Diese Präsentation wurde erfolgreich gemeldet.
Wir verwenden Ihre LinkedIn Profilangaben und Informationen zu Ihren Aktivitäten, um Anzeigen zu personalisieren und Ihnen relevantere Inhalte anzuzeigen. Sie können Ihre Anzeigeneinstellungen jederzeit ändern.
SALES FORECAST METHOD USING FOURIER TRANSFORM INAPPAREL INDUSTRY
吉澤 貴拓
TAKAHIRO YOSHIZAWA
第5回 Machine Learning 15minutes!
1/21
ü
ü
ü
ü
2/21
2016/ 6/ 9 2016⼈⼯知能学会Yoshizawa et.al.季節変動のある購買履歴のフーリエ解析による販売予測⼿法の提案と精度検証 3/21
?
1 2 3 4 5 6 → 7 ( )
今⽇は,
アパレル業界の販売予測について
(株式会社ジェイモードエンタープライズ様との共同研究)
⽇本経済新聞
http://www.nikkei.com/article/DGXMZO03630760V10C16A6000000/
ポイント
時...
• A R I M A モ デ ル
• ベ イ ジ ア ン ア プ ロ ー チ
• ニ ュ ー ラ ル ネ ッ ト ワ ー ク
6/21
メリット
実装が簡単
演算時間が短い
予測精度が
デメリット
予測精度が悪い
統計知識が必要
実装・理解が...
• 「太陰暦(28⽇)周期でのオペレーションがいい?」(根拠はない)
• ⽣産・発注は現場の⼈間の「経験と勘」がメイン
• 半年前に⽣産量を決定する(春 → 秋・冬物のデザイン)
• ⽣産数、在庫数の調整は社員による⼿作業
• 機会損失・在庫切...
8/21
?
本 研 究 の ⽬ 的
9/21
本 稿 で は
11/21
周期性に着⽬
商品カテゴリが持つ → を分 析
売上時系列に対し を適 ⽤
⾼速フーリエ変換を⽤い る
12/21
𝑦 𝑡 = $ 𝐴& cos 2𝜋𝑓& - 𝑡 + 𝜃&
0
&12
【 過 学 習 を 避 け る 】
フ ー リ エ 解 析 の 結 果 か ら ス パ ー ス な モ デ ル を 作 成
で 変 数 選 択
2016/ 6/ 9 2016⼈⼯知能学会
Yoshizawa et.al.季節変動のある購買履歴の...
データ詳細
• 全国に約 を展開する
⾼級婦⼈向けファッションブランド
• 全
• 分(2007~2013年)の実店舗における週別売上個数
と し て ⽤ い る
2016/ 6/ 9 2016⼈⼯知能学会
Yoshizawa et.al.季節...
• ⽐較データ
に よ る 予 測 デ ー タ
• (平均絶対パーセント誤差) による評価
𝐶@ABC = 	 $ ( 𝐹 𝑡 − 𝑌 𝑡 	 	 𝑌 ( 𝑡))⁄
0
I 1 2
𝑁K ∗ 100
*どれだけの割合ずれて いる かの 指標
2...
2016/ 6/ 9 2016⼈⼯知能学会 17/21
FT SARIMA
28.45 250.22
15.91 18.01
148.99 34.60
14.08 42.75
43.21 29.82
14.69 35.29
55.71 17.5...
パ ン ツ
2016/ 6/ 9 2016⼈⼯知能学会 18/21
FT SARIMA
CMAPE; Pants 11.29 20.30
FT SARIMA
CMAPE; Skirt 13.85 38.50
1 2 3 4 5 6 7 8 9 ...
靴
2016/ 6/ 9 2016⼈⼯知能学会 19/21
FT SARIMA
CMAPE; Shoes 10.74 15.79
FT SARIMA
CMAPE; Dress 14.69 35.28
1 2 3 4 5 6 7 8 9 10 1...
ニ ッ ト カ テ ゴ リ
• 年 始 ・ 年 末 の 冬 の ピ ー ク を
⼤ き く 外 し て い る
2016/ 6/ 9 2016⼈⼯知能学会 20/21
Fourier
Transform
SARIMA
CMAPE; Knit 5...
学 習 デ ー タ の ⽐ 較
• 上 図 : パ ン ツ カ テ ゴ リ
毎 年 同 様 の 波 形
• 下 図 : ニ ッ ト カ テ ゴ リ
1 年 ⽬ の 冬 の ピ ー ク が 無 い
毎 年 同 様 の 波 形 で な い
2016...
改 : ニ ッ ト カ テ ゴ リ
• 学習データの変更によって夏・ 冬
のピークを⾼精度で予測可能
2016/ 6/ 9 2016⼈⼯知能学会 22/21
CMAPE; Knit
Fourier Transform 13.21
1 2 3 4...
・今回はアパレルの商品の売上には季節性があるので,
周波数成分を⽤いて予測してみました.
・時系列をそのまま⽤いるより良い予測も可能である
SARIMAモデルに⽐べ特 に売 り上 げの ⾼い ピー ク時 の予 測に 強い
・周期性を持つデータに...
⾼精度の予測をするためには学習データに周期性が必要
• 周期性に対するノイズを 検出 する ステ ップ を加 える
• 売り始めやセールといっ た、 周期 性か ら逸 脱し た挙 動へ の対 応
• 商品特性や店舗特性に対 して どの よう な...
アパレル業界の販売予測をフーリエ解析を用いてやってみました
アパレル業界の販売予測をフーリエ解析を用いてやってみました
アパレル業界の販売予測をフーリエ解析を用いてやってみました
アパレル業界の販売予測をフーリエ解析を用いてやってみました
Nächste SlideShare
Wird geladen in …5
×

アパレル業界の販売予測をフーリエ解析を用いてやってみました

3.634 Aufrufe

Veröffentlicht am

アパレル業において販売数が季節によって変化することに着目し,フーリエ変換を用いたモデルによって予測を行なった.特徴量として,周波数成分を利用したことがこの手法の特長である.
なお,人工知能学会全国大会2016で発表した内容とほぼ同じであり,ジェイモードエンタープライズ株式会社との共同研究の一環である

Veröffentlicht in: Daten & Analysen
  • Als Erste(r) kommentieren

アパレル業界の販売予測をフーリエ解析を用いてやってみました

  1. 1. SALES FORECAST METHOD USING FOURIER TRANSFORM INAPPAREL INDUSTRY 吉澤 貴拓 TAKAHIRO YOSHIZAWA 第5回 Machine Learning 15minutes!
  2. 2. 1/21 ü ü ü ü
  3. 3. 2/21
  4. 4. 2016/ 6/ 9 2016⼈⼯知能学会Yoshizawa et.al.季節変動のある購買履歴のフーリエ解析による販売予測⼿法の提案と精度検証 3/21 ? 1 2 3 4 5 6 → 7 ( )
  5. 5. 今⽇は, アパレル業界の販売予測について (株式会社ジェイモードエンタープライズ様との共同研究) ⽇本経済新聞 http://www.nikkei.com/article/DGXMZO03630760V10C16A6000000/ ポイント 時系列予測の特徴量として をつかいました 注)JSAI2016とほぼ同内容の発表.御了承下さい4/21
  6. 6. • A R I M A モ デ ル • ベ イ ジ ア ン ア プ ロ ー チ • ニ ュ ー ラ ル ネ ッ ト ワ ー ク 6/21 メリット 実装が簡単 演算時間が短い 予測精度が デメリット 予測精度が悪い 統計知識が必要 実装・理解が難しい 演算時間が⻑い
  7. 7. • 「太陰暦(28⽇)周期でのオペレーションがいい?」(根拠はない) • ⽣産・発注は現場の⼈間の「経験と勘」がメイン • 半年前に⽣産量を決定する(春 → 秋・冬物のデザイン) • ⽣産数、在庫数の調整は社員による⼿作業 • 機会損失・在庫切れの発⽣ → 減らしたい 7/21
  8. 8. 8/21 ?
  9. 9. 本 研 究 の ⽬ 的 9/21 本 稿 で は
  10. 10. 11/21
  11. 11. 周期性に着⽬ 商品カテゴリが持つ → を分 析 売上時系列に対し を適 ⽤ ⾼速フーリエ変換を⽤い る 12/21 𝑦 𝑡 = $ 𝐴& cos 2𝜋𝑓& - 𝑡 + 𝜃& 0 &12
  12. 12. 【 過 学 習 を 避 け る 】 フ ー リ エ 解 析 の 結 果 か ら ス パ ー ス な モ デ ル を 作 成 で 変 数 選 択 2016/ 6/ 9 2016⼈⼯知能学会 Yoshizawa et.al.季節変動のある購買履歴のフーリエ解析による販売予測⼿法の提案と精度検証 13/21 𝑆4 𝜷 = 𝒚 − 𝑿𝜷 : - 𝒚 − 𝑿𝜷 + 𝛼 $ 𝛽= > =12 𝛼 分割 交差検証で求める
  13. 13. データ詳細 • 全国に約 を展開する ⾼級婦⼈向けファッションブランド • 全 • 分(2007~2013年)の実店舗における週別売上個数 と し て ⽤ い る 2016/ 6/ 9 2016⼈⼯知能学会 Yoshizawa et.al.季節変動のある購買履歴のフーリエ解析による販売予測⼿法の提案と精度検証 14/21
  14. 14. • ⽐較データ に よ る 予 測 デ ー タ • (平均絶対パーセント誤差) による評価 𝐶@ABC = $ ( 𝐹 𝑡 − 𝑌 𝑡 𝑌 ( 𝑡))⁄ 0 I 1 2 𝑁K ∗ 100 *どれだけの割合ずれて いる かの 指標 2016/ 6/ 9 2016⼈⼯知能学会 16/21
  15. 15. 2016/ 6/ 9 2016⼈⼯知能学会 17/21 FT SARIMA 28.45 250.22 15.91 18.01 148.99 34.60 14.08 42.75 43.21 29.82 14.69 35.29 55.71 17.54 18.94 19.79 13.84 38.60 11.29 20.30 CMAPE 10 ~ 20% 20 ~ 30% 30 ~ 40% 40% ~ 50% 50% ~ Fourier Transform 8 5 3 1 3 SARIMA 6 7 3 2 2 全 体 平 均 M A P E を と る と FT : 32.51% SARIMA : 39.16%
  16. 16. パ ン ツ 2016/ 6/ 9 2016⼈⼯知能学会 18/21 FT SARIMA CMAPE; Pants 11.29 20.30 FT SARIMA CMAPE; Skirt 13.85 38.50 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
  17. 17. 靴 2016/ 6/ 9 2016⼈⼯知能学会 19/21 FT SARIMA CMAPE; Shoes 10.74 15.79 FT SARIMA CMAPE; Dress 14.69 35.28 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
  18. 18. ニ ッ ト カ テ ゴ リ • 年 始 ・ 年 末 の 冬 の ピ ー ク を ⼤ き く 外 し て い る 2016/ 6/ 9 2016⼈⼯知能学会 20/21 Fourier Transform SARIMA CMAPE; Knit 55.71 17.53 1 2 3 4 5 6 7 8 9 10 11 12
  19. 19. 学 習 デ ー タ の ⽐ 較 • 上 図 : パ ン ツ カ テ ゴ リ 毎 年 同 様 の 波 形 • 下 図 : ニ ッ ト カ テ ゴ リ 1 年 ⽬ の 冬 の ピ ー ク が 無 い 毎 年 同 様 の 波 形 で な い 2016/ 6/ 9 2016⼈⼯知能学会 21/21 1 2 3 4 5 6 1 2 3 4 5 6
  20. 20. 改 : ニ ッ ト カ テ ゴ リ • 学習データの変更によって夏・ 冬 のピークを⾼精度で予測可能 2016/ 6/ 9 2016⼈⼯知能学会 22/21 CMAPE; Knit Fourier Transform 13.21 1 2 3 4 5 6 7 8 9 10 11 12
  21. 21. ・今回はアパレルの商品の売上には季節性があるので, 周波数成分を⽤いて予測してみました. ・時系列をそのまま⽤いるより良い予測も可能である SARIMAモデルに⽐べ特 に売 り上 げの ⾼い ピー ク時 の予 測に 強い ・周期性を持つデータに対して精度の⾼い予測を⾏う ・予測精度が最も⾼くなる学習年数は3年 学習期間はただ⻑ければ いい わけ では ない 2016/ 6/ 9 2016⼈⼯知能学会 24/21
  22. 22. ⾼精度の予測をするためには学習データに周期性が必要 • 周期性に対するノイズを 検出 する ステ ップ を加 える • 売り始めやセールといっ た、 周期 性か ら逸 脱し た挙 動へ の対 応 • 商品特性や店舗特性に対 して どの よう な周 波数 成分 が効 いて いる か? 販売予測だが過去のデータを⽤いたのみ 予測したい年の情報と周 波数 成分 をど う絡 めて いく べき か? 予測精度を最⼤にする学習期間の推定⽅法は? 2016/ 6/ 9 2016⼈⼯知能学会 25/21

×