JPH05150989A - Inference device - Google Patents
Inference deviceInfo
- Publication number
- JPH05150989A JPH05150989A JP3312792A JP31279291A JPH05150989A JP H05150989 A JPH05150989 A JP H05150989A JP 3312792 A JP3312792 A JP 3312792A JP 31279291 A JP31279291 A JP 31279291A JP H05150989 A JPH05150989 A JP H05150989A
- Authority
- JP
- Japan
- Prior art keywords
- case
- information
- abstract
- abstract type
- base
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
【0001】[0001]
【産業上の利用分野】この発明は、コンピュータ支援に
よる推論システムとして、依存関係をもった複数の情報
として与えられた問題に対し、過去の類似した事例に基
づきこれを解析して、問題の解とする情報、若しくは問
題解決上有用な情報を生成する推論装置に関し、特に、
上記過去の類似事例に基づく解析構造を改善して、これ
ら問題の解とする情報、若しくは問題解決上有用な情報
の生成を、より簡便に、かつ高い信頼性のもとに実現す
る装置の具現に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention, as a computer-aided inference system, analyzes a problem given as a plurality of information items having dependency relationships based on similar cases in the past, and solves the problem. Related to the inference device that generates information useful for problem solving, especially,
Realization of a device that improves the analysis structure based on similar cases in the past to more easily and highly reliably generate information that is a solution to these problems or that is useful for problem solving Regarding
【0002】[0002]
【従来の技術】与えられた問題に類似する過去の事例を
直接利用して問題の解決に導く推論の方法は、事例ベー
ス推論(Case-based Reasoning:CBR)として従来よ
り知られている。2. Description of the Related Art A method of reasoning that directly leads to problem solving by directly utilizing past cases similar to a given problem is conventionally known as Case-based Reasoning (CBR).
【0003】すなわちこのCBRでは、過去の成功例や
失敗例を事例として「事例ベース」に蓄えておき、新た
に問題が与えられると、この「事例ベース」から類似事
例を検索する。そして、この検索した事例に適宜の修正
を加えて解を導いたり、また検索した事例が失敗した事
例であった場合には、二度と失敗を起こさないようにこ
れを回避したりする。That is, in this CBR, past successful cases and failure cases are stored as cases in a "case base", and when a new problem is given, similar cases are searched from the "case base". Then, an appropriate correction is added to the retrieved case to derive a solution, and if the retrieved case is a failed case, this is avoided so as not to cause a failure again.
【0004】また、上記類似事例の検索に際しては、与
えられた問題に特徴付けを行って、この特徴に照合する
特徴をもつ事例を検索する。類似事例とは、特徴付けを
されたデータ間の距離を調べた総合的に距離の最も小さ
い事例のことである。Further, when searching for the similar case, the given problem is characterized and a case having a characteristic that matches this characteristic is searched. A similar case is a case where the distance between characterized data is examined and the distance is the smallest overall.
【0005】ところで従来は、与えられた問題の事例
(通常、依存関係をもった複数の項目からなるデータ)
に直接、特徴付けを行うようにしている。このため、こ
うした類似事例の検索も、問題事例として与えられるこ
れら複数の項目からなるデータ自身をマッチングするこ
とにより行われるのが普通であった。By the way, conventionally, a case of a given problem (usually data consisting of a plurality of items having a dependency relationship)
I try to characterize them directly. For this reason, such a similar case is usually searched for by matching the data itself, which is provided as a problem case and consists of a plurality of items.
【0006】したがって、例えば従来の技術の1つに、
項目別に概念距離の加重平均をとる方法があるが、この
ように直接、問題事例として与えられるデータを用いて
検索をする場合には、これら与えられるデータの項目数
が多くなるにつれて、特徴となるデータの重み付けも難
しくなる。Therefore, for example, one of the conventional techniques is as follows.
There is a method of taking a weighted average of concept distances for each item, but when searching directly using the data given as a problem case in this way, it becomes a feature as the number of items of these given data increases. Data weighting is also difficult.
【0007】また、問題として与えられる各項目も通
常、従属関係にあることが多い。このため、これらの項
目間において、意味的に類似しているというような関係
を把握することが難しい実情にある。このことは換言す
れば、意味的に最も類似しているような事例の検索が行
われない可能性があることを意味し、ひいては、それに
よって予測される解の精度もあまり期待できないことを
意味する。[0007] Also, the items given as problems usually have a subordinate relationship in many cases. For this reason, it is difficult to grasp the relationship that these items are semantically similar. In other words, this means that the search for the case that is the most similar in meaning may not be performed, which means that the accuracy of the solution predicted by it may not be expected. To do.
【0008】[0008]
【発明が解決しようとする課題】このように、従来のシ
ステムにあっても、過去の多くの事例を「事例ベース」
に蓄えておき、依存関係をもった複数の項目からなるデ
ータが新たな問題として与えられたとき、この「事例ベ
ース」から類似する事例を検索しかつこれを解析して、
問題の解とする情報等を得ることはできたが、この従来
のシステムとは、上記問題として与えられる複数項目の
データそのものに直接に特徴付けを行ってこれに類似す
る過去の事例を上記「事例ベース」から検索するもので
あったことから、上述のように ( 1)この特徴付けのために例えば、項目別に概念距離の
加重平均をとるといった方法を採用するにしても、与え
られるデータの項目数が多くなれば、特徴となるデータ
の重み付けが難しくなる。As described above, even in the conventional system, many past cases are "case-based".
, And when data consisting of multiple items with dependencies is given as a new problem, a similar case is searched from this “case base” and analyzed,
Although it was possible to obtain information as a solution to the problem, this conventional system directly characterizes the data itself of multiple items given as the above problem, and the past case similar to this is described above in " Since it was searched from "case-based", as described above, (1) even if a method such as taking a weighted average of conceptual distances for each item is adopted for this characterization, As the number of items increases, it becomes difficult to weight characteristic data.
【0009】( 2)また、このように与えられるデータの
項目数が多くなれば、これら項目間において意味的に類
似しているというような関係を把握することも難しい。
したがって、意味的に最も類似しているような事例の検
索が行われない可能性があり、それによって予測される
解の精度もあまり期待できない。(2) Further, if the number of items of the data thus given increases, it is difficult to grasp the relationship that these items are semantically similar.
Therefore, there is a possibility that a case that is most similar in meaning will not be searched, and the accuracy of the solution predicted by it may not be expected so much.
【0010】等々の不都合も避け得ないものとなってい
た。Inconveniences and the like have been inevitable.
【0011】また、以上は、問題事例として与えられる
項目及びそのデータ内容を処理する上での問題、並びに
この処理された(特徴付けされた)問題事例とそれをも
とに検索される類似事例との整合性の問題、といったい
わば基本的な問題であるが、この他にも、上記検索され
た類似事例と与えられた問題事例との間で照合しない部
分について修正を行う際に、どの部分をどのように修正
していくかという問題がある。これらの知識は通常、領
域知識として「知識ベース」に格納されているが、この
知識の獲得が難しいために、或いは獲得した知識からル
ール化することが難しいために、この修正精度はあまり
良くないのが実情である。Further, the above is a problem in processing the items given as the problem case and the data contents thereof, the processed (characterized) problem case, and the similar case retrieved based on the problem case. It is a basic problem such as the consistency problem with, but in addition to this, when correcting the part that does not match between the similar case searched above and the given problem case, what part There is a problem of how to fix. These kinds of knowledge are usually stored in the "knowledge base" as domain knowledge, but this correction accuracy is not very good because it is difficult to acquire this knowledge or it is difficult to make rules from the acquired knowledge. Is the reality.
【0012】また更には、得られた解が、どの程度の確
からしさで信用できるものなのかを把握することができ
ないという問題もある。どの程度類似した事例が検索さ
れたのか、或いはどの程度修正が加えられたのかによっ
て、上記得られる解の精度は大きく違ってくるはずであ
る。特に、解の正否をすぐに確認できない予測問題に上
記CBRを応用する場合には、この解の精度に対する評
価は重要なポイントとなる。Furthermore, there is a problem that it is not possible to grasp with what degree of certainty the obtained solution can be trusted. The accuracy of the obtained solution should be greatly different depending on how similar cases are retrieved or how much correction is made. In particular, when the CBR is applied to a prediction problem in which the correctness of the solution cannot be confirmed immediately, the evaluation of the accuracy of the solution is an important point.
【0013】しかも、このような予測問題に上記CBR
を応用する場合には、専門家の勘と経験に基づくような
知識を獲得すること自体が難しいものとなっている。こ
れらの知識はその都度変化するのが普通であり、その変
化に対応できるような知識を如何に獲得するかが大きな
課題となっている。In addition, the above-mentioned CBR
When applying, it is difficult to acquire knowledge based on expert intuition and experience. It is normal for these kinds of knowledge to change each time, and how to acquire knowledge that can respond to such changes is a major issue.
【0014】この発明は、こうした実情に鑑みてなされ
たものであり、上記事例検索に際しての特徴抽出手法を
はじめ、その検索事例の解析のための解析構造を改善し
て、問題事例として与えられる情報の数がいかに多数に
およぶ場合であれ、意味的に精度の高い類似判定を容易
に行うことのことのできる推論装置を提供することを目
的とする。The present invention has been made in view of the above circumstances, and is provided as a problem case by improving the analysis structure for analyzing the search case including the feature extraction method in the case search. It is an object of the present invention to provide an inference device that can easily perform semantically accurate similarity determination, no matter how large the number of.
【0015】またこの発明は、与えられた問題事例とそ
れに基づき検索された類似事例との間での修正を、効率
よく、かつ的確に行うことのできる推論装置を提供する
ことを目的とする。It is another object of the present invention to provide an inference apparatus which can efficiently and accurately correct a given problem case and a similar case retrieved based on the problem case.
【0016】更にこの発明は、上記事例検索やその検索
事例の修正によって得られた解の精度に対する適正なる
評価演算を行って、この得られた解がどの程度の確から
しさで信用できるものなのかを利用者に対し好適に提示
することのできる推論装置を提供することを目的とす
る。Further, according to the present invention, by performing an appropriate evaluation calculation with respect to the accuracy of the solution obtained by the above-mentioned case retrieval and correction of the retrieved case, to what degree of certainty the obtained solution can be trusted. It is an object of the present invention to provide an inference device that can present a user to a user.
【0017】そしてこの発明は、特に予測問題等におい
て必要とされる専門家の勘と経験に基づくような知識を
容易に、しかも臨機応変に獲得して、上記の事例検索を
更に効率のよいものとする推論装置を提供することを目
的とする。Further, according to the present invention, it is possible to easily and flexibly acquire knowledge that is based on the intuition and experience of an expert, which is particularly required in a prediction problem, etc., and the above case retrieval can be performed more efficiently. The purpose of the invention is to provide an inference device.
【0018】[0018]
【課題を解決するための手段】こうした目的を達成する
ため、この発明では、上述のように依存関係をもった複
数の情報として与えられた問題に対し、過去の類似した
事例に基づきこれを解析して、問題の解とする情報、若
しくは問題解決上有用な情報を生成するに、 ( a)前記与えられた問題における各情報間の統計的な従
属関係に基づいて、これら関係する情報間での概念を抽
象的に包括する新たな情報である1乃至複数の抽象タイ
プを特徴として抽出する抽象タイプ抽出手段。In order to achieve these objects, the present invention analyzes a problem given as a plurality of information items having a dependency relationship as described above based on similar cases in the past. Then, in order to generate information that is a solution to the problem, or information that is useful for solving the problem, (a) based on the statistical dependency between each information in the given problem, Abstract type extraction means for extracting one or a plurality of abstract types, which are new information that abstractly includes the concept of, as a feature.
【0019】( b)過去の事例として、前記抽象タイプに
よって特徴付けされた複数の事例が予め登録された事例
ベース。(B) A case base in which a plurality of cases characterized by the abstract type are registered in advance as past cases.
【0020】( c)前記問題から抽出された抽象タイプを
前記事例ベースに登録されている各事例の抽象タイプに
照合しつつ、これら抽象タイプが最も類似する事例を前
記事例ベースから検索する事例検索手段。(C) A case search in which the abstract type extracted from the problem is collated with the abstract type of each case registered in the case base, and a case having the most similar abstract type is searched from the case base. means.
【0021】をそれぞれ具え、この検索された事例に基
づいて前記問題の解とする情報、若しくは問題解決上有
用な情報を生成するようにする。Each of the above items is provided, and based on the retrieved case, information to be the solution of the problem or information useful for problem solving is generated.
【0022】またこの発明では、与えられた問題事例と
それに基づき検索された類似事例との間での修正が、効
率よく、かつ的確に行われるよう、 ( d)前記問題として与えられた情報内容に基づき、前記
生成する情報を修正するための第1の手続、及び少なく
とも前記問題から抽出された抽象タイプと前記事例ベー
スから検索された事例の抽象タイプとの差異に基づき、
前記生成する情報を修正するための第2の手続が予め登
録された知識ベース。Further, in the present invention, (d) the information content given as the above-mentioned problem, so that the correction between the given problem case and the similar case retrieved based on it can be performed efficiently and accurately. Based on a first procedure for modifying the information to be generated, and at least a difference between the abstract type extracted from the problem and the abstract type of the case retrieved from the case base,
A knowledge base in which a second procedure for modifying the generated information is registered in advance.
【0023】( e)前記問題から抽出された抽象タイプと
前記事例ベースから検索された事例の抽象タイプとを照
合し、これら抽象タイプが一致するとき前記知識ベース
に登録されている第1の手続に基づき前記生成する情報
を修正し、同抽象タイプが一致しないとき前記知識ベー
スに登録されている第2の手続に基づき前記生成する情
報を修正する事例修正手段。(E) The abstract type extracted from the problem is collated with the abstract type of the case retrieved from the case base, and when these abstract types match, the first procedure registered in the knowledge base. Case correction means for correcting the generated information on the basis of, and correcting the generated information on the basis of the second procedure registered in the knowledge base when the abstract types do not match.
【0024】を更に具えるようにする。[0024] is further provided.
【0025】また更に、この発明では、事例検索やその
検索事例の修正によって得られた解の精度に対する適正
なる評価を行うべく、 ( f)少なくとも前記問題から抽出された抽象タイプと前
記事例ベースから検索された事例の抽象タイプとの差異
に基づき、前記問題の解とする情報、若しくは問題解決
上有用な情報として生成した情報の信頼度を計算するた
めの第3の手続が予め登録された評価ベース。Further, according to the present invention, in order to properly evaluate the accuracy of the solution obtained by the case search and the correction of the search case, (f) at least the abstract type extracted from the problem and the case base An evaluation in which a third procedure for calculating the reliability of the information as the solution of the problem or the information generated as useful information for problem solving based on the difference from the abstract type of the retrieved case is registered in advance. base.
【0026】( g)この評価ベースに登録された第3の手
続を実行して、生成した情報の信頼度を算出する精度評
価手段。(G) Accuracy evaluation means for executing the third procedure registered in this evaluation base to calculate the reliability of the generated information.
【0027】を更に具えるようにする。Is further provided.
【0028】そしてこの発明では、専門家の勘と経験に
基づくような知識を容易に、しかも臨機応変に獲得し
て、上記の事例検索を更に効率のよいものとするため
に、 ( h)前記事例ベースに登録されている各事例の、抽象タ
イプの元となる情報内容が入力として与えられ、その分
類された抽象タイプが教示データとして与えられるニュ
ーラルネットを通じて、入力として与えられる情報内容
に対応する抽象タイプの分類パターンを学習する学習手
段。According to the present invention, in order to make the above case retrieval more efficient, it is possible to easily and flexibly acquire knowledge based on the intuition and experience of an expert. The information content that is the source of the abstract type of each case registered in the case base is given as an input, and the classified abstract type corresponds to the information content given as an input through a neural network given as teaching data. A learning method for learning an abstract type classification pattern.
【0029】を更に具え、前記抽象タイプ抽出手段( a)
は、この学習手段( h)による学習結果に応じて前記抽象
タイプを抽出するようにする。Further comprising the abstract type extraction means (a)
To extract the abstract type according to the learning result by the learning means (h).
【0030】[0030]
【作用】抽象タイプ抽出手段( a)によって抽出される抽
象タイプとは、上述のように、与えられた問題における
各情報間の統計的な従属関係に基づいてこれら関係する
情報間での概念を抽象的に包括する新たな情報である。
このためこの抽象タイプによれば、問題として与えられ
る情報の数がいかに多数におよぼうとも、予測値に対し
て実質的に影響を及ぼす情報の数を大幅に減らすことが
できるとともに、この抽象タイプとして分類される各情
報自身を、上記問題として与えられた情報間での各々特
定の従属関係に応じた意味的に独立性の高いものとする
ことができるようになる。The abstract type extracted by the abstract type extraction means (a) is, as described above, based on the statistical dependency of each information in a given problem, the concept between the related information. This is new information that is abstractly included.
Therefore, this abstract type can significantly reduce the number of pieces of information that have a substantial effect on the predicted value, no matter how many pieces of information are given as a problem. It becomes possible to make each of the information itself classified as "highly semantically independent" according to each specific dependency between the information given as the above problems.
【0031】また、事例ベース( b)にあっても、過去の
複数の事例が、予めこのような抽象タイプによって特徴
付けされて登録されている。Even in the case base (b), a plurality of past cases are registered by being characterized by such an abstract type in advance.
【0032】したがって、事例検索手段( c)のように、
これら抽象タイプによってその特徴を照合し、これら抽
象タイプが最も類似する事例を事例ベース( b)から検索
するようにすれば、その検索される事例としても、意味
的にも最も類似したものが、しかも簡単に得られるよう
になる。このように、意味的に最も類似した事例が検索
されれば、それによって予測される解の精度も、自ずと
高いものとなる。Therefore, like the case retrieval means (c),
By matching the characteristics by these abstract types and searching the case base (b) for the case where these abstract types are the most similar, the searched case also has the most similar semantically. And it's easy to get. In this way, if the case that is most similar in meaning is searched, the accuracy of the solution predicted by it is naturally high.
【0033】また、知識ベース( d)に予め登録される上
記第1の手続とは、これら抽象タイプが一致している検
索事例と問題事例との間で、各々抽象タイプにより分類
する以前の元々の情報内容による比較を行い、その違い
を加味して前記予測される解に所定の重み付けを施した
り、修正演算を施したりするための手続であり、同じく
上記第2の手続とは、抽象タイプが一致しない検索事例
と問題事例との間で、その抽象タイプの違いを加味して
前記予測される解に所定の重み付けを施したり、修正演
算を施したりするための手続である。The first procedure registered in advance in the knowledge base (d) means that the search case and the problem case whose abstract types match each other are originally classified by the abstract type. Is a procedure for performing a comparison according to the information content of the above and adding a predetermined weight to the predicted solution in consideration of the difference, or performing a correction operation. Similarly, the second procedure is an abstract type. This is a procedure for giving a predetermined weight to the predicted solution or performing a correction operation in consideration of the difference in the abstract type between the search case and the problem case that do not match.
【0034】予測される解に対し修正を加えるにして
も、元々のデータ内容だけに注目してやみくもに修正を
行うことをせずに、このように抽象タイプによる判定を
まず行うようにすることで、解の予測値に影響を及ぼし
ている情報(抽象タイプ)やその影響力の度合等を把握
することが容易となる。そして、このような把握によっ
てはじめて、予測に影響を及ぼす部分のみに対しその影
響力の度合に応じた修正が可能となる。上記第1及び第
2の手続とは、このような意図のもとに、抽象タイプの
一致/不一致に応じた各別の修正手続として用意された
ものである。Even if a correction is made to the predicted solution, the original data contents are not paid attention to and the correction is blindly performed, and thus the determination by the abstract type is first performed. Thus, it becomes easy to grasp the information (abstract type) that influences the predicted value of the solution and the degree of its influence. Then, only by such an understanding, it becomes possible to correct only the part that influences the prediction according to the degree of the influence. The first and second procedures described above are prepared as different correction procedures according to the agreement / disagreement of the abstract types based on such an intention.
【0035】したがって、事例修正手段( e)を通じて、
このようなルールのもとに上記第1或いは第2の手続に
基づく事例修正処理を実行するようにすれば、上記予測
される解(前記生成される情報)も、効率よく、しかも
高い精度にて修正されるようになる。特に、検索事例と
問題事例とで抽象タイプが一致している場合には、そも
そもが非常に類似した事例をもとに解の予測がなされる
こととなり、その予測される解の精度もかなり高いもの
となる。このため、上記第1の手続によっては、これら
抽象タイプが一致していることを前提としたこれら事例
間のある特定の情報内容の違いのみに基づき、相当に高
い精度にて解を修正することが可能となる。因みに、後
述する実施例においては、このような場合の解の信頼度
を100%に近いものとして評価している。Therefore, through the case correction means (e),
If the case correction processing based on the first or second procedure is executed under such a rule, the predicted solution (the generated information) can be efficiently and highly accurately generated. Will be corrected. In particular, when the abstract type matches the search case and the problem case, the solution is predicted based on the cases that are very similar to each other in the first place, and the accuracy of the predicted solution is considerably high. Will be things. Therefore, depending on the first procedure, the solution is corrected with a considerably high accuracy based on only the difference in the specific information content between these cases on the assumption that these abstract types match. Is possible. Incidentally, in the examples described later, the reliability of the solution in such a case is evaluated as being close to 100%.
【0036】また、評価ベース( f)に予め登録される上
記第3の手続とは、検索事例と問題事例とで抽象タイプ
が一致していなかった場合に、その予測される解(修正
された解も含む)に対し、これら抽象タイプの差異に基
づき、信頼度を評価するための所定の重み付けを施した
り、評価演算を施したりするための手続である。The third procedure, which is registered in advance in the evaluation base (f), is the expected solution (corrected if the abstract type does not match between the search case and the problem case). (Including a solution), based on the difference between these abstract types, a predetermined weighting for evaluating the reliability or an evaluation calculation is performed.
【0037】そこで、精度評価手段( g)を通じて、上記
条件のもとに、この第3の手続に基づく精度評価処理を
行うようにすれば、問題の解とともに、この評価された
信頼度が提示されるようになり、利用者は、この得られ
た解がどの程度信用できるものなのかを即座に把握する
ことができるようになる。またこれにより、更に解の予
測精度をあげることができるようにもなる。Therefore, if the accuracy evaluation means (g) performs the accuracy evaluation process based on the third procedure under the above conditions, the solution of the problem and the evaluated reliability are presented. As a result, the user can immediately understand how credible the obtained solution is. This also makes it possible to improve the accuracy of solution prediction.
【0038】そして、学習手段( h)は、上記のように、
事例ベース(b)に登録されている各事例の、抽象タイプ
の元となる情報内容が入力として与えられ、その分類さ
れた抽象タイプが教示データとして与えられるニューラ
ルネットを通じて、入力として与えられる情報内容に対
応する抽象タイプの分類パターンを学習するものであ
る。すなわち先の抽象タイプ抽出手段( a)が、この学習
手段( h)による学習結果に応じて前記抽象タイプを抽出
するようになれば、問題として与えられる多数の情報間
の依存関係を予めルール化することが難しいような場合
でも、過去の問題解決事例が登録されている事例ベース
( b)を用いて容易にその知識を獲得することができるよ
うになる。またこれにより、問題として与えられる事例
と、それに基づき検索される事例との間での、情報間の
統計的な関係や抽象タイプについての整合性が良好に維
持されるようにもなる。このため、先の事例検索手段(
c)において実行される前記事例検索処理も、更に効率の
よいものとなる。Then, the learning means (h) is, as described above,
Information content given as an input through the neural network in which the information content that is the source of the abstract type of each case registered in the case base (b) is given as an input, and the classified abstract type is given as teaching data It learns an abstract type classification pattern corresponding to. That is, if the above abstract type extraction means (a) extracts the abstract type according to the learning result by this learning means (h), the dependency relation between many pieces of information given as a problem is ruled in advance. Case-based cases in which past problem-solving cases are registered even if it is difficult to do
You will be able to easily acquire that knowledge using (b). This also makes it possible to maintain good consistency in the statistical relationship between information and the abstract type between the case given as a problem and the case retrieved based on the case. Therefore, the previous case search method (
The case retrieval process executed in c) is also more efficient.
【0039】[0039]
【実施例】図1に、この発明にかかる推論装置について
その一実施例を示す。1 shows an embodiment of an inference device according to the present invention.
【0040】この実施例では一例として、新規に出店し
ようとしている店舗の売上高を予測するいわゆる「売上
予測システム」について述べるものとする。そしてここ
では特に、この店舗がいわゆる家電製品を扱う店である
と仮定する。したがってここでは、「売上予測」として
「家電製品の売上高の予測」を行うことになる。売上高
の予測とは因みに、“新しく店舗を出店する企画があっ
たときに、その新しい店舗を立地する予定の地域に関す
る情報や店舗に関する情報を与えることによって過去の
類似店の情報を導き出し、これをもとに新規店舗の売上
高を予測する”というものである。In this embodiment, as an example, a so-called "sales forecasting system" for forecasting the sales amount of a store that is about to open a new store will be described. And here, in particular, it is assumed that this store is a store dealing with so-called home appliances. Therefore, here, the "sales forecast" is the "sales forecast of home electric appliances". In addition to the forecast of sales, “When there is a plan to open a new store, information about the area where the new store will be located and information about the store will be derived to derive information about past similar stores. Based on the forecast sales of new stores ”.
【0041】ただしここで、地域特性などの情報の扱い
が問題となる。通常これらの情報については、なかなか
前もって特徴をつかむことが難しい。しかも、CBR
(事例ベース推論)のように、直接事例を用いて問題解
決を行う場合は、この特徴付けが重要なポイントとな
る。そしてCBRでは、抽出された特徴によって類似検
索を行うため、特徴付け次第で、検索される事例が異な
ったものとなり、ひいては最終的に得られる解にも大き
な影響を及ぼすことになる。However, here, the handling of information such as regional characteristics becomes a problem. Usually, it is difficult to grasp the characteristics of such information in advance. Moreover, CBR
This characterization is an important point when problem solving is performed directly using cases, such as (case-based reasoning). In CBR, since similarity search is performed according to the extracted features, the retrieved cases will differ depending on the characterization, and thus the solution finally obtained will be greatly affected.
【0042】そこでこの実施例では、複雑な依存関係を
もつ地域の情報を、これら情報間の統計的な従属関係に
基づき、これら関係する情報間での概念を抽象的に包括
するかたちで、独立性の高い抽象的な情報に分類し、こ
の分類した抽象的な情報を用いて事例検索を行うように
する。そして、この分類した抽象的な情報を「抽象タイ
プ」と呼ぶものとする。Therefore, in this embodiment, the information of the areas having the complicated dependency relations is independent based on the statistical dependency relation between these information items in such a manner that the concepts between the related information items are abstractly included. The classified information is classified into highly abstract information, and the classified information is used to perform a case search. Then, the classified abstract information is referred to as "abstract type".
【0043】さて、この図1に示される実施例の推論装
置において、入力装置1は、例えばキーボードやマウス
等からなって、上記問題事例として与えられる「新しい
店舗を立地する予定の地域に関する情報や店舗に関する
情報」を当該推論装置に対して入力するための周知の装
置であり、また出力装置2は、例えばCRTディスプレ
イ等からなって、上記問題事例として入力される内容を
利用者に対してエコーバックしたり、当該推論装置を通
じて予測、推論された結果を同利用者に対して提示する
などの可視情報出力を行うこれも周知の装置である。こ
れら入力装置1を通じて入力される内容の解読、並びに
この解読内容の当該推論装置への取り込みや、同推論装
置により出力指令される情報の出力装置2への表示制御
等々は、入出力制御部10を通じて行われる。In the inference device of the embodiment shown in FIG. 1, the input device 1 is composed of, for example, a keyboard, a mouse, etc. It is a well-known device for inputting "information about a store" to the inference device, and the output device 2 is composed of, for example, a CRT display or the like, and echoes the contents input as the problem case to the user. This is also a well-known device for outputting visible information such as backing up, presenting the result of prediction and inference to the same user through the inference device. The input / output control unit 10 decodes the contents input through the input device 1, fetches the decoded contents into the inference device, and controls the display of information output by the inference device to the output device 2. Is done through.
【0044】また同推論装置において、推論処理部20
は、上記入出力制御部10を介して与えられる問題事例
に対し、以下に説明する抽象タイプ抽出部24、事例検
索部27、事例修正部28、及び精度評価部29を統括
的に管理、コントロールしつつ、解すなわち売上高の予
測、推論を実行する部分である。この推論処理部20に
よって予測、推論された売上高、及び精度評価部29を
通じたこの予測売上高の信頼度に対する評価結果等が、
当該推論装置による出力情報として入出力制御部10に
渡され、出力装置2を通じて適宜に可視表示される。Further, in the inference apparatus, the inference processing section 20
Manages and controls an abstract type extraction unit 24, a case search unit 27, a case correction unit 28, and an accuracy evaluation unit 29, which will be described below, for a problem case given via the input / output control unit 10. In the meantime, it is a part that executes a solution, that is, a sales forecast and an inference. The sales amount predicted and inferred by the inference processing unit 20 and the evaluation result of the reliability of the predicted sales amount through the accuracy evaluation unit 29 are
The output information from the inference device is passed to the input / output control unit 10 and is appropriately displayed visually through the output device 2.
【0045】また同推論装置において、事例ベース21
は、上記家電製品を扱う店についての過去の多くの出店
事例が、それぞれその店舗の地域情報や店舗情報とし
て、かつ抽象タイプとして特徴付けされて、予め所定の
形態にて登録されている記憶手段であり、知識ベース2
2は、後述の事例修正処理に際して利用される各種項目
への重み付けデータや、売上高修正演算のための演算式
等、修正手続に関する情報が予め登録された記憶手段で
あり、評価ベース23は、同じく後述する精度評価処理
に際して利用される重み付けデータや、問題の解として
得られる新規店舗の予測売上高についての信頼度を評価
演算するための演算式等、評価手続に関する情報が予め
登録された記憶手段である。なお、特に上記知識ベース
22には、その修正手続として、問題として与えられた
事例と検索された事例とのそれぞれ抽象タイプに分類さ
れる以前の各種情報における所定のデータ内容の差異に
基づいて上記売上高を修正するための手続(以下これを
データ間修正手続という)と、問題として与えられた事
例と検索された事例とのそれぞれ抽象タイプ自身の差異
に基づいて上記売上高を修正するための手続(以下これ
を抽象タイプ間修正手続という)との、各異なる2種類
の修正手続が登録されているものとする。In the inference apparatus, the case base 21
Is a storage means in which a number of past store opening cases of the above-mentioned stores that handle home electric appliances are respectively characterized as regional information and store information of the store and as an abstract type, and registered in advance in a predetermined form. And knowledge base 2
Reference numeral 2 is a storage unit in which information regarding correction procedures such as weighting data for various items used in case correction processing described later and calculation formulas for sales correction calculation is registered in advance. Similarly, weighting data used in accuracy evaluation processing, which will be described later, and a formula for evaluating the reliability of the estimated sales of a new store, which is obtained as a solution to the problem, such as an arithmetic expression, is stored in advance in the memory of the evaluation procedure. It is a means. It should be noted that, in particular, the knowledge base 22 has a correction procedure based on a difference in predetermined data content in various information before being classified into abstract types of cases given as problems and retrieved cases. A procedure for correcting the sales (hereinafter referred to as the inter-data correction procedure) and a method for correcting the above sales based on the difference of the abstract type itself between the case given as a problem and the searched case It is assumed that two different types of amendment procedures, which are procedures (hereinafter referred to as "abstract type amendment procedure"), are registered.
【0046】また、上記推論処理部20を通じて管理、
コントロールされる抽象タイプ抽出部24は、この推論
処理部20から問題事例として与えられる上記「新しい
店舗を立地する予定の地域に関する情報や店舗に関する
情報」から、上述した抽象タイプを抽出する部分であ
る。なお、この抽象タイプの抽出に際し、該抽象タイプ
抽出部24では、同図1に示される学習部25及びニュ
ーラルネット26を併せ用いる。Further, management is performed through the inference processing section 20,
The controlled abstract type extraction unit 24 is a unit that extracts the above-mentioned abstract type from the above-mentioned “information regarding the area where the new store is planned to be located and information regarding the store” given as a problem case from the inference processing unit 20. .. When extracting the abstract type, the abstract type extracting unit 24 also uses the learning unit 25 and the neural network 26 shown in FIG.
【0047】すなわち、学習部25は、上記事例ベース
21に登録されている過去の出店事例について、その各
店舗の地域情報が入力として与えられ、同じく各店舗の
抽象タイプが出力への教示データとして与えられるニュ
ーラルネット26を形成し、該形成したニューラルネッ
ト26を通じて、上記入力として与えられる地域情報に
対応する抽象タイプの分類パターンを学習する部分であ
り、こうして学習部25が過去の多くの出店事例につい
ての地域情報、及びこれら情報に対応する抽象タイプを
訓練例として学習することで、その学習結果であるニュ
ーラルネット26は、これら地域情報をそれぞれ対応す
る抽象タイプに分類するための最適な分類パターンを持
つようになる。That is, the learning unit 25 is given the regional information of each store as an input for the past store opening cases registered in the case base 21, and similarly the abstract type of each store is used as teaching data for output. This is a part for forming a given neural net 26 and learning an abstract type classification pattern corresponding to the regional information given as the input through the formed neural net 26. In this way, the learning section 25 has many past store opening cases. By learning the regional information about the area and the abstract types corresponding to the information as training examples, the learning result of the neural net 26 is such that the optimal classification pattern for classifying the regional information into the corresponding abstract types. To have.
【0048】したがって、抽象タイプ抽出部24が、こ
のニューラルネット26に蓄積された分類パターンをも
とに、上記問題事例として与えられる「新しい店舗を立
地する予定の地域に関する情報や店舗に関する情報」か
ら抽象タイプを抽出するようになれば、その抽出される
抽象タイプとしても、上記事例ベース21に登録されて
いる過去の出店事例との整合性が良好に保たれた望まし
い形態のものとなる。そして、この抽出された抽象タイ
プは、重み付け部24aを通じてその各重要度に応じた
所定の重み付けが施されて推論処理部20に返される。
なお、この重み付けは、後の事例検索に際して求められ
る過去の事例との類似度に影響を及ぼすようになる。Therefore, based on the classification patterns accumulated in the neural network 26, the abstract type extraction unit 24 determines from the "information about the area where the new store will be located and the information about the store" given as the above-mentioned problem case. When the abstract type is extracted, the extracted abstract type also has a desirable form with good consistency with past store opening cases registered in the case base 21. Then, the extracted abstract type is weighted by the weighting unit 24a with a predetermined weight according to the degree of importance, and is returned to the inference processing unit 20.
It should be noted that this weighting has an influence on the degree of similarity with the past case, which is required in the subsequent case search.
【0049】また、同じく上記推論処理部20を通じて
管理、コントロールされる事例検索部27は、上記抽象
タイプ抽出部24によって抽出された抽象タイプが推論
処理部20から与えられることにより、この与えられた
抽象タイプを上記事例ベース21に登録されている過去
の各出店事例の抽象タイプに照合し、かつ類似度演算部
27aを通じてその類似度を演算しつつ、これら抽象タ
イプが最も類似する過去の出店事例を同事例ベース21
から検索する部分である。この検索された類似事例は、
問題として与えられた事例に基づき解析されるべく、推
論処理部20に返される。The case retrieval unit 27, which is also managed and controlled by the inference processing unit 20, is provided by the abstract type extracted by the abstract type extraction unit 24 being given from the inference processing unit 20. While comparing the abstract type with the abstract type of each past store opening case registered in the case base 21 and calculating the similarity through the similarity calculating unit 27a, the past store opening cases in which these abstract types are the most similar The same case base 21
This is the part to search from. This searched similar case is
It is returned to the inference processing unit 20 to be analyzed based on the case given as the problem.
【0050】同じく、上記推論処理部20を通じて管
理、コントロールされる事例修正部28は、上記抽象タ
イプ抽出部24によって抽出された問題の事例について
の抽象タイプ、及び上記事例検索部27によって検索さ
れた過去の類似する出店事例の抽象タイプが推論処理部
20から与えられることにより、これら抽象タイプを照
合し、その結果、これら抽象タイプが一致するときに
は、知識ベース22に登録されている上記データ間修正
手続に基づいて類似事例の売上高を修正し、これら抽象
タイプが一致しないときには、知識ベース22に登録さ
れている上記抽象タイプ間修正手続に基づいて類似事例
の売上高を修正する部分である。なお、この修正にデー
タ間修正手続が必要とされる場合(すなわち抽象タイプ
が一致している場合)には、推論処理部20に対して、
上記各事例の、抽象タイプによる分類以前の情報の送出
を別途要求することとなる。そして、この事例修正部2
8によって修正された売上高は、問題として与えられた
新規店舗の予測売上高として、その修正履歴情報(修正
がデータ間修正手続による修正か抽象タイプ間修正手続
による修正かを示す情報)と共に、推論処理部20に返
される。Similarly, the case correction unit 28 managed and controlled by the inference processing unit 20 searches for the abstract type of the problem case extracted by the abstract type extraction unit 24 and the case search unit 27. The abstract types of similar past store cases are given from the inference processing unit 20 to collate these abstract types. As a result, when these abstract types match, the inter-data correction registered in the knowledge base 22 is corrected. This is a part of correcting the sales of the similar case based on the procedure and correcting the sales of the similar case based on the above-mentioned correction procedure between abstract types registered in the knowledge base 22 when these abstract types do not match. If the inter-data correction procedure is required for this correction (that is, if the abstract types match), the inference processing unit 20
In each of the above cases, transmission of information before classification by the abstract type will be separately requested. And this case correction unit 2
The sales amount corrected by 8 is the estimated sales amount of the new store given as a problem, together with its correction history information (information indicating whether the correction is correction by the inter-data correction procedure or the abstract-type correction procedure), It is returned to the inference processing unit 20.
【0051】そして、同様に上記推論処理部20を通じ
て管理、コントロールされる精度評価部29は、上記修
正履歴情報、及び該修正履歴情報が抽象タイプ間修正手
続による修正である旨示す場合にはそれら抽象タイプの
情報が、それぞれ推論処理部20から与えられることに
より、評価ベース23に登録されている上記評価手続を
実行して、その得られた新規店舗の予測売上高について
の信頼度を算出する部分である。そして、この算出結果
は、該精度評価部29による評価データとして推論処理
部20に返される。なお、上記与えられた修正履歴情報
がデータ間修正手続による修正である旨示すものであっ
た場合には、「100%に近い信頼度」である旨の評価
データを同推論処理部20に対して返すものとする。Similarly, the accuracy evaluation unit 29, which is managed and controlled through the inference processing unit 20, uses the correction history information and the correction history information when the correction history information indicates that the correction is between the abstract types. The information of the abstract type is given from the inference processing unit 20 to execute the evaluation procedure registered in the evaluation base 23 and calculate the reliability of the obtained predicted sales of the new store. It is a part. Then, this calculation result is returned to the inference processing unit 20 as evaluation data by the accuracy evaluation unit 29. If the given correction history information indicates that the correction is performed by the inter-data correction procedure, evaluation data indicating “reliability close to 100%” is sent to the inference processing unit 20. Shall be returned.
【0052】図2〜図10は、こうした推論装置の推論
アルゴリズムや上記各部での具体的な処理例を示したも
のであり、以下、これら図2〜図10を併せ参照して、
上記問題事例として与えられる「新しい店舗を立地する
予定の地域に関する情報や店舗に関する情報」について
のデータ入力例に基づくこの実施例推論装置の売上高予
測動作を更に詳述する。2 to 10 show an inference algorithm of such an inference apparatus and a concrete processing example in each of the above-mentioned units. Hereinafter, referring to FIGS. 2 to 10 together,
The sales forecasting operation of the inference apparatus according to the present embodiment based on the data input example of "information about an area where a new store is scheduled to be located and information about a store" given as the above-mentioned problem example will be described in more detail.
【0053】いま、上記の「新しい店舗を立地する予定
の地域に関する情報や店舗に関する情報」として例え
ば、次に示すような情報が上記入力装置1を通じて入力
されたとする。これら情報には数値表現された項目もあ
ればカテゴリカルに表現された項目もある。Now, it is assumed that the following information, for example, is input through the input device 1 as the above-mentioned "information about an area where a new store is to be located and information about a store". Some of these information items are expressed numerically and some are expressed categorically.
【0054】 《地域情報(店舗立地付近5k四方)の例》 *世帯当りの人数 3.4人 *人口密度 低い *平均年収 500万円 *自動車の保有率 82% *持ち家率 27% *独身者世帯比率 23% *大型マンション比率 69% *店舗立地位置 郊外の住宅地 *駐車場収容台数 4台 *交通手段 悪い *住民の平均年齢 38才 *専業主婦の比率 66% *クーラー普及率 72% *住居地域の風土や地形 良好 *年間平均温度 16度 *サラリーマン世帯比率 88% *学生比率 62% *パソコン普及率 28% *ファミリーレストラン数 7店 ・ ・ ・ 《店舗情報の例》 *売り場面積 180平方m *従業員数 30人 *駐車場収容台数 4台 ・ ・ ・ 売上予測の専門家は、これらの情報から店のパターンを
読み取り、おおよその売上高を予測するという。ただし
上述のように、これらの情報は従属関係にあるため、一
般には、個々のデータに重み付けをしたり、その重み付
けから各種状況を判断したりすることは難しい。<< Example of regional information (5k square around the store location) >> * Number of people per household 3.4 people * Low population density * Average annual income 5 million yen * Car ownership rate 82% * Ownership rate 27% * Singles Household ratio 23% * Large condominium ratio 69% * Store location Suburban residential area * Parking capacity 4 units * Transportation is poor * Average age of residents 38 years old * Ratio of full-time housewives 66% * Cooler penetration rate 72% * Good climate and topography of residential area * Annual average temperature of 16 degrees * Office worker ratio: 88% * Student ratio: 62% * Personal computer penetration rate: 28% * Number of family restaurants: 7 ・ ・ ・ 《Store information example》 * Sales area 180 sq. m * Number of employees 30 * Parking lot capacity 4 units · · · Sales forecasting experts read the store pattern from these information and estimate approximate sales It called that. However, as described above, since these pieces of information are in a dependent relationship, it is generally difficult to weight individual data and determine various situations from the weighting.
【0055】例えば、そこの地域の都市化状態を判断す
る場合に、「人口密度」や「大型マンション比率」や
「交通手段」などの関係から行うとすると、「人口密
度」が高くて、「大型マンション比率」が50%以上
で、「交通手段(特に公共手段である電車やバス等)」
が良ければ“都市化状態がたいへん進んでいる”という
ような判断を行うことができ、或いは逆に、「人口密
度」が低くて、「大型マンション比率」が10%未満
で、「交通手段」があまり良くなければ“都市化状態は
ほとんど進んでいない”というような判断を行うことが
できる。また、地域の環境を判断するにしても、これを
「人口密度」や「大型マンション比率」や「持ち家率」
などの関係から行うとすると、「人口密度」があまり高
くなくて、「大型マンション比率」が10%以上で、
「持ち家率」が30%以上であれば“地域環境は住みや
すいところ”などといった判断を行うことができる。便
宜上、単純な関係で説明したが、このように何かしらの
判断を下そうとする場合には通常、重複して用いられる
情報も多々でてくる。すなわちここでの例では、「人口
密度」や「大型マンション比率」といった情報が、地域
の都市化状態を判断する場合と地域の環境を判断する場
合とで重複して用いられており、これら情報は互いに従
属的な関係にあることがわかる。For example, when judging the urbanization state of the area there, if it is done from the relations such as "population density", "large condominium ratio" and "transportation", "population density" is high and ""The ratio of large condominiums" is 50% or more, and "transportation means (especially public means such as trains and buses)"
If it is good, you can make a judgment that "urbanization is very advanced", or conversely, "population density" is low, "large condominium ratio" is less than 10%, and "transportation" If the condition is not so good, it is possible to make a judgment such as “urbanization is hardly progressing”. In addition, even when judging the local environment, this can be calculated using "population density,""large condominium ratio," and "ownership rate."
If it is done from the relationship such as "population density" is not so high, "large condominium ratio" is 10% or more,
If the "ownership rate" is 30% or more, it is possible to make a judgment such as "the local environment is a comfortable place to live". For the sake of convenience, the explanation has been made with a simple relationship, but when making some kind of judgment in this way, a lot of information is usually used in duplicate. That is, in this example, information such as "population density" and "ratio of large condominiums" is used in duplicate when determining the urbanization status of a region and when determining the environment of the region. It can be seen that are dependent on each other.
【0056】そして次に、どの情報に重み付けをする
か、更にはその重み付けをどのように判断するかが問題
となる。すなわち、これら従属的な関係にある情報につ
いて、ある1つの判断をした時に用いた重み付けをその
まま別の判断に用いると、その別の判断に対しても何ら
かの影響を及ぼすようになることが予想されるが、それ
が実際にどのようなかたちで影響するようになるか等に
ついては、予測することが困難である。例えば、上記都
市化状態の判断に際して、「人口密度」が重要であれ
ば、自ずとその重み値は大きくとられるが、他方の地域
環境の判断に際しても、この「人口密度」に関する重み
値をそのまま適用した場合には、この地域環境の判断に
おいても「人口密度」は重要なものとして扱われること
になる。一般に地域環境といった場合、「人口密度」は
あまり重要でないこともあり、したがってそのような場
合には判断を誤ることになる。Next, there is a problem of which information should be weighted and how the weight should be determined. That is, it is expected that if the weighting used when a certain judgment is made is used for another judgment with respect to the information having such a subordinate relationship, it may have some influence on the other judgment. However, it is difficult to predict how this will actually affect the situation. For example, if the "population density" is important in the determination of the urbanization state, the weight value is naturally set to be large. However, when determining the other regional environment, the weight value related to the "population density" is directly applied. In that case, "population density" will be treated as important in judging the regional environment. In general, when it comes to the local environment, “population density” may not be so important, and in such a case, the judgment is wrong.
【0057】そこで、この実施例では上述したように、
これら複雑な依存関係をもつ地域の情報を、これら情報
間の統計的な従属関係に基づき、これら関係する情報間
での概念を抽象的に包括する抽象タイプに分類すること
で、情報間の独立性を高め、ひいては、独立性の高い抽
象項目毎に意味のある重み付けをできるようにしてい
る。Therefore, in this embodiment, as described above,
Independence between information is obtained by classifying regional information having these complex dependencies into abstract types that abstractly encapsulate the concepts between these related information based on the statistical dependency between these information. Therefore, it is possible to perform meaningful weighting for each abstract item having high independence.
【0058】さて、新規店舗についてのこのような地域
情報、及び店舗情報が入力装置1を通じて入力される
と、この推論装置では、推論処理部20による抽象タイ
プ抽出部24、事例検索部27、事例修正部28、及び
精度評価部29の統括的なコントロールに基づき、図2
に示されるアルゴリズムにて推論(売上高の予測)処理
を開始する。Now, when such regional information and store information about a new store are input through the input device 1, in this inference device, the abstract type extraction part 24, the case search part 27, the case by the inference processing part 20 Based on the overall control of the correction unit 28 and the accuracy evaluation unit 29, FIG.
Inference (sales forecast) processing is started by the algorithm shown in.
【0059】まず、推論処理部20は、上記問題事例と
して入力された情報を入出力制御部10を介して読み込
み(図2ステップS1)、これを抽象タイプ抽出部24
に与えて、上記抽象タイプの抽出を実行する(図2ステ
ップS2)。この抽象タイプ抽出部24を通じた抽象タ
イプ抽出処理については特に、図3に、その具体的な処
理態様を示している。First, the inference processing section 20 reads the information input as the above-mentioned problem case through the input / output control section 10 (step S1 in FIG. 2), and the abstract type extraction section 24
To extract the abstract type (step S2 in FIG. 2). With regard to the abstract type extraction processing performed by the abstract type extraction unit 24, in particular, FIG. 3 shows a specific processing mode thereof.
【0060】すなわち、抽象タイプ抽出部24では上述
のように、上記学習部25を通じた学習の結果上記地域
情報をそれぞれ対応する抽象タイプに分類する上での最
適な分類パターンが設定されているとするニューラルネ
ット26を用いて、この与えられた地域情報の各々から
抽象タイプを抽出する。That is, in the abstract type extraction unit 24, as described above, as a result of the learning through the learning unit 25, the optimum classification pattern for classifying the area information into the corresponding abstract type is set. The abstract type is extracted from each of the given regional information by using the neural network 26.
【0061】そのために、この抽象タイプ抽出部24で
はまず、与えられた地域情報の各々をそのデータ内容に
基づき所定にランク付けした後、これを例えば図4に示
される態様にて、ニューラルネット26に入力し(図3
ステップS21)、その結果、該ニューラルネット26
の出力部から同図4に示される態様にて得られる情報を
抽象タイプとして抽出する(図3ステップS22)。こ
こで抽出される抽象タイプとは例えば、「住民生活裕福
度」等からなる抽象タイプ項目と、「1(低い)」,
「2(やや低い)」,…「5(非常に高い)」等の度数
からなる抽象タイプ値とによって構成される情報であ
る。また、上記学習部25を通じた学習が事例ベース2
1に登録されている過去の出店事例に基づいて行われた
ものであり、このためこの得られる抽象タイプも、同事
例ベース21に登録されている過去の出店事例との整合
性が良好に保たれた望ましい形態のものとなることは前
述した通りである。上記入力された地域情報に対応して
抽出されたとする抽象タイプ、並びにそれらの依存関係
の例を、図5に示す。For this purpose, the abstract type extraction unit 24 first ranks each of the given area information in a predetermined manner based on the data content thereof, and then, for example, in the manner shown in FIG. 4, the neural network 26. Input (Fig. 3
Step S21), and as a result, the neural network 26
The information obtained in the mode shown in FIG. 4 is extracted from the output section of the above as an abstract type (step S22 in FIG. 3). The abstract type extracted here is, for example, an abstract type item such as “individual living wealth” and “1 (low)”,
The information is composed of an abstract type value composed of frequencies such as "2 (slightly low)", ... "5 (very high)". In addition, the learning through the learning unit 25 is based on the case example 2
This is performed based on the past store opening cases registered in No. 1, and therefore the obtained abstract type also maintains good consistency with the past store opening cases registered in the same case base 21. As described above, the desired shape is obtained. FIG. 5 shows an example of abstract types that are assumed to be extracted corresponding to the input regional information and their dependency relationships.
【0062】因みにこの図5によれば、地域情報項目
「世帯当りの人数」は、抽象タイプ項目「住民生活裕福
度」や、抽象タイプ項目「周辺地域状況」や、抽象タイ
プ項目「OA化の普及度」と依存関係にあり、また地域
情報項目「独身者世帯比率」は、抽象タイプ項目「住民
生活裕福度」や、抽象タイプ項目「周辺地域状況」や、
抽象タイプ項目「OA化の普及度」や、抽象タイプ項目
「ファミリー性」と依存関係にあることがわかる。ま
た、同図5からも明らかなように、抽出された各抽象タ
イプ項目は、意味的に独立性が高く、項目数自体も大幅
に減らされたものとなっている。Incidentally, according to FIG. 5, the area information item "number of people per household" is the abstract type item "residence of affluent living", the abstract type item "surrounding area situation", and the abstract type item "OA conversion". There is a dependency relationship with the "degree of diffusion", and the regional information item "Balance of single households" is an abstract type item "Individual living wealth", an abstract type item "surrounding area situation",
It can be seen that there is a dependency relationship with the abstract type item “degree of spread of OA” and the abstract type item “family”. Further, as is clear from FIG. 5, the extracted abstract type items are highly independent in terms of meaning, and the number of items themselves is greatly reduced.
【0063】こうして抽象タイプを抽出した抽象タイプ
抽出部24では次に、重み付け部24aを通じて、これ
ら得られた抽象タイプに対し、その各項目別に例えば下
記の態様で、その各々の重要度に応じた重み付けを施す
(図3ステップS23)。The abstract type extraction unit 24 that has extracted the abstract types in this way then determines, through the weighting unit 24a, the obtained abstract types for each item according to their respective importance levels in the following manner, for example. Weighting is applied (step S23 in FIG. 3).
【0064】 <抽象タイプ> <重み値> 住民生活裕福度 0.58 周辺地域状況 0.66 交通事情 0.85 顧客タイプ 0.42 季節変動性 0.22 OA化の普及度 0.39 マニア性 0.27 ファミリー性 0.34 この場合、これら抽象タイプ項目の重要度は、「季節変
動性→マニア性→ファミリー性→OA化の普及度→顧客
タイプ→住民生活裕福度→周辺地域情報→交通事情」の
順で高くなることがわかる。なお、これら重み値は、専
門家等によって予め設定された値が重み付け部24aに
登録されているものとする。もっとも、これら各抽象タ
イプは互いに独立性が高いため、抽象タイプ間の影響を
考慮することなしに、比較的容易に重み付けをすること
ができる。<Abstract type><Weightvalue> Wealth of resident life 0.58 Surrounding area situation 0.66 Traffic situation 0.85 Customer type 0.42 Seasonal variability 0.22 OA penetration rate 0.39 Mania 0.27 Familyness 0.34 In this case, the importance of these abstract type items is "seasonal variability → maniacity → familyness → OA diffusion rate → customer type → welfare richness of residents → peripheral area information → transportation It can be seen that the cost increases in the order of "circumstances". It should be noted that these weight values are assumed to be registered in the weighting unit 24a with preset values by an expert or the like. However, since each of these abstract types is highly independent of each other, weighting can be performed relatively easily without considering the influence between the abstract types.
【0065】抽象タイプ抽出部24では、この抽出し、
重み付けを行った抽象タイプを、その処理結果として推
論処理部20に返却する(図3ステップS24)。The abstract type extraction unit 24 extracts this,
The weighted abstract type is returned to the inference processing unit 20 as the processing result (step S24 in FIG. 3).
【0066】こうして抽象タイプが返された推論処理部
20は次に、この抽象タイプを事例検索部27に与え
て、過去の類似する事例を検索する(図2ステップS
3)。この事例検索部27を通じた事例検索処理につい
ては、図6に、その処理の詳細を示す。The inference processing unit 20 which has returned the abstract type in this way next gives this abstract type to the case retrieval unit 27 to retrieve similar cases in the past (step S in FIG. 2).
3). FIG. 6 shows details of the case search process performed by the case search unit 27.
【0067】すなわち事例検索部27では、上記重み付
けされた抽象タイプを受入した後(図6ステップS3
1)、事例ベース21から過去の事例を1つ読み込み
(図6ステップS32)、類似度演算部27aを通じ
て、この読み込んだ過去の事例と上記抽象タイプとして
受入した問題事例との類似度を、抽象タイプ項目各々の
重みを加味して計算する(図6ステップS33)。例え
ばこの類似度は、概念距離の加重平均にて計算されるも
ので、問題事例と過去の一事例との間で抽象タイプの特
徴が次のような関係にて得られたとすると、 <抽象タイプ> <問題事例> <事例ベースの中の一事例> 住民生活裕福度 2(やや低い) 3(普通) 周辺地域状況 2(あまり良くない) 4(良い) 交通事情 5(非常に良い) 5(非常に良い) 顧客タイプ 3(多方) 3(多方) 季節変動性 1(小) 2(中) OA化の普及度 2(中下) 4(中上) マニア性 1(低い) 1(低い) ファミリー性 1(弱い) 2(普通) これら事例間の類似度は、これをNとして N = Σ{f(x,y)×d} ただし、f(x,y):概念距離 d :重み にて計算することができる。ここでは簡単のため、 f(x,y)=|x−y| とする。したがって、この例での類似度Nは、 (3−2)×0.58+(4−2)×0.66+(5−5)×0.85+ (3−3)×0.42+(2−1)×0.22+(4−2)×0.39+ (1−1)×0.27+(2−1)×0.34= 3.24 となる。なおここでは、問題事例との間で計算された類
似度Nの値のより小さいものが、より高い類似度を持つ
事例として定義される。またこの類似度として、実際に
は、より複雑な関数、或いはテーブル、更には概念距離
階層上のリンクの距離などで定義することもできる。That is, the case retrieval unit 27 receives the weighted abstract type (step S3 in FIG. 6).
1), one past case is read from the case base 21 (step S32 in FIG. 6), and the similarity between the read past case and the problem case accepted as the abstract type is abstracted through the similarity calculating unit 27a. The calculation is performed by adding the weight of each type item (step S33 in FIG. 6). For example, this similarity is calculated by a weighted average of concept distances, and if the characteristics of the abstract type are obtained by the following relationship between the problem case and the past case, then <abstract type > <Problem case><One case in the case base>Residents' affluence level 2 (Slightly low) 3 (Normal) Surrounding area situation 2 (Not very good) 4 (Good) Traffic situation 5 (Very good) 5 ( Customer type 3 (Many) 3 (Many) Seasonal variability 1 (Small) 2 (Medium) OA penetration 2 (Middle lower) 4 (Middle upper) Mania 1 (Low) 1 (Low) Familyness 1 (weak) 2 (ordinary) The similarity between these cases is N = Σ {f (x, y) × d} where f (x, y): conceptual distance d: weight Can be calculated. Here, for simplicity, f (x, y) = | x−y |. Therefore, the similarity N in this example is (3-2) * 0.58 + (4-2) * 0.66 + (5-5) * 0.85 + (3-3) * 0.42 + (2- 1) × 0.22 + (4-2) × 0.39 + (1-1) × 0.27 + (2-1) × 0.34 = 3.24. Note that, here, a smaller value of the similarity N calculated with the problem case is defined as a case having a higher similarity. In addition, the degree of similarity can be actually defined by a more complicated function, a table, or the distance of links on the conceptual distance hierarchy.
【0068】こうして、過去の1つの事例について類似
度を計算した事例検索部27は、該計算値を、適宜のバ
ッファエリアに保持しているとするそれまでの最高類似
度を持つ事例(値Nが最小の事例)と比較し(図6ステ
ップS34)、類似度のより高い方の事例によってこの
バッファエリアの内容を更新しつつ(図6ステップS3
5)、事例ベース21に蓄えられている全ての事例につ
いて、同処理を繰り返す(図6ステップS36)。これ
により、上記バッファエリアに最後に残っている事例
が、最も類似した事例として選出されるようになる。In this way, the case retrieving unit 27 that has calculated the similarity for one past case holds the calculated value in an appropriate buffer area and has the highest similarity (value N). Is the smallest case) (step S34 in FIG. 6), and the contents of this buffer area are updated by the case with the higher similarity (step S3 in FIG. 6).
5) The same process is repeated for all the cases stored in the case base 21 (step S36 in FIG. 6). As a result, the last remaining case in the buffer area is selected as the most similar case.
【0069】事例検索部27では、この選出した事例の
情報(抽象タイプ及び抽象タイプによる分類以前の情
報)を、検索事例として推論処理部20へ返す(図6ス
テップS37)。The case search unit 27 returns the information of the selected case (abstract type and information before classification by the abstract type) to the inference processing unit 20 as a search case (step S37 in FIG. 6).
【0070】なお、類似事例の検索手法としては他に、
類似度計算された全ての事例をソーティングして、その
類似度Nの値の最も小さいものを類似事例として選出す
る方法もある。何れにせよ、抽象タイプは互いに独立性
が高いことから、こうした検索の結果は、意味的にも妥
当性の高い結果となる。As another method of searching for similar cases,
There is also a method of sorting all the cases for which the similarity is calculated and selecting the one having the smallest value of the similarity N as the similar case. In any case, since the abstract types are highly independent of each other, the result of such a search is semantically valid.
【0071】こうして類似事例が検索されると、推論処
理部20は次に、該検索された過去の出店事例における
売上高を出力装置2を通じて利用者に提示するとともに
(図2ステップS4)、該売上高についての修正の要否
を同出力装置2を通じて利用者に問う(図2ステップS
5)。なお、ここで提示される売上高は、問題事例とし
て与えられた新規店舗の売上高を予測する上で、必ずし
も信頼のおける値ではないが、この実施例による上記の
検索精度に鑑みれば、この新規店舗に最も類似する過去
の出店事例での実際の売上高として、興味深い値となっ
ている。When a similar case is retrieved in this way, the inference processing section 20 then presents the sales in the retrieved past store case to the user through the output device 2 (step S4 in FIG. 2). Ask the user through the output device 2 whether the sales amount needs to be corrected (step S in FIG. 2).
5). Note that the sales presented here are not necessarily reliable values for predicting the sales of a new store given as a problem case, but in view of the above-mentioned search accuracy according to this embodiment, It is an interesting value as the actual sales amount in the past store openings that most resembled a new store.
【0072】そしてこの問い合わせの結果、利用者から
修正要求があれば、推論処理部20は更に、事例修正部
28に対して、この検索された過去の出店事例及びその
抽象タイプと、上記抽象タイプ抽出部24によって抽出
された問題事例についての抽象タイプとを与えて、修正
処理を実行する(図2ステップS6)。この事例修正部
28を通じての事例修正処理については、図7に、その
処理の詳細を示す。If the user makes a correction request as a result of this inquiry, the inference processing unit 20 further instructs the case correction unit 28 to search the past store opening case and its abstract type, and the above abstract type. The correction type is executed by giving the abstract type of the problem case extracted by the extraction unit 24 (step S6 in FIG. 2). FIG. 7 shows details of the case correction process performed by the case correction unit 28.
【0073】すなわち事例修正部28では、これら各事
例の抽象タイプをそれぞれ受入した後(図7ステップS
61)、これら各抽象タイプの値を照合する(図7ステ
ップS62)。That is, the case modification unit 28 accepts the abstract type of each case (step S in FIG. 7).
61), and collate the values of these abstract types (step S62 in FIG. 7).
【0074】そしてその結果、各抽象タイプの値が一致
しない場合、例えばこの例では、抽象タイプ項目「住民
生活裕福度」において、問題事例での抽象タイプ値は
「2(やや低い)」であるのに対し、検索事例での抽象
タイプ値が「3(普通)」となっているように、これら
抽象タイプ値が一致していない場合は、知識ベース22
に予め登録されている前記抽象タイプ間修正手続に基づ
き、これら抽象タイプ間で修正を行う(図7ステップS
63a)。このように抽象タイプ値が異なっているとい
うことは、分類した特徴そのものが違うのであるから、
修正結果に対して、高い精度は望めない。したがって、
入力データ(抽象タイプに分類する以前の情報)までさ
かのぼって詳細な修正をする必要はない。As a result, when the values of the abstract types do not match, for example, in this example, the abstract type value "2 (slightly low)" in the problem case in the abstract type item "inhabitant wealth". On the other hand, if the abstract type values do not match, as in the search example, the abstract type value is “3 (normal)”, the knowledge base 22
Modification is performed between these abstract types based on the above-mentioned abstract type modification procedure registered in advance (step S in FIG. 7).
63a). The fact that the abstract type values are different in this way means that the classified features themselves are different.
High accuracy cannot be expected for the correction results. Therefore,
It is not necessary to go back to the input data (information before classifying into the abstract type) and make detailed modifications.
【0075】したがってこの場合、問題事例の抽象タイ
プ値と対比してその抽象タイプ値を例示した先の事例
が、上記検索された過去の類似事例であるとすると、そ
の抽象タイプの違いは、 重み 新規店 類似店 住民生活裕福度 0.30 2 3 周辺地域状況 0.40 2 4 季節変動性 0.05 1 2 OA化の普及度 0.15 2 4 ファミリー性 0.10 1 2 のようになり、これら抽象タイプの違いに基づき、上記
抽象タイプ間修正手続を通じて、例えば 2億9400万円×0.5×{0.30×(2/3)+ 0.40×(2/4)+ 0.05×(1/2)+ 0.15×(2/4)+ 0.10×(1/2)+1} ≒2億2800万円 のように修正演算を行う。なおこの計算式で、上記「2
億9400万円」とは、上記事例検索処理が終了した時
点で利用者に提示される過去の類似事例における実際の
売上高であり、これに乗算される上記「0.5」とは、
類似する店舗同士であればある一定の売上高が望めると
いう条件に基づいて、その売上高の5割において外挿計
算を施せばよいとの考慮から定められた定数である。ま
た、上記テーブルにおける「重み」とは、こうした修正
演算の精度をより高いものとするために、予め経験的に
定められた値である。そして、これら抽象タイプ項目に
応じた「重み」及び計算式が、抽象タイプ間修正手続と
して知識ベース22に予め登録されている。このような
抽象タイプ間修正手続による事例修正処理の概念を、図
8として参考までに示しておく。Therefore, in this case, assuming that the previous case in which the abstract type value of the problem case is illustrated in comparison with the abstract type value is the past similar case retrieved above, the difference between the abstract types is New store Similar store Residents' wealth of life 0.30 2 3 Surrounding area situation 0.40 2 4 Seasonal variability 0.05 1 2 OA diffusion rate 0.15 2 4 Family nature 0. 10 1 2 , 294 million yen x 0.5 x {0.30 x (2/3) + 0.40 x (2/4) + 0 based on the difference between these abstract types and through the above-mentioned abstract type correction procedure. The correction calculation is performed as follows: 0.05 × (1/2) + 0.15 × (2/4) + 0.10 × (1/2) +1} ≈228 million yen. In addition, in this calculation formula,
The “94 million yen” is the actual sales amount in the past similar case presented to the user at the time when the case search process is completed, and the “0.5” multiplied by this is
It is a constant determined from the consideration that extrapolation calculation should be performed for 50% of the sales based on the condition that a certain sales can be expected between similar stores. The “weight” in the above table is a value that is empirically determined in advance in order to increase the accuracy of such correction calculation. Then, the “weight” and the calculation formula corresponding to these abstract type items are registered in advance in the knowledge base 22 as an inter-abstract type correction procedure. The concept of the case modification process by such an abstract type modification procedure is shown as a reference in FIG.
【0076】こうして、修正処理を終えた事例修正部2
8は、この修正した売上高「2億2800万円」を示す
情報を推論処理部20へ返す(図7ステップS64
a)。The case correction unit 2 that has completed the correction process in this way
8 returns to the inference processing unit 20 information indicating the corrected sales amount of "228 million yen" (step S64 in FIG. 7).
a).
【0077】他方、上記抽象タイプの照合(図7ステッ
プS62)の結果、抽象タイプが全て一致していた場合
には、抽象タイプ間ではなく、知識ベース22に予め登
録されている前記データ間修正手続に基づき、抽象タイ
プに分類される以前の情報間のデータ内容の差異に応じ
て修正を行う(図7ステップS63b)。したがってこ
の場合、事例修正部28は上述のように、推論処理部2
0に対して、上記各事例の、抽象タイプによる分類以前
の情報の送出を別途要求する。ただしこの場合であれ、
全ての入力データを用いて修正を行うわけではなく、売
上高に影響を及ぼしそうな項目のみで行う。On the other hand, as a result of the comparison of the abstract types (step S62 in FIG. 7), if all the abstract types match, the correction between the data registered in advance in the knowledge base 22 is not performed between the abstract types. Based on the procedure, correction is made according to the difference in the data content between the information before being classified into the abstract type (step S63b in FIG. 7). Therefore, in this case, the case modification unit 28, as described above, uses the inference processing unit 2
0 is separately requested to send information before classification by the abstract type in each of the above cases. However, even in this case,
We do not make corrections using all input data, but only for items that are likely to affect sales.
【0078】例えばここでは、“上記抽象タイプの全て
が一致していれば、ある一定の売上高が望めるという条
件があり、類似事例として検索された売上高の5割にお
いて、「売り場面積」と「従業員数」と「駐車場収容台
数」の3項目から所定の重みを付けて外挿計算を行う”
といったルールが、上記データ間修正手続として知識ベ
ース22に登録されているとし、またこの場合も、検索
された類似店の売上高が「2億9400万円」であると
すると、これら事例間の上記3項目に関してのデータ内
容の違いである 重み 新規店 類似店 売り場面積(平方m) 0.5 180 230 従業員数(人) 0.3 30 75 駐車場収容台数(台) 0.2 4 5 といったテーブルに基づき、 2億9400万円×0.5×{0.5×(180/230)+ 0.2×(30/75)+ 0.3×(4/5)+1} ≒2億5200万円 といったかたちで修正演算を行う。このように、この場
合の売上高の予測は、これらのデータの差異を計算し
て、検索された事例の売上高に影響の度合を加えること
により行われる。このようなデータ間修正手続による事
例修正処理の概念についても、これを図9として参考ま
でに示しておく。For example, here, there is a condition that "a certain sales amount can be expected if all of the above-mentioned abstract types are the same, and 50% of the sales amount retrieved as a similar case is" sales floor area ". Extrapolation calculation is performed with a predetermined weight from the three items of "Number of employees" and "Number of parking spaces"
It is assumed that such a rule is registered in the knowledge base 22 as the inter-data correction procedure, and in this case as well, the sales of the similar store searched is “294 million yen”. Differences in data contents regarding the above three items Weight New store Similar store Sales floor area (square meter) 0.5 180 230 Number of employees (person) 0.3 30 75 Number of parking lots (units) 0.2 4 5 Based on the table, 294 million yen x 0.5 x {0.5 x (180/230) + 0.2 x (30/75) + 0.3 x (4/5) +1} ≈ 25,200 Corrective calculation is performed in the form of ten thousand yen. As described above, the forecast of the sales amount in this case is performed by calculating the difference between these data and adding the degree of influence to the sales amount of the searched case. The concept of the case correction process by the inter-data correction procedure is also shown in FIG. 9 for reference.
【0079】事例修正部28はこの場合も、この修正し
た売上高「2億5200万円」を示す情報を推論処理部
20へ返す(図7ステップS64b)。In this case as well, the case correction section 28 returns the corrected information indicating the sales amount of "252 million yen" to the inference processing section 20 (step S64b in FIG. 7).
【0080】こうして修正処理が終了すると、その売上
高を示す情報を受け取った推論処理部20では、この修
正された売上高を、問題事例として与えられた新規店舗
の予測売上高として、上記同様出力装置2を通じて利用
者に提示し(図2ステップS7)、かつこの予測売上高
についての精度評価の要否を、同出力装置2を通じて利
用者に問う(図2ステップS8)。When the correction process is completed in this way, the inference processing unit 20 that has received the information indicating the sales amount outputs the corrected sales amount as the estimated sales amount of the new store given as the problem case, in the same manner as above. It is presented to the user through the device 2 (step S7 in FIG. 2), and the user is asked through the output device 2 whether or not the accuracy evaluation of the predicted sales amount is necessary (step S8 in FIG. 2).
【0081】この問い合わせの結果、利用者から精度評
価要求があれば、推論処理部20は更に、精度評価部2
9に対して、上記事例修正部28による修正が抽象タイ
プ間修正手続に基づいてなされたものかデータ間修正手
続に基づいてなっされたものかを示す修正履歴情報、及
び該修正履歴情報が抽象タイプ間修正手続による修正で
あった場合にはそれら抽象タイプをそれぞれを与えて、
精度評価処理を実行する(図2ステップS9)。この精
度評価部29を通じての精度評価処理については、図1
0に、その処理の詳細を示す。As a result of this inquiry, if there is a precision evaluation request from the user, the inference processing unit 20 further causes the precision evaluation unit 2
9, the modification history information indicating whether the modification by the case modification unit 28 is based on the inter-abstract type modification procedure or the inter-data modification procedure, and the modification history information is abstract. If it is a correction by the inter-type correction procedure, give each of these abstract types,
The accuracy evaluation process is executed (step S9 in FIG. 2). The accuracy evaluation process performed by the accuracy evaluation unit 29 will be described with reference to FIG.
0 shows the details of the processing.
【0082】すなわち精度評価部29では、上記修正履
歴情報を受入して(図10ステップS91)その内容を
確認する(図10ステップS92)。そしてこれが、抽
象タイプ間修正手続による修正であった場合には、評価
ベース23に予め登録されている前記所定の評価手続を
実行して、上記得られた新規店舗の予測売上高について
の信頼度を算出する(図10ステップS93)。That is, the accuracy evaluation section 29 receives the above-mentioned correction history information (step S91 in FIG. 10) and confirms its contents (step S92 in FIG. 10). If this is a correction by the inter-abstract-type correction procedure, the predetermined evaluation procedure registered in advance in the evaluation base 23 is executed to obtain the reliability of the obtained predicted sales of the new store. Is calculated (step S93 in FIG. 10).
【0083】ここでは前述のように、上記併せて送られ
る各事例の抽象タイプの差異から、その予測売上高の信
頼度を評価する。例えば上記の売上高「2億2800万
円」の例によれば、抽象タイプ項目「住民生活裕福
度」、「周辺地域状況」、「季節変動性」、「OA化の
普及度」、及び「ファミリー性」に関して、その抽象タ
イプ値が異なっているが、ここでは特に、前記重要度
(抽象タイプの重み)を考慮して、これらのうちの上位
3位にあたる「住民生活裕福度」、「周辺地域状況」、
及び「OA化の普及度」から、その評価を行うものとす
る。すなわち、 評価重み 距離の割合(比率) 住民生活裕福度 0.35 0.10(2:3) 周辺地域状況 0.40 0.15(2:4) OA化の普及度 0.25 0.15(2:4) といったテーブルに基づき、 {1−(0.35×0.10+0.40×0.15+0.2
5×0.15)}×100≒87% といったかたちで、上記新規店舗の予測売上高「2億2
800万円」についての信頼度を評価する。なおここ
で、上記テーブルにおける「評価重み」及び「距離の割
合」とはそれぞれ、こうした評価演算の精度をより高い
ものとするために予め経験的に定められた値であり、何
れも上記評価手続の一部として、評価式と共に評価ベー
ス23に予登録されているものとする。Here, as described above, the reliability of the predicted sales is evaluated from the difference in the abstract type of each case sent together. For example, according to the above-mentioned example of the sales amount of “228 million yen”, the abstract type items “richness of inhabitants' life”, “neighboring area situation”, “seasonal variability”, “degree of spread of OA”, and “ Regarding "familyness", the abstract type values are different, but here, in particular, in consideration of the importance level (weight of abstract type), "individual life wealth" and "neighborhood", which are the top three of these, are considered. Local situation ",
And "the degree of spread of OA" will be evaluated. That is, evaluation weight Distance ratio (Ratio) Wealth of residents 0.35 0.10 (2: 3) Surrounding area situation 0.40 0.15 (2: 4) OA penetration 0.25 0.15 Based on the table such as (2: 4), {1- (0.35 × 0.10 + 0.40 × 0.15 + 0.2
5 × 0.15)} × 100 ≒ 87%, and the estimated sales of the new store is “2022
The reliability of "8 million yen" is evaluated. Here, the “evaluation weight” and the “distance ratio” in the above table are values that are empirically determined in advance in order to increase the accuracy of such evaluation calculation, and both are the above evaluation procedure. As a part of the above, it is pre-registered in the evaluation base 23 together with the evaluation formula.
【0084】こうして演算結果を得た精度評価部29で
は、該演算値「87%」を示す評価データを推論処理部
20に対して返す(図10ステップS94)。The accuracy evaluation unit 29 thus obtained the operation result returns the evaluation data indicating the operation value "87%" to the inference processing unit 20 (step S94 in FIG. 10).
【0085】また、上記修正履歴情報の確認(図10ス
テップS92)の結果、これがデータ間修正手続による
修正である旨示すものであった場合には、上記評価デー
タとして「100%に近い信頼度」である旨を示すデー
タを、同推論処理部20に対して返すものとする(図1
0ステップS95)。As a result of the confirmation of the correction history information (step S92 in FIG. 10), if the correction history information indicates that the correction is performed by the inter-data correction procedure, the evaluation data "reliability close to 100%" is obtained. The data indicating that "is returned to the inference processing unit 20 (see FIG. 1).
0 step S95).
【0086】推論処理部20では、このような評価デー
タを受け取ると、これを上記新規店舗の予測売上高に併
せて、出力装置2を通じて利用者に提示する(図2ステ
ップS10)。因みに、上記の例の場合には、出力装置
2を通じて例えば 新規店舗の予測される売上高は[2億2800万円]で
す。Upon receiving such evaluation data, the inference processing section 20 presents it to the user through the output device 2 together with the estimated sales amount of the new store (step S10 in FIG. 2). By the way, in the case of the above example, the sales forecast of a new store through the output device 2 is [228 million yen].
【0087】この予測売上高の信頼度は [ 8
7% ]です。The reliability of this forecast sales is [8
7%].
【0088】といった態様にて、予測売上高、及びその
信頼度を利用者に対し提示することとなり、また、問題
事例と検索事例とでその抽象タイプが一致していた場
合、すなわち予測売上高が、上記データ間修正手続によ
って修正されたものであった場合には、同出力装置2を
通じて例えば 新規店舗の予測される売上高は[2億5200万円]で
す。In this manner, the predicted sales amount and the reliability thereof are presented to the user, and when the abstract type matches the problem case and the search case, that is, the predicted sales amount is , If the data was corrected by the above inter-data correction procedure, the expected sales of the new store through the output device 2 is [252 million yen].
【0089】この予測売上高の信頼度は [ ほぼ1
00% ]です。The reliability of this predicted sales is [almost 1
00%].
【0090】といった態様にて、予測売上高、及びその
信頼度を利用者に対し提示することとなる。In this manner, the predicted sales amount and the reliability thereof are presented to the user.
【0091】なおここでは、抽象タイプが一致した場
合、信頼度の評価計算を行わず、ほぼ100%の信頼度
と提示したが、抽象タイプから入力データへさかのぼ
り、入力データ間で評価計算を行って、更に高い信頼度
を得ることもできる。Here, when the abstract types match, the reliability evaluation calculation is not performed, and the reliability is presented as almost 100%. However, the evaluation calculation is performed between the input data and the abstract type. Therefore, higher reliability can be obtained.
【0092】このように、この実施例によれば、 ( 1)複雑な依存関係をもつ地域の情報を、これら情報間
の統計的な従属関係に基づき、これら関係する情報間で
の概念を抽象的に包括する抽象タイプとして抽出するよ
うにしたことから、特徴付けに関係する項目数を大幅に
減らすことができるようになる。As described above, according to this embodiment, (1) information on regions having complicated dependency relationships is abstracted based on the statistical dependency relationship between these information items. Since it is extracted as an abstract type that comprehensively includes, the number of items related to characterization can be significantly reduced.
【0093】( 2)またこの抽象タイプは、独立性の高い
情報として抽出されることから、この抽象タイプを用い
て事例検索をすることで、意味的に類似した事例が容易
に検索されるようになる。そしてこのため、予測精度も
向上する。(2) Further, since this abstract type is extracted as highly independent information, it is possible to easily retrieve semantically similar cases by performing case retrieval using this abstract type. become. Therefore, the prediction accuracy is also improved.
【0094】( 3)また、これら抽象タイプの一致/不一
致に応じて予測値の修正方法を変え、しかも、どの情報
に関するものが予測値に影響を及ぼしているかや、その
影響力の度合を考慮して、必要な部分だけの修正を行う
ようにしたことから、結果的に修正の効率及び精度を上
げることができる。またこれにより、予測精度も一段と
向上する。(3) In addition, the method of modifying the predicted value is changed according to the match / mismatch of these abstract types, and moreover, it is taken into consideration which information is related to the predicted value and the degree of its influence. Since only the necessary portion is corrected, the efficiency and accuracy of the correction can be improved as a result. Moreover, this also improves the prediction accuracy.
【0095】( 4)また、精度の評価処理を通じて、得ら
れた解がどの程度の確からしさで信用できるものなのか
を即座に把握することができるため、より納得のいく解
を得ることができる。(4) Further, through the accuracy evaluation process, it is possible to immediately understand how confident the obtained solution can be trusted, so that a more convincing solution can be obtained. ..
【0096】( 5)そして上記抽象タイプの抽出に際し、
過去の事例に基づき予めその分類パターンが学習された
ニューラルネットを利用するようにしたことから、過去
の事例との整合性に優れた抽象タイプを容易に抽出する
ことができる。(5) When extracting the above abstract type,
Since the neural network whose classification pattern has been learned in advance based on the past cases is used, it is possible to easily extract the abstract type having excellent consistency with the past cases.
【0097】等々、推論装置として多くの優れた効果が
得られるようになる。And so on, many excellent effects can be obtained as an inference device.
【0098】なお、この実施例では、上記事例修正処理
に際し、各事例の抽象タイプが一致していない場合に
は、これら一致していない抽象タイプのみを用いてその
予測値を修正するようにしたが、他に、データ間修正手
続によるような修正手法と組み合わせるなどして、その
修正精度を更に高いものとすることも可能である。In this embodiment, in the case correction processing, if the abstract types of the cases do not match, the predicted value is corrected by using only those abstract types that do not match. However, it is also possible to further improve the correction accuracy by combining with a correction method such as the inter-data correction procedure.
【0099】また、上記精度評価処理にしても同様に、
抽象タイプに分類される以前の情報内容の違いも併せ参
照するなどして、より信頼度の高い評価を下すようにす
ることも可能である。In the accuracy evaluation process described above, similarly,
It is also possible to make a more reliable evaluation by also referring to the difference in information content before being classified into the abstract type.
【0100】また上記の実施例では、図2に示したよう
に、事例検索処理(ステップS3)の後、及び事例修正
処理(ステップS6)の後、それぞれ修正の要否、或い
は精度評価の要否を利用者に対し問い、その要求があっ
てはじめてそれぞれその後の事例修正処理(ステップS
6)、或いは精度評価処理(ステップS9)を実行する
ようにしたが、これら利用者への問いかけ処理について
は割愛し、事例検索処理(ステップS3)の後の事例修
正処理(ステップS6)、及び事例修正処理(ステップ
S6)の後の精度評価処理(ステップS9)が、それぞ
れ自動的に実行されるようにしても勿論よい。Further, in the above embodiment, as shown in FIG. 2, after the case retrieval process (step S3) and after the case correction process (step S6), the necessity of the correction or the accuracy evaluation is required. If the user is asked whether or not there is a request, each case correction process (step S
6) or the accuracy evaluation process (step S9) is executed, but the inquiry process to these users is omitted, and the case correction process (step S6) after the case search process (step S3), and Of course, the accuracy evaluation process (step S9) after the case correction process (step S6) may be automatically executed.
【0101】もっとも、この実施例の推論装置にあって
は、抽象タイプの抽出処理を行う部分、事例検索処理を
行う部分、事例修正処理を行う部分、そして精度評価を
行う部分を全て含む構成としたことから、このように精
度評価処理までの処理を全て自動的に実行させることも
可能ではあるが、前述したように、事例検索処理を終え
た段階で既に、問題として与えられた事例に最も類似す
る過去の出店事例での実際の売上高といった興味深い値
が得られるものであり、少なくとも抽象タイプの抽出処
理を行う部分と事例検索処理を行う部分さえあれば、こ
の発明にかかる推論装置としての要件を満たすことはで
きる。In the inference apparatus of this embodiment, however, the structure including all of the abstract type extraction processing, the case retrieval processing, the case correction processing, and the accuracy evaluation is required. Therefore, although it is possible to automatically execute all the processes up to the accuracy evaluation process in this way, as described above, at the stage when the case search process is finished, the most Interesting values such as actual sales in similar past store openings can be obtained, and at least a part that performs abstract type extraction processing and case search processing can be used as an inference device according to the present invention. You can meet the requirements.
【0102】また、上記実施例では、学習されたニュー
ラルネットを利用して抽象タイプを抽出するようにした
が、地域情報や店舗情報などの入力データからこれらの
抽象タイプを抽出する方法としては他に、統計的な手法
やルールを用いる方法などもあり、このような学習手段
やニューラルネットを具える構成に限定されるものでは
ない。In the above embodiment, the learned neural nets are used to extract the abstract types. However, other methods for extracting these abstract types from the input data such as area information and store information are available. There are also statistical methods and methods that use rules, and the present invention is not limited to the configuration including such learning means and neural network.
【0103】そして勿論、この発明にかかる推論装置
は、CBR(事例ベース推論)が適用される全ての推論
システムについて適用できるものであり、その適用の対
象が、上記実施例で例示したような「売上予想システ
ム」に限られるものでもない。And, of course, the inference apparatus according to the present invention can be applied to all inference systems to which CBR (case-based inference) is applied, and the target of the application is "" as exemplified in the above embodiment. It is not limited to "sales forecast system".
【0104】[0104]
【発明の効果】以上説明したように、この発明によれ
ば、問題として与えられる複数の項目を抽象タイプとし
て包括的に分類し、また事例ベースに登録する過去の複
数の事例についても、この抽象タイプによって予め分類
し、事例検索に際しては、これら抽象タイプを単位とし
てその特徴を照合して、抽象タイプが最も類似する事例
を検索するようにしたことから、その検索事例として、
意味的にも最も類似したものを、しかも簡単に得ること
ができるようになる。このように、意味的に最も類似し
た事例を検索することができれば、それによって解析さ
れ、推論される解の精度も、自ずと高いものとなる。As described above, according to the present invention, a plurality of items given as a problem are comprehensively classified as an abstract type, and a plurality of past cases registered in a case base are also abstracted. Classifying by type in advance, when searching for cases, the features are collated using these abstract types as a unit, and the case where the abstract types are most similar is searched.
You will be able to easily obtain the most similar in terms of meaning. In this way, if it is possible to retrieve the case that is most similar in meaning, the accuracy of the solution that is analyzed and inferred by that is naturally high.
【図1】この発明にかかる推論装置の一実施例について
その全体の構成を示すブロック図である。FIG. 1 is a block diagram showing the overall configuration of an inference device according to an embodiment of the present invention.
【図2】実施例の推論装置による推論アルゴリズムの概
要を示すフローチャートである。FIG. 2 is a flowchart showing an outline of an inference algorithm by the inference apparatus of the embodiment.
【図3】実施例の推論装置の特に抽象タイプ抽出処理に
かかる処理アルゴリズムを示すフローチャートである。FIG. 3 is a flowchart showing a processing algorithm particularly related to abstract type extraction processing of the inference apparatus of the embodiment.
【図4】図1に示される学習手段を通じて学習したニュ
ーラルネットについてその概念を例示する略図である。FIG. 4 is a schematic view illustrating the concept of a neural network learned through the learning means shown in FIG.
【図5】抽象タイプ抽出処理の一例として、問題として
与えられた複数の項目間の依存関係、並びにこれら各項
目の抽象タイプによる包括関係を例示する略図である。FIG. 5 is a schematic diagram illustrating, as an example of an abstract type extraction process, a dependency relationship between a plurality of items given as a problem, and a comprehensive relationship of each of these items according to an abstract type.
【図6】実施例の推論装置の特に事例検索処理にかかる
処理アルゴリズムを示すフローチャートである。FIG. 6 is a flowchart showing a processing algorithm particularly related to case search processing of the inference apparatus of the embodiment.
【図7】実施例の推論装置の特に事例修正処理にかかる
処理アルゴリズムを示すフローチャートである。FIG. 7 is a flowchart showing a processing algorithm particularly related to case correction processing of the inference apparatus of the embodiment.
【図8】事例修正処理の一例として、検索事例と問題事
例とで抽象タイプの特徴が一致しなかった場合における
事例修正概念を例示した略図である。FIG. 8 is a schematic diagram exemplifying a case correction concept in a case where abstract type features do not match between a search case and a problem case, as an example of case correction processing.
【図9】事例修正処理の他の例として、検索事例と問題
事例とで抽象タイプの特徴が一致した場合における事例
修正概念を例示した略図である。FIG. 9 is a schematic diagram illustrating, as another example of the case modification process, a case modification concept in the case where the abstract type features of the search case and the problem case match.
【図10】実施例の推論装置の特に精度評価処理にかか
る処理アルゴリズムを示すフローチャートである。FIG. 10 is a flowchart showing a processing algorithm particularly related to accuracy evaluation processing of the inference apparatus of the embodiment.
1 入力装置 2 出力装置 10 入出力制御部 20 推論処理部 21 事例ベース 22 知識ベース 23 評価ベース 24 抽象タイプ抽出部 25 学習部 26 ニューラルネット 27 事例検索部 28 事例修正部 29 精度評価部 DESCRIPTION OF SYMBOLS 1 input device 2 output device 10 input / output control unit 20 inference processing unit 21 case base 22 knowledge base 23 evaluation base 24 abstract type extraction unit 25 learning unit 26 neural network 27 case search unit 28 case correction unit 29 accuracy evaluation unit
Claims (4)
れた問題に対し、過去の類似した事例に基づきこれを解
析して、問題の解とする情報、若しくは問題解決上有用
な情報を生成する推論装置であって、 前記与えられた問題における各情報間の統計的な従属関
係に基づいて、これら関係する情報間での概念を抽象的
に包括する新たな情報である1乃至複数の抽象タイプを
特徴として抽出する抽象タイプ抽出手段と、 過去の事例として、前記抽象タイプによって特徴付けさ
れた複数の事例が予め登録された事例ベースと、 前記問題から抽出された抽象タイプを前記事例ベースに
登録されている各事例の抽象タイプに照合しつつ、これ
ら抽象タイプが最も類似する事例を前記事例ベースから
検索する事例検索手段と、 を具え、この検索された事例に基づき前記問題の解とす
る情報、若しくは問題解決上有用な情報を生成する推論
装置。1. A problem given as a plurality of pieces of information having a dependency relationship is analyzed based on similar cases in the past to generate information as a solution to the problem or information useful for problem solving. One or more abstractions that are new information that abstractly includes the concept between the related information based on the statistical dependency between the information in the given problem. Abstract type extraction means for extracting a type as a characteristic; a case base in which a plurality of cases characterized by the abstract type are registered in advance as past cases; and an abstract type extracted from the problem as the case base. A case search means for searching the case base for the case that these abstract types are most similar to each other while matching the registered abstract type of each case. An inference device that generates information that is a solution to the problem or information that is useful for problem solving based on a case.
する情報を修正するための第1の手続、及び少なくとも
前記問題から抽出された抽象タイプと前記事例ベースか
ら検索された事例の抽象タイプとの差異に基づき、前記
生成する情報を修正するための第2の手続が予め登録さ
れた知識ベースと、 前記問題から抽出された抽象タイプと前記事例ベースか
ら検索された事例の抽象タイプとを照合し、これら抽象
タイプが一致するとき前記知識ベースに登録されている
第1の手続に基づき前記生成する情報を修正し、同抽象
タイプが一致しないとき前記知識ベースに登録されてい
る第2の手続に基づき前記生成する情報を修正する事例
修正手段と、 を更に具える推論装置。2. The inference apparatus according to claim 1, further comprising: a first procedure for correcting the generated information based on the information content given as the problem, and at least an abstract type extracted from the problem. A knowledge base in which a second procedure for correcting the generated information is registered in advance based on a difference between the abstract type of the case retrieved from the case base, the abstract type extracted from the problem, and the case When the abstract type of the case retrieved from the base is matched, and when these abstract types match, the generated information is modified based on the first procedure registered in the knowledge base, and when the abstract types do not match An inference device further comprising case correction means for correcting the generated information based on the second procedure registered in the knowledge base.
て、 少なくとも前記問題から抽出された抽象タイプと前記事
例ベースから検索された事例の抽象タイプとの差異に基
づき、前記問題の解とする情報、若しくは問題解決上有
用な情報として生成した情報の信頼度を計算するための
第3の手続が予め登録された評価ベースと、 この評価ベースに登録された第3の手続を実行して、生
成した情報の信頼度を算出する精度評価手段と、 を更に具える推論装置。3. The inference apparatus according to claim 1 or 2, wherein at least information as a solution of the problem is based on a difference between the abstract type extracted from the problem and the abstract type of the case retrieved from the case base. , Or an evaluation base in which a third procedure for calculating the reliability of information generated as useful information for problem solving is registered in advance, and the third procedure registered in this evaluation base is executed to generate the information. An inference apparatus further comprising: an accuracy evaluation unit that calculates the reliability of the obtained information.
において、 前記事例ベースに登録されている各事例の、抽象タイプ
の元となる情報内容が入力として与えられ、その分類さ
れた抽象タイプが教示データとして与えられるニューラ
ルネットを通じて、入力として与えられる情報内容に対
応する抽象タイプの分類パターンを学習する学習手段、 を更に具え、前記抽象タイプ抽出手段は、この学習手段
による学習結果に応じて前記抽象タイプを抽出する推論
装置。4. The inference device according to claim 1, 2 or 3, wherein the information content as the source of the abstract type of each case registered in the case base is given as an input, and the classified abstract type Further comprises learning means for learning an abstract type classification pattern corresponding to the information content given as an input through a neural network given as teaching data, wherein the abstract type extracting means responds to the learning result by the learning means. An inference device that extracts the abstract type.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP3312792A JPH05150989A (en) | 1991-11-27 | 1991-11-27 | Inference device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP3312792A JPH05150989A (en) | 1991-11-27 | 1991-11-27 | Inference device |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH05150989A true JPH05150989A (en) | 1993-06-18 |
Family
ID=18033465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP3312792A Pending JPH05150989A (en) | 1991-11-27 | 1991-11-27 | Inference device |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH05150989A (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5761387A (en) * | 1994-09-12 | 1998-06-02 | Fuji Xerox Co., Ltd. | System controller |
US5822204A (en) * | 1995-04-06 | 1998-10-13 | Fuji Xerox Co., Ltd. | System control based on control cases and using optimization rules |
-
1991
- 1991-11-27 JP JP3312792A patent/JPH05150989A/en active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5761387A (en) * | 1994-09-12 | 1998-06-02 | Fuji Xerox Co., Ltd. | System controller |
US5822204A (en) * | 1995-04-06 | 1998-10-13 | Fuji Xerox Co., Ltd. | System control based on control cases and using optimization rules |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Brazdil et al. | Characterizing the applicability of classification algorithms using meta-level learning | |
Khan et al. | Interval‐valued Pythagorean fuzzy GRA method for multiple‐attribute decision making with incomplete weight information | |
El-Sawalhi et al. | Contractor pre-qualification model: State-of-the-art | |
Li et al. | A study of project selection and feature weighting for analogy based software cost estimation | |
Mendoza et al. | Forest planning and decision making under fuzzy environments: an overview and illustration | |
Kim et al. | A hybrid conceptual cost estimating model for large building projects | |
Mimis et al. | Property valuation with artificial neural network: the case of Athens | |
JP2002092305A (en) | Score calculating method, and score providing method | |
Kan | Residential mobility with job location uncertainty | |
KR102290132B1 (en) | Apparatus and method to predict real estate prices | |
Hauck et al. | Performance assessment in the context of multiple objectives: A multivariate multilevel analysis | |
Lestari et al. | Technique for order preference by similarity to ideal solution as decision support method for determining employee performance of sales section | |
CN110837939A (en) | Power grid multi-target project screening method and system | |
CN111144721A (en) | Power grid project demand evaluation model construction method and device and computing equipment | |
Huang et al. | Research of data mining and web technology in university discipline construction decision support system based on MVC model | |
Xu et al. | A class of multiobjective linear programming models with random rough coefficients | |
CN110633401A (en) | Prediction model of store data and establishment method thereof | |
KR20220124301A (en) | Device, method and program that predicts diseases caused by abnormal symptoms of companion animals based on AI | |
Zhong et al. | Reliability-based multi-attribute large group decision making under probabilistic linguistic environment | |
KR20070097939A (en) | Method for providing real estate information using client/server and computer readable medium for storing program performing the same | |
Yet et al. | Estimating criteria weight distributions in multiple criteria decision making: a Bayesian approach | |
JPH05150989A (en) | Inference device | |
CN116956702A (en) | Electricity safety early warning method, medium and system | |
Janjua et al. | Defining the relative contribution of health care environmental components to patient outcomes in the model of 30-day readmission after coronary artery bypass graft (CABG) | |
CN113537759B (en) | Weight self-adaption-based user experience measurement model |