JPH08166465A

JPH08166465A - 風速予測方法及びその風速予測方法に基づく交通手段運行方法

Info

Publication number: JPH08166465A
Application number: JP33264194A
Authority: JP
Inventors: Makoto Shimamura; 誠島村; Takashi Washio; 隆鷲尾
Original assignee: Mitsubishi Research Institute Inc; East Japan Railway Co
Current assignee: Mitsubishi Research Institute Inc; East Japan Railway Co
Priority date: 1994-12-12
Filing date: 1994-12-12
Publication date: 1996-06-25

Abstract

(57)【要約】【目的】精度の良い風速値の予測を行うことができる
と共に、気象に関する知識や経験などがない者でも容易
に予測を行うことができ、しかも、広域的な予測のみな
らず局所的な予測をも行えるようにする。【構成】測定された実際の風速値のデータを読み出
し、それらのデータから風速値の最大エンベロープのデ
ータを求める。求めた最大エンベロープのデータからト
レンドモデルを導き出す。そのトレンドモデルを用いて
トレンド成分のデータを導き出す。そのトレンド成分の
データと先に求めた最大エンベロープのデータとから実
際のゆらぎ成分のデータを求める。その実際のゆらぎ成
分のデータからゆらぎモデルを導き出す。先に求めたト
レンドモデルとゆらぎモデルを使って風速予測モデルを
求める。風速予測モデルに未来の時刻を代入し、風速予
測値を算出する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、或る基準時刻より所定
の時間先の未来の風速値を予測する風速予測方法に関す
るものである。

【０００２】

【従来の技術】従来において、風速の予測は、気象台の
予報官など気象知識の豊富な専門家が、気象台で測定さ
れた風速値のデータの他、天候，気圧，温度，湿度，地
形などの様々なデータを参照しながら、過去からの経験
をもとにして行っていた。しかも、その風速の予測は、
一般に或る程度の広い地域における予測、すなわち広域
的な予測に留まっていた。

【０００３】

【発明が解決しようとする課題】しかしながら、上記し
たような従来の風速予測方法においては、様々な客観的
なデータを参照はするものの、予測結果は最終的にその
予測を行う人間の主観的な判断に依存してしまうため、
精度の良い予測ができないという問題があった。

【０００４】また、上記したような従来の風速予測方法
では、風速の予測を行うのに気象に関する知識や経験な
どが必要であるため、特定の者にしか予測ができないと
いう問題があった。

【０００５】さらにまた、上記したような従来の風速予
測方法では、広域的な予測に留まるため、特定の場所に
ついての予測、すなわち局所的な予測を行うことはでき
なかった。

【０００６】本発明は、上記した従来技術の問題点を解
決するためになされたものであり、その目的は、精度の
良い風速値の予測を行うことができると共に、気象に関
する知識や経験などがない者でも容易に予測を行うこと
ができ、しかも、広域的な予測のみならず局所的な予測
をも行うことができる風速予測方法を提供することにあ
る。

【０００７】

【課題を解決するための手段及びその作用】上記した目
的を達成するために、請求項１に記載の発明は、風速値
のトレンド成分を得るためのトレンドモデルと、風速値
のゆらぎ成分を得るためのゆらぎモデルと、で少なくと
も構成されると共に、時間の関数によって表わされる風
速予測モデルを用いて、或る基準時刻より所定の時間
（以下、予測時間幅という）先の未来の風速値（以下、
風速予測値という）を予測する風速予測方法であって、
測定して得られた実際の風速値のデータに基づいて前記
トレンドモデルを導き出す工程と、導き出した該トレン
ドモデルを用いて実際の風速値のトレンド成分のデータ
を導き出す工程と、測定して得られた前記実際の風速値
から、導き出された前記トレンド成分を除去して、実際
の風速値のゆらぎ成分のデータを求める工程と、求めた
実際の風速値のゆらぎ成分のデータに基づいて前記ゆら
ぎモデルを導き出す工程と、導き出した前記トレンドモ
デルとゆらぎモデルとから前記風速予測モデルを求める
工程と、求めた該風速予測モデルに前記基準時刻よりも
未来の時刻を代入し前記風速予測値を算出する工程と、
を備えることを特徴としている。

【０００８】すなわち、請求項１に記載の発明では、風
速値はトレンド成分とゆらぎ成分とで構成されていると
いう考えに基づき、風速値の統計予測モデルとして、ト
レンドモデルとゆらぎモデルとで構成される風速予測モ
デルを用いて、風速予測値を得るようにしている。

【０００９】また、請求項２に記載の発明は、請求項１
に記載の風速予測方法において、測定して得られた前記
実際の風速値のデータの時間間隔が前記予測時間幅の１
倍乃至１／２０倍の範囲に入るよう、前記実際の風速値
のデータの時間間隔を変更する工程を備えることを特徴
としている。

【００１０】すなわち、請求項２に記載の発明では、測
定して得られた実際の風速値のデータの時間間隔を変更
する工程を設けることによって、風速予測を行う際の元
になる実際の風速値のデータの時間間隔が、予測時間幅
の１倍乃至１／２０倍の範囲に入るようにしている。

【００１１】また、請求項３に記載の発明は、請求項１
または２に記載の風速予測方法において、前記トレンド
モデルは、時間のｎ（ｎは任意の自然数）次の多項式に
よって表わされ、前記ゆらぎモデルは、或る時刻（以
下、時刻ｔという）のゆらぎ成分のデータを、前記時刻
ｔより過去の複数のゆらぎ成分のデータにそれぞれ重み
係数を乗算し、それら乗算結果を加算したものとして表
わす自己回帰モデルにて構成されると共に、前記風速予
測モデルに未来の時刻（以下、時刻ｔ’という）を代入
して前記風速予測値を算出する際、該風速予測値のゆら
ぎ成分のデータは、前記ゆらぎモデルに、前記時刻ｔ’
よりも過去のゆらぎ成分のデータを代入することによっ
て得ることを特徴としている。

【００１２】すなわち、請求項３に記載の発明では、ト
レンドモデルとして時間のｎ次の多項式を用い、ゆらぎ
モデルとしては自己回帰モデルを用いるようにしてい
る。そして、風速予測値のゆらぎ成分のデータは、ゆら
ぎモデルに、過去のゆらぎ成分のデータを代入すること
によって得るようにしている。

【００１３】また、請求項４に記載の発明は、測定して
得られた実際の風速値のデータに基づいて、現時刻より
所定の時間（以下、予測時間幅という）先の未来の風速
値（以下、風速予測値という）を予測する風速予測方法
であって、前記実際の風速値のデータの時間間隔が前記
予測時間幅の１倍乃至１／２０倍の範囲に入らない場合
には、該範囲に入るよう、前記実際の風速値のデータの
時間間隔を変更することを特徴としている。

【００１４】すなわち、請求項４に記載の発明では、測
定して得られた実際の風速値のデータに基づいて風速予
測を行う場合において、その実際の風速値のデータの時
間間隔が予測時間幅の１倍乃至１／２０倍の範囲に入ら
ない場合には良好な予測結果が得にくいので、その範囲
に入るよう、実際の風速値のデータの時間間隔を変更す
るようにしている。

【００１５】また、請求項５に記載の発明は、交通手段
運行制御方法であって、請求項１乃至４のうちの任意の
一つに記載の風速予測方法によって得られた前記風速予
測値に基づいて、交通手段の運行状態を制御することを
特徴としている。

【００１６】すなわち、請求項５に記載の発明では、請
求項１，２，３または４に記載の風速予測方法によって
得られた予測結果を、交通手段の運行状態の制御に用い
るようにしている。

【００１７】

【実施例】以下、本発明の実施例について図面を用いて
説明する。図１は本発明の一実施例としての風速予測方
法を説明するための処理の流れを示すフローチャートで
あり、図２は図１の風速予測方法を用いて風速の予測を
行う風速予測システムを示すブロック図である。

【００１８】この風速予測システムは、図２に示すよう
に、風速計１１０と、アナログ／ディジタル変換器（以
下、Ａ／Ｄ変換器と略す）１２０と、コンピュータ１３
０と、記憶装置１４０と、モニタ１５０と、を備えてい
る。

【００１９】このうち、風速計１１０は例えば測定時間
幅約６秒の風速計である。すなわち、この風速計１１０
は、約６秒毎に、その６秒の間の最大瞬間風速値を測定
し、その測定値（風速値）をアナログデータとして出力
する。また、Ａ／Ｄ変換器１２０は、風速計１１０から
出力された風速値のアナログデータをディジタルデータ
に変換する。また、コンピュータ１３０は、変換して得
られた風速値のディジタルデータを記憶装置１４０に記
憶させた後、その記憶させた風速値のデータに基づいて
未来の風速値を予測し、その予測結果をモニタ１５０の
画面上に表示させる。

【００２０】では、本実施例の風速予測方法の概略につ
いて説明する。本発明では、統計予測モデルを用いて風
速値の予測を行っている。すなわち、風速値はトレンド
（傾向）成分とゆらぎ成分とで構成されているという考
えに基づき、統計予測モデルである風速予測モデルとし
て、数１のように、トレンドモデルとゆらぎモデルの二
つから構成されるモデルを考える。

【００２１】

【数１】

【００２２】そして、実際の風速値のデータに基づい
て、上記トレンドモデルとゆらぎモデルをそれぞれ導き
出して、上記風速予測モデルを求める。さらに、その求
めた風速予測モデルに未来の時刻を代入することによ
り、未来の風速値（以下、風速予測値という）を算出す
る。

【００２３】ここで、或る基準時刻（例えば、現時刻）
と代入された未来の時刻との差を予測時間幅というが、
統計予測モデルである風速予測モデルを用いて風速値の
予測を行う場合、この予測時間幅は元になる実際の風速
値のデータの時間間隔と密接な関係があり、良好な予測
結果を得るためには、この予測時間幅が元になる実際の
風速値のデータの時間間隔の１倍乃至２０倍、好ましく
は１倍乃至１０倍である必要がある。従って、言い替え
れば、所望の或る予測時間幅を得ようとするには、元に
なる実際の風速値のデータの時間間隔をその予測時間幅
の１倍乃至１／２０倍、好ましくは１倍乃至１／１０倍
にする必要がある。

【００２４】それでは、本実施例の風速予測方法の詳細
について、図１及び図２を用いて説明する。本実施例で
は、予測時間幅として３分，６分，９分，１２分の４つ
の場合を考え、現時刻より３分先、６分先、９分先、１
２分先の風速予測値をそれぞれ求めることにする。

【００２５】一方、前述したように、風速計１１０は、
約６秒毎に最大瞬間風速値を測定して、その風速値のデ
ータを出力しているため、その風速値のデータの時間間
隔は約６秒となっている。従って、この風速値のデータ
をそのまま用いて風速予測を行ったのでは、６秒の１倍
から２０倍の予測時間幅でしか、良好な予測結果は期待
できない。

【００２６】そこで、本実施例では、風速計１１０から
出力された風速値のデータをそのまま用いるのではな
く、その風速値のデータを所定のサンプリング時間間隔
でサンプリングして間引き、風速値のデータの時間間隔
を予測時間幅の１倍乃至１／２０倍となるようにしてい
る。すなわち、本実施例では、風速値のデータの時間間
隔が、上記した予測時間幅３分，６分，９分，１２分の
１倍乃至１／４倍である「３分」となるように、上記し
たサンプリング時間間隔△ｔを３分（１８０秒）に設定
している。

【００２７】具体的には、まず、コンピュータ１３０
が、記憶装置１４０に記憶された風速値のデータ（すな
わち、風速計１１０によって測定され出力された風速値
のデータ）のうち、現時刻から例えば約５時間前までの
風速値のデータを読み出し（図１のステップ１）、その
読み出した風速値のデータから、上記のサンプリング時
間間隔△ｔ毎に、そのサンプリング時間間隔内での最大
の風速値のデータを抽出（サンプリング）して、風速値
の最大エンベロープのデータを求める（図１のステップ
２）。

【００２８】すなわち、風速計１１０によって測定され
出力された時刻ｔにおける風速値をＹ_flc（ｔ）とした
場合、その時刻ｔにおける風速値の最大エンベロープＹ
_env（ｔ）は、数２により求められる。

【００２９】

【数２】

【００３０】但し、上記した時刻ｔは、現時刻をｔ₀と
すると、時刻ｔ₀，ｔ₀−△ｔ，……，ｔ₀−ｍ△ｔ、す
なわち、ｔ＝ｔ₀−ｉ△ｔ（但し、ｉ＝０，１，…，
ｍ）を満たす時刻である。また、時刻ｔ’は、ｔ−△ｔ
＜ｔ’≦ｔを満たす任意の時刻である。また、ｍａ
ｘ（）は、（）内の値の最大値を求める演算子である。

【００３１】本実施例では、前述したようにサンプリン
グ時間間隔△ｔを３分（１８０秒）とし、また、現時刻
ｔ₀から約５時間前までの風速値を対象としているた
め、求められるデータの数ｍ＋１は約１００となる。

【００３２】図３は図１の風速計１１０により測定され
出力された風速値のデータ及びそのデータから得られる
風速値の最大エンベロープのデータの一例を示す説明図
である。図３において、横軸は経過時間、縦軸は風速値
を示している。そして、破線が風速計１１０により測定
され出力された風速値Ｙ_flc（ｔ）のデータであり、実
線がそのデータから上記のようにして得られた風速値の
最大エンベロープＹ_env（ｔ）のデータである。なお、
上記したように、実際には現時点ｔ₀から約５時間前ま
での風速値のデータを対象とするが、図３では、所定の
時間内の風速値のデータを対象としている。

【００３３】このようにして、ｔ₀，ｔ₀−△ｔ，……，
ｔ₀−ｍ△ｔの各時刻ｔにおける風速値の最大エンベロ
ープＹ_env（ｔ）が求められたら、次に、その最大エン
ベロープＹ_env（ｔ）のデータから上記したトレンドモ
デルを導き出す（図１のステップ３）。

【００３４】トレンドモデルとしては、数３に示すよう
な３次多項式を考える。

【００３５】

【数３】

【００３６】但し、Ｙ_tr（ｔ）は時刻ｔにおける風速値
のトレンド成分であり、ａ，ｂ，ｃ，ｄはそれぞれ係数
である。

【００３７】すなわち、トレンドモデルを導き出すと
は、具体的には、コンピュータ１３０が、先に求めた最
大エンベロープＹ_env（ｔ）のデータに基づいて、数３
の係数ａ，ｂ，ｃ，ｄを最小二乗法によりそれぞれ決定
し、数３で表わされるトレンドモデルを確定することで
ある。

【００３８】そこで、まず、コンピュータ１３０は、数
４に従って誤差二乗和を求める。

【００３９】

【数４】

【００４０】すなわち、ｔ₀，ｔ₀−△ｔ，……，ｔ₀−
ｍ△ｔの各時刻ｔにおける最大エンベロープＹ
_env（ｔ）とトレンド成分Ｙ_tr（ｔ）との誤差ＥＲＲ
（ｔ）の二乗をそれぞれ求め、さらにそれらの和を求め
る。そして、その求めた誤差二乗和が最小となるような
係数ａ，ｂ，ｃ，ｄの値をそれぞれ求めて、係数ａ，
ｂ，ｃ，ｄを決定する。

【００４１】こうして、数３における係数ａ，ｂ，ｃ，
ｄが決定されたら、数３にｔ₀，ｔ₀−△ｔ，……，ｔ₀
−ｍ△ｔの各時刻ｔを代入して、ｔ₀，ｔ₀−△ｔ，…
…，ｔ₀−ｍ△ｔの各時刻ｔにおけるトレンド成分Ｙ_tr
（ｔ）のデータを導き出す（図１のステップ４）。

【００４２】図４は風速値の最大エンベロープのデータ
及びそのデータに基づいて導き出された風速値のトレン
ド成分のデータの一例を示す説明図である。図４におい
て、横軸は経過時間、縦軸は風速値を示している。そし
て、実線が図３に示したのと同じ風速値の最大エンベロ
ープＹ_env（ｔ）のデータであり、破線が、その最大エ
ンベロープのデータに基づいて上記のようにして導き出
された風速値のトレンド成分Ｙ_tr（ｔ）のデータであ
る。

【００４３】また、図５は図４から風速値のトレンド成
分のデータのみを取り出して示した説明図である。図５
において、横軸は経過時間、縦軸は風速値を示してい
る。このようにして、ｔ₀，ｔ₀−△ｔ，……，ｔ₀−ｍ
△ｔの各時刻ｔにおける風速値のトレンド成分Ｙ
_tr（ｔ）が導き出されたら、次に、そのトレンド成分Ｙ
_tr（ｔ）のデータと先に求めた最大エンベロープＹ_env
（ｔ）のデータとから、実際のゆらぎ成分ｙ（ｔ）のデ
ータを求める（図１のステップ５）。

【００４４】具体的には、コンピュータ１３０が、
ｔ₀，ｔ₀−△ｔ，……，ｔ₀−ｍ△ｔの各時刻ｔにつ
き、数５に従って、最大エンベロープＹ_env（ｔ）から
トレンド成分Ｙ_tr（ｔ）を除去することにより、実際の
ゆらぎ成分ｙ（ｔ）を求める。

【００４５】

【数５】

【００４６】図６は風速値の実際のゆらぎ成分のデータ
の一例を示す説明図である。図６において、横軸は経過
時間、縦軸は風速値を示している。図６に示すゆらぎ成
分ｙ（ｔ）のデータは、図４において実線で示した風速
値の最大エンベロープＹ_env（ｔ）のデータから、破線
で示したトレンド成分Ｙ_tr（ｔ）のデータを減算して得
られたものである。

【００４７】このようにして、ｔ₀，ｔ₀−△ｔ，……，
ｔ₀−ｍ△ｔの各時刻ｔにおける風速値の実際のゆらぎ
成分ｙ（ｔ）が求められたら、次に、その実際のゆらぎ
成分ｙ（ｔ）のデータから前述したゆらぎモデルを導き
出す（図１のステップ６）。

【００４８】ゆらぎモデルとしては、数６に示すよう
な、過去の実際のゆらぎ成分のデータから現在のゆらぎ
成分のデータを予測するための汎用モデルである自己回
帰モデル（auto-regressive model:ＡＲモデル）を考え
る。

【００４９】

【数６】

【００５０】但し、ｙ'（ｔ）は上記自己回帰モデルに
より得られる時刻ｔにおける風速値のゆらぎ成分（以
下、モデルによるゆらぎ成分という）であり、ａ₁，
ａ₂，……，ａ_nはそれぞれ重み係数である。また、ｎは
０＜ｎ＜ｍを満たす所定の整数であって、上記自己回帰
モデルに使用する過去のゆらぎ成分のデータの数であ
る。

【００５１】すなわち、数６に示す自己回帰モデルは、
時刻ｔより過去のｎ個の実際のゆらぎ成分のデータにそ
れぞれ重み係数を乗算し、それら乗算結果を加算したも
のである。なお、時刻ｔより過去ｎ個のデータ、つま
り、ｔ−△ｔ，ｔ−２△ｔ，……，ｔ−ｎ△ｔの各デー
タを用いているが、ゆらぎ成分のデータは時刻ｔ₀のデ
ータからｔ₀−ｍ△ｔのデータまでの計ｍ＋１個のデー
タしかないため、上記した時刻ｔは、時刻ｔ₀，ｔ₀−△
ｔ，……，ｔ₀−（ｍ−ｎ）△ｔ、つまり、ｔ＝ｔ₀−ｉ
△ｔ（但し、ｉ＝０，１，…，ｍ−ｎ）を満たす時刻し
かとれない。

【００５２】また、トレンドモデルの場合と同様に、上
記したゆらぎモデルを導き出すとは、具体的には、コン
ピュータ１３０が、先に求めた実際のゆらぎ成分ｙ
（ｔ）のデータに基づいて、数６の重み係数ａ₁，ａ₂，
……，ａ_nを最小二乗法によりそれぞれ決定し、数６で
表わされるゆらぎモデルを確定することである。

【００５３】そこで、まず、コンピュータ１３０は、数
７に従って誤差二乗和を求める。

【００５４】

【数７】

【００５５】すなわち、ｔ₀，ｔ₀−△ｔ，……，ｔ₀−
（ｍ−ｎ）△ｔの各時刻ｔにおける実際のゆらぎ成分ｙ
（ｔ）とモデルによるゆらぎ成分ｙ'（ｔ）との誤差ｅ
ｒｒ（ｔ）の二乗をそれぞれ求め、さらにそれらの和を
求める。そして、その求めた誤差二乗和が最小となるよ
うな重み係数ａ₁，ａ₂，……，ａ_nの値をそれぞれ求め
て、重み係数ａ₁，ａ₂，……，ａ_nを決定する。なお、
数７において、ｙ'（ｔ₀−ｉ△ｔ）の項は数６に基づい
て展開すると、数８の如くになる。

【００５６】

【数８】

【００５７】こうして、数６における重み係数ａ₁，
ａ₂，……，ａ_nが決定されることにより、ゆらぎモデル
が導き出される。

【００５８】以上のようにして、数３に示したトレンド
モデルと、数６に示したゆらぎモデルがそれぞれ導き出
されたら、コンピュータ１３０が、これらのモデルを使
って数１に従い風速予測モデルを求める（図１のステッ
プ７）。風速予測モデルは、数９に示す如くになる。

【００５９】

【数９】

【００６０】但し、Ｙ_env'（ｔ）は上記風速予測モデル
により得られる時刻ｔにおける風速値の最大エンベロー
プである。

【００６１】こうして、風速予測モデルを求めたら、次
に、コンピュータ１３０は、その求めた風速予測モデル
に未来の時刻を代入し、風速予測値を算出する（図１の
ステップ８）。なお、元のデータは風速値の最大エンベ
ロープであったので、算出される値も風速予測値の最大
エンベロープとなる。

【００６２】すなわち、数９において、時刻ｔとして未
来の時刻ｔ₀＋ｋ△ｔ（但し、ｋ＝１，２，…，ｐ）を
代入することによって、未来の時刻ｔ₀＋ｋ△ｔにおけ
る風速予測値のトレンド成分Ｙ_tr（ｔ₀＋ｋ△ｔ）とゆ
らぎ成分ｙ'（ｔ₀＋ｋ△ｔ）との和として、未来の時刻
ｔ₀＋ｋ△ｔにおける風速予測値の最大エンベロープＹ
_env'（ｔ₀＋ｋ△ｔ）が求められる。

【００６３】ここで、未来の時刻ｔ₀＋ｋ△ｔにおける
風速予測値のトレンド成分Ｙ_tr（ｔ₀＋ｋ△ｔ）の値
は、数３において時刻ｔとしてｔ₀＋ｋ△ｔを代入する
ことにより得られる。

【００６４】一方、未来の時刻ｔ₀＋ｋ△ｔにおける風
速予測値のゆらぎ成分ｙ'（ｔ₀＋ｋ△ｔ）の値は、次の
ようにして得られる。すなわち、数６に示すように、ゆ
らぎモデルは自己回帰モデルであるので、現時刻ｔ₀に
おける風速予測値のゆらぎ成分ｙ'（ｔ₀）は過去の風速
値のゆらぎ成分の重み付け和によって算出される。そこ
で、この算出された現時刻ｔ₀における風速予測値のゆ
らぎ成分を、数６の右辺の第１項目に代入することによ
り、未来の時刻ｔ₀＋△ｔにおける風速予測値のゆらぎ
成分ｙ'（ｔ₀＋△ｔ）が算出される。以下同様の操作を
繰り返すことによって、数１０に示すように、未来の時
刻ｔ₀＋ｋ△ｔにおける風速予測値のゆらぎ成分ｙ'（ｔ
₀＋ｋ△ｔ）が算出される。

【００６５】

【数１０】

【００６６】以上のようにして、現時刻ｔ₀において、
現時刻ｔ₀よりｋ△ｔ先の風速予測値の最大エンベロー
プを求めたら、コンピュータ１３０は図１に示す処理を
一旦終了し、その後、上記時刻ｔ₀より△ｔの時間経過
して時刻ｔ₀＋△ｔになったら、再び図１に示す処理を
開始する。

【００６７】処理を終了していた△ｔの時間にも、風速
計１１０によって風速値が測定されて記憶装置１４０に
次々と新たなデータが記憶されている。従って、コンピ
ュータ１３０は、再び処理を開始すると、記憶装置１４
０に新たに記憶された風速値のデータを読み出して（図
１のステップ１）、それら新たな風速値のデータから、
現時刻である時刻ｔ₀＋△ｔにおける風速値の最大エン
ベロープのデータを求める（図１のステップ２）。こう
して、新たな風速値の最大エンベロープを求めたら、そ
の求めた現時刻ｔ₀＋△ｔにおける風速値の最大エンベ
ロープのデータと、先に求められている時刻ｔ₀，ｔ₀−
△ｔ，……，ｔ₀−（ｍ−１）△ｔの各時刻ｔにおける
風速値の最大エンベロープのデータの、計ｍ＋１個のデ
ータに基づいて、再び、トレンドモデルを導き出す（図
１のステップ３）。以下前述したのと同様にして、図１
に示すステップ３からステップ８まで処理を行うことに
より、現時刻ｔ₀＋△ｔにおいて、現時刻ｔ₀＋△ｔより
ｋ△ｔ先の風速予測値の最大エンベロープを求める。な
お、ｋ△ｔは前述した予測時間幅である。

【００６８】以上のようにして、コンピュータ１３０
は、△ｔの時間毎に、現時刻よりｋ△ｔ先の風速予測値
の最大エンベロープを次々と求めてゆき、そして、得ら
れた結果を予測結果としてモニタ１５０の画面上に表示
させる。なお、本実施例では、風速計１１０は１台であ
ることを前提としているため、得られる予測結果はその
風速計１１０の配置された場所についての予測結果とな
る。

【００６９】図７乃至図１０はそれぞれ実際の風速値の
最大エンベロープのデータ及び求められた風速予測値の
最大エンベロープのデータを示す説明図である。これら
図において、横軸は経過時間、縦軸は風速値を示してい
る。そして、実線が図３に示したのと同じ実際の風速値
の最大エンベロープＹ_env（ｔ）のデータであり、破線
が風速予測値の最大エンベロープＹ_env'（ｔ）のデータ
である。

【００７０】また、これら図のうち、図７は、風速予測
値の最大エンベロープのデータとして、現時刻より予測
時間幅として３分先の風速予測値の最大エンベロープの
データをプロットしており、図８は６分先の風速予測値
の最大エンベロープのデータをプロットしており、図９
は９分先の風速予測値の最大エンベロープのデータをプ
ロットしており、さらに、図１０は１２分先の風速予測
値の最大エンベロープのデータをプロットしている。す
なわち、前述したように、本実施例ではサンプリング時
間間隔△ｔを３分（１８０秒）としているため、図７は
現時刻より予測時間幅として△ｔ先の、図８は２△ｔ先
の、図９は３△ｔ先の、図１０は４△ｔ先の、それぞれ
風速予測値の最大エンベロープをプロットしていること
になる。

【００７１】これら図から明らかなように、得られた風
速予測値の最大エンベロープＹ_env'（ｔ）は、実際の風
速値の最大エンベロープＹ_env（ｔ）に十分近似してお
り、精度の良い予測結果となっている。

【００７２】そこで、このことを定量的に示すために、
図７乃至図１０の各場合について、実際の風速値の最大
エンベロープＹ_env（ｔ）と求められた風速予測値の最
大エンベロープＹ_env'（ｔ）との差の標準偏差σ_eを導
き出す。標準偏差σ_eは、その値が大きいほど、精度の
良い予測であることを表わしている。標準偏差σ_eは数
１１によって求められる。

【００７３】

【数１１】

【００７４】但し、Ｎは図７乃至図１０の各場合におけ
る最大エンベロープのデータの総数、ｔ_cは図７乃至図
１０の各場合における最初の時刻（すなわち、３×１０
⁴秒）である。

【００７５】図１１は図７乃至図１０の各場合における
標準偏差を示す説明図である。図１１において、横軸は
予測時間幅、縦軸は標準偏差を示している。すなわち、
図１１では、予測時間幅が３分（１８０秒）である図７
の場合の標準偏差と、６分（３６０秒である図８の場合
の標準偏差と、９分（５４０秒）である図９の場合の標
準偏差と、１２分（７２０秒）である図１０の場合の標
準偏差をそれぞれプロットしている。

【００７６】図７乃至図１０に示す事例の場合、風速値
の最大値は約２７ｍ／秒であって、図１１に示すよう
に、図７乃至図１０の各場合の標準偏差σ_eの値は１．
７〜２．１ｍ／秒であるので、相対誤差は６．３〜７．
８％にとどまっており、定量的にみても、精度の良い予
測であることがわかる。

【００７７】以上説明したように、本実施例では、サン
プリング時間間隔△ｔを３分（１８０秒）とし、予測時
間幅を３分，６分，９分，１２分としていたが、本発明
はこれに限定されるものではなく、他の時間でもよい。
但し、前述したように、統計予測モデルである風速予測
モデルを用いて風速値の予測を行う場合、良好な予測結
果を得るためには、予測時間幅が元になる実際の風速値
のデータの時間間隔（すなわち、サンプリング時間間隔
△ｔ）の１倍乃至２０倍、好ましくは、１倍乃至１０倍
であることが必要であるため、サンプリング時間幅△ｔ
や予測時間幅はそのことを考慮して決定する必要があ
る。

【００７８】従って、例えば、現時刻より予測時間幅と
して約１時間先の風速予測値を求めたい場合は、サンプ
リング時間間隔△ｔを１０分〜１５分とし、また、現時
刻より予測時間幅として約３０秒間先の風速予測値を求
めたい場合は、サンプリングして間引きを行うことな
く、風速計１１０により測定され出力された風速値のデ
ータ（時間間隔が約６秒）をそのまま用いるようにすれ
ば良い。

【００７９】なお、例えば、サンプリング時間間隔△ｔ
を或る値に決定しても、予測結果に不都合があれば、そ
の値を他の値に変更して、予測性能がどのように変化す
るかを調べ、最適なサンプリング時間間隔△ｔを求める
ようにする。

【００８０】また、本実施例では、風速値の最大エンベ
ロープを求める際、現時刻から約５時間前までの風速値
を対象としていたが、本発明はこれに限定されるもので
はなく、現時刻から何時間前までの風速値を対象として
も良い。

【００８１】また、本実施例では、風速計１１０として
測定時間幅約６秒の風速計を用いていたが、本発明はこ
れに限定されるものではない。例えば、３分毎に、その
３分の間の最大瞬間風速値を測定する風速計を用いれ
ば、風速計１１０により測定され出力される風速値のデ
ータの時間間隔は３分となるので、コンピュータ１３０
において、風速値の最大エンベロープのデータを求める
必要がなくなり、風速計１１０により測定され出力され
た風速値のデータをそのまま用いてトレンドモデルを導
き出すことができる。

【００８２】また、本実施例では、風速値として最大瞬
間風速値を対象としているが、本発明はこれに限定され
るものではなく、所定の時間間隔毎の平均風速値や最小
風速値などを対象としても良い。なお、このように平均
風速値や最小風速値を対象とする場合は、風速値の最大
エンベロープを求めるのではなく、風速値の平均エンベ
ロープあるいは最小エンベロープを求めるようにする。
また、本実施例では風向は全く考慮に入れていないが、
所定の風向についての風速値（例えば、北東方向に吹く
風の風速値）のみを対象としても良い。

【００８３】また、本実施例では、風速計１１０は１台
であることを前提としているため、その風速計１１０の
配置された場所についての風速値の予測、すなわち、局
所的な予測を行うことができるが、風速計を複数台用意
して各々異なる場所に配置し、それらにより得られた複
数の風速値を用いて風速予測を行うようにすれば、広域
的な予測も行うことができる。

【００８４】また、本実施例では、トレンドモデルとし
て、数３に示したように３次多項式を用いたが、３次に
限らず、ｎ（ｎは任意の自然数）次の多項式であっても
良い。

【００８５】さて、以上のようにして求められた風速予
測結果は、次に述べるような用途に用いることができ
る。

【００８６】例えば、列車，自動車，飛行機，船などの
交通手段は、運行経路上で強風が吹くと、運行の安全が
脅かされるため、強風が吹く可能性がある場合には運行
を停止させるよう、求めた風速予測結果に基づいて交通
手段の運行状態を制御するようにする。

【００８７】その他、例えば、各種プラントや工場の煙
突などから大気中へ煙などの廃棄物を排出する場合、風
速によって廃棄物の拡散状態が異なってくるため、民家
へ廃棄物が届かぬよう、求めた風速予測結果に基づいて
廃棄物の排出状態を制御するようにする。

【００８８】そこで、これら用途のうち、列車の運行状
態の制御を行う場合について以下説明する。従来では、
列車の運行経路上において、強風により列車の運行の安
全が脅かされる恐れのある箇所（例えば、鉄橋など）
を、運行規制対象区間として指定して、その区間内での
風速値を測定し、その風速値が或る一定の規制値（例え
ば、３０ｍ／秒）を越えた場合に、上記区間内で列車が
運行するのを止めさせ、その後、所定の時間（例えば、
３０分間）経過する間に、風速値が上記規制値を一度も
越えなかった場合に、上記区間内での列車の運行を再開
させるようにしていた。

【００８９】しかし、このような従来の方法では、例
え、列車が上記区間に入る前において、風速値が上記規
制値を越えていなくても、列車が上記区間に入ってから
完全に抜け出るまでの間に、風速値が上記規制値を越え
る可能性が存在するのを否定することができない。ま
た、風速値が上記規制値を越えてから一定の時間、様子
見を行う時間が必要となるため、列車の効率的な運行が
できない。

【００９０】これに対し、上記区間内での風速予測を行
って、その風速予測結果に基づき、上記区間内での列車
の運行状態の制御を行う場合は、例えば、現時刻より所
定の時間（すなわち、予測時間幅）先の風速予測値が或
る一定の規制値を越える場合に、上記区間内で列車が運
行するのを止めさせ、実際の風速値が上記規制値を越え
なくなり、風速予測値も上記規制値を越えない場合に、
上記区間内での列車の運行を再開させるようにする。

【００９１】このようにすれば、風速予測値によって、
列車が上記区間に入ってから完全に抜け出るまでの間
に、風速値が上記規制値を越える可能性がある場合に
は、列車が上記区間に入る前に確実に運行を停止させる
ことができる。また、様子見を行う時間がほとんど必要
ないため、列車を効率的に運行することができる。

【００９２】

【発明の効果】以上説明したように、請求項１または３
に記載の発明によれば、統計予測モデルである風速予測
モデルを用いて数学的な処理により風速予測値を導き出
しているため、人間の主観的な判断に依存することがな
く、精度の良い風速値の予測を行うことができる。ま
た、気象に関する知識や経験などがない者でも容易に予
測を行うことができる。また、元になる実際の風速値の
データとして、特定の場所で測定して得たデータを用い
る場合は、局所的な予測を行うことができるし、複数の
場所で測定して得たデータを用いる場合は、広域的な予
測を行うことができる。

【００９３】また、請求項２または４に記載の発明によ
れば、風速予測を行う際の元になる実際の風速値のデー
タの時間間隔が、予測時間幅の１倍乃至１／２０倍の範
囲に入るよう、実際の風速値のデータの時間間隔を変更
するようにしているので、良好な予測結果を期待するこ
とができる。

【００９４】また、請求項５に記載の発明によれば、得
られた風速予測値に基づいて、交通手段の運行状態を制
御することにより、より安全で確実な運行ができると共
に、効率的な運行が可能となる。

【図面の簡単な説明】

【図１】本発明の一実施例としての風速予測方法を説明
するための処理の流れを示すフローチャートである。

【図２】図１の風速予測方法を用いて風速の予測を行う
風速予測システムを示すブロック図である。

【図３】実際の風速値のデータ及びそのデータから得ら
れる風速値の最大エンベロープのデータの一例を示す説
明図である。

【図４】風速値の最大エンベロープのデータ及びそのデ
ータに基づいて導き出された風速値のトレンド成分のデ
ータの一例を示す説明図である。

【図５】図４から風速値のトレンド成分のデータのみを
取り出して示した説明図である。

【図６】風速値の実際のゆらぎ成分のデータの一例を示
す説明図である。

【図７】実際の風速値の最大エンベロープのデータ及び
求められた３分先の風速予測値の最大エンベロープのデ
ータを示す説明図である。

【図８】実際の風速値の最大エンベロープのデータ及び
求められた６分先の風速予測値の最大エンベロープのデ
ータを示す説明図である。

【図９】実際の風速値の最大エンベロープのデータ及び
求められた９分先の風速予測値の最大エンベロープのデ
ータを示す説明図である。

【図１０】実際の風速値の最大エンベロープのデータ及
び求められた１２分先の風速予測値の最大エンベロープ
のデータを示す説明図である。

【図１１】図７乃至図１０の各場合における標準偏差を
示す説明図である。

【符号の説明】

１１０…風速計１２０…Ａ／Ｄ変換器１３０…コンピュータ１４０…記憶装置１５０…モニタ

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁶ 識別記号庁内整理番号ＦＩ技術表示箇所Ｇ０６Ｆ 17/00 Ｇ０８Ｇ 9/00 Ａ

Claims

【特許請求の範囲】

【請求項１】風速値のトレンド成分を得るためのトレ
ンドモデルと、風速値のゆらぎ成分を得るためのゆらぎ
モデルと、で少なくとも構成されると共に、時間の関数
によって表わされる風速予測モデルを用いて、或る基準
時刻より所定の時間（以下、予測時間幅という）先の未
来の風速値（以下、風速予測値という）を予測する風速
予測方法であって、測定して得られた実際の風速値のデータに基づいて前記
トレンドモデルを導き出す工程と、導き出した該トレンドモデルを用いて実際の風速値のト
レンド成分のデータを導き出す工程と、測定して得られた前記実際の風速値から、導き出された
前記トレンド成分を除去して、実際の風速値のゆらぎ成
分のデータを求める工程と、求めた実際の風速値のゆらぎ成分のデータに基づいて前
記ゆらぎモデルを導き出す工程と、導き出した前記トレンドモデルとゆらぎモデルとから前
記風速予測モデルを求める工程と、求めた該風速予測モデルに前記基準時刻よりも未来の時
刻を代入し前記風速予測値を算出する工程と、を備えることを特徴とする風速予測方法。
【請求項２】請求項１に記載の風速予測方法におい
て、測定して得られた前記実際の風速値のデータの時間間隔
が前記予測時間幅の１倍乃至１／２０倍の範囲に入るよ
う、前記実際の風速値のデータの時間間隔を変更する工
程を備えることを特徴とする風速予測方法。
【請求項３】請求項１または２に記載の風速予測方法
において、前記トレンドモデルは、時間のｎ（ｎは任意の自然数）
次の多項式によって表わされ、前記ゆらぎモデルは、或る時刻（以下、時刻ｔという）
のゆらぎ成分のデータを、前記時刻ｔより過去の複数の
ゆらぎ成分のデータにそれぞれ重み係数を乗算し、それ
ら乗算結果を加算したものとして表わす自己回帰モデル
にて構成されると共に、前記風速予測モデルに未来の時刻（以下、時刻ｔ’とい
う）を代入して前記風速予測値を算出する際、該風速予
測値のゆらぎ成分のデータは、前記ゆらぎモデルに、前
記時刻ｔ’よりも過去のゆらぎ成分のデータを代入する
ことによって得ることを特徴とする風速予測方法。
【請求項４】測定して得られた実際の風速値のデータ
に基づいて、現時刻より所定の時間（以下、予測時間幅
という）先の未来の風速値（以下、風速予測値という）
を予測する風速予測方法であって、前記実際の風速値のデータの時間間隔が前記予測時間幅
の１倍乃至１／２０倍の範囲に入らない場合には、該範
囲に入るよう、前記実際の風速値のデータの時間間隔を
変更することを特徴とする風速予測方法。
【請求項５】請求項１乃至４のうちの任意の一つに記
載の風速予測方法によって得られた前記風速予測値に基
づいて、交通手段の運行状態を制御することを特徴とす
る交通手段運行制御方法。