予測装置及び予測方法並びにプログラム
【課題】 過去の時系列データから傾向の異なるデータを除いた期間を参照して、精度良く将来のデータを予測することができる予測装置及び予測方法並びにプログラムを提供する。
【解決手段】 境界サイクル設定部１１０により、所定サイクル単位でデータ構成された過去の時系列データからデータ傾向が変化するサイクルを境界サイクルとして設定する。そして、将来のデータの予測に際して参照される所定の参照期間内に当該境界サイクルが含まれている場合、参照期間補正部１２０は、その参照期間を境界サイクル以降の期間で構成される新たな参照期間に補正する。そして、予測実行部１４０は、補正された新たな参照期間を参照して所定の予測モデルを用いて将来のデータを予測する。
【解決手段】 境界サイクル設定部１１０により、所定サイクル単位でデータ構成された過去の時系列データからデータ傾向が変化するサイクルを境界サイクルとして設定する。そして、将来のデータの予測に際して参照される所定の参照期間内に当該境界サイクルが含まれている場合、参照期間補正部１２０は、その参照期間を境界サイクル以降の期間で構成される新たな参照期間に補正する。そして、予測実行部１４０は、補正された新たな参照期間を参照して所定の予測モデルを用いて将来のデータを予測する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、過去の需要量に関する時系列データから将来の需要量を予測する予測装置及び予測方法並びにプログラムに関する。
【背景技術】
【０００２】
従来から、時系列予測モデル等を用いて、過去の需要量に関する時系列データから将来の需要量を予測する際には、指定された過去の時系列データの参照期間数に基づいて参照する期間の時系列データを取得する。そして、取得した当該参照期間の過去の実績データをもとにして将来の需要量の予測量を算出する（非特許文献１参照）。ここで、参照期間とは、直近データから、参照される期間数分を遡った期間とし、予測を実行する時期により参照期間は異なる。
【０００３】
また、時系列データには、通常、様々な外因（ノイズ）が含まれているため、それらの外因により予測精度が悪化することがある。そこで、時系列データから突発的要因による異常値を抽出・補正して、補正済みの時系列データを作成した後、補正済み時系列データをもとに予測量を算出する方法が知られている（特許文献１、２参照）。
【非特許文献１】大村 平著、「予測のはなし」、日科技連
【特許文献１】特開平７−６４９６５号公報
【特許文献２】特開２００３−３４６０７０号公報
【発明の開示】
【発明が解決しようとする課題】
【０００４】
しかしながら、過去の時系列データを参照して将来の予測量を予測モデルを用いて予測する際に、参照される過去の時系列データには、商品の発売前や、商品発売直後等の傾向が不安定な期間、景気の影響等による傾向が異なる期間等が存在する場合がある。例えば、時系列データの傾向の変化があった後に、変化前の期間を含む時系列データを参照して予測すると、傾向が異なる期間の影響を受けて予測の精度が悪くなってしまう。
【０００５】
そこで、傾向が異なる期間を出来るだけ参照しないように、ユーザが参照期間数を調整する必要がある。すなわち、予測に際して参照される期間に傾向が異なる期間を含まないように、参照期間数を設定するようにする。また、時間が経過して時系列データが増加していくにつれて、傾向の異なる期間が直近から過去に推移し、同時に、当該直近と同じ傾向の期間が増えていくこととなる。従って、参照期間数を徐々に長く取ることができるようになる。そのため、より精度良く将来のデータ予測を行うためには、あるタイミングにおいてユーザが参照期間数を任意の期間に設定し直す必要がある。
【０００６】
しかし、対象アイテム（商品）の数が多い場合、一アイテムずつ参照期間数を管理することは作業量が膨大となり困難である。このことは、上記特許文献１、２及び非特許文献１に記載のどの技術を用いた場合においても同様である。上記特許文献１、２は、時系列データから異常値等を除去して補正する技術ではあるが、当該補正は、部分的に散在する異常値に対する補正であり、傾向の変化には対応できないという問題は解消されない。
【０００７】
本発明は、このような事情を考慮してなされたものであり、過去の時系列データから傾向の異なるデータを除いた期間を参照して、精度良く将来のデータを予測することができる予測装置及び予測方法並びにプログラムを提供することを目的とする。
【課題を解決するための手段】
【０００８】
上記課題を解決するために、本発明は、所定サイクル単位でデータ構成された過去の時系列データから所定のサイクル数を参照期間として将来のデータを予測する予測装置であって、
前記過去の時系列データにおいてデータ傾向が変化するサイクルを境界サイクルとして設定する境界設定手段と、
将来のデータの予測に際して参照される所定の参照期間内に前記境界サイクルより前のサイクルが含まれているか否かを判定する第１の判定手段と、
前記参照期間内に前記過去の時系列データにおいてデータ傾向が変化する前のサイクルが含まれている場合、前記境界サイクルに基づいて、該参照期間を前記過去の時系列データにおいてデータ傾向が変化した後のサイクル数である新たな参照期間に補正する参照期間補正手段と、
前記参照期間補正手段で参照期間が補正された場合、補正された前記新たな参照期間内の時系列データを参照して所定の予測モデルを用いて将来のデータを予測する予測手段と
を備えることを特徴とする。
【０００９】
また、本発明に係る上記予測装置は、前記過去の時系列データを表示し、オペレータによる境界サイクルの設定入力を受け付けるＵＩ画面を表示する表示手段をさらに備え、
前記境界設定手段が、前記ＵＩ画面を介したオペレータによる設定入力に基づいて前記境界サイクルを設定する
ことを特徴とする。
【００１０】
さらに、本発明に係る上記予測装置は、前記表示手段が、各アイテム毎又は複数のアイテムから構成されるアイテム群毎に前記ＵＩ画面上に前記過去の時系列データを表示し、
前記境界設定手段が、各アイテム毎又はアイテム群毎に前記境界サイクルを設定する
ことを特徴とする。
【００１１】
さらにまた、本発明に係る上記予測装置は、前記境界設定手段が、予測対象となるアイテムの時系列データに関して予め指定されている所定の基準日に基づいて前記境界サイクルを設定することを特徴とする。
【００１２】
さらにまた、本発明に係る上記予測装置は、前記基準日を含むサイクル内に該基準日以前の期間が存在するか否かを判定する期間判定手段をさらに備え、
前記境界設定手段は、前記サイクル内に前記期間が存在する場合は該サイクルの次のサイクルを境界サイクルとして設定し、前記サイクル内に前記期間が存在しない場合は該サイクルを境界サイクルとして設定する
ことを特徴とする。
【００１３】
さらにまた、本発明に係る上記予測装置は、前記境界設定手段が、
前記過去の時系列データのうち所定の期間数を有する直近の期間である第１の期間と、該第１の期間と同一期間数を有する第２の期間とを設定する第１の手段と、
前記第１の期間内のデータと、前記第２の期間内のデータとを比較して所定の条件を満たすか否かを判定する第２の手段と、
前記第２の手段による判定結果に基づいて前記境界サイクルを設定する第三の手段と
を備えることを特徴とする。
【００１４】
さらにまた、本発明に係る上記予測装置において、前記第２の手段は、前記第１の期間内の平均データと前記第２の期間内の平均データとの差分値が、前記第１の期間内の標準偏差データ及び前記第２の期間内の標準偏差データ以下であるという条件を満たすか否かを判定することを特徴とする。
【００１５】
さらにまた、本発明に係る上記予測装置は、
前記所定の予測モデルに該予測モデルの対象期間数を示すパラメータが設定されている場合に、
前記対象期間数に基づく対象期間内に前記境界サイクルより前のサイクルが含まれているか否かを判定する第２の判定手段と、
前記対象期間内に前記過去の時系列データにおいてデータ傾向が変化する前のサイクルが含まれている場合、前記境界サイクルに基づき、前記対象期間数を前記過去の時系列データのデータ傾向が変化した後のサイクル数に補正する対象期間数補正手段とをさらに備え、
対象期間数が補正された場合に、前記予測手段は、補正した前記対象期間数を前記所定の予測モデルのパラメータとして将来のデータを予測する
ことを特徴とする。
【００１６】
さらにまた、上記課題を解決するために、本発明は、所定サイクル単位でデータ構成された過去の時系列データから所定のサイクル数を参照期間として将来のデータを予測する予測方法であって、
前記過去の時系列データにおいてデータ傾向が変化するサイクルを境界サイクルとして設定する境界設定工程と、
将来のデータの予測に際して参照される所定の参照期間内に前記過去の時系列データのデータ傾向が変化する前のサイクルが含まれているか否かを判定する判定工程と、
前記参照期間内に前記境界サイクルよりも前のサイクルが含まれている場合、前記境界サイクルに基づき、該参照期間を前記過去の時系列データのデータ傾向が変化した後のサイクル数である新たな参照期間に補正する参照期間補正工程と、
前記参照期間補正工程で参照期間が補正された場合、補正された前記新たな参照期間内の時系列データを参照して所定の予測モデルを用いて将来のデータを予測する予測工程と
を備えることを特徴とする。
【００１７】
さらにまた、上記課題を解決するために、本発明は、所定サイクル単位でデータ構成された過去の時系列データから、所定のサイクル数を参照期間として将来のデータの予測を行うことを実現するプログラムであって、
前記過去の時系列データにおいてデータ傾向が変化するサイクルを境界サイクルとして設定する境界設定工程のプログラムコードと、
将来のデータの予測に際して参照される所定の参照期間内に前記過去の時系列データのデータ傾向が変化する前のサイクルが含まれているか否かを判定する判定工程のプログラムコードと、
前記参照期間内に前記境界サイクルよりも前のサイクルが含まれている場合、前記境界サイクルに基づき、該参照期間を前記過去の時系列データのデータ傾向が変化した後のサイクル数である新たな参照期間に補正する参照期間補正工程のプログラムコードと、
前記参照期間補正工程で参照期間が補正された場合、補正された前記新たな参照期間内の時系列データを参照して所定の予測モデルを用いて将来のデータを予測する予測工程のプログラムコードと
を備えることを特徴とする。
【発明の効果】
【００１８】
本発明によれば、過去の時系列データから傾向の異なるデータを除いた期間を参照して、精度良く将来のデータを予測することができる。
【発明を実施するための最良の形態】
【００１９】
以下、図面を参照して、本発明の一実施形態に係る将来の需要量の予測装置及びその予測動作の詳細について説明する。
【００２０】
＜第１の実施形態＞
図１は、本発明の第１の実施形態に係る予測装置の構成を示すブロック図である。図１に示すように、第１の実施形態に係る予測装置は、データベース１００と、境界サイクル設定部１１０、参照期間補正部１２０、予測モデル補正部１３０、及び、予測実行部１４０とを備える。
【００２１】
データベース（ＤＢ）１００には、アイテムマスタ１０１、時系列データＤＢ１０２、及び、予測モデル情報ＤＢ１０３が備わっている。アイテムマスタ１０１には、将来の需要量を予測する対象となる各種商品等のアイテムに関する属性値等の情報が記憶されている。時系列データＤＢ１０２には、それぞれのアイテムについての過去のアイテム別・期間別の需要実績値が蓄積されている。また、予測モデル情報ＤＢ１０３には、移動平均モデル等の予測を実行するために使用される各種予測モデルに関する情報が記憶されている。
【００２２】
図２は、第１の実施形態に係る予測装置を用いて将来のデータを予測する処理の概要を説明するための図である。まず、境界サイクル設定部１１０が、データベース１００に記憶されている予測対象アイテムの過去の需要量の時系列データから需要量の傾向が異なる境目である境界サイクルを設定する。そして、参照期間補正部１２０が、設定された境界サイクルに基づいて参照期間を更新（補正）し、補正参照期間を算出する。一方、予測モデル補正部１３０は、設定された境界サイクルを用いて予測モデルのパラメータを補正した補正予測モデルを算出する。そして、予測実行部１４０は、補正参照期間内のデータと補正予測モデルを用いて予測を実行する。
【００２３】
図３は、本発明の第１の実施形態に係る予測装置を実現する情報処理装置（コンピュータ）の細部構成を示すブロック図である。図３において、ＣＰＵ２０１は、システムバス２１２に接続された各デバイスを統括的に制御する。また、ＲＡＭ２０２は、ＣＰＵ２０１の主メモリ、ワークエリア、一時退避領域等として機能する。さらに、ＲＯＭ２０３は、ブートプログラムが記憶されている。
【００２４】
入力制御部２０４は、キーボードやマウス等のポインティングデバイスで実現される入力部２０５からの入力を制御する。また、表示制御部２０６は、ＣＲＴモニタや液晶モニタ等で実現される表示部２０７による表示を制御する。さらに、外部メモリ制御部２０８は、ＣＰＵ２０１の制御プログラムであるオペレーションシステム（ＯＳ）や、予測装置の各種機能を実現するためのプログラムや上記各種データベース（ＤＢ）、各種ファイル等、各種アプリケーション、各種マスタファイル、ユーザファイル等の各種データを記憶する外部メモリ２０９へのアクセスを制御する。
【００２５】
外部メモリ２０９には、さらに予測装置の各種機能を実現するためのプログラムや各種テーブル等が記憶されている。尚、外部メモリ２０９としては、ハードディスク（ＨＤ）やフレキシブルディスク（ＦＤ）、ＰＣＭＣＩＡカードスロットにアダプタを介して接続可能なコンパクトフラッシュ（登録商標）やスマートメディア等が挙げられる。また、本実施形態における処理は、ＣＰＵ２０１により外部メモリ２０９に記録されているプログラムが必要に応じてＲＡＭ２０２にロードされ、当該プログラムによる制御に基づきＣＰＵ２０１によって実行される。
【００２６】
また、通信Ｉ／Ｆ制御部２１０は、ＬＡＮやインターネット等のネットワーク２１１を介して外部機器との通信制御処理を実行する。
【００２７】
図４は、本発明の一実施形態に係る予測装置の動作手順の一例を説明するためのフローチャートである。このフローチャートに示す処理は、予測装置のＣＰＵ２０１によって行われる。まず、予測装置のＣＰＵ２０１は、境界サイクル設定部１１０の機能を用いて、境界サイクルを設定する（ステップＳ１０１）。ここで、図５は、２００２年１月から２００４年６月までの４２か月間に渡るあるアイテムの月次販売量データの一例を示す図である。以下では、図５に示すデータを用いて、本実施形態に係る予測装置の動作例について説明する。
【００２８】
図６は、図５に示す月次販売量データをグラフ化して推移を示した図である。図６に示されるように、当該アイテムの販売量は、２００２年１月〜２００３年３月までは毎月約１０前後の小さい値であったが、２００３年４月から徐々に増加し、２００３年７月からは月平均が約１６０前後と安定した量になっている。このように、図６に示すグラフにより、２００３年６月を境界として販売量の傾向が異なっていることがわかる。
【００２９】
ここで、本実施形態では、上記アイテムの予測に際して、実績参照期間数を２４か月、予測モデルを移動平均モデル、移動平均次数を２４か月として予測を実行する。そこで、ステップＳ１０１において、境界サイクルを２００３年７月として設定する。尚、境界サイクルを設定する方法は、ユーザがＵＩ画面を用いて指定、又は、任意のロジックを使用して境界サイクルを推定する方法等があるが、本実施形態ではユーザがＵＩ画面を用いて指定するものとする。
【００３０】
次いで、予測装置のＣＰＵ２０１は、対象となる参照期間内に境界サイクルが含まれているか否かについて判定する（ステップＳ１０２）。上記例では、予測実施サイクルは２００４年７月であるため、実績参照期間終了サイクルは直近の２００４年６月となる。また、実績参照期間開始サイクルは、実績参照期間終了サイクルの実績参照期間数の期間前に当たるサイクルである２００２年７月となる。すなわち、実績参照期間は、２００２年７月から２００４年６月までの２４か月間になる。
【００３１】
そして、ステップＳ１０２の判定結果において、ＣＰＵ２０１が境界サイクルが参照期間内に含まれていると判定した場合（Ｙｅｓ）は、参照期間補正部１２０の機能を用いて当該境界サイクルが含まれている参照期間を補正する（ステップＳ１０３）。当該補正は、参照期間開始サイクルを境界サイクルとして短縮した新たな期間を補正参照期間とする。図７は、ステップＳ１０３の参照期間補正処理による参照期間の補正の概要を説明するための図である。上記例では、実績参照期間内に境界サイクルである２００３年７月が存在するため、実績参照期間開始サイクルを２００２年７月から２００３年７月に補正する。これにより、補正実績参照期間は、２００３年７月から２００４年６月までの１２か月間となり、実績参照期間数も短縮される。
【００３２】
そして、ＣＰＵ２０１は予測実行部１４０の機能を用いて、補正された参照期間のデータを元に予測モデルを用いて詳細のデータを予測する（ステップＳ１０４）。尚、ステップＳ１０２でＣＰＵ２０１が参照期間内に境界サイクルが含まれていないと判定した場合は、ステップＳ１０４に進んで、補正されていないもとの参照期間内のデータを元にして予測を実行する。
【００３３】
図８は、図４に示す予測処理のフローチャートにおける予測実行処理（ステップＳ１０４）の詳細を説明するためのフローチャートである。当該予測実行処理において、予測装置のＣＰＵ２０１は、まず、予測モデルのパラメータ補正処理を行うため、期間を示す予測モデルのパラメータがあるか否かを判定する（ステップＳ１０４ａ）。
【００３４】
本実施形態で採用している予測モデルは移動平均モデルであって、過去が一定期間の時系列データの平均値を予測値とする予測モデルである。そして、移動平均モデルの予測モデルパラメータである移動平均次数は、平均を算出する対象期間である。すなわち、移動平均次数を２４とすると、過去２４か月間の需要量の平均値を予測値とすることになる。
【００３５】
ここで、移動平均モデルのパラメータは、期間を表すパラメータであるため（Ｙｅｓ）、ＣＰＵ２０１は、次に期間を表す予測モデルパラメータの期間内に境界サイクルがあるか否かを判定する（ステップＳ１０４ｂ）。移動平均次数の対象期間は、上記参照期間と同様に２００２年７月から２００４年６月までの２４か月間になる。そして、この期間内に境界サイクルである２００３年７月が存在する（Ｙｅｓ）。そこで、次に、ＣＰＵ２０１は、期間を表す予測モデルパラメータの期間数が境界サイクル以降となる期間数を補正予測モデルパラメータとする（ステップＳ１０４ｃ）。すなわち、上記例において移動平均次数の補正対象期間は、２００３年７月から２００４年６月までの１２ヶ月間になり、補正移動平均次数は２４から１２になる。
【００３６】
そして最後に、補正実績参照期間である２００３年７月から２００４年６月までの１２か月間の時系列データをもとに補正移動平均次数の１２で予測を実施する（ステップＳ１０４ｄ）。すなわち、上記例では、２００４年７月の予測量が２００３年７月から２００４年６月までの実績の平均値となり、図５に示すデータから平均値を求めると１６３になる。このように、参照期間だけではなく、期間を表す予測モデルのパラメータの期間内にある直近と異なる傾向の期間を排除することにより、予測精度のさらなる向上を図ることができる。上記予測を行う際には、定常的に使用する参照期間数と期間を表す予測モデルのパラメータを変更することなく、境界サイクルが参照期間に含まれる場合のみ境界サイクルをもとに補正した参照期間やパラメータを用いて予測を行うので、予測の都度、参照期間数と予測モデルパラメータを見直す必要がなく、負荷を削減することができる。
【００３７】
一方、補正を行わない場合の予測量は、２００２年７月から２００４年６月の２４か月間の平均値となり、９０である。このように、直近の出庫量の傾向が１６０前後であるのに対し、補正を行わない場合は９０と小さい値になっており、境界サイクル以前のデータ値の小さいという事実が大きな影響を与えて、予測精度を悪くしていることがわかる。逆に、補正を行った場合は、境界サイクル以前のデータを考慮しないため、直近の出庫傾向に合った予測量となり、予測精度が向上したことがわかる。
【００３８】
次に、上記予測よりも１か月経過した後の２００４年７月の時系列データが蓄積された場合について説明する。図９は、２００２年１月から２００４年７月までの４３か月分に渡る月次サイクルの時系列データの例を示す図である。また、図１０は、図９に示す時系列データについて行われる参照期間補正処理による参照期間の補正の概要を説明するための図である。
【００３９】
図１０に示す通り、２００２年８月から２００４年７月までの２４か月間の実績参照期間から、２００３年７月から２００４年７月までの１３か月間の補正実績参照期間の補正される。補正実績参照期間は、前述した図７の場合と比べると１か月間増えていることがわかる。そのため、実績参照期間開始サイクルが、境界サイクル以降になるまで時系列データが蓄積されていくと、補正実績参照期間数が実績参照期間数と一致するまで補正実績参照期間数が徐々に増え続ける。これは、期間を表す予測モデルパラメータにおいても同様である。
【００４０】
尚、本実施形態で対象とした予測サイクルは、月次となっているが、週次や日次サイクル等であっても同様である。
【００４１】
このように、第１の実施形態に係る予測装置によれば、過去の時系列データを参照して予測する際に、参照期間内にある直近の傾向と異なる期間を自動的に排除することにより、好適に予測精度の向上を図ることが可能となった。また、参照期間が補正された場合にのみ参照期間数を修正することによって予測を行うため、定常的に利用する参照期間数には変更が加えられないので、時系列データが増加するにつれて自動的に排除される直近の傾向と異なる期間が徐々に少なくなり、ユーザが参照期間数をその都度見直す必要が少なくなる。
【００４２】
＜第２の実施形態＞
図１１は、本発明の第２の実施形態に係る予測装置の構成を示すブロック図である。図１１に示すように、第２の実施形態に係る予測装置は、データベース１００と、境界サイクル入力部１５０、参照期間補正部１２０、予測モデル補正部１３０、及び、予測実行部１４０とを備える。尚、図１に示す第１の実施形態に係る予測装置と比較して、境界サイクル設定部１１０がなく、新たに境界サイクル入力部１５０が備わっている。その他の構成要素については、同じであり、その詳細については省略する。尚、第２の実施形態に係る予測装置を実現する情報処理装置（コンピュータ）の細部構成については、図３のブロック図で示されるコンピュータと同様である。
【００４３】
図１２は、第２の実施形態に係る予測装置を用いて将来のデータを予測する処理の概要を説明するための図である。まず、境界サイクル入力部１５０が、データベース１００に記憶されている予測対象アイテムの過去の需要量の時系列データから需要量の傾向が異なる境目となる境界サイクルを入力する。そして、参照期間補正部１２０が、入力された境界サイクルに基づいて参照期間を補正し、補正参照期間を算出する。一方、予測モデル補正部１３０は、入力された境界サイクルを用いて予測モデルのパラメータを補正した補正予測モデルを算出する。そして、予測実行部１４０は、補正参照期間内のデータと補正予測モデルを用いて予測を実行する。
【００４４】
このように本実施形態では、直近と異なる傾向の期間との境界となるサイクルをユーザが指定する。これは、例えば、境界サイクルが確定している場合等に有効である。
【００４５】
図１３は、境界サイクル入力部１５０を用いてユーザがアイテム単位又はアイテム群単位に設定する画面の例を示す図である。ユーザが図１３に示すような画面を用いて、アイテム毎に境界サイクルを設定・登録処理を行うことになる。
【００４６】
図１３のグリッド部に表示されているアイテムが選択されると、グラフ表示部に当該アイテムの過去の需要量が表示される。複数のアイテムが選択された場合には、どのグラフがどのアイテムの過去の需要量に対応するものかが認識可能に表示される。よって、ユーザはグラフ表示された需要量を確認しながら、境界サイクルが可能になる。そして、ユーザによる入力部の操作に基づいて境界サイクルが設定されることになる。
【００４７】
そして、設定された境界サイクルをもとに参照期間や予測モデルのパラメータを補正して、予測を行うことになる。境界サイクルを設定してない場合は境界サイクルはなしとして、実績参照期間と期間を表す予測モデルパラメータの補正処理は行わず、当該アイテムに設定されている参照期間や、予測モデルのパラメータに基づいて予測が行われることになる。
【００４８】
また、境界サイクル設定処理については、アイテム毎ではなく、複数アイテムからなるアイテム群に対して一括して境界サイクルを設定し、当該アイテム群に含まれる全てのアイテムに対して設定適用させてもよいし、複数のアイテムを選択し、それらに同一の設定を行わせてもよい。
【００４９】
＜第３の実施形態＞
図１４は、本発明の第３の実施形態に係る予測装置の構成を示すブロック図である。図１４に示すように、第３の実施形態に係る予測装置は、データベース１００と、境界サイクル変換部１６０、参照期間補正部１２０、予測モデルのパラメータ補正部１３０、及び、予測実行部１４０とを備える。尚、図１に示す第１の実施形態に係る予測装置と比較して、境界サイクル設定部１１０がなく、新たに特定の基準日である境界日を境界サイクルに変換する境界サイクル変換部１６０が備わっている。
【００５０】
本実施形態では、図４に示すフローチャートにおける境界サイクル設定処理（ステップＳ１０１）に代えて、境界サイクル変換部１６０によって、登録されている境界日を境界サイクルに変更することにより境界サイクルを設定する。尚、その他の構成要素については、同じであり、その詳細については省略する。また、第３の実施形態に係る予測装置を実現する情報処理装置（コンピュータ）の細部構成については、図３のブロック図で示されるコンピュータと同様である。
【００５１】
図１５は、第３の実施形態に係る予測装置を用いて将来のデータを予測する処理の概要を説明するための図である。まず、境界サイクル変換部１６０が、予め設定されている境界日を過去の時系列データにおける需要量の傾向が異なる境目となる境界サイクルに変換する。すなわち、境界日に基づいて境界サイクルを設定する。そして、参照期間補正部１２０が、変換された境界サイクルに基づいて参照期間を補正し、補正参照期間を算出する。一方、予測モデル補正部１３０は、変換された境界サイクルを用いて予測モデルのパラメータを補正した補正予測モデルを算出する。そして、予測実行部１４０は、補正参照期間内のデータと補正予測モデルを用いて予測を実行する。
【００５２】
ここで、境界日から境界サイクルに変換する（すなわち、境界日に基づいて境界サイクルを設定する）ロジックに関しては様々な方法があるが、ここでは図１６に示すフローチャートで示される方法で行う。図１６は、境界日を含むサイクルに境界日以前の期間があるかどうかによって境界サイクルを設定する処理手順を説明するためのフローチャートである。すなわち、境界日を含むサイクルに境界日以前の期間があるかどうかによって、境界サイクルを当該サイクルとするか、次のサイクルとするかを判断する。このフローチャートに示す処理は、予測装置のＣＰＵ２０１によって行われる。
【００５３】
そこで、まず、予測装置のＣＰＵ２０１は、境界日を含むサイクルに境界日以前の期間があるかどうかを判定する（ステップＳ２０１）。その結果、境界日以前の期間を含むと判定した場合（Ｙｅｓ）は、境界サイクルを境界日を含むサイクルの次のサイクルとする（ステップＳ２０２）。一方、境界日以前の期間を含まないと判定した場合（Ｎｏ）は、境界サイクルを境界日を含む当該サイクルとする（ステップＳ２０３）。
【００５４】
例えば、サイクルを１日から始まる月次サイクル（６月のサイクルは６月１日から６月３０日までの期間）とし、境界日を６月１０日とした場合は、境界日を含むサイクルである６月は、６月１日から６月９日までの不安定な期間を含むこととなる。従って、境界サイクルは、次のサイクルである７月とする。また、境界日を６月１日とした場合、境界日を含むサイクルの６月の期間すべてが境界日以降であるため、境界サイクルは境界日を含む当該サイクルである６月となる。
【００５５】
また、図１７は、境界サイクルを境界日を含むサイクルのαサイクル後のサイクルとする場合の処理を説明するためのフローチャートである。例えば、境界日をアイテムの発売日とした場合、発売直後は販売量が不安定であるとし、発売日を含むサイクルの例えば３サイクル後（α＝３）のサイクルを境界サイクルとする。すなわち、発売日を６月１０日とした場合、発売日を含むサイクルである６月の３サイクル後に当たる９月が境界サイクルとなる（ステップＳ２０４）。
【００５６】
このように、本実施形態では、指定された境界日を境界サイクルに変換して、実績参照期間と期間を表す予測モデルパラメータを補正して予測を実施する。これにより、指定された境界日を例えば商品の発売日やデータの登録日等のアイテム属性値とする場合、ユーザが境界サイクルを設定する必要がなく、自動的に境界日に基づいて境界サイクルを設定することが可能となる。
【００５７】
＜第４の実施形態＞
図１８は、本発明の第４の実施形態に係る予測装置の構成を示すブロック図である。図１８に示すように、第４の実施形態に係る予測装置は、データベース１００と、境界サイクル推定部１７０、参照期間補正部１２０、予測モデルのパラメータ補正部１３０、及び、予測実行部１４０とを備える。尚、図１に示す第１の実施形態に係る予測装置と比較して、境界サイクル設定部１１０がなく、新たに境界サイクルを推定する境界サイクル推定部１７０が備わっている。
【００５８】
本実施形態では、図４に示すフローチャートにおける境界サイクル設定処理（ステップＳ１０１）に代えて、境界サイクル推定部１７０によって、過去の時系列データから境界サイクルを自動的に推定することにより境界サイクルを設定する。尚、その他の構成要素については、同じであり、その詳細については省略する。また、第３の実施形態に係る予測装置を実現する情報処理装置（コンピュータ）の細部構成については、図３のブロック図で示されるコンピュータと同様である。
【００５９】
図１９は、第４の実施形態に係る予測装置を用いて将来のデータを予測する処理の概要を説明するための図である。まず、境界サイクル推定部１６０が過去の時系列データにおける需要量の傾向が異なる境目となる境界サイクルを推定する。そして、参照期間補正部１２０が、推定された境界サイクルに基づいて参照期間を補正し、補正参照期間を算出する。一方、予測モデル補正部１３０は、推定された境界サイクルを用いて予測モデルのパラメータを補正した補正予測モデルを算出する。そして、予測実行部１４０は、補正参照期間内のデータと補正予測モデルを用いて予測を実行する。
【００６０】
ここで、境界サイクルを自動推定するロジックは様々な方法があるが、本実施形態では、図２０に示すフローのロジックを使用する。図２０は、一定期間の平均値と標準偏差により境界サイクルを推定するロジックの処理手順を説明するためのフローチャートである。このフローチャートに示す処理は、予測装置のＣＰＵ２０１によって行われる。尚、対象となるデータは図５に示すものを用いる。図２１は、図２０に示すロジックにおいてα＝６、β＝２０として図５のデータをもとに自動推定した経緯を説明するための図である。
【００６１】
まず、予測装置のＣＰＵ２０１は、変数ｋ１を０と設定する（ステップＳ３０１）。次いで、直近βーｋ１（２０か月）前のサイクルの出庫量（２００２年１１月は４）が０より大きいか否かを判定する（ステップＳ３０２）。ここで、当該出庫量が０ではないため、ＣＰＵ２０１はＹＥＳと判定し、ステップＳ３０４に進む。一方、出庫量が０以下であれば、ＮＯと判定し、１サイクルインクリメント（ｋ１＝ｋ１＋１）して（ステップＳ３０３）、上記ステップＳ３０２の処理を行う。その後、変数ｋ２を１と設定する（ステップＳ３０４）。
【００６２】
ステップＳ３０５では、予測装置のＣＰＵ２０１は、直近αサイクル（６か月間）のデータの平均値Ａ１と標準偏差値Ｓ１を求める。すなわち、本実施形態では、Ａ１＝１６３、Ｓ１＝１６となる。
【００６３】
次に、予測装置のＣＰＵ２０１は、直近からｋ２＋α（７か月）前のサイクルからαサイクル（６か月間）間の平均値Ａ２と標準偏差値Ｓ２を求める（ステップＳ３０６）。そして、当該αサイクルにおいて、|Ａ１−Ａ２|≦Ｓ１かつ|Ａ１−Ａ２|≦Ｓ２の条件を満たし、かつ、ｋ2＋α≦β−ｋ1を満たすか否かを判定する（ステップＳ３０７）。その結果、当該条件を満たすと判定した場合（Ｙｅｓ）には、ｋ２をインクリメントして（ステップＳ３０８）、ステップＳ３０５に戻る。一方、上記条件を満たさないと判定した場合（Ｙｅｓ）には、ステップＳ３０９に進む。そして直近からｋ２＋α−１サイクル前のサイクルを境界サイクルとして設定する（ステップＳ３０９）。
【００６４】
本実施形態では、ステップＳ３０７〜ステップＳ３０８〜ステップＳ３０６〜ステップＳ３０７のループ処理を繰り返す。その結果、図２１に示すように、ステップＳ３０７の条件を最後に満たしたサイクルである２００３年６月が境界サイクルであると推定される。
【００６５】
同様に、図２２は、図５のデータと逆の傾向を有し、前半は販売量が多く、後半は少なくなる時系列データを示す図である。また、図２３は、図２２に示す時系列データに対して図２０に示すフローチャートで示されるロジックを用いて境界サイクルを推定した例を示す図である。この場合、図２３に示すように、２００３年１月が境界サイクルとして推定される。
【００６６】
また、図２４は、データの有無及びデータが０より大きいか否かによって境界サイクルを推定するロジックの処理手順を説明するためのフローチャートである。まず、予測装置のＣＰＵ２０１は、直近からβーｋサイクル前のサイクルからデータが存在し、かつ、そのデータが０より大きいか否かを判定する（ステップＳ３１１〜Ｓ３１３）。その結果、データが存在して、かつ、そのデータが０より大きくなる最初のサイクルのαサイクル後（β−ｋ＋α）を境界サイクルとする（ステップＳ３１４）。
【００６７】
上記ロジックは、商品の発売日情報がない場合は、発売前のサイクルにデータがない、すなわち、販売量が０であることから、当該商品の発売日のサイクルを特定して境界サイクルとして自動判定するものである。
【００６８】
このように、過去の時系列データから境界サイクルを自動で推定することにより、境界サイクルの設定作業負荷を軽減することができる。
【００６９】
＜その他の実施形態＞
上述した各実施形態では、予測精度の悪化を招くような直近の異なる傾向の期間（サイクル）を参照期間から自動的に削除することにより、予測精度の向上を目指した。また、予測モデルのパラメータである参照期間数や予測モデルパラメータを変更しないため、ユーザが最初に任意の参照期間数を設定することで、その都度、パラメータを見直すメンテナンスの負荷を削減することが可能である。
【００７０】
また、本発明は、例えば、システム、装置、方法、プログラム若しくは記憶媒体（記録媒体）等としての実施態様をとることが可能であり、具体的には、複数の機器から構成されるシステムに適用しても良いし、また、一つの機器からなる装置に適用しても良い。
【００７１】
尚、本発明は、前述した実施形態の機能を実現するソフトウェアのプログラム（実施形態では図に示すフローチャートに対応したプログラム）を、システムあるいは装置に直接あるいは遠隔から供給し、そのシステムあるいは装置のコンピュータが該供給されたプログラムコードを読み出して実行することによっても達成される場合を含む。
【００７２】
従って、本発明の機能処理をコンピュータで実現するために、該コンピュータにインストールされるプログラムコード自体も本発明を実現するものである。つまり、本発明は、本発明の機能処理を実現するためのコンピュータプログラム自体も含まれる。
【００７３】
その場合、プログラムの機能を有していれば、オブジェクトコード、インタプリタにより実行されるプログラム、ＯＳに供給するスクリプトデータ等の形態であっても良い。
【００７４】
プログラムを供給するための記録媒体としては、例えば、フロッピー（登録商標）ディスク、ハードディスク、光ディスク、光磁気ディスク、ＭＯ、ＣＤ−ＲＯＭ、ＣＤ−Ｒ、ＣＤ−ＲＷ、磁気テープ、不揮発性のメモリカード、ＲＯＭ、ＤＶＤ（ＤＶＤ−ＲＯＭ，ＤＶＤ−Ｒ）などがある。
【００７５】
その他、プログラムの供給方法としては、クライアントコンピュータのブラウザを用いてインターネットのホームページに接続し、該ホームページから本発明のコンピュータプログラムそのもの、もしくは圧縮され自動インストール機能を含むファイルをハードディスク等の記録媒体にダウンロードすることによっても供給できる。また、本発明のプログラムを構成するプログラムコードを複数のファイルに分割し、それぞれのファイルを異なるホームページからダウンロードすることによっても実現可能である。つまり、本発明の機能処理をコンピュータで実現するためのプログラムファイルを複数のユーザに対してダウンロードさせるＷＷＷサーバも、本発明に含まれるものである。
【００７６】
また、本発明のプログラムを暗号化してＣＤ−ＲＯＭ等の記憶媒体に格納してユーザに配布し、所定の条件をクリアしたユーザに対し、インターネットを介してホームページから暗号化を解く鍵情報をダウンロードさせ、その鍵情報を使用することにより暗号化されたプログラムを実行してコンピュータにインストールさせて実現することも可能である。
【００７７】
また、コンピュータが、読み出したプログラムを実行することによって、前述した実施形態の機能が実現される他、そのプログラムの指示に基づき、コンピュータ上で稼動しているＯＳなどが、実際の処理の一部または全部を行い、その処理によっても前述した実施形態の機能が実現され得る。
【００７８】
さらに、記録媒体から読み出されたプログラムが、コンピュータに挿入された機能拡張ボードやコンピュータに接続された機能拡張ユニットに備わるメモリに書き込まれた後、そのプログラムの指示に基づき、その機能拡張ボードや機能拡張ユニットに備わるＣＰＵなどが実際の処理の一部または全部を行い、その処理によっても前述した実施形態の機能が実現される。
【図面の簡単な説明】
【００７９】
【図１】本発明の第１の実施形態に係る予測装置の構成を示すブロック図である。
【図２】第１の実施形態に係る予測装置を用いて将来のデータを予測する処理の概要を説明するための図である。
【図３】本発明の第１の実施形態に係る予測装置を実現する情報処理装置（コンピュータ）の細部構成を示すブロック図である。
【図４】本発明の一実施形態に係る予測装置の動作手順の一例を説明するためのフローチャートである。
【図５】２００２年１月から２００４年６月までの４２か月間に渡るあるアイテムの月次販売量データの一例を示す図である。
【図６】図５に示す月次販売量データをグラフ化して推移を示した図である。
【図７】ステップＳ１０３の参照期間補正処理による参照期間の補正の概要を説明するための図である。
【図８】図４に示す予測処理のフローチャートにおける予測実行処理（ステップＳ１０４）の詳細を説明するためのフローチャートである。
【図９】２００２年１月から２００４年７月までの４３か月分に渡る月次サイクルの時系列データの例を示す図である。
【図１０】図９に示す時系列データについて行われる参照期間補正処理による参照期間の補正の概要を説明するための図である。
【図１１】本発明の第２の実施形態に係る予測装置の構成を示すブロック図である。
【図１２】第２の実施形態に係る予測装置を用いて将来のデータを予測する処理の概要を説明するための図である
【図１３】境界サイクル入力部１５０を用いてユーザがアイテム単位又はアイテム群単位に設定する画面の例を示す図である。
【図１４】本発明の第３の実施形態に係る予測装置の構成を示すブロック図である。
【図１５】第３の実施形態に係る予測装置を用いて将来のデータを予測する処理の概要を説明するための図である。
【図１６】境界日を含むサイクルに境界日以前の期間があるかどうかによって境界サイクルを設定する処理手順を説明するためのフローチャートである。
【図１７】境界サイクルを境界日を含むサイクルのαサイクル後のサイクルとする場合の処理を説明するためのフローチャートである。
【図１８】本発明の第４の実施形態に係る予測装置の構成を示すブロック図である。
【図１９】第４の実施形態に係る予測装置を用いて将来のデータを予測する処理の概要を説明するための図である。
【図２０】一定期間の平均値と標準偏差により境界サイクルを推定するロジックの処理手順を説明するためのフローチャートである。
【図２１】図２０に示すロジックにおいてα＝６、β＝２０として図５のデータをもとに自動推定した経緯を説明するための図である。
【図２２】図５のデータと逆の傾向を有し、前半は販売量が多く、後半は少なくなる時系列データを示す図である。
【図２３】図２２に示す時系列データに対して図２０に示すフローチャートで示されるロジックを用いて境界サイクルを推定した例を示す図である。
【図２４】データの有無及びデータが０より大きいか否かによって境界サイクルを推定するロジックの処理手順を説明するためのフローチャートである。
【符号の説明】
【００８０】
１００ データベース（ＤＢ）
１０１ アイテムマスタ
１０２ 時系列データＤＢ
１０３ 予測モデル情報ＤＢ
１１０ 境界サイクル設定部
１２０ 参照期間補正部
１３０ 予測モデル補正部
１４０ 予測実行部
１５０ 境界サイクル入力部
１６０ 境界サイクル変換部
１７０ 境界サイクル推定部
【技術分野】
【０００１】
本発明は、過去の需要量に関する時系列データから将来の需要量を予測する予測装置及び予測方法並びにプログラムに関する。
【背景技術】
【０００２】
従来から、時系列予測モデル等を用いて、過去の需要量に関する時系列データから将来の需要量を予測する際には、指定された過去の時系列データの参照期間数に基づいて参照する期間の時系列データを取得する。そして、取得した当該参照期間の過去の実績データをもとにして将来の需要量の予測量を算出する（非特許文献１参照）。ここで、参照期間とは、直近データから、参照される期間数分を遡った期間とし、予測を実行する時期により参照期間は異なる。
【０００３】
また、時系列データには、通常、様々な外因（ノイズ）が含まれているため、それらの外因により予測精度が悪化することがある。そこで、時系列データから突発的要因による異常値を抽出・補正して、補正済みの時系列データを作成した後、補正済み時系列データをもとに予測量を算出する方法が知られている（特許文献１、２参照）。
【非特許文献１】大村 平著、「予測のはなし」、日科技連
【特許文献１】特開平７−６４９６５号公報
【特許文献２】特開２００３−３４６０７０号公報
【発明の開示】
【発明が解決しようとする課題】
【０００４】
しかしながら、過去の時系列データを参照して将来の予測量を予測モデルを用いて予測する際に、参照される過去の時系列データには、商品の発売前や、商品発売直後等の傾向が不安定な期間、景気の影響等による傾向が異なる期間等が存在する場合がある。例えば、時系列データの傾向の変化があった後に、変化前の期間を含む時系列データを参照して予測すると、傾向が異なる期間の影響を受けて予測の精度が悪くなってしまう。
【０００５】
そこで、傾向が異なる期間を出来るだけ参照しないように、ユーザが参照期間数を調整する必要がある。すなわち、予測に際して参照される期間に傾向が異なる期間を含まないように、参照期間数を設定するようにする。また、時間が経過して時系列データが増加していくにつれて、傾向の異なる期間が直近から過去に推移し、同時に、当該直近と同じ傾向の期間が増えていくこととなる。従って、参照期間数を徐々に長く取ることができるようになる。そのため、より精度良く将来のデータ予測を行うためには、あるタイミングにおいてユーザが参照期間数を任意の期間に設定し直す必要がある。
【０００６】
しかし、対象アイテム（商品）の数が多い場合、一アイテムずつ参照期間数を管理することは作業量が膨大となり困難である。このことは、上記特許文献１、２及び非特許文献１に記載のどの技術を用いた場合においても同様である。上記特許文献１、２は、時系列データから異常値等を除去して補正する技術ではあるが、当該補正は、部分的に散在する異常値に対する補正であり、傾向の変化には対応できないという問題は解消されない。
【０００７】
本発明は、このような事情を考慮してなされたものであり、過去の時系列データから傾向の異なるデータを除いた期間を参照して、精度良く将来のデータを予測することができる予測装置及び予測方法並びにプログラムを提供することを目的とする。
【課題を解決するための手段】
【０００８】
上記課題を解決するために、本発明は、所定サイクル単位でデータ構成された過去の時系列データから所定のサイクル数を参照期間として将来のデータを予測する予測装置であって、
前記過去の時系列データにおいてデータ傾向が変化するサイクルを境界サイクルとして設定する境界設定手段と、
将来のデータの予測に際して参照される所定の参照期間内に前記境界サイクルより前のサイクルが含まれているか否かを判定する第１の判定手段と、
前記参照期間内に前記過去の時系列データにおいてデータ傾向が変化する前のサイクルが含まれている場合、前記境界サイクルに基づいて、該参照期間を前記過去の時系列データにおいてデータ傾向が変化した後のサイクル数である新たな参照期間に補正する参照期間補正手段と、
前記参照期間補正手段で参照期間が補正された場合、補正された前記新たな参照期間内の時系列データを参照して所定の予測モデルを用いて将来のデータを予測する予測手段と
を備えることを特徴とする。
【０００９】
また、本発明に係る上記予測装置は、前記過去の時系列データを表示し、オペレータによる境界サイクルの設定入力を受け付けるＵＩ画面を表示する表示手段をさらに備え、
前記境界設定手段が、前記ＵＩ画面を介したオペレータによる設定入力に基づいて前記境界サイクルを設定する
ことを特徴とする。
【００１０】
さらに、本発明に係る上記予測装置は、前記表示手段が、各アイテム毎又は複数のアイテムから構成されるアイテム群毎に前記ＵＩ画面上に前記過去の時系列データを表示し、
前記境界設定手段が、各アイテム毎又はアイテム群毎に前記境界サイクルを設定する
ことを特徴とする。
【００１１】
さらにまた、本発明に係る上記予測装置は、前記境界設定手段が、予測対象となるアイテムの時系列データに関して予め指定されている所定の基準日に基づいて前記境界サイクルを設定することを特徴とする。
【００１２】
さらにまた、本発明に係る上記予測装置は、前記基準日を含むサイクル内に該基準日以前の期間が存在するか否かを判定する期間判定手段をさらに備え、
前記境界設定手段は、前記サイクル内に前記期間が存在する場合は該サイクルの次のサイクルを境界サイクルとして設定し、前記サイクル内に前記期間が存在しない場合は該サイクルを境界サイクルとして設定する
ことを特徴とする。
【００１３】
さらにまた、本発明に係る上記予測装置は、前記境界設定手段が、
前記過去の時系列データのうち所定の期間数を有する直近の期間である第１の期間と、該第１の期間と同一期間数を有する第２の期間とを設定する第１の手段と、
前記第１の期間内のデータと、前記第２の期間内のデータとを比較して所定の条件を満たすか否かを判定する第２の手段と、
前記第２の手段による判定結果に基づいて前記境界サイクルを設定する第三の手段と
を備えることを特徴とする。
【００１４】
さらにまた、本発明に係る上記予測装置において、前記第２の手段は、前記第１の期間内の平均データと前記第２の期間内の平均データとの差分値が、前記第１の期間内の標準偏差データ及び前記第２の期間内の標準偏差データ以下であるという条件を満たすか否かを判定することを特徴とする。
【００１５】
さらにまた、本発明に係る上記予測装置は、
前記所定の予測モデルに該予測モデルの対象期間数を示すパラメータが設定されている場合に、
前記対象期間数に基づく対象期間内に前記境界サイクルより前のサイクルが含まれているか否かを判定する第２の判定手段と、
前記対象期間内に前記過去の時系列データにおいてデータ傾向が変化する前のサイクルが含まれている場合、前記境界サイクルに基づき、前記対象期間数を前記過去の時系列データのデータ傾向が変化した後のサイクル数に補正する対象期間数補正手段とをさらに備え、
対象期間数が補正された場合に、前記予測手段は、補正した前記対象期間数を前記所定の予測モデルのパラメータとして将来のデータを予測する
ことを特徴とする。
【００１６】
さらにまた、上記課題を解決するために、本発明は、所定サイクル単位でデータ構成された過去の時系列データから所定のサイクル数を参照期間として将来のデータを予測する予測方法であって、
前記過去の時系列データにおいてデータ傾向が変化するサイクルを境界サイクルとして設定する境界設定工程と、
将来のデータの予測に際して参照される所定の参照期間内に前記過去の時系列データのデータ傾向が変化する前のサイクルが含まれているか否かを判定する判定工程と、
前記参照期間内に前記境界サイクルよりも前のサイクルが含まれている場合、前記境界サイクルに基づき、該参照期間を前記過去の時系列データのデータ傾向が変化した後のサイクル数である新たな参照期間に補正する参照期間補正工程と、
前記参照期間補正工程で参照期間が補正された場合、補正された前記新たな参照期間内の時系列データを参照して所定の予測モデルを用いて将来のデータを予測する予測工程と
を備えることを特徴とする。
【００１７】
さらにまた、上記課題を解決するために、本発明は、所定サイクル単位でデータ構成された過去の時系列データから、所定のサイクル数を参照期間として将来のデータの予測を行うことを実現するプログラムであって、
前記過去の時系列データにおいてデータ傾向が変化するサイクルを境界サイクルとして設定する境界設定工程のプログラムコードと、
将来のデータの予測に際して参照される所定の参照期間内に前記過去の時系列データのデータ傾向が変化する前のサイクルが含まれているか否かを判定する判定工程のプログラムコードと、
前記参照期間内に前記境界サイクルよりも前のサイクルが含まれている場合、前記境界サイクルに基づき、該参照期間を前記過去の時系列データのデータ傾向が変化した後のサイクル数である新たな参照期間に補正する参照期間補正工程のプログラムコードと、
前記参照期間補正工程で参照期間が補正された場合、補正された前記新たな参照期間内の時系列データを参照して所定の予測モデルを用いて将来のデータを予測する予測工程のプログラムコードと
を備えることを特徴とする。
【発明の効果】
【００１８】
本発明によれば、過去の時系列データから傾向の異なるデータを除いた期間を参照して、精度良く将来のデータを予測することができる。
【発明を実施するための最良の形態】
【００１９】
以下、図面を参照して、本発明の一実施形態に係る将来の需要量の予測装置及びその予測動作の詳細について説明する。
【００２０】
＜第１の実施形態＞
図１は、本発明の第１の実施形態に係る予測装置の構成を示すブロック図である。図１に示すように、第１の実施形態に係る予測装置は、データベース１００と、境界サイクル設定部１１０、参照期間補正部１２０、予測モデル補正部１３０、及び、予測実行部１４０とを備える。
【００２１】
データベース（ＤＢ）１００には、アイテムマスタ１０１、時系列データＤＢ１０２、及び、予測モデル情報ＤＢ１０３が備わっている。アイテムマスタ１０１には、将来の需要量を予測する対象となる各種商品等のアイテムに関する属性値等の情報が記憶されている。時系列データＤＢ１０２には、それぞれのアイテムについての過去のアイテム別・期間別の需要実績値が蓄積されている。また、予測モデル情報ＤＢ１０３には、移動平均モデル等の予測を実行するために使用される各種予測モデルに関する情報が記憶されている。
【００２２】
図２は、第１の実施形態に係る予測装置を用いて将来のデータを予測する処理の概要を説明するための図である。まず、境界サイクル設定部１１０が、データベース１００に記憶されている予測対象アイテムの過去の需要量の時系列データから需要量の傾向が異なる境目である境界サイクルを設定する。そして、参照期間補正部１２０が、設定された境界サイクルに基づいて参照期間を更新（補正）し、補正参照期間を算出する。一方、予測モデル補正部１３０は、設定された境界サイクルを用いて予測モデルのパラメータを補正した補正予測モデルを算出する。そして、予測実行部１４０は、補正参照期間内のデータと補正予測モデルを用いて予測を実行する。
【００２３】
図３は、本発明の第１の実施形態に係る予測装置を実現する情報処理装置（コンピュータ）の細部構成を示すブロック図である。図３において、ＣＰＵ２０１は、システムバス２１２に接続された各デバイスを統括的に制御する。また、ＲＡＭ２０２は、ＣＰＵ２０１の主メモリ、ワークエリア、一時退避領域等として機能する。さらに、ＲＯＭ２０３は、ブートプログラムが記憶されている。
【００２４】
入力制御部２０４は、キーボードやマウス等のポインティングデバイスで実現される入力部２０５からの入力を制御する。また、表示制御部２０６は、ＣＲＴモニタや液晶モニタ等で実現される表示部２０７による表示を制御する。さらに、外部メモリ制御部２０８は、ＣＰＵ２０１の制御プログラムであるオペレーションシステム（ＯＳ）や、予測装置の各種機能を実現するためのプログラムや上記各種データベース（ＤＢ）、各種ファイル等、各種アプリケーション、各種マスタファイル、ユーザファイル等の各種データを記憶する外部メモリ２０９へのアクセスを制御する。
【００２５】
外部メモリ２０９には、さらに予測装置の各種機能を実現するためのプログラムや各種テーブル等が記憶されている。尚、外部メモリ２０９としては、ハードディスク（ＨＤ）やフレキシブルディスク（ＦＤ）、ＰＣＭＣＩＡカードスロットにアダプタを介して接続可能なコンパクトフラッシュ（登録商標）やスマートメディア等が挙げられる。また、本実施形態における処理は、ＣＰＵ２０１により外部メモリ２０９に記録されているプログラムが必要に応じてＲＡＭ２０２にロードされ、当該プログラムによる制御に基づきＣＰＵ２０１によって実行される。
【００２６】
また、通信Ｉ／Ｆ制御部２１０は、ＬＡＮやインターネット等のネットワーク２１１を介して外部機器との通信制御処理を実行する。
【００２７】
図４は、本発明の一実施形態に係る予測装置の動作手順の一例を説明するためのフローチャートである。このフローチャートに示す処理は、予測装置のＣＰＵ２０１によって行われる。まず、予測装置のＣＰＵ２０１は、境界サイクル設定部１１０の機能を用いて、境界サイクルを設定する（ステップＳ１０１）。ここで、図５は、２００２年１月から２００４年６月までの４２か月間に渡るあるアイテムの月次販売量データの一例を示す図である。以下では、図５に示すデータを用いて、本実施形態に係る予測装置の動作例について説明する。
【００２８】
図６は、図５に示す月次販売量データをグラフ化して推移を示した図である。図６に示されるように、当該アイテムの販売量は、２００２年１月〜２００３年３月までは毎月約１０前後の小さい値であったが、２００３年４月から徐々に増加し、２００３年７月からは月平均が約１６０前後と安定した量になっている。このように、図６に示すグラフにより、２００３年６月を境界として販売量の傾向が異なっていることがわかる。
【００２９】
ここで、本実施形態では、上記アイテムの予測に際して、実績参照期間数を２４か月、予測モデルを移動平均モデル、移動平均次数を２４か月として予測を実行する。そこで、ステップＳ１０１において、境界サイクルを２００３年７月として設定する。尚、境界サイクルを設定する方法は、ユーザがＵＩ画面を用いて指定、又は、任意のロジックを使用して境界サイクルを推定する方法等があるが、本実施形態ではユーザがＵＩ画面を用いて指定するものとする。
【００３０】
次いで、予測装置のＣＰＵ２０１は、対象となる参照期間内に境界サイクルが含まれているか否かについて判定する（ステップＳ１０２）。上記例では、予測実施サイクルは２００４年７月であるため、実績参照期間終了サイクルは直近の２００４年６月となる。また、実績参照期間開始サイクルは、実績参照期間終了サイクルの実績参照期間数の期間前に当たるサイクルである２００２年７月となる。すなわち、実績参照期間は、２００２年７月から２００４年６月までの２４か月間になる。
【００３１】
そして、ステップＳ１０２の判定結果において、ＣＰＵ２０１が境界サイクルが参照期間内に含まれていると判定した場合（Ｙｅｓ）は、参照期間補正部１２０の機能を用いて当該境界サイクルが含まれている参照期間を補正する（ステップＳ１０３）。当該補正は、参照期間開始サイクルを境界サイクルとして短縮した新たな期間を補正参照期間とする。図７は、ステップＳ１０３の参照期間補正処理による参照期間の補正の概要を説明するための図である。上記例では、実績参照期間内に境界サイクルである２００３年７月が存在するため、実績参照期間開始サイクルを２００２年７月から２００３年７月に補正する。これにより、補正実績参照期間は、２００３年７月から２００４年６月までの１２か月間となり、実績参照期間数も短縮される。
【００３２】
そして、ＣＰＵ２０１は予測実行部１４０の機能を用いて、補正された参照期間のデータを元に予測モデルを用いて詳細のデータを予測する（ステップＳ１０４）。尚、ステップＳ１０２でＣＰＵ２０１が参照期間内に境界サイクルが含まれていないと判定した場合は、ステップＳ１０４に進んで、補正されていないもとの参照期間内のデータを元にして予測を実行する。
【００３３】
図８は、図４に示す予測処理のフローチャートにおける予測実行処理（ステップＳ１０４）の詳細を説明するためのフローチャートである。当該予測実行処理において、予測装置のＣＰＵ２０１は、まず、予測モデルのパラメータ補正処理を行うため、期間を示す予測モデルのパラメータがあるか否かを判定する（ステップＳ１０４ａ）。
【００３４】
本実施形態で採用している予測モデルは移動平均モデルであって、過去が一定期間の時系列データの平均値を予測値とする予測モデルである。そして、移動平均モデルの予測モデルパラメータである移動平均次数は、平均を算出する対象期間である。すなわち、移動平均次数を２４とすると、過去２４か月間の需要量の平均値を予測値とすることになる。
【００３５】
ここで、移動平均モデルのパラメータは、期間を表すパラメータであるため（Ｙｅｓ）、ＣＰＵ２０１は、次に期間を表す予測モデルパラメータの期間内に境界サイクルがあるか否かを判定する（ステップＳ１０４ｂ）。移動平均次数の対象期間は、上記参照期間と同様に２００２年７月から２００４年６月までの２４か月間になる。そして、この期間内に境界サイクルである２００３年７月が存在する（Ｙｅｓ）。そこで、次に、ＣＰＵ２０１は、期間を表す予測モデルパラメータの期間数が境界サイクル以降となる期間数を補正予測モデルパラメータとする（ステップＳ１０４ｃ）。すなわち、上記例において移動平均次数の補正対象期間は、２００３年７月から２００４年６月までの１２ヶ月間になり、補正移動平均次数は２４から１２になる。
【００３６】
そして最後に、補正実績参照期間である２００３年７月から２００４年６月までの１２か月間の時系列データをもとに補正移動平均次数の１２で予測を実施する（ステップＳ１０４ｄ）。すなわち、上記例では、２００４年７月の予測量が２００３年７月から２００４年６月までの実績の平均値となり、図５に示すデータから平均値を求めると１６３になる。このように、参照期間だけではなく、期間を表す予測モデルのパラメータの期間内にある直近と異なる傾向の期間を排除することにより、予測精度のさらなる向上を図ることができる。上記予測を行う際には、定常的に使用する参照期間数と期間を表す予測モデルのパラメータを変更することなく、境界サイクルが参照期間に含まれる場合のみ境界サイクルをもとに補正した参照期間やパラメータを用いて予測を行うので、予測の都度、参照期間数と予測モデルパラメータを見直す必要がなく、負荷を削減することができる。
【００３７】
一方、補正を行わない場合の予測量は、２００２年７月から２００４年６月の２４か月間の平均値となり、９０である。このように、直近の出庫量の傾向が１６０前後であるのに対し、補正を行わない場合は９０と小さい値になっており、境界サイクル以前のデータ値の小さいという事実が大きな影響を与えて、予測精度を悪くしていることがわかる。逆に、補正を行った場合は、境界サイクル以前のデータを考慮しないため、直近の出庫傾向に合った予測量となり、予測精度が向上したことがわかる。
【００３８】
次に、上記予測よりも１か月経過した後の２００４年７月の時系列データが蓄積された場合について説明する。図９は、２００２年１月から２００４年７月までの４３か月分に渡る月次サイクルの時系列データの例を示す図である。また、図１０は、図９に示す時系列データについて行われる参照期間補正処理による参照期間の補正の概要を説明するための図である。
【００３９】
図１０に示す通り、２００２年８月から２００４年７月までの２４か月間の実績参照期間から、２００３年７月から２００４年７月までの１３か月間の補正実績参照期間の補正される。補正実績参照期間は、前述した図７の場合と比べると１か月間増えていることがわかる。そのため、実績参照期間開始サイクルが、境界サイクル以降になるまで時系列データが蓄積されていくと、補正実績参照期間数が実績参照期間数と一致するまで補正実績参照期間数が徐々に増え続ける。これは、期間を表す予測モデルパラメータにおいても同様である。
【００４０】
尚、本実施形態で対象とした予測サイクルは、月次となっているが、週次や日次サイクル等であっても同様である。
【００４１】
このように、第１の実施形態に係る予測装置によれば、過去の時系列データを参照して予測する際に、参照期間内にある直近の傾向と異なる期間を自動的に排除することにより、好適に予測精度の向上を図ることが可能となった。また、参照期間が補正された場合にのみ参照期間数を修正することによって予測を行うため、定常的に利用する参照期間数には変更が加えられないので、時系列データが増加するにつれて自動的に排除される直近の傾向と異なる期間が徐々に少なくなり、ユーザが参照期間数をその都度見直す必要が少なくなる。
【００４２】
＜第２の実施形態＞
図１１は、本発明の第２の実施形態に係る予測装置の構成を示すブロック図である。図１１に示すように、第２の実施形態に係る予測装置は、データベース１００と、境界サイクル入力部１５０、参照期間補正部１２０、予測モデル補正部１３０、及び、予測実行部１４０とを備える。尚、図１に示す第１の実施形態に係る予測装置と比較して、境界サイクル設定部１１０がなく、新たに境界サイクル入力部１５０が備わっている。その他の構成要素については、同じであり、その詳細については省略する。尚、第２の実施形態に係る予測装置を実現する情報処理装置（コンピュータ）の細部構成については、図３のブロック図で示されるコンピュータと同様である。
【００４３】
図１２は、第２の実施形態に係る予測装置を用いて将来のデータを予測する処理の概要を説明するための図である。まず、境界サイクル入力部１５０が、データベース１００に記憶されている予測対象アイテムの過去の需要量の時系列データから需要量の傾向が異なる境目となる境界サイクルを入力する。そして、参照期間補正部１２０が、入力された境界サイクルに基づいて参照期間を補正し、補正参照期間を算出する。一方、予測モデル補正部１３０は、入力された境界サイクルを用いて予測モデルのパラメータを補正した補正予測モデルを算出する。そして、予測実行部１４０は、補正参照期間内のデータと補正予測モデルを用いて予測を実行する。
【００４４】
このように本実施形態では、直近と異なる傾向の期間との境界となるサイクルをユーザが指定する。これは、例えば、境界サイクルが確定している場合等に有効である。
【００４５】
図１３は、境界サイクル入力部１５０を用いてユーザがアイテム単位又はアイテム群単位に設定する画面の例を示す図である。ユーザが図１３に示すような画面を用いて、アイテム毎に境界サイクルを設定・登録処理を行うことになる。
【００４６】
図１３のグリッド部に表示されているアイテムが選択されると、グラフ表示部に当該アイテムの過去の需要量が表示される。複数のアイテムが選択された場合には、どのグラフがどのアイテムの過去の需要量に対応するものかが認識可能に表示される。よって、ユーザはグラフ表示された需要量を確認しながら、境界サイクルが可能になる。そして、ユーザによる入力部の操作に基づいて境界サイクルが設定されることになる。
【００４７】
そして、設定された境界サイクルをもとに参照期間や予測モデルのパラメータを補正して、予測を行うことになる。境界サイクルを設定してない場合は境界サイクルはなしとして、実績参照期間と期間を表す予測モデルパラメータの補正処理は行わず、当該アイテムに設定されている参照期間や、予測モデルのパラメータに基づいて予測が行われることになる。
【００４８】
また、境界サイクル設定処理については、アイテム毎ではなく、複数アイテムからなるアイテム群に対して一括して境界サイクルを設定し、当該アイテム群に含まれる全てのアイテムに対して設定適用させてもよいし、複数のアイテムを選択し、それらに同一の設定を行わせてもよい。
【００４９】
＜第３の実施形態＞
図１４は、本発明の第３の実施形態に係る予測装置の構成を示すブロック図である。図１４に示すように、第３の実施形態に係る予測装置は、データベース１００と、境界サイクル変換部１６０、参照期間補正部１２０、予測モデルのパラメータ補正部１３０、及び、予測実行部１４０とを備える。尚、図１に示す第１の実施形態に係る予測装置と比較して、境界サイクル設定部１１０がなく、新たに特定の基準日である境界日を境界サイクルに変換する境界サイクル変換部１６０が備わっている。
【００５０】
本実施形態では、図４に示すフローチャートにおける境界サイクル設定処理（ステップＳ１０１）に代えて、境界サイクル変換部１６０によって、登録されている境界日を境界サイクルに変更することにより境界サイクルを設定する。尚、その他の構成要素については、同じであり、その詳細については省略する。また、第３の実施形態に係る予測装置を実現する情報処理装置（コンピュータ）の細部構成については、図３のブロック図で示されるコンピュータと同様である。
【００５１】
図１５は、第３の実施形態に係る予測装置を用いて将来のデータを予測する処理の概要を説明するための図である。まず、境界サイクル変換部１６０が、予め設定されている境界日を過去の時系列データにおける需要量の傾向が異なる境目となる境界サイクルに変換する。すなわち、境界日に基づいて境界サイクルを設定する。そして、参照期間補正部１２０が、変換された境界サイクルに基づいて参照期間を補正し、補正参照期間を算出する。一方、予測モデル補正部１３０は、変換された境界サイクルを用いて予測モデルのパラメータを補正した補正予測モデルを算出する。そして、予測実行部１４０は、補正参照期間内のデータと補正予測モデルを用いて予測を実行する。
【００５２】
ここで、境界日から境界サイクルに変換する（すなわち、境界日に基づいて境界サイクルを設定する）ロジックに関しては様々な方法があるが、ここでは図１６に示すフローチャートで示される方法で行う。図１６は、境界日を含むサイクルに境界日以前の期間があるかどうかによって境界サイクルを設定する処理手順を説明するためのフローチャートである。すなわち、境界日を含むサイクルに境界日以前の期間があるかどうかによって、境界サイクルを当該サイクルとするか、次のサイクルとするかを判断する。このフローチャートに示す処理は、予測装置のＣＰＵ２０１によって行われる。
【００５３】
そこで、まず、予測装置のＣＰＵ２０１は、境界日を含むサイクルに境界日以前の期間があるかどうかを判定する（ステップＳ２０１）。その結果、境界日以前の期間を含むと判定した場合（Ｙｅｓ）は、境界サイクルを境界日を含むサイクルの次のサイクルとする（ステップＳ２０２）。一方、境界日以前の期間を含まないと判定した場合（Ｎｏ）は、境界サイクルを境界日を含む当該サイクルとする（ステップＳ２０３）。
【００５４】
例えば、サイクルを１日から始まる月次サイクル（６月のサイクルは６月１日から６月３０日までの期間）とし、境界日を６月１０日とした場合は、境界日を含むサイクルである６月は、６月１日から６月９日までの不安定な期間を含むこととなる。従って、境界サイクルは、次のサイクルである７月とする。また、境界日を６月１日とした場合、境界日を含むサイクルの６月の期間すべてが境界日以降であるため、境界サイクルは境界日を含む当該サイクルである６月となる。
【００５５】
また、図１７は、境界サイクルを境界日を含むサイクルのαサイクル後のサイクルとする場合の処理を説明するためのフローチャートである。例えば、境界日をアイテムの発売日とした場合、発売直後は販売量が不安定であるとし、発売日を含むサイクルの例えば３サイクル後（α＝３）のサイクルを境界サイクルとする。すなわち、発売日を６月１０日とした場合、発売日を含むサイクルである６月の３サイクル後に当たる９月が境界サイクルとなる（ステップＳ２０４）。
【００５６】
このように、本実施形態では、指定された境界日を境界サイクルに変換して、実績参照期間と期間を表す予測モデルパラメータを補正して予測を実施する。これにより、指定された境界日を例えば商品の発売日やデータの登録日等のアイテム属性値とする場合、ユーザが境界サイクルを設定する必要がなく、自動的に境界日に基づいて境界サイクルを設定することが可能となる。
【００５７】
＜第４の実施形態＞
図１８は、本発明の第４の実施形態に係る予測装置の構成を示すブロック図である。図１８に示すように、第４の実施形態に係る予測装置は、データベース１００と、境界サイクル推定部１７０、参照期間補正部１２０、予測モデルのパラメータ補正部１３０、及び、予測実行部１４０とを備える。尚、図１に示す第１の実施形態に係る予測装置と比較して、境界サイクル設定部１１０がなく、新たに境界サイクルを推定する境界サイクル推定部１７０が備わっている。
【００５８】
本実施形態では、図４に示すフローチャートにおける境界サイクル設定処理（ステップＳ１０１）に代えて、境界サイクル推定部１７０によって、過去の時系列データから境界サイクルを自動的に推定することにより境界サイクルを設定する。尚、その他の構成要素については、同じであり、その詳細については省略する。また、第３の実施形態に係る予測装置を実現する情報処理装置（コンピュータ）の細部構成については、図３のブロック図で示されるコンピュータと同様である。
【００５９】
図１９は、第４の実施形態に係る予測装置を用いて将来のデータを予測する処理の概要を説明するための図である。まず、境界サイクル推定部１６０が過去の時系列データにおける需要量の傾向が異なる境目となる境界サイクルを推定する。そして、参照期間補正部１２０が、推定された境界サイクルに基づいて参照期間を補正し、補正参照期間を算出する。一方、予測モデル補正部１３０は、推定された境界サイクルを用いて予測モデルのパラメータを補正した補正予測モデルを算出する。そして、予測実行部１４０は、補正参照期間内のデータと補正予測モデルを用いて予測を実行する。
【００６０】
ここで、境界サイクルを自動推定するロジックは様々な方法があるが、本実施形態では、図２０に示すフローのロジックを使用する。図２０は、一定期間の平均値と標準偏差により境界サイクルを推定するロジックの処理手順を説明するためのフローチャートである。このフローチャートに示す処理は、予測装置のＣＰＵ２０１によって行われる。尚、対象となるデータは図５に示すものを用いる。図２１は、図２０に示すロジックにおいてα＝６、β＝２０として図５のデータをもとに自動推定した経緯を説明するための図である。
【００６１】
まず、予測装置のＣＰＵ２０１は、変数ｋ１を０と設定する（ステップＳ３０１）。次いで、直近βーｋ１（２０か月）前のサイクルの出庫量（２００２年１１月は４）が０より大きいか否かを判定する（ステップＳ３０２）。ここで、当該出庫量が０ではないため、ＣＰＵ２０１はＹＥＳと判定し、ステップＳ３０４に進む。一方、出庫量が０以下であれば、ＮＯと判定し、１サイクルインクリメント（ｋ１＝ｋ１＋１）して（ステップＳ３０３）、上記ステップＳ３０２の処理を行う。その後、変数ｋ２を１と設定する（ステップＳ３０４）。
【００６２】
ステップＳ３０５では、予測装置のＣＰＵ２０１は、直近αサイクル（６か月間）のデータの平均値Ａ１と標準偏差値Ｓ１を求める。すなわち、本実施形態では、Ａ１＝１６３、Ｓ１＝１６となる。
【００６３】
次に、予測装置のＣＰＵ２０１は、直近からｋ２＋α（７か月）前のサイクルからαサイクル（６か月間）間の平均値Ａ２と標準偏差値Ｓ２を求める（ステップＳ３０６）。そして、当該αサイクルにおいて、|Ａ１−Ａ２|≦Ｓ１かつ|Ａ１−Ａ２|≦Ｓ２の条件を満たし、かつ、ｋ2＋α≦β−ｋ1を満たすか否かを判定する（ステップＳ３０７）。その結果、当該条件を満たすと判定した場合（Ｙｅｓ）には、ｋ２をインクリメントして（ステップＳ３０８）、ステップＳ３０５に戻る。一方、上記条件を満たさないと判定した場合（Ｙｅｓ）には、ステップＳ３０９に進む。そして直近からｋ２＋α−１サイクル前のサイクルを境界サイクルとして設定する（ステップＳ３０９）。
【００６４】
本実施形態では、ステップＳ３０７〜ステップＳ３０８〜ステップＳ３０６〜ステップＳ３０７のループ処理を繰り返す。その結果、図２１に示すように、ステップＳ３０７の条件を最後に満たしたサイクルである２００３年６月が境界サイクルであると推定される。
【００６５】
同様に、図２２は、図５のデータと逆の傾向を有し、前半は販売量が多く、後半は少なくなる時系列データを示す図である。また、図２３は、図２２に示す時系列データに対して図２０に示すフローチャートで示されるロジックを用いて境界サイクルを推定した例を示す図である。この場合、図２３に示すように、２００３年１月が境界サイクルとして推定される。
【００６６】
また、図２４は、データの有無及びデータが０より大きいか否かによって境界サイクルを推定するロジックの処理手順を説明するためのフローチャートである。まず、予測装置のＣＰＵ２０１は、直近からβーｋサイクル前のサイクルからデータが存在し、かつ、そのデータが０より大きいか否かを判定する（ステップＳ３１１〜Ｓ３１３）。その結果、データが存在して、かつ、そのデータが０より大きくなる最初のサイクルのαサイクル後（β−ｋ＋α）を境界サイクルとする（ステップＳ３１４）。
【００６７】
上記ロジックは、商品の発売日情報がない場合は、発売前のサイクルにデータがない、すなわち、販売量が０であることから、当該商品の発売日のサイクルを特定して境界サイクルとして自動判定するものである。
【００６８】
このように、過去の時系列データから境界サイクルを自動で推定することにより、境界サイクルの設定作業負荷を軽減することができる。
【００６９】
＜その他の実施形態＞
上述した各実施形態では、予測精度の悪化を招くような直近の異なる傾向の期間（サイクル）を参照期間から自動的に削除することにより、予測精度の向上を目指した。また、予測モデルのパラメータである参照期間数や予測モデルパラメータを変更しないため、ユーザが最初に任意の参照期間数を設定することで、その都度、パラメータを見直すメンテナンスの負荷を削減することが可能である。
【００７０】
また、本発明は、例えば、システム、装置、方法、プログラム若しくは記憶媒体（記録媒体）等としての実施態様をとることが可能であり、具体的には、複数の機器から構成されるシステムに適用しても良いし、また、一つの機器からなる装置に適用しても良い。
【００７１】
尚、本発明は、前述した実施形態の機能を実現するソフトウェアのプログラム（実施形態では図に示すフローチャートに対応したプログラム）を、システムあるいは装置に直接あるいは遠隔から供給し、そのシステムあるいは装置のコンピュータが該供給されたプログラムコードを読み出して実行することによっても達成される場合を含む。
【００７２】
従って、本発明の機能処理をコンピュータで実現するために、該コンピュータにインストールされるプログラムコード自体も本発明を実現するものである。つまり、本発明は、本発明の機能処理を実現するためのコンピュータプログラム自体も含まれる。
【００７３】
その場合、プログラムの機能を有していれば、オブジェクトコード、インタプリタにより実行されるプログラム、ＯＳに供給するスクリプトデータ等の形態であっても良い。
【００７４】
プログラムを供給するための記録媒体としては、例えば、フロッピー（登録商標）ディスク、ハードディスク、光ディスク、光磁気ディスク、ＭＯ、ＣＤ−ＲＯＭ、ＣＤ−Ｒ、ＣＤ−ＲＷ、磁気テープ、不揮発性のメモリカード、ＲＯＭ、ＤＶＤ（ＤＶＤ−ＲＯＭ，ＤＶＤ−Ｒ）などがある。
【００７５】
その他、プログラムの供給方法としては、クライアントコンピュータのブラウザを用いてインターネットのホームページに接続し、該ホームページから本発明のコンピュータプログラムそのもの、もしくは圧縮され自動インストール機能を含むファイルをハードディスク等の記録媒体にダウンロードすることによっても供給できる。また、本発明のプログラムを構成するプログラムコードを複数のファイルに分割し、それぞれのファイルを異なるホームページからダウンロードすることによっても実現可能である。つまり、本発明の機能処理をコンピュータで実現するためのプログラムファイルを複数のユーザに対してダウンロードさせるＷＷＷサーバも、本発明に含まれるものである。
【００７６】
また、本発明のプログラムを暗号化してＣＤ−ＲＯＭ等の記憶媒体に格納してユーザに配布し、所定の条件をクリアしたユーザに対し、インターネットを介してホームページから暗号化を解く鍵情報をダウンロードさせ、その鍵情報を使用することにより暗号化されたプログラムを実行してコンピュータにインストールさせて実現することも可能である。
【００７７】
また、コンピュータが、読み出したプログラムを実行することによって、前述した実施形態の機能が実現される他、そのプログラムの指示に基づき、コンピュータ上で稼動しているＯＳなどが、実際の処理の一部または全部を行い、その処理によっても前述した実施形態の機能が実現され得る。
【００７８】
さらに、記録媒体から読み出されたプログラムが、コンピュータに挿入された機能拡張ボードやコンピュータに接続された機能拡張ユニットに備わるメモリに書き込まれた後、そのプログラムの指示に基づき、その機能拡張ボードや機能拡張ユニットに備わるＣＰＵなどが実際の処理の一部または全部を行い、その処理によっても前述した実施形態の機能が実現される。
【図面の簡単な説明】
【００７９】
【図１】本発明の第１の実施形態に係る予測装置の構成を示すブロック図である。
【図２】第１の実施形態に係る予測装置を用いて将来のデータを予測する処理の概要を説明するための図である。
【図３】本発明の第１の実施形態に係る予測装置を実現する情報処理装置（コンピュータ）の細部構成を示すブロック図である。
【図４】本発明の一実施形態に係る予測装置の動作手順の一例を説明するためのフローチャートである。
【図５】２００２年１月から２００４年６月までの４２か月間に渡るあるアイテムの月次販売量データの一例を示す図である。
【図６】図５に示す月次販売量データをグラフ化して推移を示した図である。
【図７】ステップＳ１０３の参照期間補正処理による参照期間の補正の概要を説明するための図である。
【図８】図４に示す予測処理のフローチャートにおける予測実行処理（ステップＳ１０４）の詳細を説明するためのフローチャートである。
【図９】２００２年１月から２００４年７月までの４３か月分に渡る月次サイクルの時系列データの例を示す図である。
【図１０】図９に示す時系列データについて行われる参照期間補正処理による参照期間の補正の概要を説明するための図である。
【図１１】本発明の第２の実施形態に係る予測装置の構成を示すブロック図である。
【図１２】第２の実施形態に係る予測装置を用いて将来のデータを予測する処理の概要を説明するための図である
【図１３】境界サイクル入力部１５０を用いてユーザがアイテム単位又はアイテム群単位に設定する画面の例を示す図である。
【図１４】本発明の第３の実施形態に係る予測装置の構成を示すブロック図である。
【図１５】第３の実施形態に係る予測装置を用いて将来のデータを予測する処理の概要を説明するための図である。
【図１６】境界日を含むサイクルに境界日以前の期間があるかどうかによって境界サイクルを設定する処理手順を説明するためのフローチャートである。
【図１７】境界サイクルを境界日を含むサイクルのαサイクル後のサイクルとする場合の処理を説明するためのフローチャートである。
【図１８】本発明の第４の実施形態に係る予測装置の構成を示すブロック図である。
【図１９】第４の実施形態に係る予測装置を用いて将来のデータを予測する処理の概要を説明するための図である。
【図２０】一定期間の平均値と標準偏差により境界サイクルを推定するロジックの処理手順を説明するためのフローチャートである。
【図２１】図２０に示すロジックにおいてα＝６、β＝２０として図５のデータをもとに自動推定した経緯を説明するための図である。
【図２２】図５のデータと逆の傾向を有し、前半は販売量が多く、後半は少なくなる時系列データを示す図である。
【図２３】図２２に示す時系列データに対して図２０に示すフローチャートで示されるロジックを用いて境界サイクルを推定した例を示す図である。
【図２４】データの有無及びデータが０より大きいか否かによって境界サイクルを推定するロジックの処理手順を説明するためのフローチャートである。
【符号の説明】
【００８０】
１００ データベース（ＤＢ）
１０１ アイテムマスタ
１０２ 時系列データＤＢ
１０３ 予測モデル情報ＤＢ
１１０ 境界サイクル設定部
１２０ 参照期間補正部
１３０ 予測モデル補正部
１４０ 予測実行部
１５０ 境界サイクル入力部
１６０ 境界サイクル変換部
１７０ 境界サイクル推定部
【特許請求の範囲】
【請求項１】
所定サイクル単位でデータ構成された過去の時系列データから所定のサイクル数を参照期間として将来のデータを予測する予測装置であって、
前記過去の時系列データにおいてデータ傾向が変化するサイクルを境界サイクルとして設定する境界設定手段と、
将来のデータの予測に際して参照される所定の参照期間内に前記境界サイクルより前のサイクルが含まれているか否かを判定する第１の判定手段と、
前記参照期間内に前記過去の時系列データにおいてデータ傾向が変化する前のサイクルが含まれている場合、前記境界サイクルに基づいて、該参照期間を前記過去の時系列データにおいてデータ傾向が変化した後のサイクル数である新たな参照期間に補正する参照期間補正手段と、
前記参照期間補正手段で参照期間が補正された場合、補正された前記新たな参照期間内の時系列データを参照して所定の予測モデルを用いて将来のデータを予測する予測手段と
を備えることを特徴とする予測装置。
【請求項２】
前記過去の時系列データを表示し、オペレータによる境界サイクルの設定入力を受け付けるＵＩ画面を表示する表示手段をさらに備え、
前記境界設定手段が、前記ＵＩ画面を介したオペレータによる設定入力に基づいて前記境界サイクルを設定する
ことを特徴とする請求項１に記載の予測装置。
【請求項３】
前記表示手段が、各アイテム毎又は複数のアイテムから構成されるアイテム群毎に前記ＵＩ画面上に前記過去の時系列データを表示し、
前記境界設定手段が、各アイテム毎又はアイテム群毎に前記境界サイクルを設定する
ことを特徴とする請求項２に記載の予測装置。
【請求項４】
前記境界設定手段が、予測対象となるアイテムの時系列データに関して予め指定されている所定の基準日に基づいて前記境界サイクルを設定することを特徴とする請求項１に記載の予測装置。
【請求項５】
前記基準日を含むサイクル内に該基準日以前の期間が存在するか否かを判定する期間判定手段をさらに備え、
前記境界設定手段は、前記サイクル内に前記期間が存在する場合は該サイクルの次のサイクルを境界サイクルとして設定し、前記サイクル内に前記期間が存在しない場合は該サイクルを境界サイクルとして設定する
ことを特徴とする請求項４に記載の予測装置。
【請求項６】
前記境界設定手段が、
前記過去の時系列データのうち所定の期間数を有する直近の期間である第１の期間と、該第１の期間と同一期間数を有する第２の期間とを設定する第１の手段と、
前記第１の期間内のデータと、前記第２の期間内のデータとを比較して所定の条件を満たすか否かを判定する第２の手段と、
前記第２の手段による判定結果に基づいて前記境界サイクルを設定する第三の手段と
を備えることを特徴とする請求項１に記載の予測装置。
【請求項７】
前記第２の手段は、前記第１の期間内の平均データと前記第２の期間内の平均データとの差分値が、前記第１の期間内の標準偏差データ及び前記第２の期間内の標準偏差データ以下であるという条件を満たすか否かを判定することを特徴とする請求項６に記載の予測装置。
【請求項８】
前記所定の予測モデルに該予測モデルの対象期間数を示すパラメータが設定されている場合に、
前記対象期間数に基づく対象期間内に前記境界サイクルより前のサイクルが含まれているか否かを判定する第２の判定手段と、
前記対象期間内に前記過去の時系列データにおいてデータ傾向が変化する前のサイクルが含まれている場合、前記境界サイクルに基づき、前記対象期間数を前記過去の時系列データのデータ傾向が変化した後のサイクル数に補正する対象期間数補正手段とをさらに備え、
対象期間数が補正された場合に、前記予測手段は、補正した前記対象期間数を前記所定の予測モデルのパラメータとして将来のデータを予測する
ことを特徴とする請求項１から７までのいずれか１項に記載の予測装置。
【請求項９】
所定サイクル単位でデータ構成された過去の時系列データから所定のサイクル数を参照期間として将来のデータを予測する予測方法であって、
前記過去の時系列データにおいてデータ傾向が変化するサイクルを境界サイクルとして設定する境界設定工程と、
将来のデータの予測に際して参照される所定の参照期間内に前記過去の時系列データのデータ傾向が変化する前のサイクルが含まれているか否かを判定する判定工程と、
前記参照期間内に前記境界サイクルよりも前のサイクルが含まれている場合、前記境界サイクルに基づき、該参照期間を前記過去の時系列データのデータ傾向が変化した後のサイクル数である新たな参照期間に補正する参照期間補正工程と、
前記参照期間補正工程で参照期間が補正された場合、補正された前記新たな参照期間内の時系列データを参照して所定の予測モデルを用いて将来のデータを予測する予測工程と
を備えることを特徴とする予測方法。
【請求項１０】
所定サイクル単位でデータ構成された過去の時系列データから、所定のサイクル数を参照期間として将来のデータの予測を行うことを実現するプログラムであって、
前記過去の時系列データにおいてデータ傾向が変化するサイクルを境界サイクルとして設定する境界設定工程のプログラムコードと、
将来のデータの予測に際して参照される所定の参照期間内に前記過去の時系列データのデータ傾向が変化する前のサイクルが含まれているか否かを判定する判定工程のプログラムコードと、
前記参照期間内に前記境界サイクルよりも前のサイクルが含まれている場合、前記境界サイクルに基づき、該参照期間を前記過去の時系列データのデータ傾向が変化した後のサイクル数である新たな参照期間に補正する参照期間補正工程のプログラムコードと、
前記参照期間補正工程で参照期間が補正された場合、補正された前記新たな参照期間内の時系列データを参照して所定の予測モデルを用いて将来のデータを予測する予測工程のプログラムコードと
を備えることを特徴とするプログラム。
【請求項１】
所定サイクル単位でデータ構成された過去の時系列データから所定のサイクル数を参照期間として将来のデータを予測する予測装置であって、
前記過去の時系列データにおいてデータ傾向が変化するサイクルを境界サイクルとして設定する境界設定手段と、
将来のデータの予測に際して参照される所定の参照期間内に前記境界サイクルより前のサイクルが含まれているか否かを判定する第１の判定手段と、
前記参照期間内に前記過去の時系列データにおいてデータ傾向が変化する前のサイクルが含まれている場合、前記境界サイクルに基づいて、該参照期間を前記過去の時系列データにおいてデータ傾向が変化した後のサイクル数である新たな参照期間に補正する参照期間補正手段と、
前記参照期間補正手段で参照期間が補正された場合、補正された前記新たな参照期間内の時系列データを参照して所定の予測モデルを用いて将来のデータを予測する予測手段と
を備えることを特徴とする予測装置。
【請求項２】
前記過去の時系列データを表示し、オペレータによる境界サイクルの設定入力を受け付けるＵＩ画面を表示する表示手段をさらに備え、
前記境界設定手段が、前記ＵＩ画面を介したオペレータによる設定入力に基づいて前記境界サイクルを設定する
ことを特徴とする請求項１に記載の予測装置。
【請求項３】
前記表示手段が、各アイテム毎又は複数のアイテムから構成されるアイテム群毎に前記ＵＩ画面上に前記過去の時系列データを表示し、
前記境界設定手段が、各アイテム毎又はアイテム群毎に前記境界サイクルを設定する
ことを特徴とする請求項２に記載の予測装置。
【請求項４】
前記境界設定手段が、予測対象となるアイテムの時系列データに関して予め指定されている所定の基準日に基づいて前記境界サイクルを設定することを特徴とする請求項１に記載の予測装置。
【請求項５】
前記基準日を含むサイクル内に該基準日以前の期間が存在するか否かを判定する期間判定手段をさらに備え、
前記境界設定手段は、前記サイクル内に前記期間が存在する場合は該サイクルの次のサイクルを境界サイクルとして設定し、前記サイクル内に前記期間が存在しない場合は該サイクルを境界サイクルとして設定する
ことを特徴とする請求項４に記載の予測装置。
【請求項６】
前記境界設定手段が、
前記過去の時系列データのうち所定の期間数を有する直近の期間である第１の期間と、該第１の期間と同一期間数を有する第２の期間とを設定する第１の手段と、
前記第１の期間内のデータと、前記第２の期間内のデータとを比較して所定の条件を満たすか否かを判定する第２の手段と、
前記第２の手段による判定結果に基づいて前記境界サイクルを設定する第三の手段と
を備えることを特徴とする請求項１に記載の予測装置。
【請求項７】
前記第２の手段は、前記第１の期間内の平均データと前記第２の期間内の平均データとの差分値が、前記第１の期間内の標準偏差データ及び前記第２の期間内の標準偏差データ以下であるという条件を満たすか否かを判定することを特徴とする請求項６に記載の予測装置。
【請求項８】
前記所定の予測モデルに該予測モデルの対象期間数を示すパラメータが設定されている場合に、
前記対象期間数に基づく対象期間内に前記境界サイクルより前のサイクルが含まれているか否かを判定する第２の判定手段と、
前記対象期間内に前記過去の時系列データにおいてデータ傾向が変化する前のサイクルが含まれている場合、前記境界サイクルに基づき、前記対象期間数を前記過去の時系列データのデータ傾向が変化した後のサイクル数に補正する対象期間数補正手段とをさらに備え、
対象期間数が補正された場合に、前記予測手段は、補正した前記対象期間数を前記所定の予測モデルのパラメータとして将来のデータを予測する
ことを特徴とする請求項１から７までのいずれか１項に記載の予測装置。
【請求項９】
所定サイクル単位でデータ構成された過去の時系列データから所定のサイクル数を参照期間として将来のデータを予測する予測方法であって、
前記過去の時系列データにおいてデータ傾向が変化するサイクルを境界サイクルとして設定する境界設定工程と、
将来のデータの予測に際して参照される所定の参照期間内に前記過去の時系列データのデータ傾向が変化する前のサイクルが含まれているか否かを判定する判定工程と、
前記参照期間内に前記境界サイクルよりも前のサイクルが含まれている場合、前記境界サイクルに基づき、該参照期間を前記過去の時系列データのデータ傾向が変化した後のサイクル数である新たな参照期間に補正する参照期間補正工程と、
前記参照期間補正工程で参照期間が補正された場合、補正された前記新たな参照期間内の時系列データを参照して所定の予測モデルを用いて将来のデータを予測する予測工程と
を備えることを特徴とする予測方法。
【請求項１０】
所定サイクル単位でデータ構成された過去の時系列データから、所定のサイクル数を参照期間として将来のデータの予測を行うことを実現するプログラムであって、
前記過去の時系列データにおいてデータ傾向が変化するサイクルを境界サイクルとして設定する境界設定工程のプログラムコードと、
将来のデータの予測に際して参照される所定の参照期間内に前記過去の時系列データのデータ傾向が変化する前のサイクルが含まれているか否かを判定する判定工程のプログラムコードと、
前記参照期間内に前記境界サイクルよりも前のサイクルが含まれている場合、前記境界サイクルに基づき、該参照期間を前記過去の時系列データのデータ傾向が変化した後のサイクル数である新たな参照期間に補正する参照期間補正工程のプログラムコードと、
前記参照期間補正工程で参照期間が補正された場合、補正された前記新たな参照期間内の時系列データを参照して所定の予測モデルを用いて将来のデータを予測する予測工程のプログラムコードと
を備えることを特徴とするプログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図１８】
【図１９】
【図２０】
【図２１】
【図２２】
【図２３】
【図２４】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図１８】
【図１９】
【図２０】
【図２１】
【図２２】
【図２３】
【図２４】
【公開番号】特開２００６−９２１０６（Ｐ２００６−９２１０６Ａ）
【公開日】平成１８年４月６日（２００６．４．６）
【国際特許分類】
【出願番号】特願２００４−２７４９５５（Ｐ２００４−２７４９５５）
【出願日】平成１６年９月２２日（２００４．９．２２）
【出願人】（５９２１３５２０３）キヤノンシステムソリューションズ株式会社 (528)
【公開日】平成１８年４月６日（２００６．４．６）
【国際特許分類】
【出願日】平成１６年９月２２日（２００４．９．２２）
【出願人】（５９２１３５２０３）キヤノンシステムソリューションズ株式会社 (528)
[ Back to top ]