WO2021245868A1 - 需要予測装置、需要予測方法、及び需要予測プログラム - Google Patents
需要予測装置、需要予測方法、及び需要予測プログラム Download PDFInfo
- Publication number
- WO2021245868A1 WO2021245868A1 PCT/JP2020/022074 JP2020022074W WO2021245868A1 WO 2021245868 A1 WO2021245868 A1 WO 2021245868A1 JP 2020022074 W JP2020022074 W JP 2020022074W WO 2021245868 A1 WO2021245868 A1 WO 2021245868A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- demand
- error
- related information
- regression model
- forecasting
- Prior art date
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
Definitions
- the disclosed technology relates to a demand forecasting device, a demand forecasting method, and a demand forecasting program.
- Predicting and optimizing how much material or personnel will be allocated at a certain point can prevent excess inventory and prompt fault repair. It is important to realize.
- Non-Patent Document 1 Conventionally, a method like Non-Patent Document 1 has been proposed for such demand forecasting.
- the forecasted value may fall below the target because it is learned to output the forecasted value as close as possible to the target. If the forecast value is below the target, in the convenience store example, you will be ordering less products than the actual demand, which means that the products will be sold out. Further, in the example of staffing of failure repair workers, a small number of personnel are assigned with respect to the actual number of failures, which causes a delay in the completion of recovery.
- the disclosed technology is made in view of the above points, and provides a demand forecasting device, a demand forecasting method, and a demand forecasting program that output a forecast value that is excessive or underestimated with respect to the actual demand. With the goal.
- the first aspect of the present disclosure is a demand forecasting device, which is a demand recording unit that records demand and demand-related information related to the demand, and the demand and the demand-related information recorded in the demand recording unit.
- the learning unit that learns the coefficient of the regression model with the objective variable and the explanatory variable multiplied by the penalty coefficient according to the positive and negative of the error, and the regression of the demand-related information different from the demand-related information. It is equipped with a forecasting unit that inputs to the model and forecasts demand.
- the second aspect of the present disclosure is a demand forecasting method, in which demand and demand-related information related to the demand are recorded, and the recorded demand and the demand-related information are used as objective variables and explanatory variables, respectively.
- the computer runs.
- the third aspect of the present disclosure is a computer program, in which demand and demand-related information related to the demand are recorded, and the recorded demand and the demand-related information are used as objective variables and explanatory variables, respectively.
- a computer processes to learn the coefficient of the model by multiplying the error by the penalty coefficient according to the positive or negative of the error, and input the demand-related information different from the demand-related information into the regression model to predict the demand. To execute.
- a demand forecasting device a demand forecasting method, and a demand forecasting program that output an excessive or underestimated value with respect to the actual demand.
- FIG. 1 is a diagram illustrating a demand forecasting device according to the present embodiment.
- the demand forecasting device 10 shown in FIG. 1 holds past demand and peripheral information.
- Demand is the number of sales at a store in the example of inventory management, and the number of failures at a certain point in the example of staffing.
- Peripheral information is an example of the demand-related information of the present disclosure, and is information for forecasting demand. Peripheral information is, for example, meteorological information, surrounding population information, location information such as latitude and longitude, and the like.
- the demand forecasting device 10 performs learning using the held past demand and peripheral information. Then, the demand forecasting device 10 inputs peripheral information and outputs a demand forecast using the learning result.
- FIG. 2 is a block diagram showing a hardware configuration of the demand forecasting device 10.
- the demand forecasting device 10 includes a CPU (Central Processing Unit) 11, a ROM (Read Only Memory) 12, a RAM (Random Access Memory) 13, a storage 14, an input unit 15, a display unit 16, and a communication interface. It has (I / F) 17.
- the configurations are connected to each other via a bus 19 so as to be communicable with each other.
- the CPU 11 is a central arithmetic processing unit that executes various programs and controls each part. That is, the CPU 11 reads the program from the ROM 12 or the storage 14, and executes the program using the RAM 13 as a work area. The CPU 11 controls each of the above configurations and performs various arithmetic processes according to the program stored in the ROM 12 or the storage 14. In the present embodiment, the ROM 12 or the storage 14 stores a demand forecast program for forecasting demand from peripheral information.
- the ROM 12 stores various programs and various data.
- the RAM 13 temporarily stores a program or data as a work area.
- the storage 14 is composed of a storage device such as an HDD (Hard Disk Drive) or an SSD (Solid State Drive), and stores various programs including an operating system and various data.
- the input unit 15 includes a pointing device such as a mouse and a keyboard, and is used for performing various inputs.
- the display unit 16 is, for example, a liquid crystal display and displays various information.
- the display unit 16 may adopt a touch panel method and function as an input unit 15.
- the communication interface 17 is an interface for communicating with other devices.
- a wired communication standard such as Ethernet (registered trademark) or FDDI
- a wireless communication standard such as 4G, 5G, or Wi-Fi (registered trademark) is used.
- FIG. 3 is a block diagram showing an example of the functional configuration of the demand forecasting device 10.
- the demand forecasting device 10 has a demand recording unit 101, a learning unit 102, a regression model 103, and a forecasting unit 104 as functional configurations.
- Each functional configuration is realized by the CPU 11 reading the demand forecast program stored in the ROM 12 or the storage 14, deploying it in the RAM 13, and executing it.
- the demand recording unit 101 records past demand and peripheral information that is information related to demand.
- the demand is the number of sales at a certain store in the example of inventory management, and the number of failures at a certain point in the example of staffing.
- the peripheral information is, for example, meteorological information, peripheral population information, location information such as latitude and longitude, and the like.
- the learning unit 102 learns the coefficients of the regression model 103 in which the demand and peripheral information recorded in the demand recording unit 101 are the objective variable and the explanatory variable, respectively. Specifically, the learning unit 102 learns the coefficient of the regression model 103 by multiplying the error by the penalty coefficient according to the positive or negative of the error.
- the forecasting unit 104 inputs peripheral information different from the peripheral information recorded in the demand recording unit 101 into the regression model 103, and predicts the demand.
- the demand predicted by the forecasting unit 104 is output from the demand forecasting device 10.
- FIG. 4 is a flowchart showing the flow of learning processing by the demand forecasting device 10. The learning process is performed by the CPU 11 reading the demand forecast program from the ROM 12 or the storage 14, expanding the demand forecast program into the RAM 13, and executing the program.
- the CPU 11 acquires demand and peripheral information from the demand recording unit 101 as the learning unit 102 (step S101).
- the regression model shown by the following formula (1) where the i-th demand of the data of the total N records stored in the demand recording unit 101 is the objective variable y i , the peripheral information is the explanatory variable x i, and the coefficient is w.
- step S101 the CPU 11 learns the coefficient w by optimization using E (w) represented by the following mathematical formula (2) as an error function as the learning unit 102, and generates a regression model (step S102). ).
- X is a matrix of peripheral information with a size of N ⁇ M
- y is a demand vector with a size of N ⁇ 1.
- v is a vector composed of 0 or 1 elements having a size of N ⁇ 1, the index element in which the element of the error vector Xw ⁇ y is positive is 1, and the other elements are composed of 0.
- u is a vector composed of 0 or 1 elements having a size of N ⁇ 1, the index element in which the element of the error vector Xw ⁇ y is negative is 1, and the other elements are 0. Will be done.
- the CPU 11 takes the inner product of these v and u and the error vector Xw-y to sum the elements of the error vector whose error direction is positive and the elements whose error direction is negative, respectively. You can ask.
- ⁇ and ⁇ are penalty coefficients, which are scalar constants, respectively.
- An analyst using the demand forecaster 10 predetermines the values of ⁇ and ⁇ . Since a positive error has a strong influence when ⁇ is increased, the obtained model is learned by the CPU 11 so that the error is as negative as possible. Further, when ⁇ is increased, a negative error has a strong influence, and the obtained model is learned by the CPU 11 so that the error becomes as positive as possible.
- step S102 the CPU 11 outputs the learned regression model 103 to the prediction unit 104 as the learning unit 102 (step S103).
- the analyst sets ⁇ and ⁇ respectively, but the present disclosure is not limited to such an example.
- the analyst can set ⁇ and ⁇ sets according to the situation in advance and select an appropriate set from those sets according to the situation.
- Table 1 shows an example.
- the CPU 11 may set a set of ⁇ and ⁇ based on the difference between the past prediction result and the actual result. For example, the CPU 11 selects a set of ⁇ and ⁇ according to the conditions shown in Table 2. In Table 2, k is an arbitrary integer.
- the CPU 11 may set a set of ⁇ and ⁇ based on the time-series tendency of the difference between the prediction result and the actual result of the past multiple days. For example, the CPU 11 may change the pair of ⁇ and ⁇ when a surplus is continuously generated as shown in Table 3.
- FIG. 5 is a flowchart showing the flow of the demand forecast process by the demand forecast device 10.
- the demand forecasting process is performed by the CPU 11 reading the demand forecasting program from the ROM 12 or the storage 14, expanding it into the RAM 13, and executing the demand forecasting program.
- the CPU 11 reads a matrix X test of peripheral information at a time point to be predicted, which is different from the matrix X used for calculating the coefficient (step S111).
- step S111 the CPU 11 predicts the demand Y test as the prediction unit 104 by multiplying the coefficient w obtained in step S102 of FIG. 4 according to the following mathematical formula (3) (step S112).
- the CPU 11 can realize a predictor in which the error is biased to either positive or negative. Then, by executing the demand forecasting process shown in FIG. 5, the CPU 11 always outputs an excessive or underestimated value with respect to the actual demand, and the product is sold out or the number of personnel is insufficient. It becomes possible to prevent the situation.
- FIG. 6 is a diagram showing a demand forecast result based on a comparison target.
- FIG. 7 is a diagram showing a demand forecast result by the demand forecast device 10.
- the housing price is "demand”
- the variables related to demand such as the number of crimes per capita and the ratio of the area occupied by non-retail commerce are "peripheral information”.
- the peripheral information of the data set is divided into the matrix X and the matrix X test in advance, the regression model that predicts the "demand” from the "peripheral information” is learned using the matrix X, and the regression model is created for the matrix X test. It was applied to evaluate the discrepancy between the predicted demand and the actual demand.
- the constants ⁇ and ⁇ of the error function of the demand forecaster 10 were set to 1 and 1000, respectively. That is, the demand forecasting device 10 has learned so that the error becomes positive.
- the function shown by the following mathematical formula (4) was learned as an error function.
- FIG. 6 there are positive parts and negative parts in the error.
- FIG. 7 the error is positive at most points. It is considered that this indicates that the demand forecasting device 10 according to the present embodiment could control the tendency of the error by the error function.
- the house price was regarded as demand, and the price was predicted from the information around the house.
- underestimating the price of a home for sale to a real estate agent means a loss and should be avoided.
- the demand forecasting device 10 can predict an appropriate demand while preventing underestimation.
- various processors other than the CPU may execute the learning process and the demand forecast process executed by the CPU by reading the software (program) in each of the above embodiments.
- PLD Programmable Logic Device
- FPGA Field-Programmable Gate Array
- ASIC Application Specific Integrated Circuit
- An example is a dedicated electric circuit or the like, which is a processor having a circuit configuration designed exclusively for the purpose.
- the learning process and the demand forecast process may be executed by one of these various processors, or a combination of two or more processors of the same type or different types (for example, a plurality of FPGAs, and a CPU and an FPGA). It may be executed in combination with).
- the hardware-like structure of these various processors is, more specifically, an electric circuit in which circuit elements such as semiconductor elements are combined.
- the mode in which the demand forecast program is stored (installed) in the storage 14 in advance has been described, but the present invention is not limited to this.
- the program is stored in a non-temporary medium such as a CD-ROM (Compact Disk Read Only Memory), a DVD-ROM (Digital Versaille Disk Online Memory), and a USB (Universal Serial Bus) memory. It may be provided in the form. Further, the program may be downloaded from an external device via a network.
- (Appendix 1) With memory With at least one processor connected to the memory Including The processor Record the demand and the demand-related information related to the demand, The coefficient of the regression model with the recorded demand and the demand-related information as the objective variable and the explanatory variable, respectively, is learned by multiplying the error by the penalty coefficient according to the positive or negative of the error. Demand is predicted by inputting demand-related information other than the demand-related information into the regression model. Demand forecaster configured as.
- (Appendix 2) A non-temporary storage medium that stores a program that can be executed by a computer to perform demand forecast processing.
- the demand forecast processing is Record the demand and the demand-related information related to the demand,
- the coefficient of the regression model with the recorded demand and the demand-related information as the objective variable and the explanatory variable, respectively, is learned by multiplying the error by the penalty coefficient according to the positive or negative of the error.
- Demand is predicted by inputting demand-related information other than the demand-related information into the regression model.
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
需要予測装置10は、需要と、前記需要に関連する需要関連情報とを記録する需要記録部101と、需要記録部101に記録された前記需要及び前記需要関連情報をそれぞれ目的変数及び説明変数とする回帰モデル103の係数を、誤差の正負に応じて罰則係数を前記誤差に掛け合わせて学習する学習部102と、前記需要関連情報とは別の需要関連情報を前記回帰モデルに入力して需要を予測する予測部104と、を備える。
Description
開示の技術は、需要予測装置、需要予測方法、及び需要予測プログラムに関する。
コンビニエンスストアの在庫管理、又は故障修理作業員の人員配置等の、ある地点にどれだけの資材又は人員を配置するかを予測し、最適化することは、余剰在庫を防いだり、迅速な故障修理を実現したりする上で重要である。
従来においては、こうした需要予測において、非特許文献1のような手法が提案されてきた。
灰田武史,電力需要予測,電気学会誌,1997,117巻,9号,p.596-599,公開日 2008/04/17,Online ISSN 1881-4190,Print ISSN 1340-5551,https://doi.org/10.1541/ieejjournal.117.596, https://www.jstage.jst.go.jp/article/ieejjournal1994/117/9/117_9_596/_article/-char/ja
しかし、従来の需要予測の手法では、目標になるべく近い予測値を出力するように学習するため、予測値が目標を下回る可能性があった。予測値が目標を下回ることは、コンビニエンスストアの例では、実際の需要に対して少ない商品を発注することになり、商品が売り切れてしまうことを意味する。また、故障修理作業員の人員配置の例では、実際の故障件数に対して、少ない人員を配置することになり、復旧完了の遅延を引き起こすことになる。
開示の技術は、上記の点に鑑みてなされたものであり、実際の需要に対して過大、または、過小な予測値を出力する需要予測装置、需要予測方法、及び需要予測プログラムを提供することを目的とする。
本開示の第1態様は、需要予測装置であって、需要と、前記需要に関連する需要関連情報とを記録する需要記録部と、前記需要記録部に記録された前記需要及び前記需要関連情報をそれぞれ目的変数及び説明変数とする回帰モデルの係数を、誤差の正負に応じて罰則係数を前記誤差に掛け合わせて学習する学習部と、前記需要関連情報とは別の需要関連情報を前記回帰モデルに入力して需要を予測する予測部と、を備える。
本開示の第2態様は、需要予測方法であって、需要と、前記需要に関連する需要関連情報とを記録し、記録された前記需要及び前記需要関連情報をそれぞれ目的変数及び説明変数とする回帰モデルの係数を、誤差の正負に応じて罰則係数を前記誤差に掛け合わせて学習し、前記需要関連情報とは別の需要関連情報を前記回帰モデルに入力して需要を予測する、処理をコンピュータが実行する。
本開示の第3態様は、コンピュータプログラムであって、需要と、前記需要に関連する需要関連情報とを記録し、記録された前記需要及び前記需要関連情報をそれぞれ目的変数及び説明変数とする回帰モデルの係数を、誤差の正負に応じて罰則係数を前記誤差に掛け合わせて学習し、前記需要関連情報とは別の需要関連情報を前記回帰モデルに入力して需要を予測する、処理をコンピュータに実行させる。
開示の技術によれば、実際の需要に対して過大、または、過小な予測値を出力する需要予測装置、需要予測方法、及び需要予測プログラムを提供することができる。
以下、開示の技術の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において同一又は等価な構成要素及び部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。
図1は、本実施形態に係る需要予測装置について説明する図である。図1に示した需要予測装置10は、過去の需要と、周辺情報とを保持する。需要は、在庫管理の例では、ある店舗での販売数であり、人員配置の例では、ある地点での故障数である。周辺情報は、本開示の需要関連情報の一例であり、需要を予測するための情報である。周辺情報は、例えば、気象情報、周辺の人口情報、緯度経度などの位置情報などである。また、需要予測装置10は、保持している過去の需要と、周辺情報とを用いて学習を行う。そして、需要予測装置10は、周辺情報を入力し、学習結果を用いて需要予測を出力する。
図2は、需要予測装置10のハードウェア構成を示すブロック図である。
図2に示すように、需要予測装置10は、CPU(Central Processing Unit)11、ROM(Read Only Memory)12、RAM(Random Access Memory)13、ストレージ14、入力部15、表示部16及び通信インタフェース(I/F)17を有する。各構成は、バス19を介して相互に通信可能に接続されている。
CPU11は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、CPU11は、ROM12又はストレージ14からプログラムを読み出し、RAM13を作業領域としてプログラムを実行する。CPU11は、ROM12又はストレージ14に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ROM12又はストレージ14には、周辺情報から需要を予測するための需要予測プログラムが格納されている。
ROM12は、各種プログラム及び各種データを格納する。RAM13は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ14は、HDD(Hard Disk Drive)又はSSD(Solid State Drive)等の記憶装置により構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。
入力部15は、マウス等のポインティングデバイス、及びキーボードを含み、各種の入力を行うために使用される。
表示部16は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部16は、タッチパネル方式を採用して、入力部15として機能しても良い。
通信インタフェース17は、他の機器と通信するためのインタフェースである。当該通信には、たとえば、イーサネット(登録商標)若しくはFDDI等の有線通信の規格、又は、4G、5G、若しくはWi-Fi(登録商標)等の無線通信の規格が用いられる。
次に、需要予測装置10の機能構成について説明する。
図3は、需要予測装置10の機能構成の例を示すブロック図である。
図3に示すように、需要予測装置10は、機能構成として、需要記録部101、学習部102、回帰モデル103、及び予測部104を有する。各機能構成は、CPU11がROM12又はストレージ14に記憶された需要予測プログラムを読み出し、RAM13に展開して実行することにより実現される。
需要記録部101は、過去の需要と、需要に関連する情報である周辺情報とを記録する。上述したように、需要は、在庫管理の例では、ある店舗での販売数であり、人員配置の例では、ある地点での故障数である。また、周辺情報は、例えば、気象情報、周辺の人口情報、緯度経度などの位置情報などである。
学習部102は、需要記録部101に記録された需要及び周辺情報をそれぞれ目的変数及び説明変数とする回帰モデル103の係数を学習する。具体的には、学習部102は、誤差の正負に応じて罰則係数を誤差に掛け合わせて、回帰モデル103の係数を学習する。
予測部104は、需要記録部101に記録された周辺情報とは別の周辺情報を回帰モデル103に入力して、需要を予測する。予測部104が予測した需要は需要予測装置10から出力される。
次に、需要予測装置10の作用について説明する。
(学習処理)
図4は、需要予測装置10による学習処理の流れを示すフローチャートである。CPU11がROM12又はストレージ14から需要予測プログラムを読み出して、RAM13に展開して実行することにより、学習処理が行なわれる。
図4は、需要予測装置10による学習処理の流れを示すフローチャートである。CPU11がROM12又はストレージ14から需要予測プログラムを読み出して、RAM13に展開して実行することにより、学習処理が行なわれる。
CPU11は、学習部102として、需要記録部101から需要及び周辺情報を取得する(ステップS101)。ここでは、需要記録部101に保存された合計Nレコードのデータのi番目の需要を目的変数yi、周辺情報を説明変数xi、係数をwとして、以下の数式(1)で示す回帰モデル103を考える。
ステップS101に続いて、CPU11は、学習部102として、以下の数式(2)で表されるE(w)を誤差関数として、最適化により係数wを学習し、回帰モデルを生成する(ステップS102)。
数式(2)で、XはN×Mの大きさの周辺情報の行列、yはN×1の大きさの需要のベクトルである。vはN×1の大きさの0または1の要素で構成されるベクトルで、誤差ベクトルXw-yの要素が正となるインデックスの要素が1で、それ以外の要素が0で構成される。同様に、uはN×1の大きさの0または1の要素で構成されるベクトルで、誤差ベクトルXw-yの要素が負となるインデックスの要素が1で、それ以外の要素が0で構成される。
CPU11は、数式(2)で示すように、これらv、uと誤差ベクトルXw-yとの内積を取ることにより、誤差の方向が正である誤差ベクトルの要素と負である要素の和をそれぞれ求めることができる。
また数式(2)で、α及びβは罰則係数であって、それぞれスカラーの定数である。需要予測装置10を使用する分析者が、α及びβの値を事前に決定する。αを大きくすると正の誤差が強く影響するため、得られるモデルはなるべく誤差が負になるようにCPU11で学習される。また、βを大きくすると負の誤差が強く影響するようになり、得られるモデルはなるべく誤差が正になるようにCPU11で学習される。
ステップS102に続いて、CPU11は、学習部102として、学習した回帰モデル103を予測部104に出力する(ステップS103)。
なお、上述の例では、分析者がα、βをそれぞれ設定するとしたが、本開示は係る例に限定されるものではない。例えば、分析者は、予め状況に応じたα、βの組を設定しておき、状況に応じてそれらの組のなかから適切なものを選択することもできる。表1に例を示す。
表1の例では、4段階の状況を想定し、それぞれの状況に応じて需要を予測することができる。
また、CPU11は、過去の予測結果と実績の差に基づいてα、βの組を設定してもよい。例えば、CPU11は、表2のような条件に応じてα、βの組を選択する。なお、表2においてkは任意の整数である。
また、CPU11は、過去の複数日の予測結果と実績の差の時系列の傾向からα,βの組を設定してもよい。例えば、CPU11は、表3のように連続して余剰が発生した場合にα、βの組を変更するなどしてもよい。
(需要予測処理)
図5は、需要予測装置10による需要予測処理の流れを示すフローチャートである。CPU11がROM12又はストレージ14から需要予測プログラムを読み出して、RAM13に展開して実行することにより、需要予測処理が行なわれる。
図5は、需要予測装置10による需要予測処理の流れを示すフローチャートである。CPU11がROM12又はストレージ14から需要予測プログラムを読み出して、RAM13に展開して実行することにより、需要予測処理が行なわれる。
CPU11は、予測部104として、係数の算出に用いた行列Xとは別の、予測したい時点の周辺情報の行列Xtestを読み込む(ステップS111)。
ステップS111に続いて、CPU11は、予測部104として、下記の数式(3)に従って、図4のステップS102で求めた係数wを掛け合わせることによって、需要Ytestを予測する(ステップS112)。
CPU11は、図4に示した学習処理を実行することで、誤差が正負のどちらかに偏るような予測器を実現することができる。そして、CPU11は、図5に示した需要予測処理を実行することで、実際の需要に対して、常に過大、又は過小な予測値を出力することになり、商品の売り切れ、又は人員不足などの事態を防ぐことが可能になる。
(効果)
続いて、本実施形態に係る需要予測装置10の効果を説明する。ここでは、ボストンの住宅価格の予測を例に、本実施形態に係る需要予測装置10の効果を説明する。評価には、Boston house prices dataset(https://scikit-learn.org/stable/datasets/index.html#boston-dataset)を用いた。
続いて、本実施形態に係る需要予測装置10の効果を説明する。ここでは、ボストンの住宅価格の予測を例に、本実施形態に係る需要予測装置10の効果を説明する。評価には、Boston house prices dataset(https://scikit-learn.org/stable/datasets/index.html#boston-dataset)を用いた。
図6は、比較対象による需要予測結果を示す図である。図7は、需要予測装置10による需要予測結果を示す図である。図6及び図7に示す需要予測を行うにあたり、住宅価格を「需要」、人口1人当たりの犯罪発生数及び小売業以外の商業が占める面積の割合等の需要に関係する変数を「周辺情報」とした。データセットの周辺情報を、行列Xと行列Xtestとにあらかじめ分割し、行列Xを用いて「周辺情報」から「需要」を予測する回帰モデルを学習し、行列Xtestに対して回帰モデルを適用して、予測した需要と実際の需要との誤差を評価した。需要予測装置10の誤差関数の定数α、βはそれぞれ1、1000とした。つまり、需要予測装置10は、誤差が正になるように学習した。なお、比較対象の一般的な手法は、下記の数式(4)で示す関数を誤差関数として学習した。
図6では、誤差が正の部分もあれば、負の部分もある。これに対し、図7では、殆どの地点で誤差が正である。これは、本実施形態に係る需要予測装置10は、誤差関数によって、誤差の傾向を制御できたことを示していると考えられる。
図6及び図7では、住宅価格を需要とみなして、住宅周辺の情報から価格を予測した。例えば、不動産業者にとって販売する住宅の価格を過小評価することは、損失を意味し、避けるべきである。本実施形態に係る需要予測装置10は、過小評価を防ぎながら、適切な需要を予測することが可能になる。
なお、上記各実施形態でCPUがソフトウェア(プログラム)を読み込んで実行した学習処理及び需要予測処理を、CPU以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、FPGA(Field-Programmable Gate Array)等の製造後に回路構成を変更可能なPLD(Programmable Logic Device)、及びASIC(Application Specific Integrated Circuit)等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、学習処理及び需要予測処理を、これらの各種のプロセッサのうちの1つで実行してもよいし、同種又は異種の2つ以上のプロセッサの組み合わせ(例えば、複数のFPGA、及びCPUとFPGAとの組み合わせ等)で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。
また、上記各実施形態では、需要予測プログラムがストレージ14に予め記憶(インストール)されている態様を説明したが、これに限定されない。プログラムは、CD-ROM(Compact Disk Read Only Memory)、DVD-ROM(Digital Versatile Disk Read Only Memory)、及びUSB(Universal Serial Bus)メモリ等の非一時的(non-transitory)記憶媒体に記憶された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。
以上の実施形態に関し、更に以下の付記を開示する。
(付記項1)
メモリと、
前記メモリに接続された少なくとも1つのプロセッサと、
を含み、
前記プロセッサは、
需要と、前記需要に関連する需要関連情報とを記録し、
記録された前記需要及び前記需要関連情報をそれぞれ目的変数及び説明変数とする回帰モデルの係数を、誤差の正負に応じて罰則係数を前記誤差に掛け合わせて学習し、
前記需要関連情報とは別の需要関連情報を前記回帰モデルに入力して需要を予測する、
ように構成されている需要予測装置。
(付記項1)
メモリと、
前記メモリに接続された少なくとも1つのプロセッサと、
を含み、
前記プロセッサは、
需要と、前記需要に関連する需要関連情報とを記録し、
記録された前記需要及び前記需要関連情報をそれぞれ目的変数及び説明変数とする回帰モデルの係数を、誤差の正負に応じて罰則係数を前記誤差に掛け合わせて学習し、
前記需要関連情報とは別の需要関連情報を前記回帰モデルに入力して需要を予測する、
ように構成されている需要予測装置。
(付記項2)
需要予測処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記需要予測処理は、
需要と、前記需要に関連する需要関連情報とを記録し、
記録された前記需要及び前記需要関連情報をそれぞれ目的変数及び説明変数とする回帰モデルの係数を、誤差の正負に応じて罰則係数を前記誤差に掛け合わせて学習し、
前記需要関連情報とは別の需要関連情報を前記回帰モデルに入力して需要を予測する、
非一時的記憶媒体。
需要予測処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記需要予測処理は、
需要と、前記需要に関連する需要関連情報とを記録し、
記録された前記需要及び前記需要関連情報をそれぞれ目的変数及び説明変数とする回帰モデルの係数を、誤差の正負に応じて罰則係数を前記誤差に掛け合わせて学習し、
前記需要関連情報とは別の需要関連情報を前記回帰モデルに入力して需要を予測する、
非一時的記憶媒体。
10 需要予測装置
101 需要記録部
102 学習部
103 モデル
104 予測部
101 需要記録部
102 学習部
103 モデル
104 予測部
Claims (8)
- 需要と、前記需要に関連する需要関連情報とを記録する需要記録部と、
前記需要記録部に記録された前記需要及び前記需要関連情報をそれぞれ目的変数及び説明変数とする回帰モデルの係数を、誤差の正負に応じて罰則係数を前記誤差に掛け合わせて学習する学習部と、
前記需要関連情報とは別の需要関連情報を前記回帰モデルに入力して需要を予測する予測部と、
を備える需要予測装置。 - 前記学習部は、前記需要のベクトル及び前記需要関連情報の行列から求まる誤差ベクトルの要素に基づいて定まる誤差関数を最適化することで前記回帰モデルの係数を学習する請求項1記載の需要予測装置。
- 前記学習部は、前記誤差の方向が正である前記誤差ベクトルの要素と、負である前記誤差ベクトルの要素との和に基づいて定まる誤差関数を最適化することで前記回帰モデルの係数を学習する請求項2記載の需要予測装置。
- 前記学習部は、前記誤差の方向が正である前記誤差ベクトルの要素に第1の定数を乗じ、負である前記誤差ベクトルの要素に第2の定数を乗じて、前記誤差関数を定める請求項3記載の需要予測装置。
- 前記学習部は、前記予測部の予測結果に基づいて前記第1の定数及び前記第2の定数の組を決定する請求項4記載の需要予測装置。
- 前記学習部は、前記予測部の予測結果が所定回数以上連続して過剰だった場合に前記第1の定数及び前記第2の定数の組を変更する請求項5記載の需要予測装置。
- 需要と、前記需要に関連する需要関連情報とを記録し、
記録された前記需要及び前記需要関連情報をそれぞれ目的変数及び説明変数とする回帰モデルの係数を、誤差の正負に応じて罰則係数を前記誤差に掛け合わせて学習し、
前記需要関連情報とは別の需要関連情報を前記回帰モデルに入力して需要を予測する、
処理をコンピュータが実行する需要予測方法。 - 需要と、前記需要に関連する需要関連情報とを記録し、
記録された前記需要及び前記需要関連情報をそれぞれ目的変数及び説明変数とする回帰モデルの係数を、誤差の正負に応じて罰則係数を前記誤差に掛け合わせて学習し、
前記需要関連情報とは別の需要関連情報を前記回帰モデルに入力して需要を予測する、
処理をコンピュータに実行させる需要予測プログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/022074 WO2021245868A1 (ja) | 2020-06-04 | 2020-06-04 | 需要予測装置、需要予測方法、及び需要予測プログラム |
JP2022529243A JP7480844B2 (ja) | 2020-06-04 | 2020-06-04 | 需要予測装置、需要予測方法、及び需要予測プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/022074 WO2021245868A1 (ja) | 2020-06-04 | 2020-06-04 | 需要予測装置、需要予測方法、及び需要予測プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2021245868A1 true WO2021245868A1 (ja) | 2021-12-09 |
Family
ID=78830210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2020/022074 WO2021245868A1 (ja) | 2020-06-04 | 2020-06-04 | 需要予測装置、需要予測方法、及び需要予測プログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7480844B2 (ja) |
WO (1) | WO2021245868A1 (ja) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016224566A (ja) * | 2015-05-27 | 2016-12-28 | 一般財団法人電力中央研究所 | 予測装置、予測方法および予測プログラム |
JP2019088150A (ja) * | 2017-11-08 | 2019-06-06 | 株式会社東芝 | 信頼度監視システム、信頼度評価方法、及びプログラム |
-
2020
- 2020-06-04 WO PCT/JP2020/022074 patent/WO2021245868A1/ja active Application Filing
- 2020-06-04 JP JP2022529243A patent/JP7480844B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016224566A (ja) * | 2015-05-27 | 2016-12-28 | 一般財団法人電力中央研究所 | 予測装置、予測方法および予測プログラム |
JP2019088150A (ja) * | 2017-11-08 | 2019-06-06 | 株式会社東芝 | 信頼度監視システム、信頼度評価方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JPWO2021245868A1 (ja) | 2021-12-09 |
JP7480844B2 (ja) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ouyang et al. | A combined multivariate model for wind power prediction | |
JP6926008B2 (ja) | 保守計画装置、及び保守計画方法 | |
JP2018195308A (ja) | プロセス及び製造業における業績評価指標のデータに基づく最適化のための方法及びシステム | |
JP5492848B2 (ja) | 電力需要予測システムおよび方法 | |
CA2746385C (en) | Turbine lifespan modeling | |
Hsieh et al. | Efficient development of cycle time response surfaces using progressive simulation metamodeling | |
WO2018079367A1 (ja) | 商品需要予測システム、商品需要予測方法および商品需要予測プログラム | |
JP6970998B2 (ja) | 電力需要量予測装置及び電力需要量予測方法 | |
Tai et al. | Cycle time estimation for semiconductor final testing processes with Weibull-distributed waiting time | |
JP2018005563A (ja) | 処理装置、処理方法及びプログラム | |
Kacar et al. | A comparison of multiple linear regression approaches for fitting clearing functions to empirical data | |
US20200311749A1 (en) | System for Generating and Using a Stacked Prediction Model to Forecast Market Behavior | |
Chien et al. | Tool allocation to smooth work-in-process for cycle time reduction and an empirical study | |
CN112396231A (zh) | 针对时空数据的建模方法、装置、电子设备及可读介质 | |
Chinde et al. | Data-enabled predictive control for building HVAC systems | |
Pasandideh et al. | A bi-objective hub maximal covering location problem considering time-dependent reliability and the second type of coverage | |
JP7231504B2 (ja) | 気象数値解析システム、予測対象データ生成システムおよび気象数値解析方法 | |
JP2021043477A (ja) | 需要予測装置、需要予測方法、及びプログラム | |
JP5868770B2 (ja) | 使用量予測方法および行動推薦方法 | |
Phan et al. | CFD-based response surface methodology for rapid thermal simulation and optimal design of data centers | |
Chien et al. | Determining the operator-machine assignment for machine interference problem and an empirical study in semiconductor test facility | |
Wang et al. | Acceptance sampling plan based on an exponentially weighted moving average statistic with the yield index for autocorrelation between polynomial profiles | |
WO2021245868A1 (ja) | 需要予測装置、需要予測方法、及び需要予測プログラム | |
García-Díaz et al. | Competitive models for the spanish short-term electricity demand forecasting | |
Chen et al. | Simulation-based estimation of cycle time using quantile regression |
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: 20938907 Country of ref document: EP Kind code of ref document: A1 |
|
ENP | Entry into the national phase |
Ref document number: 2022529243 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: 20938907 Country of ref document: EP Kind code of ref document: A1 |