JP2023094754A - モデル生成方法、水位予測システム、流入量予測システム及び下流河川水位予測システム - Google Patents
モデル生成方法、水位予測システム、流入量予測システム及び下流河川水位予測システム Download PDFInfo
- Publication number
- JP2023094754A JP2023094754A JP2021210251A JP2021210251A JP2023094754A JP 2023094754 A JP2023094754 A JP 2023094754A JP 2021210251 A JP2021210251 A JP 2021210251A JP 2021210251 A JP2021210251 A JP 2021210251A JP 2023094754 A JP2023094754 A JP 2023094754A
- Authority
- JP
- Japan
- Prior art keywords
- water level
- information
- time
- prediction
- point
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 414
- 238000000034 method Methods 0.000 title claims description 25
- 239000002689 soil Substances 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000010801 machine learning Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 17
- 238000011144 upstream manufacturing Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000013459 approach Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
しかし、近年の気候変動を考慮すると、予測値の精度が高くなることのみに頼るのは良策とは言えない。
そこで、本発明では、発想の転換を行い、運用時に予測値を使う入力に関してはモデル構築においても過去の実績値ではなく予測値を用いることとして、システムの運用時に内包する不確実性を考慮したモデルを構築することとする。本発明においては、学習済みモデルの生成方法を従来とは異なる新たなものとし、それを利用して新たな水位予測システムを提供する。
当該河川水位予測地点に関連する雨量と土壌雨量指数の少なくとも一方の予測値である第2情報であって、前記基準時点より特定時間だけ未来の特定時点から過去に向かってn個の前記所定時間からなる第2所定期間(n=0のときは前記特定時点のみ)に属する前記所定時間毎のn+1個の時点における前記第2情報と、
当該河川水位予測地点に関連する雨量と土壌雨量指数の少なくとも一方の実測値である第3情報であって、0個又は前記第1所定期間に属する前記所定時間毎のn+1個の時点における前記第3情報と、
を入力側の教師データのセットとすると共に、
前記特定時点における前記第1情報を出力側の教師データとして
機械学習することにより、前記河川水位予測地点における水位を予測する水位予測システムにおいて用いられる学習済みモデルを生成するモデル生成方法を提供する。
第1情報と、第2情報と、第3情報とを入力可能な入力部であって、前記第1情報は河川水位予測地点における水位の実測値であり、前記第2情報は当該河川水位予測地点に関連する雨量と土壌雨量指数の少なくとも一方の予測値であり、前記第3情報は当該河川水位予測地点に関連する雨量と土壌雨量指数の少なくとも一方の実測値である、入力部と、
前記第1情報、前記第2情報及び前記第3情報並びに学習済みモデルを格納する記憶部であって、前記学習済みモデルは、所定時間を単位時間として基準時点から過去に向かってn個(nは0又は正の整数)の前記所定時間からなる第1所定期間(n=0のときは前記基準時点のみ)に属する前記所定時間毎のn+1個の時点における前記第1情報と、前記基準時点より特定時間だけ未来の特定時点から過去に向かってn個の前記所定時間からなる第2所定期間(n=0のときは前記特定時点のみ)に属する前記所定時間毎のn+1個の時点における前記第2情報と、0個又は前記第1所定期間に属する前記所定時間毎のn+1個の時点における前記第3情報とを入力側の教師データのセットとすると共に、前記特定時点における前記第1情報を出力側の教師データとして機械学習することにより生成したものである、記憶部と、
予測処理時点を前記基準時点としたときの前記入力側の教師データのセットに対応する前記第1情報、前記第2情報及び前記第3情報を入力として、前記学習済みモデルを用いて、前記予測処理時点より前記特定時間だけ未来の時点における前記河川水位予測地点における水位を予測する予測部と
を備える、水位予測システムを提供する。
前記第2情報は、雨量の予測値であり、
前記第3情報は、雨量の実測値である
水位予測システムを提供する。
前記第2情報は、土壌雨量指数の予測値であり、
前記第3情報は、土壌雨量指数の実測値である
水位予測システムを提供する。
前記第2情報は、雨量及び土壌雨量指数の予測値であり、
前記第3情報は、雨量及び土壌雨量指数の実測値である
水位予測システムを提供する。
前記入力側の教師データのセットにおいて、前記第2所定期間に属する前記所定時間毎のn+1個の時点における前記第2情報は、夫々、前記特定時間前に予測されたものであり、
前記予測部における前記入力において、前記予測処理時点を前記基準時点とした場合の前記入力側の教師データのセットに対応する前記第2情報は、夫々、前記特定時間前に予測されたものである
水位予測システムを提供する。
しかし、現状では、降雨情報などを直接的な入力データとして人工知能により貯水施設に対する流入量を予測しようとしていることが多い(例えば特許第3693089号公報参照)。その場合、降った雨が貯水施設に流れ込むまでの挙動を読み解こうとするため、人工知能のネットワークが複雑になり、また、そのネットワークの理解も難しくなる。
一方、上述した既に理解されている過程に沿って、予測を繋げていくこととすれば、各予測についてはネットワークの複雑化を避けることができ精度向上が実現できる可能性がある。
本発明の発明者らは、このような考えのもと、上述した水位予測システムを利用して貯水施設に対する流入量を予測する流入量予測システムや上述した水位予測システムにおいて対象としていた河川水位予測地点を上流側とする場合の下流側水位予測地点における水位を予測する下流河川水位予測システムも提供する。
第1から第5までのいずれかの水位予測システムと、前記河川水位予測地点の下流にある貯水施設に対する流入量を予測する流入量予測部とを備える流入量予測システムであって、
前記入力部は、前記貯水施設に対する流入量の実測値である第4情報を更に入力可能なものであり、
前記記憶部は、前記第4情報と、前記水位予測システムの前記予測部から出力される前記河川水位予測地点の水位を示す予測値である第5情報と、流入量予測用学習済みモデルとを更に格納しており、
前記流入量予測用学習済みモデルは、予測基準時点より前記特定時間だけ未来の予測特定時点から過去に向かってm個(mは0又は正の整数)の前記所定時間からなる第3所定期間(m=0のときは前記予測特定時点のみ)に属する前記所定時間毎のm+1個の時点における前記第5情報を入力側の教師データとすると共に、前記予測特定時点における前記第4情報を出力側の教師データとして機械学習することにより生成したものであり、
前記流入量予測部は、現在時点から過去に向かってm個の前記所定時間からなる第4所定期間(m=0のときは前記現在時点のみ)に属する前記所定時間毎のm+1個の時点の夫々を前記予測処理時点として前記水位予測システムにおいて予測されたm+1個の前記第5情報を入力とすると共に、前記現在時点を前記予測基準時点として、前記流入量予測用学習済みモデルを用いて、前記現在時点より前記特定時間だけ未来の時点における前記貯水施設に対する流入量を予測する
流入量予測システムを提供する。
前記入力部は、前記貯水施設に関連する雨量と土壌雨量指数の少なくとも一方の予測値である第6情報を更に入力可能なものであり、
前記流入量予測用学習済みモデルは、入力側の教師データとして、前記第3所定期間に属する前記所定時間毎のm+1個の時点における前記第6情報を更に用いて生成されたものであり、
前記第5情報に加えて、前記現在時点を前記予測基準時点としたときの前記第3所定期間に属する前記所定時間毎のm+1個の時点における前記第6情報をも入力として、前記流入量予測用学習済みモデルを用いて、前記現在時点より前記特定時間だけ未来の時点における前記貯水施設に対する流入量を予測する
流入量予測システムを提供する。
第1から第5までのいずれかの水位予測システムと、前記河川水位予測地点を上流側とする場合の下流側水位予測地点における水位を予測する下流河川水位予測部とを備える下流河川水位予測システムであって、
前記入力部は、前記下流側水位予測地点の水位の実測値である第4情報を更に入力可能なものであり、
前記記憶部は、前記第4情報と、前記水位予測システムの前記予測部から出力される前記河川水位予測地点の水位を示す予測値である第5情報と、下流河川水位予測用学習済みモデルとを更に格納しており、
前記下流河川水位予測用学習済みモデルは、予測基準時点より前記特定時間だけ未来の予測特定時点から過去に向かってm個(mは0又は正の整数)の前記所定時間からなる第3所定期間(m=0のときは前記予測特定時点のみ)に属する前記所定時間毎のm+1個の時点における前記第5情報を入力側の教師データとすると共に、前記予測特定時点における前記第4情報を出力側の教師データとして機械学習することにより生成したものであり、
前記下流河川水位予測部は、現在時点から過去に向かってm個の前記所定時間からなる第4所定期間(m=0のときは前記現在時点のみ)に属する前記所定時間毎のm+1個の時点の夫々を前記予測処理時点として前記水位予測システムにおいて予測されたm+1個の前記第5情報を入力とすると共に、前記現在時点を前記予測基準時点として、前記下流河川水位予測用学習済みモデルを用いて、前記現在時点より前記特定時間だけ未来の時点における前記下流側水位予測地点の水位を予測する
下流河川水位予測システムを提供する。
前記入力部は、前記下流側水位予測地点に関連する雨量と土壌雨量指数の少なくとも一方の予測値である第6情報を更に入力可能なものであり、
前記下流河川水位予測用学習済みモデルは、入力側の教師データとして、前記第3所定期間に属する前記所定時間毎のm+1個の時点における前記第6情報を更に用いて生成されたものであり、
前記第5情報に加えて、前記現在時点を前記予測基準時点としたときの前記第3所定期間に属する前記所定時間毎のm+1個の時点における前記第6情報をも入力として、前記下流河川水位予測用学習済みモデルを用いて、前記現在時点より前記特定時間だけ未来の時点における前記下流側水位予測地点の水位を予測する
下流河川水位予測システムを提供する。
前記河川水位予測地点における水位の実測値である第1情報と、当該河川水位予測地点に関連する雨量と土壌雨量指数の少なくとも一方の予測値である第2情報と、当該河川水位予測地点に関連する雨量と土壌雨量指数の少なくとも一方の実測値である第3情報とを取得するステップと、
所定時間を単位時間として基準時点から過去に向かってn個(nは0又は正の整数)の前記所定時間からなる第1所定期間(n=0のときは前記基準時点のみ)に属する前記所定時間毎のn+1個の時点における前記第1情報と、前記基準時点より特定時間だけ未来の特定時点から過去に向かってn個の前記所定時間からなる第2所定期間(n=0のときは前記特定時点のみ)に属する前記所定時間毎のn+1個の時点における前記第2情報と、0個又は前記第1所定期間に属する前記所定時間毎のn+1個の時点における前記第3情報とを入力側の教師データのセットとすると共に、前記特定時点における前記第1情報を出力側の教師データとして機械学習することにより学習済みモデルを生成するステップと、
予測処理時点を前記基準時点としたときの前記入力側の教師データのセットに対応する前記第1情報、前記第2情報及び前記第3情報を入力として、前記学習済みモデルを用いて、前記予測処理時点より前記特定時間だけ未来の時点における前記河川水位予測地点における水位を予測するステップと
を備える、水位予測方法を提供する。
前記貯水施設に対する流入量の実測値である第4情報を更に取得するステップと、
予測基準時点より前記特定時間だけ未来の予測特定時点から過去に向かってm個(mは0又は正の整数)の前記所定時間からなる第3所定期間(m=0のときは前記予測特定時点のみ)に属する前記所定時間毎のm+1個の時点における前記第5情報を入力側の教師データとすると共に、前記予測特定時点における前記第4情報を出力側の教師データとして機械学習することにより流入量予測用学習済みモデルを生成するステップと、
現在時点から過去に向かってm個の前記所定時間からなる第4所定期間(m=0のときは前記現在時点のみ)に属する前記所定時間毎のm+1個の時点の夫々を前記予測処理時点として前記水位予測システムにおいて予測されたm+1個の前記第5情報を入力とすると共に、前記現在時点を前記予測基準時点として、前記流入量予測用学習済みモデルを用いて、前記現在時点より前記特定時間だけ未来の時点における前記貯水施設に対する流入量を予測するステップとを
備える、流入量予測方法を提供する。
前記下流側水位予測地点の水位の実測値である第4情報を更に取得するステップと、
予測基準時点より前記特定時間だけ未来の予測特定時点から過去に向かってm個(mは0又は正の整数)の前記所定時間からなる第3所定期間(m=0のときは前記予測特定時点のみ)に属する前記所定時間毎のm+1個の時点における前記第5情報を入力側の教師データとすると共に、前記予測特定時点における前記第4情報を出力側の教師データとして機械学習することにより下流河川水位予測用学習済みモデルを生成するステップと、
現在時点から過去に向かってm個の前記所定時間からなる第4所定期間(m=0のときは前記現在時点のみ)に属する前記所定時間毎のm+1個の時点の夫々を前記予測処理時点として前記水位予測システムにおいて予測されたm+1個の前記第5情報を入力とすると共に、前記現在時点を前記予測基準時点として、前記下流河川水位予測用学習済みモデルを用いて、前記現在時点より前記特定時間だけ未来の時点における前記下流側水位予測地点の水位を予測するステップとを
備える、下流河川水位予測方法を提供する。
図1を参照して、本発明の第1の実施の形態は、河川水位予測地点における水位を予測するための水位予測システム1に関するものである。図1の水位予測システム1は、以下に夫々詳述する入力部10と、記憶部20と、モデル生成部30と、予測部40とを備えている。本実施の形態において、水位予測システム1の実体は、コンピュータを入力部10~予測部40として機能させるプログラムである。
図14を参照して、本発明の第2の実施の形態による流入量予測システム5は、水位予測システム1において予測対象としてた河川水位予測地点の下流にある貯水施設に対する流入量を予測するためのものである。具体的には、本実施の形態において対象とする貯水施設はダムである。但し、本発明はこれに限定されるわけではなく、ダム以外の貯水施設へも適用可能である。
図18を参照して、本発明の第3の実施の形態による流入量予測システム6は、水位予測システム1において予測対象としてた河川水位予測地点の下流にある貯水施設に対する流入量を予測するためのものである。本実施の形態の流入量予測システム6は、上述した流入量予測システム5の変形例であり、水位予測システム1に加えて、流入量予測用モデル生成部50Aと流入量予測部60Aとを備えている。以下においては、第2の実施の形態と異なる部分について説明し、共通する部分についての説明は省略することとする。
図22を参照して、本発明の第4の実施の形態は、水位予測システム1において予測対象としていた河川水位予測地点を上流側とする場合の下流側水位予測地点における水位を予測する下流河川水位予測システム8に関するものである。
加えて、下流側水位予測地点を通過する流量(m3/s)は、下流側水位予測地点における流速(m/s)とその際の水流の下流側水位予測地点の断面積(m2)が分かれば水位(m)に換算可能な関係にある。実際、河川の断面形状は測量で既知な場合も多いことから、下流側水位予測地点における流量を水位に換算できる場合もある。これらのことから理解されるように、水位予測システム1において予測対象としていた河川水位予測地点における水位の予測値を入力とした場合に、上述した第2の実施の形態において予測対象としていた貯水施設に対する流入量(m3/s)に代えて、下流側水位予測地点を通過する流量(m3/s)を予測することは可能であり、同様に、下流側水位予測地点における水位(m)を予測することもできる。
本実施の形態の下流河川水位予測システム8は、このような考えのもと構成されたものであり、図14に示される第2の実施の形態の流入量予測システム5の流入量予測用モデル生成部50及び流入量予測部60に代えて、図22に示されるように、同様の構成を有する下流河川水位予測用モデル生成部70及び下流河川水位予測部80を備えている。そのため、第2の実施の形態と共通する事項については説明を省略する。また、本実施の形態の下流河川水位予測システム8に含まれる水位予測システム1は、基本的に第1の実施の形態と同様であるので、その殆どについて説明を省略する。
図25を参照すると、本発明の第5の実施の形態は、水位予測システム1において予測対象としていた河川水位予測地点を上流側とする場合の下流側水位予測地点における水位を予測する下流河川水位予測システム9に関するものである。本実施の形態の下流河川水位予測システム9は、上述した第2の実施の形態による流入量予測システム5と第4の実施の形態による下流河川水位予測システム8との関係と同様の関係に基づいて構成されたものであり、図18に示される第3の実施の形態による流入量予測システム6に対応するものである。詳しくは、図18に示される第3の実施の形態の流入量予測システム6の流入量予測用モデル生成部50A及び流入量予測部60Aに代えて、図25に示されるように、同様の構成を有する下流河川水位予測用モデル生成部70A及び下流河川水位予測部80Aを備えている。また、本実施の形態の下流河川水位予測システム9は、第4の実施の形態による下流河川水位予測システム8の変形例でもある。そのため、第3の実施の形態及び第4の実施の形態と共通する事項については説明を省略する。また、本実施の形態の下流河川水位予測システム9に含まれる水位予測システム1は、基本的に第1の実施の形態と同様であるので、その殆どについて説明を省略する。
5,6 流入量予測システム
8,9 下流河川水位予測システム
10 入力部
20 記憶部
30 モデル生成部
40 予測部
50,50A 流入量予測用モデル生成部
60,60A 流入量予測部
70,70A 下流河川水位予測用モデル生成部
80,80A 下流河川水位予測部
Claims (10)
- 河川水位予測地点の水位の実測値である第1情報であって、所定時間を単位時間として基準時点から過去に向かってn個(nは0又は正の整数)の前記所定時間からなる第1所定期間(n=0のときは前記基準時点のみ)に属する前記所定時間毎のn+1個の時点における前記第1情報と、
雨量と土壌雨量指数の少なくとも一方の予測値である第2情報であって、前記基準時点より特定時間だけ未来の特定時点から過去に向かってn個の前記所定時間からなる第2所定期間(n=0のときは前記特定時点のみ)に属する前記所定時間毎のn+1個の時点における前記第2情報と、
雨量と土壌雨量指数の少なくとも一方の実測値である第3情報であって、0個又は前記第1所定期間に属する前記所定時間毎のn+1個の時点における前記第3情報と、
を入力側の教師データのセットとすると共に、
前記特定時点における前記第1情報を出力側の教師データとして
機械学習することにより、前記河川水位予測地点の水位を予測する水位予測システムにおいて用いられる学習済みモデルを生成するモデル生成方法。 - 河川水位予測地点の水位を予測する水位予測システムであって、
第1情報と、第2情報と、第3情報とを入力可能な入力部であって、前記第1情報は前記河川水位予測地点の水位の実測値であり、前記第2情報は雨量と土壌雨量指数の少なくとも一方の予測値であり、前記第3情報は雨量と土壌雨量指数の少なくとも一方の実測値である、入力部と、
前記第1情報、前記第2情報及び前記第3情報並びに学習済みモデルを格納する記憶部であって、前記学習済みモデルは、所定時間を単位時間として基準時点から過去に向かってn個(nは0又は正の整数)の前記所定時間からなる第1所定期間(n=0のときは前記基準時点のみ)に属する前記所定時間毎のn+1個の時点における前記第1情報と、前記基準時点より特定時間だけ未来の特定時点から過去に向かってn個の前記所定時間からなる第2所定期間(n=0のときは前記特定時点のみ)に属する前記所定時間毎のn+1個の時点における前記第2情報と、0個又は前記第1所定期間に属する前記所定時間毎のn+1個の時点における前記第3情報とを入力側の教師データのセットとすると共に、前記特定時点における前記第1情報を出力側の教師データとして機械学習することにより生成したものである、記憶部と、
予測処理時点を前記基準時点としたときの前記入力側の教師データのセットに対応する前記第1情報、前記第2情報及び前記第3情報を入力として、前記学習済みモデルを用いて、前記予測処理時点より前記特定時間だけ未来の時点における前記河川水位予測地点における水位を予測を予測する予測部と
を備える、水位予測システム。 - 請求項2記載の水位予測システムであって、
前記第2情報は、雨量の予測値であり、
前記第3情報は、雨量の実測値である
水位予測システム。 - 請求項2記載の水位予測システムであって、
前記第2情報は、土壌雨量指数の予測値であり、
前記第3情報は、土壌雨量指数の実測値である
水位予測システム。 - 請求項2記載の水位予測システムであって、
前記第2情報は、雨量及び土壌雨量指数の予測値であり、
前記第3情報は、雨量及び土壌雨量指数の実測値である
水位予測システム。 - 請求項2から請求項5までのいずれかに記載の水位予測システムであって、
前記入力側の教師データのセットにおいて、前記第2所定期間に属する前記所定時間毎のn+1個の時点における前記第2情報は、夫々、前記特定時間前に予測されたものであり、
前記予測部における前記入力において、前記予測処理時点を前記基準時点とした場合の前記入力側の教師データのセットに対応する前記第2情報は、夫々、前記特定時間前に予測されたものである
水位予測システム。 - 請求項2から請求項6までのいずれかに記載の水位予測システムと、前記河川水位予測地点の下流にある貯水施設に対する流入量を予測する流入量予測部とを備える流入量予測システムであって、
前記入力部は、前記貯水施設に対する流入量の実測値である第4情報を更に入力可能なものであり、
前記記憶部は、前記第4情報と、前記水位予測システムの前記予測部から出力される前記河川水位予測地点の水位を示す予測値である第5情報と、流入量予測用学習済みモデルとを更に格納しており、
前記流入量予測用学習済みモデルは、予測基準時点より前記特定時間だけ未来の予測特定時点から過去に向かってm個(mは0又は正の整数)の前記所定時間からなる第3所定期間(m=0のときは前記予測特定時点のみ)に属する前記所定時間毎のm+1個の時点における前記第5情報を入力側の教師データとすると共に、前記予測特定時点における前記第4情報を出力側の教師データとして機械学習することにより生成したものであり、
前記流入量予測部は、現在時点から過去に向かってm個の前記所定時間からなる第4所定期間(m=0のときは前記現在時点のみ)に属する前記所定時間毎のm+1個の時点の夫々を前記予測処理時点として前記水位予測システムにおいて予測されたm+1個の前記第5情報を入力とすると共に、前記現在時点を前記予測基準時点として、前記流入量予測用学習済みモデルを用いて、前記現在時点より前記特定時間だけ未来の時点における前記貯水施設に対する流入量を予測する
流入量予測システム。 - 請求項7記載の流入量予測システムであって、
前記入力部は、前記貯水施設に関連する雨量と土壌雨量指数の少なくとも一方の予測値である第6情報を更に入力可能なものであり、
前記流入量予測用学習済みモデルは、入力側の教師データとして、前記第3所定期間に属する前記所定時間毎のm+1個の時点における前記第6情報を更に用いて生成されたものであり、
前記第5情報に加えて、前記現在時点を前記予測基準時点としたときの前記第3所定期間に属する前記所定時間毎のm+1個の時点における前記第6情報をも入力として、前記流入量予測用学習済みモデルを用いて、前記現在時点より前記特定時間だけ未来の時点における前記貯水施設に対する流入量を予測する
流入量予測システム。 - 請求項2から請求項6までのいずれかに記載の水位予測システムと、前記河川水位予測地点を上流側とする場合の下流側水位予測地点における水位を予測する下流河川水位予測部とを備える下流河川水位予測システムであって、
前記入力部は、前記下流側水位予測地点の水位の実測値である第4情報を更に入力可能なものであり、
前記記憶部は、前記第4情報と、前記水位予測システムの前記予測部から出力される前記河川水位予測地点の水位を示す予測値である第5情報と、下流河川水位予測用学習済みモデルとを更に格納しており、
前記下流河川水位予測用学習済みモデルは、予測基準時点より前記特定時間だけ未来の予測特定時点から過去に向かってm個(mは0又は正の整数)の前記所定時間からなる第3所定期間(m=0のときは前記予測特定時点のみ)に属する前記所定時間毎のm+1個の時点における前記第5情報を入力側の教師データとすると共に、前記予測特定時点における前記第4情報を出力側の教師データとして機械学習することにより生成したものであり、
前記下流河川水位予測部は、現在時点から過去に向かってm個の前記所定時間からなる第4所定期間(m=0のときは前記現在時点のみ)に属する前記所定時間毎のm+1個の時点の夫々を前記予測処理時点として前記水位予測システムにおいて予測されたm+1個の前記第5情報を入力とすると共に、前記現在時点を前記予測基準時点として、前記下流河川水位予測用学習済みモデルを用いて、前記現在時点より前記特定時間だけ未来の時点における前記下流側水位予測地点の水位を予測する
下流河川水位予測システム。 - 請求項9記載の下流河川水位予測システムであって、
前記入力部は、前記下流側水位予測地点に関連する雨量と土壌雨量指数の少なくとも一方の予測値である第6情報を更に入力可能なものであり、
前記下流河川水位予測用学習済みモデルは、入力側の教師データとして、前記第3所定期間に属する前記所定時間毎のm+1個の時点における前記第6情報を更に用いて生成されたものであり、
前記第5情報に加えて、前記現在時点を前記予測基準時点としたときの前記第3所定期間に属する前記所定時間毎のm+1個の時点における前記第6情報をも入力として、前記下流河川水位予測用学習済みモデルを用いて、前記現在時点より前記特定時間だけ未来の時点における前記下流側水位予測地点の水位を予測する
下流河川水位予測システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021210251A JP7473524B2 (ja) | 2021-12-24 | 2021-12-24 | モデル生成方法、水位予測システム、流入量予測システム及び下流河川水位予測システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021210251A JP7473524B2 (ja) | 2021-12-24 | 2021-12-24 | モデル生成方法、水位予測システム、流入量予測システム及び下流河川水位予測システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023094754A true JP2023094754A (ja) | 2023-07-06 |
JP7473524B2 JP7473524B2 (ja) | 2024-04-23 |
Family
ID=87002488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021210251A Active JP7473524B2 (ja) | 2021-12-24 | 2021-12-24 | モデル生成方法、水位予測システム、流入量予測システム及び下流河川水位予測システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7473524B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252406A (zh) * | 2023-11-20 | 2023-12-19 | 长江水利委员会长江科学院 | 面向下游取用水需求的补水调度方法、设备及介质 |
CN117689501A (zh) * | 2024-02-03 | 2024-03-12 | 深圳市广汇源环境水务有限公司 | 一种水库防汛动态预报预警方法及系统平台 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6959840B2 (ja) | 2017-11-20 | 2021-11-05 | 日本無線株式会社 | 水位予測方法、水位予測プログラム及び水位予測装置 |
JP7254004B2 (ja) | 2019-08-29 | 2023-04-07 | 株式会社日立パワーソリューションズ | コンピュータプログラムおよびダム流入量予測プログラム並びにダム流入量予測システム |
-
2021
- 2021-12-24 JP JP2021210251A patent/JP7473524B2/ja active Active
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252406A (zh) * | 2023-11-20 | 2023-12-19 | 长江水利委员会长江科学院 | 面向下游取用水需求的补水调度方法、设备及介质 |
CN117252406B (zh) * | 2023-11-20 | 2024-02-02 | 长江水利委员会长江科学院 | 面向下游取用水需求的补水调度方法、设备及介质 |
CN117689501A (zh) * | 2024-02-03 | 2024-03-12 | 深圳市广汇源环境水务有限公司 | 一种水库防汛动态预报预警方法及系统平台 |
CN117689501B (zh) * | 2024-02-03 | 2024-05-14 | 深圳市广汇源环境水务有限公司 | 一种水库防汛动态预报预警方法及系统平台 |
Also Published As
Publication number | Publication date |
---|---|
JP7473524B2 (ja) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3534187B1 (en) | Process and system for hydrological analysis and management for river basins | |
Mehdizadeh et al. | Hybrid artificial intelligence-time series models for monthly streamflow modeling | |
JP2019194424A5 (ja) | ||
Kakahaji et al. | Prediction of Urmia Lake water-level fluctuations by using analytical, linear statistic and intelligent methods | |
Makarynskyy | Improving wave predictions with artificial neural networks | |
Karimi et al. | Neuro-fuzzy and neural network techniques for forecasting sea level in Darwin Harbor, Australia | |
Che et al. | Development of an optimization/simulation model for real-time flood-control operation of river-reservoirs systems | |
Shiri et al. | Prediction of short-term operational water levels using an adaptive neuro-fuzzy inference system | |
JP2023094754A (ja) | モデル生成方法、水位予測システム、流入量予測システム及び下流河川水位予測システム | |
Ulke et al. | Predicting suspended sediment loads and missing data for Gediz River, Turkey | |
Kumanlioglu et al. | Performance enhancement of a conceptual hydrological model by integrating artificial intelligence | |
Valizadeh et al. | Accuracy enhancement for forecasting water levels of reservoirs and river streams using a multiple‐input‐pattern fuzzification approach | |
KR20220057740A (ko) | 순환신경망을 이용한 하천 지역 침수 예측 방법 | |
Linares-Rodriguez et al. | One-day-ahead streamflow forecasting using artificial neural networks and a meteorological mesoscale model | |
Okkan | Application of Levenberg-Marquardt optimization algorithm based multilayer neural networks for hydrological time series modeling | |
Abebe et al. | Information theory and neural networks for managing uncertainty in flood routing | |
JP7354213B2 (ja) | モデル生成方法及び流入量予測システム | |
Regonda et al. | Prototype decision support system for operations on the Gunnison basin with improved forecasts | |
Oluwatobi et al. | Modeling and simulation of river discharge using artificial neural networks | |
Awan et al. | Application of adaptive neuro-fuzzy inference system for dam inflow prediction using long-range weather forecast | |
Shaukat et al. | Sediment load forecasting of Gobindsagar reservoir using machine learning techniques | |
Khan et al. | A comparison of Quadratic Regression and Artificial Neural Networks for the estimation of quantiles at ungauged sites in regional frequency analysis. | |
Kim et al. | Development of artificial intelligence-based river flood level prediction model capable of independent self-warning | |
Raja et al. | Long short-term memory approach for wave height prediction: Study case in jakarta bay, indonesia | |
Ibrahim et al. | An overview of some hydrological models in water resources engineering systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20220106 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230428 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231222 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240117 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240315 |
|
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: 20240327 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240411 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7473524 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |