JP2019094640A - 水位予測方法、水位予測プログラム及び水位予測装置 - Google Patents
水位予測方法、水位予測プログラム及び水位予測装置 Download PDFInfo
- Publication number
- JP2019094640A JP2019094640A JP2017223038A JP2017223038A JP2019094640A JP 2019094640 A JP2019094640 A JP 2019094640A JP 2017223038 A JP2017223038 A JP 2017223038A JP 2017223038 A JP2017223038 A JP 2017223038A JP 2019094640 A JP2019094640 A JP 2019094640A
- Authority
- JP
- Japan
- Prior art keywords
- water level
- data
- level prediction
- convolution
- layer
- 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
Images
Landscapes
- Sewage (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本開示の水位予測方法の処理手順を図1及び図2に示す。本開示の水位予測方法をコンピュータに実行させるための水位予測プログラムを、コンピュータにインストールすることにより、本開示の水位予測方法を実行することができる。
(1)4×4の雨量の訓練・評価データRt(r、t)、Re(r、t)(畳み込み前t=1、2、・・・、m)に対して、3×3の畳み込みフィルタ(畳み込み前t=1、2、・・・、m、畳み込み後t=1)を1ずつスライドさせながら、畳み込みレイヤの処理を実行し、2×2のデータ(畳み込み前t=1、2、・・・、m、畳み込み後のt=1)を出力
(n)4×4の雨量の訓練・評価データRt(r、t)、Re(r、t)(畳み込み前t=1、2、・・・、m)に対して、3×3の畳み込みフィルタ(畳み込み前t=1、2、・・・、m、畳み込み後t=n)を1ずつスライドさせながら、畳み込みレイヤの処理を実行し、2×2のデータ(畳み込み前t=1、2、・・・、m、畳み込み後のt=n)を出力
そして、他の雨量の訓練・評価データRt(r、t)、Re(r、t)に対して、(1)〜(n)と同様の処理を実行する。ここで、時間軸上のデータの圧縮量に応じてn<mとしてもよく、抽出する特徴量の種類数に応じてn>mとしてもよい。よって、位置及び時刻が近く相関が高いデータを、相関の高さを維持しながら圧縮することができ、位置及び/又は時刻が離れ相関が低いデータを、相関の低さを維持しながら圧縮することができる。
(1)2×2の畳み込みレイヤR1−1の出力データ(畳み込み前t=1、2、・・・、m、畳み込み後t=1)に対して、出力加算(各行及び各列の要素毎に加算)を実行し、ReLUの処理を実行し、2×2のデータ(畳み込み後t=1)を出力
(n)2×2の畳み込みレイヤR1−1の出力データ(畳み込み前t=1、2、・・・、m、畳み込み後t=n)に対して、出力加算(各行及び各列の要素毎に加算)を実行し、ReLUの処理を実行し、2×2のデータ(畳み込み後t=n)を出力
そして、他の2×2の畳み込みレイヤR1−1の出力データに対して、(1)〜(n)と同様の処理を実行する。よって、訓練時及び評価時の収束性を確保することができる。
本開示の水位予測方法の予測精度を図5に示す。学習の繰り返し回数が多くなるほど、雨量の訓練データRt(r、t)及び水位の訓練データLt(rp、t)に対する予測誤差は、小さくなる傾向があるが、雨量の評価データRe(r、t)及び水位の評価データLe(rp、t)に対する予測誤差は、小さくなる傾向があるわけではない。
学習モデル1−1:学習前初期値No.1、学習の繰り返し回数40回
学習モデル1−2:学習前初期値No.1、学習の繰り返し回数50回
学習モデル1−3:学習前初期値No.1、学習の繰り返し回数60回
学習モデル2−1:学習前初期値No.2、学習の繰り返し回数40回
学習モデル2−2:学習前初期値No.2、学習の繰り返し回数50回
学習モデル2−3:学習前初期値No.2、学習の繰り返し回数60回
学習モデルM−1:学習前初期値No.M、学習の繰り返し回数40回
学習モデルM−2:学習前初期値No.M、学習の繰り返し回数50回
学習モデルM−3:学習前初期値No.M、学習の繰り返し回数60回
水位予測Lp(rp、tp)、No.1−1:学習モデル1−1を適用
水位予測Lp(rp、tp)、No.1−2:学習モデル1−2を適用
水位予測Lp(rp、tp)、No.1−3:学習モデル1−3を適用
水位予測Lp(rp、tp)、No.2−1:学習モデル2−1を適用
水位予測Lp(rp、tp)、No.2−2:学習モデル2−2を適用
水位予測Lp(rp、tp)、No.2−3:学習モデル2−3を適用
水位予測Lp(rp、tp)、No.M−1:学習モデルM−1を適用
水位予測Lp(rp、tp)、No.M−2:学習モデルM−2を適用
水位予測Lp(rp、tp)、No.M−3:学習モデルM−3を適用
本開示の水位予測地点の上流域抽出を図7に示す。水位予測地点rpの上流域rは、水位予測地点rpの周辺の地形に基づいて設定される。例えば、地上での測量情報又は衛星による地形情報に基づいて、水位予測地点rpの周辺の分水境界を探索する。そして、水位予測地点rpの周辺の分水境界に基づいて、水位予測地点rpの上流域rを設定する。
畳み込みステップの畳み込みレイヤ数は、水位予測地点rpの上流域rの面積及び雨量の訓練・評価データRt(r、t)、Re(r、t)のデータ分布密度に応じて、設定されることが望ましい。例えば、水位予測地点rpの上流域rの面積が広いほど、畳み込みステップの畳み込みレイヤ数を多く設定すればよい。そして、雨量の訓練・評価データRt(r、t)、Re(r、t)のデータ分布密度が高いほど、畳み込みステップの畳み込みレイヤ数を多く設定すればよい。さらに、雨量の訓練・評価データRt(r、t)、Re(r、t)の圧縮程度に応じて、畳み込みステップの畳み込みレイヤ数を設定してもよい。
本開示の水位予測方法の予測結果を図9に示す。図9では、以下の(1)〜(4)の視点に基づいて、多摩川、鈴鹿川、佐波川、渡川及び山国川を選定している。
(1)河川の特徴(長さ及び傾斜等)が異なる、(2)雨量データの欠損が少ない、(3)水位に反映されにくい積雪が少ない、(4)水位予測を困難にするダムがない又は少ない。
多摩川:訓練期間=2008〜2013、2015年、評価期間=2014年
鈴鹿川:訓練期間=2008〜2015年、評価期間=2016年
佐波川:訓練期間=2008〜2015年、評価期間=2016年
渡川:訓練期間=2009〜2015年、評価期間=2016年
山国川:訓練期間=2008〜2015年、評価期間=2016年
R1−1、L1−1、RM−1、LN−1:畳み込みレイヤ
R1−2、L1−2、RM−2、LN−2:活性関数レイヤ
R1−3、L1−3、RM−3、LN−3:プーリングレイヤ
C1:全結合入力レイヤ
C2:全結合隠れレイヤ
C3:活性関数レイヤ
C4:全結合出力レイヤ
Claims (11)
- 水位予測地点の上流域及び水位予測時刻より以前の雨量データと、前記水位予測地点及び前記水位予測時刻より過去の水位データと、を入力するデータ入力ステップと、
前記雨量データに対して、畳み込みニューラルネットワークの畳み込みレイヤ及びプーリングレイヤの処理を実行する畳み込みステップと、
畳み込まれた前記雨量データと、前記水位データと、に対して、畳み込みニューラルネットワークの全結合レイヤの処理を実行する全結合ステップと、
前記水位予測地点及び前記水位予測時刻の水位を予測する水位予測ステップと、
を順に備えることを特徴とする水位予測方法。 - 前記畳み込みステップでは、前記水位データに対して、前記雨量データと別個に、畳み込みニューラルネットワークの畳み込みレイヤ及びプーリングレイヤの処理を実行し、
前記全結合ステップでは、畳み込まれた前記雨量データと、畳み込まれた前記水位データと、に対して、畳み込みニューラルネットワークの全結合レイヤの処理を実行する
ことを特徴とする、請求項1に記載の水位予測方法。 - 前記畳み込みステップでは、前記水位データに対して、前記雨量データと異なり、畳み込みニューラルネットワークの畳み込みレイヤ及びプーリングレイヤの処理を実行せず、
前記全結合ステップでは、畳み込まれた前記雨量データと、畳み込まれない前記水位データと、に対して、畳み込みニューラルネットワークの全結合レイヤの処理を実行する
ことを特徴とする、請求項1に記載の水位予測方法。 - 前記水位予測ステップでは、アンサンブル学習を構成する複数の学習モデルに基づいて、前記水位予測地点及び前記水位予測時刻の水位を予測する
ことを特徴とする、請求項1から3のいずれかに記載の水位予測方法。 - 前記複数の学習モデルでは、前記畳み込みステップのフィルタの学習前初期値、前記全結合ステップの重み付けの学習前初期値及び学習の繰り返しの回数が互いに異なる
ことを特徴とする、請求項4に記載の水位予測方法。 - 前記水位予測地点の上流域は、前記水位予測地点の周辺の地形に基づいて設定される
ことを特徴とする、請求項1から5のいずれかに記載の水位予測方法。 - 前記データ入力ステップでは、前記水位予測地点及び前記水位予測時刻より過去の水位データと、前記水位予測地点より上流の上流地点及び前記水位予測時刻より以前の水位データと、前記上流地点の上流域を除く前記水位予測地点の上流域及び前記水位予測時刻より以前の雨量データと、を入力する
ことを特徴とする、請求項1から6のいずれかに記載の水位予測方法。 - 前記畳み込みステップの畳み込みレイヤ数は、前記水位予測地点の上流域の面積及び前記雨量データのデータ分布密度に応じて設定される
ことを特徴とする、請求項1から7のいずれかに記載の水位予測方法。 - 前記全結合ステップの隠れ層ユニット数は、前記全結合ステップの入力層ユニット数に対して、所定の割合を乗算した値として設定される
ことを特徴とする、請求項1から8のいずれかに記載の水位予測方法。 - 請求項1から9のいずれかに記載の水位予測方法をコンピュータに実行させるための水位予測プログラム。
- 請求項10に記載の水位予測プログラムをインストールされた水位予測装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017223038A JP6959840B2 (ja) | 2017-11-20 | 2017-11-20 | 水位予測方法、水位予測プログラム及び水位予測装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017223038A JP6959840B2 (ja) | 2017-11-20 | 2017-11-20 | 水位予測方法、水位予測プログラム及び水位予測装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019094640A true JP2019094640A (ja) | 2019-06-20 |
JP6959840B2 JP6959840B2 (ja) | 2021-11-05 |
Family
ID=66971125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017223038A Active JP6959840B2 (ja) | 2017-11-20 | 2017-11-20 | 水位予測方法、水位予測プログラム及び水位予測装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6959840B2 (ja) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633626A (zh) * | 2019-07-31 | 2019-12-31 | 浙江大学 | 一种针对雨天图片的卷积神经网络降雨强度在线量化方法 |
JP2020002658A (ja) * | 2018-06-28 | 2020-01-09 | 富士通株式会社 | 情報処理装置、河川水位予測方法及び河川水位予測プログラム |
JP2020111892A (ja) * | 2019-01-09 | 2020-07-27 | 株式会社明電舎 | 流量予測装置及び流量予測方法 |
CN111832810A (zh) * | 2020-06-23 | 2020-10-27 | 西安电子科技大学 | 洪水预报模型、信息处理方法、存储介质、计算机设备 |
CN112528557A (zh) * | 2020-11-30 | 2021-03-19 | 北京金水信息技术发展有限公司 | 基于深度学习的洪水流量预测系统和方法 |
CN113916318A (zh) * | 2021-08-31 | 2022-01-11 | 福建枋洋水利投资发展有限公司 | 一种基于水情监测的大坝安全监测方法 |
CN114091362A (zh) * | 2022-01-24 | 2022-02-25 | 江西飞尚科技有限公司 | 一种水位预测方法、系统、存储介质及设备 |
CN115712800A (zh) * | 2022-11-24 | 2023-02-24 | 国能大渡河流域水电开发有限公司 | 一种水库水位波动处理方法 |
CN115879646A (zh) * | 2023-02-15 | 2023-03-31 | 山东捷讯通信技术有限公司 | 一种水库水位预测方法、装置、介质及设备 |
CN116596166A (zh) * | 2023-07-17 | 2023-08-15 | 湖南清源华建环境科技有限公司 | 一种用于城市洪涝的智慧排水管理系统 |
CN117093027A (zh) * | 2023-10-20 | 2023-11-21 | 广州市公路实业发展有限公司 | 一种用于隧道积水预警的拦截系统及其控制方法 |
JP7397781B2 (ja) | 2020-10-15 | 2023-12-13 | 大成建設株式会社 | 学習装置、学習方法および予測装置 |
CN117252406A (zh) * | 2023-11-20 | 2023-12-19 | 长江水利委员会长江科学院 | 面向下游取用水需求的补水调度方法、设备及介质 |
JP7401763B2 (ja) | 2020-03-06 | 2023-12-20 | 富士通株式会社 | 水位予測プログラム、水位予測方法および情報処理装置 |
JP7473524B2 (ja) | 2021-12-24 | 2024-04-23 | 八千代エンジニヤリング株式会社 | モデル生成方法、水位予測システム、流入量予測システム及び下流河川水位予測システム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05134715A (ja) * | 1991-11-12 | 1993-06-01 | Toshiba Corp | ニユーラルネツトワーク応用雨水流入量予測装置 |
JP2002285634A (ja) * | 2001-03-27 | 2002-10-03 | Fuji Electric Co Ltd | 雨水流入予測装置 |
JP2007023608A (ja) * | 2005-07-15 | 2007-02-01 | Yamatake Corp | 河川流量推定システムおよび方法、河川水位推定システムおよび方法、並びにプログラム |
-
2017
- 2017-11-20 JP JP2017223038A patent/JP6959840B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05134715A (ja) * | 1991-11-12 | 1993-06-01 | Toshiba Corp | ニユーラルネツトワーク応用雨水流入量予測装置 |
JP2002285634A (ja) * | 2001-03-27 | 2002-10-03 | Fuji Electric Co Ltd | 雨水流入予測装置 |
JP2007023608A (ja) * | 2005-07-15 | 2007-02-01 | Yamatake Corp | 河川流量推定システムおよび方法、河川水位推定システムおよび方法、並びにプログラム |
Non-Patent Citations (1)
Title |
---|
一言正之 外2名: "深層学習を用いた河川水位予測手法の開発", 土木学会論文集B1(水工学), vol. 72, no. 4, JPN6021038802, 2016, JP, pages 187 - 192, ISSN: 0004607025 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7077818B2 (ja) | 2018-06-28 | 2022-05-31 | 富士通株式会社 | 情報処理装置、河川水位予測方法及び河川水位予測プログラム |
JP2020002658A (ja) * | 2018-06-28 | 2020-01-09 | 富士通株式会社 | 情報処理装置、河川水位予測方法及び河川水位予測プログラム |
JP2020111892A (ja) * | 2019-01-09 | 2020-07-27 | 株式会社明電舎 | 流量予測装置及び流量予測方法 |
CN110633626A (zh) * | 2019-07-31 | 2019-12-31 | 浙江大学 | 一种针对雨天图片的卷积神经网络降雨强度在线量化方法 |
JP7401763B2 (ja) | 2020-03-06 | 2023-12-20 | 富士通株式会社 | 水位予測プログラム、水位予測方法および情報処理装置 |
CN111832810A (zh) * | 2020-06-23 | 2020-10-27 | 西安电子科技大学 | 洪水预报模型、信息处理方法、存储介质、计算机设备 |
CN111832810B (zh) * | 2020-06-23 | 2023-06-27 | 西安电子科技大学 | 洪水预报模型、信息处理方法、存储介质、计算机设备 |
JP7397781B2 (ja) | 2020-10-15 | 2023-12-13 | 大成建設株式会社 | 学習装置、学習方法および予測装置 |
CN112528557A (zh) * | 2020-11-30 | 2021-03-19 | 北京金水信息技术发展有限公司 | 基于深度学习的洪水流量预测系统和方法 |
CN113916318A (zh) * | 2021-08-31 | 2022-01-11 | 福建枋洋水利投资发展有限公司 | 一种基于水情监测的大坝安全监测方法 |
JP7473524B2 (ja) | 2021-12-24 | 2024-04-23 | 八千代エンジニヤリング株式会社 | モデル生成方法、水位予測システム、流入量予測システム及び下流河川水位予測システム |
CN114091362A (zh) * | 2022-01-24 | 2022-02-25 | 江西飞尚科技有限公司 | 一种水位预测方法、系统、存储介质及设备 |
CN115712800A (zh) * | 2022-11-24 | 2023-02-24 | 国能大渡河流域水电开发有限公司 | 一种水库水位波动处理方法 |
CN115879646A (zh) * | 2023-02-15 | 2023-03-31 | 山东捷讯通信技术有限公司 | 一种水库水位预测方法、装置、介质及设备 |
CN115879646B (zh) * | 2023-02-15 | 2023-11-07 | 山东捷讯通信技术有限公司 | 一种水库水位预测方法、装置、介质及设备 |
CN116596166A (zh) * | 2023-07-17 | 2023-08-15 | 湖南清源华建环境科技有限公司 | 一种用于城市洪涝的智慧排水管理系统 |
CN116596166B (zh) * | 2023-07-17 | 2023-09-22 | 湖南清源华建环境科技有限公司 | 一种用于城市洪涝的智慧排水管理系统 |
CN117093027A (zh) * | 2023-10-20 | 2023-11-21 | 广州市公路实业发展有限公司 | 一种用于隧道积水预警的拦截系统及其控制方法 |
CN117093027B (zh) * | 2023-10-20 | 2024-01-02 | 广州市公路实业发展有限公司 | 一种用于隧道积水预警的拦截系统及其控制方法 |
CN117252406A (zh) * | 2023-11-20 | 2023-12-19 | 长江水利委员会长江科学院 | 面向下游取用水需求的补水调度方法、设备及介质 |
CN117252406B (zh) * | 2023-11-20 | 2024-02-02 | 长江水利委员会长江科学院 | 面向下游取用水需求的补水调度方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
JP6959840B2 (ja) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2019094640A (ja) | 水位予測方法、水位予測プログラム及び水位予測装置 | |
Rezaie-Balf et al. | New formulation for forecasting streamflow: evolutionary polynomial regression vs. extreme learning machine | |
Afan et al. | ANN based sediment prediction model utilizing different input scenarios | |
Ahmad et al. | A generic data-driven technique for forecasting of reservoir inflow: Application for hydropower maximization | |
Granata et al. | Artificial Intelligence models for prediction of the tide level in Venice | |
Pathak et al. | Social, economic and environmental assessment of urban sub-catchment flood risks using a multi-criteria approach: A case study in Mumbai City, India | |
Akrami et al. | Improving rainfall forecasting efficiency using modified adaptive neuro-fuzzy inference system (MANFIS) | |
Ahmadi et al. | Adaptive reservoir operation rules under climatic change | |
Shiri et al. | Estimation of daily suspended sediment load by using wavelet conjunction models | |
Mandal et al. | Quantification of uncertainty in the assessment of future streamflow under changing climate conditions | |
Kerh et al. | Neural networks forecasting of flood discharge at an unmeasured station using river upstream information | |
JP2019095240A (ja) | 水位予測方法、水位予測プログラム及び水位予測装置 | |
Garcia et al. | Sea-level rise and flooding in coastal riverine flood plains | |
Pender et al. | Stochastic simulation of daily streamflow sequences using a hidden Markov model | |
Nguyen et al. | Water level forecasting using neuro-fuzzy models with local learning | |
Baymani-Nezhad et al. | Hydrological modeling using effective rainfall routed by the Muskingum method (ERM) | |
Wu et al. | Coupling forecast methods of multiple rainfall–runoff models for improving the precision of hydrological forecasting | |
Eum et al. | Engineering procedure for the climate change flood risk assessment in the Upper Thames River Basin | |
Singh et al. | Unsteady high velocity flood flows and the development of rating curves in a Himalayan basin under climate change scenarios | |
Gao et al. | A framework for automatic calibration of SWMM considering input uncertainty | |
Shi et al. | Deep learning models for water stage predictions in south florida | |
Dauji et al. | Improving numerical current prediction with Model Tree | |
Deo et al. | Real time forecasting using neural networks | |
Meher | Rainfall and runoff estimation using hydrological models and ANN techniques | |
Steyn | Short-term stream flow forecasting and downstream gap infilling using machine learning techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201118 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210915 |
|
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: 20211005 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211008 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6959840 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |