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

734 views

Published on

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

Published in: Data & Analytics
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
734
On SlideShare
0
From Embeds
0
Number of Embeds
617
Actions
Shares
0
Downloads
4
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

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

×