Media > AI活用ユースケース > 物流 > アスファルト合材の工場が、出荷の記録・受注した工事の予定・週間天気予報から翌週の日ごとの出荷量を Python で幅付きで予測し、製造と配車の目安を作る

アスファルト合材の工場が、出荷の記録・受注した工事の予定・週間天気予報から翌週の日ごとの出荷量を Python で幅付きで予測し、製造と配車の目安を作る

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

受注した工事の予定の表と週間天気予報から、工事ごとに予定の日に出荷される確率を Python で予測し、足し上げて翌週の日ごとの出荷量を幅付きで出します。その幅から、合材の種類ごとの製造の段取りと、運搬車の台数の目安を作ります。

サマリー
連携・自動化
Python
対象業界
建設/製造
対象部門
物流/生産
対象業務
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
16h/月
AI導入後
6h/月
想定削減
63%
年間削減
120h
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. 木曜の朝、工事の予定の表から翌週6日分の工事を拾う
  2. 工事ごとに、予定の量と合材の種類、現場までの距離を確かめる
  3. 気象庁の週間天気予報を開き、雨の日と気温の低い日を見る
  4. 雨の日の工事は延びると見込み、どの日に持ち越すかを経験で見当をつける
  5. 日ごとの出荷量と合材の種類ごとの量を出し、製造の段取りに回す
  6. 量と距離から運搬車の台数を出し、運送の会社に見込みを伝える
  7. 前日の夕方、工事の会社からの確定の連絡を受けて、量と台数を直す
導入後(After)
  1. 人木曜の11時の週間天気予報の発表の後、担当が工場の地域の降水確率と信頼度、最低気温を入力の表に写す
  2. 自動Python が動き、工事の予定の表の木曜時点の写しを保存し、出荷の記録・入力の表と一緒に読み込む
  3. 自動工事1件ごとに、雨が降った場合と降らなかった場合の「予定の日に出る確率」をモデルで予測する
  4. 自動降水確率で2つの確率を混ぜ、工事ごとの確率にする
  5. 自動工事ごとの確率と量のばらつき、延びた工事の持ち越し、当日の小口の注文を、くり返しの試算で足し上げる
  6. 自動日ごとの出荷量を下・中央・上の値で出し、合材の種類ごとの量と運搬車の台数の目安を作る
  7. 自動確率が五分五分の大きな工事、予定の確度が「仮」の工事、気温の低い日に印を付ける
  8. 人業務課が印の付いた工事を見て、必要なら施工の会社に電話で確かめる
  9. 人工場の責任者が、運送の会社に伝える台数と製造の段取りを決める
  10. 自動翌週の終わりに、予測と実際の出荷を比べた当たり方を記録する
各工程の詳しい説明を読む
  1. 木曜の朝、工事の予定の表から翌週6日分の工事を拾う
  2. 工事ごとに、予定の量と合材の種類、現場までの距離を確かめる
  3. 気象庁の週間天気予報を開き、雨の日と気温の低い日を見る
  4. 雨の日の工事は延びると見込み、どの日に持ち越すかを経験で見当をつける
  5. 日ごとの出荷量と合材の種類ごとの量を出し、製造の段取りに回す
  6. 量と距離から運搬車の台数を出し、運送の会社に見込みを伝える
  7. 前日の夕方、工事の会社からの確定の連絡を受けて、量と台数を直す

(a)予定の表どおりには出ない。 雨の予報が出ると、施工の会社は前日か当日の朝に工事を延ばします。予定の表を足し上げた量と、実際の出荷は、雨の多い週ほど離れます。 4番の見当をつけているのが、長く出荷を担当してきた1名です。

(b)同じ雨でも、延びる工事と延びない工事がある。 国の道路の夜間の工事は、規制の日程が決まっているので小雨なら行うことがあります。民間の駐車場の工事は、雨の予報だけで早めに延ばします。どの工事がどちらかを知っているのは、その担当だけです。

(c)持ち越しの読みが難しい。 雨で延びた工事は、翌日以降に入ってきます。月曜の雨で延びた工事が火曜に重なり、火曜の出荷が予定の表の倍になることがあります。

(d)寒い時期の読みも経験頼み。 冬の朝の気温が低い日は、施工の会社が舗設を見合わせることがあります。気温で延びる工事を見込むかどうかも、担当の判断です。

(e)運搬車の手配が前日にずれ込む。 見込みに自信が無いと、運送の会社に伝える台数を決めきれず、前日の確定の連絡を待つことになります。 その頃には、ほかの工場がダンプを押さえています。

  1. 【人】 木曜の11時の週間天気予報の発表の後、担当が工場の地域の降水確率と信頼度、最低気温を入力の表に写す
  2. 【自動】 Python が動き、工事の予定の表の木曜時点の写しを保存し、出荷の記録・入力の表と一緒に読み込む
  3. 【自動】 工事1件ごとに、雨が降った場合と降らなかった場合の「予定の日に出る確率」をモデルで予測する
  4. 【自動】 降水確率で2つの確率を混ぜ、工事ごとの確率にする
  5. 【自動】 工事ごとの確率と量のばらつき、延びた工事の持ち越し、当日の小口の注文を、くり返しの試算で足し上げる
  6. 【自動】 日ごとの出荷量を下・中央・上の値で出し、合材の種類ごとの量と運搬車の台数の目安を作る
  7. 【自動】 確率が五分五分の大きな工事、予定の確度が「仮」の工事、気温の低い日に印を付ける
  8. 【人】 業務課が印の付いた工事を見て、必要なら施工の会社に電話で確かめる
  9. 【人】 工場の責任者が、運送の会社に伝える台数と製造の段取りを決める
  10. 【自動】 翌週の終わりに、予測と実際の出荷を比べた当たり方を記録する

8番を人に残しているのが、この設計の要です。 モデルが出すのは確率で、「この工事は規制の日程が決まっているので雨でもやる」といった事情は、電話1本で確かめられます。 印は、その電話をかける先を絞るためのものです。

9番で使うのは、多くの場合は中央の値と上の値の間です。 運搬車は足りないと工事が止まり、余ると運送の会社に迷惑がかかります。どちらに寄せるかは、繁忙期かどうかと運送の会社との約束で決まり、モデルの外にあります。

02今回想定するシステム構成

構成図
工事の予定の表(木曜時点の写し)  出荷の記録(計量)  アメダスの雨量・気温  週間天気予報(担当が入力)
        │                          │                   │                    │
        └──────────────┬───────────┴───────────────────┴────────────────────┘
                       ▼【トリガー】木曜の昼、入力の表の保存
Python
   ├──▶ 過去の予定の写しと出荷を工事ごとに突き合わせ、「予定の日に出たか」の正解を作る
   ▼
LightGBM(objective="binary")── 工事ごとの「予定の日に出る確率」
   │   雨あり・雨なしの2通り → 降水確率で混ぜる
   ▼
Python ── くり返しの試算(量のばらつき・持ち越し・小口の注文)
   ├──▶ 日ごとの出荷量の下・中央・上、合材の種類ごとの量、運搬車の台数
   ▼
製造と配車の目安(手配の表の隣のシート)
   ▼
【業務課が印の工事を確かめる → 責任者が決める】
役割想定する製品代替候補
実行環境Python(pandas・NumPy)R
処理エンジンLightGBM(objective="binary")scikit-learn の HistGradientBoostingClassifier
集計Python(くり返しの試算、合材の種類ごとの量、運搬車の台数)表計算の計算式
保管社内のファイルサーバー(予定の写し、学習の記録、目安、当たり方)-

新しく足すのは Python の処理と、予定の表を毎週写して残す仕組みです。 計量の仕組みと手配の表は、これまでどおり使います。目安は手配の表の隣のシートに書き出し、決めた台数は人が元の表に写します。

モデルは LightGBM の2値の分類です。 公式のページでは、objective の binary は2値の対数損失による分類で、ラベルは {0, 1} である必要があるとされています。正解は「予定の日に出荷されたか」の1か0です。 工事の会社・工種・発注者の区分はカテゴリとして渡します。公式のページでは、categorical_feature の値は int32 に直され、pandas のカテゴリからは整数のコードが取り出され、負の値は欠測として扱われるとされています。

分類にしたのは、量を直接予測するより説明しやすいからです。 「この工事は雨なら3割しか出ない」という形で出るので、業務課が電話で確かめるときの話の筋になります。 量は、工事ごとの予定の量と、過去の予定と実際の比のばらつきで掛けます。

03どうやって実装するのか

Step1

処理の起点を決める

木曜の昼、担当が週間天気予報の入力の表を保存したら Python を動かします。 気象庁のページでは、府県週間天気予報は毎日11時ごろと17時ごろに発表されるとされています。11時の発表を写せば、午後に運送の会社へ見込みを伝えられます。

段いつすること
1. 予定の表の写し毎週木曜の朝その時点の工事の予定の表を日付つきで保存する
2. 学び直し毎月の初めの夜過去の写しと出荷で、モデルを学び直す
3. 予測と試算木曜の昼工事ごとの確率、日ごとの幅、製造と配車の目安
4. 当たり方の記録翌週の木曜の朝予測と実際の出荷を比べる

1番の写しが、この構成でいちばん大事な段です。 予定の表は、工事が延びるたびに日付が書き換えられます。書き換えた後の表で学ぶと、延びた工事はすべて「予定どおり出た」ことになり、雨で延びる確率を学べません。 毎週木曜のその時点の表を残し、そこに載っていた予定の日と、実際に出荷された日を突き合わせます。

写しが無い過去の分は、学習に使えません。 写しを残し始めてから数か月は、出荷の記録と、工事の会社とのやり取りの記録から復元できる範囲で正解を作ります。復元した行には印を付け、写しがたまったら復元の行を外して学び直します。

Step2

入力データを集める

データ中身取得元
工事の予定の写し写した日、工事の会社、現場、予定の日、合材の種類、予定の量、工種、発注者の区分、昼夜、確度(確定・仮)毎週木曜に写した予定の表
出荷の記録日時、工事の会社、現場、合材の種類、量計量の仕組みの書き出し
天気の実績工場の近くのアメダスの日降水量・日最低気温気象庁の過去の気象データ(CSV)
週間天気予報日ごとの降水確率・信頼度・最低気温担当が入力の表に写す
現場の情報工場からの距離、片道の時間現場の一覧
運搬の条件ダンプ1台の積む量、1日の往復の上限手配の表

質を決めるのは、予定の表の「確度」と「昼夜」の列です。 工事の会社から日付が決まったと連絡のあった工事と、「来週のどこか」と聞いているだけの工事では、出る確率がまったく違います。確度を分けずに渡すと、仮の工事まで日付どおり出るものとして扱われます。 夜間の工事は、規制の日程が決まっていて延ばしにくく、雨の効き方が違います。

現場の名前のゆれを先にそろえます。 予定の表と計量の記録で、同じ現場が別の名前で書かれていると、突き合わせで「出なかった」になります。工事の会社と現場の組み合わせに番号を振り、両方の表に入れます。

Step3

データの取得方法を決める

取るもの範囲使い道
予定の写しと出荷の記録写しを残し始めてから(と復元した分)正解の作成と学習
出荷の記録過去3年予定と実際の量の比、小口の注文の量
アメダスの日降水量・日最低気温過去3年の日ごと学習の特徴量(雨の有無、気温)
週間天気予報毎週木曜の11時の発表予測の確率を混ぜる割合

天気の実績は、気象庁の「過去の気象データ・ダウンロード」から CSV で取ります。 公式の説明では、地点・項目・期間を選んでダウンロードでき、選んだデータの量が100%を超えると表示もダウンロードもできなくなるとされています。既定の「すべて数値で格納」では、欠測は値の列が空になり、品質情報の列が0になるとされているので、品質情報で欠測を見分けます。

週間天気予報は、担当が写します。 気象庁のページでは、府県週間天気予報は日ごとの天気、最高・最低気温、降水確率(10%単位)、予報の信頼度を発表するとされています。写すのは降水確率・信頼度・最低気温の3つで、6日分なら数分です。 写した表は捨てずに残します。1年分たまれば、降水確率そのものを特徴量にしたモデルと比べられます。

Step4

AIへ渡す前に整形する

  1. 正解を作る … 写しの工事ごとに、予定の日に予定の量の半分以上が出荷されていれば1、それ以外は0にします
  2. 雨の有無 … 予定の日の日降水量が1mm以上なら1にします。欠測の日は学習から外します
  3. 前日の雨 … 予定の前日の雨の有無を作ります。路面が乾かずに延びる工事を学ばせます
  4. 気温 … 予定の日の日最低気温を入れます
  5. 何日先か … 写した日から予定の日までの日数を入れます。写した時点で3日先の予定と6日先の予定では、確からしさが違います
  6. 工事の性質 … 工種、発注者の区分、昼夜、確度、予定の量、工事の会社を入れます
  7. 工事の会社の癖 … その会社の過去の工事で、雨の日に出た割合を作ります。学習の行と同じ期間から作ると答えが漏れるので、学習の期間より前の分だけで作ります

1番の「半分以上」は、量が減っても工事が行われたかを見るためです。 予定の量は見込みで、実際は多くも少なくもなります。量のずれは別に扱い、ここでは「その日に工事が行われたか」だけを正解にします。

2番で雨の実績を使うのが、第1章で書いた割り切りです。 過去の降水確率は取り出せないので、「雨が降った日に、この工事は出たか」を学びます。 予測のときは、同じモデルに雨あり・雨なしの2通りの行を入れて確率を2つ出し、降水確率で混ぜます。

Step5

AIに処理させる

させるのは、工事1件ごとに、予定の日に出荷される確率を、雨が降った場合と降らなかった場合の2通りで予測することだけです。

させることさせないこと
工事ごとの「予定の日に出る確率」(雨あり・雨なし)雨そのものの予測(降水確率で混ぜる)
工種・昼夜・確度・何日先かによる違いの学習量の予測(予定の量と過去の比で掛ける)
工事の会社ごとの雨への構えの学習工事を行うかの判断(発注者と施工の会社が決める)

雨の有無の列に「減る向き」の縛りを入れます。 LightGBM には monotone_constraints で特徴量ごとの向きを決める設定があります。雨が降ったほうが出る確率が上がるということは、学習の行のばらつきでは起こりえても、実際の工事では起こりません。 縛りを入れておくと、雨あり・雨なしの2通りの確率が逆転しません。前日の雨にも同じ縛りを入れます。

降水確率で混ぜる式は、次のとおりです。

出る確率 = 降水確率 × 雨ありの確率 + (1 - 降水確率)× 雨なしの確率

信頼度Cの日は、この式に頼りすぎないよう印を付けます。 気象庁のページでは、信頼度Cは雨が降るかどうかの適中率が低いか、翌日に予報が変わる可能性がやや高いとされています。印の付いた日は、金曜の17時の発表で入力の表を写し直し、もう一度動かします。

Step6

指示内容を固定する

この構成の中心は生成AIではなく予測のモデルなので、プロンプトの代わりに、学習と試算の設定を示します。

import numpy as np, pandas as pd, lightgbm as lgb

features = ["rain", "rain_prev", "tmin", "lead_days", "work_type", "client_type",
            "night", "firm", "status", "plan_t", "firm_rain_rate"]
for c in ["work_type", "client_type", "firm", "status"]:
    train[c] = train[c].astype("category")
mono = [-1 if f in ("rain", "rain_prev") else 0 for f in features]

params = dict(objective="binary", learning_rate=0.05, num_leaves=31,
              min_data_in_leaf=40, monotone_constraints=mono,
              deterministic=True, seed=7, verbose=-1)

# 検証は「写した日」で区切る(同じ週の工事を学習と検証に分けない)
snaps = np.sort(train["snap_date"].unique())
cut = snaps[int(len(snaps) * 0.8)]
tr = train["snap_date"] < cut; va = train["snap_date"] >= cut
dtr = lgb.Dataset(train.loc[tr, features], train.loc[tr, "shipped"])
dva = lgb.Dataset(train.loc[va, features], train.loc[va, "shipped"], reference=dtr)
model = lgb.train(params, dtr, num_boost_round=2000, valid_sets=[dva],
                  callbacks=[lgb.early_stopping(100)])

min_data_in_leaf を既定の20から40に上げているのは、工事の会社の列があるからです。 60社のうち工事の少ない会社は、1社で数十行しかありません。葉の行が少ないと、数件の雨の日の結果をその会社の性質として覚えます。 deterministic=True と seed は、公式のページでは同じデータと設定で安定した結果を出すための設定とされています。毎月の学び直しで、データが変わっていないのに確率が動くことを避けます。

検証を写した日で区切るのは、同じ週の工事が同じ雨を受けるからです。 行のまま分けると、同じ雨の日の工事が学習と検証に分かれ、当たり方を甘く見ます。

翌週の試算は、くり返しで行います。

rng = np.random.default_rng(7)
N = 2000
jobs = next_week.copy()                     # 木曜時点の予定の工事
p_wet = model.predict(jobs.assign(rain=1)[features])
p_dry = model.predict(jobs.assign(rain=0)[features])
jobs["p"] = jobs["pop"] * p_wet + (1 - jobs["pop"]) * p_dry

days = sorted(jobs["plan_day"].unique())
total = {d: np.zeros(N) for d in days}
for i in range(N):
    carry = []                               # 延びた工事を翌日へ
    for d in days:
        today = pd.concat([jobs[jobs["plan_day"] == d], *carry])
        go = rng.random(len(today)) < today["p"].to_numpy()
        ratio = sample_ratio(today["work_type"], rng)     # 予定と実際の比
        total[d][i] = (today["plan_t"].to_numpy() * ratio * go).sum() \
                      + sample_walkin(d, rng)              # 当日の小口
        carry = [repredict(today[~go], next_day(d))]

延びた工事を翌日へ持ち越しているのが、この試算の要です。 確率を足すだけでは、月曜に延びた工事が火曜に重なる形が出ません。くり返しのたびに、延びた工事を翌日の行に足し、翌日の降水確率で確率を出し直します。 sample_ratio は工種ごとの過去の「実際の量 ÷ 予定の量」から1つ引き、sample_walkin は同じ曜日・同じ月の過去の小口の注文の合計から1つ引きます。

Step7

出力形式を固定する

日ごとの表と、工事ごとの表の2つを、手配の表の隣のシートに書き出します。

列(日ごと)中身
日予測の単位
出荷量の下・中央・上くり返しの試算の10%・50%・90%の値
予定の表の合計予定の量をそのまま足した値(比べるため)
合材の種類ごとの中央・上製造の段取りの目安
運搬車の台数の中央・上現場ごとの距離から出した台数
降水確率・信頼度・最低気温入力の表の値
印信頼度C/気温の低い日/五分五分の大きな工事あり
列(工事ごと)中身
工事の会社・現場・予定の日予定の表の値
雨ありの確率・雨なしの確率・混ぜた確率モデルの出力
予定の量・合材の種類予定の表の値
幅への効き方その工事が出るか出ないかで、日の合計がどれだけ動くか
印確率が4〜6割で予定の量が多い/確度が仮

「予定の表の合計」の列を残すのは、モデルの値との差を見るためです。 差が大きい日ほど、雨の影響が大きいと見込んでいる日です。業務課が電話で確かめるのは、その日の「幅への効き方」の大きい工事からです。

運搬車の台数は、Python の四則演算で出します。 現場ごとに、量 ÷ 1台の積む量で延べの台数を出し、片道の時間から1台の1日の往復の回数を決めて割ります。モデルは台数に関わらないので、運送の会社との条件が変わっても学び直しは要りません。

Step8

システムへ連携する

つなぎ先方式内容
工事の予定の表共有のスプレッドシートを読み、写しを保存する予定の工事と確度
計量の仕組み書き出したファイル出荷の記録
気象庁の過去の気象データCSV をダウンロードして置く日降水量・日最低気温
入力の表担当が写したものを読む降水確率・信頼度・最低気温
運搬車の手配の表隣のシートに書き出す日ごとの幅、工事ごとの確率、台数の目安

予定の表と計量の仕組みには書き込みません。 予定の表を直すのは、工事の会社からの連絡を受けた業務課です。運送の会社への連絡も人が行います。

気象庁のデータを社内の資料に載せるときは、出典を書きます。 気象庁のページは、公共データ利用規約(第1.0版)に準拠した条件で使え、「出典:気象庁ホームページ(当該ページのURL)」の形で出典を記載し、編集・加工した情報を国が作成したかのように扱ってはいけないとしています。

Step9

人が確認する

  1. 印の付いた工事を見る … 確率が五分五分で量の多い工事から、施工の会社に電話で予定を確かめます
  2. 気温の低い日を見る … 冬の朝に気温の低い日は、施工の会社の判断を確かめます
  3. 運搬車の台数を決める … 中央の値と上の値の間で、繁忙期かどうかを見て決めます
  4. 製造の段取りを決める … 合材の種類ごとの量から、骨材とアスファルトの段取りを決めます
  5. 前日に直す … 確定の連絡を受けて、量と台数を直します。これまでどおりの手順です

2番には、国の要領の考え方があります。 国土交通省の資料では、寒冷期に5℃以下の気温で加熱アスファルト混合物を舗設する作業は監督職員の承諾が必要とされています。気温で工事が行われるかは、発注者と施工の会社の判断で、モデルの確率はその目安にすぎません。 同じ資料は、天候が変わりやすい時期は出荷の停止や舗設の時間の変更に備えて、現場とプラントの連絡を密にしておくよう書いています。

Step10

例外に対処する

起きること対応
木曜の写しが保存されていない最新の予定の表で予測し、「写しなし」の印を付ける。その週は学習に使わない
予定の表と計量の記録で現場が合わない現場の番号の無い行を一覧にして、業務課がそろえる
入力の表が保存されていない降水確率を50%として出し、印を付ける
信頼度Cの日がある金曜の17時の発表で写し直し、もう一度動かす
アメダスのデータに欠測がある品質情報で見分け、その日の行を学習から外す
初めての工事の会社会社の列を欠測にし、工種・発注者の区分・昼夜で確率を出す。印を付ける
大型の工事が予定の表に急に入る木曜の後でも、業務課が動かし直せるようにしておく
プラントの故障・点検で出荷できない日その日は予測の行を作らない。学習の行からも外す
検証の当たり方が前の月より大きく悪化目安を出さず、学習の記録を担当が見る
Step11

記録を残す

  • 毎週木曜の予定の表の写し(日付つき)
  • 学習に使った範囲、特徴量の一覧、縛りの設定、検証の結果
  • 毎週の入力の表(降水確率・信頼度・最低気温)
  • 工事ごとの確率と、日ごとの幅、合材の種類ごとの量、台数の目安
  • 責任者が決めた台数と製造の量、前日に直した量
  • 翌週の当たり方(実際の出荷が下〜上の値に入った日の割合、混ぜた確率の区分ごとに実際に出た割合)

最後の行の「確率の区分ごとに実際に出た割合」が、モデルを信用してよいかの物差しです。 確率7割と出た工事を集めて、実際に7割前後が出ていれば、確率の目盛りが合っています。ずれていれば、足し上げた幅もずれています。

04実装レベルの3段階

最小構成:予定の写しを残し、雨の日と雨でない日の出た割合を表にする / 雨の効き方の把握
半自動化:上記+工事ごとの確率を出し、日ごとの期待値を毎週木曜に出す / 日ごとの見込み
本格構成:上記+持ち越しと小口を入れたくり返しの試算、幅、合材の種類ごとの量、台数の目安、当たり方の記録 / 見込みから製造と配車の目安まで

本記事の想定は本格構成です。 1件40分が15分になるのは、拾う・見当をつける・台数を出すの作業がそろって出てくるからです。残る15分は、印の付いた工事に電話をかけ、台数と段取りを決める時間です。 半自動化で、梅雨か秋の長雨の時期を1回越えてから本格構成に進みます。 雨の多い時期の確率の目盛りを見ないと、持ち越しの試算を信用してよいかが分かりません。

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
2 名
月間件数
24 件
1件あたり現在時間
40 分
1件あたり導入後時間
15 分
現在  24件 × 40分 ÷ 60 = 16 時間/月
導入後 24件 × 15分 ÷ 60 = 6 時間/月
月間削減時間
10h
削減率
63%
年間削減時間
120h
年間金額換算(時間単価3,500円)
42万円
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. 加熱アスファルト合材の工場で、舗装の会社・道路の工事の会社から工事ごとの予定を受けて出荷している場合。雨で舗装の工事が中止・延期になり、日ごとの出荷が予定表から大きく外れる場合。翌週の製造の段取りと、運搬車の手配の台数を、長く出荷を担当してきた1名が予定表と天気予報を見て決めている場合。工事ごとの予定の表を毎週の時点で残せて、出荷の記録が2〜3年分ある場合。
向いていない
  1. 出荷先が数社に限られ、前日の確定の注文だけで製造しても間に合う場合。出荷の大半が当日の小口の注文で、工事の予定の表が無い場合。予定の表を上書きで管理していて、過去のある時点の予定を復元できない場合。なお、天気そのものを予測する構成ではありません。工事を行うかどうかは発注者と施工の会社が決め、製造の量と運搬車の台数は工場の責任者が決めます。

07最小構成で試す方法

  1. 写しが無い場合は、去年の梅雨の1か月について、工事の会社とのやり取りから「予定の日」と「実際の日」を30件ほど復元する
  2. その30件に、予定の日の雨の有無、工種、昼夜、発注者の区分を付ける
  3. 雨の日と雨でない日で、予定の日に出た割合を表にする
  4. 工種と昼夜で分けて、同じ表を作る
  5. 今週から、毎週木曜に予定の表の写しを残し始める
出てきた内容判断
雨の日と雨でない日で、出た割合が大きく違う工事ごとの確率で足し上げる構成に進む
工種や昼夜で、雨の効き方が違う工種と昼夜を特徴量に入れる
予定の日が復元できない工事が多い写しを3か月ためてから学習に進む

5番を今週から始めてください。 この構成でいちばん時間がかかるのは、写しがたまるのを待つことです。モデルを書く前に、写しを残す仕組みだけを先に動かします。

08実装時につまずきやすいポイント

問題対策
延びた工事を「予定どおり出た」と学ぶ書き換えた後の表でなく、木曜時点の写しで正解を作る
過去の降水確率が無い雨の実績で学び、予測で雨あり・雨なしを降水確率で混ぜる
雨のほうが出る確率が高く出る雨と前日の雨の列に減る向きの縛りを入れる
月曜に延びた工事が火曜に重ならないくり返しの試算で延びた工事を翌日へ持ち越す
現場の名前のゆれで「出なかった」になる会社と現場の組み合わせに番号を振る
工事の少ない会社の数件を性質として覚えるmin_data_in_leaf を上げる
同じ雨の日の工事が学習と検証に分かれる写した日で区切って検証する
会社の癖の列から答えが漏れる学習の期間より前の分だけで作る
確率の目盛りがずれる確率の区分ごとに実際に出た割合を毎週見る
気温の低い日に工事が行われるかを確率で決める施工の会社の判断を電話で確かめる

上の2行が、この構成の土台です。 どちらも、過去のある時点で何が分かっていたかを残しておくことの問題です。モデルを書く前に、写しを残す仕組みを動かしてください。

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: 工事の会社・現場・予定の日と量、出荷の記録、雨量と気温。個人の情報は扱いませんが、工事の会社ごとの受注の予定は取引の情報です。

  1. 外部へ送らない … 生成AIを使わず、社内のPCで動かします
  2. 工事の予定を外に出さない … 予定の表には、工事の会社が受注した工事の場所と時期が入っています。運送の会社に伝えるのは、日ごとの台数だけにします
  3. 工事の会社の確率を本人に見せない … 「御社の工事は雨だと3割」という値は、会社への評価のように受け取られます。社内の段取りの材料にとどめます
  4. 確率を確定の数字として扱わない … 運搬車の台数と製造の量は責任者が決め、前日の確定の連絡で直します
  5. 気象庁のデータの出典を書く … 加工した値であることを添えます
  6. スクリプトを1人の持ち物にしない … 手順書と、動かし方を知る2人目を用意します

工事の予定の表は、工事の会社から預かった情報だと考えてください。 公共の工事でも、施工の日程や規制の時間帯は、工事の会社が地元や警察と調整して決めたもので、外に出す前提のものではありません。民間の工事では、どこで誰が舗装の工事をするかそのものが取引の情報です。写しを残すフォルダの閲覧は、業務課と工場の責任者に限ります。

誤りが起きた場合のリスクは、運搬車が足りずに現場の工事が止まることと、合材を作りすぎることの2つです。 前者は上の値まで仮に押さえることで、後者は前日の確定の連絡で製造の量を直す手順を残すことで抑えます。

10まず何から始めるか

1週目:予定の表の写しを残し始める

毎週木曜の朝に、工事の予定の表を日付つきで保存する仕組みを作ります。この週から写しがたまり始めます。 あわせて、予定の表に確度と昼夜の列があるかを確かめ、無ければ足します。

2週目:現場に番号を振る

予定の表と計量の記録の両方に、工事の会社と現場の組み合わせの番号を入れます。突き合わせで「出なかった」になる行を減らします。

3週目:雨の効き方を表にする

第8章のとおり、復元した30件で、雨の日と雨でない日の出た割合を比べます。工種と昼夜で違いが出るかを見ます。

4週目:週間天気予報の入力の表を作る

降水確率・信頼度・最低気温を写す表を作り、毎週木曜に写し始めます。写した表は捨てずに残します。

2か月目: 復元した分と写しで工事ごとの確率を出し、予定の表の合計と並べて見ます。3か月目以降: 持ち越しと小口を入れた試算と台数の目安を足し、確率の目盛りを毎週見ます。雨の多い時期を1回越え、担当が替わっても同じ台数を木曜に伝え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

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
objective の binary が2値の対数損失による分類でラベルは {0, 1}、categorical_feature の値が int32 に直され pandas のカテゴリから整数のコードが取られ負の値は欠測、monotone_constraints、min_data_in_leaf の既定20、deterministic と seedLightGBM: Parameters2026-11-17
府県週間天気予報が日ごとの天気・最高最低気温・降水確率(10%単位)・信頼度を毎日11時ごろと17時ごろに発表すること、信頼度Cの意味気象庁: 週間天気予報2026-11-17
寒冷期に5℃以下の気温で加熱アスファルト混合物を舗設する作業は監督職員の承諾が必要なこと、天候の変わりやすい時期は出荷停止や舗設時間の変更に備えて現場とプラントの連絡を密にすること、敷きならし中に雨・雪が降り始めたら中止すること国土交通省: 寒冷期の加熱アスファルト混合物の舗設の要領(通年施工化の資料)2026-11-17
地点・項目・期間を選んで CSV でダウンロードできること、選んだデータの量が100%を超えると表示・ダウンロードできないこと、欠測の格納と品質情報の0気象庁: 過去の気象データ・ダウンロードの使い方2026-11-17
公共データ利用規約(第1.0版)に準拠した利用、出典の記載の形、編集・加工した情報を国が作成したかのように扱わないこと気象庁: ホームページについて2026-11-17

工事を行うかどうかは発注者と施工の会社が、製造の量と運搬車の台数は工場の責任者が決めてください。 本記事は上の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-3644)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