WO2020175162A1 - 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
WO2020175162A1
WO2020175162A1 PCT/JP2020/005623 JP2020005623W WO2020175162A1 WO 2020175162 A1 WO2020175162 A1 WO 2020175162A1 JP 2020005623 W JP2020005623 W JP 2020005623W WO 2020175162 A1 WO2020175162 A1 WO 2020175162A1
Authority
WO
WIPO (PCT)
Prior art keywords
period
demand
trend
unit
change
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2020/005623
Other languages
English (en)
French (fr)
Inventor
石塚　美加
康晴 金子
安川　正祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NTT Inc
Original Assignee
Nippon Telegraph and Telephone Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to US17/433,049 priority Critical patent/US11757741B2/en
Publication of WO2020175162A1 publication Critical patent/WO2020175162A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/06—Generation of reports
    • H04L43/062—Generation of reports related to network traffic
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/04—Processing captured monitoring data, e.g. for logfile generation

Definitions

  • the present invention relates to a demand forecasting device, a demand forecasting method, and a program.
  • a path is a request to use a network that specifies the start point node and end point node, and the required bandwidth or interface type.
  • Non-patent document 1 Regression analysis, [0 ⁇ 1 _1 ], Internet ⁇ 111 ⁇ 3 :// ⁇ 3.1/ ⁇ / _
  • Non-patent document 2 Sugago (Author), Detailed explanation of learning 6 0 1 ⁇ 1/ ⁇ /, Time series data processing, Mynavi Publishing (2017)
  • Non-Patent Documents 1 and 2 do not support forecasts with a range (optimal, upside, downside, etc.) regarding demand.
  • the present invention has been made in view of the above points, and an object of the present invention is to enable a wide range of prediction regarding demand.
  • the demand forecasting device sets a change in the demand in the first period before the second period which is a part of the first period. ⁇ 02020/175162 2 (: 170?2020/005623
  • a first acquisition unit that acquires a change in demand, and a plurality of periods other than the second period in the first period, each of the third periods having different lengths.
  • the second acquisition unit that acquires the change in the demand during the period, and the value of the trend pattern and the demand at a certain point in the first period for each combination of the plurality of trend patterns and the third period. And the change in demand in the second period for each trend pattern for each combination in which the parameters are specified, so that And selecting a part of the trend patterns for each combination described above based on the evaluation result.
  • FIG. 1 is a diagram showing an example of a hardware configuration of a demand forecasting device 10 according to an embodiment of the present invention.
  • FIG. 2 is a diagram showing a functional configuration example of the demand forecasting device 10 in the embodiment of the present invention.
  • FIG. 3 is a diagram showing a configuration example of design history data.
  • FIG. 4 is a diagram showing a configuration example of a demand storage unit 13.
  • FIG. 5 This is a flowchart to explain an example of the processing procedure for forecasting the demand trend of a path.
  • Fig. 6 is a diagram for explaining the forecast of the demand trend of the target forecast unit.
  • Fig. 7 is a diagram for explaining method 1 relating to conformity evaluation.
  • Fig. 9 is a diagram for explaining a method 2'for conformity evaluation.
  • FIG. 10 An example of the processing procedure for trend prediction processing with the effect of sudden demand removed It is a flow chart to clarify.
  • Fig. 11 is a diagram for explaining demand increments in each unit period.
  • FIG. 12 is a diagram showing an example of optimal prediction (after processing of o f f set), upward prediction (after processing of f f set ), and downward prediction (after processing of f f set ).
  • 13 is a flow _ Chiya _ Bok for explaining an example of handling processing of the processing procedure of the trend to change.
  • Fig. 14 is a diagram (No. 1) for explaining the first identification method when a trend change occurs.
  • Fig. 15 is a diagram (part 2) for explaining the first identification method when a trend change occurs.
  • Fig. 16 is a diagram for explaining the second identification method when a trend change occurs.
  • FIG. 1 is a diagram showing a hardware configuration example of a demand forecasting device 10 according to an embodiment of the present invention.
  • the demand forecasting device 10 shown in Fig. 1 includes a drive device 100, an auxiliary storage device 102, a memory device 103, a CPU 104, and an interface device 105 which are connected to each other by a bus B. It is a computer that has.
  • a program that realizes the processing in the demand forecasting device 10 is provided by a recording medium 1101, such as a CD-ROM.
  • a recording medium 1101 such as a CD-ROM.
  • the program is installed from the recording medium 101 to the auxiliary storage unit 102 via the drive unit 100.
  • the auxiliary storage device 102 stores the installed program and also stores necessary files and data.
  • the memory device 103 reads the program from the auxiliary storage device 102 and stores it when a program activation instruction is issued.
  • CPU 104 is a memory ⁇ 02020/175162 4 (: 170?2020/005623
  • the functions related to the demand forecasting device 10 are executed according to the program stored in the device 10.
  • the interface device 105 is used as an interface for connecting to the network.
  • FIG. 2 is a diagram showing an example of a functional configuration of the demand forecasting device 10 in the embodiment of the present invention.
  • the demand forecasting device 10 has a demand extracting unit 11 and a demand forecasting unit 12. Each of these parts has one or more programs installed in the demand forecasting device 10, It is realized by the process that is executed by.
  • the demand forecasting device 10 also uses the demand storage unit 13.
  • the demand storage unit 13 can be realized, for example, by using a storage device or the like that can be connected to the auxiliary storage device 102 or the demand prediction device 10 via a network.
  • the demand extraction unit 11 receives input of design history data regarding a path.
  • a path is a request for use of a network in which a start point node and an end point node and a required band or interface type are specified.
  • FIG. 3 is a diagram showing a configuration example of design history data.
  • the design history data includes, for example, the start point, the end point, the opening date, the abolition date, and the attribute for each path requested to be opened.
  • the starting point is the identifier of the node that is the starting point of the path on the network.
  • the end point is the identifier of the node that is the end point of the path.
  • the opening date is the date (or date and time) when the pass was opened.
  • the abolition date is the date (or date and time) when the path was abolished.
  • the attribute is an attribute related to the path. In Fig.
  • the system name is the name of the system that contains the path.
  • the type is the type of interface used by the path.
  • Bandwidth is the bandwidth requested for the path.
  • the demand extraction unit 11 totals the design history data group for each ground (set of start point and end point) and for each combination of attributes, and stores the totalized result in the demand storage unit 13.
  • FIG. 4 is a diagram showing a configuration example of the demand storage unit 13.
  • Figure 4 shows each ground ⁇ 02020/175162 5 (: 170?2020/005623
  • a set of design history data having a starting point of eight and an ending point of Mimi is newly provided for each combination of two types of attributes, attribute 1 and attribute 2. It shows the result of monthly total of accumulated demand and the result of monthly total of abolished demand.
  • Table D2 shows the total aggregated demand for new installations for each combination of two types of attributes, Attribute 1 and Attribute 2, for the set of design history data with a starting point of 8 and an ending point of ⁇ . , And the aggregate result of the abolished demand is shown.
  • the attributes 1 and 2 are the system name, the classification, or the system name and
  • I A unit that is distinguished by a combination of types. New construction corresponds to the opening date, and abolition corresponds to the abolition date.
  • the value of the attribute corresponds to attribute 1 in the set of design history data where the start point is and the end point is
  • the aggregated demand results are shown based on the set of design history data for which the opening month is before 2005/10.
  • the value of the demand aggregation result may be the number of corresponding design history data or the total value of the bands of the corresponding design history data.
  • the value of the attribute corresponds to attribute 1 in the set of design history data whose starting point is 8 and ending point is
  • the aggregated demand results based on the set of design history data in which the months before 2005/10 are abolished are shown.
  • the demand forecasting unit 12 uses the data stored in the demand storage unit 13 for each column of each table in Fig. 4 (that is, for each ground and for new or abolished by attribute (see below). , "Forecasting unit”.))), forecast the demand trend of the path.
  • the demand forecasting unit 12 is composed of a teacher data acquisition unit 1 2 1, a learning data acquisition unit 1 2 2, a parameter identification unit 1 2 3, a selection unit 1 2 4, an unexpected demand removal unit 1 2 5 and trend changes.
  • the coping department 1 2 6 etc. are included.
  • Figure 5 shows ⁇ 02020/175162 6 ((170?2020/005623
  • FIG. 2 is a flow chart for explaining an example of the processing procedure of the forecast processing of the demand trend of the customer.
  • the processing procedure in Fig. 5 is executed for each prediction unit.
  • the prediction unit targeted for processing is referred to as the “target prediction unit”.
  • the target prediction unit is data related to the establishment of a certain attribute between certain grounds.
  • Step 3 1 0 demand prediction unit 1 2, substitutes the final demand generation time I n of the target prediction unit to predict based on the last time I (the pre Hakamoto last time 1 by final demand generation time I n initialize.
  • FIG. 6 is a diagram for explaining the forecast of the demand trend of the target forecast unit.
  • the horizontal axis is time and the vertical axis is demand. Therefore, the curve !- 1 shows the time series data of the target forecast unit (summation result of cumulative demand for each month).
  • the final demand occurrence time 1 is the time corresponding to the end point of the curve !_ 1, that is, the opening month of the last design history data (according to the demand aggregation period) for the target prediction unit.
  • the forecast source final time 1 is the final time of the time series data of the target forecast unit used to forecast the demand trend.
  • the forecast source final time 1 is initialized by the final demand occurrence time 1, but the forecast source final time I may be initialized by a time point before I n.
  • the time-series data of the target prediction unit the time-series data of the period after the time when the demand initially becomes greater than 0 (hereinafter, referred to as "prediction source period"). Is used as the base data for prediction. Therefore, the time series data for the forecast period is shown as curve !_ 1 in Figure 6.
  • the teacher data acquisition unit 1 21 outputs the time series data (change in demand) of [1-chome + 1, 1] (teacher data period), which is a part of the prediction source period, Acquire as teacher data (3 10 2).
  • Ding is a parameter preset by the user, and indicates the length of the period to be predicted (for example, 2 years).
  • “+1” in [1; _ +1 +, 1:] is one month in the present embodiment.
  • demand is calculated on a monthly basis. ⁇ 02020/175162 7 (:170?2020/005623
  • the teacher data period is not limited to [1-Ding + 1, 1, 1].
  • the data of [I - «-chome + 1, I - «] that is shifted by minutes may be acquired as teacher data. That is, the end point of the teacher data period does not have to match.
  • the learning data acquisition unit 122 performs [1 -Choice ⁇ !+...!, during the period excluding the teacher data period in the prediction source period. Time series data for multiple periods
  • the maximum value of the length of ⁇ (the length of 8 in Fig. 6) is the system information of the network system where the path is located, such as the time when the network system of one generation ago started service. May be based on (eg, 6 years, etc.).
  • the minimum value of ⁇ ⁇ (the length of 81 in Fig. 6) is determined by the user based on the length of the period (Ding) to be predicted (for example, the same length as the Ding).
  • the parameter specifying unit 123 obtains the parameter of each "by an optimization method for each combination of a plurality of trend patterns (") X learning data period ⁇ ⁇ prepared in advance by the user (31 04 ).
  • the trend pattern () is, for example, a linear function, a sigmoidal function, a soft plus function, a soft sine function, or an exponential function.
  • step S104 the parameter identification unit 123 determines the predicted value (value based on the trend pattern) corresponding to the prediction source final time for each combination of the trend pattern (P j) X learning data period ⁇ i. And the demand d (t) corresponding to the forecast source final time t are equalized, the values of the parameters of each trend pattern (P j) are adjusted. However, if it is within the prediction source period, the parameter values may be adjusted so that the predicted value at the timing t′ other than the prediction source final time t and the demand d(t′) become equal.
  • the parameter specifying unit 123 determines the value of the parameter of the trend pattern in which the value of (p (X) -d (X)) 2 is the smallest by an optimization method (gradient method or the like).
  • the parameters to be obtained are, for example, as follows (an example of adjusting the parameter values of each trend pattern (P j) so that the demand d (t) corresponding to the forecast source final time t is equal) ..
  • X represents the time.
  • the parameter of "is a soft sine function" is the value in the following equation. ⁇ 02020/175162 9 (:170?2020/005623
  • the parameter of "is a sigmoidal function" is ⁇ , ⁇ in the following formula.
  • the selection unit 124 evaluates the suitability of each trend pattern (“) X learning data period ⁇ ⁇ with the specified parameter value with the teacher data, and based on the evaluation result, the teacher The combination with the highest suitability for the data is selected as the optimal prediction (optimal trend pattern ⁇ 1: optimal learning data period ⁇ ⁇ ) (31 05).
  • the following three methods, Method 1, Method 2 and Method 2', are examples of suitability evaluation methods.
  • FIG. 7 is a diagram for explaining a method 1 relating to conformity evaluation.
  • Fig. 7 shows the evaluation scale of the combination of the learning data period 8 1 and 3 ”, and the combination of the learning data period ⁇ 2 and 3 ”, of all the combinations.
  • FIG. 8 shows the time series data of the relative error of [te +1 803 1 father + 1 ,te _ te] and the method of [te _ die +1 ,te] in the method 2 regarding the evaluation of suitability. It is a figure for explaining learning of a relation of relative error (error / actual demand). For the sake of convenience, Fig. 8 shows the evaluation scale of the combination of the learning data period 8 1 and 3 ”, and the combination of the learning data period ⁇ 2 and 3 ”, of all the combinations. [0036] [Method 2']
  • FIG. 9 is a diagram for explaining the method 2'for conformity evaluation.
  • Fig. 9 shows the evaluation scales for the combinations of "of all combinations”.
  • the selection unit 1 2 4 determines the largest predicted value at the + point in the trend pattern (") (5" in this embodiment) for the optimum learning data period ⁇ 1. “Show” is used as “use for upside prediction”, and “Show smallest prediction value” is selected as “use for downside prediction” (3 106). It should be noted that Fig. 6 shows that there are five rules for the optimal learning data period ⁇ 1;. ⁇ 02020/175162 11 11 (: 170?2020/005623
  • “Rend pattern” is indicated by a broken line.
  • the trend pattern (”) selected as the optimal prediction in step 3105 and the trend pattern (”) selected as the upside and downside predictions in step 3106 are It is shown.
  • the 1 ⁇ 1th upside prediction, the 1 ⁇ 1th downside prediction, etc. may be selected. That is, some trend patterns selected from a plurality of trend patterns may be changed according to the purpose of prediction.
  • Step 3107 and subsequent steps may be executed.
  • step 3107 the sudden demand removing unit 1255 determines the actual trend in [1: _chome + 1, 1] for the optimal trend pattern ⁇ of the optimal prediction selected in step 3105.
  • the statistical value of the forecast error with respect to the change in demand is calculated, and the calculation result is assigned to the variable X.
  • the calculation method of the statistical value of the prediction error is as follows.
  • Forecasted value of [1: — Ding + 1, ,1:] ( ⁇ — ⁇ ⁇ (X), X X —) that was fitted with the optimal trend pattern ⁇ I for the optimal learning data period ⁇ ⁇ I Ding + 1, 1), and for the actual demand (X), calculate as follows
  • the sudden demand removing unit 125 determines whether or not X is equal to or larger than a preset allowable prediction error £ (3108). In other words, the result of comparison between the optimum trend pattern 0 1 of the optimum forecast selected in step 3105 and the change in actual demand satisfies the predetermined condition (the condition that X is less than the allowable error £). It is determined whether or not to add. ⁇ 02020/175162 12 ⁇ (: 170? 2020 /005623
  • the process of the demand forecasting unit 12 is terminated.
  • the demand forecasting unit 12 outputs the already selected optimal forecast, upside forecast and downside forecast as the target of forecast use (31 1 2).
  • Step 5 executes the forecasting process of the trend that removes the effect of sudden demand (31 09).
  • the demand forecasting unit 12 predicts the optimal forecast, the upside forecast and the downside forecast selected in the forecasting process. Output as the target of use (31 1 2
  • FIG. 10 is a flowchart to explain an example of the procedure of the trend forecasting process that eliminates the impact of sudden demand.
  • step 3201 the sudden demand removing unit 125 substitutes 1 into the variable I 6.
  • the variable 16 is a variable for storing the number of executions of the processing after step 3202 (the number of executions of removal of sudden demand).
  • the sudden demand removing unit 125 sets the optimum learning data period [1 _ _ _ 80
  • FIG. 11 is a diagram for explaining the demand increment in each unit period. As shown in Figure 11, the difference between the demand at the end time of period X and the demand at the start time is the demand increment ⁇ (X).
  • the sudden demand removal unit 125 identifies the start time of the unit period having the maximum value of the demand increment and substitutes the start time into 1 ⁇ 3 X (3203).
  • Fig. 1 1 In the above example, the demand increment c (t _2) in the unit period of [t _2, t _ 1] is the maximum. Therefore, t _ 2 which is the start time of the unit period is substituted into kma X.
  • the sudden demand removal unit 125 updates the prediction source final time t with kmaX (S204). As a result, the period after the start of the unit period in which the demand increase becomes the maximum (that is, the period of sudden demand) is excluded from the forecast period.
  • the sudden demand removal unit 125 executes a wide range trend prediction process (S205).
  • the trend prediction process with a wide range refers to the processing procedure (S 102 to S 106) surrounded by a broken line in Fig. 5. In this case, the final time of the prediction source deviates from t n in the past direction, so
  • the teacher data period and each learning data period also shift in the past by t n-t. Based on the learning data and the teacher data corresponding to this deviation, a wide trend prediction process is executed.
  • the trend patterns (P j) of the optimum prediction, the upward shake prediction, and the downward shake prediction obtained by executing step S 205 are respectively described below as the optimal prediction (before the offset processing) and the upward shake prediction (before the ffset processing). ), downside prediction ( ⁇ before ffset processing).
  • the sudden demand removal unit 125 determines the final demand for each of the optimum prediction (before ffset processing), the upside prediction (before offset processing), and the downside prediction (before offset processing).
  • the difference between the actual demand and the forecast value at time tn (actual demand first forecast value) is calculated (S206).
  • the final demand occurrence time t n is a value that has not changed from the beginning.
  • the difference related to the optimal prediction (before ffset processing), the above difference related to the upside prediction (before ffset processing) and the above difference related to the downside prediction (before ffset processing) are referred to below as offset (optimal prediction).
  • offset optimal prediction
  • ⁇ ffset upward prediction
  • offset downward prediction
  • the sudden demand removal unit 125 performs optimum prediction (before ffset processing), upside prediction (before offset processing), downside prediction (before offset processing) and offset (optimal prediction), offset (upward prediction), ⁇ ff
  • the result of adding the set (downward prediction) is obtained as the optimal prediction (after the offset processing), the upward prediction (after the offset processing), and the downward prediction (after the offset processing) (S207).
  • Figure 12 shows an example of optimal prediction (after offset processing), upside prediction (after offset processing), and downside prediction (after offset processing).
  • the sudden demand removal unit 125 calculates a statistical value (for example, the average value) of the forecast error with respect to the change in the actual demand at [t _T + 1, t ]. ) Is calculated and the calculation result is substituted into the variable Y (S 208)
  • the sudden demand removal unit 125 determines whether Y is equal to or larger than the allowable prediction error s (S209). In other words, it is judged whether or not the result of comparison between the optimal forecast (after the f f set process) and the actual change in demand satisfies the predetermined condition (the condition that Y is less than the allowable error s).
  • the sudden demand removal unit 125 determines the optimal prediction (after the offset processing) obtained last, the upside prediction (after the ffset processing), and Downward prediction (after offset processing) is selected as the target for the prediction (S 210).
  • Step 5 determines whether Y is larger than X (S211). That is, it is determined whether or not the last selected optimal prediction is less accurate than the previously selected optimal prediction.
  • the out-of-demand demand removal unit 125 sets the optimal forecast used in the calculation of X and the upward and downward forecasts corresponding to the optimal forecast. Select as the target for prediction (S 2 1 2)
  • the optimum prediction used in the calculation of X is the optimum prediction obtained one time before the last optimum prediction.
  • the sudden demand removing unit 125 determines whether or not the value of the variable ite is less than maxite (S21). 3).
  • max_ite is the upper limit (that is, step ⁇ 02020/175162 15 (: 170?2020/005623
  • the upper limit of the number of repetitions after page 3202) is shown.
  • the sudden demand removal unit 125 adds the value of the variable ⁇ I 6 with 1 to the variable ⁇ I 6 Substitute in (32 1 4). Subsequently, the sudden demand removal unit 125 substitutes the value of the variable ⁇ into the variable X (32 1 5).
  • Step 3202 and subsequent steps are repeated.
  • Fig. 13 is a flow chart for explaining an example of the processing procedure for coping with changes in trends.
  • step 3301 the trend change coping unit 126 identifies the time point when the trend change occurs.
  • the following methods 1 and 2 can be cited as examples of methods to identify the point of time when the trend changes.
  • FIGs. 14 and 15 are diagrams for explaining the first identification method when a trend change occurs.
  • the table and graph in Fig. 14 show the time-series changes of each parameter related to Method 1 when there is no change in the trend (in the case of sudden demand).
  • the table and graph in Fig. 15 show the changes in the time series of each parameter for method 1 when a trend change occurs.
  • the start time k max of the unit period that takes the maximum value of demand increment is specified as the time when the trend change occurs.
  • FIG. 16 is a diagram for explaining the second identifying method at the time when a trend change occurs.
  • Figure 16 shows an example in which t n — 2 is identified as the time when the trend change occurred.
  • the trend change coping unit 126 deletes the time series data of the target prediction unit, the data in the period before the time point when the trend change occurs (S302).
  • step S 1 As shown in FIG. 5, after step S 302, step S 1
  • step S302 Re-execution after 01 is performed.
  • step S302 by the action of step S302, ⁇ 02020/175162 17 17 (: 170?2020/005623
  • the trend change counter 1 2 6 Should be set to a smaller value (for example, 1/ n ).
  • the user can select a forecast line according to the application and can formulate an investment plan and a network plan for infrastructure equipment corresponding to the demand of paths based on actual data.
  • the present embodiment may be applied to demand for goods or services other than the pass.
  • the prediction source period is an example of the first period.
  • Teacher data acquisition unit 1 2 1 is an _ example of the first acquisition unit.
  • the teacher data period is an example of the second period.
  • the learning data period is an example of the third period.
  • the learning data acquisition unit 1 2 2 is an example of the second acquisition unit.
  • the parameter specifying unit 123 is an example of the first specifying unit.
  • the period after the start time of the unit period when the demand increase is the maximum is an example of the fourth period.
  • the period before the time of the trend change is an example of the fifth period.
  • the sudden demand removing unit 125 is an example of the first removing unit.
  • the trend change coping unit 1 2 6 is an example of the second removing unit.
  • the optimum trend pattern _ 1 is an example of the first trend pattern.
  • Optimal forecasting (after 36 I treatment) is an example of the second trend pattern.

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Small-Scale Networks (AREA)

Abstract

需要予測装置は、第１の期間における需要の変化のうち、前記第１の期間の一部の期間である第２の期間における前記需要の変化を取得し、前記第１の期間のうち前記第２の期間を除く複数の期間であって、それぞれ長さの異なる第３の期間ごとに、当該第３の期間における前記需要の変化を取得し、複数のトレンドパターンと前記第３の期間との組み合わせごとに、前記第１の期間の或る時点におけるトレンドパターンの値と前記需要とが等しくなるように、前記トレンドパターンのパラメータを特定し、パラメータが特定された前記組み合わせごとのトレンドパターンごとに、前記第２の期間における前記需要の変化との適合性を評価し、評価結果に基づいて、前記組み合わせごとのトレンドパターンの中から一部のトレンドパターンを選択することで、需要に関して幅の有る予測を可能とする。

Description

\¥02020/175162 1 卩（：17 2020/005623
明 細 書
発明の名称 ： 需要予測装置、 需要予測方法及びプログラム 技術分野
［0001］ 本発明は、 需要予測装置、 需要予測方法及びプログラムに関する。
背景技術
［0002］ ネッ トワーク上のパス等の需要予測では、 予測の用途に応じて、 最も適合 度の高いトレンドの予測線ではなく、 下振れのトレンドが求められる場合 （ ネッ トワークトポロジの検討で利用する場合等） 、 上振れのトレンドが求め られる場合 （ネッ トワークのインフラ設備の在庫管理で利用する在庫する場 合等） がある。 なお、 パスとは、 始点ノード及び終点ノードと、 必要帯域又 はインタフェース種別等が指定された、 ネッ トワークの利用要求をいう。 先行技術文献
非特許文献
［0003］ 非特許文献 1 :回帰分析、 ［0门1 _1 ］ 、 インターネッ ト <111^卩3 ://』3. 1/\/ _| 1< _1卩6〇1 i a. org/w i k i / 5%98%9£ 5 8 0 5% 88%86 6%9£%90>
非特許文献 2 :巣籠 （著） 、 詳解デイープラーニング了6 0 1〇1/\/,
Figure imgf000003_0001
る時系列データ処理、 マイナビ出版（2017）
発明の概要
発明が解決しようとする課題
［0004］ しかしながら、 従来の技術の組合せでは、 上記の状況を踏まえた需要予測 を行うことが困難である。 例えば、 非特許文献 1及び 2は、 需要に関して幅 （最適、 上振れ、 下振れ等） の有る予測には対応していない。
［0005］ 本発明は、 上記の点に鑑みてなされたものであって、 需要に関して幅の有 る予測を可能とすることを目的とする。
課題を解決するための手段
［0006］ そこで上記課題を解決するため、 需要予測装置は、 第 1の期間における需 要の変化のうち、 前記第 1の期間の一部の期間である第 2の期間における前 \¥02020/175162 2 卩（：170?2020/005623
記需要の変化を取得する第 1の取得部と、 前記第 1の期間のうち前記第 2の 期間を除く複数の期間であって、 それぞれ長さの異なる第 3の期間ごとに、 当該第 3の期間における前記需要の変化を取得する第 2の取得部と、 複数の トレンドパターンと前記第 3の期間との組み合わせごとに、 前記第 1の期間 の或る時点におけるトレンドパターンの値と前記需要とが等しくなるように 、 前記トレンドバターンのパラメータを特定する第 1の特定部と、 パラメー 夕が特定された前記組み合わせごとのトレンドパターンごとに、 前記第 2の 期間における前記需要の変化との適合性を評価し、 評価結果に基づいて、 前 記組み合わせごとのトレンドバターンの中から一部のトレンドバターンを選 択する選択部と、 を有する。
発明の効果
［0007］ 需要に関して幅の有る予測を可能とすることができる。
図面の簡単な説明
［0008］ ［図 1］本発明の実施の形態における需要予測装置 1 0のハードウエア構成例を 示す図である。
［図 2］本発明の実施の形態における需要予測装置 1 0の機能構成例を示す図で ある。
［図 3］設計履歴データの構成例を示す図である。
［図 4］需要記憶部 1 3の構成例を示す図である。
［図 5］パスの需要のトレンドの予測処理の処理手順の一例を説明するためのフ 口ーチヤートでめる。
［図 6］対象予測単位の需要のトレンドの予測を説明するための図である。
［図 7］適合性の評価に関する方法 1 を説明するための図である。
Figure imgf000004_0001
］ の相対誤差の時系列デ _夕と ［て _丁 + 1 , て］ の相対誤差 （誤差/実需 ） の関係の学習を説明するための図である。
［図 9］適合性の評価に関する方法 2’ を説明するための図である。
［図 10］突発需要の影響を除去したトレンドの予測処理の処理手順の一例を説 明するためのフローチヤートである。
［図 11］各単位期間の需要増分を説明するための図である。
［図 12］最適予測 （o f f s e t処理後） 、 上振れ予測 （o f f s e t処理後 ） 、 及び下振れ予測 （〇 f f s e t処理後） の一例を示す図である。
［図 13］トレンドの変化への対処処理の処理手順の一例を説明するためのフロ _チヤ _卜である。
［図 14］トレンド変化が発生した時点の第 1の特定方法を説明するための図 （ その 1） である。
［図 15］トレンド変化が発生した時点の第 1の特定方法を説明するための図 （ その 2） である。
［図 16］トレンド変化が発生した時点の第 2の特定方法を説明するための図で ある。
発明を実施するための形態
［0009］ 以下、 図面に基づいて本発明の実施の形態を説明する。 図 1は、 本発明の 実施の形態における需要予測装置 1 0のハードウェア構成例を示す図である 。 図 1の需要予測装置 1 〇は、 それぞれバス Bで相互に接続されているドラ イブ装置 1 〇〇、 補助記憶装置 1 02、 メモリ装置 1 03、 C P U 1 04, 及びインタフェース装置 1 〇 5等を有するコンピュータである。
［0010］ 需要予測装置 1 0での処理を実現するプログラムは、 CD— R0M等の記 録媒体 1 01 によって提供される。 プログラムを記憶した記録媒体 1 01が ドライブ装置 1 〇〇にセツ トされると、 プログラムが記録媒体 1 01からド ライブ装置 1 〇〇を介して補助記憶装置 1 〇 2にインストールされる。 但し 、 プログラムのインストールは必ずしも記録媒体 1 01 より行う必要はなく 、 ネツ トワークを介して他のコンピュータよりダウンロードするようにして もよい。 補助記憶装置 1 02は、 インストールされたプログラムを格納する と共に、 必要なファイルやデータ等を格納する。
［0011］ メモリ装置 1 03は、 プログラムの起動指示があった場合に、 補助記憶装 置 1 02からプログラムを読み出して格納する。 C P U 1 04は、 メモリ装 \¥02020/175162 4 卩（：170?2020/005623
置 1 0 3に格納されたプログラムに従って需要予測装置 1 0に係る機能を実 行する。 インタフェース装置 1 0 5は、 ネッ トワークに接続するためのイン タフェースとして用いられる。
[0012] 図 2は、 本発明の実施の形態における需要予測装置 1 0の機能構成例を示 す図である。 図 2において、 需要予測装置 1 0は、 需要抽出部 1 1及び需要 予測部 1 2を有する。 これら各部は、 需要予測装置 1 0にインストールされ た 1以上のプログラムが、
Figure imgf000006_0001
に実行させる処理により実現される 。 需要予測装置 1 〇は、 また、 需要記憶部 1 3を利用する。 需要記憶部 1 3 は、 例えば、 補助記憶装置 1 0 2、 又は需要予測装置 1 0にネッ トワークを 介して接続可能な記憶装置等を用いて実現可能である。
[0013] 需要抽出部 1 1は、 パスに関する設計履歴データの入力を受け付ける。 パ スとは、 始点ノード及び終点ノードと、 必要帯域又はインタフェース種別等 が指定された、 ネッ トワークの利用要求をいう。
[0014] 図 3は、 設計履歴データの構成例を示す図である。 図 3に示されるように 、 設計履歴データは、 例えば、 開設が要求されたパスごとに、 始点、 終点、 開通日、 廃止日、 属性等を含む。 始点は、 ネッ トワーク上において、 当該パ スの始点となるノードの識別子である。 終点は、 当該パスの終点となるノー ドの識別子である。 開通日は、 当該パスが開通した日付 （又は日時） である 。 廃止日は、 当該パスが廃止された日付 （又は日時） である。 属性は、 当該 パスに関する属性である。 図 3では、 システム名、 帯域及び丨 （インタフ ェース） 種別及等が属性を構成する項目の一例として示されている。 システ ム名は、 パスを収容するシステムの名前である。 丨 種別は、 パスが利用す るインタフェースの種別である。 帯域は、 パスに対して要求されている帯域 である。
[0015] 需要抽出部 1 1は、 設計履歴データ群を対地 （始点及び終点の組み） ごと 、 かつ、 属性の組み合わせごとに集計し、 集計結果を需要記憶部 1 3に記憶 する。
[0016] 図 4は、 需要記憶部 1 3の構成例を示す図である。 図 4には、 対地ごと、 \¥02020/175162 5 卩（：170?2020/005623
かつ、 属性別に、 各設計種別 （新設、 廃止） のーヶ月単位の需要の累計が集 計される例が示されている。
[0017] 具体的には、 テーブル丁 1 には、 始点が八であり、 終点が巳である設計履 歴データの集合について、 属性 1及び属性 2の 2種類の属性の組み合わせ別 に、 新設の需要の累計の 1 ヶ月ごとの集計結果と、 廃止の需要の累計の 1 ヶ 月ごとの集計結果とが示されている。 同様に、 テーブル丁 2には、 始点が八 であり、 終点が〇である設計履歴データの集合について、 属性 1及び属性 2 の 2種類の属性の組み合わせ別に、 新設の需要の累計の集計結果と、 廃止の 需要の累計の集計結果とが示されている。
[0018] ここで、 属性 1、 属性 2は、 システム名、 丨 種別、 又はシステム名及び
I 種別の組み合わせによって区別される単位である。 新設は、 開通日に対 応し、 廃止は、 廃止日に対応する。
[0019] したがって、 例えば、 テーブル丁 1の 1番目のレコードの属性 1の新設の 列は、 始点が であり、 終点が巳である設計履歴データの集合のうち、 属性 の値が属性 1 に該当し、 かつ、 2 0 0 5 / 1 0以前が開通月である設計履歴 データの集合に基づく需要の集計結果を示す。 ここで、 需要の集計結果の値 は、 該当する設計履歴データの数であってもよいし、 該当する設計履歴デー 夕の帯域の合計値であってもよい。 また、 例えば、 テーブル丁 1の 1番目の レコードの属性 1の廃止の列は、 始点が八であり、 終点が巳である設計履歴 データの集合のうち、 属性の値が属性 1 に該当し、 かつ、 2 0 0 5 / 1 0以 前が廃止月である設計履歴データの集合に基づく需要の集計結果を示す。
[0020] 需要予測部 1 2は、 需要記憶部 1 3に記憶されたデータを用いて、 図 4の 各テーブルの列ごと （すなわち、 対地ごと、 かつ、 属性別の新設又は廃止ご と （以下、 「予測単位」 という。 ） ） に、 パスの需要のトレンドを予測する 。 図 2において、 需要予測部 1 2は、 教師データ取得部 1 2 1、 学習データ 取得部 1 2 2、 パラメータ特定部 1 2 3、 選択部 1 2 4、 突発需要除去部 1 2 5及びトレンド変化対処部 1 2 6等を含む。
[0021 ] 以下、 需要予測部 1 2が実行する処理手順について説明する。 図 5は、 パ \¥02020/175162 6 卩（：170?2020/005623
スの需要のトレンドの予測処理の処理手順の一例を説明するためのフローチ ヤートである。 図 5の処理手順は、 予測単位ごとに実行される。 以下、 処理 対象とされている予測単位を 「対象予測単位」 という。 なお、 本実施の形態 では、 対象予測単位は、 或る対地間の或る属性の新設に関するデータである とする。
［0022］ ステップ 3 1 0 1 において、 需要予測部 1 2は、 対象予測単位の最終需要 発生時刻 I nを予測元最終時刻 Iに代入 （最終需要発生時刻 I nによって予 測元最終時刻 1を初期化） する。
［0023］ 図 6は、 対象予測単位の需要のトレンドの予測を説明するための図である 。 図 6のグラフにおいて、 横軸は時間であり、 縦軸は需要である。 したがっ て、 曲線 !- 1は、 対象予測単位の時系列データ （1 ヶ月ごとの需要の累計の 集計結果） を示す。 ここで、 最終需要発生時刻 1 とは、 曲線 !_ 1の終点に 対応する時刻、 すなわち、 対象予測単位についての、 最後の設計履歴データ の開通月 （需要の集計期間に従う） である。 なお、 予測元最終時刻 1は、 需 要のトレンドの予測に利用される対象予測単位の時系列データの最終時刻を 示す。 ここでは、 予測元最終時刻 1が最終需要発生時刻 1 によって初期化 される例を示したが、 I nより前の時点によって予測元最終時刻 Iが初期化 されるようにしてもよい。
［0024］ なお、 本実施の形態では、 対象予測単位の時系列データのうち、 需要がは じめて 0より大きくなる時点以降の期間 （以下、 「予測元期間」 という。 ） の時系列データが予測の元になるデータとして利用される。 したがって、 予 測元期間の時系列データが、 図 6の曲線 !_ 1 として示されている。
［0025］ 続いて、 教師データ取得部 1 2 1は、 予測元期間の一部の期間である ［1 -丁 + 1 , 1］ （教師データ期間） の時系列データ （需要の変化） を、 教師 データとして取得する （3 1 0 2） 。 ここで、 丁は、 ユーザによって予め設 定されるパラメータであり、 予測したい期間の長さ （例えば、 2年等） を示 す。 また、 ［1; _丁 + 1 , 1:］ における 「+ 1」 は、 本実施の形態において は 1 ヶ月である。 本実施の形態では、 図 3に示したように、 ーヶ月単位で需 \¥02020/175162 7 卩（：170?2020/005623
要が集計されているからである。 すなわち、 「+ 1」 の単位は、 需要の集計 期間に従う。 なお、 教師データ期間は、 ［1 -丁+ 1 , 1］ に限られない。 例えば、 《分前にずれた ［I -«-丁+ 1 , I -«］ のデータが教師データ として取得されてもよい。 すなわち、 教師データ期間の終点は、 に一致し ていなくてもよい。
［0026］ 続いて、 学習データ取得部 1 22は、 予測元期間のうち教師データ期間を 除く期間における、 ［1 -丁一△ ! + ·! ,
Figure imgf000009_0001
の複数の期間の時系列デ
—夕 （需要の変化） を、 学習データとして取得する （31 03） 。 ここで、 △ 丨 （ 1 = 1 , - -, 丨） は、 ユーザによって予め設定されるパラメータであ り、 各△ 丨 は、 それぞれ相互に長さ （期間） が異なる。 図 6では、 丨 = 4の 例が示されている。 したがって、 この場合、 4つの学習データが取得される 。 △ 丨の長さの最大値、 （図 6では八4の長さ） は、 パスが配置されるネッ トワークシステムのシステム情報、 例えば、 1世代前のネッ トワークシステ ムがサービスを開始した時期等に基づいて決定されてもよい （例えば、 6年 等） 。 △ 丨の最小値 （図 6では、 八 1の長さ） は、 予測したい期間の長さ （ 丁） に基づいてユーザが決める （例えば、 丁と同じ長さ） 。
［0027］ なお、 予測元期間のデータ数 （予測元期間の月数） が丁 +八 丨の最小値に 満たない場合 （需要がはじめて 0より大きくなる時点が 1: _丁 _△ 丨の最小 値 + 1 より小さい場合） は、 丁、 △ 丨 を更に小さな値を設定すればよい （例 えば、 一律 1 / ） 。
［0028］ 続いて、 パラメータ特定部 1 23は、 予めユーザによって準備された複数 のトレンドバターン （ 」） X学習データ期間△ 丨の組み合わせごとに、 各 」のパラメータを最適化手法により求める （31 04） 。 ここで、 トレン ドバターン （ 」） は、 例えば、 線形関数、 シグモイ ド関数、 ソフトプラス 関数、 ソフトサイン関数、 指数関数である。 この場合、 」 = 1 , , 5 である。 すなわち、 1 =線形関数、 2=シグモイ ド関数、 3=ソフト プラス関数、 4=ソフトサイン関数、 5=指数関数である。 したがって 、 I =4であれば、 トレンドバターン （ 」） X学習データ期間△ 丨の組み 合わせの数は、 5 X4 = 20である。 なお、 これらの関数については、 例え ば、 rhttps://j a. wikipedia. org/wik i/%E6%B4%BB%E6%80%A7%E5%8C%96%E9%96 %A2%E6%95%B0」 に詳しい。
[0029] ステップ S 1 04において、 パラメータ特定部 1 23は、 トレンドバター ン (P j ) X学習データ期間△ iの組み合わせごとに、 予測元最終時刻 に 対応する予測値 (トレンドパターンに基づく値) と、 予測元最終時刻 tに対 応する需要 d (t ) とが等しくなるように、 各トレンドバターン (P j ) の パラメータの値を調整して求める。 但し、 予測元期間内であれば、 予測元最 終時刻 t以外のタイミング t’ での予測値と需要 d (t’ ) とが等しくなる ようにパラメータの値が調整されてもよい。
[0030] 具体的には、 学習データ期間△ i における、 需要を d (X) , x= [t - T-A i + 1 , t _T] とする。 トレンドバターン (P j ) が出力する需要 の変化を p (X) , x= [t— T— A i + 1 , t— T] とする。 パラメータ 特定部 1 23は、 この場合において、 å (p (X) -d (X) ) 2が最も小さ くなるトレンドパターンのパラメータの値を最適化手法 (勾配法等) により 求める。 求めるパラメータは、 例えば、 以下の通りである (予測元最終時刻 tに対応する需要 d (t ) とが等しくなるように、 各トレンドパターン (P j ) のパラメータの値を調整する場合の例) 。 Xは時刻を表す。
[0031] 線形関数である P jのパラメータは、 以下の式における aである。
p (X) = d ( t ) — ( a X (t— x) )
指数関数である P jのパラメータは、 以下の式における a, bである。 p (X) = bXax+d ( t ) — ( b X a 1 )
ソフトプラス関数である P jのパラメータは、 以下の式における aである (X) = 8X 1 09 (1 十㊀父 (X) ) + (¢1 (〇 — 8X 1 09 (1 十 6 X ( 1： ) ) )
ソフトサイン関数である 」のパラメータは、 以下の式における 匕で ある。 \¥02020/175162 9 卩（：170?2020/005623
（X） = 8 X X / （ 1 + 6 X | X |） +〇1 （〇 — 8X 1: / （1 + 6x 1
1 I） ）
シグモイ ド関数である 」のパラメータは、 以下の式における 匕， 〇 である。
（X） = ^ / （1 + 6 6父 （―〇 X X） ） +〇1 （〇 — ^ / （1 +匕 ㊀父 （一0X1:） ）
続いて、 選択部 1 24は、 パラメータの値が特定されたトレンドパターン （ 」） X学習データ期間△ 丨の各組み合わせについて、 教師データとの適 合性を評価し、 評価結果に基づいて、 教師データに対して適合性の評価が最 高である組み合わせを最適予測 （最適トレンドパターン 〇 1：、 最適学習 データ期間△〇 ） として選択する （31 05） 。 適合性の評価方法とし ては、 以下の方法 1、 方法 2、 方法 2’ の 3つの方法が一例として挙げられ る。
[0032] [方法 1 ]
[ _丁 + 1 , 1: ] の相対誤差 （誤差/実需） の二乗和を評価尺度とし、 当該二乗和を最小化するトレンドパターン （ 」） 、 学習データ期間△ 丨 を 最適予測 （最適トレンドパターン 〇 、 最適学習データ期間△〇 1） として選択する。
[0033] 図 7は、 適合性の評価に関する方法 1 を説明するための図である。 図 7に は、 便宜上、 全組み合わせのうち、 学習データ期間八 1 と 3つの 」 との組 み合わせと、 学習データ期間△ 2と 3つの 」 との組み合わせとの評価尺度 が示されている。
[0034] [方法 2 ]
て （!：>0、 かつ、 ！：一丁一△〇13父+ 1 >0）
Figure imgf000011_0001
八 丨の最 大値） をパラメータにして、 [て一 T_△max+ 1 , て一丁] の相対誤差 の時系列データと [て _丁+ 1 , て] の相対誤差 （誤差/実需） との関係を 、 トレンドパターン （ 」） と学習データ期間△ 丨の組み合わせごとに事前 に機械学習 （口
Figure imgf000011_0002
等） により学習しておく。 学習 \¥0 2020/175162 10 卩（：170? 2020 /005623
済みのモデルを使い、 トレンドパターン （ 」） と学習データ期間△ 丨の組 み合わせごとに、
Figure imgf000012_0001
I _丁］ の相対誤差の時系列デ —夕から評価尺度 （ ［1； _丁+ 1 , 1:］ における相対誤差の統計値 （例えば 、 平均） ） を予測し、 評価尺度の予測値が最も良くなる （小さくなる） 予測 を最適予測 （最適トレンドパターン 〇 、 最適学習データ期間△〇 1 ） として選択する。
［0035］ 図 8は、 適合性の評価に関する方法 2における ［て一丁一八〇1 3父+ 1 , て _丁］ の相対誤差の時系列データと ［て _丁 + 1 , て］ の相対誤差 （誤差 /実需） の関係の学習を説明するための図である。 図 8には、 便宜上、 全組 み合わせのうち、 学習データ期間八 1 と 3つの 」 との組み合わせと、 学習 データ期間△ 2と 3つの 」 との組み合わせとの評価尺度が示されている。 ［0036］ ［方法 2’ ］
てをパラメータにして、 ［て一丁 _△ 01 8 X + 1 , て一丁］ の時系列パタ —ンと ［て _丁+ 1 , て］ の相対誤差 （誤差/実需） との関係を事前に機械 学習 （0 !\!等） により学習しておく。 学習済みのモデルを使い、 ［1 _丁 —△01 3父+ 1 , 1：—丁］ の時系列パターンから、 トレンドパターン （ 」
） X学習データ期間△ 丨の評価尺度 （ ［I _丁+ 1 , I］ における相対誤差 の統計値 （例えば、 平均） ） の予測値を算出し、 評価尺度の予測値が最も良 くなる （小さくなる） 予測を最適予測 （最適トレンドパターン 〇 1：、 最 適学習データ期間△〇 1） として選択する。
［0037］ 図 9は、 適合性の評価に関する方法 2’ を説明するための図である。 図 9 には、 便宜上、 全組み合わせのうち、 3つの 」に係る組み合わせの評価尺 度が示されている。
［0038］ 続いて、 選択部 1 2 4は、 最適学習データ期間△〇 1に対するトレンド バターン （ 」） （本実施の形態では、 5つの 」） の中で、 +丁時点で 最も大きな予測値を示す 」を上振れ予測に利用する 」 として選択し、 最 も小さな予測値を示す 」を下振れ予測に利用する 」 として選択する （3 1 0 6） 。 なお、 図 6には、 最適学習データ期間△〇 1;に対する 5つの卜 \¥02020/175162 11 卩（：170?2020/005623
レンドバターン 」が破線で示されている。 また、 この中で、 ステップ 3 1 0 5において最適予測として選択されるトレンドバターン （ 」） 、 ステッ プ3 1 0 6において上振れ予測、 下振れ予測として選択されるトレンドバタ —ン （ 」） が示されている。 なお、 予測の用途に応じて、 1\1番目の上振れ 予測、 1\1番目の下振れ予測等が選択されてもよい。 すなわち、 複数のトレン ドパターンの中から選択される一部のトレンドパターンは、 予測の用途に応 じて変えられてもよい。
［0039］ 以上により、 需要に関して幅の有る予測を可能とすることができる。
［0040］ 続いて、 突発需要 （マイグレーシヨ ン （例えば、 新しいシステムへのパス の移行） 、 装置設置ビルの変更等、 ネッ トワーク事業者の都合により発生す る需要） の影響を除去したい場合に、 ステップ 3 1 0 7以降が実行されても よい。
［0041］ ステップ 3 1 0 7において、 突発需要除去部 1 2 5は、 ステップ 3 1 0 5 において選択された最適予測の最適トレンドパターン 〇 について、 ［ 1: _丁 + 1 , 1］ における実際の需要の変化に対する予測誤差の統計値を計 算し、 計算結果を変数 Xに代入する。 予測誤差の統計値の計算方法は、 例え ば、 以下の通りである。
［0042］ 最適学習データ期間△〇 Iに対して最適トレンドパターン 〇 Iを適 合させた ［ 1:—丁 + 1 , 1:］ の予測値 （ 〇 —△〇 （ X） , X = X —丁 + 1 , 1） 、 実際の需要 （X） に対して、 以下のように計算する
〇
Figure imgf000013_0001
…，
続いて、 突発需要除去部 1 2 5は、 Xが予め設定された許容予測誤差 £以 上であるか否かを判定する （3 1 0 8） 。 すなわち、 ステップ 3 1 0 5にお いて選択された最適予測の最適トレンドパターン 〇 1と実際の需要の変 化との比較結果が所定の条件 （Xが許容誤差 £未満であるという条件） を満 たすか否かが判定される。 \¥02020/175162 12 卩（：170? 2020 /005623
[0043] 乂が£未満である場合 （31 08で1\1〇） 、 需要予測部 1 2の処理は終了 する。 この場合、 需要予測部 1 2は、 既に選択されている最適予測、 上振れ 予測及び下振れ予測を、 予測の利用対象として出力する （31 1 2） 。
[0044] —方、 乂が£以上である場合 （31 08で丫63） 、 突発需要除去部 1 2
5は、 突発需要の影響を除去したトレンドの予測処理を実行する （31 09 ） 。 当該予測処理において、 トレンドの変化が検知されなかった場合 （31 1 0で N 0） 、 需要予測部 1 2は、 当該予測処理において選択された最適予 測、 上振れ予測及び下振れ予測を予測の利用対象として出力する （31 1 2
[0045] —方、 突発需要の影響を除去したトレンドの予測処理において、 トレンド の変化が検知された場合 （31 1 0で丫63） 、 トレンド変化対処部 1 26 は、 トレンドの変化への対処処理を実行して （31 1 1） 、 ステップ 31 0 1以降を繰り返す。
[0046] 続いて、 ステップ 31 09の詳細について説明する。 図 1 0は、 突発需要 の影響を除去したトレンドの予測処理の処理手順の一例を説明するためのフ 口ーチヤートでめる。
[0047] ステップ3201 において、 突発需要除去部 1 25は、 変数丨 I 6に対し て 1 を代入する。 変数丨 1 6は、 ステップ 3202以降の処理の実行回数 （ 突発需要の除去の実行回数） を記憶するための変数である。
[0048] 続いて、 突発需要除去部 1 25は、 最適学習データ期間 [ 1 _丁_八〇
1 + 1 ,
Figure imgf000014_0001
と教師データ期間 [ I _丁+ 1 , 1 ] とにおける各単位期 間 （ 1 ヶ月ごと） の需要増分〇 （X） （父= 1： -丁一△〇 + 1 , , — 1） を求める （3202） 。
[0049] 図 1 1は、 各単位期間の需要増分を説明するための図である。 図 1 1 に示 されるように、 期間 Xの終了時刻における需要と開始時刻における需要との 差分が、 需要増分〇 （X） とされる。
[0050] 続いて、 突発需要除去部 1 25は、 需要増分の最大値をとる単位期間の開 始時刻を特定し、 当該開始時刻を 1＜ 3 Xに代入する （3203） 。 図 1 1 の例では、 ［t _2, t _ 1］ の単位期間における需要増分 c （t _2） が 最大である。 したがって、 当該単位期間の開始時刻である t _ 2が k m a X に代入される。
［0051］ 続いて、 突発需要除去部 1 25は、 予測元最終時刻 tを k m a Xによって 更新する （S 204） 。 その結果、 需要増分が最大となる単位期間の開始時 刻以降 （すなわち、 突発需要の発生期間） の期間が予測元期間から除外され る。
［0052］ 続いて、 突発需要除去部 1 25は、 幅の有るトレンド予測処理を実行する （S 205） 。 幅の有るトレンド予測処理とは、 図 5において破線で囲まれ た処理手順 （S 1 02〜 S 1 06） をいう。 この場合、 予測元最終時刻 が t nよりも過去方向にずれているため、
教師データ期間及び各学習データ期間も t n - t分だけ過去方向にずれる。 このずれに対応する学習データ及び教師データに基づいて、 幅の有るトレン ド予測処理が実行される。 なお、 ステップ S 205の実行によって得られる 最適予測、 上振れ予測、 下振れ予測のそれぞれのトレンドパターン （P j） を、 以下、 最適予測 （o f f s e t処理前） 、 上振れ予測 （〇 f f s e t処 理前） 、 下振れ予測 （〇 f f s e t処理前） という。
［0053］ 続いて、 突発需要除去部 1 25は、 最適予測 （〇 f f s e t処理前） 、 上 振れ予測 （o f f s e t処理前） 、 下振れ予測 （o f f s e t処理前） のそ れぞれについて、 最終需要発生時刻 t nにおける実際の需要と予測値との差 分 （実需一予測値） を求める （S 206） 。 なお、 最終需要発生時刻 t nは 、 当初から不変の値である。 最適予測 （〇 f f s e t処理前） に係る当該差 分、 上振れ予測 （〇 f f s e t処理前） に係る当該差分、 下振れ予測 （〇 f f s e t処理前） に係る当該差分を、 以下、 o f f s e t （最適予測） 、 〇 f f s e t （上振れ予測） 、 o f f s e t （下振れ予測） という。
［0054］ 続いて、 突発需要除去部 1 25は、 最適予測 （〇 f f s e t処理前） 、 上 振れ予測 （o f f s e t処理前） 、 下振れ予測 （o f f s e t処理前） のそ れそれに o f f s e t （最適予測） 、 o f f s e t （上振れ予測） 、 〇 f f s e t （下振れ予測） を加算した結果を最適予測 （o f f s e t処理後） 、 上振れ予測 （o f f s e t処理後） 、 下振れ予測 （o f f s e t処理後） と して求める （S 207） 。 図 1 2に、 最適予測 （o f f s e t処理後） 、 上 振れ予測 （o f f s e t処理後） 、 及び下振れ予測 （o f f s e t処理後） の一例を示す。
[0055] 続いて、 突発需要除去部 1 25は、 最適予測 （〇 f f s e t処理後） につ いて、 [t _T+ 1 , t ] における実際の需要の変化に対する予測誤差の統 計値 （例えば、 平均） を計算し、 計算結果を変数 Yに代入する （S 208）
[0056] 続いて、 突発需要除去部 1 25は、 Yが許容予測誤差 s以上であるか否か を判定する （S 209） 。 すなわち、 最適予測 （〇 f f s e t処理後） と実 際の需要の変化との比較結果が所定の条件 （ Yが許容誤差 s未満であるとい う条件） を満たすか否かが判定される。
[0057] Yが s未満である場合 （ S 209で N〇） 、 突発需要除去部 1 25は、 最 後に求めた最適予測 （o f f s e t処理後） 、 上振れ予測 （〇 f f s e t処 理後） 、 及び下振れ予測 （o f f s e t処理後） を予測の利用対象として選 択する （S 2 1 0） 。
[0058] 一方、 Yが s以上である場合 （S 209で Ye s） 、 突発需要除去部 1 2
5は、 Yが Xより大きいか否かを判定する （S 2 1 1） 。 すなわち、 最後に 選択した最適予測が、 その前に選択した最適予測よりも精度が悪化している か否かが判定される。 Yが Xより大きい場合 （S 2 1 1で Ye s） 、 突発需 要除去部 1 25は、 Xの計算に利用した最適予測と、 当該最適予測に対応す る上振れ予測及び下振れ予測を予測の利用対象として選択する （S 2 1 2）
。 Xの計算に利用した最適予測とは、 最後の最適予測の 1回前に求められた 最適予測をいう。
[0059] 一方、 Yが X以下である場合 （S 2 1 1で N o） 、 突発需要除去部 1 25 は、 変数 i t eの値が、 m a x i t e未満であるか否かを判定する （S 2 1 3） 。 m a x_ i t eは、 突発需要の除去回数の上限 （すなわち、 ステッ \¥02020/175162 15 卩（：170?2020/005623
プ3202以降の繰り返し回数の上限) を示す。 変数丨 6の値が 3父_ I I 6未満である場合 (32 1 3で丫63) 、 突発需要除去部 1 25は、 変 数丨 I 6の値に 1 を加算した結果を変数丨 I 6に代入する (32 1 4) 。 続 いて、 突発需要除去部 1 25は、 変数 Xに変数丫の値を代入し (32 1 5)
、 ステップ 3202以降を繰り返す。
[0060] 変数丨 6の値が013父_丨 I 6以上になると (すなわち、 突発需要の影 響の除去をしても、 予測誤差が十分に小さくならない場合) (32 1 3で 〇) 、 突発需要除去部 1 25は、 トレンドの変化を検知する (32 1 6) 。 この場合、 図 5のステップ 31 1 0の判定は N 0となり、 ステップ 31 1 1 が実行される。
[0061] 続いて、 ステップ 31 1 1の詳細について説明する。 図 1 3は、 トレンド の変化への対処処理の処理手順の一例を説明するためのフローチヤートであ る。
[0062] ステップ 3301 において、 トレンド変化対処部 1 26は、 トレンドの変 化が発生した時点を特定する。 トレンドの変化の発生時点の特定方法として 、 以下の方法 1及び方法 2が一例として挙げられる。
[0063] [方法 1 ]
まず、 時刻父における最適予測の予測誤差の移動平均巳 [ø] (X) 、 予 測誤差の標準偏差の移動平均日 [£7] (X) を以下の方法で計算する。 ここ で、 6 (X) は、 時刻 Xにおける実需と最適予測の予測値の差 (実需一予測 値) である。
(a) E [ 6 ] (X) = aXE [ ø ] ( X— 1 ) + (1 —00 X6 (X) (13) 巳 [£7] (X) =/3 巳 [£7] (X - 1 ) + い -/ 3) X I 6 (X) -巳 [ (X) 丨
Figure imgf000017_0001
について、 上記 ( 8 ) 、 ( 13 ) の計算を行う
。 6 ( X ) が誤差上限 (巳 [6] (X) 十· )^巳 [£7] (X) ) を超えた状態 (閾値ごえ) が 1\1回連続して発生した期間の開始時点をトレンドの変化の発 生時点として特定する。 換言すれば、 閾値ごえが 1\1回連続しない場合には、 本実施の形態では、 突発需要であると判定される。
[0064] 図 1 4及び図 1 5は、 トレンド変化が発生した時点の第 1の特定方法を説 明するための図である。 図 1 4及び図 1 5では、 a = /S = 1 /4, r = 2,
N = 3である例を示す。
[0065] 図 1 4の表及びグラフは、 トレンドの変化が無い場合 （突発需要の場合） の方法 1 に関する各パラメータの時系列変化等を示す。 図 1 5の表及びグラ フは、 トレンドの変化が発生した場合の方法 1 に関する各パラメータの時系 列変化等を示す。
[0066] 図 1 4の表では、 閾値ごえの列において閾値ごえの状態 （T RU E） は、 時刻 = 6の 1回のみである。 したがって、 この場合、 トレンドの変化は無い と判定される。
[0067] —方、 図 1 5の表では、 閾値ごえの列において閾値ごえの状態 （T RU E ） は、 時刻 = 6〜 8において 3回連続している。 したがって、 この場合、 3 回連続した期間の開始時点 （時刻 =6） が、 トレンド変化の発生時点として 特定される。
[0068] [方法 2]
[t n -T+ 1 , t n] のデータ （教師データ） について、 各単位期間 （ 1 ヶ月ごと） の需要増分 c （X） （x= t n -T+ 1 , t n - 1） を求 める。 需要増分の最大値をとる単位期間の開始時刻 k m a xをトレンド変化 が発生した時点として特定する。
[0069] 図 1 6は、 トレンド変化が発生した時点の第 2の特定方法を説明するため の図である。 図 1 6では、 t n— 2がトレンド変化の発生時刻として特定さ れた例が示されている。
[0070] 続いて、 トレンド変化対処部 1 26は、 対象予測単位の時系列データのう ち、 トレンド変化発生時点よりも前の期間のデータを削除する （S 302）
[0071] なお、 図 5に示されるように、 ステップ S 302に続いて、 ステップ S 1
01以降の再実行が行われる。 この場合、 ステップ S 302の作用により、 \¥02020/175162 17 卩（：170?2020/005623
当初の予測元期間 （突発需要の期間の除去前の予測元期間） から、 トレンド 変化発生時点よりも前の期間が除去される。 その結果、 対象予測単位の時系 列データのうち、 トレンド変化発生時点以降のデータ数が、 丁+八 丨の最小 値にみたない場合には、 トレンド変化対処部 1 2 6は、 各△ 丨 を更に小さな 値 （例えば、 一律 1 / n） として処理を実行すればよい。
[0072] 上述したように、 本実施の形態によれば、 需要に関して幅の有る予測を可 能とすることができる。 その結果、 例えば、 利用者は用途に応じて予測線を 選択し、 パスの需要に対応したインフラ設備に対する投資計画、 ネッ トワー ク計画を実データに基づきに立案することができる。
[0073] また、 トレンドパターンに非線形関数を含めることで、 将来需要のトレン ドが非線形に増加する場合であっても需要予測の精度を向上させることがで きる。
[0074] また、 突発需要やトレンド変化が存在する場合であっても、 需要予測の精 度を向上させることができる。
[0075] なお、 本実施の形態は、 パス以外の他の物品又はサービスに関する需要に 対して適用されてもよい。
[0076] なお、 本実施の形態において、 予測元期間は、 第 1の期間の一例である。
教師データ取得部 1 2 1は、 第 1の取得部の _例である。 教師データ期間は 、 第 2の期間の一例である。 学習データ期間は、 第 3の期間の一例である。 学習データ取得部 1 2 2は、 第 2の取得部の一例である。 パラメータ特定部 1 2 3は、 第 1の特定部の一例である。 需要増分が最大となる単位期間の開 始時刻以降の期間は、 第 4の期間の一例である。 トレンド変化発生時点より も前の期間は、 第 5の期間の一例である。 突発需要除去部 1 2 5は、 第 1の 除去部の一例である。 トレンド変化対処部 1 2 6は、 第 2の除去部の一例で ある。 最適トレンドパタ _ン 〇 1：は、 第 1のトレンドパターンの _例で ある。 最適予測 （〇干 干 3 6 I処理後） は、 第 2のトレンドバターンの一例 である。
[0077] 以上、 本発明の実施の形態について詳述したが、 本発明は斯かる特定の実 \¥02020/175162 18 卩（：170? 2020 /005623
施形態に限定されるものではなく、 請求の範囲に記載された本発明の要旨の 範囲内において、 種々の変形 ·変更が可能である。
符号の説明
[0078] 1 0 需要予測装置
1 1 需要抽出部
1 2 需要予測部
1 3 需要記憶部
1 00 ドライブ装置
1 01 記録媒体
1 02 補助記憶装置
1 03 メモリ装置
1 04 〇 II
1 05 インタフエース装置
1 2 1 教師データ取得部
1 22 学習データ取得部
1 23 パラメータ特定部
1 24 選択部
1 25 突発需要除去部
1 26 トレンド変化対処部
巳 バス

Claims

\¥02020/175162 19 卩（：17 2020/005623 請求の範囲
[請求項 1 ] 第 1の期間における需要の変化のうち、 前記第 1の期間の一部の期 間である第 2の期間における前記需要の変化を取得する第 1の取得部 と、
前記第 1の期間のうち前記第 2の期間を除く複数の期間であって、 それぞれ長さの異なる第 3の期間ごとに、 当該第 3の期間における前 記需要の変化を取得する第 2の取得部と、
複数のトレンドバターンと前記第 3の期間との組み合わせごとに、 前記第 1の期間の或る時点におけるトレンドパターンの値と前記需要 とが等しくなるように、 前記トレンドパターンのパラメータを特定す る第 1の特定部と、
パラメータが特定された前記組み合わせごとのトレンドパターンご とに、 前記第 2の期間における前記需要の変化との適合性を評価し、 評価結果に基づいて、 前記組み合わせごとのトレンドパターンの中か ら一部のトレンドパターンを選択する選択部と、
を有することを特徴とする需要予測装置。
[請求項 2] 前記組み合わせごとのトレンドパターンのうち、 前記適合性の評価 が最高である第 1のトレンドパターンを前記需要の変化と比較し、 比 較結果が所定の条件を満たさない場合に、 前記第 1のトレンドパター ンの組み合わせに係る前記第 3の期間と前記第 2の期間とにおける単 位期間の中で、 前記需要の増分が最大となる第 1の単位期間の開始時 より後の第 4の期間を前記第 1の期間から除去し、 前記第 1の取得部 、 前記第 2の取得部、 前記第 1の特定部、 及び前記選択部が前記第 4 の期間が除かれた前記第 1の期間に関してそれぞれの処理を再実行し た後に、 前記選択部によって選択されたトレンドパターンごとに、 前 記第 1の単位期間の開始時における前記需要との差分を求めて当該差 分を当該トレンドパターンに加算する第 1の除去部、 を有することを特徴とする請求項 1記載の需要予測装置。 \¥02020/175162 20 卩（：170?2020/005623
[請求項 3] 前記第 1のトレンドパターンに対して前記差分が加算された第 2の トレンドパターンを前記需要の変化と比較し、 比較結果が所定の条件 を満たさない場合に、 前記需要の変化のトレンドが変化した時点を特 定して当該時点より前の第 5の期間を、 前記第 4の期間が除去される 前の前記第 1の期間から除去する第 2の除去部を有し、
前記第 1の取得部、 前記第 2の取得部、 前記第 1の特定部、 及び前 記選択部は、 前記第 5の期間が除かれた前記第 1の期間に関してそれ それの処理を再実行する、
ことを特徴とする請求項 2記載の需要予測装置。
[請求項 4] 第 1の期間における需要の変化のうち、 前記第 1の期間の一部の期 間である第 2の期間における前記需要の変化を取得する第 1の取得手 川頁と、
前記第 1の期間のうち前記第 2の期間を除く複数の期間であって、 それぞれ長さの異なる第 3の期間ごとに、 当該第 3の期間における前 記需要の変化を取得する第 2の取得手順と、
複数のトレンドバターンと前記第 3の期間との組み合わせごとに、 前記第 1の期間の或る時点におけるトレンドパターンの値と前記需要 とが等しくなるように、 前記トレンドパターンのパラメータを特定す る第 1の特定手順と、
パラメータが特定された前記組み合わせごとのトレンドパターンご とに、 前記第 2の期間における前記需要の変化との適合性を評価し、 評価結果に基づいて、 前記組み合わせごとのトレンドパターンの中か ら一部のトレンドパターンを選択する選択手順と、 をコンピュータが実行することを特徴とする需要予測方法。
[請求項 5] 前記組み合わせごとのトレンドパターンのうち、 前記適合性の評価 が最高である第 1のトレンドパターンを前記需要の変化と比較し、 比 較結果が所定の条件を満たさない場合に、 前記第 1のトレンドパター ンの組み合わせに係る前記第 3の期間と前記第 2の期間とにおける単 \¥0 2020/175162 21 卩（：170? 2020 /005623
位期間の中で、 前記需要の増分が最大となる第 1の単位期間の開始時 より後の第 4の期間を前記第 1の期間から除去し、 前記第 1の取得手 順、 前記第 2の取得手順、 前記第 1の特定手順、 及び前記選択手順を 前記第 4の期間が除かれた前記第 1の期間に関して再実行した後に、 前記選択手順によって選択されたトレンドパターンごとに、 前記第 1 の単位期間の開始時における前記需要との差分を求めて当該差分を当 該トレンドパターンに加算する第 1の除去手順、
を前記コンピュータが実行することを特徴とする請求項 4記載の需要 予測方法。
[請求項 6] 前記第 1のトレンドパターンに対して前記差分が加算された第 2の トレンドパターンを前記需要の変化と比較し、 比較結果が所定の条件 を満たさない場合に、 前記需要の変化のトレンドが変化した時点を特 定して当該時点より前の第 5の期間を、 前記第 4の期間が除去される 前の前記第 1の期間から除去する第 2の除去手順を前記コンピュータ が実行し、
前記第 1の取得手順、 前記第 2の取得手順、 前記第 1の特定手順、 及び前記選択手順を、 前記第 5の期間が除かれた前記第 1の期間に関 して再実行する、
ことを特徴とする請求項 5記載の需要予測方法。
[請求項 7] 請求項 4乃至 6いずれか一項記載の需要予測方法をコンピュータに 実行させることを特徴とするプログラム。
PCT/JP2020/005623 2019-02-25 2020-02-13 需要予測装置、需要予測方法及びプログラム Ceased WO2020175162A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/433,049 US11757741B2 (en) 2019-02-25 2020-02-13 Demand prediction apparatus, demand prediction method and program for predicting a demand of a path on a network using selected trend patterns

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019031254A JP7167767B2 (ja) 2019-02-25 2019-02-25 需要予測装置、需要予測方法及びプログラム
JP2019-031254 2019-02-25

Publications (1)

Publication Number Publication Date
WO2020175162A1 true WO2020175162A1 (ja) 2020-09-03

Family

ID=72238889

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/005623 Ceased WO2020175162A1 (ja) 2019-02-25 2020-02-13 需要予測装置、需要予測方法及びプログラム

Country Status (3)

Country Link
US (1) US11757741B2 (ja)
JP (1) JP7167767B2 (ja)
WO (1) WO2020175162A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023166658A1 (ja) * 2022-03-03 2023-09-07 日本電信電話株式会社 回線需要予測装置、方法およびプログラム
WO2025115829A1 (ja) * 2023-11-27 2025-06-05 株式会社日立製作所 スパイク予測装置およびスパイク予測方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000250888A (ja) * 1999-02-26 2000-09-14 Hitachi Ltd 予測目的別モデル選定型需要予測方式
WO2016178376A1 (ja) * 2015-05-07 2016-11-10 日本電信電話株式会社 仮想ネットワーク制御装置、仮想ネットワーク制御方法、及びプログラム
JP2017220840A (ja) * 2016-06-08 2017-12-14 日本電信電話株式会社 ネットワーク監視・制御装置、ネットワーク監視・制御方法、及びネットワーク監視・制御プログラム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5077617B2 (ja) * 2005-10-27 2012-11-21 富士通株式会社 想定外需要検出システムおよび想定外需要検出プログラム
US8472328B2 (en) * 2008-07-31 2013-06-25 Riverbed Technology, Inc. Impact scoring and reducing false positives
US9083562B2 (en) * 2011-06-03 2015-07-14 Adobe Systems Incorporated Predictive analysis of network analytics
CA3102846C (en) * 2018-06-06 2023-04-04 The Joan and Irwin Jacobs Technion-Cornell Institute Telecommunications network traffic metrics evaluation and prediction

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000250888A (ja) * 1999-02-26 2000-09-14 Hitachi Ltd 予測目的別モデル選定型需要予測方式
WO2016178376A1 (ja) * 2015-05-07 2016-11-10 日本電信電話株式会社 仮想ネットワーク制御装置、仮想ネットワーク制御方法、及びプログラム
JP2017220840A (ja) * 2016-06-08 2017-12-14 日本電信電話株式会社 ネットワーク監視・制御装置、ネットワーク監視・制御方法、及びネットワーク監視・制御プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
OKUDA KENZO ET AL.: "Optimal design and control of network resources", NTT TECHNICAL JOURNAL, vol. 31, no. 4, 1 April 2019 (2019-04-01), pages 24 - 25 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023166658A1 (ja) * 2022-03-03 2023-09-07 日本電信電話株式会社 回線需要予測装置、方法およびプログラム
JPWO2023166658A1 (ja) * 2022-03-03 2023-09-07
JP7677525B2 (ja) 2022-03-03 2025-05-15 日本電信電話株式会社 回線需要予測装置、方法およびプログラム
WO2025115829A1 (ja) * 2023-11-27 2025-06-05 株式会社日立製作所 スパイク予測装置およびスパイク予測方法

Also Published As

Publication number Publication date
US20220353161A1 (en) 2022-11-03
JP7167767B2 (ja) 2022-11-09
JP2020135688A (ja) 2020-08-31
US11757741B2 (en) 2023-09-12

Similar Documents

Publication Publication Date Title
US9058216B2 (en) Method for estimating job run time
US20210117863A1 (en) Systems and methods for machine learning interpretability
JP2022552980A5 (ja)
JP7232122B2 (ja) 物性予測装置及び物性予測方法
JP2018010475A (ja) 機械学習管理プログラム、機械学習管理装置および機械学習管理方法
JP6299759B2 (ja) 予測関数作成装置、予測関数作成方法、及びプログラム
JP2002516003A (ja) 遺伝的アルゴリズムスケジュール作成装置及び方法
CN115812209A (zh) 机器学习特征推荐
WO2017159403A1 (ja) 予測システム、方法およびプログラム
US20130332243A1 (en) Predictive analytics based ranking of projects
US20220019918A1 (en) Machine learning feature recommendation
JP6201556B2 (ja) 予測モデル学習装置、予測モデル学習方法およびコンピュータプログラム
WO2020175162A1 (ja) 需要予測装置、需要予測方法及びプログラム
JP3668642B2 (ja) データ予測方法、データ予測装置及び記録媒体
CN109978179A (zh) 模型训练方法、装置、电子设备及可读存储介质
JP2014174728A (ja) コスト算出装置、コスト算出方法、及びプログラム
JP5555238B2 (ja) ベイジアンネットワーク構造学習のための情報処理装置及びプログラム
JP6203313B2 (ja) 特徴選択装置、特徴選択方法およびプログラム
JP6981860B2 (ja) 系列データ解析装置、系列データ解析方法及びプログラム
JP2011210063A (ja) 逐次クラスタリング装置、方法およびプログラム
JP5900341B2 (ja) 構成管理装置、構成管理方法、及び構成管理プログラム
JP5942998B2 (ja) 線形制約条件生成装置及び方法、半正定値最適化問題求解装置、計量学習装置、並びにコンピュータ・プログラム
CN114356565A (zh) FaaS资源扩缩容模型的训练及确定方法和装置
WO2021044459A1 (ja) 学習装置、予測システム、方法およびプログラム
WO2013141018A1 (ja) 最適システム設計支援装置

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: 20763754

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20763754

Country of ref document: EP

Kind code of ref document: A1