特許ウォッチ

公開番号2025070556
公報種別公開特許公報(A)
公開日2025-05-02
出願番号2023180976
出願日2023-10-20
発明の名称需要予測システム、需要予測方法、及びプログラム
出願人トヨタ自動車株式会社
代理人個人
主分類G06Q 10/04 20230101AFI20250424BHJP(計算;計数)
要約【課題】システム構築の時間及びコストを低減できつつ高精度な需要予測を行うこと。
【解決手段】需要予測システムは、時系列の需要データを取得するデータ取得手段と、需要データからトレンド成分と残差成分とを抽出するデータ抽出手段と、残差成分の最大要素と最小要素とに基づいて残差成分の正規化を行う正規化手段と、正規化された残差成分に基づいて各時刻におけるモーメント情報を算出するモーメント情報算出手段と、モーメント情報を入力情報とし、残差成分を出力情報とする回帰モデルを学習する機械学習手段と、トレンド成分に対して時刻に関する多項式で近似した線形回帰モデルの式を用いて将来のトレンド成分予測値を算出するトレンド成分予測手段と、学習後の機械学習手段の回帰モデルから出力された将来の残差成分予測値とトレンド成分予測値とに基づいて、需要予測値を算出する需要予測手段と、を備える。
【選択図】図1
特許請求の範囲【請求項１】
時系列の需要データを取得するデータ取得手段と、
前記データ取得手段により取得された需要データから、該需要データのトレンド成分と残差成分とを抽出するデータ抽出手段と、
前記データ抽出手段により抽出された残差成分の中から最大要素と最小要素を特定し、該特定した最大要素と最小要素とに基づいて前記残差成分の正規化を行う正規化手段と、
前記正規化手段により正規化された残差成分に基づいて、各時刻におけるモーメント情報を算出するモーメント情報算出手段と、
前記モーメント情報を入力情報とし、前記残差成分を出力情報とする回帰モデルを学習する機械学習手段と、
前記データ抽出手段によりにより抽出されたトレンド成分に対して、時刻に関する多項式で近似した線形回帰モデルの式を作成し、該作成した式を用いて将来のトレンド成分の予測値であるトレンド成分予測値を算出するトレンド成分予測手段と、
前記学習後の機械学習手段の回帰モデルから出力された将来の残差成分の予測値である残差成分予測値と、前記トレンド成分予測手段により算出されたトレンド成分予測値と、に基づいて、需要予測値を算出する需要予測手段と、
を備える、需要予測システム。
続きを表示（約 1,000 文字）【請求項２】
請求項１記載の需要予測システムであって、
前記モーメント情報算出手段は、モーメントの次数を５次以上とした高次モーメント情報を算出する、需要予測システム。
【請求項３】
時系列の需要データを取得するステップと、
前記取得された需要データから、該需要データのトレンド成分と残差成分とを抽出するステップと、
前記抽出された残差成分の中から最大要素と最小要素を特定し、該特定した最大要素と最小要素とに基づいて前記残差成分の正規化を行うステップと、
前記正規化された残差成分に基づいて、各時刻におけるモーメント情報を算出するステップと、
前記モーメント情報を入力情報とし、前記残差成分を出力情報とする回帰モデルを学習するステップと、
前記抽出されたトレンド成分に対して、時刻に関する多項式で近似した線形回帰モデルの式を作成し、該作成した式を用いて将来のトレンド成分の予測値であるトレンド成分予測値を算出するステップと、
前記学習後の機械学習手段の回帰モデルから出力された将来の残差成分の予測値である残差成分予測値と、前記算出されたトレンド成分予測値と、に基づいて、需要予測値を算出するステップと、
を含む、需要予測方法。
【請求項４】
時系列の需要データを取得する処理と、
前記取得された需要データから、該需要データのトレンド成分と残差成分とを抽出する処理と、
前記抽出された残差成分の中から最大要素と最小要素を特定し、該特定した最大要素と最小要素とに基づいて前記残差成分の正規化を行う処理と、
前記正規化された残差成分に基づいて、各時刻におけるモーメント情報を算出する処理と、
前記モーメント情報を入力情報とし、前記残差成分を出力情報とする回帰モデルを学習する処理と、
前記抽出されたトレンド成分に対して、時刻に関する多項式で近似した線形回帰モデルの式を作成し、該作成した式を用いて将来のトレンド成分の予測値であるトレンド成分予測値を算出する処理と、
前記学習後の機械学習手段の回帰モデルから出力された将来の残差成分の予測値である残差成分予測値と、前記算出されたトレンド成分予測値と、に基づいて、需要予測値を算出する処理と、
をコンピュータに実行させる、プログラム。

発明の詳細な説明【技術分野】
【０００１】
本開示は、需要を予測するための需要予測システム、需要予測方法、及びプログラムに関する。
続きを表示（約 2,900 文字）【背景技術】
【０００２】
複雑な需要特性を精度良く予測するために、ビックデータ等の機械学習によって生成した予測モデルを用いた予測システムが知られている（例えば、特許文献１参照）。この予測システムは、ビックデータにあるメタ情報のパターン分けを行いパターン毎の予測モデルを構築することで、高精度な需要予測を行っている。
【先行技術文献】
【特許文献】
【０００３】
特開２０２３－１００４６６号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
しかしながら、上記予測システムにおいて、リソーセスとデータ管理コストの制約下で、上記のようなビックデータのデータベースの構築は容易ではなく、システム構築の時間及びコストがかかる虞がある。
【０００５】
本開示は、このような問題点を解決するためになされたものであり、システム構築の時間及びコストを低減できつつ、高精度な需要予測を行うことができる需要予測システム、需要予測方法、及びプログラムを提供することを主たる目的とする。
【課題を解決するための手段】
【０００６】
上記目的を達成するための本開示の一態様は、
時系列の需要データを取得するデータ取得手段と、
前記データ取得手段により取得された需要データから、該需要データのトレンド成分と残差成分とを抽出するデータ抽出手段と、
前記データ抽出手段により抽出された残差成分の中から最大要素と最小要素を特定し、該特定した最大要素と最小要素とに基づいて前記残差成分の正規化を行う正規化手段と、
前記正規化手段により正規化された残差成分に基づいて、各時刻におけるモーメント情報を算出するモーメント情報算出手段と、
前記モーメント情報を入力情報とし、前記残差成分を出力情報とする回帰モデルを学習する機械学習手段と、
前記データ抽出手段によりにより抽出されたトレンド成分に対して、時刻に関する多項式で近似した線形回帰モデルの式を作成し、該作成した式を用いて将来のトレンド成分の予測値であるトレンド成分予測値を算出するトレンド成分予測手段と、
前記学習後の機械学習手段の回帰モデルから出力された将来の残差成分の予測値である残差成分予測値と、前記トレンド成分予測手段により算出されたトレンド成分予測値と、に基づいて、需要予測値を算出する需要予測手段と、
を備える、需要予測システムである。
この一態様において、前記モーメント情報算出手段は、モーメントの次数を５次以上とした高次モーメント情報を算出してもよい。
上記目的を達成するための本開示の一態様は、
時系列の需要データを取得するステップと、
前記取得された需要データから、該需要データのトレンド成分と残差成分とを抽出するステップと、
前記抽出された残差成分の中から最大要素と最小要素を特定し、該特定した最大要素と最小要素とに基づいて前記残差成分の正規化を行うステップと、
前記正規化された残差成分に基づいて、各時刻におけるモーメント情報を算出するステップと、
前記モーメント情報を入力情報とし、前記残差成分を出力情報とする回帰モデルを学習するステップと、
前記抽出されたトレンド成分に対して、時刻に関する多項式で近似した線形回帰モデルの式を作成し、該作成した式を用いて将来のトレンド成分の予測値であるトレンド成分予測値を算出するステップと、
前記学習後の機械学習手段の回帰モデルから出力された将来の残差成分の予測値である残差成分予測値と、前記算出されたトレンド成分予測値と、に基づいて、需要予測値を算出するステップと、
を含む、需要予測方法である。
上記目的を達成するための本開示の一態様は、
時系列の需要データを取得する処理と、
前記取得された需要データから、該需要データのトレンド成分と残差成分とを抽出する処理と、
前記抽出された残差成分の中から最大要素と最小要素を特定し、該特定した最大要素と最小要素とに基づいて前記残差成分の正規化を行う処理と、
前記正規化された残差成分に基づいて、各時刻におけるモーメント情報を算出する処理と、
前記モーメント情報を入力情報とし、前記残差成分を出力情報とする回帰モデルを学習する処理と、
前記抽出されたトレンド成分に対して、時刻に関する多項式で近似した線形回帰モデルの式を作成し、該作成した式を用いて将来のトレンド成分の予測値であるトレンド成分予測値を算出する処理と、
前記学習後の機械学習手段の回帰モデルから出力された将来の残差成分の予測値である残差成分予測値と、前記算出されたトレンド成分予測値と、に基づいて、需要予測値を算出する処理と、
をコンピュータに実行させる、プログラムである。
【発明の効果】
【０００７】
本開示によれば、システム構築の時間及びコストを低減できつつ、高精度な需要予測を行うことができる需要予測システム、需要予測方法、及びプログラムを提供することができる。
【図面の簡単な説明】
【０００８】
本実施形態に係る需要予測システムの概略的なシステム構成を示すブロック図である。
本実施形態に係る需要予測方法のフローを示すフローチャートである。
需要予測システムによるシミュレーション結果を示す図である。
需要予測システムによるシミュレーション結果を示す図である。
需要予測システムによるシミュレーション結果を示す図である。
需要予測システムによるシミュレーション結果を示す図である。
【発明を実施するための形態】
【０００９】
以下、図面などを参照して本実施形態について説明する。例えば、サービスパーツ（ＳＰ）を生産ラインに供給する物流においては、サービスパーツの欠品と過剰在庫の低減を目的に、その需要予測結果の下で生産準備及び在庫調整が行われる。このため、高精度の需要予測が望まれる。一方で、需要パターンは様々で経年変化によるトレンド成分だけではなく、季節影響による周期的な変動成分や不規則的なノイズ成分などを含んでおり、様々な需要特性が混在している。このような複雑な需要特性に加えて、リソーセスと工数の制約下では、需要実績データや関連情報（メタ情報など）を少なく抑えるように制約される。このため、需要の予測精度が低下する虞がある。
【００１０】
これに対し、本実施形態に係る需要予測システムは、需要実績データの時系列分布からトレンド成分以外の残差成分を抽出して、残差成分の高次モーメント情報を算出し、その高次モーメント情報を特徴量として機械学習を行って需要予測を行う。
（【００１１】以降は省略されています）

関連特許