Media > AI活用ユースケース > 経営企画 > 遊覧船の会社が、過去の乗船の記録・天気の予報・波の予想・催しから Python で翌週の便ごとの乗船の客の数を予測し、増便と人の配置の案を作る

遊覧船の会社が、過去の乗船の記録・天気の予報・波の予想・催しから Python で翌週の便ごとの乗船の客の数を予測し、増便と人の配置の案を作る

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

過去の乗船の記録と、気象庁の週間天気予報・催し・団体の予約から、Python で翌週の便ごとの乗船の客の数を予測します。臨時便を出す候補と、乗船券の売り場と案内の人の配置の案を作ります。

サマリー
連携・自動化
Python
対象業界
その他/宿泊
対象部門
経営企画
対象業務
比較検討/集計・分析
主な課題
人手が足りない/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
20h/月
AI導入後
6h/月
想定削減
70%
年間削減
168h
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. 木曜の午後、支配人が気象庁の週間天気予報を見る
  2. 事務の担当が、団体の予約の台帳から翌週の便ごとの団体の人数を書き出す
  3. 支配人が、去年の同じ週の乗船の人数と、近くの催しの予定を思い出す
  4. 便ごとに「混みそう」「普通」「空きそう」を決め、臨時便を入れる日を決める
  5. 人の配置の表を組み、パートの人に出勤の日を伝える
  6. 予報が変わったら、週末に入る前に配置を組み直す
導入後(After)
  1. 自動毎日、気象庁の週間天気予報と沿岸の波の予想を取り、日付つきで保存する
  2. 人事務の担当が、近くの催しの予定を催しの表に入れる
  3. 自動木曜の午後、Python が乗船の記録・団体の予約・保存した予報・催しの表を読む
  4. 自動翌週の便ごとに、当日の個人の客の数を、中ほどの値と多めの値で見込む
  5. 自動団体の予約の人数を足し、定員と比べて「満席のおそれ」「臨時便の候補」の印を付ける
  6. 自動見込みの人数から、売り場と案内の人数の案を便ごとに出す
  7. 人支配人が案を見て、臨時便と配置を決め、パートの人に伝える
  8. 自動運航の3日前からは、波の予想を加えて見込みを更新し、変わった便に印を付ける
  9. 自動運航の後に、見込みと実際の人数・断った客の数を当たり方の記録に残す
各工程の詳しい説明を読む
  1. 木曜の午後、支配人が気象庁の週間天気予報を見る
  2. 事務の担当が、団体の予約の台帳から翌週の便ごとの団体の人数を書き出す
  3. 支配人が、去年の同じ週の乗船の人数と、近くの催しの予定を思い出す
  4. 便ごとに「混みそう」「普通」「空きそう」を決め、臨時便を入れる日を決める
  5. 人の配置の表を組み、パートの人に出勤の日を伝える
  6. 予報が変わったら、週末に入る前に配置を組み直す

(a)見込みが支配人の経験に頼っている。 4番の「混みそう」は、支配人が長年の感覚で決めています。支配人が休んだ週は、事務の担当が去年の同じ週を写すだけになります。 去年と曜日の並びや連休の位置が違えば、外れます。

(b)満席で断る便と空の便が同じ週に出る。 晴れの土曜の昼の便は満席で客を断り、同じ日の夕方の便は半分も埋まらないことがあります。 便ごとの差を見込めていないので、臨時便を入れる時間も勘で決まります。

(c)予報が変わるたびに組み直す。 木曜の予報で雨だった土曜が、金曜には晴れに変わることがあります。組み直しは支配人の手作業で、パートの人への連絡も遅れます。

(d)見込みの外れが残らない。 「混みそう」と決めた便が本当に混んだのか、記録を見返すことはほとんどありません。 次の年も同じ感覚で決めます。

(e)断った客の数が残らない。 満席の便で売り場が断った客は、乗船の記録に出ません。その便の「来た客の数」は定員で止まり、本当はもっと来ていたことが記録から消えます。

  1. 【自動】 毎日、気象庁の週間天気予報と沿岸の波の予想を取り、日付つきで保存する
  2. 【人】 事務の担当が、近くの催しの予定を催しの表に入れる
  3. 【自動】 木曜の午後、Python が乗船の記録・団体の予約・保存した予報・催しの表を読む
  4. 【自動】 翌週の便ごとに、当日の個人の客の数を、中ほどの値と多めの値で見込む
  5. 【自動】 団体の予約の人数を足し、定員と比べて「満席のおそれ」「臨時便の候補」の印を付ける
  6. 【自動】 見込みの人数から、売り場と案内の人数の案を便ごとに出す
  7. 【人】 支配人が案を見て、臨時便と配置を決め、パートの人に伝える
  8. 【自動】 運航の3日前からは、波の予想を加えて見込みを更新し、変わった便に印を付ける
  9. 【自動】 運航の後に、見込みと実際の人数・断った客の数を当たり方の記録に残す

1番目の保存を、最初に始めます。 学習に使うのは、その時点で出ていた予報です。後から実際の天気を入れて学ぶと、予報が外れた日も「晴れたから混んだ」と学び、予報しか分からない木曜の見込みが、実際より当たるように見えてしまいます。 過去の週間天気予報を後から取り出せる公式の仕組みは確かめられなかったので、今日から毎日保存します。

7番目で決めるのは支配人です。 臨時便は船と乗組員の手配が要り、配置はパートの人の都合と組み合わせます。案は材料で、決めるのは計画を受け持つ人です。

9番目で断った客の数を残すのは、売り場の担当の仕事です。 満席で断ったときに人数を数えておくと、その便の本当の客の数に近い値が残ります。

02今回想定するシステム構成

構成図
乗船券の販売の記録(便ごと・個人と団体の別)   団体の予約の台帳
運航の記録(欠航・臨時便)                      催しの表(事務の担当が入力)
気象庁の週間天気予報(毎日保存)               沿岸波浪実況・予想図(毎日保存)
        │
        ▼【トリガー】毎週木曜の午後(翌週の計画)/毎日(3日前からの見直し)
Python
   ├──▶ 便ごとの行を作る(曜日・時刻・連休・保存した予報・催し)
   ▼
scikit-learn の HistGradientBoostingRegressor
   │   loss="poisson"(中ほどの値)/loss="quantile"(多めの値)
   ▼
Python ── 団体の予約を足す・定員と比べる・印・人の配置の案
   ▼
【支配人が臨時便と配置を決める】
   ▼
運航の後:当たり方の記録(断った客の数を含む)
役割想定する製品代替候補
実行環境Python(pandas・scikit-learn)R
処理エンジンscikit-learn の HistGradientBoostingRegressor(loss="poisson" と "quantile")LightGBM(objective="poisson" と "quantile")
集計Python(団体の予約の足し込み、印、人の配置の案、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(保存した予報、学習の記録、計画の案、当たり方の記録)-

新しく足すのは Python の処理と、予報を毎日保存する仕組みだけです。 販売の記録と団体の予約の台帳は、それぞれの書き出しの機能でファイルにします。計画の案は支配人が開く資料として書き出し、人の配置の表には書き込みません。

予測には HistGradientBoostingRegressor を2つ使います。 中ほどの値は loss="poisson" で学びます。ポアソンの損失は内部で対数の変換を使い、答えが0以上であることが条件なので、人数のような数えた値に向いています。 多めの値は loss="quantile" と quantile=0.9 で学び、臨時便と配置の判断に使います。

気象庁のページの内容は、公共データ利用規約(第1.0版)に準拠した条件で使えます。 使うときは出典を記し、加工して使う場合は、出典とは別に加工したことを記すとされています。計画の案に予報の値を並べるときは、資料の下に出典と加工の旨を入れます。

03どうやって実装するのか

Step1

処理の起点を決める

木曜の午後に翌週の計画、毎日の夕方に3日先までの見直しを、Windows のタスク スケジューラーから起動します。 気象庁の週間天気予報は毎日11時ごろと17時ごろに発表されるので、木曜の11時の発表を取り込んでから計画を作ります。

時期すること
毎日の昼と夕方週間天気予報と沿岸の波の予想を取り込み、日付つきで保存する
毎週木曜の午後翌週の便ごとの見込み、臨時便の候補、人の配置の案
毎日の夕方3日先までの便の見込みを、波の予想を加えて更新する
毎月の初め前の月までの記録で学び直す

3日先までの見直しを分けているのは、波の予想の期間に合わせるためです。 気象庁の「沿岸波浪実況・予想図」は、全国の沿岸を53の海域に分け、過去72時間から未来72時間までの3時間ごとの波の情報を、1日4回更新して示します。翌週の計画には使えませんが、3日前からの見直しには使えます。

Step2

入力データを集める

データ中身取得元
販売の記録便の日付と時刻、船、個人の人数、団体の人数、宿泊施設と組んだ乗船券の人数乗船券の販売の記録
運航の記録便ごとの運航・欠航・臨時便の別、欠航の理由運航の記録
団体の予約便、人数、予約の日団体の予約の台帳
断った客の数便、満席で断った人数売り場の担当が入力
週間天気予報発表の日時、対象の日、天気、最高と最低の気温、降水確率、信頼度気象庁のページから毎日保存
波の予想発表の日時、対象の時刻、自社の海域の波の高さと周期気象庁の沿岸波浪実況・予想図から毎日保存
催しの表日付、催しの種類(花火・祭り・港の行事)、場所事務の担当が入力
暦祝日、連休、学校の長期の休み自社で整えた暦の表

質を決めるのは、保存した予報の「発表の日時」です。 同じ土曜の予報でも、月曜に出たもの、木曜に出たもの、金曜に出たものがあります。学習のときは、計画を作る時点(木曜の昼)に出ていた予報を当て、予報から対象の日までの日数も列にします。

週間天気予報の信頼度も列にします。 気象庁の説明では、3日目以降の降水の有無の予報について、適中のしやすさと変わりにくさをA・B・Cの3段階で表し、Cのときは降水の有無の適中率が低いか、翌日に予報が変わる可能性がやや高いとされています。信頼度の列があれば、Cの日に多めの値と中ほどの値の差が広がる形を、モデルが記録から学べます。

Step3

データの取得方法を決める

取るもの範囲使い道
販売・運航・団体の予約の記録過去3年学習の答えと、団体の人数
保存した予報保存を始めてから学習と予測の特徴量
過去の天気の観測保存を始める前の期間保存がたまるまでのつなぎ
催しの表・暦過去3年と先の予定学習と予測の特徴量

保存がたまるまでは、過去の天気の観測の値で学びます。 ただしその間の見込みは、予報の外れを知らないモデルなので、実際より自信を持って出ます。 保存した予報が1年分たまった時点で、予報で学び直し、観測の値の列は外します。

Step4

AIへ渡す前に整形する

  1. 便の行を作る … 運航した定期の便と臨時便を1行ずつにします
  2. 欠航の便を外す … 欠航の便は、人数が0でも客が来なかったわけではないので、学習から外します
  3. 答えを作る … 個人の人数 + 断った客の数。団体の人数は答えに入れません
  4. 満席の便に印を付ける … 定員に達した便で、断った客の数が記録されていない便には印を付けます
  5. 予報を当てる … その便の日について、計画を作る時点に出ていた週間天気予報の値を当てます
  6. 暦と催しの列を作る … 曜日、便の時刻、祝日、連休の何日目か、学校の休み、催しの有無
  7. 区分の型にする … 船、便の時刻の枠、天気、信頼度を pandas の区分の型にします

4番目の印は、断った客の数を数え始める前の記録のためです。 満席の便の人数は定員で止まっていて、本当の客の数より少なく出ています。印の付いた便は、学習の重みを下げるか、学習から外し、外した数を記録します。

2番目で欠航を外すと、荒れた日の記録が減ります。 運航はしたが波が高めだった日の記録は残るので、波の予想の列は、3日前からの見直しのモデルにだけ入れます。

5番目は、次のように作ります(要点だけ)。

# 便の日について、計画を作る時点(前の週の木曜 12時)までに出ていた最新の予報を当てる
trips["plan_at"] = (trips.date - pd.to_timedelta(trips.date.dt.weekday + 4, unit="D")
                    ).dt.normalize() + pd.Timedelta(hours=12)       # 前の週の木曜 12時
fc = weekly_fc.sort_values("issued_at")
trips = trips.sort_values("plan_at")
trips = pd.merge_asof(trips, fc, left_on="plan_at", right_on="issued_at",
                      left_by="date", right_by="target_date", direction="backward")
trips["lead_days"] = (trips.date - trips.issued_at.dt.normalize()).dt.days
for c in ["boat", "slot", "weather", "reliability"]:
    trips[c] = trips[c].astype("category")

direction="backward" で、計画の時点より後に出た予報を当てないようにしています。 金曜の予報を当てると、木曜には知りえなかった情報で学ぶことになります。

Step5

AIに処理させる

させるのは、便ごとに「当日の個人の客の数」を、中ほどの値と多めの値で出すことだけです。

モデル設定使い道
中ほどの値loss="poisson"見込みの中心。売り場と案内の人数の案
多めの値loss="quantile", quantile=0.9満席のおそれ、臨時便の候補
3日前からの見直し上の2つに波の高さと周期の列を足したもの見込みの更新

降水確率の列には、減る向きの制約を付けます。 monotonic_cst に -1 を与えると、その列の値が増えるほど予測が減る形に縛れます。記録の少ない冬の雨の日に、雨ほど客が増えるという逆向きの見込みが出るのを防ぎます。

させないこと理由
欠航の判断運航の管理の責任者が、自社の決まりで決める
臨時便の決定と乗組員の手配船と乗組員の都合を見て支配人が決める
料金の変更価格は別の判断。この構成は人数だけを扱う
パートの人への出勤の連絡人の都合を聞いて支配人が伝える
欠航の日の人数の見込み欠航の便は学習から外している

1行目は、この構成の範囲そのものです。 見込みの人数が多くても、波が高ければ欠航です。多めの値が大きい便に「臨時便の候補」の印が付いても、運航するかどうかの判断とは切り離します。

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、学習と予測の設定を示します。

from sklearn.ensemble import HistGradientBoostingRegressor

feats = ["boat", "slot", "weekday", "holiday", "consec_holiday_day", "school_break",
         "event", "weather", "tmax", "pop", "reliability", "lead_days"]
mono = {"pop": -1}                                        # 降水確率が上がるほど減る

tr = trips[trips.date < cut_val]
va = trips[(trips.date >= cut_val) & (trips.date < cut_test)]

def fit(loss, **kw):
    m = HistGradientBoostingRegressor(loss=loss, learning_rate=0.05, max_iter=800,
                                      monotonic_cst=mono, early_stopping=True,
                                      random_state=0, **kw)
    m.fit(tr[feats], tr.y_walkin, X_val=va[feats], y_val=va.y_walkin)
    return m

m_mid  = fit("poisson")
m_high = fit("quantile", quantile=0.9)

X_val と y_val に後の期間の便を渡しているのが、この設定の要です。 early_stopping の既定 "auto" は、行の数が1万を超えると有効になり、学習の行から検証の行を取り分けます。 1日10便で3年分なら1万行を超え、検証の行が日付と関係なく抜かれて、同じ日のほかの便が学習と検証にまたがります。 1.7から fit に X_val と y_val を渡せるので、後の期間の便を明示して渡します。

quantile は明示します。 既定は None で、loss="quantile" のときは0と1の間の値を指定する必要があります。

臨時便の候補と配置の案は、次の規則で出します。

nx["mid"]  = m_mid.predict(nx[feats]).round()
nx["high"] = m_high.predict(nx[feats]).clip(min=0).round()
nx["total_mid"]  = nx.mid  + nx.group_booked              # 団体の予約を足す
nx["total_high"] = nx.high + nx.group_booked
nx["flag"] = np.select(
    [nx.total_high > nx.capacity * 1.3, nx.total_high > nx.capacity, nx.total_mid < nx.capacity * 0.2],
    ["臨時便の候補", "満席のおそれ", "空きが多い"], default="")
nx["counter_staff"] = np.where(nx.total_mid >= 80, 2, 1)     # 売り場の人数の案
nx["pier_staff"]    = np.where(nx.total_high >= nx.capacity, 2, 1)

臨時便の候補は、多めの値が定員を3割超えるときにしています。 定員を少し超えるだけなら、次の便に回ってもらえます。3割の線は、去年の満席の便で断った客の数を見て、支配人と決めます。

Step7

出力形式を固定する

翌週の便ごとの表で出します。 支配人が配置を組むときに開く資料にします。

日便船予報(天気・降水確率・信頼度)団体個人(中/多め)合計(中/多め)定員印売り場/桟橋
土11:00大晴れ・10%・A3085/120115/150120満席のおそれ2/2
土13:00大晴れ・10%・A0110/165110/165120臨時便の候補2/2
土16:00小晴れ・20%・A015/3015/3080空きが多い1/1

1つ目の理由は、団体と個人が分かれて見えることです。 1行目は団体の30名が入っているので、個人が中ほどの値でも合計が定員に近くなります。 団体を前の便か後の便に移す相談の材料になります。

2つ目は、臨時便を入れる時間が便ごとに見えることです。 2行目の13時の便は多めの値で165名で、この前後に臨時便を入れれば、断る客を減らせると読めます。3行目の16時の便は空きが多いので、ここを小さい船にしておく判断が妥当だと確かめられます。

予報の値は、資料の下に出典と加工の旨を入れて並べます。 「出典:気象庁ホームページ(府県週間天気予報)を加工して作成」のように記します。

Step8

システムへ連携する

つなぎ先方式内容
乗船券の販売の記録書き出したファイルを読む便ごとの個人・団体の人数
団体の予約の台帳・運航の記録ファイルを読む団体の人数、欠航・臨時便
気象庁のページ毎日取り込んで保存する週間天気予報、沿岸の波の予想
催しの表・暦ファイルを読む催し、祝日、連休
計画の案ファイルを書く便ごとの見込みと印、配置の案
社内のファイルサーバーファイルの保存保存した予報、モデル、当たり方の記録

人の配置の表には書き込みません。 案を表に直接入れると、パートの人の都合を聞く前に配置が決まったように見えます。支配人が案を見て、配置の表を手で組みます。

気象庁のページは、1日に数回だけ取り込みます。 発表の時刻に合わせて取り、同じページを短い間隔で何度も取りにいく作りにはしません。

Step9

人が確認する

  1. 「臨時便の候補」を先に見る … 船と乗組員の手配ができるか、前後の定期の便とどう組むかを決めます
  2. 「満席のおそれ」を見る … 団体の便を移す相談ができるか、売り場で次の便を案内する人を置くかを決めます
  3. 信頼度Cの日を見る … 多めの値と中ほどの値の差が広い日は、パートの人に「出勤の可能性あり」で伝えるかを決めます
  4. 3日前からの見直しで印が変わった便を見る … 配置を組み直すかを決めます

3番目を分けているのは、予報が変わりやすい日の配置は、決め方を変える必要があるからです。 信頼度Cの日を中ほどの値で決めると、予報が晴れに変わったときに人が足りません。

案と違う配置にしたときは、理由を一言残します。 「近くで団体の昼食会」「港の工事で駐車場が狭い」のように残すと、催しの表に足すべき項目が見えてきます。

Step10

例外に対処する

起きること対応
週間天気予報を取り込めなかった前の日に保存した予報で見込み、「予報が古い」の印
満席の便で断った客の数が入っていない答えに印を付け、学習の重みを下げる
欠航の見込みが高い日見込みは出すが、印に「欠航の可能性」を添える。判断は責任者
新しい催しで記録が無い催しの列は「その他の催し」に入れ、「記録なし」の印
多めの値が中ほどの値を下回る並べ直さずに「幅の逆転」の印を付ける
船の入れ替えで定員が変わった定員は運航の記録から便ごとに引き、固定の値を持たない
保存した予報がまだ少ない観測の値で学んだモデルであることを資料の上に書く

3行目で見込みを止めないのは、欠航は責任者が決めることだからです。 波の予想が高い日でも、運航するかもしれない便の配置は必要です。印で知らせて、判断は人に任せます。

Step11

記録を残す

  • 毎日取り込んだ週間天気予報と波の予想(発表の日時つき)
  • 学習に使った便の数、欠航で外した便の数、満席で印を付けた便の数
  • 学習したモデルと設定(loss、quantile、制約、学習の期間)
  • 毎週の見込みと印、そのとき使った予報の発表の日時
  • 支配人が決めた臨時便と配置、案と違えた理由
  • 運航の後の実際の人数と断った客の数、実際の人数が多めの値を超えた便の割合

最初の行が、この構成のいちばん大事な記録です。 予報を保存していないと、学び直しのたびに観測の値で学ぶしかなくなります。

最後の行の割合は、多めの値の設計を確かめる数です。 quantile=0.9 で学んでいれば、実際の人数が多めの値を超える便は1割前後のはずです。3割を超える月が続くなら、催しの入れ漏れか、客の来方そのものの変化を疑います。

04実装レベルの3段階

最小構成:表計算で天気と時刻ごとの個人の人数を比べる / 効き方の確かめ
半自動化:上記+予報の保存と、Python で便ごとの中ほどの値を出す / 翌週の見込み
本格構成:上記+多めの値、臨時便の候補、配置の案、3日前からの見直し、当たり方の記録 / 見込みから計画の案まで

本記事の想定は本格構成です。 1件4分が1.2分になるのは、材料を並べる作業と見込みが自動になり、支配人が見るのが印の付いた便と、配置の案だけになるからです。 予報の保存は、半自動化より前に始めます。 保存した予報が1年分たまるまでは、どの段階でも観測の値で学ぶしかありません。最初の週に保存を始めれば、1年後の学び直しに間に合います。 本格構成の先として、宿泊施設と組んだ乗船券の配り方に使うことも考えられます。 空きの多い時刻の便に乗れる乗船券を宿泊施設に多めに渡せば、混む便と空く便の差を縮められるかもしれません。 その場合は宿泊施設との取り決めが要ります。

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
2 名
月間件数
300 件
1件あたり現在時間
4 分
1件あたり導入後時間
1.2 分
現在  300件 × 4分 ÷ 60 = 20 時間/月
導入後 300件 × 1.2分 ÷ 60 = 6 時間/月
月間削減時間
14h
削減率
70%
年間削減時間
168h
年間金額換算(時間単価2,800円)
47万円
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. 港や湖で定期の遊覧船を1日に十便前後出している会社で、臨時便を出すかどうかと、乗船券の売り場・桟橋の案内の人数を、支配人が天気と経験で前の週に決めている場合。便ごとの乗船の人数と団体の予約、欠航の記録が2年分以上残っている場合。満席で客を断る日と、ほとんど空の便を同じ週に抱えている場合。
向いていない
  1. 1日の便が数便で、どの便も予約制で埋まっている場合。乗船の人数の記録が日ごとの合計しか無く、便ごとに分けられない場合。客の大半が旅行会社の団体で、当日の個人の客がほとんどいない場合。なお、運航するか欠航するかを決めるのは運航の管理の責任者で、この構成は運航の可否の判断には使いません。

07最小構成で試す方法

  1. 去年の夏休みの土日から20日を選ぶ(晴れの日と雨の日を両方入れる)
  2. その20日の便ごとの個人の人数と団体の人数を、表計算で並べる
  3. 各日の実際の天気と最高気温を、過去の気象のデータから並べる
  4. 便の時刻ごとに、晴れの日と雨の日の個人の人数の平均を比べる

この段階ではモデルを作りません。 天気と時刻で、便ごとの個人の人数がどれくらい変わるかを確かめます。

2番目で個人と団体を分けるのが大事です。 まとめた人数で比べると、団体の入った雨の日が混んでいるように見え、天気の効き方が消えます。

4番目で比べるのは、時刻ごとです。 雨の日に減るのは昼の便より夕方の便、晴れの日に増えるのは昼の便、というように、天気の効き方が時刻で違えば、便ごとに見込む意味があります。 1日の合計だけを見込めば足りる会社なら、表計算の平均で十分です。

出てきた内容判断
天気と時刻で個人の人数がはっきり変わるPython の構成に進む
変わるが、満席の便が多くて上が見えない断った客の数を数え始める。構成は有効
天気でも時刻でもほとんど変わらない客の多くが団体か予約。この構成は向かない

08実装時につまずきやすいポイント

問題対策
検証では当たるのに木曜の見込みが外れる実際の天気でなく、計画の時点に出ていた予報で学ぶ
翌週の見込みに波の高さを使おうとする波の予想は72時間先まで。翌週は天気の予報だけで見込む
欠航の日を「客が来なかった日」と学ぶ欠航の便を学習から外す
満席の便の客の数が低く出る断った客の数を足す。無い便は印を付けて重みを下げる
団体の入った日を混む日と学ぶ答えは個人の人数だけにし、団体は後で足す
同じ日の便が学習と検証にまたがるX_val・y_val に後の期間を渡す。"auto" に任せない
雨ほど客が増える見込みが出る降水確率に減る向きの制約を付ける
信頼度Cの日の配置が足りない多めの値で配置を考え、出勤の可能性を伝える
予報の出典を書かずに資料に並べる出典と加工の旨を資料の下に入れる
船の入れ替えで定員がずれる定員は便ごとに運航の記録から引く

上の2行は、予報の使い方の失敗です。 どちらもエラーにならず、検証の数字が良く見えるのに、木曜の計画で外れるという同じ症状になります。

真ん中の3行は、答えの作り方の失敗です。 欠航・満席・団体は、どれも記録の人数が客の来方と違う意味を持つ場合です。

下の5行は、設定と運用の問題です。 特に出典の記し方は、資料を社外の宿泊施設と共有するときに抜けやすいので、資料の型に入れておきます。

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: 便ごとの乗船の人数、団体の予約の人数、欠航の記録、天気の予報と波の予想、催しの予定。個人の客の名前や連絡先は扱いません。

  1. 運航の可否の判断に使わない … 欠航は運航の管理の責任者が、波と風の実況と予報を見て自社の決まりで決めます。見込みの人数が多いことを、運航を続ける理由にしません
  2. 団体の予約の連絡先を取り込まない … 団体の予約の台帳には旅行会社の担当者の名前と連絡先があります。この構成には便と人数だけを取り込みます
  3. 気象庁のページの利用の条件を守る … 出典を記し、加工したことを別に記します。加工した情報を、国が作成したかのような形で示しません
  4. 見込みを社外の宣伝に使わない … 「この便は空いています」という見込みを客に示すと、外れたときに苦情になります。計画の資料は社内だけで使います
  5. 見込みを売り場の担当の評価に使わない … 断った客の数は、記録を正しくするためのもので、担当の成績ではありません

宿泊施設と計画を共有するときは、見込みの人数を外して渡します。 臨時便を出す日と時刻だけを伝えれば、宿泊施設は客に案内できます。見込みの数字が社外で独り歩きすると、外れたときに「空いていると聞いた」という苦情につながります。

誤りが起きた場合のリスクは、少なく見込んで客を断ることと、多く見込んで臨時便と人を空回りさせることの2つです。 どちらも安全には関わりませんが、安全に関わる判断をこの構成に持ち込まないことが、いちばん大事な決まりです。

10まず何から始めるか

1週目:予報の保存を始める

気象庁の週間天気予報と沿岸の波の予想を、発表の時刻に合わせて毎日取り込み、発表の日時つきで保存します。 これが1年後の学習の材料になります。

2週目:20日で効き方を見る

第8章のとおり、去年の夏休みの土日の便ごとの個人の人数を、天気と時刻で比べます。個人と団体を分けて見ます。

3週目:断った客の数を数え始める

売り場の担当と、満席の便で断った人数を数えて入れる決まりを作ります。あわせて、催しの表の項目を決めます。

4週目:Python で中ほどの値だけを出す

観測の値で学んだモデルで、翌週の便ごとの中ほどの値を出し、支配人の「混みそう」と並べます。印と配置の案はまだ出しません。 食い違った便は、運航の後にどちらが当たったかを確かめます。

2か月目: 多めの値と印、配置の案を足します。3か月目以降: 3日前からの見直しと当たり方の記録を足します。保存した予報が1年分たまって予報で学び直し、実際の人数が多めの値を超える便の割合が設計どおりになった時点で、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:2026-11-16/最終更新:2026-11-16
確認した内容情報源確認日
loss に poisson・quantile があり、poisson が内部で対数の変換を使い y >= 0 が条件であること。quantile の既定が None で0と1の間を指定すること。early_stopping="auto" が行の数が10000を超えるか X_val・y_val を渡したときに有効になること。X_val・y_val が1.7で加わったこと。monotonic_cst が1・0・-1と名前の辞書で指定できること。categorical_features の既定が "from_dtype" であること(scikit-learn 1.9.1)scikit-learn: HistGradientBoostingRegressor2026-11-16
府県週間天気予報が発表日の翌日から7日先までの日ごとの天気・最高と最低の気温・降水確率・信頼度などを毎日11時ごろと17時ごろに発表すること。信頼度が3日目以降の降水の有無の予報の適中のしやすさと変わりにくさをA・B・Cで表し、Cは適中率が低いか翌日に予報が変わる可能性がやや高いこと気象庁: 週間天気予報2026-11-16
沿岸波浪実況・予想図が令和8年3月25日に提供を始め、全国の沿岸を53海域に分け、過去72時間から未来72時間までの3時間ごとの波浪情報を示し、1日4回(4:30頃・10:30頃・16:30頃・22:30頃)更新されること気象庁: 報道発表 新しい沿岸波浪情報を公開します(PDF)2026-11-16
気象庁ホームページのコンテンツが公共データ利用規約(第1.0版)に準拠した条件で利用でき、出典の記載と、編集・加工した場合はその旨の記載が要ること。加工した情報を国が作成したかのような態様で公表・利用してはいけないこと気象庁: 気象庁ホームページについて2026-11-16

臨時便と人の配置は支配人が、運航の可否は運航の管理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-3325)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