2016-010558

特願２０１２－　５７９０５「選択プログラム、選択方法及び選択装置」拒絶査定不服審判事件〔平成２５年　９月２６日出願公開、特開２０１３－１９１０９９、請求項の数（５）〕について、次のとおり審決する。

【結　論】 原査定を取り消す。 本願の発明は、特許すべきものとする。

【理　由】 第１　手続の経緯 本願は，平成２４年３月１４日の出願であって，平成２７年９月４日付けで拒絶理由通知がなされ，同年１１月５日付けで手続補正がなされたが，平成２８年４月５日付けで拒絶査定（原査定）がなされ，これに対し，同年７月１２日付けで拒絶査定不服審判の請求がなされると同時に手続補正がなされ，同年１０月４日付けで上申書が提出されたものである。 第２　原査定の概要 原査定（平成２８年４月５日付け拒絶査定）の概要は次のとおりである。 請求項１－６に係る発明は，引用文献１に記載された発明及び引用文献２，３に記載された周知技術に基づいて，当業者であれば容易になし得たものであるから，特許法第２９条第２項の規定により特許を受けることができない。 記 引用文献等一覧 １．特開２００６－８５６４５号公報 ２．特開２０１０－１０８０７８号公報 ３．特開２０１１－９５９４６号公報 第３　審判請求時の補正について 審判請求時の補正は，特許法第１７条の２第３項から第６項までの要件に違反しているものとはいえない。 すなわち，審判請求時の補正によって補正後の請求項１，４，５（補正前の請求項１，５，６）に「前記売上実績データに基づいて，前記商品の売上数が大きいほど特定の期間を短く設定し」という事項を追加する補正は，「特定の期間」を限定するものであり，特許請求の範囲の減縮を目的とするものである。また，上記事項は，当初明細書の段落【００５２】に記載されているから，当該補正は新規事項を追加するものではない。 また，請求項２に係る補正は，「前記選択する処理は，前記複数種類のパラメータから，前記特性のうちの売上数量が多い商品ほど短期間における売上予測データと売上実績データとの誤差が最も小さいパラメータを選択し，売上数量が少ない商品ほど長期間における売上予測データと売上実績データとの誤差が最も小さいパラメータを選択する」の記載を，「前記パラメータの選択は，前記特定の期間における，前記売上実績データと前記複数の売上予測データとの差が小さいパラメータを選択する」に補正するものであるが，当該補正は，請求項１に上記事項を追加して減縮したことに伴い，当該事項と重複する記載を請求項２から削除するための補正であり，特許請求の範囲の減縮を目的とする。 また，請求項３に係る補正は，「前記選択する処理は，前記複数種類のパラメータから，前記特性のうちの売上数量及び利益金額が多い商品ほど短期間における売上予測データと売上実績データとの誤差が最も小さいパラメータを選択し，売上数量及び利益金額が少ない商品ほど長期間における売上予測データと売上実績データとの誤差が最も小さいパラメータを選択する」を「前記特定の期間は，前記商品の売上利益が大きいほど短く設定される」に補正するものであるが，当該補正も，請求項１に上記事項を追加して減縮したことに伴い，当該事項と重複する記載を請求項３から削除するための補正であり，特許請求の範囲の減縮を目的とする。 また，補正前の請求項４を削除する補正は，請求項の削除を目的とする。 そして，「第４　本願発明」から「第６　対比・判断」までに示すように，補正後の請求項１～５に係る発明は，独立特許要件を満たすものである。 第４　本願発明 本願請求項１～５に係る発明（以下，それぞれ「本願発明１」～「本願発明５」という。）は，平成２８年７月１２日付けの手続補正で補正された特許請求の範囲の請求項１～５に記載された事項により特定される発明であり，以下のとおりの発明である。 「【請求項１】 コンピュータに， 商品の売上数量の変化を示す売上実績データを記憶する記憶部から，特定の商品の売上実績データを読み出し， 複数の予測モデルのうち，読み出した前記売上実績データの特性に対応する予測モデルについて，異なる複数種類のパラメータを適用して，複数の売上予測データを生成し， 前記売上実績データに基づいて，前記商品の売上数が大きいほど特定の期間を短く設定し， 前記特定の商品の売上実績データのうち前記特定の期間における，売上実績データと前記複数の売上予測データとに基づいて，前記複数種類のパラメータのうちいずれかのパラメータを前記予測モデルに適用するパラメータとして選択する， 各処理を実行させることを特徴とする選択プログラム。 【請求項２】 前記パラメータの選択は，前記特定の期間における，前記売上実績データと前記複数の売上予測データとの差が小さいパラメータを選択する，ことを特徴とする請求項１に記載の選択プログラム。 【請求項３】 前記特定の期間は，前記商品の売上利益が大きいほど短く設定される，ことを特徴とする請求項１に記載の選択プログラム。 【請求項４】 コンピュータによって実行される選択方法であって， コンピュータが， 商品の売上数量の変化を示す売上実績データを記憶する記憶部から，特定の商品の売上実績データを読み出し， 複数の予測モデルのうち，読み出した前記売上実績データの特性に対応する予測モデルについて，異なる複数種類のパラメータを適用して，複数の売上予測データを生成し， 前記売上実績データに基づいて，前記商品の売上数が大きいほど特定の期間を短く設定し， 前記特定の商品の売上実績データのうち前記特定の期間における，売上実績データと前記複数の売上予測データとに基づいて，前記複数種類のパラメータのうちいずれかのパラメータを前記予測モデルに適用するパラメータとして選択する， 各処理を実行することを特徴とする選択方法。 【請求項５】 商品の売上数量の変化を示す売上実績データを記憶する記憶部から，特定の商品の売上実績データを読み出し，複数の予測モデルのうち，読み出した前記売上実績データの特性に対応する予測モデルについて，異なる複数種類のパラメータを適用して，複数の売上予測データを生成する生成部と， 前記売上実績データに基づいて，前記商品の売上数が大きいほど特定の期間を短く設定し，前記特定の商品の売上実績データのうち前記特定の期間における，売上実績データと前記複数の売上予測データとに基づいて，前記複数種類のパラメータのうちいずれかのパラメータを前記予測モデルに適用するパラメータとして選択する選択部と， を有することを特徴とする選択装置。」 第５　引用文献，引用発明等 １．引用文献１について 原査定の拒絶の理由に引用された引用文献１には，図面とともに次の事項が記載されている（下線は，当審において付与した。）。 ア．「【００２５】 ・・・（中略）・・・本実施形態に係るデータ予測装置は，データベース１００と，マスタ情報設定部１１０と，グループ分け実行部１２０と，需要予測実行部１３０とを備える。 【００２６】 データベース（ＤＢ）１００には，アイテムマスタ１０１，需要実績ＤＢ１０２，需要予測履歴ＤＢ１０３，統計値ＤＢ１０４，及びグループマスタ１０５が備わっている。アイテムマスタ１０１には，商品等の各種アイテムに関する属性値等の情報が記憶されている。需要実績ＤＢ１０２には，過去の商品別・期間別の需要実績値が蓄積されている。」 イ．「【００２８】 図２は，本発明の一実施形態に係るデータ予測装置を実現する情報処理装置（コンピュータ）の細部構成を示すブロック図である。・・・（中略）・・・ 【００３０】 ・・・（中略）・・・ 本実施形態における処理は，ＣＰＵ２０１により外部メモリ２０９に記録されているプログラムが必要に応じてＲＡＭ２０２にロードされ，該プログラムの制御に基づき，ＣＰＵ２０１によって実行されるものとする。」 ウ．「【００４３】 例えば，本実施形態に係るグループ付与条件設定画面では，分類タイプをＧ１からＧ４まで設定することができる。それぞれの分類タイプが表す意味は，拠点コードがＫ１のアイテムで出庫頻度（実際に出庫があったサイクル数）が１５サイクル未満のアイテムは，出庫頻度が少ない需要特性として分類タイプをＧ１に分類する。また，Ｇ１の条件にあわなかったアイテムの内，拠点コードがＫ１のアイテムで相関係数が０.８より大きいアイテムは，季節性がある需要特性としてＧ２に分類する。さらに，Ｇ１とＧ２の条件にあわなかったアイテムの内，拠点コードがＫ１のアイテムで変動係数が０.３より小さいアイテムは，変動が小さい需要特性としてＧ３に分類する。そして，それ以外の需要特性を持つアイテムはＧ４に分類する。」 エ．「【００４７】 その後，データ予測装置のＣＰＵ２０１は，ステップＳ４０２で設定されたデータを取得し，モデル設定処理が行われる（ステップＳ４０３）。ここで，モデル設定処理とは，分類タイプ毎に使用する予測モデル，及び予測モデルのパラメータを設定（追加，変更，或いは削除）する処理を意味する。・・・（中略）・・・ 【００４８】 図９は，データ予測装置の画面上に表示されるモデル設定画面の一例を示す図である。尚，ユーザは，その際に，分類タイプ，予測モデル，予測モデルパラメータを入力する。また，この際に登録可能な予測モデル数は，複数であっても単一であってもよいものとする。ここで，予測モデルパラメータとは，予測モデルを制御する固有のパラメータを意味する。 【００４９】 例えば，図９では，分類タイプがＧ１に属するアイテムは，モデルＭ１を使用する。また，分類タイプがＧ２に属するアイテムは，モデルＭ２及びＭ３を使用する。さらに，分類タイプがＧ３に属するアイテムは，モデルＭ４及びＭ５を使用する。さらにまた，分類タイプがＧ４に属するアイテムは，モデルＭ６を使用することを意味する。 【００５０】 ステップＳ４０３で設定されたモデルの設定情報は，図１０に示すモデルＤＢに登録される。」 オ．「【００５９】 そして，ステップＳ３０２の処理の後，分類タイプ毎に登録されている予測モデル群を用いて各アイテムの予測をする（ステップＳ３０３）。図１６を参照して，ステップＳ３０３の処理を詳細に説明する。 【００６０】 図１６は，図３に示すフローチャートにおける予測実行処理（ステップＳ３０３）の詳細を説明するためのフローチャートである。この処理はデータ予測装置のＣＰＵ２０１により行われる，図１に示す需要予測実行部１３０の処理である。まず，予測モデルのＣＰＵ２０１は，各アイテムについて，分類タイプ毎に登録されている予測モデルｍ（ｍ＝１～Ｍ）から任意の予測モデルｍを取得を取得する（ステップＳ１６０１）。次に，取得された予測モデルｍについて，将来の予測結果を算出する（ステップＳ１６０２）。尚，このとき将来の予測結果はＤＢに登録してもよいし，しなくてもよい。そして，上記ステップＳ１６０１とステップＳ１６０２の処理を全ての予測モデルｍに対して行う（ステップＳ１６０３）。 【００６１】 次に，任意の予測モデルｍについて算出された過去の予測結果と，需要実績データとを取得する（ステップＳ１６０４）。その際，過去の予測結果がない場合は，ローリング予測実行を行って過去の予測結果を算出し，取得しておく。そして，取得した過去の予測結果と需要実績データとを基にして評価値を算出する（ステップＳ１６０５）。そして，上記ステップＳ１６０４とステップＳ１６０５の処理を全ての予測モデルｍに対して行う（ステップＳ１６０６）。 【００６２】 その後，使用した全ての予測モデルのうち，予測モデルの評価値が一番よい予測モデルを選択し，選択した予測モデルで算出した予測結果を将来の予測結果として採用する（ステップＳ１６０７）。尚，予測の際に使用される評価値は特に限定されるものではないが，例えば，以下に示すような予測誤差の平均，標準誤差，或いは標準誤差率等を使用することができる。」 カ．「【００６４】 図１７は，図１２に示す需要実績から算出した将来の予測結果を評価値とともに記述した図である。すなわち，図１７では，図１３に示すアイテムコードＡ００１からＡ００４に対して図９で設定した予測モデルを使用して，図１２の需要実績から将来の予測をした結果と評価期間を６月として各予測モデルの評価値を算出した結果とを併記している。ここでは予測期間を６か月とし，評価値には予測誤差率を使用している。」 前記ア．～カ．によれば，引用文献１には，次の発明（以下，「引用発明」という。）が記載されている。 ＜引用発明＞ 「分類タイプ毎に登録されている予測モデル群を用いて各アイテムの需要予測をする処理であって（【００５９】）， この処理はプログラムの制御の基づき，コンピュータであるデータ予測装置のＣＰＵ２０１により行われ（【００６０】【００２８】【００３０】）， データ予測装置は，需要実績ＤＢを備え，需要実績ＤＢには過去の商品別・期間別の需要実績値が蓄積され（【００２６】）， ＣＰＵ２０１は，各アイテムについて，分類タイプ毎に登録されている予測モデルｍ（ｍ＝１～Ｍ）から任意の予測モデルｍを取得し（ステップＳ１６０１，【００６０】）， 次に，取得された予測モデルｍについて，将来の予測結果を算出し（ステップＳ１６０２，【００６０】） 上記ステップＳ１６０１とステップＳ１６０２の処理を全ての予測モデルｍに対して行い（ステップＳ１６０３，【００６０】）， 次に，任意の予測モデルｍについて算出された過去の予測結果と，需要実績データとを取得し（ステップＳ１６０４），その際，過去の予測結果がない場合は，ローリング予測実行を行って過去の予測結果を算出して取得し（【００６１】）， 取得した過去の予測結果と需要実績データとを基にして評価値を算出し（ステップＳ１６０５，【００６１】）， 上記ステップＳ１６０４とステップＳ１６０５の処理を全ての予測モデルｍに対して行い（ステップＳ１６０６，【００６１】）， その後，使用した全ての予測モデルのうち，予測モデルの評価値が一番よい予測モデルを選択し，選択した予測モデルで算出した予測結果を将来の予測結果として採用し（ステップＳ１６０７，【００６２】）， 上記評価値は，例えば，予測誤差の平均，標準誤差，或いは標準誤差率等を使用することができ（【００６２】），評価値を算出する評価期間は６月とし（【００６４】）， 例えば，分類タイプはＧ１からＧ４まで設定でき，拠点コードがＫ１のアイテムで出庫頻度が１５サイクル未満のアイテムは，出庫頻度が少ない需要特性として分類タイプをＧ１に分類し，Ｇ１の条件にあわなかったアイテムの内，拠点コードがＫ１のアイテムで相関係数が０.８より大きいアイテムは，季節性がある需要特性としてＧ２に分類し，Ｇ１とＧ２の条件にあわなかったアイテムの内，拠点コードがＫ１のアイテムで変動係数が０.３より小さいアイテムは，変動が小さい需要特性としてＧ３に分類し，それ以外の需要特性を持つアイテムはＧ４に分類し（【００４３】）， モデルＤＢには，分類タイプ毎に使用する予測モデル及び予測モデルのパラメータが登録され（【００４７】【００５０】），例えば，分類タイプがＧ１に属するアイテムは，モデルＭ１を使用し，分類タイプがＧ２に属するアイテムは，モデルＭ２及びＭ３を使用し，分類タイプがＧ３に属するアイテムは，モデルＭ４及びＭ５を使用し，分類タイプがＧ４に属するアイテムは，モデルＭ６を使用することが登録される（【００４９】），需要予測処理。」 ２．引用文献２について 原査定の拒絶の理由に引用された引用文献２には，図面とともに次の事項が記載されている（下線は，当審において付与した。）。 「【００６５】 図１２は，需要予測装置１で行われる予測処理を詳細に示すフローチャートである。このフローチャートで示す部分は，図１１のステップＳ１４からステップＳ１７までが該当する。 【００６６】 需要予測装置１は予測処理を開始すると（ステップＳ２１），まず，選択した予測モデル，予測対象製品の販売実績値及び販売開始日を基に，予測モデルのパラメータを推定する（ステップＳ２２）。なお，本例では，「改良逆指数モデル」が選択されているものとし，販売実績は１０日分あるものとする。販売開始日は，販売実績の先頭日（ｔ＝１）である。予測期間は販売開始後，第１１日目から第１００日目まで（９０日間）が選択されている。 【００６７】 以下，需要予測装置１は，準ニュートン法を用いてパラメータ推定を行う。 まず，需要予測装置１は，パラメータ値の初期セットを生成する（ステップＳ２３）。 パラメータの初期セット例は，次の通りである。 λ＝０．１， ｂ＝１００， τ＝３， Ｎ＝１００００ λ＝０．２， ｂ＝８０， τ＝２， Ｎ＝１５０００ λ＝０．１５， ｂ＝９０， τ＝５， Ｎ＝８０００ 初期セットは複数のパラメータ値の組（λ，τ，ｂ，Ｎ）からなる。この初期セットは３組生成されている。 【００６８】 需要予測装置１は，初期セットからパラメータ値の組を１つ任意に選択する（ステップ２４）。そこで，組（λ＝０．１，τ＝３，ｂ＝１００，Ｎ＝１００００）が選択されたとする。需要予測装置１は，選択したパラメータ値を予測モデルに代入して，販売実績が存在する期間（ｔ＝１から１０）の予測モデル値ｍ(ｔ)＝１００００×（１－ｅｘｐ（－０．１×（ｔ－３）））＋１００ （ｔ＝１，…，１０）を計算する。 【００６９】 そして，次式のように，販売実績値と予測モデルとの適合誤差Ｅを計算する（ステップＳ２５）。なお，式（１１）のａiは時刻ｔ＝ｉでの累積販売実績値である。 【００７０】 【数１１】 【００７１】 需要予測装置１は，適合誤差Ｅがこれまで選択したパラメータ値の組の中で最小か否かを判断する（ステップＳ２６）。 【００７２】 最小であれば（ステップＳ２６のＹｅｓ），そのパラメータの組をメモリ上に保持する（ステップＳ２７）。最小でなければ保持せず，次のステップへ進む。 【００７３】 以上のステップＳ２４からステップＳ２７を初期セットで生成したすべての組について行い，適合誤差Ｅが最小となるパラメータ値の組（λm，τm，ｂm，Ｎm）を特定する。 このように，すべてのセットについて処理を終了したか否かを判断する（ステップＳ２８）。終了していない場合（ステップＳ２８のＮｏ），ステップＳ２４以下の処理を繰り返す。終了した場合（ステップＳ２８のＹｅｓ），次のステップ（ステップＳ２９）へ進む。 【００７４】 需要予測装置１は，パラメータ値の組（λm，τm，ｂm，Ｎm）を予測モデルに代入し，予測期間における予測値を計算する（ステップＳ２９）。」 したがって，引用文献２には次の事項が記載されている。 ＜引用文献２の記載事項＞ 「需要予測装置で行われる予測処理であって， 予測処理を開始すると（ステップＳ２１）， 選択した予測モデル，予測対象製品の販売実績値及び販売開始日を基に，予測モデルのパラメータを推定し（ステップＳ２２）， パラメータ値の初期セットを生成し，初期セットは複数のパラメータ値の組からなり，この初期セットは３組生成され（ステップＳ２３）， 初期セットからパラメータ値の組を１つ任意に選択し，選択したパラメータ値を予測モデルに代入して，販売実績が存在する期間の予測モデル値を計算し（ステップ２４）， 販売実績値と予測モデルとの適合誤差Ｅを計算し（ステップＳ２５）， 適合誤差Ｅがこれまで選択したパラメータ値の組の中で最小か否かを判断し（ステップＳ２６）， 最小であれば，そのパラメータの組をメモリ上に保持し（ステップＳ２７），最小でなければ保持せず，次のステップへ進み， 以上のステップＳ２４からステップＳ２７を初期セットで生成したすべての組について行い，適合誤差Ｅが最小となるパラメータ値の組を特定し，すべてのセットについて処理を終了したか否かを判断し（ステップＳ２８）， 終了した場合，パラメータ値の組を予測モデルに代入し，予測期間における予測値を計算する（ステップＳ２９），予測処理。」 ３．引用文献３について 原査定の拒絶の理由に引用された引用文献３には，図面とともに次の事項が記載されている（下線は，当審において付与した。）。 ア．「【０００１】 本発明は，予測誤差評価装置及び予測誤差評価方法及び予測誤差評価プログラムに関するものである。」 イ．「【００１６】 記憶装置は，誤差データを，所定の現象（例えば，電力消費）の属性値（例えば，日付や日時等の時刻）と対応付けて予め記憶する。誤差データは，予測値と実測値との誤差（誤差量，予測誤差，予測誤差量ともいう）を示すデータである。予測値とは，上記現象の属性値ごとに，上記現象を観測して得られると予測された値（例えば，ある日付における電力消費量を予測した値）をいう。実測値とは，上記現象の属性値が変化する度に，上記現象を実際に観測して得られた値（例えば，ある日付における電力消費量を実測した値） をいう。記憶装置は，誤差データと対応付けて，上記現象のパラメータ値も記憶する。パラメータ値とは，上記現象の属性値とは異なる種類の属性値であり，上記現象を観測したときの属性値（例えば，曜日，気温）をいう。」 ウ．「【００３３】 ・・・（中略）・・・つまり，誤差データ抽出条件は，特定の処理対象系列，特定のパラメータ値を指定して，抽出する誤差データを決めるものである。」 エ．「【００３８】 一方，図５（ｂ）は，本実施の形態に係る時系列的な誤差分布評価において提示されるグラフの例を示している。この例では，日付を軸として（即ち，時系列軸により）連続的に算出された誤差分布を示している。これにより，誤差分布そのものの変化の様子が時系列的に把握できる。この例のように，誤差分布の時系列変化を比較対照することで，誤差分布の持つ妥当性や信頼性について，予測結果の利用者が自ら判断することが可能となる。 【００３９】 例えば，予測対象日を軸として選択し，誤差分布を求める区間を窓幅１ヵ月間の移動窓とすることで，過去１ヵ月の予測誤差の推移を評価することが可能である。このような評価を行うことで，予測対象日の直近における誤差分布の変化傾向が把握可能であり，誤差分布の傾向に基づいた誤差の評価が可能となる。また，これらの傾向から予測モデルの妥当性を評価し，誤差が拡大傾向にあれば予測モデルの見直しを行う等の対策が可能となる。 【００４０】 この例では，誤差分布評価条件設定部１００は，評価軸とする属性（次元）として日付を選択する。また，誤差分布評価条件設定部１００は，○月×日の類似日（例えば，○月×日と同じ曜日）の系列から処理対象系列（例えば，○月×日を末尾とし，○月×日の３週間前の日を先頭とする部分系列，及び，当該部分系列を１週間ずつ前にずらしてできる複数の部分系列からなる）を設定する。誤差データ抽出条件設定部１０１は，誤差分布評価条件設定部１００によって設定された条件に従って，処理対象系列ごとに誤差データ抽出条件を設定する。誤差データ抽出部１０２は，処理対象系列ごとに誤差データ抽出条件に従って，誤差データを抽出する。誤差分布評価部１０３は，処理対象系列ごとに，誤差データ抽出部１０２によって抽出された誤差データの平均及び分散（代表値の一例）を算出する。そして，誤差分布評価部１０３は，算出した値を基に，図５（ｂ）に示したような平均，１σ，２σ，－１σ，－２σの近似曲線（分布の近似曲線の一例）を求める。例えば，平均の線が全体的に０より上にあれば，将来の予測値を低めに設定すればよいことが分かる。また，分散が小さければ，予測値の信頼度が高いことが分かる。 【００４１】 ここで，図６を用いて，誤差分布評価条件設定部１００にて窓関数を利用する効果について述べる。 【００４２】 図６は，窓幅と誤差分布の関係を示している。窓幅を大きくとった場合（即ち，処理対象系列の長さを一定とし，１つの処理対象系列に含まれる属性値の数を多く設定した場合），誤差分布の長期的な傾向を把握することが可能である。一方，窓幅を小さくとった場合（即ち，処理対象系列の長さを一定とし，１つの処理対象系列に含まれる属性値の数を少なく設定した場合），短期的な傾向を把握することが可能である。最適な窓幅は誤差分布に依存するため，事前に決定することは困難である。また，数学的に最適な窓幅を選択することは可能であるが，これは特定のモデル下においてという意味であり，モデル化誤差を疑う立場である誤差分布の評価においては不可能である。このため，本実施の形態では，窓幅の設定は分析者が試行錯誤により判定するものとし，誤差分布評価条件設定部１００にて自由に設定できるようにしている。」 前記ア．～エ．によれば，引用文献３には，次の事項が記載されている。 ＜引用文献３の記載事項＞ 「予測誤差評価方法であって（【０００１】）， 予測値は，例えば，ある日付における電力消費量を予測する値であり【００１６】， 予測対象日を軸として選択し，誤差分布を求める区間を窓幅１ヵ月間の移動窓とすることで，過去１ヵ月の予測誤差の推移を評価し（【００３９】）， 誤差分布評価条件設定部１００は，評価軸とする属性（次元）として日付を選択し，また，○月×日の類似日（例えば，○月×日と同じ曜日）の系列から処理対象系列，例えば，○月×日を末尾とし，○月×日の３週間前の日を先頭とする部分系列，及び，当該部分系列を１週間ずつ前にずらしてできる複数の部分系列からなるら処理対象系列を設定し， 誤差データ抽出条件設定部１０１は，誤差分布評価条件設定部１００によって設定された条件に従って，処理対象系列ごとに誤差データ抽出条件を設定し（【００４０】），当該誤差データ抽出条件は，特定の処理対象系列，特定のパラメータ値を指定して，抽出する誤差データを決めるものであり（【００３３】）， 誤差データ抽出部１０２は，処理対象系列ごとに誤差データ抽出条件に従って，誤差データを抽出し（【００４０】）， 誤差分布評価部１０３は，処理対象系列ごとに，誤差データ抽出部１０２によって抽出された誤差データの平均及び分散を算出し（【００４０】）， 誤差分布評価部１０３は，算出した値を基に，平均，１σ，２σ，－１σ，－２σの近似曲線を求め（【００４０】）， 日付を軸として連続的に算出された誤差分布をグラフとして提示し（【００３８】）， 例えば，平均の線が全体的に０より上にあれば，将来の予測値を低めに設定すればよいことが分かり，また，分散が小さければ，予測値の信頼度が高いことが分かり（【００４０】）， 窓幅を大きくとった場合，誤差分布の長期的な傾向を把握することが可能であり，一方，窓幅を小さくとった場合，短期的な傾向を把握することが可能であり，窓幅は分析者が自由に設定する（【００４２】），予測誤差評価方法。」 第６　対比・判断 １．本願発明１について （１）対比 本願発明１と引用発明とを対比すると，次のことがいえる。 ・引用発明の需要実績ＤＢは，「過去の商品別・期間別の需要実績値が蓄積され」ているから，本願発明１の「商品の売上数量の変化を示す売上実績データを記憶する記憶部」に相当する。 ・引用発明の「需要実績データとを取得し（ステップＳ１６０４）」は，本願発明１の「商品の売上数量の変化を示す売上実績データを記憶する記憶部から，特定の商品の売上実績データを読み出し」に相当する。 ・引用発明のモデルＤＢ登録されている予測モデルＭ１～Ｍ５は，本願発明１の「複数の予測モデル」に相当する。 ・引用発明の「任意の予測モデルｍについて算出された過去の予測結果と，需要実績データとを取得し（ステップＳ１６０４）」において，「任意の予測モデルｍ」は，取得した需要実績データに係るアイテムに使用される予測モデルといえる。例えば，取得された需要実績データが分類タイプＧ２に属するアイテムに関するものであれば，「任意の予測モデルｍ」は，その分類タイプＧ２に使用されるモデルＭ２及びＭ３に該当する。また，分類タイプは，出庫頻度が少ない需要特性などの，アイテムの需要特性を分類するものである。 したがって，上記「任意の予測モデルｍ」は，本願発明１の「複数の予測モデルのうち，読み出した前記売上実績データの特性に対応する予測モデル」に相当する。 ・引用発明の「任意の予測モデルｍについて算出された過去の予測結果と，需要実績データとを取得し（ステップＳ１６０４），その際，過去の予測結果がない場合は，ローリング予測実行を行って過去の予測結果を算出して取得し」，及び，「上記ステップＳ１６０４とステップＳ１６０５の処理を全ての予測モデルｍに対して行い（ステップＳ１６０６）」は，複数の予測モデル（Ｍ１～Ｍ５）のうち，読み出した需要実績データの需要特性に対応する予測モデル（例えば，需要実績データが分類タイプＧ２に属するアイテムに関するものであれば，予測モデルＭ２，Ｍ３）について，パラメータを適用した複数の予測モデルを用いて，複数の需要予測データを生成することといえる。 一方，本願発明１の「複数の予測モデルのうち，読み出した前記売上実績データの特性に対応する予測モデルについて，異なる複数種類のパラメータを適用して，複数の売上予測データを生成し」は，売上実績データの特性に対応する予測モデルについて，異なる種類のパラメータを適用した複数の予測モデルを用いて，複数の売上予測データを生成するといえる。 したがって，引用発明の，全ての予測モデルｍについて過去の予測結果を算出することと，本願発明１の「複数の予測モデルのうち，読み出した前記売上実績データの特性に対応する予測モデルについて，異なる複数種類のパラメータを適用して，複数の売上予測データを生成し」は，「複数の予測モデルのうち，読み出した前記売上実績データの特性に対応する予測モデルについて，パラメータを適用した複数の予測モデルを用いて，複数の売上予測データを生成し」の点で共通する。 ・引用発明の「評価値を算出する評価期間は６月とし」は，６月の評価期間という「特定の期間」を設定することといえる。したがって，引用発明の上記構成と，本願発明１の「前記売上実績データに基づいて，前記商品の売上数が大きいほど特定の期間を短く設定し」は，「特定の期間を設定し」の点で共通する。 ・引用発明の「取得した過去の予測結果と需要実績データとを基にして評価値を算出し（ステップＳ１６０５），上記ステップＳ１６０４とステップＳ１６０５の処理を全ての予測モデルｍに対して行い（ステップＳ１６０６），その後，使用した全ての予測モデルのうち，予測モデルの評価値が一番よい予測モデルを選択し」は，特定の商品の需要実績データのうち評価期間における需要実績データと，予測結果とに基づいて，パラメータを適用した複数の予測モデルのうちから予測モデルを選択することといえる。 一方，本願発明１の「前記特定の商品の売上実績データのうち前記特定の期間における，売上実績データと前記複数の売上予測データとに基づいて，前記複数種類のパラメータのうちいずれかのパラメータを前記予測モデルに適用するパラメータとして選択する」において，いずれかのパラメータを前記予測モデルに適用するパラメータとして選択することは，異なる種類のパラメータを適用した複数の予測モデルから，いずれかの予測モデルを選択することといえる。 したがって，引用発明の上記構成と，本願発明１の上記構成は，「前記特定の商品の売上実績データのうち前記特定の期間における，売上実績データと前記複数の売上予測データとに基づいて，パラメータを適用した複数の予測モデルから，いずれかの予測モデルを選択する」の点で共通する。 ・引用発明の「この処理はプログラムの制御の基づき，コンピュータであるデータ予測装置のＣＰＵ２０１により行われ」によれば，引用発明の「プログラム」は，「コンピュータ」に引用発明に係る処理を実行させるものである。 したがって，引用発明の「コンピュータ」は，本願発明１の「コンピュータ」に相当し，引用発明の「プログラム」は，本願発明１の，コンピュータに「各処理を実行させる」，「選択プログラム」に相当する。 したがって，本願発明１と引用発明との間には，次の一致点，相違点があるといえる。 ＜一致点＞ 「コンピュータに， 商品の売上数量の変化を示す売上実績データを記憶する記憶部から，特定の商品の売上実績データを読み出し， 複数の予測モデルのうち，読み出した前記売上実績データの特性に対応する予測モデルについて，パラメータを適用した複数の予測モデルを用いて，複数の売上予測データを生成し， 特定の期間を設定し， 前記特定の商品の売上実績データのうち前記特定の期間における，売上実績データと前記複数の売上予測データとに基づいて，パラメータを適用した複数の予測モデルから，いずれかの予測モデルを選択する， 各処理を実行させることを特徴とする選択プログラム。」 ＜相違点１＞ パラメータを適用した複数の予測モデルが，本願発明１では，「売上実績データの特性に対応する予測モデルについて，異なる複数種類のパラメータを適用」したものであるのに対し，引用発明では，需要実績データ（売上実績データ）の特性に対応する複数の予測モデルに，パラメータを適用したものである点。 ＜相違点２＞ 「パラメータを適用した複数の予測モデルから，いずれかの予測モデルを選択する」が，本願発明１では，「前記複数種類のパラメータのうちいずれかのパラメータを前記予測モデルに適用するパラメータとして選択する」であるのに対し，引用発明では，パラメータを適用した複数の予測モデルから，いずれかの予測モデルを選択する点。 ＜相違点３＞ 特定の期間を，本願発明１では，「前記売上実績データに基づいて，前記商品の売上数が大きいほど特定の期間を短く設定し」たのに対し，引用発明では，「６月」に設定した点。 （２）相違点についての判断 上記相違点３について検討する。 引用文献２には，「初期セットからパラメータ値の組を１つ任意に選択し，選択したパラメータ値を予測モデルに代入して，販売実績が存在する期間の予測モデル値を計算し（ステップ２４），販売実績値と予測モデルとの適合誤差Ｅを計算し（ステップＳ２５）」が記載されている。上記「販売実績が存在する期間」は，販売実績値と予測モデルとの適合誤差を計算するための期間であることから，引用発明の「評価値を算出する評価期間」に対応するが，この期間は，本願発明１のように，商品の売上数が大きいほど短く設定されるものではない。 また，引用文献３の「窓幅」は，予測誤差分布を求める期間であるだけで，この「窓幅」の期間における実績データと予測データとに基づいて，予測モデル（予測モデルに適用するパラメータ）を選択するものではなく，また，「窓幅」は，商品の売上数が大きいほど短く設定されるものでもない。 したがって，本願発明１に係る「前記売上実績データに基づいて，前記商品の売上数が大きいほど特定の期間を短く設定し」は，引用文献１～３に記載されておらず，本願出願前において周知技術であるともいえない。 したがって，本願発明１は，相違点１，２を検討するまでもなく，当業者が引用発明，引用文献２，３に記載された技術的事項に基づいて容易に発明できたものであるとはいえない。 ２．本願発明２～５について 本願発明２，３も，本願発明１の「前記売上実績データに基づいて，前記商品の売上数が大きいほど特定の期間を短く設定し」と同一の構成を備えるものであるから，本願発明１と同じ理由により，当業者が引用発明，引用文献２，３に記載された技術的事項に基づいて容易に発明できたものとはいえない。 本願発明４，５は，本願発明１に対応する方法，装置の発明であり，本願発明１の「前記売上実績データに基づいて，前記商品の売上数が大きいほど特定の期間を短く設定し」に対応する構成を備えるものであるから，本願発明１と同様の理由により，当業者が引用発明，引用文献２，３に記載された技術的事項に基づいて容易に発明できたものとはいえない。 第７　原査定について 審判請求時の補正により，本願発明１～５は，「前記売上実績データに基づいて，前記商品の売上数が大きいほど特定の期間を短く設定し」という構成を備えるから，拒絶査定において引用された引用文献１～３に基づいて，当業者が容易に発明をすることができたとはいえない。 したがって，原査定の理由を維持することはできない。 第８　むすび 以上のとおり，原査定の理由によっては，本願を拒絶することはできない。 また，他に本願を拒絶すべき理由を発見しない。 よって，結論のとおり審決する。