🐄

間欠需要に対応するクロストン法

に公開

業務で時系列データ分析を行っているのですが、特に在庫管理の領域で「需要がほとんどの期間においてゼロで不規則に発生する」という特異なデータパターンに直面します。これを「間欠需要」と呼びますが、このようなデータの厄介な点は、一般的な時系列予測モデルとの相性の悪さにあります。ARIMA や Prophet といった標準的なアルゴリズムは連続的で比較的滑らかな需要パターンを前提に設計されているため、ゼロと非ゼロが混在する非連続データに対しては予測精度が急速に低下してしまいます。この問題を根本的に解決するのが、間欠需要に特化して設計されたクロストン法です。本記事では、その仕組みについて解説します。

1. 間欠需要とは何か

間欠需要をもう少し詳しく説明すると、連続した期間で需要がゼロとなり、突然需要が発生するというパターンを繰り返します。

需要ゼロの期間が続き、突然の需要発生となるので、次の需要の予測が困難なのが分かるかと思います。移動平均を適用しても需要ゼロの期間が長すぎるため平均値がゼロに近づき、指数平滑法を使っても同様の問題が発生します。また、正規分布にも従わないため、従来の統計的手法では予測が困難です。
在庫管理の現場においては、

  • 機械部品のスペアパーツ
  • たまにしか売れない特注品
  • ライフサイクル末期の製品

などが間欠需要になりやすいものです。

需要が読めないため、欠品を防ぐために在庫を多めに持とうとして過剰在庫になったり、需要がしばらく来ないだろうと補充せずにいると欠品になります。

2. 間欠需要の判定方法

間欠需要とみなせるかは、ADIとCV^2の2つの指標で判断します。

  • ADI (Average Demand Interval)
    需要の間欠度を表す指標です。
    ADI=\frac{期間の日数}{需要が発生した回数}

    需要が発生した日数が少ないほど分母が小さくなるため、ADIの値は大きくなります。つまり、ADIの値が大きいほど間欠度が高いことを意味します。
     
  • CV^2 (CV: Coefficient of Variation)
    需要量の不安定さを表す指標です。
    CV^2=(\frac{標準偏差}{平均値})^2

    非ゼロ需要データのみで変動係数を計算し2乗します。分子がばらつきを表す標準偏差になっているので、CV^2の値が大きいほど需要の大きさが不安定であることを表します。
     
  • 判定方法
    ADIは1.32未満か以上か、CV^2は0.49未満か以上かで4領域で判定します。
     
    ADI < 1.32 かつ CV^2 < 0.49 → スムーズ: 連続していてばらつき小さい
    ​ADI < 1.32 かつ CV^2 ≥ 0.49 → エラティック: 連続していてばらつき大きい
    ADI ≥ 1.32 かつ CV^2 < 0.49 → インターミッテント: 間欠でばらつき小さい
    ADI ≥ 1.32 かつ CV^2 ≥ 0.49 → ランピー: 間欠でばらつき大きい

インターミッテントとランピーは間欠とみなされ、さらにランピーは需要量のばらつきが大きいので予測が難しくなります。

参照: Onthe Relevance of Demand Pattern Categorization

3. クロストン法 - 需要を量と間隔に分離

取り扱うデータが間欠需要と判断できたら、クロストン法を使って需要予測をしていきます。

本質部分は、不規則に発生する需要の「量」と「間隔」を分離し、指数平滑法で処理することです。需要予測値の計算方法は以下の3つのステップです。

3-1. 不規則な需要を2つの変数に分離する

間欠需要で出てくる変数は2つです。需要量と需要発生間隔。この2つを別々に分けて考えます。

需要が発生した時点をtとし、

  • z_t: 時点tにおける需要量(実測値)

と定義します。
また、推定値も定義します。

  • \hat{z}_{t}: 時点tにおける需要量の推定値

 
そして、需要発生間隔についても同様に推定値を定義します。

  • \hat{p}_{t}: 前回の需要発生から時点tまでの発生間隔の推定値

初めて需要が発生した時点では、データが一つしかないので、\hat{z}_{t}はz_tとし、\hat{p}_{t}は、初回の需要発生時点では過去の間隔データが存在しないため、ここでは便宜上1と設定します。
(慣例として、\hat{p}_{t}の初期値は、観測を開始してから最初に需要が発生するまでの経過日数としますが、今回は特に観測開始日はない想定です。)

3-2. 需要が発生した時だけ推定値を更新する

推定値を更新するうえで必要な、カウンタを用意します。需要がない期間は、1日進むごとにカウンタを1増やしていきます。ただし、需要が発生した日にカウンタは1にリセットされます。

  • q: カウンタ

i. 需要がゼロの時
1日前の推定値をそのまま保持します。\hat{z}_{t}=\hat{z}_{t-1}、\hat{p}_{t}=\hat{p}_{t-1}となります。

ii. 需要が発生した時
次の需要が発生した時点で需要量の推定値と需要発生間隔の推定値を更新します。
推定値の更新式は指数平滑法を使って以下のようになります。

  • 需要量の推定値の更新:
    \hat{z}_{t} = \alpha z_{t} + (1 - \alpha) \hat{z}_{\text{t-1}}  (\alpha: 指数平滑係数)
  • 需要発生間隔の推定値の更新:
    \hat{p}_{t} = \alpha q + (1 - \alpha) \hat{p}_{\text{t-1}}  (\alpha: 指数平滑係数)

3-3. 推定値から1日あたりの平均需要を導出する

予測値は、更新された推定値を使い、1日あたりの平均需要を求めます。

  • 平均需要
    \bar{z}_{t}=\frac{\hat{z}_{t}}{\hat{p}_{t}}

これが予測値となります。
物理でいうところの「(平均速度) = (全移動距離) ÷ (全時間)」に似た考え方です。

4. 実際に予測してみる

適当に間欠需要の時系列データを作って、需要予測をしてみます。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 間欠需要のデータを作成する。
data_size = 60
demand_probability = 0.05
dates = pd.date_range(start='2025-10-01', periods=data_size, freq='D')
demand = np.random.choice([0, 1], size=data_size, p=[1 - demand_probability, demand_probability]) * np.random.randint(1, 20, size=data_size)
data = {'date': dates, 'demand': demand}
df = pd.DataFrame(data)

# カラム需要値予測"expected_demand"と需要間隔予測"expected_interval"を追加する。
df["expected_demand"] = np.nan
df["expected_interval"] = np.nan
df["counter"] = np.nan
df["demand_forecast"] = np.nan

# 最初の需要が発生した時点の需要を需要値予測の初期値とする。
first_demand_index = df.index[df['demand'] > 0][0]
df.at[first_demand_index, 'expected_demand'] = df.at[first_demand_index, 'demand']
# 最初の需要が発生した時点の需要間隔予測の初期値として1とする。
df.at[first_demand_index, 'expected_interval'] = 1
# 最初の需要が発生時点のカウンタを1に設定する。
df.at[first_demand_index, 'counter'] = 1

alpha = 0.1  # 平滑化定数
# 需要予測を更新していく。
for i in range(first_demand_index + 1, len(df)):
    if df.at[i, 'demand'] > 0: # 需要が発生した場合、
        # クロストン法により需要推定値と間隔推定値を更新
        previous_expected_demand = df.at[i - 1, 'expected_demand']
        previous_expected_interval = df.at[i - 1, 'expected_interval']
        counter = df.at[i - 1, 'counter']
        df.at[i, 'expected_demand'] = alpha * df.at[i, 'demand'] + (1 - alpha) * previous_expected_demand
        df.at[i, 'expected_interval'] = alpha * counter + (1 - alpha) * previous_expected_interval
        df.at[i, 'demand_forecast'] = df.at[i, 'expected_demand'] / df.at[i, 'expected_interval']
        df.at[i, 'counter'] = 1  # カウンタをリセット
    else: # 需要がない場合、推定値は据え置き、カウンタを増加
        df.at[i, 'expected_demand'] = df.at[i - 1, 'expected_demand']
        df.at[i, 'expected_interval'] = df.at[i - 1, 'expected_interval']
        df.at[i, 'demand_forecast'] = df.at[i - 1, 'demand_forecast']
        df.at[i, 'counter'] = df.at[i - 1, 'counter'] + 1

df.to_csv("output_croston.csv", encoding='utf_8_sig')

データの一例を、グラフにすると以下のような感じになります。
需要が発生したときに予測値が変化しているのがわかるかと思います。

5. クロストンSBA法

通常のクロストン法には一つ問題があります。需要予測値を、需要量の推定値 ÷ 需要発生間隔の推定値で計算しましたが、推定値の比率の期待値は、推定値の期待値の比率より大きくなるという性質があります。つまり、「推定値を用いた計算結果」が「真の値の推定値」よりも系統的に過大評価される傾向があります。

通常のクロストン法には過大評価のバイアスがあります。これは、推定値の比の期待値E\left[\frac{\hat{z}_t}{\hat{p}_t}\right]が、各推定値の期待値の比\frac{E\left[\hat{z}_{t}\right]}{E\left[\hat{p}_{t}\right]}よりも大きくなるという統計的性質(Jensen's inequality)によるものです。つまり、需要予測値が系統的に実際の需要よりも高く見積もられてしまいます。

E\left[\frac{\hat{z}_t}{\hat{p}_t}\right] > \frac{E\left[\hat{z}_{t}\right]}{E\left[\hat{p}_{t}\right]}

左辺は真の需要予測値の期待値ですが、補正をかけることで、通常のクロストン法が持っているバイアスを修正し、より真の需要に近い予測をすることができます。この手法をクロストンSBA法といいます。
補正値は(1-\alpha/2)で、以下のように需要予測値を計算します。

\bar{z}_{t}=(1-\alpha/2)\frac{\hat{z}_{t}}{\hat{p}_{t}}

この需要予測値を使って、もう一度需要予測をしてみます。
需要予測値の計算式を補正値をかけたSBA法のものに置き換えると、

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 間欠需要のデータを作成する。
data_size = 60
demand_probability = 0.05
dates = pd.date_range(start='2025-10-01', periods=data_size, freq='D')
demand = np.random.choice([0, 1], size=data_size, p=[1 - demand_probability, demand_probability]) * np.random.randint(1, 20, size=data_size)
data = {'date': dates, 'demand': demand}
df = pd.DataFrame(data)

# カラム需要値予測"expected_demand"と需要間隔予測"expected_interval"を追加する。
df["expected_demand"] = np.nan
df["expected_interval"] = np.nan
df["counter"] = np.nan
df["demand_forecast"] = np.nan

# 最初の需要が発生した時点の需要を需要値予測の初期値とする。
first_demand_index = df.index[df['demand'] > 0][0]
df.at[first_demand_index, 'expected_demand'] = df.at[first_demand_index, 'demand']
# 最初の需要が発生した時点の需要間隔予測の初期値として1とする。
df.at[first_demand_index, 'expected_interval'] = 1
# 最初の需要が発生時点のカウンタを1に設定する。
df.at[first_demand_index, 'counter'] = 1

alpha = 0.1  # 平滑化定数
# 需要予測を更新していく。
for i in range(first_demand_index + 1, len(df)):
    if df.at[i, 'demand'] > 0: # 需要が発生した場合、
        # クロストン法により需要推定値と間隔推定値を更新
        previous_expected_demand = df.at[i - 1, 'expected_demand']
        previous_expected_interval = df.at[i - 1, 'expected_interval']
        counter = df.at[i - 1, 'counter']
        df.at[i, 'expected_demand'] = alpha * df.at[i, 'demand'] + (1 - alpha) * previous_expected_demand
        df.at[i, 'expected_interval'] = alpha * counter + (1 - alpha) * previous_expected_interval
        df.at[i, 'demand_forecast'] = (1 - alpha / 2)*(df.at[i, 'expected_demand'] / df.at[i, 'expected_interval'])
        df.at[i, 'counter'] = 1  # カウンタをリセット
    else: # 需要がない場合、推定値は据え置き、カウンタを増加
        df.at[i, 'expected_demand'] = df.at[i - 1, 'expected_demand']
        df.at[i, 'expected_interval'] = df.at[i - 1, 'expected_interval']
        df.at[i, 'demand_forecast'] = df.at[i - 1, 'demand_forecast']
        df.at[i, 'counter'] = df.at[i - 1, 'counter'] + 1
df.to_csv("output_croston_sba.csv", encoding='utf_8_sig')

グラフにすると、通常のクロストン法(赤線)よりもクロストンSBA法(緑)の方が少し低くなり補正されていることがわかると思います。

クロストンSBA法を使うことで、通常のクロストン法の過大評価バイアスが補正され、需要予測値がより実際の需要に近づきます。その結果、過剰在庫を抑制でき、在庫コストの削減につながります。

6. 終わりに

クロストン法は、不定期に発生する間欠需要の予測に特化した手法です。従来の時系列分析が失敗する理由は、ゼロ需要の期間を「需要の減少」と誤認識することですが、クロストン法は需要を「量」と「間隔」の2つの変数に分離することで、この問題を解決します。さらにクロストンSBA法で数学的なバイアスを補正することで、より正確な予測が実現できます。正確な予測により、過剰在庫の削減と在庫コストの最適化が可能になります。

株式会社インフォメーション・ディベロプメント

Discussion