JP7354213B2 - モデル生成方法及び流入量予測システム - Google Patents

モデル生成方法及び流入量予測システム Download PDF

Info

Publication number
JP7354213B2
JP7354213B2 JP2021200216A JP2021200216A JP7354213B2 JP 7354213 B2 JP7354213 B2 JP 7354213B2 JP 2021200216 A JP2021200216 A JP 2021200216A JP 2021200216 A JP2021200216 A JP 2021200216A JP 7354213 B2 JP7354213 B2 JP 7354213B2
Authority
JP
Japan
Prior art keywords
information
time
inflow
rainfall
predetermined
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
JP2021200216A
Other languages
English (en)
Other versions
JP2023085902A (ja
Inventor
匡純 天方
貴人 安野
明 石井
利行 宮崎
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.)
Yachiyo Engineering Co Ltd
Original Assignee
Yachiyo Engineering Co Ltd
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 Yachiyo Engineering Co Ltd filed Critical Yachiyo Engineering Co Ltd
Priority to JP2021200216A priority Critical patent/JP7354213B2/ja
Publication of JP2023085902A publication Critical patent/JP2023085902A/ja
Application granted granted Critical
Publication of JP7354213B2 publication Critical patent/JP7354213B2/ja
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

  • Measuring Volume Flow (AREA)

Description

特許法第３０条第２項適用 令和３年度土木学会全国大会第７６回年次学術講演会（ＩＩ－５５，関東オンラインｆｒｏｍ東海大学） ＡＩ・データサイエンス論文集，２０２１年２巻Ｊ２号，１２８～１３９頁，土木学会構造工学委員会 水工学論文集第６６巻，Ｉ＿２７７頁～Ｉ＿２８２頁，公益社団法人土木学会水工学委員会
本発明は、ニューラルネットワークを利用してダムなどの貯水施設に流れ込む流入量を予測する流入量予測システムに関する。
この種の流入量の予測する技術としては例えば特許文献１に開示されたものがある。特許文献１に開示されたダムにおける流量予測方法は、主として、数時間先から数日先の予測、即ち、長時間予測を対象とするものであり、過去の実績値を用いて構築したニューラルネットワークからなる予測モデルを用いて、将来のダム流量を予測するものである。詳しくは、予測時のモデルに対する入力は、現在時刻の自ダムの流量と、過去から将来の所定時間先までの雨量である。即ち、現在時刻までの実績雨量データだけでなく、将来の雨量データも予測時に利用することとし、それによって、簡便且つ高精度に流量予測を行うことができる流量予測方法を提供することとしている。
特許第３６９３０８９号公報
下流域河川においては氾濫の恐れを早期に察知できるようにするため、従来は３時間先までの水位予測情報のみが提供されていたところ、最近では、６時間先の水位予測情報が提供されるようになってきているところもある。このような状況下においては、例えば、ダムでは洪水警戒体制や異常洪水時防災操作の開始タイミング把握等のため少なくとも６時間先予測が求められる。
一方で、最近の気候変動の影響により過去には経験したことのない短時間豪雨なども生じてきていることから、特許文献１のような予測方法がうまく機能しないケースが増えてきており、従来とは異なるアプローチによる予測システムの開発が要望されている。
そこで、本発明は、新たなアプローチによりニューラルネットワークを利用して貯水施設に対する流入量を予測するシステムを提供することを目的とする。
システムの運用時、即ち、流入量の予測時においては、予測システムへの入力として雨量や土壌雨量指数等の予測値が必要となる。この予測値は不確実性を有している。一方、従来のシステムにおいては、特許文献１のように、モデル構築時には過去の実績値を用いており、運用時に内包されている不確実性は考慮されていない。このため、予測値の精度がかなり高くなって予測値の不確実性がある程度低減しない限り、モデル構築時に期待したような予測精度を得ることができない。
しかし、近年の気候変動を考慮すると、予測値の精度が高くなることのみに頼るのは良策とは言えない。
そこで、本発明では、発想の転換を行い、運用時に予測値を使う入力に関してはモデル構築においても過去の実績値ではなく予測値を用いることとして、システムの運用時に内包する不確実性を考慮したモデルを構築することとする。即ち、本発明においては、学習済みモデルの生成方法を従来とは異なる新たなものとし、それを利用して新たな流入量予測システムを提供する。
具体的には、本発明は、貯水施設に対する流入量の実測値である第１情報であって、所定時間を単位時間として基準時点から過去に向かってｎ個（ｎは０又は正の整数）の前記所定時間からなる第１所定期間（ｎ＝０のときは前記基準時点のみ）に属する前記所定時間毎のｎ＋１個の時点における前記第１情報と、
雨量と土壌雨量指数の少なくとも一方の予測値である第２情報であって、前記基準時点より特定時間だけ未来の特定時点から過去に向かってｎ個の前記所定時間からなる第２所定期間（ｎ＝０のときは前記特定時点のみ）に属する前記所定時間毎のｎ＋１個の時点における前記第２情報と、
雨量と土壌雨量指数の少なくとも一方の実測値である第３情報であって、０個又は前記第１所定期間に属する前記所定時間毎のｎ＋１個の時点における前記第３情報と、
前記貯水施設に流れ込む河川の水位の実測値である第４情報であって、０個又は前記第１所定期間に属する前記所定時間毎のｎ＋１個の時点における前記第４情報と
を入力側の教師データのセットとすると共に、
前記特定時点における前記第１情報を出力側の教師データとして
機械学習することにより、前記貯水施設に対する流入量を予測する流入量予測システムにおいて用いられる学習済みモデルを生成するモデル生成方法を提供する。
また、本発明は、第１の流入量予測システムとして、
貯水施設に対する流入量を予測する流入量予測システムであって、
第１情報と、第２情報と、第３情報と、第４情報とを入力可能な入力部であって、前記第１情報は前記貯水施設に対する流入量の実測値であり、前記第２情報は雨量と土壌雨量指数の少なくとも一方の予測値であり、前記第３情報は雨量と土壌雨量指数の少なくとも一方の実測値であり、前記第４情報は前記貯水施設に流れ込む河川の水位の実測値である、入力部と、
前記第１情報、前記第２情報、前記第３情報及び前記第４情報並びに学習済みモデルを格納する記憶部であって、前記学習済みモデルは、所定時間を単位時間として基準時点から過去に向かってｎ個（ｎは０又は正の整数）の前記所定時間からなる第１所定期間（ｎ＝０のときは前記基準時点のみ）に属する前記所定時間毎のｎ＋１個の時点における前記第１情報と、前記基準時点より特定時間だけ未来の特定時点から過去に向かってｎ個の前記所定時間からなる第２所定期間（ｎ＝０のときは前記特定時点のみ）に属する前記所定時間毎のｎ＋１個の時点における前記第２情報と、０個又は前記第１所定期間に属する前記所定時間毎のｎ＋１個の時点における前記第３情報と、０個又は前記第１所定期間に属する前記所定時間毎のｎ＋１個の時点における前記第４情報とを入力側の教師データのセットとすると共に、前記特定時点における前記第１情報を出力側の教師データとして機械学習することにより生成したものである、記憶部と、
現在時点を前記基準時点としたときの前記入力側の教師データのセットに対応する前記第１情報、前記第２情報、前記第３情報及び前記第４情報を入力として、前記学習済みモデルを用いて、前記現在時点より前記特定時間だけ未来の時点における前記貯水施設に対する流入量を予測する予測部と
を備える、流入量予測システムを提供する。
また、本発明は、第２の流入量予測システムとして、第１の流入量予測システムであって、
前記第２情報は、雨量の予測値であり、
前記第３情報は、雨量の実測値である
流入量予測システムを提供する。
また、本発明は、第３の流入量予測システムとして、第１の流入量予測システムであって、
前記第２情報は、土壌雨量指数の予測値であり、
前記第３情報は、土壌雨量指数の実測値である
流入量予測システムを提供する。
また、本発明は、第４の流入量予測システムとして、第１の流入量予測システムであって、
前記第２情報は、雨量及び土壌雨量指数の予測値であり、
前記第３情報は、雨量及び土壌雨量指数の実測値である
流入量予測システムを提供する。
また、本発明は、第５の流入量予測システムとして、第１から第４までのいずれかの流入量予測システムであって、
前記入力側の教師データのセットにおいて、前記第２所定期間に属する前記所定時間毎のｎ＋１個の時点における前記第２情報は、夫々、前記特定時間前に予測されたものであり、
前記予測部における前記入力において、前記現在時点を前記基準時点とした場合の前記入力側の教師データのセットに対応する前記第２情報は、夫々、前記特定時間前に予測されたものである
流入量予測システムを提供する。
また、本発明は、コンピュータを上述した第１から第５のいずれかの流入量予測システムとして機能させるプログラムを提供する。
更に、本発明は、貯水施設に対する流入量を予測する流入量予測方法であって、
前記貯水施設に対する流入量の実測値である第１情報と、雨量と土壌雨量指数の少なくとも一方の予測値である第２情報と、雨量と土壌雨量指数の少なくとも一方の実測値である第３情報と、前記貯水施設に流れ込む河川の水位の実測値である第４情報とを取得するステップと、
所定時間を単位時間として基準時点から過去に向かってｎ個（ｎは０又は正の整数）の前記所定時間からなる第１所定期間（ｎ＝０のときは前記基準時点のみ）に属する前記所定時間毎のｎ＋１個の時点における前記第１情報と、前記基準時点より特定時間だけ未来の特定時点から過去に向かってｎ個の前記所定時間からなる第２所定期間（ｎ＝０のときは前記特定時点のみ）に属する前記所定時間毎のｎ＋１個の時点における前記第２情報と、０個又は前記第１所定期間に属する前記所定時間毎のｎ＋１個の時点における前記第３情報と、０個又は前記第１所定期間に属する前記所定時間毎のｎ＋１個の時点における前記第４情報とを入力側の教師データのセットとすると共に、前記特定時点における前記第１情報を出力側の教師データとして機械学習することにより学習済みモデルを生成するステップと、
現在時点を前記基準時点としたときの前記入力側の教師データのセットに対応する前記第１情報、前記第２情報、前記第３情報及び前記第４情報を入力として、前記学習済みモデルを用いて、前記現在時点より前記特定時間だけ未来の時点における前記貯水施設に対する流入量を予測するステップと
を備える、流入量予測方法を提供する。
本発明によれば、予測時（システムの運用時）において入力として不確実性を有する予測値を使用する項目については学習済みモデルを生成する際にも不確実性を有する予測値を用いることとしたため、モデル構築時とシステム運用時とのデータ環境格差が小さくなり、モデル構築時とシステム運用時の予測精度を同程度にできる可能性が高くなる。
加えて、本発明においては、ダムなどの貯水施設に流れ込む河川の水位の実測値も入力として用いている。河川の水位の実測値は、実際に河川を流れている水であり、降った雨が河川に流出した結果でもあることから、河川水位観測所地点までの降雨が河川に流出するまでの複雑なプロセスを集約したデータと捉えることができる。また河川の水はそのまま貯水施設に流入するため、流入量を予測するには重要なパラメータでもある。このため、河川の水位の実測値を入力に加えることは、流入量の予測精度の向上に寄与することが期待できる。
本発明の実施の形態による流入量予測システムの構成を示す図である。 図１の流入量予測システムにおいて用いられるモデルを示す概略図である。モデルには、学習時の教師データが与えられている。 図２に対応する概略図であり、ｎ＝５，Ｔ＝６の例を示す。 図２に対応する概略図であり、ｎ＝５，Ｔ＝３の例を示す。 図１の流入量予測システムにおいて用いられるモデルを示す概略図である。モデルには、予測時（運用時）の入力が与えられる。 図１の流入量予測システムにおいて用いられる第２所定期間に属する各時点の第２情報について説明するための図である。 図６に対応する概略図であり、ｎ＝５，Ｔ＝６の例を示す。 図６に対応する概略図であり、ｎ＝５，Ｔ＝３の例を示す。 第２所定期間に属する各時点の第２情報の変形例を説明するための図である。 機械学習及び予測に用いる第２情報の内容に関する変形例を説明するための図である。 第２情報及び第３情報として雨量を用いた場合の予測流量と実際に観測された観測流量との対比を示すグラフである。 第２情報及び第３情報として土壌雨量指数を用いた場合の予測流量と実際に観測された観測流量との対比を示すグラフである。 第２情報及び第３情報として雨量及び土壌雨量指数を用いた場合の予測流量と実際に観測された観測流量との対比を示すグラフである。
図１を参照して、本発明の実施の形態による流入量予測システム１は、貯水施設に対する流入量を予測するためのものである。具体的には、本実施の形態において対象とする貯水施設はダムである。但し、本発明はこれに限定されるわけではなく、ダム以外の貯水施設へも適用可能である。
図１の流入量予測システム１は、以下に夫々詳述する入力部１０と、記憶部２０と、モデル生成部３０と、予測部４０とを備えている。本実施の形態において、流入量予測システム１の実体は、コンピュータを入力部１０～予測部４０として機能させるプログラムである。
入力部１０は、第１情報と、第２情報と、第３情報と、第４情報とを入力可能なインタフェースである。入力部１０は、外部のネットワークに接続され、そのネットワークを介して第１情報から第４情報を取得するものであってもよいし、挿入された又は接続された記録媒体を介して第１情報から第４情報を入力するものであってもよい。
ここで、第１情報は、ダムに対する流入量の実測値である。本実施の形態の流入量予測システムにおいては、未来の時点におけるダム流入量を予測するにあたり、現時点までの情報を取り込んで基準を合わせるために必要とされる。
第２情報は雨量と土壌雨量指数の少なくとも一方の予測値である。第２情報としては、例えば、気象庁の提供する降水短時間予報、降水ナウキャスト、ＭＳＭ（MesoScale Model）、ＧＳＭ（Global Spectral Model）などを用いることができる。
この第２情報は、未来の時点におけるダム流入量を予測するために重要な情報である。特に、降った雨が予測地点まで到達する時間（洪水到達時間）以上の未来の時点における流入量を予測するような場合、第２情報の重要性は高くなる。本実施の形態においては、現時点までの第１情報並びに利用できる場合には第３情報及び第４情報を用いて、この第２情報、即ち予測値に含まれる不確実性を学習させることとしている。
なお、第２情報としては、予測雨量の累積値と同じような挙動を示すことから、土壌雨量指数（降水短時間予報を用いた予想値）を用いることもできる。特に、洪水期間のみを抽出して検討することが多い流入量予測においては、予測雨量では洪水毎に異なる初期の土壌水分飽和状態を反映できていないため、土壌雨量指数（予想値）を使うことで一つのサポート情報になる可能性がある。また、降った雨は、地表面を流れて河川に流れたり（表面流出）、地中に浸透してから河川に流れたり（表層流出、地下水流出）するといったように流出機構を通じて河川へ流れ込み、更に、ダムへ流入する。このような流れの中で、土壌雨量指数は雨量より河川に近い情報であることから、後述するモデルが複雑化しないメリットもある。
第３情報は、雨量と土壌雨量指数の少なくとも一方の実測値である。第３情報としては、例えば、気象庁の提供するレーダーアメダス解析雨量などを用いることができる。この第３情報は、現時点までの実測雨量と河川水位の関係、実測雨量とダム流入量の関係を学習させるために必要とされるものである。第２情報と同様の理由により、土壌雨量指数（レーダーアメダス解析雨量による現況値）も用いることができる。
第４情報は、ダムの上流域内に存在し且つダムに流れ込む河川にある水位観測所の実測値である。第４情報は、当該河川に設置された水位計を用いて観測されるものである。降った雨が河川に流れ込むまでには、上述したような流出機構を介している。河川の水位は、この流出機構を介した複雑なプロセスを集約した情報と考えられる。また、河川の水は、ダム湖へ流入することから、流入量を予測するには需要な情報である。
これらの第１情報～第４情報は、入力されると、その都度、記憶部２０に格納される。ここで、第１情報及び第２情報は、後述する機械学習や予測に必要とされる対象期間に亘って基本的に得られる情報である。一方、第３情報及び第４情報は、ダムの上流域内に雨量観測所などが設けられていない場合や、ダムに流れ込む河川に水位計が設けられていないといったように、ダムの上流域内において取得できない場合や欠測データ等が多く機械学習を適切に行わせるために十分な量のデータを取得できない場合もある。従って、本実施の形態において、第１情報や第２情報は、機械学習や予測に必ず用いられるが、第３情報や第４情報は、利用可能な場合にだけ利用される。
モデル生成部３０は、記憶部２０に格納されている第１情報～第４情報を教師データとして図２に示されるように機械学習させて学習済みモデルを生成する。なお、図２に示されるモデルにおいては、中間層として１層のみを示してあるが、複数層からなるものであってもよい。また、中間層を構成するニューロン数（ノード数，ブロック数）は図示されたものに限定されない。更に、モデルの生成にあたっては、ＬＳＴＭネットワークなど、既存の技術を適用可能である。
ここで、第１所定期間を、基準時点ｔから過去に向かってｎ個（ｎは０又は正の整数）の所定時間からなるもの、即ち、基準時点ｔより過去の時点ｔ－ｎと基準時点ｔとを両端とする期間（ｔ－ｎ～ｔ）とする。第１所定期間は、ｎ＝０のときは基準時点ｔのみとなる。また、第２所定期間を、基準時点ｔより特定時間Ｔだけ未来の特定時点ｔ＋Ｔから過去に向かってｎ個の所定時間からなるもの、即ち、特定時点ｔ＋Ｔより過去の時点ｔ＋Ｔ－ｎと特定時点ｔ＋Ｔとを両端とする期間（ｔ＋Ｔ－ｎ～ｔ＋Ｔ）とする。第２所定期間は、ｎ＝０のときは特定時点ｔ＋Ｔのみとなる。なお、本実施の形態においては、所定時間を１時間とする。つまり、第１所定期間には、時点ｔ－ｎと基準時点ｔとを両端として、１時間おきに合計ｎ＋１個の時点が含まれている。同様に、第２所定期間には、時点ｔ＋Ｔ－ｎと特定時点ｔ＋Ｔとを両端として、１時間おきに合計ｎ＋１個の時点が含まれている。なお、特定時間Ｔは、所定時間の整数倍である必要はない。例えば、特定時間は０．５時間（３０分）であってもよいし、１／３時間（２０分）であってもよい。
このとき、入力側の教師データのセットは、第１所定期間（ｔ－ｎ～ｔ）に属する所定時間毎のｎ＋１個の時点における第１情報と、第２所定期間（ｔ＋Ｔ－ｎ～ｔ＋Ｔ）に属する所定時間毎のｎ＋１個の時点における第２情報と、０個又は第１所定期間（ｔ－ｎ～ｔ）に属する所定時間毎のｎ＋１個の時点における第３情報と、０個又は第１所定期間（ｔ－ｎ～ｔ）に属する所定時間毎のｎ＋１個の時点における第４情報である。一方、出力側の教師データは、特定時点ｔ＋Ｔにおける第１情報である。本実施の形態においては、第１所定期間（ｔ－ｎ～ｔ）に属する１時間毎のｎ＋１個の時点における第１情報と、第２所定期間（ｔ＋Ｔ－ｎ～ｔ＋Ｔ）に属する１時間毎のｎ＋１個の時点における第２情報と、０個又は第１所定期間（ｔ－ｎ～ｔ）に属する１時間毎のｎ＋１個の時点における第３情報と、０個又は第１所定期間（ｔ－ｎ～ｔ）に属する１時間毎のｎ＋１個の時点における第４情報である。第３情報や第４情報は、上述したように、機械学習をさせるために十分なデータ量が利用できない場合もあるので、その場合には０個（つまり、その情報は使用しない）となり、逆に、利用可能な場合には第１情報と同様に第１所定期間に属する所定時間毎のｎ＋１個の時点における情報を利用することとなる。以上説明したような入力側の教師データのセットと出力側の教師データとを用いて機械学習することにより学習済みモデルを生成する。
より具体的には、例えば、ｎ＝５，Ｔ＝６のときは、図３に示されるように、入力側の教師データのセットは、第１所定期間（ｔ－５～ｔ）に属する１時間毎の６個の時点における第１情報と、第２所定期間（ｔ＋１～ｔ＋６）に属する１時間毎の６個の時点における第２情報と、０個又は第１所定期間（ｔ－５～ｔ）に属する１時間毎の６個の時点における第３情報と、０個又は第１所定期間（ｔ－５～ｔ）に属する１時間毎の６個の時点における第４情報であり、出力側の教師データは、特定時点ｔ＋６における第１情報である。また、例えば、ｎ＝５，Ｔ＝３のときは、図４に示されるように、入力側の教師データのセットは、第１所定期間（ｔ－５～ｔ）に属する１時間毎の６個の時点における第１情報と、第２所定期間（ｔ－２～ｔ＋３）に属する１時間毎の６個の時点における第２情報と、０個又は第１所定期間（ｔ－５～ｔ）に属する１時間毎の６個の時点における第３情報と、０個又は第１所定期間（ｔ－５～ｔ）に属する１時間毎の６個の時点における第４情報であり、出力側の教師データは、特定時点ｔ＋３における第１情報である。
本実施の形態において、機械学習や予測に用いる場合には、第１情報～第４情報の夫々の時点の数はｎ＋１個で統一してあるが、第１所定期間や第２所定期間に属する時点の夫々における第１情報～第４情報の具体的なデータ数については特に限定はない。例えば、各時点における第２情報の数については、ダムの上流域内における雨量の予測地点数に応じて設定し、各時点における第３情報の数については、ダムの上流域内に設けられた雨量観測地点数に応じて設定し、更に、各時点における第４情報の数については、ダムに関連する河川に設けられた水位計の数に応じて設定するといったように、各時点におけるデータ数については予測対象のダム（貯水施設）流域の観測環境等に応じて設定できる。第２情報や第３情報を土壌雨量指数とする場合も同様である。更に、雨量及び土壌雨量指数を第２情報や第３情報とした場合、機械学習や予測に利用する第２所定時間に属する時点の数はｎ＋１個であり、雨量のみを第２情報や第３情報とした場合や土壌雨量指数を第２情報や第３情報とした場合と同じである。なお、雨量及び土壌雨量指数を第２情報や第３情報とした場合に関し、各時点において用いられるデータ数については、例えば雨量と土壌雨量指数とで利用可能な数が異なることもありうるので、雨量と土壌雨量指数とで同数である必要はない。
予測値である第２情報の不確実性を学習させるという観点からは、少なくとも第１情報と第２情報の２つの情報が必要である。特に、特定時点ｔ＋Ｔが基準時点ｔから離れている場合（特定時間Ｔが大きい場合）においては、第１情報と第２情報の２つのみを用いると、第２情報の不確実性の学習に注力させることができるので、より精度の高い予測結果を得ることができる。一方、特定時点ｔ＋Ｔが基準時点ｔに近い場合（特定時間Ｔが小さい場合）には、予測結果に影響する実測値のウェイトが大きくなる。従って、第３情報や第４情報が使える場合には、これらも用いると特定時間Ｔが小さい場合にも予測精度の向上を図ることができる。
記憶部２０には、上述した第１情報～第４情報が適宜追加されていくと共に、モデル生成部３０において生成された学習済みモデルも格納される。
予測部４０は、記憶部２０に格納されている第１情報～第４情報と学習済みモデルを用いて、ダムに対する流入量を予測する。図５に示されるように、現在時点ｔ０を基準時点とすると、第１所定期間はｔ０－ｎ～ｔ０、即ち、現在時点ｔ０とそれより過去の時点ｔ０－ｎとを両端とする期間（ｎ＝０のときは現在時点ｔ０のみ）となる。同様に、現在時点ｔ０を基準時点とすると、第２所定期間は、ｔ０＋Ｔ－ｎ～ｔ０＋Ｔ、即ち、現在時点ｔ０より特定時間Ｔだけ未来の時点ｔ０＋Ｔとそれより過去の時点ｔ０＋Ｔ－ｎとを両端とする期間（ｎ＝０のときは時点ｔ０＋Ｔのみ）となる。従って、現在時点ｔ０を基準時点としたときの入力側の教師データのセットに対応する第１情報、第２情報、第３情報及び第４情報は、夫々、第１所定期間ｔ０－ｎ～ｔ０の所定時間毎のｎ＋１個の時点における第１情報、第２所定期間ｔ０＋Ｔ－ｎ～ｔ０＋Ｔの所定時間毎のｎ＋１個の時点における第２情報、０個又は第１所定期間ｔ０－ｎ～ｔ０の所定時間毎のｎ＋１個の時点における第３情報、及び０個又は第１所定期間ｔ０－ｎ～ｔ０の所定時間毎のｎ＋１個の時点における第４情報である。予測部４０は、現在時点ｔ０を基準時点としたときの入力側の教師データのセットに対応する第１情報、第２情報、第３情報及び第４情報を入力として、学習済みモデルを用いて、現在時点ｔ０より特定時間Ｔだけ未来の時点ｔ０＋Ｔにおけるダムに対する流入量を予測する。
このように、本実施の形態においては、予測時において入力として不確実性を有する第２情報については学習済みモデルを生成する際にも不確実性を有する予測値を用いることとしたため、モデル構築時と予測時とのデータ環境格差が小さくなり、モデル構築時と予測時の予測精度を同程度にできる可能性が高くなる。
更に、本実施の形態による流入量予測システム１においては、モデル生成時及び予測時に用いる第２情報として、夫々、特定時間Ｔだけ前に予測されたものを選択している。
ここで、ある時点ａにおいてその時点ａから時間ｂだけ先の時点の予測値をＰ（ａ，ｂ）と示すこととする。例えば、基準時点ｔにおいて予測した予測値であって基準時点ｔの１時間～６時間先の時点の予測値は、夫々、Ｐ（ｔ，１），Ｐ（ｔ，２），Ｐ（ｔ，３），Ｐ（ｔ，４），Ｐ（ｔ，５），Ｐ（ｔ，６）となり、基準時点ｔから５時間前の時点（ｔ－５）において予測した予測値であって時点（ｔ－５）の１時間～６時間先の時点の予測値は、夫々、Ｐ（ｔ－５，１），Ｐ（ｔ－５，２），Ｐ（ｔ－５，３），Ｐ（ｔ－５，４），Ｐ（ｔ－５，５），Ｐ（ｔ－５，６）となる。
上述した表記によれば、図６に示されるように、入力側の教師データのセットにおいて第２所定期間に属する所定時間毎のｎ＋１個の時点における第２情報は、夫々、特定時間Ｔだけ前の時点で予測されたものであり、詳しくは、Ｐ（ｔ－ｎ，Ｔ），Ｐ（ｔ－ｎ＋１，Ｔ），・・・，Ｐ（ｔ－１，Ｔ），Ｐ（ｔ，Ｔ）である。同様に、予測部４０において予測に用いられる第２情報は、夫々、特定時間Ｔだけ前の時点で予測されたものであり、詳しくは、Ｐ（ｔ０－ｎ，Ｔ），Ｐ（ｔ０－ｎ＋１，Ｔ），・・・，Ｐ（ｔ０－１，Ｔ），Ｐ（ｔ０，Ｔ）である。
より具体的には、例えば、ｎ＝５，Ｔ＝６のとき、第２所定期間ｔ＋１～ｔ＋６に属する１時間毎の６個の時点（ｔ＋１，ｔ＋２，ｔ＋３，ｔ＋４，ｔ＋５，ｔ＋６）における第２情報は、図７に示されるように、Ｐ（ｔ－５，６），Ｐ（ｔ－４，６），Ｐ（ｔ－３，６），Ｐ（ｔ－２，６），Ｐ（ｔ－１，６），Ｐ（ｔ，６）であり、すべて６時間前に予測されたものである。また、例えば、ｎ＝５，Ｔ＝３のとき、第２所定期間ｔ－２～ｔ＋３に属する１時間毎の６個の時点（ｔ－２，ｔ－１，ｔ，ｔ＋１，ｔ＋２，ｔ＋３）における第２情報は、図８に示されるように、Ｐ（ｔ－５，３），Ｐ（ｔ－４，３），Ｐ（ｔ－３，３），Ｐ（ｔ－２，３），Ｐ（ｔ－１，３），Ｐ（ｔ，３）であり、すべて３時間前に予測されたものである。
一般に、予測時間の短いものほど予測精度が高く、予測時間が長くなればなるほど予測精度は低下する。例えば、１時間先を予測した予測値Ｐ（ｔ，１）は６時間先を予測した予測値（ｔ，６）よりも予測精度が高い。本実施の形態においてモデル生成時及び予測時に用いる第２所定期間に属する各時点における第２情報の予測時間はすべてＴ時間であり、互いに同等・同質のデータであることから、より適切に予測値の不確実性を学習させることが期待できる。
但し、本発明において第２所定期間に属する各時点における第２情報はこれに限定されるものではない。第２所定期間に属する所定時間毎の各時点における第２情報として、互いに同一時点において予測したものを用いてもよい。例えば、ｎ＝５，Ｔ＝６の場合において、図９に示されるように、第２所定期間に属する１時間毎の第２情報として、すべて基準時点ｔにおいて予測した予測値を用いることとしてもよい。
また、第２所定期間に属する時点における第２情報に加えて、互いに同等・同質のデータからなる他の１組又は複数組の第２情報を用いることとしてもよい。例えば、ｎ＝５，Ｔ＝６の場合において、図１０に示されるように、Ｐ（ｔ－５，６）～Ｐ（ｔ，６）で表された６時間先予測値（第２所定期間に属する時点における第２情報）に加えて、Ｐ（ｔ－５，５）～Ｐ（ｔ，５）で表された５時間先予測値、Ｐ（ｔ－５，４）～Ｐ（ｔ，４）で表された４時間先予測値、Ｐ（ｔ－５，３）～Ｐ（ｔ，３）で表された３時間先予測値、Ｐ（ｔ－５，２）～Ｐ（ｔ，２）で表された２時間先予測値、及びＰ（ｔ－５，１）～Ｐ（ｔ，１）で表された１時間先予測値を用いることとしてもよい。同様に、例えば、図１０に示されるデータのうち、Ｐ（ｔ－５，６）～Ｐ（ｔ，６）で表された６時間先予測値に加えて、Ｐ（ｔ－５，５）～Ｐ（ｔ，５）で表された５時間先予測値のセットだけを追加で用いることとしてもよいし、Ｐ（ｔ－５，６）～Ｐ（ｔ，６）で表された６時間先予測値に加えて、Ｐ（ｔ－５，５）～Ｐ（ｔ，５）で表された５時間先予測値とＰ（ｔ－５，４）～Ｐ（ｔ，４）で表された４時間先予測値の２組の予測値のセットを追加で用いることとしてもよい。
以下、図１１～図１３を用いて、ｎ＝５，Ｔ＝６の場合について、上述した実施の形態による流入量予測システム１による予測流量と実際に観測された流量との対比を示す。予測にあたり、第１情報及び第４情報としては、水文水質DB（http://www1.river.go.jp/）から取得した所定のダムの流入量及び当該ダムに関連した河川の水位を用いた。第２情報及び第３情報のうち、雨量に関しては、夫々、気象庁の提供する降水短時間予報及びレーダーアメダス解析雨量を用い、土壌雨量指数に関しては、夫々、降水短時間予報を用いた予想値及びレーダーアメダス解析雨量による現況値を用いた。これらを用いて取得可能であった洪水期間を対象として、検証を行った。第２情報及び第３情報として雨量を用いた場合の対比を図１１に、第２情報及び第３情報として土壌雨量指数を用いた場合の対比を図１２に、第２情報及び第３情報として雨量及び土壌雨量指数を用いた場合の対比を図１３に夫々示す。いずれの場合も、予測流量は、かなり大きな動きのある観測流量に比較的追従できている。
以上、本発明の実施の形態について図面を参照して具体的に説明してきたが、本発明は上述した実施の形態に限定されるものではない。
例えば、本実施の形態による流入量予測システム１は、モデル生成部３０を備えていたが、本発明はこれに限定されない。具体的には、流入量予測システム１の運用時（即ち、予測時）においては、記憶部２０に格納されている学習済みモデルが利用可能であればよいので、学習済みモデルの生成だけを別のところで行うこととし、流入量予測システム１からモデル生成部３０を省略することとしてもよい。
また、上述した実施の形態において、第１情報の流入量や予測対象としている流入量は、１秒当たりの体積（ｍ３／ｓ）であったが、本発明はこれに限定されない。第１情報の流入量や予測対象としている流入量は、ある一定時間内の流れ込んできた体積（ｍ３）（即ち、一定時間内に流れ込んできた流入量を積分した値）であってもよい。なお、ここでいう一定時間は、所定時間であってもよいし、所定時間の数倍の時間であってもよいし、他の任意の時間であってもよい。
また、上述した実施の形態において、例えば、第２情報が雨量の場合は第３情報も雨量（図１１）、第２情報が土壌雨量指数の場合には第３情報も土壌雨量指数（図１２）といったように、第２情報（予測値）と第３情報（実測値）とで同じものを用いていたが、本発明はこれに限定されない。例えば、第２情報が雨量であって第３情報が土壌雨量指数といったように一方と他方とが異なっていてもよい。
更に、上述した実施の形態において、所定時間（単位時間）は１時間であったが、本発明は、これに限定されない。例えば、所定時間は５分であってもよいし、１０分であってもよい。具体的には、例えば、１時間先の予測を行うために５分単位の複数の第１情報～第４情報を用いることとしてもよい。
１ 流入量予測システム
１０ 入力部
２０ 記憶部
３０ モデル生成部
４０ 予測部

Claims (6)

  1. ニューラルネットワークを利用して貯水施設に対する流入量を予測するシステムにおいて用いられる学習済みモデルを生成するモデル生成方法であって、
    貯水施設に対する流入量の実測値である第１情報であって、所定時間を単位時間として基準時点から過去に向かってｎ個（ｎは０又は正の整数）の前記所定時間からなる第１所定期間（ｎ＝０のときは前記基準時点のみ）に属する前記所定時間毎のｎ＋１個の時点における前記第１情報と、
    雨量と土壌雨量指数の少なくとも一方の予測値である第２情報であって、前記基準時点より特定時間だけ未来の特定時点から過去に向かってｎ個の前記所定時間からなる第２所定期間（ｎ＝０のときは前記特定時点のみ）に属する前記所定時間毎のｎ＋１個の時点における前記第２情報と、
    雨量と土壌雨量指数の少なくとも一方の実測値である第３情報であって、０個又は前記第１所定期間に属する前記所定時間毎のｎ＋１個の時点における前記第３情報と、
    前記貯水施設に流れ込む河川の水位の実測値である第４情報であって、０個又は前記第１所定期間に属する前記所定時間毎のｎ＋１個の時点における前記第４情報と
    を入力側の教師データのセットとすると共に、
    前記特定時点における前記第１情報を出力側の教師データとして
    機械学習することにより、前記学習済みモデルを生成するモデル生成方法。
  2. ニューラルネットワークを利用して貯水施設に対する流入量を予測するシステム
    貯水施設に対する流入量を予測する流入量予測システムであって、
    第１情報と、第２情報と、第３情報と、第４情報とを入力可能な入力部であって、前記第１情報は前記貯水施設に対する流入量の実測値であり、前記第２情報は雨量と土壌雨量指数の少なくとも一方の予測値であり、前記第３情報は雨量と土壌雨量指数の少なくとも一方の実測値であり、前記第４情報は前記貯水施設に流れ込む河川の水位の実測値である、入力部と、
    前記第１情報、前記第２情報、前記第３情報及び前記第４情報並びに学習済みモデルを格納する記憶部であって、前記学習済みモデルは、所定時間を単位時間として基準時点から過去に向かってｎ個（ｎは０又は正の整数）の前記所定時間からなる第１所定期間（ｎ＝０のときは前記基準時点のみ）に属する前記所定時間毎のｎ＋１個の時点における前記第１情報と、前記基準時点より特定時間だけ未来の特定時点から過去に向かってｎ個の前記所定時間からなる第２所定期間（ｎ＝０のときは前記特定時点のみ）に属する前記所定時間毎のｎ＋１個の時点における前記第２情報と、０個又は前記第１所定期間に属する前記所定時間毎のｎ＋１個の時点における前記第３情報と、０個又は前記第１所定期間に属する前記所定時間毎のｎ＋１個の時点における前記第４情報とを入力側の教師データのセットとすると共に、前記特定時点における前記第１情報を出力側の教師データとして機械学習することにより生成したものである、記憶部と、
    現在時点を前記基準時点としたときの前記入力側の教師データのセットに対応する前記第１情報、前記第２情報、前記第３情報及び前記第４情報を入力として、前記学習済みモデルを用いて、前記現在時点より前記特定時間だけ未来の時点における前記貯水施設に対する流入量を予測する予測部と
    を備える、流入量予測システム。
  3. 請求項２記載の流入量予測システムであって、
    前記第２情報は、雨量の予測値であり、
    前記第３情報は、雨量の実測値である
    流入量予測システム。
  4. 請求項２記載の流入量予測システムであって、
    前記第２情報は、土壌雨量指数の予測値であり、
    前記第３情報は、土壌雨量指数の実測値である
    流入量予測システム。
  5. 請求項２記載の流入量予測システムであって、
    前記第２情報は、雨量及び土壌雨量指数の予測値であり、
    前記第３情報は、雨量及び土壌雨量指数の実測値である
    流入量予測システム。
  6. 請求項２から請求項５までのいずれかに記載の流入量予測システムであって、
    前記入力側の教師データのセットにおいて、前記第２所定期間に属する前記所定時間毎のｎ＋１個の時点における前記第２情報は、夫々、前記特定時間前に予測されたものであり、
    前記予測部における前記入力において、前記現在時点を前記基準時点とした場合の前記入力側の教師データのセットに対応する前記第２情報は、夫々、前記特定時間前に予測されたものである
    流入量予測システム。
JP2021200216A 2021-12-09 2021-12-09 モデル生成方法及び流入量予測システム Active JP7354213B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2021200216A JP7354213B2 (ja) 2021-12-09 2021-12-09 モデル生成方法及び流入量予測システム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021200216A JP7354213B2 (ja) 2021-12-09 2021-12-09 モデル生成方法及び流入量予測システム

Publications (2)

Publication Number Publication Date
JP2023085902A JP2023085902A (ja) 2023-06-21
JP7354213B2 true JP7354213B2 (ja) 2023-10-02

Family

ID=86775737

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021200216A Active JP7354213B2 (ja) 2021-12-09 2021-12-09 モデル生成方法及び流入量予測システム

Country Status (1)

Country Link
JP (1) JP7354213B2 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7569539B1 (ja) 2023-12-06 2024-10-18 一般財団法人日本気象協会 情報処理装置、情報処理方法、及びプログラム
CN117824788B (zh) * 2024-03-05 2024-05-28 河海大学 水位监测分析系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3693089B2 (ja) 1998-08-04 2005-09-07 富士電機システムズ株式会社 ダムにおける流量予測方法
JP2006092058A (ja) 2004-09-22 2006-04-06 Fuji Electric Systems Co Ltd 流量予測装置
JP5823459B2 (ja) 2013-09-03 2015-11-25 中国電力株式会社 流入量予測装置、流入量予測方法、水位予測装置およびプログラム
JP6191704B2 (ja) 2016-01-04 2017-09-06 中国電力株式会社 流入量予測装置、流入量予測方法および流入量予測プログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62132116A (ja) * 1985-12-03 1987-06-15 Japan Radio Co Ltd 貯水池流入量計算方式
JP2697233B2 (ja) * 1990-03-23 1998-01-14 三菱電機株式会社 神経回路網河川出水量予測装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3693089B2 (ja) 1998-08-04 2005-09-07 富士電機システムズ株式会社 ダムにおける流量予測方法
JP2006092058A (ja) 2004-09-22 2006-04-06 Fuji Electric Systems Co Ltd 流量予測装置
JP5823459B2 (ja) 2013-09-03 2015-11-25 中国電力株式会社 流入量予測装置、流入量予測方法、水位予測装置およびプログラム
JP6191704B2 (ja) 2016-01-04 2017-09-06 中国電力株式会社 流入量予測装置、流入量予測方法および流入量予測プログラム

Also Published As

Publication number Publication date
JP2023085902A (ja) 2023-06-21

Similar Documents

Publication Publication Date Title
Ahmad et al. A generic data-driven technique for forecasting of reservoir inflow: Application for hydropower maximization
Che et al. Development of an optimization/simulation model for real-time flood-control operation of river-reservoirs systems
Ficchì et al. Optimal operation of the multireservoir system in the seine river basin using deterministic and ensemble forecasts
JP7354213B2 (ja) モデル生成方法及び流入量予測システム
JP2019194424A5 (ja)
Hidayat et al. Prediction of discharge in a tidal river using artificial neural networks
Fleming et al. Development and operational testing of a super‐ensemble artificial intelligence flood‐forecast model for a Pacific Northwest river
Ulke et al. Predicting suspended sediment loads and missing data for Gediz River, Turkey
Vermuyten et al. Combining model predictive control with a reduced genetic algorithm for real-time flood control
Shin et al. Probabilistic long‐term hydrological drought forecast using Bayesian networks and drought propagation
Che et al. Application of an optimization/simulation model for real-time flood-control operation of river-reservoirs systems
Kumanlioglu et al. Performance enhancement of a conceptual hydrological model by integrating artificial intelligence
Sung et al. Effects of flood control strategies on flood resilience under sociohydrological disturbances
JP7473524B2 (ja) モデル生成方法、水位予測システム、流入量予測システム及び下流河川水位予測システム
Ahmed et al. Model for determining real-time optimal dam releases during flooding conditions
Valizadeh et al. Accuracy enhancement for forecasting water levels of reservoirs and river streams using a multiple‐input‐pattern fuzzification approach
Ahmad et al. System dynamics and hydrodynamic modelling approaches for spatial and temporal analysis of flood risk
Yazdi et al. A stochastic optimization algorithm for optimizing flood risk management measures including rainfall uncertainties and nonphysical flood damages
Mandal et al. Reservoir operations under changing climate conditions: hydropower-production perspective
Badr et al. Coupled continuous-time Markov chain–Bayesian network model for dam failure risk prediction
Schmid et al. An ensemble data-driven approach for incorporating uncertainty in the forecasting of stormwater sewer surcharge
Shaukat et al. Sediment load forecasting of Gobindsagar reservoir using machine learning techniques
Lanini et al. Stochastic method for examining vulnerability of hydropower generation and reservoir operations to climate change: Case study of the Dworshak Reservoir in Idaho
Ranjbar et al. Digital Twin of Calais Canal with Model Predictive Controller: A Simulation on a Real Database
Lin et al. Hurricane freshwater flood risk assessment model for residential buildings in southeast US coastal states considering climate change

Legal Events

Date Code Title Description
A80 Written request to apply exceptions to lack of novelty of invention

Free format text: JAPANESE INTERMEDIATE CODE: A80

Effective date: 20220106

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230329

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20230329

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230510

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230707

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20230707

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: 20230830

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230920

R150 Certificate of patent or registration of utility model

Ref document number: 7354213

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150