WO2014003001A1 - 予測装置、予測方法及びコンピュータプログラム - Google Patents

予測装置、予測方法及びコンピュータプログラム Download PDF

Info

Publication number
WO2014003001A1
WO2014003001A1 PCT/JP2013/067386 JP2013067386W WO2014003001A1 WO 2014003001 A1 WO2014003001 A1 WO 2014003001A1 JP 2013067386 W JP2013067386 W JP 2013067386W WO 2014003001 A1 WO2014003001 A1 WO 2014003001A1
Authority
WO
WIPO (PCT)
Prior art keywords
period
value
items
data
item
Prior art date
Application number
PCT/JP2013/067386
Other languages
English (en)
French (fr)
Inventor
克彦 永倉
Original Assignee
ヤンマー株式会社
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
Priority claimed from JP2012144415A external-priority patent/JP5416810B2/ja
Priority claimed from JP2012144416A external-priority patent/JP5416811B2/ja
Application filed by ヤンマー株式会社 filed Critical ヤンマー株式会社
Priority to EP13810593.7A priority Critical patent/EP2869249A1/en
Priority to US14/411,357 priority patent/US20150170169A1/en
Publication of WO2014003001A1 publication Critical patent/WO2014003001A1/ja

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
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Definitions

  • the present invention relates to a prediction object that changes in time series and a method for analyzing a plurality of items related to the prediction object, and in particular, a prediction device, a prediction method, and a computer that can improve the accuracy of prediction results. Relates to a computer program that functions as a computer program.
  • time series analysis methods have been proposed as methods for predicting subsequent changes in time-series events such as product demand or sales volume.
  • Examples of such an analysis method include multivariate analysis such as multiple regression analysis and T method (for example, Patent Document 1 and Non-Patent Document 1).
  • various application proposals have been proposed for these analysis methods (Non-Patent Document 2, etc.).
  • Non-Patent Document 1 a method called a two-sided T method disclosed in Non-Patent Document 1 has been proposed.
  • the inventor considered that the item selection by the two-sided T method is insufficient in prediction accuracy, and studied a method for selecting an item in which the total estimated SN ratio of Non-Patent Document 2 is maximized.
  • the target period for item selection should be selected in consideration of the trend of the past events over time.
  • the present invention has been made based on such knowledge, and an object of the present invention is to provide a prediction device, a prediction method, and a computer program that further improve the prediction accuracy by reflecting the tendency of change over time.
  • the prediction device records a value related to an event related to a plurality of factors, and records the plurality of factors related to the value in time series in association with the values as data for a plurality of items. And means for reading out the value and the data for each of the plurality of items corresponding to the value from the recording means, the calculating means correlating the change of the values of the plurality of items.
  • the means includes a specifying means for specifying a change with time during a recording period of the data for each item recorded in the recording means, and a data passage for each item in a corresponding period before the prediction target period.
  • a period selection means for selecting a period with a similar change tendency from the recording period, data for each of the plurality of items in the selection period selected by the period selection means, and a value after a predetermined period from the selection period
  • Item selection means for selecting a plurality of items based on the obtained factor effect value
  • prediction means for calculating a prediction value in the prediction target period from data of items selected by the item selection means in the corresponding period It is characterized by that.
  • the period selection unit calculates a first value representing a similarity between data for each of a plurality of items in the corresponding period and data for each of a plurality of items in an arbitrary first period.
  • a third calculation unit that calculates a numerical value representing similarity between the data for each of the plurality of items in the corresponding period and the data for each of the plurality of items in the section after the exclusion, and a third calculation unit, A fourth calculating means for calculating a numerical value indicating a time-dependent change tendency of the calculated numerical value, and a second period having a high similarity based on the numerical value calculated by the fourth calculating means in the first period excluding the excluded section.
  • the first and third calculation means calculate the Mahalanobis general distance
  • the second and fourth calculation means calculate the Mahalanobis calculated by the first or third calculation means.
  • the trend of the general distance is calculated based on a trend model
  • the exclusion means excludes a period in which the trend calculated by the second calculation means is higher than a predetermined value
  • the selection means A period in which the trend calculated by the calculating means is equal to or less than a predetermined value is selected as the second period.
  • the prediction device records a value related to an event related to a plurality of factors, and records the plurality of factors related to the value in time series in association with the values as data for a plurality of items. And means for reading out the value and the data for each of the plurality of items corresponding to the value from the recording means, the calculating means correlating the change of the values of the plurality of items.
  • the calculation The means is similar to the specifying means for specifying the time-dependent change tendency of the value recorded in the recording means during the recording period, and the time-dependent change tendency of the value in the corresponding period before the prediction target period.
  • the period selection means for selecting a near period from the recording period, the data for each of the plurality of items in the selection period selected by the period selection means, and the value obtained after a predetermined period from the selection period Item selection means for selecting a plurality of items based on a factor effect value; and prediction means for calculating a prediction value in the prediction target period from data of items selected by the item selection means in the corresponding period And
  • the period selection unit includes a determination unit that determines a gradient of a change with time in the corresponding period, and a first period in which the value changes with the gradient determined by the determination unit.
  • Means for selecting from a period first calculation means for calculating a numerical value representing similarity between the data for each of the plurality of items in the corresponding period; and the data for each of the plurality of items in the first period; Second calculation means for calculating a numerical value representing a change tendency of the calculated numerical value, and a second period having a high similarity in the first period based on a comparison between the numerical value calculated by the second calculation means and a threshold value
  • selecting means for selecting is provided.
  • the first calculating means calculates the Mahalanobis generalized distance
  • the second calculating means uses the Mahalanobis generalized distance trend calculated by the first calculating means based on the trend model.
  • the selection means selects the period in which the trend calculated by the second calculation means is equal to or less than a predetermined value as the second period.
  • the selection unit selects the second period by changing the length, and the value after a predetermined time of the data for each item in the second period is selected for each length. Further comprising a determining means for determining a length that maximizes a value related to the prediction accuracy for, wherein the period selecting means selects a second period of the length determined by the determining means. To do.
  • the prediction method records a value related to an event related to a plurality of factors, and records the plurality of factors related to the value in time series in association with the value as data for a plurality of items. Means for reading the value and the data for each of the plurality of items corresponding to the value from the recording means, and for calculating the value of the plurality of items.
  • a prediction method for selecting a plurality of items from the plurality of items based on a factor effect value indicating the strength of correlation to change, and predicting a value related to the event in a prediction target period based on data of the selected items Identifying the time-dependent change tendency of the data for each item recorded in the recording means during the recording period, and the time-dependent change tendency of the data for each item in the corresponding period before the prediction target period is similar
  • a period is selected from the recording period, and a plurality of items are selected based on the data for each of the plurality of items in the selected selection period and a factor effect value obtained from a value after a predetermined period from the selected period
  • the predicted value in the said prediction object period is calculated from the data of the selected item in the said corresponding period
  • the prediction method records a value related to an event related to a plurality of factors, and records the plurality of factors related to the value in time series in association with the value as data for a plurality of items. Means for reading the value and the data for each of the plurality of items corresponding to the value from the recording means, and for calculating the value of the plurality of items.
  • a prediction method for selecting a plurality of items from the plurality of items based on a factor effect value indicating the strength of correlation to change, and predicting a value related to the event in a prediction target period based on data of the selected items The calculation means identifies a time-dependent change tendency of the value recorded in the recording means during the recording period, and is similar to the time-dependent change tendency of the value in the corresponding period before the prediction target period. Is selected from the recording period, and a plurality of items are selected based on the data for each of the plurality of items in the selected selection period and the factor effect value obtained by a value after a predetermined period from the selection period. Selecting, and calculating a predicted value in the prediction target period from data of a plurality of selected items in the corresponding period.
  • a computer program includes a computer having recording means, a plurality of values related to an event related to a plurality of factors recorded in time series in the recording means, and a plurality of the factors related to the values. Based on the factor effect value indicating the strength of correlation with respect to the change in the value of the plurality of items, and selecting a plurality of items from the plurality of items, and based on the data of the selected item
  • the computer specifies the specifying means for specifying the time-dependent change tendency during the recording period of the data recorded for each item recorded in the recording means, the prediction target A period for selecting a period from the recording period that has a similar tendency to change with time in the data for each item in the corresponding period before the predetermined period.
  • An item for selecting a plurality of items on the basis of the factor effect value obtained from the data for each of the plurality of items in the selection period selected by the selection unit, the period selection unit, and the value after a predetermined period from the selection period The function of the prediction means which calculates the predicted value in the said prediction object period from the data of the selection means and the item which the said item selection means in the said corresponding period selected is characterized by the above-mentioned.
  • a computer program includes a computer having recording means, a plurality of values related to an event related to a plurality of factors recorded in time series in the recording means, and a plurality of the factors related to the values. Based on the factor effect value indicating the strength of correlation with respect to the change in the value of the plurality of items, and selecting a plurality of items from the plurality of items, and based on the data of the selected item
  • the computer program for predicting the value related to the event in the prediction target period the computer has a specifying means for specifying a tendency to change over time during the recording period of the value recorded in the recording means, than the prediction target period.
  • a period selection means for selecting the latest period similar to the temporal change tendency of the value in the corresponding period before the predetermined period from the recording period; Item selection means for selecting a plurality of items based on the data for each of the plurality of items in the selected period and the factor effect value obtained by a value after a predetermined period from the selected period, and in the corresponding period A function of a prediction unit that calculates a predicted value in the prediction target period from data of a plurality of selected items is executed.
  • the value and the data for each item are read out from the recording means in which the value relating to the event that is time-series data and the data for each of the plurality of items that are a plurality of factors related to the value are recorded.
  • the time-dependent change tendency of the data for each item in the time series is specified.
  • the time variation characteristics of the data for each item are selected so that the same group as the data for each item in the corresponding period is selected, and the relationship between the data for each of the plurality of items and the value after a predetermined period in the selected period A plurality of items having a strong correlation with the change in the value are selected, and the value in the prediction target period is predicted based on the data of the selected item among the data for each item in the corresponding period.
  • the time variation characteristics of the data for each item can be distinguished from the same group as the data for each item in the corresponding period.
  • the section of the data for each item that does not resemble the data for each item in the corresponding period is similar, and the section in which the data for each item is similar is selected from the section after the exclusion. Is done. In order to select a more similar period, it is possible to improve accuracy by excluding a period that is not related as a change tendency.
  • the Mahalanobis general distance of the data for each item is used to determine whether or not the data for each item is in the same group, and the time-dependent change trend is specified based on the trend model to determine the similarity.
  • the item when selecting an item to be used for analysis, the item is selected in the signal period from the period determined to be similar to the change tendency of the item data at the prediction time point, and the item and the signal value after a predetermined time are selected.
  • a relational expression is specified, and prediction is performed from the relational expression. That is, the prediction is performed based on data at a time when data for each item of the same group exists from past events. Thereby, the influence by the time-series data in which a sign different from the prediction point appears can be eliminated, and the prediction accuracy can be improved.
  • 10 is a flowchart illustrating an example of a signal period selection processing procedure by the prediction device according to the second embodiment. It is explanatory drawing which shows the content of the item in a present Example. It is a graph which shows the example of the content of the signal value used for prediction in a present Example. It is a graph which shows the trend of the signal value calculated
  • Embodiment 1 The prediction method disclosed below is an invention called a “time difference model” for predicting changes over time of a signal (value related to an event) based on an MT system that has been used in the past, in particular, a method using the T method. Is added to improve the prediction accuracy, and from the past signals and items (factors) corresponding to the signals, a “method for appropriately selecting signals and items” used for prediction is added to improve the prediction accuracy. is there.
  • the following prediction methods are implemented by calculation means, such as a computer (prediction apparatus 1 mentioned later) which can read each data from the recording means which has recorded the data used for prediction.
  • the techniques already disclosed above, such as the T method and the time difference model are the techniques and inventions premised on the selection method, and are intended to assist in understanding the signal and item selection method of the present invention. Since it is necessary, it will be described below.
  • FIG. 1 is an explanatory diagram showing an example of the contents of signal values and item data used in the T method.
  • a member is an index indicating data for each unit period, and is indicated as 1, 2,..., N.
  • the data value itself is recorded as a signal value M.
  • "Item 1", "item 2", ..., "item k" is an item which is a factor associated with the signal value M, X 11, X 12, ..., X 1k is, the signal value M 1 of the member 1
  • the data of each item related to is shown.
  • the monthly electricity usage (W) is the signal value M
  • the items are “month”, “temperature”, “wind speed”, “precipitation (monthly average) ) ”,“ Sunshine hours (monthly average) ”,“ maximum temperature (monthly average) ”,“ minimum temperature (monthly average) ”, and so on.
  • the item data in this case is the value of each item, for example, data indicating what month it is, the monthly average value of temperature, the monthly average value of wind speed, and the like.
  • the calculation means subtracts the average value of the data of the item (the average value of the monthly average temperature of all members to be used) from the data X of each item (for example, the monthly average temperature).
  • the prediction formula is expressed as a straight line passing through the origin.
  • a calculation formula is used to obtain a specific expression for specifying the relationship between the signal value M of each member and the related multivariable item data, and the data of the next unit period item to be predicted is predicted. Then, the predicted item data is applied to a specific formula for prediction.
  • the T method for each of a large number of items, a value indicating the strength of the factor effect with respect to signal value fluctuation is evaluated, and a value indicating the factor effect is weighted. Thereby, by selecting effective items, it is possible to perform prediction with sufficiently high accuracy by using the selected items without using data of all items.
  • the calculation means calculates the proportionality constant ⁇ and the SN ratio ⁇ (square ratio) for each item by applying the following formulas 1 and 2 using the member having the signal value M. .
  • the S / N ratio is a value indicated by using the reciprocal of dispersion as shown in the following formula 2, is the sensitivity of the signal value for each item, and indicates the strength of correlation between each item and the signal value.
  • Formula 1 and Formula 2 are formulas for obtaining the proportionality constant ⁇ and SN ratio ⁇ (square ratio) for Item 1.
  • the calculation means performs the same calculation as for item 1 for item 2 to item k.
  • FIG. 2 is an explanatory diagram showing an example of the proportionality constant ⁇ and the SN ratio ⁇ (square ratio) of each item used in the T method.
  • the proportionality constant ⁇ and SN ratio ⁇ (square ratio) for each item calculated by applying Equation 1 and Equation 2 described above to each item are shown in a table format.
  • an estimated value of the output for each item is obtained for each member by the calculation means.
  • the estimated output value of item 1 can be expressed by the following equation 3.
  • the estimated value of the output from item 2 to item k is obtained by the calculation means.
  • the calculation means can derive the comprehensive estimation formula (Formula 4) as a prediction formula indicating the relationship between the item data and the total estimated value of the signal value.
  • the overall estimation formula using all items (1 to k) with respect to the signal value to be predicted does not have the highest prediction accuracy. Therefore, in order to increase the contribution to the influence on the prediction target and increase the prediction accuracy, an appropriate combination of items is selected from all items by the calculation means.
  • the calculation means calculates an overall estimated value using the SN ratios ⁇ 1 , ⁇ 2 ,..., ⁇ k (square ratio), which is the estimation accuracy for the estimated value of each item, as a weighting coefficient. Therefore, the total estimated value of the i-th member can be expressed by the following Equation 4.
  • FIG. 3 is a diagram showing, in a list form, the actual signal values of each member or the actual values of standardized signal values and the total estimated values obtained for each member. Then, using the actual value and the total estimated value of each member obtained as shown in FIG. 3, the computing means calculates the SN ratio ⁇ (db) of the total estimated value for each item by the following equation 5. .
  • FIG. 4 is a factor effect diagram showing the SN ratio of the overall estimated value of each item in the T method
  • FIG. 5 is a graph showing the influence of each item on the factor effect in the T method.
  • the horizontal axis indicates items to be selected, and the vertical axis indicates the SN ratio of each item by taking the SN ratio of the comprehensive estimated value.
  • the SN ratio of the total estimated value for each data including the data of the item, that is, the strength of the correlation with the signal value is shown on the left side, and each data excluding the data of the item is shown on the right side.
  • the SN ratio of the comprehensive estimated value with respect to is shown.
  • the calculation means derives the SN ratio of the prediction target for one or a plurality of items for each of these combinations.
  • a calculating means calculates the average value of SN ratio of the combination containing the said item used as object, and the average value of S / N ratio of the combination which does not contain the said item.
  • the average value of the SN ratio including the data of the item calculated in this way is shown on the left side, and the average value of the SN ratio not including the item is shown on the right side for each item.
  • the horizontal axis indicates the items to be selected, and the vertical axis indicates the factor effect value for each item.
  • the factor effect value on the vertical axis in FIG. 5 is the left side of the SN ratio on the right side (excluding items) of the SN ratio of the overall estimated value of each item indicating the strength of the correlation of the prediction target in FIG.
  • the SN ratio including items
  • a method called a two-sided T method only items having such a positive factor effect value are selected, and analysis by the T method as described above is performed.
  • the inventor first applies the concept of a time difference model to the above-described T method, performs conversion processing in consideration of the nonlinearity between the signal value and the value of the item data, and further, as the item selection method, the factor effect value Instead of the method of selecting by positive / negative of the method, the method of maximizing the SN ratio of the comprehensive estimated value is used.
  • the T method is not originally a method for prediction of time series data. There is no particular concept of the time axis, and it is a method for selecting which factor has the most influence on the value of an event related to a large number of factors.
  • the T method is used as it is for the prediction method, as described above, the relationship between the data for each item of each member and the signal value is specified, and the signal value of the next member is predicted. Therefore, in order to predict the signal value of the next member, data for each item of the next member must be predicted. It is easily assumed that the estimation error of the data of each item at this time overlaps and the prediction accuracy of the signal value is deteriorated.
  • the inventor decided to associate the association between the signal value and the data for each item as described above not with the members of the same period but with the ones shifted by a predetermined time.
  • the computing means that implements the prediction method of the present embodiment associates the signal value after a predetermined period with the data for each item in a certain period, and calculates the equations 1 to 5 between these values. Then, the signal value after a predetermined period is estimated (predicted) based on the data for each item in the current (most recent) period using the comprehensive estimation formula obtained as a result.
  • FIG. 6 is an explanatory diagram conceptually showing the time difference model.
  • FIG. 6 shows the passage of time from left to right.
  • Each rectangle at the bottom of FIG. 6 represents a signal for each unit period, and each rectangle at the top represents data of each item for each unit time at the same time as the signal.
  • a signal for each month as a unit period and data of items for each month are shown.
  • the computing means applies the signal value and item data to which the time difference model is applied to M 1 in the above (Equation 1 to Equation 5) and the data X 11 , X 12 ,.
  • the T method is applied by applying the relationship of X 1k .
  • the signal value of the prediction target period is applied to Equation 4 using the value of the data of the item before the predetermined period, that is, the value of the data of each item in the corresponding period (here, four months) immediately before the prediction target period. Is required.
  • the calculation means specifies the relationship between the data of a plurality of items and the signal value after a predetermined period, so that the future signal can be obtained from the past or current item data. It is possible to predict the value.
  • FIG. 7 is a graph showing the relationship between signal values before and after the conversion process and data values for each item.
  • the left side of FIG. 7 shows the relationship of signal values to data of a certain item before conversion processing, and the right side shows the relationship of signal values to data of a certain item after conversion processing.
  • a straight line passing through the zero point is set for the relationship between the item data and the signal value, and weighting based on the deviation from this straight line (quantified as an SN ratio) is performed. That is, the relationship on the right side of FIG. 7 is assumed.
  • Items with less variation with respect to a straight line are items that contribute to changes in the signal value.There are more variations, that is, items with no correlation between the change in the data value of the item and the change in the signal value, the change in the signal value. This item does not contribute. However, it is natural that the data of all items does not necessarily have a straight line, that is, a linear relationship in relation to the signal value. Among them, as shown on the left side of FIG. 7, there is an item indicating a strong relationship indicated by a quadratic function that does not pass through the origin.
  • the calculation means uses the item data X ij (i: number of members (1 to n), j: number of items (1 to k)) as a non-linear relationship (quadratic function). ) Is linearly converted into x ij indicating a linear relationship.
  • the arithmetic means as the unit space data as a reference between the items of data X ij (1 ⁇ n) and the signal value M ij (1 ⁇ n), the data X ij and the signal values M ij Find the average value.
  • the calculation means performs a normalization process for subtracting the average value in the unit space from each value of the signal value M ij and the item data X ij . Then, the calculation means approximates with a polynomial such as a quadratic expression using the value of the item data X ij that changes with respect to the signal value M ij .
  • the computing means converts the value of X ij (1 to n) into x ij using this approximated value. If the relationship between the signal value and the item data is linear, although data X ij where the item data value X ij (1 ⁇ n) is directly or normalized (1 ⁇ n) is applied to Equation 4 In the case of non-linearity, the value of x ij (1 to n) after conversion is applied to Equation 4.
  • the calculation means calculates the SN ratio of the comprehensive estimated value and selects an item that maximizes the SN ratio of the comprehensive estimated value.
  • FIG. 8 is a graph conceptually showing a process for determining the optimum number of item selections.
  • the calculation means calculates a factor effect value for each item from the SN ratio of the comprehensive estimated value.
  • the computing means first sets the minimum value of the factor effect value for each item as an initial threshold value.
  • the calculation means selects an item whose factor effect value is equal to or greater than the threshold value, and calculates the SN ratio of the comprehensive estimated value with respect to the signal value (for example, all 1 to n). If the threshold is the initial value, all items are selected.
  • the calculation means sets a value obtained by adding a predetermined value to the threshold value as the next threshold value, similarly selects an item whose factor effect value is equal to or greater than the threshold value, and calculates the SN ratio of the comprehensive estimated value with respect to the signal value. .
  • the calculation means repeats such processing until the threshold reaches the maximum factor effect value, that is, until the horizontal line shown as MAX in FIG. 8 is reached, whereby the SN ratio of the overall estimated value for the data of the selected items is selected. Can be calculated for each number of items.
  • the calculation means sets the initial value of the threshold value to the maximum value MAX or more, decreases the threshold value by a predetermined value, selects an item that is a factor effect value above each threshold value, and calculates the SN ratio of the comprehensive estimated value. You may make it go.
  • FIG. 9 is a graph showing the correspondence between the number of item selections and the SN ratio of the overall estimated value.
  • the transition indicated by the black circle is the SN ratio of the comprehensive estimated value when linear conversion is performed
  • the transition indicated by the black square is the SN ratio of the comprehensive estimated value when linear conversion is not performed.
  • the signal-to-noise ratio of the overall estimated value as a whole is higher when linear conversion is performed. That is, the accuracy of prediction is high.
  • the white square is the S / N ratio of the overall estimated value when an item is selected using the two-sided T method in which an item having a positive factorial effect value is selected.
  • Open diamonds indicate the SN ratio of the overall estimated value when all items are selected.
  • White circles indicate the number of items with the maximum total SN ratio.
  • the SN ratio of the comprehensive estimated value is not maximized when nonlinear conversion is performed.
  • the calculation means performs the method shown in FIG. 8, the item having the highest SN ratio of the total estimated value can be optimally selected.
  • the inventor of the present application applies a time difference model to the T method, calculates the SN ratio of the overall estimated value after performing a conversion process considering the nonlinearity between the signal value and the item data,
  • the present inventors have obtained the knowledge that the prediction accuracy can be improved by applying a method for selecting an item that maximizes the S / N ratio.
  • the inventor of the present application is suitable for prediction from the recorded signal period (members 1 to n) when selecting an item that maximizes the SN ratio of the overall estimated value.
  • the knowledge that the prediction accuracy can be improved by selecting the signal period was obtained.
  • the signal period suitable for the prediction is selected by the calculation means based on the signal trend and the item similarity trend.
  • a method of selecting a signal period that can improve the prediction accuracy will be specifically disclosed.
  • FIG. 10 is a block diagram illustrating a configuration of the prediction device 1 according to the present embodiment.
  • the prediction device 1 uses a computer such as a personal computer or a server computer.
  • the prediction device 1 includes a control unit 10, a recording unit 11, a temporary storage unit 12, an input unit 13, and an output unit 14.
  • the control unit 10 uses a CPU (Central Processing Unit).
  • the control part 10 controls a personal computer or a server computer based on the prediction program 2 demonstrated below, and exhibits the function as the prediction apparatus 1 in this Embodiment.
  • the control part 10 exhibits the function of the calculating means which implements the prediction method mentioned above.
  • the recording unit 11 uses a non-volatile memory such as a ROM (Read Only Memory) or a hard disk drive.
  • the recording unit 11 may be an external hard disk drive, an optical disk drive, or another recording device connected via a communication network. That is, the recording unit 11 is a general term for one or a plurality of information recording media accessible from the control unit 10.
  • a prediction program 2 including various procedures for realizing the prediction method of the present embodiment is recorded.
  • a part of the recording area of the recording unit 11 is used as a database (DB) 110 that records signal values and data of a plurality of items corresponding to the values.
  • the control unit 10 can read and write signal values and data of a plurality of items with respect to the database 110.
  • the database 110 records the signal value of each member and data for each item in time series, for example, in the format shown in FIG.
  • the temporary storage unit 12 uses a nonvolatile memory such as DRAM (Dynamic Random Access Memory) or SRAM (Static Random Access Memory).
  • the temporary storage unit 12 temporarily stores information generated by the processing of the control unit 10.
  • the input unit 13 receives a user operation input using a keyboard, a mouse, or the like.
  • the output unit 14 outputs a processing result of information by the control unit 10 using a display unit such as a liquid crystal monitor or a printing unit such as a printer.
  • control unit 10 executes a process based on the prediction program 2 to predict a signal value related to a future event.
  • FIG. 11 is a flowchart illustrating an example of a prediction processing procedure performed by the prediction device 1 according to the present embodiment.
  • the control unit 10 receives an input from the input unit 13 regarding the signal value and data of a plurality of items related thereto, and records the received signal value and data for each item in the database 110 of the recording unit 11 (step S101). .
  • the signal values and data for each item to be recorded in the database 110 may be input not only from the input unit 13 but also from other devices via a communication network, or from other information recording media. It may be entered.
  • the control unit 10 generates a time difference model based on the signal value recorded in the database 110 of the recording unit 11 and the data for each item (step S102). As described with reference to FIG. 6, the time difference model generated in step S102 is obtained by associating data for each item with a signal value after a predetermined period of the data of the item. That is, in step S102, the control unit 10 associates the signal values stored in time series with the data for each item while shifting by a predetermined period.
  • the control unit 10 linearly converts the data for each item based on the relationship between the corresponding signal value and the data for each item in the generated time difference model (step S103).
  • the control part 10 performs the process which selects the signal period used for prediction using the data after linear transformation (step S104). Details of the process of selecting the signal period will be described with reference to the flowchart of FIG.
  • the control unit 10 uses the above-described Equation 1 and Equation 2 to calculate the proportionality constant ⁇ and SN ratio for each item. ⁇ (square ratio) is calculated (step S105).
  • the control unit 10 calculates the estimated value of the output by Expression 3 for each member in the selected signal period using the proportional constant ⁇ and the SN ratio ⁇ (square ratio) for each item using Expression 3. Step S106).
  • the control unit 10 calculates an overall estimated value using the SN ratio (square ratio), which is the estimation accuracy of the estimated value, as a weighting coefficient according to Equation 4 (step S107).
  • control unit 10 calculates the SN ratio (db) of the comprehensive estimated value of each item based on the signal value and the comprehensive estimated value based on Expression 5 (step S108).
  • the control unit 10 derives a factor effect value for each item (step S109).
  • the factor effect value is the difference between the SN ratio of the overall estimated value for the data of each item including the item with respect to the SN ratio of the comprehensive estimated value for the data of each item excluding the item, as described above. It is calculated by obtaining.
  • the SN ratio of the comprehensive estimated value is the strength of the correlation of the data of the item with respect to the signal value, and is a value expressed as a logarithm of a value proportional to the reciprocal of variance.
  • control unit 10 calculates the S / N ratio of the comprehensive estimated value for the data of a plurality of items selected in descending order of the factor effect value for each number of items (step S110). Details of the processing in step S110 have been described above with reference to FIG.
  • the control unit 10 determines the number of items that maximizes the S / N ratio based on the S / N ratio of the comprehensive estimated value for each number of items (step S111).
  • the control unit 10 selects items for the number of items determined in step S111 (step S112). And the control part 10 is the data of the selected item among the data for every item before the predetermined period matched with the prediction object period in a time difference model, ie, the data for every item in the corresponding period nearest to a prediction object period.
  • ⁇ and ⁇ in Equation 4 are those calculated in step S105 (calculated from data after time difference model, linear conversion, and signal period selection).
  • the predicted value is output from the output unit 14 or recorded in the recording unit 11. If the signal value is normalized, it can be obtained by performing inverse transformation.
  • FIG. 12 is a flowchart illustrating an example of a signal period selection processing procedure by the prediction device 1 according to the present embodiment.
  • the processing procedure shown below corresponds to the details of the signal period selection processing in step S104 of FIG.
  • the control unit 10 normalizes the signal value (subtracts the average value) and performs conversion that takes a logarithmic value in order to reduce the fluctuation rate (step S401).
  • the control unit 10 calculates a trend for all members or a predetermined period (for example, for 10 years) with respect to the converted signal value (step S402). For the calculation of the signal trend, it is possible to use a known trend calculation method for various time series data, such as applying a trend component model based on a state space model.
  • the control unit 10 includes data of items associated with the signal value (predicted value) of the prediction target period and the trend of the signal value of the same period (corresponding period) before applying the time difference model. Is identified (step S403). Specifically, in step S403, the control unit 10 determines whether the trend in the corresponding period is a positive gradient or a negative gradient.
  • the control unit 10 selects a signal value and data for each item (after applying the time difference model) in the section having the same trend characteristic as the trend (positive slope / negative slope) identified in step S403 (step S404). ).
  • the control unit 10 calculates the Mahalanobis general distance (hereinafter referred to as MD (Mahalanobis Distance)) of the item data (after linear conversion) in the selected section (step S405).
  • MD Mahalanobis Distance
  • the control unit 10 calculates the MD trend in the selected section (step S406).
  • the control unit 10 excludes a section in which the MD trend is larger than a predetermined value (for example, 1.0) as a whole from a plurality of discontinuous sections (sections having the same signal trend) constituting the selected section (step S407). ).
  • a predetermined value for example, 1.0
  • the control unit 10 recalculates the MD and MD trend of the item data in the section after the exclusion in step S407 (step S408).
  • the control unit 10 selects a section in which the MD trend obtained in step S408 is equal to or less than a predetermined value (for example, 1.0) as the signal period to which the T method is applied (step S409). ), The process is terminated.
  • a predetermined value for example, 1.0
  • FIG. 13 is a flowchart illustrating another example of the signal period selection processing procedure by the prediction device 1 according to the present embodiment.
  • procedures common to the processing procedures shown in the flowchart of FIG. 12 are assigned the same reference numerals and detailed description thereof is omitted.
  • the control unit 10 performs T only in the section (month) in which the MD value is equal to or less than the predetermined value (for example, 1.0). This is selected as the signal period to which the law is applied (step S410), and the process is terminated.
  • a predetermined value for example, 1.0
  • the control unit 10 selects the signal period as shown in the flowchart of FIG. 12 or FIG. 13, the characteristics of the time-series variation similar to the data of the item corresponding to the signal value (prediction target) in the prediction target period are obtained. Prediction is performed from the relationship between the item data and the signal value after a predetermined period. As a result, it is possible to reduce the influence of the relationship between the item data and the signal value in the period showing a sign that is not similar to (previously) a predetermined period before the target period for prediction, and improve the accuracy of the prediction. It can be inferred that
  • the signal value trend is obtained, and the signal period is selected based on whether the slope of the signal trend is positive or negative.
  • the control unit 10 of the prediction device 1 calculates the trend of the signal value, and selects the signal period using the trend (S402 to S404), and then the signal after the normalization conversion using the time difference model is applied.
  • a process of calculating MD and MD trend and selecting a signal period based on MD and MD trend may be performed on the data for each item after the value and linear conversion.
  • the time variation characteristics of the data for each item can be distinguished from the same group as the data for each item in the corresponding period. This is because specifying the relational expression in (1) should improve the prediction accuracy.
  • FIG. 14 is an explanatory diagram showing the contents of items in the present embodiment.
  • the prediction target (signal value) was “the number of construction machines shipped”, and items related to the prediction target were various economic indicators.
  • “Month”, “Japan unemployment rate (%)”, “Domestic bank lending interest rate (%)”, and the like are set as items that become economic indicators.
  • data for each month is associated with the member.
  • items indicating months such as “January” and “February” are items indicating how many degrees each item associated as a member corresponds to.
  • the prediction device 1 predicts “the number of construction machines shipped” based on a total of 36 items including 24 items related to economic indicators (partially omitted or changed in detail in FIG. 13) and 12 items related to monthly degrees.
  • FIG. 15 is a graph showing an example of the contents of signal values used for prediction in this embodiment.
  • the horizontal axis in FIG. 15 indicates the year and month in time series, and the vertical axis indicates the number of units shipped.
  • the number of units shipped is shown normalized by the monthly average number of years in 2005.
  • the prediction device 1 is used to predict the shipment quantity for 12 months from January to December 2010 based on the data for each item shown in FIG. 14 with respect to the time series data of the shipment quantity shown in FIG. To do. As will be described later, based on the actual value of the number of units shipped for 12 months from January to December 2010, the predicted value based on the period selected by the two methods (FIGS. 12 and 13) by the prediction device 1 Will be evaluated respectively.
  • control unit 10 of the prediction device 1 generates time series data to which a time difference model is applied for the signal values of the time series data as shown in FIG. 15 and the data for each item for each signal value (S102).
  • a time difference model shifted by 12 months is applied.
  • control unit 10 performs linear conversion on the data of the item to which the time difference model is applied (S103), and performs the above-described normalization and logarithmic conversion processing on the signal value (S401). . And the control part 10 calculates
  • FIG. 16 is a graph showing a trend of signal values obtained by the control unit 10 of the prediction device 1.
  • the graph shown in FIG. 16 is superimposed on the shipment number graph of FIG.
  • the signal trend is indicated by black circles and white circles.
  • a white circle indicates a section where the slope of the signal trend is plus (+), and a black circle indicates a section where the slope of the signal trend is minus ( ⁇ ).
  • the abscissa in FIG. 16 shows a plus section and a minus section.
  • the control unit 10 sets the data of the item for the prediction target period, that is, 2009 1 that is a predetermined period (12 months) before 12 months from January to December 2010.
  • the slope of the signal trend in the most recent period from July to December (July to December 2009) is determined (S403).
  • the control unit 10 determines that the gradient is positive by the process of S403.
  • the control unit 10 selects a section in which the slope of the signal trend is positive from the entire period or a predetermined period (such as 10 years) (S404).
  • FIG. 17 is a graph showing the section selected by the control unit 10 of the prediction device 1 and the MD in the section.
  • the horizontal axis in FIG. 17 indicates the year and month corresponding to the signal value and the data for each item, and the vertical axis indicates the MD value.
  • the range of the horizontal axis is partly different from FIG.
  • the control unit 10 calculates the MD of the item data in the section where the selected signal trend is positive (S405).
  • the calculated MD is indicated by a circle in FIG.
  • the control unit 10 calculates the MD trend (S406).
  • the calculated MD trend is indicated by a thick line in FIG.
  • the control unit 10 excludes a section where the MD trend is larger than a predetermined value (1.0) as a whole from the selected section (S407).
  • FIG. 12 is a graph showing the MD and the MD trend in the period selected by the method 1 by the control unit 10 of the prediction device 1.
  • the upper part of FIG. 18 shows the MD and MD trend of the section after the exclusion of the section where the MD trend is larger than the predetermined value (1.0), and the lower part shows the MD trend after recalculation with the predetermined value (1). .0) MD and MD trend in the following sections.
  • the control unit 10 selects a period from January 2004 to May 2006.
  • the control unit 10 calculates the total estimated value for each item using the two-sided T method. A process for obtaining the S / N ratio and selecting the number of items that maximizes the S / N ratio is performed (S105 to 111). Then, the control unit 10 selects an item having the selected number of items (S112), and calculates a predicted value based on the data of the selected item in the corresponding period (January to December 2009) (S113).
  • FIG. 19 is a graph illustrating an example of a prediction result based on the period selected by the method 1 by the control unit 10 of the prediction device 1 in the present embodiment.
  • the control unit 10 performs prediction based on the signal value and the data for each item in the selected period by performing the processing procedure shown in the flowchart of FIG.
  • the horizontal axis in FIG. 18 indicates the year and month corresponding to the signal value and the data for each item, and the vertical axis indicates the number of units shipped.
  • the values indicated by black circles from January 2005 to January 2010 are actual values (after normalization) and are the same as those shown in FIG.
  • a waveform with a solid line in FIG. 19 indicates a signal trend.
  • each predicted value indicated by a white square and connected by a solid line is an actual value (after normalization) from January 2010 to December 2010. As shown in FIG. 19, it can be seen that each predicted value can be predicted with sufficient accuracy as a predicted value for 12 months, although it differs from the actual value when viewed monthly.
  • the control unit 10 calculates the MD and the MD trend in the section after excluding the section where the MD trend is larger than the predetermined value as a whole (S408), and the MD trend after the recalculation is less than the predetermined value (1.0). Only a section (month) in which a MD value is equal to or less than a predetermined value (1.0) is selected (S410).
  • FIG. 20 is a graph showing the MD and the MD trend in the period selected by the method 2 by the control unit 10 of the prediction device 1. The upper part of FIG.
  • FIG. 20 shows the MD and the MD trend in the section where the MD trend after recalculation is a predetermined value (1.0) or less, and the lower part is in the section where the MD value is a predetermined value (1.0) or less.
  • MD and MD trends are shown.
  • the horizontal axis in FIG. 20 indicates the year and month corresponding to the signal value and the data for each item, and the vertical axis indicates the MD value.
  • MD is indicated by a white circle, and the MD trend is indicated by a solid line.
  • the control unit 10 Based on the signal value and the data for each item (after applying the time difference model) in the period selected by the method 2, the control unit 10 obtains the SN ratio of the comprehensive estimated value for each item using the two-sided T method. Processing for selecting the maximum number of items is performed (S105 to S111). Then, the control unit 10 selects an item having the selected number of items (S112), and calculates a predicted value based on the data of the selected item in the corresponding period (January to December 2009) (S113).
  • FIG. 21 is a graph showing an example of a prediction result based on the period selected by the method 2 by the control unit 10 of the prediction device 1 in the present embodiment.
  • the control unit 10 performs the processing procedure shown in the flowchart of FIG. 13 and performs prediction based on the signal value and the data for each item in the selected period.
  • the horizontal axis in FIG. 21 indicates the year and month to which the signal value and the data for each item correspond, and the vertical axis indicates the number of shipments.
  • the values indicated by black circles from January 2005 to January 2010 are actual values (after normalization) and are the same as those shown in FIG.
  • a waveform with a solid line in FIG. 21 indicates a signal trend.
  • each predicted value indicated by a white square and connected by a solid line is an actual value (after normalization) from January 2010 to December 2010. As shown in FIG. 21, it can be seen that each predicted value is predicted with sufficient accuracy as a predicted value for 12 months, although it is different from the actual value when viewed monthly.
  • FIG. 22 is a graph showing a comparison of the S / N ratio of the comprehensive estimated values due to the difference in the signal period selection method.
  • FIG. 22 shows the length of the signal period to be selected on the horizontal axis, and the SN ratio of the comprehensive estimated value on the vertical axis.
  • the black circle indicates the SN ratio of the total estimated value when the signal period is selected by the prediction device 1 of the present embodiment, and the black square indicates the SN of the total estimated value when the latest period is used. Indicates the ratio.
  • the SN ratio of the comprehensive estimated value is small.
  • the prediction device 1 can realize highly accurate shipment unit prediction.
  • Embodiment 2 a period having characteristics similar to the trend characteristics of the signal value of the item corresponding to the signal value of the prediction target period and the signal value of the same period is specified, and the item data of the specified period and a predetermined period later A configuration for performing prediction based on the relationship with the signal value will be described.
  • the structure of the prediction apparatus in Embodiment 2 is the same as that of the prediction apparatus 1 described in Embodiment 1, suppose that the description is abbreviate
  • the prediction apparatus 1 predicts a signal value in a prediction target period according to each step shown in the flowchart of FIG.
  • the signal period selection process in step S104 of FIG. 11 is executed according to the following procedure.
  • FIG. 23 is a flowchart illustrating an example of a signal period selection processing procedure performed by the prediction device 1 according to the second embodiment.
  • the control unit 10 normalizes the signal value (subtracts the average value) and performs conversion to take a logarithmic value in order to reduce the fluctuation rate (step S41).
  • the control unit 10 calculates a trend for all members or a predetermined period (for example, for 10 years) for the converted signal value (step S42).
  • a known trend calculation method for various time series data such as applying a trend component model based on a state space model.
  • the control part 10 specifies the trend of the signal value of the item data matched with the signal value of a prediction object period, and the signal period of the same period (corresponding period) before application of a time difference model among the trends calculated in step S42 ( Step S43). Specifically, in step S43, the control unit 10 determines whether the trend in the corresponding period is a positive gradient or a negative gradient.
  • the control unit 10 selects a signal value and data for each item (after applying the time difference model) in the section having the same trend characteristic as the trend (positive slope / negative slope) identified in step S43 (step S44). ).
  • the control unit 10 calculates the Mahalanobis generalized distance (MD) of the item data (after linear conversion) in the selected section (step S45).
  • the control unit 10 calculates the MD trend in the selected section (step S46).
  • the control unit 10 sequentially selects a section close to the prediction target period from a plurality of discontinuous sections (sections with the same signal trend) constituting the selected section (step S47).
  • the control unit 10 determines whether or not the MD trend is larger than a predetermined value (for example, 1.0) in the entire selected section (step S48). If the control unit 10 determines that the value is larger than the predetermined value in step S48 (S48: YES), the control unit 10 returns the process to step S47, and then selects another section close to the prediction target period.
  • a predetermined value for example, 1.0
  • control unit 10 determines that the MD trend is not larger than the predetermined value in the entire selected section, that is, a part of the MD trend includes a section having a predetermined value or less (S48: NO), the control section 10 Is selected as a signal period (step S49), and the process ends.
  • the control unit 10 selects the signal period as shown in the flowchart of FIG. 23, the aspect close to the characteristic of the trend of the data value of the item corresponding to the signal value (prediction target) of the prediction target period and the signal value of the same period Prediction is performed from the relationship between the item data in the period having the characteristic and the signal value after the predetermined period. Thereby, it is possible to reduce the influence of the relationship between the item data and the signal value in a period showing a sign that is not similar to (previously) a predetermined period before the prediction target period, and to improve the accuracy of the prediction. Can be guessed.
  • FIG. 24 is an explanatory diagram showing the contents of items in the present embodiment.
  • the prediction target (signal value) was “the number of construction machines shipped”, and items related to the prediction target were various economic indicators.
  • As an economic index item as shown in FIG. 24, “month”, “Japan unemployment rate (%)”, “domestic bank lending interest rate (%)”, etc. are set. In each of these items, data for each month is associated with the member.
  • items indicating months such as “January” and “February” are items indicating how many degrees each item associated as a member corresponds to. , “1” is recorded, and “0” is recorded when it is not the month.
  • the prediction device 1 predicts “the number of construction machines shipped” based on a total of 36 items including 24 items related to economic indicators (partially omitted or changed in detail in FIG. 24) and 12 items related to monthly degrees.
  • FIG. 25 is a graph showing a content example of signal values used for prediction in this embodiment.
  • the horizontal axis in FIG. 25 indicates the year and month in time series, and the vertical axis indicates the number of units shipped. Note that the shipments in FIG. 25 are standardized by the monthly average number of years in 2005.
  • the prediction device 1 is used to predict the shipment quantity for 12 months from January to December 2010 based on the data for each item shown in FIG. 24 with respect to the time series data of the shipment quantity shown in FIG. To do. Note that, as will be described later, the prediction value by the prediction device 1 is evaluated based on the actual value of the number of units shipped for 12 months from January to December 2010.
  • control unit 10 of the prediction device 1 generates time-series data to which a time difference model is applied for the signal values of the time-series data and the data for each item for each signal value as shown in FIG. 25 (S102).
  • a time difference model shifted by 12 months is applied.
  • control unit 10 performs linear conversion on the data of the item to which the time difference model is applied (S103), and performs conversion processing for normalizing and logarithmically converting the signal value as described above (S41). . And the control part 10 calculates
  • FIG. 26 is a graph showing a trend of signal values obtained by the control unit 10 of the prediction device 1.
  • the graph shown in FIG. 26 is displayed so as to overlap the graph of the number of shipments in FIG.
  • signal trends are indicated by black circles and white circles.
  • a white circle indicates a section where the slope of the signal trend is plus (+), and a black circle indicates a section where the slope of the signal trend is minus ( ⁇ ).
  • the abscissa in FIG. 26 shows a plus section and a minus section.
  • the control unit 10 sets the data of the item corresponding to the prediction target period, that is, 2009 before a predetermined period (12 months) from 12 months from January to December 2010. Determine the slope of the latest signal trend from January to December of the year.
  • the control unit 10 determines that the gradient is positive by the process of S43.
  • the control unit 10 identifies a section in which the slope of the signal trend is positive from the entire period or a predetermined period (such as 10 years).
  • FIG. 27 is a graph showing the period selected by the control unit 10 of the prediction apparatus 1 and the MD in the section.
  • the horizontal axis indicates the passage of time, and the vertical axis indicates the MD value. The range of the horizontal axis is partly different from FIG.
  • the control unit 10 selects item data in a section in which the identified signal trend is positive (S44), and calculates MD (S45).
  • the calculated MD is indicated by a circle in FIG.
  • the control unit 10 calculates the MD trend (S46).
  • the calculated MD trend is indicated by a thick line in FIG.
  • the section where the signal trend is positive is composed of three discontinuous sections.
  • the control unit 10 first selects the latest section (July to December 2009) among the three sections (S47).
  • the control unit 10 refers to the MD trend calculated for the section, determines that the MD trend is greater than the predetermined value (1.0) (S48: YES), and excludes the section.
  • the control unit 10 selects the next closest section (September 2002 to February 2007) among the three sections (S47).
  • the MD trend calculated for the section is partially larger than 1.0, most of the MD trend is 1.0 or less (S48: NO). (March 2006 to February 2007) is selected as the signal period (S49).
  • the control unit 10 Based on the signal value and the data for each item in the selected signal period (March 2006 to February 2007), the control unit 10 obtains the SN ratio of the comprehensive estimated value for each item using the two-sided T method, Processing for selecting the number of items with the maximum S / N ratio is performed (S105 to S111). Then, the control unit 10 selects an item having the selected number of items (S112), and calculates a predicted value based on the data of the selected item in the corresponding period (January to December 2009) (S113).
  • FIG. 28 is a graph showing a prediction result by the control unit 10 of the prediction device 1 in the present embodiment.
  • the horizontal axis in FIG. 28 shows the passage of time, and the vertical axis shows the number of shipments.
  • the values indicated by black circles from January 2005 to January 2010 are actual values (after normalization), and are the same as those shown in FIG.
  • a waveform with a solid line in FIG. 28 indicates a signal trend.
  • the section indicated by the arrow in FIG. 28 is the selected period from March 2006 to February 2007.
  • the value indicated by the bold line between January 2010 and December 2010 is a value predicted by the control unit 10 based on the data in the selected period.
  • the values indicated by white squares are actual values (after normalization) from January 2010 to December 2010.
  • each predicted value can be predicted with sufficient accuracy as a predicted value for 12 months, although it differs from the actual value when viewed monthly.
  • FIG. 29 is a graph showing a predicted value when the signal period is the most recent two years
  • FIG. 30 is a graph showing a predicted value when the signal period is the most recent one year.
  • the period from January 2008 to December 2009 is the signal period
  • the period from January 2009 to December 2009 is also the signal period. 29 and 30, the predicted values are indicated by white diamonds. Comparing FIG. 28 with FIG. 29 and FIG. 30, it can be seen that the prediction value obtained by the prediction device 1 in the present embodiment has the highest accuracy.
  • FIG. 31 is a graph showing a comparison of the S / N ratio of the comprehensive estimated value due to the difference in the signal period selection method.
  • FIG. 31 shows the length of the signal period to be selected on the horizontal axis, and the SN ratio of the comprehensive estimated value on the vertical axis.
  • the black circle indicates the SN ratio of the total estimated value when the signal period is selected by the prediction device 1 of the present embodiment, and the black square indicates the SN of the total estimated value when the latest period is used. Indicates the ratio.
  • the SN ratio of the total estimated value is the highest, and the accuracy of the comprehensive estimation formula is improved.
  • the prediction device 1 can realize a highly accurate shipment unit prediction.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

　Ｔ法を用いた予測方法に関し、時間差モデルに加えて経時変化の傾向を反映させ、予測精度を更に向上させる予測装置、予測方法及びコンピュータプログラムを提供する。例えば、予測装置は、時系列に記録されている信号値及び項目毎のデータから、項目毎のデータのＭＤ及びＭＤトレンドに基づく期間、即ち、項目毎のデータが類似する信号期間を選択し、選択した期間における信号値及び項目毎のデータに対してＴ法を用いて予測を行なう。

Description

予測装置、予測方法及びコンピュータプログラム
　本発明は、時系列的に変化する予測対象及び該予測対象に関する複数の項目について分析する方法に関し、特に、予測結果の精度を向上させることができる予測装置、予測方法、及び、コンピュータを予測装置として機能させるコンピュータプログラムに関する。
　製品の需要予測及び販売予測等の経済予測は、会社経営における方向性及び戦略を検証する上で、極めて重要である。そして、予測した需要を販売、在庫、生産、物流、開発等の各部門の計画にどのように結び付けるかが経営課題となっている。更に、需要予測、販売予測等の経済的な事象に対する予測に限らず、経時的に変化する事象についてそれまでの情報を用いて以降の事象について予測することは様々な分野で重要な課題である。
　製品の需要台数、又は販売台数等の時系列的に推移する事象の以後の変化を予測するための方法として、種々の時系列分析方法が提案されている。このような分析方法としては、重回帰分析、Ｔ法等の多変量解析が挙げられる（例えば、特許文献１、非特許文献１）。更に、これらの分析方法に対して種々の応用案が提案されている（非特許文献２等）。
特許第３１４１１６４号公報
立林和夫編著、手島昌一、長谷川良子著、「入門ＭＴシステム」、日科技連出版社、２００８年１２月 増田雪也、「非線形成分を考慮したＴ法の研究」、第１７回品質工学研究発表大会　論文集、ｐ．４２２－４２５、２００９年
　種々の時系列分析方法の内、Ｔ法を用いて分析する場合、解析に用いる項目をいかにして選択するかが課題であった。項目の選択については、非特許文献１に開示されている両側Ｔ法という手法が提案されている。しかしながら、発明者は、両側Ｔ法による項目選択では予測精度は不十分であるとし、非特許文献２の総合推定ＳＮ比が最大となる項目を選択する方法等を検討した。その結果、項目選択を行なう対象期間を、過去の事象の経時変化の傾向（トレンド）を考慮して選択しておくべきであるとの知見を得た。
　本発明は斯かる知見に基づいてなされたものであり、経時変化の傾向を反映させて予測精度を更に向上させる予測装置、予測方法及びコンピュータプログラムを提供することを目的とする。
　本発明に係る予測装置は、複数の要因が関連する事象に係る値、及び、該値に関連する前記複数の要因を複数の項目毎のデータとして前記値に対応付けて時系列に記録する記録手段と、該記録手段から前記値及び該値に対応する前記複数の項目毎のデータを読み出して演算を行なう演算手段とを備え、該演算手段が、前記複数の項目の前記値の変化に対する相関の強さを示す要因効果値に基づき、前記複数の項目から複数の項目を選択し、選択した項目のデータに基づき、予測対象期間における前記事象に係る値を予測する予測装置において、前記演算手段は、前記記録手段に記録されている項目毎のデータの記録期間中における経時変化傾向を特定する特定手段と、予測対象期間よりも所定期間前の対応期間における項目毎のデータの経時変化傾向が類似する期間を、前記記録期間から選択する期間選択手段と、該期間選択手段が選択した選択期間における前記複数の項目毎のデータ、及び、該選択期間よりも所定期間後の値により求められる前記要因効果値に基づき、複数の項目を選択する項目選択手段と、前記対応期間における前記項目選択手段が選択した項目のデータから前記予測対象期間における予測値を算出する予測手段とを備えることを特徴とする。
　本発明に係る予測装置は、前記期間選択手段は、前記対応期間における複数の項目毎のデータと、任意の第１期間における複数の項目毎のデータとの類似性を表わす数値を算出する第１算出手段と、第１算出手段が算出した数値の経時変化傾向を表わす数値を算出する第２算出手段と、第１期間から、第２算出手段が算出した前記数値に基づき、類似性の低い区間を除外する手段と、前記対応期間における複数の項目毎のデータと、除外後の区間における複数の項目毎のデータとの類似性を表わす数値を算出する第３算出手段と、第３算出手段が算出した数値の経時変化傾向を表わす数値を算出する第４算出手段と、除外された区間を除く第１期間の内、第４算出手段が算出した数値に基づき、類似性の高い第２期間を選択する選択手段とを備えることを特徴とする。
　本発明に係る予測装置は、第１及び第３算出手段は、マハラノビスの汎距離を算出するようにしてあり、第２及び第４算出手段は、第１又は第３算出手段が算出したマハラノビスの汎距離のトレンドをトレンドモデルに基づき算出するようにしてあり、前記除外手段は、第２算出手段が算出したトレンドが所定値より高い期間を除外するようにしてあり、前記選択手段は、第４算出手段が算出したトレンドが所定値以下の期間を第２期間として選択するようにしてあることを特徴とする。
　本発明に係る予測装置は、複数の要因が関連する事象に係る値、及び、該値に関連する前記複数の要因を複数の項目毎のデータとして前記値に対応付けて時系列に記録する記録手段と、該記録手段から前記値及び該値に対応する前記複数の項目毎のデータを読み出して演算を行なう演算手段とを備え、該演算手段が、前記複数の項目の前記値の変化に対する相関の強さを示す要因効果値に基づき、前記複数の項目から複数の項目を選択し、選択した項目のデータに基づき、予測対象期間における前記事象に係る値を予測する予測装置において、前記演算手段は、前記記録手段に記録されている値の記録期間中における経時変化傾向を特定する特定手段と、予測対象期間よりも所定期間前の対応期間における前記値の経時変化傾向に類似する直近の期間を、前記記録期間から選択する期間選択手段と、該期間選択手段が選択した選択期間における前記複数の項目毎のデータ、及び、該選択期間よりも所定期間後の値により求められる前記要因効果値に基づき、複数の項目を選択する項目選択手段と、前記対応期間における前記項目選択手段が選択した項目のデータから前記予測対象期間における予測値を算出する予測手段とを備えることを特徴とする。
　本発明に係る予測装置は、前記期間選択手段は、前記対応期間における値の経時変化の勾配を判別する判別手段と、該判別手段が判別した勾配で値が変化する第１期間を、前記記録期間から選定する手段と、前記対応期間における複数の項目毎のデータと、第１期間における複数の項目毎のデータとの類似性を表わす数値を算出する第１算出手段と、第１算出手段が算出した数値の変化傾向を表わす数値を算出する第２算出手段と、第２算出手段が算出した前記数値と閾値との比較に基づき、前記第１期間中の直近の類似性が高い第２期間を選択する選択手段とを備えることを特徴とする。
　本発明に係る予測装置は、第１算出手段は、マハラノビスの汎距離を算出するようにしてあり、第２算出手段は、第１算出手段が算出したマハラノビスの汎距離のトレンドをトレンドモデルに基づき算出するようにしてあり、前記選択手段は、第２算出手段が算出したトレンドが所定値以下である期間を第２期間として選択するようにしてあることを特徴とする。
　本発明に係る予測装置は、前記選択手段は、前記第２期間の長さを変えて選択するようにしてあり、長さ毎に、該第２期間における項目毎のデータの所定時間後の値に対する予測精度に係る値が最大になる長さを決定する決定手段を更に備え、前記期間選択手段は、前記決定手段が決定した長さの第２期間を選択するようにしてあることを特徴とする。
　本発明に係る予測方法は、複数の要因が関連する事象に係る値、及び、該値に関連する前記複数の要因を複数の項目毎のデータとして前記値に対応付けて時系列に記録する記録手段と、該記録手段から前記値及び該値に対応する前記複数の項目毎のデータを読み出して演算を行なう演算手段とを備える装置にて、該演算手段が、前記複数の項目の前記値の変化に対する相関の強さを示す要因効果値に基づき、前記複数の項目から複数の項目を選択し、選択した項目のデータに基づき、予測対象期間における前記事象に係る値を予測する予測方法において、前記記録手段に記録されている項目毎のデータの記録期間中における経時変化傾向を特定し、予測対象期間よりも所定期間前の対応期間における項目毎のデータの経時変化傾向が類似する期間を、前記記録期間から選択し、選択された選択期間における前記複数の項目毎のデータ、及び、該選択期間よりも所定期間後の値により求められる要因効果値に基づき、複数の項目を選択し、前記対応期間における選択された項目のデータから前記予測対象期間における予測値を算出することを特徴とする。
　本発明に係る予測方法は、複数の要因が関連する事象に係る値、及び、該値に関連する前記複数の要因を複数の項目毎のデータとして前記値に対応付けて時系列に記録する記録手段と、該記録手段から前記値及び該値に対応する前記複数の項目毎のデータを読み出して演算を行なう演算手段とを備える装置にて、該演算手段が、前記複数の項目の前記値の変化に対する相関の強さを示す要因効果値に基づき、前記複数の項目から複数の項目を選択し、選択した項目のデータに基づき、予測対象期間における前記事象に係る値を予測する予測方法において、前記演算手段は、前記記録手段に記録されている値の記録期間中における経時変化傾向を特定し、予測対象期間よりも所定期間前の対応期間における前記値の経時変化傾向に類似する直近の期間を、前記記録期間から選択し、選択した選択期間における前記複数の項目毎のデータ、及び、該選択期間よりも所定期間後の値により求められる前記要因効果値に基づき、複数の項目を選択し、前記対応期間における選択された複数の項目のデータから前記予測対象期間における予測値を算出することを特徴とする。
　本発明に係るコンピュータプログラムは、記録手段を備えるコンピュータに、前記記録手段に時系列に記録してある複数の要因が関連する事象に係る値、及び、該値に関連する前記複数の要因を複数の項目毎のデータを読み出し、前記複数の項目の前記値の変化に対する相関の強さを示す要因効果値に基づき、前記複数の項目から複数の項目を選択させ、選択された項目のデータに基づいて予測対象期間における前記事象に係る値を予測させるコンピュータプログラムにおいて、前記コンピュータに、前記記録手段に記録されている項目毎のデータの記録期間中における経時変化傾向を特定する特定手段、予測対象期間よりも所定期間前の対応期間における項目毎のデータの経時変化傾向が類似する期間を、前記記録期間から選択する期間選択手段、該期間選択手段が選択した選択期間における前記複数の項目毎のデータ、及び、該選択期間よりも所定期間後の値により求められる前記要因効果値に基づき、複数の項目を選択する項目選択手段、及び、前記対応期間における前記項目選択手段が選択した項目のデータから前記予測対象期間における予測値を算出する予測手段の機能を実行させることを特徴とする。
　本発明に係るコンピュータプログラムは、記録手段を備えるコンピュータに、前記記録手段に時系列に記録してある複数の要因が関連する事象に係る値、及び、該値に関連する前記複数の要因を複数の項目毎のデータを読み出し、前記複数の項目の前記値の変化に対する相関の強さを示す要因効果値に基づき、前記複数の項目から複数の項目を選択させ、選択された項目のデータに基づいて予測対象期間における前記事象に係る値を予測させるコンピュータプログラムにおいて、前記コンピュータに、前記記録手段に記録されている値の記録期間中における経時変化傾向を特定する特定手段、予測対象期間よりも所定期間前の対応期間における前記値の経時変化傾向に類似する直近の期間を、前記記録期間から選択する期間選択手段、選択した選択期間における前記複数の項目毎のデータ、及び、該選択期間よりも所定期間後の値により求められる前記要因効果値に基づき、複数の項目を選択する項目選択手段、及び、前記対応期間における選択された複数の項目のデータから前記予測対象期間における予測値を算出する予測手段の機能を実行させることを特徴とする。
　本発明では、時系列データである事象に係る値及び該値に関連する複数の要因である複数の項目毎のデータが記録されている記録手段から、前記値及び項目毎のデータが読み出され、前記時系列の項目毎のデータの経時変化傾向が特定される。項目毎のデータの時間的変動特性が、対応期間における項目毎のデータと同群と判別できる期間が選択され、選択された期間における前記複数の項目毎のデータ及び所定期間後の値との関係式が特定され、該値の変化に相関が強い複数の項目が選択され、対応期間における項目毎のデータの内、選択された項目のデータに基づき、前記予測対象期間における値が予測される。
　予測対象期間の対応期間における項目毎のデータが、予測値の予兆を示すのであれば、項目毎のデータの時間的変動特性が、対応期間における項目毎のデータと同群と判別できるものを元に関係式を特定することで、予測精度が向上する。
　本発明では、第１期間から、対応期間における項目毎のデータと経時変化傾向が類似しない項目毎のデータの区間が除外され、除外後の区間から更に、項目毎のデータが類似する区間が選択される。より類似する期間を選択するべく、変化傾向として関係がない期間を除外することによって精度を向上させることが可能となる。
　本発明では、項目毎のデータのマハラノビスの汎距離を用いて項目毎のデータ間が同群にあるか否かが判別され、更に経時変化傾向はトレンドモデルに基づき特定されて類似性が判断される。これにより、比較的容易な手法にて客観的に類似する期間の選択が可能となり、予測精度を向上させることが可能となる。
　本発明による場合、解析に用いる項目の選択に際し、予測時点における項目データの変化傾向と類似すると判断される期間から、当該信号期間にて項目選択を行なって項目と所定時間後の信号値との関係式を特定し、該関係式から予測を行なう。つまり、過去の事象から同群の項目毎のデータが存在する時期のデータに基づき予測が行なわれる。これにより、予測時点と異なる予兆が現れている時系列データによる影響を排除し、予測精度を向上させることができる。
Ｔ法で用いる信号値及び項目のデータの内容例を示す説明図である。 Ｔ法で用いる各項目の比例定数β及びＳＮ比η（２乗比）の一例を示す説明図である。 各メンバーの実際の信号値又は基準化した信号値の実値と、各メンバーについて求めた総合推定値を一覧形式で示した図である。 Ｔ法における各項目の総合推定値のＳＮ比を示す要因効果図である。 Ｔ法における各項目の要因効果に対する影響を示すグラフである。 時間差モデルを概念的に示す説明図である。 変換処理前後の信号値と項目毎のデータの値との関係を示すグラフである。 最適な項目選択数を決定するための処理を概念的に示すグラフである。 項目選択数と総合推定値のＳＮ比との対応を示すグラフである。 本実施の形態における予測装置の構成を示すブロック図である。 本実施の形態における予測装置による予測処理手順の一例を示すフローチャートである。 本実施の形態における予測装置による信号期間選択処理手順の一例を示すフローチャートである。 本実施の形態における予測装置による信号期間選択処理手順の他の一例を示すフローチャートである。 本実施例における項目の内容を示す説明図である。 本実施例にて予測に用いる信号値の内容例を示すグラフである。 予測装置の制御部により求められた信号値のトレンドを示すグラフである。 予測装置の制御部により選択された区間、並びに、当該期間におけるＭＤを示すグラフである。 予測装置の制御部により、方法１にて選択された期間におけるＭＤ及びＭＤトレンドを示すグラフである。 本実施例における予測装置の制御部による方法１にて選択された期間に基づく予測結果の一例を示すグラフである。 予測装置の制御部により、方法２にて選択された期間におけるＭＤ及びＭＤトレンドを示すグラフである。 本実施例における予測装置の制御部による方法２にて選択された期間に基づく予測結果の一例を示すグラフである。 信号期間の選択方法の違いによる総合推定値のＳＮ比の比較を示すグラフである。 実施の形態２における予測装置による信号期間選択処理手順の一例を示すフローチャートである。 本実施例における項目の内容を示す説明図である。 本実施例にて予測に用いる信号値の内容例を示すグラフである。 予測装置の制御部により求められた信号値のトレンドを示すグラフである。 予測装置の制御部により選択された期間、並びに、当該区間におけるＭＤを示すグラフである。 本実施例における予測装置の制御部による予測結果を示すグラフである。 信号期間を直近２年間とした場合の予測値を示すグラフである。 信号期間を直近１年間とした場合の予測値を示すグラフである。 信号期間の選択方法の違いによる総合推定値のＳＮ比の比較を示すグラフである。
　以下、本発明の実施の形態を、図面に基づいて具体的に説明する。
　実施の形態１．
　以下に開示する予測方法は、従前から利用されているＭＴシステム、特に、Ｔ法を用いた方法を基本に、信号（事象に係る値）の経時変化を予測するために「時間差モデル」という発明を加えて予測精度を向上させ、更に、過去の信号及び該信号に対応する項目（要因）から、予測に用いる「信号及び項目を適切に選択する方法」を加え、予測精度を向上させるものである。なお、以下の予測方法は、予測に用いるデータを記録している記録手段から各データを読み出すことができるコンピュータ（後述する予測装置１）などの演算手段により実施されるものである。
　また以下は特に、「信号及び項目の選択方法」を開示するものである。ただし、Ｔ法及び時間差モデル等の既に先に開示している技術についても、これらは当該選択方法が前提とする技術及び発明であり、本発明の信号及び項目の選択方法の理解を助けるために必要であるから、以下に説明する。
　まず、Ｔ法の概要を説明する。図１は、Ｔ法で用いる信号値及び項目のデータの内容例を示す説明図である。図１において、メンバーとは、単位期間毎のデータであることを示すインデックスであり、１，２，…，ｎとして示している。データの値自体は、信号値Ｍとして記録される。「項目１」，「項目２」，…，「項目ｋ」は、信号値Ｍに関連する要因となる項目であり、Ｘ11，Ｘ12，…，Ｘ1kは、メンバー１の信号値Ｍ1 に関連する各項目のデータを示している。例えば、メンバーが月毎の電気使用量である場合、月毎の電気使用量（Ｗ）が信号値Ｍであり、項目は「月」，「気温」，「風速」，「降水量（月平均）」，「日照時間（月平均）」，「最高気温（月平均）」，「最低気温（月平均）」…等の電気使用量の上下に関連するであろう変量である。この場合の項目のデータとは、各項目の値、例えば何月であるかのデータ，気温の月平均値，風速の月平均値等である。
　なお、信号値Ｍ及び各項目のデータＸは、実際の値を用いてもよいが、演算手段を用いて規準化しておいてから用いることが好ましい。規準化の方法は例えば、演算手段が、各項目のデータＸ（例えば月平均の気温）から、当該項目のデータの平均値（用いる全メンバーの月平均の気温の平均値）を減算しておくなどの方法がある。これにより、信号値に対する項目のデータの値のプロットした場合に（単位空間とよぶ）、原点を通る直線として予測式を表現することが可能となる。
　予測方法は、演算手段により、各メンバーの信号値Ｍと、関連する多変数である項目のデータとの関係を特定する特定式を求め、予測対象である次の単位期間の項目のデータを予測し、その予測した項目のデータを特定式にあてはめて、予測するものである。しかしながら、項目のデータは多変量である。例えばメンバーが１２個であって、項目の数が２０（ｋ＝２０）存在する場合がある。このような場合、次の信号値を予測するのに特定式を求めることが難しくなる。Ｔ法は、多数の項目夫々に対して、信号値の変動に対する要因効果の強さを示す値を評価し、要因効果を示す値を重み付けする。これにより、効果的な項目を選択することにより、全ての項目のデータを使用せずとも、選択された項目を使用することで十分に精度の高い予測等を行うことができるというものである。
　そこで、Ｔ法では、演算手段によって、信号値Ｍを持つメンバーを用いて、項目毎に比例定数βと、ＳＮ比η（２乗比）を下記の式１及び式２を適用して算出する。ＳＮ比とは、下記式２に示すような分散の逆数を用いて示される値であり、各項目に対する信号値の感度であり、各項目と信号値との相関の強さを示す。
Figure JPOXMLDOC01-appb-M000001
　なお、上述の式１及び式２は、項目１についての比例定数β及びＳＮ比η（２乗比）を求める式である。演算手段は、項目２から項目ｋについても項目１と同様の計算を行なう。図２は、Ｔ法で用いる各項目の比例定数β及びＳＮ比η（２乗比）の一例を示す説明図である。図２では、上述の式１及び式２を各項目に適用することによって算出した項目毎の比例定数β及びＳＮ比η（２乗比）を表形式で示している。
　次に、項目毎の比例定数β及びＳＮ比η（２乗比）を用いて、各メンバーについて、演算手段によって項目毎の出力の推定値を求める。第ｉ番目メンバーについて、項目１による出力の推定値は、下記の式３にて示すことができる。また、同様に、演算手段により、項目２から項目ｋによる出力の推定値を求める。
Figure JPOXMLDOC01-appb-M000002
　これにより、演算手段は、項目のデータと信号値の総合推定値との関係を示す予測式として、総合推定式（式４）を導出することができる。ただし、予測対象の信号値に対し、全ての項目（１～ｋ）を用いた総合推定式が最も予測精度が高いわけではない。そこで、予測対象への影響に対する寄与を高くし、予測精度を高めるべく、演算手段によって全ての項目のうちから適切な項目の組み合わせを選択する。
　そこで、演算手段によって各項目の推定値についての推定精度であるＳＮ比η1 ，η2 ，…，ηk （２乗比）を重み付け係数として用いた総合推定値を算出する。従って、第ｉ番目のメンバーの総合推定値は、下記の式４にて示すことができる。
Figure JPOXMLDOC01-appb-M000003
　図３は、各メンバーの実際の信号値又は基準化した信号値の実値と、各メンバーについて求めた総合推定値を一覧形式で示した図である。そして、図３に示したように得られた各メンバーの実値と総合推定値とを用い、演算手段は下記式５によって、各項目について、総合推定値のＳＮ比η（ｄｂ）を算出する。
Figure JPOXMLDOC01-appb-M000004
　Ｔ法では、上述したように求めた各項目についての総合推定値を用いて更に、要因効果値という値を求め、要因効果値を元に項目を選択するなどの方法がとられている。図４は、Ｔ法における各項目の総合推定値のＳＮ比を示す要因効果図であり、図５は、Ｔ法における各項目の要因効果に対する影響を示すグラフである。
　図４は、横軸に選択の対象となる項目を示し、縦軸に総合推定値のＳＮ比をとって、各項目についてのＳＮ比を示している。また図４では、各項目について、左側にその項目のデータを含む各データに対する総合推定値のＳＮ比、即ち信号値との相関の強さを示し、右側にその項目のデータを除いた各データに対する総合推定値のＳＮ比を示している。図４に示す例では、項目は３６個あり、選択の組み合わせは２36-1通り存在する。演算手段は、これらの各組み合わせについて一又は複数の項目に対する予測対象のＳＮ比を導出する。そして、演算手段は、対象となる当該項目を含む組み合わせのＳＮ比の平均値と、当該項目を含まない組み合わせのＳＮ比の平均値とを算出する。図４では、このようにして算出された当該項目のデータを含むＳＮ比の平均値を左側に、当該項目を含まないＳＮ比の平均値を右側に、項目毎に示したものである。
　図５は、横軸に選択の対象となる項目を示し、縦軸に要因効果値をとって、各項目についての要因効果値の度合いを示している。図５の縦軸の要因効果値は、図４における予測対象の相関の強さをｄｂ単位で示した各項目の総合推定値のＳＮ比について、右側の（項目を含まない）ＳＮ比に対する左側の（項目を含む）ＳＮ比の度合い、即ち、左側のＳＮ比から右側のＳＮ比を減じた値を示している。つまり、項目毎に、その項目を含む場合の、含まない場合に対するＳＮ比への効果度を示している。したがって算出された要因効果値が正である項目は、その項目を使用することにより、総合推定値のＳＮ比が上昇することを示している。両側Ｔ法と呼ばれる方法においては、このような要因効果値が正である項目のみを選択し、上述に示したようなＴ法による解析が行なわれる。
　上述に示したようなＴ法（両側Ｔ法）を用いて予測を行なう場合には依然として、実際の予測精度が高まらない。そこで発明者はまず、上述のＴ法に、時間差モデルという考え方を適用し、信号値と項目のデータの値との非線形性を考慮した変換処理を行ない、更に、項目選択方法として、要因効果値の正負によって選択する方法ではなく、総合推定値のＳＮ比を最大化する方法を用いることとした。
　まず、時間差モデルについて説明する。
　Ｔ法は元来、時系列データの予測のための方法ではない。時間軸の概念は特に無く、多数の要因が関連する事象の値に対し、いずれの要因が最も影響があるかを選択するための方法である。Ｔ法をそのまま予測方法に用いる場合、上述したように、各メンバーの項目毎のデータと信号値との関係を特定して、次のメンバーの信号値を予測するのである。したがって、次のメンバーの信号値を予測するには、次のメンバーの項目毎のデータを予測しなければならない。このときの各項目のデータの推定誤差が重なって、信号値の予測精度を悪化させることは容易に想定される。また、時系列に推移していくデータを元に、次の信号値を予測する場合、特に経済予測又は販売予測のような分野では、未来に起こる事象には、過去にその予兆があるはずである。そこで、発明者は、上述したような信号値と項目毎のデータとの対応付けを、同時期のメンバーではなく、所定時間ずらしたものどうしで対応付けることとした。具体的には、本実施の形態の予測方法を実施する演算手段は、ある期間における項目毎のデータに対し、所定期間後の信号値を対応づけ、これらの間で式１～５の計算を行ない、結果得られた総合推定式を用い、現在（直近）の任意の期間の項目毎のデータに基づき、所定期間後の信号値を推定（予測）する。
　図６は、時間差モデルを概念的に示す説明図である。図６では、左から右へ向かって時間の経過を示している。図６の下部の各矩形は、単位期間毎の信号を示し、上部の各矩形は、信号と同時期の単位時間毎の各項目のデータを示す。例えば、単位期間とする１ヶ月毎の信号と、１ヶ月毎の項目のデータを示す。項目は、各信号に対して複数存在する。時間差モデルとは、同時期の信号と項目のデータとを対応付けるのではなく、信号値Ｍi に対し、所定期間前の項目のデータＸi-t 1 ，Ｘi-t 2  ，…，Ｘi-t k （例えばｔ＝４ヶ月）を対応付けるものである。本実施の形態の予測方法では、演算手段は、時間差モデルを適用した信号値及び項目のデータに、上述（式１～式５）のＭ1 と各項目のデータＸ11，Ｘ12，…，Ｘ1kの関係に当てはめてＴ法を適用する。そして、予測対象期間の信号値は、所定期間前の項目のデータの値、即ち予測対象期間直近の対応期間（ここでは４ヶ月分）における各項目のデータの値を用いて式４に適用することで求められる。つまり、本実施の形態の予測方法における時間差モデルでは、演算手段は、複数項目のデータと所定期間後の信号値との関係を特定することにより、過去又は現在の項目のデータから、未来の信号値を予測することを可能とするものである。
　そして本実施の形態における予測方法では、信号値Ｘに対し、非線形性を考慮した変換処理が行なわれる。図７は、変換処理前後の信号値と項目毎のデータの値との関係を示すグラフである。図７の左側には変換処理前の、ある項目のデータに対する信号値の関係を示し、右側には、変換処理後の、ある項目のデータに対する信号値の関係が示されている。Ｔ法では、項目毎に、項目のデータと信号値との関係に対し、ゼロ点を通る直線が設定され、この直線からのずれに基づく重み付け（ＳＮ比として数値化）が行なわれる。つまり、図７の右側のような関係が前提とされている。直線に対するばらつきが少ない項目ほど、信号値の変化に対し寄与する項目であり、ばらつきが多い、即ち項目のデータの値の変化と信号値の変化とに相関がない項目ほど、信号値の変化に寄与しない項目である。しかしながら、全ての項目のデータが、信号値との関係において直線、即ち線形な関係を有しているとは限らないのは当然である。中には、図７の左側に示すように、原点を通らないような２次関数で示される強い関係を示す項目がある。そこで、本実施の形態における予測方法では、演算手段は、項目のデータＸij（ｉ：メンバー数（１～ｎ）、ｊ：項目数（１～ｋ））を、非線形の関係（２次関数）にある前提にて、線形的な関係を示すｘijに線形変換しておく。
　具体的には、演算手段は、項目のデータＸij（１～ｎ）と信号値Ｍij（１～ｎ）との間の基準とする単位空間データとして、データＸijと信号値Ｍijの平均値とを求める。演算手段は、信号値Ｍij及び項目データＸijの夫々の値から単位空間における平均値を減じる規準化処理を行なう。そして、演算手段は、信号値Ｍijに対して変化する項目データＸijの値を用いて、２次式等の多項式で近似する。次に、演算手段は、この近似された値を用いてＸij（１～ｎ）の値をｘijに変換する。信号値と項目データとの関係が線形的な場合は、項目データの値Ｘij（１～ｎ）がそのまま又は規準化したＸij（１～ｎ）のデータが、式４に適用されるが、非線形の場合は変換後のｘij（１～ｎ）の値を式４に適用される。
　また、本実施の形態における予測方法では、項目選択の方法として、信号値及び項目毎のデータに対し、上述の時間差モデルを適用し、更に、非線形性を考慮した変換処理を行なった後の対応する項目毎のデータと信号値とに基づき、演算手段が、上述の総合推定値のＳＮ比を算出し、総合推定値のＳＮ比が最大となるような項目を選択する。図８は、最適な項目選択数を決定するための処理を概念的に示すグラフである。まず、時間差モデルを適用して線形変換処理を行なった信号値と項目毎のデータについて、式１～式５を適用して各項目の総合推定値のＳＮ比を算出する。そして図４及び図５について説明したように、演算手段が、総合推定値のＳＮ比から、項目毎の要因効果値を算出する。図８に示すように、演算手段はまず、項目毎の要因効果値の最小値を初期的な閾値として設定する。演算手段は、要因効果値が閾値以上である項目を選択し、信号値（例えば１～ｎ全て）に対する総合推定値のＳＮ比を算出する。閾値が初期値である場合、全項目が選択される。次に演算手段は、閾値に所定値を加算した値を次の閾値として設定し、同様にして要因効果値が閾値以上である項目を選択し、信号値に対する総合推定値のＳＮ比を算出する。演算手段がこのような処理を、閾値が要因効果値の最大値以上、即ち図８のＭＡＸとして示した横線に到達するまで繰り返すことにより、選択した複数の項目のデータに対する総合推定値のＳＮ比を、項目数毎に算出することが可能である。なお、演算手段は、閾値の初期値を最大値ＭＡＸ以上に設定し、閾値を所定値ずつ小さくし、各閾値以上の要因効果値である項目を選択して総合推定値のＳＮ比を算出していくようにしてもよい。
　図９は、項目選択数と総合推定値のＳＮ比との対応を示すグラフである。図８に示したような方法にて、項目を選択した場合の項目数に対する総合推定値のＳＮ比を示す。図９中、黒丸で示す推移は、線形変換を行なった場合の総合推定値のＳＮ比であり、黒四角で示す推移は、線形変換を行なわなかった場合の総合推定値のＳＮ比である。図９に示す用に、線形変換を行なった場合の方が、全体として総合推定値のＳＮ比が高い。即ち、予測の精度が高い。また、ＳＮ比の値の内、白抜きの四角は、要因効果値が正の項目を選択するという両側Ｔ法を用いて項目を選択した場合の総合推定値のＳＮ比である。白抜きの菱形は、全項目を選択した場合の総合推定値のＳＮ比を示す。白丸は総合ＳＮ比が最大となる項目数を示している。図９に示すように、要因効果値が正の項目を選択する方法では、非線形変換を行なった場合には、総合推定値のＳＮ比は最大とならない。当然であるが、図９に示すように、演算手段が図８に示した方法を実施することにより、総合推定値のＳＮ比が最も高くなる項目を最適に選択することができる。
　本願発明者は上述したように、Ｔ法に、時間差モデルを適用し、信号値と項目のデータとの非線形性を考慮した変換処理を行なった上で総合推定値のＳＮ比を算出し、当該ＳＮ比を最大化する項目の選択方法を適用することによって、予測精度を向上させることができるという知見を得た。更に本願発明者は、上述の時間差モデル等の方法に加え、総合推定値のＳＮ比を最大化する項目を選択するに際し、記録されている信号期間（メンバー１～ｎ）から、予測に適した信号期間を選択することで予測精度を向上させることができるとの知見を得た。予測に適した信号期間は、演算手段が、信号トレンド及び項目の類似性トレンドを元に選択する。以下、予測精度を向上させることができる信号期間の選択方法について、具体的に開示する。
　まず、上述に説明した方法を含む予測方法全体を実施する予測装置の構成について説明する。図１０は、本実施の形態における予測装置１の構成を示すブロック図である。予測装置１は、パーソナルコンピュータ、サーバコンピュータ等のコンピュータを用いる。予測装置１は、制御部１０、記録部１１、一時記憶部１２、入力部１３、及び出力部１４を備える。
　制御部１０は、ＣＰＵ（Central Processing Unit ）を用いる。制御部１０は、以下に説明する予測プログラム２に基づき、パーソナルコンピュータ又はサーバコンピュータを制御し、本実施の形態における予測装置１としての機能を発揮させる。なお制御部１０は、上述した予測方法を実施する演算手段の機能を発揮する。
　記録部１１は、ＲＯＭ（Read Only Memory）、ハードディスクドライブ等の不揮発性メモリを用いる。なお、記録部１１は、外付けのハードディスクドライブ、光学ディスクドライブ、通信網を介して接続される他の記録装置であってもよい。即ち記録部１１とは、制御部１０からアクセス可能な１又は複数の情報記録媒体の総称である。
　記録部１１には、本実施の形態の予測方法を実現するための各種手順を含む予測プログラム２が記録されている。また、記録部１１の記録領域の一部は、信号値及び該値に対応する複数の項目のデータを記録するデータベース（ＤＢ）１１０として用いられる。制御部１０は、データベース１１０に対し、信号値及び複数の項目のデータの読み書きが可能である。データベース１１０は、例えば図３に示した形式にて各メンバーの信号値及び項目毎のデータを時系列に記録している。
　一時記憶部１２は、ＤＲＡＭ（Dynamic Random Access Memory）又はＳＲＡＭ（Static Random Access Memory ）等の不揮発性メモリを用いる。一時記憶部１２は、制御部１０の処理によって発生した情報を一時的に記憶する。
　入力部１３は、キーボード、マウス等を用い、ユーザの操作入力を受け付ける。
　出力部１４は、液晶モニタなどの表示部、又はプリンタ等の印刷部を用い、制御部１０による情報の処理結果を出力する。
　このように構成される予測装置１にて、制御部１０が予測プログラム２に基づく処理を実行することにより、未来の事象に係る信号値を予測する。
　図１１は、本実施の形態における予測装置１による予測処理手順の一例を示すフローチャートである。
　制御部１０は、入力部１３から、信号値及びこれに関連する複数の項目のデータについて入力を受け付け、受け付けた信号値及び項目毎のデータを記録部１１のデータベース１１０に記録する（ステップＳ１０１）。なお、データベース１１０に記録する信号値及び項目毎のデータは、入力部１３から入力されるもののみならず、通信網を介して他の装置から入力されてもよいし、他の情報記録媒体から入力されてもよい。
　制御部１０は、記録部１１のデータベース１１０に記録した信号値及び項目毎のデータに基づいて、時間差モデルを生成する（ステップＳ１０２）。ステップＳ１０２にて生成する時間差モデルとは、図６を参照して説明したように、項目毎のデータと、該項目のデータの所定期間後の信号値とを対応付けたものである。即ち、制御部１０は、ステップＳ１０２において、時系列に記憶された信号値と、項目毎のデータとを、所定期間ずらして対応付ける。
　制御部１０は、生成した時間差モデルにおいて対応する信号値と項目毎のデータとの関係に基づき、項目毎のデータを線形変換する（ステップＳ１０３）。制御部１０は、線形変換後のデータを用いて、予測に用いる信号期間を選択する処理を行なう（ステップＳ１０４）。信号期間を選択する処理については、後述の図１２のフローチャートを参照して詳細を説明する。
　制御部１０は、ステップＳ１０４にて選択した信号期間における信号値と、時間差モデルにて対応する項目データとに基づき、前述の式１及び式２を用いて、項目毎の比例定数β及びＳＮ比η（２乗比）を算出する（ステップＳ１０５）。
　制御部１０は、式３を用いて項目毎の比例定数βとＳＮ比η（２乗比）を用いて、選択された信号期間における各メンバーについて、式３により出力の推定値を算出する（ステップＳ１０６）。
　制御部１０は、式４により、推定値についての推定精度であるＳＮ比（２乗比）を重み付け係数として用いた総合推定値を算出する（ステップＳ１０７）。
　次に制御部１０は、式５に基づき、信号値及び総合推定値に基づいて、各項目の総合推定値のＳＮ比（ｄｂ）を算出する（ステップＳ１０８）。
　制御部１０は、各項目について、要因効果値を導出する（ステップＳ１０９）。要因効果値は、上述したように、各項目について、当該項目を除いた各項目のデータに対する総合推定値のＳＮ比に対する、当該項目を含む各項目のデータに対する総合推定値のＳＮ比の差分を求めることによって算出される。総合推定値のＳＮ比とは、信号値に対する当該項目のデータの相関の強さであり、分散の逆数に比例する値の対数として示した値である。
　次に制御部１０は、要因効果値が大きいものから順に選択した複数の項目のデータに対する総合推定値のＳＮ比を、項目数毎に算出する（ステップＳ１１０）。ステップＳ１１０における処理の詳細は、上述にて図８を参照して説明したものである。
　制御部１０は、項目数毎の総合推定値のＳＮ比に基づき、当該ＳＮ比を最大にする項目数を決定する（ステップＳ１１１）。
　制御部１０は、ステップＳ１１１にて決定した項目数分の項目を選択する（ステップＳ１１２）。そして制御部１０は、時間差モデルにおける予測対象期間に対応付けられている所定期間前の項目毎のデータ、即ち、予測対象期間の直近の対応期間における項目毎のデータの内、選択した項目のデータを式４に当てはめ、予測値を算出する（ステップＳ１１３）。式４におけるβ及びηは、ステップＳ１０５にて算出したもの（時間差モデル、線形変換、信号期間選択後のデータによって算出されたもの）を用いる。ステップＳ１１３にて予測値は、出力部１４から出力されるか、記録部１１に記録される。なお、信号値が規準化されている場合は、逆変換を行なって求めればよい。
　図１２は、本実施の形態における予測装置１による信号期間選択処理手順の一例を示すフローチャートである。以下に示す処理手順は、図１１のステップＳ１０４における信号期間の選択処理の詳細に対応する。
　制御部１０は、変動率の低減のため、信号値を規準化（平均値を減算）し、対数値をとる変換を行なう（ステップＳ４０１）。
　制御部１０は、変換後の信号値に対し、全メンバー又は所定の期間（例えば１０年分）におけるトレンドを計算する（ステップＳ４０２）。信号トレンドの計算は、例えば、状態空間モデルによるトレンド成分モデルを適用するなど、公知の種々の時系列データに対するトレンド計算の方法を用いることが可能である。
　制御部１０は、ステップＳ４０２にて計算したトレンドの内、予測対象期間の信号値（予測値）に対応付けられる項目のデータと、時間差モデル適用前の同時期（対応期間）の信号値のトレンドを特定する（ステップＳ４０３）。ステップＳ４０３にて詳細には、制御部１０は、前記対応期間におけるトレンドが、正の勾配であるか負の勾配であるかを判定する。
　制御部１０は、ステップＳ４０３で特定したトレンド（正の勾配か／負の勾配か）と同一のトレンド特性を有する区間における信号値及び項目毎のデータ（時間差モデル適用後）を選択する（ステップＳ４０４）。
　制御部１０は、選択した区間における項目のデータ（線形変換後）のマハラノビスの汎距離（以下、ＭＤ（Mahalanobis Distance）という）を算出する（ステップＳ４０５）。
　制御部１０は、選択した区間におけるＭＤのトレンドを算出する（ステップＳ４０６）。
　制御部１０は、選択した区間を構成する複数の不連続な区間（信号トレンドが同一の区間）から、ＭＤトレンドが全体として所定値（例えば１．０）よりも大きい区間を除外する（ステップＳ４０７）。
　制御部１０は、ステップＳ４０７による除外後の区間における項目のデータのＭＤ及びＭＤトレンドを再計算する（ステップＳ４０８）。
　制御部１０は、除外後の区間の内、ステップＳ４０８にて得られたＭＤトレンドが所定値（例えば１．０）以下である区間を、Ｔ法の適用対象の信号期間として選択し（ステップＳ４０９）、処理を終了する。
　更に予測装置１の制御部１０は、更に信号期間をＭＤの値によって絞り込むようにしてもよい。図１３は、本実施の形態における予測装置１による信号期間選択処理手順の他の一例を示すフローチャートである。なお、図１３のフローチャートに示す処理手順の内、図１２のフローチャートに示す処理手順と共通する手順については同一の符号を付して詳細な説明を省略する。
　制御部１０は、ステップＳ４０８にて得られたＭＤトレンドが所定値（例えば１．０）以下である区間中、ＭＤ値が所定値（例えば１．０）以下である区間（月）のみ、Ｔ法の適用対象の信号期間として選択し（ステップＳ４１０）、処理を終了する。
　制御部１０が図１２又は図１３のフローチャートに示したように信号期間を選択することにより、予測対象期間の信号値（予測対象）に対応する項目のデータと類似する時系列的変動の特性を持つ項目データと所定期間後の信号値との関係から、予測が行なわれることになる。これにより、従来のような予測対象期間の所定期間前（現在）と似ていない予兆を見せている期間における項目データと信号値との関係による影響を低減することができ、予測の精度を向上させることができることが推察できる。
　なお、図１２及び図１３のフローチャートに示す処理手順では、信号値のトレンドを求め、信号トレンドの勾配の正負等によって信号期間を選択する構成とした。しかしながら、予測装置１の制御部１０は、信号値のトレンドを算出し、当該トレンドを用いて信号期間を選択すること（Ｓ４０２～Ｓ４０４）なしに、時間差モデルを適用した規準化の変換後の信号値及び線形変換後の項目毎のデータに対し、ＭＤ及びＭＤトレンドを算出し、ＭＤ及びＭＤトレンドにて信号期間を選択する処理（Ｓ４０５～Ｓ４０９又はＳ４０５～Ｓ４１０）を行なうようにしてもよい。予測対象期間の対応期間における項目毎のデータが、予測値の予兆を示すのであれば、項目毎のデータの時間的変動特性が、対応期間における項目毎のデータと同群と判別できるものを元に関係式を特定することが、より予測精度を向上させることになるはずだからである。
　次に、予測装置１による予測方法を適用した具体的な実施例について説明する。
　実施例として、本実施の形態の予測方法を建設機械の需要予測に適用した例を説明する。図１４は、本実施例における項目の内容を示す説明図である。本実施例では、予測対象（信号値）を「建設機械の出荷台数」とし、予測対象に関連する項目を様々な経済指標とした。経済指標となる項目としては、図１４に示すように、「月」、「日本　失業率（％）」、「国内銀行貸出金利（％）」等が設定されている。これらの各項目は、月度毎のデータがメンバーに対応付けられている。なお「１月」、「２月」等の月を示す項目は、メンバーとして対応付けられる各項目が何月度に対応するかを示す項目であり、当該月度の出荷台数を信号値とするメンバーでは、「１」が記録され、当該月度でない場合には「０」が記録される。例えば、２０１０年１月度のメンバーは、「１月」の項目のデータが「１」となり、他の月度の項目のデータ「２月」～「１２月」の項目のデータが「０」となる。実施例では、予測装置１が、経済指標に関する２４項目（図１３では一部省略又は詳細変更）及び月度に関する１２項目の合計３６項目に基づき、「建設機械の出荷台数」を予測する。
　図１５は、本実施例にて予測に用いる信号値の内容例を示すグラフである。図１５の横軸は、年月を時系列に示し、縦軸は、出荷台数を示す。なお図１５における出荷台数は、２００５年の年間平均の月度台数で規準化して示している。本実施例では、予測装置１を用い、図１５に示す出荷台数の時系列データに対する図１４に示した項目毎のデータに基づき、２０１０年１月～１２月の１２ヶ月間の出荷台数を予測する。なお、後述にて、２０１０年１月～１２月の１２ヶ月間の出荷台数の実績値を元に、予測装置１による２つの方法（図１２及び図１３）によって選択された期間に基づく予測値に対する評価を夫々行なう。
　まず、予測装置１の制御部１０は、図１５に示したような時系列データの信号値及び各信号値に対する項目毎のデータについて、時間差モデルを適用した時系列データを生成する（Ｓ１０２）。本実施例では、予測対象期間は１２ヶ月であるので、１２ヶ月ずらした時間差モデルを適用する。
　そして制御部１０は、時間差モデルを適用した項目のデータに対して線形変換を行ない（Ｓ１０３）、また、信号値に対し、上述したような規準化及び対数値をとる変換処理を行なう（Ｓ４０１）。そして制御部１０は、変換後の信号値のトレンドを求める（Ｓ４０２）。
　図１６は、予測装置１の制御部１０により求められた信号値のトレンドを示すグラフである。図１６に示すグラフは、図１５の出荷台数のグラフに重ねて表示している。図１６中、黒丸及び白丸にて信号トレンドを示している。白丸は信号トレンドの勾配がプラス（＋）の区間であり、黒丸は信号トレンドの勾配がマイナス（－）の区間を示す。図１６の横軸に、プラス区間とマイナス区間とを示している。
　制御部１０は、図１６に示したような信号トレンドに基づき、予測対象期間に対する項目のデータ、即ち２０１０年１月～１２月の１２ヶ月間よりも所定期間（１２ヶ月）前の２００９年１月～１２月の内の直近（２００９年７月～１２月）における信号トレンドの勾配を判定する（Ｓ４０３）。制御部１０は、Ｓ４０３の処理によって、勾配はプラスと判定する。
　制御部１０は、全期間又は所定の期間（１０年など）から、信号トレンドの勾配がプラスの区間を選択する（Ｓ４０４）。図１７は、予測装置１の制御部１０により選択された区間、並びに、当該区間におけるＭＤを示すグラフである。図１７の横軸は信号値及び項目毎のデータが対応する年月を示し、縦軸にＭＤの値を示している。なお横軸の範囲は、図１６と一部異なっている。制御部１０は、選択した信号トレンドがプラスの区間における項目データのＭＤを算出する（Ｓ４０５）。算出されたＭＤは、図１７の丸にて示されている。また制御部１０は、ＭＤのトレンドを算出する（Ｓ４０６）。算出されたＭＤトレンドは、図１７中の太線により示されている。
　制御部１０は、選択されている区間から、全体としてＭＤトレンドが所定値（１．０）より大きい区間を除外する（Ｓ４０７）。
　更に制御部１０は１つ目の方法（図１２）として、除外後の区間におけるＭＤ及びＭＤトレンドを再計算し（Ｓ４０８）、再計算後のＭＤトレンドが所定値（１．０）以下である区間を、信号期間として選択する（方法１）。図１８は、予測装置１の制御部１０により、方法１にて選択された期間におけるＭＤ及びＭＤトレンドを示すグラフである。なお、図１８の上部には、ＭＤトレンドが所定値（１．０）より大きい区間の除外後の区間のＭＤ及びＭＤトレンドを示し、下部には、再計算後のＭＤトレンドが所定値（１．０）以下の区間におけるＭＤ及びＭＤトレンドを示している。図１８の横軸は信号値及び項目毎のデータが対応する年月を示し、縦軸にＭＤの値を示している。ＭＤは白抜きの丸、ＭＤトレンドは実線にて示されている。図１８に示すように、方法１によって、制御部１０は２００４年１月～２００６年５月までの期間を選択する。
　制御部１０は、選択された期間（２００４年１月～２００６年５月）における信号値及び項目毎のデータ（時間差モデル適用後）に基づき、両側Ｔ法を用いて項目毎の総合推定値のＳＮ比を求め、ＳＮ比が最大となる項目数を選択する処理を行なう（Ｓ１０５～１１１）。そして、制御部１０は、選択した項目数の項目を選択し（Ｓ１１２）、対応期間（２００９年１月～１２月）における選択された項目のデータに基づき、予測値を算出する（Ｓ１１３）。
　図１９は、本実施例における予測装置１の制御部１０による方法１にて選択された期間に基づく予測結果の一例を示すグラフである。図１９に示すグラフは、制御部１０が図１２のフローチャートに示した処理手順を行なって選択された期間の信号値及び項目毎のデータに基づき予測を行なったものである。図１８の横軸は、信号値及び項目毎のデータが対応する年月を示し、縦軸は出荷台数を示す。２００５年１月～２０１０年１月までの黒丸で示す値は、実際の値（規準化後）であり、図１５に示したものと同一である。図１９中の実線による波形は、信号トレンドを示す。図１９中の白抜きの菱形で示され、破線で結ばれている各値が、選択された区間におけるデータに基づき制御部１０によって予測された値である。これに対し、白抜きの四角で示され、実線で結ばれている各値は、２０１０年１月～２０１０年１２月の実際の値（規準化後）である。図１９に示すように、各予測値は、月毎に見れば、実際の値とは異なるものの、１２ヶ月分の予測値として十分な精度で予測ができていることが分かる。
　制御部１０による２つ目の方法（図１３）の具体的経過についても説明する。制御部１０は、ＭＤトレンドが所定値よりも全体として大きい区間を除外した後の区間におけるＭＤ及びＭＤトレンドを計算し（Ｓ４０８）、再計算後のＭＤトレンドが所定値（１．０）以下である区間で、且つＭＤ値が所定値（１．０）以下の区間（月）のみ選択する（Ｓ４１０）。図２０は、予測装置１の制御部１０により、方法２にて選択された期間におけるＭＤ及びＭＤトレンドを示すグラフである。図２０の上部には、再計算後のＭＤトレンドが所定値（１．０）以下の区間におけるＭＤ及びＭＤトレンドを示し、下部には、ＭＤ値が所定値（１．０）以下の区間におけるＭＤ及びＭＤトレンドを示している。図２０の横軸は信号値及び項目毎のデータが対応する年月を示し、縦軸にＭＤの値を示している。ＭＤは白抜きの丸、ＭＤトレンドは実線にて示されている。
　制御部１０は、方法２によって選択された期間における信号値及び項目毎のデータ（時間差モデル適用後）に基づき、両側Ｔ法を用いて項目毎の総合推定値のＳＮ比を求め、ＳＮ比が最大となる項目数を選択する処理を行なう（Ｓ１０５～Ｓ１１１）。そして制御部１０は、選択した項目数の項目を選択し（Ｓ１１２）、対応期間（２００９年１月～１２月）における選択された項目のデータに基づき、予測値を算出する（Ｓ１１３）。
　図２１は、本実施例における予測装置１の制御部１０による方法２にて選択された期間に基づく予測結果の一例を示すグラフである。図２１に示すグラフは、制御部１０が図１３のフローチャートに示した処理手順を行なって選択された期間の信号値及び項目毎のデータに基づき予測を行なったものである。図２１の横軸は、信号値及び項目毎のデータが対応する年月を示し、縦軸は出荷台数を示す。２００５年１月～２０１０年１月までの黒丸で示す値は、実際の値（規準化後）であり、図１５に示したものと同一である。図２１中の実線による波形は、信号トレンドを示す。図２１中の白抜きの菱形で示され、破線で結ばれている各値が、選択された信号期間におけるデータに基づき制御部１０によって予測された値である。これに対し、白抜きの四角で示され、実線で結ばれている各値は、２０１０年１月～２０１０年１２月の実際の値（規準化後）である。図２１に示すように、各予測値は、月毎に見れば、実際の値とは異なるものの、１２ヶ月分の予測値として十分な精度で予測ができていることが分かる。
　図２２は、信号期間の選択方法の違いによる総合推定値のＳＮ比の比較を示すグラフである。図２２は、横軸に選択する信号期間の長さ、縦軸に総合推定値のＳＮ比を示す。図２２中、黒丸にて、本実施例の予測装置１によって信号期間を選択した場合の総合推定値のＳＮ比を示し、黒四角にて、直近の期間を用いた場合の総合推定値のＳＮ比を示す。図２２に示すように、方法１及び方法２にて信号期間を選択して予測した場合、総合推定値のＳＮ比の変化が少ない。
　このように、ＭＤ及びＭＤトレンドによって類似する期間を選択する方法をとることにより、予測装置１は高精度な出荷台数予測を実現することが可能である。
　実施の形態２．
　実施の形態２では、予測対象期間の信号値に対応する項目のデータと同時期の信号値のトレンドの特性に近い様相を特性として持つ期間を特定し、特定した期間の項目データと所定期間後の信号値との関係から予測を行う構成について説明を行う。
　なお、実施の形態２における予測装置の構成は、実施の形態１に記載した予測装置１と同様であるため、その説明を省略することとする。
　実施の形態２に係る予測装置１は、図１１のフローチャートで示した各ステップに従って予測対象期間における信号値を予測する。実施の形態２において、図１１のステップＳ１０４における信号期間の選択処理は以下の手順に従って実行される。
　図２３は、実施の形態２における予測装置１による信号期間選択処理手順の一例を示すフローチャートである。
　制御部１０は、変動率の低減のため、信号値を規準化（平均値を減算）し、対数値をとる変換を行なう（ステップＳ４１）。次いで、制御部１０は、変換後の信号値に対し、全メンバー又は所定の期間（例えば１０年分）におけるトレンドを計算する（ステップＳ４２）。信号トレンドの計算は、例えば、状態空間モデルによるトレンド成分モデルを適用するなど、公知の種々の時系列データに対するトレンド計算の方法を用いることが可能である。
　制御部１０は、ステップＳ４２にて計算したトレンドの内、予測対象期間の信号値に対応付けられる項目のデータと、時間差モデル適用前の同時期（対応期間）の信号値のトレンドを特定する（ステップＳ４３）。ステップＳ４３にて詳細には、制御部１０は、前記対応期間におけるトレンドが、正の勾配であるか負の勾配であるかを判定する。
　制御部１０は、ステップＳ４３で特定したトレンド（正の勾配か／負の勾配か）と同一のトレンド特性を有する区間における信号値及び項目毎のデータ（時間差モデル適用後）を選択する（ステップＳ４４）。
　制御部１０は、選択した区間における項目のデータ（線形変換後）のマハラノビスの汎距離（ＭＤ）を算出する（ステップＳ４５）。
　制御部１０は、選択した区間におけるＭＤのトレンドを算出する（ステップＳ４６）。
　制御部１０は、選択した区間を構成する複数の不連続な区間（信号トレンドが同一の区間）から、予測対象期間から近い区間を順に選択する（ステップＳ４７）。制御部１０は、選択した区間全体において、ＭＤトレンドが所定値（例えば１．０）よりも大きいか否かを判断する（ステップＳ４８）。制御部１０は、ステップＳ４８にて所定値よりも大きいと判断した場合（Ｓ４８：ＹＥＳ）、処理をステップＳ４７へ戻し、次に予測対象期間に近い他の区間を選択する。
　制御部１０は、選択した区間全体においてＭＤトレンドが所定値よりも大きくない、即ち、一部ＭＤトレンドが所定値以下の区間を含むと判断した場合（Ｓ４８：ＮＯ）、当該区間の内、直近の予測対象期間分の長さを信号期間として選択し（ステップＳ４９）、処理を終了する。
　制御部１０が図２３のフローチャートに示したように信号期間を選択することにより、予測対象期間の信号値（予測対象）に対応する項目のデータと同時期の信号値のトレンドの特性に近い様相を特性として持つ期間における項目データと所定期間後の信号値との関係から、予測が行なわれることになる。これにより、予測対象期間の所定期間前（現在）と似ていない予兆を見せている期間における項目データと信号値との関係による影響を低減することができ、予測の精度を向上させることができることが推察できる。
　次に、予測装置１による予測方法を適用した具体的な実施例について説明する。
　実施例として、本実施の形態の予測方法を建設機械の需要予測に適用した例を説明する。図２４は、本実施例における項目の内容を示す説明図である。本実施例では、予測対象（信号値）を「建設機械の出荷台数」とし、予測対象に関連する項目を様々な経済指標とした。経済指標となる項目としては、図２４に示すように、「月」、「日本　失業率（％）」、「国内銀行貸出金利（％）」等が設定されている。これらの各項目は、月度毎のデータがメンバーに対応付けられている。なお「１月」、「２月」等の月を示す項目は、メンバーとして対応付けられる各項目が何月度に対応するかを示す項目であり、当該月度の出荷台数を信号値とするメンバーでは、「１」が記録され、当該月度でない場合には「０」が記録される。例えば、２０１０年１月度のメンバーは、「１月」の項目のデータが「１」となり、他の月度の項目のデータ「２月」～「１２月」の項目のデータが「０」となる。実施例では、予測装置１が、経済指標に関する２４項目（図２４では一部省略又は詳細変更）及び月度に関する１２項目の合計３６項目に基づき、「建設機械の出荷台数」を予測する。
　図２５は、本実施例にて予測に用いる信号値の内容例を示すグラフである。図２５の横軸は、年月を時系列に示し、縦軸は、出荷台数を示す。なお図２５における出荷台数は、２００５年の年間平均の月度台数で規準化して示している。本実施例では、予測装置１を用い、図２５に示す出荷台数の時系列データに対する図２４に示した項目毎のデータに基づき、２０１０年１月～１２月の１２ヶ月間の出荷台数を予測する。なお、後述にて、２０１０年１月～１２月の１２ヶ月間の出荷台数の実績値を元に、予測装置１による予測値に対する評価を行なう。
　まず、予測装置１の制御部１０は、図２５に示したような時系列データの信号値及び各信号値に対する項目毎のデータについて、時間差モデルを適用した時系列データを生成する（Ｓ１０２）。本実施例では、予測期間は１２ヶ月であるので、１２ヶ月ずらした時間差モデルを適用する。
　そして制御部１０は、時間差モデルを適用した項目のデータに対して線形変換を行ない（Ｓ１０３）、また、信号値に対し、上述したように規準化及び対数値をとる変換処理を行なう（Ｓ４１）。そして制御部１０は、変換後の信号値のトレンドを求める（Ｓ４２）。
　図２６は、予測装置１の制御部１０により求められた信号値のトレンドを示すグラフである。図２６に示すグラフは、図２５の出荷台数のグラフに重ねて表示している。図２６中、黒丸及び白丸にて信号トレンドを示している。白丸は信号トレンドの勾配がプラス（＋）の区間であり、黒丸は信号トレンドの勾配がマイナス（－）の区間を示す。図２６の横軸に、プラス区間とマイナス区間とを示している。
　制御部１０は、図２６に示したような信号トレンドに基づき、予測対象期間に対応する項目のデータ、即ち２０１０年１月～１２月の１２ヶ月間よりも所定期間（１２ヶ月）前の２００９年１月～１２月の内の直近における信号トレンドの勾配を判定する。制御部１０は、Ｓ４３の処理によって、勾配はプラスと判定する。
　制御部１０は、全期間又は所定の期間（１０年など）から、信号トレンドの勾配がプラスの区間を特定する。図２７は、予測装置１の制御部１０により選択された期間、並びに、当該区間におけるＭＤを示すグラフである。図２７は横軸に時間の経過を示し、縦軸にＭＤの値を示している。なお横軸の範囲は、図２６と一部異なっている。制御部１０は、特定した信号トレンドがプラスの区間における項目データを選択し（Ｓ４４）、ＭＤを算出する（Ｓ４５）。算出されたＭＤは、図２７の丸にて示されている。また、制御部１０は、ＭＤのトレンドを算出する（Ｓ４６）。算出されたＭＤトレンドは、図２７中の太線により示されている。
　図２７に示すように、信号トレンドがプラスの区間は、３つの不連続な区間からなっている。制御部１０は、３つの区間の内、直近の区間（２００９年７月～１２月）をまず選択する（Ｓ４７）。制御部１０は、当該区間について算出されたＭＤトレンドを参照し、ＭＤトレンドは所定値（１．０）より大きいと判断し（Ｓ４８：ＹＥＳ）、当該区間を除外する。次に制御部１０は、３つの区間の内、次に近い区間（２００２年９月～２００７年２月）を選択する（Ｓ４７）。当該区間について算出されたＭＤトレンドは、部分的に１．０よりも大きいものの、多くは１．０以下であるから（Ｓ４８：ＮＯ）、当該区間の内、予測対象期間分の１２か月分（２００６年３月～２００７年２月）が信号期間として選択される（Ｓ４９）。
　制御部１０は、選択された信号期間（２００６年３月～２００７年２月）における信号値及び項目毎のデータに基づき、両側Ｔ法を用いて項目毎の総合推定値のＳＮ比を求め、ＳＮ比が最大となる項目数を選択する処理を行なう（Ｓ１０５～Ｓ１１１）。そして、制御部１０は、選択した項目数の項目を選択し（Ｓ１１２）、対応期間（２００９年１月～１２月）における選択された項目のデータに基づき、予測値を算出する（Ｓ１１３）。
　図２８は、本実施例における予測装置１の制御部１０による予測結果を示すグラフである。図２８の横軸は、時間の経過を示し、縦軸は出荷台数を示す。２００５年１月～２０１０年１月までの黒丸で示す値は、実際の値（規準化後）であり、図２５に示したものと同一である。図２８中の実線による波形は、信号トレンドを示す。図２８中の矢印に示す区間が、選択された期間２００６年３月～２００７年２月である。そして、図２８中の２０１０年１月～２０１０年１２月の間の太線に示す値が、選択された期間におけるデータに基づき制御部１０によって予測された値である。これに対し、白抜きの四角で示す値は、２０１０年１月～２０１０年１２月の実際の値（規準化後）である。図２８に示すように、各予測値は、月毎に見れば、実際の値とは異なるものの、１２ヶ月分の予測値として十分な精度で予測ができていることが分かる。
　比較として、図２３のフローチャートに示したように信号トレンド及びＭＤトレンドに基づき、対象信号期間を選択せずに、直近から２年間又は１年間とした場合の予測精度について示す。図２９は、信号期間を直近２年間とした場合の予測値、図３０は、信号期間を直近１年間とした場合の予測値を示すグラフである。図２９では、矢印で示すように、２００８年１月～２００９年１２月を信号期間とし、図３０では、同様に２００９年１月～２００９年１２月を信号期間としている。図２９及び図３０では、予測値を白抜きの菱形にて示している。図２８と、図２９及び図３０とを比較すると、本実施例における予測装置１による予測値が最も精度が高いことが分かる。
　図３１は、信号期間の選択方法の違いによる総合推定値のＳＮ比の比較を示すグラフである。図３１は、横軸に選択する信号期間の長さ、縦軸に総合推定値のＳＮ比を示す。図３１中、黒丸にて、本実施例の予測装置１によって信号期間を選択した場合の総合推定値のＳＮ比を示し、黒四角にて、直近の期間を用いた場合の総合推定値のＳＮ比を示す。図３１に示すように、信号期間を選択した１２ヶ月間に基づき予測した場合が最も総合推定値のＳＮ比が高く、総合推定式の精度が向上している。
　このように、信号トレンドを考慮した方法を適用することにより、予測装置１は高精度な出荷台数予測を実現することが可能である。
　なお、上述のように開示された本実施の形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、請求の範囲によって示され、請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。
　１　予測装置
　１０　制御部（演算手段）
　１１　記録部（記録手段）
　１３　入力部
　１４　出力部
　１１０　データベース
　２　予測プログラム（コンピュータプログラム）
　

　

Claims (11)

  1. 　複数の要因が関連する事象に係る値、及び、該値に関連する前記複数の要因を複数の項目毎のデータとして前記値に対応付けて時系列に記録する記録手段と、該記録手段から前記値及び該値に対応する前記複数の項目毎のデータを読み出して演算を行なう演算手段とを備え、該演算手段が、前記複数の項目の前記値の変化に対する相関の強さを示す要因効果値に基づき、前記複数の項目から複数の項目を選択し、選択した項目のデータに基づき、予測対象期間における前記事象に係る値を予測する予測装置において、
    　前記演算手段は、
    　前記記録手段に記録されている項目毎のデータの記録期間中における経時変化傾向を特定する特定手段と、
    　予測対象期間よりも所定期間前の対応期間における項目毎のデータの経時変化傾向が類似する期間を、前記記録期間から選択する期間選択手段と、
    　該期間選択手段が選択した選択期間における前記複数の項目毎のデータ、及び、該選択期間よりも所定期間後の値により求められる前記要因効果値に基づき、複数の項目を選択する項目選択手段と、
    　前記対応期間における前記項目選択手段が選択した項目のデータから前記予測対象期間における予測値を算出する予測手段と
    　を備えることを特徴とする予測装置。
  2. 　前記期間選択手段は、
    　前記対応期間における複数の項目毎のデータと、任意の第１期間における複数の項目毎のデータとの類似性を表わす数値を算出する第１算出手段と、
    　第１算出手段が算出した数値の経時変化傾向を表わす数値を算出する第２算出手段と、
    　第１期間から、第２算出手段が算出した前記数値に基づき、類似性の低い区間を除外する手段と、
    　前記対応期間における複数の項目毎のデータと、除外後の区間における複数の項目毎のデータとの類似性を表わす数値を算出する第３算出手段と、
    　第３算出手段が算出した数値の経時変化傾向を表わす数値を算出する第４算出手段と、
    　除外された区間を除く第１期間の内、第４算出手段が算出した数値に基づき、類似性の高い第２期間を選択する選択手段と
    　を備えることを特徴とする請求項１に記載の予測装置。
  3. 　第１及び第３算出手段は、マハラノビスの汎距離を算出するようにしてあり、
    　第２及び第４算出手段は、第１又は第３算出手段が算出したマハラノビスの汎距離のトレンドをトレンドモデルに基づき算出するようにしてあり、
    　前記除外手段は、第２算出手段が算出したトレンドが所定値より高い期間を除外するようにしてあり、
    　前記選択手段は、第４算出手段が算出したトレンドが所定値以下の期間を第２期間として選択するようにしてあること
    　を特徴とする請求項２に記載の予測装置。
  4. 　複数の要因が関連する事象に係る値、及び、該値に関連する前記複数の要因を複数の項目毎のデータとして前記値に対応付けて時系列に記録する記録手段と、該記録手段から前記値及び該値に対応する前記複数の項目毎のデータを読み出して演算を行なう演算手段とを備え、該演算手段が、前記複数の項目の前記値の変化に対する相関の強さを示す要因効果値に基づき、前記複数の項目から複数の項目を選択し、選択した項目のデータに基づき、予測対象期間における前記事象に係る値を予測する予測装置において、
    　前記演算手段は、
    　前記記録手段に記録されている値の記録期間中における経時変化傾向を特定する特定手段と、
    　予測対象期間よりも所定期間前の対応期間における前記値の経時変化傾向に類似する直近の期間を、前記記録期間から選択する期間選択手段と、
    　該期間選択手段が選択した選択期間における前記複数の項目毎のデータ、及び、該選択期間よりも所定期間後の値により求められる前記要因効果値に基づき、複数の項目を選択する項目選択手段と、
    　前記対応期間における前記項目選択手段が選択した項目のデータから前記予測対象期間における予測値を算出する予測手段と
    　を備えることを特徴とする予測装置。
  5. 　前記期間選択手段は、
    　前記対応期間における値の経時変化の勾配を判別する判別手段と、
    　該判別手段が判別した勾配で値が変化する第１期間を、前記記録期間から選定する手段と、
    　前記対応期間における複数の項目毎のデータと、第１期間における複数の項目毎のデータとの類似性を表わす数値を算出する第１算出手段と、
    　第１算出手段が算出した数値の変化傾向を表わす数値を算出する第２算出手段と、
    　第２算出手段が算出した前記数値と閾値との比較に基づき、前記第１期間中の直近の類似性が高い第２期間を選択する選択手段と
    　を備えることを特徴とする請求項４に記載の予測装置。
  6. 　第１算出手段は、マハラノビスの汎距離を算出するようにしてあり、
    　第２算出手段は、第１算出手段が算出したマハラノビスの汎距離のトレンドをトレンドモデルに基づき算出するようにしてあり、
    　前記選択手段は、第２算出手段が算出したトレンドが所定値以下である期間を第２期間として選択するようにしてあること
    　を特徴とする請求項５に記載の予測装置。
  7. 　前記選択手段は、前記第２期間の長さを変えて選択するようにしてあり、
    　長さ毎に、該第２期間における項目毎のデータの所定時間後の値に対する予測精度に係る値が最大になる長さを決定する決定手段を更に備え、
    　前記期間選択手段は、前記決定手段が決定した長さの第２期間を選択するようにしてあること
    　を特徴とする請求項５又は６に記載の予測装置。
  8. 　複数の要因が関連する事象に係る値、及び、該値に関連する前記複数の要因を複数の項目毎のデータとして前記値に対応付けて時系列に記録する記録手段と、該記録手段から前記値及び該値に対応する前記複数の項目毎のデータを読み出して演算を行なう演算手段とを備える装置にて、該演算手段が、前記複数の項目の前記値の変化に対する相関の強さを示す要因効果値に基づき、前記複数の項目から複数の項目を選択し、選択した項目のデータに基づき、予測対象期間における前記事象に係る値を予測する予測方法において、
    　前記記録手段に記録されている項目毎のデータの記録期間中における経時変化傾向を特定し、
    　予測対象期間よりも所定期間前の対応期間における項目毎のデータの経時変化傾向が類似する期間を、前記記録期間から選択し、
    　選択された選択期間における前記複数の項目毎のデータ、及び、該選択期間よりも所定期間後の値により求められる要因効果値に基づき、複数の項目を選択し、
    　前記対応期間における選択された項目のデータから前記予測対象期間における予測値を算出する
    　ことを特徴とする予測方法。
  9. 　複数の要因が関連する事象に係る値、及び、該値に関連する前記複数の要因を複数の項目毎のデータとして前記値に対応付けて時系列に記録する記録手段と、該記録手段から前記値及び該値に対応する前記複数の項目毎のデータを読み出して演算を行なう演算手段とを備える装置にて、該演算手段が、前記複数の項目の前記値の変化に対する相関の強さを示す要因効果値に基づき、前記複数の項目から複数の項目を選択し、選択した項目のデータに基づき、予測対象期間における前記事象に係る値を予測する予測方法において、
    　前記演算手段は、
    　前記記録手段に記録されている値の記録期間中における経時変化傾向を特定し、
    　予測対象期間よりも所定期間前の対応期間における前記値の経時変化傾向に類似する直近の期間を、前記記録期間から選択し、
    　選択した選択期間における前記複数の項目毎のデータ、及び、該選択期間よりも所定期間後の値により求められる前記要因効果値に基づき、複数の項目を選択し、
    　前記対応期間における選択された複数の項目のデータから前記予測対象期間における予測値を算出する
    　ことを特徴とする予測方法。
  10. 　記録手段を備えるコンピュータに、前記記録手段に時系列に記録してある複数の要因が関連する事象に係る値、及び、該値に関連する前記複数の要因を複数の項目毎のデータを読み出し、前記複数の項目の前記値の変化に対する相関の強さを示す要因効果値に基づき、前記複数の項目から複数の項目を選択させ、選択された項目のデータに基づいて予測対象期間における前記事象に係る値を予測させるコンピュータプログラムにおいて、
    　前記コンピュータに、
    　前記記録手段に記録されている項目毎のデータの記録期間中における経時変化傾向を特定する特定手段、
    　予測対象期間よりも所定期間前の対応期間における項目毎のデータの経時変化傾向が類似する期間を、前記記録期間から選択する期間選択手段、
    　該期間選択手段が選択した選択期間における前記複数の項目毎のデータ、及び、該選択期間よりも所定期間後の値により求められる前記要因効果値に基づき、複数の項目を選択する項目選択手段、及び、
    　前記対応期間における前記項目選択手段が選択した項目のデータから前記予測対象期間における予測値を算出する予測手段
    　の機能を実行させることを特徴とするコンピュータプログラム。
  11. 　記録手段を備えるコンピュータに、前記記録手段に時系列に記録してある複数の要因が関連する事象に係る値、及び、該値に関連する前記複数の要因を複数の項目毎のデータを読み出し、前記複数の項目の前記値の変化に対する相関の強さを示す要因効果値に基づき、前記複数の項目から複数の項目を選択させ、選択された項目のデータに基づいて予測対象期間における前記事象に係る値を予測させるコンピュータプログラムにおいて、
    　前記コンピュータに、
    　前記記録手段に記録されている値の記録期間中における経時変化傾向を特定する特定手段、
    　予測対象期間よりも所定期間前の対応期間における前記値の経時変化傾向に類似する直近の期間を、前記記録期間から選択する期間選択手段、
    　選択した選択期間における前記複数の項目毎のデータ、及び、該選択期間よりも所定期間後の値により求められる前記要因効果値に基づき、複数の項目を選択する項目選択手段、及び、
    　前記対応期間における選択された複数の項目のデータから前記予測対象期間における予測値を算出する予測手段
    　の機能を実行させることを特徴とするコンピュータプログラム。
    　

    　
PCT/JP2013/067386 2012-06-27 2013-06-25 予測装置、予測方法及びコンピュータプログラム WO2014003001A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP13810593.7A EP2869249A1 (en) 2012-06-27 2013-06-25 Prediction device, prediction method, and computer programme
US14/411,357 US20150170169A1 (en) 2012-06-27 2013-06-25 Prediction device, prediction method, and computer readable medium

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2012144415A JP5416810B2 (ja) 2012-06-27 2012-06-27 予測装置、予測方法及びコンピュータプログラム
JP2012-144415 2012-06-27
JP2012144416A JP5416811B2 (ja) 2012-06-27 2012-06-27 予測装置、予測方法及びコンピュータプログラム
JP2012-144416 2012-06-27

Publications (1)

Publication Number Publication Date
WO2014003001A1 true WO2014003001A1 (ja) 2014-01-03

Family

ID=49783147

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2013/067386 WO2014003001A1 (ja) 2012-06-27 2013-06-25 予測装置、予測方法及びコンピュータプログラム

Country Status (3)

Country Link
US (1) US20150170169A1 (ja)
EP (1) EP2869249A1 (ja)
WO (1) WO2014003001A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130018689A1 (en) * 2011-02-10 2013-01-17 Diego Guicciardi System and Method for Enhancing and Sustaining Operational Efficiency
JP5068383B1 (ja) * 2011-06-21 2012-11-07 ヤンマー株式会社 予測装置、予測方法及び予測プログラム
CN111241629B (zh) * 2020-01-08 2023-07-14 沈阳航空航天大学 基于数据驱动的飞机液压泵性能变化趋势智能预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001022729A (ja) * 1999-07-09 2001-01-26 Hitachi Ltd 予測モデルの選択方法
JP3141164B2 (ja) 1991-07-24 2001-03-05 株式会社日立製作所 電力需要予測方法及び装置
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
JP2010176418A (ja) * 2009-01-29 2010-08-12 Mitsubishi Electric Corp 製品の組立調整方法および組立調整装置
JP2010211684A (ja) * 2009-03-12 2010-09-24 Toshiba Corp データ処理方法、データ処理プログラム、データ処理装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3141164B2 (ja) 1991-07-24 2001-03-05 株式会社日立製作所 電力需要予測方法及び装置
JP2001022729A (ja) * 1999-07-09 2001-01-26 Hitachi Ltd 予測モデルの選択方法
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
JP2010176418A (ja) * 2009-01-29 2010-08-12 Mitsubishi Electric Corp 製品の組立調整方法および組立調整装置
JP2010211684A (ja) * 2009-03-12 2010-09-24 Toshiba Corp データ処理方法、データ処理プログラム、データ処理装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
KAZUO TATEBAYASHI, NYUMON MT SYSTEM, 4 December 2008 (2008-12-04), pages 58 - 65, 73 TO 90, XP008172525 *
KAZUO TATEBAYASHI; SHOICHI TEJIMA; YOSHIKO HASEGAWA: "Nyumon MT System, 1st ed.", 4 December 2008, JUSE PRESS, LTD.
KISHIO TAMURA, YOKUWAKARU MT SYSTEM, 25 August 2009 (2009-08-25), pages 103 - 110, 116 TO 118, XP008176207 *
YUKIYA MASUDA: "Study of T-Method to mitigate Non-Linear Phenomena", 17TH CONFERENCE OF QUALITY ENGINEERING STUDIES, 2009, pages 422 - 425

Also Published As

Publication number Publication date
EP2869249A1 (en) 2015-05-06
US20150170169A1 (en) 2015-06-18

Similar Documents

Publication Publication Date Title
JP5416809B2 (ja) 予測装置、予測方法及びコンピュータプログラム
US20220222691A1 (en) Trust Rating Metric for Future Event Prediction of an Outcome
JP5068382B1 (ja) 予測装置、予測方法及び予測プログラム
US20130151423A1 (en) Valuation of data
JP5416811B2 (ja) 予測装置、予測方法及びコンピュータプログラム
JP5416810B2 (ja) 予測装置、予測方法及びコンピュータプログラム
Aastveit et al. Quantifying time-varying forecast uncertainty and risk for the real price of oil
Segnon et al. Forecasting market risk of portfolios: copula-Markov switching multifractal approach
WO2014003001A1 (ja) 予測装置、予測方法及びコンピュータプログラム
Białowolski Concepts of confidence in tendency survey research: An assessment with multi-group confirmatory factor analysis
Dupačová et al. Stress testing for VaR and CVaR
Chen et al. Explore the new relationship between patents and market value: A panel smooth transition regression (PSTR) approach
Perera et al. The evaluation of the Australian office market forecast accuracy
JP5564604B1 (ja) 予測装置、予測方法及びコンピュータプログラム
Turner Casting doubt on the predictability of stock returns in real time: Bayesian model averaging using realistic priors
JP5602283B1 (ja) 予測装置、予測方法及びコンピュータプログラム
JPWO2006095746A1 (ja) 企業評価支援装置
WO2014200083A1 (ja) 予測装置、予測方法及びコンピュータプログラム
San et al. Does labour quality matter on productivity growth? The case of the Taiwanese manufacturing industry
JP5826348B1 (ja) 予測装置、予測方法及びコンピュータプログラム
Best et al. Is the Fed’s news perception different from the private sector’s?
Coletta et al. The evolution of equity REITs betas: analysis from 1997 to 2014
de Mendonca et al. Estimation of economic capital for operational risk in banking industry: a Brazilian case
JP5826891B1 (ja) 予測装置、予測方法、及びコンピュータプログラム
et Stéphane A Large Canadian Database for Macroeconomic Analysis

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13810593

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 14411357

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2013810593

Country of ref document: EP