JP2002140684A - 気象翻訳・予測方法及び気象翻訳・予測プログラムを格納した記憶媒体 - Google Patents
気象翻訳・予測方法及び気象翻訳・予測プログラムを格納した記憶媒体Info
- Publication number
- JP2002140684A JP2002140684A JP2000333187A JP2000333187A JP2002140684A JP 2002140684 A JP2002140684 A JP 2002140684A JP 2000333187 A JP2000333187 A JP 2000333187A JP 2000333187 A JP2000333187 A JP 2000333187A JP 2002140684 A JP2002140684 A JP 2002140684A
- Authority
- JP
- Japan
- Prior art keywords
- weather
- learning
- translation
- prediction
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】 （修正有）
【課題】 気象翻訳の運用と並行してモデルの構造決定
も実行可能な機構を持つ、ニューラルネットワークを用
いた長時間先の局地の気象要素、または、気象要素以外
の要素を高精度に予測することが可能な気象翻訳・予測
方法及び気象翻訳・予測プログラムを格納した記憶媒体
を提供する。 【解決手段】 神経回路網モデルの入出力データとして
与える数値予測モデルによる１つ以上の予測値、及び、
地上・上空観測値を含む気象要素、または、気象要素以
外の要素に関するデータを、時間的に連続な複数個の値
を１つの構造体として保存し、構造体から読み出した入
出力データ及び、部品としての神経回路網モデルを学習
装置に与えて、該入出力データ間の関係を学習して学習
結果を出力する。学習結果及び、任意の日時における数
値予測モデルにより予測された予測値を翻訳装置に与え
て、気象要素、または、気象要素以外の要素に翻訳す
る。
も実行可能な機構を持つ、ニューラルネットワークを用
いた長時間先の局地の気象要素、または、気象要素以外
の要素を高精度に予測することが可能な気象翻訳・予測
方法及び気象翻訳・予測プログラムを格納した記憶媒体
を提供する。 【解決手段】 神経回路網モデルの入出力データとして
与える数値予測モデルによる１つ以上の予測値、及び、
地上・上空観測値を含む気象要素、または、気象要素以
外の要素に関するデータを、時間的に連続な複数個の値
を１つの構造体として保存し、構造体から読み出した入
出力データ及び、部品としての神経回路網モデルを学習
装置に与えて、該入出力データ間の関係を学習して学習
結果を出力する。学習結果及び、任意の日時における数
値予測モデルにより予測された予測値を翻訳装置に与え
て、気象要素、または、気象要素以外の要素に翻訳す
る。
Description
【０００１】
【発明の属する技術分野】本発明は、気象翻訳・予測方
法及び気象翻訳・予測プログラムを格納した記憶媒体に
係り、特に、気圧、風、温度、湿度などの気象要素を予
測する数値予測モデルによる予測値と、気象要素の影響
を受けると考えられる地上・上空観測値、天候などの気
象要素、及び、気象要素の影響を受ける商品売上数、来
客数等の気象要素以外の要素を神経回路網モデルに与え
て学習させることにより、それらの関係を獲得し、学習
後のモデルを用いて翻訳することにより、気象要素に影
響を受ける要素に翻訳する気象翻訳・予測方法及び気象
翻訳・予測プログラムを格納した記憶媒体に関する。
法及び気象翻訳・予測プログラムを格納した記憶媒体に
係り、特に、気圧、風、温度、湿度などの気象要素を予
測する数値予測モデルによる予測値と、気象要素の影響
を受けると考えられる地上・上空観測値、天候などの気
象要素、及び、気象要素の影響を受ける商品売上数、来
客数等の気象要素以外の要素を神経回路網モデルに与え
て学習させることにより、それらの関係を獲得し、学習
後のモデルを用いて翻訳することにより、気象要素に影
響を受ける要素に翻訳する気象翻訳・予測方法及び気象
翻訳・予測プログラムを格納した記憶媒体に関する。
【０００２】
【従来の技術】気象予測では、予測の時空間解像度によ
り、短時間予測（３〜６時間先まで）、長時間予測（６
時間から５日先まで）、短期予測（１週間先から１ヵ月
先まで）、長期予測（１ヵ月から１年先まで）に分類さ
れる。
り、短時間予測（３〜６時間先まで）、長時間予測（６
時間から５日先まで）、短期予測（１週間先から１ヵ月
先まで）、長期予測（１ヵ月から１年先まで）に分類さ
れる。
【０００３】従来、気象庁などでは、長時間先の予測技
術として数値予測モデルが広く用いられている。しかし
ながら、数値予測モデルの空間解像度は粗く、５ｋｍ以
下の局地気象を予測するには適していない。そこで、こ
うした局地気象を予測するために、数値予測モデルによ
り求まる予測値から地上・上空の観測値などを推定する
カルマンフィルタ、重回帰モデルなどの非常に簡単な線
形モデルが用いられている。
術として数値予測モデルが広く用いられている。しかし
ながら、数値予測モデルの空間解像度は粗く、５ｋｍ以
下の局地気象を予測するには適していない。そこで、こ
うした局地気象を予測するために、数値予測モデルによ
り求まる予測値から地上・上空の観測値などを推定する
カルマンフィルタ、重回帰モデルなどの非常に簡単な線
形モデルが用いられている。
【０００４】また、従来のシステムでは、季節によるデ
ータの変動、数値予測モデルによる予測値の変動などの
影響を考慮したモデルの構築においては、人手によるデ
ータ解析、経験に基づくモデル構築が必要である。ま
た、数値予測モデルによる予測値からでは翻訳不可能な
気象要素に関連する二次要素については、人手によるデ
ータ解析、人間の経験則等を援用することにより、経験
的に翻訳されている。
ータの変動、数値予測モデルによる予測値の変動などの
影響を考慮したモデルの構築においては、人手によるデ
ータ解析、経験に基づくモデル構築が必要である。ま
た、数値予測モデルによる予測値からでは翻訳不可能な
気象要素に関連する二次要素については、人手によるデ
ータ解析、人間の経験則等を援用することにより、経験
的に翻訳されている。
【０００５】一方、ニューラルネットのみを用いた気象
翻訳方法として、特開平９−４９８８４等が開示されて
いる。この手法では、ニューラルネットモデルへの入出
力データとして共に気象観測値を与えて、その関係を学
習させている。
翻訳方法として、特開平９−４９８８４等が開示されて
いる。この手法では、ニューラルネットモデルへの入出
力データとして共に気象観測値を与えて、その関係を学
習させている。
【０００６】
【発明が解決しようとする課題】しかしながら、上記従
来の、長時間先の気象状態を予測する数値予測モデルを
用いた場合、予測値の空間の解像度が１０ｋｍ以上と粗
く、長時間先の局地予測を行うには不適切であるという
問題がある。
来の、長時間先の気象状態を予測する数値予測モデルを
用いた場合、予測値の空間の解像度が１０ｋｍ以上と粗
く、長時間先の局地予測を行うには不適切であるという
問題がある。
【０００７】また、数値予測モデルによる予測結果であ
る大気状態の予測値を実際の地上観測値と比較すると、
地形の影響などのために一致しないという問題がある。
これは、数値予測モデル自体において、地上が境界面と
なっているため、数値的に予測することが困難であると
いうモデルの特性にも起因している。この他、数値予測
モデルの予測結果に基づき、カルマンフィルタ、重回帰
モデルなどの線形モデルを用いて地上・上空の観測値に
変換する方法が用いられている。しかしながら、これら
のモデルを用いて、地上・上空の観測値を予測するだけ
では、実際に観測される地上・上空観測値などと比較し
て予測精度が不十分であり、予測値として利用できない
という問題がある。
る大気状態の予測値を実際の地上観測値と比較すると、
地形の影響などのために一致しないという問題がある。
これは、数値予測モデル自体において、地上が境界面と
なっているため、数値的に予測することが困難であると
いうモデルの特性にも起因している。この他、数値予測
モデルの予測結果に基づき、カルマンフィルタ、重回帰
モデルなどの線形モデルを用いて地上・上空の観測値に
変換する方法が用いられている。しかしながら、これら
のモデルを用いて、地上・上空の観測値を予測するだけ
では、実際に観測される地上・上空観測値などと比較し
て予測精度が不十分であり、予測値として利用できない
という問題がある。
【０００８】また、季節変動などによるモデル再構築時
では、モデル構造を決定する必要があるが、学習させる
データの期間の指定、データの特性解析など、人間が介
在しなくては、モデル構造の決定ができないという問題
がある。
では、モデル構造を決定する必要があるが、学習させる
データの期間の指定、データの特性解析など、人間が介
在しなくては、モデル構造の決定ができないという問題
がある。
【０００９】また、数値予測モデルだけでは予測不可能
な商品売上個数、来客数などの気象要素以外の要素は人
間の経験則などの知識がなければ予測ができないという
問題がある。
な商品売上個数、来客数などの気象要素以外の要素は人
間の経験則などの知識がなければ予測ができないという
問題がある。
【００１０】一方、ニューラルネットのみを用いた気象
翻訳手法として、特願平９−４９８８４等があげられる
が、これらは、いずれもニューラルネットモデルへの入
出力データとして気象観測データを与えて学習させるも
のであり、こうした形態のモデル化では、１〜２日先ま
での長時間予測を行うことは困難である。
翻訳手法として、特願平９−４９８８４等があげられる
が、これらは、いずれもニューラルネットモデルへの入
出力データとして気象観測データを与えて学習させるも
のであり、こうした形態のモデル化では、１〜２日先ま
での長時間予測を行うことは困難である。
【００１１】また、特願平９−４９８８４では、学習に
何万回もの学習反復を必要としており、現実的な時間モ
デルを学習できないという問題がある。学習の遅さに起
因する欠点は、次の問題も引き起こす。上記のようなモ
デル構造の決定においては、多数の学習条件（モデル構
造）に対して、学習・テストを繰り返すため、学習に多
くの時間がかかると、モデルの構造決定は、実用的な時
間で実行できないという問題が生じる。
何万回もの学習反復を必要としており、現実的な時間モ
デルを学習できないという問題がある。学習の遅さに起
因する欠点は、次の問題も引き起こす。上記のようなモ
デル構造の決定においては、多数の学習条件（モデル構
造）に対して、学習・テストを繰り返すため、学習に多
くの時間がかかると、モデルの構造決定は、実用的な時
間で実行できないという問題が生じる。
【００１２】本発明は、上記の点に鑑みなされたもの
で、季節毎のデータの変動を考慮してモデル構造を自動
的に再決定し直す機構を持ち、高速学習法を用いること
により、気象翻訳の運用と並行してモデルの構造決定も
実行可能な機構を持つ、ニューラルネットワークを用い
た長時間先の局地の気象要素、または、気象要素以外の
要素を高精度に予測することが可能な気象翻訳・予測方
法及び気象翻訳・予測プログラムを格納した記憶媒体を
提供することを目的とする。
で、季節毎のデータの変動を考慮してモデル構造を自動
的に再決定し直す機構を持ち、高速学習法を用いること
により、気象翻訳の運用と並行してモデルの構造決定も
実行可能な機構を持つ、ニューラルネットワークを用い
た長時間先の局地の気象要素、または、気象要素以外の
要素を高精度に予測することが可能な気象翻訳・予測方
法及び気象翻訳・予測プログラムを格納した記憶媒体を
提供することを目的とする。
【００１３】
【課題を解決するための手段】図１は、本発明の原理を
説明するための図である。
説明するための図である。
【００１４】本発明（請求項１）は、長時間先における
３次元大気中の気象要素を予測する数値予測モデルを用
いて予測された予測値から、気象要素、または、気象要
素以外の要素に翻訳する気象翻訳・予測方法において、
神経回路網モデルの入出力データとして与える数値予測
モデルによる１つ以上の予測値、及び、地上・上空観測
値を含む気象要素、または、気象要素以外の要素に関す
るデータを、時間的に連続な複数個の値を１つの構造体
として保存し、ある一定期間のデータを連続して読み出
せるようにするステップ（ステップ１）と、構造体から
読み出した入出力データ及び、部品としての神経回路網
モデルを学習装置に与えて、該入出力データ間の関係を
学習して学習結果を出力するステップ（ステップ２）
と、学習結果及び、任意の日時における数値予測モデル
により予測された予測値を翻訳装置に与えて、気象要
素、または、気象要素以外の要素に翻訳するステップ
（ステップ３）とからなる。
３次元大気中の気象要素を予測する数値予測モデルを用
いて予測された予測値から、気象要素、または、気象要
素以外の要素に翻訳する気象翻訳・予測方法において、
神経回路網モデルの入出力データとして与える数値予測
モデルによる１つ以上の予測値、及び、地上・上空観測
値を含む気象要素、または、気象要素以外の要素に関す
るデータを、時間的に連続な複数個の値を１つの構造体
として保存し、ある一定期間のデータを連続して読み出
せるようにするステップ（ステップ１）と、構造体から
読み出した入出力データ及び、部品としての神経回路網
モデルを学習装置に与えて、該入出力データ間の関係を
学習して学習結果を出力するステップ（ステップ２）
と、学習結果及び、任意の日時における数値予測モデル
により予測された予測値を翻訳装置に与えて、気象要
素、または、気象要素以外の要素に翻訳するステップ
（ステップ３）とからなる。
【００１５】本発明（請求項２）は、長時間先における
３次元大気中の気象要素を予測する数値予測モデルを用
いて予測された予測値から、気象要素、または、気象要
素以外の要素に翻訳する気象翻訳・予測方法において、
神経回路網モデルの入出力データとして与える数値予測
モデルによる１つ以上の予測値、及び、地上・上空観測
値を含む気象要素、または、気象要素以外の要素に関す
るデータを、時間的に連続な複数個の値を１つの構造体
として保存し、ある一定期間のデータを連続して読み出
せるようにするステップと、構造体から読み出した入出
力データ及び、部品としての神経回路網モデルを学習装
置に与えて、該入出力データ間の関係を学習して学習結
果を出力するステップと、学習結果を遠隔地に伝送する
ステップと、伝送された学習結果及び、任意の日時にお
ける数値予測モデルにより予測された予測値を翻訳装置
に与えて、気象要素、または、気象要素以外の要素に翻
訳するステップとからなる。
３次元大気中の気象要素を予測する数値予測モデルを用
いて予測された予測値から、気象要素、または、気象要
素以外の要素に翻訳する気象翻訳・予測方法において、
神経回路網モデルの入出力データとして与える数値予測
モデルによる１つ以上の予測値、及び、地上・上空観測
値を含む気象要素、または、気象要素以外の要素に関す
るデータを、時間的に連続な複数個の値を１つの構造体
として保存し、ある一定期間のデータを連続して読み出
せるようにするステップと、構造体から読み出した入出
力データ及び、部品としての神経回路網モデルを学習装
置に与えて、該入出力データ間の関係を学習して学習結
果を出力するステップと、学習結果を遠隔地に伝送する
ステップと、伝送された学習結果及び、任意の日時にお
ける数値予測モデルにより予測された予測値を翻訳装置
に与えて、気象要素、または、気象要素以外の要素に翻
訳するステップとからなる。
【００１６】本発明（請求項３）は、学習後の神経回路
網モデルを規定する特徴量を保存するステップと、保存
した情報を再度読み出して再学習及び再翻訳を実行する
ステップとを更に有する。
網モデルを規定する特徴量を保存するステップと、保存
した情報を再度読み出して再学習及び再翻訳を実行する
ステップとを更に有する。
【００１７】本発明（請求項４）は、部品としての神経
回路網モデルと高速学習アルゴリズムを学習装置に与え
るステップを更に有する。
回路網モデルと高速学習アルゴリズムを学習装置に与え
るステップを更に有する。
【００１８】本発明（請求項５）は、学習時の収束の速
さに影響を与える学習パラメータ及び、学習データの範
囲、再学習の頻度、汎化係数等の学習時に与える調整変
数を学習アルゴリズム変数設定装置に与えて、該調整変
数を設定・変更するステップを更に有する。
さに影響を与える学習パラメータ及び、学習データの範
囲、再学習の頻度、汎化係数等の学習時に与える調整変
数を学習アルゴリズム変数設定装置に与えて、該調整変
数を設定・変更するステップを更に有する。
【００１９】本発明（請求項６）は、神経回路網モデル
を構造決定装置に与えて、モデル構造を決定させるステ
ップと、モデル構造の再構造化の実行頻度を構造決定装
置に与えて、モデル構造の変数を設定・変更させるステ
ップとを更に有する。
を構造決定装置に与えて、モデル構造を決定させるステ
ップと、モデル構造の再構造化の実行頻度を構造決定装
置に与えて、モデル構造の変数を設定・変更させるステ
ップとを更に有する。
【００２０】本発明（請求項７）は、長時間先における
３次元大気中の気象要素を予測する数値予測モデルを用
いて予測された予測値から、気象要素、または、気象要
素以外の要素に翻訳する気象翻訳・予測プログラムを格
納した記憶媒体であって、神経回路網モデルの入出力デ
ータとして与える数値予測モデルによる１つ以上の予測
値、及び、地上・上空観測値を含む気象要素、または、
気象要素以外の要素に関するデータを、時間的に連続な
複数個の値を１つの構造体として保存し、ある一定期間
のデータを連続して読み出せるようにするプロセスと、
構造体から読み出した入出力データ及び、部品としての
神経回路網モデルを学習装置に与えて、該入出力データ
間の関係を学習して学習結果を出力するプロセスと、学
習結果及び、任意の日時における数値予測モデルにより
予測された予測値を翻訳装置に与えて、気象要素、また
は、気象要素以外の要素に翻訳するプロセスとからな
る。
３次元大気中の気象要素を予測する数値予測モデルを用
いて予測された予測値から、気象要素、または、気象要
素以外の要素に翻訳する気象翻訳・予測プログラムを格
納した記憶媒体であって、神経回路網モデルの入出力デ
ータとして与える数値予測モデルによる１つ以上の予測
値、及び、地上・上空観測値を含む気象要素、または、
気象要素以外の要素に関するデータを、時間的に連続な
複数個の値を１つの構造体として保存し、ある一定期間
のデータを連続して読み出せるようにするプロセスと、
構造体から読み出した入出力データ及び、部品としての
神経回路網モデルを学習装置に与えて、該入出力データ
間の関係を学習して学習結果を出力するプロセスと、学
習結果及び、任意の日時における数値予測モデルにより
予測された予測値を翻訳装置に与えて、気象要素、また
は、気象要素以外の要素に翻訳するプロセスとからな
る。
【００２１】本発明（請求項８）は、長時間先における
３次元大気中の気象要素を予測する数値予測モデルを用
いて予測された予測値から、気象要素、または、気象要
素以外の要素に翻訳するための学習装置に搭載される気
象翻訳・予測プログラムを格納した記憶媒体であって、
神経回路網モデルの入出力データとして与える数値予測
モデルによる１つ以上の予測値、及び、地上・上空観測
値を含む気象要素、または、気象要素以外の要素に関す
るデータを、時間的に連続な複数個の値を１つの構造体
として保存し、ある一定期間のデータを連続して読み出
せるようにするプロセスと、構造体から読み出した入出
力データ及び、部品としての神経回路網モデルを学習装
置に与えて、該入出力データ間の関係を学習して学習結
果を出力するプロセスと、学習結果を遠隔地に伝送する
プロセスとを有する。
３次元大気中の気象要素を予測する数値予測モデルを用
いて予測された予測値から、気象要素、または、気象要
素以外の要素に翻訳するための学習装置に搭載される気
象翻訳・予測プログラムを格納した記憶媒体であって、
神経回路網モデルの入出力データとして与える数値予測
モデルによる１つ以上の予測値、及び、地上・上空観測
値を含む気象要素、または、気象要素以外の要素に関す
るデータを、時間的に連続な複数個の値を１つの構造体
として保存し、ある一定期間のデータを連続して読み出
せるようにするプロセスと、構造体から読み出した入出
力データ及び、部品としての神経回路網モデルを学習装
置に与えて、該入出力データ間の関係を学習して学習結
果を出力するプロセスと、学習結果を遠隔地に伝送する
プロセスとを有する。
【００２２】本発明（請求項９）は、長時間先における
３次元大気中の気象要素を予測する数値予測モデルを用
いて予測された予測値から、気象要素、または、気象要
素以外の要素に翻訳するための翻訳装置に搭載される気
象翻訳・予測プログラムを格納した記憶媒体であって、
学習装置から伝送された学習結果及び、任意の日時にお
ける数値予測モデルにより予測された予測値を翻訳装置
に与えて、気象要素、または、気象要素以外の要素に翻
訳するプロセスを有する。
３次元大気中の気象要素を予測する数値予測モデルを用
いて予測された予測値から、気象要素、または、気象要
素以外の要素に翻訳するための翻訳装置に搭載される気
象翻訳・予測プログラムを格納した記憶媒体であって、
学習装置から伝送された学習結果及び、任意の日時にお
ける数値予測モデルにより予測された予測値を翻訳装置
に与えて、気象要素、または、気象要素以外の要素に翻
訳するプロセスを有する。
【００２３】本発明（請求項１０）は、学習後の神経回
路網モデルを規定する特徴量を保存するプロセスと、保
存した情報を再度読み出して再学習及び再翻訳を実行す
るプロセスとを更に有する。
路網モデルを規定する特徴量を保存するプロセスと、保
存した情報を再度読み出して再学習及び再翻訳を実行す
るプロセスとを更に有する。
【００２４】本発明（請求項１１）は、部品としての神
経回路網モデルと高速学習アルゴリズムを学習装置に与
えるプロセスを更に有する。
経回路網モデルと高速学習アルゴリズムを学習装置に与
えるプロセスを更に有する。
【００２５】本発明（請求項１２）は、学習時の収束の
速さに影響を与える学習パラメータ及び、学習データの
範囲、再学習の頻度、汎化係数等の学習時に与える調整
変数を学習アルゴリズム変数設定装置に与えて、該調整
変数を設定・変更するプロセスを更に有する。
速さに影響を与える学習パラメータ及び、学習データの
範囲、再学習の頻度、汎化係数等の学習時に与える調整
変数を学習アルゴリズム変数設定装置に与えて、該調整
変数を設定・変更するプロセスを更に有する。
【００２６】本発明（請求項１３）は、神経回路網モデ
ルを構造決定装置に与えて、モデル構造を決定させるプ
ロセスと、モデル構造の再構造化の実行頻度を構造決定
装置に与えて、モデル構造の変数を設定・変更させるプ
ロセスとを更に有する。上記のように、本発明では、数
値モデルによる大気の状態を示す特徴量の予測値から、
神経回路網を用いて気象要素や経済活動等の気象要素以
外の要素を予測したり、そのための係数を実測値から学
習する。このとき、季節毎のデータの変動を考慮して予
測誤差が最小となる神経回路網モデル構造を自動的に再
決定し、高速学習アルゴリズムを用いることにより、実
用的な時間でモデルの構造決定を実行できるようにし、
数値予測モデルの予測値と地上・上空などの観測値との
関係をニューラルネットに学習させ、その学習後のモデ
ルを用いて長時間先の局地の気象要素、または、気象要
素以外の要素を高精度に予測することが可能となる。
ルを構造決定装置に与えて、モデル構造を決定させるプ
ロセスと、モデル構造の再構造化の実行頻度を構造決定
装置に与えて、モデル構造の変数を設定・変更させるプ
ロセスとを更に有する。上記のように、本発明では、数
値モデルによる大気の状態を示す特徴量の予測値から、
神経回路網を用いて気象要素や経済活動等の気象要素以
外の要素を予測したり、そのための係数を実測値から学
習する。このとき、季節毎のデータの変動を考慮して予
測誤差が最小となる神経回路網モデル構造を自動的に再
決定し、高速学習アルゴリズムを用いることにより、実
用的な時間でモデルの構造決定を実行できるようにし、
数値予測モデルの予測値と地上・上空などの観測値との
関係をニューラルネットに学習させ、その学習後のモデ
ルを用いて長時間先の局地の気象要素、または、気象要
素以外の要素を高精度に予測することが可能となる。
【００２７】また、学習時、及び翻訳時に用いられる、
断片的に配信される入力データを時系列方向の連続値と
して扱えるように構造体化したサーキュラーファイルに
より、時系列方向の連続性のチェック、入力データの配
信などの障害の検出が可能となる。
断片的に配信される入力データを時系列方向の連続値と
して扱えるように構造体化したサーキュラーファイルに
より、時系列方向の連続性のチェック、入力データの配
信などの障害の検出が可能となる。
【００２８】また、サーキュラーファイルを導入し、シ
ステム全体の動作をサーキュラーファイルに格納された
時系列情報に基づいて実行することにより、計算機本体
の時計などに依存することなく、通信障害などによるデ
ータの欠落、システムダウンなどの障害発生時、及び復
旧時にも確実に動作するシステムを構築することが可能
となる。
ステム全体の動作をサーキュラーファイルに格納された
時系列情報に基づいて実行することにより、計算機本体
の時計などに依存することなく、通信障害などによるデ
ータの欠落、システムダウンなどの障害発生時、及び復
旧時にも確実に動作するシステムを構築することが可能
となる。
【００２９】また、本発明は、学習装置と翻訳装置に分
けて遠隔地に設置し、当該学習装置での学習結果を翻訳
装置に伝送することにより、別々に実行することも可能
である。
けて遠隔地に設置し、当該学習装置での学習結果を翻訳
装置に伝送することにより、別々に実行することも可能
である。
【００３０】
【発明の実施の形態】本発明は、長時間先の局地気象情
報を予測するために、数値予測モデルの長時間先を予測
する特徴量を活かしつつ、地上観測値などへの翻訳を精
度よく実行するために、カルマンフィルタ、重回帰モデ
ルなどの線形を用いるだけでは、地上・上空観測値の予
測精度が不十分という問題に対しては、非線形モデルで
ある神経回路網モデルを用いて、入力値として数値予測
モデルの予測値を、出力値として地上・上空の観測値、
または、気象要素以外の要素を与えてこれらの関係を学
習させ、学習後の神経回路網モデルに対して、最新の数
値予測モデルによる予測結果を与えることにより、対応
した地上・上空の予測値、または、気象要素以外の要素
の予測量を得る。
報を予測するために、数値予測モデルの長時間先を予測
する特徴量を活かしつつ、地上観測値などへの翻訳を精
度よく実行するために、カルマンフィルタ、重回帰モデ
ルなどの線形を用いるだけでは、地上・上空観測値の予
測精度が不十分という問題に対しては、非線形モデルで
ある神経回路網モデルを用いて、入力値として数値予測
モデルの予測値を、出力値として地上・上空の観測値、
または、気象要素以外の要素を与えてこれらの関係を学
習させ、学習後の神経回路網モデルに対して、最新の数
値予測モデルによる予測結果を与えることにより、対応
した地上・上空の予測値、または、気象要素以外の要素
の予測量を得る。
【００３１】また、季節変動などによるモデル構造を決
定するという問題に対しては、ある一定期間（季節毎）
におけるデータを学習データセットとテストデータセッ
トに分けておく。ある一定期間（季節毎）におけるデー
タについて、ニューラルネットモデルの入出力データと
なる要素間で相関値を計算する。そして、相関値の大き
な要素順に入力要素として取り扱う。
定するという問題に対しては、ある一定期間（季節毎）
におけるデータを学習データセットとテストデータセッ
トに分けておく。ある一定期間（季節毎）におけるデー
タについて、ニューラルネットモデルの入出力データと
なる要素間で相関値を計算する。そして、相関値の大き
な要素順に入力要素として取り扱う。
【００３２】モデル構築をする際、入力要素数、即ち、
入力ユニット数、及び、中間ユニット数を様々に変化さ
せた複数の学習条件を生成し、各学習条件に基づいて設
定された神経回路網モデルに対して学習データセットを
与えて学習し、学習後の神経回路網モデルに対してテス
トデータセットを与えてモデル出力を計算する。このテ
ストデータに対するモデル出力と、実際の観測値、また
は、気象要素以外の要素の実測値などの誤差（テスト誤
差）を評価し、テスト誤差が最小となるモデルを最良の
モデルとして選択する。この方法により、翻訳誤差が最
小となるような神経回路網モデルの入力・中間ユニット
数を決定する。
入力ユニット数、及び、中間ユニット数を様々に変化さ
せた複数の学習条件を生成し、各学習条件に基づいて設
定された神経回路網モデルに対して学習データセットを
与えて学習し、学習後の神経回路網モデルに対してテス
トデータセットを与えてモデル出力を計算する。このテ
ストデータに対するモデル出力と、実際の観測値、また
は、気象要素以外の要素の実測値などの誤差（テスト誤
差）を評価し、テスト誤差が最小となるモデルを最良の
モデルとして選択する。この方法により、翻訳誤差が最
小となるような神経回路網モデルの入力・中間ユニット
数を決定する。
【００３３】さらに、ニューラルネットモデルの入出力
データの相関値に基づき学習条件を生成し、学習・テス
トを繰り返すことによりモデル構造を決定する過程にお
いて、非常に多くの学習条件に対して学習を事項する必
要があるため、モデルの学習に多くの時間（数万回の学
習反復回数）がかかると現実的な時間でモデル構造を決
定できないという問題に対しては、高速学習アルゴリズ
ムを導入することにより解決することが可能となる。そ
こで、高速学習アルゴリズムの一種である、学習時の重
みの信号を抑制することにより学習を加速化する逐次型
高速学習法（特願平６−２１０２０３）を導入し、学習
・構造決定に要する時間を短縮する。
データの相関値に基づき学習条件を生成し、学習・テス
トを繰り返すことによりモデル構造を決定する過程にお
いて、非常に多くの学習条件に対して学習を事項する必
要があるため、モデルの学習に多くの時間（数万回の学
習反復回数）がかかると現実的な時間でモデル構造を決
定できないという問題に対しては、高速学習アルゴリズ
ムを導入することにより解決することが可能となる。そ
こで、高速学習アルゴリズムの一種である、学習時の重
みの信号を抑制することにより学習を加速化する逐次型
高速学習法（特願平６−２１０２０３）を導入し、学習
・構造決定に要する時間を短縮する。
【００３４】
【実施例】以下、図面と共に本発明の実施例を説明す
る。
る。
【００３５】初めに、本発明に適用する神経回路網モデ
ル・高速学習法の一例を挙げ、説明する。
ル・高速学習法の一例を挙げ、説明する。
【００３６】ここでは、階層型神経回路網モデル、高速
学習法の典型例を用いるが、回帰結合をもつ神経回路網
モデルなど、他の形式のモデル、または、他の高速学習
法にも適用できる。
学習法の典型例を用いるが、回帰結合をもつ神経回路網
モデルなど、他の形式のモデル、または、他の高速学習
法にも適用できる。
【００３７】図２は、本発明を適用するネットワークモ
デルの例である。
デルの例である。
【００３８】同図（Ａ）に示す階層型神経回路網モデル
は、入力層１、複数の中間層２、出力層３からなる層状
のネットワークモデルであり、各層は、同図（Ｂ）に示
すように、ユニット４、重み５、バイアス６から構成さ
れる。
は、入力層１、複数の中間層２、出力層３からなる層状
のネットワークモデルであり、各層は、同図（Ｂ）に示
すように、ユニット４、重み５、バイアス６から構成さ
れる。
【００３９】ユニット４は、前層のユニットの出力値
（ｘi （ｉ＝１，２，…，ｌＬ，Ｌ：前層のユニット
数）と重み（ｗi ，ｉ：重みの番号）の積の総和、及
び、バイアス（ｂi ，ｉ：ユニットの番号）を加算した
値を入力値として受け、入力値にある非線形変換（ｆ
（・））を施した値（ｙ）を出力し、この出力値を次層
のユニットへ伝達する構造を持つ。但し、ここでは、入
力層のユニット入出力変換関数は、線形、入力層以外の
層のユニットの非線形変換関数ｆ（・）は、典型例であ
るシグモイド関数を用いるが、モデルに応じて他の変換
関数を用いることも考えられる。上記の非線形変換を施
したｙの値は以下の式により表される。
（ｘi （ｉ＝１，２，…，ｌＬ，Ｌ：前層のユニット
数）と重み（ｗi ，ｉ：重みの番号）の積の総和、及
び、バイアス（ｂi ，ｉ：ユニットの番号）を加算した
値を入力値として受け、入力値にある非線形変換（ｆ
（・））を施した値（ｙ）を出力し、この出力値を次層
のユニットへ伝達する構造を持つ。但し、ここでは、入
力層のユニット入出力変換関数は、線形、入力層以外の
層のユニットの非線形変換関数ｆ（・）は、典型例であ
るシグモイド関数を用いるが、モデルに応じて他の変換
関数を用いることも考えられる。上記の非線形変換を施
したｙの値は以下の式により表される。
【００４０】
【数１】 今、神経回路モデル上にＮ個の重みｗ＝（ｗ1 ，ｗ2 ，
…ｗN ）があり、ある評価基準を最小化するような重み
の値を推定するための重みの更新則を考える。ここで
は、評価基準の典型例として神経回路網モデルの出力値
（Ｏ，（ｊ＝１，２，…，Ｍ）Ｍ：出力層のユニットの
番号）と学習用出力値である出力データ（Ｔj ，（ｊ＝
１，２，…，Ｍ）の残差二乗和（式（２））を用いる。
…ｗN ）があり、ある評価基準を最小化するような重み
の値を推定するための重みの更新則を考える。ここで
は、評価基準の典型例として神経回路網モデルの出力値
（Ｏ，（ｊ＝１，２，…，Ｍ）Ｍ：出力層のユニットの
番号）と学習用出力値である出力データ（Ｔj ，（ｊ＝
１，２，…，Ｍ）の残差二乗和（式（２））を用いる。
【００４１】
【数２】 神経回路網モデルの学習法として、更新則に慣性項を付
加し、更に、重みの振動を完全に抑制するために補正項
を付加した学習方法が提案されている（落合，他，「電
気学会論文誌Ｃ，Vol.113-C, No.12,pp.1154-1162,199
3) 。この学習法を以下に示す。但し、ｋ反復目の重
み、勾配（評価関数の一次偏微分）、学習率、平滑化微
係数、学習率の増加率、減少率を、ｗk ，ｇk ，ηk ＝
（η0 ，η1 ，…，ηN ），θ，κ，φとし、過去の反
復点での勾配を考慮した平滑化微分を、δ、慣性率をα
とする。
加し、更に、重みの振動を完全に抑制するために補正項
を付加した学習方法が提案されている（落合，他，「電
気学会論文誌Ｃ，Vol.113-C, No.12,pp.1154-1162,199
3) 。この学習法を以下に示す。但し、ｋ反復目の重
み、勾配（評価関数の一次偏微分）、学習率、平滑化微
係数、学習率の増加率、減少率を、ｗk ，ｇk ，ηk ＝
（η0 ，η1 ，…，ηN ），θ，κ，φとし、過去の反
復点での勾配を考慮した平滑化微分を、δ、慣性率をα
とする。
【００４２】重みの更新則：
【００４３】
【数３】 学習率の更新則：
【００４４】
【数４】 上記の学習法を発展させた学習法として、逐次型高速学
習法（特願平６−２１０２０３）が挙げられる。
習法（特願平６−２１０２０３）が挙げられる。
【００４５】上記の階層型神経回路網モデル、及びその
学習法を用いて、本発明を実現した装置の例を説明す
る。
学習法を用いて、本発明を実現した装置の例を説明す
る。
【００４６】図３は、本発明の一実施例の気象翻訳装置
の構成を示す。
の構成を示す。
【００４７】同図に示す気象翻訳装置は、データファイ
ル監視装置８、データ前処理装置９、パラメータ設定装
置１１、学習装置用サーキュラーファイル監視装置１
３、学習装置１４、翻訳装置用サーキュラーファイル監
視装置１６、翻訳装置１７、数値予測結果観測値などの
データファイル７、入出力データのサーキュラーファイ
ル１０、学習条件設定ファイル１２、学習条件・学習後
の重みファイル１５、予測結果ファイル１８から構成さ
れる。
ル監視装置８、データ前処理装置９、パラメータ設定装
置１１、学習装置用サーキュラーファイル監視装置１
３、学習装置１４、翻訳装置用サーキュラーファイル監
視装置１６、翻訳装置１７、数値予測結果観測値などの
データファイル７、入出力データのサーキュラーファイ
ル１０、学習条件設定ファイル１２、学習条件・学習後
の重みファイル１５、予測結果ファイル１８から構成さ
れる。
【００４８】データファイル監視装置８は、データファ
イル７からデータを取得し、データファイル７を監視
し、データファイル７の数値予測モデルによる予測結
果、または、ニューラルネットの出力値（観測値、また
は、気象要素以外の実測値）が更新されたかを監視す
る。更新されたことを検出した場合には、データ前処理
装置９にデータの前処理の実行を指示する。
イル７からデータを取得し、データファイル７を監視
し、データファイル７の数値予測モデルによる予測結
果、または、ニューラルネットの出力値（観測値、また
は、気象要素以外の実測値）が更新されたかを監視す
る。更新されたことを検出した場合には、データ前処理
装置９にデータの前処理の実行を指示する。
【００４９】データ前処理装置９は、データファイル監
視装置８からの指示により、データファイル７から取得
された入力データを時系列方向に補間するなど前処理を
行い、入出力データのサーキュラーファイル１０に格納
する。
視装置８からの指示により、データファイル７から取得
された入力データを時系列方向に補間するなど前処理を
行い、入出力データのサーキュラーファイル１０に格納
する。
【００５０】学習装置１４用のサーキュラーファイル監
視装置１３及び、翻訳装置１７用のサーキュラーファイ
ル監視装置１６は、サーキュラーファイル１０のデータ
が更新されたかを監視し、更新を検出した場合には、そ
れぞれ、学習装置１４及び翻訳装置１７を起動させる。
視装置１３及び、翻訳装置１７用のサーキュラーファイ
ル監視装置１６は、サーキュラーファイル１０のデータ
が更新されたかを監視し、更新を検出した場合には、そ
れぞれ、学習装置１４及び翻訳装置１７を起動させる。
【００５１】学習装置１４は、サーキュラー監視装置１
３から起動されると、学習条件設定ファイル１２及びサ
ーキュラーファイル１０のデータを用いて学習を行い、
学習の重みを学習条件・学習後の重みファイル１５に出
力する。
３から起動されると、学習条件設定ファイル１２及びサ
ーキュラーファイル１０のデータを用いて学習を行い、
学習の重みを学習条件・学習後の重みファイル１５に出
力する。
【００５２】翻訳装置１７は、学習条件・学習後の重み
ファイル１５及び、構造決定装置１９により決定された
構造、及びサーキュラーファイル１０のデータを用い
て、地上・上空の観測値、または、気象要素以外の要素
への翻訳を行い、予測結果ファイルに出力する。
ファイル１５及び、構造決定装置１９により決定された
構造、及びサーキュラーファイル１０のデータを用い
て、地上・上空の観測値、または、気象要素以外の要素
への翻訳を行い、予測結果ファイルに出力する。
【００５３】パラメータ設定装置１１は、学習条件を生
成するために必要な構造決定エンジン起動間隔、入力因
子数、中間ユニット数、学習パラメータ、学習データセ
ット数、学習・予測エンジン起動間隔等のパラメータを
設定する。
成するために必要な構造決定エンジン起動間隔、入力因
子数、中間ユニット数、学習パラメータ、学習データセ
ット数、学習・予測エンジン起動間隔等のパラメータを
設定する。
【００５４】サーキュラーファイル１０は、最新の情報
が書き込まれている場所を示すポインタ情報、データを
作成した時刻、データの内容（予測値：入力値、観測
値：出力値など）等から構成され、データ前処理装置９
で入力データを時系列方向に補間するなどの前処理が施
された後の内容を保存する。これにより学習装置１４
は、学習時には、ポインタ情報で示されたレコードか
ら、時系列を逆順に辿ることにより、学習データを連続
的に取得できるようになる。時系列情報の学習では、こ
の連続性を持たせた学習データ作成に手間を要するた
め、サーキュラーファイル１０を用いることにより、学
習データの作成の手間を低減している。
が書き込まれている場所を示すポインタ情報、データを
作成した時刻、データの内容（予測値：入力値、観測
値：出力値など）等から構成され、データ前処理装置９
で入力データを時系列方向に補間するなどの前処理が施
された後の内容を保存する。これにより学習装置１４
は、学習時には、ポインタ情報で示されたレコードか
ら、時系列を逆順に辿ることにより、学習データを連続
的に取得できるようになる。時系列情報の学習では、こ
の連続性を持たせた学習データ作成に手間を要するた
め、サーキュラーファイル１０を用いることにより、学
習データの作成の手間を低減している。
【００５５】構造決定装置１９は、パラメータ設定装置
１１において設定されたパラメータに基づいて、季節変
動を考慮した神経回路網モデル構造を決定する。
１１において設定されたパラメータに基づいて、季節変
動を考慮した神経回路網モデル構造を決定する。
【００５６】神経回路網モデル構造の決定方法として以
下のような方法がある。
下のような方法がある。
【００５７】（１） 入力値と出力値の相関値から、有
効な入力要素を求める。
効な入力要素を求める。
【００５８】予め、過去のデータを用いて入力値（ｘ
ｉ，ｉ＝１，…，ｎ，ｎはデータの個数）と出力値（ｙ
ｉ，ｉ＝１，…，ｎ、ｎはデータの個数）の相関値を次
式により求める。
ｉ，ｉ＝１，…，ｎ，ｎはデータの個数）と出力値（ｙ
ｉ，ｉ＝１，…，ｎ、ｎはデータの個数）の相関値を次
式により求める。
【００５９】まず、平均値 ｕｘ＝（ｓｕｍ ｘｉ）／ｎ， ｕｙ＝（ｓｕｍ ｙ
ｉ）／ｎ を求め、次に、相関値
ｉ）／ｎ を求め、次に、相関値
【００６０】
【数５】 を計算する。そして、この相関値が大きい入力要素から
神経回路網モデルへの有効な入力値として、次の構造決
定処理で取り扱う。
神経回路網モデルへの有効な入力値として、次の構造決
定処理で取り扱う。
【００６１】（２）モデル構造、汎化係数等の決定： ・神経回路網モデル構造を表す入力ユニット数、中間層
数、各中間ユニット数； ・学習時に用いる汎化係数、学習係数；などの学習条件
を変更した複数の学習条件を用意し、各々の学習条件に
対して同一の学習データを与えて学習し、学習後の各神
経回路網モデルに対して同一の学習データを与えてモデ
ル出力を求める。そして、テストデータに対するモデル
出力と、真の出力値（地上観測値、経済要素値など）と
の誤差（モデル誤差）が最小となるモデル構造、汎化係
数等を決定する。
数、各中間ユニット数； ・学習時に用いる汎化係数、学習係数；などの学習条件
を変更した複数の学習条件を用意し、各々の学習条件に
対して同一の学習データを与えて学習し、学習後の各神
経回路網モデルに対して同一の学習データを与えてモデ
ル出力を求める。そして、テストデータに対するモデル
出力と、真の出力値（地上観測値、経済要素値など）と
の誤差（モデル誤差）が最小となるモデル構造、汎化係
数等を決定する。
【００６２】次に、上記の構成における動作を説明す
る。
る。
【００６３】図４は、本発明の一実施例の気象予測処理
のフローチャートである。
のフローチャートである。
【００６４】ステップ１０１） 予め、パラメータ設定
装置１１において、学習条件を生成するために必要な、
入力・中間ユニット数を振る範囲、学習データセット数
などのパラメータを設定し、構造決定装置１９におい
て、前述の方法により当該パラメータを用いて、季節毎
のデータの変動を考慮して予測誤差が最小となるモデル
構造を決定し、これらを、学習条件として学習条件ファ
イル１２に設定する。
装置１１において、学習条件を生成するために必要な、
入力・中間ユニット数を振る範囲、学習データセット数
などのパラメータを設定し、構造決定装置１９におい
て、前述の方法により当該パラメータを用いて、季節毎
のデータの変動を考慮して予測誤差が最小となるモデル
構造を決定し、これらを、学習条件として学習条件ファ
イル１２に設定する。
【００６５】ステップ１０２） データファイル監視装
置８は、数値予測結果・観測値などのデータファイル７
から数値予測モデルによる予測結果、及び、ニューラル
ネットの出力値として学習させるデータを取得する。
置８は、数値予測結果・観測値などのデータファイル７
から数値予測モデルによる予測結果、及び、ニューラル
ネットの出力値として学習させるデータを取得する。
【００６６】ステップ１０３） データファイル監視装
置８は、取得したデータから数値予測モデルによる予測
結果、または、ニューラルネットの出力値（観測値、ま
たは、気象要素以外の実測値）が更新されたことを検出
する。
置８は、取得したデータから数値予測モデルによる予測
結果、または、ニューラルネットの出力値（観測値、ま
たは、気象要素以外の実測値）が更新されたことを検出
する。
【００６７】ステップ１０４） データファイル監視装
置８は、データ前処理装置９を起動して、データの前処
理を実行する。
置８は、データ前処理装置９を起動して、データの前処
理を実行する。
【００６８】ステップ１０５） データ前処理装置９
は、前処理を行ったデータをサーキュラーファイル１０
に格納する。
は、前処理を行ったデータをサーキュラーファイル１０
に格納する。
【００６９】ステップ１０６） 学習装置用のサーキュ
ラーファイル監視装置１３は、サーキュラーファイル１
０が更新されたことを検出する。
ラーファイル監視装置１３は、サーキュラーファイル１
０が更新されたことを検出する。
【００７０】ステップ１０７） 学習装置１４は、サー
キュラー監視装置１３により起動されると、神経回路網
モデルや学習条件が設定された学習条件設定ファイル１
２の内容及び、サーキュラーファイル１０のデータを用
いて、前述の高速学習法により、ニューラルネットの学
習を行い、学習後の重みを学習条件・学習後の重みファ
イル１５に出力する。
キュラー監視装置１３により起動されると、神経回路網
モデルや学習条件が設定された学習条件設定ファイル１
２の内容及び、サーキュラーファイル１０のデータを用
いて、前述の高速学習法により、ニューラルネットの学
習を行い、学習後の重みを学習条件・学習後の重みファ
イル１５に出力する。
【００７１】ステップ１０８） 翻訳装置用のサーキュ
ラー監視装置１６がサーキュラーファイルが更新された
ことを検出すると、翻訳装置１７が起動され、翻訳装置
１７は、この学習後の重みファイル１５とサーキュラー
ファイル１０のデータを用いて、地上・上空の観測値、
または、気象要素以外の要素への翻訳を実行する。
ラー監視装置１６がサーキュラーファイルが更新された
ことを検出すると、翻訳装置１７が起動され、翻訳装置
１７は、この学習後の重みファイル１５とサーキュラー
ファイル１０のデータを用いて、地上・上空の観測値、
または、気象要素以外の要素への翻訳を実行する。
【００７２】ステップ１０９） 翻訳された結果を予測
結果として予測結果ファイル１８に出力する。
結果として予測結果ファイル１８に出力する。
【００７３】また、上記の実施例では、図３に示す気象
予測装置の構成に基づいて説明したが、図３に示す構成
要素のうち、図５に示すように、数値予測結果観測値な
どのデータファイル７、データファイル監視装置８、デ
ータ前処理装置９、入出力データのサーキュラーファイ
ル１０、学習条件設定ファイル１２、学習装置用サーキ
ュラーフィル監視装置１３、学習装置１４及び、学習条
件・学習後の重みファイル１５及び、翻訳システムに対
して学習結果を送信するための通信部２１からなる学習
システムとして独立させて構築することも可能であり、
当該気象予測学習装置の学習装置１４で行われた学習結
果を翻訳装置１７で使用する学習条件・学習後の重みフ
ァイル１５に出力し、通信部２１を介して翻訳システム
に送信する。
予測装置の構成に基づいて説明したが、図３に示す構成
要素のうち、図５に示すように、数値予測結果観測値な
どのデータファイル７、データファイル監視装置８、デ
ータ前処理装置９、入出力データのサーキュラーファイ
ル１０、学習条件設定ファイル１２、学習装置用サーキ
ュラーフィル監視装置１３、学習装置１４及び、学習条
件・学習後の重みファイル１５及び、翻訳システムに対
して学習結果を送信するための通信部２１からなる学習
システムとして独立させて構築することも可能であり、
当該気象予測学習装置の学習装置１４で行われた学習結
果を翻訳装置１７で使用する学習条件・学習後の重みフ
ァイル１５に出力し、通信部２１を介して翻訳システム
に送信する。
【００７４】また、翻訳システムは、翻訳装置用サーキ
ュラーファイル監視装置１６、入出力データのサーキュ
ラーファイル１０’、パラメータ設定装置１１、構造決
定装置１９、翻訳装置１７、予測結果ファイル１８及び
学習システムから学習結果を受信するための通信部２２
からなり、当該翻訳システムを学習システムとは独立し
て独立に構築することも可能である。
ュラーファイル監視装置１６、入出力データのサーキュ
ラーファイル１０’、パラメータ設定装置１１、構造決
定装置１９、翻訳装置１７、予測結果ファイル１８及び
学習システムから学習結果を受信するための通信部２２
からなり、当該翻訳システムを学習システムとは独立し
て独立に構築することも可能である。
【００７５】図５に示す構成において、学習システムと
翻訳システムを遠隔地に配置して、通信部を介して学習
結果を伝送することにより、図３と同様の処理が可能で
ある。また、図５のシステム構成では、入出力データの
サーキュラーファイル１０、１０’として個別に各シス
テムに保持する例を示しているが、これらの入出力サー
キュラーファイルを双方のシステムで共有して利用する
ことも可能である。
翻訳システムを遠隔地に配置して、通信部を介して学習
結果を伝送することにより、図３と同様の処理が可能で
ある。また、図５のシステム構成では、入出力データの
サーキュラーファイル１０、１０’として個別に各シス
テムに保持する例を示しているが、これらの入出力サー
キュラーファイルを双方のシステムで共有して利用する
ことも可能である。
【００７６】また、上記の実施例では、図３に示す構成
に基づいて説明したが、図４に示すフローチャートをプ
ログラムとして構築し、気象翻訳・予測装置、気象予測
学習装置として利用されるコンピュータのＣＰＵにより
制御することも勿論可能である。
に基づいて説明したが、図４に示すフローチャートをプ
ログラムとして構築し、気象翻訳・予測装置、気象予測
学習装置として利用されるコンピュータのＣＰＵにより
制御することも勿論可能である。
【００７７】また、図４に示すフローチャートをプログ
ラムとして構築し、気象翻訳装置、として利用されるコ
ンピュータに接続されるディスク装置や、フロッピー
（登録商標）ディスク、ＣＤ−ＲＯＭ等の可搬記憶媒体
に格納しておき、本発明を実施する際にインストールす
ることにより、容易に本発明を実現できる。
ラムとして構築し、気象翻訳装置、として利用されるコ
ンピュータに接続されるディスク装置や、フロッピー
（登録商標）ディスク、ＣＤ−ＲＯＭ等の可搬記憶媒体
に格納しておき、本発明を実施する際にインストールす
ることにより、容易に本発明を実現できる。
【００７８】また、装置の構成と同様に、図４に示すフ
ローチャートのうち、ステップ１０１からステップ１０
７までを気象予測学習プログラムとして構築し、ステッ
プ１０８とステップ１０９を気象翻訳・予測プログラム
として構築することも可能である。
ローチャートのうち、ステップ１０１からステップ１０
７までを気象予測学習プログラムとして構築し、ステッ
プ１０８とステップ１０９を気象翻訳・予測プログラム
として構築することも可能である。
【００７９】なお、本発明は、上記の実施例に限定され
ることなく、特許請求の範囲内において種々変更・応用
が可能である。
ることなく、特許請求の範囲内において種々変更・応用
が可能である。
【００８０】
【発明の効果】上述のように、本発明によれば、季節毎
のデータの変動を考慮して予測誤差が最小となるモデル
構造を自動的に決定することができるようになり、高速
学習法を用いることにより、実用的な時間でモデルの構
造決定が可能となると共に、数値予測モデルの予測値と
地上・上空などの観測値との関係をニューラルネットに
学習させ、その学習後のモデルを用いて長時間先の局地
の気象要素、または、気象要素以外の要素を高精度に予
測することができる。
のデータの変動を考慮して予測誤差が最小となるモデル
構造を自動的に決定することができるようになり、高速
学習法を用いることにより、実用的な時間でモデルの構
造決定が可能となると共に、数値予測モデルの予測値と
地上・上空などの観測値との関係をニューラルネットに
学習させ、その学習後のモデルを用いて長時間先の局地
の気象要素、または、気象要素以外の要素を高精度に予
測することができる。
【００８１】また、本発明によれば、時系列情報として
配信される個々の入力データをサーキュラーファイル
（構造体）として纏めることにより、時系列方向の連続
性のチェック、入力データの配信などの障害の検出を行
うことができう。
配信される個々の入力データをサーキュラーファイル
（構造体）として纏めることにより、時系列方向の連続
性のチェック、入力データの配信などの障害の検出を行
うことができう。
【００８２】また、サーキュラーファイルを導入し、シ
ステム全体の動作をサーキュラーファイルに格納された
時系列情報に基づいて実行することにより、計算機本体
の時計等に依存することなく、通信障害などによるデー
タの欠落、システムダウンなどの障害発生時、及び、復
旧時にも確実に動作するシステムが構築できる。
ステム全体の動作をサーキュラーファイルに格納された
時系列情報に基づいて実行することにより、計算機本体
の時計等に依存することなく、通信障害などによるデー
タの欠落、システムダウンなどの障害発生時、及び、復
旧時にも確実に動作するシステムが構築できる。
【００８３】また、学習時において、時系列情報の学習
では、連続性を持たせた学習データ作成に手間がかかる
が、サーキュラーファイルを用いることにより学習デー
タ作成が容易になり、手間を削減することができる。
では、連続性を持たせた学習データ作成に手間がかかる
が、サーキュラーファイルを用いることにより学習デー
タ作成が容易になり、手間を削減することができる。
【００８４】また、配信障害などで配信されるべきデー
タが予め指定した一定時間を経ても配信されない場合
は、システムの警告を発する、または、自動的にシステ
ムを停止するなどの措置をとる。そして、データの配信
が再開されたら、障害発生期間中に配信されていなかっ
た複数のデータが一度に配信された場合でも、気象翻訳
システムの動作は、サーキュラーファイルの時系列情報
に基づいて実行されるため、計算機の時計を利用した場
合のような不安定な動作（計算機の時計の時刻と配信さ
れるデータの時刻が合致、もしくは、矛盾し、整合性が
なくなり、おかしな動作をしてしまう）がなくなる。
タが予め指定した一定時間を経ても配信されない場合
は、システムの警告を発する、または、自動的にシステ
ムを停止するなどの措置をとる。そして、データの配信
が再開されたら、障害発生期間中に配信されていなかっ
た複数のデータが一度に配信された場合でも、気象翻訳
システムの動作は、サーキュラーファイルの時系列情報
に基づいて実行されるため、計算機の時計を利用した場
合のような不安定な動作（計算機の時計の時刻と配信さ
れるデータの時刻が合致、もしくは、矛盾し、整合性が
なくなり、おかしな動作をしてしまう）がなくなる。
【図１】本発明の原理を説明するための図である。
【図２】本発明を適用するネットワークモデルの例であ
る。
る。
【図３】本発明の一実施例の気象翻訳装置の構成図であ
る。
る。
【図４】本発明の一実施例の気象翻訳処理のフローチャ
ートである。
ートである。
【図５】本発明の他の実施例の気象翻訳システムの構成
図である。
図である。
【符号の説明】 １ 入力層 ２ 中間層 ３ 出力層 ４ ユニット ５ 重み ６ バイアス ７ 数値予測結果・観測値などのデータファイル ８ データファイル監視装置 ９ データ前処理装置 １０ 入出力データのサーキュラーファイル １１ パラメータ設定装置 １２ 学習条件設定ファイル １３ 学習装置用サーキュラーファイル監視装置 １４ 学習装置 １５ 学習条件・学習後の重みファイル １６ 翻訳装置用サーキュラーファイル監視装置 １７ 翻訳装置 １８ 予測結果ファイル
Claims (13)
- 【請求項１】 長時間先における３次元大気中の気象要
素を予測する数値予測モデルを用いて予測された予測値
から、気象要素、または、気象要素以外の要素に翻訳す
る気象翻訳・予測方法において、 神経回路網モデルの入出力データとして与える数値予測
モデルによる１つ以上の予測値、及び、地上・上空観測
値を含む気象要素、または、気象要素以外の要素に関す
るデータを、時間的に連続な複数個の値を１つの構造体
として保存し、ある一定期間のデータを連続して読み出
せるようにするステップと、 前記構造体から読み出した入出力データ及び、部品とし
ての神経回路網モデルを学習装置に与えて、該入出力デ
ータ間の関係を学習して学習結果を出力するステップ
と、 前記学習結果及び、任意の日時における数値予測モデル
により予測された予測値を翻訳装置に与えて、気象要
素、または、気象要素以外の要素に翻訳するステップと
からなることを特徴とする気象翻訳・予測方法。 - 【請求項２】 長時間先における３次元大気中の気象要
素を予測する数値予測モデルを用いて予測された予測値
から、気象要素、または、気象要素以外の要素に翻訳す
る気象翻訳・予測方法において、 神経回路網モデルの入出力データとして与える数値予測
モデルによる１つ以上の予測値、及び、地上・上空観測
値を含む気象要素、または、気象要素以外の要素に関す
るデータを、時間的に連続な複数個の値を１つの構造体
として保存し、ある一定期間のデータを連続して読み出
せるようにするステップと、 前記構造体から読み出した入出力データ及び、部品とし
ての神経回路網モデルを学習装置に与えて、該入出力デ
ータ間の関係を学習して学習結果を出力するステップ
と、 前記学習結果を遠隔地に伝送するステップと、 伝送された前記学習結果及び、任意の日時における数値
予測モデルにより予測された予測値を翻訳装置に与え
て、気象要素、または、気象要素以外の要素に翻訳する
ステップとからなることを特徴とする気象翻訳・予測方
法。 - 【請求項３】 学習後の神経回路網モデルを規定する特
徴量を保存するステップと、 保存した情報を再度読み出して再学習及び再翻訳を実行
するステップとを更に有する請求項１または、２記載の
気象翻訳・予測方法。 - 【請求項４】 部品としての神経回路網モデルと高速学
習アルゴリズムを前記学習装置に与えるステップを更に
有する請求項１乃至３記載の気象翻訳・予測方法。 - 【請求項５】 学習時の収束の速さに影響を与える学習
パラメータ及び、学習データの範囲、再学習の頻度、汎
化係数等の学習時に与える調整変数を学習アルゴリズム
変数設定装置に与えて、該調整変数を設定・変更するス
テップを更に有する請求項１乃至４記載の気象翻訳・予
測方法。 - 【請求項６】 前記神経回路網モデルを構造決定装置に
与えて、モデル構造を決定させるステップと、 モデル構造の再構造化の実行頻度を前記構造決定装置に
与えて、前記モデル構造の変数を設定・変更させるステ
ップとを更に有する請求項１乃至５記載の気象翻訳・予
測方法。 - 【請求項７】 長時間先における３次元大気中の気象要
素を予測する数値予測モデルを用いて予測された予測値
から、気象要素、または、気象要素以外の要素に翻訳す
る気象翻訳・予測プログラムを格納した記憶媒体であっ
て、 神経回路網モデルの入出力データとして与える数値予測
モデルによる１つ以上の予測値、及び、地上・上空観測
値を含む気象要素、または、気象要素以外の要素に関す
るデータを、時間的に連続な複数個の値を１つの構造体
として保存し、ある一定期間のデータを連続して読み出
せるようにするプロセスと、 前記構造体から読み出した入出力データ及び、部品とし
ての神経回路網モデルを学習装置に与えて、該入出力デ
ータ間の関係を学習して学習結果を出力するプロセス
と、 前記学習結果及び、任意の日時における数値予測モデル
により予測された予測値を翻訳装置に与えて、気象要
素、または、気象要素以外の要素に翻訳するプロセスと
からなることを特徴とする気象翻訳・予測プログラムを
格納した記憶媒体。 - 【請求項８】 長時間先における３次元大気中の気象要
素を予測する数値予測モデルを用いて予測された予測値
から、気象要素、または、気象要素以外の要素に翻訳す
るための学習装置に搭載される気象翻訳・予測プログラ
ムを格納した記憶媒体であって、 神経回路網モデルの入出力データとして与える数値予測
モデルによる１つ以上の予測値、及び、地上・上空観測
値を含む気象要素、または、気象要素以外の要素に関す
るデータを、時間的に連続な複数個の値を１つの構造体
として保存し、ある一定期間のデータを連続して読み出
せるようにするプロセスと、 前記構造体から読み出した入出力データ及び、部品とし
ての神経回路網モデルを学習装置に与えて、該入出力デ
ータ間の関係を学習して学習結果を出力するプロセス
と、 前記学習結果を遠隔地に伝送するプロセスとを有するこ
とを特徴とする気象翻訳・予測プログラムを格納した記
憶媒体。 - 【請求項９】 長時間先における３次元大気中の気象要
素を予測する数値予測モデルを用いて予測された予測値
から、気象要素、または、気象要素以外の要素に翻訳す
るための翻訳装置に搭載される気象翻訳・予測プログラ
ムを格納した記憶媒体であって、 学習装置から伝送された学習結果及び、任意の日時にお
ける数値予測モデルにより予測された予測値を翻訳装置
に与えて、気象要素、または、気象要素以外の要素に翻
訳するプロセスを有することを特徴とする気象翻訳・予
測プログラムを格納した記憶媒体。 - 【請求項１０】 学習後の神経回路網モデルを規定する
特徴量を保存するプロセスと、 保存した情報を再度読み出して再学習及び再翻訳を実行
するプロセスとを更に有する請求項７乃至９記載の気象
翻訳・予測プログラムを格納した記憶媒体。 - 【請求項１１】 部品としての神経回路網モデルと高速
学習アルゴリズムを前記学習装置に与えるプロセスを更
に有する請求項７、８、１０記載の気象翻訳・予測プロ
グラムを格納した記憶媒体。 - 【請求項１２】 学習時の収束の速さに影響を与える学
習パラメータ及び、学習データの範囲、再学習の頻度、
汎化係数等の学習時に与える調整変数を学習アルゴリズ
ム変数設定装置に与えて、該調整変数を設定・変更する
プロセスを更に有する請求項７、８、１０、１１記載の
気象翻訳・予測プログラムを格納した記憶媒体。 - 【請求項１３】 前記神経回路網モデルを構造決定装置
に与えて、モデル構造を決定させるプロセスと、 モデル構造の再構造化の実行頻度を前記構造決定装置に
与えて、前記モデル構造の変数を設定・変更させるプロ
セスとを更に有する請求項７乃至１２記載の気象翻訳・
予測プログラムを格納した記憶媒体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000333187A JP3687524B2 (ja) | 2000-10-31 | 2000-10-31 | 気象翻訳・予測方法及び装置及び気象翻訳・予測プログラムを格納した記憶媒体 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000333187A JP3687524B2 (ja) | 2000-10-31 | 2000-10-31 | 気象翻訳・予測方法及び装置及び気象翻訳・予測プログラムを格納した記憶媒体 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2002140684A true JP2002140684A (ja) | 2002-05-17 |
| JP3687524B2 JP3687524B2 (ja) | 2005-08-24 |
Family
ID=18809304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000333187A Expired - Lifetime JP3687524B2 (ja) | 2000-10-31 | 2000-10-31 | 気象翻訳・予測方法及び装置及び気象翻訳・予測プログラムを格納した記憶媒体 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3687524B2 (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015148934A (ja) * | 2014-02-06 | 2015-08-20 | 三菱重工業株式会社 | 発電量予測装置および発電量予測方法 |
| CN111488325A (zh) * | 2020-04-17 | 2020-08-04 | 国家气象信息中心 | 基于Hadoop架构的气象大数据汇聚方法 |
| WO2021064524A1 (en) * | 2019-10-04 | 2021-04-08 | International Business Machines Corporation | Predicting weather radar images |
| CN114035244A (zh) * | 2021-11-08 | 2022-02-11 | 北京城市气象研究院 | 一种逐小时快速更新追赶循环的数值天气预报系统 |
| KR102681249B1 (ko) | 2019-10-04 | 2024-07-05 | 인터내셔널 비지네스 머신즈 코포레이션 | 기상 레이터 이미지 예측 |
-
2000
- 2000-10-31 JP JP2000333187A patent/JP3687524B2/ja not_active Expired - Lifetime
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015148934A (ja) * | 2014-02-06 | 2015-08-20 | 三菱重工業株式会社 | 発電量予測装置および発電量予測方法 |
| WO2021064524A1 (en) * | 2019-10-04 | 2021-04-08 | International Business Machines Corporation | Predicting weather radar images |
| US11169263B2 (en) | 2019-10-04 | 2021-11-09 | International Business Machines Corporation | Predicting weather radar images |
| GB2604765A (en) * | 2019-10-04 | 2022-09-14 | Ibm | Predicting weather radar images |
| GB2604765B (en) * | 2019-10-04 | 2023-05-03 | Ibm | Predicting weather radar images |
| KR102681249B1 (ko) | 2019-10-04 | 2024-07-05 | 인터내셔널 비지네스 머신즈 코포레이션 | 기상 레이터 이미지 예측 |
| CN111488325A (zh) * | 2020-04-17 | 2020-08-04 | 国家气象信息中心 | 基于Hadoop架构的气象大数据汇聚方法 |
| CN114035244A (zh) * | 2021-11-08 | 2022-02-11 | 北京城市气象研究院 | 一种逐小时快速更新追赶循环的数值天气预报系统 |
| CN114035244B (zh) * | 2021-11-08 | 2023-09-29 | 北京城市气象研究院 | 一种逐小时快速更新追赶循环的数值天气预报系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3687524B2 (ja) | 2005-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Edwards et al. | Projected land ice contributions to twenty-first-century sea level rise | |
| US6243696B1 (en) | Automated method for building a model | |
| Krasnopolsky et al. | New approach to calculation of atmospheric model physics: Accurate and fast neural network emulation of longwave radiation in a climate model | |
| JP6635038B2 (ja) | シミュレーション装置、シミュレーション方法、および、記憶媒体 | |
| US6879971B1 (en) | Automated method for building a model | |
| Russo et al. | Air quality prediction using optimal neural networks with stochastic variables | |
| JP6313929B2 (ja) | 構造物を監視するための方法及びシステム | |
| Sailor et al. | A neural network approach to local downscaling of GCM output for assessing wind power implications of climate change | |
| Frith et al. | Estimating uncertainties in the SBUV Version 8.6 merged profile ozone data set | |
| Rhanoui et al. | Forecasting financial budget time series: ARIMA random walk vs LSTM neural network | |
| US5126978A (en) | Undersea data collection, analysis, and display system | |
| D'Amato et al. | Retrospective‐cost‐based adaptive model refinement for the ionosphere and thermosphere | |
| Stutz et al. | A flexibility-based continuum damage identification approach | |
| Quetin et al. | Carbon flux variability from a relatively simple ecosystem model with assimilated data is consistent with terrestrial biosphere model estimates | |
| Bass et al. | Incorporating climate change into risk assessment using grey mathematical programming | |
| CN111832790A (zh) | 一种供水管网预测中长期需水量的方法及系统 | |
| Yalpır | Enhancement of parcel valuation with adaptive artificial neural network modeling | |
| Belikov et al. | Adjoint of the global Eulerian–Lagrangian coupled atmospheric transport model (A-GELCA v1. 0): development and validation | |
| CN115879607A (zh) | 一种电能表状态预测方法、系统、设备和存储介质 | |
| Lochocki et al. | BioCro II: a software package for modular crop growth simulations | |
| Le Riche et al. | Neural identification of non-linear dynamic structures | |
| JPH11282823A (ja) | 土地評価システムおよび方法，ならびに土地評価のためのプログラムを格納した媒体 | |
| JP2002140684A (ja) | 気象翻訳・予測方法及び気象翻訳・予測プログラムを格納した記憶媒体 | |
| Voorrips et al. | Wave data assimilation with the Kalman filter | |
| CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20050125 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20050323 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20050517 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20050530 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 Ref document number: 3687524 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090617 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090617 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100617 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100617 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110617 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120617 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130617 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140617 Year of fee payment: 9 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| EXPY | Cancellation because of completion of term |