JP7532707B2 - 予測装置および予測方法 - Google Patents

Description

本発明は、データを予測する予測装置および予測方法に関する。

過去の数値データから将来の数値の予測を行う予測技術が様々な分野で開発され、適用中である。たとえば、物流分野では、予測技術は、各倉庫における入出荷の物量を予測したり、倉庫内の必要人員や、必要な保管スペースを見積もりしたりすることに活用されている。これらの物量の予測は、主に長年の経験を持つベテランの作業者（たとえば、現場リーダ）が人手で行っており、自動化および精度向上が求められている。

予測精度を上げるためには、予測結果に影響を与える変動要因（説明変数）をなるべく網羅的に加味して予測を行うことが望ましい。一方で、物流倉庫などの物流現場で予測を行う場合、予測に必要なデータ（説明変数）を入手、管理、および利用する手間が大きいと予測システムの利用者の負担となる。したがって、説明変数を厳選して、必要最低限の説明変数で高精度な予測ができることが求められる。

これは、たとえば、荷主から物流業務を請け負う３ＰＬ（Ｔｈｉｒｄ Ｐａｒｔｙ Ｌｏｇｉｓｔｉｃｓ）の業者が倉庫の出荷量などの予測を行う場合、契約上や地理的な問題（倉庫と商品を販売する店舗が地理的に遠いなど）で、荷主のデータを容易に入手できない場合があるためである。また、仮にデータを入手できても、データの種別が多く、各データの容量が大きいと、そのデータの管理コスト（手間）や予測システムにデータを入力する手間が増大し、予測システムの利用者がシステムの利用を躊躇う要因となるためである。

また、特許文献１は、実用的な商品の出荷予測量を予測するシステムを開示する。このシステムは、過去の出荷量実績・天候条件を入力する情報入力手段と、情報入力手段の情報から従属変数のデータ系列と説明変数のデータ系列をセットするデータ系列作成手段と、従属変数データ系列と説明変数データ系列に適合する重回帰モデルを生成し、前記重回帰モデルを用いて出荷量実績理論値と出荷量予測値を出力する重回帰分析手段と、前記出荷量実績値の棄却値を修正出荷量実績値とし、前記修正出荷量実績値と前記出荷量実績理論値の比率を補正値として算出し、前記補正値によって前記出荷量予測値を補正してする補正手段と、を備える。

特開２００５－７８２７７号公報

特許文献１では、過去の出荷量だけでなく、天候や営業日数などの様々な変動要因のデータ群を使用して出荷量の予測を行っている一方、システムの利用者が予測に用いたデータ群が予測結果にどれだけの影響を与えたかの寄与度や貢献度を判断することができない。

本発明は、予測精度の向上を図ることを目的とする。

本願において開示される発明の一側面となる予測装置は、予測対象の実績値と複数の説明変数の各々の時系列データとに基づいて予測対象の予測値を予測する予測装置であって、プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有し、前記プロセッサは、前記実績値と前記予測値とに基づいて予測精度を算出し、前記複数の説明変数のうち第１説明変数の時系列データを用いて予測した第１予測値と、前記複数の説明変数のうち前記第１説明変数とは異なる第２説明変数の時系列データを用いて予測した第２予測値と、前記予測精度と、に基づいて、前記第１説明変数が前記予測値に与えた影響の度合いである第１貢献度と、前記第２説明変数が前記予測値に与えた影響の度合いである第２貢献度と、を算出し、前記第１貢献度と前記第２貢献度とに基づいて、前記複数の説明変数から除外される除外対象の説明変数を決定し、前記除外対象を出力する、ことを特徴とする。

本発明の代表的な実施の形態によれば、予測精度の向上を図ることができる。前述した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。

図１は、予測装置のハードウェア構成例を示すブロック図である。 図２は、予測装置の機能的構成例１を示すブロック図である。 図３は、予測装置による予測処理手順例１を示すフローチャートである。 図４は、予測装置への入力データの一例を示す説明図である。 図５は、予測装置から出力される第１出力データの一例を示す説明図である。 図６は、ステップＳ３０３の予測部による予測処理の詳細な処理手順例を示すフローチャートである。 図７は、情報出力部によって出力される第２出力データの一例を示す説明図である。 図８は、予測装置の機能的構成例２を示すブロック図である。 図９は、予測装置による予測処理手順例２を示すフローチャートである。 図１０は、相関算出部によるずらし日数の決定方法の一例示す説明図である。 図１１は、利用者によるずらし対象候補の選択効果を示すグラフである。 図１２は、除外対象（またはずらし対象）の説明変数の提示例を示す説明図である。

実施例１は、物流倉庫での商品の出荷量の予測に適用した場合の例を示す。実施例１では、予測に用いた説明変数の重要度として貢献度を出力するとともに、いずれかの説明変数の貢献度が実績期間および予測期間を通して所定値よりも低い場合には、その説明変数を除外対象として出力する例を説明する。ここで予測装置のユーザは、定期的に任意の頻度（たとえば１日１回や週に１回など）予測装置を用いて出荷量の予測を行う場合を想定する。以下、予測装置の構成および処理の流れを説明する。

＜予測装置のハードウェア構成例＞
図１は、予測装置のハードウェア構成例を示すブロック図である。予測装置１００は、プロセッサ１０１と、記憶デバイス１０２と、入力デバイス１０３と、出力デバイス１０４と、通信インターフェース（通信ＩＦ）１０５と、を有する。プロセッサ１０１、記憶デバイス１０２、入力デバイス１０３、出力デバイス１０４、および通信ＩＦ１０５は、バス１０６により接続される。プロセッサ１０１は、予測装置１００を制御する。記憶デバイス１０２は、プロセッサ１０１の作業エリアとなる。また、記憶デバイス１０２は、各種プログラムやデータを記憶する非一時的なまたは一時的な記録媒体である。記憶デバイス１０２としては、たとえば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、フラッシュメモリがある。入力デバイス１０３は、データを入力するデバイスである。入力デバイス１０３としては、たとえば、キーボード、マウス、タッチパネル、テンキー、スキャナがある。出力デバイス１０４は、データを出力するデバイスである。出力デバイス１０４としては、たとえば、ディスプレイ、プリンタがある。通信ＩＦ１０５は、ネットワーク１１０と接続し、データを送受信する。

ネットワーク１１０の先には、たとえば、倉庫管理システム（ＷＭＳ：Ｗａｒｅｈｏｕｓｅ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ）１２０が接続しており、ＷＭＳ１２０から予測対象商品の出荷実績等を入手可能である。ただし、必ずしも予測装置１００はネットワーク１１０に接続される必要はなく、必要なデータが入力可能であればよい。また、予測装置１００は、たとえば、ＷＭＳ上の１アプリケーションという形で実装されてもよい。

＜予測装置１００の機能的構成例１＞
図２は、予測装置１００の機能的構成例１を示すブロック図である。実績値２２１および説明変数２２２は、記憶デバイス１０２に記憶されている。また、予測値２３１、予測精度２３２、貢献度２３３、除外対象２３４は、出力デバイス１０４の一例であるディスプレイに表示可能である。なお、予測対象は１種類のデータとする。この場合、たとえば、倉庫内で扱う全商品をまとめて１つの予測対象としてもよいし、特定の商品のみを予測対象としてよい。

ここで、予測値２３１、予測精度２３２、貢献度２３３および除外対象２３４については、必ずしも出力デバイス１０４に表示される必要はない。たとえば、ネットワーク１１０を介して、ＷＭＳ１２０にデータとして予測値２３１、予測精度２３２、貢献度２３３および除外対象２３４を伝送すれば、ＷＭＳ１２０は、これらのデータを活用して、倉庫内の作業計画や人員配置の立案を行うことができる。これにより、倉庫内業務の効率化を図ることができる。

予測装置１００は、実績値入力部２１１、説明変数入力部２１２、予測部２１３、予測値出力部２１４、および情報出力部２１５を有する。これらは、具体的には、たとえば、図１に示した記憶デバイス１０２に記憶されたプログラムを、プロセッサ１０１に実行させることにより実現される機能である。

＜予測処理手順例＞
図３は、予測装置１００による予測処理手順例１を示すフローチャートである。予測装置１００は、予測処理を開始すると、実績値入力部２１１により実績値２２１を取り込む（ステップＳ３０１）。つぎに、予測装置１００は、説明変数入力部２１２により、予測に用いる説明変数２２２を取り込む（ステップＳ３０２）。実績値２２１および説明変数２２２の詳細については図４を用いて後述する。

つぎに、予測装置１００は、予測部２１３により、実績値２２１と説明変数２２２を用いて予測対象の出荷量の予測を実行し、予測値２３１を算出する（ステップＳ３０３）。ここでは予測部２１３は、出荷量を予測することとしたが、必ずしも出荷量に限定されない。また、予測装置１００は、予測部２１３により、予測精度２３２と各説明変数２２２の貢献度２３３とを算出する。

つぎに、予測装置１００は、予測値出力部２１４により、予測部２１３によって算出された予測値２３１と予測精度２３２とを出力デバイス１０４の一例であるディスプレイに表示する（ステップＳ３０４）。

つぎに、予測装置１００は、情報出力部２１５により、予測部２１３によって算出された各説明変数２２２の貢献度２３３を出力する。また、予測装置１００は、情報出力部２１５により、全説明変数２２２の貢献度２３３を参照して、各説明変数２２２の貢献度２３３が予測期間のどの日付においても０または極めて０に近い値であれば、その説明変数２２２を除外対象２３４とみなして、その説明変数２２２が除外対象であることを出力する（ステップＳ３０５）。

＜入力データの一例＞
図４は、予測装置１００への入力データの一例を示す説明図である。入力データ４００は、時系列データとして、実績値（目的変数）２２１と説明変数２２２とを有する。実績値２２１の変数名４０１を一例として、倉庫内のある商品の１日単位の出荷量とし、説明変数２２２の変数名４０１を、出荷先店舗の営業日と天気とする。また、日付４０２は、１／１～２／４とする。１／１～１／３０までを実績期間、１／３１～２／４を予測期間とする。現在は１／３１とする。

ここでは、例として、予測装置１００は、実績期間（１／１から１／３０まで）の実績値２２１を用いて、予測期間（１／３１から２／４まで）の予測を、１／３１に実施する。なお、説明変数２２２は営業日と天気に限られない。また、用いる説明変数２２２の数も任意である。ここで説明変数２２２は、実績期間および予測期間の双方に対して設定される。なお、図４では、期間の一例として１日単位の日付４０２としたが、日付４０２に限らず、１日の中の所定時間でもよく、複数の連続する日付でもよい。

＜第１出力データの一例＞
図５は、予測装置１００から出力される第１出力データの一例を示す説明図である。第１出力データ５００とは、予測値出力部２１４から出力される予測値２３１および予測精度２３２である。図５および後述の図７では、説明のため１／１～１／２８の実績値２２１、予測値２３１、および予測精度２３２の図示を省略する。予測装置１００は、実績期間および予測期間の双方（１／１から２／４まで）について予測値２３１を出力する。予測装置１００は、実績期間における各日付の実績値２２１と予測値２３１の偏差に基づいて、予測部２１３により予測精度２３２を出力する。予測精度２３２の評価方法は既知の手法を用いればよく、任意である。

図５の例では、予測部２１３は、予測精度および予測誤差を下記式（１）、（２）により算出する。
予測精度＝１－予測誤差・・・・・・・・・（１）
予測誤差＝｜予測値－実績値｜／実績値・・・（２）
ここで、予測部２１３が実行する処理（ステップＳ３０３）について図６を用いて説明する。

＜予測処理（ステップＳ３０３）＞
図６は、ステップＳ３０３の予測部２１３による予測処理の詳細な処理手順例を示すフローチャートである。予測装置１００は、予測部２１３により、実績期間の各日付に対して、日々の予測精度２３２が最大となるように各説明変数２２２の貢献度２３３を設定して予測値２３１を算出する（ステップＳ６０１）。貢献度２３３とは、実績期間の予測値２３１に与えた影響の度合いである。

つぎに、予測装置１００は、予測部２１３により、予測期間の各日付に対して設定されている説明変数２２２に基づいて、ステップＳ６０１により決定された貢献度２３３を設定し、予測値２３１を算出する。つぎに、予測装置１００は、予測部２１３により、実績期間と予測期間の予測値２３１、貢献度２３３、および実績期間の予測精度２３２を出力する。

ステップＳ６０１およびＳ６０２で予測部２１３が実行する処理については、説明変数入力部２１２によって入力された説明変数２２２を用いた予測方法であれば任意でよい。たとえば、予測装置１００は、実績値２２１と説明変数２２２との組み合わせを学習データセットとして、自己回帰分析や重回帰分析、ディープラーニングに適用して予測モデルを生成する。そして、予測装置１００は、予測モデルに予測期間の説明変数２２２を与えることにより、予測期間における出荷量の予測値２３１を算出してもよい。

また、予測値Ｐは、任意の予測方法１（例：自己回帰）から算出した予測結果Ｐ１に、予測方法１とは異なる予測方法２（例：下記式（４）のような線形回帰）を用いて算出した予測結果Ｐ２を下記式（３）にて、組み合わせることで、求められる。ここで、α、βは重み係数（ただし、α＋β＝１）である。

Ｐ＝α×Ｐ１＋β×Ｐ２・・・（３）

たとえば、ステップＳ６０１では、予測部２１３は、αとβの組み合わせ（下記式（４）を適用する場合はβ１、β２も含まれる）を総当たりで適用して、上記式（１）、（２）により日々の予測精度２３２が最大となるように貢献度２３３を算出する。ここで、予測結果Ｐ１の貢献度２３３は、予測精度２３２が最大となるαであり、予測結果Ｐ２の貢献度２３３は、予測精度２３２が最大となるβである。

また、予測結果Ｐ１，Ｐ２の片方または両方が説明変数２２２を用いた予測結果であればよい。たとえば、予測結果Ｐ２のみが説明変数２２２を用いた予測結果であるとし、具体的には、たとえば、Ｐ２１を図４に示した営業日を用いた予測値、Ｐ２２を図４に示した天気を用いた予測値とすると、予測結果Ｐ２は下記式（４）で算出できる。

Ｐ２＝β１×Ｐ２１＋β２×Ｐ２２・・・（４）

ここでβ１、β２は重み係数でβ１＋β２＝１である。この場合、予測部２１３は、日々の営業日の貢献度２３３と天気の貢献度２３３を、それぞれ、β×β１、β×β２として算出することができる。

＜第２出力データの一例＞
図７は、情報出力部２１５によって出力される第２出力データの一例を示す説明図である。第２出力データ７００は、情報出力部２１５によって出力される貢献度２３３と除外対象２３４とを示すデータである。図７では、例として、表７０１およびグラフ７０２を用いて日々の貢献度２３３が％表示され、通知欄７０３を用いて除外対象２３４である説明変数２２２の「天気」が表示される。表７０１およびグラフ７０２の予測方法１は、上記式（３）のＰ１である。

表７０１を見ると、天気の貢献度２３３は予測期間と実績期間のいずれの日付に対しても０％であり、この場合、天気は出荷量の予測値２３１に無関係である（予測結果に影響を与えていない）ことが判る。これは、たとえば、天気に影響されずに定常的に出荷される日用品などが該当する。そこで、情報出力部２１５は、天気を除外対象２３４とみなし、たとえば、通知欄７０３に、「天気は除外候補です」という文言を表示することで、利用者に通知する。

ここで、除外対象２３４の通知方法は任意でよい。たとえば、図７の表７０１において、情報出力部２１５は、天気の行の色を他の行の色と異なる色で表示してもよい。

また、情報出力部２１５が除外対象２３４を特定する判定基準は、必ずしも予測期間と実績期間の全日付に対して貢献度２３３が０％であることに限定されない。たとえば、予め閾値（０より大きい値）を設けておき、いずれの日付に対しても閾値よりも貢献度２３３が小さい場合を除外対象とみなすなどの方法が考えられる。また、情報出力部２１５は、たとえば、実績期間の前半の数日（期間は任意）の日付に対してのみ貢献度２３３が０より大となっていて、かつ、それ以降の実績期間および予測期間では貢献度２３３が０となっている説明変数２２２を、除外対象２３４とみなしてもよい。

実施例１によって、予測装置１００が定期的に出荷量の予測を行う場合に、利用者は、除外対象２３４に指定された説明変数２２２を見ることで、その説明変数２２２が予測結果に寄与していないことを判断することができる。予測装置１００が次回以降、除外対象となった説明変数２２２を用いずに予測を行うことで、利用者は、次回以降の予測時にその説明変数２２２のデータを入手したり管理したりする手間（工数）、および予測装置１００を利用する際のデータ（説明変数２２２）の入力の手間（工数）を削減することができる。また、予測装置１００は、少ない説明変数２２２で予測を行うことができるため、予測部２１３が予測に掛かる時間の削減を図ることができる。

ここで、予測装置１００の利用形態として、たとえば、予測装置１００は初回の予測を実行する際は、さほど予測精度は高くないが処理時間の短い予測方法を用いて予測を実行して除外対象２３４を求めておき、次に除外対象２３４を除外したあらたな説明変数２２２を用いて、初回の予測よりも精度が高いが処理時間が長い予測方法を用いて予測を実行してもよい。これにより、初回の予測時に掛かる予測時間を削減することができる。

または、たとえば、ある倉庫で予測装置１００を用いて特定した商品ごとの除外対象２３４は、物流業者の別の倉庫から利用可能なデータベースに蓄積されてもよい。そして、別の倉庫で予測装置１００を用いて予測を行う際には、予測装置１００は、そのデータベースに蓄積された同一商品または類似商品（例：メーカ違いの同じ商品）ごとの除外対象２３４を参照してもよい。

さらに、図３に示したステップＳ３０２で説明変数入力部２１２が説明変数２２２を取り込む処理を行う際に、予測装置１００は、出力デバイス１０４により、除外対象２３４（または、除外対象２３４ではない予測に影響を与える説明変数２２２）を利用者に知らせてもよい。これにより、別の倉庫において、どの説明変数２２２が予測結果に影響を与えるかが判らない場合においても、適切な説明変数２２２を用いて予測を行うことが可能となる。

また、説明変数入力部２１２は、除外対象２３４に指定された説明変数２２２を記憶しておき、予測装置１００が次回予測を行う際に利用者が予測装置１００にこの除外対象２３４を入力した場合には、その説明変数２２２が前回の予測時には除外対象２３４であったことを出力デバイス１０４に通知してもよい。これにより、利用者が前回予測時に除外対象であった説明変数２２２を入力してしまうことを防ぐことができる。

つぎに実施例２について説明する。以下に説明する相違点を除き、実施例２の予測装置１００の各部は、図１～図７に示された実施例１の同一の符号を付された各部と同一の機能を有するため、それらの説明は省略する。また、実施例２では、実施例１に加えて、説明変数２２２のいずれかが予測結果に対する変動要因となっている場合に、変動要因の影響が変動要因発生後の±何日後に出荷量に現れるかを適切に評価する処理を有する実施例について説明する。また、実施例２では、予測対象は１種類のデータとする。この場合、たとえば倉庫内で扱う全商品をまとめて１つの予測対象としてもよいし、特定の商品のみを予測対象としてよい。

＜予測装置１００の機能的構成例２＞
図８は、予測装置１００の機能的構成例２を示すブロック図である。実施例２では、実施例１に加えて、入力データにずらし対象８０１、第２出力データ７００にずらし日数８０２がそれぞれ追加される。また、プログラムモジュールとしては、相関算出部８００が追加される。

＜予測処理手順例＞
図９は、予測装置１００による予測処理手順例２を示すフローチャートである。実施例１（図３）と差分があるステップのみを説明する。予測装置１００は、説明変数入力部２１２により、ステップＳ３０１の後、説明変数２２２とずらし対象８０１を取り込む（ステップＳ９０１）。つぎに、予測装置１００は、相関算出部８００により、実績値２２１とずらし対象８０１の各説明変数２２２との相関係数を算出し、ずらし対象に指定された説明変数２２２のずらし日数８０２を決定する（ステップＳ９０２）。

つぎに、予測装置１００は、予測部２１３により、実績値２２１と説明変数２２２とを用いて予測を行い、予測値２３１、予測精度２３２、貢献度２３３を算出する（ステップＳ９０３）。ここで説明変数２２２については、ずらし対象８０１に指定された説明変数２２２は、相関算出部８００で算出したずらし日数８０２だけ日数をずらして予測に用いられる。

つぎに、予測装置１００は、情報出力部２１５により、ステップＳ３０４の後に、各説明変数２２２の貢献度２３３、ずらし日数８０２、除外対象２３４を出力する。ここで、図４を用いて、ずらし対象８０１の説明変数２２２の指定方法について説明する。たとえば、情報出力部２１５は、説明変数２２２の変数名４０１の指定欄に、予測装置１００が処理可能な形でずらし対象８０１の説明変数２２２を指定する。たとえば、情報出力部２１５は、ずらし対象８０１の説明変数２２２の変数名４０１の末尾に記号（＠など）を付与するなどが考えられる（図示省略）。

つぎに、図７を用いて、情報出力部２１５のずらし日数８０２の出力方法について説明する。出力方法は任意であるが、たとえば、図７の表７０１の右端にずらし日数８０２という列を追加して、各説明変数２２２のずらし日数８０２を表示すればよい（図示省略）。

＜ずらし日数８０２の決定方法＞
図１０は、相関算出部８００によるずらし日数８０２の決定方法の一例示す説明図である。図１０の内容は、ディスプレイに表示可能である。例として、ある商品の出荷量の変動要因として、ＣＭ（コマーシャル）放映がテレビ等でなされた場合を説明する。図１０の各グラフ（ａ）～（ｃ）において横軸は日付４０２を示し、左方向は過去、右方向は未来を示す。また、グラフ（ａ）において縦軸は出荷実績を示し、グラフ（ｂ）（ｃ）において縦軸は、ＣＭ放送の回数を示す。

図１０において、（ａ）は出荷実績、（ｂ）はＣＭ放映日の時系列（日系列）データを示す。これらを見ると、ＣＭ放映日の＋１日目に出荷実績が急激（パルス的）に上昇していることがわかる。

図１０において、（ｃ）は相関算出部８００におけるＣＭ放映１００１の説明変数２２２のずらし方を説明する図である。相関算出部８００は、ＣＭ放映の時系列データをずらし日数０から一日ずつずらしていき、出荷実績との相関を取り、たとえば、最も相関係数が高いずれの日数を求める。

図１０（ｃ）の例では、相関算出部８００は、ＣＭ放映の説明変数２２２を＋１日ずらすと、出荷実績の時系列データと最も相関係数が高くなったとする。換言すると、ＣＭ放映という説明変数２２２は出荷実績に対してＣＭ放映（説明変数）日の１日後（＋１日）に相関が最大となると判断し、相関算出部８００は、ＣＭ放映の説明変数２２２のずらし日数８０２を＋１日と決定する。このように相関算出部８００は、ずらし対象８０１に指定された説明変数２２２を１つずつ出荷実績と突き合わせて相関を評価し、相関が最大となる出荷実績の日付と説明変数のイベントの日付とのずれの日数を算出して、各説明変数２２２のずらし日数８０２を決定する。

ここで、説明のため図１０はずらし日数８０２が人間でも判りやすい簡単な例を示した。しかし、実際の物流倉庫では、出荷実績量は様々（複数）の変動要因（説明変数２２２）によって日々絶えず変動しているため、図１０で示したような各説明変数２２２と出荷実績との相関（ずらし日数８０２）が一目で判断がつく例は限定的である。

実施例２のずらし日数評価方法を行うことにより、ずらし日数８０２が一目で判断がつかない場合でも、適切に各説明変数２２２（変動要因）の影響が出荷実績および出荷予測±何日目に現れるかを加味することができる。ここで、ずらし評価期間１００２は任意の日数としてよい。図１０では日付をずらす方向を日付４０２の時間方向の正方向（未来）のみの例を示しているが、負方向（過去）にずらしてもよい。なお、最も相関係数が高いずれの日数を求める場合、説明変数２２２のイベント日付から例えば約１カ月先（＋約３０日）に最大値が生じるということは考えにくく、高い相関が得られる期間はある程度限定的と考えるのが妥当である。また、説明変数が、ＣＭの視聴率や視聴回数のような場合は、実績に基づき、相関について閾値を設定しておくことも可能である。従って、相関について閾値を越えたら最大の相関であると判定し、最もイベントに近い日付を採用してずらし量を算出したり、説明変数ごとに最大ずらし量を設定しておき、その範囲で相関が最大となる日付を採用してずらし量を算出したり、するようにしてもよい。

負方向にずらすべき変動要因として、天気予報のデータがある。たとえば、除雪用品や長靴などは、雪の予報日の数日前に出荷量が増えるため、雪の天気の実績データを出荷実績と負方向で相関を取って、ずらし日数８０２を求めることができる。ここで再び図７を用いて、実施例２における除外対象２３４の出力方法を説明する。

実施例２では、予測装置１００は、実施例１と同様の基準（貢献度２３３が０または閾値以下など）で、除外対象２３４を特定する。しかし、利用者が除外対象２３４をずらし対象８０１に指定していたか否かによって、図７に示した通知欄７０１への通知内容は異なる。

まず、ずらし対象８０１に指定していなかった場合は、その説明変数２２２をずらし対象８０１に指定すれば、予測結果に影響を及ぼす可能性がある。そのため、情報出力部２１５は、通知欄７０３に、たとえば「説明変数ｚはずらし対象候補または除外候補です」と表示して、ずらし対象８０１とするか或いは次回以降の予測で除外するよう利用者に促す（ｚは説明変数２２２）。つぎに、ずらし対象８０１に指定していた場合は、予測結果に影響を及ぼす可能性はない。このため、情報出力部２１５は、通知欄７０３に「説明変数ｚは除外候補です」と表示して、次回以降は説明変数２２２から除外するよう利用者に促す。

以上の方法によって、予測装置１００は、変動要因の影響が予測値に±何日後に現れるかが不明な状況でも、高精度な予測を行うことができる。また、情報出力部２１５は、貢献度２３３が所定値よりも低い説明変数２２２を出力デバイス１０４に表示する。このため、利用者は、次回以降に予測を行う場合に、その説明変数２２２を除外するか、ずらし対象の設定を変更することで、少ない説明変数２２２で高精度な予測を行うことができる。また、実施例１と同様に除外対象となった説明変数２２２のデータを次回以降に予測する際に、入手および管理する手間（工数）、および予測装置１００を利用する際のデータ（説明変数２２２）の入力の手間（工数）を削減することができる。

＜ずらし対象候補の選択効果＞
図１１は、利用者によるずらし対象候補の選択効果を示すグラフである。図１１のグラフ１１００は、ディスプレイに表示可能である。グラフ１１００は、たとえば、出荷実績が毎年の初回出荷から漸減する季節品の出荷予測を行う場合を想定した例とする。この場合、たとえば、予測に用いる説明変数２２２として、出荷の１週目Ｗ１、２週目Ｗ２、３週目Ｗ３の３つとする。なお、利用者は、ずらし対象候補を選択する選択画面（不図示）からずらし対象候補を選択可能である。

本例において、相関算出部８００が図９のステップＳ９０２を用いてそれぞれの説明変数２２２（Ｗ１～Ｗ３）のずらし日数８０２を算出する場合、相関の取り方によっては、Ｗ１～Ｗ３の全説明変数２２２が１週目（２／４～２／１０）の出荷実績と最も相関が高いとみなされてしまい、適切な予測が実施できない。そこで、利用者は、Ｗ１～Ｗ３の各説明変数２２２をずらし対象８０１に指定しなければ、予測装置１００は、Ｗ１～Ｗ３の影響を適切に加味した予測を行うことができる。

つぎに、実施例３について説明する。実施例１および実施例２では、予測対象が一つの場合を説明した。しかし、物流倉庫では多種多様な商品を扱うため、商品種別ごとに分けて予測を行いたい場合が存在する。たとえば、化粧品の場合、出荷先が高級店舗（専門店やデパートメントストアなど）向けと量販店向けの化粧品では出荷傾向が異なる。実施例３では、複数種類のデータを予測対象とする場合の例について説明する。なお、以下に説明する相違点を除き、実施例１および実施例２と同一構成には同一符号を付しその説明を省略する。

図９を用いて実施例３の予測処理を説明する。なお、以下の説明では、実施例２で述べた説明変数２２２の日付をずらす処理を行う例で説明するが、実施例１のように説明変数２２２をずらさない場合においても、実施例３を実施可能である。

予測装置１００は処理を開始すると、実績値入力部２１１により複数の予測対象の実績値２２１を取り込む（ステップＳ３０１）。つぎに、予測装置１００は、説明変数入力部２１２により、説明変数２２２とずらし対象８０１を取り込む（ステップＳ９０１）。ここで、説明変数入力部２１２は、ずらし対象８０１を、ステップＳ３０１で取り込んだ実績値２２１ごとに指定してもよい。

つぎに、予測装置１００は、相関算出部８００により、各実績値２２１とずらし対象８０１の説明変数２２２との相関を取り、各実績値２２１に対するずらし日数８０２を決定する（ステップＳ９０２）。つぎに、予測装置１００は、予測部２１３により、各予測対象に対してステップＳ９０２で決定した各実績値２２１に対するずらし日数８０２だけずらした各説明変数２２２を用いて予測を行い、各予測対象の予測値２３１、予測精度２３２、各予測対象に対する各説明変数２２２の貢献度２３３を算出する（ステップＳ９０３）。

つぎに、予測装置１００は、予測値出力部２１４により、各予測対象の予測値２３１と予測精度２３２を出力する（ステップＳ３０４）。最後に、予測装置１００は、情報出力部２１５により、各予測対象に対する各説明変数２２２の貢献度２３３とずらし日数８０２と除外対象２３４を出力する（ステップＳ９０４）。

ここで、予測値出力部２１４は、各予測対象の予測値２３１と予測精度２３２を、たとえば図５に示した方法で予測対象ごとに表を分けて出力してもよい。また、情報出力部２１５は、各説明変数２２２の貢献度２３３とずらし日数８０２と除外対象２３４を、予測対象ごとにたとえば、図７に示したような第２出力データ７００を表示してもよい。

実施例３によって、予測装置１００は商品カテゴリごとに予測を行うことができ、利用者は、商品カテゴリごとにどの説明変数２２２が予測結果に寄与しているかを把握することができる。これにより、たとえば、予測結果を物流倉庫の人員計画等に活用する場合、利用者は、商品カテゴリごとに配置する人員を適切に設定することができる。また、次回以降に予測を行う場合、予測装置１００が不要な説明変数２２２を除いて予測することで、利用者の説明変数２２２の入手、管理、予測装置１００への入力の手間を削減することができる。

実施例１～実施例３では、説明変数２２２の重要度として貢献度２３３を出力することで、利用者に除外対象２３４（またはずらし対象８０１）の説明変数２２２を提示する例を説明した。実施例４では、予測装置１００がその他の情報を追加して出力することで、予測精度向上を図る例を説明する。

物流倉庫では、前述のとおり確保できる人員が限られることから、予測値が実績値を下回る（これを「下振れ」と称す）事象を避けたいという事情がある。人員配置で下振れが発生すると、予測値から実績値を引いた分の人数が不足する。また、日々の予測誤差３２１をなるべく小さく（予測精度２３２をなるべく高く）することが求められる。このためには、適切な予測方法を用いるとともに、必要な説明変数２２２を不足なく加味することが求められる。

そこで、実施例１～実施例３で説明した各説明変数２２２の貢献度２３３に加えて、予測装置１００は、実績期間の予測結果における下振れの有無をディスプレイに表示するとともに、実績期間の日々の予測誤差３２１が特に大きい日（たとえば、閾値以上の日）を表示する。これにより、予測に用いた予測方法の妥当性や、説明変数２２２の不足の可能性を利用者に提示することができる。

図１２は、除外対象２３４（またはずらし対象８０１）の説明変数２２２の提示例を示す説明図である。図１２において、（ａ）は、実績期間（１／１～１／７）における出荷量の予測値２３１と実績値２２１を示す。（ｂ）は、予測に用いた説明変数２２２（ここではＣＭ放映１２０１（回/日））をそれぞれ表している。ここで予測装置１００は、任意の予測方法１と、ＣＭ放映１２０１を説明変数２２２とする予測方法２と、を用いて、予測を実行する。

（ｃ）の表は、上の行から日付４０２、予測誤差１２０２、予測方法１の貢献度２３３、予測方法２の説明変数２２２であるＣＭ放映１２０１の貢献度２３３をあらわしている。ここで、予測結果が下振れを起こした日には予測誤差１２０２の行に「下振れ」と表示される。また、日々の予測誤差１２０２が閾値（予測誤差閾値１２０３。図１２の例では式（２）で評価して０．５とする。ただし、予測誤差閾値１２０３の値は任意。）を超えた場合には、予測装置１００は、（ｃ）の表の色を変えて表示する。

（ｃ）を見ると、ＣＭ放映１２０１の貢献度２３３は予測期間を通じて低く、予測結果に殆ど影響を与えていないことがわかる。その一方で、下振れ発生日（１／２～１／４）または予測誤差１２０２が予測誤差閾値１２０３以上となる日が実績期間の半数以上を占めていることがわかる。そのような場合に、（ｃ）で示したように、予測方法１の貢献度２３３が高く、予測方法２の説明変数２２２であるＣＭ放映１２０１の貢献度２３３がいずれも所定値よりも低い場合は、予測に用いている予測方法１およびＣＭ放映１２０１の両方または片方が適切ではない可能性がある。

ここで、たとえば、情報出力部２１５は、通知欄７０３に実績期間における、下振れ発生日または予測誤差１２０２が予測誤差閾値１２０３以上となる日の合計を表示する。そして、その合計が実績期間の日数のうち所定日数（たとえば、半数）以上を占める場合には、予測方法の変更や、予測に用いる説明変数２２２の追加・変更、または各説明変数２２２のずらし対象８０１の指定の変更を促す通知を表示する（図示省略）。これにより、利用者は予測方法の変更の必要性に気づくとともに、予測に用いる説明変数２２２の変更、ずらし対象８０１の変更の必要性に気づくことができる。

また、予測装置１００は、下振れした日について再度出荷量を予測し、予測誤差が最小となる（予測精度が最大となる）ように貢献度２３３を設定してもよい。予測装置１００は、再予測の前後で貢献度２３３が所定値以上下がっていれば、悪影響を与えているため、その予測方法１または説明変数２２２を強調表示するなどして通知してもよい。

なお、実施例４では下振れについて説明したが、予測値が実績値を上回る（これを「上振れ」と称す）事象についても同様である。すなわち、実施例１～実施例３で説明した各説明変数２２２の貢献度２３３に加えて、予測装置１００は、実績期間の予測結果における上振れの有無をディスプレイに表示するとともに、実績期間の日々の予測誤差３２１が特に大きい日（特定の誤差以上）を表示する。これにより、予測に用いた予測方法の妥当性や、説明変数２２２の不足の可能性を利用者に提示することができる。

また、物流現場に限らず、他の現場においても実施例～実施例４を適用することができる。たとえば、生産現場でも、消費者のデータを入手困難などの理由でなるべく少ない説明変数２２２で需要を予測することが求められる。実施例～実施例４を生産現場に適用すれば、予測装置１００が２回目以降に予測を行う際に不要な説明変数２２２を除外して高精度な予測を行うことができ、利用者が説明変数２２２を管理したり入手したりする手間を削減することが可能である。

なお、本発明は前述した実施例に限定されるものではなく、添付した特許請求の範囲の趣旨内における様々な変形例及び同等の構成が含まれる。たとえば、前述した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに本発明は限定されない。また、ある実施例の構成の一部を他の実施例の構成に置き換えてもよい。また、ある実施例の構成に他の実施例の構成を加えてもよい。また、各実施例の構成の一部について、他の構成の追加、削除、または置換をしてもよい。

また、前述した各構成、機能、処理部、処理手段等は、それらの一部又は全部を、たとえば集積回路で設計する等により、ハードウェアで実現してもよく、プロセッサ１０１がそれぞれの機能を実現するプログラムを解釈し実行することにより、ソフトウェアで実現してもよい。

各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶装置、又は、ＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）カード、ＳＤカード、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）の記録媒体に格納することができる。

また、制御線や情報線は説明上必要と考えられるものを示しており、実装上必要な全ての制御線や情報線を示しているとは限らない。実際には、ほとんど全ての構成が相互に接続されていると考えてよい。

１００ 予測装置
１０１ プロセッサ
１０２ 記憶デバイス
２１１ 実績値入力部
２１２ 説明変数入力部
２１３ 予測部
２１４ 予測値出力部
２１５ 情報出力部
２２１ 実績値
２２２ 説明変数
２３１ 予測値
２３２ 予測精度
２３３ 貢献度
２３４ 除外対象
３２１ 予測誤差
８００ 相関算出部
１２０２ 予測誤差
１２０３予測誤差閾値

Claims (10)

1. 予測対象の実績値と複数の説明変数の各々の時系列データとに基づいて予測対象の予測値を予測する予測装置であって、
   プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有し、
   前記プロセッサは、
   前記実績値と前記予測値とに基づいて予測精度を算出し、
   前記複数の説明変数のうち第１説明変数の時系列データを用いて予測した第１予測値と、前記複数の説明変数のうち前記第１説明変数とは異なる第２説明変数の時系列データを用いて予測した第２予測値と、前記予測精度と、に基づいて、前記第１説明変数が前記予測値に与えた影響の度合いである第１貢献度と、前記第２説明変数が前記予測値に与えた影響の度合いである第２貢献度と、を算出し、
   前記第１貢献度と前記第２貢献度とに基づいて、前記複数の説明変数から除外される除外対象の説明変数を決定し、
   前記除外対象を出力し、
   前記第１予測値が前記実績値を下回る事象が発生した時点において、前記予測精度が最大となるように前記第１説明変数の時系列データを用いて前記第１予測値を再予測し、
   前記第２予測値が前記実績値を下回る事象が発生した時点において、前記予測精度が最大となるように前記第２説明変数の時系列データを用いて前記第２予測値を再予測し、
   前記予測精度と、前記再予測された前記第１予測値と、前記再予測された前記第２予測値と、に基づいて、前記第１貢献度と、前記第２貢献度と、を算出する、
   ことを特徴とする予測装置。
2. 予測対象の実績値と複数の説明変数の各々の時系列データとに基づいて予測対象の予測値を予測する予測装置であって、
   プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有し、
   前記プロセッサは、
   前記実績値と前記予測値とに基づいて予測精度を算出し、
   前記複数の説明変数のうち第１説明変数の時系列データを用いて予測した第１予測値と、前記複数の説明変数のうち前記第１説明変数とは異なる第２説明変数の時系列データを用いて予測した第２予測値と、前記予測精度と、に基づいて、前記第１説明変数が前記予測値に与えた影響の度合いである第１貢献度と、前記第２説明変数が前記予測値に与えた影響の度合いである第２貢献度と、を算出し、
   前記第１貢献度と前記第２貢献度とに基づいて、前記複数の説明変数から除外される除外対象の説明変数を決定し、
   前記複数の説明変数のうち前記除外対象を除いた残余の説明変数の時系列データを用いて、前記予測対象の予測値を予測し、
   前記第１予測値が前記実績値を下回る事象が発生した時点において、前記予測精度が最大となるように前記第１説明変数の時系列データを用いて前記第１予測値を再予測し、
   前記第２予測値が前記実績値を下回る事象が発生した時点において、前記予測精度が最大となるように前記第２説明変数の時系列データを用いて前記第２予測値を再予測し、
   前記予測精度と、前記再予測された前記第１予測値と、前記再予測された前記第２予測値と、に基づいて、前記第１貢献度と、前記第２貢献度と、を算出する、
   することを特徴とする予測装置。
3. 請求項２に記載の予測装置であって、
   前記プロセッサは、
   第１予測方法により、前記第１予測値および前記第２予測値を算出し、
   前記第１予測方法よりも処理時間が長いが前記第１予測方法よりも予測精度が高い第２予測方法により、前記残余の説明変数の時系列データを用いて、前記予測対象の予測値を予測する、
   ことを特徴とする予測装置。
4. 請求項１に記載の予測装置であって、
   前記プロセッサは、
   前記第１説明変数の時系列データをずらし対象に指定し、
   前記実績値と、前記第１説明変数の時系列データと、の相関に基づいて、前記第１説明変数の時系列データのずらし方向およびずらし量を決定し、
   前記第１説明変数の時系列データを前記ずらし方向に前記ずらし量分ずらしたずらし後の第１説明変数の時系列データを用いて予測したずらし後の第１予測値と、前記第２説明変数の時系列データを用いて予測した第２予測値と、に基づいて、前記ずらし後の第１貢献度と、前記第２貢献度と、を算出し、
   前記ずらし後の第１貢献度と前記第２貢献度とに基づいて、前記除外対象の説明変数を決定する、
   ことを特徴とする予測装置。
5. 請求項４に記載の予測装置であって、
   前記プロセッサは、
   前記相関が最大となる前記ずらし方向および前記ずらし量を決定する、
   ことを特徴とする予測装置。
6. 請求項１に記載の予測装置であって、
   前記プロセッサは、
   前記予測対象ごとに、前記第１説明変数の貢献度と、前記第２説明変数の貢献度と、を算出し、
   前記予測対象ごとに、前記除外対象の説明変数を決定し、
   前記予測対象ごとに、前記除外対象を出力する、
   ことを特徴とする予測装置。
7. 請求項１に記載の予測装置であって、
   前記プロセッサは、
   前記実績値と前記予測値との差が第１許容範囲外となった期間を出力する、
   ことを特徴とする予測装置。
8. 請求項１に記載の予測装置であって、
   前記プロセッサは、
   前記予測精度が第２許容範囲外となった期間を出力する、
   ことを特徴とする予測装置。
9. 予測対象の実績値と複数の説明変数の各々の時系列データとに基づいて予測対象の予測値を予測する予測装置が実行する予測方法であって、
   プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有し、
   前記予測方法は、
   前記プロセッサが、
   前記実績値と前記予測値とに基づいて予測精度を算出し、
   前記複数の説明変数のうち第１説明変数の時系列データを用いて予測した第１予測値と、前記複数の説明変数のうち前記第１説明変数とは異なる第２説明変数の時系列データを用いて予測した第２予測値と、前記予測精度と、に基づいて、前記第１説明変数が前記予測値に与えた影響の度合いである第１貢献度と、前記第２説明変数が前記予測値に与えた影響の度合いである第２貢献度と、を算出し、
   前記第１貢献度と前記第２貢献度とに基づいて、前記複数の説明変数から除外される除外対象の説明変数を決定し、
   前記除外対象を出力し、
   前記第１予測値が前記実績値を下回る事象が発生した時点において、前記予測精度が最大となるように前記第１説明変数の時系列データを用いて前記第１予測値を再予測し、
   前記第２予測値が前記実績値を下回る事象が発生した時点において、前記予測精度が最大となるように前記第２説明変数の時系列データを用いて前記第２予測値を再予測し、
   前記予測精度と、前記再予測された前記第１予測値と、前記再予測された前記第２予測値と、に基づいて、前記第１貢献度と、前記第２貢献度と、を算出する、
   ことを特徴とする予測方法。
10. 予測対象の実績値と複数の説明変数の各々の時系列データとに基づいて予測対象の予測値を予測する予測装置が実行する予測方法であって、
    プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有し、
    前記プロセッサは、
    前記実績値と前記予測値とに基づいて予測精度を算出し、
    前記複数の説明変数のうち第１説明変数の時系列データを用いて予測した第１予測値と、前記複数の説明変数のうち前記第１説明変数とは異なる第２説明変数の時系列データを用いて予測した第２予測値と、前記予測精度と、に基づいて、前記第１説明変数が前記予測値に与えた影響の度合いである第１貢献度と、前記第２説明変数が前記予測値に与えた影響の度合いである第２貢献度と、を算出し、
    前記第１貢献度と前記第２貢献度とに基づいて、前記複数の説明変数から除外される除外対象の説明変数を決定し、
    前記複数の説明変数のうち前記除外対象を除いた残余の説明変数の時系列データを用いて、前記予測対象の予測値を予測し、
    前記第１予測値が前記実績値を下回る事象が発生した時点において、前記予測精度が最大となるように前記第１説明変数の時系列データを用いて前記第１予測値を再予測し、
    前記第２予測値が前記実績値を下回る事象が発生した時点において、前記予測精度が最大となるように前記第２説明変数の時系列データを用いて前記第２予測値を再予測し、
    前記予測精度と、前記再予測された前記第１予測値と、前記再予測された前記第２予測値と、に基づいて、前記第１貢献度と、前記第２貢献度と、を算出する、
    ことを特徴とする予測方法。

Images