CN115943399A - 生成方法、生成装置、程序、信息处理方法及信息处理装置 - Google Patents

生成方法、生成装置、程序、信息处理方法及信息处理装置 Download PDF

Info

Publication number
CN115943399A
CN115943399A CN202180045316.0A CN202180045316A CN115943399A CN 115943399 A CN115943399 A CN 115943399A CN 202180045316 A CN202180045316 A CN 202180045316A CN 115943399 A CN115943399 A CN 115943399A
Authority
CN
China
Prior art keywords
demand
distribution
amount
model
information processing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180045316.0A
Other languages
English (en)
Inventor
立松郁也
三宅聪一朗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Daikin Industries Ltd
Original Assignee
Daikin Industries Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Daikin Industries Ltd filed Critical Daikin Industries Ltd
Publication of CN115943399A publication Critical patent/CN115943399A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Storage Device Security (AREA)
  • Debugging And Monitoring (AREA)
  • Devices For Executing Special Programs (AREA)

Abstract

信息处理装置执行基于包括商品或服务的需求量的实绩值和表示需求产生时的状况的信息的组的数据的数据集而生成模型的处理,该模型推定将需求量的实绩值的分布在自该分布的中央偏离规定量的位置进行分割的值。

Description

生成方法、生成装置、程序、信息处理方法及信息处理装置
技术领域
本发明涉及生成方法、生成装置、程序、信息处理方法及信息处理装置。
背景技术
以往,一直进行商品、服务的需求预测。在需求预测中,对预测值的误差进行推定的技术也为人所知(例如,参照专利文献1)。
<现有技术文献>
<专利文献>
专利文献1:日本国特开2017-10436号公报
发明内容
<本发明要解决的问题>
但是,在现有技术中,例如,在需求量的变动量根据说明变量而不同的情况或者根据说明变量的需求量的实绩值的分布存在偏倚等的情况下,有时无法恰当预测需求量。本发明的目的在于,提供一种能够恰当预测需求量的技术。
<用于解决问题的方法>
本发明的第一方式的生成方法中,信息处理装置执行基于包括商品或服务的需求量的实绩值和表示需求产生时的状况的信息的组的数据的数据集而生成模型的处理,该模型推定将需求量的实绩值的分布在自该分布的中央偏离规定量的位置进行分割的值。
另外,对于本发明的第二方式,在第一方式中记载的生成方法中,上述模型包括两种模型,在生成上述模型的处理中,生成第一上述模型和第二上述模型,该第一上述模型通过利用了上述数据集的学习,对上述分布的中央进行推定,该第二上述模型通过利用了基于对于上述需求量的实绩值的分布的规定的分位数的非对称的损失函数的学习,对上述分布的预测幅度进行推定。
另外,对于本发明的第三方式,在第二方式中记载的生成方法中,在生成上述模型的处理中,通过使用在包括不存在上述规定的分位数和上述需求量的实绩值的差的点的规定范围内成为曲线的损失函数的学习,生成第二上述模型。
另外,对于本发明的第四方式,在第一方式中记载的生成方法中,上述模型包括两种模型,在生成上述模型的处理中,生成第一上述模型和第二上述模型,该第一上述模型通过利用了上述数据集的学习,对上述分布的中央进行推定,该第二上述模型根据上述需求量的预测值的误差幅度的概率分布,对上述分布的预测幅度进行推定。
另外,对于本发明的第五方式,在第四方式中记载的生成方法中,在生成上述模型的处理中,从根据上述需求量的预测值而变化的多种函数中选择一个上述函数,并且生成根据由选择的上述函数决定的上述误差幅度的概率分布对上述分布的预测幅度进行推定的上述第二上述模型。
另外,对于本发明的第六方式,在第一至五中任一方式中记载的生成方法中,上述表示状况的信息包括新接受的订单的量、气温、天气、每个产品的制造成本、去除了阈值以上的订单量的订单的需求实绩、接受订单之后未提供的量、存在接受订单的可能性的量、对于销售负责人设定的销售额的目标台数、以及对于店铺设定的销售额的目标台数的至少一者。
另外,对于本发明的第七方式,在第一至六种任一方式中记载的生成方法中,上述表示状况的信息包括在规定期间内发货的空气调和装置的运转能力、在规定期间内发货的室内机的台数、以及在规定期间内发货的室外机的台数的至少一者。
另外,本发明的第八方式的生成装置基于包括商品或服务的需求量的实绩值和表示需求产生时的状况的信息的组的数据的数据集而生成模型,该模型推定将规定的状况下的需求量的分布在自中央偏离规定量的位置进行分割的值。
另外,本发明的第九方式的程序使信息处理装置执行生成模型的处理,该模型基于包括商品或服务的需求量的实绩值和表示需求产生时的状况的信息的组的数据的数据集,推定将需求量的实绩值的分布在自该分布的中央偏离规定量的位置进行分割的值。
另外,本发明的第十方式的信息处理方法中,信息处理装置执行以下处理:使用基于包括商品或服务的需求量的实绩值和表示需求产生时的状况的信息的组的数据的数据集而生成的模型,输出将需求量的实绩值的分布在自该分布的中央偏离规定量的位置进行分割的值。
另外,本发明的第十一方式的信息处理装置使用基于包括商品或服务的需求量的实绩值和表示需求产生时的状况的信息的组的数据的数据集而生成的模型,输出对需求量的实绩值的分布在自该分布的中央偏离规定量的位置进行分割的值。
另外,本发明的第十二方式的程序使信息处理装置执行以下处理:使用基于包括商品或服务的需求量的实绩值和表示需求产生时的状况的信息的组的数据的数据集而生成的模型,输出将需求量的实绩值的分布在自该分布的中央偏离规定量的位置进行分割的值。
附图说明
图1是示出实施方式的信息处理***的***构成的一个例子的图。
图2是示出实施方式的信息处理装置的硬件构成的一个例子的图。
图3是示出实施方式的信息处理装置的功能构成的一个例子的图。
图4是示出实施方式的信息处理装置的学习时的处理的一个例子的流程图。
图5是对实施方式的训练数据的一个例子进行说明的图。
图6是对实施方式的损失函数的一个例子进行说明的图。
图7是示出实施方式的信息处理装置的推断时的处理的一个例子的流程图。
图8是对实施方式的需求预测结果的显示画面的一个例子进行说明的图。
图9是示出实施方式的信息处理装置10A的学习时的处理的一个例子的流程图。
图10是示出实施方式的信息处理装置10B的推断时的处理的一个例子的流程图。
图11是示出第二实施方式的信息处理装置10B的推断时的处理的一个例子的说明图。
图12是对与需求量的预测值相应的误差幅度进行推断的误差模型的一个例子的说明图。
图13是基于通常的方差推定的误差幅度的一个例子的说明图。
图14是通过比较多个函数来生成合适的误差模型的方法的一个例子的说明图。
具体实施方式
以下,参照附图对各实施方式进行说明。需要说明的是,在本说明书以及附图中,对于实质具有相同功能构成的构成要素,通过赋予相同附图标记而省略重复的说明。
<***构成>
首先,对于信息处理***1的***构成进行说明。图1是示出实施方式的信息处理***1的***构成的一个例子的图。如图1所示,信息处理***1具有信息处理装置10A以及信息处理装置10B(以下,在不需要分别区分的情况下,仅称为“信息处理装置10”。)。信息处理装置10的数量不限于图1的例子。需要说明的是,信息处理装置10A是“生成装置”的一个例子。
信息处理装置10A和信息处理装置10B以例如可以通过LAN(Local AreaNetwork)、无线LAN、因特网、以及5G等的便携电话网等的网络NW进行通信的方式连接。
信息处理装置10A例如是服务器等的信息处理装置。信息处理装置10A可以是云端上的服务器。信息处理装置10A通过机器学习来生成用于进行各种商品以及服务(以下,也适当称为“商品等”。)的需求预测的学习完毕模型等的模型。以下,对生成学习完毕模型的例子进行说明。信息处理装置10A例如可以生成用于进行产品发货量的预测、部件需求量的预测、维护委托(修理委托)件数的预测、客服中心的来电数量(来自顾客的问询件数)的预测、配送卡车的需求量的预测、以及化学产品等的原材料的消費量的预测等的学习完毕模型。
信息处理装置10B例如可以是设置于提供商品或服务的营业者的各据点的服务器、台式PC(Personal Computer)、笔记本PC、平板PC等的信息处理装置。信息处理装置10B使用由信息处理装置10A生成的学习完毕模型,进行需求预测。需要说明的是,信息处理装置10A和信息处理装置10B可以是同一装置。
<信息处理装置10的硬件构成>
接下来,对于实施方式的信息处理装置10的硬件构成进行说明。图2是示出实施方式的信息处理装置10的硬件构成的一个例子的图。如图2所示,信息处理装置10具有CPU(Central Processing Unit)101、ROM(Read Only Memory)102、以及RAM(Random AccessMemory)103。CPU101、ROM102、RAM103形成所谓计算机。另外,信息处理装置10具有辅助存储装置104、显示装置105、操作装置106、I/F(Interface)装置107、以及驱动装置108。信息处理装置10的各硬件通过总线109彼此连接。
CPU101是用于执行在辅助存储装置104中安装的各种程序(例如,机器学习程序等)的运算设备。ROM102是非易失性存储器。ROM102作为主存储设备起作用,其储存CPU101用于执行在辅助存储装置104中安装的各种程序所需的各种程序、数据等。具体而言,其储存ROM102BIOS(Basic Input/Output System)、EFI(Extensible Firmware Interface)等的启动程序等。
RAM103是DRAM(Dynamic Random Access Memory)、SRAM(Static Random AccessMemory)等的易失性存储器。RAM103作为主存储设备起作用,其提供在辅助存储装置104中安装的各种程序被CPU101执行时所展开的作业区域。
辅助存储装置104用于储存各种程序、各种程序被执行时所使用的信息。
显示装置105是用于显示各种信息的显示设备。操作装置106是用于接受各种操作的操作设备。I/F装置107是用于与外部的机器进行通信的通信设备。
驱动装置108是用于安置存储介质110的设备。这里所说的存储介质110包括CD-ROM、软盘、磁光盘等那样用光、电或磁来记录信息的介质。另外,存储介质110可以包括ROM、闪存等那样电记录信息的半导体存储器等。
需要说明的是,在辅助存储装置104中安装的各种程序例如通过发放的存储介质110被安置于驱动装置108,并且在该存储介质110中记录的各种程序被驱动装置108读取而被安装。或者,在辅助存储装置104中安装的各种程序可以通过自未图示的网络进行下载而被安装。
<功能构成>
接下来,参照图3,对于实施方式的信息处理***1的功能构成进行说明。图3是示出实施方式的信息处理装置10的功能构成的一个例子的图。
《信息处理装置10A》
信息处理装置10A具有取得部11、生成部12、以及输出部13。这些各部例如可以通过在信息处理装置10A中安装的一个以上的程序与信息处理装置10A的CPU101、ROM102、以及RAM103等的协作来实现。
取得部11自外部装置的存储部、以及信息处理装置10A的存储部取得各种数据。取得部11例如取得用于进行机器学习的数据。
生成部12基于通过取得部11取得的数据而进行机器学习,从而生成学习完毕模型。
输出部13输出各种信息。输出部13例如将由生成部12生成的学习完毕模型发送(传送)至信息处理装置10B。
《信息处理装置10B》
信息处理装置10B具有取得部21、推断部22、以及输出部23。这些各部例如通过在信息处理装置10B中安装的一个以上的程序与信息处理装置10B的CPU101、ROM102、以及RAM103等的协作来实现。
取得部21自外部装置的存储部、以及信息处理装置10B的存储部取得各种数据。取得部21例如自信息处理装置10A取得学习完毕模型。另外,取得部21例如取得用于使用该学习完毕模型进行推断的数据(测试数据)。
推断部22基于通过该学习完毕模型和取得部21取得的测试数据,进行需求量的预测(推断)。输出部23进行基于通过推断部22预测的需求量的显示等。
<第一实施方式的处理>
《学习时的处理》
参照图4以及图5,对于实施方式的信息处理装置10A的学习时的处理的一个例子进行说明。图4是示出实施方式的信息处理装置10A的学习时的处理的一个例子的流程图。图5是对于实施方式的训练数据的一个例子进行说明的图。需要说明的是,以下,对于预测与空气调和装置相关的需求的例子进行说明。
在步骤S101中,信息处理装置10A的取得部11取得图5所示训练数据(学习数据、training data)501。在图5的例子中,包括各期间中的需求量的实绩值与表示各期间中的状况的信息的组的数据的数据集作为训练数据501被取得。需要说明的是,取得部11可以对在规定的DB(数据库)中记录的数据进行加工(预处理),从而生成该数据集。
需求量的实绩值例如可以是商品的发货台数。由此,信息处理装置10B的使用者能够根据某个期间中的商品的发货台数的规定的分位数的推定值,制作该商品的库存计划。另外,需求量的实绩值可以是新接受的订单的量。需要说明的是,需求量的实绩值是成为推断的对象的目的变量。取得部11可以将需求量的实绩值进行对数变换(对数化)。由此,例如,在某个期间中的需求量的实绩值极其大的情况下,能够降低该期间中的说明变量的至少一部分被过大评价。
表示状况的信息是表示产生需求时的状况的信息,是用于对需求量进行预测的说明变量。表示状况的信息可以包括新接受的订单的量、气温、天气(天候、气候)、每个产品的制造成本、接受订单后未提供的量(订单剩余的量)、以及去除了阈值以上的订单量的订单的需求实绩的至少一者。另外,表示需求产生时的状况的信息可以包括存在接受订单的可能性的量、对销售负责人设定的销售额的目标台数、以及对店铺设定的销售额的目标台数的至少一者。另外,表示需求产生时的状况的信息可以包括在该各期间之前的规定期间(例如,上个月)内发货的空气调和装置(空调)的运转能力、在该各期间之前的规定期间内发货的室内机的台数、在该各期间之前的规定期间内发货的室外机的台数、以及空气调和装置的类别的至少一者。
新接受的订单的量是新接受订单的商品等的量。气温例如是各期间中的最高温度和最低气温的至少一者。天气可以是各期间中的各日的天气。各日的天气例如可以由“晴”、“阴”、“雨”等的天气的分类来表示。
每个产品的制造成本是成为商品的产品的制造成本。由此,例如,在存在制造成本较高的商品的需求的波动较大等的倾向的情况下,能够恰当地进行需求预测。
接受订单后未提供的量是接受订单而未提供的商品等的量。由此,例如,在存在订货至交货所花费时间(交付周期)较长的业务用的空气调和装置等的订单剩余的量较多的情况下之后的新订单减少等的倾向的情况下,能够恰当地进行需求预测。
去除阈值以上的订单量的订单的需求实绩是自上述新接受的订单的量去除阈值以上的订单量的订单后的量、以及自上述接受订单后未提供的量去除阈值以上的订单量的订单后的量的至少一者。由此,例如,能够基于去除了订单频率较低且订单量较多的突发的大宗交易的订单实绩后的数据进行机器学习,从而能够恰当地进行需求预测。
存在接受订单的可能性的量例如是通过对于买卖的条件的问询(函询)、以及销售负责人等自顾客接受了报价的委托等,从而以一定程度以上的准确度有希望获得订单的量。
对销售负责人设定的销售额的目标台数例如是在规定的销售店中对各销售负责人设定的销售额的目标台数。对店铺设定的销售额的目标台数是对规定的销售店设定的销售额的目标台数。由此,例如,在存在强化销售的期间中订单量增加等的倾向的情况下,能够恰当地进行需求预测。
空气调和装置的运转能力例如可以是空气调和装置的冷气暖气能力。该冷气暖气能力是每单位时间自室内除去、或者给予室内的热能的值,可以由kW的单位表示。由此,例如,在存在规定级别的运转能力的产品以每个月相同程度被发货等的倾向的情况下,能够恰当地进行需求预测。
在该各期间之前的规定期间内发货的室内机的台数、以及在该各期间之前的规定期间内发货的室外机的台数例如分别是上个月发货的空气调和装置的室内机的台数和室外机的台数。由此,例如,在某个机种的室外机的发货台数与和该机种对应的机种的室内机的发货台数存在相互关联的情况下,能够恰当地进行需求预测。
空气调和装置的类别例如可以是业务用、家庭用等的空气调和装置的用途的类别。由此,例如,在存在业务用的订单剩余的量与需求量的相互关联较大,家庭用的气温与需求量的相互关联较大等的倾向的情况下,能够恰当地进行需求预测。
接下来,信息处理装置10A的生成部12基于取得的训练数据,进行基于规定的分位数(分位数回归(Quantile Regression))的机器学习,生成学习完毕模型(步骤S102)。这里,生成部12可以生成对将与需求产生时的状况相应的需求量的实绩值的分布在自该分布的中央偏离规定量的位置进行分割的值进行推定(预测)的学习完毕模型。由此,例如,能够恰当地预测与需求量的实绩值的分布的偏倚相应的需求量。另外,能够恰当地预测还考虑了说明变量与误差的方差的关系的、在规定的状况下以一定的准确度自需求量的中央值偏离的程度(预测幅度)。
生成部12可以分别生成对与状况相应的需求量的上限值进行推定的第一学习完毕模型、对中央值进行推定的第二学习完毕模型、以及对下限值进行推定的第三学习完毕模型。在该情况下,生成部12例如可以将后述τ的值分别设定为3/4、1/2、1/4,从而生成第一学习完毕模型、第二学习完毕模型、以及第三学习完毕模型。在该情况下,通过信息处理装置10B,3/4分位数(第3四分位数、上侧四分位数)作为需求预测中的上限值被加算出,1/4分位数(第1四分位数、下侧四分位数)作为需求预测中的下限值被使用者计算出。由此,例如,信息处理装置10B的使用者能够根据某个期间中的商品的发货台数的各分位数的推定值,以一定程度的准确度,使使用者掌握自中央值以何种程度偏离。
(关于机器学习中的损失函数)
生成部12可以通过基于对于该需求量的实绩值的分布的规定的分位数的机器学习,生成该学习完毕模型。在该情况下,生成部12可以将以下的式(1)的f(γ)用作损失函数而进行机器学习。需要说明的是,以下,τ是0至1的实数,是用于将分布分割为τ:1-τ的值。τ的值可以通过信息处理装置10A的管理者等事先设定。γ是需求量的实绩值与将分布分割为τ:1-τ的值即τ分位数的推定值的差(残差)。
(数学式1)
Figure BDA0004012014570000101
生成部12利用式(1)的f(γ)进行根据残差的符号而不同的非对称的加权,并且计算使作为残差的绝对值的加权和的损失最小化的τ分位数的值。
((使机器学习的收敛性提高的例子))
生成部12可以使用在包括不存在需求量的τ分位数与需求量的实绩值的差的点(图6的原点)的规定范围内成为曲线的损失函数。在该情况下,生成部12可以将以下的式(2)的f(γ)用作损失函数来进行机器学习。根据式(2),需求量的分布大致被分割为τ:1-τ。
(数学式2)
Figure BDA0004012014570000102
在图6中示出了τ为3/4(0.75)的情况下的、表示式(1)的损失函数f(γ)的各值的线601以及表示式(2)的损失函数f(γ)的各值的曲线602。需要说明的是,在图6中,纵轴是损失函数f(γ)的值,横轴Y是实绩值与τ分位数的推定值的残差。
代替残差为0且直线(线性)变化的式(1),通过使用残差为0且非线性、连续变化的式(2)的损失函数f(γ),能够使机器学习更高速收敛。
(关于机器学习的手法)
生成部12作为机器学习的手法,可以使用通过梯度法求出基于损失函数的被加权的损失为最小的值的方法。在该情况下,生成部12例如可以进行使用了GBDT(GradientBoosting Decision Tree)、随机森林(Random Forest)、决策树(Decision Tree)、或神经网络(Neural Network)等的机器学习。
接下来,信息处理装置10A的输出部13将通过生成部12生成的学习完毕模型发送至信息处理装置10B(步骤S103)。这里,输出部13例如可以在接收了来自信息处理装置10B的请求的情况下,使信息处理装置10B下载该学习完毕模型。
《推断时的处理》
接下来,参照图7以及图8,对于实施方式的信息处理装置10B的推断时的处理的一个例子进行说明。图7是示出实施方式的信息处理装置10B的推断时的处理的一个例子的流程图。图8是对实施方式的需求预测结果的显示画面的一个例子进行说明的图。
在步骤S201中,信息处理装置10B的取得部21取得由信息处理装置10A生成的学习完毕模型、以及用于使用该学习完毕模型进行推断的测试数据。这里,取得部21取得具有与图5的训练数据501中包含的表示状况的信息同样的项目的测试数据。
需要说明的是,在作为测试数据使用时的该表示状况的信息中包含的各项目的数据可以是预测值。在该情况下,例如,在表示状况的信息中包含的、气温、天气、对销售负责人设定的销售额的目标台数、以及对店铺设定的销售额的目标台数等的项目的数据可以是作为需求预测的对象的期间(例如,本月或下个月等)的预测值。需要说明的是,取得部21可以对在规定的DB中记录的数据进行加工(预处理),从而生成该测试数据。
接下来,信息处理装置10B的推断部22基于该学习完毕模型和通过取得部21取得的测试数据,进行需求量的预测(推断)(步骤S202)。这里,推断部22通过将该测试数据输入该学习完毕模型,计算出作为需求预测的对象的期间中的需求量的预测值。
这里,推断部22可以将该测试数据分别输入对与状况相应的需求量的上限值进行推定的第一学习完毕模型、对中央值进行推定的第二学习完毕模型、以及对下限值进行推定的第三学习完毕模型,从而分别计算出作为需求预测的对象的期间中的需求量的上限值、中央值、以及下限值的推定值。
接下来,信息处理装置10B的输出部23输出通过推断部22预测的需求量(步骤S203)。在图8的例子中,输出部23可以在显示画面中显示过去的需求量的实绩值的折线801、以及事先设定的今后的需求量的计划值的折线802。并且,输出部23显示通过推断部22计算出的、分别表示作为需求预测的对象的期间中的需求量的上限值、中央值、以及下限值的折线803A、803B、以及803C。
<第二实施方式的处理>
《学习时的处理》
参照图9,对于第二实施方式的信息处理装置10A的学习时的处理的一个例子进行说明。图9是示出实施方式的信息处理装置10A的学习时的处理的一个例子的流程图。需要说明的是,以下,对于预测与空气调和装置相关的需求的例子进行说明。
在步骤S301中,信息处理装置10A的取得部11取得例如在图5中示出并进行了说明的那样的学习中所使用的数据。在学习中所使用的数据是包括各期间中的需求量的实绩值与表示各期间中的状况的信息的组的数据的数据集。
在步骤S302中,信息处理装置10A的生成部12基于在学习中使用的数据中包含的学习数据,通过机器学习生成预测模型。在步骤S303中,信息处理装置10A的输出部13将通过生成部12生成的预测模型传送至信息处理装置10B。这里,输出部13例如可以在接受了来自信息处理装置10B的情况下,使信息处理装置10B下载预测模型。
《推断时的处理》
接下来,参照图10,对于第二实施方式的信息处理装置10B的推断时的处理的一个例子进行说明。图10是示出实施方式的信息处理装置10B的推断时的处理的一个例子的流程图。
在步骤S401中,信息处理装置10B的取得部21取得由信息处理装置10A生成的学习完毕模型、以及用于推断的数据。例如,取得部21作为用于推断的数据取得测试数据,该测试数据具有与图5中示出且说明的训练数据501中包含的表示状况的信息相同的项目的数据。
接下来,在步骤S402中,信息处理装置10B的推断部22基于学习完毕模型和由取得部21取得的测试数据,进行未来以及过去的需求量的预测(推断)。这里,推断部22通过将测试数据输入学习完毕模型,从而计算未来以及过去的需求量的预测值。
在步骤S403中,推断部22根据在步骤S402中推断的过去的需求量的预测值与在测试数据含有的过去的需求量的实绩值的误差,通过后述那样的统计分析,生成与预测值相应的误差模型。如此,推断部22生成用于推断与需求量的预测值相应的误差幅度的误差模型。
在步骤S404中,推断部22通过误差模型对未来的需求量的预测值的误差幅度进行推断,计算出未来的需求量的预测值的预测幅度。预测幅度是在规定的状况下以一定的准确度自需求量的中央值偏离的程度。如此,推断部22通过使用用于推定与状况相应的需求量的中央值的预测模型、以及用于推定与需求量的预测值相应的预测幅度的误差模型,能够计算出作为需求预测的对象的期间中的需求量的上限值、中央值、以及下限值的推定值。
在步骤S405中,信息处理装置10B的输出部23输出通过推断部22预测的未来的需求量。
对于第二实施方式的信息处理装置10B的推断时的处理,参照图11进一步进行说明。图11是示出第二实施方式的信息处理装置10B的推断时的处理的一个例子的说明图。
推断部22具有预测值推断部201、误差模型生成部202、以及误差计算部203。预测值推断部201基于信息处理装置10A的生成部12生成的预测模型205以及测试数据,进行未来以及过去的需求量的预测值的推断。
误差模型生成部202根据预测值推断部201推断的过去的需求量的预测值与测试数据的过去的需求量的实绩值的误差,生成例如图12所示用于推断与需求量的预测值相应的误差幅度的误差模型206。图12是用于推断与需求量的预测值相应的误差幅度的误差模型的一个例子的说明图。误差模型206例如由以下的式(3)表示。
(数学式3)
Figure BDA0004012014570000141
例如,在图12中,横轴x表示需求量的预测值,纵轴y表示与需求量的预测值相应的误差幅度。如式(3)所示,误差幅度与需求量的预测值相应地方差进行变化。需要说明的是,图12的纵轴表示的与需求量的预测值相应的误差幅度通过自作为真值表示的需求量的实绩值减去推断的需求量的预测值而进行计算。
如图12所示,在第二实施方式中,生成方差根据需求量的预测值变化的误差模型,从而能够推定符合实际状态的需求量的预测值的误差幅度。需要说明的是,在通常的基于方差推定的误差幅度中,例如如图13所示未能引入基于需求量的预测值的方差的变化,如以下的式(4)所示,误差幅度不根据需求量的预测值变化。图13是基于通常的方差推定的误差幅度的一个例子的说明图。
(数学式4)
Figure BDA0004012014570000142
返回图11,误差计算部203通过误差模型206对预测值推断部201推断的未来的需求量的预测值的误差幅度进行推断,从而能够作为未来的需求量的预测值的预测幅度而计算出未来的需求量的预测值的上限以及下限。
例如,输出部23能够将通过预测值推断部201推断的作为需求预测的对象的期间中的未来的需求量的预测值作为中央值,显示为例如图8的折线803B。另外,输出部23能够将通过误差计算部203计算出的未来的需求量的预测值的上限值、通过误差计算部203计算出的未来的需求量的预测值的下限值分别显示为例如图8的折线803A和803C。
如此,推断部22能够通过预测模型205以及误差模型206,推定(预测)将与需求产生的时的状况相应的需求量的实绩值的分布在自该分布的中央偏离规定量的位置进行分割的值。
需要说明的是,预计需求量的预测值的误差的分布根据对象产品的种类、贩卖状况等不同而存在差异。因此,在第二实施方式中,可以例如图14所示那样,通过对多个函数进行比较,生成更适合的误差模型。
图14是通过对多个函数进行比较而生成适合的误差模型的方法的一个例子的说明图。例如,将误差的分布假定为以需求量的预测值为平均的正态分布,生成方差按预测值的函数变化的模型。设定多个方差的函数,通过AIC(赤池信息量准则)对模型进行比较,生成由最合适的函数决定的误差的分布的误差模型。
AIC是自改变说明变量候补而生成的多个模型,作为相对于目的变量的模型而选择合适的(似然较高)模型时被利用的指标的一个例子,是表示测试数据与模型的一致程度的基准。在第二实施方式中,能够通过以AIC进行比较而选择由最合适的函数决定的误差的分布的误差模型,并且根据选择的误差模型以收敛在函数的幅度内的概率计算误差幅度。
<变形例>
信息处理装置10A、以及信息处理装置10B的各功能部例如可以通过一个以上的计算机所提供的云计算来实现。另外,可以设定为通过其他信息处理装置来执行信息处理装置10A、以及信息处理装置10B的一部分的处理。在该情况下,例如,可以使其他信息处理装置执行生成训练数据的处理、以及生成测试数据的处理。
以上,虽然基于实施例对本发明进行了说明,但是本发明不限于上述实施例,能够在权利要求书中记载的范围内进行各种变形。本申请要求于日本专利局在2020年7月10日申请的基础申请2020―119368号的优先权,并且在此通过参照引用其全部内容。
附图标记说明
1 信息处理***
10A 信息处理装置
11 取得部
12 生成部
13 输出部
10B 信息处理装置
21 取得部
22 推断部
23 输出部
201 预测值推断部
202 误差模型生成部
203 误差计算部
205 预测模型
206 误差模型。

Claims (12)

1.一种生成方法,其中,
信息处理装置执行基于包括商品或服务的需求量的实绩值和表示需求产生时的状况的信息的组的数据的数据集而生成模型的处理,该模型推定将需求量的实绩值的分布在自该分布的中央偏离规定量的位置进行分割的值。
2.根据权利要求1所述的生成方法,其中,
上述模型包括两种模型,
在生成上述模型的处理中,生成第一上述模型和第二上述模型,该第一上述模型通过利用了上述数据集的学习对上述分布的中央进行推断,该第二上述模型通过利用了基于对于上述需求量的实绩值的分布的规定的分位数的非对称的损失函数的学习,对上述分布的预测幅度进行推断。
3.根据权利要求2所述的生成方法,其中,
在生成上述模型的处理中,通过使用损失函数的学习,生成第二上述模型，该损失函数在包括不存在上述规定的分位数与上述需求量的实绩值的差的点的规定范围内成为曲线。
4.根据权利要求1所述的生成方法,其中,
上述模型包括两种模型,
在生成上述模型的处理中,生成第一上述模型和第二上述模型,该第一上述模型通过利用了上述数据集的学习对上述分布的中央进行推断,该第二上述模型根据上述需求量的预测值的误差幅度的概率分布对上述分布的预测幅度进行推断。
5.根据权利要求4所述的生成方法,其中,
在生成上述模型的处理中,从根据上述需求量的预测值而变化的多种函数中选择一个上述函数,并且生成根据由选择的上述函数决定的上述误差幅度的概率分布对上述分布的预测幅度进行推断的上述第二上述模型。
6.根据权利要求1至5中任一项所述的生成方法,其中,
上述表示状况的信息包括新接受的订单的量、气温、天气、每个产品的制造成本、去除了阈值以上的订单量的订单的需求实绩、接受订单之后未提供的量、存在接受订单的可能性的量、对于销售负责人设定的销售额的目标台数、以及对于店铺设定的销售额的目标台数的至少一者。
7.根据权利要求1至6中任一项所述的生成方法,其中,
上述表示状况的信息包括在规定期间内发货的空气调和装置的运转能力、在规定期间内发货的室内机的台数、以及在规定期间内发货的室外机的台数的至少一者。
8.一种生成装置,其基于包括商品或服务的需求量的实绩值和表示需求产生时的状况的信息的组的数据的数据集而生成模型,该模型推定将规定的状况下的需求量的分布在自中央偏离规定量的位置进行分割的值。
9.一种程序,其使信息处理装置执行基于包括商品或服务的需求量的实绩值和表示需求产生时的状况的信息的组的数据的数据集而生成模型的处理,该模型推定将需求量的实绩值的分布在自该分布的中央偏离规定量的位置进行分割的值。
10.一种信息处理方法,其中,
信息处理装置执行以下处理:使用基于包括商品或服务的需求量的实绩值和表示需求产生时的状况的信息的组的数据的数据集而生成的模型,输出将需求量的实绩值的分布在自该分布的中央偏离规定量的位置进行分割的值。
11.一种信息处理装置,其使用基于包括商品或服务的需求量的实绩值和表示需求产生时的状况的信息的组的数据的数据集而生成的模型,输出将需求量的实绩值的分布在自该分布的中央偏离规定量的位置进行分割的值。
12.一种程序,其使信息处理装置执行以下处理:
使用基于包括商品或服务的需求量的实绩值和表示需求产生时的状况的信息的组的数据的数据集而生成的模型,输出将需求量的实绩值的分布在自该分布的中央偏离规定量的位置进行分割的值。
CN202180045316.0A 2020-07-10 2021-06-28 生成方法、生成装置、程序、信息处理方法及信息处理装置 Pending CN115943399A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020119368 2020-07-10
JP2020-119368 2020-07-10
PCT/JP2021/024339 WO2022009719A1 (ja) 2020-07-10 2021-06-28 生成方法、生成装置、プログラム、情報処理方法、及び情報処理装置

Publications (1)

Publication Number Publication Date
CN115943399A true CN115943399A (zh) 2023-04-07

Family

ID=79553038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180045316.0A Pending CN115943399A (zh) 2020-07-10 2021-06-28 生成方法、生成装置、程序、信息处理方法及信息处理装置

Country Status (6)

Country Link
US (1) US20230274296A1 (zh)
EP (1) EP4181038A4 (zh)
JP (1) JP7244777B2 (zh)
CN (1) CN115943399A (zh)
AU (1) AU2021306030A1 (zh)
WO (1) WO2022009719A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230120747A1 (en) * 2021-10-20 2023-04-20 EMC IP Holding Company LLC Grey market orders detection

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140365276A1 (en) * 2013-06-05 2014-12-11 International Business Machines Corporation Data-driven inventory and revenue optimization for uncertain demand driven by multiple factors
JP6645043B2 (ja) 2015-06-25 2020-02-12 富士電機株式会社 誤差幅推定装置、誤差幅推定システム、誤差幅推定方法及びプログラム
WO2018042950A1 (ja) * 2016-09-05 2018-03-08 日本電気株式会社 発注数決定システム、発注数決定方法および発注数決定プログラム
JP6814302B2 (ja) 2017-09-13 2021-01-13 株式会社日立製作所 発注支援システム、発注支援プログラム及び発注支援方法
JP6947981B2 (ja) 2017-12-21 2021-10-13 富士通株式会社 推定方法、推定装置および推定プログラム
JP7147326B2 (ja) 2018-07-26 2022-10-05 日本製鉄株式会社 成分濃度演算装置及び成分濃度演算方法
JP7132860B2 (ja) 2019-01-25 2022-09-07 株式会社日立製作所 映像情報管理システムおよび映像情報管理方法

Also Published As

Publication number Publication date
JP2022016310A (ja) 2022-01-21
WO2022009719A1 (ja) 2022-01-13
EP4181038A1 (en) 2023-05-17
AU2021306030A1 (en) 2023-02-09
EP4181038A4 (en) 2024-06-26
JP7244777B2 (ja) 2023-03-23
US20230274296A1 (en) 2023-08-31

Similar Documents

Publication Publication Date Title
JP6034890B2 (ja) 仕様、推定、原因となるドライバの発見及びマーケット反応弾性又はリフト係数の自動化
TWI234724B (en) Calculating price elasticity
Ketter et al. Real-time tactical and strategic sales management for intelligent agents guided by economic regimes
CN113869801B (zh) 一种企业数字中台的成熟状态评估方法和装置
US20140310059A1 (en) System , method and computer program forecasting energy price
US20210103858A1 (en) Method and system for model auto-selection using an ensemble of machine learning models
US20190220877A1 (en) Computer-readable recording medium, demand forecasting method and demand forecasting apparatus
CN101950395A (zh) 市场营销模型确定***
CN107958297B (zh) 一种产品需求预测方法及产品需求预测装置
CN111898247B (zh) 滑坡位移预测方法、设备及存储介质
US20180137522A1 (en) Segment Valuation in a Digital Medium Environment
US11301763B2 (en) Prediction model generation system, method, and program
CN112215546A (zh) 一种对象页面生成方法、装置、设备及存储介质
US11631102B2 (en) Optimization of markdown schedules for clearance items at physical retail stores
CN113168589B (zh) 数据生成装置、预测器学习装置、数据生成方法和学习方法
US20090276290A1 (en) System and method of optimizing commercial real estate transactions
CN115943399A (zh) 生成方法、生成装置、程序、信息处理方法及信息处理装置
den Boer et al. Pricing and positioning of horizontally differentiated products with incomplete demand information
JP2001134643A (ja) 需要予測装置及び需要予測方法
JP6988817B2 (ja) 予測モデル生成システム、方法およびプログラム
JP2004272674A (ja) 予測システム及び予測方法
JP2020115276A (ja) 情報処理方法、情報処理装置、プログラム及び学習済みモデルの生成方法
CN109543880A (zh) 基于前景理论的电子商务发展水平优化方法和装置
JP7198700B2 (ja) 判断支援装置、判断支援プログラムおよび判断支援方法
CN114169944B (zh) 用户需求确定方法、装置、存储介质和电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination