JP2019096255A - Water level prediction device in sewer pipe, water level prediction method in sewer pipe, and water level prediction program in sewer pipe - Google Patents
Water level prediction device in sewer pipe, water level prediction method in sewer pipe, and water level prediction program in sewer pipe Download PDFInfo
- Publication number
- JP2019096255A JP2019096255A JP2017227582A JP2017227582A JP2019096255A JP 2019096255 A JP2019096255 A JP 2019096255A JP 2017227582 A JP2017227582 A JP 2017227582A JP 2017227582 A JP2017227582 A JP 2017227582A JP 2019096255 A JP2019096255 A JP 2019096255A
- Authority
- JP
- Japan
- Prior art keywords
- water level
- sewer pipe
- prediction
- data
- neural network
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Abstract
Description
本発明は、下水道管渠内水位の予測技術に関する。 The present invention relates to a prediction technology of water level in a sewer pipe.
近年の集中豪雨による被害の多発や都市型水害の発生が頻繁に起きる状況への対策として、下水道管渠内水位の予測技術の開発が進められている。下水道管渠内水位の予測技術としては、例えば、特許文献１，２の予測技術が知られている。 As a countermeasure against the situation where frequent occurrence of damage due to heavy rainfall and urban flood damage occur frequently in recent years, development of prediction technology of water level in sewer pipe is being promoted. As a prediction technique of the water level in the sewer pipe, for example, the prediction techniques of Patent Documents 1 and 2 are known.
特許文献１の予測法は、予測対象地域の現在と過去の降雨量に基づき予測された将来の降雨量と、当該対象地域の地理的なデータと家屋状況及び土地利用状況のデータとに基づき算出された下水道管渠内の雨水の流出量とから、下水道管渠内の水位を予測する。 The prediction method of Patent Document 1 is calculated based on the future rainfall amount predicted based on the current and past rainfall amounts of the prediction target area, the geographical data of the target area, and the data of the house condition and the land use condition. The water level in the sewer pipe is predicted from the amount of rainwater runoff in the sewer pipe.
特許文献２の予測法は、学習により重み付けされたニューラルネットワークにおいて、入力層のデータとしてレーダ雨量観測メッシュの積算雨量の時系列データが与えられると、出力層のデータとして雨水流入量を出力する。この積算雨量から予測される雨水流入量は一定時間毎の値として出力される。 According to the prediction method of Patent Document 2, in a neural network weighted by learning, when time series data of integrated rainfall of a radar rainfall observation mesh is given as data of an input layer, a rainwater inflow is output as data of an output layer. The amount of rainwater inflow predicted from this accumulated rainfall is output as a value for each fixed time.
特許文献１の予測法は、白地図，デジタルマップ，測量図や家屋状況データ、土地利用状況のデータ等、様々なデータの入力を前提とする。地上に降った雨が地表面から下水道管に流入して下水道管内の流下を経て予測対象地点に至るまでのプロセスは複雑かつ広範囲に及ぶので、設定すべき情報が莫大となり、水位の予測モデルの構築に要する時間とコストは膨大なものとなる。 The prediction method of Patent Document 1 assumes input of various data such as a white map, a digital map, a survey map, house condition data, data of a land use condition, and the like. Since the process of rain falling on the ground from the ground surface into the sewer pipe and flowing down through the sewer pipe to the target point is complicated and extensive, the information to be set becomes enormous, and the model for predicting the water level The time and cost required for construction will be enormous.
特許文献２の予測法は、時刻の異なるメッシュ降水量が入力されるニューラルネットワークにより雨水流入量を予測する。時刻及びメッシュ毎に入力ユニットを１つずつ用意して１対１で対応させている。この場合、メッシュ間の位置関係は情報として失われ、予測精度がメッシュサイズに依存する可能性がある。具体的には、メッシュサイズを小さく設定した場合、メッシュ降水量の局所的な位置的分布の違いに過度に影響を受ける可能性がある。一方、メッシュサイズを大きく設定した場合、広範囲で降水量分布は平均化され、水位の予測に重要な情報が失われる可能性がある。 The prediction method of Patent Document 2 predicts the amount of rainwater inflow by means of a neural network to which mesh precipitation at different times is input. One input unit is prepared for each time and mesh, and they are made to correspond one to one. In this case, the positional relationship between the meshes is lost as information, and the prediction accuracy may depend on the mesh size. Specifically, if the mesh size is set to a small size, it may be excessively influenced by the difference in local positional distribution of mesh precipitation. On the other hand, if the mesh size is set large, the precipitation distribution may be averaged over a wide area, and important information for water level prediction may be lost.
本発明は、上記の事情を鑑み、下水道管渠内水位の予測にあたり、予測モデル構築の時間とコストを抑えながら、空間方向および時間方向、双方向の変化を適切に特徴量化した高精度な予測を図ることを課題とする。 SUMMARY OF THE INVENTION In view of the above circumstances, the present invention accurately predicts changes in space direction, time direction, and bidirectional characteristics while appropriately reducing the time and cost of constructing a prediction model in predicting the water level in the sewer pipe. The task is to
そこで、本発明の一態様は、下水道管渠内水位予測装置であって、予測対象地点を含む地域の時刻の異なるメッシュ降水量の実況値及び予測値のデータ群を畳み込みニューラルネットワークでの畳み込み処理の適用可能な形式に変換することにより当該予測対象地点の下水道管渠内水位を予測する当該畳み込みニューラルネットワークに供される予測用入力データを作成する予測入力データ生成部と、前記予測用入力データと前記予測対象地点の近傍測定点の下水道管渠内水位データとから前記畳み込みニューラルネットワークにより当該予測対象地点の下水道管渠内水位を予測する水位予測値算出部と備える。 Therefore, one aspect of the present invention is a sewer pipe in-water level prediction apparatus, which performs convolution processing of data groups of actual values and predicted values of mesh precipitation at different times in a region including a prediction target point using a convolutional neural network Prediction input data generation unit for generating prediction input data to be provided to the convolutional neural network that predicts the water level in the sewer pipe of the prediction target point by converting the data into the applicable form; And a water level predicted value calculation unit configured to predict the water level in the sewer pipe of the prediction target point from the sewer pipe in-water level data of the vicinity measurement point of the prediction target point by the convolutional neural network.
本発明の一態様は、前記下水道管渠内水位予測装置において、下水道管渠内水位データ及び降水量データに基づき前記畳み込みニューラルネットワークの学習に供される学習用入力データを生成する学習入力データ生成部と、前記学習用入力データに基づき前記畳み込みニューラルネットワークのモデルパラメータを更新するモデルパラメータ更新部とをさらに備える。 In one embodiment of the present invention, learning input data generation for generating learning input data to be provided for learning of the convolutional neural network based on the water level data in the sewer pipe and the precipitation data in the sewer pipe in-water level prediction device And a model parameter updating unit that updates model parameters of the convolutional neural network based on the learning input data.
本発明の一態様は、前記下水道管渠内水位予測装置において、前記モデルパラメータ更新部は、前記畳み込みニューラルネットワークから出力される水位予測値と当該畳み込みニューラルネットワークに入力される下水道管渠内水位データとの誤差を最小化するバックプロパゲーション処理により前記モデルパラメータを更新する。 In one embodiment of the present invention, in the sewer pipe interior water level prediction apparatus, the model parameter updating unit is a predicted water level output from the convolutional neural network and sewer pipe interior water level data input to the convolutional neural network The model parameters are updated by a back propagation process that minimizes the error between
本発明の一態様は、前記下水道管渠内水位予測装置において、前記水位予測値算出部は、前記メッシュ降水量の実況値及び予測値のデータ群の各時刻に対応するデータを時間チャネルの対応するチャネルに入力して畳み込み処理を行うことを特徴とする。 In one embodiment of the present invention, in the sewer pipe interior water level prediction device, the predicted water level calculation unit corresponds to data corresponding to each time of the data group of the actual value and the predicted value of the mesh precipitation in correspondence with time channels. To perform the convolution process.
本発明の一態様は、前記下水道管渠内水位予測装置において、前記水位予測値算出部は、前記メッシュ降水量の実況値及び予測値の畳み込み処理結果を示す領域に対し、最大となる領域のメッシュ値を抽出するMaxPooling処理を行うことを特徴とする。 In one embodiment of the present invention, in the sewer pipe inland water level prediction device, the predicted water level calculation unit is configured to maximize the area indicating the convolution processing result of the actual value and the predicted value of the mesh precipitation. It is characterized in that MaxPooling processing for extracting mesh values is performed.
本発明の一態様は、コンピュータが実行する下水道管渠内水位予測方法であって、予測対象地点を含む地域の時刻の異なるメッシュ降水量の実況値及び予測値のデータ群を畳み込みニューラルネットワークでの畳み込み処理の適用可能な形式に変換することにより当該予測対象地点の下水道管渠内水位を予測する当該畳み込みニューラルネットワークに供される予測用入力データを作成する予測入力データを作成する過程と、前記予測用入力データと前記予測対象地点の近傍測定点の下水道管渠内水位データとから前記畳み込みニューラルネットワークにより当該予測対象地点の下水道管渠内水位を予測する過程とを有する。 One aspect of the present invention is a computer-implemented method for predicting the water level in a sewer pipe, including a data group of actual values and predicted values of mesh precipitation at different times in a region including a prediction target point using a convolutional neural network. Creating forecast input data for creating forecasting input data to be provided to the convolutional neural network for forecasting the water level in the sewer pipe of the forecast target point by converting it into an applicable form of the convolution process; There is a process of predicting the water level in the sewer pipe of the prediction target point by the convolutional neural network from the input data for prediction and the water level data in the sewer pipe of the vicinity measurement point of the prediction target point.
本発明の一態様は、前記下水道管渠内水位予測装置としてコンピュータを機能させる下水道管渠内水位予測プログラムまたは前記下水道管渠内水位予測方法をコンピュータに実行させる下水道管渠内水位予測プログラムである。 One aspect of the present invention is a sewer pipe in-water level prediction program that causes a computer to function as the sewer pipe in-water level prediction device or a sewer pipe in-water level prediction program that causes a computer to execute the in-water pipe in-water level prediction method. .
以上の本発明によれば、下水道管渠内水位の予測にあたり、予測モデル構築の時間とコストを抑えながら、空間方向および時間方向、双方向の変化を適切に特徴量化した高精度な予測を図ることができる。 According to the present invention as described above, in prediction of the water level in the sewer pipe, it is possible to achieve highly accurate prediction that appropriately changes the spatial direction, the temporal direction, and the bidirectional, while suppressing the time and cost of constructing a prediction model. be able to.
以下に図面を参照しながら本発明の実施形態について説明する。 Embodiments of the present invention will be described below with reference to the drawings.
図１に示された実施形態の下水道管渠内水位予測装置１０は、予測対象地点のメッシュ降水量と複数地点の管渠内水位に基づき図２に例示の畳み込みニューラルネットワーク１００により予測対象地点の下水道管渠内水位を予測する。特に、大雨などの異常水位時に地下街への早期情報発信を行うなどの都市部における防災情報の一つとして利用することを想定したものである。 The sewer pipe interior water level prediction apparatus 10 according to the embodiment shown in FIG. 1 is a forecasting target point by the convolutional neural network 100 illustrated in FIG. Predict the water level in the sewer pipe. In particular, it is assumed to be used as one of disaster prevention information in urban areas, such as sending early information to underground malls at the time of abnormal water level such as heavy rain.
（下水道管渠内水位予測装置１０の構成例）
下水道管渠内水位予測装置１０は、コンピュータのハードウェア資源とソフトウェア資源との協動により以下の機能部を実装する。
(Configuration example of water level prediction device 10 in sewer pipe)
The sewer pipe interior water level prediction device 10 implements the following functional units in cooperation with the hardware resources and software resources of the computer.
データ蓄積部１１は、下水道管渠内水位データ及び降水量データ（メッシュ降水量実況値，メッシュ降水量予測値）を蓄積（保存）する。 The data storage unit 11 stores (stores) water level data in the sewer pipe and precipitation data (mesh precipitation actual condition value, mesh precipitation predicted value).
学習入力データ生成部１２は、データ蓄積部１１から引き出された下水道管渠内水位データ及び降水量データに基づき畳み込みニューラルネットワーク１００の学習に供される学習用入力データを生成する。 The learning input data generation unit 12 generates learning input data to be provided for learning of the convolutional neural network 100 based on the water level data in the sewer pipe and the precipitation data extracted from the data storage unit 11.
学習パラメータ記憶部１３は、畳み込みニューラルネットワーク１００のモデルパラメータ（ニューラルネットワークの重み係数）とこのモデルパラメータを更新するための学習パラメータ（当該重み係数のパラメータ）とを蓄積する。 The learning parameter storage unit 13 accumulates model parameters (weighting coefficients of the neural network) of the convolutional neural network 100 and learning parameters (parameters of the weighting coefficients) for updating the model parameters.
モデルパラメータ更新部１４は、学習入力データ生成部１２にて生成された学習用入力データと学習パラメータ記憶部１３から引き出したモデルパラメータと前記学習パラメータとに基づき畳み込みニューラルネットワーク１００のモデルパラメータを更新する。この更新には、畳み込みニューラルネットワーク１００から出力される水位予測値と当該ニューラルネットワークに入力される下水道管渠内水位データとの誤差を最小化するバックプロパゲーション処理が適用される。そして、この更新されたモデルパラメータは学習パラメータ記憶部１３に保存される。 The model parameter updating unit 14 updates model parameters of the convolutional neural network 100 based on the learning input data generated by the learning input data generation unit 12, the model parameters extracted from the learning parameter storage unit 13, and the learning parameters. . In this update, a back propagation process is applied to minimize an error between the predicted water level output from the convolutional neural network 100 and the water level data in the sewer pipe input to the neural network. Then, the updated model parameter is stored in the learning parameter storage unit 13.
予測入力データ生成部１５は、データ蓄積部１１に蓄積された降水量データから畳み込みニューラルネットワーク１００の予測に必要な予測用入力データを生成する。すなわち、予測対象地点を含む地域の時刻の異なるメッシュ降水量の実況値及び予測値のデータ群を畳み込みニューラルネットワーク１００での畳み込み処理の適用可能な形式に変換することにより、畳み込みニューラルネットワーク１００に供される予測用入力データを作成する予測入力データを作成する。 The prediction input data generation unit 15 generates prediction input data necessary for prediction of the convolutional neural network 100 from the precipitation amount data stored in the data storage unit 11. That is, the data group of the actual value and the predicted value of mesh precipitation different in time of the area including the prediction target point is converted into the applicable form of the convolution process in the convolutional neural network 100 to provide the convolutional neural network 100. Create forecast input data to create forecast input data.
水位予測値算出部１６は、予測入力データ生成部１５からの予測用入力データから、畳み込みニューラルネットワーク１００により予測対象地点の管渠内水位を予測する（Ｓ３）。水位予測値算出部１６は、以下に述べる畳み込み処理部１０１、MaxPooling処理部１０２及び予測処理部１０３を実装する。また、畳み込みニューラルネットワーク１００は、学習パラメータ記憶部１３から引き出したモデルパラメータを利用する。 The water level prediction value calculation unit 16 predicts the in-pipe water level of the prediction target point by the convolutional neural network 100 from the prediction input data from the prediction input data generation unit 15 (S3). The water level prediction value calculation unit 16 implements a convolution processing unit 101, a MaxPooling processing unit 102, and a prediction processing unit 103 described below. In addition, the convolutional neural network 100 uses model parameters extracted from the learning parameter storage unit 13.
（水位予測の説明）
図２の下水道管渠内水位予測のモデルは畳み込みニューラルネットワーク１００による予測モデルである。先ず、時刻の異なる降水量データの実況値及び予測値が、畳み込み処理部１０１による畳み込み処理、さらに、MaxPooling処理部１０２によるMaxPooling処理に供される。そして、このMaxPooling処理部１０２から供されたデータが予測処理部１０３による水位予測に供されることにより予測対象地点の管渠内水位が予測される。
(Description of water level forecast)
The model of water level prediction in the sewer pipe in FIG. 2 is a prediction model by the convolutional neural network 100. First, actual values and predicted values of precipitation data at different times are subjected to convolution processing by the convolution processing unit 101 and MaxPooling processing by the MaxPooling processing unit 102. Then, the data provided from the MaxPooling processing unit 102 is used for water level prediction by the prediction processing unit 103, whereby the in-pipe water level in the prediction target point is predicted.
以下、予測対象地点の管渠内水位の予測過程（Ｓ１〜Ｓ３）について詳細に説明する。 Hereinafter, the prediction process (S1-S3) of the in-pipe water level of a prediction object point is demonstrated in detail.
Ｓ１：畳み込み処理部１０１は、予測入力データ生成部１５から供された畳み込み処理の適用可能な形式に変換された時刻の異なる降水量データの実況値及び予測値に対して畳み込み処理を実行する。 S1: The convolution processing unit 101 performs convolution processing on the real time value and the prediction value of the precipitation data at different times converted into the applicable format of the convolution processing provided from the prediction input data generation unit 15.
図３を参照して畳み込み処理の具体例について説明する。畳み込み処理は入力データに対して一定サイズごと重み付き和をとる処理である。このときの重み係数のことをフィルタと称する。このフィルタのサイズがF×Fの場合、フィルタを少しずつ移動させながらF×Fメッシュ毎に重み付き和をとる処理が、入力データ（前記引き出された降水量データの実況値及び予測値）の全体に行き渡るまで繰り返し実行される。 A specific example of the convolution process will be described with reference to FIG. The convolution process is a process of taking a weighted sum for each fixed size of input data. The weighting factor at this time is called a filter. When the size of this filter is F × F, the process of taking the weighted sum for each F × F mesh while moving the filter little by little is the input data (the actual value and predicted value of the extracted precipitation data). It runs repeatedly until it reaches the whole.
予測対象地点を含む一定サイズM×Mの現在時刻から一定時刻前までのメッシュ降水量実況値と一定時刻先までのメッシュ降水量予測値とを合わせたD時刻分の降水量のデータxkl (c)(1≦k≦M，1≦l≦M，1≦c≦D)に対し、サイズF×FのN個のフィルタwst (f,c)(1≦f≦N，1≦s≦F，1≦t≦F，1≦c≦D)が適用される。これにより、図３に示されたように、データxkl (c)(1≦k≦M，1≦l≦M，1≦c≦D)はサイズL×LのN個のデータaij (f)(1≦i≦L，1≦j≦L，1≦f≦N)までに圧縮される。データxkl (c)とデータaij (f)の関係は以下の式（１）により示される。 Data of precipitation for the time D, which is the mesh precipitation actual value from the current time of the fixed size M × M including the prediction target point to the fixed time ahead and the mesh precipitation predicted value to the fixed time ahead x kl ( c) N filters w st (f, c) (1 ≦ f ≦ N, 1 ≦ s) of size F × F with respect to (1 ≦ k ≦ M, 1 ≦ l ≦ M, 1 ≦ c ≦ D) ≦ F, 1 ≦ t ≦ F, 1 ≦ c ≦ D) is applied. Thus, as shown in FIG. 3, the data x kl (c) (1 ≦ k ≦ M, 1 ≦ l ≦ M, 1 ≦ c ≦ D) is N data a ij size L × L ( f) It is compressed to (1 ≦ i ≦ L, 1 ≦ j ≦ L, 1 ≦ f ≦ N). The relationship between the data x kl (c) and the data a ij (f) is expressed by the following equation (1).
式（１）において、β(f)はフィルタwst (f,c)ごとに定義されるバイアスであり、フィルタwst (f,c)間の値の大小を調整するものである。また、同式においては、時間方向（1≦c≦D）について和をとっており、位置方向としては、M×MからL×Lに圧縮される。よって、このＳ１の段階で時間的及び空間的方向の双方について集約された情報が得られる。 In the formula (1), β (f) is a bias that is defined for each filter w st (f, c), and adjusts the magnitude of the filter w st (f, c) between the values. Further, in the equation, the sum is taken for the time direction (1 ≦ c ≦ D), and the position direction is compressed from M × M to L × L. Thus, aggregated information on both temporal and spatial directions can be obtained at this stage of S1.
Ｓ２：MaxPooling処理部１０２は、前記メッシュ降水量の実況値及び予測値の畳み込み処理結果を示す領域に対し、最大となる領域のメッシュ値を抽出するMaxPooling処理を行う。ここでは、データaij (f)(1≦i≦L，1≦j≦L，1≦f≦N)に対してMaxPooling処理によりK×Kメッシュにまでデータを圧縮する。 S2: The MaxPooling processing unit 102 performs MaxPooling processing for extracting the mesh value of the area that is the largest, on the area indicating the convolution processing result of the actual value and the predicted value of the mesh precipitation amount. Here, data is compressed to K × K mesh by MaxPooling processing on data a ij (f) (1 ≦ i ≦ L, 1 ≦ j ≦ L, 1 ≦ f ≦ N).
MaxPooling処理は、単純に一定範囲内に含まれるメッシュの値の中で最大の値を抽出する処理である。最大値を探索する一定範囲のサイズをE×E、探索範囲の遷移するストライドの大きさをEと定義し、MaxPooling処理により、データbuv (f)(1≦u≦K，1≦v≦K，1≦f≦N)が得られる場合、データaij (f)とデータbuv (f)の関係は以下の式（２）により示される。 The MaxPooling process is simply a process of extracting the largest value among mesh values included in a certain range. The size of a certain range for searching for the maximum value is defined as E × E, and the size of the stride to which the search range transitions is defined as E, and the data b uv (f) (1 ≦ u ≦ K, 1 ≦ v ≦ ) by MaxPooling processing. When K, 1 ≦ f ≦ N) is obtained, the relationship between the data a ij (f) and the data b uv (f) is expressed by the following equation (2).
図４を参照してMaxPooling処理の具体例について説明する。図示の事例はE＝３とした場合の例である。Ｓ１から供されたメッシュ降水量データであるデータaij (f)の局所的な降雨のばらつきがMaxPooling処理により吸収され、降水量の局所的な分布の違いに頑強な予測が可能となる。 A specific example of the MaxPooling process will be described with reference to FIG. The illustrated case is an example in the case of E = 3. The variation of the local rainfall of data a ij (f) which is mesh precipitation data provided from S1 is absorbed by the MaxPooling process, and it is possible to make a robust prediction on the difference of the local distribution of precipitation.
以上のＳ２で得られたK×K×N個のデータbuv (f)(1≦u≦K，1≦v≦K，1≦f≦N)は、予測対象地点の近傍測定点の下水道管渠内水位データと共に、以下のＳ３でのニューラルネットワークによる予測対象地点の水位予測に供される。 The K × K × N pieces of data b uv (f) (1 ≦ u ≦ K, 1 ≦ v ≦ K, 1 ≦ f ≦ N) obtained in the above S2 are the sewerage points in the vicinity of the point to be predicted. It is used for the water level prediction of the prediction object point by the neural network in the following S3 with the in-pipe water level data.
Ｓ３：予測処理部１０３は、Ｓ２で得られたデータbuv (f)をデータ蓄積部１１から引き出された予測対象地点の近傍測定点の下水道管渠内水位データと共に畳み込みニューラルネットワーク１００の入力層１０４に供する。そして、この畳み込みニューラルネットワーク１００の出力層１０６から予測対象地点の水位予測値を出力する。 S3: The prediction processing unit 103 inputs the data b uv (f) obtained in S2 into the input layer of the convolutional neural network 100 together with the water level data in the sewer pipe near the prediction target point extracted from the data storage unit 11 Serving at 104. Then, the water level prediction value of the point to be predicted is output from the output layer 106 of the convolutional neural network 100.
畳み込みニューラルネットワーク１００の重み係数の学習はモデルパラメータ更新部１４により実行される。この学習の過程では、出力層１０６のニューロンである水位予測値と予測入力データ生成部１５から供された管渠内水位実況値との誤差を最小化するバックプロパゲーション処理が実行される。通常、誤差としては最小二乗誤差が使用されることが多いが、クロスエントロピー若しくはその他の誤差関数を使用してもよい。これにより、例えば、メッシュ降水量データに適用するフィルタの重み係数並びに予測対象地点の近傍測定点の水位に対する重み係数や入力層１０４と中間層１０５と間，中間層１０５間，中間層１０５と出力層１０６と間のニューロンの重み係数が算出される。これら重み係数が畳み込みニューラルネットワーク１００のモデルパラメータとなる。そして、このモデルパラメータは畳み込みニューラルネットワーク１００の新たなモデルパラメータとして学習パラメータ記憶部１３に格納される。 The learning of the weighting factors of the convolutional neural network 100 is performed by the model parameter updating unit 14. In the process of this learning, a back propagation process is performed to minimize an error between the water level prediction value which is a neuron of the output layer 106 and the in-pipe water level actual condition value provided from the prediction input data generation unit 15. Usually, the least squares error is often used as the error, but a cross entropy or other error function may be used. Thereby, for example, weighting coefficients of the filter applied to the mesh precipitation data, weighting coefficients for the water level of the measurement point near the prediction target point, between the input layer 104 and the intermediate layer 105, between the intermediate layer 105, and the intermediate layer 105 and output The weighting factors of the neurons between layer 106 are calculated. These weighting factors become model parameters of the convolutional neural network 100. Then, this model parameter is stored in the learning parameter storage unit 13 as a new model parameter of the convolutional neural network 100.
（本実施形態の効果）
以上のように、下水道管渠内水位予測装置１０は、時刻の異なるメッシュ降水量の実況値及び予測値に対して畳み込みを適用し、これを予測対象地点の近傍の測定点水位と共に、ニューラルネットワークに入力することにより、下水道管渠内の水位を予測する。
(Effect of this embodiment)
As described above, the sewer pipe inland water level prediction device 10 applies convolution to the actual value and predicted value of mesh precipitation at different times, and this is applied to the neural network together with the measurement point water level near the prediction target point. Predict the water level in the sewer pipe by entering
予測対象地点を含む一定範囲のメッシュ降水量と対象地点周辺の下水道管渠内水位をそのまま入力するだけで予測モデルが自動に構築されるので、流出解析的手法において前提となる下水管路の敷設状況などの土木情報の入力は不要となる。したがって、予測モデル構築の時間とコストを大幅に削減できる。 A prediction model is automatically constructed simply by directly inputting a certain range of mesh precipitation including the prediction target point and the water level in the sewer pipe around the target point. There is no need to enter civil engineering information such as the situation. Thus, the time and cost of constructing a prediction model can be significantly reduced.
特許文献２の予測法は、ニューラルネットワークを用いているが、メッシュ１つ１つの値を入力として利用しており、メッシュサイズの設定に予測精度が大きく依存する。 Although the prediction method of Patent Document 2 uses a neural network, each mesh value is used as an input, and the prediction accuracy largely depends on the setting of the mesh size.
これに対し、下水道管渠内水位予測装置１０は、降水量の分布に対し畳み込み処理を適用しているので、メッシュサイズの設定に堅牢な予測を行える。 On the other hand, since the sewer pipe inland water level prediction apparatus 10 applies the convolution process to the distribution of the precipitation, it is possible to make a robust prediction in the setting of the mesh size.
畳み込み処理は、入力データに対し、どの部分を強調しどの部分を平滑化すべきかなどの重み係数を表すフィルタと重み付き和を採る処理である。畳み込みニューラルネットワークでは、学習時に、このフィルタをデータに基づいて最適に決定する。ある特定部分だけを強調すべきなのか、全体的に平滑化して扱うべきなのかなどは、周辺メッシュの値を考慮しながらデータに基づいて最適に決定される。したがって、メッシュ１つ１つの値を入力として利用したときのように、メッシュサイズを必要以上に小さくしすぎて特定のメッシュ値の影響を過度に受ける、もしくは逆にメッシュサイズを大きくとり過ぎて情報が平均化され過ぎるといった問題を回避できる。 The convolution process is a process of taking a weighted sum and a filter representing a weighting factor such as which part is to be emphasized and which part is to be smoothed with respect to input data. A convolutional neural network optimally determines this filter based on data at the time of training. Whether to emphasize only a specific part or whether to treat it as a whole by smoothing is optimally determined based on the data in consideration of the values of peripheral meshes. Therefore, as in the case where each mesh value is used as an input, the mesh size is reduced too much and the influence of a specific mesh value is excessive, or the mesh size is set too large. It is possible to avoid the problem of being averaged too much.
入力となる降水量データは空間方向だけでなく、時間的にも変化に富むが、本態様においては、時刻の異なる降水量データ群に対する畳み込み処理において、通常の画像処理において色を扱う処理部分に時間の概念を対応付けることにより、さらに高精度な予測を可能とする。 The precipitation data to be input is rich in not only spatial direction but also temporally, but in this aspect, in the convolution processing for precipitation data groups at different times, the processing part that handles colors in normal image processing By correlating the concept of time, more accurate prediction is possible.
通常の画像処理において畳み込みニューラルネットワークをカラー画像に適用させる際、通常、入力は三原色（赤、緑、青）に分解し、各色情報が入力されるカラーチャネルが用意されるが、本態様においては、前記色情報の入力部分は時系列情報処理に利用される。 When a convolutional neural network is applied to a color image in normal image processing, the input is usually separated into three primary colors (red, green, blue), and color channels to which each color information is input are prepared. The input part of the color information is used for time-series information processing.
すなわち、カラーチャネル部分に各時系列のメッシュ降水量情報を入力し時間チャネルとする。より具体的には、時間チャネル部分にはデータ蓄積部１１に保存された前記メッシュ降水量の実況値及び予測値のデータ群の各時刻に対応するデータが時間チャネルの対応するチャネルに入力される。これにより、空間的方向および時間的方向の双方向に対して情報を集約した特徴量が得られる。したがって、時間的にも空間的にも多様な降水量分布の移動パターンに対応可能となり、より高精度な予測が可能となる。さらに、上述のMaxPooling処理により、入力するメッシュ降水量の局所的な降水量のばらつきが吸収されるので、局所的な降水量の分布の違いに頑強な予測を行うことが可能となる。 That is, mesh precipitation information of each time series is input to the color channel portion to be a time channel. More specifically, in the time channel portion, data corresponding to each time of the data group of the actual value and predicted value of the mesh precipitation stored in the data storage unit 11 is input to the corresponding channel of the time channel . As a result, it is possible to obtain feature quantities in which information is aggregated in both of the spatial direction and the temporal direction. Therefore, it becomes possible to cope with the movement patterns of precipitation distribution that are diverse temporally and spatially, and it becomes possible to make prediction with higher accuracy. Furthermore, since the above-mentioned MaxPooling processing absorbs local precipitation variation of input mesh precipitation, it is possible to perform robust prediction against differences in local precipitation distribution.
以上のように本実施形態の下水道管渠内水位予測装置１０及び下水道管渠内水位予測方法によれば、予測モデル構築の時間とコストを抑えながら、空間方向および時間方向、双方向の変化を適切に特徴量化した高精度な予測が可能となる。 As described above, according to the sewer pipe interior water level prediction device 10 and the sewer pipe interior water level prediction method of the present embodiment, changes in the space direction, time direction, and both directions can be made while suppressing the time and cost of constructing a prediction model. It is possible to perform highly accurate prediction that is appropriately characterized.
（本発明の他の態様例）
本発明の他の態様としては、コンピュータを下水道管渠内水位予測装置１０として機能させるまたは上述の管渠内水位予測の過程をコンピュータに実行させる下水道管渠内水位予測プログラムが挙げられる。このプログラムはコンピュータが読み取り可能な周知の記録媒体またはインターネット等のネットワークを介して提供できる。
(Another embodiment of the present invention)
As another aspect of the present invention, there is a sewer pipe in-water level prediction program that causes a computer to function as the sewer pipe in-water level prediction device 10 or causes the computer to execute the above-described pipe in-pipe water level prediction process. This program can be provided via a known computer readable recording medium or a network such as the Internet.
尚、本発明は、以上説明した実施形態に限定されるものではなく、本発明の特許請求の範囲内で様々な態様で実施が可能である。 The present invention is not limited to the embodiments described above, and can be implemented in various modes within the scope of the claims of the present invention.
１０…下水道管渠内水位予測装置
１１…データ蓄積部
１２…学習入力データ生成部
１３…学習パラメータ記憶部
１４…モデルパラメータ更新部
１５…予測入力データ生成部
１６…水位予測値算出部
１００…畳み込みニューラルネットワーク
１０１…畳み込み処理部
１０２…MaxPooling処理部
１０３…予測処理部
１０４…入力層
１０５…中間層
１０６…出力層
DESCRIPTION OF SYMBOLS 10 ... Sewer pipe inner water level prediction apparatus 11 ... Data storage part 12 ... Learning input data generation part 13 ... Learning parameter storage part 14 ... Model parameter update part 15 ... Prediction input data generation part 16 ... Water level predicted value calculation part 100 ... Convolution Neural network 101 ... convolution processing unit 102 ... MaxPooling processing unit 103 ... prediction processing unit 104 ... input layer 105 ... intermediate layer 106 ... output layer
Claims (7)
前記予測用入力データと前記予測対象地点の近傍測定点の下水道管渠内水位データとから前記畳み込みニューラルネットワークにより当該予測対象地点の下水道管渠内水位を予測する水位予測値算出部と
を備えたことを特徴とする下水道管渠内水位予測装置。 The water level in the sewer pipe of the forecast target point by converting the data group of the actual value and forecast value of mesh precipitation different in time of the area including the forecast target point to the applicable form of convolution processing in the convolutional neural network A prediction input data generation unit that generates input data for prediction to be provided to the convolutional neural network to predict
It has a water level predicted value calculation unit that predicts the water level in the sewer pipe of the prediction target point by the convolutional neural network from the input data for prediction and the water level data in the sewer pipe of the vicinity measurement point of the prediction target point. Sewer pipe in-water level prediction device characterized in that.
前記学習用入力データに基づき前記畳み込みニューラルネットワークのモデルパラメータを更新するモデルパラメータ更新部と
をさらに備えたことを特徴とする請求項１に記載の下水道管渠内水位予測装置。 A learning input data generation unit that generates learning input data to be provided for learning of the convolutional neural network based on the water level data in the sewer pipe and the precipitation data;
2. The apparatus for predicting the water level in a sewer pipe according to claim 1, further comprising: a model parameter updating unit that updates model parameters of the convolutional neural network based on the learning input data.
予測対象地点を含む地域の時刻の異なるメッシュ降水量の実況値及び予測値のデータ群を畳み込みニューラルネットワークでの畳み込み処理の適用可能な形式に変換することにより当該予測対象地点の下水道管渠内水位を予測する当該畳み込みニューラルネットワークに供される予測用入力データを作成する予測入力データを作成する過程と、
前記予測用入力データと前記予測対象地点の近傍測定点の下水道管渠内水位データとから前記畳み込みニューラルネットワークにより当該予測対象地点の下水道管渠内水位を予測する過程と
を有することを特徴とする下水道管渠内水位予測方法。 It is a sewer pipe inland water level prediction method that a computer executes,
The water level in the sewer pipe of the forecast target point by converting the data group of the actual value and forecast value of mesh precipitation different in time of the area including the forecast target point to the applicable form of convolution processing in the convolutional neural network Creating predictive input data for producing predictive input data to be provided to the convolutional neural network to predict
Predicting the water level in the sewer pipe of the prediction target point by the convolutional neural network from the input data for prediction and the water level data in the sewer pipe of the measurement point in the vicinity of the prediction target point. Water level forecast method in sewer pipe.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017227582A JP6984350B2 (en) | 2017-11-28 | 2017-11-28 | Sewer pipe water level prediction device and sewer pipe water level prediction program |
| JP2021114719A JP7255640B2 (en) | 2017-11-28 | 2021-07-12 | Method for Predicting Water Level in Sewer Pipes |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017227582A JP6984350B2 (en) | 2017-11-28 | 2017-11-28 | Sewer pipe water level prediction device and sewer pipe water level prediction program |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021114719A Division JP7255640B2 (en) | 2017-11-28 | 2021-07-12 | Method for Predicting Water Level in Sewer Pipes |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2019096255A true JP2019096255A (en) | 2019-06-20 |
| JP2019096255A5 JP2019096255A5 (en) | 2021-08-19 |
| JP6984350B2 JP6984350B2 (en) | 2021-12-17 |
Family
ID=66971834
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017227582A Active JP6984350B2 (en) | 2017-11-28 | 2017-11-28 | Sewer pipe water level prediction device and sewer pipe water level prediction program |
| JP2021114719A Active JP7255640B2 (en) | 2017-11-28 | 2021-07-12 | Method for Predicting Water Level in Sewer Pipes |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021114719A Active JP7255640B2 (en) | 2017-11-28 | 2021-07-12 | Method for Predicting Water Level in Sewer Pipes |
Country Status (1)
| Country | Link |
|---|---|
| JP (2) | JP6984350B2 (en) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242344A (en) * | 2019-12-11 | 2020-06-05 | 大连海事大学 | Intelligent water level prediction method based on cyclic neural network and convolutional neural network |
| CN111766641A (en) * | 2020-09-01 | 2020-10-13 | 南京信大气象科学技术研究院有限公司 | Strong convection weather identification method based on deep neural network |
| CN112232589A (en) * | 2020-10-30 | 2021-01-15 | 国网山西省电力公司大同供电公司 | Method and system for processing water environment data of cable pipe gallery |
| CN112712033A (en) * | 2020-12-30 | 2021-04-27 | 哈尔滨工业大学 | Automatic division method for catchment areas of municipal drainage pipe network |
| CN117556368A (en) * | 2024-01-12 | 2024-02-13 | 钛合联(深圳)科技有限公司 | Water conservancy monitoring abnormal data processing method based on Internet of things |
| JP7452311B2 (en) | 2020-07-30 | 2024-03-19 | 株式会社明電舎 | Water leak detection device and water leak detection method |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7389526B1 (en) | 2023-07-12 | 2023-11-30 | 日本インフラ計測株式会社 | Optimization method for water level gauge placement, method for predicting manhole water level, and manhole water level prediction system |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0688373A (en) * | 1992-09-09 | 1994-03-29 | Hitachi Ltd | Sewage disposing facility group managing system |
| JP2003027567A (en) * | 2001-07-16 | 2003-01-29 | Yamatake Corp | Sewage inflow estimating device and method, and server device |
| JP2007226450A (en) * | 2006-02-22 | 2007-09-06 | Fuji Electric Systems Co Ltd | Apparatus, method and program for predicting flow rate |
| JP2008184782A (en) * | 2007-01-29 | 2008-08-14 | Toshiba Corp | Rainwater inflow estimating device and rainwater inflow estimating method |
| JP2017174053A (en) * | 2016-03-23 | 2017-09-28 | 井上 克己 | Device for set operation of sequence data, method for the same, execution program for the same, and semiconductor incorporated with circuit for the same |
-
2017
- 2017-11-28 JP JP2017227582A patent/JP6984350B2/en active Active
-
2021
- 2021-07-12 JP JP2021114719A patent/JP7255640B2/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0688373A (en) * | 1992-09-09 | 1994-03-29 | Hitachi Ltd | Sewage disposing facility group managing system |
| JP2003027567A (en) * | 2001-07-16 | 2003-01-29 | Yamatake Corp | Sewage inflow estimating device and method, and server device |
| JP2007226450A (en) * | 2006-02-22 | 2007-09-06 | Fuji Electric Systems Co Ltd | Apparatus, method and program for predicting flow rate |
| JP2008184782A (en) * | 2007-01-29 | 2008-08-14 | Toshiba Corp | Rainwater inflow estimating device and rainwater inflow estimating method |
| JP2017174053A (en) * | 2016-03-23 | 2017-09-28 | 井上 克己 | Device for set operation of sequence data, method for the same, execution program for the same, and semiconductor incorporated with circuit for the same |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242344A (en) * | 2019-12-11 | 2020-06-05 | 大连海事大学 | Intelligent water level prediction method based on cyclic neural network and convolutional neural network |
| JP7452311B2 (en) | 2020-07-30 | 2024-03-19 | 株式会社明電舎 | Water leak detection device and water leak detection method |
| CN111766641A (en) * | 2020-09-01 | 2020-10-13 | 南京信大气象科学技术研究院有限公司 | Strong convection weather identification method based on deep neural network |
| CN112232589A (en) * | 2020-10-30 | 2021-01-15 | 国网山西省电力公司大同供电公司 | Method and system for processing water environment data of cable pipe gallery |
| CN112712033A (en) * | 2020-12-30 | 2021-04-27 | 哈尔滨工业大学 | Automatic division method for catchment areas of municipal drainage pipe network |
| CN117556368A (en) * | 2024-01-12 | 2024-02-13 | 钛合联(深圳)科技有限公司 | Water conservancy monitoring abnormal data processing method based on Internet of things |
| CN117556368B (en) * | 2024-01-12 | 2024-03-29 | 钛合联(深圳)科技有限公司 | Water conservancy monitoring abnormal data processing method based on Internet of things |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021182408A (en) | 2021-11-25 |
| JP7255640B2 (en) | 2023-04-11 |
| JP6984350B2 (en) | 2021-12-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7255640B2 (en) | Method for Predicting Water Level in Sewer Pipes | |
| Xie et al. | Artificial neural network based hybrid modeling approach for flood inundation modeling | |
| CN101268690B (en) | Adaptive area of influence filter for moving object boundaries | |
| Tao et al. | The feasibility of integrative radial basis M5Tree predictive model for river suspended sediment load simulation | |
| CN111898303A (en) | River basin water level and waterlogging forecasting method based on weather forecasting and hydrodynamic simulation | |
| Eyoh et al. | Modelling and predicting future urban expansion of Lagos, Nigeria from remote sensing data using logistic regression and GIS | |
| CN105488317B (en) | System and method for predicting air quality | |
| JP2007023608A (en) | System and method for estimating river flow rate, system and method for estimating water level of river, and program | |
| Guo et al. | Evaluation-oriented façade defects detection using rule-based deep learning method | |
| Deng et al. | Estimation of nonfluctuating reservoir inflow from water level observations using methods based on flow continuity | |
| KR20190098774A (en) | Apparatus and method for estimating flooding | |
| Shastry et al. | Using Steady‐State Backwater Analysis to Predict Inundated Area from National Water Model Streamflow Simulations | |
| JP2019148058A (en) | Flooding prediction evaluation device | |
| CN117151430B (en) | Small watershed soil and water conservation treatment priority remote sensing evaluation method | |
| CN117688844A (en) | Urban waterlogging real-time simulation method and system based on deep neural network | |
| Sousa et al. | How to evaluate the quality of coarse‐resolution DEM‐derived drainage networks | |
| CN117612026A (en) | Path prediction method and system based on remote sensing image road extraction | |
| JP4782572B2 (en) | Underground elevation model creation method, wastewater treatment area division method, wastewater treatment capacity evaluation method and apparatus | |
| CN110532868B (en) | Method for predicting free space semantic boundary | |
| Khalifa et al. | A new image-based model for predicting cracks in sewer pipes | |
| Yang et al. | Applying micro-genetic algorithm in the one-dimensional unsteady hydraulic model for parameter optimization | |
| Zhou et al. | A deep learning technique-based data-driven model for accurate and rapid flood prediction | |
| JP7375915B2 (en) | Analytical equipment, analytical methods and programs | |
| Kazemi et al. | Deriving multi‐scale GEODATA from TOPO‐250K road network Data | |
| JP2007033233A (en) | River contamination load estimation system, method, and program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200917 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210712 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210716 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210803 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211004 |
|
| 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: 20211026 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211108 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6984350 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |