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 PDF

Info

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
Application number
JP2021210251A
Other languages
English (en)
Other versions
JP7473524B2 (ja
Inventor
匡純 天方
Masazumi Amakata
貴人 安野
Takahito Anno
明 石井
Akira Ishii
利行 宮崎
Toshiyuki Miyazaki
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yachiyo Engineering Co Ltd
Original Assignee
Yachiyo Engineering Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yachiyo Engineering Co Ltd filed Critical Yachiyo Engineering Co Ltd
Priority to JP2021210251A priority Critical patent/JP7473524B2/ja
Publication of JP2023094754A publication Critical patent/JP2023094754A/ja
Application granted granted Critical
Publication of JP7473524B2 publication Critical patent/JP7473524B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

【課題】比較的簡易な新たなアプローチによりニューラルネットワークを利用して河川の水位を予測するシステムを提供すること。【解決手段】第１情報は河川水位予測地点における水位の実測値、第２情報は雨量や土壌雨量指数の少なくとも一方の予測値、第３情報は雨量や土壌雨量指数の少なくとも一方の実測値とする。システムは、基準時点ｔから過去の時点ｔ－ｎまでの各時点における第１情報、第３情報と、基準時点ｔより特定時間Ｔだけ未来の特定時点ｔ＋Ｔからそれより過去の時点ｔ＋Ｔ－ｎまでの各時点における第２情報とを入力側の教師データのセットとすると共に、特定時点ｔ＋Ｔにおける第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された学習済みモデルを用いて、予測処理時点より特定時間Ｔだけ未来の時点における河川水位予測地点における水位を予測し、洪水や河川の氾濫の判断に寄与する。【選択図】図２

Description

特許法第３０条第２項適用申請有り 令和３年度土木学会全国大会第７６回年次学術講演会（ＩＩ－５５，関東オンラインｆｒｏｍ東海大学） ＡＩ・データサイエンス論文集，２０２１年２巻Ｊ２号，１２８～１３９頁，土木学会構造工学委員会 水工学論文集第６６巻，Ｉ＿２７７頁～Ｉ＿２８２頁，公益社団法人土木学会水工学委員会
本発明は、ニューラルネットワークを利用して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並びにそれを利用してダムなどの貯水施設に流れ込む流入量を予測する流入量予測システム及び前述の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に関する。
ニューラルネットワークを利用して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としては、例えば、特許文献１に開示されたものがある。特許文献１の水位予測システムにおいては、水位予測地点及びある時刻の水位の学習に際し、存在するすべてのデータを用いるのではなく、それらと相関が高い雨量及び水位のデータのみを抽出して教師データとして使用することにより、予測精度を高くしつつ、学習時の計算量の低減を図っている。
特開２０１９－９５２４０号公報
最近の気候変動の影響により過去には経験したことのない短時間豪雨なども生じてきていることから、従来の予測方法がうまく機能しないケースが増えてきている。また、特許文献１の水位予測方法のように、出力である水位と相関の高い入力データのみを選定するのは煩雑である。
そこで、本発明は、比較的簡易な新たなアプローチによりニューラルネットワークを利用して河川水位予測地点における水位を予測するシステムを提供することを目的とする。
システムの運用時、即ち、河川水位予測地点における水位の予測時においては、予測システムへの入力として雨量や土壌雨量指数等の予測値が必要となる。この予測値は不確実性を有している。一方、従来のシステムにおいては、モデル構築時には過去の実績値を用いており、運用時に内包されている不確実性は考慮されていない。このため、予測値の精度がかなり高くなって予測値の不確実性がある程度低減しない限り、モデル構築時に期待したような予測精度を得ることができない。
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。
具体的には、本発明は、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、
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。
また、本発明は、第１の水位予測システムとして、
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。
また、本発明は、第２の水位予測システムとして、第１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
水位予測システムを提供する。
また、本発明は、第３の水位予測システムとして、第１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
水位予測システムを提供する。
また、本発明は、第４の水位予測システムとして、第１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
水位予測システムを提供する。
また、本発明は、第５の水位予測システムとして、第１から第４までのいずれか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
水位予測システムを提供する。
降雨が土中の流出機構を通して川に流出し、川を流れ、更には、ダムなどの貯水施設に流れ込むといった過程は一般に理解されているところである。
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。
具体的には、本発明は、第１の流入量予測システムとして、
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。
また、本発明は、第２の流入量予測システムとして、第１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を提供する。
また、本発明は、第１の下流河川水位予測システムとして、
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。
また、本発明は、第２の下流河川水位予測システムとして、第１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を提供する。
また、本発明は、コンピュータを上述した第１から第５のいずれかの水位予測システムとして機能させるプログラムを提供する。同様に、本発明は、コンピュータを上述した第１及び第２のいずれかの流入量予測システムとして機能させるプログラムや、コンピュータを上述した第１及び第２のいずれかの下流河川水位予測システムとして機能させるプログラムを提供する。
更に、本発明は、河川水位予測地点における水位を予測する水位予測方法であって、
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。
また、本発明は、上述した水位予測方法を利用して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方法であって、
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。
更に、本発明は、上述した水位予測方法を利用して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方法であって、
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。
本発明の水位予測システムによれば、予測時（システムの運用時）において入力として不確実性を有する予測値を使用する項目については学習済みモデルを生成する際にも不確実性を有する予測値を用いることとしたため、モデル構築時とシステム運用時とのデータ環境格差が小さくなり、モデル構築時とシステム運用時の予測精度を同程度にできる可能性が高くなる。
また、本発明の流入量予測システムや下流河川水位予測システムによれば、既に理解されている過程を分割し、分割された過程ごとに予測を行って、その予測を繋げていくこととしたので、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、調整も容易になるので、精度向上を期待することができる。
本発明の第１の実施の形態による水位予測システムの構成を示す図である。 図１の水位予測システムにおいて用いられるモデルを示す概略図である。モデルには、学習時の教師データが与えられている。 図２に対応する概略図であり、ｎ＝５，Ｔ＝６の例を示す。 図２に対応する概略図であり、ｎ＝５，Ｔ＝３の例を示す。 図１の水位予測システムにおいて用いられるモデルを示す概略図である。モデルには、予測時（運用時）の入力が与えられる。 図１の水位予測システムにおいて用いられる第２所定期間に属する各時点の第２情報について説明するための図である。 図６に対応する概略図であり、ｎ＝５，Ｔ＝６の例を示す。 図６に対応する概略図であり、ｎ＝５，Ｔ＝３の例を示す。 第２所定期間に属する各時点の第２情報の変形例を説明するための図である。 機械学習及び予測に用いる第２情報の内容に関する変形例を説明するための図である。 第２情報及び第３情報として雨量を用いた場合の予測水位と実際に観測された観測水位との対比を示すグラフである。 第２情報及び第３情報として土壌雨量指数を用いた場合の予測水位と実際に観測された観測水位との対比を示すグラフである。 第２情報及び第３情報として雨量及び土壌雨量指数を用いた場合の予測水位と実際に観測された観測水位との対比を示すグラフである。 本発明の第２の実施の形態による流入量予測システムの構成を示す図である。 図１４の流入量予測システムにおいて用いられる流入量予測用モデルを示す概念図である。モデルには、学習時の教師データが与えられている。 図１４の流入量予測システムにおいて現在時点ｔ０を流入量予測時としたときの処理の概略を示す図である。 図１４の流入量予測システムより予測した予測流量と実際に観測された観測流量との対比を示すグラフである。 本発明の第３の実施の形態による流入量予測システムの構成を示す図である。 図１８の流入量予測システムにおいて用いられる流入量予測用モデルを示す概念図である。モデルには、学習時の教師データが与えられている。 図１８の流入量予測システムにおいて現在時点ｔ０を流入量予測時としたときの処理の概略を示す図である。 図１８の流入量予測システムより予測した予測流量と実際に観測された観測流量との対比を示すグラフである。第６情報としては、貯水施設に関連する雨量と土壌雨量指数の両方の予測値を用いている。 本発明の第４の実施の形態による下流河川水位予測システムの構成を示す図である。 図２２の下流河川水位予測システムにおいて用いられる下流河川水位予測用モデルを示す概念図である。モデルには、学習時の教師データが与えられている。 図２２の下流河川水位予測システムにおいて現在時点ｔ０を下流河川水位予測時としたときの処理の概略を示す図である。 本発明の第５の実施の形態による下流河川水位予測システムの構成を示す図である。 図２５の下流河川水位予測システムにおいて用いられる下流河川水位予測用モデルを示す概念図である。モデルには、学習時の教師データが与えられている。 図２５の下流河川水位予測システムにおいて現在時点ｔ０を下流河川水位予測時としたときの処理の概略を示す図である。
（第１の実施の形態）
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。
入力部１０は、第１情報と、第２情報と、第３情報とを入力可能なインタフェースである。入力部１０は、外部のネットワークに接続され、そのネットワークを介して第１情報から第３情報を取得するものであってもよいし、挿入された又は接続された記録媒体を介して第１情報から第３情報を入力するものであってもよい。
ここで、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る。本実施の形態の水位予測システム１においては、未来の時点における河川水位予測地点における水位を予測するにあたり、現時点までの情報を取り込んで基準を合わせるために必要とされる。
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る。第２情報としては、例えば、気象庁の提供する降水短時間予報、降水ナウキャスト、ＭＳＭ（MesoScale Model）、ＧＳＭ（Global Spectral Model）などを用いることができる。
この第２情報は、未来の時点における河川水位予測地点における水位を予測するために重要な情報である。特に、降った雨が予測地点まで到達する時間（洪水到達時間）以上の未来の時点における河川水位予測地点における水位を予測するような場合、第２情報の重要性は高くなる。本実施の形態においては、現時点までの第１情報並びに利用できる場合には第３情報を用いて、この第２情報、即ち予測値に含まれる不確実性を学習させることとしている。
なお、第２情報としては、予測雨量の累積値と同じような挙動を示すことから、土壌雨量指数（降水短時間予報を用いた予測値）を用いることもできる。特に、洪水期間のみを抽出して検討することが多い場合、予測雨量では洪水毎に異なる初期の土壌水分飽和状態を反映できていないため、土壌雨量指数（予測値）を使うことで一つのサポート情報になる可能性がある。また、降った雨は、地表面を流れて河川に流れたり（表面流出）、地中に浸透してから河川に流れたり（表層流出、地下水流出）するといったように流出機構を通じて河川へ流れ込む。このような流れの中で、土壌雨量指数は流出機構の影響を含んだ情報であることから、後述するモデルが複雑化しないメリットもある。
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。第３情報としては、例えば、気象庁の提供するレーダーアメダス解析雨量などを用いることができる。この第３情報は、現時点までの実測雨量と河川水位予測地点における水位の関係を学習させるために必要とされるものである。第２情報と同様の理由により、土壌雨量指数（レーダーアメダス解析雨量による現況値）も用いることができる。
これらの第１情報～第３情報は、入力されると、その都度、記憶部２０に格納される。ここで、第１情報及び第２情報は、後述する機械学習や予測に必要とされる対象期間に亘って基本的に得られる情報である。一方、第３情報は、河川水位予測地点に関連する領域内（河川水位予測地点の上流域内及びその流域近傍）に雨量観測所などが設けられていない場合のように取得できない場合や欠測データ等が多く機械学習を適切に行わせるために十分な量のデータを取得できない場合もある。従って、本実施の形態において、第１情報や第２情報は、機械学習や予測に必ず用いられるが、第３情報は、利用可能な場合にだけ利用される。
モデル生成部３０は、記憶部２０に格納されている第１情報～第３情報を教師データとして図２に示されるように機械学習させて学習済みモデルを生成する。なお、図２に示されるモデルにおいては、中間層として１層のみを示してあるが、複数層からなるものであってもよい。また、中間層を構成するニューロン数（ノード数，ブロック数）は図示されたものに限定されない。更に、モデルの生成にあたっては、ＬＳＴＭネットワークなど、既存の技術を適用可能である。
ここで、第１所定期間を、基準時点ｔから過去に向かってｎ個（ｎは０又は正の整数）の所定時間からなるもの、即ち、基準時点ｔより過去の時点ｔ－ｎと基準時点ｔとを両端とする期間（ｔ－ｎ～ｔ）とする。第１所定期間は、ｎ＝０のときは基準時点ｔのみとなる。また、第２所定期間を、基準時点ｔより特定時間Ｔだけ未来の特定時点ｔ＋Ｔから過去に向かってｎ個の所定時間からなるもの、即ち、特定時点ｔ＋Ｔより過去の時点ｔ＋Ｔ－ｎと特定時点ｔ＋Ｔとを両端とする期間（ｔ＋Ｔ－ｎ～ｔ＋Ｔ）とする。第２所定期間は、ｎ＝０のときは特定時点ｔ＋Ｔのみとなる。なお、本実施の形態においては、所定時間を１時間とする。つまり、第１所定期間には、時点ｔ－ｎと基準時点ｔとを両端として、１時間おきに合計ｎ＋１個の時点が含まれている。同様に、第２所定期間には、時点ｔ＋Ｔ－ｎと特定時点ｔ＋Ｔとを両端として、１時間おきに合計ｎ＋１個の時点が含まれている。なお、特定時間Ｔは、所定時間の整数倍である必要はない。例えば、特定時間は０．５時間（３０分）であってもよいし、１／３時間（２０分）であってもよい。
このとき、入力側の教師データのセットは、第１所定期間（ｔ－ｎ～ｔ）に属する所定時間毎のｎ＋１個の時点における第１情報と、第２所定期間（ｔ＋Ｔ－ｎ～ｔ＋Ｔ）に属する所定時間毎のｎ＋１個の時点における第２情報と、０個又は第１所定期間（ｔ－ｎ～ｔ）に属する所定時間毎のｎ＋１個の時点における第３情報である。本実施の形態においては、第１所定期間（ｔ－ｎ～ｔ）に属する１時間毎のｎ＋１個の時点における第１情報と、第２所定期間（ｔ＋Ｔ－ｎ～ｔ＋Ｔ）に属する１時間毎のｎ＋１個の時点における第２情報と、０個又は第１所定期間（ｔ－ｎ～ｔ）に属する１時間毎のｎ＋１個の時点における第３情報である。第３情報は、上述したように、機械学習をさせるために十分なデータ量が利用できない場合もあるので、その場合には０個（つまり、その情報は使用しない）となり、逆に、利用可能な場合には第１情報と同様に第１所定期間に属する所定時間毎のｎ＋１個の時点における情報を利用することとなる。一方、出力側の教師データは、特定時点ｔ＋Ｔにおける第１情報である。以上説明したような入力側の教師データのセットと出力側の教師データとを用いて機械学習することにより学習済みモデルを生成する。
より具体的には、例えば、ｎ＝５，Ｔ＝６のときは、図３に示されるように、入力側の教師データのセットは、第１所定期間（ｔ－５～ｔ）に属する１時間毎の６個の時点における第１情報と、第２所定期間（ｔ＋１～ｔ＋６）に属する１時間毎の６個の時点における第２情報と、０個又は第１所定期間（ｔ－５～ｔ）に属する１時間毎の６個の時点における第３情報であり、出力側の教師データは、特定時点ｔ＋６における第１情報である。また、例えば、ｎ＝５，Ｔ＝３のときは、図４に示されるように、入力側の教師データのセットは、第１所定期間（ｔ－５～ｔ）に属する１時間毎の６個の時点における第１情報と、第２所定期間（ｔ－２～ｔ＋３）に属する１時間毎の６個の時点における第２情報と、０個又は第１所定期間（ｔ－５～ｔ）に属する１時間毎の６個の時点における第３情報であり、出力側の教師データは、特定時点ｔ＋３における第１情報である。
本実施の形態において、機械学習や予測に用いる場合には、第１情報～第３情報の夫々の時点の数はｎ＋１個で統一してあるが、第１所定期間や第２所定期間に属する時点の夫々における第１情報～第３情報の具体的なデータ数については特に限定はない。例えば、各時点における第２情報の数については、河川水位予測地点に関連する領域内（河川水位予測地点の上流域内及びその流域近傍）における雨量の予測地点数に応じて設定し、各時点における第３情報の数については、河川水位予測地点に関連する領域内（河川水位予測地点の上流域内およびその流域近傍）に設けられた雨量観測地点数に応じて設定するといったように、各時点におけるデータ数については予測対象の河川水位予測地点に関連する領域の観測環境等に応じて設定できる。第２情報や第３情報を土壌雨量指数とする場合も同様である。更に、雨量及び土壌雨量指数を第２情報や第３情報とした場合、機械学習や予測に利用する第２所定時間に属する時点の数はｎ＋１個であり、雨量のみを第２情報や第３情報とした場合や土壌雨量指数を第２情報や第３情報とした場合と同じである。なお、雨量及び土壌雨量指数を第２情報や第３情報とした場合に関し、各時点において用いられるデータ数については、例えば雨量と土壌雨量指数とで利用可能な数が異なることもありうるので、雨量と土壌雨量指数とで同数である必要はない。
予測値である第２情報の不確実性を学習させるという観点からは、少なくとも第１情報と第２情報の２つの情報が必要である。特に、特定時点ｔ＋Ｔが基準時点ｔから離れている場合（特定時間Ｔが大きい場合）においては、第１情報と第２情報の２つのみを用いると、第２情報の不確実性の学習に注力させることができるので、より精度の高い予測結果を得ることができる。一方、特定時点ｔ＋Ｔが基準時点ｔに近い場合（特定時間Ｔが小さい場合）には、予測結果に影響する実測値のウェイトが大きくなる。従って、第３情報が使える場合には、これらも用いると特定時間Ｔが小さい場合にも予測精度の向上を図ることができる。
記憶部２０には、上述した第１情報～第３情報が適宜追加されていくと共に、モデル生成部３０において生成された学習済みモデルも格納される。
予測部４０は、記憶部２０に格納されている第１情報～第３情報と学習済みモデルを用いて、河川水位予測地点における水位を予測する。図５に示されるように、予測処理時点ｔＸを基準時点とすると、第１所定期間はｔＸ－ｎ～ｔＸ、即ち、予測処理時点ｔＸとそれより過去の時点ｔＸ－ｎとを両端とする期間（ｎ＝０のときは予測処理時点ｔＸのみ）となる。同様に、予測処理時点ｔＸを基準時点とすると、第２所定期間は、ｔＸ＋Ｔ－ｎ～ｔＸ＋Ｔ、即ち、予測処理時点ｔＸより特定時間Ｔだけ未来の時点ｔＸ＋Ｔとそれより過去の時点ｔＸ＋Ｔ－ｎとを両端とする期間（ｎ＝０のときは時点ｔＸ＋Ｔのみ）となる。従って、予測処理時点ｔＸを基準時点としたときの入力側の教師データのセットに対応する第１情報、第２情報及び第３情報は、夫々、第１所定期間ｔＸ－ｎ～ｔＸの所定時間毎のｎ＋１個の時点における第１情報、第２所定期間ｔＸ＋Ｔ－ｎ～ｔＸ＋Ｔの所定時間毎のｎ＋１個の時点における第２情報、及び０個又は第１所定期間ｔＸ－ｎ～ｔＸの所定時間毎のｎ＋１個の時点における第３情報である。予測部４０は予測処理時点ｔＸを基準時点としたときの入力側の教師データのセットに対応する第１情報、第２情報及び第３情報を入力として、学習済みモデルを用いて、予測処理時点ｔＸより特定時間Ｔだけ未来の時点ｔＸ＋Ｔにおける河川水位予測地点における水位を予測する。即ち、予測処理時点ｔＸを現在時点ｔ０とすれば、予測部４０は現在時点ｔ０を基準時点としたときの入力側の教師データのセットに対応する第１情報、第２情報及び第３情報を入力として、学習済みモデルを用いて、現在時点ｔ０より特定時間Ｔだけ未来の時点ｔ０＋Ｔにおける河川水位予測地点における水位を予測することができる。
このように、本実施の形態においては、予測時において入力として不確実性を有する第２情報については学習済みモデルを生成する際にも不確実性を有する予測値を用いることとしたため、モデル構築時と予測時とのデータ環境格差が小さくなり、モデル構築時と予測時の予測精度を同程度にできる可能性が高くなる。
更に、本実施の形態による水位予測システム１においては、モデル生成時及び予測時に用いる第２情報として、夫々、特定時間Ｔだけ前に予測されたものを選択している。
ここで、ある時点ａにおいてその時点ａから時間ｂだけ先の時点の予測値をＰ（ａ，ｂ）と示すこととする。例えば、基準時点ｔにおいて予測した予測値であって基準時点ｔの１時間～６時間先の時点の予測値は、夫々、Ｐ（ｔ，１），Ｐ（ｔ，２），Ｐ（ｔ，３），Ｐ（ｔ，４），Ｐ（ｔ，５），Ｐ（ｔ，６）となり、基準時点ｔから５時間前の時点（ｔ－５）において予測した予測値であって時点（ｔ－５）の１時間～６時間先の時点の予測値は、夫々、Ｐ（ｔ－５，１），Ｐ（ｔ－５，２），Ｐ（ｔ－５，３），Ｐ（ｔ－５，４），Ｐ（ｔ－５，５），Ｐ（ｔ－５，６）となる。
上述した表記によれば、図６に示されるように、入力側の教師データのセットにおいて第２所定期間に属する所定時間毎のｎ＋１個の時点における第２情報は、夫々、特定時間Ｔだけ前の時点で予測されたものであり、詳しくは、Ｐ（ｔ－ｎ，Ｔ），Ｐ（ｔ－ｎ＋１，Ｔ），・・・，Ｐ（ｔ－１，Ｔ），Ｐ（ｔ，Ｔ）である。同様に、予測部４０において予測に用いられる第２情報は、夫々、特定時間Ｔだけ前の時点で予測されたものであり、詳しくは、Ｐ（ｔＸ－ｎ，Ｔ），Ｐ（ｔＸ－ｎ＋１，Ｔ），・・・，Ｐ（ｔＸ－１，Ｔ），Ｐ（ｔＸ，Ｔ）である。
より具体的には、例えば、ｎ＝５，Ｔ＝６のとき、第２所定期間ｔ＋１～ｔ＋６に属する１時間毎の６個の時点（ｔ＋１，ｔ＋２，ｔ＋３，ｔ＋４，ｔ＋５，ｔ＋６）における第２情報は、図７に示されるように、Ｐ（ｔ－５，６），Ｐ（ｔ－４，６），Ｐ（ｔ－３，６），Ｐ（ｔ－２，６），Ｐ（ｔ－１，６），Ｐ（ｔ，６）であり、すべて６時間前に予測されたものである。また、例えば、ｎ＝５，Ｔ＝３のとき、第２所定期間ｔ－２～ｔ＋３に属する１時間毎の６個の時点（ｔ－２，ｔ－１，ｔ，ｔ＋１，ｔ＋２，ｔ＋３）における第２情報は、図８に示されるように、Ｐ（ｔ－５，３），Ｐ（ｔ－４，３），Ｐ（ｔ－３，３），Ｐ（ｔ－２，３），Ｐ（ｔ－１，３），Ｐ（ｔ，３）であり、すべて３時間前に予測されたものである。
一般に、予測時間の短いものほど予測精度が高く、予測時間が長くなればなるほど予測精度は低下する。例えば、１時間先を予測した予測値Ｐ（ｔ，１）は６時間先を予測した予測値（ｔ，６）よりも予測精度が高い。本実施の形態においてモデル生成時及び予測時に用いる第２所定期間に属する各時点における第２情報の予測時間はすべてＴ時間であり、互いに同等・同質のデータであることから、より適切に予測値の不確実性を学習させることが期待できる。
但し、本発明において第２所定期間に属する各時点における第２情報はこれに限定されるものではない。第２所定期間に属する所定時間毎の各時点における第２情報として、互いに同一時点において予測したものを用いてもよい。例えば、ｎ＝５，Ｔ＝６の場合において、図９に示されるように、第２所定期間に属する１時間毎の第２情報として、すべて基準時点ｔにおいて予測した予測値を用いることとしてもよい。
また、第２所定期間に属する時点における第２情報に加えて、互いに同等・同質のデータからなる他の１組又は複数組の第２情報を用いることとしてもよい。例えば、ｎ＝５，Ｔ＝６の場合において、図１０に示されるように、Ｐ（ｔ－５，６）～Ｐ（ｔ，６）で表された６時間先予測値（第２所定期間に属する時点における第２情報）に加えて、Ｐ（ｔ－５，５）～Ｐ（ｔ，５）で表された５時間先予測値、Ｐ（ｔ－５，４）～Ｐ（ｔ，４）で表された４時間先予測値、Ｐ（ｔ－５，３）～Ｐ（ｔ，３）で表された３時間先予測値、Ｐ（ｔ－５，２）～Ｐ（ｔ，２）で表された２時間先予測値、及びＰ（ｔ－５，１）～Ｐ（ｔ，１）で表された１時間先予測値を用いることとしてもよい。同様に、例えば、図１０に示されるデータのうち、Ｐ（ｔ－５，６）～Ｐ（ｔ，６）で表された６時間先予測値に加えて、Ｐ（ｔ－５，５）～Ｐ（ｔ，５）で表された５時間先予測値のセットだけを追加で用いることとしてもよいし、Ｐ（ｔ－５，６）～Ｐ（ｔ，６）で表された６時間先予測値に加えて、Ｐ（ｔ－５，５）～Ｐ（ｔ，５）で表された５時間先予測値とＰ（ｔ－５，４）～Ｐ（ｔ，４）で表された４時間先予測値の２組の予測値のセットを追加で用いることとしてもよい。
以下、図１１～図１３を用いて、ｎ＝５，Ｔ＝６の場合について、上述した実施の形態による水位予測システム１による予測水位と実際に観測された水位との対比を示す。予測にあたり、第１情報としては、水文水質DB（http://www1.river.go.jp/）から取得した所定の河川水位予測地点における水位を用いた。第２情報及び第３情報のうち、雨量に関しては、夫々、気象庁の提供する降水短時間予報及びレーダーアメダス解析雨量を用い、土壌雨量指数に関しては、夫々、降水短時間予報を用いた予測値及びレーダーアメダス解析雨量による現況値を用いた。これらを用いて取得可能であった洪水期間を対象として、検証を行った。第２情報及び第３情報として雨量を用いた場合の対比を図１１に、第２情報及び第３情報として土壌雨量指数を用いた場合の対比を図１２に、第２情報及び第３情報として雨量及び土壌雨量指数を用いた場合の対比を図１３に夫々示す。いずれの場合も、予測水位は、かなり大きな動きのある観測水位に比較的追従できている。
以上、本発明の実施の形態について図面を参照して具体的に説明してきたが、本発明による水位予測システムは上述した実施の形態に限定されるものではない。
例えば、本実施の形態による水位予測システム１は、モデル生成部３０を備えていたが、本発明はこれに限定されない。具体的には、水位予測システム１の運用時（即ち、予測時）においては、記憶部２０に格納されている学習済みモデルが利用可能であればよいので、学習済みモデルの生成だけを別のところで行うこととし、水位予測システム１からモデル生成部３０を省略することとしてもよい。
また、上述した実施の形態において、例えば、第２情報が雨量の場合は第３情報も雨量（図１１）、第２情報が土壌雨量指数の場合には第３情報も土壌雨量指数（図１２）といったように、第２情報（予測値）と第３情報（実測値）とで同じものを用いていたが、本発明はこれに限定されない。例えば、第２情報が雨量であって第３情報が土壌雨量指数といったように一方と他方とが異なっていてもよい。
（第２の実施の形態）
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１４の流入量予測システム５は、上述した水位予測システム１に加え、流入量予測用モデル生成部５０及び流入量予測部６０を備えている。即ち、流入量予測システム５は、入力部１０と、記憶部２０と、モデル生成部３０と、予測部４０と、流入量予測用モデル生成部５０と、流入量予測部６０とを備えている。本実施の形態において、流入量予測システム５の実体は、コンピュータを上述した水位予測システム１並びに、流入量予測用モデル生成部５０及び流入量予測部６０として機能させるプログラムである。
入力部１０は、上述した第１情報～第３情報に加えて、ダム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る。第１情報～第３情報と同様に、第４情報は、入力される度に記憶部２０に格納される。また、記憶部２０には、水位予測システム１の予測部４０から出力される河川水位予測地点の水位を示す予測値である第５情報も予測される度に格納される。
流入量予測用モデル生成部５０は、記憶部２０に格納されている第４情報及び第５情報を教師データとして図１５に示されるように機械学習させて流入量予測用学習済みモデルを生成する。なお、図１５に示されるモデルにおいては中間層として１層のみを例示してあるが、図２の場合と同様に適宜変更可能である。
ここで、第３所定期間を、予測基準時点ｔＹより特定時間Ｔだけ未来の予測特定時点ｔＹ＋Ｔから過去に向かってｍ個（ｍは０又は正の整数）の所定時間からなるもの、即ち、予測特定時点ｔＹ＋Ｔより過去の時点ｔＹ＋Ｔ－ｍと予測特定時点ｔＹ＋Ｔとを両端とする期間（ｔＹ＋Ｔ－ｍ～ｔＹ＋Ｔ）とする。数「ｍ」は、水位予測システム１において用いていた数「ｎ」と同じであってもよいし、異なっていてもよい。なお、第３所定期間は、ｍ＝０のときは予測特定時点ｔＹ＋Ｔのみとなる。
本実施の形態においても、所定時間を１時間とする。つまり、本実施の形態において、第３所定期間には、時点ｔＹ＋Ｔ－ｍと予測特定時点ｔＹ＋Ｔとを両端として、１時間おきに合計ｍ＋１個の時点が含まれている。なお、特定時間Ｔは、所定時間の整数倍である必要はない。例えば、特定時間は０．５時間（３０分）であってもよいし、１／３時間（２０分）であってもよい。但し、この特定時間Ｔは、水位予測システム１において用いられていた時間と同じ時間である。
このとき、流入量予測用学習済みモデルの生成時の入力側の教師データは、第３所定期間（ｔＹ＋Ｔ－ｍ～ｔＹ＋Ｔ）に属する所定時間毎のｍ＋１個の時点における第５情報である。即ち、流入量予測用学習済みモデルの生成時の入力側の教師データは、本実施の形態においては、第３所定期間（ｔＹ＋Ｔ－ｍ～ｔＹ＋Ｔ）に属する１時間毎のｍ＋１個の時点における第５情報である。一方、出力側の教師データは、予測特定時点ｔＹ＋Ｔにおける第４情報である。このような入力側の教師データと出力側の教師データとを用い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。このようにして生成された流入量予測用学習済みモデルも記憶部２０に格納される。
なお、流入量予測に使用される河川水位予測地点の水位は一つには限られない。ダムの上流域内にある複数の河川の夫々に関する河川水位予測地点の予測値を用いて当該ダムに対する流入量を予測することとしてもよい。即ち、第３所定期間を構成するｍ＋１個の各時点における第５情報の具体的な数は複数であってもよい。
流入量予測部６０は、記憶部２０に格納されている第５情報と流入量予測用学習済みモデルを用いて、ダムに対する流入量を予測する。流入量予測部６０自体の処理は、図１５において予測基準時点ｔＹを流入量の予測の時点とした場合の第５情報を入力として、流入量予測用学習済みモデルを用いて、その流入量の予測の時点より特定時間Ｔだけ未来の時点におけるダムに対する流入量を予測する。例えば、現在時点ｔ０を流入量の予測の時点とした場合の現在時点ｔ０より特定時間Ｔだけ未来の時点ｔ０＋Ｔにおけるダムに対する流入量の予測は、ある期間ｔ０＋Ｔ－ｍ～ｔ０＋Ｔに属する所定時間（１時間）毎のｍ＋１個の時点の夫々の河川水位予測地点の水位について水位予測システム１で予測した予測値を入力としている。即ち、現在時点ｔ０より特定時間Ｔだけ未来の時点ｔ０＋Ｔにおけるダムに対する流入量を予測する際には、流入量予測部６０は、ｔ０＋Ｔ－ｍ～ｔ０＋Ｔの各時点における第５情報を入力とする。
ここで、現在時点ｔ０から過去に向かってｍ個の所定時間からなる期間（ｔ０－ｍ～ｔ０）を第４所定期間とする。ｍは第３所定期間の場合と同じ、０又は正の整数である。第４所定期間は、ｍ＝０のときは現在時点ｔ０のみとなる。この場合、現在時点ｔ０より特定時間Ｔだけ未来の時点ｔ０＋Ｔにおけるダムに対する流入量の予測のため、現在時点ｔ０までに流入量側部６０に入力される第５情報は、第４所定期間ｔ０－ｍ～ｔ０に属するｍ＋１個の時点（ｔ０－ｍ，ｔ０－ｍ＋１，ｔ０－ｍ＋２・・・，ｔ０－２，ｔ０－１，ｔ０）の夫々を予測処理時点ｔＸ（図５参照）として水位予測システム１において予測されたｔ０＋Ｔ－ｍ～ｔ０＋Ｔのｍ＋１個の時点の河川水位予測地点における水位の予測値である。これらの第５情報は、水位予測システム１の予測部４０において予測される度に、水位予測システム１の記憶部２０に記憶されている。
現在時点ｔ０において、流入量予測部６０は、記憶部２０に記憶されていた第４所定期間ｔ０－ｍ～ｔ０に属するｍ＋１個の時点に対応する期間ｔ０＋Ｔ－ｍ～ｔ０＋Ｔに属する１時間毎のｍ＋１個の時点の河川水位予測地点の水位の予測値を用いて、現在時点ｔ０より特定時間Ｔだけ未来の時点ｔ０＋Ｔのダムの流入量を予測する。詳しくは、第４所定期間のうちの現在時点ｔ０の直前の時点ｔ０－１において、それまでの期間ｔ０－ｍ～ｔ０－１に属する１時間毎のｍ個の時点の夫々を予測処理時点ｔＸとして水位予測システム１の予測部４０において予測されたｍ個の時点の第５情報（ｔ０＋Ｔ－ｍ～ｔ０＋Ｔ－１の時点の第５情報）が既に記憶部２０に入力されている。この状態において、現在時点ｔ０になると、図１６に示されるように、水位予測システム１の予測部４０において現在時点ｔ０より特定時間Ｔだけ未来の時点ｔ０＋Ｔにおける第５情報が予測され、その時点ｔ０＋Ｔにおける第５情報が既に記憶部２０に格納されていたｔ０＋Ｔ－ｍ～ｔ０＋Ｔ－１の各時点における第５情報と共に流入量予測部６０に入力される。これにより、流入量予測部６０は、現在時点ｔ０を予測基準時点ｔＹとしたときの第３所定期間ｔ０＋Ｔ－ｍ～ｔ０＋Ｔに属する１時間毎のｍ＋１個の時点の第５情報を入力として、流入量予測用学習済みモデルを用いて、現在時点ｔ０より特定時間Ｔだけ未来の時点ｔ０＋Ｔにおけるダムに対する流入量を予測する。
以上説明したように、本実施の形態においては、既に理解されている降雨がダムの流入量の変化に影響を与える過程を分割し、分割された過程ごとに予測を行って、その予測を繋げていくこととしたので、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、調整も容易になり、精度向上を図ることができる。
ここで、図１７を用いて、ｎ＝５，Ｔ＝６の場合について、本実施の形態の流入量予測システム５による予測流量と実際に観測された流量との対比を示す。予測にあたり、水位予測システム１で用いた第１情報～第３情報に加えて、第４情報として、水文水質DB（http://www1.river.go.jp/）から取得した所定のダムの流入量を用いた。なお、水位予測システム１で予測対象とした河川水位予測地点は、当該ダムの上流側にある河川に設けられた河川水位予測地点である。これらを用いて取得可能であった洪水期間を対象として、検証を行った。図１７を参照すると、予測流量は、かなり大きな動きのある観測流量に比較的追従できている。
以上、本発明の実施の形態について図面を参照して具体的に説明してきたが、本発明による流入量予測システムは上述した実施の形態に限定されるものではない。
例えば、本実施の形態による流入量予測システム５は、モデル生成部３０及び流入量予測用モデル生成部５０を備えていたが、本発明はこれに限定されない。具体的には、流入量予測システム５の運用時（即ち、予測時）においては、記憶部２０に格納されている学習済みモデルと流入量予測用学習済みモデルが利用可能であればよいので、学習済みモデルや流入量予測用学習済みモデルの生成だけを別のところで行うこととし、流入量予測システム５からモデル生成部３０や流入量予測用モデル生成部５０を省略することとしてもよい。
また、本実施の形態において、第４情報の流入量や予測対象としている流入量は、１秒当たりの体積（ｍ３／ｓ）であったが、本発明はこれに限定されない。第４情報の流入量や予測対象としている流入量は、ある一定時間内の流れ込んできた体積（ｍ３）（即ち、一定時間内に流れ込んできた流入量を積分した値）であってもよい。なお、ここでいう一定時間は、所定時間であってもよいし、所定時間の数倍の時間であってもよいし、他の任意の時間であってもよい。
更に、本実施の形態において、所定時間（単位時間）は１時間であったが、本発明は、これに限定されない。例えば、第１の実施の形態と同様に、所定時間は５分であってもよいし、１０分であってもよい。具体的には、例えば、１時間先の予測を行うために５分単位の複数の第１情報～第４情報を用いることとしてもよい。
（第３の実施の形態）
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。
本実施の形態による入力部１０は、上述した第１情報～第４情報に加えて、ダム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る。第１情報～第４情報と同様に、第６情報は、入力される度に記憶部２０に格納される。なお、第５情報が予測される度に記憶部２０に格納される点は第２の実施の形態と同様である。
流入量予測用モデル生成部５０Ａは、記憶部２０に格納されている第４情報～第６情報を教師データとして図１９に示されるように機械学習させて流入量予測用学習済みモデルを生成する。本実施の形態において、流入量予測用学習済みモデルの生成時の入力側の教師データは、図１９に示されるように、第３所定期間（ｔＹ＋Ｔ－ｍ～ｔＹ＋Ｔ）に属する所定時間毎のｍ＋１個の時点における第５情報と、第３所定期間（ｔＹ＋Ｔ－ｍ～ｔＹ＋Ｔ）に属する所定時間毎のｍ＋１個の時点における第６情報である。一方、出力側の教師データは、予測特定時点ｔＹ＋Ｔにおける第４情報である。このような入力側の教師データと出力側の教師データとを用い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。このようにして生成された流入量予測用学習済みモデルも記憶部２０に格納される。
流入量予測部６０Ａは、記憶部２０に格納されている第５情報及び第６情報と流入量予測用学習済みモデルを用いて、ダムに対する流入量を予測する。流入量予測部６０自体の処理は、図１９において予測基準時点ｔＹを流入量の予測の時点とした場合の第５情報及び第６情報を入力として、流入量予測用学習済みモデルを用いて、その流入量の予測の時点より特定時間Ｔだけ未来の時点におけるダムに対する流入量を予測する。例えば、現在時点ｔ０を流入量の予測の時点として現在時点ｔ０より特定時間Ｔだけ未来の時点におけるダムに対する流入量を予測する場合、ある期間ｔ０＋Ｔ－ｍ～ｔ０＋Ｔに属する所定時間毎のｍ＋１個の時点の夫々の河川水位予測地点の水位について水位予測システム１で予測した第５情報と、期間ｔ０＋Ｔ－ｍ～ｔ０＋Ｔに属する所定時間毎のｍ＋１個の時点の第６情報とを入力としている。即ち、現在時点ｔ０より特定時間Ｔだけ未来の時点ｔ０＋Ｔにおけるダムに対する流入量を予測する際には、流入量予測部６０は、ｔ０＋Ｔ－ｍ～ｔ０＋Ｔの各時点における第５情報及び第６情報を入力とする。
第２の実施の形態と同様に、第４所定期間のうちの現在時点ｔ０の直前の時点ｔ０－１において、それまでの期間ｔ０－ｍ～ｔ０－１に属する所定時間毎のｍ個の時点の夫々を予測処理時点ｔＸとして水位予測システム１の予測部４０において予測されたｍ個の時点の第５情報（ｔ０＋Ｔ－ｍ～ｔ０＋Ｔ－１の時点の第５情報）と、入力部１０を介して得られた期間ｔ０－ｍ～ｔ０－１に属する所定時間毎のｍ個の時点の第６情報とが既に記憶部２０に格納されている。この状態において、現在時点ｔ０になると、図２０に示されるように、水位予測システム１の予測部４０において現在時点ｔ０より特定時間Ｔだけ未来の時点ｔ０＋Ｔにおける第５情報が予測されると共に、未来の時点ｔ０＋Ｔにおける第６情報も入力される。これらと既に記憶部２０に格納されていた第５情報及び第６情報を入力とし、流入量予測部６０Ａは予測を行う。即ち、流入量予測部６０Ａは、現在時点ｔ０を予測基準時点ｔＹとしたときの第３所定期間ｔ０＋Ｔ－ｍ～ｔ０＋Ｔに属する所定時間毎のｍ＋１個の時点の第５情報と第６情報とを入力として、流入量予測用学習済みモデルを用いて、現在時点ｔ０より特定時間Ｔだけ未来の時点ｔ０＋Ｔにおけるダムに対する流入量を予測する。
ここで、図２１を用いて、ｎ＝５，Ｔ＝６の場合について、本実施の形態の流入量予測システム６による予測流量と実際に観測された流量との対比を示す。予測にあたり、水位予測システム１で用いた第１情報～第３情報に加えて、第４情報として、水文水質DB（http://www1.river.go.jp/）から取得した所定のダムの流入量を用いた。なお、水位予測システム１で予測対象とした河川水位予測地点は、当該ダムの上流側にある河川に設けられた河川水位予測地点である。加えて、第６情報として、雨量及び土壌雨量指数の予測値を用いた。具体的には、第６情報のうち、雨量に関しては、気象庁の提供する降水短時間予報を用い、土壌雨量指数に関しては、降水短時間予報を用いた予測値を用いた。これらを用いて取得可能であった洪水期間を対象として、検証を行った。図２１を参照すると、予測流量は、かなり大きな動きのある観測流量に比較的追従できている。
（第４の実施の形態）
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。
上流側の地点の水位等を用いて下流側の地点の水位を予測することは、種々、検討されている（例えば、特開2004-293080号公報や特開2021-046710号公報など）。従って、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て、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の予測が成り立つ可能性が高い。
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。
本実施の形態の入力部１０は、上述した第１情報～第３情報に加えて、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る。即ち、第２の実施の形態における第４情報がダムに対する流入量の実測値であったのに対して、本実施の形態の第４情報は下流側水位予測地点の水位の実測値である点で異なっている。これは、予測しようとしている対象が異なるためであるので当然である。
本実施の形態の下流河川水位予測用モデル生成部７０は、記憶部２０に格納されている第４情報及び第５情報を教師データとして図２３に示されるように機械学習させて下流河川水位予測用学習済みモデルを生成する。図１５と図２３を対比すれば明らかなように、下流河川水位予測用学習済みモデルの生成の仕方は、上述した第２の実施の形態における流入量予測用学習済みモデルの生成の仕方と同様である。このことから理解されるように、本実施の形態の下流河川水位予測においては、上述した第２の実施の形態における流入量予測と同等の精度が期待できる。
具体的には、下流河川水位予測用学習済みモデルの生成において、入力側の教師データは、第３所定期間（ｔＹ＋Ｔ－ｍ～ｔＹ＋Ｔ）に属する所定時間毎のｍ＋１個の時点における第５情報であり、出力側の教師データは、予測特定時点ｔＹ＋Ｔにおける第４情報である。このような入力側の教師データと出力側の教師データとを用い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。このようにして生成された下流河川水位予測用学習済みモデルも記憶部２０に格納される。
下流河川水位予測部８０は、記憶部２０に格納されている第５情報と下流河川水位予測用学習済みモデルを用いて、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８０自体の処理は、現在時点ｔ０を下流側水位予測地点の水位の予測の時点とした場合、図２３において予測基準時点ｔＹを現在時点ｔ０とした場合の第５情報を入力として、下流河川水位予測用学習済みモデルを用いて、現在時点ｔ０より特定時間Ｔだけ未来の時点ｔ０＋Ｔにおける下流側水位予測地点における水位を予測する。
詳しくは、現在時点ｔ０において、下流河川水位予測部８０は、記憶部２０に記憶されていた第５情報（河川水位予測地点の水位の予測値）であって、第４所定期間ｔ０－ｍ～ｔ０に属するｍ＋１個の時点に対応する期間ｔ０＋Ｔ－ｍ～ｔ０＋Ｔに属する所定時間毎のｍ＋１個の時点の第５情報を用いて、現在時点ｔ０より特定時間Ｔだけ未来の時点ｔ０＋Ｔの下流側水位予測地点における水位を予測する。図２４に示されるように、現在時点ｔ０になると、水位予測システム１の予測部４０において現在時点ｔ０より特定時間Ｔだけ未来の時点ｔ０＋Ｔにおける第５情報が予測され、予測された時点ｔ０＋Ｔにおける第５情報がそれまでに予測され記憶部２０に格納されていたｔ０＋Ｔ－ｍ～ｔ０＋Ｔ－１の各時点における第５情報と共に下流河川水位予測部８０に入力される。これにより、下流河川水位予測部８０は、現在時点ｔ０を予測基準時点ｔＹとしたときの第３所定期間ｔ０＋Ｔ－ｍ～ｔ０＋Ｔに属する所定時間毎のｍ＋１個の時点の第５情報を入力として、下流河川水位予測用学習済みモデルを用いて、現在時点ｔ０より特定時間Ｔだけ未来の時点ｔ０＋Ｔにおける下流側水位予測地点における水位を予測する。
以上説明したように、本実施の形態においては、既に理解されている降雨が上流側の河川水位予測地点を経て下流側水位予測地点における水位の変化に影響を与える過程を分割し、分割された過程ごとに予測を行って、その予測を繋げていくこととしたので、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、調整も容易になり、精度向上を図ることができる。
（第５の実施の形態）
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。
本実施の形態による入力部１０は、上述した第１情報～第４情報に加えて、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る。即ち、第２の実施の形態における第６情報がダム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ったのに対して、本実施の形態の第４情報は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点で異なっている。
本実施の形態の下流河川水位予測用モデル生成部７０Ａは、記憶部２０に格納されている第４情報～第６情報を教師データとして図２６に示されるように機械学習させて下流河川水位予測用学習済みモデルを生成する。図１９と図２６を対比すれば明らかなように、下流河川水位予測用学習済みモデルの生成の仕方は、上述した第３の実施の形態における流入量予測用学習済みモデルの生成の仕方と同様である。このことから理解されるように、本実施の形態の下流河川水位予測においては、上述した第３の実施の形態における流入量予測と同等の精度が期待できる。
具体的には、下流河川水位予測用学習済みモデルの生成において、入力側の教師データは、第３所定期間（ｔＹ＋Ｔ－ｍ～ｔＹ＋Ｔ）に属する所定時間毎のｍ＋１個の時点における第５情報と、第３所定期間（ｔＹ＋Ｔ－ｍ～ｔＹ＋Ｔ）に属する所定時間毎のｍ＋１個の時点における第６情報であり、出力側の教師データは、予測特定時点ｔＹ＋Ｔにおける第４情報である。このような入力側の教師データと出力側の教師データとを用い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。このようにして生成された下流河川水位予測用学習済みモデルも記憶部２０に格納される。
下流河川水位予測部８０Ａは、記憶部２０に格納されている第５情報及び第６情報と下流河川水位予測用学習済みモデルを用いて、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８０Ａ自体の処理は、現在時点ｔ０を下流側水位予測地点の水位の予測の時点とした場合、図２６において予測基準時点ｔＹを現在時点ｔ０とした場合の第５情報及び第６情報を入力として、下流河川水位予測用学習済みモデルを用いて、現在時点ｔ０より特定時間Ｔだけ未来の時点ｔ０＋Ｔにおける下流側水位予測地点における水位を予測する。
詳しくは、現在時点ｔ０において、下流河川水位予測部８０Ａは、記憶部２０に記憶されていた第５情報（河川水位予測地点の水位の予測値）であって、第４所定期間ｔ０－ｍ～ｔ０に属するｍ＋１個の時点に対応する期間ｔ０＋Ｔ－ｍ～ｔ０＋Ｔに属する所定時間毎のｍ＋１個の時点の第５情報と期間ｔ０＋Ｔ－ｍ～ｔ０＋Ｔに属する所定時間毎のｍ＋１個の時点の第６情報とを用いて、現在時点ｔ０より特定時間Ｔだけ未来の時点ｔ０＋Ｔの下流側水位予測地点における水位を予測する。図２７から理解されるように、現在時点ｔ０になると、水位予測システム１の予測部４０において現在時点ｔ０より特定時間Ｔだけ未来の時点ｔ０＋Ｔにおける第５情報が予測される。この予測された時点ｔ０＋Ｔにおける第５情報が、それまでに予測され記憶部２０に格納されていたｔ０＋Ｔ－ｍ～ｔ０＋Ｔ－１の各時点における第５情報と、期間ｔ０＋Ｔ－ｍ～ｔ０＋Ｔに属する所定時間毎のｍ＋１個の時点の第６情報と共に下流河川水位予測部８０Ａに入力される。これにより、下流河川水位予測部８０Ａは、現在時点ｔ０を予測基準時点ｔＹとしたときの第３所定期間ｔ０＋Ｔ－ｍ～ｔ０＋Ｔに属する所定時間毎のｍ＋１個の時点の第５情報と第６情報とを入力として、下流河川水位予測用学習済みモデルを用いて、現在時点ｔ０より特定時間Ｔだけ未来の時点ｔ０＋Ｔにおける下流側水位予測地点における水位を予測する。
以上、本発明について複数の実施の形態を掲げて具体的に説明してきたが、本発明はこれに限定されるものではない。
１ 水位予測システム
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)

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  7. 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。
  8. 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。
  9. 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。
  10. 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。
JP2021210251A 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 Active JP7473524B2 (ja)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Cited By (4)

* Cited by examiner, † Cited by third party
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