WO2021039840A1 - 需要予測装置 - Google Patents

需要予測装置 Download PDF

Info

Publication number
WO2021039840A1
WO2021039840A1 PCT/JP2020/032179 JP2020032179W WO2021039840A1 WO 2021039840 A1 WO2021039840 A1 WO 2021039840A1 JP 2020032179 W JP2020032179 W JP 2020032179W WO 2021039840 A1 WO2021039840 A1 WO 2021039840A1
Authority
WO
WIPO (PCT)
Prior art keywords
durable goods
user
demand
purchase probability
data
Prior art date
Application number
PCT/JP2020/032179
Other languages
English (en)
French (fr)
Inventor
巧 大杉
宰 出水
佑介 深澤
基紹 鈴木
Original Assignee
株式会社Ｎｔｔドコモ
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 株式会社Ｎｔｔドコモ filed Critical 株式会社Ｎｔｔドコモ
Priority to US17/638,117 priority Critical patent/US20220292533A1/en
Priority to JP2021542962A priority patent/JP7542540B2/ja
Publication of WO2021039840A1 publication Critical patent/WO2021039840A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation

Definitions

  • One aspect of the present invention relates to a demand forecasting device for forecasting demand for durable goods.
  • Patent Documents 1 to 3 Conventionally, devices for predicting the demand for products have been known (see Patent Documents 1 to 3 below).
  • the device described in Patent Document 1 below calculates a sales forecast model of a product from past sales performance data of the product, and sales of the product to be predicted based on the estimated sales transition stage, customer type, and sales forecast model. Or predict the degree of epidemic.
  • the apparatus described in Patent Document 2 below learns a prediction model based on the elapsed period from the start of sales of the product, the words included in the name of the product, and the demand quantity of the product after the start of sales.
  • the apparatus described in Patent Document 3 below calculates a demand forecast value at an arbitrary time point by performing regression analysis processing on time-series data indicating a change in the number of purchased products over time.
  • each user is targeted for durable goods that have a plurality of large and small categories and are frequently replaced in the market according to the performance improvement of the product.
  • the tendency of each category selection is not reflected in the predicted value of the change in the number of demands over time. Therefore, it is difficult to predict the change in demand for each category in consideration of the preference of each user's selection.
  • the demand forecasting device of the present embodiment is a demand forecasting device that predicts the demand for durable goods, and includes at least one processor, and the at least one processor is the number of past demands for durable goods belonging to a specific major category. Based on the time-series data, the time-series data of the predicted value of the future demand of durable goods belonging to the major categories is calculated by time-series analysis, and the attribute information of the user and the durable goods purchased in the past by the user are calculated. Machine learning that calculates the purchase probability of durable goods for each time of each user and the purchase probability of each user's durable goods for each major category and multiple minor categories based on the information on the type and the information on the time of purchase.
  • the purchase probability of durable goods for each future period of each user and the purchase of each user's durable goods for each major category and multiple minor categories Calculates purchase probability data including probability, and calculates and outputs the predicted value of the total number of demands for each of multiple subdivisions of durable goods at a specific time in the future based on the time series data of predicted values and purchase probability data. To do.
  • time-series data of the predicted value of the number of demands of durable goods belonging to the major categories is calculated
  • the attribute information of the user is input to the pre-constructed machine learning model.
  • Purchase probability data including the purchase probability of durable goods for each period of each user and the purchase probability for each major category and a plurality of minor categories of each user is calculated. Then, based on the time-series data of the predicted values and the purchase probability data, the predicted values of the total number of demands for each of the plurality of subdivisions of future durable goods are calculated.
  • the predicted value of the demand for durable goods for all users reflects the seasonal purchase probability for each user and the purchase probability for each category, so that each sub-category that takes into account the preference of each user's selection It is possible to accurately predict changes in demand for durable goods in detail.
  • FIG. 1 is a block diagram showing a functional configuration of the demand forecasting device 100 of the present embodiment.
  • the demand forecasting device 100 includes a time series analysis unit 101, a model generation unit 102, a purchase probability calculation unit 103, a user extraction unit 104, and a prediction value calculation unit 105.
  • the demand forecasting device 100 is connected to the customer data management device 200 via a communication network such as LAN (Local Area Network) or WAN (Wide Area Network) (not shown) so that data can be communicated with the customer data management device 200, and data can be input from the customer data management device 200. It is configured to be readable.
  • LAN Local Area Network
  • WAN Wide Area Network
  • the customer data management device 200 is a database server including a customer data storage unit 201, and the customer data storage unit 201 is provided with attribute data relating to a user who subscribes to a specific service or purchase record data by a user of consumer goods associated with the service. Store.
  • the time-series analysis unit 101 reads the purchase record data from the customer data management device 200, and calculates the time-series data of the predicted value of the future demand number of durable goods belonging to a specific major category by the time-series analysis.
  • the target specific major category of durable goods includes, but is not limited to, information processing devices equipped with a specific OS (operating system), and other specific types of electronic devices and the like. May be good.
  • FIG. 2 shows an example of the configuration of customer data including purchase record data stored in the customer data management device 200.
  • the customer data is associated with an identifier that identifies the user, and indicates purchase information indicating the model of the product that the user purchased in the past and the date and time of purchase, and attributes such as the user's gender and age. It may include other information about the user, such as attribute information, product information that indicates the product that the user has used in the past, and service information that indicates the service that the user has used in the past. is assumed.
  • the time series analysis unit 101 aggregates the number of demands for durable goods belonging to the past monthly major categories.
  • the time-series analysis unit 101 executes a time-series analysis using the data of the number of demands in the past monthly, which is aggregated in this way, and thereby, the future monthly predicted value of the durable goods belonging to the major categories.
  • an AR model autoregressive model
  • MA model moving average model
  • ARMA model combining these, a state space model, and the like are used.
  • FIG. 3 is a graph showing future monthly time-series data calculated by the time-series analysis unit 101. In this way, changes in the total number of demands in the future are predicted from the trends of the total number of demands in the past long-term and short-term.
  • the model generation unit 102 builds a machine learning model for calculating purchase probability data, which will be described later, based on the customer data stored in the customer data management device 200.
  • Algorithms used in machine learning models include logistic regression, k-nearest neighbors, support vector machines, random forests, gradient boosting, deep neural networks, and the like. That is, the model generation unit 102 uses attribute information, used product information, used service information, and the like included in the customer data of each user as feature quantities (input data), and is included in the purchase information included in the customer data of each user.
  • a model "prediction model A" is constructed in which the selection probability (purchase probability) of selecting durable goods belonging to a major category from the user's characteristic amount at the time of purchase is calculated.
  • the model generation unit 102 constructs a model for calculating the selection probability of the user for each of a plurality of subdivisions composed of a plurality of layers from the feature amount of the user, using the same data as the feature amount and the teacher data.
  • the model generation unit 102 has a model "prediction model B" that calculates the selection probability for each of the two upper hierarchy divisions ("upper hierarchy division 1" and "upper hierarchy division”), and a higher hierarchy "upper hierarchy division 1".
  • model “prediction model C” that calculates the selection probability for each of the three lower layers (“lower layer division 1", “lower layer division 2”, and “lower layer division 3") belonging to “” and the upper layer “upper layer”
  • a model “prediction model D” for calculating the selection probability for each of the three lower layers (“lower layer division 4", “lower layer division 5", and “lower layer division 6") belonging to "section 2" is constructed.
  • the number of layers and the number of divisions of the subdivisions for which the model is to be constructed may be arbitrary, and the model generation unit 102 constructs a number of models corresponding to the number of branches of the subdivisions.
  • model generation unit 102 uses the same data as the feature amount, and uses the data regarding the purchase time included in the purchase information included in the customer data of each user as the teacher data, and uses the user's feature amount as the durable goods time (year and month). ), A model "monthly purchase prediction model" for calculating the purchase probability of the user is constructed.
  • FIG. 4 is a diagram for explaining the function of the model constructed by the model generation unit 102.
  • the "monthly purchase prediction model” to all users, the future monthly purchase probability of durable goods can be calculated.
  • the "prediction target model A” to all users, it is possible to calculate the selection probability of the durable goods in the major categories of the prediction target.
  • the "prediction model B”, “prediction model C”, and “prediction model D” to all users, the selection probability of the durable goods classified hierarchically is set for each subdivision of the hierarchical structure. Can be calculated. In this way, by obtaining the selection probability for each subdivision of the hierarchical structure, it is possible to specify a division having a higher selection probability according to the user's preference at the time of actual purchase.
  • the purchase probability calculation unit 103 uses attribute information, used product information, used service information, and the like included in the customer data of all users as feature quantities, and features the model constructed by the model generation unit 102. By inputting, the purchase probability data indicating the future monthly purchase probability of durable goods and the selection probability for each major category and a plurality of minor categories of durable goods is calculated for all users.
  • FIG. 5 shows the structure of data on the purchase probability of durable goods for each month in the future calculated by the purchase probability calculation unit 103
  • FIG. 6 shows the durability for each subdivision calculated by the purchase probability calculation unit 103.
  • the structure of data on the probability of selection of goods is shown. In this way, the data indicating the future monthly purchase probability calculated in association with the identifier that identifies the user, the selection probability of the major division, and the selection probability of each subdivision having a hierarchical structure is obtained. Will be remembered.
  • the user extraction unit 104 extracts the predicted value of the total number of demands of the durable goods in the major categories at a specific time (month) in the future from the time series data calculated by the time series analysis unit 101. To do. Then, the user extraction unit 104 extracts a plurality of users by the predicted value of the extracted demand number based on the purchase probability data calculated by the purchase probability calculation unit 103. Specifically, the user extraction unit 104 selects a large category of durable goods to be predicted from among users whose purchase probability in the specific month is higher than a preset threshold by referring to the purchase probability data. Users are extracted by the predicted value of the number of demands in descending order of selection probability. The user extraction unit 104 repeatedly executes such extraction of users every month included in the prediction target period.
  • the predicted value calculation unit 105 processes the users extracted for each month included in the prediction target period by the user extraction unit 104, and thereby obtains the predicted value of the total number of users for each of the plurality of subdivisions in a time series. Calculate and output as data. Specifically, the predicted value calculation unit 105 refers to the selection probabilities of the subdivisions of the plurality of layers in order from the upper layer, repeats the selection of the subdivision with the highest selection probability for each of the plurality of layers, and finally selects the most. Identify the subdivisions in the lower layer for all extracted users. Then, the predicted value calculation unit 105 calculates the predicted value of the total number of demands for each of the plurality of subdivisions by integrating the number of users specified for each subdivision of the lowest layer.
  • the predicted value calculation unit 105 may use the integrated value of the number of users as the predicted value as it is, or may use the integrated value converted according to the total number of users who can purchase durable goods as the predicted value. Good. Further, the forecast value calculation unit 105 calculates the time series data of the forecast value by repeatedly calculating the forecast value of the number of demands for each subdivision every month included in the forecast target period.
  • FIG. 7 shows an example of the configuration of time series data calculated and output by the predicted value calculation unit 105.
  • the time-series data for each period included in the prediction target period, the lowest layer subdivisions, "lower layer division 1", ..., “lower layer division n", “lower layer division n + 1" ,... Includes forecasts of the number of demands for each.
  • the time-series data may be passively or actively transmitted to an external device such as a terminal device of a user who is a user of the demand forecast device 100 via a communication network, or a display or the like in the demand forecast device 100. It may be output to an output device, or may be stored in an internal memory or the like of the demand forecast device 100.
  • FIG. 8 is a flowchart showing a model construction process of the demand forecasting device 100
  • FIG. 9 is a flowchart showing a forecast value calculation process of the demand forecasting device 100.
  • the model construction process is executed in advance at an arbitrary timing before the predicted value calculation process is executed.
  • the model generation unit 102 acquires the purchase information of the user used as the teacher data as statistical data for a predetermined number of users from the customer data management device 200, and the model generation unit 102 of the user corresponding to the purchase information. Acquire a feature amount (input data) such as attribute information (step S101). Next, the model generation unit 102 generates a model “monthly purchase prediction model” that calculates the monthly purchase probability of the user of the durable goods by using the acquired teacher data and the feature amount (step S102).
  • model generation unit 102 calculates the model "prediction model A”, “prediction model B”, and “prediction” for calculating the user's selection probability for each of a plurality of sub-divisions including the major division and the plurality of layers from the teacher data and the feature amount. "Model C” and “Prediction model D” are generated (step S103).
  • the purchase probability calculation unit 103 refers to the customer data stored in the customer data management device 200, and applies the model generated by the model construction process to all users to obtain the future monthly purchase probability.
  • Purchase probability data indicating the selection probability for each of the major and minor categories is calculated (step S201).
  • the purchase probability calculation unit 103 creates a user list for each target month included in the prediction target period based on the identification information for all the prediction target users stored in the customer data (step S202).
  • the time-series analysis unit 101 generates statistical data on the number of demands for each month in the past by aggregating the purchase information included in the customer data, and analyzes the statistical data in time-series to perform future monthly.
  • the time series data of the predicted value of the number of demands of is calculated (step S203).
  • the user extraction unit 104 based on the user list and the selection probability data, for each month of the prediction target period, from the users whose purchase probability is higher than the threshold value, in descending order of the selection probability of the major division of the prediction target. Users are extracted by the predicted value of the number of demands (step S204).
  • the user extraction unit 104 excludes the extracted users from the user list of the corresponding month (step S205). Further, the user extraction unit determines whether or not the user extraction is completed for all the months included in the prediction target period (step S206), and if not (step S206; No), performs the process. Return to step S204.
  • the prediction value calculation unit 105 divides the subdivision with the highest selection probability for each subsection of a plurality of layers for each month included in the prediction target period. By repeating the selection, the subdivisions of the lowest layer are specified for all the extracted users, and the predicted value of the number of demands for each subdivision of the lowest layer is calculated (step S207). Finally, the forecast value calculation unit 105 calculates and outputs the time series data of the forecast value by repeating the calculation of the forecast value of the demand for each subdivision of the lowest layer for all the months included in the target period (step). S208).
  • FIG. 10 shows an image of an output screen output to the display of the demand forecasting device 100 by the forecast value calculation unit 105.
  • the forecast value of the number of demands is displayed as a graph for each of the "product A", “product B”, and "product C" representing the subdivisions for each month included in the forecast target period.
  • time-series data of the predicted value of the number of demands of durable goods belonging to the major categories is calculated, while the attribute information of the user is input to the machine learning model constructed in advance.
  • purchase probability data including the purchase probability of durable goods for each period of each user and the purchase probability for each major category and a plurality of minor categories of each user is calculated.
  • the predicted values of the total number of demands for each of the plurality of subdivisions of future durable goods are calculated.
  • the predicted value of the demand for durable goods for all users reflects the seasonal purchase probability for each user and the purchase probability for each category, so that each sub-category that takes into account the preference of each user's selection It is possible to accurately predict changes in demand for durable goods in detail.
  • the demand forecasting device 100 extracts the predicted value of the number of demands of durable goods at a specific time from the time series data of the predicted values, and then the purchase probability of each user. Based on the data, multiple users are extracted as many as the predicted value of the number of demands based on the purchase probability of durable goods at a specific time, and the purchase probability for each major category and multiple minor categories corresponding to the extracted multiple users. By integrating the number of demands for each subdivision based on the above, the predicted value of the total number of demands for each of a plurality of subdivisions is calculated.
  • the demand number for each minor category is integrated based on the purchase probability for each category of the plurality of users. This makes it possible to predict changes in demand for each subdivision that finely reflect the preference of each user's selection.
  • the demand forecasting device 100 calculates the purchase probability data for each of a plurality of subdivisions of a plurality of layers by using the model, and extracts when calculating the predicted value of the total number of demands. For each of the plurality of users, the selection of the subdivision having the highest purchase probability is repeated for each of the plurality of layers. With this configuration, by repeating the selection of subdivisions with a high purchase probability hierarchically for each extracted user, it is possible to predict changes in demand for each subdivision that finely reflect the tastes of actual users at the time of purchase. ..
  • the demand forecasting device 100 extracts users having a relatively high purchase probability in a large category based on the purchase probability of durable goods. By doing so, it is possible to predict the change in demand for each sub-category with higher accuracy by reflecting the preference of the user who has a high probability of actually purchasing the durable goods in the major segment in the prediction result.
  • the demand forecasting device 100 calculates and outputs time-series forecast value data by repeating forecasting of the total number of demands for each of a plurality of subdivisions of durable goods at a specific time in the future. With such a function, it is possible to predict changes in demand for each subdivision in chronological order.
  • each functional block is realized by any combination of at least one of hardware and software.
  • the method of realizing each functional block is not particularly limited. That is, each functional block may be realized by using one physically or logically connected device, or directly or indirectly (for example, two or more physically or logically separated devices). , Wired, wireless, etc.) and may be realized using these plurality of devices.
  • the functional block may be realized by combining the software with the one device or the plurality of devices.
  • Functions include judgment, decision, judgment, calculation, calculation, processing, derivation, investigation, search, confirmation, reception, transmission, output, access, solution, selection, selection, establishment, comparison, assumption, expectation, and assumption.
  • broadcasting notifying, communicating, forwarding, configuring, reconfiguring, allocating, mapping, assigning, etc., but only these. I can't.
  • a functional block that functions transmission is called a transmitting unit (transmitting unit) or a transmitter (transmitter).
  • the method of realizing each is not particularly limited.
  • the demand forecasting device 100 may function as a computer that processes the demand forecasting method of the present disclosure.
  • FIG. 11 is a diagram showing an example of the hardware configuration of the demand forecasting device 100 according to the embodiment of the present disclosure.
  • the demand forecasting device 100 described above may be physically configured as a computer device including a processor 1001, a memory 1002, a storage 1003, a communication device 1004, an input device 1005, an output device 1006, a bus 1007, and the like.
  • the word “device” can be read as a circuit, device, unit, etc.
  • the hardware configuration of the demand forecasting device 100 may be configured to include one or more of the devices shown in the figure, or may be configured not to include some of the devices.
  • the processor 1001 For each function in the demand forecasting device 100, by loading predetermined software (program) on the hardware such as the processor 1001 and the memory 1002, the processor 1001 performs an calculation, controls the communication by the communication device 1004, and the memory. It is realized by controlling at least one of reading and writing of data in the 1002 and the storage 1003.
  • predetermined software program
  • the processor 1001 operates, for example, an operating system to control the entire computer.
  • the processor 1001 may be configured by a central processing unit (CPU: Central Processing Unit) including an interface with peripheral devices, a control device, an arithmetic unit, a register, and the like.
  • CPU Central Processing Unit
  • the time series analysis unit 101, the model generation unit 102, the purchase probability calculation unit 103, the user extraction unit 104, the prediction value calculation unit 105, and the like described above may be realized by the processor 1001.
  • the processor 1001 reads a program (program code), a software module, data, etc. from at least one of the storage 1003 and the communication device 1004 into the memory 1002, and executes various processes according to these.
  • a program program code
  • the program a program that causes a computer to execute at least a part of the operations described in the above-described embodiment is used.
  • the time series analysis unit 101, the model generation unit 102, the purchase probability calculation unit 103, the user extraction unit 104, and the prediction value calculation unit 105 are stored in the memory 1002 and realized by a control program that operates in the processor 1001. Often, other functional blocks may be realized in the same manner.
  • Processor 1001 may be implemented by one or more chips.
  • the program may be transmitted from the network via a telecommunication line.
  • the memory 1002 is a computer-readable recording medium, and is composed of at least one such as a ROM (Read Only Memory), an EPROM (Erasable Programmable ROM), an EPROM (Electrically Erasable Programmable ROM), and a RAM (Random Access Memory). May be done.
  • the memory 1002 may be referred to as a register, a cache, a main memory (main storage device), or the like.
  • the memory 1002 can store a program (program code), a software module, or the like that can be executed to implement the demand forecasting method according to the embodiment of the present disclosure.
  • the storage 1003 is a computer-readable recording medium, and is, for example, an optical disk such as a CD-ROM (Compact Disc ROM), a hard disk drive, a flexible disk, an optical magnetic disk (for example, a compact disk, a digital versatile disk, or a Blu-ray). It may consist of at least one (registered trademark) disk), smart card, flash memory (eg, card, stick, key drive), floppy (registered trademark) disk, magnetic strip, and the like.
  • the storage 1003 may be referred to as an auxiliary storage device.
  • the storage medium described above may be, for example, a database, server or other suitable medium containing at least one of the memory 1002 and the storage 1003.
  • the communication device 1004 is hardware (transmission / reception device) for communicating between computers via at least one of a wired network and a wireless network, and is also referred to as, for example, a network device, a network controller, a network card, a communication module, or the like.
  • the communication device 1004 includes, for example, a high frequency switch, a duplexer, a filter, a frequency synthesizer, and the like in order to realize at least one of frequency division duplex (FDD: Frequency Division Duplex) and time division duplex (TDD: Time Division Duplex). It may be composed of.
  • the acquisition unit (not shown) for acquiring the above-mentioned purchase record data may be realized by the communication device 1004.
  • the acquisition unit may be physically or logically separated from the transmission unit and the reception unit.
  • the input device 1005 is an input device (for example, a keyboard, a mouse, a microphone, a switch, a button, a sensor, etc.) that receives an input from the outside.
  • the output device 1006 is an output device (for example, a display, a speaker, an LED lamp, etc.) that outputs to the outside.
  • the input device 1005 and the output device 1006 may have an integrated configuration (for example, a touch panel).
  • each device such as the processor 1001 and the memory 1002 is connected by the bus 1007 for communicating information.
  • the bus 1007 may be configured by using a single bus, or may be configured by using a different bus for each device.
  • the demand forecasting device 100 includes hardware such as a microprocessor, a digital signal processor (DSP: Digital Signal Processor), an ASIC (Application Specific Integrated Circuit), a PLD (Programmable Logic Device), and an FPGA (Field Programmable Gate Array). It may be configured by, and a part or all of each functional block may be realized by the hardware. For example, processor 1001 may be implemented using at least one of these hardware.
  • DSP Digital Signal Processor
  • ASIC Application Specific Integrated Circuit
  • PLD Programmable Logic Device
  • FPGA Field Programmable Gate Array
  • information notification includes physical layer signaling (for example, DCI (Downlink Control Information), UCI (Uplink Control Information)), higher layer signaling (for example, RRC (Radio Resource Control) signaling, MAC (Medium Access Control) signaling, etc. It may be carried out by notification information (MIB (Master Information Block), SIB (System Information Block)), other signals, or a combination thereof.
  • RRC signaling may be called an RRC message, and may be, for example, an RRC connection setup (RRC Connection Setup) message, an RRC connection reconfiguration (RRC Connection Reconfiguration) message, or the like.
  • Each aspect / embodiment described in the present disclosure includes LTE (Long Term Evolution), LTE-A (LTE-Advanced), SUPER 3G, IMT-Advanced, 4G (4th generation mobile communication system), and 5G (5th generation mobile communication).
  • system FRA (Future Radio Access), NR (new Radio), W-CDMA (registered trademark), GSM (registered trademark), CDMA2000, UMB (Ultra Mobile Broadband), IEEE 802.11 (Wi-Fi (registered trademark)) )), LTE 802.16 (WiMAX®), IEEE 802.20, UWB (Ultra-WideBand), Bluetooth®, and other systems that utilize suitable systems and have been extended based on these. It may be applied to at least one of the next generation systems. Further, a plurality of systems may be applied in combination (for example, a combination of at least one of LTE and LTE-A and 5G).
  • Information etc. can be output from the upper layer (or lower layer) to the lower layer (or upper layer). Input / output may be performed via a plurality of network nodes.
  • the input / output information and the like may be stored in a specific location (for example, memory) or may be managed using a management table. Input / output information and the like can be overwritten, updated, or added. The output information and the like may be deleted. The input information or the like may be transmitted to another device.
  • the determination may be made by a value represented by 1 bit (0 or 1), by a boolean value (Boolean: true or false), or by comparing numerical values (for example, a predetermined value). It may be done by comparison with the value).
  • the notification of predetermined information (for example, the notification of "being X") is not limited to the explicit one, but is performed implicitly (for example, the notification of the predetermined information is not performed). May be good.
  • Software is an instruction, instruction set, code, code segment, program code, program, subprogram, software module, whether called software, firmware, middleware, microcode, hardware description language, or another name.
  • Applications, software applications, software packages, routines, subroutines, objects, executable files, execution threads, procedures, features, etc. should be broadly interpreted to mean.
  • software, instructions, information, etc. may be transmitted and received via a transmission medium.
  • a transmission medium For example, a website where the software uses at least one of wired technology (coaxial cable, fiber optic cable, twisted pair, digital subscriber line (DSL), etc.) and wireless technology (infrared, microwave, etc.).
  • wired technology coaxial cable, fiber optic cable, twisted pair, digital subscriber line (DSL), etc.
  • wireless technology infrared, microwave, etc.
  • data, instructions, commands, information, signals, bits, symbols, chips, etc. may be voltage, current, electromagnetic waves, magnetic fields or magnetic particles, light fields or photons, or any of these. It may be represented by a combination of.
  • a channel and a symbol may be a signal (signaling).
  • the signal may be a message.
  • the component carrier CC: Component Carrier
  • CC Component Carrier
  • system and “network” used in this disclosure are used interchangeably.
  • the information, parameters, etc. described in the present disclosure may be expressed using absolute values, relative values from predetermined values, or using other corresponding information. It may be represented.
  • the radio resource may be indexed.
  • determining and “determining” as used in this disclosure may include a wide variety of actions.
  • “Judgment” and “decision” are, for example, judgment (judging), calculation (calculating), calculation (computing), processing (processing), derivation (deriving), investigation (investigating), search (looking up, search, inquiry). It may include (eg, searching in a table, database or another data structure), ascertaining as “judgment” or “decision”.
  • judgment and “decision” are receiving (for example, receiving information), transmitting (for example, transmitting information), input (input), output (output), and access. (Accessing) (for example, accessing data in memory) may be regarded as “judgment” or “decision”.
  • judgment and “decision” mean that the things such as solving, selecting, choosing, establishing, and comparing are regarded as “judgment” and “decision”. Can include. That is, “judgment” and “decision” may include considering some action as “judgment” and “decision”. Further, “judgment (decision)” may be read as “assuming”, “expecting”, “considering” and the like.
  • connection means any direct or indirect connection or connection between two or more elements, and each other. It can include the presence of one or more intermediate elements between two “connected” or “combined” elements.
  • the connection or connection between the elements may be physical, logical, or a combination thereof.
  • connection may be read as "access”.
  • the two elements use at least one of one or more wires, cables and printed electrical connections, and, as some non-limiting and non-comprehensive examples, the radio frequency domain. Can be considered to be “connected” or “coupled” to each other using electromagnetic energies having wavelengths in the microwave and light (both visible and invisible) regions.
  • the term "A and B are different” may mean “A and B are different from each other”.
  • the term may mean that "A and B are different from C”.
  • Terms such as “separate” and “combined” may be interpreted in the same way as “different”.
  • One form of the present invention uses a demand forecasting device for predicting the demand for durable goods, and makes it possible to predict changes in demand for each category of durable goods in consideration of the preference of each user's selection. is there.
  • 100 Demand forecasting device, 1001 ... Processor, 101 ... Time series analysis unit, 102 ... Model generation unit, 103 ... Purchase probability calculation unit, 104 ... User extraction unit, 105 ... Prediction value calculation unit.

Landscapes

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

Abstract

需要予測装置１００は、特定の大区分に属する耐久財の過去の需要数の時系列データを基に、大区分に属する耐久財の将来の需要数の予測値の時系列データを、時系列分析によって算出し、ユーザの属性情報と、ユーザによって過去に購入された耐久財の種類に関する情報及び当該購入の時期に関する情報とを基に、購入確率を算出するモデルを構築し、少なくとも各ユーザの属性情報をモデルに入力することにより、各ユーザの将来の時期ごとの耐久財の購入確率と、各ユーザの耐久財の大区分及び複数の小区分ごとの購入確率とを含む購入確率データを算出し、予測値の時系列データ及び購入確率データを基に、将来の特定時期の耐久財の複数の小区分ごとの全体の需要数の予測値を算出および出力する。

Description

需要予測装置
　本発明の一側面は、耐久財の需要を予測する需要予測装置に関する。
　従来から、商品の需要を予測する装置が知られている（下記特許文献１～３参照。）。例えば、下記特許文献１に記載の装置は、商品の過去の販売実績データから商品の売上予測モデルを算出し、推定した売上推移段階と顧客類型と売上予測モデルとを基に予測対象商品の売り上げまたは流行の度合いを予測する。また、下記特許文献２に記載の装置は、商品の販売開始からの経過期間と商品の名称に含まれる単語と販売開始以降の商品の需要数量とを基に予測モデルを学習する。また、下記特許文献３に記載の装置は、商品の購入数の時間的変化を示す時系列データを回帰分析処理することにより、任意の時点の需要予測値を算出する。
特開平１０－３０７８０８号公報 国際公開２０１７／１６３２７８号公報 特開２００８－３０５２２９号公報
　しかしながら、上記特許文献１～３に記載の技術においては、複数の大小の区分を有し製品の性能アップ等に応じた市場での入れ替えがある程度頻繁な耐久財を対象にした場合に、各ユーザ毎の区分選択の傾向が時期的な需要数の変化の予測値に対して反映されていない。そのため、各ユーザの選択の嗜好を加味した区分ごとの需要の変化を予測することを困難にしている。
　そこで、上述の課題を解決するために、各ユーザの選択の嗜好を加味した耐久財の区分ごとの需要の変化を予測することのできる需要予測装置を提供することを目的とする。
　本実施形態の需要予測装置は、耐久財の需要を予測する需要予測装置であって、少なくとも１つのプロセッサを備え、少なくとも１つのプロセッサが、特定の大区分に属する耐久財の過去の需要数の時系列データを基に、大区分に属する耐久財の将来の需要数の予測値の時系列データを、時系列分析によって算出し、ユーザの属性情報と、ユーザによって過去に購入された耐久財の種類に関する情報及び当該購入の時期に関する情報とを基に、各ユーザの時期ごとの耐久財の購入確率及び各ユーザの耐久財の大区分及び複数の小区分ごとの購入確率を算出する機械学習のモデルを構築し、少なくとも各ユーザの属性情報をモデルに入力することにより、各ユーザの将来の時期ごとの耐久財の購入確率と、各ユーザの耐久財の大区分及び複数の小区分ごとの購入確率とを含む購入確率データを算出し、予測値の時系列データ及び購入確率データを基に、将来の特定時期の耐久財の複数の小区分ごとの全体の需要数の予測値を算出および出力する。
　本実施形態によれば、大区分に属する耐久財の需要数の予測値の時系列データが算出される一方で、ユーザの属性情報が予め構築された機械学習のモデルに入力されることにより、各ユーザの時期ごとの耐久財の購入確率と、各ユーザの大区分及び複数の小区分ごとの購入確率とを含む購入確率データが算出される。そして、予測値の時系列データと購入確率データを基に、将来の耐久財の複数の小区分ごとの全体の需要数の予測値が算出される。このように、ユーザ全体の耐久財の需要数の予測値に、ユーザ毎の時期的な購入確率と区分ごとの購入確率が反映されるので、各ユーザの選択の嗜好を加味した小区分ごとの詳細な耐久財の需要の変化を精度高く予測することができる。
　本発明の一側面によれば、各ユーザの選択の嗜好を加味した耐久財の区分ごとの需要の変化を予測することができる。
本実施形態の需要予測装置１００の機能構成を示すブロック図である。 顧客データ管理装置２００に格納される購入実績データを含む顧客データの構成の一例を示す図である。 時系列分析部１０１によって算出された将来の月毎の時系列データを示すグラフである。 モデル生成部１０２によって構築されたモデルの機能を説明するための図である。 購入確率算出部１０４によって算出された将来の月ごとの耐久財の購入確率のデータの構成を示す図である。 購入確率算出部１０４によって算出された小区分ごとの耐久財の選択確率のデータの構成を示す図である。 予測値算出部１０５によって算出および出力される時系列データの構成を示す図である。 需要予測装置１００のモデル構築処理を示すフローチャートである。 需要予測装置１００における予測値算出処理を示すフローチャートである。 予測値算出部１０５によって需要予測装置１００のディスプレイに出力された出力画面のイメージを示す図である。 本開示の一実施の形態に係る需要予測装置１００のハードウェア構成の一例を示す図である。
　添付図面を参照しながら本発明の実施形態を説明する。可能な場合には、同一の部分には同一の符号を付して、重複する説明を省略する。
　図１は、本実施形態の需要予測装置１００の機能構成を示すブロック図である。図１に示されるとおり、需要予測装置１００は、時系列分析部１０１、モデル生成部１０２、購入確率算出部１０３、ユーザ抽出部１０４、及び予測値算出部１０５を含んでいる。この需要予測装置１００は、図示しないＬＡＮ（Local　Area　Network）、ＷＡＮ（Wide　Area　Network）等の通信ネットワークを介して顧客データ管理装置２００とデータ通信可能に接続され、顧客データ管理装置２００からデータを読み取り可能に構成されている。この顧客データ管理装置２００は、顧客データ格納部２０１を備えるデータベースサーバであり、顧客データ格納部２０１に特定サービスに加入するユーザに関する属性データあるいは当該サービスに付随する消費財のユーザによる購入実績データを格納する。
　時系列分析部１０１は、顧客データ管理装置２００から購入実績データを読み出し、特定の大区分に属する耐久財の将来の需要数の予測値の時系列データを時系列分析によって算出する。例えば、対象とする特定の大区分の耐久財としては、特定のＯＳ（オペレーティングシステム）を搭載する情報処理装置が挙げられるが、これには限定されずその他の特定種類の電子機器等であってもよい。
　図２には、顧客データ管理装置２００に格納される購入実績データを含む顧客データの構成の一例を示す。このように、顧客データには、ユーザを識別する識別子に対応付けて、そのユーザが過去に購入した製品の機種及び購入した日時を示す購入情報と、そのユーザの性別、年齢等の属性を示す属性情報と、そのユーザが過去に利用していた製品を示す利用製品情報と、そのユーザが過去に利用していたサービスを示す利用サービス情報のような、ユーザに関するその他の情報が含まれることが想定される。このような顧客データの購入情報を集計することにより、時系列分析部１０１は、過去の月毎の大区分に属する耐久財の需要数を集計する。さらに、時系列分析部１０１は、このようにして集計した過去の月毎の需要数のデータを用いて時系列分析を実行することにより、大区分に属する耐久財の将来の月毎の予測値の時系列データを算出する。例えば、時系列分析としては、ＡＲモデル（自己回帰モデル）、ＭＡモデル（移動平均モデル）、これらを組み合わせたＡＲＭＡモデル、状態空間モデル等が用いられる。図３には、時系列分析部１０１によって算出された将来の月毎の時系列データをグラフ化して示している。このように、過去の長期的及び短期的な全体の需要数の傾向から将来の全体の需要数の変化が予測される。
　図１に戻って、モデル生成部１０２は、顧客データ管理装置２００に格納される顧客データを基に、後述する購入確率データを算出するための機械学習のモデルを構築する。機械学習のモデルに採用されるアルゴリズムとしては、ロジスティック回帰、ｋ近傍法、サポートベクターマシーン、ランダムフォレスト、勾配ブースティング、ディープニューラルネットワーク等が挙げられる。すなわち、モデル生成部１０２は、各ユーザの顧客データに含まれる属性情報、利用製品情報、及び利用サービス情報等を特徴量（入力データ）とし、各ユーザの顧客データに含まれる購入情報に含まれる購入製品の種類に関するデータを教師データとして、ユーザの特徴量から大区分に属する耐久財を該ユーザが購入時に選択する選択確率（購入確率）を算出するモデル「予測モデルＡ」を構築する。
　また、モデル生成部１０２は、同様のデータを特徴量及び教師データとして、ユーザの特徴量から複数階層からなる複数の小区分ごとの該ユーザの選択確率を算出するモデルを構築する。例えば、モデル生成部１０２は、上位階層の２つの区分（「上位階層区分１」、「上位階層区分」）ごとの選択確率を算出するモデル「予測モデルＢ」と、上位階層「上位階層区分１」に属する３つの下位階層（「下位階層区分１」、「下位階層区分２」、及び「下位階層区分３」）ごとの選択確率を算出するモデル「予測モデルＣ」と、上位階層「上位階層区分２」に属する３つの下位階層（「下位階層区分４」、「下位階層区分５」、及び「下位階層区分６」）ごとの選択確率を算出するモデル「予測モデルＤ」とを構築する。ただし、モデルの構築対象とする小区分の階層数及び区分数は任意の数であってよく、モデル生成部１０２は、小区分の分岐数に対応した数のモデルを構築する。
　また、モデル生成部１０２は、同様のデータを特徴量とし、各ユーザの顧客データに含まれる購入情報に含まれる購入時期に関するデータを教師データとして、ユーザの特徴量から耐久財の時期（年月）ごとの該ユーザの購入確率を算出するモデル「月毎購入予測モデル」を構築する。
　図４は、モデル生成部１０２によって構築されたモデルの機能を説明するための図である。このように、全ユーザについて「月毎購入予測モデル」を適用することにより、耐久財の将来の月ごとの購入確率を算出できる。また、全ユーザに対して「予測対象モデルＡ」を適用することにより、予測対象の大区分の耐久財の選択確率が算出できる。さらに、全ユーザに対して「予測モデルＢ」、「予測モデルＣ」、及び「予測モデルＤ」を適用することにより、階層的に区分された耐久財の選択確率を階層構造の小区分ごとに算出できる。このように、階層構造の小区分ごとの選択確率が求められることにより、ユーザの実際の購入時の嗜好に沿って選択確率のより高い区分を特定することができる。
　図１に戻って、購入確率算出部１０３は、全ユーザの顧客データに含まれる属性情報、利用製品情報、及び利用サービス情報等を特徴量とし、モデル生成部１０２によって構築されたモデルに特徴量を入力することにより、全ユーザに関して、将来の月ごとの耐久財の購入確率と、耐久財の大区分及び複数の小区分ごとの選択確率を示す購入確率データを算出する。
　図５には、購入確率算出部１０３によって算出された将来の月ごとの耐久財の購入確率のデータの構成を示し、図６には、購入確率算出部１０３によって算出された小区分ごとの耐久財の選択確率のデータの構成を示す。このように、このように、ユーザを識別する識別子に対応付けて、算出された将来の月毎の購入確率、大区分の選択確率、及び階層構造を有する小区分ごとの選択確率を示すデータが記憶される。
　再び図１に戻って、ユーザ抽出部１０４は、将来の特定時期（月）における大区分の耐久財の全体の需要数の予測値を、時系列分析部１０１によって算出された時系列データから抽出する。そして、ユーザ抽出部１０４は、購入確率算出部１０３によって算出された購入確率データを基に、抽出した需要数の予測値分だけ複数のユーザを抽出する。具体的には、ユーザ抽出部１０４は、購入確率データを参照することにより、上記特定月における購入確率が予め設定された閾値よりも高いユーザの中から、予測対象の大区分の耐久財を選択する選択確率が高い順に、需要数の予測値分だけユーザを抽出する。ユーザ抽出部１０４は、このようなユーザの抽出を予測対象期間に含まれる月毎に繰り返し実行する。
　予測値算出部１０５は、ユーザ抽出部１０４によって予測対象期間に含まれる月ごとに抽出されたユーザを対象に処理することにより、複数の小区分ごとのユーザ全体の需要数の予測値を時系列データとして算出および出力する。具体的には、予測値算出部１０５は、複数階層の小区分の選択確率を上位階層から順に参照し、選択確率が最も高い小区分の選択を複数階層ごとに繰り返し、最終的に選択した最下層の小区分を、抽出した全ユーザ分特定する。そして、予測値算出部１０５は、最下層の小区分ごとに特定したユーザの数を積算することにより、複数の小区分ごとの全体の需要数の予測値を算出する。このとき、予測値算出部１０５、はユーザの数の積算値をそのまま予測値にしてもよいし、耐久財を購入しうる全体のユーザ数に応じて積算値を換算した値を予測値としてもよい。さらに、予測値算出部１０５は、小区分ごとの需要数の予測値の算出を、予測対象期間に含まれる月毎に繰り返し行うことにより、予測値の時系列データを算出する。
　図７には、予測値算出部１０５によって算出および出力される時系列データの構成の一例を示す。このように、時系列データにおいては、予測対象期間に含まれる時期ごとに、最下層の小区分である、「下位階層区分１」、…、「下位階層区分ｎ」、「下位階層区分ｎ＋１」、…ごとの需要数の予測値が含まれる。時系列データは、通信ネットワークを介して受動的あるいは能動的に需要予測装置１００の利用者であるユーザの端末装置等の外部装置に送信されてもよいし、需要予測装置１００内のディスプレイ等の出力装置に出力されてもよいし、需要予測装置１００の内部メモリ等に格納してもよい。
　このように構成された需要予測装置１００の処理について説明する。図８は、需要予測装置１００のモデル構築処理を示すフローチャートであり、図９は、需要予測装置１００の予測値算出処理を示すフローチャートである。モデル構築処理は、予測値算出処理が実行させる前の任意のタイミングで予め実行される。
　図８に示されるとおり、モデル生成部１０２は、顧客データ管理装置２００から、教師データとして用いるユーザの購入情報を所定のユーザ数分の統計データとして取得し、それらの購入情報に対応するユーザの属性情報等の特徴量（入力データ）を取得する（ステップＳ１０１）。次に、モデル生成部１０２は、取得した教師データ及び特徴量を用いて、耐久財の月ごとのユーザの購入確率を算出するモデル「月毎購入予測モデル」を生成する（ステップＳ１０２）。さらに、モデル生成部１０２は、教師データ及び特徴量から、大区分および複数階層からなる複数の小区分ごとのユーザの選択確率を算出するモデル「予測モデルＡ」、「予測モデルＢ」、「予測モデルＣ」、及び「予測モデルＤ」を生成する（ステップＳ１０３）。
　図９を参照して、予測値算出処理の流れについて説明する。最初に、購入確率算出部１０３は、顧客データ管理装置２００に格納された顧客データを参照し、全ユーザに関してモデル構築処理で生成されたモデルを適用することにより、将来の月毎の購入確率と大区分及び小区分ごとの選択確率を示す購入確率データを算出する（ステップＳ２０１）。次に、購入確率算出部１０３は、顧客データに格納された予測対象の全ユーザ分の識別情報を基に、予測対象期間に含まれる対象月毎にユーザリストを作成する（ステップＳ２０２）。
　その後、時系列分析部１０１は、顧客データに含まれる購入情報を集計することにより過去の月毎の需要数の統計データを生成し、その統計データを時系列分析することにより、将来の月毎の需要数の予測値の時系列データを算出する（ステップＳ２０３）。そして、ユーザ抽出部１０４は、ユーザリストおよび選択確率データを基に、予測対象期間の各月毎に、購入確率が閾値よりも高いユーザの中から、予測対象の大区分の選択確率が高い順に需要数の予測値だけユーザを抽出する（ステップＳ２０４）。次に、ユーザ抽出部１０４は、抽出したユーザを該当月のユーザリストから除外する（ステップＳ２０５）。さらに、ユーザ抽出部は、予測対象期間に含まれる全ての月についてユーザの抽出が完了したか否かを判定し（ステップＳ２０６）、完了していない場合には（ステップＳ２０６；Ｎｏ）、処理をステップＳ２０４に戻す。
　一方、ユーザの抽出が完了した場合には（ステップＳ２０６；Ｙｅｓ）、予測値算出部１０５は、予測対象期間に含まれる月毎に、複数階層の小区間ごとに選択確率の最も高い小区分の選択を繰り返すことにより、最下層の小区分を抽出された全ユーザ分特定して最下層の小区分ごとの需要数の予測値を算出する（ステップＳ２０７）。最後に、予測値算出部１０５は、最下層の小区分毎の需要の予測値の算出を対象期間に含まれる全ての月について繰り返すことにより、予測値の時系列データを算出及び出力する（ステップＳ２０８）。
　図１０には、予測値算出部１０５によって需要予測装置１００のディスプレイに出力された出力画面のイメージを示している。このように、予測対象期間に含まれる月毎に、小区分を表す「製品Ａ」、「製品Ｂ」、「製品Ｃ」毎に需要数の予測値がグラフ表示される。
　つぎに、本実施形態の需要予測装置１００の作用効果について説明する。この需要予測装置１００によれば、大区分に属する耐久財の需要数の予測値の時系列データが算出される一方で、ユーザの属性情報が予め構築された機械学習のモデルに入力されることにより、各ユーザの時期ごとの耐久財の購入確率と、各ユーザの大区分及び複数の小区分ごとの購入確率とを含む購入確率データが算出される。そして、予測値の時系列データと購入確率データを基に、将来の耐久財の複数の小区分ごとの全体の需要数の予測値が算出される。このように、ユーザ全体の耐久財の需要数の予測値に、ユーザ毎の時期的な購入確率と区分ごとの購入確率が反映されるので、各ユーザの選択の嗜好を加味した小区分ごとの詳細な耐久財の需要の変化を精度高く予測することができる。
　また、需要予測装置１００は、全体の需要数の予測値を算出する際には、予測値の時系列データから特定時期における耐久財の需要数の予測値を抽出した後、各ユーザの購入確率データを基に、特定時期における耐久財の購入確率を基に需要数の予測値の数だけ複数のユーザを抽出し、抽出した複数のユーザに対応する大区分及び複数の小区分ごとの購入確率を基に小区分ごとの需要数を積算することにより、複数の小区分ごとの全体の需要数の予測値を算出している。このようにすれば、大区分に属する耐久財の需要数の予測値分だけ複数のユーザを抽出した後に、その複数のユーザの区分ごとの購入確率を基に小区分ごとの需要数を積算することにより、各ユーザの選択の嗜好をきめ細かく反映した小区分ごとの需要の変化を予測することができる。
　また、本実施形態では、需要予測装置１００は、モデルを用いて、複数階層の複数の小区分ごとの購入確率のデータを算出し、全体の需要数の予測値を算出する際には、抽出した複数のユーザのそれぞれにおいて、購入確率が最も高い小区分の選択を、複数階層ごとに繰り返している。かかる構成により、抽出したユーザ毎に階層的に購入確率の高い小区分の選択を繰り返すことにより、実際のユーザの購入時の嗜好をきめ細かく反映した小区分ごとの需要の変化を予測することができる。
　また、需要予測装置１００は、複数のユーザを抽出する際には、大区分の購入確率が相対的に高いユーザを、耐久財の購入確率を基に抽出している。こうすれば、実際の大区分の耐久財の購入の確率の高いユーザの嗜好を予測結果に反映することで、小区分ごとの需要の変化をより高精度に予測することができる。
　また、需要予測装置１００は、将来の特定時期の耐久財の複数の小区分ごとの全体の需要数の予測を繰り返すことにより、時系列の予測値のデータを算出および出力している。このような機能により、小区分ごとの需要の変化を時系列に予測することができる。
　なお、上記実施形態の説明に用いたブロック図は、機能単位のブロックを示している。これらの機能ブロック（構成部）は、ハードウェア及びソフトウェアの少なくとも一方の任意の組み合わせによって実現される。また、各機能ブロックの実現方法は特に限定されない。すなわち、各機能ブロックは、物理的又は論理的に結合した１つの装置を用いて実現されてもよいし、物理的又は論理的に分離した２つ以上の装置を直接的又は間接的に（例えば、有線、無線などを用いて）接続し、これら複数の装置を用いて実現されてもよい。機能ブロックは、上記１つの装置又は上記複数の装置にソフトウェアを組み合わせて実現されてもよい。
　機能には、判断、決定、判定、計算、算出、処理、導出、調査、探索、確認、受信、送信、出力、アクセス、解決、選択、選定、確立、比較、想定、期待、見做し、報知（broadcasting）、通知（notifying）、通信（communicating）、転送（forwarding）、構成（configuring）、再構成（reconfiguring）、割り当て（allocating、mapping）、割り振り（assigning）などがあるが、これらに限られない。たとえば、送信を機能させる機能ブロック（構成部）は、送信部（transmitting　unit）や送信機（transmitter）と呼称される。いずれも、上述したとおり、実現方法は特に限定されない。
　例えば、本開示の一実施の形態における需要予測装置１００は、本開示の需要予測方法の処理を行うコンピュータとして機能してもよい。図１１は、本開示の一実施の形態に係る需要予測装置１００のハードウェア構成の一例を示す図である。上述の需要予測装置１００は、物理的には、プロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、入力装置１００５、出力装置１００６、バス１００７などを含むコンピュータ装置として構成されてもよい。
　なお、以下の説明では、「装置」という文言は、回路、デバイス、ユニットなどに読み替えることができる。需要予測装置１００のハードウェア構成は、図に示した各装置を１つ又は複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。
　需要予測装置１００における各機能は、プロセッサ１００１、メモリ１００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることによって、プロセッサ１００１が演算を行い、通信装置１００４による通信を制御したり、メモリ１００２及びストレージ１００３におけるデータの読み出し及び書き込みの少なくとも一方を制御したりすることによって実現される。
　プロセッサ１００１は、例えば、オペレーティングシステムを動作させてコンピュータ全体を制御する。プロセッサ１００１は、周辺装置とのインターフェース、制御装置、演算装置、レジスタなどを含む中央処理装置（ＣＰＵ：Central　Processing　Unit）によって構成されてもよい。例えば、上述の時系列分析部１０１、モデル生成部１０２、購入確率算出部１０３、ユーザ抽出部１０４、及び予測値算出部１０５などは、プロセッサ１００１によって実現されてもよい。
　また、プロセッサ１００１は、プログラム（プログラムコード）、ソフトウェアモジュール、データなどを、ストレージ１００３及び通信装置１００４の少なくとも一方からメモリ１００２に読み出し、これらに従って各種の処理を実行する。プログラムとしては、上述の実施の形態において説明した動作の少なくとも一部をコンピュータに実行させるプログラムが用いられる。例えば、時系列分析部１０１、モデル生成部１０２、購入確率算出部１０３、ユーザ抽出部１０４、及び予測値算出部１０５は、メモリ１００２に格納され、プロセッサ１００１において動作する制御プログラムによって実現されてもよく、他の機能ブロックについても同様に実現されてもよい。上述の各種処理は、１つのプロセッサ１００１によって実行される旨を説明してきたが、２以上のプロセッサ１００１により同時又は逐次に実行されてもよい。プロセッサ１００１は、１以上のチップによって実装されてもよい。なお、プログラムは、電気通信回線を介してネットワークから送信されても良い。
　メモリ１００２は、コンピュータ読み取り可能な記録媒体であり、例えば、ＲＯＭ（Read　Only　Memory）、ＥＰＲＯＭ（Erasable　Programmable　ＲＯＭ）、ＥＥＰＲＯＭ（Electrically　Erasable　Programmable　ＲＯＭ）、ＲＡＭ（Random　Access　Memory）などの少なくとも１つによって構成されてもよい。メモリ１００２は、レジスタ、キャッシュ、メインメモリ（主記憶装置）などと呼ばれてもよい。メモリ１００２は、本開示の一実施の形態に係る需要予測方法を実施するために実行可能なプログラム（プログラムコード）、ソフトウェアモジュールなどを保存することができる。
　ストレージ１００３は、コンピュータ読み取り可能な記録媒体であり、例えば、ＣＤ－ＲＯＭ（Compact　Disc　ＲＯＭ）などの光ディスク、ハードディスクドライブ、フレキシブルディスク、光磁気ディスク(例えば、コンパクトディスク、デジタル多用途ディスク、Ｂｌｕ－ｒａｙ（登録商標）ディスク)、スマートカード、フラッシュメモリ(例えば、カード、スティック、キードライブ)、フロッピー（登録商標）ディスク、磁気ストリップなどの少なくとも１つによって構成されてもよい。ストレージ１００３は、補助記憶装置と呼ばれてもよい。上述の記憶媒体は、例えば、メモリ１００２及びストレージ１００３の少なくとも一方を含むデータベース、サーバその他の適切な媒体であってもよい。
　通信装置１００４は、有線ネットワーク及び無線ネットワークの少なくとも一方を介してコンピュータ間の通信を行うためのハードウェア（送受信デバイス）であり、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュールなどともいう。通信装置１００４は、例えば周波数分割複信（ＦＤＤ：Frequency　Division　Duplex）及び時分割複信（ＴＤＤ：Time　Division　Duplex）の少なくとも一方を実現するために、高周波スイッチ、デュプレクサ、フィルタ、周波数シンセサイザなどを含んで構成されてもよい。例えば、上述の購入実績データを取得するための取得部（図示せず）などは、通信装置１００４によって実現されてもよい。この取得部は、送信部と受信部とで、物理的に、または論理的に分離された実装がなされてもよい。
　入力装置１００５は、外部からの入力を受け付ける入力デバイス（例えば、キーボード、マウス、マイクロフォン、スイッチ、ボタン、センサなど）である。出力装置１００６は、外部への出力を実施する出力デバイス（例えば、ディスプレイ、スピーカー、LEDランプなど）である。なお、入力装置１００５及び出力装置１００６は、一体となった構成（例えば、タッチパネル）であってもよい。
　また、プロセッサ１００１、メモリ１００２などの各装置は、情報を通信するためのバス１００７によって接続される。バス１００７は、単一のバスを用いて構成されてもよいし、装置間ごとに異なるバスを用いて構成されてもよい。
　また、需要予測装置１００は、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ：Digital　Signal　Processor）、ＡＳＩＣ（Application　Specific　Integrated　Circuit）、ＰＬＤ（Programmable　Logic　Device）、ＦＰＧＡ（Field　Programmable　Gate　Array）などのハードウェアを含んで構成されてもよく、当該ハードウェアにより、各機能ブロックの一部又は全てが実現されてもよい。例えば、プロセッサ１００１は、これらのハードウェアの少なくとも１つを用いて実装されてもよい。
　情報の通知は、本開示において説明した態様／実施形態に限られず、他の方法を用いて行われてもよい。例えば、情報の通知は、物理レイヤシグナリング（例えば、ＤＣＩ（Downlink　Control　Information）、ＵＣＩ（Uplink　Control　Information））、上位レイヤシグナリング（例えば、ＲＲＣ（Radio　Resource　Control）シグナリング、ＭＡＣ（Medium　Access　Control）シグナリング、報知情報（ＭＩＢ（Master　Information　Block）、ＳＩＢ（System　Information　Block）））、その他の信号又はこれらの組み合わせによって実施されてもよい。また、ＲＲＣシグナリングは、ＲＲＣメッセージと呼ばれてもよく、例えば、ＲＲＣ接続セットアップ（RRC　Connection　Setup）メッセージ、ＲＲＣ接続再構成（RRC　Connection　Reconfiguration）メッセージなどであってもよい。
　本開示において説明した各態様／実施形態は、ＬＴＥ（Long　Term　Evolution）、ＬＴＥ－Ａ（LTE-Advanced）、ＳＵＰＥＲ　３Ｇ、ＩＭＴ－Ａｄｖａｎｃｅｄ、４Ｇ（4th　generation　mobile　communication　system）、５Ｇ（5th　generation　mobile　communication　system）、ＦＲＡ（Future　Radio　Access）、ＮＲ（new　Radio）、Ｗ－ＣＤＭＡ（登録商標）、ＧＳＭ（登録商標）、ＣＤＭＡ２０００、ＵＭＢ（Ultra　Mobile　Broadband）、ＩＥＥＥ　８０２．１１（Ｗｉ－Ｆｉ（登録商標））、ＩＥＥＥ　８０２．１６（ＷｉＭＡＸ（登録商標））、ＩＥＥＥ　８０２．２０、ＵＷＢ（Ultra-WideBand）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、その他の適切なシステムを利用するシステム及びこれらに基づいて拡張された次世代システムの少なくとも一つに適用されてもよい。また、複数のシステムが組み合わされて（例えば、ＬＴＥ及びＬＴＥ－Ａの少なくとも一方と５Ｇとの組み合わせ等）適用されてもよい。
　本開示において説明した各態様／実施形態の処理手順、シーケンス、フローチャートなどは、矛盾の無い限り、順序を入れ替えてもよい。例えば、本開示において説明した方法については、例示的な順序を用いて様々なステップの要素を提示しており、提示した特定の順序に限定されない。
　情報等は、上位レイヤ（又は下位レイヤ）から下位レイヤ（又は上位レイヤ）へ出力され得る。複数のネットワークノードを介して入出力されてもよい。
　入出力された情報等は特定の場所（例えば、メモリ）に保存されてもよいし、管理テーブルを用いて管理してもよい。入出力される情報等は、上書き、更新、又は追記され得る。出力された情報等は削除されてもよい。入力された情報等は他の装置へ送信されてもよい。
　判定は、１ビットで表される値（０か１か）によって行われてもよいし、真偽値（Boolean：true又はfalse）によって行われてもよいし、数値の比較（例えば、所定の値との比較）によって行われてもよい。
　本開示において説明した各態様／実施形態は単独で用いてもよいし、組み合わせて用いてもよいし、実行に伴って切り替えて用いてもよい。また、所定の情報の通知（例えば、「Ｘであること」の通知）は、明示的に行うものに限られず、暗黙的（例えば、当該所定の情報の通知を行わない）ことによって行われてもよい。
　以上、本開示について詳細に説明したが、当業者にとっては、本開示が本開示中に説明した実施形態に限定されるものではないということは明らかである。本開示は、請求の範囲の記載により定まる本開示の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本開示の記載は、例示説明を目的とするものであり、本開示に対して何ら制限的な意味を有するものではない。
　ソフトウェアは、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語と呼ばれるか、他の名称で呼ばれるかを問わず、命令、命令セット、コード、コードセグメント、プログラムコード、プログラム、サブプログラム、ソフトウェアモジュール、アプリケーション、ソフトウェアアプリケーション、ソフトウェアパッケージ、ルーチン、サブルーチン、オブジェクト、実行可能ファイル、実行スレッド、手順、機能などを意味するよう広く解釈されるべきである。
　また、ソフトウェア、命令、情報などは、伝送媒体を介して送受信されてもよい。例えば、ソフトウェアが、有線技術（同軸ケーブル、光ファイバケーブル、ツイストペア、デジタル加入者回線（ＤＳＬ：Digital　Subscriber　Line）など）及び無線技術（赤外線、マイクロ波など）の少なくとも一方を使用してウェブサイト、サーバ、又は他のリモートソースから送信される場合、これらの有線技術及び無線技術の少なくとも一方は、伝送媒体の定義内に含まれる。
　本開示において説明した情報、信号などは、様々な異なる技術のいずれかを使用して表されてもよい。例えば、上記の説明全体に渡って言及され得るデータ、命令、コマンド、情報、信号、ビット、シンボル、チップなどは、電圧、電流、電磁波、磁界若しくは磁性粒子、光場若しくは光子、又はこれらの任意の組み合わせによって表されてもよい。
　なお、本開示において説明した用語及び本開示の理解に必要な用語については、同一の又は類似する意味を有する用語と置き換えてもよい。例えば、チャネル及びシンボルの少なくとも一方は信号（シグナリング）であってもよい。また、信号はメッセージであってもよい。また、コンポーネントキャリア（ＣＣ：Component　Carrier）は、キャリア周波数、セル、周波数キャリアなどと呼ばれてもよい。
　本開示において使用する「システム」及び「ネットワーク」という用語は、互換的に使用される。
　また、本開示において説明した情報、パラメータなどは、絶対値を用いて表されてもよいし、所定の値からの相対値を用いて表されてもよいし、対応する別の情報を用いて表されてもよい。例えば、無線リソースはインデックスによって指示されるものであってもよい。
　上述したパラメータに使用する名称はいかなる点においても限定的な名称ではない。さらに、これらのパラメータを使用する数式等は、本開示で明示的に開示したものと異なる場合もある。様々なチャネル（例えば、ＰＵＣＣＨ、ＰＤＣＣＨなど）及び情報要素は、あらゆる好適な名称によって識別できるので、これらの様々なチャネル及び情報要素に割り当てている様々な名称は、いかなる点においても限定的な名称ではない。
本開示で使用する「判断(determining)」、「決定(determining)」という用語は、多種多様な動作を包含する場合がある。「判断」、「決定」は、例えば、判定(judging)、計算(calculating)、算出(computing)、処理(processing)、導出(deriving)、調査(investigating)、探索(looking　up、search、inquiry)（例えば、テーブル、データベース又は別のデータ構造での探索）、確認(ascertaining)した事を「判断」「決定」したとみなす事などを含み得る。また、「判断」、「決定」は、受信(receiving)（例えば、情報を受信すること）、送信(transmitting)(例えば、情報を送信すること)、入力(input)、出力(output)、アクセス(accessing)（例えば、メモリ中のデータにアクセスすること）した事を「判断」「決定」したとみなす事などを含み得る。また、「判断」、「決定」は、解決(resolving)、選択(selecting)、選定(choosing)、確立(establishing)、比較(comparing)などした事を「判断」「決定」したとみなす事を含み得る。つまり、「判断」「決定」は、何らかの動作を「判断」「決定」したとみなす事を含み得る。また、「判断（決定）」は、「想定する（assuming）」、「期待する（expecting）」、「みなす（considering）」などで読み替えられてもよい。
　「接続された(connected)」、「結合された(coupled)」という用語、又はこれらのあらゆる変形は、２又はそれ以上の要素間の直接的又は間接的なあらゆる接続又は結合を意味し、互いに「接続」又は「結合」された２つの要素間に１又はそれ以上の中間要素が存在することを含むことができる。要素間の結合又は接続は、物理的なものであっても、論理的なものであっても、或いはこれらの組み合わせであってもよい。例えば、「接続」は「アクセス」で読み替えられてもよい。本開示で使用する場合、２つの要素は、１又はそれ以上の電線、ケーブル及びプリント電気接続の少なくとも一つを用いて、並びにいくつかの非限定的かつ非包括的な例として、無線周波数領域、マイクロ波領域及び光（可視及び不可視の両方）領域の波長を有する電磁エネルギーなどを用いて、互いに「接続」又は「結合」されると考えることができる。
　本開示において使用する「に基づいて」という記載は、別段に明記されていない限り、「のみに基づいて」を意味しない。言い換えれば、「に基づいて」という記載は、「のみに基づいて」と「に少なくとも基づいて」の両方を意味する。
　本開示において、「含む（include）」、「含んでいる（including）」及びそれらの変形が使用されている場合、これらの用語は、用語「備える（comprising）」と同様に、包括的であることが意図される。さらに、本開示において使用されている用語「又は（or）」は、排他的論理和ではないことが意図される。
　本開示において、例えば、英語でのa,　an及びtheのように、翻訳により冠詞が追加された場合、本開示は、これらの冠詞の後に続く名詞が複数形であることを含んでもよい。
　本開示において、「ＡとＢが異なる」という用語は、「ＡとＢが互いに異なる」ことを意味してもよい。なお、当該用語は、「ＡとＢがそれぞれＣと異なる」ことを意味してもよい。「離れる」、「結合される」などの用語も、「異なる」と同様に解釈されてもよい。
　本発明の一形態は、耐久財の需要を予測する需要予測装置を使用用途とし、各ユーザの選択の嗜好を加味した耐久財の区分ごとの需要の変化を予測することを可能にするものである。
　１００…需要予測装置、１００１…プロセッサ、１０１…時系列分析部、１０２…モデル生成部、１０３…購入確率算出部、１０４…ユーザ抽出部、１０５…予測値算出部。

Claims (5)

  1. 　耐久財の需要を予測する需要予測装置であって、
    　少なくとも１つのプロセッサを備え、
    　前記少なくとも１つのプロセッサが、
    　特定の大区分に属する耐久財の過去の需要数の時系列データを基に、前記大区分に属する耐久財の将来の需要数の予測値の時系列データを、時系列分析によって算出し、
    　ユーザの属性情報と、前記ユーザによって過去に購入された前記耐久財の種類に関する情報及び当該購入の時期に関する情報とを基に、各ユーザの時期ごとの前記耐久財の購入確率及び各ユーザの前記耐久財の前記大区分及び複数の小区分ごとの購入確率を算出する機械学習のモデルを構築し、
    　少なくとも各ユーザの属性情報を前記モデルに入力することにより、前記各ユーザの将来の時期ごとの前記耐久財の購入確率と、前記各ユーザの前記耐久財の前記大区分及び前記複数の小区分ごとの購入確率とを含む購入確率データを算出し、
    　前記予測値の時系列データ及び前記購入確率データを基に、将来の特定時期の前記耐久財の前記複数の小区分ごとの全体の需要数の予測値を算出および出力する、
    需要予測装置。
  2. 　前記少なくとも１つのプロセッサは、
    　前記全体の需要数の予測値を算出する際には、前記予測値の時系列データから前記特定時期における前記耐久財の需要数の予測値を抽出した後、前記各ユーザの前記購入確率データを基に、前記特定時期における前記耐久財の前記購入確率を基に前記需要数の予測値の数だけ複数のユーザを抽出し、抽出した複数のユーザに対応する前記大区分及び複数の小区分ごとの前記購入確率を基に前記小区分ごとの需要数を積算することにより、前記複数の小区分ごとの前記全体の需要数の予測値を算出する、
    請求項１に記載の需要予測装置。
  3. 　前記少なくとも１つのプロセッサは、
    　前記モデルを用いて、複数階層の前記複数の小区分ごとの購入確率のデータを算出し、
    　前記全体の需要数の予測値を算出する際には、抽出した前記複数のユーザのそれぞれにおいて、前記購入確率が最も高い前記小区分の選択を、前記複数階層ごとに繰り返す、
    請求項２に記載の需要予測装置。
  4. 　前記少なくとも１つのプロセッサは、
    　前記複数のユーザを抽出する際には、前記大区分の前記購入確率が相対的に高いユーザを、前記耐久財の前記購入確率を基に抽出する、
    請求項２又は３に記載の需要予測装置。
  5. 　前記少なくとも１つのプロセッサは、
    　将来の特定時期の前記耐久財の前記複数の小区分ごとの全体の需要数の予測を繰り返すことにより、時系列の前記予測値のデータを算出および出力する、
    請求項１～４のいずれか１項に記載の需要予測装置。
PCT/JP2020/032179 2019-08-28 2020-08-26 需要予測装置 WO2021039840A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US17/638,117 US20220292533A1 (en) 2019-08-28 2020-08-26 Demand prediction device
JP2021542962A JP7542540B2 (ja) 2019-08-28 2020-08-26 需要予測装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-156075 2019-08-28
JP2019156075 2019-08-28

Publications (1)

Publication Number Publication Date
WO2021039840A1 true WO2021039840A1 (ja) 2021-03-04

Family

ID=74684790

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/032179 WO2021039840A1 (ja) 2019-08-28 2020-08-26 需要予測装置

Country Status (3)

Country Link
US (1) US20220292533A1 (ja)
JP (1) JP7542540B2 (ja)
WO (1) WO2021039840A1 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11847591B2 (en) * 2020-07-06 2023-12-19 Samsung Electronics Co., Ltd. Short-term load forecasting
US11784822B2 (en) * 2020-12-30 2023-10-10 Lily Zuckerman System and method for transmitting a notification to a network
US20230139999A1 (en) * 2021-10-29 2023-05-04 ZS Associates, Inc. Artificial-intelligence-backed performance prediction tool
CN116050282B (zh) * 2023-02-23 2024-06-11 华中科技大学 用户对情报的需求度计算方法和隐式反馈需求度预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019053821A1 (ja) * 2017-09-13 2019-03-21 株式会社日立製作所 発注支援システム、発注支援プログラム及び発注支援方法
JP2019053609A (ja) * 2017-09-15 2019-04-04 ヤフー株式会社 生成装置、生成方法、生成プログラム、及びモデル
JP2019079208A (ja) * 2017-10-23 2019-05-23 株式会社豊田中央研究所 在庫規模見積装置、エネルギー消費規模見積装置、コスト見積装置及びプログラム
JP2019125048A (ja) * 2018-01-12 2019-07-25 富士通株式会社 需要予測プログラム、需要予測方法および需要予測装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210390568A1 (en) * 2012-10-04 2021-12-16 Groupon, Inc. Method, apparatus, and computer program product for calculating a supply based on travel propensity
US10346887B1 (en) * 2012-10-04 2019-07-09 Groupon, Inc. Method, apparatus, and computer program product for calculating a provider quality score
US10032180B1 (en) * 2012-10-04 2018-07-24 Groupon, Inc. Method, apparatus, and computer program product for forecasting demand using real time demand
US20220414692A1 (en) * 2012-10-04 2022-12-29 Groupon, Inc. Method, apparatus, and computer program product for forecasting demand using real time demand
JP5963709B2 (ja) * 2013-05-27 2016-08-03 株式会社日立製作所 計算機、予測方法、及び、予測プログラム
US11188940B1 (en) * 2015-09-01 2021-11-30 Groupon, Inc. Method, apparatus, and computer program for predicting consumer behavior
JP6719727B2 (ja) * 2016-03-23 2020-07-08 富士ゼロックス株式会社 購買行動分析装置およびプログラム
US11544754B2 (en) * 2020-08-20 2023-01-03 Amazon Technologies, Inc. Redeeming items from an item store using information from multiple accounts
US20230186331A1 (en) * 2021-12-13 2023-06-15 International Business Machines Corporation Generalized demand estimation for automated forecasting systems

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019053821A1 (ja) * 2017-09-13 2019-03-21 株式会社日立製作所 発注支援システム、発注支援プログラム及び発注支援方法
JP2019053609A (ja) * 2017-09-15 2019-04-04 ヤフー株式会社 生成装置、生成方法、生成プログラム、及びモデル
JP2019079208A (ja) * 2017-10-23 2019-05-23 株式会社豊田中央研究所 在庫規模見積装置、エネルギー消費規模見積装置、コスト見積装置及びプログラム
JP2019125048A (ja) * 2018-01-12 2019-07-25 富士通株式会社 需要予測プログラム、需要予測方法および需要予測装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
T ANIGUCHI, YOJI ET AL.: "Constrained Learning Algorithm of Neural Networks for an Estimate of Advertising effect", IEEJ TRANSACTIONS ON ELECTRONICS, INFORMATION AND SYSTEMS, vol. 117 -C, no. 5, 20 April 1997 (1997-04-20), pages 625 - 630, ISSN: 0385-4221 *

Also Published As

Publication number Publication date
US20220292533A1 (en) 2022-09-15
JPWO2021039840A1 (ja) 2021-03-04
JP7542540B2 (ja) 2024-08-30

Similar Documents

Publication Publication Date Title
WO2021039840A1 (ja) 需要予測装置
US20170124174A1 (en) Organizing survey text responses
US10394931B2 (en) Balancing provenance and accuracy tradeoffs in data modeling
US20210157983A1 (en) Hybrid in-domain and out-of-domain document processing for non-vocabulary tokens of electronic documents
US11507747B2 (en) Hybrid in-domain and out-of-domain document processing for non-vocabulary tokens of electronic documents
WO2020230658A1 (ja) 特徴抽出装置及び状態推定システム
JP7019375B2 (ja) 訪問時刻決定装置
US20220301004A1 (en) Click rate prediction model construction device
WO2021039916A1 (ja) 価格予測装置
WO2020230736A1 (ja) 需要分散装置
WO2020230735A1 (ja) 需要予測装置
JP2021039518A (ja) 行動変容促進装置
US20230214716A1 (en) Learning device
JP6775055B2 (ja) リスク推定装置
JP7323370B2 (ja) 審査装置
JP7397738B2 (ja) 集計装置
US20220198341A1 (en) State estimation device, state estimation program, estimation model, and state estimation method
US11604831B2 (en) Interactive device
WO2021039372A1 (ja) リランキング装置
JP2022026687A (ja) 情報提供装置
JP6705038B1 (ja) 行動支援装置
WO2024089954A1 (ja) 情報処理装置
JP2021113794A (ja) 情報提供装置
JP7085448B2 (ja) 業績予測方法、業績予測プログラム及び業績予測装置
WO2024105981A1 (ja) レコメンド評価装置

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: 20857840

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021542962

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20857840

Country of ref document: EP

Kind code of ref document: A1