JP2020118536A - 風速分布推定装置及び風速分布推定方法 - Google Patents
風速分布推定装置及び風速分布推定方法 Download PDFInfo
- Publication number
- JP2020118536A JP2020118536A JP2019009279A JP2019009279A JP2020118536A JP 2020118536 A JP2020118536 A JP 2020118536A JP 2019009279 A JP2019009279 A JP 2019009279A JP 2019009279 A JP2019009279 A JP 2019009279A JP 2020118536 A JP2020118536 A JP 2020118536A
- Authority
- JP
- Japan
- Prior art keywords
- wind speed
- data
- speed distribution
- wind
- building
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
【課題】風速情報と風向情報を含む詳細な風速分布を取得可能な、風速分布推定装置及び風速分布推定方法を提供する。【解決手段】建物周辺の風速分布を推定する、風速分布推定装置１であって、建物の形状情報を含む建物情報データ３、風向データ４、及び、前記建物情報データ３及び前記風向データ４に対応する教師データとしての風速分布データ５を、学習データ２として深層学習された学習モデル２５を備え、当該学習モデル２５に前記風速分布の推定対象となる建物情報データ３１と風向データ３２を入力して前記風速分布を推定し、推定結果４０を出力する、風速分布推定部２１を備え、前記風速分布データ５及び前記推定結果４０は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像１０、１１、１２、４１、４２、４３であり、当該複数の風速分布画像１０、１１、１２、４１、４２、４３の各々には、対応する前記軸線方向に成分分解された風速分布情報が格納されている、風速分布推定装置１を提供する。【選択図】図１
Description
本発明は、風速分布推定装置及び風速分布推定方法に関する。
従来より、例えば高層建築物の周辺におけるビル風等の風環境を評価することが行われている。風環境は、例えば風洞実験や数値流体解析により、風速分布として評価されることがある。
風洞実験においては、評価の対象となる建物を再現した模型に風を当て、模型の周りの風速等を模型に設けられたセンサで測定することにより、建物周辺の風環境、風速分布が評価される。特許文献１には、風洞実験時に使用される風速測定装置が開示されている。
上記のような風洞実験においては、実験の相似則に基づいて実際の風速が計測されるため、信頼性が高い評価結果を取得し得る。
しかし、風洞実験には大型の風洞装置が必要であるし、模型の製作には多くの時間と費用を要する。
また、センサは一定の大きさを有するために、模型上に設置できる数が限られる。したがって、模型上の、あるいは模型周辺の全ての地点における風速が得られるわけではなく、評価結果を取得できる地点の密度が疎となりがちである。
風洞実験においては、評価の対象となる建物を再現した模型に風を当て、模型の周りの風速等を模型に設けられたセンサで測定することにより、建物周辺の風環境、風速分布が評価される。特許文献１には、風洞実験時に使用される風速測定装置が開示されている。
上記のような風洞実験においては、実験の相似則に基づいて実際の風速が計測されるため、信頼性が高い評価結果を取得し得る。
しかし、風洞実験には大型の風洞装置が必要であるし、模型の製作には多くの時間と費用を要する。
また、センサは一定の大きさを有するために、模型上に設置できる数が限られる。したがって、模型上の、あるいは模型周辺の全ての地点における風速が得られるわけではなく、評価結果を取得できる地点の密度が疎となりがちである。
数値流体解析においては、コンピュータ上に評価の対象となる建物をモデリングし、これに対して、離散化・モデル化された流体運動に関する方程式を適用することによって、風速の近似解が計算される。特許文献２には、流体解析の結果を基にした風環境予測方法が開示されている。
数値流体解析は、コンピュータにより実現可能であるため風洞実験のような大掛かりな設備が不要であるし、建物のモデリングも風洞実験における模型の製作よりは短時間、低コストで実施可能である。また、評価結果を取得できる地点の密度が、風洞実験よりも高くなり得る。
しかし、建物のモデリングやメッシュ生成等の解析準備作業には高度な知識やノウハウが必要であり、一般に市街地を対象とした解析では大規模な３次元計算となるため、計算時間が相応にかかる。
数値流体解析は、コンピュータにより実現可能であるため風洞実験のような大掛かりな設備が不要であるし、建物のモデリングも風洞実験における模型の製作よりは短時間、低コストで実施可能である。また、評価結果を取得できる地点の密度が、風洞実験よりも高くなり得る。
しかし、建物のモデリングやメッシュ生成等の解析準備作業には高度な知識やノウハウが必要であり、一般に市街地を対象とした解析では大規模な３次元計算となるため、計算時間が相応にかかる。
上記のような風洞実験や数値流体解析に加え、特に近年、ニューラルネットワークにより風速分布を評価する試みが行われている。
ニューラルネットワークを用いた場合には、汎用的なコンピュータで評価装置を実現可能であり、風洞実験のような大掛かりな装置は不要である。また、ニューラルネットワークの学習が終了すると、簡易なデータを入力するのみで風速分布を出力可能であるため、数値流体解析のように高度な知識やノウハウ等も基本的には不要である。また、一般に数値流体解析より計算時間が高速である。
例えば特許文献３には、上記のようなニューラルネットワークによる風速分布の評価に関する、建物周辺の風速分布推定装置が開示されている。
特許文献３の風速分布推定装置は、推定する高さ情報を表わす高さ画像と、建物の断面形状情報を表わす形状画像と、風向き情報を表わす風向き画像とを入力する入力手段と、建物周辺の風速分布を表す画像である風速分布画像を作成する風速分布画像作成手段とを備えている。風速分布画像作成手段は、高さ画像と形状画像と風向き画像とを入力画像とし、風速分布画像を出力画像とする畳み込みニューラルネットワークから構成されている。
特許文献３においては、風速分布画像は風速等高線図を作成する入力として使用されている。換言すれば、特許文献３における風速分布画像においては、各画素の有する画素値は、当該画素に対応する地点の風速を表す値となっている。
ニューラルネットワークを用いた場合には、汎用的なコンピュータで評価装置を実現可能であり、風洞実験のような大掛かりな装置は不要である。また、ニューラルネットワークの学習が終了すると、簡易なデータを入力するのみで風速分布を出力可能であるため、数値流体解析のように高度な知識やノウハウ等も基本的には不要である。また、一般に数値流体解析より計算時間が高速である。
例えば特許文献３には、上記のようなニューラルネットワークによる風速分布の評価に関する、建物周辺の風速分布推定装置が開示されている。
特許文献３の風速分布推定装置は、推定する高さ情報を表わす高さ画像と、建物の断面形状情報を表わす形状画像と、風向き情報を表わす風向き画像とを入力する入力手段と、建物周辺の風速分布を表す画像である風速分布画像を作成する風速分布画像作成手段とを備えている。風速分布画像作成手段は、高さ画像と形状画像と風向き画像とを入力画像とし、風速分布画像を出力画像とする畳み込みニューラルネットワークから構成されている。
特許文献３においては、風速分布画像は風速等高線図を作成する入力として使用されている。換言すれば、特許文献３における風速分布画像においては、各画素の有する画素値は、当該画素に対応する地点の風速を表す値となっている。
特許文献３の風速分布推定装置においては、上記のように、各画素値が対応する地点の風速を表す値であり、したがって各地点における風向に関する情報が取得できない。
風向情報を含む、より詳細な風速分布を取得することが望まれている。
風向情報を含む、より詳細な風速分布を取得することが望まれている。
本発明が解決しようとする課題は、風速情報と風向情報を含む詳細な風速分布を取得可能な、風速分布推定装置及び風速分布推定方法を提供することである。
本発明は、上記課題を解決するため、以下の手段を採用する。すなわち、本発明は、建物周辺の風速分布を推定する、風速分布推定装置であって、建物の形状情報を含む建物情報データ、風向データ、及び、前記建物情報データ及び前記風向データに対応する教師データとしての風速分布データを、学習データとして深層学習された学習モデルを備え、当該学習モデルに前記風速分布の推定対象となる建物情報データと風向データを入力して前記風速分布を推定し、推定結果を出力する、風速分布推定部を備え、前記風速分布データ及び前記推定結果は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像であり、当該複数の風速分布画像の各々には、対応する前記軸線方向に成分分解された風速分布情報が格納されている、風速分布推定装置を提供する。
上記のような構成によれば、学習に使用される教師データとしての風速分布データや、学習済みの学習モデルの出力となる風速分布の推定結果の各々は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像であり、当該複数の風速分布画像の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。すなわち、各風速分布画像中の画素は、当該風速分布画像に対応する軸線方向上での風速値に相当する画素値に設定されている。このため、複数の風速分布画像の各々における画素値を、当該風速分布画像に対応する軸線方向上での成分として、複数の風速分布画像間で合成することにより、風速はもとより、これに併せて風向を計算可能である。
したがって、風速情報と風向情報を含む詳細な風速分布を取得可能な、風速分布推定装置を実現可能である。
上記のような構成によれば、学習に使用される教師データとしての風速分布データや、学習済みの学習モデルの出力となる風速分布の推定結果の各々は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像であり、当該複数の風速分布画像の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。すなわち、各風速分布画像中の画素は、当該風速分布画像に対応する軸線方向上での風速値に相当する画素値に設定されている。このため、複数の風速分布画像の各々における画素値を、当該風速分布画像に対応する軸線方向上での成分として、複数の風速分布画像間で合成することにより、風速はもとより、これに併せて風向を計算可能である。
したがって、風速情報と風向情報を含む詳細な風速分布を取得可能な、風速分布推定装置を実現可能である。
本発明の一態様においては、前記複数の軸線方向は、第１の水平方向と、当該第１の水平方向に水平面内で直交する第２の水平方向、及び鉛直方向である。
上記のような構成によれば、上記のような風速分布推定装置を適切に実現可能である。
上記のような構成によれば、上記のような風速分布推定装置を適切に実現可能である。
また、本発明は、建物周辺の風速分布を推定する、風速分布推定方法であって、建物の形状情報を含む建物情報データ、風向データ、及び、前記建物情報データ及び前記風向データに対応する教師データとしての風速分布データを、学習データとして深層学習された学習モデルに対し、前記風速分布の推定対象となる建物情報データと風向データを入力して前記風速分布を推定し、推定結果を出力する工程を備え、前記風速分布データ及び前記推定結果は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像であり、当該複数の風速分布画像の各々には、対応する前記軸線方向に成分分解された風速分布情報が格納されている、風速分布推定方法を提供する。
上記のような構成によれば、学習に使用される教師データとしての風速分布データや、学習済みの学習モデルの出力となる風速分布の推定結果の各々は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像であり、当該複数の風速分布画像の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。すなわち、各風速分布画像中の画素は、当該風速分布画像に対応する軸線方向上での風速値に相当する画素値に設定されている。このため、複数の風速分布画像の各々における画素値を、当該風速分布画像に対応する軸線方向上での成分として、複数の風速分布画像間で合成することにより、風速はもとより、これに併せて風向を計算可能である。
したがって、風速情報と風向情報を含む詳細な風速分布を取得可能な、風速分布推定装置を実現可能である。
上記のような構成によれば、学習に使用される教師データとしての風速分布データや、学習済みの学習モデルの出力となる風速分布の推定結果の各々は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像であり、当該複数の風速分布画像の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。すなわち、各風速分布画像中の画素は、当該風速分布画像に対応する軸線方向上での風速値に相当する画素値に設定されている。このため、複数の風速分布画像の各々における画素値を、当該風速分布画像に対応する軸線方向上での成分として、複数の風速分布画像間で合成することにより、風速はもとより、これに併せて風向を計算可能である。
したがって、風速情報と風向情報を含む詳細な風速分布を取得可能な、風速分布推定装置を実現可能である。
本発明によれば、風速情報と風向情報を含む詳細な風速分布を取得可能な、風速分布推定装置及び風速分布推定方法を提供することができる。
以下、本発明の実施形態について図面を参照して詳細に説明する。
本実施形態における風速分布推定装置は、建物周辺の風速分布を推定するものであって、建物の形状情報を含む建物情報データ、風向データ、及び、建物情報データ及び風向データに対応する教師データとしての風速分布データを、学習データとして深層学習された学習モデルを備え、学習モデルに風速分布の推定対象となる建物情報データと風向データを入力して風速分布を推定し、推定結果を出力する、風速分布推定部を備え、風速分布データ及び推定結果は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像であり、複数の風速分布画像の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。
本実施形態における風速分布推定装置は、建物周辺の風速分布を推定するものであって、建物の形状情報を含む建物情報データ、風向データ、及び、建物情報データ及び風向データに対応する教師データとしての風速分布データを、学習データとして深層学習された学習モデルを備え、学習モデルに風速分布の推定対象となる建物情報データと風向データを入力して風速分布を推定し、推定結果を出力する、風速分布推定部を備え、風速分布データ及び推定結果は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像であり、複数の風速分布画像の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。
図１は、本実施形態における風速分布推定装置のブロック図である。
本実施形態における風速分布推定装置１は、上記のように、任意の建物において、建物周辺の風速分布を推定する装置である。風速分布推定装置１は、例えばパーソナルコンピュータ等の情報処理装置である。風速分布推定装置１は、学習部２０、風速分布推定部２１、学習モデルパラメータ記憶部２２、及び結果合成部２３を備えている。
これら風速分布推定装置１の構成要素のうち、学習部２０、風速分布推定部２１、及び結果合成部２３は、例えば上記情報処理装置内のＣＰＵにより実行されるソフトウェア、プログラムであってよい。また、学習モデルパラメータ記憶部２２は、上記情報処理装置内外に設けられた半導体メモリや磁気ディスクなどの記憶装置により実現されていてよい。学習部２０は、例えばＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）によって処理される。
本実施形態における風速分布推定装置１は、上記のように、任意の建物において、建物周辺の風速分布を推定する装置である。風速分布推定装置１は、例えばパーソナルコンピュータ等の情報処理装置である。風速分布推定装置１は、学習部２０、風速分布推定部２１、学習モデルパラメータ記憶部２２、及び結果合成部２３を備えている。
これら風速分布推定装置１の構成要素のうち、学習部２０、風速分布推定部２１、及び結果合成部２３は、例えば上記情報処理装置内のＣＰＵにより実行されるソフトウェア、プログラムであってよい。また、学習モデルパラメータ記憶部２２は、上記情報処理装置内外に設けられた半導体メモリや磁気ディスクなどの記憶装置により実現されていてよい。学習部２０は、例えばＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）によって処理される。
後に説明するように、風速分布推定部２１は、建物の形状情報を含む建物情報データ３１と風向データ３２が入力されると、これに対応する風速分布を推定し、推定結果４０を出力する。この推定を効果的に行うために、風速分布推定部２１は、学習部２０に設けられた機械学習器２４を機械学習することにより生成された学習モデル２５を備えている。より詳細には、学習部２０は、学習データ２を機械学習器２４に入力して機械学習を行い、風速分布の推定に関する学習モデルパラメータを生成する。
すなわち、風速分布推定装置１は大別して、風速分布の学習と、風速分布の推定の、２通りの動作を行う。説明を簡単にするために、以下ではまず、風速分布の学習時における、風速分布推定装置１の各構成要素の説明をした後に、風速分布の推定時での各構成要素の挙動について説明する。
すなわち、風速分布推定装置１は大別して、風速分布の学習と、風速分布の推定の、２通りの動作を行う。説明を簡単にするために、以下ではまず、風速分布の学習時における、風速分布推定装置１の各構成要素の説明をした後に、風速分布の推定時での各構成要素の挙動について説明する。
風速分布の学習時には、学習データ２を基に、学習部２０が機械学習器２４を機械学習させる。この機械学習器２４が深層学習されることにより、学習モデル２５が生成される。図２は、機械学習器２４の模式的な説明図である。学習データ２は、建物情報データ３、風向データ４、及び教師データとしての風速分布データ５を備えている。
建物情報データ３は、建物の外形に関する情報を有するデータであり、建物形状画像６と建物高さ画像７を備えている。図３（ａ）と図３（ｂ）は、それぞれ、建物形状画像６と建物高さ画像７の説明図である。
建物形状画像６は、任意の地域を俯瞰した状態における、建物の形状を表現する画像である。より詳細には、建物形状画像６においては、建物に相当する部分である建物部分６ａ内の画素と、建物に相当しない部分である非建物部分６ｂ内の画素とが、異なる画素値を有するように設定されている。本実施形態においては、建物形状画像６は１チャンネルの画像であり、建物部分６ａと非建物部分６ｂは、それぞれ黒と例えば白等の画素値の最大値に相当する色、例えば画素値（輝度値）が８ビットで表現される場合においては０と２５５で表現されている。
以降、この建物形状画像６をはじめとした本実施形態における各画像において、横に延在する軸線方向をＸ方向（第１の水平方向）、水平面内でＸ方向に直交して縦に延在する軸線方向をＹ方向（第２の水平方向）、及び水平面に直交する軸線方向をＺ方向（鉛直方向）と呼称する。
建物情報データ３は、建物の外形に関する情報を有するデータであり、建物形状画像６と建物高さ画像７を備えている。図３（ａ）と図３（ｂ）は、それぞれ、建物形状画像６と建物高さ画像７の説明図である。
建物形状画像６は、任意の地域を俯瞰した状態における、建物の形状を表現する画像である。より詳細には、建物形状画像６においては、建物に相当する部分である建物部分６ａ内の画素と、建物に相当しない部分である非建物部分６ｂ内の画素とが、異なる画素値を有するように設定されている。本実施形態においては、建物形状画像６は１チャンネルの画像であり、建物部分６ａと非建物部分６ｂは、それぞれ黒と例えば白等の画素値の最大値に相当する色、例えば画素値（輝度値）が８ビットで表現される場合においては０と２５５で表現されている。
以降、この建物形状画像６をはじめとした本実施形態における各画像において、横に延在する軸線方向をＸ方向（第１の水平方向）、水平面内でＸ方向に直交して縦に延在する軸線方向をＹ方向（第２の水平方向）、及び水平面に直交する軸線方向をＺ方向（鉛直方向）と呼称する。
建物高さ画像７は、建物形状画像６内に表現されたものと同一の地域を俯瞰した状態における、建物の高さを表現する画像である。より詳細には、建物高さ画像７においては、例えば道路や地表等の建物に相当しない部分である非建物部分７ｂを高さが０ｍの基準面としたときに、建物に相当する建物部分７ａ内の画素が、当該画素が含まれる建物の高さに相当する画素値を有するように設定されている。本実施形態においては、建物高さ画像７は１チャンネルの画像であり、非建物部分７ｂは黒、例えば０で表現されている。また、建物部分７ａは中間色、例えば１以上の画素値で表現されている。特に本実施形態においては、建物部分７ａ内の画素は、画素値が、当該画素が含まれる建物の高さと同じ値となるように設定されている。例えば画素値が８ビットで表現される場合においては、高さが１０ｍの建物に相当する建物部分７ａ内の画素は画素値が１０となり、高さが３５ｍの建物に相当する建物部分７ａ内の画素は画素値が３５となっている。高さが２５５ｍの建物に相当する建物部分７ａ内の画素は、画素値が最大値すなわち２５５となっている。
建物高さ画像７は、上記のように建物形状画像６内に表現されたものと同一の地域を表現する画像であるため、建物形状画像６と同じ解像度を備えている。
風速分布推定装置１において風速分布を推定する対象として、例えば画素値が８ビットで表現される場合において、２５５ｍを超える高層建築物が多いことが想定される場合には、例えば０から最も高い建物の高さの値の範囲を、画素値の範囲すなわち０から２５５の範囲へと変換し、これを建物高さ画像７の画素値として用いてもよい。
建物高さ画像７は、上記のように建物形状画像６内に表現されたものと同一の地域を表現する画像であるため、建物形状画像６と同じ解像度を備えている。
風速分布推定装置１において風速分布を推定する対象として、例えば画素値が８ビットで表現される場合において、２５５ｍを超える高層建築物が多いことが想定される場合には、例えば０から最も高い建物の高さの値の範囲を、画素値の範囲すなわち０から２５５の範囲へと変換し、これを建物高さ画像７の画素値として用いてもよい。
風向データ４は、風向に関する情報を有するデータである。より詳細には、風向データ４は、既に説明した建物情報データ３内に表現された地域内の建物あるいは建物群に対して、地域外から吹き込む風の風向を表現するデータである。風向は、建物情報データ３における地域内の地点に依らず、地域内の全ての地点において一意に定められている。
風向データ４は、上記のように風向を表現するものであり、なおかつ全ての地点において値が一意であるため、１つのベクトルと見做すことができる。風向データ４は、このベクトルを建物情報データ３におけるＸ方向及びＹ方向の各々に成分分解した際の、Ｘ方向における成分値を１チャンネルの画像として表現した風向Ｘ成分画像８と、Ｙ方向における成分値を１チャンネルの画像として表現した風向Ｙ成分画像９を備えている。例えば、風向Ｘ成分画像８は、ベクトルが成分分解されたＸ方向上での成分値に対応する画素値に、全画素の画素値が設定された画像とすることができる。また、風向Ｙ成分画像９は、ベクトルが成分分解されたＹ方向上での成分値に対応する画素値に、全画素の画素値が設定された画像とすることができる。
風向データ４は、上記のように風向を表現するものであり、なおかつ全ての地点において値が一意であるため、１つのベクトルと見做すことができる。風向データ４は、このベクトルを建物情報データ３におけるＸ方向及びＹ方向の各々に成分分解した際の、Ｘ方向における成分値を１チャンネルの画像として表現した風向Ｘ成分画像８と、Ｙ方向における成分値を１チャンネルの画像として表現した風向Ｙ成分画像９を備えている。例えば、風向Ｘ成分画像８は、ベクトルが成分分解されたＸ方向上での成分値に対応する画素値に、全画素の画素値が設定された画像とすることができる。また、風向Ｙ成分画像９は、ベクトルが成分分解されたＹ方向上での成分値に対応する画素値に、全画素の画素値が設定された画像とすることができる。
風向を、例えばある２次元の座標系において、原点を上流としたときの下流への風の吹く方向すなわちベクトルと考えた場合には、これを成分分解して得られた各軸線方向における成分値は、ベクトルの方向によっては負の値を取り得る。このため、風向Ｘ成分画像８及び風向Ｙ成分画像９において風向を表現するに際し、上記のように負の値を取り得る、成分分解して得られた成分値を、０から画素値の最大値までの正の値の範囲に、例えば画素値が８ビットで表現される場合においては、０から２５５の値の画素値の範囲に変換する必要がある。本実施形態においては、成分値が０の場合には画素値を画素値の取り得る値の範囲の中心値、例えば１２８とし、正の値の場合には画素値を１２９から２５５までの範囲内の値とし、及び負の値の場合には画素値を０から１２７までの範囲内の値としている。
例えば、建物情報データ３におけるＸ方向及びＹ方向により形成される座標系において、西からの風の場合には、原点を上流とするとＸ軸上の正の方向への風向となるため、Ｘ方向上での成分値が正の値となりＹ方向上での成分値が０となる。したがって、風向Ｘ成分画像８は、全ての画素の画素値が画素値の最大値、例えば２５５に設定された、例えば白一色の画像となり得る。また、風向Ｙ成分画像９は、全ての画素の画素値が画素値の取り得る値の範囲の中心値、例えば１２８に設定された、特定の中間色一色の画像となり得る。逆に、東からの風の場合には、原点を上流とするとＸ軸上の負の方向への風向となるため、Ｘ方向上での成分値が負の値となりＹ方向上での成分値が０となる。したがって、風向Ｘ成分画像８は全ての画素の画素値が画素値の最小値、例えば０に設定された、黒一色の画像となり、風向Ｙ成分画像９は全ての画素の画素値が例えば１２８に設定された、特定の中間色一色の画像となり得る。
例えば、建物情報データ３におけるＸ方向及びＹ方向により形成される座標系において、西からの風の場合には、原点を上流とするとＸ軸上の正の方向への風向となるため、Ｘ方向上での成分値が正の値となりＹ方向上での成分値が０となる。したがって、風向Ｘ成分画像８は、全ての画素の画素値が画素値の最大値、例えば２５５に設定された、例えば白一色の画像となり得る。また、風向Ｙ成分画像９は、全ての画素の画素値が画素値の取り得る値の範囲の中心値、例えば１２８に設定された、特定の中間色一色の画像となり得る。逆に、東からの風の場合には、原点を上流とするとＸ軸上の負の方向への風向となるため、Ｘ方向上での成分値が負の値となりＹ方向上での成分値が０となる。したがって、風向Ｘ成分画像８は全ての画素の画素値が画素値の最小値、例えば０に設定された、黒一色の画像となり、風向Ｙ成分画像９は全ての画素の画素値が例えば１２８に設定された、特定の中間色一色の画像となり得る。
風速分布データ５は、建物情報データ３内に表現された地域における、風速の分布に関する情報、すなわち建物の周囲の各地点における風速に関するデータである。風速分布データ５は、建物情報データ３と風向データ４に対応して得られるデータであり、建物の形状や高さに関する情報と、建物情報データ３内に表現された地域に吹き込む風に関する情報が与えられた際に、これらを基に一意に決定される。
特に本実施形態においては、風速分布データ５は各地点における風向に関する情報をも含む。このために、風速分布データ５が風向に関する情報を保持し得るように、風速分布データ５は、それぞれが１チャンネルの画像である、風速分布Ｘ成分画像１０、風速分布Ｙ成分画像１１、及び風速分布Ｚ成分画像１２を備えている。風速分布Ｘ成分画像１０は、各画素の画素値が、建物情報データ３内に表現された地域内の当該画素に対応する地点における風向及び風速を表現するベクトルを、建物情報データ３におけるＸ方向とＹ方向、及びＺ方向の各々に成分分解した際の、Ｘ方向における成分値に相当する値に設定された画像である。風速分布Ｙ成分画像１１及び風速分布Ｚ成分画像１２は、同様に、各画素の画素値が、Ｙ方向及びＺ方向の各々における成分値に相当する値に設定された画像である。各画素に対応する地点が建物の場合には、当該画素の画素値は無風に相当する値に設定されている。
特に本実施形態においては、風速分布データ５は各地点における風向に関する情報をも含む。このために、風速分布データ５が風向に関する情報を保持し得るように、風速分布データ５は、それぞれが１チャンネルの画像である、風速分布Ｘ成分画像１０、風速分布Ｙ成分画像１１、及び風速分布Ｚ成分画像１２を備えている。風速分布Ｘ成分画像１０は、各画素の画素値が、建物情報データ３内に表現された地域内の当該画素に対応する地点における風向及び風速を表現するベクトルを、建物情報データ３におけるＸ方向とＹ方向、及びＺ方向の各々に成分分解した際の、Ｘ方向における成分値に相当する値に設定された画像である。風速分布Ｙ成分画像１１及び風速分布Ｚ成分画像１２は、同様に、各画素の画素値が、Ｙ方向及びＺ方向の各々における成分値に相当する値に設定された画像である。各画素に対応する地点が建物の場合には、当該画素の画素値は無風に相当する値に設定されている。
上記のように、風速分布データ５は風向に関する情報を含むため、風向データ４の場合と同様に、風速の各軸線方向における成分値は必ずしも正の値とはならず、風向によっては、すなわち正の値となり得る方向とは反対側の方向に風が吹く場合には、成分値は負の値となる。画像においてこのような正負の値を表現し得るように、本実施形態においては、想定し得る最大風速の正値を画素値の最大値、例えば画素値が８ビットで表現される場合においては２５５に対応させ、無風すなわち風速ゼロの場合を画素値の取り得る値の範囲の中心値、例えば１２８に対応させ、更に、最大風速の負値を画素値の最小値より１大きい値、例えば１に対応させている。建物形状画像６の建物部分６ａに相当する画素は、画素値の最小値、例えば０に設定される。このうえで、最大風速の負値から最大風速の正値までの範囲内の風速を画素値の取り得る値の範囲の最小値より１大きい値から最大値までの値に対応付けし、この対応関係に基づいて、各画素の画素値が、当該画素において情報として保持するべき風速に対応する値となるように設定されている。
このように、風速分布データ５は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像１０、１１、１２、すなわち風速分布Ｘ成分画像１０、風速分布Ｙ成分画像１１、及び風速分布Ｚ成分画像１２であり、これら複数の風速分布画像１０、１１、１２の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。
また、複数の軸線方向は、Ｘ方向（第１の水平方向）と、Ｘ方向に水平面内で直交するＹ方向（第２の水平方向）、及びＺ方向（鉛直方向）である。
学習データ２の各画像は、本実施形態においては実際には、学習部２０に入力される際に、各画素の値を画素値の最大値、例えば２５５により除算して、０から１までの値の範囲へと基準化されて用いられる。
このように、風速分布データ５は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像１０、１１、１２、すなわち風速分布Ｘ成分画像１０、風速分布Ｙ成分画像１１、及び風速分布Ｚ成分画像１２であり、これら複数の風速分布画像１０、１１、１２の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。
また、複数の軸線方向は、Ｘ方向（第１の水平方向）と、Ｘ方向に水平面内で直交するＹ方向（第２の水平方向）、及びＺ方向（鉛直方向）である。
学習データ２の各画像は、本実施形態においては実際には、学習部２０に入力される際に、各画素の値を画素値の最大値、例えば２５５により除算して、０から１までの値の範囲へと基準化されて用いられる。
機械学習器２４を機械学習する際に、建物情報データ３と風向データ４は機械学習器２４への入力として使用される。この際の機械学習器２４の出力である学習時推定結果１５は、建物情報データ３と風向データ４に対応する風速分布データ５と比較され、この比較結果を基に機械学習器２４が機械学習される。このように、風速分布データ５は機械学習における正解値すなわち教師データとして使用され、機械学習器２４は風速分布データ５に近い学習時推定結果１５を出力するように学習される。
既に説明したように、建物情報データ３、風向データ４、及び教師データとしての風速分布データ５の各々は、画像である。したがって、風速分布データ５と比較される学習時推定結果１５も当然画像である。このため、本実施形態においては、機械学習器２４は、画像を入出力とした場合の処理と相性の良い全層畳み込みネットワーク（Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ、以下ＦＣＮと記載する）により実現されている。ＦＣＮは、以下に説明するように、全結合層を備えず、畳み込み層において処理、生成された特徴マップを直接、転置畳み込み層への入力とするものである。
既に説明したように、建物情報データ３、風向データ４、及び教師データとしての風速分布データ５の各々は、画像である。したがって、風速分布データ５と比較される学習時推定結果１５も当然画像である。このため、本実施形態においては、機械学習器２４は、画像を入出力とした場合の処理と相性の良い全層畳み込みネットワーク（Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ、以下ＦＣＮと記載する）により実現されている。ＦＣＮは、以下に説明するように、全結合層を備えず、畳み込み層において処理、生成された特徴マップを直接、転置畳み込み層への入力とするものである。
図２に示されるように、機械学習器２４は、畳み込み処理部２７と転置畳み込み処理部２８を備えている。畳み込み処理部２７は、直列に接続された、複数の畳み込み層２７ａ、２７ｂ、２７ｃを備えている。転置畳み込み処理部２８は、同様に直列に接続された、複数の転置畳み込み層２８ｃ、２８ｂ、２８ａを備えている。模式的に示された図２においては、畳み込み層と転置畳み込み層の数はそれぞれ３となるように図示されているが、これら畳み込み層と転置畳み込み層の数は３に限られない。
学習部２０は、建物情報データ３と風向データ４を初段の畳み込み層２７ａへ入力する。既に説明したように、本実施形態においては、建物情報データ３の建物形状画像６と建物高さ画像７、及び風向データ４の風向Ｘ成分画像８と風向Ｙ成分画像９の各々は、１チャンネルの画像として実現されている。したがって、建物形状画像６、建物高さ画像７、風向Ｘ成分画像８、及び風向Ｙ成分画像９は、これら４枚の１チャンネルの画像が１枚の４チャンネルの画像として結合された学習時入力データ１４として、機械学習器２４へ入力される。
学習部２０は、建物情報データ３と風向データ４を初段の畳み込み層２７ａへ入力する。既に説明したように、本実施形態においては、建物情報データ３の建物形状画像６と建物高さ画像７、及び風向データ４の風向Ｘ成分画像８と風向Ｙ成分画像９の各々は、１チャンネルの画像として実現されている。したがって、建物形状画像６、建物高さ画像７、風向Ｘ成分画像８、及び風向Ｙ成分画像９は、これら４枚の１チャンネルの画像が１枚の４チャンネルの画像として結合された学習時入力データ１４として、機械学習器２４へ入力される。
畳み込み層２７ａは、所定の数のフィルタを備えている。機械学習器２４は、各フィルタに対し、これを学習時入力データ１４上に位置付け、フィルタ内の学習時入力データ１４の各画素の画素値に対して、フィルタ内に画素位置に対応して設定された重みを付けて和を計算することで、畳み込みフィルタ処理を実行する。これにより、畳み込み層２７ａにおける１つの画素の画素値が演算される。機械学習器２４は、フィルタを学習時入力データ１４上で所定の解像度刻みで移動させつつ、このような畳み込みフィルタ処理を実行することで複数の画素値を演算し、これを並べて、フィルタに対応した１枚の画像を生成する。
機械学習器２４は、この処理を、全てのフィルタに対して実行し、フィルタの数に応じた特徴マップを生成する。
特徴マップに対しては、必要に応じて、バッチ正規化処理やプーリング処理、活性化関数が実行される。
畳み込み層２７ａにおいて生成された特徴マップは、次段の畳み込み層２７ｂの入力画像となる。
機械学習器２４は、この処理を、全てのフィルタに対して実行し、フィルタの数に応じた特徴マップを生成する。
特徴マップに対しては、必要に応じて、バッチ正規化処理やプーリング処理、活性化関数が実行される。
畳み込み層２７ａにおいて生成された特徴マップは、次段の畳み込み層２７ｂの入力画像となる。
畳み込み層２７ｂにおいては、畳み込み層２７ａにおいて生成された特徴マップに対して、畳み込み層２７ａと同様に、畳み込みフィルタ処理が実行される。畳み込み層２７ｂは、所定の数のフィルタを備えており、これらを用いて畳み込みフィルタ処理を実行し、更に必要に応じてバッチ正規化処理やプーリング処理を実行することで、フィルタの数に応じた所定の数の特徴マップを生成する。
畳み込み層２７ｃにおいては、畳み込み層２７ｂにおいて生成された特徴マップに対して、畳み込みフィルタ処理が実行される。畳み込み層２７ｃは、所定の数のフィルタを備えており、これらを用いて畳み込みフィルタ処理を実行し、更に必要に応じてバッチ正規化処理やプーリング処理を実行することで、フィルタの数に応じた所定の数の特徴マップを生成する。
各畳み込み層２７ａ、２７ｂ、２７ｃにおけるフィルタの重みは、機械学習により調整される。
畳み込み層２７ｃにおいて生成された特徴マップは、転置畳み込み処理部２８の転置畳み込み層２８ｃへの入力となる。
畳み込み層２７ｃにおいては、畳み込み層２７ｂにおいて生成された特徴マップに対して、畳み込みフィルタ処理が実行される。畳み込み層２７ｃは、所定の数のフィルタを備えており、これらを用いて畳み込みフィルタ処理を実行し、更に必要に応じてバッチ正規化処理やプーリング処理を実行することで、フィルタの数に応じた所定の数の特徴マップを生成する。
各畳み込み層２７ａ、２７ｂ、２７ｃにおけるフィルタの重みは、機械学習により調整される。
畳み込み層２７ｃにおいて生成された特徴マップは、転置畳み込み処理部２８の転置畳み込み層２８ｃへの入力となる。
転置畳み込み処理部２８は、畳み込み処理部２７と対称的な構造となっている。すなわち、学習時入力データ１４は畳み込み処理部２７により低次元に圧縮されたが、転置畳み込み処理部２８においては、低次元に圧縮された状態から拡大し、復元されるように動作する。より詳細には、畳み込み層２７ｃに対応する転置畳み込み処理を実行する転置畳み込み層２８ｃ、畳み込み層２７ｂに対応する転置畳み込み処理を実行する転置畳み込み層２８ｂ、及び畳み込み層２７ａに対応する転置畳み込み処理を実行する転置畳み込み層２８ａを順に経ることで、出力データが生成される。
転置畳み込み処理部２８すなわち機械学習器２４の出力データは、本実施形態においては、入力された学習時入力データ１４内の建物情報データ３と風向データ４に対応する、建物情報データ３内に表現された地域における風速、風向の学習時推定結果１５である。学習時推定結果１５は、風速分布データ５と同様に、建物情報データ３内に表現された地域内の各地点における、Ｘ方向、Ｙ方向、及びＺ方向の各々に対応して成分分解された風速、風向情報が格納された、３枚の１チャンネルの画像であり、これが１枚の３チャンネルの画像として出力される。
転置畳み込み処理部２８すなわち機械学習器２４の出力データは、本実施形態においては、入力された学習時入力データ１４内の建物情報データ３と風向データ４に対応する、建物情報データ３内に表現された地域における風速、風向の学習時推定結果１５である。学習時推定結果１５は、風速分布データ５と同様に、建物情報データ３内に表現された地域内の各地点における、Ｘ方向、Ｙ方向、及びＺ方向の各々に対応して成分分解された風速、風向情報が格納された、３枚の１チャンネルの画像であり、これが１枚の３チャンネルの画像として出力される。
機械学習器２４では、学習時推定結果１５における推定結果が、入力された学習時入力データ１４に対応する風速分布データ５すなわち教師データに近い値となるように、機械学習が行われる。このために、学習部２０は、学習時入力データ１４に対応する風速分布データ５と、当該学習時入力データ１４を入力した際の出力である学習時推定結果１５を画素単位で比較して、例えば各画素間の画素値の差分の２乗誤差をコスト関数として計算する。
その上で、このコスト関数を小さくするように、誤差逆伝搬法等により、各フィルタの重みの値等を調整することで、機械学習器２４が機械学習される。
結果として、機械学習器２４は、学習時入力データ１４が入力されたときに、これに含まれる建物情報データ３と風向データ４に対応する風速分布データ５に近い学習時推定結果１５を出力するように学習される。
その上で、このコスト関数を小さくするように、誤差逆伝搬法等により、各フィルタの重みの値等を調整することで、機械学習器２４が機械学習される。
結果として、機械学習器２４は、学習時入力データ１４が入力されたときに、これに含まれる建物情報データ３と風向データ４に対応する風速分布データ５に近い学習時推定結果１５を出力するように学習される。
学習部２０は、学習が終了すると、調整が終了した各フィルタの重みの値等のパラメータを、学習モデルパラメータとして、学習モデルパラメータ記憶部２２に記憶する。学習モデルパラメータ記憶部２２に記憶された学習モデルパラメータは、後に説明する風速分布推定部２１において取得され、風速分布を推定する学習モデル２５が構築される。
すなわち、学習部２０は、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される、適切な学習パラメータが学習された学習済みの学習モデル２５を生成するものである。
すなわち、学習部２０は、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される、適切な学習パラメータが学習された学習済みの学習モデル２５を生成するものである。
次に、風速分布の推定時での各構成要素の挙動について説明する。
風速分布推定部２１は、学習モデルパラメータ記憶部２２から学習モデルパラメータを取得し、学習モデル２５を構築する。図４は、学習モデル２５の模式的な説明図である。風速分布推定部２１は、この学習モデル２５を、例えばＣＰＵ上でプログラムとして実行することで、風速分布を推定する。
学習モデル２５の入力データである推定時入力データ３０は、実際に風速分布の推定対象となる地域及び風向が情報として格納された、建物情報データ３１と風向データ３２である。建物情報データ３１は、建物形状画像３３と建物高さ画像３４を備えており、これらの各々は、学習時に学習データ２として使用された建物形状画像６及び建物高さ画像７と同様に構成されている。風向データ３２は、風向Ｘ成分画像３５と風向Ｙ成分画像３６を備えており、これらの各々は、学習時に学習データ２として使用された風向Ｘ成分画像８及び風向Ｙ成分画像９と同様に構成されている。建物形状画像３３、建物高さ画像３４、風向Ｘ成分画像３５、及び風向Ｙ成分画像３６は、それぞれが１チャンネルの画像であり、推定時入力データ３０は、これら４枚の１チャンネルの画像が１枚の４チャンネルの画像として結合された画像データである。
推定時入力データ３０の各画像は、本実施形態においては実際には、学習時と同様に、風速分布推定部２１に入力される際に、各画素の値を画素値の最大値、例えば２５５により除算して、０から１までの値の範囲へと基準化されて用いられる。
風速分布推定部２１は、学習モデルパラメータ記憶部２２から学習モデルパラメータを取得し、学習モデル２５を構築する。図４は、学習モデル２５の模式的な説明図である。風速分布推定部２１は、この学習モデル２５を、例えばＣＰＵ上でプログラムとして実行することで、風速分布を推定する。
学習モデル２５の入力データである推定時入力データ３０は、実際に風速分布の推定対象となる地域及び風向が情報として格納された、建物情報データ３１と風向データ３２である。建物情報データ３１は、建物形状画像３３と建物高さ画像３４を備えており、これらの各々は、学習時に学習データ２として使用された建物形状画像６及び建物高さ画像７と同様に構成されている。風向データ３２は、風向Ｘ成分画像３５と風向Ｙ成分画像３６を備えており、これらの各々は、学習時に学習データ２として使用された風向Ｘ成分画像８及び風向Ｙ成分画像９と同様に構成されている。建物形状画像３３、建物高さ画像３４、風向Ｘ成分画像３５、及び風向Ｙ成分画像３６は、それぞれが１チャンネルの画像であり、推定時入力データ３０は、これら４枚の１チャンネルの画像が１枚の４チャンネルの画像として結合された画像データである。
推定時入力データ３０の各画像は、本実施形態においては実際には、学習時と同様に、風速分布推定部２１に入力される際に、各画素の値を画素値の最大値、例えば２５５により除算して、０から１までの値の範囲へと基準化されて用いられる。
風速分布推定部２１が学習モデル２５に推定時入力データ３０を入力すると、学習モデル２５は、畳み込み層２７ａ、２７ｂ、２７ｃと、及び転置畳み込み層２８ｃ、２８ｂ、２８ａを順に辿りながら、畳み込み処理及び転置畳み込み処理を実行する。最終的に転置畳み込み層２８ａから、推定時入力データ３０に対応する推定結果４０が出力される。
推定結果４０は、学習時推定結果１５と同様に、建物情報データ３１内に表現された地域内の各地点における、Ｘ方向、Ｙ方向、及びＺ方向の各々に対応して成分分解された風速、風向情報が格納された、３枚の１チャンネルの画像であり、これが１枚の３チャンネルの画像として出力される。
風速分布推定部２１は、推定結果４０からＸ方向、Ｙ方向、及びＺ方向の各々に対応する１チャンネルの画像、すなわち各方向に対応して成分分解された風速、風向情報を抽出し、それぞれ、Ｘ成分推定結果画像４１、Ｙ成分推定結果画像４２、及びＺ成分推定結果画像４３として外部へ出力するとともに、結果合成部２３へと送信する。
推定結果４０は、学習時推定結果１５と同様に、建物情報データ３１内に表現された地域内の各地点における、Ｘ方向、Ｙ方向、及びＺ方向の各々に対応して成分分解された風速、風向情報が格納された、３枚の１チャンネルの画像であり、これが１枚の３チャンネルの画像として出力される。
風速分布推定部２１は、推定結果４０からＸ方向、Ｙ方向、及びＺ方向の各々に対応する１チャンネルの画像、すなわち各方向に対応して成分分解された風速、風向情報を抽出し、それぞれ、Ｘ成分推定結果画像４１、Ｙ成分推定結果画像４２、及びＺ成分推定結果画像４３として外部へ出力するとともに、結果合成部２３へと送信する。
このように、風速分布推定部２１は、建物情報データ３、風向データ４、及び、建物情報データ３及び風向データ４に対応する教師データとしての風速分布データ５を、学習データ２として深層学習された学習モデル２５を備え、学習モデル２５に風速分布の推定対象となる建物情報データ３１と風向データ３２を入力して風速分布を推定し、推定結果４０を出力する。
また、推定結果４０は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像４１、４２、４３であり、複数の風速分布画像４１、４２、４３の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。
また、推定結果４０は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像４１、４２、４３であり、複数の風速分布画像４１、４２、４３の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。
結果合成部２３は、風速分布推定部２１から、Ｘ成分推定結果画像４１、Ｙ成分推定結果画像４２、及びＺ成分推定結果画像４３を受信する。
結果合成部２３は、Ｘ成分推定結果画像４１、Ｙ成分推定結果画像４２、及びＺ成分推定結果画像４３の各々の情報を合成して、風速分布合成結果画像４４を生成する。風速分布合成結果画像４４は、Ｘ成分推定結果画像４１、Ｙ成分推定結果画像４２、及びＺ成分推定結果画像４３と同等の解像度を備えた画像である。結果合成部２３は、Ｘ成分推定結果画像４１、Ｙ成分推定結果画像４２、及びＺ成分推定結果画像４３の互いに対応する画素の各々に対し、これら画像４１、４２、４３の各々から画素値、すなわち当該画素に対応する地点における風向風速のＸ成分値、Ｙ成分値、及びＺ成分値の各々に対応する値を取得し、これらの各々をベクトルとして、Ｘ方向、Ｙ方向、及びＺ方向の３つの軸線方向により形成される３次元座標系上で合成する。結果合成部２３は、合成により生成されたベクトルの大きさを基に風速を、及び向きを基に風向を計算する。結果合成部２３は、全画素に関して風速及び風向情報を計算し、これらをまとめて一つの画像すなわち風速分布合成結果画像４４を生成する。
結果合成部２３は、風速分布合成結果画像４４を外部へ出力する。
結果合成部２３は、Ｘ成分推定結果画像４１、Ｙ成分推定結果画像４２、及びＺ成分推定結果画像４３の各々の情報を合成して、風速分布合成結果画像４４を生成する。風速分布合成結果画像４４は、Ｘ成分推定結果画像４１、Ｙ成分推定結果画像４２、及びＺ成分推定結果画像４３と同等の解像度を備えた画像である。結果合成部２３は、Ｘ成分推定結果画像４１、Ｙ成分推定結果画像４２、及びＺ成分推定結果画像４３の互いに対応する画素の各々に対し、これら画像４１、４２、４３の各々から画素値、すなわち当該画素に対応する地点における風向風速のＸ成分値、Ｙ成分値、及びＺ成分値の各々に対応する値を取得し、これらの各々をベクトルとして、Ｘ方向、Ｙ方向、及びＺ方向の３つの軸線方向により形成される３次元座標系上で合成する。結果合成部２３は、合成により生成されたベクトルの大きさを基に風速を、及び向きを基に風向を計算する。結果合成部２３は、全画素に関して風速及び風向情報を計算し、これらをまとめて一つの画像すなわち風速分布合成結果画像４４を生成する。
結果合成部２３は、風速分布合成結果画像４４を外部へ出力する。
次に、図１〜図４、及び図５を用いて、上記の風速分布推定装置１を用いた風速分布推定方法を説明する。図５（ａ）は風速分布の学習時のフローチャートであり、図５（ｂ）は風速分布の推定時のフローチャートである。
本実施形態における風速分布推定方法は、建物周辺の風速分布を推定するものであって、建物の形状情報を含む建物情報データ、風向データ、及び、建物情報データ及び風向データに対応する教師データとしての風速分布データを、学習データとして深層学習された学習モデルに対し、風速分布の推定対象となる建物情報データと風向データを入力して風速分布を推定し、推定結果を出力する工程を備え、風速分布データ及び推定結果は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像であり、複数の風速分布画像の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。
本実施形態における風速分布推定方法は、建物周辺の風速分布を推定するものであって、建物の形状情報を含む建物情報データ、風向データ、及び、建物情報データ及び風向データに対応する教師データとしての風速分布データを、学習データとして深層学習された学習モデルに対し、風速分布の推定対象となる建物情報データと風向データを入力して風速分布を推定し、推定結果を出力する工程を備え、風速分布データ及び推定結果は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像であり、複数の風速分布画像の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。
まず、風速分布の学習時における、風速分布推定装置１の各構成要素の動作を説明する。
学習部２０は、建物情報データ３と風向データ４を学習時入力データ１４として機械学習器２４の畳み込み処理部２７へ入力する。
畳み込み処理部２７は、各畳み込み層２７ａ、２７ｂ、２７ｃにより畳み込み処理を実行して特徴マップを生成し、転置畳み込み処理部２８へ入力する。
転置畳み込み処理部２８は、各転置畳み込み層２８ｃ、２８ｂ、２８ａにより特徴マップを拡大、復元するように転置畳み込み処理を実行し、学習時推定結果１５を出力する。
学習部２０は、入力された学習時入力データ１４に対応する風速分布データ５を取得し、風速分布データ５すなわち教師データと学習時推定結果１５を画素単位で比較して、例えば各画素間の画素値の差分の２乗誤差をコスト関数として計算する。
その上で、このコスト関数を小さくするように、誤差逆伝搬法等により、各フィルタの重みの値等を調整することで、機械学習器２４が機械学習される（ステップＳ１）。
学習部２０は、学習が終了すると、調整が終了した各フィルタの重みの値等のパラメータを、学習モデルパラメータとして、学習モデルパラメータ記憶部２２に記憶する（ステップＳ３）。
学習部２０は、建物情報データ３と風向データ４を学習時入力データ１４として機械学習器２４の畳み込み処理部２７へ入力する。
畳み込み処理部２７は、各畳み込み層２７ａ、２７ｂ、２７ｃにより畳み込み処理を実行して特徴マップを生成し、転置畳み込み処理部２８へ入力する。
転置畳み込み処理部２８は、各転置畳み込み層２８ｃ、２８ｂ、２８ａにより特徴マップを拡大、復元するように転置畳み込み処理を実行し、学習時推定結果１５を出力する。
学習部２０は、入力された学習時入力データ１４に対応する風速分布データ５を取得し、風速分布データ５すなわち教師データと学習時推定結果１５を画素単位で比較して、例えば各画素間の画素値の差分の２乗誤差をコスト関数として計算する。
その上で、このコスト関数を小さくするように、誤差逆伝搬法等により、各フィルタの重みの値等を調整することで、機械学習器２４が機械学習される（ステップＳ１）。
学習部２０は、学習が終了すると、調整が終了した各フィルタの重みの値等のパラメータを、学習モデルパラメータとして、学習モデルパラメータ記憶部２２に記憶する（ステップＳ３）。
次に、風速分布の推定時での各構成要素の挙動について説明する。
風速分布推定部２１は、学習モデルパラメータ記憶部２２から学習モデルパラメータを取得し、学習モデル２５を構築する（ステップＳ１１）。
風速分布推定部２１は、学習モデル２５に推定時入力データ３０を入力する。学習モデル２５は、畳み込み層２７ａ、２７ｂ、２７ｃと、及び転置畳み込み層２８ｃ、２８ｂ、２８ａを順に辿りながら、畳み込み処理及び転置畳み込み処理を実行する。最終的に転置畳み込み層２８ａから、推定時入力データ３０に対応する推定結果４０が出力される（ステップＳ１３：推定結果４０を出力する工程）。
風速分布推定部２１は、推定結果４０からＸ方向、Ｙ方向、及びＺ方向の各々に対応する１チャンネルの画像、すなわち各方向に対応して成分分解された風速、風向情報を抽出し、それぞれ、Ｘ成分推定結果画像４１、Ｙ成分推定結果画像４２、及びＺ成分推定結果画像４３として外部へ出力するとともに、結果合成部２３へと送信する。
結果合成部２３は、風速分布推定部２１から、Ｘ成分推定結果画像４１、Ｙ成分推定結果画像４２、及びＺ成分推定結果画像４３を受信する。
結果合成部２３は、Ｘ成分推定結果画像４１、Ｙ成分推定結果画像４２、及びＺ成分推定結果画像４３の各々の情報を合成して、風速分布合成結果画像４４を生成する（ステップＳ１５）。
結果合成部２３は、風速分布合成結果画像４４を外部へ出力する。
風速分布推定部２１は、学習モデルパラメータ記憶部２２から学習モデルパラメータを取得し、学習モデル２５を構築する（ステップＳ１１）。
風速分布推定部２１は、学習モデル２５に推定時入力データ３０を入力する。学習モデル２５は、畳み込み層２７ａ、２７ｂ、２７ｃと、及び転置畳み込み層２８ｃ、２８ｂ、２８ａを順に辿りながら、畳み込み処理及び転置畳み込み処理を実行する。最終的に転置畳み込み層２８ａから、推定時入力データ３０に対応する推定結果４０が出力される（ステップＳ１３：推定結果４０を出力する工程）。
風速分布推定部２１は、推定結果４０からＸ方向、Ｙ方向、及びＺ方向の各々に対応する１チャンネルの画像、すなわち各方向に対応して成分分解された風速、風向情報を抽出し、それぞれ、Ｘ成分推定結果画像４１、Ｙ成分推定結果画像４２、及びＺ成分推定結果画像４３として外部へ出力するとともに、結果合成部２３へと送信する。
結果合成部２３は、風速分布推定部２１から、Ｘ成分推定結果画像４１、Ｙ成分推定結果画像４２、及びＺ成分推定結果画像４３を受信する。
結果合成部２３は、Ｘ成分推定結果画像４１、Ｙ成分推定結果画像４２、及びＺ成分推定結果画像４３の各々の情報を合成して、風速分布合成結果画像４４を生成する（ステップＳ１５）。
結果合成部２３は、風速分布合成結果画像４４を外部へ出力する。
次に、上記の風速分布推定装置１及び風速分布推定方法の効果について説明する。
本実施形態の風速分布推定装置１は、建物周辺の風速分布を推定する、風速分布推定装置１であって、建物の形状情報を含む建物情報データ３、風向データ４、及び、建物情報データ３及び風向データ４に対応する教師データとしての風速分布データ５を、学習データ２として深層学習された学習モデル２５を備え、学習モデル２５に風速分布の推定対象となる建物情報データ３１と風向データ３２を入力して風速分布を推定し、推定結果４０を出力する、風速分布推定部２１を備え、風速分布データ５及び推定結果４０は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像１０、１１、１２、４１、４２、４３であり、複数の風速分布画像１０、１１、１２、４１、４２、４３の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。
また、本実施形態の風速分布推定方法は、建物周辺の風速分布を推定する、風速分布推定方法であって、建物の形状情報を含む建物情報データ３、風向データ４、及び、建物情報データ３及び風向データ４に対応する教師データとしての風速分布データ５を、学習データ２として深層学習された学習モデル２５に対し、風速分布の推定対象となる建物情報データ３１と風向データ３２を入力して風速分布を推定し、推定結果４０を出力する工程を備え、風速分布データ５及び推定結果４０は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像１０、１１、１２、４１、４２、４３であり、複数の風速分布画像１０、１１、１２、４１、４２、４３の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。
上記のような構成によれば、学習に使用される教師データとしての風速分布データ５や、学習済みの学習モデル２５の出力となる風速分布の推定結果４０の各々は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像１０、１１、１２、４１、４２、４３であり、当該複数の風速分布画像１０、１１、１２、４１、４２、４３の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。すなわち、各風速分布画像１０、１１、１２、４１、４２、４３中の画素は、当該風速分布画像１０、１１、１２、４１、４２、４３に対応する軸線方向上での風速値に相当する画素値に設定されている。このため、複数の風速分布画像１０、１１、１２、４１、４２、４３の各々における画素値を、当該風速分布画像１０、１１、１２、４１、４２、４３に対応する軸線方向上での成分として、複数の風速分布画像１０、１１、１２、４１、４２、４３間で合成することにより、風速はもとより、これに併せて風向を計算可能である。
したがって、風速情報と風向情報を含む詳細な風速分布を取得可能な、風速分布推定装置１及び方法を実現可能である。
また、本実施形態の風速分布推定方法は、建物周辺の風速分布を推定する、風速分布推定方法であって、建物の形状情報を含む建物情報データ３、風向データ４、及び、建物情報データ３及び風向データ４に対応する教師データとしての風速分布データ５を、学習データ２として深層学習された学習モデル２５に対し、風速分布の推定対象となる建物情報データ３１と風向データ３２を入力して風速分布を推定し、推定結果４０を出力する工程を備え、風速分布データ５及び推定結果４０は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像１０、１１、１２、４１、４２、４３であり、複数の風速分布画像１０、１１、１２、４１、４２、４３の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。
上記のような構成によれば、学習に使用される教師データとしての風速分布データ５や、学習済みの学習モデル２５の出力となる風速分布の推定結果４０の各々は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像１０、１１、１２、４１、４２、４３であり、当該複数の風速分布画像１０、１１、１２、４１、４２、４３の各々には、対応する軸線方向に成分分解された風速分布情報が格納されている。すなわち、各風速分布画像１０、１１、１２、４１、４２、４３中の画素は、当該風速分布画像１０、１１、１２、４１、４２、４３に対応する軸線方向上での風速値に相当する画素値に設定されている。このため、複数の風速分布画像１０、１１、１２、４１、４２、４３の各々における画素値を、当該風速分布画像１０、１１、１２、４１、４２、４３に対応する軸線方向上での成分として、複数の風速分布画像１０、１１、１２、４１、４２、４３間で合成することにより、風速はもとより、これに併せて風向を計算可能である。
したがって、風速情報と風向情報を含む詳細な風速分布を取得可能な、風速分布推定装置１及び方法を実現可能である。
また、複数の軸線方向は、Ｘ方向（第１の水平方向）と、Ｘ方向に水平面内で直交するＹ方向（第２の水平方向）、及びＺ方向（鉛直方向）である。
上記のような構成によれば、上記のような風速分布推定装置１を適切に実現可能である。
上記のような構成によれば、上記のような風速分布推定装置１を適切に実現可能である。
また、風向データ４、３２は、Ｘ方向における風向である風向Ｘ成分画像８、３５とＹ方向における風向である風向Ｙ成分画像９、３６に分解された情報である。
上記のような構成によれば、風向データ４、３２はＸ方向とＹ方向に成分分解されており、風速分布データ５や、風速分布の推定結果４０はこれらＸ方向とＹ方向を含む軸線方向に成分分解されている。すなわち、風向データ４、３２における成分分解の方向と、推定結果４０における成分分解の方向が一致しているため、機械学習器２４の学習効率が高まり、学習モデル２５の推定精度が向上する。
上記のような構成によれば、風向データ４、３２はＸ方向とＹ方向に成分分解されており、風速分布データ５や、風速分布の推定結果４０はこれらＸ方向とＹ方向を含む軸線方向に成分分解されている。すなわち、風向データ４、３２における成分分解の方向と、推定結果４０における成分分解の方向が一致しているため、機械学習器２４の学習効率が高まり、学習モデル２５の推定精度が向上する。
［学習データ２の生成］
上記実施形態として示した風速分布推定装置１及び風速分布推定方法においては、多くの学習データ２を準備し機械学習器２４の学習に用いるほど、学習モデル２５の推定精度が向上し得る。このような、多くの学習データ２を実現する方法について次に説明する。
例えば、建物情報データ３及び風速分布データ５内に表現された地域が、学習に適さない程度に、あるいは実際の風速分布推定装置１の運用上想定している以上に、広すぎる範囲のものである場合がある。このような場合には、建物情報データ３及び風速分布データ５に関する各画像の各々に関し、当該広範な地域中の任意の部分を、適切な範囲に切り出すことで、一つの学習データ２から複数の学習データ２を生成することができる。この際には、建物情報データ３及び風速分布データ５の各画像を、同一の位置及び範囲で切り出して、各画像の同一座標に位置する画素が同一の地点に対応するように留意する必要がある。
このように、建物情報データ３は、風速分布の推定対象となる地域を俯瞰した状態における、建物の形状を表現する建物形状画像６と、建物の高さを表現する建物高さ画像７を備え、学習データ２中の互いに対応する建物情報データ３と風速分布データ５内の各画像６、７、１０、１１、１２から、任意の部分を、適切な所定の範囲に切り出すことにより、新たな学習データ２が生成される。
これにより、一つの学習データ２から複数の学習データ２を生成することが可能となり、多くの学習データ２を機械学習器２４の学習に用いることができるため、学習モデル２５の推定精度が向上する。
上記実施形態として示した風速分布推定装置１及び風速分布推定方法においては、多くの学習データ２を準備し機械学習器２４の学習に用いるほど、学習モデル２５の推定精度が向上し得る。このような、多くの学習データ２を実現する方法について次に説明する。
例えば、建物情報データ３及び風速分布データ５内に表現された地域が、学習に適さない程度に、あるいは実際の風速分布推定装置１の運用上想定している以上に、広すぎる範囲のものである場合がある。このような場合には、建物情報データ３及び風速分布データ５に関する各画像の各々に関し、当該広範な地域中の任意の部分を、適切な範囲に切り出すことで、一つの学習データ２から複数の学習データ２を生成することができる。この際には、建物情報データ３及び風速分布データ５の各画像を、同一の位置及び範囲で切り出して、各画像の同一座標に位置する画素が同一の地点に対応するように留意する必要がある。
このように、建物情報データ３は、風速分布の推定対象となる地域を俯瞰した状態における、建物の形状を表現する建物形状画像６と、建物の高さを表現する建物高さ画像７を備え、学習データ２中の互いに対応する建物情報データ３と風速分布データ５内の各画像６、７、１０、１１、１２から、任意の部分を、適切な所定の範囲に切り出すことにより、新たな学習データ２が生成される。
これにより、一つの学習データ２から複数の学習データ２を生成することが可能となり、多くの学習データ２を機械学習器２４の学習に用いることができるため、学習モデル２５の推定精度が向上する。
学習データ２中の各画像、すなわち建物形状画像６、建物高さ画像７、風向Ｘ成分画像８、風向Ｙ成分画像９、風速分布Ｘ成分画像１０、風速分布Ｙ成分画像１１、及び風速分布Ｚ成分画像１２を回転させることによっても、新たな学習データ２を生成することができる。
図６（ａ）には、ある学習データ２Ａ中に含まれる建物形状画像６Ａが示されている。学習データ２Ａは、建物形状画像６Ａに対応して、図２等に示される建物高さ画像７を有している。学習データ２Ａはまた、建物形状画像６Ａに対応して、風向データ４Ａを有しており、この風向データ４Ａは、図２等に示される風向Ｘ成分画像８と風向Ｙ成分画像９により、風が南から吹き込むことを情報として保持している。学習データ２Ａは更に、建物形状画像６Ａに対応して、風速分布データ５Ａを有している。風速分布データ５Ａは本来、建物形状画像６Ａとして示される地域内の全地点すなわち全画素に対して風速風向情報を備えるものであるが、図６においては説明を簡単にするために、当該地域内の特定の地点Ｐに関する情報のみが示されている。風速分布データ５Ａは、風速分布Ｘ成分画像１０Ａ、風速分布Ｙ成分画像１１Ａ、及び風速分布Ｚ成分画像１２Ａを備えている。地点Ｐにおいては、図６（ａ）にＷＰとして示されるように、南西から北東に向けて風が吹いている。本学習データ２においては、画像の右方向及び上方向が、Ｘ方向及びＹ方向の各々の正の方向であるため、これをＸ方向とＹ方向に成分分解した際には、Ｘ方向上での成分値ｘＰとＹ方向上での成分値ｙＰの各々は正の値となっている。
図６（ａ）には、ある学習データ２Ａ中に含まれる建物形状画像６Ａが示されている。学習データ２Ａは、建物形状画像６Ａに対応して、図２等に示される建物高さ画像７を有している。学習データ２Ａはまた、建物形状画像６Ａに対応して、風向データ４Ａを有しており、この風向データ４Ａは、図２等に示される風向Ｘ成分画像８と風向Ｙ成分画像９により、風が南から吹き込むことを情報として保持している。学習データ２Ａは更に、建物形状画像６Ａに対応して、風速分布データ５Ａを有している。風速分布データ５Ａは本来、建物形状画像６Ａとして示される地域内の全地点すなわち全画素に対して風速風向情報を備えるものであるが、図６においては説明を簡単にするために、当該地域内の特定の地点Ｐに関する情報のみが示されている。風速分布データ５Ａは、風速分布Ｘ成分画像１０Ａ、風速分布Ｙ成分画像１１Ａ、及び風速分布Ｚ成分画像１２Ａを備えている。地点Ｐにおいては、図６（ａ）にＷＰとして示されるように、南西から北東に向けて風が吹いている。本学習データ２においては、画像の右方向及び上方向が、Ｘ方向及びＹ方向の各々の正の方向であるため、これをＸ方向とＹ方向に成分分解した際には、Ｘ方向上での成分値ｘＰとＹ方向上での成分値ｙＰの各々は正の値となっている。
上記のような学習データ２Ａを、反時計回りに９０°回転させて、図６（ｂ）として示されるような新たな学習データ２Ｂを生成することができる。学習データ２Ｂ中の建物形状画像６Ｂ及び建物高さ画像７は、学習データ２Ａ中の建物形状画像６Ａ及び建物高さ画像７の各々を、反時計回りに９０°回転することにより生成可能である。学習データ２Ｂ中の風向データ４Ｂも同様に風向を反時計回りに９０°回転させて、東から風が吹き込むことを情報として保持するように、風向Ｘ成分画像８と風向Ｙ成分画像９の画素値を調整することで生成可能である。
学習データ２Ｂ内の風速分布データ５Ｂについても、基本的には画像を反時計回りに９０°回転することで得られるが、風速分布データ５は軸線方向に成分分解されて各軸線方向に対応した複数の画像により構成されていること、及び、回転前のＹ方向は回転後においてはＸ方向となり正負の方向が逆となることに留意する必要がある。例えば、地点Ｐにおいては、回転後にはＷＰは南東から北西に向いており、これをＸ方向とＹ方向に成分分解した際には、Ｘ方向上での成分値は負値である−ｙＰとなり、Ｙ方向上での成分値はｘＰとなる。
実際には、風速分布Ｘ成分画像１０Ｂは、学習データ２Ａ中の風速分布Ｙ成分画像１１Ａを反時計回りに９０°回転したうえで、各画素に対応する風速の正負を反転させることで生成される。風速分布Ｙ成分画像１１Ｂは、学習データ２Ａ中の風速分布Ｘ成分画像１０Ａを反時計回りに９０°回転することで生成される。風速分布Ｚ成分画像１２Ｂは、学習データ２Ａ中の風速分布Ｚ成分画像１２Ａを反時計回りに９０°回転することで生成される。
学習データ２Ｂ内の風速分布データ５Ｂについても、基本的には画像を反時計回りに９０°回転することで得られるが、風速分布データ５は軸線方向に成分分解されて各軸線方向に対応した複数の画像により構成されていること、及び、回転前のＹ方向は回転後においてはＸ方向となり正負の方向が逆となることに留意する必要がある。例えば、地点Ｐにおいては、回転後にはＷＰは南東から北西に向いており、これをＸ方向とＹ方向に成分分解した際には、Ｘ方向上での成分値は負値である−ｙＰとなり、Ｙ方向上での成分値はｘＰとなる。
実際には、風速分布Ｘ成分画像１０Ｂは、学習データ２Ａ中の風速分布Ｙ成分画像１１Ａを反時計回りに９０°回転したうえで、各画素に対応する風速の正負を反転させることで生成される。風速分布Ｙ成分画像１１Ｂは、学習データ２Ａ中の風速分布Ｘ成分画像１０Ａを反時計回りに９０°回転することで生成される。風速分布Ｚ成分画像１２Ｂは、学習データ２Ａ中の風速分布Ｚ成分画像１２Ａを反時計回りに９０°回転することで生成される。
ここで、風速分布データ５中の各画像においては、既に説明したように、最大風速の負値から正値までの範囲内の風速を画素値の最小値より１大きい値から最大値までの値に変換し、この変換時の対応関係に基づいて、各画素が、当該画素に情報として保持するべき風速に対応する画素値となるように設定されている。したがって、上記における各画素に対応する風速の正負の反転は、画素が画素値として有し得る値の数から当該画素の画素値を減算することにより計算することができる。例えば、画素値が８ビットで表現される場合においては、画素値として有し得る値の数は２５６であるため、画素値が１である画素においては、風速の正負を反転させた結果として、当該画素は２５６−１＝２５５の値を有することとなる。
また、上記のような学習データ２Ａを反転させることによっても、新たな学習データ２を生成することができる。図６（ｃ）は、学習データ２Ａを左右に、すなわちＸ方向に反転させた学習データ２Ｃの説明図である。学習データ２Ｃ中の建物形状画像６Ｃ及び建物高さ画像７は、学習データ２Ａ中の建物形状画像６Ａ及び建物高さ画像７の各々を、Ｘ方向に反転することにより生成可能である。学習データ２Ｃ中の風向データ４Ｃも同様に風向をＸ方向に反転させた状態を情報として保持するように、風向Ｘ成分画像８と風向Ｙ成分画像９の画素値を調整することで生成可能である。図６（ａ）に示した学習データ２Ａにおいては、風は南から吹き込んでいるため、反転後も風向は変わらない。
学習データ２Ｃ内の風速分布データ５Ｃについても、基本的には画像をＸ方向に反転することで得られるが、Ｘ方向は反転前後で正負の方向が逆となることに留意する必要がある。例えば、地点Ｐにおいては、反転後にはＷＰは南東から北西に向いており、これをＸ方向とＹ方向に成分分解した際には、Ｘ方向上での成分値は負値である−ｘＰとなる。Ｙ方向上での成分値は変わらない。
実際には、風速分布Ｘ成分画像１０Ｃは、学習データ２Ａ中の風速分布Ｘ成分画像１０ＡをＸ方向に反転したうえで、各画素に対応する風速の正負を反転させることで生成される。風速分布Ｙ成分画像１１Ｃと風速分布Ｚ成分画像１２Ｃは、学習データ２Ａ中の風速分布Ｙ成分画像１１Ａと風速分布Ｚ成分画像１２ＡをＸ方向に反転することで生成される。
学習データ２Ｃ内の風速分布データ５Ｃについても、基本的には画像をＸ方向に反転することで得られるが、Ｘ方向は反転前後で正負の方向が逆となることに留意する必要がある。例えば、地点Ｐにおいては、反転後にはＷＰは南東から北西に向いており、これをＸ方向とＹ方向に成分分解した際には、Ｘ方向上での成分値は負値である−ｘＰとなる。Ｙ方向上での成分値は変わらない。
実際には、風速分布Ｘ成分画像１０Ｃは、学習データ２Ａ中の風速分布Ｘ成分画像１０ＡをＸ方向に反転したうえで、各画素に対応する風速の正負を反転させることで生成される。風速分布Ｙ成分画像１１Ｃと風速分布Ｚ成分画像１２Ｃは、学習データ２Ａ中の風速分布Ｙ成分画像１１Ａと風速分布Ｚ成分画像１２ＡをＸ方向に反転することで生成される。
風速分布Ｘ成分画像１０ＡをＹ方向に反転する場合には、風速分布Ｙ成分画像１１を、学習データ２Ａ中の風速分布Ｙ成分画像１１ＡをＹ方向に反転したうえで、各画素に対応する風速の正負を反転させることで生成される。風速分布Ｘ成分画像１０及び風速分布Ｚ成分画像１２は、学習データ２Ａ中の風速分布Ｘ成分画像１０Ａと風速分布Ｚ成分画像１２ＡをＹ方向に反転することで生成される。
このように風速分布Ｘ成分画像１０ＡをＸ方向またはＹ方向に反転する場合においても、風速の正負は、風速分布Ｘ成分画像１０Ａを回転する場合と同様に反転可能である。
このように風速分布Ｘ成分画像１０ＡをＸ方向またはＹ方向に反転する場合においても、風速の正負は、風速分布Ｘ成分画像１０Ａを回転する場合と同様に反転可能である。
このように、建物情報データ３は、風速分布の推定対象となる地域を俯瞰した状態における、建物の形状を表現する建物形状画像６と、建物の高さを表現する建物高さ画像７を備え、学習データ２内の各画像を回転、反転することにより、新たな学習データ２が生成される。
これにより、一つの学習データ２から複数の学習データ２を生成することが可能となり、多くの学習データ２を機械学習器２４の学習に用いることができるため、学習モデル２５の推定精度が向上する。
回転を複数回回転させたり、回転と反転を組み合わせたりすると、更に多くの学習データ２が生成可能であるため、学習モデル２５の推定精度が更に効果的に向上する。
上記のような画像の切り出しや回転、反転は、特に、建物の大小や配置のパターンが限りなく多い市街地を対象とした風速推定において、推定精度の向上に大きく寄与し得る。
これにより、一つの学習データ２から複数の学習データ２を生成することが可能となり、多くの学習データ２を機械学習器２４の学習に用いることができるため、学習モデル２５の推定精度が向上する。
回転を複数回回転させたり、回転と反転を組み合わせたりすると、更に多くの学習データ２が生成可能であるため、学習モデル２５の推定精度が更に効果的に向上する。
上記のような画像の切り出しや回転、反転は、特に、建物の大小や配置のパターンが限りなく多い市街地を対象とした風速推定において、推定精度の向上に大きく寄与し得る。
［実施形態の変形例］
次に、上記実施形態として示した風速分布推定装置１及び風速分布推定方法の変形例を説明する。本変形例における風速分布推定装置は、機械学習器及び学習モデルの出力に、建物形状画像を画素ごとに乗算した画像を、推定結果としている点が異なっている。
本変形例の風速分布推定装置においては、風速分布の学習時には、機械学習器の出力に対して、入力として使用された建物情報データ中の建物形状画像を画素単位で乗算した画像を、学習時推定結果としている。
また、風速分布の推定時には、学習モデルの出力に対して、入力として使用された建物情報データ中の建物形状画像を画素単位で乗算した画像を、推定結果としている。
ここで、２枚の画像の画素単位での乗算とは、一方の画像の各画素に対し、当該画素の画素値と、他方の画像の当該画素と同じ座標に位置する画素の画素値を乗算して、その積を当該座標に格納することにより新たな画像を生成する演算を示している。
上記実施形態において説明したように、建物形状画像においては、建物部分と非建物部分はそれぞれ、黒と例えば白等の画素値の最大値に相当する色、例えば画素値が８ビットで表現される場合においては０と２５５で表現されている。また、既に説明したように、各画像は入力される際に、各画素の値を画素値の最大値、例えば２５５により除算して、０から１までの値の範囲へと基準化されて用いられる。このような建物形状画像を画素ごとに、機械学習器及び学習モデルの出力に乗算することにより、推定結果の建物部分においては出力に０が乗算されるために値が０となって、これにより建物部分の形状が完全に再現される。なおかつ、推定結果の非建物部分においては出力に画素値の最大値である値２５５が基準化された値である１が乗算されるために値が変わらずに維持されて、これにより非建物部分の風向風速情報が損なわれない。
次に、上記実施形態として示した風速分布推定装置１及び風速分布推定方法の変形例を説明する。本変形例における風速分布推定装置は、機械学習器及び学習モデルの出力に、建物形状画像を画素ごとに乗算した画像を、推定結果としている点が異なっている。
本変形例の風速分布推定装置においては、風速分布の学習時には、機械学習器の出力に対して、入力として使用された建物情報データ中の建物形状画像を画素単位で乗算した画像を、学習時推定結果としている。
また、風速分布の推定時には、学習モデルの出力に対して、入力として使用された建物情報データ中の建物形状画像を画素単位で乗算した画像を、推定結果としている。
ここで、２枚の画像の画素単位での乗算とは、一方の画像の各画素に対し、当該画素の画素値と、他方の画像の当該画素と同じ座標に位置する画素の画素値を乗算して、その積を当該座標に格納することにより新たな画像を生成する演算を示している。
上記実施形態において説明したように、建物形状画像においては、建物部分と非建物部分はそれぞれ、黒と例えば白等の画素値の最大値に相当する色、例えば画素値が８ビットで表現される場合においては０と２５５で表現されている。また、既に説明したように、各画像は入力される際に、各画素の値を画素値の最大値、例えば２５５により除算して、０から１までの値の範囲へと基準化されて用いられる。このような建物形状画像を画素ごとに、機械学習器及び学習モデルの出力に乗算することにより、推定結果の建物部分においては出力に０が乗算されるために値が０となって、これにより建物部分の形状が完全に再現される。なおかつ、推定結果の非建物部分においては出力に画素値の最大値である値２５５が基準化された値である１が乗算されるために値が変わらずに維持されて、これにより非建物部分の風向風速情報が損なわれない。
本変形例においては、建物情報データは、風速分布の推定対象となる地域を俯瞰した状態における、建物の形状を表現する建物形状画像を備え、建物形状画像の建物に相当する画素の画素値は０であり、学習モデルの出力に建物形状画像を画素ごとに乗算した画像を推定結果として出力する。
上記のような構成によれば、推定結果においては建物の形状を完全に再現可能であるため、機械学習器の学習効率が高まり、学習モデルの推定精度が向上する。
本変形例は、特に、建物の大小や配置のパターンが限りなく多い市街地を対象とした風速推定において、推定精度の向上に大きく寄与し得る。
上記のような構成によれば、推定結果においては建物の形状を完全に再現可能であるため、機械学習器の学習効率が高まり、学習モデルの推定精度が向上する。
本変形例は、特に、建物の大小や配置のパターンが限りなく多い市街地を対象とした風速推定において、推定精度の向上に大きく寄与し得る。
本変形例が、既に説明した実施形態と同様な他の効果を奏することは言うまでもない。
なお、本発明の風速分布推定装置及び風速分布推定方法は、図面を参照して説明した上述の実施形態及び変形例に限定されるものではなく、その技術的範囲において他の様々な変形例が考えられる。
例えば、上記実施形態及び変形例においては、機械学習器２４及び学習モデル２５としてＦＣＮを用いたが、推定精度が損なわれないのであれば、他の構造のニューラルネットワークを使用してもかまわない。
また、ＦＣＮの構造は、図２及び図４を用いて説明した上記の構造に限られず、他の構造を備えていてもよい。例えば、上記実施形態においては、畳み込み処理部２７及び転置畳み込み処理部２８はともに３層構造とした模式的な例を用いて説明したが、各々の層数は３以外であってもよいし、畳み込み処理部２７の層数と転置畳み込み処理部２８の層数が異なっていてもよい。
また、上記実施形態においては、風向データ４は建物情報データ３内に表現された地域内の建物あるいは建物群に対して、地域外から吹き込む風の風向を表現するデータであったが、風向データ４は風向に加えて風速を情報として有していても構わない。この場合においては、更に精度の高い風速分布を取得可能である。
また、ＦＣＮの構造は、図２及び図４を用いて説明した上記の構造に限られず、他の構造を備えていてもよい。例えば、上記実施形態においては、畳み込み処理部２７及び転置畳み込み処理部２８はともに３層構造とした模式的な例を用いて説明したが、各々の層数は３以外であってもよいし、畳み込み処理部２７の層数と転置畳み込み処理部２８の層数が異なっていてもよい。
また、上記実施形態においては、風向データ４は建物情報データ３内に表現された地域内の建物あるいは建物群に対して、地域外から吹き込む風の風向を表現するデータであったが、風向データ４は風向に加えて風速を情報として有していても構わない。この場合においては、更に精度の高い風速分布を取得可能である。
これ以外にも、本発明の主旨を逸脱しない限り、上記実施形態及び変形例で挙げた構成を取捨選択したり、他の構成に適宜変更したりすることが可能である。
１ 風速分布推定装置 １５ 学習時推定結果
２ 学習データ ２１ 風速分布推定部
３、３１ 建物情報データ ２４ 機械学習器
４、３２ 風向データ ２５ 学習モデル
５ 風速分布データ ３０ 推定時入力データ
６、３３ 建物形状画像 ４０ 推定結果
７、３４ 建物高さ画像 ４１ Ｘ成分推定結果画像（風速分布画像）
８、３５ 風向Ｘ成分画像 ４２ Ｙ成分推定結果画像（風速分布画像）
９、３６ 風向Ｙ成分画像 ４３ Ｚ成分推定結果画像（風速分布画像）
１０ 風速分布Ｘ成分画像（風速分布画像）Ｘ 軸線方向、第１の水平方向
１１ 風速分布Ｙ成分画像（風速分布画像）Ｙ 軸線方向、第２の水平方向
１２ 風速分布Ｚ成分画像（風速分布画像）Ｚ 軸線方向、鉛直方向
１４ 学習時入力データ
２ 学習データ ２１ 風速分布推定部
３、３１ 建物情報データ ２４ 機械学習器
４、３２ 風向データ ２５ 学習モデル
５ 風速分布データ ３０ 推定時入力データ
６、３３ 建物形状画像 ４０ 推定結果
７、３４ 建物高さ画像 ４１ Ｘ成分推定結果画像（風速分布画像）
８、３５ 風向Ｘ成分画像 ４２ Ｙ成分推定結果画像（風速分布画像）
９、３６ 風向Ｙ成分画像 ４３ Ｚ成分推定結果画像（風速分布画像）
１０ 風速分布Ｘ成分画像（風速分布画像）Ｘ 軸線方向、第１の水平方向
１１ 風速分布Ｙ成分画像（風速分布画像）Ｙ 軸線方向、第２の水平方向
１２ 風速分布Ｚ成分画像（風速分布画像）Ｚ 軸線方向、鉛直方向
１４ 学習時入力データ
Claims (3)
- 建物周辺の風速分布を推定する、風速分布推定装置であって、
建物の形状情報を含む建物情報データ、風向データ、及び、前記建物情報データ及び前記風向データに対応する教師データとしての風速分布データを、学習データとして深層学習された学習モデルを備え、当該学習モデルに前記風速分布の推定対象となる建物情報データと風向データを入力して前記風速分布を推定し、推定結果を出力する、風速分布推定部を備え、
前記風速分布データ及び前記推定結果は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像であり、当該複数の風速分布画像の各々には、対応する前記軸線方向に成分分解された風速分布情報が格納されている、風速分布推定装置。 - 前記複数の軸線方向は、第１の水平方向と、当該第１の水平方向に水平面内で直交する第２の水平方向、及び鉛直方向である、請求項１に記載の風速分布推定装置。
- 建物周辺の風速分布を推定する、風速分布推定方法であって、
建物の形状情報を含む建物情報データ、風向データ、及び、前記建物情報データ及び前記風向データに対応する教師データとしての風速分布データを、学習データとして深層学習された学習モデルに対し、前記風速分布の推定対象となる建物情報データと風向データを入力して前記風速分布を推定し、推定結果を出力する工程を備え、
前記風速分布データ及び前記推定結果は、互いに直交する複数の軸線方向の各々に対応する、複数の風速分布画像であり、当該複数の風速分布画像の各々には、対応する前記軸線方向に成分分解された風速分布情報が格納されている、風速分布推定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019009279A JP7220083B2 (ja) | 2019-01-23 | 2019-01-23 | 風速分布推定装置及び風速分布推定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019009279A JP7220083B2 (ja) | 2019-01-23 | 2019-01-23 | 風速分布推定装置及び風速分布推定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020118536A true JP2020118536A (ja) | 2020-08-06 |
| JP7220083B2 JP7220083B2 (ja) | 2023-02-09 |
Family
ID=71890589
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019009279A Active JP7220083B2 (ja) | 2019-01-23 | 2019-01-23 | 風速分布推定装置及び風速分布推定方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7220083B2 (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022044533A1 (ja) * | 2020-08-27 | 2022-03-03 | ソニーグループ株式会社 | 情報処理装置及び情報処理方法、コンピュータプログラム、並びに移動体装置 |
| WO2022249882A1 (ja) * | 2021-05-26 | 2022-12-01 | ピクシーダストテクノロジーズ株式会社 | 情報処理装置、情報処理方法、およびプログラム |
| WO2022260099A1 (ja) * | 2021-06-09 | 2022-12-15 | 千代田化工建設株式会社 | 流体状態推定システム、学習装置、学習プログラム、推定装置、及び推定プログラム |
| CN117969881A (zh) * | 2024-03-29 | 2024-05-03 | 中国石油大学(华东) | 基于遥感数据反演台风海况海面风速的方法、装置及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08184526A (ja) * | 1994-12-28 | 1996-07-16 | Fujita Corp | 構造物周辺における風速増加域予測方法およびその装置 |
| JP2003203194A (ja) * | 2001-08-17 | 2003-07-18 | Ohbayashi Corp | 風環境予測プログラム、このプラグラムを格納した媒体および風環境予測方法 |
| JP2018004568A (ja) * | 2016-07-07 | 2018-01-11 | 株式会社熊谷組 | ニューラルネットワークを用いた建物周辺の風速分布の推定方法及び建物周辺の風速分布推定装置 |
-
2019
- 2019-01-23 JP JP2019009279A patent/JP7220083B2/ja active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08184526A (ja) * | 1994-12-28 | 1996-07-16 | Fujita Corp | 構造物周辺における風速増加域予測方法およびその装置 |
| JP2003203194A (ja) * | 2001-08-17 | 2003-07-18 | Ohbayashi Corp | 風環境予測プログラム、このプラグラムを格納した媒体および風環境予測方法 |
| JP2018004568A (ja) * | 2016-07-07 | 2018-01-11 | 株式会社熊谷組 | ニューラルネットワークを用いた建物周辺の風速分布の推定方法及び建物周辺の風速分布推定装置 |
Non-Patent Citations (2)
| Title |
|---|
| 村上周三: ""建物周辺気流のシミュレーション"", 写真測量とリモートセンシング, vol. 第２４巻，第３号, JPN6022037178, 30 August 1985 (1985-08-30), pages 23 - 32, ISSN: 0004867018 * |
| 白澤多一、遠藤芳信、義江龍一郎、持田灯、田中英之: ""高層建物後流弱風域におけるガス拡散性状に関するLESとDurbin型k-εモデルの比較"", 日本建築学会環境系論文集, vol. 第７３巻，第６２７号, JPN6022037179, May 2008 (2008-05-01), pages 615 - 622, ISSN: 0004867019 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022044533A1 (ja) * | 2020-08-27 | 2022-03-03 | ソニーグループ株式会社 | 情報処理装置及び情報処理方法、コンピュータプログラム、並びに移動体装置 |
| WO2022249882A1 (ja) * | 2021-05-26 | 2022-12-01 | ピクシーダストテクノロジーズ株式会社 | 情報処理装置、情報処理方法、およびプログラム |
| WO2022260099A1 (ja) * | 2021-06-09 | 2022-12-15 | 千代田化工建設株式会社 | 流体状態推定システム、学習装置、学習プログラム、推定装置、及び推定プログラム |
| JP7248823B1 (ja) * | 2021-06-09 | 2023-03-29 | 千代田化工建設株式会社 | 流体状態推定システム、学習装置、学習プログラム、推定装置、及び推定プログラム |
| CN117969881A (zh) * | 2024-03-29 | 2024-05-03 | 中国石油大学(华东) | 基于遥感数据反演台风海况海面风速的方法、装置及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7220083B2 (ja) | 2023-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8089480B2 (en) | Method for meshing a curved surface | |
| JP7220083B2 (ja) | 風速分布推定装置及び風速分布推定方法 | |
| US10296664B2 (en) | Scalable and precise fitting of NURBS surfaces to large-size mesh representations | |
| WO2016051640A1 (ja) | 情報処理装置、情報処理方法及びプログラム | |
| US20230177822A1 (en) | Large scene neural view synthesis | |
| CN111028335A (zh) | 一种基于深度学习的点云数据的分块面片重建方法 | |
| CN111581776A (zh) | 一种基于几何重建模型的等几何分析方法 | |
| JP4842242B2 (ja) | キャラクタアニメーション時の皮膚のしわのリアルタイム表現方法及び装置 | |
| JP2023178404A (ja) | 風速分布推定装置及び風速分布推定方法 | |
| CN104574518B (zh) | 具有丰富细节的大规模海洋场景半物理绘制方法 | |
| EP3591620B1 (en) | Image processing device and two-dimensional image generation program | |
| CN114996658A (zh) | 一种基于投影的高超声速飞行器气动热预测方法 | |
| JP7187234B2 (ja) | 三次元形状作成装置、三次元形状作成方法および三次元形状作成プログラム | |
| KR20230073751A (ko) | 레이아웃 기반의 동일 화풍 영상 생성 시스템 및 방법 | |
| CN112184912A (zh) | 一种基于参数化模型和位置图的多度量三维人脸重建方法 | |
| CN114972587A (zh) | 表情驱动方法、装置、电子设备及可读存储介质 | |
| JP2002259886A (ja) | 映像生成機能を有するシミュレーション装置及び映像生成段階を有するシミュレーション方法 | |
| CN113724205A (zh) | 图像变化检测方法、设备及存储介质 | |
| Siegel et al. | Superimposing height-controllable and animated flood surfaces into street-level photographs for risk communication | |
| JP2022018829A (ja) | 学習済モデル生成装置、学習済モデル生成方法、学習済モデル生成プログラム | |
| Liu et al. | Fast fluid simulation via dynamic multi-scale gridding | |
| JP2023009313A (ja) | 風速風圧推定装置及び風速風圧推定方法 | |
| CN107038741B (zh) | 三维渲染二维光影的方法 | |
| WO2023199417A1 (ja) | 変状合成データ生成装置および変状合成データ生成方法 | |
| CN116778065B (zh) | 图像处理方法、装置、计算机及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210914 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220720 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220906 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221025 |
|
| 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: 20230110 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230130 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7220083 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |