JPH05134715A - ニユーラルネツトワーク応用雨水流入量予測装置 - Google Patents

Abstract

(57)【要約】 【目的】本発明は、ポンプ運転支援のための雨水ピーク
流入量の（時間変化の）予測を自動的にかつ精度よく行
なえることを最も主要な目的としている。 【構成】レーダ雨量計からの観測値をメッシュ形状の降
雨強度に換算した降雨開始から等時間間隔で離散的な積
算雨量データを学習用入力データ、またポンプ施設の水
位計、ポンプ運転による吐出量からポンプ施設に流入す
る雨水流入量を演算した降雨開始から等時間間隔で離散
的な雨水流入量を学習用出力データとして蓄え、学習用
入力データである積算雨量データ、学習用出力データで
ある雨水流入量を基に、バックプロパゲーション法によ
りニューラルネットワークの重み係数を学習して蓄え、
この重み係数を用い、降雨当日の積算雨量データと判定
値から、ニューラルネットワークにより雨水流入量を予
測して出力することを特徴としている。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、雨水排水を目的とする
下水道ポンプ場または処理場等のポンプ施設に対し、レ
ーダ雨量計を用いてニューラルネットワークによりポン
プ運転支援のための雨水ピーク流入量を予測する雨水流
入量予測装置に係り、特に雨水ピーク流入量の（時間変
化の）予測を自動的にかつ精度よく行ない得るようにし
たニューラルネットワーク応用雨水流入量予測装置に関
するものである。

【０００２】

【従来の技術】近年、特に都市部においては、都市化の
進行や下水道の整備が急速に進み、降雨の大半がポンプ
施設に流入することになり、集中豪雨、台風、雷雨等に
よる急激な雨水流入に対応する必要が生じてきている。
この場合、降雨時にポンプ施設を最適に運用するために
は、降雨開始から実際の流入が始まるまでの間に、雨水
流入量を予測する必要がある。

【０００３】降雨強度と雨水流入量との関係は、図７に
その一例を示すように、降雨に対して流入現象は時間遅
れを伴なっている。ポンプ運転の立場からは、降雨の時
間的変化を知って、雨水ピーク流入量（図中の最大流量
・印に相当）の予測を行ないたいとの要求がある。そし
て、この雨水ピーク流入量が事前に予測できれば、浸水
回避に必要なポンプ運転の起動タイミングを把握した
り、必要な自家発電機の台数を立ち上げ準備することが
可能となる。

【０００４】ところで、従来から、降雨流出の流入量予
測モデルとしては、単位図法をはじめいくつか提案され
てきているが、種々の降雨に対して、精度のよい予測モ
デルは未だ確立されておらず、数式モデルの開発にも限
界がある。その原因としては、次のようなことがあげら
れる。 （ａ）数式モデルには未知パラメータを多く含んでお
り、これを決めるのに豊富な実験データや解析調整作業
が必要になり、かなりの人手と時間を要する。 （ｂ）数式モデルの構造そのものが、種々の降雨に対し
て柔軟に対応できない場合には、降雨に応じて個別のモ
デル構成が必要になる。

【０００５】（ｃ）降雨による管渠への流出量は、流域
降雨のうち、地面浸透等による降雨損失分を差し引いた
残りである降雨有効分で決まる。これらは、流域の不浸
透面積と浸透面積の割合、すなわち土地利用に大きく依
存しており、土地利用は都市化と共に経年変化してい
る。そして、一度確立された数式モデルでは、このよう
な経年変化に柔軟に対応することができない。

【０００６】また、従来の降雨観測は、点雨量である地
上雨量計によるものであり、流域内降雨分布は均一と仮
定して、ポンプ施設の地上雨量計を用いて数式モデルで
予測している。このため、流域がある程度広く、局所的
な降雨があった場合には、計算誤差が大きくなり、点雨
量を用いることの問題が指摘されている。

【０００７】一方、これに対し、最近では、レーダ雨量
計が導入され、設置されるに及んで、降雨分布の状況が
リアルタイムにきめ細かく把握できるようになってきて
いる。そして、ピーク流入量予測に用いる降雨データに
関しては、レーダ雨量計からの面積雨量データを有効に
活用して流入予測の精度を向上させる方法が強く求めら
れている。

【０００８】

【発明が解決しようとする課題】以上のように、従来の
数式モデルによる雨水流入量予測方法においては、入力
データである降雨データの取扱いと、モデルパラメータ
の設定（チューニング）の点で問題があった。

【０００９】本発明の目的は、ポンプ運転支援のための
雨水ピーク流入量の（時間変化の）予測を自動的にかつ
精度よく行なうことが可能な極めて信頼性の高いニュー
ラルネットワーク応用雨水流入量予測装置を提供するこ
とにある。

【００１０】

【課題を解決するための手段】上記の目的を達成するた
めに本発明では、雨水排水を目的とする下水道ポンプ場
または処理場等のポンプ施設に対し、レーダ雨量計を用
いてニューラルネットワークによりポンプ運転支援のた
めの雨水流入量を予測する雨水流入量予測装置におい
て、レーダ雨量計からの観測値をメッシュ形状の降雨強
度に換算し、当該換算した降雨開始から等時間間隔で離
散的な積算雨量データを学習用入力データとして蓄える
と共に、ポンプ施設の水位計およびポンプ運転による吐
出量からポンプ施設に流入する雨水流入量を演算し、当
該演算した降雨開始から等時間間隔で離散的な雨水流入
量を学習用出力データとして蓄える学習用実績情報入力
手段と、学習用実績情報入力手段により蓄えられた学習
用入力データである積算雨量データと判別値、および学
習用出力データである雨水流入量に基づいて、バックプ
ロパゲーション法によりニューラルネットワークの重み
係数を学習し、当該学習済みの重み係数を蓄える予測モ
デル構築手段と、予測モデル構築手段に蓄えられた学習
済みの重み係数を用いて、学習用実績情報入力手段によ
り入力される降雨当日の降雨分布実績である積算雨量デ
ータと前降雨実績である判別値とから、ニューラルネッ
トワークにより雨水流入量を予測する流入量予測手段
と、流入量予測手段により予測された雨水流入量を出力
する出力手段とを備えて構成している。

【００１１】ここで、特に学習用実績情報入力手段とし
ては、レーダ雨量計からの観測値をメッシュ形状の降雨
強度に換算する降雨分布実績演算手段と、一定の判別基
準に基づいて前降雨の流入量への影響の有無を判別する
前降雨実績判別手段と、降雨分布実績演算手段により演
算された降雨開始から等時間間隔で離散的な積算雨量デ
ータと前降雨実績判別手段により判別された判別値とを
学習用入力データとして蓄える学習用入力データ保存手
段と、ポンプ施設の水位計およびポンプ運転による吐出
量からポンプ施設に流入する雨水流入量を演算する雨水
流入量演算手段と、雨水流入量演算手段により演算され
た雨水流入量を学習用出力データとして蓄える学習用出
力データ保存手段とから成っている。

【００１２】また、予測モデル構築手段としては、学習
用実績情報入力手段により蓄えられた学習用入力データ
である積算雨量データと判別値、および学習用出力デー
タである雨水流入量に基づいて、バックプロパゲーショ
ン法によりニューラルネットワークの重み係数を学習す
るニューラルネットワーク学習手段と、ニューラルネッ
トワーク学習手段による学習済みの重み係数を蓄える学
習済重み係数保存手段とから成っている。

【００１３】さらに、必要に応じて、予測モデル構築手
段における学習を一定期間毎に行なって経年変化による
モデルの重み係数を修正するための学習起動手段を付加
している。

【００１４】

【作用】従って、本発明のニューラルネットワーク応用
雨水流入量予測装置においては、レーダ雨量計からの観
測値がメッシュ形状の積算雨量に換算され、降雨開始か
ら等時間間隔で離散的な積算雨量データが学習用入力デ
ータとして蓄えられると共に、ポンプ施設の水位計およ
びポンプ運転による吐出量からポンプ施設に流入する雨
水流入量が演算され、雨水流入量が学習用出力データと
して蓄えられる。

【００１５】次に、この蓄えられた学習用入力データで
ある積算雨量データ、および学習用出力データである雨
水流入量を基に、バックプロパゲーション法によってニ
ューラルネットワークの重み係数が学習されて蓄えられ
る。そして、入力される降雨当日の降雨分布実績である
積算雨量データと前降雨実績である判別値から、この蓄
えられた学習済みの重み係数を用い、ニューラルネット
ワークによって雨水流入量が予測され、その予測雨水流
入量が出力される。

【００１６】

【実施例】本発明では、ポンプ運転支援のための雨水ピ
ーク流入量を予測するに際して、レーダ雨量計からの観
測値を取り込んで降雨分布実績および前降雨実績を得、
流入量実績との因果関係を学習することにより、雨水流
入量を予測するものである。以下、上記のような考え方
に基づく本発明の一実施例について、図面を参照して詳
細に説明する。図１は、本発明によるニューラルネット
ワーク応用流入量予測装置を、下水道ポンプ場のポンプ
施設に適用した場合の全体構成例を示すブロック図であ
る。

【００１７】図１において、下水道流域には、その降雨
を観測して観測値（電力量）を出力するレーダ雨量計１
が設置されている。また、ポンプ場には、その水位を計
測して計測値を出力する水位計２、およびポンプ運転に
よるポンプ場からの吐出量を計測して計測値を出力する
流量計３が設置されている。

【００１８】一方、ニューラルネットワーク応用流入量
予測装置４は、降雨分布実績演算装置４１と、前降雨実
績判別装置４２と、学習用入力データ保存装置４３と、
雨水流入量演算装置４４と、学習用出力データ保存装置
４５と、ニューラルネットワーク学習装置４６と、学習
済重み係数保存装置４７と、ニューラルネットワーク予
測装置４８と、出力手段である雨水流入量表示装置４９
と、学習起動スイッチ４０とから成っている。

【００１９】なお、降雨分布実績演算装置４１、前降雨
実績判別装置４２、学習用入力データ保存装置４３、雨
水流入量演算装置４４、学習用出力データ保存装置４５
から学習用実績情報入力手段を構成し、またニューラル
ネットワーク学習装置４６、学習済重み係数保存装置４
７から予測モデル構築手段を構成している。

【００２０】ここで、降雨分布実績演算装置４１は、レ
ーダ雨量計１からの観測値を、メッシュ形状の積算雨量
に換算するものである。また、前降雨実績判別装置４２
は、一定の判別基準に基づいて前降雨の流入量への影響
の有無を判別するものである。さらに、学習用入力デー
タ保存装置４３は、降雨分布実績演算装置４１により演
算された降雨開始から等時間間隔で離散的な積算雨量デ
ータと、前降雨実績判別装置４２により判別された判別
値とを、学習用入力データとして蓄えるためのものであ
る。

【００２１】一方、雨水流入量演算装置４４は、水位計
２および流量計３からの計測値を基に、ポンプ施設に流
入する雨水流入量を演算するものである。また、学習用
出力データ保存装置４５は、雨水流入量演算装置４４に
より演算された雨水流入量を、学習用出力データとして
蓄えるためのものである。

【００２２】一方、ニューラルネットワーク学習装置４
６は、学習用入力データ保存装置４３および学習用出力
データ保存装置４５により蓄えられた、学習用入力デー
タである積算雨量データと判別値、および学習用出力デ
ータである雨水流入量に基づいて、バックプロパゲーシ
ョン法によりニューラルネットワークの重み係数を学習
するものである。また、学習済重み係数保存装置４７
は、ニューラルネットワーク学習装置４６による学習済
みの重み係数を蓄えるためのものである。さらに、ニュ
ーラルネットワーク予測装置４８は、学習済重み係数保
存装置４７に蓄えられた学習済みの重み係数を用いて、
降雨分布実績演算装置４１により入力される降雨当日の
降雨分布実績である積算雨量データと前降雨実績である
判別値とから、ニューラルネットワークにより雨水流入
量を予測するものである。さらにまた、雨水流入量表示
装置４９は、ニューラルネットワーク予測装置４７によ
り予測された雨水流入量を表示出力するためのものであ
る。

【００２３】なお、学習起動スイッチ４０は、ニューラ
ルネットワーク学習装置４６における学習を一定期間毎
に行なって経年変化によるモデルの重み係数を修正する
（見直す）ための指令スイッチである。次に、以上のよ
うに構成した本実施例のニューラルネットワーク応用流
入量予測装置４の作用について説明する。

【００２４】図１において、レーダ雨量計１からの観測
値（電力量）は、降雨分布実績演算装置４１でメッシュ
形状の積算雨量に換算される。そして、この降雨開始か
ら等時間間隔で離散的な積算雨量データが、学習用入力
データとして学習用入力データ保存装置４３に蓄えられ
る。

【００２５】すなわち、この場合、降雨量を表わす方法
には、降雨強度と積算雨量の２通りの方法がある。降雨
強度は１時間あたりの降雨量（ｍｍ／ｈ）で、これを時
間積分したものが積算雨量（ｍｍ）である。そして、降
雨強度と積算雨量との関係を表わすと、図２に示すよう
になる。

【００２６】レーダ雨量計１で観測される雨量は降雨強
度であるが、これを時間積分することにより積算雨量に
換算される（ニューラルネットワークで用いる場合に
は、降雨パターンとして降雨強度で取り扱うよりも、積
算雨量で取り扱った方が容易であることがわかる。な
お、以後では積算雨量に話を限定して説明する）。

【００２７】例えば、いま図３に示すような流入予測対
象流域に対して、レーダ雨量観測メッシュを考える。流
域に降った雨は、下水幹線に流出して最下流点でｐにＱ
ｉｎだけ流入する。この場合、観測メッシュのうち、積
算雨量Ｒｉ（ｉ＝１〜ｎ）が流域にかかる。従って、時
刻ｔでのメッシュｉに降った雨の積算雨量データはＲｉ
（ｔ）と表わされる。

【００２８】また、前降雨実績判別装置４２では、一定
の判別基準に基づいて前降雨の流入量への影響の有無が
判別される。そして、この判別された値も、学習用入力
データとして上記学習用入力データ保存装置４３に蓄え
られる。

【００２９】すなわち、前日あるいは何時間か前に降雨
があった場合に、当日に同一の降雨があったとしても、
前降雨実績のある方がない場合よりも流入量が多いこと
が知られている。これは、土地に雨水が浸透し、保水す
る能力の限界（浸透能と呼ばれる）を持っていることに
より起こる。そして、この浸透能を超える降雨に対して
は、土地が飽和状態のため、地中に浸透しきれずに表面
流として公共下水道へ流れ込むことになるためである。

【００３０】このため、流入量に影響を与える因子とし
て、上記積算雨量以外にも、前降雨実績を学習に取り込
む必要がある。これは、Ｔ時間前以内にＡｍｍ以上の積
算雨量があったかどうかで決める。入力データとして
は、前降雨実績があった場合に“１”、なかった場合に
“０”とする。

【００３１】すなわち、この場合、前降雨実績は、流域
全体の平均値として１つだけデータをもつ、換言すれ
ば、個々のメッシュについて、Ｔ時間以内にＡｍｍ以上
の積算雨量があったら“１”、なければ“０”として、
流域メッシュの和をメッシュ数で除して平均値が求めら
れ、その値が０．５よりも大きければ“１”とし、それ
よりも小さければ“０”とする。

【００３２】一方、ポンプ施設に流入する雨水流入量
が、水位計２および流量計３からの各計測値より、雨水
流入量演算装置４４で算出される。そして、この雨水流
入量データが、学習用出力データとして学習用出力デー
タ保存装置４５に蓄えられる。すなわち、この場合、ポ
ンプ場への流入量は通常、計測設備がないため、演算に
よる方法で演算される。つまり、流入量は

【００３３】

【数１】 のような式で与えられる。このことを図４を用いて説明
する。

【００３４】すなわち、過去の降雨時の水位時間変化
は、水位計記録から読み取れる。そして、この水位変化
をＶ−Ｈ特性にあてはめ、流量変化分が算出される。一
方、ポンプの運転記録からＱ−Ｈ特性と呼ばれる吐出量
−水位関係にあてはめ、ポンプ吐出量が算出される。次
に、流量変化分とポンプ吐出量を加え合わせることによ
り、ポンプ場に流入した雨水流入量が求められる。

【００３５】次に、ニューラルネットワーク学習装置４
６で、これら学習用入力データ保存装置４３および学習
用出力データ保存装置４５により蓄えられた、学習用入
力データである積算雨量データ（降雨分布実績値）と判
別値（前降雨実績）、および学習用出力データである流
入量実績値を用いて、バックプロパゲーション法により
重み係数が算出される。図５は、ニューラルネットワー
クの構成例を示す図である。この場合、入力層、中間
層、出力層の３層構成となっている。

【００３６】すなわち、降雨分布実績値の前降雨実績を
入力層のニューロンとし、教示データの流入量実績値を
出力層のニューロンとする、ニューラルネットワークの
ニューロン間の重み係数を学習することにより、予測モ
デルが得られる。この場合、学習にはバックプロパゲー
ション法と呼ばれる、ネットワークの誤差が出力層から
入力層へ逆搬していく学習方式が用いられる。以下にそ
の学習の手順について説明する。

【００３７】（ステップ１）：入力層に、積算雨量デー
タ（降雨分布実績値）と判別値（前降雨実績）が入力さ
れ、中間層および出力層が以下のニューロンモデルに従
って演算される。中間層の第ｊニューロンの出力Ｈ_j は

【００３８】

【数２】 出力層の第ｋニューロンの出力Ｏ_k は

【００３９】

【数３】

【００４０】（ステップ２）：出力層の第ｋニューロン
の出力Ｏ_k と、出力層の第ｋニューロンの教示信号であ
る流入量実績値ｙ_k との二乗誤差の和を最小化するよう
に、ネットワークの重み係数を修正して学習される。中
間層と出力層との重み係数の学習は、

【００４１】

【数４】 のΔｗ_jkが演算され、ｗ_jkが修正される。また、入力層
と中間層との重み係数の学習は、

【００４２】

【数５】 のΔｗ_ikが演算され、ｗ_ijが修正される。以上のような
学習の結果得られた重み係数が、学習済重み係数保存装
置４７に蓄えられる。

【００４３】次に、ニューラルネットワーク予測装置４
８で、降雨当日の降雨分布実績演算装置４１からの降雨
分布実績（積算雨量データ）と前降雨実績判別装置４２
からの前降雨実績（判別値）より、学習済重み係数保存
装置４７に蓄えられた学習済みの重み係数を用いて、雨
水流入量が予測される。

【００４４】すなわち、ニューラルネットワークの重み
係数Ｗ_ijとＷ_jkが決まると、入力層にデータが与えられ
ることによって、出力層のデータである雨水流入量が求
められる。具体的には、入力データとして、レーダ雨量
観測メッシュ積算雨量の時系列データが与えられる。こ
の場合、時系列データの与え方としては、積算雨量を一
定時間ΔＴ毎に分割してｍ個用意される。そして、この
ようなデータが、メッシュ数に対応してｎ組存在する。
また、前降雨実績データも入力される。図６に示すよう
に、積算雨量から予測される雨水流入量は、一定時間Δ
Ｔ毎の値として出力層に出力される。

【００４５】最後に、このようにして予測されたニュー
ラルネットワーク予測装置４８からの雨水流入量の予測
値が、雨水流入量表示装置４９に表示されて、一連の予
測演算が終了する。

【００４６】なお、上記において、もし、現在時刻まで
の降雨が、降雨初期の段階のため低レベルであれば雨水
排水のために十分な雨水流入量値の予測情報が得られな
い。このため、必要に応じて、先何時間かの降雨予測を
行なう必要がある。これは、降雨予測の精度とも絡むの
で、本発明の場合には、流域が広く、降雨開始からポン
プ場雨水流入までの時間遅れができるだけ大きい方が実
用的であるといえる。すなわち、一度降雨ピークにまで
達するような時刻まで、降雨分布を観測し、その後十分
な時間経過後にポンプ場への雨水流入が起こる場合に適
用が可能である。

【００４７】上述したように、本実施例のニューラルネ
ットワーク応用流入量予測装置４は、レーダ雨量計１か
らの観測値を、メッシュ形状の積算雨量に換算する降雨
分布実績演算装置４１と、一定の判別基準に基づいて前
降雨の流入量への影響の有無を判別する前降雨実績判別
装置４２と、降雨分布実績演算装置４１により演算され
た降雨開始から等時間間隔で離散的な積算雨量データ
と、前降雨実績判別装置４２により判別された判別値と
を、学習用入力データとして蓄えるための学習用入力デ
ータ保存装置４３と、水位計２および流量計３からの計
測値を基に、ポンプ施設に流入する雨水流入量を演算す
る雨水流入量演算装置４４と、雨水流入量演算装置４４
により演算された雨水流入量を、学習用出力データとし
て蓄えるための学習用出力データ保存装置４５と、学習
用入力データ保存装置４３および学習用出力データ保存
装置４５により蓄えられた、学習用入力データである積
算雨量データと判別値、および学習用出力データである
雨水流入量に基づいて、バックプロパゲーション法によ
りニューラルネットワークの重み係数を学習するニュー
ラルネットワーク学習装置４６と、ニューラルネットワ
ーク学習装置４６による学習済みの重み係数を蓄えるた
めの学習済重み係数保存装置４７と、学習済重み係数保
存装置４７に蓄えられた学習済みの重み係数を用いて、
降雨分布実績演算装置４１により入力される降雨当日の
降雨分布実績である積算雨量データと前降雨実績である
判別値とから、ニューラルネットワークにより雨水流入
量を予測するニューラルネットワーク予測装置４８と、
ニューラルネットワーク予測装置４７により予測された
雨水流入量を表示出力する雨水流入量表示装置４９と、
ニューラルネットワーク学習装置４６における学習を一
定期間毎に行なって経年変化によるモデルの重み係数を
修正する（見直す）ための学習起動スイッチ４０とから
構成したものである。従って、次のような効果が得られ
るものである。

【００４８】（ａ）過去の降雨実績値と雨水流入量実績
値との関係に基づいて、予測モデルの重み係数を学習し
ているため、学習に必要なデータを蓄積するだけでよ
く、モデル設定作業の自動化を図ることが可能となる。
すなわち、従来のように、数式モデルの調整に見られる
データ解析等の人手と時間を一切不要とすることができ
る。

【００４９】（ｂ）一定期間毎に学習を行なうことによ
り、土地利用の経年変化による流入量変化への影響を、
実績値に基づいて重み係数に反映させることが可能とな
る。 （ｃ）従来から問題になっていた点雨量である地上雨量
計に代わって、面積雨量であるレーダ雨量計による降雨
分布を取り込んでいるため、雨水流入量の予測精度を著
しく向上させることが可能となる。

【００５０】尚、上記実施例では、出力手段として、ニ
ューラルネットワーク予測装置４８により予測された雨
水流入量を表示出力する表示装置を備えた場合について
説明したが、これに限らず出力手段として、ニューラル
ネットワーク予測装置４８により予測された雨水流入量
を印字出力する印字装置を備えるようにしてもよいこと
は言うまでもない。

【００５１】また、上記実施例では、一定の判別基準に
基づいて前降雨の流入量への影響の有無を判別する前降
雨実績判別装置４２を備え、この前降雨実績判別装置４
２により判別された判別値を、降雨分布実績演算装置４
１により演算された降雨開始から等時間間隔で離散的な
積算雨量データと共に学習用入力データとして学習用入
力データ保存装置４３に蓄える場合について説明した
が、この前降雨実績判別装置４２を備えることは、本発
明に必ずしも必要不可欠なことではない。

【００５２】さらに、上記実施例では、ニューラルネッ
トワーク学習装置４６における学習を一定期間毎に行な
って経年変化によるモデルの重み係数を修正する（見直
す）ための学習起動スイッチ４０を備える場合について
説明したが、この学習起動スイッチ４０を備えること
は、本発明に必ずしも必要不可欠なことではない。

【００５３】

【発明の効果】以上説明したように本発明によれば、レ
ーダ雨量計からの観測値をメッシュ形状の降雨強度に換
算し、当該換算した降雨開始から等時間間隔で離散的な
積算雨量データを学習用入力データとして蓄えると共
に、ポンプ施設の水位計およびポンプ運転による吐出量
からポンプ施設に流入する雨水流入量を演算し、当該演
算した降雨開始から等時間間隔で離散的な雨水流入量を
学習用出力データとして蓄える学習用実績情報入力手段
と、学習用実績情報入力手段により蓄えられた学習用入
力データである積算雨量データ、および学習用出力デー
タである雨水流入量に基づいて、バックプロパゲーショ
ン法によりニューラルネットワークの重み係数を学習
し、当該学習済みの重み係数を蓄える予測モデル構築手
段と、予測モデル構築手段に蓄えられた学習済みの重み
係数を用いて、学習用実績情報入力手段により入力され
る降雨当日の降雨分布実績である積算雨量データと前降
雨実績である判定値とから、ニューラルネットワークに
より雨水流入量を予測する流入量予測手段と、流入量予
測手段により予測された雨水流入量を出力する出力手段
とを備えて構成するようにしたので、ポンプ運転支援の
ための雨水ピーク流入量の（時間変化の）予測を自動的
にかつ精度よく行なうことが可能な極めて信頼性の高い
ニューラルネットワーク応用雨水流入量予測装置が提供
できる。

【図面の簡単な説明】

【図１】本発明によるニューラルネットワーク応用流入
量予測装置を、下水道ポンプ場のポンプ施設に適用した
場合の一実施例を示すブロック図。

【図２】同実施例における積算雨量データＲｉ（ｔ）を
説明するための図。

【図３】同実施例における

【図４】同実施例におけるポンプ場に流入する雨水流入
量の算出方法を説明するための図。

【図５】同実施例におけるニューラルネットワークの構
成例を示す図。

【図６】同実施例における入力データと出力データとの
関係の一例を説明するための図。

【図７】降雨強度と雨水流入量との関係の一例を示す
図。

【符号の説明】

１…レーダ雨量計、２…水位計、３…流量計、４…ニュ
ーラルネットワーク応用流入量予測装置、４１…降雨分
布実績演算装置、４２…前降雨実績判別装置、４３…学
習用入力データ保存装置、４４…雨水流入量演算装置、
４５…学習用出力データ保存装置、４６…ニューラルネ
ットワーク学習装置、４７…学習済重み係数保存装置、
４８…ニューラルネットワーク予測装置、４９…雨水流
入量表示装置、４０…学習起動スイッチ。

Claims (4)

【特許請求の範囲】
1. 【請求項１】 雨水排水を目的とする下水道ポンプ場ま
   たは処理場等のポンプ施設に対し、レーダ雨量計を用い
   てニューラルネットワークによりポンプ運転支援のため
   の雨水流入量を予測する雨水流入量予測装置において、 前記レーダ雨量計からの観測値をメッシュ形状の降雨強
   度に換算し、当該換算した降雨開始から等時間間隔で離
   散的な積算雨量データを学習用入力データとして蓄える
   と共に、前記ポンプ施設の水位計およびポンプ運転によ
   る吐出量から前記ポンプ施設に流入する雨水流入量を演
   算し、当該演算した降雨開始から等時間間隔で離散的な
   雨水流入量を学習用出力データとして蓄える学習用実績
   情報入力手段と、 前記学習用実績情報入力手段により蓄えられた学習用入
   力データである積算雨量データ、および学習用出力デー
   タである雨水流入量に基づいて、バックプロパゲーショ
   ン法によりニューラルネットワークの重み係数を学習
   し、当該学習済みの重み係数を蓄える予測モデル構築手
   段と、 前記予測モデル構築手段に蓄えられた学習済みの重み係
   数を用いて、前記学習用実績情報入力手段により入力さ
   れる降雨当日の降雨分布実績である積算雨量データと前
   降雨実績である判定値とから、ニューラルネットワーク
   により雨水流入量を予測する流入量予測手段と、 前記流入量予測手段により予測された雨水流入量を出力
   する出力手段と、 を備えて成ることを特徴とするニューラルネットワーク
   応用雨水流入量予測装置。
2. 【請求項２】 前記学習用実績情報入力手段としては、
   前記レーダ雨量計からの観測値をメッシュ形状の降雨強
   度に換算する降雨分布実績演算手段と、一定の判別基準
   に基づいて前降雨の流入量への影響の有無を判別する前
   降雨実績判別手段と、前記降雨分布実績演算手段により
   演算された降雨開始から等時間間隔で離散的な積算雨量
   データと前記前降雨実績判別手段により判別された判別
   値とを学習用入力データとして蓄える学習用入力データ
   保存手段と、前記ポンプ施設の水位計およびポンプ運転
   による吐出量からポンプ施設に流入する雨水流入量を演
   算する雨水流入量演算手段と、前記雨水流入量演算手段
   により演算された雨水流入量を学習用出力データとして
   蓄える学習用出力データ保存手段とから成ることを特徴
   とする請求項１に記載のニューラルネットワーク応用雨
   水流入量予測装置。
3. 【請求項３】 前記予測モデル構築手段としては、前記
   学習用実績情報入力手段により蓄えられた学習用入力デ
   ータである積算雨量データと判別値、および学習用出力
   データである雨水流入量に基づいて、バックプロパゲー
   ション法によりニューラルネットワークの重み係数を学
   習するニューラルネットワーク学習手段と、前記ニュー
   ラルネットワーク学習手段による学習済みの重み係数を
   蓄える学習済重み係数保存手段とから成ることを特徴と
   する請求項１に記載のニューラルネットワーク応用雨水
   流入量予測装置。
4. 【請求項４】 前記請求項１に記載のニューラルネット
   ワーク応用雨水流入量予測装置において、前記予測モデ
   ル構築手段における学習を一定期間毎に行なって経年変
   化によるモデルの重み係数を修正するための学習起動手
   段を付加して成ることを特徴とするニューラルネットワ
   ーク応用雨水流入量予測装置。