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 PDF

Info

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
Application number
JP2017223038A
Other languages
English (en)
Other versions
JP6959840B2 (ja
Inventor
成志 吉田
Shigeji Yoshida
成志 吉田
加藤　朝子
Asako Kato
朝子 加藤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Japan Radio Co Ltd
Original Assignee
Japan Radio Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Japan Radio Co Ltd filed Critical Japan Radio Co Ltd
Priority to JP2017223038A priority Critical patent/JP6959840B2/ja
Publication of JP2019094640A publication Critical patent/JP2019094640A/ja
Application granted granted Critical
Publication of JP6959840B2 publication Critical patent/JP6959840B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Sewage (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】本開示は、河川、ダム又は下水等の水位を予測するために、ニューラルネットワークを利用するにあたり、データ間の相関の高さ及び低さを維持しながら、水位を十分に精度高く予測することを目的とする。【解決手段】本開示は、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、水位予測地点及び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、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Ｒ１〜ＲＭと、畳み込まれた雨量データと、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Ｃ１〜Ｃ４と、水位予測地点及び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である。【選択図】図１

Description

本開示は、河川、ダム又は下水等の水位を予測する技術に関する。
水害の予報又は警報を発令するために、河川、ダム又は下水等の水位を予測する技術が存在する（例えば、非特許文献１〜８を参照。）。水位予測方法として、貯留関数法、タンクモデル又は分布型モデル等の流出モデルを利用する方法と、時系列解析又は機械学習等の統計的手法を利用する方法と、が存在する。機械学習の中でも、ニューラルネットワークを利用する方法では、水位をリアルタイムにある程度精度高く予測することができる。
ニューラルネットワークを利用する方法では、学習時には、雨量及び水位の時系列の訓練データを１次元のアレイ状に全結合レイヤに入力し、雨量及び水位の時系列の訓練データを学習する。そして、評価時には、雨量及び水位の時系列の評価データを１次元のアレイ状に全結合レイヤに入力し、水位予測地点及び水位予測時刻の水位を予測する。
阿部清明、外３名、「ニューラルネットワークによる流出解析手法（日流量）に関する研究」、土木学会論文集、２０００年８月、Ｎｏ．６５６／ＩＩ−５２、ｐｐ．１−１３ 平岡透、外２名、「降雨量からの河川水位予測の一手法」、土木学会論文集Ｂ、２０１０年３月、Ｖｏｌ．６６、Ｎｏ．１、ｐｐ．９３−９８ 高崎忠勝、外２名、「ニューラルネットワークによる都市中小河川感潮域の水位推定」、土木学会論文集Ｂ１（水工学）、２０１１年、Ｖｏｌ．６７、Ｎｏ．４、ｐｐ．Ｉ＿１６０３−Ｉ＿１６０８ 一言正之、外２名、「ニューラルネットワークを用いた洪水予測システムの開発」、こうえいフォーラム、２０１２年３月、Ｖｏｌ．２０ 関基、外６名、「河川特性を反映したニューラルネットワーク洪水予測の精度向上」、河川技術論文集、２０１３年６月、Ｖｏｌ．１９ 椿涼太、外１名、「危機管理の実務に供する洪水予測技術」、［ｏｎｌｉｎｅ］、２０１３年、河川技術に関するシンポジウム、［２０１７年１０月１８日検索］、インターネット＜ＵＲＬ：ｈｔｔｐ：／／ｃｏｍｍｉｔｔｅｅｓ．ｊｓｃｅ．ｏｒ．ｊｐ／ｈｙｄｒａｕｌｉｃ０１／ｓｙｓｔｅｍ／ｆｉｌｅｓ／２０１３＿ＯＳ１．ｐｄｆ＞ 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）、２０１６年、Ｖｏｌ．７２、Ｎｏ．４、ｐｐ．Ｉ＿１８７−Ｉ＿１９２ 一言正之、外１名、「深層ニューラルネットワークと分布型モデルを組み合わせたハイブリッド河川水位予測手法」、土木学会論文集Ｂ１（水工学）、２０１７年、Ｖｏｌ．７３、Ｎｏ．１、ｐｐ．２２−３３
ニューラルネットワークを利用する方法では、位置及び時刻が近く相関が高いデータを、全結合レイヤにより相関が低いデータに変換する可能性がある。一方で、位置及び／又は時刻が離れ相関が低いデータを、全結合レイヤにより相関が高いデータに変換する可能性がある。よって、水位を十分に精度高く予測することができなかった。
そこで、前記課題を解決するために、本開示は、河川、ダム又は下水等の水位を予測するために、ニューラルネットワークを利用するにあたり、データ間の相関の高さ及び低さを維持しながら、水位を十分に精度高く予測することを目的とする。
前記課題を解決するために、畳み込みニューラルネットワークを利用する。つまり、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。そして、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。
具体的には、本開示は、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である。
この構成によれば、データ間の相関の高さ及び低さを維持しながら、かつ、データを圧縮し計算量を低減しながら、水位を十分に精度高く予測することができる。
また、本開示は、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水位予測方法である。
この構成によれば、位置及び時刻が近いが相関が高いとは限らない雨量データ及び水位データを、相関が高いデータに変換する可能性を低減することができる。
また、本開示は、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水位予測方法である。
この構成によれば、時刻が近いが相関が高いとは限らない（洪水又は護岸等で基準水位が変化）水位データを、相関が高いデータに変換する可能性を低減することができる。
また、本開示は、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水位予測方法である。
この構成によれば、アンサンブル学習を構成する複数の学習モデルを利用することにより、各学習モデル間の水位の予測精度のばらつきを補償することができる。
また、本開示は、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水位予測方法である。
この構成によれば、学習の初期状態及び学習の繰り返し回数を異ならせることにより、アンサンブル学習を構成する複数の学習モデルを利用することができる。
また、本開示は、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水位予測方法である。
この構成によれば、水位予測地点の上流域より他の領域の雨量データを、水位予測に利用しない（データをゼロクリア等）ことにより、計算量を低減することができる。
また、本開示は、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水位予測方法である。
この構成によれば、上記の上流地点の上流域の雨量データを、上記の上流地点の水位データに置換することにより、計算量を低減することができる。
また、本開示は、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水位予測方法である。
この構成によれば、畳み込みステップの畳み込みレイヤ数を、水位予測地点の上流域の面積及び雨量データのデータ分布密度に応じて、適切に設定することができる。
また、本開示は、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水位予測方法である。
この構成によれば、全結合ステップの隠れ層ユニット数を、雨量及び水位のデータ量並びに畳み込みステップの畳み込みレイヤ数に応じて、適切に設定することができる。
また、本開示は、以上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である。
この構成によれば、データ間の相関の高さ及び低さを維持しながら、かつ、データを圧縮し計算量を低減しながら、水位を十分に精度高く予測することができる。
また、本開示は、以上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である。
この構成によれば、データ間の相関の高さ及び低さを維持しながら、かつ、データを圧縮し計算量を低減しながら、水位を十分に精度高く予測することができる。
このように、本開示は、河川、ダム又は下水等の水位を予測するために、ニューラルネットワークを利用するにあたり、データ間の相関の高さ及び低さを維持しながら、水位を十分に精度高く予測することができる。
本開示の水位予測方法の処理手順を示す図である。 本開示の水位予測方法の処理手順を示す図である。 本開示の畳み込みレイヤの処理内容を示す図である。 本開示の畳み込みレイヤの処理内容を示す図である。 本開示の水位予測方法の予測精度を示す図である。 本開示の水位予測方法のアンサンブル学習を示す図である。 本開示の水位予測地点の上流域抽出を示す図である。 本開示の畳み込みレイヤの入力データを示す図である。 本開示の水位予測方法の予測結果を示す図である。
添付の図面を参照して本開示の実施形態を説明する。以下に説明する実施形態は本開示の実施の例であり、本開示は以下の実施形態に制限されるものではない。
（本開示の水位予測方法の処理手順）
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。
図１及び図２に示した水位予測方法では、畳み込み・プーリングレイヤＲ１の畳み込みレイヤＲ１−１において、水位予測地点ｒｐの上流域ｒ及び水位予測時刻ｔｐより以前の雨量の訓練・評価データＲｔ（ｒ、ｔ）、Ｒｅ（ｒ、ｔ）を入力する。
ここで、水位予測時刻ｔｐより以前の雨量の訓練・評価データＲｔ（ｒ、ｔ）、Ｒｅ（ｒ、ｔ）は、現在時刻までの雨量の実測データを含んでいるが、水位をさらに精度高く予測するためには、将来時刻での雨量の予測データを含んでもよい。
図１に示した水位予測方法では、畳み込み・プーリングレイヤＬ１の畳み込みレイヤＬ１−１において、水位予測地点ｒｐ及び水位予測時刻ｔｐより過去の水位の訓練・評価データＬｔ（ｒｐ、ｔ）、Ｌｅ（ｒｐ、ｔ）を入力する。図２に示した水位予測方法では、後述するように、全結合入力レイヤＣ１において、水位予測地点ｒｐ及び水位予測時刻ｔｐより過去の水位の訓練・評価データＬｔ（ｒｐ、ｔ）、Ｌｅ（ｒｐ、ｔ）を入力する。
つまり、図１に示した水位予測方法では、水位の訓練・評価データＬｔ（ｒｐ、ｔ）、Ｌｅ（ｒｐ、ｔ）に対して、雨量の訓練・評価データＲｔ（ｒ、ｔ）、Ｒｅ（ｒ、ｔ）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の処理を実行している。一方で、図２に示した水位予測方法では、水位の訓練・評価データＬｔ（ｒｐ、ｔ）、Ｌｅ（ｒｐ、ｔ）に対して、雨量の訓練・評価データＲｔ（ｒ、ｔ）、Ｒｅ（ｒ、ｔ）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の処理を実行していない。
ここで、水位予測時刻ｔｐより過去の水位の訓練・評価データＬｔ（ｒｐ、ｔ）、Ｌｅ（ｒｐ、ｔ）は、現在時刻までの水位の実測データを含んでいるが、水位をさらに精度高く予測するためには、将来時刻での水位の予測データを含んでもよい。
図１及び図２に示した水位予測方法では、畳み込み・プーリングレイヤＲ１の畳み込みレイヤＲ１−１、活性関数レイヤＲ１−２及びプーリングレイヤＲ１−３において、雨量の訓練・評価データＲｔ（ｒ、ｔ）、Ｒｅ（ｒ、ｔ）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、活性関数レイヤ及びプーリングレイヤの処理を実行する。
図１及び図２に示した水位予測方法では、畳み込み・プーリングレイヤＲＭの畳み込みレイヤＲＭ−１、活性関数レイヤＲＭ−２及びプーリングレイヤＲＭ−３において、（Ｍ−１）段に渡って畳み込まれた雨量の訓練・評価データＲｔ（ｒ、ｔ）、Ｒｅ（ｒ、ｔ）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、活性関数レイヤ及びプーリングレイヤの処理を実行する。ここで、Ｍは、後述のＮと等しくてもよく異なってもよい。
図１に示した水位予測方法では、畳み込み・プーリングレイヤＬ１の畳み込みレイヤＬ１−１、活性関数レイヤＬ１−２及びプーリングレイヤＬ１−３において、水位の訓練・評価データＬｔ（ｒｐ、ｔ）、Ｌｅ（ｒｐ、ｔ）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、活性関数レイヤ及びプーリングレイヤの処理を実行する。
図１に示した水位予測方法では、畳み込み・プーリングレイヤＬＮの畳み込みレイヤＬＮ−１、活性関数レイヤＬＮ−２及びプーリングレイヤＬＮ−３において、（Ｎ−１）段に渡って畳み込まれた水位の訓練・評価データＬｔ（ｒｐ、ｔ）、Ｌｅ（ｒｐ、ｔ）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、活性関数レイヤ及びプーリングレイヤの処理を実行する。ここで、Ｎは、上記のＭと等しくてもよく異なってもよい。
図１に示した水位予測方法では、全結合入力レイヤＣ１、全結合隠れレイヤＣ２、活性関数レイヤＣ３及び全結合出力レイヤＣ４において、畳み込まれた雨量の訓練・評価データＲｔ（ｒ、ｔ）、Ｒｅ（ｒ、ｔ）と、畳み込まれた水位の訓練・評価データＬｔ（ｒｐ、ｔ）、Ｌｅ（ｒｐ、ｔ）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。ここで、畳み込まれた雨量の訓練・評価データＲｔ（ｒ、ｔ）、Ｒｅ（ｒ、ｔ）と、畳み込まれた水位の訓練・評価データＬｔ（ｒｐ、ｔ）、Ｌｅ（ｒｐ、ｔ）とは、時刻同期をとったうえで、全結合入力レイヤＣ１に入力される。
図２に示した水位予測方法では、全結合入力レイヤＣ１、全結合隠れレイヤＣ２、活性関数レイヤＣ３及び全結合出力レイヤＣ４において、畳み込まれた雨量の訓練・評価データＲｔ（ｒ、ｔ）、Ｒｅ（ｒ、ｔ）と、畳み込まれない水位の訓練・評価データＬｔ（ｒｐ、ｔ）、Ｌｅ（ｒｐ、ｔ）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。ここで、畳み込まれた雨量の訓練・評価データＲｔ（ｒ、ｔ）、Ｒｅ（ｒ、ｔ）と、畳み込まれない水位の訓練・評価データＬｔ（ｒｐ、ｔ）、Ｌｅ（ｒｐ、ｔ）とは、時刻同期をとったうえで、全結合入力レイヤＣ１に入力される。
図１に示した水位予測方法では、学習の繰り返し時には、水位予測地点ｒｐ及び学習すべき時刻ｔｐの水位Ｌｐ（ｒｐ、ｔｐ）を予測し、畳み込みレイヤＲ１−１、Ｌ１−１〜ＲＭ−１、ＬＮ−１のフィルタ係数と、全結合入力レイヤＣ１及び全結合隠れレイヤＣ２の重み付け係数と、に対して、予測誤差を最適化するように誤差逆伝搬を実行する。そして、評価時には、水位予測地点ｒｐ及び水位予測時刻ｔｐの水位Ｌｐ（ｒｐ、ｔｐ）を予測する。
図２に示した水位予測方法では、学習の繰り返し時には、水位予測地点ｒｐ及び学習すべき時刻ｔｐの水位Ｌｐ（ｒｐ、ｔｐ）を予測し、畳み込みレイヤＲ１−１〜ＲＭ−１のフィルタ係数と、全結合入力レイヤＣ１及び全結合隠れレイヤＣ２の重み付け係数と、に対して、予測誤差を最適化するように誤差逆伝搬を実行する。そして、評価時には、水位予測地点ｒｐ及び水位予測時刻ｔｐの水位Ｌｐ（ｒｐ、ｔｐ）を予測する。
本開示の畳み込みレイヤの処理内容を図３及び図４に示す。図３及び図４では、雨量の訓練・評価データＲｔ（ｒ、ｔ）、Ｒｅ（ｒ、ｔ）に対する、畳み込み・プーリングレイヤＲ１〜ＲＭの処理内容を説明するが、水位の訓練・評価データＬｔ（ｒｐ、ｔ）、Ｌｅ（ｒｐ、ｔ）に対する、畳み込み・プーリングレイヤＬ１〜ＬＮの処理内容も同様である。
図３では、時間軸を考慮しない初段の畳み込み・プーリングレイヤＲ１の処理内容を説明する。ただし、水位予測時刻ｔｐの水位Ｌｐ（ｒｐ、ｔｐ）を予測するためには、水位予測時刻ｔｐより以前の雨量の訓練・評価データＲｔ（ｒ、ｔ）、Ｒｅ（ｒ、ｔ）を入力する必要があり、時間軸を考慮した畳み込み・プーリングレイヤの処理を実行する必要がある。
雨量の訓練・評価データＲｔ（ｒ、ｔ）、Ｒｅ（ｒ、ｔ）は、緯度軸及び経度軸を座標軸とする平面内での雨量データである。ただし、水位予測地点ｒｐの上流域ｒより他の領域の雨量データは、ゼロクリアされており水位予測に利用されない。
畳み込みレイヤＲ１−１において、図３では、４×４の雨量の訓練・評価データＲｔ（ｒ、ｔ）、Ｒｅ（ｒ、ｔ）に対して、３×３の畳み込みフィルタを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のデータを出力する。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、同様の処理を実行する。ここで、畳み込みフィルタのフィルタ係数は、学習の初期状態では乱数に設定され、学習の繰り返しにより最適値に収束し、評価時ではその最適値に設定される。よって、位置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。
活性関数レイヤＲ１−２において、図３では、２×２の畳み込みレイヤＲ１−１の出力データに対して、ＲｅＬＵ（Ｒｅｃｔｉｆｉｅｄ Ｌｉｎｅａｒ Ｕｎｉｔ：入力が０を超えていればそのまま出力、入力が０以下であれば０を出力）の処理を実行し、２×２のデータを出力する。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、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。
プーリングレイヤＲ１−３において、図３では、２×２の活性関数レイヤＲ１−２の出力データに対して、Ｍａｘ（最大値）プーリングの処理を実行し、１×１のデータを出力する。そして、他の２×２の活性関数レイヤＲ１−２の出力データに対して、同様の処理を実行する。よって、データの特徴を維持しながら、データを圧縮することができる。
初段のプーリングレイヤＲ１−３の出力データは、次段の畳み込みレイヤの入力データとなる。・・・（Ｍ−１）段のプーリングレイヤの出力データは、Ｍ段の畳み込みレイヤＲＭ−１の入力データとなる。Ｍ段のプーリングレイヤＲＭ−３の出力データは、全結合入力レイヤＣ１の入力データとなる。ここで、次段以降の畳み込み・プーリングレイヤの処理は、初段の畳み込み・プーリングレイヤＲ１の処理と同様である。そして、全結合入力レイヤＣ１及び全結合隠れレイヤＣ２の重み付け係数は、学習の初期状態では乱数に設定され、学習の繰り返しにより最適値に収束し、評価時ではその最適値に設定される。
図４では、時間軸を考慮した初段の畳み込み・プーリングレイヤＲ１の処理内容を説明する。つまり、水位予測時刻ｔｐの水位Ｌｐ（ｒｐ、ｔｐ）を予測するためには、水位予測時刻ｔｐより以前の雨量の訓練・評価データＲｔ（ｒ、ｔ）、Ｒｅ（ｒ、ｔ）を入力する必要があり、時間軸を考慮した畳み込み・プーリングレイヤの処理を実行する必要がある。
雨量の訓練・評価データＲｔ（ｒ、ｔ）、Ｒｅ（ｒ、ｔ）は、緯度軸、経度軸及び時間軸を座標軸とする時空間内での雨量データである。ただし、水位予測地点ｒｐの上流域ｒより他の領域の雨量データは、ゼロクリアされており水位予測に利用されない。
畳み込みレイヤＲ１−１において、図４では、以下の処理を実行する。
（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。
活性関数レイヤＲ１−２において、図４では、以下の処理を実行する。
（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。
プーリングレイヤＲ１−３において、図４では、２×２の活性関数レイヤＲ１−２の出力データ（畳み込み後ｔ＝１、・・・、ｎ）に対して、Ｍａｘプーリングの処理を実行し、１×１のデータ（畳み込み後１、・・・、ｎ）を出力する。そして、他の２×２の活性関数レイヤＲ１−２の出力データに対して、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、データの特徴を維持しながら、データを圧縮することができる。
初段のプーリングレイヤＲ１−３の出力データは、次段の畳み込みレイヤの入力データとなる。・・・（Ｍ−１）段のプーリングレイヤの出力データは、Ｍ段の畳み込みレイヤＲＭ−１の入力データとなる。Ｍ段のプーリングレイヤＲＭ−３の出力データは、全結合入力レイヤＣ１の入力データとなる。ここで、次段以降の畳み込み・プーリングレイヤの処理は、初段の畳み込み・プーリングレイヤＲ１の処理と同様である。
このように、図１及び図２に示した水位予測方法では、畳み込みニューラルネットワークを利用する。つまり、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。そして、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。よって、データ間の相関の高さ及び低さを維持しながら、かつ、データを圧縮し計算量を低減しながら、水位を十分に精度高く予測することができる。
さらに、図１に示した水位予測方法では、水位データに対して雨量データと別個に、畳み込み処理を実行するため、位置及び時刻が近いが相関が高いとは限らない雨量データ及び水位データを、相関が高いデータに変換する可能性を低減することができる。一方で、図２に示した水位予測方法では、水位データに対して雨量データと異なり、畳み込み処理を実行しないため、時刻が近いが相関が高いとは限らない（洪水又は護岸等で基準水位が変化）水位データを、相関が高いデータに変換する可能性を低減することができる。
（本開示の水位予測方法のアンサンブル学習）
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。
むしろ、学習の繰り返し回数が２００回程度を超えると、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、雨量の訓練データＲｔ（ｒ、ｔ）及び水位の訓練データＬｔ（ｒｐ、ｔ）に対する予測誤差より大きくなる傾向がある。つまり、学習の繰り返し回数が２００回程度を超えると、過学習が起こっている。
そして、学習の繰り返し回数が５０回程度であっても、雨量の評価データＲｅ（ｒ、ｔ）及び水位の評価データＬｅ（ｒｐ、ｔ）に対する予測誤差が、雨量の訓練データＲｔ（ｒ、ｔ）及び水位の訓練データＬｔ（ｒｐ、ｔ）に対する予測誤差より小さくなる場合がある。そこで、計算量を低減するために、学習の繰り返し回数を低減することを考える。
ここで、図５の左下欄及び右下欄では、図５の上欄と比べて、畳み込みフィルタ及び全結合重み付けの学習前初期値をランダムに変更して、訓練をし直した。
すると、図５の左下欄では、学習の繰り返し回数が３０回程度であっても、雨量の評価データＲｅ（ｒ、ｔ）及び水位の評価データＬｅ（ｒｐ、ｔ）に対する予測誤差が、雨量の訓練データＲｔ（ｒ、ｔ）及び水位の訓練データＬｔ（ｒｐ、ｔ）に対する予測誤差より小さくなる。つまり、最適な学習の繰り返し回数は、３０回程度である。
一方で、図５の右下欄では、学習の繰り返し回数が３０回程度であれば、雨量の評価データＲｅ（ｒ、ｔ）及び水位の評価データＬｅ（ｒｐ、ｔ）に対する予測誤差が、雨量の訓練データＲｔ（ｒ、ｔ）及び水位の訓練データＬｔ（ｒｐ、ｔ）に対する予測誤差と同等となる。そして、最適な学習の繰り返し回数は、５０回程度である。
そこで、図１及び図２において、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、水位予測地点ｒｐ及び水位予測時刻ｔｐの水位Ｌｐ（ｒｐ、ｔｐ）を予測する。ここで、複数の学習モデルでは、畳み込みステップのフィルタの学習前初期値、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。
本開示の水位予測方法のアンサンブル学習を図６に示す。訓練時には、畳み込みフィルタ及び全結合重み付けの学習前初期値をランダムに設定し、雨量の訓練データＲｔ（ｒ、ｔ）及び水位の訓練データＬｔ（ｒｐ、ｔ）を入力し、以下の学習モデルを構築する。
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
評価時には、雨量の評価データＲｅ（ｒ、ｔ）及び水位の評価データＬｅ（ｒｐ、ｔ）を入力し、以上の学習モデルを適用し、以下の水位予測Ｌｐ（ｒｐ、ｔｐ）を出力する。
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
そして、水位予測Ｌｐ（ｒｐ、ｔｐ）、Ｎｏ．１−１〜Ｎｏ．Ｍ−３のアンサンブル平均値を、水位予測Ｌｐ（ｒｐ、ｔｐ）の最終的な予測値として算出する。
このように、アンサンブル学習を構成する複数の学習モデルを利用することにより、各学習モデル間の水位の予測精度のばらつきを補償することができる。そして、学習の初期状態及び学習の繰り返し回数を異ならせることにより、アンサンブル学習を構成する複数の学習モデルを利用することができる。さらに、計算量を低減することができる。
（本開示の水位予測地点の上流域抽出）
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。
このように、水位予測地点ｒｐの上流域より他の領域の雨量データを、水位予測に利用しない（データをゼロクリア等）ことにより、計算量を低減することができる。
本開示の畳み込みレイヤの入力データを図８に示す。図１及び図２では、以下のデータを入力する：（１）水位予測地点ｒｐ及び水位予測時刻ｔｐより過去の水位の訓練・評価データＬｔ（ｒｐ、ｔ）、Ｌｅ（ｒｐ、ｔ）、（２）水位予測地点ｒｐより上流の上流地点ｒｕ及び水位予測時刻ｔｐより以前の水位の訓練・評価データＬｔ（ｒｕ、ｔ）、Ｌｅ（ｒｕ、ｔ）、（３）上流地点ｒｕの上流域ｒ’を除く水位予測地点ｒｐの上流域ｒ及び水位予測時刻ｔｐより以前の雨量の訓練・評価データＲｔ（ｒ、ｔ）、Ｒｅ（ｒ、ｔ）（ただし、（３）では、ｒはｒ’を含まない。）。
ここで、（１）水位予測時刻ｔｐより過去の水位の訓練・評価データＬｔ（ｒｐ、ｔ）、Ｌｅ（ｒｐ、ｔ）と、（２）水位予測時刻ｔｐより以前の水位の訓練・評価データＬｔ（ｒｕ、ｔ）、Ｌｅ（ｒｕ、ｔ）は、現在時刻までの水位の実測データを含んでいるが、水位をさらに精度高く予測するためには、将来時刻での水位の予測データを含んでもよい。
そして、（３）水位予測時刻ｔｐより以前の雨量の訓練・評価データＲｔ（ｒ、ｔ）、Ｒｅ（ｒ、ｔ）（ただし、（３）では、ｒはｒ’を含まない。）は、現在時刻までの雨量の実測データを含んでいるが、水位をさらに精度高く予測するためには、将来時刻での雨量の予測データを含んでもよい。
このように、上記の上流地点ｒｕの上流域ｒ’の雨量データを、上記の上流地点ｒｕの水位データに置換することにより、計算量を低減することができる。
（本開示の水位予測方法のハイパーパラメータ）
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。
このように、畳み込みステップの畳み込みレイヤ数を、水位予測地点ｒｐの上流域ｒの面積及び雨量データのデータ分布密度に応じて、適切に設定することができる。
全結合ステップの隠れ層ユニット数は、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が望ましい。ここで、全結合ステップの入力層ユニット数は、雨量・水位のデータ量及び畳み込みレイヤ数に基づいて決定される。そして、所定の割合として、例えば０．５程度に設定すればよい。
このように、全結合ステップの隠れ層ユニット数を、雨量及び水位のデータ量並びに畳み込みステップの畳み込みレイヤ数に応じて、適切に設定することができる。
なお、初段の畳み込みレイヤのチャネル数、活性関数レイヤの処理内容、プーリングレイヤの処理内容、Ｓｔｒｉｄｅ数、Ｄｒｏｐｏｕｔの使用可否、及び、Ｂａｔｃｈ Ｎｏｒｍａｌｉｚａｔｉｏｎの使用可否についても、適宜設定すればよい。
ただし、Ｂａｔｃｈ Ｎｏｒｍａｌｉｚａｔｉｏｎは、使用しないことが望ましい。ここで、Ｂａｔｃｈ Ｎｏｒｍａｌｉｚａｔｉｏｎは、データを平均０及び分散１にミニバッジ単位で正規化するため、学習を促進するとともに過学習を防止する。しかし、Ｂａｔｃｈ Ｎｏｒｍａｌｉｚａｔｉｏｎは、訓練時に高水位データのみならず低水位データも正規化するため、評価時に高水位データを適切に予測することができないことがある。
（本開示の水位予測方法の予測結果）
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。
各河川についての訓練期間及び評価期間は、以下の通りである。
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
図９では、上記の評価期間のうち、水位が最も高くなった期間について、水位の予測及び実測の結果を示している。１時間毎に、１〜３時間後だけ、水位が予測されている。各河川によらず、増水及び減水の傾向がとらえられていることが分かる。
本開示の水位予測方法、水位予測プログラム及び水位予測装置は、水害の予報又は警報を発令するために、河川、ダム又は下水等の水位を予測することができる。
Ｒ１、Ｌ１、ＲＭ、ＬＮ：畳み込み・プーリングレイヤ
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)

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  7. 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。
  8. 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。
  9. 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。
  10. 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。
  11. 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。
JP2017223038A 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 Active JP6959840B2 (ja)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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