Media > AI活用ユースケース > 物流 > 廃食用油の回収業者が、店ごとの過去の回収量・営業日・季節の記録から Python で次の回収の日の量を予測し、回収の車の積載と回る順の案を作る

廃食用油の回収業者が、店ごとの過去の回収量・営業日・季節の記録から Python で次の回収の日の量を予測し、回収の車の積載と回る順の案を作る

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

店ごとの過去の回収の量と営業日・季節から、翌日に回る候補の店の油の量を Python で幅つきで見込みます。多めの見込みで車の積める量に収まる回る順の案を作り、回らない店も理由つきで出します。配車の係は案を直して決めるだけにします。

サマリー
連携・自動化
Python
対象業界
その他/物流/飲食
対象部門
物流
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/属人化解消/工数削減
導入難易度
★★★☆☆
実装レベル
半自動化
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
10h/月
想定削減
75%
年間削減
360h
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. 夕方、翌日に回る候補の店を台帳から並べる(定期の店、前回から日が空いた店、店から連絡のあった店)
  2. 店ごとに、前回の回収の量と日、季節を見て、今回の量を見込む
  3. 見込んだ量を足しながら、車ごとに積める量に収まるように店を割り振る
  4. 地図を見ながら、車ごとに回る順を決める
  5. 収まらない店を翌日以降に回し、急ぎの店に電話で確かめる
  6. 決めた順を運転の担当に渡す
導入後(After)
  1. 自動夕方、Python のスクリプトが回収の台帳・店の一覧・営業の暦・店からの連絡の一覧を読み込む
  2. 自動翌日に回る候補の店ごとに、前回からの営業日の数などの特徴を作る
  3. 自動学習済みのモデルで、店ごとの量の中ほどの見込みと多めの見込みを出す
  4. 自動多めの見込みを店の量として、車ごとの積める量の上限と店の受け入れの時間帯を守る回る順を OR-Tools で組む
  5. 自動回らない店を、見込みの量と前回からの日数で並べ、理由を付けて一覧にする
  6. 人配車の係が案を見て、急ぎの依頼、車の都合、運転の担当の事情で直す
  7. 人確定した順を運転の担当に渡す
  8. 自動翌日の回収の結果(実際の量)が台帳に入ったら、見込みとの差を記録する
各工程の詳しい説明を読む
  1. 夕方、翌日に回る候補の店を台帳から並べる(定期の店、前回から日が空いた店、店から連絡のあった店)
  2. 店ごとに、前回の回収の量と日、季節を見て、今回の量を見込む
  3. 見込んだ量を足しながら、車ごとに積める量に収まるように店を割り振る
  4. 地図を見ながら、車ごとに回る順を決める
  5. 収まらない店を翌日以降に回し、急ぎの店に電話で確かめる
  6. 決めた順を運転の担当に渡す

(a)量の見込みが係の頭の中にある。 「この店は揚げ物の多い定食屋で、2週間でこのくらい」「この店は年末に増える」。台帳には量の記録はあっても、見込みの根拠はどこにも書かれていません。

(b)見込みが外れると、車が途中で満杯になる。 少なめに見込んだ店が続くと、午後の早い時間に満杯になり、集積の場所に戻ります。その日の残りの店は翌日に回り、翌日の段取りがまた崩れます。

(c)ほとんど空の店を回る。 多めに見込んで寄った店で、缶の底に少しだけ、ということがあります。この寄り道の時間は、他の店を1つ回れる時間です。

(d)係が休むと段取りが崩れる。 もう1人の係が段取りを組むと、量の読みが甘くなり、満杯で戻る日と空の店に寄る日が増えます。

(e)振り返りの材料が無い。 満杯で戻った日、空の店に寄った日が、台帳には残っていません。同じ外し方を繰り返しているかどうかが分からず、係の読みを直すきっかけがありません。

  1. 【自動】 夕方、Python のスクリプトが回収の台帳・店の一覧・営業の暦・店からの連絡の一覧を読み込む
  2. 【自動】 翌日に回る候補の店ごとに、前回からの営業日の数などの特徴を作る
  3. 【自動】 学習済みのモデルで、店ごとの量の中ほどの見込みと多めの見込みを出す
  4. 【自動】 多めの見込みを店の量として、車ごとの積める量の上限と店の受け入れの時間帯を守る回る順を OR-Tools で組む
  5. 【自動】 回らない店を、見込みの量と前回からの日数で並べ、理由を付けて一覧にする
  6. 【人】 配車の係が案を見て、急ぎの依頼、車の都合、運転の担当の事情で直す
  7. 【人】 確定した順を運転の担当に渡す
  8. 【自動】 翌日の回収の結果(実際の量)が台帳に入ったら、見込みとの差を記録する

6番目で係が見るのは、案と見込みの両方です。 店ごとに中ほどの見込み、多めの見込み、前回の量を並べるので、「この店がこんなに多いはずはない」と気づいたら、その店の見込みを直して組み直せます。

8番目の差の記録が、モデルを直す材料です。 見込みより多かった店・少なかった店が溜まると、店の業態の変わり目(メニューの変更、営業の時間の変更)に気づけます。

02今回想定するシステム構成

構成図
回収の台帳 + 店の一覧 + 営業の暦 + 店からの連絡
   ▼【トリガー】前の日の夕方(定時の実行)
Python(pandas)
   ├──▶ 特徴を作る:前回からの営業日の数・前回の量・月・業態・席数・缶の数
   ├──▶ scikit-learn HistGradientBoostingRegressor
   │      中ほどの見込み(分位 0.5)と多めの見込み(分位 0.9)
   ├──▶ OR-Tools(積める量の上限つきの配車の問題)
   │      車ごとの回る順・積載の見込み・回らない店
   ▼
配車の案(表)──【配車の係が直して確定】──▶ 運転の担当へ
   ▼ 翌日
実際の量との差の記録
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(分位点の回帰)LightGBM の分位点の回帰
経路の組み立てOR-Tools の配車の問題の解き方(積める量の上限・時間帯・回らない店の扱い)配車の計画の専用のサービス
集計Python(見込みと実際の差、店ごとの外れ方)表計算のファイルの式

新しく足すのは、Python のスクリプトと、店と店の間の移動の時間の表です。 回収の台帳と店の一覧は今のものを使います。移動の時間の表は、店の住所から地図のサービスで求めるか、過去の運行の記録から作るかを、会社の事情で決めます。 この部分は利用する地図のサービスに応じた個別の実装が要ります。

分位点の回帰には、scikit-learn の HistGradientBoostingRegressor を使います。 公式ページ(1.9.1)では、loss に quantile を選ぶとピンボールの損失を使い、quantile の値でどの分位を見込むかを0から1の間で指定するとされています。中ほど(0.5)と多め(0.9)で、2つのモデルを作ります。

回る順は、OR-Tools の配車の問題として解きます。 公式ページでは、積める量の上限つきの配車の問題(CVRP)を、積める量に限りのある車が、各地点で荷を集める・届けるときに、上限を超えずに費用の最も小さい経路を求める問題として説明しています。

03どうやって実装するのか

Step1

処理の起点を決める

前の日の夕方に、定時の実行で動かします。 回収の台帳にその日の回収の結果が入り終わる時刻(運転の担当が戻って伝票を入れ終わる時刻)の後にします。台帳が入り終わる前に動かすと、その日に回収した店の「前回の回収」が古いままで、量を多く見込みます。

動かす前に、台帳の入力が終わったかを確かめます。 その日に回る予定だった店の数と、台帳に入った回収の数を比べ、足りなければ実行を止めて係に知らせます。 運転の担当の戻りが遅れた日は、係が入力を待ってから手で動かします。

モデルの学び直しは月に1回にします。 毎日の実行は学習済みのモデルで見込むだけにし、月の初めに、前の月までの台帳で学び直します。 学び直した後は、第7章の「保存・ログ」の検証の結果を係が見てから、新しいモデルに切り替えます。

Step2

入力データを集める

データ中身取得元
回収の台帳店の番号、回収の日、回収した量(リットル)、車、運転の担当回収の台帳(表計算のファイルを書き出したもの)
店の一覧店の番号、業態、席数、定休日、営業の時間、缶の数と大きさ、回収の間隔、受け入れの時間帯、住所店の一覧
営業の暦祝日、年末年始、店ごとの臨時の休み(連絡のあったもの)暦の表
店からの連絡「缶がいっぱい」「臨時で休む」「量が増えた」の連絡と日連絡の記録の表
車の一覧車の番号、積める量、出発と戻りの場所、使える時間車の一覧
移動の時間の表店と店、店と集積の場所の間の移動の分自社で用意する表

質を決めるのは、店の定休日と臨時の休みです。 量は「前回から何日たったか」より「前回から何日営業したか」でよく決まります。定休日を知らないと、週に2日休む店の量を多く見込みます。 店の一覧の定休日の列を、最初に整えます。

缶の数と大きさも入れます。 缶が満杯になると、店はそれ以上ためられず、別の容器に入れるか、回収を急かす連絡が来ます。見込みが缶の容量を超える店は、量の見込みより「急ぎ」として扱うのが実態に合います。

Step3

データの取得方法を決める

台帳は、毎日の実行のたびに CSV に書き出したものを pandas で読みます。 台帳の表計算のファイルを直接開かず、書き出しの手順を決めて、決まった場所に置いたファイルを読みます。 列の名前と並びを最初に確かめ、合わなければ止めます。

特徴は、回収の1回ごとに作ります。

特徴作り方
前回からの営業日の数前回の回収の日から今回の日までの、店の営業の日の数(定休日・臨時の休み・年末年始を除く)
前回の量・その前の量台帳から
直近の1営業日あたりの量直近3回の量 ÷ それぞれの営業日の数の平均
月回収の日の月
業態・席数・缶の数店の一覧から。業態はカテゴリの型にする

営業日の数は、たとえば次のように数えます。

import numpy as np

def open_days(shop, start, end, holidays):
    # start の翌日から end まで(両端の扱いは係と決める)の営業日の数
    # shop.weekmask は '1111100' のような月〜日の営業の印
    hol = holidays.get(shop.shop_id, []) + holidays["common"]
    return np.busday_count(start + np.timedelta64(1, "D"),
                           end + np.timedelta64(1, "D"),
                           weekmask=shop.weekmask, holidays=hol)

両端の日を数えるかは、係と決めて固定します。 大事なのは、学習と毎日の見込みで同じ数え方を使うことです。

業態は pandas のカテゴリの型にします。 公式ページでは、categorical_features の既定は "from_dtype" で、データフレームのカテゴリの型の列がカテゴリの特徴として扱われるとされています。文字列のまま渡すとカテゴリとして扱われません。 また、1つのカテゴリの特徴の異なる値は max_bins までであるとされているので、店の番号のような値の多い列はカテゴリにしません。

空の値はそのまま渡します。 公式ページでは、この推定器は欠けた値(NaN)をそのまま扱え、分かれ目ごとにどちらへ送るかを学ぶとされています。新しい店で「その前の量」が無い場合も、0で埋めずに空のまま渡します。0で埋めると、「前回は0だった」と学びます。

Step4

AIへ渡す前に整形する

  1. 量の単位をそろえる … 台帳に「缶2つ」「18L×3」と書かれた行があれば、リットルに直します。直せない行は学習から外し、件数を記録します
  2. 異常な行を外す … 1回の量が缶の容量の合計を大きく超える行、量が0で「休み」と書かれた行は学習から外します
  3. 店からの依頼の回を分ける … 「缶がいっぱい」の連絡で回った回は、定期の回より多い量で回収しています。依頼の回であるという印の列を足します
  4. 学習と検証を時間で分ける … 最後の3か月を検証に取り置き、それより前で学習します
  5. 早期の打ち切りを自分で決める … 下に書く理由で、検証の行を時間で分けて渡します

5番目は、この構成で特に注意する点です。 公式ページでは、early_stopping の既定 'auto' は行の数が10,000を超えるか、X_val と y_val を fit に渡したときに有効になるとされ、validation_fraction(既定0.1)で学習のデータの一部を検証に取り分けるとされています。600店・1年分の台帳は1万行を超えるので、既定のままだと日付と関係なく行を抜いて検証に使います。 未来の回の行が学習に混ざり、見込みが実際より良く見えます。X_val と y_val に、時間で分けた最後の行を渡します。

from sklearn.ensemble import HistGradientBoostingRegressor

models = {}
for q in (0.5, 0.9):
    m = HistGradientBoostingRegressor(loss="quantile", quantile=q,
                                      categorical_features="from_dtype")
    m.fit(X_train, y_train, X_val=X_val, y_val=y_val)  # 時間で分けた検証
    models[q] = m
Step5

AIに処理させる

させるのは、店ごとの次の回収の量の見込みです。 生成AIは使いません。量は過去の数字から見込むもので、文章を読む場面はありません。

出すもの中身判断できないときの扱い
中ほどの見込み分位0.5のモデルの値(リットル)学習の行の少ない店は印を付ける
多めの見込み分位0.9のモデルの値(リットル)中ほどより小さく出たら中ほどにそろえる
缶の容量との比べ多めの見込みが缶の容量の何割か容量が分からない店は空
見込みの確からしさの印学習に使えた回の数、直近の外れ方回の数が少なければ「参考」

2行目の「そろえる」は、2つのモデルを別々に作るために起きます。 分位0.5と0.9のモデルは別々に学ぶので、まれに多めの見込みが中ほどより小さく出る店があります。 そのときは中ほどの値にそろえ、ログに残します。

させないこと理由
回る店の最終の決定急ぎの依頼・車の都合・運転の担当の事情は係が見る
店との約束の変更回収の間隔は店との取り決め
新しい店の量の見込み(学習の回が無い店)似た業態・席数の店の量を係が当てる
運転の担当の勤務の時間の判断勤務の決まりは別に守る

3行目の新しい店は、学習の回が3回たまるまで、係が量を当てます。 モデルは業態と席数で何かしらの値を出しますが、その店の実際の使い方を知らないまま見込んだ値です。 印を付けて「参考」として出し、係が決めます。

Step6

指示内容を固定する

この構成は生成AIへの指示文を使いません。代わりに、モデルと経路の組み立てへの「指示」に当たる設定を、係と決めて表にします。

【見込みの設定】
- 見込む分位:中ほど 0.5、多め 0.9
- 積載の計算に使う量:多めの見込み(0.9)
- 学習の期間:直近24か月(年末年始を含める)
- 学習から外す行:単位の直せない行、量が缶の容量の合計を超える行
- 学び直し:毎月1日。検証の結果を係が見てから切り替える

【経路の設定】
- 車の積める量:車の一覧の値から1割を引いた量(余裕)
- 店の量:多めの見込みを切り上げた整数(リットル)
- 回らない店のペナルティ:
    急ぎの連絡がある店 …… ペナルティを置かない(必ず回る)
    前回から間隔を超えた店 …… 大きい
    それ以外 ………………………… 見込みの量に比例
- 店の受け入れの時間帯:店の一覧の値
- 探す時間の上限:60秒

「店の量は多めの見込みを切り上げた整数」にするのは、公式ページの例が整数で書かれているからです。 公式ページの CVRP の例では、各地点の量と車の積める量が整数で与えられています。小数のまま渡すと丸めの位置で上限を超えることがあるので、切り上げて渡します。

「車の積める量から1割を引く」は、多めの見込みでも外れる日のための余裕です。 分位0.9は、10回に1回は見込みを超える量です。店の数が多い日は、どこかの店で超えるのが普通なので、車の側にも余裕を持たせます。この値は係と運転の担当が決めます。

Step7

出力形式を固定する

見込みと経路の案を、1枚の表にして出します。

{
  "date": "2026-11-19",
  "vehicles": [
    { "vehicle": "車1", "capacity_l": 900, "planned_load_l": 812,
      "stops": [
        { "seq": 1, "shop_id": "S-0142", "p50_l": 36, "p90_l": 52,
          "can_ratio": 0.58, "window": "14:00-16:00", "flag": "" }
      ] }
  ],
  "dropped": [
    { "shop_id": "S-0387", "p50_l": 8, "p90_l": 14,
      "days_since": 9, "reason": "見込みが少なく次の回へ" }
  ]
}

係が見るのは、この JSON を表に直したものです。 車ごとに順・店・中ほど・多め・缶の割合・時間帯・印を並べ、最後に回らない店の一覧を置きます。JSON で持つのは、係が直した後の案と、元の案を並べて残すためです。

Step8

システムへ連携する

つなぎ先方式内容
回収の台帳・店の一覧・暦・連絡CSV を読む毎日の実行の入力
学習済みのモデルファイルに保存して読む月に1回作り直す
OR-ToolsPython の中で呼ぶ積める量の上限・時間帯・回らない店の扱い
配車の案表のファイルに書く係が直して確定する
運転の担当係が渡す確定した順

経路は、公式ページの書き方に沿って組みます。 公式ページでは、積める量の上限は店の量を返す関数と、車ごとの積める量の並びを AddDimensionWithVehicleCapacity に渡して加えるとされ、車ごとに違う量を持たせられます。店の受け入れの時間帯は、時間の次元を AddDimension で作り、店ごとに CumulVar の範囲を決めて加えるとされています。時間帯のある問題では待ちの時間を許す必要があるとされています。

組み立ての中心は、公式ページの例と同じ形になります。

from ortools.constraint_solver import pywrapcp, routing_enums_pb2

manager = pywrapcp.RoutingIndexManager(len(nodes), len(vehicles), depot)
routing = pywrapcp.RoutingModel(manager)

def demand_cb(i):
    return demand_l[manager.IndexToNode(i)]   # 多めの見込みを切り上げた整数
d_idx = routing.RegisterUnaryTransitCallback(demand_cb)
routing.AddDimensionWithVehicleCapacity(d_idx, 0, capacity_l, True, "Load")

for node in range(1, len(nodes)):
    if not urgent[node]:                       # 急ぎの店にはペナルティを置かない
        routing.AddDisjunction([manager.NodeToIndex(node)], penalty[node])

params = pywrapcp.DefaultRoutingSearchParameters()
params.first_solution_strategy = routing_enums_pb2.FirstSolutionStrategy.PATH_CHEAPEST_ARC
params.local_search_metaheuristic = routing_enums_pb2.LocalSearchMetaheuristic.GUIDED_LOCAL_SEARCH
params.time_limit.seconds = 60
solution = routing.SolveWithParameters(params)

capacity_l は車ごとの積める量から余裕を引いた整数の並びです。移動の時間の関数と時間帯の次元は、この前に加えておきます。

回らない店の扱いは、ペナルティで決めます。 公式ページでは、店ごとに AddDisjunction でペナルティを置くと、店を回らないことを許す代わりにペナルティが費用に足され、全部の量が積める量を超えるときは、移動とペナルティの合計が小さくなるように店を落とすとされています。ペナルティを移動の合計より大きくすれば、必要な数だけを落とすとされています。急ぎの店にはペナルティを置かず、必ず回る店にします。 落とされた店は、公式ページの例と同じく、次の行き先が自分自身になっている店として見分けます。

探す時間の上限を決めます。 公式ページの例では、最初の解を PATH_CHEAPEST_ARC で作り、GUIDED_LOCAL_SEARCH で改善し、時間の上限を1秒にしています。店の数が五十を超えるので、上限を60秒にし、毎日同じ設定で動かします。

Step9

人が確認する

  1. 「参考」の印の店を見る … 学習の回が少ない店、外れ方の大きい店です。係の読みで量を当て直します
  2. 急ぎの連絡が入っているかを見る … 夕方の実行の後に入った連絡は案に入っていません
  3. 車の都合を見る … 点検・運転の担当の休みで使えない車があれば、車の一覧を直して組み直します
  4. 回らない店の一覧を見る … 間隔を大きく超えた店が落ちていれば、ペナルティを上げて組み直すか、手で入れます
  5. 確定して運転の担当に渡す

直したら、理由を一言で残します。 「店から増えたと連絡」「車2が点検」「運転の担当の希望」。理由が溜まると、モデルに足すべき情報(店からの連絡の種類など)が見えてきます。

目標は、ならして1件0.5分です。 五十数店の案を、印の付いた店を中心に見るので、夕方の30分ほどで決まる想定です。

Step10

例外に対処する

起きること対応
台帳の入力が終わっていない実行を止めて係に知らせる
列の名前・並びが違う読み込みで止める
多めの見込みが中ほどより小さい中ほどにそろえ、ログに残す
全部の店が積める量に収まらないペナルティの小さい店から落とし、一覧に理由を出す
解が見つからない時間帯の厳しい店を一覧に出し、係が手で組む
新しい店(学習の回が3回未満)「参考」。係が量を当てる
店が臨時で休む連絡の記録にあれば候補から外す。無ければ当日に運転の担当から連絡
見込みが缶の容量を超える「急ぎ」の印。ペナルティを置かない

5行目の「解が見つからない」は、時間帯の設定が原因のことが多くあります。 受け入れの時間帯が狭い店が同じ地域に集まると、どの車でも時間内に回れなくなります。急ぎの店にペナルティを置いていないと、その店を落とせないために解が無くなるので、急ぎの店の数と時間帯を一覧に出して係が見ます。

Step11

記録を残す

  • 毎日の入力の CSV、モデルの版、見込みの全件(中ほど・多め)
  • OR-Tools の設定、元の案、係が直した後の案と直した理由
  • 翌日の実際の量と、見込みとの差
  • 月ごとの検証の結果 … 検証の期間の行で、分位ごとのピンボールの損失と、実際の量が多めの見込み以下に収まった割合

検証の結果は、モデルを切り替えるかを決める材料です。 公式ページでは、mean_pinball_loss は分位点の回帰の損失で、alpha で見込む分位を決め、0.5 では平均の絶対誤差と同じになるとされています。分位0.9のモデルなら、実際の量が見込み以下に収まった割合が9割の近くにあるかも合わせて見ます。大きく下回るなら、多めの見込みが足りていません。

04実装レベルの3段階

最小構成:過去の台帳で見込みのモデルを作り、係の読みと比べる / 量の見込みの確かめ
半自動化:上記+毎日の夕方に見込みと回る順の案を作り、係が直して確定する / 量の見込みと配車の案
本格構成:上記+店からの連絡を受け付ける仕組みと、運転の担当の端末への順の配信をつなぐ / 連絡の取り込みから配信まで

本記事の想定は半自動化です。 1件2分のうち、量を見込む作業と、割り振り・順を組む作業が案になり、残るのは印の付いた店の確かめと、急ぎ・車の都合の手直しです。 本格構成は、店からの連絡と運転の担当への配信が整ってからです。 連絡が電話のままだと、夕方の実行の後に入った連絡を係が手で入れることになります。 半自動化で1か月回したら、ペナルティの見直しをします。 回らない店の一覧に、係が毎日手で戻している店があれば、その店のペナルティが小さすぎます。係の手直しの理由の記録から、ペナルティの表を直すのが、本格構成へ進む前の仕上げです。

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
1,200 件
1件あたり現在時間
2 分
1件あたり導入後時間
0.5 分
現在  1,200件 × 2分 ÷ 60 = 40 時間/月
導入後 1,200件 × 0.5分 ÷ 60 = 10 時間/月
月間削減時間
30h
削減率
75%
年間削減時間
360h
年間金額換算(時間単価2,500円)
90万円
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. 飲食店・惣菜の店・給食の調理場などから使い終えた食用油を定期的に回収している業者。契約の店が数百あり、回収の車の積める量に限りがあって、途中で満杯になって戻る・ほとんど空の缶を回るといったむだが出ている場合。翌日の回る店と順を、配車の係が経験と電話で決めていて、その人が休むと段取りが崩れる場合。回収の量を店ごと・回ごとに台帳に付けていて、1年分以上が表として書き出せる場合。
向いていない
  1. 契約の店が数十で、毎週決まった順で回れば足りる場合。回収を店からの依頼のときだけ行い、定期の回収が無い場合。回収の量を店ごとに記録しておらず、車ごとの合計しか分からない場合。なお、回収の契約や買い取りの価格、店との取り決め、運転の担当の勤務の時間の決まりは、この構成では代替できません。

07最小構成で試す方法

  1. 回収の台帳から、直近24か月の店ごとの回収の記録を書き出す
  2. 店の一覧の定休日・缶の数の列を、回収の多い100店について整える
  3. Python で特徴を作り、最後の3か月を取り置いて、分位0.5と0.9のモデルを作る
  4. 取り置いた3か月の各回について、見込みと実際の量を並べる
  5. 係が当時に見込んだ量(覚えている範囲・メモの範囲)と比べる

最初は経路を組みません。 確かめたいのは、見込みが係の読みと同じくらい当たるかです。経路の組み立ては、見込みが使えると分かってからにします。

出てきた内容判断
実際の量が多めの見込み以下に収まる割合が9割の近く経路の組み立てに進む
定休日の多い店で大きく外れる定休日・臨時の休みの記録が足りない。 暦を整える
新しい店・業態の変わった店で外れる「参考」の印で係に回す扱いにする

係の読みと比べるときは、店を3つに分けて見ます。 定期の回収で量の安定した店、量の波の大きい店、新しい店です。安定した店で係の読みより外れるなら、特徴の作り方(営業日の数え方)を疑います。 波の大きい店で外れるのは、係の読みでも外れている店かどうかを確かめます。

08実装時につまずきやすいポイント

問題対策
検証の行が日付と関係なく抜かれる1万行を超えると早期の打ち切りが既定で有効。時間で分けた X_val・y_val を渡す
業態がカテゴリとして扱われないpandas のカテゴリの型にする
欠けた値を0で埋める空のまま渡す
多めの見込みが中ほどより小さい中ほどにそろえ、ログに残す
中ほどの見込みで積んで途中で満杯多めの見込みで積み、車にも余裕を持たせる
小数の量で上限を超える切り上げた整数で渡す
急ぎの店が落とされる急ぎの店にはペナルティを置かない
定休日を知らずに多く見込む前回からの日数でなく営業日の数で特徴を作る
台帳の入力の前に動く回る予定の店の数と入力の数を比べて止める

上の2行が、この構成の失敗のほとんどです。 どちらも見込みが実際より良く見える、または見込みが使えないまま気づかない、という形で出ます。検証の結果を係と見る習慣が、モデルを信じすぎないための仕組みです。

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: 契約の店の名前、住所、営業の時間、回収の量、運転の担当の名前です。

  1. データを社外に出さない … 見込みも経路の組み立ても、自社の PC やサーバーの Python で動きます。生成AIのサービスには送りません
  2. 運転の担当の名前を特徴に入れない … 台帳の運転の担当の列は、見込みにも経路にも使いません。担当ごとの量の違いを見る使い方にしないのは、回収の量は担当ではなく店で決まるからです
  3. 最終の決定は係が行う … 案は案で、急ぎの依頼や運転の担当の事情は係が見ます
  4. 店との取り決めを優先する … 回収の間隔が契約で決まっている店は、見込みが少なくても落とさないようペナルティを大きくします
  5. 移動の時間の表を求めるときの地図のサービスの利用条件を確かめる … 店の住所を外部のサービスに送ることになるので、利用の条件を確かめます

見込みの数字を店に見せる使い方は、最初はしません。 「次はこのくらいたまるはず」と店に伝えると、外れたときに店との取り決めの話になります。見込みは社内の段取りのためだけに使い、店に伝えるのは回収の日と時間帯だけにします。

誤りが起きた場合のリスクは、量を少なく見込んで車が途中で満杯になることと、間隔を超えた店を落として店の缶があふれることの2つです。 前者は多めの見込みと車の余裕で、後者は急ぎの店と間隔を超えた店のペナルティの設定と、係の確認で防ぎます。

10まず何から始めるか

1週目:店の一覧と暦を整える

回収の多い100店について、定休日、缶の数と大きさ、受け入れの時間帯を店の一覧にそろえます。年末年始と祝日の暦も作ります。

2週目:見込みのモデルを作って比べる

第8章の手順で、直近24か月の台帳から分位0.5と0.9のモデルを作り、最後の3か月で見込みと実際を比べます。

3週目:移動の時間の表を作る

店の住所をそろえ、店と店の間の移動の時間の表を作ります。最初は回収の多い地域だけで足ります。

4週目:1台の車で経路の案を作る

1台の車の担当の地域だけで、毎日の案を作って係の段取りと見比べます。この時点では案を運転の担当に渡さず、比べるだけにします。

2か月目: 3台の車に広げ、係が案を直して確定する形で運用し、1件2分が何分になったかを測ります。3か月目以降: 月ごとの検証の結果と運行の記録を見て、ペナルティと車の余裕を直し、もう1人の係が案を確かめるだけで翌日の段取り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:2026-11-18/最終更新:2026-11-18
確認した内容情報源確認日
loss に quantile があり、ピンボールの損失を使うこと。quantile で見込む分位を0から1の間で指定すること。early_stopping='auto' が行の数が10,000を超えるか X_val・y_val を渡すと有効になること。validation_fraction の既定が0.1であること。categorical_features の既定が "from_dtype" で、カテゴリの型の列がカテゴリとして扱われ、異なる値は max_bins までであること。欠けた値をそのまま扱えること(1.9.1)scikit-learn: HistGradientBoostingRegressor2026-11-18
mean_pinball_loss が分位点の回帰の損失で、alpha で分位を決め、既定の0.5では平均の絶対誤差と同じになることscikit-learn: mean_pinball_loss2026-11-18
CVRP が積める量に限りのある車で上限を超えずに費用の最も小さい経路を求める問題であること。AddDimensionWithVehicleCapacity に車ごとの積める量の並びを渡すこと。例の量が整数で書かれていること。例が PATH_CHEAPEST_ARC・GUIDED_LOCAL_SEARCH・時間の上限1秒であることGoogle OR-Tools: Capacity Constraints2026-11-18
時間帯を時間の次元(AddDimension)と CumulVar の範囲で加えること。時間帯のある問題で待ちの時間を許す必要があることGoogle OR-Tools: Vehicle Routing Problem with Time Windows2026-11-18
AddDisjunction でペナルティを置くと地点を落とせること。全部の量が積める量を超えるときに移動とペナルティの合計が小さくなるよう地点を落とすこと。ペナルティが移動の合計より大きければ必要な数だけ落とすこと。落とした地点は次の行き先が自分自身になることGoogle OR-Tools: Penalties and Dropping Visits2026-11-18

回収の契約、買い取りの価格、店との取り決め、運転の担当の勤務の時間の決まりは、自社の決まりと関係する法令に沿って決めてください。 本記事は公式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-3962)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