JP4386973B2 - Hierarchical prediction model construction apparatus and method - Google Patents

Description

具体的には、表１の商品属性から新規に売り出す商品と同一あるいは類似の商品を検索し、検索された同一あるいは類似商品の過去の需要量の時系列データからその商品の将来の需要を予測していた。
【００１２】
この際の需要予測の方法としては、需要量の推移から経験と勘によって予測する方法、あるいは、移動平均法、自己回帰法、自己回帰移動平均法などの時系列予測の方法が主であった。
【００１３】
ここで、移動平均法とは、１年の間の季節変動（たとえば、季節による需要の変動、ボーナス月の一時的な需要の高騰など）の影響をなくし、商品の恒常的な需要の推移等を観察し、あるいは将来予測する方法である。
【００１４】
たとえば、ある商品の１９８５年から１９９５年の月次データから、その季節変動をなくした需要の推移を求めるには、１９８５年１月〜１９８５年１２月の平均値を１９８５年の６．５月の季節調整値、次に１期ずらした１９８５年２月〜１９８６年１月の平均値を１９８５年の７．５月の季節調整値、というように次々に季節調整値を求め、さらに、隣接する２つの季節調整値の中心値を求めることにより（移動平均値の中心化）、この商品の移動平均を求めることができる。
【００１５】
この移動平均は、局所的な季節変動をなくしたその商品の安定的な需要推移を示しており、この需要推移から回帰分析等の手法によって将来の需要予測を行うことができる。
【００１６】
自己回帰法は、たとえば月ごとに商品の売上げ等のデータを取得し、ある月の売上げは、その前月（あるいはその前の数月）の売上げにある係数をかけたものと、定数と、時間の確率的関数であるホワイト・ノイズとの和であるとし、上記商品の売上げデータの全体に適合する係数、定数、ホワイト・ノイズを求めることによって将来の商品売上げを予測する方法である。
【００１７】
また、自己回帰移動平均法は、上記自己回帰法と移動平均法とを組み合わせたもので、季節調整した移動平均値について自己回帰法によって将来の予測を行うものである。
【００１８】
なお、経験による需要予測方法は、販売者や製造者が過去の実績に基づき、多少の変動要素を勘によって加える方法で、種々のノウハウがあるものの、客観的な根拠や基準を求めることは難しい。
【００１９】
【発明が解決しようとする課題】
上述したことを要約すると、従来はある商品の将来の需要予測をする場合、その商品と同一あるいは類似する商品の過去の実績から、上記いずれかの予測方法によって将来の需要予測を行っていた。
【００２０】
しかし、全く同一属性の商品の需要予測を行う場合は従来の方法によっても比較的精度が高い予測を行えるものの、類似商品の需要予測を行う場合、あるいはある特定の属性を特徴とする新商品の需要予測をする場合は、問題を生じる。
【００２１】
これは、一般に一つの商品は非常に多くの属性を有しており、ある商品の将来の需要予測を行う場合は、どの属性を予測の支配的要因にするか判断が困難なことに原因がある。
【００２２】
たとえば、類似商品といっても、形状が類似する商品の実績データを用いるのか、あるいは商品イメージ（ブランド等）が類似する商品の実績データを用いるのか、あるいは宣伝広告の方法が類似する商品の実績データを用いるのかにより、需要予測は大きく異なった結果となる。上記いずれの商品属性を売上げに支配的な属性とするかは、実際には判断が非常に難しいのである。
【００２３】
また、同一商品でも、宣伝広告の方法のような目にみえない商品属性によって大きく売上げが左右されることもある。まして、商品の売行きに影響する商品の属性は、上記のような単一のものではなく、複数の属性の組合せからなるのが通常であるので、ある商品の将来の需要予測を行うときに、その商品から売上げに支配的な商品属性を抽出し、その商品属性に基づいて過去の実績データから適当な予測モデルを特定することはほとんど不可能であった。
【００２４】
このため、従来はすでに説明したように、過去の実績データのうち、同一又は類似の商品の実績データを参照し、その過去の実績データとの差異を人間の勘によって加味して将来の需要予測を行っていたが、その判断の基礎にする実績データの選定やその実績データとの差異に何ら客観的な根拠や評価を与えることはできなかった。このような商品予測には何も保証がなかった。
【００２５】
上記商品の売行きに対する支配的な属性を特定する一つの方法として、アンケート調査が従来から行われていた。しかし、アンケート調査等による方法は、時間と手間と経費がかかる割には、把握できる商品の範囲が限られるので、数千あるいは数万種類に及ぶ商品全般についてアンケート調査をすることは不可能であった。
【００２６】
そこで、本発明が解決しようとする課題は、上記商品とその需要予測に限らず、所定の属性を有する予測対象物の過去の実績データ（標本データ）から、属性によって標本を適当なレベルまで共通の属性のグループに分類し、かつ、それらグループの標本に最適な予測モデルを自動的に構築する階層的予測モデル構築装置及びその方法を提供することにある。
【００２７】
【課題を解決するための手段】
本願請求項１に係る階層的予測モデル構築装置は、
コンピュータを用いて階層的予測モデルを構築する装置であって、
ユーザーの命令、予測項目の実績値と予測項目を規定する各属性項目の値を有する標本データ、標本分類を行うための属性の入力を受け付ける入力手段と、
下式（１）で示される予測モデル候補式と、平均二乗誤差、ＡＩＣ（赤池情報量基準）、ＭＤＬ（最小記述長）のいずれかによる予測モデルの評価基準式と、分類制御の条件式とを格納した記憶手段と、
前記入力手段から入力された所定の標本データについて、予測項目をＹ、任意に選択した属性項目をＸ1，Ｘ2，・・・，Ｘkとして、標本データ全体を対象にして回帰分析を行うことにより、前記予測モデル候補式のパラメータβ0,β1,‥βkを推定し、推定後の該予測モデル式について前記予測モデル評価基準式に従って評価値を算出するモデル推定・評価手段と、
属性項目を選択していない場合は任意の属性の項目を選択し、すでに所定の属性項目を分類のために選択した場合は未選択の属性項目から任意の属性項目を選択し、前記属性の項目の値が定性的な変数の場合はカテゴリー値またはカテゴリー値の組合せによって、前記属性の項目の値が定量的な変数の場合はその値の所定の帯域によって、すでに分類された標本データをさらに細かくする方向で階層的に前記標本データを分類する分類手段と、
前記分類手段によって分類された標本データの各個数を計算し、その個数が所定数以上であると判断した場合は、前記モデル推定・評価手段に、該標本データについて前記予測モデル候補式のパラメータβ0,β1,‥βkを推定させるとともに、推定された後の該予測モデル式について前記予測モデル評価基準式に従って新たな評価値を算出させ、一方、その個数が所定数に達しないと判断した場合は、該標本データの上位階層の親ノードの予測モデル式を該標本データの予測モデル式とみなし、前記モデル推定・評価手段に、該予測モデル式について前記予測モデル評価基準式に従って新たな評価値を算出させ、さらに、この新たな評価値がもとの評価値より所定幅以上向上していると判断した場合は前記分類手段に、分類のための属性の選択及び分類の推進を行わせ、そうでない場合はその分類を破棄しそれ以上の分類を停止する分類制御手段と、
前記モデル推定・評価手段と分類手段と分類制御手段とによって構築された属性による標本の階層的分類と、その階層的分類の各末端の標本に適合する予測モデル式とを出力する出力手段と、
からなることを特徴とするコンピュータを用いた階層的予測モデル構築装置。
【数１】
Ｙ ＝β0+β1 Ｘ1＋β2 Ｘ2＋…＋βk Ｘk（１）
ここで、Ｘ1,Ｘ2,‥Ｘk, Ｙ ：変数（ＸとＹはそれぞれ属性項目と予測項目を表わす）
β0,β1,‥βk ：パラメーター
【００３２】
【発明の実施の形態】
次に本発明の実施の形態について説明する。
図１は、本発明による階層的予測モデル構築装置の一実施形態の構成とそれらの構成要素の相互の関係を示したものである。これに対して、図２は、図１の階層的予測モデル構築装置による予測モデル構築方法の処理の流れを示したものである。これら図１と図２とを交互に参照しながら本実施形態による階層的予測モデル構築装置の構成およびその処理の流れを以下に説明する。
【００３３】
図１に示すように、本実施形態による階層的予測モデル構築装置１は、入力手段２と、モデル推定・評価手段３と、分類手段４と、分類制御手段５と、出力手段６からなる。
【００３４】
上記入力手段２は、階層的予測モデル構築装置１に対するユーザーの命令、予測モデル、予測モデルを構築するための目標となる実績データ（ティーチングデータまたは標本データ）、予測モデルの評価基準、分類を行うための属性、分類制御の条件などを入力するための手段である。この入力手段２は、具体的にはキーボード、ポインティングデバイス、タッチパネル等を含む公知の任意の入力装置からなる。
【００３５】
モデル推定・評価手段３は、所定の対象物群に対する予測モデルのパラメータを推定し、その適合性を評価する手段である。また、モデル推定・評価手段３は、単数の予測モデルについて評価することもできるが、好ましくはその評価の結果として複数の予測モデル候補の中から最適な予測モデルを選択できるようにする。
【００３６】
分類手段４は、将来の動向の予測をしようとする対象物の標本を所定の属性によって階層的に分類するための手段である。
【００３７】
分類制御手段５は、分類手段４が行った分類結果に対して所定の条件によって分類のための属性の選択、分類の推進または停止を判断し、その判断間結果によって分類手段４を制御するものである。
【００３８】
上記モデル推定・評価手段３と分類手段４と分類制御手段５は、相互に関連しあって標本に適合する予測モデルを構築できるまでサイクリックな処理を繰り返す予測モデル構築エンジン７を構成する。この予測モデル構築エンジン７は、専用の装置でもよいが、好ましくは汎用的な通常のコンピュータであって、ソフトウェアによって上記処理を行うように制御されたものである。
【００３９】
出力手段６は、上記予測モデル構築エンジン７が構築した最適な予測モデルと、予測対象物の最適な分類とを出力する装置であって、プリンター、表示装置を含む任意の公知のユーザーインターフェイスをいう。
【００４０】
次に、上記階層的予測モデル構築装置１による処理の流れを図２のフローチャートにそって以下に説明する。
【００４１】
階層的予測モデル構築装置１による処理においては、最初に入力手段２によって実績データ、予測モデル候補、予測モデル評価基準、分類停止条件等を入力する（ステップＳ１００）。ここで、上記「実績データ」、「予測モデル候補」、「予測モデル評価基準」、「分類停止条件」について説明しておく。
【００４２】
「実績データ」は、前述したティーチングデータまたは標本データであって、予測モデルを構築する上で、適合すべき目標となるデータである。
【００４３】
「予測モデル候補」は、複数でも単数でもよい予測モデルであって、たとえば、次のようなものがある。
【００４４】
Ｙ ＝β0+β1 Ｘ1＋β2 Ｘ2＋…＋βk Ｘk＋ｕ ‥ （１）
ここで、Ｘ1,Ｘ2,‥Ｘk, Ｙ ：変数（ＸとＹはそれぞれ原因と結果を表わす）
β0,β1,‥βk ：パラメーター
ｕ ：誤差項
「予測モデルの評価基準」は、予測モデルの適合性を評価するものであって、たとえば平均二乗誤差、ＡＩＣ（赤池情報量基準）、ＭＤＬ（最小記述長）等を含む公知の任意の評価基準を使用することができる。
【００４５】
なお、平均二乗誤差による評価は、ティーチングデータ（ｎ個）について予測モデルによる予測値と実際の観測値との差分δを求め、下式の平均二乗誤差ｅが小さいほどよいとする予測モデル評価方法である。
【００４６】

また、ＡＩＣによる予測モデルの評価は、下式のＡＩＣを最小とする予測モデルを最適予測モデルとする方法である。
ＡＩＣ＝−２×（モデルの最大対数尤度）＋２×（モデルの自由パラメータ数）
ここで、最大対数尤度は、対数尤度を最大とするパラメータのモデル（最尤モデル）の対数尤度である。なお一般に、対数尤度＝Σｎｉｌｏｇｑｉ である。ｎｉとｑｉは、それぞれ事象ｉが生じた度数と事象ｉが生じる予測確率である。
【００４７】
ここで注目すべき点は、上記ＡＩＣの式の右辺第１項は、予測値と真の確率分布の差が小さいほど負に大きくなり、また、右辺第２項は、予測モデルのパラメータ数が少ないほど小さくなることである。つまり、ＡＩＣ評価値は、予測モデルはパラメータ数が大きくなるほど予測精度が向上するが、これに反比例して予測モデルとしての適応性または一般性を失うことを示している。これは、一般に節約の原理と呼ばれ、本発明の予測モデル構築にも考え方として採用されている。このことについては、後にさらに詳しく説明する。
【００４８】
また、ＭＤＬによる方法は、上記節約の原理の別な形の表現であって、「予測モデル自体の記述長と、この予測モデルを用いて与えられたデータを記述した際の記述長とを最も短く符号化できるような予測モデルが最良のモデルである。」を数式化した方法である。このＭＤＬによる評価方法は、公知のものであって、本発明の本旨ではないので、これ以上の説明は省略する。
【００４９】
「分類停止条件」は、階層的予測モデル構築装置１の分類制御手段５が、分類手段４による標本の分類を推進または停止するのを判断するための条件である。本発明による方法では、分類を推進するためには分類されたグループの標本の個数が所定の個数以上であること、および、新たな分類によって予測モデルの評価値が所定の値以上に向上していることの両面から分類の推進を制限している。
これは、前記ＡＩＣのところで述べた予測モデルの予測精度向上と、予測モデルとしての適応性あるいは一般性の維持と、共通する考え方である。つまり、標本をその属性によって細く分類すれば、分類されたグループの標本個数が減少し、実績データに対する予測モデルの予測精度（適合性）は向上するが、しかし逆に示知データに対するその予測モデルの予測精度は悪化する。
【００５０】
そこで、本発明の分類停止条件は、予測モデルの適合性が向上する場合は標本の分類を推進し、しかし、標本の個数が所定の個数以下になった場合は標本の分類を停止するようにしている。もっとも、ＡＩＣ，ＭＤＬ等によって予測モデルを評価する場合は、予測モデルの適応性・一般性も評価されるので、標本群の標本個数による評価を省略することもできる。
【００５１】
以上の実績データ、予測モデル候補、予測モデルの評価基準、分類停止条件は、入力手段２によって入力される。次に、実績データ、予測モデル候補、予測モデルの評価基準は、モデル推定・評価手段３に入力され、モデル推定・評価手段３によって最適予測モデル決定され、その最適予測モデルによる評価値が算出される（ステップＳ１１０）。
【００５２】
上記ステップＳ１１０の初期評価値算出は、標本がまだ分類がされていないので、標本の全体について全予測モデル候補の最適パラメータを求め（回帰分析等の公知方法による）、さらにそれら全予測モデルについてＡＩＣ，ＭＤＬ等の予測モデル評価基準によって評価し、もっとも適合性が高い予測モデルを予測モデルとし、その評価値を初期評価値とする。この初期評価値は、次に行われる標本分類の推進あるいは停止の判断基準となる。
【００５３】
次に、階層的予測モデル構築装置１は、標本分類のための各属性により、分類手段４によって標本を分類する。
【００５４】
分類手段４は好ましくは、標本分類のための属性が定性的な変数の場合は、そのカテゴリー値またはその組合せによって標本を分類する。また、標本分類のための属性が定量的な変数の場合は、その値の所定の帯域によって標本を分割する。さらに好ましくは、定量的な属性の標本に現われた値（有限個）によって標本を分割する（ステップＳ１２０）。
【００５５】
次に、ステップＳ１３０において分類された標本群の個数が、所定の個数以上と判断したならば、次にモデル推定・評価手段３により、分類された標本群にもっとも適合する予測モデルを選択し、かつ、その予測モデルによる評価値を算出する（ステップＳ１４０）。一方、ステップＳ１３０において分類された標本群の個数が、所定の個数に達しない場合には、その予測モデルは上位階層の親ノードのモデルを用いる、当該標本群の実績値の平均値を用いるなどとする。なお、上記ステップＳ１４０では、ステップＳ１１０と同様に、分類された標本群について全予測モデル候補の最適パラメータを推定し、さらにそれら全予測モデルについてＡＩＣ，ＭＤＬ等の予測モデル評価基準によって評価し、もっとも適合性が高い予測モデルを予測モデルとし、その評価値を算出する。
【００５６】
各分類された標本群について予測モデルの評価値を算出した後は、分類制御手段５により、分類による評価値の向上の幅を評価することにより、分類のための最適な属性を選択し、分類の推進あるいは停止を判断する（ステップＳ１５０）。評価値が向上しているならば、その属性による分類が有効であることを意味しているので、その分類を採用し、さらに次の分類を探索すべくステップＳ１２０に戻る。なお、２回目以降の標本分類は、すでに分類された標本のグループをさらに細かくする方向で分類する（これを本明細書では階層的分類という）。
【００５７】
一方、ステップＳ１５０において、分類された標本群の予測モデルの評価値に向上が見られなくなったら、その属性による分類は有効な分類ではないので、その分類を破棄し、それ以上の分類を停止する（ステップＳ１６０）。
【００５８】
これ以降、モデル推定・評価手段３が分類推進と判断する限り、ステップＳ１２０〜ステップＳ１５０の処理を繰り返す。この分類と予測モデルの評価が繰り返される度に、標本の分類は細かくなり、予測モデルの予測精度は向上する。
【００５９】
しかし、標本の分類が細かくなると、予測モデルの予測精度が向上するものの、分類された標本グループの標本の個数が所定の数に達しなくなったり、あるいは、ＡＩＣ，ＭＤＬ等の評価方法による場合は予測モデルの評価値が低下してくる。このため、最終的には分類制御手段５により、分類の停止命令が発せられ、分類が終了する（ステップＳ１６０）。
【００６０】
分類が終了すると、出力手段６により、最終的な属性による分類の階層構造と、分類された末端の標本グループに最も適合する予測モデルを出力する（ステップＳ１７０）。
【００６１】
この構築された予測モデルを用いることにより、各標本グループの属性と共通の属性を有する予測対象物の将来の動向を予測することができる。
【００６２】
ここで、本発明による予測モデルをさらに明確にするために、上記方法により構築された予測モデルの一例を図３に示す。
【００６３】
図３の例では、最初に全商品を「ヤング向け商品」か「中高年向け商品」かで分類している。
【００６４】
次に、各々をそれぞれ別の様々な属性によって分類を試みる。中高年向け商品については、色の派手か地味かで商品を分類した場合が最も予測精度が向上する。それ以上の分類を行っても評価値が向上しないための分類を停止し、その場合の最適予測モデルは各々Ｄ＝２．１Ｃ−０．１４Ｐ＋１５３１，Ｄ＝２．７Ｃ−０．０４Ｐ＋１７７５となる（ただし、Ｄ：今期の需要量、Ｃ：広告費、Ｐ：価格とする）。
【００６５】
これに対して、ヤング向け商品の方は、商品が「セット商品か単品商品か」、「単品商品」についてはさらに素材が天然か否かによって階層的に分類し、最終的に分類の階層構造の各末端の商品グループについて予測モデルＤ＝３１．７Ｃ−０．１０Ｐ＋２１７７，…を特定している。
【００６６】
この例に示すように、本発明の階層的予測モデル構築装置１とその方法によって構築される予測モデルとは、図３の分類階層構造と、その階層構造の末端の各商品グループの予測モデル（特定されたパラメータを含む）の全体をいう。このように、分類された各商品グループは、特定の共通の属性を有し、そのグループの予測モデルによって、高い精度の予測を行うことができる。
【００６７】
たとえば、図３の最初の商品グループは、ヤング向け商品であり、さらにセット商品と分類される商品である。この商品グループの予測モデルはＤ＝３１．７Ｃ−０．１０Ｐ＋２１７７である。この商品グループの予測モデルを使用することにより、この商品グループの属性と同一の属性を有する商品の将来の需要予測をすることができるのである。
【００６８】
このように、本発明の階層的予測モデル構築装置およびその構築方法によれば、過去の膨大な実績データから、属性により、かつ、予測モデルとしての精度の維持と適応性とを両立させるレベルで標本を分類し、分類された各標本群に最適な予測モデルを特定することができる。これにより、各予測モデルによって表わされた各標本の動向を支配する属性を顕在化させ、予測を行う際の指標を客観化させることができる。しかも、各予測モデルは、過去の同一属性の標本にもっとも適合する予測モデルであるので、高い信頼性の予測を行うことができる。
【００６９】
なお、本発明は「属性」によって種々の動向を示す「対象物」であって、過去に属性によって分類された動向の実績データを有するものならば適用でき、上記具体的な形態を有する商品の需要予測の他、種々のものが有り得る。たとえば、無形の金融商品の売行き予測、あるいは商品とは言えない社会現象の予測、あるいはそれらの中間的存在とも言える株価の予測等、所定の属性を有し、その属性によって動向が左右されるものであれば、その予測モデルを構築することができる。
【００７０】
上記階層的予測モデル構築装置１では、入力手段２により、予測モデル候補、予測モデル評価基準、分類制御の条件を必要な時に自由に入力可能としているが、これらの諸条件・データを予め固定して設定しておき、処理のためのユーザーの命令、標本データ、分類のための属性のみを入力することができるように構成した装置も本発明の範囲に含まれる。
【００７１】
【発明の効果】
以上の説明から明らかなように、本発明による階層的予測モデル構築装置およびその方法によれば、属性によって様々な動向を示すものの実績データから、属性により、かつ、予測モデルとしての精度の維持と適応性とを両立させるレベルで標本を分類し、分類された各標本群に最適な予測モデルを特定することができる。
【００７２】
すなわち、本発明の装置と方法は、種々の動向を示す標本について、それらの動向を支配する属性を顕在化させ、予測を行う際の指標を客観化させることができる。しかも、所定の標本群について構築した予測モデルは、その標本群の属性を有するものの過去の実績に最も適合する予測モデルであるので、信頼性の極めて高い予測を行うことができる。
【００７３】
この階層的予測モデル構築装置とその方法を膨大な種類の商品の需要予測に適用すれば、膨大な量の過去の売上げデータから、予測しようとする商品の属性と同一属性の商品グループを発見し、その商品グループの売上げに最も適合する予測モデルを素早く特定し、信頼性の高い需要予測を行うことができるのである。
【図面の簡単な説明】
【図１】本発明による階層的予測モデル構築装置の構成を示したブロック図。
【図２】本発明による階層的予測モデル構築方法の処理の流れを示したフローチャート。
【図３】本発明による階層的予測モデル構築装置およびその方法によって構築された予測モデルの一例を示した図。
【符号の説明】
１ 階層的予測モデル構築装置
２ 入力手段
３ モデル推定・評価手段
４ 分類手段
５ 分類制御手段
６ 出力手段
７ 予測モデル構築エンジン[0001]
BACKGROUND OF THE INVENTION
Although the present invention shows various trends and trends by combining a plurality of attributes, in order to predict future trends and trends, the past performance data of the object is used as a sample, and these samples are classified hierarchically by attribute. A classification method in which the classified sample group shows the most regular trends and trends, and a prediction model (for example, regression model, time series model, autoregressive moving average model, etc.) that best fits the classified sample group BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a hierarchical prediction model construction apparatus and method that are automatically obtained.
[0002]
The hierarchical prediction model construction apparatus and method can be applied to “demand prediction” of “products” having various types and variations depending on a large number of attributes. In this specification, the demand forecast for goods will be described as an example.
[0003]
[Prior art]
Product sales are affected by various factors. There are two types of these factors: the nature of the product itself and the external conditions surrounding the product.
[0004]
The property of the product itself is inherently unique to the product, such as the function, design, price, etc. of the product, and is thus distinguished from other products. The external conditions surrounding the product indirectly affect the sales of the product, such as advertising expenses for the product, the sale time of the product, the purchase class of the product, and the fashion.
[0005]
Both the property of the product and the external conditions of the product are related to the sales of the product and affect them, so these are collectively referred to as “product attributes” in this specification.
[0006]
The phenomenon that sales of a product are favorable is that many consumers are motivated to purchase by a predetermined attribute or a combination of a plurality of predetermined attributes among the many attributes of the product. It is caused by performing the act of purchasing.
[0007]
However, since there are many attributes of the above-mentioned products in one product and not only visible attributes, when selling and purchasing the product, the attribute of the product that both the seller and the consumer have motivated the purchase, Or they often do not clearly recognize their combination.
[0008]
For this reason, when a certain product shows good sales, it is often impossible to objectively grasp the reason for the good sales of products, that is, the attributes of dominant products that are making good sales of products. is there.
[0009]
Due to the above circumstances, demand forecasts for products that have been made in the past have been made based on human experience and intuition, without having an objective and clear understanding of attributes that have a large impact on the sales of the products to be forecasted. The majority.
[0010]
For example, conventionally, sales data of past products is accumulated, classified as shown in Table 1 below, and products are predicted simply by referring to this table.
[0011]
[Table 1]

Specifically, a product that is the same as or similar to the product that is newly sold is searched from the product attributes in Table 1, and the future demand of the product is predicted from the time series data of the past demand of the same or similar product that is searched. Was.
[0012]
As the demand forecasting method at this time, the forecasting method based on experience and intuition from the transition of the demand amount, or the time series forecasting method such as the moving average method, autoregressive method, autoregressive moving average method, etc. were mainly used. .
[0013]
Here, the moving average method eliminates the effects of seasonal fluctuations during the year (for example, fluctuations in demand due to the season, temporary rises in demand during the bonus month, etc.), and changes in the constant demand for goods, etc. Is a method of observing or predicting the future.
[0014]
For example, to obtain the trend of demand without seasonal variation from the monthly data of a product from 1985 to 1995, the average value from January 1985 to December 1985 can be calculated by using the average value in May 1985. Seasonally adjusted values, then the average value of February 1985-January 1986, shifted by one period, and the seasonally adjusted value of 7.5 months of 1985 are obtained one after another. By calculating the center value of the two seasonally adjusted values (centering the moving average value), the moving average of this product can be determined.
[0015]
This moving average indicates a stable demand transition of the product without local seasonal fluctuations, and future demand prediction can be performed from this demand transition by a method such as regression analysis.
[0016]
Autoregressive method, for example, acquires data such as product sales every month, and sales for a certain month are calculated by multiplying the coefficient of sales for the previous month (or previous months) by a constant, time This is a method of predicting future product sales by obtaining a coefficient, a constant, and white noise that match the entire sales data of the product, assuming that it is the sum of white noise, which is a stochastic function.
[0017]
The autoregressive moving average method is a combination of the autoregressive method and the moving average method, and predicts the future of the seasonally adjusted moving average value by the autoregressive method.
[0018]
The demand forecast method based on experience is a method in which sellers and manufacturers add some variation factors based on past results, and although there are various know-how, it is difficult to obtain objective grounds and standards .
[0019]
[Problems to be solved by the invention]
To summarize the above, in the past, when making a future demand prediction for a certain product, the future demand prediction was performed by one of the above prediction methods based on the past results of the same or similar product as that product.
[0020]
However, when forecasting demand for products with exactly the same attributes, it is possible to forecast with relatively high accuracy using conventional methods, but when forecasting demand for similar products, or for new products characterized by a specific attribute. Problems arise when forecasting demand.
[0021]
This is because a single product generally has many attributes, and it is difficult to determine which attribute will be the dominant factor in forecasting a future demand for a product. is there.
[0022]
For example, even if it is a similar product, is it possible to use performance data for products with similar shapes, or use performance data for products with similar product images (such as brands), or results of products with similar advertising methods? Depending on whether the data is used, the demand forecast will vary greatly. In actuality, it is very difficult to determine which of the above-mentioned product attributes is the dominant attribute for sales.
[0023]
Even for the same product, sales may be greatly affected by invisible product attributes such as the method of advertising. In addition, the product attributes that affect the sales of the products are usually not a single item as described above, but a combination of a plurality of attributes, so when making a future demand forecast for a product, It is almost impossible to extract a product attribute dominant in sales from the product and specify an appropriate prediction model from past performance data based on the product attribute.
[0024]
For this reason, as described above, future demand forecasts are made by referring to the actual data of the same or similar products in the past actual data and taking into account the difference from the past actual data by human intuition. However, it was not possible to give any objective basis or evaluation to the selection of the actual data used as the basis for the judgment or the difference from the actual data. There was no guarantee for such product prediction.
[0025]
Conventionally, a questionnaire survey has been performed as one method for specifying a dominant attribute for the sales of the above-mentioned products. However, methods such as questionnaire surveys require limited time, labor, and expense, so the range of products that can be grasped is limited, so it is impossible to conduct surveys on thousands or tens of thousands of products in general. there were.
[0026]
Therefore, the problem to be solved by the present invention is not limited to the above-mentioned product and its demand prediction, but common past samples (sample data) of a prediction target having a predetermined attribute to an appropriate level depending on the attribute. It is an object of the present invention to provide a hierarchical predictive model construction apparatus and method for automatically constructing predictive models that are classified into groups of attributes and automatically constructing optimal predictive models for samples of those groups.
[0027]
[Means for Solving the Problems]
The hierarchical prediction model construction apparatus according to claim 1 of the present application is
An apparatus for constructing a hierarchical prediction model using a computer,
An input means for receiving an instruction of a user, sample data having a value of each attribute item that defines a prediction item, a value of each prediction item, and an attribute for performing sample classification;
Prediction model candidate formula shown by the following formula (1), an evaluation standard formula of a prediction model based on any of mean square error, AIC (Akaike information criterion), MDL (minimum description length), classification control conditional formula, Storage means storing
By performing a regression analysis on the entire sample data, with Y as the prediction item and X1, X2,..., Xk as the prediction item for the predetermined sample data input from the input means, Model estimation / evaluation means for estimating parameters β0, β1,... Βk of the prediction model candidate formula, and calculating an evaluation value according to the prediction model evaluation standard formula for the prediction model formula after estimation,
If an attribute item is not selected, an item with an arbitrary attribute is selected. If an attribute item is already selected for classification, an arbitrary attribute item is selected from unselected attribute items, and the attribute item is selected. If the value of the attribute is a qualitative variable, the sample data that has already been classified is further refined by a category value or combination of category values , and if the value of the attribute item is a quantitative variable, the predetermined band of that value is used. Classification means for hierarchically classifying the sample data in a direction to
When the number of sample data classified by the classifying means is calculated and it is determined that the number is equal to or greater than a predetermined number, the model estimation / evaluation means sends the parameter β0 of the prediction model candidate formula for the sample data. , β1,... βk, and a new evaluation value is calculated according to the prediction model evaluation reference expression for the estimated prediction model expression after being estimated, while it is determined that the number does not reach a predetermined number The prediction model expression of the parent node in the upper hierarchy of the sample data is regarded as the prediction model expression of the sample data, and the model estimation / evaluation unit is given a new evaluation value according to the prediction model evaluation reference expression for the prediction model expression. It is calculated, and further, to the classification unit if the new evaluation value is determined to be increased a predetermined width or more than the original evaluation values, selection of attributes for the classification及To perform the promotion of classification, otherwise the classification control means discards that classification to stop further classification,
Output means for outputting a hierarchical classification of samples by attributes constructed by the model estimation / evaluation means, classification means, and classification control means, and a prediction model formula adapted to a sample at each end of the hierarchical classification;
A hierarchical prediction model construction apparatus using a computer characterized by comprising:
[Expression 1]
Y = β0 + β1 X1 + β2 X2 + ... + βk Xk (1)
Here, X1, X2,... Xk, Y: Variables (X and Y represent attribute items and prediction items , respectively)
β0, β1,... βk: Parameter [0032]
DETAILED DESCRIPTION OF THE INVENTION
Next, an embodiment of the present invention will be described.
FIG. 1 shows the configuration of an embodiment of a hierarchical prediction model construction apparatus according to the present invention and the mutual relationship between these components. On the other hand, FIG. 2 shows the flow of processing of the prediction model construction method by the hierarchical prediction model construction apparatus of FIG. The configuration of the hierarchical prediction model construction device according to the present embodiment and the flow of the processing will be described below with reference to FIGS. 1 and 2 alternately.
[0033]
As shown in FIG. 1, the hierarchical prediction model construction apparatus 1 according to the present embodiment includes an input unit 2, a model estimation / evaluation unit 3, a classification unit 4, a classification control unit 5, and an output unit 6.
[0034]
The input means 2 performs a user command to the hierarchical predictive model construction apparatus 1, a predictive model, actual result data (teaching data or sample data) for constructing the predictive model, evaluation criteria and classification of the predictive model. This is a means for inputting attributes for the purpose, classification control conditions, and the like. Specifically, the input unit 2 includes a known arbitrary input device including a keyboard, a pointing device, a touch panel, and the like.
[0035]
The model estimation / evaluation means 3 is a means for estimating the parameters of a prediction model for a predetermined object group and evaluating its suitability. The model estimation / evaluation means 3 can also evaluate a single prediction model, but preferably allows an optimum prediction model to be selected from a plurality of prediction model candidates as a result of the evaluation.
[0036]
The classifying means 4 is a means for hierarchically classifying a sample of an object for which a future trend is predicted according to a predetermined attribute.
[0037]
The classification control means 5 determines the selection of attributes for classification, the promotion or stop of classification according to a predetermined condition with respect to the classification result performed by the classification means 4, and controls the classification means 4 according to the result between the determinations. It is.
[0038]
The model estimation / evaluation means 3, the classification means 4, and the classification control means 5 constitute a prediction model construction engine 7 that repeats cyclic processing until a prediction model that correlates with each other and that matches the sample can be constructed. The prediction model construction engine 7 may be a dedicated device, but is preferably a general-purpose ordinary computer, and is controlled to perform the above processing by software.
[0039]
The output means 6 is a device that outputs the optimal prediction model constructed by the prediction model construction engine 7 and the optimum classification of the prediction object, and refers to any known user interface including a printer and a display device. .
[0040]
Next, the flow of processing by the hierarchical prediction model construction apparatus 1 will be described below with reference to the flowchart of FIG.
[0041]
In the process performed by the hierarchical prediction model construction device 1, first, actual data, prediction model candidates, prediction model evaluation criteria, classification stop conditions, and the like are input by the input unit 2 (step S100). Here, the “result data”, “prediction model candidate”, “prediction model evaluation criterion”, and “classification stop condition” will be described.
[0042]
“Actual data” is the above-described teaching data or sample data, and is data that is a target to be adapted in constructing the prediction model.
[0043]
“Prediction model candidates” are prediction models that may be plural or singular, and include, for example, the following.
[0044]
Y = β0 + β1 X1 + β2 X2 + ... + βk Xk + u (1)
Where X1, X2,... Xk, Y: Variables (X and Y represent cause and effect, respectively)
β0, β1,... βk: parameter
u: Error term “Evaluation criteria for prediction model” is for evaluating the suitability of a prediction model, and includes known mean square errors, AIC (Akaike information criterion), MDL (minimum description length), etc. Any evaluation criteria can be used.
[0045]
Note that the evaluation based on the mean square error is a prediction model evaluation method in which the difference δ between the predicted value based on the prediction model and the actual observed value is obtained for teaching data (n), and the smaller the mean square error e in the following equation, the better. It is.
[0046]

Moreover, the evaluation of the prediction model by AIC is a method in which the prediction model that minimizes the AIC in the following equation is used as the optimal prediction model.
AIC = −2 × (maximum log likelihood of model) + 2 × (number of free parameters of model)
Here, the maximum log likelihood is a log likelihood of a model (maximum likelihood model) of a parameter that maximizes the log likelihood. In general, log likelihood = Σnilogqi. ni and qi are the frequency of occurrence of event i and the predicted probability of occurrence of event i, respectively.
[0047]
It should be noted here that the first term on the right side of the above AIC equation becomes more negative as the difference between the predicted value and the true probability distribution is smaller, and the second term on the right side is the number of parameters of the prediction model. The smaller the number, the smaller. That is, the AIC evaluation value indicates that the prediction model improves the prediction accuracy as the number of parameters increases, but loses the adaptability or generality as the prediction model in inverse proportion to this. This is generally called the principle of saving and is adopted as a concept in the prediction model construction of the present invention. This will be described in more detail later.
[0048]
In addition, the MDL method is another form of expression of the principle of saving described above. “The description length of the prediction model itself and the description length when the given data is described using this prediction model are the largest. A prediction model that can be encoded in a short time is the best model. Since this evaluation method by MDL is a well-known method and is not the gist of the present invention, further explanation is omitted.
[0049]
The “classification stop condition” is a condition for the classification control unit 5 of the hierarchical prediction model construction apparatus 1 to determine whether to promote or stop the sample classification by the classification unit 4. In the method according to the present invention, in order to promote the classification, the number of samples of the classified group is equal to or greater than a predetermined number, and the evaluation value of the prediction model is improved to a predetermined value or more by the new classification. Restricting the promotion of classification in terms of
This is a common idea for improving the prediction accuracy of the prediction model described in the AIC and maintaining the adaptability or generality of the prediction model. In other words, if samples are classified finely according to their attributes, the number of samples in the classified group will decrease, and the prediction accuracy (compatibility) of the prediction model for actual data will improve, but conversely that prediction model for indication data. The accuracy of the prediction deteriorates.
[0050]
Therefore, the classification stop condition of the present invention promotes the classification of the sample when the suitability of the prediction model is improved, but stops the classification of the sample when the number of samples becomes a predetermined number or less. ing. However, when the prediction model is evaluated by AIC, MDL, etc., the adaptability and generality of the prediction model are also evaluated, so that the evaluation based on the number of samples in the sample group can be omitted.
[0051]
The result data, the prediction model candidate, the evaluation standard of the prediction model, and the classification stop condition are input by the input unit 2. Next, the performance data, prediction model candidates, and evaluation criteria for the prediction model are input to the model estimation / evaluation means 3, the optimum prediction model is determined by the model estimation / evaluation means 3, and the evaluation value based on the optimum prediction model is calculated. (Step S110).
[0052]
In the initial evaluation value calculation in step S110, since the samples are not yet classified, optimum parameters of all prediction model candidates are obtained for the whole sample (by a known method such as regression analysis), and AIC is used for all the prediction models. , MDL, etc., are evaluated based on a prediction model evaluation standard, the prediction model having the highest compatibility is set as the prediction model, and the evaluation value is set as the initial evaluation value. This initial evaluation value is a criterion for determining whether to promote or stop the next sample classification.
[0053]
Next, the hierarchical prediction model construction apparatus 1 classifies the sample by the classifying unit 4 according to each attribute for sample classification.
[0054]
The classification means 4 preferably classifies the sample according to its category value or a combination thereof when the attribute for sample classification is a qualitative variable. When the attribute for sample classification is a quantitative variable, the sample is divided by a predetermined band of the value. More preferably, the sample is divided by a value (finite number) appearing in the sample having the quantitative attribute (step S120).
[0055]
Next, when it is determined that the number of sample groups classified in step S130 is equal to or greater than a predetermined number, the model estimation / evaluation unit 3 next selects a prediction model that most closely matches the classified sample groups, And the evaluation value by the prediction model is calculated (step S140). On the other hand, when the number of sample groups classified in step S130 does not reach the predetermined number, the prediction model uses the model of the parent node in the upper hierarchy, the average value of the actual values of the sample group, or the like. And In step S140, as in step S110, the optimum parameters of all prediction model candidates are estimated for the classified sample group, and further, these all prediction models are evaluated according to the prediction model evaluation criteria such as AIC and MDL. A prediction model having high suitability is used as a prediction model, and the evaluation value is calculated.
[0056]
After calculating the evaluation value of the prediction model for each classified sample group, the classification control means 5 selects the optimum attribute for classification by evaluating the range of improvement of the evaluation value by classification, and classifying It is determined whether or not to stop or advance (step S150). If the evaluation value is improved, it means that the classification based on the attribute is effective, so the classification is adopted, and the process returns to step S120 to search for the next classification. In the second and subsequent sample classifications, classification is performed in a direction that further refines a group of already classified samples (this is called hierarchical classification in this specification).
[0057]
On the other hand, if no improvement is observed in the evaluation value of the prediction model of the classified sample group in step S150, the classification based on the attribute is not a valid classification, so the classification is discarded and further classification is stopped. (Step S160).
[0058]
Thereafter, as long as the model estimation / evaluation means 3 determines that the classification is promoted, the processing from step S120 to step S150 is repeated. Each time this classification and prediction model evaluation are repeated, the sample classification becomes finer and the prediction accuracy of the prediction model improves.
[0059]
However, if the sample classification becomes fine, the prediction accuracy of the prediction model is improved, but the number of samples in the classified sample group does not reach a predetermined number, or if the evaluation method such as AIC or MDL is used, the prediction is performed. The evaluation value of the model decreases. Therefore, finally, the classification control means 5 issues a stop command for classification, and the classification is completed (step S160).
[0060]
When the classification is completed, the output unit 6 outputs a prediction model that most closely matches the hierarchical structure of the classification based on the final attribute and the sample group at the end of classification (step S170).
[0061]
By using this constructed prediction model, it is possible to predict a future trend of a prediction object having an attribute common to the attributes of each sample group.
[0062]
Here, in order to further clarify the prediction model according to the present invention, an example of the prediction model constructed by the above method is shown in FIG.
[0063]
In the example of FIG. 3, first, all products are classified according to “products for young people” or “products for middle-aged and elderly”.
[0064]
Next, we try to classify each by different attributes. For products for middle-aged and older customers, the prediction accuracy is most improved when the products are classified according to the color or the color. If the classification is further performed, the classification for preventing the evaluation value from being improved is stopped, and the optimum prediction models in that case are D = 2.1C−0.14P + 1531, D = 2.7C−0.04P + 1775 ( (D: Demand amount for this term, C: Advertising costs, P: Price).
[0065]
On the other hand, products for young people are classified hierarchically according to whether the material is natural or not, and finally the hierarchical structure of the classification. .. Is specified for the product group at each end of the product model D = 31.7C−0.10P + 2177,.
[0066]
As shown in this example, the hierarchical prediction model construction apparatus 1 of the present invention and the prediction model constructed by the method include the classification hierarchy structure of FIG. 3 and the prediction model ( Including the specified parameters). Thus, each classified product group has a specific common attribute, and high-precision prediction can be performed by the prediction model of the group.
[0067]
For example, the first product group in FIG. 3 is a product for young people, and further a product classified as a set product. The prediction model of this product group is D = 31.7C−0.10P + 2177. By using this product group prediction model, it is possible to predict future demand for products having the same attributes as those of this product group.
[0068]
As described above, according to the hierarchical prediction model construction apparatus and the construction method of the present invention, from a huge amount of past performance data, by attribute, and at a level that achieves both maintenance of accuracy and adaptability as a prediction model. Samples can be classified, and an optimal prediction model can be specified for each classified sample group. Thereby, the attribute which governs the trend of each sample represented by each prediction model can be revealed, and the index at the time of performing prediction can be made objective. In addition, since each prediction model is a prediction model most suitable for a sample having the same attribute in the past, highly reliable prediction can be performed.
[0069]
It should be noted that the present invention is applicable to any “object” that shows various trends by “attributes” and has historical data of trends classified according to attributes in the past. There can be various things besides demand forecast. For example, it has certain attributes such as forecast of sales of intangible financial products, prediction of social phenomena that cannot be said to be products, or prediction of stock prices that can be said to be intermediate between them, and trends depend on those attributes If so, the prediction model can be constructed.
[0070]
In the hierarchical predictive model construction apparatus 1, the input means 2 allows the input of predictive model candidates, predictive model evaluation criteria, and classification control conditions freely when necessary. These conditions and data are fixed in advance. An apparatus configured so that only a user instruction for processing, sample data, and attributes for classification can be input is also included in the scope of the present invention.
[0071]
【The invention's effect】
As is clear from the above description, according to the hierarchical prediction model construction apparatus and method according to the present invention, it is possible to maintain accuracy as a prediction model based on attributes, from the performance data of various trends depending on the attributes. It is possible to classify samples at a level that is compatible with adaptability, and specify an optimal prediction model for each group of classified samples.
[0072]
That is, the apparatus and method of the present invention can make the attributes that govern the trends of the samples showing various trends become obvious, and can make the indices used for prediction objective. In addition, since the prediction model constructed for a predetermined sample group has the attributes of the sample group, it is a prediction model that best fits the past performance, and therefore, a highly reliable prediction can be performed.
[0073]
If this hierarchical prediction model construction device and its method are applied to demand forecasts for a huge variety of products, a product group having the same attributes as the product attributes to be predicted can be found from a huge amount of past sales data. This makes it possible to quickly identify a prediction model that best matches the sales of the product group and to make a highly reliable demand forecast.
[Brief description of the drawings]
FIG. 1 is a block diagram showing a configuration of a hierarchical prediction model construction apparatus according to the present invention.
FIG. 2 is a flowchart showing a processing flow of a hierarchical prediction model construction method according to the present invention.
FIG. 3 is a diagram showing an example of a prediction model constructed by a hierarchical prediction model construction apparatus and method according to the present invention.
[Explanation of symbols]
DESCRIPTION OF SYMBOLS 1 Hierarchical prediction model construction apparatus 2 Input means 3 Model estimation / evaluation means 4 Classification means 5 Classification control means 6 Output means 7 Prediction model construction engine

Claims (1)

An apparatus for constructing a hierarchical prediction model using a computer,
An input means for receiving an instruction of a user, sample data having a value of each attribute item that defines a prediction item, a value of each prediction item, and an attribute for performing sample classification;
Prediction model candidate formula shown by the following formula (1), an evaluation standard formula of a prediction model based on any of mean square error, AIC (Akaike information criterion), MDL (minimum description length), classification control conditional formula, Storage means storing
By performing a regression analysis on the entire sample data, with Y as the prediction item and X1, X2,..., Xk as the prediction item for the predetermined sample data input from the input means, Model estimation / evaluation means for estimating parameters β0, β1,... Βk of the prediction model candidate formula, and calculating an evaluation value according to the prediction model evaluation standard formula for the prediction model formula after estimation,
If an attribute item is not selected, an item with an arbitrary attribute is selected. If an attribute item is already selected for classification, an arbitrary attribute item is selected from unselected attribute items, and the attribute item is selected. If the value of the attribute is a qualitative variable, the sample data that has already been classified is further refined by a category value or combination of category values , and if the value of the attribute item is a quantitative variable, the predetermined band of that value is used. Classification means for hierarchically classifying the sample data in a direction to
When the number of sample data classified by the classifying means is calculated and it is determined that the number is equal to or greater than a predetermined number, the model estimation / evaluation means sends the parameter β0 of the prediction model candidate formula for the sample data. , β1,... βk, and a new evaluation value is calculated according to the prediction model evaluation reference expression for the estimated prediction model expression after being estimated, while it is determined that the number does not reach a predetermined number The prediction model expression of the parent node in the upper hierarchy of the sample data is regarded as the prediction model expression of the sample data, and the model estimation / evaluation unit is given a new evaluation value according to the prediction model evaluation reference expression for the prediction model expression. It is calculated, and further, to the classification unit if the new evaluation value is determined to be increased a predetermined width or more than the original evaluation values, selection of attributes for the classification及To perform the promotion of classification, otherwise the classification control means discards that classification to stop further classification,
Output means for outputting a hierarchical classification of samples by attributes constructed by the model estimation / evaluation means, classification means, and classification control means, and a prediction model formula adapted to a sample at each end of the hierarchical classification;
A hierarchical prediction model construction apparatus using a computer characterized by comprising:
[Expression 1]
Y = β0 + β1 X1 + β2 X2 + ... + βk Xk (1)
Here, X1, X2,... Xk, Y: Variables (X and Y represent attribute items and prediction items , respectively)
β0, β1,... βk: parameter

Images