部をソフトウェアまたはファームウェアで実現してもよい。
例えば、時系列データ入力部１１、時系列データ記憶部１２、予測モデル記憶部１３、および予測結果出力部１６は、専用のハードウェアとしての処理回路１０５がその機能を実現し、分析部１４および予測モデル選択部１５は、プロセッサ１０６がメモリ１０７に記憶されたプログラムを読み出して実行することによって、その機能を実現してもよい。このように、処理回路は、ハードウェア、ソフトウェア、ファームウェアまたはこれらの組み合わせによって、上記機能のそれぞれを実現することができる。
以上のように、実施の形態１に係る需要予測装置１は、準備段階で得られた第１の実績データに類似するように第１の関連データを加工し、運用段階で得られた第２の実績データおよび第２の関連データから、加工された第１の関連データに類似するデータを選択し、選択された第２の実績データの傾向に合わせて第２の関連データの波形を調整し、第２の実績データの傾向に応じて予測モデルを選択して製品の需要予測を行う。これにより、製品の需要の傾向が、製品の需要予測に使用される予測モデルおよびデータに反映されるので、製品の需要を正確に予測することができる。
実施の形態２．
図５は、実施の形態２に係る需要予測装置１Ａの構成を示すブロック図である。図５において、図１と同一の構成要素には同一符号を付して説明を省略する。需要予測装置１Ａは、時系列データ入力部１１、時系列データ記憶部１２、予測モデル記憶部１３、分析部１４Ａ、予測モデル選択部１５Ａおよび予測結果出力部１６を備える。
分析部１４Ａは、実績データの波形および関連データの波形を加工し、波形が加工された実績データおよび関連データを分析することで、製品の需要予測に使用する第２の実績データおよび第２の関連データを選択する。分析部１４Ａは、類似度分析部１４１、データ選択部１４２、波形調整部１４３および波形加工部１４４を備える。
波形加工部１４４は、時系列データの波形を加工する。波形の加工には、時系列データの正規化、時系列分析モデルを用いた時系列成分への分解、または、正規化および時系列成分への分解の両方がある。分析対象の実績データと関連データとの間にデータサイズの大きな違いがある場合、波形加工部１４４は、これらのデータを正規化する。
例えば、波形加工部１４４は、下記式（１）に従うｍｉｎ−ｍａｘ正規化法を用いて、実績データと関連データとの部分列の値域を０〜１に変換する。下記式（１）において、時系列データＴが正規化されたデータを、時系列データＴＮとする。また、データ番号ｉは、時系列データの各時点のデータに順に割り当てられた通し番号である。関数ｍｉｎはＴｉ，ωの最小値を出力する関数であり、関数ｍａｘはＴｉ，ωの最大値を出力する関数である。ωは時系列データのデータ項目である。例えば、実績データにおけるデータ番号ｉのデータＴｉ，ωは、データ番号ｉに対応する時点での「製品の出荷台数の実績値」であり、関連データにおけるデータ番号ｉのデータＴｉ，ωは、データ番号ｉに対応する時点での「製品を使用した装置の運転台数」である。
Ｔｉ Ｎ＝（ｔｉ−ｍｉｎ（Ｔｉ，ω））／（ｍａｘ（Ｔｉ，ω）−ｍｉｎ（Ｔｉ，ω）） ・・・（１）
また、波形加工部１４４は、下記式（２）に従うｚ正規化を行って、実績データと関連データとの部分列の値域の平均を０に変換し、標準偏差を１に変換してもよい。
下記式（２）において、関数ｍｅｓｎは、Ｔｉ，ωの平均値を出力する関数であり、関数ｓｔｄは、Ｔｉ，ωの標準偏差を出力する関数である。
Ｔｉ Ｎ＝（ｔｉ−ｍｅａｎ（Ｔｉ，ω））／ｓｔｄ（Ｔｉ，ω） ・・・（２）
さらに、波形加工部１４４は、下記式（３）に従うレベル正規化を行って、実績データと関連データとの部分列の平均を０に変換してもよい。
Ｔｉ Ｎ＝ｔｉ−ｍｅａｎ（Ｔｉ，ω） ・・・（３）
図６Ａは、第１の実績データａ０および第１の関連データｂ０を示すグラフである。図６Ａにおいて、横軸が時間（月）であり、縦軸が台数である。第１の実績データａ０は、準備段階までに月ごとに得られた製品の過去の出荷台数の実績値の時系列データである。第１の関連データｂ０は、準備段階までに月ごとに得られた、製品を使用した装置の過去の運転台数の時系列データである。
図６Ｂは、波形加工部１４４によって正規化された第１の実績データａ１および第１の関連データｂ１を示すグラフである。図６Ｂにおいて、横軸が時間（月）であり、縦軸が正規化された台数（以下、正規化台数と記載する）である。図６Ａに示す期間において、第１の関連データｂ０のデータサイズは、第１の実績データａ０に比べて小さい値となっている。そこで、波形加工部１４４は、第１の実績データａ０と第１の関連データｂ０を正規化する。第１の実績データａ１および第１の関連データｂ１が正規化されることで、図６Ｂに示す期間において、第１の実績データａ１と第１の関連データｂ１のデータサイズに大きな違いがなくなっている。
図６Ｃは、図６Ｂの第１の実績データａ１と、第１の実績データａ１に類似するように加工された第１の関連データｂ１’を示すグラフである。類似度分析部１４１は、波形加工部１４４によって正規化された第１の実績データａ１と第１の関連データｂ１との波形の類似度に基づいて、第１の実績データａ１に類似するように、第１の関連データｂ１を加工する。例えば、類似度の指標がＤＴＷ距離である場合、類似度分析部１４１は、第１の実績データａ１の各時点のデータとの間のＤＴＷ距離が最小となるように、第１の関連データｂ１の各時点のデータを加工する。図６Ｃにおいて、破線Ａは、図３Ｂと同様に、最小のＤＴＷ距離を示す線分である。類似度分析部１４１によって第１の関連データｂ１が加工されて、第１の実績データａ１における各時点のデータと破線Ａで結ばれた第１の関連データｂ１’が生成される。
図６Ｄは、第２の実績データａ２と波形調整された第２の関連データｂ２を示すグラフである。図６Ｄにおいて、横軸は、時間（月）であり、縦軸は、正規化台数である。波形加工部１４４は、運用段階で取得された第２の実績データおよび第２の関連データを正規化する。データ選択部１４２は、波形加工部１４４によって正規化された第２の実績データおよび第２の関連データから、第１の関連データｂ１’に類似したデータを選択する。例えば、データ選択部１４２は、第１の関連データｂ１’との間のＤＴＷ距離の最小値が一定数以上あるデータを選択する。波形調整部１４３は、第２の実績データａ２の傾向に合わせて第２の関連データｂ２の波形を調整する。
予測モデル選択部１５Ａは、分析部１４Ａによって選択された第２の実績データａ２の傾向に応じて、予測モデル記憶部１３から予測モデルを選択して、時系列成分ごとの予測モデルを用いた製品の需要予測を行う。例えば、予測モデル選択部１５Ａは、第２の実績データａ２が動的に変動している場合、予測結果が大きく変動しやすい予測モデルを選択する。一方、第２の実績データａ２が緩やかに変動していれば、予測モデル選択部１５Ａは、予測結果の変動が大きくなりにくい予測モデルを選択する。
また、波形加工部１４４は、時系列分析モデルを用いて、実績データの波形および関連データの波形を時系列成分ごとに分解してもよい。時系列成分には、傾向循環変動、循環変動、季節変動および不規則変動がある。波形加工部１４４は、実績データの波形および関連データの波形を、四半期、月単位、日単位または時間単位というように期間を定めて分解してもよい。
また、波形加工部１４４は、時系列データの各時点のデータを自己相関分析し、各時点のデータに自己相関があるとき、その自己相関に基づいて時系列成分に分解してもよい。自己相関は自己共分散と同じ意味で使用され、自己共分散Ｒ（ｔ，ｓ）は、下記式（４）で表される。ｔは時刻であり、ｓは時刻ｔから一定の時間幅ずらした時刻である。Ｘｔは時系列データにおける時刻ｔのデータであり、Ｘｓは時系列データにおける時刻ｓのデータである。μは時系列データの各時点のデータの平均であり、σ２は時系列データの各時点のデータの分散である。関数Ｅは期待値を出力する関数である。
Ｒ（ｔ，ｓ）＝（Ｅ［（Ｘｔ−μ）（Ｘｓ−μ）］）／σ２ ・・・（４）
図７Ａは、第１の実績データａを示すグラフであり、横軸が時間（月）であり、縦軸が台数である。図７Ａにおいて、第１の実績データａは、準備段階までに月ごとに得られた製品の過去の出荷台数の実績値の時系列データである。波形加工部１４４は、第１の実績データａを時系列成分ごとに分解する。
図７Ｂは、図７Ａの第１の実績データａが自己相関分析された結果を示すグラフである。図７Ｂにおいて、横軸が時間（月）であり、縦軸が自己相関値Ｂである。波形加工部１４４は、上記式（４）に従って、第１の実績データａの時系列ごとに自己相関値Ｂを算出し、自己相関値Ｂに基づいて第１の実績データａを時系列成分ごとに分解する。
図７Ｃは、図７Ａの第１の実績データａが時系列成分ごとに分解された結果を示すグラフである。図７Ｃにおいて、横軸は、時間（月）であり、縦軸は、時系列成分ごとに分解された台数を示すデータである。例えば、波形加工部１４４は、第１の実績データａを、季節変動、傾向変動および不規則変動にそれぞれ分解する。第１の実績データａにおける製品の過去の出荷台数の実績値は、季節変動データｃ、傾向変動データｄおよび不規則変動データｅでそれぞれ表される。
波形加工部１４４は、実績データおよび関連データに対して時系列成分への分解と正規化の両方を施してもよい。
図８Ａは、第１の実績傾向変動データｄ０および第１の関連傾向変動データｆ０を示すグラフである。図８Ａにおいて、横軸は、時間（月）であり、縦軸は、実績データと関連データの傾向変動値である。第１の実績データは、準備段階までに月ごとに得られた製品の過去の出荷台数の実績値の時系列データである。第１の関連データは、準備段階までに月ごとに得られた、製品を使用した装置の過去の運転台数の時系列データである。第１の実績傾向変動データｄ０は、波形加工部１４４によって第１の実績データが傾向変動成分に分解されたデータであり、第１の関連傾向変動データｆ０は、第１の関連データが傾向変動成分に分解されたデータである。
図８Ｂは、波形加工部１４４によって正規化された第１の実績傾向変動データｄ１および第１の関連傾向変動データｆ１を示すグラフである。図８Ｂにおいて、横軸は、時間（月）であり、縦軸は、正規化された傾向変動値（以下、正規化傾向変動値と記載する）である。図８Ａに示す期間において、第１の実績傾向変動データｄ０のデータサイズは、第１の関連傾向変動データｆ０に比べて小さい値となっている。そこで、波形加工部１４４は、第１の実績傾向変動データｄ０と第１の関連傾向変動データｆ０を正規化する。第１の実績傾向変動データｄ０および第１の関連傾向変動データｆ０が正規化されることで、図８Ｂに示す期間において、第１の実績傾向変動データｄ０と第１の関連傾向変動データｆ０のデータサイズに大きな違いがなくなっている。
図８Ｃは、図８Ｂの第１の実績傾向変動データｄ１と、第１の実績傾向変動データｄ１に類似するように加工された第１の関連傾向変動データｆ１’を示すグラフである。
類似度分析部１４１は、波形加工部１４４によって正規化された第１の実績傾向変動データｄ１と第１の関連傾向変動データｆ１との波形の類似度に基づいて、第１の実績傾向変動データｄ１に類似するように第１の関連傾向変動データｆ１を加工する。
例えば、類似度の指標がＤＴＷ距離である場合、類似度分析部１４１は、第１の実績傾向変動データｄ１の各時点のデータとの間のＤＴＷ距離が最小となるように、第１の関連傾向変動データｆ１の各時点のデータを加工する。また、破線Ａは、図３Ｂと同様に、最小のＤＴＷ距離を示す線分である。類似度分析部１４１によって第１の関連傾向変動データｆ１が加工されて、第１の実績傾向変動データｄ１における各時点のデータと破線Ａで結ばれた第１の関連傾向変動データｆ１’が生成される。
図８Ｄは、第２の実績傾向変動データｄ２と波形調整された第２の関連傾向変動データｆ２を示すグラフである。図８Ｄにおいて、横軸は、時間（月）であり、縦軸は、正規化台数である。波形加工部１４４は、運用段階で取得された第２の実績データおよび第２の関連データを傾向変動成分に分解し、傾向変動値を正規化する。データ選択部１４２は、正規化された第２の実績傾向変動データｄ２および第２の関連傾向変動データｆ２から、第１の関連傾向変動データｆ１’に類似したデータを選択する。例えば、データ選択部１４２は、第１の関連傾向変動データｆ１’との間のＤＴＷ距離の最小値が一定数以上あるデータを選択する。波形調整部１４３は、第２の実績傾向変動データｄ２の傾向に合わせて、第２の関連傾向変動データｆ２の波形を調整する。
予測モデル選択部１５Ａは、予測モデル記憶部１３から、分析部１４Ａによって選択された第２の実績データの時系列成分ごとの傾向に応じた予測モデルをそれぞれ選択して、時系列成分ごとの予測モデルを用いた製品の需要予測を行う。例えば、予測モデル選択部１５Ａは、第２の実績データの循環変動データが動的に変動している場合、予測結果が大きく変動しやすい予測モデルを選択する。一方、第２の実績データの季節変動データが緩やかに変動していれば、予測モデル選択部１５Ａは、予測結果の変動が大きくなりにくい予測モデルを選択する。予測モデル選択部１５Ａは、時系列成分ごとに求めた予測結果が合成されたデータを最終的な予測結果として予測結果出力部１６に出力する。
また、予測モデル選択部１５Ａが、製品の需要予測の正確さの指標を算出してもよい。例えば、予測モデル選択部１５Ａが、第２の実績データと第２の関連データの不規則変動データの傾向を分析し、データの変動が大きいほど、予測の正確さが低下し、データ変動が緩やかであると、予測の正確さが上昇する指標値を算出する。また、予測モデル選択部１５Ａによって選択された予測モデルが、ベイズ推定で予測を行うモデルである場合に、ベイズ推定において事後確率とともに算出される予測の尤度を、製品の需要予測の正確さの指標としてもよい。予測の正確さの指標は、予測モデル選択部１５Ａから予測結果出力部１６に出力され、予測結果出力部１６によってユーザに提示される。
なお、需要予測装置１Ａにおける、時系列データ入力部１１、時系列データ記憶部１２、予測モデル記憶部１３、分析部１４Ａ、予測モデル選択部１５Ａおよび予測結果出力部１６の機能は、処理回路によって実現される。処理回路は、図４Ａに示した専用のハードウェアの処理回路１０５であってもよいし、図５Ｂに示したメモリ１０７に記憶されたプログラムを実行するプロセッサ１０６であってもよい。
以上のように、実施の形態２に係る需要予測装置１Ａは、実績データおよび関連データの正規化、時系列分析モデルを用いた時系列成分への分解、または、正規化および時系列成分への分解の両方を行う波形加工部１４４を備える。予測モデル選択部１５Ａは、複数の予測モデルから、時系列成分ごとの第２の実績データの傾向に応じた予測モデルをそれぞれ選択し、時系列成分ごとの予測モデルを用いた製品の需要予測を行う。これにより、製品の過去の需要実績値の傾向および製品の過去の需要に関連した情報の傾向が、製品の需要予測に使用される予測モデルおよびデータにより正確に反映されるので、製品の需要を正確に予測することができる。
なお、本発明は上記実施の形態に限定されるものではなく、本発明の範囲内において、実施の形態のそれぞれの自由な組み合わせまたは実施の形態のそれぞれの任意の構成要素の変形もしくは実施の形態のそれぞれにおいて任意の構成要素の省略が可能である。
本発明に係る需要予測装置は、製品の需要を正確に予測することができるので、様々な製品の需要予測に利用可能である。
１，１Ａ 需要予測装置、１１ 時系列データ入力部、１２ 時系列データ記憶部、１３ 予測モデル記憶部、１４，１４Ａ 分析部、１５，１５Ａ 予測モデル選択部、１６ 予測結果出力部、１００ 補助記憶装置、１０１ 情報入力ＩＦ、１０２ 情報入力装置、１０３ ディスプレイＩＦ、１０４ ディスプレイ、１０５ 処理回路、１０６ プロセッサ、１０７ メモリ、１４１ 類似度分析部、１４２ データ選択部、１４３ 波形調整部、１４４ 波形加工部。

Claims (7)

  1. 製品の過去の需要実績値の時系列である第１の実績データと、前記製品の過去の需要に関連した情報の時系列である第１の関連データとの波形の類似度に基づいて、前記第１の実績データに類似するように前記第１の関連データを加工し、前記製品の需要実績値の時系列である第２の実績データおよび前記製品の需要に関連した情報の時系列である第２の関連データから、加工された前記第１の関連データに類似するデータを選択し、前記第２の実績データの傾向に合わせて前記第２の関連データの波形を調整する分析部と、
    複数の予測モデルから、前記分析部によって選択された前記第２の実績データの傾向に応じて予測モデルを選択し、選択された予測モデルと、前記分析部によって選択された前記第２の実績データおよび前記第２の関連データとを使用した前記製品の需要予測を行う予測モデル選択部と、
    を備えたことを特徴とする需要予測装置。
  2. 前記分析部は、実績データおよび関連データのそれぞれの波形を加工すること
    を特徴とする請求項１記載の需要予測装置。
  3. 前記分析部は、実績データおよび関連データのそれぞれの波形を正規化すること
    を特徴とする請求項２記載の需要予測装置。
  4. 前記分析部は、実績データおよび関連データのそれぞれの波形を時系列成分ごとに分解すること
    を特徴とする請求項２または請求項３記載の需要予測装置。
  5. 前記予測モデル選択部は、複数の予測モデルから、時系列成分ごとの前記第２の実績データの傾向に応じた予測モデルをそれぞれ選択し、時系列成分ごとの予測モデルを用いた前記製品の需要予測を行うこと
    を特徴とする請求項４記載の需要予測装置。
  6. 前記予測モデル選択部は、選択された予測モデル、または前記第２の実績データおよび前記第２の関連データの時系列成分ごとの傾向に基づいて、前記製品の需要予測の正確さの指標を算出すること
    を特徴とする請求項４記載の需要予測装置。
  7. 分析部が、製品の過去の需要実績値の時系列である第１の実績データと、前記製品の過去の需要に関連した情報の時系列である第１の関連データとの波形の類似度に基づいて、前記第１の実績データに類似するように前記第１の関連データを加工し、前記製品の需要実績値の時系列である第２の実績データおよび前記製品の需要に関連した情報の時系列である第２の関連データから、加工された前記第１の関連データに類似するデータを選択し、前記第２の実績データの傾向に合わせて前記第２の関連データの波形を調整するステップと、
    予測モデル選択部が、複数の予測モデルから、前記分析部によって選択された前記第２の実績データの傾向に応じて予測モデルを選択し、選択された予測モデルと、前記分析部によって選択された前記第２の実績データおよび前記第２の関連データとを使用した前記製品の需要予測を行うステップと、
    を備えたことを特徴とする需要予測方法。
JP2021506804A 2019-03-15 2019-03-15 需要予測装置および需要予測方法 Active JP6921360B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/010873 WO2020188637A1 (ja) 2019-03-15 2019-03-15 需要予測装置および需要予測方法

Publications (2)

Publication Number Publication Date
JP6921360B2 JP6921360B2 (ja) 2021-08-18
JPWO2020188637A1 true JPWO2020188637A1 (ja) 2021-09-13

Family

ID=72520681

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021506804A Active JP6921360B2 (ja) 2019-03-15 2019-03-15 需要予測装置および需要予測方法

Country Status (5)

Country Link
US (1) US20210383286A1 (ja)
EP (1) EP3926569A4 (ja)
JP (1) JP6921360B2 (ja)
CN (1) CN113557543A (ja)
WO (1) WO2020188637A1 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022118689A1 (ja) * 2020-12-01 2022-06-09 ソニーグループ株式会社 情報処理装置、情報処理方法および情報処理プログラム
JP2023048814A (ja) * 2021-09-28 2023-04-07 本田技研工業株式会社 情報提供装置、需要予測装置、情報提供システム、需要予測システム、およびプログラム
CN116048910A (zh) * 2022-12-08 2023-05-02 国网湖北省电力有限公司信息通信公司 一种数据中心设备运行数据双尺度预测方法
CN117372075B (zh) * 2023-12-08 2024-03-26 深圳华强电子交易网络有限公司 电子元件需求预测方法、装置及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000250888A (ja) * 1999-02-26 2000-09-14 Hitachi Ltd 予測目的別モデル選定型需要予測方式
JP2005141708A (ja) * 2003-11-05 2005-06-02 Yoji Mukuda 需要予測プログラム、当該需要予測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、及び需要予測装置
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
JP2018173837A (ja) * 2017-03-31 2018-11-08 三菱重工業株式会社 予測装置、予測システム、予測方法及びプログラム

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7080026B2 (en) * 2000-10-27 2006-07-18 Manugistics, Inc. Supply chain demand forecasting and planning
US20030200134A1 (en) * 2002-03-29 2003-10-23 Leonard Michael James System and method for large-scale automatic forecasting
US20050102175A1 (en) * 2003-11-07 2005-05-12 Dudat Olaf S. Systems and methods for automatic selection of a forecast model
US8010324B1 (en) * 2005-05-09 2011-08-30 Sas Institute Inc. Computer-implemented system and method for storing data analysis models
US7251589B1 (en) * 2005-05-09 2007-07-31 Sas Institute Inc. Computer-implemented system and method for generating forecasts
US9123000B2 (en) * 2005-10-31 2015-09-01 Friedrich Gartner Automatic generation of calendarization curves
US8676629B2 (en) * 2007-04-13 2014-03-18 Sas Institute Inc. System and methods for retail forecasting utilizing forecast model accuracy criteria, holdout samples and marketing mix data
TWI476640B (zh) * 2012-09-28 2015-03-11 Ind Tech Res Inst 時間資料序列的平滑化方法與裝置
US9286793B2 (en) * 2012-10-23 2016-03-15 University Of Southern California Traffic prediction using real-world transportation data
JP2015118412A (ja) 2013-12-16 2015-06-25 三菱重工業株式会社 部品の需要予測装置及び部品の需要予測方法
US10560313B2 (en) * 2018-06-26 2020-02-11 Sas Institute Inc. Pipeline system for time-series data forecasting

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000250888A (ja) * 1999-02-26 2000-09-14 Hitachi Ltd 予測目的別モデル選定型需要予測方式
JP2005141708A (ja) * 2003-11-05 2005-06-02 Yoji Mukuda 需要予測プログラム、当該需要予測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、及び需要予測装置
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
JP2018173837A (ja) * 2017-03-31 2018-11-08 三菱重工業株式会社 予測装置、予測システム、予測方法及びプログラム

Also Published As

Publication number Publication date
JP6921360B2 (ja) 2021-08-18
EP3926569A1 (en) 2021-12-22
US20210383286A1 (en) 2021-12-09
CN113557543A (zh) 2021-10-26
WO2020188637A1 (ja) 2020-09-24
EP3926569A4 (en) 2022-03-09

Similar Documents

Publication Publication Date Title
JP6921360B2 (ja) 需要予測装置および需要予測方法
US7881889B2 (en) Method and apparatus for determining energy savings by using a baseline energy use model that incorporates an artificial intelligence algorithm
JP5777404B2 (ja) 時系列データの予測装置、予測方法、予測プログラムおよび記憶媒体
JP2014525096A (ja) パターンシーケンスを用いるカーネル回帰モデリングを使用した監視方法
US20160078457A1 (en) System of Sequential Kernel Regression Modeling for Forecasting Financial Data
JP2019036061A (ja) 要因分析装置、要因分析方法、およびプログラム
JP2007233944A (ja) 商品販売予測システム
WO2009039500A1 (en) Method and apparatus for determining energy savings by using a baseline energy use model that incorporates an artificial intelligence algorithm
US20190064789A1 (en) System analyzing device, system analyzing method, and computer-readable recording medium
JP2018113817A (ja) 情報処理システム、および情報処理プログラム
Merlo et al. Nonparametric multivariate processes monitoring with guaranteed in-control performance for changes in location
JP6697082B2 (ja) 需要予測方法、需要予測システム及びそのプログラム
Hannah et al. Semiconvex regression for metamodeling-based optimization
JP7245125B2 (ja) 生成装置、生成方法、および生成プログラム
JP7443355B2 (ja) 需要予測装置
US11042837B2 (en) System and method for predicting average inventory with new items
Guo et al. Reliability assessment of scenarios generated for stock index returns incorporating momentum
JP7321406B2 (ja) バリデーション方法決定装置およびバリデーション方法決定方法
JP7162774B1 (ja) 需要予測装置及び需要予測方法
JP2020024621A (ja) 情報処理装置、方法及びプログラム
JP7502211B2 (ja) 情報処理装置、情報処理方法、およびプログラム
WO2022172445A1 (ja) 情報処理装置、情報処理方法、及び、情報処理プログラム
JP7135025B2 (ja) 情報処理装置、情報処理方法およびプログラム
JP7480844B2 (ja) 需要予測装置、需要予測方法、及び需要予測プログラム
US20220237348A1 (en) Information processing apparatus and information processing method

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210331

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20210331

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20210629

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210727

R150 Certificate of patent or registration of utility model

Ref document number: 6921360

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250