WO2022264422A1 - 雨天時浸入水率推定装置、雨天時浸入水率推定方法、及びプログラム - Google Patents

雨天時浸入水率推定装置、雨天時浸入水率推定方法、及びプログラム Download PDF

Info

Publication number
WO2022264422A1
WO2022264422A1 PCT/JP2021/023254 JP2021023254W WO2022264422A1 WO 2022264422 A1 WO2022264422 A1 WO 2022264422A1 JP 2021023254 W JP2021023254 W JP 2021023254W WO 2022264422 A1 WO2022264422 A1 WO 2022264422A1
Authority
WO
WIPO (PCT)
Prior art keywords
rainy weather
infiltration
area
data
rainfall
Prior art date
Application number
PCT/JP2021/023254
Other languages
English (en)
French (fr)
Inventor
明和 大西
倫太郎 江口
隆雄 田辺
Original Assignee
株式会社Njs
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 株式会社Njs filed Critical 株式会社Njs
Priority to PCT/JP2021/023254 priority Critical patent/WO2022264422A1/ja
Priority to JP2023528931A priority patent/JPWO2022264422A1/ja
Publication of WO2022264422A1 publication Critical patent/WO2022264422A1/ja

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E03—WATER SUPPLY; SEWERAGE
    • E03F—SEWERS; CESSPOOLS
    • E03F1/00—Methods, systems, or installations for draining-off sewage or storm water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Definitions

  • the present invention relates to an apparatus for estimating water infiltration rate in rainy weather, a method for estimating water infiltration rate in rainy weather, and a program that can be applied to a system for narrowing down the generation area of infiltration water in rainy weather in sewage pipes.
  • Patent Document 1 in an unknown water generation distribution estimation device that estimates the generation distribution of unknown water flowing into the sewage system from a target area, a device that obtains the generation distribution of unknown water in each district by performing pattern matching analysis is described.
  • a specific method for subdividing a target area into multiple areas (mesh) and estimating the infiltration rate during rainy weather using a machine learning model has not been provided so far.
  • the present invention is defined for each of a plurality of areas in a target area divided into a plurality of areas. It is an object of the present invention to provide a device, method, and program for estimating using an estimation model that has undergone machine learning as a rainy weather infiltration water rate estimation device, a rainy weather infiltration water rate estimation method, and a program.
  • the present invention provides a wet weather infiltration rate corresponding to the ratio of rain water infiltration to rainfall, defined for each zone in a target area divided into a plurality of zones.
  • a wet-weather infiltration rate estimator for estimating, a variable defined for each of the zones, the variable obtaining data for the variable including inflow target rainfall that is a function of precipitation in each of the zones.
  • a data acquisition unit and an infiltration water rate estimation unit in rainy weather wherein the data of variables in each area acquired by the variable data acquisition unit and the past data of the infiltration water rate in rainy weather and the variables are used as teacher data.
  • a trained estimation model for estimating the infiltration rate during rainy weather from variables, and an estimation unit for the infiltration rate during rainy weather in each of the areas, using the trained estimation model.
  • a rate estimator is provided.
  • the estimation model consists of two or more separate pattern-specific estimation models that each perform machine learning separately corresponding to each of two or more rainfall patterns using past data of infiltration water rate during rainy weather and variables as teacher data. Among them, the pattern-based estimation model corresponding to the rainfall pattern of the target rainfall may be used.
  • a machine learning learning algorithm may be a random forest or a neural network.
  • the infiltration water rate estimating device in rainy weather collects data of inflow target rainfall that is a function of precipitation in each area acquired by the variable data acquisition unit, and each area obtained by estimation by the infiltration water rate in rainy weather estimation unit. and an estimated value of the infiltration water rate in rainy weather in each of the sections.
  • the rainfall function may be the inflow target rainfall calculated using the rainfall and area in each area.
  • the estimated value of the rainy weather infiltration water rate in each area obtained by the estimation by the rainy weather infiltration water rate estimating unit is associated with the date and time, and sometimes A storage unit for infiltration water rate during rainy weather, which is memorized moment by moment, and sewage-related facility inflow estimation, which estimates the amount of inflow water flowing into sewage-related facilities during rainy weather at a certain time in the future after a certain period of time from the reference time.
  • the present invention estimates the infiltration rate during rainy weather corresponding to the ratio of the amount of infiltration during rainy weather to the amount of rain defined for each of the zones in a target area divided into a plurality of zones.
  • Variable data an estimation method performed by the rate estimator, obtaining data for a variable defined for each of the zones, the variable including the inflow target rainfall that is a function of the precipitation in each of the zones.
  • machine learning is performed using the variable data in each area and the past data of the infiltration water rate in rainy weather and the variables acquired in the variable data acquisition step as teacher data.
  • a step of estimating the infiltration rate in rainy weather in each of the areas using the estimation model for estimating the infiltration rate in rainy weather from the variables, the infiltration rate in rainy weather Provide an estimation method.
  • the present invention estimates the infiltration rate during rainy weather corresponding to the ratio of the amount of infiltration during rainy weather to the amount of rain defined for each of the zones in a target area divided into a plurality of zones.
  • a program for causing a computer to implement a rate estimation method which obtains data for variables defined for each of the zones, the variables including the inflow target rainfall that is a function of the amount of precipitation in each of the zones.
  • variable data acquisition procedure a variable data acquisition procedure, and a rainy weather infiltration water rate estimation procedure, wherein the variable data in each area acquired in the variable data acquisition procedure and the past data of the rainy weather infiltration water rate and variables are used as teacher data
  • a procedure for estimating the infiltration water rate in rainy weather in each area using an estimation model that estimates the infiltration water rate in rainy weather from variables, which was machine-learned as Offer a program.
  • the present invention by estimating the infiltration water rate for each area in the target area using a machine learning model, it is possible to narrow down the areas where infiltration water occurs during rainy weather with minimal or no on-site investigation. becomes. This makes it possible to rationally narrow down priority areas for countermeasures covering the entire target area, which was difficult in the past due to the high cost. This makes maintenance such as repair and replacement of sewer pipes (sewage pipes) more efficient.
  • FIG. 2 is a block diagram showing the configuration of a system for narrowing down the generation area of infiltration water during rain.
  • 4 is a flow chart showing an operation flow of a learning stage executed by the rainy weather infiltration water rate estimating device;
  • the conceptual diagram which shows that the object area of the infiltration water rate estimation at the time of rainy weather is divided into several areas (mesh).
  • a diagram showing the arrangement of sewage (wastewater) treatment plants and sewage pipes (wastewater pipes) in a target area divided into a plurality of zones.
  • FIG. 4 is a flow chart showing an operation flow in an operation stage executed by the rainy weather infiltration water rate estimating device; The figure explaining the concept (learning stage) of the random forest as an example of a learning algorithm. The figure explaining the concept (operation stage) of the random forest as an example of a learning algorithm.
  • FIG. 2 is a diagram for explaining the concept of a neural network as an example of a learning algorithm; The figure explaining the concept of sewage-related facility inflow estimation at the future time after fixed time from the present time. Screen image of the system for narrowing down the generation area of infiltration water during rainy weather (rainfall). Screen image of the system for narrowing down the generation area of infiltration water during rainy weather (model creation/learning execution).
  • FIG. 1 Screen image (learning result) of the system for narrowing down the generation area of infiltration water during rainy weather.
  • the graph which shows the comparison result of the infiltration water rate of an analysis result and an actual measurement value.
  • surface which shows the comparison result of the infiltration water rate of an analysis result and an actual measurement value.
  • the schematic explaining a separate flow type sewer. A diagram explaining the time difference between rainfall and the generation of infiltration water during rainy weather (inflow to the treatment plant and rainfall in each area).
  • each data may be any format such as a CSV (Comma Separated Value) format file.
  • Each functional unit may be implemented by a single piece of hardware, may be implemented by two or more pieces of hardware, or may be implemented by one piece of hardware as will be described later.
  • Fig. 17 is a diagram explaining a separate sewer system.
  • a sewage pipe (filthy sewage pipe) 1000 and a rainwater pipe 1100 are separated. Sewage discharged from houses, buildings, etc., passes through a sewage pipe 1000 and is collected in a sewage (sewage) treatment plant 1001. After sewage treatment at the sewage treatment plant 1001, the sewage is discharged into the sea or rivers.
  • rainwater is discharged directly to public water areas such as the sea and rivers through rainwater pipes 1100, or is collected at a rainwater pumping station 1101, where sand and debris are removed before being discharged to the sea or water. Discharged into public water bodies such as rivers.
  • the sewage pipe 1000 has a defective portion (crack, breakage, hole, etc.) 1002 due to aged deterioration or the like, rainwater that has penetrated into the ground may enter the sewer pipe 1000 through the defective portion 1002 .
  • the treatment load of the sewage treatment plant 1001 increases, and problems such as deterioration of water quality in public water areas, deterioration of public health due to flooding, and flood damage may occur.
  • FIG. 18 is a diagram for explaining the time difference between rainfall and the occurrence of infiltration water at a sewage treatment plant during rainy weather.
  • the horizontal axis represents time
  • the vertical axis represents the amount of inflow (t) from a certain area to the sewage treatment plant 1001 (inflow amount in fine weather + infiltration water in rainy weather).
  • “Rainfall” is the average amount of precipitation for each area at the corresponding time (drainage time is not taken into account)
  • “Water infiltration in rainy weather” is "Actual inflow - inflow in fine weather”. Calculated by the calculation of "Fine weather inflow” is the average of three months' worth of inflow (considering day of the week, etc.).
  • the fine-weather inflow amount is an amount that can be estimated according to the season, weather conditions, day of the week, etc., and is treated as a known (estimated value has already been obtained) amount in the following embodiments.
  • the infiltration water during rain is (the amount of) infiltration water that can be calculated using the infiltration water rate during rain estimated using a machine learning model as described later.
  • the infiltration water amount A of each region at the corresponding time of the corresponding rainfall is obtained, and learning can be performed by using this as the correct answer for machine learning.
  • A (Rainfall in the relevant area) / ⁇ All areas (Rainfall in each area) x (Water infiltration amount during rainy weather)
  • the "rainfall amount for each area” takes into account the arrival time (see also Fig. 18).
  • FIG. 4 is a conceptual diagram showing that the target area for estimating the infiltration rate during rainy weather is divided into multiple areas (mesh), and FIG. 1 is a diagram showing the layout of sewage (wastewater) treatment plants and sewage pipes (wastewater pipes) in a target area divided into zones; FIG. In the following, it is assumed that each area is a square area of 50 m square (Fig. 4 is a conceptual diagram for explanation, and the accuracy of the shape of the area is not considered), but the shape of the area and The size can be arbitrarily determined.
  • the “target area” is an arbitrary area that is subject to estimation of the infiltration rate during rainy weather. can. In the example of FIG.
  • the "water infiltration amount during rainy weather” is the amount (weight, unit: tons) of rainwater flowing into the sewage pipe among the rainwater falling in a certain area (the area).
  • Precipitation amount (t)” in the formula is the amount (weight, unit: tons) of rainwater falling on the above-mentioned certain area.
  • inflow target rainfall refers to precipitation in the area (mm), area of the area (m 2 ), and use of the area (buildings, roads, rivers/ponds, etc.) as described later.
  • penetration rate of the area (0 or more, 1 or less value) calculated according to the predetermined rule according to the following (2) formula for each individual area (The density of rainwater is assumed to be 1000 kg/m 3. If the density of rainwater or sewage is different, correct by multiplying the value obtained by formula (2) by the appropriate density. good, the same applies to other formulas).
  • the inflow target rainfall is shown in units of t (tons), but in the formula (2), the rainfall (mm) in the area is the rainfall per hour (1 hour).
  • the inflow target rainfall (t) also means the inflow target rainfall per hour because it is the same as the depth of water when rainwater accumulates in that place without flowing out anywhere.
  • the infiltration water amount (t) in equation (1) also means the infiltration water amount per hour in the present example.
  • the rainfall amount in an area is, for example, the amount of rainfall per hour (mm) in an area with a side of 50 m. Since it is given in area units, one precipitation amount (mm) corresponds to 25 areas of 50m x 50m (either assign the same value of precipitation to 25 areas, or Allocate sloping precipitation to account for the difference in precipitation).
  • the infiltration water rate estimation device inputs variables (basin characteristics) that are individually defined for each area, and machine-learned Using the estimation model, the infiltration rate as an output is estimated individually for each area, and the inflow target rainfall calculated for each area according to formula (2) using the precipitation value is the infiltration rate in the area. By multiplying the estimated value (see formula (1) above), the estimated value of the amount of infiltration water is calculated for each zone.
  • FIG. 1 is a block diagram showing the construction of the apparatus for estimating infiltration rate in rainy weather.
  • the rainy weather infiltration water rate estimation device 1 includes a control unit 2 , a storage unit 3 , an input/output unit 4 , and a communication unit 5 .
  • the input/output unit may be unnecessary when input and display are performed via a communication unit, which will be described later.
  • the control unit 2 includes a processor 6 such as a CPU (Central Processing Unit) and a temporary memory 7 such as a RAM (Random Access Memory).
  • a processor 6 such as a CPU (Central Processing Unit)
  • a temporary memory 7 such as a RAM (Random Access Memory).
  • the control unit 2 (the processor 6 of the control unit 2 and below) functions as the variable data acquisition unit 8 .
  • the control unit 2 functions as a machine learning unit 9 by the processor 6 executing the machine learning program stored in the storage unit 3 .
  • the controller 2 functions as a rainy weather infiltration water rate estimating section 10 by the processor 6 executing the rainy weather infiltration water rate estimating program stored in the storage section 3 .
  • the control section 2 functions as the infiltration water amount calculation section 11 in rainy weather.
  • the control unit 2 functions as a sewage-related facility inflow estimation unit 12 by the processor 6 executing the sewage-related facility inflow estimation program stored in the storage unit 3 .
  • the processor 6 executes various control and display programs (including an operating system, application software for a Geographic Information System (GIS), driver software for various devices, etc.) stored in the storage unit 3.
  • GIS Geographic Information System
  • the control unit 2 functions as various control and display units 13 . Any other program may be stored in the storage unit 3, and the processor 6 of the control unit 2 executes any program, thereby allowing the control unit 2 to function as any functional unit.
  • the variable data acquisition unit 8 acquires variable data by performing arithmetic processing such as data acquisition from an external server, various data stored in the storage unit 3, data acquisition from a database, and calculation of the inflow target rainfall. It is a functional part.
  • the variable data acquisition unit 8 stores (records) the acquired variable data in the storage unit 3 as data records of the variable database 22 .
  • the variable data stored in the storage unit 3 (after being read by the control unit 2 and stored in the temporary memory 7 as appropriate; the same applies to the following data processing) is It is used for infiltration rate estimation processing, etc.
  • the machine learning unit 9 uses the teacher data 17 stored in the storage unit 3 (variable data of one or more variables that are explanatory variables, and infiltration water rate data of the infiltration water rate (during rainy weather) that is the objective variable. , past data) is used to create and update an estimation model (prediction model) that estimates (predicts) the infiltration rate from variables using a machine learning (supervised learning) algorithm.
  • the estimation model of the infiltration water rate is a specific model used by the rainy weather infiltration rate estimation unit 10 described later to accept variable data as input data and output an estimated value of the infiltration water rate as output data.
  • the machine learning unit 9 causes the storage unit 3 to store data (which may include a program or the like) representing the created estimation model of the infiltration water rate as the learned model 16 .
  • the rainy weather infiltration water rate estimation unit 10 is a functional unit that uses the learned model 16 generated by the machine learning unit 9 to receive variable data as input data and outputs an estimated value of the infiltration water rate as output data.
  • the rainy weather infiltration water rate estimating unit 10 calculates an estimated value of the infiltration water rate from the variable data by calculation using the learned model for each of the plurality of areas that make up the target area.
  • the rainwater infiltration rate estimating unit 10 stores data of the calculated estimated value of the infiltration water rate in the storage unit 3 as a data record of the rainwater infiltration rate database 23 .
  • the rainy weather infiltration water rate estimating unit 10 repeatedly calculates the estimated value of the infiltration water rate in each area, for example, at predetermined time intervals, and associates the estimated value of the infiltration water rate with the area and date and time (date and time). Then, the storage unit 3 (sometimes referred to as “rainy weather infiltration water rate storage unit”) is repeatedly stored in the rainy weather infiltration water rate database 23 moment by moment.
  • the rainy weather infiltration water amount calculation unit 11 is a functional unit that calculates the estimated value of the infiltration water amount in each area according to the above formulas (1) and (2).
  • the infiltration water amount calculation unit 11 multiplies the estimated value of the infiltration water rate in each of the plurality of areas that make up the target area by the inflow target rainfall in the area, thereby calculating the amount of infiltration water in the area.
  • Calculate an estimate of The infiltration water amount calculation unit 11 stores the data of the estimated value of the calculated infiltration water amount in the storage unit 3 as a data record of the facility inflow amount and the infiltration water amount database 21 in rainy weather.
  • the rainy weather infiltration water amount calculation unit 11 repeatedly calculates the estimated value of the infiltration water amount in each area, for example, at predetermined time intervals.
  • the inflow amount of facility inflow and amount of infiltration water during rainy weather are repeatedly stored in the database 21 every moment.
  • the sewage-related facility inflow estimation unit 12 estimates the amount of infiltrated water that flows into sewage-related facilities such as sewage treatment plants from each area through a sewage pipe (sewage pipe) at a certain time (for example, t minutes after the reference time of date and time) ) to estimate the inflow amount.
  • the sewage-related facility inflow estimating unit 12 stores the data of the calculated estimated value of the inflow in the storage unit 3 as a data record of the facility inflow and infiltration water amount database 21 . Since it takes different time for each area to reach the sewage-related facilities, it takes time for the infiltrated water from each area to reach the sewerage-related facilities. The inflow to the facility is estimated. A specific calculation of the inflow amount will be described later in detail.
  • the storage unit 3 is a storage (recording) device including a hard disk drive, an SSD (Solid State Drive), etc.
  • the storage unit 3 performs machine learning separately for each of two or more rainfall patterns as the learned model 16 generated by the machine learning unit 9 as described above, in one example, as will be described later in detail.
  • M models are stored as two or more pattern-specific estimation models, a model for rainfall pattern 1, a model for rainfall pattern 2, a model for rainfall pattern M (M is an arbitrary integer of 2 or more).
  • the storage unit 3 further stores past variable data (explanatory variable data) and rainy weather infiltration rate data (objective variable data ) and The storage unit 3 also stores variable data and water infiltration rate data during rainy weather as test data 18 for evaluating the performance of the water infiltration rate estimation model.
  • the storage unit 3 also stores various data 19 such as fine-weather average inflow data. Further, the storage unit 3 stores the following various databases.
  • (1) Rainfall information database 20 The amount of rainfall at each date and time in each area included in the target area is indicated by "area identifier", "date and time (time zone may be used.
  • unit time for example, 1 hour, but not limited to this , a shorter time may be used as a unit time
  • precipitation amount in the form of records containing data items.
  • (2) Facility inflow amount, rainy weather infiltration amount database 21 The amount of infiltration water in rainy weather calculated by the infiltration water amount calculation unit 11 in each area at each date and time is stored in the form of a record including "area identifier", “date and time”, and "infiltration water amount” as data items.
  • a database at least 2 tables).
  • Variable database 22 A record containing variables for each date and time of each area acquired by the variable data acquisition unit 8 as data items such as "area identifier", “date and time”, “variable 1", “variable 2” ... "variable L” database containing in the form of .
  • L is the number of variables as explanatory variables and is an arbitrary integer of 1 or more.
  • the first variable database is the "area identifier , ⁇ date and time'', and ⁇ inflow target rainfall (variable L)'' as data items.
  • a database may be prepared that stores data in the form of records containing "variable 2", ... “variable L-1” as data items.
  • Rainy weather infiltration water rate database 23 A record format that includes data items of "zone identifier", “date and time”, and "water infiltration rate” for each area at each date and time, calculated by the infiltration water rate in rainy weather estimating unit 10. database to store in .
  • Geographic information database 24 The variable data acquisition unit 8 acquires geographic information for each area from an external server machine (geographic information server) 31 (see FIG. 2, which will be described later).
  • a database that stores data in the form of records that include "geographic information 2", ... “geographic information P" as data items. Note that P is the number of geographic information given to a certain area and is an arbitrary integer of 1 or more.
  • the input/output unit 4 includes input devices such as a keyboard 25 and a mouse 26 for the system administrator to input commands and data to the apparatus 1 for estimating the infiltration rate during rainy weather, and a display device for displaying information such as images. 27 (liquid crystal display device, organic electroluminescence (EL: organic electro-luminescence) display device, etc.) and other output devices.
  • the input/output unit may be unnecessary when input and display are performed via a communication unit, which will be described later.
  • the communication unit 5 includes a communication interface 28 and a communication circuit 29 for communicating between the rainy weather infiltration water rate estimation device 1 and external server machines, client machines, various devices, and the like.
  • FIG. 2 is a block diagram showing the structure of the system for narrowing down the generation area of infiltration water during rain.
  • external server machine (geographic information server) 31 sewage-related facility 32
  • precipitation measurement system 33 sewage-related facility 33
  • client machine 34 cooperate via communication line 30 such as the Internet.
  • a system for narrowing down the generation area of infiltration water is configured.
  • the external server machine (geographic information server) 31 is a server machine that stores geographical information used when the control unit 2 of the rainy weather infiltration water rate estimation device 1 uses a geographic information system (GIS) in one example. Like the infiltration water rate estimating device 1, it includes a control unit, a storage unit, an input/output unit, and a communication unit.
  • the storage unit of the external server machine 31 stores map data 35, land use data 36, ground rain gauge position data 37, and other geographical data 38. In response, these data are transmitted to the infiltration water rate estimation device 1 during rainy weather.
  • the geographic information server 31 may be composed of a plurality of independent servers. For example, map data 35 may be stored in a first geographic information server, and land use data 36 may be stored in a second geographic information server. may be distributed and stored in multiple servers.
  • the sewage-related facilities 32 are facilities such as sewage (wastewater) treatment plants and pumping stations, and are assumed to be sewage (wastewater) treatment plants below.
  • the inflow flow rate is measured at any time, and in the storage unit of the computer installed in the sewage treatment plant 32, measured inflow flow rate data 39 that associates the measured value of the inflow flow rate with the date and time of measurement is stored.
  • the computer installed in the sewage treatment plant 32 transmits inflow flow rate actual measurement data 39 to the infiltration water rate estimation device 1 in rainy weather in response to a request from the infiltration water rate estimation device 1 in rainy weather.
  • the precipitation measurement system 33 is a system including a weather radar, a rain gauge, etc., for measuring the amount of precipitation that varies according to location and date and time.
  • the storage unit of the computer included in the rainfall measurement system 33 stores rainfall information data including actual measured values and predicted values of rainfall for each point on each date and time, and predicted rainfall information data 40 .
  • the computer included in the precipitation measurement system 33 transmits the rainfall information data and the predicted rainfall information data 40 to the infiltration water rate estimation device 1 in rainy weather.
  • the client machine 34 is a device such as a computer or a smartphone, and includes a control unit 41, a storage unit 42, an input/output unit (display unit) 43, and a communication unit 44.
  • a system administrator or other user inputs a command from the input/output unit (display unit) 43 of the client machine 34 to the rainy weather infiltration water rate estimating device 1 to cause the rainy weather infiltration water rate estimating device 1 to , and an image that displays the estimated value of infiltration rate and infiltration volume obtained as a result of execution, or the distribution of these estimated values on a map, or the estimated value of inflow to sewage-related facilities. It is also possible to display images and the like (a time-series display is also possible) on the display device of the client machine 34 .
  • FIG. 3 is a flow chart showing the operation flow of the learning stage executed by the rainy weather infiltration water rate estimating apparatus.
  • step S301 map reading and area (mesh) information generation are performed.
  • the infiltration water rate during rainy weather estimation apparatus 1 receives a command from a user such as an administrator.
  • the processor 6 of the estimation device 1 executing the variable data acquisition program, the variable data acquisition unit 8 supplies the geographic information server 31 with map data 35, land use data 36, ground rain gauge position data 37, and other geographic data. request data 38;
  • the geographic information server 31 transmits map data 35 , land use data 36 , ground rain gauge position data 37 , and other geographic data 38 to the device 1 for estimating infiltration water rate during rainy weather.
  • the variable data acquisition unit 8 acquires data in a target area (an area indicated by the map data 35), which is specified in advance by a user such as an administrator by inputting via the input/output unit 4 or the input/output unit (display unit) 43.
  • Mesh information within the target area is generated based on information indicating the target area) and the size of the area (mesh) (how finely the target area is divided).
  • the mesh information is information consisting of the coordinates of the reference position of the mesh (center point, upper left corner, etc.) and the size of the mesh (length of one side, length of each of vertical and horizontal, etc.),
  • the mesh information data is stored in the geographic information database 24 of the storage unit 3.
  • FIG. When information from rain gauges installed in the target area is used as the rainfall information, the variable data acquisition unit 8 selects the rain gauge for the analysis unit and stores the information in the geographic information database 24 as well.
  • step S302 the arrival time in each zone is set.
  • Conveyance time is defined separately for each area as the time it takes for infiltrated water to reach its destination (e.g., sewage treatment plant) down the sewer from each area.
  • a "time of arrival” is defined for an area as the average value of the times of arrival within an area. The above-mentioned arrival time in each area is determined in advance by calculation, measurement survey, etc. to the treatment plant, calculate the average value in each area, and assign it to each area.
  • the variable data acquisition unit 8 sets various variables for each mesh.
  • One of the variables set for each area is "land use (permeability) information".
  • Land use (infiltration rate) information is information (a value of 0 or more and 1 or less) indicating the average infiltration rate (ease of rainwater permeating into the land) within one mesh.
  • a weighted average of the permeability values given for each use, depending on how much of the land is used for what purpose It is set by calculating the product of the ratio (0 or more and 1 or less) and the penetration rate in the application" for all applications”.
  • the permeation rate for each application is: Building ... 0.0 Road ... 0.1 River/pond ... 1.0 Others... 0.8 value is defined. For example, of the area of a mesh, 40% is occupied by buildings, 20% by roads, 10% by rivers or ponds, and 30% by other uses. , the (average) permeability of the area is becomes.
  • the variable data acquisition unit 8 calculates such mesh infiltration rates for all meshes in the target area, and stores the land use (permeability) information of each mesh in the variable database 22 of the storage unit 3 .
  • users such as administrators input and output the information of "how much area of the land of the mesh is used for what purpose" in each mesh and the value of the infiltration rate for each use.
  • the variable data acquisition unit 8 may acquire satellite photographs included in the map data 35.
  • the permeability of each zone may be determined by a learning method without presetting.
  • variable data acquisition unit 8 acquires and sets the value of the basin characteristic used as the value of the explanatory variable in the teacher data for machine learning for each area, and stores it as variable data (explanatory variable data) of the teacher data 17.
  • variable data data values other than the inflow target rainfall (or rainfall) can be regarded as constants that do not change at least on a short time scale, and can also be used as explanatory variable data during operation, so variable data acquisition
  • the unit 8 also stores, in the variable database 22, at least data other than the inflow target rainfall (or rainfall) among the variable data indicating the values of the acquired and set basin characteristics.
  • Table 1 A list of explanatory variables for machine learning in this embodiment is as shown in Table 1 below.
  • the variable data acquisition unit 8 is assumed to include information indicating which areas in the map data are residences as geographic information (other geographic data 38) stored in the geographic information database 24. can be regarded as a dwelling.) to identify the dwelling area in each area and calculate the value of the dwelling area (density) as an explanatory variable.
  • the land use (permeability) is set for each area in step S302 by the variable data acquisition unit 8 as already explained.
  • the variable data acquisition unit 8 determines the land use (permeability) value (0 or more and 1 or less) set for each area as the land use (permeability) value as an explanatory variable.
  • the year value may be the year in which the sewage pipe 52 was installed ("2000" in the year 2000).
  • the absolute value of the year of installation is not important, and may be 1 for the year the first pipe was installed, or 0 for the current or future point in time, representing years ago.
  • sewage Information indicating which sewer pipes exist in each area, which sewer pipes correspond to which sewer pipes in each zone as inflow destination pipelines, and the value of the installation year of each sewer pipe is, for example, sewage Information such as the position on the map, pipe type, installation year, etc. recorded in the GIS data owned by the manager is used, and is stored in advance as part of the various data 19 (the correspondence relationship between the area and the sewage pipe may be determined by the variable data acquisition unit 8 using geographic information stored in the geographic information database 24).
  • the number of sewage manholes is the number of sewage manholes (manholes) that connect to underground sewage pipes in each area.
  • Information that indicates how many sewage manholes exist in each area is, for example, information such as location on the map, pipe type, construction year, etc. recorded in GIS data owned by the sewage system administrator. It may be used and stored in advance as part of the various data 19 , or may be determined by the variable data acquisition unit 8 using geographic information stored in the geographic information database 24 . If there are three sewage manholes in an area, the number of sewage manholes as an explanatory variable in that area will be "3" (if there are no sewage manholes in the area, The value of the number of holes is "0").
  • the number of sewage basins is the number of sewage basins in each area, and is specified by the number of sewage pipes that connect sewage basins and sewer (sewage) pipes in the area. can do.
  • information such as the position on the map, the type of pipe, and the year of installation recorded in the GIS data owned by the sewage system administrator may be used and stored in advance as part of the various data 19, or
  • the variable data acquisition unit 8 may determine using geographic information stored in the geographic information database 24 . If there are five sewage basins in an area, the value of the number of sewage basins as an explanatory variable in that area will be "5" (if there are no sewage basins in the area, the value of the number of sewage basins will be becomes "0").
  • the sewage pipe length is the total length (m) of sewage pipes in each area (underground).
  • information such as the position on the map, the type of pipe, and the year of installation recorded in the GIS data owned by the sewage system administrator may be used and stored in advance as part of the various data 19, or
  • the variable data acquisition unit 8 may determine using geographic information stored in the geographic information database 24 . If there is a sewage pipe of 70m in an area, the value of sewage pipe length as an explanatory variable in that area will be "70" (if there are no sewage pipes in the area, the sewage pipe length value will be becomes “0”).
  • the extension of the ceramic pipes is the total length (m) of the ceramic pipes in each area (underground).
  • information such as the position on the map, the type of pipe, and the year of installation recorded in the GIS data owned by the sewage system administrator may be used and stored in advance as part of the various data 19, or
  • the variable data acquisition unit 8 may determine using geographic information stored in the geographic information database 24 . If there is a ceramic pipe of 30m in a certain area, the value of the ceramic pipe extension as an explanatory variable in that area will be "30" (if there is no ceramic pipe in the area, the value of the ceramic pipe extension will be becomes “0”).
  • the total length (m) of the ceramic pipes and the total length (m) of the Hume pipes existing in each area (underground) may be used as the value of the extension of the ceramic pipes, which is an explanatory variable.
  • the rainwater pipe extension is the total length (m) of the rainwater pipe that exists in each area (underground).
  • information such as the position on the map, the type of pipe, and the year of installation recorded in the GIS data owned by the sewage system administrator may be used and stored in advance as part of the various data 19, or
  • the variable data acquisition unit 8 may determine using geographic information stored in the geographic information database 24 . If there is a rainwater pipe of 50m in a certain area, the value of the rainwater pipe extension as an explanatory variable in that area will be "50" (if there is no rainwater pipe in the area, the value of the rainwater pipe length will be "0"). Become).
  • step S304 the various control and display unit 13 calculates the (average) inflow in fine weather.
  • Average inflow in fine weather is the average inflow in fine weather of a sewage treatment plant that can be estimated according to the season, weather conditions, day of the week, etc., and the estimated value is calculated by the sewage-related facility inflow estimation unit 12. is stored in the storage unit 3 as part of the various data 19.
  • the average inflow during fine weather is the three-month average inflow for each day of the week during fine weather (for example, the average inflow during fine weather on Monday is the measured inflow during fine weather on Monday over three months). , and similarly for other days of the week, calculate the 3-month average of the actual measurements on the same day).
  • step S305 of obtaining past rainfall data the variable data obtaining unit 8 obtains past rainfall data. Specifically, rainfall data is distributed in real time from the device of the rainfall measurement system 33 . This delivery data is used in forecasting the inflow. Acquisition of the past data used for narrowing down the infiltration water generation area in rainy weather is performed upon receipt of an order to the rainfall measurement system 33 . Download after placing an order or receive data via an external storage medium. The variable data acquisition unit 8 acquires past rainfall data from the computer of the rainfall measurement system 33 and stores it in the rainfall information database 20 .
  • the computer of the precipitation measurement system 33 provides measured values of precipitation at various dates and times in the past at each point in the target area, and, if necessary, predicted values of precipitation at various dates and times in the future at each point. and the predicted rainfall information data 40 are transmitted to the infiltration water rate estimation device 1 during rainy weather.
  • the variable data acquisition unit 8 stores the acquired rainfall information data and predicted rainfall information data in the rainfall information database 20 .
  • the rainfall information database 20 is classified by rainfall pattern in advance (rainfall pattern as a data item). , etc.) to store the rainfall information data.
  • Long-term rainfall When rain continues for a predetermined time or longer and a predetermined rainfall intensity or longer, such as 5 hours or longer, Local concentrated rainfall (forward concentration): If, for example, 70% or more of the total precipitation (hourly integrated value of precipitation) falls in the first half of the rainfall time, Local concentrated rainfall (backward concentration): If, for example, 70% or more of the total precipitation falls in the second half of the rainfall period, Heavy rain: For example, total precipitation of 90 mm or more, Heavy rain: For example, total precipitation of 50 mm or more and less than 90 mm, Moderate rain: For example, total precipitation of 10 mm or more and less than 50 mm, Light rain: For example, total precipitation of 5 mm or more and less than 10 mm, Light rain: For example, total precipitation of 5 mm or more and less than 10 mm, Light rain: For example, total precipitation
  • the rainfall information data can be stored in the rainfall information database 20 in association with an identifier that identifies the rainfall pattern.
  • the rainfall pattern can be defined arbitrarily (for example, in heavy rain, heavy rain, and moderate rain, it may be divided into two patterns depending on whether the maximum instantaneous rainfall is 10 mm or more or less than 10 mm). is stored in advance as part of the various data 19 by inputting data through the input/output unit 4 or the input/output unit (display unit) 43 . However, it is not essential to generate a separate model for each rainfall pattern.
  • the infiltration water amount in rainy weather calculation unit 11 calculates the infiltration water amount in rainy weather as part of the teacher data 17 .
  • the amount of infiltration water during rainy weather is calculated by subtracting the amount of inflow during fine weather (t) from the amount of inflow into the treatment plant (t), as shown in FIG.
  • the amount of infiltration water in rainy weather here is used as "inflow in rainy weather - average inflow in fine weather" in equation (7) described later.
  • step S307 for calculating the inflow target rainfall for each zone the variable data acquisition unit 8 calculates the "inflow target rainfall" in Table 1 above for each zone, and uses it as variable data (explanatory variable data) of the teacher data 17.
  • the inflow target rainfall is the inflow target rainfall (t) defined by the above equation (2) in each area, and is calculated by the variable data acquisition unit 8 in step S307, and the teacher data It is stored in the storage unit 3 as 17 variable data (explanatory variable data).
  • the inflow target rainfall is an amount that varies on a short time scale depending on the date and time
  • the infiltration rate which is an objective variable described later, also varies on a short time scale depending on the date and time. be.
  • the model for estimating the infiltration rate during rainy weather in this embodiment accepts a "set of explanatory variable values in a certain area" as input data and outputs an "estimated value of the target variable (infiltration rate) in the area”. This is an estimation model for output as data.
  • the variable data acquisition unit 8 uses the rainfall (mm) data for each date and time (time zone) for each area included in the target area, and the inflow target for each date and time (time zone) Calculate rainfall (t).
  • the inflow target rainfall at 21:00 on May 1, 2021 in area 51 is as follows (4 )formula It is calculated as 3.2(t).
  • the value of "inflow target rainfall” as an explanatory variable is 3.2.
  • variable data acquisition unit 8 thus obtains each area stored in the rainfall information database 20, precipitation data for each date and time, area data for each area (assumed to be stored in the geographic information database 24), teacher Using the permeability of each area stored as the data 17, the value of the inflow target rainfall for each area and each date and time is calculated and stored as variable data of the teacher data 17.
  • the feature quantity that is particularly highly related to the infiltration rate, which is the objective variable, is the rainfall (precipitation).
  • Variables other than "precipitation” in the calculation of can be regarded as constants that do not change at least on short time scales (in equation (2), "area of area” is a constant, and "permeability” is the area
  • the degree of relevance to the infiltration rate is very small compared to rainfall.)
  • the time change of inflow rainfall as a variable is substantially due to the time change of precipitation.
  • the explanatory variable that has a particularly high degree of association (in the example of random forest, the importance of the feature value) with the infiltration rate, which is the objective variable, is considered to be the inflow target rainfall.
  • the rainfall (mm) per hour (or the average value of the rainfall (mm) over a predetermined time period) may be used as an explanatory variable as the "rainfall”.
  • the teacher data 17 is also separately stored in the storage unit 3 for each rain pattern.
  • a set of variable data and infiltration water rate data during rainy weather is stored in a format associated with information indicating an area and date and time (time zone).
  • a set of variable data and infiltration water rate data during rainy weather is stored in a format associated with information indicating .
  • the data stored as the teacher data 17 are Training data for rain pattern 1 Training data for rain pattern 2 ... It is classified for each pattern like teacher data for rain pattern M (M is an arbitrary integer of 2 or more), and teacher data for each rain pattern is a set of variable data and infiltration water rate data during rainy weather , area and date and time (time zone) are stored in a format associated with the information (specify the rainfall pattern, area, date and time (time zone), and read out the set of variable data and infiltration water rate data during rainy weather) Can).
  • M is an arbitrary integer of 2 or more
  • teacher data for each rain pattern is a set of variable data and infiltration water rate data during rainy weather
  • area and date and time time zone
  • step S308 of temporarily setting the water infiltration rate for each zone the variable data acquisition unit 8 temporarily sets the water infiltration rate for each zone.
  • the target variable in the estimation model of this embodiment is the infiltration rate during rainy weather.
  • Table 2 The value of the infiltration water rate in rainy weather in the teacher data 17 described above is calculated by the variable data acquisition unit 8 in step S306 according to the following equations (5) to (8).
  • the inflow target rainfall (t) of the treatment plant is the amount in a unit time for estimating the infiltration water rate during rainy weather.
  • k is the identifier of the area
  • n is the total number of areas included in the target area. That is, in equation (5), the expression within the ⁇ symbol is the quantity calculated for each zone.
  • the "precipitation amount (mm) before the arrival time” is, for example, when the arrival time in the area of interest is "a minutes", the infiltration water of the teacher data to be calculated It is the amount of precipitation (mm) in the area of interest at the time point "a minutes” past the date and time (time period) corresponding to the rate.
  • the “flow time” in the formula (5) is the time it takes for infiltrated water to reach the destination (sewage treatment plant) after flowing down the sewage system from each area.
  • a separately defined time, one "flight time” is defined for one zone as the average value of the propagation times within one zone.
  • the above-mentioned arrival time in each area is determined in advance by calculation, measurement survey, etc. The arrival time from the pipe to the treatment plant is obtained, the average value in each area is calculated and assigned to each area), and is stored in the storage unit 3 as part of the various data 19.
  • the penetration rate of an area is obtained by determining the use of all areas in the target area and summing up the product of the ratio of each use to the area of the area and the penetration rate.
  • the "inflow target rainfall of the area” can be calculated by the above formula (7)
  • the "inflow target rainfall of the treatment plant” can be calculated by the above formula (5).
  • the "inflow amount during rainy weather” is the actual measurement value of the inflow amount of the sewage treatment plant at the date and time (time period) corresponding to the infiltration water rate of the training data to be calculated.
  • the “average inflow in fine weather” is the average inflow in fine weather of the sewage treatment plant that can be estimated according to the season, weather conditions, day of the week, etc. Assume that the estimated value is calculated by 13 and stored in the storage unit 3 as part of the various data 19 .
  • the variable data acquiring unit 8 thus calculates the infiltration water rate as teaching data and stores it in the storage unit 3 as teaching data 17 .
  • Machine Learning Algorithm Any known or unknown algorithm may be used as the machine learning algorithm, but here, a random forest and a neural network will be described as examples.
  • FIG. 7 is a diagram explaining the concept of random forest (learning stage) as an example of a learning algorithm
  • FIG. 8 is a diagram explaining the concept of random forest (operation stage).
  • An overview of random forests is given below.
  • the final model machine-learned by random forest uses multiple models called decision trees, and takes the majority (classification) and average (regression) of the prediction (estimation) results by each decision tree. to get the final output.
  • the learning stage of a random forest a large number of explanatory variables are classified into multiple subsamples by random replacement sampling using a method called bootstrap method, and a large amount of teacher data in each subsample is given to each decision tree.
  • Each decision tree performs independent learning, and learning is performed with a plurality of models (decision trees).
  • the final machine learning model generated by the random forest machine learning algorithm can be interpreted as a collection of multiple decision trees.
  • FIG. 9 is a diagram explaining the concept of a neural network as an example of a learning algorithm.
  • a neural network one or more hidden layers (intermediate layers) exist between an input layer and an output layer, node values in the input layer are converted to node values in the hidden layer, and nodes in the hidden layer are converted to node values in the hidden layer.
  • Output data is obtained from input data (explanatory variable data) by converting the values into node values of the output layer. Transformation of node values from one layer to the next is performed by linear transformation or nonlinear transformation using an activation function.
  • connections between nodes between the input layer and the hidden layer and the connections between the nodes between the hidden layer and the output layer each have a separate weight value, and are used as explanatory variables.
  • the value of each weight is updated by giving the training data of the objective variable and making it learn.
  • the weight of each layer is updated by error backpropagation during learning. Calculate so that the difference between the required output and the actual output is small, and reflect it in each layer.
  • a model can be arbitrarily constructed by adjusting hyperparameters such as the number of intermediate layers and the number of nodes belonging to each intermediate layer. Random forests and neural networks are well known machine learning algorithms and will not be described in further detail here.
  • the machine learning unit 9 uses the teacher data 17 generated and stored in the previous steps to generate an estimation model of the infiltration rate during rainy weather using a machine learning algorithm.
  • the machine learning unit 9 generates a learned model 16 by performing machine learning using the explanatory variable data in Table 1 and the objective variable data in Table 2 as teacher data, and stores it in the storage unit 3 .
  • a model for rainfall pattern 1 is generated by performing machine learning using only training data related to rainfall according to rainfall pattern 1 as training data, and similarly, a model for each rainfall pattern is generated. , is generated by performing machine learning using only training data related to rainfall following the rainfall pattern as training data, and is stored in the storage unit 3 .
  • FIG. 6 is a flow chart showing the flow of operations during operation performed by the apparatus for estimating infiltration water rate during rainy weather.
  • infiltration water rate estimating device 1 in rainy weather, when rainfall occurs and infiltration water in rainy weather occurs in each area in the target area due to the rainfall, infiltration water in each area at each date and time Rates are estimated using trained models.
  • the variable data acquisition unit 8 acquires data such as land use (permeability) from the variable database 22 as operational data of explanatory variables. Specifically, the variable data acquisition unit 8 obtains data for explanatory variables that can be regarded as constants that do not change on at least a short time scale, other than the inflow target rainfall (or rainfall), among the explanatory variables in Table 1, for each area. are acquired from the variable database 22 . In some cases, variables may be intentionally changed for consideration, such as changing the type of pipe or the year of installation.
  • the variable data acquisition unit 8 acquires past rainfall data. Specifically, rainfall data is distributed in real time from the device of the rainfall measurement system 33 . This delivery data is used in forecasting the inflow. Acquisition of the past data used for narrowing down the infiltration water generation area in rainy weather is performed upon receipt of an order to the rainfall measurement system 33 . Download after placing an order or receive data via an external storage medium.
  • the variable data acquisition unit 8 acquires rainfall information data and predicted rainfall information data 40 from the computer of the rainfall measurement system 33 and stores them in the rainfall information database 20 . In addition to actual rainfall data, virtual rainfall data may also be used.
  • variable data acquisition unit 8 calculates the target inflow rainfall for each zone. In the same way as when creating the training data, the variable data acquisition unit 8 calculates the inflow target rainfall for each area according to the above equation (2). , the value of the amount of precipitation for the date and time to be estimated is obtained from the rainfall information database 20 and used instead of the amount of precipitation in the training data.
  • step S604 the rainy weather infiltration water rate estimating unit 10 estimates the infiltration water rate for each target date and time in each area by performing estimation using the above-described machine learning model using such input data. It is determined and stored in the rainy weather infiltration water rate database 23 .
  • the final machine-learned model is composed of three decision trees, and the output of each decision tree during operation (estimated value of infiltration water rate) is 5%, 10%, and 15%. , the final output is a numerical value calculated from the three values output from the random forest. For example, an average value of 10% is obtained as an estimate of the water intrusion rate.
  • the nine explanatory variables in Table 1 above belong to the input layer (only four nodes x1 to x4 are drawn for simplicity in FIG.
  • the rainfall infiltration water rate estimation unit 10 determines which of the rainfall patterns 1 to M the rainfall pattern of the rainfall to be predicted is based on the rainfall information data acquired in step S602. and selects a model for the rain pattern determined to correspond to the current rain pattern from among the model for rain pattern 1 to the model for rain pattern M stored as the learned model 16. use.
  • the estimated value of water infiltration rate obtained by model estimation is output in an arbitrary format by various control and display units 13 in step S605. For example, on a map image divided into zones as shown in Fig. 5, each zone is given a color (expression is arbitrary, such as semi-transparent) corresponding to the estimated value of the infiltration rate of each zone, and then By displaying a map image on the display device 27, or by transmitting such map image data to the client machine 34 and displaying the map image on the display device of the client machine 34, a user such as an administrator can determine the infiltration water rate. Areas with high ⁇ can be easily recognized.
  • the estimated value of the infiltration water rate in rainy weather is calculated by the calculation unit 11 for the amount of infiltration water in rainy weather for each area.
  • the estimated value of the infiltration water amount may be output in an arbitrary format by various control/display units 13.
  • the administrator can easily recognize areas with a high amount of infiltration water and narrow down the area where infiltration water occurs during rainy weather.
  • the machine learning unit 9 updates the estimation model by comparing the estimated value of the infiltration rate and the measured value (in one example, the explanatory variable data during operation and the measured value of the infiltration rate are The performance of the estimation model can be improved by performing machine learning again using it as new teacher data (training data).
  • the area in the upstream area of the sewage pipe in the example of FIG.
  • each sewage pipe leading to the sewage treatment plant 48 is divided at the midpoint In some cases, the area where the sewage pipe part farthest from the sewage treatment plant 48 passes can be called the "upstream area".
  • Variable data and measured values of infiltration water rate A flow meter can be installed for several months at the “middle point” in 2., and the infiltration rate of the entire upstream area can be obtained by actual measurement.) is stored in the storage unit 3 as training data by the machine learning unit 9. It is considered that the machine learning model can be efficiently optimized by the machine learning unit 9 giving the accumulated training data to the machine learning model and performing machine learning on the model again.
  • the machine learning unit 9 may accumulate measured values of the infiltration water amount together with the variable data. By accumulating the measured values of the infiltration water amount, the measured value of the infiltration water rate can be calculated according to the formula (1).
  • the machine learning unit 9, the variable data acquisition unit 8, etc. may calculate the measured value of the amount of infiltrated water from the above equations (8) and (1), but the following equations (9) and (10) You may calculate and use the infiltration water volume of the area calculated by as a measured value. In this case, the sum of the area of each area and the area of the target area is measured in advance by the manager or the like, or calculated by the variable data acquisition unit 8 using the geographic information stored in the geographic information database 24. , are stored in the geographic information database 24 of the storage unit 3. FIG.
  • the infiltration water volume of the treatment plant may be calculated by the machine learning unit 9, the variable data acquisition unit 8, etc., using the following formula (11).
  • k is the identifier of the area
  • n is the total number of areas included in the target area. That is, in equation (11), the expression within the ⁇ symbol is the quantity calculated for each zone.
  • "precipitation amount (mm) *1 before the arrival time” is, for example, if the arrival time in the target area is "a minutes”
  • the infiltration rate to be estimated is the amount of precipitation (mm) in the area of interest at the point in time "a minutes” past the date and time (time zone) corresponding to (in FIG. minutes, see example of 120 minutes).
  • the “flow time” in the formula (11) is defined separately for each area as the time it takes for the infiltrated water from each area to reach the sewage treatment plant.
  • one "time of arrival” is defined for each area as the average value of the times of arrival within each area. The above-mentioned arrival time in each area is determined in advance by measurement survey etc. to the treatment plant, calculate the average value in each area, and assign it to each area.
  • the rainfall information database 20 stores rainfall (mm) data (per hour) for each area at each time in association with the date and time as already described.
  • the predicted value of future precipitation for the rainfall is also stored in the rainfall information database 20 as the predicted precipitation (mm) for each area at each time in association with the date and time (variable data acquisition unit 8 receives predicted rainfall data from the computer of the rainfall measurement system 33 and stores it in the rainfall information database 20).
  • the estimation of the infiltration water rate in each area as described above with reference to FIGS.
  • the estimated value of the infiltration water rate for is stored in the rainy weather infiltration water rate database 23 every moment in association with the date and time.
  • the measured rainfall amount cannot be predicted, so the area rainfall data is used.
  • the infiltration rate for each area at each future time is similarly estimated using a machine-learned estimation model.
  • Inflow amount is the amount of inflow when there is no water infiltration during rainy weather (even in fine weather, there may be inflow not caused by rain, but this is included because it is based on the inflow amount of the treatment plant). ) are already stored in the storage unit 3 as part of the various data 19. FIG.
  • FIG. 10 is a diagram explaining the concept of estimating the amount of sewage-related facility inflow at a future point in time after a certain period of time from the reference time.
  • the amount of inflow flowing into sewage-related facilities such as the sewage treatment plant 48 (similar to the amount of rain to be inflow and the amount of infiltration water, in the current example, the amount of inflow per hour (t)) is included in the rainfall in each area. Although it depends on the amount multiplied by the water rate, it takes different time for the infiltration water from each area to reach sewage-related facilities. What contributes to the amount is not the specific time, but the amount of precipitation in each area at the time before the specific time by the arrival time, which varies from area to area (precipitation at different times for each area). must be taken into account).
  • the "time” here means “time” with a specified "day", that is, "date and time”.
  • the infiltration water rate in the equation (12) is an estimated value by the estimation model, but when the estimation model is generated for each rainfall pattern, the pattern-specific model corresponding to the rainfall pattern of the rainfall for which the inflow is estimated can be used to determine an estimate of the infiltration rate.
  • the sewage-related facility inflow estimation unit 12 reads necessary data from the rainfall information database 20, the infiltration water rate database 23 during rainy weather, various data 19, etc., and estimates the inflow of the sewage-related facility according to the equation (13). .
  • the estimated value of the inflow may be displayed on the display device 27 by the various control and display units 13, or the estimated value of the inflow and the identifier specifying the sewage-related facility may be sent to the client machine 34 or the computer of the sewage-related facility 32. It may be sent and displayed on the input/output unit (display unit) 43 of the client machine 34 or the display device of the computer of the sewage-related facility 32 .
  • Predicting the inflow amount of infiltration water into sewage-related facilities in this way can contribute to stable and efficient operation of pumping stations, sewage treatment plants, and the like.
  • rainwater will not flow into the separate sewage system, and rainwater will flow in the same way as fine weather.
  • a large amount of rainwater flows into the system during rainy weather, which may hinder the operation of pumping stations and sewage treatment plants.
  • Rainwater drainage facilities and combined sewers have the ability to remove rainwater, but if there is an inflow that exceeds the capacity or there is a large fluctuation in the amount of inflow, a heavy load will be placed on the operation of the facility.
  • the inflow gate should be closed to respond to inflows that cannot be processed, but if the timing is delayed, the facility will be flooded and the processing function will be lost. In addition to flooding the surrounding area, restoration of treatment functions will be expensive and long-term sewage treatment restrictions will occur. However, even if the inflow gate is closed, the surrounding area will be flooded, so the gate cannot be closed as a preventive measure.
  • Figures 11 to 13 show screen images of the system for narrowing down the areas where infiltration water occurs during rainy weather. These screens may be displayed on the display device 27 of the rainy weather infiltration water rate estimation device 1, or the screen display data is transmitted from the rainy weather infiltration water rate estimation device 1 to the client machine 34, and then the client machine 34 It may be displayed on the display device of the input/output unit (display unit) 43 .
  • the analysis procedure is as follows. (1) Estimation of fine weather inflow The fine weather inflow for the entire target area is obtained from the fine weather inflow, and the fine weather inflow is allocated to each mesh. At that time, the building area within the mesh is obtained by image analysis of the map and used to set the sewage volume unit consumption. (2) Input rainfall information Allocate XRAIN rainfall information to each area (mesh). (3) Input of basin characteristics (variables) Various basin characteristics values such as ground surface infiltration, sewage pipe, and rain pipe length are assigned to each mesh.
  • Fig. 14 shows the analysis results of the maximum infiltration rate in the verification rainfall.
  • Table 4 shows each item of the basin characteristics arranged in descending order of the degree of relevance to the infiltration rate. (Table 4)
  • the watershed characteristic that has the highest degree of association with the infiltration rate is "rainfall”, and its degree of association is 0.453641.
  • the watershed characteristic with the second highest degree of relevance is “residential area”, and its degree of relevance is 0.166464.
  • the third most relevant watershed property is "permeability", with a relevance of 0.081008.
  • Figures 15 and 16 show the results of comparing the analysis results of the infiltration water rate and the measured values calculated from the flow rate survey results.
  • the flow rate survey was conducted for about two months from September 2019 by installing a total of 10 flowmeters (A to J) in the pipe.
  • the left bar graph is the measured value
  • the right bar graph is the analysis result (estimated value by the estimation model).
  • the scale on the vertical axis of the bar graph corresponds to the "infiltration water rate (%)" on the left side
  • the scale on the right side of the vertical axis corresponds to the total rainfall shown between the bar graphs of the actual measurement values and analysis results.
  • the comparison was made with the average infiltration water rate for 3 hours from 4:00 to 7:00, when the rainfall for verification was heavy. As a result of the comparison, the infiltration rate of the analysis result was within ⁇ 10% of the measured value at 6 locations and within ⁇ 20% at 2 locations.
  • the present invention narrows down the area where infiltration water is generated in a separate sewer system during rainy weather, improves the efficiency of maintenance such as repair and replacement of sewage pipes (sewage pipes), and improves the efficiency of maintenance such as repair and replacement of sewer pipes (sewage pipes), and when it rains to sewage-related facilities including combined and rainwater removal facilities. Although it can be used to predict the amount of inflow of water, it can be widely used without being limited to these.

Landscapes

  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Hydrology & Water Resources (AREA)
  • Sewage (AREA)

Abstract

機械学習を行った推定モデルを用いて雨天時浸入水率の推定をする装置、方法、及びプログラムを提供する。複数の区域に分割される対象地域において区域の各々に対して定義される、降雨量に対する雨天時浸入水量の割合に対応する雨天時浸入水率、を推定する雨天時浸入水率推定装置であって、区域の各々に対して定義される変数であって、区域の各々における降水量の関数を含む変数のデータを取得する、変数データ取得部と、雨天時浸入水率推定部であって、変数データ取得部が取得した、区域の各々における変数のデータと、雨天時浸入水率と変数との過去のデータを教師データとして機械学習を行った、変数から雨天時浸入水率を推定する推定モデルとを用いて、区域の各々における雨天時浸入水率を推定する、雨天時浸入水率推定部とを備える、雨天時浸入水率推定装置を提供する。

Description

雨天時浸入水率推定装置、雨天時浸入水率推定方法、及びプログラム
　本発明は、下水道管路における雨天時浸入水の発生領域絞り込みシステムに適用することができる、雨天時浸入水率推定装置、雨天時浸入水率推定方法、及びプログラムに関する。
　雨水を排除するための雨水管と、汚水を下水（汚水）処理場へと流すための汚水管とが分離された分流式下水道において、雨天時に雨水が汚水管に浸入すると（雨天時浸入水）、下水道施設に流入する水量が増大し、汚水管路からの溢水や処理施設の負担増加等の問題が生じる。これらは、下水処理費用の増大、公共用水域の水質悪化、溢水による公衆衛生の悪化または浸水被害等の原因となることから対策が強く求められている。今後、汚水管の老朽化により、雨天時浸入水が増加することが予想される。効率的に雨天時浸入水を減らすためには、下水道を管理する事業体の対象地域全体から発生領域を絞り込んだ上で対策を実施する必要がある。その一方で発生領域を絞り込むための実地調査は費用が掛かりすぎるため、低コストかつ高精度な発生領域の絞り込み方法が必要となっている。
　特許文献１においては、対象地域から下水道に流入する不明水の発生分布を推定する不明水発生分布推定装置において、パターンマッチング分析を行うことにより各地区における不明水発生分布を得る装置が記載されている。しかしながら、対象地域を複数の区域（メッシュ）に細分化し機械学習モデルを用いて雨天時の浸入水率を推定するための具体的な手法は従来提供されていない。
特許第３８５７６７０号
　以上に鑑み、本発明は、複数の区域に分割される対象地域において複数の区域の各々に対して定義される、降雨量に対する雨天時浸入水量の割合に対応する雨天時浸入水率、を推定する雨天時浸入水率推定装置、雨天時浸入水率推定方法、及びプログラムとして、機械学習を行った推定モデルを用いて推定をする装置、方法、及びプログラムを提供することを課題とする。
　上記課題を解決するべく、本発明は、複数の区域に分割される対象地域において区域の各々に対して定義される、降雨量に対する雨天時浸入水量の割合に対応する雨天時浸入水率、を推定する雨天時浸入水率推定装置であって、区域の各々に対して定義される変数であって、区域の各々における降水量の関数である流入対象雨量を含む変数のデータを取得する、変数データ取得部と、雨天時浸入水率推定部であって、変数データ取得部が取得した、区域の各々における変数のデータと、雨天時浸入水率と変数との過去のデータを教師データとして機械学習を行った、変数から雨天時浸入水率を推定する推定モデルとを用いて、区域の各々における雨天時浸入水率を推定する、雨天時浸入水率推定部とを備える、雨天時浸入水率推定装置を提供する。
　推定モデルは、雨天時浸入水率と変数との過去のデータを教師データとして２以上の降雨パターンの各々に対応して各々が別個に機械学習を行った２以上の別個のパターン別推定モデルのうち、対象降雨の降雨パターンに対応するパターン別推定モデルであってよい。
　機械学習の学習アルゴリズムは、ランダムフォレスト又はニューラルネットワークであってよい。
　雨天時浸入水率推定装置は、変数データ取得部により取得された区域の各々における降水量の関数である流入対象雨量のデータと、雨天時浸入水率推定部による推定により得られた区域の各々における雨天時浸入水率の推定値とを用いて、区域の各々における雨天時浸入水量の推定値を算出する、雨天時浸入水量算出部を更に備えてよい。
　降水量の関数は、各々の区域において、降水量と、面積とを用いて算出される流入対象雨量であってよい。
　また本発明は、上述のいずれかの雨天時浸入水率推定装置において、雨天時浸入水率推定部による推定により得られた区域の各々における雨天時浸入水率の推定値を日時と関連付けて時々刻々と記憶する、雨天時浸入水率記憶部と、雨天時に下水関連施設に流入する流入水の、基準時点よりも一定時間後の将来時点での流入量を推定する、下水関連施設流入量推定部であって、各々の区域から下水関連施設への流達時間に応じて各々の区域に対して決定される日時における、各々の区域の予測降水量又は実績降水量と、各々の区域の面積と、各々の区域に対する浸透率と、流達時間に応じて各々の区域に対して決定される日時における、各々の区域の雨天時浸入水率の推定値と、流達時間に応じて各々の区域に対して推定される日時における、晴天時流入量とを用いて後の時点での流入量を推定する、下水関連施設流入量推定部とを更に備えた、下水関連施設流入量推定装置を提供する。
　また本発明は、複数の区域に分割される対象地域において区域の各々に対して定義される、降雨量に対する雨天時浸入水量の割合に対応する雨天時浸入水率、を推定する雨天時浸入水率推定装置が実行する推定方法であって、区域の各々に対して定義される変数であって、区域の各々における降水量の関数である流入対象雨量を含む変数のデータを取得する、変数データ取得工程と、雨天時浸入水率推定工程であって、変数データ取得工程で取得した、区域の各々における変数のデータと、雨天時浸入水率と変数との過去のデータを教師データとして機械学習を行った、変数から雨天時浸入水率を推定する推定モデルとを用いて、区域の各々における雨天時浸入水率を推定する、雨天時浸入水率推定工程とを備える、雨天時浸入水率推定方法を提供する。
　また本発明は、複数の区域に分割される対象地域において区域の各々に対して定義される、降雨量に対する雨天時浸入水量の割合に対応する雨天時浸入水率、を推定する雨天時浸入水率推定方法をコンピュータに実行させるためのプログラムであって、区域の各々に対して定義される変数であって、区域の各々における降水量の関数である流入対象雨量を含む変数のデータを取得する、変数データ取得手順と、雨天時浸入水率推定手順であって、変数データ取得手順で取得した、区域の各々における変数のデータと、雨天時浸入水率と変数との過去のデータを教師データとして機械学習を行った、変数から雨天時浸入水率を推定する推定モデルとを用いて、区域の各々における雨天時浸入水率を推定する、雨天時浸入水率推定手順とを実行させるためのプログラムを提供する。
　本発明によれば、機械学習モデルを活用して対象地域内の区域ごとに浸入水率を推定することにより雨天時浸入水の発生領域を実地調査なし若しくは最小限の実地調査で絞り込むことが可能となる。これにより、従来はコストがかかりすぎて困難であった、対象地域全体を対象とした対策優先区域の合理的な絞り込みを可能とする。このことで下水管（汚水管）の修理、交換等のメンテナンスを効率化することができる。
また一態様においては、区域ごとの浸入水率とリアルタイムの降水量および予測降水量をもとに下水処理場、雨水ポンプ場を含む下水処理施設の雨天時の流入量予測が可能となる。
流入量の急変を高精度に予測することで、先を見越した運転制御が可能となり運転員の作業負荷とエネルギー消費を軽減できる。また処理しきれない量の流入に対しても、事前に予測することで対応を検討する時間が得られ、浸水や設備の損傷など、発生する損害の軽減が可能となる。
雨天時浸入水率推定装置の構成を示すブロック図。 雨天時浸入水の発生領域絞り込みシステムの構成を示すブロック図。 雨天時浸入水率推定装置によって実行される学習段階の動作フローを示すフローチャート。 雨天時浸入水率推定の対象地域が複数の区域（メッシュ）に分割されることを示す概念図。 複数の区域に分割された対象地域における、下水（汚水）処理場と下水道管路（汚水管）との配置を示す図。 雨天時浸入水率推定装置によって実行される運用段階の動作フローを示すフローチャート。 学習アルゴリズムの一例として、ランダムフォレストの概念（学習段階）を説明する図。 学習アルゴリズムの一例として、ランダムフォレストの概念（運用段階）を説明する図。 学習アルゴリズムの一例として、ニューラルネットワークの概念を説明する図。 現在時刻より一定時間後の将来時点での下水関連施設流入量推定の概念を説明する図。 雨天時浸入水の発生領域絞り込みシステムの画面イメージ（降雨）。 雨天時浸入水の発生領域絞り込みシステムの画面イメージ（モデル作成・学習実行）。 雨天時浸入水の発生領域絞り込みシステムの画面イメージ（学習結果）。 雨天時浸入水の発生領域絞り込みシステムの実施例における解析結果を示す図。 解析結果と実測値の浸入水率の比較結果を示すグラフ。 解析結果と実測値の浸入水率の比較結果を示す表。 分流式下水道を説明する概略図。 降雨と雨天時浸入水発生の時間差を説明する図（処理場への流入量、及び領域ごとの雨量）。
　以下、本発明の実施形態を、図面を参照しつつ説明する。ただし、本発明の範囲は以下の実施形態に限られるわけではなく、請求の範囲の記載によって定められることに留意する。例えば以下の実施形態中で用いる式はあくまで例であり、それらの式を用いることは本発明の実施において必須ではない。例えば、雨天時浸入水率推定のために用いる機械学習モデルは、降雨パターンごとに別個に作成するのではなく１つのみのモデルを作成してどのような降雨パターンの降雨であるかにかかわらずその１つのモデルを用いて浸入水率の推定を行うこととしてもよい。機械学習モデルを生成するための機械学習アルゴリズムも、後述のランダムフォレスト、ニューラルネットワークに限らず任意のアルゴリズムであってよい。説明変数等の選択も任意である。各データのデータ形式も、ＣＳＶ（Ｃｏｍｍａ　Ｓｅｐａｒａｔｅｄ　Ｖａｌｕｅ）形式のファイル等、任意の形式であってよい。各々の機能部は、単独のハードウェアによって実現されてもよいし、２以上のハードウェアにより実現されてもよいし、後述のとおり複数の機能部が１つのハードウェアにより実現されてもよい。なお、本明細書中、「水」とは純水であってもよいし、汚水等の下水、或いは雨水等、任意の不純物等を任意に含む水であってもよい。また、水量については１トン＝１ｍ3として質量の単位（ｔ）であらわしている。
　図１７は、分流式下水道を説明する図である。分流式下水道においては、下水道管（汚水管）１０００と雨水管１１００とが分離されている。住宅、ビルディング等から排出された汚水は下水道管１０００を通って下水（汚水）処理場１００１へと集められ、下水処理場１００１において下水処理された後、海や河川へと放出される。他方、雨水は、雨水管１１００を通って海や河川などの公共用水域へ直接放流されるかまたは雨水ポンプ場１１０１へと集められ、雨水ポンプ場１１０１において砂やごみが取り除かれたうえで海や河川などの公共用水域へと放出される。ここで、下水道管１０００に経年劣化等により不良箇所（ひび、破損、孔等）１００２が生じていると、不良箇所１００２を通って下水道管１０００に地中に浸透した雨水が浸入することがあり、これにより下水処理場１００１の処理負担が増大したり、公共用水域の水質悪化、溢水による公衆衛生の悪化または浸水被害等の問題が生じたりするがある。
　図１８は、降雨と下水処理場における雨天時浸入水発生の時間差を説明する図である。図１７のグラフ中、横軸は時刻を表し、縦軸は下水処理場１００１への或る区域からの流入量（ｔ）（晴天時流入量＋雨天時浸入水）を示す。グラフ中、「雨量」は該当する時刻の領域ごと降水量の平均（流達時間は考慮していない）であり、「雨天時浸入水量」は、「流入量の実測値－晴天時流入量」の計算で算出する。「晴天時流入量」は、３か月分の流入量の平均とする（曜日別などを考慮）。晴天時流入量は、季節、気象条件、曜日等に応じて推定可能な量であり、以下の実施形態においては既知（推定値が既に得られている）の量として扱う。雨天時浸入水は、後述のとおり機械学習モデルを用いて推定される雨天時浸入水率を用いて算出可能な浸入水（の量）である。図１８のグラフに示すとおり、降雨時の降水量がピークとなる時刻と、処理場への雨天時浸入水量がピークとなる時刻との間には時間差が生じるが、これは、下水処理場１００１へと繋がる下水道管を通って雨天時浸入水が下水処理場１００１に到達するまでにかかる時間（流達時間）と関連する。該当降雨の該当時刻における各領域の浸入水量Ａを求め、これを機械学習の正解として学習を実施することができる。
　Ａ＝（当該領域の雨量）／Σ全領域（領域ごとの雨量）×（雨天時浸入水量）
ただし、上式中、「領域ごとの雨量」においては流達時間を考慮する（図１８も参照）。
　対象地域の複数の区域（メッシュ）への分割
　図４は、雨天時浸入水率推定の対象地域が複数の区域（メッシュ）に分割されることを示す概念図であり、図５は、複数の区域に分割された対象地域における、下水（汚水）処理場と下水道管路（汚水管）との配置を示す図である。以下においては１つ１つの区域が５０ｍ四方の正方形区域であるとする（図４は、説明のための概念図であり、区域の形状の正確性は考慮していない）が、区域の形状やサイズは任意に定めることができる。「対象地域」とは、雨天時浸入水率の推定を行う対象となる任意の地域であり、対象地域を複数の区域に分割することにより、複数の区域の集合体として対象地域をとらえることができる。図５の例においては、区域４９，５１のような、８×１１＝８８個の矩形区域（一辺の長さが５０ｍの正方形区域とする）の集合体として対象地域が与えられる。また、図４、図５では対象地域を矩形で示しているが、通常は４８に示す処理場またはポンプ場に流入する地域全域が対象地域であり、不定形となる。
　雨天時浸入水率
　各区域において個別に定義される「雨天時浸入水率」とは、降雨量に対する雨天時浸入水量の割合に対応する量であり、或る区域における「雨天時浸入水率」とは、以下の（１）式
Figure JPOXMLDOC01-appb-M000001
 で定義される「雨天時浸入水率」のことである（上記（１）式の雨天時浸入水率に１００を乗じることにより百分率で表すこともある）。ただし、既に述べたとおり「ｔ」は重さの単位のトンである（１トン＝１０００ｋｇ）。（１）式中、「雨天時浸入水量」とは、上記或る区域（当該区域）に降った雨水のうち、下水道管に流れ込む雨水の量（重さ。単位はトン）である。（１）式中の「降水量（ｔ）」は、上記或る区域に降った雨水の量（重さ。単位はトン）である。なお、以下において「流入対象雨量」とは、当該区域における降水量（ｍｍ）や、当該区域の面積（ｍ2）、そして後述のとおり当該区域の用途（建物、道路、河川・池、その他）に応じて所定のルールで算出される当該区域の浸透率（０以上、１以下の値）を用いて、個別の区域ごとに以下の（２）式
Figure JPOXMLDOC01-appb-M000002
 で定義される（雨水の密度を、１０００ｋｇ／ｍ3と仮定した。雨水、或いは下水等の密度が異なる場合は、（２）式で得られた値に適宜密度を乗じる等して補正すればよい。他の式においても同様。）。なお、ここでは流入対象雨量をｔ（トン）の単位で示しているが、（２）式中、区域の降水量（ｍｍ）は現在の例においては１時間あたりの降水量（１時間降った雨水がどこにも流れ出すことなく、その場所にたまった場合の水の深さ）と同じであるから、流入対象雨量（ｔ）も１時間あたりの流入対象雨量を意味することに留意する。同様に、（１）式の浸入水量（ｔ）も、現在の例においては１時間あたりの浸入水量を意味する。後述の各式における（処理場の）流入対象雨量、浸入水量、下水関連施設への流入量等も同様に時間あたりの量を示すことに留意する。また区域の降水量とは、例えば一辺が５０ｍの区域内における１時間あたりの降水量（ｍｍ）であるが、降雨データを後述のＸＲＡＩＮから取得する場合は、ＸＲＡＩＮの降雨データが２５０ｍ×２５０ｍの区域単位で与えられるため、５０ｍ×５０ｍの区域２５個において１つの降水量（ｍｍ）が対応することとなる（２５個の区域に同じ値の降水量を割り当てるか、または隣接するＸＲＡＩＮの区域における降水量との差を考慮して傾斜した降水量を割り付ける）。
　後述のとおり、雨天時浸入水の発生領域絞り込みシステムの運用段階において、雨天時浸入水率推定装置は、各区域に対して個別に定義される変数（流域特性）を入力とし、機械学習済みの推定モデルにより、出力としての浸入水率を各区域に対して個別に推定し、降水量の値を用いて（２）式に従い区域ごとに算出される流入対象雨量を当該区域における浸入水率の推定値に乗じる（上記（１）式参照）ことにより、浸入水量の推定値を区域ごとに算出する。
　雨天時浸入水率推定装置の構成
　図１は、雨天時浸入水率推定装置の構成を示すブロック図である。雨天時浸入水率推定装置１は、制御部２と、記憶部３と、入出力部４と、通信部５とを備える。後述する通信部を介して入力および表示を行う場合は、入出力部は不要としてもよい。
　制御部２は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ：中央処理装置）等のプロセッサ６と、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ：ランダム　アクセス　メモリ）等の一時メモリ７とを備える。プロセッサ６が、記憶部３に記憶された変数データ取得プログラムを実行することにより、制御部２（のプロセッサ６．以下においても同様）は変数データ取得部８として機能する。プロセッサ６が、記憶部３に記憶された機械学習プログラムを実行することにより、制御部２は機械学習部９として機能する。プロセッサ６が、記憶部３に記憶された雨天時浸入水率推定プログラムを実行することにより、制御部２は雨天時浸入水率推定部１０として機能する。プロセッサ６が、記憶部３に記憶された雨天時浸入水量算出プログラムを実行することにより、制御部２は雨天時浸入水量算出部１１として機能する。プロセッサ６が、記憶部３に記憶された下水関連施設流入量推定プログラムを実行することにより、制御部２は下水関連施設流入量推定部１２として機能する。プロセッサ６が、記憶部３に記憶された各種制御、表示プログラム（オペレーティングシステムや、地理情報システム（ＧＩＳ：Ｇｅｏｇｒａｐｈｉｃ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｙｓｔｅｍ）用のアプリケーションソフトウェア、各種デバイスのドライバソフトウェア等を含む）を実行することにより、制御部２は各種制御、表示部１３として機能する。記憶部３にはその他に任意のプログラムが記憶されていてよく、制御部２のプロセッサ６が任意のプログラムを実行することにより制御部２は任意の機能部として機能することができる。領域数が多い場合、計算を１時間当たりよりも短い時間単位で行う場合は計算量が増大し、計算に要する時間がかかりすぎる場合がある。その場合は、プログラムの一部を演算性能の高いＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）で行う仕様としてもよい。
　変数データ取得部８は、外部サーバからのデータ取得、記憶部３に記憶された各種データ、データベースからのデータ取得、上記流入対象雨量の算出等の演算処理等を行うことにより変数データを取得する機能部である。変数データ取得部８は取得した変数データを変数データベース２２のデータレコードとして記憶部３に記憶（記録）させる。記憶部３に記憶された変数データは（制御部２により読みだされて適宜一時メモリ７に記憶された上で。以下のデータ処理においても同様）、雨天時浸入水率推定部１０による雨天時浸入水率推定処理等に用いられる。
　機械学習部９は、記憶部３に記憶された教師データ１７（説明変数である１種類以上の変数の変数データ、及び、目的変数である（雨天時）浸入水率の浸入水率データとしての、それぞれ過去のデータ）を用いて、変数から浸入水率を推定（予測）する推定モデル（予測モデル）を機械学習（教師あり学習）アルゴリズムにより作成、更新する機能部である。ここにおいて、浸入水率の推定モデルとは、後述の雨天時浸入水率推定部１０が変数データを入力データとして受け付けて浸入水率の推定値を出力データとして出力するために用いる、具体的な計算式、計算方法、パラメータ値（重み係数の値等）等であるとする。機械学習部９は、作成した浸入水率の推定モデルを表すデータ（プログラム等を含んでもよい）を学習済みモデル１６として記憶部３に記憶させる。
　雨天時浸入水率推定部１０は、機械学習部９が生成した学習済みモデル１６を用いて、変数データを入力データとして受け付けて浸入水率の推定値を出力データとして出力する機能部である。雨天時浸入水率推定部１０は、対象地域を構成する複数の区域の各々１つずつについて、学習済みモデルを用いた計算により変数データから浸入水率の推定値を算出する。雨天時浸入水率推定部１０は、算出した浸入水率の推定値のデータを、雨天時浸入水率データベース２３のデータレコードとして記憶部３に記憶させる。雨天時浸入水率推定部１０は、各区域における浸入水率の推定値の算出を、一例においては所定時間間隔で繰り返し行い、浸入水率の推定値を区域、日時（日付と時刻）と関連付けで、記憶部３（「雨天時浸入水率記憶部」と呼ぶことがある。）の雨天時浸入水率データベース２３に時々刻々と繰り返し格納させる。
　雨天時浸入水量算出部１１は、上述の（１）式，（２）式に従い、各区域における浸入水量の推定値を算出する機能部である。雨天時浸入水量算出部１１は、対象地域を構成する複数の区域の各々１つずつについて、当該区域における浸入水率の推定値に当該区域における流入対象雨量を乗じることにより、当該区域の浸入水量の推定値を算出する。雨天時浸入水量算出部１１は、算出した浸入水量の推定値のデータを、施設流入量、雨天時浸入水量データベース２１のデータレコードとして記憶部３に記憶させる。雨天時浸入水量算出部１１は、各区域における浸入水量の推定値の算出を、一例においては所定時間間隔で繰り返し行い、浸入水量の推定値を区域、日時と関連付けで、記憶部３（「雨天時浸入水量記憶部」と呼ぶことがある。）の施設流入量、雨天時浸入水量データベース２１に時々刻々と繰り返し格納させる。
　下水関連施設流入量推定部１２は、各区域から下水道管（汚水管）を通って下水処理場等の下水関連施設に流入する浸入水の、ある時点（例えば、日時の基準時点からｔ分後）での流入量を推定する機能部である。下水関連施設流入量推定部１２は、算出した流入量の推定値のデータを、施設流入量、雨天時浸入水量データベース２１のデータレコードとして記憶部３に記憶させる。各々の区域から下水道管へと浸入した雨天時浸入水が、当該区域から下水関連施設に到達するまでには区域ごとに異なる流達時間を要するため、この流達時間も考慮した計算によって下水関連施設への流入量が推定される。流入量の具体的算出については後に詳しく説明する。
　記憶部３は、ハードディスクドライブ、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等を備えた記憶（記録）装置であり、上述のとおり制御部２をさまざまな機能部として機能させるためにプロセッサ６によって実行されるプログラムとして、機械学習関連プログラム１４（変数データ取得プログラム、機械学習プログラム、雨天時浸入水率推定プログラムを含む）、各種プログラム１５（雨天時浸入水量算出プログラム、下水関連施設流入量推定プログラム、各種制御、表示プログラム等を含む）を記憶する。また記憶部３は、上述のとおり機械学習部９により生成される学習済みモデル１６として、一例においては後に詳しく説明するとおり２以上の降雨パターンの各々に対応して各々が別個に機械学習を行った２以上のパターン別推定モデルとしての、降雨パターン１用モデル、降雨パターン２用モデル、…降雨パターンＭ用モデルというＭ個のモデルを記憶する（Ｍは２以上の任意の整数）。記憶部３は更に、機械学習部９が浸入水率の推定モデルを生成、更新するために用いる教師データ１７として、過去の変数データ（説明変数データ）と雨天時浸入水率データ（目的変数データ）とを記憶する。また記憶部３は、浸入水率の推定モデルの性能を評価するためのテストデータ１８として、変数データと雨天時浸入水率データとを記憶する。記憶部３は、その他にも晴天時平均流入量データ等の各種データ１９を記憶する。さらに記憶部３は、以下の各種データベースを記憶する。
（１）降雨情報データベース２０
　対象地域に含まれる各々の区域の各日時における降水量を、「区域の識別子」、「日時（時間帯でもよい。以下においても同様）」、「単位時間（例えば１時間だが、これに限らず、より短い時間を単位時間とすることもある）あたりの降水量（ｍｍ）（以下、単に「降水量」と呼ぶ）」をデータ項目として含むレコードの形式で格納するデータベース。
（２）施設流入量、雨天時浸入水量データベース２１
　雨天時浸入水量算出部１１によって算出される、各々の区域の各日時における雨天時浸入水量を、「区域の識別子」、「日時」、「浸入水量」をデータ項目として含むレコードの形式で格納するとともに、下水関連施設流入量推定部１２によって算出される、各日時における下水関連施設への流入量を、「日時」、「流入量」をデータ項目として含むレコードの形式で格納するデータベース（少なくとも２つのテーブルを含む）。
（３）変数データベース２２
　変数データ取得部８によって取得される、各々の区域の各日時における変数を、「区域の識別子」、「日時」、「変数１」，「変数２」…「変数Ｌ」をデータ項目として含むレコードの形式で含むデータベース。なお、Ｌは説明変数としての変数の数であり１以上の任意の整数である。また、後述のとおり、変数のうち流入対象雨量のみが時々刻々と変化し、それ以外の変数が（短期的には）時間変化しないとみなせる場合は、第１の変数データベースとして、「区域の識別子」、「日時」、「流入対象雨量（変数Ｌ）」をデータ項目として含むレコードの形式で格納するデータベースを用意し、更に第２の変数データベースとして、「区域の識別子」、「変数１」，「変数２」，…「変数Ｌ－１」をデータ項目として含むレコードの形式で格納するデータベースを用意してもよい。
（４）雨天時浸入水率データベース２３
　雨天時浸入水率推定部１０によって算出される、各々の区域の各日時における雨天時浸入水率を、「区域の識別子」、「日時」、「浸入水率」をデータ項目として含むレコードの形式で格納するデータベース。
（５）地理情報データベース２４
　変数データ取得部８により、外部サーバマシン（地理情報サーバ）３１等から取得される（後述の図２を参照）各々の区域における地理情報を、「区域の識別子」、「地理情報１」，「地理情報２」，…「地理情報Ｐ」をデータ項目として含むレコードの形式で格納するデータベース。なお、Ｐは、或る区域に対して与えられる地理情報の数であり１以上の任意の整数である。
　入出力部４は、システム管理者が雨天時浸入水率推定装置１に命令やデータを入力するためのキーボード２５、マウス２６等の入力デバイス、及び、画像等の情報を表示するためのディスプレイ装置２７（液晶ディスプレイ装置、有機エレクトロルミネッセンス（有機ＥＬ：ｏｒｇａｎｉｃ　ｅｌｅｃｔｒｏ－ｌｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイ装置等）等の出力デバイスを含む。後述する通信部を介して入力および表示を行う場合は入出力部は不要としてもよい。通信部５は、雨天時浸入水率推定装置１と、外部のサーバマシン、クライアントマシン、各種装置等との間で通信を行うための通信インタフェース２８、通信回路２９を含む。
　雨天時浸入水の発生領域絞り込みシステムの構成
　図２は、雨天時浸入水の発生領域絞り込みシステムの構成を示すブロック図である。雨天時浸入水率推定装置１、外部サーバマシン（地理情報サーバ）３１、下水関連施設３２、降水量測定システム３３、クライアントマシン３４が、インターネット等の通信回線３０を介して連携することにより雨天時浸入水の発生領域絞り込みシステムが構成される。
　外部サーバマシン（地理情報サーバ）３１は、一例においては雨天時浸入水率推定装置１の制御部２が地理情報システム（ＧＩＳ）を利用するときに用いる地理情報を格納するサーバマシンであり、雨天時浸入水率推定装置１と同様に制御部、記憶部、入出力部、通信部を備える。外部サーバマシン３１の記憶部には、地図データ３５、土地用途データ３６、地上雨量計位置データ３７、その他の地理的データ３８が記憶されており、雨天時浸入水率推定装置１からの要求に応じて、これらデータを雨天時浸入水率推定装置１へと送信する。地理情報サーバ３１は独立した複数のサーバから構成されてもよく、例えば地図データ３５を第１の地理情報サーバが格納し、土地用途データ３６を第２の地理情報サーバが格納する等、各種データが複数サーバに分散して格納されていてもよい。
　下水関連施設３２は、下水（汚水）処理場、ポンプ場等の施設であり、以下においては下水（汚水）処理場であるとする。下水処理場３２においては流入流量が随時測定され、下水処理場３２に設置されたコンピュータの記憶部には、流入流量の実測値と測定日時とを関連付けた流入流量実測データ３９が記憶されている。下水処理場３２に設置されたコンピュータは、雨天時浸入水率推定装置１からの要求に応じて、流入流量実測データ３９を雨天時浸入水率推定装置１へと送信する。
　降水量測定システム３３は、場所・日時に応じて変化する降水量を測定するための、気象レーダ、雨量計等を含むシステムであり、一例においてはＸＲＡＩＮ（ｅｘｔｅｎｄｅｄ　ｒａｄａｒ　ｉｎｆｏｒｍａｔｉｏｎ　ｎｅｔｗｏｒｋ）によって構成される。降水量測定システム３３に含まれるコンピュータの記憶部には、各日時における地点ごとの降水量の実測値、予測値を含む降雨情報データ及び予測降雨情報データ４０が記憶されている。降水量測定システム３３に含まれるコンピュータは、雨天時浸入水率推定装置１に、降雨情報データ及び予測降雨情報データ４０を雨天時浸入水率推定装置１に送信する。
　クライアントマシン３４は、コンピュータ、或いはスマートフォン等のデバイスであり、制御部４１、記憶部４２、入出力部（表示部）４３、通信部４４を備える。システム管理者、その他のユーザは、クライアントマシン３４の入出力部（表示部）４３から雨天時浸入水率推定装置１に対して命令を入力することにより、雨天時浸入水率推定装置１に上述の各機能を実行させたり、実行結果として得られる浸入水率、浸入水量の推定値、或いはそれら推定値の分布をマップ上に表示した画像、或いは下水関連施設への流入量の推定値を表示する画像等（時系列表示等も可能）をクライアントマシン３４のディスプレイ装置に表示させたりすることができる。
　雨天時浸入水率推定装置、雨天時浸入水の発生領域絞り込みシステムの動作
　以下、図３～図１０も参照しつつ、雨天時浸入水率推定装置、雨天時浸入水の発生領域絞り込みシステムの動作を説明する。
　１．学習段階の動作
　図３は、雨天時浸入水率推定装置によって実行される学習段階の動作フローを示すフローチャートである。
　区域（メッシュ）情報の生成
　まずステップＳ３０１において、地図読み込み、及び区域（メッシュ）情報生成が行われる。入出力部４を介して、或いは入出力部（表示部）４３を介して雨天時浸入水率推定装置１が管理者等のユーザからの命令を受け付けたことに応答して雨天時浸入水率推定装置１のプロセッサ６が変数データ取得プログラムを実行することにより、変数データ取得部８は地理情報サーバ３１に対して地図データ３５、土地用途データ３６、地上雨量計位置データ３７、その他の地理的データ３８を要求する。要求を受けた地理情報サーバ３１は、地図データ３５、土地用途データ３６、地上雨量計位置データ３７、その他の地理的データ３８を雨天時浸入水率推定装置１に送信する。変数データ取得部８は、予め管理者等のユーザが入出力部４或いは入出力部（表示部）４３を介して入力すること等により指定された、対象地域（地図データ３５の示す地域において、どの地域を対象とするか）と、区域（メッシュ）のサイズ（対象地域をどの程度まで細かく分割するか）と、を示す情報に基づき、対象地域内のメッシュ情報を生成する。一例において、メッシュ情報は、メッシュの基準位置（中心点、或いは左上の端等）の座標とメッシュのサイズ（一辺の長さ、或いは縦と横それぞれの長さ等）とからなる情報であり、メッシュ情報のデータは記憶部３の地理情報データベース２４内に格納される。なお、降雨情報として対象地域内に設置された雨量計からの情報を用いる場合、変数データ取得部８は解析単位の雨量計を選択して、その情報も地理情報データベース２４に格納する。
　流達時間設定
　次にステップＳ３０２において、各区域における流達時間の設定が行われる。「流達時間」とは、各々の区域から下水管を流下して目的地（例：下水処理場）まで浸入水等が到達するまでにかかる時間として各々の区域に対して別個に定義される時間であり、１つの区域内での流達時間の平均値として、１つの区域に対して１つの「流達時間」が定められる。各々の区域における上記流達時間は、予め計算、測定調査等により決定されて（一例においては、下水道台帳の管渠諸元からマニング式を用いて流速を管渠毎に算出し、当該管渠から処理場までの流達時間を求め、各々の区域内の平均値を計算して各々の区域に割り当てる。）、各種データ１９の一部として記憶部３に記憶される。
　末端流入量、各種変数を設定
　ステップＳ３０３において、変数データ取得部８は、各々のメッシュについて、各種変数を設定する。区域ごとに設定される変数の１つには「土地利用（浸透率）情報」がある。土地利用（浸透率）情報とは、１つのメッシュ内の平均浸透率（雨水の土地への浸透のし易さ）を示す情報（０以上、１以下の値とする）であり、当該メッシュの土地のうち、どれだけの面積がどのような用途に利用されているかに応じて、用途ごとに与えられた浸透率の値の加重平均（「或る用途に利用される面積がメッシュの面積において占める割合（０以上１以下）と、当該用途における浸透率との積」を、全ての用途について加算することで得られる）を算出することにより設定される。
　一例においては、各用途の浸透率として、
　建物…　　　　０．０
　道路…　　　　０．１
　河川・池…　　１．０
　その他…　　　０．８
の値が定義される。例えば或るメッシュの面積のうち、４０％が建物によって占められており、２０％が道路によって占められており、１０％が河川又は池によって占められており、３０％がその他の用途で用いられている場合、その区域の（平均）浸透率は、
Figure JPOXMLDOC01-appb-M000003
 となる。変数データ取得部８は、このようなメッシュの浸透率を対象地域内の全てのメッシュについて計算し、各々のメッシュの土地利用（浸透率）情報として記憶部３の変数データベース２２に格納させる。なお、各メッシュにおける、「当該メッシュの土地のうち、どれだけの面積がどのような用途に利用されているか」の情報、及び用途ごとの浸透率の値は、管理者等のユーザが入出力部４或いは入出力部（表示部）４３を介して入力すること等により地理情報データベース２４に予め格納されていることとしてもよいし、地図データ３５に含まれる衛星写真を変数データ取得部８が分析することで「当該メッシュの土地のうち、どれだけの面積がどのような用途に利用されているか」を特定して、その情報を地理情報データベース２４に格納する等してもよい。その他の例として、各区域の浸透率は、予め設定せずに学習させる方法によって決めてもよい。
　また、変数データ取得部８は、機械学習の教師データにおける説明変数の値として用いられる流域特性の値を区域ごとに取得、設定して、教師データ１７の変数データ（説明変数データ）として記憶部３に格納する。また変数データのうち、流入対象雨量（又は雨量）以外のデータ値は、少なくとも短い時間スケールでは変化しない定数とみなすことができ、運用時の説明変数データとしても用いることができるので、変数データ取得部８は、取得、設定した流域特性の値を示す変数データのうち、少なくとも流入対象雨量（又は雨量）以外のデータを、変数データベース２２にも格納する。本実施形態における機械学習の説明変数のリストは以下の表１に示すとおりである。なお、説明変数中、「汚水管布設年度」等の汚水管に関するものについて、例えば区域５１のように汚水管が存在しない区域に対しては、当該区域の流入先管路の情報を割り付ける（区域５１の「汚水管布設年度」としては、汚水管５２の布設年度を用いる）。
Figure JPOXMLDOC01-appb-T000004
（表１）
　住居面積（密度）は、各区域の面積（本実施形態においては、各区域は一辺が５０ｍの正方形であるため面積は２５００ｍ2とする）における住居面積の割合であり、例えば或る区域内で住居面積が１０００ｍ2であれば、住居面積（密度）の値は１０００／２５００＝０．４となる。変数データ取得部８は、地理情報データベース２４に格納されている地理情報（その他の地理的データ３８として、地図データ内のどの領域が住居であるかを示す情報を含むとする。一例においては建物を住居とみなしてよい。）を用いて、各区域において住居面積を特定し、説明変数としての住居面積（密度）の値を算出する。
　土地利用（浸透率）は、既に説明したとおり変数データ取得部８によって各区域に対してステップＳ３０２で設定されている。変数データ取得部８は、各区域について設定された土地利用（浸透率）の値（０以上１以下）を、説明変数としての土地利用（浸透率）の値と決定する。
　汚水管布設年度とは、各区域について、当該区域内（地下）に存在する汚水管の布設された年度であるが、当該区域内に汚水管が存在しない場合には、当該区域の流入先管路の布設された年度であるとしてもよい。一例においては、図５に示すとおり複数の区域（８×１１＝８８の区域）に分割された対象地域において、区域４９内（地下）には汚水管５０が存在するため、区域４９における説明変数としての汚水管布設年度の値は、汚水管５０が布設された年度（西暦１９８０年度であれば、「１９８０」）となる。区域５１内には汚水管が存在しないため、機械学習の対象としなくてよいが、区域５１から最も近い流入先管路として汚水管５２が存在するため、区域５１における説明変数としての汚水管布設年度の値は、汚水管５２が布設された年度（西暦２０００年度であれば、「２０００」）としてもよい。敷設年度の絶対値は重要ではなく、最初の管を敷設した年度を１としてもよいし、現在または将来の時点を０として何年前かを表してもよい。なお、各区域内にどの汚水管が存在するか、或いは各区域にどの汚水管が流入先管路として対応するか、及び、各汚水管の布設年度の値を示す情報は、一例においては下水道管理者の所有するＧＩＳデータに記録された地図上の位置、管種、敷設年度などの情報を使用し、予め各種データ１９の一部として記憶されているとする（区域と汚水管の対応関係については、地理情報データベース２４に格納された地理情報を用いて変数データ取得部８が決定してもよい）。
　汚水人孔数とは、各区域内に存在する、地下の汚水管と通じる汚水人孔（マンホール）の数である。各区域内にどれだけの数の汚水人孔が存在するかを示す情報は、一例においては下水道管理者の所有するＧＩＳデータに記録された地図上の位置、管種、敷設年度などの情報を使用し、予め各種データ１９の一部として記憶されているとしてもよいし、或いは地理情報データベース２４に格納された地理情報を用いて変数データ取得部８が決定してもよい。或る区域内に汚水人孔が３つ存在するのであれば、当該区域における説明変数としての汚水人孔数の値は「３」となる（区域内に汚水人孔が存在しない場合、汚水人孔数の値は「０」となる）。
　汚水枡（おすいます）数とは、各区域内に存在する汚水枡の数であり、汚水枡と下水（汚水）道管とを繋ぐ汚水取付管が当該区域内にいくつ存在するかによって特定することができる。一例においては下水道管理者の所有するＧＩＳデータに記録された地図上の位置、管種、敷設年度などの情報を使用し、予め各種データ１９の一部として記憶されているとしてもよいし、或いは地理情報データベース２４に格納された地理情報を用いて変数データ取得部８が決定してもよい。或る区域内に汚水枡が５つ存在するのであれば、当該区域における説明変数としての汚水枡数の値は「５」となる（区域内に汚水枡が存在しない場合、汚水枡数の値は「０」となる）。
　汚水管延長とは、各区域（地下）内に存在する汚水管の全長（ｍ）である。一例においては下水道管理者の所有するＧＩＳデータに記録された地図上の位置、管種、敷設年度などの情報を使用し、予め各種データ１９の一部として記憶されているとしてもよいし、或いは地理情報データベース２４に格納された地理情報を用いて変数データ取得部８が決定してもよい。或る区域内に汚水管が７０ｍ存在するのであれば、当該区域における説明変数としての汚水管延長の値は「７０」となる（区域内に汚水管が存在しない場合、汚水管延長の値は「０」となる）。
　陶管延長とは、各区域（地下）内に存在する陶管の全長（ｍ）である。一例においては下水道管理者の所有するＧＩＳデータに記録された地図上の位置、管種、敷設年度などの情報を使用し、予め各種データ１９の一部として記憶されているとしてもよいし、或いは地理情報データベース２４に格納された地理情報を用いて変数データ取得部８が決定してもよい。或る区域内に陶管が３０ｍ存在するのであれば、当該区域における説明変数としての陶管延長の値は「３０」となる（区域内に陶管が存在しない場合、陶管延長の値は「０」となる）。なお、説明変数の陶管延長の値として、各区域（地下）内に存在する陶管の全長（ｍ）とヒューム管の全長（ｍ）との合計値を用いてもよい。
　雨水管延長とは、各区域（地下）内に存在する雨水管の全長（ｍ）である。一例においては下水道管理者の所有するＧＩＳデータに記録された地図上の位置、管種、敷設年度などの情報を使用し、予め各種データ１９の一部として記憶されているとしてもよいし、或いは地理情報データベース２４に格納された地理情報を用いて変数データ取得部８が決定してもよい。或る区域内に雨水管が５０ｍ存在するのであれば、当該区域における説明変数としての雨水管延長の値は「５０」となる（区域内に雨水管が存在しない場合、雨水管延長の値は「０」となる）。
　晴天時流入量を算出
　次に、ステップＳ３０４において、各種制御、表示部１３は、晴天時（平均）流入量を算出する。「晴天時平均流入量」とは、季節、気象条件、曜日等に応じて推定可能な下水処理場の晴天時の平均流入量であり、下水関連施設流入量推定部１２により推定値が算出されて各種データ１９の一部として記憶部３に記憶されるとする。この例においては、晴天時平均流入量は晴天時の曜日ごとの３か月平均流入量であるとする（例えば月曜日の晴天時平均流入量は、３か月間にわたる月曜日の晴天時流入量実測値の平均値とし、他の曜日も同様に、同じ曜日の実測値の３か月平均値を算出する）。
　（対象降雨パターンの）過去の降雨データの取得
　ステップＳ３０５において、変数データ取得部８は、過去の降雨データを取得する。具体的には、降水量測定システム３３の装置から、降雨データがリアルタイムで配信される。流入量の予測では、この配信データを用いる。なお、雨天時浸入水発生領域の絞り込みで使う過去データの入手は、降水量測定システム３３に対する注文を受けて行われる。発注後にダウンロードするか外部記憶メディアを経由してデータを受け取る。変数データ取得部８は、降水量測定システム３３のコンピュータから過去の降雨データを取得して降雨情報データベース２０に格納する。降水量測定システム３３のコンピュータは、対象地域内での各地点における過去のさまざまな日時での降水量の測定値、及び必要に応じて各地点における未来のさまざまな日時での降水量の予測値を示す降雨情報データ及び予測降雨情報データ４０を雨天時浸入水率推定装置１に送信する。変数データ取得部８は、取得した降雨情報データ、予測降雨情報データを降雨情報データベース２０に格納する。
　なお、本実施形態においては、降雨パターンに応じて別個に雨天時浸入水率の推定モデルを生成するため、降雨情報データベース２０には、予め降雨パターンごとに分類した上で（データ項目に降雨パターンを示す識別子を含ませる等）、降雨情報データを格納してもよい。一例においては、
　長時間降雨：降雨が、例えば５時間以上等、所定時間以上かつ所定降雨強度以上続いた場合、
　局所集中降雨（前方集中）：総降水量（降水量の時間積算値）のうち、例えば７０％以上の雨が降雨時間の前半に降った場合、
　局所集中降雨（後方集中）：総降水量のうち、例えば７０％以上の雨が降雨時間の後半に降った場合、
　豪雨：例えば総降水量９０ｍｍ以上、
　強雨：例えば総降水量５０ｍｍ以上９０ｍｍ未満、
　中雨：例えば総降水量１０ｍｍ以上５０ｍｍ未満、
　弱雨：例えば総降水量５ｍｍ以上１０ｍｍ未満、
　小雨：例えば総降水量５ｍｍ未満、
　その他：上記いずれのパターンにも該当しない場合、
のように降雨パターンを定義し（或る降雨が２以上の降雨パターンに該当する場合は、予め各々の降雨パターンに対して定めた優先順位の最も高い特定の降雨パターンのみに該当するとみなすことができ、または該当する全てのパターンと関連付けることもできる）、降雨パターンを識別する識別子と関連付けて、降雨情報データを降雨情報データベース２０に格納することができる。降雨パターンの定義は任意であり（例えば豪雨、強雨、中雨において、最大瞬間降水量が１０ｍｍ以上か１０ｍｍ未満かに応じて２パターンに分けてもよい）、一例においては管理者等のユーザが入出力部４或いは入出力部（表示部）４３を介してデータ入力することにより予め各種データ１９の一部として記憶されている。ただし、降雨パターンごとにモデルを別個に生成することは必須ではない。
　対象降雨の雨天時浸入水量の算出
　ステップＳ３０６において、雨天時浸入水量算出部１１は、教師データ１７の一部としての雨天時浸入水量を算出する。雨天時浸入水量は、図１８に示されるとおり、処理場への流入量（ｔ）から晴天時流入量（ｔ）を差し引くことで算出される。ここにおける雨天時浸入水量は、後述の（７）式中、「雨天時流入量－晴天時平均流入量」として用いられる。
　区域毎の流入対象雨量の算出
　ステップＳ３０７において、変数データ取得部８は、上述の表１中、「流入対象雨量」を区域ごとに算出して、教師データ１７の変数データ（説明変数データ）として記憶部３に格納する。上記表１の説明変数中、流入対象雨量とは、各区域において上記（２）式で定義される流入対象雨量（ｔ）であり、ステップＳ３０７において変数データ取得部８によって算出されて、教師データ１７の変数データ（説明変数データ）として記憶部３に格納される。他の説明変数とは異なり、流入対象雨量は日時に依存して短い時間スケールで変化する量であり、後述の目的変数としての浸入水率も日時に依存して短い時間スケールで変化する量である。
　本実施形態における雨天時浸入水率の推定モデルとは、「或る区域における説明変数の値の組」を入力データとして受け付け、「当該区域における目的変数（浸入水率）の推定値」を出力データとして出力するための推定モデルである。
　変数データ取得部８は、対象地域に含まれる各々の区域について、各々の日時（時間帯）の降水量（ｍｍ）データを用いて、各々の区域における各々の日時（時間帯）での流入対象雨量（ｔ）を算出する。一例において、図５に示す対象地域において２０２１年５月１日の１９：００～２２：００まで降雨があり、その日の２１：００時点で区域５１における降水量が１時間あたり２ｍｍであった場合、区域５１における２０２１年５月１日の２１：００時点の流入対象雨量は、区域５１の浸透率（説明変数中、「土地利用(浸透率)」）を０．３６として、以下の（４）式
Figure JPOXMLDOC01-appb-M000005
 より３．２（ｔ）と算出される。この場合の説明変数としての「流入対象雨量」の値は３．２である。変数データ取得部８は、このようにして、降雨情報データベース２０に格納された各区域、各日時の降水量データ、各区域の面積データ（地理情報データベース２４に格納されているとする）、教師データ１７として格納されている各区域の浸透率を用いて、各区域、各日時における流入対象雨量の値を算出して教師データ１７の変数データとして格納する。
　なお、後述の実証結果が示すとおり、目的変数である浸入水率との関連度が特に高い特徴量は「雨量」（降水量）であるが、上記（２）式に示すとおり、流入対象雨量の算出において「降水量」以外の変数は、少なくとも短い時間スケールでは変化しない定数とみなすことができるので（（２）式中、「区域の面積」は定数であり、また「浸透率」は区域によって変化するものの、後述の実証結果が示すとおり浸入水率との関連度は雨量に比べて非常に小さい。）、変数としての流入対象雨量の時間変化は実質的には降水量の時間変化によるものとみなすことができる。したがって、表１に挙げた説明変数のうち、目的変数である浸入水率と特に関連度（ランダムフォレストの例では、特徴量の重要度）が高い説明変数は流入対象雨量であると考えられる。ただし、「流入対象雨量」の代わりに「雨量」として、例えば１時間あたりの降水量（ｍｍ）（或いは降水量（ｍｍ）の所定時間平均値）を説明変数として用いてもよい。
　なお、機械学習において、特に降雨パターンごとに別個の推定モデルを生成する場合、教師データ１７も降雨パターンごとに別個に記憶部３に記憶させる。上述のとおり、教師データ１７において、変数データと雨天時浸入水率データとの組は、区域及び日時（時間帯）を示す情報と関連付けた形式で格納されるが、一例においては、更に降雨パターンを示す情報とも関連付けた形式で変数データと雨天時浸入水率データとの組が格納される。すなわち、教師データ１７として格納されるデータは、
　降雨パターン１用教師データ
　降雨パターン２用教師データ
　…
　降雨パターンＭ用教師データ
のようにパターンごとに分類され（Ｍは２以上の任意の整数）、且つ、それぞれの降雨パターン用の教師データは、変数データと雨天時浸入水率データとの組として、区域及び日時（時間帯）を示す情報と関連付けた形式で格納される（降雨パターン、区域、日時（時間帯）を指定して、変数データと雨天時浸入水率データとの組を読み出すことが可能）。ただし、降雨パターンごとに別個にモデルを作成することは必須ではなく、１つのモデルのみを作成することとしてよい。
　区域ごとの浸入水率の仮設定
　ステップＳ３０８において、変数データ取得部８は、区域ごとの浸入水率を仮設定する。既に述べたとおり、本実施形態の推定モデルにおける目的変数は、雨天時浸入水率である。
Figure JPOXMLDOC01-appb-T000006
（表２）
上述の教師データ１７における雨天時浸入水率の値は、ステップＳ３０６において変数データ取得部８により、以下の（５）～（８）式に従って算出される。
Figure JPOXMLDOC01-appb-M000007
 処理場の流入対象雨量（ｔ）は雨天時浸入水率を推定する単位時間における量であり例えば１時間ごとの推定では１時間積算値である。ただし、（５）式中、ｋは区域の識別子であり、ｎは対象地域に含まれる区域の総数である。すなわち（５）式において、Σ記号内の式は各区域について計算される量である。また（５）式中、「流達時間前の降水量（ｍｍ）」とは、例えば着目している区域の流達時間が「ａ分」であった場合、算出すべき教師データの浸入水率に対応する日時（時間帯）よりも「ａ分」だけ過去の時点での、当該着目している区域の降水量（ｍｍ）である。
　なお、（５）式中の「流達時間」とは、各々の区域から下水道を流下して目的地（下水処理場）まで浸入水等が到達するまでにかかる時間として各々の区域に対して別個に定義される時間であり、１つの区域内での流達時間の平均値として、１つの区域に対して１つの「流達時間」が定められる。各々の区域における上記流達時間は、予め計算、測定調査等により決定されて（一例においては、下水道台帳の管渠諸元からマニング式を用いて満管流速を管渠毎に算出し、当該管渠から処理場までの流達時間を求め、各々の区域内の平均値を計算して各々の区域に割り当てる。）、各種データ１９の一部として記憶部３に記憶されているとする。
Figure JPOXMLDOC01-appb-M000008
 （６）式のとおり、区域の浸透率は、対象区域内のすべての面積について用途を決定し、用途ごとの区域の面積に占める割合と浸透率の積を集計したものである。
Figure JPOXMLDOC01-appb-M000009
Figure JPOXMLDOC01-appb-M000010
 ただし、（８）式中、「区域の流入対象雨量」は上記（７）式で算出でき「処理場の流入対象雨量」は、上記（５）式で算出できる。また（８）式中、「雨天時流入量」とは、算出すべき教師データの浸入水率に対応する日時（時間帯）における、下水処理場の流入量の実測値であり、雨天時浸入水率推定装置１の要求に応じて下水処理場３２のコンピュータから雨天時浸入水率推定装置１へと送信される水位実測データ３９に含まれている（各種データ１９の一部として記憶部３に記憶される）。また（８）式中、「晴天時平均流入量」とは、季節、気象条件、曜日等に応じて推定可能な下水処理場の晴天時の平均流入量であり、事前に各種制御、表示部１３により推定値が算出されて各種データ１９の一部として記憶部３に記憶されているとする。変数データ取得部８は、このように教師データとしての浸入水率を算出して教師データ１７として記憶部３に格納する。
　機械学習アルゴリズムの例
　機械学習アルゴリズムとしては、公知の、或いは非公知のあらゆるアルゴリズムを用いてよいが、ここでは例としてランダムフォレスト（ｒａｎｄｏｍ　ｆｏｒｅｓｔ）とニューラルネットワーク（ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ）について説明する。
　図７は、学習アルゴリズムの一例として、ランダムフォレストの概念（学習段階）を説明する図であり、図８はランダムフォレストの概念（運用段階）を説明する図である。ランダムフォレストの概要を次に説明する。ランダムフォレストにより機械学習された最終的なモデルは、運用段階においては、決定木と呼ばれるモデルを複数用いて、各々の決定木による予測（推定）結果の多数決（分類）、平均（回帰）をとることにより最終的な出力を得る。ランダムフォレストの学習段階においては、多数の説明変数をブートストラップ法と呼ばれる手法のランダムな復元抽出によって複数のサブサンプルに分類し、各々のサブサンプルにおける大量の教師データを各々の決定木に与えることにより各々の決定木が別個に独立した学習を行って、複数のモデル（決定木）での学習がなされる。ランダムフォレストの機械学習アルゴリズムにより生成される最終的な機械学習モデルは、複数の決定木の集合体と解釈することができる。
　図９は、学習アルゴリズムの一例として、ニューラルネットワークの概念を説明する図である。ニューラルネットワークの概要を次に説明する。ニューラルネットワークにおいては、入力層と出力層との間に１以上の隠れ層（中間層）が存在し、入力層中のノード値が隠れ層中のノード値へと変換され、隠れ層中のノード値が出力層のノード値へと変換されることにより、入力データ（説明変数データ）から出力データ（目的変数データ）が得られる。或る層から次の層へのノード値の変換は、線形変換や、活性化関数を用いた非線形変換によって行われる。入力層と隠れ層との間にあるノード間の結合、そして隠れ層と出力層との間にあるノード間の結合は、１つ１つが別個に重みの値を有しており、説明変数と目的変数の教師データを与えて学習させることにより、それぞれの重みの値が更新されていく。学習時に各層の重さは、誤差逆伝播法によって重みを更新している。要求出力と実際の出力の差が小さくなるように計算して、各層に反映する。中間層の層数や、個々の中間層に属するノード数等のハイパーパラーメータを調整することによりモデルを任意に構築することができる。ランダムフォレストやニューラルネットワークは周知の機械学習アルゴリズムであるから、ここではこれ以上詳しく説明しない。
　機械学習の実行
　ステップＳ３０９において、機械学習部９は、これまでのステップで生成、記憶された教師データ１７を用いて機械学習アルゴリズムにより雨天時浸入水率の推定モデルを生成する。機械学習部９は、教師データとして上述の表１の説明変数データと表２の目的変数データとを用いて機械学習を行うことにより、学習済みモデル１６を生成し、記憶部３に記憶させる。降雨パターン別にモデルを生成する場合は、降雨パターン１に従う降雨に関する教師データのみを教師データとして用いて機械学習を行うことにより降雨パターン１用モデルを生成し、同様に、各降雨パターン用のモデルを、当該降雨パターンに従う降雨に関する教師データのみを教師データとして用いて機械学習を行うことにより生成し、記憶部３に記憶させる。
　２．運用時の動作
　図６は、雨天時浸入水率推定装置によって実行される運用段階の動作フローを示すフローチャートである。雨天時浸入水率推定装置１の運用段階においては、降雨が発生し、その降雨により対象地域内の各区域にて雨天時浸入水が発生する際の、当該各区域における各日時での浸入水率が学習済みのモデルを用いて推定される。
　各種変数の設定
　まずステップＳ６０１において、変数データ取得部８は、説明変数の運用データとして、土地利用（浸透率）等のデータを変数データベース２２から取得する。具体的に変数データ取得部８は、表１の説明変数のうち、流入対象雨量（又は雨量）以外の少なくとも短い時間スケールでは変化しない定数とみなすことができる説明変数のデータとして、各々の区域についてのそれら変数データを変数データベース２２から取得する。なお、管種や設置年を変えるなど、検討用に意図的に変数を変える場合もある。
　降雨データの取得
　ステップＳ６０２において、変数データ取得部８は、過去の降雨データを取得する。具体的には、降水量測定システム３３の装置から、降雨データがリアルタイムで配信される。流入量の予測では、この配信データを用いる。なお、雨天時浸入水発生領域の絞り込みで使う過去データの入手は、降水量測定システム３３に対する注文を受けて行われる。発注後にダウンロードするか外部記憶メディアを経由してデータを受け取る。変数データ取得部８は、降水量測定システム３３のコンピュータから降雨情報データ及び予測降雨情報データ４０を取得して降雨情報データベース２０に格納する。なお、実降雨データの他に、仮想の降雨データを用いる場合もある。
　区域毎の流入対象雨量の算出
　引き続き、変数データ取得部８は、ステップＳ６０３において、区域ごとの流入対象雨量を算出する。教師データ作成時と同様に、変数データ取得部８は、上記（２）式に従い各々の区域について流入対象雨量を算出するが、（２）式中の「区域の降水量（ｍｍ）」としては、教師データの降水量ではなく、推定の対象とする日時の降水量の値を降雨情報データベース２０から取得した上で用いる。
　区域ごとの浸入水率の推定
　各々の区域についての、ステップＳ６０１で取得した変数データの値、及びステップＳ６０３で算出した流入対象雨量の値（流入対象雨量ではなく雨量を用いる場合は、ステップＳ６０２で取得した雨量の値）を機械学習済みのモデルへの入力データとして用いることにより、モデル出力値として、各々の区域についての浸入水率の推定値を得ることができる。雨天時浸入水率推定部１０は、ステップＳ６０４において、そのような入力データを用いて上述の機械学習モデルによる推定を行うことにより、各々の区域における対象とする日時の浸入水率の推定値を決定し、雨天時浸入水率データベース２３に格納する。ランダムフォレストを用いる一例においては、最終的な機械学習済みモデルが３つの決定木から構成され、運用時のそれぞれの決定木の出力（浸入水率の推定値）が５％，１０％，１５％であれば、最終的な出力は３つの値から計算した数値がランダムフォレストから出力される。例えば平均値である１０％が浸入水率の推定値として得られる。ニューラルネットワークを用いる一例においては、上記表１の９つの説明変数は入力層に属し（図９においては単純化のため４つのノードｘ１～ｘ４のみを描いたが、９つの説明変数を用いる場合はｘ１～ｘ９の９つのノードが入力層に存在し、各々の説明変数に対応する。）、上記表２の目的変数は出力層に属する（ノードｙ１に対応）。特に降雨パターン別の推定モデルを用いる場合、雨天時浸入水率推定部１０は、ステップＳ６０２で取得された降雨情報データから予測対象の降雨の降雨パターンが降雨パターン１～降雨パターンＭのうちのどれに該当するかを判定し、現在の降雨パターンが該当すると判定された降雨パターン用のモデルを、学習済みモデル１６として記憶された降雨パターン１用モデル～降雨パターンＭ用モデルの中から選択して用いる。
　浸入水率の推定値の出力
　モデル推定により得られた浸入水率の推定値は、ステップＳ６０５において、各種制御、表示部１３により任意の形式で出力される。例えば図５のように区域に区切られたマップ画像上において各々の区域の浸入水率の推定値に対応する色（半透明とする等、表現は任意）を各々の区域に付けた上で当該マップ画像をディスプレイ装置２７に表示するか、或いはそのようなマップ画像のデータをクライアントマシン３４に送信してマップ画像をクライアントマシン３４のディスプレイ装置に表示すれば、管理者等のユーザは浸入水率の高い区域を容易に認識することができる。
　或いは、浸入水率の推定値を直接出力するのではなく、浸入水率の推定値を用いて雨天時浸入水量算出部１１により各々の区域の雨天時浸入水量の推定値を算出し、算出された浸入水量の推定値を、ステップＳ６０５において、各種制御、表示部１３により任意の形式で出力してもよい。具体的に、雨天時浸入水量算出部１１は、ステップＳ６０３で算出された各々の区域における流入対象雨量に、各々の区域についてステップＳ６０４で推定された浸入水率を乗じることにより（（１）式を参照）、各々の区域における対象とする日時の浸入水量の推定値を算出する。各種制御、表示部１３は、例えば図５のように区域に区切られたマップ画像上において各々の区域の浸入水量の推定値に対応する色（半透明とする等、表現は任意）を各々の区域に付けた上で当該マップ画像をディスプレイ装置２７に表示するか、或いはそのようなマップ画像のデータをクライアントマシン３４に送信してマップ画像をクライアントマシン３４のディスプレイ装置に表示すれば、管理者等のユーザは浸入水量の高い区域を容易に認識し、雨天時浸入水の発生領域を絞り込むことができる。
　３．機械学習モデルの最適化
　機械学習部９は、浸入水率の推定値と実測値とを比較して推定モデルを更新（一例においては、運用時の説明変数データと浸入水率の実測値とを新たな教師データ（トレーニングデータ）として用いて再度機械学習を行う）することにより、推定モデルの性能を向上させることができる。特に、下水道管路の上流域の区域（図５の例でいえば、下水処理場４８から比較的遠い区域であり、例えば下水処理場４８に通じている各々の汚水管を中間点で分断した場合に下水処理場４８に遠い方の汚水管部分が通る区域を「上流域の区域」と呼ぶことができる。）における、変数データと浸入水率の実測値（実測方法の一例としては、ここでいう「中間点」に流量計を数か月間設置し、上流域全体の浸入水率を実測によって求めることができる。）とを機械学習部９がトレーニングデータとして記憶部３に蓄積しておき、蓄積されたトレーニングデータを機械学習部９が機械学習モデルに与えて再度モデルの機械学習をすることにより、効率よく機械学習モデルを最適化できると考えられる。
　なお、トレーニングデータとして、機械学習部９は、変数データとともに、浸入水量の実測値を蓄積してもよい。浸入水量の実測値を蓄積しておけば、（１）式に従って浸入水率の実測値も算出できる。機械学習部９、変数データ取得部８等は、浸入水量の実測値を、上記（８）式と（１）式とから算出してもよいが、以下の（９）式、（１０）式
Figure JPOXMLDOC01-appb-M000011
Figure JPOXMLDOC01-appb-M000012
 により算出される区域の浸入水量を実測値として算出して用いてもよい。この場合、各区域の面積と対象地域の区域の面積の合計は、管理者等が予め測定しておくか、変数データ取得部８が地理情報データベース２４に格納された地理情報を用いて算出し、記憶部３の地理情報データベース２４に格納しておくとする。
　ここで、（９）式中、処理場の浸入水量は、以下の（１１）式により、機械学習部９、変数データ取得部８等が算出してもよい。
Figure JPOXMLDOC01-appb-M000013
 ただし、（１１）式中、ｋは区域の識別子であり、ｎは対象地域に含まれる区域の総数である。すなわち（１１）式において、Σ記号内の式は各区域について計算される量である。また（１１）式中、「流達時間前の降水量（ｍｍ）※1」とは、例えば着目している区域の流達時間が「ａ分」であった場合、推定すべき浸入水率に対応する日時（時間帯）よりも「ａ分」だけ過去の時点での、当該着目している区域の降水量（ｍｍ）である（図１８中の、流達時間がそれぞれ０分、６２分、１２０分の例を参照）。
　なお、（１１）式中の「流達時間」とは、各々の区域から下水処理場まで雨天時浸入水が到達するまでにかかる時間として各々の区域に対して別個に定義される時間であり、各区域内での流達時間の平均値として、１つの区域に対して１つの「流達時間」が定められる。各々の区域における上記流達時間は、予め測定調査等により決定されて（一例においては、下水道台帳の管渠諸元からマニング式を用いて満管流速を管渠毎に算出し、当該管渠から処理場までの流達時間を求め、各々の区域内の平均値を計算して各々の区域に割り当てる。）、各種データ１９の一部として記憶部３に記憶されているとする。
　４．下水関連施設における浸入水流入量の推定
　次に、上述の推定モデルにより推定された浸入水率を用いて、下水処理場４８等の下水関連施設に流入する浸入水の流入量をリアルタイムで予測する方法を説明する。前提として、降雨情報データベース２０には、既に述べたとおり各々の時刻における各区域に対しする（１時間あたりの）降水量（ｍｍ）データが日時と関連付けて格納されているが、これに加えて、当該降雨における将来の降水量の予測値も、各々の時刻における各区域に対しての予測降水量（ｍｍ）として日時と関連付けて降雨情報データベース２０に格納されているとする（変数データ取得部８が降水量測定システム３３のコンピュータに、降水量測定システム３３のコンピュータから予測降水量データを受信して、降雨情報データベース２０に格納しているとする）。また、或る降雨が発生している最中に、図３～図６を用いてこれまでに説明したとおりの各区域における浸入水率の推定が時々刻々と行われ、各々の時刻における各区域に対する浸入水率の推定値が日時と関連付けて雨天時浸入水率データベース２３に時々刻々と格納されているとする。さらに、計算開始時刻から予測対象の時刻との差分（例えば６０分先予測）よりも流達時間が短くなる区域では、降雨量の計測値では予測できないので注区降雨データを使用する。降雨情報データベース２０に格納された降雨量実測値および将来の降水量の予測値を用いて、将来の各々の時刻における各区域に対する浸入水率の推定が、同様に機械学習済みの推定モデルを用いて行われており、そのような将来の各々の時刻における各区域に対する浸入水率の推定値が、日時と関連付けて雨天時浸入水率データベース２３に時々刻々と格納されているとする。また各々の時刻の各区域に対する晴天時流入量の推定値は、各種データ１９の一部として日時と関連付けて既に記憶部３に記憶されているとするが、各区域に対する晴天時流入量は季節、気象条件、曜日等に応じて推定可能な量であり、既知（推定値が既に得られている）の量として扱うので、将来の各々の時刻における各区域に対する晴天時流入量（「晴天時流入量」は、雨天時浸入水がない状態での流入量である（晴天時も雨天に起因しない流入がありえるが、処理場流入量を元にしているのでこれを含む）。ここでは『各区域に対する～』とすることで対象を示している。）の推定値も、各種データ１９の一部として既に記憶部３に記憶されているとする。
　図１０は、基準時間より一定時間後の将来時点の下水関連施設流入量推定の概念を説明する図である。下水処理場４８等の下水関連施設に流入する流入量（流入対象雨量や浸入水量と同様に、現在の例においては１時間あたりの流入量（ｔ）とする）は、各区域における雨量に浸入水率を乗じた量に依存するが、各区域から浸入する雨天時浸入水が下水関連施設に到達するまでには、区域ごとに異なる流達時間を要するため、特定の時刻における下水関連施設流入量に寄与するのは、当該特定の時刻ではなく、区域ごとに異なる流達時間だけ当該特定の時刻よりも前の時刻における、各区域での降水量となる（区域ごとに異なる時刻の降水量を計算に入れる必要がある）。なお、ここでいう「時刻」とは、「日」も特定した「時刻」、すなわち「日時」のことである。
　具体的に、或る基準時点（Ｔ＝０とする）からＴ分後の、下水処理場４８等の下水関連施設に流入する浸入水の１時間あたりの流入量（ｔ：トン）は、以下の（１２）式で推定される。
Figure JPOXMLDOC01-appb-M000014
 ただし、（１２）式中、ｋは区域の識別子であり、ｎは対象地域に含まれる区域の総数である。すなわち（１２）式において、Σ記号内の式は各区域について計算される量である。また（Ｔ（分）－流達時間（分））がマイナスの値となる場合、（１２）式中の「予測降水量（ｍｍ）」としては実績降雨による降水量（ｍｍ）を用いる。また（１２）式中の浸入水率は推定モデルによる推定値であるが、推定モデルを降雨パターン別に生成する場合には、流入量の推定の対象とする降雨の降雨パターンに対応するパターン別モデルを用いて浸入水率の推定値を決定すればよい。
　下水関連施設流入量推定部１２は、降雨情報データベース２０、雨天時浸入水率データベース２３、各種データ１９等から適宜必要なデータを読み出し、（１３）式に従って、下水関連施設の流入量を推定する。流入量の推定値は、各種制御、表示部１３がディスプレイ装置２７に表示してもよいし、流入量の推定値と下水関連施設を特定する識別子をクライアントマシン３４や下水関連施設３２のコンピュータに送って、クライアントマシン３４の入出力部（表示部）４３や下水関連施設３２のコンピュータのディスプレイ装置に表示する等してもよい。このようにして、雨天時浸入水の下水関連施設への流入量を予測すれば、ポンプ場、下水処理場等の安定した効率的な運転に寄与することができる。分流式下水道の流入水は、原則として雨水の流入はなく雨天時でも晴天時と同様の流入となる予定である。しかし、自治体によっては雨天時に大量の雨水が流入し、ポンプ場や下水処理場の運転に支障をきたす場合がある。雨水排除施設、合流式下水道は雨水の排除能力を有するが、能力を超えた流入や流入量の大きな変動があると施設の運転に大きな負荷がかかる。雨天時浸入水発生領域の絞り込みシステムを応用して、雨天時にリアルタイムでポンプ場あるいは下水処理場に流入する流入量を予測することで、大量流入をタイミングよくとらえることが可能となる。また流入量予測のメリットとして、処理しきれない量の流入には、流入ゲートを閉じて対応することが原則であるが、タイミングが遅れると、施設内が浸水することで処理機能が喪失し、周辺地域の浸水につながるほか、処理機能回復に高額な費用と長期間の下水処理制限が生じる。しかし流入ゲートを閉じても周辺地域が浸水するため予防的にゲートを閉じることはできない。上述のとおり流入を正確に予測することで、処理場の安全を確保しつつ周辺地域の浸水を最小限にとどめることが可能となる。近い将来の流入量を予測することで、流入が減少傾向にあるときにポンプの運転を適切に制御することが可能となる。このことで運転員の作業負荷とエネルギー消費を軽減できる。
　図１１～図１３に、雨天時浸入水の発生領域絞り込みシステムの画面イメージを示す。これら画面は、雨天時浸入水率推定装置１のディスプレイ装置２７に表示してもよいし、画面表示データを雨天時浸入水率推定装置１からクライアントマシン３４に送信した上で、クライアントマシン３４の入出力部（表示部）４３のディスプレイ装置に表示してもよい。
　雨天時浸入水率推定モデルの性能評価結果
　以下、本発明の実施例として作成した雨天時浸入水率推定モデルの性能評価結果を説明する。２０１９年１月～１１月の雨量情報、及び処理場流入量情報を用いて推定モデル（解析モデル）を構築した。今回の推定モデルの説明変数（各区域の入力項目）は、以下の表３に示すとおりである。ただし、各区域は一辺が２５０ｍｍの正方形であるとして、ＸＲＡＩＮレーダの雨量情報を用いてモデルを構築した。また目的変数は浸入水率とした。
Figure JPOXMLDOC01-appb-T000015
 （表３）
　解析の手順は以下のとおりである。
（１）晴天時流入量の推定
　晴天時の処理場流入量から対象エリア全域の晴天時流入量を求め、各メッシュに晴天時流入量を割り振る。その際、地図の画像解析によりメッシュ内の建物面積を取得して、汚水量原単位設定に利用する。
（２）雨量情報の入力
　ＸＲＡＩＮの雨量情報を各区域（メッシュ）に割り当てる。
（３）流域特性（変数）の入力
　地表の浸透状況、汚水管、雨水管延長など様々な流域特性値を各メッシュに割り当てる。
（４）流達時間の入力
　下水道台帳の管渠諸元からマニング式を用いて満管流速を管渠毎に算出し、当該管渠から処理場までの流達時間を求め、メッシュ内の平均値を計算して各メッシュに割り当てる。
（５）処理場流入量の入力
　処理場流入量データ（１時間単位またはそれより細分化されたデータ）を取り込む。
（６）雨天時浸入水量、浸入水率の解析
　各メッシュからの汚水＋雨天時浸入水は、そのメッシュの流達時間経過後に処理場に流入する。各メッシュの降雨量変動と処理場の流入量変動の関係を機械学習で解析することで、各メッシュの浸入水率が求められる。
　本性能評価における検討フローは以下のとおりである。
１．既存情報の整理
　・雨量（XRAIN）
　・地理的特性、施設的特性、その他
　・処理場流入量
２．モデル構築
　・既存情報を用いて学習
３．浸入水率の解析
　・構築モデルに流量調査期間の雨量データを入力し、浸入水率算出
４．検証
　・実測値との比較
　（流量調査計１０か所）
　解析モデル構築には、２０１９年１月～１１月の雨量情報、及び処理場流入量情報を用い、実測値との比較を行うための検証用降雨は、流量調査期間中の２０１９年１０月１９日降雨（総雨量７５ｍｍ、時間最大雨量１２ｍｍ／ｈ）を選定した。検証用降雨における最大浸入水率の解析結果を図１４に示す。
　また、流域特性の各項目を浸入水率との関連度の大きい順に並べると、以下の表４のとおりとなる。
Figure JPOXMLDOC01-appb-T000016
 （表４）
　表４に示すとおり、浸入水率との関連度（ランダムフォレストにおける特徴量の重要度）が最も高い流域特性は「雨量」であり、その関連度は０．４５３６４１である。２番目に関連度が高い流域特性は「住居面積」であり、その関連度は０．１６６４６４である。３番目に関連度が高い流域特性は「浸透率」であり、その関連度は０．０８１００８である。
　また、浸入水率の解析結果と流量調査結果から算出した実測値を比較した結果を図１５，図１６に示す。流量調査は、２０１９年９月から約２か月間、管内に流量計を計１０ヶ所（Ａ～Ｊ）設置して行われた。図１５のグラフ中では、Ａ～Ｊのそれぞれについて、左の棒グラフが実測値であり右の棒グラフが解析結果（推定モデルによる推定値）である。棒グラフの縦軸のスケールは、左側の「浸入水率（％）」に対応し、縦軸右側の目盛りは実測値と解析結果の棒グラフ間に示している総雨量に対応する。比較は、検証用降雨で降雨量が多い４時から７時までの３時間の平均浸入水率で行った。比較の結果、解析結果の浸入水率が、実測値の±１０％以内が６ヶ所、±２０％以内が２ヶ所となり概ね実測値と同じ結果が得られた。
　本発明は、分流式下水道における雨天時浸入水の発生領域の絞り込み、下水管（汚水管）の修理、交換等のメンテナンスの効率化、合流式および雨水排除施設を含む下水関連施設への雨天時の流入量の予測に用いることができるが、これらに限らず広く利用することができる。
１　　　　　　雨天時浸入水率推定装置
２　　　　　　制御部
３　　　　　　記憶部
４　　　　　　入出力部
５　　　　　　通信部
６　　　　　　プロセッサ
７　　　　　　一時メモリ
８　　　　　　変数データ取得部
９　　　　　　機械学習部
１０　　　　　雨天時浸入水率推定部
１１　　　　　雨天時浸入水量算出部
１２　　　　　下水関連施設流入量推定部
１３　　　　　各種制御、表示プログラム
１４　　　　　機械学習関連プログラム
１５　　　　　各種プログラム
１６　　　　　学習済みモデル
１７　　　　　教師データ
１８　　　　　テストデータ
１９　　　　　各種データ
２０　　　　　降雨情報データベース
２１　　　　　施設流入量、雨天時浸入水量データベース
２２　　　　　変数データベース
２３　　　　　雨天時浸入水率データベース
２４　　　　　地理情報データベース
２５　　　　　キーボード
２６　　　　　マウス
２７　　　　　ディスプレイ装置
２８　　　　　通信インタフェース
２９　　　　　通信回路
３０　　　　　通信回線（インターネット等、ネットワーク回線）
３１　　　　　外部サーバマシン（地理情報サーバ）
３２　　　　　下水関連施設（下水処理場、ポンプ場等）
３３　　　　　降水量測定システム（気象レーダ、雨量計等）
３４　　　　　クライアントマシン（パーソナルコンピュータ、スマートフォン等）
３５　　　　　地図データ
３６　　　　　土地用途データ
３７　　　　　地上雨量計位置データ
３８　　　　　その他の地理的データ
３９　　　　　水位実測データ
４０　　　　　降雨情報データ
４１　　　　　制御部
４２　　　　　記憶部
４３　　　　　入出力部
４４　　　　　通信部
４５　　　　　メッシュ構造
４６　　　　　メッシュ（区域）
４７　　　　　メッシュ（区域）
４８　　　　　下水（汚水）処理場
４９　　　　　メッシュ（区域）
５０　　　　　汚水管（流入先管路）
５１　　　　　メッシュ（区域）
５２　　　　　汚水管（流入先管路）
１０００　　　下水道管（汚水管）
１００１　　　下水（汚水）処理場
１００２　　　不良箇所（ひび、破損、孔等）
１１００　　　雨水管
１１０１　　　雨水ポンプ場
１２００　　　建造物（民家）
１３００　　　建造物（オフィスビルディング）
１４００　　　雨雲

Claims (8)

  1. 　複数の区域に分割される対象地域において区域の各々に対して定義される、降雨量に対する雨天時浸入水量の割合に対応する雨天時浸入水率、を推定する雨天時浸入水率推定装置であって、
    　前記区域の各々に対して定義される変数であって、区域の各々における降水量の関数を含む変数のデータを取得する、変数データ取得部と、
    　雨天時浸入水率推定部であって、
    　　前記変数データ取得部が取得した、前記区域の各々における前記変数のデータと、
    　　前記雨天時浸入水率と前記変数との過去のデータを教師データとして機械学習を行った、変数から雨天時浸入水率を推定する推定モデルと
    　を用いて、前記区域の各々における雨天時浸入水率を推定する、雨天時浸入水率推定部と
    を備える、雨天時浸入水率推定装置。
  2. 　前記推定モデルは、前記雨天時浸入水率と前記変数との過去のデータを教師データとして２以上の降雨パターンの各々に対応して各々が別個に機械学習を行った２以上の別個のパターン別推定モデルのうち、対象降雨の降雨パターンに対応するパターン別推定モデルである、請求項１に記載の雨天時浸入水率推定装置。
  3. 　前記機械学習の学習アルゴリズムは、ランダムフォレスト又はニューラルネットワークである、請求項１又は２に記載の雨天時浸入水率推定装置。
  4. 　前記変数データ取得部により取得された前記区域の各々における前記降水量の関数である流入対象雨量のデータと、前記雨天時浸入水率推定部による推定により得られた該区域の各々における雨天時浸入水率の推定値とを用いて、該区域の各々における雨天時浸入水量の推定値を算出する、雨天時浸入水量算出部
    を更に備える、請求項１乃至３のいずれか一項に記載の雨天時浸入水率推定装置。
  5. 　前記降水量の関数は、該各々の区域において、降水量と、面積とを用いて算出される流入対象雨量である、請求項１乃至４のいずれか一項に記載の雨天時浸入水率推定装置。
  6. 　請求項１乃至５のいずれか一項に記載の雨天時浸入水率推定装置において、
    　前記雨天時浸入水率推定部による推定により得られた前記区域の各々における雨天時浸入水率の推定値を日時と関連付けて時々刻々と記憶する、雨天時浸入水率記憶部と、
    　雨天時に下水関連施設に流入する流入水の、基準時点よりも一定時間後の将来時点での流入量を推定する、下水関連施設流入量推定部であって、
    　　各々の区域から前記下水関連施設への流達時間に応じて該各々の区域に対して決定される日時における、該各々の区域の予測降水量又は実績降水量と、
    　　前記各々の区域の面積と、
    　　前記各々の区域に対する浸透率と、
    　　前記流達時間に応じて前記各々の区域に対して決定される前記日時における、該各々の区域の前記雨天時浸入水率の推定値と、
    　　前記流達時間に応じて前記各々の区域に対して推定される前記日時における、晴天時流入量と
    　を用いて前記後の時点での流入量を推定する、下水関連施設流入量推定部と
    　を更に備えた、下水関連施設流入量推定装置。
  7. 　複数の区域に分割される対象地域において該区域の各々に対して定義される、降雨量に対する雨天時浸入水量の割合に対応する雨天時浸入水率、を推定する雨天時浸入水率推定装置が実行する推定方法であって、
    　前記区域の各々に対して定義される変数であって、該区域の各々における降水量の関数を含む変数のデータを取得する、変数データ取得工程と、
    　雨天時浸入水率推定工程であって、
    　　前記変数データ取得工程で取得した、前記区域の各々における前記変数のデータと、
    　　前記雨天時浸入水率と前記変数との過去のデータを教師データとして機械学習を行った、変数から雨天時浸入水率を推定する推定モデルと
    　を用いて、前記区域の各々における雨天時浸入水率を推定する、雨天時浸入水率推定工程と
    を備える、雨天時浸入水率推定方法。
  8. 　複数の区域に分割される対象地域において該区域の各々に対して定義される、降雨量に対する雨天時浸入水量の割合に対応する雨天時浸入水率、を推定する雨天時浸入水率推定方法をコンピュータに実行させるためのプログラムであって、
    　前記区域の各々に対して定義される変数であって、該区域の各々における降水量の関数を含む変数のデータを取得する、変数データ取得手順と、
    　雨天時浸入水率推定手順であって、
    　　前記変数データ取得手順で取得した、前記区域の各々における前記変数のデータと、
    　　前記雨天時浸入水率と前記変数との過去のデータを教師データとして機械学習を行った、変数から雨天時浸入水率を推定する推定モデルと
    　を用いて、前記区域の各々における雨天時浸入水率を推定する、雨天時浸入水率推定手順と
    を実行させるためのプログラム。
PCT/JP2021/023254 2021-06-18 2021-06-18 雨天時浸入水率推定装置、雨天時浸入水率推定方法、及びプログラム WO2022264422A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2021/023254 WO2022264422A1 (ja) 2021-06-18 2021-06-18 雨天時浸入水率推定装置、雨天時浸入水率推定方法、及びプログラム
JP2023528931A JPWO2022264422A1 (ja) 2021-06-18 2021-06-18

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/023254 WO2022264422A1 (ja) 2021-06-18 2021-06-18 雨天時浸入水率推定装置、雨天時浸入水率推定方法、及びプログラム

Publications (1)

Publication Number Publication Date
WO2022264422A1 true WO2022264422A1 (ja) 2022-12-22

Family

ID=84525996

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/023254 WO2022264422A1 (ja) 2021-06-18 2021-06-18 雨天時浸入水率推定装置、雨天時浸入水率推定方法、及びプログラム

Country Status (2)

Country Link
JP (1) JPWO2022264422A1 (ja)
WO (1) WO2022264422A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116596166A (zh) * 2023-07-17 2023-08-15 湖南清源华建环境科技有限公司 一种用于城市洪涝的智慧排水管理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004019384A (ja) * 2002-06-20 2004-01-22 Fuji Electric Holdings Co Ltd 雨水流出係数予測方法、雨水流入量予測方法、雨水流出係数予測プログラムおよび雨水流入量予測プログラム
JP2007146423A (ja) * 2005-11-25 2007-06-14 Toshiba Corp 雨水貯留施設運用システム
JP2010054266A (ja) * 2008-08-27 2010-03-11 Kajima Corp 浸水予測装置
US10501925B1 (en) * 2015-03-20 2019-12-10 Christopher Conway Lavenson Notifications for reducing overflows from combined sewer systems and sanitary sewer systems

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004019384A (ja) * 2002-06-20 2004-01-22 Fuji Electric Holdings Co Ltd 雨水流出係数予測方法、雨水流入量予測方法、雨水流出係数予測プログラムおよび雨水流入量予測プログラム
JP2007146423A (ja) * 2005-11-25 2007-06-14 Toshiba Corp 雨水貯留施設運用システム
JP2010054266A (ja) * 2008-08-27 2010-03-11 Kajima Corp 浸水予測装置
US10501925B1 (en) * 2015-03-20 2019-12-10 Christopher Conway Lavenson Notifications for reducing overflows from combined sewer systems and sanitary sewer systems

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116596166A (zh) * 2023-07-17 2023-08-15 湖南清源华建环境科技有限公司 一种用于城市洪涝的智慧排水管理系统
CN116596166B (zh) * 2023-07-17 2023-09-22 湖南清源华建环境科技有限公司 一种用于城市洪涝的智慧排水管理系统

Also Published As

Publication number Publication date
JPWO2022264422A1 (ja) 2022-12-22

Similar Documents

Publication Publication Date Title
US20230038850A1 (en) Flood monitoring and management system
US10664937B2 (en) Flood risk analysis and mapping
JP6770125B2 (ja) 建築物改装に伴う損害防止の推定
Apreda et al. A climate vulnerability and impact assessment model for complex urban systems
Benedetti et al. Modelling and monitoring of integrated urban wastewater systems: review on status and perspectives
JP2019194424A5 (ja)
KR100828968B1 (ko) 지리정보시스템과 연계된 하수관거 유지관리방법 및 그기능을 탑재한 하수관거 유지관리시스템
KR102073768B1 (ko) 포털 기반 가뭄정보 제공 시스템
US10762588B2 (en) Flood-recovery options tool
CN114511990A (zh) 泥石流概率测算方法、泥石流多要素协同监测预警方法
CN116777079A (zh) 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法
WO2022264422A1 (ja) 雨天時浸入水率推定装置、雨天時浸入水率推定方法、及びプログラム
Zamani et al. Developing sustainable strategies by LID optimization in response to annual climate change impacts
Sušanj et al. Methodology for developing hydrological models based on an artificial neural network to establish an early warning system in small catchments
CN113221440B (zh) 一种排水系统监测点优化布置与实时全局反演方法
Osheen et al. Evaluation of an urban drainage system using functional and structural resilience approach
Abushandi Flash flood simulation for Tabuk City catchment, Saudi Arabia
KR100869237B1 (ko) 폐쇄회로 티브이 영상 또는 회귀분석식을 이용한 하수관거내 퇴적량 예측방법 및 그 기능을 탑재한 하수관거유지관리시스템
Ghosh et al. Rationalization of automatic weather stations network over a coastal urban catchment: A multivariate approach
Hishinuma et al. Challenges of hydrological analysis for water resource development in semi-arid mountainous regions: case study in Iran
Mishra et al. Climate change adaptation through optimal stormwater capture measures
Lindblom et al. How uncertain is model-based prediction of copper loads in stormwater runoff?
Salazar-Briones et al. Hydrological and hydraulic modeling of an intra-urban river in a transboundary basin using a regional frequency analysis
Fava et al. Integration of information technology systems for flood forecasting with hybrid data sources
Nakashima et al. Evaluation of real-time water level prediction technology using statistical models for reducing urban flood risk

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: 21946096

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023528931

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21946096

Country of ref document: EP

Kind code of ref document: A1