競馬AI Pro - AI競馬予測システム

機械学習による競馬予測・資金管理・データ収集を一気通貫で実現するフルスタックアプリケーション。

---

Windowsワンクリック起動

必要なローカル環境が設定済みのPCでは、リポジトリ直下のstart-keiba-ai-pro.batをダブルクリックすると、FastAPIとWebアプリを安全なObservationモードで一括起動し、ログイン画面を開きます。

• 起動: start-keiba-ai-pro.bat
• 状態確認: check-keiba-ai-pro.bat
• 停止: stop-keiba-ai-pro.bat
• 詳細手順: 競馬AI Pro 操作手順書

起動時にスケジューラ、Production書き込み、自動購入は有効化されません。不足しているvenv、環境設定、DB、Node依存がある場合はfail-closedで停止します。

---

目次

1. システム全体フロー
2. Step 1: データ収集（スクレイピング）
3. Step 2: DB保存構造
4. Step 3: 特徴量エンジニアリング
5. Step 4: モデル学習
6. Step 5: 予測・レース分析
7. Step 6: ベッティング戦略
8. フロントエンド画面構成
9. APIエンドポイント一覧
10. 起動方法
11. Gitブランチ戦略

---

1. システム全体フロー

netkeiba.com
  │
  │ scrape_race_full() / _scrape_shutuba_fallback()
  ▼
race.py（スクレイピング）
  │ JSON (race_info + 馬別30項目)
  ▼
storage.py（DB保存）
  │
  ▼
keiba_ultimate.db (SQLite3)
  ├─ races_ultimate        ← レース基本情報 (JSON per row)
  └─ race_results_ultimate ← 馬別結果      (JSON per row)
  │
  │ db_ultimate_loader.load_ultimate_training_frame()
  ▼
pandas DataFrame (~ 13,000行 × 83列)
  │
  │ add_derived_features()
  ▼
派生特徴量追加 (+ ~40列 → 合計 ~125列)
  │
  │ UltimateFeatureCalculator.add_ultimate_features()
  ▼
過去統計特徴量追加 (+ ~24列 → 合計 ~137列)
  │
  │ prepare_for_lightgbm_ultimate()
  ▼
LightGBM用前処理 (Label Encoding, 未来情報除外) → 110列前後
  │
  ├─ 学習モード ─────────────────────────────────────────────┐
  │    LightGBM (binary 分類, target=win)                    │
  │    Optuna 最適化 (100試行, 5-fold CV)                    │
  │    → model_win_YYYYMMDD_YYYYMMDD_ultimate.joblib         │
  └──────────────────────────────────────────────────────────┘
  │
  └─ 推論モード（/api/analyze_race）─────────────────────────┐
       Quality Gate チェック                                  │
       model.predict_proba(X) → 勝率スコア                   │
       キャリブレーション                                      │
       期待値計算 (EV = prob × odds)                          │
       ベッティング戦略生成                                    │
       → JSON レスポンス                                      │
     ──────────────────────────────────────────────────────  │

---

2. Step 1: データ収集（スクレイピング）

対象URL

用途	URL
レース結果	https://db.netkeiba.com/race/{race_id}/
出馬表（フォールバック）	https://race.netkeiba.com/race/shutuba.html?race_id={race_id}
当日レース一覧	https://race.netkeiba.com/top/race_list.html?kaisai_date={YYYYMMDD}

race_id の構造: YYYYMMDDVVRR

• YYYY: 年, MM: 月, DD: 日
• VV: 会場コード (05=東京, 06=中山, 09=阪神 など)
• RR: レース番号 (01～12)

スクレイプされるフィールド

レース基本情報（races_ultimate.data に JSON 格納）

フィールド	型	例
race_name	str	"日本ダービー"
date	str (YYYYMMDD)	"20260601"
venue	str	"東京"
venue_code	str	"05"
distance	int	2400
track_type	str	"芝" / "ダート"
weather	str	"晴" / "曇" / "雨"
field_condition	str	"良" / "稍重" / "重" / "不良"
num_horses	int	18
post_time	str	"15:40"
kai	int	開催回
day	int	開催日
course_direction	str	"右" / "左" / "直線"

馬別情報（race_results_ultimate.data に JSON 格納）

フィールド	型	例
horse_number	int	7
bracket_number	int	4
horse_name	str	"ドウデュース"
horse_id	str	"2020110038"
sex_age	str	"牡3"
sex	str	"牡" / "牝" / "セ"
age	int	3
jockey_name	str	"武豊"
jockey_id	str	"00356"
jockey_weight	float	57.0
trainer_name	str	"友道康夫"
trainer_id	str	"01101"
weight_kg	int	492
weight_diff	int	+4
odds	float	4.5
popularity	int	2
finish_position	int	1
finish_time	str	"2:23.5"
margin	str	"クビ"
last_3f	str	"34.8"
last_3f_rank	int	3
corner_positions	str

エラーハンドリング

• リトライ: 最大3回・指数バックオフ (2^n 秒)
• HTTP 429: 10秒 + 追加待機
• フォールバック: 結果ページ失敗 → 出馬表ページ（odds=None で保存、当日再スクレイプで補完）
• レート制限: リクエスト間隔 2〜3秒のランダム待機

---

3. Step 2: DB保存構造

ファイル: keiba/data/keiba_ultimate.db (SQLite3, WAL モード)

-- レース基本情報（1レース1行）
CREATE TABLE races_ultimate (
    race_id    TEXT PRIMARY KEY,
    data       TEXT NOT NULL,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

-- 馬別データ（1頭1行）
CREATE TABLE race_results_ultimate (
    id         INTEGER PRIMARY KEY AUTOINCREMENT,
    race_id    TEXT,
    data       TEXT NOT NULL,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);
CREATE INDEX idx_results_race_id ON race_results_ultimate (race_id);

現状規模

• races_ultimate: 約 14,000+ レース
• race_results_ultimate: 約 180,000+ 行（平均 13 頭/レース）

---

4. Step 3: 特徴量エンジニアリング

4-1. add_derived_features() — 派生特徴量 (~40列追加)

休養期間

特徴量	型	説明
days_since_last_race	int	現レース日 - 前走日（日数）
rest_category	str	"short" / "normal" / "long" / "very_long"

前走・2走前

特徴量	説明
prev_race_finish	前走着順
prev_race_time	前走タイム（秒）
prev_race_weight	前走馬体重
prev_race_distance	前走距離
prev2_race_finish	2走前着順
prev2_race_distance	2走前距離

距離・馬場変化

特徴量	説明
distance_change	今走距離 - 前走距離 (m)
distance_increased	1/0（距離延長）
distance_decreased	1/0（距離短縮）
surface_changed	1/0（芝↔ダート変更）

コーナー通過派生

特徴量	説明
corner_position_avg	平均コーナー通過順位
corner_position_variance	通過順位の分散（低=安定した脚質）
last_corner_position	最終コーナーでの通過順位
position_change	1C→最終Cの順位変化（正=追い込み）

近走統計（expanding window）

This is the beginning of the README. Read the rest at the original. Read the full README ↗