JP2001022729A - 予測モデルの選択方法 - Google Patents
予測モデルの選択方法Info
- Publication number
- JP2001022729A JP2001022729A JP19592699A JP19592699A JP2001022729A JP 2001022729 A JP2001022729 A JP 2001022729A JP 19592699 A JP19592699 A JP 19592699A JP 19592699 A JP19592699 A JP 19592699A JP 2001022729 A JP2001022729 A JP 2001022729A
- Authority
- JP
- Japan
- Prior art keywords
- period
- prediction
- prediction model
- data
- absolute error
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【課題】 個々の商品の需要動向には季節性を示すもの
と、季節性を示さないものがあり、この動向自体が変わ
って行く場合がある。従来の各商品に適用する予測モデ
ルを選択する作業工数を解消し、予測精度の向上を図
る。 【解決手段】 最適しきい値決定部５は、予測実行部
６、絶対誤差率算出部７及び自己相関係数算出部８を起
動して時系列実績データ１１について予測モデルＡ及び
予測モデルＢを適用した場合の各期の予測データを算出
し、モデルごと期ごとの絶対誤差率を算出し、各期の自
己相関係数を算出し、複数のしきい値の各々について適
用するモデルを選択し、対象期間についてその絶対誤差
率の平均が最小のしきい値を最適しきい値とする。予測
モデル選択部９は、予測期の自己相関係数と最適しきい
値とから適用する予測モデルを選択する。
と、季節性を示さないものがあり、この動向自体が変わ
って行く場合がある。従来の各商品に適用する予測モデ
ルを選択する作業工数を解消し、予測精度の向上を図
る。 【解決手段】 最適しきい値決定部５は、予測実行部
６、絶対誤差率算出部７及び自己相関係数算出部８を起
動して時系列実績データ１１について予測モデルＡ及び
予測モデルＢを適用した場合の各期の予測データを算出
し、モデルごと期ごとの絶対誤差率を算出し、各期の自
己相関係数を算出し、複数のしきい値の各々について適
用するモデルを選択し、対象期間についてその絶対誤差
率の平均が最小のしきい値を最適しきい値とする。予測
モデル選択部９は、予測期の自己相関係数と最適しきい
値とから適用する予測モデルを選択する。
Description
【０００１】
【発明の属する技術分野】本発明は、コンピュータを利
用する需要予測方法に係わり、特に過去の時系列実績デ
ータに基づいて複数の予測モデルの中から１つを選択し
て予測期の予測に適用する方法に関する。
用する需要予測方法に係わり、特に過去の時系列実績デ
ータに基づいて複数の予測モデルの中から１つを選択し
て予測期の予測に適用する方法に関する。
【０００２】
【従来の技術】商品を計画的に製造し保管し輸送する場
合、商品需要を高い精度で予測する必要が生じる。従来
需要予測のためにいくつかの予測モデルが利用されてき
た。代表的な予測モデルとして、季節性あるいは周期性
を考慮する予測モデルと、季節性あるいは周期性を考慮
しない予測モデルとに区分することができる。
合、商品需要を高い精度で予測する必要が生じる。従来
需要予測のためにいくつかの予測モデルが利用されてき
た。代表的な予測モデルとして、季節性あるいは周期性
を考慮する予測モデルと、季節性あるいは周期性を考慮
しない予測モデルとに区分することができる。
【０００３】
【発明が解決しようとする課題】個々の商品の需要動向
には季節的な変動を示すものがある一方、ほとんど季節
性を示さない商品もある。そこで精度高い需要予測を行
うためには各商品についていずれの予測モデルを適用す
るかを判定しなければならない。従来は人間の判断によ
って予測モデルを選択していたため、扱う商品の種類が
多いと多大な作業工数を必要とした。そのため一度季節
性の傾向がみられた商品について、その後季節性が失わ
れても同一の予測モデルを適用し続けるため、予測精度
が低下する結果となった。また逆に季節性を考慮しない
予測モデルを適用していた商品について、その後季節性
が現われても同一の予測モデルを適用し続けるため、同
様に予測精度が低下する結果となった。
には季節的な変動を示すものがある一方、ほとんど季節
性を示さない商品もある。そこで精度高い需要予測を行
うためには各商品についていずれの予測モデルを適用す
るかを判定しなければならない。従来は人間の判断によ
って予測モデルを選択していたため、扱う商品の種類が
多いと多大な作業工数を必要とした。そのため一度季節
性の傾向がみられた商品について、その後季節性が失わ
れても同一の予測モデルを適用し続けるため、予測精度
が低下する結果となった。また逆に季節性を考慮しない
予測モデルを適用していた商品について、その後季節性
が現われても同一の予測モデルを適用し続けるため、同
様に予測精度が低下する結果となった。
【０００４】本発明の目的は、上記の問題点を解決する
ことにあり、自動的に予測モデルを選択する方法を提供
することにある。
ことにあり、自動的に予測モデルを選択する方法を提供
することにある。
【０００５】
【課題を解決するための手段】本発明は、コンピュータ
を利用して過去の時系列実績データから予測期の予測デ
ータを算出する方法であり、実績データに周期性がある
場合に適用される第１の予測モデルと実績データの周期
性を否定する場合に適用される第２の予測モデルとのい
ずれか一方を選択して予測期の予測に適用する方法であ
って、（１）過去の複数期に亘る実績データについて第
１の予測モデル及び第２の予測モデルを適用した場合の
各期の予測データをそれぞれ算出し、（２）（１）の実
績データ及び予測データについてモデルごと、期ごとの
絶対誤差率を算出し、（３）（１）の各期について過去
の時系列実績データから自己相関係数を算出し、（４）
複数のしきい値を設定して各しきい値と（１）の各期の
自己相関係数との比較から適用するモデルを選択すると
ともに、選択したモデルを適用したときの上記絶対誤差
率を抽出し、（５）（４）の各しきい値について抽出し
た絶対誤差率を平均して複数期に亘る平均絶対誤差率を
算出し、（６）（５）の平均絶対誤差率が最小のしきい
値を最適しきい値として抽出し、（７）予測期について
過去の時系列実績データから自己相関係数を算出し、
（８）（７）の自己相関係数と（６）の最適しきい値と
の比較から予測期に適用する予測モデルを選択する予測
モデルの選択方法を特徴とする。
を利用して過去の時系列実績データから予測期の予測デ
ータを算出する方法であり、実績データに周期性がある
場合に適用される第１の予測モデルと実績データの周期
性を否定する場合に適用される第２の予測モデルとのい
ずれか一方を選択して予測期の予測に適用する方法であ
って、（１）過去の複数期に亘る実績データについて第
１の予測モデル及び第２の予測モデルを適用した場合の
各期の予測データをそれぞれ算出し、（２）（１）の実
績データ及び予測データについてモデルごと、期ごとの
絶対誤差率を算出し、（３）（１）の各期について過去
の時系列実績データから自己相関係数を算出し、（４）
複数のしきい値を設定して各しきい値と（１）の各期の
自己相関係数との比較から適用するモデルを選択すると
ともに、選択したモデルを適用したときの上記絶対誤差
率を抽出し、（５）（４）の各しきい値について抽出し
た絶対誤差率を平均して複数期に亘る平均絶対誤差率を
算出し、（６）（５）の平均絶対誤差率が最小のしきい
値を最適しきい値として抽出し、（７）予測期について
過去の時系列実績データから自己相関係数を算出し、
（８）（７）の自己相関係数と（６）の最適しきい値と
の比較から予測期に適用する予測モデルを選択する予測
モデルの選択方法を特徴とする。
【０００６】
【発明の実施の形態】以下、本発明の一実施形態につい
て図面を用いて説明する。
て図面を用いて説明する。
【０００７】図１は、本実施形態のコンピュータの構成
を示す図である。コンピュータは、処理装置１と、この
処理装置１に接続される記憶装置とから構成され、記憶
装置は時系列実績データ１１と予測データ１２とを格納
する。時系列実績データ１１は商品ごとに時系列に配列
された過去の需要実績データである。予測データ１２は
商品ごとに次の期について予測モデルによつて予測され
たデータである。
を示す図である。コンピュータは、処理装置１と、この
処理装置１に接続される記憶装置とから構成され、記憶
装置は時系列実績データ１１と予測データ１２とを格納
する。時系列実績データ１１は商品ごとに時系列に配列
された過去の需要実績データである。予測データ１２は
商品ごとに次の期について予測モデルによつて予測され
たデータである。
【０００８】処理装置１の主記憶装置には、予測モデル
Ａ（２）、予測モデルＢ（３）及び予測モデル選択プロ
グラム４が格納され、処理装置１によって実行される。
予測モデルＡ（２）は、需要が周期性あるいは季節性を
もって変動するものとみなされる場合に適用される予測
モデルである。予測モデルＢ（３）は、需要が周期性あ
るいは季節性をもたない場合に適用される予測モデルで
ある。例えば予測モデルＢ（３）として、予測期の直近
の数期の実績データを加重平均した数値を予測データと
するような予測モデルがある。
Ａ（２）、予測モデルＢ（３）及び予測モデル選択プロ
グラム４が格納され、処理装置１によって実行される。
予測モデルＡ（２）は、需要が周期性あるいは季節性を
もって変動するものとみなされる場合に適用される予測
モデルである。予測モデルＢ（３）は、需要が周期性あ
るいは季節性をもたない場合に適用される予測モデルで
ある。例えば予測モデルＢ（３）として、予測期の直近
の数期の実績データを加重平均した数値を予測データと
するような予測モデルがある。
【０００９】予測モデル選択プログラム４は、最適しき
い値決定部５、予測実行部６、絶対誤差率算出部７、自
己相関係数算出部８及び予測モデル選択部９の各プログ
ラム手段を有する。最適しきい値決定部５は、指定され
た商品について時系列実績データ１１を読み込み、予測
実行部６、絶対誤差率算出部７および自己相関係数算出
部８を起動して予測期についての最適のしきい値を算出
する。予測実行部６は実績データに予測モデルＡ（２）
または予測モデルＢ（３）を適用して予測データを算出
する。絶対誤差率算出部７は実績データがわかっている
期の予測データを計算したときの絶対誤差率を算出す
る。自己相関係数算出部８は、過去の実績データから予
測期の自己相関係数を算出する。予測モデル選択部９
は、算出された最適のしきい値と予測期の自己相関係数
から予測期に適用するための予測モデルＡ（２）または
予測モデルＢ（３）のいずれかを選択し起動して予測期
の予測データを算出し、その結果を予測データ１２に保
存する。
い値決定部５、予測実行部６、絶対誤差率算出部７、自
己相関係数算出部８及び予測モデル選択部９の各プログ
ラム手段を有する。最適しきい値決定部５は、指定され
た商品について時系列実績データ１１を読み込み、予測
実行部６、絶対誤差率算出部７および自己相関係数算出
部８を起動して予測期についての最適のしきい値を算出
する。予測実行部６は実績データに予測モデルＡ（２）
または予測モデルＢ（３）を適用して予測データを算出
する。絶対誤差率算出部７は実績データがわかっている
期の予測データを計算したときの絶対誤差率を算出す
る。自己相関係数算出部８は、過去の実績データから予
測期の自己相関係数を算出する。予測モデル選択部９
は、算出された最適のしきい値と予測期の自己相関係数
から予測期に適用するための予測モデルＡ（２）または
予測モデルＢ（３）のいずれかを選択し起動して予測期
の予測データを算出し、その結果を予測データ１２に保
存する。
【００１０】図２は、時系列実績データ１１のデータ構
成を示す図である。時系列実績データ１１は、商品コー
ドで示される商品ごとに設けられ、複数の期に亘ってそ
の商品の需要実績データを格納する。この例では第１期
から第２９期までの各期の実績データが得られているも
のとし、もし実績データに周期性あるいは季節性がある
とすればその周期は１２期であるとみなしている。第２
５期から第２９期までは最適しきい値を求めるときの対
象とする予測の期間ともなる。
成を示す図である。時系列実績データ１１は、商品コー
ドで示される商品ごとに設けられ、複数の期に亘ってそ
の商品の需要実績データを格納する。この例では第１期
から第２９期までの各期の実績データが得られているも
のとし、もし実績データに周期性あるいは季節性がある
とすればその周期は１２期であるとみなしている。第２
５期から第２９期までは最適しきい値を求めるときの対
象とする予測の期間ともなる。
【００１１】図３は、最適しきい値を計算する予測モデ
ル選択プログラム４の処理の流れを示すフローチャート
である。最適しきい値決定部５は、時系列実績データ１
１から指定された商品の実績データを読み込む（ステッ
プ２１）。次に予測実行部６を起動し、第２５期から第
２９期までの各期について予測モデルＡ（２）を適用し
て予測データを算出する（ステップ２２）。すなわち第
１期から第２４期までの実績データを用いて第２５期の
予測データを算出し、第２期から第２５期までの実績デ
ータを用いて第２６期の予測データを算出し、・・・の
ように各期の予測データを算出する。次に予測実行部６
を起動し、第２５期から第２９期までの各期について予
測モデルＢ（３）を適用して予測データを算出する（ス
テップ２３）。すなわち第２４期までの数期の実績デー
タを用いて第２５期の予測データを算出し、第２５期ま
での数期の実績データを用いて第２６期の予測データを
算出し、・・・のように各期の予測データを算出する。
次に絶対誤差率算出部７を起動し、第２５期から第２９
期までの各期について予測モデルＡ（２）を適用した場
合の絶対誤差率を算出する（ステップ２４）。絶対誤差
率は、｜実績データ−予測データ｜／実績データによっ
て計算される。次に絶対誤差率算出部７を起動し、第２
５期から第２９期までの各期について予測モデルＢ
（３）を適用した場合の絶対誤差率を算出する（ステッ
プ２５）。次に自己相関係数算出部８を起動し、第２５
期から第２９期までの各期について自己相関係数を算出
する（ステップ２６）。すなわち第１期から第１２期ま
でと、第１３期から第２４期までの実績データを用いて
第２５期の自己相関係数を算出し、第２期から第１３期
までと、第１４期から第２５期までの実績データを用い
て第２６期の自己相関係数を算出し、・・・のように各
期の自己相関係数を算出する。
ル選択プログラム４の処理の流れを示すフローチャート
である。最適しきい値決定部５は、時系列実績データ１
１から指定された商品の実績データを読み込む（ステッ
プ２１）。次に予測実行部６を起動し、第２５期から第
２９期までの各期について予測モデルＡ（２）を適用し
て予測データを算出する（ステップ２２）。すなわち第
１期から第２４期までの実績データを用いて第２５期の
予測データを算出し、第２期から第２５期までの実績デ
ータを用いて第２６期の予測データを算出し、・・・の
ように各期の予測データを算出する。次に予測実行部６
を起動し、第２５期から第２９期までの各期について予
測モデルＢ（３）を適用して予測データを算出する（ス
テップ２３）。すなわち第２４期までの数期の実績デー
タを用いて第２５期の予測データを算出し、第２５期ま
での数期の実績データを用いて第２６期の予測データを
算出し、・・・のように各期の予測データを算出する。
次に絶対誤差率算出部７を起動し、第２５期から第２９
期までの各期について予測モデルＡ（２）を適用した場
合の絶対誤差率を算出する（ステップ２４）。絶対誤差
率は、｜実績データ−予測データ｜／実績データによっ
て計算される。次に絶対誤差率算出部７を起動し、第２
５期から第２９期までの各期について予測モデルＢ
（３）を適用した場合の絶対誤差率を算出する（ステッ
プ２５）。次に自己相関係数算出部８を起動し、第２５
期から第２９期までの各期について自己相関係数を算出
する（ステップ２６）。すなわち第１期から第１２期ま
でと、第１３期から第２４期までの実績データを用いて
第２５期の自己相関係数を算出し、第２期から第１３期
までと、第１４期から第２５期までの実績データを用い
て第２６期の自己相関係数を算出し、・・・のように各
期の自己相関係数を算出する。
【００１２】次に最適しきい値決定部５は、しきい値の
初期値（下限値）を設定する（ステップ２７）。試行す
るしきい値の範囲は０〜１であり、例えば初期値０．
１、きざみ０．１、上限値０．９、または初期値０．
２、きざみ０．０１、上限値０．９９などのパラメータ
の設定が可能である。次に現在のしきい値が設定されて
いる上限値を越えたか否かを判定する（ステップ２
８）。越えていなければ、第２５期から第２９期までの
各期について予測モデルを選択する（ステップ２９）。
すなわちその期の自己相関係数＞現在のしきい値であれ
ば予測モデルＡ（２）を選択し、予測モデルＡ（２）を
適用した場合の絶対誤差率を採用する。逆にその期の自
己相関係数≦現在のしきい値であれば予測モデルＢ
（３）を選択し、予測モデルＢ（３）を適用した場合の
絶対誤差率を採用する。次に最適しきい値決定部５は、
対象期間について平均絶対誤差率を計算する（ステップ
３０）。すなわち第２５期から第２９期までの各期につ
いて、採用した絶対誤差率を５期について平均して平均
絶対誤差率を計算する。次に現在のしきい値をきざみ分
だけインクレメントし（ステップ３１）、ステップ２８
に戻る。現在のしきい値が上限値を越えたとき（ステッ
プ２８ＹＥＳ）、最適しきい値を算出する（ステップ３
２）。平均絶対誤差率が最小となるしきい値が最適しき
い値である。
初期値（下限値）を設定する（ステップ２７）。試行す
るしきい値の範囲は０〜１であり、例えば初期値０．
１、きざみ０．１、上限値０．９、または初期値０．
２、きざみ０．０１、上限値０．９９などのパラメータ
の設定が可能である。次に現在のしきい値が設定されて
いる上限値を越えたか否かを判定する（ステップ２
８）。越えていなければ、第２５期から第２９期までの
各期について予測モデルを選択する（ステップ２９）。
すなわちその期の自己相関係数＞現在のしきい値であれ
ば予測モデルＡ（２）を選択し、予測モデルＡ（２）を
適用した場合の絶対誤差率を採用する。逆にその期の自
己相関係数≦現在のしきい値であれば予測モデルＢ
（３）を選択し、予測モデルＢ（３）を適用した場合の
絶対誤差率を採用する。次に最適しきい値決定部５は、
対象期間について平均絶対誤差率を計算する（ステップ
３０）。すなわち第２５期から第２９期までの各期につ
いて、採用した絶対誤差率を５期について平均して平均
絶対誤差率を計算する。次に現在のしきい値をきざみ分
だけインクレメントし（ステップ３１）、ステップ２８
に戻る。現在のしきい値が上限値を越えたとき（ステッ
プ２８ＹＥＳ）、最適しきい値を算出する（ステップ３
２）。平均絶対誤差率が最小となるしきい値が最適しき
い値である。
【００１３】図４は、算出した最適しきい値を用いて予
測期の予測データを算出する予測モデル選択プログラム
４の処理の流れを示すフローチャートである。予測モデ
ル選択部９は、自己相関係数算出部８を起動して第３０
期の自己相関係数を算出する（ステップ４１）。すなわ
ち第６期から第１７期までと、第１８期から第２９期ま
での実績データを用いて第３０期の自己相関係数を算出
する。次に予測モデル選択部９は、ステップ４１で算出
された自己相関係数とステップ３２で算出された最適し
きい値とを比較し、自己相関係数＞最適しきい値か否か
判定する（ステップ４２）。自己相関係数＞最適しきい
値であれば、予測実行部６を起動し予測モデルＡ（２）
を適用して第３０期の予測データを算出する（ステップ
４３）。自己相関係数≦最適しきい値であれば、予測実
行部６を起動し、予測モデルＢ（３）を適用して第３０
期の予測データを算出する（ステップ４４）。最後に算
出された当該商品の第３０期の予測結果を予測データ１
２に保存する（ステップ４５）。
測期の予測データを算出する予測モデル選択プログラム
４の処理の流れを示すフローチャートである。予測モデ
ル選択部９は、自己相関係数算出部８を起動して第３０
期の自己相関係数を算出する（ステップ４１）。すなわ
ち第６期から第１７期までと、第１８期から第２９期ま
での実績データを用いて第３０期の自己相関係数を算出
する。次に予測モデル選択部９は、ステップ４１で算出
された自己相関係数とステップ３２で算出された最適し
きい値とを比較し、自己相関係数＞最適しきい値か否か
判定する（ステップ４２）。自己相関係数＞最適しきい
値であれば、予測実行部６を起動し予測モデルＡ（２）
を適用して第３０期の予測データを算出する（ステップ
４３）。自己相関係数≦最適しきい値であれば、予測実
行部６を起動し、予測モデルＢ（３）を適用して第３０
期の予測データを算出する（ステップ４４）。最後に算
出された当該商品の第３０期の予測結果を予測データ１
２に保存する（ステップ４５）。
【００１４】図５は、最適しきい値を算出するまでの計
算の途中データ例を示す図である。第１期から第２４期
までの各期の実績データ及び第２５期から第２９期まで
の各期の実績データが与えられたとき、第２５期から第
２９期までの各期について、予測モデルＡ（２）による
予測結果、予測モデルＢ（３）による予測結果、予測モ
デルＡ（２）の場合の絶対誤差率、予測モデルＢ（３）
の場合の絶対誤差率および自己相関係数を算出すること
ができる。しきい値の初期値０．１、きざみ０．１、上
限値１．０に設定し、各しきい値について各期の予測モ
デルを選択し、その絶対誤差率を抽出した上で、そのし
きい値についての平均絶対誤差率を計算する。平均絶対
誤差率が最小となるしきい値が最適しきい値であり、こ
の例では０．７が最適しきい値となる。
算の途中データ例を示す図である。第１期から第２４期
までの各期の実績データ及び第２５期から第２９期まで
の各期の実績データが与えられたとき、第２５期から第
２９期までの各期について、予測モデルＡ（２）による
予測結果、予測モデルＢ（３）による予測結果、予測モ
デルＡ（２）の場合の絶対誤差率、予測モデルＢ（３）
の場合の絶対誤差率および自己相関係数を算出すること
ができる。しきい値の初期値０．１、きざみ０．１、上
限値１．０に設定し、各しきい値について各期の予測モ
デルを選択し、その絶対誤差率を抽出した上で、そのし
きい値についての平均絶対誤差率を計算する。平均絶対
誤差率が最小となるしきい値が最適しきい値であり、こ
の例では０．７が最適しきい値となる。
【００１５】絶対誤差率は各期の予測精度を示す数値で
あり、平均絶対誤差率は対象期間についての予測精度を
示す数値である。上記実施形態は、対象期間について予
測精度が最良であったところのしきい値を最適しきい値
とみなして予測期に適用すれば、結果として予測モデル
Ａが選択されるか予測モデルＢが選択されるかに関わら
ず、最良の予測データが得られるであろうという前提に
基づいている。対象期間を複数の期から構成する期間と
するのは、一時的に良い予測精度を示す期を避け、複数
期に亘って安定して良い予測精度を示すところのしきい
値を求めるためである。
あり、平均絶対誤差率は対象期間についての予測精度を
示す数値である。上記実施形態は、対象期間について予
測精度が最良であったところのしきい値を最適しきい値
とみなして予測期に適用すれば、結果として予測モデル
Ａが選択されるか予測モデルＢが選択されるかに関わら
ず、最良の予測データが得られるであろうという前提に
基づいている。対象期間を複数の期から構成する期間と
するのは、一時的に良い予測精度を示す期を避け、複数
期に亘って安定して良い予測精度を示すところのしきい
値を求めるためである。
【００１６】
【発明の効果】以上述べたように本発明によれば、過去
の時系列実績データから自動的に予測モデルを選択でき
るので、個々の商品について人手で予測モデルを選択す
るときの作業工数が解消されるとともに、需要予測の予
測精度を向上させることができる。
の時系列実績データから自動的に予測モデルを選択でき
るので、個々の商品について人手で予測モデルを選択す
るときの作業工数が解消されるとともに、需要予測の予
測精度を向上させることができる。
【図１】実施形態のコンピュータの構成を示す図であ
る。
る。
【図２】実施形態の時系列実績データ１１のデータ構成
を示す図である。
を示す図である。
【図３】実施形態の最適しきい値を計算する処理の流れ
を示すフローチャートである。
を示すフローチャートである。
【図４】実施形態の最適しきい値を用いて予測データを
算出する処理の流れを示すフローチャートである。
算出する処理の流れを示すフローチャートである。
【図５】最適しきい値を算出するまでの計算途中データ
の例を示す図である。
の例を示す図である。
２：予測モデルＡ、３：予測モデルＢ、４：予測モデル
選択プログラム、５：最適しきい値決定部、６：予測実
行部、７：絶対誤差率算出部、８：自己相関係数算出
部、９：予測モデル選択部、１１：時系列実績データ、
１２：予測データ
選択プログラム、５：最適しきい値決定部、６：予測実
行部、７：絶対誤差率算出部、８：自己相関係数算出
部、９：予測モデル選択部、１１：時系列実績データ、
１２：予測データ
───────────────────────────────────────────────────── フロントページの続き (72)発明者 松本 一孝 神奈川県川崎市幸区鹿島田890番地 株式 会社日立製作所情報システム事業部内 (72)発明者 中原 清治 東京都大田区大森北三丁目２番16号 日立 システムエンジニアリング株式会社内 (72)発明者 池田 英夫 東京都大田区大森北三丁目２番16号 日立 システムエンジニアリング株式会社内 (72)発明者 長崎 美憲 東京都大田区大森北三丁目２番16号 日立 システムエンジニアリング株式会社内 (72)発明者 師田 浩志 東京都大田区大森北三丁目２番16号 日立 システムエンジニアリング株式会社内 Ｆターム(参考） 5B049 AA02 CC11 EE01 EE31
Claims (1)
- 【請求項１】コンピュータを利用して過去の時系列実績
データから予測期の予測データを算出する方法であり、
該実績データに周期性がある場合に適用される第１の予
測モデルと該実績データの周期性を否定する場合に適用
される第２の予測モデルとのいずれか一方を選択して該
予測期の予測に適用する方法であって、（１）過去の複
数期に亘る実績データについて第１の予測モデル及び第
２の予測モデルを適用した場合の各期の予測データをそ
れぞれ算出し、（２）（１）の実績データ及び予測デー
タについてモデルごと、期ごとの絶対誤差率を算出し、
（３）（１）の各期について過去の時系列実績データか
ら自己相関係数を算出し、（４）複数のしきい値を設定
して各しきい値と（１）の各期の自己相関係数との比較
から適用するモデルを選択するとともに、選択したモデ
ルを適用したときの該絶対誤差率を抽出し、（５）
（４）の各しきい値について抽出した絶対誤差率を平均
して複数期に亘る平均絶対誤差率を算出し、（６）
（５）の平均絶対誤差率が最小のしきい値を最適しきい
値として抽出し、（７）該予測期について過去の時系列
実績データから自己相関係数を算出し、（８）（７）の
自己相関係数と（６）の最適しきい値との比較から該予
測期に適用する予測モデルを選択することを特徴とする
予測モデルの選択方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP19592699A JP2001022729A (ja) | 1999-07-09 | 1999-07-09 | 予測モデルの選択方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP19592699A JP2001022729A (ja) | 1999-07-09 | 1999-07-09 | 予測モデルの選択方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2001022729A true JP2001022729A (ja) | 2001-01-26 |
Family
ID=16349285
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP19592699A Pending JP2001022729A (ja) | 1999-07-09 | 1999-07-09 | 予測モデルの選択方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2001022729A (ja) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1292063A4 (en) * | 2001-04-16 | 2006-08-02 | Matsushita Electric Industrial Co Ltd | METHOD AND DEVICE FOR FRAME SYNCHRONIZATION |
| US7216088B1 (en) | 2001-07-26 | 2007-05-08 | Perot Systems Corporation | System and method for managing a project based on team member interdependency and impact relationships |
| US7236940B2 (en) * | 2001-05-16 | 2007-06-26 | Perot Systems Corporation | Method and system for assessing and planning business operations utilizing rule-based statistical modeling |
| US7313531B2 (en) | 2001-11-29 | 2007-12-25 | Perot Systems Corporation | Method and system for quantitatively assessing project risk and effectiveness |
| JP2009129159A (ja) * | 2007-11-22 | 2009-06-11 | Hitachi Ltd | 時系列予測システム |
| US7822621B1 (en) | 2001-05-16 | 2010-10-26 | Perot Systems Corporation | Method of and system for populating knowledge bases using rule based systems and object-oriented software |
| US7831442B1 (en) | 2001-05-16 | 2010-11-09 | Perot Systems Corporation | System and method for minimizing edits for medical insurance claims processing |
| US8473260B2 (en) | 2007-09-27 | 2013-06-25 | Fujitsu Limited | Model creation support system, model creation support method, and model creation support program |
| WO2014003001A1 (ja) * | 2012-06-27 | 2014-01-03 | ヤンマー株式会社 | 予測装置、予測方法及びコンピュータプログラム |
| WO2014002974A1 (ja) * | 2012-06-27 | 2014-01-03 | ヤンマー株式会社 | 予測装置、予測方法及びコンピュータプログラム |
| JP2015072544A (ja) * | 2013-10-02 | 2015-04-16 | 元雄 日下部 | リスク分析装置 |
| JP2021189585A (ja) * | 2020-05-27 | 2021-12-13 | 株式会社日立製作所 | 予測装置、予測方法、および予測プログラム |
-
1999
- 1999-07-09 JP JP19592699A patent/JP2001022729A/ja active Pending
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1292063A4 (en) * | 2001-04-16 | 2006-08-02 | Matsushita Electric Industrial Co Ltd | METHOD AND DEVICE FOR FRAME SYNCHRONIZATION |
| US7822621B1 (en) | 2001-05-16 | 2010-10-26 | Perot Systems Corporation | Method of and system for populating knowledge bases using rule based systems and object-oriented software |
| US7236940B2 (en) * | 2001-05-16 | 2007-06-26 | Perot Systems Corporation | Method and system for assessing and planning business operations utilizing rule-based statistical modeling |
| US7386526B1 (en) | 2001-05-16 | 2008-06-10 | Perot Systems Corporation | Method of and system for rules-based population of a knowledge base used for medical claims processing |
| US7831442B1 (en) | 2001-05-16 | 2010-11-09 | Perot Systems Corporation | System and method for minimizing edits for medical insurance claims processing |
| US7216088B1 (en) | 2001-07-26 | 2007-05-08 | Perot Systems Corporation | System and method for managing a project based on team member interdependency and impact relationships |
| US7313531B2 (en) | 2001-11-29 | 2007-12-25 | Perot Systems Corporation | Method and system for quantitatively assessing project risk and effectiveness |
| US8473260B2 (en) | 2007-09-27 | 2013-06-25 | Fujitsu Limited | Model creation support system, model creation support method, and model creation support program |
| JP2009129159A (ja) * | 2007-11-22 | 2009-06-11 | Hitachi Ltd | 時系列予測システム |
| WO2014003001A1 (ja) * | 2012-06-27 | 2014-01-03 | ヤンマー株式会社 | 予測装置、予測方法及びコンピュータプログラム |
| WO2014002974A1 (ja) * | 2012-06-27 | 2014-01-03 | ヤンマー株式会社 | 予測装置、予測方法及びコンピュータプログラム |
| JP2015072544A (ja) * | 2013-10-02 | 2015-04-16 | 元雄 日下部 | リスク分析装置 |
| JP2021189585A (ja) * | 2020-05-27 | 2021-12-13 | 株式会社日立製作所 | 予測装置、予測方法、および予測プログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2001022729A (ja) | 予測モデルの選択方法 | |
| US10261559B2 (en) | Predicting future power level states for processor cores | |
| US12079476B2 (en) | Data processing method, apparatus, device, and readable storage medium | |
| US20070214261A1 (en) | Analysis method and apparatus | |
| CN111274026A (zh) | 负载均衡方法、装置及电子设备 | |
| CN105760213A (zh) | 云环境下虚拟机资源利用率的预警系统及方法 | |
| CN114866563A (zh) | 扩容方法、装置、系统和存储介质 | |
| JP2008226179A (ja) | 業務プロセス推定プログラム、業務プロセス推定方法および業務プロセス推定装置 | |
| US20050267891A1 (en) | Optimization of buffer pool sizes for data storage | |
| CN117910255A (zh) | 一种大规模网络分布式仿真系统以及构建方法 | |
| US6604200B2 (en) | System and method for managing processing | |
| CN116662915A (zh) | 故障分析方法、装置、电子设备及计算机存储介质 | |
| CN120950213A (zh) | 一种基于人工智能的算力资源动态调度方法及系统 | |
| CN119645622B (zh) | 多集群智能扩容的动态负载均衡系统及方法 | |
| CN110308988B (zh) | 一种应用于异构计算平台的动态调度方法及系统 | |
| CN115480867B (zh) | 一种热迁移耗时的预估方法、装置及计算机设备 | |
| CN115328953B (zh) | 信息处理方法、装置、电子设备及存储介质 | |
| CN118394502A (zh) | 一种面向云渲染的高效算力调度方法及系统 | |
| CN117519922A (zh) | 计算任务调度方法、系统、电子设备和存储介质 | |
| KR101271854B1 (ko) | 태스크 주기 스케쥴링 장치 및 방법 | |
| JP2000032667A (ja) | 電力系統の脱調予測方式 | |
| CN115185766A (zh) | 一种内存能耗的综合预测方法及系统 | |
| CN115514996A (zh) | 一种直播转码机器的状态确定方法及装置 | |
| CN120929194B (zh) | 一种虚拟机的跟踪连接数控制方法、装置、设备及介质 | |
| CN119322685B (zh) | 一种云服务器控制方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20050622 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20050712 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20050907 |
|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20050907 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20060926 |