JP6690867B1 - 水位予測装置および水位予測方法 - Google Patents

Abstract

水位予測装置（１）において、仮想ポンプ井モデル（２０）を用いて、ポンプの動作に関するポンプ動作パラメータを学習し、ポンプの動作に応じた河川の水位と水位増加量との関係を示す水位変化パラメータを学習して、これらのパラメータに基づいて河川の水位を予測する。

Description

本発明は、水位予測装置および水位予測方法に関する。

例えば、河川の水位を予測する従来の技術として、特許文献１に記載された水位予測方法が提案されている。この方法では、貯留関数法を用いて流域から河川への水の流出量を予測することで、河川の水位を予測している。

特開２０１５−９４１２２号公報

河川の水位が変化する過程には、河川流域に降った雨水の貯留量が飽和して河川へ連続的に流出して河川の水位が変化する場合の他に、ポンプによって水が河川へ離散的に流出されることで河川の水位が変化する場合もある。例えば、河川の水位よりも低く、雨水が河川に流出しにくい流域では、雨水による浸水被害を防ぐために、雨水を下水道に集めてポンプで河川に放流させている。しかしながら、貯留関数法では、ポンプによる河川への離散的な水の流出過程を十分にモデル化できないため、特許文献１に記載された水位予測方法では、ポンプによって水が放流される河川の水位を精度よく予測できないという課題があった。

本発明は上記課題を解決するものであり、ポンプによる水の放流がある河川の水位を精度よく予測できる水位予測装置および水位予測方法を得ることを目的とする。

本発明に係る水位予測装置は、河川の流域に降った雨水が貯留され、貯留高に応じてポンプが動作して河川へ水を流出させる仮想のポンプ井を想定した仮想ポンプ井モデル、流域の過去の雨量データおよび仮想ポンプ井モデルでのポンプの動作履歴データを用いて、ポンプの動作に関するポンプ動作パラメータを学習する第１の学習部と、ポンプ動作パラメータを用いて、ポンプの動作に応じた河川の水位と水位増加量との関係を示す水位変化パラメータを学習する第２の学習部と、ポンプ動作パラメータおよび水位変化パラメータに基づいて、河川の水位を予測する水位予測部とを備える。

本発明によれば、河川の流域に降った雨水が貯留され、貯留高に応じてポンプが動作して河川へ水を流出させる仮想のポンプ井を想定して、ポンプの動作に関するポンプ動作パラメータを学習し、ポンプの動作に応じた河川の水位と水位増加量との関係を示す水位変化パラメータを学習して、これらのパラメータに基づいて河川の水位を予測する。これにより、ポンプの動作に応じた河川の水位変化を正確にモデル化できるので、ポンプによる水の放流がある河川の水位を精度よく予測できる。

実施の形態１に係る水位予測装置の構成を示すブロック図である。 図２Ａは、貯留高が閾値以下である仮想ポンプ井モデルの概要を示す図である。図２Ｂは、貯留高が閾値を超えた仮想ポンプ井モデルの概要を示す図である。 実施の形態１に係る水位予測方法を示すフローチャートである。 実施の形態１における仮想ポンプ井モデルの概要を示す図である。 図５Ａは、図４の仮想ポンプ井モデルで動作したポンプ台数が１台であるときの河川の水位と水位増加量との関係を示す図である。図５Ｂは、図４の仮想ポンプ井モデルで動作したポンプ台数が２台であるときの河川の水位と水位増加量との関係を示す図である。図５Ｃは、図４の仮想ポンプ井モデルで動作したポンプ台数が３台であるときの河川の水位と水位増加量との関係を示す図である。 水位予測部の構成を示すブロック図である。 図６の水位予測部の動作を示すフローチャートである。 図８Ａは、実施の形態１に係る水位予測装置の機能を実現するハードウェア構成を示すブロック図である。図８Ｂは、実施の形態１に係る水位予測装置の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。

実施の形態１．
図１は、実施の形態１に係る水位予測装置１の構成を示すブロック図である。水位予測装置１は、河川データベース２に登録された水位の予測対象の河川に関する各種データと仮想ポンプ井モデルとを用いて、当該河川の水位を予測する。仮想ポンプ井モデルとは、河川の水位がポンプの動作によって突発的に上昇する現象を河川の水位予測に反映させるためのモデルであり、河川の流域に降った雨水が貯留される貯留タンクであり、貯留高に応じてポンプが動作して河川へ水を流出させる仮想のポンプ井を想定したものである。

河川データベース２に登録された河川に関する各種データには、例えば、河川の流域における過去の雨量データ、ポンプの動作履歴データ、河川の流域における現在の雨量データおよび河川の観測水位が含まれる。ポンプの動作履歴データには、例えば、仮想ポンプ井モデルでのポンプ動作の有無と、過去に動作したポンプによる貯留水の流出量が含まれる。

図２Ａは、貯留高Ｓが閾値Ｔｈ以下である仮想ポンプ井モデル２０の概要を示す図である。図２Ｂは、貯留高Ｓが閾値Ｔｈを超えた仮想ポンプ井モデル２０の概要を示す図である。図２Ａおよび図２Ｂに示す仮想ポンプ井モデル２０で想定されるポンプ井には、河川の流域に降った有効雨量Ｒの雨水が貯留される。有効雨量Ｒは、河川の流域に降った雨量のうち、河川へ直接流出する雨量である。

図２Ａに示すように、仮想ポンプ井モデル２０のポンプ井の貯留高Ｓが閾値Ｔｈ以下であればポンプは動作せず、ポンプ井に貯留された水は、ポンプによって河川に流出されない。一方、図２Ｂに示すように、ポンプ井の貯留高Ｓが閾値Ｔｈを超えた場合に、ポンプが動作してポンプ井から流出量ｑの水が河川へ流出する。

水位予測装置１は、図１に示すように、第１の学習部１０、第２の学習部１１および水位予測部１２を備える。第１の学習部１０は、仮想ポンプ井モデル２０、河川データベース２から読み出した流域の過去の雨量データおよびポンプの動作履歴データとを用いて、ポンプの動作に関するポンプ動作パラメータを学習する。

例えば、第１の学習部１０は、流域の過去の雨量データから、仮想ポンプ井モデル２０のポンプ井の貯留高Ｓを特定し、ポンプ動作の履歴データに含まれる流出量ｑを用いて、ポンプが動作する貯留高Ｓの閾値Ｔｈを求める。閾値Ｔｈは、流域に雨が降ってポンプ井の貯留高Ｓが増加する状況において、ポンプが動作するタイミングを示す値である。

第２の学習部１１は、第１の学習部１０によって学習された閾値Ｔｈを用いて、河川の水位と水位増加量との関係を学習する。水位増加量は、ポンプによってポンプ井から河川へ流出された水による河川の水位の増加量である。第２の学習部１１は、閾値Ｔｈによってポンプが動作するタイミングを特定し、ポンプが動作したタイミングから河川の水位が増加していく状況を示す河川の水位と水位増加量との関係が学習される。

水位予測部１２は、第１の学習部１０によって学習された閾値Ｔｈおよび第２の学習部１１によって学習された河川の水位と水位増加量との関係に基づいて、河川の水位を予測する。例えば、水位予測部１２は、閾値Ｔｈと、河川の水位と水位増加量との関係を示すパラメータの値とを水位予測モデルに設定し、この水位予測モデルに従って河川の水位を予測する。

次に動作について説明する。
図３は、実施の形態１に係る水位予測方法を示すフローチャートであり、河川の水位が予測されるまでの水位予測装置１による一連の処理を示している。
第１の学習部１０が、仮想ポンプ井モデル２０でポンプが動作する貯留高の閾値Ｔｈを含むポンプ動作パラメータを学習する（ステップＳＴ１）。

例えば、第１の学習部１０は、河川の流域に雨が降ってポンプが動作したときの流域の雨量データおよびポンプの動作履歴データと、河川の流域に雨が降ってもポンプが動作しなかったときの流域の雨量データおよびポンプの動作履歴データとを用いて、仮想ポンプ井モデル２０を構築する。第１の学習部１０は、仮想ポンプ井モデル２０を用いて動作したポンプによる貯留水の流出量を予測し、予測した流出量で貯留水が流出するポンプ井の貯留高を求め、求めた貯留高のうち、評価が最も高い貯留高を閾値Ｔｈとして学習する。

貯留高の評価には、ポンプの誤動作確率を評価値として用いてもよい。ポンプの誤動作確率は、仮想ポンプ井モデル２０を用いてポンプの動作予測を誤った回数を、全ての予測回数で割った値としてもよい。第１の学習部１０は、仮想ポンプ井モデル２０を用いて、ポンプの誤動作確率が最小となるように閾値Ｔｈを学習する。貯留高の評価値には、仮想ポンプ井モデル２０で予測したポンプの流出量と、過去に動作したポンプによる貯留水の流出量との差分を用いてもよい。第１の学習部１０は、仮想ポンプ井モデル２０を用いて当該差分が最小となるように閾値Ｔｈを学習する。

図４は、実施の形態１における仮想ポンプ井モデル２０の概要を示す図である。図４に示すように、仮想ポンプ井モデル２０には、ポンプ井の貯留高Ｓについて、閾値Ｔｈ１，Ｔｈ２，Ｔｈ３が設定されており、閾値Ｔｈ１，Ｔｈ２，Ｔｈ３の各々に対応する台数のポンプが動作する。例えば、貯留高Ｓが閾値Ｔｈ１を超えると、１台のポンプが動作して流出量Ｔ１で貯留水を河川へ流出する。貯留高Ｓが閾値Ｔｈ２を超えると、２台のポンプが動作して流出量Ｔ２で貯留水を河川へ流出する。貯留高Ｓが閾値Ｔｈ３を超えた場合には、３台のポンプが動作して流出量Ｔ３で貯留水を河川へ流出する。

下記式（１）は、仮想ポンプ井モデル２０の貯留高Ｓと流出量Ｑとの関係を示す関係式であり、下記式（２）は、仮想ポンプ井モデル２０の貯留高Ｓの時間変化を示す関係式である。下記式（１）および下記式（２）において、Ｓはポンプ井の貯留高である。Ｑは、ポンプによらず、ポンプ井から河川へ連続的に流出する貯留水の流出量である。Ｒは有効雨量であり、ＫおよびＰは貯留高Ｓと流出量Ｑとの関係を示すパラメータである。Ｔ１、Ｔ２およびＴ３は、動作したポンプ台数ごとの貯留水の河川への流出量である。
Ｓ＝ＫＱ^Ｐ ・・・（１）
ｄＳ／ｄｔ＝Ｒ−Ｑ−Ｔ１−Ｔ２−Ｔ３ ・・・（２）

上記式（２）において、貯留高Ｓが閾値Ｔｈ１以下である場合、動作するポンプが０台であるので、Ｔ１、Ｔ２およびＴ３は、いずれも“０”となる。貯留高Ｓが閾値Ｔｈ１を超え閾値Ｔｈ２以下であれば、１台のポンプが動作するので、Ｔ２およびＴ３が“０”となる。貯留高Ｓが閾値Ｔｈ２を超え閾値Ｔｈ３以下であれば、動作するポンプが２台であるので、Ｔ３が“０”となる。

第１の学習部１０は、過去の流域の雨量データおよび過去に動作したポンプによる貯留水の流出量を用い、例えば上記式（１）および上記式（２）に従って、有効雨量Ｒ、流出量Ｑ、流出量Ｔ１、Ｔ２およびＴ３およびパラメータＫおよびＰを学習する。第１の学習部１０によって学習された流出量Ｔ１、Ｔ２およびＴ３のそれぞれに対応する閾値ＴｈとパラメータＫおよびＰとを含んだポンプ動作パラメータは、第２の学習部１１および水位予測部１２に出力される。

第２の学習部１１は、ポンプの動作に応じた河川の水位と水位増加量との関係を含んだ水位変化パラメータを学習する（ステップＳＴ２）。ポンプによる貯留水の河川への流出量は、動作したポンプの台数ごとに離散的な値をとることを利用して、第２の学習部１１は、動作したポンプの台数ごとに河川の水位と水位増加量との関係を回帰学習する。

図５Ａは、仮想ポンプ井モデル２０で動作したポンプ台数が１台であるときの河川の水位と水位増加量との関係を示す図である。図５Ｂは、仮想ポンプ井モデル２０で動作したポンプ台数が２台であるときの河川の水位と水位増加量との関係を示す図である。図５Ｃは、仮想ポンプ井モデル２０で動作したポンプ台数が３台であるときの河川の水位と水位増加量との関係を示す図である。

第２の学習部１１は、河川データベース２から読み出した河川の観測水位と、ポンプによる貯留水の流出量に応じた河川の水位増加量との関係を、動作したポンプの台数ごとに回帰学習する。回帰学習では、図５Ａ、図５Ｂおよび図５Ｃに示すように、１次回帰（例えば、最小二乗法）を用いて水位と水位増加量との関係を特定し、特定した関係における傾きおよび切片を水位変化パラメータとして学習する。このようにして、１台のポンプが動作したときの水位変化パラメータ、２台のポンプが動作したときの水位変化パラメータおよび３台のポンプが動作したときの水位変化パラメータが学習される。

これまでの説明では、仮想ポンプ井モデル２０のポンプ井の貯留高について３つの閾値を設定して１台から３台までのポンプが動作する場合を示したが、これに限定されるものではない。仮想ポンプ井モデル２０では、ポンプ井の貯留高についての複数の閾値の各々に対応する台数のポンプが動作すればよいので、閾値の数が２つ以上であり、閾値に対応して動作するポンプの台数も２台以上であればよい。

水位予測部１２が、第１の学習部１０によって学習されたポンプ動作パラメータおよび第２の学習部１１によって学習された水位変化パラメータに基づいて、河川の水位を予測する（ステップＳＴ３）。例えば、河川流域の降雨でポンプ井の貯留高Ｓが上昇している状況において、ポンプが動作していない場合、水位予測部１２は、現在の雨量データからポンプが１台動作したときの河川の水位を予測する。ポンプが１台動作すると、水位予測部１２は、現在の雨量データから、ポンプが２台動作したときの河川の水位を予測する。さらに、ポンプが２台動作した場合、水位予測部１２は、現在の雨量データから、ポンプが３台動作したときの河川の水位を予測する。なお、水位予測部１２によって予測された水位は、図示しないディスプレイに表示される。

例えば、水位予測部１２は、上記式（１）および上記式（２）を用いて数値差分を計算することで、雨量データから、ポンプ井からの流出量と貯留量とポンプの動作タイミングを予測する。ここで、ポンプの動作の有無を表す変数ＵをＵ＝ｇ（Ｒ｜ｗ）と表現する。変数Ｕは、ポンプの動作の有無を０または１で表す変数である。ｇは、学習パラメータｗと雨量Ｒから変数Ｕを予測する関数である。学習パラメータｗは、例えば、ｗ＝｛Ｋ，Ｐ，Ｔｈｎ，Ｔｎ｝（ｎはポンプの動作台数）である。

第１の学習部１０は、下記式（３）に示す評価関数の値が最小化されるように学習パラメータｗを算出する。下記式（３）において、Ｒ_ｉは実際の雨量の実績値であり、Ｕ_ｉはポンプ動作の有無についての観測値（ポンプの動作履歴データ）である。ｉはデータ番号であり、Ｎは学習データ数を表す。下記式（３）は、関数ｇによるポンプの動作の予測値とポンプ動作の観測値との差を表しており、この差が小さくなるように学習パラメータｗが学習される。ここでは、ポンプ動作の予測誤差に注目して学習パラメータｗを学習する場合を示したが、ポンプ井の流出量に着目して予測流出量と観測流出量との誤差に注目して最急降下法などで学習パラメータｗを学習してもよい。

また、ポンプ井の水位ｈｒを観測できる場合には、第１の学習部１０が、ポンプ井の水位の観測データを用いてポンプが動作する閾値を学習し、水位予測部１２が、ポンプ井の水位の観測データを用いてポンプの動作を予測してもよい。ポンプの動作を予測する関数をｈとし、学習パラメータｗ２を、ｗ２＝｛ａｉ，ｂ，ｔｈ｝とする。ａｉおよびｂは、雨量ｒｉと水位ｈｒとの関係を示すパラメータであり、ｔｈは、ポンプが動作するポンプ井の水位の閾値である。雨量ＲをＲ＝｛ｒ１，ｒ２，ｒ３，・・・，ｒｋ｝とする。ｋは、時刻番号であり、ｒｉは、各時刻での雨量である。下記式（４）は、雨量とポンプ井の水位とポンプ動作との関係をモデル化したものであり、水位予測部１２は、下記式（４）を用いてポンプの動作を予測する。

第１の学習部１０は、上記式（３）の関数ｇの学習と同様に、関数ｈによるポンプが動作する水位の予測値とポンプが動作した水位の観測値との差が最小化されるように、学習パラメータｗ２を学習する。水位予測部１２は、第１の学習部１０によって学習された学習パラメータｗ２を用いた上記式（４）に従って、ポンプ井の水位ｈｒと雨量Ｒとから、ポンプの動作を予測する。

図６は、水位予測部１２の構成を示すブロック図である。図７は、水位予測部１２の動作を示すフローチャートであり、図３のステップＳＴ３の処理の詳細を示している。図６に示すように、水位予測部１２は、設定部１２０、予測部１２１、尤度評価部１２２および修正部１２３を備える。

設定部１２０は、第１の学習部１０によって学習されたポンプ動作パラメータおよび第２の学習部１１によって学習された水位変化パラメータを、初期値として水位予測モデルに設定する（ステップＳＴ１ａ）。水位予測モデルは、ポンプ動作パラメータおよび水位変化パラメータを用いて、河川の水位を予測するための予測モデルである。例えば、水位予測モデルは、第１の学習部１０によって学習された関数ｇまたはｈを用いて、ポンプの動作を予測し、ポンプ動作の予測結果と、第２の学習部１１によって学習された水位ごとの水位増加量の回帰予測の結果から、水位を予測するものである。

予測部１２１が、初期値が設定された水位予測モデルを用いて、河川の水位を予測する（ステップＳＴ２ａ）。例えば、水位予測モデルには、設定部１２０によってポンプ台数ごとの初期値が設定されるので、予測部１２１は、河川の水位を初期値ごとに予測する。

尤度評価部１２２は、水位予測モデルを用いた水位の予測の尤度を算出する（ステップＳＴ３ａ）。例えば、尤度評価部１２２は、初期値ごとの水位の予測値と河川データベース２から読み出した河川の観測水位とを用いて水位予測の尤度を、初期値ごとに算出し、算出した尤度に応じて初期値の修正の要否を評価する。上記尤度として、水位の予測値と観測水位との差分を用いてもよい。例えば、この差分が一定の閾値よりも大きい場合に、初期値の修正が必要とされる。

修正部１２３は、尤度評価部１２２によって修正が必要と評価された初期値を修正する（ステップＳＴ４ａ）。例えば、修正部１２３は、修正が必要な初期値（ポンプ動作パラメータおよび水位変化パラメータ）が、状態ベクトルとして設定された状態推定モデルを用いて、初期値を修正してもよい。また、修正部１２３は、状態推定モデルの一つである粒子フィルタにおけるリサンプル処理を用いて初期値を修正してもよい。この場合、粒子フィルタには、修正が必要な初期値が粒子として設定される。例えば、複数の初期値のうち、尤度の小さい初期値の粒子を減少させ、尤度の大きい初期値の粒子を重複させて複製することで、予測誤差が小さい粒子の数が増加し初期値が修正される。また、状態推定モデルとしては、粒子フィルタ以外に、カルマンフィルタまたは拡張カルマンフィルタがある。予測部１２１が、状態推定モデルを用いて初期値の異なる複数の予測を行い、修正部１２３は、尤度が最大となる初期値を推定する。このように推定された初期値を用いて、水位が予測される。

続いて、設定部１２０は、修正部１２３によって修正された初期値を、水位予測モデルに設定する（ステップＳＴ５ａ）。この後、予測部１２１は、修正後の初期値が設定された水位予測モデルを用いて河川の水位を予測する（ステップＳＴ６ａ）。このように水位の予測値と観測水位とを用いて尤度を算出し、算出した尤度に応じて初期値の修正要否を評価するので、リアルタイムに得られた観測水位に適合した河川の水位予測を行うことが可能となる。

なお、図６では初期値の修正を１回行う場合を示したが、尤度が許容条件を満たすまで初期値の修正を繰り返し行ってもよい。例えば、水位の予測値と観測水位との差分が尤度である場合、全ての初期値のそれぞれに対応する尤度が一定の閾値以下になるまで、初期値の修正を繰り返す。これにより、リアルタイムに得られた観測水位に適合した河川の水位予測を行うことが可能となる。

次に、水位予測装置１のハードウェア構成について説明する。
水位予測装置１における第１の学習部１０、第２の学習部１１および水位予測部１２の機能は、処理回路によって実現される。すなわち、水位予測装置１は、図３に示したフローチャートのステップＳＴ１からステップＳＴ３までの処理を実行するための処理回路を備える。処理回路は、専用のハードウェアであってもよいが、メモリに記憶されたプログラムを実行するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）であってもよい。

図８Ａは、実施の形態１に係る水位予測装置１の機能を実現するハードウェア構成を示すブロック図である。また、図８Ｂは、実施の形態１に係る水位予測装置１の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。図８Ａおよび図８Ｂにおいて、データベースインタフェース１００は、水位予測装置１と河川データベース２との間のデータのやり取りを中継するインタフェースである。河川の流域の過去の雨量データおよびポンプの動作履歴データは、データベースインタフェース１００を介して水位予測装置１へ出力される。

ディスプレイインタフェース１０１は、水位予測装置１から図示しないディスプレイへの予測水位情報の送信を中継するインタフェースである。水位予測部１２によって予測された河川の予測水位は、ディスプレイインタフェース１０１を介して上記ディスプレイに表示される。

処理回路が図８Ａに示す専用のハードウェアの処理回路１０２である場合、処理回路１０２は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、またはこれらを組み合わせたものが該当する。
水位予測装置１における第１の学習部１０、第２の学習部１１および水位予測部１２の機能を別々の処理回路で実現してもよく、これらの機能をまとめて１つの処理回路で実現してもよい。

処理回路が図８Ｂに示すプロセッサ１０３である場合、水位予測装置１における第１の学習部１０、第２の学習部１１および水位予測部１２の機能は、ソフトウェア、ファームウェアまたはソフトウェアとファームウェアとの組み合わせによって実現される。なお、ソフトウェアまたはファームウェアは、プログラムとして記述されてメモリ１０４に記憶される。

プロセッサ１０３は、メモリ１０４に記憶されたプログラムを読み出して実行することによって、水位予測装置１における第１の学習部１０、第２の学習部１１および水位予測部１２の機能を実現する。すなわち、水位予測装置１は、プロセッサ１０３によって実行されるときに、図３に示したフローチャートにおけるステップＳＴ１からステップＳＴ３までの処理が結果的に実行されるプログラムを記憶するためのメモリ１０４を備える。これらのプログラムは、水位予測装置１における第１の学習部１０、第２の学習部１１および水位予測部１２の手順または方法をコンピュータに実行させる。メモリ１０４は、コンピュータを、水位予測装置１における第１の学習部１０、第２の学習部１１および水位予測部１２として機能させるためのプログラムが記憶されたコンピュータ可読記憶媒体であってもよい。

メモリ１０４は、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ−ＥＰＲＯＭ）といった不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤなどが該当する。

水位予測装置１における第１の学習部１０、第２の学習部１１および水位予測部１２の機能について一部を専用のハードウェアで実現し、一部をソフトウェアまたはファームウェアで実現してもよい。例えば、第１の学習部１０および第２の学習部１１は、専用のハードウェアである処理回路１０２で機能を実現し、水位予測部１２は、プロセッサ１０３がメモリ１０４に記憶されたプログラムを読み出して実行することによって機能を実現する。このように、処理回路は、ハードウェア、ソフトウェア、ファームウェアまたはこれらの組み合わせによって上記機能を実現することができる。

以上のように、実施の形態１に係る水位予測装置１において、仮想ポンプ井モデル２０を用いて、ポンプの動作に関するポンプ動作パラメータを学習し、ポンプの動作に応じた河川の水位と水位増加量との関係を示す水位変化パラメータを学習して、これらのパラメータに基づいて河川の水位を予測する。これにより、ポンプの動作に応じた河川の水位変化を正確にモデル化できるので、ポンプによる貯留水の流入がある河川の水位を精度よく予測できる。

実施の形態１に係る水位予測装置１において、仮想ポンプ井モデル２０では、ポンプ井の貯留高についての複数の閾値のそれぞれに対応する台数のポンプが動作する。第１の学習部１０は、ポンプの動作台数を含んだポンプ動作パラメータを学習する。第２の学習部１１は、水位変化パラメータを、ポンプ動作パラメータに含まれるポンプの動作台数ごとに学習する。水位予測部１２は、ポンプの動作台数ごとのポンプ動作パラメータおよび水位変化パラメータを初期値として設定した水位予測モデルを用いて河川の水位を予測し、河川の水位の予測値と河川の水位の観測値とに基づいて、水位予測モデルを用いた予測の尤度を算出し、算出した尤度に応じて初期値を修正する。このように水位の予測値と観測水位とを用いて尤度を算出し、算出した尤度に応じて初期値の修正要否を評価するので、リアルタイムに得られた観測水位に適合した河川の水位予測を行うことができる。

実施の形態１に係る水位予測装置１において、第１の学習部１０が、ポンプの誤動作確率が最小となる閾値Ｔｈを学習する。これにより、仮想ポンプ井モデル２０でポンプが動作する閾値Ｔｈを学習することができる。

実施の形態１に係る水位予測装置１において、水位予測部１２が、ポンプ動作パラメータおよび水位変化パラメータが状態ベクトルとして設定された状態推定モデルを用いて、初期値を修正する。例えば、水位予測部１２は、ポンプ動作パラメータおよび水位変化パラメータが粒子として設定された粒子フィルタを用いて初期値を修正する。これにより、水位予測モデルに設定する初期値の修正が可能となる。

なお、本発明は上記実施の形態に限定されるものではなく、本発明の範囲内において、実施の形態の任意の構成要素の変形もしくは実施の形態の任意の構成要素の省略が可能である。

本発明に係る水位予測装置は、ポンプによる水の放流がある河川の水位を精度よく予測することができるので、例えば、河川の水位を監視する監視装置に利用可能である。

１ 水位予測装置、２ 河川データベース、１０ 第１の学習部、１１ 第２の学習部、１２ 水位予測部、２０ 仮想ポンプ井モデル、１００ データベースインタフェース、１０１ ディスプレイインタフェース、１０２ 処理回路、１０３ プロセッサ、１０４ メモリ、１２０ 設定部、１２１ 予測部、１２２ 尤度評価部、１２３ 修正部。

Claims (8)

1. 河川の流域に降った雨水が貯留され、貯留高に応じてポンプが動作して前記河川へ水を流出させる仮想のポンプ井を想定した仮想ポンプ井モデル、前記流域の過去の雨量データおよび前記仮想ポンプ井モデルでの前記ポンプの動作履歴データを用いて、前記ポンプの動作に関するポンプ動作パラメータを学習する第１の学習部と、
   前記ポンプ動作パラメータを用いて、前記ポンプの動作に応じた前記河川の水位と水位増加量との関係を示す水位変化パラメータを学習する第２の学習部と、
   前記ポンプ動作パラメータおよび前記水位変化パラメータに基づいて、前記河川の水位を予測する水位予測部と、
   を備えたことを特徴とする水位予測装置。
2. 前記仮想ポンプ井モデルでは、前記ポンプ井の貯留高についての複数の閾値のそれぞれに対応する台数の前記ポンプが動作し、
   前記第１の学習部は、前記ポンプの動作台数を含んだ前記ポンプ動作パラメータを学習し、
   前記第２の学習部は、前記水位変化パラメータを、前記ポンプ動作パラメータに含まれる前記ポンプの動作台数ごとに学習し、
   前記水位予測部は、前記ポンプの動作台数ごとの前記ポンプ動作パラメータおよび前記水位変化パラメータを初期値として設定した水位予測モデルを用いて、前記河川の水位を予測し、前記河川の水位の予測値と前記河川の水位の観測値とに基づいて、前記水位予測モデルを用いた予測の尤度を算出し、算出した尤度に応じて前記初期値を修正すること
   を特徴とする請求項１記載の水位予測装置。
3. 前記第１の学習部は、前記ポンプの誤動作確率が最小となる閾値を学習すること
   を特徴とする請求項１または請求項２記載の水位予測装置。
4. 前記水位予測部は、前記ポンプ動作パラメータおよび前記水位変化パラメータが、状態ベクトルとして設定された状態推定モデルを用いて、前記初期値を修正すること
   を特徴とする請求項２記載の水位予測装置。
5. 前記水位予測部は、前記ポンプ動作パラメータおよび前記水位変化パラメータが、粒子として設定された粒子フィルタを用いて、前記初期値を修正すること
   を特徴とする請求項２記載の水位予測装置。
6. 前記第１の学習部は、前記ポンプ井の水位の観測データを用いて前記ポンプが動作する閾値を学習すること
   を特徴とする請求項１記載の水位予測装置。
7. 前記水位予測部は、前記ポンプ井の水位の観測データを用いて前記ポンプの動作を予測すること
   を特徴とする請求項１記載の水位予測装置。
8. 第１の学習部が、河川の流域に降った雨水が貯留され、貯留高に応じてポンプが動作して前記河川へ水を流出させる仮想のポンプ井を想定した仮想ポンプ井モデル、前記流域の過去の雨量データおよび前記仮想ポンプ井モデルでの前記ポンプの動作履歴データを用いて、前記ポンプの動作に関するポンプ動作パラメータを学習するステップと、
   第２の学習部が、前記ポンプ動作パラメータを用いて、前記ポンプの動作に応じた前記河川の水位と水位増加量との関係を示す水位変化パラメータを学習するステップと、
   水位予測部が、前記ポンプ動作パラメータおよび前記水位変化パラメータに基づいて、前記河川の水位を予測するステップと、
   を備えたことを特徴とする水位予測方法。

Images