Media > AI活用ユースケース > 経営企画 > 水素ステーションの運営会社が、充填の記録・曜日・近くの車両の登録の数から Python で翌月の需要を予測し、拠点ごとの水素の調達の計画を立てる

水素ステーションの運営会社が、充填の記録・曜日・近くの車両の登録の数から Python で翌月の需要を予測し、拠点ごとの水素の調達の計画を立てる

実装ステータス:構成例 技術的に実現可能な構成として設計したもの。自社未検証

拠点ごとの日別の充填の記録、曜日、営業の時間、近くの車両の登録の数から、Python で翌月の充填の量を幅付きで予測します。その幅から、拠点ごとの水素の調達の便数の案と、貯蔵や充填の能力を超えそうな日を出します。

サマリー
連携・自動化
Python
対象業界
その他/商社/物流
対象部門
経営企画/購買
対象業務
比較検討/集計・分析
主な課題
データ分析に時間がかかる/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
現在工数
36h/月
AI導入後
6h/月
想定削減
83%
年間削減
360h
モデル条件による試算値です。実在企業の実績ではありません。

01導入前 / 導入後の業務フロー

導入前(Before)
  1. 毎月15日の前に、拠点の充填の記録を書き出す
  2. 拠点ごとに、前年の同じ月、先月、先々月の充填の回数と量を並べる
  3. 業務用の車両の運行の予定を見て、拠点ごとの業務用の分を足す
  4. 設備の点検や工事で翌月に休む日・時間を短くする日を、保守の予定から拾う
  5. 拠点ごとに、担当者が経験から翌月の充填の量を決める
  6. 量を調達の1便の量で割って便数にし、貯蔵の量と照らして納入の日を割り振る
  7. 調達の担当が全拠点の便数を確かめ、調達先に伝える
導入後(After)
  1. 自動毎月15日の朝6時、Python の処理が充填の記録、会員の台帳の集計、営業の予定、業務用の運行の予定を読む
  2. 自動拠点ごと・日ごとの学習の表を作る(乗用の充填の回数、曜日、祝日、営業した時間、近くの登録車両の数)
  3. 自動負の二項の模型で、翌月の日ごとの乗用の充填の回数の分布を出す
  4. 自動分布から1,000回の模擬をして、拠点ごとの月の充填の量(kg)の幅を出す
  5. 自動業務用の車両の分を、運行の予定の台数と1回の充填の量から数えて足す
  6. 自動拠点の貯蔵の量と1便の量で、便数の案と納入の日の案を出す
  7. 自動印を付ける(幅が広い、貯蔵が足りなくなりうる日、充填の能力を超えうる日、登録車両の急な増加)
  8. 自動調達の計画の表の隣のシートに、拠点ごとの目安と印を書き出す
  9. 人需給の担当が印の付いた拠点だけを開き、便数を直すかを決める
  10. 人調達の担当が全拠点の便数を確かめ、調達先に伝える
  11. 自動翌月の終わりに、予測と実際の充填を比べて当たり方を記録する
各工程の詳しい説明を読む
  1. 毎月15日の前に、拠点の充填の記録を書き出す
  2. 拠点ごとに、前年の同じ月、先月、先々月の充填の回数と量を並べる
  3. 業務用の車両の運行の予定を見て、拠点ごとの業務用の分を足す
  4. 設備の点検や工事で翌月に休む日・時間を短くする日を、保守の予定から拾う
  5. 拠点ごとに、担当者が経験から翌月の充填の量を決める
  6. 量を調達の1便の量で割って便数にし、貯蔵の量と照らして納入の日を割り振る
  7. 調達の担当が全拠点の便数を確かめ、調達先に伝える

(a)担当者によって見込みが違う。 先月の伸びを重く見る人と、前年の同じ月を重く見る人がいます。充填の回数が少ない拠点ほど月ごとの揺れが大きく、どちらを見るかで量が大きく変わります。

(b)休業や時間の短縮が見込みに入らない。 4番目で拾った休みの日を、5番目で頭の中で差し引いています。前年の同じ月に点検で休んだ日があったかどうかは、表に残っていません。 前年が休みで少なかった月を、需要が少ない月と取り違えます。

(c)近くの車の増え方が反映されない。 新しい車が多く登録された地域の拠点は、翌月から充填が増えます。会員の台帳は別の部署が持っていて、需給の担当は毎月は見ていません。

(d)揺れの大きい拠点で足りなくなる。 平均の見込みで便数を決めると、来る車が多い週が続いた拠点で、貯蔵が底をつきかけます。 充填の圧力が下がり、満タンまで入れられない車が出ます。

(e)24拠点を毎月見るのに時間がかかる。 1拠点90分で36時間です。15日の締めに間に合わせるため、毎月の前半は3名ともほぼこの作業になります。

  1. 【自動】 毎月15日の朝6時、Python の処理が充填の記録、会員の台帳の集計、営業の予定、業務用の運行の予定を読む
  2. 【自動】 拠点ごと・日ごとの学習の表を作る(乗用の充填の回数、曜日、祝日、営業した時間、近くの登録車両の数)
  3. 【自動】 負の二項の模型で、翌月の日ごとの乗用の充填の回数の分布を出す
  4. 【自動】 分布から1,000回の模擬をして、拠点ごとの月の充填の量(kg)の幅を出す
  5. 【自動】 業務用の車両の分を、運行の予定の台数と1回の充填の量から数えて足す
  6. 【自動】 拠点の貯蔵の量と1便の量で、便数の案と納入の日の案を出す
  7. 【自動】 印を付ける(幅が広い、貯蔵が足りなくなりうる日、充填の能力を超えうる日、登録車両の急な増加)
  8. 【自動】 調達の計画の表の隣のシートに、拠点ごとの目安と印を書き出す
  9. 【人】 需給の担当が印の付いた拠点だけを開き、便数を直すかを決める
  10. 【人】 調達の担当が全拠点の便数を確かめ、調達先に伝える
  11. 【自動】 翌月の終わりに、予測と実際の充填を比べて当たり方を記録する

9番目が、この設計の分かれ目です。 24拠点のうち印の無い拠点は、目安の便数をそのまま計画に写します。担当者が時間を使うのは、幅が広い拠点と、貯蔵が足りなくなりうる日のある拠点だけです。

5番目を模型の外に置いたのは、業務用の車両が予定で動くからです。 バス1台の充填は乗用車の数台分の量があり、運行の予定が分かっている分を模型に当てさせると、外れたときに理由が追えません。

02今回想定するシステム構成

構成図
拠点の充填の記録(日ごと・1回ごとの量)   営業の予定(休業・時間の短縮)
充填の会員の台帳(拠点の近くの登録車両の数)  業務用の運行の予定
拠点の表(貯蔵の量・1便の量・充填の能力)
        │
        ▼【トリガー】毎月15日 6:00
Python(pandas)
   ├──▶ 拠点 × 日の学習の表(乗用の回数・曜日・営業の時間・登録車両)
   ▼
statsmodels の NegativeBinomial(営業の時間を exposure に)
   │   翌月の日ごとの回数の分布
   ▼
Python ── 1,000回の模擬、量への換算、業務用の足し、便数、印
   ▼
調達の計画の表の隣のシート
   ▼
【需給の担当が印の拠点を確かめる → 調達の担当が調達先に伝える】
   ▼
翌月末:当たり方の記録
役割想定する製品代替候補
実行環境Python(pandas・statsmodels・NumPy)R
処理エンジンstatsmodels の NegativeBinomial(負の二項の回帰、exposure)scikit-learn の PoissonRegressor
集計Python(模擬、量への換算、業務用の足し、便数、印、当たり方の記録)表計算の計算式
保管社内のファイルサーバー(材料の版、予測、当たり方)-

新しく足すのは Python の処理だけです。 充填の記録は拠点の仕組みから書き出し、調達の計画の表はこれまでどおり使います。目安は隣のシートに書き出し、決めた便数は人が元の表に写します。

予測には statsmodels の NegativeBinomial を使います。 公式のページ(0.15.0)では、loglike_method の既定が 'nb2' で、分散が平均を μ として μ + α μ² になります。平均より分散が大きい数、つまり0回の日と10回の日が混ざる充填の回数に合う形です。 代替候補のポアソン回帰は分散が平均と同じ前提で、揺れの大きい拠点では幅が狭く出ます。

exposure は、公式のページで「log(exposure) が係数1で線形の予測に足される」と書かれています。 営業した時間を exposure に渡すと、模型は1時間あたりの来やすさを学び、予測のときに翌月の営業の時間を掛け戻します。 休業の日は営業の時間が0なので、学習から外します。

03どうやって実装するのか

Step1

処理の起点を決める

毎月15日の朝6時に、社内のサーバーの定時の実行で動かします。 需給の担当が出社する前に目安を出し、午前中に確かめて、午後に調達の担当が調達先に伝えられるようにします。

業務用の運行の予定は、10日ごろに届いたものを使います。 15日までに届かない運行会社があれば、その会社の分は前月の実績の台数で埋め、「運行の予定なし」の印を付けます。 届いた時点で、その拠点だけを再実行します。

月の途中にも、毎週月曜に1回動かします。 当月の残りの日について、実際の充填と貯蔵の残りから貯蔵が足りなくなりうる日を見直し、追加の便が要る拠点だけを一覧にします。 翌月の計画を作り直すのではなく、当月の追加を早く知るための実行です。

Step2

入力データを集める

データ中身取得元
充填の記録拠点、日時、車両の区分(乗用・バス・トラック)、充填の量(kg)、満タンまで入ったか拠点の充填の記録の書き出し
営業の記録と予定拠点、日、営業した時間、休業・時間の短縮の理由拠点の運営の記録、保守の予定
会員の台帳の集計拠点ごとの、近くの市区町村に本拠のある乗用の登録車両の数(月末の時点)会員の台帳から集計
業務用の運行の予定運行会社、拠点、日、台数運行会社から届く表
拠点の表貯蔵の量、1便の量、便を受け入れられる曜日、1日に続けて充填できる台数拠点の設備の担当が作る表
暦曜日、祝日、連休の何日目か自社で作る暦の表

質を決めるのは、営業した時間の列です。 時間の記録が無いと、点検で午後だけ開けた日の少ない充填を、需要が少ない日として学びます。拠点の運営の記録に、開けた時刻と閉めた時刻が日ごとに残っているかを最初に確かめます。

「満タンまで入ったか」の列は、出せなかった需要を見るために使います。 貯蔵が減って圧力が下がった日は、満タンにならないまま帰った車や、来たのに入れられなかった車があります。 その日の充填の量は需要より少なく残るので、印を付けて学習から外すか、量の換算に使わないようにします。

近くの登録車両の数は、会員の台帳から自社で集計します。 拠点ごとに「近く」とみなす市区町村の一覧を拠点の表に持ち、月末の時点の乗用の登録の数を数えます。 同じ車が2つの拠点の「近く」に入るのは構いません。

Step3

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
過去2年の日ごとの乗用の充填の回数充填の記録を拠点・日・車両の区分で集める学習の目的の値
日ごとの営業した時間営業の記録exposure
翌月の日ごとの営業の予定の時間保守の予定と営業の予定予測の exposure
近くの登録車両の数会員の台帳の月末の集計予測の項目(対数にして入れる)
乗用の1回あたりの充填の量充填の記録の拠点ごと・直近6か月回数を量に直す
業務用の翌月の台数運行の予定足す量

目的の値は乗用の回数だけにします。 バスとトラックの充填は運行の予定で数えるので、学習の表から業務用の回数を除きます。 混ぜると、運行会社がダイヤを変えた月の段を、模型が乗用の需要の変化として学びます。

登録車両の数は、翌月の分がまだ無いので、15日時点の最新の月末の値を使います。 学習のときも、予測する日から見て前の月の月末の値を使います。学習のときだけその月の値を使うと、本番より当たって見えます。

Step4

AIへ渡す前に整形する

  1. 休業の日を外す … 営業の時間が0の日は、学習の表から外します
  2. 満タンにならなかった日に印を付ける … 満タンにならない充填が続いた日は、学習から外す印を付けます
  3. 業務用を除く … 車両の区分で、乗用の回数だけを数えます
  4. 登録車両の数を対数にする … 拠点で桁が違うので、対数にして項目にします
  5. 拠点・曜日・月を区分の列にする … 0と1の列(ダミー)に展開し、基準の区分を決めて1つ落とします
  6. 開所から半年の拠点を分ける … 記録が短い拠点は、似た拠点の時間あたりの来やすさを参考にして印を付けます

1番目と2番目を落とすと、需要の低い拠点に見えます。 点検の多い拠点と、貯蔵の小さい拠点は、どちらも充填が少なく記録されます。 前者は需要ではなく営業の時間の問題、後者は需要ではなく供給の問題です。模型に需要として学ばせると、調達を減らし、また貯蔵が足りなくなります。

5番目で基準の区分を落とすのは、切片と重ならないようにするためです。 全区分の列と切片を両方残すと、列の足し算で切片が作れてしまい、係数が1つに決まりません。 拠点の区分なら、いちばん記録の長い拠点を基準にします。

Step5

AIに処理させる

させるのは、拠点ごと・日ごとに、翌月の乗用の充填の回数の分布を出すことです。 月の量の幅と便数は、その分布から模擬で計算します。

項目入れ方理由
拠点区分の列拠点ごとに来やすさの水準が違う
曜日・祝日区分の列週末に乗用が増える拠点と減る拠点がある
月区分の列行楽の時期と年末の動き
近くの登録車両の数対数車が増えた地域の拠点で回数が増える
営業の時間exposure時間が半分なら回数も半分ほどという前提を置く

登録車両の数を対数で入れると、係数は「台数が何倍になると回数が何倍になるか」として読めます。 係数が1に近ければ、台数に比べて素直に増えている拠点です。1より大きく小さく外れた拠点は、近くの範囲の取り方を見直す材料になります。

させないこと理由
調達の便数を決める調達先の都合、ほかの拠点との振り替えは人が合わせる
業務用の車両の量を予測する運行の予定から数えられる
営業の時間を決める保守と人の配置で決まる。予定を受け取るだけ
開所したばかりの拠点の量を言い切る記録が短い。似た拠点の値に印を付けて人へ
満タンにならなかった日の需要を推し量る印を付けて外す。量を作って埋めない
Step6

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、学習と模擬の中身を示します。

import numpy as np
import statsmodels.api as sm
from statsmodels.discrete.discrete_model import NegativeBinomial

# train: 拠点 × 日。休業の日と満タンにならなかった日は除いてある
X = sm.add_constant(design(train))        # 拠点・曜日・祝日・月のダミーと log(登録車両)
model = NegativeBinomial(train["fills_car"], X,
                         loglike_method="nb2",
                         exposure=train["open_hours"])
res = model.fit(method="bfgs", maxiter=1000, disp=0)
# 既定の maxiter は35。収束の印を必ず確かめる

# next_month: 翌月の拠点 × 日。営業の予定の時間を持つ
Xn = sm.add_constant(design(next_month), has_constant="add")
dist = model.get_distribution(res.params, exog=Xn,
                              exposure=next_month["open_hours"])  # 渡し忘れると1になる

rng = np.random.default_rng(20261115)
sims = dist.rvs(size=(1000, len(next_month)), random_state=rng)   # 回数の模擬
kg = sims * next_month["kg_per_fill"].to_numpy()                   # 拠点ごとの1回の量
by_station = aggregate_by_station(kg, next_month["station"])        # 拠点 × 1000 の月の量
q10, q50, q90 = np.percentile(by_station, [10, 50, 90], axis=1)

maxiter=1000 にしているのが、この中身の要の1つ目です。 公式のページでは、fit の既定は method='bfgs'・maxiter=35 です。拠点と曜日と月のダミーで数十の列になる模型では、35回では収束しないことがあります。 公式のページには、収束の印が False なら警告を出す warn_convergence の説明があります。警告が出たら目安を書き出さずに止めて知らせます。

exposure を予測のときにも渡すのが、2つ目の要です。 公式のページの get_distribution は、exog を渡したときの exposure の既定が1と書かれています。渡し忘れると、翌月の全部の日を「営業1時間」として予測し、回数が十数分の一になります。 点検で休む日は営業の予定が0なので、その日の回数の分布は0に寄ります。

模擬の回数と乱数の種は固定します。 1,000回の模擬は実行のたびにわずかに変わるので、種を固定して、同じ材料なら同じ目安が出るようにします。 種の値も保存・ログに残します。

当たり方の確かめは、日付で切ります。 直近の6か月を1か月ずつずらし、その月より前の記録だけで学んで翌月を当てさせます。担当者が当時決めた量と、模型の中央の値と、実際の充填の量の3つを並べます。

Step7

出力形式を固定する

目安のシートは、拠点ごとに次の列を書き出します。

{
  "station": "ST-07",
  "month": "2026-12",
  "open_days": 29,
  "car_kg_q10": 1180.0,
  "car_kg_q50": 1420.0,
  "car_kg_q90": 1690.0,
  "fleet_kg": 960.0,
  "plan_basis": "q90",
  "total_kg": 2650.0,
  "delivery_kg": 300.0,
  "deliveries": 9,
  "delivery_days": ["12-01", "12-04", "12-08"],
  "risk_days": [{"date": "12-26", "reason": "storage_low"}],
  "flags": ["fleet_plan_missing:運行会社B"]
}

1つ目の理由は、便数の根拠が1行で読めることです。 予測した乗用の分の3つの値、数えた業務用の分、どの値を使ったか、1便の量で切り上げた結果が並びます。上の例では、乗用の上の値1,690kgに業務用の960kgを足して2,650kg、1便300kgで切り上げて9便です。 delivery_days は先頭の3日だけを示しています。

2つ目は、日ごとの貯蔵の見込みを印にできることです。 便を入れる日と、日ごとの充填の模擬の値から、貯蔵の残りが拠点の表の下限を下回る日が模擬の1割以上で起きる日に storage_low を付けます。

印付け方人が見ること
wide上の値 ÷ 下の値が1.5を超える記録の短さか、営業の時間の予定の漏れ
storage_low貯蔵の残りが下限を下回る日が模擬の1割以上便の日をずらすか、便を足すか
capacity_over1日の回数の上の値が続けて充填できる台数を超える業務用の車両の時間をずらしてもらうか
registration_jump近くの登録車両の数が前月から1割以上増えた新しい車の多い地域。来月以降も見る
fleet_plan_missing運行の予定が届いていない前月の実績で埋めた分の確からしさ
new_station開所から半年未満似た拠点の値で足りるか
not_converged模型が収束しなかった目安を出さない。作った人が見る

使う値は拠点の表で決めます。 代わりの拠点が近くに無い郊外の拠点は上の値、都市部で近くに自社の拠点が複数ある拠点は中央の値、という具合です。足りなかったときの重さは、近くに入れ替えの効く拠点があるかで変わります。

Step8

システムへ連携する

つなぎ先方式内容
拠点の充填の記録毎日の夜の書き出しのCSVを読む充填の回数と量
会員の台帳月末の集計の表を読む拠点ごとの近くの登録車両の数
営業の予定・保守の予定共有フォルダの表を読む翌月の営業の時間
業務用の運行の予定運行会社から届く表を所定のフォルダで読む業務用の台数
調達の計画の表隣のシートに書き出す目安・幅・便数・印
ファイルサーバー保存材料の版、予測、当たり方

調達の計画の表の本体には書き込みません。 目安は隣のシートに出し、調達の担当が決めた便数を人が本体に写します。 書き込みを自動にすると、確かめていない便数が調達先にそのまま伝わります。

会員の台帳からは、拠点ごとの台数の集計だけを受け取ります。 会員の氏名や車両の番号は、この処理には入れません。集計は台帳を持つ部署の側で行い、拠点と月と台数の3列だけを渡してもらいます。

Step9

人が確認する

需給の担当が開くのは、印の付いた拠点だけです。 印の無い拠点は、目安の便数をそのまま計画に写します。

  1. storage_low と capacity_over を先に見る … 便の日をずらすか、便を足すか、業務用の車両の時間の相談をするかを決める
  2. fleet_plan_missing を見る … 運行会社に予定を催促し、届いたら再実行する
  3. wide と new_station を見る … 営業の予定の漏れが無いか、似た拠点の値で足りるかを見る
  4. 直した拠点と理由を記録する … 当たり方の記録と一緒に、翌月に見直す

1番目を先にするのは、調達先とのやり取りに時間がかかるからです。 便の日の変更は、調達先のトレーラーの割り振りに関わります。15日の午後に伝えるには、午前のうちに決めておく必要があります。

目標は、24拠点をならして1件15分です。 印の無い拠点は数分の流し見、貯蔵が足りなくなりうる日のある拠点は30分以上かかります。

Step10

例外に対処する

起きること対応
模型が収束しない目安を出さずに止めて知らせる。前月の目安を参考として残す
充填の記録の列が変わった列の名前で読み、無ければ止めて知らせる
営業の予定が未定の日がある通常の営業の時間で埋め、wide と同じ扱いで印
運行の予定が届かない前月の実績の台数で埋め、fleet_plan_missing
設備の故障で急に休業した当月の週ごとの実行で、その拠点の残りの日を見直す
新しい拠点を開いた似た拠点を拠点の表に書き、new_station
登録車両の集計が届かない前月の値を使い、全拠点に印
当たり方が急に悪くなった直近3か月の当たり方を見て、近くの範囲の取り方を見直す

多いのは、3行目と5行目です。 保守の予定は設備の担当が持っていて、翌月の点検の日が15日の時点で決まっていないことがあります。 決まり次第、その拠点だけ再実行できるようにします。

Step11

記録を残す

  • 毎月の予測に使った材料(充填の記録の版、営業の予定の版、運行の予定の版、登録車両の集計の版)
  • 模型の係数、α、収束の印、乱数の種、模擬の回数
  • 拠点ごとの3つの値、使った値、業務用の量、便数、納入の日、印
  • 人が直した拠点と、直した便数、理由
  • 翌月の実際の充填の量、満タンにならなかった充填の数、追加の便の数

材料の版を残すのは、外れた月を後から作り直すためです。 営業の予定と運行の予定は15日の後にも書き換わるので、そのときの版が残っていないと、模型が何を見て予測したかを再現できません。 係数と α を残すのは、近くの登録車両の係数が月ごとにどう動いたかを見るためです。

最後の行が、調達の当たり方を表します。 予測の外れは、追加の便を頼んだ回数と、満タンにならなかった充填の数に出ます。 この2つが減っていれば、便数の決め方が良くなっています。

04実装レベルの3段階

最小構成:5拠点の記録を表と Python で手で動かし、直近を当てさせる / 当たり方の確かめ
半自動化:上記+24拠点を毎月15日に自動で予測し、3つの値を表に書き出す / 予測と材料の並べ
本格構成:上記+業務用の足し、便数と納入の日の案、貯蔵と能力の印、週ごとの見直し、当たり方の記録 / 調達の目安づくりの全体

最小構成では、毎月の計画には使えません。 当たり方を確かめる段階で、5拠点の結果で使う値の考え方を決めます。 半自動化で、①が無くなり、②が短くなります。 3つの値を見て担当者が便数を決めるので、③の日ごとの照らし合わせは残ります。本格構成で③が印の付いた拠点だけになり、この段階が本記事の想定です。 差が大きいのは、日ごとの貯蔵の見込みを模擬で出せるので、便の日の割り振りを1拠点ずつ表で確かめなくてよくなるからです。 段階を飛ばさないでください。 半自動化で3か月動かすと、どの拠点で模型の幅が広すぎるか、どの拠点で営業の予定の受け取りが遅れるかが分かります。そこを直してから便の日の割り振りまで任せるほうが、調達先との約束を崩さずに済みます。

05工数削減シミュレーション

前提値(モデル条件)
対象人数
3 名
月間件数
24 件
1件あたり現在時間
90 分
1件あたり導入後時間
15 分
現在  24件 × 90分 ÷ 60 = 36 時間/月
導入後 24件 × 15分 ÷ 60 = 6 時間/月
月間削減時間
30h
削減率
83%
年間削減時間
360h
年間金額換算(時間単価4,000円)
144万円
モデル条件による試算であり、実際の効果は業務内容・運用方法によって異なります。

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。

AI活用について相談する

06向いている企業・向いていない企業

向いている
  1. 水素ステーションを複数の拠点で運営し、拠点ごとの水素の調達の量と便数を、需給の担当が前年同月と先月の充填の記録から経験で決めている会社。充填の記録を拠点ごと・日ごとに2年分ほど書き出せ、充填の会員の車両の登録を持っている場合。燃料電池のバスやトラックの運行会社と契約があり、運行の予定を受け取れる場合。LPガスや天然ガスの充填所のように、来る車の数が日によって揺れる充填の拠点にも使える。
向いていない
  1. 拠点が1〜2か所で、充填の回数が日に数回と少なく、担当者の経験で十分に足りている場合。拠点で水素をつくる設備が主で、外からの調達の量を決める必要がほとんど無い場合。開所から半年に満たず、日ごとの記録がそろわない場合。なお、調達の計画を決めること、拠点の保安と設備の運転の判断、営業の時間の変更は、この構成では代替できません。

07最小構成で試す方法

  1. 充填の多い5拠点を選び、過去2年の日ごとの乗用の充填の回数と営業した時間を書き出す
  2. 表計算で、拠点ごとに「時間あたりの回数」を曜日ごとに出し、営業の時間を考えない回数と並べる
  3. 次に、Python で第7章の中身を5拠点だけで動かし、直近の6か月を1か月ずつ当てさせる
  4. 担当者が当時決めた量と、模型の中央の値と、実際の充填の量の3つを並べる
  5. 模擬の90%の値で便数を決めていたら、貯蔵が足りなくなった日が何日あったかを数える

2番目だけでも、点検の多い拠点の見え方が変わります。 営業の時間で割ると、回数の少なかった月が需要の少なさではなく休みの多さだったと分かる拠点が出てきます。

出てきた内容判断
揺れの大きい拠点で、担当者より貯蔵の不足が少ない24拠点に広げる
平均は同じくらい、上の値で決めると便が多すぎる使う値を拠点ごとに見直す。構成は有効
全体に外れが大きい営業の時間の記録と満タンの印を先に整える

比べる物差しは、量の外れだけにしないでください。 調達で困るのは、月の合計が外れることより、月の途中で貯蔵が足りなくなる日が出ることです。 5番目の「足りなくなった日の数」を、担当者の決め方と模型の上の値の決め方で並べると、どちらの便数の決め方が現場に合うかが見えます。

2行目が出ることはよくあります。 上の値で決めると、足りなくなる日は減っても、貯蔵が満ちて便を受け入れられない日が増えます。どの拠点でどちらを重く見るかを決める材料になります。

08実装時につまずきやすいポイント

問題対策
点検で休んだ月を需要の少ない月と学ぶ営業した時間を exposure に入れ、休業の日は外す
予測で exposure を渡し忘れるget_distribution は exog を渡すと exposure の既定が1。必ず渡す
35回で収束しないmaxiter を増やし、収束の印が False なら止める
全区分のダミーを残して初期化で止まる基準の区分を1つ落とす
業務用のダイヤの変更を乗用の変化と学ぶ業務用を除き、運行の予定から数える
貯蔵が減った日の少ない充填を需要と見る満タンにならなかった日に印を付けて外す
ポアソンで幅が狭く出る負の二項(nb2)で揺れを表す
実行のたびに便数が変わる乱数の種と模擬の回数を固定し、ログに残す
登録車両をその月の値で学ぶ前の月の月末の値を使う
運行の予定が届かない前月の実績で埋めて印。届いたら再実行
開所したての拠点に記録が無い似た拠点の値に new_station の印
1回の充填の量を全拠点で同じにする拠点ごと・直近6か月の平均で換算する
調達先に伝える締めに間に合わない15日の朝の前に営業と運行の予定を締める決まりを作る

上の2行は、どちらも営業の時間の扱いから起きます。 学習のときに入れ忘れると休みを需要と取り違え、予測のときに渡し忘れると全部の日が1時間営業になります。どちらもエラーにならずに目安が出るので、営業の時間の合計を目安のシートに必ず並べます。

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: 拠点ごとの充填の回数と量、会員の登録車両の拠点ごとの台数、業務用の車両の運行の予定、拠点の設備の能力です。

  1. 会員の個人の情報を入れない … 予測に要るのは拠点ごとの台数だけです。集計は台帳を持つ部署で行い、氏名・車両の番号・住所はこの処理に渡しません
  2. 運行会社の予定を外に出さない … 路線と時刻に関わる運行会社の情報です。処理は社内のサーバーで行い、目安のシートの共有の範囲も需給と調達の担当に限ります
  3. 目安を調達先に自動で送らない … 決めるのは調達の担当です。調達先のトレーラーの割り振りと契約に直結します
  4. 保安と設備の運転の判断に使わない … この目安は調達の量の話です。貯蔵の圧力の管理や設備の運転、拠点の保安は、それぞれの手順と資格のある担当が行います
  5. 使う値は会社の方針として決める … どの拠点で余裕を厚く見るかは、需給と調達の担当で決めて拠点の表に残します
  6. 当たり方を記録し続ける … 近くの車の増え方や業務用の運行の変化で当たり方が変わります。毎月の記録で見ます

誤りが起きた場合のリスクは、貯蔵が足りず充填を待たせる・満タンにできないことと、便が多すぎて貯蔵に入らず受け入れられないことの2つです。 前者は storage_low の印と拠点ごとの使う値で、後者は営業の時間を exposure に入れて休みの月を需要と取り違えない設計で守ります。

10まず何から始めるか

1週目:営業した時間と満タンの記録を確かめる

拠点の運営の記録から、日ごとの開けた時刻と閉めた時刻が取れるか、充填の記録に満タンまで入ったかの印があるかを確かめます。無ければ、今日から記録を始めます。

2週目:拠点の表を作る

24拠点の貯蔵の量、1便の量、便を受け入れられる曜日、続けて充填できる台数、「近く」とみなす市区町村を表にします。会員の台帳を持つ部署に、拠点ごとの台数の集計を頼みます。

3週目:5拠点で試す

第8章の手順を行います。営業の時間で割った回数と、割らない回数の見え方の違いを、点検の多い拠点で確かめます。

4週目:使う値を決める

需給と調達の担当で、拠点ごとに中央の値・上の値のどちらを使うかを決めます。近くに入れ替えの効く拠点があるかを1行で書いておきます。

2か月目: 24拠点を毎月15日に予測し、3つの値を調達の計画の表の隣に書き出します。担当者は今までどおり決め、模型の値と並べます。3か月目以降: 業務用の足し、便数と納入の日の案、貯蔵と能力の印、週ごとの見直しを足し、1件90分が何分になったかを実測します。追加の便と満タンにならない充填が、担当者の決め方のときより減った拠点から、目安をそのまま使う形に切り替えた時点で、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

技術仕様確認日:2026-11-17/最終更新:2026-11-17
確認した内容情報源確認日
版が0.15.0であること。loglike_method の既定が 'nb2' で分散が μ + α μ²(nb1 は μ + α μ、geometric は μ + μ²)であること。exposure は log(exposure) が係数1で線形の予測に足されること。check_rank の既定が True であること。get_distribution・predict があることstatsmodels: NegativeBinomial2026-11-17
fit の既定が method='bfgs'・maxiter=35 であること。warn_convergence が収束の印が False のとき警告を出すことstatsmodels: NegativeBinomial.fit2026-11-17
get_distribution が模型と与えた係数による分布(凍結した確率変数)を返すこと。exog を渡したときの exposure の既定が1、offset の既定が0であることstatsmodels: NegativeBinomial.get_distribution2026-11-17

調達の計画と、拠点ごとに使う値は、需給と調達の担当で決めてください。 拠点の保安と設備の運転は、本記事の範囲の外です。本記事は公式のページ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-3564)についてのご相談はこちらから。

AI活用について相談する
目次