JP5924966B2 - Demand forecasting device, demand forecasting method, and demand forecasting program - Google Patents

Demand forecasting device, demand forecasting method, and demand forecasting program Download PDF

Info

Publication number
JP5924966B2
JP5924966B2 JP2012025537A JP2012025537A JP5924966B2 JP 5924966 B2 JP5924966 B2 JP 5924966B2 JP 2012025537 A JP2012025537 A JP 2012025537A JP 2012025537 A JP2012025537 A JP 2012025537A JP 5924966 B2 JP5924966 B2 JP 5924966B2
Authority
JP
Japan
Prior art keywords
repair probability
repair
product
probability function
storage unit
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.)
Active
Application number
JP2012025537A
Other languages
Japanese (ja)
Other versions
JP2013161452A (en
Inventor
学 笠野
学 笠野
直哉 河村
直哉 河村
北川　朋亮
朋亮 北川
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.)
Mitsubishi Heavy Industries Ltd
Original Assignee
Mitsubishi Heavy 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 Mitsubishi Heavy Industries Ltd filed Critical Mitsubishi Heavy Industries Ltd
Priority to JP2012025537A priority Critical patent/JP5924966B2/en
Publication of JP2013161452A publication Critical patent/JP2013161452A/en
Application granted granted Critical
Publication of JP5924966B2 publication Critical patent/JP5924966B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、需要予測装置、需要予測方法および需要予測プログラムに関する。   The present invention relates to a demand prediction apparatus, a demand prediction method, and a demand prediction program.

供給能力不足による製品の販売機会の損失、および供給能力過多による在庫膨張などを防止することを目的として、将来における製品の需要を予測する技術が知られている。例えば、特許文献１には、需要予測に関する技術の１つとして、予測対象の受注実績データとの誤差が最も小さい需要予測関数を用いて、予測対象の需要を予測する技術が開示されている。   2. Description of the Related Art A technique for predicting future product demand is known for the purpose of preventing loss of product sales opportunities due to insufficient supply capacity and inventory expansion due to excessive supply capacity. For example, Patent Literature 1 discloses a technique for predicting demand to be predicted using a demand prediction function that has the smallest error from the order result data to be predicted as one of the techniques related to demand prediction.

具体的に説明すると、特許文献１では、管理コンピュータが、受注実績データを用いて、累積２次方式、累積３次方式及び累積４次方式の仮需要予測関数をそれぞれ算出する。続いて、管理コンピュータが、これらの仮需要予測関数を用いて予測値を算出し、この予測値と受注実績との差を求め、この差の合計を誤差として算出する。そして、管理コンピュータが、誤差が最も小さい方式の関数を使って需要予測関数を算出する。   More specifically, in Patent Document 1, the management computer calculates temporary demand prediction functions of the cumulative secondary method, the cumulative tertiary method, and the cumulative quaternary method using the order record data. Subsequently, the management computer calculates a predicted value using these provisional demand prediction functions, obtains a difference between the predicted value and the actual order, and calculates the sum of the differences as an error. Then, the management computer calculates the demand prediction function using the function of the method with the smallest error.

特開２００７−２９３６２４号公報JP 2007-293624 A

需要予測の対象となる製品によっては、需要予測を行うための指標が、製品の実際の受注実績に沿ったものであるか否かを検証する作業に大変な労力を必要とする場合がある。このため、検証作業が十分に行われていない場合には、製品の需要を精度よく予測できていない可能性がある。   Depending on the product for which the demand is to be predicted, it may take a great deal of labor to verify whether or not the index for performing the demand prediction is in line with the actual order received for the product. For this reason, if the verification work is not sufficiently performed, there is a possibility that the demand for the product cannot be accurately predicted.

本発明は、需要予測を行うための指標の検証作業を必要とすることなく、精度のよい需要予測を行えるようにする需要予測装置、需要予測方法および需要予測プログラムを提供することを目的とする。   It is an object of the present invention to provide a demand prediction apparatus, a demand prediction method, and a demand prediction program that enable accurate demand prediction without requiring verification work of an index for performing demand prediction. .

需要予測装置は、１つの態様として、製品ごとに、該製品で使用される部品の受注実績情報を記憶する実績情報記憶部と、前記製品ごとに、該製品の運用状況を特定するための運用情報を記憶する運用情報記憶部と、前記製品の運転開始から所定時間が経過したときに該製品で使用されている部品の補修確率を評価するための補修確率関数を記憶する補修確率関数記憶部と、前記実績情報記憶部に記憶されている前記受注実績情報と前記運用情報記憶部に記憶されている前記運用情報とを用いて、前記補修確率関数を算出する補修確率関数算出部と、前記補修確率関数記憶部に記憶されている前記補修確率関数を用いて、前記製品ごとに前記所定時間が経過したときの予測補修確率を算出する予測補修確率算出部と、前記実績情報記憶部に記憶されている受注実績情報を用いて、前記所定時間が経過したときの実際の補修確率である実績補修確率を前記製品ごとに算出し、算出した実績補修確率と前記予測補修確率算出部により算出された予測補修確率との比較結果を用いて、前記補修確率関数記憶部に記憶されている前記補修確率関数を更新する更新部とを備えることを特徴とする。   As one aspect, the demand prediction apparatus has, for each product, a record information storage unit that stores order record information of parts used in the product, and an operation for specifying the operation status of the product for each product. An operation information storage unit for storing information, and a repair probability function storage unit for storing a repair probability function for evaluating the repair probability of a part used in the product when a predetermined time has elapsed since the start of operation of the product A repair probability function calculation unit that calculates the repair probability function using the order record information stored in the record information storage unit and the operation information stored in the operation information storage unit; Using the repair probability function stored in the repair probability function storage unit, a predicted repair probability calculation unit that calculates a predicted repair probability when the predetermined time has elapsed for each product, and a record in the result information storage unit The actual repair probability, which is the actual repair probability when the predetermined time has elapsed, is calculated for each product using the received order record information, and is calculated by the calculated actual repair probability and the predicted repair probability calculation unit. And an update unit that updates the repair probability function stored in the repair probability function storage unit using a comparison result with the predicted repair probability.

需要予測方法は、１つの態様として、需要予測装置によって実行される需要予測方法であって、製品の運用状況を特定するための運用情報を前記対象設備ごとに記憶する運用情報記憶部から前記運用情報を取得し、前記製品ごとに該製品で使用される部品の受注実績情報を記憶する実績情報記憶部から前記受注実績情報を取得し、取得した運用情報および受注実績情報を用いて、前記製品の運転開始から所定時間が経過したときに該製品で使用されている部品の補修確率を評価するための補修確率関数を算出する補修確率関数算出ステップと、前記補修確率関数を記憶する補修確率関数記憶部から前記補修確率関数を取得し、取得した補修確率関数を用いて、前記製品ごとに前記所定時間が経過したときの予測補修確率を算出する予測補修確率算出ステップと、前記実績情報記憶部に記憶されている受注実績情報を用いて、前記所定時間が経過したときの実際の補修確率である実績補修確率を算出し、算出した実績補修確率と前記予測補修確率算出ステップにより算出された予測補修確率との比較結果を用いて、前記補修確率関数記憶部に記憶されている補修確率関数を更新する更新ステップとを含むことを特徴とする。   As one aspect, the demand prediction method is a demand prediction method executed by a demand prediction device, and the operation information is stored from an operation information storage unit that stores operation information for specifying the operation status of a product for each target facility. Information is acquired, the order record information is acquired from a record information storage unit that stores the order record information of parts used in the product for each product, and the product is obtained using the acquired operation information and order record information. A repair probability function calculating step for calculating a repair probability function for evaluating the repair probability of a part used in the product when a predetermined time has elapsed from the start of operation of the repair, and a repair probability function for storing the repair probability function Obtaining the repair probability function from the storage unit, and using the obtained repair probability function, the predicted repair probability for calculating the predicted repair probability when the predetermined time has elapsed for each product. Using the calculation step and the order record information stored in the record information storage unit, a record repair probability that is an actual repair probability when the predetermined time has elapsed is calculated, and the calculated record repair probability and the prediction An update step of updating a repair probability function stored in the repair probability function storage unit using a comparison result with the predicted repair probability calculated in the repair probability calculation step.

需要予測プログラムは、１つの態様として、需要予測装置に、製品の運用状況を特定するための運用情報を前記対象設備ごとに記憶する運用情報記憶部から前記運用情報を取得し、前記製品ごとに該製品で使用される部品の受注実績情報を記憶する実績情報記憶部から前記受注実績情報を取得し、取得した運用情報および受注実績情報を用いて、前記製品の運転開始から所定時間が経過したときに該製品で使用されている部品の補修確率を評価するための補修確率関数を算出する補修確率関数算出ステップと、前記補修確率関数を記憶する補修確率関数記憶部から前記補修確率関数を取得し、取得した補修確率関数を用いて、前記製品ごとに前記所定時間が経過したときの予測補修確率を算出する予測補修確率算出ステップと、前記実績情報記憶部に記憶されている受注実績情報を用いて、前記所定時間が経過したときの実際の補修確率である実績補修確率を算出し、算出した実績補修確率と前記予測補修確率算出ステップにより算出された予測補修確率との比較結果を用いて、前記補修確率関数記憶部に記憶されている補修確率関数を更新する更新ステップとを実行させることを特徴とする。   As one aspect, the demand prediction program acquires the operation information from the operation information storage unit that stores operation information for specifying the operation status of the product for each target facility in the demand prediction apparatus, and for each product. The order record information is acquired from the record information storage unit that stores the order record information of the parts used in the product, and a predetermined time has elapsed from the start of operation of the product using the acquired operation information and order record information. A repair probability function calculating step for calculating a repair probability function for evaluating a repair probability of a part sometimes used in the product, and obtaining the repair probability function from a repair probability function storage unit storing the repair probability function A predicted repair probability calculating step for calculating a predicted repair probability when the predetermined time has elapsed for each product using the acquired repair probability function; The actual repair probability, which is the actual repair probability when the predetermined time has elapsed, is calculated using the order history information stored in the memory, and is calculated by the calculated actual repair probability and the predicted repair probability calculating step. The update step of updating the repair probability function stored in the repair probability function storage unit is executed using the comparison result with the predicted repair probability.

本発明に係る需要予測装置、需要予測方法および需要予測プログラムは、需要予測を行うための指標の検証作業を必要とすることなく、精度のよい需要予測を行えるようにすることができるという効果を奏する。   The demand prediction device, the demand prediction method, and the demand prediction program according to the present invention have the effect that accurate demand prediction can be performed without requiring verification work of an index for performing demand prediction. Play.

図１は、本実施例に係る需要予測装置を示すブロック図である。FIG. 1 is a block diagram illustrating a demand prediction apparatus according to the present embodiment. 図２は、受注実績情報の一例を示す図である。FIG. 2 is a diagram illustrating an example of order record information. 図３は、運用情報の一例を示す図である。FIG. 3 is a diagram illustrating an example of operation information. 図４は、補修確率関数算出部により算出される補修確率関数の一例を示す図である。FIG. 4 is a diagram illustrating an example of a repair probability function calculated by the repair probability function calculation unit. 図５は、補修確率関数算出部により算出される補修確率関数の一例を示す図である。FIG. 5 is a diagram illustrating an example of a repair probability function calculated by the repair probability function calculation unit. 図６は、補修確率関数算出部により算出される補修確率関数の一例を示す図である。FIG. 6 is a diagram illustrating an example of a repair probability function calculated by the repair probability function calculation unit. 図７は、予測補修確率算出部によるプラントごとの予測補修確率の算出結果の一例を示す図である。FIG. 7 is a diagram illustrating an example of a calculation result of the predicted repair probability for each plant by the predicted repair probability calculation unit. 図８は、更新部による実績補修確率の算出結果の一例を示す図である。FIG. 8 is a diagram illustrating an example of the calculation result of the actual repair probability by the update unit. 図９は、補修確率関数の更新方法の一例を示す図である。FIG. 9 is a diagram illustrating an example of a method for updating the repair probability function. 図１０は、本実施例に係る需要予測装置による処理の流れを示す図である。FIG. 10 is a diagram illustrating the flow of processing by the demand prediction apparatus according to the present embodiment. 図１１は、本実施例に係る需要予測装置による処理の流れを示す図である。FIG. 11 is a diagram illustrating a flow of processing by the demand prediction apparatus according to the present embodiment. 図１２は、プラントの型式、運転パターン、燃料、部品の組合せに該当するデータ数の一例を示す図である。FIG. 12 is a diagram illustrating an example of the number of data corresponding to a combination of plant type, operation pattern, fuel, and parts. 図１３は、型式および部品の組合せを採用したときの補修確率関数の一例を示す図である。FIG. 13 is a diagram illustrating an example of a repair probability function when a combination of a model and a part is employed.

以下に、本発明に係る需要予測装置、需要予測方法および需要予測プログラムの実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。さらに、この実施例における構成要素には、当業者が容易に想定できるもの、実質的に同一のもの、いわゆる均等の範囲のものが含まれる。なお、以下の実施例では、量産される部品の需要を予測するための参照データの作成方法の一例について説明する。   Hereinafter, embodiments of a demand prediction apparatus, a demand prediction method, and a demand prediction program according to the present invention will be described in detail with reference to the drawings. Note that the present invention is not limited to the embodiments. Further, the constituent elements in this embodiment include those that can be easily assumed by those skilled in the art, those that are substantially the same, and those in the so-called equivalent range. In the following embodiments, an example of a method for creating reference data for predicting demand for mass-produced parts will be described.

［重要予測装置の構成］
まず、本実施例に係る需要予測装置の構成について説明する。図１は、本実施例に係る需要予測装置を示すブロック図である。図１に示すように、需要予測装置１０は、表示部１１と、入力部１２と、通信部１３と、媒体読取部１４と、制御部１５と、記憶部１６とを備える。 [Configuration of critical prediction device]
First, the configuration of the demand prediction apparatus according to the present embodiment will be described. FIG. 1 is a block diagram illustrating a demand prediction apparatus according to the present embodiment. As shown in FIG. 1, the demand prediction device 10 includes a display unit 11, an input unit 12, a communication unit 13, a medium reading unit 14, a control unit 15, and a storage unit 16.

表示部１１は、液晶パネルまたは有機ＥＬ（Organic Electro−Luminescence）パネル等の表示装置を有し、制御部１５から送信される制御信号に基づいて、文字、記号、および図形等の各種情報を表示する。入力部１２は、キーボード等の入力装置を有し、利用者が入力装置に対して行った操作に対応する信号を制御部１５へ出力する。通信部１３は、所定の通信プロトコルに基づいて、他の装置との間での情報の送受信を制御する。媒体読取部１４は、光ディスク、光磁気ディスク、メモリカード等の可搬の非一過的（non-transitory）な記憶媒体からプログラムやデータを読み取る。   The display unit 11 includes a display device such as a liquid crystal panel or an organic EL (Organic Electro-Luminescence) panel, and displays various information such as characters, symbols, and figures based on a control signal transmitted from the control unit 15. To do. The input unit 12 includes an input device such as a keyboard, and outputs a signal corresponding to an operation performed by the user on the input device to the control unit 15. The communication unit 13 controls transmission / reception of information with other devices based on a predetermined communication protocol. The medium reading unit 14 reads a program and data from a portable non-transitory storage medium such as an optical disk, a magneto-optical disk, or a memory card.

制御部１５は、演算装置であるＣＰＵ（Central Processing Unit）１５１と、記憶装置であるメモリ１５２とを備え、これらのハードウェア資源を用いてプログラムを実行することによって各種の機能を実現する。具体的には、制御部１５は、記憶部１６に記憶されているプログラムを読み出してメモリ１５２に展開し、メモリ１５２に展開されたプログラムに含まれる命令をＣＰＵ１５１に実行させる。そして、制御部１５は、ＣＰＵ１５１による命令の実行結果に応じて、メモリ１５２および記憶部１６に対してデータの読み書きを行ったり、通信部１３等の動作を制御したりする。   The control unit 15 includes a CPU (Central Processing Unit) 151 that is an arithmetic device and a memory 152 that is a storage device, and implements various functions by executing programs using these hardware resources. Specifically, the control unit 15 reads out a program stored in the storage unit 16 and expands it in the memory 152, and causes the CPU 151 to execute an instruction included in the program expanded in the memory 152. The control unit 15 reads / writes data from / to the memory 152 and the storage unit 16 and controls the operation of the communication unit 13 and the like according to the execution result of the instruction by the CPU 151.

記憶部１６は、磁気記憶装置または半導体記憶装置等の不揮発性を有する記憶装置を備え、各種のプログラムおよびデータを記憶する。記憶部１６に記憶されるプログラムには、需要予測プログラム１６１が含まれる。記憶部１６に記憶されるデータには、受注実績情報１６２と、運用情報１６３と、補修確率関数１６４とが含まれる。   The storage unit 16 includes a nonvolatile storage device such as a magnetic storage device or a semiconductor storage device, and stores various programs and data. The programs stored in the storage unit 16 include a demand prediction program 161. The data stored in the storage unit 16 includes order record information 162, operation information 163, and a repair probability function 164.

図１において記憶部１６が記憶するプログラムおよびデータの全体または一部は、媒体読取部１４が読み取り可能な記憶媒体に記憶されていてもよい。あるいは、図１において記憶部１６が記憶するプログラムおよびデータの全体または一部は、通信部１３による通信によって他の装置から取得されてもよい。   In FIG. 1, all or part of the program and data stored in the storage unit 16 may be stored in a storage medium that can be read by the medium reading unit 14. Alternatively, all or part of the program and data stored in the storage unit 16 in FIG. 1 may be acquired from another device through communication by the communication unit 13.

受注実績情報１６２は、クライアントからの部品の受注実績を示す情報である。受注実績情報１６２は、例えば、部品の生産管理担当者により、入力部１２を介して入力され、記憶部１６に格納される。図２に、受注実績情報の一例を示す。図２に示すように、受注実績情報１６２は、製品ＩＤと、納品部品種別と、受注日と、受注個数と、納品予定日と、登録日とで構成される。製品ＩＤは、製品を一意に特定するための識別情報である。納品部品種別は、クライアントに納品する部品の種類を一意に特定するための識別情報である。受注個数は、クライアントから注文を受けた部品の個数である。納品予定日は、クライアントに対して部品の納品を予定している日付である。登録日は、対応するデータの入力が行われた日付である。   The order record information 162 is information indicating the order record of parts from the client. The order record information 162 is input via the input unit 12 by a person in charge of production management of parts, for example, and stored in the storage unit 16. FIG. 2 shows an example of the order record information. As shown in FIG. 2, the order record information 162 includes a product ID, a delivery part type, an order date, an order quantity, a scheduled delivery date, and a registration date. The product ID is identification information for uniquely identifying a product. The delivered part type is identification information for uniquely identifying the type of part delivered to the client. The order quantity is the number of parts ordered from the client. The scheduled delivery date is the date on which parts are scheduled to be delivered to the client. The registration date is the date when the corresponding data is input.

運用情報１６３は、クライアントが所有する製品（設備）の運用状況を特定するための情報である。図３に運用情報の一例を示す。図３に示すように、運用情報１６３は、製品ＩＤと、型式と、運転開始経過時間と、運転パターンと、使用部品数とで構成される。型式は、製品の構造を具体的に特定する名称である。運転開始経過時間は、製品の運転が開始されてから経過した時間である。運転パターンは、例えば、製品の使用条件や使用環境である。なお、運転パターンの相違により、部品に与える負荷（劣化度）に違いが生じ、例えば、１日の起動回数が多いほど部品に与える負荷が大きくなる。使用部品数は、製品で使用される部品種別ごとの部品の個数である。   The operation information 163 is information for specifying the operation status of the product (equipment) owned by the client. FIG. 3 shows an example of operation information. As shown in FIG. 3, the operation information 163 includes a product ID, a model, an operation start elapsed time, an operation pattern, and the number of parts used. The model is a name that specifically identifies the structure of the product. The operation start elapsed time is a time elapsed after the operation of the product is started. The operation pattern is, for example, a use condition or a use environment of the product. In addition, the load (deterioration degree) given to components changes with the difference in an operation pattern, for example, the load given to components becomes large, so that the frequency | count of a starting is large. The number of parts used is the number of parts for each part type used in the product.

図３に示す運用情報１６３により、例えば、製品１は、型式Ｓ１を有し、運転開始経過時間がＴ１（ｈ）であり、運転パターンＰ１で運用されており、部品ａ、部品ｂおよび部品ｃがそれぞれ１００個使用されていることが分かる。同様に、製品２は、型式Ｓ２を有し、運転開始経過時間がＴ２（ｈ）であり、運転パターンＰ３で運用されており、部品ａ、部品ｂおよび部品ｃがそれぞれ１００個使用されていることが分かる。製品３は、型式Ｓ３を有し、運転開始経過時間がＴ３（ｈ）であり、運転パターンＰ２で運用されており、部品ａ、部品ｂおよび部品ｃがそれぞれ１００個使用されていることが分かる。製品４は、型式Ｓ４を有し、運転開始経過時間がＴ４（ｈ）であり、運転パターンＰ２で運用されており、部品ａ、部品ｂおよび部品ｃがそれぞれ１００個使用されていることが分かる。製品１０００は、型式Ｓ１を有し、運転開始経過時間がＴ１０００（ｈ）であり、運転パターンＰ３で運用されており、部品ａ、部品ｂおよび部品ｃがそれぞれ１００個使用されていることが分かる。 According to the operation information 163 illustrated in FIG. 3, for example, the product 1 has the model S 1 , the operation start elapsed time is T 1 (h), and is operated in the operation pattern P 1. It can be seen that 100 parts c are used. Similarly, the product 2 has the model S 2 , the operation start elapsed time is T 2 (h), is operated in the operation pattern P 3 , and 100 parts a, parts b, and parts c are used. You can see that. Product 3 has a type S 3, operation start elapsed time is T 3 (h), which is operated by the operation pattern P 2, part a, component b and component c are used 100 respectively I understand that. The product 4 has a model S 4 , the operation start elapsed time is T 4 (h), is operated in the operation pattern P 2 , and 100 parts a, part b, and part c are used. I understand that. Product 1000 has a type S 1, operation start elapsed time is T 1000 (h), which is operated by the operation pattern P 3, parts a, parts b and component c are used 100 respectively I understand that.

運用情報１６３を構成する製品ＩＤ、型式、運転パターンおよび使用部品数は、受注実績情報１６２と同様に、例えば、部品の生産管理担当者によって、入力部１２を介して入力され、記憶部１６に格納される。なお、運転開始経過時間については、例えば、制御部１５が内部的有するタイマーによって、自動的に更新されるものとする。   The product ID, model, operation pattern, and number of used parts constituting the operation information 163 are input through the input unit 12 by, for example, a part production manager in the same manner as the order record information 162 and stored in the storage unit 16. Stored. In addition, about the driving | running | working start elapsed time, it shall be updated automatically by the timer which the control part 15 has internally, for example.

補修確率関数１６４は、製品の運転開始から所定時間が経過したときに、製品で使用されている製品の補修確率を評価するための関数である。例えば、補修確率関数は、後述する補修確率関数算出部１６１ａにより算出される。以下では、記憶部１６に、製品の型式ごとに、運転開始経過時間に応じた補修確率を運転パターンごとに評価するための補修確率関数１６４が、例えば、型式および運転パターンに関連付けて記憶される例を説明する。なお、この例には限定されず、製品の型式ごとに運転開始経過時間に応じた補修確率を部品種別ごとに評価するための補修確率関数１６４や、製品の型式ごとに運転開始経過時間に応じた補修確率を製品で使用される燃料の種別ごとに評価するための補修確率関数１６４など、後述する補修確率関数算出部１６１ａにより算出された他の補修確率関数１６４が記憶される場合がある。   The repair probability function 164 is a function for evaluating the repair probability of a product used in the product when a predetermined time has elapsed from the start of operation of the product. For example, the repair probability function is calculated by a repair probability function calculation unit 161a described later. Hereinafter, a repair probability function 164 for evaluating the repair probability according to the operation start elapsed time for each operation pattern is stored in the storage unit 16 in association with the model and the operation pattern, for example. An example will be described. Note that the present invention is not limited to this example, and the repair probability function 164 for evaluating the repair probability according to the operation start elapsed time for each product type for each part type or the operation start elapsed time for each product type. Other repair probability functions 164 calculated by a repair probability function calculation unit 161a (to be described later) such as a repair probability function 164 for evaluating the repair probability for each type of fuel used in the product may be stored.

需要予測プログラム１６１は、部品の生産管理担当者などが長期的な設備計画（長期山積み）を作成するために、参照する参照データを作成するための機能を提供する。需要予測プログラム１６１は、補修確率関数算出部１６１ａと、予測補修確率算出部１６１ｂと、更新部１６１ｃとを含む。   The demand prediction program 161 provides a function for creating reference data to be referred to in order for a person in charge of production management of parts to create a long-term facility plan (long-term pile). The demand prediction program 161 includes a repair probability function calculation unit 161a, a predicted repair probability calculation unit 161b, and an update unit 161c.

補修確率関数算出部１６１ａは、受注実績情報１６２と、運用情報１６３とを用いて、製品で使用される部品の経時的な補修確率を評価するための補修確率関数１６４を算出する。例えば、補修確率関数算出部１６１ａは、製品の型式ごとに、運転開始経過時間に応じた補修確率を運転パターンごとに評価するための補修確率関数１６４を算出する。補修確率関数算出部１６１ａは、算出した補修確率関数を、たとえば、型式および運転パターンに対応付けて、記憶部１６に格納する。なお、補修確率関数算出部１６１ａが補修確率関数を算出するタイミングは、例えば、部品の生産管理担当者により設定される。   The repair probability function calculation unit 161a calculates a repair probability function 164 for evaluating the repair probability with time of the parts used in the product by using the order record information 162 and the operation information 163. For example, the repair probability function calculation unit 161a calculates a repair probability function 164 for evaluating the repair probability according to the operation start elapsed time for each operation pattern for each product type. The repair probability function calculation unit 161a stores the calculated repair probability function in the storage unit 16 in association with, for example, a model and an operation pattern. The timing at which the repair probability function calculation unit 161a calculates the repair probability function is set by, for example, a person in charge of production management of parts.

図４〜図６に、補修確率関数算出部１６１ａにより算出される補修確率関数の一例を示す。図４に示すように、補修確率関数算出部１６１ａは、型式Ｓ１について、運転パターンごとに、補修確率関数Ｆ１〜Ｆ３を算出する。補修確率関数Ｆ１は運転パターンＰ１に対応し、補修確率関数Ｆ２は運転パターンＰ２に対応し、補修確率関数Ｆ３は運転パターンＰ３に対応する。例えば、製品１で使用される部品は、製品１の型式がＳ１であり、運転パターンがＰ１であるので、図４に示す補修確率関数Ｆ１により運転開始経過時間に応じた補修確率が評価される。 4 to 6 show an example of the repair probability function calculated by the repair probability function calculation unit 161a. As illustrated in FIG. 4, the repair probability function calculating unit 161 a calculates repair probability functions F 1 to F 3 for each operation pattern for the model S 1 . Repair probability function F 1 corresponds to the operation pattern P 1, the repair probability function F 2 corresponds to the operation pattern P 2, repair probability function F 3 corresponds to operation pattern P 3. For example, the part used in the product 1 has a product 1 model S 1 and an operation pattern P 1 , so that the repair probability according to the operation start elapsed time is determined by the repair probability function F 1 shown in FIG. Be evaluated.

図５に示すように、補修確率関数算出部１６１ａは、型式Ｓ２について、運転パターンごとに、補修確率関数Ｆ４〜Ｆ６を算出する。補修確率関数Ｆ４は運転パターンＰ１に対応し、補修確率関数Ｆ５は運転パターンＰ２に対応し、補修確率関数Ｆ６は運転パターンＰ３に対応する。例えば、製品２で使用される部品は、製品２の型式がＳ２であり、運転パターンがＰ３であるので、図５に示す補修確率関数Ｆ６により運転開始経過時間に応じた補修確率が評価される。 As shown in FIG. 5, the repair probability function calculation unit 161 a calculates repair probability functions F 4 to F 6 for each operation pattern for the model S 2 . Repair probability function F 4 corresponds to the operation pattern P 1, the repair probability function F 5 corresponds to the operation pattern P 2, repair probability function F 6 corresponds to the operation pattern P 3. For example, the part used in the product 2 has the repair probability corresponding to the operation start elapsed time by the repair probability function F 6 shown in FIG. 5 because the model of the product 2 is S 2 and the operation pattern is P 3 . Be evaluated.

図６に示すように、補修確率関数算出部１６１ａは、型式Ｓ３について、運転パターンごとに、補修確率関数Ｆ７〜Ｆ９を算出する。補修確率関数Ｆ７は運転パターンＰ１に対応し、補修確率関数Ｆ８は運転パターンＰ２に対応し、補修確率関数Ｆ９は運転パターンＰ３に対応する。例えば、製品３で使用される部品は、製品３の型式がＳ３であり、運転パターンがＰ２であるので、図６に示す補修確率関数Ｆ８により運転開始経過時間に応じた補修確率が評価される。 As illustrated in FIG. 6, the repair probability function calculation unit 161 a calculates repair probability functions F 7 to F 9 for each operation pattern for the model S 3 . Repair probability function F 7 corresponds to the operation pattern P 1, the repair probability function F 8 corresponds to the operation pattern P 2, repair probability function F 9 corresponds to the operation pattern P 3. For example, components used in the product 3, the type of product 3 is S 3, so the operation pattern is a P 2, the repair probability in accordance with the operating start time elapsed by repair probability function F 8 shown in FIG. 6 Be evaluated.

このようにして、受注実績情報１６２に記録される製品については、製品で使用される部品の補修確率が、補修確率関数算出部１６１ａにより算出された補修確率関数の中で、型式および運転パターンが対応する補修確率関数により評価される。部品の生産管理担当者などは、型式および運転パターンが対応する補修確率関数を参照することにより、型式および運転パターンという切り口での、製品で使用される部品の補修確率を視覚的に認識できる。   In this way, for the product recorded in the order record information 162, the repair probability of the parts used in the product is the model and the operation pattern in the repair probability function calculated by the repair probability function calculator 161a. It is evaluated by the corresponding repair probability function. By referring to a repair probability function corresponding to a model and an operation pattern, a person in charge of production management of the component can visually recognize the repair probability of the part used in the product at the cut end of the model and the operation pattern.

予測補修確率算出部１６１ｂは、記憶部１６に記憶されている補修確率関数１６４を用いて、製品ごとに、運転開始から所定時間が経過したときの部品の予測補修確率を算出する。具体的には、予測補修確率算出部１６１ｂは、記憶部１６から補修確率関数１６４を読み込む。続いて、予測補修確率算出部１６１ｂは、製品の運用状況に対応する補修確率関数を用いて、製品ごとに、所定の運転開始時間が経過した時の予測補修確率を算出する。予測補修確率算出部１６１ｂは、後述する更新部１６１ｃによる処理のタイミングと同期して処理を実行する。また、予測補修確率算出部１６１ｂは、後述する更新部１６１ｃによる処理開始のタイミングに到達したときの各製品の運転開始経過時間を予め算出しておき、算出した各製品ごとの運転開始経過時間に対応する予測補修確率を算出する。あるいは、予測補修確率算出部１６１ｂは、後述する更新部１６１ｃによる処理開始のタイミングとは関係なく、例えば、部品の生産管理担当者などが、製品ごとに、予測補修確率を算出する際に用いる各製品の運転開始経過時間を予め設定しておき、予め設定された各製品ごとの運転開始経過時間に対応する予測補修確率を算出するようにしてもよい。以下、図７を参照しつつ、予測補修確率算出部１６１ｂによる予測補修確率の算出方法の一例を説明する。   The predicted repair probability calculation unit 161b uses the repair probability function 164 stored in the storage unit 16 to calculate the predicted repair probability of a part when a predetermined time has elapsed from the start of operation for each product. Specifically, the predicted repair probability calculation unit 161 b reads the repair probability function 164 from the storage unit 16. Subsequently, the predicted repair probability calculation unit 161b calculates a predicted repair probability when a predetermined operation start time has elapsed for each product, using a repair probability function corresponding to the operation status of the product. The predicted repair probability calculation unit 161b executes processing in synchronization with processing timing by the update unit 161c described later. In addition, the predicted repair probability calculation unit 161b calculates in advance the operation start elapsed time of each product when the processing start timing by the update unit 161c described later is reached, and calculates the calculated operation start elapsed time for each product. The corresponding predicted repair probability is calculated. Alternatively, the predicted repair probability calculation unit 161b is used when, for example, a person in charge of production management of a part calculates a predicted repair probability for each product regardless of the processing start timing by the update unit 161c described later. The operation start elapsed time of the product may be set in advance, and the predicted repair probability corresponding to the preset operation start elapsed time for each product may be calculated. Hereinafter, an example of a method for calculating the predicted repair probability by the predicted repair probability calculation unit 161b will be described with reference to FIG.

図７は、予測補修確率算出部１６１ｂによる製品ごとの予測補修確率の算出結果の一例を示す。図７には、一例として、運転開始からの経過時間がｔ１（ｈ）の時の製品１の予測補修確率、運転開始からの経過時間がｔ２（ｈ）の時の製品２の予測補修確率、運転開始からの経過時間がｔ３（ｈ）の時の製品３の予測補修確率、運転開始からの経過時間がｔ４（ｈ）の時の製品４の予測補修確率、および運転開始からの経過時間がｔ１０００（ｈ）の時の製品１０００の予測補修確率の算出結果を示している。 FIG. 7 shows an example of a predicted repair probability calculation result for each product by the predicted repair probability calculation unit 161b. In FIG. 7, as an example, the predicted repair probability of the product 1 when the elapsed time from the start of operation is t 1 (h), and the predicted repair of the product 2 when the elapsed time from the start of operation is t 2 (h). From the probability, the predicted repair probability of product 3 when the elapsed time from the start of operation is t 3 (h), the predicted repair probability of product 4 when the elapsed time from the start of operation is t 4 (h), and from the start of operation The calculation result of the predicted repair probability of the product 1000 when the elapsed time is t 1000 (h) is shown.

製品１の予測補修確率を算出する場合、予測補修確率算出部１６１ｂは、製品１に対応する補修確率関数Ｆ１（図４参照）を用いて、製品１の運転開始からの経過時間がｔ１（ｈ）の時の予測補修確率を求める。図４に示す補修確率関数Ｆ１では、運転開始からの経過時間がｔ１（ｈ）の時の補修確率が、おおよそ３０％であるので、予測補修確率算出部１６１ｂは、予測補修確率を３０％として算出する。予測補修確率と合わせて、予測補修確率算出部１６１ｂは、部品の需要予測数を求めてもよい。例えば、予測補修確率算出部１６１ｂは、記憶部１６に記憶されている運用情報１６３（図３参照）から、製品１で使用されている部品ａ、部品ｂおよび部品ｃの個数を取得し、この個数に対応する値「１００」に対して予測補修確率３０％に対応する値「０．３」を乗算することにより、部品の需要予測数「３０（個）」を算出する。同様にして、予測補修確率算出部１６１ｂは、製品２の運転開始からの経過時間がｔ２（ｈ）の時の予測補修確率１８％、および需要予測数１８個を算出する。同様にして、予測補修確率算出部１６１ｂは、製品３の運転開始からの経過時間がｔ３（ｈ）の時の予測補修確率４２％、および需要予測数４２個を算出する。同様にして、予測補修確率算出部１６１ｂは、製品４の運転開始からの経過時間がｔ４（ｈ）の時の予測補修確率３５％、および需要予測数３５個を算出する。同様にして、予測補修確率算出部１６１ｂは、製品１０００の運転開始からの経過時間がｔ１０００（ｈ）の時の予測補修確率６０％、および需要予測数６０個を算出する。 When calculating the predicted repair probability of the product 1, the predicted repair probability calculation unit 161 b uses the repair probability function F 1 (see FIG. 4) corresponding to the product 1, and the elapsed time from the start of operation of the product 1 is t 1. The predicted repair probability at (h) is obtained. In the repair probability function F 1 shown in FIG. 4, the repair probability when the elapsed time from the start of operation is t 1 (h) is approximately 30%. Therefore, the predicted repair probability calculation unit 161b sets the predicted repair probability to 30. Calculated as a percentage. Together with the predicted repair probability, the predicted repair probability calculation unit 161b may obtain the number of predicted parts demand. For example, the predicted repair probability calculation unit 161b obtains the number of parts a, parts b, and parts c used in the product 1 from the operation information 163 (see FIG. 3) stored in the storage unit 16. By multiplying the value “100” corresponding to the number by the value “0.3” corresponding to the predicted repair probability 30%, the demand forecast number “30 (pieces)” of the parts is calculated. Similarly, the predicted repair probability calculating unit 161b calculates a predicted repair probability of 18% when the elapsed time from the start of operation of the product 2 is t 2 (h), and 18 demand prediction numbers. Similarly, the predicted repair probability calculation unit 161b calculates a predicted repair probability of 42% when the elapsed time from the start of operation of the product 3 is t 3 (h) and the demand prediction number 42. Similarly, the predicted repair probability calculation unit 161b calculates a predicted repair probability of 35% when the elapsed time from the start of operation of the product 4 is t 4 (h) and the demand prediction number of 35 pieces. Similarly, the predicted repair probability calculation unit 161b calculates a predicted repair probability of 60% when the elapsed time from the start of operation of the product 1000 is t 1000 (h) and the number of demand predictions of 60.

図７に示すように、部品の生産管理担当者などは、型式および運転パターンに対応する補修確率関数を利用することにより、型式および運転パターンという切り口での、運転開始経過時間に応じた製品の予測補修確率および需要予測数を手軽に取得できる。このため、部品の生産管理担当者などは、記憶部１６に記憶されている補修確率関数１６４を参照することで、部品の需要を予測できる。   As shown in FIG. 7, a person in charge of production management of a part uses a repair probability function corresponding to a model and an operation pattern, so that the product according to the operation start elapsed time at the cut end of the model and the operation pattern can be obtained. Predicted repair probability and demand forecast number can be easily obtained. Therefore, a part production manager or the like can predict the demand for parts by referring to the repair probability function 164 stored in the storage unit 16.

更新部１６１ｃは、所定のタイミングで、記憶部１６に記憶されている補修確率関数１６４を更新する。具体的には、更新部１６１ｃは、記憶部１６に記憶されている受注実績情報１６２を用いて、運転開始から所定時間が経過したときの部品の実際の補修確率である実績補修確率を算出し、算出した実績補修確率と予測補修確率算出部１６１ｂにより算出された予測補修確率とを用いて、記憶部１６に記憶されている全ての補修確率関数１６４を更新する。更新部１６１ｃは、例えば、部品の生産管理担当者により設定された所定のタイミングで補修確率関数を更新する。更新のタイミングとしては、少なくとも、予測補修確率算出部１６１ｂにより算出された需要予測数に対応する受注実績情報１６２が記憶部１６に記憶された以降のタイミングであればよい。   The update unit 161c updates the repair probability function 164 stored in the storage unit 16 at a predetermined timing. Specifically, the update unit 161c uses the order record information 162 stored in the storage unit 16 to calculate the actual repair probability that is the actual repair probability of the part when a predetermined time has elapsed from the start of operation. Then, all the repair probability functions 164 stored in the storage unit 16 are updated using the calculated actual repair probability and the predicted repair probability calculated by the predicted repair probability calculation unit 161b. For example, the update unit 161c updates the repair probability function at a predetermined timing set by a person in charge of production management of parts. The update timing may be at least the timing after the order record information 162 corresponding to the demand forecast number calculated by the predicted repair probability calculation unit 161b is stored in the storage unit 16.

図８は、更新部１６１ｃによる実績補修確率の算出結果の一例を示す。図８には、一例として、運転開始からの経過時間がｔ１（ｈ）の時の製品１で使用される部品の実際の受注数および実績補修確率、運転開始からの経過時間がｔ２（ｈ）の時の製品２で使用される部品の実際の受注数および実績補修確率、運転開始からの経過時間がｔ３（ｈ）の時の製品３で使用される部品の実際の受注数および実績補修確率、運転開始からの経過時間がｔ４（ｈ）の時の製品４で使用される部品の実際の受注数および実績補修確率、および運転開始からの経過時間がｔ１０００（ｈ）の時の製品１０００で使用される部品の実際の受注数および実績補修確率の算出結果を示している。 FIG. 8 shows an example of the result of calculation of the actual repair probability by the updating unit 161c. In FIG. 8, as an example, the actual number of orders received and the actual repair probability of the parts used in the product 1 when the elapsed time from the start of operation is t 1 (h), the elapsed time from the start of operation is t 2 ( h) Actual number of orders received for parts used in product 2 and actual repair probability, actual number of orders received for parts used in product 3 at time t 3 (h) Actual repair probability, actual order quantity and actual repair probability of parts used in product 4 when elapsed time from start of operation is t 4 (h), and elapsed time from start of operation of t 1000 (h) The calculation results of the actual number of orders received and the actual repair probability of the parts used in the product 1000 at the time are shown.

図８に示す算出結果が導出されるプロセスを説明する。更新部１６１ｃは、記憶部１６に記憶されている受注実績情報１６２から、製品１について、運転開始からの経過時間がｔ１（ｈ）の時の実際の部品の受注数のデータ「部品ａ：５２（個）、部品ｂ：５０（個）、部品ｃ：５１（個）」を読み込む。続いて、更新部１６１ｃは、記憶部１６に記憶されている運用情報１６３から、製品１で使用されている部品の使用総数のデータ「３００（個）」を読み込む。そして、更新部１６１ｃは、部品の使用総数「３００」に対する部品の実際の受注総数「１５３」の比率を求めることにより、製品１の実績補修確率「５１（％）」を算出する。同様にして、更新部１６１ｃは、製品２の実績補修確率「３３（％）」、製品３の実績補修確率「２６（％）」、製品４の実績補修確率「５５（％）」、製品１０００の実績補修確率「８１（％）」を算出する。 A process for deriving the calculation result shown in FIG. 8 will be described. The update unit 161c determines, based on the order record information 162 stored in the storage unit 16, for the product 1, the actual order number data “part a: when the elapsed time from the start of operation is t 1 (h)”. 52 (pieces), part b: 50 (pieces), part c: 51 (pieces) ”. Subsequently, the update unit 161 c reads data “300 (pieces)” of the total number of parts used in the product 1 from the operation information 163 stored in the storage unit 16. Then, the update unit 161c calculates the actual repair probability “51 (%)” of the product 1 by obtaining the ratio of the actual total order number “153” of the part to the total use number “300” of the part. Similarly, the update unit 161c performs the actual repair probability “33 (%)” of the product 2, the actual repair probability “26 (%)” of the product 3, the actual repair probability “55 (%)” of the product 4, and the product 1000. The actual repair probability of “81 (%)” is calculated.

続いて、更新部１６１ｃは、図８に示す実績補修確率、または予測補修確率算出部１６１ｂにより算出された予測補修確率のいずれか一方を予め設定された割合で重み付けして、補修確率関数１６４を更新する。図９に、補修確率関数１６４の更新方法の一例を示す。図９に示すＦ´は、予測補修確率を算出する際に用いた補修確率関数であり、更新前の補修確率関数である。図９に示すＦ´´は、更新後の補修確率関数である。図９に示すＩ１〜Ｉ４は実績補修確率の各値に対応する点であり、図９に示すＣ１〜Ｃ４は予測補修確率の各値に対応する点であり、図９に示すＵ１〜Ｕ４は更新後の各値に対応する点である。図９に示すαは、補修確率関数を更新する場合に、実績補修確率または予測補修確率のいずれか一方を重み付けするための値である。更新部１６１ｃは、予測補修確率算出部１６１ｂにより算出された予測補修確率を、対応する補修確率関数ごとに分ける。続いて、更新部１６１ｃは、同一の補修確率関数から導き出された予測補修確率に対応する実績補修確率を取得し、例えば、図９に示すように、予測補修確率に対応する点Ｃ２と実績補修確率Ｉ２との差Ｍ２をα：１−αに内分する点Ｕ２を求める。同様にして、更新部１６１ｃは、図９に示す点Ｕ１、点Ｕ３および点Ｕ４を求めて、点Ｕ１〜Ｕ４を滑らかに結ぶ曲線を更新後の補修確率関数Ｆ´´として算出する。 Subsequently, the update unit 161c weights either the actual repair probability shown in FIG. 8 or the predicted repair probability calculated by the predicted repair probability calculation unit 161b at a preset ratio, and sets the repair probability function 164. Update. FIG. 9 shows an example of a method for updating the repair probability function 164. F ′ shown in FIG. 9 is a repair probability function used when calculating the predicted repair probability, and is a repair probability function before update. F ″ shown in FIG. 9 is a repair probability function after update. I 1 to I 4 shown in FIG. 9 are points corresponding to each value of the actual repair probability, and C 1 to C 4 shown in FIG. 9 are points corresponding to each value of the predicted repair probability, as shown in FIG. U 1 to U 4 are points corresponding to the updated values. Α shown in FIG. 9 is a value for weighting either the actual repair probability or the predicted repair probability when the repair probability function is updated. The update unit 161c divides the predicted repair probability calculated by the predicted repair probability calculation unit 161b for each corresponding repair probability function. Subsequently, the update unit 161c obtains the actual repair probability corresponding to the predicted repair probability derived from the same repair probability function, for example, as shown in FIG. 9, C 2 and actual point corresponding to the predicted maintenance probability A point U 2 that internally divides the difference M 2 from the repair probability I 2 into α: 1−α is obtained. Similarly, the updating unit 161c obtains the points U 1 , U 3 and U 4 shown in FIG. 9 and uses a curve that smoothly connects the points U 1 to U 4 as the updated repair probability function F ″. calculate.

図９に示すように、更新部１６１ｃは、予測補修確率と実績補修確率とを定期的に照らし合わせて、予測補修確率を実際の受注実績に近づけるように、記憶部１６に記憶されている補修確率関数を定期的に更新する。このため、部品の生産管理担当者などは、記憶部１６に記憶されている補修確率関数を利用することにより、実際の受注実績に近く、精度のよい需要予測を行うことができる。   As shown in FIG. 9, the update unit 161c periodically compares the predicted repair probability and the actual repair probability, and repairs stored in the storage unit 16 so as to bring the predicted repair probability closer to the actual order receipt result. Update the probability function periodically. For this reason, a person in charge of production management of parts can use the repair probability function stored in the storage unit 16 to make an accurate demand prediction that is close to the actual order receipt.

［需要予測装置による処理］
図１０および図１１を用いて、本実施例に係る需要予測装置による処理の流れを説明する。図１０および図１１は、本実施例に係る需要予測装置による処理の流れを示す図である。 [Processing by demand forecasting device]
The flow of processing by the demand prediction apparatus according to the present embodiment will be described with reference to FIGS. 10 and 11. 10 and 11 are diagrams illustrating a flow of processing by the demand prediction apparatus according to the present embodiment.

まず、図１０を用いて、補修確率関数算出処理の流れを説明する。図１０に示すように、補修確率関数算出部１６１ａは、記憶部１６から、受注実績情報１６２および運用情報１６３を読み込む（ステップＳ１０１）。続いて、補修確率関数算出部１６１ａは、受注実績情報１６２と、運用情報１６３とを用いて、製品の型式ごとに、運転開始経過時間に応じた補修確率を運転パターンごとに評価するための補修確率関数１６４を算出する（ステップＳ１０２）。そして、補修確率関数算出部１６１ａは、例えば、型式および運転パターンに対応付けて、補修確率関数を記憶部１６に格納する（ステップＳ１０３）。   First, the flow of the repair probability function calculation process will be described with reference to FIG. As shown in FIG. 10, the repair probability function calculation unit 161a reads the order record information 162 and the operation information 163 from the storage unit 16 (step S101). Subsequently, the repair probability function calculation unit 161a uses the order record information 162 and the operation information 163 to perform repair for evaluating the repair probability according to the operation start elapsed time for each operation pattern for each product type. The probability function 164 is calculated (step S102). Then, the repair probability function calculation unit 161a stores the repair probability function in the storage unit 16 in association with, for example, the model and the operation pattern (step S103).

次に、図１１を用いて、補修確率関数更新処理の流れを説明する。図１１に示す補修確率関数更新処理は、例えば、部品の生産管理担当者により設定された所定のタイミングで繰り返し実行される。図１１に示すように、予測補修確率算出部１６１ｂは、記憶部１６から補修確率関数１６４を読み込む（ステップＳ２０１）。続いて、予測補修確率算出部１６１ｂは、記憶部１６から読み込んだ補修確率関数１６４を用いて、各製品で使用されている部品の予測補修確率を算出する（ステップＳ２０２）。   Next, the flow of the repair probability function update process will be described with reference to FIG. The repair probability function update process shown in FIG. 11 is repeatedly executed at a predetermined timing set by, for example, a part production manager. As shown in FIG. 11, the predicted repair probability calculation unit 161b reads a repair probability function 164 from the storage unit 16 (step S201). Subsequently, the predicted repair probability calculation unit 161b calculates the predicted repair probability of the parts used in each product using the repair probability function 164 read from the storage unit 16 (step S202).

続いて、更新部１６１ｃは、記憶部１６から受注実績情報１６２を読み込む（ステップＳ２０３）。続いて、更新部１６１ｃは、記憶部１６から読み込んだ受注実績情報１６２を用いて、各製品で使用されている部品の実績補修確率を算出する（ステップＳ２０４）。例えば、更新部１６１ｃは、部品の使用総数に対する部品の実際の受注総数の比率を求めることにより、製品ごとに実績補修確率を算出する。   Subsequently, the update unit 161c reads the order record information 162 from the storage unit 16 (step S203). Subsequently, the update unit 161c calculates the actual repair probability of the parts used in each product by using the received order information 162 read from the storage unit 16 (step S204). For example, the updating unit 161c calculates the actual repair probability for each product by obtaining the ratio of the actual total number of parts received to the total number of parts used.

続いて、更新部１６１ｃは、予測補修確率と実績補修確率とに基づいて、予測補修確率を算出する際に用いた補修確率関数１６４を更新する（ステップＳ２０５）。例えば、更新部１６１ｃは、予測補修確率または実績補修確率のいずれか一方を予め設定された割合で重み付けして補修確率関数１６４を更新する。続いて、更新部１６１ｃは、全ての補修確率関数１６４の更新が完了したか否かを判定する（ステップＳ２０６）。判定の結果、更新部１６１ｃは、全ての補修確率関数１６４の更新が完了している場合には（ステップＳ２０６、Ｙｅｓ）、処理を終了する。一方、全ての補修確率関数１６４の更新が完了していない場合には（ステップＳ２０６、Ｎｏ）、更新部１６１ｃは、ステップＳ２０５に戻り、処理を継続する。   Subsequently, the update unit 161c updates the repair probability function 164 used when calculating the predicted repair probability based on the predicted repair probability and the actual repair probability (step S205). For example, the update unit 161c updates the repair probability function 164 by weighting one of the predicted repair probability and the actual repair probability at a preset ratio. Subsequently, the update unit 161c determines whether or not all the repair probability functions 164 have been updated (step S206). As a result of the determination, the update unit 161c ends the process when all the repair probability functions 164 have been updated (Yes in Step S206). On the other hand, when the update of all the repair probability functions 164 has not been completed (No at Step S206), the update unit 161c returns to Step S205 and continues the process.

例えば、発電所では、顧客との間で立案された設備計画に基づいて、発電設備（プラント）で使用される部品などの長期的な設備計画（長期山積み）が、生産管理担当者などにより作成される。一方で、顧客との間で立案された設備計画がない場合には、過去の受注実績に基づいて需要を予測する必要がある。しかしながら、発電設備（プラント）の運転開始からの経過時間、部品の種類、運転パターン、燃料の種類などによって、部品の劣化度が変わるので、同じの部品の受注実績が同様の傾向を示すとは限らない。部品の生産管理担当者などが、運転開始からの経過時間、部品の種類、運転パターン、燃料の種類などを取捨選択して、需要予測を行うための指標（切り口）として利用する場合、この指標が部品の実際の受注実績に近い、あるいは受注実績に沿っているかなどを検証する作業に大変な労力を必要とする。   For example, at a power plant, a long-term facility plan (long-term pile) of parts used in the power generation facility (plant) is created by a production manager etc. based on the facility plan planned with the customer. Is done. On the other hand, when there is no facility plan planned with the customer, it is necessary to predict the demand based on the past orders received. However, because the degree of deterioration of parts changes depending on the elapsed time from the start of operation of the power generation facility (plant), the type of parts, the operation pattern, the type of fuel, etc., the order results for the same parts show the same trend Not exclusively. This indicator is used when a person in charge of production management of parts selects the elapsed time from the start of operation, the type of part, the operation pattern, the type of fuel, etc., and uses it as an index (cutting point) for demand prediction. It takes a lot of labor to verify whether the product is close to the actual order record of parts or is in line with the order record.

これに対して、本実施例に係る需要予測装置は、補修確率関数１６４を用いて、所定の運転開始経過時間に対応する予測補修確率を算出し、算出した予測補修確率に対して実際の受注実績をフィードバックすることにより、補修確率関数から算出される予測補修確率が実際の受注実績に近づくように補修確率関数を自動的に更新する。このため、本実施例に係る需要予測装置によれば、部品の需要予測に用いる指標（切り口）が、部品の実際の受注実績に近い、あるいは受注実績に沿っているかなどの検証作業をそもそも必要としない。さらに、本実施例に係る需要予測装置によれば、部品の生産管理担当者などに補修確率関数を参照させることで、部品について、実際の受注実績に近く、精度のよい需要予測を行わせることができる。よって、本実施例に係る需要予測装置によれば、例えば、発電設備（プラント）で使用される部品などの長期的な設備計画（長期山積み）を作成する場合にも、精度のよい需要予測に基づいた山積みを作成するための参照データを、生産管理担当者などに提供できる。   On the other hand, the demand prediction apparatus according to the present embodiment uses the repair probability function 164 to calculate a predicted repair probability corresponding to a predetermined operation start elapsed time, and receives an actual order for the calculated predicted repair probability. By feeding back the results, the repair probability function is automatically updated so that the predicted repair probability calculated from the repair probability function approaches the actual order record. For this reason, according to the demand forecasting apparatus according to the present embodiment, it is necessary to perform verification work in the first place, such as whether the index (cutting point) used for parts demand forecast is close to or in line with the actual order receipt result of the part. And not. Furthermore, according to the demand forecasting apparatus according to the present embodiment, it is possible to make a demand forecast with high accuracy close to the actual order receipt result by referring to the repair probability function by the person in charge of production of the parts. Can do. Therefore, according to the demand prediction apparatus according to the present embodiment, for example, when creating a long-term facility plan (long-term pile) such as parts used in a power generation facility (plant), it is possible to accurately predict demand. It is possible to provide reference data for creating a pile based on the person in charge of production management.

また、本実施例に係る需要予測装置は、製品の型式ごとに、運転開始経過時間に応じた補修確率を運転パターンごとに評価するための補修確率関数１６４を算出する。これにより、製品の型式および運転パターンという２つのパラメータに基づいて、運転開始経過時間に応じた補修確率を分析できる。   Further, the demand prediction apparatus according to the present embodiment calculates a repair probability function 164 for evaluating the repair probability according to the operation start elapsed time for each operation pattern for each product type. Thereby, the repair probability according to the operation start elapsed time can be analyzed based on the two parameters of the product type and the operation pattern.

また、本実施例に係る需要予測装置は、予測補修確率または実績補修確率のいずれか一方を予め設定された割合で重み付けする。例えば、予測補修確率を重み付けする場合には過去のデータを重視した関数に更新することができ、実績補修確率を重み付けする場合には最近のデータを重視した関数に更新することができる。   In addition, the demand prediction apparatus according to the present embodiment weights either the predicted repair probability or the actual repair probability at a preset ratio. For example, when weighting the predicted repair probability, it can be updated to a function that places importance on past data, and when weighting the actual repair probability, it can be updated to a function that places importance on recent data.

また、補修確率関数算出部１６１ａは、補修確率関数１６４を用いて算出される予測補修確率が、一定期間あるいは一定回数、実績補修確率と所定の閾値以上相違する場合には、補修確率関数１６４を算出する場合に選択したパラメータを変更してもよい。例えば、上述した実施例では、補修確率関数算出部１６１ａが、製品の型式ごとに、運転開始経過時間に応じた補修確率を運転パターンごとに評価するための補修確率関数１６４を算出する場合を説明した。予測補修確率が実績補修確率と所定の閾値以上相違する場合、補修確率関数算出部１６１ａは、例えば、製品の型式ごとに運転開始経過時間に応じた補修確率を部品種別ごとに評価するための補修確率関数１６４を算出してもよい。あるいは、補修確率関数算出部１６１ａは、製品の型式ごとに運転開始経過時間に応じた補修確率を製品で使用される燃料の種別ごとに評価するための補修確率関数１６４を算出してもよい。あるいは、補修確率関数算出部１６１ａは、製品の型式ごとに運転開始経過時間に応じた補修確率を、運転パターン、部品種別および燃料の種別の少なくとも２つの要素の組合せごとに評価するための補修確率関数１６４を算出してもよい。以下、図面を参照しつつ、補修確率関数を算出する際のパラメータの選択方法の一例を説明する。   In addition, the repair probability function calculation unit 161a calculates the repair probability function 164 when the predicted repair probability calculated using the repair probability function 164 is different from the actual repair probability by a predetermined period or a certain number of times, more than a predetermined threshold. You may change the parameter selected when calculating. For example, in the above-described embodiment, the case where the repair probability function calculating unit 161a calculates the repair probability function 164 for evaluating the repair probability corresponding to the operation start elapsed time for each operation pattern for each product type is described. did. When the predicted repair probability differs from the actual repair probability by a predetermined threshold or more, the repair probability function calculation unit 161a, for example, repairs for evaluating the repair probability according to the operation start elapsed time for each product type for each part type. The probability function 164 may be calculated. Alternatively, the repair probability function calculating unit 161a may calculate a repair probability function 164 for evaluating the repair probability according to the operation start elapsed time for each product type for each type of fuel used in the product. Alternatively, the repair probability function calculation unit 161a is configured to evaluate the repair probability according to the operation start elapsed time for each product type for each combination of at least two elements of the operation pattern, the component type, and the fuel type. The function 164 may be calculated. Hereinafter, an example of a parameter selection method for calculating the repair probability function will be described with reference to the drawings.

図１２に、製品の型式、運転パターン、燃料、部品の組合せに該当するデータ数の一例を示す。図１２に示すように、型式、運転パターン、燃料および部品の組合せでは、組合せに対応する個々のデータ数が受注実績情報１６２に十分に存在しない可能性がある。この場合、算出した補修確率関数は、特異なデータの影響を受けやすく、誤差が大きくなってしまう場合が考えられる。そこで、少なくとも、型式、運転パターン、燃料または部品を組合せたときに、個々の組合せに対応するデータ数が所定の閾値よりも大きくなるようにする。なお、所定の閾値は、受注実績情報１６２の全データ数に基づいて、特異なデータの影響を受けにくい値を設定する。   FIG. 12 shows an example of the number of data corresponding to the combination of product type, operation pattern, fuel, and parts. As shown in FIG. 12, in the combination of model, operation pattern, fuel and parts, there is a possibility that the number of individual data corresponding to the combination does not sufficiently exist in the order record information 162. In this case, it is conceivable that the calculated repair probability function is easily influenced by unique data and the error becomes large. Therefore, at least when the model, operation pattern, fuel or parts are combined, the number of data corresponding to each combination is set to be larger than a predetermined threshold. Note that the predetermined threshold value is set to a value that is less susceptible to unique data based on the total number of data in the order record information 162.

一方、型式および部品というように、いくつかのパラメータに絞って組合せた場合は、個々のデータ数は多くなるが、パラメータの選択方法によっては、平均化されてしまって、詳細なデータを活かせない場合が考えられる。そこで、２つのパラメータを組合せてできる全ての組合せの中から、各組合せを採用したときの補修確率関数のバラつき（標準偏差）ができるだけ大きくなる組合せを採用する。図１３に、型式および部品の組合せを採用したときの補修確率関数の一例を示す。図１３に示す補修確率関数Ｆ１０やＦ１１の線のバラつきができるだけ大きくなるような組合せを採用する。 On the other hand, when combined with several parameters such as models and parts, the number of individual data increases, but depending on the parameter selection method, it is averaged and detailed data cannot be utilized. There are cases. In view of this, a combination in which the variation (standard deviation) of the repair probability function when each combination is adopted is as large as possible is selected from all combinations obtained by combining the two parameters. FIG. 13 shows an example of a repair probability function when a combination of model and part is adopted. A combination is employed in which the variation of the repair probability functions F 10 and F 11 shown in FIG. 13 is as large as possible.

上述してきたように、運転開始経過時間に応じた補修確率を評価するための補修確率関数を算出する場合、製品の型式、運転パターン、燃料、部品から作成可能な全ての組合せの中から、個々の組合せに対応するデータ数が所定の閾値よりも大きく、かつ、補修確率関数の線のバラつきができるだけ大きくなるような組合せを採用する。   As described above, when calculating the repair probability function for evaluating the repair probability according to the operation start elapsed time, it is possible to individually select from all combinations that can be created from the product type, operation pattern, fuel, and parts. A combination is employed in which the number of data corresponding to the combination is larger than a predetermined threshold value and the variation of the repair probability function line is as large as possible.

また、補修確率関数算出部１６１ａは、製品の型式、運転開始経過時間、運転パターンなど、製品の運用状況を特定する複数のパラメータについて考え得る全ての組合せに応じて部品の補修確率を評価するための補修確率関数を全て算出してもよい。そして、補修確率関数算出部１６１ａは、算出した補修確率関数の中から、実際の受注実績により相関が高いものを絞り込むようにしてもよい。   In addition, the repair probability function calculation unit 161a evaluates the repair probability of a part according to all possible combinations of a plurality of parameters that specify the operation status of the product, such as the product type, the operation start elapsed time, and the operation pattern. All repair probability functions may be calculated. Then, the repair probability function calculation unit 161a may narrow down the calculated repair probability functions that have a high correlation according to the actual order reception result.

本実施例に係る需要予測装置１０は、需要を予測する場合に複数のパラメータが実績に沿ったものであるか否かを検証する必要がある全ての製品に対して、上述した需要予測装置１０による処理（図１０および図１１など参照）を適用することができる。   The demand prediction apparatus 10 according to the present embodiment is the above-described demand prediction apparatus 10 for all products for which it is necessary to verify whether or not a plurality of parameters are in line with actual results when forecasting demand. (See FIG. 10 and FIG. 11) can be applied.

本実施例では、需要予測装置１０が、補修確率関数を用いて、所定の運転開始経過時間に対応する製品ごとの予測補修確率を算出し、予測補修確率と実績補修確率とを比較して、補修確率関数を更新する例を説明した。しかしながら、これには限定されず、例えば、予測補修確率から算出した部品の需要予測数と、対応する部品の受注実績とを比較して、補修確率関数を更新するようにしてもよい。   In the present embodiment, the demand prediction device 10 calculates a predicted repair probability for each product corresponding to a predetermined operation start elapsed time using a repair probability function, compares the predicted repair probability with the actual repair probability, An example of updating the repair probability function has been described. However, the present invention is not limited to this. For example, the repair probability function may be updated by comparing the predicted number of parts demand calculated from the predicted repair probability with the order receipt result of the corresponding part.

なお、上記の実施例で示した本発明の態様は、本発明の要旨を逸脱しない範囲で任意に変更することができる。例えば、上記の実施例で示したプログラムは、複数のモジュールに分割されていてもよいし、他のプログラムと統合されていてもよい。需要予測装置１０の機能を複数の装置に適宜分散させてもよい。   In addition, the aspect of this invention shown by said Example can be arbitrarily changed in the range which does not deviate from the summary of this invention. For example, the program shown in the above embodiment may be divided into a plurality of modules or may be integrated with other programs. The function of the demand prediction device 10 may be appropriately distributed among a plurality of devices.

１０ 需要予測装置
１１ 表示部
１２ 入力部
１３ 通信部
１４ 媒体読取部
１５ 制御部
１６ 記憶部
１５１ ＣＰＵ
１５２ メモリ
１６１ 需要予測プログラム
１６１ａ 補修確率関数算出部
１６１ｂ 予測補修確率算出部
１６１ｃ 更新部
１６２ 受注実績情報
１６３ 運用情報
１６４ 補修確率関数 DESCRIPTION OF SYMBOLS 10 Demand prediction apparatus 11 Display part 12 Input part 13 Communication part 14 Medium reading part 15 Control part 16 Storage part 151 CPU
152 Memory 161 Demand Prediction Program 161a Repair Probability Function Calculation Unit 161b Predictive Repair Probability Calculation Unit 161c Update Unit 162 Order Record Information 163 Operation Information 164 Repair Probability Function

Claims (6)

製品ごとに、該製品で使用される部品の受注実績情報を記憶する実績情報記憶部と、
前記製品ごとに、該製品の運用状況を特定するための複数のパラメータの各々に対応する情報を運用情報として記憶する運用情報記憶部と、
前記製品の運転開始から所定時間が経過したときに該製品で使用されている部品の補修確率を、前記複数のパラメータの組合せに応じて評価するための補修確率関数を記憶する補修確率関数記憶部と、
前記実績情報記憶部に記憶されている前記受注実績情報と前記運用情報記憶部に前記運用情報として記憶されている前記複数のパラメータの各々に対応する情報を用いて、前記補修確率関数を算出する補修確率関数算出部と、
前記補修確率関数記憶部に記憶されている前記補修確率関数を用いて、前記製品ごとに前記所定時間が経過したときの予測補修確率を算出する予測補修確率算出部と、
前記実績情報記憶部に記憶されている受注実績情報を用いて、前記所定時間が経過したときの実際の補修確率である実績補修確率を前記製品ごとに算出し、算出した実績補修確率と前記予測補修確率算出部により算出された予測補修確率との比較結果を用いて、前記補修確率関数記憶部に記憶されている前記補修確率関数を更新する更新部と
を備えることを特徴とする需要予測装置。 For each product, a record information storage unit that stores order record information of parts used in the product;
For each product, an operation information storage unit that stores information corresponding to each of a plurality of parameters for specifying the operation status of the product as operation information;
A repair probability function storage unit for storing a repair probability function for evaluating a repair probability of a part used in the product when a predetermined time has elapsed from the start of operation of the product according to a combination of the plurality of parameters When,
Using the information corresponding to each of the plurality of parameters that are to store the previous SL operational information and the actual received order information stored in the record information storing section in the operation information storage unit, the repair probability function A repair probability function calculating unit for calculating
Using the repair probability function stored in the repair probability function storage unit, a predicted repair probability calculation unit that calculates a predicted repair probability when the predetermined time has elapsed for each product;
Using the order result information stored in the result information storage unit, the actual repair probability, which is the actual repair probability when the predetermined time has elapsed, is calculated for each product, and the calculated actual repair probability and the prediction A demand forecasting apparatus comprising: an update unit that updates the repair probability function stored in the repair probability function storage unit using a comparison result with the predicted repair probability calculated by the repair probability calculation unit . 前記更新部は、前記補修確率関数記憶部に記憶されている前記補修確率関数を更新する場合に、前記実績補修確率または前記予測補修確率の重み付けを行うことを特徴とする請求項１に記載の需要予測装置。 The update unit, when updating the repair probability function stored in the repair probability function storage unit, according to claim 1, characterized in that performs weighting of the actual repair probability or the predicted repair probability Demand forecasting device. 前記更新部は、前記予測補修確率の各値と、当該予測補修確率に対応する前記実績補修確率の各値との差をそれぞれ求め、各値間の差を所定の比率で内分するそれぞれの値に基づいて、前記補修確率関数を更新することを特徴とする請求項２に記載の需要予測装置。The update unit obtains a difference between each value of the predicted repair probability and each value of the actual repair probability corresponding to the predicted repair probability, and internally divides the difference between the values at a predetermined ratio. The demand prediction apparatus according to claim 2, wherein the repair probability function is updated based on a value. 前記補修確率関数算出部は、前記補修確率関数を算出する場合に、前記複数のパラメータの中から対応するデータ数が所定の閾値以上であるパラメータを特定し、特定したパラメータに含まれる２つのパラメータの全ての組合せに対応する前記補修確率関数を算出し、算出した補修確率関数の中で標準偏差が最も大きい補修確率関数を取得することを特徴とする請求項１から３のいずれか１つに記載の需要予測装置。 The repair probability function calculation unit, when calculating the repair probability function, identifies a parameter whose corresponding data number is a predetermined threshold or more from the plurality of parameters, and includes two parameters included in the identified parameter all combinations in calculating the repair probability function corresponding to any one of claims 1 to 3, characterized in that the standard deviation in the repair probability function calculated to obtain the greatest repair probability function The demand forecasting device described. 需要予測装置によって実行される需要予測方法であって、
製品の運用状況を特定するための複数のパラメータの各々に対応する情報を運用情報として前記対象設備ごとに記憶する運用情報記憶部から前記運用情報を取得し、前記製品ごとに該製品で使用される部品の受注実績情報を記憶する実績情報記憶部から前記受注実績情報を取得し、取得した運用情報である前記複数のパラメータの各々に対応する情報および受注実績情報を用いて、前記製品の運転開始から所定時間が経過したときに該製品で使用されている部品の補修確率を、前記複数のパラメータの組合せに応じて評価するための補修確率関数を算出する補修確率関数算出ステップと、
前記補修確率関数を記憶する補修確率関数記憶部から前記補修確率関数を取得し、取得した補修確率関数を用いて、前記製品ごとに前記所定時間が経過したときの予測補修確率を算出する予測補修確率算出ステップと、
前記実績情報記憶部に記憶されている受注実績情報を用いて、前記所定時間が経過したときの実際の補修確率である実績補修確率を算出し、算出した実績補修確率と前記予測補修確率算出ステップにより算出された予測補修確率との比較結果を用いて、前記補修確率関数記憶部に記憶されている補修確率関数を更新する更新ステップと
を含むことを特徴とする需要予測方法。 A demand prediction method executed by a demand prediction device,
The operation information is acquired from an operation information storage unit that stores, as operation information , information corresponding to each of a plurality of parameters for specifying the operation status of the product, and is used by the product for each product. The order information is acquired from the result information storage unit that stores the order result information of the parts to be processed, and the operation of the product is performed using the information corresponding to each of the plurality of parameters and the order result information that is the acquired operation information. A repair probability function calculating step for calculating a repair probability function for evaluating the repair probability of a part used in the product when a predetermined time has elapsed from the start according to the combination of the plurality of parameters ;
Predictive repair that obtains the repair probability function from the repair probability function storage unit that stores the repair probability function, and calculates the predicted repair probability when the predetermined time elapses for each product using the obtained repair probability function A probability calculating step;
Using the order record information stored in the record information storage unit, a record repair probability that is an actual repair probability when the predetermined time has elapsed is calculated, and the calculated record repair probability and the predicted repair probability calculation step And a updating step of updating the repair probability function stored in the repair probability function storage unit using the comparison result with the predicted repair probability calculated by the demand prediction method. 需要予測装置に、
製品の運用状況を特定するための複数のパラメータの各々に対応する情報を運用情報として前記対象設備ごとに記憶する運用情報記憶部から前記運用情報を取得し、前記製品ごとに該製品で使用される部品の受注実績情報を記憶する実績情報記憶部から前記受注実績情報を取得し、取得した運用情報である前記複数のパラメータの各々に対応する情報および受注実績情報を用いて、前記製品の運転開始から所定時間が経過したときに該製品で使用されている部品の補修確率を、前記複数のパラメータの組合せに応じて評価するための補修確率関数を算出する補修確率関数算出ステップと、
前記補修確率関数を記憶する補修確率関数記憶部から前記補修確率関数を取得し、取得した補修確率関数を用いて、前記製品ごとに前記所定時間が経過したときの予測補修確率を算出する予測補修確率算出ステップと、
前記実績情報記憶部に記憶されている受注実績情報を用いて、前記所定時間が経過したときの実際の補修確率である実績補修確率を算出し、算出した実績補修確率と前記予測補修確率算出ステップにより算出された予測補修確率との比較結果を用いて、前記補修確率関数記憶部に記憶されている補修確率関数を更新する更新ステップと
を実行させることを特徴とする需要予測プログラム。 Demand forecasting device
The operation information is acquired from an operation information storage unit that stores, as operation information , information corresponding to each of a plurality of parameters for specifying the operation status of the product, and is used by the product for each product. The order information is acquired from the result information storage unit that stores the order result information of the parts to be processed, and the operation of the product is performed using the information corresponding to each of the plurality of parameters and the order result information that is the acquired operation information. A repair probability function calculating step for calculating a repair probability function for evaluating the repair probability of a part used in the product when a predetermined time has elapsed from the start according to the combination of the plurality of parameters ;
Predictive repair that obtains the repair probability function from the repair probability function storage unit that stores the repair probability function, and calculates the predicted repair probability when the predetermined time elapses for each product using the obtained repair probability function A probability calculating step;
Using the order record information stored in the record information storage unit, a record repair probability that is an actual repair probability when the predetermined time has elapsed is calculated, and the calculated record repair probability and the predicted repair probability calculation step A demand prediction program, comprising: executing an update step of updating a repair probability function stored in the repair probability function storage unit using a comparison result with the predicted repair probability calculated by the step.
JP2012025537A 2012-02-08 2012-02-08 Demand forecasting device, demand forecasting method, and demand forecasting program Active JP5924966B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2012025537A JP5924966B2 (en) 2012-02-08 2012-02-08 Demand forecasting device, demand forecasting method, and demand forecasting program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2012025537A JP5924966B2 (en) 2012-02-08 2012-02-08 Demand forecasting device, demand forecasting method, and demand forecasting program

Publications (2)

Publication Number Publication Date
JP2013161452A JP2013161452A (en) 2013-08-19
JP5924966B2 true JP5924966B2 (en) 2016-05-25

Family

ID=49173596

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2012025537A Active JP5924966B2 (en) 2012-02-08 2012-02-08 Demand forecasting device, demand forecasting method, and demand forecasting program

Country Status (1)

Country Link
JP (1) JP5924966B2 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101836129B1 (en) * 2013-09-25 2018-04-19 삼성에스디에스 주식회사 Apparatus and Method for Determining Demand Priority Rank And Recording Medium Recording the Program Thereof, Apparatus and Method for Controlling Demand Based Priority Rank
CN117852844B (en) * 2024-03-07 2024-05-28 中国人民解放军海军工程大学 Method, system, device and storage medium for distributing equipment repair tasks

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007199844A (en) * 2006-01-24 2007-08-09 Hitachi Ltd Component demand prediction program, component demand prediction method, and system executing this method
JP5444110B2 (en) * 2010-04-27 2014-03-19 株式会社日立ソリューションズ東日本 Demand forecasting device, demand forecasting method, and demand forecasting program
JP5411794B2 (en) * 2010-04-27 2014-02-12 株式会社日立ソリューションズ東日本 Lifetime demand forecasting method, program, and lifetime demand forecasting device

Also Published As

Publication number Publication date
JP2013161452A (en) 2013-08-19

Similar Documents

Publication Publication Date Title
US10055337B2 (en) Methods and systems for analyzing software development risks
Zhou et al. A review of methods and algorithms for optimizing construction scheduling
CN102597990B (en) Automatic correction and predictive maintenance system
US11068817B2 (en) Artificial intelligence and machine learning based project management assistance
US10520937B2 (en) Sensing and computing control system for shaping precise temporal physical states
US20120197674A1 (en) Estimating a future project characteristic based on the similarity of past projects
CA3007940A1 (en) Systems and methods of utilizing multiple forecast models in forecasting customer demands for products at retail facilities
JP2007233944A (en) System for predicting commodity sales
US20190138913A1 (en) Prediction model generation device, prediction model generation method, and recording medium
JP7099805B2 (en) Predictors, prediction systems, prediction methods and programs
Faddoul et al. A generalised partially observable Markov decision process updated by decision trees for maintenance optimisation
JP6529096B2 (en) Simulation system, simulation method and program for simulation
US20170345071A1 (en) Planning device and planning method
WO2020023763A1 (en) System and method for predicting stock on hand with predefined markdown plans
JP2008021020A (en) Sales plan creation support system
AU2024203343A1 (en) Maintenance plan assistance method and maintenance plan assistance device
JP5924966B2 (en) Demand forecasting device, demand forecasting method, and demand forecasting program
JP5551806B2 (en) Integrated demand prediction apparatus, integrated demand prediction method, and integrated demand prediction program
WO2019167656A1 (en) Prediction system, prediction method, and program
JP7047911B2 (en) Information processing system, information processing method and storage medium
Löfstrand et al. Evaluating availability of functional products through simulation
US20160292625A1 (en) Product data analysis
JP2015118412A (en) Component demand prediction device and component demand prediction method
US20150100360A1 (en) Automated method and system for selecting and managing it consultants for it projects
JP2010108078A (en) Demand prediction device

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20141222

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20151013

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20151110

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20160112

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20160322

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20160419

R151 Written notification of patent or utility model registration

Ref document number: 5924966

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151