WO2023053236A1 - 需要予測装置及び需要予測方法 - Google Patents

需要予測装置及び需要予測方法 Download PDF

Info

Publication number
WO2023053236A1
WO2023053236A1 PCT/JP2021/035737 JP2021035737W WO2023053236A1 WO 2023053236 A1 WO2023053236 A1 WO 2023053236A1 JP 2021035737 W JP2021035737 W JP 2021035737W WO 2023053236 A1 WO2023053236 A1 WO 2023053236A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
demand
index
unit
degree
Prior art date
Application number
PCT/JP2021/035737
Other languages
English (en)
French (fr)
Inventor
敬純 小部
瞭 松村
Original Assignee
三菱電機株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to JP2022505545A priority Critical patent/JP7162774B1/ja
Priority to CN202180102379.5A priority patent/CN117999569A/zh
Priority to DE112021008029.6T priority patent/DE112021008029T5/de
Priority to PCT/JP2021/035737 priority patent/WO2023053236A1/ja
Publication of WO2023053236A1 publication Critical patent/WO2023053236A1/ja
Priority to US18/424,434 priority patent/US20240169377A1/en

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
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Definitions

  • the present disclosure relates to a demand forecasting device and a demand forecasting method.
  • Economic indicators include, for example, economic trends, average stock prices, or fuel prices.
  • one or more economic indicators given to the analysis model include not only economic indicators highly related to product demand but also economic indicators having low relatedness. may be included. When economic indicators with low relevance are included, there is a problem that the result of demand prediction by the analysis model may deviate from the future demand for the product.
  • the present disclosure has been made in order to solve the above-described problems. To obtain a demand forecasting device and a demand forecasting method capable of preventing the result of forecasting demand from deviating from the future demand of a product even if it is included.
  • the demand forecasting device includes demand data indicating temporal changes in past demand for products subject to demand forecasting, and indicator candidate data indicating each of a plurality of indicators that are candidates for indicators related to the past demand. and a degree-of-relevance calculation unit that calculates the degree of association between the index indicated by each index candidate data obtained by the data obtaining unit and the demand indicated by the demand data obtained by the data obtaining unit. Then, based on the degree of association calculated by the degree-of-association calculation unit, index data used in demand forecast processing for predicting future demand for the product is extracted from the plurality of index candidate data acquired by the data acquisition unit. and a demand prediction unit that performs demand prediction processing using the index data extracted by the index data extraction unit.
  • the demand prediction result is It is possible to prevent divergence from the future demand of
  • FIG. 1 is a configuration diagram showing a demand forecasting system 1 including a demand forecasting device 4 according to Embodiment 1.
  • FIG. 1 is a configuration diagram showing a decision support device 2 and a demand prediction device 4 according to Embodiment 1;
  • FIG. 2 is a hardware configuration diagram showing hardware of the demand prediction device 4 according to Embodiment 1.
  • FIG. 2 is a hardware configuration diagram of a computer when the demand forecasting device 4 is realized by software, firmware, or the like;
  • FIG. 1 is a configuration diagram showing a learning device 3 and a demand prediction device 4 according to Embodiment 1;
  • FIG. 2 is a hardware configuration diagram showing hardware of the learning device 3 according to Embodiment 1.
  • FIG. 3 is a hardware configuration diagram of a computer when the learning device 3 is realized by software, firmware, or the like;
  • FIG. 4 is a flow chart showing a demand forecasting method, which is a processing procedure of the demand forecasting device 4;
  • FIG. 4 is an explanatory diagram showing an example of index candidate data;
  • 4 is a flowchart showing a processing procedure of the learning device 3; It is explanatory drawing which shows the input-output relationship of one prediction model.
  • FIG. 10 is a configuration diagram showing a decision support device 2 and a demand prediction device 4 according to Embodiment 2;
  • FIG. 4 is a hardware configuration diagram showing hardware of a demand prediction device 4 according to Embodiment 2;
  • 4 is an explanatory diagram showing an example of setting data B;
  • FIG. 11 is a configuration diagram showing a decision support device 2 and a demand prediction device 4 according to Embodiment 3;
  • FIG. 11 is a hardware configuration diagram showing hardware of a demand prediction device 4 according to Em
  • FIG. 1 is a configuration diagram showing a demand forecasting system 1 including a demand forecasting device 4 according to Embodiment 1.
  • a demand forecasting system 1 shown in FIG. 1 includes a decision support device 2 , a learning device 3 and a demand forecasting device 4 .
  • FIG. 2 is a configuration diagram showing the decision support device 2 and the demand prediction device 4 according to Embodiment 1.
  • FIG. 3 is a hardware configuration diagram showing hardware of the demand prediction device 4 according to the first embodiment.
  • the decision support device 2 has an analysis result output unit 11 and a display unit 12 .
  • the analysis result output unit 11 and display unit 12 will be described later.
  • the learning device 3 generates a prediction model used for demand prediction processing by the demand prediction device 4 .
  • the demand prediction device 4 includes a data acquisition unit 21, a data storage unit 22, a degree of association calculation unit 23, an index data extraction unit 24, a prediction model storage unit 25, a prediction model selection unit 26, a demand prediction unit 27, and a display data output unit 28. It has
  • the data acquisition unit 21 is realized by, for example, a data acquisition circuit 31 shown in FIG.
  • the data acquisition unit 21 acquires demand data D that indicates temporal changes in past demand for products targeted for demand forecasting.
  • the demand data D is, for example, time-series data indicating demand at a plurality of times included in the period TP1.
  • the index candidate data In is , for example, time-series data indicating indices at a plurality of times included in the period TP2.
  • the period TP1 related to the demand data D may be the same period as the period TP2 related to the index candidate data In , or the period TP1 related to the demand data D may be the same as the period TP2 related to the index candidate data. It may be a future period after the period TP2 related to In . If the period TP1 of the demand data D is later than the period TP2 of the candidate index data In , the demand data D is time-shifted with respect to the candidate index data In . For example, if the time shift is two months and the period TP2 related to the index candidate data In is the period from August 1st to August 31st, the period TP1 related to the demand data D is October 1st. It is the period from the day to October 31st.
  • the data acquisition unit 21 outputs each of the index candidate data I 1 to I N and the demand data D to the data storage unit 22 .
  • the data storage unit 22 is realized by, for example, the data storage circuit 32 shown in FIG.
  • the data storage unit 22 stores each of the index candidate data I 1 to I N and the demand data D output from the data acquisition unit 21 .
  • the degree-of-association calculator 23 is realized by, for example, a degree-of-association calculation circuit 33 shown in FIG.
  • the index data extraction unit 24 is implemented by, for example, an index data extraction circuit 34 shown in FIG.
  • M is an integer of 1 or more and N or less.
  • the index data extractor 24 outputs the demand data D to the forecast model selector 26 .
  • the prediction model storage unit 25 is implemented by, for example, the prediction model storage circuit 35 shown in FIG.
  • the prediction model storage unit 25 stores G prediction models PM 1 to PM G generated by the learning device 3 .
  • the prediction model selection unit 26 is realized by the prediction model selection circuit 36 shown in FIG. 3, for example.
  • the demand prediction unit 27 is realized by, for example, a demand prediction circuit 37 shown in FIG.
  • Demand forecast processing is performed.
  • the demand prediction unit 27 outputs the demand prediction result R to the display data output unit 28 .
  • the display data output unit 28 is implemented by, for example, a display data output circuit 38 shown in FIG.
  • the display data output unit 28 acquires the demand prediction result R from the demand prediction unit 27 .
  • the display data output unit 28 generates display data H for displaying the demand prediction result R, and outputs the display data H to the display unit 12 .
  • the display unit 12 displays the demand prediction result R on the display according to the display data H output from the display data output unit 28 .
  • the display unit 12 displays each of the index data I 1 ′ to I M ′ and the demand data D on the display.
  • data acquisition unit 21, data storage unit 22, relevance calculation unit 23, index data extraction unit 24, prediction model storage unit 25, prediction model selection unit 26, and demand prediction unit, which are components of demand prediction device 4 27 and the display data output unit 28 are assumed to be implemented by dedicated hardware as shown in FIG. That is, the demand prediction device 4 includes a data acquisition circuit 31, a data storage circuit 32, a degree of association calculation circuit 33, an index data extraction circuit 34, a prediction model storage circuit 35, a prediction model selection circuit 36, a demand prediction circuit 37, and a display data output. It is assumed that it is implemented by circuit 38 .
  • each of the data storage circuit 32 and the prediction model storage circuit 35 is, for example, a RAM (Random Access Memory), a ROM (Read Only Memory), a flash memory, an EPROM (Erasable Programmable Read Only Memory), an EEPROM (Electrically Erasable Programmable nonvolatile or volatile semiconductor memory such as Read Only Memory), magnetic disk, flexible disk, optical disk, compact disk, mini disk, or DVD (Digital Versatile Disc).
  • Each of the data acquisition circuit 31, the degree-of-relevance calculation circuit 33, the index data extraction circuit 34, the prediction model selection circuit 36, the demand prediction circuit 37, and the display data output circuit 38 is, for example, a single circuit, a composite circuit, or a programmable circuit. processors, parallel-programmed processors, ASICs (Application Specific Integrated Circuits), FPGAs (Field-Programmable Gate Arrays), or combinations thereof.
  • the components of the demand forecasting device 4 are not limited to those realized by dedicated hardware, but the demand forecasting device 4 may be realized by software, firmware, or a combination of software and firmware. good too.
  • Software or firmware is stored as a program in a computer's memory.
  • a computer means hardware that executes a program, for example, a CPU (Central Processing Unit), a central processing unit, a processing unit, an arithmetic unit, a microprocessor, a microcomputer, a processor, or a DSP (Digital Signal Processor). do.
  • FIG. 4 is a hardware configuration diagram of a computer when the demand forecasting device 4 is implemented by software, firmware, or the like.
  • the data storage unit 22 and the forecast model storage unit 25 are configured on the memory 41 of the computer.
  • a program for causing a computer to execute respective processing procedures in the data acquisition unit 21, the relevance calculation unit 23, the index data extraction unit 24, the prediction model selection unit 26, the demand prediction unit 27, and the display data output unit 28 is stored in the memory 41.
  • the processor 42 of the computer executes the program stored in the memory 41 .
  • FIG. 3 shows an example in which each component of the demand prediction device 4 is realized by dedicated hardware
  • FIG. 4 shows an example in which the demand prediction device 4 is realized by software, firmware, or the like.
  • this is only an example, and some components of the demand forecasting device 4 may be implemented by dedicated hardware, and the remaining components may be implemented by software, firmware, or the like.
  • FIG. 5 is a configuration diagram showing the learning device 3 and the demand prediction device 4 according to the first embodiment.
  • FIG. 6 is a hardware configuration diagram showing hardware of the learning device 3 according to the first embodiment.
  • description of components other than the data storage unit 22 and the prediction model storage unit 25 in the demand prediction device 4 is omitted for the sake of simplification of the drawing.
  • the learning device 3 shown in FIG. 5 includes a learning data acquisition unit 51, a learning data storage unit 52, a learning data analysis unit 53, a learning unit 54, and an evaluation unit 55.
  • the learning data acquisition unit 51 is implemented by, for example, a learning data acquisition circuit 61 shown in FIG.
  • the demand data D acquired by the learning data acquisition unit 51 is, for example, time-series data indicating demand at a plurality of times included in the period TP1'.
  • the index candidate data In acquired by the learning data acquisition unit 51 is, for example, time-series data indicating indices at a plurality of times included in the period TP2'.
  • the candidate index data In and the demand data D obtained by the learning data obtaining unit 51 are the candidate index data In and the demand data D that are provided to the demand forecasting device 4 when the demand forecasting device 4 performs the demand forecasting process. It is past data than each of the data D.
  • the period TP1' related to the demand data D is a future period from the period TP2' related to the index candidate data In . That is, the demand data D is data that is time-shifted with respect to the index candidate data In . For example, if the time shift is 2 months and the period TP2′ related to the index candidate data In is the period from August 1st to August 31st, the period TP1′ related to the demand data D is 10 months.
  • the period is from the 1st of the month to the 31st of October.
  • an example is shown in which all of the periods related to index candidate data I 1 to I N are TP2′.
  • the learning data storage unit 52 is implemented by, for example, a learning data storage circuit 62 shown in FIG.
  • the learning data analysis unit 53 is realized by, for example, a learning data analysis circuit 63 shown in FIG.
  • the learning unit 54 is realized by, for example, a learning circuit 64 shown in FIG.
  • the prediction model generated by the learning unit 54 includes, for example, an autoregressive model, a moving average model, an autoregressive moving average model, an autoregressive integrated moving average model, or a seasonal autoregressive moving average model. These forecast models are models for which demand forecast is performed by time series analysis.
  • the prediction model generated by the learning unit 54 may be a model for which demand prediction is performed by multivariate analysis such as regression analysis, cluster analysis, or multidimensional scaling.
  • the prediction model generated by the learning unit 54 may be a model in which demand prediction is performed by a method that combines time series analysis and multivariate analysis, or may be a Bayesian estimation, a sigma method, or a state
  • a spatial model may be a model in which demand forecasting is performed.
  • the evaluation unit 55 is implemented by, for example, an evaluation circuit 65 shown in FIG.
  • the evaluation unit 55 evaluates each of the Q prediction models generated by the learning unit 54 .
  • the evaluation unit 55 identifies the top G prediction models PM 1 to PM G with relatively high evaluations among the Q prediction models.
  • the evaluation unit 55 outputs G prediction models PM 1 to PM G to the prediction model storage unit 25 .
  • each of the learning data acquisition unit 51, the learning data storage unit 52, the learning data analysis unit 53, the learning unit 54, and the evaluation unit 55, which are the components of the learning device 3, are dedicated hardware units as shown in FIG. It is assumed that it will be realized by hardware. That is, it is assumed that the learning device 3 is implemented by a learning data acquisition circuit 61 , a learning data storage circuit 62 , a learning data analysis circuit 63 , a learning circuit 64 and an evaluation circuit 65 .
  • the learning data storage circuit 62 is, for example, non-volatile or volatile semiconductor memory such as RAM, ROM, flash memory, EPROM, EEPROM, magnetic disk, flexible disk, optical disk, compact disk, mini disk, or DVD. is applicable.
  • each of the learning data acquisition circuit 61, the learning data analysis circuit 63, the learning circuit 64, and the evaluation circuit 65 is, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC, an FPGA, or , a combination of these.
  • FIG. 7 is a hardware configuration diagram of a computer when the learning device 3 is implemented by software, firmware, or the like.
  • the learning data storage unit 52 is configured on the memory 71 of the computer.
  • a memory 71 stores programs for causing a computer to execute respective processing procedures in the learning data acquisition unit 51 , the learning data analysis unit 53 , the learning unit 54 and the evaluation unit 55 . Then, the processor 72 of the computer executes the program stored in the memory 71 .
  • FIG. 6 shows an example in which each component of the learning device 3 is implemented by dedicated hardware
  • FIG. 7 shows an example in which the learning device 3 is implemented by software, firmware, or the like.
  • this is only an example, and some of the components in the learning device 3 may be implemented by dedicated hardware, and the remaining components may be implemented by software, firmware, or the like.
  • FIG. 8 is a flow chart showing a demand forecasting method, which is a processing procedure of the demand forecasting device 4.
  • the data acquisition unit 21 acquires demand data D that indicates temporal changes in past demand for a product targeted for demand prediction (step ST1 in FIG. 8).
  • the demand data D includes, for example, the actual value of the product shipment amount, the actual product inventory amount, the actual product order amount, the actual product order amount, or the actual product production amount. There is data showing temporal changes.
  • N is an integer of 2 or more.
  • the index candidate data In includes, for example, economic indexes, statistical indexes, and data indicating temporal changes in weather information.
  • the index candidate data In includes , for example, the number of devices using the product in operation during the period in which the demand data D of the product was obtained. Examples of economic indicators include stock prices of companies related to products, GDP (Gross Domestic Product) of trading partner countries, exchange rates with trading partner countries, economic trend indices, average stock prices, and fuel prices. .
  • Statistical indicators include, for example, production volume or sales volume of raw materials related to the product, and trade-related information of the product.
  • FIG. 9 is an explanatory diagram showing an example of index candidate data.
  • FIG. 9 shows, as an example of the index candidate data, index candidate data related to the environmental index, index candidate data related to the automobile-related index A, index candidate data related to the automobile-related index B, index candidate data related to the automobile-related index C, Index candidate data related to real estate-related indicators and indicator candidate data related to economy-related indicators A are shown.
  • FIG. 9 shows, as an example of the index candidate data, index candidate data related to official statistics C, index candidate data related to mining and manufacturing index A, index candidate data related to mining and manufacturing index B, and index candidate data related to mining and manufacturing index C. , index candidate data related to the mining and manufacturing index D are shown.
  • solid gray lines are index candidate data related to respective indices
  • black solid lines are averages of a plurality of index candidate data indicated by the solid gray lines.
  • the dashed line is the demand data for the product.
  • the data acquisition unit 21 outputs each of the index candidate data I 1 to I N and the demand data D to the data storage unit 22 .
  • the data storage unit 22 stores the index candidate data I 1 to I N and the demand data D, respectively.
  • An example of calculation processing of the degree of association Cn by the degree of association calculator 23 will be specifically described below.
  • the degree-of-association calculator 23 calculates the covariance Cov between the index candidate data In and the demand data D. FIG. Since the covariance calculation process itself is a known technique, detailed description thereof will be omitted.
  • the relevance calculator 23 calculates the relevance C As n , the correlation coefficient between the index candidate data In and the demand data D is calculated.
  • the degree of association Cn is a correlation coefficient, it is represented by a numerical value from -1 to +1. Therefore, the closer the degree of association Cn to +1, the stronger the positive correlation, and the closer the degree of association Cn to -1, the stronger the negative correlation. Also, the closer the degree of association Cn is to 0, the weaker the correlation.
  • the degree of association calculator 23 calculates the correlation coefficient between the candidate index data In and the demand data D as the degree of association Cn .
  • the degree-of-relevance calculator 23 may calculate the distance between the candidate index data In and the demand data D as the degree of relevance Cn .
  • the distance between the index candidate data In and the demand data D is represented by Euclidean distance or Manhattan distance, for example.
  • the distance between the index candidate data In and the demand data D is obtained by DTW (Dynamic Time Warping), for example.
  • DTW Dynamic Time Warping
  • the index data extraction unit 24 outputs the demand data D to the forecast model selection unit 26.
  • An example of extraction processing of the index data I m ′ by the index data extraction unit 24 will be specifically described below.
  • the index data extracting unit 24 calculates the degree of association C n is extracted as index data I m ' used in the demand forecasting process. If
  • the index data extraction unit 24 does not extract the index candidate data I n related to the degree of association C n as the index data I m ′ used in the demand forecasting process.
  • the threshold Th 1 is a value greater than zero and less than one.
  • the threshold value Th1 may be stored in the internal memory of the index data extraction unit 24, or may be given from the outside of the demand prediction device 4 shown in FIG.
  • the index data extraction unit 24 extracts the index data I m ' used for the demand forecasting process based on the result of comparison between
  • the index data extracting unit 24 extracts the top M pieces of index candidate data I n having a large absolute value of the degree of association C n as the index data I m ′ used in the demand forecasting process. You may do so.
  • the index data extracting unit 24 uses the index candidate data I n related to the degree of association Cn for the demand forecasting process if the degree of association Cn is equal to or less than the threshold value Th2 . Extract as index data I m '. If the degree of association C n is greater than the threshold Th 2 , the index data extraction unit 24 does not extract the index candidate data I n related to the degree of association C n as the index data Im ′ used in the demand forecasting process. Here, the index data extracting unit 24 extracts the index data I m ′ used for the demand forecasting process based on the comparison result between the degree of association C n and the threshold Th 2 . However, this is only an example, and the index data extracting unit 24 extracts the top M index candidate data I n having a small absolute value of the degree of association C n as the index data I m ′ used in the demand forecasting process. You may do so.
  • the prediction model selection unit 26 acquires the demand data D from the index data extraction unit 24 . Based on the demand data D, the prediction model selection unit 26 selects the prediction model PM to which the index data I m ' is given from among the G prediction models PM 1 to PM G stored in the prediction model storage unit 25. Select (step ST4 in FIG. 8). An example of the prediction model PM selection process by the prediction model selection unit 26 will be specifically described below.
  • the prediction model selection unit 26 calculates the fluctuation range F of the demand data D.
  • the fluctuation range F of the demand data D is the absolute value of the difference between the minimum value of the demand data D and the maximum value of the demand data D.
  • the fluctuation range Fg of the prediction result Rg is the absolute value of the difference between the minimum value of the prediction result Rg and the maximum value of the prediction result Rg .
  • the minimum value of the prediction result Rg and the maximum value of the prediction result Rg are obtained from the prediction model PMg .
  • the prediction model selection unit 26 searches for the fluctuation range Fg of the prediction result Rg that is closest to the fluctuation range F of the demand data D, among the fluctuation ranges F1 to Fg of the G prediction results R1 to Rg. do.
  • the prediction model selection unit 26 selects the prediction model PM g related to the searched fluctuation range F g from among the G prediction models PM 1 to PM G as the prediction model PM to which the index data I m ′ is given.
  • Demand forecast processing is performed.
  • the demand forecasting unit 27 performs the demand forecasting process using the index data I m ' indicating the index highly related to the past demand indicated by the demand data D, so that a highly accurate forecast result R can be obtained. can.
  • the demand forecasting unit 27 does not use index candidate data indicating an index having a low degree of relevance to the past demand indicated by the demand data D in the demand forecasting process. Even if the index candidate data In indicating a low index is given to the data acquisition unit 21, it is possible to prevent a decrease in demand prediction accuracy.
  • the demand prediction unit 27 outputs the demand prediction result R to the display data output unit 28 .
  • the demand forecasting unit 27 gives the index data I 1 ' to I M ' to the forecast model PM, and acquires the demand forecast result R from the forecast model PM.
  • the demand forecasting unit 27 may obtain the demand forecast result R by performing regression analysis on the index data I 1 ′ to I M ′.
  • the regression analysis process itself for the index data I 1 ' to I M ' is a well-known technique, so detailed description thereof will be omitted.
  • the display data output unit 28 acquires the demand prediction result R from the demand prediction unit 27 .
  • the display data output unit 28 generates display data H for displaying the demand prediction result R, and outputs the display data H to the display unit 12 .
  • FIG. 10 is a flow chart showing the processing procedure of the learning device 3.
  • the learning data acquisition unit 51 acquires the demand data D from the data storage unit 22 . Also, the learning data acquisition unit 51 acquires N pieces of index candidate data I 1 to I N from the data storage unit 22 (step ST11 in FIG. 10). The learning data acquisition unit 51 sequentially extracts one index candidate data I n from the N pieces of index candidate data I 1 to I N , and sets data including one index candidate data I n and demand data D. are prepared, and N set data are output to the learning data storage unit 52 .
  • the candidate index data In and the demand data D included in each set data are the candidate index data In and the demand data D that are given to the demand forecasting device 4 when the demand forecasting device 4 performs the demand forecasting process. It is past data than each of the data D. Further, the demand data D included in each set data is future data from the index candidate data In included in the set data.
  • the learning data storage unit 52 stores each of the N set data output from the learning data acquisition unit 51.
  • the learning data analysis unit 53 acquires one set data that has not yet been acquired from among the N set data contained in the learning data storage unit 52 (step ST12 in FIG. 10).
  • the learning data analysis unit 53 calculates the degree of association Cn between the index indicated by one index candidate data In and the demand indicated by the demand data D, which are included in the acquired set data (step ST13).
  • the process of calculating the degree of association Cn by the learning data analysis unit 53 for example, the same method as the process of calculating the degree of association Cn by the degree of association calculation unit 23 shown in FIG. 2 can be used. Since the learning data analysis unit 53 has not yet acquired N pieces of set data, if the processing of calculating the N pieces of association degrees C 1 to C N has not been completed (step ST14 in FIG. 10: NO ), and the processing of steps ST12 to ST13 is repeated.
  • the same method as the extraction processing of the index data I m ′′ by the index data extraction unit 24 shown in FIG. 2 can be used.
  • An example of the prediction model generation processing by the learning unit 54 will be specifically described below.
  • FIG. 11 is an explanatory diagram showing the input/output relationship of one prediction model.
  • the learning unit 54 causes each prediction model to perform a learning process so that data corresponding to the demand data D is output as the prediction result R from each prediction model.
  • the learning process is a process of adjusting weights, etc., which are coefficients for each explanatory variable so that data corresponding to the demand data D is output as the prediction result R.
  • the learning unit 54 outputs the Q learned prediction models to the evaluation unit 55 .
  • the evaluation unit 55 acquires Q prediction models from the learning unit 54 .
  • the evaluation unit 55 evaluates each of the Q prediction models, and identifies the top G prediction models PM 1 to PM G with relatively high evaluation among the Q prediction models (step ST17).
  • the evaluation unit 55 outputs G prediction models PM 1 to PM G to the prediction model storage unit 25 .
  • the evaluation unit 55 calculates the fluctuation range F of the demand data D.
  • the fluctuation range F of the demand data D is the absolute value of the difference between the minimum value of the demand data D and the maximum value of the demand data D.
  • the evaluation unit 55 also calculates the fluctuation range of the demand prediction results output from each of the Q prediction models.
  • the fluctuation range of the prediction result is the absolute value of the difference between the minimum value of the prediction result and the maximum value of the prediction result. A minimum prediction result and a maximum prediction result are obtained from each prediction model.
  • the evaluation unit 55 searches for the fluctuation range of the top G prediction results that are close to the fluctuation range F of the demand data D among the fluctuation ranges of the Q prediction results.
  • the evaluation unit 55 specifies, from among the Q prediction models, prediction models relating to the fluctuation range of the top G prediction results as G prediction models PM 1 to PM G.
  • demand data indicating temporal changes in past demand for a product targeted for demand forecasting
  • indicator candidate data indicating each of a plurality of indicators that are candidates for indicators related to the past demand.
  • a degree of association for calculating the degree of association between the index indicated by each index candidate data obtained by the data obtaining unit 21 and the demand indicated by the demand data obtained by the data obtaining unit 21.
  • a plurality of index candidate data acquired by the data acquisition unit 21 are used for demand prediction processing for predicting future demand for a product.
  • a demand forecasting unit 27 for performing demand forecasting processing using the index data extracted by the index data extracting unit 24.
  • the demand forecasting device 4 even if a plurality of given index candidate data includes index candidate data indicating an index having a low degree of relevance to the demand of the product, the demand forecasting device 4 does not predict the future demand of the product. It is possible to prevent divergence from the demand of
  • the index data extracting unit 24 extracts, for example, top M index candidate data having a large absolute value of the degree of association C n from among the N pieces of index candidate data I 1 to I N . In is extracted as index data I m ' used for demand forecast processing. However, this is only an example, and the index data extracting unit 24 extracts index data to be used for demand forecast processing from index candidate data indicating each of a plurality of economic indexes based on the degree of association Cn . , the index data used for the demand forecasting process may be extracted from the index candidate data indicating each of a plurality of indexes other than the economic index. Indicators other than economic indicators include, for example, statistical indicators or weather information.
  • index candidate data indicating each of a plurality of economic indicators
  • index candidate data indicating each of a plurality of statistical indicators
  • each of a plurality of weather information are included. It is assumed that the index candidate data shown is included.
  • the index data extraction unit 24 selects the index candidate data with the highest degree of association among the index candidate data indicating each of the plurality of economic indexes based on the degree of association Cn as the index used for the demand forecasting process. Extract as data.
  • the index data extracting unit 24 extracts the index candidate data with the highest degree of association among the index candidate data indicating each of the plurality of statistical indexes based on the degree of association Cn as the index data to be used for the demand forecasting process. Extract as Further, the index data extracting unit 24 extracts the index candidate data with the highest degree of association among the index candidate data indicating each of the plurality of weather information based on the degree of association Cn . Extract as
  • the demand forecasting device 4 shown in FIG. 2 includes a data storage unit 22 and a forecast model storage unit 25.
  • the data storage unit 22 and the prediction model storage unit 25 may be provided in a storage device on the network.
  • the degree-of-association calculation unit 23 and the index data extraction unit 24 have a communication function for accessing the data storage unit 22
  • the prediction model selection unit 26 has a communication function for accessing the prediction model storage unit 25. I have.
  • FIG. 12 is a configuration diagram showing the decision support device 2 and the demand prediction device 4 according to the second embodiment.
  • the same reference numerals as those in FIG. 2 denote the same or corresponding parts, so description thereof will be omitted.
  • FIG. 13 is a hardware configuration diagram showing hardware of the demand prediction device 4 according to the second embodiment.
  • the same reference numerals as those in FIG. 3 denote the same or corresponding parts, so description thereof will be omitted.
  • the decision support device 2 includes an analysis result output unit 11 , a display unit 12 and a setting data reception unit 13 .
  • the setting data reception unit 13 has a man-machine interface such as a keyboard, mouse, or touch panel.
  • the semantic similarity C n ' indicates the degree of similarity between the index and the demand set by the user.
  • the demand prediction device 4 includes a data acquisition unit 81, a data storage unit 82, a degree of association calculation unit 83, an index data extraction unit 24, a prediction model storage unit 25, a prediction model selection unit 26, a demand prediction unit 27, and a display data output unit 28. It has The data acquisition unit 81 is implemented by, for example, a data acquisition circuit 91 shown in FIG. The data acquisition unit 81 acquires the index candidate data I 1 to I N and the demand data D in the same manner as the data acquisition unit 21 shown in FIG. Also, the data acquisition unit 81 acquires the setting data B output from the setting data reception unit 13 . The data acquisition unit 81 outputs each of the index candidate data I 1 to I N , the demand data D, and the setting data B to the data storage unit 82 .
  • the data storage unit 82 is implemented by, for example, a data storage circuit 92 shown in FIG.
  • the data storage unit 82 stores each of the index candidate data I 1 to I N , the demand data D, and the setting data B output from the data acquisition unit 81 .
  • the degree-of-association calculator 83 is realized by, for example, a degree-of-association calculation circuit 93 shown in FIG.
  • the degree-of-association calculation unit 83 acquires the index candidate data I 1 to I N and the demand data D from the data storage unit 82 in the same manner as the degree-of-association calculation unit 23 shown in FIG. Further, the degree-of-association calculation unit 83 acquires the setting data B from the data storage unit 82 .
  • data acquisition unit 81, data storage unit 82, relevance calculation unit 83, index data extraction unit 24, prediction model storage unit 25, prediction model selection unit 26, demand prediction unit, which are components of demand prediction device 4 27 and the display data output unit 28 are assumed to be implemented by dedicated hardware as shown in FIG. That is, the demand prediction device 4 includes a data acquisition circuit 91, a data storage circuit 92, a degree of association calculation circuit 93, an index data extraction circuit 34, a prediction model storage circuit 35, a prediction model selection circuit 36, a demand prediction circuit 37, and a display data output. It is assumed that it is implemented by circuit 38 .
  • each of the data storage circuit 92 and the prediction model storage circuit 35 includes, for example, non-volatile or volatile semiconductor memory such as RAM, ROM, flash memory, EPROM, EEPROM, magnetic disk, flexible disk, optical disk, compact disk. , minidisc, or DVD.
  • Each of the data acquisition circuit 91, the degree-of-relevance calculation circuit 93, the index data extraction circuit 34, the prediction model selection circuit 36, the demand prediction circuit 37, and the display data output circuit 38 is, for example, a single circuit, a composite circuit, or a programmable circuit. processors, parallel programmed processors, ASICs, FPGAs, or combinations thereof.
  • the components of the demand forecasting device 4 are not limited to those realized by dedicated hardware, but the demand forecasting device 4 may be realized by software, firmware, or a combination of software and firmware. good too.
  • the data storage unit 82 and the forecast model storage unit 25 are configured on the memory 41 of the computer shown in FIG.
  • a program for causing a computer to execute each processing procedure in the data acquisition unit 81, the degree of association calculation unit 83, the index data extraction unit 24, the prediction model selection unit 26, the demand prediction unit 27, and the display data output unit 28 is stored in the memory 41.
  • the processor 42 of the computer executes the program stored in the memory 41 .
  • FIG. 13 shows an example in which each component of the demand prediction device 4 is implemented by dedicated hardware
  • FIG. 4 shows an example in which the demand prediction device 4 is implemented by software, firmware, or the like.
  • this is only an example, and some components of the demand forecasting device 4 may be implemented by dedicated hardware, and the remaining components may be implemented by software, firmware, or the like.
  • the operation of the demand prediction device 4 shown in FIG. 12 will be described. 2 except for the data acquisition unit 81, the data storage unit 82, and the relevance calculation unit 83, the data acquisition unit 81, the data storage unit 82, and the relevance calculation unit 83 are mainly The operation of the calculator 83 will be described.
  • the setting data reception unit 13 outputs the setting data B to the data acquisition unit 81 of the demand prediction device 4 .
  • Modes in which the degree of semantic similarity C n ′ between the index indicated by the index candidate data I n and the demand indicated by the demand data D is high include the following (1) and (2).
  • a product related to demand data D is included in a product related to index candidate data In , or a product related to index candidate data In is included in a product related to demand data D.
  • the semantic similarity C n ' between the index indicated by the index candidate data I n and the demand indicated by the demand data D increases. For example, if the product related to the demand data D is a control device installed in an elevator and the product related to the index candidate data In is an elevator, or if the product related to the demand data D is an elevator and the index candidate If the product related to the data In is a control device installed in an elevator, the semantic similarity Cn ' between the index indicated by the index candidate data In and the demand indicated by the demand data D increases.
  • the semantic similarity C n ' increases.
  • the product related to the demand data D is a voltmeter and the product related to the indicator candidate data In is a wattmeter
  • the meaning between the indicator indicated by the indicator candidate data In and the demand indicated by the demand data D is the degree of similarity C n ' increases.
  • the modes shown in (1) and (2) are merely examples, and modes other than (1) and (2) may be used to increase the degree of similarity C n '.
  • the semantic similarity C n ' between the index indicated by the index candidate data I n and the demand indicated by the demand data D is shall be low.
  • FIG. 14 is an explanatory diagram showing an example of setting data B.
  • nine demand data D are shown.
  • nine demand data D are demand data (AA), demand data (AB), demand data (AC), demand data (BA), demand data (BB), demand data (BC), demand data ( CA), demand data (CB), and demand data (CC).
  • indicator candidate data I1 is indicator candidate data related to economic indicator (1)
  • indicator candidate data I2 is indicator candidate data related to economic indicator (2)
  • indicator candidate data I3 is economic indicator data. This is index candidate data related to index (3).
  • Indicator candidate data I4 is indicator candidate data related to industry group statistics (1)
  • indicator candidate data I5 is indicator candidate data related to industry group statistics (2)
  • indicator candidate data I6 is industry group statistics (3 ).
  • Index candidate data I7 is index candidate data related to government-released value (1)
  • index candidate data I8 is index candidate data related to government-released value (2)
  • indicator candidate data I9 is government-released value (3 ).
  • a circle indicates that the semantic similarity between the index indicated by the index candidate data and the demand indicated by the demand data is equal to or greater than the threshold Th3 . Therefore, for example, the setting data B indicating the semantic similarity C 1-AA ' between the index indicated by the index candidate data I 1 related to the economic index (1) and the demand indicated by the demand data (AA) is the threshold Th is set to 3 or more. x indicates that the semantic similarity between the index indicated by the index candidate data and the demand indicated by the demand data is lower than the threshold Th3 .
  • the setting data B indicating the semantic similarity C 7-BA ' between the index indicated by the index candidate data I 7 and the demand indicated by the demand data (BA) related to the government-published value (1) is It is set to less than the threshold Th3 .
  • setting data B indicating the degree of similarity is set for each piece of index candidate data.
  • the setting data B indicating the degree of similarity may be set for each group including one or more index candidate data.
  • the degree of similarity may be a discrete value indicating either ⁇ or x, a discrete value indicating two values or three values, or a continuous value between 0 and 1.
  • the data acquisition unit 81 acquires the index candidate data I 1 to I N and the demand data D in the same manner as the data acquisition unit 21 shown in FIG. Also, the data acquisition unit 81 acquires the setting data B from the setting data reception unit 13 . The data acquisition unit 81 outputs each of the index candidate data I 1 to I N , the demand data D, and the setting data B to the data storage unit 82 . The data storage unit 82 stores index candidate data I 1 to I N , demand data D, and setting data B, respectively.
  • the degree-of-association calculation unit 83 acquires each of the index candidate data I 1 to I N , the demand data D, and the setting data B from the data storage unit 82 .
  • the degree-of-association calculation unit 83 outputs each of the index candidate data In and the demand data D to the index data extraction unit 24 .
  • the semantic similarity C n ′ indicated by the setting data B corresponds to the correlation coefficient between the candidate index data In and the demand data D, or the distance between the candidate index data In and the demand data D. do.
  • the data acquisition unit 81 obtains, in addition to a plurality of index candidate data and demand data, the degree of semantic similarity between the index indicated by each index candidate data and the demand indicated by the demand data. Get the configuration data shown.
  • the degree-of-relevance calculation unit 83 instead of the degree-of-relevance calculation unit 83 calculating the degree of relevance between the index indicated by each index candidate data acquired by the data acquisition unit 81 and the demand indicated by the demand data acquired by the data acquisition unit 81, the demand forecasting device 4 shown in FIG. Therefore, similarly to the demand prediction device 4 shown in FIG. 2, the demand prediction device 4 shown in FIG. Even if is included, it is possible to prevent the demand prediction result from deviating from the future demand for the product.
  • the index data I j ′′ used for generating the prediction model may be extracted from the index candidate data I 1 to I N .
  • FIG. 15 is a configuration diagram showing the decision support device 2 and the demand prediction device 4 according to the third embodiment.
  • the same reference numerals as those in FIGS. 2 and 12 denote the same or corresponding parts, so description thereof will be omitted.
  • FIG. 16 is a hardware configuration diagram showing hardware of the demand prediction device 4 according to the third embodiment.
  • the same reference numerals as those in FIGS. 3 and 13 denote the same or corresponding parts, so description thereof will be omitted.
  • the demand prediction device 4 includes a data acquisition unit 81, a data storage unit 82, a degree of association calculation unit 84, an index data extraction unit 24, a prediction model storage unit 25, a prediction model selection unit 26, a demand prediction unit 27, and a display data output unit 28. It has
  • the degree-of-association calculator 84 is realized by, for example, a degree-of-association calculation circuit 94 shown in FIG.
  • the degree-of-relevance calculation unit 84 acquires each of the index candidate data I 1 to I N , the demand data D, and the setting data B from the data storage unit 82 in the same manner as the degree-of-relevance calculation unit 83 shown in FIG. Similar to the degree-of-relevance calculation unit 23 shown in FIG.
  • the distance between the index candidate data In and the demand data D is calculated.
  • the association degree calculation unit 84 calculates the association between the index indicated by the index candidate data I n and the demand indicated by the demand data D. Calculate the degree C n .
  • data acquisition unit 81, data storage unit 82, relevance calculation unit 84, index data extraction unit 24, prediction model storage unit 25, prediction model selection unit 26, demand prediction unit, which are components of demand prediction device 4 27 and the display data output unit 28 are assumed to be implemented by dedicated hardware as shown in FIG. That is, the demand prediction device 4 includes a data acquisition circuit 91, a data storage circuit 92, a degree of association calculation circuit 94, an index data extraction circuit 34, a prediction model storage circuit 35, a prediction model selection circuit 36, a demand prediction circuit 37, and a display data output. It is assumed that it is implemented by circuit 38 .
  • Each of the data acquisition circuit 91, the relevance calculation circuit 94, the index data extraction circuit 34, the prediction model selection circuit 36, the demand prediction circuit 37, and the display data output circuit 38 may be, for example, a single circuit, a composite circuit, or a programmed processor. , parallel programmed processors, ASICs, FPGAs, or combinations thereof.
  • the components of the demand forecasting device 4 are not limited to those realized by dedicated hardware, but the demand forecasting device 4 may be realized by software, firmware, or a combination of software and firmware. good too.
  • the data storage unit 82 and the forecast model storage unit 25 are configured on the memory 41 of the computer shown in FIG.
  • a program for causing a computer to execute each processing procedure in the data acquisition unit 81, the relevance calculation unit 84, the index data extraction unit 24, the prediction model selection unit 26, the demand prediction unit 27, and the display data output unit 28 is stored in the memory 41.
  • the processor 42 of the computer executes the program stored in the memory 41 .
  • FIG. 16 shows an example in which each component of the demand forecasting device 4 is implemented by dedicated hardware
  • FIG. 4 shows an example in which the demand forecasting device 4 is implemented by software, firmware, or the like.
  • this is only an example, and some components of the demand forecasting device 4 may be implemented by dedicated hardware, and the remaining components may be implemented by software, firmware, or the like.
  • the operation of the demand prediction device 4 shown in FIG. 15 will be described. Since it is the same as the demand prediction device 4 shown in FIG. 12 except for the degree-of-association calculation unit 84, only the operation of the degree-of-association calculation unit 84 will be described here.
  • the degree-of-relevance calculation unit 84 acquires each of the index candidate data I 1 to I N , the demand data D, and the setting data B from the data storage unit 82 in the same manner as the degree-of-relevance calculation unit 83 shown in FIG. Similar to the degree-of-relevance calculation unit 23 shown in FIG . Alternatively, the distance Ln between the index candidate data In and the demand data D is calculated. As shown in the following equation (2 ) , the degree - of-association calculation unit 84 calculates the index and demand A degree of relevance Cn between demand indicated by data D is calculated. Alternatively, as shown in the following equation (3), the degree-of - association calculation unit 84 calculates the index and demand A degree of relevance Cn between demand indicated by data D is calculated.
  • the degree-of-association calculation unit 84 calculates the average of the correlation coefficient cc n or the distance L n and the degree of semantic similarity C n ′ indicated by the setting data B as the degree of association C n .
  • the relevance calculation unit 84 scores the correlation coefficient cc n or the distance L n and the similarity C n ′ as shown below, and based on the score, calculates the relevance The degree C n may be calculated.
  • the relevance calculation unit 84 sorts the N correlation coefficients cc 1 to cc N in descending order of absolute value, A larger score Scc n is set for a correlation coefficient cc n having an earlier order.
  • the relevance calculation unit 84 sorts the N distances L 1 to L N in ascending order of absolute value, A larger score SL n is set for L n .
  • the association degree calculation unit 84 sorts the N similarities C 1 ′ to C N ′ in descending order of absolute value, and sets a higher score SC′ n for the earlier similarity C n ′. As shown in the following formula (4) or formula (5), the degree-of-relevance calculation unit 84 calculates the degree of relevance Cn , the score Scc n of the correlation coefficient cc n or the score SL n of the distance L n , and the degree of similarity The total value of C n ' and the score SC' n is calculated.
  • the data acquisition unit 81 obtains, in addition to a plurality of index candidate data and demand data, the degree of semantic similarity between the index indicated by each index candidate data and the demand indicated by the demand data. and the degree-of-relevance calculation unit 84 calculates the correlation coefficient between each index candidate data and demand data, or the distance between each index candidate data and demand data. 15 so that the degree of association between the index indicated by each index candidate data and the demand indicated by the demand data is calculated from the correlation coefficients or respective distances and the semantic similarity indicated by the setting data.
  • the demand forecasting device 4 shown in is configured. Therefore, the demand prediction device 4 shown in FIG. 15 can improve demand prediction accuracy more than the demand prediction device 4 shown in FIG. 2 or the demand prediction device 4 shown in FIG.
  • the present disclosure is suitable for a demand forecasting device and a demand forecasting method.

Landscapes

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

Abstract

需要予測対象の製品における過去の需要の時間的な変化を示す需要データと、過去の需要に関連する指標の候補である複数の指標のそれぞれを示す指標候補データとを取得するデータ取得部（２１）と、データ取得部（２１）により取得されたそれぞれの指標候補データが示す指標とデータ取得部（２１）により取得された需要データが示す需要との間の関連度を算出する関連度算出部（２３）と、関連度算出部（２３）により算出された関連度に基づいて、データ取得部（２１）により取得された複数の指標候補データの中から、製品の将来の需要を予測する需要予測処理に用いられる指標データを抽出する指標データ抽出部（２４）と、指標データ抽出部（２４）により抽出された指標データを用いて、需要予測処理を行う需要予測部（２７）とを備えるように、需要予測装置（４）を構成した。

Description

需要予測装置及び需要予測方法
　本開示は、需要予測装置及び需要予測方法に関するものである。
　会社等が、製品の生産、又は、製品の販売等を行う上で、製品の将来の需要を予測することは重要である。製品の需要に関連する１つ以上の経済指標を解析モデルに与えて、当該解析モデルから、製品の将来の需要の予測結果を得る需要予測装置がある（特許文献１を参照）。経済指標としては、例えば、景気動向指数、平均株価、又は、燃料価格がある。
特開２０１５－１１８４１２号公報
　特許文献１に開示されている需要予測装置では、解析モデルに与えられる１つ以上の経済指標の中に、製品の需要との関連度が高い経済指標だけでなく、関連度が低い経済指標が含まれている可能性がある。関連度が低い経済指標が含まれている場合、解析モデルによる需要の予測結果が、製品の将来の需要と乖離してしまうことがあるという課題があった。
　本開示は、上記のような課題を解決するためになされたもので、需要予測装置に与えられる複数の指標候補データの中に、製品の需要との関連度が低い指標を示す指標候補データが含まれていても、需要の予測結果が、製品の将来の需要から乖離してしまうことを防ぐことができる需要予測装置及び需要予測方法を得ることを目的とする。
　本開示に係る需要予測装置は、需要予測対象の製品における過去の需要の時間的な変化を示す需要データと、過去の需要に関連する指標の候補である複数の指標のそれぞれを示す指標候補データとを取得するデータ取得部と、データ取得部により取得されたそれぞれの指標候補データが示す指標とデータ取得部により取得された需要データが示す需要との間の関連度を算出する関連度算出部と、関連度算出部により算出された関連度に基づいて、データ取得部により取得された複数の指標候補データの中から、製品の将来の需要を予測する需要予測処理に用いられる指標データを抽出する指標データ抽出部と、指標データ抽出部により抽出された指標データを用いて、需要予測処理を行う需要予測部とを備えるものである。
　本開示によれば、需要予測装置に与えられる複数の指標候補データの中に、製品の需要との関連度が低い指標を示す指標候補データが含まれていても、需要の予測結果が、製品の将来の需要から乖離してしまうことを防ぐことができる。
実施の形態１に係る需要予測装置４を含む需要予測システム１を示す構成図である。 実施の形態１に係る意思決定支援装置２及び需要予測装置４を示す構成図である。 実施の形態１に係る需要予測装置４のハードウェアを示すハードウェア構成図である。 需要予測装置４が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。 実施の形態１に係る学習装置３及び需要予測装置４を示す構成図である。 実施の形態１に係る学習装置３のハードウェアを示すハードウェア構成図である。 学習装置３が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。 需要予測装置４の処理手順である需要予測方法を示すフローチャートである。 指標候補データの一例を示す説明図である。 学習装置３の処理手順を示すフローチャートである。 １つの予測モデルの入出力関係を示す説明図である。 実施の形態２に係る意思決定支援装置２及び需要予測装置４を示す構成図である。 実施の形態２に係る需要予測装置４のハードウェアを示すハードウェア構成図である。 設定データＢの一例を示す説明図である。 実施の形態３に係る意思決定支援装置２及び需要予測装置４を示す構成図である。 実施の形態３に係る需要予測装置４のハードウェアを示すハードウェア構成図である。
　以下、本開示をより詳細に説明するために、本開示を実施するための形態について、添付の図面に従って説明する。
実施の形態１．
　図１は、実施の形態１に係る需要予測装置４を含む需要予測システム１を示す構成図である。
　図１に示す需要予測システム１は、意思決定支援装置２、学習装置３及び需要予測装置４を備えている。
　図２は、実施の形態１に係る意思決定支援装置２及び需要予測装置４を示す構成図である。
　図３は、実施の形態１に係る需要予測装置４のハードウェアを示すハードウェア構成図である。
　意思決定支援装置２は、分析結果出力部１１及び表示部１２を備えている。分析結果出力部１１及び表示部１２については後述する。
　学習装置３は、需要予測装置４の需要予測処理に用いられる予測モデルを生成する。
　需要予測装置４は、データ取得部２１、データ記憶部２２、関連度算出部２３、指標データ抽出部２４、予測モデル記憶部２５、予測モデル選択部２６、需要予測部２７及び表示データ出力部２８を備えている。
　データ取得部２１は、例えば、図３に示すデータ取得回路３１によって実現される。
　データ取得部２１は、需要予測対象の製品における過去の需要の時間的な変化を示す需要データＤを取得する。需要データＤは、例えば、期間ＴＰ１に含まれている複数の時刻での需要を示す時系列データである。
　また、データ取得部２１は、需要データＤが示す過去の需要に関連する指標の候補であるＮ個の指標のそれぞれを示す指標候補データＩｎ（ｎ＝１，・・・，Ｎ）を取得する。Ｎは、２以上の整数である。指標候補データＩｎは、例えば、期間ＴＰ２に含まれている複数の時刻での指標を示す時系列データである。
　図２に示す需要予測装置４では、需要データＤに係る期間ＴＰ１が、指標候補データＩｎに係る期間ＴＰ２と同じ期間であってもよいし、需要データＤに係る期間ＴＰ１が、指標候補データＩｎに係る期間ＴＰ２よりも未来の期間であってもよい。
　需要データＤに係る期間ＴＰ１が、指標候補データＩｎに係る期間ＴＰ２よりも未来の期間である場合、需要データＤは、指標候補データＩｎに対してタイムシフトされているデータである。タイムシフトが、例えば、２か月であって、指標候補データＩｎに係る期間ＴＰ２が８月１日から８月３１日の期間であれば、需要データＤに係る期間ＴＰ１は、１０月１日から１０月３１日の期間である。
　ここでは、指標候補データＩ１～ＩＮに係る期間の全てがＴＰ２である例を示している。しかし、これは一例に過ぎず、指標候補データＩ１～ＩＮに係る期間が互いに異なっていてもよい。
　データ取得部２１は、指標候補データＩ１～ＩＮ及び需要データＤのそれぞれをデータ記憶部２２に出力する。
　データ記憶部２２は、例えば、図３に示すデータ記憶回路３２によって実現される。
　データ記憶部２２は、データ取得部２１から出力された指標候補データＩ１～ＩＮ及び需要データＤのそれぞれを記憶する。
　関連度算出部２３は、例えば、図３に示す関連度算出回路３３によって実現される。
　関連度算出部２３は、データ記憶部２２から、データ取得部２１により取得された指標候補データＩｎ（ｎ＝１，・・・，Ｎ）とデータ取得部２１により取得された需要データＤとを取得する。
　関連度算出部２３は、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）が示す指標と需要データＤが示す需要との間の関連度Ｃｎ（ｎ＝１，・・・，Ｎ）を算出する。
　関連度算出部２３は、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）、需要データＤ及び関連度Ｃｎのそれぞれを指標データ抽出部２４に出力する。
　また、関連度算出部２３は、関連度Ｃｎをデータ記憶部２２に出力する。
　指標データ抽出部２４は、例えば、図３に示す指標データ抽出回路３４によって実現される。
　指標データ抽出部２４は、関連度算出部２３から、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）、需要データＤ及び関連度Ｃｎのそれぞれを取得する。
　指標データ抽出部２４は、関連度Ｃｎに基づいて、Ｎ個の指標候補データＩ１～ＩＮの中から、製品の将来の需要を予測する需要予測処理に用いられる指標データＩｍ’（ｍ＝１，・・・，Ｍ）を抽出する。Ｍは、１以上Ｎ以下の整数である。
　指標データ抽出部２４は、需要データＤを予測モデル選択部２６に出力する。
　また、指標データ抽出部２４は、指標データＩｍ’（ｍ＝１，・・・，Ｍ）を需要予測部２７及びデータ記憶部２２のそれぞれに出力する。
　予測モデル記憶部２５は、例えば、図３に示す予測モデル記憶回路３５によって実現される。
　予測モデル記憶部２５は、学習装置３により生成されたＧ個の予測モデルＰＭ１～ＰＭＧを記憶する。
　予測モデル選択部２６は、例えば、図３に示す予測モデル選択回路３６によって実現される。
　予測モデル選択部２６は、指標データ抽出部２４から、需要データＤを取得する。
　予測モデル選択部２６は、需要データＤに基づいて、予測モデル記憶部２５に記憶されているＧ個の予測モデルＰＭ１～ＰＭＧの中から、指標データＩｍ’が与えられる予測モデルＰＭを選択する。Ｇは、１以上の整数である。
　Ｇ＝１であって、予測モデル記憶部２５に記憶されている予測モデルＰＭの数が１個であれば、予測モデル選択部２６は、不要である。
　需要予測部２７は、例えば、図３に示す需要予測回路３７によって実現される。
　需要予測部２７は、指標データ抽出部２４から、指標データＩｍ’（ｍ＝１，・・・，Ｍ）を取得する。
　需要予測部２７は、指標データＩｍ’（ｍ＝１，・・・，Ｍ）を用いて、需要予測処理を行う。
　即ち、需要予測部２７は、指標データＩ１’～ ＩＭ’を予測モデル選択部２６により選択された予測モデルＰＭに与えて、予測モデルＰＭから、製品の将来の需要の予測結果Ｒを取得する需要予測処理を行う。
　需要予測部２７は、需要の予測結果Ｒを表示データ出力部２８に出力する。
　表示データ出力部２８は、例えば、図３に示す表示データ出力回路３８によって実現される。
　表示データ出力部２８は、需要予測部２７から、需要の予測結果Ｒを取得する。
　表示データ出力部２８は、需要の予測結果Ｒを表示させるための表示データＨを生成し、表示データＨを表示部１２に出力する。
　意思決定支援装置２の分析結果出力部１１は、データ記憶部２２から、指標データ抽出部２４から出力された、需要予測処理に用いられる指標データＩｍ’（ｍ＝１，・・・，Ｍ）と、データ取得部２１により取得された需要データＤとを取得する。
　分析結果出力部１１は、指標データＩｍ’（ｍ＝１，・・・，Ｍ）及び需要データＤのそれぞれを表示部１２に出力する。
　表示部１２は、表示データ出力部２８から出力された表示データＨに従って需要の予測結果Ｒをディスプレイに表示させる。
　また、表示部１２は、指標データＩ１’～Ｉ Ｍ’及び需要データＤのそれぞれをディスプレイに表示させる。
　図２では、需要予測装置４の構成要素であるデータ取得部２１、データ記憶部２２、関連度算出部２３、指標データ抽出部２４、予測モデル記憶部２５、予測モデル選択部２６、需要予測部２７及び表示データ出力部２８のそれぞれが、図３に示すような専用のハードウェアによって実現されるものを想定している。即ち、需要予測装置４が、データ取得回路３１、データ記憶回路３２、関連度算出回路３３、指標データ抽出回路３４、予測モデル記憶回路３５、予測モデル選択回路３６、需要予測回路３７及び表示データ出力回路３８によって実現されるものを想定している。
　ここで、データ記憶回路３２及び予測モデル記憶回路３５のそれぞれは、例えば、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ　Ｅｒａｓａｂｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）等の不揮発性又は揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、あるいは、ＤＶＤ（Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｃ）が該当する。
　また、データ取得回路３１、関連度算出回路３３、指標データ抽出回路３４、予測モデル選択回路３６、需要予測回路３７及び表示データ出力回路３８のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）、又は、これらを組み合わせたものが該当する。
　需要予測装置４の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、需要予測装置４が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
　ソフトウェア又はファームウェアは、プログラムとして、コンピュータのメモリに格納される。コンピュータは、プログラムを実行するハードウェアを意味し、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、あるいは、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）が該当する。
　図４は、需要予測装置４が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。
　需要予測装置４が、ソフトウェア又はファームウェア等によって実現される場合、データ記憶部２２及び予測モデル記憶部２５がコンピュータのメモリ４１上に構成される。データ取得部２１、関連度算出部２３、指標データ抽出部２４、予測モデル選択部２６、需要予測部２７及び表示データ出力部２８におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムがメモリ４１に格納される。そして、コンピュータのプロセッサ４２がメモリ４１に格納されているプログラムを実行する。
　また、図３では、需要予測装置４の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図４では、需要予測装置４がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、需要予測装置４における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。
　図５は、実施の形態１に係る学習装置３及び需要予測装置４を示す構成図である。
　図６は、実施の形態１に係る学習装置３のハードウェアを示すハードウェア構成図である。
　図５では、図面の簡単化のため、需要予測装置４において、データ記憶部２２及び予測モデル記憶部２５以外の構成要素の記載を省略している。
　図５に示す学習装置３は、学習データ取得部５１、学習データ記憶部５２、学習データ分析部５３、学習部５４及び評価部５５を備えている。
　学習データ取得部５１は、例えば、図６に示す学習データ取得回路６１によって実現される。
　学習データ取得部５１は、データ記憶部２２から、学習データとして、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）と需要データＤとを取得する。
　学習データ取得部５１により取得される需要データＤは、例えば、期間ＴＰ１’に含まれている複数の時刻での需要を示す時系列データである。
　また、学習データ取得部５１により取得される指標候補データＩｎは、例えば、期間ＴＰ２’に含まれている複数の時刻での指標を示す時系列データである。
　学習データ取得部５１により取得される指標候補データＩｎ及び需要データＤのそれぞれは、需要予測装置４によって需要予測処理が行われる際に、需要予測装置４に与えられる指標候補データＩｎ及び需要データＤのそれぞれよりも、過去のデータである。
　図５に示す学習装置３では、需要データＤに係る期間ＴＰ１’が、指標候補データＩｎに係る期間ＴＰ２’よりも未来の期間である。即ち、需要データＤは、指標候補データＩｎに対してタイムシフトされているデータである。タイムシフトが、例えば、２か月であって、指標候補データＩｎに係る期間ＴＰ２’が８月１日から８月３１日の期間であれば、需要データＤに係る期間ＴＰ１’は、１０月１日から１０月３１日の期間である。
　ここでは、指標候補データＩ１～ＩＮに係る期間の全てがＴＰ２’である例を示している。しかし、これは一例に過ぎず、指標候補データＩ１～ＩＮに係る期間が互いに異なっていてもよい。
　学習データ取得部５１は、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）及び需要データＤのそれぞれを学習データ記憶部５２に出力する。
　学習データ記憶部５２は、例えば、図６に示す学習データ記憶回路６２によって実現される。
　学習データ記憶部５２は、学習データ取得部５１から出力された指標候補データＩｎ（ｎ＝１，・・・，Ｎ）及び需要データＤのそれぞれを記憶する。
　学習データ分析部５３は、例えば、図６に示す学習データ分析回路６３によって実現される。
　学習データ分析部５３は、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）が示す指標と需要データＤが示す需要との間の関連度Ｃｎ（ｎ＝１，・・・，Ｎ）を算出する。
　学習データ分析部５３は、関連度Ｃｎに基づいて、Ｎ個の指標候補データＩ１～ＩＮの中から、予測モデルの生成に用いられる指標データＩｊ”（ｊ＝１，・・・，Ｊ）を抽出する。Ｊは、１以上Ｎ以下の整数である。
　学習データ分析部５３は、抽出した指標データＩｊ”（ｊ＝１，・・・，Ｊ）及び需要データＤのそれぞれを学習部５４に出力する。
　学習部５４は、例えば、図６に示す学習回路６４によって実現される。
　学習部５４は、学習データ分析部５３から、指標データＩｊ”（ｊ＝１，・・・，Ｊ）及び需要データＤのそれぞれを取得する。
　学習部５４は、指標データＩｊ”（ｊ＝１，・・・，Ｊ）及び需要データＤのそれぞれを用いて、Ｑ個の予測モデルを生成する。Ｑは、１以上Ｇ以下の整数である。
　学習部５４により生成される予測モデルとしては、例えば、自己回帰モデル、移動平均モデル、自己回帰移動平均モデル、自己回帰和分移動平均モデル、又は、季節自己回帰移動平均モデルがある。これらの予測モデルは、時系列分析によって、需要予測が行われるモデルである。
　また、学習部５４により生成される予測モデルは、回帰分析、クラスタ分析、又は、多次元尺度法等の多変量解析によって、需要予測が行われるモデルであってもよい。
　さらに、学習部５４により生成される予測モデルは、時系列分析と多変量解析とが組み合わされた手法で、需要予測が行われるモデルであってもよいし、ベイズ推定、シグマ法、又は、状態空間モデルによって、需要予測が行われるモデルであってもよい。
　評価部５５は、例えば、図６に示す評価回路６５によって実現される。
　評価部５５は、学習部５４により生成されたＱ個の予測モデルのそれぞれを評価する。
　評価部５５は、Ｑ個の予測モデルの中で、評価が相対的に高い上位Ｇ個の予測モデルＰＭ１～ＰＭＧを特定する。
　評価部５５は、Ｇ個の予測モデルＰＭ１～ＰＭＧを予測モデル記憶部２５に出力する。
　図５では、学習装置３の構成要素である学習データ取得部５１、学習データ記憶部５２、学習データ分析部５３、学習部５４及び評価部５５のそれぞれが、図６に示すような専用のハードウェアによって実現されるものを想定している。即ち、学習装置３が、学習データ取得回路６１、学習データ記憶回路６２、学習データ分析回路６３、学習回路６４及び評価回路６５によって実現されるものを想定している。
　ここで、学習データ記憶回路６２は、例えば、ＲＡＭ、ＲＯＭ、フラッシュメモリ、ＥＰＲＯＭ、ＥＥＰＲＯＭ等の不揮発性又は揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、あるいは、ＤＶＤが該当する。
　また、学習データ取得回路６１、学習データ分析回路６３、学習回路６４及び評価回路６５のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。
　学習装置３の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、学習装置３が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
　図７は、学習装置３が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。
　学習装置３が、ソフトウェア又はファームウェア等によって実現される場合、学習データ記憶部５２がコンピュータのメモリ７１上に構成される。学習データ取得部５１、学習データ分析部５３、学習部５４及び評価部５５におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムがメモリ７１に格納される。そして、コンピュータのプロセッサ７２がメモリ７１に格納されているプログラムを実行する。
　また、図６では、学習装置３の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図７では、学習装置３がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、学習装置３における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。
　次に、図２に示す需要予測装置４の動作について説明する。
　図８は、需要予測装置４の処理手順である需要予測方法を示すフローチャートである。
　データ取得部２１は、需要予測対象の製品における過去の需要の時間的な変化を示す需要データＤを取得する（図８のステップＳＴ１）。
　需要データＤとしては、例えば、製品の出荷量の実績値、製品の在庫量の実績値、製品の発注量の実績値、製品の受注量の実績値、又は、製品の生産量の実績値の時間的な変化を示すデータがある。
　また、データ取得部２１は、需要データＤが示す過去の需要に関連する指標の候補であるＮ個の指標のそれぞれを示す指標候補データＩｎ（ｎ＝１，・・・，Ｎ）を取得する（図８のステップＳＴ１）。Ｎは、２以上の整数である。
　指標候補データＩｎとしては、例えば、経済指標、統計指標、又は、気象情報の時間的な変化を示すデータがある。また、指標候補データＩｎとしては、例えば、製品の需要データＤが得られた期間内に、当該製品を使用した装置の運転台数がある。
　経済指標としては、例えば、製品に関連する企業の株価、貿易相手国のＧＤＰ（Ｇｒｏｓｓ　Ｄｏｍｅｓｔｉｃ　Ｐｒｏｄｕｃｔ）、貿易相手国との為替レート、景気動向指数、平均株価、又は、燃料価格を示すものがある。
　統計指標としては、例えば、製品に関連する原料の生産量又は原料の販売量、製品の貿易関連情報を示すものがある。
　図９は、指標候補データの一例を示す説明図である。
　図９では、Ｎ＝１１個の指標候補データが示されている。
　図９には、指標候補データの一例として、環境指標に係る指標候補データ、自動車関連指標Ａに係る指標候補データ、自動車関連指標Ｂに係る指標候補データ、自動車関連指標Ｃに係る指標候補データ、不動産関連指標に係る指標候補データ、経済関連指標Ａに係る指標候補データが示されている。
　また、図９には、指標候補データの一例として、政府公開統計Ｃに係る指標候補データ、鉱工業指標Ａに係る指標候補データ、鉱工業指標Ｂに係る指標候補データ、鉱工業指標Ｃに係る指標候補データ、鉱工業指標Ｄに係る指標候補データが示されている。
　図中、灰色の実線は、それぞれの指標に係る指標候補データであり、黒色の実線は、灰色の実線が示す複数の指標候補データの平均である。また、破線は、製品の需要データである。
　指標候補データＩｎ（ｎ＝１，・・・，Ｎ）としては、例えば、黒色の実線が示す平均が用いられる。
　データ取得部２１は、指標候補データＩ１～ＩＮ及び需要データＤのそれぞれをデータ記憶部２２に出力する。
　データ記憶部２２は、指標候補データＩ１～ＩＮ及び需要データＤのそれぞれを記憶する。
　関連度算出部２３は、データ記憶部２２から、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）と需要データＤとを取得する。
　関連度算出部２３は、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）が示す指標と需要データＤが示す需要との間の関連度Ｃｎ（ｎ＝１，・・・，Ｎ）を算出する（図８のステップＳＴ２）。
　関連度算出部２３は、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）、需要データＤ及び関連度Ｃｎのそれぞれを指標データ抽出部２４に出力する。
　また、関連度算出部２３は、関連度Ｃｎをデータ記憶部２２に出力する。
　以下、関連度算出部２３による関連度Ｃｎの算出処理の一例を具体的に説明する。
　まず、関連度算出部２３は、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）の特徴量として、指標候補データＩｎの標準偏差ＩＳＤｎを算出し、需要データＤの特徴量として、需要データＤの標準偏差ＤＳＤを算出する。標準偏差の算出処理自体は、公知の技術であるため詳細な説明を省略する。
　次に、関連度算出部２３は、指標候補データＩｎと需要データＤとの共分散Ｃｏｖを算出する。共分散の算出処理自体は、公知の技術であるため詳細な説明を省略する。
　関連度算出部２３は、以下の式（１）に示すように、指標候補データＩｎの標準偏差ＩＳＤｎと、需要データＤの標準偏差ＤＳＤと、共分散Ｃｏｖとを用いて、関連度Ｃｎとして、指標候補データＩｎと需要データＤとの間の相関係数を算出する。

Figure JPOXMLDOC01-appb-I000001
　関連度Ｃｎは、相関係数であるため、－１～＋１の数値で表される。このため、関連度Ｃｎが＋１に近い程、正の相関が強く、関連度Ｃｎが－１に近い程、負の相関が強い。また、関連度Ｃｎが０に近い程、相関が弱い。
　ここでは、関連度算出部２３が、関連度Ｃｎとして、指標候補データＩｎと需要データＤとの間の相関係数を算出している。しかし、これは一例に過ぎず、関連度算出部２３が、関連度Ｃｎとして、指標候補データＩｎと需要データＤとの間の距離を算出するようにしてもよい。
　指標候補データＩｎと需要データＤとの間の距離は、例えば、ユークリッド距離、又は、マンハッタン距離によって表される。指標候補データＩｎと需要データＤとの間の距離は、例えば、ＤＴＷ（Ｄｙｎａｍｉｃ　Ｔｉｍｅ　Ｗａｒｐｉｎｇ）によって求められる。ＤＴＷによるデータ間の距離の算出処理自体は、公知の技術であるため詳細な説明を省略する。
　指標データ抽出部２４は、関連度算出部２３から、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）、需要データＤ及び関連度Ｃｎのそれぞれを取得する。
　指標データ抽出部２４は、関連度Ｃｎに基づいて、Ｎ個の指標候補データＩ１～ＩＮの中から、需要予測処理に用いられる指標データＩｍ’（ｍ＝１，・・・，Ｍ）を抽出する（図８のステップＳＴ３）。
　指標データ抽出部２４は、需要データＤを予測モデル選択部２６に出力する
　また、指標データ抽出部２４は、指標データＩｍ’（ｍ＝１，・・・，Ｍ）を需要予測部２７及びデータ記憶部２２のそれぞれに出力する。
　以下、指標データ抽出部２４による指標データＩｍ’の抽出処理の一例を具体的に説明する。
　例えば、関連度Ｃｎが相関係数であって、０≦Ｃｎ≦１である場合、指標データ抽出部２４は、｜１－Ｃｎ｜が閾値Ｔｈ１以下であれば、関連度Ｃｎに係る指標候補データＩｎを需要予測処理に用いられる指標データＩｍ’として抽出する。指標データ抽出部２４は、｜１－Ｃｎ｜が閾値Ｔｈ１よりも大きければ、関連度Ｃｎに係る指標候補データＩｎを需要予測処理に用いられる指標データＩｍ’として抽出しない。
　例えば、関連度Ｃｎが相関係数であって、－１≦Ｃｎ＜０である場合、指標データ抽出部２４は、｜１＋Ｃｎ｜が閾値Ｔｈ１以下であれば、関連度Ｃｎに係る指標候補データＩｎを需要予測処理に用いられる指標データＩｍ’として抽出する。指標データ抽出部２４は、｜１＋Ｃｎ｜が閾値Ｔｈ１よりも大きければ、関連度Ｃｎに係る指標候補データＩｎを需要予測処理に用いられる指標データＩｍ’として抽出しない。
　閾値Ｔｈ１は、０よりも大きく、１よりも小さい値である。閾値Ｔｈ１は、指標データ抽出部２４の内部メモリに格納されていてもよいし、図２に示す需要予測装置４の外部から与えられるものであってもよい。
　ここでは、指標データ抽出部２４が、｜１－Ｃｎ｜又は｜１＋Ｃｎ｜と、閾値Ｔｈ１との比較結果に基づいて、需要予測処理に用いられる指標データＩｍ’を抽出している。しかし、これは一例に過ぎず、指標データ抽出部２４が、関連度Ｃｎの絶対値が大きい上位Ｍ個の指標候補データＩｎを、需要予測処理に用いられる指標データＩｍ’として抽出するようにしてもよい。
　例えば、関連度Ｃｎが距離である場合、指標データ抽出部２４は、関連度Ｃｎが閾値Ｔｈ２以下であれば、関連度Ｃｎに係る指標候補データＩｎを需要予測処理に用いられる指標データＩｍ’として抽出する。指標データ抽出部２４は、関連度Ｃｎが閾値Ｔｈ２よりも大きければ、関連度Ｃｎに係る指標候補データＩｎを需要予測処理に用いられる指標データＩｍ’として抽出しない。
　ここでは、指標データ抽出部２４が、関連度Ｃｎと閾値Ｔｈ２との比較結果に基づいて、需要予測処理に用いられる指標データＩｍ’を抽出している。しかし、これは一例に過ぎず、指標データ抽出部２４が、関連度Ｃｎの絶対値が小さい上位Ｍ個の指標候補データＩｎを、需要予測処理に用いられる指標データＩｍ’として抽出するようにしてもよい。
　予測モデル選択部２６は、指標データ抽出部２４から、需要データＤを取得する。
　予測モデル選択部２６は、需要データＤに基づいて、予測モデル記憶部２５に記憶されているＧ個の予測モデルＰＭ１～ＰＭＧの中から、指標データＩｍ’が与えられる予測モデルＰＭを選択する（図８のステップＳＴ４）。
　以下、予測モデル選択部２６による予測モデルＰＭの選択処理の一例を具体的に説明する。
　予測モデル選択部２６は、需要データＤの変動幅Ｆを算出する。需要データＤの変動幅Ｆは、需要データＤの最小値と需要データＤの最大値との差分の絶対値である。
　また、予測モデル選択部２６は、予測モデルＰＭｇ（ｇ＝１，・・・，Ｇ）から出力される需要の予測結果Ｒｇの変動幅Ｆｇを算出する。予測結果Ｒｇの変動幅Ｆｇは、予測結果Ｒｇの最小値と予測結果Ｒｇの最大値との差分の絶対値である。予測結果Ｒｇの最小値と予測結果Ｒｇの最大値とは、予測モデルＰＭｇから得られる。
　予測モデル選択部２６は、Ｇ個の予測結果Ｒ１～ＲＧの変動幅Ｆ１～ＦＧの中で、需要データＤの変動幅Ｆと最も近い予測結果Ｒｇの変動幅Ｆｇを検索する。
　予測モデル選択部２６は、Ｇ個の予測モデルＰＭ１～ＰＭＧの中から、指標データＩｍ’が与えられる予測モデルＰＭとして、検索した変動幅Ｆｇに係る予測モデルＰＭｇを選択する。
　需要予測部２７は、指標データ抽出部２４から、指標データＩｍ’（ｍ＝１，・・・，Ｍ）を取得する。
　需要予測部２７は、指標データＩｍ’（ｍ＝１，・・・，Ｍ）を用いて、需要予測処理を行う（図８のステップＳＴ５）。
　即ち、需要予測部２７は、指標データＩ１’～ ＩＭ’を予測モデル選択部２６により選択された予測モデルＰＭに与えて、予測モデルＰＭから、製品の将来の需要の予測結果Ｒを取得する需要予測処理を行う。
　需要予測部２７は、需要データＤが示す過去の需要と関連度が高い指標を示す指標データＩｍ’を用いて、需要予測処理を行っているため、高精度な予測結果Ｒを得ることができる。
　一方、需要予測部２７は、需要データＤが示す過去の需要と関連度が低い指標を示す指標候補データについては、需要予測処理に用いていないため、需要データＤが示す過去の需要と関連度が低い指標を示す指標候補データＩｎがデータ取得部２１に与えられても、需要の予測精度の低下を防ぐことができる。
　需要予測部２７は、需要の予測結果Ｒを表示データ出力部２８に出力する。
　ここでは、需要予測部２７が、指標データＩ１’～ ＩＭ’を予測モデルＰＭに与えて、予測モデルＰＭから、需要の予測結果Ｒを取得している。しかし、これは一例に過ぎず、需要予測部２７が、指標データＩ１’～ ＩＭ’を回帰分析することで、需要の予測結果Ｒを得るようにしてもよい。指標データＩ１’～ ＩＭ’の回帰分析処理自体は、公知の技術であるため詳細な説明を省略する。
　表示データ出力部２８は、需要予測部２７から、需要の予測結果Ｒを取得する。
　表示データ出力部２８は、需要の予測結果Ｒを表示させるための表示データＨを生成し、表示データＨを表示部１２に出力する。
　意思決定支援装置２の分析結果出力部１１は、データ記憶部２２から、データ取得部２１により取得された需要データＤと、指標データ抽出部２４により抽出された、需要予測処理に用いられた指標データＩｍ’（ｍ＝１，・・・，Ｍ）とを取得する。
　分析結果出力部１１は、指標データＩｍ’（ｍ＝１，・・・，Ｍ）及び需要データＤのそれぞれを表示部１２に出力する。
　表示部１２は、表示データ出力部２８から出力された表示データＨに従って需要の予測結果Ｒをディスプレイに表示させる。
　また、表示部１２は、指標データＩ１’～Ｉ Ｍ’及び需要データＤのそれぞれをディスプレイに表示させる。
　次に、図５に示す学習装置３の動作について説明する。
　図１０は、学習装置３の処理手順を示すフローチャートである。
　学習データ取得部５１は、データ記憶部２２から、需要データＤを取得する。
　また、学習データ取得部５１は、データ記憶部２２から、Ｎ個の指標候補データＩ１～ＩＮを取得する（図１０のステップＳＴ１１）。
　学習データ取得部５１は、Ｎ個の指標候補データＩ１～ＩＮの中から、順番に１つの指標候補データＩｎを取り出し、１つの指標候補データＩｎと需要データＤとを含むセットデータをＮ個用意し、Ｎ個のセットデータを学習データ記憶部５２に出力する。
　それぞれのセットデータに含まれている指標候補データＩｎ及び需要データＤのそれぞれは、需要予測装置４によって需要予測処理が行われる際に、需要予測装置４に与えられる指標候補データＩｎ及び需要データＤのそれぞれよりも、過去のデータである。また、それぞれのセットデータに含まれている需要データＤは、当該セットデータに含まれている指標候補データＩｎよりも未来のデータである。
　学習データ記憶部５２は、学習データ取得部５１から出力されたＮ個のセットデータのそれぞれを記憶する。
　学習データ分析部５３は、学習データ記憶部５２に含まれているＮ個のセットデータの中から、未だ取得していない１つのセットデータを取得する（図１０のステップＳＴ１２）。
　学習データ分析部５３は、取得したセットデータに含まれている、１つの指標候補データＩｎが示す指標と需要データＤが示す需要との間の関連度Ｃｎを算出する（図１０のステップＳＴ１３）。
　学習データ分析部５３による関連度Ｃｎの算出処理としては、例えば、図２に示す関連度算出部２３による関連度Ｃｎの算出処理と同様の方法を用いることができる。
　学習データ分析部５３は、未だＮ個のセットデータを取得していないために、Ｎ個の関連度Ｃ１～ＣＮの算出処理が完了していなければ（図１０のステップＳＴ１４：ＮＯの場合）、ステップＳＴ１２～ＳＴ１３の処理を繰り返し実施する。
　学習データ分析部５３は、Ｎ個の関連度Ｃ１～ＣＮの算出処理が完了していれば（図１０のステップＳＴ１４：ＹＥＳの場合）、関連度Ｃｎ（ｎ＝１，・・・，Ｎ）に基づいて、Ｎ個の指標候補データＩ１～ＩＮの中から、予測モデルの生成に用いられる指標データＩｊ”（ｊ＝１，・・・，Ｊ）を抽出する（図１０のステップＳＴ１５）。
　学習データ分析部５３による指標データＩｊ”の抽出処理としては、例えば、図２に示す指標データ抽出部２４による指標データＩｍ”の抽出処理と同様の方法を用いることができる。
　学習データ分析部５３は、抽出した指標データＩｊ”（ｊ＝１，・・・，Ｊ）と、取得したセットデータに含まれている需要データＤとを学習部５４に出力する。
　学習部５４は、学習データ分析部５３から、指標データＩｊ”（ｊ＝１，・・・，Ｊ）及び需要データＤのそれぞれを取得する。
　学習部５４は、指標データＩｊ”（ｊ＝１，・・・，Ｊ）及び需要データＤのそれぞれを用いて、Ｑ個の予測モデルを生成する（図１０のステップＳＴ１６）。
　以下、学習部５４による予測モデルの生成処理の一例を具体的に説明する。
　図１１は、１つの予測モデルの入出力関係を示す説明図である。
　学習部５４は、説明変数として指標データＩｊ”（ｊ＝１，・・・，Ｊ）を、アルゴリズムが互いに異なるＱ個の予測モデルのそれぞれに与え、教師データである目的変数として需要データＤをそれぞれの予測モデルに与える。
　学習部５４は、それぞれの予測モデルから、予測結果Ｒとして、需要データＤに相当するデータが出力されるように、それぞれの予測モデルに対して学習処理を行わせる。学習処理は、予測結果Ｒとして、需要データＤに相当するデータが出力されるように、それぞれの説明変数に対する係数である重み等の調整を行う処理である。
　学習部５４は、学習済みのＱ個の予測モデルを評価部５５に出力する。
　評価部５５は、学習部５４から、Ｑ個の予測モデルを取得する。
　評価部５５は、Ｑ個の予測モデルのそれぞれを評価し、Ｑ個の予測モデルの中で、評価が相対的に高い上位Ｇ個の予測モデルＰＭ１～ＰＭＧを特定する（図１０のステップＳＴ１７）。
　評価部５５は、Ｇ個の予測モデルＰＭ１～ＰＭＧを予測モデル記憶部２５に出力する。
　以下、評価部５５によるＧ個の予測モデルＰＭ１～ＰＭＧの特定処理の一例を具体的に説明する。
　評価部５５は、需要データＤの変動幅Ｆを算出する。需要データＤの変動幅Ｆは、需要データＤの最小値と需要データＤの最大値との差分の絶対値である。
　また、評価部５５は、Ｑ個の予測モデルのそれぞれから出力される需要の予測結果の変動幅を算出する。予測結果の変動幅は、予測結果の最小値と予測結果の最大値との差分の絶対値である。予測結果の最小値と予測結果の最大値とは、それぞれの予測モデルから得られる。
　評価部５５は、Ｑ個の予測結果の変動幅の中で、需要データＤの変動幅Ｆと近い上位Ｇ個の予測結果の変動幅を検索する。
　評価部５５は、Ｑ個の予測モデルの中から、Ｇ個の予測モデルＰＭ１～ＰＭＧとして、上位Ｇ個の予測結果の変動幅に係る予測モデルを特定する。
　以上の実施の形態１では、需要予測対象の製品における過去の需要の時間的な変化を示す需要データと、過去の需要に関連する指標の候補である複数の指標のそれぞれを示す指標候補データとを取得するデータ取得部２１と、データ取得部２１により取得されたそれぞれの指標候補データが示す指標とデータ取得部２１により取得された需要データが示す需要との間の関連度を算出する関連度算出部２３と、関連度算出部２３により算出された関連度に基づいて、データ取得部２１により取得された複数の指標候補データの中から、製品の将来の需要を予測する需要予測処理に用いられる指標データを抽出する指標データ抽出部２４と、指標データ抽出部２４により抽出された指標データを用いて、需要予測処理を行う需要予測部２７とを備えるように、需要予測装置４を構成した。したがって、需要予測装置４は、与えられる複数の指標候補データの中に、製品の需要との関連度が低い指標を示す指標候補データが含まれていても、需要の予測結果が、製品の将来の需要から乖離してしまうことを防ぐことができる。
　図２に示す需要予測装置４では、分析結果出力部１１が、指標データＩｍ’（ｍ＝１，・・・，Ｍ）及び需要データＤのそれぞれを表示部１２に出力し、表示部１２が、指標データＩｍ’及び需要データＤのそれぞれをディスプレイに表示させている。しかし、これは一例に過ぎず、関連度算出部２３が、指標データＩｍ’（ｍ＝１，・・・，Ｍ）が示す指標と需要データＤが示す需要との間の関連度Ｃｍを、データ記憶部２２を介して、分析結果出力部１１に出力する。そして、分析結果出力部１１が、指標データＩｍ’、需要データＤ及び関連度Ｃｍのそれぞれを表示部１２に出力し、表示部１２が、指標データＩｍ’、需要データＤ及び関連度Ｃｍのそれぞれをディスプレイに表示させるようにしてもよい。
　図２に示す需要予測装置４では、データ取得部２１が、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）及び需要データＤのそれぞれを取得している。しかし、これは一例に過ぎず、データ取得部２１が、指標候補データＩｎ及び需要データＤの他に、関連データを取得するようにしてもよい。関連データとしては、例えば、平日及び祝日等を示すカレンダー情報、製品の販売促進の内容を示す販促情報、製品の製造状況を示す製造情報、又は、製品の流通状況を示す流通情報がある。
　データ取得部２１により関連データが取得されていれば、学習部５４が、指標データＩｊ”（ｊ＝１，・・・，Ｊ）、需要データＤ及び関連データのそれぞれを用いて、Ｑ個の予測モデルを生成するようにしてもよい。例えば、学習部５４が、説明変数として、指標データＩｊ”（ｊ＝１，・・・，Ｊ）及び関連データのそれぞれを、アルゴリズムが互いに異なるＱ個の予測モデルのそれぞれに与え、目的変数として需要データＤをそれぞれの予測モデルに与える。そして、学習部５４が、それぞれの予測モデルから、予測結果Ｒとして、需要データＤに相当するデータが出力されるように、それぞれの予測モデルに対して学習処理を行わせる。
　図２に示す需要予測装置４では、指標データ抽出部２４が、Ｎ個の指標候補データＩ１～ＩＮの中から、例えば、関連度Ｃｎの絶対値が大きい上位Ｍ個の指標候補データＩｎを、需要予測処理に用いられる指標データＩｍ’として抽出している。しかし、これは一例に過ぎず、指標データ抽出部２４が、関連度Ｃｎに基づいて、複数の経済指標のそれぞれを示す指標候補データの中から、需要予測処理に用いられる指標データを抽出し、経済指標以外の複数の指標のそれぞれを示す指標候補データの中から、需要予測処理に用いられる指標データを抽出するようにしてもよい。経済指標以外の指標としては、例えば、統計指標、又は、気象情報がある。
　Ｎ個の指標候補データＩ１～ＩＮの中に、例えば、複数の経済指標のそれぞれを示す指標候補データと、複数の統計指標のそれぞれを示す指標候補データと、複数の気象情報のそれぞれを示す指標候補データとが含まれている場合を想定する。この場合、指標データ抽出部２４が、関連度Ｃｎに基づいて、複数の経済指標のそれぞれを示す指標候補データの中で、最も関連度が高い指標候補データを、需要予測処理に用いられる指標データとして抽出する。また、指標データ抽出部２４が、関連度Ｃｎに基づいて、複数の統計指標のそれぞれを示す指標候補データの中で、最も関連度が高い指標候補データを、需要予測処理に用いられる指標データとして抽出する。さらに、指標データ抽出部２４が、関連度Ｃｎに基づいて、複数の気象情報のそれぞれを示す指標候補データの中で、最も関連度が高い指標候補データを、需要予測処理に用いられる指標データとして抽出する。
　図２に示す需要予測装置４は、データ記憶部２２及び予測モデル記憶部２５を備えている。しかし、これは一例に過ぎず、データ記憶部２２及び予測モデル記憶部２５が、ネットワーク上のストレージ装置に備えられていてもよい。この場合、関連度算出部２３及び指標データ抽出部２４が、データ記憶部２２にアクセスするための通信機能を備え、予測モデル選択部２６が、予測モデル記憶部２５にアクセスするための通信機能を備えている。
実施の形態２．
　実施の形態２では、指標候補データＩ１～ＩＮ及び需要データＤのほかに、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）が示す指標と需要データＤが示す需要との間の意味的な類似度を示す設定データを取得するデータ取得部８１を備える需要予測装置４について説明する。
　図１２は、実施の形態２に係る意思決定支援装置２及び需要予測装置４を示す構成図である。図１２において、図２と同一符号は同一又は相当部分を示すので説明を省略する。
　図１３は、実施の形態２に係る需要予測装置４のハードウェアを示すハードウェア構成図である。図１３において、図３と同一符号は同一又は相当部分を示すので説明を省略する。
　意思決定支援装置２は、分析結果出力部１１、表示部１２及び設定データ受付部１３を備えている。
　設定データ受付部１３は、キーボード、マウス、又は、タッチパネル等のマンマシンインタフェースを備えている。
　設定データ受付部１３は、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）が示す指標と需要データＤが示す需要との間の意味的な類似度Ｃｎ’を示す設定データＢの受付処理を実施し、設定データＢを需要予測装置４のデータ取得部８１に出力する。即ち、ユーザが設定データ受付部１３を操作することで、設定データ受付部１３が、設定データＢの受付処理を実施し、設定データＢを需要予測装置４のデータ取得部８１に出力する。意味的な類似度Ｃｎ’は、ユーザによって設定される、指標と需要との類似具合を示すものである。
　需要予測装置４は、データ取得部８１、データ記憶部８２、関連度算出部８３、指標データ抽出部２４、予測モデル記憶部２５、予測モデル選択部２６、需要予測部２７及び表示データ出力部２８を備えている。
　データ取得部８１は、例えば、図１３に示すデータ取得回路９１によって実現される。
　データ取得部８１は、図２に示すデータ取得部２１と同様に、指標候補データＩ１～ＩＮ及び需要データＤを取得する。
　また、データ取得部８１は、設定データ受付部１３から出力された設定データＢを取得する。
　データ取得部８１は、指標候補データＩ１～ＩＮ、需要データＤ及び設定データＢのそれぞれをデータ記憶部８２に出力する。
　データ記憶部８２は、例えば、図１３に示すデータ記憶回路９２によって実現される。
　データ記憶部８２は、データ取得部８１から出力された指標候補データＩ１～ＩＮ、需要データＤ及び設定データＢのそれぞれを記憶する。
　関連度算出部８３は、例えば、図１３に示す関連度算出回路９３によって実現される。
　関連度算出部８３は、データ記憶部８２から、図２に示す関連度算出部２３と同様に、指標候補データＩ１～ＩＮ及び需要データＤを取得する。
　また、関連度算出部８３は、データ記憶部８２から、設定データＢを取得する。
　関連度算出部８３は、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）が示す指標と需要データＤが示す需要との間の関連度Ｃｎ（ｎ＝１，・・・，Ｎ）を算出する代わりに、関連度Ｃｎとして、設定データＢが示す意味的な類似度Ｃｎ’を指標データ抽出部２４に出力する。
　図１２では、需要予測装置４の構成要素であるデータ取得部８１、データ記憶部８２、関連度算出部８３、指標データ抽出部２４、予測モデル記憶部２５、予測モデル選択部２６、需要予測部２７及び表示データ出力部２８のそれぞれが、図１３に示すような専用のハードウェアによって実現されるものを想定している。即ち、需要予測装置４が、データ取得回路９１、データ記憶回路９２、関連度算出回路９３、指標データ抽出回路３４、予測モデル記憶回路３５、予測モデル選択回路３６、需要予測回路３７及び表示データ出力回路３８によって実現されるものを想定している。
　ここで、データ記憶回路９２及び予測モデル記憶回路３５のそれぞれは、例えば、ＲＡＭ、ＲＯＭ、フラッシュメモリ、ＥＰＲＯＭ、ＥＥＰＲＯＭ等の不揮発性又は揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、あるいは、ＤＶＤが該当する。
　また、データ取得回路９１、関連度算出回路９３、指標データ抽出回路３４、予測モデル選択回路３６、需要予測回路３７及び表示データ出力回路３８のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。
　需要予測装置４の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、需要予測装置４が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
　需要予測装置４が、ソフトウェア又はファームウェア等によって実現される場合、データ記憶部８２及び予測モデル記憶部２５が図４に示すコンピュータのメモリ４１上に構成される。データ取得部８１、関連度算出部８３、指標データ抽出部２４、予測モデル選択部２６、需要予測部２７及び表示データ出力部２８におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムがメモリ４１に格納される。そして、コンピュータのプロセッサ４２がメモリ４１に格納されているプログラムを実行する。
　また、図１３では、需要予測装置４の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図４では、需要予測装置４がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、需要予測装置４における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。
　次に、図１２に示す需要予測装置４の動作について説明する。
　データ取得部８１、データ記憶部８２及び関連度算出部８３以外は、図２に示す需要予測装置４と同様であるため、ここでは、主に、データ取得部８１、データ記憶部８２及び関連度算出部８３の動作について説明する。
　意思決定支援装置２の設定データ受付部１３は、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）が示す指標と需要データＤが示す需要との間の意味的な類似度Ｃｎ’を示す設定データＢの受付処理を実施する。
　設定データ受付部１３は、設定データＢを需要予測装置４のデータ取得部８１に出力する。
　指標候補データＩｎが示す指標と需要データＤが示す需要との間の意味的な類似度Ｃｎ’が高くなる態様として、以下の（１）～（２）に示すような態様がある。
（１）需要データＤに係る製品が、指標候補データＩｎに係る製品に含まれる関係である場合、あるいは、指標候補データＩｎに係る製品が、需要データＤに係る製品に含まれる関係である場合、指標候補データＩｎが示す指標と需要データＤが示す需要との間の意味的な類似度Ｃｎ’が高くなる。
　例えば、需要データＤに係る製品がエレベータに実装される制御装置であって、指標候補データＩｎに係る製品がエレベータである場合、あるいは、需要データＤに係る製品がエレベータであって、指標候補データＩｎに係る製品がエレベータに実装される制御装置である場合、指標候補データＩｎが示す指標と需要データＤが示す需要との間の意味的な類似度Ｃｎ’が高くなる。
（２）需要データＤに係る製品と、指標候補データＩｎに係る製品との間で物理的な関連がある場合、指標候補データＩｎが示す指標と需要データＤが示す需要との間の意味的な類似度Ｃｎ’が高くなる。
　例えば、需要データＤに係る製品が電圧計であって、指標候補データＩｎに係る製品が電力計である場合、指標候補データＩｎが示す指標と需要データＤが示す需要との間の意味的な類似度Ｃｎ’が高くなる。
　（１）～（２）に示す態様は、あくまでも一例であり、類似度Ｃｎ’が高くなる態様が、（１）～（２）以外の態様であってもよい。
　ここでは、説明の簡単のため、（１）～（２）に示す態様以外は、指標候補データＩｎが示す指標と需要データＤが示す需要との間の意味的な類似度Ｃｎ’が低くなるものとする。
　図１４は、設定データＢの一例を示す説明図である。
　図１４の例では、９つの需要データＤが示されている。図１４では、９つの需要データＤが、需要データ（ＡＡ）、需要データ（ＡＢ）、需要データ（ＡＣ）、需要データ（ＢＡ）、需要データ（ＢＢ）、需要データ（ＢＣ）、需要データ（ＣＡ）、需要データ（ＣＢ）、需要データ（ＣＣ）のように区別されている。
　また、図１４の例では、９つの指標候補データＩｎ（ｎ＝１，・・・，９）が示されている。図１４の例では、指標候補データＩ１は、経済指標（１）に係る指標候補データ、指標候補データＩ２は、経済指標（２）に係る指標候補データ、指標候補データＩ３は、経済指標（３）に係る指標候補データである。
　指標候補データＩ４は、業界団体統計（１）に係る指標候補データ、指標候補データＩ５は、業界団体統計（２）に係る指標候補データ、指標候補データＩ６は、業界団体統計（３）に係る指標候補データである。
　指標候補データＩ７は、政府公表値（１）に係る指標候補データ、指標候補データＩ８は、政府公表値（２）に係る指標候補データ、指標候補データＩ９は、政府公表値（３）に係る指標候補データである。
　図１４において、○は、指標候補データが示す指標と需要データが示す需要との間の意味的な類似度が閾値Ｔｈ３以上であることを表している。したがって、例えば、経済指標（１）に係る指標候補データＩ１が示す指標と需要データ（ＡＡ）が示す需要との間の意味的な類似度Ｃ１－ＡＡ’を示す設定データＢは、閾値Ｔｈ３以上に設定されている。
　×は、指標候補データが示す指標と需要データが示す需要との間の意味的な類似度が閾値Ｔｈ３よりも低いことを表している。したがって、例えば、政府公表値（１）に係る指標候補データＩ７が示す指標と需要データ（ＢＡ）が示す需要との間の意味的な類似度Ｃ７－ＢＡ’を示す設定データＢは、閾値Ｔｈ３未満に設定されている。
　図１４の例では、それぞれの指標候補データについて、類似度を示す設定データＢが設定されている。しかし、これは一例に過ぎず、１つ以上の指標候補データを含むグループ毎に、類似度を示す設定データＢが設定されていてもよい。また、類似度は、○又は×のいずれかを示す離散値、２値又は３値を示す離散値、あるいは、０－１の間の連続値であってもよい。
　データ取得部８１は、図２に示すデータ取得部２１と同様に、指標候補データＩ１～ＩＮ及び需要データＤを取得する。
　また、データ取得部８１は、設定データ受付部１３から、設定データＢを取得する。
　データ取得部８１は、指標候補データＩ１～ＩＮ、需要データＤ及び設定データＢのそれぞれをデータ記憶部８２に出力する。
　データ記憶部８２は、指標候補データＩ１～ＩＮ、需要データＤ及び設定データＢのそれぞれを記憶する。
　関連度算出部８３は、データ記憶部８２から、指標候補データＩ１～ＩＮ、需要データＤ及び設定データＢのそれぞれを取得する。
　関連度算出部８３は、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）が示す指標と需要データＤが示す需要との間の関連度Ｃｎ（ｎ＝１，・・・，Ｎ）を算出する代わりに、関連度Ｃｎとして、設定データＢが示す意味的な類似度Ｃｎ’を指標データ抽出部２４に出力する。
　また、関連度算出部８３は、指標候補データＩｎ及び需要データＤのそれぞれを指標データ抽出部２４に出力する。
　設定データＢが示す意味的な類似度Ｃｎ’は、指標候補データＩｎと需要データＤとの間の相関係数、又は、指標候補データＩｎと需要データＤとの間の距離に相当する。
　以上の実施の形態２では、データ取得部８１が、複数の指標候補データ及び需要データのほかに、それぞれの指標候補データが示す指標と需要データが示す需要との間の意味的な類似度を示す設定データを取得する。また、関連度算出部８３が、データ取得部８１により取得されたそれぞれの指標候補データが示す指標とデータ取得部８１により取得された需要データが示す需要との間の関連度を算出する代わりに、関連度として、設定データが示す意味的な類似度を指標データ抽出部２４に出力するように、図１２に示す需要予測装置４を構成した。したがって、図１２に示す需要予測装置４は、図２に示す需要予測装置４と同様に、与えられる複数の指標候補データの中に、製品の需要との関連度が低い指標を示す指標候補データが含まれていても、需要の予測結果が、製品の将来の需要から乖離してしまうことを防ぐことができる。
　図５に示す学習装置３では、学習データ分析部５３が、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）が示す指標と需要データＤが示す需要との間の関連度Ｃｎを算出し、関連度Ｃｎに基づいて、Ｎ個の指標候補データＩ１～ＩＮの中から、予測モデルの生成に用いられる指標データＩｊ”（ｊ＝１，・・・，Ｊ）を抽出している。しかし、これは一例に過ぎず、学習データ分析部５３が、設定データＢが示す類似度Ｃｎ’を関連度Ｃｎとし、関連度Ｃｎに基づいて、Ｎ個の指標候補データＩ１～ＩＮの中から、予測モデルの生成に用いられる指標データＩｊ”を抽出するようにしてもよい。
実施の形態３．
　実施の形態３では、関連度算出部８４が、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）と需要データＤとの間の相関係数又は指標候補データＩｎと需要データＤとの間の距離と、設定データＢが示す意味的な類似度Ｃｎ’とから、指標候補データＩｎが示す指標と需要データＤが示す需要との間の関連度Ｃｎを算出する需要予測装置４について説明する。
　図１５は、実施の形態３に係る意思決定支援装置２及び需要予測装置４を示す構成図である。図１５において、図２及び図１２と同一符号は同一又は相当部分を示すので説明を省略する。
　図１６は、実施の形態３に係る需要予測装置４のハードウェアを示すハードウェア構成図である。図１６において、図３及び図１３と同一符号は同一又は相当部分を示すので説明を省略する。
　需要予測装置４は、データ取得部８１、データ記憶部８２、関連度算出部８４、指標データ抽出部２４、予測モデル記憶部２５、予測モデル選択部２６、需要予測部２７及び表示データ出力部２８を備えている。
　関連度算出部８４は、例えば、図１６に示す関連度算出回路９４によって実現される。
　関連度算出部８４は、データ記憶部８２から、図１２に示す関連度算出部８３と同様に、指標候補データＩ１～ＩＮ、需要データＤ及び設定データＢのそれぞれを取得する。
　関連度算出部８４は、図２に示す関連度算出部２３と同様に、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）と需要データＤとの間の相関係数、又は、指標候補データＩｎと需要データＤとの間の距離を算出する。
　関連度算出部８４は、相関係数又は距離と、設定データＢが示す意味的な類似度Ｃｎ’とから、指標候補データＩｎが示す指標と需要データＤが示す需要との間の関連度Ｃｎを算出する。
　図１５では、需要予測装置４の構成要素であるデータ取得部８１、データ記憶部８２、関連度算出部８４、指標データ抽出部２４、予測モデル記憶部２５、予測モデル選択部２６、需要予測部２７及び表示データ出力部２８のそれぞれが、図１６に示すような専用のハードウェアによって実現されるものを想定している。即ち、需要予測装置４が、データ取得回路９１、データ記憶回路９２、関連度算出回路９４、指標データ抽出回路３４、予測モデル記憶回路３５、予測モデル選択回路３６、需要予測回路３７及び表示データ出力回路３８によって実現されるものを想定している。
　データ取得回路９１、関連度算出回路９４、指標データ抽出回路３４、予測モデル選択回路３６、需要予測回路３７及び表示データ出力回路３８のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。
　需要予測装置４の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、需要予測装置４が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
　需要予測装置４が、ソフトウェア又はファームウェア等によって実現される場合、データ記憶部８２及び予測モデル記憶部２５が図４に示すコンピュータのメモリ４１上に構成される。データ取得部８１、関連度算出部８４、指標データ抽出部２４、予測モデル選択部２６、需要予測部２７及び表示データ出力部２８におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムがメモリ４１に格納される。そして、コンピュータのプロセッサ４２がメモリ４１に格納されているプログラムを実行する。
　また、図１６では、需要予測装置４の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図４では、需要予測装置４がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、需要予測装置４における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。
　次に、図１５に示す需要予測装置４の動作について説明する。
　関連度算出部８４以外は、図１２に示す需要予測装置４と同様であるため、ここでは、関連度算出部８４の動作のみを説明する。
　関連度算出部８４は、データ記憶部８２から、図１２に示す関連度算出部８３と同様に、指標候補データＩ１～ＩＮ、需要データＤ及び設定データＢのそれぞれを取得する。
　関連度算出部８４は、図２に示す関連度算出部２３と同様に、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）と需要データＤとの間の相関係数ｃｃｎ、又は、指標候補データＩｎと需要データＤとの間の距離Ｌｎを算出する。
　関連度算出部８４は、以下の式（２）に示すように、相関係数ｃｃｎと設定データＢが示す意味的な類似度Ｃｎ’とから、指標候補データＩｎが示す指標と需要データＤが示す需要との間の関連度Ｃｎを算出する。
　あるいは、関連度算出部８４は、以下の式（３）に示すように、距離Ｌｎと設定データＢが示す意味的な類似度Ｃｎ’とから、指標候補データＩｎが示す指標と需要データＤが示す需要との間の関連度Ｃｎを算出する。

Figure JPOXMLDOC01-appb-I000002
　関連度算出部８４は、指標候補データＩｎ（ｎ＝１，・・・，Ｎ）、需要データＤ及び関連度Ｃｎのそれぞれを指標データ抽出部２４に出力する。
　ここでは、関連度算出部８４が、関連度Ｃｎとして、相関係数ｃｃｎ又は距離Ｌｎと、設定データＢが示す意味的な類似度Ｃｎ’との平均を算出している。しかし、これは一例に過ぎず、関連度算出部８４が、以下に示すように、相関係数ｃｃｎ又は距離Ｌｎと、類似度Ｃｎ’とをスコア化して、スコアに基づいて、関連度Ｃｎを算出するようにしてもよい。
　関連度算出部８４は、相関係数ｃｃｎ及び距離Ｌｎのうち、相関係数ｃｃｎを用いる場合、Ｎ個の相関係数ｃｃ１～ｃｃＮについて、絶対値が大きい順にソートして、順番が早い相関係数ｃｃｎほど、大きなスコアＳｃｃｎを設定する。
　関連度算出部８４は、相関係数ｃｃｎ及び距離Ｌｎのうち、距離Ｌｎを用いる場合、Ｎ個の距離Ｌ１～ＬＮについて、絶対値が小さい順にソートして、順番が早い距離Ｌｎほど、大きなスコアＳＬｎを設定する。
　関連度算出部８４は、Ｎ個の類似度Ｃ１’～ ＣＮ’について、絶対値が大きい順にソートして、順番が早い類似度Ｃｎ’ほど、大きなスコアＳＣ’ｎを設定する。
　関連度算出部８４は、以下の式（４）又は式（５）に示すように、関連度Ｃｎとして、相関係数ｃｃｎのスコアＳｃｃｎ又距離ＬｎのスコアＳＬｎと、類似度Ｃｎ’のスコアＳＣ’ｎとの合計値を算出する。

Figure JPOXMLDOC01-appb-I000003
　以上の実施の形態３では、データ取得部８１が、複数の指標候補データ及び需要データのほかに、それぞれの指標候補データが示す指標と需要データが示す需要との間の意味的な類似度を示す設定データを取得し、関連度算出部８４が、それぞれの指標候補データと需要データとの間の相関係数、又は、それぞれの指標候補データと需要データとの間の距離を算出し、それぞれの相関係数又はそれぞれの距離と、設定データが示す意味的な類似度とから、それぞれの指標候補データが示す指標と需要データが示す需要との間の関連度を算出するように、図１５に示す需要予測装置４を構成した。したがって、図１５に示す需要予測装置４は、図２に示す需要予測装置４又は図１２に示す需要予測装置４よりも、需要の予測精度を高めることができる。
　なお、本開示は、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。
　本開示は、需要予測装置及び需要予測方法に適している。
　１　需要予測システム、２　意思決定支援装置、３　学習装置、４　需要予測装置、１１　分析結果出力部、１２　表示部、１３　設定データ受付部、２１　データ取得部、２２　データ記憶部、２３　関連度算出部、２４　指標データ抽出部、２５　予測モデル記憶部、２６　予測モデル選択部、２７　需要予測部、２８　表示データ出力部、３１　データ取得回路、３２　データ記憶回路、３３　関連度算出回路、３４　指標データ抽出回路、３５　予測モデル記憶回路、３６　予測モデル選択回路、３７　需要予測回路、３８　表示データ出力回路、４１　メモリ、４２　プロセッサ、５１　学習データ取得部、５２　学習データ記憶部、５３　学習データ分析部、５４　学習部、５５　評価部、６１　学習データ取得回路、６２　学習データ記憶回路、６３　学習データ分析回路、６４　学習回路、６５　評価回路、７１　メモリ、７２　プロセッサ、８１　データ取得部、８２　データ記憶部、８３，８４　関連度算出部、９１　データ取得回路、９２　データ記憶回路、９３，９４　関連度算出回路。

Claims (11)

  1. 　需要予測対象の製品における過去の需要の時間的な変化を示す需要データと、前記過去の需要に関連する指標の候補である複数の指標のそれぞれを示す指標候補データとを取得するデータ取得部と、
    　前記データ取得部により取得されたそれぞれの指標候補データが示す指標と前記データ取得部により取得された需要データが示す需要との間の関連度を算出する関連度算出部と、
    　前記関連度算出部により算出された関連度に基づいて、前記データ取得部により取得された複数の指標候補データの中から、前記製品の将来の需要を予測する需要予測処理に用いられる指標データを抽出する指標データ抽出部と、
    　前記指標データ抽出部により抽出された指標データを用いて、前記需要予測処理を行う需要予測部と
    　を備えた需要予測装置。
  2. 　前記関連度算出部は、
    　前記データ取得部により取得されたそれぞれの指標候補データが示す指標と前記データ取得部により取得された需要データが示す需要との間の関連度として、それぞれの指標候補データと前記需要データとの間の相関係数、又は、それぞれの指標候補データと前記需要データとの間の距離を算出することを特徴とする請求項１記載の需要予測装置。
  3. 　前記データ取得部は、
    　前記複数の指標候補データ及び前記需要データのほかに、それぞれの指標候補データが示す指標と前記需要データが示す需要との間の意味的な類似度を示す設定データを取得し、
    　前記関連度算出部は、
    　前記データ取得部により取得されたそれぞれの指標候補データが示す指標と前記データ取得部により取得された需要データが示す需要との間の関連度を算出する代わりに、前記関連度として、前記設定データが示す意味的な類似度を前記指標データ抽出部に出力することを特徴とする請求項１記載の需要予測装置。
  4. 　前記データ取得部は、
    　前記複数の指標候補データ及び前記需要データのほかに、それぞれの指標候補データが示す指標と前記需要データが示す需要との間の意味的な類似度を示す設定データを取得し、
    　前記関連度算出部は、
    　それぞれの指標候補データと前記需要データとの間の相関係数、又は、それぞれの指標候補データと前記需要データとの間の距離を算出し、それぞれの相関係数又はそれぞれの距離と、前記設定データが示す意味的な類似度とから、それぞれの指標候補データが示す指標と前記需要データが示す需要との間の関連度を算出することを特徴とする請求項１記載の需要予測装置。
  5. 　前記需要予測部は、
    　前記指標データ抽出部により抽出された指標データを予測モデルに与えて、前記予測モデルから、前記製品の将来の需要の予測結果を取得する需要予測処理を行うことを特徴とする請求項１記載の需要予測装置。
  6. 　前記データ取得部により取得された需要データに基づいて、学習装置により生成された複数の予測モデルの中から、指標データが与えられる予測モデルを選択する予測モデル選択部を備え、
    　前記需要予測部は、
    　前記指標データ抽出部により抽出された指標データを前記予測モデル選択部により選択された予測モデルに与えて、当該予測モデルから、前記製品の将来の需要の予測結果を取得する需要予測処理を行うことを特徴とする請求項１記載の需要予測装置。
  7. 　前記需要予測部による需要の予測結果を表示させるための表示データを生成し、前記表示データを出力する表示データ出力部を備えたことを特徴とする請求項１記載の需要予測装置。
  8. 　前記指標データ抽出部は、前記データ取得部により取得された複数の指標候補データの中から、前記需要予測処理に用いられる指標データとして、前記関連度算出部により算出された関連度が高い上位Ｍ（Ｍは、１以上の整数）個の指標候補データを抽出することを特徴とする請求項１記載の需要予測装置。
  9. 　前記データ取得部は、
    　前記複数の指標候補データとして、経済指標を示す指標候補データのほかに、経済指標以外の指標を示す指標候補データを取得することを特徴とする請求項１記載の需要予測装置。
  10. 　前記複数の指標候補データの中に、複数の経済指標のそれぞれを示す指標候補データと、経済指標以外の複数の指標のそれぞれを示す指標候補データとが含まれており、
    　前記指標データ抽出部は、
    　前記関連度算出部により算出された関連度に基づいて、前記複数の経済指標のそれぞれを示す指標候補データの中から、前記需要予測処理に用いられる指標データを抽出し、前記経済指標以外の複数の指標のそれぞれを示す指標候補データの中から、前記需要予測処理に用いられる指標データを抽出することを特徴とする請求項９記載の需要予測装置。
  11. 　データ取得部が、需要予測対象の製品における過去の需要の時間的な変化を示す需要データと、前記過去の需要に関連する指標の候補である複数の指標のそれぞれを示す指標候補データとを取得し、
    　関連度算出部が、前記データ取得部により取得されたそれぞれの指標候補データが示す指標と前記データ取得部により取得された需要データが示す需要との間の関連度を算出し、
    　指標データ抽出部が、前記関連度算出部により算出された関連度に基づいて、前記データ取得部により取得された複数の指標候補データの中から、前記製品の将来の需要を予測する需要予測処理に用いられる指標データを抽出し、
    　需要予測部が、前記指標データ抽出部により抽出された指標データを用いて、前記需要予測処理を行う
    　需要予測方法。
PCT/JP2021/035737 2021-09-29 2021-09-29 需要予測装置及び需要予測方法 WO2023053236A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2022505545A JP7162774B1 (ja) 2021-09-29 2021-09-29 需要予測装置及び需要予測方法
CN202180102379.5A CN117999569A (zh) 2021-09-29 2021-09-29 需求预测装置和需求预测方法
DE112021008029.6T DE112021008029T5 (de) 2021-09-29 2021-09-29 Bedarfsvorhersageeinrichtung und bedarfsvorhersageverfahren
PCT/JP2021/035737 WO2023053236A1 (ja) 2021-09-29 2021-09-29 需要予測装置及び需要予測方法
US18/424,434 US20240169377A1 (en) 2021-09-29 2024-01-26 Demand prediction device and demand prediction method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/035737 WO2023053236A1 (ja) 2021-09-29 2021-09-29 需要予測装置及び需要予測方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/424,434 Continuation US20240169377A1 (en) 2021-09-29 2024-01-26 Demand prediction device and demand prediction method

Publications (1)

Publication Number Publication Date
WO2023053236A1 true WO2023053236A1 (ja) 2023-04-06

Family

ID=83806046

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/035737 WO2023053236A1 (ja) 2021-09-29 2021-09-29 需要予測装置及び需要予測方法

Country Status (5)

Country Link
US (1) US20240169377A1 (ja)
JP (1) JP7162774B1 (ja)
CN (1) CN117999569A (ja)
DE (1) DE112021008029T5 (ja)
WO (1) WO2023053236A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008083999A (ja) * 2006-09-27 2008-04-10 Sumitomo Heavy Ind Ltd 需要予測方法、需要予測装置、需要予測プログラム、及び該プログラムを記録した記録媒体
JP2020154364A (ja) * 2019-03-18 2020-09-24 株式会社明電舎 変圧器コスト予測装置
JP2021507323A (ja) * 2017-12-18 2021-02-22 オラクル・インターナショナル・コーポレイション モデル生成のための動的な特徴選択
JP2021033881A (ja) * 2019-08-28 2021-03-01 株式会社日立製作所 電力負荷予測装置および電力負荷予測方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015118412A (ja) 2013-12-16 2015-06-25 三菱重工業株式会社 部品の需要予測装置及び部品の需要予測方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008083999A (ja) * 2006-09-27 2008-04-10 Sumitomo Heavy Ind Ltd 需要予測方法、需要予測装置、需要予測プログラム、及び該プログラムを記録した記録媒体
JP2021507323A (ja) * 2017-12-18 2021-02-22 オラクル・インターナショナル・コーポレイション モデル生成のための動的な特徴選択
JP2020154364A (ja) * 2019-03-18 2020-09-24 株式会社明電舎 変圧器コスト予測装置
JP2021033881A (ja) * 2019-08-28 2021-03-01 株式会社日立製作所 電力負荷予測装置および電力負荷予測方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HAMAMOTO, KOUKI ET AL.: "Defect Cause Search Support System Using Manufacturing Information Ontology and Bayesian Network in LCD Manufacturing Process", SYSTEM/CONTROL/INFORMATION, vol. 62, no. 3, 15 March 2018 (2018-03-15), pages 1 - 8, XP009545152 *

Also Published As

Publication number Publication date
DE112021008029T5 (de) 2024-05-08
JP7162774B1 (ja) 2022-10-28
JPWO2023053236A1 (ja) 2023-04-06
CN117999569A (zh) 2024-05-07
US20240169377A1 (en) 2024-05-23

Similar Documents

Publication Publication Date Title
Shah et al. A comprehensive review on multiple hybrid deep learning approaches for stock prediction
KR101975448B1 (ko) 인공지능을 이용하여 빅데이터 기반 상품 투자 추천 알고리즘을 평가하는 시스템 및 방법
WO2023142288A1 (zh) 一种抗时变性模型的优化方法、系统、设备及可读存储介质
Shang et al. Intraday forecasts of a volatility index: Functional time series methods with dynamic updating
Pehlivanlı et al. Indicator selection with committee decision of filter methods for stock market price trend in ISE
JP2021039739A (ja) 予測装置、予測プログラム、及び予測方法
Bekiros et al. Bayesian forecasting with small and medium scale factor-augmented vector autoregressive DSGE models
Haga et al. Initial stage clustering when estimating accounting quality measures with self-organizing maps
Arumugam et al. Fuzzy time series method for forecasting Taiwan export data
JP2018113817A (ja) 情報処理システム、および情報処理プログラム
Li [Retracted] Prediction and Analysis of Housing Price Based on the Generalized Linear Regression Model
JP7162774B1 (ja) 需要予測装置及び需要予測方法
Hung et al. Garch models in forecasting the volatility of the world’s oil prices
WO2022222230A1 (zh) 基于机器学习的指标预测方法、装置、设备及存储介质
Hartanto et al. Stock Price Time Series Data Forecasting Using the Light Gradient Boosting Machine (LightGBM) Model
Rueda et al. Important variables in explaining real-time peak price in the independent power market of Ontario
Poudel et al. ARIMA Modeling and Forecasting of National Consumer Price Index in Nepal
US11113652B2 (en) System and method for a recommendation mechanism regarding store remodels
Duan et al. Stock price trend prediction using MRCM-CNN
Li Retracted: Neural network economic forecast method based on genetic algorithm
Bodnaruk et al. PECULIARITIES OF THE STAGES OF RATING ASSESSMENT FORMATION IN RATING MANAGEMENT SYSTEM.
Bekiros et al. Forecasting the US economy with a factor-augmented vector Autoregressive DSGE model
Marcellino et al. Big data econometrics: Now casting and early estimates
Wang et al. Information fusion technique for weighted time series model
Chen et al. Nowcasting of Advance Estimates of Personal Consumption of Services in the US National Accounts: Individual Versus Forecasting Combination Approach

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 2022505545

Country of ref document: JP

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21959284

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202180102379.5

Country of ref document: CN