JP2005301840A - 防災事業支援システム - Google Patents
防災事業支援システム Download PDFInfo
- Publication number
- JP2005301840A JP2005301840A JP2004119668A JP2004119668A JP2005301840A JP 2005301840 A JP2005301840 A JP 2005301840A JP 2004119668 A JP2004119668 A JP 2004119668A JP 2004119668 A JP2004119668 A JP 2004119668A JP 2005301840 A JP2005301840 A JP 2005301840A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- physical quantity
- learning period
- data
- period
- 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
Landscapes
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【解決手段】 情報入力装置と、情報格納装置と、演算装置と、情報出力装置を有し、情報入力装置は、入力データとパラメータデータと予測モデルとを情報格納装置に入力可能な手段であって、演算装置は、予測変動物理量演算部と予測変動物理量精度検証部とを備えて変動物理量と誘引物理量を用いて変動物理量の予測量を演算し、情報出力装置は、入力データ、パラメータデータや予測量などの情報を出力可能な手段であって、情報格納手段は、入力データとパラメータデータと予測モデルなどを格納可能な手段であることを特徴とする防災事業支援システムである。
【選択図】 図1
Description
情報入力装置は、変動物理量と誘因物理量を含む入力データと、変動物理量の予測モデルによって演算される予測量に対する要求水準と前記予測モデルの学習周期及び学習期間を備えるパラメータと演算係数とを含むパラメータデータとを、情報格納装置に入力可能な手段であって、
演算装置は、学習周期毎に学習期間に入力される変動物理量と誘因物理量を用いて予測モデルを構築し(以下、予測モデルの構築に用いられた変動物理量と予測物理量の組で表されるデータセットを学習データという。)、構築された予測モデルを情報格納装置に格納するモデル構築部と、情報格納装置に格納された予測モデルに、情報格納装置から読み出されたパラメータデータ又は情報入力装置から入力されたパラメータデータと予測モデルを構築した学習期間から学習周期後の次の学習周期において実測された誘因物理量を用いて次の学習期間における予測変動物理量を演算する予測変動物理量演算部と、この予測変動物理量演算部で演算された予測変動物理量と次の学習期間において実測された変動物理量を用いて異質度を演算し、情報格納装置から要求水準を読み出して異質度と比較して予測変動物理量の精度を判定する予測変動物理量精度検証部とを備え、
情報出力装置は、入力データとパラメータデータと予測モデルと予測変動物理量と異質度のうち少なくとも1の情報を出力可能な手段であって、
情報格納装置は、入力データとパラメータデータと予測モデルの他、予測変動物理量と異質度を格納可能な手段であるものである。
予測変動物理量精度検証部は、演算した異質度が要求水準を満足しない場合に学習周期及び/又は学習期間をそれぞれ更新学習周期及び/又は更新学習期間として更新パラメータを生成し、この更新パラメータを予測変動物理量演算部に送信し、
予測変動物理量演算部は、予測モデルに更新パラメータを入力し、誘引物理量を用いて更新パラメータの学習期間における予測変動物理量を演算し、
予測変動物理量精度検証部は、再度異質度を演算して要求水準と比較して再度演算された予測変動物理量の精度を判定し、再度演算された異質度が要求水準を満足しない場合には更新学習周期及び/又は更新学習期間をそれぞれの分割幅ほど減じて再度更新パラメータとして生成し、この更新パラメータを予測変動物理量演算部に送信し、満足するまでそれぞれの分割幅ほど減じて更新パラメータを生成するものであって、
更新学習周期は、予め定められた最大学習周期あるいは学習周期と同一の学習周期であり、更新学習期間は予め定められた最大学習期間、リコール期日までの期間、学習期間に学習周期を加えた期間、学習期間と同一の学習期間のいずれか1つの学習期間であるものである。
予測変動物理量演算部は、予測モデルに更新パラメータを入力し、誘引物理量を用いて更新パラメータの学習期間における予測変動物理量を演算し、
予測変動物理量精度検証部は、再度異質度を演算して要求水準と比較して再度演算された予測変動物理量の精度を判定し、再度演算された異質度が要求水準を満足しない場合には更新学習期間に含まれる誘引物理量の一部を削除するデシメーション処理手段を備え、一部を削除された誘因物理量を予測変動物理量演算部に送信し、満足するまで誘因物理量の一部を削除するものであって、
更新学習期間は予め定められた最大学習期間、リコール期日までの期間、学習期間に学習周期を加えた期間、学習期間と同一の学習期間のいずれか1つの学習期間であるものである。
予測変動物理量精度検証部は、演算した異質度が要求水準を満足する場合に学習周期及び/又は学習期間をそれぞれ更新学習周期及び/又は更新学習期間として更新パラメータを生成し、この更新パラメータを予測変動物理量演算部に送信し、
予測変動物理量演算部は、予測モデルに更新パラメータを入力し、誘引物理量を用いて更新パラメータの学習期間における予測変動物理量を演算し、予測変動物理量精度検証部は、再度異質度を演算して要求水準と比較して再度演算された予測変動物理量の精度を判定し、再度演算された異質度が要求水準を満足しない場合には更新学習周期及び/又は更新学習期間をそれぞれの分割幅ほど減じて再度更新パラメータとして生成し、この更新パラメータを予測変動物理量演算部に送信し、満足するまでそれぞれの分割幅ほど減じて更新パラメータを生成するものであって、
更新学習周期は、予め定められた最大学習周期あるいは学習周期と同一の学習周期であり、更新学習期間は予め定められた最大学習期間、リコール期日までの期間、学習期間に学習周期を加えた期間、学習期間と同一の学習期間のいずれか1つの学習期間であるものである。
演算装置は、情報格納装置から読み出された対策工データ又は情報入力装置から入力された対策工データに含まれる対策工時期を検索し、その対策工時期以前の予測モデルを読み出す手段と、この読み出された予測モデルに対策工時期以後の所望の学習期間における誘引物理量を情報格納装置から読み出して入力して再現変動物理量を演算する手段と、この再現変動物理量と所望の学習期間における実測された変動物理量の差を演算する手段とを有するものである。
また、要求水準を満たさない場合あるいは満たす場合であっても学習周期や学習期間を修正することによって予測モデルを更新することができる。従って、予測に用いられる誘因物理量と変動物理量の関係が崩れた場合には、追加学習を容易に行うことができる。また、自然の変化や人工的な処理に伴う状況の変化に追随し高い汎化能力を維持することができる。
特に、請求項6に記載された防災事業支援システムにおいては、施された対策工の発揮する防災上の効果を把握することができる。
また、特に請求項7に記載された防災事業支援システムにおいては、予測モデルにRBFNを用いることで、容易にかつ短時間に追加学習でき、しかも、結線の重みを決定する学習を、簡単な正則行列の逆行列を解くことによって行うことができるため、状況の変化により追随し高い汎化能力を発揮することができる。
本願明細書でいう時系列的に変動する自然現象の物理量(変動物理量)の具体例としては、地下水位、地中の間隙水圧、河川流量、河川や湖沼の水位、地すべり変位、河川や湖沼におけるBOD濃度などがあるが、特にこれらに限定するものではなく、広く自然現象の程度や頻度を表現する物理量であって経時変化が観測されるものすべてを含む概念である。また、その誘因となる少なくとも1つの自然現象の物理量(誘引物理量)の具体例としては、降雨量、日射量、河川流量、河川や湖沼の水位、気圧、気温、湿度、潮位さらには月齢なども含められるが、これも特にこれらに限定するものではなく、広く変動物理量の誘因、原因、契機となり経時変化のある自然現象に関する物理量であればよい。なお、例えば河川流量などは変動物理量でもあり誘引物理量でもあるが、これはこの河川流量が、誘因物理量を降雨量とした場合には変動物理量となりうるものの、変動物理量をBOD濃度とした場合には、誘因物理量となりうることを示している。すなわち、原因と結果の関係が成立すれば、同一の物理量であっても変動物理量と誘因物理量のいずれにも該当しうるのである。
なお、誘因物理量は1つに限定するものではなく複数の誘因物理量に対して1つの変動物理量の出力が得られる場合もある。
また、本願明細書でいう「学習データ」とは、過去あるいは新たに入手された降雨データと地下水位データの組で表されるデータセットを意味し、「予測モデル」とは、降雨を入力して地下水位を出力(予測)する一連の入出力関係を称し、この「予測モデル」は前述の「学習データ」を用いてRBFNにより学習することで構築することができる。また、RBFNにより学習に用いていない降雨データと地下水位データの組を「未学習データ」という。
本願明細書でいう「学習周期」とは、RBFNの追加学習を行うとき、その追加学習を行う時間間隔を「学習周期」と称するもので、その追加学習に際し、過去のどれだけのデータに遡って学習データとして利用するかの過去の日数や時間数を「学習期間」と称する。又、本願明細書でいう「状況」とは、一般的な意味で用いる場合もあるが、降雨要因など学習に用いる要因と、その結果として予測しようとする地下水位などとの因果関係をもたらす要因の総称であって、例えば、浸透性などの素因を含みその因果関係をもたらす要因の総称である。
また、本願明細書でいう「再現精度」、「再現性」とは、「予測モデル」が「学習データ」に対してどれだけ実測値に近いかを示す指標であって、「予測精度」、「汎化性」とは、「未学習データ」に対してどれだけ実測値に近いかを示す指標を意味するものである。
以下、本実施の形態及びその実施例においては、システムとしてRBFNを用いて構築した防災事業支援システムについて説明するが、特に、RBFNを用いるものに限定するものではない。また、変動物理量として地下水位を選択し、誘因物理量としては降雨量を選択しているが、これらの物理量に限定するものではなく、前述のとおり、いずれの変動物理量及び誘因物理量においてもそれらに因果関係があると考えられるものについては成立するものである。具体的には、例えば誘因物理量の降雨量を変えずに、変動物理量の地下水位に代えて間隙水圧としてもよい。また、誘因物理量を降雨量に加えて気温や湿度も加えて、変動物理量を地下水位のままとしてもよい。この場合には、3種類の誘因物理量に対して1種類の変動物理量を予測するがこのような防災事業支援システムであっても構わない。
即ち、本発明でRBFNなどを用いて構築するシステムは、いうまでもなく、高い予測精度を達成する必要があるが、一般的に、学習データに対する再現精度である再現性と、未学習データに対する予測精度である汎化性とは必ずしも一致しない傾向にあり、再現性が高いシステムが汎化性も高いとは限らない。例えば、全ての学習データの残差を均等に扱った「残差平均」が最小でも、例えば、古い学習データの残差が小さく、新しい学習データの残差が大きいならば、それが最も高い予測精度を達成できるとは限らず、逆に、その「残差平均」が比較的に大きい場合でも、古い学習データの残差が大きく、新しい学習データの残差が小さいならば、それが最も高い予測精度を達成できる可能性がある。
次に、本発明のRBFNを用いた防災事業支援システムの処理手順について説明する。なお、本発明は、システムの運用に伴って自動的に過去の履歴を学習しながら構築する、中間素子が放射状基底関数からなるRBFNを用い、変動する状況から防災事業支援の為に自然災害発生危険度の指標の予測値を算出して表示及び/又は出力する防災事業支援システムであって、本発明の処理には、初期学習に用いる入力データを収集する処理、その入力データを、必要に応じそれを編集し、学習データとして格納装置に記憶させる処理、RBFNのパラメータである基底関数の中心位置や半径を設定する処理、初期学習によりRBFNを構築する処理、RBFNを用い目的とする予測値を算出し、必要に応じ、これを記憶装置に記憶させる処理、その予測値を表示及び/又は出力する処理、などを含むが、以下では、本発明の最大の特徴である、追加学習によるRBFNの再構築に係る処理について説明する。
地すべり災害の原因は、地形・地質などの素因に加え、降雨浸透などによる地下水位や間隙水圧の上昇などが誘因となって発生するといわれている。このため、多くの地すべり地域では、地下水位を低下させることを目的として集水井、水平ボーリングなどの対策工を計画するために、基礎情報として地下水位の常時把握が必要不可欠である。またその必要性は災害予測の観点からも言えることである。本実施例の主要なポイントは、このような地下水位を予測するために降雨を入力して地下水位を出力するモデル(以下、「予測モデル」という。)を構築し、時系列的に変動する地下水位を常時把握することにある。
また現地で緊急に施工される対策工について、その効果を定量的に評価することが困難であるため、必要以上の対策工を施工することがある。精度の良い予測モデルから出力される予測水位と実測水位の水位差によって、対策工の効果を定量的に評価する、この点も本実施例のポイントといえる。
現地でデータ収集を毎日行う場合、地すべりの危険性が高い豪雨時では身の危険を伴う可能性があると同時に人件費を要することが考えられる。観測技術に関して言えば、近年地下水位、地すべり変位等を全自動で計測する全自動観測システムが考案されており、このシステムでは現地に赴くことなく観測データを入手できる。しかしながら、現在の全自動観測システムは高額の設置・維持費がかかり、中小規模の地すべり地域での採用は未だ困難な状況にある。そのため、地すべり地では半自動の機械水位計により、定期的に現地に赴いて観測データを回収する方法が一般的である。
図3は本実施例に係る防災事業支援システムのシステム構成図である。図3において、防災事業支援システムは、情報入力装置1と演算装置2と情報出力装置3と、これらに接続される情報格納装置4を有するものである。情報入力装置1は、情報格納装置4に格納されるデータを入力したり、あるいは演算装置2の作動時に直接データを入力するために使用されるものである。演算装置2は、設定部5とモデル構築部6と予測水位演算部7と評価部8から構成されるものであり、情報格納装置4から読み出したデータや情報入力装置1から入力されるデータと予測モデルを用いて地下水位の予測の演算や対策工の評価を行うものであり、もって、前述の5つの機能を発揮するものである。
情報格納装置4には、大きく分けて入力データ15、パラメータデータ16、モデルデータ17、出力データ18の4種類のデータが格納されている。入力データ15は、地下水位の予測の演算等に用いられる実データであり、変動物理量である地下水位データ19、誘因物理量である降雨データ20の他、前述の例えば半減期が21日の実効雨量データ21や対策工を施した場所やその工事期間などを対策工毎に識別可能なID符号をキーとして整理した対策工データ22を備えている。
次に、パラメータデータ16は、モデル構築部6に格納されている予測モデルに用いられるパラメータや予測水位と実測の地下水位データとの乖離に関する要求水準23が含まれる。予測モデルのパラメータには、演算の初期の段階で予測モデルに用いられる初期パラメータ24と、もう一つ、初期の予測モデルで演算された予測水位の異質度が要求水準23を満足できない場合あるいは満足する場合であっても、再度演算を行う際の予測モデルに用いられる更新パラメータ26がある。これらのパラメータは、具体的には学習期間や学習周期を含み、さらに場合によってはこれらの最大値、最小値などあるいはこれらが変更された場合のものを含む概念である。また、学習期間という場合には、30日や60日など単に学習する期間を指す場合もあれば、ある時間の基点も含めて学習期間という場合の2通りがある。さらに、予測モデルとしてRBFNを用いる場合には、RBFの半径(r)、抑制パラメータ(λ)を含むものである。
演算係数25は、要求水準23を満たさない場合に実行される再度の演算を行う際に初期パラメータ24を変更するが、その際の分割幅や、あるいは再度の演算を行う際に実施されるデシメーション処理の間引き幅などが含まれる。
モデルデータ17は、予測モデルに関するデータを意味しており、初期予測モデル27と更新予測モデル28を備えている。初期予測モデル27はある地点で地下水位の予測演算を開始する当初のモデルであり、初期パラメータ24が入力されるものである。一方、更新予測モデル28は、初期予測モデル27において行った地下水位の予測水位の異質度が要求水準23を満たさない場合において、学習期間や学習周期を変更して得られる更新パラメータ26が入力されるものである。
さらに、出力データ18は、演算装置2において演算された結果のデータであり、具体的には予測水位29と対策工評価30が含まれる。
設定部5は要求水準設定部9と初期パラメータ設定部10を備えており、要求水準設定部9は、情報格納装置4の要求水準23を読み出して演算される予測水位の異質度に対する要求水準23として設定される。この設定とは、例えば情報格納装置4に格納されている複数の要求水準23の中から1の要求水準23を選定する動作を含み、その際に情報入力装置1を介して要求水準23が入力されたり、先の複数の要求水準23からいずれかが指定される場合も含む概念である。
なお、その選定は演算中あるいは演算前などいずれの時期においても可能であり、時期的な限定はしない。
初期パラメータ設定部10は、要求水準設定部9と同様に初期パラメータ24について設定するもので、要求水準設定部9における要求水準23と同様に初期パラメータ24を設定するもので概念的にも要求水準設定部9と同様であるためその説明を省略する。初期パラメータ24の内容によっては、先に説明したとおりである。
モデル構築部6の初期予測モデル構築部11は、初期予測モデル27を読み出して、初期パラメータ設定部10において設定された初期パラメータ24を入力して、予測水位の演算を実行する際の最初のモデルを決定するものである。
一方、初期予測モデル27によって予測された地下水位と実測の地下水位データ19に関してその異質度が、前述の要求水準23を満足しない場合に、求められる更新パラメータ26を入力して、予測水位の演算を実行する際のモデルを決定するのが更新予測モデル構築部12である。
予測水位演算部7は、初期予測モデル構築部11あるいは更新予測モデル構築部12によって構築された予測モデルに降雨データ20あるいは実効雨量データ21を入力して予測水位を演算するものである。演算された予測水位29は、情報格納装置4に格納される。
評価部8の予測水位精度検証部13は、予測水位演算部7によって演算された予測水位に対して地下水位データ19を用いながら異質度を演算する。この異質度が、要求水準設定部9によって設定された演算の要求水準23を満足しない場合には、用いている予測モデルが初期予測モデル27であれば、初期パラメータ24を、あるいは既に更新予測モデル28であれば、さらにその更新予測モデル28を更新することになる。
具体的には、初期パラメータ24あるいは更新パラメータ26の更新となる。その際の具体的な演算については、詳細にはフローチャートを参照しながら後述するが、演算係数25を用いて、初期パラメータ24あるいは更新パラメータ26に含まれる学習期間及び/又は学習周期を演算係数25に含まれる分割幅を用いて変更したり、演算係数25に含まれる間引き幅を用いて学習期間中の降雨データ20あるいは実効雨量データ21に対してデシメーション処理を施す。間引き幅は予め定めておいて、演算係数25として情報格納装置4に格納しておくとよいが、デシメーション処理を実行する際に、情報入力装置1から入力されるようにしておき、それを用いてもよい。なお、このデシメーション処理は、予測水位精度検証部13において実行される機能である。
また、対策工評価部14は、対策工が施される前の予測モデルを読み出して、その予測モデルに対策工が施された後の降雨データ20あるいは実効雨量データ21を入力して対策工の効果以前の状態が維持されたとした場合の予測水位を演算する。一方、対策工が施された後の予測モデルに対して、先の対策工が施された後の降雨データ20あるいは実効雨量データ21を入力して対策工の効果後の状態における予測水位を演算する。これらの水位を比較すると、この対策工が施されたことによる効果が予測水位の差となって表現される。その水位差を演算するのがこの対策工評価部14である。
この対策工の有無による予測水位の差は、対策工評価30として情報格納装置4に格納される。
情報出力装置3は、演算装置2で演算された結果や入力されたデータあるいは演算の条件などを表示あるいはデータとして外部装置に送出するためのものである。具体的には、演算された予測水位29や対策工評価30の他、取得された地下水位データ19や降雨データ20、実効雨量データ21に変換されたものや対策工データ22も出力される。さらに、初期パラメータ24から更新パラメータ26に更新された際の更新パラメータ26やそれまでの初期パラメータ24などについても出力されることになる。
なお、この出力は、例えば液晶装置やCRT装置などの画面に表示する概念の他に、印字装置に出力したり音声装置を介して出力するなどの概念を包含するものである。
図8乃至図11は、その時系列的に変動する自然現象を予測するための予測モデルを設定する過程と予測モデルによって自然災害発生の監視あるいは対策工効果の評価を行う過程について、好ましい工程・手順を示した概略フローチャートである。
時系列的に変動する自然現象を予測するための予測モデルの設定は、図8に示すように、先ず、前述のとおり、ステップS1において予測モデルによる予測結果が、最低限満足してほしい予測精度として要求水準を設定する。本実施例においては、要求水準は、予測水位と実測水位との残差平均とする。また、このステップS1と同時あるいはその前後において、現時点で得られたある地点における地下水位データと降雨データを読み取り可能に情報格納装置4に格納しておく。また、それぞれの地下水位データや降雨データを得た地点についてはその特定ができるようにID番号などを付しておく。図4においては符号Aで示している。
解析対象とする複数の地点について、降雨データ20を地下水位データ19との組で表されるデータ(本発明でいう「学習データ」と同等)を収集し、降雨データについては、必要に応じて実効雨量データ21などの降雨指標に変換し、複数の地点毎に地下水位データとの組で時系列的に整理しておくとよい。
また、降雨データ20については、実効雨量データ21などに予め変換した上でそのデータと地下水位データ19を時系列的に格納しておいてもよい。
本実施例では、基底関数の半径(r)を0.710594とし、抑制パラメータ(λ)は0.01とした。また、最大学習周期(SPmax)は60日、最小学習周期(SPmin)は1日、最大学習期間(MPmax)は360日、リコール期日(RD)は初期予測モデルを構築した1998年08月23日までとした。最小学習期間(MPmin)は15日とした。これらの最大、最小学習周期は、計測機器の性能や人件費の条件から設定すればよく、また最大学習期間(MPmax)は、初期予測モデルの予測精度から最低限必要な学習期間を判断して設定すればよい。リコール期日は、対策工の施工による影響等で大幅に地下水位が変動しはじめると予想される期日、例えば対策工の竣工日等を設定すると良い。最小学習期間(MPmin)は、最小学習周期(SPmin)よりも小さくならないように設定する。なお、これらの最大学習期間、最小学習期間、最大学習周期、最小学習周期、リコール期日などのデータは、初期パラメータ24あるいは更新パラメータ26の一部として情報格納装置4に格納しておくとよい。
次いでステップS3では、モデル構築部6の初期予測モデル構築部11において初期パラメータを用いて、初期予測モデルを構築する。初期予測モデルは、ある程度蓄積された学習データを用いて構築することが望ましく、本実施例では初期予測モデルの構築に約1年分の学習データを用いている。
ステップS5では、i+1区間において現地近傍の雨量観測所からリアルタイムで配信される降雨データを入手し、i区間で構築した更新予測モデル28に入力することで、予測水位演算部7において、i+1区間の予測水位を算出する。ステップS5で入手された降雨データ20は、情報格納装置4に格納し、いつでも読み出せるようにしておく。降雨データ20の入力は、前述のとおり情報入力装置1を用いて入力されるが、ステップS5よりも前の段階で情報入力装置1から入力しておいてもよく、予め情報格納装置4に格納しておいて、そこから読み出してもよい。また更新予測モデル28から算出した予測水位29は、情報出力装置3を用いて出力、表示させることができる。
ステップS6では、i+1区間の実測水位を現地で入手する。現地で入手した実測水位は、地下水位データ19として情報格納装置4に格納し、読み出せるようにしておく。
i+1区間の予測水位29の精度を検証した結果、要求水準23を満足しない場合、ステップS91では、現況の学習周期(i+1区間に相当)を演算係数25に含まれる分割幅Dspで再分割して(ii+N、ii+1、ii+2、・・・・ii+M)、再分割した学習周期で細かく追加学習することを考える。先ずi区間の更新予測モデルにii+1区間の降雨を入力し、ii+1区間の予測水位を算出しておく。次にステップS92において、ii+1区間の学習データを追加・忘却学習する。
次にステップS93で再構築した更新予測モデル28にii+2区間の降雨データ20を入力し、ii+2区間の予測水位を算出する(ステップS94)。この処理を再分割したSPの全ての区間で実施し、各区間で算出した予測水位29と実測水位(地下水位データ19)の精度検証をステップS95で行う。ステップS96で要求水準23を満足するか否かを検証し、要求水準23を満足した場合は、この分割幅Dspを最適な学習周期(SP)、現況の学習期間(MP)を最適値とする。要求水準23を満足しなかった場合は、現況の学習期間(MP)の学習データを古いものから徐々に減らして、ステップS93で忘却学習により予測モデルを再構築し、更新予測モデルから得られる予測水位がステップS96で要求水準23を満足するか、または最小学習期間になるまで上記の処理を繰り返す。このとき、忘却学習の対象とする学習データは、前述のように現況の学習期間のものでも良いが、最大学習期間(MPmax)の学習データ、あるいは現在からリコール期日まで過去に遡った時点までの学習データとしても良い。
なお、本実施例では学習周期や学習期間を変更することで予測モデルを再構築しているが、前述のとおり、学習期間を変更したりあるいは学習期間をそのままにしておき、それらの学習期間に含まれる学習データを予め定めた間引き幅で間引きして、学習データ数を減らすようなデシメーション処理を施すことで更新予測モデルを構築するものであってもよい。
最小学習期間(MPmin)まで学習データを減じて学習期間(MP)検討しても要求水準を満足しない場合は、分割幅Dspを減じて、学習周期(SP)を更に再分割し、同様の検討を実施し、最適な学習周期(SP)と学習期間(MP)を抽出する。これらの処理を行っても要求水準23を満足しない場合(ステップS98)は、要求水準23を下げて再度最適な学習周期(SP)及び学習期間(MP)を検討するか、現時点で最も精度の高い学習周期(SP)、学習期間(MP)を最適値とする。
なお、本実施例では、最初に学習周期を分割幅Dspによって分割し、その後、学習期間(MP)を減じる工程としたが、最初に学習期間を減じて、その後、学習周期を減じるようにしてもよい。学習周期は、地下水位データ19を現地で取得するサイクルであるためこれは可能な限り長くしておき、学習期間を短縮化することで、要求水準23が満たされる程度の予測精度が得られるのであれば、学習周期を一定にして地下水データとして実測水位を取得する頻度を減らさないでおくことが人件費などの観点から望ましいからである。
次にステップS102で再構築した更新予測モデル28に学習周期(SP)の降雨データ20を入力し、この区間の予測水位29を算出する(ステップS103)。この予測水位29とこの区間の実測水位(地下水位データ19)で精度検証を行い(ステップS104)、ステップ105で要求水準23を満足するか否かを検証する。要求水準23を満足する場合は、この学習周期(SP)と学習期間(MP)を最適値とする。要求水準23を満足しなかった場合は、学習期間(MP)の学習データを古いものから徐々に減らして、ステップS101で忘却学習を実施する。このとき、忘却学習の対象とする学習データは、前述のように現況の学習期間のものでも良いが、最大学習期間(MPmax)の学習データ、あるいは現在からリコール期日まで過去に遡った時点までの学習データとしても良い。現況の学習期間(MP')まで学習データを減じて学習期間(MP)を検討しても要求水準23を満足しない場合は、学習周期(SP)を短くして同様の処理を繰り返す。現況の学習周期(SP')まで学習周期(SP)を変化させても要求水準23を満足しない場合は、現況の学習周期(SP')と学習期間(MP')を最適値とする。
ステップS12では、追加・忘却学習を終了するか否かを選択する。
ステップS143では、対策工施工後の降雨データ20をステップS142で読み出した更新予測モデル28に入力し、再現水位を算出する。ステップS143での降雨データ20の入力は、情報入力装置1を用いて入力されるが、ステップS143よりも前の段階で情報入力装置1から入力しておいてもよく、予め情報格納装置4に格納しておいて、そこから読み出してもよい。
次にステップS144において、選定した対策工施工後の実測水位を情報格納装置4から読み出して、再現水位との水位差から対策工効果を算出する。このときの再現水位と実測水位、対策工効果は、情報出力装置3を用いて出力、表示させることができる。
続いてステップS145では、この対策工が妥当であるか否かを検証する。例えば、不十分である場合は、当初の計画に新たな対策工を追加し、逆に十分である場合、当初の計画を縮小することができる。
本実施例においては、予測モデルにRBFNを用いており、このRBFNに対して要因データと教師データを入力することで、予測モデルを用いて予測水位を演算し、さらに異質度を演算してその精度の検証を実施している。
本実施例において、予測モデルの構築に用いる要因データとは、現地近傍からリアルタイムで配信される1時間雨量などの雨量値を加工した降雨データ20を意味する。本実施例では、この降雨データ20を当日、前日、2日前、…と1日間隔でずらした7次元の長期降雨指標を指し、いずれも半減期を21日とした実効雨量データ21である。教師データは、現地で実測された地下水位データ19であり、降雨データ20、地下水位データ19共に、対象期間の全データの最大値を基準に標準化し、標準化学習データを用いてRBFNの学習に使用している。
本実施例では、第1対策工が施工される前日までを初期予測モデル27に使用する学習データとし、その対策工開始日以降を追加学習及び忘却学習の対象とする学習データに使用した(図2参照)。即ち、1997年07月20日から1998年08月23日まで(以下、「初期学習期間」という。)の394の学習データで初期予測モデル27を構築し、1998年08月24日から2001年11月18日まで(以下、「追加・忘却学習期間及び予測期間」という。)の1183の学習データで追加学習及び忘却学習により予測モデルを再構築し、更新予測モデル28として予測水位を算出した。なお、初期予測モデル27とは、本実施例では本発明を使用する時点までに入手されている学習データで構築した予測モデルを指す。また、追加・忘却学習の対象とした予測モデルを初期予測モデル27と区別するため、更新予測モデル28と呼ぶ。
図16(1)は、日時Tの更新予測モデルによる日時T以降の予測水位1(以下、図16乃至図19に示される予測水位、実測水位、学習周期、学習期間について、図中では白丸で囲まれた数字が付されているが、本文中では白丸を省略して数字のみを付す。)1を示している。日時T以降の予測水位1は、日時T以降の降雨データを更新予測モデルに入力することで算出できる。日時Tから学習周期1を経た日時T+1では、操作者が現地に赴き実測水位を入手するため、図16(2)に示すように実測水位1と前述の予測水位1を比較することができる。したがって、日時Tの更新予測モデルが現在の変動状況に適するか否かは、日時T+1における実測水位1と予測水位1の残差平均が予め設定した要求水準を満足するかどうかで判断できる。以下に要求水準を満足する場合としない場合についてそれぞれ説明する。
地下水位が急激に変動すると予想される場合、現時点の学習期間で要求水準を満足しても今後の予測精度に過去の学習データが悪影響を及ぼす可能性があるため、積極的に過去の学習データを忘却させることも重要である。そこで、前述の(A)の方法以外に図16(3)に示す (b)学習期間1の学習データに学習周期1の学習データを追加学習すると同時に追加した学習データと同じ数だけ古い学習データを削除(忘却)する方法を実施しても良い。図16〜図19では、(A)の方法を図示している。
学習周期2で追加学習した場合は、図16に比べてより早く実測水位を更新予測モデルに反映できるため、予測精度の向上が期待できる。学習周期2で追加学習した結果、予測水位1及び2を算出される(図17(5)、(6))。この予測水位1及び2の実測水位1に対する精度を検証する。精度検証の結果、要求水準を満足すれば学習周期2が最適値となるが、満足しない場合は図18(8)〜(10)のように学習周期2を固定して、最適な学習期間を決定する。最適な学習期間の決定方法は、現況の学習期間2における古い学習データから順に削除しては更新予測モデルを再構築(忘却学習)し、再構築した更新予測モデルから得られる予測水位が要求水準を満足するまで上記の処理を繰り返す。また古い学習データを削除する際には、(A)学習期間2から検討しても良いが、(b)最大学習期間や(c)リコール期日まで遡った期間から検討しても良い。図18では学習期間2から検討した例を示している。最小学習期間まで忘却学習しても要求水準を満足しない場合は、学習周期2を更に短くして同様の処理を繰り返していく。最小学習周期及び最小学習期間まで検討しても、要求水準を満足しない場合は、要求水準を下げるかあるいは現時点で最も精度の良い学習周期と学習期間を最適値とする。
図19(12)は、最大学習周期で追加学習した場合の更新予測モデルの精度を検証している。精度検証の結果、要求水準を満足する場合、次からは最大学習周期まで現地に赴く必要がない。また要求水準を満足しなければ、学習周期2、学習期間2で図19(11)の状態から継続して処理を行う必要がある。
図24は、第2対策工の施工前日で追加・忘却学習を一端中止し、それまでの更新予測モデルで第2対策工施工中及び施工後の再現水位を算出して、実測水位と比較したものである。図24よりこの更新予測モデルでは、第2対策工による急激な地下水位の変動に追随できていない。しかしながら、この期間の再現水位と実測水位の水位差は、第2対策工による地下水位の低下効果を示しているとも考えられる。したがって、第2対策工の効果は、約3mと評価できる(図24参照)。
第3対策工の効果も同様に評価が可能である。図25は、第3対策工施工前日で追加・忘却学習を一端中止し、それまでの更新予測モデルで第3対策工施工中及び施工後の再現水位を算出して、実測水位と比較したものである。第3対策工の効果は、図25に示すように豪雨時でも約10mの効果があり、対策工効果は十分であると評価できる。
また、要求水準を満足しない場合において、学習期間や学習周期を分割幅などの演算係数を用いて変化、特に短縮化させたり、間引き幅を用いて学習期間における学習データを間引くことで要求水準を満足する更新パラメータとそれを採用する更新予測モデルを構築することが可能であるため、例えば対策工などが施された際に、急激に変化する地下水位に対しても追従可能な予測モデルを構築することができ、その予測精度を高く維持して防災事業の支援に対する安全性を担保することが可能である。
さらに、学習期間や学習周期などのパラメータが安全側、すなわち短めに設定され過ぎている場合には、それを長くするような修正も可能であり、予測対象の地形などの現状に即した地下水位などの評価が可能となっている。
従って、安全性を担保しながら経済コストをも改善することが可能で、防災授業に従事する作業者の確保やその人件費の圧縮に効果を奏する。
さらに、対策工評価部を備えているため、対策工が施された際に、その対策工による効果を実証することが可能である。また、その対策工による効果が十分であるか否かも評価が可能であり、追加の対策工を実施するか否かの判断も可能となり、防災事業計画の策定などに利用することが可能である。
情報入力装置は、変動物理量と誘因物理量を含む入力データと、変動物理量の予測モデルによって演算される予測量に対する要求水準と予測モデルの学習周期及び学習期間を備えるパラメータと演算係数とを含むパラメータデータとを、情報格納装置に入力可能な手段であって、
演算装置は、学習周期毎に学習期間に入力される変動物理量と誘因物理量を用いて予測モデルを構築し(以下、予測モデルの構築に用いられた変動物理量と誘因物理量の組で表されるデータセットを学習データという。)、構築された予測モデルを情報格納装置に格納するモデル構築部と、情報格納装置に格納された予測モデルに、情報格納装置から読み出されたパラメータデータ又は情報入力装置から入力されたパラメータデータと予測モデルを構築した学習期間から学習周期後の次の学習周期において実測された誘因物理量を用いて次の学習周期における予測変動物理量を演算する予測変動物理量演算部と、この予測変動物理量演算部で演算された予測変動物理量と次の学習周期において実測された変動物理量の差に基づく指標(以下、異質度と略す。)を演算し、情報格納装置から要求水準を読み出して異質度と比較して予測変動物理量の精度を判定する予測変動物理量精度検証部とを備え、
演算係数は、学習周期の分割幅と学習期間の分割幅を含み、
予測変動物理量精度検証部は、演算した異質度が要求水準を満足しない場合に学習周期及び/又は学習期間をそれぞれ更新学習周期及び/又は更新学習期間として更新パラメータを生成し、この更新パラメータを予測変動物理量演算部に送信し、
更新学習周期は、学習周期と同一の学習周期であり、更新学習期間は予め定められた最大学習期間、リコール期日までの期間、学習期間に学習周期を加えた期間、学習期間と同一の学習期間のいずれか1つの学習期間であって、
予測変動物理量演算部は、予測モデルに更新パラメータを入力し、誘因物理量を用いて更新パラメータの学習期間における予測変動物理量を演算し、
予測変動物理量精度検証部は、再度異質度を演算して要求水準と比較して再度演算された予測変動物理量の精度を判定し、再度演算された異質度が要求水準を満足しない場合には更新学習周期及び/又は更新学習期間をそれぞれの分割幅減じて再度更新パラメータとして生成し、この更新パラメータを予測変動物理量演算部に送信し、満足するまでそれぞれの分割幅減じて更新パラメータを生成するものであり、
情報出力装置は、入力データとパラメータデータと予測モデルと予測変動物理量と異質度のうち少なくとも1の情報を出力可能な手段であって、
情報格納装置は、入力データとパラメータデータと予測モデルの他、予測変動物理量と異質度を格納可能な手段であるものである。
情報入力装置は、変動物理量と誘因物理量を含む入力データと、変動物理量の予測モデルによって演算される予測量に対する要求水準と予測モデルの学習周期及び学習期間を備えるパラメータと演算係数とを含むパラメータデータとを、情報格納装置に入力可能な手段であって、
演算装置は、学習周期毎に学習期間に入力される変動物理量と誘因物理量を用いて予測モデルを構築し(以下、予測モデルの構築に用いられた変動物理量と誘因物理量の組で表されるデータセットを学習データという。)、構築された予測モデルを情報格納装置に格納するモデル構築部と、情報格納装置に格納された予測モデルに、情報格納装置から読み出されたパラメータデータ又は情報入力装置から入力されたパラメータデータと予測モデルを構築した学習期間から学習周期後の次の学習周期において実測された誘因物理量を用いて次の学習周期における予測変動物理量を演算する予測変動物理量演算部と、この予測変動物理量演算部で演算された予測変動物理量と次の学習周期において実測された変動物理量の差に基づく指標(以下、異質度と略す。)を演算し、情報格納装置から要求水準を読み出して異質度と比較して予測変動物理量の精度を判定する予測変動物理量精度検証部とを備え、
予測変動物理量精度検証部は、演算した異質度が要求水準を満足しない場合に学習期間を更新学習期間として更新パラメータを生成し、この更新パラメータを予測変動物理量演算部に送信し、
更新学習期間は予め定められた最大学習期間、リコール期日までの期間、学習期間に学習周期を加えた期間、学習期間と同一の学習期間のいずれか1つの学習期間であって、
予測変動物理量演算部は、予測モデルに更新パラメータを入力し、誘因物理量を用いて更新パラメータの学習期間における予測変動物理量を演算し、
予測変動物理量精度検証部は、再度異質度を演算して要求水準と比較して再度演算された予測変動物理量の精度を判定し、再度演算された異質度が要求水準を満足しない場合には更新学習期間に含まれる学習データの一部を削除するデシメーション処理手段を備え、一部を削除された学習データを予測変動物理量演算部に送信し、満足するまで学習データの一部を削除するものであり、
情報出力装置は、入力データとパラメータデータと予測モデルと予測変動物理量と異質度のうち少なくとも1の情報を出力可能な手段であって、
情報格納装置は、入力データとパラメータデータと予測モデルの他、予測変動物理量と異質度を格納可能な手段であるものである。
情報入力装置は、変動物理量と誘因物理量を含む入力データと、変動物理量の予測モデルによって演算される予測量に対する要求水準と予測モデルの学習周期及び学習期間を備えるパラメータと演算係数とを含むパラメータデータとを、情報格納装置に入力可能な手段であって、
演算装置は、学習周期毎に学習期間に入力される変動物理量と誘因物理量を用いて予測モデルを構築し(以下、予測モデルの構築に用いられた変動物理量と誘因物理量の組で表されるデータセットを学習データという。)、構築された予測モデルを情報格納装置に格納するモデル構築部と、情報格納装置に格納された予測モデルに、情報格納装置から読み出されたパラメータデータ又は情報入力装置から入力されたパラメータデータと予測モデルを構築した学習期間から学習周期後の次の学習周期において実測された誘因物理量を用いて次の学習周期における予測変動物理量を演算する予測変動物理量演算部と、この予測変動物理量演算部で演算された予測変動物理量と次の学習周期において実測された変動物理量の差に基づく指標(以下、異質度と略す。)を演算し、情報格納装置から要求水準を読み出して異質度と比較して予測変動物理量の精度を判定する予測変動物理量精度検証部とを備え、
演算係数は、学習周期の分割幅と学習期間の分割幅を含み、
予測変動物理量精度検証部は、演算した異質度が要求水準を満足する場合に学習周期及び/又は学習期間をそれぞれ更新学習周期及び/又は更新学習期間として更新パラメータを生成し、この更新パラメータを予測変動物理量演算部に送信し、
更新学習周期は、予め定められた最大学習周期であり、更新学習期間は予め定められた最大学習期間、リコール期日までの期間、学習期間に学習周期を加えた期間、学習期間と同一の学習期間のいずれか1つの学習期間であって、
予測変動物理量演算部は、予測モデルに更新パラメータを入力し、誘因物理量を用いて更新パラメータの学習期間における予測変動物理量を演算し、予測変動物理量精度検証部は、再度異質度を演算して要求水準と比較して再度演算された予測変動物理量の精度を判定し、再度演算された異質度が要求水準を満足しない場合には更新学習周期及び/又は更新学習期間をそれぞれの分割幅減じて再度更新パラメータとして生成し、この更新パラメータを予測変動物理量演算部に送信し、満足するまでそれぞれの分割幅減じて更新パラメータを生成するものであり、
情報出力装置は、入力データとパラメータデータと予測モデルと予測変動物理量と異質度のうち少なくとも1の情報を出力可能な手段であって、
情報格納装置は、入力データとパラメータデータと予測モデルの他、予測変動物理量と異質度を格納可能な手段であるものである。
演算装置は、情報格納装置から読み出された対策工データ又は情報入力装置から入力された対策工データに含まれる対策工時期を検索し、その対策工時期以前の予測モデルを読み出す手段と、この読み出された予測モデルに対策工時期以後の所望の学習期間における誘因物理量を情報格納装置から読み出して入力して再現変動物理量を演算する手段と、この再現変動物理量と所望の学習期間における実測された変動物理量の差を演算する手段とを有するものである。
また、要求水準を満たさない場合あるいは満たす場合であっても学習周期や学習期間を修正することによって予測モデルを更新することができる。従って、予測に用いられる誘因物理量と変動物理量の関係が崩れた場合には、追加学習を容易に行うことができる。また、自然の変化や人工的な処理に伴う状況の変化に追随し高い汎化能力を維持することができる。
特に、請求項5に記載された防災事業支援システムにおいては、施された対策工の発揮する防災上の効果を把握することができる。
また、特に請求項6に記載された防災事業支援システムにおいては、予測モデルにRBFNを用いることで、容易にかつ短時間に追加学習でき、しかも、結線の重みを決定する学習を、簡単な正則行列の逆行列を解くことによって行うことができるため、状況の変化により追随し高い汎化能力を発揮することができる。
情報入力装置は、変動物理量と誘因物理量を含む入力データと、変動物理量の予測モデルによって演算される予測量に対する要求水準と予測モデルの学習周期及び学習期間を備えるパラメータと演算係数とを含むパラメータデータとを、情報格納装置に入力可能な手段であって、
演算装置は、学習周期毎に学習期間に入力される変動物理量と誘因物理量を用いて予測モデルを構築し(以下、予測モデルの構築に用いられた変動物理量と誘因物理量の組で表されるデータセットを学習データという。)、構築された予測モデルを情報格納装置に格納するモデル構築部と、情報格納装置に格納された予測モデルに、情報格納装置から読み出されたパラメータデータ又は情報入力装置から入力されたパラメータデータと予測モデルを構築した学習期間から学習周期後の次の学習周期において実測された誘因物理量を用いて次の学習周期における予測変動物理量を演算する予測変動物理量演算部と、この予測変動物理量演算部で演算された予測変動物理量と次の学習周期において実測された変動物理量の差に基づく指標(以下、異質度と略す。)を演算し、情報格納装置から要求水準を読み出して異質度と比較して予測変動物理量の精度を判定する予測変動物理量精度検証部とを備え、
演算係数は、学習周期の分割幅と学習期間の分割幅を含み、
予測変動物理量演算部は、誘因物理量を用いて予測変動物理量を演算し、
予測変動物理量精度検証部は、予測変動物理量と変動物理量に基づき演算した異質度が要求水準を満足しない場合に更新学習周期及び/又は更新学習期間からなる更新パラメータを生成し、この更新パラメータを予測変動物理量演算部に送信し、
予測変動物理量演算部は、予測モデルに更新パラメータを入力し、誘因物理量を用いて更新パラメータの学習期間における予測変動物理量を演算し、
予測変動物理量精度検証部は、予測変動物理量と変動物理量に基づき再度異質度を演算して要求水準と比較して再度演算された予測変動物理量の精度を判定し、再度演算された異質度が要求水準を満足しない場合には更新学習周期及び/又は更新学習期間をそれぞれの分割幅減じて再度更新パラメータとして生成し、この更新パラメータを予測変動物理量演算部に送信し、要求水準を満足するまでそれぞれの分割幅減じて更新パラメータを生成し、この更新パラメータを予測変動物理量演算部に送信する処理を繰り返すものであり、
更新学習周期は、学習周期と同一の学習周期であり、更新学習期間は予め定められた最大学習期間、リコール期日までの期間、学習期間に学習周期を加えた期間、学習期間と同一の学習期間のいずれか1つの学習期間であって、
情報出力装置は、入力データとパラメータデータと予測モデルと予測変動物理量と異質度のうち少なくとも1の情報を出力可能な手段であって、
情報格納装置は、入力データとパラメータデータと予測モデルの他、予測変動物理量と異質度を格納可能な手段であるものである。
情報入力装置は、変動物理量と誘因物理量を含む入力データと、変動物理量の予測モデルによって演算される予測量に対する要求水準と予測モデルの学習周期及び学習期間を備えるパラメータと演算係数とを含むパラメータデータとを、情報格納装置に入力可能な手段であって、
演算装置は、学習周期毎に学習期間に入力される変動物理量と誘因物理量を用いて予測モデルを構築し(以下、予測モデルの構築に用いられた変動物理量と誘因物理量の組で表されるデータセットを学習データという。)、構築された予測モデルを情報格納装置に格納するモデル構築部と、情報格納装置に格納された予測モデルに、情報格納装置から読み出されたパラメータデータ又は情報入力装置から入力されたパラメータデータと予測モデルを構築した学習期間から学習周期後の次の学習周期において実測された誘因物理量を用いて次の学習周期における予測変動物理量を演算する予測変動物理量演算部と、この予測変動物理量演算部で演算された予測変動物理量と次の学習周期において実測された変動物理量の差に基づく指標(以下、異質度と略す。)を演算し、情報格納装置から要求水準を読み出して異質度と比較して予測変動物理量の精度を判定する予測変動物理量精度検証部とを備え、
予測変動物理量演算部は、誘因物理量を用いて予測変動物理量を演算し、
予測変動物理量精度検証部は、予測変動物理量と変動物理量に基づき演算した異質度が要求水準を満足しない場合に更新学習期間からなる更新パラメータを生成し、この更新パラメータを予測変動物理量演算部に送信し、
予測変動物理量演算部は、予測モデルに更新パラメータを入力し、誘因物理量を用いて更新パラメータの学習期間における予測変動物理量を演算し、
予測変動物理量精度検証部は、予測変動物理量と変動物理量に基づき再度異質度を演算して要求水準と比較して再度演算された予測変動物理量の精度を判定し、再度演算された異質度が要求水準を満足しない場合には更新学習期間に含まれる学習データの一部を削除するデシメーション処理手段を備え、一部を削除された学習データを予測変動物理量演算部に送信し、要求水準を満足するまで学習データの一部を削除し、この一部を削除された学習データを予測変動物理量演算部に送信する処理を繰り返すものであり、
更新学習期間は予め定められた最大学習期間、リコール期日までの期間、学習期間に学習周期を加えた期間、学習期間と同一の学習期間のいずれか1つの学習期間であって、
情報出力装置は、入力データとパラメータデータと予測モデルと予測変動物理量と異質度のうち少なくとも1の情報を出力可能な手段であって、
情報格納装置は、入力データとパラメータデータと予測モデルの他、予測変動物理量と異質度を格納可能な手段であるものである。
情報入力装置は、変動物理量と誘因物理量を含む入力データと、変動物理量の予測モデルによって演算される予測量に対する要求水準と予測モデルの学習周期及び学習期間を備えるパラメータと演算係数とを含むパラメータデータとを、情報格納装置に入力可能な手段であって、
演算装置は、学習周期毎に学習期間に入力される変動物理量と誘因物理量を用いて予測モデルを構築し(以下、予測モデルの構築に用いられた変動物理量と誘因物理量の組で表されるデータセットを学習データという。)、構築された予測モデルを情報格納装置に格納するモデル構築部と、情報格納装置に格納された予測モデルに、情報格納装置から読み出されたパラメータデータ又は情報入力装置から入力されたパラメータデータと予測モデルを構築した学習期間から学習周期後の次の学習周期において実測された誘因物理量を用いて次の学習周期における予測変動物理量を演算する予測変動物理量演算部と、この予測変動物理量演算部で演算された予測変動物理量と次の学習周期において実測された変動物理量の差に基づく指標(以下、異質度と略す。)を演算し、情報格納装置から要求水準を読み出して異質度と比較して予測変動物理量の精度を判定する予測変動物理量精度検証部とを備え、
演算係数は、学習周期の分割幅と学習期間の分割幅を含み、
予測変動物理量演算部は、誘因物理量を用いて予測変動物理量を演算し、
予測変動物理量精度検証部は、予測変動物理量と変動物理量に基づき演算した異質度が要求水準を満足する場合に更新学習周期及び/又は更新学習期間からなる更新パラメータを生成し、この更新パラメータを予測変動物理量演算部に送信し、
予測変動物理量演算部は、予測モデルに更新パラメータを入力し、誘因物理量を用いて更新パラメータの学習期間における予測変動物理量を演算し、予測変動物理量精度検証部は、予測変動物理量と変動物理量に基づき再度異質度を演算して要求水準と比較して再度演算された予測変動物理量の精度を判定し、再度演算された異質度が要求水準を満足しない場合には更新学習周期及び/又は更新学習期間をそれぞれの分割幅減じて再度更新パラメータとして生成し、この更新パラメータを予測変動物理量演算部に送信し、要求水準を満足するまでそれぞれの分割幅ほど減じて更新パラメータを生成し、この更新パラメータを予測変動物理量演算部に送信する処理を繰り返すものであり、
更新学習周期は、予め定められた最大学習周期であり、更新学習期間は予め定められた最大学習期間、リコール期日までの期間、学習期間に学習周期を加えた期間、学習期間と同一の学習期間のいずれか1つの学習期間であって、
情報出力装置は、入力データとパラメータデータと予測モデルと予測変動物理量と異質度のうち少なくとも1の情報を出力可能な手段であって、
情報格納装置は、入力データとパラメータデータと予測モデルの他、予測変動物理量と異質度を格納可能な手段であるものである。
演算装置は、情報格納装置から読み出された対策工データ又は情報入力装置から入力された対策工データに含まれる対策工時期を検索し、その対策工時期以前の予測モデルを読み出す手段と、この読み出された予測モデルに対策工時期以後の所望の学習期間における誘因物理量を情報格納装置から読み出して入力して再現変動物理量を演算する手段と、この再現変動物理量と所望の学習期間における実測された変動物理量の差を演算する手段とを有するものである。
また、要求水準を満たさない場合あるいは満たす場合であっても学習周期や学習期間を修正することによって予測モデルを更新することができる。従って、予測に用いられる誘因物理量と変動物理量の関係が崩れた場合には、追加学習を容易に行うことができる。また、自然の変化や人工的な処理に伴う状況の変化に追随し高い汎化能力を維持することができる。
特に、請求項5に記載された防災事業支援システムにおいては、施された対策工の発揮する防災上の効果を把握することができる。
また、特に請求項6に記載された防災事業支援システムにおいては、予測モデルにRBFNを用いることで、容易にかつ短時間に追加学習でき、しかも、結線の重みを決定する学習を、簡単な正則行列の逆行列を解くことによって行うことができるため、状況の変化により追随し高い汎化能力を発揮することができる。
情報入力装置は、変動物理量と誘因物理量を含む入力データと、変動物理量の予測モデルによって演算される予測量に対する要求水準と予測モデルの学習周期及び学習期間を備えるパラメータと演算係数とを含むパラメータデータとを、情報格納装置に入力可能な手段であって、
演算装置は、学習周期毎に学習期間に入力される変動物理量と誘因物理量を用いて予測モデルを構築し(以下、予測モデルの構築に用いられた変動物理量と誘因物理量の組で表されるデータセットを学習データという。)、構築された予測モデルを情報格納装置に格納するモデル構築部と、情報格納装置に格納された予測モデルに、情報格納装置から読み出されたパラメータデータ又は情報入力装置から入力されたパラメータデータと予測モデルを構築した学習期間から学習周期後の次の学習周期において実測された誘因物理量を用いて次の学習周期における予測変動物理量を演算する予測変動物理量演算部と、この予測変動物理量演算部で演算された予測変動物理量と次の学習周期において実測された変動物理量の差に基づく指標(以下、異質度と略す。)を演算し、情報格納装置から要求水準を読み出して異質度と比較して予測変動物理量の精度を判定する予測変動物理量精度検証部とを備え、
演算係数は、学習周期の分割幅と学習期間の分割幅を含み、
予測変動物理量演算部は、誘因物理量を用いて予測変動物理量を演算し、
予測変動物理量精度検証部は、予測変動物理量と変動物理量に基づき演算した異質度が要求水準を満足しない場合に、学習周期と同一の学習周期である更新学習周期及び/又は予め定められた最大学習期間、リコール期日までの期間、学習期間と同一の学習期間のいずれか1つの学習期間である更新学習期間からなる更新パラメータを生成し、この更新パラメータを予測変動物理量演算部に送信し、
予測変動物理量演算部は、予測モデルに更新パラメータを入力し、誘因物理量を用いて更新パラメータの学習期間における予測変動物理量を演算し、
予測変動物理量精度検証部は、予測変動物理量と変動物理量に基づき再度異質度を演算して要求水準と比較して再度演算された予測変動物理量の精度を判定し、再度演算された異質度が要求水準を満足しない場合には更新学習周期及び/又は更新学習期間をそれぞれの分割幅減じて再度更新パラメータとして生成し、この更新パラメータを予測変動物理量演算部に送信し、要求水準を満足するまでそれぞれの分割幅減じて更新パラメータを生成し、この更新パラメータを予測変動物理量演算部に送信する処理を繰り返すものであり、
情報出力装置は、入力データとパラメータデータと予測モデルと予測変動物理量と異質度のうち少なくとも1の情報を出力可能な手段であって、
情報格納装置は、入力データとパラメータデータと予測モデルの他、予測変動物理量と異質度を格納可能な手段であるものである。
情報入力装置は、変動物理量と誘因物理量を含む入力データと、変動物理量の予測モデルによって演算される予測量に対する要求水準と予測モデルの学習周期及び学習期間を備えるパラメータと演算係数とを含むパラメータデータとを、情報格納装置に入力可能な手段であって、
演算装置は、学習周期毎に学習期間に入力される変動物理量と誘因物理量を用いて予測モデルを構築し(以下、予測モデルの構築に用いられた変動物理量と誘因物理量の組で表されるデータセットを学習データという。)、構築された予測モデルを情報格納装置に格納するモデル構築部と、情報格納装置に格納された予測モデルに、情報格納装置から読み出されたパラメータデータ又は情報入力装置から入力されたパラメータデータと予測モデルを構築した学習期間から学習周期後の次の学習周期において実測された誘因物理量を用いて次の学習周期における予測変動物理量を演算する予測変動物理量演算部と、この予測変動物理量演算部で演算された予測変動物理量と次の学習周期において実測された変動物理量の差に基づく指標(以下、異質度と略す。)を演算し、情報格納装置から要求水準を読み出して異質度と比較して予測変動物理量の精度を判定する予測変動物理量精度検証部とを備え、
予測変動物理量演算部は、誘因物理量を用いて予測変動物理量を演算し、
予測変動物理量精度検証部は、予測変動物理量と変動物理量に基づき演算した異質度が要求水準を満足しない場合に、予め定められた最大学習期間、リコール期日までの期間、学習期間と同一の学習期間のいずれか1つの学習期間である更新学習期間からなる更新パラメータを生成し、この更新パラメータを予測変動物理量演算部に送信し、
予測変動物理量演算部は、予測モデルに更新パラメータを入力し、誘因物理量を用いて更新パラメータの学習期間における予測変動物理量を演算し、
予測変動物理量精度検証部は、予測変動物理量と変動物理量に基づき再度異質度を演算して要求水準と比較して再度演算された予測変動物理量の精度を判定し、再度演算された異質度が要求水準を満足しない場合には更新学習期間に含まれる学習データの一部を削除するデシメーション処理手段を備え、一部を削除された学習データを予測変動物理量演算部に送信し、要求水準を満足するまで学習データの一部を削除し、この一部を削除された学習データを予測変動物理量演算部に送信する処理を繰り返すものであり、
情報出力装置は、入力データとパラメータデータと予測モデルと予測変動物理量と異質度のうち少なくとも1の情報を出力可能な手段であって、
情報格納装置は、入力データとパラメータデータと予測モデルの他、予測変動物理量と異質度を格納可能な手段であるものである。
情報入力装置は、変動物理量と誘因物理量を含む入力データと、変動物理量の予測モデルによって演算される予測量に対する要求水準と予測モデルの学習周期及び学習期間を備えるパラメータと演算係数とを含むパラメータデータとを、情報格納装置に入力可能な手段であって、
演算装置は、学習周期毎に学習期間に入力される変動物理量と誘因物理量を用いて予測モデルを構築し(以下、予測モデルの構築に用いられた変動物理量と誘因物理量の組で表されるデータセットを学習データという。)、構築された予測モデルを情報格納装置に格納するモデル構築部と、情報格納装置に格納された予測モデルに、情報格納装置から読み出されたパラメータデータ又は情報入力装置から入力されたパラメータデータと予測モデルを構築した学習期間から学習周期後の次の学習周期において実測された誘因物理量を用いて次の学習周期における予測変動物理量を演算する予測変動物理量演算部と、この予測変動物理量演算部で演算された予測変動物理量と次の学習周期において実測された変動物理量の差に基づく指標(以下、異質度と略す。)を演算し、情報格納装置から要求水準を読み出して異質度と比較して予測変動物理量の精度を判定する予測変動物理量精度検証部とを備え、
演算係数は、学習周期の分割幅と学習期間の分割幅を含み、
予測変動物理量演算部は、誘因物理量を用いて予測変動物理量を演算し、
予測変動物理量精度検証部は、予測変動物理量と変動物理量に基づき演算した異質度が要求水準を満足する場合に、予め定められた最大学習周期である更新学習周期及び/又は予め定められた最大学習期間、リコール期日までの期間、学習期間と同一の学習期間のいずれか1つの学習期間である更新学習期間からなる更新パラメータを生成し、この更新パラメータを予測変動物理量演算部に送信し、
予測変動物理量演算部は、予測モデルに更新パラメータを入力し、誘因物理量を用いて更新パラメータの学習期間における予測変動物理量を演算し、予測変動物理量精度検証部は、予測変動物理量と変動物理量に基づき再度異質度を演算して要求水準と比較して再度演算された予測変動物理量の精度を判定し、再度演算された異質度が要求水準を満足しない場合には更新学習周期及び/又は更新学習期間をそれぞれの分割幅減じて再度更新パラメータとして生成し、この更新パラメータを予測変動物理量演算部に送信し、要求水準を満足するまでそれぞれの分割幅ほど減じて更新パラメータを生成し、この更新パラメータを予測変動物理量演算部に送信する処理を繰り返すものであり、
情報出力装置は、入力データとパラメータデータと予測モデルと予測変動物理量と異質度のうち少なくとも1の情報を出力可能な手段であって、
情報格納装置は、入力データとパラメータデータと予測モデルの他、予測変動物理量と異質度を格納可能な手段であるものである。
また、特に請求項6に記載された防災事業支援システムにおいては、予測モデルにRBFNを用いることで、容易にかつ短時間に追加学習でき、しかも、結線の重みを決定する学習を、簡単な正則行列の逆行列を解くことによって行うことができるため、状況の変化により追随し高い汎化能力を発揮することができる。
Claims (7)
- (単に予測モデルの精度を判定するまでの発明)
情報入力装置と、情報格納装置と、演算装置と、情報出力装置を有し、時系列的に変動する自然現象の物理量(以下、変動物理量と略す。)とその誘因となる少なくとも1つの自然現象の物理量(以下、誘引物理量と略す。)を用いて前記変動物理量の予測量を演算してその結果を防災事業に活用する防災事業支援システムであって、
前記情報入力装置は、前記変動物理量と誘因物理量を含む入力データと、前記変動物理量の予測モデルによって演算される予測量に対する要求水準と前記予測モデルの学習周期及び学習期間を備えるパラメータと演算係数とを含むパラメータデータとを、前記情報格納装置に入力可能な手段であって、
前記演算装置は、前記学習周期毎に前記学習期間に入力される変動物理量と誘因物理量を用いて予測モデルを構築し(以下、予測モデルの構築に用いられた変動物理量と予測物理量の組で表されるデータセットを学習データという。)、構築された予測モデルを前記情報格納装置に格納するモデル構築部と、前記情報格納装置に格納された予測モデルに、前記情報格納装置から読み出されたパラメータデータ又は前記情報入力装置から入力されたパラメータデータと前記予測モデルを構築した学習期間から前記学習周期後の次の学習周期において実測された前記誘因物理量を用いて前記次の学習周期における予測変動物理量を演算する予測変動物理量演算部と、この予測変動物理量演算部で演算された予測変動物理量と前記次の学習周期において実測された前記変動物理量を用いて異質度を演算し、前記情報格納装置から要求水準を読み出して前記異質度と比較して前記予測変動物理量の精度を判定する予測変動物理量精度検証部とを備え、
前記情報出力装置は、前記入力データとパラメータデータと予測モデルと予測変動物理量と前記異質度のうち少なくとも1の情報を出力可能な手段であって、
前記情報格納装置は、前記入力データとパラメータデータと予測モデルの他、前記予測変動物理量と異質度を格納可能な手段であることを特徴とする防災事業支援システム。 - (精度を判定し、満足しない場合に学習周期あるいは学習期間を変更させる更新パラメータを生成するという内容の発明)
前記演算係数は、前記学習周期の分割幅と前記学習期間の分割幅を含み、
前記予測変動物理量精度検証部は、演算した前記異質度が前記要求水準を満足しない場合に前記学習周期及び/又は学習期間をそれぞれ更新学習周期及び/又は更新学習期間として更新パラメータを生成し、この更新パラメータを前記予測変動物理量演算部に送信し、
前記予測変動物理量演算部は、前記予測モデルに前記更新パラメータを入力し、前記誘引物理量を用いて前記更新パラメータの学習期間における予測変動物理量を演算し、
前記予測変動物理量精度検証部は、再度異質度を演算して前記要求水準と比較して再度演算された予測変動物理量の精度を判定し、前記再度演算された異質度が前記要求水準を満足しない場合には前記更新学習周期及び/又は更新学習期間をそれぞれの前記分割幅ほど減じて再度更新パラメータとして生成し、この更新パラメータを前記予測変動物理量演算部に送信し、満足するまでそれぞれの前記分割幅ほど減じて更新パラメータを生成するものであって、
前記更新学習周期は、前記学習周期と同一の学習周期であり、前記更新学習期間は予め定められた最大学習期間、リコール期日までの期間、前記学習期間に前記学習周期を加えた期間、前記学習期間と同一の学習期間のいずれか1つの学習期間であることを特徴とする請求項1記載の防災事業支援システム。 - (精度を判定し、満足しない場合にデシメーション処理を施して更新パラメータの学習期間における誘因物理量を削除するという内容の発明)
前記予測変動物理量精度検証部は、演算した前記異質度が前記要求水準を満足しない場合に前記学習期間を更新学習期間として更新パラメータを生成し、この更新パラメータを前記予測変動物理量演算部に送信し、
前記予測変動物理量演算部は、前記予測モデルに前記更新パラメータを入力し、前記誘引物理量を用いて前記更新パラメータの学習期間における予測変動物理量を演算し、
前記予測変動物理量精度検証部は、再度異質度を演算して前記要求水準と比較して再度演算された予測変動物理量の精度を判定し、前記再度演算された異質度が前記要求水準を満足しない場合には前記更新学習期間に含まれる学習データの一部を削除するデシメーション処理手段を備え、前記一部を削除された学習データを前記予測変動物理量演算部に送信し、満足するまで前記学習データの一部を削除するものであって、
前記更新学習期間は予め定められた最大学習期間、リコール期日までの期間、前記学習期間に前記学習周期を加えた期間、前記学習期間と同一の学習期間のいずれか1つの学習期間であることを特徴とする請求項1記載の防災事業支援システム。 - (要求水準を満足する場合に学習周期及び/又は学習期間の設定を変更する、あるいはそのまま変更せず忘却学習をおこなうように学習期間をスライドさせる更新パラメータを生成するという内容の発明)
前記演算係数は、前記学習周期の分割幅と前記学習期間の分割幅を含み、
前記予測変動物理量精度検証部は、演算した前記異質度が前記要求水準を満足する場合に前記学習周期及び/又は学習期間をそれぞれ更新学習周期及び/又は更新学習期間として更新パラメータを生成し、この更新パラメータを前記予測変動物理量演算部に送信し、
前記予測変動物理量演算部は、前記予測モデルに前記更新パラメータを入力し、前記誘引物理量を用いて前記更新パラメータの学習期間における予測変動物理量を演算し、前記予測変動物理量精度検証部は、再度異質度を演算して前記要求水準と比較して再度演算された予測変動物理量の精度を判定し、前記再度演算された異質度が前記要求水準を満足しない場合には前記更新学習周期及び/又は更新学習期間をそれぞれの前記分割幅ほど減じて再度更新パラメータとして生成し、この更新パラメータを前記予測変動物理量演算部に送信し、満足するまでそれぞれの前記分割幅ほど減じて更新パラメータを生成するものであって、
前記更新学習周期は、予め定められた最大学習周期であり、前記更新学習期間は予め定められた最大学習期間、リコール期日までの期間、前記学習期間に前記学習周期を加えた期間、前記学習期間と同一の学習期間のいずれか1つの学習期間であることを特徴とする請求項1記載の防災事業支援システム。 - (要求水準を満足する場合としない場合の両方で、更新パラメータを用いて更新予測モデルを構築するところまで含む発明)
前記モデル構築部は、前記予測変動物理量精度検証部において再度演算された異質度が前記要求水準を満足する場合に、前記更新パラメータに含まれる更新学習期間における学習データを前記予測モデルの更新学習データとして前記更新予測モデルを構築することを特徴とする請求項2乃至請求項4のいずれか1項に記載の防災事業支援システム。 - 前記入力データは、防災事業に係る対策工に関する対策工データを含み、
前記演算装置は、前記情報格納装置から読み出された対策工データ又は前記情報入力装置から入力された対策工データに含まれる対策工時期を検索し、その対策工時期以前の予測モデルを読み出す手段と、この読み出された予測モデルに前記対策工時期以後の所望の学習期間における誘引物理量を前記情報格納装置から読み出して入力して再現変動物理量を演算する手段と、この再現変動物理量と前記所望の学習期間における実測された変動物理量の差を演算する手段とを有することを特徴とする請求項1乃至請求項5のいずれか1項に記載の防災事業支援システム。 - 前記予測モデルは、複数の入力素子を有する入力層と複数の中間素子を有する中間層と1つの出力素子を有する出力層との階層構造を備え、前記中間素子が放射状基底関数(以下、RBFということがある。)であり、前記複数の中間素子と出力素子との結線の重みを学習するRBFネットワーク(以下、RBFNということがある。)であり、
前記パラメータデータは、前記RBFNの基底関数の半径と抑制パラメータとを含むことを特徴とする請求項1乃至請求項6のいずれか1項に記載の防災事業支援システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004119668A JP3646726B1 (ja) | 2004-04-14 | 2004-04-14 | 防災事業支援システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004119668A JP3646726B1 (ja) | 2004-04-14 | 2004-04-14 | 防災事業支援システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP3646726B1 JP3646726B1 (ja) | 2005-05-11 |
JP2005301840A true JP2005301840A (ja) | 2005-10-27 |
Family
ID=34616960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2004119668A Expired - Fee Related JP3646726B1 (ja) | 2004-04-14 | 2004-04-14 | 防災事業支援システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3646726B1 (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5875669B1 (ja) * | 2014-12-24 | 2016-03-02 | エー・シー・エス株式会社 | 土砂災害予測システム |
JP2019028824A (ja) * | 2017-08-01 | 2019-02-21 | 株式会社日立製作所 | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム |
JP2019085712A (ja) * | 2017-11-02 | 2019-06-06 | 国際航業株式会社 | 斜面安定度判定支援システム |
WO2021192013A1 (ja) * | 2020-03-24 | 2021-09-30 | 日本電気株式会社 | 判断支援装置、判断支援方法及びコンピュータ読み取り可能な記録媒体 |
WO2021192014A1 (ja) * | 2020-03-24 | 2021-09-30 | 日本電気株式会社 | 判断支援装置、判断支援方法及びコンピュータ読み取り可能な記録媒体 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507637B (zh) * | 2020-12-07 | 2023-04-18 | 四川建筑职业技术学院 | 一种泥石流堰塞坝漫顶溃决的起动流深的计算方法 |
CN115879747B (zh) * | 2023-02-24 | 2023-05-16 | 南京恒创智云计算科技有限公司 | 一种数字化防汛抗旱调度方法和系统 |
CN116542401B (zh) * | 2023-07-05 | 2023-09-19 | 江南大学附属医院 | 一种住院诊疗服务单元的医保超支预测方法与系统 |
CN117131761A (zh) * | 2023-07-28 | 2023-11-28 | 成都理工大学 | 水库首次蓄水期的库岸滑坡预测方法 |
-
2004
- 2004-04-14 JP JP2004119668A patent/JP3646726B1/ja not_active Expired - Fee Related
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5875669B1 (ja) * | 2014-12-24 | 2016-03-02 | エー・シー・エス株式会社 | 土砂災害予測システム |
JP2016122239A (ja) * | 2014-12-24 | 2016-07-07 | エー・シー・エス株式会社 | 土砂災害予測システム |
JP2019028824A (ja) * | 2017-08-01 | 2019-02-21 | 株式会社日立製作所 | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム |
JP2019085712A (ja) * | 2017-11-02 | 2019-06-06 | 国際航業株式会社 | 斜面安定度判定支援システム |
JP7059466B2 (ja) | 2017-11-02 | 2022-04-26 | 国際航業株式会社 | 予測座標変動算出システム |
WO2021192013A1 (ja) * | 2020-03-24 | 2021-09-30 | 日本電気株式会社 | 判断支援装置、判断支援方法及びコンピュータ読み取り可能な記録媒体 |
JPWO2021192013A1 (ja) * | 2020-03-24 | 2021-09-30 | ||
WO2021192014A1 (ja) * | 2020-03-24 | 2021-09-30 | 日本電気株式会社 | 判断支援装置、判断支援方法及びコンピュータ読み取り可能な記録媒体 |
JP7476951B2 (ja) | 2020-03-24 | 2024-05-01 | 日本電気株式会社 | 判断支援装置、判断支援方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP3646726B1 (ja) | 2005-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jacinth Jennifer et al. | Artificial neural network and sensitivity analysis in the landslide susceptibility mapping of Idukki district, India | |
Mahdavi | Forests and rangelands? wildfire risk zoning using GIS and AHP techniques | |
JP4595094B2 (ja) | 防災総合計画支援システムとそのプログラム | |
US20130110399A1 (en) | System and method for predicting and preventing flooding | |
Nardi et al. | Hydrologic scaling for hydrogeomorphic floodplain mapping: Insights into human‐induced floodplain disconnectivity | |
JP2012198886A (ja) | 火山活動度に応じた土砂災害発生危険度評価システムとそのプログラム | |
Dewitte et al. | Combining spatial data in landslide reactivation susceptibility mapping: a likelihood ratio-based approach in W Belgium | |
Zhang et al. | Assessing potential likelihood and impacts of landslides on transportation network vulnerability | |
Hearn et al. | Geomorphological contributions to landslide risk assessment: theory and practice | |
JP4701371B2 (ja) | 災害発生確率評価システムとそのプログラム | |
Kainthura et al. | Hybrid machine learning approach for landslide prediction, Uttarakhand, India | |
JP3646726B1 (ja) | 防災事業支援システム | |
JP2012174125A (ja) | 防災計画支援システムとそのプログラム | |
Gogoaşe Nistoran et al. | GIS for Dam-Break Flooding. Study Area: Bicaz-Izvorul Muntelui (Romania) | |
Micu et al. | Mass movements | |
Rao et al. | An integrated approach in developing flood vulnerability index of India using spatial multi-criteria evaluation technique | |
Yuan et al. | Predicting road flooding risk with machine learning approaches using crowdsourced reports and fine-grained traffic data | |
JP3656852B1 (ja) | 防災事業計画支援方法とそのシステム | |
KR101693835B1 (ko) | 수치지형모델을 이용한 토석류 발생지역 예측장치 및 그 방법 | |
Omer et al. | Optimization of Monitoring Network to the Rainfall Distribution by Using Stochastic Search Algorithms: Lesson from Pakistan. | |
JP3380871B1 (ja) | 土砂災害の発生限界線、避難基準線及び警戒基準線の設定方法とそのプログラム及びその発生限界線、避難基準線及び警戒基準線を用いた警戒避難支援システム | |
Kundu et al. | GIS-based statistical landslide susceptibility zonation: a case study in Ganeshganga watershed, the Himalayas | |
JP2005350972A (ja) | 防災事業計画支援システムとその方法 | |
Pimiento | Shallow Landslide Susceptibility Modelling and Validation | |
Abraham et al. | Proposing an easy-to-use tool for estimating landslide dimensions using a data-driven approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
TRDD | Decision of grant or rejection written | ||
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20050131 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R154 | Certificate of patent or utility model (reissue) |
Free format text: JAPANESE INTERMEDIATE CODE: R154 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080218 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140218 Year of fee payment: 9 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140218 Year of fee payment: 9 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140218 Year of fee payment: 9 |
|
R360 | Written notification for declining of transfer of rights |
Free format text: JAPANESE INTERMEDIATE CODE: R360 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140218 Year of fee payment: 9 |
|
R370 | Written measure of declining of transfer procedure |
Free format text: JAPANESE INTERMEDIATE CODE: R370 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313532 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140218 Year of fee payment: 9 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140218 Year of fee payment: 9 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
LAPS | Cancellation because of no payment of annual fees |