JP7139932B2 - 需要予測方法、需要予測プログラムおよび需要予測装置 - Google Patents
需要予測方法、需要予測プログラムおよび需要予測装置 Download PDFInfo
- Publication number
- JP7139932B2 JP7139932B2 JP2018235377A JP2018235377A JP7139932B2 JP 7139932 B2 JP7139932 B2 JP 7139932B2 JP 2018235377 A JP2018235377 A JP 2018235377A JP 2018235377 A JP2018235377 A JP 2018235377A JP 7139932 B2 JP7139932 B2 JP 7139932B2
- Authority
- JP
- Japan
- Prior art keywords
- product
- learning
- demand
- prediction
- learning data
- 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
Links
- 238000013277 forecasting method Methods 0.000 title claims description 17
- 238000012545 processing Methods 0.000 claims description 74
- 238000000034 method Methods 0.000 claims description 31
- 239000000284 extract Substances 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 description 33
- 230000003442 weekly effect Effects 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000000611 regression analysis Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000007429 general method Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
図1は、実施例1にかかる需要予測装置10を説明する図である。図1に示す需要予測装置10は、発売前の新商品の需要予測を実行するコンピュータ装置の一例である。この需要予測装置10は、学習フェーズにおいて予測モデルを学習し、適用フェーズにおいて学習済みの予測モデルを用いた需要予測を実行する。
図2は、実施例1にかかる需要予測装置10の機能構成を示す機能ブロック図である。図2に示すように、需要予測装置10は、通信部11、記憶部12、制御部30を有する。
次に、図6と図7を用いて、学習フェーズと適用フェーズの具体例を説明する。図6は、実施例1にかかる学習フェーズを説明する図である。図7は、実施例1にかかる適用フェーズを説明する図である。
図6に示すように、テキスト情報DB16は、商品ごとに項目aに属する文書と項目bに属する文書とを記憶する。具体的には、テキスト情報DB16は、「商品、項目a、項目b」として「商品1、文書1a、文書1b」、「商品2、文書2a、文書2b」、「商品3、文書3a、文書3b」、「新商品、文書a、文書b」を記憶する。
適用フェーズでは、図7に示すように、予測処理部50は、図6のS3で得られたクラスタリング結果のうち、新商品のクラスタリング結果「C1a,C2a,C1b,C2b」として「1,0,1,0」を抽出する。
図8は、処理の流れを示すフローチャートである。図8に示すように、学習処理部40は、処理開始が指示されると(S101:Yes)、企画書DB13に記憶される企画書のデータを読み込む(S102)。
図9は、実施例2にかかる需要予測装置10を説明する図である。図9に示すように、学習フェーズでは、需要予測装置10は、すでに発売されている既存商品の企画書から、内容を表すキーワードを抽出する。そして、需要予測装置10は、抽出した単語を用いて、既存商品のクラスタリングを行ってクラスタを生成する。その後、需要予測装置10は、既存商品のクラスタ結果を説明変数に設定し、既存商品の売上情報を目的変数に設定した学習データを用いて、需要予測を行う予測モデルを学習する。
次に、図10と図11を用いて、学習フェーズと適用フェーズの具体例を説明する。図10は、実施例2にかかる学習フェーズを説明する図である。図11は、実施例2にかかる適用フェーズを説明する図である。
実施例1と異なる点は、新商品の情報は用いずに、既存商品の情報のみを用いて、既存商品のみをクラスタリングする点である。具体的には、図10に示すように、テキスト情報DB16は、商品ごとに項目aに属する文書情報である「商品、項目a、項目b」として「商品1、文書1a、文書1b」、「商品2、文書2a、文書2b」、「商品3、文書3a、文書3b」を記憶する。
適用フェーズでは、実施例1と異なり、新商品の情報を用いて、新商品と既存商品とのテキスト間類似度を算出し、新商品が分類済みのクラスタにどれだけ関連するかを示す特徴量を算出する。そして、新商品の特徴量を入力として予測を実行する。
上記実施例で用いた数値、データ例、データの数、ラベルの設定内容等は、あくまで一例であり、任意に変更することができる。また、キーワードは、特徴語の一例である。また、既存商品は、過去の商品であり、現段階で販売が終了している商品であってもよく、現段階で販売が継続中の商品であってもよい。また、目的変数には、売上以外にも、携帯電話などの契約数を用いることができる。また、上記実施例では、月別の売上情報を用いて月別の予測モデルを生成する例を説明したが、これに限定されるものではなく、日別、週別、年別の売上情報を用いることで、様々な予測モデルを生成することができる。
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。
図17は、ハードウェア構成例を説明する図である。図17に示すように、需要予測装置10は、通信装置10a、HDD(Hard Disk Drive)10b、メモリ10c、プロセッサ10dを有する。また、図17に示した各部は、バス等で相互に接続される。
11 通信部
12 記憶部
13 企画書DB
14 売上情報DB
15 月別売上情報DB
16 テキスト情報DB
17 重み情報DB
18 クラスタDB
19 学習データDB
20 学習結果DB
21 予測結果DB
30 制御部
40 学習処理部
41 単語抽出部
42 重み算出部
43 選定部
44 クラスタリング部
45 学習データ生成部
46 学習部
50 予測処理部
Claims (10)
- コンピュータが、
発売が開始されている既存商品または発売が開始されていない新商品の属性が記載された各文書から、予め設定された条件に基づいて各商品の属性を示す特徴語を抽出し、
前記各文書に含まれる特徴語の出現頻度から、商品ごとに特徴語を有する度合の組み合わせを示したクラスタリング情報を生成し、
生成したクラスタリング情報を説明変数に設定し、前記既存商品の売上実績を目的変数に設定した学習データを用いて、前記新商品の需要予測を行う予測モデルを学習する
処理を実行することを特徴とする需要予測方法。 - 前記抽出する処理は、複数の既存商品それぞれに対応する各文書と前記新商品に対応する文書とから前記特徴語を抽出し、
前記生成する処理は、前記複数の既存商品と前記新商品とを、それぞれから抽出された特徴語を用いてクラスタリングして前記クラスタリング情報を生成し、
前記学習する処理は、前記クラスタリング情報のうち前記複数の既存商品それぞれに該当するクラスタリング情報を用いて複数の学習データを生成し、前記複数の学習データを用いて前記予測モデルを学習する処理を実行することを特徴とする請求項1に記載の需要予測方法。 - 前記クラスタリング情報のうち、前記新商品に該当するクラスタリング情報を、学習済みの予測モデルに入力し、前記学習済みの予測モデルの出力結果を、前記新商品の需要予測として取得する、処理を前記コンピュータが実行することを特徴とする請求項2に記載の需要予測方法。
- 前記抽出する処理は、複数の既存商品それぞれに対応する各文書から前記特徴語を抽出し、
前記生成する処理は、前記複数の既存商品を、それぞれから抽出された特徴語を用いてクラスタリングして前記クラスタリング情報を生成し、
前記学習する処理は、複数の既存商品の前記クラスタリング情報を用いて複数の学習データを生成し、前記複数の学習データを用いて前記予測モデルを学習する処理を実行することを特徴とする請求項1に記載の需要予測方法。 - 前記新商品に対応する文書から前記特徴語を抽出し、
前記新商品の特徴語と、前記複数の既存商品それぞれの特徴語とを用いて、前記新商品と前記複数の既存商品それぞれとの類似度を算出し、
前記類似度を用いて、前記新商品を前記複数の既存商品がクラスタリングされた各クラスタに対応付け、
前記新商品を前記各クラスタに対応付けた結果を、学習済みの予測モデルに入力し、前記学習済みの予測モデルの出力結果を、前記新商品の需要予測として取得する、
処理を前記コンピュータが実行することを特徴とする請求項4に記載の需要予測方法。 - 前記学習する処理は、前記クラスタリング情報を説明変数に設定し、前記既存商品の所定期間ごとの売上実績それぞれを目的変数に設定した各学習データを用いて、前記所定期間ごとの前記新商品の需要予測を行う各予測モデルを学習することを特徴とする請求項1に記載の需要予測方法。
- 前記新商品に該当するクラスタリング情報を、学習済みの各予測モデルに入力し、前記学習済みの各予測モデルの出力結果を、前記所定期間ごとの前記新商品の需要予測として取得する、処理を前記コンピュータが実行することを特徴とする請求項6に記載の需要予測方法。
- 前記所定期間ごとに予測された前記新商品の需要予測の結果を用いてスムージングを実行して各所定期間の間の予測結果を補間する、処理を前記コンピュータが実行することを特徴とする請求項7に記載の需要予測方法。
- コンピュータに、
発売が開始されている既存商品または発売が開始されていない新商品の属性が記載された各文書から、予め設定された条件に基づいて各商品の属性を示す特徴語を抽出し、
前記各文書に含まれる特徴語の出現頻度から、商品ごとに特徴語を有する度合の組み合わせを示したクラスタリング情報を生成し、
生成したクラスタリング情報を説明変数に設定し、前記既存商品の売上実績を目的変数に設定した学習データを用いて、前記新商品の需要予測を行う予測モデルを学習する
処理を実行させることを特徴とする需要予測プログラム。 - 発売が開始されている既存商品または発売が開始されていない新商品の属性が記載された各文書から、予め設定された条件に基づいて各商品の属性を示す特徴語を抽出する抽出部と、
前記各文書に含まれる特徴語の出現頻度から、商品ごとに特徴語を有する度合の組み合わせを示したクラスタリング情報を生成する生成部と、
生成したクラスタリング情報を説明変数に設定し、前記既存商品の売上実績を目的変数に設定した学習データを用いて、前記新商品の需要予測を行う予測モデルを学習する学習部と
を有することを特徴とする需要予測装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018235377A JP7139932B2 (ja) | 2018-12-17 | 2018-12-17 | 需要予測方法、需要予測プログラムおよび需要予測装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018235377A JP7139932B2 (ja) | 2018-12-17 | 2018-12-17 | 需要予測方法、需要予測プログラムおよび需要予測装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020098388A JP2020098388A (ja) | 2020-06-25 |
JP7139932B2 true JP7139932B2 (ja) | 2022-09-21 |
Family
ID=71105959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018235377A Active JP7139932B2 (ja) | 2018-12-17 | 2018-12-17 | 需要予測方法、需要予測プログラムおよび需要予測装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7139932B2 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102590158B1 (ko) * | 2021-02-24 | 2023-10-17 | 주식회사 그로비 | 머신 러닝에 기반하는 수요 예측 시스템 및 수요 예측 방법 |
KR102675804B1 (ko) * | 2021-11-18 | 2024-06-18 | 광운대학교 산학협력단 | 게임 아이템의 가격 분석을 위한 서비스 제공 장치 및 방법 |
JP7391343B1 (ja) | 2023-03-15 | 2023-12-05 | 株式会社Fronteo | 情報処理装置及び情報処理方法 |
JP7376033B1 (ja) | 2023-03-15 | 2023-11-08 | 株式会社Fronteo | 情報処理装置及び情報処理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007004394A (ja) | 2005-06-22 | 2007-01-11 | Toyota Motor Corp | 製品設計支援装置、製品設計支援方法 |
WO2018079367A1 (ja) | 2016-10-31 | 2018-05-03 | 日本電気株式会社 | 商品需要予測システム、商品需要予測方法および商品需要予測プログラム |
US20180341898A1 (en) | 2017-05-24 | 2018-11-29 | Sears Brands, L.L.C. | Demand forecast |
-
2018
- 2018-12-17 JP JP2018235377A patent/JP7139932B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007004394A (ja) | 2005-06-22 | 2007-01-11 | Toyota Motor Corp | 製品設計支援装置、製品設計支援方法 |
WO2018079367A1 (ja) | 2016-10-31 | 2018-05-03 | 日本電気株式会社 | 商品需要予測システム、商品需要予測方法および商品需要予測プログラム |
US20180341898A1 (en) | 2017-05-24 | 2018-11-29 | Sears Brands, L.L.C. | Demand forecast |
Non-Patent Citations (1)
Title |
---|
渡部 勇,安定した予測精度と運用効率化を両立するAI需要予測~動的アンサンブル予測~,FUJITSU,富士通株式会社,2018年07月01日,Vol.69 No.4,pp.26-34 |
Also Published As
Publication number | Publication date |
---|---|
JP2020098388A (ja) | 2020-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7139932B2 (ja) | 需要予測方法、需要予測プログラムおよび需要予測装置 | |
CN111538912B (zh) | 内容推荐方法、装置、设备及可读存储介质 | |
Wauters et al. | A nearest neighbour extension to project duration forecasting with artificial intelligence | |
JP6414363B2 (ja) | 予測システム、方法およびプログラム | |
CN103502899B (zh) | 动态预测建模平台 | |
CN111639516B (zh) | 基于机器学***台 | |
Song et al. | eXtreme gradient boosting for identifying individual users across different digital devices | |
US10373067B1 (en) | Domain-specific sentiment keyword extraction with weighted labels | |
US11928616B2 (en) | Method and system for hierarchical forecasting | |
JP6311851B2 (ja) | 共クラスタリングシステム、方法およびプログラム | |
Ju et al. | Using dynamic multi-task non-negative matrix factorization to detect the evolution of user preferences in collaborative filtering | |
US11887167B2 (en) | Utilizing machine learning models to generate an optimized digital marketing simulation | |
US11995667B2 (en) | Systems and methods for business analytics model scoring and selection | |
JP2018113002A (ja) | 商標情報処理装置及び方法、並びにプログラム | |
CN113592589A (zh) | 纺织原料推荐方法、装置及处理器 | |
US20230419195A1 (en) | System and Method for Hierarchical Factor-based Forecasting | |
CN114282657A (zh) | 一种市场数据长期预测模型训练方法、装置、设备及存储介质 | |
WO2021240715A1 (ja) | 気分予測方法、気分予測装置及びプログラム | |
US12020124B2 (en) | Selecting optimum primary and secondary parameters to calibrate and generate an unbiased forecasting model | |
WO2021077227A1 (en) | Method and system for generating aspects associated with a future event for a subject | |
JP6617605B6 (ja) | 需要量予測プログラム、需要量予測方法、及び情報処理装置 | |
WO2021192232A1 (ja) | 商品推薦システム、商品推薦装置、商品推薦方法、及び、商品推薦プログラムが格納された記録媒体 | |
JP6025796B2 (ja) | 行動予測装置、行動予測方法及びプログラム | |
CN113590692A (zh) | 一种三阶段人群挖掘条件优化方法及*** | |
JP6990757B1 (ja) | 生成装置、生成方法及び生成プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210909 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220719 |
|
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: 20220809 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220822 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7139932 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |