JP7508064B2 - Scheduling device, method and program - Google Patents
Scheduling device, method and program Download PDFInfo
- Publication number
- JP7508064B2 JP7508064B2 JP2020145064A JP2020145064A JP7508064B2 JP 7508064 B2 JP7508064 B2 JP 7508064B2 JP 2020145064 A JP2020145064 A JP 2020145064A JP 2020145064 A JP2020145064 A JP 2020145064A JP 7508064 B2 JP7508064 B2 JP 7508064B2
- Authority
- JP
- Japan
- Prior art keywords
- event data
- work event
- priority rule
- scheduling
- work
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 44
- 238000011156 evaluation Methods 0.000 claims description 94
- 238000000605 extraction Methods 0.000 claims description 69
- 238000003066 decision tree Methods 0.000 claims description 39
- 239000000284 extract Substances 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 18
- 238000007637 random forest analysis Methods 0.000 claims description 14
- 230000002787 reinforcement Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 19
- 238000012986 modification Methods 0.000 description 18
- 230000004048 modification Effects 0.000 description 18
- 238000004519 manufacturing process Methods 0.000 description 11
- 230000009471 action Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本開示は、スケジューリング装置、方法及びプログラムに関する。 This disclosure relates to a scheduling device, method, and program.
特許文献１には、製造工程の生産計画立案中に生産順序を変えた場合のシミュレーションを行うことで最も適切な生産計画を選択する生産計画作成装置が開示されている。
特許文献２には、データ構造のディスパッチに適用される複数のルールを評価することにより優勢なルールに絞り込むコンピューティングシステムが開示されている。
しかしながら、特許文献１に記載の生産計画作成装置では、製造工程の実施前に生産順序を変えることにより複数のシミュレーションを行う必要があるため、生産計画の立案にかかる時間が増大してしまうという課題があった。
However, the production planning device described in
また、特許文献２に記載のコンピューティングシステムも同様に、実施前に複数のルールを適用することにより複数のシミュレーションを行う必要があるため、どのようにデータを処理するのかの最終的な決定にかかる時間が増大してしまうという課題があった。
Furthermore, the computing system described in
本開示は、上記のような事情に鑑みてなされたものであり、作業イベントと、優先順位ルールを事前学習し、着手予定作業イベントの最適な優先順位ルールを短時間で決定できるスケジューリング装置、方法及びプログラムを提供することを目的とする。 This disclosure has been made in consideration of the above circumstances, and aims to provide a scheduling device, method, and program that can learn work events and priority rules in advance and quickly determine optimal priority rules for work events to be started.
上記課題を解決するため、本開示の一態様は、複数の作業イベントデータと、前記複数の作業イベントデータのそれぞれに対して適用される複数の優先順位ルールと、前記複数の作業イベントデータのそれぞれに対して前記複数の優先順位ルールを適用することによって得られた複数の見積り作業時間とをそれぞれ対応付けて学習データを作成する学習データ作成部と、前記学習データの前記複数の作業イベントデータから抽出される複数の特徴量と、前記複数の優先順位ルールと、前記複数の見積り作業時間から得られる評価値とに基づいてスケジューリングモデルを学習する学習部と、着手予定作業イベントデータから特徴量を抽出する特徴量抽出部と、前記抽出された着手予定作業イベントデータの特徴量を前記スケジューリングモデルに入力することによって、最適優先順位ルールを設定する優先順位ルール設定部と、前記設定された最適優先順位ルールに従って、前記着手予定作業イベントデータをスケジューリングするスケジューリング実行部とを備えるスケジューリング装置である。 In order to solve the above problem, one aspect of the present disclosure is a scheduling device that includes a learning data creation unit that creates learning data by associating multiple work event data, multiple priority rules applied to each of the multiple work event data, and multiple estimated work times obtained by applying the multiple priority rules to each of the multiple work event data, respectively; a learning unit that learns a scheduling model based on multiple feature values extracted from the multiple work event data of the learning data, the multiple priority rules, and an evaluation value obtained from the multiple estimated work times; a feature extraction unit that extracts feature values from the scheduled work event data; a priority rule setting unit that sets an optimal priority rule by inputting the extracted feature values of the scheduled work event data to the scheduling model; and a scheduling execution unit that schedules the scheduled work event data in accordance with the set optimal priority rule.
また、本開示の一態様は、複数の作業イベントデータと、前記複数の作業イベントデータのそれぞれに対して適用される複数の優先順位ルールと、前記複数の作業イベントデータのそれぞれに対して前記複数の優先順位ルールを適用することによって得られた複数の見積り作業時間とをそれぞれ対応付けて学習データを作成するステップと、前記学習データの前記複数の作業イベントデータから抽出される複数の特徴量と、前記複数の優先順位ルールと、前記複数の見積り作業時間から得られる評価値とに基づいてスケジューリングモデルを学習するステップと、着手予定作業イベントデータから特徴量を抽出するステップと、前記抽出された着手予定作業イベントデータの特徴量を前記スケジューリングモデルに入力することによって、最適優先順位ルールを設定するステップと、前記設定された最適優先順位ルールに従って、前記着手予定作業イベントデータをスケジューリングするステップとを有するスケジューリング方法である。 Also, one aspect of the present disclosure is a scheduling method including the steps of: creating learning data by associating a plurality of work event data, a plurality of priority rules applied to each of the plurality of work event data, and a plurality of estimated work times obtained by applying the plurality of priority rules to each of the plurality of work event data; learning a scheduling model based on a plurality of feature values extracted from the plurality of work event data of the learning data, the plurality of priority rules, and an evaluation value obtained from the plurality of estimated work times; extracting feature values from the scheduled work event data; setting an optimal priority rule by inputting the extracted feature values of the scheduled work event data into the scheduling model; and scheduling the scheduled work event data according to the set optimal priority rule.
また、本開示の一態様は、スケジューリング装置のコンピュータに、複数の作業イベントデータと、前記複数の作業イベントデータのそれぞれに対して適用される複数の優先順位ルールと、前記複数の作業イベントデータのそれぞれに対して前記複数の優先順位ルールを適用することによって得られた複数の見積り作業時間とをそれぞれ対応付けて学習データを作成するステップと、前記学習データの前記複数の作業イベントデータから抽出される複数の特徴量と、前記複数の優先順位ルールと、前記複数の見積り作業時間から得られる評価値とに基づいてスケジューリングモデルを学習するステップと、着手予定作業イベントデータから特徴量を抽出するステップと、前記抽出された着手予定作業イベントデータの特徴量を前記スケジューリングモデルに入力することによって、最適優先順位ルールを設定するステップと、前記設定された最適優先順位ルールに従って、前記着手予定作業イベントデータをスケジューリングするステップとを実行させるプログラムである。 Also, one aspect of the present disclosure is a program that causes a computer of a scheduling device to execute the steps of: creating learning data by associating multiple work event data, multiple priority rules applied to each of the multiple work event data, and multiple estimated work times obtained by applying the multiple priority rules to each of the multiple work event data; learning a scheduling model based on multiple feature values extracted from the multiple work event data of the learning data, the multiple priority rules, and an evaluation value obtained from the multiple estimated work times; extracting feature values from the scheduled work event data; setting optimal priority rules by inputting the extracted feature values of the scheduled work event data into the scheduling model; and scheduling the scheduled work event data in accordance with the set optimal priority rules.
上記態様のうち少なくともいずれかの態様によれば、着手予定作業イベントの生産計画を作成するときにシミュレーションを行う必要がないため、短時間で最適な優先順位ルールを決定することが可能となる。 According to at least one of the above aspects, there is no need to perform a simulation when creating a production plan for work events to be started, making it possible to determine optimal priority rules in a short period of time.
＜第１の実施形態＞
以下、図１～図１３を参照して本開示の第１の実施形態について説明する。
First Embodiment
A first embodiment of the present disclosure will be described below with reference to FIGS. 1 to 13. FIG.
（スケジューリング装置の機能構成）
図１は、本開示の第１の実施形態に係るスケジューリング装置の機能構成を示す図である。スケジューリング装置１は、例えば、サーバー、パーソナルコンピュータ等のコンピュータを用いて構成されていて、ＣＰＵ２とデータベース３を備えている。ＣＰＵ２は、学習データ作成部２１と、学習部２２と、特徴量抽出部２３と、優先順位ルール設定部２４と、スケジューリング実行部２５とを備える。データベース３は、複数の優先順位ルール３１と、複数の作業イベントデータ３２と、複数の見積り作業時間３３とを備える。
(Functional configuration of the scheduling device)
1 is a diagram showing a functional configuration of a scheduling device according to a first embodiment of the present disclosure. The
ＣＰＵ２は、予め用意されたプログラムに従って動作することで種々の機能を発揮し、スケジューリング装置１の動作全体を司るプロセッサである。代替的に、ＣＰＵ２が発揮する動作は、ハードウェアとソフトウェアとの組み合わせによって実現されてもよい。データベース３は、スケジューリング装置１に内蔵される記憶装置に記憶されてもよい。また、当該記憶装置は、大容量記憶装置（不揮発性メモリ）であって、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等であってもよい。
The
なお、本実施形態では次の各語を以下の意味で用いる。「ジョブ」（ｊｏｂ）は「作業」の意味と「工程」の意味を含む。「作業」は「仕事」を意味する。「工程」は「作業の区切り（段階）」を意味する。「リソース」は「ジョブ」に供される「資源」であり、例えば、設備、治工具、場所、作業者等に対応する。「作業イベントデータ」は、製品、工場の規模、オーダ数、ジョブ数、納期等のデータを含む。 In this embodiment, the following terms are used with the following meanings: "Job" includes the meanings of "work" and "process." "Work" means "job." "Process" means "a division (stage) of work." "Resource" is the "resources" provided to a "job," and corresponds to, for example, equipment, tools, locations, workers, etc. "Work event data" includes data on products, factory size, number of orders, number of jobs, delivery dates, etc.
以下、学習データの作成段階と、スケジューリングモデルの学習段階と、運用段階とに分けて説明する。 The following explanation is divided into the learning data creation stage, the scheduling model learning stage, and the operation stage.
（学習データの作成段階）
学習データ作成部２１は、作業イベントデータと、作業イベントデータに対して適用される優先順位ルールと、作業イベントデータに対して優先順位ルールを適用することによって得られた見積り作業時間とをそれぞれ対応付けて学習データを作成する。
(Learning data creation stage)
The learning
例えば、学習データ作成部２１は、第１の優先順位ルール（例えば、図２に示されるルール、ＰｒｏｃｅｓｓｉｎｇＴｉｍｅ：ＰＴ）及び第１の作業イベントデータを受信する。このとき、学習データ作成部２１は、第１の作業イベントデータをジョブ単位に分割し、作業時間が短いジョブが優先的に処理されるスケジュールを作成する。そして、学習データ作成部２１は、作成されたスケジュールに従ったときの第１の作業イベントの完了にかかるまでの時間、すなわち、第１の見積り作業時間（１．０日）を計算する。次に、学習データ作成部２１は、計算に使用された第１の優先順位ルール（ＰＴ）と、第１の作業イベントデータと、第１の見積り作業時間（１．０日）とを対応付けて、データベース３に格納する。
For example, the learning
次に、学習データ作成部２１は、第２の優先順位ルール（例えば、図２に示されるルール、ＲｅｌｅａｓｅＤａｔｅＪｏｂ：ＲＤＪ）及び第１の作業イベントデータを受信する。このとき、学習データ作成部２１は、第１の作業イベントデータをジョブ単位に分割し、着手可能日が早いジョブが優先的に処理されるスケジュールを作成する。そして、学習データ作成部２１は、作成されたスケジュールに従ったときの第１の作業イベントの完了にかかるまでの時間、すなわち、第２の見積り作業時間（１．１日）を計算する。次に、学習データ作成部２１は、計算に使用された第２の優先順位ルール（ＲＤＪ）と、第１の作業イベントデータと、第２の見積り作業時間（１．１日）とを対応付けて、データベース３に格納する。
Next, the learning
次に、学習データ作成部２１は、第３の優先順位ルール（例えば、図２に示されるルール、ＤｕｅＤａｔｅＯｆＯｒｄｅｒ：ＤＤＯＯ）及び第１の作業イベントデータを受信する。このとき、学習データ作成部２１は、第１の作業イベントデータをオーダ単位に分割し、納期が早いオーダが優先的に処理されるスケジュールを作成する。そして、学習データ作成部２１は、作成されたスケジュールに従ったときの第１の作業イベントの完了にかかるまでの時間、すなわち、第３の見積り作業時間（１．４日）を計算する。次に、学習データ作成部２１は、計算に使用された第３の優先順位ルール（ＤＤＯＯ）と、第１の作業イベントデータと、第３の見積り作業時間（１．４日）とを対応付けて、データベース３に格納する。
Next, the learning
同様に、学習データ作成部２１は、第１の優先順位ルール（ＰＴ）及び第２の作業イベントデータを受信し、同様の処理を行い、第４の見積り作業時間（０．５日）を計算する。学習データ作成部２１は、計算に使用された第１の優先順位ルール（ＰＴ）と、第２の作業イベントデータと、第４の見積り作業時間（０．５日）とを対応付けて、データベース３に格納する。
Similarly, the learning
次に、学習データ作成部２１は、第２の優先順位ルール（ＲＤＪ）及び第２の作業イベントデータを受信し、同様の処理を行い、第５の見積り作業時間（０．４日）を計算する。学習データ作成部２１は、計算に使用された第２の優先順位ルール（ＲＤＪ）と、第２の作業イベントデータと、第５の見積り作業時間（０．４日）とを対応付けて、データベース３に格納する。
Next, the learning
次に、学習データ作成部２１は、第３の優先順位ルール（ＤＤＯＯ）及び第２の作業イベントデータを受信し、同様の処理を行い、第６の見積り作業時間（０．７日）を計算する。学習データ作成部２１は、計算に使用された第３の優先順位ルール（ＤＤＯＯ）と、第２の作業イベントデータと、第６の見積り作業時間（０．７日）とを対応付けて、データベース３に格納する。
Next, the learning
上記では、学習データ作成部２１は、１つの作業イベントデータに対して１つの優先順位ルールを受信し、１つの見積り作業時間を計算していた。しかし、学習データ作成部２１は、１つの作業イベントデータに対して同時に複数の優先順位ルールを受信し、複数の見積り作業時間を計算してもよい。また、学習データ作成部２１が受信する優先順位ルール３１及び作業イベントデータ３２は、スケジューリング装置１に直接入力されてもよく、あるいはスケジューリング装置１とは異なる装置から受信されてもよい。計算に使用された優先順位ルール３１と、作業イベントデータ３２と、見積り作業時間３３とが、表形式でデータベース３に格納されてもよい。
In the above, the learning
（スケジューリングモデルの学習段階）
次に、スケジューリングモデルの学習段階について説明する。学習部２２は、学習データの作業イベントデータ３２から抽出される複数の特徴量と、複数の優先順位ルール３１と、複数の見積り作業時間３３から得られる評価値とに基づいてスケジューリングモデルを学習する。
(Scheduling model learning phase)
Next, the learning stage of the scheduling model will be described. The
例示的に、上述の（学習データの作成段階）でデータベース３に格納されたデータを使用する場合について説明する。まず、特徴量抽出部２３は、第１の作業イベントデータから第１の作業イベントデータの特徴量を抽出する。特徴量を抽出するための基準は、図３に示されるように、例えば、「着手可能なオーダの割合（ＰＯＡＲＤ）」、「オーダの納期の標準偏差（ＶＤＤ）」、「オーダの納期までの余裕時間の平均（ＡＳ）」等である。ここでは、例えば、ＶＤＤ及びＡＳが特徴量を抽出するために使用される。特徴量抽出部２３は、第１の作業イベントデータが有するすべてのオーダの納期について標準偏差と、第１の作業イベントデータが有するすべてのオーダの納期までの余裕時間の平均を計算する。このとき、第１の作業イベントデータのオーダの納期の標準偏差はＶＤＤ１＝０．８であり、第１の作業イベントデータのオーダの納期までの余裕時間の平均はＡＳ１＝４．０であるとする。
As an example, a case where the data stored in the
次に、特徴量抽出部２３は、第１の作業イベントデータに対応する第１～第３の見積り作業時間の評価値を計算する。評価値とは、例えば、リードタイム（Ｌｅａｄ Ｔｉｍｅ）、納期遅れの値、納期先行の値等である。ここでは、例えば、リードタイムが評価値として使用される。第１～第３の見積り作業時間のリードタイムは、それぞれ１．０日、１．１日、１．４日である。学習部２２は、リードタイムが短い見積り作業時間に対応する優先順位ルールが最適な優先順位ルールであると判定する。このとき、学習部２２は、リードタイムが最小値（１．０日）である第１の見積り作業時間に対応する第１の優先順位ルール（ＰＴ）が、第１の作業イベントデータに最適な優先順位ルールであると判定する。すなわち、学習部２２は、第１の優先順位ルール（ＰＴ）が、特徴量がＶＤＤ＝０．８、ＡＳ＝４．０である作業イベントデータに最適な優先順位ルールであると学習する。
Next, the
同様に、特徴量抽出部２３は、第２の作業イベントデータから第２の作業イベントデータの特徴量を抽出する。例えば、特徴量を抽出するための基準は、第１の作業イベントデータと同様に、ＶＤＤ及びＡＳを使用する。特徴量抽出部２３は、第２の作業イベントデータが有するすべてのオーダの納期について標準偏差と、第２の作業イベントデータが有するすべてのオーダの納期までの余裕時間の平均を計算する。このとき、第２の作業イベントデータのオーダの納期の標準偏差はＶＤＤ２＝０．４であり、第２の作業イベントデータのオーダの納期までの余裕時間の平均はＡＳ２＝２．０であるとする。
Similarly, the
次に、特徴量抽出部２３は、第２の作業イベントデータに対応する第４～第６の見積り作業時間の評価値を計算する。第４～第６の見積り作業時間のリードタイムは、それぞれ０．５日、０．４日、０．７日である。学習部２２は、リードタイムが最小値（０．４日）である第５の見積り作業時間に対応する第２の優先順位ルール（ＲＤＪ）が、第２の作業イベントデータに最適な優先順位ルールであると判定する。すなわち、学習部２２は、第２の優先順位ルール（ＲＤＪ）が、特徴量がＶＤＤ＝０．４、ＡＳ＝２．０である作業イベントデータに最適な優先順位ルールであると学習する。
The
上述したように、学習部２２は、作業イベントデータの特徴量に応じて最適な優先順位ルールを判定する機能を有するスケジューリングモデルを学習する。
As described above, the
上記では、標準偏差の計算では、すべてのオーダの納期が使用されたが、スケジューリングが完了しているオーダがある場合は、特徴量抽出部２３は、当該スケジューリング完了分のオーダを除く残りのオーダの納期について標準偏差を計算してもよい。余裕時間の平均の計算についても、スケジューリングが完了しているオーダがある場合は、特徴量抽出部２３は、当該スケジューリング完了分のオーダを除く残りのオーダの納期までの余裕時間の平均を計算してもよい。また上記では、見積り作業時間についての評価値の計算には、作業イベントのリードタイム（Ｌｅａｄ Ｔｉｍｅ）が使用されたが、納期遅れの値又は納期先行の値が使用されてもよく、これらの組み合わせであってもよい。例えば、学習部２２は、納期遅れが小さく、リードタイムが小さく、かつ納期先行が小さい優先順位ルールが最適な優先順位ルールであると判定してもよい。また、作業イベントの納期は、作業イベントデータ３２又は見積り作業時間３３の格納と同時に、作業イベント毎にデータベース３に格納されてもよい。作業イベントについての評価値は、ユーザが作業イベントのリードタイム（Ｌｅａｄ Ｔｉｍｅ）、納期遅れ、又は納期先行のいずれかを重要視するか等に従って、ユーザによって任意に設定され、変更されてもよい。作業イベントについての評価値は、作業イベントの処理にかかる時間に関する他の値であってもよい。上記では、作業イベントデータから２つの特徴量について説明したが、１つ又は３つ以上の特徴量が抽出され、最適な優先順位ルールの学習に使用されてもよい。
In the above, the due dates of all orders were used in the calculation of the standard deviation, but if there are orders for which scheduling has been completed, the
（運用段階）
次に、運用段階について説明する。特徴量抽出部２３は、着手予定作業イベントデータから特徴量を抽出する。優先順位ルール設定部２４は、抽出された着手予定作業イベントデータの特徴量をスケジューリングモデルに入力することによって、最適優先順位ルールを設定する。スケジューリング実行部２５は、設定された最適優先順位ルールに従って、着手予定作業イベントデータをスケジューリングする。スケジューリング実行部２５は、スケジューリングされた着手予定作業イベントデータをユーザ端末に提供する。
(Operational stage)
Next, the operation stage will be described. The
例示的に、上述の（スケジューリングモデルの学習段階）で学習されたスケジューリングモデルを使用する場合について説明する。例えば、ユーザ端末は、ユーザが着手予定の作業イベントデータをスケジューリング装置１に送信する。特徴量抽出部２３は、着手予定の作業イベントデータを受信し、着手予定の作業イベントデータの特徴量を抽出する。このとき、例えば、抽出された特徴量は、ＶＤＤ３＝０．８、ＡＳ３＝４．０である。特徴量抽出部２３は、抽出された特徴量を優先順位ルール設定部２４に送信する。優先順位ルール設定部２４は、抽出された特徴量を、上述の（スケジューリングモデルの学習段階）で学習されたスケジューリングモデルに入力する。特徴量がＶＤＤ３＝０．８、ＡＳ３＝４．０である場合、学習されたスケジューリングモデルは、最適な優先順位ルールは第１の優先順位ルール（ＰＴ）であると学習している。従って、優先順位ルール設定部２４は、最適な優先順位ルールを第１の優先順位ルール（ＰＴ）に設定する。優先順位ルール設定部２４は、第１の優先順位ルール（ＰＴ）をスケジューリング実行部２５に送信する。スケジューリング実行部２５は、第１の優先順位ルール（ＰＴ）に従って、着手予定の作業イベントデータをスケジューリングする。スケジューリング実行部２５は、スケジューリングした結果を、ユーザ端末に出力する。
As an example, a case where the scheduling model learned in the above-mentioned (learning stage of the scheduling model) is used will be described. For example, the user terminal transmits work event data that the user plans to start to the
同様に、ユーザが着手予定の作業イベントデータの特徴量が、ＶＤＤ４＝０．４、ＡＳ４＝２．０である場合、優先順位ルール設定部２４は、最適な優先順位ルールに、第２の優先順位ルール（ＲＤＪ）を設定する。このとき、スケジューリング実行部２５は、第２の優先順位ルール（ＲＤＪ）に従って、着手予定の作業イベントデータをスケジューリングする。スケジューリング実行部２５は、スケジューリングした結果を、ユーザ端末に出力する。
Similarly, if the feature quantities of the work event data that the user plans to start are VDD4 = 0.4 and AS4 = 2.0, the priority
また、ユーザが着手予定の作業イベントデータの特徴量が、ＶＤＤ５＝０．７、ＡＳ５＝３．９のように、学習済みのいずれの特徴量にも該当しない場合がある。このとき、優先順位ルール設定部２４は、学習済みの特徴量のうち近い値を有する特徴量（ここでは、ＶＤＤ＝０．８、ＡＳ＝４．０）に従って、最適な優先順位ルールを設定してもよい。
In addition, there may be cases where the feature quantity of the work event data that the user plans to start does not correspond to any of the learned feature quantities, such as VDD5 = 0.7 and AS5 = 3.9. In such cases, the priority
スケジューリングされた着手予定作業イベントデータの提供は、任意のアプリケーションを使用して行われてもよく、イベントのスケジューリングを要求したユーザが理解できる形式で行われてもよい。また、スケジューリングされた着手予定作業イベントデータはユーザに提供されることなく、適用可能なフィールドデバイスに送信され、フィールドデバイスは自動でスケジューリングされた作業イベントデータに従って作業を開始してもよい。 The scheduled work event data may be provided using any application and in a format understandable to the user who requested the event to be scheduled. The scheduled work event data may also be sent to an applicable field device without being provided to a user, and the field device may automatically begin work in accordance with the scheduled work event data.
（スケジューリング装置１の処理フロー）
図４～６は、本開示の第１の実施形態に係るスケジューリング方法の処理フローを示す図である。以下、学習データの作成段階と、スケジューリングモデルの学習段階と、運用段階とに分けて説明する。
(Processing flow of the scheduling device 1)
4 to 6 are diagrams showing a process flow of the scheduling method according to the first embodiment of the present disclosure. Below, the process will be described separately for a learning data creation stage, a scheduling model learning stage, and an operation stage.
（学習データの作成段階）
図４を参照して、学習データの作成フローについて説明する。スケジューリング装置１の学習データ作成部２１は、ユーザ端末から送信された第１の優先順位ルール（ＰｒｏｃｅｓｓｉｎｇＴｉｍｅ：ＰＴ）及び第１の作業イベントデータを受信する（ステップＳ４０１）。このとき、学習データ作成部２１は、第１の作業イベントデータをジョブ単位に分割し、作業時間が短いジョブが優先的に処理されるスケジュールを作成する。そして、学習データ作成部２１は、作成されたスケジュールに従ったときの第１の作業イベントの完了にかかるまでの時間、すなわち、第１の見積り作業時間（１．０日）を計算する（ステップＳ４０２）。次に、学習データ作成部２１は、計算に使用された第１の優先順位ルール（ＰＴ）と、第１の作業イベントデータと、第１の見積り作業時間（１．０日）とを対応付けて、データベース３に格納する（ステップＳ４０３）。学習データ作成部２１は、ユーザ端末から送信される他の優先順位ルール及び作業イベントデータが存在するか否か判定する（ステップＳ４０４）。他の優先順位ルール及び作業イベントデータが存在するとき（ステップＳ４０４：Ｙｅｓ）、学習データ作成部２１は、送信された優先順位ルール及び作業イベントデータの受信（ステップＳ４０１）に戻る。他の優先順位ルール及び作業イベントデータが存在しないとき（ステップＳ４０４：Ｎｏ）、学習データ作成部２１は、学習データの作成を完了する。
(Learning data creation stage)
A flow of creating learning data will be described with reference to FIG. 4. The learning
ここでは、第２の優先順位ルール（ＲｅｌｅａｓｅＤａｔｅＪｏｂ：ＲＤＪ）及び第１の作業イベントデータが存在する（ステップＳ４０４：Ｙｅｓ）。よって、学習データ作成部２１は、第２の優先順位ルール及び第１の作業イベントデータを受信する（ステップＳ４０１）。このとき、学習データ作成部２１は、第１の作業イベントデータをジョブ単位に分割し、着手可能日が早いジョブが優先的に処理されるスケジュールを作成する。そして、学習データ作成部２１は、作成されたスケジュールに従ったときの第１の作業イベントの完了にかかるまでの時間、すなわち、第２の見積り作業時間（１．１日）を計算する（ステップＳ４０２）。次に、学習データ作成部２１は、計算に使用された第２の優先順位ルール（ＲＤＪ）と、第１の作業イベントデータと、第２の見積り作業時間（１．１日）とを対応付けて、データベース３に格納する（ステップＳ４０３）。学習データ作成部２１は、ユーザ端末から送信される他の優先順位ルール及び作業イベントデータが存在するか否か判定する（ステップＳ４０４）。
Here, the second priority rule (ReleaseDateJob: RDJ) and the first work event data are present (step S404: Yes). Therefore, the learning
ここでは、ユーザ端末から送信される第３の優先順位ルール（ＤｕｅＤａｔｅＯｆＯｒｄｅｒ：ＤＤＯＯ）及び第１の作業イベントデータが存在する（ステップＳ４０４：Ｙｅｓ）。よって、学習データ作成部２１は、第３の優先順位ルール及び第１の作業イベントデータを受信する（ステップＳ４０１）。このとき、学習データ作成部２１は、第１の作業イベントデータをオーダ単位に分割し、納期が早いオーダが優先的に処理されるスケジュールを作成する。そして、学習データ作成部２１は、作成されたスケジュールに従ったときの第１の作業イベントの完了にかかるまでの時間、すなわち、第３の見積り作業時間（１．４日）を計算する（ステップＳ４０２）。次に、学習データ作成部２１は、計算に使用された第３の優先順位ルール（ＤＤＯＯ）と、第１の作業イベントデータと、第３の見積り作業時間（１．４日）とを対応付けて、データベース３に格納する（ステップＳ４０３）。学習データ作成部２１は、ユーザ端末から送信される他の優先順位ルール及び作業イベントデータが存在するか否か判定する（ステップＳ４０４）。
Here, the third priority rule (Due Date Of Order: DDOO) and the first work event data are sent from the user terminal (step S404: Yes). Therefore, the learning
ここでは、ユーザ端末から送信される第１の優先順位ルール（ＰＴ）及び第２の作業イベントデータが存在する（ステップＳ４０４：Ｙｅｓ）。よって、学習データ作成部２１は、第１の優先順位ルール（ＰＴ）及び第２の作業イベントデータを受信し（ステップＳ４０１）、同様の処理を行い、第４の見積り作業時間（０．５日）を計算する（ステップＳ４０２）。学習データ作成部２１は、計算に使用された第１の優先順位ルール（ＰＴ）と、第２の作業イベントデータと、第４の見積り作業時間（０．５日）とを対応付けて、データベース３に格納する（ステップＳ４０３）。学習データ作成部２１は、ユーザ端末から送信される他の優先順位ルール及び作業イベントデータが存在するか否か判定する（ステップＳ４０４）。
Here, the first priority rule (PT) and the second work event data are sent from the user terminal (step S404: Yes). Therefore, the learning
ここでは、ユーザ端末から送信される第２の優先順位ルール（ＲＤＪ）及び第２の作業イベントデータが存在する（ステップＳ４０４：Ｙｅｓ）。よって、学習データ作成部２１は、第２の優先順位ルール（ＲＤＪ）及び第２の作業イベントデータを受信し（ステップＳ４０１）、同様の処理を行い、第５の見積り作業時間（０．４日）を計算する（ステップＳ４０２）。学習データ作成部２１は、計算に使用された第２の優先順位ルール（ＲＤＪ）と、第２の作業イベントデータと、第５の見積り作業時間（０．４日）とを対応付けて、データベース３に格納する（ステップＳ４０３）。学習データ作成部２１は、ユーザ端末から送信される他の優先順位ルール及び作業イベントデータが存在するか否か判定する（ステップＳ４０４）。
Here, the second priority rule (RDJ) and the second work event data are sent from the user terminal (step S404: Yes). Therefore, the learning
ここでは、ユーザ端末から送信される第３の優先順位ルール（ＤＤＯＯ）及び第２の作業イベントデータが存在する（ステップＳ４０４：Ｙｅｓ）。よって、学習データ作成部２１は、第３の優先順位ルール（ＤＤＯＯ）及び第２の作業イベントデータを受信し（ステップＳ４０１）、同様の処理を行い、第６の見積り作業時間（０．７日）を計算する（ステップＳ４０２）。学習データ作成部２１は、計算に使用された第３の優先順位ルール（ＤＤＯＯ）と、第２の作業イベントデータと、第６の見積り作業時間（０．７日）とを対応付けて、データベース３に格納する（ステップＳ４０３）。学習データ作成部２１は、ユーザ端末から送信される他の優先順位ルール及び作業イベントデータが存在するか否か判定する（ステップＳ４０４）。ここでは、他に受信される優先順位ルール及び作業イベントデータが存在しない（ステップＳ４０４：Ｎｏ）。よって、学習データ作成部２１は、学習データの作成を完了する。
Here, the third priority rule (DDOO) and the second work event data are sent from the user terminal (step S404: Yes). Therefore, the learning
上記では、学習データ作成部２１は、１つの作業イベントデータに対して１つの優先順位ルールを受信し、１つの見積り作業時間を計算していた。しかし、学習データ作成部２１は、１つの作業イベントデータに対して同時に複数の優先順位ルールを受信し、複数の見積り作業時間を計算してもよい。また、学習データ作成部２１が受信する優先順位ルール３１及び作業イベントデータ３２は、スケジューリング装置１に直接入力されてもよく、あるいはスケジューリング装置１とは異なる装置から受信されてもよい。計算に使用された優先順位ルール３１と、作業イベントデータ３２と、見積り作業時間３３とが、表形式でデータベース３に格納されてもよい。
In the above, the learning
（スケジューリングモデルの学習段階）
図５を参照して、スケジューリングモデルの作成フローについて説明する。例示的に、上述の（学習データの作成段階）でデータベース３に格納されたデータを使用する場合について説明する。まず、特徴量抽出部２３は、第１の作業イベントデータから第１の作業イベントデータの特徴量を抽出する（ステップＳ５０１）。特徴量を抽出するための基準は、図３に示されるように、例えば、「着手可能なオーダの割合（ＰＯＡＲＤ）」、「オーダの納期の標準偏差（ＶＤＤ）」、「オーダの納期までの余裕時間の平均（ＡＳ）」等である。ここでは、例えば、ＶＤＤ及びＡＳが特徴量を抽出するために使用される。特徴量抽出部２３は、第１の作業イベントデータが有するすべてのオーダの納期について標準偏差と、第１の作業イベントデータが有するすべてのオーダの納期までの余裕時間の平均を計算する。このとき、第１の作業イベントデータのオーダの納期の標準偏差はＶＤＤ１＝０．８であり、第１の作業イベントデータのオーダの納期までの余裕時間の平均はＡＳ１＝４．０であるとする。
(Scheduling model learning phase)
A flow of creating a scheduling model will be described with reference to FIG. 5. As an example, a case where data stored in the
次に、特徴量抽出部２３は、第１の作業イベントデータに対応する第１～第３の見積り作業時間の評価値を計算する（ステップＳ５０２）。ここでは、例えば、リードタイムが評価値として使用される。第１～第３の見積り作業時間のリードタイムは、それぞれ１．０日、１．１日、１．４日である。学習部２２は、リードタイムが短い見積り作業時間に対応する優先順位ルールが最適な優先順位ルールであると判定する。このとき、学習部２２は、リードタイムが最小値（１．０日）である第１の見積り作業時間に対応する第１の優先順位ルール（ＰＴ）が、第１の作業イベントデータに最適な優先順位ルールであると判定する。すなわち、学習部２２は、第１の優先順位ルール（ＰＴ）が、特徴量がＶＤＤ＝０．８、ＡＳ＝４．０である作業イベントデータに最適な優先順位ルールであると学習する（ステップＳ５０３）。特徴量抽出部２３は、データベース３に抽出すべき他の学習データが存在するか否か判定する（ステップＳ５０４）。他の学習データが存在するとき（ステップＳ５０４：Ｙｅｓ）、特徴量抽出部２３は、存在する学習データの作業イベントデータから特徴量を抽出する（ステップＳ５０１）。抽出すべき学習データが存在しないとき（ステップＳ５０４：Ｎｏ）、特徴量抽出部２３は、学習データの抽出を終了し、スケジューリングモデルの作成は完了する。
Next, the
ここでは、データベース３に、抽出すべき第２の作業イベントデータが存在する（ステップＳ５０４：Ｙｅｓ）ため、特徴量抽出部２３は、第２の作業イベントデータから第２の作業イベントデータの特徴量を抽出する（ステップＳ５０１）。例えば、特徴量を抽出するための基準は、第１の作業イベントデータと同様に、ＶＤＤ及びＡＳを使用する。特徴量抽出部２３は、第２の作業イベントデータが有するすべてのオーダの納期について標準偏差と、第２の作業イベントデータが有するすべてのオーダの納期までの余裕時間の平均を計算する。このとき、第２の作業イベントデータのオーダの納期の標準偏差はＶＤＤ２＝０．４であり、第２の作業イベントデータのオーダの納期までの余裕時間の平均はＡＳ２＝２．０であるとする。
Here, since the second work event data to be extracted exists in the database 3 (step S504: Yes), the
次に、特徴量抽出部２３は、第２の作業イベントデータに対応する第４～第６の見積り作業時間の評価値を計算する（ステップＳ５０２）。第４～第６の見積り作業時間のリードタイムは、それぞれ０．５日、０．４日、０．７日である。学習部２２は、リードタイムが最小値（０．４日）である第５の見積り作業時間に対応する第２の優先順位ルール（ＲＤＪ）が、第２の作業イベントデータに最適な優先順位ルールであると判定する。すなわち、学習部２２は、第２の優先順位ルール（ＲＤＪ）が、特徴量がＶＤＤ＝０．４、ＡＳ＝２．０である作業イベントデータに最適な優先順位ルールであると学習する（ステップＳ５０３）。特徴量抽出部２３は、データベース３に抽出すべき他の学習データが存在するか否か判定する（ステップＳ５０４）。ここでは、他の学習データが存在しない（ステップＳ５０４：Ｎｏ）。よって、特徴量抽出部２３は、学習データの抽出を終了し、スケジューリングモデルの作成は完了する。
Next, the
上記では、標準偏差の計算では、すべてのオーダの納期が使用されたが、スケジューリングが完了しているオーダがある場合は、特徴量抽出部２３は、当該スケジューリング完了分のオーダを除く残りのオーダの納期について標準偏差を計算してもよい。余裕時間の平均の計算についても、スケジューリングが完了しているオーダがある場合は、特徴量抽出部２３は、当該スケジューリング完了分のオーダを除く残りのオーダの納期までの余裕時間の平均を計算してもよい。また上記では、見積り作業時間についての評価値の計算には、作業イベントのリードタイム（Ｌｅａｄ Ｔｉｍｅ）が使用されたが、納期遅れの値又は納期先行の値が使用されてもよく、これらの組み合わせであってもよい。例えば、学習部２２は、納期遅れが小さく、リードタイムが小さく、かつ納期先行が小さい優先順位ルールが最適な優先順位ルールであると判定してもよい。また、作業イベントの納期は、作業イベントデータ３２又は見積り作業時間３３の格納と同時に、作業イベント毎にデータベース３に格納されてもよい。作業イベントについての評価値は、ユーザが作業イベントのリードタイム（Ｌｅａｄ Ｔｉｍｅ）、納期遅れ、又は納期先行のいずれかを重要視するか等に従って、ユーザによって任意に設定され、変更されてもよい。作業イベントについての評価値は、作業イベントの処理にかかる時間に関する他の値であってもよい。上記では、作業イベントデータから２つの特徴量について説明したが、１つ又は３つ以上の特徴量が抽出され、最適な優先順位ルールの学習に使用されてもよい。
In the above, the due dates of all orders were used in the calculation of the standard deviation, but if there are orders for which scheduling has been completed, the
（運用段階）
図６を参照して、運用フローについて説明する。例示的に、上述の（スケジューリングモデルの学習段階）で学習されたスケジューリングモデルを使用する場合について説明する。ユーザ端末が、ユーザが着手予定の作業イベントデータをスケジューリング装置１に送信する。特徴量抽出部２３は、着手予定の作業イベントデータを受信し（ステップＳ６０１）する。特徴量抽出部２３は、着手予定の作業イベントデータの特徴量を抽出する（ステップＳ６０２）。このとき、例えば、抽出された特徴量は、ＶＤＤ３＝０．８、ＡＳ３＝４．０である。特徴量抽出部２３は、抽出された特徴量を優先順位ルール設定部２４に送信する。優先順位ルール設定部２４は、抽出された特徴量を、上述の（スケジューリングモデルの学習段階）で学習されたスケジューリングモデルに入力する（ステップＳ６０３）。特徴量がＶＤＤ３＝０．８、ＡＳ３＝４．０である場合、学習されたスケジューリングモデルは、最適な優先順位ルールは第１の優先順位ルール（ＰＴ）であると学習している。従って、優先順位ルール設定部２４は、最適な優先順位ルールを第１の優先順位ルール（ＰＴ）に設定する（ステップＳ６０４）。優先順位ルール設定部２４は、第１の優先順位ルール（ＰＴ）をスケジューリング実行部２５に送信する。スケジューリング実行部２５は、第１の優先順位ルール（ＰＴ）に従って、着手予定の作業イベントデータをスケジューリングする（ステップＳ６０５）。スケジューリング実行部２５は、スケジューリングした結果を、ユーザ端末に出力する。
(Operational stage)
The operation flow will be described with reference to FIG. 6. As an example, a case where the scheduling model learned in the above-mentioned (scheduling model learning stage) is used will be described. The user terminal transmits work event data that the user plans to start to the
同様に、ユーザが着手予定の作業イベントデータの特徴量が、ＶＤＤ４＝０．４、ＡＳ４＝２．０である場合、優先順位ルール設定部２４は、最適な優先順位ルールに、第２の優先順位ルール（ＲＤＪ）を設定する。このとき、スケジューリング実行部２５は、第２の優先順位ルール（ＲＤＪ）に従って、着手予定の作業イベントデータをスケジューリングする。スケジューリング実行部２５は、スケジューリングした結果を、ユーザ端末に出力する。
Similarly, if the feature quantities of the work event data that the user plans to start are VDD4 = 0.4 and AS4 = 2.0, the priority
また、ユーザが着手予定の作業イベントデータの特徴量が、ＶＤＤ５＝０．７、ＡＳ５＝３．９のように、学習済みのいずれの特徴量にも該当しない場合がある。このとき、優先順位ルール設定部２４は、学習済みの特徴量のうち近い値を有する特徴量（ここでは、ＶＤＤ＝０．８、ＡＳ＝４．０）に従って、最適な優先順位ルールを設定してもよい。
In addition, there may be cases where the feature quantity of the work event data that the user plans to start does not correspond to any of the learned feature quantities, such as VDD5 = 0.7 and AS5 = 3.9. In such cases, the priority
スケジューリングされた着手予定作業イベントデータの提供は、任意のアプリケーションを使用して行われてもよく、イベントのスケジューリングを要求したユーザが理解できる形式で行われてもよい。また、スケジューリングされた着手予定作業イベントデータはユーザに提供されることなく、適用可能なフィールドデバイスに送信され、フィールドデバイスは自動でスケジューリングされた作業イベントデータに従って作業を開始してもよい。 The scheduled work event data may be provided using any application and in a format understandable to the user who requested the event to be scheduled. The scheduled work event data may also be sent to an applicable field device without being provided to a user, and the field device may automatically begin work in accordance with the scheduled work event data.
（作用、効果）
第１の実施形態に係るスケジューリング装置１は、学習データ作成部と、学習部と、特徴量抽出部と、優先順位ルール設定部と、スケジューリング実行部とを備える。学習データ作成部は、複数の作業イベントデータと複数の作業イベントデータに対して適用される複数の優先順位ルールと複数の作業イベントデータに対して複数の優先順位ルールを適用することによって得られた複数の見積り作業時間とを対応付ける。これによって、学習データ作成部は、学習データを作成する。学習部は、学習データの複数の作業イベントデータから抽出される複数の特徴量と、複数の優先順位ルールと、複数の見積り作業時間から得られる評価値とに基づいてスケジューリングモデルを学習する。特徴量抽出部は、着手予定作業イベントデータから特徴量を抽出する。優先順位ルール設定部は、抽出された着手予定作業イベントデータの特徴量をスケジューリングモデルに入力することによって、最適優先順位ルールを設定する。スケジューリング実行部２５は、設定された最適優先順位ルールに従って、着手予定作業イベントデータをスケジューリングする。これにより、第１の実施形態において、スケジューリング装置１は、作業イベントのデータの特徴量と、最適な優先順位ルールとの関係を予め学習する。従って、着手予定作業イベントの生産計画を作成するときにシミュレーションを行う必要がなく、即座で最適な優先順位ルールを設定することができる。さらに、作業イベントのデータの特徴量を考慮した優先順位ルールが提供されるため、有効なスケジューリング結果を得ることができる。
(Action, Effect)
The
（第１の実施形態の変形例）
以上、第１の実施形態に係るスケジューリング装置１について詳細に説明したが、スケジューリング装置１の具体的な態様は、上述のものに限定されることはなく、要旨を逸脱しない範囲内において種々の設計変更等を加えることは可能である。
(Modification of the first embodiment)
The above provides a detailed explanation of the
（第１の実施形態の第１の変形例）
例えば、第１の実施形態では、学習部は、学習データの複数の作業イベントデータから抽出される複数の特徴量と、複数の優先順位ルールと、複数の見積り作業時間から得られる評価値とに基づいてスケジューリングモデルを学習した。ここで、第１の実施形態の第１の変形例として、学習部２２は、図７に示されるように、決定木又はランダムフォレストによる教師あり学習のスケジューリングモデルを学習してもよい。以下、決定木及びランダムフォレストのそれぞれを使用した場合のスケジューリングモデルの学習方法について説明する。
(First Modification of the First Embodiment)
For example, in the first embodiment, the learning unit learned the scheduling model based on a plurality of feature amounts extracted from a plurality of work event data of the learning data, a plurality of priority rules, and an evaluation value obtained from a plurality of estimated work times. Here, as a first modified example of the first embodiment, the
（決定木によるスケジューリングモデルの学習）
図８を参照して、決定木を使用した場合のスケジューリングモデルの学習方法について説明する。学習データの作成段階と、スケジューリングモデルの学習段階と、運用段階とに分けて説明する。
(Learning a Scheduling Model Using Decision Trees)
A method of learning a scheduling model using a decision tree will be described with reference to Fig. 8. The method will be described separately for a learning data creation stage, a scheduling model learning stage, and an operation stage.
（学習データの作成段階）
例えば、学習データ作成部２１は、第１～第３の優先順位ルール（ＰＴ、ＲＤＪ、ＤＤＯＯ）及び第１の作業イベントデータを受信する。このとき、学習データ作成部２１は、第１の作業イベントについて、例えば第１～第３の優先順位ルールを適用し、第１～第３の見積り作業時間（第１の見積り作業時間：１．０日、第２の見積り作業時間：１．１日、第３の見積り作業時間：１．４日）を計算する。次に、学習データ作成部２１は、第１～第３の優先順位ルール及び第２～第５６の作業イベントデータを受信する。同様に、第２～第５６の作業イベントについて、第１～第３の優先順位ルールを適用し、３×５５個の見積り作業時間を計算する。そして、学習データ作成部２１は、第１～第５６の作業イベントと、第１～第３の優先順位ルールと、３×５６個の見積り作業時間とを、作業イベント毎に対応付けて学習データとしてデータベース３に格納する。
(Learning data creation stage)
For example, the learning
（スケジューリングモデルの学習段階）
次に、決定木を使用した場合のスケジューリングモデルの学習段階について説明する。特徴量抽出部２３は、第１の作業イベントについての第１の特徴量を抽出する。特徴量を抽出するための基準として、例示的に、ＡＳ及びＶＤＤが使用される。ここで、第１の特徴量は、ＡＳ１＝４．０、ＶＤＤ１＝０．８であるとする。特徴量抽出部２３は、第１の特徴量を学習部２２に送信する。特徴量抽出部２３は、第１～第３の見積り作業時間について評価値を計算し、学習部２２に計算した評価値を送信する。ここでは、例えば、リードタイムが評価値として使用される。第１～第３の見積り作業時間のリードタイムは、それぞれ１．０日、１．１日、１．４日である。学習部２２は、リードタイムが短い見積り作業時間に対応する優先順位ルールが最適な優先順位ルールであると判定する。このとき、学習部２２は、リードタイムが最小値（１．０日）である第１の見積り作業時間に対応する第１の優先順位ルール（ＰＴ）が、第１の作業イベントデータに最適な優先順位ルールであると判定する。このとき、図８に示すように、学習部２２は、座標平面（横軸：ＡＳ、縦軸：ＶＤＤ）上のＡＳ＝４．０、ＶＤＤ＝０．８である点に、ＰＴを示す丸（〇）を描画する。
(Scheduling model learning phase)
Next, the learning stage of the scheduling model when a decision tree is used will be described. The
同様に、特徴量抽出部２３は、第２の作業イベントについての第２の特徴量を抽出する。ここで、第２の特徴量は、ＡＳ２＝２．０、ＶＤＤ２＝１．０であるとする。特徴量抽出部２３は、第２の特徴量を学習部２２に送信する。特徴量抽出部２３は、第４～第６の見積り作業時間について評価値を計算し、学習部２２に計算した評価値を送信する。第４～第６の見積り作業時間のリードタイムは、それぞれ０．５日、０．４日、０．７日であるとする。学習部２２は、リードタイムが短い見積り作業時間に対応する優先順位ルールが最適な優先順位ルールであると判定する。このとき、学習部２２は、リードタイムが最小値（０．４日）である第５の見積り作業時間に対応する第２の優先順位ルール（ＲＤＪ）が、第２の作業イベントデータに最適な優先順位ルールであると判定する。このとき、学習部２２は、座標平面（横軸：ＡＳ、縦軸：ＶＤＤ）上のＡＳ＝２．０、ＶＤＤ＝１．０である点に、ＲＤＪを示す四角（□）を描画する。第３～第５６の作業イベントの場合についても同様に、学習部２２は最適な優先順位ルールを判定し、座標平面上に優先順位ルールに対応する丸（〇）、三角（△）、四角（□）のいずれかを描画する。第３～第５６の作業イベントについて最適な優先順位ルールに対応する記号が描画された結果、図８に示されるように、５６個の記号が描画される。
Similarly, the
次に、学習部２２は、優先順位ルールを分けるための境界を設定し、座標平面を３つの優先順位ルール（ＰＴ、ＲＤＪ、ＤＤＯＯ）に対応する領域（ノードａ、ノードｂ、ノードｃ）に分ける。学習部２２は、例えば、第１の境界をＡＳｂｄ＝３．２に設定し、第２の境界をＶＤＤｂｄ＝１．３に設定する。このとき、学習部２２は、図８に示されるように、第１の境界（ＡＳｂｄ＝３．２）によって分岐し、次に第２の境界（ＶＤＤｂｄ＝１．３）によって分岐する決定木によるスケジューリングモデルを作成する。
Next, the
上記では、見積り作業時間についての評価値の計算には、作業イベントのリードタイム（Ｌｅａｄ Ｔｉｍｅ）が使用されたが、納期遅れの値又は納期先行の値が使用されてもよく、これらの組み合わせであってもよい。例えば、学習部２２は、納期遅れが小さく、リードタイムが小さく、かつ納期先行が小さい優先順位ルールが最適な優先順位ルールであると判定してもよい。優先順位ルールを分けるための境界の設定は、座標平面を２つ又は４つ以上の領域に分ける設定であってもよい。この境界の設定は、ジニ係数やエントロピー等の分類指標を用いて行われてもよい。上記では、作業イベントデータから２つの特徴量について説明したが、１つ又は３つ以上の特徴量が抽出され、最適な優先順位ルールの学習に使用されてもよい。
In the above, the lead time of the work event was used to calculate the evaluation value for the estimated work time, but the late delivery value or the early delivery value may be used, or a combination of these may be used. For example, the
（運用段階）
次に、決定木を使用した場合の運用段階について説明する。ユーザ端末は、ユーザが着手予定の作業イベントデータをスケジューリング装置１に送信する。特徴量抽出部２３は、着手予定の作業イベントデータを受信し、着手予定の作業イベントデータの特徴量を抽出する。このとき、例えば、抽出された特徴量は、ＶＤＤ３＝１．０、ＡＳ３＝２．０である。特徴量抽出部２３は、抽出された特徴量を優先順位ルール設定部２４に送信する。優先順位ルール設定部２４は、抽出された特徴量を、上述で学習されたスケジューリングモデルの決定木に入力する。第１の境界（ＡＳｂｄ＝３．２）に従うとき、抽出された特徴量のＡＳ３は、ＡＳ３＜ＡＳｂｄであるため、右側に進む。次に、第２の境界（ＶＤＤｂｄ＝１．３）に従うとき、抽出された特徴量のＶＤＤ３は、ＶＤＤ３＜ＶＤＤｂｄであるため、右側に進む。このとき、抽出された特徴量は、ノードｃに到達する。
(Operational stage)
Next, the operation stage when using a decision tree will be described. The user terminal transmits work event data that the user plans to start to the
図８に示されるように、座標平面のノードｃの領域には、２１個の四角（□）と、３個の三角（△）がある。このとき、着手予定の作業イベントデータに対する重み付き組み合わせルールは、（２１／２４）・ＲＤＪ＋（３／２４）・ＤＤＯＯ＝（７／８）・ＲＤＪ＋（１／８）・ＤＤＯＯとなる。従って、優先順位ルール設定部２４は、最適な優先順位ルールを、７／８の割合で第２の優先順位ルール（ＲＤＪ）でスケジューリングし、１／８の割合で第３の優先順位ルール（ＤＤＯＯ）でスケジューリングするルールに設定する。優先順位ルール設定部２４は、設定されたルールをスケジューリング実行部２５に送信する。スケジューリング実行部２５は、設定されたルールに従って、着手予定の作業イベントデータをスケジューリングする。スケジューリング実行部２５は、スケジューリングした結果を、ユーザ端末に出力する。
As shown in FIG. 8, there are 21 squares (□) and 3 triangles (△) in the area of node c on the coordinate plane. In this case, the weighted combination rule for the work event data to be started is (21/24) RDJ + (3/24) DDOO = (7/8) RDJ + (1/8) DDOO. Therefore, the priority
同様に、ユーザが着手予定の作業イベントデータの特徴量が、ＶＤＤ４＝０．４、ＡＳ４＝４．０である場合について説明する。この特徴量が決定木に入力されると、第１の境界（ＡＳｂｄ＝３．２）に従うとき、抽出された特徴量のＡＳ３は、ＡＳ４≧ＡＳｂｄであるため、左側に進む。このとき、抽出された特徴量は、ノードａに到達する。 Similarly, a case will be described in which the feature of the work event data that the user plans to start is VDD4 = 0.4 and AS4 = 4.0. When this feature is input to the decision tree, according to the first boundary ( ASbd = 3.2), the extracted feature AS3 advances to the left because AS4 ≧ ASbd . At this time, the extracted feature reaches node a.
図８に示されるように、座標平面のノードａの領域には、１６個の丸（〇）と、２個の四角（□）がある。このとき、着手予定の作業イベントデータに対する重み付き組み合わせルールは、（２／１８）・ＲＤＪ＋（１６／１８）・ＰＴ＝（１／９）・ＲＤＪ＋（８／９）・ＰＴとなる。従って、優先順位ルール設定部２４は、最適な優先順位ルールを、１／９の割合で第２の優先順位ルール（ＲＤＪ）でスケジューリングし、８／９の割合で第１の優先順位ルール（ＰＴ）でスケジューリングするルールに設定する。優先順位ルール設定部２４は、設定されたルールをスケジューリング実行部２５に送信する。スケジューリング実行部２５は、設定されたルールに従って、着手予定の作業イベントデータをスケジューリングする。スケジューリング実行部２５は、スケジューリングした結果を、ユーザ端末に出力する。
As shown in FIG. 8, there are 16 circles (◯) and 2 squares (□) in the area of node a on the coordinate plane. In this case, the weighted combination rule for the work event data to be started is (2/18) RDJ + (16/18) PT = (1/9) RDJ + (8/9) PT. Therefore, the priority
上記では、最適な優先順位ルールが重み付き組み合わせルールに設定される場合について説明したが、単一ルールに設定されてもよい。例えば、重み付き組み合わせルールが（７／８）・ＲＤＪ＋（１／８）・ＤＤＯＯである場合、重みの値が大きい第２の優先順位ルール（ＲＤＪ）が単一ルールとして設定されてもよい。また、重み付き組み合わせルールに従って着手予定の作業イベントデータをスケジューリングする方法は、ユーザによって任意に設定されてもよい。例えば、重み付き組み合わせルールが、（７／８）・ＲＤＪ＋（１／８）・ＤＤＯＯである場合、作業イベントデータの初めのジョブから７／８のジョブがＲＤＪでスケジューリングされ、残りの１／８のジョブがＤＤＯＯでスケジューリングされてもよい。代替的に、作業イベントデータのランダムに選択された７／８のジョブがＲＤＪでスケジューリングされ、残りの１／８のジョブがＤＤＯＯでスケジューリングされてもよい。 In the above, the case where the optimal priority rule is set to the weighted combination rule has been described, but it may be set to a single rule. For example, if the weighted combination rule is (7/8) RDJ + (1/8) DDOO, the second priority rule (RDJ) with a larger weight value may be set as the single rule. In addition, the method of scheduling the work event data to be started according to the weighted combination rule may be arbitrarily set by the user. For example, if the weighted combination rule is (7/8) RDJ + (1/8) DDOO, 7/8 jobs from the first job of the work event data may be scheduled with RDJ, and the remaining 1/8 jobs may be scheduled with DDOO. Alternatively, 7/8 jobs randomly selected from the work event data may be scheduled with RDJ, and the remaining 1/8 jobs may be scheduled with DDOO.
（ランダムフォレストによるスケジューリングモデルの学習）
次に、図８及び図９を参照して、ランダムフォレストを使用した場合のスケジューリングモデルの学習方法について説明する。学習データの作成段階と、スケジューリングモデルの学習段階と、運用段階とに分けて説明する。
(Learning a Scheduling Model with Random Forest)
Next, a method for learning a scheduling model using a random forest will be described with reference to Fig. 8 and Fig. 9. The method will be described separately for a learning data creation stage, a scheduling model learning stage, and an operation stage.
（学習データの作成段階）
ランダムフォレストを使用した場合のスケジューリングモデルの学習データの作成方法は、決定木によるスケジューリングモデルの学習データの作成方法と同様であるため、説明を省略する。
(Learning data creation stage)
The method of creating learning data for a scheduling model when using a random forest is similar to the method of creating learning data for a scheduling model using a decision tree, so a detailed explanation will be omitted.
（スケジューリングモデルの学習段階）
次に、ランダムフォレストを使用した場合のスケジューリングモデルの学習段階について説明する。まず、ランダムフォレストを使用した場合のスケジューリングモデルの学習段階では、決定木の場合と同様に、座標平面上に図８に示される５６個の記号が描画される。
(Scheduling model learning phase)
Next, the learning stage of the scheduling model when the random forest is used will be described. First, in the learning stage of the scheduling model when the random forest is used, 56 symbols shown in FIG. 8 are drawn on the coordinate plane in the same manner as in the case of the decision tree.
次に、学習部２２は、ブートストラップサンプリングを使用して、学習に使用する作業イベントを選択する。具体的には、学習部２２は、母集団である第１～第５６の作業イベント（母集団の作業イベントをＸ（ｘ１、ｘ２、…、ｘ５６）とする。）から、母集団の作業イベントの数（５６個）と同じ数の作業イベントを、重複を許してランダムに選択する。学習部２２は、例えば、学習に使用する作業イベントとして、サンプリングデータＸ１（ｘ１、ｘ１、ｘ２、ｘ３、ｘ４、…、ｘ４９、ｘ５１、ｘ５１、ｘ５２、ｘ５６）を選択する。学習部２２は、サンプリングデータＸ１の作業イベントに対応する図８の座標平面上の５６個の記号について、優先順位ルールを分けるための境界を設定する。そして、学習部２２は、座標平面を３つの優先順位ルール（ＰＴ、ＲＤＪ、ＤＤＯＯ）に対応する領域（ノードａ、ノードｂ、ノードｃ）に分ける。学習部２２は、例えば、第１の境界をＡＳｂｄ＝３．１０に設定し、第２の境界をＶＤＤｂｄ＝１．４０に設定する。このとき、学習部２２は、第１の境界（ＡＳｂｄ１＝３．１０）によって分岐し、次に第２の境界（ＶＤＤｂｄ１＝１．４０）によって分岐する決定木（図９の決定木１）を作成する。
Next, the
また、学習部２２は、例えば、学習に使用する作業イベントとして、サンプリングデータＸ２（ｘ１、ｘ２、ｘ２、ｘ４、ｘ５、…、ｘ５２、ｘ５２、ｘ５４、ｘ５５、ｘ５６）を選択する。学習部２２は、サンプリングデータＸ２の作業イベントに対応する図８の座標平面上の５６個の記号について、優先順位ルールを分けるための境界を設定する。そして、学習部２２は、座標平面を３つの優先順位ルール（ＰＴ、ＲＤＪ、ＤＤＯＯ）に対応する領域（ノードａ、ノードｂ、ノードｃ）に分ける。学習部２２は、例えば、第１の境界をＡＳｂｄ２＝１．５０に設定し、第２の境界をＶＤＤｂｄ２＝１．４２に設定する。このとき、学習部２２は、第１の境界（ＡＳｂｄ２＝１．５０）によって分岐し、次に第２の境界（ＶＤＤｂｄ２＝１．４２）によって分岐する決定木（図９の決定木２）を作成する。
Furthermore, the
同様に、学習部２２は、ブートストラップサンプリングを使用して、学習に使用する作業イベントを選択し、決定木（図９の決定木３～決定木１００）を作成する。
Similarly, the
（運用段階）
次に、ランダムフォレストを使用した場合の運用段階について説明する。ユーザ端末は、ユーザが着手予定の作業イベントデータをスケジューリング装置１に送信する。特徴量抽出部２３は、着手予定の作業イベントデータを受信し、着手予定の作業イベントデータの特徴量を抽出する。このとき、例えば、抽出された特徴量は、ＶＤＤ３＝１．０、ＡＳ３＝２．０である。特徴量抽出部２３は、抽出された特徴量を優先順位ルール設定部２４に送信する。
(Operational stage)
Next, the operation stage when using random forest will be described. The user terminal transmits work event data that the user plans to start to the
優先順位ルール設定部２４は、抽出された特徴量を、上述で学習されたスケジューリングモデルの決定木１に入力する。このとき、第１の境界（ＡＳｂｄ１＝３．１０）に従うとき、抽出された特徴量のＡＳ３は、ＡＳ３＜ＡＳｂｄ１であるため、右側に進む。次に、第２の境界（ＶＤＤｂｄ１＝１．４０）に従うとき、抽出された特徴量のＶＤＤ３は、ＶＤＤ３＜ＶＤＤｂｄ１であるため、右側に進む。このとき、抽出された特徴量は、ノードｃに到達する。図９に示されるように、座標平面のノードｃの領域には、四角（□）の記号が最も多い。このとき、優先順位ルール設定部２４は、決定木１に従って、着手予定の作業イベントデータには、四角（□）に対応する第２の優先順位ルール（ＲＤＪ）が適していると判定する。
The priority
同様に、優先順位ルール設定部２４は、抽出された特徴量を、上述で学習されたスケジューリングモデルの決定木２に入力する。このとき、第１の境界（ＡＳｂｄ２＝１．５０）に従うとき、抽出された特徴量のＡＳ３は、ＡＳ３≧ＡＳｂｄ２であるため、左側に進む。このとき、抽出された特徴量は、ノードａに到達する。図９に示されるように、座標平面のノードａの領域には、丸（〇）の記号が最も多い。このとき、優先順位ルール設定部２４は、決定木２に従って、着手予定の作業イベントデータには、丸（〇）に対応する第１の優先順位ルール（ＰＴ）が適していると判定する。
Similarly, the priority
同様に、優先順位ルール設定部２４は、抽出された特徴量を、上述で学習されたスケジューリングモデルの決定木３～１００に入力する。優先順位ルール設定部２４は、決定木３～１００に従って、着手予定の作業イベントデータには、丸（〇）、三角（△）、四角（□）に対応する第１～第３の優先順位ルールのいずれかに適していると判定する。
Similarly, the priority
決定木３～１００に従った判定の結果、例えば、第１の優先順位ルール（ＰＴ）に適していると判断した決定木は１３個である。また、第２の優先順位ルール（ＲＤＪ）に適していると判断した決定木は５０個である。また、第３の優先順位ルール（ＤＤＯＯ）に適していると判断した決定木は３７個である。このとき、着手予定の作業イベントデータに対する重み付き組み合わせルールは、（１３／１００）・ＰＴ＋（５０／１００）・ＲＤＪ＋（３７／１００）・ＤＤＯＯ＝（１３／１００）・ＰＴ＋（１／２）・ＲＤＪ＋（３７／１００）・ＤＤＯＯとなる。従って、優先順位ルール設定部２４は、最適な優先順位ルールを、１３／１００の割合でＰＴによりスケジューリングし、１／２の割合でＲＤＪによりスケジューリングし、３７／１００の割合でＤＤＯＯによりスケジューリングするルールに設定する。優先順位ルール設定部２４は、設定されたルールをスケジューリング実行部２５に送信する。スケジューリング実行部２５は、設定されたルールに従って、着手予定の作業イベントデータをスケジューリングする。スケジューリング実行部２５は、スケジューリングした結果を、ユーザ端末に出力する。
As a result of the judgment according to the
上記では、最適な優先順位ルールが重み付き組み合わせルールに設定される場合について説明したが、単一ルールに設定されてもよい。例えば、重み付き組み合わせルールが（１３／１００）・ＰＴ＋（１／２）・ＲＤＪ＋（３７／１００）・ＤＤＯＯである場合、重みの値が大きい第２の優先順位ルール（ＲＤＪ）が単一ルールとして設定されてもよい。また、重み付き組み合わせルールに従って着手予定の作業イベントデータをスケジューリングする方法は、ユーザによって任意に設定されてもよい。例えば、重み付き組み合わせルールが、（１３／１００）・ＰＴ＋（１／２）・ＲＤＪ＋（３７／１００）・ＤＤＯＯである。このとき、作業イベントデータの初めのジョブから１３／１００のジョブがＰＴでスケジューリングされ、次の１／２のジョブがＲＤＪでスケジューリングされ、残りのジョブがＤＤＯＯでスケジューリングされてもよい。代替的に、作業イベントデータのランダムに選択された１３／１００のジョブがＰＴでスケジューリングされ、さらにランダムに選択された１／２のジョブがＲＤＪでスケジューリングされ、残りのジョブがＤＤＯＯでスケジューリングされてもよい。 In the above, the case where the optimal priority rule is set to the weighted combination rule has been described, but it may be set to a single rule. For example, when the weighted combination rule is (13/100)·PT+(1/2)·RDJ+(37/100)·DDOO, the second priority rule (RDJ) with a larger weight value may be set as the single rule. In addition, the method of scheduling the work event data to be started according to the weighted combination rule may be arbitrarily set by the user. For example, the weighted combination rule is (13/100)·PT+(1/2)·RDJ+(37/100)·DDOO. In this case, 13/100 jobs from the first job of the work event data may be scheduled with PT, the next 1/2 jobs may be scheduled with RDJ, and the remaining jobs may be scheduled with DDOO. Alternatively, 13/100 randomly selected jobs in the work event data may be scheduled with PT, another 1/2 randomly selected jobs may be scheduled with RDJ, and the remaining jobs may be scheduled with DDOO.
（第１の実施形態の第２の変形例）
また、第１の実施形態の第２の変形例として、学習部２２は、図１０に示されるように、強化学習モデルのスケジューリングモデルを学習してもよい。すなわち、学習部２２は、１つの作業イベントの特徴量（状態ｓ）に対して複数の優先順位ルール（行動ａ）を適用し、それぞれの優先順位ルールを適用させた場合の評価値（報酬ｒ）を計算する。そして、学習部２２は、状態ｓと、行動ａと、報酬ｒとの関係に基づいてスケジューリングモデルを学習する。
(Second Modification of the First Embodiment)
As a second modified example of the first embodiment, the
（作用、効果）
第１の実施形態の第１又は第２の変形例に係るスケジューリング装置１では、学習部２２は、決定木、ランダムフォレスト、又は強化学習モデルを使用してスケジューリングモデルを学習する。これにより、第１の実施形態の第１又は第２の変形例において、スケジューリング装置１は、作業イベントデータの特徴量に応じた重み付き組み合わせルールを作成するため、提供されるスケジューリング結果はさらに改善される。
(Action, Effect)
In the
（第１の実施形態の第３の変形例）
第１の実施形態に係る着手予定作業イベントデータは、特徴量を有していると説明した。ここで、第１の実施形態の第３の変形例として、着手予定作業イベントデータは、着手予定作業イベントデータの処理の途中のタイミングを示すマイルストーン情報をさらに含んでもよい。以下、図１１及び図１２を参照しながら、着手予定作業イベントデータがマイルストーン情報を含む場合について説明する。
(Third Modification of the First Embodiment)
It has been described that the scheduled work event data according to the first embodiment has a feature amount. Here, as a third modified example of the first embodiment, the scheduled work event data may further include milestone information indicating timings during the processing of the scheduled work event data. Hereinafter, a case in which the scheduled work event data includes milestone information will be described with reference to Figs. 11 and 12.
第１の実施形態の学習データの作成段階と、スケジューリングモデルの学習段階とが完了し、学習済のスケジューリングモデルがデータベース３に格納されているものとする。運用段階において、ユーザ端末は、ユーザが着手予定の作業イベントデータをスケジューリング装置１に送信する。この着手予定作業イベントデータは、マイルストーン情報を含む。
It is assumed that the learning data creation stage and the scheduling model learning stage of the first embodiment are completed, and the learned scheduling model is stored in the
マイルストーン情報は、着手予定作業イベントデータの処理の途中のタイミングを示すために使用される。例えば、図１１に示すように、マイルストーン情報のフォーマットは、「番号」と、「タイプ」と、「タイミング」とを含む。「番号」は、整数で示されてもよく、マイルストーン情報を識別するために使用される。「タイプ」は、図１１に示されるように、例えば、「日時」と、「パーセント」と、「個数」とを含み、最適優先順位ルールを変更するタイミングのタイプを示す。「日時」は、指定された日時のときに最適優先順位ルールを変更することを示す。「パーセント」は、指定された割合のジョブが完了したときに最適優先順位ルールを変更することを示す。「個数」は、指定された個数のジョブが完了したときに最適優先順位ルールを変更することを示す。例えば、「タイプ」が、０／１／０であるとき、マイルストーン情報は、日時及び完了ジョブの個数で指定されず、完了ジョブの割合によって変更のタイミングを指定することを示す。次に、「タイミング」は、指定された「タイプ」について、どのタイミングで最適優先順位ルールが変更されるかを示す。 Milestone information is used to indicate timing during the processing of scheduled work event data. For example, as shown in FIG. 11, the format of milestone information includes "number", "type", and "timing". "Number" may be expressed as an integer and is used to identify milestone information. "Type" includes, for example, "date and time", "percentage", and "number" as shown in FIG. 11, and indicates the type of timing for changing the optimal priority rule. "Date and time" indicates that the optimal priority rule is changed at a specified date and time. "Percentage" indicates that the optimal priority rule is changed when a specified percentage of jobs are completed. "Number" indicates that the optimal priority rule is changed when a specified number of jobs are completed. For example, when "Type" is 0/1/0, the milestone information indicates that the timing of the change is specified by the percentage of completed jobs, rather than by the date and time and the number of completed jobs. Next, "Timing" indicates at what timing the optimal priority rule is changed for the specified "Type".
着手予定作業イベントデータは、例えば、図１１に示される「番号」が１であるマイルストーン情報を含む。マイルストーン情報の「タイプ」は、「０／０／１」である。このとき、マイルストーン情報は、日時及び完了ジョブの割合で指定されず、完了ジョブの個数によって変更のタイミングを指定することを示す。また、「タイミング」は、「３、６」である。このとき、図１２に示されるように、マイルストーン情報は、開始から３つ及び６つのジョブが完了したときに、最適な優先順位ルールを変更することを示す。 The scheduled work event data includes, for example, milestone information with a "number" of 1 as shown in FIG. 11. The "type" of the milestone information is "0/0/1." In this case, the milestone information indicates that the timing of the change is specified by the number of completed jobs, rather than by the date and time or the percentage of completed jobs. Also, the "timing" is "3, 6." In this case, as shown in FIG. 12, the milestone information indicates that the optimal priority rule will be changed when three and six jobs have been completed since the start.
特徴量抽出部２３は、着手予定の作業イベントデータを受信する。特徴量抽出部２３は、着手予定の作業イベントデータの特徴量を抽出する。特徴量抽出部２３は、抽出された特徴量を優先順位ルール設定部２４に送信する。優先順位ルール設定部２４は、抽出された特徴量を、学習されたスケジューリングモデルに入力する。優先順位ルール設定部２４は、最適な優先順位ルールを設定する。優先順位ルール設定部２４は、設定された最適な優先順位ルールをスケジューリング実行部２５に送信する。スケジューリング実行部２５は、最適な優先順位ルールに従って、着手予定の作業イベントデータをスケジューリングする。
The
ここで、図１２に示されるように、マイルストーン情報は、開始から３つのジョブが完了したときに最適な優先順位ルールを変更することを示している。従って、スケジューリング実行部２５は、スケジューリング後の着手予定の作業イベントデータの先頭から３つのジョブが完了した残りの作業イベントデータを特徴量抽出部２３に送信する。特徴量抽出部２３は、残りの作業イベントデータの特徴量を抽出する。優先順位ルール設定部２４は、抽出された特徴量を学習されたスケジューリングモデルに再び入力し、残りの作業イベントデータについての最適優先順位ルールを設定する。優先順位ルール設定部２４は、設定された残りの作業イベントデータについての最適優先順位ルールをスケジューリング実行部２５に送信する。スケジューリング実行部２５は、再設定された最適な優先順位ルールに従って、残りの作業イベントデータをスケジューリングする。
Here, as shown in FIG. 12, the milestone information indicates that the optimal priority rule is changed when three jobs are completed from the start. Therefore, the
また、図１２に示されるように、マイルストーン情報は、開始から６つのジョブが完了したときに最適な優先順位ルールを変更することを示している。従って、スケジューリング実行部２５は、着手予定の作業イベントデータの先頭から６つのジョブ、すなわち、残りの作業イベントデータの先頭から３つめのジョブが完了した残りの作業イベントデータを特徴量抽出部２３に送信する。特徴量抽出部２３は、残りの作業イベントデータの特徴量を抽出する。優先順位ルール設定部２４は、抽出された特徴量を学習されたスケジューリングモデルに再び入力し、残りの作業イベントデータについての最適優先順位ルールを設定する。優先順位ルール設定部２４は、設定された残りの作業イベントデータについての最適優先順位ルールをスケジューリング実行部２５に送信する。スケジューリング実行部２５は、再設定された最適な優先順位ルールに従って、残りの作業イベントデータをスケジューリングする。スケジューリング実行部２５は、スケジューリングした結果を、ユーザ端末に出力する。
Also, as shown in FIG. 12, the milestone information indicates that the optimal priority rule is changed when six jobs are completed from the start. Therefore, the
また、着手予定作業イベントデータは、例えば、図１１に示される「番号」が２であるマイルストーン情報を含む。マイルストーン情報の「タイプ」は、「１／０／０」である。このとき、マイルストーン情報は、完了ジョブの割合及び完了ジョブの個数で指定されず、日時によって変更のタイミングを指定することを示す。また、「タイミング」は、「１２月１日１０時」である。このとき、マイルストーン情報は、スケジューリングされた着手予定作業イベントデータにおいて１２月１日１０時の時点で最適な優先順位ルールを変更することを示す。具体的な処理は、マイルストーン情報の「番号」が１の場合と同様であり、省略する。 The scheduled work event data also includes milestone information with a "number" of 2, as shown in FIG. 11, for example. The "type" of the milestone information is "1/0/0". In this case, the milestone information indicates that the timing of the change is specified by date and time, rather than by the percentage of completed jobs or the number of completed jobs. In addition, the "timing" is "December 1st, 10:00". In this case, the milestone information indicates that the optimal priority rule is changed in the scheduled scheduled work event data at December 1st, 10:00. The specific processing is the same as when the milestone information "number" is 1, and will not be described here.
マイルストーン情報の「タイプ」は、上述した「日時」、「パーセント」、「個数」以外の指標を含んでもよい。 The "type" of milestone information may include indicators other than the above-mentioned "date and time," "percentage," and "number."
（作用、効果）
第１の実施形態の第３の変形例に係るスケジューリング装置１では、着手予定作業イベントデータは、着手予定作業イベントデータの処理の途中のタイミングを示すマイルストーン情報を含む。特徴量抽出部が、マイルストーン情報が示すタイミングで、残りの作業イベントデータについての特徴量を抽出する。優先順位ルール設定部が、残りの作業イベントデータについての特徴量をスケジューリングモデルに入力し、最適優先順位ルールを再設定する。スケジューリング実行部が、再設定された最適優先順位ルールに従って、残りの作業イベントデータを処理する。これにより、第３の変形例では、スケジューリング装置１は、スケジューリング中の優先順位ルールの変更が可能となり、シーズン事情のような様々な状況に合わせて適切な優先順位ルールに切り替えることができ、スケジューリング結果はさらに改善される。
(Action, Effect)
In the
（第１の実施形態の第４の変形例）
第１の実施形態に係るスケジューリング装置１の学習部２２は、第１～第３の優先順位ルールを使用してスケジューリングモデルを学習すると説明した。第１の実施形態の第４の変形例として、学習部２２によって使用される優先順位ルールは予め絞り込まれた優先順位ルールであってもよい。以下、図１３（ａ）を参照しながら、優先順位ルールの絞り込みについて説明する。
(Fourth Modification of the First Embodiment)
It has been described that the
学習データの作成段階において、学習データ作成部２１は、ユーザ端末から送信された第１～第５の優先順位ルール及び第１の作業イベントデータを受信する。第１の作業イベントデータは、製品、工場の規模、オーダ数：２，５００、ジョブ数：１００，０００、等に指定されるデータであってもよい。学習データ作成部２１は、第１の作業イベントデータの着手可能日又は納期をランダムに変更し、訓練データとして、類似する第２～第５の作業イベントデータを作成する。そして、学習データ作成部２１は、第１～第５の優先順位ルールに従ったときの第１の作業イベントの完了にかかるまでの見積り作業時間を計算する。学習データ作成部２１は、計算に使用された第１～第５の優先順位ルールと、第１の作業イベントデータと、見積り作業時間とを対応付けて、データベース３に格納する。同様に、学習データ作成部２１は、第１～第５の優先順位ルールに従ったときの第２～第５の作業イベントの完了にかかるまでの時間を計算する。学習データ作成部２１は、計算に使用された第１～第５の優先順位ルールと、第２～第５の作業イベントデータと、見積り作業時間とを対応付けて、データベース３に格納する。
In the learning data creation stage, the learning
次に、特徴量抽出部２３は、第１の作業イベントデータから特徴量を抽出する。また、特徴量抽出部２３は、第１の作業イベントデータを第１～第５の優先順位ルールに従ったときの５つの見積り作業時間の評価値を計算する。ここでは、特徴量抽出部２３は、評価値として、納期遅れの値、作業イベントのリードタイム及び納期先行の値を計算し、学習部２２に、計算された値を送信する。学習部２２は、例えば、納期遅れが小さく、リードタイムが小さく、かつ納期先行が小さい優先順位ルールが最適な優先順位ルールであると判定する。図１３（ａ）に示されるように、第１の作業イベントデータを第１の優先順位ルールに従ったときに、納期遅れが最小となり、リードタイムが最小となり、かつ納期先行が最小となる。このとき、学習部２２は、第１の優先順位ルールが、第１の作業イベントデータに最適な優先順位ルールであると学習する。
Next, the
同様に、第２～第５の作業イベントデータについて最適な優先順位ルールを学習する。第２の作業イベントデータについて最適な優先順位ルールは、第２の優先順位ルールである。第３の作業イベントデータについて最適な優先順位ルールは、第５の優先順位ルールである。第４の作業イベントデータについて最適な優先順位ルールは、第５の優先順位ルールである。第５の作業イベントデータについて最適な優先順位ルールは、第３の優先順位ルールである。このとき、第４の優先順位ルールが最適な優先順位ルールであると判断する結果は存在しない。従って、第１の作業イベントデータに類似する作業イベントデータの最適な優先順位ルールを設定する際に、第４の優先順位ルールは有効ではないと判定される。そして、学習部２２は、学習データ作成部２１に、第１の作業イベントデータに類似する作業イベントについては、第１及び第３～第５の優先順位ルールに絞り込んで学習データを作成するように命令する。当該命令の後は、第４の優先順位ルールを考慮しないで、学習データの作成、スケジューリングモデルの学習、及び運用が行われる。
Similarly, the optimal priority rule is learned for the second to fifth work event data. The optimal priority rule for the second work event data is the second priority rule. The optimal priority rule for the third work event data is the fifth priority rule. The optimal priority rule for the fourth work event data is the fifth priority rule. The optimal priority rule for the fifth work event data is the third priority rule. At this time, there is no result that determines that the fourth priority rule is the optimal priority rule. Therefore, when setting the optimal priority rule for work event data similar to the first work event data, it is determined that the fourth priority rule is not valid. Then, the
学習部２２は、学習データ作成部２１に、第１及び第３～第５の優先順位ルールに絞り込んで学習データを作成するように命令すると説明した。代替的に、学習部２２は、特徴量抽出部２３に、第１の作業イベントデータの特徴量と同様の特徴量を有する作業イベントについては、第１及び第３～第５の優先順位ルールのみに対応する特徴量を送信するように命令してもよい。
It has been explained that the
（作用、効果）
第１の実施形態の第４の変形例に係るスケジューリング装置１では、学習部２２が、複数の見積り作業時間から得られる評価値を比較し、複数の優先順位ルールの数を絞り込む。これにより、考慮すべき優先順位ルールの数が減少するため、リソースの浪費を防ぐことができる。さらに、学習データの作成を短時間で完了させることが可能となる。
(Action, Effect)
In the
（第１の実施形態の第５の変形例）
第１の実施形態の第４の変形例では、学習部２２が、複数の見積り作業時間から得られる評価値を比較し、複数の優先順位ルールの数を絞り込むと説明した。第１の実施形態の第５の変形例として、評価値が、許容誤差をさらに含んでもよい。以下、図１３（ｂ）を参照しながら説明する。
(Fifth Modification of the First Embodiment)
In the fourth modification of the first embodiment, it has been explained that the
第１の実施形態の第４の変形例と同様に、学習データ作成部２１は、第１～第５の優先順位ルールと、第１～第５の作業イベントデータと、見積り作業時間とを対応付けて、データベース３に格納する。
Similar to the fourth modified example of the first embodiment, the learning
次に、特徴量抽出部２３は、第１の作業イベントデータから特徴量を抽出する。また、特徴量抽出部２３は、第１の作業イベントデータを第１～第５の優先順位ルールに従ったときの５つの見積り作業時間の評価値を計算する。ここでは、特徴量抽出部２３は、評価値として、納期遅れの値、作業イベントのリードタイム及び納期先行の値を計算し、学習部２２に、計算された値を送信する。学習部２２は、例えば、納期遅れが小さく、リードタイムが小さく、かつ納期先行が小さい優先順位ルールが最適な優先順位ルールであると判定する。図１３（ｂ）に示されるように、第１の作業イベントデータを第１の優先順位ルールに従ったときに、納期遅れが最小となり、リードタイムが最小となり、かつ納期先行が最小となる。しかし、第５の変形例では、第４の変形例と異なり、評価値に対して許容誤差ε（＝１０）を設定している。このとき、納期遅れの値は最小値＋１０（＝１１０）まで認められ、リードタイムは最小値＋１０（＝２１０）まで認められ、納期先行の値は、最小値＋１０（＝６０）まで認められる。従って、学習部２２は、第１の優先順位ルール及び第３の優先順位ルールが、第１の作業イベントデータに最適な優先順位ルールであると学習する。
Next, the
同様に、第２～第５の作業イベントデータについて最適な優先順位ルールを学習する。第２の作業イベントデータについて最適な優先順位ルールは、第２の優先順位ルールである。第３の作業イベントデータについて最適な優先順位ルールは、第５の優先順位ルールである。第４の作業イベントデータについて最適な優先順位ルールは、第５の優先順位ルールである。第５の作業イベントデータについて最適な優先順位ルールは、第３の優先順位ルールである。このとき、第４の優先順位ルールが最適な優先順位ルールであると判断する結果は存在しない。また、第１の作業イベントデータは、第１の優先順位ルールの代わりに、第３の優先順位ルールを最適な優先順位ルールとして使用することが可能と判断される。このとき、第１～第５の作業イベントデータをスケジューリングするとき、第２、第３、及び第５の優先順位ルールによって最適な優先順位ルールを提供することが可能と判断される。すなわち、第１の作業イベントデータに類似する作業イベントデータの最適な優先順位ルールを設定する際に、第１及び第４の優先順位ルールは不要であると判定される。そして、学習部２２は、学習データ作成部２１に、第１の作業イベントデータに類似する作業イベントについては、第２、第３、及び第５の優先順位ルールに絞り込んで学習データを作成するように命令する。当該命令の後は、第１及び第４の優先順位ルールを考慮しないで、学習データの作成、スケジューリングモデルの学習、及び運用が行われる。
Similarly, the optimal priority rule is learned for the second to fifth work event data. The optimal priority rule for the second work event data is the second priority rule. The optimal priority rule for the third work event data is the fifth priority rule. The optimal priority rule for the fourth work event data is the fifth priority rule. The optimal priority rule for the fifth work event data is the third priority rule. At this time, there is no result that determines that the fourth priority rule is the optimal priority rule. Also, it is determined that the first work event data can use the third priority rule as the optimal priority rule instead of the first priority rule. At this time, it is determined that the second, third, and fifth priority rules can provide the optimal priority rule when scheduling the first to fifth work event data. In other words, it is determined that the first and fourth priority rules are unnecessary when setting the optimal priority rule for work event data similar to the first work event data. Then, the
（作用、効果）
第１の実施形態の第５の変形例に係るスケジューリング装置１では、評価値が、許容誤差をさらに含んでいる。これにより、図１３（ａ）及び図１３（ｂ）に示されるように、考慮すべき優先順位ルールの数は、第１の実施形態の第４の変形例による数よりもさらに減少する。そのため、リソースの浪費をさらに防ぐことができる。また、学習データの作成を短時間で完了させることが可能となる。
(Action, Effect)
In the
＜第２の実施形態＞
以下、第２の実施形態に係るスケジューリング装置１ついて、図８及び図１４を参照しながら説明する。第２の実施形態に係るスケジューリング装置１の各構成要素は、特に言及する場合を除き、第１の実施形態の第１の変形例に係るスケジューリング装置１の各構成要素と同様に構成され、機能する。
Second Embodiment
The
第２の実施形態のスケジューリング装置１の学習部２２は、第１の実施形態の第１の変形例に係るスケジューリング装置１の学習部２２と同様に、決定木によるスケジューリングモデルを学習する。次に、学習部２２は、学習したスケジューリングモデルから、モデルデータを抽出する。モデルデータは、例えば、図１４に示される形式で表される。図１４の第１列の「決定木番号」は、決定木の番号である。第２列の「ノード識別子」は、図８のいずれかのノードに対応する。第３列の「条件」は、いずれかノードに到達するための特徴量の条件である。第４列の「最適優先順位ルール」は、最適優先順位ルールの内容を示す。学習部２２は、抽出したモデルデータをスケジューリング実行部２５に送信する。スケジューリング実行部２５は、受信されたモデルデータをスケジューリング実行部２５の記録部に記録する。
The
次に、運用段階において、ユーザ端末は、ユーザが着手予定の作業イベントデータをスケジューリング装置１に送信する。特徴量抽出部２３は、着手予定の作業イベントデータを受信し、着手予定の作業イベントデータの特徴量を抽出する。特徴量抽出部２３は、抽出された特徴量をスケジューリング実行部２５に送信する。スケジューリング実行部２５は、記録されたモデルデータに特徴量を入力することによって、送信された特徴量が、モデルデータのいずれの特徴量の条件を満たすのかを判定する。例えば、送信された特徴量が、ＡＳ＝４．０、ＶＤＤ＝０．８であるとき、ノード番号がａである条件（ａ≧３．２）を満たす。よって、このとき、送信された特徴量に対応する最適優先順位ルールは、（２／１８）・ＲＤＪ＋（１６／１８）・ＰＴ＝（１／９）・ＲＤＪ＋（８／９）・ＰＴであると判定される。スケジューリング実行部２５は、判定されたルールに従って、着手予定の作業イベントデータをスケジューリングする。スケジューリング実行部２５は、スケジューリングした結果を、ユーザ端末に出力する。
Next, in the operation stage, the user terminal transmits work event data that the user plans to start to the
上記では、決定木によるスケジューリングモデルのモデルデータを抽出する場合について説明した。代替的に、ランダムフォレストによるスケジューリングモデルのモデルデータが抽出されてもよい。例えば、図９に示されるように１００個の決定木が作成される場合、図１４の「決定木番号」は、１～１００である。 The above describes the case where model data of a scheduling model using a decision tree is extracted. Alternatively, model data of a scheduling model using a random forest may be extracted. For example, when 100 decision trees are created as shown in FIG. 9, the "decision tree number" in FIG. 14 is 1 to 100.
（作用、効果）
第２の実施形態では、学習部が、学習されたスケジューリングモデルからモデルデータを抽出する。スケジューリング実行部が、モデルデータを、スケジューリング実行部の記録部に記録し、抽出された着手予定作業イベントデータの特徴量を記録されたモデルデータに入力することによって、最適優先順位ルールを設定する。これにより、運用段階において優先順位ルール設定部２４と、特徴量抽出部２３及びスケジューリング実行部２５との間のデータの送受信処理を省略することができ、スケジューリングを即時に完了させることができる。
(Action, Effect)
In the second embodiment, the learning unit extracts model data from the learned scheduling model. The scheduling execution unit records the model data in the recording unit of the scheduling execution unit, and sets optimal priority rules by inputting the features of the extracted scheduled work event data to the recorded model data. This makes it possible to omit data transmission and reception processing between the priority
（第２の実施形態の変形例）
以上、第２の実施形態に係るスケジューリング装置１について詳細に説明したが、スケジューリング装置１の具体的な態様は、上述のものに限定されることはなく、要旨を逸脱しない範囲内において種々の設計変更等を加えることは可能である。
(Modification of the second embodiment)
The above provides a detailed explanation of the
＜第３の実施形態＞
以下、第３の実施形態に係るスケジューリング装置１ついて、図１５を参照しながら説明する。第３の実施形態に係るスケジューリング装置１の各構成要素は、特に言及する場合を除き、第１の実施形態に係るスケジューリング装置１の各構成要素と同様に構成され、機能する。
Third Embodiment
Hereinafter, the
（スケジューリング装置１の機能構成）
第１の実施形態の学習データの作成段階と、スケジューリングモデルの学習段階とが完了し、運用段階において優先順位ルール設定部２４は、スケジューリング実行部２５に設定された最適優先順位ルールを送信したものとする。スケジューリング実行部２５は、最適優先順位ルールに従って、着手予定の作業イベントデータのスケジュールを作成する。そこで、作成されたスケジュールの最初に着手されるジョブを変更可能であるか否かを判定する。変更可能であると判定されたとき、スケジューリング実行部２５は、最初に着手されるジョブを変更し、再度最適優先順位ルールに従って着手予定の作業イベントデータのスケジュールを作成する。スケジューリング実行部２５は、スケジューリング結果が改善するか否か、例えば、より短時間で作業が完了するか否かを判定する。改善すると判定された場合は、スケジューリング実行部２５は、作成されたスケジュールを、改善すると判定されたスケジュールに変更する。
(Functional configuration of scheduling device 1)
Assume that the learning data creation stage and the scheduling model learning stage of the first embodiment are completed, and in the operation stage, the priority
（スケジューリング装置１の処理フロー）
図１５は、第３の実施形態に係るスケジューリング装置１の処理フローを説明する図である。第１の実施形態の学習データの作成段階と、スケジューリングモデルの学習段階とが完了し、運用段階において優先順位ルール設定部２４は、スケジューリング実行部２５に設定された最適優先順位ルールを送信したものとする。スケジューリング実行部２５は、最適優先順位ルールに従って、着手予定の作業イベントデータのスケジュールを作成する（ステップＳ１５０１）。この着手予定の作業イベントデータのスケジュールを作成するステップは、図６のステップＳ６０５と同様の処理である。すなわち、ステップＳ１５０１は、図６のステップＳ６０４に続く処理であってもよい。次に、作成されたスケジュールの最初に着手されるジョブを変更可能であるか否かを判定する（ステップＳ１５０２）。変更可能でない場合（ステップＳ１５０２：Ｎｏ）、スケジューリング実行部２５は、スケジューリングした結果をユーザ端末に出力し、終了する。変更可能であると判定された場合（ステップＳ１５０２：Ｙｅｓ）、スケジューリング実行部２５は、最初に着手されるジョブを変更し、再度最適優先順位ルールに従って着手予定の作業イベントデータのスケジュールを作成する（ステップＳ１５０３）。スケジューリング実行部２５は、スケジューリング結果が改善するか否か、例えば、より短時間で作業が完了するか否かを判定する（ステップＳ１５０４）。改善しない場合（ステップＳ１５０４：Ｎｏ）、ステップＳ１５０２に戻る。改善すると判定された場合（ステップＳ１５０４：Ｙｅｓ）、スケジューリング実行部２５は、作成されたスケジュールを、改善すると判定されたスケジュールに変更し（ステップＳ１５０５）、ステップＳ１５０２に戻る。以上の処理は、最初に着手されるジョブにおいて、変更可能なジョブがなくなったとき、終了する。
(Processing flow of the scheduling device 1)
FIG. 15 is a diagram for explaining the process flow of the
（作用、効果）
例えば、着手予定の作業イベントデータの最初に着手されるジョブが予め設定されている場合、スケジューリング実行部２５がスケジューリングしたイベントデータにおいて最初に着手されるジョブは、予め設定されたジョブに固定される。このとき、最適なスケジューリング結果が提供されるとは限らない。そこで、上述したように、第３の実施形態では、スケジューリング実行部２５が、着手予定作業イベントデータに含まれる複数のジョブの実行順序を変更する。そして、スケジューリング実行部２５は、設定された最適優先順位ルール及び変更された実行順序に従って、着手予定作業イベントデータをスケジューリングする。これにより、より短時間で完了するスケジュールを得ることができる。
(Action, Effect)
For example, if the job to be started first in the work event data to be started is preset, the job to be started first in the event data scheduled by the
（第３の実施形態の変形例）
以上、第３の実施形態に係るスケジューリング装置１について詳細に説明したが、スケジューリング装置１の具体的な態様は、上述のものに限定されることはなく、要旨を逸脱しない範囲内において種々の設計変更等を加えることは可能である。
(Modification of the third embodiment)
The above provides a detailed explanation of the
＜第４の実施形態＞
以下、第４の実施形態に係るスケジューリング装置１ついて、図１６から図１８を参照しながら説明する。第４の実施形態に係るスケジューリング装置１の各構成要素は、特に言及する場合を除き、第１の実施形態に係るスケジューリング装置１の各構成要素と同様に構成され、機能する。
Fourth Embodiment
Hereinafter, the
（スケジューリング装置１の機能構成）
スケジューリング装置１は、優先順位ルール評価部２６をさらに備える。優先順位ルール評価部２６は、実際に存在する作業イベントデータから、検証データとして、複数の模擬作業イベントデータを作成する。この模擬作業イベントデータは、対象とするジョブ（組み立て工程、機械加工等、又はそれらを含めた全体工程等）は、実際に存在する作業イベントデータと同一であり、オーダ数、着手可能日時、納期等のパラメータを変更して作成される。
(Functional configuration of scheduling device 1)
The
優先順位ルール評価部２６は、まず、１つの模擬作業イベントデータに対して、現在使用している優先順位ルール及びデータベース３に記録されているすべての優先順位ルールを適用したスケジュールを作成する。現在使用している優先順位ルールは、例えば、最適優先順位ルールである。すべての優先順位ルールは、単一ルール及び重み付き組み合わせルールを含んでもよい。優先順位ルール評価部２６は、例えば、リードタイム、納期遅れの値、又は納期先行の値を評価し、どの優先順位ルールが最良であるかを判定する。
The priority
同様に、優先順位ルール評価部２６は、残りの模擬作業イベントデータに対して、現在使用している優先順位ルール及びデータベース３に記録されているすべての優先順位ルールを適用したスケジュールを作成する。同様に、優先順位ルール評価部２６は、どの優先順位ルールが最良であるかを決定する。優先順位ルール評価部２６は、最良と決定された優先順位ルールを図１７に示されるように集計する。図１７に示されるように、現在使用されている優先順位ルールが最良と決定された数が５回（最多）である。次に、第１の優先順位ルールが最良と決定された数が３回である。従って、優先順位ルール評価部２６は、現在使用されている優先順位ルールが作業イベントデータにとって最良の優先順位ルールであると評価し、現在使用されている優先順位ルールの使用をユーザ端末に提案する。現在使用されている優先順位ルール以外の優先順位ルールが最良の優先順位ルールであると評価された場合、優先順位ルール評価部２６は、最良と評価された優先順位ルールを使用するようユーザ端末に提案する。最良と決定された回数に大きな差がない場合、優先順位ルール評価部２６は、ユーザ端末に、着手予定の作業イベントのスケジューリングの度に、最適優先順位ルールを検討するように提案する。
Similarly, the priority
（スケジューリング装置１の処理フロー）
図１８は、第４の実施形態に係るスケジューリング装置１の処理フローを説明する図である。第１の実施形態の学習データの作成段階と、スケジューリングモデルの学習段階とが完了し、運用段階において優先順位ルール設定部２４は、スケジューリング実行部２５に設定された最適優先順位ルールを送信したものとする。
(Processing flow of the scheduling device 1)
18 is a diagram illustrating a processing flow of the
優先順位ルール評価部２６は、実際に存在する作業イベントデータから、検証データとして、複数の模擬作業イベントデータを作成する（ステップＳ１８０１）。優先順位ルール評価部２６は、まず、１つの模擬作業イベントデータに対して、現在使用している優先順位ルール及びデータベース３に記録されているすべての優先順位ルールを適用したスケジュールを作成する（ステップＳ１８０２）。現在使用している優先順位ルールは、例えば、最適優先順位ルールである。すべての優先順位ルールは、単一ルール及び重み付き組み合わせルールを含んでもよい。優先順位ルール評価部２６は、例えば、リードタイム、納期遅れの値、又は納期先行の値を評価し、どの優先順位ルールが最良であるかを決定する（ステップＳ１８０３）。
The priority
同様に、優先順位ルール評価部２６は、判定すべき模擬作業イベントデータがある場合に（ステップＳ１８０４：Ｙｅｓ）、現在使用している優先順位ルール及びすべての優先順位ルールを適用したスケジュールを作成する（ステップＳ１８０２）。同様に、優先順位ルール評価部２６は、どの優先順位ルールが最良であるかを決定する（ステップＳ１８０３）。優先順位ルール評価部２６は、最良と決定された優先順位ルールを図１７に示されるように集計する（ステップＳ１８０５）。図１７に示されるように、現在使用されている優先順位ルールが最良と決定された数が５回（最多）である。次に、第１の優先順位ルールが最良と決定された数が３回である。このとき（ステップＳ１８０６：Ｙｅｓ）、優先順位ルール評価部２６は、現在使用されている優先順位ルールが作業イベントデータにとって最良の優先順位ルールであると評価する。そして、優先順位ルール評価部２６は、現在使用されている優先順位ルールの使用をユーザ端末に提案する（ステップＳ１８０８）。現在使用されている優先順位ルール以外の優先順位ルールが最良の優先順位ルールであると評価された場合（ステップＳ１８０７：Ｙｅｓ）、優先順位ルール評価部２６は、最良と評価された優先順位ルールを使用するようユーザ端末に提案する。最良と決定された回数に大きな差がない場合（ステップＳ１８０７：Ｎｏ）、優先順位ルール評価部２６は、ユーザ端末に、着手予定の作業イベントのスケジューリングの度に、最適優先順位ルールを検討するように提案する（ステップＳ１８０９）。
Similarly, when there is simulated work event data to be judged (step S1804: Yes), the priority
（作用、効果）
上述したように、第４の実施形態に係るスケジューリング装置１は、優先順位ルール評価部を備える。優先順位ルール評価部は、複数の検証用作業イベントデータと、複数の検証用優先順位ルールと、評価対象優先順位ルールとを含む。優先順位ルール評価部は、前記複数の検証用優先順位ルール及び前記評価対象優先順位ルールに従って、前記複数の検証用作業イベントデータをスケジューリングすることによって、前記評価対象優先順位ルールの評価結果を出力する。これにより、現在使用している優先順位ルールに対する定量的な評価が可能になり、提案された最適優先順位ルールの信頼性を高めることができる。
(Action, Effect)
As described above, the
（第４の実施形態の変形例）
以上、第４の実施形態に係るスケジューリング装置１について詳細に説明したが、スケジューリング装置１の具体的な態様は、上述のものに限定されることはなく、要旨を逸脱しない範囲内において種々の設計変更等を加えることは可能である。
(Modification of the fourth embodiment)
The above provides a detailed explanation of the
以上のとおり、本開示に係るいくつかの実施形態を説明したが、これら全ての実施形態は、例として提示したものであり、発明の範囲を限定することを意図していない。これらの実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で種々の省略、置き換え、変更を行うことができる。これらの実施形態及びその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。 As described above, several embodiments of the present disclosure have been described, but all of these embodiments are presented as examples and are not intended to limit the scope of the invention. These embodiments can be implemented in various other forms, and various omissions, substitutions, and modifications can be made without departing from the gist of the invention. These embodiments and their modifications are included in the scope of the invention and its equivalents as described in the claims, as well as in the scope and gist of the invention.
なお、上述したＣＰＵ２における各処理の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムをＣＰＵ２が読み出して実行することによって、上記処理が行われる。ここでコンピュータ読み取り可能な記録媒体とは、磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリ等をいう。また、このコンピュータプログラムを通信回線によってコンピュータに配信し、この配信を受けたコンピュータ（ＣＰＵ２）が当該プログラムを実行するようにしてもよい。 The above-mentioned processes performed by CPU2 are stored in a computer-readable recording medium in the form of a program, and the above processes are performed by CPU2 reading and executing this program. Here, computer-readable recording medium refers to a magnetic disk, magneto-optical disk, CD-ROM, DVD-ROM, semiconductor memory, etc. Also, this computer program may be distributed to a computer via a communication line, and the computer (CPU2) that receives the program may execute the program.
また、上記プログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。また、コンピュータ（ＣＰＵ２）は、１台のコンピュータで構成されていても良いし、通信可能に接続された複数のコンピュータで構成されていてもよい。 The above program may be for realizing some of the functions described above. Furthermore, it may be a so-called differential file (differential program) that can realize the functions described above in combination with a program already recorded in the computer system. The computer (CPU2) may be composed of a single computer, or may be composed of multiple computers connected to each other so as to be able to communicate with each other.
以上のとおり、本開示に係るいくつかの実施形態を説明したが、これら全ての実施形態は、例として提示したものであり、発明の範囲を限定することを意図していない。これらの実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で種々の省略、置き換え、変更を行うことができる。これらの実施形態及びその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。 As described above, several embodiments of the present disclosure have been described, but all of these embodiments are presented as examples and are not intended to limit the scope of the invention. These embodiments can be implemented in various other forms, and various omissions, substitutions, and modifications can be made without departing from the gist of the invention. These embodiments and their modifications are included in the scope of the invention and its equivalents as described in the claims, as well as in the scope and gist of the invention.
＜付記＞
各実施形態に記載のスケジューリング装置１は、例えば以下のように把握される。
<Additional Notes>
The
（１）第１の態様に係るスケジューリング装置１は、複数の作業イベントデータ３２と、前記複数の作業イベントデータ３２のそれぞれに対して適用される複数の優先順位ルール３１と、前記複数の作業イベントデータ３２のそれぞれに対して前記複数の優先順位ルール３１を適用することによって得られた複数の見積り作業時間３３とをそれぞれ対応付けて学習データを作成する学習データ作成部２１と、前記学習データの前記複数の作業イベントデータ３２から抽出される複数の特徴量と、前記複数の優先順位ルール３１と、前記複数の見積り作業時間３３から得られる評価値とに基づいてスケジューリングモデルを学習する学習部２２と、着手予定作業イベントデータから特徴量を抽出する特徴量抽出部２３と、前記抽出された着手予定作業イベントデータの特徴量を前記スケジューリングモデルに入力することによって、最適優先順位ルールを設定する優先順位ルール設定部２４と、前記設定された最適優先順位ルールに従って、前記着手予定作業イベントデータをスケジューリングするスケジューリング実行部２５とを備える。
(1) The
（２）第３の態様に係るスケジューリング装置１のスケジューリングモデルにおいて、前記複数の特徴量の各特徴量に対して最適である１つの優先順位ルールが学習されており、前記優先順位ルール設定部２４は、前記スケジューリングモデルにおける前記複数の特徴量から、前記入力された特徴量と同一の特徴量を検出し、前記検出された特徴量に対応する１つの優先順位ルールを最適優先順位ルールとして設定する。
(2) In the scheduling model of the
（３）第３の態様に係るスケジューリング装置１の最適優先順位ルールが、複数の優先順位ルールを重み付けすることによって得られた重み付き組み合わせルールである。
(3) The optimal priority rule of the
（４）第４の態様に係るスケジューリング装置１の学習部２２が、決定木、ランダムフォレスト、又は強化学習モデルを使用して前記スケジューリングモデルを学習する。
(4) The
（５）第５の態様に係るスケジューリング装置１の着手予定作業イベントデータが、前記着手予定作業イベントデータの処理の途中のタイミングを示すマイルストーン情報を含み、前記マイルストーン情報が示すタイミングで、特徴量抽出部２３が、残りの作業イベントデータについての特徴量を抽出し、優先順位ルール設定部２４が、前記残りの作業イベントデータについての特徴量を前記スケジューリングモデルに入力し、最適優先順位ルールを再設定し、スケジューリング実行部２５が、前記再設定された最適優先順位ルールに従って、前記残りの作業イベントデータをスケジューリングする。
(5) The scheduled work event data of the
（６）第６の態様に係るスケジューリング装置１の学習部２２が、前記複数の見積り作業時間から得られる評価値を比較し、前記複数の優先順位ルールの数を絞り込む。
(6) The
（７）第７の態様に係るスケジューリング装置１の評価値は、許容誤差をさらに含む。
(7) The evaluation value of the
（８）第８の態様に係るスケジューリング装置１の学習部２２が、前記学習されたスケジューリングモデルからモデルデータを抽出し、スケジューリング実行部２５が、前記モデルデータを、前記スケジューリング実行部２５の記録部に記録し、前記抽出された着手予定作業イベントデータの特徴量を前記記録されたモデルデータに入力することによって、前記最適優先順位ルールを設定する。
(8) The
（９）第９の態様に係るスケジューリング装置１のスケジューリング実行部２５が、前記着手予定作業イベントデータに含まれる複数のジョブの実行順序を変更し、前記設定された最適優先順位ルール及び前記変更された実行順序に従って、前記着手予定作業イベントデータをスケジューリングする。
(9) The
（１０）第１０の態様に係るスケジューリング装置１は、複数の検証用作業イベントデータと、複数の検証用優先順位ルールと、評価対象優先順位ルールとを含み、前記複数の検証用優先順位ルール及び前記評価対象優先順位ルールに従って、前記複数の検証用作業イベントデータをスケジューリングすることによって、前記評価対象優先順位ルールの評価結果を出力する優先順位ルール評価部２６をさらに備える。
(10) The
（１１）第１１の態様に係るスケジューリング方法は、複数の作業イベントデータ３２と、前記複数の作業イベントデータ３２のそれぞれに対して適用される複数の優先順位ルール３１と、前記複数の作業イベントデータ３２のそれぞれに対して前記複数の優先順位ルール３１を適用することによって得られた複数の見積り作業時間３３とをそれぞれ対応付けて学習データを作成するステップと、前記学習データの前記複数の作業イベントデータ３２から抽出される複数の特徴量と、前記複数の優先順位ルール３１と、前記複数の見積り作業時間３３から得られる評価値とに基づいてスケジューリングモデルを学習するステップと、着手予定作業イベントデータから特徴量を抽出するステップと、前記抽出された着手予定作業イベントデータの特徴量を前記スケジューリングモデルに入力することによって、最適優先順位ルールを設定するステップと、前記設定された最適優先順位ルールに従って、前記着手予定作業イベントデータをスケジューリングするステップとを有する。
(11) The scheduling method according to the eleventh aspect includes the steps of: creating learning data by associating a plurality of
（１２）第１２の態様に係るプログラムは、スケジューリング装置１のコンピュータに、複数の作業イベントデータ３２と、前記複数の作業イベントデータ３２のそれぞれに対して適用される複数の優先順位ルール３１と、前記複数の作業イベントデータ３２のそれぞれに対して前記複数の優先順位ルール３１を適用することによって得られた複数の見積り作業時間３３とをそれぞれ対応付けて学習データを作成するステップと、前記学習データの前記複数の作業イベントデータ３２から抽出される複数の特徴量と、前記複数の優先順位ルール３１と、前記複数の見積り作業時間３３から得られる評価値とに基づいてスケジューリングモデルを学習するステップと、着手予定作業イベントデータから特徴量を抽出するステップと、前記抽出された着手予定作業イベントデータの特徴量を前記スケジューリングモデルに入力することによって、最適優先順位ルールを設定するステップと、前記設定された最適優先順位ルールに従って、前記着手予定作業イベントデータをスケジューリングするステップとを実行させる。
(12) The program according to the twelfth aspect causes the computer of the
１ スケジューリング装置
２ ＣＰＵ
２１ 学習データ作成部
２２ 学習部
２３ 特徴量抽出部
２４ 優先順位ルール設定部
２５ スケジューリング実行部
２６ 優先順位ルール評価部
３ データベース
３１ 優先順位ルール
３２ 作業イベントデータ
３３ 見積り作業時間
1
21 Learning
Claims (13)
前記学習データの前記複数の作業イベントデータから抽出される複数の特徴量と、前記複数の優先順位ルールと、前記複数の見積り作業時間から得られる評価値とに基づいてスケジューリングモデルを学習する学習部と、
着手予定作業イベントデータから特徴量を抽出する特徴量抽出部と、
前記抽出された着手予定作業イベントデータの特徴量を前記スケジューリングモデルに入力することによって、最適優先順位ルールを設定する優先順位ルール設定部と、
前記設定された最適優先順位ルールに従って、前記着手予定作業イベントデータをスケジューリングするスケジューリング実行部と
を備え、
前記学習部は、前記評価値が最小値である見積り作業時間に対応する優先順位ルールを、最適である１つの優先順位ルールであると判定し、
前記スケジューリングモデルにおいて、前記複数の特徴量の各特徴量に対して前記最適である１つの優先順位ルールが学習されており、
前記優先順位ルール設定部は、前記スケジューリングモデルにおける前記複数の特徴量から、前記入力された特徴量と同一の特徴量を検出し、前記検出された特徴量に対応する１つの優先順位ルールを最適優先順位ルールとして設定するスケジューリング装置。 a learning data creation unit that creates learning data by associating a plurality of work event data, a plurality of priority rules that are applied to each of the plurality of work event data, and a plurality of estimated work times obtained by applying the plurality of priority rules to each of the plurality of work event data;
a learning unit that learns a scheduling model based on a plurality of feature amounts extracted from the plurality of work event data of the learning data, the plurality of priority rules, and an evaluation value obtained from the plurality of estimated work times;
A feature extraction unit that extracts features from the scheduled work event data;
a priority rule setting unit that sets optimal priority rules by inputting the extracted feature quantities of the scheduled work event data into the scheduling model;
a scheduling execution unit that schedules the scheduled work event data in accordance with the set optimal priority rule ,
The learning unit determines that a priority order rule corresponding to the estimated work time having the smallest evaluation value is an optimal priority order rule;
In the scheduling model, the one optimal priority rule is learned for each of the plurality of feature quantities,
The priority rule setting unit detects a feature that is identical to the input feature from the multiple features in the scheduling model, and sets one priority rule corresponding to the detected feature as an optimal priority rule .
請求項１に記載のスケジューリング装置。 2. The scheduling device according to claim 1 , wherein the optimal priority rule is a weighted combination rule obtained by weighting a plurality of priority rules.
請求項１又は２に記載のスケジューリング装置。 The scheduling device according to claim 1 or 2 , wherein the learning unit learns the scheduling model using a decision tree, a random forest, or a reinforcement learning model.
前記マイルストーン情報が示すタイミングで、前記特徴量抽出部が、残りの作業イベントデータについての特徴量を抽出し、
前記優先順位ルール設定部が、前記残りの作業イベントデータについての特徴量を前記スケジューリングモデルに入力し、最適優先順位ルールを再設定し、
前記スケジューリング実行部が、前記再設定された最適優先順位ルールに従って、前記残りの作業イベントデータをスケジューリングする
請求項１から３のいずれか一項に記載のスケジューリング装置。 The scheduled work event data includes milestone information indicating timings in the middle of processing the scheduled work event data,
The feature extraction unit extracts features for remaining work event data at a timing indicated by the milestone information;
the priority rule setting unit inputs the feature quantities for the remaining work event data into the scheduling model, and resets the optimal priority rule;
The scheduling device according to claim 1 , wherein the scheduling execution unit schedules the remaining work event data in accordance with the reset optimal priority rule.
請求項１から４のいずれか一項に記載のスケジューリング装置。 The scheduling device according to claim 1 , wherein the learning unit compares evaluation values obtained from the plurality of estimated work times to narrow down the number of the plurality of priority rules.
請求項５に記載のスケジューリング装置。 The scheduling device according to claim 5 , wherein the evaluation value further includes a tolerance.
前記スケジューリング実行部が、前記モデルデータを、前記スケジューリング実行部の記録部に記録し、前記抽出された着手予定作業イベントデータの特徴量を前記記録されたモデルデータに入力することによって、前記最適優先順位ルールを設定する
請求項１から６のいずれか一項に記載のスケジューリング装置。 The learning unit extracts model data from the learned scheduling model;
7. The scheduling device according to claim 1, wherein the scheduling execution unit sets the optimal priority rule by recording the model data in a recording unit of the scheduling execution unit and inputting features of the extracted scheduled work event data into the recorded model data.
請求項１から７のいずれか一項に記載のスケジューリング装置。 8. The scheduling device according to claim 1, wherein the scheduling execution unit changes an execution order of a plurality of jobs included in the scheduled work event data, and schedules the scheduled work event data in accordance with the set optimal priority rule and the changed execution order.
請求項１から８のいずれか一項に記載のスケジューリング装置。 9. The scheduling device according to claim 1, further comprising a priority rule evaluation unit that includes a plurality of verification work event data, a plurality of verification priority rules, and an evaluation target priority rule, and that outputs an evaluation result of the evaluation target priority rule by scheduling the plurality of verification work event data in accordance with the plurality of verification priority rules and the evaluation target priority rule.
前記学習データの前記複数の作業イベントデータから抽出される複数の特徴量と、前記複数の優先順位ルールと、前記複数の見積り作業時間から得られる評価値とに基づいてスケジューリングモデルを学習する学習部と、a learning unit that learns a scheduling model based on a plurality of feature amounts extracted from the plurality of work event data of the learning data, the plurality of priority rules, and an evaluation value obtained from the plurality of estimated work times;
着手予定作業イベントデータから特徴量を抽出する特徴量抽出部と、A feature extraction unit that extracts features from the scheduled work event data;
前記抽出された着手予定作業イベントデータの特徴量を前記スケジューリングモデルに入力することによって、最適優先順位ルールを設定する優先順位ルール設定部と、a priority rule setting unit that sets optimal priority rules by inputting the extracted feature quantities of the scheduled work event data into the scheduling model;
前記設定された最適優先順位ルールに従って、前記着手予定作業イベントデータをスケジューリングするスケジューリング実行部とa scheduling execution unit that schedules the scheduled work event data according to the set optimal priority rule;
を備え、Equipped with
前記着手予定作業イベントデータが、前記着手予定作業イベントデータの処理の途中のタイミングを示すマイルストーン情報を含み、The scheduled work event data includes milestone information indicating timings in the middle of processing the scheduled work event data,
前記マイルストーン情報が示すタイミングで、前記特徴量抽出部が、残りの作業イベントデータについての特徴量を抽出し、The feature extraction unit extracts features for remaining work event data at a timing indicated by the milestone information;
前記優先順位ルール設定部が、前記残りの作業イベントデータについての特徴量を前記スケジューリングモデルに入力し、最適優先順位ルールを再設定し、the priority rule setting unit inputs the feature quantities for the remaining work event data into the scheduling model, and resets the optimal priority rule;
前記スケジューリング実行部が、前記再設定された最適優先順位ルールに従って、前記残りの作業イベントデータをスケジューリングするThe scheduling execution unit schedules the remaining work event data according to the reset optimal priority rule.
スケジューリング装置。Scheduling device.
前記学習データの前記複数の作業イベントデータから抽出される複数の特徴量と、前記複数の優先順位ルールと、前記複数の見積り作業時間から得られる評価値とに基づいてスケジューリングモデルを学習する学習部と、a learning unit that learns a scheduling model based on a plurality of feature amounts extracted from the plurality of work event data of the learning data, the plurality of priority rules, and an evaluation value obtained from the plurality of estimated work times;
着手予定作業イベントデータから特徴量を抽出する特徴量抽出部と、A feature extraction unit that extracts features from the scheduled work event data;
前記抽出された着手予定作業イベントデータの特徴量を前記スケジューリングモデルに入力することによって、最適優先順位ルールを設定する優先順位ルール設定部と、a priority rule setting unit that sets optimal priority rules by inputting the extracted feature quantities of the scheduled work event data into the scheduling model;
前記設定された最適優先順位ルールに従って、前記着手予定作業イベントデータをスケジューリングするスケジューリング実行部と、a scheduling execution unit that schedules the scheduled work event data in accordance with the set optimal priority rule;
複数の検証用作業イベントデータと、複数の検証用優先順位ルールと、評価対象優先順位ルールとを含み、前記複数の検証用優先順位ルール及び前記評価対象優先順位ルールに従って、前記複数の検証用作業イベントデータをスケジューリングすることによって、前記評価対象優先順位ルールの評価結果を出力する優先順位ルール評価部と、a priority rule evaluation unit including a plurality of verification work event data, a plurality of verification priority rules, and an evaluation target priority rule, and outputting an evaluation result of the evaluation target priority rules by scheduling the plurality of verification work event data in accordance with the plurality of verification priority rules and the evaluation target priority rules;
を備えるEquipped
スケジューリング装置。Scheduling device.
前記学習データの前記複数の作業イベントデータから抽出される複数の特徴量と、前記複数の優先順位ルールと、前記複数の見積り作業時間から得られる評価値とに基づいてスケジューリングモデルを学習するステップと、
着手予定作業イベントデータから特徴量を抽出するステップと、
前記抽出された着手予定作業イベントデータの特徴量を前記スケジューリングモデルに入力することによって、最適優先順位ルールを設定するステップと、
前記設定された最適優先順位ルールに従って、前記着手予定作業イベントデータをスケジューリングするステップと
を有し、
前記学習するステップにおいて、前記評価値が最小値である見積り作業時間に対応する優先順位ルールを、最適である１つの優先順位ルールであると判定し、
前記スケジューリングモデルにおいて、前記複数の特徴量の各特徴量に対して前記最適である１つの優先順位ルールが学習されており、
前記最適優先順位ルールを設定するステップにおいて、前記スケジューリングモデルにおける前記複数の特徴量から、前記入力された特徴量と同一の特徴量を検出し、前記検出された特徴量に対応する１つの優先順位ルールを最適優先順位ルールとして設定するスケジューリング方法。 creating learning data by associating a plurality of work event data, a plurality of priority rules applied to each of the plurality of work event data, and a plurality of estimated work times obtained by applying the plurality of priority rules to each of the plurality of work event data;
learning a scheduling model based on a plurality of feature amounts extracted from the plurality of work event data of the learning data, the plurality of priority rules, and an evaluation value obtained from the plurality of estimated work times;
Extracting features from the planned work event data;
setting an optimal priority rule by inputting the extracted feature quantity of the scheduled work event data into the scheduling model;
scheduling the planned work event data according to the set optimal priority rule ;
In the learning step, a priority rule corresponding to the estimated work time having the smallest evaluation value is determined to be an optimal priority rule;
In the scheduling model, the one optimal priority rule is learned for each of the plurality of feature quantities,
A scheduling method in which, in the step of setting the optimal priority rule, a feature that is identical to the input feature is detected from the multiple features in the scheduling model, and one priority rule corresponding to the detected feature is set as the optimal priority rule .
複数の作業イベントデータと、前記複数の作業イベントデータのそれぞれに対して適用される複数の優先順位ルールと、前記複数の作業イベントデータのそれぞれに対して前記複数の優先順位ルールを適用することによって得られた複数の見積り作業時間とをそれぞれ対応付けて学習データを作成するステップと、
前記学習データの前記複数の作業イベントデータから抽出される複数の特徴量と、前記複数の優先順位ルールと、前記複数の見積り作業時間から得られる評価値とに基づいてスケジューリングモデルを学習するステップと、
着手予定作業イベントデータから特徴量を抽出するステップと、
前記抽出された着手予定作業イベントデータの特徴量を前記スケジューリングモデルに入力することによって、最適優先順位ルールを設定するステップと、
前記設定された最適優先順位ルールに従って、前記着手予定作業イベントデータをスケジューリングするステップと
を実行させ、
前記学習するステップにおいて、前記評価値が最小値である見積り作業時間に対応する優先順位ルールを、最適である１つの優先順位ルールであると判定し、
前記スケジューリングモデルにおいて、前記複数の特徴量の各特徴量に対して前記最適である１つの優先順位ルールが学習されており、
前記最適優先順位ルールを設定するステップにおいて、前記スケジューリングモデルにおける前記複数の特徴量から、前記入力された特徴量と同一の特徴量を検出し、前記検出された特徴量に対応する１つの優先順位ルールを最適優先順位ルールとして設定するプログラム。 A computer of the scheduling device
creating learning data by associating a plurality of work event data, a plurality of priority rules applied to each of the plurality of work event data, and a plurality of estimated work times obtained by applying the plurality of priority rules to each of the plurality of work event data;
learning a scheduling model based on a plurality of feature amounts extracted from the plurality of work event data of the learning data, the plurality of priority rules, and an evaluation value obtained from the plurality of estimated work times;
Extracting features from the planned work event data;
setting an optimal priority rule by inputting the extracted feature quantity of the scheduled work event data into the scheduling model;
scheduling the planned work event data according to the set optimal priority rule ;
In the learning step, a priority rule corresponding to the estimated work time having the smallest evaluation value is determined to be an optimal priority rule;
In the scheduling model, the one optimal priority rule is learned for each of the plurality of feature quantities,
A program for detecting a feature that is identical to the input feature from the multiple features in the scheduling model in the step of setting the optimal priority rule, and setting one priority rule corresponding to the detected feature as the optimal priority rule .
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020145064A JP7508064B2 (en) | 2020-08-28 | 2020-08-28 | Scheduling device, method and program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020145064A JP7508064B2 (en) | 2020-08-28 | 2020-08-28 | Scheduling device, method and program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022039829A JP2022039829A (en) | 2022-03-10 |
| JP7508064B2 true JP7508064B2 (en) | 2024-07-01 |
Family
ID=80498691
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020145064A Active JP7508064B2 (en) | 2020-08-28 | 2020-08-28 | Scheduling device, method and program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7508064B2 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117455194B (en) * | 2023-11-27 | 2024-06-11 | 无锡雪浪数制科技有限公司 | Discrete event simulation-based production scheduling method |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003280714A (en) | 2002-03-19 | 2003-10-02 | Toshiba Corp | Production scheduling method and production scheduling device |
| JP2005190031A (en) | 2003-12-25 | 2005-07-14 | Renesas Technology Corp | Bottleneck formation avoidance method and system in manufacturing of semiconductor device |
| JP2010097506A (en) | 2008-10-17 | 2010-04-30 | Jfe Steel Corp | Schedule preparation system, schedule preparation method and schedule preparation program |
-
2020
- 2020-08-28 JP JP2020145064A patent/JP7508064B2/en active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003280714A (en) | 2002-03-19 | 2003-10-02 | Toshiba Corp | Production scheduling method and production scheduling device |
| JP2005190031A (en) | 2003-12-25 | 2005-07-14 | Renesas Technology Corp | Bottleneck formation avoidance method and system in manufacturing of semiconductor device |
| JP2010097506A (en) | 2008-10-17 | 2010-04-30 | Jfe Steel Corp | Schedule preparation system, schedule preparation method and schedule preparation program |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2022039829A (en) | 2022-03-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Antonovics et al. | Experimentation and job choice | |
| US9147171B2 (en) | Planning a response to an unplanned event | |
| US9984574B2 (en) | Method and system for anticipatory deployment of autonomously controlled vehicles | |
| CN106794854B (en) | Route map of train means for correcting and route map of train correction program | |
| KR102207659B1 (en) | Artificial intelligence-based allocating freight scheduling device | |
| JP7508064B2 (en) | Scheduling device, method and program | |
| CN111047140A (en) | Processing method, device and equipment | |
| US7886243B1 (en) | System and method for using rules-based analysis to enhance models-based analysis | |
| JP7476142B2 (en) | Operation plan change support device, operation plan change support method, and train operation management system | |
| Szabó | Ramp-up process improvement practices for time-to-market reduction | |
| JP6901081B2 (en) | Planning equipment, planning methods, and programs | |
| JP7601712B2 (en) | Plan evaluation device and plan evaluation method | |
| Achimugu et al. | A web-based multi-criteria decision making tool for software requirements prioritization | |
| CN116029495A (en) | Station vehicle dispatching method, system, electronic equipment and readable storage medium | |
| JP2014040161A (en) | Device and method for operation arrangement task support | |
| US20080114783A1 (en) | Method, system, and program product for managing a process and it interlock | |
| JP4985951B2 (en) | Management system in manufacturing technology development | |
| JP2007106145A (en) | Train schedule creation device | |
| JP6636241B2 (en) | Information processing apparatus, information processing method and program | |
| Xiao | Three Papers on the International Political Economy of AI: Statistical and Game-Theoretic Analyses | |
| KR101388667B1 (en) | Method for simulation of bidding result of delivery order | |
| US20230138588A1 (en) | Server and method of determining an advanced booking fee for an advance booking | |
| JP2021051342A (en) | Computer system, plan generation method and program | |
| KR102868422B1 (en) | Apparatus for providing digital production plan information, method thereof, and computationally-implementable storage medium for storing a software for providing digital production plan information | |
| US20230409176A1 (en) | Safety design support system and safety design support method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230203 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231031 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231107 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20240119 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240221 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240514 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240611 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7508064 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |