2018-004054

特願２０１５－１７２１９７「事象判定装置及び数量予測システム」拒絶査定不服審判事件〔平成２９年　３月　９日出願公開，特開２０１７－　４９７７９，請求項の数（６）〕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２７年９月１日の出願であって， 平成２８年７月２６日付けで審査請求がなされ，平成２９年６月１５日付けで審査官により拒絶理由が通知され，これに対して平成２９年８月２３日付けで意見書が提出されると共に手続補正がなされたが，平成２９年１２月１９日付けで審査官により拒絶査定がなされ（謄本送達；平成２９年１２月２６日），これに対して平成３０年３月２３日付けで審判請求がなされると共に手続補正がなされ，平成３０年５月２３日付けで審査官により特許法第１６４条第３項の規定に基づく報告がなされ，平成３０年１１月６日付けで上申書の提出があったものである。 第２．原審拒絶査定の概要 原審拒絶査定（平成２９年１２月１９日付けの拒絶査定）の概要は次のとおりである。 本願の請求項１～本願の請求項６に係る発明は，以下の引用文献１～引用文献５に基づいて，その発明の属する技術の分野における通常の知識を有する者（以下，「当業者」という。）が容易に発明できたものであるから，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。 引用文献等一覧 １．特開２０１２－１２３４６０号公報 ２．佐々木仁，外４名， “ＳＶＭに基づく画像認識処理のＧＰＵを用いた高速化手法”， ＤＡシンポジウム ２０１１　情報処理学会シンポジウムシリーズ， 一般社団法人情報処理学会，2011年08月24日，第2011巻，第5号， pp.153-158 ３．森秀樹，外１名，“クラスタ冗長による耐故障性木構造プロセッサ”， 電子情報通信学会技術研究報告CPSY91-62~70 コンピュータシステム， 社団法人電子情報通信学会，1992年01月31日，第91巻，第463号， pp.33-39 ４．特開平０８－１０６４４８号公報 ５．特開２００９－２５１７７９号公報 第３．審判請求時の補正について 平成３０年３月２３日付けの手続補正（以下，これを「本件手続補正」という）により，補正前の請求項１，及び，補正前の請求項４の， 「機械学習を用いて入力情報に基づき２つの事象のいずれかに分類する分類器プログラムがそれぞれロードされた複数のコアを備えるＧＰＵ」， という記載が， 「機械学習を用いて入力情報に基づき２つの事象のいずれかに分類する同一の分類器プログラムがそれぞれロードされたコアを複数備えるＧＰＵ」， と補正され（補正事項１），補正前の請求項１，及び，補正前の請求項４の， 「複数のコアの分類器プログラムへ同一の入力情報を与えて並列処理させる制御手段」， という記載が， 「複数のコアの分類器プログラムへ同一の入力情報を与えて，該入力情報に基づき２つの事象のいずれかに分類する処理を並列処理させる制御手段」， と補正されている（補正事項２）， 上記補正事項１，及び，補正事項２について検討すると，補正事項１は，本願明細書の段落【００２６】，及び，段落【００３２】に記載された事項に基づくものであり，補正事項２は，本願明細書の段落【００３２】に記載された事項に基づくものであって， 補正事項１は，本願の請求項１，及び，請求項４に記載の発明における発明特定事項である「分類器プログラム」を限定するものであり，補正事項２は，同じく，本願の請求項１，及び，請求項４に記載の発明における発明特定事項である「制御手段」の機能を限定するものであるから，本件手続補正は，願書に最初に添付された明細書，特許請求の範囲，及び，図面の記載の範囲内でなされたものであって，特許請求の範囲の減縮を目的とするものである。 よって，本件手続補正は，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。 そして，「第４．本願発明について」から「第６．本願発明と引用発明との対比及び相違点についての判断」において検討するとおり，補正後の請求項１～補正後の請求項６に係る発明は，独立特許要件を満たすものである。 第４．本願発明について 本願の請求項１～本願の請求項６に係る発明（以下，これを「本願発明１～本願発明６」という）は，本件手続補正により補正された特許請求の範囲の請求項１～請求項６に記載された事項により特定される，次のとおりのものである。 「　【請求項１】 教師データに基づき生成され，機械学習を用いて入力情報に基づき２つの事象のいずれかに分類する同一の分類器プログラムがそれぞれロードされたコアを複数備えるＧＰＵと， 前記複数のコアの分類器プログラムへ同一の入力情報を与えて，該入力情報に基づき２つの事象のいずれかに分類する処理を並列処理させる制御手段と， 前記同一の入力情報が前記複数のコアの分類器プログラムにより処理された結果を統計処理して事象判定を行う判定手段と を具備することを特徴とする事象判定装置。 【請求項２】 前記ＧＰＵの複数のコアは，第１群の複数のコアと，第２群の複数のコアと，・・・，第Ｎ（Ｎは２以上の整数）群の複数のコアとにより構成され， 前記第１群の複数のコアには，第１の数値以上であるか否かの分類を行う第１の分類器プログラムがそれぞれロードされ， 前記第２群の複数のコアには，第１の数値より大きい第２の数値以上であるか否かの分類を行う第２の分類器プログラムがそれぞれロードされ， ・・・ 前記第Ｎ群の複数のコアには，第（Ｎ－１）の数値より大きい第Ｎの数値以上であるか否かの分類を行う第Ｎの分類器プログラムがそれぞれロードされることを特徴する請求項１に記載の事象判定装置。 【請求項３】 前記第１群の複数のコアの第１の分類器プログラムによる処理結果，前記第２群の複数のコアの第２の分類器プログラムによる処理結果，・・・，前記第Ｎ群の複数のコアの第Ｎの分類器プログラムによる処理結果を，それぞれ多数決により決定することを特徴とする請求項２に記載の事象判定装置。 【請求項４】 教師データに基づき生成され，機械学習を用いて入力情報に基づき２つの事象のいずれかに分類する同一の分類器プログラムがそれぞれロードされたコアを複数備えるＧＰＵと，前記複数のコアの分類器プログラムへ同一の入力情報を与えて，該入力情報に基づき２つの事象のいずれかに分類する処理を並列処理させる制御手段と，前記同一の入力情報が前記複数のコアの分類器プログラムにより処理された結果を統計処理して事象判定を行う判定手段とを具備する事象判定装置を備え， 前記分類器プログラムを，入力情報が所定数値を基準として大小の分類を行う構成とし，分類結果を判定手段により判定して数量を予測することを特徴とする数量予測システム。 【請求項５】 前記ＧＰＵの複数のコアは，第１群の複数のコアと，第２群の複数のコアと，・・・，第Ｎ（Ｎは２以上の整数）群の複数のコアとにより構成され， 前記第１群の複数のコアには，第１の数値以上であるか否かの分類を行う第１の分類器プログラムがそれぞれロードされ， 前記第２群の複数のコアには，第１の数値より大きい第２の数値以上であるか否かの分類を行う第２の分類器プログラムがそれぞれロードされ， ・・・ 前記第Ｎ群の複数のコアには，第（Ｎ－１）の数値より大きい第Ｎの数値以上であるか否かの分類を行う第Ｎの分類器プログラムがそれぞれロードされることを特徴する請求項４に記載の数量予測システム。 【請求項６】 前記第１群の複数のコアの第１の分類器プログラムによる処理結果，前記第２群の複数のコアの第２の分類器プログラムによる処理結果，・・・，前記第Ｎ群の複数のコアの第Ｎの分類器プログラムによる処理結果を，それぞれ多数決により決定することを特徴とする請求項５に記載の数量予測システム。」 第５．引用文献に記載の事項及び引用文献に記載の発明 １．引用文献１について （１）引用文献１に記載の事項 引用文献１には，関連する図面と共に，次の事項が記載されている。 Ａ．「【００７０】 また，さらに高い精度で年代を推定する技術として，前述の２クラス判別器を利用した以下の手法がある。 【００７１】 まず，検索特徴情報管理部１３０は，年齢を推定するために事前に識別したい年齢ごとの顔画像を予め保持する。たとえば，１０歳から６０歳前後までの年代の判別を行う場合，検索特徴情報管理部１３０は，１０歳未満から６０歳以上までの顔画像をあらかじめ保持する。ここでは，検索特徴情報管理部１３０が保持する顔画像の枚数が多くなるほど，年代判別の精度を向上させることができる。さらに，検索特徴情報管理部１３０は，幅広い年代の顔画像を予め保持することにより，判別できる年齢を広げることができる。 【００７２】 次に，検索特徴情報管理部１３０は，「基準年齢より上か下か」の判別をするための識別器を準備する。検索特徴情報管理部１３０は，線形判別分析などを用いて２クラスの判別をイベント検出部１２０に行わせることができる。 【００７３】 また，イベント検出部１２０及び検索特徴情報管理部１３０は，サポートベクターマシン（Support Vector Machine）などの手法を用いる構成であってもよい。なお，以下サポートベクターマシンをＳＶＭと称する。ＳＶＭでは，２クラスを判別する為の境界条件を設定し，設定された境界からの距離にあるかを算出することができる。これにより，イベント検出部１２０及び検索特徴情報管理部１３０は，基準とする年齢Ｎ歳より上の年齢に属する顔画像と，下の年齢に属する顔画像とを分類することができる。 【００７４】 たとえば，３０歳を基準年齢としたときに，検索特徴情報管理部１３０は，３０歳より上か下かを判別するための画像群を予め保持する。例えば，検索特徴情報管理部１３０には，３０歳以上を含む画像が正のクラス「３０歳以上」の画像として入力される。また，検索特徴情報管理部１３０には，負のクラス「３０歳未満」の画像が入力される。検索特徴情報管理部１３０は，入力された画像に基づいて，ＳＶＭ学習を行う。 【００７５】 上記した方法により，検索特徴情報管理部１３０は，基準年齢を１０歳から６０歳までずらしながら辞書の作成を行う。これにより，検索特徴情報管理部１３０は，例えば図３に示すように，「１０歳以上」，「１０歳未満」，「２０歳以上」，「２０歳未満」，・・・「６０歳以上」，「６０歳未満」の年代判別用の辞書を作成する。年代判別部１２４は，検索特徴情報管理部１３０により格納されている複数の年代判別用の辞書と入力画像とに基づいて入力画像の人物の年代を判別する。 【００７６】 検索特徴情報管理部１３０は，基準年齢を１０歳から６０歳までずらしながら準備した年代判別用の辞書の画像を基準年齢にあわせて二つに分類する。これにより，検索特徴情報管理部１３０は，ＳＶＭの学習器を基準年齢の数に応じて準備することができる。なお，本実施例では，検索特徴情報管理部１３０は，１０歳から６０歳まで６個の学習器を準備する。 【００７７】 検索特徴情報管理部１３０は，「Ｘ歳以上」とするクラスを「正」のクラスとして学習することで，「基準年齢より年齢が上の画像が入力されると指標はプラスの値を返す」ようになる。この判別処理を基準年齢を１０歳から６０歳までずらしながら実行していくことにより，基準年齢に対して上か下かの指標を得ることができる。また，この出力された指標の中で，もっとも指標がゼロに近いところが出力すべき年齢に近いことになる。 【００７８】 ここで年齢の推定方法を図４に示す。イベント検出部１２０の年代判別部１２４は，各基準年齢に対するＳＶＭの出力値を算出する。さらに，年代判別部１２４は，縦軸を出力値，横軸を基準年齢として出力値をプロットする。このプロットに基づいて年代判別部１２４は，入力画像の人物の年齢を特定することができる。 【００７９】 例えば，年代判別部１２４は，出力値が最もゼロに近いプロットを選択する。図４に示す例によると，基準年齢３０歳がもっともゼロに近い。この場合，年代判別部１２４は，「３０代」を入力画像の人物の属性として出力する。また，プロットが不安定に上下に変動する場合，年代判別部１２４は，隣接する基準年齢との移動平均を算出することにより，安定して年代を判別することができる。 【００８０】 また，例えば，年代判別部１２４は，隣り合う複数のプロットに基づいて近似関数を算出し，算出された近似関数の出力値が０である場合の横軸の値を推定年齢として特定する構成であってもよい。図４に示す例によると，年代判別部１２４は，プロットに基づいて直線の近似関数を算出することにより交点を特定し，特定した交点からおよそ３３歳という年齢を特定することができる。 【００８１】 また，年代判別部１２４は，部分集合（たとえば隣接する３つの基準年齢に対するプロット）に基づいて近似関数を算出するのではなく，全てのプロットに基づいて近似関数を算出する構成であってもよい。この場合，より近似誤差が少ない近似関数を算出することができる。 【００８２】 また，年代判別部１２４は，所定の変換関数を通して得られた値でクラスを判別する構成であってもよい。」 （２）引用文献１に記載の発明 上記Ａの「検索特徴情報管理部１３０は，年齢を推定するために事前に識別したい年齢ごとの顔画像を予め保持する。たとえば，１０歳から６０歳前後までの年代の判別を行う場合，検索特徴情報管理部１３０は，１０歳未満から６０歳以上までの顔画像をあらかじめ保持する」という記載，同じく，上記Ａの「検索特徴情報管理部１３０は，「基準年齢より上か下か」の判別をするための識別器を準備する。検索特徴情報管理部１３０は，線形判別分析などを用いて２クラスの判別をイベント検出部１２０に行わせることができる」という記載，同じく，上記Ａの「イベント検出部１２０及び検索特徴情報管理部１３０は，サポートベクターマシン（Support Vector Machine）などの手法を用いる構成であってもよい。なお，以下サポートベクターマシンをＳＶＭと称する。ＳＶＭでは，２クラスを判別する為の境界条件を設定し，設定された境界からの距離にあるかを算出することができる。これにより，イベント検出部１２０及び検索特徴情報管理部１３０は，基準とする年齢Ｎ歳より上の年齢に属する顔画像と，下の年齢に属する顔画像とを分類することができる」という記載，同じく，上記Ａの「検索特徴情報管理部１３０は，入力された画像に基づいて，ＳＶＭ学習を行う」という記載，同じく，上記Ａの「検索特徴情報管理部１３０は，例えば図３に示すように，「１０歳以上」，「１０歳未満」，「２０歳以上」，「２０歳未満」，・・・「６０歳以上」，「６０歳未満」の年代判別用の辞書を作成する。年代判別部１２４は，検索特徴情報管理部１３０により格納されている複数の年代判別用の辞書と入力画像とに基づいて入力画像の人物の年代を判別する」という記載，及び，同じく，上記Ａの「検索特徴情報管理部１３０は，基準年齢を１０歳から６０歳までずらしながら準備した年代判別用の辞書の画像を基準年齢にあわせて二つに分類する。これにより，検索特徴情報管理部１３０は，ＳＶＭの学習器を基準年齢の数に応じて準備することができる。なお，本実施例では，検索特徴情報管理部１３０は，１０歳から６０歳まで６個の学習器を準備する」という記載から，引用文献１には，次の発明（以下，これを「引用発明」という）が記載されているものと認める。 「検索特徴情報管理部１３０は，年齢を推定するために事前に識別したい年齢ごとの顔画像を予め保持し， 前記画像に基づいてＳＶＭ学習を行って，年齢判別用の辞書を作成し， 年代判別部１２４は，前記年齢用の辞書を用いて，入力画像の人物の判別を行う，装置であって， 前記検索特徴管理部１３０は，判別したい年代の数に応じて，ＳＶＭ学習器を準備することができる，装置。」 ２．引用文献２について 引用文献２には，関連する図面と共に，次の事項が記載されている。 Ｂ．「画像認識方式の一つとして，パターン認識に有効な学習モデルであるＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）【１】を採用する手法が注目されている。ＳＶＭは，学習サンプルと分類境界の間隔を最大にするように境界を決定するため，大域的な最適解を求めることが可能となり，過学習しにくい点に特徴がある。また，学習サンプルの次元数が高くても対応可能で，汎化能力も高い。これらの特徴からＳＶＭに基づく画像認識処理は，一般に高い認識性能を示している。しかし，ＳＶＭでは多数のサンプルについて学習を行うと，学習処理時間のみならず分類処理時間も増加して，実時間処理が困難な場合がある。これは，実時間処理性能が求められる画像認識処理システムでは問題がある。 本稿では，ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を汎用演算に用いることで，高速化を実現するＧＰＧＰＵ（ＧｅｎｅｒａｌＰｕｒｐｏｓｅ ｃｏｍｐｕｔｉｎｇ ｏｎ ＧＰＵｓ）に注目し， ＳＶＭに基づく画像認識処理の高速化を実現する手法を提案する。提案手法では，ＳＶＭに基づく画像認識処理に関して，演算負荷や並列度の高い処理の一部に対してＧＰＵを適用することで，高速化を実現する。提案手法を用いることで，認識率向上のために学習量を増加させた場合でも，実時間処理を実現する。」（１５３頁左欄６行～右欄１２行） Ｃ．「本稿で適用した，ＮＶＩＤＩＡ社のＧｅＦｏｒｃｅ ＧＴ ２４０と呼ばれるＧＰＵのアーキテクチャについて述べる。ＧｅＦｏｒｃｅ ＧＴ２４０には，図１に示すストリーミング・マルチプロセッサ（ＳＭ）が１２個搭載されている。ＳＭは，８個の単精度演算を行うストリーミング・プロセッサ（ＳＰ），１個の倍精度演算器（ＤＰＵ），シェアードメモリと呼ばれる１６ ＫＢの小容量のメモリから構成される。 図２にＣＵＤＡのプログラミングモデルを示す。ＣＵＤＡはグリッド，ブロック，スレッドという階層構造をもつ。最も大きな処理単位であるグリッドは，並列には動作しない。しかし，グリッドに含まれるブロック，ブロックに含まれるスレッドは並列に動作する。また，グリッドに生成可能な最大ブロック数は６５，５３５２個であり，ブロックに生成可能な最大スレッド数は５１２個である。このことから，グリッドに生成することのできるスレッド数は最大で６５，５３５２×５１２個に及ぶ。ＣＵＤＡでは，ブロックをＳＭに割り当て，スレッドをＳＰに割り当てて，処理する。」（１５４頁左欄９行～左欄２５行） ３．引用文献３について 引用文献３には，関連する図面と共に，次の事項が記載されている。 Ｄ．「本方式では，まず，親ノード処理時には６個で６重化多数決を行い，かつ，多数決に一致しないセルを故障セルとして認識する。引き続き，子ノード処理時には３個ずつ２組とし，それぞれで左右の子ノード処理を同時に３重化多数決を介して実行する。各クラスタ毎に２個までのセル故障が許容される。 ２個までのセル故障の故障パターンの数は６Ｃ２ ＝１５（２個故障時）と６Ｃ１＝６（１個故障時）であり，合計２１パターンがある。 クラスタ内の６個のセルのセル・インデックスを１～６とし，クラスタ内でどのように多数決をとって演算するかを図４に示す。演算は２分木の親ノードとしての演算を行うステップτ１と２個の子供に対する演算を行うステップτ２の２ステップの繰り返しで行われる。親ノードとしての演算ステップ時には，多数決を６個のセル全体を対象にして行い，これを用いて演算する。」（３４頁左欄２０行～左欄３８行） ４．引用文献４について 引用文献４には，関連する図面と共に，次の事項が記載されている。 Ｅ．「【００３１】この実施例の場合，通常，入力切替え部２０４は気象レーダ１０１により計測したレーダ画像を学習・予測部２０３への入力として選択するように設定されている。予測時間指定部２０５は，予測する時刻に関する情報ｔをレーダ画像とともに学習・予測部２０３に与える。この結果，固定時間間隔ではなく，学習した時刻に応じた任意の時間後の予測が可能になる。例えば学習時に５分から最大３０分までの予測時間を表す指標を与えて学習した場合，３０分までは１回の神経回路網モデルへの入力で予測結果を得ることができる。３０分より先の時刻のレーダ画像を予測する場合には，学習・予測部２０３により予測した３０分後のレーダ画像を入力切替え部２０４を介して学習・予測部２０３に与え，必要な次の予測時間を指定して学習・予測部２０３による予測を繰り返すことにより，不等間隔の時刻におけるレーダ画像を少ない計算量で予測する。」 ５．引用文献５について 引用文献５には，関連する図面と共に，次の事項が記載されている。 Ｆ．「【００２９】 なお，本発明による販売数予測システムの好ましい一態様は，例えば，１つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶した売上データベースと，売上データベースの情報に基づいて，属性を販売条件，ラベルを１つの商品またはサービスが販売されれば第１ラベル，販売されなければ第２ラベルとして，時系列的な短期間における属性とラベルとの組である短期データの組を生成する短期データ群生成部と，短期間データの組に基づいて長期データを生成する長期データ生成部と，長期間のデータの属性からラベルを判定するルールであって第１ラベルらしさ（または第２ラベルらしさ）の実数値であるスコアを出力する分類器を生成する長期分類器生成部と，分類器で各短期データのスコアを算出し，各短期データのラベルとスコアとに基づいて，スコアの閾値を算出する短期閾値群推定部と，閾値の時系列的な変化を解析する時系列解析部と，長期データの属性に基づいて生成された仮想的な販売条件である仮想データの属性と予測対象時刻の販売条件とに基づいて，仮想短期データを生成する仮想短期データ生成部と，仮想短期データと分類器とに基づいて，スコアを算出するスコア算出部と，時系列解析部での解析に基づいて，予測対象時刻の閾値を推定する閾値推定部と，スコア算出部で算出されたスコアと閾値とに基づいて，予測対象時刻の販売数を予測する販売数予測部とを備えることを特徴とする。」 第６．本願発明と引用発明との対比及び相違点についての判断 １．本願発明１について （１）対比 ア．引用発明において保持される「顔画像」は，「ＳＶＭ学習」のために用いられるものであるから，本願発明１における「教師データ」に相当する。 イ．引用発明において，「年代判定部１２４」は，入力された「顔画像」が，「判別」するために，「ＳＶＭ学習」の結果である「年齢判別用の辞書」を用いるものであるから，本願発明１における「分類器プログラム」と，“分類手段”である点で共通する。 ウ．引用発明においても「検索特徴管理部１３０」，「年代判定部１２４」を制御するための“制御部”を有することは明らかであるから， 引用発明における“制御部”と，本願発明１における「制御手段」とは， “分類処理を行わせる制御構成”である点で共通する。 エ．以上，上記ア．～ウ．において検討した事項から，本願発明１と，引用発明との，一致点，及び，相違点は，次のとおりである。 ［一致点］ 教師データに基づき生成され，機械学習を用いて入力情報に基づき２つの事象のいずれかに分類する分類手段と， 入力情報に基づき２つの事象のいずれかに分類する処理を並列処理させる制御構成とを有する，装置。 ［相違点１］ “分類手段”に関して， 本願発明１においては，「同一の分類器プログラムがそれぞれロードされたコアを複数備えるＧＰＵ」を有するものであるのに対して， 引用発明においては，上記の如き「ＧＰＵ」に関しては，言及されていない点。 ［相違点２］ “制御構成”に関して， 本願発明１においては，「複数のコアの分類器プログラムへ同一の入力情報を与えて，該入力情報に基づき２つの事象のいずれかに分類する処理を並列処理させる」ものであるのに対して， 引用発明においては，“複数のコアの分類器プログラムへ同一の入力情報を与えて，分類する処理を並列処理させる”構成については，言及されていない点。 ［相違点３］ 本願発明１は，「同一の入力情報が前記複数のコアの分類器プログラムにより処理された結果を統計処理して事象判定を行う判定手段」を有するものであるのに対して， 引用発明は，当該「判定手段」については，言及されていない点。 （２）相違点についての当審の判断 事案に鑑みて，上記［相違点３］について先に検討すると，［相違点３］に係る本願発明１の「同一の入力情報が前記複数のコアの分類器プログラムにより処理された結果を統計処理して事象判定を行う判定手段」という構成は，上記引用文献１～引用文献５には記載されておらず，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］，及び，［相違点２］を検討するまでもなく，当業者であっても引用発明，引用文献２～引用文献５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，及び，引用発明３について 本願の請求項２，及び，本願の請求項３は，本願の請求項１を直接・間接に引用するものであるから，本願発明２，及び，本願発明３は，共に，「１．本願発明１について」の「（２）相違点についての当審の判断」において検討した，［相違点３］に係る構成を有している。 したがって，本願発明１と同じ理由により，当業者であっても，引用発明，引用文献２～引用文献５に記載された技術的事項及び上記周知技術に基づいて容易に発明できたものとはいえない。 ３．本願発明４～本願発明６について 本願発明４は，「数量予測システム」に係る発明であるが，本願発明１と同等の構成を有するものであって，「１．本願発明１について」の「（２）相違点についての当審の判断」において検討した，［相違点３］に係る構成を有している。 そして，本願の請求項５，及び，本願の請求項６は，本願の請求項１を直接・間接に引用するものであるから，本願発明５，及び，本願発明６は，共に，「１．本願発明１について」の「（２）相違点についての当審の判断」において検討した，［相違点３］に係る構成を有している。 したがって，本願発明１と同じ理由により，当業者であっても，引用発明，引用文献２～引用文献５に記載された技術的事項及び上記周知技術に基づいて容易に発明できたものとはいえない。 第７．原審拒絶査定についての判断 ・理由１（特許法第２９条第２項）について 上記「第６．本願発明と引用発明との対比及び相違点についての判断」において検討したとおり，本願発明１～本願発明６は，［相違点３］に係る構成を有しているので，当業者であっても，原審拒絶査定において引用された引用文献１～引用文献５に基づいて，容易に発明できたものとはいえない。したがって，原審拒絶査定の理由１を維持することはできない。 第８．むすび 以上のとおり，原審拒絶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。