Media > AI活用ユースケース > 物流 > 仮設トイレのレンタル会社が現場ごとの汲み取りの記録と作業員の人数から Python で次の汲み取りの日を予測し、バキューム車の回る順番を組む

仮設トイレのレンタル会社が現場ごとの汲み取りの記録と作業員の人数から Python で次の汲み取りの日を予測し、バキューム車の回る順番を組む

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

現場ごと・トイレごとの過去の汲み取りの量と間隔、元請から届く作業員の予定の人数、気温から、1日あたりに溜まる量を Python で予測し、次の汲み取りの日を出します。急ぎの現場から順に、バキューム車の回る順番の案を組みます。

サマリー
連携・自動化
Python
対象業界
その他/不動産/建設
対象部門
物流
対象業務
比較検討/集計・分析
主な課題
判断に時間がかかる/属人化している/期限・対応漏れが起きる
AIで行う処理
予測
主な効果
判断支援/属人化解消/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
40h/月
AI導入後
16h/月
想定削減
60%
年間削減
288h
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. 毎日の昼過ぎ、業務課の担当が汲み取りの記録を開き、現場ごとに前の汲み取りの日と量を確かめる
  2. 元請から届いた作業員の予定の人数の表を開き、人の増える現場を探す
  3. 「前の汲み取りから何日たったか」と人数から、翌日に行く現場を決める
  4. 現場からの「あふれそう」「臭いがする」の電話があれば、その現場を足す
  5. 翌日に行く現場を、許可の区域とバキューム車の積める量で6台に分け、地図を見ながら回る順番を決める
  6. 配車の表を作り、バキューム車の担当に渡す
導入後(After)
  1. 自動毎日13時に、Python が汲み取りの記録、貸し出しの台帳、作業員の予定の人数の表、気温の予報、休工日の表を読み込む
  2. 自動トイレごとに、前の汲み取りからの日ごとの人数と気温をそろえる
  3. 自動学習済みのモデルで1日あたりに溜まる量を予測し、安全側の倍率をかけて、タンクの容量の8割に届く日(期限)を出す
  4. 自動翌日の時点で期限まで1日以内のトイレを「必ず行く」、2〜3日を「行けたら行く」に分ける
  5. 自動許可の区域ごとに、OR-Tools で回る順番の案を組む(「行けたら行く」は外してよい訪問として渡す)
  6. 人業務課の担当が案を見て、現場からの電話や元請の連絡を足し、配車の表を決める
  7. 人バキューム車の担当に配車の表を渡す
  8. 自動汲み取りが終わったら、実際の量を予測と並べて記録する
各工程の詳しい説明を読む
  1. 毎日の昼過ぎ、業務課の担当が汲み取りの記録を開き、現場ごとに前の汲み取りの日と量を確かめる
  2. 元請から届いた作業員の予定の人数の表を開き、人の増える現場を探す
  3. 「前の汲み取りから何日たったか」と人数から、翌日に行く現場を決める
  4. 現場からの「あふれそう」「臭いがする」の電話があれば、その現場を足す
  5. 翌日に行く現場を、許可の区域とバキューム車の積める量で6台に分け、地図を見ながら回る順番を決める
  6. 配車の表を作り、バキューム車の担当に渡す

(a)「あふれそう」の電話で予定が崩れる。 4番の電話は、たいてい翌日の予定を組み終わった後に来ます。1件足すと、その車の順番と積める量の計算が崩れ、ほかの車の分まで組み直しになります。 本当にあふれると、現場の作業員の苦情が元請に届きます。

(b)汲み取りの日が担当の経験で決まる。 3番は、「この現場は内装に入ったから週2回」「夏は手洗いの水で早く溜まる」という担当の記憶で成り立っています。もう1人の担当とは決め方が違います。

(c)半分も溜まっていないタンクを汲みに行く。 あふれさせるのを恐れて早めに行くと、汲んだ量が容量の3割ということがあります。 バキューム車の積める量を、溜まっていないタンクに使っています。

(d)回る順番を組むのに時間がかかる。 5番は、6台 × 十数か所の順番を、受け入れの時間(朝礼の前と昼休みは避ける)と積める量を守りながら組む作業で、毎日1時間を超えることがあります。

  1. 【自動】 毎日13時に、Python が汲み取りの記録、貸し出しの台帳、作業員の予定の人数の表、気温の予報、休工日の表を読み込む
  2. 【自動】 トイレごとに、前の汲み取りからの日ごとの人数と気温をそろえる
  3. 【自動】 学習済みのモデルで1日あたりに溜まる量を予測し、安全側の倍率をかけて、タンクの容量の8割に届く日(期限)を出す
  4. 【自動】 翌日の時点で期限まで1日以内のトイレを「必ず行く」、2〜3日を「行けたら行く」に分ける
  5. 【自動】 許可の区域ごとに、OR-Tools で回る順番の案を組む(「行けたら行く」は外してよい訪問として渡す)
  6. 【人】 業務課の担当が案を見て、現場からの電話や元請の連絡を足し、配車の表を決める
  7. 【人】 バキューム車の担当に配車の表を渡す
  8. 【自動】 汲み取りが終わったら、実際の量を予測と並べて記録する

6番目で決めるのは業務課の担当です。 案が出すのは過去の記録と予定の人数から見た期限で、現場の所長から聞いた「来週から2班増える」は表に入っていません。 担当はそれを足して決めます。

4番目で2つに分けるのが、この設計の分かれ目です。 「行けたら行く」を順番の計算に渡しておくと、「必ず行く」の現場の近くにあって車に余裕があれば、ついでに回る案が出ます。翌日の「必ず行く」が減り、電話で割り込まれたときの余裕が残ります。

02今回想定するシステム構成

構成図
汲み取りの記録(日付・トイレ・量・目安)
+ 貸し出しの台帳(現場・トイレの機種・タンクの容量・許可の区域)
+ 作業員の予定の人数の表(元請から毎週) + 気温の予報 + 休工日の表
   │
   ▼【トリガー】毎日13時(事務所のパソコンの定時実行)
Python(pandas)
   ├──▶ トイレごとに前の汲み取りからの人数と気温をそろえる
   ▼
scikit-learn の HistGradientBoostingRegressor(loss="gamma")
   │   答え=前の汲み取りからの1日あたりの量(L/日)
   ▼
Python ── 安全側の倍率をかけて期限を出し、「必ず行く」「行けたら行く」に分ける
   ▼
OR-Tools(時間の枠つき・積める量つきの配車の問題、外してよい訪問に罰点)
   │   許可の区域ごと・午前と午後の便ごと
   ▼
【人】業務課の担当が配車の表を決める
役割想定する製品代替候補
実行環境Python(pandas・scikit-learn・OR-Tools)R
処理エンジンscikit-learn の HistGradientBoostingRegressor(ガンマ損失)scikit-learn の PoissonRegressor、LightGBM のガンマ回帰
集計Python(期限の計算、急ぎの分け方、当たり方の記録)表計算の計算式
配車の計算Google OR-Tools(配車の問題の解き方)配車の計画の専用の仕組み
保管社内のファイルサーバー(学習の記録、案、当たり方の記録)-

新しく足すのは、Python の処理と、現場の間の移動の時間の表です。 移動の時間の表は、地図のサービスの経路の API などで別に作る個別実装になります。貸し出しの台帳と汲み取りの記録には書き込みません。この構成が出すのは、トイレごとの期限と、回る順番の案までです。

予測のエンジンにガンマ損失の HistGradientBoostingRegressor を選んだのは、答えが0より大きい量で、ばらつきが量に比例して大きくなるからです。 公式のページでは、loss に gamma があり(1.3で追加)、内部で対数のつなぎ方を使い、答えが0より大きいことを求めるとされています。人の多い現場ほど1日あたりの量のぶれも大きいので、この性質が合います。

回る順番は、OR-Tools の配車の問題として解きます。 公式のページでは、時間の枠つきの配車の問題は、移動の時間の表を費用とし、AddDimension で時間の次元を作って、各地点の到着の時刻を CumulVar(...).SetRange(...) で枠に収める形で書かれています。積める量は、需要を返す関数と AddDimensionWithVehicleCapacity で、車ごとの上限を渡します。

03どうやって実装するのか

Step1

処理の起点を決める

毎日13時に1回、翌日の訪問の案を作ります。 午前の汲み取りの記録が昼までに上がり、バキューム車の担当に夕方までに翌日の配車の表を渡すために、この時刻にします。事務所のパソコンの定時実行(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。

午後に「あふれそう」の電話が来たら、担当が手で実行し直します。 電話の現場を「必ず行く」に入れ直し、順番の案だけを組み直します。 予測はやり直しません。一覧に「組み直し」と印字します。

土日・祝日の前は、2日分の期限を見ます。 休工日でも、解体の現場やイベント会場は動いていることがあります。休工日の表は現場ごとに持ち、休工日は人数を0として量を見込みます。

モデルの作り直しは月に1回にします。 現場の入れ替わりで、学習の記録の顔ぶれが変わるからです。作り直す前と後で、直近1か月の当たり方を比べ、悪くなっていれば前のモデルのまま使います。一覧には、作った日時とモデルの作成日を必ず印字します。

Step2

入力データを集める

データ中身取得元
汲み取りの記録日付、現場、トイレの番号、汲んだ量(L)、目安(満杯近い・半分以下)、担当の車汲み取りの記録
貸し出しの台帳現場、トイレの番号、機種、タンクの容量、設置の日、許可の区域(市)、受け入れの時間貸し出しの台帳
作業員の予定の人数現場、日付、予定の人数、工事の段階(解体・躯体・内装など)元請から毎週届く表
気温の予報翌日までの最高気温担当が13時に予報を見て入れる表
休工日現場ごとの休みの日元請から届く工程表から担当が入れる
バキューム車車ごとの積める量、許可の区域、午前と午後の便の時間配車の表

質を決めるのは、汲んだ量の記録です。 担当によって、目盛りで読んだ量を書く人と、「満杯近い」とだけ書く人がいます。量が書かれていない記録は学習から外すので、汲んだ量を必ず書く決まりを、導入の最初に作ります(第14章)。

1つの現場に複数のトイレがあるときは、トイレごとに記録します。 事務所の近くのトイレと、作業場の奥のトイレでは、使われ方が違い、溜まる速さも違います。 現場ごとの合計で記録していると、どのトイレが先にいっぱいになるかが分かりません。

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
汲み取りの記録記録を毎日 CSV で書き出す学習の答えと、前の汲み取りの日
貸し出しの台帳台帳を CSV で書き出す機種・容量・区域・受け入れの時間
作業員の予定の人数元請ごとの表を受け取りのフォルダに置く人数の項目
気温の予報・休工日担当が入れた表気温と休みの項目
移動の時間の表地図のサービスで作り、現場が増えたら足す順番の計算

答えの「1日あたりの量」は、汲んだ量 ÷ 前の汲み取りからの日数です。 前の汲み取りで全部汲みきったことが前提なので、汲み残しの記録(「時間切れで半分だけ」)がある回は学習から外します。日数には休工日を含めず、作業のあった日の数で割ります。

人数は、前の汲み取りから今回までの「作業のあった日の平均の予定の人数」にします。 予測のときは、翌日以降の予定の人数を使います。学習も予測も「予定の人数」でそろえます。実際の入場の人数を学習に使うと、予測のときには分からない値で学ぶことになります。

元請ごとに表の形式が違います。 列の並び、人数の書き方(班の数で書く元請もある)が違うので、元請ごとに読み込みの決まりを1つずつ書きます。 班の数で書く元請は、1班の人数を台帳に持って人数に直します。

Step4

AIへ渡す前に整形する

  1. 答えを作る … 汲んだ量 ÷ 作業のあった日数。汲み残しの回、量の書かれていない回は外します
  2. 人数の項目を作る … 前の汲み取りから今回までの作業のあった日の平均の予定の人数
  3. トイレの台数で割る … 同じ現場のトイレの台数が多いと1台あたりの人数が減るので、「人数 ÷ 台数」も項目にします
  4. 気温の項目を作る … 期間の平均の最高気温
  5. 区分の列の型をそろえる … 機種・工事の段階・現場の種類(建設・解体・イベント)を pandas の Categorical の型にします
  6. 重みを付ける … 作業のあった日数を sample_weight にします。長い期間の平均ほど確かだからです
  7. 学習と確かめの期間を時間で分ける … 汲み取りの日付の順に並べ、古い期間で学習し、新しい期間で確かめます

3番目が、この構成の肝です。 現場の人数が60人でも、トイレが6台あれば1台あたり10人で、2台なら30人です。現場の人数だけを渡すと、台数を増やした現場の量を多く見込みすぎます。

6番目の重みは、2日で汲んだ回と14日で汲んだ回を同じ重さにしないためです。 2日の回は、たまたま使う人の多かった2日の値で、ぶれが大きくなります。

Step5

AIに処理させる

させるのは、トイレごとの1日あたりに溜まる量を予測することだけです。 期限と順番は、その値から機械的に作ります。

出すもの作り方使いみち
1日あたりの量の見込みガンマ損失のモデルで予測期限の元
安全側の見込み見込み × 安全側の倍率期限の計算
期限前の汲み取りの日から、安全側の見込みを足し上げてタンクの容量の8割に届く日急ぎの分け方
急ぎの分け方翌日から見て期限まで1日以内=必ず行く、2〜3日=行けたら行く順番の計算に渡す
回る順番の案OR-Tools で、許可の区域ごと・便ごとに組む担当の配車の表

安全側の倍率は、確かめの期間の「実際 ÷ 見込み」の8割の値にします。 見込みどおりの量で期限を出すと、半分のトイレは期限より前に8割を超えます。 「実際 ÷ 見込み」を並べて、小さいほうから8割のところの値を倍率にすると、10台に8台は期限の日に8割を超えない期限になります。倍率は機種ごと・現場の種類ごとに作ります。

順番の計算には、3つの決まりを渡します。

決まりOR-Tools での書き方
現場の受け入れの時間(朝礼の前と昼休みを避ける)時間の次元を作り、各現場の到着の時刻を枠に収める
バキューム車の積める量各現場の見込みの量を需要にし、車ごとの上限を渡す
「行けたら行く」は外してよい外したときの罰点を付け、期限が近いほど罰点を大きくする

3行目の罰点が、「ついでに回る」を作ります。 公式のページでは、AddDisjunction で地点ごとに罰点を付けると、訪問を外したときにその罰点が移動の合計に足され、解き方はその合計を小さくするとされています。期限まで1日の現場には罰点を大きく、3日の現場には小さく付けると、遠回りしてまでは行かないが、近くを通るなら寄る案になります。「必ず行く」には罰点を付けず、外せないようにします。

午前と午後の便は、別々の車として組みます。 バキューム車は満杯になると、し尿の処理の施設に降ろしに行きます。午前の便が終わったら施設へ、午後の便は施設から出発として、1日を2つの便に分けて渡します。

させないこと理由
許可の区域の外の現場を車に入れる区域の判断は会社の許可の内容で決める。区域ごとに分けてから計算する
配車の表の確定現場の電話や元請の連絡を足して担当が決める
現場への入場の可否の判断現場ごとの入場の決まりは元請が決める
汲み取りの料金の計算貸し出しの契約で決まる
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、予測と順番の計算の中身を示します。

from sklearn.ensemble import HistGradientBoostingRegressor
from ortools.constraint_solver import pywrapcp, routing_enums_pb2
import numpy as np

CAT = ["model", "phase", "site_type"]
NUM = ["people_avg", "people_per_unit", "tmax_avg", "units_on_site"]
gb = HistGradientBoostingRegressor(loss="gamma", max_iter=400,
                                   monotonic_cst={"people_per_unit": 1})
gb.fit(train[CAT + NUM], train["l_per_day"], sample_weight=train["work_days"])

ratio = val["l_per_day"] / gb.predict(val[CAT + NUM])
safety = np.quantile(ratio, 0.8)            # 10台に8台は期限までに8割を超えない倍率

# ---- 回る順番(許可の区域ごと・便ごと)----
mgr = pywrapcp.RoutingIndexManager(len(time_mx), n_runs, 0)
rt = pywrapcp.RoutingModel(mgr)
cb = rt.RegisterTransitCallback(lambda i, j: time_mx[mgr.IndexToNode(i)][mgr.IndexToNode(j)])
rt.SetArcCostEvaluatorOfAllVehicles(cb)
rt.AddDimension(cb, 30, 300, False, "Time")              # 待ち時間30分まで、便は5時間まで
tdim = rt.GetDimensionOrDie("Time")
for node, (s, e) in windows.items():
    tdim.CumulVar(mgr.NodeToIndex(node)).SetRange(s, e)  # 受け入れの時間の枠
dcb = rt.RegisterUnaryTransitCallback(lambda i: demand_l[mgr.IndexToNode(i)])
rt.AddDimensionWithVehicleCapacity(dcb, 0, run_capacity_l, True, "Load")
for node in optional_nodes:                              # 行けたら行く
    rt.AddDisjunction([mgr.NodeToIndex(node)], penalty[node])
p = pywrapcp.DefaultRoutingSearchParameters()
p.first_solution_strategy = routing_enums_pb2.FirstSolutionStrategy.PATH_CHEAPEST_ARC
p.time_limit.seconds = 30
sol = rt.SolveWithParameters(p)

monotonic_cst で1台あたりの人数に「増える向き」の縛りを付けています。 公式のページでは、monotonic_cst は項目ごとに 1(増える)、0(縛りなし)、−1(減る)を指定し、名前をキーにした辞書でも渡せるとされています。人が増えたのに量が減る、という逆転を防ぎます。

AddDimension の待ち時間を正の値にしているのは、受け入れの時間の枠があるからです。 公式のページでは、時間の枠つきの問題は、枠のために待つことを許す必要があるとされています。早く着いた現場で昼休みの明けを待つことを認めないと、解が見つからなくなります。

時間の上限を付けているのも、公式のページの注意に沿っています。 解けない問題では長い探索が続いて止める必要が出ることがあり、上限を付けると解が見つかっていなくても探索が止まるとされています。「必ず行く」が多すぎて車に収まらない日は、ここで解が出ません(例外処理)。

demand_l は、汲み取りの日の見込みの量です。 タンクの容量ではなく、前の汲み取りから翌日までに溜まる見込みの量を需要にします。容量で入れると、半分しか溜まっていないトイレの分まで車の積める量を使ったことになります。

Step7

出力形式を固定する

業務課の担当に渡すのは、次の2つの一覧です。 13時5分ごろに画面で開きます。

【11/03(火)汲み取りの期限の見込み(13:04 作成/モデル作成 2026-10-31)】

急ぎ現場トイレ機種前の汲み取り1日あたりの見込み(安全側)期限予定の人数の変化
必ず行く東町のマンションの新築T-3簡易水洗10/3052L11/0340人→65人(内装に入る)
必ず行く港の倉庫の解体T-1非水洗10/2731L11/0325人のまま
行けたら行く駅前の商業ビルの改修T-2簡易水洗10/3138L11/0530人→30人
-北の造成の現場T-1非水洗10/3112L11/128人のまま

【11/03(火)回る順番の案(A市の区域・1号車の午前の便)】

順現場到着の見込み見込みの量積んだ量の合計急ぎ
1港の倉庫の解体(T-1)8:40230L230L必ず行く
2駅前の商業ビルの改修(T-2)9:25120L350L行けたら行く(ついで)
3東町のマンションの新築(T-3)10:10260L610L必ず行く

外した「行けたら行く」の現場も、表の下に出します。 公式のページの例では、外された地点は次の行き先が自分自身になっていることで見分け、その番号を出しています。 外れた現場は、翌日の計算で罰点が大きくなります。

機械で読む用には、同じ内容を CSV でも残します。 列は、日付、現場、トイレ、1日あたりの見込み、安全側の見込み、期限、急ぎ、車と便、順、モデルの作成日です。汲み取りが終わったら、実際の量をこの CSV の横に入れます。

Step8

システムへ連携する

つなぎ先方式内容
汲み取りの記録毎日 CSV で書き出す学習の答えと前の汲み取りの日
貸し出しの台帳CSV で書き出す機種・容量・区域・受け入れの時間
作業員の予定の人数の表受け取りのフォルダの表を読む人数の項目
移動の時間の表地図のサービスで作った表を読む順番の計算
配車の表書き込まない(担当が決めてから入れる)-

配車の表には書き込みません。 案をそのまま配車の表にすると、現場からの電話や、元請から聞いた搬入の時間を足さないまま翌日の仕事が決まります。

Step9

人が確認する

  1. 作った日時、モデルの作成日、読み込めなかった元請の表を見る … 未着の元請の現場は人数が古いままです
  2. 「必ず行く」の現場と人数の変化を見る … 人の増える現場が抜けていないかを確かめます
  3. 記録に無い事情を足す … 現場の所長から聞いた人数の増減、搬入の車で現場に入れない時間を足します
  4. 外れた「行けたら行く」を見る … 2日続けて外れた現場は、翌日の「必ず行く」に上げるかを決めます

3番目で案と違う配車にしたら、理由を一言残します。 「この現場は10時から生コン車で入れない」が何度も出るなら、台帳の受け入れの時間を直す材料になります。

目標は、480件をならして1件2分です。 期限どおりの現場は案を確かめるだけで、時間を使うのは人数の変わる現場と組み直しです。

Step10

例外に対処する

起きること対応
元請の人数の表が届いていない前の週の人数で見込み、「人数が古い」と出す
「必ず行く」が多くて車に収まらない解が出ないので、期限の近い順に収まる分だけで組み直し、残りを担当に出す
「あふれそう」の電話が来たその現場を「必ず行く」に入れ、順番だけを組み直す
新しい現場・設置の直後予測は出すが「前例少」と出し、同じ機種・工事の段階の値で見込む
汲んだ量が書かれていない学習から外し、前の汲み取りの日だけを使う
汲んだ量がタンクの容量を超えた記録の誤りか、あふれていた。学習から外し、担当に確かめる
許可の区域の外の現場順番の計算に入れず、協力会社への依頼の一覧に出す
作り直したモデルが前より外れる前のモデルのまま使い、作り直しの記録を残す

6行目は、見逃さないでください。 容量を超えた量は、期限の見込みが遅すぎて、あふれていたことを示しているかもしれません。その現場の安全側の倍率を見直す材料になります。

Step11

記録を残す

  • 実行の日時、使ったモデルの作成日、安全側の倍率、読み込めなかった元請の表
  • トイレごとの見込み、安全側の見込み、期限、急ぎの分け方
  • 回る順番の案、外した訪問、解が出なかった日と残した現場
  • 担当が案と違う配車にした訪問と、その理由
  • 実際に汲んだ量、汲んだときの「容量の何割か」
  • 月ごとの当たり方(期限の日に8割を超えていなかった割合、あふれの電話の件数)

「汲んだときの容量の何割か」が、この構成の健康診断です。 多くが6〜8割に集まっていれば、溜まっていないタンクを汲みに行く回が減っています。9割を超える回が増えれば、倍率が低すぎるか、人数の表が実際とずれています。

04実装レベルの3段階

最小構成:20か所の記録で Python を動かし、過去の3か月で期限の当たり方を見る / 予測の当たり方の確認
半自動化:上記+全現場で、毎日トイレごとの期限と急ぎの一覧を出す / 期限と急ぎの分け方
本格構成:上記+許可の区域ごとの回る順番の案、外してよい訪問、組み直し、当たり方の記録まで行う / 期限から順番の案、見直しまで

本記事の想定は本格構成です。 半自動化では期限は出ますが、車への割り振りと順番は担当が地図を見ながら組んでいます。 半自動化で1件5分が4分ほどに、本格構成で2分になります。 差が大きいのは、4章の③の割り振りと順番の組み立てが、いちばん時間のかかる作業だからです。 段階を飛ばさないでください。 半自動化を2か月使うと、期限の当たり方と、台帳の受け入れの時間の抜けが見えてきます。受け入れの時間を直してから順番の計算を足さないと、案が現場で使えません。

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
480 件
1件あたり現在時間
5 分
1件あたり導入後時間
2 分
現在  480件 × 5分 ÷ 60 = 40 時間/月
導入後 480件 × 2分 ÷ 60 = 16 時間/月
月間削減時間
24h
削減率
60%
年間削減時間
288h
年間金額換算(時間単価3,000円)
86万円
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. 建設現場・解体の現場・イベント会場に仮設トイレを数百台貸し出し、汲み取りを自社のバキューム車で回っている会社。汲み取りのたびに、現場・トイレ・量・日付を記録していて、1年分以上が残っている場合。元請から作業員の予定の人数が届くが、汲み取りの日は業務課の担当の経験と現場からの電話で決めていて、「あふれそう」という連絡で予定が崩れることが多い場合。
向いていない
  1. 汲み取りの量を記録しておらず、行った日だけしか残っていない場合。貸し出しの数が数十台で、決まった曜日に回るだけで足りている場合。汲み取りをすべて協力会社に任せていて、自社で回る順番を組まない場合。なお、汲み取りや運搬の許可の要否と区域の判断、し尿の処理先の決定、現場への入場の可否は、この構成では代替できません。

07最小構成で試す方法

  1. 汲んだ量の記録がそろっている現場を20か所選び、直近1年の汲み取りの記録と元請の人数の表を集める
  2. 前の汲み取りから今回までの作業のあった日数、平均の予定の人数、トイレの台数をそろえる
  3. 第7章の前処理で項目をそろえ、古い9か月で学習し、新しい3か月で1日あたりの量を予測させる
  4. 新しい3か月で、安全側の倍率をかけた期限の日に、実際に8割を超えていなかった割合を数える
  5. 当時の汲み取りの日と、期限の日を並べ、早すぎた回と遅すぎた回を数える

最初は予測だけを試し、順番の計算は後にします。 期限が当たらないうちに順番を組んでも、組んだ順番の質を測れません。

出てきた内容判断
期限の日に8割を超えていなかった割合が8割前後で、早すぎた回が減る全現場に広げ、順番の計算を足す段階に進む
人の多い現場だけ外れる1台あたりの人数の項目と、元請の表の読み込み(班の数)を確かめる
学習の当たりが良すぎて、新しい3か月で外れる実際の入場の人数を項目に使っていないかを確かめる

2行目は、ほとんどの場合、人数の表の問題です。 班の数で書く元請の表を人数に直さずに読むと、30人の現場が「3」として学ばれます。

08実装時につまずきやすいポイント

問題対策
実際の入場の人数で学習する予定の人数で学習も予測もそろえる
現場の人数だけで見込む1台あたりの人数を項目にする
班の数を人数として読む元請ごとに読み込みの決まりを書く
見込みどおりの量で期限を出す安全側の倍率をかける
需要にタンクの容量を入れる溜まる見込みの量を需要にする
待ち時間を0にして解が出ない受け入れの枠のために待つことを許す
「必ず行く」が多い日に止まらない探索の時間の上限を付ける
許可の区域をまたいで組む区域ごとに分けてから計算する

上の3行が、予測の失敗のほとんどです。 どれも「人数をどう数えるか」から起きます。

5行目から7行目は、順番の計算の失敗です。 案が出ない、出ても積める量を使い切らない、という形で現れます。

最後の行は、運用に乗ってから起きやすい問題です。 区域の外の現場がたまたま近くにあると、計算の上では寄るほうが近道に見えます。 区域は計算の前に分け、計算の中で混ぜないでください。

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: 現場の所在地、作業員の予定の人数、工事の段階、汲み取りの量です。元請の工程と人数は、元請の工事の進め方に関わる情報で、ほかの元請に見せてよいものではありません。

  1. データを外に出さない … 予測と順番の計算は社内のパソコンの中で動き、生成AIに記録を送りません。移動の時間の表を作るときに地図のサービスへ渡すのは、現場の位置までにします
  2. 元請の情報を混ぜて見せない … 配車の表には現場の名前と時間までを載せ、元請の人数の表や工程は載せません
  3. 作業員の個人の情報を使わない … 使うのは人数までで、作業員の名前や入場の記録は項目に入れません
  4. 許可の区域を守る … 区域の外の現場は計算に入れず、協力会社への依頼として人が扱います。 区域の判断を案に任せません
  5. バキューム車の担当の評価に使わない … 回る順番の案と実際の差は、担当の働きぶりを測るための値ではありません

誤りが起きた場合のリスクは、汲み取りが遅れて現場であふれることと、溜まっていないタンクに車を使ってしまうことの2つです。 前者は実際の入場の人数で学んで当たりが良く見えていると起き、後者は安全側の倍率が大きすぎると起きます。どちらも前処理から出ているので、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:記録の決まりを作る

汲み取りのたびに、目盛りで読んだ量を必ず書く決まりと、汲み残しのときに印を付ける決まりを、バキューム車の担当と決めます。あわせて、元請ごとの人数の表の形式を集めます。

2〜3週目:20か所の記録をそろえる

汲んだ量の記録がそろっている現場を20か所選び、直近1年の記録と人数の表をそろえます。班の数で書かれた表は人数に直します。

4週目:期限の当たり方で比べる

第8章のとおり、古い9か月で学習し、新しい3か月で、期限の日に8割を超えていなかった割合と、当時の汲み取りの日との差を確かめます。

2か月目: 全現場で毎日の期限の一覧を出す半自動化を始めます。担当はこれまでどおり自分で順番を組みながら、一覧と見比べます。3か月目以降: 受け入れの時間を台帳に入れ、移動の時間の表を作って、順番の案を足します。汲んだときの容量の割合が6〜8割に集まり、もう1人の担当でも同じ配車が組め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:2026-11-02/最終更新:2026-11-03
確認した内容情報源確認日
HistGradientBoostingRegressor の loss に gamma があり(1.3で追加)、内部で対数のつなぎ方を使い、答えが0より大きいことを求めること。monotonic_cst で項目ごとに1・0・−1を指定し、名前をキーにした辞書でも渡せること。categorical_features の既定が from_dtype であること(scikit-learn 1.9.1)scikit-learn: HistGradientBoostingRegressor2026-11-02
時間の枠つきの配車の問題で、移動の時間の表を費用とし、AddDimension で時間の次元を作り、各地点の到着の時刻を CumulVar(...).SetRange(...) で枠に収めること。枠のために待つことを許す必要があること。最初の解の作り方に PATH_CHEAPEST_ARC を使うことGoogle OR-Tools: Vehicle Routing Problem with Time Windows2026-11-02
積める量の制約を、需要を返す関数と AddDimensionWithVehicleCapacity(車ごとの上限)で加えること。解けない問題では探索が長く続くことがあり、時間の上限を付けると解が無くても止まることGoogle OR-Tools: Capacity Constraints2026-11-02
AddDisjunction で地点ごとに罰点を付けると、訪問を外したときに罰点が移動の合計に足されること。外された地点は次の行き先が自分自身になっていることで見分けることGoogle OR-Tools: Penalties and Dropping Visits2026-11-02
廃棄物に「ふん尿」が含まれ、産業廃棄物以外の廃棄物が一般廃棄物とされること(第2条)。一般廃棄物の収集又は運搬を業として行う者は、その区域を管轄する市町村長の許可を受けなければならないこと(第7条第1項)e-Gov 法令API: 廃棄物の処理及び清掃に関する法律2026-11-02

汲み取りや運搬の許可の要否と区域、し尿の処理先は、許可を受けた市町村と自社の許可の内容で確かめてください。 本記事は上記の公開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-2544)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