JP3245238U - 学習装置と予測補正装置を備える予測補正システム - Google Patents
学習装置と予測補正装置を備える予測補正システム Download PDFInfo
- Publication number
- JP3245238U JP3245238U JP2023003174U JP2023003174U JP3245238U JP 3245238 U JP3245238 U JP 3245238U JP 2023003174 U JP2023003174 U JP 2023003174U JP 2023003174 U JP2023003174 U JP 2023003174U JP 3245238 U JP3245238 U JP 3245238U
- Authority
- JP
- Japan
- Prior art keywords
- wave
- prediction
- model
- correction
- learning
- 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.)
- Active
Links
- 238000012937 correction Methods 0.000 title claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 49
- 238000010586 diagram Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 32
- 238000005259 measurement Methods 0.000 description 22
- 238000010276 construction Methods 0.000 description 12
- 238000000034 method Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 8
- 238000012876 topography Methods 0.000 description 4
- 102100023517 Vang-like protein 1 Human genes 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 102100023520 Vang-like protein 2 Human genes 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- OVGWMUWIRHGGJP-WVDJAODQSA-N (z)-7-[(1s,3r,4r,5s)-3-[(e,3r)-3-hydroxyoct-1-enyl]-6-thiabicyclo[3.1.1]heptan-4-yl]hept-5-enoic acid Chemical compound OC(=O)CCC\C=C/C[C@@H]1[C@@H](/C=C/[C@H](O)CCCCC)C[C@@H]2S[C@H]1C2 OVGWMUWIRHGGJP-WVDJAODQSA-N 0.000 description 1
- 101000988961 Escherichia coli Heat-stable enterotoxin A2 Proteins 0.000 description 1
- 101000752249 Homo sapiens Rho guanine nucleotide exchange factor 3 Proteins 0.000 description 1
- 101000622427 Homo sapiens Vang-like protein 1 Proteins 0.000 description 1
- 102100021689 Rho guanine nucleotide exchange factor 3 Human genes 0.000 description 1
- 101150110418 STB3 gene Proteins 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】波浪推算モデルによる波予測値を補正することに適した予測補正システムを提供する。
【解決手段】予測補正システム１は、波浪推算モデル２９を用いて計算された波予測値を補正した補正波予測値を出力する。予測補正システム１は、学習装置９と、予測補正装置１１を備える。学習装置９は、学習処理部５１を備える。学習処理部５１は、洋上観測により得られた波実測値との誤差を小さくするように波浪推算モデル２９を用いて計算された波予測値を説明変数により補正して目的変数を出力する予測モデルを生成する。説明変数は、海面更正気圧、地上風ＵＶ成分、第１気圧面風ＵＶ成分及び第２気圧面風ＵＶ成分を含む。予測補正装置１１は、波浪推算モデル２９を用いて計算された波予測値及び説明変数により予測モデルを用いて計算される補正波予測値を出力する予測補正処理部６３を備える。
【選択図】図１
【解決手段】予測補正システム１は、波浪推算モデル２９を用いて計算された波予測値を補正した補正波予測値を出力する。予測補正システム１は、学習装置９と、予測補正装置１１を備える。学習装置９は、学習処理部５１を備える。学習処理部５１は、洋上観測により得られた波実測値との誤差を小さくするように波浪推算モデル２９を用いて計算された波予測値を説明変数により補正して目的変数を出力する予測モデルを生成する。説明変数は、海面更正気圧、地上風ＵＶ成分、第１気圧面風ＵＶ成分及び第２気圧面風ＵＶ成分を含む。予測補正装置１１は、波浪推算モデル２９を用いて計算された波予測値及び説明変数により予測モデルを用いて計算される補正波予測値を出力する予測補正処理部６３を備える。
【選択図】図１
Description
本願考案は、予測補正システム、学習装置及び予測補正装置に関し、特に、波浪推算モデルを用いて計算された波予測値を補正した補正波予測値を出力する予測補正システム等に関する。
特許文献１には、波浪推算モデルを利用して波浪予報を行うことが記載されている。波浪推算モデルは、例えば、SWAN（Simulating Waves Nearshore）、WAM（the Wave Modelling group）などである。
しかしながら、波浪予測は、陸上地形や岬などの周辺地形によって大きな影響を受ける。そのため、メッシュ格子点の予報データを利用して波浪推算モデルにより波浪予測をしても、実測値（実際の観測値）に十分に一致していると評価できるまでに予測精度を上げることが困難である。
そこで、本願考案は、波浪推算モデルによる波予測値を補正することに適した予測補正システム等を提案することを目的とする。
本願考案の第１の側面は、波浪推算モデルを用いて計算された波予測値を補正した補正波予測値を出力する予測補正システムであって、学習装置と、予測補正装置を備え、前記学習装置は、洋上観測により得られた波実測値との誤差を小さくするように前記波浪推算モデルを用いて計算された波予測値を説明変数により補正して目的変数を出力する予測モデルを生成する学習処理部を備え、前記説明変数は、海面更正気圧、地上風ＵＶ成分、第１気圧面風ＵＶ成分及び第２気圧面風ＵＶ成分を含み、前記予測補正装置は、前記波浪推算モデルを用いて計算された波予測値及び前記説明変数により前記予測モデルを用いて計算される前記補正波予測値を出力する予測補正処理部を備える。
本願考案の第２の側面は、波浪推算モデルを用いて計算された波予測値を補正した補正波予測値を出力するための予測モデルを生成する学習装置であって、洋上観測により得られた波実測値との誤差を小さくするように前記波浪推算モデルを用いて計算された波予測値を説明変数により補正して目的変数を出力する予測モデルを生成する学習処理部を備え、前記説明変数は、海面更正気圧、地上風ＵＶ成分、第１気圧面風ＵＶ成分及び第２気圧面風ＵＶ成分を含む。
本願考案の第３の側面は、第２の側面の学習装置により生成された前記予測モデルの目的変数を出力する予測補正装置であって、前記波浪推算モデルを用いて計算された波予測値及び前記説明変数により前記予測モデルを用いて計算される前記補正波予測値を出力する予測補正処理部を備える。
波予測値は、例えば、波高、周期などの波予測情報である。
本願考案の各側面によれば、説明変数に海面更正気圧、地上風ＵＶ成分、第１気圧面風ＵＶ成分及び第２気圧面風ＵＶ成分を含む学習処理によって得られた予測モデルを用いることにより、周辺地形による影響を考慮して波浪推算モデルによる波高予測値を補正することが可能になる。
以下では、図面を参照して、本願考案の実施例について説明する。なお、本願考案は、この実施例に限定されるものではない。
図１は、予測補正システム１の構成の一例を示すブロック図である。予測補正システム１は、予測サーバ３と、実測値サーバ５と、説明変数サーバ７と、学習装置９と、予測補正装置１１と、ユーザ端末１３を備える。
予測サーバ３は、波浪推算モデル（波浪予測モデル）を用いて予測値を計算するものである。予測サーバ３は、予測通信部２１と、予測値演算部２３と、予測値記憶部２５と、モデル記憶部２７を備える。
モデル記憶部２７は、波浪推算モデル２９を記憶する。
予測値演算部２３は、全球モデル（ＧＳＭ（Global Spectral Model）。地球全体の大気を対象とした気象庁などが作成する数値予報モデル。）により得られるデータを利用して、波浪推算モデル２９によって所定時刻における波高などの波に関する計算を行って予測値を計算する。全球モデルにより得られるデータは格子サイズが一定である（例えば２０ｋｍなど）。波浪推算モデル２９は、例えば、SWAN（Simulating Waves Nearshore）、WAM（the Wave Modelling group）などである。波浪推算モデル２９を利用した場合には、計算範囲や格子サイズを自由に設定できるため、対象領域の広さや地形に合わせて計算を行うことができる。格子サイズは、例えば５０ｋｍ×５０ｋｍ、１０ｋｍ×１０ｋｍ、２００ｍ×２００ｍ、などを設定することができる。予測値演算部２３は、例えば、波高・周期などの波予測情報（SWANの計算結果。「波予測値」の一例。）は、１０日先までを１日２４回（１時間ごと）提供する。波予測値は、波浪推算モデル２９により得られた波高予測値を含む。
予測値記憶部２５は、予測値演算部２３が計算した波予測値を記憶する。
予測通信部２１は、他の装置と電気通信を行うためのものである。予測通信部２１は、学習装置９及び予測補正装置１１に、予測値記憶部２５に記憶された波予測値の一部又は全部を送信する。
実測値サーバ５は、洋上観測により実際に得られた波実測値を処理するサーバである。実測値サーバ５は、実測通信部３１と、測定処理部３３と、実測値記憶部３５を備える。
測定処理部３３は、洋上観測により波高、周期などを測定して得られた波実測値に対する処理を行うものである。波実測値は、波高、周期などの実測値を含む。実測値は、説明変数に関するものを含んでもよい。
実測値記憶部３５は、測定処理部３３により得られた波実測値を記憶する。
実測通信部３１は、他の装置と電気通信を行うためのものである。実測通信部３１は、学習装置９に、実測値記憶部３５に記憶された波実測値の一部又は全部を送信する。実測通信部３１は、波実測値に説明変数に関するものが含まれているならば、説明変数サーバ７に、実測値記憶部３５に記憶された説明変数に関する波実測値を送信する。
説明変数サーバ７は、説明変数を処理するサーバである。説明変数サーバ７は、説明変数通信部３７と、説明変数処理部３９と、説明変数記憶部４１を備える。説明変数は、誤差の原因となっている変数である。
説明変数は、数値予測GPV（Grid Point Value（格子点値）。気象庁などで気象予測モデルをスーパーコンピュータで計算した予測値で、５ｋｍ、２０ｋｍなどのメッシュで詳細な気象予報を表示することができる。）などにより提供される予測値でもよく、シミュレーション処理などによって計算によって得られた計算値でもよく、実際に測定されて得られた実測値でもよい。
説明変数は、海面更正気圧、地上風ＵＶ成分、９２５ｈＰａ気圧面風ＵＶ成分（本願請求項の「第１気圧面風ＵＶ成分」の一例）及び８５０ｈＰａ気圧面風ＵＶ成分（本願請求項の「第２気圧面風ＵＶ成分」の一例）を含む。
海面更正気圧は、観測地における気圧を海上（高度０ｍ）に更正したものである。気圧は、観測地の高度に大きく影響を受ける。そのため、観測地における気圧（現地気圧）を、高度０ｍまで空気がつながっていると仮定した上で高度０ｍにおける気圧を推定して海面更正気圧を計算する。
地上風は、地表付近を吹き、大気と地表面摩擦の影響を考えた風である。地上風ＵＶ成分は、地上風のＵ（東西風）成分及びＶ（南北風）成分である。通常、数値予測ＧＰＶの風データは、ＵＶ成分によって提供されている。
９２５ｈＰａ気圧面風ＵＶ成分及び８５０ｈＰａ気圧面風ＵＶ成分は、それぞれ、９２５ｈＰａ気圧面及び８５０ｈＰａ気圧面における風のＵＶ成分である。
説明変数処理部３９と、説明変数に関する処理を行う。例えば、数値予測ＧＰＶが提供する予測値を取得すること、シミュレーションによる計算値を得ること、実測値を得ること、などの処理を行う。
説明変数記憶部４１は、説明変数処理部３９により得られた説明変数を記憶する。
説明変数通信部３７は、他の装置と電気通信を行うためのものである。説明変数通信部３７は、説明変数記憶部４１が記憶する説明変数の一部又は全部を学習装置９及び予測補正装置１１に送信する。
学習装置９は、学習通信部４３、実測値記憶部４５と、予測値記憶部４７と、説明変数記憶部４９と、学習処理部５１と、予測モデル記憶部５３を備える。
学習通信部４３は、他の装置と電気通信を行うためのものである。学習通信部４３は、実測値サーバ５、予測サーバ３及び説明変数サーバ７から、それぞれ、波実測値、波浪推算モデル２９を用いて得られた波予測値及び説明変数を受信する。実測値記憶部４５、予測値記憶部４７及び説明変数記憶部４９は、それぞれ、実測値サーバ５、予測サーバ３及び説明変数サーバ７から受信した波実測値、波浪推算モデルを用いて得られた波予測値及び説明変数を記憶する。
学習処理部５１は、実測値記憶部４５、予測値記憶部４７及び説明変数記憶部４９がそれぞれ記憶する波実測値、波浪推算モデルを用いて得られた波予測値及び説明変数を用いて学習処理を行い、予測モデルを生成する。学習処理部５１は、洋上観測により得られた波実測値との誤差を小さくするように、波浪推算モデル２９を用いて得られた波予測値を説明変数により補正する予測モデルを生成する。
学習処理部５１は、例えば勾配ブースティング法（GBDT：Gradient Boosting Method）を用いて予測モデルを生成することができる。GBDTは、勾配降下法（Gradient）、ブースティング（Boosting）及び決定木（Decision Tree）を組み合わせた機械学習の手法である。GBDTは、オープンソースライブラリとして提供されているLightBGMなどを用いて実現することができる。学習処理部５１は、波実測値が存在する状態に対して、波予測値及び説明変数を用いて、波予測値をどのように補正すれば波実測値に近づけることができるかを検討することにより、予測モデルを得ることができる。この例では、分類モデルではなく、値を予測する回帰モデルを用いる。回帰モデルでは、時系列データを用いる。例えば、多項式回帰を用いる予測モデルであり、精度は二乗平均誤差で評価することができる。なお、他の学習処理によって予測モデルを生成してもよい。
予測モデル記憶部５３は、学習処理部５１が生成した予測モデルを記憶する。
学習通信部４３は、他の装置と通信を行うためのものである。学習通信部４３は、予測モデル記憶部５３が記憶する予測モデルを予測補正装置１１に送信する。
予測補正装置１１は、波浪推算モデル２９を用いて得られた波予測値の補正波予測値を目的変数として出力する。予測補正装置１１は、予測補正通信部５５と、予測モデル記憶部５７と、予測値記憶部５９と、説明変数記憶部６１と、予測補正処理部６３と、補正予測値記憶部６５を備える。
予測補正通信部５５は、他の装置と通信を行うためのものである。
予測モデル記憶部５７は、学習装置９から受信した予測モデルを記憶する。
予測補正通信部５５は、予測サーバ３及び説明変数サーバ７から、それぞれ、予測する対象となる時刻以前における波予測値及び説明変数を受信する。予測値記憶部５９及び説明変数記憶部６１は、それぞれ、予測サーバ３から受信した波予測値及び説明変数サーバ７から受信した説明変数を記憶する。
予測補正処理部６３は、予測値記憶部５９及び説明変数記憶部６１が記憶する波浪推算モデル２９を用いて得られた波予測値及び説明変数を用いて、予測モデルの目的変数（モデルによって予測する変数）を出力する。目的変数は、波高、周期などの波予測値を補正した補正波予測値を含む。
補正予測値記憶部６５は、予測補正処理部６３が出力した目的変数である補正波予測値を記憶する。
ユーザ端末１３は、端末通信部６７と、端末処理部６９を備える。ユーザ端末１３において、端末通信部６７は、利用者の指示により予測補正装置１１に対してリクエストして、補正予測値記憶部６５が記憶する補正波予測値の一部又は全部を得る。端末処理部６９は、受信した補正波予測値に対する処理を行い、例えば表示して利用者に提示することなどの処理を行う。
図２は、図１の学習装置９の動作の一例を示すフロー図である。学習通信部４３は、実測値サーバ５、予測サーバ３及び説明変数サーバ７から、それぞれ、波高などの実測値、波浪推算モデルを用いて得られた予測値及び説明変数を受信する（ステップＳＴＡ１、ＳＴＡ２及びＳＴＡ３）。学習処理部５１は、実測値記憶部４５、予測値記憶部４７及び説明変数記憶部４９がそれぞれ記憶する波高などの実測値、波浪推算モデルを用いて得られた予測値及び説明変数を用いて学習処理を行い、予測モデルを生成する（ステップＳＴＡ４）。学習処理部５１は、洋上観測により得られた波高実測値との誤差を小さくするように、説明変数を用いて前記波浪推算モデルを用いて得られた波高予測値を補正する予測モデルを生成する。予測モデル記憶部５３は、学習処理部５１が生成した予測モデルを記憶する。
図３は、図１の予測補正装置１１の動作の一例を示すフロー図である。
予測補正処理部６３は、予測時刻を設定する（ステップＳＴＢ１）。例えば２時間後と４時間後の波高を予測する場合に、予測時刻として最初に４時間後を設定してステップＳＴＢ２以降の処理を行い、続いて２時間後を設定してステップＳＴＢ２以降の処理を行う。
予測モデル記憶部５７は、学習装置９から受信した予測モデルを記憶する。
予測補正通信部５５は、設定された予測時刻における波高などの補正波予測値を計算するために必要となるデータについて、予測サーバ３及び説明変数サーバ７から、それぞれ、波浪推算モデル２９を用いて得られた予測値及び説明変数を受信する（ステップＳＴＢ２及びＳＴＢ３）。
予測補正処理部６３は、予測値記憶部５９及び説明変数記憶部６１が記憶する波浪推算モデル２９を用いて得られた予測値及び説明変数を用いて、予測モデルの目的変数を出力する（ステップＳＴＢ４）。
予測補正処理部６３は、すべての予測時刻に対して処理が行われたか否かを判断する（ステップＳＴＢ５）。処理が行われていない予測時刻が存在するならばステップＳＴＢ１に戻り、処理が行われていない予測時刻を設定する。すべての予測時刻に対して処理が行われたならば終了する。
図４を参照して、考案者らによる北九州響灘における洋上風力開発についての検証結果について説明する。
建設工事業者が洋上での風力発電のための設備を建設する工事では、作業時に多くのリスクが伴うことから洋上風力建設工事保険（WIND Construction All Risks (CAR) Insurance）への加入が必須となる。一般的に、その保険契約において、保険会社が認める第三者機関であるマリンワランティサーベイヤー（ＭＷＳ）の採用が保険付保の条件となる。ＭＷＳは、海洋工事の安全性、確実性を確認する。
ＭＷＳは、保険会社に代わって、工事計画の立案の段階から施工業者のミーティングに参加して施工計画の安全審査を行うとともに、風況・波浪予測システムの結果を踏まえて現場での施工可否の判断を行う。風況・波浪予測システムは、ＭＷＳにとっても事業者・施工業者・メンテナンス業者にとっても非常に重要である。
図４（ａ）及び（ｂ）を参照して、地点Ｐ1は、波浪予測位置である。地点Ｐ2及びＰ3は、洋上観測により波実測値が得られた地点である。地点Ｐ2は、建設範囲Ａ1の外側にある。地点Ｐ3は、建設範囲Ａ1の内側にある。波予測値（ＳＷＡＮポイント予測値）は、各地点で計算することができる。
検証は、２つの手法で補正して得られる地点Ｐ3における値を、地点Ｐ3における波実測値と相関解析して行う。検証期間は、冬季と夏季の代表月として、2019年1月及び8月とした。
補正の一つ（図４（ｂ）の検証１）は、対比のためのものであり、ＳＷＡＮポイント予測値をエネルギー平衡方程式（屈折係数比）で補正して得られるものである。
補正のもう一つ（図４（ｂ）の検証２）は、本願考案によるものであり、地点Ｐ2における１年間（2019年）の予測値を同期間の実測値を用いて機械学習させてＡＩ補正のための予測モデルを生成し、予測モデルによりＳＷＡＮポイント予測値を補正することにより得られるものである。なお、地点Ｐ2における実測値により同化補正を行った。
図４（ｃ）及び（ｄ）は、それぞれ、2019年1月及び8月における地点Ｐ3における洋上観測の実測値と補正波予測値における波高の時系列変化を示す。横軸は時間であり、縦軸は波高（ｍ）を示す。図４（ｃ）において、線Ｌ1は実測値を示し、線Ｌ2は補正波予測値を示す。図４（ｄ）において、線Ｌ3は実測値を示し、線Ｌ4は補正波予測値を示す。
表１は、検証期間における相関係数及び回帰直線係数を示す。本願考案による補正（検証２）は、対比の補正（検証１）に比べて良好な結果が得られている。
また、2020年（通年、６時間先）については、相関係数0.93、回帰係数1.04で予測することができている。2019年は機械学習の基礎年であることから、その後の学習処理により精度の向上を図ることができると推察される。
図４（ｅ）は、2019年8月14日～17日に台風10号が通過した期間の予測結果を示す。図４（ｅ）において、線Ｌ5は実測値を示し、線Ｌ6は補正波予測値を示す。台風による影響があっても、高い精度で補正波予測値を得ることができている。
１ 予測補正システム
３ 予測サーバ
５ 実測値サーバ
７ 説明変数サーバ
９ 学習装置
１１ 予測補正装置
１３ ユーザ端末
２１ 予測通信部
２３ 予測値演算部
２５ 予測値記憶部
２７ モデル記憶部
２９ 波浪推算モデル
３１ 実測通信部
３３ 測定処理部
３５ 実測値記憶部
３７ 説明変数通信部
３９ 説明変数処理部
４１ 説明変数記憶部
４３ 学習通信部
４５ 実測値記憶部
４７ 予測値記憶部
４９ 説明変数記憶部
５１ 学習処理部
５３ 予測モデル記憶部
５５ 予測補正通信部
５７ 予測モデル記憶部
５９ 予測値記憶部
６１ 説明変数記憶部
６３ 予測補正処理部
６５ 補正予測値記憶部
６７ 端末通信部
６９ 端末処理部
Ｐ1，Ｐ2，Ｐ3 地点
Ａ1 建設範囲
Ｌ1，Ｌ2，Ｌ3，Ｌ4，Ｌ5，Ｌ6 線
３ 予測サーバ
５ 実測値サーバ
７ 説明変数サーバ
９ 学習装置
１１ 予測補正装置
１３ ユーザ端末
２１ 予測通信部
２３ 予測値演算部
２５ 予測値記憶部
２７ モデル記憶部
２９ 波浪推算モデル
３１ 実測通信部
３３ 測定処理部
３５ 実測値記憶部
３７ 説明変数通信部
３９ 説明変数処理部
４１ 説明変数記憶部
４３ 学習通信部
４５ 実測値記憶部
４７ 予測値記憶部
４９ 説明変数記憶部
５１ 学習処理部
５３ 予測モデル記憶部
５５ 予測補正通信部
５７ 予測モデル記憶部
５９ 予測値記憶部
６１ 説明変数記憶部
６３ 予測補正処理部
６５ 補正予測値記憶部
６７ 端末通信部
６９ 端末処理部
Ｐ1，Ｐ2，Ｐ3 地点
Ａ1 建設範囲
Ｌ1，Ｌ2，Ｌ3，Ｌ4，Ｌ5，Ｌ6 線
Claims (3)
- 波浪推算モデルを用いて計算された波予測値を補正した補正波予測値を出力する予測補正システムであって、
学習装置と、予測補正装置を備え、
前記学習装置は、洋上観測により得られた波実測値との誤差を小さくするように前記波浪推算モデルを用いて計算された波予測値を説明変数により補正して目的変数を出力する予測モデルを生成する学習処理部を備え、
前記説明変数は、海面更正気圧、地上風ＵＶ成分、第１気圧面風ＵＶ成分及び第２気圧面風ＵＶ成分を含み、
前記予測補正装置は、前記波浪推算モデルを用いて計算された波予測値及び前記説明変数により前記予測モデルを用いて計算される前記補正波予測値を出力する予測補正処理部を備える、予測補正システム。 - 波浪推算モデルを用いて計算された波予測値を補正した補正波予測値を出力するための予測モデルを生成する学習装置であって、
洋上観測により得られた波実測値との誤差を小さくするように前記波浪推算モデルを用いて計算された波予測値を説明変数により補正して目的変数を出力する予測モデルを生成する学習処理部を備え、
前記説明変数は、海面更正気圧、地上風ＵＶ成分、第１気圧面風ＵＶ成分及び第２気圧面風ＵＶ成分を含む、学習装置。 - 請求項２記載の学習装置により生成された前記予測モデルの目的変数を出力する予測補正装置であって、
前記波浪推算モデルを用いて計算された波予測値及び前記説明変数により前記予測モデルを用いて計算される前記補正波予測値を出力する予測補正処理部を備える予測補正装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023003174U JP3245238U (ja) | 2023-09-01 | 2023-09-01 | 学習装置と予測補正装置を備える予測補正システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023003174U JP3245238U (ja) | 2023-09-01 | 2023-09-01 | 学習装置と予測補正装置を備える予測補正システム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP3245238U true JP3245238U (ja) | 2024-01-12 |
Family
ID=89451470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023003174U Active JP3245238U (ja) | 2023-09-01 | 2023-09-01 | 学習装置と予測補正装置を備える予測補正システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3245238U (ja) |
-
2023
- 2023-09-01 JP JP2023003174U patent/JP3245238U/ja active Active
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112285807B (zh) | 一种气象信息预测方法及装置 | |
| US20200057175A1 (en) | Weather dependent energy output forecasting | |
| Sachindra et al. | Statistical downscaling of general circulation model outputs to precipitation—part 1: calibration and validation | |
| Mínguez et al. | Directional calibration of wave reanalysis databases using instrumental data | |
| CN110705772B (zh) | 区域电网风力发电功率预测优化方法和装置 | |
| CN112308292A (zh) | 一种火灾风险等级分布图的绘制方法 | |
| CN107092989A (zh) | 短期风电功率的预测方法和设备 | |
| CN116205541B (zh) | 评估本地污染源对环境空气质量影响的方法及装置 | |
| Zelikman et al. | Short-term solar irradiance forecasting using calibrated probabilistic models | |
| CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
| CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
| CN115189356A (zh) | 基于大气环流稳定状态的风、光功率预测订正方法及装置 | |
| JP5941115B2 (ja) | 予測装置 | |
| CN117371303A (zh) | 一种海浪下有效波高的预测方法 | |
| JP3245238U (ja) | 学習装置と予測補正装置を備える予測補正システム | |
| CN114385962A (zh) | 一种基于相似日的日前光伏发电功率预测方法及系统 | |
| KR102365072B1 (ko) | 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치 및 방법 | |
| Krantz et al. | Memorandum on evaluating global climate models for studying regional climate change in California | |
| Pai et al. | Long range forecast on south west monsoon rainfall using artificial neural networks based on clustering approach | |
| CN112070320A (zh) | 一种基于动态谐波回归的超短期风电功率预测方法及系统 | |
| JP7491519B2 (ja) | 波浪予測モデルの構築方法および波浪予測方法 | |
| KR102386532B1 (ko) | 파랑 예측 정보를 이용하여 해상 환경 정보를 보정하는 멀티-레이어 퍼셉트론 기반의 해상 환경 정보 보정 모델을 학습하는 방법과 테스팅 방법 및 이를 이용한 학습 장치와 테스팅 장치 | |
| KR102365071B1 (ko) | 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치 및 방법 | |
| Annisa et al. | Analysis and Projections of Rainfall using representative concentration pathways (RCPs) Scenarios in Sleman Yogyakarta | |
| Loake et al. | Modelling sea surface wind measurements on Australia’s North-West Shelf |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231114 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 3245238 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |