JP2005249455A - 予測方法、そのプログラム及び予測システム - Google Patents

Abstract

【課題】気象の地点間、気象要素間の相関を考慮して天候デリバティブのリスク量を適切に評価することを目的とする。
【解決手段】計算機を用いて、過去の気象データに基づいて気象シナリオを生成して気象予測を行う方法であって、過去の複数の気象要素を含む気象履歴データ、気象要素の地点間の相関、気象要素間の相関に基づいて気象時系列モデルのパラメータ値を推定する第１手順と、前記推定されたパラメータ値に基づいて乱数を気象要素に変換する第２手順と、を含み、前記第２手順を所定回数実行することによって複数の気象シナリオを生成する。
【選択図】 図１

Description

本発明は、気象リスクの予測方法に関する。

気温、降水量、積雪量などの気象条件は、企業の活動に大きな影響を及ぼす。たとえば夏の猛暑は、エアコンメーカーや電力会社にとっては売上増加の要因となるが、デパートや鉄道会社にとっては、冷房費増大による利益減少の要因となる。また、例年に比べて降水量が少ない場合、旅行業界やテーマパークにとっては利用客が増加するメリットがあるが、電力会社は水力発電機が効率的に稼動しないため代替発電コストが増加するデメリットがある。このような気象条件による売り上げ・利益の変動を気象リスクと呼ぶ。

気象リスクを軽減し、収益の安定を図る手段として、近年、天候デリバティブと呼ばれる金融派生商品が注目されている。天候デリバティブとは、気象リスクにさらされている事業体が損害保険会社などの発行体に予め契約料金を払い、将来一定の気象条件が満たされた場合に補償金を受け取る契約である。天候デリバティブの契約料金を計算する手法は幾つか提案されている（例えば、特許文献１、特許文献２参照。）。

天候デリバティブの契約料金算出の根拠となる気象予測については、多地点の気温モデルによる気象予測（例えば、非特許文献１参照。）や、多地点の降水量モデルによる気象予測（例えば、非特許文献２参照。）や、一地点の降水量と気温の相関モデルによる気象予測（例えば、非特許文献３参照。）が提案されている。
特開２００１−２２２６０５号公報 特開２００３−１２２９１８号公報 Rodrigo Caballero他，"Multivariate long-memory modeling of daily surface air temperatures and the valuation of weather derivative portfolios"，インターネット＜ＵＲＬ：http://stephenjewson.com/articles/＞ D.S. Wilks，Multisite generalization of a daily stochastic precipitation generation model"，Journal of Hydrology，１９９８年，２１０，ｐ．１７８−１９１ C.W. Richardson，"Stochastic simulation of daily precipitation, temperature, and solar radiation"，Water Resources Research，１７，ｐ．１８２−１９０

天候デリバティブの発行体（損害保険会社、商社、銀行）は契約のポートフォリオを保有しており、保有するポートフォリオのリスク量算出や、要因分析のニーズが発生している。このようなニーズに対し、これまで次のような手法が取られてきた。まず、地点毎、或いは気象要素毎の時系列モデルを用いて気象シナリオを生成する。そして、生成された気象シナリオに基づいて９９％ＶａＲ（Value at Risk）を算出し、その合計値を全体のリスク量として評価する（図１２）。

しかし、気象は地点間・気象要素間に大きな相関を持っている。そのため、ＶａＲを天候デリバティブの契約毎に独立に算出する従来法は、全体のリスク量を過大評価すると言う問題を有していた。

本発明は、気象の地点間、気象要素間の相関を考慮して天候デリバティブのリスク量を適切に評価することを目的とする。

本発明は、計算機を用いて、過去の気象データに基づいて気象シナリオを生成して気象予測を行う方法であって、過去の複数の気象要素を含む気象履歴データ、気象要素の地点間の相関、気象要素間の相関に基づいて気象時系列モデルのパラメータ値を推定する第１手順と、前記推定されたパラメータ値に基づいて乱数を気象要素に変換する第２手順と、を含み、前記第２手順を所定回数実行することによって複数の気象シナリオを生成する。

本発明によると、天候デリバティブのリスク量を適切に評価することができる。

以下、本発明の実施の形態を図面を参照して説明する。

図１は、本発明の実施の形態の予測装置の構成を示すブロック図である。

本発明の実施の形態の予測装置は、表示装置１１１、ＣＰＵ１１２、ＲＯＭ１１３、入力装置（キーボード１１４、マウス１１５）、ＲＡＭ１１６、外部記憶装置（ハードディスク）１１７、及びこれらを接続する通信バス１１８によって構成されている。

外部記憶装置１１７には、オペレーティングシステム１１７１、気象シナリオ生成プログラム１１７２、及びポートフォリオ計算プログラム１１７３が記憶されており、ＣＰＵ１１２がこれらのプログラムを呼び出して実行することによって各種処理が行われる。また、外部記憶装置１１７には、気象履歴データ１１０２、及び気象シナリオ１１０３が記憶されている。

本実施の形態の予測装置は、入力装置１１４、１１５から入力されたシナリオ生成条件１１０１に従って、気象シナリオ生成プログラム１１７２が気象履歴データ１１０２に基づいて気象シナリオ１１０３を生成する。

図２は、本発明の実施の形態の気象シナリオ生成処理のフローチャートであり、気象シナリオ生成プログラム１１７２によって実行される。

まず、気象シナリオ生成プログラム１１７２は、利用者にシナリオ生成条件の入力を促すメッセージを表示装置１１１に表示し、利用者が入力装置１１４、１１５から入力したシナリオ生成条件１１０１を取得する（Ｓ１１）。そして、利用者によって入力された条件に適合した気象シナリオ１１０３を生成するために必要な気象履歴データ１１０２を取得する（Ｓ１２）。

その後、地点間の相関及び気象要素間の相関を反映した時系列モデルのパラメータ値を推定し（Ｓ１３）、シナリオ生成条件１１０１として指定されたシナリオ生成数の気象シナリオを生成する（Ｓ１４）。

その後、気象シミュレーションによって生成された気象シナリオ１１０３を外部記憶装置１１７に出力する（Ｓ１５）。

図３は、気象シナリオ生成条件１１０１の説明図である。

利用者が入力装置１１４、１１５から入力する気象シナリオ生成条件１１０１は、シナリオ生成数２１、シナリオ生成期間２２、及びシナリオ生成地点２３から構成されている。

図４は、気象履歴データ１１０２の説明図である。

気象履歴データ１１０２には、複数地点における多数年の１日単位の気象データ（気温及び降水量）が記録されている。なお、１日単位のデータではなく、１時間単位のデータを用いることもできる。また、気温、降水量の他に、降雪量、風速、風向等のデータも用いることができる。

図４には、入力された気象シナリオ生成条件１１０１（図３）に対応する期間及び地点の気象履歴データのみを示すが、気象履歴データ１１０２としてより多くの期間及び地点の気象データを記録しておき、気象シナリオ生成条件１１０１に従ってデータを抽出してもよい。

図５は、気象シナリオ１１０３の説明図である。

気象シナリオ１１０３には、気象シナリオ生成条件１１０１（図３）に対応する期間（６／１〜７／２０）及び地点（大阪、名古屋、東京）で生成された１００００個の気象シナリオ（＃０００１から＃１００００）が記録されている。

図６は、パラメータ値推定処理（図２のＳ１０３）の詳細のフローチャートである。

まず、地点毎に独立なパラメータを推定する（Ｓ５１）。具体的には、後述する数式１から数式７で用いられるパラメータｐｉ、μｉ、ｍｉ（０）(d)、σｉ（０）(d)、ｍｉ（１）(d)、σｉ（１）(d)、を推定する。

その後、地点間の相関の強さを表すパラメータを推定する（Ｓ５２）。具体的には、後述する数式８から数式１３で用いられるρ０(i,j)、ρ１(i,j)、φ０(i,j)、φ１(i,j)を推定する。

図７は、地点毎に独立なパラメータの推定処理（図６のＳ５１）の概念図である。

地点毎に独立なパラメータの推定は、三つの要素によって構成されている。一つは、過去の降水量履歴から、気象シナリオ生成地点の降水量変動を特徴付けるパラメータの値を推定する降水量パラメータ推定処理６１である。具体的には、後述する数式１、数式３で用いられるパラメータｐｉ、μｉを推定する。

さらに、過去の気温履歴から、気象シナリオ生成地点の気温変動を特徴付けるパラメータの値を推定する気温パラメータ推定処理６２が設けられている。この気温パラメータ推定処理６２には、晴天日の気温パラメータ推定処理６２１及び雨天日のパラメータ推定処理６２２が設けられている。これは、晴天日と雨天日とでは気温の動向が異なることから、晴天日と雨天日とで異なるパラメータを用いて気温変動をより正確に記述するためである。具体的には、後述する数式２、数式４、数式５で用いられるパラメータｍｉ（０）(d)、σｉ（０）(d)、ｍｉ（１）(d)、σｉ（１）(d)を推定する。

図８は、地点間の相関の強さを表すパラメータの推定処理（図６のＳ５２）の概念図である。

地点間の相関は降水量の地点間相関パラメータ推定部処理７１と、気温の地点間相関パラメータの推定処理７２との二つに分けられる。

具体的には、降水量の地点間相関パラメータ推定部処理７１では、地点ｉの降水量と同日の地点ｊの降水量との相関の強さを特徴付けるパラメータの値、及び地点ｉの降水量と前日の地点ｊの降水量との相関の強さを特徴付けるパラメータの値を推定する。具体的には、後述する数式８、数式１０、数式１２で用いられるパラメータρ０(i,j)、ρ１(i,j)を推定する。また、気温の地点間相関パラメータの推定処理７２では、地点ｉの気温と同日の地点ｊの気温との相関の強さを特徴付けるパラメータの値、及び地点ｉの気温と前日の地点ｊの気温との相関の強さを特徴付けるパラメータの値を推定する。具体的には、後述する数式９、数式１１、数式１３で用いられるパラメータφ０(i,j)、φ１(i,j)を推定する。

図９は、シミュレーションによる気象シナリオ生成処理（図２のＳ１４）の詳細のフローチャートである。

まず、カウンタ値ｎ、ｄを”１”に初期設定する（Ｓ８１）。このカウンタ値ｎは、必要な数（シナリオ生成数Ｎ）の気象シナリオを生成するために用いられる。カウンタ値ｄは、必要な期間（Ｄ日間）の気象シナリオを生成するために用いられる。

その後、第ｎ本目の気象シナリオを生成する処理を行う（Ｓ８２）。第ｎ本目の気象シナリオを生成処理（Ｓ８２）では、まず第ｄ日目の（第１回目はｄ＝１の初日）の降水量を生成する（Ｓ８２１）。そして、降水量を生成するために用いた降水量相関乱数（Ｘｉ(d)）に基づいて第ｄ日目の気温を生成する（Ｓ８２２）。

その後、カウンタ値ｄが必要期間Ｄと等しくなったか否かを判定する（Ｓ８２３）。

そして、ｄ＝Ｄであれば、必要期間（Ｄ日分）の気象シナリオが生成されたと判定して、ステップＳ８３に進む。一方、ｄ＝Ｄでなければ、必要期間（Ｄ日分）の気象シナリオはまだ指定日数分だけ生成されていないので、カウンタ値ｄに”１”を加算する更新をして、ステップＳ８２１に戻り、新たな第ｄ日目の降水量を生成する。

ステップＳ８３では、生成されたＤ日分の気象シナリオを保存する。その後、カウンタ値ｎがシナリオ生成数Ｎと等しくなったか否かを判定する（Ｓ８４）。

そして、ｎ＝Ｎであれば、必要なシナリオ生成数Ｎの気象シナリオが生成されたと判定して、ステップＳ１５に進む。一方、ｎ＝Ｎでなければ、必要なシナリオ生成数Ｎの気象シナリオはまだ指定本数分だけ生成されていないので、カウンタ値ｄを”１”にし、カウンタ値ｎに”１”を加算する更新をして、ステップＳ８２に戻り、新たな第ｎ本目の気象シナリオを生成する。

図１０は、第ｎ日目の降水量生成処理（図９のＳ８２１）の詳細のフローチャートである。

第ｎ日目の降水量生成処理では、まず、地点数分の独立乱数を生成する（Ｓ９１）。その後、降水量の地点間相関を反映した相関乱数へ変換する（Ｓ９２）。そして、地点毎に降水量へ変換する（Ｓ９３）。

具体的には、標準正規分布に従う互いに独立な確率変数ｕｉを生成する（Ｓ９１）。その後、地点ｉの降水量と同日の地点ｊの降水量との相関の強さを表す定数ρ０(i,j)、及び地点ｉの降水量と前日の地点ｊの降水量との相関の強さを表した定数ρ１(i,j)から、数式１２、数式１０、数式８、数式６を用いて降水量相関乱数Ｘｉ(d)を求める（Ｓ９２）。そして、数式１を用いて、降水量相関乱数Ｘi(d)を降水量ｒi(d)へ変換する（Ｓ９３）。

図１１は、降水量に基づいた第ｄ日目の気温生成処理（図９のＳ８２２）の詳細のフローチャートである。

第ｄ日目の気温生成処理では、まず、地点数分の独立乱数を生成する（Ｓ１０１）。その後、気温の地点間相関を反映した相関乱数へ変換する（Ｓ１０２）。

そして、地点毎に降水量に基づいて気温に変換する（Ｓ１０３）。具体的には、降水量が”０”であるか否かを判定する（Ｓ１０３１）。そして、降水量が”０”であれば、その日は晴天であると判定し、晴天日の気温へ変換する（Ｓ１０３２）。一方、降水量が”０”でなければ、その日は雨天であると判定し、雨天日の気温へ変換する（Ｓ１０３３）。

具体的には、標準正規分布に従う互いに独立な確率変数ｖｉを生成する（Ｓ１０１）。その後、地点ｉの気温と同日の地点ｊの気温との相関の強さを表す定数φ０(i,j)、及び地点ｉの気温と前日の地点ｊの気温との相関の強さを表す定数φ１(i,j)から、数式１３、数式１１、数式９、数式７を用いて気温の地点間相関乱数Ｙｉ(d)を求める（Ｓ１０２）。そして、降水量相関乱数Ｘi(d)を用いて、その日が晴天か雨天かを判定して、気温への変換関数Φを特定する（Ｓ１０３１）。その後、特定された関数Φを用いて（数式２によって）、気温相関乱数Ｙi(d)を気温ｔi(d)へ変換する（Ｓ１０３２、Ｓ１０３３）。

次に、以上説明した気象シナリオの生成処理の具体的な計算方法について数式を用いて説明する。

まず、地点ｉにおける第ｄ日目の降水量をｒｉ(d)mm、気温をｔｉ(d)℃とする。本モデ
ルでは、ｒｉ(d)は数式１のように、ｔｉ(d)は数式２のように記述される。

この数式１、数式２に用いられている各記号の意味は以下のとおりである。ｐｉは地点ｉが晴天日である確率である。また、Ψ−１、Φ−１は、それぞれ確率変数Ｘｉ(d)、Ｙｉ(d)を降水量と気温に変換する関数である。なお、Ｘｉ(d)、Ｙｉ(d)は０から１までの確率変数である。

このような気温分布や降水量分布を記述する関数は、他にも様々なもの提案されているが、以下では説明を簡単にするために、次のように降水量に指数分布の逆関数、気温に正規分布の逆関数を採用する。なお、関数形を変更しても本発明を適用するうえで何ら変わりはない。

ここで、μｉは地点ｉの雨天時における平均降水量を、ｍｉ（０）(d)は第ｄ日目が晴天日であった場合における気温の平均値を、σｉ（０）(d)は第ｄ日目が晴天日であった場合における気温の標準偏差を、ｍｉ（１）(d)は第ｄ日目が雨天日であった場合における気温の平均値を、σｉ（１）(d)は第ｄ日目が雨天日であった場合における気温の標準偏差を表す。

また、Ｘｉ(d)、Ｙｉ(d)は数式６、数式７のように、それぞれ標準正規分布に従う確率変数ｘｉ(d)、ｙｉ(d)の関数として表される。

但し、ｘｉ(d)、ｙｉ(d)は、は以下のような多変量自己回帰式で記述される。

ここで、ｕｉ(d)、ｖｉ(d)は標準正規分布に従う互いに独立な確率変数であり、定数行列Ａ、Ｂ、Ｃ、Ｄは次のように定義される。この行列Ａ、Ｂ、Ｃ、Ｄに地点間の相関が含まれる。

但し、数式１０、数式１１に含まれるＧ０、Ｇ１、Ｈ０、Ｈ１は次のように定義される。

ここで、Ｇ０、Ｇ１は降水量の地点間相関を表した行列である。ρ０(i,j)は地点ｉの降水量と同日の地点ｊの降水量との相関の強さを、ρ１(i,j)は地点ｉの降水量と前日の地点ｊの降水量との相関の強さを表した定数である。また、Ｈ０、Ｈ１は気温の地点間相関を表した行列である。φ０(i,j)は地点ｉの気温と同日の地点ｊの気温との相関の強さを、φ１(i,j)は地点ｉの気温と前日の地点ｊの気温との相関の強さを表した定数である。

以上説明した本実施の形態の気象モデルのパラメータは地点毎に独立なパラメータｐｉ、μｉ、ｍｉ（０）(d)、σｉ（０）(d)、ｍｉ（１）(d)、σｉ（１）(d)、及び、地点間の相関の強さを表したパラメータρ０(i,j)、ρ１(i,j)、φ０(i,j)、φ１(i,j)で表される。これらのパラメータ値は過去の気象履歴から統計的に推定する。

次に、以上説明した計算方法を用いた気象シナリオ生成の手順について説明する。

まず、標準正規分布に従った互いに独立な乱数ｕｉ(d) (i=1,…,D)、ｖｉ(d)(i=1,…,D)を生成する。次に数式８、数式９に従い、ｕｉ(d)、ｖｉ(d)をｘｉ(d)、ｙｉ(d)に変換する。さらに数式６、数式７に従い、ｘｉ(d)、ｙｉ(d) をＸｉ(d)、Ｙｉ(d)に変換する。最後に、数式１を用いてＸｉ(d)を降水量に変換し、数式２を用いてＹｉ(d)を気温に変換する。この気温への変換の際にＸｉ(d)も用いられる。

以上説明したように、本発明の実施の形態では、気象シナリオを生成する地点数分（Ｍ）の乱数ｕiを生成し、前記生成された乱数ｕiを降水量の地点間相関を反映した乱数Ｘi(d)に変換し、さらにＸi(d)を降水量ｒi(d)へ変換する。また、気象シナリオを生成する地点数分（Ｍ）の乱数ｖiを生成し、前記生成された乱数ｖiを気温の地点間相関を反映した乱数Ｙi(d)に変換し、さらにＹi(d)を気温ｔi(d)へ変換する。この、気温の地点間相関を反映した乱数Ｙi(d)を気温ｔi(d)へ変換する関数Φを、降水量の地点相関を反映した乱数Ｘi(d)を用いて選択するので、地点間及び気象要素間の双方の相関がとれた気象シナリオを生成することができ、正確なリスク予測をすることができる。

従来技術による多地点の気温モデルや、多地点の降水量モデル（非特許文献１、非特許文献２）、一地点の降水量と気温の相関モデル（非特許文献３）を、整合的に組み合わせることは数学的に非常に困難であった。しかし、本発明では、降水量や気温そのものではなく、その前段階となる確率変数の段階で、気象要素間の相関をとったので、降水量と気温との相関、降水量の地点間相関及び気温の地点間相関の全てを整合させた気象予測をすることができる。

本発明の実施の形態の予測装置の構成を示すブロック図である。 本発明の実施の形態の気象シナリオ生成処理のフローチャートである。 本発明の実施の形態の気象シナリオ生成条件の説明図である。 本発明の実施の形態の気象履歴データの説明図である。 本発明の実施の形態の気象シナリオの説明図である。 本発明の実施の形態のパラメータ値推定処理の詳細のフローチャートである。 本発明の実施の形態の地点毎に独立なパラメータの推定処理の概念図である。 本発明の実施の形態の地点間の相関の強さを表すパラメータの推定処理の概念図である。 本発明の実施の形態の気象シナリオ生成シミュレーション処理の詳細のフローチャートである。 本発明の実施の形態の第ｄ日目の降水量生成処理の詳細のフローチャートである。 本発明の実施の形態の降水量に基づいた第ｄ日目の気温生成処理の詳細のフローチャートである。 ＶａＲの算出の説明図である。

符号の説明

１１１ 表示装置
１１２ ＣＰＵ
１１３ ＲＯＭ
１１４ キーボード
１１５ マウス
１１６ ＲＡＭ
１１７ 外部記憶装置
１１８ 通信バス

Claims (13)

1. 計算機を用いて、過去の気象データに基づいて気象シナリオを生成して気象予測を行う方法であって、
   過去の複数の気象要素を含む気象履歴データ、気象要素の地点間の相関、気象要素間の相関に基づいて気象時系列モデルのパラメータ値を推定する第１手順と、
   前記推定されたパラメータ値に基づいて乱数を気象要素に変換する第２手順と、を含み、
   前記第２手順を所定回数実行することによって複数の気象シナリオを生成する予測方法。
2. 前記第１手順は、
   降水量の履歴データ、降水量の地点間相関に基づいて降水量パラメータ値を推定する第３手順と、
   気温の履歴データ、気温の地点間相関、気温と降水間の相関に基づいて気温パラメータ値を推定する第４手順と、を含む請求項１に記載の予測方法。
3. 前記第２手順は、
   気象シナリオを生成する地点数分の独立乱数を生成する第５手順と、
   前記生成された独立乱数を降水量の地点間相関を反映した降水量相関乱数に変換する第６手順と、を含み、前記降水量相関乱数を降水量に変換する請求項２に記載の予測方法。
4. 前記第２手順は、
   気象シナリオを生成する地点数分の独立乱数を生成する第７手順と、
   前記生成された独立乱数を気温の地点間相関を反映した気温相関乱数に変換する第８手順と、
   前記生成された降水量相関乱数に基づいて異なる変換パラメータを選択する第９手順と、を含み、
   前記選択された変換パラメータを用いて、前記気温相関乱数を気温に変換する手順と、を含む請求項３に記載の予測方法。
5. 前記第６手順は、ある地点の降水量と当該期間の他地点の降水量との相関、及び、ある地点の降水量と当該期間より直前の期間の他地点の降水量との相関に基づいて、前記生成された独立乱数を降水量相関乱数に変換し、
   前記第８手順は、ある地点の気温と当該期間の他地点の気温との相関、及び、ある地点の気温と当該期間の直前の期間の他地点の気温との相関に基づいて、前記生成された独立乱数を気温相関乱数に変換する請求項４に記載の予測方法。
6. 前記生成された気象シナリオを用いて、気象リスクの予想結果を計算する請求項１に記載の予測方法。
7. 計算機を、過去の気象データに基づいて気象シナリオを生成して気象予測をする予測装置として機能させるためのプログラムであって、
   記憶手段に記憶された過去の複数の気象要素が含まれる気象履歴データから、気象要素の地点間の相関、気象要素間の相関に基づいて気象時系列モデルのパラメータ値を推定するパラメータ推定手段と、
   前記推定されたパラメータ値に基づいて乱数を気象要素に変換する気象要素変換手段と、を含み、
   前記気象要素変換手段によって複数の気象シナリオを生成するプログラム。
8. 前記パラメータ推定手段は、
   降水量の履歴データ、降水量の地点間相関に基づいて降水量パラメータ値を推定する降水量パラメータ推定手段と、
   気温の履歴データ、気温の地点間相関、気温と降水間の相関に基づいて気温パラメータ値を推定する気温パラメータ推定手段と、を含む請求項７に記載のプログラム。
9. 前記気象要素変換手段は、
   気象シナリオを生成する地点数分の独立乱数を生成する第１乱数生成手段と、
   前記生成された独立乱数を降水量の地点間相関を反映した降水量相関乱数に変換する第１相関乱数変換手段と、を含み、
   前記降水量相関乱数を降水量に変換する降水量変換手段を含む請求項８に記載のプログラム。
10. 前記気象要素変換手段は、
    気象シナリオを生成する地点数分の独立乱数を生成する第２乱数生成手段と、
    前記生成された独立乱数を気温の地点間相関を反映した気温相関乱数に変換する第２相関乱数変換手段と、
    前記降水量相関乱数に基づいて異なる変換パラメータを選択する気温パラメータ選択手段と、を含み、
    前記選択された変換パラメータを用いて、前記気温相関乱数を気温に変換する気温変換手段を含む請求項９に記載のプログラム。
11. 前記第１相関乱数変換手段は、ある地点の降水量と当該期間の他地点の降水量との相関、及び、ある地点の降水量と当該期間の直前の期間の他地点の降水量との相関に基づいて、前記生成された独立乱数を降水量相関乱数に変換し、
    前記第２相関乱数変換手段は、ある地点の気温と当該期間の他地点の気温との相関、及び、ある地点の気温と当該期間の直前の期間の他地点の気温との相関に基づいて、前記生成された独立乱数を気温相関乱数に変換する請求項１０に記載の予測方法。
12. 前記生成された気象シナリオを用いて、気象リスクの予想結果を計算する請求項７に記載のプログラム。
13. 計算手段と記憶手段とを備え、過去の気象データに基づいて気象シナリオを生成して気象予測を行う予測システムであって、
    前記記憶手段に記憶された過去の複数の気象要素が含まれる気象履歴データから、気象要素の地点間の相関、気象要素間の相関に基づいて気象時系列モデルのパラメータ値を推定するパラメータ推定手段と、
    前記推定されたパラメータ値に基づいて乱数を気象要素に変換する気象要素変換手段と、を備え、
    前記気象要素変換手段は、
    気象シナリオを生成する地点数分の独立乱数を生成する第１乱数生成手段と、
    前記第１乱数生成手段によって生成された独立乱数を、ある地点の降水量と当該期間の他地点の降水量との相関、及び、ある地点の降水量と当該期間の直前の期間の他地点の降水量との相関に基づいて、降水量相関乱数に変換する第１相関乱数変換手段と、
    気象シナリオを生成する地点数分の独立乱数を生成する第２乱数生成手段と、
    前記第２乱数生成手段によって生成された独立乱数を、ある地点の気温と当該期間の他地点の気温との相関、及び、ある地点の気温と当該期間の直前の期間の他地点の気温との相関に基づいて、気温相関乱数に変換する第２相関乱数変換手段と、
    前記降水量相関乱数に基づいて異なる変換パラメータを選択する気温パラメータ選択手段と、を含み、
    前記気象要素変換手段は、
    前記降水量相関乱数を降水量に変換する降水量変換手段と、
    前記選択された変換パラメータを用いて前記気温相関乱数を気温に変換する気温変換手段と、を含み、
    前記気象要素変換手段によって複数の気象シナリオを生成する予測システム。

Images