WO2019131140A1 - 需要予測装置、需要予測方法、及びプログラム - Google Patents

需要予測装置、需要予測方法、及びプログラム Download PDF

Info

Publication number
WO2019131140A1
WO2019131140A1 PCT/JP2018/045723 JP2018045723W WO2019131140A1 WO 2019131140 A1 WO2019131140 A1 WO 2019131140A1 JP 2018045723 W JP2018045723 W JP 2018045723W WO 2019131140 A1 WO2019131140 A1 WO 2019131140A1
Authority
WO
WIPO (PCT)
Prior art keywords
demand
data
prediction
model
facility
Prior art date
Application number
PCT/JP2018/045723
Other languages
English (en)
French (fr)
Inventor
純幸 沖本
秦　秀彦
伊藤　智祥
宮田　淳司
Original Assignee
パナソニックＩｐマネジメント株式会社
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 パナソニックＩｐマネジメント株式会社 filed Critical パナソニックＩｐマネジメント株式会社
Publication of WO2019131140A1 publication Critical patent/WO2019131140A1/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

Definitions

  • the present disclosure relates to a demand forecasting device, a demand forecasting method, and a program for forecasting demand.
  • Patent Document 1 discloses a demand forecasting device that calculates a forecasted value of the demand quantity of a maintenance part to be replaced with a faulty part using a forecasting model. This demand forecasting device obtains the actual value of the shipment quantity of the product that can use the repair part and the actual value of the demand quantity as the maintenance part of the repair part and the leading part of the repair part, The parameters are estimated. In this way, it is possible to cope with an earlier demand for lifelong demand taking into consideration changes in demand due to model changes and commonality of parts.
  • the present disclosure provides a demand forecasting device, a demand forecasting method, and a program that enable prompt demand forecasting.
  • the demand prediction apparatus of the present disclosure shows prediction model information indicating a plurality of prediction models for predicting a demand in a facility, and an identification model that identifies the plurality of prediction models based on geographical features and temporal features of the facility. Based on prediction target data using a storage unit for storing identification model information, an acquisition unit for acquiring prediction target data indicating geographical characteristics and temporal characteristics of a facility to be predicted, and an identification model And a control unit that selects one prediction model from the plurality of prediction models, and an output unit that outputs demand prediction information corresponding to the selected prediction model.
  • one forecasting model is selected from a plurality of forecasting models based on the geographical feature and the temporal feature of the facility to be forecasted. Therefore, even if there is no forecasting model generated based on the actual data of the facility to be forecasted, quick demand forecasting is enabled.
  • Block diagram showing the configuration of the demand forecasting device of the first embodiment A figure showing functional composition of control part of demand forecasting device of a 1st embodiment, and data stored in storage part A diagram showing an example of sales data in the first embodiment
  • Flow chart showing generation processing of prediction model in the first embodiment A diagram showing an example of grouping in the first embodiment
  • a diagram for explaining generation of a prediction model in the first embodiment Flow chart showing generation processing of identification model in the first embodiment and the third embodiment
  • the present disclosure provides a demand forecasting device that enables prompt demand forecasting even when a new facility is constructed or the surrounding environment of an existing facility changes.
  • the demand prediction apparatus of the present disclosure includes a plurality of prediction models for predicting a demand based on actual values of a plurality of existing facilities, and an identification model that identifies each of the plurality of prediction models.
  • Generate The demand prediction device of the present disclosure selects a prediction model that matches the facility to be predicted from among a plurality of prediction models according to the identification model according to the search condition for the facility to be predicted, for example, a new store. This makes it possible to quickly forecast the demand even for facilities with no experience.
  • the facility is a store selling products
  • the predicted demand is the number of demand for products in the store to be predicted.
  • the demand number of goods is, for example, the number of goods.
  • FIG. 1 illustrates the configuration of the demand forecasting device 10 and the terminal device 20 according to the first embodiment of the present disclosure.
  • the demand forecasting system 10 is configured by the demand forecasting device 10 and the terminal device 20.
  • the demand forecasting system 1 predicts the demand of a target forecasted shop, for example, a new shop, according to the search condition. For example, when a new fast food store that sells food such as a hamburger is newly opened, the demand prediction system 1 predicts the demand for food of the fast food store hourly.
  • the demand prediction device 10 is a server.
  • the terminal device 20 is various information processing devices such as a personal computer, a tablet terminal, and a smartphone.
  • the demand prediction device 10 is a cloud server, and the terminal device 20 is installed in a target store.
  • the demand prediction device 10 and the terminal device 20 are connected via the Internet.
  • the demand prediction apparatus 10 includes a communication unit 110, a control unit 120, and a storage unit 130.
  • Communication unit 110 includes a circuit that communicates with an external device in accordance with a predetermined communication standard.
  • the predetermined communication standard includes, for example, at least one of LAN, Wi-Fi (registered trademark), Bluetooth (registered trademark), USB, and HDMI (registered trademark).
  • the communication unit 110 acquires data related to each store from POS terminal devices or personal computers of a plurality of stores. In the present embodiment, sales data and feature data are acquired as data on a store.
  • the sales data is an example of first data indicating the actual value of the demand for facilities.
  • the feature data is an example of second data indicating geographical features and temporal features of the facility.
  • the communication unit 110 acquires sales data and feature data from, for example, a number of chain stores that sell the same product.
  • the communication unit 110 acquires, from the terminal device 20, search data indicating search conditions for forecasting demand, and transmits, to the terminal device 20, demand prediction information indicating a prediction model selected based on the search conditions.
  • the search data is an example of prediction target data indicating geographical characteristics and temporal characteristics of a facility to be predicted.
  • the communication unit 110 is an example of an acquisition unit that acquires prediction target data.
  • the communication unit 110 is an example of an output unit that outputs demand forecast information.
  • the control unit 120 can be realized by a semiconductor element or the like.
  • the control unit 120 can be configured by, for example, a microcomputer, a CPU, an MPU, a GPU, a DSP, an FPGA, and an ASIC.
  • the function of the control unit 120 may be configured only by hardware, or may be realized by combining hardware and software.
  • the control unit 120 realizes predetermined functions by reading out data and programs stored in the storage unit 130 and performing various arithmetic processing.
  • the storage unit 130 is a storage medium that stores programs and data necessary to realize the function of the demand prediction device 10.
  • the storage unit 130 can be realized by, for example, a hard disk (HDD), an SSD, a RAM, a DRAM, a ferroelectric memory, a flash memory, a magnetic disk, or a combination thereof.
  • the terminal device 20 includes an input unit 210, a control unit 220, a storage unit 230, a communication unit 240, and a display unit 250.
  • the input unit 210 is a user interface for inputting various operations by the user.
  • the input unit 210 can be realized by a touch panel, a keyboard, a button, a switch, or a combination thereof.
  • the control unit 220 can be realized by a semiconductor element or the like.
  • the control unit 220 can be configured by, for example, a microcomputer, a CPU, an MPU, a GPU, a DSP, an FPGA, and an ASIC.
  • the function of the control unit 220 may be configured only by hardware, or may be realized by combining hardware and software.
  • the control unit 220 implements a predetermined function by reading out data and programs stored in the storage unit 230 and performing various arithmetic processing.
  • the storage unit 230 is a storage medium that stores programs and data necessary to realize the functions of the terminal device 20.
  • the storage unit 230 can be realized by, for example, a hard disk (HDD), an SSD, a RAM, a DRAM, a ferroelectric memory, a flash memory, a magnetic disk, or a combination thereof.
  • Communication unit 240 includes a circuit that communicates with an external device in accordance with a predetermined communication standard.
  • the predetermined communication standard includes, for example, at least one of LAN, Wi-Fi (registered trademark), Bluetooth (registered trademark), USB, and HDMI (registered trademark).
  • the communication unit 240 transmits, to the demand prediction apparatus 10, search data indicating search conditions for forecasting demand, so that demand forecast information indicating a forecast model selected based on the search conditions is transmitted from the demand forecast apparatus 10 get.
  • the display unit 250 is, for example, a liquid crystal display or an organic EL display.
  • FIG. 2 shows the functional configuration of the control unit 120 of the demand prediction device 10 and the data stored in the storage unit 130.
  • FIG. 3 shows an example of sales data 141.
  • FIG. 4 shows an example of the feature data 142.
  • Various data used to generate a model will be described with reference to FIGS. 2 to 4.
  • the storage unit 130 of the demand prediction apparatus 10 stores sales data 141 and feature data 142 acquired from the POS terminal devices of a plurality of existing stores via the communication unit 110.
  • the feature data 142 includes sales data 142a and environment data 142b.
  • the feature data 142 includes, for example, information that can be defined before actually starting to operate a new store.
  • the sales data 141 is an example of demand data indicating a past demand value, and in the present embodiment, data indicating sales of goods. Specifically, sales data 141 indicates the number of sales per hour for products in the store. In the example of FIG. 3, the sales data 141 indicates the number of sales of food in an hour unit from 8 o'clock to 20 o'clock.
  • the sales data 142a is an example of data indicating temporal characteristics, and is data indicating the sales situation of a store in the present embodiment. For example, as illustrated in FIG. 4, the sales data 142 a indicates the day of the sales day, whether the sales day is a holiday, and whether there is an event for the sales day.
  • FIG. 4 shows an example in which the sales data 142a includes information related to one event, the sales data 142a may include information related to a plurality of events. In this case, the sales data 142a may indicate the presence or absence of each event.
  • the events include not only in the store but also nearby events. For example, events are in-store campaigns, nearby festivals, etc.
  • the sales data 142a may include sales day weather, temperature, and the like.
  • the environmental data 142 b is an example of data indicating the geographical features of the store, and is data indicating the surrounding environment of the store in the present embodiment.
  • the environmental data 142 b includes the location of the store and the distribution of the attributes of the residents around the store.
  • the environmental data 142b relates to whether the place where the store is located is a residential area or not, the population and the number of households within 5 km from the store, and the percentage of households with children less than primary school children among the households within 5 km. Contains information.
  • the information included in the environmental data 142 b may be determined according to the product or the type of business.
  • the sales data 141 and the feature data 142 are configured on a daily basis (an example of a unit time) and are associated with each other. For example, as shown in FIGS. 3 and 4, sales data and feature data for one day of a certain store are associated with each other by the same identification number (ID).
  • ID identification number
  • the control unit 120 includes a prediction model generation unit 121, an identification model generation unit 122, and a model selection unit 123.
  • the prediction model generation unit 121 generates a plurality of prediction models based on the sales data 141, the sales data 142a, and the environment data 142b, and stores, in the storage unit 130, prediction model information 151 indicating the generated plurality of prediction models.
  • the prediction model is a model for predicting the demand for goods.
  • the prediction model is a function indicating the number of demand for goods according to time.
  • the identification model generation unit 122 generates an identification model based on the sales data 142a and the environment data 142b, and stores the identification model information 152 indicating the generated identification model in the storage unit 130.
  • the identification model is a model for identifying each of the plurality of prediction models.
  • the model selection unit 123 selects one of the plurality of prediction models according to the identification model based on the search condition acquired from the terminal device 20.
  • FIG. 5 shows the overall operation of the control unit 120 of the demand forecasting device 10.
  • the prediction model generation unit 121 generates a plurality of prediction models (S1).
  • the discrimination model generation unit 122 generates a discrimination model (S2).
  • the model selection unit 123 determines a prediction model for predicting the demand of the target store based on the search condition.
  • the terminal device 20 predicts the demand using the prediction model (S3).
  • FIG. 6 schematically shows the generation of a prediction model and a discrimination model in the first embodiment.
  • the demand prediction apparatus 10 first divides sales data 141 and feature data 142 for each day of a plurality of stores into a plurality of (for example, k) groups. Then, the demand prediction apparatus 10 generates a prediction model of each group based on the sales data 141 and the feature data 142 in each group. Furthermore, the demand prediction apparatus 10 generates an identification model that identifies a group based on the feature data 142 in each group. Since the group and the prediction model are in one-to-one correspondence, the identification model that identifies the group can identify the prediction model of the group.
  • FIG. 7 shows details of generation processing (S1 of FIG. 5) of the prediction model in the first embodiment.
  • the prediction model generation unit 121 acquires, from the storage unit 130, past sales data 141, sales data 142a, and environment data 142b of a plurality of existing stores (S101).
  • the prediction model generation unit 121 groups sales data 141, sales data 142a, and environment data 142b in units of 1 day into a plurality of groups (S102). For example, the prediction model generation unit 121 may perform multimodal clustering (for example, mLDA) such that data in which “(sales data + environmental data) ⁇ (sales data)” similar to each other is in the same group. According to the groups.
  • FIG. 8 shows an example of grouping. In the example of FIG. 8, the data indicated by the identification numbers ID “D 1 ” and “D 21 ” is the group G1, and the data indicated by the identification numbers ID “D 3 ” and “D q ” is the group G2 It is divided.
  • the prediction model generation unit 121 generates a prediction model of each group based on the sales data 141, the sales data 142a, and the environment data 142b of each group (S103).
  • the prediction model generation unit 121 records, in the storage unit 130, prediction model information 151 indicating the generated prediction model of each group (S104).
  • the prediction model is, for example, an ARX model represented by a linear function of the following formula (1) (for the ARX model, see, for example, JP-A-2007-18216).
  • FIG. 9 is a diagram for explaining a prediction model of the following equation (1).
  • t is a prediction target time
  • t-1 is a prediction execution time (for example, the current time)
  • i is a time difference between the prediction target time and the present or past sales history
  • w and v are weighting factors
  • x Is demand sales in this embodiment
  • u is an explanatory variable such as time zone, day of the week, weather (also referred to as exogenous variable)
  • j is an ID identifying the type of explanatory variable such as time zone, day of the week, weather Is an error.
  • Demand x is obtained from sales data 141.
  • the explanatory variable u is obtained from the sales data 141, the sales data 142a, and the environment data 142b.
  • the optimal weight coefficients w i and v j are calculated by the least squares method.
  • the prediction model generation unit 121 records, for example, the weighting coefficients w i and v j in the following equation (1) in the storage unit 130 as prediction model information 151.
  • the prediction model estimates the future demand x t from the past demand x t-i which is the input and the explanatory variable u t-1 as shown in the following formula (2), instead of the above formula (1) It may be a non-linear function.
  • the following equation (2) can be generated, for example, by a method of obtaining a supervised regression model such as SVR (Support Vector Regrssion), GradientBoostRegression, etc. (SVR is referred to as "V. Vapnik and A.
  • the prediction model generation unit 121 records, for example, a function f of the following equation (2) as the prediction model information 151 in the storage unit 130.
  • FIG. 10 shows the details of the discrimination model generation processing (S2 in FIG. 5) in the first embodiment.
  • the identification model generation unit 122 extracts the sales data 142a and the environment data 142b of each group from the storage unit 130 (S201). For example, the identification model generation unit 122 acquires, from the prediction model generation unit 121, group information indicating the identification number of data included in each group, and extracts the sales data 142a and the environment data 142b based on the group information.
  • the identification model generation unit 122 generates an identification model based on the sales data 142a and the environment data 142b of each group (S202).
  • the identification model generation unit 122 records the identification model information 152 indicating the generated identification model in the storage unit 130 (S203).
  • the identification model is a model for identifying a group by a feature vector v indicated by the values of the business data 142a and the environment data 142b, as shown in FIG. 8, within each group.
  • the discrimination model is a class discrimination model which receives the feature vector v and outputs the identification number g of the group to which it belongs, as shown in the following equation (3).
  • the discrimination model can be generated by a supervised classification method such as SVM, GradientBoostTree, or deep learning, for example.
  • the identification model generation unit 122 records, for example, a function f of the following expression (3) in the storage unit 130 as the identification model information 152.
  • FIG. 11A shows the details of the operation of the control unit 120 of the demand prediction apparatus 10 in the demand prediction process (S3 of FIG. 5) of the first embodiment.
  • the model selection unit 123 acquires search data indicating a search condition from the terminal device 20 (S301).
  • the search data is forecast target data related to a store to be forecasted.
  • the search condition is the operating condition and the environmental condition of the target store for which the demand is predicted
  • the search data is the feature vector v indicating the operating condition and the environmental condition. That is, the feature vector v includes temporal features and geographical features of the store to be predicted.
  • the business conditions of the target store include the same items as the business data 142a used to generate the identification model.
  • the operating conditions indicate the day of the sales day, whether the sales day is a holiday, and whether there is an event for the sales day.
  • the environmental conditions of the target store include the same items as the environmental data 142b used to generate the identification model.
  • the environmental conditions include information on whether the place where the store is located is a residential area or not, the population and the number of households within 5 km from the store, and the percentage of households with children less than or equal to primary school children within 5 km.
  • the model selection unit 123 selects a prediction model based on the search condition using the identification model (S302).
  • the model selection unit 123 acquires the identification number g of the group corresponding to the search condition by inputting the feature vector v indicating the search condition to the function f shown in the equation (3). And select a prediction model of a group corresponding to the acquired identification number g from the plurality of prediction models.
  • the model selection unit 123 outputs demand forecast information indicating the selected forecast model (S303). Forecast information, for example, a weighting factor w i, v j or function f in the formula (2) of the above formula (1).
  • FIG. 11B shows the details of the operation of the control unit 220 of the terminal device 20 in the demand forecasting process of the first embodiment.
  • the control unit 220 of the terminal device 20 outputs search data indicating a search condition (S311).
  • the search data is acquired by the demand prediction apparatus 10 in step S301 of FIG. 11A.
  • the control unit 220 acquires a prediction model according to the search condition (S312).
  • This prediction model is a prediction model indicated by the demand prediction information output from the demand prediction apparatus 10 in step S303 of FIG. 11A.
  • the control unit 220 acquires the latest sales data of the shop targeted for forecasting, which is necessary for forecasting the demand (S313).
  • the latest sales data of the store is stored in the storage unit 230, and the control unit 220 reads the latest sales data from the storage unit 230.
  • the latest sales data indicates, for example, the number of sales of food on an hourly basis.
  • the control unit 220 of the terminal device 20 predicts the demand at the time ahead of the store to be forecasted, using the prediction model indicated by the acquired demand prediction information (S314). For example, based on the search condition set in step S311 and the latest sales data acquired in step S313, the product demand x t at the forecast target time as shown in FIG. 9 by the above equation (1) or (2) Calculate
  • the demand forecasting device 10 has forecast model information 151 indicating a plurality of forecast models for forecasting a demand for a product, which are generated based on sales of a plurality of stores, surrounding environment, and operating conditions, and Storing identification model information 152 indicating identification models for identifying a plurality of prediction models, which are generated based on the surrounding environment (an example of geographical feature) and the business situation (an example of temporal feature) of the store Storage unit 130, communication unit 110 (an example of acquisition unit) for acquiring search data (an example of prediction target data) indicating environmental conditions and business conditions of the target shop for demand prediction, and identification model based on the search data And a communication unit 110 (an example of an output unit) that outputs demand prediction information indicating a selected prediction model.
  • the communication unit 110 acquires sales data 141 indicating sales of products of a plurality of stores, and feature data 142 indicating sales situations of the plurality of stores and the surrounding environment.
  • the prediction model generation unit 121 generates a plurality of prediction models based on the sales data 141 and the feature data 142.
  • the identification model generation unit 122 generates an identification model based on the feature data 142.
  • the sales data 141 and the feature data 142 are associated with each unit time, each day in the present embodiment.
  • the prediction model generation unit 121 divides the sales data 141 per unit time and the feature data 142 into a plurality of groups, and generates a prediction model of each group based on the sales data 141 and the feature data 142 in each group.
  • the identification model generation unit 122 generates an identification model based on the feature data 142 in each group.
  • the surrounding environment which is a geographical feature, includes at least one of the location of the store and the distribution of the attributes of the residents around the store.
  • the operating condition that is the temporal feature includes at least one of the day of the week, whether it is a holiday, and whether there is an event.
  • the demand prediction apparatus 10 generates a plurality of prediction models and an identification model based on the actual values of a plurality of existing stores, and stores the prediction target (for example, new stores According to the search condition for), the identification model is used to select a prediction model that matches the store to be predicted among the plurality of prediction models.
  • the identification model is used to select a prediction model that matches the store to be predicted among the plurality of prediction models.
  • the surrounding situation may change even in the existing store, as in the case where a competitive store opens in the vicinity of the existing store or when special demand associated with a nearby event is likely to occur. Even in such a case, the demand can be predicted quickly and accurately by switching the prediction model to be applied.
  • the optimal prediction model is introduced to the shop to be predicted, it is possible to ensure the expected performance immediately after the introduction.
  • the sales data 141 and the feature data 142 are associated on a daily basis, and the associated daily data is grouped.
  • sales data is grouped in store units, and sales data and feature data are associated in store units. Therefore, in the present embodiment, the method of generating the prediction model and the identification model is different from the first embodiment.
  • a second embodiment will be described with reference to the drawings.
  • FIG. 12 shows the functional configuration of the control unit 120 of the demand forecasting device 10 and the data stored in the storage unit 130.
  • the sales data 161 and the environment data 162 acquired from the POS terminal devices and the like of a plurality of existing stores via the communication unit 110 are stored in the storage unit 130.
  • the feature data 142 is configured only by the environment data 162.
  • the prediction model generation unit 121 generates a plurality of prediction models based on the sales data 161, and stores prediction model information 151 indicating a plurality of prediction models in the storage unit 130.
  • the identification model generation unit 122 generates an identification model based on the environment data 162, and stores the identification model information 152 indicating the identification model in the storage unit 130.
  • FIG. 13 shows an example of sales data 161.
  • the sales data 161 in the present embodiment is data indicating sales for each store.
  • sales data 161 indicates the number of sales of goods per hour.
  • FIG. 14 shows an example of the environmental data 162.
  • the environmental data 162 is data indicating the peripheral environment of the store. Similar to the first embodiment, the surrounding environment is, for example, whether a place with a store is a residential area or not, a population within 5 km from the store and the number of households, and a household with children of primary school children or less among households within 5 km Contains information about the percentage of
  • FIG. 5 also shows the overall operation of the control unit 120 of the demand forecasting device 10 of the second embodiment.
  • FIG. 15 schematically shows the generation of a prediction model and a discrimination model in the second embodiment.
  • the demand prediction apparatus 10 first divides sales data 161 of a plurality of existing stores into a plurality of (for example, k) groups for each store. Then, the demand prediction apparatus 10 generates a prediction model based on sales data 161 of stores in each group. Furthermore, the demand prediction apparatus 10 generates an identification model that identifies a group based on the environment data 162 of the store in each group.
  • FIG. 16 shows the details of the generation process (S1 of FIG. 5) of the prediction model in the second embodiment.
  • the prediction model generation unit 121 acquires sales data 161 of a plurality of existing stores from the storage unit 130 (S111).
  • the prediction model generation unit 121 randomly divides each store into a plurality of groups (S112).
  • the prediction model generation unit 121 generates a prediction model based on sales data 161 of stores in each group (S113). For example, the prediction model generation unit 121 divides the sales data 161 of each store into one for learning and one for evaluation, and generates a prediction model based on the sales data 161 for learning from each store. For example, in the sales data 161 of each store, 80% of all the data is used for learning and 20% for evaluation.
  • the prediction model is, for example, a function represented by the above equation (1) or (2).
  • the demand x and the explanatory variable u are obtained from the sales data 161.
  • the explanatory variable u indicates, for example, a time zone.
  • the explanatory variable u may include the day of the week, the weather, the presence or absence of an event, and the like by using the same data as the sales data 142 a of the first embodiment.
  • the prediction model generation unit 121 investigates the prediction model with the highest prediction accuracy for each store (S114).
  • the prediction model generation unit 121 reorganizes each store into a group of prediction models with the highest prediction accuracy (S115). For example, the prediction model generation unit 121 uses the data for evaluation among the sales data 161 of each store, and the future demand x calculated by the function represented by the formula (1) or (2) for each store t is compared with the actual value of future demand x t obtained from the sales data 161 for evaluation. Prediction model generation unit 121, so that the difference between the actual measurement value of the calculated demand x t and demand resulting from the sales data 161 x t belongs to the group with the smallest prediction model, reorganize the group of stores Do.
  • the prediction model generation unit 121 determines whether the group formation has converged (S116). For example, the prediction model generating unit 121, when the group change of the store is no longer carried out, or when the difference between the actual measurement value of the calculated demand x t and demand resulting from the sales data 161 x t no longer decreases , Judge that group formation has converged. If group organization has not converged (No in S116), the process returns to step S113, and the prediction model generation unit 121 generates a prediction model of each group after reorganization, using the sales data 161 for learning.
  • the prediction model generation unit 121 records the prediction model information 151 indicating the prediction model of each group in the storage unit 130 (S117). For example, the prediction model generating unit 121 records in the storage unit 130 a weight coefficient w i or function f in the formula (1) or (2) as a predictive model information 151.
  • FIG. 17 shows the details of the discrimination model generation processing (S2 in FIG. 5) in the second embodiment.
  • the identification model generation unit 122 acquires environment data 162 of a plurality of stores from the storage unit 130 (S211).
  • the identification model generation unit 122 extracts the environment data 162 of the store for each of the groups grouped by the prediction model generation unit 121 (S212).
  • the identification model generation unit 122 acquires, from the prediction model generation unit 121, group information indicating the identification number of the shop included in each group, and extracts the environment data 162 based on the group information.
  • the identification model generation unit 122 generates an identification model based on the environmental data 162 of each group (S213).
  • the identification model inputs the feature vector v indicated by the value of the environment data 162 as shown in the above equation (3), and outputs the identification number g of the belonging group It is a class discrimination model.
  • the identification model generation unit 122 records the identification model information 152 indicating the generated identification model in the storage unit 130 (S214).
  • the identification model generation unit 122 records, for example, the function f of the equation (3) as the identification model information 152 in the storage unit 130.
  • FIG. 18 shows details of the operation of the demand forecasting apparatus 10 in the demand forecasting process (S3 in FIG. 5) in the second embodiment.
  • the model selection unit 123 acquires search data indicating a search condition from the terminal device 20 (S 321), and uses the identification model to select a prediction model of a group based on the search condition (S 322).
  • the search data is a feature vector v indicating an environmental condition of a target store whose demand is to be predicted.
  • the environmental conditions of the target store include the same items as the environmental data 162 used to generate the identification model.
  • the model selection unit 123 outputs demand forecast information indicating a forecast model of the selected group (S323). Thereby, the terminal device 20 predicts the demand of the target store based on the acquired demand forecast information.
  • the communication unit 110 acquires sales data 161 indicating sales of products of a plurality of stores and environment data 162 indicating a surrounding environment of a plurality of stores
  • Control unit 120 includes a prediction model generation unit 121 that generates a plurality of prediction models based on sales data 161, and a discrimination model generation unit 122 that generates a discrimination model based on environment data 162.
  • the prediction model generation unit 121 groups a plurality of stores into a plurality of groups based on the sales data 161, and generates a prediction model of each group based on the sales data 161 of the stores included in each group.
  • the identification model generation unit 122 generates an identification model based on the environment data 162 of the shop included in each group.
  • the feature data 142 includes only the environmental data 162, but may include all or part of the sales data 142a as shown in the first embodiment.
  • the generation of the identification model may use not only the environmental data 162 but all or part of the sales data 142a as shown in the first embodiment. That is, the identification model may be a class discrimination model which receives the feature vector v indicated by the sales data 142a and the values of the environment data 162 and outputs the identification number g of the group to which it belongs.
  • the feature vector v may include information on the business day of the store, such as the day of the week.
  • the demand of a store to be predicted is predicted using a prediction model generated based on actual values of a plurality of existing stores. It becomes possible. Therefore, even in the case of a new store without past sales data, it is possible to promptly perform accurate demand forecasting based on a prediction model adapted to the new store. Further, even in the existing store, when the surrounding conditions change and the sales change, the demand can be predicted promptly and accurately by switching the prediction model to be applied.
  • the first embodiment is suitable for switching the prediction model to be used on a daily basis.
  • sales data and feature data are associated in time units within one day. Therefore, in the present embodiment, it is suitable to switch the prediction model in units of time.
  • sales data and feature data are associated on an hourly basis.
  • FIG. 19 shows an example of sales data in the third embodiment.
  • the sales data 171 of the present embodiment indicates the number of sales of goods in units of 10 minutes in each time zone of the store's business day.
  • FIG. 20 shows an example of feature data in the third embodiment.
  • the feature data 172 of the present embodiment indicates the store operating situation and the surrounding environment in each time zone of the store business day. In the present embodiment, as shown in FIG. 20, the sales data 172a includes a time zone in one day.
  • FIG. 5 also shows the overall operation of the control unit 120 of the demand prediction apparatus 10 of the third embodiment.
  • FIG. 21 has shown the detail of the production
  • the steps other than step S122 are the same as the steps in FIG. 7 of the first embodiment.
  • the prediction model generation unit 121 acquires past sales data 171 and feature data 172 of a plurality of existing stores from the storage unit 130 (S121).
  • the prediction model generation unit 121 divides sales data 171 and feature data 172 in one-hour units into a plurality of groups (S122).
  • the prediction model generation unit 121 generates a prediction model of each group based on the sales data 171 and the feature data 172 of each group (S123), and records prediction model information 151 indicating the prediction model of each group in the storage unit 130. (S124).
  • the prediction model is, for example, a function represented by the above equation (1) or the above equation (2).
  • the generation process of the identification model by the identification model generation unit 122 can be performed as in the first embodiment (steps S201 to S203 in FIG. 10).
  • the identification model generation unit 122 generates an identification model as shown in the above equation (3).
  • the discrimination model is, for example, a class discrimination model which receives the feature vector v shown in FIG. 20 and outputs the identification number g of the group to which it belongs.
  • the identification model can identify the prediction model based on the time zone.
  • the prediction of the demand of the target store in the present embodiment can be performed in the same manner as the demand prediction process shown in FIGS. 11A and 11B of the first embodiment.
  • the correspondence between the sales data 171 and the feature data 172 is in one-hour units, but may not be in one-hour units.
  • the association in time unit may be less than 24 hours.
  • the correspondence between the sales data 171 and the feature data 172 may be every three hours.
  • the correspondence may be made in the morning and afternoon time zones, or in the morning, afternoon, and evening time zones. Thereby, for example, it is possible to switch between the identification models used in the morning and the afternoon.
  • the sales data 171 and the feature data 172 are associated with each hour, and the feature data 172 includes a time zone, for example, a time zone within the business hours of the store.
  • the prediction model to be used can be switched according to the time zone. Therefore, when the situation changes with time, for example, when an event is performed for several hours of one day, the prediction model can be switched according to the time zone. According to the present embodiment, it is possible to predict the demand with high accuracy.
  • the case has been described in which the facility is a store that sells products and the predicted demand is the number of demand for products in the store to be predicted.
  • facilities for which the demand is to be forecasted are not limited to stores, and the demand to be forecasted is not limited to the number of demand for goods.
  • the case is described where the facility is a distribution center serving as a distribution base, specifically a distribution center that delivers packages by vehicles, and the predicted demand is the number of vehicles in the distribution center to be forecasted. Do.
  • FIG. 22 shows an example of the demand data 181 in the fourth embodiment.
  • FIG. 23 schematically illustrates an example of the generation of the demand data 181.
  • the communication unit 110 of the demand prediction device 10 acquires delivery data indicating the number of deliveries and delivery locations for each past time in the delivery range of the delivery center, and the number of allocated vehicles from the plurality of delivery centers.
  • the delivery data 200 of FIG. 23 schematically shows the number of deliveries, the delivery location, and the number of allocated vehicles in a certain time zone.
  • the prediction model generation unit 121 generates the demand data 181 based on the delivery data 200. Specifically, the prediction model generation unit 121 divides the delivery range into divided areas M (0, 0) to M (m, n) which are a plurality of areas.
  • the prediction model generation unit 121 generates a (m + 1) ⁇ (n + 1) -dimensional vector V M indicating the number of deliveries for each of the divided areas M (0, 0) to M (m, n).
  • the prediction model generation unit 121 generates the demand data 181 including the time series of the vector V M by collecting the vectors V M for a plurality of time zones.
  • the demand data 181 further includes information indicating the number of vehicles allocated for each time zone and each time zone.
  • the demand prediction apparatus 10 may acquire the demand data 181 shown in FIG. 22 from the distribution center via the communication unit 110.
  • the feature data in the present embodiment is, for example, the same as the feature data 172 shown in FIG.
  • the demand prediction apparatus 10 can generate a plurality of prediction models and identification models, for example, in the same manner as in the third embodiment. That is, the demand data 181 and the feature data 172 are associated with each time zone, and are grouped into each time zone.
  • the prediction model of the present embodiment is a model that calculates the number of deployed vehicles based on the time zone and the number of deliveries for each divided area. In the above equation (1) or (2), a prediction model may be generated with the demand x as the number of vehicles allocated and the explanatory variable u as the time zone and the number of deliveries for each divided area.
  • the identification model of the present embodiment is a model for identifying each of the plurality of identification models based on the operating conditions of the distribution center and the surrounding environment.
  • the discrimination model may be a class discrimination model which receives the feature vector v and outputs the identification number g of the group to which it belongs, as shown in the above equation (3).
  • the prediction model and the discrimination model may be generated by a method of obtaining a regression model or a method using a neural network.
  • the required number of vehicles to be dispatched can be predicted based on the number of delivery requests. Thereby, for example, it is possible to avoid a delivery delay due to a driver shortage and to avoid an increase in fixed cost due to a driver excess.
  • the facility in the fifth embodiment is a building provided with a plurality of air conditioning facilities that adjust temperature, humidity, air purification, air flow, etc., and each of a plurality of air conditioning facilities of a building whose forecasted demand is to be predicted.
  • the necessity of the operation of The building provided with a plurality of air conditioning facilities is, for example, a large shopping center.
  • the air conditioning equipment is, for example, an air conditioner capable of adjusting the temperature in the building.
  • FIG. 24 shows an example of the demand data 191 in the fifth embodiment.
  • FIG. 25 schematically shows an example of generation of the demand data 191.
  • the communication unit 110 of the demand prediction apparatus 10 acquires, from a plurality of buildings, actual data indicating the number of people per hour and the air conditioner ON / OFF in the floor of the building.
  • the performance data 300 of FIG. 25 schematically indicates the position of a person in a certain time zone and the ON / OFF of the air conditioner.
  • the prediction model generation unit 121 generates the demand data 191 based on the actual data 300. Specifically, the prediction model generation unit 121 divides the floor of the building into divided areas M (0, 0) to M (m, n) which are a plurality of areas.
  • the prediction model generation unit 121 generates an (m + 1) ⁇ (n + 1) -dimensional vector V M indicating the number of persons for each of the divided regions M (0, 0) to M (m, n).
  • the prediction model generation unit 121 generates the demand data 191 including the time series of the vector V M by collecting the vectors V M for a plurality of time zones.
  • the demand data 191 further includes date, time zone, outside air temperature, and operation status of each air conditioner.
  • the demand prediction apparatus 10 may acquire the demand data 191 illustrated in FIG. 24 via the communication unit 110.
  • the feature data in the present embodiment is, for example, the same as the feature data 172 shown in FIG.
  • the demand prediction apparatus 10 can generate a plurality of prediction models and identification models, for example, in the same manner as in the third embodiment. That is, the demand data 191 and the feature data 172 are associated with each time zone, and are grouped into each time zone.
  • the prediction model of the present embodiment is a model that predicts the necessity of the operation of each air conditioner based on the time zone and the number of people for each divided area. In the above equation (1) or (2), a prediction model may be generated with the demand x as the necessity of operation of each air conditioner and the explanatory variable u as the time zone and the number of people for each divided area.
  • the identification model of the present embodiment is a model that identifies each of the plurality of identification models based on the operating conditions of the building and the surrounding environment.
  • the discrimination model may be a class discrimination model which receives the feature vector v and outputs the identification number g of the group to which it belongs, as shown in the above equation (3).
  • the predicted demand is the necessity of the operation of each of the plurality of air conditioners of the building to be predicted, but the predicted demand is the plurality of air conditioners as in the fourth embodiment. It may be the operating number.
  • the present embodiment as in the first to third embodiments, even if there is no prediction model generated based on the actual data of the building to be predicted, quick demand prediction is enabled. . According to the present embodiment, it is possible to predict the necessity or the number of operating the air conditioners based on the number of people. Thereby, for example, it is possible to avoid the discomfort of the visitor due to the lack of air conditioning and to avoid the energy loss due to the excess air conditioning.
  • the demand prediction apparatus 10 outputs the demand prediction information indicating the prediction model corresponding to the search condition, and the terminal device 20 calculates the number of future demands based on the acquired demand prediction information.
  • the demand prediction apparatus 10 may calculate the predicted value of the future demand of the prediction target facility, and may transmit the calculated predicted value to the terminal device 20 as the demand prediction information.
  • the model selection unit 123 acquires, from the terminal device 20, search data indicating the search condition and the latest data indicating the latest demand number (S331).
  • the model selection unit 123 uses the identification model to select a prediction model based on the search condition (S332).
  • the model selection unit 123 calculates the forecast value of the demand at the previous time from the latest data using the selected forecast model (S333).
  • the model selection unit 123 outputs the calculated forecast value of demand as demand forecast information to the terminal device 20 (S334).
  • the demand prediction system 10 is configured by the demand prediction device 10 and the terminal device 20.
  • all the functions of the demand forecasting system 1 may be realized by one device.
  • all functions of the demand forecasting system 1 may be realized by one server or one personal computer.
  • all the functions of the demand forecasting device 10 are performed by one device (for example, a server).
  • all of the demand forecasting devices 10 in a plurality of forecasting devices (for example, the first forecasting device 10a, the second forecasting device 10b, and the third forecasting device 10c) connected via the Internet or the like May perform the function of
  • the generation of the prediction model in step S1 is performed by the first prediction device 10a
  • the generation of the identification model in step S2 is performed by the second prediction device 10b.
  • the demand prediction may be performed by the third prediction device 10c.
  • the function of the second prediction device 10b may be performed by the first prediction device 10a or the third prediction device 10c.
  • all the components of the demand prediction device 10 are provided in one device (for example, a server). However, as shown in FIG. 27, all of the demand forecasting devices 10 in a plurality of forecasting devices (for example, the first forecasting device 10a, the second forecasting device 10b, and the third forecasting device 10c) connected via the Internet or the like May be provided.
  • the first prediction device 10a includes a prediction model generation unit 121, sales data 141, feature data 142, and prediction model information
  • the second prediction device 10 b may include the identification model generation unit 122, the feature data 142, and the identification model information 152
  • the third prediction device 10 c may include the model selection unit 123.
  • the first prediction device 10a includes the prediction model generation unit 121, sales data 161, and prediction model information 151.
  • the second prediction device 10 b may include the identification model generation unit 122, the environment data 162, and the identification model information 152
  • the third prediction device 10 c may include the model selection unit 123.
  • the sales data 141, 161, 171 and the demand data 181, 191 correspond to first data indicating actual values of demand of a plurality of facilities.
  • the feature data 142 and 172 correspond to second data indicating at least one of geographical features and temporal features of a plurality of facilities.
  • all or part of the information included in the second data may be used together with the first data.
  • all or part of the information included in the first data may be used together with the second data.
  • the information included in the first data and the second data may be different, or the same information may be included in the first data and the second data.
  • Information included in the first data and the second data may be set depending on whether it is used to generate a prediction model or to generate a discrimination model.
  • the demand prediction apparatus of the present disclosure identifies prediction model information indicating a plurality of prediction models for predicting a demand in a facility and identifies a plurality of prediction models based on geographical features and temporal features of the facility.
  • a storage unit storing identification model information indicating a model, an acquisition unit acquiring prediction target data indicating geographical features and temporal characteristics of a facility to be predicted, and a identification model It has a control part which chooses one prediction model out of a plurality of prediction models based on data, and an output part which outputs demand prediction information corresponding to the selected prediction model.
  • the acquiring unit is configured to obtain first data (for example, sales data 141, 171, demand data 181, 191) indicating actual values of demand of a plurality of facilities, and a plurality of facilities.
  • first data for example, sales data 141, 171, demand data 181, 191
  • a prediction model that acquires a second feature (feature data 142 and 172) indicating geographical features and temporal features, and the control unit generates a plurality of prediction models based on the first data and the second data.
  • the generation unit and the identification model generation unit that generates the identification model based on the second data may be included.
  • the prediction model to be used can be selected based on the feature of the facility.
  • the prediction model based on the characteristics of the facility it is possible to introduce a prediction model with similar demand to the target facility of the demand forecast. Since the prediction model and the identification model are generated based on data of a plurality of existing facilities, the prediction model and the identification model can be generated with high accuracy.
  • the first data and the second data are associated with each unit time, and the prediction model generation unit is configured to generate the plurality of first data and second data per unit time. Grouping into groups, generating a prediction model of each group based on the first data and the second data in each group, and generating an identification model based on the second data in each group May be
  • the forecasting model accurately predicts the demand based on the facility demand and features. It becomes possible.
  • the acquiring unit is provided with first data indicating actual values of demand of a plurality of facilities, and second data indicating geographical features and temporal features of the plurality of facilities.
  • the control unit may include a prediction model generation unit that generates a plurality of prediction models based on the first data, and an identification model generation unit that generates an identification model based on the second data.
  • the prediction model to be used can be selected based on the feature of the facility.
  • the prediction model based on the characteristics of the facility it is possible to introduce a prediction model with similar demand to the target facility of the demand forecast. Since the prediction model and the identification model are generated based on data of a plurality of existing facilities, the prediction model and the identification model can be generated with high accuracy.
  • the prediction model generation unit groups the plurality of facilities into a plurality of groups based on the first data, and based on the first data of the facilities included in each group
  • the prediction model of each group may be generated, and the identification model generation unit may generate the identification model based on the second data of the facilities included in each group.
  • the facilities having similar numerical values and change patterns of the first data are grouped so as to be in the same group.
  • a highly accurate prediction model can be generated.
  • the demand prediction information may indicate the selected prediction model.
  • the terminal device 20 that has received the demand forecast information can forecast the demand using the forecast model.
  • the demand forecasting information may indicate a forecasted value of demand forecasted using the selected forecasting model.
  • the temporal feature may include a time zone in one day.
  • the prediction model to be used can be switched according to the time zone.
  • the temporal feature may include at least one of a day of the week, whether it is a public holiday, and the presence or absence of an event.
  • the geographical feature may include at least one of information on the location of the facility and the distribution of the attributes of the residents around the facility.
  • the facility may be a store that sells a product, and the demand may be the number of demand for the product in the store.
  • the facility may be a delivery center that delivers the package by the vehicle, and the demand may be the number of vehicles deployed.
  • the facility may be a building provided with a plurality of air conditioning facilities, and the demand may be whether or not each operation of the plurality of air conditioning facilities of the building is required.
  • Another demand forecasting device of the present disclosure is a demand forecasting device that can be communicatively connected to one or more other demand forecasting devices, and acquires first data indicating actual values of demand for a plurality of facilities.
  • a first prediction including a first acquisition unit (communication unit 110), and a first control unit (prediction model generation unit 121) that generates a plurality of prediction models that predict demand based on the first data.
  • first prediction device 10a Means (first prediction device 10a), a second acquisition unit (communication unit 110) for acquiring second data indicating geographical characteristics and temporal characteristics of a plurality of facilities, and a plurality of data based on the second data
  • a second control unit identification model generation unit 122 for generating an identification model for identifying the prediction model of the second and third prediction means (second prediction device 10b) including geographical features of the facility to be predicted Acquire prediction target data indicating features and temporal features
  • a third control unit model selection unit 123) for selecting one of a plurality of prediction models based on the prediction target data using the acquisition unit (communication unit 110) of At least one of the prediction means (third prediction device 10c) of
  • the demand prediction method of the present disclosure includes prediction model information indicating a plurality of prediction models for predicting a demand in a facility by one demand prediction device or a plurality of demand prediction devices connected by communication, and a plurality of prediction models Acquiring identification model information indicating an identification model that identifies an identification model based on a geographical feature and a temporal feature of the facility, and a forecast target indicating a geographic feature and a temporal feature of the facility to be predicted.
  • the program of the present disclosure is prediction model information that indicates a plurality of prediction models that predict demand in a facility, and a discrimination model that identifies a plurality of prediction models based on geographical features and temporal features of the facility.
  • a discrimination model that identifies a plurality of prediction models based on geographical features and temporal features of the facility.
  • the computer is caused to execute the steps of selecting one prediction model from among a plurality of prediction models and outputting the demand prediction information corresponding to the selected prediction model.
  • the demand forecasting device and the demand forecasting method described in all the claims of the present disclosure are realized by hardware resources, for example, in cooperation with a processor, a memory, and a program.
  • the demand prediction device of the present disclosure is useful, for example, as a device that provides a prediction model suitable for a new facility.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

需要予測装置（１０）は、施設における需要を予測する複数の予測モデルを示す予測モデル情報（１５１）と、複数の予測モデルを施設の地理的な特徴及び時間的な特徴に基づいて識別する識別モデルを示す識別モデル情報（１５２）とを格納する記憶部（１３０）と、予測対象とする施設の地理的な特徴及び時間的な特徴を示す予測対象データを取得する取得部と、識別モデルを使用して、予測対象データに基づいて、複数の予測モデルの中から一つの予測モデルを選択する制御部（１２０）と、選択された予測モデルに対応する需要予測情報を出力する出力部と、を有する。

Description

需要予測装置、需要予測方法、及びプログラム
　本開示は、需要を予測する需要予測装置、需要予測方法、及びプログラムに関する。
　特許文献１は、予測モデルを用いて、故障部品と交換される保守部品の需要数量の予測値を算出する需要予測装置を開示している。この需要予測装置は、修理用部品を使用可能な製品の出荷数量の実績値と、修理用部品および修理用部品の先行部品の保守部品としての需要数量の実績値とを求めて、予測モデルのパラメータを推定している。これにより、部品のモデルチェンジや共通化等による需要の変化を考慮した生涯需要予測の早期化に対応できるようにしている。
特開２０１３－１８２４９８号公報
　本開示は、速やかな需要予測を可能にする需要予測装置、需要予測方法、及びプログラムを提供する。
　本開示の需要予測装置は、施設における需要を予測する複数の予測モデルを示す予測モデル情報と、複数の予測モデルを施設の地理的な特徴及び時間的な特徴に基づいて識別する識別モデルを示す識別モデル情報とを格納する記憶部と、予測対象とする施設の地理的な特徴及び時間的な特徴を示す予測対象データを取得する取得部と、識別モデルを使用して、予測対象データに基づいて、複数の予測モデルの中から一つの予測モデルを選択する制御部と、選択された予測モデルに対応する需要予測情報を出力する出力部と、を有する。
　これらの概括的かつ特定の態様は、システム、方法、及びコンピュータプログラム、並びに、それらの組み合わせにより、実現されてもよい。
　本開示の需要予測装置、需要予測方法、及びプログラムによれば、複数の予測モデルの中から１つの予測モデルを、予測対象とする施設の地理的な特徴及び時間的な特徴に基づいて選択するため、予測対象とする施設の実績データに基づいて生成された予測モデルがない場合であっても、速やかな需要予測を可能にする。
第１実施形態の需要予測装置の構成を示すブロック図 第１実施形態の需要予測装置の制御部の機能的構成と記憶部に格納されるデータを示す図 第１実施形態における売上データの一例を示す図 第１実施形態における特徴データの一例を示す図 第１実施形態、第２実施形態及び第３実施形態の需要予測装置の動作を示すフローチャート 第１実施形態における予測モデルと識別モデルの生成を模式的に示す図 第１実施形態における予測モデルの生成処理を示すフローチャート 第１実施形態におけるグループ分けの一例を示す図 第１実施形態における予測モデルの生成を説明するための図 第１実施形態及び第３実施形態における識別モデルの生成処理を示すフローチャート 第１実施形態の需要予測処理における需要予測装置の動作を示すフローチャート 第１実施形態の需要予測処理における端末装置の動作を示すフローチャート 第２実施形態の需要予測装置の制御部の機能的構成と記憶部に格納されるデータを示す図 第２実施形態における売上データの一例を示す図 第２実施形態における環境データの一例を示す図 第２実施形態における予測モデルと識別モデルの生成を模式的に示す図 第２実施形態における予測モデルの生成処理を示すフローチャート 第２実施形態における識別モデルの生成処理を示すフローチャート 第２実施形態の需要予測処理における需要予測装置の動作を示すフローチャート 第３実施形態における売上データの一例を示す図 第３実施形態、第４実施形態及び第５実施形態における特徴データの一例を示す図 第３実施形態における予測モデルの生成処理を示すフローチャート 第４実施形態における需要データの一例を示す図 第４実施形態における需要データの生成を説明するための図 第５実施形態における需要データの一例を示す図 第５実施形態における需要データの生成を説明するための図 他の実施形態における需要予測装置による需要予測処理を示すフローチャート 他の実施形態における需要予測装置の構成を示す図
（本開示の基礎となった知見）
　施設に関連する需要を予測することが必要とされる。例えば、施設が商品を販売する店舗の場合、商品の需要数の予測が必要とされる。店舗内の商品の需要予測を精度良く行うためには、商品の時間毎の売上数の実績値が必要になる。しかし、新店舗を開店する場合は実績値がない。そのため、新店舗において、実績値に基づいて需要を予測しようとすると、実績値を取得するための期間が必要になる。よって、新店舗については速やかに需要を予測することができない。また、既存の店舗であっても周辺環境が変化した場合、例えば、近隣に競合店が出店した場合、過去の実績値を使用した予測では精度が劣る。そのため、精度良く需要を予測するためには、周辺環境が変化した後に新たな実績値を取得するための期間が必要になる。よって、既存の店舗であっても周辺環境が変化した場合には、速やかに需要を予測することができない。このように、従来は速やかに需要を予測することができない場合があった。
　本開示は、新施設が建設された場合や既存の施設の周辺環境が変化した場合などであっても、速やかな需要予測を可能にする需要予測装置を提供する。具体的には、本開示の需要予測装置は、複数の実在する施設の実績値に基づいて、需要を予測するための複数の予測モデルと、複数の予測モデルの各々を識別する識別モデルとを生成する。本開示の需要予測装置は、予測対象の施設、例えば、新店舗に関する検索条件に従って、識別モデルにより、複数の予測モデルの中から予測対象の施設に適合する予測モデルを選択する。これにより、実績がない施設についても、速やかに需要を予測することが可能になる。
（第１実施形態）
　以下、第１実施形態について、図面を参照しながら説明する。第１実施形態では、施設が商品を販売する店舗であり、予測される需要が予測対象の店舗における商品の需要数である場合について説明する。商品の需要数は、例えば、商品の個数である。
１．１　需要予測装置と端末装置の構成
　図１は、本開示の第１実施形態の需要予測装置１０と端末装置２０の構成を示している。需要予測装置１０と端末装置２０とによって、需要予測システム１を構成する。需要予測システム１は、検索条件に従って、需要予測の対象店舗、例えば新店舗の需要を予測する。例えば、ハンバーガーなどの食品を販売するファーストフード店を新たに開店するときに、需要予測システム１は、そのファーストフード店の時間毎の食品の需要を予測する。需要予測装置１０はサーバである。端末装置２０は、パソコン、タブレット端末、及びスマートフォン等の種々の情報処理装置である。例えば、需要予測装置１０はクラウドサーバであり、端末装置２０は対象店舗に設置されている。需要予測装置１０と端末装置２０は、インターネット経由により接続される。
　需要予測装置１０は、通信部１１０、制御部１２０、及び記憶部１３０を備える。
　通信部１１０は、所定の通信規格に準拠して外部機器との通信を行う回路を含む。所定の通信規格は、例えば、ＬＡＮ、Ｗｉ－Ｆｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＵＳＢ、及びＨＤＭＩ（登録商標）のうちの少なくともいずれか１つを含む。通信部１１０は、複数の店舗のＰＯＳ端末装置又はパソコン等から、各店舗に関するデータを取得する。本実施形態においては、店舗に関するデータとして、売上データ及び特徴データを取得する。売上データは、施設の需要の実績値を示す第１データの一例である。特徴データは、施設の地理的な特徴及び時間的な特徴を示す第２データの一例である。通信部１１０は、例えば、同一商品を販売する多数のチェーン店から、売上データ及び特徴データを取得する。通信部１１０は、端末装置２０から需要の予測を行うための検索条件を示す検索データを取得し、検索条件に基づいて選択した予測モデルを示す需要予測情報を端末装置２０に送信する。検索データは、予測対象とする施設の地理的な特徴及び時間的な特徴を示す予測対象データの一例である。通信部１１０は、予測対象データを取得する取得部の一例である。通信部１１０は、需要予測情報を出力する出力部の一例である。
　制御部１２０は、半導体素子などで実現可能である。制御部１２０は、例えば、マイコン、ＣＰＵ、ＭＰＵ、ＧＰＵ、ＤＳＰ、ＦＰＧＡ、ＡＳＩＣで構成することができる。制御部１２０の機能は、ハードウェアのみで構成してもよいし、ハードウェアとソフトウェアとを組み合わせることにより実現してもよい。制御部１２０は、記憶部１３０に格納されたデータやプログラムを読み出して種々の演算処理を行うことで、所定の機能を実現する。
　記憶部１３０は、需要予測装置１０の機能を実現するために必要なプログラム及びデータを記憶する記憶媒体である。記憶部１３０は、例えば、ハードディスク（ＨＤＤ）、ＳＳＤ、ＲＡＭ、ＤＲＡＭ、強誘電体メモリ、フラッシュメモリ、磁気ディスク、又はこれらの組み合わせによって実現できる。
　端末装置２０は、入力部２１０、制御部２２０、記憶部２３０、通信部２４０、及び表示部２５０を備える。
　入力部２１０は、ユーザによる種々の操作を入力するユーザインタフェースである。入力部２１０は、タッチパネル、キーボード、ボタン、スイッチ、又はこれらの組み合わせによって実現できる。
　制御部２２０は、半導体素子などで実現可能である。制御部２２０は、例えば、マイコン、ＣＰＵ、ＭＰＵ、ＧＰＵ、ＤＳＰ、ＦＰＧＡ、ＡＳＩＣで構成することができる。制御部２２０の機能は、ハードウェアのみで構成してもよいし、ハードウェアとソフトウェアとを組み合わせることにより実現してもよい。制御部２２０は、記憶部２３０に格納されたデータやプログラムを読み出して種々の演算処理を行うことで、所定の機能を実現する。
　記憶部２３０は、端末装置２０の機能を実現するために必要なプログラム及びデータを記憶する記憶媒体である。記憶部２３０は、例えば、ハードディスク（ＨＤＤ）、ＳＳＤ、ＲＡＭ、ＤＲＡＭ、強誘電体メモリ、フラッシュメモリ、磁気ディスク、又はこれらの組み合わせによって実現できる。
　通信部２４０は、所定の通信規格に準拠して外部機器との通信を行う回路を含む。所定の通信規格は、例えば、ＬＡＮ、Ｗｉ－Ｆｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＵＳＢ、及びＨＤＭＩ（登録商標）のうちの少なくともいずれか１つを含む。通信部２４０は、需要の予測を行うための検索条件を示す検索データを需要予測装置１０に送信することによって、検索条件に基づいて選択された予測モデルを示す需要予測情報を需要予測装置１０から取得する。
　表示部２５０は、例えば、液晶ディスプレイ又は有機ＥＬディスプレイである。表示部２５０は、例えば、取得した需要予測情報に基づいた商品の需要予測結果を表示する。例えば、需要予測結果として、Ｔ分後（例えば、Ｔ＝１０）の食品の需要数を表示する。
　図２は、需要予測装置１０の制御部１２０の機能的構成と記憶部１３０に格納されるデータを示している。図３は、売上データ１４１の一例を示している。図４は、特徴データ１４２の一例を示している。図２～図４を参照して、モデルの生成に使用される各種データについて説明する。
　需要予測装置１０の記憶部１３０には、実在する複数の店舗のＰＯＳ端末装置等から通信部１１０を介して取得された売上データ１４１及び特徴データ１４２が格納される。特徴データ１４２は、営業データ１４２ａと環境データ１４２ｂとを含む。特徴データ１４２は、例えば、新規店舗の営業を実際に開始する前から規定することができる情報を含む。
　売上データ１４１は、過去の需要の実績値を示す需要データの一例であって、本実施形態では商品の売上を示すデータである。具体的には、売上データ１４１は、店舗内の商品についての時間毎の売上数を示す。図３の例では、売上データ１４１は、８時台～２０時台までの１時間単位における食品の売上数を示している。
　営業データ１４２ａは、時間的な特徴を示すデータの一例であって、本実施形態において店舗の営業状況を示すデータである。例えば、図４に示すように、営業データ１４２ａは、売上日の曜日、売上日が祝日か否か、及び売上日のイベントの有無を示す。なお、図４では、営業データ１４２ａは一つのイベントに関する情報を含む例を示しているが、営業データ１４２ａは複数のイベントに関する情報を含んでもよい。この場合、営業データ１４２ａは各イベントの有無を示してもよい。イベントは、店内に限らず近隣のイベントを含む。例えば、イベントは、店内のキャンペーン、近隣の祭りなどである。営業データ１４２ａは、売上日の天気及び気温などを含んでもよい。
　環境データ１４２ｂは、店舗の地理的な特徴を示すデータの一例であって、本実施形態において店舗の周辺環境を示すデータである。例えば、環境データ１４２ｂは、店舗の立地及び店舗の周辺の住民の属性の分布を含む。図４の例では、環境データ１４２ｂは、店舗のある場所が住宅街か否か、店舗から５ｋｍ以内の人口及び世帯数、及び５ｋｍ以内の世帯のうち、小学生以下の子供のいる世帯の割合に関する情報を含む。環境データ１４２ｂが含む情報は、商品又は業種などに応じて決定すればよい。
　売上データ１４１と特徴データ１４２は、１日単位（単位時間の一例）で構成され、互いに対応付けられる。例えば、図３及び図４に示すように、ある店舗の１日分の売上データ及び特徴データが、同一の識別番号（ＩＤ）により、互いに対応付けられる。
　図２に示すように、制御部１２０は、予測モデル生成部１２１、識別モデル生成部１２２、及びモデル選択部１２３を含む。予測モデル生成部１２１は、売上データ１４１、営業データ１４２ａ、及び環境データ１４２ｂに基づいて、複数の予測モデルを生成し、生成した複数の予測モデルを示す予測モデル情報１５１を記憶部１３０に格納する。予測モデルは、商品の需要を予測するためのモデルである。例えば、予測モデルは、時刻に応じた商品の需要数を示す関数である。識別モデル生成部１２２は、営業データ１４２ａ及び環境データ１４２ｂに基づいて、識別モデルを生成し、生成した識別モデルを示す識別モデル情報１５２を記憶部１３０に格納する。識別モデルは、複数の予測モデルの各々を識別するためのモデルである。モデル選択部１２３は、端末装置２０から取得した検索条件に基づいて、識別モデルにより、複数の予測モデルの中から一つを選択する。
１．２　需要予測装置の動作
１．２．１　全体動作
　図５は、需要予測装置１０の制御部１２０の全体動作を示している。予測モデル生成部１２１は、複数の予測モデルを生成する（Ｓ１）。識別モデル生成部１２２は識別モデルを生成する（Ｓ２）。モデル選択部１２３は、端末装置２０から対象店舗の需要を予測するための検索条件が入力されると、その検索条件に基づいて対象店舗の需要を予測するための予測モデルを決定する。モデル選択部１２３が対象店舗に適用する予測モデルを決定することにより、端末装置２０側でその予測モデルを使用した需要の予測が行われる（Ｓ３）。
　図６は、第１実施形態における予測モデルと識別モデルの生成を模式的に示している。本実施形態において、需要予測装置１０は、最初に、複数の店舗の１日毎の売上データ１４１及び特徴データ１４２を、複数（例えば、ｋ個）のグループにグループ分けする。それから、需要予測装置１０は、各グループ内の売上データ１４１及び特徴データ１４２に基づいて、各グループの予測モデルを生成する。さらに、需要予測装置１０は、各グループ内の特徴データ１４２に基づいて、グループを識別する識別モデルを生成する。グループと予測モデルは１対１で対応しているため、グループを識別する識別モデルにより、グループの予測モデルを識別できる。
１．２．２　予測モデルの生成
　図７は、第１実施形態における予測モデルの生成処理（図５のＳ１）の詳細を示している。予測モデル生成部１２１は、実在する複数の店舗の過去の売上データ１４１、営業データ１４２ａ、及び環境データ１４２ｂを記憶部１３０から取得する（Ｓ１０１）。
　予測モデル生成部１２１は、１日単位の売上データ１４１、営業データ１４２ａ、及び環境データ１４２ｂを複数のグループにグループ分けする（Ｓ１０２）。例えば、予測モデル生成部１２１は、１日単位の「（営業データ＋環境データ）×（売上データ）」が類似しているデータが同一のグループになるように、マルチモーダルクラスタリング（例えば、ｍＬＤＡ）により、グループ分けする。図８は、グループ分けの一例を示している。図８の例では、識別番号ＩＤが「Ｄ１」及び「Ｄ２１」で示されるデータがグループＧ１となり、識別番号ＩＤが「Ｄ３」及び「Ｄｑ」で示されるデータがグループＧ２にグループ分けされている。
　予測モデル生成部１２１は、各グループの売上データ１４１、営業データ１４２ａ、及び環境データ１４２ｂに基づいて、各グループの予測モデルを生成する（Ｓ１０３）。予測モデル生成部１２１は、生成した各グループの予測モデルを示す予測モデル情報１５１を記憶部１３０に記録する（Ｓ１０４）。
　予測モデルは、例えば、下記式（１）の線形関数で示されるＡＲＸモデルである（ＡＲＸモデルについては、例えば、特開２００７－１８２１６号公報を参照）。図９は、下記式（１）の予測モデルを説明するための図である。下記式（１）において、ｔは予測対象時刻、ｔ－１は予測実行時間（例えば現在時刻）、ｉは予測対象時刻と現在または過去の売上履歴との時間差、ｗ,ｖは重み係数、ｘは需要（本実施形態において売上）、ｕは時間帯、曜日、天候などの説明変数（外生変数とも称する）、ｊは時間帯、曜日、天候などの説明変数の種類を識別するＩＤ、σは誤差である。需要ｘは、売上データ１４１から得られる。説明変数ｕは、売上データ１４１、営業データ１４２ａ、及び環境データ１４２ｂから得られる。下記式（１）において、最小二乗法により、最適な重み係数ｗｉ、ｖｊを算出する。予測モデル生成部１２１は、例えば、下記式（１）の重み係数ｗｉ、ｖｊを予測モデル情報１５１として記憶部１３０に記録する。
Figure JPOXMLDOC01-appb-M000001
　なお、予測モデルは、上記式（１）に代えて、下記式（２）に示すような、入力である過去の需要ｘｔ－ｉ及び説明変数ｕｔ－１から未来の需要ｘｔを推定する非線形関数であってもよい。下記式（２）は、例えば、ＳＶＲ（Support Vector Regrssion）、GradientBoostRegressionなどの教師あり回帰モデルを求める手法により、生成できる（ＳＶＲは、「V. Vapnik and A. Lerner., "Pattern recognition using generalized portrait method.", Automation and Remote Control, 24, 1963.」を参照。GradientBoostRegressionは、「Mason, L.; Baxter, J.; Bartlett, P. L.; Frean, Marcus (May 1999). "Boosting Algorithms as Gradient Descent in Function Space"」を参照）。予測モデル生成部１２１は、例えば、下記式（２）の関数ｆを予測モデル情報１５１として記憶部１３０に記録する。
Figure JPOXMLDOC01-appb-M000002
１．２．３　識別モデルの生成
　図１０は、第１実施形態における識別モデルの生成処理（図５のＳ２）の詳細を示している。識別モデル生成部１２２は、各グループの営業データ１４２ａ及び環境データ１４２ｂを記憶部１３０から抽出する（Ｓ２０１）。例えば、識別モデル生成部１２２は、予測モデル生成部１２１から、各グループに含まれるデータの識別番号を示すグループ情報を取得し、そのグループ情報に基づいて営業データ１４２ａ及び環境データ１４２ｂを抽出する。識別モデル生成部１２２は、各グループの営業データ１４２ａ及び環境データ１４２ｂに基づいて、識別モデルを生成する（Ｓ２０２）。識別モデル生成部１２２は、生成した識別モデルを示す識別モデル情報１５２を記憶部１３０に記録する（Ｓ２０３）。
　識別モデルは、各グループ内の、図８に示すような、営業データ１４２ａ及び環境データ１４２ｂの値で示される特徴ベクトルｖによりグループを識別するモデルである。例えば、識別モデルは、下記式（３）に示すように、特徴ベクトルｖを入力して、所属するグループの識別番号ｇを出力するクラス判別モデルである。識別モデルは、例えば、ＳＶＭ、GradientBoostTree、又は深層学習などの教師ありクラス判別の手法によって生成できる。識別モデル生成部１２２は、例えば、下記式（３）の関数ｆを識別モデル情報１５２として記憶部１３０に記録する。
Figure JPOXMLDOC01-appb-M000003
１．２．４　対象店舗の需要の予測（予測モデル及び識別モデルの利用）
　図１１Ａは、第１実施形態の需要予測処理（図５のＳ３）における需要予測装置１０の制御部１２０の動作の詳細を示している。モデル選択部１２３は、端末装置２０から検索条件を示す検索データを取得する（Ｓ３０１）。検索データは、予測対象とする店舗に関する予測対象データである。本実施形態において、検索条件は需要を予測する対象店舗の営業条件及び環境条件であって、検索データは営業条件及び環境条件を示す特徴ベクトルｖである。すなわち、特徴ベクトルｖには、予測対象とする店舗の時間的な特徴及び地理的な特徴が含まれる。対象店舗の営業条件は、識別モデルの生成に使用された営業データ１４２ａと同一の項目を含む。例えば、営業条件は、売上日の曜日、売上日が祝日か否か、及び売上日のイベントの有無を示す。対象店舗の環境条件は、識別モデルの生成に使用された環境データ１４２ｂと同一の項目を含む。例えば、環境条件は、店舗のある場所が住宅街か否か、店舗から５ｋｍ以内の人口及び世帯数、及び５ｋｍ以内の世帯のうち、小学生以下の子供のいる世帯の割合に関する情報を含む。モデル選択部１２３は、識別モデルを使用して、検索条件に基づいて予測モデルを選択する（Ｓ３０２）。具体的には、例えば、モデル選択部１２３は、上記式（３）に示す関数ｆに、検索条件を示す特徴ベクトルｖを入力することによって、検索条件に対応するグループの識別番号ｇを取得し、複数の予測モデルの中から、取得した識別番号ｇに対応するグループの予測モデルを選択する。モデル選択部１２３は、選択した予測モデルを示す需要予測情報を出力する（Ｓ３０３）。需要予測情報は、例えば、上記式（１）の重み係数ｗｉ、ｖｊ又は上記式（２）の関数ｆである。
　図１１Ｂは、第１実施形態の需要予測処理における端末装置２０の制御部２２０の動作の詳細を示している。端末装置２０の制御部２２０は、検索条件を示す検索データを出力する（Ｓ３１１）。この検索データが、図１１ＡのステップＳ３０１において、需要予測装置１０により取得される。制御部２２０は、検索条件に応じた予測モデルを取得する（Ｓ３１２）。この予測モデルは、図１１ＡのステップＳ３０３において、需要予測装置１０から出力された需要予測情報が示す予測モデルである。制御部２２０は、需要の予測に必要な、予測対象の店舗の直近の売上データを取得する（Ｓ３１３）。例えば、店舗の直近の売上データは、記憶部２３０に格納されていて、制御部２２０は記憶部２３０から直近の売上データを読み出す。直近の売上データは、例えば、１時間単位における食品の売上数を示す。端末装置２０の制御部２２０は、取得した需要予測情報が示す予測モデルを使用して、予測対象とする店舗の先の時刻における需要を予測する（Ｓ３１４）。例えば、ステップＳ３１１で設定した検索条件とステップＳ３１３で取得した直近の売上データとに基づいて、上記式（１）又は（２）により、図９に示すような予測対象時刻における商品の需要ｘｔを算出する。
１．３　効果及び補足
　需要予測装置１０は、複数の店舗の売上、周辺環境、及び営業状況に基づいて生成された、商品の需要を予測する複数の予測モデルを示す予測モデル情報１５１と、複数の店舗の周辺環境（地理的な特徴の一例）及び営業状況（時間的な特徴の一例）に基づいて生成された、複数の予測モデルを識別する識別モデルを示す識別モデル情報１５２とを格納する記憶部１３０と、需要予測の対象店舗の環境条件と営業条件を示す検索データ（予測対象データの一例）を取得する通信部１１０（取得部の一例）と、識別モデルにより、検索データに基づいて、複数の予測モデルの中から一つを選択する制御部１２０と、選択された予測モデルを示す需要予測情報を出力する通信部１１０（出力部の一例）と、を有する。
　通信部１１０は、複数の店舗の商品の売上を示す売上データ１４１と、複数の店舗の営業状況及び周辺環境を示す特徴データ１４２とを取得する。予測モデル生成部１２１は、売上データ１４１及び特徴データ１４２に基づいて、複数の予測モデルを生成する。識別モデル生成部１２２は、特徴データ１４２に基づいて、識別モデルを生成する。
　具体的には、売上データ１４１と特徴データ１４２は、単位時間毎、本実施形態において１日毎に対応付けられている。予測モデル生成部１２１は、単位時間当たりの売上データ１４１と特徴データ１４２を複数のグループにグループ分けし、各グループ内の売上データ１４１及び特徴データ１４２に基づいて各グループの予測モデルを生成する。識別モデル生成部１２２は、各グループ内の特徴データ１４２に基づいて識別モデルを生成する。
　地理的な特徴である周辺環境は、店舗の立地及び店舗の周辺の住民の属性の分布のうちの少なくとも１つを含む。時間的な特徴である営業状況は、曜日、祝日か否か、及びイベントの有無のうちの少なくとも１つを含む。
　このように、本実施形態によれば、需要予測装置１０が、複数の実在する店舗の実績値に基づいて、複数の予測モデルと識別モデルとを生成し、予測対象の店舗（例えば、新店舗）に関する検索条件に従って、識別モデルにより、複数の予測モデルの中から予測対象の店舗に適合する予測モデルを選択する。これにより、過去の売上データがない新店舗であっても、新店舗に適合した予測モデルに基づいて、速やかに精度の良い需要予測を行うことができる。また、既存の店舗の近隣に競合店が出店した場合又は近隣のイベントに伴う特需が起こりそうな場合などのように、既存の店舗であっても周辺状況が変化する場合がある。このような場合であっても、適用する予測モデルを切り替えることによって、速やかに且つ精度良く需要を予測することができる。本実施形態によれば、予測対象の店舗に最適な予測モデルが導入されるため、導入後速やかに期待される性能を確保することができる。
　本実施形態によれば、予測モデルにより、Ｔ分後（例えば、Ｔ＝１０）の食品の需要数を予測することによって売上げ発生前に事前調理することで客の調理待ち時間を抑制しつつも、例えば、店舗において調理が完了してから所定時間経過後に売れ残った食品が廃棄されるような場合に、食品の廃棄を最小限にすることができる。
（第２実施形態）
　第１実施形態では、売上データ１４１と特徴データ１４２が１日単位で対応付けられ、対応付けられた１日単位のデータがグループ分けされた。本実施形態では、売上データが店舗単位でグループ分けされ、売上データと特徴データは店舗単位で対応付けられる。よって、本実施形態では、予測モデルと識別モデルの生成方法が第１実施形態と異なる。以下、第２実施形態について、図面を参照しながら説明する。
２．１　需要予測装置の構成
　需要予測装置１０と端末装置２０の構成は、第１実施形態に示す図１と同一である。
　図１２は、需要予測装置１０の制御部１２０の機能的構成と記憶部１３０に格納されるデータを示している。本実施形態においては、実在する複数の店舗のＰＯＳ端末装置等から通信部１１０を介して取得された売上データ１６１と環境データ１６２が記憶部１３０に格納される。図１２の例では、特徴データ１４２は環境データ１６２のみにより構成される。予測モデル生成部１２１は売上データ１６１に基づいて複数の予測モデルを生成し、複数の予測モデルを示す予測モデル情報１５１を記憶部１３０に格納する。識別モデル生成部１２２は、環境データ１６２に基づいて識別モデルを生成し、識別モデルを示す識別モデル情報１５２を記憶部１３０に格納する。
　図１３は、売上データ１６１の一例を示している。本実施形態における売上データ１６１は、店舗毎の売上を示すデータである。例えば、売上データ１６１は、商品の時間毎の売上数を示す。図１４は、環境データ１６２の一例を示している。環境データ１６２は、店舗の周辺環境を示すデータである。周辺環境は、第１実施形態と同様に、例えば、店舗のある場所が住宅街か否か、店舗から５ｋｍ以内の人口及び世帯数、及び５ｋｍ以内の世帯のうち、小学生以下の子供のいる世帯の割合に関する情報を含む。
２．２　需要予測装置の動作
２．２．１　全体動作
　図５は、第２実施形態の需要予測装置１０の制御部１２０の全体動作も示している。そして、図１５は、第２実施形態における予測モデルと識別モデルの生成を模式的に示している。本実施形態においては、需要予測装置１０は、最初に、実在する複数の店舗の売上データ１６１を、店舗毎に複数（例えば、ｋ個）のグループにグループ分けする。それから、需要予測装置１０は、各グループ内の店舗の売上データ１６１に基づいて予測モデルを生成する。さらに、需要予測装置１０は、各グループ内の店舗の環境データ１６２に基づいて、グループを識別する識別モデルを生成する。
２．２．２　予測モデルの生成
　図１６は、第２実施形態における予測モデルの生成処理（図５のＳ１）の詳細を示している。予測モデル生成部１２１は、実在する複数の店舗の売上データ１６１を記憶部１３０から取得する（Ｓ１１１）。予測モデル生成部１２１は、各店舗を複数のグループにランダムにグループ分けする（Ｓ１１２）。
　予測モデル生成部１２１は、各グループ内の店舗の売上データ１６１に基づいて予測モデルを生成する（Ｓ１１３）。例えば、予測モデル生成部１２１は、各店舗の売上データ１６１を学習用と評価用とに分け、各店舗の学習用の売上データ１６１に基づいて、予測モデルを生成する。例えば、各店舗の売上データ１６１において、全データのうち８０％を学習用として使用し、２０％を評価用として使用する。予測モデルは、例えば、上記式（１）又は（２）で示す関数である。この場合、需要ｘ及び説明変数ｕは、売上データ１６１から得られる。説明変数ｕは、例えば、時間帯を示す。なお、第１実施形態の営業データ１４２ａと同様のデータを利用して、説明変数ｕに、曜日、天候、イベントの有無などを含めてもよい。
　予測モデル生成部１２１は、店舗毎に最も予測精度の高い予測モデルを調査する（Ｓ１１４）。予測モデル生成部１２１は、各店舗を最も予測精度が高くなる予測モデルのグループに再編成する（Ｓ１１５）。例えば、予測モデル生成部１２１は、各店舗の売上データ１６１のうち評価用のデータを使用して、店舗毎に、上記式（１）又は（２）で示す関数により算出される未来の需要ｘｔと、評価用の売上データ１６１から得られる未来の需要ｘｔの実測値とを比較する。予測モデル生成部１２１は、算出された需要ｘｔと売上データ１６１から得られる需要ｘｔの実測値との差が最も小さくなる予測モデルを持つグループに所属するように、店舗のグループを再編成する。
　予測モデル生成部１２１は、グループ編成が収束したか否かを判断する（Ｓ１１６）。例えば、予測モデル生成部１２１は、店舗のグループ変更が行われなくなったとき、又は算出された需要ｘｔと売上データ１６１から得られる需要ｘｔの実測値との差が減少しなくなったときに、グループ編成が収束したと判断する。グループ編成が収束していなければ（Ｓ１１６でＮｏ）、ステップＳ１１３に戻り、予測モデル生成部１２１は、学習用の売上データ１６１を使用して、再編成後の各グループの予測モデルを生成する。
　グループ編成が収束すれば（Ｓ１１６でＹｅｓ）、予測モデル生成部１２１は各グループの予測モデルを示す予測モデル情報１５１を記憶部１３０に記録する（Ｓ１１７）。例えば、予測モデル生成部１２１は、上記式（１）又は（２）の重み係数ｗｉ又は関数ｆを予測モデル情報１５１として記憶部１３０に記録する。
２．２．３　識別モデルの生成
　図１７は、第２実施形態における識別モデルの生成処理（図５のＳ２）の詳細を示している。識別モデル生成部１２２は、複数の店舗の環境データ１６２を記憶部１３０から取得する（Ｓ２１１）。識別モデル生成部１２２は、予測モデル生成部１２１によってグループ分けされたグループ毎に店舗の環境データ１６２を抽出する（Ｓ２１２）。例えば、識別モデル生成部１２２は、予測モデル生成部１２１から、各グループに含まれる店舗の識別番号を示すグループ情報を取得し、そのグループ情報に基づいて環境データ１６２を抽出する。識別モデル生成部１２２は、各グループの環境データ１６２に基づいて、識別モデルを生成する（Ｓ２１３）。識別モデルは、第１実施形態で説明したように、上記式（３）に示すような、環境データ１６２の値で示される特徴ベクトルｖを入力して、所属するグループの識別番号ｇを出力するクラス判別モデルである。識別モデル生成部１２２は、生成した識別モデルを示す識別モデル情報１５２を記憶部１３０に記録する（Ｓ２１４）。識別モデル生成部１２２は、例えば、上記式（３）の関数ｆを識別モデル情報１５２として記憶部１３０に記録する。
２．２．４　対象店舗の需要の予測
　図１８は、第２実施形態における需要予測処理（図５のＳ３）における需要予測装置１０の動作の詳細を示している。モデル選択部１２３は、端末装置２０から検索条件を示す検索データを取得する（Ｓ３２１）と、識別モデルを使用して、検索条件に基づくグループの予測モデルを選択する（Ｓ３２２）。本実施形態において、検索データは、需要を予測する対象店舗の環境条件を示す特徴ベクトルｖである。対象店舗の環境条件は、識別モデルの生成に使用された環境データ１６２と同一の項目を含む。モデル選択部１２３は、選択したグループの予測モデルを示す需要予測情報を出力する（Ｓ３２３）。これにより、端末装置２０は、取得した需要予測情報に基づいて、対象店舗の需要を予測する。
２．３　効果及び補足
　本実施形態の需要予測装置において、通信部１１０は、複数の店舗の商品の売上を示す売上データ１６１と、複数の店舗の周辺環境を示す環境データ１６２とを取得し、制御部１２０は、売上データ１６１に基づいて、複数の予測モデルを生成する予測モデル生成部１２１と、環境データ１６２に基づいて、識別モデルを生成する識別モデル生成部１２２と、を含む。予測モデル生成部１２１は、売上データ１６１に基づいて複数の店舗を複数のグループにグループ分けし、各グループに含まれる店舗の売上データ１６１に基づいて各グループの予測モデルを生成する。識別モデル生成部１２２は、各グループに含まれる店舗の環境データ１６２に基づいて識別モデルを生成する。
　なお、本実施形態では、特徴データ１４２は環境データ１６２のみを含んだが、第１実施形態に示すような営業データ１４２ａの全部又は一部を含んでもよい。識別モデルの生成は、環境データ１６２だけでなく、第１実施形態に示すような営業データ１４２ａの全部又は一部を使用してもよい。すなわち、識別モデルは、営業データ１４２ａと環境データ１６２の値で示される特徴ベクトルｖを入力して、所属するグループの識別番号ｇを出力するクラス判別モデルであってもよい。例えば、特徴ベクトルｖに、曜日などの店舗の営業日に関する情報が含まれてもよい。
　本実施形態によれば、第１実施形態と同様に、複数の実在する店舗の実績値に基づいて生成した予測モデルを使用して、予測対象の店舗（例えば、新店舗）の需要を予測することが可能になる。よって、過去の売上データがない新店舗であっても、新店舗に適合した予測モデルに基づいて、速やかに精度の良い需要予測を行うことができる。また、既存の店舗であっても周辺状況が変化して売上が変化するような場合に、適用する予測モデルを切り替えることによって、速やかに且つ精度良く需要を予測することができる。
（第３実施形態）
　第１実施形態では、売上データ１４１と特徴データ１４２が１日単位で対応付けられる例について説明した。すなわち、第１実施形態は、使用する予測モデルを１日単位で切り替えるのに適していた。本実施形態では、売上データと特徴データが１日内の時間単位で対応付けられる。よって、本実施形態では、予測モデルを時間単位で切り替えることに適している。本実施形態では、売上データと特徴データは１時間単位で対応付けられる。
　図１９に、第３実施形態における売上データの一例を示す。本実施形態の売上データ１７１は、店舗の営業日の各時間帯における、１０分単位の商品の売上数を示す。図２０に、第３実施形態における特徴データの一例を示す。本実施形態の特徴データ１７２は、店舗の営業日の各時間帯における、店舗の営業状況と周辺環境とを示す。本実施形態では、図２０に示すように営業データ１７２ａは、１日の中での時間帯を含む。
　図５は、第３実施形態の需要予測装置１０の制御部１２０の全体動作も示している。そして、図２１は、第３実施形態における予測モデルの生成処理（図５のＳ１）の詳細を示している。図２１において、ステップＳ１２２以外のステップは、第１実施形態の図７のステップと同一である。予測モデル生成部１２１は、実在する複数の店舗の過去の売上データ１７１と特徴データ１７２を記憶部１３０から取得する（Ｓ１２１）。予測モデル生成部１２１は、１時間単位の売上データ１７１及び特徴データ１７２を複数のグループにグループ分けする（Ｓ１２２）。
　予測モデル生成部１２１は、各グループの売上データ１７１及び特徴データ１７２に基づいて、各グループの予測モデルを生成し（Ｓ１２３）、各グループの予測モデルを示す予測モデル情報１５１を記憶部１３０に記録する（Ｓ１２４）。予測モデルは、例えば、上記式（１）又は上記式（２）で示される関数である。
　識別モデル生成部１２２による識別モデルの生成処理は、第１実施形態（図１０のステップＳ２０１～Ｓ２０３）と同様に行うことができる。例えば、識別モデル生成部１２２は、上記式（３）に示すような識別モデルを生成する。識別モデルは、例えば、図２０に示す特徴ベクトルｖを入力して、所属するグループの識別番号ｇを出力するクラス判別モデルである。本実施形態では、特徴ベクトルｖに時間帯の情報が含まれるため、識別モデルは時間帯に基づいて予測モデルを識別することができる。
　本実施形態における対象店舗の需要の予測は、第１実施形態の図１１Ａ及び図１１Ｂに示す需要予測処理と同様に行うことができる。ここで、検索条件に時刻又は１日の中での時間帯を含めることによって、ステップＳ３０２において時間帯に応じた予測モデルを選択することができる。例えば、１時間毎に使用する予測モデルを変更することができる。
　本実施形態では、売上データ１７１と特徴データ１７２の対応付けは１時間単位であったが、１時間単位でなくてもよい。時間単位における対応付けは２４時間未満であればよい。例えば、売上データ１７１と特徴データ１７２の対応付けは、３時間毎でもよい。午前と午後の時間帯で対応づけてもよいし、朝昼晩の時間帯で対応付けてもよい。これにより、例えば、午前と午後とで使用する識別モデルを切り替えることができる。
　以上のように、本実施形態では、売上データ１７１と特徴データ１７２とが時間毎に対応付けられ、特徴データ１７２は時間帯、例えば店舗の営業時間内の時間帯を含む。これにより、時間帯に応じて、使用する予測モデルを切り替えることができる。よって、時間によって状況が変化するとき、例えば、１日のうちの数時間だけイベントが行われるとき、その時間帯に応じて予測モデルを切り替えることができる。本実施形態によれば、精度良く需要を予測することが可能となる。
（第４実施形態）
　第１～第３実施形態では、施設が商品を販売する店舗であり、予測される需要が予測対象の店舗における商品の需要数である場合について説明した。しかし、需要の予測対象とする施設は店舗に限らず、予測しようとする需要は商品の需要数に限らない。本実施形態では、施設が物流の拠点となる物流センタ、具体的には車両により荷物を配送する配送センタであり、予測される需要が予測対象の配送センタの車両の配車台数である場合について説明する。
　図２２は、第４実施形態における需要データ１８１の一例を示している。図２３は、需要データ１８１の生成の一例を模式的に示している。例えば、需要予測装置１０の通信部１１０は、複数の配送センタからそれぞれ、配送センタの配送範囲内における過去の時間毎の配送件数と配送場所並びに車両の配車台数を示す配送データを取得する。図２３の配送データ２００は、ある時間帯における、配送件数と配送場所並びに車両の配車台数を模式的に示している。例えば、予測モデル生成部１２１が、配送データ２００に基づいて需要データ１８１を生成する。具体的には、予測モデル生成部１２１は、配送範囲を複数の領域である分割領域Ｍ（０，０）～Ｍ（ｍ，ｎ）に分割する。予測モデル生成部１２１は、各分割領域Ｍ（０，０）～Ｍ（ｍ，ｎ）毎の配送件数を示す、（ｍ＋１）×（ｎ＋１）次元のベクトルＶＭを生成する。予測モデル生成部１２１は、このベクトルＶＭを複数の時間帯分集めることにより、ベクトルＶＭの時系列を含む需要データ１８１を生成する。需要データ１８１は、さらに、各時間帯と時間帯毎の車両の配車台数を示す情報を含む。なお、需要予測装置１０は、通信部１１０を介して、図２２に示す需要データ１８１を配送センタから取得してもよい。
　本実施形態における特徴データは、例えば、図２０に示す特徴データ１７２と同一である。
　本実施形態において、需要予測装置１０は、例えば第３実施形態と同様の方法で、複数の予測モデルと識別モデルを生成することができる。すなわち、需要データ１８１と特徴データ１７２とを時間帯毎に対応付けて、時間帯毎にグループ分けする。本実施形態の予測モデルは、時間帯と分割領域毎の配送件数とに基づいて配車台数を算出するモデルである。上記式（１）又は（２）において、需要ｘを配車台数とし、説明変数ｕを時間帯、分割領域毎の配送件数として、予測モデルを生成してもよい。本実施形態の識別モデルは、配送センタの営業状況及び周辺環境に基づいて、複数の識別モデルのそれぞれを識別するモデルである。識別モデルは、上記式（３）に示すような、特徴ベクトルｖを入力して、所属するグループの識別番号ｇを出力するクラス判別モデルであってもよい。回帰モデルを求める手法又はニューラルネットワークを使用した手法により、予測モデルと識別モデルを生成してもよい。
　本実施形態によれば、第１～第３実施形態と同様に、予測対象とする配送センタの実績データに基づいて生成された予測モデルがない場合であっても、速やかな需要予測を可能にする。また、本実施形態によれば、配送依頼数に基づいて必要な配車台数を予測することができる。これにより、例えば、ドライバ不足による配送遅延を回避すると共に、ドライバ過剰による固定費の増加を回避することができる。
（第５実施形態）
　第５実施形態では、施設のさらに別の例について説明する。第５実施形態における施設は、温度、湿度、空気清浄、又は気流などを調整する複数の空気調和設備を備えた建物であり、予測される需要が予測対象の建物の複数の空気調和設備のそれぞれの稼働の要否である。複数の空気調和設備を備えた建物は、例えば、大型のショッピングセンタである。空気調和設備は、例えば、建物内の温度を調節可能なエアコンである。
　図２４は、第５実施形態における需要データ１９１の一例を示している。図２５は、需要データ１９１の生成の一例を模式的に示している。例えば、需要予測装置１０の通信部１１０は、複数の建物からそれぞれ、建物のフロア内における、時間毎の人の数とエアコンのＯＮ／ＯＦＦを示す実績データを取得する。図２５の実績データ３００は、ある時間帯における人の位置とエアコンのＯＮ／ＯＦＦとを模式的に示している。例えば、予測モデル生成部１２１が、実績データ３００に基づいて需要データ１９１を生成する。具体的には、予測モデル生成部１２１は、建物のフロアを複数の領域である分割領域Ｍ（０，０）～Ｍ（ｍ、ｎ）に分割する。予測モデル生成部１２１は、各分割領域Ｍ（０，０）～Ｍ（ｍ，ｎ）毎の人の数を示す、（ｍ＋１）×（ｎ＋１）次元のベクトルＶＭを生成する。予測モデル生成部１２１は、このベクトルＶＭを複数の時間帯分集めることにより、ベクトルＶＭの時系列を含む需要データ１９１を生成する。需要データ１９１は、さらに、日付、時間帯、外気温、及び各エアコンの稼働状況を含む。なお、需要予測装置１０は、通信部１１０を介して、図２４に示す需要データ１９１を取得してもよい。
　本実施形態における特徴データは、例えば、図２０に示す特徴データ１７２と同一である。
　本実施形態において、需要予測装置１０は、例えば第３実施形態と同様の方法で、複数の予測モデルと識別モデルを生成することができる。すなわち、需要データ１９１と特徴データ１７２とを時間帯毎に対応付けて、時間帯毎にグループ分けする。本実施形態の予測モデルは、時間帯と分割領域毎の人数とに基づいて各エアコンの稼働の要否を予測するモデルである。上記式（１）又は（２）において、需要ｘを各エアコンの稼働の要否とし、説明変数ｕを時間帯、分割領域毎の人数として、予測モデルを生成してもよい。この場合、上記式（１）又は上記（２）により算出される需要ｘｔは、図２４に示すエアコンＡ１～エアコンＡＮのそれぞれのＯＮ／ＯＦＦを示す値を含むベクトルｘｔ＝（ｘ１，ｘ２・・・，ｘＮ）となる。本実施形態の識別モデルは、建物の営業状況及び周辺環境に基づいて、複数の識別モデルのそれぞれを識別するモデルである。識別モデルは、上記式（３）に示すような、特徴ベクトルｖを入力して、所属するグループの識別番号ｇを出力するクラス判別モデルであってもよい。
　本実施形態では、予測される需要が予測対象の建物の複数のエアコンのそれぞれの稼働の要否である場合について説明したが、第４実施形態と同様に、予測される需要は複数のエアコンの稼働台数であってもよい。
　本実施形態によれば、第１～第３実施形態と同様に、予測対象とする建物の実績データに基づいて生成された予測モデルがない場合であっても、速やかな需要予測を可能にする。本実施形態によれば、人の数に基づいて各エアコンの稼働の要否又は稼働台数を予測することができる。これにより、例えば、空調不足による来客の不快感を回避すると共に、空調過剰によるエネルギー損失を回避することができる。
（他の実施形態）
　以上のように、本出願において開示する技術の例示として、上記実施形態を説明した。しかしながら、本開示における技術は、これに限定されず、適宜、変更、置き換え、付加、省略などを行った実施形態にも適用可能である。そこで、以下、他の実施形態を例示する。
　上記実施形態において、需要予測装置１０は、検索条件に対応する予測モデルを示す需要予測情報を出力し、端末装置２０は、取得した需要予測情報に基づいて、未来の需要数を算出した。しかし、図２６に示すように、需要予測装置１０が、予測対象施設の未来の需要の予測値を算出し、算出した予測値を需要予測情報として端末装置２０に送信してもよい。具体的には、モデル選択部１２３は、端末装置２０から検索条件を示す検索データと直近の需要数を示す直近データとを取得する（Ｓ３３１）。モデル選択部１２３は、識別モデルを使用して、検索条件に基づいて予測モデルを選択する（Ｓ３３２）。モデル選択部１２３は、選択した予測モデルを使用して、直近データから先の時刻における需要の予測値を算出する（Ｓ３３３）。モデル選択部１２３は、算出した需要の予測値を需要予測情報として端末装置２０に出力する（Ｓ３３４）。
　上記実施形態では、需要予測装置１０と端末装置２０により需要予測システム１を構成した。しかし、需要予測システム１の全ての機能が、一つの装置によって実現されてもよい。例えば、１台のサーバ又は１台のパソコンにより、需要予測システム１の全ての機能を実現してもよい。
　上記実施形態では、需要予測装置１０の全ての機能を、一つの装置（例えば、サーバ）で行うとした。しかし、図２７に示すように、インターネットなどで接続された複数台の予測装置（例えば、第１予測装置１０ａ、第２予測装置１０ｂ、及び第３予測装置１０ｃ）で、需要予測装置１０の全ての機能を行うとしてもよい。例えば、上述の実施形態における図５に示す全体動作において、ステップＳ１の予測モデルの生成を第１予測装置１０ａで行い、ステップＳ２の識別モデルの生成を第２予測装置１０ｂで行い、ステップＳ３の需要の予測を第３予測装置１０ｃで行うとしてもよい。また、第２予測装置１０ｂの機能を第１予測装置１０ａ、または、第３予測装置１０ｃが行うとしてもよい。そうすることで、他の予測装置で作成された予測モデル情報や識別モデル情報を活用することができる。
　上記実施形態では、需要予測装置１０の全ての構成を、一つの装置（例えば、サーバ）に備えるとした。しかし、図２７に示すように、インターネットなどで接続された複数台の予測装置（例えば、第１予測装置１０ａ、第２予測装置１０ｂ、及び第３予測装置１０ｃ）で、需要予測装置１０の全ての構成が備えられるとしてもよい。例えば、上述の実施形態における制御部１２０の機能的構成と記憶部１３０に格納されるデータにおいて、第１予測装置１０ａが、予測モデル生成部１２１、売上データ１４１、特徴データ１４２、及び予測モデル情報１５１を備え、第２予測装置１０ｂが、識別モデル生成部１２２、特徴データ１４２、及び識別モデル情報１５２を備え、第３予測装置１０ｃがモデル選択部１２３を備えてもよい。別の例では、上述の実施形態における制御部１２０の機能的構成と記憶部１３０に格納されるデータにおいて、第１予測装置１０ａが、予測モデル生成部１２１、売上データ１６１、及び予測モデル情報１５１を備え、第２予測装置１０ｂが、識別モデル生成部１２２、環境データ１６２、及び識別モデル情報１５２を備え、第３予測装置１０ｃが、モデル選択部１２３を備えるとしてもよい。
　上記実施形態において、売上データ１４１，１６１，１７１と需要データ１８１，１９１は、複数の施設の需要の実績値を示す第１データに相当する。特徴データ１４２，１７２は、複数の施設の地理的な特徴と時間的な特徴のうちの少なくともいずれか一方を示す第２データに相当する。予測モデルの生成において、第１データと共に、第２データに含まれる情報の全部又は一部を使用してもよい。識別モデルの生成において、第２データと共に、第１データに含まれる情報の全部又は一部を使用してもよい。第１データと第２データに含まれる情報は異なってもよいし、同一の情報が第１データと第２データに含まれてもよい。予測モデルの生成に使用するか又は識別モデルの生成に使用するかに応じて、第１データと第２データに含まれる情報を設定してもよい。
（実施形態の概要）
　（１）本開示の需要予測装置は、施設における需要を予測する複数の予測モデルを示す予測モデル情報と、複数の予測モデルを施設の地理的な特徴及び時間的な特徴に基づいて識別する識別モデルを示す識別モデル情報とを格納する記憶部と、予測対象とする施設の地理的な特徴及び時間的な特徴を示す予測対象データを取得する取得部と、識別モデルを使用して、予測対象データに基づいて、複数の予測モデルの中から一つの予測モデルを選択する制御部と、選択された予測モデルに対応する需要予測情報を出力する出力部と、を有する。
　これにより、過去の需要データがない新施設であっても、新施設に適合した予測モデルに基づいて、速やかに精度の良い需要予測を行うことを可能にする。また、既存の施設であっても周辺状況が変化する場合に、適用する予測モデルを切り替えることによって、速やかに且つ精度良く需要を予測することを可能にする。
（２）（１）の需要予測装置において、取得部は、複数の施設の需要の実績値を示す第１データ（例えば、売上データ１４１，１７１、需要データ１８１，１９１）と、複数の施設の地理的な特徴及び時間的な特徴を示す第２データ（特徴データ１４２，１７２）とを取得し、制御部は、第１データ及び第２データに基づいて、複数の予測モデルを生成する予測モデル生成部と、第２データに基づいて、識別モデルを生成する識別モデル生成部と、を含んでもよい。
　これにより、施設の特徴に基づいて使用する予測モデルを選択することができる。施設の特徴に基づいて予測モデルを選択することにより、需要が類似する予測モデルを需要予測の対象施設に導入することができる。予測モデル及び識別モデルが実在する複数の施設のデータに基づいて生成されるため、精度良く予測モデル及び識別モデルを生成することができる。
（３）（２）の需要予測装置において、第１データと第２データは単位時間毎に対応付けられていて、予測モデル生成部は、単位時間当たりの第１データ及び第２データを複数のグループにグループ分けし、各グループ内における第１データ及び第２データに基づいて各グループの予測モデルを生成し、識別モデル生成部は、各グループ内の第２データに基づいて識別モデルを生成してもよい。
　これにより、施設の需要だけでなく、施設の特徴についても類似するデータが同一のグループになるようにグループ分けされるため、予測モデルは施設の需要及び特徴に基づいて、精度良く需要を予測することが可能となる。
（４）（１）の需要予測装置において、取得部は、複数の施設の需要の実績値を示す第１データと、複数の施設の地理的な特徴及び時間的な特徴を示す第２データとを取得し、制御部は、第１データに基づいて、複数の予測モデルを生成する予測モデル生成部と、第２データに基づいて、識別モデルを生成する識別モデル生成部と、を含んでもよい。
　これにより、施設の特徴に基づいて使用する予測モデルを選択することができる。施設の特徴に基づいて予測モデルを選択することにより、需要が類似する予測モデルを需要予測の対象施設に導入することができる。予測モデル及び識別モデルが実在する複数の施設のデータに基づいて生成されるため、精度良く予測モデル及び識別モデルを生成することができる。
（５）（４）の需要予測装置において、予測モデル生成部は、第１データに基づいて、複数の施設を複数のグループにグループ分けし、各グループに含まれる施設の第１データに基づいて各グループの予測モデルを生成し、識別モデル生成部は、各グループに含まれる施設の第２データに基づいて識別モデルを生成してもよい。
　これにより、第１データ（例えば、売上データ１６１）の数値や変化のパターンが類似する施設が同一のグループになるようにグループ分けされる。よって、精度の良い予測モデルを生成することができる。
（６）（１）の需要予測装置において、需要予測情報は、選択された予測モデルを示してもよい。
　これにより、需要予測情報を受信した端末装置２０側で、予測モデルを使用した需要の予測が可能となる。
（７）（１）の需要予測装置において、需要予測情報は、選択された予測モデルを使用して予測した需要の予測値を示してもよい。
（８）（１）の需要予測装置において、時間的な特徴は、１日の中での時間帯を含んでもよい。
　これにより、時間帯に応じて、使用する予測モデルを切り替えることができる。
（９）（１）の需要予測装置において、時間的な特徴は、曜日、祝日か否か、及びイベントの有無のうちの少なくとも１つを含んでもよい。
（１０）（１）の需要予測装置において、地理的な特徴は、施設の立地及び施設の周辺の住民の属性の分布に関する情報のうちの少なくとも１つを含んでもよい。
（１１）（１）の需要予測装置において、施設は商品を販売する店舗であり、需要は店舗における商品の需要数であってもよい。
（１２）（１）の需要予測装置において、施設は車両により荷物を配送する配送センタであり、需要は車両の配車台数であってもよい。
（１３）（１）の需要予測装置において、施設は複数の空気調和設備を備えた建物であり、需要は建物の複数の空気調和設備のそれぞれの稼働の要否であってもよい。
（１４）本開示の別の需要予測装置は、１つ以上の他の需要予測装置と通信接続可能な需要予測装置であって、複数の施設の需要の実績値を示す第１データを取得する第１の取得部（通信部１１０）と、第１データに基づいて、需要を予測する複数の予測モデルを生成する第１の制御部（予測モデル生成部１２１）と、を含む第１の予測手段（第１予測装置１０ａ）、複数の施設の地理的な特徴及び時間的な特徴を示す第２データを取得する第２の取得部（通信部１１０）と、第２データに基づいて、複数の予測モデルを識別する識別モデルを生成する第２の制御部（識別モデル生成部１２２）と、を含む第２の予測手段（第２予測装置１０ｂ）、及び予測対象とする施設の地理的な特徴及び時間的な特徴を示す予測対象データを取得する第３の取得部（通信部１１０）と、識別モデルにより、予測対象データに基づいて、複数の予測モデルの中から一つを選択する第３の制御部（モデル選択部１２３）と、を含む第３の予測手段（第３予測装置１０ｃ）のうちの少なくともいずれか一つを有する。
（１５）本開示の需要予測方法は、１つの需要予測装置により又は通信接続された複数の需要予測装置により、施設における需要を予測する複数の予測モデルを示す予測モデル情報と、複数の予測モデルを施設の地理的な特徴及び時間的な特徴に基づいて識別する識別モデルを示す識別モデル情報とを取得するステップと、予測対象とする施設の地理的な特徴及び時間的な特徴を示す予測対象データを取得するステップと、識別モデルを使用して、予測対象データに基づいて、複数の予測モデルの中から一つの予測モデルを選択するステップと、選択された予測モデルに対応する需要予測情報を出力するステップと、を含む。
（１６）本開示のプログラムは、施設における需要を予測する複数の予測モデルを示す予測モデル情報と、複数の予測モデルを施設の地理的な特徴及び時間的な特徴に基づいて識別する識別モデルを示す識別モデル情報とを取得するステップと、予測対象とする施設の地理的な特徴及び時間的な特徴を示す予測対象データを取得するステップと、識別モデルを使用して、予測対象データに基づいて、複数の予測モデルの中から一つの予測モデルを選択するステップと、選択された予測モデルに対応する需要予測情報を出力するステップと、をコンピュータに実行させる。
　本開示の全請求項に記載の需要予測装置及び需要予測方法は、ハードウェア資源、例えば、プロセッサ、メモリ、及びプログラムとの協働などによって、実現される。
　本開示の需要予測装置は、例えば、新施設に適した予測モデルを提供する装置として、有用である。
　　１　　　需要予測システム
　　１０　　需要予測装置
　　２０　　端末装置
　　１１０、２４０　通信部
　　１２０、２２０　制御部
　　１２１　予測モデル生成部
　　１２２　識別モデル生成部
　　１２３　モデル選択部
　　１３０、２３０　記憶部
　　２１０　入力部
　　２５０　表示部

Claims (16)

  1. 　施設における需要を予測する複数の予測モデルを示す予測モデル情報と、前記複数の予測モデルを施設の地理的な特徴及び時間的な特徴に基づいて識別する識別モデルを示す識別モデル情報とを格納する記憶部と、
    　予測対象とする施設の地理的な特徴及び時間的な特徴を示す予測対象データを取得する取得部と、
    　前記識別モデルを使用して、前記予測対象データに基づいて、前記複数の予測モデルの中から一つの予測モデルを選択する制御部と、
    　選択された前記予測モデルに対応する需要予測情報を出力する出力部と、
    　を有する、需要予測装置。
  2. 　前記取得部は、前記複数の施設の需要の実績値を示す第１データと、前記複数の施設の地理的な特徴及び時間的な特徴を示す第２データとを取得し、
    　前記制御部は、
    　　前記第１データ及び前記第２データに基づいて、前記複数の予測モデルを生成する予測モデル生成部と、
    　　前記第２データに基づいて、前記識別モデルを生成する識別モデル生成部と、
    　を含む、請求項１に記載の需要予測装置。
  3. 　前記第１データと前記第２データは単位時間毎に対応付けられていて、
    　前記予測モデル生成部は、単位時間当たりの前記第１データ及び前記第２データを複数のグループにグループ分けし、各グループ内における第１データ及び第２データに基づいて各グループの予測モデルを生成し、
    　前記識別モデル生成部は、各グループ内の第２データに基づいて前記識別モデルを生成する、
    　請求項２に記載の需要予測装置。
  4. 　前記取得部は、前記複数の施設の需要の実績値を示す第１データと、前記複数の施設の地理的な特徴及び時間的な特徴を示す第２データとを取得し、
    　前記制御部は、
    　　前記第１データに基づいて、前記複数の予測モデルを生成する予測モデル生成部と、
    　　前記第２データに基づいて、前記識別モデルを生成する識別モデル生成部と、
    　を含む、請求項１に記載の需要予測装置。
  5. 　前記予測モデル生成部は、前記第１データに基づいて、前記複数の施設を複数のグループにグループ分けし、各グループに含まれる施設の第１データに基づいて各グループの予測モデルを生成し、
    　前記識別モデル生成部は、各グループに含まれる施設の第２データに基づいて前記識別モデルを生成する、
    　請求項４に記載の需要予測装置。
  6. 　前記需要予測情報は、選択された前記予測モデルを示す、請求項１に記載の需要予測装置。
  7. 　前記需要予測情報は、選択された前記予測モデルを使用して予測した需要の予測値を示す、請求項１に記載の需要予測装置。
  8. 　前記時間的な特徴は、１日の中での時間帯を含む、請求項１に記載の需要予測装置。
  9. 　前記時間的な特徴は、曜日、祝日か否か、及びイベントの有無のうちの少なくとも１つを含む、請求項１に記載の需要予測装置。
  10. 　前記地理的な特徴は、施設の立地及び前記施設の周辺の住民の属性の分布に関する情報のうちの少なくとも１つを含む、請求項１に記載の需要予測装置。
  11. 　前記施設は、商品を販売する店舗であり、
    　前記需要は、店舗における商品の需要数である、
    　請求項１に記載の需要予測装置。
  12. 　前記施設は、車両により荷物を配送する配送センタであり、
    　前記需要は、車両の配車台数である、
    　請求項１に記載の需要予測装置。
  13. 　前記施設は、複数の空気調和設備を備えた建物であり、
    　前記需要は、建物の複数の空気調和設備のそれぞれの稼働の要否である、
    　請求項１に記載の需要予測装置。
  14. 　１つ以上の他の需要予測装置と通信接続可能な需要予測装置であって、
    　複数の施設の需要の実績値を示す第１データを取得する第１の取得部と、前記第１データに基づいて、需要を予測する複数の予測モデルを生成する第１の制御部と、を含む第１の予測手段、
    　前記複数の施設の地理的な特徴及び時間的な特徴を示す第２データを取得する第２の取得部と、前記第２データに基づいて、前記複数の予測モデルを識別する識別モデルを生成する第２の制御部と、を含む第２の予測手段、及び
    　予測対象とする施設の地理的な特徴及び時間的な特徴を示す予測対象データを取得する第３の取得部と、前記識別モデルにより、前記予測対象データに基づいて、前記複数の予測モデルの中から一つの予測モデルを選択する第３の制御部と、を含む第３の予測手段、
    　のうちの少なくともいずれか一つを有する、需要予測装置。
  15. 　１つの需要予測装置により又は通信接続された複数の需要予測装置により、
    　施設における需要を予測する複数の予測モデルを示す予測モデル情報と、前記複数の予測モデルを施設の地理的な特徴及び時間的な特徴に基づいて識別する識別モデルを示す識別モデル情報とを取得するステップと、
    　予測対象とする施設の地理的な特徴及び時間的な特徴を示す予測対象データを取得するステップと、
    　前記識別モデルを使用して、前記予測対象データに基づいて、前記複数の予測モデルの中から一つの予測モデルを選択するステップと、
    　選択された前記予測モデルに対応する需要予測情報を出力するステップと、
    　を含む、需要予測方法。
  16. 　施設における需要を予測する複数の予測モデルを示す予測モデル情報と、前記複数の予測モデルを施設の地理的な特徴及び時間的な特徴に基づいて識別する識別モデルを示す識別モデル情報とを取得するステップと、
    　予測対象とする施設の地理的な特徴及び時間的な特徴を示す予測対象データを取得するステップと、
    　前記識別モデルを使用して、前記予測対象データに基づいて、前記複数の予測モデルの中から一つの予測モデルを選択するステップと、
    　選択された前記予測モデルに対応する需要予測情報を出力するステップと、
    　をコンピュータに実行させるプログラム。
PCT/JP2018/045723 2017-12-27 2018-12-12 需要予測装置、需要予測方法、及びプログラム WO2019131140A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017251619A JP2021043477A (ja) 2017-12-27 2017-12-27 需要予測装置、需要予測方法、及びプログラム
JP2017-251619 2017-12-27

Publications (1)

Publication Number Publication Date
WO2019131140A1 true WO2019131140A1 (ja) 2019-07-04

Family

ID=67066470

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/045723 WO2019131140A1 (ja) 2017-12-27 2018-12-12 需要予測装置、需要予測方法、及びプログラム

Country Status (2)

Country Link
JP (1) JP2021043477A (ja)
WO (1) WO2019131140A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021103374A (ja) * 2019-12-24 2021-07-15 東芝デジタルソリューションズ株式会社 需要予測装置、需要予測方法、およびプログラム

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7117440B1 (ja) 2021-11-19 2022-08-12 ヤフー株式会社 情報処理装置、情報処理方法、及び情報処理プログラム
JP2023091669A (ja) * 2021-12-20 2023-06-30 株式会社日立製作所 販売数量予測システム、販売数量予測方法
JP7198956B1 (ja) 2022-03-11 2023-01-04 ＰａｙＰａｙ株式会社 情報処理装置、情報処理方法および情報処理プログラム

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08314888A (ja) * 1995-05-23 1996-11-29 Nec Corp 店舗出店シミュレーション装置
JPH10240799A (ja) * 1997-02-27 1998-09-11 Nri & Ncc Co Ltd 新規出店評価支援装置
JP2004185539A (ja) * 2002-12-06 2004-07-02 Yunitekku:Kk 商圏分析システム、方法、プログラム、及び記録媒体
JP2004348256A (ja) * 2003-05-20 2004-12-09 Toshiba Tec Corp 商品発注予測装置、プログラム及び記憶媒体
US20120084118A1 (en) * 2010-09-30 2012-04-05 International Business Machines Corporation Sales predication for a new store based on on-site market survey data and high resolution geographical information
WO2015040791A1 (ja) * 2013-09-20 2015-03-26 日本電気株式会社 発注量決定装置、発注量決定方法、記録媒体、及び発注量決定システム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08314888A (ja) * 1995-05-23 1996-11-29 Nec Corp 店舗出店シミュレーション装置
JPH10240799A (ja) * 1997-02-27 1998-09-11 Nri & Ncc Co Ltd 新規出店評価支援装置
JP2004185539A (ja) * 2002-12-06 2004-07-02 Yunitekku:Kk 商圏分析システム、方法、プログラム、及び記録媒体
JP2004348256A (ja) * 2003-05-20 2004-12-09 Toshiba Tec Corp 商品発注予測装置、プログラム及び記憶媒体
US20120084118A1 (en) * 2010-09-30 2012-04-05 International Business Machines Corporation Sales predication for a new store based on on-site market survey data and high resolution geographical information
WO2015040791A1 (ja) * 2013-09-20 2015-03-26 日本電気株式会社 発注量決定装置、発注量決定方法、記録媒体、及び発注量決定システム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021103374A (ja) * 2019-12-24 2021-07-15 東芝デジタルソリューションズ株式会社 需要予測装置、需要予測方法、およびプログラム
JP7433892B2 (ja) 2019-12-24 2024-02-20 株式会社東芝 需要予測装置、需要予測方法、およびプログラム

Also Published As

Publication number Publication date
JP2021043477A (ja) 2021-03-18

Similar Documents

Publication Publication Date Title
WO2019131140A1 (ja) 需要予測装置、需要予測方法、及びプログラム
JP6408451B2 (ja) エネルギー需要予測システム及びエネルギー需要予測方法
JP6742894B2 (ja) データ予測システムおよびデータ予測方法
US10740773B2 (en) Systems and methods of utilizing multiple forecast models in forecasting customer demands for products at retail facilities
US20140310059A1 (en) System , method and computer program forecasting energy price
JP2019049850A (ja) 予測システム及び方法
JP2018163515A (ja) 予測システム、及び、予測方法
JP6514342B2 (ja) オンライン予測システムおよび方法
CN106663228A (zh) 用于商业应用系统的规则到约束翻译器
US20170364839A1 (en) Information processing device, model construction method, and program recording medium
US20190251609A1 (en) Commodity demand prediction system, commodity demand prediction method, and commodity demand prediction program
JP7078053B2 (ja) 情報処理装置、制御方法、及びプログラム
US20190180202A1 (en) Prediction device and prediction method
WO2017212880A1 (ja) データ予測システムおよびデータ予測方法
JP5251217B2 (ja) 販売数予測システム、販売数予測システムの動作方法および販売数予測プログラム
JPWO2019159772A1 (ja) モデル生成装置、需要予測装置、需要予測方法、及びプログラム
JP2019053737A (ja) 予測装置、予測方法、及び予測プログラム
JP5868770B2 (ja) 使用量予測方法および行動推薦方法
WO2023120126A1 (ja) 販売数量予測システム、販売数量予測方法
JP2020187416A (ja) 物流管理システム
JP6161180B1 (ja) 情報処理システム、情報処理装置、情報処理方法および情報処理プログラム
CN115689618A (zh) 信息处理装置、信息处理方法以及存储介质
CN114626660A (zh) 用于激增调整预报的方法和装置
CN115943399A (zh) 生成方法、生成装置、程序、信息处理方法及信息处理装置
JP6274471B1 (ja) 情報処理システム、情報処理装置、情報処理方法および情報処理プログラム

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: 18894096

Country of ref document: EP

Kind code of ref document: A1

DPE1 Request for preliminary examination filed after expiration of 19th month from priority date (pct application filed from 20040101)
NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18894096

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP