EIQ分析に基づくAI予測モデルの作成・学習・予測システム
本システムは、EIQ分析（Entry-Item-Quantity分析）の手法を用いて 出荷データからAI予測モデルを構築するWindows Formsアプリケーションです。
出荷先数（E）とアイテム数（I）を入力として、 バラ数量・行数・EIQ指標・ケース数・PL数・容積・重量など約160項目を SDCA回帰（Microsoft.ML）で予測します。
| ファイル | クラス / モジュール | 役割 |
|---|---|---|
E0_メニュー画面.vb |
E0_メニュー画面F | メインメニュー。各処理画面への遷移とDB状態確認 |
E1_データ前処理.vb |
EIQ_AIモデル前処理F | 出荷データ取込・区分換算・EIQランク作成・T200テーブル作成 |
E2_モデルデータ設定.vb |
モデルデータ設定F | E/I比率・ピッチ設定、T300_進行テーブル管理、E3画面への遷移 |
E3_モデルデータ作成.vb |
E3_モデルデータ作成F | T300_進行に基づくT600_データモデル作成（バッチ処理） |
E4_機械学習.vb |
E4_機械学習F | Microsoft.MLによるモデル訓練・予測実行・結果エクスポート |
EIQ_AI実証及び検証Pro.vb |
EIQ_AI実証及び検証Pro | AI実証及び検証（将来拡張用） |
K1.vb |
Module K1 | グローバル変数・定数・ファイルパス管理 |
AccessDbManager.vb |
AccessDbManager | Accessデータベース新規作成・Excelインポート |
Access操作.vb |
— | SQL実行ヘルパー、テーブル操作共通処理 |
テーブル構造確認.vb |
— | テーブル構造の確認・診断ユーティリティ |
過去の1パターンだけでなく、E/I比率を50%〜150%の範囲で変化させた数千通りの「仮想出荷シナリオ」を生成し、AIに教育します。
E0_メニュー画面Fアプリケーション起動時のエントリポイントです。
EIQ_AIモデル.accdb の存在確認、T200テーブルの有無・種類（リンク or ローカル）・レコード数を表示EIQ_AIモデル前処理F出荷データの取込からEIQ分析用のT200テーブル作成までを行います。
| 処理 | 内容 | 生成テーブル |
|---|---|---|
| Access新規作成 | EIQ_AIモデル.accdbを新規作成 | — |
| Accessインポート | 出荷データ.xlsxをAccessにインポート | T000_出荷データ |
| T110_区分換算 | T100_Data作成、区分換算テーブル作成、各換算計算、出荷単位区分 | T100_Data, T110_区分換算 |
| T200作成_EIQデータ加工 | ケース出荷/バラ出荷のEIランク集計、T180_EIQランク、T200テーブル統合 | T150_*, T180_EIQランク, T200 |
| 全出荷GPLランク | 全出荷GPLのE/Iランク作成、T200に列追加 | T160_全出荷E集計, T160_全出荷I集計 |
モデルデータ設定FAIモデル学習用データの生成パラメータを設定します。
| パラメータ | 範囲 | 説明 |
|---|---|---|
| E最小比率 / E最大比率 | 50% 〜 150% | 出荷先数の変動範囲（正規値に対する比率） |
| I最小比率 / I最大比率 | 50% 〜 150% | アイテム数の変動範囲（正規値に対する比率） |
| レコードピッチ | 1 〜 20（既定 5.9） | 生成レコードの間隔（細かいほどデータ密度が高い） |
E3_モデルデータ作成FT300_進行テーブルの未処理レコードを順次処理し、T600_データモデルテーブルにデータを格納します。
| カテゴリ | フィールド | 数 |
|---|---|---|
| 基本情報 | モデル連番, 出荷先数, アイテム数, バラ数量, 行数 | 5 |
| E指標 | E1 〜 E5 | 5 |
| I指標 | I1 〜 I5 | 5 |
| 行数ランク別 | 行数01 〜 行数25 | 25 |
| バラ数ランク別 | バラ数01 〜 バラ数25 | 25 |
| ケース数ランク別 | ケース01 〜 ケース25 | 25 |
| PL数ランク別 | PL01 〜 PL25 | 25 |
| 容積ランク別 | 容積01 〜 容積25 | 25 |
| 重量ランク別 | 重量01 〜 重量25 | 25 |
作成Chkフラグで管理されるため、
途中で中断しても次回は未処理レコードから継続できます。
キーボード割り込み（GetAsyncKeyState API）による中断機能も搭載しています。
E4_機械学習FMicrosoft.MLライブラリを用いた回帰モデルの訓練と予測を行います。
| 機能 | 説明 |
|---|---|
| データ読込 | データモデル.csvをLoadFromTextFileで読込、件数を表示 |
| 機械学習実行 | 各出力フィールドごとにSDCA回帰モデルを訓練し、Models/フォルダに.zip形式で保存 |
| 学習済モデル読込 | 保存済み.zipモデルを一括読込（再学習不要で予測可能） |
| 予測実行 | 出荷先数・アイテム数を入力 → 全モデルで予測 → DataGridViewに結果表示 |
| 結果エクスポート | 予測結果を予測結果.csvとしてUTF-8で出力 |
| 種別 | 項目 |
|---|---|
| 入力（説明変数） | 出荷先数, アイテム数 |
| 出力（目的変数） | バラ数量, 行数, E1-E5, I1-I5, 行数01-25, バラ数01-25, ケース01-25, PL01-25, 容積01-25, 重量01-25 （計 約160項目 × 各1モデル） |
データ前処理（E1）： 出荷単位の揺れを「区分換算」で補正し、さらにパレート分析によるABCランク付けを自動実行することで、AIが物量の特徴を捉えやすい「高品質な教師データ」の土壌を作ります。
シミュレーション（E2・E3）： 正規の出荷状況だけでなく、E/I比率を50%〜150%の範囲で変化させた数千通りの「仮想シナリオ」を生成します。これにより、AIは拠点の「伸び代」や「処理限界点」を正確に学習します。
機械学習（E4）： 学習効率と予測精度のバランスに優れた「SDCA回帰（確率的双対座標上昇法）」を採用しています。160項目もの目的変数を個別に訓練し、.zip形式の軽量な予測エンジンとして書き出します。
データベース: Tera計算Data\EIQ分析AI化\EIQ_AIモデル.accdb（Microsoft Access）
| テーブル | 作成元 | 用途 |
|---|---|---|
T000_出荷データ | E1（Excelインポート） | 出荷データ原本 |
T100_Data | E1 | 基本出荷データ（行連番付き） |
T110_区分換算 | E1 | 出荷区分に基づく換算データ |
T150_C/B単位出荷E/I集計 | E1 | ケース/バラ出荷別のEI集計とABCランク |
T160_全出荷E/I集計 | E1 | 全出荷GPLランク（E/I別） |
T180_EIQランク | E1 | EIQランク統合テーブル（CE/CI/BE/BI） |
T200 | E1 | EIQ分析加工済みデータ（全ランク・指標統合） |
T300_進行 | E2 | モデルデータ作成の進行管理（連番・設定値・作成Chk） |
T600_データモデル | E3 | AI学習用モデルデータ（165フィールド） |
独自のテーブル遷移（T200からT600への展開）が、物流ノウハウです。単なる履歴データであるT000を、EIQ加工・指標統合した「レコード（T200）」へ変換し、最終的に165フィールドに及ぶAI学習用モデル（T600）へ昇華させます。
データ前処理（E1）： 出荷単位の揺れを「区分換算」で補正し、さらにパレート分析によるEIQランク付けを自動実行することで、AIが物量の特徴を捉えやすい「高品質データ」を作ります。
シミュレーション（E2・E3）： 正規の出荷状況だけでなく、E/I比率を50%〜150%の範囲で変化させた数千通りの「仮想シナリオ」を生成。これにより、AIは拠点の「伸び代」や「処理限界点」を正確に学習します。
機械学習（E4）： 学習効率と予測精度のバランスに優れた「SDCA回帰（確率的双対座標上昇法）」を採用。160項目もの目的変数を個別に訓練し、.zip形式の軽量な予測エンジンとして書き出します。
| 項目 | 要件 |
|---|---|
| フレームワーク | .NET Framework 4.8 |
| 言語 | VB.NET（Windows Forms） |
| 主要ライブラリ | Microsoft.ML（SDCA回帰）, ClosedXML, ADOX, Microsoft.Office.Interop.Access |
| データベース | Microsoft Access（ACE OLEDB 12.0） |
| データ保存先 | 任意ドライブの Tera計算Data フォルダ（A:〜F: を自動検索） |
| 必要ファイル | Tera計算Data\EIQ分析AI化\出荷データ.xlsx（出荷データから作成時） |
K1.vb の ファイル確認() メソッドが A: 〜 F: ドライブを走査し、
Tera計算Data フォルダを自動検出します。
複数ドライブに存在する場合はエラーとなります。
フロントエンドからバックエンド、AI統合まで、すべての技術スタックが.NET Framework 4.8で統一。この一貫性により、外部ライブラリとの競合を最小限に抑え、OSのアップデートにも柔軟に対応できる高いメンテナンス性と、デスクトップアプリならではの圧倒的な即時応答性を両立しています。
Excel形式の生データが、T200での「物流データの構造化」を経て、T600での「シミュレーション空間の構築」、そして最終的に「AI予測モデル」へと情報の進化プロセスを示しています。この一連の流れにより、一見無秩序な出荷データが、将来の拠点設計を支える経営資源へと変換されます。
EIQ_AIモデル作成 — README1.html
「出荷先が1.5倍に増えたら？」「アイテムを半分に絞ったら？」という極端な条件下での数値をシミュレーション算出することで、AIは拠点の「伸び代」や「処理の限界点」を正確に把握できるようになります。