[发明专利]分层隐变量模型估计设备、分层隐变量模型估计方法、供应量预测设备、供应量预测方法、以及记录介质

说明书

主要目标在于提供能够解决前述问题的分层隐变量模型估计设备、分层隐变量模型估计方法、供应量预测设备、供应量预测方法、以及记录介质。分层隐结构设置单元82设置分层隐结构，该分层隐结构为其中隐变量由树结构表示并且表示概率模型的成分位于树结构的最低层的节点处的结构。变分概率计算单元81计算路径隐变量的变分概率，该路径隐变量为在分层隐结构中的将根节点链接到目标节点的路径中包括的隐变量。成分优化单元83针对计算出的变分概率而优化成分中的每个成分。门函数优化单元84基于节点中的隐变量的变分概率来优化门函数模型，该门函数模型为用于根据分层隐结构的节点中的多变量数据来确定分支方向的模型。

技术领域

本发明涉及一种分层隐变量模型估计设备、一种分层隐变量模型估计方法、一种供应量预测设备、一种供应量预测方法、以及一种记录介质。

背景技术

店铺(store)中的产品的供应量为根据各种要素来观察的累积数据。因而，数据累积为由并非一个要素而是各种要素带来的观察值。销售量为供应量的示例中的一个示例。分析引起数据的要素(例如，分析销售与天气和/或一天中的时间的相关性)使得能够减少库存用尽或者库存积压。供应量的示例包括店铺的产品的销售、发货、销售进度、以及总销售量。

因此，从过去的销售数据预测未来需求的技术(例如，参见日本专利号4139410(此后称作“PTL 1”)以及日本未审专利申请、首次公开号2010-128779(此后称作“PTL 2”))。PTL 1公开了一种根据诸如为天、日期、或促销信息的信息、使用预测模型来计算适当的库存量的技术。PTL 2公开了一种使用基于诸如为市场专员的数量、店铺区域、交通、或区域人口的信息而提取的优化的多回归类型来计算销售量的技术。

进一步，一种用于通过针对为隐变量模型的典型示例的混合模型而近似完整边际似然度函数并且最大化其下边界(下限)来确定观察概率的类型的方法在RyoheiFujimaki、Satoshi Morinaga：Factorized Asymptotic Bayesian Inference forMixture Modeling，Proceedings of the Fifteenth International Conference onArtificial Intelligence and Statistics (AISTATS)，2012年3月(此后称作“NPL 1”；并且还称作“Factorized Asymptotic Bayesian Inference for Mixture Modeling”)以及PCT国际公开号WO 2012/128207(此后称作“PTL 3”)中描述。

引用列表

专利文献

引用专利文献1：日本专利号4139410

引用专利文献2：日本未审专利申请公开号2010-128779

引用专利文献3：PCT国际公开号WO 2012/128207

非专利文献

引用非专利文献1：Ryohei Fujimaki、Satoshi Morinaga：FactorizedAsymptotic Bayesian Inference for Mixture Modeling，Proceedings of theFifteenth International Conference on Artificial Intelligence and Statistics(AISTATS)，2012年3月

发明内容

技术问题