JPWO2016181593A1 - 漏水状態推定システム、方法、および記録媒体 - Google Patents

Abstract

本発明は、配水網の特定のエリアにおける漏水の状態を推定する漏水状態推定システムである。学習部は、過去流量データを異常値と通常値とに切り分けるようにラベル付けしたラベル付きデータと、過去環境状況データとを受け、ラベル付きデータ内の通常値を予測するための予測モデルを学習により構築し、どれくらいの期間確認すべきかを規定するスコアパラメータをも学習によって決定する。漏水推定部は、現在環境状況データを予測モデルに入力して得られる予測流量データと、現在流量データとを比較して誤差値を求め、スコアパラメータで規定されたウィンドウ幅の期間の間における、誤差値の平均値を計算して、特定のエリアでの漏水の状態を表す漏水スコアを推定する。

Description

本発明は、上水道の配水網における漏水状況を監視するシステムに関し、特に、配水網の特定のエリアにおける漏水の状態を推定するシステム、方法、および記録媒体に関する。

上水道の配水網は、ＤＭＡ（District Meter Area）と呼ばれる小さなエリアに分割される。換言すれば、配水網は、互いに隣接した複数のＤＭＡから成る。各ＤＭＡの出入口には、ＤＭＡ流量計や、流量計及び圧力調整バルブ（ＰＲＶ）などの流量センサが配置される。したがって、これらの流量センサによって各ＤＭＡに流入および各ＤＭＡから流出する水の流量［リットル／秒］を計測することによって、各ＤＭＡでの単位時間当たりの水使用量［リットル／時］を把握することができる。尚、以下では、各ＤＭＡを、「監視エリア」や「計測エリア」或いは単に「エリア」とも呼ぶ。

周知のように、実際の水使用量は、計測時間帯（夜間であるか昼間であるか）によって異なり、時系列で変化する。また、計測日（平日であるか休日（土曜日、日曜日、祝日を含む）であるか）によっても、実際の水使用量は変動する。さらに、気温や降雨等の気候によっても、実際の水使用量は変動する。すなわち、実際の水使用量は、その時点における監視エリアの環境状況（例えば、外気温、曜日、時間帯等）によって変動する。

そこで、過去において計測された水使用量を表す過去流量データをメモリに蓄積しておき、その蓄積データに基づいて現在の水使用量の予測値を求め、その予測値と現在の水使用量の実測値とを比較し、その比較結果（予測誤差）に基づいて当該監視エリアで漏水が起きているかを判断することが考えられる。その際、漏水の有無を判断するための材料（指標）として、当該監視エリアで漏水が起きている確率（漏水スコア）を出力してよい。

ところで、現在の水使用量の予測値を求めるためには、過去に計測された水使用量を表す膨大な量の過去流量データ（ビッグデータ）をメモリに蓄積データとして蓄積しておき、その蓄積データから予測モデル（水使用量の予測式）を学習によって構築することが必要となる。

一方、予測モデルを学習する一手法として、異種混合データの分析技術である異種混合学習（ＨＭＬ：heterogeneous mixture leaning）が知られている。その異種混合学習の一具体例として、因子化漸近ベイズ推論（ＦＡＢ：factorized asymptotic Bayesian interference）がある（例えば、非特許文献１参照）。

また、特許文献１は、最小配水量と水道管に漏洩がない場合に得られる許容漏水量とを比較し、最小配水量が許容漏水量よりも大であれば漏水有りと判定する漏水判定方法を提案している。

特開２００２−５５０１９号公報

R. Fujimaki, S. Morinaga: "Factorized Asymptotic Interference for Mixture Modeling," JMLR W&CP 22: pp. 400-408, 2012

しかしながら、単に、予測モデルを使用して得られた現在の水使用量の予測値と現在の水使用量の実測値とを比較しただけでは、配水網における漏水の状態を正確に推定することは困難である。何故なら、実際には漏水がないにも拘わらず、たままた現在の水使用量の実測値が通常値よりも急激に増大する場合もあり得るからである。従って、予測値と実測値とを比較して漏水を検知する方法においては、それがどれくらい続けば漏水と見るべきか、というパラメータを決める必要がある。このパラメータのチューニングは大変だった。

上記特許文献１は、単に、最小配水量と許容漏水量とを比較して、漏水を判定する技術を開示しているに過ぎない。

［発明の目的］
本発明の目的は、配水網の特定のエリアにおける漏水の状態を精度良く推定することができる、漏水状態推定システム、方法、および記録媒体を提供することにある。

本発明における漏水状態推定システムは、配水網の特定のエリアにおける漏水の状態を推定する漏水状態推定システムであって、特定のエリアでの過去に計測された水使用量を表す過去流量データを異常値と通常値とに切り分けるようにラベル付けしたラベル付きデータと、過去流量データの計測時点での環境状況を示す過去環境状況データとを受け、過去環境状況データを入力してラベル付きデータ内の通常値を予測するための予測モデルを学習により構築すると共に、予測モデルを使用して漏水を判定するのに必要な第１のスコアパラメータであって、どれくらいの期間確認すべきかを規定するウィンドウ幅を示す上記第１のスコアパラメータをも学習によって決定する学習部と、現在の環境状況を示す現在環境状況データを上記予測モデルに入力して得られる予測流量データと、特定のエリアで現在計測された水使用量を表す現在流量データとを比較して誤差値を求め、第１のスコアパラメータで規定されたウィンドウ幅の期間の間における、誤差値の平均値を計算して、特定のエリアでの漏水の状態を表す漏水スコアを推定する漏水推定部と、を含む。

また、本発明における漏水状態推定方法は、漏水状態推定システムを用いて、配水網の特定のエリアにおける漏水の状態を推定する方法であって、学習部において、特定のエリアでの過去に計測された水使用量を表す過去流量データを異常値と通常値とに切り分けるようにラベル付けしたラベル付きデータと、過去流量データの計測時点での環境状況を示す過去環境状況データとを受け、過去環境状況データを入力したラベル付きデータ内の通常値を予測するための予測モデルを学習により構築すると共に、上記予測モデルを使用して漏水を判定するのに必要な第１のスコアパラメータであって、どれくらいの期間確認すべきかを規定するウィンドウ幅を示す上記第１のスコアパラメータをも学習によって決定する学習工程と、漏水推定部において、現在の環境状況を示す現在環境状況データを上記予測モデルに入力して得られる予測流量データと、特定のエリアで現在計測された水使用量を表す現在流量データとを比較して誤差値を求め、第１のスコアパラメータで規定されたウィンドウ幅の期間の間における、誤差値の平均値を計算して、特定のエリアでの漏水の状態を表す漏水スコアを推定する漏水推定工程と、を含む。

さらに、本発明におけるコンピュータ読み取り可能な記録媒体は、コンピュータに、配水網の特定のエリアにおける漏水の状態を推定させるための漏水状態推定プログラムを記録したコンピュータ読み取り可能な記録媒体であって、上記コンピュータに、特定のエリアでの過去に計測された水使用量を表す過去流量データを異常値と通常値とに切り分けるようにラベル付けしたラベル付きデータと、過去流量データの計測時点での環境状況を示す過去環境状況データとを受け、過去環境状況データを入力してラベル付きデータ内の通常値を予測するための予測モデルを学習により構築すると共に、上記予測モデルを使用して漏水を判定するのに必要な第１のスコアパラメータであって、どれくらいの期間確認すべきかを規定するウィンドウ幅を示す第１のスコアパラメータをも学習によって決定する学習手順と、現在の環境状況を示す現在環境状況データを上記予測モデルに入力して得られる予測流量データと、特定のエリアで現在計測された水使用量を表す現在流量データとを比較して誤差値を求め、第１のスコアパラメータで規定されたウィンドウ幅の期間の間における、誤差値の平均値を計算して、特定のエリアでの漏水の状態を表す漏水スコアを推定する漏水推定手順と、を実行させるための漏水状態推定プログラムを記録する。

本発明によれば、配水網の特定のエリアにおける漏水の状態を精度良く推定することができる。

本発明の実施形態に係る漏水状態推定システムが適用される、上水道の配水網の一例を示す概略図である。 本発明の一実施形態に係る漏水状態推定システムのハードウェア構成を示すブロック図である。 図２に示した漏水状態推定システムに使用される出力装置の表示画面上に表示された可視化例を示す図である。 図２に示した漏水状態推定システム中の主な構成要素を示すブロック図である。 図２に示した漏水状態推定システム中の３つの主要構成要素を示すブロック図である。 図５に示した漏水状態推定システムの概略動作を説明するためのブロック図である。 図６に示した学習部の動作を説明するためのフローチャートである。 図７に示したステップＳ１０３の動作をさらに詳細に説明するためのフローチャートである。 図６に示した漏水推定部の動作を説明するためのフローチャートである。 図２に示した漏水状態推定システムに使用される学習部の主な構成要素を示すブロック図である。 図１０に示した学習部に使用される学習器モジュールの動作を説明するためのフローチャートである。 図１０に示した学習部に使用される予測器モジュールの動作を説明するためのフローチャートである。 図１０に示した学習部に使用される評価器モジュールの動作を説明するためのフローチャートである。 図１０に示した学習部においてスコアパラメータを最適化する動作を説明するためのフローチャートである。

図１は、本発明の実施形態に係る漏水状態推定システムが適用される、上水道の配水網１０の一例を示す概略図である。

図１に示されるように、上水道の配水網１０は、ＤＭＡ（District Meter Area）と呼ばれる小さなエリアに分割される。図１に示す例では、配水網１０は、「ＤＭＡ１」〜「ＤＭＡ７」としてそれぞれ図示された、第１乃至第７のエリア１２−１〜１２−７に分割されている。換言すれば、配水網１０は、互いに隣接した複数のＤＭＡ（ＤＭＡ１〜ＤＭＡ７）から成る。各ＤＭＡは、「監視エリア」や「計測エリア」或いは単に「エリア」とも呼ばれる。

図１に示されるように、各監視エリア１２−１〜１２−７の出入口には、ＤＭＡ流量計１４や、流量計及び圧力調整バルブ（ＰＲＶ）１６などの流量センサが配置される。したがって、これらの流量センサ１４、１６を用いて各監視エリア１２−１〜１２−７に／から流入／流出する水の流量［リットル／秒］を計測することによって、各監視エリア１２−１〜１２−７での単位時間当たりの水使用量［リットル／時］を把握することができる。

[実施の形態]
図２は、本発明の一実施形態に係る漏水状態推定システム１００のハードウェア構成を示すブロック図である。図示の漏水状態推定システム１００は、プログラム制御により動作するコンピュータで実現可能である。

図示の漏水状態推定システム１００は、図１に示されるような配水網１０の特定のエリアにおける漏水の状態を推定するシステムである。ここで、特定のエリアは、第１乃至第７の監視エリア１２−１〜１２−７の各々であってよい。この場合、漏水状態推定システム１００は、各監視エリア１２−１〜１２−７毎に、漏水の状態を推定することになる。ここで、漏水推定システム１００が各監視エリア１２−１〜１２−７に対して実施する漏水の状態を推定する処理は、実質的に同じである。したがって、以下では説明を簡略化するために、漏水状態推定システム１００が特定の１つの監視エリア（本例では、第１の監視エリア１２−１）における漏水の状態を推定する場合についてのみ説明する。

尚、特定のエリアは、互いに隣接する複数の監視エリアの集合であってもよいし、配水網１０の全エリアであってもよい。

漏水状態推定システム１００は、通信インターフェイス（以下、「通信Ｉ／Ｆ」と記す）１０１と、データを入力する入力装置１０２と、データを出力する出力装置１０３と、後述するプログラムやデータを記憶する記憶装置１０４と、データを処理するデータ処理装置１０５とを備えている。

通信Ｉ／Ｆ１０１は、専用のデータ通信回路から成る。通信Ｉ／Ｆ１０１は、通信ネットワーク（図示せず）を介してまたは無線により受信したデータを、データ処理装置１０５へ送出する機能を有する。入力装置１０２は、キーボードやマウスなどから成る。入力装置１０２は、オペレータの操作を検出して、その操作情報をデータ処理装置１０５へ送出する機能を有する。

通信Ｉ／Ｆ１０１は、第１の監視エリア（特定のエリア）１２−１の出入口に設けられた流量センサ１４、１６で測定された水の流量［リットル／秒］を示す流量データを、通信ネットワーク（図示せず）を介して又は無線で受信する。測定された流量データは、データ処理装置１０５へ送出される。

また、通信Ｉ／Ｆ１０１は、たとえば気象庁で発表された、当該第１の監視エリア１２−１の気候情報を、インターネット等（図示せず）を介して受信する。その代わりに、オペレータが入力装置１０２から第１の監視エリア１２−１の気候情報を入力してもよい。ここで、気候情報は、第１の監視エリア１２−１における気温や湿度などの情報、雨や晴れ曇りなどの気象情報を含む。受信又は入力された気候情報は、データ処理装置１０５へ送出される。

さらに、通信Ｉ／Ｆ１０１は、インターネット等（図示せず）を介してカレンダ情報を受信する。その代わりに、オペレータが入力装置１０２からカレンダ情報を入力してもよい。ここで、カレンダ情報は、年／月／日を示す情報および曜日（祝日の区別を含む）を示す情報を含む。受信又は入力されたカレンダ情報は、データ処理装置１０５へ送出される。

気候情報やカレンダ情報は、第１の監視エリア１２−１の環境状況を示す。従って、気候情報およびカレンダ情報の組み合わせは、第１の監視エリア１２−１の環境状況を示す環境状況データと呼ばれる。

出力装置１０３は、ＬＣＤ（Liquid Crystal Display）やＰＤＰ（Plasma Display Panel）などの表示装置やプリンタからなる。出力装置１０３は、データ処理装置１０５からの指示に応じて、操作メニューなどの各種情報を表示したり、最終結果を印字出力する機能を有する。

記憶装置１０４は、ハードディスクやリードオンリメモリ（ＲＯＭ）およびランダムアクセスメモリ（ＲＡＭ）などのメモリからなる。記憶装置１０４は、データ処理装置１０５における各種処理に必要な処理情報（後述する）やプログラム２０１を記憶する機能を有する。

データ処理装置１０５は、ＭＰＵ（micro processing unit）などのマイクロプロセッサや中央処理装置（ＣＰＵ）から成る。データ処理装置１０５は、記憶装置１０４からプログラム２０１を読み込んで、プログラム２０１に従ってデータを処理する各種処理部を実現する機能を有する。

データ処理装置１０５で実現される主な処理部は、水使用量計算部３０１、環境状況保存部３０２、ラベル付け部３０３、学習部３０４、および漏水推定部３０５から成る。

水使用量計算部３０１は、通信Ｉ／Ｆ１０１を介して流量センサ１４、１６で計測された、第１の監視エリア１２−１に流入する水の流量［リットル／秒］を示す流入流量データと、第１の監視エリア１２−１から流出する水の流量［リットル／秒］を示す流出流量データとを受ける。これら流入流量データや流出流量データは、たとえば、１５分間隔の離散サンプルデータであってもよいし、時系列の連続したデータであってもよい。水使用量計算部３０１は、流入流量データから流出流量データを引いてその差を求め、その差を所定時間（本例では、１時間）積算又は積分して、第１の監視エリア（特定のエリア）１２−１での単位時間当たりの水使用量［リットル／時］を求める。

水使用量計算部３０１は、その特定のエリア１２−１で現在計測された水使用量［リットル／時］を表す現在流量データ２０２を、記憶装置１０４に保存するする。したがって、現在流量データ２０２は所定時間（一時間）ごとに更新される。また、水使用量計算部３０１は、所定時間（一時間）ごとに、更新前の現在流量データ２０２を、過去流量データ２０３として記憶装置１０４に保存する。従って、過去流量データ２０３も所定時間ごとに更新される。現在流量データ２０２および過去流量データ２０３は、時刻［時］が付されたデータである。過去流量データ２０３は、たとえば、過去８年分（２００７年〜１０１４年）のデータからなる。

環境状況保存部３０２は、通信Ｉ／Ｆ１０１を介して受信した又は入力装置１０２から入力した、第１の監視エリア１２−１の気候情報およびカレンダ情報を環境状況データとして受ける。環境状況保存部３０２は、第１の管理エリア（特定のエリア）１２−１における現在の環境状況を示す現在環境状況データ２０４を、記憶装置１０４に保存する。現在環境状況データ２０４も所定時間（一時間）ごとに更新される。現在環境状況データ２０４は、現在カレンダ情報と現在天候情報とから成る。

また、環境状況保存部３０２は、所定時間（一時間）ごとに、更新前の現在環境状況データ２０４を、過去環境状況データ２０５として記憶装置１０４に保存する。従って、過去環境状況データ２０５も所定時間（一時間）ごとに更新される。過去環境状況データ２０５は、過去流量データ２０３の計測時点での環境状況を示す。過去環境状況データ２０５は、対応する過去流量データ２０３と紐付けて記憶装置１０４に保存される。過去環境状況データ２０５は、過去カレンダ情報と過去天候情報とから成る。過去環境状況データ２０５も、たとえば、過去８年分（２００７年〜２０１４年）のデータからなる。

ラベル付け部３０３は、記憶装置１０４から過去流量データ２０３を読み込み、過去流量データ２０３を漏水のある異常値と漏水のない通常値とに切り分けるようにラベル付けする。換言すれば、ラベル付け部３０３は、過去流量データ２０３に漏水ラベルを付与する。ラベル付け部３０３は、付与した漏水ラベルを漏水情報２０６として記憶装置１０４に保存する。漏水情報２０６は、漏水のある日のリスト（異常値のリスト）と、通常の流量である日のリスト（通常値のリスト）とから成る。過去流量データ２０３と漏水情報２０６との組み合わせはラベル付きデータ（２０３，２０６）と呼ばれる。したがって、ラベル付き部３０３は、過去環境状況データ２０４を参照して、過去流量データ２０３からラベル付きデータ（２０３，２０６）を生成するように働く。尚、異常値と通常値との切り分けは、種々の既知の方法を使用して行うことができる。例えば、ナイトラインフロー法と呼ばれる方法がある。これは、夜間（例えば、午前２時から午前４時）に水を使用するユーザはほとんどいないため、夜間の流量データは一定になるべきである、という仮説に基づく方法である。つまり、ある日付の流量が異常値であるか通常値であるかを比較するために、その日の前後３０日の夜間の最小流量を算出する。そして、夜間の流量と、この最小流量を比較し、ある閾値を超えている場合に、異常値として判断する方法である。あるいは、別の修理データなどデータを元に切り分けを行っても良い。修理データとは、例えば、日付、修理実施日、修理前流量、修理後流量から成るデータである。このデータを元に、修理前の流量Aを異常状態での流量、修理後の流量を通常状態での流量Bとし、例えば、A+B/2よりも流量が大きい期間を異常値、そうでない期間を通常値、として切り分けを行うことが考えられる。

学習部３０４は、記憶装置１０４からラベル付きデータ（２０３，２０６）と過去環境状況データ２０５とを読み出す。学習部３０４は、過去環境状況データ２０５を入力してラベル付きデータ（２０３，２０６）の通常値を予測するための予測モデル（水使用量の予測式）２０７を学習により構築する。学習部３０４は、構築した予測モデル２０７を記憶装置１０４に保存する。

本例では、予測モデル２０７を使用して漏水を判定するのに必要なスコアパラメータとして、２種類のスコアパラメータを使用する。ここでは、これら２種類のスコアパラメータを第１および第２のスコアパラメータＴ、αと呼ぶ。第１のスコアパラメータＴは、どれくらいの期間確認すべきかを規定するウィンドウ幅を示す。第２のスコアパラメータαは、予測値と実測値との間の乖離がどれくらい大きければ漏水と見るべきかを規定する閾値を示す。

これら第１および第２のスコアパラメータＴ、αの内、少なくとも第１のスコアパラメータＴには複数の候補があるので、その中から最適なものを選択することが好ましい。換言すれば、第２のスコアパラメータαとしては、固定値のものを使用してもよいが、第１のスコアパラメータＴだけは最適なものを選択することが望ましい。

尚、本発明の実施形態に係る漏水状態推定システム１００では、第１および第２のスコアパラメータＴ、αの各々には複数の候補が存在し、その候補の中から最適なものを選択する。学習部３０４は、これら候補スコアパラメータ２０８を作成して、記憶装置１０４に保存する。

詳述すると、本実施形態では、学習部３０４は、第１のスコアパラメータＴとして、複数の第１の候補スコアパラメータから１つの第１の最適なスコアパラメータを選択して取得している。また、学習部３０４は、第２のスコアパラメータαとして、複数の第２の候補スコアパラメータから１つの第２の最適なスコアパラメータを選択して取得している。学習部３０４は、このように選択された最適なスコアパラメータ２０９を記憶装置１０４に保存する。

漏水推定部３０５は、記憶装置１０４から予測モデル２０７と現在環境状況データ２０４とを読み出す。漏水推定部３０５は、現在環境状況データ２０４を予測モデル２０７に入力して予測流量データ２１０を得る。漏水推定部３０５は、予測流量データ２１０を記憶装置１０４に保存する。

次に、漏水推定部３０５は、記憶装置１０４から予測流量データ２１０と現在流量データ２０２とを読み出す。漏水推定部２０５は、予測流量データ２１０と現在流量データ２０２とを比較して、誤差値（予測誤差）を求める。漏水推定部３０５は、記憶装置１０４から最適なスコアパラメータ２０９を読み出す。漏水推定部２０５は、最適なスコアパラメータ２０９を用いて誤差値（予測誤差）から、第１の監視エリア（特定のエリア）１２−１での漏水の状態を表す漏水スコア２１１を推定する。

詳述すると、漏水推定部３０５は、先ず、予測流量データ２０１０（予測値）と現在流量データ２０２（実測値）との間の誤差値（予測誤差）と第２のスコアパラメータαで規定された閾値とを比較して、２値化することによりヒンジ変換誤差値を得る。次に、漏水推定部３０５は、第１のスコアパラメータＴで規定されたウィンドウ幅の期間の間における、上記ヒンジ変換誤差値の平均値を計算して、そのヒンジ変換誤差値の平均値を、第１の監視エリア（特定のエリア）１２−１での漏水の状態を表す漏水スコア２１１として出力する。

漏水推定部３０５は、漏水スコア２１１を記憶装置１０４に保存すると共に、漏水スコア２１０を出力装置１０３へ送出して、表示または印字出力させる。

ここで、「漏水スコア」とは、第１の監視エリア（特定のエリア）１２−１で漏水が起きている確率であって、０〜１の間の値をとる。０の値の漏水スコアは、第１の監視エリア（特定のエリア）１２−１で漏水が全く起きていないことを示す。１の値の漏水スコアは、第１の監視エリア（特定のエリア）１２−１で漏水が確実に起きていることを示す。したがって、ユーザは、出力装置１０３に出力された漏水スコアに基づいて、第１の監視エリア（特定のエリア）１２−１で漏水が起きているか否かを判断することができる。

尚、漏水が起きているか否かを判断するための閾値は、ユーザにおいて独自に設定することが可能である。例えば、閾値を０．７に設定したとする。この場合、漏水スコアが０．７より小さい場合、ユーザは第１の監視エリア（特定のエリア）１２−１で漏水が起きていないと判断する。一方、漏水スコアが０．７を超えた場合、ユーザは第１の監視エリア（特定のエリア）１２−１で漏水が起きていると判断する。漏水スコア２１１が上記閾値以上の場合に、漏水推定部３０５はユーザにアラームを通知する。

その際、漏水推定部３０５は、図３に示すように、出力装置１０３の表示画面上に、漏水スコア２１１を、第１のスコアパラメータＴと第２のスコアパラメータαとの関係が分かるように、予測流量データ２１０の時系列の値（予測値）と現在流量データ２０２の時系列の値（実測値）と共に、可視化して出力する。図３において、網掛けの部分は、予測値と実測値との間の乖離（予測誤差）が第２のスコアパラメータα以上の範囲を示している。これにより、ユーザが漏水の開始タイミング等を直観的に理解することができる、という効果がある。

尚、図２に示した漏水状態推定システム１００は、２つ以上の物理的に分離した装置が有線または無線で接続されることにより構成されていても良い。

図４は、図２に示した漏水状態推定システム１００中の主な構成要素を示すブロック図である。

漏水状態推定システム１００は、主な構成要素として、ラベル付け部３０３と、学習部３０４と、漏水推定部３０５とを有する。

ラベル付け部３０３は、過去流量データ２０３と、過去カレンダ情報および過去天候情報を含む過去環境状況データ２０５とを受ける。ラベル付け部３０３は、過去流量データ２０３を異常値と通常値とに切り分けて、過去流量データ２０３に漏水ラベルを付与する。ラベル付け部３０３は、過去流量データ２０３と漏水ラベルを示す漏水情報２０６とから成るラベル付きデータ（２０３、２０６）を学習部３０４へ送出する。

学習部３０４は、ラベル付きデータ（２０３、２０６）の中の通常値を予測する予測モデル２０７を学習により構築する。学習部３０４は、過去流量データ２０３の計測値と予測モデル２０７によって得られた予測値とに基づいて、漏水スコアを判定する最適なスコアパラメータ２０９を学習する。学習部３０４は、学習した予測モデル２０７と最適なスコアパラメータ２０９とを漏水推定部３０５へ送出する。

漏水推定部３０５は、現在流量データ２０２と、現在カレンダ情報および現在天候情報を含む現在環境状況データ２０５とを受ける。漏水推定部３０５は、現在環境状況データ２０５を予測モデル２０７に入力して、現在水使用量の予測値である予測流量データ２１０を算出する。そして、漏水推定部３０５は、その予測値（予測流量データ）２１０と、実計測した現在水使用量の実測値（現在流量データ）２０２と、最適なスコアパラメータ２０９とに基づいて、漏水スコア２１１を算出する。

図５は、図２に示した漏水推定システム１００中の３つの主要構成要素を示すブロック図である。

漏水推定システム１００は、３つの主要構成要素として、ラベル付け部３０３と、学習部３０４と、漏水推定部３０５とを含む。
ラベル付け部３０３は、過去流量データ２０３における漏水を識別する。学習部３０４は、予測モデル２０７を訓練すると共に、漏水推定部３０５で使用されるスコアパラメータ２０９を調整する。漏水推定部３０５は漏水スコア２１１を算出する。

図６は、図５に示した漏水状態推定システム１００の概略動作を説明するためのブロック図である。

最初に、ラベル付け部３０３の動作について説明する。ラベル付け部３０３は、記憶装置１０４から過去流量データ２０３を読み出す。過去流量データ２０３は、特定のエリア１２−１において計測した過去水使用量データである。ラベル付け部３０３は、過去流量データ２０２に、異常値と通常値とに切り分けた漏水ラベルである漏水情報２０６を付与する。この漏水情報２０６は、漏水のあった日のリストと、通常に流れている日のリストとから成る。ラベル付け部３０３は、漏水情報２０６を記憶装置１０４に保存する。

次に、学習部３０４の動作について説明する。学習部３０４は、記憶装置１０４から過去流量データ２０３と漏水情報２０６とを読み出す。学習部３０４は、過去流量データ２０３と漏水情報２０６とから、通常値を予測する予測モデル２０７を学習によって構築する。また、学習部３０４は、漏水推定部３０５で使用される最適なスコアパラメータ２０９を選択する。学習部３０４は、予測モデル２０７と最適なスコアパラメータ２０９とを記憶装置１０４に保存する。

最後に、漏水推定部３０５の動作について説明する。漏水推定部３０５は、記憶装置１０４から予測モデル２０７と最適なスコアパラメータ２０９とを読み出す。また、漏水推定部３０５は、記憶装置１０４から現在流量データ２０２を読み出す。現在流量データ２０２は、チェックするための現在水使用量データである。漏水推定部３０５は、予測モデル２０７に現在環境状況データ２０４（図２参照）を入力して得られる予測値（予測流量データ）２１０と、実測値（現在流量データ）２０２とを比較して誤差値（予測誤差）を求める。引き続いて、漏水推定部３０５は、その誤差値（予測誤差）から最適なスコアパラメータ２０９を使用して、特定のエリア１２−１での漏水の状態を表す漏水スコア２１１を推定する。

図７は、学習部３０４の動作を説明するためのフローチャートである。以下、図７を参照して、学習部３０４の動作について説明する。

先ず、学習部３０４は、記憶装置１０４から入力データを読み込む（ステップＳ１０１）。ここで、入力データは、過去流量データと、ラベル付きデータである。

次に、学習部３０４は、候補スコアパラメータ２０８を生成する（ステップＳ１０２）。詳述すると、学習部３０４は、次の第１および第２のスコアパラメータＴ、αを変更することによって組み合わせを生成する。

例えば、予め設定されたT、αが以下である場合、
Ｔ＝［６，１２，２４］
α＝［０．７，０．９．１．１］
次のような組み合わせが生成される。
（T, α）= (６, ０．７), (６, ０．９), (６, １．１), (１２, ０．７), (１２, ０．９), (１２, １．１), (２４, ０．７), (２４, ０．９), (２４, １．１),

ここで、第１のスコアパラメータＴの数字の値の単位は、［時間］である。学習部３０４では、これらの組み合わせを、候補スコアパラメータ２０８として使用する。

次に、学習部３０４は、予測モデル２０７を訓練し、最適なスコアパラメータ２０９を選択する（ステップＳ１０３）。

図８を参照して、このステップＳ１０３の動作について更に詳細に説明する。

学習部３０４は、まず、流量データを事前処理する（ステップＳ２０１）。詳述すると、異常値を排除するため、あらかじめ定義された最大値・最小値との比較を行い、その範囲内にないデータは間引く。また、学習部３０４は、学習特徴を生成する。ここで、学習特徴は、時間、月、平日、休日である。

次に、学習部３０４は、予め定義された学習期間のサンプルを使用して予測モデル２０７を生成する（ステップＳ２０２）。すなわち、学習部３０４は、すべての学習期間に対して予測モデル２０７を生成する。詳述すると、学習部３０４は、通常の流量データから予測モデル２０７を訓練する。学習部３０４は、異種混合学習（ＨＭＬ）を用いて学習特徴から、流量データを予測する予測モデル２０７を生成する。次に、学習部３０４は、予測モデル２０７から通常の流量（通常値）を予測する。

ここで、異種混合学習とは、通常時（漏水が起こっていないと仮定した場合）の水使用量を予測する予測モデルを学習するための数ある手法のうちの一例である。異種混合学習技術は、上記非特許文献１に記載されているように、多種多様なデータに混在するデータ同士の関連性から、特定の規則性を自動で発見するとともに、分析するデータに応じて参照する規則を切り替える。これにより、“単一の規則性のみを発見して、それを参照するような従来の機械学習”では分析が困難であった「規則性が変化するデータ」でも高精度な予測や異常検出が可能になる。

次に、学習部３０４は、予め定義されたパラメータ選択期間のデータを用いて最適なスコアパラメータの組を選択する（ステップＳ２０３）。このステップＳ２０３では、学習部３０４は、まず、すべての候補スコアパラメータの組に対して評価スコアを計算する。詳述すると、学習部３０４は、すべての候補スコアパラメータの組に対して評価スコアを計算する。次に、学習部３０４は、最大の評価スコアを持つスコアパラメータの組を最適なスコアパラメータ２０９として選択する。

図７に戻って、学習部３０４は、予め定義された最終学習期間のデータを用いて最終的な予測モデル２０７を訓練する（ステップＳ１０４）。詳述すると、学習部３０４は、最新のデータに対して予測モデル２０７を訓練する。そして、学習部３０４は、予測モデル２０７を記憶装置１０４（図２参照）に保存する。

最後に、学習部３０４は、結果を出力する（ステップＳ１０５）。詳述すると、学習部３４０は、最終的な予測モデル２０７と最適なスコアパラメータ２０９を記憶装置１０４（図２参照）に保存する。

図９は、漏水推定部３０５の動作を説明するためのフローチャートである。以下、図９を参照して、漏水推定部３０５の動作について説明する。

先ず、漏水推定部３０５は、現在の環境状況を示す現在環境状況データ２０４を予測モデル２０７に入力して、予測流量データ（予測値）２１０を得て、その予測流量データ２１０を記憶装置１０４に保存する（ステップＳ３０１）。

次に、漏水推定部３０５は、記憶装置１０４から流量の予測値（予測流量データ）２１０と実測値（現在流量データ）２０２とを読み出す（ステップＳ３０２）。ここでは、予測モデルが１つあるとする。

引き続いて、漏水推定部３０５は、予測値２１０と実測値２０２との間の誤差値（予測誤差）と第２の最適なスコアパラメータαとを比較して２値化することにより、次の式（１）のように、ヒンジ変換（Hinge Transform）誤差値を得る（ステップＳ３０３）。

ここで、ｙ（ｔ）は実測値を表し、ｙ_ｉ（ｔ）は予測値を表す。

次に、漏水推定部３０５は、次の式（２）に従って、第１の最適なスコアパラメータＴで規定されたウィンドウ幅の期間の間、ヒンジ変換誤差値のすべてを加算して、その結果を正規化して、漏水スコアscore(t)を得る（ステップＳ３０４）。

上述したように、本実施の形態に係る漏水状態推定システム１００では、過去流量データ２０３を事前にラベル付けしておくことで、漏水時の異常値を省いた予測モデル２０７を構築することができる。そのため、予測値（予測流量データ）２１０の精度が良くなるという利点がある。

また、本実施の形態に係る漏水状態推定システム１００では、過去流量データ２０３を事前にラベル付けしておくことで、漏水時とそうでない場合とを切り分けるための種々のスコアパラメータα、Ｔを自動的にチューニングすることができる。

図１０は、図２に示した漏水状態推定システム１００に使用される学習部３０４の主な構成要素を示すブロック図である。

学習部３０４は、主な構成要素として、学習器モジュール４０１と、予測器モジュール４０２と、スコアラモジュール４０３と、評価器モジュール４０４とを有する。

最初に、図１１を参照して、学習器モジュール４０１の動作について説明する。

先ず、学習器モジュール４０１は、非漏水データ（ｘ、ｙ）を受ける（ステップＳ４０１）。ここで、Ｙは流量を示し、Ｘは月、時間、平日、および休日の特徴を含む。次に、学習器モジュール４０１は、異種混合学習器を呼び出し、予測モデルを構築する（ステップＳ４０２）。最後に、学習器モジュール４０１は、予測モデルをダンプする（ステップＳ４０３）。

次に、図１２を参照して、予測器モジュール４０２の動作について説明する。

先ず、予測器モジュール４０２は、非漏水データ（ｘ）を受ける（ステップＳ５０１）。ここで、Ｘは月、時間、平日および休日の特徴を含む。次に、予測器モジュール４０２は、予測器を呼び出す（ステップＳ５０２）。最後に、予測器モジュール４０２は、予測流量データ２１０（図２参照）を得る（ステップＳ５０３）。

スコアラモジュール４０３は、図９を参照して説明した漏水推定部３０５の動作と実質的に同じ動作をするので、その詳細な説明を省略する。漏水推定部３０５とスコアラモジュール４０３との間の相違点は次の通りである。

まず、漏水推定部３０５には、入力データとして、現在流量データ２０２と現在カレンダ情報および現在天候情報を含む現在環境状況データ２０４とが供給されるのに対して、スコアラモジュール４０３には、入力データとして、過去流量データ２０３と過去カレンダ情報および過去天候情報を含む過去環境状況データ２０５とが供給される。また、漏水推定部３０５では、第１および第２のスコアパラメータとして第１および第２の最適なスコアパラメータ２０９を使用しているのに対して、スコアラモジュール４０３では、第１および第２のスコアパラメータとして第１および第２の候補スコアパラメータ２０８を使用している。

次に、図１３を参照して、評価器モジュール４０４の動作について説明する。

先ず、評価器モジュール４０４は、スコアラモジュール４０３からスコアと記憶装置１０４から漏水情報２０６としての漏水のあった日のリストと、を受ける（ステップＳ６０１）。次に、評価器モジュール４０４は、入力スコアに対してＭＡＰ（Mean Average Precision）を計算する（ステップＳ６０２）。ＭＡＰとは、検索結果などのランキングに対する評価指標である。ＭＡＰは、あるアイテムの集合に対するランキングと、N個の正解アイテム集合が与えられており、 正解アイテムiについて、ランキング上の順位をrank[i] (ただし、i<j ならばrank[i]<rank[j]となるようソートされている)とするとき、以下の式で計算される。

ここでは、入力スコアの降順で日付をランキングした、日付の集合に対するMAPを計算するために、漏水が発生した日付を正解としてみたMAPを計算する。

すなわち、MAPは、以下の手順で算出される。
１．スコアラモジュール４０３から得たスコアの降順で各日付をソートし、日付についてのランキングを生成する。
２．漏水のあった日それぞれについて、１のランキング上の順位を参照し、リスト化する。
３．２の順位のリストを降順でソートし、長さNの配列rankとして見て、上記の式によりMAPを算出する。

図１４は、学習部３０４におけるスコアパラメータを最適化する動作（Ｓ２０３）を説明するためのフローチャートである。以下、図１４を参照して、スコアパラメータを最適化する動作について説明する。スコアパラメータの最適化は、学習部３０４のスコアラモジュール４０３と評価器モジュール４０４とを用いて行われる。

まず、学習部３０４は、変数counterを０に初期化する（ステップＳ８０１）。次に、学習部３０４は、スコアラモジュール４０３を使用してスコアを計算する（ステップＳ８０２）。引き続いて、学習部３０４は、図１３に示す評価器モジュール４０４の動作を行う（ステップＳ８０３）。

次に、学習部３０４は、現在のMAPが以前のMAPより大きいかを判断する（ステップＳ８０４）。もし、現在のMAPが以前のMAPより大きくないなら（ステップＳ８０４のｎｏ）、学習部３０４は、ステップＳ８０２に戻る。もし、現在のMAPが以前のMAPより大きいなら（ステップＳ８０４のｙｅｓ）、学習部３０４は、最適なスコアパラメータを更新する（ステップＳ８０５）。

次に、学習部３０４は、変数counterがスコアパラメータリストの長さより小さいかを判断する（ステップＳ８０６）。もし、変数counterがスコアパラメータリストの長さより小さいなら（ステップＳ８０６のｙｅｓ）、変数counterを１つインクリメントして（ステップＳ８０７）、ステップＳ８０２に戻る。一方、もし、変数counterがスコアパラメータリストの長さより小さくないなら（ステップＳ８０６のＮｏ）、学習部３０４は動作を終了する。

本実施形態に係る漏水状態推定システム１００の各部は、ハードウェアとソフトウェアとの組み合わせを用いて実現すればよい。ハードウェアとソフトウェアとを組み合わせた形態では、ＲＯＭに記憶された漏水状態推定プログラムに基づいて制御部（ＣＰＵ）等のハードウェアを動作させることによって、各部を各種手段として実現する。また、該漏水状態推定プログラムは、記録媒体に記録されて頒布されても良い。当該記録媒体に記録された漏水状態推定プログラムは、有線、無線、又は記録媒体そのものを介して、メモリに読込まれ、制御部等を動作させる。尚、記録媒体を例示すれば、オプティカルディスクや磁気ディスク、半導体メモリ装置、ハードディスクなどが挙げられる。

このような構成の本実施形態に係る漏水状態推定システム１００は、配水網１０の特定のエリア１２−２における漏水の状態を精度良く推定することができる。

なお、上述の実施形態において、実施形態の処理は、プログラム、ソフトウェア、又はコンピュータによって実行されることが可能な命令でコード化された、コンピュータ読み取り可能な記憶媒体に格納された情報を、コンピュータにインストールすることによって実行されてもよい。記憶媒体には、光ディスク、フロッピー（登録商標）ディスク、ハードディスク等の可搬型の記録媒体が含まれることはもとより、ネットワークのようにデータを一時的に記録保持するような伝送媒体も含まれる。

［変形例］
以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

例えば、上述した実施形態では、環境状況データとしてカレンダ情報と天候情報とを例に挙げて説明しているが、環境状況データはこれら情報には限定されず、たとえば、特定のエリアに居住する人の人口情報等の情報を含んでも良い。

また、上述した実施形態では、学習として異種混合学習を例に挙げて説明しているが、学習はこれに限定されず、たとえば、線形回帰学習等の他の学習であってもよい。

上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。

（付記１）
配水網の特定のエリアにおける漏水の状態を推定する漏水状態推定システムであって、
前記特定のエリアでの過去に計測された水使用量を表す過去流量データを異常値と通常値とに切り分けるようにラベル付けしたラベル付きデータと、前記過去流量データの計測時点での環境状況を示す過去環境状況データとを受け、前記過去環境状況データを入力して前記ラベル付きデータ内の前記通常値を予測するための予測モデルを学習により構築すると共に、前記予測モデルを使用して漏水を判定するのに必要な第１のスコアパラメータであって、どれくらいの期間確認すべきかを規定するウィンドウ幅を示す前記第１のスコアパラメータをも学習によって決定する学習部と、
現在の環境状況を示す現在環境状況データを前記予測モデルに入力して得られる予測流量データと、前記特定のエリアで現在計測された水使用量を表す現在流量データとを比較して誤差値を求め、前記第１のスコアパラメータで規定された前記ウィンドウ幅の期間の間における、前記誤差値の平均値を計算して、前記特定のエリアでの漏水の状態を表す漏水スコアを推定する漏水推定部と、
を含む漏水状態推定システム。

（付記２）
前記学習部は、前記第１のスコアパラメータとして、複数の第１の候補スコアパラメータの中から第１の最適なスコアパラメータを選択して取得する、付記１に記載の漏水状態推定システム。

（付記３）
前記学習部は、前記予測モデルを使用して漏水を判定するのに必要な第２のスコアパラメータであって、前記予測流量データと前記現在流量データとの間の乖離がどれくらい大きければ漏水と見るべきかを規定する閾値を示す前記第２のスコアパラメータをも学習によって決定し、
前記漏水推定部は、前記誤差値と前記第２のスコアパラメータで規定された前記閾値とを比較して、２値化してヒンジ変換誤差値を得て、前記特定のエリアでの漏水の状態を表す漏水スコアを推定する、
付記２に記載の漏水状態推定システム。

（付記４）
前記学習部は、前記第２のスコアパラメータとして、複数の第２の候補スコアパラメータの中から第２の最適なスコアパラメータを選択して取得する、付記３に記載の漏水状態推定システム。

（付記５）
前記過去流量データに、前記異常値と前記通常値とに切り分ける漏水ラベルを付与して、該漏水ラベルを示す漏水情報と前記過去流量データとの組み合わせを前記ラベル付きデータとして生成するラベル付け部
を更に有する付記１に記載の漏水状態推定システム。

（付記６）
前記過去環境状況データは、過去カレンダ情報と過去天候情報とを含み、
前記現在環境状況データは、現在カレンダ情報と現在天候情報とを含む、
付記１に記載の漏水状態推定システム。

（付記７）
前記学習が異種混合学習からなる、付記１に記載の漏水状態推定システム。

（付記８）
前記漏水スコアを、前記第１のスコアパラメータと前記第２のスコアパラメータとの関係が分かるように、前記予測流量データの時系列の値と前記現在流量データの時系列の値と共に、可視化して出力する出力装置を更に有する、付記３に記載の漏水状態推定システム。

（付記９）
漏水状態推定システムを用いて、配水網の特定のエリアにおける漏水の状態を推定する方法であって、
学習部において、前記特定のエリアでの過去に計測された水使用量を表す過去流量データを異常値と通常値とに切り分けるようにラベル付けしたラベル付きデータと、前記過去流量データの計測時点での環境状況を示す過去環境状況データとを受け、前記過去環境状況データを入力してラベル付きデータ内の通常値を予測するための予測モデルを学習により構築すると共に、前記予測モデルを使用して漏水を判定するのに必要な第１のスコアパラメータであって、どれくらいの期間確認すべきかを規定するウィンドウ幅を示す前記第１のスコアパラメータをも学習によって決定する学習工程と、
漏水推定部において、現在の環境状況を示す現在環境状況データを前記予測モデルに入力して得られる予測流量データと、前記特定のエリアで現在計測された水使用量を表す現在流量データとを比較して誤差値を求め、前記第１のスコアパラメータで規定された前記ウィンドウ幅の期間の間における、前記誤差値の平均値を計算して、前記特定のエリアでの漏水の状態を表す漏水スコアを推定する漏水推定工程と、
を含む漏水状態推定方法。

（付記１０）
前記学習工程では、前記学習部が、前記第１のスコアパラメータとして、複数の第１の候補スコアパラメータの中から第１の最適なスコアパラメータを選択して取得する、付記９に記載の漏水状態推定システム。

（付記１１）
前記学習工程では、前記学習部が、前記予測モデルを使用して漏水を判定するのに必要な第２の候補スコアパラメータであって、前記予測流量データと前記現在流量データとの間の乖離がどれくらい大きければ漏水と見るべきかを規定する閾値を示す前記第２のスコアパラメータをも学習によって決定し、
前記漏水推定工程では、前記漏水推定部が、前記誤差値と前記第２のスコアパラメータで規定された前記閾値とを比較して、２値化してヒンジ変換誤差値を得て、前記特定のエリアでの漏水の状態を表す漏水スコアを推定する、
付記１０に記載の漏水状態推定方法。

（付記１２）
前記学習工程では、前記学習部が、前記第２のスコアパラメータとして、複数の第２の候補スコアパラメータの中から第２の最適なスコアパラメータを選択して取得する、付記１１に記載の漏水状態推定システム。

（付記１３）
ラベル付け部において、前記過去流量データに、前記異常値と前記通常値とに切り分ける漏水ラベルを付与して、該漏水ラベルを示す漏水情報と前記過去流量データとの組み合わせを前記ラベル付きデータとして生成するラベル付け工程
を更に含む付記９に記載の漏水状態推定方法。

（付記１４）
前記過去環境状況データは、過去カレンダ情報と過去天候情報とを含み、
前記現在環境状況データは、現在カレンダ情報と現在天候情報とを含む、
付記９に記載の漏水状態推定方法。

（付記１５）
前記学習が異種混合学習からなる、付記９に記載の漏水状態推定方法。

（付記１６）
出力装置において、前記漏水スコアを、前記第１のスコアパラメータと前記第２のスコアパラメータとの関係が分かるように、前記予測流量データの時系列の値と前記現在流量データの時系列の値と共に、可視化して出力する可視化工程を更に含む、付記１１に記載の漏水状態推定方法。

（付記１７）
コンピュータに、配水網の特定のエリアにおける漏水の状態を推定させるための漏水状態推定プログラムを記録したコンピュータ読み取り可能な記録媒体であって、前記コンピュータに、
前記特定のエリアでの過去に計測された水使用量を表す過去流量データを異常値と通常値とに切り分けるようにラベル付けしたラベル付きデータと、前記過去流量データの計測時点での環境状況を示す過去環境状況データとを受け、前記過去環境状況データを入力して前記ラベル付きデータ内の前記通常値を予測するための予測モデルを学習により構築すると共に、前記予測モデルを使用して漏水を判定するのに必要な第１のスコアパラメータであって、どれくらいの期間確認すべきかを規定するウィンドウ幅を示す前記第１のスコアパラメータをも学習によって決定する学習手順と、
現在の環境状況を示す現在環境状況データを前記予測モデルに入力して得られる予測流量データと、前記特定のエリアで現在計測された水使用量を表す現在流量データとを比較して誤差値を求め、前記第１のスコアパラメータで規定された前記ウィンドウ幅の期間の間における、前記誤差値の平均値を計算して、前記特定のエリアでの漏水の状態を表す漏水スコアを推定する漏水推定手順と、
を実行させるための漏水状態推定プログラムを記録したコンピュータ読み取り可能な記録媒体。

（付記１８）
前記学習手順は、前記コンピュータに、前記第１のスコアパラメータとして、複数の第１の候補スコアパラメータの中から第１の最適なスコアパラメータを選択して取得させる、付記１７に記載の漏水状態推定プログラムを記録したコンピュータ読み取り可能な記録媒体。

（付記１９）
前記学習手順は、前記コンピュータに、前記予測モデルを使用して漏水を判定するのに必要な第２のスコアパラメータであって、前記予測流量データと前記現在流量データとの間の乖離がどれくらい大きければ漏水と見るべきかを規定する閾値を示す前記第２のスコアパラメータをも学習によって決定させ、
前記漏水推定手順は、前記コンピュータに、前記誤差値と前記第２のスコアパラメータで規定された前記閾値とを比較して、２値化してヒンジ変換誤差値を得て、前記特定のエリアでの漏水の状態を表す漏水スコアを推定させる、
付記１８に記載の漏水状態推定プログラムを記録したコンピュータ読み取り可能な記録媒体。

（付記２０）
前記学習手順は、前記コンピュータに、前記第２のスコアパラメータとして、複数の第２の候補スコアパラメータの中から第２の最適なスコアパラメータを選択して取得させる、付記１９に記載の漏水状態推定プログラムを記録したコンピュータ読み取り可能な記録媒体。

（付記２１）
前記コンピュータに、前記過去流量データに、前記異常値と前記通常値とに切り分ける漏水ラベルを付与して、該漏水ラベルを示す漏水情報と前記過去流量データとの組み合わせを前記ラベル付きデータとして生成するラベル付け手順
を更に実行させる付記１７に記載の漏水状態推定プログラムを記録したコンピュータ読み取り可能な記録媒体。

（付記２２）
前記過去環境状況データは、過去カレンダ情報と過去天候情報とを含み、
前記現在環境状況データは、現在カレンダ情報と現在天候情報とを含む、
付記１７に記載の漏水状態推定プログラムを記録したコンピュータ読み取り可能な記録媒体。

（付記２３）
前記学習が異種混合学習からなる、付記１７に記載の漏水状態推定プログラムを記録したコンピュータ読み取り可能な記録媒体。

（付記２４）
前記コンピュータに、前記漏水スコアを、前記第１のスコアパラメータと前記第２のスコアパラメータとの関係が分かるように、前記予測流量データの時系列の値と前記現在流量データの時系列の値と共に、可視化して出力する可視化手順
を更に実行させる付記１９に記載の漏水状態推定プログラムを記録したコンピュータ読み取り可能な記録媒体。

本発明は、上水道管中を流れる水の漏れ検知ばかりでなく、ガス管中を流れるガスの漏れ検知や、その他の配管中を流れる液体や気体などの流体の漏れ検知などといった用途に適用可能である。

この出願は、２０１５年５月１３日に出願された米国仮出願６２／１６０，７４３を基礎とする優先権を主張し、その開示のすべてをここに取り込む。

１０ 配水網
１２−１ 監視エリア（特定のエリア；ＤＭＡ）
１２−２〜１２−６ 監視エリア（ＤＭＡ）
１４ ＤＭＡ流量計（流量センサ）
１６ 流量計及び圧力調整バルブ（流量センサ）
１００ 漏水状態推定システム
１０１ 通信Ｉ／Ｆ
１０２ 入力装置
１０３ 出力装置
１０４ 記憶装置
１０５ データ処理装置
２０１ プログラム
２０２ 現在流量データ（実測値）
２０３ 過去流量データ
２０４ 現在環境状況データ
２０５ 過去環境状況データ
２０６ 漏水情報
２０７ 予測モデル（水使用量の予測式）
２０８ 候補スコアパラメータ
２０９ 最適なスコアパラメータ
２１０ 予測流量データ（予測値）
２１１ 漏水スコア
３０１ 水使用量計算部
３０２ 環境状況保存部
３０３ ラベル付け部
３０４ 学習部
３０５ 漏水推定部
４０１ 学習器モジュール
４０２ 予測器モジュール
４０３ スコアラモジュール
４０４ 評価器モジュール

Claims (10)

1. 配水網の特定のエリアにおける漏水の状態を推定する漏水状態推定システムであって、
   前記特定のエリアでの過去に計測された水使用量を表す過去流量データを異常値と通常値とに切り分けるようにラベル付けしたラベル付きデータと、前記過去流量データの計測時点での環境状況を示す過去環境状況データとを受け、前記過去環境状況データを入力して前記ラベル付きデータ内の前記通常値を予測するための予測モデルを学習により構築すると共に、前記予測モデルを使用して漏水を判定するのに必要な第１のスコアパラメータであって、どれくらいの期間確認すべきかを規定するウィンドウ幅を示す前記第１のスコアパラメータをも学習によって決定する学習部と、
   現在の環境状況を示す現在環境状況データを前記予測モデルに入力して得られる予測流量データと、前記特定のエリアで現在計測された水使用量を表す現在流量データとを比較して誤差値を求め、前記第１のスコアパラメータで規定された前記ウィンドウ幅の期間の間における、前記誤差値の平均値を計算して、前記特定のエリアでの漏水の状態を表す漏水スコアを推定する漏水推定部と、
   を含む漏水状態推定システム。
2. 前記学習部は、前記第１のスコアパラメータとして、複数の第１の候補スコアパラメータの中から第１の最適なスコアパラメータを選択して取得する、請求項１に記載の漏水状態推定システム。
3. 前記学習部は、前記予測モデルを使用して漏水を判定するのに必要な第２のスコアパラメータであって、前記予測流量データと前記現在流量データとの間の乖離がどれくらい大きければ漏水と見るべきかを規定する閾値を示す前記第２のスコアパラメータをも学習によって決定し、
   前記漏水推定部は、前記誤差値と前記第２のスコアパラメータで規定された前記閾値とを比較して、２値化してヒンジ変換誤差値を得て、前記特定のエリアでの漏水の状態を表す漏水スコアを推定する、
   請求項２に記載の漏水状態推定システム。
4. 前記学習部は、前記第２のスコアパラメータとして、複数の第２の候補スコアパラメータの中から第２の最適なスコアパラメータを選択して取得する、請求項３に記載の漏水状態推定システム。
5. 前記過去流量データに、前記異常値と前記通常値とに切り分ける漏水ラベルを付与して、該漏水ラベルを示す漏水情報と前記過去流量データとの組み合わせを前記ラベル付きデータとして生成するラベル付け部
   を更に有する請求項１に記載の漏水状態推定システム。
6. 前記過去環境状況データは、過去カレンダ情報と過去天候情報とを含み、
   前記現在環境状況データは、現在カレンダ情報と現在天候情報とを含む、
   請求項１に記載の漏水状態推定システム。
7. 前記学習が異種混合学習からなる、請求項１に記載の漏水状態推定システム。
8. 前記漏水スコアを、前記第１のスコアパラメータと前記第２のパラメータとの関係が分かるように、前記予測流量データの時系列の値と前記現在流量データの時系列の値と共に、可視化して出力する出力装置を更に有する、請求項３に記載の漏水状態推定システム。
9. 漏水状態推定システムを用いて、配水網の特定のエリアにおける漏水の状態を推定する方法であって、
   学習部において、前記特定のエリアでの過去に計測された水使用量を表す過去流量データを異常値と通常値とに切り分けるようにラベル付けしたラベル付きデータと、前記過去流量データの計測時点での環境状況を示す過去環境状況データとを受け、前記過去環境状況データを入力して前記ラベル付きデータ内の前記通常値を予測するための予測モデルを学習により構築すると共に、前記予測モデルを使用して漏水を判定するのに必要な第１のスコアパラメータであって、どれくらいの期間確認すべきかを規定するウィンドウ幅を示す前記第１のスコアパラメータをも学習によって決定する学習工程と、
   漏水推定部において、現在の環境状況を示す現在環境状況データを前記予測モデルに入力して得られる予測流量データと、前記特定のエリアで現在計測された水使用量を表す現在流量データとを比較して誤差値を求め、前記第１のスコアパラメータで規定された前記ウィンドウ幅の期間の間における、前記誤差値の平均値を計算して、前記特定のエリアでの漏水の状態を表す漏水スコアを推定する漏水推定工程と、
   を含む漏水状態推定方法。
10. コンピュータに、配水網の特定のエリアにおける漏水の状態を推定させるための漏水状態推定プログラムを記録したコンピュータ読み取り可能な記録媒体であって、前記コンピュータに、
    前記特定のエリアでの過去に計測された水使用量を表す過去流量データを異常値と通常値とに切り分けるようにラベル付けしたラベル付きデータと、前記過去流量データの計測時点での環境状況を示す過去環境状況データとを受け、前記過去環境状況データを入力して前記ラベル付きデータ内の前記通常値を予測するための予測モデルを学習により構築すると共に、前記予測モデルを使用して漏水を判定するのに必要な第１のスコアパラメータであって、どれくらいの期間確認すべきかを規定するウィンドウ幅を示す前記第１のスコアパラメータをも学習によって決定する学習手順と、
    現在の環境状況を示す現在環境状況データを前記予測モデルに入力して得られる予測流量データと、前記特定のエリアで現在計測された水使用量を表す現在流量データとを比較して誤差値を求め、前記第１のスコアパラメータで規定されたウィンドウ幅の期間の間における、前記誤差値の平均値を計算して、前記特定のエリアでの漏水の状態を表す漏水スコアを推定する漏水推定手順と、
    を実行させるための漏水状態推定プログラムを記録したコンピュータ読み取り可能な記録媒体。

Images