TW202046213A - 計劃制定系統及其方法 - Google Patents

計劃制定系統及其方法 Download PDF

Info

Publication number
TW202046213A
TW202046213A TW109118740A TW109118740A TW202046213A TW 202046213 A TW202046213 A TW 202046213A TW 109118740 A TW109118740 A TW 109118740A TW 109118740 A TW109118740 A TW 109118740A TW 202046213 A TW202046213 A TW 202046213A
Authority
TW
Taiwan
Prior art keywords
plan
evaluation
data
candidates
user
Prior art date
Application number
TW109118740A
Other languages
English (en)
Inventor
鄭建
小林雄一
高橋由泰
柳田貴志
川田恭志
Original Assignee
日商日立製作所股份有限公司
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 日商日立製作所股份有限公司 filed Critical 日商日立製作所股份有限公司
Publication of TW202046213A publication Critical patent/TW202046213A/zh

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本發明提供使得不需要伴隨於計劃制定的修正的計劃制定系統即計劃制定方法。計劃制定系統具備：計劃制定裝置，基於與確定計劃的規格的多個要素有關的規格資訊和規定了針對多個要素各自的限制條件的限制條件資訊，制定多個計劃候選，生成計劃資料；計劃評價裝置，對各個計劃資料進行評價，生成多個評價資料；評價輸入裝置，將由計劃制定裝置生成的各個計劃資料發送給用戶用終端，從用戶用終端分別接收表示用戶對各個計劃資料的評價結果的用戶資料；以及評價學習裝置，至少將通過評價輸入裝置的接收而得到的各個用戶資料作為學習資料進行學習，根據學習結果，構建對於各個計劃候選的評價學習器。

Description

計劃制定系統及其方法
本發明關於計劃制定系統及其方法。
作為本發明的先前技術，有日本特開2013-14387號公報(專利文獻1)所記載的技術。該公報中，記載有一種配車計劃評價學習系統，“具備：自動配車計劃製作裝置，將貨物與輸送該貨物的上述車輛關聯而製作指示貨物的輸送的配車計劃；評價裝置，計算利用評價專案值和按每個評價專案設定的權重係數的函數對製作出的配車計劃進行評價的評價值；輸入裝置，受理對於由上述自動配車計劃製作裝置製作出的配車計劃的修正輸入、以及估計為修正後的配車計劃的評價值的值，作為評價目標值；以及評價參數學習裝置，輸入自動配車計劃製作裝置製作出的自動配車計劃及上述手動配車計劃、以及上述自動配車計劃的評價值及上述評價目標值，並且將所輸入的上述手動配車計劃及自動配車計劃的評價專案值作為訓練資料的輸入資料，將上述評價值及評價目標值作為訓練資料的輸出值，進行學習。”(預約參照)。 專利文獻1：日本特開2013-14387號公報
在上述專利文獻1中，記載有將系統的自動計劃與用戶的修正結果進行比較來調整系統的技術。 在通過機器學習對計劃進行評價時，在需要修正的情況下，成為用戶的作業負擔。 本發明的目的是使得不需要伴隨於計劃制定的修正。 為了解決上述問題，本發明的特徵在於，具備：計劃制定裝置，基於與確定計劃的規格的多個要素有關的規格資訊和規定了針對上述多個要素各自的限制條件的限制條件資訊，制定作為上述計劃的候選的多個計劃候選，生成所制定的上述多個計劃候選各自的內容作為計劃資料；計劃評價裝置，對各個上述計劃資料進行評價，生成表示對各個上述計劃資料的評價結果的多個評價資料；評價輸入裝置，將由上述計劃制定裝置生成的各個上述計劃資料發送給用戶用終端，從上述用戶用終端分別接收表示用戶對各個上述計劃資料的評價結果的用戶資料；以及評價學習裝置，至少將通過上述評價輸入裝置的接收而得到的各個上述用戶資料作為學習資料進行學習，根據學習結果，構建對於各個上述計劃候選的評價學習器。 發明效果 根據本發明，能夠使得不需要伴隨於計劃制定的修正。 上述以外的問題、結構及效果通過以下的實施方式的說明會變得清楚。
[實施例1] 以下使用附圖對本具體實施方式進行說明。 首先，使用圖1對系統的結構進行說明。圖1是表示有關本發明的計劃制定系統的實施例1的系統結構圖。在圖1中，計劃制定系統具備訂購資訊DB(資料庫)101、限制條件DB102、自動制定系統103、用戶用終端106。 訂購資訊DB101是保存與確定計劃的規格的多個要素(產品的交貨期、品種、生產時間、成本)有關的規格資訊，例如與預定生產的產品的訂購和過去的訂購履歷有關的訂購資訊的資料庫。另外，在本實施例中，DB由通常的PC(Personal Computer，個人電腦)和通常的DB軟體構成，由DB軟體提供檢索及更新功能等。訂購資訊中包含有被顧客委託的產品的種類、數量、交貨期等資訊。 限制條件DB102是保存規定了針對確定計劃的規格的多個要素各自的限制條件的限制條件資訊，例如記述有多個工序的生產能力、生產的產品的規格、能夠製造的產品前後的產品的規格的差等資訊的資料庫。 自動制定系統103是自動制定計劃的系統，包括計劃制定裝置104、自動計劃DB105、評價輸入裝置107、計劃評價結果DB108、評價學習裝置109、評價學習器DB110而構成，與訂購資訊DB101、限制條件DB102及用戶用終端106連接。 計劃制定裝置104是從訂購資訊DB101讀入計劃預定的訂購資訊，從限制條件DB102讀入限制條件的資訊，並基於讀入的資訊制定作為計劃的候選的多個計劃候選，生成所制定的多個計劃候選各自的內容作為計劃資料的裝置。自動計劃DB105是保存與由計劃制定裝置104制定的自動計劃(計劃候選)有關的計劃資料的資料庫。 評價輸入裝置107是將保存在自動計劃DB105中的與自動計劃有關的計劃資料向用戶用終端106發送、從用戶用終端106接收與通過用戶的評價而得到的評價結果(用戶評價結果)有關的用戶資料的裝置。計劃評價結果DB108是計劃評價裝置202(參照圖3)將對自動計劃(計劃資料)進行評價而得到的評價資料(計劃資料的屬性、評價專案的評價值)與從用戶用終端106接收到的與用戶評價結果(評價點數)有關的用戶資料(用戶評價值)建立對應而作為計劃評價結果資料保存的資料庫。 評價學習裝置109是基於保存在計劃評價結果DB108中的計劃評價結果資料、通過機器學習對自動計劃與用戶評價結果的關係進行學習來構建評價學習器的裝置。評價學習器DB110是保存與由評價學習裝置109構建的評價學習器有關的資料的資料庫。 用戶用終端106是利用自動制定系統103的用戶操作的終端。 圖2是表示實施例1的計劃制定裝置的結構的結構圖。在圖2中，計劃制定裝置104具備計劃制定部201、計劃評價裝置202、計劃結果輸出部203。 計劃制定部201是從訂購資訊DB101讀入計劃預定的訂購資訊，從限制條件DB102讀入限制條件的資訊，基於所讀入的資訊，概率性地製作多個計劃、例如多個計劃候選，自動地生成與各計劃候選有關的計劃資料的處理部(處理程式)。計劃評價裝置202是對由計劃制定部201製作的多個計劃候選執行評價、選擇的處理的裝置。自動計劃輸出部203是基於計劃評價裝置202的處理結果判斷計劃精度及處理時間等的計劃的結束條件，並基於判斷結果使計劃制定部201執行再計劃的處理或結束計劃處理，將處理結果輸出的處理部(處理程式)。另外，也可以將計劃評價裝置202配置到計劃制定裝置104的外部。 圖3是表示實施例1的計劃評價裝置的結構的結構圖。在圖3中，計劃評價裝置202具備目標函數評價部301、評價學習器讀入部302、評價預測部303、預測可靠度計算部304、計劃評價部305。 目標函數評價部301是在自動制定系統103的構建時事前設定的、將計劃(計劃候選)用目標函數進行評價的處理部(處理程式)。此時，目標函數評價部301參照由計劃制定裝置104自動生成的計劃資料，利用目標函數評價計劃(計劃候選)。在將目標函數設為y的情況下，y例如可以用以下的數式1的總和運算來定義。 [數式1]
Figure 02_image001
這裡，Xi 是計劃的成本等的評價專案。Wi 是表示評價專案的優先順序的權重。作為評價專案，例如在計劃是生產計劃的情況下，可以使用預定生產的產品的成本、交貨期、生產時間。此時，例如在將評價專案設為產品的生產時間的情況下，產品的生產時間越短，y的值越小，為越好的計劃。另外，根據評價專案，也可以設為y的值越大為越好的計劃。 評價學習器讀入部302是從評價學習器DB110讀入評價學習器的資料的處理部(處理程式)。評價預測部303是基於評價學習器讀入部302讀入的評價學習器的資料來預測計劃的評價值的處理部(處理程式)。預測可靠度計算部304是對評價預測部303的預測值(評價的預測值)計算預測的可靠度的處理部(處理程式)。計劃評價部305是使用評價的預測值、預測可靠度、目標函數的評價值來評價計劃的處理部(處理程式)。 圖4是表示實施例1的評價輸入裝置的結構的結構圖。在該圖4中，評價輸入裝置107具備計劃結果讀入部401、計劃結果顯示部402、評價結果保存部403。計劃結果讀入部401是從自動計劃DB105讀入與自動計劃有關的計劃資料的處理部(處理程式)。計劃結果顯示部402是使用戶用終端106顯示由計劃結果讀入部401讀入的與自動計劃有關的計劃資料的處理部(處理程式)。評價結果保存部403是將從用戶用終端106接收到的表示用戶的評價結果的用戶資料向計劃評價結果DB108保存的處理部(處理程式)。 圖5是表示實施例1的評價學習裝置的結構的結構圖。在該圖5中，評價學習裝置109具備學習器選擇部501、學習輸入輸出部502、學習部503、學習器保存部504。學習器選擇部501是與商用或開源的機器學習庫協同、使用戶選擇學習器的類型的處理部(處理程式)。學習輸入輸出部502是從計劃評價結果DB108讀入由用戶用終端106指定的與學習輸入輸出有關的資料的處理部(處理程式)。學習部503是在由學習器選擇部501選擇的學習器的類型例如是神經網路的情況下、使用神經網路的機器學習技術對學習輸入與學習輸出的關係進行學習的處理部(處理程式)。學習器保存部504是將與進行了學習的評價學習器有關的資料向評價學習器DB110保存的處理部(處理程式)。 在本實施例中，包括終端的各裝置可以使用以下的PC來構成。圖6是表示實施例1的PC的結構的結構圖。在圖6中，PC具備CPU601、記憶體602、介面603、網路介面604、鍵盤605、畫面606、滑鼠607、硬碟608。 CPU601是中央處理裝置(Central Processing Unit)，是能够執行記錄在記憶器602中的程式或預先從硬碟608轉送給記憶器602的程式的裝置。另外，程式根據需要能夠由PC利用，也可以被可拆裝的記憶媒體導入。在此情況下，將用來讀取記憶媒體的資訊的裝置連接到介面603。另外，作為這樣的記憶媒體及用來讀取它的裝置，通常已知使用光碟(CD、DVD、藍光碟等)的裝置或使用快閃記憶體的裝置，可以使用這些裝置。此外，程式根據需要，也可以由網路介面604經由通訊媒體(通訊線路或通訊線路上的輸送波)被導入到PC。 記憶體602是暫時性地記錄程式及資料的記憶媒體。介面603用來連接PC系統內的各部，PC系統內的各部經由介面603被連接。網路介面604是用來與PC系統外的PC等進行通訊的裝置。在本實施例中，網路介面604與通訊網路(未圖示)連接。 鍵盤605是為了進行向PC系統的指令及資料登錄而由PC系統的操作者操作的裝置。畫面606是用來顯示CPU601的處理結果等的顯示裝置(未圖示)的顯示畫面。滑鼠607 是通過由PC系統的操作者移動顯示在畫面606上的指標、並且在任意的地方供操作者按下按鈕，從而指定畫面上的位置、向CPU601傳達某種行動的裝置。另外，畫面606也可以由觸摸面板代替，在此情況下，通常不需要指標。 硬碟608是保存程式及資料的裝置，例如可以由磁片或非揮發性記憶體等構成。在此情況下，保存在硬碟608中的程式及資料即使在硬碟608的電源斷開之後接通的情況下也通常被保持。另外，在硬碟608中也可以預先導入作業系統(OS)。通過這樣，能夠使用檔案名來指定程式。這裡OS是電腦的基本軟體，可以使用通常周知的OS。在本實施例中假設導入了OS。 接著，使用圖7～圖11，對訂購資訊DB101、限制條件DB102、自動計劃DB105、計劃評價結果DB108、評價學習器DB110的資料構造進行說明。 圖7是表示實施例1的訂購資訊DB的資料構造的結構圖。訂購資訊DB101包括訂購號701、交貨期702、數量703、品種704而構成。訂購號701是唯一地識別與計劃對象有關的訂購的識別號。在訂購號701中，例如在計劃對象是預定生產的產品的情況下，作為預定生產的產品的識別號而保存“1”的資訊。交貨期704表示交付預定生產的產品的期限。在交貨期704中，例如作為到預定生產的產品的出貨為止的天數而保存“4”的資訊。數量703是表示預定生產的產品的數量的值。在數量703中，例如在產品的數量是“3”的情況下保存“3”的資訊。品種704是唯一地識別預定生產的產品的種類的識別資訊。品種704例如在預定生產的產品的種類是“A”的情況下保存“A”的資訊。另外，上述的專案作為計劃製作所需要的資料也可以包括關於訂購的其他資料。 圖8是表示實施例1的限制條件DB的資料構造的結構圖。在圖8中，限制條件DB102包括設備號801、決定變數802、限制條件803而構成。設備號801是唯一地識別用來在各工序中生產預定生產的產品的設備的識別號。在設備號801中，例如在用來在各工序中生產預定生產的產品的設備是“設備1”的情況下保存“設備1”的資訊。決定變數802是對與相應設備的限制條件有關的屬性進行管理的變數，例如由與交貨期、數量、品種有關的屬性構成。限制條件803是表示各工序的交貨期及生產量等的條件。在限制條件803中，作為規定決定變數802的交貨期的條件，例如在到預定生產的產品的出貨為止的天數比“5天”短的情況下保存“交貨期＞5”的資訊，作為規定決定變數802的數量的條件，例如在預定生產的產品的“數量”比“20”少的情況下保存“數量＜20”的資訊，作為規定決定變數802的品種的條件，例如在預定生產的產品中的“相同品種的連續製造量”比“10”少的情況下保存“同品種的連續製造量＜10”的資訊。另外，上述的決定變數802及限制條件803作為在計劃製作中應考慮的條件，也可以包括對計劃有影響的天氣等的變數或條件。 圖9是表示實施例1的自動計劃DB的資料構造的結構圖。在圖9中，自動計劃DB105是用來管理由計劃制定裝置104自動生成的計劃資料的資料庫，包括批號901、設備號902、品種903、開始時刻904、結束時刻905而構成。批號901是唯一地識別製造產品時的批次的識別號。在批號901中，例如在將某個品種的產品一起製作一定的數量的情況下，作為該一起製作的產品的批號而保存“1”的資訊。設備號902與限制條件DB102的設備號801是同樣的，品種904與訂購資訊DB101的品種704是同樣的。開始時刻904是表示在製造產品時的批次中、各設備中的開始時刻的資訊。在開始時刻904中，例如保存“08：00”的資訊。結束時刻905是表示在製造產品時的批次中、各設備中的結束時刻的資訊。在結束時刻905中，例如保存“10：00”的資訊。根據保存在開始時刻904中的資訊和保存在結束時刻905中的資訊，能夠計算產品的生產時間。 圖10是表示實施例1的計劃評價結果DB的資料構造的結構圖。在圖10中，計劃評價結果DB108是由評價輸入裝置107管理的資料庫，包括計劃ID1001、計劃資料的屬性1(1002)、計劃資料的屬性2(1003)、評價專案1的評價值1004、評價專案2的評價值1005、用戶評價值1006而構成。計劃ID1001是學習對象計劃的識別號。在計劃ID1001中，例如保存“1”的資訊。計劃資料的屬性1(1002)、屬性2(1003)是計劃資料的屬性，例如是表示預定生產的產品的品種的數量、計劃資料的記錄數等的資訊。在計劃資料的屬性1(1002)中，例如在預定生產的產品的品種的數量是“2”的情況下保存“2”的資訊，在計劃資料的屬性2(1003)中，例如在計劃資料的記錄數是“21”的情況下保存“21”的資訊。 評價專案1的評價值1004和評價專案2的評價值1005是由計劃評價裝置202評價的值，例如表示使用目標函數y對計劃進行了評價的值。在評價專案1的評價值1004中，例如在將目標函數y的評價專案設為“交貨期”、在對計劃進行了評價時的評價值是“15”的情況下，保存“15”的資訊。在評價專案2的評價值1005中，例如在將目標函數y的評價專案設為“生產時間”、對計劃進行了評價時的評價值是“15”的情況下，保存“15”的資訊。 用戶評價值1006是被輸入到用戶用終端106中的值，表示用戶對於物件計劃(計劃資料)的評價值(用戶資料)。在用戶評價值1006中，例如在將由用戶給出的3個等級(高、中、低)的評價值設為“○”、“△”、“×”的情況下，保存某1個評價值的資訊。 這裡，在評價專案1的評價值1004中，在由計劃資料確定的交貨期是到出貨為止的天數的情況下，作為評價值將小的值作為好的值保存。此外，在評價專案2的評價值1005中，在由計劃資料確定的時間是產品的生產時間的情況下，作為評價值將小的值作為好的值保存。因此，計劃ID1001為“1”的計劃由於記錄在評價專案1、2的評價值1003、1004中的數值分別比其他計劃低，所以作為用戶評價值1006而選擇“○”。另外，即使是記錄在評價專案1、2的評價值1003、1004中的數值分別比其他計劃低的情況，在計劃資料的屬性1(1002)或計劃資料的屬性2(1003)的值分別比其他計劃大的情況下(品種的數量或計劃資料的記錄數大的情況下)，由於計劃有可能變得複雜，所以也有作為用戶評價值1006而記錄“×”的情況。另外，作為在用戶評價值106中使用的資訊，既可以是“○”、“△”、“×”等的等級評價的資訊，也可以是基於數值的資訊。在此情況下，也可以設為數值越大則用戶評價值106越高，或相反數值越小則用戶評價值106越高。 圖11是表示實施例1的評價學習器DB的構造的結構圖。在圖11中，評價學習器DB110包括學習器ID1101、學習資料的期間1102、學習器類型1103而構成。學習器ID1101是唯一地識別從評價學習裝置109輸出的學習器的識別號。在學習器ID1101中，例如保存“1”的資訊。學習資料期間1102表示學習器構建用的學習資料的期間。在學習資料期間1102中，例如保存“2018/01/01～2018/06/30”的資訊。學習器類型1103表示從評價學習裝置109輸出的學習器的類型(學習器的構造)。在學習器類型1103中，例如保存“神經網路”、“決策樹”的資訊。 接著，對用戶用終端的畫面進行說明。圖12是表示實施例1的用戶用終端的畫面的結構圖。在圖12中，用戶用終端106的畫面1200包括自動計劃的顯示框(display box)1201、計劃評價輸入按鈕1202、評價預測值和預測可靠度的顯示框1203、學習物件計劃評價結果的顯示框1204、學習輸入指定按鈕1205、學習輸出指定按鈕1206、保存按鈕1207而構成。 自動計劃的顯示框1201是用來顯示保存在自動計劃DB105中的資料(自動計劃結果)的顯示區域。計劃評價輸入按鈕1202是使用戶對顯示在自動計劃的顯示框1201中的自動計劃結果輸入“○”、“△”、“×”等的計劃的好壞的評價值的按鈕。評價預測值和預測可靠度的顯示框1203是顯示來自計劃評價裝置202的評價預測值和評價預測值的可靠度的顯示區域。學習物件計劃評價結果的顯示框1204是顯示學習物件計劃評價結果的顯示區域。學習輸入指定按鈕1205是使用戶指定學習輸入欄，例如計劃資料的屬性、評價專案等的按鈕。學習輸出指定按鈕1206是使用戶指定學習輸出例如用戶評價值的按鈕。保存按鈕1207是用來使用戶將對計劃評價輸入按鈕1202輸入的資訊(計劃評價輸入的值)、對學習輸入指定按鈕1205輸入的資訊(學習輸入指定的值)、對學習輸出指定按鈕1206輸入的資訊(學習輸出指定的值)向計劃評價結果DB108保存的按鈕。 圖13是表示實施例1的自動制定系統的處理的流程圖。在圖13中，用戶用終端106的CPU經由計劃制定裝置104取入保存在訂購資訊DB101中的資訊，將保存在訂購資訊DB101中的資訊中的計劃對象的訂購資訊顯示在畫面1200上，使用戶確認訂購資訊(步驟1301)。這裡，訂購資訊DB101等的DB與裝置間的通訊可以通過通常的通訊或RPC(Remote Procedure Call)等來執行，以下，假設通過這樣的方法進行裝置間通訊。 接著，計劃制定裝置104的CPU從訂購資訊DB101輸入訂購資訊，並從限制條件DB102輸入關於限制條件的資訊，基於訂購資訊及限制條件，將目標函數優化，制定計劃，將所制定的計劃的內容(計劃資料)向自動計劃DB105保存(步驟1302)。此時，在計劃評價裝置202的CPU中，使用目標函數評價自動計劃的內容(計劃資料)，執行生成表示對計劃資料的評價結果的多個評價資料的處理。 對於計劃制定方法，以下舉出具體例進行說明。在本實施例中使用限制程式設計。另外，關於這些計算，有通常能夠獲得的數理計劃軟體，也可以使用這種軟體。本實施例中的輸入是訂購的交貨期、數量、品種、物件設備的限制條件。輸出是遵守了物件設備的限制條件的物件設備中的開始結束時刻。關於開始結束時刻的決定方式，例如使用回溯法(Backtracking)的搜索方法。 另外，回溯法是通常的解(計劃候選)搜索演算法之一，當求某個解時，依次嘗試有可能的順序。在用該順序求出瞭解的情況下作為解保存，在判明了不能求出解的時間點，回到前一個狀態，嘗試其他的順序。 通過回溯法搜索法，可以搜索到多個解(計劃候選)。此時，對於通過搜索得到的多個計劃候選，用目標函數進行評價，採用多個計劃候選中的得分(評價值)高的計劃候選，將所採用的計劃候選設為通過自動制定形成的計劃。目標函數例如可以用數式1所示的數式來定義。另外，也可以通過其他方式進行定義。計劃制定裝置104的CPU執行搜索演算法來制定計劃。 接著，評價輸入裝置107的CPU如果將保存在自動計劃DB105中的資料(表示自動計劃的計劃資料)向用戶用終端106傳送，則用戶用終端106的CPU將自動計劃的內容(計劃資料)顯示在畫面1200上，使用戶評價自動計劃結果(步驟1303)。此時，在向用戶用終端106輸入了由用戶給出的評價結果(用戶評價值)的情況下，評價輸入裝置107的CPU從用戶用終端106接收表示由用戶給出的評價結果的用戶資料。此外，評價輸入裝置107的CPU在從計劃評價裝置202接收到計劃評價裝置202對自動計劃的內容(計劃資料)進行評價而得到的評價資料(計劃資料的屬性/評價專案的評價值)的情況下，生成將接收到的評價資料與用戶資料建立了關聯的計劃評價結果資料，將所生成的計劃評價結果資料向計劃評價結果DB108保存。 接著，評價學習裝置109的CPU基於學習用的計劃評價結果的資料(計劃評價結果資料)構建評價學習器，將關於所構建的評價學習器的資料向評價學習器DB110保存(步驟1304)。另外，關於學習方法，使用圖14在後面敘述。 接著，計劃制定裝置104的CPU從評價學習器DB110讀入在步驟1304中構建的評價學習器的資料，對於新計劃輸入，由計劃評價裝置202對計劃進行評價，制定計劃(步驟1305)，然後，結束該程式中的處理。此時，在屬於計劃制定裝置104的計劃評價裝置202中，執行對於新計劃的評價。另外，關於制定計劃的處理，使用圖15在後面敘述。此外，在需要計劃評價裝置202中的更新處理的情況下，再實施步驟1301～步驟1305的處理。在再實施處理的情況下，在步驟1302中，計劃評價裝置202不是使用目標函數、而主要使用評價學習器來評價計劃。 接著，使用圖14對圖13的步驟1304中的學習處理詳細說明。圖14是用來說明實施例1的評價學習裝置的學習處理的流程圖。在圖14中，首先，評價學習裝置109的CPU將學習器類型的資訊(在評價學習器DB110的學習器類型1103中保存的資訊)顯示在用戶用終端106的畫面1200上，使用戶選擇學習器(學習器類型)(步驟1401)。 接著，評價學習裝置109的CPU從計劃評價結果DB108讀入包括評價資料和用戶資料的計劃評價結果資料作為學習物件的評價結果資料(步驟1402)，將所讀入的計劃評價結果資料中的評價資料(包括計劃資料的屬性和評價專案的評價值的資料)作為學習資料的輸入，將用戶資料(表示用戶評價值的資料)作為學習資料的輸出，學習其關係(步驟1403)。此時，評價學習裝置109的CPU根據學習資料的輸入與輸出的關係，能夠學習如果輸入了怎樣的評價資料則會輸出怎樣的用戶評價值。 接著，評價學習裝置109的CPU將在步驟1403中學習的結果向評價學習器DB110保存(步驟1404)，然後，結束該程式中的處理。 接著，使用圖15對圖13的步驟1305的計劃制定處理詳細說明。圖15是用來說明實施例1的計劃制定裝置的計劃制定處理的流程圖。在圖15中，用戶用終端106的CPU將保存在訂購資訊DB101中的資訊中的計劃對象的訂購資訊顯示在畫面1200上，使用戶確認訂購資訊(步驟1501)。 接著，計劃制定裝置104的CPU從訂購資訊DB101輸入訂購資訊，並從限制條件DB102輸入關於限制條件的資訊，基於所輸入的訂購資訊及限制條件，將由計劃評價裝置202得到的評價值優化而制定計劃，將表示所制定的計劃(自動計劃)的內容的資料(計劃資料)向自動計劃DB105保存(步驟1502)，然後，結束該程式中的處理。另外，計劃評價裝置202基於對各計劃候選的評價結果，選擇各計劃候選中的某1個計劃候選作為制定對象的計劃。此外，關於計劃評價裝置202中的評價方法，使用圖16在後面敘述。 接著，使用圖16對圖15的步驟1502的計劃評價裝置202中的評價處理詳細說明。圖16是用來說明實施例1的計劃評價裝置的計劃評價處理的流程圖。在圖16中，計劃評價裝置202的CPU使用評價學習器，基於多個計劃(計劃候選)、例如計劃A和計劃B的學習用輸入資料，計算對於各計劃的評價預測值，並且也計算對於預測值(評價預測值)的預測可靠度(步驟1601)。 作為預測可靠度的計算方法，例如，對於學習資料，將評價學習器中的預測值(由已學習評價學習器得到的用戶評價值的預測值)好、用戶也評價為○的計劃集合設為預測值(評價預測值)好、預測可靠度也高的計劃集合A。將評價學習器中的預測值好、用戶評價為×的計劃集合設為預測值(評價預測值)好、預測可靠度低的計劃集合B。此外，對於計劃，預測值(評價預測值)好的情況下，計算計劃與各個計劃集合的距離。例如，在與計劃集合A的距離短的情況下，設為對於計劃的預測可靠度高，在與計劃集合B的距離短的情況下，設為對於計劃的預測可靠度低。同樣，對於學習資料，在評價學習器中的預測值差的情況下，預測可靠度也差。這裡，舉出了預測可靠度的定義的一例，但也可以是其他的定義。 接著，計劃評價裝置202的CPU執行判別計劃A和計劃B的評價預測值、以及計劃A和計劃B的預測可靠度中的哪一方的內容符合條件的處理(步驟1602)。該判別條件例如設定3種。例如，作為條件1設定為“A(計劃A)的預測可靠度高且B(計劃B)的預測可靠度高，作為條件2設定為“A(計劃A)的預測可靠度高或B(計劃B)的預測可靠度高”，作為條件3設定為“A(計劃A)的預測可靠度低且B(計劃B)的預測可靠度低”。這裡，評價預測值和預測可靠度的判別條件的設定也可以是不同的設定方式。 接著，計劃評價裝置202的CPU執行按照在步驟1602中的判別中使用的條件選擇計劃A和計劃B中的某個計劃的處理(步驟1603)，然後，結束該程式中的處理。此時，作為選擇計劃的處理，例如在步驟1602中選擇了條件1的情況下，選擇評價預測值高的計劃。此外，在步驟1602的處理中選擇了條件2的情況下，預測可靠度高的計劃的評價預測值也好的情況下選擇相應計劃。或者，預測可靠度高的計劃的評價預測值差的情況下，選擇對方計劃(另一方的計劃)。進而，在步驟1602的處理中選擇了條件3的情況下，用目標函數對計劃A、B進行評價，選擇評價值好的計劃。 此時，計劃評價裝置202用目標函數或由評價學習裝置109構建的評價學習器對各計劃資料進行評價，基於各評價結果，從各計劃候選中選擇評價結果好的計劃候選作為制定對象的計劃。這裡，舉出了判別條件的處理的一例，但也可以是其他的處理方式。 此外，當對計劃A、B的預測可靠度進行評價時，在計劃評價裝置202中可以採用以下的方法。對數式1的目標函數y應用計劃資料，將多個計劃候選中的目標函數y的值高的計劃候選設為計劃集合A，將目標函數y的值低的計劃候選設為計劃集合B，對於各計劃候選，將作為計劃集合A的基準位置(中心)與該計劃候選之間的距離的第1距離、和作為計劃集合B的基準位置與該計劃候選之間的距離的第2距離進行比較。 基於第1距離和第2距離的比較結果，根據各計劃候選屬於計劃集合A及計劃集合B中的哪一方，決定作為預測值(由已學習評價學習器得到的用戶評價值的預測值)的可靠度的預測可靠度，基於預測可靠度高的預測值來選擇計劃候選。 在第1距離＜第2距離或第1距離=第2距離、並且計劃候選屬於計劃集合A的情況下，將預測可靠度設為高預測可靠度。即是因為，第1距離比第2距離小是指計劃候選應該屬於計劃集合A，並且計劃候選屬於了計劃集合A。 在第1距離＜第2距離或第1距離=第2距離、但是計劃候選屬於計劃集合B的情況下，將預測可靠度設為低預測可靠度。即是因為，第1距離比第2距離小是指計劃候選應該屬於計劃集合A，但屬於了計劃集合B。 在第1距離＞第2距離、並且計劃候選屬於計劃集合B的情況下，將預測可靠度設為高預測可靠度。即是因為，第2距離比第1距離小是指計劃候選應該屬於計劃集合B，並且計劃候選屬於了計劃集合B。 在第1距離＞第2距離、但是計劃候選屬於計劃集合A的情況下，將預測可靠度設為低預測可靠度。即是因為，第2距離比第1距離小是指計劃候選應該屬於計劃集合B，但屬於了計劃集合A。 根據本實施例，用戶僅向用戶用終端106輸入用戶資料就可以，所以能夠不需要伴隨於計劃制定的修正，結果，能夠減輕用戶的作業負擔。此外，根據本實施例，由於使用目標函數或評價學習器對各計劃候選進行評價，所以能夠防止因評價學習器的誤評價而造成精度變差，結果，能夠從各計劃候選中正確地選擇評價結果好的計劃候選作為制定物件的計劃。 [實施例2] 本實施例中，評價學習裝置的功能與實施例1不同，但其他結構與實施例1是同樣的。圖17是表示實施例2的評價學習裝置的結構的結構圖。在圖17中，評價學習裝置109包括學習輸入輸出部1701、參數學習部1702、學習結果保存部1703而構成。 學習輸入輸出部1701是從計劃評價結果DB108讀入由用戶用終端106指定的關於學習輸入輸出的資訊的處理部(處理程式)。參數學習部1702例如是使用最小二乘法等的技術學習參數的關係的處理部(處理程式)。最小二乘法的計算也可以利用通常的市面銷售的軟體。學習結果保存部1703是將參數學習部1702所學習的參數、例如關於評價參數的資訊向評價學習器DB110保存的處理部(處理程式)。 圖18是表示實施例2的計劃評價結果DB的資料構造的結構圖。在圖18中，計劃評價結果DB108是由評價輸入裝置107管理的資料庫，包括計劃ID1801、評價專案1的用戶評價值1802、評價專案2的用戶評價值1803、用戶綜合評價值1804而構成。此時，計劃評價結果DB108構成為，將從用戶用終端106接收到的用戶對在目標函數的設定中使用的評價專案進行評價而得到的資料即評價資料(評價專案1的用戶評價值1802、評價專案2的用戶評價值1803)，與從用戶用終端106接收到的關於用戶評價結果(評價分數)的用戶資料(用戶綜合評價值)建立對應，作為計劃評價結果資料保存的資料庫。 計劃ID1801是唯一地識別學習對象計劃的識別號。在計劃ID1801中，例如保存“1”的資訊。評價專案1的用戶評價值1802及評價專案2的用戶評價值1803表示在目標函數的設定中使用的評價專案中的用戶的評價值。在評價專案1的用戶評價值1802中，例如在將目標函數y的評價專案設為“交貨期”、用戶對計劃(計劃資料)進行了評價時的評價值是“15”的情況下，保存“15”的資訊。在評價專案2的評價值1005中，例如在將目標函數y的評價專案設為“生產時間”、用戶對計劃(計劃資料)進行了評價時的評價值是“15”的情況下，保存“15”的資訊。 用戶綜合評價值1804是由用戶對用戶用終端106輸入的值，並且是從用戶用終端106發送給評價輸入裝置107的值，表示用戶資料，該用戶資料表示用戶對於物件計劃的綜合評價值(用戶評價結果)。在用戶綜合評價值1804中，例如假設用戶對於對象計劃的綜合評價值高而保存“80”的資訊。另外，在用戶的綜合評價值比“高”低的情況下，將比“80”小的數值的資訊保存到用戶綜合評價值1804中。 這裡，在評價專案1的用戶評價值1802中，在由計劃資料確定的交貨期是到出貨為止的天數的情況下，作為評價值而保存小的值作為好的值。此外，在評價專案2的用戶評價值1803中，在由計劃資料確定的時間是產品的生產時間的情況下，作為評價值而保存小的值作為好的值。因此，計劃ID1801為“1”的計劃由於記錄在評價專案1的用戶評價值1802中的數值比計劃ID1801為“2”的計劃大，但比計劃ID1801為“3”的計劃小，記錄在評價專案1的用戶評價值1803中的數值比其他計劃低，所以作為用戶綜合評價值1804，選擇了在3個計劃中最高的數值“80”。另外，也可以將各計劃的用戶綜合評價值1804與計劃資料的多個屬性建立關聯而保存。此外，作為在用戶綜合評價值1804中使用的資訊，也可以是“○”、“△”、“×”等的等級評價的資訊。 接著，使用圖19對實施例2的評價學習裝置的學習處理詳細說明。圖19是用來說明實施例2的評價學習裝置的學習處理的流程圖。另外，實施例2的評價學習裝置的學習處理是圖13的步驟1303的詳細的內容。 在圖19中，首先，評價學習裝置109的CPU從圖18的計劃評價結果DB108，作為學習物件的評價結果資料而讀入在評價專案1的用戶評價值1802和評價專案2的用戶評價值1803中記錄的資料(評價資料)及在用戶綜合評價值1804中記錄的資料(用戶資料)(步驟1901)。 接著，評價學習裝置109的CPU將作為自動評價值的評價資料(在評價專案1的用戶評價值1802和評價專案2的用戶評價值1803中記錄的資料)和作為用戶綜合評價值1804的用戶資料作為學習資料的輸入，將目標函數的參數作為學習資料的輸出，學習其關係(步驟1902)。此時，評價學習裝置109的CPU根據學習資料的輸入與輸出的關係，能夠學習如果輸入了怎樣的評價資料則會輸出怎樣的目標函數的參數。 接著，評價學習裝置109的CPU將在步驟1902中學習的結果向評價學習器DB110保存(步驟1903)，然後，結束該程式中的處理。 另外，然後計劃制定裝置104執行圖15的步驟1502的處理，計劃評價裝置202將在步驟1903中保存在評價學習器DB110中的學習結果作為評價學習器的學習資料，能夠執行圖16的步驟1601～步驟1603的處理。 根據本實施例，能夠起到與實施例1同樣的效果，並且能夠使用以評價資料(評價專案的用戶評價值)及用戶資料(用戶綜合評價值)為學習資料的輸入、以目標函數的參數為學習資料的輸出而學習了其關係的評價學習器對各計劃候選進行評價。 在各實施例中，對自動地制定計劃的例子進行了說明。另外，本發明並不限定於上述的實施例，而包括各種各樣的變形例。例如，也可以由訂購資訊DB101、限制條件DB102及自動制定系統103構成計劃制定系統。此外，也可以將訂購資訊DB101及限制條件DB102配置到自動制定系統103內而構成計劃制定系統。上述的實施例是為了容易理解地說明本發明而詳細地說明的，並不限定于必定具備所說明的全部結構的形態。此外，可以將某個實施例的結構的一部分替換為其他實施例的結構，此外，還能夠對某個實施例的結構添加其他實施例的結構。此外，對於各實施例的結構的一部分，能夠進行其他結構的追加、去除、替換。 此外，上述的各結構、功能等也可以通過將它們的一部分或全部例如用積體電路設計等而用硬體實現。此外，上述的各結構、功能等也可以通過由處理器將實現各個功能的程式解釋並執行，而由軟體來實現。可以將實現各功能的程式、表格、檔等的資訊放置到記憶體或硬碟、SSD(Solid State Drive)等的記錄裝置、或IC卡、SD卡、DVD等的記錄媒體中。
101:訂購資訊DB 102:限制條件DB 103:自動制定系統 104:計劃制定裝置 105:自動計劃DB 106:用戶用終端 107:評價輸入裝置 108:計劃評價結果DB 109:評價學習裝置 110:評價學習器DB 201:計劃制定部 202:計劃評價裝置 203:計劃結果輸出部 301:目標函數評價部 302:評價學習器讀入部 303:評價預測部 304:預測可靠度計算部 305:計劃評價部 401:計劃結果讀入部 402:計劃結果顯示部 403:評價結果保存部 501:學習器選擇部 502:學習輸入輸出部 503:學習部 504:學習器保存部 601:CPU 602:記憶體 603:介面 604:網路介面 605:鍵盤 606:畫面 607:滑鼠 608:硬碟 1701:學習輸入輸出部 1702:參數學習部 1703:學習結果保存部
[圖1]是表示有關本發明的計劃制定系統的實施例1的系統結構圖。 [圖2]是表示實施例1的計劃制定裝置的結構的結構圖。 [圖3]是表示實施例1的計劃評價裝置的結構的結構圖。 [圖4]是表示實施例1的評價輸入裝置的結構的結構圖。 [圖5]是表示實施例1的評價學習裝置的結構的結構圖。 [圖6]是表示實施例1的PC的結構的結構圖。 [圖7]是表示實施例1的訂購資訊DB的資料構造的結構圖。 [圖8]是表示實施例1的限制條件DB的資料構造的結構圖。 [圖9]是表示實施例1的自動計劃DB的資料構造的結構圖。 [圖10]是表示實施例1的計劃評價結果DB的資料構造的結構圖。 [圖11]是表示實施例1的評價學習器DB的構造的結構圖。 [圖12]是表示實施例1的用戶用終端的畫面的結構圖。 [圖13]是表示實施例1的自動制定系統的處理的流程圖。 [圖14]是用來說明實施例1的評價學習裝置的學習處理的流程圖。 [圖15]是用來說明實施例1的計劃制定裝置的計劃制定處理的流程圖。 [圖16]是用來說明實施例1的計劃評價裝置的計劃評價處理的流程圖。 [圖17]是表示實施例2的評價學習裝置的結構的結構圖。 [圖18]是表示實施例2的計劃評價結果DB的資料構造的結構圖。 [圖19]是用來說明實施例2的評價學習裝置的學習處理的流程圖。
101:訂購資訊DB
102:限制條件DB
103:自動制定系統
104:計劃制定裝置
105:自動計劃DB
106:用戶用終端
107:評價輸入裝置
108:計劃評價結果DB
109:評價學習裝置
110:評價學習器DB

Claims (12)

  1. 一種計劃制定系統，其特徵在於，具備： 計劃制定裝置，基於與確定計劃的規格的多個要素有關的規格資訊和規定了針對上述多個要素各自的限制條件的限制條件資訊，制定作為上述計劃的候選的多個計劃候選，生成所制定的上述多個計劃候選各自的內容作為計劃資料； 計劃評價裝置，對各個上述計劃資料進行評價，生成表示對各個上述計劃資料的評價結果的多個評價資料； 評價輸入裝置，將由上述計劃制定裝置生成的各個上述計劃資料發送給用戶用終端，從上述用戶用終端分別接收表示用戶對各個上述計劃資料的評價結果的用戶資料；以及 評價學習裝置，至少將通過上述評價輸入裝置的接收而得到的各個上述用戶資料作為學習資料進行學習，根據學習結果，構建對於各個上述計劃候選的評價學習器。
  2. 如請求項1所述的計劃制定系統，其中， 上述計劃評價裝置利用目標函數或由上述評價學習裝置構建的上述評價學習器對各個上述計劃資料進行評價，基於該評價結果，從各個上述計劃候選中選擇作為制定對象的計劃的計劃候選。
  3. 如請求項1所述的計劃制定系統，其中， 上述計劃評價裝置生成與表示上述計劃資料的屬性的1個以上的屬性和表示用於對上述計劃資料進行評價的評價專案的評價值的1個以上的評價值有關的資料，作為上述多個評價資料的各個評價資料； 上述評價學習裝置構建如下學習器作為上述評價學習器，上述學習器將由上述計劃評價裝置生成的上述計劃資料的上述1個以上的屬性和上述評價專案的上述1個以上的評價值作為上述學習資料的輸入，將屬於通過上述評價輸入裝置的接收而得到的上述用戶資料的用戶評價值作為上述學習資料的輸出，學習其關係。
  4. 如請求項1所述的計劃制定系統，其中， 上述評價輸入裝置從上述用戶用終端接收與1個以上的用戶評價值有關的資料，該1個以上的用戶評價值表示用戶針對用於評價上述計劃資料的評價專案的評價值； 上述評價學習裝置構建如下學習器作為上述評價學習器，上述學習器將由上述評價輸入裝置接收到的上述1個以上的用戶評價值和屬於通過上述評價輸入裝置的接收而得到的上述用戶資料的用戶綜合評價值作為上述學習資料的輸入，將目標函數的參數作為上述學習資料的輸出，學習其關係。
  5. 如請求項1所述的計劃制定系統，其中， 上述計劃評價裝置具備： 評價預測部，使用通過上述評價學習裝置的構建而得到的上述評價學習器，預測各個上述計劃候選的評價值，生成評價預測值； 預測可靠度計算部，針對各個上述計劃候選，計算對於通過上述評價預測部的生成而得到的上述評價預測值的預測可靠度；以及 計劃評價部，基於通過上述評價預測部的生成而得到的上述評價預測值和通過上述預測可靠度計算部的計算而得到的上述預測可靠度，對各個上述計劃候選進行評價； 上述計劃評價部基於對各個上述計劃候選的評價結果，選擇各個上述計劃候選中的某1個計劃候選，作為制定對象的計劃。
  6. 如請求項5所述的計劃制定系統，其中， 上述計劃評價部進行以下處理： 在各個上述計劃候選的預測可靠度分別高的情況下，選擇各個上述計劃候選中的各個上述計劃候選的評價預測值高的計劃候選，作為上述制定對象的計劃， 在各個上述計劃候選中的一方的計劃候選的預測可靠度高、並且上述一方的計劃候選的評價預測值好的情況下，選擇上述一方的計劃候選，作為上述制定對象的計劃， 在各個上述計劃候選中的上述一方的計劃候選的預測可靠度高、並且上述一方的計劃候選的評價預測值差的情況下，以另一方的計劃候選的預測可靠度高為條件，選擇上述另一方的計劃候選，作為上述制定對象的計劃， 在各個上述計劃候選的預測可靠度分別低的情況下，利用目標函數對各個上述計劃候選進行評價，選擇該評價的評價值好的計劃候選，作為上述制定對象的計劃。
  7. 一種計劃制定方法，其特徵在於，具備： 計劃制定步驟，基於與確定計劃的規格的多個要素有關的規格資訊和規定了針對上述多個要素各自的限制條件的限制條件資訊，制定作為上述計劃的候選的多個計劃候選，生成所制定的上述多個計劃候選各自的內容作為計劃資料； 計劃評價步驟，對在上述計劃制定步驟中生成的各個上述計劃資料進行評價，生成表示對各個上述計劃資料的評價結果的多個評價資料； 評價輸入步驟，將通過上述計劃制定步驟生成的各個上述計劃資料發送給用戶用終端，從上述用戶用終端分別接收表示用戶對各個上述計劃資料的評價結果的用戶資料；以及 評價學習步驟，至少將通過上述評價輸入步驟中的接收而得到的各個上述用戶資料作為學習資料進行學習，根據學習結果，構建對於各個上述計劃候選的評價學習器。
  8. 如請求項7所述的計劃制定方法，其中， 在上述計劃評價步驟中，利用目標函數或在上述評價學習步驟中構建的上述評價學習器對各個上述計劃資料進行評價，基於該評價結果，從各個上述計劃候選中選擇作為制定對象的計劃的計劃候選。
  9. 如請求項7所述的計劃制定方法，其中， 在上述計劃評價步驟中，生成與表示上述計劃資料的屬性的1個以上的屬性和表示用於對上述計劃資料進行評價的評價專案的評價值的1個以上的評價值有關的資料，作為上述多個評價資料的各個評價資料； 在上述評價學習步驟中，構建如下學習器作為上述評價學習器，上述學習器將在上述計劃評價步驟中生成的上述計劃資料的上述1個以上的屬性和上述評價專案的上述1個以上的評價值作為上述學習資料的輸入，將屬於通過上述評價輸入步驟中的接收而得到的上述用戶資料的用戶評價值作為上述學習資料的輸出，學習其關係。
  10. 如請求項7所述的計劃制定方法，其中， 在上述評價輸入步驟中，從上述用戶用終端接收與1個以上的用戶評價值有關的資料，該1個以上的用戶評價值表示用戶針對用於評價上述計劃資料的評價專案的評價值； 在上述評價學習步驟中，構建如下學習器作為上述評價學習器，上述學習器將通過上述評價輸入步驟接收到的上述1個以上的用戶評價值和屬於通過上述評價輸入步驟中的接收而得到的上述用戶資料的用戶綜合評價值作為上述學習資料的輸入，將目標函數的參數作為上述學習資料的輸出，學習其關係。
  11. 如請求項7所述的計劃制定方法，其中， 上述計劃評價步驟具備： 評價預測步驟，使用通過上述評價學習步驟中的構建而得到的上述評價學習器，預測各個上述計劃候選的評價值，生成評價預測值； 預測可靠度計算步驟，針對各個上述計劃候選，計算對於通過上述評價預測步驟中的生成而得到的上述評價預測值的預測可靠度；以及 評價步驟，基於通過上述評價預測步驟中的生成而得到的上述評價預測值和通過上述預測可靠度計算步驟中的計算而得到的上述預測可靠度，對各個上述計劃候選進行評價； 在上述評價步驟中，基於對各個上述計劃候選的評價結果，選擇各個上述計劃候選中的某1個計劃候選，作為制定對象的計劃。
  12. 如請求項11所述的計劃制定方法，其中， 在上述評價步驟中， 在各個上述計劃候選的預測可靠度分別高的情況下，選擇各個上述計劃候選中的各個上述計劃候選的評價預測值高的計劃候選，作為上述制定對象的計劃， 在各個上述計劃候選中的一方的計劃候選的預測可靠度高、並且上述一方的計劃候選的評價預測值好的情況下，選擇上述一方的計劃候選，作為上述制定對象的計劃， 在各個上述計劃候選中的上述一方的計劃候選的預測可靠度高、並且上述一方的計劃候選的評價預測值差的情況下，以另一方的計劃候選的預測可靠度高為條件，選擇上述另一方的計劃候選，作為上述制定對象的計劃， 在各個上述計劃候選的預測可靠度分別低的情況下，利用目標函數對各個上述計劃候選進行評價，選擇該評價的評價值好的計劃候選，作為上述制定對象的計劃。
TW109118740A 2019-06-06 2020-06-04 計劃制定系統及其方法 TW202046213A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019106593A JP7228470B2 (ja) 2019-06-06 2019-06-06 計画立案システム及びその方法
JP2019-106593 2019-06-06

Publications (1)

Publication Number Publication Date
TW202046213A true TW202046213A (zh) 2020-12-16

Family

ID=73609187

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109118740A TW202046213A (zh) 2019-06-06 2020-06-04 計劃制定系統及其方法

Country Status (3)

Country Link
JP (1) JP7228470B2 (zh)
CN (1) CN112053022A (zh)
TW (1) TW202046213A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023144963A1 (ja) * 2022-01-27 2023-08-03 ロジスティード株式会社 倉庫作業管理システム、倉庫作業管理方法及びプログラム
WO2023144962A1 (ja) * 2022-01-27 2023-08-03 ロジスティード株式会社 倉庫作業管理システム、倉庫作業管理方法及びプログラム

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7043320B1 (en) 2003-10-16 2006-05-09 Jrg Software, Inc. Method and apparatus for planning a manufacturing schedule using an adaptive learning process
JP4525670B2 (ja) * 2006-11-20 2010-08-18 トヨタ自動車株式会社 走行制御計画生成システム
JP2012194712A (ja) 2011-03-16 2012-10-11 Panasonic Corp 生産計画作成方法
CN102567900A (zh) * 2011-12-28 2012-07-11 尚明生 一种向客户推荐商品的方法
CN102769288A (zh) * 2012-07-17 2012-11-07 湖南大学 海岛新能源供电系统调度时间尺度自适应调整方法
US10783469B2 (en) * 2016-11-01 2020-09-22 Hitachi, Ltd. Production support system using multiple plan candidates and different types of learning devices
JP6594394B2 (ja) 2017-10-16 2019-10-23 株式会社日立製作所 更新装置、更新方法、および更新プログラム

Also Published As

Publication number Publication date
JP2020201611A (ja) 2020-12-17
CN112053022A (zh) 2020-12-08
JP7228470B2 (ja) 2023-02-24

Similar Documents

Publication Publication Date Title
US20180330300A1 (en) Method and system for data-based optimization of performance indicators in process and manufacturing industries
US8990145B2 (en) Probabilistic data mining model comparison
CN109870903B (zh) 参数优化方法、装置以及非瞬时计算机可读取介质
US7689592B2 (en) Method, system and program product for determining objective function coefficients of a mathematical programming model
Castellanos et al. ibom: A platform for intelligent business operation management
CN101777147B (zh) 预测建模
US20210158259A1 (en) Orchestrated intelligent supply chain optimizer
US11403347B2 (en) Automated master data classification and curation using machine learning
US11734310B2 (en) Insights for multi-dimensional planning data
TW202046213A (zh) 計劃制定系統及其方法
US20210166181A1 (en) Equipment management method, device, system and storage medium
JPH10240799A (ja) 新規出店評価支援装置
US20130332244A1 (en) Predictive Analytics Based Ranking Of Projects
JP2011232950A (ja) 需要予測装置、需要予測方法、及び需要予測プログラム
US6243613B1 (en) N-dimensional material planning method and system with corresponding program therefor
JP2004021364A (ja) 経営意思決定支援システム
JP4230975B2 (ja) データ予測装置及びデータ予測方法並びにプログラム
TWI818176B (zh) 計劃制定輔助裝置和計劃制定輔助方法
JP2007323680A (ja) 経営意思決定支援システム
JP6853134B2 (ja) 生産支援システム、及び生産支援方法
US20090048889A1 (en) Manufacturing portfolio flexibility planning
CN115564405B (zh) 一种以fmea为驱动的研发项目管理方法、系统及存储介质
AU2010314809B2 (en) System and method for business decision-making
US20210133377A1 (en) Apparatus and method for electronic system component determination and selection
JP6968730B2 (ja) 案件進捗予測装置および案件進捗予測システム