JP6906769B2 - 高解像度化装置、高解像度化方法、空間データ高解像度化方法、およびプログラム - Google Patents

高解像度化装置、高解像度化方法、空間データ高解像度化方法、およびプログラム Download PDF

Info

Publication number
JP6906769B2
JP6906769B2 JP2018084055A JP2018084055A JP6906769B2 JP 6906769 B2 JP6906769 B2 JP 6906769B2 JP 2018084055 A JP2018084055 A JP 2018084055A JP 2018084055 A JP2018084055 A JP 2018084055A JP 6906769 B2 JP6906769 B2 JP 6906769B2
Authority
JP
Japan
Prior art keywords
spatial data
target
particle size
spatial
resolution
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
Application number
JP2018084055A
Other languages
English (en)
Other versions
JP2019191936A (ja
Inventor
佑典 田中
佑典 田中
具治 岩田
具治 岩田
倉島　健
健 倉島
浩之 戸田
浩之 戸田
田中　利幸
利幸 田中
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.)
Kyoto University
Nippon Telegraph and Telephone Corp
Original Assignee
Kyoto University
Nippon Telegraph and Telephone Corp
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 Kyoto University, Nippon Telegraph and Telephone Corp filed Critical Kyoto University
Priority to JP2018084055A priority Critical patent/JP6906769B2/ja
Publication of JP2019191936A publication Critical patent/JP2019191936A/ja
Application granted granted Critical
Publication of JP6906769B2 publication Critical patent/JP6906769B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Description

本発明は、高解像度化装置、高解像度化方法、およびプログラムに係り、特に、空間データを高解像度化するための高解像度化装置、高解像度化方法、およびプログラムに関する。
近年、政府や企業などの組織が、都市環境や事業の改善を目的として、様々な種類の空間データ（貧困度、大気汚染度、犯罪数、人口、交通量など）を収集し、公開している。空間データとは、エリア（緯度経度、住所、地域など）とそれに紐づく何らかの値とのペアで与えられるデータを指す。
このような空間データは、収集コストが高く空間的に密なデータを収集することが難しいため、空間を分割する単位を広く取ったエリア、すなわち粒度のある程度粗いエリアにおいて、平均化されて提供されることが多い。
しかし、より良い都市環境の改善のためには、高解像度の空間データが望ましい。例えば、貧困度が高いエリアや大気汚染度が高いエリアを詳細に絞りこむことで、粗い粒度の空間データよりも適切な政策の決定等の介入が可能となる。
したがって、粗い粒度で収集された低解像度の空間データを、細かい粒度で表わされる高解像度の空間データに変換することが考えられる。
例えば、ターゲットとする低解像度の空間データとは別に、他の種類の高解像度の空間データを用意し、それらを粒度の高解像度化のために補助的に用いて学習した回帰モデルを用いることによって、ターゲットとする空間データの細かい粒度における値を予測する技術が存在する（非特許文献１）。
また、例えば、空間相関（位置が近い場合に、その位置に紐づくサンプル値も近い値をとるという性質）と前述の回帰モデルとの両方の効果を加味して、ターゲットとする空間データの細かい粒度における値を予測する技術が存在する（非特許文献２）。
C. Smith-Clarke, A. Mashhadi and L. Capra, "Poverty on the Cheap: Estimating Poverty Maps Using Aggregated Mobile Communication Networks", Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, 2014, pp. 511-520. N. W. Park, "Spatial Downscaling of TRMM Precipitation Using Geostatistics and Fine Scale Environmental Variables", Advances in Meteorology, volume 2013, article ID 237126, 2013.
上記の従来技術（非特許文献１、２）は、ターゲットとする空間データが持つ空間相関を考慮しつつ、他の種類の解像度の高い空間データを補助的なデータとして用いて学習した回帰モデルに基づいて、ターゲットとする空間データの細かい粒度における値を予測することが可能である。
ここで、従来技術では、“補助的な空間データの粒度（住所、地域などの集計単位）は互いに等しい”ことが仮定されている。
しかし、この仮定は、より多くの種類の空間データを補助的に用いる場合には、必ずしも適切ではない。なぜなら、政府や企業などが収集する空間データは、各組織の方針に基づいて独自の粒度で集計されるからである。
例えば、政府による国勢調査では、住所ごとの細かい粒度の人口密度データが得られるが、犯罪発生率データは警察の管轄エリア毎に得られる場合などが考えられる。
このように、従来技術では、空間データ毎に粒度が異なる場合には適用困難である、という問題があった。
本発明は、上記の点に鑑みてなされたものであり、異なる粒度を持つ補助的な空間データを用いて、空間データを精度よく高解像度化することができる高解像度化装置、高解像度化方法、およびプログラムを提供することを目的とする。
本発明に係る高解像度化装置は、空間を分割するエリアの単位を示す粒度でのエリアごとに紐付く値からなる変換対象の空間データを、値の種類が異なる補助的な空間データを用いてターゲットとする前記粒度の前記変換対象の空間データに変換するための回帰モデルを学習する高解像度化装置であって、前記値の種類を示す複数のドメインの各々について、前記ドメインの前記補助的な空間データを、任意の空間補間法を用いて前記ターゲットとする前記粒度の前記補助的な空間データに補間する空間補間部と、前記変換対象の空間データと、前記複数のドメインの各々についての前記ターゲットとする前記粒度の前記補助的な空間データの各々とに基づいて、前記回帰モデルのパラメータを推定するパラメータ推定部と、を備えて構成される。
また、本発明に係る高解像度化方法は、空間を分割するエリアの単位を示す粒度でのエリアごとに紐付く値からなる変換対象の空間データを、値の種類が異なる補助的な空間データを用いてターゲットとする前記粒度の前記変換対象の空間データに変換するための回帰モデルを学習する高解像度化方法であって、空間補間部が、前記値の種類を示す複数のドメインの各々について、前記ドメインの前記補助的な空間データを、任意の空間補間法を用いて前記ターゲットとする前記粒度の前記補助的な空間データに補間し、パラメータ推定部が、前記変換対象の空間データと、前記複数のドメインの各々についての前記ターゲットとする前記粒度の前記補助的な空間データの各々とに基づいて、前記回帰モデルのパラメータを推定する。
本発明に係る高解像度化装置及び高解像度化方法によれば、空間補間部が、空間を分割するエリアの単位を示す粒度でのエリアごとに紐付く値の種類を示す複数のドメインの各々について、当該ドメインの補助的な空間データを、任意の空間補間法を用いてターゲットとする粒度の当該補助的な空間データに補間する。
そして、パラメータ推定部が、当該変換対象の空間データと、複数のドメインの各々についての当該ターゲットとする当該粒度の当該補助的な空間データの各々とに基づいて、当該粒度の当該変換対象の空間データに変換するための回帰モデルのパラメータを推定する。
このように、値の種類を示す複数のドメインの各々について、当該ドメインの補助的な空間データを、任意の空間補間法を用いてターゲットとする粒度の当該補助的な空間データに補間し、変換対象の空間データと、複数のドメインの各々についてのターゲットとする当該粒度の当該補助的な空間データの各々とに基づいて、当該変換対象の空間データをターゲットとする当該粒度の当該変換対象の空間データに変換するための回帰モデルのパラメータを推定することにより、異なる粒度を持つ補助的な空間データを用いて、空間データを精度よく高解像度化することができる。
また、本発明に係る高解像度化装置の前記空間補間部は、前記複数のドメインの各々について、前記空間補間法としてガウス過程回帰を用いて、前記ターゲットとなる前記粒度の前記補助的な空間データとして、前記ターゲットとする前記粒度でのエリアごとに前記ドメインの値の平均及び分散を求め、前記パラメータ推定部は、前記変換対象の空間データと、前記空間補間部により前記複数のドメインの各々について求められた、前記ターゲットとする前記粒度でのエリア毎に前記ドメインの値の平均及び分散とに基づいて、前記回帰モデルのパラメータを推定することができる。
また、本発明に係る高解像度化方法の前記空間補間部は、前記複数のドメインの各々について、前記空間補間法としてガウス過程回帰を用いて、前記ターゲットとなる前記粒度の前記補助的な空間データとして、前記ターゲットとする前記粒度でのエリアごとに前記ドメインの値の平均及び分散を求め、前記パラメータ推定部は、前記変換対象の空間データと、前記空間補間部により前記複数のドメインの各々について求められた、前記ターゲットとする前記粒度でのエリア毎に前記ドメインの値の平均及び分散とに基づいて、前記回帰モデルのパラメータを推定することができる。
また、本発明に係る高解像度化装置は、前記変換対象の空間データと、前記複数のドメインの各々についての前記ターゲットとする前記粒度の前記補助的な空間データの各々と、前記回帰モデルとに基づいて、前記ターゲットとする前記粒度の前記変換対象の空間データを算出する高解像度データ算出部を備えることができる。
また、本発明に係る高解像度化方法は、高解像度データ算出部が、前記変換対象の空間データと、前記複数のドメインの各々についての前記ターゲットとする前記粒度の前記補助的な空間データの各々と、前記回帰モデルとに基づいて、前記ターゲットとする前記粒度の前記変換対象の空間データを算出することができる。
本発明に係るプログラムは、上記の高解像度化装置の各部として機能させるためのプログラムである。
本発明の高解像度化装置、高解像度化方法、およびプログラムによれば、異なる粒度を持つ補助的な空間データを用いて、空間データを精度よく高解像度化することができる。
本発明の実施の形態に係る高解像度化装置の構成を示すブロック図である。 本発明の実施の形態における粒度の例（上図）及び出力例（下図）である。 本発明の実施の形態に係る高解像度化装置の空間データ高解像度化処理ルーチンを示すフローチャートである。 本発明の実施の形態に係る高解像度化装置の検索処理ルーチンを示すフローチャートである。
以下、本発明の実施の形態について図面を用いて説明する。
＜本発明の実施の形態に係る高解像度化装置の概要＞
まず、本発明の実施形態の概要について説明する。
本実施形態では、様々な粒度を持つ様々なドメイン（種類）の空間データを補助的に用いて、変換対象とする粗い粒度の空間データとの間の統計的な関係を回帰モデルにより学習する。
具体的には、クリギング（参考文献１）やガウス過程回帰（参考文献２）等の空間補間法を、様々な粒度を持つ補助的な空間データに適用することにより、これらの補助的な空間データの粒度を均一にする。そして、それらを入力として、変換対象の空間データとの統計的な関係を回帰モデルにより学習する。
［参考文献１］T. Hengl, G. B. M. Heuvelink and A. Stein, “A Generic Framework for Spatial Prediction of Soil Variables based on Regression-Kriging”, Geoderma, volume 120, issues 11-2, 2004, pages 75-93.
［参考文献２］C. E. Rasmussen and C. K. I. Williams, Gaussian Processes for Machine Learning, MIT Press, 2006.
このような構成により、粒度が互いに異なる補助的な空間データが与えられた場合においても、回帰モデルを学習可能である。
例えば、住所ごとの人口密度データと、警察の管轄エリアごとの犯罪発生率データのように、集計化される単位が異なる場合においても、それらのデータを用いて回帰モデルを学習し、ターゲットとする粗い粒度の空間データの高解像度化に利用することができる。
また、補助的な空間データに対して空間補間法を適用し、任意の点におけるサンプル値を予測することができるため、ターゲットとする粒度を任意に設定することができる。
例えば、１００ｍ×１００ｍのグリッドで区切られたエリア集合等をターゲットとする粒度として設定することも可能である。これにより政府や企業等が要求する粒度に基づくエリア集合に対して、高解像度なデータを算出することができる。
本実施形態では、様々な粒度を持つ補助的な空間データに対してガウス過程回帰を用いた空間補間を行う場合について説明する。ガウス過程回帰を用いることで、任意の点における予測値と分散（予測値に対する信頼度）を計算し、この予測値に対する信頼度を加味することで、効果的に回帰モデルを学習する。
回帰モデルの学習では、補助的に用いる空間データのそれぞれに対する重要度を学習する。ここで、重要度とは、補助的な空間データのそれぞれが、ターゲットとする高解像度な空間データをどの程度説明できるかの度合いを表す。この重要度はターゲットとする空間データとの相関のみによって決まるわけではなく、補助的に用いる空間データの粒度の粗さにも依存する。
例えば、変換対象とする空間データＡ、補助的な空間データＢ、Ｃがあったとし、ＡとＢと、及びＡとＣとの間の相関がそれぞれ全く同じだったとする。このとき、Ｂの空間粒度は細かく、Ｃの空間粒度は粗いとすると、高解像度な空間データをより説明できるのは細かい粒度の空間データＢであると考えられる。
このように、補助的に用いるそれぞれの空間データの重要度を、それらの持つ空間粒度の違いを加味しつつ回帰モデルの推定が可能であるというメリットがある。
したがって、補助的に用いる空間データの粒度の違いを加味しつつ効果的に回帰モデルを学習でき、学習済みの回帰モデルを用いることにより変換対象とする粗い粒度の空間データを高解像度に変換することができる。
＜本発明の実施の形態に係る高解像度化装置の構成＞
図１を参照して、本発明の実施の形態に係る高解像度化装置１０の構成について説明する。図１は、本発明の実施の形態に係る高解像度化装置１０の構成を示すブロック図である。
高解像度化装置１０は、ＣＰＵと、ＲＡＭと、後述する高解像度化処理ルーチン及び検索処理ルーチンを実行するためのプログラムを記憶したＲＯＭとを備えたコンピュータで構成され、機能的には次に示すように構成されている。
図１に示すように、本実施形態に係る高解像度化装置１０は、補助的空間データ格納部１００と、ターゲット粒度エリア中心格納部１１０と、変換対象空間データ格納部１２０と、粒度エリア対応表格納部１３０と、操作部１４０と、空間補間部１５０と、パラメータ推定部１６０と、高解像度データ算出部１７０と、高解像度データ格納部１８０と、入力部１９０と、検索部２００と、出力部２１０とを備えて構成される。
補助的空間データ格納部１００、ターゲット粒度エリア中心格納部１１０、変換対象空間データ格納部１２０、粒度エリア対応表格納部１３０、及び高解像度データ格納部１８０は、Ｗｅｂサーバや、データベースを具備するデータベースサーバ等であり、要求にしたがって、データを読み出し、該当のデータを要求元に送信する。
補助的空間データ格納部１００は、変換対象の空間データの高解像度化のために補助的に利用され得る補助的な空間データを、値の種類を示すドメインごとに格納する。
具体的には、入力空間全体を表す集合を
Figure 0006906769

とする。ここで、
Figure 0006906769

はユークリッド空間の部分集合であり、例えば対象とする都市全体を表現するものである。
また、ドメインを表す集合を
Figure 0006906769

とし、ドメイン
Figure 0006906769

の空間データが紐づくエリア集合を
Figure 0006906769

とする。ここで、
Figure 0006906769

は
Figure 0006906769

の分割であり、
Figure 0006906769

の要素であるエリアの和集合は
Figure 0006906769

に一致する。
また、エリア
Figure 0006906769

におけるドメインｓの空間データの値を
Figure 0006906769

と表す。
そして、ドメインsの空間データをまとめて
Figure 0006906769

次元ベクトル
Figure 0006906769

とする。ここで、
Figure 0006906769

は
Figure 0006906769

に含まれるエリアの数を表す。
また、ドメインsのエリア
Figure 0006906769

における中心座標を
Figure 0006906769

とし、まとめて
Figure 0006906769

とする。
すなわち、補助的空間データ格納部１００は、
Figure 0006906769

を補助的な空間データとして格納している。
ターゲット粒度エリア中心格納部１１０は、ターゲットとする粒度のエリア集合に対する各エリアｊの中心座標の集合
Figure 0006906769

を、粒度ごとに格納する。
ここで、粒度とは、空間を分割するエリアの単位である。例えば、図２上図に示すように、ターゲットとなり得る粒度であるターゲット粒度候補が、複数用意されており、ターゲット粒度候補Ａとターゲット粒度候補Ｂとでは、ターゲット粒度候補Ａの方が粗い粒度である。
具体的には、ターゲットとする粒度のエリア集合を
Figure 0006906769

とする。細かいエリア
Figure 0006906769

における中心座標を
Figure 0006906769

とし、まとめて
Figure 0006906769

とする。
ここで、
Figure 0006906769

は、
Figure 0006906769

に含まれるエリアの数を表す。
変換対象空間データ格納部１２０は、変換対象とする粗い粒度の空間データ
Figure 0006906769

を格納する。
ここでは、変換対象の空間データの粗い粒度のエリア集合を
Figure 0006906769

とする。また、粗いエリア
Figure 0006906769

におけるターゲットの空間データの値を
Figure 0006906769

と表し、まとめて
Figure 0006906769

次元ベクトル
Figure 0006906769

とする。
ここで、
Figure 0006906769

は、
Figure 0006906769

に含まれるエリアの数を表す。
粒度エリア対応表格納部１３０は、ターゲットとする粒度の各エリアが、粗い粒度のどのエリアに含まれるかを表す対応表
Figure 0006906769

を格納する。
ここで、
Figure 0006906769

は、粗い粒度のエリアｉに含まれるターゲットとする粒度のエリアｊの集合を表す。
操作部１４０は、補助的空間データ格納部１００、ターゲット粒度エリア中心格納部１１０、変換対象空間データ格納部１２０、及び粒度エリア対応表格納部１３０が格納するデータに対するユーザからの各種操作を受け付ける。
各種操作とは、例えば、格納された情報を登録、修正、削除する操作等である。操作部１４０の入力手段は、キーボードやマウス、メニュー画面、タッチパネルによるもの等、なんでもよい。また、操作部１４０は、マウス等の入力手段のデバイスドライバや、メニュー画面の制御ソフトウェアで実現される。
空間補間部１５０は、複数のドメインの各々について、当該ドメインの補助的な空間データを、任意の空間補間法を用いてターゲットとする粒度の当該補助的な空間データに補間する。
本実施形態では、複数のドメインの各々について、空間補間法としてガウス過程回帰を用いて、ターゲットとなる粒度の補助的な空間データとして、ターゲットとする粒度でのエリアごとに当該ドメインの値の平均及び分散を求める場合について説明する。
具体的には、空間補間部１５０は、以下に説明するように、補助的空間データ格納部１００に格納されたドメインｓの補助的な空間データ
Figure 0006906769

を、様々な粒度を持つ空間データに補間するためのドメインｓにおける空間データに関するハイパーパラメータを求めた後、粒度毎に、各ドメインｓにおける連続表現（予測分布）として、ターゲット粒度エリア中心格納部１１０に格納された各エリア中心での平均（予測値）及び分散を推定する。
まず、
Figure 0006906769

をある座標とし、
Figure 0006906769

をドメインｓにおける補助的な空間データに対する潜在的な関数とする。
Figure 0006906769

はガウス過程に従うと仮定し、平均は０、相関関数は下記式（１）とする。
Figure 0006906769
ここで、
Figure 0006906769

はある点
Figure 0006906769

の周りへの点への相関の範囲を決めるスケールパラメータであり、
Figure 0006906769

は相関の大きさ（ｍａｇｎｉｔｕｄｅ）を決める分散パラメータである。式（１）はｓｑｕａｒｅｄ−ｅｘｐｏｎｅｎｔｉａｌ ｋｅｒｎｅｌと呼ばれ、空間座標におけるあるデータの類似度を測るためにも最もよく用いられる相関関数の一つである。
ドメインｓのエリア集合における各エリアの中心座標
Figure 0006906769

を表す訓練データが与えられたとしたとき、
Figure 0006906769

の結合分布は多次元ガウス分布で表すことができ、下記式（２）と書ける。
Figure 0006906769
ここで、
Figure 0006906769

は
Figure 0006906769

行列であり、各要素は
Figure 0006906769

である。
次に、ドメインｓの空間データ
Figure 0006906769

は、ガウスノイズが加えられて得られるものと仮定する。このとき、ドメインｓの空間データ
Figure 0006906769

は、条件付き確率である下記式（３）に従う。
Figure 0006906769
ここで、
Figure 0006906769

は、単位行列であり、
Figure 0006906769

はノイズに対する分散パラメータである。
ここで、上記式（２）及び式（３）の共役性により、
Figure 0006906769

を解析的に積分消去することができる。このため、ドメインｓの空間データ
Figure 0006906769

の周辺尤度が、下記式（４）により定義される。
Figure 0006906769
そして、空間補間部１５０は、式（４）について、周辺尤度最大化に基づいて、ハイパーパラメータである
Figure 0006906769

を推定する。式（４）の両辺の対数をとった周辺化対数尤度関数は、下記式（５）で表すことができる。
Figure 0006906769
すなわち、空間補間部１５０は、式（５）を最大にするようなハイパーパラメータ
Figure 0006906769

を求める。ここで、最適化手法は何を用いてもよいが、例えば、ＢＦＧＳ法（参考文献３）を用いることができる。
［参考文献３］D.C. Liu and J. Nocedal, “On the Limited Memory BFGS Method for Large Scale Optimization”, Mathematical Programming, vol. 45, 1989, pp. 503-528.
次に、空間補間部１５０は、推定したハイパーパラメータ
Figure 0006906769

を用いて、粒度毎に、ターゲット粒度エリア中心格納部１１０に格納された各エリアｊの中心座標
Figure 0006906769

での予測分布を計算する。
Figure 0006906769

を、あるターゲット粒度のテストデータとしたとき、各テストサンプル
Figure 0006906769

における予測値
Figure 0006906769

の結合予測分布は、下記式（６）となる。
Figure 0006906769
ここで、
Figure 0006906769

は、平均（予測平均）であり、下記式（７）により計算することができ、
Figure 0006906769

は分散（相関行列）であり、下記式（８）により計算することができる。
Figure 0006906769
Figure 0006906769
ここで、
Figure 0006906769

は、
Figure 0006906769

行列であり、
Figure 0006906769

の各要素は、訓練データ
Figure 0006906769

の各訓練サンプル
Figure 0006906769

と、テストデータ
Figure 0006906769

の各テストサンプル
Figure 0006906769

との相関関数（式（１））の値である。ただし、推定したハイパーパラメータ
Figure 0006906769

を用いる。
また、
Figure 0006906769

は、
Figure 0006906769

行列であり、
Figure 0006906769

の各要素は、テストデータ
Figure 0006906769

の各テストサンプル
Figure 0006906769

間の相関関数（式（１））の値である。ただし、推定したハイパーパラメータ
Figure 0006906769

を用いる。
このように、空間補間部１５０は、上記の処理を全てのドメインｓについて、ハイパーパラメータ
Figure 0006906769

を推定し、ターゲットとする粒度毎に、平均
Figure 0006906769

及び分散
Figure 0006906769

を求めることにより、ドメインｓの補助的な空間データを、ターゲットとする粒度の当該補助的な空間データに補間する。
そして、空間補間部１５０は、求めた全てのドメインｓにおける平均
Figure 0006906769

及び分散
Figure 0006906769

を、パラメータ推定部１６０及び高解像度データ算出部１７０に渡す。
パラメータ推定部１６０は、変換対象の空間データと、複数のドメインの各々についてのターゲットとする粒度でのエリア毎にドメインの値の平均及び分散とに基づいて、ターゲットとする粒度の変換対象の空間データに変換するための回帰モデルのパラメータを推定する。
具体的には、パラメータ推定部１６０は、まず、
Figure 0006906769

を変換対象とする空間データに対する潜在的な関数とし、
Figure 0006906769

はガウス過程に従うものとし、平均関数を下記式（９）とする。
Figure 0006906769
ここで、
Figure 0006906769

はドメインｓの空間データに対する重みパラメータであり、
Figure 0006906769

はバイアスパラメータである。また、相関関数は上記式（１）と同様のものを用いる。ただし、相関関数のハイパーパラメータを
Figure 0006906769

とする。
次に、パラメータ推定部１６０は、ターゲットとする粒度におけるエリア集合の各エリアｊの中心座標
Figure 0006906769

に対する変換対象の空間データのサンプル値を
Figure 0006906769

とする。
ここで、
Figure 0006906769

は、変換対象の空間データを、ターゲットとする粒度の変換対象の空間データに変換した空間データであり、以下高解像度データ
Figure 0006906769

と呼ぶ。
各ドメインｓにおける補助的な空間データの予測値が与えられたとしたとき、
Figure 0006906769

の条件付き確率は、下記式（１０）と書ける。
Figure 0006906769
ここで、
Figure 0006906769

であり、
Figure 0006906769

は
Figure 0006906769

の相関行列である。また、
Figure 0006906769

を数値１を並べた列ベクトルであるとして、
Figure 0006906769

とした。
変換対象の空間データ
Figure 0006906769

は、
Figure 0006906769

を構成する高解像度データ
Figure 0006906769

を平均化して表されると仮定すると、
Figure 0006906769

は下記式（１１）の条件付き分布から生成されるとみなすことができる。
Figure 0006906769
ここで、
Figure 0006906769

はノイズに対する分散パラメータであり、
Figure 0006906769

は
Figure 0006906769

の平均化行列である。
また、パラメータ推定部１６０は、粒度エリア対応表格納部１３０に格納されている
Figure 0006906769

を用いて、
Figure 0006906769

の要素
Figure 0006906769

は、
Figure 0006906769

を満たす場合は
Figure 0006906769

であり、満たさない場合は０とする。
次に、パラメータ推定部１６０は、モデルパラメータである重みパラメータ
Figure 0006906769

及び空間相関を制御するパラメータ
Figure 0006906769

を推定する。
具体的には、変換対象空間データ格納部１２０に格納されている変換対象の空間データ
Figure 0006906769

の周辺化尤度は下記式（１２）で表すことができる。
Figure 0006906769
ここで、
Figure 0006906769

とした。また、
Figure 0006906769

は
Figure 0006906769

の共分散行列であり、各要素
Figure 0006906769

は下記式（１３）で表すことができる。
Figure 0006906769
ここで、
Figure 0006906769

はクロネッカーのデルタ関数であり、Ａ＝Ｂのとき１の値を、それ以外のとき０の値をとる関数である。また、上記式（１３）の２行目における第２項は、
Figure 0006906769

の回帰残差に対する分散を表す。ここに、
Figure 0006906769

が加えられていることに注目する。各ドメインｓにおける補助的な空間データを用いて、空間補間部１５０により求められた平均
Figure 0006906769

に対する分散
Figure 0006906769

が
Figure 0006906769

の回帰残差に対する分散に影響する。これにより、補助的な空間データを用いて推定した予測の信頼度、すなわち、空間補間の信頼度を加味しつつ、重みパラメータ
Figure 0006906769

を推定することができる。
そして、パラメータ推定部１６０は、上記式（１２）を最大化するように、重みパラメータ
Figure 0006906769

及び空間相関を制御するパラメータ
Figure 0006906769

を推定する。
ここで、式（１２）の両辺に対数をとった周辺化対数尤度関数は、下記式（１４）と書くことができる。
Figure 0006906769
そこで、パラメータ推定部１６０は、上記式（１４）を最大にするような、重みパラメータ
Figure 0006906769

及び空間相関を制御するパラメータ
Figure 0006906769

を推定する。最適化手法は何を用いてもよいが、例えば、ＢＦＧＳ法（参考文献３）を用いることができる。
そして、パラメータ推定部１６０は、推定した重みパラメータ
Figure 0006906769

及び空間相関を制御するパラメータ
Figure 0006906769

を、高解像度データ算出部１７０に渡す。
高解像度データ算出部１７０は、変換対象の空間データと、複数のドメインの各々についてのターゲットとする粒度の補助的な空間データの各々と、回帰モデルとに基づいて、ターゲットとする粒度の変換対象の空間データを算出する。
具体的には、高解像度データ算出部１７０は、変換対象空間データ格納部１２０に格納された変換対象とする空間データ
Figure 0006906769

、空間補間部１５０により求められた各ドメインにおける補助的な空間データの平均
Figure 0006906769

及び分散
Figure 0006906769

、及びターゲット粒度エリア中心格納部１１０に格納されたターゲットとする粒度のエリア集合に対する各エリアｊの中心座標の集合
Figure 0006906769

と、粒度エリア対応表格納部１３０に格納された対応表
Figure 0006906769

と、パラメータ推定部１６０で推定された重みパラメータ
Figure 0006906769

及び空間相関を制御するパラメータ
Figure 0006906769

とを用いて、ターゲットとする粒度の変換対象の空間データである高解像度データ
Figure 0006906769

の予測分布
Figure 0006906769

を求めることにより、高解像度データ
Figure 0006906769

を算出する。
予測分布
Figure 0006906769

は、下記式（１５）である。
Figure 0006906769
ここで、
Figure 0006906769

は平均であり、下記式（１６）で表すことができる。
Figure 0006906769
また、
Figure 0006906769

は相関行列であり、下記式（１７）で表すことができる。
Figure 0006906769
そして、高解像度データ算出部１７０は、算出したターゲットとする粒度の変換対象の空間データである高解像度データ
Figure 0006906769

の平均
Figure 0006906769

及び相関行列
Figure 0006906769

を、高解像度データ格納部１８０に格納する。
高解像度データ格納部１８０は、高解像度データ算出部１７０により算出されたターゲットとする粒度の変換対象の空間データである高解像度データ
Figure 0006906769

の平均
Figure 0006906769

及び相関行列
Figure 0006906769

を、格納する。
そして、高解像度化装置１０は、空間補間部１５０、パラメータ推定部１６０、及び高解像度データ算出部１７０の処理を、ターゲット粒度候補の全てについて行う。
入力部１９０は、ターゲット粒度候補のＩＤであるターゲット粒度ＩＤの入力を受け付ける。
そして、入力部１９０は、受け付けたターゲット粒度ＩＤを、検索部２００に渡す。
なお、入力部１９０にターゲット粒度ＩＤを入力する手段は、キーボードやマウス、メニュー画面、タッチパネルによるもの等、なんでもよい。また、入力部１９０は、マウス等の入力手段のデバイスドライバや、メニュー画面の制御ソフトウェアで実現され得る。
検索部２００は、入力部１９０により受け付けたターゲット粒度ＩＤにより指定された粒度のエリア集合に対して、変換対象の空間データを高解像度化した高解像度データ
Figure 0006906769

を検索する。
具体的には、図２上図に示すように、入力部１９０が受け付けたターゲット粒度ＩＤと同一のＩＤであるターゲット粒度候補の変換対象の空間データである高解像度データ
Figure 0006906769

の平均
Figure 0006906769

を、高解像度データ格納部１８０から検索する。
そして、検索部２００は、検索結果である
Figure 0006906769

を出力部２１０に渡す。
出力部２１０は、検索部２００から取得した
Figure 0006906769

を高解像度データとして出力する。
例えば、図２下図に示すように、粗い粒度の変換対象の空間データを、ターゲット粒度候補Ａの持つ粒度に高解像度データを出力する。
また、上記ではディスプレイへの表示を例にしたが、出力部２１０は、プリンタへの印字、音出力、外部装置への送信等の出力をする構成としてもよい。また、出力部２１０は、ディスプレイやスピーカ等の出力デバイスを含む構成としてもよい。また、出力部２１０は、出力デバイスのドライバソフトまたは、出力デバイスのドライバソフトと出力デバイス等で実現され得る。
＜本発明の実施の形態に係る高解像度化装置の作用＞
図３は、本発明の実施の形態に係る高解像度化処理ルーチンを示すフローチャートである。
高解像度化装置１０において、高解像度化処理を行う命令が実行されると、図３に示す高解像度化処理ルーチンが実行される。
まず、ステップＳ１００において、空間補間部１５０は、複数のドメインの各々について、当該ドメインの補助的な空間データを様々な粒度の当該補助的な空間データに補間するためのハイパーパラメータを推定する。
ステップＳ１１０において、高解像度化装置１０が、１番目のターゲット粒度ＩＤを選択する。
ステップＳ１２０において、空間補間部１５０は、複数のドメインの各々について、当該ドメインの補助的な空間データについて上記ステップＳ１００で推定されたハイパーパラメータを用いて、当該ドメインの補助的な空間データを、任意の空間補間法を用いてターゲットとする粒度の当該補助的な空間データに補間する。
ステップＳ１３０において、パラメータ推定部１６０は、変換対象の空間データと、複数のドメインの各々についてのターゲットとする粒度でのエリア毎にドメインの値の平均及び分散とに基づいて、ターゲットとする粒度の変換対象の空間データに変換するための回帰モデルのパラメータを推定する。
ステップＳ１４０において、高解像度データ算出部１７０は、変換対象の空間データと、複数のドメインの各々についてのターゲットとする粒度の補助的な空間データの各々と、回帰モデルとに基づいて、ターゲットとする粒度の変換対象の空間データを算出する。
ステップＳ１５０において、高解像度データ格納部１８０は、上記ステップＳ１４０により算出されたターゲットとする粒度の変換対象の空間データである高解像度データの平均及び相関行列を、格納する。
ステップＳ１６０において、高解像度化装置１０は、全てのターゲット粒度ＩＤについて、処理を行ったか否かを判定する。
全てのターゲット粒度ＩＤについて処理を行っていない場合（ステップＳ１６０のＮＯ）、ステップＳ１７０において、高解像度化装置１０は、次のターゲット粒度ＩＤを選択し、上記ステップＳ１２０〜Ｓ１６０の処理を繰り返す。
一方、全てのターゲット粒度ＩＤについて処理を行っている場合（ステップＳ１６０のＹＥＳ）、処理を終了する。
また、図４は、本発明の実施の形態に係る検索処理ルーチンを示すフローチャートである。
ステップＳ２００において、ターゲットとする粒度のＩＤであるターゲット粒度ＩＤの入力を受け付ける。
ステップＳ２１０において、検索部２００は、上記ステップＳ２００により受け付けたターゲット粒度ＩＤにより指定された粒度のエリア集合に対して、変換対象の空間データを高解像度化した高解像度データを検索する。
ステップＳ２２０において、出力部２１０は、検索部２００から取得した高解像度データを出力する。
以上説明したように、本発明の実施形態に係る高解像度化装置によれば、値の種類を示す複数のドメインの各々について、当該ドメインの補助的な空間データを、任意の空間補間法を用いてターゲットとする粒度の当該補助的な空間データに補間し、変換対象の空間データと、複数のドメインの各々についてのターゲットとする当該粒度の当該補助的な空間データの各々とに基づいて、当該変換対象の空間データをターゲットとする当該粒度の当該変換対象の空間データに変換するための回帰モデルのパラメータを推定するため、異なる粒度を持つ補助的な空間データを用いて、空間データを精度よく高解像度化することができる。
なお、本発明は、上述した実施の形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。
例えば、上記実施形態では、予め全ての粒度について高解像度データ
Figure 0006906769

の平均
Figure 0006906769

及び相関行列
Figure 0006906769

を、高解像度データ格納部１８０に格納しておく構成としたが、ターゲット粒度ＩＤが入力される度に学習済みモデルで高解像度化して出力する構成としてもよい。
また、入力部１９０が、変換対象となる空間データ
Figure 0006906769

及びターゲット粒度ＩＤを受け付け、これを変換対象空間データ格納部１２０に格納し、入力されたターゲット粒度ＩＤの粒度をターゲットとする粒度として、変換対象となる空間データを高解像度化し、これを出力する構成としてもよい。
また、本願明細書中において、プログラムが予めインストールされている実施形態として説明したが、当該プログラムを、コンピュータ読み取り可能な記録媒体に格納して提供することも可能である。
１０ 高解像度化装置
１００ 補助的空間データ格納部
１１０ ターゲット粒度エリア中心格納部
１２０ 変換対象空間データ格納部
１３０ 粒度エリア対応表格納部
１４０ 操作部
１５０ 空間補間部
１６０ パラメータ推定部
１７０ 高解像度データ算出部
１８０ 高解像度データ格納部
１９０ 入力部
２００ 検索部
２１０ 出力部

Claims (7)

  1. 空間を分割するエリアの単位を示す粒度でのエリアごとに紐付く値からなる変換対象の空間データを、値の種類が異なる補助的な空間データを用いてターゲットとする前記粒度の前記変換対象の空間データに変換するための回帰モデルを学習する高解像度化装置であって、
    前記値の種類を示す複数のドメインの各々について、前記ドメインの前記補助的な空間データを、任意の空間補間法を用いて前記ターゲットとする前記粒度の前記補助的な空間データに補間する空間補間部と、
    前記変換対象の空間データと、前記複数のドメインの各々についての前記ターゲットとする前記粒度の前記補助的な空間データの各々とに基づいて、前記回帰モデルのパラメータを推定するパラメータ推定部と、
    を含む高解像度化装置。
  2. 前記空間補間部は、前記複数のドメインの各々について、前記空間補間法としてガウス過程回帰を用いて、前記ターゲットとなる前記粒度の前記補助的な空間データとして、前記ターゲットとする前記粒度でのエリアごとに前記ドメインの値の平均及び分散を求め、
    前記パラメータ推定部は、前記変換対象の空間データと、前記空間補間部により前記複数のドメインの各々について求められた、前記ターゲットとする前記粒度でのエリア毎に前記ドメインの値の平均及び分散とに基づいて、前記回帰モデルのパラメータを推定する
    請求項１記載の高解像度化装置。
  3. 前記変換対象の空間データと、前記複数のドメインの各々についての前記ターゲットとする前記粒度の前記補助的な空間データの各々と、前記回帰モデルとに基づいて、前記ターゲットとする前記粒度の前記変換対象の空間データを算出する高解像度データ算出部
    を更に含む請求項１又は２記載の高解像度化装置。
  4. 空間を分割するエリアの単位を示す粒度でのエリアごとに紐付く値からなる変換対象の空間データを、値の種類が異なる補助的な空間データを用いてターゲットとする前記粒度の前記変換対象の空間データに変換するための回帰モデルを学習する高解像度化方法であって、
    空間補間部が、前記値の種類を示す複数のドメインの各々について、前記ドメインの前記補助的な空間データを、任意の空間補間法を用いて前記ターゲットとする前記粒度の前記補助的な空間データに補間し、
    パラメータ推定部が、前記変換対象の空間データと、前記複数のドメインの各々についての前記ターゲットとする前記粒度の前記補助的な空間データの各々とに基づいて、前記回帰モデルのパラメータを推定する
    高解像度化方法。
  5. 前記空間補間部は、前記複数のドメインの各々について、前記空間補間法としてガウス過程回帰を用いて、前記ターゲットとなる前記粒度の前記補助的な空間データとして、前記ターゲットとする前記粒度でのエリアごとに前記ドメインの値の平均及び分散を求め、
    前記パラメータ推定部は、前記変換対象の空間データと、前記空間補間部により前記複数のドメインの各々について求められた、前記ターゲットとする前記粒度でのエリア毎に前記ドメインの値の平均及び分散とに基づいて、前記回帰モデルのパラメータを推定する
    請求項４記載の高解像度化方法。
  6. 高解像度データ算出部が、前記変換対象の空間データと、前記複数のドメインの各々についての前記ターゲットとする前記粒度の前記補助的な空間データの各々と、前記回帰モデルとに基づいて、前記ターゲットとする前記粒度の前記変換対象の空間データを算出する
    請求項４又は５記載の高解像度化方法。
  7. コンピュータを、請求項１〜３の何れか１項記載の高解像度化装置の各部として機能させるためのプログラム。
JP2018084055A 2018-04-25 2018-04-25 高解像度化装置、高解像度化方法、空間データ高解像度化方法、およびプログラム Active JP6906769B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018084055A JP6906769B2 (ja) 2018-04-25 2018-04-25 高解像度化装置、高解像度化方法、空間データ高解像度化方法、およびプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018084055A JP6906769B2 (ja) 2018-04-25 2018-04-25 高解像度化装置、高解像度化方法、空間データ高解像度化方法、およびプログラム

Publications (2)

Publication Number Publication Date
JP2019191936A JP2019191936A (ja) 2019-10-31
JP6906769B2 true JP6906769B2 (ja) 2021-07-21

Family

ID=68391398

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018084055A Active JP6906769B2 (ja) 2018-04-25 2018-04-25 高解像度化装置、高解像度化方法、空間データ高解像度化方法、およびプログラム

Country Status (1)

Country Link
JP (1) JP6906769B2 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7176371B2 (ja) * 2018-11-21 2022-11-22 日本電信電話株式会社 推定装置、推定方法及びプログラム
WO2021100180A1 (ja) * 2019-11-21 2021-05-27 日本電信電話株式会社 空間データ高解像度化方法、空間データ高解像度化装置及びプログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010044618A (ja) * 2008-08-13 2010-02-25 Hitachi Ltd 欠落データの補間方法、その実行プログラム、及びデータ収集装置
WO2010031128A1 (en) * 2008-09-19 2010-03-25 The University Of Sydney A method and system of data modelling
JP6562883B2 (ja) * 2016-09-20 2019-08-21 株式会社東芝 特性値推定装置および特性値推定方法

Also Published As

Publication number Publication date
JP2019191936A (ja) 2019-10-31

Similar Documents

Publication Publication Date Title
KR102063358B1 (ko) 고해상도 기상기후데이터를 생성하기 위한 학습 방법 및 테스트 방법, 이를 이용한 테스트 방법 및 테스트 장치
Harris et al. A generative deep learning approach to stochastic downscaling of precipitation forecasts
Raje et al. A comparison of three methods for downscaling daily precipitation in the Punjab region
Tan et al. Comparing training-image based algorithms using an analysis of distance
Albani* et al. The choice of window size in approximating topographic surfaces from digital elevation models
Morzfeld et al. What the collapse of the ensemble Kalman filter tells us about particle filters
Zhang et al. An improved logistic regression model based on a spatially weighted technique (ILRBSWT v1. 0) and its application to mineral prospectivity mapping
Seo Conditional bias-penalized kriging (CBPK)
Sommerfeld et al. Confidence regions for spatial excursion sets from repeated random field observations, with an application to climate
JP6906769B2 (ja) 高解像度化装置、高解像度化方法、空間データ高解像度化方法、およびプログラム
Saha et al. BRISC: bootstrap for rapid inference on spatial covariances
Zhao et al. A modification of HASM for interpolating precipitation in China
Iturbide et al. Tackling Uncertainties of Species Distribution Model Projections with Package mopa.
Kyriakidis et al. On the prediction error variance of three common spatial interpolation schemes
Guhaniyogi et al. Multivariate spatial meta kriging
Zhang et al. Can the spatial prediction of soil organic matter be improved by incorporating multiple regression confidence intervals as soft data into BME method?
Yamanaka et al. Data assimilation for three-dimensional phase-field simulation of dendritic solidification using the local ensemble transform Kalman filter
Ansa Thasneem et al. Assessment of nonstationarity and uncertainty in precipitation extremes of a river basin under climate change
JP2017033198A (ja) 時空間変数予測装置及びプログラム
Crosby et al. Embedding road networks and travel time into distance metrics for urban modelling
Mojiri et al. Comparison of predictions by kriging and spatial autoregressive models
Flaxman A general approach to prediction and forecasting crime rates with Gaussian processes
McDermott et al. A hierarchical spatiotemporal analog forecasting model for count data
Santibanez et al. Performance analysis of machine learning algorithms for regression of spatial variables. A case study in the real estate industry
Craigmile et al. A loss function approach to identifying environmental exceedances

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180427

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200616

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210531

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: 20210615

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210621

R150 Certificate of patent or registration of utility model

Ref document number: 6906769

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S111 Request for change of ownership or part of ownership

Free format text: JAPANESE INTERMEDIATE CODE: R313117

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350