订购系统的制作方法

1.本发明的实施方式涉及订购系统。


背景技术：

2.已提出用来管理保存在冰箱中的食材的系统。在这样的系统中，期待在适当的定时确保需要的食材。
3.现有技术文献
4.专利文献
5.专利文献1：日本特开2018－146120号公报


技术实现要素：

6.发明要解决的课题
7.本发明的目的是提供一种能够在适当的定时确保需要的食材的订购系统。
8.用来解决课题的手段
9.实施方式的订购系统具有推测部和订购部。上述推测部基于表示在用户的冰箱或住宅内保存的至少1个食材的库存状态的库存信息和反映关于上述食材的上述用户的过去的消耗动向的推测用信息，推测上述食材的将来的库存状态。上述订购部基于由上述推测部推测出的上述食材的将来的库存状态和上述食材的配送所需要的配送期间，订购上述食材。
10.发明效果
11.根据本发明，能够提供能够在适当的定时确保需要的食材的订购系统。
附图说明
12.图1是表示一个实施方式的订购系统的结构的一例的图。
13.图2是表示一个实施方式的冰箱的结构的一例的图。
14.图3是表示一个实施方式的冰箱的其他结构的一例的图。
15.图4是表示一个实施方式的便携终端的结构的一例的图。
16.图5是表示一个实施方式的服务器的结构的一例的图。
17.图6是表示一个实施方式的存储部存储的信息的一例的图。
18.图7是表示一个实施方式的服务器的结构的一例的图。
19.图8是表示一个实施方式的过去的规定期间中的日期时间与该日期时间时的食材的库存量的关系的图。
20.图9是表示一个实施方式的教师数据的一例的第1图。
21.图10是表示一个实施方式的教师数据的一例的第2图。
22.图11是表示一个实施方式的教师数据的一例的第3图。
23.图12是表示一个实施方式的教师数据的一例的第4图。
24.图13是表示一个实施方式的教师数据的一例的第5图。
25.图14是表示一个实施方式的教师数据的一例的第6图。
26.图15是表示一个实施方式的教师数据的一例的第7图。
27.图16是表示一个实施方式的服务器的结构的一例的图。
28.图17是表示一个实施方式的订购系统的处理流程的一例的图。
具体实施方式
29.以下，参照附图说明实施方式的订购系统。在以下的说明中，对具有相同或类似的功能的结构赋予相同的标号。并且，有时省略这些结构的重复的说明。“基于xx”是指“至少基于xx”，也可以包括除了xx以外还基于其他要素的情况。“基于xx”并不限定于直接使用xx的情况，也可以包括基于对xx进行了运算或加工后的要素的情况。“xx或yy”并不限定于xx和yy中的某一个的情况，也可以包括xx和yy的两者的情况。这在选择的要素为3个以上的情况下也是相同的。“xx”及“yy”是任意的要素(例如任意的信息)。此外，“检测”并不限定于直接感知对象的物理量的情况，也可以包括直接或间接地取得与对象的物理量相关联的其他的物理量、根据所取得的其他的物理量推测或确定对象的物理量的情况。此外，“取得”并不限定于直接接收对象物本身的情况，也包括通过对直接接收到的物体进行运算或加工等而成为对象物的情况。此外，“确定”可以包括与基于使用了对象的物理量的运算结果的判定的判定结果对应地决定。此外，“确定”可以包括如后述的已学习模型那样根据与输入输入数据时输出的输出数据所表示的内容对应地决定。
30.以下，对几个实施方式进行说明。实施方式的订购系统是考虑到食材的库存状态和从预订该食材(即从订购)到配送完成的期间而订购食材的系统。另外，这里的配送，例如包括从将食材送出的发货到食材到达目的地的派送的全工序。此外，关于配送所花费的期间，可以经由网络或电话网等通信网与食材的订购点联络时从订购点得到。例如，在经由网络对食材的订购点的web站点进行访问的情况下，在web站点上显示配送完成日。此外，例如也可以对食材的订购点打电话来取得食材的配送完成日的信息。
31.《实施方式》
32.(整体结构)
33.图1是表示一个实施方式的订购系统1的结构的一例的图。订购系统1如图1所示，具有冰箱10、便携终端20、服务器30、40、50。
34.图2是表示冰箱10的结构的一例的图。冰箱10如图2所示，具有摄影部101、通信部102、处理部103。摄影部101对食材进行摄影。具体而言，摄影部101对冰箱10的内部的食材及作为在住宅内保存的管理对象的食材进行摄影。摄影部101例如是照相机。通信部102与外部装置通信。作为外部装置的例子，可以举出便携终端20、服务器30等。处理部103确定食材的种类和库存量。例如，处理部103在摄影部101拍摄的图像中，通过使用图像匹配技术判定是否包含以下图像的模式，确定食材的种类并确定其库存量，该图像的模式包含预先准备的各食材的特征。另外，库存量包括重量及数量(库存数)。
35.图3是表示冰箱10的其他结构的一例的图。冰箱10可以具有受理食材的种类和库存量的信息的触控面板等受理部104，用户经由该受理部104手动输入食材的种类和库存量的信息，处理部103通过确定输入的信息，确定食材的种类和库存量。
36.图4是表示便携终端20的结构的一例的图。便携终端20如图4所示，具有通信部201、处理部202、通知部203(显示部的一例、输入部的一例)。通信部201与外部装置通信。作为外部装置的例子，可以举出冰箱10、服务器40等。处理部202取得食材的订购预约的信息。此外，处理部202例如与用户对于后述的通知部203的对表示订购的内容的信息进行变更的操作对应地，变更食材的订购预约的信息(表示订购的内容的信息的一例)。此外，处理部202取得食材的订购结果的信息。通知部203通知经由通信部201接收到的信息。例如，通知部203通知经由通信部201接收到的食材的订购预约的信息(表示订购的内容的信息的一例)。此外，通知部203通知食材的订购结果的信息(表示订购的内容的信息的一例)。通知部203例如是具有液晶面板的触控面板等显示部。通知部203受理由用户进行的对表示订购的内容的信息进行变更的操作。
37.图5是表示服务器30的结构的一例的图。服务器30管理食材的种类和库存量。服务器30如图5所示，具有通信部301、处理部302、存储部303。
38.通信部301与外部装置通信。作为外部装置的例子，可以举出冰箱10、服务器40等。处理部302经由通信部301从冰箱10取得表示每种食材的库存量的信息。处理部302将所取得的表示库存量的信息与表示取得该信息的日期时间的信息一起记录到存储部303。日期时间包括年、月、日及小时。存储部303在过去的规定期间中，按照每个食材的种类，将表示库存量的信息与表示日期时间的信息建立关联而存储。过去的规定期间是存储表示食材与该食材的库存数的关系的数据的期间。表示食材与该食材的库存数的关系的数据，是用来决定后述的多个学习模型的参数的数据、以及用来使用具有已决定的参数的这些多个学习模型预测将来的数据。图6是表示存储部303存储的信息的一例的图。图6所示的例子是作为食材而将鸡蛋和猪肉记录在存储部303中的例子，对于各个食材，日期时间与该日期时间时的该食材的库存量(图6中的库存数)相关联。另外，在图6中表示了用数量表示库存量的例子，但库存量并不限定于数量，也可以用重量表示库存量。
39.图7是表示服务器40的结构的一例的图。服务器40确定各食材的消耗频度，推测各食材的将来的库存状态，推测各食材的订购日。服务器40如图7所示，具有通信部401、处理部402(确定部的一例、推测部的一例、订购部的一例、库存推测学习部的一例、订购日学习部的一例)、存储部403。
40.通信部401与外部装置通信。作为外部装置的例子，可以举出便携终端20、服务器30、服务器50等。
41.处理部402基于用户的过去的消耗动向，将用户消耗的多个食材与消耗频度对应地分类，在各分类中确定消耗频度相对较高的特别食材。例如，处理部402基于第1期间中的用户的过去的消耗动向和比该第1期间长的第2期间中的用户的过去的消耗动向，确定多个食材各自的消耗频度。即，处理部402使用期间不同的数据确定消耗频度。
42.图8是表示过去的规定期间中的日期时间与该日期时间时的食材a的库存量的关系的图。这里，参照图8对使用期间不同的数据确定消耗频度的处理部402进行说明。另外，图8中的过去的规定期间是过去90天间。
43.首先，处理部402使用最近的短期间(例如，图8中的过去1天～14天(两周间)的履历)中的食材a的库存量的数据，确定食材a是否是消耗频度高(例如，每天消耗或2～3天消耗1次)的食材。例如，处理部402通过将最近的短期间中的食材a的消耗次数除以该期间表
示的天数所得的运算结果设为消耗频度，从而确定消耗频度。并且，处理部402例如在运算结果为1以上的情况下，将食材a确定为每天消耗的食材。此外，处理部402例如在运算结果是3分之1以上且小于1的情况下，将食材a确定为2～3天消耗1次的食材。
44.此外，在食材a未被确定为消耗频度高的情况下(在上述例子中，在运算结果小于3分之1的情况下)，处理部402将最近的期间加长(例如，将两周间变更为30天间)，确定消耗频度其次高(例如，1周间消耗1次或者两周间消耗1次)的食材。即，处理部402作为期间不同的数据，使用过去1天～30天的食材a的库存量的数据确定食材a的消耗频度。另外，由处理部402进行的消耗频度的确定如上述那样，可以将食材a的消耗次数除以期间表示的天数所得的运算结果设为消耗频度。并且，处理部402例如在运算结果为7分之1以上且小于3分之1的情况下，将食材a确定为1周间消耗1次的食材。此外，处理部402例如在运算结果是14分之1以上且小于7分之1的情况下，将食材a确定为两周间消耗1次的食材。
45.此外，在食材a未被确定为消耗频度其次高的情况下(在上述例子中，运算结果小于14分之1的情况下)，处理部402将最近的期间进一步加长(例如，将30天间变更为90天间)，确定消耗频度其次高(例如，30天间消耗1次)的食材。即，处理部402作为期间不同的数据，使用过去1天～90天的食材a的库存量的数据，确定食材a的消耗频度。另外，由处理部402进行的消耗频度的确定也可以如上述那样，将食材a的消耗次数除以期间表示的天数所得的运算结果设为消耗频度。并且，处理部402例如在运算结果为30分之1以上且小于14分之1的情况下，将食材a确定为在30天间消耗1次的食材。此外，处理部402例如在运算结果小于30分之1的情况下，将食材a确定为消耗频度在30天小于1次的食材。
46.实际中，处理部402通过对各食材进行对上述的食材a进行的处理，从而确定各食材的消耗频度。
47.另外，处理部402在通过上述的运算确定消耗频度的方法之外，还可以使用确定消耗频度的已学习模型来确定消耗频度。已学习模型中的参数例如如以下这样决定。
48.在确定消耗频度的学习模型的参数的决定中使用的教师数据包括输入数据和对应于该输入数据的输出数据。图9～图11是表示教师数据的例子的图。
49.首先，对用来确定消耗频度高(例如，每天消耗或者2～3天消耗1次)的食材的学习模型的参数的决定进行说明。图9是表示用来确定处理部402用于确定消耗频度高(例如，每天消耗或者2～3天消耗1次)的食材的学习模型的参数的教师数据的图。例如，存储部403存储该教师数据。教师数据是表示关于各食材的过去的消耗频度的实际结果数据。教师数据关于各食材，将用来确定消耗频度高的食材的规定期间(在确定每天消耗或者2～3天消耗1次的食材的情况下，例如为两周间)中的日期时间和该日期时间时的库存量设为输入数据，将对应于该输入数据的消耗频度设为输出数据，包括多个将输入数据与对应于该输入数据的输出数据建立关联而得到的数据。在图9所示的例子中，将输入数据与对应于该输入数据的输出数据建立关联而得到的数据是10000组数据。
50.例如，考虑使用图9所示的由10000组数据构成的教师数据决定关于食材a的学习模型的参数的情况。在此情况下，将教师数据例如划分为训练数据、评价数据和测试数据。作为训练数据、评价数据和测试数据的比例的例子，可以举出70％、15％、15％，或95％、2.5％、2.5％等。例如，假设将数据#1～#10000的教师数据划分为，数据#1～#7000作为训练数据，数据#7001～#8500作为评价数据，数据#8501～#10000作为测试数据。在此情况下，将
作为训练数据的数据#1向作为学习模型的神经网络输入。每当训练数据的输入数据输入到神经网络，而从神经网络输出消耗频度时(在此情况下，每当数据#1～#7000的各个数据向神经网络输入时)，与该输出对应地进行例如反向传播，由此变更表示节点间的数据的结合的权重的参数(即，变更神经网络的模型)。这样，将训练数据向神经网络输入，调整参数。
51.接着，向根据训练数据而变更了参数的神经网络，依次输入评价数据的输入数据(数据#7001～#8500)。神经网络输出与输入的评价数据对应的消耗频度。这里，在神经网络输出的数据与在图9中和输入数据建立了关联的输出数据不同的情况下，以使神经网络的输出成为在图9中与输入数据建立了关联的输出数据的方式变更参数。这样，决定了参数的神经网络(即学习模型)是用来确定消耗频度高(例如，每天消耗或者2～3天消耗1次)的食材的已学习模型(以下记作第1已学习模型)。
52.接着，作为最终确认，向第1已学习模型的神经网络依次输入测试数据(数据#8501～#10000)的输入数据。第1已学习模型的神经网络输出与输入的测试数据对应的消耗频度。对于全部的测试数据，在第1已学习模型的神经网络输出的消耗频度与在图9中与输入数据建立了关联的消耗频度一致的情况下，第1已学习模型的神经网络是希望的模型。此外，测试数据中只要有1个存在第1已学习模型的神经网络输出的消耗频度与在图9中与输入数据建立了关联的消耗频度不一致的情况，就使用新的教师数据决定学习模型的参数。反复进行上述学习模型的参数的决定，直到得到具有希望的参数的第1已学习模型。在得到了具有希望的参数的第1已学习模型的情况下，将该第1已学习模型例如向存储部403记录。
53.接着，对用来确定消耗频度其次高(例如，1周间消耗1次或者两周间消耗1次)的食材的学习模型的参数的决定进行说明。图10是表示用来确定处理部402用于确定消耗频度其次高(例如，1周间消耗1次或者两周间消耗1次)的食材的学习模型的参数的教师数据的图。例如，存储部403存储该教师数据。教师数据是表示关于各食材的过去的消耗频度的实际结果数据。教师数据关于各食材，将用来确定消耗频度其次高的食材的规定期间(在确定1周间消耗1次或者两周间消耗1次的食材的情况下，例如是30天间)中的日期时间和该日期时间时的库存量设为输入数据，将对应于该输入数据的消耗频度设为输出数据，包括多个将输入数据与对应于该输入数据的输出数据建立关联而得到的数据。在图10所示的例子中，将输入数据与对应于该输入数据的输出数据建立关联而得到的数据是10000组数据。
54.另外，在使用图10所示的由10000组数据构成的教师数据决定关于食材a的学习模型的参数的情况下，也将教师数据例如如上述那样划分为训练数据、评价数据和测试数据，反复至得到具有希望的参数的已学习模型为止(在与输入数据所关联的消耗频度不一致的情况下，使用新的教师数据)。这样，决定了参数的神经网络(即学习模型)是用来确定消耗频度其次高(例如，1周间消耗1次或者两周间消耗1次)的食材的已学习模型(以下，记作第2已学习模型)。在得到了具有希望的参数的第2已学习模型的情况下，将该第2已学习模型例如记录到存储部403中。
55.接着，对用来确定消耗频度其次高(例如，30天间消耗1次)的食材的学习模型的参数的决定进行说明。图11是表示用来确定处理部402用于确定消耗频度其次高(例如，30天间消耗1次)的食材的学习模型的参数的教师数据的图。例如，存储部403存储该教师数据。教师数据是表示关于各食材的过去的消耗频度的实际结果数据。教师数据关于各食材，将用来确定消耗频度其次高的食材的规定期间(在确定30天间消耗1次的食材的情况下，例如
是90天间)中的日期时间和该日期时间时的库存量设为输入数据，将对应于该输入数据的消耗频度设为输出数据，包括多个将输入数据与对应于该输入数据的输出数据建立关联而得到的数据。在图11所示的例子中，将输入数据与对应于该输入数据的输出数据建立关联而得到的数据是10000组数据。
56.另外，在使用图11所示的由10000组数据构成的教师数据决定关于食材a的学习模型的参数的情况下，也将教师数据例如如上述那样划分为训练数据、评价数据和测试数据，反复至得到具有希望的参数的已学习模型为止(在与输入数据所关联的消耗频度不一致的情况下，使用新的教师数据)。这样，决定了参数的神经网络(即学习模型)是用来确定消耗频度其次高(例如，30天间消耗1次)的食材的已学习模型(以下，记作第3已学习模型)。在得到了具有希望的参数的第3已学习模型的情况下，将该第3已学习模型例如记录到存储部403中。
57.另外，关于食材a以外的食材，也与食材a同样地，使用上述的学习模型的参数的决定方法，决定用来确定不同的各使用频度的多个学习模型的参数。
58.此外，处理部402基于确定出的消耗频度将食材分类，确定已分类的食材中的消耗频度前几位的食材(消耗频度相对较高的特别食材的一例)。例如，处理部402对消耗频度为每天的食材、消耗频度为2～3天间1次的食材、消耗频度为1周间1次的食材、消耗频度为两周间1次的食材、消耗频度为1个月1次的食材、消耗频度为1个月不到1次的食材进行分类。并且，处理部402以消耗频度为每天的食材、消耗频度为2～3天间1次的食材、消耗频度为1周间1次的食材、消耗频度为两周间1次的食材、消耗频度为1个月1次的食材、消耗频度为1个月不到1次的食材的顺序，确定消耗频度高的前几位的食材。并且，处理部402只要对确定出的消耗频度中的消耗频度高的前几位的食材进行确定即可。另外，处理部402也可以使用与确定上述消耗频度的已学习模型不同的已学习模型来确定消耗频度高的前几位的食材(例如，消耗频度高的名次前5个，消耗频度为1个月1次以上的食材等)。另外，对于用来确定消耗频度高的前几位的食材的学习模型的参数，例如假设规定期间为两周间，则将该两周间中的日期时间和该日期时间时的库存量设为输入数据，将对应于该输入数据的消耗频度高的前几位的食材设为输出数据，使用包括将该输入数据与输出数据建立关联所得的多个数据的教师数据与上述的学习模型的参数同样地决定即可。
59.此外，处理部402基于表示在用户的冰箱10或住宅内保存的至少1个食材的库存状态的库存信息和反映关于食材的用户的过去的消耗动向的推测用信息，推测食材的将来的库存状态。食材的将来的库存状态可以是食材的将来的库存量。作为推测用信息的例子，可以举出已学习模型等。作为用户的过去的消耗动向的例子，可以举出用户的过去的不同的多个时刻与这些各时刻时的食材的库存量的关系等。但是，食材的将来的库存状态并不限定于食材的将来的库存量，例如也可以是食材的库存量为规定量(例如零)以下的时期。另外，在关于相同或不同的食材存在购入日或摄取期限不同的多个库存登记的情况下，库存信息可以包含表示多个库存登记的各自的库存量与多个库存登记各自的购入日或摄取期限的对应关系的信息。另外，购入日可以包括从订购食材的日子到食材的配送完成的日子为止的任一个日子。另外，购入日优选将订购食材的日子或食材的配送完成的日子等作为基准的日子统一。此外，摄取期限可以包含保质期或品尝期限的至少一个。此外，在关于相同或不同的食材存在冰箱的保存室不同的多个库存登记的情况下，库存信息可以包含表示
多个库存登记各自的库存量与多个库存登记各自的保存室的对应关系的信息。此外，库存信息在将各食材与表示食材的类别的食材分类相关联地登记的情况下，可以包含表示多个库存登记各自的库存量与多个库存登记各自的食材分类的对应关系的信息。例如，作为表示食材的类别的食材分类的例子，可以举出肉类、鱼类、蔬菜等。处理部402推测特别食材(例如，分类出的食材中的消耗频度前几位的食材)的将来的库存状态。此外，处理部402在食材的库存状态有变化的情况下，基于食材的最新的库存状态推测食材的将来的库存状态。另外，处理部402可以使用推测食材的将来的库存状态的已学习模型来推测食材的将来的库存状态。即，处理部402可以基于关于用户的教师数据，决定作为推测用信息的学习模型的参数，该关于用户的教师数据将表示过去时刻的食材的库存状态的库存信息与表示从过去时刻观察的将来时刻的食材的库存状态的信息建立对应关系，包含表示过去时刻的食材的库存状态的库存信息作为输入数据、包含表示从过去时刻观察的将来时刻的食材的库存状态的信息作为输出数据。此外，教师数据也可以包含表示过去时刻的冰箱的控制模式的信息。学习模型的参数例如如以下这样决定。
60.图12～图14是表示在推测食材的将来的库存状态的学习模型的参数的决定中使用的教师数据的例子的图。首先，对用来推测消耗频度高(例如，每天消耗或者2～3天消耗1次)的食材的将来的库存状态的学习模型的参数的决定进行说明。图12表示用于推测消耗频度高(例如，每天消耗或者2～3天消耗1次)的情况下的各食材的将来的库存状态的学习模型的参数的决定的教师数据。例如，存储部403存储该教师数据。教师数据是表示关于各食材的过去的消耗频度的实际结果数据。教师数据关于各食材，将消耗频度高的规定期间(在确定每天消耗或者2～3天消耗1次的食材的情况下，例如是两周间)中的日期时间和该日期时间时的库存量设为输入数据，将该食材的库存量成为零的时期作为输出数据、包括多个将输入数据与对应于该输入数据的输出数据建立关联而得到的数据。在图12所示的例子中，将输入数据与对应于该输入数据的输出数据建立关联而得到的数据是10000组数据。
61.例如，考虑使用图12所示的由10000组数据构成的教师数据决定关于食材a的学习模型的参数的情况。在此情况下，将教师数据例如划分为训练数据、评价数据和测试数据。作为训练数据、评价数据和测试数据的比例的例子，可以举出70％、15％、15％，或95％、2.5％、2.5％等。例如，假设将数据#1～#10000的教师数据划分为，数据#1～#7000作为训练数据，数据#7001～#8500作为评价数据，数据#8501～#10000作为测试数据。在此情况下，将作为训练数据的数据#1向作为学习模型的神经网络输入。每当训练数据的输入数据输入到神经网络，而从神经网络输出库存量成为零的时期时(在此情况下，每当数据#1～#7000的各个数据向神经网络输入时)，与该输出对应地进行例如反向传播，由此变更表示节点间的数据的结合的权重的参数(即，变更神经网络的模型)。这样，将训练数据向神经网络输入，调整参数。
62.接着，向根据训练数据而变更了参数的神经网络，依次输入评价数据的输入数据(数据#7001～#8500)。神经网络输出与输入的评价数据对应的库存量成为零的时期。这里，在神经网络输出的数据与在图12中和输入数据建立了关联的输出数据不同的情况下，以使神经网络的输出成为在图12中与输入数据建立了关联的输出数据的方式变更参数。这样，决定了参数的神经网络(即学习模型)是在将食材a确定为消耗频度高(例如，每天消耗或者2～3天消耗1次)的食材的情况下，用来推测食材a的库存状态的已学习模型(以下记作第4
已学习模型)。
63.接着，作为最终确认，向第4已学习模型的神经网络依次输入测试数据(数据#8501～#10000)的输入数据。第4已学习模型的神经网络输出与输入的测试数据对应的库存量成为零的时期。对于全部的测试数据，在第4已学习模型的神经网络输出的库存量成为零的时期与在图12中与输入数据建立了关联的库存量成为零的时期一致的情况下，第4已学习模型的神经网络是希望的模型。此外，测试数据中只要有1个存在第4已学习模型的神经网络输出的库存量成为零的时期与在图12中与输入数据建立了关联的库存量成为零的时期不一致的情况，就使用新的教师数据决定学习模型的参数。反复进行上述学习模型的参数的决定，直到得到具有希望的参数的第4已学习模型。在得到了具有希望的参数的第4已学习模型的情况下，将该第4已学习模型向存储部403记录。
64.接着，对用来推测消耗频度其次高(例如，1周间消耗1次或者两周间消耗1次)的食材的将来的库存状态的学习模型的参数的决定进行说明。图13表示在推测消耗频度其次高(例如，1周间消耗1次或者两周间消耗1次)的情况下的各食材的将来的库存状态的学习模型的参数的决定中使用的教师数据。例如，存储部403存储该教师数据。教师数据是表示关于食材的过去的消耗频度的实际结果数据。教师数据关于各食材，将消耗频度其次高的规定期间(在确定1周间消耗1次或者两周间消耗1次的食材的情况下，例如是30天间)中的日期时间和该日期时间时的库存量设为输入数据，将该食材的库存量成为零的时期设为输出数据，包括多个将输入数据与对应于该输入数据的输出数据建立关联而得到的数据。在图13所示的例子中，将输入数据与对应于该输入数据的输出数据建立关联而得到的数据是10000组数据。
65.另外，在使用图13所示的由10000组数据构成的教师数据决定关于食材a的学习模型的参数的情况下，也将教师数据例如如上述那样划分为训练数据、评价数据和测试数据，反复至得到具有希望的参数的已学习模型为止(在与输入数据所关联的库存量成为零的时期不一致的情况下，使用新的教师数据)。这样，决定了参数的神经网络(即学习模型)是用来推测消耗频度其次高(例如，1周间消耗1次或者两周间消耗1次)的食材的将来的库存状态的已学习模型(以下，记作第5已学习模型)。在得到了具有希望的参数的第5已学习模型的情况下，将该第5已学习模型记录到存储部403中。
66.接着，对用来推测消耗频度其次高(例如，30天间消耗1次)的食材的将来的库存状态的学习模型的参数的决定进行说明。图14表示在推测消耗频度其次高(例如，30天间消耗1次)的情况下的各食材的将来的库存状态的学习模型的参数的决定中使用的教师数据。例如，存储部403存储该教师数据。教师数据是表示关于食材的过去的消耗频度的实际结果数据。教师数据关于各食材将消耗频度其次高的规定期间(在确定30天间消耗1次的食材的情况下，例如是90天间)中的日期时间和该日期时间时的库存量设为输入数据、将该食材的库存量成为零的时期设为输出数据，包括多个将输入数据与对应于该输入数据的输出数据建立关联而得到的数据。在图14所示的例子中，将输入数据与对应于该输入数据的输出数据建立关联而得到的数据是10000组数据。
67.另外，在使用图14所示的由10000组数据构成的教师数据决定关于食材a的学习模型的参数的情况下，也将教师数据例如如上述那样划分为训练数据、评价数据和测试数据，反复至得到具有希望的参数的已学习模型为止(在与输入数据所关联的库存量成为零的时
期不一致的情况下，使用新的教师数据)。这样，决定了参数的神经网络(即学习模型)是用来推测消耗频度其次高(例如，30天间消耗1次)的食材的将来的库存状态的已学习模型(以下，记作第6已学习模型)。在得到了具有希望的参数的第6已学习模型的情况下，将该第6已学习模型记录到存储部403中。
68.另外，关于食材a以外的食材，也与食材a同样地，使用上述的学习模型的参数的决定方法，决定不同的各用来推测将来的库存状态的多个学习模型的参数。
69.此外，处理部402取得与每个订购的食材的配送期间(订购的食材的订购后的配送期间的一例)关联的信息。例如，处理部402经由网络或电话网等通信网对作为食材的订购点的服务器的后述的服务器50进行访问，由此取得食材的配送完成日的信息。具体而言，在是进行了业务协作等而能够在web站点导入容易取得配送完成日的信息的机制的企业的情况下，处理部402例如对web站点进行访问，在输入了规定的id(identification)和密码的情况下，表示配送完成日的信号从服务器50发送，取得发送完成日的信息。此外，具体而言，在单纯地在web站点上显示配送完成日的情况下，处理部402例如进行html(hypertext markup language，超文本标记语言)等的语言解析，或对web站点的画面进行图像解析等，取得配送完成日的信息。另外，也可以由用户对订购点进行电话联络等，将所取得的食材的配送完成日的信息向服务器40的存储部403等记录，处理部402通过访问该存储部来取得配送期间的信息。此外，也可以由用户将显示在web站点上的配送完成日的信息记录到服务器40的存储部403等中，处理部402通过访问该存储部来取得配送期间的信息。并且，处理部402计算从订购日到配送完成日的期间，取得计算结果作为配送期间。
70.另外，在配送完成日为1周后、1个月后等用天数以外的单位表示的情况下，处理部402可以将1周变换为7天，将1个月变换为30天或设为下个月的同日等考虑各月的天数的差异来计算配送期间。
71.并且，处理部402基于推测出的食材的将来的库存状态和食材的配送所需要的配送期间而订购食材。例如，处理部402基于特别食材(例如，已分类的食材中的消耗频度为前几位的食材)的将来的库存状态，订购特别食材。在从库存量成为零的时期回溯了该食材的配送期间的时期以前，订购使库存量从该食材的下次订购到订购的食材的配送完成为止的期间中消耗不完的量的食材。作为使库存量从该食材的下次订购到订购的食材的配送完成为止的期间中消耗不完的量的食材的订购的例子，可以举出作为关于该食材的过去的大订购量的订购、作为关于该食材的过去的平均订购量的订购等。另外，作为使库存量从该食材的下次订购到订购的食材的配送完成为止的期间中消耗不完的量也可以预先决定。此外，处理部402也可以基于新推测出的食材的将来的库存状态，将过去决定的食材的订购定时或订购量更新。例如，处理部402每当食材消耗，就根据该食材的库存量推测库存状态。假设在上次的推测中该食材在3天后成为零、从订购到配送完成花费1天，因此处理部402例如判定为只要在2天后预订过去订购的订购量的平均量的食材就可以。但是，例如也可以在下一天该食材全部消耗完的情况下，处理部402立即预订该食材。此外，由于该食材急剧地消耗，所以消耗频度也变高。因此，处理部402可以判断为今后消耗频度高的状态会持续，使订购量增加。此外，处理部402可以在从决定了食材的订购的时刻到实际订购食材为止的期间中，在食材的库存状态不变化、或者库存的减少量为阈值以下的情况下，或在食材的库存增加了的情况下，或在实际的库存数比上次推测的将来的库存数多的情况下，向用户通知关
于食材的订购的询问。通过该通知，用户能够避免导致浪费的食材的订购。
72.另外，处理部402可以具有确定食材的订购时期和订购量的已学习模型，使用该已学习模型确定食材的订购时期和订购量。即，处理部402可以将食材的将来的库存状态、食材的过去的实际的配送期间和食材的实际的订购日建立对应关系，基于教师数据决定推测食材的订购日的学习模型的参数，该教师数据包含由处理部402推测出的食材的将来的库存状态和食材的过去的实际的配送期间作为输入数据，包含食材的实际的订购日作为输出数据。并且，处理部402可以使用决定了参数的学习模型来决定订购食材的订购日。学习模型的参数例如如以下这样决定。
73.图15是表示在推测食材的订购日的学习模型的参数的决定中使用的教师数据的例子的图。例如，存储部403存储该教师数据。教师数据是表示关于各食材的过去的某个时刻的将来的库存状态、该食材的订购的实际的配送期间与该食材的实际的订购日的关系的实际结果数据。教师数据将关于各食材的过去的某个时刻的将来的库存状态和该食材的订购的实际的配送期间设为输入数据，将该食材的实际的订购日设为输出数据，包括多个将输入数据与对应于该输入数据的输出数据建立关联而得到的数据。在图15所示的例子中，将输入数据与对应于该输入数据的输出数据建立关联而得到的数据是10000组数据。
74.例如，考虑使用图15所示的由10000组数据构成的教师数据决定关于食材a的学习模型的参数的情况。在此情况下，将教师数据例如划分为训练数据、评价数据和测试数据。作为训练数据、评价数据和测试数据的比例的例子，可以举出70％、15％、15％，或95％、2.5％、2.5％等。例如，假设将数据#1～#10000的教师数据划分为，数据#1～#7000作为训练数据，数据#7001～#8500作为评价数据，数据#8501～#10000作为测试数据。在此情况下，将作为训练数据的数据#1向作为学习模型的神经网络输入。每当训练数据的输入数据输入到神经网络，而从神经网络输出订购日时(在此情况下，每当数据#1～#7000的各个数据向神经网络输入时)，与该输出对应地进行例如反向传播，由此变更表示节点间的数据的结合的权重的参数(即，变更神经网络的模型)。这样，将训练数据向神经网络输入，调整参数。
75.接着，向根据训练数据而变更了参数的神经网络，依次输入评价数据的输入数据(数据#7001～#8500)。神经网络输出与输入的评价数据对应的订购日。这里，在神经网络输出的数据与在图15中和输入数据建立了关联的输出数据不同的情况下，以使神经网络的输出成为在图15中与输入数据建立了关联的输出数据的方式变更参数。这样，决定了参数的神经网络(即学习模型)是用来推测订购日的已学习模型(以下，记作第7已学习模型)。
76.接着，作为最终确认，向第7已学习模型的神经网络依次输入测试数据(数据#8501～#10000)的输入数据。第7已学习模型的神经网络输出与输入的测试数据对应的订购日。对于全部的测试数据，在第7已学习模型的神经网络输出的订购日与在图15中与输入数据建立了关联的订购日一致的情况下，第7已学习模型的神经网络是希望的模型。此外，测试数据中只要有1个存在第7已学习模型的神经网络输出的订购日与在图15中与输入数据建立了关联的订购日不一致的情况，就使用新的教师数据决定学习模型的参数。反复进行上述学习模型的参数的决定，直到得到具有希望的参数的第7已学习模型。在得到了具有希望的参数的第7已学习模型的情况下，将该第7已学习模型向存储部403记录。
77.另外，关于食材a以外的食材，也与食材a同样地，使用上述的学习模型的参数的决定方法，决定不同的各用来推测订购日的多个学习模型的参数。
78.另外，处理部402也可以在食材的库存量变化、推测为该食材的库存量是零的情况下，订购该食材。处理部402在对服务器50订购了食材的情况下，将表示其订购内容的订购信息向存储部403记录。在订购信息中，包括订购日期时间、食材的种类、食材的订购量、食材的价格、食材的发送日等信息。此外，处理部402将订购信息向便携终端20发送。存储部403存储处理部402订购的订购信息。
79.图16是表示服务器50的结构的一例的图。服务器50如图16所示，具有通信部501、处理部502、存储部503。
80.通信部501与外部装置通信。作为外部装置的例子，可以举出服务器40等。处理部502经由通信部501从服务器40受理食材的订购。在食材的订购中，包括订购日期时间、食材的种类、食材的订购量、食材的价格、食材的发送日等信息。此外，处理部502经由通信部501向服务器40发送表示各食材的配送期间的信息。
81.处理部502将表示已受理的食材的订购内容的信息向存储部503记录。在表示已受理的食材的订购内容的信息中，包括订购日期时间、食材的种类、食材的订购量、食材的价格、食材的发送日等信息。此外，处理部502安排已受理了订购的食材的配送。通过该安排，将订购的食材向用户配送。存储部503存储表示已受理的食材的订购内容的信息。
82.(订购系统进行的处理)
83.接着，对一个实施方式的订购系统1进行的处理进行说明。图17是表示一个实施方式的订购系统1的处理流程的一例的图。这里，对图17所示的订购系统1的处理流程进行说明。另外，假设在订购前已经准备好了使用以过去的实际结果等数据准备的教师数据决定了参数的确定各食材的消耗频度的已学习模型、按照各食材的消耗频度推测将来的库存状态的已学习模型以及推测消耗频度高的食材的订购日的已学习模型。
84.摄影部101对食材进行摄影。具体而言，摄影部101对在冰箱10的内部的食材及作为在住宅内保存的管理对象的食材进行摄影(步骤s1)。处理部103确定食材的种类和库存量(步骤s2)。例如，处理部103在摄影部101拍摄的图像中通过使用图像匹配技术判定是否包含以下图像的模式，确定食材的种类并确定其库存量，该图像的模式包含预先准备的各食材的特征。处理部103经由通信部102将确定出的食材的种类、该食材的库存量和日期时间向服务器30发送。
85.服务器30的处理部302经由通信部301从冰箱10接收食材的种类、该食材的库存量和日期时间。处理部302将表示接收到的库存量的信息与表示接收到该信息的日期时间的信息建立关联而记录至存储部303。存储部303按照每个食材的种类，将表示库存量的信息与表示日期时间的信息建立关联而存储。
86.处理部402经由通信部401，从服务器30取得表示用户的过去的消耗动向的信息。处理部402将取得的表示用户的过去的消耗动向的信息向确定消耗频度的已学习模型输入。确定消耗频度的已学习模型输出与输入的信息对应的各食材的消耗频度。已学习模型输出的消耗频度是该食材的消耗频度。处理部402按照确定出的消耗频度将食材分类。处理部402在已分类的食材中确定消耗频度为前几位的食材(步骤s3)。例如，处理部402对消耗频度为每天的食材、消耗频度为2～3天1次的食材、消耗频度为1周间1次的食材、消耗频度为两周间1次的食材、消耗频度为1个月1次的食材、消耗频度为1个月不到1次的食材进行分类。并且，处理部402确定消耗频度高的前几位的食材。例如，处理部402以消耗频度为每天
的食材、消耗频度为2～3天1次的食材、消耗频度为1周间1次的食材、消耗频度为两周间1次的食材、消耗频度为1个月1次的食材的顺序排列，确定消耗频度高的前几位的食材(例如，消耗频度高的前5个、消耗频度为1个月1次以上的食材等)。另外，处理部402也可以使用仅输出上述的确定消耗频度的已学习模型确定出的消耗频度中的消耗频度高的前几位的食材的与第1～第3已学习模型不同的已学习模型，来确定消耗频度高的前几位的食材(例如，消耗频度高的前5个、消耗频度为1个月1次以上的食材等)。
87.处理部402经由通信部401从服务器30取得关于确定出的消耗频度为前几位的食材的库存信息。此外，处理部402从存储部403读取关于确定出的消耗频度为前几位的食材的推测用信息。处理部402将取得的库存信息向所读取的推测用信息(即，推测食材的将来的库存状态的已学习模型)输入。推测食材的将来的库存状态的已学习模型输出与所输入的信息对应的各食材的将来的库存状态(例如，库存量成为零的时期)。
88.处理部402经由通信部401从服务器50取得表示订购了消耗频度为前几位的各食材的情况下的配送期间的信息。例如，处理部402通过经由网络或电话网等通信网对作为食材的订购点的服务器的服务器50进行访问(例如，通过读取显示在web站点上的配送完成日)，取得食材的配送完成日的信息。另外，配送完成日的信息的取得只要是订购前，在哪个定时取得都可以。此外，处理部402经由通信部401从服务器30对消耗频度为前几位的各食材取得表示过去的最近的规定期间中的大订购量的信息。处理部402将取得的信息所表示的各食材的配送期间、取得的信息所表示的关于过去的最近的规定期间中的消耗频度为前几位的各食材的大订购量、以及推测食材的将来的库存状态的已学习模型输出的各食材的将来的库存状态(例如，库存量成为零的时期)向推测食材的订购日的各已学习模型输入。推测食材的订购日的各已学习模型输出与所输入的信息对应的食材的订购日。处理部402确定推测食材的订购日的已学习模型输出的订购日(步骤s4)。处理部402对在过去的最近的规定期间中消耗频度为前几位的各食材在确定的订购日订购大订购量的食材(步骤s5)。
89.(优点)
90.以上，对一个实施方式的订购系统1进行了说明。对于订购系统1，处理部402(推测部的一例)基于表示在用户的冰箱10或住宅内保存的至少1个食材的库存状态的库存信息、以及反映关于食材的用户的过去的消耗动向的推测用信息，推测食材的将来的库存状态。此外，处理部402(订购部的一例)基于推测出的食材的将来的库存状态和食材的配送所需要的配送期间，订购食材。通过该订购系统1，能够在适当的定时确保需要的食材。
91.《实施方式的第1变形例》
92.在实施方式的第1变形例中，表示过去时刻的食材的库存状态的库存信息在关于相同或不同的食材存在购入日或摄取期限不同的多个库存登记的情况下，可以包含表示多个库存登记各自的库存量与多个库存登记各自的购入日或摄取期限的对应关系的信息。作为摄取期限的例子，可以举出品尝期限或消耗期限。这是基于在购入日或摄取期限不同的情况下，存在将购入日较早的食材或摄取期限较近的食材优先消耗的趋向、给食材的消耗带来影响的考虑。
93.由此，在实施方式的第1变形例中，在处理部402基于上述考虑而决定推测食材的将来的库存状态的已学习模型的参数的情况下，作为教师数据的输入而使用购入日或摄取期限。此外，处理部402向推测食材的将来的库存状态的已学习模型输入购入日或摄取期
限，推测食材的将来的消耗。通过这样，实施方式的第1变形例的订购系统1与一个实施方式的订购系统1相比，更多地使用给食材的将来的库存状态带来影响的因素，能够更加高精度地推测食材的将来的库存状态。
94.《实施方式的第2变形例》
95.在实施方式的第2变形例中，表示过去时刻的食材的库存状态的库存信息在关于相同或不同的食材存在冰箱10的保存室不同的多个库存登记的情况下，可以包含表示多个库存登记各自的库存量与多个库存登记各自的保存室的对应关系的信息。作为保存室的例子，可以举出冷藏室、冷冻室等。可以考虑保存在冷冻室中的食材在长期间内不消耗的可能性高。即，这是基于通常与冷冻室的食材相比冷藏室的食材有到消耗为止的期间短的趋向、给食材的消耗带来影响的考虑。
96.由此，在实施方式的第2变形例中，基于上述考虑，处理部402在决定推测食材的将来的库存状态的已学习模型的参数的情况下，作为教师数据的输入而使用保存室。此外，处理部402向推测食材的将来的库存状态的已学习模型输入保存室，推测食材的将来的库存状态。通过这样，实施方式的第2变形例的订购系统1与一个实施方式的订购系统1相比，更多地使用给食材的将来的库存状态带来影响的因素，能够更加高精度地推测食材的将来的库存状态。
97.《实施方式的第3变形例》
98.在实施方式的第3变形例中，表示过去时刻的食材的库存状态的库存信息在将各食材与表示食材的类别的食材分类相关联地登记的情况下，可以包括表示多个库存登记各自的库存量与多个库存登记各自的食材分类的对应关系的信息。作为表示食材的类别的食材分类的例子，可以举出肉类、鱼类、蔬菜等。可以考虑肉类和鱼类两者作为一顿饭的食材使用的可能性低。即，这是基于以下考虑得出的，通常存在在使用肉类的情况下不使用鱼类的可能性高、此外在使用鱼类的情况下不使用肉类的可能性高的趋势，给食材的消耗带来影响。此外，在蔬菜的库存多的情况下，有可能不消耗肉类或鱼类而消耗蔬菜。此外，在肉类或鱼类的库存多的情况下，有可能不消耗蔬菜而消耗肉类或鱼类。
99.由此，在实施方式的第3变形例中，基于上述考虑，处理部402在决定推测食材的将来的库存状态的已学习模型的参数的情况下，作为教师数据的输入而使用表示食材的类别的食材分类。此外，处理部402向推测食材的将来的库存状态的已学习模型输入表示食材的类别的食材分类，推测食材的将来的库存状态。由此，实施方式的第3变形例的订购系统1与一个实施方式的订购系统1相比，更多地使用给食材的将来的库存状态带来影响的因素，能够更加高精度地推测食材的将来的库存状态。
100.《实施方式的第4变形例》
101.在实施方式的第4变形例中，处理部402在决定推测食材的将来的库存状态的已学习模型的参数的情况下，作为教师数据的输入，可以使用表示过去时刻的冰箱10的控制模式的信息。此外，处理部402向推测食材的将来的库存状态的已学习模型输入控制模式，推测食材的将来的库存状态。作为冰箱10的控制模式的例子，可以举出解冻模式、冷藏模式等。另外，由于解冻模式是为了消耗食材而设定的模式，所以食材立即消耗的可能性高。此外，由于冷藏模式也是为了不间隔太长时间就将食材消耗而设定的模式，所以食材立即消耗的可能性高。基于这样的考虑，使用控制模式。由此，实施方式的第4变形例的订购系统1
state drive，固态硬盘)、磁盘、光盘、cd－rom(compact disc read only memory，只读光盘)、dvd－rom(digital versatile disc read only memory，只读数字多功能光盘)、半导体存储器等。存储设备8既可以是与计算机5的总线直接连接的内部介质，也可以是经由接口9或通信线路与计算机5连接的外部介质。此外，在将该程序通过通信线路向计算机5发送的情况下，接受到发送的计算机5可以将该程序展开到主存储器7中而执行上述处理。在至少1个实施方式中，存储设备8是非暂时性的有形的存储介质。
112.此外，上述程序也可以实现上述功能的一部分。进而，上述程序也可以是能够将上述的功能通过与已经记录在计算机装置中的程序的组合实现的文件、即差异文件(差异程序)。
113.标号说明
[0114]1…
订购系统；5
…
计算机；6
…
cpu；7
…
主存储器；8
…
存储设备；9
…
接口；10
…
冰箱；20
…
便携终端；30、40、50
…
服务器；101
…
摄影部；102、201、301、401
…
通信部；103、202、302、402
…
处理部；104
…
受理部；203
…
通知部；303、403
…
存储部。