JPS60236082A - Forecasting system - Google Patents
Forecasting systemInfo
- Publication number
- JPS60236082A JPS60236082A JP59091741A JP9174184A JPS60236082A JP S60236082 A JPS60236082 A JP S60236082A JP 59091741 A JP59091741 A JP 59091741A JP 9174184 A JP9174184 A JP 9174184A JP S60236082 A JPS60236082 A JP S60236082A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- predicted
- forecasting
- predicted value
- value
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
Abstract
Description
【発明の詳細な説明】
〔発明の技術分野〕
本発明は、一定のモデルに基づいて例えば下水管渠や河
川などの流量あるいは水位の変化を予測する予測方式に
関するものである。DETAILED DESCRIPTION OF THE INVENTION [Technical Field of the Invention] The present invention relates to a prediction method for predicting changes in the flow rate or water level of, for example, a sewer pipe or a river, based on a certain model.
従来の予測方式としては、ＨＭｔ的に４１成した予測モ
デルを用いるものと、物理的に生成した予測モデルを用
いるものがある。Conventional prediction methods include those that use HMt-based prediction models and those that use physically generated prediction models.
第４図には、統計的に生成した予測モデル音用いる装置
の一例が示はれている、この図において、水位あるいは
雨量などの入力情報を開側するセンサである計測機構Ｃ
１Ｏは、収集機構θ２に接続されており、これによって
計測データの収集が行なわれる。収集機構（６）は、記
憶装置α少に接続されており、収集された計測データの
時系列データが格納される。Figure 4 shows an example of a device that uses statistically generated predictive model sounds. In this figure, the measurement mechanism C is a sensor that receives input information such as water level or rainfall
1O is connected to a collection mechanism θ2, whereby measurement data is collected. The collection mechanism (6) is connected to the storage device α, and stores time series data of the collected measurement data.
記憶装置α尋は、時系列データ読み出し機構ＯＱに接続
されており、更に、時系列データ読み出し機構ａＱは、
演算機構（ＩＦ３に接！ｆれている。この演算機構ａ８
は、統計的に生成された予測モデルに基づいて、予測値
−を演算するものである。The storage device α is connected to a time-series data reading mechanism OQ, and the time-series data reading mechanism aQ is connected to a time-series data reading mechanism OQ.
Arithmetic mechanism (connected to IF3! This arithmetic mechanism a8
calculates a predicted value - based on a statistically generated predictive model.
以上のような構成の装置についての動作を説明すると、
”ｏｌさ１１１機構０（滲によって計測された水量、水
位などの人力情報は、データの収集機構（２）によって
計測時間順に記憶装置０．、Ｏに格納される。次に、記
憶装置Ｍ、Ｃ１１から予測に必要な入力情報の時系列デ
ータが時系列データ読み出し機構ＯＱによって読み出き
れ、更に演Ｔ１機構０９に入力される。演算機構０樟で
は、統計的に生成キれた予測モデルに従って流量や水位
の変化などが予測され、予測値−とに出力これる。統計
的に生成された予測モデルとしては、例えばＡ Ｒ（自
己回帰）モデルが仰られてイル（［ダイナばツタシステ
ムの統計的解析と制御］サイエンスライブラリ情報電算
機９．赤池。To explain the operation of the device configured as above,
111 Mechanism 0 (Manual information such as water volume and water level measured by seepage is stored in storage devices 0., O in the order of measurement time by the data collection mechanism (2).Next, storage devices M, The time series data of the input information necessary for prediction is read out from C11 by the time series data readout mechanism OQ, and is further input to the performance T1 mechanism 09. Changes in flow rate and water level are predicted and output as predicted values.As a statistically generated prediction model, for example, an AR (autoregressive) model is mentioned. Statistical Analysis and Control] Science Library Information Computer 9. Akaike.
中側共著、サイエンス社などを参照）、。Co-authored by Nakahara, see Science Publishing, etc.).
４ノー
次に、第５図には、物理的に生成した予Ｉｆｌｌｌ■ア
ルを用いる装置の一例が示されている。この図に示これ
ている装置は、演算機構に）が物理的に生成した予測モ
テルに基づく演算を行う点で、第４図に示す装置μと異
なる。すなわち、時系列データ読み出し機構ＯＱから入
力されるデータに対し、物理的に生成された予測モデル
に従って流すや水位の変化が予測てれ、演算機構（イ）
から予７１１１１１１ｒｌいυが出力はれる。物理的に
生成はれた予測モデルの基本的なものとしては、例えば
都市流出モデルが知られている（１都市流出システムの
−１−プリング」水−ｒＩ学クシリーズ８２Ａ−３，１
９８２年７月、 ４！！、国著、土木学会水理委員会な
どを参照）。、ところで、以上のような従来の予測方式
のうち、第４図に示す統計的に生成した予測モデルを用
いる方式では、過去のデータから予測演算機構のパラメ
ータを決定している。このため、その決定時のデータ傾
向にひきずられｆＣす、特に入力情報あるいは予測すべ
きデータなどが急変したときには良好に追従できないと
いう不都合がある。4. Next, FIG. 5 shows an example of an apparatus that uses physically generated preliminaries. The device shown in this figure differs from the device μ shown in FIG. 4 in that the calculation mechanism () performs calculations based on physically generated prediction models. In other words, when the data input from the time-series data readout mechanism OQ is flown according to a physically generated prediction model, changes in water level are predicted, and the calculation mechanism (a)
7111111rl υ is outputted from. For example, an urban runoff model is known as a basic physically generated prediction model (1-1 Pring of Urban Runoff System, Water-rI Science Series 82A-3, 1).
July 982, 4! ! , Japanese author, Hydraulic Committee of the Japan Society of Civil Engineers, etc.). By the way, among the conventional prediction methods as described above, the method using a statistically generated prediction model shown in FIG. 4 determines the parameters of the prediction calculation mechanism from past data. For this reason, fC is influenced by the data trend at the time of determination, and there is a disadvantage that it is not possible to follow the fC well particularly when input information or data to be predicted changes suddenly.
また、第５図に示す物理的に生成した予測モデルを用い
る方式では、流量、水位の変化などがピークとなる状況
に対して予測演算機構のパラメータ全決定している。こ
のため、かかるピークの状況においては、予測が良好に
行なわれるが、対象である系ないしシステムが緩やかに
変化しているときは、予測がはずれる傾向になるという
不都合がある。すなわち、統計的に生成した予測モデル
及び物理的に生成した予測モデルのいずれか１つの予測
モテルを用いる場合には、当該システムの丁べての変化
に対して常に精度よ〈予測を行なうことができないとい
う欠点があった。In addition, in the method using a physically generated prediction model shown in FIG. 5, all parameters of the prediction calculation mechanism are determined for situations where changes in flow rate, water level, etc. peak. For this reason, in such a peak situation, predictions are performed well, but when the target system is changing slowly, there is a disadvantage that predictions tend to be incorrect. In other words, when using either a statistically generated prediction model or a physically generated prediction model, the accuracy of the prediction model is always affected by changes in the system. The drawback was that it couldn't be done.
本発明は、かかる点に鑑みてなばれたものであり、予測
対象となる系の変化の広い範囲において、精度良く対象
せの予測を行なうことができる予測方式を提供すること
をその目的とするものである。The present invention has been developed in view of the above, and an object of the present invention is to provide a prediction method that can accurately predict the target over a wide range of changes in the system to be predicted. It is something.
すなわち本発明は、予測モデルとして複数のものを用い
、入力情報の内容の変化から最も精度の良い予６１１１
モテルを複数のものから選択し、これに対する重み付の
程度を大きくするようにした予測方式によって上記目的
を達成しようとするものである。In other words, the present invention uses a plurality of prediction models to determine the most accurate prediction 6111 from changes in the content of input information.
The above objective is achieved by a prediction method in which a plurality of models are selected and the degree of weighting is increased.
Ｊソ下、本発明にかかる予測方式’（ｌ−第１図ないし
第６図を参照しながら詳細に説明する、第１図は、本発
明の予測方式の一実施例を示すブロック図である。この
囚において、討辿Ｉ機構（１００）は、データ収集機構
（１０２）に接ｆｉｔこれている。計測機構（１００）
は、少なくとも１つのセンサ手段を含み、例えば下水管
渠、海月１などの水量。The prediction method according to the present invention will be described in detail with reference to FIGS. 1 to 6. FIG. 1 is a block diagram showing an embodiment of the prediction method of the present invention. .In this prisoner, the investigation I mechanism (100) is in contact with the data collection mechanism (102).The measurement mechanism (100)
comprises at least one sensor means, e.g. water level in a sewer, water pipe, etc.
水位あるいは雨量、流量などを測定し、得られたデータ
は入力情報としてデータ収集機構（１０２）に入力され
るようにガっている。The water level, rainfall amount, flow rate, etc. are measured, and the obtained data is inputted as input information to the data collection mechanism (102).
データ収集機構（１０２）は、記憶装置（１０４）に接
続されている。これによって、入力情報が開側時間順に
記憶装置（１０４）に格納されるようになっている。次
に、記憶装置（１０４）は、時系列データ読み出し機構
（１０６）に接続されている。この時系列データ読み出
し機構（１０＜Ｓ）によって、記憶装置（１０４）に格
納されている時系列データが読み出されるようになって
いる。A data collection mechanism (102) is connected to a storage device (104). As a result, the input information is stored in the storage device (104) in order of opening time. Next, the storage device (104) is connected to a time-series data reading mechanism (106). This time series data reading mechanism (10<S) reads the time series data stored in the storage device (104).
時系列データ読み出し機構（１［］６）は、統計演算機
構（１０８）及び物理演算機構（１１０）に各々接続さ
れており、これらの演算機構（１０８）１１０）は、他
の演算機構（１１２）に各々接続されている。統計演算
機構（１０８）は、続開的に生成これた予測モデルに基
づいて予測値を演算出力するものであり、物理演算機構
（１１０）は、物理的に生成された予測モデルに基づい
て予測値を演算出力するものである。The time-series data reading mechanism (1[]6) is connected to the statistical calculation mechanism (108) and the physical calculation mechanism (110), and these calculation mechanisms (108, 110) are connected to the other calculation mechanism (112). ) are connected to each other. The statistical calculation mechanism (108) calculates and outputs predicted values based on sequentially generated prediction models, and the physical calculation mechanism (110) calculates and outputs predicted values based on physically generated prediction models. It calculates and outputs.
甘た、演算機構（１１：））は統計演算機構（１０８）
および物理演算機構（１１０）の各々から出力される予
？ｆｌｌｌ値を加重平均して予測値（１１４） ｋ算出
するものである。Amata, calculation mechanism (11:)) is statistical calculation mechanism (108)
and the prediction output from each of the physical calculation mechanism (110)? The predicted value (114)k is calculated by weighted averaging the fllll values.
史に、前記データ収集機構（１０２）は重み変更機構（
１１６）に接続されており、この重み変更機構（１１（
Ｓ）は演算機構（１１２） Ｋ接続でれている。重み変
更機構（１１６）は、データ収集機構（１ｒ１２）から
入力される前記入力情報の変化の程度に応じて演算機構
（１１２）に重み変更の出力を行なう。この出力がある
と演算機ｍ （１１２）では、前述した入力予測値の加
重平均の演’４９：における重みが変更されるようにな
っている。Historically, the data collection mechanism (102) includes a weight change mechanism (
116), and this weight changing mechanism (11(
S) is connected to the arithmetic mechanism (112) by K connection. The weight change mechanism (116) outputs a weight change to the calculation mechanism (112) according to the degree of change in the input information input from the data collection mechanism (1r12). When this output is received, the weight in the calculation of the weighted average of the input predicted values described above is changed in the calculation unit m (112).
次に、上記実施例の具体的作用について説明する１、第
２図には、予測しようとする愈の実績値と、演算機構（
１０８）１１０）から各々出力される予測値との経時変
化の例が各々示づれている。この図において、線図（Ｌ
Ａ）は、予測しようとする骨の実績値であり、線図（Ｌ
Ｂ）は、統計演算機構（１０Ｂ）の出力である統計的に
生成された予測モデルによる予測値（以下「統計的予測
値」という）である。Next, Figures 1 and 2, which explain the specific operation of the above embodiment, show the actual value of the desire to be predicted and the calculation mechanism (
Examples of changes over time with predicted values output from 108) and 110) are shown. In this figure, the line diagram (L
A) is the actual bone value to be predicted, and the line diagram (L
B) is a predicted value (hereinafter referred to as "statistical predicted value") based on a statistically generated predictive model that is the output of the statistical calculation mechanism (10B).
線図（ＬＣ）は、物理演算機構（１ｊＯ）の出力である
物理的に生成された予測モデルによる予測値（」ン下「
物理的予測値」という）である。The line diagram (LC) shows the predicted value (under "") by the physically generated predictive model which is the output of the physical calculation mechanism (1jO).
physical predicted value).
この第２図に示すように、線引的予測値（ＬＢ）は、比
較的変化の緩やかな場合に実績値（ＬＡ）によく一致し
予測精度がよいが、変化が急な場合は精度が悪い、、捷
だ、物理的予測値（ＬＣ）は、比較的変化の急な場合に
実績値（ＬＡ）によく一致し予測精度がよいが、変化が
緩やかな場合Ｖｉ精度が悪い。As shown in Figure 2, the linear predicted value (LB) matches the actual value (LA) well when the change is relatively gradual and has good prediction accuracy, but when the change is sudden, the accuracy is poor. The physical predicted value (LC) matches the actual value (LA) well when the change is relatively sudden and has good prediction accuracy, but when the change is gradual, the Vi accuracy is poor.
第３図には、重み変更機構（１１６）の出力に基づく重
み係数（ＬＤ）の経時変化の例が第２図の例に対応はせ
て示されている。すなわち、重み変更機構（１１６）は
、入力情報から、システム・が安定期にあるかあるいは
変動期にあるがを判別し、演算機構（１１０）における
加重平均時の重み係数（ＬＤ） ｋ第３図に示す如く変
化させる。なお、この第６図に示す重み係数（ＬＤ）は
、物理的予測値［有］Ｃ）に対するものである。FIG. 3 shows an example of a change over time in the weighting coefficient (LD) based on the output of the weight changing mechanism (116), corresponding to the example shown in FIG. That is, the weight changing mechanism (116) determines from the input information whether the system is in a stable period or in a fluctuating period, and sets the weighting coefficient (LD) k-th at the time of weighted averaging in the calculation mechanism (110). Change as shown in the figure. Note that the weighting coefficient (LD) shown in FIG. 6 is for the physical predicted value C).
１ず、第２図の前半の如く、システムが安定期にある場
合には、物理的予測値（ＬＣ）は統計的予測値（ＬＢ）
と比較して大きく実績値からずれている、他方、この場
合の物理的予測値（ＬＣ）に対する重み係数（ＬＤ）は
、第６図に示すように比較的小さい。このため、演算機
構（１１０）における加重平均の値においては、統計的
予測値（ＬＢ）が支配的となり、これが最終的な予測値
（１１４）として出力されることとなる。従って、予測
値（１１４）は、実績値（ＬＡ）に対し精度の良好なも
のとなる。1. As shown in the first half of Figure 2, when the system is in a stable period, the physical predicted value (LC) becomes the statistical predicted value (LB).
On the other hand, the weighting coefficient (LD) for the physically predicted value (LC) in this case is relatively small as shown in FIG. 6. Therefore, the statistically predicted value (LB) becomes dominant in the weighted average value in the arithmetic mechanism (110), and this is output as the final predicted value (114). Therefore, the predicted value (114) has better accuracy than the actual value (LA).
次に、第２図の後半の如く、システムが変動機にある場
合には、統計的予測値（ＬＢ）は物理的予測値（ＬＣ）
と比較して大きく実績値からずれている。他方、この場
合の物理的予測値（ＬＣ）に対する重み係数（ＬＤ）は
、第３因に示すように比較的太きい。このため演算機構
（１１０） Ｋおける加重平均の値においては、物理的
予測値（ＬＣ）が支配的となり、これが最終的な予測値
（１１４）として出力されることとなる。従って予測値
（１１４）は、実績値（ＬＡ）に対し精度の良好なもの
となる。Next, as shown in the second half of Figure 2, when the system is in a variable state, the statistically predicted value (LB) is replaced by the physically predicted value (LC).
There is a large deviation from the actual value compared to the actual value. On the other hand, the weighting coefficient (LD) for the physically predicted value (LC) in this case is relatively large as shown in the third factor. Therefore, in the weighted average value in the calculation mechanism (110) K, the physical predicted value (LC) becomes dominant, and this is output as the final predicted value (114). Therefore, the predicted value (114) has better accuracy than the actual value (LA).
なお、重み係数による重み付けは、統計的予測値と物理
的予測値との間の相対的なものであり、いずれか一方の
予測値に対する重み係数を一定としてもよいし、また双
方の重み係数を変更するようにしてもよい。Note that the weighting by the weighting coefficient is relative between the statistically predicted value and the physically predicted value, and the weighting coefficient for either predicted value may be constant, or both weighting coefficients may be set constant. It may be changed.
また、上記実施例では、予測モデルが２つの場合につい
て説明したが、本発明は何らこれに限定されるものでは
なく、更に多数の予測モデルを用いるようにしてもよい
。例えば、物理的に生成された予測モデルが２つ以上あ
って本よい。Further, in the above embodiment, a case has been described in which there are two prediction models, but the present invention is not limited to this in any way, and a larger number of prediction models may be used. For example, it is preferable to have two or more physically generated predictive models.
以上説明したように、本発明による予測方式によれば、
異々る二以上の予測モデルに基づいて各各予測値が算定
され、これらの予測値がシステムの変化に対応して変更
される重みをもって加重これるようにして最終的な予測
値をめることとしたので、システムの変動の広い範囲に
おいて精度のよい予測を行なうことができるという効果
がある、As explained above, according to the prediction method according to the present invention,
Each predicted value is calculated based on two or more different prediction models, and the final predicted value is determined by weighting these predicted values with weights that change in response to changes in the system. This has the effect of making it possible to make accurate predictions over a wide range of system fluctuations.
第１図は本発明Ｋかかる予測方式の一実施例を示すブロ
ック図、第２図はシステムの実績値、統計的予測値及び
物理的予測値の一例を示す線図、第３図は重み係数の一
例を示す線図、第４図は統計的に生成された予測モデル
を用いる従来の予測方式の一例を示すブロック図、第５
図は物理的に生成これた予測モテルを用いる従来の予測
方式の一例を示すブロック図である。
図において、（１０Ｂ）は統計演算機構、（１１０）は
物理演算機構、（１１２）は演算機構、（１１６）は重
み変更機構、（１１４）は予沖１値、（ＬＡ）は実績値
、（ＬＢＣは統ｎ１的予測値、（ＬＣ）は物理的予測値
、（ＬＤ）は重み係数である。なお、各図中同一符号は
同−又は相当部分を示すものとする。
代理人 弁理士 木 村 三 朗
■続補正書（自発）
昭和５９年１２＋Ｉ４ ＋＋
特許庁長官殿
１、事ｆ′１の表示 特願昭 ５９−９１７４１号２、
発明の名称
予測方式
３、補正をする者
代表者片山仁へ部
４、代理人
５、＆、補正の対象
明細書の「発明の詳細な説明」の欄。
６、補正の内容
（１）明細書第２頁第１行〜第２行の［下水管渠や河川
などの」を１−河川のＪと補正ずろ。
（２）明細書第６頁第５行の「下水管渠、河川などの」
を１河川の」と補正する。
以 上FIG. 1 is a block diagram showing an example of a prediction method according to the present invention, FIG. 2 is a diagram showing an example of system performance values, statistical predicted values, and physical predicted values, and FIG. 3 is a weighting coefficient. FIG. 4 is a diagram showing an example of a conventional prediction method using a statistically generated prediction model; FIG.
The figure is a block diagram showing an example of a conventional prediction method using physically generated prediction models. In the figure, (10B) is a statistical calculation mechanism, (110) is a physical calculation mechanism, (112) is a calculation mechanism, (116) is a weight change mechanism, (114) is a preliminary value, (LA) is an actual value, (LBC is a systematic predicted value, (LC) is a physical predicted value, and (LD) is a weighting coefficient. In each figure, the same symbol indicates the same or equivalent part. Agent Patent attorney Sanro Kimura ■ Continuing amendment (spontaneous) 1980 12+I4 ++ Director-General of the Japan Patent Office 1, indication of matter f'1 Patent Application No. 59-91741 2,
Invention name prediction method 3, person making the amendment Representative Hitoshi Katayama Department 4, agent 5 & Column ``Detailed description of the invention'' of the specification to be amended. 6. Contents of the amendment (1) Amend "sewage pipes, rivers, etc." in the first and second lines of page 2 of the specification to 1-J for river. (2) "Sewage pipes, rivers, etc." on page 6, line 5 of the specification
is corrected to ``1 river''. that's all
Claims (2)
測方式において、 異なる二重上の予測モデルに基づいて各々予測値が算定
きれ、これらの予測値がシステムの変化に対応して変更
される重みをもって加重きれることを特徴とする予測方
式。(1) In a prediction method that uses prediction models to predict system changes, each predicted value can be calculated based on different overlapping prediction models, and these predicted values are changed in response to changes in the system. A prediction method that is characterized by being able to be weighted using weights.
デルと、物理的に生成きれた予測モデルとが含捷れ、前
記重みは、システムが安定期にあるときは統計的に生成
畜れた予１ｆＡｌｊモデルによる予測値が支配的になり
、システムが変動期にあるときは物理的罠生底きれた予
測モデルによる予測値が支配的と女るように変更される
特許請求の範囲第１項記戦の予測方式。(2) The prediction model includes a statistically generated prediction model and a physically generated prediction model. The predicted value based on the predicted 1fAlj model becomes dominant, and when the system is in a period of fluctuation, the predicted value based on the predicted model that has reached the bottom of the physical trap is changed to become dominant. Prediction method for the 1st section.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP59091741A JPS60236082A (en) | 1984-05-10 | 1984-05-10 | Forecasting system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP59091741A JPS60236082A (en) | 1984-05-10 | 1984-05-10 | Forecasting system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPS60236082A true JPS60236082A (en) | 1985-11-22 |
Family
ID=14034947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP59091741A Pending JPS60236082A (en) | 1984-05-10 | 1984-05-10 | Forecasting system |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPS60236082A (en) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017070134A (en) * | 2015-10-01 | 2017-04-06 | 新日鐵住金株式会社 | Power prediction method |
| JP2017187371A (en) * | 2016-04-05 | 2017-10-12 | 株式会社日立パワーソリューションズ | Weather prediction device and wind power generation |
| JP2018503105A (en) * | 2014-12-22 | 2018-02-01 | ユーザー−セントリック アイピー, エル.ピー.User−Centric Ip, L.P. | Medium-scale modeling |
| JP2020133275A (en) * | 2019-02-21 | 2020-08-31 | 株式会社日立インダストリアルプロダクツ | Drainage facility operation guidance system |
| CN112732390A (en) * | 2021-01-19 | 2021-04-30 | 广东省水文局韶关水文分局 | Man-machine cooperative interaction method for flood process line forecast |
-
1984
- 1984-05-10 JP JP59091741A patent/JPS60236082A/en active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018503105A (en) * | 2014-12-22 | 2018-02-01 | ユーザー−セントリック アイピー, エル.ピー.User−Centric Ip, L.P. | Medium-scale modeling |
| JP2017070134A (en) * | 2015-10-01 | 2017-04-06 | 新日鐵住金株式会社 | Power prediction method |
| JP2017187371A (en) * | 2016-04-05 | 2017-10-12 | 株式会社日立パワーソリューションズ | Weather prediction device and wind power generation |
| JP2020133275A (en) * | 2019-02-21 | 2020-08-31 | 株式会社日立インダストリアルプロダクツ | Drainage facility operation guidance system |
| CN112732390A (en) * | 2021-01-19 | 2021-04-30 | 广东省水文局韶关水文分局 | Man-machine cooperative interaction method for flood process line forecast |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lloyd-Davies | THE ELIMINATION OF STORM WATER FROM SEWERAGE SYSTEMS.(INCLUDING APPENDIX AND PLATE). | |
| Tscheikner-Gratl et al. | Lost in calibration: why people still do not calibrate their models, and why they still should–a case study from urban drainage modelling | |
| Xiong et al. | Impacts of climate change on urban extreme rainfall and drainage infrastructure performance: a case study in Wuhan City, China | |
| JP2007205001A (en) | Discharge forecasting apparatus | |
| JP2007063849A (en) | Method of creating river water level prediction model, device for predicting river water level, and program for creating river water level prediction model | |
| Mure-Ravaud et al. | A web based tool for operational real-time flood forecasting using data assimilation to update hydraulic states | |
| Jakeman et al. | From data and theory to environmental model: the case of rainfall runoff | |
| Cui et al. | Configurational entropy theory for streamflow forecasting | |
| Habib et al. | Stage–discharge relations for low-gradient tidal streams using data-driven models | |
| Montserrat et al. | Using the duration of combined sewer overflow events for the calibration of sewer hydrodynamic models | |
| Niedzielski et al. | Real-time hydrograph modelling in the upper Nysa Kłodzka river basin (SW Poland): a two-model hydrologic ensemble prediction approach | |
| Karamouz et al. | Drought mitigation through long-term operation of reservoirs: Case study | |
| JPS60236082A (en) | Forecasting system | |
| Yen et al. | Discussion and closure: criteria for evaluation of watershed models | |
| Wang et al. | Comparison and evaluation of uncertainties in extreme flood estimations of the upper Yangtze River by the Delta and profile likelihood function methods | |
| Potter et al. | catchment response time as a predictor of flood quantiles 1 | |
| Chen et al. | Rainfall forecasting in sub-Sahara Africa-Ghana using LSTM deep learning approach | |
| JP2955413B2 (en) | Rainwater inflow prediction device using neural network | |
| Monjardin et al. | Application of artificial neuro-fuzzy interference system in rainfall-runoff modelling at Imus River, Cavite | |
| Izinyon et al. | L-moments approach for flood frequency analysis of river Okhuwan in Benin-Owena River basin in Nigeria | |
| Demirel et al. | Validation of an ANN flow prediction model using a multistation cluster analysis | |
| Broersen | Error correction of rainfall-runoff models with the ARMAsel program | |
| Booy et al. | The effect of clustering of flood peaks on a flood risk analysis for the Red River | |
| Kumar et al. | Dynamic model of daily rainfall, runoff and sediment yield for a Himalayan watershed | |
| Fenton | Rating curves: Part 1–Correction for surface slope |