WO2021157481A1 - 情報処理装置、表示装置、情報処理方法、及びプログラム - Google Patents

情報処理装置、表示装置、情報処理方法、及びプログラム Download PDF

Info

Publication number
WO2021157481A1
WO2021157481A1 PCT/JP2021/003245 JP2021003245W WO2021157481A1 WO 2021157481 A1 WO2021157481 A1 WO 2021157481A1 JP 2021003245 W JP2021003245 W JP 2021003245W WO 2021157481 A1 WO2021157481 A1 WO 2021157481A1
Authority
WO
WIPO (PCT)
Prior art keywords
meteorological
model
unit
prediction
index value
Prior art date
Application number
PCT/JP2021/003245
Other languages
English (en)
French (fr)
Inventor
栄一 吉川
Original Assignee
国立研究開発法人宇宙航空研究開発機構
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 国立研究開発法人宇宙航空研究開発機構 filed Critical 国立研究開発法人宇宙航空研究開発機構
Priority to US17/791,716 priority Critical patent/US20230022975A1/en
Publication of WO2021157481A1 publication Critical patent/WO2021157481A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D45/00—Aircraft indicators or protectors not otherwise provided for
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D43/00—Arrangements or adaptations of instruments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/16—Measuring atmospheric potential differences, e.g. due to electrical charges in clouds
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D45/00—Aircraft indicators or protectors not otherwise provided for
    • B64D45/02—Lightning protectors; Static dischargers

Definitions

  • the present invention relates to an information processing device, a display device, an information processing method, and a program.
  • This application claims priority based on Japanese Patent Application No. 2020-020156 filed on February 7, 2020, the contents of which are incorporated herein by reference.
  • Aircraft operations are roughly divided into a cruise phase and a takeoff and landing phase, and individual weather information support technology is used for each phase.
  • Information using a lightning monitoring system called LIGEN (LIghtning DEtection Network system) operated by the Japan Meteorological Agency is widely used as lightning weather information support in the cruising phase.
  • LIGEN LIghtning DEtection Network system
  • cruising aircraft are more likely to take evasive action, and lightning strikes during the cruising phase are less common.
  • Patent Documents 1 and 2 A technique for quantitatively detecting the threat of lightning in relation to the lightning strike of such an aircraft is known (see, for example, Patent Documents 1 and 2).
  • the present invention has been made in consideration of such circumstances, and an object of the present invention is to provide an information processing device, a display device, an information processing method, and a program capable of predicting a threat of lightning in the future. Let's do it.
  • One aspect of the present invention is to provide at least one of meteorological observation data representing the weather at a target point observed at each of a plurality of observation times and meteorological prediction data representing the weather at the target point predicted by a weather prediction model.
  • An index value indicating the degree of lightning threat at the target point at each of the plurality of observation times based on the acquisition unit to be acquired and at least one of the meteorological observation data and the meteorological prediction data acquired by the acquisition unit.
  • the threat of lightning in the future can be predicted.
  • FIG. 1 is a diagram showing an example of the configuration of the information processing system 1 according to the embodiment.
  • the information processing system 1 includes, for example, a weather observation device 10, a weather prediction device 20, and an information processing device 100. These devices are connected to the network NW.
  • the network NW is, for example, WAN (Wide Area Network) or LAN (Local Area Network).
  • the meteorological observation device 10 observes the weather at the target point using various sensors such as a weather radar and a radiosonde, and generates data representing the observation results (hereinafter referred to as meteorological observation data).
  • Target points are, for example, airports and their vicinity, aircraft navigation routes and their vicinity.
  • the meteorological observation device 10 may be installed on or near the premises of the airport where the aircraft takes off and land, or may be mounted on the aircraft.
  • Meteorological observation data includes physical quantities representing atmospheric conditions such as echo intensity (precipitation intensity), Doppler velocity (wind speed), wind direction, temperature, and humidity.
  • the physical quantity may be associated with each of the plurality of grids.
  • the grid may be divided into square grids at intervals of 5 [km] or 20 [km], for example.
  • the meteorological prediction device 20 predicts the future weather of the target point from the meteorological observation data generated by the meteorological observation device 10 based on, for example, a meteorological prediction model (also referred to as a numerical weather prediction model), and represents the prediction result.
  • Generate data hereinafter referred to as weather prediction data.
  • the meteorological prediction data may include physical quantities similar to those included in the meteorological observation data, such as echo intensity (precipitation intensity), Doppler velocity (wind speed), wind direction, temperature, and humidity. Similar to the meteorological observation data, the physical quantity in the meteorological prediction data may be associated with each of a plurality of grids that divide the observation space.
  • the information processing device 100 may be installed on the premises of an airport or may be mounted on an aircraft, for example.
  • the information processing device 100 acquires the meteorological observation data from the meteorological observation device 10 and the meteorological prediction data from the meteorological prediction device 20 via the network NW. Then, the information processing apparatus 100 predicts the threat of future lightning that may hit the aircraft based on either one or both of the acquired meteorological observation data and the meteorological prediction data.
  • the information processing device 100 is an example of a “display device”.
  • the information processing device 100 may be a single device, or may be a system in which a plurality of devices connected via a network NW operate in cooperation with each other. That is, the information processing device 100 may be realized by a plurality of computers (processors) included in a system using distributed computing or cloud computing.
  • FIG. 2 is a diagram showing an example of the configuration of the information processing device 100 according to the embodiment.
  • the information processing device 100 includes, for example, a communication unit 102, a display unit 104, a control unit 110, and a storage unit 130.
  • the display unit 104 is an example of an “output unit”.
  • the communication unit 102 includes, for example, a NIC (Network Interface Card), a wireless communication module including a receiver and a transmitter, and the like.
  • the communication unit 102 communicates with the weather observation device 10, the weather prediction device 20, and other external devices via the network NW.
  • NIC Network Interface Card
  • the display unit 104 is a user interface that displays various types of information.
  • the display unit 104 displays an image generated by the control unit 110.
  • the display unit 104 may display a GUI (Graphical User Interface) for receiving various input operations from users (for example, airport staff, pilots, etc.).
  • GUI Graphic User Interface
  • the display unit 104 is an LCD (Liquid Crystal Display), an organic EL (Electroluminescence) display, or the like.
  • the control unit 110 includes, for example, an acquisition unit 112, a derivation unit 114, a prediction unit 116, a model update unit 118, and an output control unit 120.
  • the output control unit 120 is an example of a “display control unit”.
  • the component of the control unit 110 is realized by, for example, a processor such as a CPU (Central Processing Unit) or a GPU (Graphics Processing Unit) executing a program stored in the storage unit 130.
  • a processor such as a CPU (Central Processing Unit) or a GPU (Graphics Processing Unit) executing a program stored in the storage unit 130.
  • Some or all of the components of the control unit 110 may be realized by hardware such as LSI (Large Scale Integration), ASIC (Application Specific Integrated Circuit), or FPGA (Field-Programmable Gate Array), or software. And may be realized by the cooperation of hardware.
  • the storage unit 130 is realized by, for example, an HDD (Hard Disc Drive), a flash memory, an EEPROM (Electrically Erasable Programmable Read Only Memory), a ROM (Read Only Memory), a RAM (Random Access Memory), or the like.
  • Various programs such as firmware and application programs are stored in the storage unit 130.
  • the storage unit 130 stores threat degree data D1, prediction model data D2, adjustment model data D3, and the like. These various data will be described later.
  • FIG. 3 is a flowchart showing an example of a flow of a series of processes of the information processing apparatus 100 according to the embodiment. The processing of this flowchart may be repeated, for example, at a predetermined cycle.
  • the information processing device 100 is realized by a plurality of computers included in a system utilizing distributed computing or cloud computing, a part or all of the processing of this flowchart may be processed in parallel by the plurality of computers.
  • the acquisition unit 112 acquires the weather observation data from the weather observation device 10 and the weather prediction data from the weather prediction device 20 via the communication unit 102 (step S100).
  • the acquisition unit 112 may acquire only one of the meteorological observation data and the meteorological prediction data.
  • the derivation unit 114 determines the degree of lightning threat at the target point (near the airport or navigation route) at the observation time based on one or both of the meteorological observation data and the meteorological prediction data acquired by the acquisition unit 112.
  • An index value (hereinafter referred to as a threat degree) to be shown is derived (step S102).
  • the observation time may be the time when the meteorological observation device 10 observes the weather at the target point, or may be the future time when the meteorological prediction device 20 predicts the weather at the target point from the meteorological observation data.
  • the derivation unit 114 determines the threat of lightning at the target point at time A based on one or both of the meteorological observation data and the weather prediction data at time A. Derivation of degree.
  • the threat level is, for example, "low value (0.00 to 0.33)", “medium value (0.33 to 0.66)", and “high value (0.66 to 1.00)". As such, it may be a discrete numerical value.
  • the maximum value of the threat level is not limited to 1, and may be any value.
  • the out-licensing unit 114 uses the method described in Patent Document 2 to determine the probability that an aircraft landing or passing at a target point will be hit by lightning, the time loss caused by the lightning strike (for example, delay time of operation), and economic efficiency.
  • the loss (for example, the degree of damage to the aircraft, the cost of restoration, etc.) is derived as the degree of threat.
  • the derivation unit 114 uses a certain function f (x) to derive the probability of occurrence of lightning, time loss, economic loss, etc. as the threat level of lightning.
  • the degree of threat of lightning may be read as the degree of influence on human economic activity when an aircraft is hit by lightning.
  • the function f (x) may include a bias component.
  • the weight coefficient and bias component are at least two, for example, based on the meteorological observation data and meteorological prediction data observed when the aircraft was actually hit by lightning, and the time loss and economic loss caused by the lightning strike. It may be determined by the multiplication method or the like.
  • the function f (x) may be implemented by a neural network as described in Patent Document 2.
  • the derivation unit 114 inputs to the function f (x) a multidimensional vector or tensor having each physical quantity included in the meteorological observation data or the meteorological prediction data as an element as an explanatory variable x, and the function thereof.
  • the value output by f is derived as the threat level of lightning.
  • the derivation unit 114 derives the lightning threat level of each grid from the physical quantities associated with each of the plurality of grids.
  • the derivation unit 114 stores the threat degree derived for each grid in the storage unit 130 as threat degree data D1.
  • FIG. 4 is a diagram showing an example of threat degree data D1.
  • the threat level data D1 may be data in which a table in which the threat level of lightning is associated with each grid exists for each observation time.
  • the prediction unit 116 determines whether or not the number of times the lightning threat level has been derived by the out-licensing unit 114 has reached a predetermined number of times (step S104). For example, if the predetermined number of times is 10 and the derivation unit 114 has already derived the threat level of lightning from meteorological observation data of 10 different observation times, the prediction unit 116 derives the threat level. It is determined that the number of times has reached the predetermined number of times.
  • the prediction unit 116 sets the number of times the threat degree is derived to the predetermined number of times. Judge that it has not been reached.
  • the process returns to S100.
  • the meteorological observation data and the meteorological prediction data at the observation time are sequentially acquired until the number of times the threat degree is derived reaches a predetermined number, and the threat degree of lightning is derived from the meteorological observation data and the meteorological prediction data each time.
  • the prediction unit 116 determines that the number of times the threat degree has been derived has reached a predetermined number of times, the prediction unit 116 predicts the degree of lightning threat at the target point at a future time from the plurality of threat degrees derived over the predetermined number of times.
  • the future time referred to here is a time later than any observation time such as meteorological observation data acquired over a predetermined number of times in order to derive the threat degree of lightning. For example, when meteorological observation data and meteorological prediction data are sequentially acquired at time t 1 , t 2 , t 3 , ..., T 10 , the future time will be time t 11 or later than time t 10. it may be a time t 12, and the like.
  • the prediction unit 116 predicts the threat level of lightning at a target point at a future time from a plurality of threat levels derived over a predetermined number of times by using the prediction model MDL1 defined by the prediction model data D2. ..
  • FIG. 5 is an example of the prediction model MDL1.
  • the prediction model MDL1 may be an autoregressive model that returns the future threat level using the past and present threat levels that are time series data.
  • the autoregressive model can be expressed by the mathematical formula (1).
  • I t (i) in represents a threat score at time t of a grid i
  • I t + 1 (i) represents a CR at time t + 1 after the grid i
  • a (i) represents the weighting coefficient of the grid i
  • b (i) represents the bias component of the grid i.
  • the autoregressive model for all grids can be expressed by mathematical formulas (2) and (3).
  • Vectors shall be represented by symbols ( ⁇ ).
  • N in formula (3) represents the total number of grids.
  • a ( ⁇ ) represents a matrix that is a set of weighting coefficients a of each grid from 0 to N
  • b ( ⁇ ) represents a matrix that is a set of bias components b of each grid from 0 to N.
  • the prediction model data D2 may define, for example, a polynomial function of an autoregressive model, matrices A ( ⁇ ) and b ( ⁇ ), which are a set of coefficients of the function, as the prediction model MDL1.
  • the prediction unit 116 displays time-series data in which the threat levels of the past times t -3 , t -2 , and t -1 and the threat levels of the current time t 0 are arranged in time series. Input to the autoregressive model represented by formula (3). As a result, the autoregressive model outputs the threat level of lightning at the target point at a future time such as time t + 1 and t + 2. The prediction unit 116 predicts the future threat of lightning at the target point based on the threat level output by the autoregressive model.
  • the output control unit 120 causes the display unit 104 to display information representing the threat level predicted by the prediction unit 116, or a terminal device (for example,) that can be used by airport staff via the communication unit 102. It is displayed on the display of a tablet terminal, a laptop computer, etc.) or the cockpit of an aircraft (step S108).
  • FIG. 6 to 8 are diagrams showing an example of a screen that displays the threat level at each time of time t1 to t3 and does not display the prediction result of the future threat level
  • FIG. 9 shows the prediction result of the threat level. It is a figure which shows an example of the displayed screen.
  • the threat level of lightning in each grid is replaced with pixel values such as brightness, saturation, and hue.
  • the screen illustrated in FIG. 6 shows that the threat level of lightning on any grid is low at time t1 when the aircraft is navigating at a position sufficiently distant from the airport (grid Gx).
  • a pilot or an airport controller may determine that he / she can land at the airport without deviating from the original navigation route and decide to continue the navigation.
  • the screen illustrated in FIG. 7 shows that the threat level of lightning around the grid Gx where the airport is located is higher than that of other grids at time t2 when the aircraft is closer to the airport than at time t1.
  • the pilot or the airport controller determines that the aircraft can land at the airport without deviating from the original navigation route, although the risk of lightning strike is higher than the time t1 and sails. Can be decided to continue.
  • the screen illustrated in FIG. 8 shows that the threat level of lightning around the grid Gx where the airport is located is higher than that at time t2 at time t3 when the aircraft is in the landing attitude around the airport. If such a screen is displayed, for example, pilots and airport controllers are at higher risk of lightning than time t2, so they may deviate from the original navigation route and land at another airport, or the weather may change. You may decide to continue flying over the sky until it turns around. However, depending on the surrounding traffic flow conditions (airspace congestion, etc.) and aircraft conditions (residual fuel, etc.), the avoidance route cannot be selected, and even in a weather environment where lightning can occur, landing is unavoidable. There is.
  • a screen that can be displayed at time t3 (a screen of the predicted threat level) is displayed. Pilots and airport controllers can be given sufficient leeway to make appropriate navigation route choices.
  • the output control unit 120 determines whether or not the end condition is satisfied (step S110), and if it is determined that the end condition is satisfied, the process of this flowchart ends.
  • the termination conditions include, for example, requesting the information processing device 100 to stop the processing by an airport staff member, a pilot, or the like, a time zone in which aircraft flight is prohibited (for example, a midnight time zone), and an information processing device. It may include that the aircraft has left the observation space where 100 can predict the threat of lightning, and so on.
  • the acquisition unit 112 receives the meteorological observation data of the meteorological observation device 10 in the observation corresponding to the time when the threat level of lightning is predicted by the prediction unit 116 (hereinafter referred to as the predicted time). And the meteorological prediction data of the meteorology predicted by the meteorological prediction device 20 using the meteorological observation data (step S112).
  • the derivation unit 114 derives the threat level of the target point at the predicted time based on one or both of the meteorological observation data and the meteorological prediction data at the predicted time acquired by the acquisition unit 112 (step S114).
  • the model update unit 118 has at least one of the meteorological observation data and the meteorological observation data of the predicted time acquired by the acquisition unit 112 in the processing of S114, and a time earlier than the predicted time acquired by the acquisition unit 112 in the processing of S100.
  • the prediction model MDL1 is updated based on at least one of the meteorological observation data and the meteorological observation data at the observation time (step S116). Then, the model update unit 118 returns the process to S106, and repeatedly updates the prediction model MDL1 until the end condition is satisfied.
  • the model update unit 118 calculates the difference between the threat degree predicted by the prediction unit 116 in the processing of S106 and the threat degree derived by the derivation unit 114 in the processing of S114.
  • the model update unit 118 uses the adjustment model MDL2 defined by the adjustment model data D3 to use the parameters of the prediction model MDL1.
  • the matrix A ( ⁇ ) of the weighting coefficient and the matrix b ( ⁇ ) of the bias component are updated (determined).
  • the model update unit 118 rewrites the prediction model data D2 of the storage unit 130 with the data redefining the updated prediction model MDL1.
  • FIG. 10 is an example of the adjustment model MDL2.
  • the adjustment model MDL2 is input with a plurality of meteorological observation data and a plurality of meteorological observation data acquired during the period from a certain observation time in the past to a predicted time (for example, the current observation time). And, it is a model trained to output the matrices A ( ⁇ ) and b ( ⁇ ) of the prediction model MDL1.
  • Such an adjustment model MDL2 may be implemented by various models such as a neural network, a support vector machine, a regularized regression, a random forest, and a Gaussian process regression.
  • the adjustment model MDL2 will be described as being implemented by a neural network.
  • the adjustment model data D3 contains, for example, connection information on how units included in each of a plurality of layers constituting the neural network are connected to each other, and connection information. It contains various information such as the coupling coefficient given to the data input / output between the units.
  • the connection information includes, for example, information such as the number of units included in each layer, information for specifying the type of unit to which each unit is connected, the activation function of each unit, and the gate provided between the units of the hidden layer.
  • the activation function may be, for example, a rectified linear function (ReLU function), a sigmoid function, a step function, or other function.
  • the gate selectively passes or weights the data transmitted between the units, for example, depending on the value returned by the activation function (eg 1 or 0).
  • the coupling coefficient includes, for example, a weight given to the output data when data is output from a unit of a certain layer to a unit of a deeper layer in a hidden layer of a neural network.
  • the coupling coefficient may include a bias component peculiar to each layer.
  • the adjustment model MDL2 is sufficiently learned based on, for example, teacher data.
  • the teacher data is a data set in which correct parameters to be output by the adjustment model MDL2 are associated with input data such as meteorological observation data and / or meteorological observation data as a teacher label (also referred to as a target).
  • the adjustment model MDL2 reduces the weight of the meteorological observation data and / or the meteorological observation data at the older observation time among the plurality of meteorological observation data and / or the meteorological observation data included as input data in the teacher data.
  • the weight of the meteorological observation data and / or the meteorological observation data at the new observation time may be increased for learning.
  • the prediction model MDL1 outputs the future threat level and it can be considered that the prediction of the prediction model MDL1 is wrong from the output result
  • the parameters of the prediction model MDL1 are used by using the well-learned adjustment model MDL2. Repeat updating. This makes it possible to accurately predict the future threat of lightning at the target point while sequentially adapting the prediction model MDL1 to the ever-changing meteorological environment.
  • 11 to 13 are diagrams for schematically explaining a method of updating the prediction model MDL1.
  • the "observed value” in the figure represents the threat level derived by the derivation unit 114, and the “predicted value” represents the threat level predicted by the prediction unit 116.
  • the weather observation data and weather forecast data of the time t 1 is derived at time t 1
  • the weather observation data and weather forecast data for the time t 2 is derived from the meteorological data and weather forecast data of the time t 3
  • the threat of I 3 are led at the time t 3.
  • three threat levels I 1 , I 2 , and I 3 are input to the prediction model MDL 1 as time series data.
  • the prediction model MDL 1 outputs the threat level I 4 # at a time t 4 in the future from the time t 3.
  • the parameter of the prediction model MDL1 may be an initial value.
  • the predicted value of CR is output by the predictive model MDL1, further, the weather observation data and weather forecast data of the prediction time t 4 is newly obtained, the model updating section 118,
  • the meteorological observation data and the meteorological prediction data from time t 2 to time t 4 are input to the trained (trained) adjustment model MDL2.
  • Adjustment model MDL2 when the weather observation data and weather forecast data from time t 2 to time t 4 is input, and outputs the a parameter of the prediction model MDL1 matrix A ( ⁇ ) and b ( ⁇ ).
  • the model update unit 118 updates the prediction model MDL1 based on the parameters output by the adjustment model MDL2.
  • the weather observation data and weather forecast data of the prediction time t 4 is newly acquired from the meteorological data and weather forecast data for the time t 4, the CR I 4 at time t 4 Newly derived.
  • the prediction unit 116 further adds the threat level I 4 newly derived at time t 4 to the prediction model MDL 1 with updated parameters. Input as one time series data.
  • the prediction model MDL1 outputs the threat level I 5 # at a time t 5 in the future from the time t 4. In this way, while predicting the threat level of lightning at the next future time, the prediction model MDL1 is updated using the meteorological observation data and the meteorological prediction data obtained at the future time.
  • the information processing device 100 acquires meteorological observation data and meteorological prediction data at a plurality of observation times.
  • the information processing device 100 derives the threat level of lightning at a target point at each of a plurality of observation times based on at least one of the acquired meteorological observation data and meteorological prediction data.
  • the information processing device 100 inputs the derived threat level to the prediction model MDL1 that outputs the future threat level, and observes based on the output result of the prediction model MDL1. Predict the threat of lightning at the target point at a time later than the time.
  • the pilot of the aircraft can take evasive action based on the prediction result of the threat of lightning, and the economic loss and the time loss due to the lightning can be reduced.
  • the information processing apparatus 100 updates the parameters of the prediction model MDL1 based on at least one of the weather observation data and the weather prediction data acquired after the time when the threat degree of lightning is predicted. Therefore, it is possible to accurately predict the future threat of lightning at the target point while sequentially adapting the prediction model MDL1 to the ever-changing weather environment.
  • FIG. 14 is a diagram showing an example of a map in which a plurality of target points exist.
  • P in the figure represents the target point (airport in each area).
  • the adjustment model MDL2 corresponding to each target point may be generated.
  • the adjustment model MDL2-1 of the target point P1 may be learned based on the teacher data in which the correct parameter is associated with the weather observation data and the weather prediction data of the target point P1 as a teacher label.
  • the adjustment model MDL2-2 of the target point P2 may be learned based on the teacher data in which the correct parameter is associated with the weather observation data and the weather prediction data of the target point P2 as a teacher label.
  • the adjustment model MDL2 learned according to the weather conditions of each region and switching the adjustment model MDL2 to be used for each target point the future threat of lightning at the target point can be predicted more accurately. can do.
  • 1 Information processing system, 10 ... Meteorological observation device, 20 ... Meteorological prediction device, 100 ... Information processing device, 102 ... Communication unit, 104 ... Display unit, 110 ... Control unit, 112 ... Acquisition unit, 114 ... Derivation unit, 116 ... Prediction unit, 118 ... Model update unit, 120 ... Output control unit, 130 ... Storage unit

Landscapes

  • Environmental & Geological Engineering (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

実施形態の情報処理装置は、複数の観測時刻のそれぞれにおいて観測された対象地点の気象を表す気象観測データと、気象予測モデルにより予測された対象地点の気象を表す気象予測データとの少なくとも一方を取得する取得部（１１２）と、取得部（１１２）によって取得された気象観測データ等に基づいて、複数の観測時刻のそれぞれにおける対象地点の雷の脅威の程度を示す指標値を導出する導出部（１１４）と、過去または現在の指標値が入力されると、将来の指標値を出力するモデルに、導出部（１１４）によって導出された指標値を入力し、指標値が入力されたモデルの出力結果に基づいて、観測時刻よりも将来の時刻の対象地点の雷の脅威を予測する予測部（１１６）と、を備える。

Description

情報処理装置、表示装置、情報処理方法、及びプログラム
　本発明は、情報処理装置、表示装置、情報処理方法、及びプログラムに関する。
　本願は、２０２０年２月７日に出願された日本国特許出願２０２０－０２０１５６号に基づき優先権を主張し、その内容をここに援用する。
　日本国内の航空機の運航では、年間数百件の被雷が発生している。航空機の被雷が直接重大事故につながる可能性は極めて低いものの、機体外板等に発生する損傷を修理するために年間数億円規模の費用が発生していると推算されている。更に、被雷を受けた機体の検査や応急処置には少なからず時間を要するため、小規模な損傷でもしばしば次便の遅延につながる。更に、大規模な損傷の場合は欠航に至り、運航スケジュールに大きな影響を及ぼす。
　航空機の運航は、巡航フェーズと離着陸フェーズに大別され、それぞれのフェーズに個別の気象情報支援技術が用いられる。巡航フェーズにおける雷の気象情報支援としては、気象庁が運用するＬＩＤＥＮ（LIghtning DEtection Network system）と呼ばれる雷監視システムを用いた情報が広く用いられている。更に、巡航中の航空機は回避行動をとりやすいことも合わさって、巡航フェーズの被雷はあまり発生していない。一方、被雷全体の９０［％］以上が離着陸フェーズにおいて発生していると推定される。
　このような航空機の被雷に関連して、雷の脅威を定量的に検出する技術が知られている（例えば、特許文献１、２参照）。
特開２０１０－２４１４１２号公報 特開２０１９－４５４０３号公報
　しかしながら、従来の技術では、航空機に被雷し得る将来の雷の脅威について予測できていなかった。
　本発明は、このような事情を考慮してなされたものであり、将来の雷の脅威を予測することができる情報処理装置、表示装置、情報処理方法、及びプログラムを提供することを目的の一つとする。
　本発明の一態様は、複数の観測時刻のそれぞれにおいて観測された対象地点の気象を表す気象観測データと、気象予測モデルにより予測された前記対象地点の気象を表す気象予測データとの少なくとも一方を取得する取得部と、前記取得部によって取得された前記気象観測データ及び前記気象予測データの少なくとも一方に基づいて、前記複数の観測時刻のそれぞれにおける前記対象地点の雷の脅威の程度を示す指標値を導出する導出部と、過去または現在の前記指標値が入力されると、将来の前記指標値を出力するモデルに、前記導出部によって導出された前記指標値を入力し、前記指標値が入力された前記モデルの出力結果に基づいて、前記観測時刻よりも将来の時刻の前記対象地点の雷の脅威を予測する予測部と、を備える情報処理装置である。
　本発明の一態様によれば、将来の雷の脅威を予測することができる。
実施形態に係る情報処理システムの構成の一例を示す図である。 実施形態に係る情報処理装置の構成の一例を示す図である。 実施形態に係る情報処理装置の一連の処理の流れの一例を示すフローチャートである。 脅威度データの一例を示す図である。 予測モデルの一例である。 時刻ｔ１～ｔ３の各時刻における脅威度を表示し、将来の脅威度の予測結果を表示しない画面の一例を示す図である。 時刻ｔ１～ｔ３の各時刻における脅威度を表示し、将来の脅威度の予測結果を表示しない画面の一例を示す図である。 時刻ｔ１～ｔ３の各時刻における脅威度を表示し、将来の脅威度の予測結果を表示しない画面の一例を示す図である。 脅威度の予測結果を表示した画面の一例を示す図である。 調整モデルの一例である。 予測モデルの更新方法を模式的に説明するための図である。 予測モデルの更新方法を模式的に説明するための図である。 予測モデルの更新方法を模式的に説明するための図である。 複数の対象地点が存在する地図の一例を示す図である。
　以下、図面を参照し、本発明の情報処理装置、表示装置、情報処理方法、及びプログラムの実施形態について説明する。本出願が日本語から英語に翻訳された場合、本開示全体を通して使用されるように、単数形「ａ」、「ａｎ」、および「ｔｈｅ」は、文脈が明らかにそうでないことを示していない限り、複数形のリファレンスを含むとみなしてよい。
　［情報処理システムの構成］
　図１は、実施形態に係る情報処理システム１の構成の一例を示す図である。図示のように、情報処理システム１は、例えば、気象観測装置１０と、気象予測装置２０と、情報処理装置１００とを備える。これらの装置は、ネットワークＮＷに接続される。ネットワークＮＷは、例えば、ＷＡＮ（Wide Area Network）やＬＡＮ（Local Area Network）などである。
　気象観測装置１０は、例えば、気象レーダやラジオゾンデといった種々のセンサを用いて対象地点の気象を観測し、その観測結果を表すデータ（以下、気象観測データと称する）を生成する。対象地点は、例えば、空港やその付近、航空機の航行ルートとその付近である。気象観測装置１０は、例えば、航空機が離着陸する空港の敷地内や、その付近等に設置されてもよいし、航空機に搭載されてもよい。気象観測データには、例えば、エコー強度（降水強度）や、ドップラー速度（風速）、風向、気温、湿度といった大気の状態を表す物理量が含まれる。物理量は、観測空間を複数のグリッド（メッシュともいう）で区切ったときに、それら複数のグリッドのそれぞれに対応付けられてよい。グリッドは、例えば、５［ｋｍ］や２０［ｋｍ］間隔の正方格子状に区切られてよい。
　気象予測装置２０は、例えば、気象予測モデル（数値予報モデルともいう）に基づいて、気象観測装置１０によって生成された気象観測データから、対象地点の将来の気象を予測し、その予測結果を表すデータ（以下、気象予測データと称する）を生成する。気象予測データには、例えば、エコー強度（降水強度）や、ドップラー速度（風速）、風向、気温、湿度といったように、気象観測データに含まれる物理量と同種の物理量が含まれてよい。気象予測データにおける物理量は、気象観測データと同様に、観測空間を区切った複数のグリッドのそれぞれに対応付けられてよい。
　情報処理装置１００は、例えば、空港の敷地内に設置されてもよいし、航空機内に搭載されてもよい。情報処理装置１００は、ネットワークＮＷを介して、気象観測装置１０から気象観測データを取得するとともに、気象予測装置２０から気象予測データを取得する。そして、情報処理装置１００は、取得した気象観測データ及び気象予測データのいずれか一方または双方に基づいて、航空機に被雷し得る将来の雷の脅威について予測する。情報処理装置１００は「表示装置」の一例である。
　［制御装置の構成］
　以下、情報処理装置１００の構成について説明する。情報処理装置１００は、単一の装置であってもよいし、ネットワークＮＷを介して接続された複数の装置が互いに協働して動作するシステムであってもよい。すなわち、情報処理装置１００は、分散コンピューティングやクラウドコンピューティングを利用したシステムに含まれる複数のコンピュータ（プロセッサ）によって実現されてもよい。
　図２は、実施形態に係る情報処理装置１００の構成の一例を示す図である。図示のように、情報処理装置１００は、例えば、通信部１０２と、表示部１０４と、制御部１１０と、記憶部１３０とを備える。表示部１０４は「出力部」の一例である。
　通信部１０２は、例えば、ＮＩＣ（Network Interface Card）や、受信機及び送信機を含む無線通信モジュールなどを含む。通信部１０２は、ネットワークＮＷを介して、気象観測装置１０や気象予測装置２０、その他の外部装置と通信する。
　表示部１０４は、各種の情報を表示するユーザインターフェースである。例えば、表示部１０４は、制御部１１０によって生成された画像を表示する。表示部１０４は、ユーザ（例えば空港局員やパイロット等）からの各種の入力操作を受け付けるためのＧＵＩ（Graphical User Interface）を表示してもよい。例えば、表示部１０４は、ＬＣＤ（Liquid Crystal Display）や有機ＥＬ（Electroluminescence）ディスプレイなどである。
　制御部１１０は、例えば、取得部１１２と、導出部１１４と、予測部１１６と、モデル更新部１１８と、出力制御部１２０とを備える。出力制御部１２０は「表示制御部」の一例である。
　制御部１１０の構成要素は、例えば、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）などのプロセッサが記憶部１３０に格納されたプログラムを実行することにより実現される。制御部１１０の構成要素の一部または全部は、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、またはＦＰＧＡ（Field-Programmable Gate Array）などのハードウェアにより実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。
　記憶部１３０は、例えば、ＨＤＤ（Hard Disc Drive）、フラッシュメモリ、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）などにより実現される。記憶部１３０には、ファームウェアやアプリケーションプログラムなどの各種プログラムが格納される。記憶部１３０には、プロセッサに参照されるプログラムに加えて、脅威度データＤ１や、予測モデルデータＤ２、調整モデルデータＤ３などが格納される。これらの各種データについては後述する。
　［情報処理装置の処理フロー］
　以下、フローチャートに即して情報処理装置１００の一連の処理の流れを説明する。図３は、実施形態に係る情報処理装置１００の一連の処理の流れの一例を示すフローチャートである。本フローチャートの処理は、例えば、所定の周期で繰り返し行われてよい。情報処理装置１００が、分散コンピューティングやクラウドコンピューティングを利用したシステムに含まれる複数のコンピュータによって実現される場合、本フローチャートの処理の一部または全部は、複数のコンピュータによって並列処理されてよい。
　まず、取得部１１２は、通信部１０２を介して、気象観測装置１０から気象観測データを取得するとともに、気象予測装置２０から気象予測データを取得する（ステップＳ１００）。取得部１１２は、気象観測データ及び気象予測データのいずれか一方のみを取得してもよい。
　次に、導出部１１４は、取得部１１２によって取得された気象観測データ及び気象予測データのうち一方または双方に基づいて、観測時刻における対象地点（空港近辺や航行ルート）の雷の脅威の程度を示す指標値（以下、脅威度と称する）を導出する（ステップＳ１０２）。観測時刻とは、気象観測装置１０が対象地点の気象を観測した時刻であってもよいし、気象予測装置２０が気象観測データから対象地点の気象を予測した将来の時刻であってもよい。
　例えば、対象地点の気象が、ある時刻Ａに観測された場合、導出部１１４は、時刻Ａの気象観測データ及び気象予測データのうち一方または双方に基づいて、時刻Ａにおける対象地点の雷の脅威度を導出する。
　脅威度は、例えば、「低い値（０．００～０．３３）」、「中程度の値（０．３３～０．６６）」、「高い値（０．６６～１．００）」のように、離散的な数値であってよい。脅威度の最大値は１に限られず任意の値であってよい。
　例えば、導出部１１４は、特許文献２に記載された方法で、対象地点に着陸或いは通過する航空機が被雷する確率や、被雷によって生じる時間的損失（例えば運行の遅延時間等）や経済的損失（例えば機体の損傷度や復旧費用等）を、脅威度として導出する。より具体的には、導出部１１４は、ある関数ｆ（ｘ）を用いて、被雷の生起確率や時間的損失、経済的損失などを雷の脅威度として導出する。雷の脅威度は、航空機が被雷したときに人間の経済活動に及ぼす影響度と読み替えてもよい。
　関数ｆ（ｘ）は、気象観測データや気象予測データに含まれる各物理量が説明変数ｘとして入力されると、雷の脅威度（被雷の生起確率や時間的損失、経済的損失など）を目的変数として出力する関数であり、例えば、ｆ（ｘ）＝ａ１ｘ１＋ａ２ｘ２＋…のような線形関数であってよい。ａ１やａ２は重み係数である。関数ｆ（ｘ）には、バイアス成分が含まれていてもよい。重み係数やバイアス成分は、例えば、航空機が実際に被雷したときに観測された気象観測データや気象予測データと、その被雷によって生じた時間的損失や経済的損失とに基づいて、最小二乗法等によって決定されてよい。関数ｆ（ｘ）は、特許文献２に記載されるようにニューラルネットワークによって実装されてもよい。
　このように、導出部１１４は、関数ｆ（ｘ）に対して、気象観測データや気象予測データに含まれる各物理量を要素とする多次元のベクトル或いはテンソルを説明変数ｘとして入力し、その関数ｆが出力した値を雷の脅威度として導出する。導出部１１４は、対象地点を含む観測空間が複数のグリッドで区切られている場合、それら複数のグリッドの其々に対応付けられた物理量から、各グリッドの雷の脅威度を導出する。導出部１１４は、グリッドごとに導出した脅威度を、脅威度データＤ１として記憶部１３０に記憶させる。
　図４は、脅威度データＤ１の一例を示す図である。図示のように、脅威度データＤ１は、グリッドごとに雷の脅威度が対応付けられたテーブルが観測時刻ごとに存在するデータであってよい。
　図３のフローチャートの説明に戻る。次に、予測部１１６は、導出部１１４によって雷の脅威度が導出された回数が所定回数に達したか否かを判定する（ステップＳ１０４）。例えば、所定回数が１０回であり、既に導出部１１４が、互いに異なる１０つの観測時刻の気象観測データ等から、それぞれ雷の脅威度を導出していた場合、予測部１１６は、脅威度の導出回数が所定回数に達したと判定する。一方、所定回数が１０回であり、未だ導出部１１４が１０つの観測時刻の気象観測データ等から雷の脅威度を導出していない場合、予測部１１６は、脅威度の導出回数が所定回数に達していないと判定する。
　予測部１１６は、脅威度の導出回数が所定回数に達していないと判定した場合、Ｓ１００に処理を戻す。これによって、脅威度の導出回数が所定回数に達するまで、観測時刻の気象観測データや気象予測データが順次取得され、その都度、気象観測データや気象予測データから雷の脅威度が導出される。
　予測部１１６は、脅威度の導出回数が所定回数に達したと判定した場合、所定回数に亘って導出された複数の脅威度から、将来の時刻における対象地点の雷の脅威度を予測する（ステップＳ１０６）。ここでいう将来の時刻とは、雷の脅威度を導出するために所定回数に亘って取得された気象観測データ等のいずれの観測時刻よりも将来の時刻である。例えば、時刻ｔ１、ｔ２、ｔ３、…、ｔ１０と順次気象観測データや気象予測データが取得された場合、将来の時刻は、時刻ｔ１０よりも将来の時刻ｔ１１や、それ以降の時刻ｔ１２等であってよい。
　例えば、予測部１１６は、予測モデルデータＤ２によって定義された予測モデルＭＤＬ１を用いて、所定回数に亘って導出された複数の脅威度から、将来の時刻における対象地点の雷の脅威度を予測する。
　図５は、予測モデルＭＤＬ１の一例である。図示の例のように、予測モデルＭＤＬ１は、時系列データである過去及び現在の脅威度を用いて、将来の脅威度を回帰する自己回帰モデルであってよい。例えば、自己回帰モデルは、数式（１）によって表すことができる。
Figure JPOXMLDOC01-appb-M000001
　数式（１）におけるＩｔ （ｉ）は、あるグリッドｉの時刻ｔにおける脅威度を表し、Ｉｔ＋１ （ｉ）は、グリッドｉの時刻ｔ＋１以降における脅威度を表している。ａ（ｉ）は、グリッドｉの重み係数を表し、ｂ（ｉ）は、グリッドｉのバイアス成分を表している。
　全グリッドを対象とした自己回帰モデルは、数式（２）及び（３）によって表すことができる。ベクトルについては記号（→）によって表すものとする。
Figure JPOXMLDOC01-appb-M000002
Figure JPOXMLDOC01-appb-M000003
　数式（３）におけるＮは、全グリッド数を表している。Ａ（→）は、０からＮまでの各グリッドの重み係数ａの集合である行列を表し、ｂ（→）は、０からＮまでの各グリッドのバイアス成分ｂの集合である行列を表している。予測モデルデータＤ２は、予測モデルＭＤＬ１として、例えば、自己回帰モデルの多項式関数や、その関数の係数集合である行列Ａ（→）及びｂ（→）などを定義してよい。
　図５の例では、予測部１１６は、過去の時刻ｔ－３、ｔ－２、ｔ－１の脅威度と、現在の時刻ｔ０の脅威度とを時系列に並べた時系列データを、数式（３）等に代表されるような自己回帰モデルに入力する。これによって、自己回帰モデルは、時刻ｔ＋１、ｔ＋２といった将来の時刻における対象地点の雷の脅威度を出力する。予測部１１６は、自己回帰モデルによって出力された脅威度に基づいて、対象地点における将来の雷の脅威を予測する。
　図３のフローチャートの説明に戻る。次に、出力制御部１２０は、予測部１１６によって予測された脅威度を表す情報を、表示部１０４に表示させたり、或いは、通信部１０２を介して、空港局員が利用可能な端末装置（例えばタブレット端末やラップトップパソコン等）や航空機のコックピットのディスプレイに表示させたりする（ステップＳ１０８）。
　図６から図８は、時刻ｔ１～ｔ３の各時刻における脅威度を表示し、将来の脅威度の予測結果を表示しない画面の一例を示す図であり、図９は、脅威度の予測結果を表示した画面の一例を示す図である。各図に例示する画面では、各グリッドの雷の脅威度を、輝度や彩度、色相といった画素値に置き換えている。グリッドＧｘには、航空機が着陸する空港が存在する。
　図６に例示する画面では、航空機が空港（グリッドＧｘ）から十分に離れた位置を航行している時刻ｔ１において、いずれのグリッドの雷の脅威度も低いことを表している。このような画面が表示される場合、例えば、パイロットや空港管制官は、当初の航行ルートから逸脱せずに空港に着陸できると判断し、航行を継続することを決定し得る。
　図７に例示する画面では、時刻ｔ１に比べて航空機が空港に近い時刻ｔ２において、空港が存在するグリッドＧｘ周辺の雷の脅威度が、他のグリッドに比べて高いことを表している。このような画面が表示される場合、例えば、パイロットや空港管制官は、時刻ｔ１よりも被雷の危険性が高いものの、当初の航行ルートから逸脱せずに空港に着陸できると判断し、航行を継続することを決定し得る。
　図８に例示する画面では、航空機が空港周辺で着陸姿勢を取っている時刻ｔ３において、空港が存在するグリッドＧｘ周辺の雷の脅威度が、時刻ｔ２に比べて高いことを表している。このような画面が表示される場合、例えば、パイロットや空港管制官は、時刻ｔ２よりも被雷の危険性が高いため、当初の航行ルートから逸脱して他の空港に着陸したり、天候が好転するまで上空を飛行し続けたりすることを決定し得る。しかしながら、周辺交通流の状況（空域の混雑具合など）や航空機の状況（残燃料など）によっては、回避ルートを選択できず、被雷し得る気象環境であっても着陸せざるを得ない場合がある。
　これに対して、本実施形態では、図９に例示する画面のように、例えば、時刻ｔ１の時点において、時刻ｔ３において表示され得る画面（予測された脅威度の画面）を表示することで、パイロットや空港管制官に対して、十分な判断の猶予を与えて、適切な航行ルートの選択を行わせることができる。
　図３のフローチャートの説明に戻る。次に、出力制御部１２０は、終了条件を満たすか否かを判定し（ステップＳ１１０）、終了条件を満たすと判定した場合、本フローチャートの処理を終了する。終了条件には、例えば、空港局員やパイロット等が処理を停止するよう情報処理装置１００に要求すること、航空機の飛行が禁止された時間帯（例えば深夜の時間帯）であること、情報処理装置１００が雷の脅威を予測可能な観測空間から航空機が退出したこと、等が含まれてよい。
　終了条件を満たさない場合、取得部１１２は、予測部１１６によって雷の脅威度が予測された時刻に相当する観測（以下、予測時刻と称する）において気象観測装置１０が観測した気象の気象観測データと、その気象観測データを用いて気象予測装置２０が予測した気象の気象予測データとを取得する（ステップＳ１１２）。
　次に、導出部１１４は、取得部１１２によって取得された予測時刻の気象観測データ及び気象予測データのうち一方または双方に基づいて、予測時刻における対象地点の脅威度を導出する（ステップＳ１１４）。
　次に、モデル更新部１１８は、Ｓ１１４の処理で取得部１１２が取得した予測時刻の気象観測データ及び気象観測データの少なくとも一方と、Ｓ１００の処理で取得部１１２が取得した予測時刻よりも過去の観測時刻の気象観測データ及び気象観測データの少なくとも一方とに基づいて、予測モデルＭＤＬ１を更新する（ステップＳ１１６）。そして、モデル更新部１１８は、Ｓ１０６に処理を戻し、終了条件が満たされるまで、繰り返し予測モデルＭＤＬ１を更新する。
　例えば、モデル更新部１１８は、Ｓ１０６の処理で予測部１１６が予測した脅威度と、Ｓ１１４の処理で導出部１１４が導出した脅威度との差分を算出する。
　モデル更新部１１８は、算出した差分が閾値以上である場合（予測部１１６の予測が外れたと見做せる場合）、調整モデルデータＤ３によって定義された調整モデルＭＤＬ２を用いて、予測モデルＭＤＬ１のパラメータである重み係数の行列Ａ（→）やバイアス成分の行列ｂ（→）を更新（決定）する。モデル更新部１１８は、予測モデルＭＤＬ１を更新すると、更新した予測モデルＭＤＬ１を再定義したデータに、記憶部１３０の予測モデルデータＤ２を書き換える。
　図１０は、調整モデルＭＤＬ２の一例である。図示の例のように、調整モデルＭＤＬ２は、過去のある観測時刻から予測時刻（例えば現在の観測時刻）までの期間に取得された複数の気象観測データや複数の気象観測データなどが入力されると、予測モデルＭＤＬ１の行列Ａ（→）及びｂ（→）を出力するように学習されたモデルである。
　このような調整モデルＭＤＬ２は、例えば、ニューラルネットワークやサポートベクターマシン、正則化回帰、ランダムフォレスト、ガウス過程回帰といった様々なモデルによって実装されてよい。以下、一例として、調整モデルＭＤＬ２がニューラルネットワークによって実装されるものとして説明する。
　調整モデルＭＤＬ２がニューラルネットワークによって実装される場合、調整モデルデータＤ３には、例えば、ニューラルネットワークを構成する複数の層のそれぞれに含まれるユニットが互いにどのように結合されるのかという結合情報や、結合されたユニット間で入出力されるデータに付与される結合係数などの各種情報が含まれる。
　結合情報とは、例えば、各層に含まれるユニット数や、各ユニットの結合先のユニットの種類を指定する情報、各ユニットの活性化関数、隠れ層のユニット間に設けられたゲートなどの情報を含む。活性化関数は、例えば、正規化線形関数（ＲｅＬＵ関数）であってもよいし、シグモイド関数や、ステップ関数、その他の関数などであってもよい。ゲートは、例えば、活性化関数によって返される値（例えば１または０）に応じて、ユニット間で伝達されるデータを選択的に通過させたり、重み付けたりする。結合係数は、例えば、ニューラルネットワークの隠れ層において、ある層のユニットから、より深い層のユニットにデータが出力される際に、出力データに対して付与される重みを含む。結合係数は、各層の固有のバイアス成分などを含んでもよい。
　調整モデルＭＤＬ２は、例えば、教師データに基づいて十分に学習されているものとする。教師データは、例えば、気象観測データ及び／又は気象観測データといった入力データに対して、調整モデルＭＤＬ２が出力すべき正解のパラメータが教師ラベル（ターゲットともいう）として対応付けられたデータセットである。
　例えば、調整モデルＭＤＬ２は、教師データに入力データとして含まれる複数の気象観測データ及び／又は気象観測データのうち、より古い観測時刻の気象観測データ及び／又は気象観測データの重みを小さくし、より新しい観測時刻の気象観測データ及び／又は気象観測データの重みを大きくして学習されてよい。
　このように、予測モデルＭＤＬ１が将来の脅威度を出力し、その出力結果から予測モデルＭＤＬ１の予測が外れたと見做せる場合、十分に学習された調整モデルＭＤＬ２を用いて、予測モデルＭＤＬ１のパラメータを更新することを繰り返す。これによって、時々刻々と変化し得る気象環境に予測モデルＭＤＬ１を逐次適合させながら、対象地点の将来の雷の脅威を精度よく予測することができる。
　図１１から図１３は、予測モデルＭＤＬ１の更新方法を模式的に説明するための図である。図中の「観測値」は、導出部１１４によって導出された脅威度を表し、「予測値」は、予測部１１６によって予測された脅威度を表している。
　図１１の例では、時刻ｔ１の気象観測データや気象予測データから、時刻ｔ１における脅威度Ｉ１が導出され、時刻ｔ２の気象観測データや気象予測データから、時刻ｔ２における脅威度Ｉ２が導出され、時刻ｔ３の気象観測データや気象予測データから、時刻ｔ３における脅威度Ｉ３が導出されている。このような場合、予測モデルＭＤＬ１には、３つの脅威度Ｉ１、Ｉ２、Ｉ３が時系列データとして入力される。予測モデルＭＤＬ１は、脅威度Ｉ１、Ｉ２、Ｉ３が入力されると、時刻ｔ３よりも将来の時刻ｔ４の脅威度Ｉ４＃を出力する。例えば、初回処理の場合、予測モデルＭＤＬ１のパラメータは初期値であってよい。
　図１２に例示するように、予測モデルＭＤＬ１によって脅威度の予測値が出力され、更に、その予測時刻ｔ４の気象観測データや気象予測データが新たに取得されると、モデル更新部１１８は、時刻ｔ２から時刻ｔ４までの気象観測データや気象予測データを学習済み（訓練済み）の調整モデルＭＤＬ２に入力する。調整モデルＭＤＬ２は、時刻ｔ２から時刻ｔ４までの気象観測データや気象予測データが入力されると、予測モデルＭＤＬ１のパラメータである行列Ａ（→）及びｂ（→）を出力する。モデル更新部１１８は、調整モデルＭＤＬ２によって出力されたパラメータを基に、予測モデルＭＤＬ１を更新する。
　図１３に例示するように、予測時刻ｔ４の気象観測データや気象予測データが新たに取得されると、時刻ｔ４の気象観測データや気象予測データから、時刻ｔ４における脅威度Ｉ４が新たに導出される。予測部１１６は、パラメータが更新された予測モデルＭＤＬ１に、時刻ｔ４以前に導出された脅威度Ｉ２およびＩ３に加えて、更に、時刻ｔ４に新たに導出された脅威度Ｉ４を一つの時系列データとして入力する。予測モデルＭＤＬ１は、脅威度Ｉ２、Ｉ３、Ｉ４が入力されると、時刻ｔ４よりも将来の時刻ｔ５の脅威度Ｉ５＃を出力する。このように、一つ先の将来の時刻における雷の脅威度を予測しながら、その将来の時刻で得られた気象観測データや気象予測データを用いて予測モデルＭＤＬ１を更新する。
　以上説明した実施形態によれば、情報処理装置１００が、複数の観測時刻の気象観測データ及び気象予測データを取得する。情報処理装置１００は、取得した気象観測データ及び気象予測データの少なくとも一方に基づいて、複数の観測時刻のそれぞれにおける対象地点の雷の脅威度を導出する。情報処理装置１００は、過去または現在の脅威度が入力されると、将来の脅威度を出力する予測モデルＭＤＬ１に、導出した脅威度を入力し、その予測モデルＭＤＬ１の出力結果に基づいて、観測時刻よりも将来の時刻の対象地点の雷の脅威を予測する。これによって、雷の脅威の予測結果を基に、航空機のパイロットなどが回避行動をとることができ、被雷による経済的損失や時間的損失を軽減することができる。
　更に、上述した実施形態によれば、情報処理装置１００が、雷の脅威度を予測した時刻以降において取得した気象観測データ及び気象予測データの少なくとも一方に基づいて、予測モデルＭＤＬ１のパラメータを更新するため、時々刻々と変化し得る気象環境に予測モデルＭＤＬ１を逐次適合させながら、対象地点の将来の雷の脅威を精度よく予測することができる。
　＜変形例＞
　以下、上述した実施形態の変形例について説明する。例えば、雷の脅威の予測が要求された対象地点が複数存在する場合、上述した調整モデルＭＤＬ２は、対象地点ごとに生成されてよい。
　図１４は、複数の対象地点が存在する地図の一例を示す図である。図中のＰは、対象地点（各地域の空港）を表している。図示のように、Ｐ１～Ｐ１０までの計１０か所の対象地点が存在する場合、各対象地点に対応した調整モデルＭＤＬ２が生成されてよい。例えば、対象地点Ｐ１の調整モデルＭＤＬ２－１は、対象地点Ｐ１の気象観測データや気象予測データに対して、正解のパラメータが教師ラベルとして対応付けられた教師データに基づいて学習されてよい。同様に、対象地点Ｐ２の調整モデルＭＤＬ２－２は、対象地点Ｐ２の気象観測データや気象予測データに対して、正解のパラメータが教師ラベルとして対応付けられた教師データに基づいて学習されてよい。このように、各地域の気象条件に合わせて学習した調整モデルＭＤＬ２を用意しておき、対象地点ごとに使用する調整モデルＭＤＬ２を切り替えることで、更に精度よく対象地点の将来の雷の脅威を予測することができる。
　以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。
１…情報処理システム、１０…気象観測装置、２０…気象予測装置、１００…情報処理装置、１０２…通信部、１０４…表示部、１１０…制御部、１１２…取得部、１１４…導出部、１１６…予測部、１１８…モデル更新部、１２０…出力制御部、１３０…記憶部

Claims (9)

  1. 　複数の観測時刻のそれぞれにおいて観測された対象地点の気象を表す気象観測データと、気象予測モデルにより予測された前記対象地点の気象を表す気象予測データとの少なくとも一方を取得する取得部と、
    　前記取得部によって取得された前記気象観測データ及び前記気象予測データの少なくとも一方に基づいて、前記複数の観測時刻のそれぞれにおける前記対象地点の雷の脅威の程度を示す指標値を導出する導出部と、
    　過去または現在の前記指標値が入力されると、将来の前記指標値を出力するモデルに、前記導出部によって導出された前記指標値を入力し、前記指標値が入力された前記モデルの出力結果に基づいて、前記観測時刻よりも将来の時刻の前記対象地点の雷の脅威を予測する予測部と、
    　を備える情報処理装置。
  2. 　前記モデルは、自己回帰モデルである、
    　請求項１に記載の情報処理装置。
  3. 　前記予測部によって前記雷の脅威が予測された時刻以降において前記取得部によって取得された前記気象観測データ及び前記気象予測データの少なくとも一方に基づいて、前記モデルを更新する更新部を更に備える、
    　請求項１または２に記載の情報処理装置。
  4. 　前記更新部は、前記気象観測データ及び前記気象予測データの少なくとも一方が入力されると、前記モデルのパラメータを出力するように学習された学習済みモデルに、前記取得部によって取得されたデータを入力し、前記データが入力された前記学習済みモデルの出力結果に基づいて、前記モデルのパラメータを更新する、
    　請求項３に記載の情報処理装置。
  5. 　前記予測部は、前記更新部によって更新された前記モデルを利用して、前記将来の時刻の前記対象地点の雷の脅威を予測することを繰り返し、
    　前記更新部は、前記予測部によって前記雷の脅威が予測された時刻以降に前記取得部が前記気象観測データ及び前記気象予測データの少なくとも一方を取得するたびに、前記取得部によって取得された前記気象観測データ及び前記気象予測データの少なくとも一方に基づいて前記モデルを更新することを繰り返す、
    　請求項３または４に記載の情報処理装置。
  6. 　情報を出力する出力部と、
    　前記予測部によって予測された前記対象地点の雷の脅威を表す情報を、前記出力部に出力させる出力制御部と、を更に備える、
    　請求項１から５のうちいずれか一項に記載の情報処理装置。
  7. 　情報を表示する表示部と、
    　複数の観測時刻のそれぞれにおいて観測された対象地点の気象を表す気象観測データと、気象予測モデルにより予測された前記対象地点の気象を表す気象予測データとの少なくとも一方を取得する取得部と、
    　前記取得部によって取得された前記気象観測データ及び前記気象予測データの少なくとも一方に基づいて、前記複数の観測時刻のそれぞれにおける前記対象地点の雷の脅威の程度を示す指標値を導出する導出部と、
    　過去または現在の前記指標値が入力されると、将来の前記指標値を出力するモデルに、前記導出部によって導出された前記指標値を入力し、前記指標値が入力された前記モデルの出力結果に基づいて、前記観測時刻よりも将来の時刻の前記対象地点の雷の脅威を予測する予測部と、
    　前記予測部によって予測された前記対象地点の雷の脅威を表す情報を、前記表示部に表示させる表示制御部と、
    　を備える表示装置。
  8. 　コンピュータが、
    　複数の観測時刻のそれぞれにおいて観測された対象地点の気象を表す気象観測データと、気象予測モデルにより予測された前記対象地点の気象を表す気象予測データとの少なくとも一方を取得し、
    　取得した前記気象観測データ及び前記気象予測データの少なくとも一方に基づいて、前記複数の観測時刻のそれぞれにおける前記対象地点の雷の脅威の程度を示す指標値を導出し、
    　過去または現在の前記指標値が入力されると、将来の前記指標値を出力するモデルに、導出した前記指標値を入力し、前記指標値が入力された前記モデルの出力結果に基づいて、前記観測時刻よりも将来の時刻の前記対象地点の雷の脅威を予測する、
    　情報処理方法。
  9. 　コンピュータに、
    　複数の観測時刻のそれぞれにおいて観測された対象地点の気象を表す気象観測データと、気象予測モデルにより予測された前記対象地点の気象を表す気象予測データとの少なくとも一方を取得すること、
    　取得した前記気象観測データ及び前記気象予測データの少なくとも一方に基づいて、前記複数の観測時刻のそれぞれにおける前記対象地点の雷の脅威の程度を示す指標値を導出すること、
    　過去または現在の前記指標値が入力されると、将来の前記指標値を出力するモデルに、導出した前記指標値を入力し、前記指標値が入力された前記モデルの出力結果に基づいて、前記観測時刻よりも将来の時刻の前記対象地点の雷の脅威を予測すること、
    　を実行させるためのプログラム。
PCT/JP2021/003245 2020-02-07 2021-01-29 情報処理装置、表示装置、情報処理方法、及びプログラム WO2021157481A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/791,716 US20230022975A1 (en) 2020-02-07 2021-01-29 Information processing device, display device, information processing method, and storage medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020020156A JP2021124468A (ja) 2020-02-07 2020-02-07 情報処理装置、表示装置、情報処理方法、及びプログラム
JP2020-020156 2020-02-07

Publications (1)

Publication Number Publication Date
WO2021157481A1 true WO2021157481A1 (ja) 2021-08-12

Family

ID=77199527

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/003245 WO2021157481A1 (ja) 2020-02-07 2021-01-29 情報処理装置、表示装置、情報処理方法、及びプログラム

Country Status (3)

Country Link
US (1) US20230022975A1 (ja)
JP (1) JP2021124468A (ja)
WO (1) WO2021157481A1 (ja)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06503421A (ja) * 1990-12-14 1994-04-14 タードン・インク 稲妻予報機器及び方法
JP2002168969A (ja) * 2000-11-29 2002-06-14 Mitsubishi Electric Corp 雷観測システム
US7043368B1 (en) * 2002-04-08 2006-05-09 Wsi Corporation Method and system for creating visualizations of future weather conditions
JP2009192312A (ja) * 2008-02-13 2009-08-27 Nippon Telegr & Teleph Corp <Ntt> 発雷予測装置およびその方法、プログラム
JP2010128711A (ja) * 2008-11-26 2010-06-10 Nippon Telegr & Teleph Corp <Ntt> 天候変化検出装置、天候変化検出方法及び天候変化検出プログラム
JP2010241412A (ja) * 2009-03-31 2010-10-28 Honeywell Internatl Inc 飛行中の航空機に接近する気象を評価するためのシステムおよび方法
JP2019045403A (ja) * 2017-09-06 2019-03-22 国立研究開発法人宇宙航空研究開発機構 雷脅威情報の提供装置、雷脅威情報の提供方法及びプログラム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10302816B2 (en) * 2013-09-10 2019-05-28 University Corporation for Atmiospheric Research Method for lightning forecasting and alert system
US10302815B1 (en) * 2015-10-01 2019-05-28 Rockwell Collins, Inc. System and method of integrating global convective weather
RU2630193C1 (ru) * 2016-04-18 2017-09-05 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для создания прогноза погоды
US11181634B1 (en) * 2018-09-28 2021-11-23 Rockwell Collins, Inc. Systems and methods of intelligent weather sensing using deep learning convolutional neural networks
WO2020183862A1 (ja) * 2019-03-12 2020-09-17 株式会社 東芝 発雷推定装置、システムおよび方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06503421A (ja) * 1990-12-14 1994-04-14 タードン・インク 稲妻予報機器及び方法
JP2002168969A (ja) * 2000-11-29 2002-06-14 Mitsubishi Electric Corp 雷観測システム
US7043368B1 (en) * 2002-04-08 2006-05-09 Wsi Corporation Method and system for creating visualizations of future weather conditions
JP2009192312A (ja) * 2008-02-13 2009-08-27 Nippon Telegr & Teleph Corp <Ntt> 発雷予測装置およびその方法、プログラム
JP2010128711A (ja) * 2008-11-26 2010-06-10 Nippon Telegr & Teleph Corp <Ntt> 天候変化検出装置、天候変化検出方法及び天候変化検出プログラム
JP2010241412A (ja) * 2009-03-31 2010-10-28 Honeywell Internatl Inc 飛行中の航空機に接近する気象を評価するためのシステムおよび方法
JP2019045403A (ja) * 2017-09-06 2019-03-22 国立研究開発法人宇宙航空研究開発機構 雷脅威情報の提供装置、雷脅威情報の提供方法及びプログラム

Also Published As

Publication number Publication date
US20230022975A1 (en) 2023-01-26
JP2021124468A (ja) 2021-08-30

Similar Documents

Publication Publication Date Title
US11125915B2 (en) Weather forecasting systems and methods tracking cumulus clouds over terrain
US20210049916A1 (en) Unmanned Aerial Vehicle Authorization And Geofence Envelope Determination
US11353625B1 (en) Systems and methods for forecasting lightning and severe storms
Hentzen et al. On maximizing safety in stochastic aircraft trajectory planning with uncertain thunderstorm development
Williams Using random forests to diagnose aviation turbulence
US20220028287A1 (en) System and method for aircraft flight control
EP3065019B1 (en) Method for optimum maximum range cruise speed in an aircraft
US8977484B1 (en) Using aircraft trajectory data to infer aircraft intent
JP7232543B2 (ja) 雷脅威情報の提供装置、雷脅威情報の提供方法及びプログラム
EP3065020B1 (en) Method for calculating the optimum economy cruise speed in an aircraft
EP2685440B1 (en) Using aircraft trajectory data to infer aircraft intent
CN110570692B (zh) 一种无人机航线检测方法及装置
US11670182B2 (en) Systems and methods for intelligently displaying aircraft traffic information
Colabone et al. Application of artificial neural networks for fog forecast
CN109367543A (zh) 驾驶设备决策的预测方法和装置
JP7519619B2 (ja) 情報処理装置、情報処理方法、及びプログラム
WO2021157481A1 (ja) 情報処理装置、表示装置、情報処理方法、及びプログラム
US20230152092A1 (en) Systems and Methods for Generating a Phase-Resolved Ocean Wave Forecasts with Ensemble Based Data Assimilation
Li et al. Optimal traffic control in highway transportation networks using linear programming
CN112733728A (zh) 一种能见度边缘计算方法、装置、电子设备及存储介质
Stratton et al. Probabilistic reasoning for intelligent wind shear avoidance
CN111652437A (zh) 跑道视程预测值获取方法、计算机设备和存储介质
JP7256487B2 (ja) 気象予測装置、気象予測方法、およびプログラム
US20240300626A1 (en) Systems and methods for generating a phase-resolved ocean wave forecast with simultaneous ocean current estimation using data assimilation
Lui Weather-Aware Aircraft Arrival Characterization at Terminal Maneuvering Area with Data-Driven Methodologies

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21751407

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21751407

Country of ref document: EP

Kind code of ref document: A1