WO2024018534A1 - 水位予測装置、水位予測方法および水位予測プログラム - Google Patents

水位予測装置、水位予測方法および水位予測プログラム Download PDF

Info

Publication number
WO2024018534A1
WO2024018534A1 PCT/JP2022/028080 JP2022028080W WO2024018534A1 WO 2024018534 A1 WO2024018534 A1 WO 2024018534A1 JP 2022028080 W JP2022028080 W JP 2022028080W WO 2024018534 A1 WO2024018534 A1 WO 2024018534A1
Authority
WO
WIPO (PCT)
Prior art keywords
water level
river
model
level prediction
point
Prior art date
Application number
PCT/JP2022/028080
Other languages
English (en)
French (fr)
Inventor
賢士 小宮
和広 吉田
雅 高木
Original Assignee
日本電信電話株式会社
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 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to PCT/JP2022/028080 priority Critical patent/WO2024018534A1/ja
Priority to PCT/JP2023/019578 priority patent/WO2024018754A1/ja
Publication of WO2024018534A1 publication Critical patent/WO2024018534A1/ja

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02B—HYDRAULIC ENGINEERING
    • E02B3/00—Engineering works in connection with control or use of streams, rivers, coasts, or other marine sites; Sealings or joints for engineering works in general
    • 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
    • G06Q50/08—Construction
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data

Definitions

  • the present invention relates to a water level prediction device, a water level prediction method, and a water level prediction program.
  • Non-Patent Document 1 discloses a technique for predicting river water levels using a hybrid model that combines a physical model and a neural network (NN) (see Non-Patent Document 1).
  • Masayuki Masayuki, Masaaki Sakuraba, “Hybrid river water level prediction method combining deep neural network and distributed model”, 2017, Proceedings of the Japan Society of Civil Engineers B1 (Hydraulic Engineering) 73.1 (2017), pp.22-33.
  • the present invention has been made in view of the above, and an object of the present invention is to easily make it possible to predict the water level of a river with high accuracy.
  • the water level prediction device includes an acquisition unit that acquires an observed value of rainfall at a predetermined point and an observed value of the water level of a river at the point; a first model that estimates a change in the water level of the river at the point using the observed value of the rainfall; a change in the water level estimated by the first model; and an observed value of the water level of the river at the point. and a learning unit that generates by learning a second model that predicts the water level of the river at the point using the following.
  • FIG. 1 is a diagram for explaining the outline of a water level prediction device.
  • FIG. 2 is a diagram for explaining the outline of the water level prediction device.
  • FIG. 3 is a diagram for explaining the outline of the water level prediction device.
  • FIG. 4 is a schematic diagram illustrating a schematic configuration of a water level prediction device.
  • FIG. 5 is a flowchart showing the water level prediction processing procedure.
  • FIG. 6 is a diagram for explaining the effect of water level prediction processing.
  • FIG. 7 is a diagram illustrating a computer that executes a water level prediction program.
  • FIGS. 1 to 3 are diagrams for explaining the outline of a water level prediction device.
  • the water level prediction device of this embodiment predicts the water level of a river by linking a physical model that calculates the flow rate of the river with a neural network (NN).
  • NN neural network
  • a distributed runoff model combined with a tank model has been used as a physical model for calculating the flow rate of a river.
  • the water level of the river is predicted by inputting the flow rate output by the physical model to the NN.
  • a physical model independent of the NN needs to be created manually by collecting a huge amount of data such as upstream flow rate over a long period of time.
  • the number of parameters and the amount of required information have increased.
  • the water level prediction device of this embodiment incorporates a physical model for calculating the flow rate of a river into the NN, as illustrated in FIG. 2(b).
  • a physical model (tank model) is incorporated into the NN1, and only the water level change ⁇ S output from the NN1 is input into the NN2.
  • the NN2 uses ⁇ S and the observed water level to output a predicted water level.
  • a physical model is automatically created using machine learning, making it possible to predict river water levels with high accuracy without increasing the number of parameters or the amount of required information.
  • FIG. 4 is a schematic diagram illustrating a schematic configuration of a water level prediction device.
  • the water level prediction device 10 is realized by a general-purpose computer such as a personal computer, and includes an input section 11, an output section 12, a communication control section 13, a storage section 14, and a control section 15.
  • the input unit 11 is realized using an input device such as a keyboard or a mouse, and inputs various instruction information such as starting processing to the control unit 15 in response to an input operation by an operator.
  • the output unit 12 is realized by a display device such as a liquid crystal display, a printing device such as a printer, and the like.
  • the communication control unit 13 is realized by a NIC (Network Interface Card) or the like, and controls communication between the control unit 15 and an external device such as a server via a network.
  • the communication control unit 13 controls communication between the control unit 15 and a management device that manages observation data used in water level prediction processing, which will be described later.
  • the storage unit 14 is realized by a semiconductor memory element such as a RAM (Random Access Memory) or a flash memory, or a storage device such as a hard disk or an optical disk.
  • a processing program for operating the water level prediction device 10 data used during execution of the processing program, etc. are stored in advance, or are temporarily stored each time processing is performed.
  • the storage unit 14 stores NN1 (14a), NN2 (14b), etc. generated in a water level prediction process described later.
  • the storage unit 14 may be configured to communicate with the control unit 15 via the communication control unit 13.
  • the control unit 15 is realized using a CPU (Central Processing Unit) or the like, and executes a processing program stored in a memory. Thereby, the control unit 15 functions as an acquisition unit 15a, a learning unit 15b, and a prediction unit 15c, as illustrated in FIG. 4, and executes a water level prediction process to be described later. Note that each or a part of these functional units may be implemented in different hardware. For example, the learning unit 15b and the prediction unit 15c may be implemented as separate devices. Further, the control unit 15 may include other functional units.
  • a CPU Central Processing Unit
  • the acquisition unit 15a acquires the observed value of the amount of rainfall at a predetermined point and the observed value of the water level of the river at the point. For example, the acquisition unit 15a receives, as learning data, the observed values of rainfall and the observed values of river water level at a predetermined point via the input unit 11 or from a management device that manages various data via the communication control unit 13. and get.
  • the observed value of the water level of the river is obtained from a water level measuring device installed in advance in the river to be processed.
  • the current rainfall around the basin of the river is obtained as the observed value of rainfall.
  • Examples of the water level include various water levels such as the water level at a predetermined point at each time, the dangerous water level, and the flood water level, as well as the upstream water level and the water level of a river within the basin.
  • examples of rainfall include rainfall per unit time such as the most recent hour, day, week, etc., continuous rainfall, rainfall at a predetermined point or upstream, rainfall within a basin, usage rainfall, etc. .
  • the learning unit 15b uses an NN1 (first model) 14a that estimates a change in the water level of the river at the point using the observed value of rainfall, a change in water level ⁇ S estimated by the NN1, and the water level of the river at the point.
  • NN2 (second model) 14b that predicts the water level of the river at the point is generated by learning using the observed values of .
  • the prediction unit 15c uses the observed value of rainfall at a predetermined point and NN1 and NN2 generated by learning to predict the water level of the river at that point.
  • the learning unit 15b updates the parameters by learning NN1 and NN2 constructed as follows using the learning data using an error propagation learning method or the like. Note that predetermined initial values are set in advance for the parameters of NN1 and NN2.
  • NN1 incorporates the tank model shown in the following equation (1) into the middle layer of the NN, and by making the middle layer of the NN correspond to the variables included in the tank model, the rainfall R can be calculated as shown in Figure 3.
  • This is a model constructed to output a change in water level ⁇ S when input.
  • NN2 is a model constructed to output a predicted value of the water level of the river when ⁇ S output from NN1 and the observed value of the water level are input.
  • the learning unit 15b performs learning and determines parameters so as to minimize the error function Loss shown in the following equation (2).
  • the learning unit 15b performs learning so that the error function including the term expressed using the water level change ⁇ S estimated by the NN1 and the predicted value of the amount of rainfall at the point is minimized. That is, as shown in the above equation (2), the error function Loss includes the regularization term Loss model . Note that the Loss model includes a predicted value of the rainfall amount R and a predicted value of the flow rate Q output from the NN1.
  • the learning unit 15b performs learning so that the error function including the term represented by the difference between the predicted value of the predicted water level and the obtained observed value of the water level is minimized. That is, the error function Loss includes the Loss level corresponding to NN2, as shown in the above equation (2).
  • the learning unit 15b repeats the process of updating the parameters until the value of the error function satisfies a predetermined criterion.
  • the predetermined criterion is, for example, that the number of repetitions reaches a predetermined number, or that the value of the error function is less than a predetermined threshold.
  • the learning unit 15b can generate a model (NN1+NN2) that predicts the water level with high accuracy without increasing the number of parameters or the amount of required information.
  • the above-mentioned prediction unit 15c outputs a predicted value of the water level by inputting the amount of rainfall at the time when the water level is desired to be predicted into the learned prediction model (NN1+NN2). This allows the water level prediction device 10 to predict the water level with high accuracy.
  • FIG. 5 is a flowchart showing the water level prediction processing procedure.
  • the flowchart in FIG. 5 is started, for example, at the timing when an operation input instructing to start the water level prediction process is made.
  • step S1 an observed value of rainfall at a predetermined point and an observed value of the water level of a river at the point are acquired.
  • the learning unit 15b performs learning of NN1+NN2 using the learning data. Specifically, the learning unit 15b sets an error function of NN1+NN2, and calculates the value of the error function using the feature amount of the learning data (step S2).
  • the error function Loss includes a term Loss model expressed using the water level change ⁇ S output by the NN1 and the predicted rainfall amount.
  • the error function Loss also includes a term Loss level expressed as the difference between the predicted value of the water level predicted by the prediction unit 15c and the obtained observed value of the water level.
  • the learning unit 15b repeats learning (step S3, No ⁇ Step S2). Then, for example, when the process of calculating the error function satisfies a predetermined criterion (Step S3, Yes), the learning unit 15b ends the learning of the NN1 and the NN2 (Step S4). This completes a series of water level prediction processes.
  • the acquisition unit 15a acquires the observed value of the amount of rainfall at a predetermined point and the observed value of the water level of the river at the point.
  • the learning unit 15b uses the NN1 that estimates the change in the water level of the river at the point using the observed value of rainfall, the change in water level ⁇ S estimated by the NN1, and the observed value of the water level of the river at the point. Then, a NN2 that predicts the water level of the river at the point is generated by learning.
  • the learning unit 15b performs learning so that the error function Loss, which includes the term Loss model expressed using the change in water level estimated by the first model and the predicted value of rainfall at this point, is minimized. conduct.
  • the prediction unit 15c uses the observed value of rainfall at a predetermined point and NN1 and NN2 generated by learning to predict the water level of the river at the point. Then, the learning unit 15b performs learning so that the error function Loss including the term Loss level expressed by the difference between the predicted value of the predicted water level and the obtained observed value of the water level is minimized.
  • FIG. 6 is a diagram for explaining the effect of water level prediction processing.
  • Conventional hybrid models combine the NN with a physical model that is independent of the NN.
  • Conventional hybrid models require parameters representing upstream tank conditions such as forest vegetation, the presence or absence of dams, the presence or absence of snow cover, the shape of rivers such as discharge destinations and the presence or absence of reservoirs, topography, vegetation, and map information.
  • Ta the water level prediction process of the present embodiment, a hybrid model in which a tank model is incorporated in the middle layer of the NN does not require a parameter representing the upstream tank situation, and can be learned as a whole of the NN (NN1+NN2).
  • the water level prediction device 10 can be implemented by installing a water level prediction program that executes the above water level prediction process into a desired computer as package software or online software.
  • the information processing device can be made to function as the water level prediction device 10.
  • information processing devices include mobile communication terminals such as smartphones, mobile phones, and PHSs (Personal Handyphone Systems), as well as slate terminals such as PDAs (Personal Digital Assistants).
  • the functions of the water level prediction device 10 may be implemented in a cloud server.
  • FIG. 7 is a diagram showing an example of a computer that executes a water level prediction program.
  • Computer 1000 includes, for example, memory 1010, CPU 1020, hard disk drive interface 1030, disk drive interface 1040, serial port interface 1050, video adapter 1060, and network interface 1070. These parts are connected by a bus 1080.
  • the memory 1010 includes a ROM (Read Only Memory) 1011 and a RAM 1012.
  • the ROM 1011 stores, for example, a boot program such as BIOS (Basic Input Output System).
  • Hard disk drive interface 1030 is connected to hard disk drive 1031.
  • Disk drive interface 1040 is connected to disk drive 1041.
  • a removable storage medium such as a magnetic disk or an optical disk is inserted into the disk drive 1041, for example.
  • a mouse 1051 and a keyboard 1052 are connected to the serial port interface 1050.
  • a display 1061 is connected to the video adapter 1060.
  • the hard disk drive 1031 stores, for example, an OS 1091, an application program 1092, a program module 1093, and program data 1094. Each piece of information described in the above embodiments is stored in, for example, the hard disk drive 1031 or the memory 1010.
  • the water level prediction program is stored in the hard disk drive 1031, for example, as a program module 1093 in which commands to be executed by the computer 1000 are written. Specifically, a program module 1093 in which each process executed by the water level prediction device 10 described in the above embodiment is described is stored in the hard disk drive 1031.
  • data used for information processing by the water level prediction program is stored as program data 1094 in, for example, the hard disk drive 1031.
  • the CPU 1020 reads out the program module 1093 and program data 1094 stored in the hard disk drive 1031 to the RAM 1012 as necessary, and executes each of the above-described procedures.
  • program module 1093 and program data 1094 related to the water level prediction program are not limited to being stored in the hard disk drive 1031; for example, they may be stored in a removable storage medium and read by the CPU 1020 via the disk drive 1041 or the like. May be served.
  • the program module 1093 and program data 1094 related to the water level prediction program are stored in another computer connected via a network such as a LAN (Local Area Network) or WAN (Wide Area Network), and are transmitted via the network interface 1070. The data may also be read out by the CPU 1020.
  • LAN Local Area Network
  • WAN Wide Area Network

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Civil Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Mechanical Engineering (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Structural Engineering (AREA)
  • Tourism & Hospitality (AREA)
  • Ocean & Marine Engineering (AREA)
  • General Business, Economics & Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Emergency Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

水位予測装置（１０）において、取得部（１５ａ）が、所定の地点における雨量の観測値と、該地点における河川の水位の観測値とを取得する。学習部（１５ｂ）が、雨量の観測値を用いて、該地点における河川の水位の変化を推定するＮＮ１（１４ａ）と、ＮＮ１（１４ａ）により推定された水位の変化と、該地点における河川の水位の観測値とを用いて、該地点における河川の水位を予測するＮＮ２（１４ｂ）とを、学習により生成する。

Description

水位予測装置、水位予測方法および水位予測プログラム
　本発明は、水位予測装置、水位予測方法および水位予測プログラムに関する。
　従来、過去の水位と雨量のデータから河川の水位を予測する技術が存在する。また、物理モデルとＮＮ（Neural　Network）を組み合わせたハイブリッドモデルを用いて河川の水位を予測する技術が存在する（非特許文献１参照）。
一言　正之、桜庭　雅明、"深層ニューラルネットワークと分布型モデルを組み合わせたハイブリッド河川水位予測手法"、2017年、土木学会論文集　B1　(水工学)　73.1(2017)、pp.22-33.
　しかしながら、従来技術では、河川の水位を高精度に予測することは容易ではない。例えば、従来技術では、十分は予測精度を達成するためには、膨大な学習データが必要となる。また、物理モデルを構築するために別途データを収集する必要があり、コストがかかる。
　本発明は、上記に鑑みてなされたものであって、河川の水位を高精度に予測することを容易に可能とすることを目的とする。
　上述した課題を解決し、目的を達成するために、本発明に係る水位予測装置は、所定の地点における雨量の観測値と、該地点における河川の水位の観測値とを取得する取得部と、前記雨量の観測値を用いて、該地点における河川の水位の変化を推定する第１のモデルと、前記第１のモデルにより推定された前記水位の変化と、前記地点における河川の水位の観測値とを用いて、該地点における河川の水位を予測する第２のモデルとを、学習により生成する学習部と、を有することを特徴とする。
　本発明によれば、河川の水位を高精度に予測することが容易に可能となる。
図１は、水位予測装置の概要を説明するための図である。 図２は、水位予測装置の概要を説明するための図である。 図３は、水位予測装置の概要を説明するための図である。 図４は、水位予測装置の概略構成を例示する模式図である。 図５は、水位予測処理手順を示すフローチャートである。 図６は、水位予測処理の効果を説明するための図である。 図７は、水位予測プログラムを実行するコンピュータを例示する図である。
　以下、図面を参照して、本発明の一実施形態を詳細に説明する。なお、この実施形態により本発明が限定されるものではない。また、図面の記載において、同一部分には同一の符号を付して示している。
［水位予測装置の概要］
　図１～図３は、水位予測装置の概要を説明するための図である。本実施形態の水位予測装置は、河川の流量を算出する物理モデルとＮＮ（Neural　Network）とを連携させて、河川の水位を予測する。
　ここで、従来、図１に例示するように、河川の流量を算出する物理モデルとして、タンクモデルを組み合わせた分布流出モデルが用いられている。そして、図２（ａ）に例示するように、物理モデルが出力する流量をＮＮに対して入力することにより、河川の水位が予測される。このように、ＮＮと独立した物理モデルは、上流の流量等、長期間の膨大なデータを収集して、人手を介して作成する必要がある。また、ＮＮの精度を高めるために、パラメータ数や必要情報量が増大していた。
　そこで、本実施形態の水位予測装置は、図２（ｂ）に例示するように、河川の流量を算出する物理モデルをＮＮに組み込む。具体的には、図３に例示するように、ＮＮ１に物理モデル（タンクモデル）を組み込んで、ＮＮ１から出力される水位の変化ΔＳのみをＮＮ２に入力する。ＮＮ２では、ΔＳと観測水位とを用いて、予測水位を出力する。これにより、物理モデルも機械学習により自動的に作成されるので、パラメータ数や必要情報量を増やすことなく、高精度に河川の水位を予測可能となる。
［水位予測装置の構成］
　図４は、水位予測装置の概略構成を例示する模式図である。図４に例示するように、水位予測装置１０は、パソコン等の汎用コンピュータで実現され、入力部１１、出力部１２、通信制御部１３、記憶部１４、および制御部１５を備える。
　入力部１１は、キーボードやマウス等の入力デバイスを用いて実現され、操作者による入力操作に対応して、制御部１５に対して処理開始などの各種指示情報を入力する。出力部１２は、液晶ディスプレイなどの表示装置、プリンター等の印刷装置等によって実現される。
　通信制御部１３は、ＮＩＣ（Network　Interface　Card）等で実現され、ネットワークを介したサーバ等の外部の装置と制御部１５との通信を制御する。例えば、通信制御部１３は、後述する水位予測処理に用いられる観測データ等を管理する管理装置等と制御部１５との通信を制御する。
　記憶部１４は、ＲＡＭ（Random　Access　Memory）、フラッシュメモリ（Flash　Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。記憶部１４には、水位予測装置１０を動作させる処理プログラムや、処理プログラムの実行中に使用されるデータなどが予め記憶され、あるいは処理の都度一時的に記憶される。例えば、記憶部１４は、後述する水位予測処理で生成されるＮＮ１（１４ａ）、ＮＮ２（１４ｂ）等を記憶する。なお、記憶部１４は、通信制御部１３を介して制御部１５と通信する構成でもよい。
　制御部１５は、ＣＰＵ（Central　Processing　Unit）等を用いて実現され、メモリに記憶された処理プログラムを実行する。これにより、制御部１５は、図４に例示するように、取得部１５ａ、学習部１５ｂおよび予測部１５ｃとして機能して、後述する水位予測処理を実行する。なお、これらの機能部は、それぞれあるいは一部が異なるハードウェアに実装されてもよい。例えば、学習部１５ｂと予測部１５ｃとは、別々の装置として実装されてもよい。また、制御部１５は、その他の機能部を備えてもよい。
　取得部１５ａは、所定の地点における雨量の観測値と、該地点における河川の水位の観測値とを取得する。例えば取得部１５ａは、入力部１１を介して、あるいは各種データを管理する管理装置等から通信制御部１３を介して、学習データとして、所定の地点における雨量の観測値と河川の水位の観測値とを取得する。
　ここで、河川の水位の観測値は、処理対象の河川に予め設置された水位計測装置から得る。また、雨量の観測値として、当該河川の流域周辺における現在の雨量を得る。
　なお、水位としては、所定の地点での各時刻における水位、危険水位、氾濫水位等の各種の水位の他、上流の水位、流域内の河川の水位等が例示される。また、雨量としては、直近の１時間、１日、１週間等の単位時間当たりの雨量、連続降雨量の他、所定の地点または上流の雨量、流域内の雨量、用法雨量等が例示される。
　学習部１５ｂは、雨量の観測値を用いて、該地点における河川の水位の変化を推定するＮＮ１（第１のモデル）１４ａと、ＮＮ１により推定された水位の変化ΔＳと、地点における河川の水位の観測値とを用いて、該地点における河川の水位を予測するＮＮ２（第２のモデル）１４ｂとを、学習により生成する。
　また、予測部１５ｃは、所定の地点における雨量の観測値と、学習により生成されたＮＮ１とＮＮ２とを用いて、該地点における河川の水位を予測する。
　そして、学習部１５ｂは、以下のように構築されたＮＮ１とＮＮ２とを学習データを用いて誤差伝播学習法等により学習することにより、パラメータを更新する。なお、ＮＮ１とＮＮ２のパラメータには、予め所定の初期値が設定される。
　ＮＮ１は、次式（１）に示すタンクモデルをＮＮの中間層に組み込んで、ＮＮの中間層とタンクモデルに含まれる変数とを対応させることにより、図３に示したように、雨量Ｒが入力された場合に、水位の変化ΔＳを出力するように構築されたモデルである。
Figure JPOXMLDOC01-appb-M000001
　また、ＮＮ２は、図３に示したように、ＮＮ１から出力されたΔＳと水位の観測値とが入力された場合に、河川の水位の予測値を出力するように構築されたモデルである。
　そして、学習部１５ｂは、次式（２）に示す誤差関数Ｌｏｓｓを最小化するように、学習を行って、パラメータを決定する。
Figure JPOXMLDOC01-appb-M000002
　具体的には、学習部１５ｂは、ＮＮ１が推定する水位の変化ΔＳと当該地点における雨量の予測値を用いて表される項を含む誤差関数が最小となるように学習を行う。すなわち、上記式（２）に示すように、誤差関数Ｌｏｓｓは、正則化項Ｌｏｓｓｍｏｄｅｌを含む。なお、Ｌｏｓｓｍｏｄｅｌには、ＮＮ１から出力される雨量Ｒの予測値と流量Ｑの予測値とが含まれる。
　また、学習部１５ｂは、予測された水位の予測値と、取得された水位の観測値との差分で表される項を含む誤差関数が最小となるように学習を行う。すなわち、誤差関数Ｌｏｓｓは、上記式（２）に示すように、ＮＮ２に対応するＬｏｓｓｌｅｖｅｌを含む。
　学習部１５ｂは、誤差関数の値が所定の基準を満たすまで、パラメータを更新する処理を繰り返す。所定の基準とは、例えば、繰り返し回数が所定の回数に到達すること、あるいは、誤差関数の値が所定の閾値を下回ることである。これにより、学習部１５ｂは、パラメータ数や必要情報量を増やさずに、高精度に水位を予測するモデル（ＮＮ１＋ＮＮ２）を生成することが可能となる。
　上記の予測部１５ｃは、水位を予測したい時点の雨量を学習済の予測するモデル（ＮＮ１＋ＮＮ２）に入力することにより、水位の予測値を出力する。これにより、水位予測装置１０は、高精度に水位を予測することが可能となる。
［水位予測処理］
　次に、図５を参照して、本実施形態に係る水位予測装置１０による水位予測処理について説明する。図５は、水位予測処理手順を示すフローチャートである。図５のフローチャートは、例えば、水位予測処理の開始を指示する操作入力があったタイミングで開始される。
　まず、学習データとして、所定の地点における雨量の観測値と、該地点における河川の水位の観測値とを取得する（ステップＳ１）。
　次に、学習部１５ｂが、学習データを用いて、ＮＮ１＋ＮＮ２の学習を行う。具体的には、学習部１５ｂが、ＮＮ１＋ＮＮ２の誤差関数を設定し、学習データの特徴量を用いて誤差関数の値を算出する（ステップＳ２）。ここで、誤差関数Ｌｏｓｓは、ＮＮ１が出力する水位の変化ΔＳと雨量の予測値とを用いて表される項Ｌｏｓｓｍｏｄｅｌを含む。また、誤差関数Ｌｏｓｓは、予測部１５ｃにより予測された水位の予測値と、取得された水位の観測値との差分で表される項Ｌｏｓｓｌｅｖｅｌを含む。
　学習部１５ｂは、誤差関数を算出する処理の繰り返し回数が所定の回数に到達すること、あるいは、誤差関数の値が所定の閾値を下回ること等の所定の基準を満たすまで、学習を繰り返す（ステップＳ３、Ｎｏ→ステップＳ２）。そして、学習部１５ｂは、例えば、誤差関数を算出する処理が所定の基準を満たした場合に（ステップＳ３、Ｙｅｓ）、ＮＮ１とＮＮ２との学習を終了させる（ステップＳ４）。これにより、一連の水位予測処理が完了する。
［効果］
　以上、説明したように、水位予測装置１０において、取得部１５ａが、所定の地点における雨量の観測値と、該地点における河川の水位の観測値とを取得する。学習部１５ｂが、雨量の観測値を用いて、該地点における河川の水位の変化を推定するＮＮ１と、ＮＮ１により推定された水位の変化ΔＳと、該地点における河川の水位の観測値とを用いて、該地点における河川の水位を予測するＮＮ２とを、学習により生成する。
　具体的には、学習部１５ｂは、第１のモデルが推定する水位の変化とこの地点における雨量の予測値を用いて表される項Ｌｏｓｓｍｏｄｅｌを含む誤差関数Ｌｏｓｓが最小となるように学習を行う。
　また、予測部１５ｃは、所定の地点における雨量の観測値と、学習により生成されたＮＮ１とＮＮ２とを用いて、該地点における河川の水位を予測する。そして、学習部１５ｂは、予測された水位の予測値と、取得された水位の観測値との差分で表される項Ｌｏｓｓｌｅｖｅｌを含む誤差関数Ｌｏｓｓが最小となるように学習を行う。
　ここで、図６は、水位予測処理の効果を説明するための図である。従来のハイブリッドモデルは、ＮＮと独立した物理モデルとＮＮとを組み合わせていた。従来のハイブリッドモデルでは、林の植生、ダムの有無、積雪の有無、放流先や貯水池の有無等の河川の形状、地形、植栽、地図情報等の上流のタンク状況を表すパラメータが必要であった。これに対し、本実施形態の水位予測処理では、ＮＮの中間層にタンクモデルを組み込んだハイブリッドモデルでは、上流のタンク状況を表すパラメータが不要となり、ＮＮ（ＮＮ１＋ＮＮ２）全体として学習することができる。
　したがって、図６に示すように、たくさんの関数の候補の中から正解を探すＮＮの学習において、関数の候補を絞り込むことになり、効率よく正解にたどり着くことが可能となる。このように、水位予測装置１０による水位予測処理によれば、河川の水位を高精度に予測することが容易に可能となる。
［プログラム］
　上記実施形態に係る水位予測装置１０が実行する処理をコンピュータが実行可能な言語で記述したプログラムを作成することもできる。一実施形態として、水位予測装置１０は、パッケージソフトウェアやオンラインソフトウェアとして上記の水位予測処理を実行する水位予測プログラムを所望のコンピュータにインストールさせることによって実装できる。例えば、上記の水位予測プログラムを情報処理装置に実行させることにより、情報処理装置を水位予測装置１０として機能させることができる。また、その他にも、情報処理装置にはスマートフォン、携帯電話機やＰＨＳ（Personal　Handyphone　System）等の移動体通信端末、さらには、ＰＤＡ（Personal　Digital　Assistant）等のスレート端末等がその範疇に含まれる。また、水位予測装置１０の機能を、クラウドサーバに実装してもよい。
　図７は、水位予測プログラムを実行するコンピュータの一例を示す図である。コンピュータ１０００は、例えば、メモリ１０１０と、ＣＰＵ１０２０と、ハードディスクドライブインタフェース１０３０と、ディスクドライブインタフェース１０４０と、シリアルポートインタフェース１０５０と、ビデオアダプタ１０６０と、ネットワークインタフェース１０７０とを有する。これらの各部は、バス１０８０によって接続される。
　メモリ１０１０は、ＲＯＭ（Read　Only　Memory）１０１１およびＲＡＭ１０１２を含む。ＲＯＭ１０１１は、例えば、ＢＩＯＳ（Basic　Input　Output　System）等のブートプログラムを記憶する。ハードディスクドライブインタフェース１０３０は、ハードディスクドライブ１０３１に接続される。ディスクドライブインタフェース１０４０は、ディスクドライブ１０４１に接続される。ディスクドライブ１０４１には、例えば、磁気ディスクや光ディスク等の着脱可能な記憶媒体が挿入される。シリアルポートインタフェース１０５０には、例えば、マウス１０５１およびキーボード１０５２が接続される。ビデオアダプタ１０６０には、例えば、ディスプレイ１０６１が接続される。
　ここで、ハードディスクドライブ１０３１は、例えば、ＯＳ１０９１、アプリケーションプログラム１０９２、プログラムモジュール１０９３およびプログラムデータ１０９４を記憶する。上記実施形態で説明した各情報は、例えばハードディスクドライブ１０３１やメモリ１０１０に記憶される。
　また、水位予測プログラムは、例えば、コンピュータ１０００によって実行される指令が記述されたプログラムモジュール１０９３として、ハードディスクドライブ１０３１に記憶される。具体的には、上記実施形態で説明した水位予測装置１０が実行する各処理が記述されたプログラムモジュール１０９３が、ハードディスクドライブ１０３１に記憶される。
　また、水位予測プログラムによる情報処理に用いられるデータは、プログラムデータ１０９４として、例えば、ハードディスクドライブ１０３１に記憶される。そして、ＣＰＵ１０２０が、ハードディスクドライブ１０３１に記憶されたプログラムモジュール１０９３やプログラムデータ１０９４を必要に応じてＲＡＭ１０１２に読み出して、上述した各手順を実行する。
　なお、水位予測プログラムに係るプログラムモジュール１０９３やプログラムデータ１０９４は、ハードディスクドライブ１０３１に記憶される場合に限られず、例えば、着脱可能な記憶媒体に記憶されて、ディスクドライブ１０４１等を介してＣＰＵ１０２０によって読み出されてもよい。あるいは、水位予測プログラムに係るプログラムモジュール１０９３やプログラムデータ１０９４は、ＬＡＮ（Local　Area　Network）やＷＡＮ（Wide　Area　Network）等のネットワークを介して接続された他のコンピュータに記憶され、ネットワークインタフェース１０７０を介してＣＰＵ１０２０によって読み出されてもよい。
　以上、本発明者によってなされた発明を適用した実施形態について説明したが、本実施形態による本発明の開示の一部をなす記述および図面により本発明は限定されることはない。すなわち、本実施形態に基づいて当業者等によりなされる他の実施形態、実施例および運用技術等は全て本発明の範疇に含まれる。
　１０　水位予測装置
　１１　入力部
　１２　出力部
　１３　通信制御部
　１４　記憶部
　１４ａ　ＮＮ１（第１のモデル）
　１４ｂ　ＮＮ２（第２のモデル）
　１５　制御部
　１５ａ　取得部
　１５ｂ　学習部
　１５ｃ　予測部

Claims (6)

  1. 　所定の地点における雨量の観測値と、該地点における河川の水位の観測値とを取得する取得部と、
    　前記雨量の観測値を用いて、該地点における河川の水位の変化を推定する第１のモデルと、前記第１のモデルにより推定された前記水位の変化と、前記地点における河川の水位の観測値とを用いて、該地点における河川の水位を予測する第２のモデルとを、学習により生成する学習部と、
    　を有することを特徴とする水位予測装置。
  2. 　前記学習部は、前記第１のモデルが推定する前記水位の変化と前記地点における雨量の予測値を用いて表される項を含む誤差関数が最小となるように学習を行うことを特徴とする請求項１に記載の水位予測装置。
  3. 　所定の地点における雨量の観測値と、学習により生成された前記第１のモデルと前記第２のモデルとを用いて、該地点における河川の水位を予測する予測部を、
    　さらに有することを特徴とする請求項１に記載の水位予測装置。
  4. 　前記学習部は、予測された水位の予測値と、取得された水位の観測値との差分で表される項を含む誤差関数が最小となるように学習を行うことを特徴とする請求項３に記載の水位予測装置。
  5. 　水位予測装置が実行する水位予測方法であって、
    　所定の地点における雨量の観測値と、該地点における河川の水位の観測値とを取得する取得工程と、
    　前記雨量の観測値を用いて、該地点における河川の水位の変化を推定する第１のモデルと、前記第１のモデルにより推定された前記水位の変化と、前記地点における河川の水位の観測値とを用いて、該地点における河川の水位を予測する第２のモデルとを、学習により生成する学習工程と、
    　を含んだことを特徴とする水位予測方法。
  6. 　コンピュータを請求項１～４のいずれか１項に記載の水位予測装置として機能させるための水位予測プログラム。
PCT/JP2022/028080 2022-07-19 2022-07-19 水位予測装置、水位予測方法および水位予測プログラム WO2024018534A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2022/028080 WO2024018534A1 (ja) 2022-07-19 2022-07-19 水位予測装置、水位予測方法および水位予測プログラム
PCT/JP2023/019578 WO2024018754A1 (ja) 2022-07-19 2023-05-25 水位予測装置、水位予測方法、および水位予測プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/028080 WO2024018534A1 (ja) 2022-07-19 2022-07-19 水位予測装置、水位予測方法および水位予測プログラム

Publications (1)

Publication Number Publication Date
WO2024018534A1 true WO2024018534A1 (ja) 2024-01-25

Family

ID=89617338

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/JP2022/028080 WO2024018534A1 (ja) 2022-07-19 2022-07-19 水位予測装置、水位予測方法および水位予測プログラム
PCT/JP2023/019578 WO2024018754A1 (ja) 2022-07-19 2023-05-25 水位予測装置、水位予測方法、および水位予測プログラム

Family Applications After (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/019578 WO2024018754A1 (ja) 2022-07-19 2023-05-25 水位予測装置、水位予測方法、および水位予測プログラム

Country Status (1)

Country Link
WO (2) WO2024018534A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0995917A (ja) * 1995-10-03 1997-04-08 Mitsubishi Heavy Ind Ltd 河川水位予測装置
JP2020134300A (ja) * 2019-02-19 2020-08-31 富士通株式会社 予測方法、予測プログラム及び情報処理装置
JP2021140536A (ja) * 2020-03-06 2021-09-16 富士通株式会社 水位予測プログラム、水位予測方法および情報処理装置
JP2022056223A (ja) * 2020-09-29 2022-04-08 公立大学法人公立諏訪東京理科大学 土石流予知システム及び土石流予知法方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0995917A (ja) * 1995-10-03 1997-04-08 Mitsubishi Heavy Ind Ltd 河川水位予測装置
JP2020134300A (ja) * 2019-02-19 2020-08-31 富士通株式会社 予測方法、予測プログラム及び情報処理装置
JP2021140536A (ja) * 2020-03-06 2021-09-16 富士通株式会社 水位予測プログラム、水位予測方法および情報処理装置
JP2022056223A (ja) * 2020-09-29 2022-04-08 公立大学法人公立諏訪東京理科大学 土石流予知システム及び土石流予知法方法

Also Published As

Publication number Publication date
WO2024018754A1 (ja) 2024-01-25

Similar Documents

Publication Publication Date Title
JP7079662B2 (ja) 電力需要予測システム、学習装置及び電力需要予測方法
Delgoda et al. Multiple model predictive flood control in regulated river systems with uncertain inflows
CN110717600A (zh) 样本池构建方法和装置、以及算法训练方法和装置
JP6977605B2 (ja) 下水道管渠内水位予測装置及び下水道管渠内水位予測方法
Mandal et al. Reservoir operations under changing climate conditions: hydropower-production perspective
JP2019200500A (ja) 監視制御システム及びポンプ運転制御方法
WO2024018534A1 (ja) 水位予測装置、水位予測方法および水位予測プログラム
Regonda et al. Prototype decision support system for operations on the Gunnison basin with improved forecasts
EP4057084A1 (en) Control apparatus, control method, and control program
CN111476700A (zh) 基于河湖水系连通的洪涝防控方法、装置、介质和设备
Ilich Improving real-time reservoir operation based on combining demand hedging and simple storage management rules
Voronin et al. Control model of the floodplain territories structure
WO2022212313A1 (en) Ml-based discrepancy surrogate for digital twin simulation
JP2024079422A (ja) 情報処理装置、予測モデル、情報処理方法、及びプログラム
JP6307353B2 (ja) 流況計算システムおよび濁り拡散計算システム
Feng et al. Coupling model predictive control and rules-based control for real-time control of urban river systems
JP7077818B2 (ja) 情報処理装置、河川水位予測方法及び河川水位予測プログラム
EP3663992A1 (en) Learning-finished model integration method, device, program, ic chip, and system
CN114912672B (zh) 基于深度学习的短期黑潮流量预测方法及装置
JP7467315B2 (ja) 水系運用計画方法および水系運用計画システム
JP2023112397A (ja) 水位予測装置、水位予測方法、およびプログラム
JP2018179925A (ja) シミュレーション装置
JP7389526B1 (ja) 水位計の配置の最適化方法、マンホールの水位の予測方法およびマンホールの水位の予測システム
CN116823231B (zh) 河道水位信息生成方法、装置、电子设备和可读介质
JPWO2020090104A1 (ja) 水位予測装置および水位予測方法

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: 22951923

Country of ref document: EP

Kind code of ref document: A1