更特别 地，数据输入设备701接收信息作为输入数据711，该信息诸如目标店铺的店铺属性和日期 和时间属性、在目标店铺处交易的每个产品的产品属性和现在时间与当靠近当前订单订货 的产品将由目标店铺接受时的时间之间的气象现象。在该示例性实施例中，在当前订货的 产品将由目标店铺接受时的时间将被定义为"第一时刻"。换句话说，第一时刻是未来时间。 在靠近当前订单订货的产品将由目标店铺接受时的时间被定义为"第二时刻"。数据输入设 备701接收目标店铺中的现在时间的库存和现在时间与第一时刻之间的时段期间的产品的 接受量。
[0238]模型获取单元802确定目标店铺是否是新的店铺(步骤S142)。模型获取单元802确 定当例如没有涉及中的目标店铺的门函数、成分和预测误差散布被存储在模型数据库500 中时，目标店铺是新的店铺。模型获取单元802确定当例如在学习数据库300内的出货表中 未找到与目标店铺的店铺ID相关联的信息时，目标店铺是新的店铺。
[0239]如果模型获取单元802确定目标店铺是现有店铺（否，在步骤S142中），则其从模型 数据库500(步骤S143)获取针对目标店铺的门函数、成分和预测误差散布。出货量预测设备 800逐个选择输入数据711，并且针对所选择的输入数据711，执行步骤S145和S146(下文要 被描述）中的过程(步骤S144)。换句话说，出货量预测设备800在现在时间与目标店铺处交 易的每个产品的第二时刻之间的每个小时执行步骤S145和S146中的过程。
[0240]成分确定单元803首先根据由模型获取单元802获取的门函数，通过跟踪从根节点 到分层隐结构中的最低层处的节点的节点，确定用于预测出货量的成分(步骤S145)。出货 量预测单元804通过将步骤S144中所选择的输入数据711的值设定为成分的输入来预测出 货量(步骤S146)。
[0241]如果模型获取单元802确定目标店铺是新的店铺(在步骤S142中的是），则分类单 元806从学习数据库300的店铺属性表读取多个店铺的店铺属性。分类单元806基于所读取 的店铺属性将店铺分类为聚类(步骤S147)。分类单元806可以将店铺分类为包括目标店铺 的聚类。聚类估计单元807基于由分类单元806所获得的分类结果来估计包括目标店铺的特 定聚类(步骤S148)。
[0242]出货量预测设备800逐个选择输入数据711并且针对所选择的输入数据711执行步 骤S150至S154(在下文中将描述）中的过程(步骤S149)。
[0243]出货量预测设备800逐个选择特定聚类中的现有店铺并且针对所选择的现有店铺 执行步骤S151至S153(在下文中将描述)中的过程(步骤S150)。
[0244]模型获取单元802首先从模型数据库500读取针对步骤S150中所选择的现有店铺 的门函数、成分和预测误差散布(步骤S151)。成分确定单元803根据由模型获取单元802读 取的门函数，通过跟踪从根节点到分层隐结构中的最低层处的节点的节点，来预测出货量 的成分(步骤S152)。换句话说，在这种情况下，成分确定单元803通过将门函数应用到输入 数据711中的信息来选择成分。出货量预测单元804通过将步骤S151中所选择的输入数据 711的值设定为成分的输入来预测出货量(步骤S153)。
[0245]换句话说，针对包括目标店铺的聚类中的所有现有店铺，执行步骤S151至S153中 的过程。因此，针对特定聚类中的现有店铺预测产品的出货量。
[0246]出货量预测单元804针对每个产品正被计算交易的相关产品所在的每个店铺中的 出货量的平均值作为目标店铺中的该产品的所预测的出货量(步骤S154)。因此，即在没有 针对新店铺的出货量的所累积的过去信息的情况下，出货量预测设备800甚至针对新店铺， 预测产品的出货量。
[0247]当出货量预测设备800针对所有输入数据711执行步骤S145和S146中的过程或者 步骤S149至S154中的过程时，订货量确定单元809估计第一时刻的产品的库存(步骤S155)。 更特别地，订货量确定单元809计算输入到数据输入设备701的、目标店铺的现在时间的产 品的库存与现在时间与第一时刻之间的时段的产品的接受量的和。根据所计算的和，订货 量确定单元809通过减去现在时间与第一时刻之间的时段期间由出货量预测单元804预测 的产品的所预测的出货量的总和，来估计第一时刻的产品的库存。
[0248]订货量确定单元809通过将第一时刻与第二时刻之间的时段期间由出货量预测单 元804预测的产品的所预测的出货量的总和添加到第一时刻的产品的所估计的库存，来计 算产品的参考订货量(步骤S156)。
[0249] 安全量计算单元808从模型获取单元802读取由步骤S145或者S152中的分层隐变 量模型估计设备100确定的每个成分的预测误差散布(步骤S157)。安全量计算单元808基于 所获取的预测误差散布来计算产品的安全量(步骤S158)。当预测误差散布是预测误差的标 准偏差时，安全量计算单元808可以通过例如将标准偏差的总和乘以预先确定的系数来计 算安全量。当预测误差散布是预测误差率的标准偏差时，安全量计算单元808可以通过例如 将第一时刻与第二时刻之间的时段期间的所预测的出货量乘的总数以标准偏差和预先确 定的系数的平均值来计算安全量。
[0250] 订货量确定单元809通过将步骤S158中所计算的安全量添加到步骤S156中所计算 的参考订货量来确定产品的订货量(步骤S159)。预测结果输出设备705输出由订货量确定 单元809确定的订货量812(步骤S160)。通过这种方式，出货量预测设备800可以通过选择基 于门函数的适当的成分来确定适当的订货量。
[0251 ]如上文所描述的，根据该示例性实施例，出货量预测设备800可以准确地预测出货 量并且确定适当的订货量，而不管目标店铺是新的店铺还是现有店铺。这是因为出货量预 测设备800选择与目标店铺类似(或者相同）的现有店铺并且根据例如针对现有店铺的门函 数来确定出货量。
[0252] 该示例性实施例假定出货量预测单元804基于用于预测现在时间与第二时刻之间 的时段期间的现有店铺的出货量的成分来预测新的店铺中的出货量，但是本发明不限于 此。例如，在其他示例性实施例中，出货量预测单元804可以基于利用现有店铺中的产品的 销售数据优化的成分来预测在开放新的店铺的时候的新的店铺中的出货量。在这种情况 下，出货量预测单元804可以更精确地预测出货量。
[0253] 此外，该示例性实施例假定当出货量预测单元804预测目标新的店铺的出货量时， 其计算与目标新店铺相同的聚类中的现有店铺的所预测的出货量的平均值，但是本发明不 限于此。例如，在其他示例性实施例中，出货量预测单元804可以应用指示目标店铺与现有 店铺之间的类似度的权重并且可以根据权重计算加权平均值。出货量预测单元804可以使 用其他表示值(诸如中值或者最大值)来计算出货量。
[0254] 此外，该示例性实施例假定当目标店铺是新的店铺时，基于针对现有店铺的模型 来预测出货量，但是本发明不限于此。例如，在其他示例性实施例中，即使当目标店铺是现 有店铺时，出货量预测单元804也可以根据照得与该目标店铺相同的聚类的另一现有店铺 的模型来预测由该目标店铺发起的新产品的出货量。
[0255] 该示例性实施例假定第二时刻是靠近当前订单订货的产品将被目标店铺接受的 时间，但是本发明不限于此。例如，在其他示例性实施例中，当针对产品设定诸如最佳使用 日期或者最迟使用日期（时间）的最迟销售日期（时间）时，出货量预测设备800可以通过将 当前订货产品的最迟销售日期（时间）设定到第二时刻来确定订货量。因此，出货量预测设 备800可以确定订货量以便不会由于产品已过其最迟销售日期（时间）而引起库存损失。在 其他示例性实施例中，出货量预测设备800可以通过将靠近当前订单订货的产品将被目标 店铺接受时的时间或当前订货产品的最迟销售日期(时间）中的较早时间设定到第二时刻 来确定订货量。
[0256] 该示例性实施例假定出货量预测设备800将参考订货量和安全量的和确定为订货 量以便不引起销售机会的损失，但是本发明不限于此。例如，在其他示例性实施例中，为了 防止过量库存，出货量预测设备800可以将从参考订货量减去基于预测误差散布的数量的 结果确定为订货量。
[0257] 〈〈第五示例性实施例》
[0258] 接下来将描述出货量预测系统的第五示例性实施例。
[0259] 图19是图示根据至少一个示例性实施例的出货量预测设备的示例性配置的框图。 在根据该示例性实施例的出货量预测系统中，与根据第四示例性实施例的出货量预测系统 相比较，利用出货量的预测设备820(出货量预测设备820)来替换出货量预测设备800。在出 货量预测设备820中，与出货量预测设备800相比较，利用分类单元826来替换分类单元806， 并且利用聚类估计单元827来替换聚类估计单元807。
[0260] 分类单元826基于与出货量相关联的信息将现有店铺分类为多个聚类。分类单元 826根据例如k均值算法或者各种类型的分层聚类算法将现有店铺分类为聚类。分类单元 826基于例如表示由模型获取单元802获取的成分或者另一类型的信息（学习结果模型）的 系数将现有店铺分类为聚类。成分是用于预测现有店铺中的出货量的信息。换句话说，分类 单元826基于针对现有店铺的学习结果模型的相似性将多个现有店铺分类为多个聚类。这 保持相同聚类中的每个店铺的出货的趋势的小变化。
[0261]聚类估计单元827估计将用于分类单元826的分类所使用的聚类与存储属性相关 联的关系。
[0262] 出于方便的缘故，假定每个聚类与允许该聚类的唯一标识的聚类标识符相关联。
[0263] 利用上文所提到的过程，聚类估计单元827接收店铺属性(即，解释变量)和聚类标 识符(即，目标变量)作为输入，并且估计将解释变量映射到目标变量的函数。聚类估计单元 827根据例如监督式学习（诸如c4.5决策树算法或者支持向量机）的过程来估计函数。聚类 估计单元827基于所估计的关系与新的店铺的店铺属性来估计包括新店铺的聚类的聚类标 识符。换句话说，聚类估计单元827估计包括新店铺的特定聚类。
[0264] 如上文所描述的，根据该示例性实施例，出货量预测设备820可以基于包括在出货 的趋势方面与新的店铺类似(或者相同）的现有店铺的聚类来预测产品的出货量。
[0265]该示例性实施例假定分类单元826基于例如表示由模型获取单元802获取的成分 的系数将现有店铺分类为聚类，但是本发明不限于此。例如，在其他示例性实施例中，分类 单元826可以根据被存储在学习数据库300内的出货表中的信息，计算每个现有店铺中的每 个产品类别(例如，文具和饮料)的每客户的出货率(例如，PI(购买指数)值），并且基于据所 获得的出货率将现有店铺分类为聚类。
[0266] 〈〈第六示例性实施例》
[0267] 接下来将描述出货量预测系统的第六示例性实施例。
[0268] 图20是图示根据至少一个示例性实施例的出货量预测系统的示例性配置的框图。 通过将产品推荐设备900添加到根据第五示例性实施例的出货量预测系统，来提供根据该 示例性实施例的出货量预测系统20。
[0269] 图21是图示根据至少一个示例性实施例的产品推荐设备的示例性配置的框图。 [0270]产品推荐设备900包括模型获取单元901、分类单元902、出货量获取单元903、得分 计算处理单元904(得分计算单元904)、产品推荐单元905和推荐的结果的输出设备906(推 荐结果输出设备906)。
[0271] 模型获取单元901从模型数据库500获取针对每个店铺的成分。
[0272] 分类单元902基于例如表示由模型获取单元901获取的成分的系数，将现有店铺分 类为多个聚类。
[0273]出货量获取单元903从学习数据库300中的出货表获取在包括用于推荐的目标店 铺的聚类中的店铺处交易的相应的产品的出货量。包括店铺的聚类还包括用于推荐的该目 标店铺。
[0274] 得分计算单元904计算针对聚类中的店铺处交易的产品的得分，其包括由分类单 元902分类的用于推荐的目标店铺。得分根据出货量和正被交易的相关产品所在的店铺的 数目而增加(单调增加）。得分的示例可以包括:PI值和正被交易的相关产品所在的店铺的 数目的积，以及归一化的PI值和正被交易的相关产品所在的店铺的归一化的数目的和。
[0275] 图22是图示聚类中的产品的销售的示例性趋势的图表。
[0276] 基于PI值和正被交易的相关产品所在的店铺的数目，可以将多个店铺处交易的产 品分类为图22中所示。图22示出水平轴上的正被交易的相关产品所在的店铺的数目和垂直 轴上的PI值。与图22的左上角的A-1至A-2或者B-1至B-2相关联的产品是相对热销的。与图 22的右上角的A-4至A-5或者B-4至B-5相关联的产品仅在一些店铺中是热销的。换句话说， 与后者区域相关联的产品不必适合每个人的品味。与较下区域中的D-1至D-5或者E-1至E-5 相关联的产品是货架取暖品。
[0277] 得分计算单元904计算根据出货量和正被交易的相关产品所在的店铺的数目而增 加的值作为得分。得分可以被表达为例如将PI值乘以预先确定的系数的结果和将正被交易 的相关产品的所在店铺的比例乘以预先确定的系数的结果的和。正被交易的相关产品所在 的店铺的比例是将正被交易的相关产品所在的店铺的数目除以店铺的总数目的结果。这表 示与更靠近图22的左上角的区域相关联的产品具有较高的得分，而与更靠近图22的右下角 的区域相关联的产品具有较低的得分。因此，展示较高的得分的产品销售得更好。
[0278] 产品推荐单元905从目标店铺处交易的产品选择被推荐替换