AIと最適化を用いたサプライチェーン最適化ソリューションを提供 - ログ・オプト -
ログ・オプトは研究者および技術者のプロフェッショナル集団です.
  • Home
  • Solution
    • Webシステムデモ&トライアル
    • Optimization Solver
      • 制約最適化ソルバーSCOP
      • スケジューリング最適化ソルバーOptSeq
      • 数理最適化ソルバーGurobi Optimizer
      • 配送最適化ソルバーMETRO
    • Web System
      • サプライ・チェイン基本分析
      • 在庫最適化
      • 生産ロット最適化
      • ロジスティックネットワーク設計
      • 幹線輸送ネットワーク最適化
      • 人員配置(シフト)最適化
      • 配送最適化
      • サプライ・チェインリスク分析
      • 需要予測
    • Consulting
  • News/Blog
  • Resource
  • About us
    • 会社概要
    • お問い合わせ
    • プライバシーポリシー
    • 情報セキュリティポリシー

ENGLISH CHINESE

  • ENGLISH
  • CHINESE

LOG OPT(ログオプト)は研究者および技術者のプロフェッショナル集団です.

random-forest
2019-07-03

実務的な需要予測手法

サプライ・チェイン, 実務

量的な予測手法の分類

予測は大きく質的な予測と量的な予測に分けられる.ここでは,量的な予測に限定して話を進める.量的予測手法は,大きく分けて時系列モデルと回帰モデルに分類できる.

時系列モデル

時系列予測は,時系列データが主で,付随するデータが少量のものを指す.ARIMAや指数平滑法などの古典的な手法や,確率的プログラミングに基づく手法が含まれる.指数平滑法には,傾向変動を考慮したHolt法や周期的な変動を考慮したHolt-Winter法があり,大規模データで高速に計算したい場合にはこれらが推奨される.計算量はかかるが,より精度を高めた予測が必要な場合には,ベイズ推論に基づく確率的プログラミングアプローチが推奨される.

右図に示すように,確率的プログラミングに基づく手法は,明確な推論,完全な柔軟性,分布までを考慮した不確実性を扱えるものである.それに対して機械(深層)学習は,推論が不明確,柔軟性がない,分布が扱えないという批判もある(がそれも以下で述べるように,使い方次第である).

回帰モデル

回帰モデルにはランダム森に代表される機械学習アルゴリズムと,ニューラルネットを用いた深層学習がある.

 

上の3番目の図に示したのがランダム森である.簡単に言うとブーストラップによって抽出したランダムデータに対して,ランダムに選択した特徴による森(決定木)を作成し,それらのアンサンブル(多数決)によって予測を行う手法である.

一方,4番目の図に示したのは,時系列データに対する回帰型ニューラルネットであり,実務的には5番目に示したLSTMアークテクチャを用いる方が良い.しかし,我々が実務でよく使うのは,6番目に示した埋め込み層を用いたニューラルネットである.これは,日付データを多くの特徴に分解し,カテゴリーデータとし,それを埋め込み層によって処理をする手法である.

これらの手法の使い分けを以下の図に示した.いずれも無料(一部有料)のライブラリによって簡単に使うことができる.

howto
野々部教授の講演ビデオ オンラインスプリント

Related Posts

AI, Python, SCMOPT, サプライ・チェイン, 実務

PyCaretによる自動機械学習(AutoML)

case_gannt_for_shift

Python, SCMOPT, サプライ・チェイン, 可視化, 実務, 最適化

シフト最適化(ケーススタディ7)

case sendo sol

Python, SCMOPT, サプライ・チェイン, 可視化, 実務, 最適化

サービスネットワーク設計(ケーススタディ6)

カテゴリー

  • AI
  • Python
  • SCMOPT
  • サプライ・チェイン
  • その他
  • 可視化
  • 実務
  • 最適化
AIと最適化を用いたサプライチェーン最適化ソリューションを提供 - ログ・オプト -
Copyright © 2019 Log Opt Co., Ltd.