JP2021182408A - 下水道管渠内水位予測方法 - Google Patents

Abstract

【課題】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。【解決手段】下水道管渠内水位予測装置１０において、予測入力データ生成部１５は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水位予測値算出部１６の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。前記畳み込みニューラルネットワークにおいて前記下水道管渠内水位を予測にあたり前記予測用入力データに対して畳み込み処理及びMaxPooling処理が施される。次いで、MaxPooling処理結果のデータと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当該予測対象地点の下水道管渠内水位を予測する。【選択図】図１

Description

本発明は、下水道管渠内水位の予測技術に関する。

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。

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。

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。

特開２００２−２９８０６３号公報 特開平５−１３４７１５号公報

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。

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。

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。

そこで、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。

本発明の一態様は、前記下水道管渠内水位予測方法において、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過程と、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過程とをさらに有する。

本発明の一態様は、前記下水道管渠内水位予測方法において、前記モデルパラメータを更新する過程は、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。

本発明の一態様は、前記下水道管渠内水位予測方法において、前記下水道管渠内水位を予測する過程は、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が時間チャネルの対応するチャネルに入力される。

本発明の一態様は、前記下水道管渠内水位予測方法において、前記下水道管渠内水位を予測する過程は、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。

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。

本発明の下水道管渠内水位予測装置の態様例を示すブロック構成図。 畳み込みニューラルネットワークによる下水道管渠内水位の予測過程の説明図。 図２の予測過程での畳み込み処理の具体例の説明図。 図２の予測過程でのMaxPooling処理の具体例の説明図。

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。

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。

（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。

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。

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。

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。

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。

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。

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。

（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。

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。

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。

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。

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x_kl ^(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w_st ^(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x_kl ^(c)(1≦k≦M，1≦l≦M，1≦c≦D)はサイズL×LのN個のデータa_ij ^(f)(1≦i≦L，1≦j≦L，1≦f≦N)までに圧縮される。データx_kl ^(c)とデータa_ij ^(f)の関係は以下の式（１）により示される。

式（１）において、β^(f)はフィルタw_st ^(f,c)ごとに定義されるバイアスであり、フィルタw_st ^(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。

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a_ij ^(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。

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b_uv ^(f)(1≦u≦K，1≦v≦K，1≦f≦N)が得られる場合、データa_ij ^(f)とデータb_uv ^(f)の関係は以下の式（２）により示される。

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a_ij ^(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。

以上のＳ２で得られたK×K×N個のデータb_uv ^(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。

Ｓ３：予測処理部１０３は、Ｓ２で得られたデータb_uv ^(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。

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。

（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。

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。

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。

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。

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。

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。

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。

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。

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。

（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。

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。

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

Claims (5)

1. 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
   を有することを特徴とする下水道管渠内水位予測方法。
2. 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過程と、
   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過程と
   をさらに有する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方法。
3. 前記モデルパラメータを更新する過程は、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ことを特徴とする請求項２に記載の下水道管渠内水位予測方法。
4. 前記下水道管渠内水位を予測する過程は、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が時間チャネルの対応するチャネルに入力されることを特徴とする請求項１から３のいずれか１項に記載の下水道管渠内水位予測方法。
5. 前記下水道管渠内水位を予測する過程は、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請求項４に記載の下水道管渠内水位予測方法。

Images