観光地のレンタサイクルの会社が拠点ごとの過去の貸出・天気・曜日・観光の催しから Python で日別の貸出の数を予測し、拠点間の自転車の配置換えを決める
貸出システムの記録と天気・暦・観光の催しから、Python で翌日の拠点ごとの貸出の数と乗り捨ての返却の数を幅つきで予測します。開店時に各拠点へ置く台数の目安を出し、軽トラックで運ぶ配置換えの便の案まで計算します。
- 連携・自動化
- Python
- 対象業界
- その他/宿泊/自治体
- 対象部門
- 物流
- 対象業務
- 比較検討/集計・分析
- 主な課題
- 人手が足りない/判断に時間がかかる/属人化している
- AIで行う処理
- 予測
- 主な効果
- 判断支援/工数削減/機会損失防止
- 導入難易度
- ★★★★☆
- 実装レベル
- 本格構成
- 費用感
- 個別開発(大)
- 人間の確認
- 条件付き
01導入前 / 導入後の業務フロー
- 閉店後、運行の責任者が貸出システムで拠点ごとの在庫と、充電の済んでいない台数を見る
- 前年の同じ時期と先週の同じ曜日の、拠点ごとの貸出と返却の数を、貸出システムの画面で1拠点ずつ探す
- 翌日の天気予報と、観光協会から届いた催しの予定(祭り、クルーズ船の寄港、花火、ツアーの団体)を見る
- 拠点ごとに、翌朝に置いておきたい台数を決める
- どの拠点から何台を、どの順で運ぶかを決め、便の紙を書く
- 翌朝、運ぶ担当が便の紙のとおりに運ぶ
- 昼に空になりそうな拠点があれば、拠点の係から電話が入り、責任者がもう1便を決める
- 人事務の担当が、翌週の催し(クルーズ船の寄港、祭り、花火、団体の予約)と、天気予報の天気と最高気温を予定のシートに入れる
- 自動毎日16時に、Python が貸出システムの記録、拠点の表、予定のシートを読み込み、翌日の拠点ごとの貸出の数と返却の数の見込みを幅つきで出す
- 自動拠点ごとに、開店時に置いておく台数の目安を、見込みの幅と駐輪の枠から決める
- 自動閉店後の在庫を足して、どの拠点から何台を運ぶかの便の案を、積める台数と充電の口数の上限の中で計算する
- 人運行の責任者が、印の付いた拠点と便を中心に見て、便を決める
- 人運ぶ担当が、決まった便で翌朝に運ぶ
- 【自動/人】 昼の12時に、その日の午前の貸出を足して見込みを出し直し、空になりそうな拠点があれば昼の便の案を出す。責任者が出すかを決める
各工程の詳しい説明を読む
- 閉店後、運行の責任者が貸出システムで拠点ごとの在庫と、充電の済んでいない台数を見る
- 前年の同じ時期と先週の同じ曜日の、拠点ごとの貸出と返却の数を、貸出システムの画面で1拠点ずつ探す
- 翌日の天気予報と、観光協会から届いた催しの予定(祭り、クルーズ船の寄港、花火、ツアーの団体)を見る
- 拠点ごとに、翌朝に置いておきたい台数を決める
- どの拠点から何台を、どの順で運ぶかを決め、便の紙を書く
- 翌朝、運ぶ担当が便の紙のとおりに運ぶ
- 昼に空になりそうな拠点があれば、拠点の係から電話が入り、責任者がもう1便を決める
(a)出発点の拠点が午前中に空になる。 晴れた土曜やクルーズ船の寄港日は、駅前が10時半に空になり、来た客を「港の拠点なら残っています」と別の拠点へ回します。 回された客の多くは、借りずに歩きます。同じ日の夕方、港の拠点は駐輪の枠からあふれ、返しに来た客を待たせます。
(b)決め方が責任者の頭の中にある。 どの催しで案内所の貸出が伸びるか、雨上がりの日にどの拠点が動くかは、責任者の経験の中にあります。責任者の休みの日は、運ぶ担当が前年の同じ日の便の紙を探して真似ます。 催しの日がずれていると、大きく外れます。
(c)空になった日の数が「貸出の数」として残る。 貸出システムに残るのは貸し出した記録だけで、断った客の数は残りません。 10時半に空になった日も、記録の上では「駅前の貸出は42台」で、本当はあと何台出たのかが翌年には分かりません。
(d)充電と駐輪の枠を、便の紙を書いてから気づく。 運んだ先の充電の口が足りない、駐輪の枠が埋まっていて降ろせない、ということを翌朝に現地で気づきます。 便を組む段階で、拠点ごとの枠と充電の口数を足し引きしていないためです。
- 【人】 事務の担当が、翌週の催し(クルーズ船の寄港、祭り、花火、団体の予約)と、天気予報の天気と最高気温を予定のシートに入れる
- 【自動】 毎日16時に、Python が貸出システムの記録、拠点の表、予定のシートを読み込み、翌日の拠点ごとの貸出の数と返却の数の見込みを幅つきで出す
- 【自動】 拠点ごとに、開店時に置いておく台数の目安を、見込みの幅と駐輪の枠から決める
- 【自動】 閉店後の在庫を足して、どの拠点から何台を運ぶかの便の案を、積める台数と充電の口数の上限の中で計算する
- 【人】 運行の責任者が、印の付いた拠点と便を中心に見て、便を決める
- 【人】 運ぶ担当が、決まった便で翌朝に運ぶ
- 【自動/人】 昼の12時に、その日の午前の貸出を足して見込みを出し直し、空になりそうな拠点があれば昼の便の案を出す。責任者が出すかを決める
5番目で決めるのは責任者です。 モデルが出すのは台数と便の案で、故障で止めている車体、運ぶ担当の休み、道路の工事を知っている責任者が決めます。
4番目で便の計算を機械に任せるのは、第3章の(d)を埋めるためです。 駐輪の枠と充電の口数を、計算の制約に入れます。降ろせない拠点への便は、最初から案に出ません。
02今回想定するシステム構成
貸出システムの記録(貸出と返却の拠点・時刻・車体番号、閉店時の在庫と充電の状態) + 拠点の表(駐輪の枠・充電の口数・拠点間の移動の分数) + 過去の天気(気象庁の過去の気象データ)+ 祝日(内閣府の CSV) + 予定のシート(催し・寄港・天気予報) │ ▼【トリガー】毎日16時(翌日の目安)、閉店後(便の案)、12時(昼の便) Python(pandas) ├──▶ 空になった時刻から、借りたかった数を見積もる ▼ scikit-learn(HistGradientBoostingRegressor、分位点の損失) │ 翌日の拠点ごとの貸出の数・返却の数の見込み(2割・5割・8割) ▼ Python ── 開店時に置く台数の目安 ▼ SciPy(milp:整数の最適化) │ 積める台数・駐輪の枠・充電の口数の中で、運ぶ台数と便を決める ▼ 【人】運行の責任者が便を決め、翌朝に運ぶ
| 役割 | 想定する製品 | 代替候補 |
|---|---|---|
| 実行環境 | Python(pandas・scikit-learn・SciPy) | R |
| 処理エンジン | scikit-learn の HistGradientBoostingRegressor(分位点の損失) | LightGBM、statsmodels |
| 差異計算 | Python(SciPy の milp で、運ぶ台数と便を決める) | Google OR-Tools、PuLP |
| 保管 | Google スプレッドシート(予定のシート、拠点の表、決めた便の記録) | - |
新しく足すのは、Python の処理と、予定のシート、拠点の表です。 貸出システムはこれまでどおりで、この構成は貸出システムの在庫も料金も書き換えません。 出すのは台数と便の案です。
予測のエンジンに HistGradientBoostingRegressor を選んだのは、分位点を直接出せるからです。 loss="quantile" と quantile に0から1の値を渡すと、その分位を見込むモデルになります。2割・5割・8割の3本を作り、幅として並べます。 拠点、曜日、催しの種類は pandas の Categorical の列にしておけば、categorical_features の既定の 'from_dtype' でカテゴリとして扱われます。8拠点を1本のモデルで学習し、拠点ごとの癖はカテゴリの分岐で拾わせます。
便の計算に SciPy の milp を使うのは、台数が整数だからです。 公式のページでは、milp は HiGHS という最適化のソフトを包んだもので、c @ x を最小にする値を、integrality で整数と指定した変数は整数の範囲で探すとされています。「港から駅前へ7.4台」では運べません。
生成AIは使いません。 予測と便の組み立ては数の問題で、責任者に渡すのは拠点ごとの表です。
03どうやって実装するのか
処理の起点を決める
毎日3回動かします。 1回目は16時で、翌日の拠点ごとの見込みと、開店時に置く台数の目安を出します。閉店の2時間前に出すのは、責任者が早めに見て、運ぶ担当の翌朝の出勤の時刻を決められるようにするためです。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。
2回目は閉店後の17時半です。 閉店時の在庫と充電の状態が貸出システムに入ってから、その在庫から便の案を計算します。 在庫の書き出しが閉店の時刻より前なら10分おきに3回まで待ち、それでも新しくならなければ「在庫未確定」の印を付けて案を出します。
3回目は昼の12時です。 午前の貸出と返却を足して見込みを出し直し、空になりそうな拠点があるときだけ昼の便の案を出します。
月に1回、モデルを作り直します。 当たり方は scikit-learn の TimeSeriesSplit で前の期間で学習し後の期間で確かめる形で見て、悪くなっていれば前のモデルのまま使います。
入力データを集める
| データ | 中身 | 取得元 |
|---|---|---|
| 貸出と返却 | 1件ごとの貸出の拠点と時刻、返却の拠点と時刻、車体番号、貸出の種類(1日・数時間) | 貸出システム(CSV) |
| 在庫と充電 | 閉店時の拠点ごとの台数、充電の済んでいない台数、整備で止めている車体 | 貸出システム(CSV) |
| 拠点の表 | 拠点、駐輪の枠、充電の口数、営業時間、拠点の役割(出発点・終点・ホテル)、拠点間の軽トラックの移動の分数 | 拠点の表(責任者と決める) |
| 過去の天気 | 日ごとの降水量・最高気温・最大風速など | 気象庁の過去の気象データ・ダウンロード(CSV) |
| 祝日 | 国民の祝日の日付 | 内閣府の祝日の CSV |
| 予定 | クルーズ船の寄港(入港と出港の時刻、乗客の規模)、祭り・花火・マラソンなどの催し、団体の予約、天気予報の天気と最高気温 | 予定のシート |
質を決めるのは、貸出システムの「在庫が0になった時刻」です。 1件ごとの貸出と返却の時刻があれば、拠点ごとの在庫の推移を後から並べ直せます。 在庫が0になった時刻が分かれば、その日が「空になった日」かどうかと、何時に空になったかが分かります。
クルーズ船の寄港は、催しの中で別の項目にします。 寄港の日は、入港から出港までの数時間に港と駅前の貸出が集中し、返却も同じ日のうちに港へ戻ります。 祭りや花火とは動き方が違うので、「寄港あり」「乗客の規模」を別の列で持ちます。観光協会や港の管理者が出す寄港の予定を、事務の担当が月に1回写します。
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、複数の地点と項目を選んで日ごとの値を CSV で落とせるので、観光地に近い観測地点の降水量、最高気温、最大風速を取ります。海沿いの道を走る観光地では、風の強い日に貸出が落ちます。
データの取得方法を決める
| 取るもの | どこから | 何に使うか |
|---|---|---|
| 貸出と返却 | 貸出システムの管理画面から毎日閉店後に CSV を書き出し、決まったフォルダに置く | 拠点ごとの日ごとの貸出と返却の数、在庫の推移 |
| 在庫と充電 | 同じく閉店後に書き出す | 便の計算の出発点 |
| 拠点の表と予定 | スプレッドシートを CSV で書き出して読む | 制約と、催しの項目 |
| 過去の天気 | 月に1回、気象庁のページから CSV を落とす | 降水・気温・風の項目 |
| 祝日 | 年に1回、内閣府の CSV を入れ替える | 祝日の印 |
貸出システムの書き出しには、借りた人の名前と電話番号、本人確認の記録が含まれることがあります。 読み込むときに、拠点・時刻・車体番号・貸出の種類以外の列を捨てます。予測に要るのは、どこからどこへ何台動いたかだけです。
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。祝日の CSV は、令和9年(2027年)までが載っていて、翌年の分が前の年の2月に載るとされているので、年に1回、2月に入れ替えます。
拠点間の移動の分数は、運ぶ担当に聞いて表にします。 荷台から降ろす時間まで含めた、担当の数字のほうが当たります。
AIへ渡す前に整形する
- 在庫の推移を作る … 1件ごとの貸出と返却を時刻の順に並べ、拠点ごとに10分刻みの在庫を作ります。開店時の在庫は、前日の閉店時の在庫に朝の便で運んだ台数を足したものです
- 空になった時刻を見つける … 在庫が0になって30分以上戻らなかった時刻に印を付けます
- 時刻ごとの借り方を作る … 空にならなかった日から、拠点・曜日・季節ごとに「何時までに1日の貸出の何割が出るか」の表を作ります
- 借りたかった数を見積もる … 空になった日は、空になった時刻までの貸出の数を、その時刻までに出る割合で割って見積もります。見積もった値は別の列に持ち、元の貸出の数は残します
- 返却の数をそろえる … 拠点ごとに、他の拠点で借りられて返された数(乗り捨ての返却)と、同じ拠点で借りて返された数を分けて数えます
- 営業していない日を外す … 冬の平日、台風での臨時休業、拠点の工事の日は、0ではなく行ごと外します
- 項目を作る … 拠点、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、最大風速、寄港の有無と乗客の規模、催しの種類、前年の同じ週の同じ曜日の貸出、直近4週の同じ曜日の平均、昼の回だけ当日の午前の貸出と返却
4番目が、この構成の肝です。 10時半に空になった土曜の駅前の貸出42台をそのまま学習すると、モデルは「土曜の駅前は42台」と覚え、また42台を置いて10時半に空になります。 土曜の駅前で10時半までに1日の貸出の5割が出るなら、42台は80台ほどの借りたかった客のうちの42台です。ただし見積もりは推計なので、月に1回の当たり方の確認で、見積もった日だけの外れ方を分けて見ます。
返却の数は見積もりをしません。 枠があふれても返却は記録に残るので、記録どおりの数を使い、近くの拠点へ回ってもらった日だけ印を付けます。
AIに処理させる
させるのは、翌日の拠点ごとの貸出の数と、乗り捨ての返却の数を、2割・5割・8割の分位で見込むことだけです。 置く台数の目安と便の案は、その見込みから計算で出します。
| 段階 | 中身 | 使うもの |
|---|---|---|
| 貸出の見込み | 拠点ごとの翌日の貸出の数(2割・5割・8割) | HistGradientBoostingRegressor(loss="quantile")を分位ごとに3本 |
| 返却の見込み | 拠点ごとの翌日の乗り捨ての返却の数(同じく3本) | 同上 |
| 置く台数の目安 | 貸出の8割の見込みから、午前のうちに戻る返却の2割の見込みを引いた数 | Python の計算 |
| 便の案 | 余る拠点から足りない拠点へ、運ぶ台数と順 | SciPy の milp |
目安を8割の分位に置くのは、空になる損が余る損より重いからです。 空になれば客が歩き、余った自転車は翌日に貸せます。全拠点に置けない日は、便の計算で不足を割り振ります。
便の計算は、運ぶ台数の合計の移動の分数を小さくすることを目的にします。 制約は次のとおりです。
| 制約 | 中身 |
|---|---|
| 積める台数 | 1便あたり12台まで |
| 余りを出す拠点 | 閉店時の在庫のうち、充電の済んだ台から、置く台数の目安を超える分まで |
| 足りない拠点 | 置く台数の目安に届くまで。ただし駐輪の枠を超えない |
| 充電 | 運んだ先で充電が要る台は、充電の口数の空きまで |
| 朝の時間 | 開店の9時までに回りきれる移動の分数の合計まで |
目安に届かない拠点が残るときは、拠点ごとの「足りない1台の重さ」で割り振ります。 駅前と観光案内所は出発点なので重く、ホテルの窓口は泊まり客の数が分かっているので軽くします。重さは責任者と決め、拠点の表の列に持ちます。
| させないこと | 理由 |
|---|---|
| 催しの日の臨時の拠点の開設 | 場所の許可と人の手配が要る。責任者が決める |
| 料金の決定と割引 | 会社の判断。予測に合わせて変えない |
| 車両の整備と安全の確認 | 整備の担当が行う。止めている車体は在庫から外す |
| 運ぶ担当の勤務の割り振り | 責任者が決める。便の案は1台の軽トラックを前提にする |
| 天気予報そのもの | 事務が予報を見て入れる |
3行目に注意してください。 在庫が足りない日でも、整備で止めている車体を計算に戻しません。
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、見込みと便の計算の中身を示します。
from sklearn.ensemble import HistGradientBoostingRegressor
from scipy.optimize import milp, LinearConstraint, Bounds
import numpy as np
FEATURES = ["station", "weekday", "is_holiday", "is_pre_holiday", "holiday_seq",
"month", "rain_mm", "temp_max", "wind_max", "cruise_call",
"cruise_pax", "event_type", "last_year_same", "recent4w_same_mean"]
# station・weekday・month・event_type は pandas の Categorical にしておく
models = {}
for q in (0.2, 0.5, 0.8):
m = HistGradientBoostingRegressor(
loss="quantile", quantile=q, max_iter=400, learning_rate=0.05,
early_stopping=True, validation_fraction=0.15, random_state=0)
y = train["rent_est"].fillna(train["rent"]) # 空になった日は見積もった値
m.fit(train[FEATURES], y)
models[q] = m
def plan_moves(surplus, need, minutes, cap_truck=12, limit_min=100):
"""surplus[i]:拠点iから出せる台数、need[j]:拠点jに足りない台数、
minutes[i][j]:移動の分数。運ぶ台数 x[i,j] を整数で決める"""
S, D = len(surplus), len(need)
c = np.array([minutes[i][j] for i in range(S) for j in range(D)], float)
A_out = np.kron(np.eye(S), np.ones(D)) # 拠点iから出す合計 <= surplus[i]
A_in = np.kron(np.ones(S), np.eye(D)) # 拠点jへ入れる合計 == need[j]
cons = [LinearConstraint(A_out, 0, surplus),
LinearConstraint(A_in, need, need)]
res = milp(c, integrality=np.ones(S * D), bounds=Bounds(0, cap_truck),
constraints=cons, options={"time_limit": 30})
return res
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を超えるときなどにしか有効にならないからです。 8拠点の3年分は営業日で7千行ほどで、既定のままだと早期の打ち切りが働きません。
分位のモデルは3本別々なので、まれに2割の見込みが5割を上回ります。 小さい順に並べ替えて使い、並べ替えた日は印を残します。
milp の結果は、status が0(最適)のときだけ案にします。 公式のページでは、1は時間の上限に達した、2は解が無いとされています。2が出るのは、足りない台数の合計が余りの合計を超えた日です。 拠点の重さで need を小さくして計算し直し、削った台数を「目安に届かない」と出します。 上の例は運ぶ台数を決める部分だけで、朝の時間と便の回数の制約は実際には足して組みます。
出力形式を固定する
責任者に渡すのは、次の2つの表です。 閉店後に印刷し、便を決める前に見ることを前提にします。
【明日(10月18日・土)の拠点ごとの目安(金曜 17:41 作成/在庫の書き出し 17:33)】
| 拠点 | 閉店時の在庫(充電済み) | 貸出の見込み(2割〜5割〜8割) | 午前の返却の見込み(2割) | 置く台数の目安 | 駐輪の枠 | 差 | 印 |
|---|---|---|---|---|---|---|---|
| 駅前 | 14(12) | 38〜52〜66 | 4 | 62 | 70 | -50 | 黄(寄港あり) |
| 観光案内所 | 9(9) | 18〜25〜33 | 2 | 31 | 40 | -22 | - |
| 港 | 46(38) | 6〜10〜15 | 3 | 12 | 50 | +26 | - |
| 温泉街 | 34(30) | 5〜8〜12 | 1 | 11 | 40 | +19 | - |
【朝の便の案】
| 便 | 積む拠点 | 台数 | 降ろす拠点 | 移動の分数 |
|---|---|---|---|---|
| 1 | 港 | 12 | 駅前 | 14 |
| 2 | 港 | 12 | 駅前 | 14 |
| 3 | 温泉街 | 12 | 観光案内所 | 11 |
| 4 | 温泉街+港 | 7+2 | 観光案内所 | 16 |
差は、目安から閉店時の充電済みの在庫を引いた数です。 マイナスは足りない台数、プラスは出せる台数です。表の一番下には、目安に届かない拠点と台数、朝の移動の分数の合計を出します。 寄港や初めての催しの日には「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」の印を付けます。
同じ内容を CSV でも残し、翌日に実績と並べて当たり方を見ます。
システムへ連携する
| つなぎ先 | 方式 | 内容 |
|---|---|---|
| 貸出システム | 毎日閉店後と12時に、管理画面から CSV を書き出してフォルダに置く | 貸出と返却、在庫と充電の状態 |
| 拠点の表と予定のシート | スプレッドシートを CSV で書き出して読む | 制約、拠点の重さ、催し、天気予報 |
| 気象庁・内閣府 | 手で落とした CSV を置く | 過去の天気、祝日 |
| 便の紙 | 書き込まない(責任者が決めてから書く) | - |
| 貸出システムの在庫 | 書き込まない(運んだ後に拠点の係が入れる) | - |
便の紙には責任者が書きます。 案をそのまま運ぶ担当へ渡す作りにすると、責任者が直した便と案の便が混ざり、担当がどちらで運ぶか迷います。 決めた便を記録の表にも入れ、翌日の当たり方の確認に使います。
人が確認する
- 作った日時と在庫の書き出しの日時を見る … どちらも当日の閉店後であることを確かめます
- 印の付いた拠点を見る … 黄(寄港・催し)と赤(目安に届かない・予定未入力)の拠点の台数を決めます
- 便の数と移動の分数を確かめる … 翌朝の運ぶ担当の出勤の時刻と、軽トラックの使える時間に収まるかを見ます
- 予測の外の事情を足し引きする … 道路の工事、団体の予約の取り消し、止めている車体の戻りを足し引きします
目標は、30日をならして1件12分です。 印の無い日は案を写すだけで、時間を使うのは寄港と催しの日、自転車の総数が足りない日です。
例外に対処する
| 起きること | 対応 |
|---|---|
| 在庫の書き出しが閉店より前の時刻 | 10分おきに3回待ち、新しくならなければ印を付けて案を出す |
| 足りない台数の合計が余りの合計を超える | 拠点の重さで目安を下げて計算し直し、届かない台数を表に出す |
| 便の計算が時間の上限に達する | status が1。案を出さず、前日と同じ曜日の便を参考に出す |
| 初めての催し・初めて寄港する大型船 | 記録が無い。見込みに印を付け、責任者が上乗せを決める |
| 台風・大雨の警報 | 営業するかは責任者が決める。休業の日は行ごと外す |
| 分位の見込みの順が逆になる | 並べ替えて使い、印を残す |
| 新しい拠点を開く | 学習のときに無かった拠点は見込みが当てにならない。似た役割の拠点の数を責任者が使う |
| パソコンが止まっていて動かなかった | 事務が手で実行。作った日時の古い表は使わない |
4行目を間違えると、寄港の日に駅前が空になります。 決定木の仕組みでは、学習に無い大きさの値の先を伸ばして見込まず、過去の最大の寄港の日の数までしか出しません。 乗客の規模が記録の最大を超える日は、自動で印を付けます。
記録を残す
- 実行の日時、使ったモデルの作成日、読み込んだ在庫の書き出しの日時
- 拠点ごとの分位の見込み、目安、便の案、印
- 責任者が決めた便と、案から変えた理由
- 翌日の実績(拠点ごとの貸出と返却の数、空になった時刻、枠があふれた時刻)
- 拠点の重さと駐輪の枠を変えた日と、変えた理由
- 月ごとの当たり方(拠点ごとの外れの大きさ、空になった日の割合、枠があふれた日の割合、運んだ台数の合計)と、モデルの作り直しの結果
空になった日の割合を、拠点ごとに並べて見ます。 目安を8割の分位に置いた拠点は、ならせば5日に1日ほど、目安を超えて借りられるのが分位のとおりの動きです。それより多く空になっていれば見込みが低く、少なければ置きすぎて運ぶ手間をかけすぎています。
04実装レベルの3段階
本記事の想定は本格構成です。 半自動化では目安の表までで、どこから何台を運ぶかの組み立ては責任者の手に残ります。 第3章の(d)の、枠と充電を現地で気づく問題も残ります。 半自動化で1件40分が25分ほどに、本格構成で12分になります。 差が大きいのは、便の組み立てが、拠点の表があれば計算で出せる作業だからです。 8拠点の組み合わせを頭で足し引きするのが、責任者の時間のいちばん大きな部分でした。 段階を飛ばさないでください。 半自動化の表を1か月見ると、どの拠点の見込みが当たり、どれが外れるかが分かります。外れる拠点の記録を直してから、便の計算に進みます。
05工数削減シミュレーション
導入後 30件 × 12分 ÷ 60 = 6 時間/月
自社条件で導入効果を整理したい方へ
このユースケースを自社に当てはめた場合の前提値と削減見込みを、業務ヒアリングをもとに整理します。
06向いている企業・向いていない企業
- 駅前・観光案内所・港・温泉街などに5〜15か所ほどの貸出の拠点を持ち、借りた拠点と別の拠点に返せる(乗り捨てのできる)レンタサイクルの会社や観光協会、自治体の委託の運営者。貸出システムに貸出と返却の拠点と時刻が残っていて、朝の配置換えの台数を担当者が前日の夕方に勘で決めている場合。午前中に駅前の拠点が空になり、夕方に港の拠点があふれる、ということが同じ週に起きている場合。
- 拠点が1か所だけで、借りた店に返す決まりの店。貸出を紙の台帳で受けていて、拠点と時刻が記録に残らない場合。営業を始めて1年未満で、季節と催しの動きが記録に無い場合。会員が街中のどこでも返せる、数百か所の拠点を持つシェアサイクルの運営(拠点ごとの予測より、地域ごとの配置の最適化が向く)。なお、催しの日の臨時の拠点の開設、料金の決定、車両の整備と安全の確認、運搬の担当の勤務の割り振りの決定は、この構成では代替できません。
07最小構成で試す方法
- 貸出システムから、去年の秋の3か月分の貸出と返却の記録を書き出す(名前と電話番号の列は書き出さない)
- 拠点ごとの駐輪の枠と、拠点間の移動の分数を、運ぶ担当に聞いて表にする
- 気象庁の過去の気象データ・ダウンロードで、近くの地点の日ごとの降水量、最高気温、最大風速を落とす
- Python で第7章の設定を動かし、その3か月の最後の4週を「翌日」として毎日見込ませ、置く台数の目安を出す
- 当時の便の紙と見比べ、案の目安なら空になった時刻がどう変わったかを、在庫の推移から確かめる
3か月・4週で十分です。 確かめたいのは、「出発点の拠点が空になった日に、案の目安なら足りていたか」です。便の計算はこの段階では作らず、目安の台数だけを見ます。
| 出てきた内容 | 判断 |
|---|---|
| 空になった日の多くで、案の目安なら足りていた | 予定のシートと拠点の表を作り、毎日の目安を出す段階に進む |
| 出発点の拠点が低めに出る | 空になった日が見積もられていない。在庫が0になった時刻を確かめる |
| 寄港の日が大きく外れる | 寄港の予定が入っていない。観光協会の予定の写し方を確かめる |
2行目は、ほとんどの会社で出ます。 空になった日の記録が「貸出の数」としてしか残っていないためで、失敗ではなく、在庫の推移を並べ直す理由が数字で分かったということです。
秋を選ぶのは、行楽の週末と雨の平日、寄港と祭りが同じ3か月に入るからです。 振れの大きい時期で、8割の分位の効き方を短い期間で確かめられます。
08実装時につまずきやすいポイント
| 問題 | 対策 |
|---|---|
| 空になった日の貸出の数をそのまま学習する | 在庫が0になった時刻から借りたかった数を見積もる |
| 返却を見込まず、貸出だけで目安を決める | 乗り捨ての返却を拠点ごとに見込む |
| 全拠点に8割の分位で置こうとして総数が足りない | 拠点の重さで割り振る |
| 便の計算で台数が小数になる | milp で整数を指定する |
| 運んだ先の駐輪の枠と充電の口を見ていない | 制約に入れる |
| 大型船の寄港の日を過去の最大までしか見込まない | 記録の最大を超える日に自動で印を付ける |
| 分位の見込みの順が逆になる | 並べ替えて使い、印を残す |
| 休業の日を0で学習する | 行ごと外す |
| 気象庁の CSV を列の位置で読む | 品質情報などの列が並ぶ。列名で選ぶ |
| 借りた人の名前と電話番号まで読み込む | 拠点・時刻・車体番号・貸出の種類以外の列を捨てる |
上の2行が、この構成の失敗のほとんどです。 どちらも、記録に残っている貸出の数と、拠点で本当に要る台数がずれることから起きます。ここを押さえれば、残りは他の来場の予測と同じ注意で足ります。
09セキュリティ・AIガバナンス上の注意点
この構成で扱うデータ: 拠点ごとの貸出と返却の時刻と数、車体番号、在庫と充電の状態、拠点の表、催しの予定です。貸出システムには、借りた人の名前、電話番号、本人確認の記録が含まれます。 1件ごとの貸出と返却の拠点と時刻は、人と結び付くと、その人がいつどこを回ったかの記録になります。
- 借りた人の情報を予測に使わない … 書き出しの段階で、拠点・時刻・車体番号・貸出の種類以外の列を捨てます。予測に要るのは、どこからどこへ何台動いたかだけです
- データを外に出さない … 予測と便の計算は事務所のパソコンの中で動き、生成AIや外部のサービスに記録を送りません
- 便は人が決める … 案はあくまで案で、運ぶ便は責任者が決めます
- 整備と安全の確認に使わない … 在庫が足りない日でも、止めている車体を計算に戻さないでください。車両の安全は整備の担当が確かめます
- 料金を予測に合わせて動かさない … 混む日の料金を上げる判断は会社の判断で、この構成の外で行います
- 気象庁のデータの出典を書く … 天気のデータを社内の資料や観光協会への報告に載せるときは、気象庁のデータであることを書きます
誤りが起きた場合のリスクは、出発点の拠点が空になって客が借りずに歩くことと、終点の拠点の枠があふれて返す客を待たせることの2つです。 前者は空になった日の見積もりが足りないと起き、後者は返却の見込みを外すと起きます。拠点ごとの空になった日の割合と、枠があふれた日の割合の確認で、両方を抑えます。
10まず何から始めるか
1週目:拠点の表を作る
運行の責任者と運ぶ担当で、拠点ごとの駐輪の枠、充電の口数、役割、拠点間の軽トラックの移動の分数を表にします。拠点の係には、枠があふれて別の拠点へ回ってもらった日を日報に書く決まりを伝えます。
2週目:3か月分で試す
第8章のとおり、去年の秋の3か月分の記録と気象庁の日ごとの天気で、最後の4週を毎日見込ませます。出発点の拠点が低めに出ていないか、寄港の日が大きく外れていないかを最優先で見ます。
3週目:予定のシートを作る
事務の担当が、観光協会と港の管理者の予定から、寄港の日と乗客の規模、祭りと花火、団体の予約を写す決まりを作ります。天気予報は毎日15時までに入れます。
4週目:翌日の目安を毎日出す
毎日16時に拠点ごとの目安の表を出す半自動化を始め、責任者はこれまでどおり自分で便を決めながら、表と見比べます。 翌日の閉店後に、空になった時刻と枠があふれた時刻を書き残します。
2か月目以降: 便の計算と昼の便の案を足します。責任者が案から変えた理由、拠点ごとの空になった日の割合、運んだ台数の合計を毎月見ます。 責任者が印の付いた拠点だけを見て便を決められるようになった時点で、この構成は完成です。
11関連ユースケース
12この仕組みを理解するための記事
13技術仕様の確認日・参考情報
| 確認した内容 | 情報源 | 確認日 |
|---|---|---|
HistGradientBoostingRegressor の loss に 'quantile' があり、quantile に0から1の値で分位を指定すること。categorical_features の既定が 'from_dtype' で、pandas の Categorical の列をカテゴリとして扱うこと。early_stopping='auto' は行が10,000を超えるときなどに有効になること(版 1.9.1) | scikit-learn: HistGradientBoostingRegressor | 2026-11-03 |
TimeSeriesSplit が時間の順に分割し、前の期間で学習して後の期間で評価すること。gap で学習の末尾を空けられること | scikit-learn: TimeSeriesSplit | 2026-11-03 |
milp が HiGHS を包み c @ x を最小にすること。integrality の1が範囲内の整数を表すこと。制約が b_l <= A @ x <= b_u の形で LinearConstraint で渡すこと。status の0が最適、1が時間などの上限、2が解なしであること。time_limit で秒の上限を指定できること(SciPy 1.18.0) | SciPy: scipy.optimize.milp | 2026-11-03 |
| 過去の気象データ・ダウンロードで複数地点・複数項目の日別値などを CSV で落とせること。CSV に品質情報・均質番号の列が並ぶこと | 気象庁: 過去の気象データ・ダウンロード(このページでできること) | 2026-11-03 |
| 国民の祝日の CSV が昭和30年から令和9年までを収録し、令和10年の分を前年の2月に掲載するとされていること | 内閣府: 国民の祝日について | 2026-11-03 |
臨時の拠点の開設、料金、車両の整備と安全、運ぶ担当の勤務は、会社の判断で行ってください。 本記事は公開されている仕様で確認できた範囲だけを扱っています。
実装ステータス:構成例。 公開仕様に基づいて設計した構成であり、当社で実際に構築・検証したものではありません。工数の数値はモデル条件による試算です。
自社の業務に使えるAI活用候補を整理します
このユースケース(UC-2702)についてのご相談はこちらから。
