WO2023243058A1 - 取引量予測モデル生成装置、取引量予測装置、取引量予測モデル生成方法、取引量予測方法、取引量予測モデル生成プログラム、及び取引量予測プログラム - Google Patents
取引量予測モデル生成装置、取引量予測装置、取引量予測モデル生成方法、取引量予測方法、取引量予測モデル生成プログラム、及び取引量予測プログラム Download PDFInfo
- Publication number
- WO2023243058A1 WO2023243058A1 PCT/JP2022/024204 JP2022024204W WO2023243058A1 WO 2023243058 A1 WO2023243058 A1 WO 2023243058A1 JP 2022024204 W JP2022024204 W JP 2022024204W WO 2023243058 A1 WO2023243058 A1 WO 2023243058A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- data
- market
- holiday
- transaction volume
- volume
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 29
- 238000012545 processing Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 abstract description 6
- 235000012055 fruits and vegetables Nutrition 0.000 description 43
- 238000003860 storage Methods 0.000 description 33
- 238000010586 diagram Methods 0.000 description 15
- 238000013500 data storage Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 230000007423 decrease Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- RWYFURDDADFSHT-RBBHPAOJSA-N diane Chemical compound OC1=CC=C2[C@H]3CC[C@](C)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1.C1=C(Cl)C2=CC(=O)[C@@H]3CC3[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@@](C(C)=O)(OC(=O)C)[C@@]1(C)CC2 RWYFURDDADFSHT-RBBHPAOJSA-N 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Definitions
- the disclosed technology relates to a transaction volume prediction model generation device, a transaction volume prediction device, a transaction volume prediction model generation method, a transaction volume prediction method, a transaction volume prediction model generation program, and a transaction volume prediction program.
- transactions are carried out in which the quantity or price of each product is determined by comparing information about product purchases from production areas with information about orders from intermediary wholesalers.
- a transaction in which the quantity or price of each product is determined is also referred to as a negotiated transaction.
- Non-Patent Document 1 discloses a technique for predicting daily sales of fresh foods at retail stores.
- a SARIMAX model with exogenous variables is used in order to consider external factors that affect demand.
- trends in product sales, seasonality, holidays, weather, and the introduction of new products of the same type are taken into consideration as exogenous variables.
- sales data missing during holidays or festivals is supplemented with estimated values using linear interpolation in order to maintain periodicity consistency.
- Non-Patent Document 1 the monthly transaction volume is learned and predicted, so when predicting the total monthly transaction volume, the influence of market holiday days is considered to be small.
- Non-Patent Document 1 Even if one attempts to predict the daily transaction volume of products using the method of Non-Patent Document 1, it is difficult due to the influence of market holidays. Specifically, the transaction volume on market holidays is 0, but depending on the type of product, a certain amount of stock may arrive. Therefore, on the next business day after a market holiday, in addition to transactions for products that arrived on the day, there are also transactions for products that arrived on the day the market is closed, resulting in a corresponding increase in transaction volume.
- Such irregular fluctuations in daily trading volume make modeling and prediction using time-series prediction models (for example, SARIMAX, etc.) that focus on the periodicity or trend of data difficult.
- time-series prediction models for example, SARIMAX, etc.
- the disclosed technology has been made in view of the above points, and includes a transaction volume prediction model generation device, a transaction volume prediction device, and a transaction volume prediction model generation device that can predict the daily transaction volume of a product by taking into account the influence of market holidays.
- the object of the present invention is to provide a transaction volume prediction model generation method, a transaction volume prediction method, a transaction volume prediction model generation program, and a transaction volume prediction program.
- a first aspect of the present disclosure is a transaction volume prediction model generation device, which includes transaction volume data having as an element the transaction volume of each day of a product in a market, and a market holiday flag having a flag representing a market holiday as an element.
- a learning acquisition unit that acquires data
- the market holiday flag data acquired by the learning acquisition unit and market holiday arrival coefficient data that is a coefficient related to the amount of product arrivals taking into account the existence of market holidays.
- a learning filter generation unit that generates market holiday filter data having as an element a coefficient for the transaction volume that takes into account the presence of market holidays; and the transaction volume data acquired by the learning acquisition unit and the market holiday flag.
- each sample transaction volume data that is the transaction volume data for a predetermined period and each sample non-market day filter data that is the market holiday filter data for the predetermined period are acquired, and a learning data generation unit that generates learning data associated with correct value data of transaction volume on a date later than the last day of the predetermined period, and based on the learning data generated by the learning data generation unit,
- the sample transaction volume data is input into the transaction volume prediction model, the inner product of the predicted value data of the transaction volume for a day later than the last day of the predetermined period and the sample market holiday filter data, and the trading volume prediction for predicting the trading volume at a later date than the last day of the predetermined period from the trading volume data for the predetermined period so that a loss function representing a difference between the correct value data of the trading volume at a later date becomes small;
- a model generation unit that generates a model.
- a second aspect of the present disclosure is a transaction volume prediction device, wherein the acquisition unit acquires the market holiday arrival coefficient data, the market holiday flag data in the target period, and the transaction volume data up to immediately before the prediction target date. and a filter generation unit that generates the market holiday filter data in the target period based on the market holiday flag data acquired by the acquisition unit and the market holiday arrival coefficient data, and the transaction according to the first aspect.
- the predicted value data of the transaction volume of the product on the prediction target date is obtained, and the obtained predicted value data of the trade volume of the product on the prediction target date is multiplied by the element of the prediction target day in the market holiday filter data. and a prediction unit that generates predicted value data of the transaction volume in consideration of market holidays.
- a third aspect of the present disclosure is a trading volume prediction model generation method, which includes trading volume data having as an element the trading volume of each day of a product in a market, and a market holiday flag having a flag representing a market holiday as an element. Based on the acquired market holiday flag data and the market holiday arrival coefficient data, which is a coefficient regarding the amount of goods received in consideration of the market holiday, the transaction takes into account the existence of the market holiday.
- Market holiday filter data having a coefficient for quantity as an element is generated, and from the acquired transaction volume data and the market holiday flag data, each of the sample transaction volume data that is the transaction volume data for a predetermined period and the predetermined predetermined Obtain each piece of sample closed day filter data that is the market closed day filter data for the period, and create learning data that associates the sample transaction volume data with the correct value data of the transaction volume on a date later than the last day of the predetermined period.
- a fourth aspect of the present disclosure is a transaction volume prediction method, which acquires the market holiday arrival coefficient data, the market holiday flag data in the target period, and the transaction volume data up to immediately before the prediction target date.
- the market holiday filter data in the target period is generated based on the market holiday flag data and the market holiday arrival coefficient data, and the transaction volume prediction model generation method according to the third aspect generates the market holiday filter data.
- the predicted value data of the transaction volume of the product on the prediction target date output from the transaction volume prediction model can be calculated.
- Predicting the transaction volume in consideration of the market holiday by multiplying the obtained prediction value data of the transaction volume of the product on the prediction target date by the element of the prediction target day in the market holiday filter data. Generate value data.
- a fifth aspect of the present disclosure is a transaction volume prediction model generation program, which includes transaction volume data having as an element the transaction volume of each day of a product in the market, and a market holiday flag having as an element a flag representing a market holiday. Based on the acquired market holiday flag data and the market holiday arrival coefficient data, which is a coefficient regarding the amount of goods received in consideration of the market holiday, the transaction takes into account the existence of the market holiday.
- Market holiday filter data having a coefficient for quantity as an element is generated, and from the acquired transaction volume data and the market holiday flag data, each of the sample transaction volume data that is the transaction volume data for a predetermined period and the predetermined predetermined Obtain each piece of sample closed day filter data that is the market closed day filter data for the period, and create learning data that associates the sample transaction volume data with the correct value data of the transaction volume on a date later than the last day of the predetermined period.
- the computer From the trading volume data of the predetermined period to the last day of the predetermined period so that the loss function representing the difference between the inner product with the filter data and the correct value data of the trading volume of a date later than the last day of the predetermined period is small.
- the computer also causes the computer to execute a process of generating the transaction volume prediction model for predicting the transaction volume at a later date.
- a sixth aspect of the present disclosure is a transaction volume prediction program, which acquires and acquires the market holiday arrival coefficient data, the market holiday flag data in the target period, and the transaction volume data up to immediately before the prediction target date.
- the market holiday filter data in the target period is generated based on the market holiday flag data and the market holiday arrival coefficient data, and the transaction volume prediction model generation program according to the fifth aspect generates the market holiday filter data.
- FIG. 2 is a diagram for explaining the transaction of fruits and vegetables, which are an example of products.
- FIG. 2 is a diagram for explaining the relationship between market holidays and the trading volume of fruits and vegetables. It is a figure of the predicted value and actual value of the trading volume of fruits and vegetables when there is no market holiday. It is a figure of the predicted value and actual value of the trading volume of fruits and vegetables when there is a market holiday. It is a figure of the predicted value and actual value of the trading volume of fruits and vegetables when there is a market holiday. It is a figure of the predicted value and actual value of the trading volume of fruits and vegetables when there is a market holiday. It is a figure of the predicted value and actual value of the trading volume of fruits and vegetables when there is a market holiday.
- FIG. 1 is a block diagram illustrating an example of a hardware configuration of a transaction volume prediction model generation device according to an embodiment.
- FIG. 1 is a block diagram illustrating an example of a hardware configuration of a transaction volume prediction model generation device according to an embodiment.
- FIG. 1 is a block diagram illustrating an example of a functional configuration of a transaction volume prediction model generation device according to an embodiment.
- FIG. 3 is a diagram for explaining generation of market holiday filter data. It is a flowchart which shows an example of the flow of processing by a transaction amount prediction model generation program concerning an embodiment.
- FIG. 1 is a block diagram illustrating an example of a hardware configuration of a transaction amount prediction device according to an embodiment.
- FIG. 1 is a block diagram showing an example of a functional configuration of a transaction amount prediction device according to an embodiment.
- It is a flowchart which shows an example of the flow of processing by the transaction amount prediction program concerning an embodiment. It is a figure for explaining an example. It is a figure for explaining an example. It is a figure for explaining an example. It is a figure for explaining an example. It is a figure for explaining an example. It is a figure for explaining an example. It is a figure for explaining an example. It is a figure for explaining an example. It is a figure for explaining
- the transaction volume prediction model generation device and the transaction volume prediction device predict the daily transaction volume of the product in consideration of the influence of market holidays, thereby predicting the daily transaction volume of the product with high accuracy. Predict.
- FIG. 1 is a diagram for explaining the transaction of fruits and vegetables, which are an example of products.
- fruits and vegetables are delivered from their production area to the market.
- the intermediate wholesaler purchases fruits and vegetables at the market and sells the fruits and vegetables to retail stores.
- a certain amount of fruits and vegetables may arrive at the market even on days when the market is closed. Therefore, when there is a market holiday, the amount of fruits and vegetables traded in the market tends to increase on the next business day of the market holiday.
- FIG. 2 is a diagram for explaining the relationship between market holidays and the trading volume of fruits and vegetables.
- the horizontal axis of FIG. 2 represents days, and the vertical axis represents transaction volume.
- September 18th and September 19th are market holidays
- the transaction volume on September 20th increases, for example.
- September 21st is a market holiday
- the transaction volume on September 22nd the next business day
- the amount of fruits and vegetables traded on the business day following the market holiday tends to increase due to the influence of fruits and vegetables that were originally supposed to be traded on the market holiday.
- FIG. 3 shows the predicted value and actual value of the trading volume of fruits and vegetables when there are no market holidays.
- the main factor for fluctuations in the trading volume of fruits and vegetables is the season of fruits and vegetables (for example, annual seasonal fluctuations), and it can be seen that it is influenced by this. Therefore, as shown in FIG. 3, when there are no market holidays, it is possible to predict the trading volume of fruits and vegetables with high accuracy using the time-series prediction model.
- FIG. 4, FIG. 5, and FIG. 6 show the predicted value and actual value of the transaction volume of fruit and vegetables when there is a market holiday. If there is a market holiday, the amount of fruits and vegetables traded on the day the market is closed is 0, and the amount of fruits and vegetables that were originally supposed to be traded on the day the market is closed will be traded in the market on the next business day. Furthermore, the amount of fruits and vegetables that were originally supposed to be traded on market holidays often varies depending on the type of fruits and vegetables.
- the examples shown in FIGS. 4 to 6 are predicted values and actual values of transaction amounts of different types of fruits and vegetables, respectively.
- the example shown in FIG. 4 is an example of the predicted value and the actual value of the transaction volume of fruits and vegetables when the amount of fruits and vegetables that are 0 times as much as those received on a business day are received on a market holiday.
- the example shown in FIG. 5 is an example of predicted values and actual values of the transaction volume of fruits and vegetables when 0.4 times the amount of fruits and vegetables that are received on a business day are received on a market holiday.
- the example shown in FIG. 6 is an example of predicted values and actual values of the transaction volume of fruits and vegetables when 0.8 times the amount of fruits and vegetables that are received on a business day are received on a market holiday.
- a market-free day filter is generated that takes into account the presence of market-free days, and the predicted value of the product's transaction volume output from a transaction volume prediction model that predicts the product's trade volume using the market-closed day filter. Correct. This makes it possible to accurately predict the daily transaction volume of products while taking into account the existence of market holidays.
- FIG. 7 is a block diagram showing an example of the hardware configuration of the transaction volume prediction model generation device 10 according to the present embodiment.
- the transaction volume prediction model generation device 10 includes a CPU (Central Processing Unit) 11, a ROM (Read Only Memory) 12, a RAM (Random Access Memory) 13, a storage 14, an input section 15, and a display section 1. 6 , and a communication interface (I/F) 17. Each component is communicably connected to each other via a bus 18.
- CPU Central Processing Unit
- ROM Read Only Memory
- RAM Random Access Memory
- storage 14 an input section 15, and a display section 1. 6
- I/F communication interface
- the CPU 11 is a central processing unit that executes various programs and controls various parts. That is, the CPU 11 reads a program from the ROM 12 or the storage 14 and executes the program using the RAM 13 as a work area. The CPU 11 controls each of the above components and performs various arithmetic operations according to programs stored in the ROM 12 or the storage 14. In this embodiment, the ROM 12 or the storage 14 stores a transaction volume prediction model generation program for executing transaction volume prediction model generation processing.
- the ROM 12 stores various programs and various data.
- the RAM 13 temporarily stores programs or data as a work area.
- the storage 14 is configured with an HDD (Hard Disk Drive) or an SSD (Solid State Drive), and stores various programs including an operating system and various data.
- the input unit 15 includes a pointing device such as a mouse and a keyboard, and is used to perform various inputs to the own device.
- the display unit 16 is, for example, a liquid crystal display, and displays various information.
- the display section 16 may adopt a touch panel method and function as the input section 15.
- the communication interface 17 is an interface for the self-device to communicate with other external devices.
- a wired communication standard such as Ethernet (registered trademark) or FDDI (Fiber Distributed Data Interface)
- a wireless communication standard such as 4G, 5G, or Wi-Fi (registered trademark) is used.
- a general-purpose computer device such as a server computer or a personal computer (PC) is applied to the transaction volume prediction model generation device 10 according to the present embodiment.
- PC personal computer
- FIG. 8 is a block diagram showing an example of the functional configuration of the transaction volume prediction model generation device 10 according to the present embodiment.
- the transaction volume prediction model generation device 10 includes a data storage section 100, a learning acquisition section 102, a learning filter generation section 104, a market holiday filter storage section 105, and a learning data generation section. 106, a model generation unit 108, and a transaction volume prediction model storage unit 109.
- Each functional configuration is realized by the CPU 11 reading out a transaction volume prediction model generation program stored in the ROM 12 or the storage 14, loading it into the RAM 13, and executing it.
- the data storage unit 100 stores various data for generating a transaction volume prediction model. Specifically, the data storage unit 100 stores market holiday arrival coefficient data ⁇ [0,1], market holiday flag data x 1:t in the learning period, and transaction volume data y 1:t in the learning period. has been done.
- the market holiday arrival coefficient data ⁇ is a coefficient related to the amount of products arriving in consideration of the existence of market holidays.
- the market holiday arrival coefficient data ⁇ is a parameter specific to the type or production area of fruits and vegetables, and can be arbitrarily set as a fixed value or a function of the date t. If the market holiday arrival coefficient data ⁇ is unknown, it can be treated as a hyperparameter and searched for when training the transaction volume prediction model.
- the market holiday flag data x1 :t is vector data having flags representing market holiday days as elements.
- the market holiday flag data x 1:t has as elements a flag in which 0 indicates a market holiday and 1 indicates a business day.
- the market holiday flag data x1 :t is expressed by the following formula. Note that 1:t corresponds to the learning period. k represents an arbitrary date in learning period 1:t.
- the trading volume data y1:t is vector data having each day's trading volume of the product in the market as an element.
- the learning acquisition unit 102 acquires, from the data storage unit 100, product transaction volume data y 1:t , market holiday flag data x 1:t , and market holiday arrival coefficient data ⁇ during the learning period.
- the learning filter generation unit 104 Based on the market holiday flag data x1 :t acquired by the learning acquisition unit 102 and the market holiday arrival coefficient data ⁇ , the learning filter generation unit 104 generates a coefficient for the transaction volume of the product taking into account the presence of market holidays. Market holiday filter data g1 :t+1 having as an element is generated.
- the learning filter generation unit 104 first generates inverted flag data by inverting the values of each element of the market holiday flag data x1 :t . Then, the learning filter generation unit 104 generates weighted inversion flag data ⁇ x 1: Generate t- .
- FIG. 9 shows a diagram for explaining the generation of market holiday filter data g1 :t+1 .
- the example shown in FIG. 9 is a diagram for explaining the processing when generating the market holiday filter data g1 :9 .
- the items shown in FIG. 9 represent dates.
- the learning filter generation unit 104 inverts the value of each element of the market holiday flag data x1 :t , and then multiplies it by the coefficient of the market holiday arrival coefficient data ⁇ . As a result, weighted inversion flag data ⁇ x 1:9 ⁇ is generated.
- the learning filter generation unit 104 generates, for each weighted inversion value of the weighted inversion flag data ⁇ x 1:t - , a location corresponding to a later date than the day represented by the location where the weighted inversion value is located. By adding the weighted inversion value to the location corresponding to the earliest day and where the flag of the market holiday flag data x 1:t is 1, the market holiday day is determined. Filter data g1 :t+1 is generated.
- the learning filter generation unit 104 selects l out of x l that satisfies x ⁇ l ⁇ t , Find x l_min , which is the minimum value. Then, the learning filter generation unit 104 uses the vector g 1:t+1 obtained by adding ⁇ x k ⁇ to x l_min as market-free filter data.
- the learning data generation unit 106 generates each piece of sample transaction volume data, which is transaction volume data for a predetermined period, from the transaction volume data y1 :t and the market holiday flag data x1 :t acquired by the learning acquisition unit 102. and sample closed day filter data, which is market closed day filter data for a predetermined period, and create learning data that associates the sample transaction volume data with the correct value data of the transaction volume on a date later than the last day of the predetermined period. generate.
- the learning data generation unit 106 divides the transaction volume data y 1:t and the market holiday flag data x 1:t by the window width w, and generates sample transaction volume data and sample market holiday filter data. Each combination of the above is generated as learning data.
- the model generating unit 108 Based on the learning data generated by the learning data generating unit 106, the model generating unit 108 generates a data on the last day of the predetermined period 1:t when sample transaction volume data y1 :t is input to the transaction volume prediction model f. The predicted value data y w ⁇ of the transaction volume at a later date is generated. Then, based on the learning data generated by the learning data generating unit 106, the model generating unit 108 calculates the product g w ⁇ y w of the sample market holiday filter data g w and the transaction volume predicted value data y w ⁇ .
- the trading volume prediction model f is set so that the loss function L (y w , g w ⁇ y w ⁇ ), which represents the difference between the correct value data y w of the trading volume at a later date than the last day of the predetermined period, is small. generate.
- L loss function
- a neural network can be used as the transaction volume prediction model f.
- a known algorithm can be employed as the machine learning algorithm.
- a loss function L (y w , g w ⁇ y w ⁇ ) representing the difference from y w is used.
- the mean absolute error (MAE) shown in the following equation (1) can be used.
- MASE mean absolute scaled error
- the transaction volume prediction model f needs to be a normal time series prediction model.
- 0, so the predicted value of the market holiday is not reflected in the value of the loss function.
- the transaction volume prediction model f does not take into account market holidays, but instead learning as a time series model.
- the transaction volume prediction model storage unit 109 stores the transaction volume prediction model f generated by the model generation unit 108.
- FIG. 10 is a flowchart illustrating an example of the flow of processing by the transaction volume prediction model generation program according to the present embodiment. Processing by the transaction volume prediction model generation program is realized by the CPU 11 of the transaction volume prediction model generation device 10 writing the transaction volume prediction model generation program stored in the ROM 12 or storage 14 into the RAM 13 and executing it.
- step S100 in FIG. 10 the CPU 11, as the learning acquisition unit 102, acquires various data from the data storage unit 100. Specifically, the CPU 11, as the learning acquisition unit 102, obtains from the data storage unit 100 transaction volume data y1:t of products during the learning period, market holiday flag data x1:t , market holiday arrival coefficient data ⁇ , and get.
- step S102 the CPU 11, as the learning filter generation unit 104, generates the market holiday filter data g1: t+1 based on the market holiday flag data x1 :t acquired in step S100 and the market holiday arrival coefficient data ⁇ . generate. Then, the CPU 11 stores the non-market day filter data g1 :t+1 in the non-market day filter storage section 105 as the learning filter generation section 104.
- step S104 the CPU 11, as the learning data generation unit 106, extracts a sample transaction, which is the transaction volume data for a predetermined period, from the transaction volume data y1: t acquired in step S100 and the market holiday flag data x1 :t. While generating each of the volume data and each of the sample closed day filter data, which is the closed day filter data of the predetermined period, the sample transaction volume data y 1:w-1 and the transaction volume of the day after the last day of the predetermined period are generated. Learning data in which correct value data y and w are associated is generated.
- step S106 the CPU 11, as the model generation unit 108, calculates the product gw ⁇ y of the sample market holiday filter data gw and the transaction volume predicted value data yw ⁇ based on the learning data generated in step S104 .
- the trading volume prediction model f is learned so that the loss function L ( y w , g w ⁇ y w ⁇ ), which represents the difference between w ⁇ and the correct value data y w of the trading volume at a later date than the last day of the predetermined period, is small. By doing so, a transaction volume prediction model f is generated.
- step S108 the CPU 11, as the model generation unit 108, determines whether the transaction volume prediction model f learned in step S106 satisfies a predetermined condition. For example, it is determined whether the number of learning times of the transaction volume prediction model f has reached a preset upper limit, or whether the generalization error of the transaction volume prediction model f has reached a preset lower limit.
- the CPU 11, as the model generation unit 108 determines that the predetermined condition is satisfied, the process proceeds to step S110.
- the CPU 11 determines that the predetermined condition is not satisfied, the CPU 11 returns to step S106 and repeats the learning process.
- step S110 the CPU 11, as the model generation unit 108, stores the transaction volume prediction model f obtained in step S106 in the transaction volume prediction model storage unit 109, and ends the series of processing by the transaction volume prediction model generation program.
- FIG. 11 is a block diagram showing an example of the hardware configuration of the transaction amount prediction device 20 according to the present embodiment.
- the transaction volume prediction device 20 includes a CPU 21, a ROM 22, a RAM 23, a storage 24, an input section 25, a display section 26, and a communication interface (I/F) 27. Each component is communicably connected to each other via a bus 28.
- the CPU 21 is a central processing unit that executes various programs and controls various parts. That is, the CPU 21 reads a program from the ROM 22 or the storage 24 and executes the program using the RAM 23 as a work area. The CPU 21 controls each of the above components and performs various arithmetic operations according to programs stored in the ROM 22 or the storage 24. In this embodiment, the ROM 22 or the storage 24 stores a transaction amount prediction program for executing transaction amount prediction processing.
- the ROM 22 stores various programs and various data.
- the RAM 23 temporarily stores programs or data as a work area.
- the storage 24 is configured by an HDD or an SSD, and stores various programs including an operating system and various data.
- the input unit 25 includes a pointing device such as a mouse and a keyboard, and is used to perform various inputs to the own device.
- the display unit 26 is, for example, a liquid crystal display, and displays various information.
- the display section 26 may employ a touch panel system and function as the input section 25.
- the communication interface 27 is an interface for the self-device to communicate with other external devices.
- a wired communication standard such as Ethernet (registered trademark) or FDDI
- a wireless communication standard such as 4G, 5G, or Wi-Fi (registered trademark) is used.
- a general-purpose computer device such as a server computer or a personal computer (PC) is applied to the transaction volume prediction device 20 according to the present embodiment.
- the transaction volume prediction model generation device 10 and the transaction volume prediction device 20 are shown as separate devices, but the transaction volume prediction model generation device 10 and the transaction volume prediction device 20 are shown as one device. It may be realized.
- FIG. 12 is a block diagram showing an example of the functional configuration of the transaction volume prediction device 20 according to the present embodiment.
- the transaction volume prediction device 20 includes a data storage section 200, an acquisition section 202, a filter generation section 204, a transaction volume prediction model storage section 205, and a prediction section 206 as functional configurations.
- Each functional configuration is realized by the CPU 21 reading out a transaction volume prediction program stored in the ROM 22 or the storage 24, loading it into the RAM 23, and executing it.
- the data storage unit 200 stores various types of data used when predicting the transaction volume of products on the prediction target date. Specifically, the data storage unit 100 stores market holiday arrival coefficient data ⁇ [0,1], market holiday flag data x t+1:t+w+1 in the target period, and transaction volume data y t+1 up to just before the forecast target date. :t+w is stored.
- the filter generation unit 204 generates market holiday filter data g t+1:t+w+1 in the target period t+1:t+w+1 based on the market holiday flag data x t+ 1:t+w+1 acquired by the acquisition unit 202 and the market holiday arrival coefficient data ⁇ . do. Specifically, the filter generation unit 204 generates market-free day filter data g t+1:t+w+1 in the target period t+1: t+w+1 using the same algorithm as the learning filter generation unit 104 described above.
- the transaction volume prediction model storage unit 205 stores the learned transaction volume prediction model f generated by the transaction volume prediction model generation device 10 described above.
- the prediction unit 206 inputs the transaction volume data y t+1:t+ w obtained by the acquisition unit 202 up to the prediction target date into the transaction volume prediction model f stored in the transaction volume prediction model storage unit 205. By doing so, the predicted value data f(y t+1:t+w ) of the transaction volume of the product on the prediction target date output from the transaction volume prediction model f is obtained.
- the data output from the transaction volume prediction model f is predicted value data of the transaction volume of a product on one prediction target date, but the data is not limited to this.
- the transaction volume prediction model f may be configured to output predicted value data of the transaction volume of a product on a plurality of prediction target dates in the prediction target period.
- the prediction unit 206 multiplies the predicted value data f(y t+1:t+w ) of the product transaction volume on the acquired prediction target day by the element of the prediction target day in the market holiday filter data g t+1:t+w+1 . According to the following formula, predicted value data y ⁇ t+w+1 of the trading volume of the product taking into account market holidays is generated.
- the prediction unit 206 outputs the predicted value data of the transaction volume of the product on a plurality of prediction target dates in the prediction target period.
- the element product also referred to as the Hadamard product
- the prediction unit 206 outputs, as a result, predicted value data y ⁇ t+w+1 of the transaction volume of the product in consideration of market holidays.
- FIG. 13 is a flowchart showing an example of the flow of processing by the transaction volume prediction program according to the present embodiment. Processing by the transaction amount prediction program is realized by the CPU 21 of the transaction amount prediction device 20 writing the transaction amount prediction program stored in the ROM 22 or the storage 24 into the RAM 23 and executing it.
- step S200 of FIG. 13 the CPU 21, as the acquisition unit 202, retrieves from the data storage unit 200 the market holiday arrival coefficient data ⁇ , the market holiday flag data x t+1:t+w+1 in the target period, and the transactions up to immediately before the prediction target date. Obtain quantity data y t+1:t+w .
- step S202 the CPU 21, as the filter generation unit 204, generates market holiday filter data in the target period t+1:t+w+1 based on the market holiday flag data x t+1:t+w+1 acquired in step S200 and the market holiday arrival coefficient data ⁇ .
- g t+1 Generate t+w+1 .
- step S204 the CPU 21, as the prediction unit 206, reads out the transaction volume prediction model f stored in the transaction volume prediction model storage unit 205.
- step S206 the CPU 21, as the prediction unit 206, inputs the transaction volume data yt+1:t+w up to the prediction target date obtained in step S200 to the transaction volume prediction model f read out in step S204. , obtain the predicted value data f(y t+1:t+w ) of the transaction volume of the product on the prediction target date output from the transaction volume prediction model f.
- step S208 the CPU 21, as the prediction unit 206, uses the predicted value data f(y t+1:t+w ) of the transaction volume of the product on the prediction target date acquired in step S206 and the market holiday filter data g t+1:t+w+1 on the prediction target date. By multiplying by the factor, predicted value data y ⁇ t+w+1 of the transaction volume of the product is generated, taking into account market holidays.
- step S210 the CPU 21, as the prediction unit 206, outputs as a result the predicted value data y ⁇ t+w+1 of the transaction volume of the product in consideration of the market holidays generated in step S208.
- the CPU 21, as the prediction unit 206 outputs the predicted value data y ⁇ t+w+1 of the transaction volume of the product to the display unit 26, and ends the series of processing by the transaction volume prediction program.
- the trading volume prediction model generation device acquires trading volume data that has as an element the trading volume of each day of a product in the market, and market holiday flag data that has as an element a flag indicating a market holiday. do.
- the transaction volume prediction model generation device generates a coefficient for the transaction volume taking into account the existence of market holidays, based on the market holiday flag data and the market holiday arrival coefficient data, which is a coefficient related to the arrival amount of products taking into account the existence of market holidays.
- Generate market closed day filter data that has as an element.
- the transaction volume prediction model generation device generates sample transaction volume data, which is transaction volume data for a predetermined period, and sample non-market day filter data, which is market holiday filter data for a predetermined period, from the transaction volume data and market holiday flag data.
- the trading volume prediction model generation device generates, based on the learning data, the predicted trading volume data for a day after the last day of a predetermined period and the sample market holiday filter data when the sample trading volume data is input into the trading volume prediction model.
- the loss function that represents the difference between the inner product of Generate a transaction volume prediction model for prediction.
- L (y w , g w ⁇ y w ⁇ ) that represents the difference between .
- the transaction volume prediction device 20 acquires market holiday arrival coefficient data, market holiday flag data in the target period, and transaction volume data up to just before the prediction target date.
- the transaction volume prediction device 20 generates market holiday filter data for the target period based on market holiday flag data and market holiday arrival coefficient data.
- the transaction volume prediction device 20 inputs the transaction volume data up to the day immediately before the prediction target date into the transaction volume prediction model generated by the transaction volume prediction model generation device 10.
- the transaction volume prediction device 20 multiplies the predicted value data of the product transaction volume on the acquired prediction target date by the element of the prediction target day in the market holiday filter data, thereby calculating the transaction volume in consideration of the market holiday.
- Generate predicted value data This makes it possible to predict the daily transaction volume of products by taking into account the influence of market holidays.
- the present embodiment in the event that the amount of arrivals on market holidays differs depending on the product type, by setting the market holiday arrival coefficient ⁇ to an appropriate value, the degree of arrival on market holidays for each product type can be adjusted. Differences can also be taken into account.
- the present embodiment has been described using an example in which the products to be traded are fruits and vegetables traded in a fruit and vegetable market, the present invention is not limited to this.
- the technology according to this embodiment is applicable to products other than fruits and vegetables, as long as they have the characteristics that "products arrive on market holidays" and "products received on market holidays are accumulated until the next business day", similar to fruits and vegetables. It is also applicable to For example, the technology according to this embodiment is also applicable to marine products, livestock products, and the like.
- [data set] The data used was artificial data that imitated transaction data from fruit and vegetable markets.
- artificial data was generated by adding noise with a random walk to a sine wave with a period of 1 year (however, 0 or less is set to 0). Additionally, the annual volatility was set at 15%.
- six pieces of data were generated by changing the arrival ratio of products on market holidays in six stages: [0.0, 0.2, 0.4, 0.6, 0.8, 1.0].
- the notations in FIG. 14 are d0.0, d0.2, d0.4, d0.6, d0.8, and d1.0, respectively).
- evaluation index The loss functions used for the evaluation index include MASE (Mean Absolute Scaled Error), MAPE (Mean Absolute Percentage Error), MAE (Mean Absolute Error), and RMSE (Root Mean S Square Error) was used. Note that for MAE, the improvement rate compared to plain was calculated.
- FIG. 14 shows the result of "plain: Use the transaction amount as is (do nothing)".
- FIG. 15 shows the results of "linear: Use transaction volume obtained by linearly interpolating market holiday days.”
- FIG. 17 is a table summarizing the results of each experiment.
- the MAE is improved (17% to 66%) in terms of plain ratio in all patterns from d0.0 to d1.0. I understand that.
- the MAE improvement rate at d0.0 is high (83%), but it improves as the degree of arrival of products on market holidays increases. It can be seen that the MAE is worse (-6%) than when nothing is done at d1.0.
- processors other than the CPU 11 may execute the transaction volume prediction model generation process that the CPU 11 reads and executes the transaction volume prediction model generation program in the above embodiment.
- the processor in this case is a PLD (Programmable Logic Device) whose circuit configuration can be changed after manufacturing, such as an FPGA (Field-Programmable Gate Array), and an ASIC (Application Specific Intel).
- FPGA Field-Programmable Gate Array
- ASIC Application Specific Intel
- An example is a dedicated electric circuit that is a processor having a specially designed circuit configuration.
- the transaction volume prediction model generation process may be executed by one of these various processors, or by a combination of two or more processors of the same type or different types (for example, multiple FPGAs, and a CPU and FPGA). It may also be executed in combination with Further, the hardware structure of these various processors is, more specifically, an electric circuit that is a combination of circuit elements such as semiconductor elements. The same applies to the transaction amount prediction program executed by the CPU 21.
- the transaction volume prediction model generation program is stored in advance (also referred to as “installed") in the ROM 12 or the storage 14, but the present invention is not limited to this.
- the transaction volume prediction model generation program uses CD-ROM (Compact Disk Read Only Memory), DVD-ROM (Digital Versatile Disk Read Only Memory), and USB (Universal Non-transitory storage such as rsal (Serial Bus) memory It may also be provided in a form stored on a medium. Further, the transaction volume prediction model generation program may be downloaded from an external device via a network. The same applies to the transaction amount prediction program executed by the CPU 21.
- the processor includes: Obtain transaction volume data that has as an element the trading volume of each day of the product in the market, and market holiday flag data that has as an element a flag representing a market holiday, Based on the acquired market holiday flag data and the market holiday arrival coefficient data, which is a coefficient regarding the amount of products received in consideration of the presence of market holidays, the coefficient for the transaction volume taking into account the presence of market holidays is used as an element. Generate market closed day filter data with From the acquired transaction volume data and the market holiday flag data, each of the sample transaction volume data that is the transaction volume data for a predetermined period and the sample market holiday filter data that is the market holiday filter data for the predetermined period are calculated.
- a trading volume prediction model generation device configured as follows.
- the processor includes: Obtaining the market holiday arrival coefficient data, the market holiday flag data in the target period, and the transaction volume data up to immediately before the forecast target date, generating the market holiday filter data for the target period based on the acquired market holiday flag data and the market holiday arrival coefficient data;
- the transaction volume prediction model is generated by inputting the acquired transaction volume data up to immediately before the prediction target date into the transaction volume prediction model generated by the transaction volume prediction model generation method described in Supplementary Note 1.
- the predicted value data of the transaction volume of the product on the prediction target date output from is obtained, and the predicted value data of the product trade volume on the prediction target date and the elements of the prediction target day in the market holiday filter data. generating predicted value data of the trading volume in consideration of market holidays by multiplying by A trading volume prediction device configured as follows.
- the transaction volume prediction model generation process includes: Obtain transaction volume data that has as an element the trading volume of each day of the product in the market, and market holiday flag data that has as an element a flag representing a market holiday, Based on the acquired market holiday flag data and the market holiday arrival coefficient data, which is a coefficient regarding the amount of products received in consideration of the presence of market holidays, the coefficient for the transaction volume taking into account the presence of market holidays is used as an element.
- each of the sample transaction volume data that is the transaction volume data for a predetermined period and the sample market holiday filter data that is the market holiday filter data for the predetermined period are calculated.
- Non-transitory storage medium
- a non-transitory storage medium storing a program executable by a computer to perform transaction volume prediction processing,
- the transaction volume prediction process is Obtaining the market holiday arrival coefficient data, the market holiday flag data in the target period, and the transaction volume data up to immediately before the forecast target date, generating the market holiday filter data for the target period based on the acquired market holiday flag data and the market holiday arrival coefficient data;
- the transaction volume prediction model is generated by inputting the acquired transaction volume data up to immediately before the prediction target date into the transaction volume prediction model generated by the transaction volume prediction model generation method described in Supplementary Note 3.
- the predicted value data of the transaction volume of the product on the prediction target date output from is obtained, and the predicted value data of the product trade volume on the prediction target date and the elements of the prediction target day in the market holiday filter data. generating predicted value data of the trading volume in consideration of market holidays by multiplying by Non-transitory storage medium.
- Transaction volume prediction model generation device 11
- CPU 12 22
- ROM 13 23
- RAM 14 24
- Storage 15 25
- Input section 16 26
- Transaction volume prediction device 100 200
- Data storage unit 102
- Learning acquisition unit 104
- Learning filter generation unit 105
- Market holiday filter storage unit 106
- Learning data generation unit 108
- Model generation unit 109
- Transaction volume prediction model storage Section 202 Acquisition section
- Filter generation section 206 Prediction section
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
取引量予測モデル生成装置は、市場における商品の各日の取引量を要素として持つ取引量データと、市場の休市日を表すフラグを要素として持つ休市日フラグデータとを取得する学習用取得部と、休市日フラグデータと、休市日の存在を考慮した商品の入荷量に関する係数である休市日入荷係数データとに基づいて、休市日の存在を考慮した取引量に対する係数を要素として持つ休市日フィルタデータを生成する学習用フィルタ生成部と、取引量データと休市日フラグデータとから学習用データを生成する学習用データ生成部と、学習用データに基づいて損失関数が小さくなるように、所定期間の取引量データから所定期間の末日よりも後日の取引量を予測するための取引量予測モデルを生成するモデル生成部と、を備える。
Description
開示の技術は、取引量予測モデル生成装置、取引量予測装置、取引量予測モデル生成方法、取引量予測方法、取引量予測モデル生成プログラム、及び取引量予測プログラムに関する。
青果物の卸売市場では、産地からの商品の仕入れに関する情報と仲卸からの注文に関する情報を照らし合わせて、商品毎に数量又は価格を決定する取引が行われている。商品毎に数量又は価格を決定する取引は、相対取引とも称される。
商品の安定供給のためには日次の取引量の予測が必要となる。商品の供給量の不足が見込まれる場合、不足分を他市場から仕入れることによる事前対処が可能となる。商品の不足分を他市場から仕入れることは、市場間融通とも称される。
例えば、非特許文献１には、小売店における生鮮食品の日次売上予測をする技術が開示されている。非特許文献１では、需要に影響を与える外的要因を考慮するため、外生変数付きのSARIMAXモデルが使用されている。なお、非特許文献１のSARIMAXモデルにおいては、外生変数として、商品の売れ行きのトレンド、季節性、休日、天気、及び同種の新商品の導入等が考慮されている。また、非特許文献１のSARIMAXモデルにおいては、祝日又は祭事の期間中に欠落した売上データは、周期性の整合性を保つために、線形補間を用いた推定値により補完されている。
ARUNRAJ, Nari Sivanandam; AHRENS, Diane; FERNANDES, Michael,"Application of SARIMAX model to forecast daily sales in food retail industry.",International Journal of Operations Research and Information Systems (IJORIS), 2016, 7.2: 1-21.
上記非特許文献１の手法では、月次の取引量を学習し、予測しているため、月単位の取引量の合計を予測する場合は休市日の影響は小さいと考えられる。
しかし、上記非特許文献１の手法を利用して商品の日次の取引量を予測しようとしても、休市日の影響があるため難しい、という点がある。具体的には、休市日における取引量は０となるが、商品の種類によっては一定量の入荷がある。このため、休市日明けの翌営業日では、当日届いた商品の取引に加えて休市日に入荷された商品の取引も行われるため、そのぶんの取引量が増加する、という事情がある。
このような日次の取引量の不規則な変動は、データの周期性又はトレンド性に着目した時系列予測モデル（例えば、SARIMAX等）によるモデル化及び予測を困難にする。
開示の技術は、上記の点に鑑みてなされたものであり、休市日の影響を考慮して商品の日次の取引量を予測することができる取引量予測モデル生成装置、取引量予測装置、取引量予測モデル生成方法、取引量予測方法、取引量予測モデル生成プログラム、及び取引量予測プログラムを提供することを目的とする。
本開示の第１態様は、取引量予測モデル生成装置であって、市場における商品の各日の取引量を要素として持つ取引量データと、市場の休市日を表すフラグを要素として持つ休市日フラグデータとを取得する学習用取得部と、前記学習用取得部により取得された前記休市日フラグデータと、休市日の存在を考慮した商品の入荷量に関する係数である休市日入荷係数データとに基づいて、休市日の存在を考慮した前記取引量に対する係数を要素として持つ休市日フィルタデータを生成する学習用フィルタ生成部と、前記学習用取得部により取得された前記取引量データと前記休市日フラグデータとから、所定期間の前記取引量データであるサンプル取引量データの各々と、前記所定期間の前記休市日フィルタデータであるサンプル休市日フィルタデータの各々とを取得し、前記サンプル取引量データと前記所定期間の末日よりも後日の取引量の正解値データとを関連付けた学習用データを生成する学習用データ生成部と、前記学習用データ生成部により生成された前記学習用データに基づいて、前記サンプル取引量データを取引量予測モデルへ入力した際の、前記所定期間の末日よりも後日の取引量の予測値データと前記サンプル休市日フィルタデータとの内積と、前記所定期間の末日よりも後日の取引量の正解値データとの差を表す損失関数が小さくなるように、前記所定期間の前記取引量データから前記所定期間の末日よりも後日の取引量を予測するための前記取引量予測モデルを生成するモデル生成部と、を備える。
本開示の第２態様は、取引量予測装置であって、前記休市日入荷係数データと、対象期間における前記休市日フラグデータと、予測対象日の直前までの前記取引量データを取得する取得部と、前記取得部により取得された前記休市日フラグデータと、前記休市日入荷係数データとに基づいて、対象期間における前記休市日フィルタデータを生成するフィルタ生成部と、第１態様に記載の取引量予測モデル生成装置によって生成された前記取引量予測モデルに対して、前記取得部により取得された予測対象日の直前までの前記取引量データを入力することにより、前記取引量予測モデルから出力された前記予測対象日における商品の取引量の予測値データを取得し、取得した前記予測対象日における商品の取引量の予測値データと前記休市日フィルタデータにおける前記予測対象日の要素とを乗算することにより、市場の休市日を考慮した前記取引量の予測値データを生成する予測部と、を備える。
本開示の第３態様は、取引量予測モデル生成方法であって、市場における商品の各日の取引量を要素として持つ取引量データと、市場の休市日を表すフラグを要素として持つ休市日フラグデータとを取得し、取得された前記休市日フラグデータと、休市日の存在を考慮した商品の入荷量に関する係数である休市日入荷係数データとに基づいて、休市日の存在を考慮した前記取引量に対する係数を要素として持つ休市日フィルタデータを生成し、取得された前記取引量データと前記休市日フラグデータとから、所定期間の前記取引量データであるサンプル取引量データの各々と、前記所定期間の前記休市日フィルタデータであるサンプル休市日フィルタデータの各々とを取得し、前記サンプル取引量データと前記所定期間の末日よりも後日の取引量の正解値データとを関連付けた学習用データを生成し、生成された前記学習用データに基づいて、前記サンプル取引量データを取引量予測モデルへ入力した際の、前記所定期間の末日よりも後日の取引量の予測値データと前記サンプル休市日フィルタデータとの内積と、前記所定期間の末日よりも後日の取引量の正解値データとの差を表す損失関数が小さくなるように、前記所定期間の前記取引量データから前記所定期間の末日よりも後日の取引量を予測するための前記取引量予測モデルを生成する。
本開示の第４態様は、取引量予測方法であって、前記休市日入荷係数データと、対象期間における前記休市日フラグデータと、予測対象日の直前までの前記取引量データを取得し、取得された前記休市日フラグデータと、前記休市日入荷係数データとに基づいて、対象期間における前記休市日フィルタデータを生成し、第３態様に記載の取引量予測モデル生成方法によって生成された前記取引量予測モデルに対して、取得された予測対象日の直前までの前記取引量データを入力することにより、前記取引量予測モデルから出力された前記予測対象日における商品の取引量の予測値データを取得し、取得した前記予測対象日における商品の取引量の予測値データと前記休市日フィルタデータにおける前記予測対象日の要素とを乗算することにより、市場の休市日を考慮した前記取引量の予測値データを生成する。
本開示の第５態様は、取引量予測モデル生成プログラムであって、市場における商品の各日の取引量を要素として持つ取引量データと、市場の休市日を表すフラグを要素として持つ休市日フラグデータとを取得し、取得された前記休市日フラグデータと、休市日の存在を考慮した商品の入荷量に関する係数である休市日入荷係数データとに基づいて、休市日の存在を考慮した前記取引量に対する係数を要素として持つ休市日フィルタデータを生成し、取得された前記取引量データと前記休市日フラグデータとから、所定期間の前記取引量データであるサンプル取引量データの各々と、前記所定期間の前記休市日フィルタデータであるサンプル休市日フィルタデータの各々とを取得し、前記サンプル取引量データと前記所定期間の末日よりも後日の取引量の正解値データとを関連付けた学習用データを生成し、生成された前記学習用データに基づいて、前記サンプル取引量データを取引量予測モデルへ入力した際の、前記所定期間の末日よりも後日の取引量の予測値データと前記サンプル休市日フィルタデータとの内積と、前記所定期間の末日よりも後日の取引量の正解値データとの差を表す損失関数が小さくなるように、前記所定期間の前記取引量データから前記所定期間の末日よりも後日の取引量を予測するための前記取引量予測モデルを生成する、処理をコンピュータに実行させる。
本開示の第６態様は、取引量予測プログラムであって、前記休市日入荷係数データと、対象期間における前記休市日フラグデータと、予測対象日の直前までの前記取引量データを取得し、取得された前記休市日フラグデータと、前記休市日入荷係数データとに基づいて、対象期間における前記休市日フィルタデータを生成し、第５態様に記載の取引量予測モデル生成プログラムによって生成された前記取引量予測モデルに対して、取得された予測対象日の直前までの前記取引量データを入力することにより、前記取引量予測モデルから出力された前記予測対象日における商品の取引量の予測値データを取得し、取得した前記予測対象日における商品の取引量の予測値データと前記休市日フィルタデータにおける前記予測対象日の要素とを乗算することにより、市場の休市日を考慮した前記取引量の予測値データを生成する、処理をコンピュータに実行させる。
開示の技術によれば、休市日の影響を考慮して商品の日次の取引量を予測することができる、という効果を有する。
以下、開示の技術の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において、同一又は等価な構成要素及び部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。
本実施形態に係る取引量予測モデル生成装置及び取引量予測装置は、休市日の影響を考慮して商品の日次の取引量を予測することにより、商品の日次の取引量を高精度に予測する。
図１は、商品の一例である青果物の取引を説明するための図である。図１に示されているように、青果物の流通過程においては、青果物の産地から市場へと青果物が入荷される。そして、仲卸業者は、市場において青果物を買い付け、その青果物を小売店へ販売する。なお、青果物の種類によっては、市場の休日である休市日であっても市場に対して一定量の入荷がある場合がある。そのため、休市日が存在する場合には、その休市日の翌営業日には市場における青果物の取引量が増加する傾向がある。
図２は、休市日と青果物の取引量との関係を説明するための図である。図２の横軸は日を表し、縦軸は取引量を表す。図２に示されているように、９月１８日と９月１９日が休市日であった場合には、例えば、翌営業日である９月２０日における取引量が増加する。また、図２に示されているように、９月２１日が休市日であった場合には、例えば、翌営業日である９月２２日における取引量が増加する。このように、休市日の翌営業日においては、本来休市日において取引されるはずであった青果物の影響により、休市日の翌営業日における青果物の取引量は増加する傾向がある。
図３には、休市日が存在しない場合の青果物の取引量の予測値及び実績値が示されている。図３に示されているように、青果物の取引量の変動の主要因は、青果物の旬（例えば、年周期の季節変動）であり、その影響を受けていることがわかる。このため、図３に示されているように、休市日が存在しない場合には、時系列予測モデルによって青果物の取引量を高精度に予測することが可能であることがわかる。
一方、図４、図５、及び図６には、休市日が存在する場合の青果物の取引量の予測値及び実績値が示されている。休市日が存在する場合、休市日における青果物の取引量は０となり、休市日において本来取引されるはずだった量の青果物が、翌営業日の市場において取引される。また、休市日において本来取引されるはずだった青果物の量は、青果物の種類によって異なる場合が多い。図４～図６に示されている例は、それぞれ異なる種類の青果物の取引量の予測値及び実績値である。
図４に示す例は、営業日に入荷される０倍の量の青果物が休市日に入荷される場合の青果物の取引量の予測値及び実績値の例である。また、図５に示す例は、営業日に入荷される０．４倍の量の青果物が休市日に入荷される場合の青果物の取引量の予測値及び実績値の例である。図６に示す例は、営業日に入荷される０．８倍の量の青果物が、休市日に入荷される場合の青果物の取引量の予測値及び実績値の例である。
図４～図６に示されているように、休市日が存在する場合において、休市日の存在を考慮しない時系列予測モデルを用いて青果物の取引量を予測したとしても、青果物の取引量の予測値と実績値との間において乖離が発生し、その予測精度は、主に休市日が不規則に発生する期間において低下する。図４～図６においては、矢印の箇所において青果物の取引量の予測精度が低下していることがわかる。
そこで、本実施形態では、休市日の存在を考慮する休市日フィルタを生成し、休市日フィルタを用いて、商品の取引量を予測する取引量予測モデルから出力された商品の取引量の予測値を補正する。これにより、休市日の存在を考慮しつつ、商品の日次の取引量を精度良く予測することができる。
まず、図７を参照して、本実施形態に係る取引量予測モデル生成装置１０のハードウェア構成について説明する。
図７は、本実施形態に係る取引量予測モデル生成装置１０のハードウェア構成の一例を示すブロック図である。
図７に示すように、取引量予測モデル生成装置１０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３、ストレージ１４、入力部１５、表示部１６、及び通信インタフェース（Ｉ／Ｆ）１７を備えている。各構成は、バス１８を介して相互に通信可能に接続されている。
ＣＰＵ１１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４からプログラムを読み出し、ＲＡＭ１３を作業領域としてプログラムを実行する。ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ＲＯＭ１２又はストレージ１４には、取引量予測モデル生成処理を実行するための取引量予測モデル生成プログラムが格納されている。
ＲＯＭ１２は、各種プログラム及び各種データを格納する。ＲＡＭ１３は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ１４は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）又はＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）により構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。
入力部１５は、マウス等のポインティングデバイス、及びキーボードを含み、自装置に対して各種の入力を行うために使用される。
表示部１６は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部１６は、タッチパネル方式を採用して、入力部１５として機能しても良い。
通信インタフェース１７は、自装置が他の外部機器と通信するためのインタフェースである。当該通信には、例えば、イーサネット（登録商標）若しくはＦＤＤＩ（Ｆｉｂｅｒ Ｄｉｓｔｒｉｂｕｔｅｄ Ｄａｔａ Ｉｎｔｅｒｆａｃｅ）等の有線通信の規格、又は、４Ｇ、５Ｇ、若しくはＷｉ－Ｆｉ（登録商標）等の無線通信の規格が用いられる。
本実施形態に係る取引量予測モデル生成装置１０には、例えば、サーバコンピュータ、パーソナルコンピュータ（ＰＣ：Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）等の汎用的なコンピュータ装置が適用される。
次に、図８を参照して、取引量予測モデル生成装置１０の機能構成について説明する。
図８は、本実施形態に係る取引量予測モデル生成装置１０の機能構成の一例を示すブロック図である。
図８に示すように、取引量予測モデル生成装置１０は、機能構成として、データ記憶部１００、学習用取得部１０２、学習用フィルタ生成部１０４、休市日フィルタ記憶部１０５、学習用データ生成部１０６、モデル生成部１０８、及び取引量予測モデル記憶部１０９を備えている。各機能構成は、ＣＰＵ１１がＲＯＭ１２又はストレージ１４に記憶された取引量予測モデル生成プログラムを読み出し、ＲＡＭ１３に展開して実行することにより実現される。
データ記憶部１００には、取引量予測モデルを生成するための各種データが格納されている。具体的には、データ記憶部１００には、休市日入荷係数データα∈［０，１］、学習期間における休市日フラグデータｘ１：ｔ、及び学習期間における取引量データｙ１：ｔが格納されている。
休市日入荷係数データαは、休市日の存在を考慮した商品の入荷量に関する係数である。休市日入荷係数データαは、青果物の種類又は産地固有のパラメータであり、固定値又は日付ｔの関数として任意に設定することができる。休市日入荷係数データαが不明の場合には、ハイパーパラメータとして扱い、取引量予測モデルを学習させる際に併せて探索することもできる。
また、休市日フラグデータｘ１：ｔは、市場の休市日を表すフラグを要素として持つベクトルデータである。休市日フラグデータｘ１：ｔは、休市日が０であり、営業日が１であるフラグを要素として持つ。具体的には、休市日フラグデータｘ１：ｔは、以下の式によって表される。なお、１：ｔは学習期間に相当する。ｋは、学習期間１：ｔにおける任意の日付を表す。
取引量データｙ１：ｔは、市場における商品の各日の取引量を要素として持つベクトルデータである。
学習用取得部１０２は、データ記憶部１００から、学習期間における商品の取引量データｙ１：ｔと休市日フラグデータｘ１：ｔと休市日入荷係数データαとを取得する。
学習用フィルタ生成部１０４は、学習用取得部１０２により取得された休市日フラグデータｘ１：ｔと休市日入荷係数データαとに基づいて、休市日の存在を考慮した商品の取引量に対する係数を要素として持つ休市日フィルタデータｇ１：ｔ＋１を生成する。
具体的には、学習用フィルタ生成部１０４は、まず、休市日フラグデータｘ１：ｔの各要素の値を反転させた反転フラグデータを生成する。そして、学習用フィルタ生成部１０４は、反転フラグデータの各要素に対して休市日入荷係数データαの係数を乗算することにより得られる重み付き反転値を要素として持つ重み付き反転フラグデータαｘ１：ｔ
－を生成する。
図９に、休市日フィルタデータｇ１：ｔ＋１の生成を説明するための図を示す。図９に示されている例は、休市日フィルタデータｇ１：９を生成する際の処理を説明するための図である。なお、図９の例は、学習期間と予測対象日とを統合した期間を表す窓幅ｗ＝９であり、学習期間における商品の取引量データｙ１：８を学習対象のデータとして利用し、ｙ９を予測する場合の例である。図９に示す項目は、日付を表す。
図９に示されているように、まず、学習用フィルタ生成部１０４は、休市日フラグデータｘ１：ｔの各要素の値を反転させた上で休市日入荷係数データαの係数を乗算することにより重み付き反転フラグデータαｘ１：９
－を生成する。
次に、学習用フィルタ生成部１０４は、重み付き反転フラグデータαｘ１：ｔ
－が持つ重み付き反転値の各々について、当該重み付き反転値が位置する箇所が表す日よりも後日に相当する箇所であり、かつ最先の日に相当する箇所であって、かつ休市日フラグデータｘ１：ｔのうちのフラグが１である箇所に対して、重み付き反転値を加算することにより、休市日フィルタデータｇ１：ｔ＋１を生成する。
具体的には、まず、学習用フィルタ生成部１０４は、αｘ１：ｔ
－内の値αを持つ要素αｘｋ
－について、ｘ＜ｌ≦ｔ，ｘｌ＝１を満たすｘｌのうち、ｌが最小のものであるｘｌ＿ｍｉｎを求める。そして、学習用フィルタ生成部１０４は、ｘｌ＿ｍｉｎに対してαｘｋ
－を加算することにより得られたベクトルｇ１：ｔ＋１を休市日フィルタデータとする。
図９の例では、項目を表すｔ＝２の箇所のαｘ２
－がｔ＝３の箇所のｘ３＿ｍｉｎに対して加算され、ｔ＝５の箇所のαｘ５
－とｔ＝６の箇所のαｘ６
－とが、ｔ＝７の箇所のｘ７＿ｍｉｎに対して加算される。また、ｔ＝８の箇所のαｘ８
－がｔ＝９の箇所のｘ９＿ｍｉｎに対して加算される。このようにして、休市日に入荷された商品は、翌営業日の取引量へと加算するような休市日フィルタデータｇ１：ｔ＋１が生成される。
休市日フィルタ記憶部１０５には、学習用フィルタ生成部１０４によって生成された休市日フィルタデータｇ１：ｔ＋１が格納される。ｔ＋１＝ｗでもある。
学習用データ生成部１０６は、学習用取得部１０２により取得された取引量データｙ１：ｔと休市日フラグデータｘ１：ｔとから、所定期間の取引量データであるサンプル取引量データの各々と、所定期間の休市日フィルタデータであるサンプル休市日フィルタデータの各々とを取得し、サンプル取引量データと所定期間の末日よりも後日の取引量の正解値データとを関連付けた学習用データを生成する。
具体的には、学習用データ生成部１０６は、取引量データｙ１：ｔと休市日フラグデータｘ１：ｔとを、窓幅ｗにより分割して、サンプル取引量データとサンプル休市日フィルタデータとの組み合わせの各々を学習用データとして生成する。
モデル生成部１０８は、学習用データ生成部１０６により生成された学習用データに基づいて、サンプル取引量データｙ１：ｔを取引量予測モデルｆへ入力した際の、所定期間１：ｔの末日よりも後日の取引量の予測値データｙｗ＾を生成する。そして、モデル生成部１０８は、学習用データ生成部１０６により生成された学習用データに基づいて、サンプル休市日フィルタデータｇｗと取引量の予測値データｙｗ＾との積ｇｗ・ｙｗ＾と、所定期間の末日よりも後日の取引量の正解値データｙｗとの差を表す損失関数Ｌ（ｙｗ，ｇｗ・ｙｗ＾）が小さくなるように、取引量予測モデルｆを生成する。なお、取引量予測モデルｆとしては、例えば、ニューラルネットワークを利用することができる。また、機械学習アルゴリズムとしては、既知のアルゴリズムを採用することができる。
ここで、本実施形態では、サンプル休市日フィルタデータｇｗと取引量の予測値データｙｗ＾との積ｇｗ・ｙｗ＾と、所定期間の末日よりも後日の取引量の正解値データｙｗとの差を表す損失関数Ｌ（ｙｗ，ｇｗ・ｙｗ＾）を利用する。
例えば、損失関数Ｌ（ｙｗ，ｇｗ・ｙｗ＾）の一種として、以下の式（１）に示す平均絶対誤差（ＭＡＥ：Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｅｒｒｏｒ）を利用することができる。または、例えば、損失関数Ｌ（ｙｗ，ｇｗ・ｙｗ＾）の一種として、以下の式（２）に示す平均絶対スケール誤差（ＭＡＳＥ：Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｓｃａｌｅｄ Ｅｒｒｏｒ）を利用することができる。
（１）
（２）
なお、休市日の影響に関しては休市日フィルタにより実現されるため、取引量予測モデルｆは、通常の時系列予測モデルとする必要がある。
この点、本実施形態では、取引量の予測値データｙｗ＾に代えて積ｇｗ・ｙｗ＾を利用することにより、休市日における予測値に対する損失を０とすることができる。このため、休市日明けの営業日に対する損失からは休市日の入荷量分の影響が除去される。例えば、予測対象日ｉが休日である場合、その取引量データの予測値データｙｉ＾に対する休市日フィルタの要素ｇｉ＝０であるため、予測値データｙｉ＾の値に対してｇｉを乗じることにより、ｇｉ・ｙｉ＾＝０となる。その一方で、目標値である正解データｙｉについては、休市日の実測値であるため、ｙｉ＝０となる。このため、｜ｙｉ－ｇｉ・ｙｉ＾｜＝０となるため、休市日の予測値は損失関数の値に反映されないことになる。
本実施形態では、取引量の予測値データｙｗ＾に代えて積ｇｗ・ｙｗ＾を利用することにより、取引量予測モデルｆは、休市日が考慮されたモデルとはならずに通常の時系列モデルとしての学習がなされる。
取引量予測モデル記憶部１０９には、モデル生成部１０８により生成された取引量予測モデルｆが格納される。
次に、図１０を参照して、本実施形態に係る取引量予測モデル生成装置１０の作用について説明する。
図１０は、本実施形態に係る取引量予測モデル生成プログラムによる処理の流れの一例を示すフローチャートである。取引量予測モデル生成プログラムによる処理は、取引量予測モデル生成装置１０のＣＰＵ１１が、ＲＯＭ１２又はストレージ１４に記憶されている取引量予測モデル生成プログラムをＲＡＭ１３に書き込んで実行することにより、実現される。
図１０のステップＳ１００では、ＣＰＵ１１が、学習用取得部１０２として、データ記憶部１００から各種のデータを取得する。具体的には、ＣＰＵ１１は、学習用取得部１０２として、データ記憶部１００から、学習期間における商品の取引量データｙ１：ｔと休市日フラグデータｘ１：ｔと休市日入荷係数データαとを取得する。
ステップＳ１０２では、ＣＰＵ１１が、学習用フィルタ生成部１０４として、ステップＳ１００で取得された休市日フラグデータｘ１：ｔと休市日入荷係数データαとに基づいて、休市日フィルタデータｇ１：ｔ＋１を生成する。そして、ＣＰＵ１１は、学習用フィルタ生成部１０４として、休市日フィルタデータｇ１：ｔ＋１を休市日フィルタ記憶部１０５に格納する。
ステップＳ１０４では、ＣＰＵ１１が、学習用データ生成部１０６として、ステップＳ１００で取得された取引量データｙ１：ｔと休市日フラグデータｘ１：ｔとから、所定期間の取引量データであるサンプル取引量データの各々と、所定期間の休市日フィルタデータであるサンプル休市日フィルタデータの各々とを生成しつつ、サンプル取引量データｙ１：ｗ－１と所定期間の末日よりも後日の取引量の正解値データｙｗとを関連付けた学習用データを生成する。
ステップＳ１０６では、ＣＰＵ１１が、モデル生成部１０８として、ステップＳ１０４で生成された学習用データに基づいて、サンプル休市日フィルタデータｇｗと取引量の予測値データｙｗ＾との積ｇｗ・ｙｗ＾と所定期間の末日よりも後日の取引量の正解値データｙｗとの差を表す損失関数Ｌ（ｙｗ，ｇｗ・ｙｗ＾）が小さくなるように取引量予測モデルｆを学習させることにより、取引量予測モデルｆを生成する。
ステップＳ１０８では、ＣＰＵ１１が、モデル生成部１０８として、ステップＳ１０６で学習された取引量予測モデルｆが所定の条件を満たしたか否かを判定する。例えば、取引量予測モデルｆの学習回数が予め設定された上限に達したか、又は、取引量予測モデルｆの汎化誤差が予め設定された下限に達したか否かを判定する。ＣＰＵ１１は、モデル生成部１０８として、所定条件が満たされたと判定した場合には、ステップＳ１１０へ進む。一方、ＣＰＵ１１は、モデル生成部１０８として、所定条件が満たされていない判定した場合には、ステップＳ１０６へ戻り、学習処理を繰り返す。
ステップＳ１１０では、ＣＰＵ１１が、モデル生成部１０８として、ステップＳ１０６で得られた取引量予測モデルｆを取引量予測モデル記憶部１０９へ格納し、取引量予測モデル生成プログラムによる一連の処理を終了する。
次に、図１１を参照して、本実施形態に係る取引量予測装置２０のハードウェア構成について説明する。
図１１は、本実施形態に係る取引量予測装置２０のハードウェア構成の一例を示すブロック図である。
図１１に示すように、取引量予測装置２０は、ＣＰＵ２１、ＲＯＭ２２、ＲＡＭ２３、ストレージ２４、入力部２５、表示部２６、及び通信インタフェース（Ｉ／Ｆ）２７を備えている。各構成は、バス２８を介して相互に通信可能に接続されている。
ＣＰＵ２１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ２１は、ＲＯＭ２２又はストレージ２４からプログラムを読み出し、ＲＡＭ２３を作業領域としてプログラムを実行する。ＣＰＵ２１は、ＲＯＭ２２又はストレージ２４に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ＲＯＭ２２又はストレージ２４には、取引量予測処理を実行するための取引量予測プログラムが格納されている。
ＲＯＭ２２は、各種プログラム及び各種データを格納する。ＲＡＭ２３は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ２４は、ＨＤＤ又はＳＳＤにより構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。
入力部２５は、マウス等のポインティングデバイス、及びキーボードを含み、自装置に対して各種の入力を行うために使用される。
表示部２６は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部２６は、タッチパネル方式を採用して、入力部２５として機能しても良い。
通信インタフェース２７は、自装置が他の外部機器と通信するためのインタフェースである。当該通信には、例えば、イーサネット（登録商標）若しくはＦＤＤＩ等の有線通信の規格、又は、４Ｇ、５Ｇ、若しくはＷｉ－Ｆｉ（登録商標）等の無線通信の規格が用いられる。
本実施形態に係る取引量予測装置２０には、例えば、サーバコンピュータ、パーソナルコンピュータ（ＰＣ）等の汎用的なコンピュータ装置が適用される。なお、本実施形態では、取引量予測モデル生成装置１０と取引量予測装置２０とを別々の装置として示しているが、取引量予測モデル生成装置１０と取引量予測装置２０とを１つの装置として実現してもよい。
次に、図１２を参照して、取引量予測装置２０の機能構成について説明する。
図１２は、本実施形態に係る取引量予測装置２０の機能構成の一例を示すブロック図である。
図１２に示すように、取引量予測装置２０は、機能構成として、データ記憶部２００、取得部２０２、フィルタ生成部２０４、取引量予測モデル記憶部２０５、及び予測部２０６を備えている。各機能構成は、ＣＰＵ２１がＲＯＭ２２又はストレージ２４に記憶された取引量予測プログラムを読み出し、ＲＡＭ２３に展開して実行することにより実現される。
データ記憶部２００には、予測対象日における商品の取引量を予測する際に用いられる各種のデータが格納されている。具体的には、データ記憶部１００には、休市日入荷係数データα∈［０，１］、対象期間における休市日フラグデータｘｔ＋１：ｔ＋ｗ＋１、及び予測対象日の直前までの取引量データｙｔ＋１：ｔ＋ｗが格納されている。
取得部２０２は、データ記憶部２００から、休市日入荷係数データαと、対象期間における休市日フラグデータｘｔ＋１：ｔ＋ｗ＋１と、予測対象日の直前までの取引量データｙｔ＋１：ｔ＋ｗを取得する。なお、本実施形態では、予測対象日の直前までの期間ｔ＋１：ｔ＋ｗの取引量データを用いて、予測対象日ｔ＝ｗ＋１での商品の取引量が予測される。
フィルタ生成部２０４は、取得部２０２により取得された休市日フラグデータｘｔ＋１：ｔ＋ｗ＋１と、休市日入荷係数データαとに基づいて、対象期間ｔ＋１：ｔ＋ｗ＋１における休市日フィルタデータｇｔ＋１：ｔ＋ｗ＋１を生成する。具体的には、フィルタ生成部２０４は、上述した学習用フィルタ生成部１０４と同様のアルゴリズムを用いて、対象期間ｔ＋１：ｔ＋ｗ＋１における休市日フィルタデータｇｔ＋１：ｔ＋ｗ＋１を生成する。
取引量予測モデル記憶部２０５には、上述した取引量予測モデル生成装置１０によって生成された学習済みの取引量予測モデルｆが格納されている。
予測部２０６は、取引量予測モデル記憶部２０５に格納されている取引量予測モデルｆに対して、取得部２０２により取得された予測対象日の直前までの取引量データｙｔ＋１：ｔ＋ｗを入力することにより、取引量予測モデルｆから出力された予測対象日における商品の取引量の予測値データｆ（ｙｔ＋１：ｔ＋ｗ）を取得する。
なお、本実施形態では、取引量予測モデルｆから出力されるデータは１つの予測対象日における商品の取引量の予測値データである場合を例に説明するが、これに限定されるものではない。例えば、予測対象期間における複数の予測対象日における商品の取引量の予測値データが取引量予測モデルｆから出力されるように構成されてもよい。
そして、予測部２０６は、取得した予測対象日における商品の取引量の予測値データｆ（ｙｔ＋１：ｔ＋ｗ）と休市日フィルタデータｇｔ＋１：ｔ＋ｗ＋１における予測対象日の要素とを乗算することにより、以下の式に従って、市場の休市日を考慮した商品の取引量の予測値データｙ＾ｔ＋ｗ＋１を生成する。
なお、本実施形態では、１つの予測対象日における商品の取引量の予測値データを生成する場合を例に説明するがこれに限定されるものではない。上述したように、予測対象期間における複数の予測対象日における商品の取引量の予測値データが取引量予測モデルｆから出力される場合には、予測部２０６は、取引量予測モデルｆから出力された予測対象期間における各日の取引量の予測値データと休市日フィルタデータの各日の要素との要素積（アダマール積とも称される。）を計算する。
予測部２０６は、市場の休市日を考慮した商品の取引量の予測値データｙ＾ｔ＋ｗ＋１を結果として出力する。
次に、図１３を参照して、本実施形態に係る取引量予測装置２０の作用について説明する。
図１３は、本実施形態に係る取引量予測プログラムによる処理の流れの一例を示すフローチャートである。取引量予測プログラムによる処理は、取引量予測装置２０のＣＰＵ２１が、ＲＯＭ２２又はストレージ２４に記憶されている取引量予測プログラムをＲＡＭ２３に書き込んで実行することにより、実現される。
図１３のステップＳ２００では、ＣＰＵ２１が、取得部２０２として、データ記憶部２００から、休市日入荷係数データαと、対象期間における休市日フラグデータｘｔ＋１：ｔ＋ｗ＋１と、予測対象日の直前までの取引量データｙｔ＋１：ｔ＋ｗを取得する。
ステップＳ２０２では、ＣＰＵ２１が、フィルタ生成部２０４として、ステップＳ２００で取得された休市日フラグデータｘｔ＋１：ｔ＋ｗ＋１と、休市日入荷係数データαとに基づいて、対象期間ｔ＋１：ｔ＋ｗ＋１における休市日フィルタデータｇｔ＋１：ｔ＋ｗ＋１を生成する。
ステップＳ２０４では、ＣＰＵ２１が、予測部２０６として、取引量予測モデル記憶部２０５に格納されている取引量予測モデルｆを読み出す。
ステップＳ２０６では、ＣＰＵ２１が、予測部２０６として、ステップＳ２０４で読み出した取引量予測モデルｆに対して、ステップＳ２００で取得した予測対象日の直前までの取引量データｙｔ＋１：ｔ＋ｗを入力することにより、取引量予測モデルｆから出力された予測対象日における商品の取引量の予測値データｆ（ｙｔ＋１：ｔ＋ｗ）を取得する。
ステップＳ２０８では、ＣＰＵ２１が、予測部２０６として、ステップＳ２０６で取得した予測対象日における商品の取引量の予測値データｆ（ｙｔ＋１：ｔ＋ｗ）と休市日フィルタデータｇｔ＋１：ｔ＋ｗ＋１における予測対象日の要素とを乗算することにより、市場の休市日を考慮した商品の取引量の予測値データｙ＾ｔ＋ｗ＋１を生成する。
ステップＳ２１０では、ＣＰＵ２１が、予測部２０６として、ステップＳ２０８で生成された市場の休市日を考慮した商品の取引量の予測値データｙ＾ｔ＋ｗ＋１を結果として出力する。例えば、ＣＰＵ２１は、予測部２０６として、商品の取引量の予測値データｙ＾ｔ＋ｗ＋１を例えば表示部２６に出力し、取引量予測プログラムによる一連の処理を終了する。
以上説明したように、取引量予測モデル生成装置は、市場における商品の各日の取引量を要素として持つ取引量データと、市場の休市日を表すフラグを要素として持つ休市日フラグデータとを取得する。取引量予測モデル生成装置は、休市日フラグデータと、休市日の存在を考慮した商品の入荷量に関する係数である休市日入荷係数データとに基づいて、休市日の存在を考慮した取引量に対する係数を要素として持つ休市日フィルタデータを生成する。取引量予測モデル生成装置は、取引量データと休市日フラグデータとから、所定期間の取引量データであるサンプル取引量データの各々と、所定期間の休市日フィルタデータであるサンプル休市日フィルタデータの各々とを取得し、サンプル取引量データと所定期間の末日よりも後日の取引量の正解値データとを関連付けた学習用データを生成する。取引量予測モデル生成装置は、学習用データに基づいて、サンプル取引量データを取引量予測モデルへ入力した際の、所定期間の末日よりも後日の取引量の予測値データとサンプル休市日フィルタデータとの内積と、所定期間の末日よりも後日の取引量の正解値データとの差を表す損失関数が小さくなるように、所定期間の取引量データから所定期間の末日よりも後日の取引量を予測するための取引量予測モデルを生成する。これにより、休市日フィルタを利用して商品の日次の取引量を予測する際の、学習済みの取引量予測モデルを生成することができる。具体的には、サンプル休市日フィルタデータｇｗと取引量の予測値データｙｗ
－との積ｇｗ・ｙｗ＾と、所定期間の末日よりも後日の取引量の正解値データｙｗとの差を表す損失関数Ｌ（ｙｗ，ｇｗ・ｙｗ＾）を利用することにより、休市日の影響が除去され、高精度な予測が可能となる取引量予測モデルを生成することができる。
また、取引量予測装置２０は、休市日入荷係数データと、対象期間における休市日フラグデータと、予測対象日の直前までの取引量データを取得する。取引量予測装置２０は、休市日フラグデータと、休市日入荷係数データとに基づいて、対象期間における休市日フィルタデータを生成する。取引量予測装置２０は、取引量予測モデル生成装置１０によって生成された取引量予測モデルに対して、予測対象日の直前までの取引量データを入力することにより、取引量予測モデルから出力された予測対象日における商品の取引量の予測値データを取得する。そして、取引量予測装置２０は、取得した予測対象日における商品の取引量の予測値データと休市日フィルタデータにおける予測対象日の要素とを乗算することにより、市場の休市日を考慮した取引量の予測値データを生成する。これにより、休市日の影響を考慮して商品の日次の取引量を予測することができる。
また、本実施形態によれば、休市日入荷係数αを適切な値に設定することでデータ毎の休市日における商品の入荷度合いの差異を考慮することもできる。
また、従来技術（例えば、祝日又は祭事の期間中に欠落した売上データを線形補間する技術）では休市日における商品の入荷の増加に従い精度が低下する。これに対し、本実施形態によれば、休市日フィルタデータを利用することにより、休市日の影響を考慮して商品の日次の取引量を精度良く予測することができる。
また、本実施形態によれば、商品の種類によって休市日の入荷量が異なる事象に対して、休市日入荷係数αを適切な値に設定することにより、商品の種類毎の休市日入荷度合いの差異を考慮することもできる。なお、本実施形態では、取引対象の商品が青果市場において取引される青果物である場合を例に説明したが、これに限定されるものではない。本実施形態に係る技術は、青果物と同様に「休市日に入荷が発生する」及び「休市日に入荷された商品が翌営業日まで蓄積される」という性質を有する商品であれば、青果物以外にも適用可能である。例えば、本実施形態に係る技術は、海産物又は畜産物等にも適用可能である。
（実施例）
本実施形態に係る取引量予測処理の精度を以下の実験により評価した。なお、実験の設定条件は以下の通りである。
本実施形態に係る取引量予測処理の精度を以下の実験により評価した。なお、実験の設定条件は以下の通りである。
［比較対象］
本実施例では、各種の手法として、「plain：取引量をそのまま用いる（何もしない）。」、「linear：休市日を線形補間した取引量を用いる。」、及び「proposed（α＝ｘ）：取引量と休市日入荷係数（α＝ｘ）と休市日フラグから生成した休市日フィルタを用いる。」という３つの手法を用いた。
本実施例では、各種の手法として、「plain：取引量をそのまま用いる（何もしない）。」、「linear：休市日を線形補間した取引量を用いる。」、及び「proposed（α＝ｘ）：取引量と休市日入荷係数（α＝ｘ）と休市日フラグから生成した休市日フィルタを用いる。」という３つの手法を用いた。
［データセット］
利用するデータとして、青果物市場の取引データを模倣した人工データを生成した。また、周期１年の正弦波（ただし、０以下は０にする。）にランダムウォークでノイズを加えて人工データを生成した。また、年間のボラティリティを１５％に設定した。さらに、２０１０年～２０１１年の２年間分を生成し、前半１年を学習、後半１年をテストに使用した。そして、「水曜日」と「日曜日」と「祝日」を休市日に指定した。また、休市日における商品の入荷割合を［０．０，０．２，０．４，０．６，０．８，１．０］の６段階変化させて６個のデータを生成した（なお、図１４における表記は、それぞれ、ｄ０．０，ｄ０．２，ｄ０．４，ｄ０．６，ｄ０．８，ｄ１．０とする）。
利用するデータとして、青果物市場の取引データを模倣した人工データを生成した。また、周期１年の正弦波（ただし、０以下は０にする。）にランダムウォークでノイズを加えて人工データを生成した。また、年間のボラティリティを１５％に設定した。さらに、２０１０年～２０１１年の２年間分を生成し、前半１年を学習、後半１年をテストに使用した。そして、「水曜日」と「日曜日」と「祝日」を休市日に指定した。また、休市日における商品の入荷割合を［０．０，０．２，０．４，０．６，０．８，１．０］の６段階変化させて６個のデータを生成した（なお、図１４における表記は、それぞれ、ｄ０．０，ｄ０．２，ｄ０．４，ｄ０．６，ｄ０．８，ｄ１．０とする）。
［時系列予測モデル］
利用した時系列予測モデルとしては、以下の参考文献に開示されているモデルを用いた。参考文献：N-BEATS: Neural basis expansion analysis for interpretable time series forecasting, ＜https://arxiv.org/abs/1905.10437＞
利用した時系列予測モデルとしては、以下の参考文献に開示されているモデルを用いた。参考文献：N-BEATS: Neural basis expansion analysis for interpretable time series forecasting, ＜https://arxiv.org/abs/1905.10437＞
［評価指標］
評価指標に使用する損失関数としては、ＭＡＳＥ（Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｓｃａｌｅｄ Ｅｒｒｏｒ）、ＭＡＰＥ（Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｐｅｒｃｅｎｔａｇｅ Ｅｒｒｏｒ）、ＭＡＥ（Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｅｒｒｏｒ）、及びＲＭＳＥ（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ）を利用した。なお、ＭＡＥについてはｐｌａｉｎと対比した改善率を算出した。
評価指標に使用する損失関数としては、ＭＡＳＥ（Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｓｃａｌｅｄ Ｅｒｒｏｒ）、ＭＡＰＥ（Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｐｅｒｃｅｎｔａｇｅ Ｅｒｒｏｒ）、ＭＡＥ（Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｅｒｒｏｒ）、及びＲＭＳＥ（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ）を利用した。なお、ＭＡＥについてはｐｌａｉｎと対比した改善率を算出した。
［実験結果］
図１４は「ｐｌａｉｎ：取引量をそのまま用いる（何もしない）。」の結果である。図１５は「ｌｉｎｅａｒ：休市日を線形補間した取引量を用いる。」の結果である。図１６は「ｐｒｏｐｏｓｅｄ（α＝ｘ）：取引量と休市日入荷係数（α＝ｘ）と休市日フラグから生成した休市日フィルタを用いる。」結果である。また、図１７は、各実験結果をまとめた表である。
図１４は「ｐｌａｉｎ：取引量をそのまま用いる（何もしない）。」の結果である。図１５は「ｌｉｎｅａｒ：休市日を線形補間した取引量を用いる。」の結果である。図１６は「ｐｒｏｐｏｓｅｄ（α＝ｘ）：取引量と休市日入荷係数（α＝ｘ）と休市日フラグから生成した休市日フィルタを用いる。」結果である。また、図１７は、各実験結果をまとめた表である。
図１６～図１７を参照すると、本実施形態に係る技術である「ｐｒｏｐｏｓｅｄ」に関して、ｄ０．０～ｄ１．０のすべてのパターンにおいてｐｌａｉｎ比でＭＡＥが改善（１７％～６６%）されていることがわかる。
一方、図１４～図１５、図１７を参照すると、従来技術である「ｌｉｎｅａｒ」に関して、ｄ０．０におけるＭＡＥの改善率は高い（８３％）が、休市日における商品の入荷度合いの増加に従い改善率は悪化し、ｄ１．０では何もしない場合よりもＭＡＥが悪化（－６％）していることがわかる。
このように本実施形態によれば、休市日の影響を考慮して商品の日次の取引量を予測することができる。
上記実施形態でＣＰＵ１１が取引量予測モデル生成プログラムを読み込んで実行した取引量予測モデル生成処理を、ＣＰＵ１１以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、取引量予測モデル生成処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。なお、ＣＰＵ２１によって実行される取引量予測プログラムについても同様である。
また、上記実施形態では、取引量予測モデル生成プログラムがＲＯＭ１２又はストレージ１４に予め記憶（「インストール」ともいう）されている態様を説明したが、これに限定されない。取引量予測モデル生成プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ等の非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記憶媒体に記憶された形態で提供されてもよい。また、取引量予測モデル生成プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。なお、ＣＰＵ２１によって実行される取引量予測プログラムについても同様である。
本明細書に記載された全ての文献、特許出願、及び技術規格は、個々の文献、特許出願、及び技術規格が参照により取り込まれることが具体的かつ個々に記された場合と同程度に、本明細書中に参照により取り込まれる。
以上の実施形態に関し、更に以下の付記を開示する。
（付記項１）
メモリと、
前記メモリに接続された少なくとも１つのプロセッサと、
を含み、
前記プロセッサは、
市場における商品の各日の取引量を要素として持つ取引量データと、市場の休市日を表すフラグを要素として持つ休市日フラグデータとを取得し、
取得された前記休市日フラグデータと、休市日の存在を考慮した商品の入荷量に関する係数である休市日入荷係数データとに基づいて、休市日の存在を考慮した前記取引量に対する係数を要素として持つ休市日フィルタデータを生成し、
取得された前記取引量データと前記休市日フラグデータとから、所定期間の前記取引量データであるサンプル取引量データの各々と、前記所定期間の前記休市日フィルタデータであるサンプル休市日フィルタデータの各々とを取得し、前記サンプル取引量データと前記所定期間の末日よりも後日の取引量の正解値データとを関連付けた学習用データを生成し、
生成された前記学習用データに基づいて、前記サンプル取引量データを取引量予測モデルへ入力した際の、前記所定期間の末日よりも後日の取引量の予測値データと前記サンプル休市日フィルタデータとの内積と、前記所定期間の末日よりも後日の取引量の正解値データとの差を表す損失関数が小さくなるように、前記所定期間の前記取引量データから前記所定期間の末日よりも後日の取引量を予測するための前記取引量予測モデルを生成する、
ように構成されている取引量予測モデル生成装置。
メモリと、
前記メモリに接続された少なくとも１つのプロセッサと、
を含み、
前記プロセッサは、
市場における商品の各日の取引量を要素として持つ取引量データと、市場の休市日を表すフラグを要素として持つ休市日フラグデータとを取得し、
取得された前記休市日フラグデータと、休市日の存在を考慮した商品の入荷量に関する係数である休市日入荷係数データとに基づいて、休市日の存在を考慮した前記取引量に対する係数を要素として持つ休市日フィルタデータを生成し、
取得された前記取引量データと前記休市日フラグデータとから、所定期間の前記取引量データであるサンプル取引量データの各々と、前記所定期間の前記休市日フィルタデータであるサンプル休市日フィルタデータの各々とを取得し、前記サンプル取引量データと前記所定期間の末日よりも後日の取引量の正解値データとを関連付けた学習用データを生成し、
生成された前記学習用データに基づいて、前記サンプル取引量データを取引量予測モデルへ入力した際の、前記所定期間の末日よりも後日の取引量の予測値データと前記サンプル休市日フィルタデータとの内積と、前記所定期間の末日よりも後日の取引量の正解値データとの差を表す損失関数が小さくなるように、前記所定期間の前記取引量データから前記所定期間の末日よりも後日の取引量を予測するための前記取引量予測モデルを生成する、
ように構成されている取引量予測モデル生成装置。
（付記項２）
メモリと、
前記メモリに接続された少なくとも１つのプロセッサと、
を含み、
前記プロセッサは、
前記休市日入荷係数データと、対象期間における前記休市日フラグデータと、予測対象日の直前までの前記取引量データを取得し、
取得された前記休市日フラグデータと、前記休市日入荷係数データとに基づいて、対象期間における前記休市日フィルタデータを生成し、
付記項１に記載の取引量予測モデル生成方法によって生成された前記取引量予測モデルに対して、取得された予測対象日の直前までの前記取引量データを入力することにより、前記取引量予測モデルから出力された前記予測対象日における商品の取引量の予測値データを取得し、取得した前記予測対象日における商品の取引量の予測値データと前記休市日フィルタデータにおける前記予測対象日の要素とを乗算することにより、市場の休市日を考慮した前記取引量の予測値データを生成する、
ように構成されている取引量予測装置。
メモリと、
前記メモリに接続された少なくとも１つのプロセッサと、
を含み、
前記プロセッサは、
前記休市日入荷係数データと、対象期間における前記休市日フラグデータと、予測対象日の直前までの前記取引量データを取得し、
取得された前記休市日フラグデータと、前記休市日入荷係数データとに基づいて、対象期間における前記休市日フィルタデータを生成し、
付記項１に記載の取引量予測モデル生成方法によって生成された前記取引量予測モデルに対して、取得された予測対象日の直前までの前記取引量データを入力することにより、前記取引量予測モデルから出力された前記予測対象日における商品の取引量の予測値データを取得し、取得した前記予測対象日における商品の取引量の予測値データと前記休市日フィルタデータにおける前記予測対象日の要素とを乗算することにより、市場の休市日を考慮した前記取引量の予測値データを生成する、
ように構成されている取引量予測装置。
（付記項３）
取引量予測モデル生成処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記取引量予測モデル生成処理は、
市場における商品の各日の取引量を要素として持つ取引量データと、市場の休市日を表すフラグを要素として持つ休市日フラグデータとを取得し、
取得された前記休市日フラグデータと、休市日の存在を考慮した商品の入荷量に関する係数である休市日入荷係数データとに基づいて、休市日の存在を考慮した前記取引量に対する係数を要素として持つ休市日フィルタデータを生成し、
取得された前記取引量データと前記休市日フラグデータとから、所定期間の前記取引量データであるサンプル取引量データの各々と、前記所定期間の前記休市日フィルタデータであるサンプル休市日フィルタデータの各々とを取得し、前記サンプル取引量データと前記所定期間の末日よりも後日の取引量の正解値データとを関連付けた学習用データを生成し、
生成された前記学習用データに基づいて、前記サンプル取引量データを取引量予測モデルへ入力した際の、前記所定期間の末日よりも後日の取引量の予測値データと前記サンプル休市日フィルタデータとの内積と、前記所定期間の末日よりも後日の取引量の正解値データとの差を表す損失関数が小さくなるように、前記所定期間の前記取引量データから前記所定期間の末日よりも後日の取引量を予測するための前記取引量予測モデルを生成する、
非一時的記憶媒体。
取引量予測モデル生成処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記取引量予測モデル生成処理は、
市場における商品の各日の取引量を要素として持つ取引量データと、市場の休市日を表すフラグを要素として持つ休市日フラグデータとを取得し、
取得された前記休市日フラグデータと、休市日の存在を考慮した商品の入荷量に関する係数である休市日入荷係数データとに基づいて、休市日の存在を考慮した前記取引量に対する係数を要素として持つ休市日フィルタデータを生成し、
取得された前記取引量データと前記休市日フラグデータとから、所定期間の前記取引量データであるサンプル取引量データの各々と、前記所定期間の前記休市日フィルタデータであるサンプル休市日フィルタデータの各々とを取得し、前記サンプル取引量データと前記所定期間の末日よりも後日の取引量の正解値データとを関連付けた学習用データを生成し、
生成された前記学習用データに基づいて、前記サンプル取引量データを取引量予測モデルへ入力した際の、前記所定期間の末日よりも後日の取引量の予測値データと前記サンプル休市日フィルタデータとの内積と、前記所定期間の末日よりも後日の取引量の正解値データとの差を表す損失関数が小さくなるように、前記所定期間の前記取引量データから前記所定期間の末日よりも後日の取引量を予測するための前記取引量予測モデルを生成する、
非一時的記憶媒体。
（付記項４）
取引量予測処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記取引量予測処理は、
前記休市日入荷係数データと、対象期間における前記休市日フラグデータと、予測対象日の直前までの前記取引量データを取得し、
取得された前記休市日フラグデータと、前記休市日入荷係数データとに基づいて、対象期間における前記休市日フィルタデータを生成し、
付記項３に記載の取引量予測モデル生成方法によって生成された前記取引量予測モデルに対して、取得された予測対象日の直前までの前記取引量データを入力することにより、前記取引量予測モデルから出力された前記予測対象日における商品の取引量の予測値データを取得し、取得した前記予測対象日における商品の取引量の予測値データと前記休市日フィルタデータにおける前記予測対象日の要素とを乗算することにより、市場の休市日を考慮した前記取引量の予測値データを生成する、
非一時的記憶媒体。
取引量予測処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
前記取引量予測処理は、
前記休市日入荷係数データと、対象期間における前記休市日フラグデータと、予測対象日の直前までの前記取引量データを取得し、
取得された前記休市日フラグデータと、前記休市日入荷係数データとに基づいて、対象期間における前記休市日フィルタデータを生成し、
付記項３に記載の取引量予測モデル生成方法によって生成された前記取引量予測モデルに対して、取得された予測対象日の直前までの前記取引量データを入力することにより、前記取引量予測モデルから出力された前記予測対象日における商品の取引量の予測値データを取得し、取得した前記予測対象日における商品の取引量の予測値データと前記休市日フィルタデータにおける前記予測対象日の要素とを乗算することにより、市場の休市日を考慮した前記取引量の予測値データを生成する、
非一時的記憶媒体。
１０ 取引量予測モデル生成装置
１１、２１ ＣＰＵ
１２、２２ ＲＯＭ
１３、２３ ＲＡＭ
１４、２４ ストレージ
１５、２５ 入力部
１６、２６ 表示部
１７、２７ 通信Ｉ／Ｆ
１８、２８ バス
２０ 取引量予測装置
１００、２００ データ記憶部
１０２ 学習用取得部
１０４ 学習用フィルタ生成部
１０５ 休市日フィルタ記憶部
１０６ 学習用データ生成部
１０８ モデル生成部
１０９、２０５ 取引量予測モデル記憶部
２０２ 取得部
２０４ フィルタ生成部
２０６ 予測部
１１、２１ ＣＰＵ
１２、２２ ＲＯＭ
１３、２３ ＲＡＭ
１４、２４ ストレージ
１５、２５ 入力部
１６、２６ 表示部
１７、２７ 通信Ｉ／Ｆ
１８、２８ バス
２０ 取引量予測装置
１００、２００ データ記憶部
１０２ 学習用取得部
１０４ 学習用フィルタ生成部
１０５ 休市日フィルタ記憶部
１０６ 学習用データ生成部
１０８ モデル生成部
１０９、２０５ 取引量予測モデル記憶部
２０２ 取得部
２０４ フィルタ生成部
２０６ 予測部
Claims (8)
- 市場における商品の各日の取引量を要素として持つ取引量データと、市場の休市日を表すフラグを要素として持つ休市日フラグデータとを取得する学習用取得部と、
前記学習用取得部により取得された前記休市日フラグデータと、休市日の存在を考慮した商品の入荷量に関する係数である休市日入荷係数データとに基づいて、休市日の存在を考慮した前記取引量に対する係数を要素として持つ休市日フィルタデータを生成する学習用フィルタ生成部と、
前記学習用取得部により取得された前記取引量データと前記休市日フラグデータとから、所定期間の前記取引量データであるサンプル取引量データの各々と、前記所定期間の前記休市日フィルタデータであるサンプル休市日フィルタデータの各々とを取得し、前記サンプル取引量データと前記所定期間の末日よりも後日の取引量の正解値データとを関連付けた学習用データを生成する学習用データ生成部と、
前記学習用データ生成部により生成された前記学習用データに基づいて、前記サンプル取引量データを取引量予測モデルへ入力した際の、前記所定期間の末日よりも後日の取引量の予測値データと前記サンプル休市日フィルタデータとの内積と、前記所定期間の末日よりも後日の取引量の正解値データとの差を表す損失関数が小さくなるように、前記所定期間の前記取引量データから前記所定期間の末日よりも後日の取引量を予測するための前記取引量予測モデルを生成するモデル生成部と、
を備えた取引量予測モデル生成装置。 - 前記モデル生成部は、前記取引量予測モデルを生成する際に、前記休市日入荷係数データを併せて学習させる、
請求項１に記載の取引量予測モデル生成装置。 - 前記休市日フラグデータは、休市日が０であり、営業日が１であるフラグを要素として持ち、
前記学習用フィルタ生成部は、前記休市日フラグデータの各要素の値を反転させた反転フラグデータを生成し、前記反転フラグデータの各要素に対して前記休市日入荷係数データの係数を乗算することにより得られる重み付き反転値を要素として持つ重み付き反転フラグデータを生成し、
前記重み付き反転フラグデータが持つ前記重み付き反転値の各々について、前記重み付き反転値が位置する箇所が表す日よりも後日に相当する箇所であり、かつ最先の日に相当する箇所であり、かつ前記休市日フラグデータのうちの前記フラグが１である箇所に対して、前記重み付き反転値を加算することにより、前記休市日フィルタデータを生成する、
請求項１又は請求項２に記載の取引量予測モデル生成装置。 - 前記休市日入荷係数データと、対象期間における前記休市日フラグデータと、予測対象日の直前までの前記取引量データを取得する取得部と、
前記取得部により取得された前記休市日フラグデータと、前記休市日入荷係数データとに基づいて、対象期間における前記休市日フィルタデータを生成するフィルタ生成部と、
請求項１に記載の取引量予測モデル生成装置によって生成された前記取引量予測モデルに対して、前記取得部により取得された予測対象日の直前までの前記取引量データを入力することにより、前記取引量予測モデルから出力された前記予測対象日における商品の取引量の予測値データを取得し、取得した前記予測対象日における商品の取引量の予測値データと前記休市日フィルタデータにおける前記予測対象日の要素とを乗算することにより、市場の休市日を考慮した前記取引量の予測値データを生成する予測部と、
を備えた取引量予測装置。 - 市場における商品の各日の取引量を要素として持つ取引量データと、市場の休市日を表すフラグを要素として持つ休市日フラグデータとを取得し、
取得された前記休市日フラグデータと、休市日の存在を考慮した商品の入荷量に関する係数である休市日入荷係数データとに基づいて、休市日の存在を考慮した前記取引量に対する係数を要素として持つ休市日フィルタデータを生成し、
取得された前記取引量データと前記休市日フラグデータとから、所定期間の前記取引量データであるサンプル取引量データの各々と、前記所定期間の前記休市日フィルタデータであるサンプル休市日フィルタデータの各々とを取得し、前記サンプル取引量データと前記所定期間の末日よりも後日の取引量の正解値データとを関連付けた学習用データを生成し、
生成された前記学習用データに基づいて、前記サンプル取引量データを取引量予測モデルへ入力した際の、前記所定期間の末日よりも後日の取引量の予測値データと前記サンプル休市日フィルタデータとの内積と、前記所定期間の末日よりも後日の取引量の正解値データとの差を表す損失関数が小さくなるように、前記所定期間の前記取引量データから前記所定期間の末日よりも後日の取引量を予測するための前記取引量予測モデルを生成する、
処理をコンピュータが実行する取引量予測モデル生成方法。 - 前記休市日入荷係数データと、対象期間における前記休市日フラグデータと、予測対象日の直前までの前記取引量データを取得し、
取得された前記休市日フラグデータと、前記休市日入荷係数データとに基づいて、対象期間における前記休市日フィルタデータを生成し、
請求項５に記載の取引量予測モデル生成方法によって生成された前記取引量予測モデルに対して、取得された予測対象日の直前までの前記取引量データを入力することにより、前記取引量予測モデルから出力された前記予測対象日における商品の取引量の予測値データを取得し、取得した前記予測対象日における商品の取引量の予測値データと前記休市日フィルタデータにおける前記予測対象日の要素とを乗算することにより、市場の休市日を考慮した前記取引量の予測値データを生成する、
処理をコンピュータが実行する取引量予測方法。 - 市場における商品の各日の取引量を要素として持つ取引量データと、市場の休市日を表すフラグを要素として持つ休市日フラグデータとを取得し、
取得された前記休市日フラグデータと、休市日の存在を考慮した商品の入荷量に関する係数である休市日入荷係数データとに基づいて、休市日の存在を考慮した前記取引量に対する係数を要素として持つ休市日フィルタデータを生成し、
取得された前記取引量データと前記休市日フラグデータとから、所定期間の前記取引量データであるサンプル取引量データの各々と、前記所定期間の前記休市日フィルタデータであるサンプル休市日フィルタデータの各々とを取得し、前記サンプル取引量データと前記所定期間の末日よりも後日の取引量の正解値データとを関連付けた学習用データを生成し、
生成された前記学習用データに基づいて、前記サンプル取引量データを取引量予測モデルへ入力した際の、前記所定期間の末日よりも後日の取引量の予測値データと前記サンプル休市日フィルタデータとの内積と、前記所定期間の末日よりも後日の取引量の正解値データとの差を表す損失関数が小さくなるように、前記所定期間の前記取引量データから前記所定期間の末日よりも後日の取引量を予測するための前記取引量予測モデルを生成する、
処理をコンピュータに実行させるための取引量予測モデル生成プログラム。 - 前記休市日入荷係数データと、対象期間における前記休市日フラグデータと、予測対象日の直前までの前記取引量データを取得し、
取得された前記休市日フラグデータと、前記休市日入荷係数データとに基づいて、対象期間における前記休市日フィルタデータを生成し、
請求項７に記載の取引量予測モデル生成プログラムによって生成された前記取引量予測モデルに対して、取得された予測対象日の直前までの前記取引量データを入力することにより、前記取引量予測モデルから出力された前記予測対象日における商品の取引量の予測値データを取得し、取得した前記予測対象日における商品の取引量の予測値データと前記休市日フィルタデータにおける前記予測対象日の要素とを乗算することにより、市場の休市日を考慮した前記取引量の予測値データを生成する、
処理をコンピュータに実行させるための取引量予測プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2022/024204 WO2023243058A1 (ja) | 2022-06-16 | 2022-06-16 | 取引量予測モデル生成装置、取引量予測装置、取引量予測モデル生成方法、取引量予測方法、取引量予測モデル生成プログラム、及び取引量予測プログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2022/024204 WO2023243058A1 (ja) | 2022-06-16 | 2022-06-16 | 取引量予測モデル生成装置、取引量予測装置、取引量予測モデル生成方法、取引量予測方法、取引量予測モデル生成プログラム、及び取引量予測プログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2023243058A1 true WO2023243058A1 (ja) | 2023-12-21 |
Family
ID=89192593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/JP2022/024204 WO2023243058A1 (ja) | 2022-06-16 | 2022-06-16 | 取引量予測モデル生成装置、取引量予測装置、取引量予測モデル生成方法、取引量予測方法、取引量予測モデル生成プログラム、及び取引量予測プログラム |
Country Status (1)
| Country | Link |
|---|---|
| WO (1) | WO2023243058A1 (ja) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006285351A (ja) * | 2005-03-31 | 2006-10-19 | Toshiba Corp | 電力取引支援システムとその方法、およびプログラム |
| US10783442B1 (en) * | 2016-12-19 | 2020-09-22 | Amazon Technologies, Inc. | Demand forecasting via direct quantile loss optimization |
| CN112150214A (zh) * | 2020-10-20 | 2020-12-29 | 腾讯科技（深圳）有限公司 | 一种数据预测方法、装置以及计算机可读存储介质 |
| CN113962313A (zh) * | 2021-10-27 | 2022-01-21 | 上海汽车集团股份有限公司 | 一种需求预测方法、系统、存储介质及电子设备 |
-
2022
- 2022-06-16 WO PCT/JP2022/024204 patent/WO2023243058A1/ja unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006285351A (ja) * | 2005-03-31 | 2006-10-19 | Toshiba Corp | 電力取引支援システムとその方法、およびプログラム |
| US10783442B1 (en) * | 2016-12-19 | 2020-09-22 | Amazon Technologies, Inc. | Demand forecasting via direct quantile loss optimization |
| CN112150214A (zh) * | 2020-10-20 | 2020-12-29 | 腾讯科技（深圳）有限公司 | 一种数据预测方法、装置以及计算机可读存储介质 |
| CN113962313A (zh) * | 2021-10-27 | 2022-01-21 | 上海汽车集团股份有限公司 | 一种需求预测方法、系统、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ensafi et al. | Time-series forecasting of seasonal items sales using machine learning–A comparative analysis | |
| Falatouri et al. | Predictive analytics for demand forecasting–a comparison of SARIMA and LSTM in retail SCM | |
| Marcellino et al. | A comparison of direct and iterated multistep AR methods for forecasting macroeconomic time series | |
| Bos et al. | Inflation, forecast intervals and long memory regression models | |
| Pando et al. | Maximizing profits in an inventory model with both demand rate and holding cost per unit time dependent on the stock level | |
| Liu et al. | Real-time forecasts of economic activity for Latin American economies | |
| Bera et al. | Inventory model with fuzzy lead-time and dynamic demand over finite time horizon using a multi-objective genetic algorithm | |
| Kelly et al. | International trade costs, global supply chains and value-added trade in Australia | |
| Sadeghi | Providing a measure for bullwhip effect in a two-product supply chain with exponential smoothing forecasts | |
| JP5251217B2 (ja) | 販売数予測システム、販売数予測システムの動作方法および販売数予測プログラム | |
| Zhemkov | Nowcasting Russian GDP using forecast combination approach | |
| Gagnon et al. | The cyclicality of sales, regular, and effective prices: Business cycle and policy implications: Comment | |
| Liu et al. | A Dynamic Model of Input–Output Networks | |
| Raiyani et al. | Usage of time series forecasting model in Supply chain sales prediction | |
| Sukiyono et al. | Forecasting Model Selection of Curly Red Chili Price at Retail Level | |
| WO2023243058A1 (ja) | 取引量予測モデル生成装置、取引量予測装置、取引量予測モデル生成方法、取引量予測方法、取引量予測モデル生成プログラム、及び取引量予測プログラム | |
| Liço et al. | Predicting customer behavior using prophet algorithm in A real time series Dataset | |
| Sakalayen et al. | An econophysics approach to forecast bulk shipbuilding orderbook: an application of Newton’s law of gravitation | |
| Žiković et al. | Evaluating the performance of VaR models in energy markets | |
| Najimi et al. | Modelling and solving a bi-objective single period problem with incremental and all unit discount within stochastic constraints: NSGAII and MOPSO | |
| Kaipov et al. | Sales forecasting of goods in shoe retail | |
| Uniyal et al. | Economic Production quantity model for deteriorating items for three stage system with partial backlogging | |
| Kanai et al. | Price percolation model | |
| Afrianto et al. | Forecasting of Motorcycle Product Sales in Indonesia Using the ARIMA Method | |
| JP7438008B2 (ja) | 商品の販売数予測方法、装置及びプログラム、発注量決定方法、装置及びプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 22946874 Country of ref document: EP Kind code of ref document: A1 |