JPH10219758A - 需要予測装置 - Google Patents

Abstract

(57)【要約】 【課題】 曜日、気象条件等を考慮しながら、過去の配
水流量の実績データを有効に利用して１日を通じた配水
流量を正確に予測する。 【解決手段】 総配水流量予測手段２５において、総配
水流量予測モデル学習手段２３で同定したニューラルネ
ットワークモデルを基に当日の情報を用いて当日の総配
水流量を予測する。また時間配水流量推移予測手段２６
において、配水流量推移予測モデル学習手段２４で同定
したニューラルネットワークモデルを基に時間配水流量
推移の特徴量を予測し、配水流量検索手段２７において
類似する時間単位配水流量推移が検索される。時間配水
流量予測手段２８において、検索した時間単位配水流量
推移と総配水流量が掛け合わされる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、浄水場の取水から
配水までの水運用計画を立てて安定した水供給を行なう
ことができる配水流量の需要予測装置に関する。

【０００２】

【従来の技術】一般的な浄水場プロセスは、凝集、沈
殿、ろ過という原理的に時間遅れが大きい各プロセスか
らなっている。配水流量の変動に対応してこれら時間遅
れの大きい各プロセスをフィードバック的に運用するこ
とは困難である。従って、当日の配水流量を予め予測
し、浄水場の取水から配水までの水運用計画を立てるこ
とが必要となっている。

【０００３】配水流量は、１）季節、２）天候、気温等
の気象条件、３）曜日、祝祭日、五月連休、夏休み、正
月休み等の特異日等による社会生活条件によって影響を
受け変動する。

【０００４】従来は統計的手法により配水流量の実績デ
ータに基づく配水流量予測モデルを同定し、この予測モ
デルを用いて、逐次時間単位で配水流量を予測する方式
をとっている。また、ニューラルネットワークを用いて
配水流量の実績データに基づく配水流量予測モデルを逐
次同定し、１日を通じた配水流量を予測する方法もあ
る。

【０００５】

【発明が解決しようとする課題】ところが、統計的手法
では、逐次予測方式なので１日を通した水運用計画が立
てられず、また日々得られる実績データを教示信号とす
る学習能力がないために、過去の配水流量の実績データ
を有効に利用することができず、季節による需要変動に
追従できないという問題があった。

【０００６】また、ニューラルネットワークを用いた手
法では、ニューラルネットワークの学習能力を用いて過
去の配水流量の実績データを有効に利用し季節による需
要変動への追従を考慮できるが、曜日にも左右される配
水流量を考慮した予測には対応していなかった。

【０００７】本発明はこのような点を考慮してなされた
ものであり、曜日、気象条件等を考慮するとともに、１
日を通じた配水流量を予測することができる需要予測装
置を提供することを目的とする。

【０００８】

【課題を解決するための手段】本発明は、上水道を対象
とし、浄水場または配水池から配水される配水流量を予
測する装置において、気象実績を蓄積する気象実績蓄積
手段と、配水流量実績を蓄積する配水流量実績蓄積手段
と、気象実績蓄積手段の気象実績を基に、曜日別に気象
実績を処理する気象実績処理手段と、配水流量実績蓄積
手段の配水流量実績を基に曜日別に配水流量実績を処理
する配水流量実績処理手段と、曜日別に当日の総配水流
量を予測するニューラルネットワークモデルを有し、気
象実績処理手段および配水流量実績処理手段により得ら
れた処理データを基に、このニューラルネットワークモ
デルを同定する総配水流量予測モデル学習手段と、曜日
別に当日の時間単位配水流量推移の特徴量を予測するニ
ューラルネットワークモデルを有し、前記気象実績処理
手段および配水流量実績処理手段により得られた処理デ
ータを基に、このニューラルネットワークモデルを同定
する配水流量推移予測モデル学習手段と、総配水量予測
モデル学習手段で同定したニューラルネットワークモデ
ルを用い、当日の情報を入力することにより、当日の総
配水流量を予測する総配水流量予測手段と、配水流量推
移予測モデル学習手段で同定したニューラルネットワー
クモデルを用い、当日の情報を入力することにより、当
日の時間配水流量推移の特徴量を予測する時間配水流量
推移予測手段と、時間配水流量推移予測手段により予測
された時間配水流量推移の特徴量と、配水流量実績蓄積
手段の配水流量実績から得られた時間配水流量推移の特
徴量を比較し、最も類似する時間配水流量推移を過去の
配水流量実績から検索する配水流量検索手段と、総配水
流量予測手段で得られた当日の総配水流量と、配水流量
検索手段で得られた当日の時間配水流量推移とを掛け合
わせることにより、当日の時間配水流量を予測する時間
配水流量予測手段と、とを備えたことを特徴とする需要
予測装置である。

【０００９】本発明によれば、過去の気象実績、１日の
総配水流量および配水流量実績を基に、曜日別に気象実
績と１日の総配水流量実績を気象実績処理手段と配水流
量実績処理手段で処理する。総配水流量予測モデル学習
手段と配水流量推移予測モデル学習手段において、曜日
毎に蓄えられた１日の総配水流量および時間配水流量推
移の特徴量を教示信号とし、それぞれに対応する日の気
象実績（天候、気温）と曜日の情報を入力とするニュー
ラルネットワークの重み係数を学習することにより、１
日の総配水流量および時間配水流量推移の特徴量を予測
する各々のニューラルネットワークモデルが同定され
る。総配水流量予測手段において、同定したニューラル
ネットワークモデルを基に、当日の情報を入力して当日
の総配水流量を予測する。同時に、時間配水流量推移予
測手段において、同定したニューラルネットワークモデ
ルを基に、時間配水流量推移の特徴量を予測し、次に配
水流量検索手段において、過去に蓄積した配水流量推移
の特徴量と比較し、最も類似する時間単位配水流量推移
を検索する。時間配水流量予測手段において、検索した
時間配水流量推移と予測した総配水流量とを掛け合わせ
ることにより１日を通じた時間配水流量が予測される。

【００１０】

【発明の実施の形態】以下、図面を参照して本発明の実
施の形態について説明する。図１乃至図５は本発明によ
る需要予測装置の実施の形態を示す図である。

【００１１】図１に示すように浄水場の配水池１より送
水された浄水は、送水管２を介して送水ポンプ８で需要
家へ圧送される。前記送水管２には配水流量を検出する
流量計３が設置されている。この流量計３で検出された
配水流量検出値は、プロセスインタフェイス４を介し
て、需要予測装置５に入力され、この需要予測装置５内
の配水流量実績蓄積手段１２に蓄積される。

【００１２】また、ヒューマンインタフェイス６から、
気象予報、気象実績、曜日、パラメータ設定値（配水流
量予測に用いるパラメータ）が需要予測装置５に入力さ
れ、需要予測装置５で演算された当日の時間配水流量の
予測結果はＣＲＴ７に出力される。また、入力された当
日の気象実績は、需要予測装置５の気象実績蓄積手段１
１に蓄積される。

【００１３】すなわち本発明による需要予測装置５は気
象実績を蓄積する気象実績蓄積手段１１と、配水流量実
績蓄積手段１２とを備え、気象実績蓄積手段１１に蓄積
した過去の気象実績を基に、気象実績処理手段２１で曜
日別に気象実績が処理され、気象実績処理蓄積手段１３
に蓄積される。また日々得られる配水流量実績蓄積手段
１２の配水流量実績を基に曜日別に配水流量実績が配水
流量実績処理手段２２により処理され、配水流量実績処
理蓄積手段１４に蓄積される。また前記気象実績処理手
段２１および配水流量実績処理手段２２により得られた
処理データを基に、曜日別に当日の総配水流量を予測す
るニューラルネットワークモデルが総配水流量予測モデ
ル学習手段２３で同定され、その結果は総配水流量予測
モデル重み係数蓄積手段１５に蓄積される。また気象実
績処理手段２１および配水流量実績処理手段２２により
得られた処理データを基に、曜日別に当日の時間配水流
量推移の特徴量を予測するニューラルネットワークモデ
ルが配水流量推移予測モデル学習手段２４で同定され、
その結果は配水流量推移予測モデル重み係数蓄積手段１
６に蓄積される。

【００１４】また当日の情報（天候、気温、曜日等）を
入力することにより、総配水流量予測手段２５において
該当する曜日の総配水流量予測モデルが選択され、選択
された予測モデルにより当日の総配水流量が予測され
る。さらに当日の情報を入力することにより、時間配水
流量推移予測手段２６において該当する曜日の時間配水
流量推移予測モデルが選択され、選択された予測モデル
により当日の時間配水流量推移の特徴量が予測される。

【００１５】また時間配水流量推移予測手段２６により
予測された特徴量と配水流量実績蓄積手段１２に蓄積さ
れた過去の実績を基にした時間配水流量推移の特徴量
が、配水流量検索手段２７において比較され、最も類似
する時間配水流量推移が過去の配水流量実績から検索さ
れる。

【００１６】また総配水流量予測手段２５で得られた当
日の総配水流量と、配水流量検索手段２７で得られた当
日の時間配水流量推移とが時間配水流量予測手段２８に
おいて掛け合わされ、当日の時間配水流量が予測される
ようになっている。

【００１７】次にこのような構成からなる本実施の形態
の作用について説明する。

【００１８】図１において、マンマシンインタフェイス
６を介して入力された気象実績（当日の午前・午後の天
候および最高気温、最低気温）および曜日の情報は、気
象実績蓄積手段１１に蓄積される。次に蓄積された気象
実績は、気象実績処理手段２１に取り込まれ、ニューラ
ルネットワークの入力として以下に示すように処理され
る。

【００１９】 ＜曜日１：平日→平日＞…主として火曜日〜金曜日 ＜曜日２：平日→休日＞…主として土曜日 ＜曜日３：休日→休日＞…主として日曜日 …（１） ＜曜日４：休日→平日＞…主として月曜日 ＜曜日５：＞………………特異日（５月連休、盆、正月休み） 以下に示す処理は、全て曜日別に行なうが、曜日別を表
現するサフィックスは、式が煩雑になるため省略する。

【００２０】天候に関する情報は前日、当日の２日分の
それぞれの午前と午後の天候をニューラルネットワーク
の入力情報として処理する。処理方法の例を図２に示
す。

【００２１】最高気温・最低気温に関しては、以下に示
すように処理する。

【００２２】

【数１】 以上のようにして、得られた入力情報は気象実績処理蓄
積手段１３に蓄えられ、ニューラルネットワーク予測モ
デルを同定する際の入力情報として用いられる。

【００２３】他方、プロセスインタフェイス４を介して
入力された配水流量検出値は、配水流量実績蓄積手段１
２に蓄えられる。総配水流量予測モデルおよび時間配水
流量推移予測モデルの教示信号（出力）を作成するため
に、配水流量実績蓄積手段１２に蓄積した配水流量実績
は配水流量実績処理手段２２で処理される。

【００２４】処理方法を以下に記述する。

【００２５】総配水流量予測モデル学習手段２３の教示
信号は（３）式により作成する。

【００２６】

【数２】 ここで、 Ｑ（ｉ）：ｉ日の総配水流量［ｍ３／ｄａｙ］ Ｑｍａｘ：最大総配水流量［ｍ３／ｄａｙ］ Ｑｍｉｎ：最小総配水流量［ｍ３／ｄａｙ］ Ｑｎｏｒｍｌ（ｉ）：ｉ日の正規化された総配水流量 配水流量推移予測モデル学習手段２４の教示信号は
（４）式により作成する。

【００２７】

【数３】 Ｑ′（ｉ，ｔ）：ｉ日の時刻ｔにおける正規化された時
間単位配水流量推移 Ｑ（ｉ，ｔ）：ｉ日の時刻ｔにおける時間単位配水流量
［ｍ３／ｈ］ Ｑｓａｍ（ｉ）：ｉ日の総配水流量［ｍ３／ｄａｙ］ ｎ：予測時間周期［ｈｏｕｒ］ （４）式で正規化した値を用いて例えば図３に示す指標
値（ａ）〜（ｇ）を配水流量推移の特徴量（教示信号）
とする。

【００２８】以上、正規化処理した値は、気象実績処理
蓄積手段１３および配水流量実績処理蓄積手段１４に蓄
積され、総配水流量予測モデルおよび配水流量推移予測
モデルの同定に用いられる。

【００２９】次に気象実績処理蓄積手段１３および配水
流量実績処理蓄積手段１４に蓄積された気象実績正規化
値および総配水流量正規化値をもとに、総配水流量予測
モデル学習手段２３で曜日毎に、総配水流量予測モデル
の同定が行なわれる。予測モデルの同定は、ニューラル
ネットワークの重み係数を学習することで行なう。

【００３０】まず、総配水流量予測モデル学習手段２３
のニューラルネットワークの構造は図４に示すように、
入力層、中間層および出力層の３層構造となっている。
この場合、前日の天候実績および当日の午前・午後の天
気予報、当日の最高・最低気温が入力として用いられ
る。

【００３１】また、総配水流量予測モデルの教示信号と
しては（３）式で演算した値が用いられる。

【００３２】ニューラルネットワークのニューロン間の
重み係数の学習は、バックプロパゲーション法を用いて
行なわれる。この学習の結果、得られる総配水流量予測
モデルの重み係数は総配水流量予測モデル重み係数蓄積
手段１５に蓄えられる。

【００３３】ここでバックプロパゲーション法とは、階
層型の構造をしたニューラルネットワークに対して、ネ
ットワークの誤差が、出力層から入力層へ逆伝搬してい
く学習方式である。

【００３４】次に、当日の総配水流量を予測する総配水
流量予測手段２５について説明する。入力された前日の
午前・午後の天候実績および当日の午前・午後の天候お
よび気温の予報値と曜日の情報から、前記総配水流量予
測モデル重み係数蓄積手段１５に蓄えられた重み係数を
用いて、ニューラルネットワークの演算に従って、総配
水流量予測モデルの出力層の値を演算する。

【００３５】この場合、演算した値を（３）式を用いて
逆正規化し、当日の総配水流量予測値とする。

【００３６】また気象実績処理蓄積手段１３および配水
流量実績処理蓄積手段１４に蓄積された気象実績正規化
値および配水流量の特徴量をもとに、配水流量推移予測
モデル学習手段２４によって時間配水流量推移予測モデ
ルの同定が行なわれる。予測モデルの同定は、総配水流
量予測モデル学習手段２３と同様、ニューラルネットワ
ークの重み係数を学習することで行なう。

【００３７】配水流量推移予測モデル学習手段２４のニ
ューラルネットワークの構造は総配水流量予測モデル同
様、図５に示すように、入力層、中間層および出力層の
３層構造となっている。この場合、前日の天候実績およ
び当日の午前・午後の天気予報が入力として用いられ
る。

【００３８】また、配水流量推移予測モデルの教示信号
は（４）式で演算した値が用いられる。

【００３９】学習の結果、得られる配水流量推移予測モ
デルの重み係数は配水流量推移予測モデル重み係数蓄積
手段１６に蓄えられる。

【００４０】次に当日の配水流量推移を予測する時間配
水流量推移予測手段２６について説明する。入力された
前日の午前・午後の天候実績および当日の午前・午後の
天候と曜日の情報から、配水流量推移予測モデル重み係
数蓄積手段１６に蓄えられた重み係数を用いて、ニュー
ラルネットワークの演算に従って、時間配水流量推移予
測モデルの出力層の値を演算する。

【００４１】このようにして演算した値は、当日の時間
配水流量推移予測値（特徴量）となる。

【００４２】一方、配水流量検索手段２７では、時間配
水流量推移予測手段２６で得られた特徴量の予測値と配
水流量実績処理蓄積手段１４に蓄えられた過去の配水流
量推移の特徴量とが比較され、もっとも類似する配水流
量推移が検索される。

【００４３】

【数４】 Ａ：類似度 ｙｉｄｘ（ｊ）：ニューラルネットワークにより予測し
たｊ番目の特徴量 ｉｄｘ（ｊ）：過去の配水流量推移のｊ番目の特徴量 次に時間配水流量予測手段２８において、総配水流量予
測手段２５および配水流量検索手段２７で予測された当
日の総配水流量と時間配水流量推移とが掛け合わされ
て、当日の時間配水流量予測値が得られる。

【００４４】掛け合わせる際の式は、（６）式が用いら
れる。

【００４５】

【数５】 ｙＱ（ｔ）：時刻ｔにおける時間配水流量予測値［ｍ３
／ｈ］ ｓＱ′（ｔ）：時刻ｔにおける正規化された時間配水流
量推移予測値 ｙＱｔｏｔａｌ：総配水流量予測値［ｍ３／ｄａｙ］ 次に本発明の他の実施の形態について、図６乃至図１１
により説明する。図６乃至図１１に示す実施の形態は、
図１乃至図５に示す需要予測装置に対して、以下の手段
を付加したものである。

【００４６】すなわち、図６に示すように時間単位で配
水流量予測値を変更できる時間単位配水流量変更手段３
１を付加してもよい。時間単位配水流量変更手段３１
は、図６に示すように時間配水流量予測手段２８で予測
した時間配水流量予測値に対し、任意の時刻の時間配水
流量予測値を運転員が所望する任意の配水流量予測値に
変更するものである。

【００４７】また図７に示すように総配水流量変更手段
３２を付加してもよい。この総配水流量変更手段３２は
総配水流量予測手段２５によって得られる総配水流量予
測結果を、運転員が任意の総配水流量予測値に変更する
ものである。

【００４８】また図８に示すように、再配水流量予測手
段３３を付加してもよい。この再配水流量予測手段３３
は、当日の実配水流量を計測し、時間配水流量予測手段
２８によって得られた予測結果と比較するものである。
比較の結果、実配水流量と時間配水流量との誤差が規定
値以上になった場合、再度、次式を用いて時間配水流量
を予測する。再配水流量予測手段３３により、予測結果
が大きくずれた場合でも、より精度の良い予測結果を再
度運転員へ提供可能となる。

【００４９】

【数６】 Ｂ：類似度 ｉｄｘ′（ｉ）：当日の時間配水流量実績値［ｍ３／ｈ
ｏｕｒ］ ｉｄｘ（ｉ）：過去の時間配水流量実績値［ｍ３／ｈｏ
ｕｒ］ ｔ：時刻 また図９に示すように逐次配水流量予測修正手段３４を
付加してもよい。逐次配水流量予測修正手段３４では、
当日の実配水流量を計測し、時間配水流量予測手段２８
によって得られた予測結果と比較する。比較の結果を基
に、（８）式を用いて逐次、時間配水流量予測結果を修
正する。

【００５０】

【数７】 ｙＱ′（ｉ）：時間配水量予測結果修正値［ｍ３／ｈｏ
ｕｒ］ ｙＱ（ｉ）：時間配水流量予測値［ｍ３／ｈｏｕｒ］ ｉｄｘ′（ｉ）：時間配水流量実績値［ｍ３／ｈｏｕ
ｒ］ ｔ：時刻 逐次配水流量予測修正手段３４により、予測結果を逐
次、自動的に修正可能となり、より精度の良い予測値を
運転員に提供可能となる。

【００５１】また平均配水流量実績処理手段を設け、こ
の平均配水流量実績処理手段により（４）式で演算した
配水流量推移予測モデル学習手段２４の教示信号をさら
に次式により平均し作成してもよい。

【００５２】

【数８】 Ｑ″（ｔ）：時刻ｔにおける正規化した平均時間単位配
水流量推移 Ｑ′（ｉ，ｔ）：ｉ日の時刻ｔにおける正規化した時間
単位配水流量推移 Ｎ：データ数［個］ 平均配水流量実績処理手段では、過去の配水流量実績推
移の平均値を予測値とするため、実績推移に含まれる配
水流量の急変等のノイズが除去可能である。

【００５３】また図１０に示すように、時間配水流量予
測補正手段３６を付加してもよい。時間配水流量予測補
正手段３６は、図１０に示すように時間配水流量予測手
段２８によって得られた当日の時間配水流量予測値の最
初の予測値（例えば、１時間単位で予測する場合は、当
日の０時〜１時）を、時間配水流量予測手段２８によっ
て得られた前日の時間配水流量予測値の最後の時間帯の
予測値（２３時〜２４時（当日の０時））を用いて次式
により補正し、前日と当日の時間配水流量予測値との連
続性を考慮するものである。

【００５４】

【数９】 Ｑ（ｉ，１）：補正された当日、１時の時間配水流量予
測値［m3/hour] Ｑ''' （ｉ，１）：当日、１時の時間配水流量予測値
［m3/hour] Ｑ''' （ｉ−１，２３）：前日、２３時の時間配水流量
予測値［m3/hour] また図１１に示すように、特異日予測手段３７を付加し
てもよい。図１１において特異日予測手段３７は、特異
日（５月連休、盆、正月休み）が時間配水流量推移に関
し通常の休日とは異なることを考慮して、特異日の時間
配水流量予測を特異日配水流量実績手段３７ａからの情
報に基づいて次式により予測するものである。

【００５５】

【数１０】 Ｑ''''（ｔ）：特異日における時刻ｔの時間配水流量予
測値［m3/hour] Ｑ（ｋ，ｔ）：ｋ年の特異日の時刻ｔにおける時間配水
流量実績値［m3/hour]Ｎ：過去Ｎ年間 これにより、特異日特有の時間配水流量推移をより精度
良く予測可能になる。

【００５６】また配水流量推移除外手段を付加してもよ
い。配水流量推移除外手段は、例えば工事等の通常とは
異なる配水流量推移を除外するものであり、通常の配水
流量推移と異なるか否かの判断は、次のように行なう。

【００５７】

【数１１】 Ｓ：正規化された時間単位配水流量推移と平均時間単位
配水流量推移との偏差の和 Ｄ：判断基準設定値 Ｑ′（ｉ，ｔ）：ｉ日ｔ時の正規化された時間単位配水
流量推移 Ｑ″（ｔ）：時刻ｔにおける正規化された平均時間単位
配水流量推移 これにより、ニューラルネットワークによる予測モデル
を構築する際、より精度良い予測モデルを構築可能であ
る。

【００５８】

【発明の効果】以上のように本発明によれば、曜日、気
象条件等を考慮しながら過去の配水流量の実績データを
有効に利用して、１日を通じた配水流量を正確に予測す
ることができる。

【図面の簡単な説明】

【図１】本発明による需要予測装置の一実施の形態を示
す概略図

【図２】天候の正規化の例を示す図

【図３】配水流量推移の特徴量を示す図

【図４】総配水流量予測モデル学習手段のニューラルネ
ットワークを示す図

【図５】配水流量推移予測モデル学習手段のニューラル
ネットワークを示す図

【図６】時間単位配水流量変更手段を有する需要予測装
置を示す図

【図７】総配水流量変更手段を有する需要予測装置を示
す図

【図８】再配水流量予測手段を有する需要予測装置を示
す図

【図９】逐次配水流量予測修正手段を有する需要予測装
置を示す図

【図１０】時間配水流量予測補正手段を有する需要予測
装置を示す図

【図１１】特異日予測手段を有する需要予測装置を示す
図

【符号の説明】

５ 需要予測装置 １１ 気象実績蓄積手段 １２ 配水流量実績蓄積手段 １３ 気象実績処理蓄積手段 １４ 配水流量実績処理蓄積手段 １５ 総配水流量予測モデル重み係数蓄積手段 １６ 配水流量推移予測モデル重み係数蓄積手段 ２１ 気象実績処理手段 ２２ 配水流量実績処理手段 ２３ 総配水流量予測モデル学習手段 ２４ 配水流量推移予測モデル学習手段 ２５ 総配水流量予測手段 ２６ 時間配水流量推移予測手段 ２７ 配水流量検索手段 ２８ 時間配水流量予測手段

───────────────────────────────────────────────────── フロントページの続き (72)発明者 高 橋 郁 雄 東京都港区芝浦一丁目１番１号 株式会社 東芝本社事務所内

Claims (4)

【特許請求の範囲】
1. 【請求項１】上水道を対象とし、浄水場または配水池か
   ら配水される配水流量を予測する装置において、 気象実績を蓄積する気象実績蓄積手段と、 配水流量実績を蓄積する配水流量実績蓄積手段と、 気象実績蓄積手段の気象実績を基に、曜日別に気象実績
   を処理する気象実績処理手段と、 配水流量実績蓄積手段の配水流量実績を基に曜日別に配
   水流量実績を処理する配水流量実績処理手段と、 曜日別に当日の総配水流量を予測するニューラルネット
   ワークモデルを有し、気象実績処理手段および配水流量
   実績処理手段により得られた処理データを基に、このニ
   ューラルネットワークモデルを同定する総配水流量予測
   モデル学習手段と、 曜日別に当日の時間単位配水流量推移の特徴量を予測す
   るニューラルネットワークモデルを有し、前記気象実績
   処理手段および配水流量実績処理手段により得られた処
   理データを基に、このニューラルネットワークモデルを
   同定する配水流量推移予測モデル学習手段と、 総配水量予測モデル学習手段で同定したニューラルネッ
   トワークモデルを用い、当日の情報を入力することによ
   り、当日の総配水流量を予測する総配水流量予測手段
   と、 配水流量推移予測モデル学習手段で同定したニューラル
   ネットワークモデルを用い、当日の情報を入力すること
   により、当日の時間配水流量推移の特徴量を予測する時
   間配水流量推移予測手段と、 時間配水流量推移予測手段により予測された時間配水流
   量推移の特徴量と、配水流量実績蓄積手段の配水流量実
   績から得られた時間配水流量推移の特徴量を比較し、最
   も類似する時間配水流量推移を過去の配水流量実績から
   検索する配水流量検索手段と、 総配水流量予測手段で得られた当日の総配水流量と、配
   水流量検索手段で得られた当日の時間配水流量推移とを
   掛け合わせることにより、当日の時間配水流量を予測す
   る時間配水流量予測手段と、とを備えたことを特徴とす
   る需要予測装置。
2. 【請求項２】時間配水流量予測手段によって得られた当
   日の時間配水流量と、当日の配水流量実績とを比較し、
   比較の結果誤差が規定値以上になった場合に再度時間配
   水流量を予測する再配水流量予測手段を更に備えたこと
   を特徴とする請求項１記載の需要予測装置。
3. 【請求項３】時間配水流量予測手段によって得られた当
   日の時間配水流量と、当日の配水流量実績とを比較し、
   逐次時間配水流量を修正する逐次配水流量予測修正手段
   を更に備えたことを特徴とする請求項１記載の需要予測
   装置。
4. 【請求項４】翌日の時間配水流量の最初の値を前日の時
   間配水流量の最後の値に基づいて修正して両者の連続性
   を保つ時間配水流量予測補正手段を更に備えたことを特
   徴とする請求項１記載の需要予測装置。