JPH06332881A - Pattern recognizing inference device - Google Patents
Pattern recognizing inference deviceInfo
- Publication number
- JPH06332881A JPH06332881A JP12590793A JP12590793A JPH06332881A JP H06332881 A JPH06332881 A JP H06332881A JP 12590793 A JP12590793 A JP 12590793A JP 12590793 A JP12590793 A JP 12590793A JP H06332881 A JPH06332881 A JP H06332881A
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- data
- inference
- unit
- input
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
【０００１】[0001]
【産業上の利用分野】本発明は、小売業のＰＯＳデータ
ベースをはじめとする、各種の大量のデータを対象と
し、そのデータに内在する性質を導き出し、その性質を
用いて新たなデータに対して推論を行なう推論装置に関
する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention is intended for a large amount of various data including a POS database of a retail business, derives inherent properties of the data, and uses the properties to create new data. The present invention relates to an inference device that performs inference.
【０００２】[0002]
【従来の技術】小売業におけるＰＯＳシステムの売上等
のデータを貯えたデータベースを始めとして、最近では
多くのデータがデータベースとして蓄積されるようにな
ってきている。扱われるデータは、観測データ、信用調
査データ、機械の状態を表すデータ、故障記録データな
ど様々である。これらのデータは日に日に、その増え方
も上昇してきており、企業などでは有効に活用したい一
種の資産と見られるようになってきている。しかし、残
念ながら、こうしたデータを有効に活用している所は決
して多くなく、データの保持管理だけでも大きな負担と
なっている場合が多い。2. Description of the Related Art Recently, a lot of data has been accumulated as a database including a database that stores data such as sales of POS systems in the retail industry. Data handled include various data such as observation data, credit check data, machine status data, and failure record data. The amount of these data is increasing day by day, and it is becoming seen as a kind of asset that companies and others want to effectively utilize. However, unfortunately, there are not many places where such data are effectively used, and it is often a heavy burden just to maintain and manage the data.
【０００３】こうした状況に対して、人工知能の機械学
習分野で研究されてきた成果を応用して、これらのデー
タから有効な知識を発見して業務などに生かす装置が考
えられ始めている。ただし、機械学習分野と違って対象
とするデータが大量であり、しかも実データであるため
にノイズが乗っていたり抜けがあったりするため、まだ
十分な手法が確立しているわけではない。To such a situation, a device for applying the results of research in the field of machine learning of artificial intelligence to discover effective knowledge from these data and making use of it in business is beginning to be considered. However, unlike the machine learning field, there is a large amount of target data, and since it is real data, noise is added or missing, so a sufficient method is not yet established.
【０００４】この種、情報処理装置での一般的なプロセ
スとしては、大量のデータに対して、それをいくつかの
グループに分けてくれるクラスタリングのプロセスと、
そのクラスタリングした結果に対して一般化や特徴化を
行なって、どういうグループであるかを要約するプロセ
スがある。これにより、新たなデータがどのグループに
属するものであるかが容易に分かるようになり、診断や
予測などに応用が可能になる。As a general process in this kind of information processing apparatus, a clustering process for dividing a large amount of data into several groups,
There is a process of generalizing or characterizing the clustered result to summarize what kind of group it is. As a result, it becomes possible to easily know which group the new data belongs to, and it can be applied to diagnosis, prediction, and the like.
【０００５】例えば、翌日の天気を予測しようとする場
合、毎日の天候データに対して翌日の天気が晴れだった
か、曇りだったか、雨だったかで分類し、翌日の天気が
晴れであるようなグループについては、どのような天候
データであるかを要約する。For example, when trying to predict the weather of the next day, the weather data of the next day is classified according to whether the weather of the next day is sunny, cloudy, or rainy, and the weather of the next day is clear. For groups, summarize what the weather data is.
【０００６】それにより、翌日の天気が晴れであるのは
どのような天候データのときであるかがわかることとな
る。これがわかると、新たな天候データの入力に対し
て、そのデータがどのグループに属するかを判断すれば
翌日の天気を予測することになる。翌日の天気が晴れで
あるようなデータグループに属すると判断すれば、翌日
の天気は晴れであると予測するわけである。This makes it possible to know what kind of weather data the next day's weather is sunny. When this is understood, the weather of the next day will be predicted by inputting new weather data and determining which group the data belongs to. If it is determined that the next day's weather belongs to a data group in which the weather is fine, the next day's weather is predicted to be fine.
【０００７】ここで示した例の場合、クラスタリングの
プロセスは、人間が「晴れ」「曇り」「雨」のグループ
に分けてしまっていると考えることができる。そして、
あるグループのデータを要約するには、例えばＩＤ３ア
ルゴリズムを用いることができる。In the case of the example shown here, the process of clustering can be thought of as human beings being divided into "clear", "cloudy" and "rainy" groups. And
To summarize a group of data, for example, the ID3 algorithm can be used.
【０００８】ところが、こうしたプロセスを可能にする
情報処理装置では、数値のような連続的な値を取る項目
についての予測を行なうことが難しいという欠点があ
る。例えば、前述した天気の例で翌日の気温を予測しよ
うとすると、気温に応じて非常に細かくグループ分けを
しなくてはならないことになる。あるいは、１０度から
２０度、２０度から３０度といった、範囲を持った予測
しかできないといった問題が出てくる。However, an information processing apparatus that enables such a process has a drawback in that it is difficult to predict an item having a continuous value such as a numerical value. For example, if the temperature of the next day is to be predicted in the case of the above-mentioned weather, it is necessary to make a very fine grouping according to the temperature. Alternatively, there arises a problem that only a prediction having a range such as 10 to 20 degrees and 20 to 30 degrees can be performed.
【０００９】一方、株価のような時系列データを対象と
して、予測を行なうというシステムもある。これらのシ
ステムでは、時系列データの動向の特徴をルールなどの
形式に組み込んでおき、新たなデータ系列がどのルール
に合うかを調べて、そのルールをもとに予測を行なうこ
とを基本としている。On the other hand, there is also a system for forecasting time series data such as stock prices. In these systems, the characteristics of the trend of time series data are incorporated into a format such as a rule, the rule that the new data series matches is checked, and the prediction is based on the rule. .
【００１０】ところが、この方法では、対象とする時系
列データの動き方の特徴が分かっていなければならない
という問題がある。すなわち、そのデータ系列のデータ
の動き方の性質についてよく知っている人がいないとシ
ステムを構築するのは非常に困難となっている。However, this method has a problem that the characteristics of the movement of the target time series data must be known. That is, it is very difficult to construct a system unless there is a person who knows the nature of how the data in the data series moves.
【００１１】[0011]
【発明が解決しようとする課題】このように従来では、
離散的な値の項目に対しては、人間がデータのグループ
分けをし、例えばＩＤ３アルゴリズムなどで要約をし
て、それにより生成される決定木を用いて新たなデータ
に対して推論することが出来たが、数値のような連続的
な値を取る項目にはそのままでは応用が難しいという問
題点があった。As described above, in the prior art,
For items with discrete values, humans can group data, summarize it with, for example, the ID3 algorithm, and infer new data using the decision tree generated by it. I was able to do it, but there was a problem that it was difficult to apply it to items that take continuous values such as numbers.
【００１２】また、逆に連続的な値を取る項目について
予測などの推論を行なう場合には、予め知識をルール、
またはプログラムとして生成しておかなければならない
といった問題点があった。On the contrary, when making inferences such as predictions for items that take continuous values, knowledge is preliminarily ruled,
There was also a problem that it had to be generated as a program.
【００１３】本発明はこのような事情を考慮してなされ
たものであり、その目的とするところは、大量のデータ
を自動的に解析して、その性質を自動的に抽出し、数値
のような連続的な値を新たなデータについて、予測など
の推論を可能にするパターン認識型推論装置を提供する
ことである。The present invention has been made in consideration of such circumstances, and its object is to automatically analyze a large amount of data and automatically extract its properties to obtain numerical values. Another object of the present invention is to provide a pattern recognition type inference device that enables inference such as prediction of new continuous data.
【００１４】[0014]
【課題を解決するための手段】本発明は、蓄積されたデ
ータから少なくとも１つのパターンを抽出するパターン
抽出手段と、前記パターン抽出手段によって抽出された
パターンを特徴化するパターン特徴化手段と、推論の対
象となるデータを入力する推論用データ入力手段と、前
記パターン特徴化手段によって特徴化されたパターンを
もとに、前記推論用データ入力手段によって入力された
データが、前記パターン抽出手段によって抽出されたパ
ターンの何れに属するかを認識する認識手段と、前記認
識手段により認識された該当するパターンと、前記推論
用データ入力手段によって入力されたデータに基づくパ
ターンとの整合性を調整する認識結果調整手段と、前記
認識結果調整手段によって調整された結果を出力する出
力手段とを具備することを特徴とする。According to the present invention, there is provided a pattern extracting means for extracting at least one pattern from accumulated data, a pattern characterizing means for characterizing the pattern extracted by the pattern extracting means, and inference. The data input by the inference data input means is extracted by the pattern extraction means on the basis of the inference data input means for inputting the target data and the pattern characterized by the pattern characterizing means. Recognition means for recognizing which of the recognized patterns it belongs to, a recognition result for adjusting the consistency between the corresponding pattern recognized by the recognition means, and the pattern based on the data input by the inference data input means. It comprises an adjusting means and an output means for outputting the result adjusted by the recognition result adjusting means. It is characterized in.
【００１５】[0015]
【作用】このような構成によれば、過去に蓄積された大
量のデータについて特徴を表わすパターンを知識として
抽出し、新たな状況を示すデータに対して、特徴を表わ
すパターンをもとに予測が行なわれる。特徴を表わすパ
ターンを用い、パターン認識によって入力データの特徴
を判別するので、数値のような連続的に変化するデータ
についても予測などの推論が可能となる。According to such a configuration, a pattern representing a feature is extracted as knowledge from a large amount of data accumulated in the past, and prediction can be performed on the data indicating a new situation based on the pattern representing the feature. Done. Since the features of the input data are discriminated by pattern recognition using patterns representing the features, it is possible to make inferences such as predictions even for continuously changing data such as numerical values.
【００１６】[0016]
【実施例】以下、図面を参照して本発明の一実施例につ
いて説明する。本実施例では、複数の商品の過去の売上
データ（学習用データ）からパターンを抽出し、そのパ
ターンに基づいて商品の今後の売上動向を予想する場合
を例にして説明する。図１は本実施例に係わるパターン
認識型推論装置の概略構成を示すブロック図である。DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS An embodiment of the present invention will be described below with reference to the drawings. In the present embodiment, a case will be described as an example where patterns are extracted from past sales data (learning data) of a plurality of products, and future sales trends of the products are predicted based on the patterns. FIG. 1 is a block diagram showing the schematic arrangement of a pattern recognition type inference apparatus according to this embodiment.
【００１７】図１に示すように、本実施例のパターン認
識型推論装置は、制御指示入力部１０、パターン抽出部
１２、学習用データベース１４、パターン抽出結果保持
部１６、パターン特徴化部１８、パターン特徴保持部２
０、推論用データ入力部２２、推論用データベース２
４、出入力表示部２６、パターン認識部２８、及び認識
結果調整部３０によって構成されている。As shown in FIG. 1, the pattern recognition type inference apparatus of this embodiment has a control instruction input unit 10, a pattern extraction unit 12, a learning database 14, a pattern extraction result holding unit 16, a pattern characterizing unit 18, Pattern feature holding unit 2
0, inference data input unit 22, inference database 2
4, an input / output display unit 26, a pattern recognition unit 28, and a recognition result adjustment unit 30.
【００１８】制御指示入力部１０は、システム全体の動
作を制御するものであり、各機能部に対して制御指示を
与える。パターン抽出部１２は、制御指示入力部１０か
らの制御指示によって起動され、学習用データベース１
４に蓄積されたデータを読み込んでデータからパターン
を抽出し、パターン抽出結果保持部１６にパターンデー
タとして保持する。学習用データベース１４は、今後の
予想を行なうもとになる過去の売上データを蓄積するた
めのものである。The control instruction input unit 10 controls the operation of the entire system and gives a control instruction to each functional unit. The pattern extraction unit 12 is activated by the control instruction from the control instruction input unit 10, and the learning database 1
The data stored in 4 is read, a pattern is extracted from the data, and the pattern extraction result holding unit 16 holds the pattern data. The learning database 14 is for accumulating past sales data, which is a basis for making future predictions.
【００１９】パターン特徴化部１８は、パターン抽出結
果保持部１６に保持されたパターンデータを読み込ん
で、各パターンの内容を要約・特徴化してパターン特徴
保持部２０に保持する。以上が、学習用データ（過去の
売上データ）についてのパターンの抽出・学習を行なう
処理部である。The pattern characterizing section 18 reads the pattern data held in the pattern extraction result holding section 16, summarizes and characterizes the contents of each pattern, and holds the pattern characteristic holding section 20. The above is the processing unit for extracting / learning patterns for learning data (past sales data).
【００２０】推論用データ入力部２２は、制御指示入力
部１０からの制御指示によって起動され、推論の対象と
なる入力データ（推論用データ）を推論用データベース
２４から読み込むものである。推論用データ入力部２２
によって読み込まれたデータは、パターン認識部２８に
おける処理対象データとなると共に、出力表示部２６の
表示処理に供されて表示される。The inference data input unit 22 is activated by a control instruction from the control instruction input unit 10 and reads input data (inference data) to be inferred from the inference database 24. Inference data input unit 22
The data read by becomes the processing target data in the pattern recognition unit 28, and is subjected to the display processing of the output display unit 26 and displayed.
【００２１】パターン認識部２８は、制御指示入力部１
０からの制御指示によって起動され、推論用データ入力
部２２によって入力された推論用データについて、学習
して得られているパターンの何れに該当するか認識する
ものである。The pattern recognition section 28 is a control instruction input section 1
It is activated by a control instruction from 0 and recognizes which of the learned patterns the inference data input by the inference data input unit 22 corresponds to.
【００２２】認識結果調整部３０は、パターン認識部２
８によって認識された該当パターンと、推論用データ
（入力データ）との不整合を調整するものである。出力
表示部２６は、図示せぬ表示装置の表示制御を行なうも
ので、推論用データに基づく入力パターンや、認識結果
調整部３０によって調整された入力パターンに対応する
推論結果を表わすパターン等を表示する。The recognition result adjusting unit 30 includes a pattern recognition unit 2
It adjusts the inconsistency between the corresponding pattern recognized by 8 and the inference data (input data). The output display unit 26 controls the display of a display device (not shown), and displays an input pattern based on the inference data, a pattern representing the inference result corresponding to the input pattern adjusted by the recognition result adjustment unit 30, and the like. To do.
【００２３】次に、利用者から見たパターン認識型推論
装置の動作について説明する。図２は本発明を用いて実
現されるパターン認識型推論装置の利用画面例を表わし
ている。装置が起動されると、図２に示すように、表示
画面中に制御指示入力ウインドウ４０が表示される。制
御指示入力ウインドウ４０には、「パターン学習」４
１、「推論用データ入力」４２、「推論」４３の３つの
ボタンがあり、「パターン学習」ボタン右側には「パタ
ーン抽出」「パターン特徴化」「学習終了」という３つ
の内部状況表示枠４４がある。Next, the operation of the pattern recognition type inference apparatus viewed from the user will be described. FIG. 2 shows an example of a screen used by the pattern recognition type inference apparatus realized by using the present invention. When the device is activated, a control instruction input window 40 is displayed on the display screen as shown in FIG. In the control instruction input window 40, “pattern learning” 4
There are three buttons, 1, "inference data input" 42, and "inference" 43, and three internal status display frames 44, "Pattern extraction", "Pattern characterization", and "Learning end", on the right side of the "Pattern learning" button There is.
【００２４】まず利用者が「パターン学習」ボタン４１
をマウスでクリックすると、内部状況表示枠４４内の
「パターン抽出」という枠が例えば全体に赤く明るくな
り、パターン抽出中であることが示される。しばらくす
ると「パターン抽出」という枠は暗くなり、代わって
「パターン特徴化」の枠が赤く明るくなってパターン特
徴化を行なっていることが示される。さらに、少し経過
すると「学習終了」という枠が赤くなってパターン学習
が終了したことが示される。First, the user inputs a "pattern learning" button 41.
When is clicked with the mouse, the frame “Pattern extraction” in the internal status display frame 44 becomes, for example, entirely red and bright, indicating that pattern extraction is in progress. After a while, the frame of “pattern extraction” becomes dark, and instead, the frame of “pattern characterization” becomes red and bright, indicating that pattern characterization is being performed. Further, after a short period of time, the frame "learning completed" turns red, indicating that the pattern learning is completed.
【００２５】ここで、利用者が「推論用データ入力」ボ
タン４２をクリックすると、売上動向を予想したい商品
のデータが読み込まれ、図３に示すように、出力表示ウ
インドウ４６が表示される。出力表示ウインドウ４６中
には、縦軸に売上金額、横軸に日付をとったグラフが表
示され、入力データとして１月、２月分のデータが実線
で表示される。When the user clicks the "input data for inference" button 42, the data of the product for which sales trends are to be predicted is read, and the output display window 46 is displayed as shown in FIG. In the output display window 46, a graph with the amount of sales on the vertical axis and the date on the horizontal axis is displayed, and data for January and February are displayed as solid lines as input data.
【００２６】ここで、利用者が制御指示入力ウインドウ
４０の「推論」ボタン４３をクリックすると、当該商品
の売上動向が推論予想されて、出力表示ウインドウ４６
中に点線で表示される（図３に示す状態）。これによ
り、利用者は当該商品の今後の売上動向の予想を知るこ
とができる。When the user clicks the "inference" button 43 of the control instruction input window 40, the sales trend of the product is inferred and predicted, and the output display window 46 is displayed.
It is indicated by a dotted line inside (the state shown in FIG. 3). This allows the user to know the forecast of future sales trends of the product.
【００２７】次に、本実施例におけるパターン認識型推
論装置の動作について説明する。制御指示入力部１０
は、図２に示す制御指示入力ウインドウ４０を介して入
力された指示に応じて動作する。はじめに「パターン学
習」ボタン４１がクリックされると、制御指示入力部１
０は、パターン抽出部１２へ起動指示を与える。Next, the operation of the pattern recognition type inference apparatus in this embodiment will be described. Control instruction input unit 10
Operates according to an instruction input through the control instruction input window 40 shown in FIG. First, when the "pattern learning" button 41 is clicked, the control instruction input unit 1
0 gives a start instruction to the pattern extraction unit 12.
【００２８】パターン抽出部１２は、学習用データベー
ス１４に蓄積されたデータを読み込んでデータ中のパタ
ーンを抽出する処理を開始する。学習用データベース１
４には、パターンが抽出される学習用データ、すなわち
過去の売上データが蓄積されている。本実施例では、商
品毎に別々の売上データファイルがあり、各ファイルに
は、図４に示すように、各商品について毎日の売上金額
が１年分記述されているものとする。この売上データ
は、通常の関係データベースやスプレッドシートによっ
て登録されたデータから、対象とするフィールドのデー
タだけを取り出すことにより取得できる。The pattern extraction unit 12 reads the data accumulated in the learning database 14 and starts the process of extracting the pattern in the data. Database for learning 1
In 4, data for learning from which patterns are extracted, that is, past sales data is accumulated. In this embodiment, there is a separate sales data file for each product, and each file describes the daily sales amount for each product for one year, as shown in FIG. This sales data can be acquired by extracting only the data of the target field from the data registered by a normal relational database or spreadsheet.
【００２９】学習用データベース１４のデータ内容をグ
ラフに表したのが図５である。図５では、横軸を日付、
縦軸を売上金額に取り、１年間の１つの商品の売上動向
が一本の線で表現されている。ここでは、商品Ａから商
品Ｅまでの５つの商品についての売上動向が表現されて
いる。FIG. 5 is a graph showing the data contents of the learning database 14. In Figure 5, the horizontal axis is the date,
Taking the amount of sales on the vertical axis, the sales trend of one product for one year is represented by one line. Here, the sales trends of five products from product A to product E are expressed.
【００３０】パターン抽出部１２は、制御指示入力部１
０からの指示に応じて、図６のフローチャートに示す手
順に従ってパターンを抽出する。まず、パターン抽出部
１２は、学習用データベース１４から処理対象とするデ
ータファイルを読み込み（ステップＡ１）、クラスタリ
ング分析手法を用いて商品をいくつかのクラスタに分け
る（ステップＡ２）。The pattern extraction unit 12 is a control instruction input unit 1
In response to an instruction from 0, the pattern is extracted according to the procedure shown in the flowchart of FIG. First, the pattern extraction unit 12 reads a data file to be processed from the learning database 14 (step A1) and divides the product into some clusters by using a clustering analysis method (step A2).
【００３１】パターン抽出部１２は、ステップＡ２にお
けるクラスタリング分析を次のようにして行なう。パタ
ーン抽出部１２は、１つの商品についての３６５日分の
売上データを、３６５次元のデータとして捉え、１つの
商品を３６５次元空間中の１点として捉える。すると３
６５次元の空間の中に商品の数だけの点があることにな
り、これらの点をいくつかのクラスタに分割することが
できる。従って、３６５次元空間の中で距離の近い点が
まとめることができ、図５のグラフで売上金額が近い商
品がまとめられることになる。すなわち、商品Ａと商品
Ｂ、商品Ｃと商品Ｄ、商品Ｅという３つのクラスタに分
けることができる。The pattern extraction unit 12 performs the clustering analysis in step A2 as follows. The pattern extraction unit 12 regards 365 days worth of sales data for one product as 365-dimensional data, and one product as one point in a 365-dimensional space. Then 3
There will be as many points as there are items in the 65-dimensional space, and these points can be divided into clusters. Therefore, points with close distances can be put together in the 365-dimensional space, and products with close sales amounts can be put together in the graph of FIG. That is, it can be divided into three clusters, that is, product A and product B, product C and product D, and product E.
【００３２】こうして商品がいくつかのクラスタに分け
られたら、パターン抽出部１２は、ステップＡ２におい
て得られた各クラスタについて平均を取ってパターンと
する（ステップＡ３）。When the merchandise is divided into several clusters in this way, the pattern extraction unit 12 takes the average of each cluster obtained in step A2 to obtain a pattern (step A3).
【００３３】各クラスタについての平均は、例えば商品
Ａと商品Ｂから成るクラスタに対しての場合、各日毎に
商品Ａの売上金額と商品Ｂの売上金額の平均値を取ると
いうことによって求める。これをグラフ表示したものが
図７である。The average for each cluster is obtained by taking the average value of the sales amount of the product A and the sales amount of the product B for each day in the case of a cluster composed of the products A and B, for example. A graphical representation of this is shown in FIG.
【００３４】図７においては、商品Ａと商品Ｂの各日の
売上金額を日毎に平均した売上金額の変化を、そのクラ
スタを代表するパターンＡＡとして表している。同様に
して、パターンＢＢ、パターンＣＣが求められる。パタ
ーン抽出部１２は、求められた各パターンのパターンデ
ータをパターン抽出結果保持部１６に保持させる（ステ
ップＡ４）。この結果、パターン抽出結果保持部１６
は、例えばパターンＡＡについては、図８のような形式
のデータがパターンデータとして保持される。In FIG. 7, a change in sales amount obtained by averaging the sales amounts of the products A and B on each day is shown as a pattern AA representing the cluster. Similarly, the pattern BB and the pattern CC are obtained. The pattern extraction unit 12 causes the pattern extraction result holding unit 16 to hold the obtained pattern data of each pattern (step A4). As a result, the pattern extraction result holding unit 16
For example, for the pattern AA, data in the format as shown in FIG. 8 is held as pattern data.
【００３５】パターン抽出部１２によるパターン抽出が
終了すると、パターン特徴化部１８が起動される。パタ
ーン特徴化部１８は、パターン抽出結果保持部１６に保
持された各パターンの要約・特徴化を行なう。ここでは
１年分のデータのうち、始めの２ヵ月分のデータのみを
取り出し、そのパターンを代表させることによって実現
するものとする。従って、パターン特徴保持部２０に
は、図９に示すように、１月と２月のデータが保持され
ることになる。When the pattern extraction unit 12 completes the pattern extraction, the pattern characterizing unit 18 is activated. The pattern characterizing unit 18 summarizes and characterizes each pattern held in the pattern extraction result holding unit 16. Here, it is assumed that only the data for the first two months out of the data for one year is extracted and the pattern is represented. Therefore, as shown in FIG. 9, the pattern feature storage unit 20 stores data for January and February.
【００３６】学習が終了すると推論が可能となる。ここ
で、「推論用データ入力」ボタン４２がクリックされる
と推論用データ入力部２２へ起動指示がなされ、「推
論」ボタン４３がクリックされるとパターン認識部２８
への起動指示がなされる。When learning is completed, inference can be performed. Here, when the "inference data input" button 42 is clicked, a start instruction is given to the inference data input unit 22, and when the "inference" button 43 is clicked, the pattern recognition unit 28
Is issued to start.
【００３７】推論用データベース２４には、学習用デー
タベース１４と同様な形式で、売上動向を予想したい商
品についての現在までのデータが入っている。推論用デ
ータ入力部２２は、推論用データベース２４から、パタ
ーン特徴化部１８による特徴化によって得られた結果を
使ってパターン認識するのに必要なデータを取り出す。
ここでは、２ヵ月分のデータが取り出される。必要なデ
ータは、パターン特徴化部１８がどのような特徴化を行
なうかに応じて決定される。本実施例の場合、図１０に
示すようなデータが取り出されたものとする。The inference database 24 contains data up to the present regarding products for which sales trends are to be predicted, in the same format as the learning database 14. The inference data input unit 22 extracts data necessary for pattern recognition from the inference database 24 using the result obtained by the characterization by the pattern characterization unit 18.
Here, two months worth of data is retrieved. The required data is determined according to what kind of characterization the pattern characterization unit 18 performs. In the case of the present embodiment, it is assumed that the data shown in FIG. 10 has been extracted.
【００３８】パターン認識部２８は、推論用データ入力
部２２によって取り出されたデータについて、パターン
抽出結果保持部１６に保持されたパターンの何れに分類
できるかを、パターン特徴保持部２０に保持されたデー
タを用いてパターン認識することにより判別する。The pattern recognition section 28 holds in the pattern feature holding section 20 which of the patterns held in the pattern extraction result holding section 16 the data extracted by the inference data input section 22 can be classified. It is determined by recognizing the pattern using the data.
【００３９】パターン認識部２８は、例えば入力データ
２ヵ月分によるパターンと、パターン特徴保持部２０に
保持されている１つのパターンデータ２ヵ月分のパター
ンについて、日々の売上金額の差の２乗の和を取るとい
う方法で、２つのパターンの「距離」を計算する。この
計算をパターン特徴保持部２０に保持されている全ての
パターンに対して行ない、その結果から最も「距離」の
短いパターンを選択することでパターン認識が実現でき
る。The pattern recognition unit 28, for example, calculates the square of the difference in the daily sales amount between the pattern of two months of input data and the pattern of one pattern data stored in the pattern feature storage unit 20 for two months. The "distance" between the two patterns is calculated by taking the sum. This calculation is performed for all the patterns held in the pattern feature holding unit 20, and the pattern recognition can be realized by selecting the pattern with the shortest "distance" from the results.
【００４０】このパターン認識の結果、入力データが、
例えばパターンＢＢに分類されることが判別され場合
に、パターン抽出結果保持部１６からパターンＢＢのデ
ータを読出して出力すれば今後の売上動向予想となる。
しかし、パターンＢＢであると判別しても、パターン抽
出結果保持部１６に入っているデータは、平均を取った
代表的な値であるので、推論対象とする入力データに即
しているわけではない。そのままでは、予想を示す点線
によるパターン（図３の出力表示ウィンドウ中）は、入
力データを示す実線によるパターンと不連続的・不自然
な接続になってしまう。認識結果調整部３０は、それら
不整合の調整を行なう。As a result of this pattern recognition, the input data is
For example, when it is determined that the pattern BB is classified into the pattern BB, if the data of the pattern BB is read out from the pattern extraction result holding unit 16 and output, it becomes a future sales trend forecast.
However, even if it is determined that it is the pattern BB, the data stored in the pattern extraction result holding unit 16 is a representative value obtained by averaging, so that it does not match the input data to be inferred. Absent. As it is, the pattern by the dotted line indicating the prediction (in the output display window of FIG. 3) becomes discontinuous / unnatural connection with the pattern by the solid line indicating the input data. The recognition result adjustment unit 30 adjusts these inconsistencies.
【００４１】認識結果調整部３０は、図１１に示すフロ
ーチャートの手順に従って、パターンＢＢのデータを調
整して予想データを作成する。認識結果調整部３０は、
推論対象の入力データの平均値ｍ−inを求め（ステップ
Ｂ１）、さらにパターン特徴保持部２０に保持されてい
るデータ（ここでは３か月分）の平均値ｍ−patternを
求める（ステップＢ３）。認識結果調整部３０は、両者
の比α（α＝ｍ−in／ｍ−pattern ）を求める（ステッ
プＢ３）。最後に認識結果調整部３０は、αをパターン
抽出結果保持部１６に保持されているパターンＢＢの全
データに掛けて予想データとする（ステップＢ４）。こ
の結果、予想パターンが入力データに即して調整され、
最終的な推論結果とすることができる。The recognition result adjusting unit 30 adjusts the data of the pattern BB and creates the predicted data according to the procedure of the flowchart shown in FIG. The recognition result adjustment unit 30
The average value m-in of the input data to be inferred is calculated (step B1), and the average value m-pattern of the data (here, three months) held in the pattern feature holding unit 20 is calculated (step B3). . The recognition result adjustment unit 30 obtains the ratio α (α = m-in / m-pattern) of the two (step B3). Finally, the recognition result adjusting unit 30 multiplies all the data of the pattern BB held in the pattern extraction result holding unit 16 by α to obtain the predicted data (step B4). As a result, the expected pattern is adjusted according to the input data,
It can be the final inference result.
【００４２】出力表示部２６は、認識結果調整部３０に
よって調整された推論結果を表わすパターンを、図３に
示すように、例えば点線によって出力表示ウィンドウ４
６内に表示させる。The output display unit 26 displays the pattern representing the inference result adjusted by the recognition result adjustment unit 30 as shown in FIG.
Display within 6
【００４３】このようにして、例えば過去の売上データ
ベース（学習用データベース１４）から自動的にデータ
の持つ性質を調べてパターン特徴として保持しておくの
で、そのデータに内在する性質などが分かっていなくて
も、現在の商品の売上について一部の推論用データを与
えることで、該当するパターン特徴が判別され、今後の
売上動向を予想を提示することが可能になる。In this manner, for example, the characteristics of the data are automatically checked from the past sales database (learning database 14) and stored as pattern features, so that the characteristics inherent in the data are unknown. However, by giving a part of the inference data about the current sales of the product, it is possible to identify the corresponding pattern feature and present a forecast of future sales trends.
【００４４】一般に、売上データの記録は、保持してい
るだけでもコストのかかることであり、何らかの利用が
期待されるものであるが、実際には効果的な利用方法が
なく、無駄なコストを要していた。本発明のパターン認
識型推論装置を用いれば、大量の連続する数値データで
ある売上データの記録を有効に利用し、自動的に売上デ
ータを解析して商品の今後についての売上動向を予想す
ることができるようになり、発注方針の決定に参考にす
るなど多大の効果が期待できる。In general, recording sales data is costly even if it is held, and it is expected to be used in some way. However, in reality, there is no effective use method and wasteful cost is saved. I needed it. By using the pattern recognition type inference apparatus of the present invention, it is possible to effectively use the recording of sales data, which is a large amount of continuous numerical data, and automatically analyze the sales data to predict future sales trends of the product. It will be possible to expect great effects such as referencing when deciding the ordering policy.
【００４５】また、推論のもとになる知識（パターン特
徴）をルールやプログラムとして与える必要がないの
で、対象とするデータ系列のデータの動き方の性質につ
いて熟知している必要も特になく、連続的な値を取るデ
ータについての推論が可能になる。Further, since it is not necessary to give knowledge (pattern characteristics) as a basis of inference as rules or programs, it is not necessary to have a thorough knowledge of the nature of the movement of the data of the target data series, and continuous knowledge is required. It is possible to make inferences about the data that has a typical value.
【００４６】なお、前記本実施例においては、商品の売
上データを例にした説明したが、本発明はこれに限るも
のではない。例えば、市場における価格動向、天候にお
ける気温や降水量など、連続的な数値データが大量に記
録されるものであれば、何にでも応用できるものであ
る。In the present embodiment, the sales data of merchandise has been described as an example, but the present invention is not limited to this. For example, the present invention can be applied to anything that records a large amount of continuous numerical data such as price trends in the market, temperature and precipitation in weather.
【００４７】また、本実施例では、売上データという１
つの項目のみ対象を限っていたが、項目が複数になって
も構わない。すなわち、複数の項目のデータをまとめて
パターンとして扱えば良い。例えば、売上データと気温
データの２系列を合わせたデータをもとに特定のパター
ンを抽出し、そのパターンに即して売上動向を予想する
ことも可能である。Further, in this embodiment, the sales data 1
The target was limited to only one item, but it does not matter if there are multiple items. That is, the data of a plurality of items may be collectively handled as a pattern. For example, it is possible to extract a specific pattern based on the data obtained by combining the two series of sales data and temperature data and predict the sales trend in accordance with the pattern.
【００４８】さらに、パターン認識部２８におけるパタ
ーン認識は、「距離」を計算して行なうものとして説明
したが、他のパターン認識の技術を利用することも可能
である。Further, the pattern recognition in the pattern recognition section 28 is described as being performed by calculating the "distance", but it is also possible to use other pattern recognition techniques.
【００４９】このように本発明は、パターン抽出を行な
い、特徴化を行なってパターン認識できるようにし、パ
ターン認識した結果を調整することで数値のような連続
的な値を取るデータに対して、将来の予測などの推論を
行なうことを可能にするものであり、その趣旨を逸脱し
ない範囲でデータ解析一般に広く応用できるものであ
る。As described above, according to the present invention, the pattern extraction is performed, the pattern recognition is performed so that the pattern recognition can be performed, and the result of the pattern recognition is adjusted. It makes it possible to make inferences such as future predictions, and is widely applicable to data analysis in general without departing from the spirit of the invention.
【００５０】[0050]
【発明の効果】以上説明したように本発明によれば、連
続的な値を取る項目を対象とするデータ解析一般におい
て、自動的に内容を解析し、そこで得た情報を用いて新
たなデータに対して推論を行なうものとして、実用上多
大な効果が期待できるものである。As described above, according to the present invention, in general data analysis targeting items having continuous values, the contents are automatically analyzed and new information is used by using the information obtained there. It can be expected to have a great effect in practice as a reasoning against.
【図１】本発明における一実施例に係わるパターン認識
型推論装置の概略構成を示すブロック図。FIG. 1 is a block diagram showing a schematic configuration of a pattern recognition type inference apparatus according to an embodiment of the present invention.
【図２】本発明を用いて実現されるパターン認識型推論
装置の利用画面の例を示す図。FIG. 2 is a diagram showing an example of a usage screen of a pattern recognition type inference apparatus realized by using the present invention.
【図３】推論結果を表示する画面の例を示す図。FIG. 3 is a diagram showing an example of a screen displaying an inference result.
【図４】学習用データベース１４に貯えられるデータフ
ァイルの内容の例を示す図。FIG. 4 is a diagram showing an example of contents of a data file stored in a learning database 14.
【図５】学習用データベース１４に貯えられているデー
タの例をグラフで表現した図。FIG. 5 is a graph showing an example of data stored in a learning database.
【図６】パターン抽出部１２がパターン抽出を行なう手
順を説明するためのフローチャート。FIG. 6 is a flowchart for explaining a procedure in which a pattern extraction unit 12 performs pattern extraction.
【図７】パターン抽出結果保持部１６に貯えられるデー
タの例をグラフで表現した図。FIG. 7 is a graph showing an example of data stored in a pattern extraction result holding unit 16.
【図８】パターン抽出結果保持部１６が保持するデータ
ファイルの例を示す図。FIG. 8 is a diagram showing an example of a data file held by a pattern extraction result holding unit 16.
【図９】パターン特徴保持部２０が保持するデータファ
イルの例を示す図。FIG. 9 is a diagram showing an example of a data file held by a pattern feature holding unit 20.
【図１０】推論用データ入力部２２が推論用データベー
ス２４から取り出したデータの例を示す図。FIG. 10 is a diagram showing an example of data extracted from the inference database 24 by the inference data input unit 22.
【図１１】認識結果調整部３０が調整を行なう手順を説
明するためのフローチャート。FIG. 11 is a flowchart for explaining a procedure in which the recognition result adjusting unit 30 makes an adjustment.
１０…制御指示入力部、１２…パターン抽出部、１４…
学習用データベース、１６…パターン抽出結果保持部、
１８…パターン特徴化部、２０…パターン特徴保持部、
２２…推論用データ入力部、２４…推論用データベー
ス、２６…出入力表示部、２８…パターン認識部、３０
…認識結果調整部。10 ... Control instruction input unit, 12 ... Pattern extraction unit, 14 ...
Learning database, 16 ... Pattern extraction result holding unit,
18 ... Pattern feature characterizing unit, 20 ... Pattern feature holding unit,
22 ... Inference data input unit, 24 ... Inference database, 26 ... Input / output display unit, 28 ... Pattern recognition unit, 30
... Recognition result adjustment unit.
Claims (1)
パターンを抽出するパターン抽出手段と、 前記パターン抽出手段によって抽出されたパターンを特
徴化するパターン特徴化手段と、 推論の対象となるデータを入力する推論用データ入力手
段と、 前記パターン特徴化手段によって特徴化されたパターン
をもとに、前記推論用データ入力手段によって入力され
たデータが、前記パターン抽出手段によって抽出された
パターンの何れに属するかを認識する認識手段と、 前記認識手段により認識された該当するパターンと、前
記推論用データ入力手段によって入力されたデータに基
づくパターンとの整合性を調整する認識結果調整手段
と、 前記認識結果調整手段によって調整された結果を出力す
る出力手段と、 を具備することを特徴とするパターン認識型推論装置。1. A pattern extracting unit for extracting at least one pattern from accumulated data, a pattern characterizing unit for characterizing the pattern extracted by the pattern extracting unit, and inputting data to be inferred. To which of the patterns extracted by the pattern extracting means the data input by the inference data inputting means based on the inference data inputting means and the pattern characterized by the pattern characterizing means Recognizing means for recognizing, a recognition result adjusting means for adjusting the consistency between the corresponding pattern recognized by the recognizing means and a pattern based on the data input by the inference data inputting means, and the recognition result adjusting Output means for outputting the result adjusted by the means. Turn-aware reasoning device.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12590793A JPH06332881A (en) | 1993-05-27 | 1993-05-27 | Pattern recognizing inference device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12590793A JPH06332881A (en) | 1993-05-27 | 1993-05-27 | Pattern recognizing inference device |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06332881A true JPH06332881A (en) | 1994-12-02 |
Family
ID=14921867
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP12590793A Pending JPH06332881A (en) | 1993-05-27 | 1993-05-27 | Pattern recognizing inference device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH06332881A (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08235249A (en) * | 1995-02-24 | 1996-09-13 | Nec Corp | Business supporting system |
| JPH08339322A (en) * | 1995-05-09 | 1996-12-24 | Internatl Business Mach Corp <Ibm> | System and method for detection of similar time sequence at inside of database |
| JP2012185811A (en) * | 2011-03-04 | 2012-09-27 | Nhn Corp | Classification providing method for user input, device automatically recommending and providing classification for user input, and computer-readable recording medium |
-
1993
- 1993-05-27 JP JP12590793A patent/JPH06332881A/en active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08235249A (en) * | 1995-02-24 | 1996-09-13 | Nec Corp | Business supporting system |
| JPH08339322A (en) * | 1995-05-09 | 1996-12-24 | Internatl Business Mach Corp <Ibm> | System and method for detection of similar time sequence at inside of database |
| JP2012185811A (en) * | 2011-03-04 | 2012-09-27 | Nhn Corp | Classification providing method for user input, device automatically recommending and providing classification for user input, and computer-readable recording medium |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111369016B (en) | Image recognition-based on-site operation and maintenance method and system | |
| US7630874B2 (en) | Data visualization methods for simulation modeling of agent behavioral expression | |
| Lendasse et al. | Time series prediction competition: The CATS benchmark | |
| Yoon | Discovering knowledge in corporate databases | |
| CN108734184A (en) | A kind of method and device that sensitive image is analyzed | |
| US20030084014A1 (en) | Process of selecting portfolio managers based on automated artificial intelligence techniques | |
| US7580878B1 (en) | Data fusion for automated business decisions | |
| Thivakaran et al. | Exploratory Data analysis and sales forecasting of bigmart dataset using supervised and ANN algorithms | |
| JPH07234861A (en) | Data monitoring system | |
| Bandi et al. | Integrated technical and sentiment analysis tool for market index movement prediction, comprehensible using XAI | |
| JPH06332881A (en) | Pattern recognizing inference device | |
| Pei et al. | Financial trading decisions based on deep fuzzy self-organizing map | |
| US8000995B2 (en) | System and method for assessing customer segmentation strategies | |
| CN115641575A (en) | Leafhopper agricultural pest detection method based on sparse candidate frame | |
| KR102639188B1 (en) | Dynamic price decision method and dynamic price decision system based on deep learning | |
| CN114549195A (en) | Market value reevaluation analysis method based on industry chain map and visual analysis system | |
| CN113869973A (en) | Product recommendation method, product recommendation system, and computer-readable storage medium | |
| CN114187033A (en) | Interpretable house price evaluation classification method based on deep migration learning | |
| Kulothungan | Loan Forecast by Using Machine Learning | |
| Fernández et al. | Introduction to KDD and Data science | |
| Bhateja et al. | Machine learning and its role in diverse business systems | |
| Khanarsa et al. | Self-identification deep learning ARIMA | |
| Ribeiro et al. | Detection of fraud symptoms in the retail industry | |
| WO2022249266A1 (en) | Fraud detection system, fraud detection method, and program recording medium | |
| WO2022039141A1 (en) | Moving cost estimation program and system |