ハイヤー会社が予約の台帳・曜日・催し・天気の記録から Python で翌週の日ごとの配車の需要を予測し、乗務員の勤務と応援の手配の案を出す

処理の起点を決める

毎週木曜の朝に1回、翌週の7日分を動かします。 翌週の勤務の表を乗務員に配るのが金曜なので、配車の責任者が木曜のうちに案を見て、協力会社へ打診できる時刻にします。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。

月曜と水曜の朝にも、その週の残りの日を予測し直します。 予約は日を追って積み上がるので、木曜に出した見込みより、月曜の台帳のほうが多くのことを知っています。 やり直すたびに、利用日まであと何日かという項目が変わり、幅が狭くなります。

月に1回、モデルを作り直します。 毎月の第1木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、作った日時と、読み込んだ予約の書き出しの日時を必ず印字します。 予約の書き出しが古いまま動くと、台帳の数が少なく出て、「まだ増える」と過大に見込むからです。

入力データを集める

質を決めるのは、予約を受け付けた日時と取り消した日時です。 利用日と配車の記録だけでは、「利用日の5日前に、何件が台帳にあったか」を後から組み立てられません。

断った予約の数も、できれば数えます。 車が足りなくて断った予約は、配車の実績には残りません。断った日の実績は、本当の需要より少なく出ています。

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、営業所の近くの観測地点の日ごとの降水量と気温を取ります。

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、現象なし情報の列が並びます。 値の列だけを名前で選んで読みます。列の位置で読むと、降水量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。年末の時点で翌年の祝日が無いと、1月の連休を平日として予測します。

予約の書き出しには、利用者の名前、迎えと行き先の住所、法人名が含まれます。 読み込むときに、日時・車種・予約の種類・拘束の時間以外の列を捨てます。予測に要るのは数と時刻だけです。

AIへ渡す前に整形する

1. 台帳の積み上がりを組み立てる … 過去の利用日ごとに、利用日の13日前から前日まで、その時点で受け付け済みで、まだ取り消されていない予約の数を数えます。受け付けた日時と取り消した日時から、毎日の時点の台帳を作り直します
2. 時間帯に分ける … 迎えの時刻で、早朝（5〜9時）、日中（9〜17時）、夜（17時以降）の3つに分けます。乗務員の早番・日勤・遅番に合わせた区切りです
3. 予約の種類で分ける … 契約の送迎は数が決まっているので予測から外し、単発の予約（空港・会議接待・冠婚葬祭・観光）だけを学習の対象にします
4. 取り消しの率を作る … 予約の種類と、利用日まであと何日かごとに、過去に取り消された割合を出します
5. 断った日に印を付ける … 断った予約の数が残っている日は、最終の数に足した値を別の列に持ちます
6. 項目を作る … 利用日まであと何日か、いま台帳にある数、曜日、祝日とその前後、連休の何日目か、月、月末か、降水の有無と量、催しの種類、前年の同じ週の同じ曜日の最終の数、直近4週の同じ曜日の平均
7. 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

1番目が、この構成の肝です。 学習の1行は「ある利用日を、その何日前に見たか」の組で、同じ利用日が13行に分かれて入ります。 こうしておくと、木曜に翌週の金曜（8日前）を見る場合も、水曜に同じ金曜（2日前）を見る場合も、同じモデルで予測できます。

3番目で契約の送迎を外すのは、二重に数えないためです。 契約の送迎は台帳に毎日同じ数が載っていて、それを学習に混ぜると、モデルは「台帳の数がだいたい最終の数」と覚えます。 読めない単発の部分だけを予測し、契約の数は台帳からそのまま足します。

4番目の取り消しの率は、冠婚葬祭と観光で大きく違います。いま台帳にある数から取り消しの見込みを引いた値を、モデルの項目に入れます。

AIに処理させる

させるのは、翌週の日ごと・時間帯ごとの単発の予約の最終の数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。

休みを勧めるのに下振れを使うのは、休みを勧めて足りなくなると取り返しにくいからです。 下振れでも乗務員が余る日だけ、休みを勧めます。応援の打診に上振れを使うのは、打診は断れるからです。 空きを聞いておき、月曜と水曜のやり直しで要らなくなれば取り下げます。どの分位を使うかは、断る予約と待つ乗務員のどちらを重く見るかで、配車の責任者と決めます。

乗務員の数への置き換えは、換算の規則で行います。 時間帯ごとの予約の数に、予約の種類ごとの1台あたりの拘束の時間を掛けて、その時間帯に必要な乗務員の延べの時間を出し、1人の勤務の時間で割ります。

ハイヤーの乗務員の労働時間の扱いも、案を出すときに見ます。 厚生労働省の改善基準告示のページでは、タクシーの拘束時間の上限の表はハイヤーの運転者には適用されないとされ、ハイヤーの運転者の時間外・休日労働の協定の延長時間は1か月45時間、1年360時間を限度とし、臨時的特別な事情がある場合でも1年960時間を超えないものとされています。休日の出勤を頼む案には、その乗務員の今月の時間外の累計を並べ、枠に近い人を候補から外します。

3行目は、とくに気を付けてください。 予測が少なめの日に予約を断る理由に使わないでください。予測は勤務を決めるための見込みで、目の前の予約を受けるかは、その時点の車と乗務員の空きで決めます。

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、台帳の積み上がりの組み立てと予測の中身を示します。

from sklearn.ensemble import HistGradientBoostingRegressor

def snapshot(bookings, use_date, days_ahead):
    """use_date の days_ahead 日前の時点で、台帳に残っていた単発の予約の数"""
    t = use_date - pd.Timedelta(days=days_ahead)
    b = bookings[(bookings["use_date"] == use_date) & (bookings["kind"] != "contract")]
    alive = (b["booked_at"] <= t) & (b["cancelled_at"].isna() | (b["cancelled_at"] > t))
    return b[alive].groupby("slot").size()

FEATURES = ["days_ahead", "booked_net", "weekday", "is_holiday", "holiday_seq",
            "month", "month_end", "rain_mm", "event_type",
            "last_year_same", "recent4w_same_mean"]
# weekday・month・event_type は pandas の Categorical にしておく
MONO = {"booked_net": 1}   # 台帳の数（取り消しの見込みを引いた値）が多いほど最終も多い

def hgb(**kw):
    return HistGradientBoostingRegressor(
        max_iter=500, learning_rate=0.05, early_stopping=True,
        validation_fraction=0.15, monotonic_cst=MONO, random_state=0, **kw)

center = hgb(loss="poisson")
lower  = hgb(loss="quantile", quantile=0.2)
upper  = hgb(loss="quantile", quantile=0.8)
for m in (center, lower, upper):
    m.fit(train[FEATURES], train["final_spot"])   # 断った日は final_spot に断った数を足す

monotonic_cst を辞書で渡しているのは、特徴の名前で制約を付けるためです。 列の並びを後で変えても、制約が別の列に付くことがありません。カテゴリの列には単調性の制約を付けられないので、付けるのは台帳の数だけにします。公式の解説は、単調性の制約が特徴の効き方を「わずかにしか」縛らないとも書いています。

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。

検証の行は、利用日で分けます。 同じ利用日の13行が学習と検証の両方に入ると、当たり方がよく見えすぎます。

初めての催しは、学習のときに無かったカテゴリになります。 公式の解説では、学習のときに見なかったカテゴリは予測のときに欠けた値として扱われるとされています。そのため、初めての催しの日は「催しなし」に近い見込みになります。 表に「初めての催し：上乗せ未定」と出し、責任者が上乗せします。

出力形式を固定する

配車の責任者に渡すのは、次の表です。 印刷して木曜の昼に見ることを前提にします。

【翌週の日ごとの配車の見込み（2026年11月第2週・木曜 7:32 作成／予約の書き出し 7:15）】

「印」と「案」で、責任者が見る先を決めます。 赤の日は、休日の出勤を頼む乗務員と、打診する協力会社を決めます。青の日は、休みを勧める乗務員を決めます。 黄の日は、月曜と水曜のやり直しの結果を待ちます。

表の下には、休日の出勤の候補を並べます。 今月と今年の時間外の累計を並べ、枠に近い人には「候補外」の印を付けます。 候補を決めるのは責任者で、表は判断の材料です。

表の一番下には、注意の印を並べます。 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。

機械で読む用には、同じ内容を CSV でも残します。 列は、日、時間帯、契約の数、台帳の数、取り消しの見込み、下振れ・中央・上振れ、必要な人数、出勤の数、印、案、モデルを作った日付、利用日まであと何日で予測したかです。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

勤務の表は、責任者が決めてから事務が直します。 予測の案をそのまま勤務の表に入れる作りにすると、月曜と水曜のやり直しのたびに勤務が変わり、乗務員が予定を立てられません。 勤務の変更は、乗務員の同意が要る話でもあります。

人が確認する

1. 作った日時と台帳の日時を見る … 表の上の2つの日時が当日の朝であることを確かめます
2. 赤と青の日を見る … 休日の出勤を頼める乗務員、打診できる協力会社、休みを勧められる乗務員を決めます
3. 時間外の累計を確かめる … 休日の出勤の候補が、協定の枠を超えないかを勤務の記録で確かめます
4. 予測の外の事情を足し引きする … 役員の海外出張、大口の予約の打診、道路の規制などを足し引きします

目標は、30日をならして1件8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青の日と、初めての催しの日です。

例外に対処する

1行目がいちばん起きやすい失敗です。 赤の日が急に増えたら、まず書き出しの日時を見ます。

記録を残す

• 実行の日時、使ったモデルの作成日、読み込んだ予約の書き出しの日時と期間
• 日ごと・時間帯ごとの台帳の数、取り消しの見込み、下振れ・中央・上振れ、必要な人数、印、各案
• 責任者が決めた勤務と応援の依頼と、案から変えた理由
• 翌週の実績（最終の配車の数、協力会社に頼んだ台数、断った予約の数、車庫で待った時間）
• 月曜と水曜のやり直しの前と後の案
• 月ごとの当たり方（利用日まであと何日で予測したかごとの、中央の外れの大きさ、上振れを上回った日の割合）と、モデルの作り直しの結果

当たり方は、利用日まであと何日で予測したかに分けて見ます。2日前の予測が外れ続けるなら、直前の予約の入り方が変わっています。

3つ目と4つ目を並べると、応援の判断が合っていたかが分かります。 赤の日に前もって打診し、断った予約が出なかったなら、判断は働いています。青の日に休みを勧めて断った予約が出たなら、下振れの線を見直します。