WO2019003376A1 - 可視化システム、可視化方法および可視化プログラム - Google Patents

可視化システム、可視化方法および可視化プログラム Download PDF

Info

Publication number
WO2019003376A1
WO2019003376A1 PCT/JP2017/023896 JP2017023896W WO2019003376A1 WO 2019003376 A1 WO2019003376 A1 WO 2019003376A1 JP 2017023896 W JP2017023896 W JP 2017023896W WO 2019003376 A1 WO2019003376 A1 WO 2019003376A1
Authority
WO
WIPO (PCT)
Prior art keywords
prediction
model
display
group
display control
Prior art date
Application number
PCT/JP2017/023896
Other languages
English (en)
French (fr)
Inventor
洋介 本橋
圭介 梅津
梓 鷲田
政司 中臣
Original Assignee
日本電気株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to PCT/JP2017/023896 priority Critical patent/WO2019003376A1/ja
Priority to JP2019526059A priority patent/JPWO2019003376A1/ja
Priority to US16/626,913 priority patent/US11586947B2/en
Publication of WO2019003376A1 publication Critical patent/WO2019003376A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Definitions

  • the present invention relates to a visualization system, visualization method and visualization program for visualizing prediction result data in which a plurality of prediction objects are grouped.
  • a plurality of objects may be grouped and prediction may be performed for each group.
  • Patent Document 1 describes a method of constructing a model for forecasting demand.
  • a plurality of contract units can be grouped into any number of groups based on time-series changing characteristics of the demand corresponding to each of the factors that can influence the demand of the contract unit. Separate. Then, a prediction model which is a demand model is constructed for each group, and a prediction model list in which the constructed prediction model and the prediction model for each group are listed is output. Then, based on each of the prediction models included in the prediction model list, the demand in the prediction model is predicted, and all the predicted demands are summed to calculate and output a total demand prediction.
  • Patent Document 1 As in the method described in Patent Document 1, by grouping and performing total demand forecasting, it is possible to construct an appropriate forecasting model even when there are multiple customers having different demand trends. It is possible. However, Patent Document 1 does not suggest visualization of a prediction model for each group or visualization of the basis of prediction. Therefore, it is difficult for an analyst or a manager to judge whether the obtained result is appropriate or not by merely using the prediction model to obtain the prediction result.
  • the desired prediction target is represented by the sum of a plurality of prediction targets, it is preferable that the basis of those predictions can be visualized in a manner that can be recognized by the user.
  • this invention aims at providing the visualization system, the visualization method, and the visualization program which can visualize the basis of those predictions, when desired prediction object is represented by the sum of several prediction object.
  • a reception unit that receives specification of a method of grouping partial prediction targets into a plurality of groups, and at least one or more groups
  • a first display control unit that causes a display device to display a parameter that constitutes the model
  • a learning unit that learns a model whose objective variable is the sum of partial prediction targets included in the group.
  • the visualization method receives specification of a method of grouping partial prediction targets into a plurality of groups when the prediction targets are represented by the sum of a plurality of partial prediction targets, and for at least one or more groups, the groups A model having as a target variable the sum of partial prediction targets included in is learned, and parameters constituting the model are displayed on a display device.
  • the computer performs acceptance processing for accepting specification of a method of grouping partial prediction targets into a plurality of groups, at least one or more.
  • the group is characterized by performing a learning process of learning a model having a sum of partial prediction targets included in the group as an objective variable, and a first display control process of displaying a parameter of the model on a display device.
  • FIG. 1 is a block diagram illustrating an embodiment of a visualization system according to the present invention. It is explanatory drawing which shows the example of the candidate of partial prediction object. It is explanatory drawing which shows the example of performance data. It is explanatory drawing which shows the example which tallyed performance data. It is explanatory drawing which shows the example which classify
  • FIG. 1 is a block diagram showing an overview of a visualization system according to the present invention.
  • FIG. 1 is a block diagram illustrating one embodiment of a visualization system according to the present invention. The configuration of the visualization system of the present embodiment will be described later.
  • n is a partial prediction target. Therefore, the value of the prediction target Y at a certain time is calculated by the sum of the partial prediction targets y 1 , y 2 ,..., Y n at the same time. For example, when the prediction target Y is the total number of demand for servers (the total number of orders received), the partial prediction target y n is the number of server demands for each customer (the number of orders received).
  • partial prediction targets are grouped into a plurality of groups (Y 1 , Y 2 ,..., Y N ), and learning of prediction models and calculation of predicted values and actual values of prediction targets are performed for each group.
  • FIG. 2 is an explanatory view showing an example of candidates for partial prediction.
  • the example shown in FIG. 2 shows that the own factory has transactions with 32 companies from company A to company AF illustrated in FIG.
  • FIG. 3 is an explanatory view showing an example of the number of received servers for each month and each supplier as actual data.
  • the table illustrated in FIG. 3 includes the Nikkei average at the end of the month three months ago, the number of listed companies, and the number of server repairs four months ago.
  • past data (actual data) actually acquired as illustrated in FIG. 3 may be referred to as evaluation data.
  • the number of orders received by the server in the next month is predicted.
  • the total number of server orders for each company in each month is set as the objective variable, and the Nikkei average, the number of listed companies, the number of server repairs, etc. are included in the table illustrated in FIG. It is conceivable to set a variable and learn a prediction model.
  • FIG. 4 is an explanatory view showing an example in which the performance data illustrated in FIG. 3 is aggregated.
  • learning By performing learning using the data illustrated in FIG. 4, it is possible to generate a prediction model that predicts the number of orders received by the server.
  • business partners for example, large customers, sudden suppliers
  • characteristics significantly different from others are included.
  • high prediction accuracy can not be obtained even if learning is carried out by bringing together business partners having such different properties.
  • FIG. 5 is an explanatory diagram of an example in which candidates for partial prediction targets are classified.
  • company A, company D and company F are classified as group Y 1 as business partners (whole business partners) whose industry type is wholesale business, and other than that We have classified the customer to the group Y 2.
  • a visualization system 100 illustrated in FIG. 1 includes a reception unit 10, a learning unit 20, a display control unit 30, and a storage unit 40.
  • the storage unit 40 stores information on partial prediction targets.
  • the storage unit 40 may store, for example, a partial prediction target such as a customer illustrated in FIG.
  • the storage unit 40 may store actual data on partial prediction targets as illustrated in FIG. 3.
  • the storage unit 40 may store not a predicted value using a model described later but a predicted value estimated in advance for a partial prediction target. For example, a value calculated by another system or the like is used as the estimated value to be estimated.
  • the content stored in the storage unit 40 is not limited to the content described above.
  • the storage unit 40 may store, for example, a model generated as a result of learning by a learning unit 20 described later.
  • the storage unit 40 is realized by, for example, a magnetic disk drive.
  • the receiving unit 10 receives specification of a method of grouping partial prediction targets into a plurality of groups.
  • the specified contents of the method of giving up are optional.
  • the receiving unit 10 may receive, for example, specification of a threshold of an evaluation item in order to divide a group. In this case, partial prediction targets may be divided into groups according to the threshold value. Also, the receiving unit 10 may receive specification of a value of a certain evaluation item. In this case, the partial prediction targets may be divided into partial prediction targets that match the designated value and the other partial prediction targets.
  • the reception unit 10 may directly receive designation of partial prediction targets to be grouped.
  • the content of the specification which the reception part 10 receives is not limited to the said content. If the method of dividing the partial prediction target into groups can be specified, the content is arbitrary.
  • the receiving unit 10 may receive specification of a learning method performed by a learning unit 20 described later. At this time, the receiving unit 10 may receive designation of a different learning method for each group, or may receive designation of a learning method that the learning unit 20 performs in common to the groups.
  • the receiving unit 10 may determine the designation of the method of grouping into a plurality of groups in accordance with an operation or information input by the user via the display device 110 described later.
  • the content input via the display device 110 will be described later.
  • the learning unit 20 learns a model having, as a target variable, the sum of partial prediction targets included in the group, for the partial prediction target group collected by the specification received by the reception unit 10. For example, as illustrated in FIG. 5, it is assumed that partial prediction targets are classified into two groups Y 1 and Y 2 . Model The Y 2, since the company A, other than D Corporation and F company is classified, the learning section 20, Company A, for the purpose variable demand number sum of D company and other than F company partner server To learn
  • the learning unit 20 tabulates the actual data of the divided groups to create evaluation data.
  • FIG. 6 is an explanatory view showing an example in which past performance data is summarized for each group. The example shown in FIG. 6 indicates that evaluation data is created by aggregating the actual values of the groups Y 1 and Y 2 of each month.
  • the learning section 20 learns the model using the evaluation data D2 that has been created.
  • the formula 1 exemplified below is generated.
  • the method by which the learning unit 20 performs learning is arbitrary.
  • the learning unit 20 may learn a model based on a predetermined learning method. Specifically, the learning unit 20 may learn a linear multiple regression model. By learning a prediction model with a linear multiple regression model, the influence of each explanatory variable can be easily determined, and the user's interpretability can be improved.
  • the learning unit 20 may also learn a model based on the learning method specified by the reception unit 10 described above.
  • the learning unit 20 may not learn a model for the partial prediction target group.
  • the number of orders suppliers included in the group Y 1 illustrated in FIG. 5, can be grasped from the past empirical rule such, this group Y 1 may not perform the machine learning.
  • a Company 100 units each, D Company 500 each time, F Company such as when you know that there is a server demand 300 units each corresponds.
  • the learning unit 20 may determine that it is not necessary to learn a model.
  • the learning unit 20 generates a model based not only on one type of learning method but also on a plurality of types of learning methods, and selects a model from among the generated models based on a predetermined criterion. Good.
  • a predetermined criterion for example, prediction accuracy, learning time and the like can be mentioned.
  • the display control unit 30 includes a prediction result calculation unit 31, an actual result calculation unit 32, a first display control unit 33, a second display control unit 34, and a third display control unit 35.
  • the prediction result calculation unit 31 calculates a sum of prediction values calculated for each group as a prediction result of a prediction target. Specifically, the prediction result calculation unit 31 applies prediction data to a model to calculate a prediction value, and calculates a sum of prediction values for each group as a prediction result of a prediction target.
  • FIG. 7 is an explanatory view showing an example of a method of calculating a predicted value of a group based on prediction data.
  • the generated model for the group Y 2 by applying the calculation data D3 illustrated in FIG. 7, to calculate the predicted value.
  • the server demand of the group Y 2 is predicted to be 212.05.
  • the prediction result calculation unit 31 may calculate the predicted value using the estimated value.
  • the estimated value of the group Y 1 since the estimated value of the group Y 1 is known, it indicates that the predicted value in each month is set.
  • the actual performance calculation unit 32 totals actual values of prediction targets for each group based on past actual data. For example, the performance calculation unit 32 may calculate performance values by aggregating the performance data illustrated in FIG. 3 for each group.
  • the first display control unit 33 causes the display device 110 to display the parameters constituting the model for each group. For example, when the model is learned as a linear multiple regression model, the first display control unit 33 may cause the display device 110 to display the coefficients and the explanatory variables that constitute the linear multiple regression model.
  • the first display control unit 33 displays on the display device 110 that the model uses a predetermined estimated value as a predicted value. You may
  • the second display control unit 34 causes the display device 110 to display the prediction result calculated by the prediction result calculation unit 31. At that time, the second display control unit 34 causes the display device 110 to display the prediction values for each group in a distinguishable manner as the breakdown of the prediction result.
  • the aspect for distinguishing each predicted value is arbitrary.
  • the second display control unit 34 may display the predicted values of each group in the form of a stacked bar graph or in the form of a line graph.
  • the second display control unit 34 may cause the display device 110 to display not only the prediction result but also the actual value of each group aggregated by the actual value calculation unit 32 in a distinguishable manner.
  • a prediction target at a certain time is expressed by the sum of a plurality of partial prediction targets at the same time. Therefore, the second display control unit 34 may cause the display device 110 to display a graph in which one axis (for example, x axis) is a time axis and the other axis (for example, y axis) is a prediction target.
  • one axis for example, x axis
  • the other axis for example, y axis
  • FIG. 8 is an explanatory view showing a display example of the prediction result and the actual value.
  • the example shown in FIG. 8 shows the result of predicting the demand of the server after January 20 xy, and shows the past actual value and the predicted value before December 20 20xx.
  • the actual values of the respective groups Y 1 and Y 2 are shown in different bar graph patterns, and the predicted values are expressed in the form of different broken lines so that the breakdown of each group can be distinguished. .
  • the third display control unit 35 causes the display unit 110 to display the receiving unit 10 in order to receive from the user the designation of the method of putting together in the group.
  • the third display control unit 35 may display an object operable on the display device 110 via a pointing device such as a mouse.
  • the third display control unit 35 displays the reception unit 10 in the vicinity where the user can visually recognize the graph and the object so that the user can refer to both the reception unit 10 and the graph at one time.
  • FIG. 9 is an explanatory view showing an example of content displayed on the display device 110.
  • the example illustrated in FIG. 9 indicates that the reception unit 10 that receives specification of a threshold for dividing a partial prediction target is displayed in the vicinity of the graph illustrated in FIG. 8.
  • the reception unit 10 illustrated in FIG. 9 classifies the top N% customers with a large number of server demands into the group Y 1 and receives specification of a threshold for classifying the other groups into Y 2 .
  • the groups Y 1 and Y 2 are defined in real time, and the graph is updated.
  • FIG. 10 is an explanatory view showing an example of typical data analysis.
  • the value of the prediction target Y at a certain time is expressed by the addition of the partial prediction targets y 1 , y 2 , ..., y n at the same time. Therefore, as illustrated in FIG. 8, the value of the prediction target can be represented by a graph (for example, a bar graph) focusing on a certain time.
  • the reception unit 10, the learning unit 20, the display control unit 30 (more specifically, the prediction result calculation unit 31, the actual result calculation unit 32, the first display control unit 33, the second display control unit 34, the second The third display control unit 35) is realized by the CPU of a computer that operates according to a program (visualization program).
  • the program is stored in the storage unit 40, the CPU reads the program, and according to the program, the reception unit 10, the learning unit 20, and the display control unit 30 (more specifically, the prediction result calculation unit 31, The unit 32, the first display control unit 33, the second display control unit 34, and the third display control unit 35 may operate.
  • the functions of the visualization system may be provided in the form of Software as a Service (SaaS).
  • the third display control unit 35 may be realized by dedicated hardware.
  • part or all of each component of each device may be realized by a general purpose or dedicated circuit, a processor, or the like, or a combination thereof. These may be configured by a single chip or may be configured by a plurality of chips connected via a bus. A part or all of each component of each device may be realized by a combination of the above-described circuits and the like and a program.
  • each component of each device is realized by a plurality of information processing devices, circuits, etc.
  • the plurality of information processing devices, circuits, etc. may be arranged centrally. It may be done.
  • the information processing apparatus, the circuit, and the like may be realized as a form in which each is connected via a communication network, such as a client and server system, a cloud computing system, and the like.
  • FIG. 11 is a flowchart showing an operation example of the visualization system of the present embodiment.
  • the receiving unit 10 receives specification of a method of grouping partial prediction targets into a plurality of groups (step S11).
  • the learning unit 20 adds up the actual data of the groups divided based on the designation, and creates evaluation data (Step S12). Then, the learning unit 20 learns, for at least one or more groups, a model having, as a target variable, the sum of partial prediction targets included in the group (step S13).
  • the first display control unit 33 causes the display device 110 to display the parameters constituting the model (step S14).
  • the prediction result calculation unit 31 may calculate the sum of the prediction values calculated for each group as the prediction result of the prediction target (step S15).
  • the actual performance calculation unit 32 may add up actual values of the prediction target for each group based on past actual data (step S16).
  • the second display control unit 34 may cause the display device 110 to display the prediction result calculated by the prediction result calculation unit and the actual value of each group aggregated by the actual calculation unit 32 (step S17).
  • the receiving unit 10 receives specification of a method of grouping partial prediction targets into a plurality of groups, and the learning unit 20 performs partial prediction included in the group for at least one or more groups. Train a model whose target variable is the sum of objects. Then, the first display control unit 33 causes the display device 110 to display the parameters constituting the model. Therefore, when the desired prediction target is expressed by the sum of a plurality of prediction targets, the basis of those predictions can be visualized.
  • the learning unit 20 learns a model after the reception unit 10 receives specification of a method of grouping partial prediction targets into a plurality of groups.
  • the learning unit 20 may learn a model in advance based on a group assumed in advance, and hold the result in the storage unit 40. According to such a configuration, it is possible to shorten the time until the parameters constituting the model are displayed on the display device 110.
  • FIG. 12 is a block diagram showing an overview of a visualization system according to the present invention.
  • the visualization system 80 according to the present invention, in the case where the prediction object (for example, the prediction object Y) is represented by the sum of a plurality of partial prediction objects (for example, partial prediction objects y 1 , y 2 ,..., Y n ),
  • a receiving unit 81 for example, the receiving unit 10) for receiving specification of a method of grouping partial prediction targets into a plurality of groups (for example, groups Y 1 and Y 2 ), and a portion included in at least one or more groups
  • a learning unit 82 for example, the learning unit 20 for learning a model having the sum of prediction targets as an objective variable
  • a first display control unit 83 for displaying the parameters constituting the model on a display device (for example, display device 110)
  • the first display control unit 33 is provided.
  • Such a configuration makes it possible to visualize the basis of the desired prediction object when it is represented by the sum of a plurality of prediction objects.
  • the learning unit 82 may also learn a linear multiple regression model. Then, the first display control unit 83 may cause the display device to display the coefficients and the explanatory variables that constitute the linear multiple regression model.
  • the visualization system 80 applies prediction data to a model to calculate a prediction value, and calculates a sum of prediction values for each group as a prediction result of a prediction target (for example, the prediction result calculation unit 31 And a second display control unit (for example, the second display control unit 34) that causes the display device to display the prediction values of each group in a distinguishable manner as a breakdown of the prediction results.
  • a prediction target for example, the prediction result calculation unit 31
  • a second display control unit for example, the second display control unit 34
  • Such a configuration can improve the persuasiveness of the combination of partial prediction targets.
  • the prediction result calculation unit may calculate prediction values of some groups by applying prediction data to a model, and may use prediction values estimated in advance as prediction values of the remaining groups.
  • the visualization system 80 may include an actual result calculation unit (for example, an actual result calculation unit 32) that aggregates the actual value of the prediction target for each group based on the actual result data. Then, the second display control unit may cause the display device to display the tabulated performance values for each group in a distinguishable manner. According to such a configuration, it is possible to recognize the prediction result together with the transition of the actual value of the classified group.
  • an actual result calculation unit for example, an actual result calculation unit 32
  • the second display control unit may cause the display device to display a graph in which one axis is a time axis and the other axis is a prediction target. According to such a configuration, it is possible to easily grasp time-series prediction results.
  • the visualization system 80 may include a third display control unit (for example, a third display control unit 35) that causes an object operable by a pointing device (for example, a mouse) to be displayed on the display device. Then, the third display control unit may display the receiving unit 81 in the vicinity of the graph.
  • a third display control unit for example, a third display control unit 35
  • a pointing device for example, a mouse
  • a reception unit that receives specification of a method of grouping the partial prediction targets into a plurality of groups, and at least one or more of the groups
  • a learning unit that learns a model having as a target variable the sum of the partial prediction targets included in the group, and a first display control unit that causes a display device to display parameters that constitute the model.
  • a prediction result calculation unit that calculates prediction values by applying prediction data to a model, and calculates a sum of prediction values for each group as a prediction result of a prediction target, and breakdown of the prediction results for each group
  • the visualization system according to any one of appendices 1 to 3, further comprising: a second display control unit configured to cause the display device to display each predicted value of in a distinguishable manner.
  • the prediction result calculation unit calculates the prediction value of a certain group by applying prediction data to a model, and uses the prediction value estimated in advance as the prediction value of the remaining group. system.
  • a display device provided with an actual result calculation unit that totals actual values of prediction targets for each group based on actual data, and the second display control unit can distinguish the actual values for each aggregated group.
  • Supplementary Note 8 The visualization system according to Supplementary Note 7, further comprising: a third display control unit that causes the display device to display an operable object via a pointing device, and the third display control unit causes the reception unit to be displayed near the graph. .
  • the prediction target is expressed by the sum of a plurality of partial prediction targets
  • the designation of a method of grouping the partial prediction targets into a plurality of groups is accepted, and at least one or more of the groups are
  • a visualization method comprising: learning a model having, as an objective variable, the sum of the partial prediction targets included, and displaying on a display device parameters constituting the model.
  • a reception process for receiving designation of a method of grouping the partial prediction targets into a plurality of groups in a computer, at least one or more of the groups , A learning process for learning a model having as a target variable the sum of the partial prediction targets included in the group, and a visualization for causing a display device to execute a first display control process for displaying parameters constituting the model system.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

予測対象が、複数の部分予測対象の和により表現される場合において、部分予測対象を複数のグループに纏める方法の指定を受け付ける受付部８１と、少なくとも１つ以上のグループについて、そのグループに含まれる部分予測対象の和を目的変数とするモデルを学習する学習部８２と、モデルを構成するパラメータを表示装置に表示させる第一表示制御部８３とを備えている。

Description

可視化システム、可視化方法および可視化プログラム
　本発明は、複数の予測対象をグループ化した予測結果データを可視化する可視化システム、可視化方法および可視化プログラムに関する。
　全体としての予測結果を得ようとする場合、個々の対象ごとに予測モデルを作成する代わりに、複数の対象をグループ化し、そのグループ毎に予測を行う場合がある。
　例えば、特許文献１には、需要を予測するためのモデルを構築する方法が記載されている。特許文献１に記載された方法では、契約単位の需要に影響を及ぼし得る要素のそれぞれに対応する、その需要の時系列に変化する特徴に基づいて、複数の契約単位を任意の数のグループに分別する。そして、グループ毎に需要のモデルである予測モデルを構築し、構築した予測モデルおよび各グループに対する予測モデルをリストにした予測モデルリストを出力する。そして、予測モデルリストに含まれる予測モデルのそれぞれに基づいて、その予測モデルにおける需要を予測し、予測された全ての需要を合算して総需要予測を算出して出力する。
国際公開第２０１６／０８８３７０号
　特許文献１に記載された方法のように、グループ化して総需要予測を行うことで、異なる需要傾向を持つ複数の需要家が存在する場合であっても、適切な予測モデルを構築することは可能である。しかし、特許文献１には、各グループに対する予測モデルを可視化することや、予測の根拠を可視化することの示唆はない。そのため、予測モデルを単に予測結果を得るために用いるだけでは、得られた結果が適切か否かを分析者や、管理者が判断することは困難である。
　このように、所望の予測対象が複数の予測対象の和によって表現される場合に、ユーザが認識できる態様でそれらの予測の根拠を可視化できることが好ましい。
　そこで、本発明は、所望の予測対象が複数の予測対象の和によって表現される場合に、それらの予測の根拠を可視化できる可視化システム、可視化方法および可視化プログラムを提供することを目的とする。
　本発明による可視化システムは、予測対象が、複数の部分予測対象の和により表現される場合において、部分予測対象を複数のグループに纏める方法の指定を受け付ける受付部と、少なくとも１つ以上のグループについて、そのグループに含まれる部分予測対象の和を目的変数とするモデルを学習する学習部と、モデルを構成するパラメータを表示装置に表示させる第一表示制御部とを備えたことを特徴とする。
　本発明による可視化方法は、予測対象が、複数の部分予測対象の和により表現される場合において、部分予測対象を複数のグループに纏める方法の指定を受け付け、少なくとも１つ以上のグループについて、そのグループに含まれる部分予測対象の和を目的変数とするモデルを学習し、モデルを構成するパラメータを表示装置に表示させることを特徴とする。
　本発明による可視化プログラムは、予測対象が、複数の部分予測対象の和により表現される場合において、コンピュータに、部分予測対象を複数のグループに纏める方法の指定を受け付ける受付処理、少なくとも１つ以上のグループについて、そのグループに含まれる部分予測対象の和を目的変数とするモデルを学習する学習処理、および、モデルを構成するパラメータを表示装置に表示させる第一表示制御処理を実行させることを特徴とする。
　本発明によれば、所望の予測対象が複数の予測対象の和によって表現される場合に、それらの予測の根拠を可視化できるという技術的効果を奏する。
本発明による可視化システムの一実施形態を示すブロック図である。 部分予測対象の候補の例を示す説明図である。 実績データの例を示す説明図である。 実績データを集計した例を示す説明図である。 部分予測対象の候補を分類した例を示す説明図である。 グループごとに過去の実績データを集計した例を示す説明図である。 予測用データに基づいてグループの予測値を算出する方法の例を示す説明図である。 予測結果および実績値の表示例を示す説明図である。 表示装置に表示される内容の例を示す説明図である。 典型的なデータ分析の例を示す説明図である。 可視化システムの動作例を示すフローチャートである。 本発明による可視化システムの概要を示すブロック図である。
　以下、本発明の実施形態を図面を参照して説明する。図１は、本発明による可視化システムの一実施形態を示すブロック図である。なお、本実施形態の可視化システムの構成については後述される。
　本発明では、ある時間における予測対象Ｙの値（予測結果）が、同じ時間における複数の予測対象ｙ１，ｙ２，…，ｙｎの足し合わせにより構成されるものとする。すなわち、ある時刻における予測対象が、同じ時刻における複数の部分予測対象の和により表現される。具体的には、Ｙ＝ｙ１＋ｙ２＋…＋ｙｎである。
　なお、複数の予測対象ｙ１，ｙ２，…，ｙｎの足し合わせにより所望の予測対象Ｙが構成されることから、以下の説明では、個々の予測対象ｙ１，ｙ２，…，ｙｎのことを、部分予測対象と記す。したがって、ある時間における予測対象Ｙの値は、同じ時間における部分予測対象ｙ１，ｙ２，…，ｙｎの総和で算出される。例えば、予測対象Ｙが、サーバの需要総数（受注総数）とした場合、部分予測対象ｙｎは、個々の取引先のサーバ需要数（受注数）である。
　また、本発明では、部分予測対象を複数のグループ（Ｙ１，Ｙ２，…，ＹＮ）に纏め、グループごとに予測モデルの学習、予測対象の予測値や実績値の算出を行う。
　以下、具体例を用いて、予測対象と部分予測対象との関係を説明する。以下、サーバを組み立てて納品する工場があると想定し、この工場の生産管理部門の立場に立って、過去の受注履歴等に基づいて未来のサーバの需要（受注数）を予測するとする。
　図２は、部分予測対象の候補の例を示す説明図である。図２に示す例では、自工場が図２に例示するＡ社からＡＦ社までの３２社と取引があることを示す。また、図３は、実績データとして、月ごと及び取引先ごとのサーバの受注台数の例を示す説明図である。また、図３に例示する表には、その月の３ヶ月前の月末の日経平均、上場企業数および４ヶ月前のサーバ修理台数が含まれる。以下の説明では、図３に例示するような実際に取得された過去データ（実績データ）のことを、評価用データと記すこともある。
　このような情報が存在する場合に翌月のサーバの受注数を予測する状況を想定する。例えば、一般的な方法の場合、各月の各社のサーバ受注数の総数を目的変数に設定し、図３に例示する表に含まれるような日経平均、上場企業数、サーバ修理台数などを説明変数に設定して予測モデルを学習することが考えられる。
　図４は、図３に例示する実績データを集計した例を示す説明図である。図４に例示するデータを用いて学習を行うことで、サーバの受注数を予測する予測モデルを生成することは可能である。しかし、例えば３２社の取引先の中に、他と著しく異なる性質を有する取引先（例えば、大口取引先、突発的な発注先）が含まれている場合も存在する。このような異なる性質を有する取引先を一まとめにして学習を行っても、高い予測精度が得られない可能性が高い。
　一方で、このような複数の取引先を一定の観点で分類することが可能である。例えば、この場合、大口取引先からの毎月の受注台数と、それ以外の取引先からの毎月の受注台数とを一旦分けて、それぞれ別々に学習・予測を行った方が、高い予測精度が得られる場合があり得る。本具体例では、このような観点から、大口取引先からの毎月の受注予測値と、それ以外の取引先からの毎月の受注予測値とを、それぞれ別個に予測し、最後に両社を足し合わせて、毎月の受注予測値とする。
　図５は、部分予測対象の候補を分類した例を示す説明図である。図５に示す例では、図３に例示する取引先のうち、業種が卸売業である取引先（大口取引先）としてＡ社、Ｄ社およびＦ社をグループＹ１に分類し、それ以外の取引先をグループＹ２に分類している。
　以下の説明では、説明を簡略化するため、部分予測対象を２つのグループに纏める方法を説明する。ただし、部分予測対象を纏めるグループの数は、２つに限定されず、３つ以上であってもよい。以下、上述する具体例を適宜使用しながら、本実施形態の可視化システムの構成を説明する。
　図１に例示する可視化システム１００は、受付部１０と、学習部２０と、表示制御部３０と、記憶部４０とを備えている。
　記憶部４０は、部分予測対象に関する情報を記憶する。記憶部４０は、例えば、図２に例示する取引先のような、部分予測対象を記憶していてもよい。他にも、記憶部４０は、図３に例示するような、部分予測対象に関する実績データを記憶していてもよい。また、記憶部４０は、後述するモデルを用いた予測値ではなく、部分予測対象について予め推定される予測値を記憶していてもよい。この推定される予測値には、例えば、他のシステム等により算出された値が利用される。
　ただし、記憶部４０が記憶する内容は、上述する内容に限定されない。記憶部４０は、例えば、後述する学習部２０が学習した結果生成されるモデルを記憶してもよい。記憶部４０は、例えば、磁気ディスク装置により実現される。
　受付部１０は、部分予測対象を複数のグループに纏める方法の指定を受け付ける。纏める方法の指定内容は任意である。受付部１０は、例えば、グループを分割するために、評価項目の閾値の指定を受け付けてもよい。この場合、部分予測対象は、その閾値に応じてグループに分割されればよい。また、受付部１０は、ある評価項目の値の指定を受け付けてもよい。この場合、部分予測対象は、指定された値に合致する部分予測対象と、それ以外の部分予測対象に分割されればよい。
　他にも、受付部１０は、グループ化する部分予測対象の指定を直接受け付けてもよい。ただし、受付部１０が、受け付ける指定の内容は、上記内容に限定されない。部分予測対象をグループに分ける方法が特定できれば、その内容は任意である。
　また、受付部１０は、後述する学習部２０が行う学習方法の指定を受け付けてもよい。このとき、受付部１０は、グループごとに異なる学習方法の指定を受け付けてもよく、学習部２０がグループに共通して行う学習方法の指定を受け付けてもよい。
　なお、受付部１０は、後述する表示装置１１０を介してユーザから入力される操作や情報に応じて、複数のグループに纏める方法の指定を判断してもよい。表示装置１１０を介して入力される内容については、後述される。
　学習部２０は、受付部１０が受け付けた指定により纏められた部分予測対象のグループを対象に、そのグループに含まれる部分予測対象の和を目的変数とするモデルを学習する。例えば、図５に例示するように、部分予測対象が２つのグループＹ１，Ｙ２に分類されたとする。Ｙ２には、Ａ社、Ｄ社およびＦ社以外が分類されるため、学習部２０は、Ａ社、Ｄ社およびＦ社以外の取引先のサーバの需要数の和を目的変数とするモデルを学習する。
　学習部２０は、分割されたグループの実績データを集計して評価用データを作成する。図６は、グループごとに過去の実績データを集計した例を示す説明図である。図６に示す例では、各月のグループＹ１，Ｙ２それぞれの実績値を集計して評価用データを作成していることを示す。
　例えば、グループＹ２についてサーバの需要を予測するモデルを学習する場合、学習部２０は、作成された評価用データＤ２を用いてモデルを学習する。この評価データＤ２を用いてグループＹ２についてのモデルを学習した結果、例えば、以下に例示する式１が生成される。
　月ごとの売り上げ＝日経平均＿月末終値＿３ヶ月ずらし×０．００５５
　　　　　　　　　＋日本の上場企業数＿３ヶ月ずらし×０．００２
　　　　　　　　　＋前月の修理台数＿３ヶ月ずらし×３　－１０　（式１）
　学習部２０が、学習を行う方法は任意である。学習部２０は、予め定められた学習方法に基づいて、モデルを学習してもよい。具体的には、学習部２０は、線形重回帰モデルを学習してもよい。線形重回帰モデルで予測モデルを学習することにより、各説明変数の影響が判断し易く、ユーザの解釈性を向上させることが可能になる。また、学習部２０は、上述する受付部１０により指定された学習方法に基づいてモデルを学習してもよい。
　一方、グループに含まれる部分予測対象の予測値が、別の方法等により予め推定されている場合、学習部２０は、部分予測対象のグループを対象とするモデルを学習しなくてもよい。例えば、図５に例示するグループＹ１に含まれる取引先の受注数が、過去の経験則等から把握でき、このグループＹ１については、機械学習を行わなくてもよい。例えば、グループＹ１に含まれる会社のうち、Ａ社は毎回１００台、Ｄ社は毎回５００台、Ｆ社は毎回３００台のサーバ需要があることが分かっている場合などが該当する。例えば、グループに含まれる部分予測対象について予め推定される予測値が記憶部４０に記憶されている場合、学習部２０は、モデルを学習する必要がないと判断してもよい。
　また、学習部２０は、一種類の学習方法だけでなく、複数の種類の学習方法に基づいてモデルを生成し、生成されたモデルの中から、所定の基準に基づいてモデルを選択してもよい。所定の基準として、例えば、予測精度、学習時間などが挙げられる。
　表示制御部３０は、予測結果算出部３１と、実績算出部３２と、第一表示制御部３３と、第二表示制御部３４と、第三表示制御部３５とを含む。
　予測結果算出部３１は、グループごとに算出される予測値の和を予測対象の予測結果として算出する。具体的には、予測結果算出部３１は、予測用データをモデルに適用して予測値を算出し、グループごとの予測値の和を予測対象の予測結果として算出する。
　図７は、予測用データに基づいてグループの予測値を算出する方法の例を示す説明図である。図７に示す例では、グループＹ２について生成されたモデルに、図７に例示する予測用データＤ３を適用して、予測値を算出する。例えば、２０ｘｙ年１月について、予測用データを上記式１に例示するモデルに適用することで、グループＹ２のサーバ需要が、２１２．０５台と予測される。
　なお、モデルを使用せず、予め定めた推定値を予測値として用いるグループの場合、予測結果算出部３１は、その推定値を用いて予測値を算出すればよい。図７に示す例では、グループＹ１の推定値が分かっているため、それぞれの月に予測値が設定されていることを示す。
　実績算出部３２は、過去の実績データに基づいて、グループごとに予測対象の実績値を集計する。実績算出部３２は、例えば、図３に例示する実績データをグループごとに集計して、実績値を算出してもよい。
　第一表示制御部３３は、グループごとに、モデルを構成するパラメータを表示装置１１０に表示させる。例えば、モデルが線形重回帰モデルとして学習されている場合、第一表示制御部３３は、線形重回帰モデルを構成する係数および説明変数を表示装置１１０に表示させてもよい。
　また、モデルを使用せず、予め定めた推定値を予測値として用いるグループの場合、第一表示制御部３３は、そのモデルが予め定めた推定値を予測値として用いる旨を表示装置１１０に表示させてもよい。
　第二表示制御部３４は、予測結果算出部３１によって算出された予測結果を表示装置１１０に表示させる。その際、第二表示制御部３４は、予測結果の内訳として、グループごとの各予測値を区別可能な態様で表示装置１１０に表示させる。各予測値を区別するための態様は任意である。第二表示制御部３４は、例えば、各グループの予測値を積み上げ棒グラフの形式で表示してもよく、折れ線グラフの形式で表示してもよい。
　さらに、第二表示制御部３４は、予測結果だけでなく、実績算出部３２によって集計されたグループごとの実績値を区別可能な態様で表示装置１１０に表示させてもよい。
　なお、本実施形態では、ある時刻における予測対象は、同じ時刻における複数の部分予測対象の和により表現される。そこで、第二表示制御部３４は、一方の軸（例えば、ｘ軸）を時間軸とし他方の軸（例えば、ｙ軸）を予測対象とするグラフを表示装置１１０に表示させてもよい。
　図８は、予測結果および実績値の表示例を示す説明図である。図８に示す例では、２０ｘｙ年１月以降に、サーバの需要を予測した結果を示し、２０ｘｘ年１２月以前に、過去の実績値および予測値を示している。また、図８に示す例では、グループごとの内訳が区別できるように、それぞれのグループＹ１，Ｙ２の実績値を異なる棒グラフの模様で示し、予測値を異なる折れ線の態様で表現している。
　第三表示制御部３５は、グループに纏める方法の指定をユーザから受け付けるため、受付部１０を表示装置１１０に表示させる。第三表示制御部３５は、例えば、受付部１０の一態様として、マウスなどのポインティングデバイスを介して操作可能なオブジェクトを表示装置１１０に表示してもよい。なお、ユーザが受付部１０とグラフの両方が一度に参照できるように、第三表示制御部３５は、ユーザがグラフとオブジェクトとを視認できる程度の近傍に受付部１０を表示することが好ましい。
　図９は、表示装置１１０に表示される内容の例を示す説明図である。図９に示す例では、図８に例示するグラフの近傍に、部分予測対象を分割する閾値の指定を受け付ける受付部１０が表示されていることを示す。図９に例示する受付部１０は、サーバ需要数多い上位Ｎ％の取引先をグループＹ１に分類し、それ以外のグループをＹ２に分類するための閾値の指定を受け付けている。スライドバーで表される受付部１０を用いてＮの値を調整することで、リアルタイムにグループＹ１，Ｙ２が定義され、グラフが更新される。
　また、図９に示す例では、モデルを構成するパラメータの例として、グループＹ２のモデルの内容が線形回帰式で表示されていることを示す。
　図８に例示するグラフからも明らかなように、本願発明が想定する状況は、典型的なデータ分析の状況とは異なる。図１０は、典型的なデータ分析の例を示す説明図である。典型的なデータ分析の予測処理で用いられる学習モデルは、時系列に変化する特徴に基づいて選択される。例えば、予測対象Ｙが、ある特徴を示す変数（説明変数）Ｘを含む式で表されるものとし、Ｘ＞Ａを満たす場合、予測式としてＹ＝ｆ１（Ｘ）が選択され、Ｘ≦Ａを満たす場合、予測式としてＹ＝ｆ２（Ｘ）が選択されるとする。
　この場合、図１０に例示するように、時系列の各区間において予測式が特定され、その予測式に基づいて予測が行われる。一方、本願発明では、ある時刻における予測対象Ｙの値が、同じ時刻における部分予測対象ｙ１，ｙ２，…，ｙｎの足し合わせにより表現される。そのため、図８に例示するように、ある時刻に着目したグラフ（例えば、棒グラフ）により、予測対象の値を表すことができる。
　受付部１０と、学習部２０と、表示制御部３０（より詳細には、予測結果算出部３１と、実績算出部３２と、第一表示制御部３３と、第二表示制御部３４と、第三表示制御部３５）とは、プログラム（可視化プログラム）に従って動作するコンピュータのＣＰＵによって実現される。
　例えば、プログラムは、記憶部４０に記憶され、ＣＰＵは、そのプログラムを読み込み、プログラムに従って、受付部１０、学習部２０および表示制御部３０（より詳細には、予測結果算出部３１と、実績算出部３２と、第一表示制御部３３と、第二表示制御部３４と、第三表示制御部３５）として動作してもよい。また、可視化システムの機能がＳａａＳ（Software as a Service ）形式で提供されてもよい。
　また、受付部１０と、学習部２０と、表示制御部３０（より詳細には、予測結果算出部３１と、実績算出部３２と、第一表示制御部３３と、第二表示制御部３４と、第三表示制御部３５）とは、それぞれが専用のハードウェアで実現されていてもよい。また、各装置の各構成要素の一部又は全部は、汎用または専用の回路（circuitry ）、プロセッサ等やこれらの組合せによって実現されもよい。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。各装置の各構成要素の一部又は全部は、上述した回路等とプログラムとの組合せによって実現されてもよい。
　また、各装置の各構成要素の一部又は全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントアンドサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。
　次に、本実施形態の可視化システムの動作を説明する。図１１は、本実施形態の可視化システムの動作例を示すフローチャートである。
　受付部１０は、部分予測対象を複数のグループに纏める方法の指定を受け付ける（ステップＳ１１）。学習部２０は、指定に基づいて分割されたグループの実績データを集計して評価用データを作成する（ステップＳ１２）。そして、学習部２０は、少なくとも１つ以上のグループについて、そのグループに含まれる部分予測対象の和を目的変数とするモデルを学習する（ステップＳ１３）。
　第一表示制御部３３は、モデルを構成するパラメータを表示装置１１０に表示させる（ステップＳ１４）。このとき、予測結果算出部３１は、グループごとに算出される予測値の和を予測対象の予測結果として算出してもよい（ステップＳ１５）。また、実績算出部３２は、過去の実績データに基づいて、グループごとに予測対象の実績値を集計してもよい（ステップＳ１６）。そして、第二表示制御部３４は、予測結果算出部によって算出された予測結果および実績算出部３２によって集計されたグループごとの実績値を表示装置１１０に表示させてもよい（ステップＳ１７）。
　以上のように、本実施形態では、受付部１０が、部分予測対象を複数のグループに纏める方法の指定を受け付け、学習部２０が、少なくとも１つ以上のグループについて、そのグループに含まれる部分予測対象の和を目的変数とするモデルを学習する。そして、第一表示制御部３３が、モデルを構成するパラメータを表示装置１１０に表示させる。よって、所望の予測対象が複数の予測対象の和によって表現される場合に、それらの予測の根拠を可視化できる。
　すなわち、本実施形態の可視化システムを用いることで、データ分析者は、部分予測対象をどのように組み合わせると納得性が高い予測モデルが得られるのかを、操作性良く試行錯誤することが可能になる。
　なお、本実施形態では、受付部１０が部分予測対象を複数のグループに纏める方法の指定を受け付けた後、学習部２０がモデルを学習する方法を説明した。ただし、学習部２０は、予め想定されるグループに基づいて予めモデルを学習し、その結果を記憶部４０に保持していてもよい。このような構成によれば、モデルを構成するパラメータを表示装置１１０に表示させるまでの時間を短縮することが可能になる。
　次に、本発明の概要を説明する。図１２は、本発明による可視化システムの概要を示すブロック図である。本発明による可視化システム８０は、予測対象（例えば、予測対象Ｙ）が、複数の部分予測対象（例えば、部分予測対象ｙ１，ｙ２，…，ｙｎ）の和により表現される場合において、部分予測対象を複数のグループ（例えば、グループＹ１，Ｙ２）に纏める方法の指定を受け付ける受付部８１（例えば、受付部１０）と、少なくとも１つ以上のグループについて、そのグループに含まれる部分予測対象の和を目的変数とするモデルを学習する学習部８２（例えば、学習部２０）と、モデルを構成するパラメータを表示装置（例えば、表示装置１１０）に表示させる第一表示制御部８３（例えば、第一表示制御部３３）とを備えている。
　そのような構成により、所望の予測対象が複数の予測対象の和によって表現される場合に、それらの予測の根拠を可視化できる。
　また、学習部８２は、線形重回帰モデルを学習してもよい。そして、第一表示制御部８３は、線形重回帰モデルを構成する係数および説明変数を表示装置に表示させてもよい。
　また、具体的には、ある時刻における予測対象が、同じ時刻における複数の部分予測対象の和（例えば、Ｙ＝ｙ１＋ｙ２＋…＋ｙｎ）により表現される。
　また、可視化システム８０は、予測用データをモデルに適用して予測値を算出し、グループごとの予測値の和を予測対象の予測結果として算出する予測結果算出部（例えば、予測結果算出部３１）と、予測結果の内訳として、グループごとの各予測値を区別可能な態様で表示装置に表示させる第二表示制御部（例えば、第二表示制御部３４）とを備えていてもよい。そのような構成により、部分予測対象の組み合わせの納得性を向上できる。
　このとき、予測結果算出部は、予測データをモデルに適用することにより一部のグループの予測値を算出し、予め推定された予測値を残りのグループの予測値に用いてもよい。
　また、可視化システム８０は、実績データに基づいて、グループごとに予測対象の実績値を集計する実績算出部（例えば、実績算出部３２）を備えていてもよい。そして、第二表示制御部は、集計されたグループごとの実績値を区別可能な態様で表示装置に表示させてもよい。そのような構成によれば、分類したグループの実績値の推移とともに予測結果を認識できる。
　そして、第二表示制御部は、一方の軸を時間軸とし他方の軸を予測対象とするグラフを表示装置に表示させてもよい。そのような構成によれば、時系列の予測結果を容易に把握することが可能になる。
　また、可視化システム８０は、ポインティングデバイス（例えば、マウス）を介して操作可能なオブジェクトを表示装置に表示させる第三表示制御部（例えば、第三表示制御部３５）を備えていてもよい。そして、第三表示制御部は、グラフの近傍に受付部８１を表示させてもよい。
　上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記１）予測対象が、複数の部分予測対象の和により表現される場合において、前記部分予測対象を複数のグループに纏める方法の指定を受け付ける受付部と、少なくとも１つ以上の前記グループについて、当該グループに含まれる前記部分予測対象の和を目的変数とするモデルを学習する学習部と、前記モデルを構成するパラメータを表示装置に表示させる第一表示制御部とを備えたことを特徴とする可視化システム。
（付記２）学習部は、線形重回帰モデルを学習し、第一表示制御部は、前記線形重回帰モデルを構成する係数および説明変数を表示装置に表示させる付記１記載の可視化システム。
（付記３）ある時刻における予測対象が、同じ時刻における複数の部分予測対象の和により表現される付記１または付記２記載の可視化システム。
（付記４）予測用データをモデルに適用して予測値を算出し、グループごとの予測値の和を予測対象の予測結果として算出する予測結果算出部と、前記予測結果の内訳として、グループごとの各予測値を区別可能な態様で表示装置に表示させる第二表示制御部とを備えた付記１から付記３のうちのいずれか１つに記載の可視化システム。
（付記５）予測結果算出部は、予測データをモデルに適用することにより一部のグループの予測値を算出し、予め推定された予測値を残りのグループの予測値に用いる付記４記載の可視化システム。
（付記６）実績データに基づいて、グループごとに予測対象の実績値を集計する実績算出部を備え、第二表示制御部は、集計されたグループごとの実績値を区別可能な態様で表示装置に表示させる付記４または付記５記載の可視化システム。
（付記７）第二表示制御部は、一方の軸を時間軸とし他方の軸を予測対象とするグラフを表示装置に表示させる付記４から付記６のうちのいずれか１つに記載の可視化システム。
（付記８）ポインティングデバイスを介して操作可能なオブジェクトを表示装置に表示させる第三表示制御部を備え、前記第三表示制御部は、グラフの近傍に受付部を表示させる付記７記載の可視化システム。
（付記９）予測対象が、複数の部分予測対象の和により表現される場合において、前記部分予測対象を複数のグループに纏める方法の指定を受け付け、少なくとも１つ以上の前記グループについて、当該グループに含まれる前記部分予測対象の和を目的変数とするモデルを学習し、前記モデルを構成するパラメータを表示装置に表示させることを特徴とする可視化方法。
（付記１０）予測対象が、複数の部分予測対象の和により表現される場合において、コンピュータに、前記部分予測対象を複数のグループに纏める方法の指定を受け付ける受付処理、少なくとも１つ以上の前記グループについて、当該グループに含まれる前記部分予測対象の和を目的変数とするモデルを学習する学習処理、および、前記モデルを構成するパラメータを表示装置に表示させる第一表示制御処理を実行させるための可視化システム。
　１０　受付部
　２０　学習部
　３０　表示制御部
　３１　予測結果算出部
　３２　実績算出部
　３３　第一表示制御部
　３４　第二表示制御部
　３５　第三表示制御部
　４０　記憶部
　１００　可視化システム
　１１０　表示装置

Claims (10)

  1. 　予測対象が、複数の部分予測対象の和により表現される場合において、
    　前記部分予測対象を複数のグループに纏める方法の指定を受け付ける受付部と、
    　少なくとも１つ以上の前記グループについて、当該グループに含まれる前記部分予測対象の和を目的変数とするモデルを学習する学習部と、
    　前記モデルを構成するパラメータを表示装置に表示させる第一表示制御部とを備えた
    　ことを特徴とする可視化システム。
  2. 　学習部は、線形重回帰モデルを学習し、
    　第一表示制御部は、前記線形重回帰モデルを構成する係数および説明変数を表示装置に表示させる
    　請求項１記載の可視化システム。
  3. 　ある時刻における予測対象が、同じ時刻における複数の部分予測対象の和により表現される
    　請求項１または請求項２記載の可視化システム。
  4. 　予測用データをモデルに適用して予測値を算出し、グループごとの予測値の和を予測対象の予測結果として算出する予測結果算出部と、
    　前記予測結果の内訳として、グループごとの各予測値を区別可能な態様で表示装置に表示させる第二表示制御部とを備えた
    　請求項１から請求項３のうちのいずれか１項に記載の可視化システム。
  5. 　予測結果算出部は、予測データをモデルに適用することにより一部のグループの予測値を算出し、予め推定された予測値を残りのグループの予測値に用いる
    　請求項４記載の可視化システム。
  6. 　実績データに基づいて、グループごとに予測対象の実績値を集計する実績算出部を備え、
    　第二表示制御部は、集計されたグループごとの実績値を区別可能な態様で表示装置に表示させる
    　請求項４または請求項５記載の可視化システム。
  7. 　第二表示制御部は、一方の軸を時間軸とし他方の軸を予測対象とするグラフを表示装置に表示させる
    　請求項４から請求項６のうちのいずれか１項に記載の可視化システム。
  8. 　ポインティングデバイスを介して操作可能なオブジェクトを表示装置に表示させる第三表示制御部を備え、
    　前記第三表示制御部は、グラフの近傍に受付部を表示させる
    　請求項７記載の可視化システム。
  9. 　予測対象が、複数の部分予測対象の和により表現される場合において、
    　前記部分予測対象を複数のグループに纏める方法の指定を受け付け、
    　少なくとも１つ以上の前記グループについて、当該グループに含まれる前記部分予測対象の和を目的変数とするモデルを学習し、
    　前記モデルを構成するパラメータを表示装置に表示させる
    　ことを特徴とする可視化方法。
  10. 　予測対象が、複数の部分予測対象の和により表現される場合において、
    　コンピュータに、
    　前記部分予測対象を複数のグループに纏める方法の指定を受け付ける受付処理、
    　少なくとも１つ以上の前記グループについて、当該グループに含まれる前記部分予測対象の和を目的変数とするモデルを学習する学習処理、および、
    　前記モデルを構成するパラメータを表示装置に表示させる第一表示制御処理
    　を実行させるための可視化プログラム。
PCT/JP2017/023896 2017-06-29 2017-06-29 可視化システム、可視化方法および可視化プログラム WO2019003376A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/JP2017/023896 WO2019003376A1 (ja) 2017-06-29 2017-06-29 可視化システム、可視化方法および可視化プログラム
JP2019526059A JPWO2019003376A1 (ja) 2017-06-29 2017-06-29 可視化システム、可視化方法および可視化プログラム
US16/626,913 US11586947B2 (en) 2017-06-29 2017-06-29 Visualization system, visualization method, and visualization program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2017/023896 WO2019003376A1 (ja) 2017-06-29 2017-06-29 可視化システム、可視化方法および可視化プログラム

Publications (1)

Publication Number Publication Date
WO2019003376A1 true WO2019003376A1 (ja) 2019-01-03

Family

ID=64742894

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/023896 WO2019003376A1 (ja) 2017-06-29 2017-06-29 可視化システム、可視化方法および可視化プログラム

Country Status (3)

Country Link
US (1) US11586947B2 (ja)
JP (1) JPWO2019003376A1 (ja)
WO (1) WO2019003376A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006318249A (ja) * 2005-05-13 2006-11-24 Ricoh Co Ltd 顧客の分類システム、顧客の分類方法および記録媒体
JP2016115157A (ja) * 2014-12-15 2016-06-23 富士通株式会社 売上予測プログラム提供方法、売上予測プログラム提供プログラムおよび売上予測プログラム提供装置
JP2016181060A (ja) * 2015-03-23 2016-10-13 大阪瓦斯株式会社 電力需要予測システム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5130851B2 (ja) * 2007-09-27 2013-01-30 富士通株式会社 モデル作成支援システム、モデル作成支援方法、モデル作成支援プログラム
US20140188446A1 (en) * 2011-06-16 2014-07-03 Nec Corporation System performance prediction method, information processing device, and control program thereof
US8880477B2 (en) * 2011-10-04 2014-11-04 Nec Laboratories America, Inc. Latency-aware live migration for multitenant database platforms
US9324026B2 (en) * 2013-09-20 2016-04-26 Nec Corporation Hierarchical latent variable model estimation device, hierarchical latent variable model estimation method, supply amount prediction device, supply amount prediction method, and recording medium
US9367821B2 (en) * 2014-09-03 2016-06-14 Nec Corporation System and method for profiling requests in service systems
JPWO2016088370A1 (ja) 2014-12-05 2017-09-14 日本電気株式会社 情報処理装置、モデル構築方法及びプログラム記録媒体

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006318249A (ja) * 2005-05-13 2006-11-24 Ricoh Co Ltd 顧客の分類システム、顧客の分類方法および記録媒体
JP2016115157A (ja) * 2014-12-15 2016-06-23 富士通株式会社 売上予測プログラム提供方法、売上予測プログラム提供プログラムおよび売上予測プログラム提供装置
JP2016181060A (ja) * 2015-03-23 2016-10-13 大阪瓦斯株式会社 電力需要予測システム

Also Published As

Publication number Publication date
JPWO2019003376A1 (ja) 2020-04-23
US11586947B2 (en) 2023-02-21
US20200125972A1 (en) 2020-04-23

Similar Documents

Publication Publication Date Title
CN100428238C (zh) 在流设计工具中显示性能约束的方法和***
JP7033490B2 (ja) 在庫管理装置、在庫管理方法及びプログラム
Chica et al. Benefits of robust multiobjective optimization for flexible automotive assembly line balancing
Solke et al. Analysis of relationship between manufacturing flexibility and lean manufacturing using structural equation modelling
WO2015136885A1 (ja) 評価システム、評価方法およびコンピュータ読み取り可能な記憶媒体
Dellino et al. Microforecasting methods for fresh food supply chain management: A computational study
Biller et al. Simulation: The critical technology in digital twin development
US20190205361A1 (en) Table-meaning estimating system, method, and program
WO2019003376A1 (ja) 可視化システム、可視化方法および可視化プログラム
WO2019187289A1 (ja) 評価システム、評価方法および評価用プログラム
WO2022064894A1 (ja) 情報処理装置、情報処理方法、およびプログラム
JP6151435B2 (ja) 倉庫収益シミュレーション装置
Oh et al. An optimal quantity of scheduling model for mass customization-based additive manufacturing
CN114065997A (zh) 利用机器学习模型来管理和确定新产品开发的预测成功率
JP4419814B2 (ja) サービス品質評価支援装置
Illgen et al. Digital assistance system for target date planning in the initiation phase of large-scale projects
JP7095744B2 (ja) 予測状況可視化装置、予測状況可視化方法および予測状況可視化プログラム
WO2019053828A1 (ja) 情報分析装置、情報分析方法および情報分析プログラム
CN112906723A (zh) 一种特征选择的方法和装置
KR20160081246A (ko) Epc 공정률 산출 및 관리 시스템
WO2021193441A1 (ja) 不公正取引可視化装置、方法およびプログラム
WO2023149120A1 (ja) 情報処理装置、情報処理方法およびプログラム
CN112990636B (zh) 计算机***和日程安排***的验证方法
JP2022101879A (ja) 需要予測装置、需要予測方法およびプログラム
WO2024095304A1 (ja) 支援装置、支援方法、および支援プログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17916228

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019526059

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17916228

Country of ref document: EP

Kind code of ref document: A1