需求预测系统、学习系统、需求预测方法、学习方法和非暂时性存储介质

摘要

本公开涉及需求预测系统、学习系统、需求预测方法、学习方法和非暂时性存储介质。所述需求预测系统通过执行时间序列聚类处理、针对各个簇提取趋势分量数据以及计算模式数据来获得指示各个簇的提供对象的代表性需求预测值的第一预测数据。所述需求预测系统获得作为指示各个提供对象的差的预测值的数据的第二预测数据和指示各个提供对象的需求预测值的第三预测数据。

说明书

技术领域

本公开涉及需求预测系统、学习系统、需求预测方法、学习方法和非暂时性存储介质。

背景技术

日本未审查专利申请公开第2021-57010号(JP 2021-57010A)描述了一种基于过去的时间序列数据进行预测的预测系统。

发明内容

在JP 2021-57010A所描述的技术中，对平滑后的实际结果进行聚类，并为各个簇创建预测装置，因此在预测时关于时间序列数据中包括的短期变化的信息缺失，从而无法进行高精度预测。此外，在JP 2021-57010A描述的技术中，没有假设对具有不同尺度的多个时间序列进行聚类。

本公开提供了一种需求预测系统、需求预测方法和非暂时性存储介质，其能够考虑到关于多种类型的提供对象在不同时间序列尺度上的变化，以足够的精度预测针对作为商品或服务的提供对象的需求，并且还提供了一种学习系统、学习方法和非暂时性存储介质，其能够生成用于上述预测的回归学习模型。

本公开的第一方案的需求预测系统包括如下配置的处理器。所述处理器被配置为：关于作为商品或服务的提供对象，输入包括多种类型的提供对象中的每一种的时间序列实际需求结果的数量的实际结果数据，并对输入的各个提供对象的所述实际结果数据执行时间序列聚类处理；针对由所述时间序列聚类处理分类的各个簇执行提取处理：从所述实际结果数据提取所述簇的趋势分量数据；针对各个簇执行模式计算处理：通过针对预定时间段对第一数据进行统计处理来计算指示针对所述预定时间段的需求模式的模式数据，所述第一数据是从所述实际结果数据中提取出所述趋势分量数据之后剩余的数据；针对各个簇执行第一预测处理：通过计算所述模式数据和所述趋势分量数据之和来获得各个簇的第一预测数据，所述第一预测数据指示属于所述簇的所述提供对象的代表性需求预测值；针对各个提供对象，在回归学习模型中输入所述提供对象的所述实际结果数据与所述提供对象所属的所述簇的所述第一预测数据之间的差，在所述回归学习模型中针对所述提供对象对所述差进行回归学习，并执行获得第二预测数据的第二预测处理，所述第二预测数据是指示各个提供对象的所述差的预测值的数据；并且通过计算各个提供对象的所述第一预测数据和所述第二预测数据之和，获得指示各个提供对象的需求预测值的数据的第三预测数据。

根据本公开的第一方案，能够考虑到关于多种类型的提供对象的在不同时间序列尺度上的变化，以足够的精度预测针对作为商品或服务的提供对象的需求。

在本公开的第一方案中，处理器可以配置如下。处理器可以被配置为针对各个簇执行判定处理：判定趋势分量是否包括在提取后数据中，所述提取后数据是在所述提取处理中提取出所述趋势分量数据之后获得的数据，并且当针对至少一个所述簇做出包括趋势分量的判定作为所述判定处理的结果时，对所述提取后数据，而不是所述实际结果数据，执行所述时间序列聚类处理和所述提取处理，直到在所述判定处理中做出不包括趋势分量的判定，并且在当在所述判定处理中做出不包括趋势分量的判定时的阶段，并且所述模式计算处理可以使用从所述提取后数据中，而不是从所述实际结果数据中，提取出所述趋势分量数据之后剩余的数据作为所述第一数据，并且通过针对所述预定时间段对所述第一数据进行所述统计处理来计算所述模式数据。

在本公开的第一方案中，所述预定时间段可以是开始日期和结束日期以一年内的日或月来表示的时间段，并且所述统计处理可以是针对各个簇，计算在预定年数内的所述第一数据中所述预定时间段内的所述第一数据的统计值的处理。

在本公开的第一方案中，所述第一预测处理可以包括将在所述提取处理中提取的所述趋势分量数据近似为多项式的近似处理，并且可以是通过计算各个簇的所述模式数据和由所述多项式指示的数据之和来获得各个簇的所述第一预测数据的处理。

在本公开的第一方案中，所述多种类型的提供对象的进行标准化之后的数据可以作为所述实际结果数据被用于所述时间序列聚类处理、所述提取处理和所述模式计算处理，并且所述标准化之前的数据可以作为所述实际结果数据被用于所述第二预测处理。

在本公开的第一方案，所述提供对象可以是以下任一项：构成一个或多个产品的部件、在制造一个或多个产品的情况下使用的预定数量的材料、属于一个或多个产品组的产品以及属于一个或多个服务组的服务。

本公开第二方案的学习系统包括如下配置的处理器。所述处理器被配置为：关于作为商品或服务的提供对象，在回归学习模型中输入包括多种类型的提供对象中的每一种的时间序列实际需求结果的数量的实际结果数据和所述提供对象所属的簇的作为指示代表性需求预测值的数据的第一预测数据之间的差，所述第一预测数据是针对通过对各个提供对象的所述实际结果数据执行时间序列聚类处理而分类的各个簇而获得的；并且执行所述回归学习模型的回归学习，并更新所述回归学习模型，使得所述回归学习模型成为在操作期间输入所述差并输出针对预定时间段的所述差的预测值的模型，其中，通过针对各个簇执行提取处理：从所述实际结果数据中提取所述簇的趋势分量数据，通过针对各个簇执行模式计算处理：通过针对预定时间段对第一数据进行统计处理来计算指示针对所述预定时间段的需求模式的模式数据，所述第一数据是从所述实际结果数据中提取出所述趋势分量数据之后剩余的数据，以及通过针对各个簇执行第一预测处理：计算所述模式数据和所述趋势分量数据之和，来获得所述第一预测数据，作为指示针对各个簇的属于所述簇的所述提供对象的代表性需求预测值的数据。

根据本公开的第二方案，能够生成需求预测系统中使用的回归学习模型，所述需求预测系统能够考虑到关于多种类型的提供对象在不同时间序列尺度上的变化，以足够的精度预测作为商品或服务的提供对象的需求。

在本公开的第二方案中，所述预定时间段可以是开始日期和结束日期以一年内的日或月来表示的时间段，并且所述统计处理可以是针对各个簇，计算在预定年数内的所述第一数据中所述预定时间段内的所述第一数据的统计值的处理。

在本公开的第二方案中，所述多种类型的提供对象的进行标准化之后的数据可以作为所述实际结果数据被用于所述时间序列聚类处理、所述提取处理和所述模式计算处理，并且可以使用通过利用所述标准化之前的数据来计算的差作为所述实际结果数据用于输入到所述回归学习模型的所述差。

在本公开的第二方案，所述提供对象可以是以下任一项：构成一个或多个产品的部件、在制造一个或多个产品的情况下使用的预定数量的材料、属于一个或多个产品组的产品以及属于一个或多个服务组的服务。

本公开第三方案的需求预测方法包括：关于作为商品或服务的提供对象，输入包括多种类型的提供对象中的每一种的时间序列实际需求结果的数量的实际结果数据，并对输入的各个提供对象的所述实际结果数据执行时间序列聚类处理；针对由所述时间序列聚类处理分类的各个簇执行提取处理：从所述实际结果数据提取所述簇的趋势分量数据；针对各个簇执行模式计算处理：通过针对预定时间段对第一数据进行统计处理来计算指示针对所述预定时间段的需求模式的模式数据，所述第一数据是从所述实际结果数据中提取出所述趋势分量数据之后剩余的数据；针对各个簇执行第一预测处理：通过计算所述模式数据和所述趋势分量数据之和来获得各个簇的第一预测数据，所述第一预测数据指示属于所述簇的所述提供对象的代表性需求预测值；针对各个提供对象，在回归学习模型中输入所述提供对象的所述实际结果数据与所述提供对象所属的所述簇的所述第一预测数据之间的差，在所述回归学习模型中针对所述提供对象对所述差进行回归学习，并执行获得第二预测数据的第二预测处理，所述第二预测数据是指示各个提供对象的所述差的预测值的数据；并且通过计算各个提供对象的所述第一预测数据和所述第二预测数据之和，获得指示各个提供对象的需求预测值的数据的第三预测数据。

根据本公开的第三方案，能够考虑到关于多种类型的提供对象在不同时间序列尺度上的变化，以足够的精度预测针对作为商品或服务的提供对象的需求。

本公开第四方案的学习方法包括：关于作为商品或服务的提供对象，在回归学习模型中输入包括多种类型的提供对象中的每一种的时间序列实际需求结果的数量的实际结果数据和所述提供对象所属的簇的作为指示代表性需求预测值的数据的第一预测数据之间的差，所述第一预测数据是针对通过对各个提供对象的所述实际结果数据执行时间序列聚类处理而分类的各个簇而获得的；并且执行所述回归学习模型的回归学习并更新所述回归学习模型，使得所述回归学习模型成为在操作期间输入所述差并输出针对预定时间段的所述差的预测值的模型，其中，通过针对各个簇执行提取处理：从所述实际结果数据中提取所述簇的趋势分量数据，通过针对各个簇执行模式计算处理：通过针对预定时间段对第一数据进行统计处理来计算指示针对所述预定时间段的需求模式的模式数据，所述第一数据是从所述实际结果数据中提取出所述趋势分量数据之后剩余的数据，以及通过针对各个簇执行第一预测处理：计算所述模式数据和所述趋势分量数据之和，来获得所述第一预测数据，作为指示针对各个簇的属于所述簇的所述提供对象的代表性需求预测值的数据。

根据本公开的第四方案，能够生成需求预测系统中使用的回归学习模型，所述回归学习模型能够考虑到关于多种类型的提供对象在不同时间序列尺度上的变化，以足够的精度预测针对作为商品或服务的提供对象的需求。

本公开的第五方案涉及一种非暂时性存储介质，其存储可由一个以上处理器执行并且使一个以上处理器执行以下功能的指令。所述非暂时性存储介质执行：关于作为商品或服务的提供对象，输入包括多种类型的提供对象中的每一种的时间序列实际需求结果的数量的实际结果数据，并对输入的各个提供对象的所述实际结果数据执行时间序列聚类处理；针对由所述时间序列聚类处理分类的各个簇执行提取处理：从所述实际结果数据提取所述簇的趋势分量数据；针对各个簇执行模式计算处理：通过针对预定时间段对第一数据进行统计处理来计算指示针对所述预定时间段的需求模式的模式数据，所述第一数据是从所述实际结果数据中提取出所述趋势分量数据之后剩余的数据；针对各个簇执行第一预测处理：通过计算所述模式数据和所述趋势分量数据之和来获得各个簇的第一预测数据，所述第一预测数据指示属于所述簇的所述提供对象的代表性需求预测值；针对各个提供对象，在回归学习模型中输入所述提供对象的所述实际结果数据与所述提供对象所属的所述簇的所述第一预测数据之间的差，在所述回归学习模型中针对所述提供对象对所述差进行回归学习，并执行获得第二预测数据的第二预测处理，所述第二预测数据是指示各个提供对象的所述差的预测值的数据；并且执行需求预测处理：通过计算各个提供对象的所述第一预测数据和所述第二预测数据之和，获得指示各个提供对象的需求预测值的数据的第三预测数据。

根据本公开的第五方案，能够考虑到关于多种类型的提供对象的在不同时间序列尺度上的变化，以足够的精度预测针对作为商品或服务的提供对象的需求。

本公开的第六方案涉及一种非暂时性存储介质，其存储可由一个以上处理器执行并且使一个以上处理器执行以下学习处理的指令。所述非暂时性存储介质被配置为：关于作为商品或服务的提供对象，在回归学习模型中输入包括多种类型的提供对象中的每一种的时间序列实际需求结果的数量的实际结果数据和所述提供对象所属的簇的作为指示代表性需求预测值的数据的第一预测数据之间的差，所述第一预测数据是针对通过对各个提供对象的所述实际结果数据执行时间序列聚类处理而分类的各个簇而获得的；并且执行所述回归学习模型的回归学习并更新所述回归学习模型，使得所述回归学习模型成为在操作期间输入所述差并输出针对预定时间段的所述差的预测值的模型，其中，通过针对各个簇执行提取处理：从所述实际结果数据中提取所述簇的趋势分量数据，通过针对各个簇执行模式计算处理：通过针对预定时间段对第一数据进行统计处理来计算指示针对所述预定时间段的需求模式的模式数据，所述第一数据是从所述实际结果数据中提取出所述趋势分量数据之后剩余的数据，以及通过针对各个簇执行第一预测处理：计算所述模式数据和所述趋势分量数据之和，来获得所述第一预测数据，作为指示针对各个簇的属于所述簇的所述提供对象的代表性需求预测值的数据。

根据本公开的第六方案，能够生成需求预测系统中使用的回归学习模型，所述回归学习模型能够考虑到关于多种类型的提供对象在不同时间序列尺度上的变化，以足够的精度预测针对作为商品或服务的提供对象的需求。

根据本公开的多个方案，能够提供一种需求预测系统、需求预测方法和非暂时性存储介质，其能够考虑到关于多种类型的提供对象在不同时间序列尺度上的变化，以足够的精度预测针对作为商品或服务的提供对象的需求，并且还能够提供一种学习系统、学习方法和非暂时性存储介质，其能够生成用于上述预测的回归学习模型。

附图说明

下面将参照附图描述本发明的示例性实施例的特征、优点以及技术和工业意义，其中相同的标号表示相同的元件，并且其中：

图1是示出根据本实施例的需求预测系统的配置的示例的框图；

图2是用于描述由图1中的需求预测系统执行的需求预测处理中的全局预测处理的示例的流程图；

图3是用于描述由图1中的需求预测系统执行的需求预测处理中各个部件的预测处理的示例的流程图；

图4是示出在图3中的各个部件的预测处理中使用的变量的示例的图；

图5是示出图2中的全局预测处理中的时间序列聚类处理的结果的示例的图表；

图6是示出图2中的全局预测处理中的时间序列聚类处理的结果的示例的图表；

图7是示出图2中的全局预测处理中的时间序列聚类处理的结果的示例的图表；

图8是示出在图2中的全局预测处理中计算的年度需求模式的示例的图表；

图9是示出在图2中的全局预测处理中计算的年度需求模式的示例的图表；

图10是示出在图3中的各个部件的预测处理中计算的特定部件的预测结果的示例的图表；

图11是示出在图3中的各个部件的预测处理中计算的另一特定部件的预测结果的示例的图表；

图12是示出生成在根据本实施例的需求预测系统中使用的回归学习模型的学习系统的配置示例的框图；

图13是用于描述图12中的学习系统中的学习处理的示例的流程图；以及

图14是示出装置的硬件配置的示例的图。

具体实施方式

下文中，尽管将通过本发明的实施例描述本公开，但根据权利要求范围的本公开不限于以下实施例。此外，并非实施例中描述的所有配置作为解决问题的方法都是所需的。

实施例

将参照图1至图11描述根据本实施例的需求预测系统的配置的示例。首先，将参照图1描述根据本实施例的需求预测系统的配置的示例。图1是示出根据本实施例的需求预测系统(以下，本系统)的配置的示例的框图。

图1所示的本系统10预测针对作为商品或服务的提供对象的需求。在下面的描述中，构成一种或多种产品(如一种或多种类型的汽车)的部件(如发动机中的各个部件、座椅部件、驱动操作单元部件和控制装置部件)将被描述为提供对象。部件的示例包括新的销售产品所需的部件和在进行修理或定期维护时被替换的部件(服务部件)中的至少一个。提供对象的其他示例稍后将被描述为替代示例。

如图1所示，本系统10能够设置有实际结果数据标准化单元11、时间序列聚类单元12、需求模式计算单元13、全局预测模型生成单元14、残差计算单元15、残差预测模型生成单元16和需求预测值计算单元17。

本系统10能够设置有单元11至17中的每一个作为控制器。例如，控制器可以由集成电路实现，并且例如可以由诸如中央处理单元(CPU)的处理器、工作存储器、非易失性存储装置等实现。将由处理器执行的控制程序存储在存储装置中，并且处理器能够通过将程序加载到工作存储器中并执行该程序来执行单元11至17中的每一个的功能。

实际结果数据标准化单元11输入实际结果数据，该实际结果数据包括多种类型部件中的每一种的时间序列实际需求结果的数量，针对各个输入部件，对所输入的实际结果数据进行标准化，并将标准化的实际结果数据传递至时间序列聚类单元12。要输入的实际结果数据可以被期望为实际结果的数量(如部件的销售或预订)与诸如将部件指示为时间序列数据的识别信息的信息相关联。此外，为了针对多种类型的部件执行处理，诸如指示部件的识别信息的信息可以包括指示要考虑的其他类型的部件或要考虑的组名的识别信息。

时间序列聚类单元12对从实际结果数据标准化单元11接收的各个部件的实际结果数据(即标准化之后的针对各个部件的实际结果数据)执行时间序列聚类处理，并将各个部件的实际结果数据传递至需求模式计算单元13。可以使用用于时间序列聚类处理的任何方法。

需求模式计算单元13执行提取处理，该提取处理针对各个簇从标准化之后的实际结果数据中提取簇的趋势分量数据，并将提取的趋势分量数据传递至全局预测模型生成单元14，该各个簇是由通过时间序列聚类单元12进行的时间序列聚类处理进行分类的。要被提取的趋势分量数据能够包括指示长期趋势的趋势分量数据。

此外，所述需求模式计算单元13针对各个簇执行模式计算处理，该模式计算处理通过针对预定时间段对第一数据进行统计处理来计算模式数据，并将计算的模式数据传递至全局预测模型生成单元14，该第一数据是从标准化之后的实际结果数据中提取出趋势分量数据后剩余的数据。要被计算的模式数据是指示针对预定时间段的需求模式的数据。可以使用任何类型的统计处理。

全局预测模型生成单元14关于接收到的趋势分量数据和模式数据针对各个簇执行第一预测处理，该第一预测处理通过计算模式数据和趋势分量数据之和来获得第一预测数据，并将第一预测数据传递至残差计算单元15和需求预测值计算单元17。

针对各个簇，能够由全局预测模型生成单元14获得的第一预测数据是指示属于该簇的部件的代表性需求预测值的数据。代表性需求预测值是指针对该簇中的部件的共同需求预测值。如上所述要被提取的趋势分量数据可以包括指示长期趋势的趋势分量数据，从而第一预测数据可以包括指示长期预测结果的预测数据。

残差计算单元15针对各个部件计算该部件标准化之前的实际结果数据与该部件所属的簇的第一预测数据之间的差，并将该差传递给残差预测模型生成单元16。

残差预测模型生成单元16对从残差计算单元15接收的各个部件的差(残差)进行回归学习，并生成残差预测模型(残差模型)。然而，在本系统10中，残差预测模型生成单元16也可以被单独配置，并且需求预测值计算单元17也可以参考预先生成的残差模型来执行第二预测处理，这将在后面描述。

需求预测值计算单元17将从残差计算单元15接收的各个部件的残差输入残差模型，并执行获得第二预测数据的第二预测处理。第二预测数据是指示各个部件的残差的预测值的数据，并且是指示针对各个部件未来可能出现的残差的预测值(预测误差值)的数据。特别地，第二预测数据可以包括指示针对各个部件在短期内未来可能出现的残差的预测值的数据。

需求预测值计算单元17基于从全局预测模型生成单元14接收的第二预测数据和第一预测数据，通过计算各个部件的第一预测数据和第二预测数据之和来获得第三预测数据。要获得的第三预测数据是指示各个部件的需求预测值的数据。

此外，如本系统10包括实际结果数据标准化单元11的示例所示，针对多种类型的部件进行标准化后的数据能够用作时间序列聚类处理、提取处理和模式计算处理中的实际结果数据。此时，标准化之前的数据能够用作残差计算处理和第二预测处理中的实际结果数据。如上所述，在第二预测处理中，输入到残差模型的残差能够使用通过使用标准化之前的数据计算得到的差作为实际结果数据。

实际结果数据的标准化不必在本系统10内部执行，并且在这种情况下，在需求预测系统中包括输入标准化之后的实际结果数据和标准化之前的实际结果数据的输入单元的情况下，进行所示的处理成为可能。当然，能够假设这样一种情况，其中要作为对象的多种类型的部件中的各个部件的实际结果数据的标准化不是需要的，并且在那种情况下，未标准化的实际结果数据能够用于所有处理。

下文将参照图2至图11描述单元11至17中的每一个中的处理的具体示例。在本实施例中，通过采用如上所述的配置，能够考虑到关于多种类型的部件在不同时间序列尺度上的变化，以足够的精度预测针对部件的需求。

将描述本系统10中的处理的具体示例。在下面的描述中，假设部件是单个服务部件，但是即使在部件是新的销售部件的情况下，服务部件和新的销售部件都包括在部件中，并且基本处理是相同的。此外，年度处理的示例如下所示。即，在处理的以下示例中，预定时间段是开始日期和结束日期以一年内的日或月来表示的时间段，并且示例示出了统计处理是针对各个簇，计算预定年数内的第一数据中预定时间段内的第一数据的统计值的处理。然而，预定时间段和统计处理不限于上述示例，并且可以根据提供对象来选择适当的预定时间段或统计处理。当预定时间段是以月表示的时间段时，例如，开始月份的第一天能够被设置为开始日期，结束月份的第一天或最后一天能够被设置为结束日期，或者开始月份的中间一天(例如，16日)能够被设置为开始日期，并且结束月份的中间一天(例如，15日)能够被设置为结束日期。然而，可以预先将指定月份中的特定日期设定为开始日期和结束日期，不限于上述日期。

从图1的描述中可以看出，本系统10中的处理能够是由全局预测处理和针对单个部件的预测处理组成的两阶段分级处理。

在全局预测处理中，例如，计算时间序列的相似性，通过将时间序列数据分类为若干个具有相似特征量(诸如因季节性变化而产生的周期性)的簇来计算以簇为中心的需求模式作为各个簇的代表性信息，并进行从需求模式中捕捉全局特征的需求预测。

单个部件的预测处理考虑了关于单个部件的特征。即，例如，在单个部件的预测处理中，基于通过时间序列聚类处理获得的特征，对需求预测和实际结果之间的残差进行建模。在单个部件的预测处理中，通过取在全局预测处理中获得的全局预测结果和残差中的预测结果之和来进行单个部件的需求预测。

首先，将参照图2描述全局预测处理的示例的细节。图2是用于描述由本系统10执行的需求预测处理中的全局预测处理的示例的流程图。

对于部件，除了一年(12个月)的季节性引起的周期性变化和短期周期性变化之外，还存在称为随机游走的噪声分量。因此，作为全局预测处理，相似部件被聚合，通过取平均值来去除噪声，并且聚合后的需求趋势被用于预测。

首先，时间序列聚类单元12执行对标准化后的实际结果数据进行时间序列聚类的时间序列聚类处理(步骤S1)。在时间序列聚类处理中，具有彼此相似的时间序列变化的部件被分类到同一组中。作为示例，将提供通过使用Ward方法进行时间序列聚类处理的示例。然而，用于时间序列数据的聚类方法不限于Ward方法。例如，也能够应用利用距离函数的差来测量相似度的最短距离方法或组平均方法。此外，作为时间序列数据的聚类方法，也能够应用诸如Kmeans方法的非分级方法。在本实施例中，提供了使用Ward方法的示例，该Ward方法不需要预先设定簇的数量并且具有高分类灵敏度。

在以下步骤中分析Ward方法。

1.数据的数量被定义为N，并且创建了N个簇，各个簇仅包含一个数据。

2.簇被定义为C

3.具有最小d(C

4.通过顺序分析直到所有对象变为在两个簇中来创建分级结构树状图。

在Ward方法中，距离函数d(C

d(C

接下来，时间序列聚类单元12通过执行趋势分量提取和多项式近似来判定是否包括趋势分量(步骤S2)，并在包括趋势分量时，即在步骤S2中判定为“是”时，进行趋势分量T的提取(步骤S3)。

当时间序列聚类单元12在步骤S2中判定包括趋势分量时，时间序列聚类单元12进行步骤S3中的处理，并且然后根据需要检查判定的内容(步骤S4)，并且当包括趋势分量时，即，当步骤S4中判定为“是”时，时间序列聚类单元12返回步骤S1，并再次进行时间序列聚类处理。如上所述，在本系统10中，由于诸如季节性的周期性变化的特征被提取为需求模式，所以对包括趋势分量的簇进行趋势分量的提取，该趋势分量是从时间序列聚类处理的结果获得的，并且再次进行时间序列聚类处理。

因此，本系统10执行时间序列数据的分解。一般来说，时间序列数据U可以定义为加法公式，其中T为趋势，S为季节性变化，且R为剩余项。因此，在本实施例中，通过使用时间序列的使用loess的季节性分解(seasonal decomposition of time series by loess，STL)来进行趋势分量T的提取，STL能够将时间序列数据U分解成T、S和R中的每一个。与其他分解方法相比，STL分解不需要约束季节性变化，对于异常值是鲁棒性的，并且能够进行鲁棒的分解。因此，对于备用部件的包含意料外的实际订单结果的时间序列数据来说非常重要。然而，在本实施例中，可以通过使用除STL分解之外的方法来进行时间序列数据的分解，并且特别地，当预定时间段不同于这里描述的示例时，能够进行对应于预定时间段的分解。

当在步骤S4中判定“否”时，时间序列聚类单元12对提取的趋势分量T进行多项式近似，并计算近似表达式(步骤S5)。进行这种计算的原因是希望用外推法来预测未来的需求。这里，作为示例，假设进行三次多项式回归并计算近似函数，但是本公开不限于该示例。

如上所述，在本系统10中，能够针对各个簇执行判定趋势分量是否包括在提取后数据中的判定处理，所述提取后数据是在提取处理中提取出趋势分量数据之后获得的数据。此后，在本系统10中，当针对至少一个簇做出包括趋势分量的判定作为判定处理的结果时，关于提取后数据，而不是实际结果数据，执行时间序列聚类处理和提取处理，直到判定处理中做出不包括趋势分量的判定。

当在步骤S2中判定“否”时，即，当趋势分量的提取结束时，需求模式计算单元13生成需求模式。例如，在需求模式生成处理中，从获得的时间序列聚类处理的结果中找到并利用代表各个簇的时间序列。例如，能够采用各种方法作为计算需求模式的方法，如计算时间序列的方法(该时间序列与其他簇中的时间序列在簇内分布方面具有最小的总相异度)或者使用簇内的平均值作为代表性时间序列的方法。

在本实施例中，作为示例，需求模式计算单元13计算属于各个簇的部件的实际订单结果的平均值作为代表性时间序列(步骤S6)，并从代表性时间序列中取每个相同月份的平均值，并通过使用以下式(3)计算年度需求模式(Z的上划线)(步骤S7)。

其中，k是簇编号，l是年，m是月，L是学习时间段的年数，并且N

如上所述，在当在判定处理中做出不包括趋势分量的判定时的阶段，需求模式计算单元13能够使用从提取后数据，而不是实际结果数据，中提取出趋势分量数据后剩余的数据作为第一数据，并通过针对预定时间段对第一数据进行统计处理来计算模式数据，作为模式计算处理。

在当步骤S5和S7的处理结束时的阶段，最终，全局预测模型生成单元14通过使用年度需求模式(Z的上划线)和趋势分量的近似函数(T的帽(circumflex)(∧))之和，在分析时间段期间对各个部件进行全局需求预测(步骤S8)，然后全局预测处理结束。

如上所述，作为全局预测处理的第一预测处理能够包括将在提取处理中提取的趋势分量数据近似为多项式的近似处理，并通过针对各个簇计算模式数据和由多项式指示的数据之和来获得各个簇的第一预测数据。

在上述全局预测处理中，能够表示服务部件的长期线性相关性和周期性季节性变化，并且考虑到类似部件的预测是可能的。然而，很难以足够的精度预测针对单个部件的未来需求。困难的原因是针对各个部件的需求特征存在差异，诸如在一个月和两个月之间的季节性变化差异或更短变化的混合。

因此，作为针对单个部件的预测处理，本系统10执行上述第二预测处理以及取第一预测数据和第二预测数据之和的计算处理。具体地，作为针对单个部件的预测处理，在本系统10中，对基于趋势的多项式回归和年度需求模式的之和的全局预测和各个部件的各个实际结果之间的差进行建模。

下文将参照图3至图11描述针对单个部件的预测处理的示例的细节。图3是用于描述由本系统10执行的需求预测处理中的针对各个部件的预测处理的示例的流程图。

首先，残差计算单元15计算全局预测和实际结果之间的差(残差)(步骤S11)。例如，能够通过下面的式(4)来定义残差e

e

接下来，残差预测模型生成单元16将从残差计算单元15接收的针对各个部件的残差输入残差预测模型(残差模型)。残差模型是从残差中提取特征向量的特征提取处理，并且是用于对提取的特征向量执行回归学习的回归学习模型。残差预测模型生成单元16从输入的残差中提取残差的特征向量(步骤S12)，并通过对残差的特征向量进行回归学习来更新残差模型(步骤S13)。

残余差模型能够定义为上述式(5)。其中，f是将残差设定为预测对象的函数。神经网络、梯度提升树等能够用作函数f，但是不限于上述示例。

此外，x

接下来，需求预测值计算单元17将要作为对象的部件的残差输入残差模型，并获得残差的预测值(步骤S14)。接下来，需求预测值计算单元17通过计算作为预测残差的残差的预测值和全局预测值之和来计算并输出该部件的需求预测值(步骤S15)，并且该处理结束。当式(5)中的预测值被定义为e

接下来，将参照图5至图11描述通过在本系统10中针对特定服务部件进行需求预测而获得的结果。作为应用示例，对大致9000个服务部件(它们是季节性变化)进行时间序列聚类处理，并且对910个服务部件(这大致是9000个服务部件的10％)执行需求预测。

首先，将参照图5至图9给出需求预测结果的示例。图5至图7是示出图2中的全局预测处理中的时间序列聚类处理的结果的示例的图，图8和图9是示出在图2中的全局预测处理中计算的年度需求模式的示例的图。在图5至图9中，横轴表示时间段(刻度以6个月为单位)，纵轴表示该簇中各个部件的订单数(标准化后的订单数)。在图5至图9中，为了简化，省略了远远多于910条的数据，并且数据以变形的状态示出，使得可以定性地理解数据的状态。

首先，可以看出，通过对标准化后的时间序列实际结果数据进行时间序列聚类处理，生成了图5至图7中的每一个所示的总共三个簇。作为通过从图5所示的簇中提取趋势分量来计算年度需求模式的结果，可以看出生成了如图8中实线所示的需求模式。可以看出，当在图5和图8之间进行比较时，趋势分量不存在于该簇中。另一方面，作为通过从图6所示的簇中提取趋势分量来计算年度需求模式的结果，可以看出生成了如图9中实线所示的需求模式。在图6中，存在整体向右下方的趋势(趋势分量)，但是可以看出，图9示出了提取出趋势分量之后的状态。

接下来，计算残差，建立残差模型，并进行精度验证。将参照图10和11描述结果。图10是示出在图3中的各个部件的预测处理中计算的特定部件的预测结果的示例的图，并且图11是示出在图3中的各个部件的预测处理中计算的另一个特定部件的预测结果的示例的图。在图10和图11中，横轴表示时间段(以6个月为单位)，纵轴表示订单数，实线表示实际订单数，虚线表示预测订单数。

作为设计变量，如图4所示，设定4个月前至13个月前的过去残差实际结果。作为设计变量，设定月数和通过使用三角函数将月数转换成循环变量而获得的值，以便使用实际结果和时间之间的关系作为特征量。

此外，在该示例中，为了评估残差模型的泛化性能，预测时间段被分成如下所示的三个CV1、CV2和CV3，并且进行时间序列交叉验证。在CV1中，学习时间段设定为从2017年8月到2020年5月，测试时间段设定为从2020年6月到2020年9月。在CV2中，学习时间段设定为从2017年8月到2020年9月，测试时间段设定为从2020年10月到2021年1月。在CV3中，学习时间段设定为从2017年8月到2021年1月，测试时间段设定为从2021年2月到2021年5月。

此外，以下式(7)用于评价指标。通过使用式(7)，能够计算由预测月份开始的过去一年内的实际结果的平均值标准化的预测误差。

接下来，将容许误差Error被定义为-0.3≤Error≤0.5，并基于被设定为预测对象的910个部件中预测精度在所有测试时间段内都在容许误差范围内的部件数量的比率进行评估。容许误差被设定在上述范围内，因为该范围等同于人工校正后的误差，减少了短缺的风险，并且即使当存在过剩库存时，也能够管理到适当的库存数量+50。

作为比较对象，使用通过针对各个单个部件建立回归模型而获得的预测结果。作为评估的结果，已经阐明了由本系统10进行的需求预测的精度得到提高，而比较对象的方法的准确率是0％，并且对所有部件的26.7％来说，可以在容许误差范围内进行预测。在图10和图11中，虽然示出了两个部件的预测结果，这两个部件的预测结果能够通过执行由本系统10进行的需求预测在容许误差范围内进行预测，但是能够看出，在任何情况下都能够以高预测精度执行需求预测。

如上所述，根据本实施例，能够考虑到关于多种类型的部件在不同时间序列尺度上的变化，以足够的精度预测针对部件的需求。更具体地，根据本实施例，针对单个部件，能够考虑到针对多种类型的部件的需求的长期趋势、由于季节等引起的周期性变化来预测需求，并且还能够通过考虑单个部件的需求特征来以足够的精度预测未来需求。

对于本实施例的具体应用场景的示例来说，将考虑本实施例的效果。例如，关于服务部件，为了赢得客户的信任，由于制造责任需要更换部件，并且还需要响应于由于事故或周期性消耗品更换而导致的部件更换来及时地供应部件。服务部件具有由于长期变化而导致的趋势分量，并且还具有诸如季节性变化的周期性变化。此外，根据各个部件的特征，存在比季节性短的周期性或噪声分量。因此，需要以高精度预测每月需求的数量，以便进行适当的库存管理。然而，由于这些问题，可能很难准确预测针对单个部件的包括短期时间序列变化的需求，或者不同尺度的需求特征可能无法准确地聚类。

另一方面，在本实施例中，为了使用关于部件之间相似特征的信息，使用了这样的预测方法，即将关于标准化后的时间序列数据通过聚类提取需求特征的全局预测与通过对各个簇的单个部件中的残差进行建模的预测相结合。即，在本实施例中，通过针对在需求特征方面具有高相似性的各个部件提取趋势分量并计算需求模式，通过执行全局需求预测，并通过基于全局需求预测的结果和实际结果之间的残差将各个服务部件的独特特征定义为预测对象，来对各个部件进行预测。因此，在本实施例中，能够降低由于上述问题而难以进行准确预测的可能性和不能进行准确聚类的可能性，并且能够降低服务部件短缺或库存过剩的风险。

接下来，将参照图12和图13描述生成上述回归学习模型(残差模型)的学习系统的示例。图12是示出生成需求预测系统10中使用的回归学习模型的学习系统的配置的示例的框图。此外，图13是用于描述图12中的学习系统中的学习处理的示例的流程图。

如图12所示，学习系统50可以包括控制器51、存储单元52和输入单元53。学习系统50是被描述为图1中的残差预测模型生成单元16的系统的示例，并且例如可以通过使用诸如用于人工智能(AI)学习的PC的计算机来生成。然而，学习系统50可以配置有单个装置，或者可以通过将多个功能分配给多个装置来配置。

控制器51控制整个学习系统50。例如，控制器51可以由集成电路实现，并且例如可以由诸如CPU的处理器、工作存储器、非易失性存储装置等实现。将由处理器执行的控制程序存储在存储装置中，并且处理器可以通过将程序加载到工作存储器中并执行该程序来执行控制器51的功能。控制程序可以包括用于执行学习的学习程序。存储单元52也可以用作存储装置。

存储单元52为存储装置，其存储作为指示残差的数据的残差数据52a和回归学习模型52b，并且残差数据52a和回归学习模型52b例如可以以数据库的形式存储在存储单元52中。输入单元53输入学习所需的数据集和至少残差数据52a，并将数据集和残差数据52a存储在存储单元52中，使得可以在学习期间进行参考。当该学习包括有老师的学习时，残差数据52a期望地包括正确的数据。

如图13所示，首先，由学习系统5 0进行的处理是通过控制器51从输入单元53输入残差数据52a(步骤S21)并执行回归学习(步骤S22)来进行的。例如，控制器51可以在学习期间读取残差数据52a，基于回归学习模型52b执行学习，并更新回归学习模型52b。

回归学习模型52b和由学习模型52b进行的回归学习如参照图3所述的那样进行操作，并且能够足以生成在第二预测处理中使用的回归学习模型。尽管省略了详细描述，但是控制器51执行以下处理。

控制器51在回归学习模型中输入实际结果数据和第一预测数据之间的残差，该实际结果数据包括多种类型的部件中的每一种的时间序列实际需求结果的数量，该第一预测数据为该部件所属的簇的作为指示代表性需求预测值(部件的代表性需求预测值)的数据，该第一预测数据是针对通过对各个部件的实际结果数据执行时间序列聚类处理而分类的各个簇而获得的。此后，控制器51执行回归学习模型的回归学习，并更新回归学习模型。更新被执行，使得回归学习模型成为在操作期间输入残差并输出针对预定时间段的残差的预测值的模型。

如上所述，通过针对各个簇执行提取处理、模式计算处理和第一预测处理获得第一预测数据，作为指示针对各个簇的属于该簇的部件的代表性需求预测值的数据。提取处理是针对各个簇从实际结果数据中提取该簇的趋势分量数据的处理。模式计算处理是针对各个簇通过针对预定时间段对第一数据进行统计处理来计算指示针对预定时间段的需求模式的模式数据的处理，该第一数据是从实际结果数据中提取出趋势分量数据之后剩余的数据。第一预测处理是针对各个簇计算模式数据和趋势分量数据之和的处理。

通过这种配置，学习系统50可以生成需求预测系统中使用的回归学习模型，该需求预测系统能够考虑到关于多种类型的部件在不同时间序列尺度上的变化，以足够的精度对部件的需求进行预测。

替代示例

在本实施例中，关于提供对象，以汽车为例用于构成一个或多个产品的部件，但产品不限于汽车。可以使用任何种类的产品，如其他种类的装置、其他种类的家庭用品、其他种类的食品等。例如，当产品是糖果时，这些部件包括糖果的成分、包装等。

此外，在本实施例中，构成一个或多个产品的部件被举例为提供对象。例如，提供对象可以是(a)构成一个或多个产品的部件，(b)在制造一个或多个产品的情况下使用的预定数量的材料，(c)属于一个或多个产品组的产品，以及(d)属于一个或多个服务组的服务中的任何一个。

如上面的(b)那样，例如，可以使用制造一个或多个产品(如一种或多种汽车)的情况，并且例如可以例示预定量的材料(如18升罐的油漆)。上面的(c)的示例包括属于一个或多个产品组的产品(如巧克力糖果)，并且在这种情况下，产品的示例包括杏仁巧克力、条形巧克力，具体而言，产品可以通过产品名称来区分。如上面的(d)那样，对于一个或多个服务组(如用于运送人员的服务组)，可以例示属于一个或多个服务组的服务，并且这种情况下的服务包括例如火车、特快列车、公共汽车和出租车。因此，例如，能够使用出行即服务(MaaS)车辆来预测服务需求。当然，除了上述示例之外的各种示例也可以应用于上述(a)至(d)。

此外，上述学习系统和上述需求预订系统可以构建为功能随机分布在多个装置上的系统，或可以构建为单个装置。上述多个装置或单个装置中的任何一个可以具有例如以下硬件配置。图14是示出如上所述的装置的硬件配置的示例的图。

图14所示的任何装置100可以包括处理器101、存储器102和接口103。例如，当装置100是计算机时，接口103可以包括与接收用户操作的操作装置的接口、与显示信息的显示装置的接口、用于发送和接收信息的通信接口等。

处理器101可以为例如微处理器、微处理器单元(MPU)或CPU。处理器101可以包括多个处理器。存储器102配置有例如易失性存储器和非易失性存储器的组合。通过处理器101读取存储在存储器102中的控制程序并执行该控制程序，同时经由接口103交换需要的信息，来实现上述多个装置或单个装置的功能。

该程序包括指令集(或软件代码)，当计算机读取该程序时，该指令集使计算机执行实施例中描述的一个或多个功能。该程序可以存储在非暂时性计算机可读介质或有形存储介质中。不限于计算机可读介质或有形存储介质的示例包括随机存取存储器(RAM)、只读存储器(ROM)、闪存、固态驱动器(SSD)或其他存储技术、CD-ROM、数字通用光盘(DVD)、蓝光(注册商标)盘或其他光盘存储器、磁带盒、磁带、磁盘存储器或其他磁性存储装置。该程序可以在暂时性计算机可读介质或通信介质上传输。不限于暂时性计算机可读介质或通信介质的示例包括电、光、声或其他形式的传播信号。

本公开不限于本实施例，并且可在不脱离本公开的范围的情况下进行适当修改。