JP7255640B2 - Method for Predicting Water Level in Sewer Pipes - Google Patents

Method for Predicting Water Level in Sewer Pipes Download PDF

Info

Publication number
JP7255640B2
JP7255640B2 JP2021114719A JP2021114719A JP7255640B2 JP 7255640 B2 JP7255640 B2 JP 7255640B2 JP 2021114719 A JP2021114719 A JP 2021114719A JP 2021114719 A JP2021114719 A JP 2021114719A JP 7255640 B2 JP7255640 B2 JP 7255640B2
Authority
JP
Japan
Prior art keywords
prediction
water level
data
value
sewer pipe
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
JP2021114719A
Other languages
Japanese (ja)
Other versions
JP2021182408A (en
Inventor
雄喜 木村
寛修 深井
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.)
Meidensha Corp
Original Assignee
Meidensha 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 Meidensha Corp filed Critical Meidensha Corp
Priority to JP2021114719A priority Critical patent/JP7255640B2/en
Publication of JP2021182408A publication Critical patent/JP2021182408A/en
Application granted granted Critical
Publication of JP7255640B2 publication Critical patent/JP7255640B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Sewage (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、下水道管渠内水位の予測技術に関する。 TECHNICAL FIELD The present invention relates to a technology for predicting water levels in sewer pipes.

近年の集中豪雨による被害の多発や都市型水害の発生が頻繁に起きる状況への対策として、下水道管渠内水位の予測技術の開発が進められている。下水道管渠内水位の予測技術としては、例えば、特許文献１，２の予測技術が知られている。 As a countermeasure against the frequent occurrence of damage caused by torrential rains and urban floods in recent years, the development of technology for predicting water levels in sewer pipes is underway. For example, the prediction techniques of Patent Literatures 1 and 2 are known as techniques for predicting the water level in a sewer pipe.

特許文献１の予測法は、予測対象地域の現在と過去の降雨量に基づき予測された将来の降雨量と、当該対象地域の地理的なデータと家屋状況及び土地利用状況のデータとに基づき算出された下水道管渠内の雨水の流出量とから、下水道管渠内の水位を予測する。 The prediction method of Patent Document 1 is calculated based on the future rainfall predicted based on the current and past rainfall in the prediction target area, the geographical data of the target area, and the data on the house situation and land use situation. Predict the water level inside the sewer culvert based on the amount of rainwater runoff inside the sewer culvert.

特許文献２の予測法は、学習により重み付けされたニューラルネットワークにおいて、入力層のデータとしてレーダ雨量観測メッシュの積算雨量の時系列データが与えられると、出力層のデータとして雨水流入量を出力する。この積算雨量から予測される雨水流入量は一定時間毎の値として出力される。 In the prediction method of Patent Document 2, in a neural network weighted by learning, when the time-series data of the accumulated rainfall of the radar rainfall observation mesh is given as the input layer data, the rainwater inflow amount is output as the output layer data. The amount of rainwater inflow predicted from this accumulated rainfall is output as a value at regular time intervals.

特開２００２－２９８０６３号公報JP-A-2002-298063 特開平５－１３４７１５号公報JP-A-5-134715

特許文献１の予測法は、白地図，デジタルマップ，測量図や家屋状況データ、土地利用状況のデータ等、様々なデータの入力を前提とする。地上に降った雨が地表面から下水道管に流入して下水道管内の流下を経て予測対象地点に至るまでのプロセスは複雑かつ広範囲に及ぶので、設定すべき情報が莫大となり、水位の予測モデルの構築に要する時間とコストは膨大なものとなる。 The prediction method of Patent Literature 1 assumes input of various data such as blank maps, digital maps, survey maps, data on house conditions, and data on land use conditions. The process of rain that falls on the ground flows into the sewer pipe from the ground surface, flows down the sewer pipe, and reaches the prediction target point is complicated and wide-ranging. The time and cost required for construction will be enormous.

特許文献２の予測法は、時刻の異なるメッシュ降水量が入力されるニューラルネットワークにより雨水流入量を予測する。時刻及びメッシュ毎に入力ユニットを１つずつ用意して１対１で対応させている。この場合、メッシュ間の位置関係は情報として失われ、予測精度がメッシュサイズに依存する可能性がある。具体的には、メッシュサイズを小さく設定した場合、メッシュ降水量の局所的な位置的分布の違いに過度に影響を受ける可能性がある。一方、メッシュサイズを大きく設定した場合、広範囲で降水量分布は平均化され、水位の予測に重要な情報が失われる可能性がある。 The prediction method of Patent Literature 2 predicts rainwater inflow using a neural network to which mesh rainfall amounts at different times are input. One input unit is prepared for each time and each mesh, and they correspond to each other on a one-to-one basis. In this case, positional relationships between meshes are lost as information, and prediction accuracy may depend on mesh size. Specifically, if the mesh size is set small, it may be overly affected by differences in the local spatial distribution of the mesh precipitation. On the other hand, if the mesh size is set large, the precipitation distribution will be averaged over a wide area, and important information for water level prediction may be lost.

本発明は、上記の事情を鑑み、下水道管渠内水位の予測にあたり、予測モデル構築の時間とコストを抑えながら、空間方向および時間方向、双方向の変化を適切に特徴量化した高精度な予測を図ることを課題とする。 In view of the above circumstances, the present invention provides high-precision prediction that appropriately characterizes changes in the spatial direction, temporal direction, and both directions while suppressing the time and cost of building a prediction model when predicting the water level in the sewer pipe. The task is to achieve

そこで、本発明の一態様は、コンピュータが実行する下水道管渠内水位予測方法であって、予測対象地点を含む地域の時刻の異なるメッシュ降水量の実況値及び予測値のデータ群を畳み込みニューラルネットワークでの畳み込み処理の適用可能な形式に変換することにより当該予測対象地点の下水道管渠内水位を予測する当該畳み込みニューラルネットワークに供される予測用入力データを作成する予測入力データを作成する過程と、前記予測用入力データと前記予測対象地点の近傍測定点の下水道管渠内水位データとから前記畳み込みニューラルネットワークにより当該予測対象地点の下水道管渠内水位を予測する過程とを有する。 Therefore, one aspect of the present invention is a sewer pipe water level prediction method executed by a computer, in which a data group of mesh precipitation actual values and predicted values at different times in an area including a prediction target point is convoluted with a neural network. A process of creating prediction input data for creating prediction input data to be supplied to the convolutional neural network that predicts the water level in the sewer pipe at the prediction target point by converting it into a format that can be applied to the convolution processing in and a step of predicting the water level in the sewer pipe at the prediction target point by the convolutional neural network from the input data for prediction and the sewer pipe water level data at the measurement points near the prediction target point.

本発明の一態様は、前記下水道管渠内水位予測方法において、下水道管渠内水位データ及び降水量データに基づき前記畳み込みニューラルネットワークの学習に供される学習用入力データを生成する過程と、前記学習用入力データに基づき前記畳み込みニューラルネットワークのモデルパラメータを更新する過程とをさらに有する。 According to one aspect of the present invention, in the sewer pipe water level prediction method, a step of generating learning input data for learning of the convolutional neural network based on sewer pipe water level data and precipitation data; and updating model parameters of the convolutional neural network based on learning input data.

本発明の一態様は、前記下水道管渠内水位予測方法において、前記モデルパラメータを更新する過程は、前記畳み込みニューラルネットワークから出力される水位予測値と当該畳み込みニューラルネットワークに入力される下水道管渠内水位データとの誤差を最小化するバックプロパゲーション処理により前記モデルパラメータを更新する。 In one aspect of the present invention, in the sewer pipe water level prediction method, the process of updating the model parameters includes a predicted water level output from the convolutional neural network and a sewer pipe input to the convolution neural network The model parameters are updated by a back propagation process that minimizes the error with the water level data.

本発明の一態様は、前記下水道管渠内水位予測方法において、前記下水道管渠内水位を予測する過程は、前記メッシュ降水量の実況値及び予測値のデータ群の各時刻に対応するデータが時間チャネルの対応するチャネルに入力される。 In one aspect of the present invention, in the sewer pipe water level prediction method, the process of predicting the sewer pipe water level includes data corresponding to each time in the data group of the mesh precipitation actual values and predicted values. Input to the corresponding channel of the time channel.

本発明の一態様は、前記下水道管渠内水位予測方法において、前記下水道管渠内水位を予測する過程は、前記メッシュ降水量の実況値及び予測値の畳み込み処理結果を示す領域に対し、最大となる領域のメッシュ値を抽出するMaxPooling処理を行う。 In one aspect of the present invention, in the method for predicting the water level in the sewer pipe, the process of predicting the water level in the sewer pipe includes a maximum Perform MaxPooling processing to extract the mesh value of the area where

以上の本発明によれば、下水道管渠内水位の予測にあたり、予測モデル構築の時間とコストを抑えながら、空間方向および時間方向、双方向の変化を適切に特徴量化した高精度な予測を図ることができる。 According to the above-described present invention, in predicting the water level in the sewer pipe, high-precision prediction is achieved by appropriately characterizing changes in the spatial direction, the temporal direction, and both directions, while suppressing the time and cost of building a prediction model. be able to.

本発明の下水道管渠内水位予測装置の態様例を示すブロック構成図。BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is a block configuration diagram showing an embodiment of a sewer pipe water level prediction device of the present invention; 畳み込みニューラルネットワークによる下水道管渠内水位の予測過程の説明図。Explanatory drawing of the prediction process of the water level in the sewer pipe by the convolutional neural network. 図２の予測過程での畳み込み処理の具体例の説明図。FIG. 3 is an explanatory diagram of a specific example of convolution processing in the prediction process of FIG. 2; 図２の予測過程でのMaxPooling処理の具体例の説明図。FIG. 3 is an explanatory diagram of a specific example of MaxPooling processing in the prediction process of FIG. 2;

以下に図面を参照しながら本発明の実施形態について説明する。 Embodiments of the present invention will be described below with reference to the drawings.

図１に示された実施形態の下水道管渠内水位予測装置１０は、予測対象地点のメッシュ降水量と複数地点の管渠内水位に基づき図２に例示の畳み込みニューラルネットワーク１００により予測対象地点の下水道管渠内水位を予測する。特に、大雨などの異常水位時に地下街への早期情報発信を行うなどの都市部における防災情報の一つとして利用することを想定したものである。 The sewer pipe water level prediction device 10 of the embodiment shown in FIG. 1 uses a convolutional neural network 100 illustrated in FIG. Predict the water level in sewers. In particular, it is assumed to be used as one type of disaster prevention information in urban areas, such as early information transmission to underground shopping malls in the event of abnormal water levels such as heavy rain.

（下水道管渠内水位予測装置１０の構成例）
下水道管渠内水位予測装置１０は、コンピュータのハードウェア資源とソフトウェア資源との協動により以下の機能部を実装する。 (Configuration example of sewer pipe water level prediction device 10)
The sewer pipe water level prediction device 10 implements the following functional units through the cooperation of computer hardware resources and software resources.

データ蓄積部１１は、下水道管渠内水位データ及び降水量データ（メッシュ降水量実況値，メッシュ降水量予測値）を蓄積（保存）する。 The data accumulation unit 11 accumulates (stores) sewer pipe water level data and precipitation data (mesh actual precipitation value, mesh precipitation prediction value).

学習入力データ生成部１２は、データ蓄積部１１から引き出された下水道管渠内水位データ及び降水量データに基づき畳み込みニューラルネットワーク１００の学習に供される学習用入力データを生成する。 The learning input data generator 12 generates learning input data for learning of the convolutional neural network 100 based on the sewer pipe water level data and precipitation data retrieved from the data storage unit 11 .

学習パラメータ記憶部１３は、畳み込みニューラルネットワーク１００のモデルパラメータ（ニューラルネットワークの重み係数）とこのモデルパラメータを更新するための学習パラメータ（当該重み係数のパラメータ）とを蓄積する。 The learning parameter storage unit 13 stores model parameters (neural network weighting factors) of the convolutional neural network 100 and learning parameters (parameters of the weighting factors) for updating the model parameters.

モデルパラメータ更新部１４は、学習入力データ生成部１２にて生成された学習用入力データと学習パラメータ記憶部１３から引き出したモデルパラメータと前記学習パラメータとに基づき畳み込みニューラルネットワーク１００のモデルパラメータを更新する。この更新には、畳み込みニューラルネットワーク１００から出力される水位予測値と当該ニューラルネットワークに入力される下水道管渠内水位データとの誤差を最小化するバックプロパゲーション処理が適用される。そして、この更新されたモデルパラメータは学習パラメータ記憶部１３に保存される。 The model parameter updating unit 14 updates the model parameters of the convolutional neural network 100 based on the learning input data generated by the learning input data generating unit 12, the model parameters extracted from the learning parameter storage unit 13, and the learning parameters. . Backpropagation processing is applied to this update to minimize the error between the predicted water level output from the convolutional neural network 100 and the water level data in the sewer pipe input to the neural network. Then, this updated model parameter is stored in the learning parameter storage unit 13 .

予測入力データ生成部１５は、データ蓄積部１１に蓄積された降水量データから畳み込みニューラルネットワーク１００の予測に必要な予測用入力データを生成する。すなわち、予測対象地点を含む地域の時刻の異なるメッシュ降水量の実況値及び予測値のデータ群を畳み込みニューラルネットワーク１００での畳み込み処理の適用可能な形式に変換することにより、畳み込みニューラルネットワーク１００に供される予測用入力データを作成する予測入力データを作成する。 The prediction input data generation unit 15 generates prediction input data necessary for prediction of the convolutional neural network 100 from the precipitation data accumulated in the data accumulation unit 11 . That is, the convolutional neural network 100 is provided by converting the data group of the actual value and the predicted value of the mesh precipitation at different times in the area including the prediction target point into a format applicable to the convolution processing in the convolutional neural network 100. Create prediction input data that creates prediction input data to be used.

水位予測値算出部１６は、予測入力データ生成部１５からの予測用入力データから、畳み込みニューラルネットワーク１００により予測対象地点の管渠内水位を予測する（Ｓ３）。水位予測値算出部１６は、以下に述べる畳み込み処理部１０１、MaxPooling処理部１０２及び予測処理部１０３を実装する。また、畳み込みニューラルネットワーク１００は、学習パラメータ記憶部１３から引き出したモデルパラメータを利用する。 The water level prediction value calculation unit 16 predicts the water level in the pipe at the prediction target point using the convolutional neural network 100 from the prediction input data from the prediction input data generation unit 15 (S3). The water level prediction value calculation unit 16 implements a convolution processing unit 101, a MaxPooling processing unit 102, and a prediction processing unit 103, which will be described below. The convolutional neural network 100 also uses model parameters retrieved from the learning parameter storage unit 13 .

（水位予測の説明）
図２の下水道管渠内水位予測のモデルは畳み込みニューラルネットワーク１００による予測モデルである。先ず、時刻の異なる降水量データの実況値及び予測値が、畳み込み処理部１０１による畳み込み処理、さらに、MaxPooling処理部１０２によるMaxPooling処理に供される。そして、このMaxPooling処理部１０２から供されたデータが予測処理部１０３による水位予測に供されることにより予測対象地点の管渠内水位が予測される。 (Explanation of water level prediction)
The sewer pipe water level prediction model in FIG. 2 is a prediction model based on the convolutional neural network 100 . First, actual values and predicted values of precipitation data at different times are subjected to convolution processing by the convolution processing unit 101 and MaxPooling processing by the MaxPooling processing unit 102 . Then, the data supplied from the MaxPooling processing unit 102 is used for water level prediction by the prediction processing unit 103, thereby predicting the water level in the pipe at the prediction target point.

以下、予測対象地点の管渠内水位の予測過程（Ｓ１～Ｓ３）について詳細に説明する。 Hereinafter, the prediction process (S1 to S3) of the water level in the pipe at the prediction target point will be described in detail.

Ｓ１：畳み込み処理部１０１は、予測入力データ生成部１５から供された畳み込み処理の適用可能な形式に変換された時刻の異なる降水量データの実況値及び予測値に対して畳み込み処理を実行する。 S1: The convolution processing unit 101 performs convolution processing on actual values and predicted values of precipitation data at different times that have been converted into a format applicable to the convolution processing provided from the prediction input data generation unit 15 .

図３を参照して畳み込み処理の具体例について説明する。畳み込み処理は入力データに対して一定サイズごと重み付き和をとる処理である。このときの重み係数のことをフィルタと称する。このフィルタのサイズがF×Fの場合、フィルタを少しずつ移動させながらF×Fメッシュ毎に重み付き和をとる処理が、入力データ（前記引き出された降水量データの実況値及び予測値）の全体に行き渡るまで繰り返し実行される。 A specific example of convolution processing will be described with reference to FIG. The convolution process is a process of obtaining a weighted sum of input data for each fixed size. The weighting coefficient at this time is called a filter. When the size of this filter is F×F, the weighted sum is calculated for each F×F mesh while moving the filter little by little. It will be executed repeatedly until it is exhausted.

予測対象地点を含む一定サイズM×Mの現在時刻から一定時刻前までのメッシュ降水量実況値と一定時刻先までのメッシュ降水量予測値とを合わせたD時刻分の降水量のデータxkl (c)(1≦k≦M，1≦l≦M，1≦c≦D)に対し、サイズF×FのN個のフィルタwst (f,c)(1≦f≦N，1≦s≦F，1≦t≦F，1≦c≦D)が適用される。これにより、図３に示されたように、データxkl (c)(1≦k≦M，1≦l≦M，1≦c≦D)はサイズL×LのN個のデータaij (f)(1≦i≦L，1≦j≦L，1≦f≦N)までに圧縮される。データxkl (c)とデータaij (f)の関係は以下の式（１）により示される。 Precipitation data x kl ( c) N filters w st (f,c) of size F×F for (1≦k≦M, 1≦l≦M, 1≦c≦D ) (1≦f≦N, 1≦s ≤ F, 1 ≤ t ≤ F, 1 ≤ c ≤ D) apply. As a result, data x kl (c) (1≦k≦M, 1≦l≦M, 1≦c≦D) are N pieces of data a ij ( f) Compressed to (1≤i≤L, 1≤j≤L, 1≤f≤N). The relationship between data x kl (c) and data a ij (f) is expressed by the following equation (1).

Figure 0007255640000001
Figure 0007255640000001

式（１）において、β(f)はフィルタwst (f,c)ごとに定義されるバイアスであり、フィルタwst (f,c)間の値の大小を調整するものである。また、同式においては、時間方向（1≦c≦D）について和をとっており、位置方向としては、M×MからL×Lに圧縮される。よって、このＳ１の段階で時間的及び空間的方向の双方について集約された情報が得られる。 In Equation (1), β (f) is a bias defined for each filter w st (f,c) and adjusts the magnitude of values between filters w st (f,c) . In the same equation, the sum is taken in the time direction (1≤c≤D), and the position direction is compressed from M×M to L×L. Therefore, at this step S1, aggregated information is obtained in both temporal and spatial directions.

Ｓ２：MaxPooling処理部１０２は、前記メッシュ降水量の実況値及び予測値の畳み込み処理結果を示す領域に対し、最大となる領域のメッシュ値を抽出するMaxPooling処理を行う。ここでは、データaij (f)(1≦i≦L，1≦j≦L，1≦f≦N)に対してMaxPooling処理によりK×Kメッシュにまでデータを圧縮する。 S2: The MaxPooling processing unit 102 performs MaxPooling processing for extracting the maximum mesh value from the area indicating the convolution processing result of the actual value and the predicted value of the mesh precipitation amount. Here, the data a ij (f) (1≦i≦L, 1≦j≦L, 1≦f≦N) is compressed to K×K mesh by MaxPooling processing.

MaxPooling処理は、単純に一定範囲内に含まれるメッシュの値の中で最大の値を抽出する処理である。最大値を探索する一定範囲のサイズをE×E、探索範囲の遷移するストライドの大きさをEと定義し、MaxPooling処理により、データbuv (f)(1≦u≦K，1≦v≦K，1≦f≦N)が得られる場合、データaij (f)とデータbuv (f)の関係は以下の式（２）により示される。 The MaxPooling process is simply a process of extracting the maximum value among the mesh values contained within a certain range. The size of the constant range for searching for the maximum value is defined as E×E, and the size of the stride in which the search range transitions is defined as E. By MaxPooling processing, the data b uv (f) (1 ≤ u ≤ K, 1 ≤ v ≤ K, 1≦f≦N), the relationship between the data a ij (f) and the data b uv (f) is given by the following equation (2).

Figure 0007255640000002
Figure 0007255640000002

図４を参照してMaxPooling処理の具体例について説明する。図示の事例はE＝３とした場合の例である。Ｓ１から供されたメッシュ降水量データであるデータaij (f)の局所的な降雨のばらつきがMaxPooling処理により吸収され、降水量の局所的な分布の違いに頑強な予測が可能となる。 A specific example of the MaxPooling process will be described with reference to FIG. The illustrated case is an example when E=3. The MaxPooling process absorbs the local variation in rainfall in the data a ij (f) , which is the mesh rainfall data provided from S1, and makes it possible to make robust predictions against differences in the local distribution of rainfall.

以上のＳ２で得られたK×K×N個のデータbuv (f)(1≦u≦K，1≦v≦K，1≦f≦N)は、予測対象地点の近傍測定点の下水道管渠内水位データと共に、以下のＳ３でのニューラルネットワークによる予測対象地点の水位予測に供される。 The K × K × N pieces of data b uv (f) (1 ≤ u ≤ K, 1 ≤ v ≤ K, 1 ≤ f ≤ N) obtained in S2 above are the sewage system Together with the pipe water level data, it is used for water level prediction at the prediction target point by the neural network in the following S3.

Ｓ３：予測処理部１０３は、Ｓ２で得られたデータbuv (f)をデータ蓄積部１１から引き出された予測対象地点の近傍測定点の下水道管渠内水位データと共に畳み込みニューラルネットワーク１００の入力層１０４に供する。そして、この畳み込みニューラルネットワーク１００の出力層１０６から予測対象地点の水位予測値を出力する。 S3: The prediction processing unit 103 uses the data b uv (f) obtained in S2 as the input layer of the convolution neural network 100 together with the water level data in the sewage pipe at measurement points near the prediction target point extracted from the data storage unit 11. 104. Then, the output layer 106 of the convolutional neural network 100 outputs the water level prediction value of the prediction target point.

畳み込みニューラルネットワーク１００の重み係数の学習はモデルパラメータ更新部１４により実行される。この学習の過程では、出力層１０６のニューロンである水位予測値と予測入力データ生成部１５から供された管渠内水位実況値との誤差を最小化するバックプロパゲーション処理が実行される。通常、誤差としては最小二乗誤差が使用されることが多いが、クロスエントロピー若しくはその他の誤差関数を使用してもよい。これにより、例えば、メッシュ降水量データに適用するフィルタの重み係数並びに予測対象地点の近傍測定点の水位に対する重み係数や入力層１０４と中間層１０５と間，中間層１０５間，中間層１０５と出力層１０６と間のニューロンの重み係数が算出される。これら重み係数が畳み込みニューラルネットワーク１００のモデルパラメータとなる。そして、このモデルパラメータは畳み込みニューラルネットワーク１００の新たなモデルパラメータとして学習パラメータ記憶部１３に格納される。 Learning of the weighting coefficients of the convolutional neural network 100 is performed by the model parameter updating unit 14 . In this learning process, back propagation processing is executed to minimize the error between the water level prediction value, which is a neuron of the output layer 106, and the actual water level value in the pipe supplied from the prediction input data generation unit 15. Least squares error is commonly used as the error, but cross-entropy or other error functions may also be used. As a result, for example, the weighting coefficient of the filter applied to the mesh precipitation data, the weighting coefficient for the water level of the measurement point near the prediction target point, the input layer 104 and the intermediate layer 105, the intermediate layer 105, the intermediate layer 105 and the output Weighting coefficients of neurons between layers 106 are calculated. These weighting factors become model parameters of the convolutional neural network 100 . Then, this model parameter is stored in the learning parameter storage unit 13 as a new model parameter of the convolutional neural network 100 .

（本実施形態の効果）
以上のように、下水道管渠内水位予測装置１０は、時刻の異なるメッシュ降水量の実況値及び予測値に対して畳み込みを適用し、これを予測対象地点の近傍の測定点水位と共に、ニューラルネットワークに入力することにより、下水道管渠内の水位を予測する。 (Effect of this embodiment)
As described above, the sewer pipe water level prediction device 10 applies convolution to the actual value and predicted value of mesh precipitation at different times, and applies this to the measurement point water level near the prediction target point, and the neural network Predict the water level in the sewer pipe by entering

予測対象地点を含む一定範囲のメッシュ降水量と対象地点周辺の下水道管渠内水位をそのまま入力するだけで予測モデルが自動に構築されるので、流出解析的手法において前提となる下水管路の敷設状況などの土木情報の入力は不要となる。したがって、予測モデル構築の時間とコストを大幅に削減できる。 Prediction models are automatically constructed simply by inputting the mesh precipitation amount in a certain range including the prediction target point and the water level in the sewer pipe around the target point as they are. The input of civil engineering information such as the situation becomes unnecessary. Therefore, the time and cost of constructing a prediction model can be greatly reduced.

特許文献２の予測法は、ニューラルネットワークを用いているが、メッシュ１つ１つの値を入力として利用しており、メッシュサイズの設定に予測精度が大きく依存する。 Although the prediction method of Patent Document 2 uses a neural network, the value of each mesh is used as an input, and the prediction accuracy greatly depends on the setting of the mesh size.

これに対し、下水道管渠内水位予測装置１０は、降水量の分布に対し畳み込み処理を適用しているので、メッシュサイズの設定に堅牢な予測を行える。 On the other hand, since the sewer pipe water level prediction device 10 applies convolution processing to the precipitation distribution, robust prediction can be performed in setting the mesh size.

畳み込み処理は、入力データに対し、どの部分を強調しどの部分を平滑化すべきかなどの重み係数を表すフィルタと重み付き和を採る処理である。畳み込みニューラルネットワークでは、学習時に、このフィルタをデータに基づいて最適に決定する。ある特定部分だけを強調すべきなのか、全体的に平滑化して扱うべきなのかなどは、周辺メッシュの値を考慮しながらデータに基づいて最適に決定される。したがって、メッシュ１つ１つの値を入力として利用したときのように、メッシュサイズを必要以上に小さくしすぎて特定のメッシュ値の影響を過度に受ける、もしくは逆にメッシュサイズを大きくとり過ぎて情報が平均化され過ぎるといった問題を回避できる。 The convolution process is a process of taking a weighted sum with a filter representing weight coefficients such as which part should be emphasized and which part should be smoothed for input data. The convolutional neural network optimally determines this filter based on the data during training. Whether only a specific portion should be emphasized or whether the whole should be smoothed is determined optimally based on the data while considering the values of the surrounding meshes. Therefore, as in the case of using the values of each mesh as an input, the mesh size is made too small to be overly influenced by specific mesh values, or conversely, the mesh size is made too large to obtain information. avoids the problem of being over-averaged.

入力となる降水量データは空間方向だけでなく、時間的にも変化に富むが、本態様においては、時刻の異なる降水量データ群に対する畳み込み処理において、通常の画像処理において色を扱う処理部分に時間の概念を対応付けることにより、さらに高精度な予測を可能とする。 The precipitation data to be input varies not only in the spatial direction but also temporally. By associating the concept of time, more accurate prediction is possible.

通常の画像処理において畳み込みニューラルネットワークをカラー画像に適用させる際、通常、入力は三原色（赤、緑、青）に分解し、各色情報が入力されるカラーチャネルが用意されるが、本態様においては、前記色情報の入力部分は時系列情報処理に利用される。 When a convolutional neural network is applied to a color image in normal image processing, the input is usually decomposed into the three primary colors (red, green, and blue), and color channels into which each color information is input are prepared. , the input portion of the color information is used for time-series information processing.

すなわち、カラーチャネル部分に各時系列のメッシュ降水量情報を入力し時間チャネルとする。より具体的には、時間チャネル部分にはデータ蓄積部１１に保存された前記メッシュ降水量の実況値及び予測値のデータ群の各時刻に対応するデータが時間チャネルの対応するチャネルに入力される。これにより、空間的方向および時間的方向の双方向に対して情報を集約した特徴量が得られる。したがって、時間的にも空間的にも多様な降水量分布の移動パターンに対応可能となり、より高精度な予測が可能となる。さらに、上述のMaxPooling処理により、入力するメッシュ降水量の局所的な降水量のばらつきが吸収されるので、局所的な降水量の分布の違いに頑強な予測を行うことが可能となる。 That is, each time-series mesh rainfall amount information is input to the color channel portion and used as a time channel. More specifically, in the time channel portion, data corresponding to each time in the data group of the actual value and predicted value of the mesh precipitation amount stored in the data storage unit 11 is input to the corresponding channel of the time channel. . As a result, a feature quantity is obtained in which information is aggregated in both the spatial direction and the temporal direction. Therefore, it is possible to correspond to various movement patterns of precipitation distribution both temporally and spatially, and to make predictions with higher accuracy. Furthermore, since the MaxPooling process described above absorbs local rainfall variations in the input mesh rainfall, it is possible to make robust predictions against differences in local rainfall distributions.

以上のように本実施形態の下水道管渠内水位予測装置１０及び下水道管渠内水位予測方法によれば、予測モデル構築の時間とコストを抑えながら、空間方向および時間方向、双方向の変化を適切に特徴量化した高精度な予測が可能となる。 As described above, according to the sewer pipe water level prediction device 10 and the sewer pipe water level prediction method of the present embodiment, while suppressing the time and cost of constructing a prediction model, changes in the spatial direction, the temporal direction, and both directions can be predicted. It is possible to make highly accurate predictions with appropriate feature values.

（本発明の他の態様例）
本発明の他の態様としては、コンピュータを下水道管渠内水位予測装置１０として機能させるまたは上述の管渠内水位予測の過程をコンピュータに実行させる下水道管渠内水位予測プログラムが挙げられる。このプログラムはコンピュータが読み取り可能な周知の記録媒体またはインターネット等のネットワークを介して提供できる。 (Another embodiment of the present invention)
Another aspect of the present invention includes a sewer pipe water level prediction program that causes a computer to function as the sewer pipe water level prediction device 10 or causes the computer to execute the above-described sewer pipe water level prediction process. This program can be provided via a known computer-readable recording medium or a network such as the Internet.

尚、本発明は、以上説明した実施形態に限定されるものではなく、本発明の特許請求の範囲内で様々な態様で実施が可能である。 The present invention is not limited to the embodiments described above, and can be implemented in various modes within the scope of the claims of the present invention.

１０…下水道管渠内水位予測装置
１１…データ蓄積部
１２…学習入力データ生成部
１３…学習パラメータ記憶部
１４…モデルパラメータ更新部
１５…予測入力データ生成部
１６…水位予測値算出部
１００…畳み込みニューラルネットワーク
１０１…畳み込み処理部
１０２…MaxPooling処理部
１０３…予測処理部
１０４…入力層
１０５…中間層
１０６…出力層 10 Sewer pipe water level prediction device 11 Data accumulation unit 12 Learning input data generation unit 13 Learning parameter storage unit 14 Model parameter updating unit 15 Prediction input data generation unit 16 Water level prediction value calculation unit 100 Convolution Neural network 101 Convolution processing unit 102 MaxPooling processing unit 103 Prediction processing unit 104 Input layer 105 Intermediate layer 106 Output layer

Claims (3)

コンピュータが実行する下水道管渠内水位予測方法であって、
予測対象地点を含む地域の時刻の異なるメッシュ降水量の実況値及び予測値のデータ群を畳み込みニューラルネットワークでの畳み込み処理の適用可能な形式に変換することにより当該予測対象地点の下水道管渠内水位を予測する当該畳み込みニューラルネットワークに供される予測用入力データを作成する予測入力データ生成過程と、
前記予測用入力データと前記予測対象地点の近傍測定点の下水道管渠内水位データとから前記畳み込みニューラルネットワークにより当該予測対象地点の下水道管渠内水位を予測する水位予測値算出過程と、
を有し、
前記水位予測値算出過程は、
前記予測入力データ生成過程から供された畳み込み処理の適用可能な形式に変換された時刻の異なる降水量データの実況値及び予測値に対して畳み込み処理を実行する畳み込み処理過程と、
この畳み込み処理過程から供された前記メッシュ降水量の実況値及び予測値の畳み込み処理結果を示す領域に対し、最大となる領域のメッシュ値を抽出するＭａｘＰｏｏｌｉｎｇ処理を行うＭａｘＰｏｏｌｉｎｇ処理過程と、
このＭａｘＰｏｏｌｉｎｇ処理過程で得られた前記メッシュ値のデータを前記近傍測定点の下水道管渠内水位データと共に前記畳み込みニューラルネットワークの入力層に供して、当該畳み込みニューラルネットワークの出力層から当該予測対象地点の水位予測値を出力する予測処理過程と、
を有することを特徴とする下水道管渠内水位予測方法。 A computer-executed water level prediction method in a sewage pipe,
The water level in the sewer pipe at the prediction target point by converting the data group of the actual value and the forecast value of the mesh precipitation at different times in the area including the prediction target point into a format that can be applied to the convolution process with the convolution neural network A prediction input data generation process for creating prediction input data to be supplied to the convolutional neural network that predicts
a water level prediction value calculation process for predicting the sewer pipe water level at the prediction target point by the convolutional neural network from the prediction input data and the sewer pipe water level data at a measurement point near the prediction target point ;
has
The water level prediction value calculation process includes:
a convolution process for performing a convolution process on actual values and predicted values of precipitation data at different times converted into a format applicable to the convolution process provided from the prediction input data generation process;
A MaxPooling process that performs a MaxPooling process of extracting the maximum mesh value for the area indicating the convolution process result of the actual value and predicted value of the mesh precipitation provided from this convolution process;
The mesh value data obtained in the MaxPooling process is supplied to the input layer of the convolutional neural network together with the water level data in the sewer pipe at the nearby measurement point, and the prediction target point is output from the output layer of the convolutional neural network. A prediction process for outputting a water level prediction value;
A water level prediction method in a sewer pipe, characterized by comprising: 前記出力層のニューロンである水位予測値と前記予測入力データ生成過程から供された管渠内水位実況値との誤差を最小化するバックプロパゲーション処理により当該畳み込みニューラルネットワークのモデルパラメータを更新するモデルパラメータ更新過程をさらに有することを特徴とする請求項１に記載の下水道管渠内水位予測方法。 A model that updates the model parameters of the convolutional neural network by backpropagation processing that minimizes the error between the water level prediction value, which is a neuron in the output layer, and the actual water level value in the pipe supplied from the prediction input data generation process. 2. The sewer pipe water level prediction method according to claim 1, further comprising a parameter updating process . 前記畳み込み処理過程は、前記メッシュ降水量の実況値及び予測値のデータ群の各時刻に対応するデータが時間チャネルの対応するチャネルに入力されることを特徴とする請求項１または２に記載の下水道管渠内水位予測方法。 3. The method according to claim 1, wherein in the convolution process , the data corresponding to each time in the data group of the actual value and predicted value of the mesh precipitation amount is input to a corresponding channel of time channels. A method for predicting the water level in a sewer pipe.
JP2021114719A 2017-11-28 2021-07-12 Method for Predicting Water Level in Sewer Pipes Active JP7255640B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2021114719A JP7255640B2 (en) 2017-11-28 2021-07-12 Method for Predicting Water Level in Sewer Pipes

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017227582A JP6984350B2 (en) 2017-11-28 2017-11-28 Sewer pipe water level prediction device and sewer pipe water level prediction program
JP2021114719A JP7255640B2 (en) 2017-11-28 2021-07-12 Method for Predicting Water Level in Sewer Pipes

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2017227582A Division JP6984350B2 (en) 2017-11-28 2017-11-28 Sewer pipe water level prediction device and sewer pipe water level prediction program

Publications (2)

Publication Number Publication Date
JP2021182408A JP2021182408A (en) 2021-11-25
JP7255640B2 true JP7255640B2 (en) 2023-04-11

Family

ID=66971834

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2017227582A Active JP6984350B2 (en) 2017-11-28 2017-11-28 Sewer pipe water level prediction device and sewer pipe water level prediction program
JP2021114719A Active JP7255640B2 (en) 2017-11-28 2021-07-12 Method for Predicting Water Level in Sewer Pipes

Family Applications Before (1)

Application Number Title Priority Date Filing Date
JP2017227582A Active JP6984350B2 (en) 2017-11-28 2017-11-28 Sewer pipe water level prediction device and sewer pipe water level prediction program

Country Status (1)

Country Link
JP (2) JP6984350B2 (en)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242344A (en) * 2019-12-11 2020-06-05 大连海事大学 Intelligent water level prediction method based on cyclic neural network and convolutional neural network
JP7452311B2 (en) * 2020-07-30 2024-03-19 株式会社明電舎 Water leak detection device and water leak detection method
CN111766641B (en) * 2020-09-01 2020-12-01 南京信大气象科学技术研究院有限公司 Strong convection weather identification method based on deep neural network
CN112232589A (en) * 2020-10-30 2021-01-15 国网山西省电力公司大同供电公司 Method and system for processing water environment data of cable pipe gallery
CN112712033B (en) * 2020-12-30 2021-11-19 哈尔滨工业大学 Automatic division method for catchment areas of municipal drainage pipe network
JP7389526B1 (en) * 2023-07-12 2023-11-30 日本インフラ計測株式会社 Optimization method for water level gauge placement, method for predicting manhole water level, and manhole water level prediction system
CN117556368B (en) * 2024-01-12 2024-03-29 钛合联(深圳)科技有限公司 Water conservancy monitoring abnormal data processing method based on Internet of things

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003027567A (en) 2001-07-16 2003-01-29 Yamatake Corp Sewage inflow estimating device and method, and server device
JP2007226450A (en) 2006-02-22 2007-09-06 Fuji Electric Systems Co Ltd Apparatus, method and program for predicting flow rate
JP2008184782A (en) 2007-01-29 2008-08-14 Toshiba Corp Rainwater inflow estimating device and rainwater inflow estimating method
JP2017174053A (en) 2016-03-23 2017-09-28 井上　克己 Device for set operation of sequence data, method for the same, execution program for the same, and semiconductor incorporated with circuit for the same

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0688373A (en) * 1992-09-09 1994-03-29 Hitachi Ltd Sewage disposing facility group managing system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003027567A (en) 2001-07-16 2003-01-29 Yamatake Corp Sewage inflow estimating device and method, and server device
JP2007226450A (en) 2006-02-22 2007-09-06 Fuji Electric Systems Co Ltd Apparatus, method and program for predicting flow rate
JP2008184782A (en) 2007-01-29 2008-08-14 Toshiba Corp Rainwater inflow estimating device and rainwater inflow estimating method
JP2017174053A (en) 2016-03-23 2017-09-28 井上　克己 Device for set operation of sequence data, method for the same, execution program for the same, and semiconductor incorporated with circuit for the same

Also Published As

Publication number Publication date
JP6984350B2 (en) 2021-12-17
JP2019096255A (en) 2019-06-20
JP2021182408A (en) 2021-11-25

Similar Documents

Publication Publication Date Title
JP7255640B2 (en) Method for Predicting Water Level in Sewer Pipes
Xie et al. Artificial neural network based hybrid modeling approach for flood inundation modeling
Sun et al. Modeling urban land use change and urban sprawl: Calgary, Alberta, Canada
Shafizadeh-Moghadam et al. Transition index maps for urban growth simulation: application of artificial neural networks, weight of evidence and fuzzy multi-criteria evaluation
CN103514366A (en) Urban air quality concentration monitoring missing data recovering method
CN111667101A (en) Personalized electric power field operation path planning method and system integrating high-resolution remote sensing image and terrain
JP2019159506A (en) Time series prediction apparatus, time series prediction method, and program
Sanchez et al. An integrated cellular automata evolutionary-based approach for evaluating future scenarios and the expansion of urban drainage networks
CN115182398B (en) Groundwater level and earth surface subsidence prediction method for earthquake early warning area
Saleh et al. Flash flood susceptibility mapping of sungai pinang catchment using frequency ratio
Wei et al. Two-stage pumping control model for flood mitigation in inundated urban drainage basins
Zhou et al. A deep-learning-technique-based data-driven model for accurate and rapid flood predictions in temporal and spatial dimensions
JP7133940B2 (en) Flood prediction evaluation device
Shabri A hybrid wavelet analysis and adaptive neuro-fuzzy inference system for drought forecasting
Kumar et al. A multi-layer perceptron–Markov chain based LULC change analysis and prediction using remote sensing data in Prayagraj district, India
CN117688844B (en) Urban waterlogging real-time simulation method and system based on deep neural network
Shastry et al. Using steady‐state backwater analysis to predict inundated area from national water model streamflow simulations
CN117612026B (en) Path prediction method and system based on remote sensing image road extraction
Wahba et al. Building information modeling integrated with environmental flood hazard to assess the building vulnerability to flash floods
Nguyen et al. Assimilation of SAR-derived flood extent observations for improving fluvial flood forecast–A proof-of-concept
JP4782572B2 (en) Underground elevation model creation method, wastewater treatment area division method, wastewater treatment capacity evaluation method and apparatus
JP2019144713A (en) Sewerage pipe water level prediction device and sewerage pipe water level prediction method
CN117150600A (en) Roof water storage and drainage control method for urban waterlogging prevention
JP7375915B2 (en) Analytical equipment, analytical methods and programs
Siqueira et al. Methodology for the construction of an urban flood hazard chart

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210713

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220920

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221031

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: 20230228

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230313

R150 Certificate of patent or registration of utility model

Ref document number: 7255640

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150