JP6031210B1 - 販売予測装置、販売予測方法、およびプログラム - Google Patents

Abstract

【課題】従来、商品を撮影した写真等の画像を用いて、当該商品の販売予測を行うことができなかった。【解決手段】商品の画像である学習画像に関する情報である学習画像情報と商品の販売実績に関する販売実績情報とを有する１以上の学習情報が格納される学習情報格納部と、販売対象の商品の画像を受け付ける画像受付部と、当該画像を解析し、解析結果を１以上の学習情報に適用し、商品の販売予測に関する販売予測情報を、１以上の学習情報が有する１以上の販売実績情報を用いて取得する販売予測部と、販売予測情報を出力する出力部とを具備する販売予測装置により、商品を撮影した写真等の画像を用いて、当該商品の販売予測を行える。【選択図】図１

Description

本発明は、画像を用いて商品の販売予測を行う販売予測装置等に関するものである。

従来、複数の機種が存在し、各消費者は自らの嗜好に応じて機種を選択し購入することが多い場合に、対象機種の販売数を精緻に予測する販売予測装置があった（例えば、特許文献１参照）。かかる販売予測装置では、全消費者の特性を設定し、特性を設定した消費者のうちから１人を抽出し、この消費者の嗜好を判断し、この消費者の嗜好が価格重視であれば価格重視モデルを実行し、この消費者の嗜好が機種重視であれば機種重視モデルを実行し、この消費者の嗜好がスペック重視であればスペック重視モデルを実行する。そして、かかる販売予測装置では、特性を設定した全消費者に関するシミュレートが終了すれば、機種毎の販売数を集計する処理を行う。

また、従来、不連続な販売実績情報や１年間分に満たない短期間の販売実績情報でも精度よく販売予測を行うことができる販売予測装置があった（例えば、特許文献２参照）。かかる販売予測装置は、各商品の販売実績に関する販売実績情報を取得する販売実績情報取得手段と販売実績情報取得手段で取得した販売実績情報から各商品の販売量を予測する販売予測手段とを備えた販売予測装置において、販売予測手段は、所定日数分の日単位の販売実績情報からその期間の各商品の販売量を曜日別に集計し、集計した集計値から各商品の曜日毎の販売量を予測することを特徴とする販売予測装置である。

特開２００８−２９９７８６号公報 特開２００６−１７８７７７号公報

しかしながら、従来の販売予測装置においては、商品を撮影した写真等の画像を用いて、当該商品の販売予測を行うことができなかった。また、従来、画像を入力し、商品の販売予測を行うという発想が全く無かった。

本第一の発明の販売予測装置は、商品の画像である学習画像に関する情報である学習画像情報と商品の販売実績に関する販売実績情報とを有する１以上の学習情報が格納される学習情報格納部と、販売対象の商品の画像を受け付ける画像受付部と、画像受付部が受け付けた画像を解析し、解析結果を１以上の学習情報に適用し、画像受付部が受け付けた画像に係る商品の販売予測に関する販売予測情報を、１以上の学習情報が有する１以上の販売実績情報を用いて取得する販売予測部と、販売予測情報を出力する出力部とを具備する販売予測装置である。

かかる構成により、商品を撮影した写真等の画像を用いて、当該商品の販売予測を行える。

また、本第二の発明の販売予測装置は、第一の発明に対して、第一販売予測情報と第二販売予測情報とを対応付けるための対応情報が格納される対応情報格納部をさらに具備し、販売予測部は、画像受付部が受け付けた画像を解析し、解析結果を１以上の学習情報に適用し、１以上の学習情報が有する１以上の販売実績情報と同種の情報である第一販売予測情報を取得する第一手段と、第一販売予測情報から対応情報を用いて第二販売予測情報を取得する第二手段とを具備し、出力部は、第二販売予測情報を出力する販売予測装置である。

かかる構成により、商品を撮影した写真等の画像を用いて、当該商品の販売予測情報であり、学習させた販売実績と異なる種類の情報である販売予測情報を出力できる。

また、本第三の発明の販売予測装置は、第一または第二の発明に対して、学習情報は、学習画像と販売実績情報とを有する学習元情報から深層学習を用いて学習された情報である販売予測装置である。

かかる構成により、商品を撮影した写真等の画像を用いて、当該商品の販売予測を精度高く行える。

また、本第四の発明の販売予測装置は、第一から第三いずれか１つの発明に対して、学習画像および画像受付部が受け付ける画像は、１以上の商品を撮影した写真である販売予測装置である。

かかる構成により、商品を撮影した写真を用いて、当該商品の販売予測を行える。

また、本第五の発明の販売予測装置は、第一から第四いずれか１つの発明に対して、画像受付部が受け付ける画像は、２以上の商品の画像が含まれ、販売予測部は、画像受付部が受け付けた画像から２以上の各商品の画像である２以上の部分画像を取得し、２以上の各部分画像を解析し、部分画像ごとに、解析結果を１以上の学習情報に適用し、画像受付部が受け付けた画像に係る商品の販売予測情報を、１以上の学習情報が有する１以上の販売実績情報を用いて取得し、出力部は、２以上の各商品の販売予測情報を出力する販売予測装置である。

かかる構成により、画像に含まれる２以上の各商品の販売予測を一緒に行える。

また、本第六の発明の販売予測装置は、第一から第五いずれか１つの発明に対して、学習情報格納部は、学習画像から取得された学習画像の２以上の属性値である学習画像情報と販売実績情報とを有する１以上の学習情報が格納され、販売予測部は、画像受付部が受け付けた画像を解析し、２以上の属性値である解析結果を取得し、解析結果を１以上の学習情報に適用し、画像受付部が受け付けた画像に係る商品の販売予測に関する販売予測情報を、１以上の学習情報が有する１以上の販売実績情報を用いて取得する販売予測装置である。

かかる構成により、商品を撮影した写真等の画像を用いて、当該商品の販売予測を行える。

本発明による販売予測装置によれば、商品を撮影した写真等の画像を用いて、当該商品の販売予測を行える。

実施の形態１における販売予測装置Ａのブロック図 同学習装置Ｂのブロック図 同販売予測装置Ａの動作について説明するフローチャート 同学習装置Ｂの動作について説明するフローチャート 同画像・販売実績管理表を示す図 同対応情報管理表を示す図 同販売予測対象の画像の例を示す図 同出力例を示す図 同出力例を示す図 同販売予測対象の画像の例を示す図 同出力例を示す図 同画像情報と販売実績情報の対の情報を示す図 同販売予測装置Ａが受け付ける商品情報の例を示す図 同出力例を示す図 同コンピュータシステムの概観図 同コンピュータシステムのブロック図

以下、販売予測装置等の実施形態について図面を参照して説明する。なお、実施の形態において同じ符号を付した構成要素は同様の動作を行うので、再度の説明を省略する場合がある。

（実施の形態１）

本実施の形態において、画像および販売実績情報の組を２組以上用いて学習した学習情報に対して、受け付けられた画像を適用し、当該画像に対応する販売予測情報を取得し、出力する販売予測装置について説明する。なお、本明細書において、販売実績とは、商品やサービスの販売の実績が好適であるが、商品やサービスのレンタルの実績、写真等の画像に対する第三者のアクションの実績（例えば、ＳＮＳに投函された写真に対する第三者の反応の実績）等も含む、と考えて良い。また、販売予測情報とは、商品やサービスの販売の実績に関する情報であることが好適であるが、商品やサービスのレンタルの実績に関する情報、写真等の画像に対する第三者のアクションの実績に関する情報等も含む、と考えて良い。

また、本実施の形態において、学習する販売実績情報と、出力する販売予測情報とが異なる種類の情報である販売予測装置について説明する。また、本明細書において、販売予測とは、商品やサービスの販売に関する予測であることが好適であるが、商品やサービスのレンタルに関する予測、写真等の画像に対する第三者のアクションに関する予測等も含む、と考えて良い。

また、本実施の形態において、画像内の２以上の商品に対して、販売予測情報を出力する販売予測装置について説明する。なお、ここでの商品は、いわゆるサービスも含み、販売対象の全体を含む。

さらに、本実施の形態において、販売予測装置Ａが使用する学習情報を学習する学習装置について説明する。

図１は、本実施の形態における販売予測装置Ａのブロック図である。販売予測装置Ａは、格納部１、受付部２、処理部３、出力部４を備える。また、格納部１は、学習情報格納部１１、対応情報格納部１２を備える。受付部２は、画像受付部２１を備える。処理部３は、販売予測部３１を備える。販売予測部３１は、第一手段３１１、第二手段３１２を備える。

格納部１を構成する学習情報格納部１１は、１または２以上の学習情報が格納される。学習情報は、学習画像情報と販売実績情報とを有する。学習情報格納部１１に格納されている１以上の学習情報は、後述する学習装置Ｂが蓄積した情報であることは好適である。

学習画像情報は、商品の画像である１または２以上の学習画像に関する情報である。学習画像とは、通常、商品を撮影した画像であるが、商品の図柄をエディタ等を用いて作成された画像等でも良い。つまり、学習画像のデータ構造は問わない。学習画像情報は、例えば、学習画像から取得された当該学習画像の１または２以上の属性値である。学習画像情報は、例えば、学習画像を画像解析し、当該学習画像から取得された１または２以上の属性値である。ここで、属性値は、例えば、色、画素値の統計処理量（例えば、平均値、中央値など）、背景色の画素値の統計処理量と画像内の商品の画像の画素値の統計処理量との差の情報、画像内の商品の画像の画素値の統計処理量と画像内の商品除く部分画像の画素値の統計処理量との差の情報などの特徴量、学習画像に含まれる商品の種類を識別する１または２以上の種類識別子等である。学習画像情報は、例えば、テキストまたはテキストから取得できる情報、ベクトルデータ等を含んでも良い。テキストは、例えば、商品の属性値（例えば、価格、サイズなど）、商品の説明文などである。学習画像情報は、例えば、１または２以上の学習画像そのものでも良い。

販売実績情報は、商品の販売実績に関する情報である。販売実績情報とは、例えば、販売総数、単位期間の販売数、商品を購入した人の人数、売れたか否か、もうけが出たか否か、利益額、販売期間、販売地域、購入者の属性に関する情報（例えば、男女比、年齢層に関する情報）、価格、組み合わせて購入される商品を識別する商品識別子等である。販売実績情報は、商品の販売実績に関する情報であれば、その種類や内容は問わない。さらに、販売実績情報は、販売までに至らない情報でも良い。販売までに至らない情報は、例えば、商品の注目度に関する情報である。商品の注目度に関する情報は、例えば、商品に関するウェブページや画像等の商品の情報の閲覧数、商品に関するウェブページや画像等の商品の情報を見た人の人数等である。

また、１以上の学習情報は、多層構造のニューラルネットワークの構造になっていることは好適である。また、１以上の学習情報は、例えば、学習画像と販売実績情報とを有する学習元情報から深層学習により学習された情報であることは好適である。学習情報とは、商品の販売実績を含む情報である。１以上の学習情報が多層構造のニューラルネットワークの構造である場合、例えば、ニューラルネットワークへの入力が１または２以上の画像、上述した１種類以上の販売実績情報である。そして、１または２以上の画像、上述した１種類以上の販売実績情報をＤｅｅｐ Ｌｅａｒｎｉｎｇのノードに入力信号として入力し、学習させることにより、多層構造のニューラルネットワークが得られる。

また、１以上の学習情報は、画像から取得された１または２以上の素性（属性値）と販売実績情報とを有する情報でも良い。かかる１以上の学習情報は、例えば、ＳＶＲ等の機械学習により使用される。

対応情報格納部１２は、１または２以上の対応情報が格納される。対応情報とは、第一販売予測情報と第二販売予測情報との対応をとるための情報である。第一販売予測情報と第二販売予測情報とは、共に販売予測に関する情報であるが、種類が異なる情報である。対応情報は、例えば、商品の種類識別子と、売れると判断する場合の条件とを有する。売れると判断する場合の条件とは、例えば、「第一販売予測情報が閾値以上または閾値より大きい値の場合、売れると判断する」である。また、対応情報は、例えば、商品の種類識別子と、売れないと判断する場合の条件とを有する。売れないと判断する場合の条件とは、例えば、「第一販売予測情報が閾値以下または閾値より小さい値の場合、売れないと判断する」である。なお、上記の条件は、商品の種類識別子ごとに存在することは好適である。また、条件に含まれる閾値は、商品の種類識別子によって異なることは好適である。対応情報は、例えば、第一販売予測情報をパラメータとし、第二販売予測情報を算出するための演算式である。

受付部２は、指示や情報等を受け付ける。指示や情報等とは、例えば、１または２以上の画像、動作の開始指示などである。ここで、受け付けとは、キーボードやマウス、タッチパネルなどの入力デバイスから入力された情報の受け付け、有線もしくは無線の通信回線を介して送信された情報の受信、光ディスクや磁気ディスク、半導体メモリなどの記録媒体から読み出された情報の受け付けなどを含む概念である。また、指示や情報等の入力手段は、テンキーやキーボードやマウスやメニュー画面によるもの等、何でも良い。受付部２は、テンキーやキーボード等の入力手段のデバイスドライバーや、メニュー画面の制御ソフトウェア等で実現され得る。

受付部２を構成する画像受付部２１は、１または２以上の画像を受け付ける。ここで受け付ける画像は、販売予測の対象の商品の画像である。また、ここで受け付ける画像は、商品画像情報に対応する画像ではない。なお、画像受付部２１は、カメラを含み、当該カメラにより撮影された写真を受け付けることは好適である。なお、写真は、通常、販売予測情報を取得したい商品を撮影した写真である。

処理部３は、各種の処理を行う。各種の処理とは、例えば、販売予測部３１が行う販売予測処理である。各種の処理とは、例えば、後述する学習処理である。なお、処理部３が学習処理を行う場合、処理部３は、後述する学習部６１、蓄積部６２を具備する。また、処理部３は、販売実績情報が予め決められた条件を満たすほど多い売上に対応する１以上の画像（写真など）を格納部１から取得しても良い。例えば、処理部３は、販売実績情報が有する販売総数が閾値より多い、または閾値以上の商品に対応する１以上の画像（写真など）を格納部１から取得しても良い。

販売予測部３１は、画像受付部２１が受け付けた１以上の画像を解析し、取得した解析結果を１以上の学習情報に適用し、画像受付部２１が受け付けた画像に係る商品の販売予測に関する販売予測情報を、１以上の学習情報が有する１以上の販売実績情報を用いて取得する。解析結果は、例えば、画像の１または２以上の属性値である。販売予測部３１は、例えば、深層学習により、販売予測情報を取得する。販売予測部３１は、例えば、ＳＶＲ、決定木等の、深層学習以外の機械学習により、販売予測情報を取得しても良い。なお、販売予測部３１は、例えば、画像受付部２１が受け付けた画像を解析し、当該画像の１以上の属性値を取得し、当該１以上の属性値を学習情報格納部１１の１以上の学習情報に適用し、深層学習またはＳＶＲ等のアルゴリズムにより、学習情報が有する販売実績情報と同種類の情報を取得する。なお、販売実績情報と同種類の情報は、販売予測情報である。

販売予測部３１は、画像受付部２１が受け付けた１以上の画像等を含む情報を学習情報格納部１２の１以上の学習情報に適用し、深層学習等のアルゴリズムにより、１以上の販売実績情報を取得しても良い。

なお、販売予測部３１は、画像のみを入力として用いて、販売予測情報を取得することは好適である。つまり、販売予測部３１は、画像のみを学習情報格納部１１の１以上の学習情報に適用し、販売予測情報を取得することは好適である。

また、画像受付部２１が受け付けた画像が２以上の商品の図柄を含む場合、販売予測部３１は、例えば、以下のように動作する。つまり、販売予測部３１は、画像受付部２１が受け付けた画像から２以上の各商品の画像である２以上の部分画像を取得し、２以上の各部分画像を解析し、部分画像ごとに、解析結果を１以上の学習情報に適用し、画像受付部２１が受け付けた画像に係る商品の販売予測情報を、１以上の学習情報が有する１以上の販売実績情報を用いて取得する。なお、部分画像は、画像（例えば、写真）の一部分であり、一の商品が含まれる（写っている）部分である。なお、画像が２以上の商品の図柄を含む場合とは、画像が２以上の商品を撮影した写真等である場合である。

また、販売予測部３１は、画像受付部２１が受け付けた１または２以上の画像を解析し、１または２以上の属性値である解析結果を取得し、解析結果を１以上の学習情報（例えば、多階層のニューラルネットワーク）に適用し、画像受付部２１が受け付けた画像に係る商品の販売予測に関する販売予測情報を、１以上の学習情報が有する１以上の販売実績情報を用いて取得することは好適である。解析結果を１以上の学習情報に適用することは、例えば、解析結果を多階層のニューラルネットワークに入力することである。

なお、販売予測部３１は、第一手段３１１および第二手段３１２により構成されても良い。かかる場合、第一手段３１１は、画像受付部２１が受け付けた１または２以上の画像を解析し、解析結果を１以上の学習情報に適用し、１以上の学習情報が有する１以上の販売実績情報と同種の情報である第一販売予測情報を取得する。また、第二手段３１２は、第一販売予測情報から対応情報を用いて第二販売予測情報を取得する。

出力部４は、販売予測部３１が取得した販売予測情報を出力する。また、出力部４は、第二手段３１２が取得した第二販売予測情報を出力しても良い。

また、出力部４は、２以上の各商品の販売予測情報を出力しても良い。かかる場合、出力部４は、２以上の各商品の種類を示す種類識別子に対応付けて、販売予測情報を出力することは好適である。

出力部４は、販売実績情報が予め決められた条件を満たすほど多い売上に対応する１以上の画像（写真など）を出力しても良い。また、出力部４は、例えば、販売実績情報が有する販売総数が閾値より多い、または閾値以上の商品に対応する１以上の画像（写真など）を出力しても良い。

なお、ここで、出力とは、ディスプレイへの表示、プロジェクターを用いた投影、プリンタでの印字、音出力、外部の装置への送信、記録媒体への蓄積、他の処理装置や他のプログラムなどへの処理結果の引渡しなどを含む概念である。

図２、本実施の形態における学習装置Ｂのブロック図である。学習装置Ｂは、格納部５、および処理部６を具備する。格納部５は、学習情報格納部１２、画像格納部５１、および販売実績情報格納部５２を具備する。処理部６は、学習部６１、および蓄積部６２を具備する。

学習装置Ｂを構成する格納部５は、各種の情報を格納し得る。各種の情報とは、画像、販売実績情報等である。

画像格納部５１は、１または２以上の画像が格納される。画像は、１または２以上の商品の画像を含む。画像は、例えば、１または２以上の商品が写っている写真である。

販売実績情報格納部５２は、画像格納部５１の各画像に対応付けて、販売実績情報が格納される。

処理部６は、各種の処理を行う。各種の処理とは、例えば、学習部６１や蓄積部６２等が行う処理である。

学習部６１は、画像格納部５１の１以上の画像と販売実績情報格納部５２の１以上の販売実績情報とを用いて、学習処理を行い、１以上の学習情報を取得する。学習部６１は、例えば、画像格納部５１の１以上の画像と販売実績情報格納部５２の１以上の販売実績情報とを用いて、深層学習のアルゴリズムにより、学習処理を行い、１以上の学習情報を取得する。なお、深層学習については、公知技術であるので詳細な説明を省略する。

学習部６１は、例えば、画像格納部５１の各画像を解析し、各画像から１または２以上の属性値を取得する。そして、学習部６１は、１以上の属性値を入力として、販売実績情報を出力とする多層構造のニューラルネットワークを構成する。なお、この場合、多層構造のニューラルネットワークが１以上の学習情報である。また、画像から取得する１以上の属性値は、例えば、種類識別子、色、画素値の統計処理量（例えば、平均値、中央値など）、背景色の画素値の統計処理量と画像内の商品の画像の画素値の統計処理量との差の情報、画像内の商品の画像の画素値の統計処理量と画像内の商品除く部分画像の画素値の統計処理量との差の情報などの特徴量等である。なお、学習部６１が多層構造のニューラルネットワークを構成する深層学習のアルゴリズムは公知技術であるので、詳細な説明は省略する。

また、学習部６１は、例えば、画像格納部５１の各画像を解析し、各画像から１以上の属性値を取得する。そして、学習部６１は、各画像について、１以上の属性値（１以上の素性と言っても良い）と、画像に対応する販売実績情報とを有する学習情報を取得する。

蓄積部６２は、学習部６１が取得した１以上の学習情報を格納部５に蓄積する。なお、ここで蓄積された１以上の学習情報は、学習情報格納部１１に格納される１以上の学習情報である。蓄積部６２は、例えば、学習部６１が取得した多層構造のニューラルネットワークを格納部５に蓄積する。

格納部１、学習情報格納部１１、対応情報格納部１２、格納部５、学習情報格納部１１、および画像格納部５１は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。格納部１等に情報が記憶される過程は問わない。例えば、記録媒体を介して情報が格納部１等で記憶されるようになってもよく、通信回線等を介して送信された情報が格納部１等で記憶されるようになってもよく、あるいは、入力デバイスを介して入力された情報が格納部１等で記憶されるようになってもよい。

処理部３、販売予測部３１、第一手段３１１、第二手段３１２、処理部６、学習部６１、および蓄積部６２は、通常、ＭＰＵやメモリ等から実現され得る。処理部３等の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。

出力部４は、ディスプレイやスピーカー等の出力デバイスを含むと考えても含まないと考えても良い。出力部４は、出力デバイスのドライバーソフトまたは、出力デバイスのドライバーソフトと出力デバイス等で実現され得る。

次に、販売予測装置Ａの動作について、図３のフローチャートを用いて説明する。なお、図３のフローチャートでは、販売予測装置Ａは一つの画像に対する販売予測処理を行う、とする。そして、販売予測装置Ａが複数の画像を受け付けた場合、下記のフローチャートの動作を、画像の数だけ繰り返せば良い。

（ステップＳ３０１）画像受付部２１は、１以上の画像を受け付けたか否かを判断する。１以上の画像を受け付けた場合はステップＳ３０２に行き、画像を受け付けない場合はステップＳ３０１に戻る。なお、画像受付部２１が１以上の画像を受け付けることは、画像受付部２１が写真を撮影することでも良い。つまり、写真が撮影された場合、販売予測装置Ａは、直ちに図３のフローチャートの処理を行い、写真に写っている商品に対する販売予測情報を出力しても良い。

（ステップＳ３０２）販売予測部３１は、ステップＳ３０１で受け付けられた画像に対して、解析処理を行う。販売予測部３１は、通常、ステップＳ３０１で受け付けられた画像を解析し、１または２以上の属性値を取得する。なお、１以上の属性値には、通常、画像に含まれる（例えば、写真に写っている）商品の種類を識別する種類識別子（例えば、ジャケット、パンツ、Ｔシャツ等）が含まれる。また、画像に２以上の商品の部分画像が含まれる場合、販売予測部３１は、通常、部分画像ごとに１以上の属性値を取得する。

（ステップＳ３０３）販売予測部３１は、カウンタｉに１を代入する。

（ステップＳ３０４）販売予測部３１は、ステップＳ３０１で受け付けられた画像の中にｉ番目の商品の画像が含まれるか否かを判断する。ｉ番目の商品の画像が含まれる場合はステップＳ３０５に行き、ｉ番目の商品の画像が含まれない場合はステップＳ３０１に戻る。なお、画像の中にｉ番目の商品の画像が含まれるか否かは、例えば、ステップＳ３０２で取得された１以上の属性値の中に、ｉ番目の種類識別子が存在するか否かを判断することと同じである。

（ステップＳ３０５）販売予測部３１は、ｉ番目の商品の部分画像の解析結果を、学習情報格納部１１の１以上の学習情報に適用し、第一販売予測情報を取得する。なお、画像内に写る商品が一つである場合、通常、ｉ番目の商品の部分画像とは、画像全体である。ただし、画像内に写る商品が一つである場合でも、販売予測部３１は、商品の領域を画像から切り出して、当該切り出した領域の画像に対して画像解析処理を行っても良い。また、画像内に写る商品が一つである場合、ｉ番目の商品の部分画像の解析結果は、画像全体の解析結果である。

（ステップＳ３０６）販売予測部３１は、ステップＳ３０５で取得した第一販売予測情報に対応情報を適用して、第二販売予測情報を取得するか否かを判断する。第二販売予測情報を取得する場合はステップＳ３０７に行き、第二販売予測情報を取得しない場合はステップＳ３０８に行く。なお、対応情報を適用するか否かは、予め決められていても良いし、対応情報格納部１２に対応情報が存在するか否かにより決定しても良いし、ｉ番目の商品の種類情報または画像内の商品の種類情報に対応する対応情報が対応情報格納部１２に存在するか否かにより決定しても良い。

（ステップＳ３０７）販売予測部３１は、第一販売予測情報に対応情報を適用して、第二販売予測情報を取得する。

（ステップＳ３０８）出力部４は、販売予測情報を出力する。なお、ここで出力する販売予測情報は、ステップＳ３０７で取得した第二販売予測情報、またはステップＳ３０５で取得した第一販売予測情報である。ステップＳ３０７で第二販売予測情報を取得しなかった場合は、出力部４は、ステップＳ３０５で取得した第一販売予測情報を出力する。ステップＳ３０７で第二販売予測情報を取得した場合は、出力部４は、ステップＳ３０７で取得した第二販売予測情報を出力する。また、ステップＳ３０７で第二販売予測情報を取得した場合は、出力部４は、ステップＳ３０５で取得した第一販売予測情報をも出力しても良い。また、出力部４は、画像内の商品の種類識別子に対応付けて、販売予測情報を出力することは好適である。

（ステップＳ３０９）販売予測部３１は、カウンタｉを１、インクリメントする。ステップＳ３０４に戻る。

なお、図３のフローチャートにおいて、電源オフや処理終了の割り込みにより処理は終了する。

また、図３のフローチャートにおいて、受付部２は、同一の商品に対する複数の写真を受け付けても良い。かかる場合、処理部３は、最も良い販売予測情報が出力された写真が最も良い写真である、と判断しても良い。そして、出力部４は、かかる判断結果を出力することは好適である。

次に、学習装置Ｂの動作について、図４のフローチャートを用いて説明する。

（ステップＳ４０１）学習部６１は、カウンタｉに１を代入する。

（ステップＳ４０２）学習部６１は、ｉ番目の商品の１以上の画像が画像格納部５１に存在するか否かを判断する。ｉ番目の画像が存在する場合はステップＳ４０３に行き、存在しない場合はステップＳ４０６に行く。なお、ここで学習部６１は、ｉ番目の販売実績情報が販売実績情報格納部５２に存在するか否かを判断しても良い。そして、ｉ番目販売実績情報が存在する場合はステップＳ４０３に行き、存在しない場合はステップＳ４０６に行っても良い。

（ステップＳ４０３）学習部６１は、ｉ番目の商品の１以上の画像に対して、画像解析の処理を行い、解析結果を取得する。そして、学習部６１は、通常、ｉ番目の画像の１以上の属性値である解析結果を取得する。なお、画像から１以上の属性値を取得する処理は公知技術により可能である。

（ステップＳ４０４）蓄積部６２は、ステップＳ４０３で取得された解析結果を格納部５に蓄積する。

（ステップＳ４０５）学習部６１は、カウンタｉを１、インクリメントする。ステップＳ４０２に戻る。

（ステップＳ４０６）学習部６１は、ステップＳ４０４で蓄積された解析結果と、各画像の販売実績情報とを用いて、学習情報を構成する。なお、学習部６１は、深層学習のアルゴリズムにより、ステップＳ４０４で蓄積された解析結果を用いて、各画像の販売実績情報を出力とする多層構造のニューラルネットワークを構築することは好適である。かかる多層構造のニューラルネットワークに１以上の画像を入力すると、販売予測情報が出力される。販売予測情報は、通常、販売実績情報と同種の情報である。また、多層構造のニューラルネットワークは、学習情報の一例である。

（ステップＳ４０７）蓄積部６２は、ステップＳ４０６で構成された学習情報を学習情報格納部１１に蓄積する。処理を終了する。ステップＳ４０６で構成された学習情報は、例えば、多層構造のニューラルネットワークである。

以下、本実施の形態における販売予測装置Ａ、および学習装置Ｂの具体的な動作について説明する。

今、学習装置Ｂの格納部５は、図５に示す画像・販売実績管理表を格納している、とする。画像・販売実績管理表は、画像と当該画像に写っている商品の販売実績の情報を格納している表である。画像・販売実績管理表は、「ＩＤ」「画像」「種類情報」「販売実績情報」を有する。「販売実績情報」は「販売総数」「４月の販売数」「ＰＶ」「ＰＶＵＵ」「ＣＶＵＵ」を有する。「ＩＤ」はレコードを識別する情報である。「種類情報」は、商品の種類を識別する情報である。「ＰＶ」は、商品の注目度を示す情報であり、ここでは商品のウェブページの閲覧数である。「ＰＶＵＵ」は、商品のウェブページの閲覧者の数である。「ＣＶＵＵ」は、商品を購入した人の数である。

また販売予測装置Ａの対応情報格納部１２は、図６に示す対応情報管理表を格納している、とする。

かかる状況において、以下の４つの具体例について説明する。具体例１において、学習装置Ｂの具体的な動作を説明する。具体例２において、入力される画像に一つの商品が写っている場合の販売予測装置Ａの具体的な動作を説明する。具体例３において、入力される画像に２以上の商品が写っている場合の販売予測装置Ａの具体的な動作を説明する。具体例４において、学習装置Ｂが商品画像以外の情報も含む情報を用いて学習し、１以上の学習情報を取得する場合の学習装置Ｂの動作について説明する。また、具体例４において、当該学習装置Ｂが学習した１以上の学習情報を用いて、販売予測装置Ａが行う処理について説明する。
（具体例１）

まず、ユーザは、学習装置Ｂに、学習を開始する指示を入力した、とする。すると、学習装置Ｂは、かかる学習を開始する指示を受け付ける。そして、学習部６１は、図５の各レコードが有する１以上の各画像に対して、画像解析処理を行い、図５の各レコードの画像ごとに、１以上の属性値である解析結果を取得する。そして、学習装置Ｂは、かかる解析結果と各レコードの種類情報と販売実績情報とを用いて、深層学習により、多層構造のニューラルネットワークを構成する。なお、各レコードの種類情報は、画像解析処理により取得された情報であることは好適である。

そして、蓄積部６２は、学習部６１が取得した多層構造のニューラルネットワーク（１以上の学習情報）を格納部５に蓄積する。また、格納部５には、学習部６１が使用した画像も蓄積される。なお、格納部５に格納された多層構造のニューラルネットワークおよび画像等は、販売予測装置Ａの学習情報格納部１１に移動または複写される、とする。
（具体例２）

ユーザは、販売予測装置Ａに対して、図７の画像を与えた、とする。図７の画像は、今後、量産予定のジャケットを撮影した写真である。そして、画像受付部２１は、図７の画像を受け付ける。

次に、販売予測部３１は、受け付けられた画像に対して、解析処理を行う。そして、販売予測部３１は、１または２以上の属性値を取得する。ここでは、販売予測部３１は、種類情報「ジャケット」、色「青」、撮影の仕方または方向「斜め方向」等の属性値を取得した、とする。

次に、販売予測部３１は、解析結果（種類情報「ジャケット」、色「青」、撮影の仕方または方向「斜め方向」等）を、学習情報格納部１１の多層構造のニューラルネットワークに適用し、販売予測情報「２１」を取得した、とする。

次に、販売予測部３１は、種類情報「ジャケット」および販売予測情報「２１」を、図６の対応情報管理表に適用して、第二販売予測情報「売れません」を取得する。つまり、販売予測部３１は、種類情報「ジャケット」に対応する「ＩＤ＝２」のレコードの対応情報が示す条件情報の「ｉｆ（販売総数＜＝１００）」に合致すると判断し、第二販売予測情報「売れません」を取得する。

次に、出力部４は、種類情報「ジャケット」に対応付けて、販売予測情報である「販売予測情報「２１」」「第二販売予測情報「売れません」」を出力する。かかる出力例は、図８である。なお、出力部４は、「この"＄種類情報"は"＄第二販売予測情報"。」および「この"＄種類情報"の予測総販売数は「"＄販売予測情報"」です。」という出力文のひな型を保持している、とする。出力文のひな型の中の"＄・・・"は変数である。

また、処理部３は、販売総数が予め決められた条件を満たすほど多い商品に対応する画像であり、種類情報「ジャケット」に対応する画像を学習情報格納部１１から取得する。そして、出力部４は、かかる画像を用いて、図９に示すような画面を出力する。なお、出力部４は、「← あなたの"＄種類情報"の写真です。」「売れている"＄種類情報"の写真は以下です。」「以下の写真に倣って、写真の撮り方を工夫されれば良いのではないでしょうか？」などの出力文のひな型を保持している、とする。また、出力部４は、販売予測部３１が取得した販売予測情報または第二販売予測情報が予め決められた条件を満たすと判断した場合（通常、売れない等の判断の場合）のみ、販売総数が多い商品の画像を出力することは好適である。なお、図９において出力されたジャケットの画像の撮影の仕方または方向の属性値は、例えば、「正面」である。また、図９において、撮影の仕方または方向である「正面」を用いて、コメントを出力しても良い。かかるコメントは、例えば、「正面の向きで写真撮影してはいかがでしょうか」等である。

以上、本具体例によれば、販売前や量産前等の商品であり、売り上げ予測を立てたい商品を撮影した写真等の画像を入力するだけで、販売予測が可能となる。

また、本具体例によれば、販売前等の商品を撮影した写真を入力するだけで、販売数を増やすために参考となる写真が提示される。なお、図９の出力例を見たユーザは、ジャケットの販売数を増やすために、販売するジャケットを真正面から撮影した方が良い、と考える。
（具体例３）

ユーザは、販売予測装置Ａに対して、図１０の画像を与えた、とする。すると、画像受付部２１は、図１０の画像を受け付ける。

次に、販売予測部３１は、図１０の画像に対して、以下のような解析処理を行う。つまり、販売予測部３１は、図１０の画像に２つの商品が写っていることを判定する。次に、販売予測部３１は、図１０の画像の中の２つの商品ごとに、商品の画像を切り出し（１００１と１００２）、画像解析を行う。そして、販売予測部３１は、商品ごとに、１または２以上の属性値を取得する。ここでは、販売予測部３１は、商品ごとに、種類情報「ジャケット」等の属性値を取得した、とする。

次に、販売予測部３１は、商品ごとに、解析結果（種類情報「ジャケット」等）を、学習情報格納部１１の多層構造のニューラルネットワークに適用し、販売予測情報を取得する。

次に、出力部４は、商品ごとに、販売予測情報を出力する。かかる出力例は、図１１である。

以上、本具体例によれば、販売前の複数の商品を撮影した写真を入力するだけで、複数の商品の販売予測が同時に得られる。

以上、本実施の形態によれば、商品を撮影した写真等の画像を用いて、当該商品の販売予測を行える。
（具体例４）

今、学習装置Ｂの格納部５には、図１２に示す画像情報と販売実績情報の対の情報が格納されている。図１２において、「ｐｉｃ」は画像格納部５１の商品画像である。「ｐｖ」は、商品の注目度を示す情報であり、ここでは商品のウェブページの閲覧数である。「ｃｖ」は商品の販売数である。また、「ｐｖｕｕ」は、商品のウェブページの閲覧者の数である。「ｃｖｕｕ」は、商品を購入した人の数である。「販売持続期間」は、商品の販売が持続した期間である。「年収」は商品がターゲットとするお客様の年収のラインまたは商品を購入したお客様の年収のラインである。「学歴」は商品がターゲットとするお客様の学歴または商品を購入したお客様の学歴である。「子供」は商品がターゲットとするお客様に子供が居るか否か、または商品を購入したお客様に子供が居るか否かである。「ファッションカテゴリ」は、商品のファッションカテゴリであり、商品の種類と言っても良い。

かかる状況において、ユーザは、学習装置Ｂに、学習を開始する指示を入力した、とする。すると、学習装置Ｂは、かかる学習を開始する指示を受け付ける。そして、学習部６１は、図１２の画像情報と販売実績情報を深層学習のアルゴリズムにより学習し、学習情報を取得し、学習情報格納部１２に蓄積する。

次に、ユーザは図１３に示す３つの商品の画像を含む入力情報を、販売予測装置Ａに対して入力した、とする。

すると、受付部２は、図１３に示す３つの商品のレコードを受け付ける。次に、販売予測部３１は、受付部２が受け付けた３つの商品のレコードを学習情報格納部１２の１以上の学習情報に適用し、深層学習のアルゴリズムにより、１以上の販売実績情報を用いて取得する。そして、出力部４は、取得された１以上の販売予測情報を出力する。

かかる出力例は、図１４である。図１４において、図１２のレコードと販売予測情報が出力されている。図１４において、１以上の各販売予測情報は、確率で示される。
（実験）

本実施の形態における販売予測装置Ａを用いて販売予測を行う実験を行った。その結果、以下に示すように、良好な結果を得た。

商品の種類が「トップス」の画像を販売予測装置Ａに入力した場合、「トップス」が人気商品となるか否かの予測（上記のＰＶ）が当たった確率（人気商品となる予測して人気商品となった場合、人気商品とならないと予測して人気商品となからなった場合）は８１．６０％であった。また、商品の種類が「ワンピース」の画像を販売予測装置Ａに入力した場合、人気商品となるか否かの予測が当たった確率（人気商品となる予測して人気商品となった場合、人気商品とならないと予測して人気商品となからなった場合）は７６．２０％であった。また、商品の種類が「スーツ」の画像を販売予測装置Ａに入力した場合、人気商品となるか否かの予測が当たった確率（人気商品となる予測して人気商品となった場合、人気商品とならないと予測して人気商品となからなった場合）は８８．２０％であった。また、商品の種類が「アウター」の画像を販売予測装置Ａに入力した場合、人気商品となるか否かの予測が当たった確率（人気商品となる予測して人気商品となった場合、人気商品とならないと予測して人気商品となからなった場合）は８０．４０％であった。また、商品の種類が「ボトム」の画像を販売予測装置Ａに入力した場合、人気商品となるか否かの予測が当たった確率（人気商品となる予測して人気商品となった場合、人気商品とならないと予測して人気商品となからなった場合）は７６．５０％であった。また、商品の種類が「靴・靴下・靴関連グッズ」の画像を販売予測装置Ａに入力した場合、人気商品となるか否かの予測が当たった確率（人気商品となる予測して人気商品となった場合、人気商品とならないと予測して人気商品となからなった場合）は６５．００％であった。また、商品の種類が「コスメ」の画像を販売予測装置Ａに入力した場合、人気商品となるか否かの予測が当たった確率（人気商品となる予測して人気商品となった場合、人気商品とならないと予測して人気商品となからなった場合）は１００．００％であった。

また、商品の種類が「トップス」の画像を販売予測装置Ａに入力した場合、「トップス」が買われる商品であるか否か（上記のＣＶ）の予測が当たった確率（買われる商品であると予測して買われる商品であった場合、買われる商品でないと予測して買われる商品でなかった場合）は７４．２０％であった。また、商品の種類が「ワンピース」の画像を販売予測装置Ａに入力した場合、「ワンピース」が買われる商品であるか否か（上記のＣＶ）の予測が当たった確率（買われる商品であると予測して買われる商品であった場合、買われる商品でないと予測して買われる商品でなかった場合）は７４．１０％であった。また、商品の種類が「スーツ」の画像を販売予測装置Ａに入力した場合、「スーツ」が買われる商品であるか否か（上記のＣＶ）の予測が当たった確率（買われる商品であると予測して買われる商品であった場合、買われる商品でないと予測して買われる商品でなかった場合）は６３．２０％であった。また、商品の種類が「アウター」の画像を販売予測装置Ａに入力した場合、「アウター」が買われる商品であるか否か（上記のＣＶ）の予測が当たった確率（買われる商品であると予測して買われる商品であった場合、買われる商品でないと予測して買われる商品でなかった場合）は７０．００％であった。また、商品の種類が「ボトム」の画像を販売予測装置Ａに入力した場合、「ボトム」が買われる商品であるか否か（上記のＣＶ）の予測が当たった確率（買われる商品であると予測して買われる商品であった場合、買われる商品でないと予測して買われる商品でなかった場合）は７３．２０％であった。また、商品の種類が「靴・靴下・靴関連グッズ」の画像を販売予測装置Ａに入力した場合、「靴・靴下・靴関連グッズ」が買われる商品であるか否か（上記のＣＶ）の予測が当たった確率（買われる商品であると予測して買われる商品であった場合、買われる商品でないと予測して買われる商品でなかった場合）は７０．６０％であった。また、商品の種類が「バッグ」の画像を販売予測装置Ａに入力した場合、「バッグ」が買われる商品であるか否か（上記のＣＶ）の予測が当たった確率（買われる商品であると予測して買われる商品であった場合、買われる商品でないと予測して買われる商品でなかった場合）は７５．８０％であった。
また、商品の種類が「コスメ」の画像を販売予測装置Ａに入力した場合、「コスメ」が買われる商品であるか否か（上記のＣＶ）の予測が当たった確率（買われる商品であると予測して買われる商品であった場合、買われる商品でないと予測して買われる商品でなかった場合）は８６．７０％であった。

また、本実施の形態における処理は、ソフトウェアで実現しても良い。そして、このソフトウェアをソフトウェアダウンロード等により配布しても良い。また、このソフトウェアをＣＤ−ＲＯＭなどの記録媒体に記録して流布しても良い。なお、このことは、本明細書における他の実施の形態においても該当する。なお、本実施の形態における販売予測装置Ａを実現するソフトウェアは、以下のようなプログラムである。つまり、このプログラムは、コンピュータがアクセス可能な記録媒体は、商品の画像である学習画像に関する情報である学習画像情報と当該商品の販売実績に関する販売実績情報とを有する１以上の学習情報が格納される学習情報格納部を具備し、コンピュータを、販売対象の商品の画像であり、前記商品画像情報に対応する画像ではない画像を受け付ける画像受付部と、前記画像受付部が受け付けた画像を解析し、当該解析結果を前記１以上の学習情報に適用し、前記画像受付部が受け付けた画像に係る商品の販売予測に関する販売予測情報を、前記１以上の学習情報が有する１以上の販売実績情報を用いて取得する販売予測部と、前記販売予測情報を出力する出力部として機能させるためのプログラムである。

また、上記プログラムにおいて、記録媒体は、第一販売予測情報と第二販売予測情報とを対応付けるための対応情報が格納される対応情報格納部をさらに具備し、前記販売予測部は、前記画像受付部が受け付けた画像を解析し、当該解析結果を前記１以上の学習情報に適用し、前記１以上の学習情報が有する１以上の販売実績情報と同種の情報である第一販売予測情報を取得する第一手段と、当該第一販売予測情報から前記対応情報を用いて第二販売予測情報を取得する第二手段とを具備し、前記出力部は、前記第二販売予測情報を出力するものとして、コンピュータを機能させるプログラムであることは好適である。

また、上記プログラムにおいて、前記学習情報は、学習画像と販売実績情報とを有する学習元情報から深層学習を用いて学習された情報であるものとして、コンピュータを機能させるプログラムであることは好適である。

また、上記プログラムにおいて、前記学習画像および前記画像受付部が受け付ける画像は、１以上の商品を撮影した写真であるものとして、コンピュータを機能させるプログラムであることは好適である。

また、上記プログラムにおいて、前記画像受付部が受け付ける画像は、２以上の商品の画像が含まれ、前記販売予測部は、前記画像受付部が受け付けた画像から前記２以上の各商品の画像である２以上の部分画像を取得し、当該２以上の各部分画像を解析し、部分画像ごとに、当該解析結果を前記１以上の学習情報に適用し、前記画像受付部が受け付けた画像に係る商品の販売予測情報を、前記１以上の学習情報が有する１以上の販売実績情報を用いて取得し、前記出力部は、前記２以上の各商品の販売予測情報を出力するものとして、コンピュータを機能させるプログラムであることは好適である。

また、上記プログラムにおいて、前記学習情報格納部は、学習画像から取得された当該学習画像の２以上の属性値である学習画像情報と販売実績情報とを有する１以上の学習情報が格納され、前記販売予測部は、前記画像受付部が受け付けた画像を解析し、２以上の属性値である解析結果を取得し、当該解析結果を前記１以上の学習情報に適用し、前記画像受付部が受け付けた画像に係る商品の販売予測に関する販売予測情報を、前記１以上の学習情報が有する１以上の販売実績情報を用いて取得するものとして、コンピュータを機能させるプログラムであることは好適である。

また、図１５は、本明細書で述べたプログラムを実行して、上述した種々の実施の形態の販売予測装置等を実現するコンピュータの外観を示す。上述の実施の形態は、コンピュータハードウェア及びその上で実行されるコンピュータプログラムで実現され得る。図１５は、このコンピュータシステム３００の概観図であり、図１６は、システム３００のブロック図である。

図１５において、コンピュータシステム３００は、ＣＤ−ＲＯＭドライブを３０１２含むコンピュータ３０１と、キーボード３０２と、マウス３０３と、モニタ３０４と、カメラ３０７とを含む。

図１６において、コンピュータ３０１は、ＣＤ−ＲＯＭドライブ３０１２と、ＭＰＵ３０１３と、ＭＰＵ３０１３と、バス３０１４と、ＲＯＭ３０１５と、ＲＡＭ３０１６と、ハードディスク３０１７とを含む。ＲＯＭ３０１５は、ブートアッププログラム等のプログラムを記憶している。ＲＡＭ３０１６は、ＭＰＵ３０１３に接続され、アプリケーションプログラムの命令を一時的に記憶するとともに一時記憶空間を提供する。ハードディスク３０１７は、通常、アプリケーションプログラム、システムプログラム、及びデータを記憶している。ここでは、図示しないが、コンピュータ３０１は、さらに、ＬＡＮへの接続を提供するネットワークカードを含んでも良い。

コンピュータシステム３００に、上述した実施の形態の販売予測装置等の機能を実行させるプログラムは、ＣＤ−ＲＯＭ３１０１に記憶されて、ＣＤ−ＲＯＭドライブ３０１２に挿入され、さらにハードディスク３０１７に転送されても良い。また、プログラムは、図示しないネットワークを介してコンピュータ３０１に送信され、ハードディスク３０１７に記憶されても良い。プログラムは実行の際にＲＡＭ３０１６にロードされる。プログラムは、ＣＤ−ＲＯＭ３１０１またはネットワークから直接、ロードされても良い。

プログラムは、コンピュータ３０１に、上述した実施の形態の販売予測装置等の機能を実行させるオペレーティングシステム（ＯＳ）、またはサードパーティープログラム等は、必ずしも含まなくても良い。プログラムは、制御された態様で適切なモジュールを呼び出し、所望の結果が得られるようにする命令の部分のみを含んでいれば良い。コンピュータシステム３００がどのように動作するかは周知であり、詳細な説明は省略する。

また、上記プログラムを実行するコンピュータは、単数であってもよく、複数であってもよい。すなわち、集中処理を行ってもよく、あるいは分散処理を行ってもよい。

また、上記各実施の形態において、一の装置に存在する２以上の通信手段は、物理的に一の媒体で実現されても良いことは言うまでもない。

また、上記各実施の形態において、各処理（各機能）は、単一の装置（システム）によって集中処理されることによって実現されてもよく、あるいは、複数の装置によって分散処理されることによって実現されてもよい。

本発明は、以上の実施の形態に限定されることなく、種々の変更が可能であり、それらも本発明の範囲内に包含されるものであることは言うまでもない。

以上のように、本発明にかかる販売予測装置は、商品を撮影した写真等の画像を用いて、当該商品の販売予測を行える、という効果を有し、販売予測装置等として有用である。

Ａ 販売予測装置
Ｂ 学習装置
１、５ 格納部
２ 受付部
３、６ 処理部
４ 出力部
１１ 学習情報格納部
１２ 対応情報格納部
２１ 画像受付部
３１ 販売予測部
５１ 画像格納部
５２ 販売実績情報格納部
６１ 学習部
６２ 蓄積部
３１１ 第一手段
３１２ 第二手段

Claims (8)

1. 商品の画像である学習画像に関する情報である学習画像情報と当該商品の販売実績に関する販売実績情報とを有する１以上の学習情報が格納される学習情報格納部と、
   販売予測の対象の商品の１以上の画像を受け付ける画像受付部と、
   前記画像受付部が受け付けた１以上の画像を解析し、当該解析結果を前記１以上の学習情報に適用し、前記画像受付部が受け付けた画像に係る商品の販売予測に関する販売予測情報を、前記１以上の学習情報が有する１以上の販売実績情報を用いて取得する販売予測部と、
   前記販売予測情報を出力する出力部とを具備する販売予測装置。
2. 第一販売予測情報と第二販売予測情報とを対応付けるための対応情報が格納される対応情報格納部をさらに具備し、
   前記販売予測部は、
   前記画像受付部が受け付けた画像を解析し、当該解析結果を前記１以上の学習情報に適用し、前記１以上の学習情報が有する１以上の販売実績情報と同種の情報である第一販売予測情報を取得する第一手段と、
   当該第一販売予測情報から前記対応情報を用いて第二販売予測情報を取得する第二手段とを具備し、
   前記出力部は、
   前記第二販売予測情報を出力する請求項１記載の販売予測装置。
3. 前記学習情報は、
   学習画像と販売実績情報とを有する学習元情報から深層学習を用いて学習された情報である請求項１または請求項２記載の販売予測装置。
4. 前記学習画像および前記画像受付部が受け付ける画像は、１以上の商品を撮影した写真である請求項１から請求項３いずれか一項に記載の販売予測装置。
5. 前記画像受付部が受け付ける画像は、２以上の商品の画像が含まれ、
   前記販売予測部は、
   前記画像受付部が受け付けた画像から前記２以上の各商品の画像である２以上の部分画像を取得し、当該２以上の各部分画像を解析し、部分画像ごとに、当該解析結果を前記１以上の学習情報に適用し、前記画像受付部が受け付けた画像に係る商品の販売予測情報を、前記１以上の学習情報が有する１以上の販売実績情報を用いて取得し、
   前記出力部は、
   前記２以上の各商品の販売予測情報を出力する請求項１から請求項４いずれか一項に記載の販売予測装置。
6. 前記学習情報格納部は、
   学習画像から取得された当該学習画像の２以上の属性値である学習画像情報と販売実績情報とを有する１以上の学習情報が格納され、
   前記販売予測部は、
   前記画像受付部が受け付けた画像を解析し、２以上の属性値である解析結果を取得し、当該解析結果を前記１以上の学習情報に適用し、前記画像受付部が受け付けた画像に係る商品の販売予測に関する販売予測情報を、前記１以上の学習情報が有する１以上の販売実績情報を用いて取得する請求項１から請求項５いずれか一項に記載の販売予測装置。
7. 記録媒体は、
   商品の画像である学習画像に関する情報である学習画像情報と当該商品の販売実績に関する販売実績情報とを有する１以上の学習情報が格納される学習情報格納部を具備し、
   画像受付部、販売予測部、および出力部により実現される販売予測方法であって、
   前記画像受付部が、販売対象の商品の画像を受け付ける画像受付ステップと、
   前記販売予測部が、前記画像受付ステップで受け付けられた画像を解析し、当該解析結果を前記１以上の学習情報に適用し、前記画像受付部が受け付けた画像に係る商品の販売予測に関する販売予測情報を、前記１以上の学習情報が有する１以上の販売実績情報を用いて取得する販売予測ステップと、
   前記出力部が、前記販売予測情報を出力する出力ステップとを具備する販売予測方法。
8. コンピュータがアクセス可能な記録媒体は、
   商品の画像である学習画像に関する情報である学習画像情報と当該商品の販売実績に関する販売実績情報とを有する１以上の学習情報が格納される学習情報格納部を具備し、
   コンピュータを、
   販売対象の商品の画像を受け付ける画像受付部と、
   前記画像受付部が受け付けた画像を解析し、当該解析結果を前記１以上の学習情報に適用し、前記画像受付部が受け付けた画像に係る商品の販売予測に関する販売予測情報を、前記１以上の学習情報が有する１以上の販売実績情報を用いて取得する販売予測部と、
   前記販売予測情報を出力する出力部として機能させるためのプログラム。