JP2726589B2 - 気象被害発生予測方法及びその装置 - Google Patents
気象被害発生予測方法及びその装置Info
- Publication number
- JP2726589B2 JP2726589B2 JP647092A JP647092A JP2726589B2 JP 2726589 B2 JP2726589 B2 JP 2726589B2 JP 647092 A JP647092 A JP 647092A JP 647092 A JP647092 A JP 647092A JP 2726589 B2 JP2726589 B2 JP 2726589B2
- Authority
- JP
- Japan
- Prior art keywords
- accident
- weather data
- weather
- neural network
- alarm
- 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.)
- Expired - Lifetime
Links
- 238000000034 method Methods 0.000 title claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 32
- 230000010365 information processing Effects 0.000 claims description 15
- 238000013277 forecasting method Methods 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Electric Cable Installation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、送電線の雪害などの気
象被害の発生を予測する方法及びその装置に関するもの
である。
象被害の発生を予測する方法及びその装置に関するもの
である。
【０００２】
【従来の技術】一般に、施設の気象被害、例えば送電線
が着雪により断線したり地絡したりする事故（雪害）に
対して、発生を確認した後に復旧作業を開始するので
は、その作業に時間が掛かって甚大な被害となるおそれ
がある。このため気象データから事故の発生を予測し
て、予め警戒等を行うことが望ましいが、従来は気象デ
ータから事故発生を予測するためのシステムは確立され
ていなかった。
が着雪により断線したり地絡したりする事故（雪害）に
対して、発生を確認した後に復旧作業を開始するので
は、その作業に時間が掛かって甚大な被害となるおそれ
がある。このため気象データから事故の発生を予測し
て、予め警戒等を行うことが望ましいが、従来は気象デ
ータから事故発生を予測するためのシステムは確立され
ていなかった。
【０００３】
【発明が解決しようとする課題】このような予測システ
ムに適用可能な超並列的な分散情報処理システムとし
て、近来にあってはニューラルネット（神経回路網；ニ
ューラルネットワーク）が注目されている。このニュー
ラルネットは、人間の神経細胞の動作をまねて、より複
雑なパターンをうまく分類させるものであり、そのパタ
ーン分類能力の高さや、いわゆる汎化能力に特長を有し
ている。
ムに適用可能な超並列的な分散情報処理システムとし
て、近来にあってはニューラルネット（神経回路網；ニ
ューラルネットワーク）が注目されている。このニュー
ラルネットは、人間の神経細胞の動作をまねて、より複
雑なパターンをうまく分類させるものであり、そのパタ
ーン分類能力の高さや、いわゆる汎化能力に特長を有し
ている。
【０００４】従って、このニューラルネットに過去の気
象データを事故発生の有無と共に学習させることで判断
能力を与え、事故の予測を行いたい地域の気象データを
入力させて事故予測を行うことが考えられる。しかしな
がら学習させるべきデータの量には限りがあり、また気
象が回復した後に事故が発生するといったケースも考え
られる。このため実用に供することのできる程度に予測
の的中率を上げようとすると、入力する気象データの時
間幅を延長せざるを得ず、ニューラルネットの規模が大
きくなってしまう。
象データを事故発生の有無と共に学習させることで判断
能力を与え、事故の予測を行いたい地域の気象データを
入力させて事故予測を行うことが考えられる。しかしな
がら学習させるべきデータの量には限りがあり、また気
象が回復した後に事故が発生するといったケースも考え
られる。このため実用に供することのできる程度に予測
の的中率を上げようとすると、入力する気象データの時
間幅を延長せざるを得ず、ニューラルネットの規模が大
きくなってしまう。
【０００５】そこで本発明は、上記事情に鑑み、実用に
供し得る気象被害発生予測方法及びその装置を提供すべ
く創案されたものである。またその装置の規模を小さく
でき、しかも予測的中確立を向上させることを図るもの
である。
供し得る気象被害発生予測方法及びその装置を提供すべ
く創案されたものである。またその装置の規模を小さく
でき、しかも予測的中確立を向上させることを図るもの
である。
【０００６】
【課題を解決するための手段】本発明は、学習制御を行
う情報処理機構に既存の事故発生時の気象データを学習
させて、気象データの入力により事故の発生の有無を判
別するニューラルネットを構築しておき、対象区域の現
況以前の実測気象データ及び以降の予測気象データを上
記ニューラルネットに入力させて、事故発生有りと判別
されたときに、警報を所定時間だけ継続して発報させる
ものである。
う情報処理機構に既存の事故発生時の気象データを学習
させて、気象データの入力により事故の発生の有無を判
別するニューラルネットを構築しておき、対象区域の現
況以前の実測気象データ及び以降の予測気象データを上
記ニューラルネットに入力させて、事故発生有りと判別
されたときに、警報を所定時間だけ継続して発報させる
ものである。
【０００７】また上記所定時間は、上記予測気象データ
に基づいて設定されることが望ましい。
に基づいて設定されることが望ましい。
【０００８】そして上記対象区域の気象データとして、
対象区域周辺の区域の気象データも含めたものとするこ
とが望ましい。
対象区域周辺の区域の気象データも含めたものとするこ
とが望ましい。
【０００９】また本発明は、上記方法を実施するための
装置であって、既存の事故発生時の気象データを学習し
て構築されたニューラルネットを有し対象区域の気象デ
ータが入力されたときに事故の発生の有無を判別する情
報処理機構と、この情報処理機構の判別結果に応じた警
報を所定時間だけ出力する警報出力機構とを備えたもの
である。
装置であって、既存の事故発生時の気象データを学習し
て構築されたニューラルネットを有し対象区域の気象デ
ータが入力されたときに事故の発生の有無を判別する情
報処理機構と、この情報処理機構の判別結果に応じた警
報を所定時間だけ出力する警報出力機構とを備えたもの
である。
【００１０】
【作用】上記方法によって、事故が発生しやすい気象条
件になると、警報が発せられて適切な対策を講ずること
ができる。また警報が所定時間延長されることで、短時
間の気象データでも長時間の事故予測ができる。そして
対象区域周囲の気象状況も利用することで、実質的に正
確な入力データとすることができる。
件になると、警報が発せられて適切な対策を講ずること
ができる。また警報が所定時間延長されることで、短時
間の気象データでも長時間の事故予測ができる。そして
対象区域周囲の気象状況も利用することで、実質的に正
確な入力データとすることができる。
【００１１】また上記構成によって、情報処理機構は、
対象区域の気象データが入力されることで、その区域に
事故が発生するか否かを判別する。警報出力機構は、事
故発生有りと判別されたときに、情報処理機構からの信
号に応じて警報を発し、さらに所定の時間だけ延長して
出力する。
対象区域の気象データが入力されることで、その区域に
事故が発生するか否かを判別する。警報出力機構は、事
故発生有りと判別されたときに、情報処理機構からの信
号に応じて警報を発し、さらに所定の時間だけ延長して
出力する。
【００１２】
【実施例】以下、本発明の実施例を添付図面に従って説
明する。
明する。
【００１３】まず図１によって、本発明に係わる気象被
害発生予測装置の第一の実施例を、送電線雪害を予測す
るシステムに適用した場合において説明する。この装置
は、ニューラルネット１を有した情報処理機構２と、情
報処理機構２の判別結果に応じて警報を出力する警報出
力機構３とにより主として構成されている。
害発生予測装置の第一の実施例を、送電線雪害を予測す
るシステムに適用した場合において説明する。この装置
は、ニューラルネット１を有した情報処理機構２と、情
報処理機構２の判別結果に応じて警報を出力する警報出
力機構３とにより主として構成されている。
【００１４】ニューラルネット１は、既存の事故発生時
の気象データを学習して構築されたものであって、対象
区域の気象データ、すなわち降水量、気温、風速などの
データが入力されたときに、その対象区域に事故発生が
有るかどうかを判別するようになっている。そしてその
判別結果は、判別信号の形で警報出力機構３に伝達され
るようになっている。
の気象データを学習して構築されたものであって、対象
区域の気象データ、すなわち降水量、気温、風速などの
データが入力されたときに、その対象区域に事故発生が
有るかどうかを判別するようになっている。そしてその
判別結果は、判別信号の形で警報出力機構３に伝達され
るようになっている。
【００１５】警報出力機構３は、雪害が予測されたとき
にその旨を喚起する表示画面（図示せず）を備えてお
り、判別信号が事故発生有りとの内容であったときに雪
害予測アラームを一時間画面表示するための保持回路４
と、事故予測アラームの継続時間を決定するための時間
延長部５と、保持回路４及び時間延長部５の論理和をと
るための論理和回路６とにより構成されている。従って
情報処理機構２から判別信号を受けたときに、判別され
た時点から設定された時間だけ、例えば9 時間に亘って
アラーム表示を行うものである。
にその旨を喚起する表示画面（図示せず）を備えてお
り、判別信号が事故発生有りとの内容であったときに雪
害予測アラームを一時間画面表示するための保持回路４
と、事故予測アラームの継続時間を決定するための時間
延長部５と、保持回路４及び時間延長部５の論理和をと
るための論理和回路６とにより構成されている。従って
情報処理機構２から判別信号を受けたときに、判別され
た時点から設定された時間だけ、例えば9 時間に亘って
アラーム表示を行うものである。
【００１６】次に本発明に係わる気象被害発生予測方法
の一実施例を、上記構成の作用として説明する。
の一実施例を、上記構成の作用として説明する。
【００１７】まず図４に示すように、情報処理機構２に
既存の気象データを学習させて、ニューラルネット１の
構築を行う。この学習に際しては、管轄内の全域を適当
なメッシュに区分けし、例えば6 Ｋｍ四方単位とした区
域毎に、雪害による事故が発生した時の6 時間分の降水
量、気温、風速等のデータと、事故が発生しなかった時
の同様のデータを用意する。次にこれらの気象データを
入力して（ST 1）、事故発生時の気象データに対しては
ニューラルネットに“事故有り”という教師信号を与
え、事故無し時の気象データに対しては“事故無し”と
いう教師信号を与える（ST 2）。これで、気象データを
入力することで事故の有無を判別できる事故予測ニュー
ラルネット１ができあがる（ST 3）。
既存の気象データを学習させて、ニューラルネット１の
構築を行う。この学習に際しては、管轄内の全域を適当
なメッシュに区分けし、例えば6 Ｋｍ四方単位とした区
域毎に、雪害による事故が発生した時の6 時間分の降水
量、気温、風速等のデータと、事故が発生しなかった時
の同様のデータを用意する。次にこれらの気象データを
入力して（ST 1）、事故発生時の気象データに対しては
ニューラルネットに“事故有り”という教師信号を与
え、事故無し時の気象データに対しては“事故無し”と
いう教師信号を与える（ST 2）。これで、気象データを
入力することで事故の有無を判別できる事故予測ニュー
ラルネット１ができあがる（ST 3）。
【００１８】次に、このニューラルネット１に現況を含
む過去3 時間分の気象データと、現況以降の3 時間分の
予測気象データを入力する（ST 4）。この入力により、
ニューラルネット１は、対象区域における3 時間先の事
故の有無を判別する（ST 5）。この判別信号は、警報出
力機構３に送られ、「事故有り」との判別結果である時
は、事故予測アラームが点灯される（ST 6）。そしてこ
の予測結果は保持回路４にて9 時間保持されて、事故予
測アラームの点灯が継続される（ST 7,8）。
む過去3 時間分の気象データと、現況以降の3 時間分の
予測気象データを入力する（ST 4）。この入力により、
ニューラルネット１は、対象区域における3 時間先の事
故の有無を判別する（ST 5）。この判別信号は、警報出
力機構３に送られ、「事故有り」との判別結果である時
は、事故予測アラームが点灯される（ST 6）。そしてこ
の予測結果は保持回路４にて9 時間保持されて、事故予
測アラームの点灯が継続される（ST 7,8）。
【００１９】このように、既存の気象データを学習させ
たニューラルネット１を使用して、現況前後の気象デー
タに基づいて事故発生の有無を判別させ、アラーム発報
を行うようにしたので、極めて実際的な構成にて、事故
が発生しやすい気象条件になったときに確実に警報を受
けることができ、事故が起きる前に適切な対策を講ずる
ことができる。
たニューラルネット１を使用して、現況前後の気象デー
タに基づいて事故発生の有無を判別させ、アラーム発報
を行うようにしたので、極めて実際的な構成にて、事故
が発生しやすい気象条件になったときに確実に警報を受
けることができ、事故が起きる前に適切な対策を講ずる
ことができる。
【００２０】またアラームが時間延長されることで、短
時間の気象データでも長時間の事故予測ができ、事故予
測確率が向上される。この時間延長に関しては、本発明
者らが既に行った性能テストの結果を考慮して付加した
ものである。すなわち、過去の事故の気象データで事故
有無の判別を学習させたニューラルネットに、その学習
で使用した気象データを入力したところ、その事故有無
の判別は100 ％の正解率が得られた。しかしながら6 時
間分の気象データのうち、3 時間分を予測データにし
て、3 時間後の事故予測を行ったところ、実際に発生し
た10件の事故のうち、予測が的中したものは1 件だけで
あった。この原因としては、過去の事故データの件数が
不足しており、ニューラルネットの学習が充分でない、
等々が考えられるが、例えば雪が強く降った後、雪が止
んでから暫くして事故が発生したケースもあるために、
6 時間分の気象データでは不充分であると考えられる。
ただし前記したように、入力する気象データの時間幅を
延長させることはニューラルネットの規模が大きくな
り、学習そのものがうまくいかなくなる可能性がある。
そこで、アラームを9 時間延長させるものとしたとこ
ろ、10件中5 件まで事故予測を的中させることができた
ものである。
時間の気象データでも長時間の事故予測ができ、事故予
測確率が向上される。この時間延長に関しては、本発明
者らが既に行った性能テストの結果を考慮して付加した
ものである。すなわち、過去の事故の気象データで事故
有無の判別を学習させたニューラルネットに、その学習
で使用した気象データを入力したところ、その事故有無
の判別は100 ％の正解率が得られた。しかしながら6 時
間分の気象データのうち、3 時間分を予測データにし
て、3 時間後の事故予測を行ったところ、実際に発生し
た10件の事故のうち、予測が的中したものは1 件だけで
あった。この原因としては、過去の事故データの件数が
不足しており、ニューラルネットの学習が充分でない、
等々が考えられるが、例えば雪が強く降った後、雪が止
んでから暫くして事故が発生したケースもあるために、
6 時間分の気象データでは不充分であると考えられる。
ただし前記したように、入力する気象データの時間幅を
延長させることはニューラルネットの規模が大きくな
り、学習そのものがうまくいかなくなる可能性がある。
そこで、アラームを9 時間延長させるものとしたとこ
ろ、10件中5 件まで事故予測を的中させることができた
ものである。
【００２１】言い換えると、一度事故のポテンシャルの
高い気象条件となったときには、その原因となった低気
圧が去るまでアラームを出すことが可能であり、短時間
の気象データを用いて、長時間の事故予測を行うことが
可能となる。従って、ニューラルネットの規模を小さ
く、また学習時間も短縮でき、コスト減になると共に、
雪が止んでから事故が発生するといったパターンの雪害
にも対応することができて、雪害予測確度を向上させる
ことができる。
高い気象条件となったときには、その原因となった低気
圧が去るまでアラームを出すことが可能であり、短時間
の気象データを用いて、長時間の事故予測を行うことが
可能となる。従って、ニューラルネットの規模を小さ
く、また学習時間も短縮でき、コスト減になると共に、
雪が止んでから事故が発生するといったパターンの雪害
にも対応することができて、雪害予測確度を向上させる
ことができる。
【００２２】なお本実施例では、9 時間だけ事故予測ア
ラームを点灯させるものとしたが、本来は雪を降らせた
低気圧が去るまで点灯させるべきであり、低気圧の通過
を検知させる装置（気圧計など）を備えて、時間延長部
５にその情報を入力して延長時間を決定させることが望
ましい。またこの決定には、地域特性（地形など）や低
気圧の型（規模、移動速度など）を勘案して、適宜調節
することも考えられる。
ラームを点灯させるものとしたが、本来は雪を降らせた
低気圧が去るまで点灯させるべきであり、低気圧の通過
を検知させる装置（気圧計など）を備えて、時間延長部
５にその情報を入力して延長時間を決定させることが望
ましい。またこの決定には、地域特性（地形など）や低
気圧の型（規模、移動速度など）を勘案して、適宜調節
することも考えられる。
【００２３】またデータの時間に関しては、任意に設定
できるものであり、予測気象データとして3 時間以上の
長時間先のデータを使用することも当然可能である。
できるものであり、予測気象データとして3 時間以上の
長時間先のデータを使用することも当然可能である。
【００２４】次に図２によって本発明の第二の実施例を
説明する。
説明する。
【００２５】この実施例は、雪害予測は単独のメッシュ
で行うことはできず、周囲からも影響を受けると考える
ほうが自然である、との考えに基づいて為されたもので
あり、情報処理機構１１として、対象区域以外のその周
囲の気象データを入力するためのニューラルネット１を
複数台備え、さらにこれらニューラルネット１の判別結
果を適宜演算して判別信号として出力する演算回路１２
を備えるものとした。そしてこの情報処理機構１１に、
前記実施例と同様の警報出力機構３が接続されて、気象
被害発生予測装置が構成されている。
で行うことはできず、周囲からも影響を受けると考える
ほうが自然である、との考えに基づいて為されたもので
あり、情報処理機構１１として、対象区域以外のその周
囲の気象データを入力するためのニューラルネット１を
複数台備え、さらにこれらニューラルネット１の判別結
果を適宜演算して判別信号として出力する演算回路１２
を備えるものとした。そしてこの情報処理機構１１に、
前記実施例と同様の警報出力機構３が接続されて、気象
被害発生予測装置が構成されている。
【００２６】ニューラルネット１に入力する現況前後の
気象データとしては、事故予測の対象となる区域の気象
データの他、図３のメッシュ地図１３に示すように、そ
の区域（メッシュＡ）に隣接する区域（メッシュＢ，Ｃ
…Ｉ）を含めて合計9 メッシュの気象データを用いる。
気象データとしては、事故予測の対象となる区域の気象
データの他、図３のメッシュ地図１３に示すように、そ
の区域（メッシュＡ）に隣接する区域（メッシュＢ，Ｃ
…Ｉ）を含めて合計9 メッシュの気象データを用いる。
【００２７】そして事故予測の対象とする区域（メッシ
ュＡ）の気象データをニューラルネット１に入力して事
故の有無を判別させると共に、その近傍の区域（メッシ
ュＢ，Ｃ…Ｉ）の気象データもそれぞれのニューラルネ
ット１に入力して事故予測を行わせる。そしてこれらの
判別結果を演算回路１２に入力する。演算回路１２で
は、事故予測の対象であるメッシュＡにおいて“事故有
り”の判別結果が得られたときは、判別信号として
「１」を出力する。メッシュＡが“事故無し”であっ
て、近傍メッシュＢ，Ｃ…Ｉから“事故有り”の判別結
果が出ているときは、事故を予測しているメッシュの数
にかかわらず判別信号として「0.5 」を出力する。どの
メッシュからも事故予測が出ていないときには、判別信
号として「０」を出力する。
ュＡ）の気象データをニューラルネット１に入力して事
故の有無を判別させると共に、その近傍の区域（メッシ
ュＢ，Ｃ…Ｉ）の気象データもそれぞれのニューラルネ
ット１に入力して事故予測を行わせる。そしてこれらの
判別結果を演算回路１２に入力する。演算回路１２で
は、事故予測の対象であるメッシュＡにおいて“事故有
り”の判別結果が得られたときは、判別信号として
「１」を出力する。メッシュＡが“事故無し”であっ
て、近傍メッシュＢ，Ｃ…Ｉから“事故有り”の判別結
果が出ているときは、事故を予測しているメッシュの数
にかかわらず判別信号として「0.5 」を出力する。どの
メッシュからも事故予測が出ていないときには、判別信
号として「０」を出力する。
【００２８】この判別信号を受けた警報出力機構３は、
例えば「１」のときは赤、「0.5 」のときにはピンクを
表示し、「０」のときには表示なしとする。
例えば「１」のときは赤、「0.5 」のときにはピンクを
表示し、「０」のときには表示なしとする。
【００２９】このように構成した装置によって、前記実
施例と同様な10件の気象データを使用して判別テストを
行い、判別信号（事故予測アラーム）が「0.5 」の時に
は0.5 件検出できたものとしてカウントしたところ、6.
5 件の事故予測を的中させることができた。すなわちこ
の第二の実施例によって、より一層事故予測確度を向上
させることができた。このことは、大局的な事故予測を
行うことで、事故予測の対象となる区域の境界付近につ
いては、そのメッシュの気象状況よりも周囲のメッシュ
の気象状況に近いことも予想されるので、より正確な気
象データを入力するのと同じ作用が得られると考えられ
る。
施例と同様な10件の気象データを使用して判別テストを
行い、判別信号（事故予測アラーム）が「0.5 」の時に
は0.5 件検出できたものとしてカウントしたところ、6.
5 件の事故予測を的中させることができた。すなわちこ
の第二の実施例によって、より一層事故予測確度を向上
させることができた。このことは、大局的な事故予測を
行うことで、事故予測の対象となる区域の境界付近につ
いては、そのメッシュの気象状況よりも周囲のメッシュ
の気象状況に近いことも予想されるので、より正確な気
象データを入力するのと同じ作用が得られると考えられ
る。
【００３０】なお、演算回路１２では、近傍メッシュの
事故予測だけからも判別信号「１」を出力させるように
してもよい。また近傍メッシュの数に応じて判別信号を
「0.1,0.2,…0.9 」のように変化させてもよい。また近
傍メッシュの選択は、周辺の8 個全部ではなく、その一
部としてもよい。またさらに外側のメッシュを使用して
もよい。その場合の判別信号としては、周囲に行くほど
評価点を小さくするものとしてもよい。
事故予測だけからも判別信号「１」を出力させるように
してもよい。また近傍メッシュの数に応じて判別信号を
「0.1,0.2,…0.9 」のように変化させてもよい。また近
傍メッシュの選択は、周辺の8 個全部ではなく、その一
部としてもよい。またさらに外側のメッシュを使用して
もよい。その場合の判別信号としては、周囲に行くほど
評価点を小さくするものとしてもよい。
【００３１】また図２ではニューラルネット１を各メッ
シュＡ…Ｉ毎に設けるものとしたが、メッシュ毎に用意
するのではなく、共通にして時間差をおいて入力し、順
次判別させるようにすることも可能である。
シュＡ…Ｉ毎に設けるものとしたが、メッシュ毎に用意
するのではなく、共通にして時間差をおいて入力し、順
次判別させるようにすることも可能である。
【００３２】なお以上の実施例では、送電線の雪害予測
システムに適用した場合において示したが、本発明は他
の施設等の気象被害を事前に予測するものとして広く適
用できるものである。
システムに適用した場合において示したが、本発明は他
の施設等の気象被害を事前に予測するものとして広く適
用できるものである。
【００３３】
【発明の効果】以上要するに本発明によれば、次のよう
な優れた効果を発揮する。
な優れた効果を発揮する。
【００３４】(1) 請求項１記載の方法によれば、ニュー
ラルネットの規模を大きくすることなく、確度の高い事
故予測を行うことができる。
ラルネットの規模を大きくすることなく、確度の高い事
故予測を行うことができる。
【００３５】(2) 請求項２記載の方法によれば、種々の
被害発生パターンに対応でき、事故予測確度を向上させ
ることができる。
被害発生パターンに対応でき、事故予測確度を向上させ
ることができる。
【００３６】(3) 請求項３記載の方法によれば、入力デ
ータを実質的により正確なものにでき、一層の予測確度
向上が達成される。
ータを実質的により正確なものにでき、一層の予測確度
向上が達成される。
【００３７】(4) 請求項４記載の装置によれば、実用的
な構成にて予測確度の高い予測装置が実現できる。
な構成にて予測確度の高い予測装置が実現できる。
【図１】本発明に係わる気象被害発生予測装置の第一の
実施例を示した構成図である。
実施例を示した構成図である。
【図２】本発明に係わる気象被害発生予測装置の第二の
実施例を示した構成図である。
実施例を示した構成図である。
【図３】図２のメッシュを説明するためのメッシュ地図
である。
である。
【図４】本発明に係わる気象被害発生予測方法の一実施
例となる図１の作用を示したフローチャートである。
例となる図１の作用を示したフローチャートである。
１ ニューラルネット ２ 情報処理機構 ３ 警報出力機構
───────────────────────────────────────────────────── フロントページの続き (72)発明者 狩野 均 茨城県日立市日高町５丁目１番１号 日 立電線株式会社オプトロシステム研究所 内 (72)発明者 金丸 公春 茨城県日立市日高町５丁目１番１号 日 立電線株式会社オプトロシステム研究所 内 (56)参考文献 特開 平４−220758（ＪＰ，Ａ)
Claims (4)
- 【請求項１】 学習制御を行う情報処理機構に既存の事
故発生時の気象データを学習させて、気象データの入力
により事故の発生の有無を判別するニューラルネットを
構築しておき、対象区域の現況以前の実測気象データ及
び以降の予測気象データを上記ニューラルネットに入力
させて、事故発生有りと判別されたときに、警報を所定
時間だけ継続して発報させることを特徴とする気象被害
発生予測方法。 - 【請求項２】 上記所定時間が、上記予測気象データに
基づいて設定される請求項１記載の気象被害発生予測方
法。 - 【請求項３】 上記対象区域の気象データとして、対象
区域周辺の区域の気象データも含めたものとする請求項
１又は２に記載の気象被害発生予測方法。 - 【請求項４】 既存の事故発生時の気象データを学習し
て構築されたニューラルネットを有し対象区域の気象デ
ータが入力されたときに事故の発生の有無を判別する情
報処理機構と、該情報処理機構の判別結果に応じた警報
を所定時間だけ出力する警報出力機構とを備えたことを
特徴とする気象被害発生予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP647092A JP2726589B2 (ja) | 1992-01-17 | 1992-01-17 | 気象被害発生予測方法及びその装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP647092A JP2726589B2 (ja) | 1992-01-17 | 1992-01-17 | 気象被害発生予測方法及びその装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH05197708A JPH05197708A (ja) | 1993-08-06 |
| JP2726589B2 true JP2726589B2 (ja) | 1998-03-11 |
Family
ID=11639345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP647092A Expired - Lifetime JP2726589B2 (ja) | 1992-01-17 | 1992-01-17 | 気象被害発生予測方法及びその装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2726589B2 (ja) |
-
1992
- 1992-01-17 JP JP647092A patent/JP2726589B2/ja not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| JPH05197708A (ja) | 1993-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106030678B (zh) | 预测交通流量的方法及装置 | |
| Moseholm et al. | Forecasting carbon monoxide concentrations near a sheltered intersection using video traffic surveillance and neural networks | |
| CN110807924A (zh) | 基于全量全样实时交通数据的多参数融合方法及系统 | |
| CN107451709A (zh) | 在地图上显示atm站点或其它远程监控站点的动态风险水平指示符的系统和方法 | |
| CN103559557A (zh) | 基于电力系统输电线路的舞动预警方法及系统 | |
| CN100565557C (zh) | 基于粒子动态采样模型的红外人体目标跟踪系统 | |
| Wang et al. | Interactive multiple model ensemble Kalman filter for traffic estimation and incident detection | |
| CN111814668A (zh) | 用于检测道路抛洒物的方法和装置 | |
| WO2024022059A1 (zh) | 环境检测报警方法、装置、计算机设备及存储介质 | |
| Pittore et al. | Toward a loss‐driven earthquake early warning and rapid response system for Kyrgyzstan (Central Asia) | |
| CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
| CN109215275A (zh) | 一种基于温度数据在电网运行中的火灾监测预警方法 | |
| CN113096445B (zh) | 一种以视觉航标为通讯节点的智能航路设计方法 | |
| CN117894178B (zh) | 一种基于智慧高速的智慧云监理系统 | |
| KR100703818B1 (ko) | 차량 검지기를 이용한 교통관리 시스템 | |
| JP2726589B2 (ja) | 気象被害発生予測方法及びその装置 | |
| Yin et al. | Detecting illegal pickups of intercity buses from their gps traces | |
| JP2726589C (ja) | ||
| Mak et al. | Development of dual-station automated expressway incident detection algorithms | |
| Dorrazehi et al. | A Warning System Design for Camel-Vehicle Collisions Mitigation | |
| JPH08194070A (ja) | 送電線雪害警報システム及び雪害判定装置 | |
| CN115081341B (zh) | 一种流域洪水仿真预警方法及系统 | |
| JP7429254B2 (ja) | 情報処理装置 | |
| JPH06105428A (ja) | 送電線雪害予測方法 | |
| Chung et al. | Comparative study of freeway incident detection algorithms using real-life incident data |