WO2017094207A1 - 情報処理システム、情報処理方法および情報処理用プログラム - Google Patents

情報処理システム、情報処理方法および情報処理用プログラム Download PDF

Info

Publication number
WO2017094207A1
WO2017094207A1 PCT/JP2016/003927 JP2016003927W WO2017094207A1 WO 2017094207 A1 WO2017094207 A1 WO 2017094207A1 JP 2016003927 W JP2016003927 W JP 2016003927W WO 2017094207 A1 WO2017094207 A1 WO 2017094207A1
Authority
WO
WIPO (PCT)
Prior art keywords
prediction model
variable
unit
learning
optimization
Prior art date
Application number
PCT/JP2016/003927
Other languages
English (en)
French (fr)
Inventor
遼平 藤巻
伸志 伊藤
Original Assignee
日本電気株式会社
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
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to US15/778,690 priority Critical patent/US20180336476A1/en
Priority to JP2017553600A priority patent/JP6819607B2/ja
Publication of WO2017094207A1 publication Critical patent/WO2017094207A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence

Definitions

  • the present invention relates to an information processing system, an information processing method, and an information processing program that perform optimization based on a learned prediction model.
  • Patent Document 1 also describes a method for generating a prediction model based on past results.
  • Patent Document 2 describes a system that presents a recommended price that is optimized to maximize the expected profit based on expected sales and price sensitivity.
  • the price sensitivity model models the price sensitivity of a specific product through a function that fluctuates with the price, and models the change in sales as a function of price change. Has been.
  • the system described in Patent Document 2 predicts sales under a given assumption, uses the prediction and price sensitivity conclusions to predict product sales, and under given constraints. To generate a set of optimal prices that maximizes gross profit.
  • the system also displays the price sensitivity model type and the price sensitivity variable value.
  • Patent Document 3 describes a system for assessing the effectiveness of communication content and optimizing content distribution.
  • the system described in Patent Document 3 uses reinforcement learning.
  • Patent Document 3 describes generating a content distribution schedule that is predicted to maximize the effectiveness evaluation scale (or objective function). Further, Patent Document 3 describes using regression analysis on historical data to predict the best “mixed” content, which maximizes results.
  • the input data to the mathematical programming method is the amount of material, cost, manufacturing time, etc. necessary for making a product that is each line.
  • These input data are all data that can be observed by the analyst when the analyst executes the mathematical programming.
  • an object of the present invention is to provide an information processing system, an information processing method, and an information processing program capable of appropriately performing optimization even in a situation where there is input data that is not observed by mathematical optimization.
  • An information processing system includes a learning unit that learns a prediction model that represents a relationship between an explained variable and an explanatory variable based on the explained variable and the explanatory variable, and is represented by a function of the explanatory variable, and a prediction model
  • the objective variable that optimizes the objective function under the constraint condition for the objective function that takes the prediction model visualized by the visualization part as an argument in response to accepting an operation from the user
  • an optimizing unit for calculating.
  • the information processing method learns a prediction model that represents a relationship between the explained variable and the explanatory variable based on the explained variable and the explanatory variable, and is expressed by a function of the explanatory variable.
  • the information processing program learns, based on the explained variable and the explanatory variable, to the computer, a prediction model that indicates the relationship between the explained variable and the explanatory variable and is expressed by a function of the explanatory variable.
  • Learning function, visualization process that visualizes the prediction model, and the objective function that takes the prediction model visualized by the visualization process as an argument in response to accepting an operation from the user, under the constraint condition An optimization process for calculating an objective variable for optimizing the process is executed.
  • optimization can be performed appropriately even in a situation where there is input data that is not observed by mathematical optimization.
  • the information processing system of the present invention learns a prediction model for predicting unobserved data from past data, automatically generates an objective function of mathematical programming based on the prediction model, and executes optimization.
  • the information processing system of the present invention visualizes the learned prediction model (in other words, displays it on the display device), and performs the optimization in response to a user operation instructing the execution of the optimization. To do.
  • FIG. 1 is a block diagram showing an example of an information processing system of the present invention.
  • the information processing system 1 includes a training data storage unit 2, a learning unit 3, a display control unit 4, a display device 5, a storage unit 6, an external information input unit 7, and a problem storage unit 8.
  • the objective function generation unit 9 and the optimization unit 10 are provided.
  • the display control unit 4 visualizes the prediction model learned by the learning unit 3 (in other words, displays information on the prediction model on the display device 5).
  • the display control unit 4 not only displays information related to the prediction model, but also a user interface for the user to input parameters used for learning, a user interface for the user to input optimization constraints, and optimization results Are also displayed on the display device 5.
  • FIG. 2 is an explanatory diagram showing an example of a screen displayed on the display device 5 by the display control unit 4.
  • a screen 21 displayed by the display control unit 4 includes a prediction model display field 22, an input field 23 for parameters used for learning (hereinafter referred to as a first input field 23), an optimization result display field 25, It includes an input column 26 (hereinafter referred to as a second input column 26) for constraint conditions in optimization.
  • the screen 21 has a button 24 (hereinafter referred to as a first instruction button 24) for the user to instruct execution of learning, and a button 27 (hereinafter referred to as a second button) for the user to instruct execution of optimization. Designated button 27)).
  • FIG. 2 is an illustration of a screen displayed by the display control unit 4, and the mode of the screen is not limited to the example shown in FIG. 2.
  • FIG. 2 shows an example in which the user instructs execution of learning or optimization with a button, but a screen in which these instructions are performed in other modes may be used.
  • the prediction model display column 22 is a column for displaying information regarding the learned prediction model.
  • the prediction model indicates the relationship between the explained variable and the explanatory variable, and is represented by a function of the explanatory variable.
  • the learning unit 3 learns a plurality of types of prediction models using a plurality of types of learning algorithms for each explained variable.
  • the learning unit 3 learns a prediction model for each learning algorithm using three kinds of learning algorithms (here, regression analysis, neural network, and support vector machine).
  • the learning unit 3 the number of sales items 1 (and S 1.) With respect to the prediction model by regression analysis, to learn the prediction model using a neural network, and Support Vector Machines predictive models, respectively.
  • the learning unit 3 similarly learns three types of prediction models for other explained variables.
  • the prediction model which the learning part 3 learns for every to-be-explained variable may not be three types.
  • the prediction model display field 22 includes a tab 22a for selecting the explained variable. There is a one-to-one correspondence between each tab and each explained variable.
  • the tab corresponding to the explained variable “number of sales of product 1” is selected by the user, and the display control unit 4 displays the three types of prediction models learned regarding “number of sales of product 1” as a prediction model. The case where it displays in the column 22 is illustrated.
  • f a shown in FIG. 2 is a prediction model based on regression analysis
  • f b is a prediction model based on a neural network
  • f c is a prediction model based on a support vector machine.
  • a typical function is displayed in the prediction model display field 22.
  • the display control unit 4 displays information on the three types of prediction models learned for the explained variable corresponding to the tab.
  • the prediction model display column 22 includes a user interface for the user to select one prediction model from among three types of prediction models for each explained variable (in other words, for each tab).
  • FIG. 2 illustrates a case where this user interface is a radio button 22b.
  • the user determines the most appropriate prediction model from the three types of prediction models displayed, and operates the radio button 22b to select the one prediction model.
  • the user may select a prediction model independently for each explained variable. For example, the user selects a prediction model based on a neural network regarding “number of sales of product 1”, selects a prediction model based on regression analysis regarding “number of sales of product 2”, and supports vector machines regarding “number of sales of product 3”. You may select the prediction model by.
  • the first input field 23 is a field for the user to input parameters used for learning.
  • a case where “5” is input by the user as the number of explanatory variables used in the prediction model is illustrated.
  • the learning unit 3 learns each prediction model so that the number of explanatory variables used in the prediction model is five.
  • the number of explanatory variables used in the prediction model is illustrated as an example of the parameters used for learning, but the parameters used for learning are not limited to this example. For example, “in which period of past training is to be performed based on training data” may be designated in the first input field 23.
  • the optimization result display field 25 is a field for displaying the value of the optimized objective variable. In this example, it is assumed that “price of product 1”, “price of product 2”, and “price of product 3” are objective variables.
  • the display control unit 4 displays these optimized results in the optimization result display field 25.
  • the second input column 26 is a column for the user to input optimization constraint conditions.
  • the content of the constraint condition is arbitrary.
  • a business constraint or the like is input as the constraint condition.
  • P 3 is a variable corresponding to “price of commodity 3”
  • P 2 is a variable corresponding to “price of commodity 2”. Therefore, “P 3 > P 2 ” illustrated in the second input field 26 indicates a constraint condition that “the price of the product 3” is higher than the “price of the product 2”.
  • the optimization unit 10 optimizes the value of each objective variable so as to satisfy this constraint condition.
  • the constraint condition is not limited to the above example.
  • a constraint condition “S 1 ⁇ q” may be input to the second input field 26 when the number of sales of the product 1 is S 1 and the norm is q.
  • parameters used for optimization may be input to the second input field 26.
  • the first instruction button 24 is a button for the user to instruct execution of learning. When the first instruction button 24 is clicked, the learning unit 3 learns the prediction model.
  • the second instruction button 27 is a button for the user to instruct the execution of optimization. When the second instruction button 27 is clicked, the objective function generation unit 9 and the optimization unit 10 sequentially execute processing.
  • P 1 , P 2 , P 3 , and x 1 to x 6 are explanatory variables.
  • the horizontal bars represent the coefficients corresponding to the explanatory variables. Specifically, the sign of the coefficient is expressed by whether the bar is on the right side or the left side of the center line, and the absolute value of the coefficient is indicated by the length of the bar. When the bar is on the right side of the center line, the coefficient is positive. When the bar is on the left side of the center line, the coefficient is negative.
  • FIG. 3 illustrates an example in which a symbol representing an explanatory variable is shown in the vicinity of the bar, but the explanatory variable corresponding to each bar may be indicated in another manner.
  • the user can easily check whether important explanatory variables are missing, and whether the value of the coefficient of the important explanatory variables is an inappropriate value. This makes it easier to accurately determine the most appropriate prediction model.
  • the value of the coefficient of an important explanatory variable is inappropriate, for example, the coefficient that should be positive is negative, the coefficient that should be negative is positive, This is the case when the absolute value of the coefficient is extremely large or extremely small.
  • the display control unit 4 uses the test data including the past explained variable value and the explanation variable value for each prediction model.
  • the value of the explanatory variable may be calculated, and the difference between the value of the explained variable and the value of the past explained variable may be visualized. Further, the display control unit 4 may visualize the difference using a scatter diagram.
  • FIG. 4 is an explanatory diagram showing an example of the prediction model display field 22 including such a scatter diagram display field 22c. In the scatter diagram display field 22c, the value of the explained variable calculated from the test data is described as a predicted value, and the value of the past explained variable is described as the actual value.
  • triangular markers indicate the relationship between the predicted value and the actual value calculated by the first predicted model being displayed. It is assumed that the circle marker indicates the relationship between the predicted value and the actual value calculated by the displayed second prediction model. It is assumed that the rectangular marker indicates the relationship between the predicted value and the actual value calculated by the displayed third prediction model. The closer the marker is to the broken line shown in the scatter diagram, the smaller the difference between the predicted value and the actual value. Therefore, for example, when the scatter diagram illustrated in FIG. 4 is displayed, the circular marker is close to the broken line, and thus the user can determine that the displayed second prediction model is most appropriate. When the tab selection is switched, the display control unit 4 redisplays the scatter diagram.
  • the display control unit 4 may display the display field 22c of the scatter diagram illustrated in FIG. 4 in the display mode shown in FIG.
  • the display control unit 4 may perform cross-validation.
  • the training data storage unit 2 stores various types of training data used by the learning unit 3 for learning the prediction model.
  • the training data storage unit 2 stores performance data acquired in the past for variables (object variables) that the optimization unit 10 outputs as optimization results. For example, when the optimization unit 10 intends to optimize the prices of a plurality of products, the training data storage unit 2 uses the price of each product corresponding to the explanatory variable or the explained variable as the actual data acquired in the past. The number of sales of each product corresponding to is stored.
  • the training data storage unit 2 also stores external information other than the above (for example, weather and calendar information). These external information can also be explanatory variables.
  • the training data storage unit 2 is realized by, for example, a magnetic disk device.
  • the learning unit 3 When an operation to instruct execution of learning is performed (in this example, when the first instruction button 24 is clicked), the learning unit 3 performs a machine operation based on various types of training data stored in the training data storage unit 2. By learning, a prediction model is learned for each set explained variable. At this time, the learning unit 3 learns a plurality of types of prediction models using a plurality of types of learning algorithms for each explained variable. The learning unit 3 learns each prediction model using the parameters input in the first input field 23. For example, as described above, when “5” is designated as the number of explanatory variables used in the prediction model, the learning unit 3 sets each prediction model so that the number of explanatory variables used in the prediction model is 5. To learn.
  • the prediction model learned in the present embodiment is represented by a function including a variable (object variable) output as an optimization result by the optimization unit 10 as an explanatory variable. That is, the objective variable is an explanatory variable of the prediction model.
  • the objective variable is an explanatory variable of the prediction model.
  • the learning unit 3 uses P 1 , P 2 , and P 3 as explanatory variables in each prediction model.
  • the learning unit 3 automatically determines other explanatory variables.
  • the learning unit 3 may determine an explanatory variable from various items (for example, weather) included in the external information stored in the training data storage unit 2.
  • the learning unit 3 determines an explanatory variable used in the prediction model according to the number.
  • the explanatory variables other than P 1 , P 2 , and P 3 may be different between the prediction models.
  • the above plural types of learning algorithms are not particularly limited.
  • the regression analysis, the neural network, and the support vector machine are illustrated, but the learning unit 3 may adopt the method described in Patent Literature 1 as one of the prediction model learning methods. Further, the number of types of learning algorithms is not limited.
  • a set of indexes to be optimized is denoted as ⁇ m
  • m 1,..., M ⁇ .
  • the optimization target is the price of each product
  • M corresponds to the number of products.
  • the content to be predicted for each optimization target m is denoted as S m .
  • S m corresponds to the number of sales of the product m.
  • the contents optimized for each optimized m i.e., objective variables of optimization
  • P m corresponds to the price of the product m.
  • P m corresponds to the price of the product m.
  • a prediction model for predicting S m is, for example, It is represented by Formula 1 illustrated.
  • f d is a feature generation function and represents a transformation for P ′ m .
  • D is the number of feature generation function, the number of conversion to be performed on P'm.
  • the content of f d is arbitrary, and may be, for example, a function that performs linear transformation or a function that performs nonlinear transformation such as logarithm or polynomial.
  • f d represents, for example, a sales response regarding the price.
  • the sales response includes, for example, that the sales response improves when the price is reduced to some extent, or the response becomes worse, or the number of sales is squared in response to the price reduction.
  • g d is extrinsic features (for example above, weather, etc.), D'is the number of external features. Note that the external features may be converted in advance.
  • ⁇ , ⁇ , and ⁇ in Equation 1 are constant terms and coefficients of a regression equation obtained as a result of machine learning by the learning unit 3, respectively.
  • the prediction model is learned based on the explained variable (S m ) and the explanatory variable (P m , various external features, etc.), and between the explained variable and the explanatory variable. It is expressed by a function of explanatory variables.
  • the storage unit 6 stores each prediction model selected for each explained variable by the user, the constraint condition in the optimization input to the second input field 26, and parameters used in the optimization.
  • the display control unit 4 selects each prediction model selected for each explained variable by the user,
  • the storage unit 6 stores the constraint conditions and parameters (parameters used for optimization) input in the second input field 26.
  • the storage unit 6 also stores external information input by the external information input unit 7.
  • the storage unit 6 is realized by a magnetic disk device, for example.
  • the external information input unit 7 inputs external information used for optimization other than the prediction model selected for each explained variable by the user and the constraint conditions and parameters for optimization. For example, in the above-described example, when trying to optimize the price of a certain day, the external information input unit 7 may input information regarding the weather (predicted weather) of the day. In addition, for example, when the number of visitors to the day can be predicted, the external information input unit 7 may input information related to the number of visitors to the day. As in this example of the number of customers visiting the store, the external information may be generated by a prediction model based on machine learning. The information input here is applied to explanatory variables of the prediction model, for example.
  • Information input by the external information input unit 7 may be prepared in advance by the user, for example.
  • the problem storage unit 8 stores a mathematical programming problem to be solved by optimization.
  • the mathematical programming problem is stored in the problem storage unit 8 in advance by a user or the like. Note that when the mathematical programming problem is input to the second input field 26 and the second instruction button 27 is clicked, the display control unit 4 stores the mathematical programming problem in the problem storage unit 8. Also good.
  • the problem storage unit 8 stores mathematical programming problems in advance will be described as an example.
  • the problem storage unit 8 is realized by, for example, a magnetic disk device.
  • the “shape” of the objective function described in the mathematical programming problem is defined so that the prediction model becomes a parameter.
  • the problem storage unit 8 stores a mathematical programming problem for maximizing the total sales amount of a plurality of products.
  • the optimization unit 10 optimizes the price of each product so as to maximize the total sales amount of the plurality of products.
  • the sales amount of each product can be defined by the product of the price of the product and the number of sales predicted by the prediction model. Therefore, the “shape” of the objective function that represents the total sales amount of each product is expressed by the following equation 2.
  • Equation 2 is the sum of the product of the number of sales that are predicted by the predictive model and price of the item illustrates as an expression, the prediction model representing a sales number S m has not been assigned. Therefore, Equation 2 is referred to as the “shape” of the objective function.
  • the mathematical programming problem shown in the following formula 3 may be stored in the problem storage unit 8 in advance.
  • Equation 3 represents the mathematical programming problem of maximizing the total sales of each product. Equation 3 describes the “form” of the objective function shown in Equation 2.
  • the objective function generator 9 generates an objective function for the mathematical programming problem. Specifically, the objective function generation unit 9 generates an objective function of a mathematical programming problem using the prediction model as a parameter. The objective function generation unit 9 predicts the “function” (formula 2 in the above example) of the objective function described in the mathematical programming problem stored in the problem storage unit 8 for each explained variable by the user. Generate an objective function by substituting the model.
  • M in Equation 2 is 3 (that is, the number of products is 3).
  • the user specifically represents the explained variable for each of the explained variables “sales number S 1 of the product 1 ”, “sales number S 2 of the product 2 ”, and “sales number S 3 of the product 3 ”.
  • a predictive model (function) corresponding to S 1 , S 2 , and S 3 is stored in the storage unit 6.
  • the objective function generation unit 9 generates an objective variable by substituting each of these prediction models into the “form” of the objective function shown in Equation 2.
  • the optimization unit 10 uses various information stored in the storage unit 6 (optimization constraints and parameters input via the second input field 26 and external information input by the external information input unit 7). Based on this, the target content is optimized. At this time, the optimization unit 10 optimizes the value of the objective variable so that the value of the objective function becomes optimal. Since the constraint condition is defined for the objective variable, etc., the optimization unit 10 optimizes the value of the objective variable so that the value of the objective function is optimized (for example, maximum, minimum, etc.) while satisfying the constraint condition. Turn into.
  • the optimization unit 10 satisfies the constraints and sets the objective function value so as to maximize. Optimize variable values. Optimizing unit 10, by solving the mathematical programming problem that is specified by formula 3, to optimize price of individual products P 1, P 2 corresponding to the target variable, ..., and P M. That is, the optimization unit 10 derives the price of each product that maximizes the total sales amount of each product.
  • the optimization unit 10 When the optimization unit 10 optimizes the value of each objective variable, the optimization unit 10 stores the value of each objective variable in the storage unit 6. Then, the display control unit 4 displays the optimum value of each objective variable in the optimization result display field 25 in the screen 21 displayed on the display device 5.
  • the learning unit 3, the display control unit 4, the external information input unit 7, the objective function generation unit 9, and the optimization unit 10 are realized by a CPU of a computer that operates according to a program (information processing program), for example.
  • the CPU reads a program from a program recording medium such as a computer program storage device (not shown in FIG. 1), and in accordance with the program, the learning unit 3, the display control unit 4, the external information input unit 7, What is necessary is just to operate
  • a program information processing program
  • the learning unit 3, the display control unit 4, the external information input unit 7, the objective function generation unit 9, and the optimization unit 10 may each be realized by dedicated hardware.
  • the learning unit 3, the display control unit 4, the external information input unit 7, the objective function generation unit 9, and the optimization unit 10 may each be realized by an electric circuit configuration (circuitry).
  • the electric circuit configuration (circuitry) is a term that conceptually includes a single device (single device), a plurality of devices (multiple devices), a chipset (chipset), or a cloud (cloud).
  • the information processing system 1 of the present invention may have a configuration in which two or more physically separated devices are connected by wire or wirelessly.
  • 5 and 6 are flowcharts showing an example of processing progress of the present invention.
  • the display control unit 4 displays the screen 21 on the display device 5. However, in the initial state, the prediction model and the optimization result are not displayed in the prediction model display field 22 and the optimization result display field 25. The first input field 23 and the second input field 26 are blank.
  • the user inputs parameters used for learning in the first input field 23.
  • the display control unit 4 accepts input of parameters used for learning via the first input field 23 (step S11).
  • the display control unit 4 displays the input parameters in the first input field 23.
  • the information processing system 1 waits until the first instruction button 24 is clicked. During this time, the parameters input in the first input field 23 may be corrected by the user.
  • the learning unit 3 When the user clicks the first instruction button 24 (Yes in step S12), the learning unit 3 is based on the parameters input in the first input field 23 and various types of training data stored in the training data storage unit 2. Then, the prediction model is learned for each preset variable to be explained (step S13). At this time, the learning unit 3 learns a plurality of types of prediction models using a plurality of types of learning algorithms for each explained variable.
  • the display control unit 4 displays information on the prediction model learned for each explained variable (step S14). Since a plurality of types of prediction models are learned for each explained variable, the display control unit 4 displays a plurality of prediction models for each explained variable.
  • the display control unit 4 may display information about the prediction model in the prediction model display column 22 including the tab 22a and the radio button 22b, for example, as illustrated in FIG. There is a one-to-one correspondence between each tab and each explained variable. For example, when one tab is selected by the user, the display control unit 4 displays a plurality of prediction models learned for the explained variable corresponding to the tab in the prediction model display field 22. When the selection of the tab is switched, the display control unit 4 may display a plurality of prediction models learned for the explained variable corresponding to the newly selected tab in the prediction model display field 22.
  • the display control unit 4 may display information on the prediction model in the manner illustrated in FIG. Moreover, the display control part 4 may display the above-mentioned scatter diagram with a prediction model (refer FIG. 4).
  • the user determines the most appropriate prediction model from the displayed prediction models, and operates the radio button 22b to select the one prediction model. Select a predictive model.
  • the display control unit 4 accepts selection of one prediction model for each variable to be explained (step S15).
  • the case where the user interface for the user to select one prediction model from the prediction models is a radio button, but the format of this user interface may be other than the radio button. .
  • the user inputs a constraint condition for optimization in the second input field 26.
  • the display control unit 4 accepts an input of constraint conditions for optimization via the second input field 26 (step S16).
  • the display control unit 4 displays the input constraint conditions in the second input field 26.
  • the user may input parameters used for optimization in the second input field 26.
  • the display control unit 4 may accept this parameter input in the same manner, and display the parameter in the second input field 26.
  • the external information input unit 7 inputs external information and stores it in the storage unit 6 (step S17).
  • step S17 when the user does not click the second instruction button 27 (No in step S18), the information processing system 1 waits until the second instruction button 27 is clicked. During this time, the prediction model may be selected again by the user, or the constraint condition or the like input in the second input field 26 may be corrected by the user.
  • the display control unit 4 stores the prediction model selected for each explained variable and the constraint condition input in the second input field 26. 6 (step S19).
  • the display control unit 4 also stores the parameter in the storage unit 6.
  • the objective function generation unit 9 reads the prediction model selected for each explained variable from the storage unit 6 and reads the mathematical programming problem stored in the problem storage unit 8.
  • This mathematical programming problem is represented, for example, as shown in Equation 3, and the “form” of the objective function exemplified in Equation 2 is described in the mathematical programming problem.
  • the objective function generation unit 9 generates an objective function by substituting a specific prediction model selected for each explained variable into the “form” of the objective function exemplified in Equation 2 (step S20).
  • the optimization unit 10 reads the constraint conditions and external information from the storage unit 6, and derives the optimum value of each objective variable value by solving the logic planning problem that satisfies the constraint conditions (step S21). .
  • the optimization unit 10 is generated in step S20 under the constraint condition.
  • objective variable objective function is such that the maximum P 1, P 2, ⁇ , to derive a value of P M.
  • the optimization unit 10 stores the derived optimum values of the objective variables in the storage unit 6.
  • the display control unit 4 reads the optimum value of each objective variable from the storage unit 6 and displays it in the optimization result display field 25. As a result, the user can grasp the optimum value of each objective variable (for example, the price of each product that maximizes the total sales amount).
  • step S14 when the user determines that there is no appropriate prediction model in the prediction model displayed in step S14, the user reviews the parameters used for learning and inputs new parameters to the first input field 23. May be. In that case, the information processing system 1 may re-execute processing from step S11. That is, the information processing system 1 can repeat learning of the prediction model until the user determines that an appropriate prediction model has been obtained for each explained variable.
  • the user may review the parameters used for learning and input new parameters into the first input field 23. Good.
  • the information processing system 1 may re-execute processing from step S11.
  • the user may redo the operation of selecting one prediction model for each explained variable in the prediction model display field 22.
  • the information processing system 1 may execute the process again from step S15.
  • the user may review the constraint conditions for optimization and input new constraint conditions into the second input field 26.
  • the information processing system 1 may execute the process again from step S16. That is, the information processing system 1 can repeat learning or optimization until the user determines that an appropriate value is obtained as the optimum value of each objective variable.
  • the objective function generation unit 9 generates the objective function by substituting the prediction model into a predetermined “function” of the objective function. Then, the optimization unit 10 optimizes the value of the objective variable so that the value of the objective function is optimized. That is, the optimization unit 10 optimizes the value of the objective variable so that the value of the objective function is optimized for the objective function having the prediction model as an argument. Therefore, according to the present invention, optimization can be performed appropriately even in a situation where there is input data that is not observed by mathematical optimization.
  • the display control unit 4 displays the prediction model learned for each explained variable in the prediction model display field 22. Therefore, the user can confirm whether or not the learned prediction model is appropriate. Therefore, for example, the user can confirm whether or not a phenomenon known empirically is reflected in the prediction model. Further, the user can examine why the obtained optimal solution is optimal after optimization.
  • the learning unit 3 learns a plurality of types of prediction models for each explained variable
  • the display control unit 4 displays a plurality of types of prediction models for each explained variable in the prediction model display field 22.
  • the user can select a prediction model determined to be most appropriate from a plurality of prediction models for each explained variable.
  • the accuracy of the optimum value of the objective variable can be improved. For example, even if it is determined that not all prediction models are appropriate for any of the explained variables, the parameters are reviewed as described above, and the learning of the prediction model is performed again by the learning unit 3. Can be made.
  • the user reviews the parameters used for learning or selects one prediction model for each explained variable. It is possible to cause the information processing system 1 to execute the optimization again by redoing or reviewing the constraint conditions in the optimization.
  • the learning unit 3 learns a plurality of types of prediction models using a plurality of types of learning algorithms for each explained variable.
  • the learning algorithm is limited to one, and the learning unit 3 may learn one prediction model for each explained variable.
  • the display control part 4 should just display the information regarding one prediction model for every to-be-explained variable (for every tab) in the prediction model display column 22.
  • the display control unit 4 does not have to display the radio button 22b in the prediction model display field 22, and does not have to execute the process of step S15.
  • the display control unit 4 may store the prediction model created for each explained variable in the storage unit 6.
  • the learning unit 3 may learn a plurality of prediction models using the same learning algorithm. For example, the learning unit 3 learns a prediction model by a certain learning algorithm using the training data of November 2015, and uses another training model of the training data of December 2015 to acquire another prediction model by the same learning algorithm. You may learn. Further, for example, the learning unit 3 uses the same learning algorithm and the same training data to learn the prediction model with priority given to the small residual in the learning interval, and emphasizes the generalization performance for another prediction. You may learn the model.
  • the display control unit 4 may receive a user editing operation on the displayed prediction model in the prediction model display field 22.
  • the user can edit the prediction model displayed in the prediction model display field 22. Accordingly, the user can adjust the coefficients and constant terms of the explanatory variables of the displayed prediction model without reexamining the parameters and causing the learning unit 3 to perform learning again.
  • the display control unit 4 may store the edited prediction model in the storage unit 6.
  • the user interface for instructing execution of learning or optimization may be in a form other than the first instruction button 24 and the second instruction button 27.
  • the display control unit 4 may display a command line user interface together with the screen 21.
  • the information processing system 1 executes the processing from step S13 onward and performs a predetermined character string indicating an optimization execution instruction. Is input, the process of step S19 may be executed.
  • the number of objective variables is three (“product 1 price”, “product 2 price”, and “product 3 price”), the values are to be optimized.
  • the number of objective variables is not particularly limited.
  • the prediction target is not limited to the product, and may be a service, for example.
  • the price of a plurality of products is optimized so as to maximize the sum of the sales of the plurality of products based on the prediction of the number of sales of the plurality of products
  • the types of products are distinguished by symbols A, B, C, and D.
  • the sandwich group includes four types of sandwiches A, B, C, and D.
  • the information processing system 1 according to the present invention is configured so that the total sales of the sandwich group, that is, the total sales of the four types of sandwiches A, B, C, and D is maximized. , B, C and D will be solved.
  • the training data storage unit 2 stores the number of past sales of each sandwich and the price of each past sandwich.
  • the training data storage unit 2 also stores external information such as past weather and calendar information.
  • the learning unit 3 uses a plurality of types of learning algorithms for each sandwich type based on various types of training data stored in the training data storage unit 2, and uses a plurality of types of prediction models (in this example, the number of sales). Learning prediction model).
  • the number of sandwiches sold is considered to be affected by the price of sandwich A itself.
  • the number of sales of sandwich A is also considered to be affected by the prices of sandwiches displayed on the product shelf together with sandwich A, that is, sandwiches B, C and D. This is because the customer who visits the retail store is considered to selectively purchase a preferred sandwich from among the sandwiches A, B, C, and D displayed on the merchandise shelf at the same time.
  • cannibalization is a relationship where lowering the price of a product increases the number of sales of that product, while decreasing the number of sales of other competing products (multiple products with similar properties and characteristics). It is.
  • each of the prediction models has, as explanatory variables, the price P A of the sandwich A , the price P B of the sandwich B , and the price of the sandwich C. learning as a function including a price P D of P C and sandwich D.
  • the learning unit 3 automatically selects appropriately from various items (for example, weather) included in the external information for each prediction model.
  • the prediction model includes the explained variable (in this example, the number of sandwich sales) and the explanatory variable (in this example, the price of the sandwich of interest and the price of the competing sandwich, etc.). Based on the above, the relationship between the explained variable and the explanatory variable is shown, and is expressed by a function of the explanatory variable.
  • the information processing system 1 accepts selection of one prediction model from the user for each of the sandwiches A, B, C, and D via the screen illustrated in FIG. Furthermore, the information processing system 1 accepts an input of optimization constraint conditions via the screen illustrated in FIG. 2, and the second instruction button 27 is clicked. Then, the objective function generation unit 9 uses the prediction model selected for each sandwich type in the “form” (formula 2 in this example) of the objective function described in the mathematical programming problem (formula 3 in this example). The objective function of the optimization problem is generated by substituting.
  • the optimizing unit 10 sets the value of the objective variable that optimizes the objective function under the constraint condition (that is, P A , P B , to calculate the value) of the P C and P D.
  • the present invention can also be applied when optimizing the prices of a plurality of products. For example, when optimizing the price of each product to maximize profit, the objective function “form” representing profit is described and a mathematical programming problem indicating that profit is maximized is stored as a problem. What is necessary is just to memorize
  • the learning unit 3 generates a plurality of types of prediction models of the sales number S m of the product m of interest for each product. At this time, the learning unit 3 generates a plurality of types of prediction models including each explanatory variable indicating the position of the shelf of each product. The learning unit 3 automatically selects other explanatory variables as appropriate.
  • Equation 3 The mathematical programming problem in this example is expressed by Equation 3, for example.
  • the objective function generation unit 9 When the selection of one prediction model for each product is received from the user, further, the input of the optimization constraint condition is received, and the second instruction button 27 is clicked, the objective function generation unit 9 generates the objective function.
  • the optimization unit 10 may obtain a value of the objective variable (the position of each product shelf) that maximizes the objective function.
  • the purpose is to maximize sales or profit, so the objective function is represented by a function for calculating sales or profit.
  • the objective variable for example, a setting fee for a use plan of each room of a hotel can be mentioned.
  • the “sandwich” shown in the retail example corresponds to, for example, “single room breakfast plan” in this application.
  • the external information includes, for example, weather, seasons, events held around the hotel, and the like.
  • the objective function is represented by a function for calculating the sales or profit.
  • contents considering price and stock are selected.
  • a variable that indicates how much the room used in each plan will be sold at what time and as a second objective variable, at what time the room used in each plan Variables that indicate whether to sell rooms, etc.
  • the external information includes, for example, weather, seasons, events performed in the vicinity of the hotel, and the like.
  • each air ticket represents the route to the destination and the type (class) of the seat.
  • a variable indicating how much each ticket is sold at what time and as a second objective variable, how many tickets each ticket is sold at.
  • the variable to represent, etc. are mentioned.
  • examples of the external information include seasons and events to be held.
  • the objective function is represented by a function for calculating the sales or profit.
  • the objective variable include a parking fee for each time zone and place.
  • external information for example, parking fees for surrounding parking, location information (a residential area, an office district, a distance from a station, etc.) can be cited.
  • the service according to the present invention can be provided in SaaS (Software as a Service) format.
  • FIG. 7 is a schematic block diagram showing a configuration example of a computer according to the embodiment of the present invention.
  • the computer 1000 includes a CPU 1001, a main storage device 1002, an auxiliary storage device 1003, an interface 1004, a display device 1005, and an input device 1006.
  • the information processing system of the present invention is mounted on the computer 1000.
  • the operation of the information processing system of the present invention is stored in the auxiliary storage device 1003 in the form of a program (information processing program).
  • the CPU 1001 reads out the program from the auxiliary storage device 1003, expands it in the main storage device 1002, and executes the above processing according to the program.
  • the auxiliary storage device 1003 is an example of a tangible medium that is not temporary.
  • Other examples of the non-temporary tangible medium include a magnetic disk, a magneto-optical disk, a CD-ROM, a DVD-ROM, and a semiconductor memory connected via the interface 1004.
  • this program is distributed to the computer 1000 via a communication line, the computer 1000 that has received the distribution may develop the program in the main storage device 1002 and execute the above processing.
  • the program may be for realizing a part of the above-described processing.
  • the program may be a differential program that realizes the above-described processing in combination with another program already stored in the auxiliary storage device 1003.
  • FIG. 8 is a block diagram showing an outline of the information processing system of the present invention.
  • the information processing system of the present invention includes a learning unit 71, a visualization unit 72, and an optimization unit 73.
  • the learning unit 71 learns a prediction model that represents the relationship between the explained variable and the explanatory variable based on the explained variable and the explanatory variable and is represented by a function of the explanatory variable.
  • the visualization unit 72 (for example, the display control unit 4) visualizes the prediction model.
  • the optimizing unit 73 (for example, the optimizing unit 10), in response to receiving an operation from the user, the objective function having the prediction model visualized by the visualizing unit 72 as an argument under the constraint condition. An objective variable that optimizes the objective function is calculated.
  • the learning unit 71 learns a plurality of types of prediction models using a plurality of types of learning algorithms for each explained variable, and the visualization unit 72 visualizes the plurality of types of prediction models for each explained variable.
  • the optimization unit 73 accepts the selection of the prediction model by the user, and the optimization unit 73 optimizes the objective function under the constraint condition for the objective function having the prediction model selected for each explained variable by the user. Variables may be calculated.
  • the visualization unit 72 calculates the value of the explained variable for each prediction model using the test data including the value of the past explained variable and the value of the explained variable, and the value of the explained variable and the past explained value. The difference from the value of the explanatory variable may be visualized.
  • the visualization unit 72 may accept a user editing operation on the visualized prediction model.
  • the learning unit 71 may learn the prediction model in response to receiving an operation for instructing learning of the prediction model from the user.
  • the present invention is preferably applied to an information processing system that performs optimization based on a learned prediction model.

Landscapes

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

Abstract

数理最適化で観測されない入力データが存在する状況であっても、適切に最適化を行うことができる情報処理システムを提供する。学習部７１は、被説明変数および説明変数に基づいて、被説明変数と説明変数との間の関係を示し説明変数の関数で表される予測モデルを学習する。可視化部７２は、その予測モデルを可視化する。最適化部７３は、ユーザからの操作を受け付けたことに応じて、可視化部７２によって可視化された予測モデルを引数とする目的関数について、制約条件のもとで当該目的関数を最適化する目的変数を算出する。

Description

情報処理システム、情報処理方法および情報処理用プログラム
　本発明は、学習された予測モデルに基づいて最適化を行う情報処理システム、情報処理方法および情報処理用プログラムに関する。
　過去の実績に基づいて予測モデルを生成する機械学習のアルゴリズムとして、例えば、回帰分析、ニューラルネットワーク、サポートベクターマシン等が知られている。また、特許文献１にも、過去の実績に基づいて予測モデルを生成する方法が記載されている。
　また、特許文献２には、予想売上および価格感応度に基づいて、見込まれる利益を最大化するように最適化された推奨価格を提示するシステムが記載されている。特許文献２には、このシステムにおいて、価格感応度モデルが、価格に伴って変動する関数を通して特定製品の価格感応度をモデリングすることや、価格変更の関数として売上の変化をモデリングすることが記載されている。さらに、特許文献２に記載のシステムは、所定の仮定のもとでの売上高を予測し、その予測と価格感応度の結論を使用して、製品の売上を予測し、所与の制約下で総利益を最大化する最適価格の集合を生成する。また、このシステムは、価格感応度モデルタイプおよび価格感応度変数値を表示する。
　特許文献３には、通信コンテンツの有効性を査定し、コンテンツ配信を最適化するためのシステムが記載されている。特許文献３に記載のシステムは、強化学習を用いている。特許文献３には、有効性評価尺度（または目的関数）を最大化すると予測されるコンテンツ配信スケジュールを生成することが記載されている。また、特許文献３には、履歴データに対して回帰分析を使用し、成果を最大化する、コンテンツの最良の「混成」を予測することが記載されている。
米国特許第８９０９５８２号明細書 特表２００４－５１９０２１号公報 特開２０１５－５３０７１号公報
　一般的な数理最適化では、数理計画法への入力データが観測されることを前提としている。例えば、工業製品の生産ラインの最適化では、数理計画法への入力データは、各ラインである製品を作るために必要な材料の量、コスト、製造時間等である。これらの入力データは、いずれも、分析者が数理計画法を実行する時点において、分析者から見て観測可能なデータである。
　一方で、分析者が数理計画法を実行する時点において分析者から見て観測できないデータを用いないと、解決できない問題もある。例えば、小売店舗において、ある商品群の総売上高を最大化するために、その商品群に属する各商品の価格をそれぞれ最適化したいという問題がある。この問題を解決するために数理計画法を実行しようとすると、例えば、将来の商品の売上数の予測値が数理計画法への入力データとして必要になる。しかし、分析者が数理計画法を実行する時点で、将来の商品の売上数の予測値は、分析者から見て観測可能なデータではない。従って、一般的な数理最適化では、数理解決法を用いてこのような問題を解決することはできなかった。
　また、意思決定に予測を用いる場合、とり得る全ての戦略に対して効果を予測し、最もよい効果が得られる戦略を選ぶという方法が考えられる。しかし、この方法では、計算量が多くなってしまう。
　そこで、本発明は、数理最適化で観測されない入力データが存在する状況であっても、適切に最適化を行うことができる情報処理システム、情報処理方法および情報処理用プログラムを提供することを目的とする。
　本発明による情報処理システムは、被説明変数および説明変数に基づいて、被説明変数と説明変数との間の関係を示し説明変数の関数で表される予測モデルを学習する学習部と、予測モデルを可視化する可視化部と、ユーザからの操作を受け付けたことに応じて、可視化部によって可視化された予測モデルを引数とする目的関数について、制約条件のもとで当該目的関数を最適化する目的変数を算出する最適化部とを備えることを特徴とする。
　また、本発明による情報処理方法は、被説明変数および説明変数に基づいて、被説明変数と説明変数との間の関係を示し説明変数の関数で表される予測モデルを学習し、予測モデルを可視化し、ユーザからの操作を受け付けたことに応じて、可視化された予測モデルを引数とする目的関数について、制約条件のもとで当該目的関数を最適化する目的変数を算出することを特徴とする。
　また、本発明による情報処理用プログラムは、コンピュータに、被説明変数および説明変数に基づいて、被説明変数と説明変数との間の関係を示し説明変数の関数で表される予測モデルを学習する学習処理、予測モデルを可視化する可視化処理、および、ユーザからの操作を受け付けたことに応じて、可視化処理で可視化された予測モデルを引数とする目的関数について、制約条件のもとで当該目的関数を最適化する目的変数を算出する最適化処理を実行させることを特徴とする。
　本発明によれば、数理最適化で観測されない入力データが存在する状況であっても、適切に最適化を行うことができる。
本発明の情報処理システムの例を示すブロック図である。 表示制御部がディスプレイ装置上に表示する画面の例を示す説明図である。 予測モデル表示欄における予測モデルの他の表示例を示す説明図である。 散布図の表示欄を含む予測モデル表示欄の例を示す説明図である。 本発明の処理経過の例を示すフローチャートである。 本発明の処理経過の例を示すフローチャートである。 本発明の実施形態に係るコンピュータの構成例を示す概略ブロック図である。 本発明の情報処理システムの概要を示すブロック図である。
　まず、本発明の概要を説明する。本発明の情報処理システムは、観測されないデータを予測する予測モデルを、過去のデータから学習し、その予測モデルに基づいて数理計画法の目的関数を自動的に生成し最適化を実行する。また、本発明の情報処理システムは、学習した予測モデルを可視化し（換言すれば、ディスプレイ装置上に表示し）、最適化を実行することを指示するユーザの操作に応じて、最適化を実行する。
　以下、本発明の実施形態を図面を参照して説明する。なお、以下の説明では、複数の商品の売上数の予測に基づいて複数の商品の売上高の総和を最大にするように複数の商品の価格を最適化する場合を例示する。ただし、最適化の対象は、上記の例に限定されない。また、以下の説明では、機械学習による予測対象となる変数を「被説明変数」と記す。予測に用いられる変数を「説明変数」と記す。最適化の出力となる変数を「目的変数」と記す。なお、これらの変数は排他的な関係ではなく、例えば、説明変数の一部が目的変数となることがある。
　図１は、本発明の情報処理システムの例を示すブロック図である。本発明の情報処理システム１は、訓練データ記憶部２と、学習部３と、表示制御部４と、ディスプレイ装置５と、記憶部６と、外的情報入力部７と、問題記憶部８と、目的関数生成部９と、最適化部１０とを備える。
　表示制御部４は、学習部３によって学習された予測モデルを可視化する（換言すれば、予測モデルに関する情報をディスプレイ装置５上に表示する）。表示制御部４は、予測モデルに関する情報を表示するだけでなく、学習に用いられるパラメータをユーザが入力するためのユーザインタフェース、最適化における制約条件をユーザが入力するためのユーザインタフェース、最適化結果等もディスプレイ装置５上に表示する。
　図２は、表示制御部４がディスプレイ装置５上に表示する画面の例を示す説明図である。表示制御部４によって表示される画面２１は、予測モデル表示欄２２と、学習に用いられるパラメータの入力欄２３（以下、第１入力欄２３と記す。）と、最適化結果表示欄２５と、最適化における制約条件の入力欄２６（以下、第２入力欄２６と記す）とを含む。さらに、画面２１は、学習の実行をユーザが指示するためのボタン２４（以下、第１指示ボタン２４と記す。）と、最適化の実行をユーザが指示するためのボタン２７（以下、第２指示ボタン２７と記す。）とを含む。
　図２は、表示制御部４によって表示される画面の例示であり、画面の態様は、図２に示す例に限定されない。例えば、図２では、学習の実行や最適化の実行をユーザがボタンによって指示する場合を例にして示しているが、これらの指示が他の態様で行われる画面であってもよい。
　予測モデル表示欄２２は、学習された予測モデルに関する情報を表示する欄である。予測モデルは、被説明変数と説明変数との間の関係を示していて、その説明変数の関数で表される。また、本実施形態では、後述するように、学習部３は、被説明変数毎に、複数種類の学習アルゴリズムを用いて、複数種類の予測モデルを学習する。ここでは、説明を簡単にするために、被説明変数の種類が、「商品１の売上数」、「商品２の売上数」、「商品３の売上数」の３種類であるものとする。また、学習部３は、３種類の学習アルゴリズム（ここでは、回帰分析、ニューラルネットワークおよびサポートベクターマシンとする。）を用いて、学習アルゴリズム毎に予測モデルを学習するものとする。従って、学習部３は、商品１の売上数（Ｓ１とする。）に関して、回帰分析による予測モデル、ニューラルネットワークによる予測モデル、およびサポートベクターマシンによる予測モデルをそれぞれ学習する。学習部３は、他の被説明変数に関しても、同様に３種類の予測モデルを学習する。なお、学習部３が被説明変数毎に学習する予測モデルは３種類でなくてもよい。
　予測モデル表示欄２２は、被説明変数を選択するためのタブ２２ａを含む。個々のタブと、個々の被説明変数は一対一に対応している。図２では、被説明変数「商品１の売上数」に対応するタブがユーザによって選択され、表示制御部４が、「商品１の売上数」に関して学習された３種類の予測モデルを予測モデル表示欄２２に表示している場合を例示している。なお、図２に示すｆａは回帰分析による予測モデルであり、ｆｂはニューラルネットワークによる予測モデルであり、ｆｃはサポートベクターマシンによる予測モデルであるものとする。図２では、Ｓ１＝ｆａ（Ｐ１，Ｐ２，Ｐ３，ｘ１，ｘ６）等のように模式的に予測モデルを示しているが、表示制御部４は、予測モデルとして具体的な関数を予測モデル表示欄２２に表示する。他のタブがユーザによって選択された場合、表示制御部４は、そのタブに対応する被説明変数に関して学習された３種類の予測モデルに関する情報を表示する。
　予測モデル表示欄２２は、被説明変数毎に（換言すれば、タブ毎に）、３種類の予測モデルの中からユーザが１つの予測モデルを選択するためのユーザインタフェースを含む。図２では、このユーザインタフェースがラジオボタン２２ｂである場合を例示している。ユーザは、被説明変数毎に、表示されている３種類の予測モデルの中から最も適切な１つの予測モデルを判断し、ラジオボタン２２ｂを操作してその１つの予測モデルを選択する。このとき、ユーザは、被説明変数毎に、独立して予測モデルを選択してよい。例えば、ユーザは、「商品１の売上数」に関してニューラルネットワークによる予測モデルを選択し、「商品２の売上数」に関して回帰分析による予測モデルを選択し、「商品３の売上数」に関してサポートベクターマシンによる予測モデルを選択してもよい。
　第１入力欄２３は、学習に用いられるパラメータをユーザが入力するための欄である。図２に示す例では、ユーザによって、予測モデルで用いられる説明変数の数として“５”が入力された場合を例示している。学習部３は、このパラメータを用いて、予測モデルで用いられる説明変数の数が５となるように、各予測モデルを学習する。なお、ここでは、学習に用いられるパラメータの例として、予測モデルで用いられる説明変数の数を例示したが、学習に用いられるパラメータは、本例に限定されない。例えば、「過去のどの期間の訓練データに基づいて学習を行うか」が、第１入力欄２３で指定されてもよい。
　最適化結果表示欄２５は、最適化された目的変数の値を表示する欄である。本例では、「商品１の価格」、「商品２の価格」および「商品３の価格」が目的変数であるものとする。表示制御部４は、それらの最適化された結果を最適化結果表示欄２５に表示する。
　第２入力欄２６は、最適化における制約条件をユーザが入力するための欄である。制約条件の内容は任意であり、例えば、ビジネス上の制約等が制約条件として入力される。例えば、図２に示す例において、Ｐ３は「商品３の価格」に該当する変数であり、Ｐ２は「商品２の価格」に該当する変数である。従って、第２入力欄２６に例示した「Ｐ３＞Ｐ２」は、「商品３の価格」は「商品２の価格」よりも高いという制約条件を示している。最適化部１０は、この制約条件を満たすように各目的変数の値を最適化する。なお、制約条件は上記の例に限定されない。例えば、商品１の売上数をＳ１とし、ノルマをｑとしたときに、“Ｓ１≧ｑ”という制約条件が第２入力欄２６に入力されてもよい。また、最適化の際に用いられるパラメータが第２入力欄２６に入力されてもよい。
　第１指示ボタン２４は、学習の実行をユーザが指示するためのボタンである。第１指示ボタン２４がクリックされると、学習部３は、予測モデルを学習する。
　第２指示ボタン２７は、最適化の実行をユーザが指示するためのボタンである。第２指示ボタン２７がクリックされると、目的関数生成部９および最適化部１０が順次、処理を実行する。
　前述のように、予測モデル表示欄２２において、ユーザは、被説明変数毎に、表示されている３種類の予測モデルの中から最も適切な１つの予測モデルを判断し、その予測モデルを選択する。ユーザが最も適切な予測モデルを的確に判断できることが好ましい。そこで、表示制御部４は、予測モデルとして具体的な関数を直接表示するのではなく。図３に例示するように予測モデルに関する情報を表示してもよい。ただし、ここでは、予測モデルは、Ｙ＝ａ１×Ｘ１＋ａ２×Ｘ２＋・・・ａｎ×Ｘｎ＋ｃという形式で表されるものとする。Ｙは被説明変数であり、Ｘ１，Ｘ２，・・・，Ｘｎは説明変数である。ａ１，ａ２，・・・，ａｎは、個々の説明変数に対応する係数である。ｃは定数項である。
　図３に示す例では、Ｐ１，Ｐ２，Ｐ３，ｘ１～ｘ６が説明変数である。図３において、水平に示されたバーは、説明変数に対応する係数を表している。具体的には、バーが中心線より右側にあるか左側にあるかによって、係数の正負を表し、バーの長さによって係数の絶対値を示している。バーが中心線より右側にある場合、係数が正であることを表し、バーが中心線より左側にある場合、係数が負であることを表すものとする。図３に示すｆａでは、説明変数Ｐ１の係数は正であり、その係数の絶対値は、ｆａにおける他の説明変数の係数の絶対値よりも大きいことが分かる。また、図３では、バーの近傍に説明変数を表す記号を示す場合を例示しているが、個々のバーがどの説明変数に対応しているかを他の態様で示してもよい。図３に例示する表示形式では、ユーザは、重要な説明変数が抜け落ちているか否か、また、重要な説明変数の係数の値が不適当な値になっているか否かを確認しやすくなり、最も適切な予測モデルを的確に判断しやすくなる。重要な説明変数の係数の値が不適当な値になっている場合とは、例えば、正であるべき係数が負になっていたり、負であるべき係数が正になっていたりする場合や、係数の絶対値が極端に大きくなっていたり、極端に小さくなっていたりする場合等である。
　また、ユーザが最も適切な予測モデルを的確に判断しやすくするために、表示制御部４は、過去の被説明変数の値および説明変数の値を含むテストデータを用いて、予測モデル毎に被説明変数の値を算出し、その被説明変数の値と過去の被説明変数の値との差を可視化してもよい。また、表示制御部４は、散布図を用いて差を可視化してもよい。図４は、このような散布図の表示欄２２ｃを含む予測モデル表示欄２２の例を示す説明図である。散布図の表示欄２２ｃにおいて、テストデータから算出した被説明変数の値を予測値と記し、過去の被説明変数の値を実績値と記している。また、散布図の表示欄２２ｃにおいて、三角形のマーカは、表示されている１番目の予測モデルで算出された予測値と実績値との関係を示しているものとする。丸のマーカは、表示されている２番目の予測モデルで算出された予測値と実績値との関係を示しているものとする。四角形のマーカは、表示されている３番目の予測モデルで算出された予測値と実績値との関係を示しているものとする。マーカが散布図中に示している破線に近いほど、予測値と実績値との差が小さいことになる。従って、例えば、図４に例示する散布図が表示された場合、丸のマーカが破線に近いことから、ユーザは、表示されている２番目の予測モデルが最も適切であると判断できる。なお、タブの選択が切り替えられると、表示制御部４は、散布図を表示し直す。
　また、表示制御部４は、図３に示す表示態様において、図４に例示する散布図の表示欄２２ｃを表示してもよい。
　また、ユーザが最も適切な予測モデルを的確に判断しやすくするために、表示制御部４は、交差検証を行ってもよい。
　訓練データ記憶部２は、学習部３が予測モデルの学習に用いる各種訓練データを記憶する。本実施形態では、訓練データ記憶部２は、最適化部１０が最適化結果として出力する変数（目的変数）について、過去に取得された実績データを記憶する。例えば、最適化部１０が複数の商品の価格を最適化しようとする場合、訓練データ記憶部２は、過去に取得された実績データとして、説明変数に対応する各商品の価格や、被説明変数に対応する各商品の売上数を記憶する。また、訓練データ記憶部２は、上記以外の外的情報（例えば、天気や暦情報等）も記憶する。これらの外的情報も説明変数となり得る。訓練データ記憶部２は、例えば、磁気ディスク装置により実現される。
　なお、前述のテストデータは、例えば、訓練データとは別に、訓練データ記憶部２に記憶させておけばよい。
　学習部３は、学習の実行を指示する操作が行われると（本例では、第１指示ボタン２４がクリックされると）、訓練データ記憶部２に記憶された各種訓練データに基づいて、機械学習により、設定された被説明変数毎に予測モデルを学習する。このとき、学習部３は、被説明変数毎に、複数種類の学習アルゴリズムを用いて、複数種類の予測モデルを学習する。また、学習部３は、第１入力欄２３に入力されたパラメータを用いて各予測モデルを学習する。例えば、前述のように、予測モデルで用いられる説明変数の数として“５”が指定された場合、学習部３は、予測モデルで用いられる説明変数の数が５となるように、各予測モデルを学習する。
　本実施形態で学習される予測モデルは、最適化部１０が最適化結果として出力する変数（目的変数）を説明変数として含む関数で表される。すなわち、目的変数は、予測モデルの説明変数になっている。例えば、「商品１の価格」、「商品２の価格」および「商品３の価格」が目的変数Ｐ１，Ｐ２，Ｐ３であるとする。学習部３は、例えば、各予測モデルにおいて、Ｐ１，Ｐ２，Ｐ３を説明変数として用いる。学習部３は、さらに他の説明変数を、自動的に決定する。このとき、学習部３は、訓練データ記憶部２に記憶されている外的情報に含まれている種々の項目（例えば、天候等）の中から説明変数を決定すればよい。上記のように、パラメータとして、予測モデルで用いられる説明変数の数が定められている場合、学習部３は、その数に合わせて、予測モデルで用いる説明変数を決定する。Ｐ１，Ｐ２，Ｐ３以外の説明変数は、予測モデル同士で異なっていてもよい。
　上記の複数種類の学習アルゴリズムは、特に限定されない。例えば、前述の例では、回帰分析、ニューラルネットワークおよびサポートベクターマシンを例示したが、学習部３は、予測モデルの学習方法の一つとして、特許文献１に記載の方法を採用してもよい。また、学習アルゴリズムの種類の数も限定されない。
　ここで、最適化対象のインデックスの集合を｛ｍ｜ｍ＝１，・・・，Ｍ｝と記す。本実施形態の例では、最適化対象は各商品の価格であり、Ｍは商品数に対応する。また、各最適化対象ｍについて予測する内容をＳｍと記す。本実施形態の例では、Ｓｍは、商品ｍの売上数に対応する。また、各最適化対象ｍについて最適化する内容（すなわち、最適化の目的変数）をＰｍまたはＰ´ｍと記す。本実施形態の例では、Ｐｍは、商品ｍの価格に対応する。線形回帰（回帰分析の一種）を使用してＳｍ（例えば、売上数）とＰｍ（例えば、価格）との依存関係をモデル化すると、Ｓｍを予測する予測モデルは、例えば、以下に例示する式１で表される。
Figure JPOXMLDOC01-appb-M000001
　式１において、ｆｄは特徴生成関数であり、Ｐ´ｍに対する変換を表わす。また、Ｄは特徴生成関数の数を示し、Ｐ´ｍに対して行われる変換の数を示す。ｆｄの内容は任意であり、例えば、線形変換を行う関数であってもよく、対数や多項式のような非線形変換を行う関数であってもよい。上述するように、Ｐｍが商品ｍの価格であり、Ｓｍが商品ｍの売上数を示す場合、ｆｄは、例えば、価格に関する売上の反応を表わす。売上の反応とは、例えば、ある程度の値下げをすると売上の反応が良くなる、または、反応が悪くなる、値下げに応じて売上数が二乗になる、等が挙げられる。
　また、式１において、ｇｄは、外的特徴（上述する例の場合、天候等）であり、Ｄ´は、外的特徴の数である。なお、外的特徴に関しては、事前に変換をしておいてもよい。また、式１におけるα、β、γは、それぞれ学習部３による機械学習の結果得られる回帰式の定数項および係数である。これまでの説明から明らかである通り、予測モデルは、被説明変数（Ｓｍ）および説明変数（Ｐｍや、各種外的特徴等）に基づいて学習され、被説明変数と説明変数との間の関係を示し、説明変数の関数で表されるものである。
　記憶部６は、ユーザによって被説明変数毎に選択された各予測モデル、および第２入力欄２６に入力された最適化における制約条件や、最適化の際に用いられるパラメータを記憶する。表示制御部４は、最適化の実行を指示する操作が行われると（本例では、第２指示ボタン２７がクリックされると）、ユーザによって被説明変数毎に選択された各予測モデルと、第２入力欄２６に入力された制約条件やパラメータ（最適化の際に用いられるパラメータ）を記憶部６に記憶させる。また、記憶部６は、外的情報入力部７が入力した外的情報も記憶する。記憶部６は、例えば、磁気ディスク装置により実現される。
　外的情報入力部７は、ユーザによって被説明変数毎に選択される予測モデル並びに最適化の制約条件およびパラメータ以外で、最適化に用いられる外的情報を入力する。例えば、上述の例において、ある日の価格を最適化しようとする場合、外的情報入力部７は、その日の天気（予測された天気）に関する情報を入力してもよい。また、例えば、その日の来店人数を予測できるような場合、外的情報入力部７は、その日の来店人数に関する情報を入力してもよい。この来店人数の例の様に、外部情報は、機械学習による予測モデルによって生成されたものでもよい。ここで入力される情報は、例えば、予測モデルの説明変数に適用される。
　外的情報入力部７が入力する情報は、例えば、ユーザが事前に用意しておけばよい。
　問題記憶部８は、最適化により解こうとする数理計画問題を記憶する。数理計画問題は、ユーザ等によって予め問題記憶部８に記憶される。なお、数理計画問題が、第２入力欄２６に入力され、第２指示ボタン２７がクリックされたときに、表示制御部４が、その数理計画問題を問題記憶部８に記憶させる構成であってもよい。ここでは、問題記憶部８が予め数理計画問題を記憶している場合を例にして説明する。問題記憶部８は、例えば、磁気ディスク装置により実現される。
　なお、本実施形態では、数理計画問題の中で記述される目的関数の“形”は、予測モデルがパラメータになるように定義される。本実施形態の例では、問題記憶部８は、複数の商品の売上高の総和を最大化するための数理計画問題を記憶する。この場合、最適化部１０は、複数の商品の売上高の総和を最大化するように各商品の価格を最適化する。各商品の売上高は、商品の価格と予測モデルで予測される売上数の積で定義できる。従って、各商品の売上高の総和を表す目的関数の“形”は、以下に示す式２のように表される。
Figure JPOXMLDOC01-appb-M000002
　式２は、商品の価格と予測モデルで予測される売上数の積の合計を式として示したものであるが、売上数Ｓｍを表す予測モデルは代入されていない。そのため、式２を目的関数の“形”と称している。
　本例の場合、問題記憶部８に、以下の式３に示す数理計画問題を予め記憶させておけばよい。
Figure JPOXMLDOC01-appb-M000003
　式３は、各商品の売上高の総和を最大化するという数理計画問題を表している。式３には、式２で示した目的関数の“形”が記述されている。
　目的関数生成部９は、数理計画問題の目的関数を生成する。具体的には、目的関数生成部９は、予測モデルをパラメータとする数理計画問題の目的関数を生成する。目的関数生成部９は、問題記憶部８に記憶された数理計画問題に記述されている目的関数の“形”（上記の例では式２）に、ユーザによって被説明変数毎に選択された予測モデルを代入することにより目的関数を生成する。ここでは、説明を簡単にするために、式２におけるＭの値が３であるとする（すなわち、商品の数が３であるとする）。この場合、ユーザは、「商品１の売上数Ｓ１」、「商品２の売上数Ｓ２」、「商品３の売上数Ｓ３」という被説明変数毎に、その被説明変数を表す具体的な予測モデル（関数）を選択し、Ｓ１，Ｓ２，Ｓ３に対応する予測モデル（関数）が記憶部６に記憶されている。目的関数生成部９は、それらの各予測モデルを、式２に示す目的関数の“形”に代入することによって、目的変数を生成する。
　最適化部１０は、記憶部６に記憶されている各種情報（第２入力欄２６を介して入力された最適化の制約条件およびパラメータ並びに外的情報入力部７が入力した外的情報）に基づいて、目的とする内容の最適化を行う。このとき、最適化部１０は、目的関数の値が最適になるように、目的変数の値を最適化する。目的変数等に制約条件が定められているため、最適化部１０は、制約条件を満たしつつ、目的関数の値が最適（例えば、最大、最小等）になるように、目的変数の値を最適化する。
　本例では、問題記憶部８に記憶された数理計画問題が式３のように定められているので、最適化部１０は、制約条件を満たしつつ、目的関数の値が最大になるように目的変数の値を最適化する。最適化部１０は、式３で特定される数理計画問題を解くことで、目的変数に該当する個々の商品の価格Ｐ１，Ｐ２，・・・，ＰＭを最適化する。すなわち、最適化部１０は、各商品の売上高の総和を最大にするような、各商品の価格を導出する。
　最適化部１０は、各目的変数の値を最適化すると、その各目的変数の値を記憶部６に記憶させる。すると、表示制御部４は、ディスプレイ装置５上に表示されている画面２１内の最適化結果表示欄２５に、各目的変数の最適値を表示する。
　学習部３、表示制御部４、外的情報入力部７、目的関数生成部９および最適化部１０は、例えば、プログラム（情報処理用プログラム）に従って動作するコンピュータのＣＰＵによって実現される。この場合、ＣＰＵは、例えば、コンピュータのプログラム記憶装置（図１において図示略）等のプログラム記録媒体からプログラムを読み込み、そのプログラムに従って、学習部３、表示制御部４、外的情報入力部７、目的関数生成部９および最適化部１０として動作すればよい。
　また、学習部３、表示制御部４、外的情報入力部７、目的関数生成部９および最適化部１０が、それぞれ専用のハードウェアで実現されていてもよい。学習部３、表示制御部４、外的情報入力部７、目的関数生成部９および最適化部１０は、それぞれ電気回路構成（circuitry ）により実現されていてもよい。ここで、電気回路構成（circuitry ）とは、単一のデバイス（single device ）、複数のデバイス（multiple devices）、チップセット（chipset ）またはクラウド（cloud ）を概念的に含む文言である。
　また、本発明の情報処理システム１は、２つ以上の物理的に分離した装置が有線または無線で接続されている構成であってもよい。
　次に、本発明の処理経過を説明する。図５および図６は、本発明の処理経過の例を示すフローチャートである。
　最初に、表示制御部４は、画面２１をディスプレイ装置５上に表示する。ただし、初期状態では、予測モデル表示欄２２、最適化結果表示欄２５に予測モデルや最適化結果は表示されていない。また、第１入力欄２３および第２入力欄２６は、空欄となっている。
　ユーザは、学習に用いられるパラメータを第１入力欄２３に入力する。このユーザの操作に応じて、表示制御部４は、第１入力欄２３を介して、学習に用いられるパラメータの入力を受け付ける（ステップＳ１１）。表示制御部４は、入力されたパラメータを第１入力欄２３内に表示する。
　ユーザが第１指示ボタン２４をクリックしない場合（ステップＳ１２のＮｏ）、情報処理システム１は、第１指示ボタン２４がクリックされるまで待つ。この間、第１入力欄２３に入力されたパラメータがユーザによって修正されてもよい。
　ユーザが第１指示ボタン２４をクリックした場合（ステップＳ１２のＹｅｓ）、学習部３は、第１入力欄２３に入力されたパラメータと、訓練データ記憶部２に記憶されている各種訓練データに基づいて、予め設定されている被説明変数毎に予測モデルを学習する（ステップＳ１３）。このとき、学習部３は、被説明変数毎に、複数種類の学習アルゴリズムを用いて、複数種類の予測モデルを学習する。
　次に、表示制御部４は、被説明変数毎に学習された予測モデルに関する情報を表示する（ステップＳ１４）。被説明変数毎に複数種類の予測モデルが学習されているので、表示制御部４は、被説明変数毎に複数の予測モデルを表示する。
　ステップＳ１４において、表示制御部４は、例えば、図２に例示するように、タブ２２ａおよびラジオボタン２２ｂを含む予測モデル表示欄２２に予測モデルに関する情報を表示すればよい。個々のタブと、個々の被説明変数は一対一に対応している。例えば、表示制御部４は、ユーザによって１つのタブが選択されると、そのタブに対応する被説明変数に関して学習された複数の予測モデルを予測モデル表示欄２２に表示する。タブの選択が切り替えられると、表示制御部４は、新たに選択されたタブに対応する被説明変数に関して学習された複数の予測モデルを予測モデル表示欄２２に表示すればよい。
　なお、表示制御部４は、図３に例示する態様で予測モデルに関する情報を表示してもよい。また、表示制御部４は、前述の散布図を予測モデルとともに表示してもよい（図４参照）。
　ユーザは、被説明変数毎に（換言すれば、タブ毎に）、表示されている複数の予測モデルの中から最も適切な１つの予測モデルを判断し、ラジオボタン２２ｂを操作してその１つの予測モデルを選択する。このユーザの操作に応じて、表示制御部４は、被説明変数毎に、１つの予測モデルの選択を受け付ける（ステップＳ１５）。なお、本実施形態では、予測モデルの中からユーザが１つの予測モデルを選択するためのユーザインタフェースがラジオボタンである場合を例示したが、このユーザインタフェースの形式はラジオボタン以外であってもよい。
　続いて、ユーザは、第２入力欄２６に、最適化における制約条件を入力する。このユーザの操作に応じて、表示制御部４は、第２入力欄２６を介して、最適化における制約条件の入力を受け付ける（ステップＳ１６）。表示制御部４は、入力された制約条件を第２入力欄２６内に表示する。また、ステップＳ１６において、ユーザは、最適化の際に用いられるパラメータも第２入力欄２６に入力してもよい。この場合、表示制御部４は、このパラメータの入力も同様に受け付け、そのパラメータを第２入力欄２６内に表示すればよい。
　また、外的情報入力部７は、外的情報を入力し、記憶部６に記憶させる（ステップＳ１７）。
　ステップＳ１７の後、ユーザが第２指示ボタン２７をクリックしない場合（ステップＳ１８のＮｏ）、情報処理システム１は、第２指示ボタン２７がクリックされるまで待つ。この間、ユーザによって予測モデルが選択し直されたり、第２入力欄２６に入力された制約条件等がユーザによって修正されたりしてもよい。
　ユーザが第２指示ボタン２７をクリックした場合（ステップＳ１８のＹｅｓ）、表示制御部４は、被説明変数毎に選択された予測モデル、および第２入力欄２６に入力された制約条件を記憶部６に記憶させる（ステップＳ１９）。最適化の際に用いられるパラメータも入力されている場合、表示制御部４は、そのパラメータも記憶部６に記憶させる。
　次に、目的関数生成部９は、被説明変数毎に選択された予測モデルを記憶部６から読み込むとともに、問題記憶部８に記憶されている数理計画問題を読み込む。この数理計画問題は、例えば、式３に例示するように表され、数理計画問題には式２に例示する目的関数の“形”が記述されている。目的関数生成部９は、式２に例示する目的関数の“形”に、被説明変数毎に選択された具体的な予測モデルを代入することによって、目的関数を生成する（ステップＳ２０）。
　最適化部１０は、制約条件や外的情報を記憶部６から読み込み、その制約条件を満たすようにする理計画問題を解くことで、各目的変数の値の最適値を導出する（ステップＳ２１）。例えば、式３に示すように、各商品の売上高の総和を最大化するという数理計画問題が定められている場合、最適化部１０は、制約条件のもとで、ステップＳ２０で生成された目的関数が最大になるような目的変数Ｐ１，Ｐ２，・・・，ＰＭの値を導出する。
　最適化部１０は、導出した各目的変数の最適値を記憶部６に記憶させる。表示制御部４は、各目的変数の最適値を記憶部６から読み込み、最適化結果表示欄２５に表示する。この結果、ユーザは、各目的変数の最適値（例えば、売上高の総和を最大化する各商品の価格）を把握することができる。
　上記の処理経過において、ユーザは、ステップＳ１４で表示された予測モデルの中に適切な予測モデルがないと判断した場合、学習に用いるパラメータを見直し、新たなパラメータを第１入力欄２３に入力してもよい。その場合、情報処理システム１は、再度、ステップＳ１１から処理を実行し直せばよい。すなわち、情報処理システム１は、ユーザが被説明変数毎に適切な予測モデルが得られたと判断するまで、予測モデルの学習を繰り返すことができる。
　また、ユーザは、ステップＳ２１で表示された各目的変数の最適値が適切な値でないと判断した場合にも、学習に用いるパラメータを見直し、新たなパラメータを第１入力欄２３に入力してもよい。その場合、情報処理システム１は、再度、ステップＳ１１から処理を実行し直せばよい。あるいは、ユーザは、予測モデル表示欄２２で、被説明変数毎に予測モデルを１つ選択する操作をやり直してもよい。この場合、情報処理システム１は、再度、ステップＳ１５から処理を実行し直せばよい。あるいは、ユーザは、最適化における制約条件を見直し、新たな制約条件を第２入力欄２６に入力してもよい。この場合、情報処理システム１は、再度、ステップＳ１６から処理を実行し直せばよい。すなわち、情報処理システム１は、各目的変数の最適値として適切な値が得られたとユーザが判断するまで、学習あるいは最適化を繰り返すことができる。
　本発明によれば、目的関数生成部９が、予め定められた目的関数の“形”に、予測モデルを代入することによって目的関数を生成する。そして、最適化部１０は、その目的関数の値が最適になるように、目的変数の値を最適化する。すなわち、最適化部１０は、予測モデルを引数とする目的関数について、目的関数の値が最適になるように、目的変数の値を最適化する。従って、本発明によれば、数理最適化で観測されない入力データが存在する状況であっても、適切に最適化を行うことができる。
　また、本発明によれば、表示制御部４は、被説明変数毎に学習された予測モデルを予測モデル表示欄２２に表示する。従って、学習した予測モデルが適切であるか否かをユーザに確認させることができる。従って、ユーザは、例えば、経験的に知られている現象が予測モデルに反映されているか否かを確認できる。また、ユーザは、最適化後に、得られた最適解がなぜ最適になるのかについて検討することができる。
　また、本実施形態では、学習部３が、被説明変数毎に複数種類の予測モデルを学習し、表示制御部４は、被説明変数毎に複数種類の予測モデルを予測モデル表示欄２２に表示する。従って、ユーザは、被説明変数毎に、複数の予測モデルの中から最も適切であると判断した予測モデルを選択することができる。この結果、目的変数の最適値の精度を向上させることができる。また、例えば、いずれかの被説明変数において、全ての予測モデルが適切でないと判断した場合であっても、上記のように、パラメータを見直して、学習部３に再度、予測モデルの学習を実行させることができる。
　また、ユーザは、いずれかの目的変数の最適値が適切でないと判断した場合にも、上記のように、学習に用いるパラメータを見直したり、被説明変数毎に予測モデルを１つ選択する操作をやり直したり、あるいは、最適化における制約条件を見直したりすることで、情報処理システム１に再度、最適化を実行させることができる。
　次に、本実施形態の変形例について説明する。
　上記の実施形態では、学習部３が、被説明変数毎に、複数種類の学習アルゴリズムを用いて、複数種類の予測モデルを学習する。学習アルゴリズムが１つに限定され、学習部３が、被説明変数毎に１つの予測モデルを学習してもよい。この場合、表示制御部４は、予測モデル表示欄２２において、被説明変数毎に（タブ毎に）、１つの予測モデルに関する情報を表示すればよい。また、この場合、表示制御部４は、予測モデル表示欄２２内にラジオボタン２２ｂを表示しなくてよく、ステップＳ１５の処理も実行しなくてよい。また、第１指示ボタン２４がクリックされた場合、表示制御部４は、被説明変数毎に作成された予測モデルをそれぞれ記憶部６に記憶させればよい。
　また、学習部３は、同じ学習アルゴリズムを用いて、複数の予測モデルを学習してもよい。例えば、学習部３は、２０１５年１１月の訓練データを用いて、ある学習アルゴリズムによって予測モデルを学習するとともに、２０１５年１２月の訓練データを用いて、同一の学習アルゴリズムによって別の予測モデルを学習してもよい。また、例えば、学習部３は、同じ学習アルゴリズムおよび同じ訓練データを用いて、学習区間における残差が小さくなることを優先して予測モデルを学習するとともに、汎化性能を重視して別の予測モデルを学習してもよい。
　また、表示制御部４は、予測モデル表示欄２２において、表示した予測モデルに対するユーザの編集操作を受け付けてもよい。この場合、ユーザは、予測モデル表示欄２２に表示された予測モデルを編集することができる。従って、ユーザは、パラメータを見直して学習部３に再度、学習を実行させなくても、表示された予測モデルの説明変数の係数や定数項を調整することができる。編集操作が行われた予測モデルが選択され、第１指示ボタン２４がクリックされた場合、表示制御部４は、編集後の予測モデルを記憶部６に記憶させればよい。
　また、上記の実施形態では、学習の実行や最適化の実行をユーザがボタンによって指示する場合を例示した。学習の実行や最適化の実行を指示するためのユーザインタフェースは、第１指示ボタン２４および第２指示ボタン２７以外の形式であってもよい。例えば、表示制御部４は、コマンドラインユーザインタフェースを画面２１とともに表示してもよい。この場合、情報処理システム１は、コマンドラインユーザインタフェースに、学習実行指示を示す所定の文字列が入力された場合に、ステップＳ１３以降の処理を実行し、最適化実行指示を示す所定の文字列が入力された場合に、ステップＳ１９移行の処理を実行すればよい。
　なお、図２では、目的変数の数が３つ（「商品１の価格」、「商品２の価格」および「商品３の価格」）である場合を例示したが、値を最適化しようとする目的変数の数は特に限定されない。また、予測対象も、商品に限定されず、例えば、サービス等であってもよい。
　複数の商品の売上数の予測に基づいて複数の商品の売上高の総和を最大にするように複数の商品の価格を最適化する場合の本発明の適用例について、商品がサンドイッチである場合を例にして説明する。ここでは、商品（サンドイッチ）の種類を符号Ａ，Ｂ，ＣおよびＤで区別するものとする。
　例えば、ある小売店で、将来のある日のサンドイッチ群の売上高の総和を最大にする場合を考える。サンドイッチ群は、サンドイッチＡ，Ｂ，ＣおよびＤの４種類のサンドイッチを含むとする。この場合、本発明の情報処理システム１は、サンドイッチ群の売上高の総和、すなわち、サンドイッチＡ，Ｂ，ＣおよびＤの４種類のサンドイッチの売上高の総和が最大化されるように、サンドイッチＡ，Ｂ，ＣおよびＤの価格を最適化するという問題を解くことになる。
　訓練データ記憶部２は、過去の各サンドイッチの売上数および過去の各サンドイッチの価格を記憶する。訓練データ記憶部２は、例えば、過去の天気や暦情報等の外的情報も記憶する。
　学習部３は、訓練データ記憶部２に記憶された各種訓練データに基づいて、個々のサンドイッチの種類毎に、複数種類の学習アルゴリズムを用いて、複数種類の予測モデル（本例では、売上数の予測モデル）を学習する。
　ここでは、サンドイッチＡの売上数の予測モデルを例にして、各サンドイッチの価格を示す説明変数を、売上数の予測モデルに含めることを説明する。サンドイッチの売上数は、サンドイッチＡ自体の価格の影響を受けると考えられる。また、サンドイッチＡの売上数は、サンドイッチＡと共に商品棚に陳列されるサンドイッチ、すなわちサンドイッチＢ，ＣおよびＤの価格の影響も受けると考えられる。その小売店に来店する顧客は、商品棚に同時に陳列されるサンドイッチＡ，Ｂ，ＣおよびＤのうちから、好ましいサンドイッチを選択的に購入すると考えられるからである。
　この状況で、例えば、サンドイッチＢが大安売りされている日を想定する。普段はサンドイッチＡを好んで購入する顧客であっても、このような日にはサンドイッチＡではなくサンドイッチＢを選択して購入する可能性がある。顧客（人間）が一度に食することができるサンドイッチの量には限りがあるので、一般的な顧客がサンドイッチＡ，Ｂの両方を購入しようと考える可能性は低いからである。
　この場合、結果的には、サンドイッチＢが安売りされていることにより、サンドイッチＡの売上数が減ることになる。このような関係は、カニバリゼーション（市場の共食い関係）と呼ばれる。
　すなわち、カニバリゼーションとは、ある商品の価格を下げると、その商品の売上数が上がる一方で、他の競合商品（性質や特徴が互いに類似した複数の商品）の売上数が減少するような関係である。
　従って、学習部３は、サンドイッチＡの売上数の予測モデルを複数種類学習する場合、いずれの予測モデルも、説明変数として、サンドイッチＡの価格ＰＡ、サンドイッチＢの価格ＰＢ、サンドイッチＣの価格ＰＣおよびサンドイッチＤの価格ＰＤを含む関数として学習する。ただし、その他の説明変数については、学習部３が、予測モデル毎に、外的情報に含まれている種々の項目（例えば、天候等）の中から適宜、自動的に選択する。
　サンドイッチＢの売上数の予測モデルを複数種類学習する場合、サンドイッチＣの売上数の予測モデルを複数種類学習する場合、およびサンドイッチＤの売上数の予測モデルを複数種類学習する場合に関しても、同様である。
　これまでの説明から明らかなように、予測モデルは、被説明変数（本例では、サンドイッチの売上数）および説明変数（本例では、着目しているサンドイッチの価格および競合するサンドイッチの価格等）に基づいて学習され、被説明変数と説明変数との間の関係を示し、説明変数の関数で表される。
　図２に例示する画面を介して、情報処理システム１は、サンドイッチＡ，Ｂ，ＣおよびＤそれぞれについて、ユーザから、１つの予測モデルの選択を受け付ける。さらに、情報処理システム１は、図２に例示する画面を介して、最適化の制約条件の入力を受け付け、第２指示ボタン２７がクリックされる。すると、目的関数生成部９は、数理計画問題（本例では式３）の中で記述される目的関数の“形”（本例では式２）に、サンドイッチの種類毎に選択された予測モデルを代入することによって、最適化問題の目的関数を生成する。
　そして、最適化部１０は、そのように生成された、予測モデルを引数とする目的関数について、制約条件のもとでその目的関数を最適化する目的変数の値（すなわちＰＡ，ＰＢ，ＰＣおよびＰＤの値）を算出する。
　以上の説明では、複数の商品の売上高の総和を最大にするように複数の商品の価格を最適化する場合を示したが、複数の商品の売上数の総和、あるいは、利益を最大にするように、複数の商品の価格を最適化する場合にも本発明を適用できる。例えば、利益を最大にするように各商品の価格を最適化する場合、利益を表す目的関数の“形”が記述されているとともに、利益を最大化するということを示す数理計画問題を問題記憶部８に記憶させておけばよい。
　また、本発明の他の適用例として、第１の適用例から第５の適用例を以下に示す。
　第１の適用例として、商品の棚割りの最適化を説明する。この場合、学習部３は、商品毎に、着目している商品ｍの売上数Ｓｍの予測モデルを、複数種類生成する。このとき、学習部３は、個々の商品の棚の位置を示す各説明変数を含む予測モデルを複数種類生成する。その他の説明変数に関しては、学習部３が適宜、自動的に選択する。
　本例における数理計画問題は、例えば、式３で表される。
　ユーザから、商品毎に１つの予測モデルの選択を受け付け、さらに、最適化の制約条件の入力を受け付け、第２指示ボタン２７がクリックされると、目的関数生成部９は、目的関数を生成し、最適化部１０は、その目的関数を最大にするような目的変数の値（各商品の棚の位置）を求めればよい。
　第２の適用例として、ホテルの価格の最適化を説明する。この適用例の場合、売上高または利益を最大化することが目的であるため、目的関数は、売上高または利益を算出する関数で表される。目的変数として、例えば、ホテルの各部屋の利用プランの設定料金が挙げられる。前述の小売の例と比較すると、小売の例で示した「サンドイッチ」が、本適用では、例えば、「シングルルームの朝食付きプラン」に対応する。また、外部情報として、例えば、天候、季節、ホテルの周辺で行われるイベント等が挙げられる。
　第３の適用例として、ホテル価格と在庫の最適化を説明する。この適用例の場合も、売上高または利益を最大化することが目的であるため、目的関数は、売上高または利益を算出する関数で表される。目的変数には、価格および在庫を考慮した内容が選択される。例えば、第１の目的変数として、各プランで利用される部屋をどの時期にどのくらいの料金で販売するかを表す変数、第２の目的変数として、各プランで利用される部屋をどの時期に何部屋販売するかを表す変数、等が挙げられる。また、第２の適用例と同様、外部情報として、例えば、天候、季節、ホテルの周辺で行われるイベント等が挙げられる。
　第４の適用例として、航空券の価格と在庫の最適化を説明する。この適用例の場合も、売上高または利益を最大化することが目的であるため、目的関数は、売上高または利益を算出する関数で表される。目的変数も、第３の適用例と同様、価格および在庫を考慮した内容が選択される。各航空券が、目的地までのルートや座席の種類（クラス）を表すとする。この場合、例えば、第１の目的変数として、各航空券をどの時期にどのくらいの料金で販売するかを表す変数、第２の目的変数として、各航空券をどの時期に何枚販売するかを表す変数、等が挙げられる。また、外部情報として、例えば、季節や開催されるイベント等が挙げられる。
　第５の適用例として、各駐車場の駐車料金の最適化を説明する。この適用例の場合も、売上高または利益を最大化することが目的であるため、目的関数は、売上高または利益を算出する関数で表される。目的変数として、例えば、時間帯および場所別の駐車料金が挙げられる。また、外部情報として、例えば、周辺の駐車上の駐車料金、ロケーション情報（住宅地、オフィス街、駅からの距離等）が挙げられる。
　なお、本発明によるサービスは、ＳａａＳ（Software as a Service）形式で提供され得る。
　図７は、本発明の実施形態に係るコンピュータの構成例を示す概略ブロック図である。コンピュータ１０００は、ＣＰＵ１００１と、主記憶装置１００２と、補助記憶装置１００３と、インタフェース１００４と、ディスプレイ装置１００５と、入力デバイス１００６とを備える。
　本発明の情報処理システムは、コンピュータ１０００に実装される。本発明の情報処理システムの動作は、プログラム（情報処理用プログラム）の形式で補助記憶装置１００３に記憶されている。ＣＰＵ１００１は、プログラムを補助記憶装置１００３から読み出して主記憶装置１００２に展開し、そのプログラムに従って、上記の処理を実行する。
　補助記憶装置１００３は、一時的でない有形の媒体の一例である。一時的でない有形の媒体の他の例として、インタフェース１００４を介して接続される磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリ等が挙げられる。また、このプログラムが通信回線によってコンピュータ１０００に配信される場合、配信を受けたコンピュータ１０００がそのプログラムを主記憶装置１００２に展開し、上記の処理を実行してもよい。
　また、プログラムは、前述の処理の一部を実現するためのものであってもよい。さらに、プログラムは、補助記憶装置１００３に既に記憶されている他のプログラムとの組み合わせで前述の処理を実現する差分プログラムであってもよい。
　次に、本発明の概要について説明する。図８は、本発明の情報処理システムの概要を示すブロック図である。本発明の情報処理システムは、学習部７１と、可視化部７２と、最適化部７３とを備える。
　学習部７１（例えば、学習部３）は、被説明変数および説明変数に基づいて、被説明変数と説明変数との間の関係を示し説明変数の関数で表される予測モデルを学習する。
　可視化部７２（例えば、表示制御部４）は、その予測モデルを可視化する。
　最適化部７３（例えば、最適化部１０）は、ユーザからの操作を受け付けたことに応じて、可視化部７２によって可視化された予測モデルを引数とする目的関数について、制約条件のもとで当該目的関数を最適化する目的変数を算出する。
　そのような構成によって、数理最適化で観測されない入力データが存在する状況であっても、適切に最適化を行うことができる。
　また、学習部７１が、被説明変数毎に、複数種類の学習アルゴリズムを用いて複数種類の予測モデルを学習し、可視化部７２が、被説明変数毎に、その複数種類の予測モデルを可視化し、ユーザによる予測モデルの選択を受け付け、最適化部７３が、ユーザによって被説明変数毎に選択された予測モデルを引数とする目的関数について、制約条件のもとで当該目的関数を最適化する目的変数を算出してもよい。
　また、可視化部７２が、過去の被説明変数の値および説明変数の値を含むテストデータを用いて、予測モデル毎に被説明変数の値を算出し、当該被説明変数の値と過去の被説明変数の値との差を可視化してもよい。
　また、可視化部７２が、可視化した予測モデルに対するユーザの編集操作を受け付けてもよい。
　また、学習部７１が、予測モデルの学習を指示する操作をユーザから受け付けたことに応じて、予測モデルを学習してもよい。
　以上、実施形態を参照して本願発明を説明したが、本願発明は、上記の実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　この出願は、２０１５年１１月３０日に出願された米国仮出願62/260,764を基礎とする優先権を主張し、その開示の全てをここに取り込む。
産業上の利用の可能性
　本発明は、学習された予測モデルに基づいて最適化を行う情報処理システムに好適に適用される。
　１　情報処理システム
　２　訓練データ記憶部
　３　学習部
　４　表示制御部
　５　ディスプレイ装置
　６　記憶部
　７　外的情報入力部
　８　問題記憶部
　９　目的関数生成部
　１０　最適化部

Claims (7)

  1. 　被説明変数および説明変数に基づいて、前記被説明変数と前記説明変数との間の関係を示し前記説明変数の関数で表される予測モデルを学習する学習部と、
    　前記予測モデルを可視化する可視化部と、
    　ユーザからの操作を受け付けたことに応じて、前記可視化部によって可視化された前記予測モデルを引数とする目的関数について、制約条件のもとで当該目的関数を最適化する目的変数を算出する最適化部とを備える
    　ことを特徴とする情報処理システム。
  2. 　学習部は、被説明変数毎に、複数種類の学習アルゴリズムを用いて複数種類の予測モデルを学習し、
    　可視化部は、被説明変数毎に、前記複数種類の予測モデルを可視化し、ユーザによる予測モデルの選択を受け付け、
    　最適化部は、前記ユーザによって被説明変数毎に選択された予測モデルを引数とする目的関数について、制約条件のもとで当該目的関数を最適化する目的変数を算出する
    　請求項１に記載の情報処理システム。
  3. 　可視化部は、過去の被説明変数の値および説明変数の値を含むテストデータを用いて、予測モデル毎に被説明変数の値を算出し、当該被説明変数の値と前記過去の被説明変数の値との差を可視化する
    　請求項１または請求項２に記載の情報処理システム。
  4. 　可視化部は、可視化した予測モデルに対するユーザの編集操作を受け付ける
    　請求項１から請求項３のうちのいずれか１項に記載の情報処理システム。
  5. 　学習部は、予測モデルの学習を指示する操作をユーザから受け付けたことに応じて、予測モデルを学習する
    　請求項１から請求項４のうちのいずれか１項に記載の情報処理システム。
  6. 　被説明変数および説明変数に基づいて、前記被説明変数と前記説明変数との間の関係を示し前記説明変数の関数で表される予測モデルを学習し、
    　前記予測モデルを可視化し、
    　ユーザからの操作を受け付けたことに応じて、可視化された前記予測モデルを引数とする目的関数について、制約条件のもとで当該目的関数を最適化する目的変数を算出する
    　ことを特徴とする情報処理方法。
  7. 　コンピュータに、
    　被説明変数および説明変数に基づいて、前記被説明変数と前記説明変数との間の関係を示し前記説明変数の関数で表される予測モデルを学習する学習処理、
    　前記予測モデルを可視化する可視化処理、および、
    　ユーザからの操作を受け付けたことに応じて、前記可視化処理で可視化された前記予測モデルを引数とする目的関数について、制約条件のもとで当該目的関数を最適化する目的変数を算出する最適化処理
    　を実行させるための情報処理用プログラム。
PCT/JP2016/003927 2015-11-30 2016-08-29 情報処理システム、情報処理方法および情報処理用プログラム WO2017094207A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US15/778,690 US20180336476A1 (en) 2015-11-30 2016-08-29 Information processing system, information processing method, and information processing program
JP2017553600A JP6819607B2 (ja) 2015-11-30 2016-08-29 情報処理システム、情報処理方法および情報処理用プログラム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201562260764P 2015-11-30 2015-11-30
US62/260,764 2015-11-30

Publications (1)

Publication Number Publication Date
WO2017094207A1 true WO2017094207A1 (ja) 2017-06-08

Family

ID=58796613

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2016/003927 WO2017094207A1 (ja) 2015-11-30 2016-08-29 情報処理システム、情報処理方法および情報処理用プログラム

Country Status (3)

Country Link
US (1) US20180336476A1 (ja)
JP (1) JP6819607B2 (ja)
WO (1) WO2017094207A1 (ja)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019016279A (ja) * 2017-07-10 2019-01-31 株式会社三菱総合研究所 情報処理装置及び情報処理方法
WO2019087526A1 (ja) * 2017-11-02 2019-05-09 日本電気株式会社 評価システム、評価方法および評価用プログラム
WO2019187289A1 (ja) * 2018-03-30 2019-10-03 日本電気株式会社 評価システム、評価方法および評価用プログラム
JP2020009502A (ja) * 2019-10-21 2020-01-16 株式会社三菱総合研究所 情報処理装置及び情報処理方法
WO2020144820A1 (ja) * 2019-01-10 2020-07-16 日本電気株式会社 属性生成装置、属性生成方法および属性生成プログラム
JP2020113151A (ja) * 2019-01-16 2020-07-27 株式会社東芝 処理水質推定装置、処理水質推定方法及びプログラム
WO2020157913A1 (ja) * 2019-01-31 2020-08-06 日本電気株式会社 スケジューリング装置、スケジューリング方法、記録媒体
WO2021033338A1 (ja) * 2019-08-22 2021-02-25 日本電気株式会社 分析システム、装置、制御方法、及びプログラム
JPWO2021100077A1 (ja) * 2019-11-18 2021-05-27
JP2021144511A (ja) * 2020-03-12 2021-09-24 株式会社グルーヴノーツ 情報処理装置、情報処理方法及び情報処理プログラム
JP2021179668A (ja) * 2020-05-11 2021-11-18 Tdk株式会社 データ解析システム、データ解析方法及びデータ解析プログラム
WO2021260981A1 (ja) * 2020-06-22 2021-12-30 株式会社Yamato 情報処理装置及び情報処理方法
EP4421572A1 (en) 2023-02-21 2024-08-28 OMRON Corporation Information processing apparatus, information processing method and information processing program

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210325343A1 (en) * 2018-12-05 2021-10-21 Revorn Co., Ltd. Information processing apparatus, information processing method, learned model generation method, and program
KR20210106546A (ko) 2018-12-24 2021-08-30 디티에스, 인코포레이티드 딥 러닝 이미지 분석을 사용한 룸 음향 시뮬레이션
JP7310171B2 (ja) * 2019-02-28 2023-07-19 富士通株式会社 配分方法、抽出方法、配分プログラム、抽出プログラム、配分装置及び抽出装置
JP6686208B1 (ja) * 2019-04-19 2020-04-22 ヤフー株式会社 情報処理装置、情報処理方法、及びプログラム
JP7215324B2 (ja) * 2019-05-17 2023-01-31 富士通株式会社 予測プログラム、予測方法及び予測装置
EP4024312A4 (en) * 2019-08-29 2022-08-10 Fujitsu Limited SAMPLE EXTRACTION PROGRAM, DEVICE AND METHOD
CN112700011B (zh) * 2020-12-31 2024-05-31 第四范式（北京）技术有限公司 一种智能体决策信息展示方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004336890A (ja) * 2003-05-08 2004-11-25 Hitachi Ltd 電力売買支援システム
JP2014180187A (ja) * 2013-03-15 2014-09-25 Toshiba Corp 電力需要予測装置、方法及びプログラム並びに需要抑制計画策定装置
JP2015158812A (ja) * 2014-02-24 2015-09-03 富士通株式会社 発注量決定方法、発注量決定装置および発注量決定プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004336890A (ja) * 2003-05-08 2004-11-25 Hitachi Ltd 電力売買支援システム
JP2014180187A (ja) * 2013-03-15 2014-09-25 Toshiba Corp 電力需要予測装置、方法及びプログラム並びに需要抑制計画策定装置
JP2015158812A (ja) * 2014-02-24 2015-09-03 富士通株式会社 発注量決定方法、発注量決定装置および発注量決定プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
S HIGEAKI SAKURAI: "Prediction of Sales Volume of Apparel Items based on RFID Data,", THE SECOND FORUM ON DATA ENGINEERING AND INFORMATION MANAGEMENT- 2 DEIM 2010, 9 June 2010 (2010-06-09), pages 1 - 8 *

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019016279A (ja) * 2017-07-10 2019-01-31 株式会社三菱総合研究所 情報処理装置及び情報処理方法
US11586951B2 (en) 2017-11-02 2023-02-21 Nec Corporation Evaluation system, evaluation method, and evaluation program for evaluating a result of optimization based on prediction
WO2019087526A1 (ja) * 2017-11-02 2019-05-09 日本電気株式会社 評価システム、評価方法および評価用プログラム
JPWO2019087526A1 (ja) * 2017-11-02 2020-11-12 日本電気株式会社 評価システム、評価方法および評価用プログラム
US20210027109A1 (en) * 2018-03-30 2021-01-28 Nec Corporation Evaluation system, evaluation method, and program for evaluation
WO2019187289A1 (ja) * 2018-03-30 2019-10-03 日本電気株式会社 評価システム、評価方法および評価用プログラム
JP7044153B2 (ja) 2018-03-30 2022-03-30 日本電気株式会社 評価システム、評価方法および評価用プログラム
JPWO2019187289A1 (ja) * 2018-03-30 2021-03-11 日本電気株式会社 評価システム、評価方法および評価用プログラム
JP7163975B2 (ja) 2019-01-10 2022-11-01 日本電気株式会社 属性生成装置、属性生成方法および属性生成プログラム
JPWO2020144820A1 (ja) * 2019-01-10 2021-11-18 日本電気株式会社 属性生成装置、属性生成方法および属性生成プログラム
WO2020144820A1 (ja) * 2019-01-10 2020-07-16 日本電気株式会社 属性生成装置、属性生成方法および属性生成プログラム
JP2020113151A (ja) * 2019-01-16 2020-07-27 株式会社東芝 処理水質推定装置、処理水質推定方法及びプログラム
JP7263020B2 (ja) 2019-01-16 2023-04-24 株式会社東芝 処理水質推定装置、処理水質推定方法及びプログラム
WO2020157913A1 (ja) * 2019-01-31 2020-08-06 日本電気株式会社 スケジューリング装置、スケジューリング方法、記録媒体
JPWO2020157913A1 (ja) * 2019-01-31 2021-11-11 日本電気株式会社 スケジューリング装置、スケジューリング方法、プログラム
JP7322899B2 (ja) 2019-01-31 2023-08-08 日本電気株式会社 スケジューリング装置、スケジューリング方法、プログラム
JPWO2021033338A1 (ja) * 2019-08-22 2021-02-25
WO2021033338A1 (ja) * 2019-08-22 2021-02-25 日本電気株式会社 分析システム、装置、制御方法、及びプログラム
JP7371690B2 (ja) 2019-08-22 2023-10-31 日本電気株式会社 分析システム、装置、制御方法、及びプログラム
JP7012696B2 (ja) 2019-10-21 2022-01-28 株式会社三菱総合研究所 情報処理装置及び情報処理方法
JP2020009502A (ja) * 2019-10-21 2020-01-16 株式会社三菱総合研究所 情報処理装置及び情報処理方法
JP7334796B2 (ja) 2019-11-18 2023-08-29 日本電気株式会社 最適化装置、最適化方法、プログラム
JPWO2021100077A1 (ja) * 2019-11-18 2021-05-27
JP2021144511A (ja) * 2020-03-12 2021-09-24 株式会社グルーヴノーツ 情報処理装置、情報処理方法及び情報処理プログラム
JP2021179668A (ja) * 2020-05-11 2021-11-18 Tdk株式会社 データ解析システム、データ解析方法及びデータ解析プログラム
JP7456273B2 (ja) 2020-05-11 2024-03-27 Tdk株式会社 データ解析システム、データ解析方法及びデータ解析プログラム
WO2021260981A1 (ja) * 2020-06-22 2021-12-30 株式会社Yamato 情報処理装置及び情報処理方法
EP4421572A1 (en) 2023-02-21 2024-08-28 OMRON Corporation Information processing apparatus, information processing method and information processing program

Also Published As

Publication number Publication date
US20180336476A1 (en) 2018-11-22
JPWO2017094207A1 (ja) 2018-09-13
JP6819607B2 (ja) 2021-01-27

Similar Documents

Publication Publication Date Title
WO2017094207A1 (ja) 情報処理システム、情報処理方法および情報処理用プログラム
Kaipia et al. Information sharing for sales and operations planning: Contextualized solutions and mechanisms
JP6856023B2 (ja) 最適化システム、最適化方法および最適化プログラム
JP6848884B2 (ja) 最適化システム、最適化方法、及び、プログラム
Mendes Demand driven supply chain: A structured and practical roadmap to increase profitability
US20150254589A1 (en) System and Method to Provide Inventory Optimization in a Multi-Echelon Supply Chain Network
Xia Competitive strategies and market segmentation for suppliers with substitutable products
WO2017056367A1 (ja) 情報処理システム、情報処理方法および情報処理用プログラム
US20210158259A1 (en) Orchestrated intelligent supply chain optimizer
US20130290072A1 (en) Automated Planning, Value Calculation And Decision Optimization System And Method
US10803415B2 (en) Method of determining optimal business metrics from a product mix constrained by at least physical shelf space and at least one business rule
JP4887846B2 (ja) 出荷計画システム
US20200211040A1 (en) Method of determining the cost of implementing a pricing strategy formed by changeable business rules
Parsa et al. Quantifying the benefits of continuous replenishment program for partner evaluation
JP6791151B2 (ja) 最適化システム、最適化方法および最適化プログラム
Baykasoğlu et al. Revenue management for make-to-order manufacturing systems with a real-life application
Khalili-Damghani et al. Solving a multi-objective multi-echelon supply chain logistic design and planning problem by a goal programming approach
Liu et al. A methodology to assess the supply chain performance based on gap-based measures
JP2005056024A (ja) 供給計画を作成するための支援システムおよび支援方法および支援のためのコンピュータプログラム
JP4335223B2 (ja) 資産運用シミュレーション装置及びプログラム
CN114626660A (zh) 用于激增调整预报的方法和装置
JP2021039542A (ja) 情報処理方法および情報処理装置
Molamohamadi et al. Ordering Policies of a Deteriorating Item in an EOQ Model under Upstream Partial Order‐Quantity‐Dependent Trade Credit and Downstream Full Trade Credit
JP6424568B2 (ja) 発注量決定プログラム、発注量決定方法および発注量決定装置
Avigad et al. Supporting the selection of robust engineering concepts under suppliers related uncertainties

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: 16870150

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2017553600

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 15778690

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16870150

Country of ref document: EP

Kind code of ref document: A1