温泉旅館が日帰り入浴の記録・曜日・天気・催しから Python で翌週の日ごとの来場を予測し、受付の時間と食事処の仕込みの案を出す

処理の起点を決める

毎週金曜の朝に1回動かします。 翌週の受付の時間をホームページに載せるのが金曜の午後なので、女将が昼までに案を見て決められる時刻にします。事務所のパソコンの定時実行の仕組み（Windows ならタスク スケジューラ）で Python のスクリプトを起動します。

前日の朝にも、天気予報が大きく変わった日だけ動かします。 事務が予定のシートの翌日の天気を直し、「やり直し」の印を付けたら、その日の分だけ予測と案を作り直します。 毎日すべての日をやり直すと、料理長への連絡が毎日変わります。

月に1回、モデルを作り直します。 毎月の第1金曜に先月までの記録で学習し直し、作り直す前と後で、先月の当たり方を比べた結果を残します。悪くなっていれば、前のモデルのまま使います。

結果の表には作った日時を必ず印字します。 前日のやり直しのあとに古い表で仕込みを決めないためです。

入力データを集める

質を決めるのは、予定のシートと、受付を締めた日の記録です。 催しと通行止めは券売機の記録からは分かりません。受付を早めに締めた日は、来場が締めた時刻で頭打ちになっています。 締めた日と時刻を記録していないと、モデルは「この日はこれだけしか来なかった」と覚えます。

券の種類で、小人の券を分けて数えます。 浴場の混み方には大人も子どもも効きますが、昼食の注文の数は大人の数のほうに強く結びつきます。 予測は大人と小人を合わせた来場で行い、昼食の換算に使う比率は過去の大人の比率から出します。

天気は日ごとの値を使います。 気象庁の過去の気象データ・ダウンロードでは、地点と項目と期間を選んで観測値を CSV で落とせるので、旅館の近くの観測地点の日ごとの降水量と気温を取ります。山あいの旅館は、市街地の地点より近くのアメダスの地点を選びます。

データの取得方法を決める

気象庁の CSV には、値の列のほかに品質情報や均質番号の列が並びます。 値の列だけを名前で選んで読みます。列の位置で読むと、項目を足したときに気温の列に品質情報が入ります。

祝日の CSV は、翌年の分が前の年の2月に載るとされています。年に1回、2月に入れ替えます。

予約の書き出しには、宿泊客の名前と連絡先が含まれます。 読み込むときに、日付と数と到着の予定の時刻以外の列を捨てます。予測に要るのは日ごとの数だけです。

AIへ渡す前に整形する

1. 日ごとにそろえる … 営業日ごとに、券売機の発券の数を合わせます。日帰り入浴を休んだ日（浴場の点検、貸切）は、0ではなく行ごと外します
2. プランの客を外す … 日帰りプランの客は券売機を通らない作りが多いですが、通る場合は券の種類で外し、予約なしの客だけを学習の対象にします
3. 受付を早めに締めた日に印を付ける … 予定のシートの過去の記録から、締めた日と時刻を拾い、印を付けます
4. 時刻の分布を作る … 予約なしの客の発券の時刻から、曜日・季節ごとに「13時から15時に浴場にいる割合」を作ります。入浴の時間は、過去の滞在の見当（たとえば1時間半）を女将と決めて置きます
5. 項目を作る … 曜日、祝日とその前日、連休の何日目か、月、降水の有無と量、最高気温、催しの種類、道路の通行止め、前年の同じ週の同じ曜日の来場、直近4週の同じ曜日の平均
6. 曜日・月・催しを Categorical にする … pandas の Categorical の型にしておけば、既定の設定でカテゴリとして扱われます

3番目が、この構成の肝です。 13時で締めた日の来場は、14時まで受けていればもっと多かったはずです。印を付けずに学習すると、混む日ほど来場が少なく覚えられ、また締める判断を遅らせることになります。 締めた日は、締めた時刻までの来場を、時刻の分布で14時までの分に引き延ばした値を学習に使うか、中央のモデルからは外して上振れのモデルにだけ使います。

宿泊の早い到着の数は、予約の到着の予定の時刻から数えます。 予定の時刻が空の予約も多いので、空のものは、過去の同じ曜日・同じ人数の組の予約で15時前に着いた割合を掛けて見積もります。 団体の予約は到着の時刻がバスの都合で決まっているので、担当が予定のシートに時刻を入れます。

1番目で休んだ日を0にしないのは、0の日を学習すると、雨の日の来場が実際より少なく出るからです。 浴場の点検の日が雨の日に重なっていると、モデルは「雨の日は誰も来ない」と覚えます。

AIに処理させる

させるのは、翌週の日ごとの予約なしの来場を予測することだけです。 機械学習のモデルを3本作ります。

昼食の仕込みに下振れを使うのは、作った料理は翌日に回せないからです。 足りない分は品切れの札で済みますが、余った分は捨てるしかありません。どの分位を使うかは、料理長と、品切れと廃棄のどちらを重く見るかで決めます。 貸しタオルは足りないと客を待たせるので、上振れで準備します。

受付を締める時刻は、浴場の人数で決めます。 予約なしの客の上振れに、13時から15時に浴場にいる割合を掛け、プランの客と宿泊の早い到着の数を足したものが、その時間帯の浴場の人数の見積もりです。

「ゆとり」と「上限」の人数は、女将と決めます。 洗い場の数と脱衣所のかごの数から目安を出し、過去に宿泊客から「混んでいた」と言われた日の人数を思い出しながら決めます。

2行目は、とくに気を付けてください。 来場が多い見込みの日でも、浴槽の換水や清掃の時刻を、来場に合わせてずらす判断に予測を使わないでください。 衛生の管理は、自治体の条例や保健所の指導に沿った旅館の決まりで行います。

指示内容を固定する

生成AIを使わないので、プロンプトはありません。 かわりに、予測と浴場の人数の見積もりの中身を示します。

from sklearn.ensemble import HistGradientBoostingRegressor

FEATURES = ["weekday", "is_holiday", "is_pre_holiday", "holiday_seq", "month",
            "rain_mm", "rain_flag", "temp_max", "event_type", "road_closed",
            "last_year_same", "recent4w_same_mean"]
# weekday・month・event_type は pandas の Categorical にしておく

def hgb(**kw):
    return HistGradientBoostingRegressor(
        max_iter=400, learning_rate=0.05, early_stopping=True,
        validation_fraction=0.15, random_state=0, **kw)

center = hgb(loss="poisson")
lower  = hgb(loss="quantile", quantile=0.2)
upper  = hgb(loss="quantile", quantile=0.8)

ok = train["closed_early"] == 0          # 早めに締めた日は中央・下振れから外す
center.fit(train.loc[ok, FEATURES], train.loc[ok, "walkins"])
lower.fit(train.loc[ok, FEATURES], train.loc[ok, "walkins"])
upper.fit(train[FEATURES], train["walkins_extended"])  # 締めた日は引き延ばした値

def bath_load(walkins_upper, share_13_15, plan_guests, early_checkins):
    """13〜15時の浴場の人数の見積もり"""
    return walkins_upper * share_13_15 + plan_guests + early_checkins

early_stopping を明示的に有効にしているのは、既定の 'auto' では学習の行が10,000を超えるときにしか有効にならないからです。 日ごとの記録は3年分でも千行ほどで、既定のままでは早期の打ち切りが働きません。

walkins_extended は、締めた日の来場を14時までの分に引き延ばした値です。 13時で締めた日なら、締めるまでの来場を、同じ曜日・季節の締めなかった日に「13時までに発券された割合」で割って出します。引き延ばした値は推計なので、上振れのモデルにだけ使い、中央と下振れには入れません。

share_13_15 は、曜日と季節で分けて持ちます。 冬の週末は昼前から来る客が多く、夏の平日は午後に寄ってくる客が多い、といった違いがあります。同じ来場の数でも、13時から15時に重なる人数は季節で変わります。

中央と上振れが交わる日は、大きいほうを上振れとして使います。 別々に学習した分位点のモデルは、まれに中央を下回る上振れを出すことがあり、その日数を記録しておきます。

出力形式を固定する

女将と料理長に渡すのは、次の表です。 印刷して金曜の昼に見ることを前提にします。

【翌週の日ごとの日帰りの見込み（2026年11月第2週・金曜 9:02 作成）】

「印」と「受付の案」で、女将が見る先を決めます。 赤の日は、締める時刻を早めるかを決め、決めたらホームページの案内を直します。黄の日は、受付は通常どおりで見回りを増やします。

表の一番下には、注意の印を並べます。 予報に雨や雪を含む日には「天気の読み：前日にやり直し」、初めての催しには「催しの上乗せ未定」、予定のシートが空の日には「予定未入力」を出します。印の無い日は、案のとおりで大きくは外れない日です。

機械で読む用には、同じ内容を CSV でも残します。 列は、日、下振れ・中央・上振れの来場、プランと宿泊の早い到着の数、浴場の人数の見積もり、印、各案、モデルを作った日付です。翌週に実績と並べて当たり方を見るのは、この CSV です。

システムへ連携する

ホームページの案内は、女将が決めてから事務が直します。 予測の案をそのまま載せる作りにすると、前日のやり直しのたびに案内が変わり、客が混乱します。

人が確認する

1. 作った日時を見る … 表の上の日時が当日の朝であることを確かめます
2. 赤と黄の日を見る … 宿泊の客層、団体の到着の時刻、清掃の段取りと突き合わせ、受付の時間を決めます
3. 仕込みの数を料理長と確かめる … 下振れで出した数に、その日の献立と仕入の都合を足し引きします
4. 予測の外の事情を足し引きする … 近くの旅館の休館、旅行の情報誌の掲載、テレビの紹介などを足し引きします

目標は、30日をならして1件6分です。 印の無い日は案を写すだけで、時間を使うのは赤と黄の日と、天気の読みの日です。

例外に対処する

4行目と5行目を間違えると、天気の効き方が大きく出すぎます。 休んだ日や道路が止まった日を「来場0」として学習すると、雪の予報の日の来場を、道路が開いていても少なく見込みます。 冬に雪の多い地域の旅館では、通行止めの印を必ず付けます。

記録を残す

• 実行の日時、使ったモデルの作成日、読み込んだ記録の期間
• 日ごとの下振れ・中央・上振れの来場、浴場の人数の見積もり、印、各案
• 女将が決めた受付の時間と、案から変えた理由
• 翌週の実績（予約なしの来場、受付を締めた時刻、昼食の数と売れ残り、宿泊客からの浴場の混み具合の声）
• 前日のやり直しの有無と、やり直す前と後の案
• 月ごとの当たり方（中央の外れの大きさ、上振れを上回った日の割合、下振れを下回った日の割合）と、モデルの作り直しの結果

3つ目と4つ目を並べると、締める判断が合っていたかが分かります。 赤の日に13時で締め、宿泊客から混み具合の声が出なかったなら、判断は働いています。黄の日に声が出たなら、「上限」の人数を見直します。

上振れを上回った日の割合は、0.8の線なら5日に1日ほどが目安です。 それより多ければ上振れの線が低すぎ、受付を締める判断が遅れます。