JP2007226450A - 流量予測装置、流量予測方法および流量予測プログラム - Google Patents

Abstract

【課題】雨量または流量に関するデータの偏りに対応しつつ、予測精度を向上させるとともに、学習時間を低減させる。
【解決手段】データ加工機能１０４は、保存機能１０３から読み出した予報雨量データ、実績雨量データまたは実績流量データなどを予測モデル構築用の学習データに加工し、平均雨量、流量または流量変化分が一定値以下のデータを予測モデル構築用データから削除し、平均雨量、流量または流量変化分が一定値以上のデータを複数倍し、予測モデル構築手段１０５は、この予測モデル構築用データに基づいて予測モデルを構築し、予測機能１０６は、予測モデル構築手段１０５にて構築された予測モデルおよびデータ加工機能１０４にて生成された予測モデル構築用データに基づいて、将来の所定時間における河川などの流量を予測する。
【選択図】 図１

Description

本発明は流量予測装置、流量予測方法および流量予測プログラムに関し、特に、下水処理場、系統制御所、給電指令所、ダム管理所および水力発電所などにおいて、河川／下水の流量予測をコンピュータに自動的に行わせる方法に適用して好適なものである。

従来からダム、河川および下水などの流入量の予測は、熟練運用者の長年の経験と膨大な知識に基づいて直感的に行われ、このような熟練運用者が減少の一途を辿っている。このため、タンクモデル、貯留関数法またはニューラルネットワークなどを用いて予測モデルを構築し、流入量の予測作業を自動化する方法が提案されている。ここで、これらの予測モデルは、通常は１つの予測モデルで構成されるが、複数の予測モデルを構築する場合もある。例えば、非特許文献１には、ダムへの流入量に応じてＭ個の予測モデルから１つを選択して流入量の予測を行う方法が開示されている。

また、特許文献１には、ダムへの流入量に応じて２つの予測値をファジー融合して最終的な流入量の予測を行う方法が開示されている。さらに、特許文献２には、学習の重要度に応じて学習データを複数回利用することで、偏りのない推定値が得られる予測モデルを構築する方法が開示されている。
「雨量情報に基づく数時間先行のダム流入量のオンライン予測法」電気学会論文誌Ｂ，Ｖｏｌ，１１３，Ｎｏ．３（１９９３） 特開平１０−２６０７１８号公報 特開２００４−２６５１９０号公報

しかしながら、従来の流入量の予測方法では、過去の一定期間の雨量に関するデータから学習データを作成する場合、雨量により学習データ数が異なるため、学習データに偏りが発生し、予測モデルを高精度で構築することが難しいという問題があった。
図１１は、河川／下水の流量予測時における雨量と学習データ数との関係を示す図である。

図１１において、領域Ｒ１に示すように、雨量が少ない時のデータ数は多く、領域Ｒ３に示すように、台風時などのように雨量が多い時のデータ数は少ない。このため、このような雨量に関するデータを用いて学習した予測モデルでは、雨量が多い時の予測精度が高くならないという問題があった。また、学習時間の大部分は、高い予測精度が求められない雨量が少ない部分に費やされ、高い予測精度が求められる雨量が多い部分に費やされる割合は低い。この結果、精度の高い予測モデルを構築するには非常に時間がかかるという問題があった。

また、非特許文献１に開示された方法では、雨量の多少に応じて学習データに偏りが発生するため、雨量が多い時の予測精度が低いという問題があった。
また、特許文献１に開示された方法では、学習データの少ない領域の雨量に関するデータを複数回利用しながら学習が行われるため、その分だけ学習データが増大し、学習に要する時間が増大するという問題があった。
そこで、本発明の目的は、雨量または流量に関するデータの偏りに対応しつつ、予測精度を向上させるとともに、学習時間を低減させることが可能な流量予測装置、流量予測方法および流量予測プログラムを提供することである。

上述した課題を解決するために、請求項１記載の流量予測装置によれば、雨量または流量に関する過去の入力データを収集するデータ収集手段と、前記収集された入力データに基づいて予測モデル構築用データを生成する予測モデル構築用データ生成手段と、一定値以下の雨量または流量の入力データについての前記予測モデル構築用データを削除する入力データ削除手段と、一定値以上の雨量または流量の入力データについての前記予測モデル構築用データを複数倍する入力データ増幅手段と、前記削除処理および複数倍処理が行なわれた予測モデル構築用データに基づいて予測モデルを構築する予測モデル構築手段と、前記予測モデル構築手段にて構築された予測モデルに基づいて流量を予測する流量予測手段とを備えることを特徴とする。

これにより、雨量が少ない時のデータ数が多く、雨量が多い時のデータ数が少ない場合においても、高い予測精度が求められない雨量が少ない部分に関するデータを減少させることが可能となるとともに、高い予測精度が求められる雨量が多い部分に関するデータを増加させることができる。このため、学習データに偏りがある場合においても、予測モデルを構築するために要する時間を削減することが可能となるとともに、雨量が多い時の流量の予測精度を向上させることができる。

また、請求項２記載の流量予測装置によれば、前記予測モデルとしてニューラルネットワークを用いることを特徴とする。
これにより、雨量と流量との非線形な関係を精度良くモデル化することができ、流量の予測精度を向上させることができる。
また、請求項３記載の流量予測方法によれば、雨量または流量に関する過去の入力データを収集するステップと、前記収集された入力データに基づいて予測モデル構築用データを生成するステップと、一定値以下の雨量または流量の入力データについての前記予測モデル構築用データを削除するステップと、一定値以上の雨量または流量の入力データについての前記予測モデル構築用データを複数倍するステップと、前記削除処理および複数倍処理が行なわれた予測モデル構築用データに基づいて予測モデルを構築するステップと、前記予測モデル構築手段にて構築された予測モデルに基づいて流量を予測するステップとを備えることを特徴とする。

これにより、高い予測精度が求められない雨量が少ない部分に関するデータを減少させることが可能となるとともに、高い予測精度が求められる雨量が多い部分に関するデータを増加させることができ、予測モデルを構築するために要する時間を削減することが可能となるとともに、雨量が多い時の流量の予測精度を向上させることができる。
また、請求項４記載の流量予測方法によれば、前記予測モデルとしてニューラルネットワークを用いることを特徴とする。
これにより、雨量と流量との非線形な関係を精度良くモデル化することができ、流量の予測精度を向上させることができる。

また、請求項５記載の流量予測プログラムによれば、雨量または流量に関する過去の入力データを収集するステップと、前記収集された入力データに基づいて予測モデル構築用データを生成するステップと、一定値以下の雨量または流量の入力データについての前記予測モデル構築用データを削除するステップと、一定値以上の雨量または流量の入力データについての前記予測モデル構築用データを複数倍するステップと、前記削除処理および複数倍処理が行なわれた予測モデル構築用データに基づいて予測モデルを構築するステップと、前記予測モデル構築手段にて構築された予測モデルに基づいて流量を予測するステップとをコンピュータに実行させることを特徴とする。
これにより、流量予測プログラムをコンピュータに実行させることで、雨量または流量に関するデータの偏りに対応しつつ、予測モデルを構築するために要する時間を削減することが可能となるとともに、雨量が多い時の流量の予測精度を向上させることができる。

以上説明したように、本発明によれば、高い予測精度が求められない雨量が少ない部分に関するデータを減少させることが可能となるとともに、高い予測精度が求められる雨量が多い部分に関するデータを増加させることができ、予測モデルを構築するために要する時間を削減することが可能となるとともに、雨量が多い時の流量の予測精度を向上させることができる。

以下、本発明の実施形態に係る流量予測装置について図面を参照しながら説明する。
図１は、本発明の一実施形態に係る流量予測装置の概略構成を示すブロック図である。
図１において、流量予測装置１１１には、受信機能１０１、データ入力機能１０２、保存機能１０３、データ加工機能１０４、予測モデル構築機能１０５、予測機能１０６、表示機能１０７および送信機能１０８が設けられている。

ここで、受信機能１０１には通信ネットワーク１０９が接続され、受信機能１０１は予測に必要な予報雨量データ、実績雨量データおよび実績流量データなどを、通信ネットワーク１０９を介して受信する。なお、通信ネットワーク１０９としては、例えば、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、インターネット、アナログ電話網、デジタル電話網（ＩＳＤＮ：Ｉｎｔｅｇｒａｌ Ｓｅｒｖｉｃｅ Ｄｉｇｉｔａｌ Ｎｅｔｗｏｒｋ）、携帯電話やＰＨＳ（パーソナルハンディフォンシステム）や衛星通信などの無線通信網を用いることができる。

データ入力機能１０２は、予測に必要な予報雨量データ、実績雨量データおよび実績流量データなどを入力する。なお、データ入力機能１０２としては、キーボード、マウスなどを用いるようにしてもよいし、ＩＣメモリカード、フロッピー（登録商標）ディスク、光ディスクなどの記憶媒体を用いるようにしてもよい。
保存機能３は、受信機能１０１およびデータ入力機能１０２から入力されたデータおよび予測機能１０６にて予測されたデータを保存する。なお、保存機能１０３としては、ハードディスク、ＩＣメモリカード、磁気テープ、フロッピー（登録商標）ディスク、光ディスクなどの記憶媒体を用いることができる。

データ加工機能１０４は、予測に必要な予報雨量データ、実績雨量データおよび実績流量データから予測モデル構築用データを生成するに際し、一定値以下の雨量または流量については入力データを削除し、一定値以上の雨量または流量の入力データについては予測モデル構築用データを複数倍する。
予測モデル構築機能１０５は、データ加工機能１０４にて削除処理および複数倍処理が行なわれた予測モデル構築用データに基づいて予測モデルを構築する。

予測機能１０６は、予測モデル構築手段１０５にて構築された予測モデルおよびデータ加工機能１０４にて生成された予測モデル構築用データに基づいて流量を予測する。
表示機能１０７は、時間雨量、ダム水位、流量および流入量をグラフ形式や表形式で表示する。なお、表示機能７としては、例えば、液晶表示装置やプリンタなどを用いることができる。

送信機能１０８には通信ネットワーク１１０が接続され、送信機能８は流量の予測結果や水位や雨量などのデータを、通信ネットワーク１１０を介して送信する。なお、通信ネットワーク１１０としては、例えば、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、インターネット、アナログ電話網、デジタル電話網（ＩＳＤＮ：Ｉｎｔｅｇｒａｌ Ｓｅｒｖｉｃｅ Ｄｉｇｉｔａｌ Ｎｅｔｗｏｒｋ）、携帯電話やＰＨＳ（パーソナルハンディフォンシステム）や衛星通信などの無線通信網を用いることができる。

図２は、本発明の一実施形態に係る流量予測方法を示すフローチャートである。
図２において、図１のブロック図との関連を用いて説明すると、データ加工機能１０４は、予測に必要な過去の予報雨量データ、実績雨量データまたは実績流量データなどを保存機能１０３から読み出す（ステップＳ１）。続いて、データ加工機能１０４は、保存機能１０３から読み出した予報雨量データ、実績雨量データまたは実績流量データなどを予測モデル構築用の学習データに加工する（ステップＳ２）。続いて、データ加工機能１０４は、ステップＳ２で生成された平均雨量、流量または流量変化分が一定値以下のデータを予測モデル構築用データから削除する（ステップＳ３）。続いて、データ加工機能１０４は、平均雨量、流量または流量変化分が一定値以上のデータを複数倍する（ステップＳ４）。続いて、予測モデル構築機能１０５は、データ加工機能１０４にて削除処理および複数倍処理が行なわれた予測モデル構築用データに基づいて予測モデルを構築する（ステップＳ５）。なお、予測モデルとしては、回帰式、タンクモデル、貯留関数法またはニューラルネットワークなどの方法を用いることができ、予測モデルの構築方法としては、例えば、回帰式では最小二乗法、ニューラルネットワークではバックプロパゲーション法を用いることができる。続いて、予測機能１０６は、予測モデル構築手段１０５にて構築された予測モデルおよびデータ加工機能１０４にて生成された予測モデル構築用データに基づいて、将来の所定時間における河川などの流量を予測する（ステップＳ６）。

これにより、雨量が少ない時のデータ数が多く、雨量が多い時のデータ数が少ない場合においても、高い予測精度が求められない雨量が少ない部分に関するデータを減少させることが可能となるとともに、高い予測精度が求められる雨量が多い部分に関するデータを増加させることができる。このため、学習データに偏りがある場合においても、予測モデルを構築するために要する時間を削減することが可能となるとともに、雨量が多い時の流量の予測精度を向上させることができる。

なお、受信機能１０１、データ加工機能１０４、予測モデル構築機能１０５、予測機能１０６および送信機能１０８は、これらの機能で行われる処理を遂行させる命令が記述されたプログラムをコンピュータに実行させることにより実現することができる。
そして、このプログラムをＣＤ−ＲＯＭなどの記憶媒体に記憶しておけば、コンピュータに記憶媒体を装着し、そのプログラムをコンピュータにインストールすることにより、受信機能１０１、データ加工機能１０４、予測モデル構築機能１０５、予測機能１０６および送信機能１０８で行われる処理を実現することができる。また、このプログラムを通信ネットワークを介してダウンロードすることにより、このプログラムを容易に普及させることができる。

また、受信機能１０１、データ加工機能１０４、予測モデル構築機能１０５、予測機能１０６および送信機能１０８で行われる処理を遂行させる命令が記述されたプログラムをコンピュータに実行させる場合、スタンドアロン型コンピュータで実行させるようにしてもよく、ネットワークに接続された複数のコンピュータに分散処理させるようにしてもよい。

図３は、本発明の一実施形態に係る雨量／流量データから学習データを作成する方法を示す図である。
図３（ａ）に示すように、予測に必要な予報雨量データ、実績雨量データおよび実績流量データとして、複数の地点における所定時刻ごとの雨量データおよび支流雨量データを得ることができる。そして、図３（ｂ）に示すように、各時刻における複数の地点の平均雨量が記述された中間ファイルを介して、図３（ｃ）の予測モデル構築用データを生成する。なお、図３（ｃ）の予測モデル構築用データの例では、予測モデルの入力情報として、１時間ごとの平均雨量の過去２４時間分と過去の流量１時間分、予測モデルの出力情報（予測対象）として、１時間先の流量の変化分とした。例えば、図３（ｃ）の予測モデル構築用データにおいて、図３（ｂ）の中間ファイルの平均雨量のデータＡから、過去２４時間分の平均雨量のデータＢを算出することができる。

なお、平均雨量は、以下の（１）式にて算出することができる。ここで、平均雨量は、各雨量計の計測対象面積を重みとした平均雨量でもよいし、平均雨量に換算しないようにしてもよい。
平均雨量＝（雨量地点１の雨量＋雨量地点２の雨量＋・・・＋雨量地点ｎの雨量）／ｎ
・・・（１）
また、１時間先の流量の変化分は、以下の（２）式にて算出することができる。
流量の変化分＝（１時間先の流量）−（現在の流量） ・・・（２）

図４は、本発明の一実施形態に係る入力データの削除方法を示す図である。
図４（ａ）において、図３（ｃ）の予測モデル構築用データが生成されると、平均雨量、流量または流量変化分が一定値以下のデータを予測モデル構築用データから削除する。ここで、予測モデル構築用データでは、全データのうちの大部分は雨量が一定値以下（例えば、０）のデータである。このため、平均雨量、流量または流量変化分が一定値以下のデータを予測モデル構築用データから削除することにより、学習データ数を大幅に削減することができる。例えば、図４（ａ）の予測モデル構築用データから、過去２４時間分の合計雨量が０．２５ｍｍ以下のデータを削除するものとすると、図４（ｂ）の予測モデル構築用データを得ることができる。

なお、予測モデル構築用データからデータを削除する場合、過去のｍ時間分の平均雨量、平均流量または平均流量変化分が一定値以下という条件を採用するようにしてもよい。また、平均雨量、流量または流量変化分が一定値以下のデータを全て削除するのではなく、一定割合のデータだけ削除するようにしてもよい。これにより、雨量が一定値以下のデータを強く学習し過ぎる現象を回避することができる。

図５は、本発明の一実施形態に係る入力データの増幅方法を示す図である。
図５（ａ）において、図４（ｂ）の予測モデル構築用データが得られると、平均雨量、流量または流量変化分が一定値以上のデータを複数倍する。これにより、データ数の少ない大雨時や流量の大きい部分や流量の変化の大きい部分のデータを強く覚えさせることができ、大幅な流量の変化を強調して学習することができる。例えば、図５（ａ）の予測モデル構築用データから、予測モデルの出力が±１［ｍ／ｓｅｃ］以上のデータを３倍するものとすると、図５（ｂ）の予測モデル構築用データを得ることができる。

そして、図５（ｂ）の予測モデル構築用データが得られると、予測モデルを構築することにより、将来の所定時間における河川などの流量を予測することができる。例えば、以下の（３）式、（４）式、・・・、（５）式を用いることにより、１時間先から２４時間先までの流量を予測することができる。
１時間先の予測値＝現在流量
＋予測モデルの出力値（現時刻から１時間先の流量変化分）
・・・（３）
２時間先の予測値＝１時間先の予測値
＋予測モデルの出力値（１時間先から２時間先の流量変化分）
・・・（４）
・
・
・
２４時間先の予測値＝２３時間先の予測値
＋予測モデルの出力値（２３時間先から２４時間先の流量変化分）
・・・（５）

だだし、以下の（６）式、（７）式、・・・、（８）式に示すように、予測モデルが流量を直接出力するようにしてもよい。
１時間先の予測値＝予測モデルの出力値（１時間先の流量） ・・・（６）
２時間先の予測値＝予測モデルの出力値（２時間先の流量） ・・・（７）
・
・
・
２４時間先の予測値＝予測モデルの出力値（２４時間先の流量） ・・・（８）

以下、本発明の実施例についてより詳細に説明する。
図６は、本発明の一実施形態に係るニューラルネットワークを用いた流量の予測方法を示す図である。
図６において、一定値以下の雨量のデータは予測モデル構築用データから削除し、一定値以上の流量変化分のデータを複数倍して学習データを得た。なお、今回の実施例では、データの削除の基準値を雨量０［ｍｍ／ｈ］未満とし、データの削除が行われないようにした。また、１時間先の流量変化が５［ｍ³／ｓｅｃ］以上のデータを１０倍した。そして、河川の流量を予測するための予測モデルとしてニューラルネットワークを用いた。このニューラルネットワークは、入力層、中間層および単一の出力層からなる３層構造を持っている。そして、入力層には、現在から過去２４時間までの分の河川流域の雨量と、現在から過去３時間までの分の河川の流量が入力される。そして、出力層からは、１時間先の予測対象時刻における河川の流量の変化分が出力される。ここで、ニューラルネットワークはバックプロパゲーション法にて構築することができる。

図７は、本発明の一実施形態に係るバックプロパゲーション法のアルゴリズムを説明する図である。
図７において、３階層型のニューラルネットワークは、バックプロパゲーション法にて事前に学習を行い、内部の結合状態の調整が行われる。この学習では、与えられたデータに基づいて所望の機能を獲得するようにニューラルネットワーク内部の結合荷重が調整される。すわなち、入力に対して正しい出力が決まっている場合には、ニューラルネットワークから正しい出力が得られたかどうかを判定し、ニューラルネットワークからの出力に間違いがなくなるように、結合荷重が調整される。
ここで、ニューラルネットワークの結合荷重は、以下の（９）式および（１０）式を用いて調整することができる。

ただし、ｔは教師値、Ｏは出力値である。そして、教師値ｔと出力値Ｏとの誤差Ｅが小さくなるように傾きΔＷ_kjを求める。

そして、図６のニューラルネットワークの出力層から予測モデルの出力値として、１時間先の河川の流量の変化分が得られると、（３）式を用いることにより、１時間先の予測値を得ることができる。
そして、１時間先の予測値が得られると、図８に示すように、平均雨量として１時間分だけ予報雨量値をニューラルネットワークの入力層に入力するとともに、流量として１時間分だけ流量予測値をニューラルネットワークの入力層に入力する。これにより、図８のニューラルネットワークの出力層からは、２時間先の予測対象時刻における河川の流量の変化分を得ることができる。

そして、図８のニューラルネットワークの出力層から予測モデルの出力値として、２時間先の河川の流量の変化分が得られると、（４）式を用いることにより、２時間先の予測値を得ることができる。
同様に、２時間先の予測値が得られると、平均雨量として２時間分だけ予報雨量値をニューラルネットワークの入力層に入力するとともに、流量として２時間分だけ流量予測値をニューラルネットワークの入力層に入力する。これにより、ニューラルネットワークの出力層からは、３時間先の予測対象時刻における河川の流量の変化分を得ることができる。
以下同様にして、以下の（１１）式を用いることにより、２４時間先の予測値を得ることができる。

図９は、本発明の一実施形態に係る入力データの削除および増幅を行っていない場合のニューラルネットワークを用いた２４時間先の流量の予測結果を示す図、図１０は、本発明の一実施形態に係る入力データの削除および増幅を行った場合のニューラルネットワークを用いた２４時間先の流量の予測結果を示す図であるである。なお、２４時間先の流量の予測結果は、（１１）式を用いて算出した。

図９において、入力データの削除および増幅を行っていない場合では、ニューロの教師値の変化に対する想起値の変化が小さく、学習が上手くできてないことがわかる。すなわち、ニューラルネットワークに使われる学習データの大部分は流量変化がないため、流量変化のある部分を上手く学習できず、実績値に対して予測値の遅れが発生するとともに、実績値と予測値との誤差が大きくなった。

一方、図１０において、入力データの削除および増幅を行った場合では、ニューロの教師値の変化に対する想起値の変化を大きくすることができ、実績値に対する予測値の遅れを小さくすることが可能となるとともに、実績値と予測値との誤差を小さくすることができ、流量の予測精度を向上させることができた。

本発明の一実施形態に係る流量予測装置の概略構成を示すブロック図である。 本発明の一実施形態に係る流量予測方法を示すフローチャートである。 本発明の一実施形態に係る雨量／流量データから学習データを作成する方法を示す図である。 本発明の一実施形態に係る入力データの削除方法を示す図である。 本発明の一実施形態に係る入力データの増幅方法を示す図である。 本発明の一実施形態に係るニューラルネットワークを用いた流量の予測方法を示す図である。 本発明の一実施形態に係るバックプロパゲーション法のアルゴリズムを説明する図である。 本発明の一実施形態に係るニューラルネットワークを用いた流量の予測方法を示す図である。 本発明の一実施形態に係る入力データの削除および増幅を行っていない場合のニューラルネットワークを用いた流量の予測結果を示す図である。 本発明の一実施形態に係る入力データの削除および増幅を行った場合のニューラルネットワークを用いた流量の予測結果を示す図である。 河川／下水流量の予測時における雨量と学習データ数との関係を示す図である。

符号の説明

１０１ 受信機能
１０２ データ入力機能
１０３ 保存機能
１０４ データ加工機能
１０５ 予測モデル構築機能
１０６ 予測機能
１０７ 表示機能
１０８ 送信機能
１０９、１１０ 通信ネットワーク
１１１ 流量予測装置

Claims (5)

1. 雨量または流量に関する過去の入力データを収集するデータ収集手段と、
   前記収集された入力データに基づいて予測モデル構築用データを生成する予測モデル構築用データ生成手段と、
   一定値以下の雨量または流量の入力データについての前記予測モデル構築用データを削除する入力データ削除手段と、
   一定値以上の雨量または流量の入力データについての前記予測モデル構築用データを複数倍する入力データ増幅手段と、
   前記削除処理および複数倍処理が行なわれた予測モデル構築用データに基づいて予測モデルを構築する予測モデル構築手段と、
   前記予測モデル構築手段にて構築された予測モデルに基づいて流量を予測する流量予測手段とを備えることを特徴とする流量予測装置。
2. 前記予測モデルとしてニューラルネットワークを用いることを特徴とする請求項１記載の流量予測装置。
3. 雨量または流量に関する過去の入力データを収集するステップと、
   前記収集された入力データに基づいて予測モデル構築用データを生成するステップと、
   一定値以下の雨量または流量の入力データについての前記予測モデル構築用データを削除するステップと、
   一定値以上の雨量または流量の入力データについての前記予測モデル構築用データを複数倍するステップと、
   前記削除処理および複数倍処理が行なわれた予測モデル構築用データに基づいて予測モデルを構築するステップと、
   前記予測モデル構築手段にて構築された予測モデルに基づいて流量を予測するステップとを備えることを特徴とする流量予測方法。
4. 前記予測モデルとしてニューラルネットワークを用いることを特徴とする請求項３記載の流量予測方法。
5. 雨量または流量に関する過去の入力データを収集するステップと、
   前記収集された入力データに基づいて予測モデル構築用データを生成するステップと、
   一定値以下の雨量または流量の入力データについての前記予測モデル構築用データを削除するステップと、
   一定値以上の雨量または流量の入力データについての前記予測モデル構築用データを複数倍するステップと、
   前記削除処理および複数倍処理が行なわれた予測モデル構築用データに基づいて予測モデルを構築するステップと、
   前記予測モデル構築手段にて構築された予測モデルに基づいて流量を予測するステップとをコンピュータに実行させることを特徴とする流量予測プログラム。

Images