JP3181018B2 - Weather forecasting device - Google Patents
Weather forecasting deviceInfo
- Publication number
- JP3181018B2 JP3181018B2 JP30882895A JP30882895A JP3181018B2 JP 3181018 B2 JP3181018 B2 JP 3181018B2 JP 30882895 A JP30882895 A JP 30882895A JP 30882895 A JP30882895 A JP 30882895A JP 3181018 B2 JP3181018 B2 JP 3181018B2
- Authority
- JP
- Japan
- Prior art keywords
- weather radar
- time
- weather
- radar image
- image
- 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 - Fee Related
Links
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
- Radar Systems Or Details Thereof (AREA)
Description
【０００１】[0001]
【発明の属する技術分野】本発明は、実測された気象レ
ーダ画像により気象のダイナミックスを学習する神経回
路網モデルを有する気象予測装置に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a weather forecasting device having a neural network model for learning weather dynamics from actually measured weather radar images.
【０００２】[0002]
【従来の技術】従来の気象予測装置、例えば特開平７−
６３８６１号，特開平７−２０２５５号，特開平７−１
２８４５６号などにおいては、図４に示すように、気象
レーダ画像を入力する入力部１、入力された気象レーダ
画像を記憶する記憶部２、気象レーダ画像を格子点に分
解して各格子点に積和計算ユニットを配置する分配部
３、実測のレーダ画像を入力して神経回路網モデルの学
習をして各格子点の近傍の属性に割り当てられる係数を
計算する学習部５、学習部５により計算された係数を用
いて一定時間後の予測気象レーダ画像を計算する予測部
６、およびこの装置の各部の動作を制御する制御部７か
らなる。また、学習部５と予測部６は、各格子点に対応
して配置され、神経回路網モデルにより各格子点の近傍
の属性の値に係数を乗じて積和を並列計算する積和計算
部４を有する。2. Description of the Related Art A conventional weather forecasting device, for example, disclosed in
No. 63861, JP-A-7-20255, JP-A-7-1
In No. 28456 and the like, as shown in FIG. 4, an input unit 1 for inputting a weather radar image, a storage unit 2 for storing the input weather radar image, a weather radar image is decomposed into grid points, and A distribution unit 3 in which a sum-of-products calculation unit is arranged, a learning unit 5 that inputs a measured radar image, learns a neural network model, and calculates coefficients assigned to attributes near each lattice point; It comprises a prediction unit 6 for calculating a predicted weather radar image after a certain time using the calculated coefficients, and a control unit 7 for controlling the operation of each unit of the device. The learning unit 5 and the prediction unit 6 are arranged corresponding to the respective grid points, and multiply the values of the attributes in the vicinity of the respective grid points by a coefficient using a neural network model to calculate the product sum in parallel. 4
【０００３】上述の気象予測装置は、図５に示すよう
に、先ず、神経回路網モデルの各格子点の重み付け係数
ｗに適当な値、例えば乱数を与えて神経回路網モデルを
設定し、比較的短いサンプリング時間間隔ｈで実測され
た２つの気象レーダ画像Ｉ（ｔ−ｈ），Ｉ（ｔ）を入力
して、２つの実測時刻間のレーダ画像の時間的変化によ
り対応する各格子点の重み付け係数ｗを各格子点ごとに
求めて神経回路網モデルを更新する。As shown in FIG. 5, the above-mentioned weather forecasting apparatus first sets a neural network model by giving an appropriate value, for example, a random number, to a weighting coefficient w of each grid point of the neural network model. The two weather radar images I (th−h) and I (t) actually measured at a sampling time interval h that is extremely short are input, and the corresponding grid points of the grid points corresponding to the temporal change of the radar image between the two actual measurement times are input. The weighting coefficient w is obtained for each grid point to update the neural network model.
【０００４】次に、この神経回路網モデルの気象ダイナ
ミックスの学習のため、予め予測した気象レーダ画像を
Ｉ’（ｔ0 ＋ｈ）、時刻（ｔ0 ＋ｈ）に実測された気象
レーダ画像をＩ（ｔ0 ＋ｈ）とするとき、予測気象レー
ダ画像Ｉ’（ｔ0 ＋ｈ）の実測画像からの誤差の２乗の
関数Ｆ、すなわち、Next, in order to learn the weather dynamics of the neural network model, the weather radar image predicted in advance is I '(t 0 + h), and the weather radar image actually measured at the time (t 0 + h) is I When (t 0 + h), the function F of the square of the error of the predicted weather radar image I ′ (t 0 + h) from the actually measured image, that is,
【０００５】[0005]
【数１】 を評価関数として定め、この評価関数Ｆを最小にするよ
うに各格子点の重み付け係数ｗを設定することにより行
なわれる。(Equation 1) Is set as an evaluation function, and the weighting coefficient w of each grid point is set so as to minimize the evaluation function F.
【０００６】その後、最近実測された画像Ｉ（Ｔ）の各
格子点にこの重み付け係数ｗを乗じて各格子点の値を計
算してｈ時間後の予測値を求め、各格子点の予測値を集
めてｈ時間後の予測画像Ｉ’（Ｔ＋ｈ）を出力する。こ
の操作を各格子点ごとに同じ重み付け係数ｗを用いてＮ
回繰り返すことにより、サンプリング時間間隔ｈの整数
Ｎ倍の長い時間経過後の時刻の予測画像Ｉ’（Ｔ＋Ｎ
ｈ）を計算して出力する。After that, each grid point of the image I (T) which has been measured recently is multiplied by the weighting coefficient w to calculate the value of each grid point to obtain a predicted value after h time. And outputs a predicted image I ′ (T + h) after h hours. This operation is performed by using the same weighting coefficient w for each grid point.
By repeating this time, the predicted image I ′ (T + N
h) is calculated and output.
【０００７】[0007]
【発明が解決しようとする課題】しかし、上述のように
従来の気象予測装置は、神経回路網モデルの学習に式
（１）の評価関数が用いられ、ある時刻の実測気象レー
ダ画像と予め計算されたその時刻の予測気象レーダ画像
とを比較して、その誤差を最小にするように重み付け係
数を設定していたが、係数設定時の時間間隔より長い時
間経過後の時刻の予測気象レーダ画像を求めるときに、
先に予測した気象レーダ画像を再帰的に入力して同じ重
み付け係数を用いて次々と予測を繰り返しているので、
予測誤差が蓄積されて、予測時間の長くなるのに伴って
予測精度が低下するという問題点があった。However, as described above, in the conventional weather forecasting apparatus, the evaluation function of the equation (1) is used for learning the neural network model, and the actual weather radar image at a certain time is calculated in advance. The weighted coefficient was set so as to minimize the error by comparing the predicted weather radar image at that time with the predicted weather radar image at that time, but the predicted weather radar image at a time after a lapse of time longer than the time interval at the time of setting the coefficient was set. When asking for
Since the weather radar image predicted earlier is recursively input and the prediction is repeated one after another using the same weighting factor,
There is a problem that the prediction error is accumulated and the prediction accuracy decreases as the prediction time becomes longer.
【０００８】本発明の目的は、この問題点を改良し、予
測時間の長期化に伴う予測精度の低下を防止できる気象
予測方法とその装置を提供することにある。It is an object of the present invention to provide a weather forecasting method and a weather forecasting method which can solve this problem and prevent a decrease in forecasting accuracy due to a longer forecasting time.
【０００９】[0009]
【課題を解決するための手段】本発明の気象予測方法
は、先ず従来と同様にして、重み付け係数設定時の気象
レーダ画像の実測された時刻から一定の時間間隔の複数
の時刻における気象データ画像を予測した後、それぞれ
の予測時刻において実測された複数の気象レーダ画像を
入力し、各同一時刻の対応する予測気象レーダ画像と実
測気象レーダ画像とを比較してその誤差を求め、各予測
気象レーダ画像の誤差を２乗して、さらに時間経過に基
づく所定の係数を乗じて合計したものを学習の評価関数
とし、評価関数が最小になるように神経回路網モデルを
補正することにより学習を行い、学習した神経回路網モ
デルに新たに実測された気象レーダ画像を入力してそれ
以後の時刻の気象レーダ画像を予測して出力する。According to the weather forecasting method of the present invention, first, in the same manner as in the prior art, a weather data image at a plurality of times at fixed time intervals from the actually measured time of the weather radar image at the time of setting the weighting coefficient. Then, a plurality of weather radar images actually measured at each predicted time are input, and the corresponding predicted weather radar image at each same time is compared with the actually measured weather radar image to determine an error thereof. The learning function is obtained by squaring the error of the radar image, further multiplying the squared error by a predetermined coefficient based on the elapsed time, and using the sum as a learning evaluation function, and correcting the neural network model so that the evaluation function is minimized. Then, a newly measured weather radar image is input to the learned neural network model, and a weather radar image at a later time is predicted and output.
【００１０】すなわち、本発明の気象予測方法は、実測
レーダ画像Ｉ（ｔ−ｋ）を入力して求めた予測レーダ画
像Ｉ’（ｔ），Ｉ’（ｔ＋ｋ），・・・Ｉ’（ｔ＋（Ｎ
−１）ｋ）と、対応する同一時刻の実測レーダ画像Ｉ
（ｔ），Ｉ（ｔ＋ｋ），・・・Ｉ（ｔ＋（Ｎ−１）ｋ）
とを用いて学習に用いる実測気象レーダ画像と予測気象
レーダ画像のＮ個の各対に属する係数λ0 〜λN-1 を定
めてこれを評価関数Ｆに導入して、That is, according to the weather forecasting method of the present invention, the predicted radar images I '(t), I' (t + k),... I '(t +) obtained by inputting the actually measured radar images I (tk). (N
-1) k) and the corresponding measured radar image I at the same time
(T), I (t + k),... I (t + (N−1) k)
The coefficients λ 0 to λ N-1 belonging to each of the N pairs of the actually measured weather radar image and the predicted weather radar image used for learning are determined and introduced into the evaluation function F,
【００１１】[0011]
【数２】 として、この評価関数Ｆを最小とする各格子点の重み付
け係数ｗを設定することを目標とする。ここで、Ｎは学
習に用いる予測気象レーダ画像の個数である。図３にこ
の学習の評価および予測実施の様子を示す。(Equation 2) The goal is to set a weighting coefficient w for each grid point that minimizes the evaluation function F. Here, N is the number of predicted weather radar images used for learning. FIG. 3 shows how the learning is evaluated and predicted.
【００１２】本発明の気象予測装置の学習部は、予め予
測計算された連続する複数の時刻の予測気象レーダ画像
とこれに対応して同じ連続する各時刻に実測され、記憶
部に格納された複数の気象レーダ画像とを個別に比較し
てその誤差を求める手段と、これらの各時刻の誤差を２
乗してそれぞれに所定の係数を乗じたものを合計して学
習の評価関数とする手段と、その学習の評価関数を最小
とするように各格子点の重み付け係数を更新する手段と
を備えている。The learning unit of the weather forecasting apparatus of the present invention measures predicted weather radar images at a plurality of consecutive times that are calculated in advance and correspondingly measures the same at each successive time and stores them in the storage unit. Means for individually comparing a plurality of weather radar images to determine the error;
Means for obtaining a learning evaluation function by summing values obtained by multiplying the respective coefficients by a predetermined coefficient, and means for updating a weighting coefficient of each grid point so as to minimize the learning evaluation function. I have.
【００１３】[0013]
【発明の実施の形態】次に、本発明の実施例について図
面を参照して説明する。Next, an embodiment of the present invention will be described with reference to the drawings.
【００１４】図１は本発明の気象予測装置の１実施例の
ブロック図、図２は図１の気象予測装置の動作フローチ
ャート、図３は図１の気象予測装置の神経回路網モデル
による学習および予測実施の流れを示す図である。FIG. 1 is a block diagram of an embodiment of the weather forecasting apparatus of the present invention, FIG. 2 is an operation flowchart of the weather forecasting apparatus of FIG. 1, and FIG. It is a figure showing the flow of prediction execution.
【００１５】図１において、この気象予測装置の構成
は、入力部100 、処理部200 、出力部300 からなり、入
力部100 には降雨、降雪の領域を計測する気象レーダの
画像入力部101 と、実測および予測された気象レーダ画
像のデータが格納されるファイル記憶装置102 とを含
み、処理部200 には入力された気象レーダ画像により気
象ダイナミックスを学習して神経回路網モデルを更新す
る学習部201 と、その神経回路網モデルにより連続する
複数の時刻の気象レーダ画像を計算する予測部202とを
含み、出力部300 には予測結果を表示するディスプレイ
装置を含む。In FIG. 1, the structure of the weather forecasting apparatus includes an input unit 100, a processing unit 200, and an output unit 300. The input unit 100 includes an image input unit 101 of a weather radar for measuring rainfall and snowfall areas. And a file storage device 102 in which data of the actually measured and predicted weather radar images are stored. The processing unit 200 learns weather dynamics based on the input weather radar images and updates the neural network model. A unit 201 and a prediction unit 202 for calculating weather radar images at a plurality of consecutive times based on the neural network model. An output unit 300 includes a display device for displaying prediction results.
【００１６】この装置の特徴は、学習の評価関数に時系
列的な係数λを導入したことで、学習部201 の気象ダイ
ナミックスの学習の際に、実測されたレーダ画像と比較
して求められた連続する各時刻の予測レーダ画像の誤差
の２乗にそれぞれこの時系列的な係数λ0 〜λN=1 を乗
じ、その合計値を評価関数Ｆとしてこの評価関数を最小
値とする重み付け係数ｗを求めるものである。The feature of this apparatus is that, by introducing a time-series coefficient λ into the evaluation function of learning, the learning unit 201 learns the weather dynamics and compares it with the actually measured radar image. Weighting coefficients for multiplying the square of the error of the predicted radar image at each successive time by the time-series coefficients λ 0 to λ N = 1 , and using the total value as an evaluation function F to minimize this evaluation function. to determine w.
【００１７】なお、本発明においては、この重み付け係
数ｗは、格子点に属しない隠れ層の重み付け等をも含
む。In the present invention, the weighting coefficient w includes the weighting of a hidden layer that does not belong to a grid point.
【００１８】次に、この装置の動作について図２および
図３により説明する。Next, the operation of the apparatus will be described with reference to FIGS.
【００１９】まず、神経回路網モデルの重み付け係数ｗ
として適当な値、例えば乱数を与えて初期値とし、神経
回路網モデルの学習のために、気象レーダ101 により計
測された２つの気象レーダ画像Ｉ（ｔ−ｈ），Ｉ（ｔ）
が処理部200 に転送される。それとともに、ファイル記
憶装置102 から過去の気象レーダ画像や重み付け係数ｗ
などのデータが読み込まれる。学習部201 は、入力部10
0 から転送されたこれらの気象レーダ画像とファイル記
憶装置102 から読み込まれたデータを用いて式（２）の
評価関数Ｆの値を最小とする重み付け係数ｗを求め、こ
れを予測のための重み付け係数として神経回路網モデル
に設定する。First, the weighting coefficient w of the neural network model
The two weather radar images I (t-h) and I (t) measured by the weather radar 101 for learning of the neural network model are given appropriate values, for example, random numbers.
Is transferred to the processing unit 200. At the same time, past weather radar images and weighting coefficients w are stored in the file storage device 102.
And other data are read. The learning unit 201 includes the input unit 10
A weighting coefficient w that minimizes the value of the evaluation function F of the equation (2) is obtained using these weather radar images transferred from the data storage unit 0 and the data read from the file storage device 102, and weights the weighting coefficients for prediction. It is set as a coefficient in the neural network model.
【００２０】次に処理部200 は、入力部100 から時刻ｔ
に実測された気象レーダ画像Ｉ（ｔ）を読み込み、従来
と同様にして時刻ｔから一定時間ｈ間隔ごとに予測気象
レーダ画像Ｉ’（ｔ＋ｈ）〜Ｉ’（ｔ＋ｎｈ）を生成
し、その予測結果を出力部300に転送してディスプレイ
などに表示するとともに、ファイル記憶装置102 にも格
納する。ここまでの処理は、従来の処理と同様である。Next, the processing unit 200 receives the time t from the input unit 100.
The weather radar image I (t) actually measured is read, and predicted weather radar images I ′ (t + h) to I ′ (t + nh) are generated at regular time intervals h from time t in the same manner as in the past, and the prediction result is obtained. Is transferred to the output unit 300 and displayed on a display or the like, and is also stored in the file storage device 102. The processing so far is the same as the conventional processing.
【００２１】次に、時刻（ｔ＋ｈ）〜（ｔ＋Ｎｈ）のＮ
個の気象レーダ画像が実測された後、先に予測した気象
レーダ画像Ｉ’（ｔ＋ｈ）〜Ｉ’（ｔ＋Ｎｈ）とこれら
に対応する時刻に実測された気象レーダ画像Ｉ（ｔ＋
ｈ）〜Ｉ（ｔ＋Ｎｈ）とをそれぞれ比較して、その予測
誤差ｅ0 〜ｅN-1 を求め、さらにそれぞれの予測誤差ｅ
0 〜ｅN-1 の２乗に係数λ0 〜λN-1 を乗じてその合計
により評価関数Ｆを設定する。Next, at time (t + h) to (t + Nh), N
After the weather radar images were actually measured, the weather forecast
Radar images I '(t + h) to I' (t + Nh) and these
Weather radar image I (t +
h) to I (t + Nh), respectively, and
Error e0 ~ EN-1 , And the respective prediction errors e
0 ~ EN-1 Squared with the coefficient λ0 ~ ΛN-1 Multiplied by
Sets the evaluation function F according to
【００２２】それから後は、この評価関数Ｆを最小にす
る神経回路網モデルの重み付け係数ｗを、所定の時間間
隔ごとに同様の手順により設定する。Thereafter, the weighting factor w of the neural network model that minimizes the evaluation function F is set at a predetermined time interval by the same procedure.
【００２３】その後、改めて最近実測された気象レーダ
画像Ｉ（Ｔ）をこの神経回路網モデルに入力することに
より、時刻（Ｔ＋ｈ）乃至（Ｔ＋ｎｈ）の予測画像Ｉ’
（Ｔ＋ｈ）乃至Ｉ’（Ｔ＋ｎｈ）が得られる。Thereafter, the weather radar image I (T) recently measured is input again to this neural network model, so that the predicted image I 'from time (T + h) to (T + nh) is obtained.
(T + h) to I ′ (T + nh) are obtained.
【００２４】従来の方法と本実施例との相違点は、式
（２）において、ｋ＝０，λk ＝λo＝１，Ｎ＝１とす
ると、式（１）に等しくなる。すなわち、学習に用いる
予測気象レーダ画像の数Ｎが従来は１であったのに対し
て、本方式が複数Ｎであることと、その複数の予測気象
レーダ画像の実測との誤差に対して時系列的に定められ
る係数λk を乗じたことにある。換言すれば、本方式
は、従来の神経回路網モデルの学習方法をより一般化し
たものであり、本方式によって従来法の誤差の累積とい
う問題点を解消し、長時間先の予測精度の向上を図るこ
とができる。The difference between the conventional method and the present embodiment is that if k = 0, λk = λo = 1, and N = 1 in equation (2), it becomes equal to equation (1). That is, while the number N of predicted weather radar images used for learning has been one in the past, this method has a plurality of N, and the error between the actual measurement of the plurality of predicted weather radar images and It has been multiplied by a coefficient λk determined in a series. In other words, this method is a more generalized version of the conventional neural network model learning method, and solves the problem of error accumulation in the conventional method by using this method, and improves the prediction accuracy ahead of a long time. Can be achieved.
【００２５】[0025]
【発明の効果】上述のように本発明は、神経回路網モデ
ルの学習にあたり、当初に予測した複数の時刻の予測気
象レーダ画像と、各時刻に対応して実測された気象レー
ダ画像とを比較して、それぞれの誤差の２乗に重み付け
したものの総合計を学習の評価関数とし、この評価関数
を最小化することにより、短時間間隔の１組の実測気象
レーダ画像から求められた２次画像を外挿することによ
る予測精度の低下を軽減し、予測の精度を向上できる効
果がある。As described above, the present invention compares the predicted weather radar images at a plurality of times predicted at the beginning with the weather radar images actually measured at each time when learning the neural network model. Then, the total sum of the weighted squares of the respective errors is used as a learning evaluation function, and by minimizing this evaluation function, a secondary image obtained from a set of measured weather radar images at short time intervals is obtained. Is extrapolated to reduce a decrease in prediction accuracy, and the prediction accuracy can be improved.
【図１】本発明の気象予測装置の１実施例のブロック図
である。FIG. 1 is a block diagram of one embodiment of a weather forecasting device of the present invention.
【図２】図１の気象予測装置の動作の流れ図である。FIG. 2 is a flowchart of the operation of the weather forecasting apparatus of FIG. 1;
【図３】図１の気象予測装置の神経回路網モデルによる
学習の評価から予測実施までの経過を示す図である。FIG. 3 is a diagram showing a process from evaluation of learning by a neural network model of the weather forecasting device of FIG. 1 to execution of prediction.
【図４】典型的な気象予測装置の構成を示すブロック図
である。FIG. 4 is a block diagram illustrating a configuration of a typical weather forecasting device.
【図５】従来の神経回路網モデルの学習と予測の流れを
示す図である。FIG. 5 is a diagram showing a flow of learning and prediction of a conventional neural network model.
１００ 入力部 １０１ 気象レーダ １０２ ファイル記憶装置 ２００ 処理部 ５，２０１ 学習部 ６，２０２ 予測部 ３００ 出力部 １ 入力部 ２ 記憶部 ３ 分配部 ４ 積和計算部 ７ 制御部 Ｓ１〜Ｓ１１ 処理ステップ Reference Signs List 100 input unit 101 weather radar 102 file storage device 200 processing unit 5, 201 learning unit 6, 202 prediction unit 300 output unit 1 input unit 2 storage unit 3 distribution unit 4 sum of products calculation unit 7 control unit S1 to S11 processing steps
───────────────────────────────────────────────────── フロントページの続き (72)発明者 曽根原 登 東京都新宿区西新宿三丁目19番２号 日 本電信電話株式会社内 (56)参考文献 特開 平７−146375（ＪＰ，Ａ) 特開 平８−271649（ＪＰ，Ａ) 特開 平９−21884（ＪＰ，Ａ) 特開 平９−21883（ＪＰ，Ａ) 特開 平９−90057（ＪＰ，Ａ) (58)調査した分野(Int.Cl.7，ＤＢ名) G01W 1/00 - 1/18 G01S 13/95 G06F 15/18 550 ＪＩＣＳＴファイル（ＪＯＩＳ)──────────────────────────────────────────────────続 き Continuation of the front page (72) Inventor Noboru Sonehara 3-19-2 Nishi-Shinjuku, Shinjuku-ku, Tokyo Within Nippon Telegraph and Telephone Corporation (56) References JP-A-7-146375 (JP, A) JP-A-8-271649 (JP, A) JP-A-9-21884 (JP, A) JP-A-9-21883 (JP, A) JP-A-9-90057 (JP, A) (58) Int.Cl. 7 , DB name) G01W 1/00-1/18 G01S 13/95 G06F 15/18 550 JICST file (JOIS)
Claims (3)
をモデル化し、入力された実測の気象レーダ画像を元と
して学習することにより重み付け係数を更新する神経回
路網モデルを有し、入力された気象レーダ画像の実測時
以後の気象レーダ画像の各格子点の値を前記神経回路網
モデルにより計算して予測気象レーダ画像を出力する気
象予測方法において、 神経回路網モデルの重み付け係数を設定する第１の手順
と、 第１の時刻に実測された気象レーダ画像を第１次画像と
し、前記第１次画像を前記神経回路網モデルに入力する
ことにより、前記第１の時刻から所定の時間経過後の時
刻の予測気象レーダ画像を計算して第２次画像とする第
２の手順と、 前記計算された第２次画像を新たな第１次画像として前
記神経回路網モデルに入力して、前記所定の時間ｈ経過
後の時刻からさらに同じ経過時間ｈ間隔ごとの時刻の予
測気象レーダ画像を計算して第２次画像とすることを所
望の回数繰り返す第３の手順と、 前記第２次画像として求められた一定の経過時間間隔の
連続する複数の時刻の予測気象レーダ画像と前記各予測
気象レーダ画像に対応する時刻に実測された気象レーダ
画像とを入力し、各時刻別に個別に比較してそれぞれの
誤差を求める第４の手順と、 前記各誤差の２乗に経過時間ごとに定められる係数λを
乗じて総合計を求めて、この総合計を学習の評価関数と
する第５の手順と、 前記評価関数を最小化するように前記各格子点の重み付
け係数を更新して神経回路網モデルを更新する第６の手
順と、 前記更新された神経回路網モデルに最近の第２の時刻に
実測された気象レーダ画像を入力して前記第２の時刻か
ら前記一定の時間ｈ間隔の所望の連続するｎ個の時刻の
気象レーダ画像を予測する第７の手順を有することを特
徴とする気象予測方法。1. A neural network model that models a temporal change of each grid point of a weather radar image and updates a weighting coefficient by learning based on an input actually measured weather radar image. In the weather forecasting method of calculating the value of each grid point of the weather radar image after the actual measurement of the weather radar image using the neural network model and outputting a predicted weather radar image, a weighting coefficient of the neural network model is set. A first procedure, wherein a weather radar image actually measured at a first time is used as a primary image, and the primary image is input to the neural network model, so that a predetermined time from the first time is obtained. A second procedure for calculating a predicted weather radar image at a time after the lapse of time to obtain a secondary image, and inputting the calculated secondary image to the neural network model as a new primary image , A third procedure of repeating a desired number of times of calculating a predicted weather radar image at a time every the same elapsed time h interval from the time after the predetermined time h has elapsed and making it a secondary image; Input predicted weather radar images at a plurality of consecutive times of a certain elapsed time interval obtained as images and weather radar images actually measured at times corresponding to the respective predicted weather radar images, and individually compare each time A fourth procedure for obtaining each error, and a fifth procedure for obtaining a total sum by multiplying the square of each error by a coefficient λ determined for each elapsed time, and using the total sum as a learning evaluation function. A sixth procedure for updating the neural network model by updating the weighting coefficient of each of the grid points so as to minimize the evaluation function; and a second procedure for updating the neural network model, Weather measured at the time Weather prediction method characterized by having a seventh step of predicting the desired weather radar images of n consecutive time over da image input from the second time of the predetermined time h intervals.
デルにより予測された複数の気象レーダ画像を用いて前
記第４、第５および第６の手順を実施する請求項１に記
載の気象予測方法。2. The weather forecast according to claim 1, wherein the fourth, fifth, and sixth procedures are performed using a plurality of weather radar images predicted by a neural network model already learned at the latest time. Method.
力部と、前記入力された気象レーダ画像と予測計算され
た気象レーダ画像とのデータが格納される記憶部と、前
記記憶部に格納された気象レーダ画像により気象レーダ
画像の重み付け係数の時間的変化をモデルとする神経回
路網モデルの学習を行なう学習部と、前記学習部により
学習された神経回路網モデルと新に入力された実測の気
象レーダ画像とにより前記新に入力された気象レーダ画
像の実測された時刻以後の気象レーダ画像を予測計算す
る予測部と、前記予測部により予測計算された気象レー
ダ画像を出力する出力部とを有する気象予測装置におい
て、 前記学習部は、所定の連続する複数の時刻に実測され前
記記憶部に格納された複数の気象レーダ画像と、前記複
数の時刻のそれぞれに対応して予め予測計算された気象
レーダ画像とを個別に比較してその予測誤差を求める第
１の手段と、 前記手段により求められた各時刻の予測誤差を２乗して
それぞれに所定の係数を乗じたものを合計して学習の評
価関数とする第２の手段と、 前記学習の評価関数を最小とするように前記各格子点の
属性の重み付け係数を更新する第３の手段とを有するこ
とを特徴とする気象予測装置3. An input unit for inputting a measured weather radar image, a storage unit for storing data of the input weather radar image and a predicted and calculated weather radar image, and a storage unit for storing data of the weather radar image. A learning unit that learns a neural network model that models a temporal change of a weighting coefficient of the weather radar image using the weather radar image, and a neural network model learned by the learning unit and a newly input measurement. A prediction unit for predicting and calculating a weather radar image after the actually measured time of the newly input weather radar image with the weather radar image, and an output unit for outputting the weather radar image predicted and calculated by the prediction unit. In the weather forecasting apparatus, the learning unit includes a plurality of weather radar images actually measured at a plurality of predetermined consecutive times and stored in the storage unit, and a plurality of First means for individually comparing a weather radar image which has been predicted and calculated in advance for each of them to obtain a prediction error thereof, and squaring the prediction error of each time obtained by the means to obtain a prediction error. A second means for summing the products multiplied by a predetermined coefficient to obtain a learning evaluation function; and a third means for updating the weighting coefficient of the attribute of each grid point so as to minimize the learning evaluation function. And a weather forecasting device characterized by having
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP30882895A JP3181018B2 (en) | 1995-11-28 | 1995-11-28 | Weather forecasting device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP30882895A JP3181018B2 (en) | 1995-11-28 | 1995-11-28 | Weather forecasting device |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH09145851A JPH09145851A (en) | 1997-06-06 |
| JP3181018B2 true JP3181018B2 (en) | 2001-07-03 |
Family
ID=17985799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP30882895A Expired - Fee Related JP3181018B2 (en) | 1995-11-28 | 1995-11-28 | Weather forecasting device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3181018B2 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6310837B1 (en) | 1997-02-12 | 2001-10-30 | Tdk Corporation | Magnetic recording medium |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6307500B1 (en) * | 1999-08-13 | 2001-10-23 | University Corporation For Atmospheric Research | Method of moment estimation and feature extraction for devices which measure spectra as a function of range or time |
| JP6843780B2 (en) * | 2018-01-18 | 2021-03-17 | ヤフー株式会社 | Information processing equipment, trained models, information processing methods, and programs |
| JP7128775B2 (en) * | 2019-06-06 | 2022-08-31 | 公益財団法人鉄道総合技術研究所 | Snow accretion estimation method |
| CN112180375B (en) * | 2020-09-14 | 2022-12-20 | 成都信息工程大学 | Weather radar echo extrapolation method based on improved TrajGRU network |
-
1995
- 1995-11-28 JP JP30882895A patent/JP3181018B2/en not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6310837B1 (en) | 1997-02-12 | 2001-10-30 | Tdk Corporation | Magnetic recording medium |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH09145851A (en) | 1997-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112242060B (en) | Traffic flow prediction method and apparatus, computer device, and readable storage medium | |
| CN111737640B (en) | Water level prediction method, device and computer readable storage medium | |
| JP7531178B2 (en) | Effluent water quality prediction device and effluent water quality prediction method | |
| JP2004062440A (en) | Predictive model system | |
| CN114694379B (en) | Traffic flow prediction method and system based on self-adaptive dynamic graph convolution | |
| JP3181018B2 (en) | Weather forecasting device | |
| JPH11282823A (en) | Land evaluation system and method, and medium storing land evaluation program | |
| JPH09256338A (en) | Water level forecasting device for river | |
| JPH09257951A (en) | Weather forcasting device | |
| JP3214876B2 (en) | Neural network configuration method and neural network construction support system | |
| JP2955413B2 (en) | Rainwater inflow prediction device using neural network | |
| CN109993374B (en) | Cargo quantity prediction method and device | |
| JP6915156B2 (en) | Power demand forecaster, power demand forecasting method, and its program | |
| JPH0922402A (en) | Estimating method for daily maximum power demanded | |
| JP3268520B2 (en) | How to forecast gas demand | |
| JP2002334293A (en) | System and method for predicting characteristic and storage medium stored with the method | |
| CN113253275A (en) | Rainfall estimation method based on improved RBF neural network | |
| JPH08194070A (en) | Transmission wire damage-by-snow alarming system and damage-by-snow determining apparatus | |
| CN111553324A (en) | Human body posture predicted value correction method and device, server and storage medium | |
| JP2020115276A (en) | Information processing method, information processing device, program, and generation method of learned model | |
| JPH08163778A (en) | Power demand prediction system | |
| JPH0720255A (en) | Parallel calculation type weather radar image prediction system | |
| JP3150531B2 (en) | Sound quality evaluation device | |
| JPH0724702A (en) | Schedule preparation support device | |
| JP3250601B2 (en) | Weather forecasting device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090420 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090420 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100420 Year of fee payment: 9 |
|
| LAPS | Cancellation because of no payment of annual fees |