Media > AI活用ユースケース > 経営企画 > コインパーキングの運営会社が、駐車場ごとの入出庫の記録から Python で稼働の幅を予測し、料金の見直しの候補を出す

コインパーキングの運営会社が、駐車場ごとの入出庫の記録から Python で稼働の幅を予測し、料金の見直しの候補を出す

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

駐車場ごとの入出庫の記録から日ごとの稼働率を作り、今の料金のままなら先8週の稼働率がどの幅に収まるかを予測します。実績が幅の下側を続けて割った駐車場や、最大料金の適用が多い駐車場を、理由付きの見直しの候補にします。

サマリー
連携・自動化
Python
対象業界
その他/不動産/小売
対象部門
経営企画
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
100h/月
AI導入後
30h/月
想定削減
70%
年間削減
840h
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. 毎月初めに、駐車場の管理の仕組みから前月の売上と入庫の台数を書き出す
  2. 担当が、駐車場ごとに前月・前年同月と比べるグラフを表計算のブックで作る
  3. 落ち方の大きい駐車場、売上が地代に近い駐車場を目で選ぶ
  4. 選んだ駐車場の入出庫の記録を開き、曜日や時間帯の傾向を確かめる
  5. 見直しの候補と理由を表に書き、現地の確認と上長への相談に回す
導入後(After)
  1. 自動毎月1日の早朝に、前月までの入出庫と精算の記録、駐車場の台帳を書き出す
  2. 自動駐車場ごと・日ごとの稼働率、最大料金が適用された台数の割合、1台あたりの売上を作る
  3. 自動分位の回帰で、今の料金のままの先8週の稼働率の幅(下側10%・中央50%・上側90%)を予測する
  4. 自動前月の実績を、前々月末の時点で出していた予測の幅と比べる
  5. 自動決めた規則で、見直しの候補と理由の区分を付け、駐車場ごとの1枚にする
  6. 人担当が候補を理由の区分ごとに確かめ、現地を見る駐車場を決める
  7. 人担当と上長が、料金を変えるか、地権者に相談するかを決める
各工程の詳しい説明を読む
  1. 毎月初めに、駐車場の管理の仕組みから前月の売上と入庫の台数を書き出す
  2. 担当が、駐車場ごとに前月・前年同月と比べるグラフを表計算のブックで作る
  3. 落ち方の大きい駐車場、売上が地代に近い駐車場を目で選ぶ
  4. 選んだ駐車場の入出庫の記録を開き、曜日や時間帯の傾向を確かめる
  5. 見直しの候補と理由を表に書き、現地の確認と上長への相談に回す

(a)300か所を毎月見切れない。 1か所20分で300か所なら100時間です。3名の担当では、実際には前月より大きく落ちた駐車場と、地権者から相談のあった駐車場しか深く見られません。

(b)比べる相手が合っていない。 前年同月と比べると、祝日の数や、前年だけの事情(工事の車、近くの催し)で上下します。担当は「前年はこういう事情があった」と覚えている駐車場だけ、頭の中で補って見ています。

(c)少しずつの落ち方に気づくのが遅れる。 近くに競合の駐車場が開くと、稼働は1か月で大きく落ちるのではなく、数か月かけて下がることがあります。 毎月の前月比では毎回小さな落ち方に見え、候補に上がりません。

(d)最大料金の効き方が見えない。 稼働が高いのに売上が伸びない駐車場は、長く止める車が最大料金で止まり続け、短い時間の利用が入れなくなっていることがあります。売上と台数の月報だけでは、その形が見えません。

  1. 【自動】 毎月1日の早朝に、前月までの入出庫と精算の記録、駐車場の台帳を書き出す
  2. 【自動】 駐車場ごと・日ごとの稼働率、最大料金が適用された台数の割合、1台あたりの売上を作る
  3. 【自動】 分位の回帰で、今の料金のままの先8週の稼働率の幅(下側10%・中央50%・上側90%)を予測する
  4. 【自動】 前月の実績を、前々月末の時点で出していた予測の幅と比べる
  5. 【自動】 決めた規則で、見直しの候補と理由の区分を付け、駐車場ごとの1枚にする
  6. 【人】 担当が候補を理由の区分ごとに確かめ、現地を見る駐車場を決める
  7. 【人】 担当と上長が、料金を変えるか、地権者に相談するかを決める

4番目で比べるのは、実績を見る前に出していた予測です。 前月の実績を入れて学ばせ直した後の予測と比べると、外れた分がモデルに吸収され、需要の変化が見えなくなります。 毎月の予測を保存し、前々月末の予測を物差しにします。

5番目の候補は、規則で付けます。 モデルは稼働の幅を出すだけで、どの外れ方を候補にするかは、担当と決めた規則の側に置きます。 規則の値は、運用しながら担当が変えます。

6番目で、担当が見る深さを変えます。 候補の付いた駐車場は1枚を読み、現地のメモと近くの様子を確かめます。候補の付かなかった駐車場は、一覧で立地の区分ごとの件数と、前月からの変わり方だけを見ます。 300か所すべてを同じ深さで見ていた時間を、候補の駐車場に回します。

02今回想定するシステム構成

構成図
駐車場の管理の仕組み(入庫・出庫の時刻/精算の金額/最大料金の適用)
駐車場の台帳(台数・料金の表・地代・開設日・立地の区分)
   │  毎月1日の早朝に前月までを書き出し
   ▼【トリガー】定時実行
Python(pandas)
   ├──▶ 日ごとの稼働率・最大料金の適用の割合・1台あたりの売上
   ├──▶ 暦(曜日・祝日)と料金の表、直近の稼働の要約を足す
   ▼
scikit-learn(HistGradientBoostingRegressor、loss="quantile"、0.1/0.5/0.9 の3本)
   ▼
Python ── 前々月末の予測と前月の実績の比較/規則による候補と理由の区分
   ▼
見直しの候補の一覧と、駐車場ごとの1枚(表と図)
   ▼
【担当が理由の区分ごとに確かめ、現地を見る → 上長と料金・地権者への相談を決める】
役割想定する製品代替候補
実行環境Python(pandas・scikit-learn の HistGradientBoostingRegressor)R、LightGBM、BigQuery ML
データの取得元駐車場の管理の仕組みの書き出し管理の仕組みの API(提供されている場合)
材料の出力先共有フォルダの候補の一覧と駐車場ごとの1枚社内のダッシュボード
定時実行社内のジョブ管理の仕組みOS のタスクスケジューラ

生成AIは使いません。 この構成で行うのは、記録から稼働率の幅を予測し、規則で候補に直す計算です。精算の記録を外部の生成AIに渡す場面を、最初から作りません。

駐車場の管理の仕組みの料金の設定には書き込みません。 料金の変更は、決まった後にいまと同じ手順で担当が行います。

モデルに HistGradientBoostingRegressor を選ぶのは、loss="quantile" で分位を予測でき、欠けた値をそのまま扱えるからです。 公式の説明では、loss に 'quantile' を選ぶと pinball loss を使い、quantile に0から1の値で予測する分位を指定するとされています。下側・中央・上側の3本を、quantile の値を変えて別々に学ばせます。

料金の列には、単調の制約を付けます。 公式の説明では、monotonic_cst で列ごとに増える向き(1)・減る向き(-1)・制約なし(0)を付けられるとされています。時間の単価と最大料金は、高いほど稼働が下がる向きの -1 にします。ただし、制約は効き方を限られた形でしか縛らないとされていて、料金を変えたら稼働がいくつ動くかを教えてくれるものではありません。

03どうやって実装するのか

Step1

処理の起点を決める

毎月1日の早朝に、社内のジョブ管理の仕組みから Python の処理を動かします。 駐車場の管理の仕組みから前月までの入出庫と精算の記録を書き出し、書き出しが終わったことを確かめてから、集計と予測を始めます。

毎月にするのは、料金の見直しが毎月の会議で決まるからです。 1日に動かせば、担当は月の最初の週に候補を確かめ、現地を見て、月の中ごろの会議に見直しの案を出せます。

予測は毎月保存します。 来月の比べる物差しになるので、一度出した予測は上書きせず、作った日付を付けて残します。 書き出しが遅れた月は処理を止め、担当に知らせます。

Step2

入力データを集める

データ中身取得元
入出庫と精算の記録駐車場の番号、車室の番号、入庫と出庫の時刻、精算の金額、最大料金が適用されたか駐車場の管理の仕組みの書き出し
駐車場の台帳台数、立地の区分(駅前・住宅地・商業地・病院の近く)、開設日、地代(月額)駐車場の台帳
料金の表の履歴時間の単価、最大料金、夜間の料金と、それぞれの適用の開始日駐車場の台帳
暦曜日、祝日、年末年始・お盆の印社内で持つ暦の表
現地のメモ工事・催し・近くの競合の開設など、担当が残した日付付きのメモ担当の記録の表

質を決めるのは、料金の表の履歴です。 今の料金だけを持っていると、去年の料金で記録された稼働を、今の料金での稼働として学ばせることになります。 料金を変えた日付ごとに表を持ち、日ごとの記録に、その日に有効だった料金を付けます。

現地のメモは、予測の材料には使わず、候補を確かめるときに並べます。 工事の車の駐車や近くの催しは、日付がそろわないことが多く、列として学ばせると、メモを残した駐車場だけ当たり方が変わります。 候補の1枚にメモを並べ、担当が読んで判断します。

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
入出庫と精算の記録管理の仕組みの書き出し(月ごとの CSV)稼働率と最大料金の割合の計算
駐車場の台帳と料金の履歴台帳の書き出し台数・立地・その日の料金
暦社内の暦の表曜日と祝日の列
前々月末の予測保存した予測のファイル前月の実績との比較
現地のメモ担当の記録の表候補の1枚に並べる

稼働率は、在車の台時間を、台数×24時間で割って作ります。 1台の入庫から出庫までの時間を、日をまたぐときは日ごとに分けて足し合わせます。夜をまたいで止める車を入庫の日だけに数えると、翌日の稼働が低く見えます。

1台あたりの売上は、精算の金額から作ります。 提携の店舗のサービス券や割引で精算された車は、稼働には数えますが、売上の計算では割引の後の金額を使います。 割引の多い駐車場は稼働が高いのに売上が低く見えるので、割引の件数も1枚に並べます。

書き出しの列の形を、毎回確かめます。 入庫と出庫の時刻の書式、駐車場の番号の桁が変わったら、処理を止めて担当に知らせます。 列がずれたまま計算すると、稼働率がそれらしい値で誤ります。

Step4

AIへ渡す前に整形する

  1. 異常な記録を外す … 出庫の時刻が入庫より前のもの、48時間を超える駐車(放置の疑い)は稼働の計算から外し、件数を別に数えます
  2. 日ごとの稼働率を作る … 駐車場・日ごとに在車の台時間を足し、台数×24時間で割ります
  3. 最大料金の割合を作る … その日に出庫した台数のうち、最大料金が適用された割合を出します
  4. その日の料金を付ける … 料金の表の履歴から、その日に有効だった時間の単価と最大料金を付けます
  5. 直近の稼働の要約を付ける … 予測を出す時点(月末)までの直近13週の、同じ曜日の稼働率の平均を付けます
  6. 休止の日を外す … 精算機の故障や工事で休止した日は、学ばせる記録から外します

5番目を「予測を出す時点まで」で切るのが大事です。 予測したい日の前日までの稼働を列に入れると、学ばせるときは当たるのに、先8週を予測するときにはその値が無く、本番だけ外れます。 予測を出す月末の時点で手に入る値だけを列にします。

駐車場の番号は、そのままカテゴリの列にしません。 公式の説明では、カテゴリの列の値の種類は max_bins(既定255、上限255)より少なくする必要があるとされています。300か所の番号は、そのままでは入りません。 立地の区分と台数、直近の稼働の要約で、駐車場ごとの違いを表します。

Step5

AIに処理させる

させるのは、今の料金のまま、駐車場ごと・日ごとの稼働率の下側・中央・上側を予測することだけです。

列中身制約
曜日・祝日・月暦からカテゴリの列
立地の区分駅前・住宅地・商業地・病院の近くカテゴリの列
台数駐車場の台帳からなし
時間の単価・最大料金その日に有効だった料金減る向き(-1)
直近の稼働の要約月末までの直近13週の同じ曜日の平均なし
開設からの月数開設日からなし

下側を10%、上側を90%の分位にします。 公式の説明では、quantile に0から1の値を指定するとされています。10%と90%にすると、実績が下側を割る日は、およそ10日に1日の見込みになります。 1日割っただけでは候補にせず、週の平均で3週続けて割ったときに候補にします。

3本のモデルは別々に学ばせるので、まれに下側が中央を上回る日が出ます。 そのときは、3つの値を小さい順に並べ替えてから使います。並べ替えた日の数は記録し、多い駐車場は幅を読まないで中央の値だけを参考にします。

させないこと理由
料金をいくらにするかの提案競合・地権者・設定の手間を見て人が決める
料金を変えたときの稼働の予測料金を変えた記録が少なく、単調の制約も効き方の形を整えるだけ
満車の時間帯の需要の推定満車のあいだ入れなかった車は記録に残らない
駐車場の撤退の判断地権者との契約と会社の方針で決める

2行目がいちばん起きやすい誤解です。 予測に料金の列が入っているので、料金の値を変えて予測し直せば、値下げの効果が出るように見えます。 多くの駐車場は料金を数年変えておらず、モデルは料金の効き方をほとんど学んでいません。出した数字は「今の料金のままなら」の物差しとしてだけ使います。

3行目も、high_and_capped の候補を読むときに効きます。 満車のあいだに入れずに去った車は、精算の記録に残りません。稼働率が90%を超える駐車場では、記録の稼働が実際の需要を少なく見せています。 高稼働の候補の中央の値は「これ以上は記録に出ない」上限に近い値として読み、需要の大きさとしては読みません。

Step6

指示内容を固定する

生成AIへの指示文はありません。 代わりに、学ばせ方と確かめ方の設定を示します。

from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.model_selection import TimeSeriesSplit
from sklearn.metrics import mean_pinball_loss

# 列の並び:曜日, 祝日, 月, 立地の区分, 台数, 時間の単価, 最大料金, 直近の稼働の要約, 開設からの月数
cst = {"unit_price": -1, "max_price": -1}
models = {}
for q in (0.1, 0.5, 0.9):
    models[q] = HistGradientBoostingRegressor(
        loss="quantile", quantile=q,
        monotonic_cst=cst,
        categorical_features="from_dtype",
        early_stopping=False,
    )

# 日付の単位で前後に分ける(行ではなく日付で分割する)
dates = sorted(df["date"].unique())
tscv = TimeSeriesSplit(n_splits=5, gap=56)
for train_idx, test_idx in tscv.split(dates):
    train_dates = [dates[i] for i in train_idx]
    test_dates = [dates[i] for i in test_idx]
    # ... 学ばせて、分位ごとに mean_pinball_loss(y_true, y_pred, alpha=q) で確かめる

TimeSeriesSplit は、行ではなく日付に当てます。 公式の説明では、TimeSeriesSplit は時間の順に並んだ記録を前後に分け、比べられる値を得るには記録が等しい間隔で並んでいる必要があるとされています。1日に300か所の行がある表にそのまま当てると、同じ日の行が学ばせる側と確かめる側に分かれます。日付の一覧を分けてから、その日付の行を取り出します。

gap=56 は、先8週を予測する条件に合わせるためです。 公式の説明では、gap は学ばせる期間の末尾から除く数とされています。月末から8週先の日を予測するので、確かめるときも学ばせる期間と8週あけます。

early_stopping=False にしているのは、公式の説明で 'auto' の既定では記録が1万を超えると自動で有効になり、学ばせる記録の一部が確かめに回るからです。 300か所×数年の日ごとの記録は1万を超えます。確かめは TimeSeriesSplit で自分で行うので、学ばせる記録を時間の順を無視して削らないようにします。

確かめの物差しは、分位ごとの pinball loss です。 公式の説明では、mean_pinball_loss は分位の回帰の評価に使い、alpha を予測した分位に合わせるとされています。下側のモデルは alpha=0.1、上側は alpha=0.9 で測ります。 あわせて、実績が下側を割った日の割合が10%前後かを、立地の区分ごとに数えます。

Step7

出力形式を固定する

駐車場ごとに、次の形の1行を作ります。

{
  "lot_id": "",
  "forecast_made_on": "",
  "weekly": [
    { "week": "", "p10": 0.0, "p50": 0.0, "p90": 0.0, "actual": 0.0 }
  ],
  "max_price_share": 0.0,
  "revenue_per_space_day": 0,
  "rent_per_space_day": 0,
  "candidate": "below_band | high_and_capped | low_occupancy | none",
  "reason_detail": "",
  "site_notes": [""]
}

1つ目の理由は、規則で候補を付けられることです。

候補の区分条件(初めの値。運用しながら直す)
below_band 下振れ週の平均の実績が、前々月末の予測の下側(p10)を3週続けて割った
high_and_capped 高稼働で頭打ち平日の中央の予測(p50)が85%以上で、最大料金の適用の割合が40%以上
low_occupancy 低稼働上側の予測(p90)が30%未満、または1台1日あたりの売上が地代を下回る
none上のどれにも当たらない

2つ目は、理由の区分で確かめる先を分けられることです。 below_band は近くの競合の開設や周りの施設の変化を現地で見る、high_and_capped は最大料金の時間や額を見直す、low_occupancy は料金だけでなく地権者との契約の見直しも含めて考える。担当は区分ごとにまとめて確かめます。

3つ目は、site_notes で担当の記憶に頼らなくなることです。 前年の工事やいつもの催しは、メモを残しておけば候補の1枚に並びます。担当が替わっても、同じ事情を同じように読めます。

Step8

システムへ連携する

つなぎ先方式内容
駐車場の管理の仕組み月ごとの書き出しを読むだけ入出庫と精算の記録
駐車場の台帳書き出しを読むだけ台数・立地・料金の履歴・地代
予測の保存先共有フォルダへの書き出し月ごとの予測(上書きしない)
候補の一覧共有フォルダへの書き出し候補の区分と駐車場ごとの1枚

料金の設定と台帳には書き込みません。 候補は一覧と1枚で渡すだけで、料金の変更は、決まった後に担当がいまと同じ手順で行います。

Step9

人が確認する

担当が、すべての候補を確かめ、現地を見る駐車場を決めます。

  1. below_band から見る … 落ち始めた駐車場は、早く見るほど打てる手が多いです。現地のメモと、近くの競合の有無を確かめます
  2. 前月に休止の日が無かったかを見る … 精算機の故障の日が抜けていないと、下振れに見えます
  3. high_and_capped の最大料金の割合を見る … 長く止める車が多いのが平日か休日かで、見直す料金が変わります
  4. low_occupancy は収支と合わせて上長に回す … 料金の見直しで済むか、地権者に相談するかを上長と決めます
  5. 候補でない駐車場も、区分ごとの件数で流し見る … 立地の区分ごとに、下振れの数が急に増えていないかを見ます

2番目を省かないでください。 精算機が止まっていた日は、記録上は稼働0%です。休止の日を前処理で外せていないと、故障した駐車場が下振れの候補として先頭に並びます。

目標は、300件をならして1件6分です。 候補でない駐車場は一覧で数十秒、候補の駐車場は1枚と現地のメモを読んで15分ほどです。

規則の値は、3か月に1回見直します。 候補に上がったのに現地で何も変わっていなかった駐車場、候補に上がらなかったのに後から競合の開設が分かった駐車場を数え、どちらかが多ければ、続けて割る週の数や割合の値を担当と上長で直します。 直した値と理由は記録に残します。

Step10

例外に対処する

起きること対応
書き出しが届かない・列の形が違う処理を止め、担当に知らせる。前月の予測で一覧を作らない
開設から13週に満たない駐車場直近の稼働の要約が作れないので予測せず、「新しい駐車場」として別に並べる
台数が変わった(区画の増減)変わった日の前後で稼働率の分母が変わる。変わった日を台帳に入れ、前後を分けて見る
料金を変えた駐車場変えた後の実績を、変える前の予測と比べた結果として別の欄に出す。候補の規則には使わない
3本の予測の順が入れ替わる日が多い幅を使わず中央の値だけを参考にし、その駐車場を担当に知らせる
休止の日の記録が無い稼働0%の日が続く駐車場を拾い、担当に休止の有無を確かめる
48時間を超える駐車が続く放置の疑いとして件数を数え、巡回の担当に知らせる

4行目は、料金を変えた後の見え方の確かめに使います。 変える前の予測は「今の料金のまま」の物差しなので、変えた後の実績がその幅のどこにあるかを見れば、変えた後の動きの目安になります。 ただし、同じ時期の周りの変化も混ざるので、効果の確定としては扱わず、担当の判断の材料にとどめます。

Step11

記録を残す

  • 毎月の書き出しのファイルと、書き出した日時
  • 作った日付付きの予測(上書きしない)と、学ばせた期間・モデルの設定
  • 分位ごとの pinball loss と、実績が下側を割った日の割合(立地の区分ごと)
  • 付けた候補の区分と、そのときの規則の値
  • 担当が確かめた結果(現地で見たこと、料金を変えた・変えない)と上長の決定
  • 前処理で外した記録の件数(異常な記録・休止の日)

2つ目を上書きしないのは、来月の物差しになるからです。 物差しが後から変わると、どの月にどの駐車場が下振れていたかを、後でたどれなくなります。

04実装レベルの3段階

最小構成:30か所で過去の時点の予測を作り、当時の見直しと並べる / 幅と候補の出し方の確かめ
半自動化:上記+全駐車場の稼働率と予測を毎月作り、候補の一覧を出す(理由の区分は下振れだけ) / 稼働の集計と下振れの候補
本格構成:上記+3つの理由の区分、現地のメモの並べ、料金を変えた後の比べ、予測の保存と精度の記録までを回す / 見直しの候補の選定の全体

最小構成は、下振れの候補が、担当が後から気づいた変化と重なるかを確かめる段階です。 半自動化で、1件20分が12分程度になります。 グラフ作りは無くなりますが、最大料金の割合と収支は担当が記録を開いて見ます。本格構成で1件6分になり、この段階が本記事の想定です。 差が大きいのは、理由の区分と現地のメモが1枚にそろい、記録を開き直す必要が無くなるからです。 段階を飛ばさないでください。 半自動化で数か月回すと、前々月末の予測という物差しがたまり、下振れの候補が担当の現地の感覚とどれだけ重なるかが分かります。物差しがたまる前に3つの区分を一度に出すと、どの区分の規則がずれているのかを見分けられません。

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
3 名
月間件数
300 件
1件あたり現在時間
20 分
1件あたり導入後時間
6 分
現在  300件 × 20分 ÷ 60 = 100 時間/月
導入後 300件 × 6分 ÷ 60 = 30 時間/月
月間削減時間
70h
削減率
70%
年間削減時間
840h
年間金額換算(時間単価4,000円)
336万円
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. 5〜30台ほどの小さなコインパーキングを数百か所運営し、駐車場ごとの料金(時間の単価・最大料金・夜間の料金)を本部の担当が毎月見直している会社。精算機がネットワークでつながり、入庫と出庫の時刻と精算の金額を1台ずつ書き出せる場合。見直しの候補を、担当が売上の月報と現地の感覚で選んでいて、駐車場によって見る深さが違う場合。
向いていない
  1. 運営している駐車場が数か所で、担当が毎日の様子を見て料金を決められる場合。精算の記録が日ごとの売上の合計しか残っておらず、入庫と出庫の時刻が分からない場合。開設して半年に満たない駐車場が大半で、比べる過去の記録が無い場合。なお、料金をいくらにするか、地権者との契約の範囲、看板と精算機の設定の変更、駐車場の撤退の判断は、この構成では代替できません。

07最小構成で試す方法

  1. 立地の区分ごとに数か所ずつ、合わせて30か所の駐車場を選ぶ(過去に担当が料金を見直した駐車場と、近くに競合が開いた駐車場を必ず含める)
  2. その30か所の過去2年の入出庫の記録から、日ごとの稼働率を表計算のブックで作る
  3. 1年前の時点で区切り、それより前の記録で3本のモデルを学ばせ、その後の8週を予測する
  4. 実績と並べ、下側を3週続けて割った駐車場を数える
  5. 担当が当時見直しに回した駐車場、競合が開いた駐車場と、下振れの候補が重なるかを見る

試すときは、必ず「当時の時点で出せた予測」で比べてください。 区切った時点より後の記録が列に混ざると、当たって見えるだけで本番では外れます。

出てきた内容判断
競合が開いた駐車場が、開いた後の数週で下振れの候補に上がった毎月の処理に進む
実績が下側を割る日が10%より大きく多い幅が狭すぎる。列と学ばせる期間を見直す
候補が休止や工事の日ばかり前処理の休止の日の外し方が先。 モデルの問題ではない

3行目は失敗ではなく、休止の日の記録が台帳に残っていなかったことが分かったということです。 休止の日の記録を整えてから、同じ30か所で試し直してください。

2行目が出たときは、立地の区分ごとに数え直します。 駅前の駐車場だけ下側を割る日が多いなら、駅前は催しや天気で揺れが大きく、ほかの区分と同じ列では幅を出し切れていないということです。区分ごとにモデルを分けるかを検討します。

08実装時につまずきやすいポイント

問題対策
予測したい日の直前の稼働を列に入れ、本番だけ外れる予測を出す月末の時点で手に入る値だけを列にする
TimeSeriesSplit を行に当て、同じ日が前後に分かれる日付の一覧で分け、その日付の行を取り出す
学ばせ直した後の予測と比べ、下振れが消える前々月末に出した予測を保存し、物差しにする
休止の日が下振れの候補になる休止の日を台帳に残し、前処理で外す
料金を変えて予測し直し、値下げの効果と読む「今の料金のまま」の物差しとしてだけ使う
駐車場の番号をカテゴリの列にして学ばせられない種類は255未満。立地の区分と直近の稼働の要約で表す
夜をまたぐ駐車を入庫の日だけに数える日ごとに分けて台時間を足す
既定の早期停止で記録の一部が確かめに回るearly_stopping=False にし、確かめは自分で行う

上の4行が、この構成の失敗のほとんどです。 どれも「物差しが、本番と違う条件で作られている」という同じ原因から出ています。予測を出す時点を決め、その時点の値と物差しだけで比べているかどうかで、担当がこの候補を頼りにできるかが決まります。

下の4行も、同じくらい早く効いてきます。 どれもモデルの出来ではなく、記録をどう数え、予測をどう読むかという、仕組みの側の決まりの問題です。

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: 駐車場ごとの入出庫の時刻と精算の金額、地代、料金の表です。車のナンバーを読む機器がある駐車場では、記録に車の番号が入ることがあります。

  1. 車の番号を使わない … 書き出しに車の番号が含まれる場合は、予測にも候補の1枚にも入れず、書き出しの段階で外します。 稼働率の計算に、車を特定する情報は要りません
  2. 地代を社外に出さない … 地代は地権者との契約の内容です。候補の1枚を社外に渡すときは、地代と1台あたりの売上の欄を外します
  3. 判断を予測に寄せない … 料金の額、地権者との相談、撤退は、担当と上長が決めます。 予測は「今の料金のまま」の物差しを示すだけです
  4. 予測の数字を地権者との交渉にそのまま使わない … 予測の幅には誤りがあり、料金を変えたときの効果は予測していません。 地権者に見せるのは実績の数字にとどめます
  5. 規則の値を記録する … どの値で候補を付けたかを残し、値を変えた月と変えた理由を記録します
  6. 担当の評価に使わない … 下振れの候補の数を、駐車場を受け持つ担当の評価に結び付けません。下振れの多くは周りの変化で起き、担当が隠そうとすると休止の日やメモの記録が崩れます

誤りが起きた場合のリスクは、落ち始めた駐車場を見逃すことと、故障や休止を下振れと読んで不要な値下げをすることの2つです。 前者は物差しを本番と違う条件で作ると起き、後者は休止の日を外せていないと起きます。どちらも「予測を出す時点を守り、休止の日を外し、人が現地で確かめる」ことで防げるので、そこだけは設計で守ります。

10まず何から始めるか

1週目:料金の履歴と休止の日を整える

駐車場の台帳に、料金を変えた日付ごとの履歴と、休止の日の記録を足します。 全駐車場を一度にそろえる必要はなく、試す30か所から始めます。

2週目:30か所で試す

1年前の時点で区切って予測を作り、担当が当時見直しに回した駐車場と、競合が開いた駐車場が、下振れの候補に重なるかを見ます。

3週目:候補の規則を決める

3つの理由の区分の条件と、初めの値を担当と上長で決めます。 候補の1枚に何を並べるかも決めます。

4週目:全駐車場で一度動かす

全駐車場の稼働率と予測を作り、下振れの候補だけを出します。この時点では、ほかの区分は出しません。

2か月目: 前月の予測を物差しにした比べを始め、残りの2つの区分と現地のメモを足します。3か月目以降: 1件20分が何分になったかを実測し、実績が下側を割る日の割合が立地の区分ごとに10%前後に落ち着き、担当が候補の区分の順で現地を見る運用が回った時点で、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:2026-11-19/最終更新:2026-11-19
確認した内容情報源確認日
loss に 'quantile' を選ぶと pinball loss を使い、quantile に0から1の値で予測する分位を指定すること。early_stopping の既定 'auto' は記録が1万を超えるか X_val・y_val を渡したときに有効になること。categorical_features の既定が "from_dtype" であること。欠けた値をそのまま扱うこと。monotonic_cst で1・-1・0を付けられること。max_bins の既定と上限が255で、カテゴリの列の種類はそれ以下であること(ページは scikit-learn 1.9.1)scikit-learn: HistGradientBoostingRegressor2026-11-19
単調の制約で、列ごとに増える向き(1)・減る向き(-1)・制約なし(0)を付けられること。制約は効き方を限られた形でしか縛らないこと。カテゴリの列には付けられないこと。カテゴリの列の種類は max_bins より少なくする必要があることscikit-learn: Ensembles(Histogram-Based Gradient Boosting)2026-11-19
TimeSeriesSplit が時間の順に並んだ記録を前後に分け、通常の交差検証では未来の記録で学んで過去で確かめてしまうこと。比べられる値を得るには記録が等しい間隔で並んでいる必要があること。gap で学ばせる期間の末尾を除けることscikit-learn: TimeSeriesSplit2026-11-19
mean_pinball_loss が分位の回帰の評価に使う損失で、alpha の既定が0.5(平均絶対誤差と同じ)であり、alpha=0.95 は95パーセンタイルの推定で最小になることscikit-learn: mean_pinball_loss2026-11-19

料金の額、地権者との取り決め、看板と精算機の設定の変更は、自社の担当と上長で決めてください。 本記事は上記の公式情報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-4202)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