水道テクニカルサービス株式会社様｜導入事例

お電話でのお問い合わせ 9:30〜18:00
（土日祝、年末年始を除く）

課題テーマ: 水道管の漏水予測、使用水量の予測

ご契約サービス: Prediction One

水道管の漏水調査を行う水道テクニカルサービス株式会社。水道業界において、水道管等の老朽化が進み、事故のリスクが高まるなか、より効率的な予知保全が求められています。今回は、Prediction Oneをどのように活用し効率的な漏水調査に挑戦しようとしているのか、ご担当の佐藤様にお話を伺いました。

お客様プロフィール

会社名: 水道テクニカルサービス株式会社様

設立: 2002年8月

従業員数: 10名

事業内容: 配給水管の漏水調査、学校や工場・公園等、各種施設の漏水調査（漏湯調査）

導入前の課題

経験則に基づいた調査

導入後の効果

学校の使用水量の予測モデルの決定係数0.84（非常に高い）
漏水発覚よりも早く漏水検知できることが期待できる

ご契約サービス

Prediction One

誰の手にもAIの予測分析を法人向け予測分析ツール

資料ダウンロード

お問い合わせ

導入のポイント

AI、需要予測がわからない初心者でも簡単に使える操作性
手軽にスタートができる価格

価格や使い勝手の良さからAIを漏水調査に活用

佐藤様の業務内容について教えてください。

弊社は水道管の漏水調査を行う会社で、私は調査員を務めています。また、Prediction Oneを実施に操作しているのは私になります。

導入いただいた背景はどのようなものだったのでしょうか？

もともとPrediction Oneは社長から紹介されました。社長が水使用量の分析に利用可能なソフトを探していた時にPrediction Oneを見つけて業務で活用できないか私に調査指令が出たことがきっかけになります。
AIの利用経験はなかったのでエクセルやそのほかの予測分析ツールをお試しで利用してみたりして比較検討してみました。最終的に値段や使い勝手の良さから導入を決めました。

具体的にどのように活用いただいているのでしょうか？

Prediction Oneの使い方として2つの想定で利用しています。1つ目は、水道管で発生する漏水予測になります。2つ目はクライアントである学校の使用水量の予測を行っています。学校においては毎月どの程度水道を使用したかデータとして蓄積があるため過去の実績を基に予測を行っています。主にこの2つで活用していますが、使用水量の予測に関しては学校以外での施設でも予測できないか検討しています。

AIの業務適用に手ごたえ、本格的な漏水予測へ挑戦

精度はどの程度出たのでしょうか？

学校の使用水量の予測モデルに関しては、精度として決定係数※が0.84と高い精度のモデルを作成することができました。特徴量として、学校名やプールの有無、生徒数、月毎の使用量等の実績データを使い、数値予測でモデル作成を行いました。

また、作成したモデルを用いて、過去に漏水調査の発注をいただいた学校のお客様の使用水量を予測したところ、下図のように、発注の数か月前から予測値と実績に乖離が発生している学校もありました。Prediction Oneの予測を活用すれれば、これまでよりも早く漏水を検知することが期待できます。

※1表左のA小学校は1月に調査依頼をいただいたが、Prediction Oneの予測値と実績を比較したところ、4か月前の9月から乖離(異常)が発生していた。表右のB小学校はこの表の翌年6月に調査依頼をいただいたが、予実比較では依頼の半年前の前年12月から乖離(異常)が発生していた。

実際の業務へのインパクトはいかがでしょうか？

水道管の漏水発生予測については、実業務へのインパクトという意味ではまだまだこれからかなと思います。検証として、過去データを基にPrediction Oneを使い、予測検証を実施しました。具体的には、漏水履歴を管路データに紐づけPrediction Oneで学習を実施、予測モデルの結果を漏水履歴や直近の漏水調査結果と照合し、予測モデルの有効性を検証しました。
結果として、従来の方法と比べ、効率的に漏水を発見できる可能性を証明できました。実際に業務適用できるよう今後も試行錯誤を重ねていきたいと思います。

使用したデータ：・配水管の路線データ（水道局提供。5384路線、約168km）・各路線の配水管上漏水履歴（STS整理。68路線）、予測したもの：・各路線の漏水発生有無（二値分類）、予測に用いた項目：・漏水履歴の有無（学習用）・管種、口径、延長、埋設経過年数

抽出距離：200km、備考：配水管全体の長さ、従来方法(漏水発生路線数)：80、従来方法(今回発見件数)：5、従来方法(漏水発生路線数)：80、従来方法(今回発見件数)：5 抽出距離：140km、備考：漏水調査範囲、従来方法(漏水発生路線数)：80、従来方法(今回発見件数)：5、従来方法(漏水発生路線数)：80、従来方法(今回発見件数)：5 抽出距離：100km、備考：漏水確率の高いＡ~Ｃランク、従来方法(漏水発生路線数)：40、従来方法(今回発見件数)：4、従来方法(漏水発生路線数)：80、従来方法(今回発見件数)：5 抽出距離：30km、備考：漏水確率の高いＡ・B　ランク、従来方法(漏水発生路線数)：20、従来方法(今回発見件数)：1、従来方法(漏水発生路線数)：65、従来方法(今回発見件数)：3

※従来調査とPrediction Oneで予測した漏水箇所の発見結果を比較。今回の調査では140kmの調査で5箇所の配水管漏水を発見したが、Prediction Oneによる漏水発生予測を活用すれば、約2/3の100㎞の調査でもこの5箇所の漏水を発見できることを証明した。※数値は実際と異なります。

最後に今後の展望について教えてください。

水道業界でも、AIという言葉自体は浸透しつつあり、AI活用を進めようという動きはあります。一方で、なぜこの結果になったのか？という部分がブラックボックスで業務適用の段階で行き詰ることがあります。そのため、今は行った業務をAIで検証しABテストを実施しています。ゆくゆくは学校事例のような成功事例をより多く作り、AIを有効活用していきたいと思います。