知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024018314
(43)【公開日】2024-02-08
(54)【発明の名称】気象予測装置及び気象予測方法
(51)【国際特許分類】
G01W 1/00 20060101AFI20240201BHJP
G01W 1/10 20060101ALI20240201BHJP
G06N 20/10 20190101ALI20240201BHJP
G06N 3/042 20230101ALI20240201BHJP
G06N 7/01 20230101ALI20240201BHJP
【ＦＩ】
G01W1/00 Z
G01W1/10 Z
G06N20/10
G06N3/04 127
G06N7/00 150
【審査請求】未請求
【請求項の数】8
【出願形態】ＯＬ
(21)【出願番号】P 2022121568
(22)【出願日】2022-07-29
(71)【出願人】
【識別番号】000000099
【氏名又は名称】株式会社ＩＨＩ
(74)【代理人】
【識別番号】100088155
【弁理士】
【氏名又は名称】長谷川 芳樹
(74)【代理人】
【識別番号】100113435
【弁理士】
【氏名又は名称】黒木 義樹
(74)【代理人】
【識別番号】100170818
【弁理士】
【氏名又は名称】小松 秀輝
(74)【代理人】
【識別番号】100153040
【弁理士】
【氏名又は名称】川井 夏樹
(72)【発明者】
【氏名】長谷川 正雄
(72)【発明者】
【氏名】佐藤 綾美
(72)【発明者】
【氏名】西津 卓史
(72)【発明者】
【氏名】米倉 一男
(57)【要約】
【課題】気象に関する複数の予報に基づいて、気象に関しての精度が高い指標を得る。
【解決手段】気象予測装置２０は、予測対象時における少なくとも予測対象を含む１以上の気象パラメータを予報した予報データを複数含む予測対象予報データを取得する予測対象予報データ取得部２１と、予測対象予報データを予測モデルに入力することにより、予測対象時における予測対象の気象パラメータの観測値を含む予測観測データを取得する予測観測データ取得部であって、予測観測データは、複数の観測値又は観測値の確率分布を含む、予測観測データ取得部２２と、予測観測データに基づいて、観測値等の確率分布である予測観測データ分布を算出する観測値分布算出部２３と、予測観測データ分布を分類モデルからなる指標予測モデルに入力することにより指標を取得する指標取得部２４とを備える。
【選択図】図２
【解決手段】気象予測装置２０は、予測対象時における少なくとも予測対象を含む１以上の気象パラメータを予報した予報データを複数含む予測対象予報データを取得する予測対象予報データ取得部２１と、予測対象予報データを予測モデルに入力することにより、予測対象時における予測対象の気象パラメータの観測値を含む予測観測データを取得する予測観測データ取得部であって、予測観測データは、複数の観測値又は観測値の確率分布を含む、予測観測データ取得部２２と、予測観測データに基づいて、観測値等の確率分布である予測観測データ分布を算出する観測値分布算出部２３と、予測観測データ分布を分類モデルからなる指標予測モデルに入力することにより指標を取得する指標取得部２４とを備える。
【選択図】図２
【特許請求の範囲】
【請求項1】
気象に関する所定の指標を予測する気象予測装置であって、
特定の気象を表すパラメータである気象パラメータを予報の対象とし、前記指標の予測の対象の時点である予測対象時における、少なくとも予測対象の気象パラメータを含む１以上の前記気象パラメータを予報した予報データを複数含む予測対象予報データを取得する予測対象予報データ取得部と、
前記予測対象予報データを予測モデルに入力することにより、前記予測対象時における予測対象の前記気象パラメータに関する予測観測データを取得する予測観測データ取得部であって、前記予測観測データは、前記気象パラメータの複数の観測値若しくは該観測値に基づく所定の解析値、又は、前記観測値若しくは前記解析値の確率分布を含む、予測観測データ取得部と、
前記予測観測データに基づいて、前記観測値又は前記解析値の確率分布である予測観測データ分布を算出する観測値分布算出部と、
前記予測観測データ分布を指標予測モデルに入力することにより、気象に関する指標を取得する指標取得部であって、前記指標予測モデルは、各々が気象に関する所定の指標に対応する２以上のクラスに、前記予測観測データ分布により表される前記予測観測データを分類する分類モデルからなる、指標取得部と、を備え、
前記予測モデルは、
所定の統計解析手法に基づいて、複数の予報データを説明変数として観測データを目的変数として機械学習により生成された回帰モデルであって、
前記予報データは、予報の対象の時点である予報対象時における、少なくとも予測対象の前記気象パラメータを含む１以上の前記気象パラメータを予報したデータであり、
前記観測データは、前記予報対象時における前記予測対象の前記気象パラメータの観測値又は該観測値に基づく所定の解析値である、
気象予測装置。
特定の気象を表すパラメータである気象パラメータを予報の対象とし、前記指標の予測の対象の時点である予測対象時における、少なくとも予測対象の気象パラメータを含む１以上の前記気象パラメータを予報した予報データを複数含む予測対象予報データを取得する予測対象予報データ取得部と、
前記予測対象予報データを予測モデルに入力することにより、前記予測対象時における予測対象の前記気象パラメータに関する予測観測データを取得する予測観測データ取得部であって、前記予測観測データは、前記気象パラメータの複数の観測値若しくは該観測値に基づく所定の解析値、又は、前記観測値若しくは前記解析値の確率分布を含む、予測観測データ取得部と、
前記予測観測データに基づいて、前記観測値又は前記解析値の確率分布である予測観測データ分布を算出する観測値分布算出部と、
前記予測観測データ分布を指標予測モデルに入力することにより、気象に関する指標を取得する指標取得部であって、前記指標予測モデルは、各々が気象に関する所定の指標に対応する２以上のクラスに、前記予測観測データ分布により表される前記予測観測データを分類する分類モデルからなる、指標取得部と、を備え、
前記予測モデルは、
所定の統計解析手法に基づいて、複数の予報データを説明変数として観測データを目的変数として機械学習により生成された回帰モデルであって、
前記予報データは、予報の対象の時点である予報対象時における、少なくとも予測対象の前記気象パラメータを含む１以上の前記気象パラメータを予報したデータであり、
前記観測データは、前記予報対象時における前記予測対象の前記気象パラメータの観測値又は該観測値に基づく所定の解析値である、
気象予測装置。
【請求項2】
前記予測観測データ取得部は、モンテカルロドロップアウト手法により、前記予測観測データを取得する、
請求項１に記載の気象予測装置。
請求項１に記載の気象予測装置。
【請求項3】
前記予測モデルは、ガウス過程回帰に基づいて構成されたモデルであり、
前記予測観測データ取得部は、前記観測値又は前記解析値の確率分布を含む前記予測観測データを取得する、
請求項１に記載の気象予測装置。
前記予測観測データ取得部は、前記観測値又は前記解析値の確率分布を含む前記予測観測データを取得する、
請求項１に記載の気象予測装置。
【請求項4】
前記予測観測データ分布は、前記観測値又は前記解析値の平均値及び標準偏差により表される、
請求項１に記載の気象予測装置。
請求項１に記載の気象予測装置。
【請求項5】
前記予測モデルは、ガウス過程、ランダムフォレスト、サポートベクターマシン及びニューラルネットワークのいずれかにより構成される回帰モデルである、
請求項１に記載の気象予測装置。
請求項１に記載の気象予測装置。
【請求項6】
前記指標予測モデルは、所与の閾値に基づいて前記予測観測データ分布を分類する分類モデル及びサポートベクターマシンにより構成される分類モデルのいずれかである、
請求項１に記載の気象予測装置。
請求項１に記載の気象予測装置。
【請求項7】
前記予測対象の気象パラメータは、降水量であり、
前記予報データは、少なくとも降水量の予報を含み、
前記指標予測モデルは、降水量に関する所与の閾値に基づいて、前記予測対象時が雨季及び乾季のいずれかに該当するかを示す指標を出力する、
請求項１に記載の気象予測装置。
前記予報データは、少なくとも降水量の予報を含み、
前記指標予測モデルは、降水量に関する所与の閾値に基づいて、前記予測対象時が雨季及び乾季のいずれかに該当するかを示す指標を出力する、
請求項１に記載の気象予測装置。
【請求項8】
気象に関する所定の指標を予測する気象予測装置における気象予測方法であって、
特定の気象を表すパラメータである気象パラメータを予報の対象とし、前記指標の予測の対象の時点である予測対象時における、少なくとも予測対象の気象パラメータを含む１以上の前記気象パラメータを予報した予報データである予測対象予報データを取得する予測対象予報データ取得ステップと、
前記予測対象予報データを予測モデルに入力することにより、前記予測対象時における予測対象の前記気象パラメータに関する予測観測データを取得する予測観測データ取得ステップであって、前記予測観測データは、前記気象パラメータの複数の観測値若しくは該観測値に基づく所定の解析値、又は、前記観測値若しくは前記解析値の確率分布を含む、予測観測データ取得ステップと、
前記予測観測データに基づいて、前記観測値又は前記解析値の確率分布である予測観測データ分布を算出する観測値分布算出ステップと、
前記予測観測データ分布を指標予測モデルに入力することにより、気象に関する指標を取得する指標取得ステップであって、前記指標予測モデルは、各々が気象に関する所定の指標に対応する２以上のクラスに前記予測観測データ分布により表される前記予測観測データを分類する分類モデルからなる、指標取得ステップと、を有し、
前記予測モデルは、
所定の統計解析手法に基づいて、予報データを説明変数として観測データを目的変数として機械学習により生成された回帰モデルであって、
前記予報データは、予報の対象の時点である予報対象時における、少なくとも予測対象の前記気象パラメータを含む１以上の前記気象パラメータを予報したデータであり、
前記観測データは、前記予報対象時における前記予測対象の前記気象パラメータの観測値又は該観測値に基づく所定の解析値である、
気象予測方法。
特定の気象を表すパラメータである気象パラメータを予報の対象とし、前記指標の予測の対象の時点である予測対象時における、少なくとも予測対象の気象パラメータを含む１以上の前記気象パラメータを予報した予報データである予測対象予報データを取得する予測対象予報データ取得ステップと、
前記予測対象予報データを予測モデルに入力することにより、前記予測対象時における予測対象の前記気象パラメータに関する予測観測データを取得する予測観測データ取得ステップであって、前記予測観測データは、前記気象パラメータの複数の観測値若しくは該観測値に基づく所定の解析値、又は、前記観測値若しくは前記解析値の確率分布を含む、予測観測データ取得ステップと、
前記予測観測データに基づいて、前記観測値又は前記解析値の確率分布である予測観測データ分布を算出する観測値分布算出ステップと、
前記予測観測データ分布を指標予測モデルに入力することにより、気象に関する指標を取得する指標取得ステップであって、前記指標予測モデルは、各々が気象に関する所定の指標に対応する２以上のクラスに前記予測観測データ分布により表される前記予測観測データを分類する分類モデルからなる、指標取得ステップと、を有し、
前記予測モデルは、
所定の統計解析手法に基づいて、予報データを説明変数として観測データを目的変数として機械学習により生成された回帰モデルであって、
前記予報データは、予報の対象の時点である予報対象時における、少なくとも予測対象の前記気象パラメータを含む１以上の前記気象パラメータを予報したデータであり、
前記観測データは、前記予報対象時における前記予測対象の前記気象パラメータの観測値又は該観測値に基づく所定の解析値である、
気象予測方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、気象に関する所定の指標を予測する気象予測装置及び気象予測方法に関する。
【背景技術】
【0002】
従来、気象機関が予報する気象に関する予報値を気象予報士が判断及び評価し、気象に関する所定の指標が予報されていた。例えば、降水量等の予報値に基づいて、降水量の多い時期である雨季及び降水量の少ない時期である乾季の指標を予報していた。また、特許文献１には、時空局所的な将来の気象条件変動を、気象に関する過去の時系列データに基づいて、推定誤差を含めて予測する技術が開示されている。この技術では、標準偏差に基づいて、予測誤差の推定値が得られる。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特許第５３３９３１７号
【発明の概要】
【発明が解決しようとする課題】
【0004】
気象機関により予報される気象に関する予報値は、実際の観測値に対してずれる場合があるので、予報値に基づく指標の予報の精度は低かった。また、気象機関により予報される予報値は、同じ気象パラメータを対象とするものであっても複数の気象機関のそれぞれにおいて異なっており、複数の予報値に基づく指標の予報は困難であった。
【0005】
そこで、本開示の一側面は、気象に関する複数の予報に基づいて、気象に関しての精度が高い指標を得ることを目的とする。
【課題を解決するための手段】
【0006】
上記課題を解決するために、本開示の一側面に係る気象予測装置は、気象に関する所定の指標を予測する気象予測装置であって、特定の気象を表すパラメータである気象パラメータを予報の対象とし、指標の予測の対象の時点である予測対象時における、少なくとも予測対象の気象パラメータを含む１以上の気象パラメータを予報した予報データを複数含む予測対象予報データを取得する予測対象予報データ取得部と、予測対象予報データを予測モデルに入力することにより、予測対象時における予測対象の気象パラメータに関する予測観測データを取得する予測観測データ取得部であって、予測観測データは、気象パラメータの複数の観測値若しくは該観測値に基づく所定の解析値、又は、観測値若しくは解析値の確率分布を含む、予測観測データ取得部と、予測観測データに基づいて、観測値又は解析値の確率分布である予測観測データ分布を算出する観測値分布算出部と、予測観測データ分布を指標予測モデルに入力することにより、気象に関する指標を取得する指標取得部であって、指標予測モデルは、各々が気象に関する所定の指標に対応する２以上のクラスに、予測観測データ分布により表される予測観測データを分類する分類モデルからなる、指標取得部と、を備え、予測モデルは、所定の統計解析手法に基づいて、複数の予報データを説明変数として観測データを目的変数として機械学習により生成された回帰モデルであって、予報データは、予報の対象の時点である予報対象時における、少なくとも予測対象の気象パラメータを含む１以上の気象パラメータを予報したデータであり、観測データは、予報対象時における予測対象の気象パラメータの観測値又は該観測値に基づく所定の解析値である。
【0007】
上記課題を解決するために、本開示の一側面に係る気象予測方法は、気象に関する所定の指標を予測する気象予測装置における気象予測方法であって、特定の気象を表すパラメータである気象パラメータを予報の対象とし、指標の予測の対象の時点である予測対象時における、少なくとも予測対象の気象パラメータを含む１以上の気象パラメータを予報した予報データである予測対象予報データを取得する予測対象予報データ取得ステップと、予測対象予報データを予測モデルに入力することにより、予測対象時における予測対象の気象パラメータに関する予測観測データを取得する予測観測データ取得ステップであって、予測観測データは、気象パラメータの複数の観測値若しくは該観測値に基づく所定の解析値、又は、観測値若しくは解析値の確率分布を含む、予測観測データ取得ステップと、予測観測データに基づいて、観測値又は解析値の確率分布である予測観測データ分布を算出する観測値分布算出ステップと、予測観測データ分布を指標予測モデルに入力することにより、気象に関する指標を取得する指標取得ステップであって、指標予測モデルは、各々が気象に関する所定の指標に対応する２以上のクラスに予測観測データ分布により表される予測観測データを分類する分類モデルからなる、指標取得ステップと、を有し、予測モデルは、所定の統計解析手法に基づいて、予報データを説明変数として観測データを目的変数として機械学習により生成された回帰モデルであって、予報データは、予報の対象の時点である予報対象時における、少なくとも予測対象の気象パラメータを含む１以上の気象パラメータを予報したデータであり、観測データは、予報対象時における予測対象の気象パラメータの観測値又は該観測値に基づく所定の解析値である。
【0008】
上記の側面によれば、複数の予報データを説明変数とし予測対象時の観測データを目的変数として機械学習により生成された回帰モデルからなる予測モデルに、複数の予測対象予報データを入力することにより、予報データにおけるゆらぎが考慮された予測観測データが得られる。また、予測観測データが予測対象の複数の観測値若しくは解析値（以後、「観測値等」とする）又は観測値等の確率分布を含むので、予測観測データは、観測値等の予測における不確かさを内包する。そして、不確かさを含んだ予測観測データに基づいて算出された予測観測データ分布には、予測対象の観測値等の分散が表されているので、予測観測データ分布を指標予測モデルに入力することにより、精度の高い指標を得ることが可能となる。
【0009】
他の側面に係る気象予測装置では、予測観測データ取得部は、モンテカルロドロップアウト手法により、予測観測データを取得することとしてもよい。
【0010】
上記の側面によれば、複数の観測値等を含み観測値等における不確かさを適切に表した予測観測データを容易に得ることができる。
【0011】
他の側面に係る気象予測装置では、予測モデルは、ガウス過程回帰に基づいて構成されたモデルであり、予測観測データ取得部は、観測値又は解析値の確率分布を含む予測観測データを取得することとしてもよい。
【0012】
上記の側面によれば、観測値等の確率分布を含み観測値等における不確かさを適切に表した予測観測データを容易に得ることができる。
【0013】
他の側面に係る気象予測装置では、予測観測データ分布は、観測値又は解析値の平均値及び標準偏差により表されることとしてもよい。
【0014】
上記の側面によれば、予測観測データ分布において予測対象の観測値等の不確かさを好適に表現することができる。そして、そのように構成された予測観測データ分布が指標予測モデルに入力されることにより、高精度な指標を得ることができる。
【0015】
他の側面に係る気象予測装置では、予測モデルは、ガウス過程、ランダムフォレスト、サポートベクターマシン及びニューラルネットワークのいずれかにより構成される回帰モデルであることとしてもよい。
【0016】
上記の側面によれば、予測モデルが上記例示される回帰モデルにより構成されることにより、誤差（不確かさ）の要素を適切に内包する予測観測データを得ることが可能となる。
【0017】
他の側面に係る気象予測装置では、指標予測モデルは、所与の閾値に基づいて予測観測データ分布を分類する分類モデル及びサポートベクターマシンにより構成される分類モデルのいずれかであることとしてもよい。
【0018】
上記の側面によれば、指標予測モデルが上記例示される分類モデルにより構成されることにより、気象に関する指標が容易に取得できる。
【0019】
他の側面に係る気象予測装置では、予測対象の気象パラメータは、降水量であり、予報データは、少なくとも降水量の予報を含み、指標予測モデルは、降水量に関する所与の閾値に基づいて、予測対象時が雨季及び乾季のいずれかに該当するかを示す指標を出力することとしてもよい。
【0020】
上記の側面によれば、予測対象の気象パラメータを降水量として構築された予測モデル及び指標予測モデルにより、雨季及び乾季のいずれかを示す指標を高精度且つ容易に取得できる。
【発明の効果】
【0021】
本開示の一側面によれば、気象に関する複数の予報に基づいて、気象に関しての精度が高い指標を得ることが可能となる。
【図面の簡単な説明】
【0022】
【図1】予測モデル生成装置の機能構成を示すブロック図である。
【図2】気象予測装置の機能構成を示すブロック図である。
【図3】気象予測装置及び端末のハードウェア構成を示す図である。
【図4】予測モデルの概略構成を示す図である。
【図5】予測モデルの学習及び生成に用いられる学習用データとしての予報データの構成及び含まれるデータの例を示す図である。
【図6】予測モデルの学習及び生成に用いられる学習用データとしての観測データの構成及び含まれるデータの例を示す図である。
【図7】予測観測データの予測及び気象に関する指標の取得の局面における予測モデル及び指標予測モデル並びに各種データの流れの概略構成を例示する図である。
【図8】予測対象の気象パラメータを降水量として雨季及び乾季を示す指標を取得する処理の概略を示す図である。
【図9】気象予測方法の処理内容を示すフローチャートである。
【発明を実施するための形態】
【0023】
以下、添付図面を参照しながら本発明の実施形態を詳細に説明する。なお、図面の説明において同一又は同等の要素には同一の符号を付し、重複する説明を省略する。
【0024】
図１は、本実施形態に係る予測モデル生成装置１０の機能構成を示すブロック図である。予測モデル生成装置１０は、気象パラメータに基づいて観測値を予測する予測モデルを生成する装置である。予測モデルは、所定の統計解析手法に基づいて、複数の予報データを説明変数として観測データを目的変数として機械学習により生成される回帰モデルである。
気象パラメータは、特定の気象を表すパラメータであって、例えば、降水量、気温及び気圧等である。
気象パラメータは、特定の気象を表すパラメータであって、例えば、降水量、気温及び気圧等である。
【0025】
予測モデル生成装置１０は、図１に示されるように、プロセッサ１０１を含むコンピュータにより構成され、機能的には、予報データ取得部１１、観測データ取得部１２、予測モデル生成部１３及びモデル出力部１４を備える。これらの各機能部１１～１４は、図３を参照して説明されるプロセッサ１０１にプログラムＰ１（予測モデル生成プログラム）が読み込まれて、そのプログラムが実行されることにより実現される。各機能部の説明は後述する。なお、本実施形態では、各機能部１１～１４が、気象予測装置２０に構成されることとしているが、複数のコンピュータに分散して構成されることとしてもよい。
【0026】
また、予測モデル生成装置１０は、予報データ記憶部１５，観測データ記憶部１６及び予測モデル記憶部１７といった記憶手段を備える。なお、これらの記憶部１５，１６，１７は、図１に示す例では、予測モデル生成装置１０に構成されることとしているが、予測モデル生成装置１０からアクセス可能に構成された他の装置に構成されてもよい。各記憶部の説明は後述する。
【0027】
図２は、本実施形態に係る気象予測装置２０の機能構成を示すブロック図である。気象予測装置２０は、気象に関する所定の指標を予測する装置である。
【0028】
気象予測装置２０は、プロセッサ１０１を含むコンピュータにより構成され、機能的には、予測対象予報データ取得部２１、予測観測データ取得部２２、観測値分布算出部２３、指標取得部２４及び指標出力部２５を備える。これらの各機能部２１～２５は、図３を参照して説明されるプロセッサ１０１にプログラムＰ１（気象予測プログラム）が読み込まれて、そのプログラムが実行されることにより実現される。各機能部の説明は後述する。なお、本実施形態では、各機能部２１～２５が、気象予測装置２０に構成されることとしているが、複数のコンピュータに分散して構成されることとしてもよい。
【0029】
また、気象予測装置２０は、予測対象予報データ記憶部２６及び予測モデル記憶部１７といった記憶手段を備える。なお、これらの記憶部２６，２７は、図２に示す例では、気象予測装置２０に構成されることとしているが、気象予測装置２０からアクセス可能に構成されてもよい。また、予測モデル生成装置１０と気象予測装置２０とは一つの装置として構成されてもよい。各記憶部の説明は後述する。
【0030】
図３は、予測モデル生成装置１０及び気象予測装置２０のハードウェア構成の一例を示す図であって、予測モデル生成装置１０又は気象予測装置２０として機能するコンピュータ１００を示す。
【0031】
一例として、コンピュータ１００はハードウェア構成要素として、プロセッサ１０１、主記憶部１０２、補助記憶部１０３、および通信部１０４を備える。
【0032】
プロセッサ１０１は、オペレーティングシステムおよびアプリケーションプログラムを実行する演算装置である。プロセッサの例としてＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）およびＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）が挙げられるが、プロセッサ１０１の種類はこれらに限定されない。例えば、プロセッサ１０１は専用回路の組合せでもよい。専用回路はＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）のようなプログラム可能な回路でもよいし、他の種類の回路でもよい。
【0033】
主記憶部１０２は、予測モデル生成装置１０又は気象予測装置２０を実現するためのプログラム、プロセッサ１０１から出力された演算結果などを記憶する装置である。主記憶部１０２は例えばＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）およびＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）のうちの少なくとも一つにより構成される。
【0034】
補助記憶部１０３は、一般に主記憶部１０２よりも大量のデータを記憶することが可能な装置である。補助記憶部１０３は例えばハードディスク、フラッシュメモリなどの不揮発性記憶媒体によって構成される。補助記憶部１０３は、コンピュータ１００を予測モデル生成装置１０又は気象予測装置２０として機能させるためのプログラムＰ１と各種のデータとを記憶する。本実施形態では、予測モデル生成装置１０を実現させるための予測モデル生成プログラム、気象予測装置２０を実現させる気象予測プログラムは、プログラムＰ１として実装される。また、各記憶部１５～１７，２６～２７が予測モデル生成装置１０及び気象予測装置２０のいずれかに含まれる場合には、各記憶部１５～１７，２６～２７は、主記憶部１０２、補助記憶部１０３及びその他の記憶素子のいずれかに構成されてもよい。
【0035】
通信部１０４は、通信ネットワークを介して他のコンピュータとの間でデータ通信を実行する装置である。通信部１０４は例えばネットワークカードまたは無線通信モジュールにより構成される。
【0036】
予測モデル生成装置１０及び気象予測装置２０の各機能要素は、プロセッサ１０１または主記憶部１０２の上に、対応するプログラムＰ１を読み込ませてプロセッサ１０１にそのプログラムを実行させることで実現される。プログラムＰ１は、予測モデル生成装置１０又は気象予測装置２０の各機能要素を実現するためのコードを含む。プロセッサ１０１はプログラムＰ１に従って通信部１０４を動作させ、主記憶部１０２または補助記憶部１０３におけるデータの読み出しおよび書き込みを実行する。このような処理により、予測モデル生成装置１０及び気象予測装置２０の各機能要素が実現される。
【0037】
プログラムＰ１は、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリなどの有形の記録媒体に固定的に記録された上で提供されてもよい。あるいは、プログラムＰ１は、搬送波に重畳されたデータ信号として通信ネットワークを介して提供されてもよい。
【0038】
再び図１を参照して、予測モデル生成装置１０の各機能部及び各記憶部を説明する。予報データ取得部１１は、複数の予報データを含む学習用予報データを取得する。予報データは、少なくとも予測モデルにおける予測対象の気象パラメータを含む１以上の気象パラメータを予報したデータである。予報データは、予報の対象の時点である予報対象時における気象パラメータを、予報対象時以前に予報したデータである。
【0039】
図４は、予測モデルの概略構成を示す図である。図４に示されるように、予測モデルＭ１は、所定の統計解析手法に基づいて、複数の予報データを含む学習用予報データｄ１１を説明変数として観測データｄ１２を目的変数として機械学習により生成される回帰モデルにより構成される。
【0040】
本実施形態では、一例として、予測モデルＭ１は、降水量を予測対象の気象パラメータとするので、観測データｄ１２は、降水量の観測値を含む。また、予測モデルＭ１は、降水量を予測するために、少なくとも降水量を含む１以上の気象パラメータを予報データとする。具体的には、予報データは、降水量、気温及び気圧を含むこととする。
【0041】
予報データ取得部１１は、複数の気象機関の各々の予報に基づく複数の予報データを学習用予報データｄ１１として取得してもよい。具体的には、予報データ取得部１１は、予報データ記憶部１５から学習用予報データｄ１１を取得してもよい。予報データ記憶部１５は、予め、気象機関により予報された予報データからなる学習用予報データｄ１１を記憶している記憶手段である。
【0042】
図５は、予報データ記憶部１５に記憶されている学習用予報データｄ１１の構成及び含まれるデータの例を示す図である。図５に示されるように、予報データ記憶部１５は、予報の対象の時点である予報対象時の気象パラメータを予報した予報データからなる学習用予報データｄ１１を記憶している。また、学習用予報データｄ１１は、同じ予報対象時の気象パラメータを予報した複数の予報データ（予報データ１，予報データ２，予報データ３）を記憶している。これらの予報データは、予報対象時の例えば１４日前を予報出力時として予報された予報値を含む。また、一の予報データは、降水量、気温及び気圧を予報の対象の気象パラメータとして含む。
【0043】
気象機関は、独自に気象パラメータを予報するので、複数の気象機関の各々の予報に基づく予報データは、互いに異なる気象パラメータの予報値を含む。即ち、予報データ取得部１１は、図５において予報データ１，予報データ２，予報データ３として例示されるような複数の予報データを取得することにより、複数の気象機関の各々に予報されたことに起因するゆらぎを含む学習用予報データｄ１１を取得することとなる。
【0044】
また、予報データ取得部１１は、一の気象機関による複数の予報のそれぞれに基づく複数の予報データを取得してもよい。気象機関は、一つの予報対象に関して、例えばアンサンブル予測といった手法により、複数又は分散を伴う予報データを出力する場合がある。予報データ記憶部１５は、同一の予報対象に関して一つの気象機関により出力された複数の予報データを学習用予報データｄ１１として記憶していることとしてもよい。この場合においても、予報データ取得部１１は、同一の予報対象に関する複数の予報データを取得することにより、ゆらぎを含む学習用予報データｄ１１を取得することとなる。
【0045】
再び図１を参照して、観測データ取得部１２は、予報対象時における予測対象の気象パラメータの観測値又は当該観測値に基づく所定の解析値である観測データｄ１２を取得する（なお、観測値又は解析値を、以後において「観測値等」と省略記載する場合がある）。
観測データｄ１２は、予測モデルＭ１における予測対象の気象パラメータの観測値であってもよいし、観測値に基づく所定の演算等により得られる解析値であってもよい。
観測データｄ１２は、予測モデルＭ１における予測対象の気象パラメータの観測値であってもよいし、観測値に基づく所定の演算等により得られる解析値であってもよい。
【0046】
具体的には、観測データ取得部１２は、観測データ記憶部１６から観測データｄ１２を取得してもよい。観測データ記憶部１６は、予め、例えば気象機関等により観測された観測データｄ１２を記憶している記憶手段である。
【0047】
図６は、観測データ記憶部１６に記憶されている観測データの構成及び含まれるデータの例を示す図である。図６に示されるように、観測データ記憶部１６は、予報対象時における、予測モデルＭ１の予測対象の気象パラメータである降水量の観測値を記憶している。同じ予報対象時に関連付けられた学習用予報データｄ１１と、予測対象の観測データｄ１２とのペアにより、予測モデルＭ１の機械学習のための一つの学習用データが構成される。
【0048】
再び図１及び図４を参照して、予測モデル生成部１３は、所定の統計解析手法に基づいて、学習用予報データｄ１１を説明変数として観測データｄ１２を目的変数とする予測モデルＭ１を機械学習により生成する。予測モデルＭ１は、例えば、ガウス過程、ランダムフォレスト、サポートベクターマシン及びニューラルネットワークのいずれかにより構成される回帰モデルであってもよい。これらの例示された回帰モデルは、いずれも当業者に技術的に周知のものである。予測モデル生成部１３は、例えば、誤差逆伝搬学習法を一例とする機械学習の手法に基づいて、予測モデルＭ１を構成する重み等を更新する。即ち、予測モデル生成部１３は、矢印ｕｄに示されるように、学習用予報データｄ１１の入力に応じて予測モデルＭ１から出力されるモデル出力データｍｏと観測データｄ１２との間の誤差情報ｅｒを用いて、予測モデルＭ１に含まれる重み等を更新することにより、予測モデルＭ１の学習を実施する。
【0049】
モデル出力部１４は、予測モデル生成部１３により生成された予測モデルＭ１を出力する。具体的には、モデル出力部１４は、予測モデル記憶部１７に学習済みの予測モデルＭ１を記憶させる。予測モデル記憶部１７は、学習済みの又は学習過程の予測モデルＭ１を記憶させるための記憶手段である。
【0050】
続いて、図２及び図７を参照して、気象予測装置２０の各機能部及び各記憶部を説明する。図７は、予測観測データの予測及び気象に関する指標の取得の局面における予測モデル及び指標予測モデル並びに各種データの流れの概略構成を例示する図である。
【0051】
予測対象予報データ取得部２１は、予測対象予報データｄ２１を取得する。予測対象予報データｄ２１は、気象に関する指標の予測の対象の時点である予測対象時における、少なくとも予測対象の気象パラメータを含む１以上の気象パラメータを予報した予報データを複数含む。本実施形態では、予測対象予報データｄ２１に含まれる予報データは、降水量、気温及び気圧の予報値を含む。
【0052】
具体的には、予測対象予報データ取得部２１は、予測対象予報データ記憶部２６から、予測対象予報データｄ２１を取得してもよい。予測対象予報データ記憶部２６は、予め、予測対象予報データｄ２１を記憶している記憶手段である。
【0053】
予測対象予報データｄ２１は、学習用予報データｄ１１と同様の形式を有している。即ち、図５に例示したように、学習用予報データｄ１１が３つの予報データからなる場合には、後に図８を参照して説明するように、予測対象予報データｄ２１は、学習用予報データｄ１１と同様に、３つの予報データからなる。予測対象予報データｄ２１は、複数の気象機関の各々に予報された複数の予報データを含んでもよい。また、予測対象予報データｄ２１は、一の気象機関による複数の予報値の基づく複数の予報データを含んでもよい。
【0054】
予測観測データ取得部２２は、予測対象予報データｄ２１を予測モデルＭ１に入力することにより、予測対象時における予測対象の気象パラメータの観測値又は当該観測値に基づく所定の解析値を含む予測観測データｄ２２を取得する。予測観測データ取得部２２は、予測モデル記憶部１７に記憶されている学習済みの予測モデルＭ１を参照及び取得できる。
【0055】
予測観測データｄ２２は、複数の観測値等ｍｄを含む。また、予測観測データｄ２２は、観測値等ｍｄの確率分布を含んでもよい。観測値等ｍｄを複数取得又は確率分布により取得するための手法は限定されないが、例えば、予測観測データ取得部２２は、モンテカルロドロップアウト手法により、複数の観測値等ｍｄからなる予測観測データｄ２２を取得してもよい。モンテカルロドロップアウトは、ニューラルネットワークのニューロンをランダムに切り替えたり、中間層の一部をランダムに消去したりすることにより、分布を構成する複数の出力を得る手法である。このように予測観測データｄ２２が取得されることにより、複数の観測値等を含み観測値等における不確かさを適切に表した予測観測データを容易に得ることができる。
【0056】
また、予測モデルＭ１が、ガウス過程回帰に基づいて構成されたモデルである場合には、予測観測データ取得部２２は、観測値等ｍｄの確率分布からなる予測観測データｄ２２を取得してもよい。このように予測観測データｄ２２が取得されることにより、観測値等の確率分布を含み観測値等における不確かさを適切に表した予測観測データを容易に得ることができる。
【0057】
観測値分布算出部２３は、予測観測データｄ２２に基づいて、観測値等ｍｄの確率分布である予測観測データ分布ｄ２３を算出する。予測観測データ分布ｄ２３は、例えば、観測値等ｍｄの平均値Ｅ及び標準偏差σにより表される。具体的には、観測値分布算出部２３は、複数の観測値等ｍｄに基づいて、予測観測データ分布ｄ２３を算出する。また、観測値分布算出部２３は、観測値等ｍｄの分布に基づいて、予測観測データ分布ｄ２３を取得してもよい。
【0058】
このように、予測観測データ分布ｄ２３において予測対象の観測値等の不確かさを好適に表現することができる。そして、そのように構成された予測観測データ分布ｄ２３が指標予測モデルＭ２に入力されることにより、高精度な指標を得ることができる。
【0059】
指標取得部２４は、予測観測データ分布ｄ２３を指標予測モデルＭ２に入力することにより、気象に関する指標ｄ２４を取得する。指標予測モデルＭ２は、各々が気象に関する所定の指標ｄ２４に対応する２以上のクラスに予測観測データ分布ｄ２３により表される予測観測データを分類する分類モデルからなる。
【0060】
分類モデルの種別は限定されないが、指標予測モデルＭ２は、所与の閾値に基づいて予測観測データ分布ｄ２３を分類する分類モデル及びサポートベクターマシンにより構成される分類モデルのいずれかであってもよい。
【0061】
指標予測モデルＭ２が、所与の閾値に基づいて予測観測データ分布ｄ２３を分類する分類モデルにより構成される場合には、閾値は、任意に設定される値であってもよく、予測観測データ分布ｄ２３と指標との組合せの過去の実績に基づいて、設定されてもよい。
【0062】
また、指標予測モデルＭ２が、サポートベクターマシンにより構成される分類モデルにより構成される場合には、予測観測データ分布ｄ２３と指標との組合せの過去の実績に基づく機械学習により、指標予測モデルＭ２が生成されることとしてもよい。
【0063】
指標出力部２５は、指標取得部２４により取得された指標ｄ２４を出力する。出力の態様は限定されないが、指標出力部２５は、所定の記憶手段に記憶させたり、所定の表示装置に表示させたり、所定の装置に送信したりすることにより、取得された指標ｄ２４を出力してもよい。
【0064】
次に、図８を参照して、気象に関する指標を予測する気象予測処理の具体例を説明する。図８は、予測対象の気象パラメータを降水量として雨季及び乾季を示す指標を取得する処理の概略を示す図である。また、予報データは、少なくとも降水量を含み、降水量、気温及び気圧を含む。
【0065】
予測対象予報データ取得部２１は、予測対象予報データｄ２１を取得する。予測対象予報データｄ２１は、「２０２２／６／１ ０：００」を予測対象時として、予測対象時の１４日前に出力された予報データに基づく。予測対象予報データｄ２１は、予報データ１，２，３を含む。これらの複数の予報データは、一の気象機関により予報された複数の予報データであってもよいし、複数の気象機関のそれぞれにより予報された予報データであってもよい。
【0066】
予測観測データ取得部２２は、予測対象予報データｄ２１を予測モデルＭ１に入力することにより、予測対象時における予測対象の気象パラメータの観測値等を含む予測観測データｄ２２を取得する。図８に示される予測観測データｄ２２は、例えば、モンテカルロドロップアウトといった手法により予測モデルＭ１から出力された複数の観測値等ｍｄを含む。観測値等ｍｄは、予測対象時における降水量の予測値である。
【0067】
観測値分布算出部２３は、予測観測データｄ２２に含まれる観測値等ｍｄの確率分布である予測観測データ分布ｄ２３を算出する。予測観測データ分布ｄ２３は、観測値の平均値Ｅ及び標準偏差σにより表される。例えば任意に設定された重みｎを用いて、予測観測データ分布ｄ２３（ｆ（ｔ））は、図８に示されるように、以下の式（１）により表される。
ｆ（ｔ）＝Ｅ（ｔ）＋ｎσ（ｔ） ・・・（１）
式（１）におけるｔは、時刻を表す。
ｆ（ｔ）＝Ｅ（ｔ）＋ｎσ（ｔ） ・・・（１）
式（１）におけるｔは、時刻を表す。
【0068】
指標取得部２４は、予測観測データ分布ｄ２３を指標予測モデルＭ２に入力することにより、気象に関する指標ｄ２４を取得する。図８に示される例では、指標予測モデルＭ２は、閾値に基づいて予測観測データ分布ｄ２３を分類する分類モデルにより構成される。具体的には、指標予測モデルＭ２は、降水量に関する閾値を１ｍｍとして、予測観測データ分布ｄ２３（式（１））に基づいて算出される、分布が考慮された降水量の上限値が閾値を超える場合には指標１（雨季）を出力し、閾値を超えない場合には指標０（乾季）を出力する。
【0069】
【0070】
ステップＳ１において、予測対象予報データ取得部２１は、予測対象予報データｄ２１を取得する。
【0071】
ステップＳ２において、予測観測データ取得部２２は、予測対象予報データｄ２１を予測モデルＭ１に入力する。そして、ステップＳ３において、予測観測データ取得部２２は、予測対象時における予測対象の気象パラメータの観測値等を含む予測観測データｄ２２を取得する。予測観測データｄ２２は、複数の観測値等又は観測値等の確率分布を含む。
【0072】
ステップＳ４において、観測値分布算出部２３は、予測観測データｄ２２により表される観測値等ｍｄの確率分布である予測観測データ分布ｄ２３を算出する。
【0073】
ステップＳ５において、指標取得部２４は、予測観測データ分布ｄ２３を指標予測モデルＭ２に入力する。そして、ステップＳ６において、指標取得部２４は、指標予測モデルＭ２の出力として、気象に関する指標ｄ２４を取得する。
【0074】
ステップＳ７において、指標出力部２５は、指標取得部２４により取得された指標ｄ２４を出力する。
【0075】
以上説明した本実施形態の気象予測装置２０、気象予測方法及び気象予測プログラムによれば、複数の予報データを説明変数とし予測対象時の観測データを目的変数として機械学習により生成された回帰モデルからなる予測モデルに、複数の予測対象予報データを入力することにより、予報データにおけるゆらぎが考慮された予測観測データが得られる。また、予測観測データが予測対象の複数の観測値等又は観測値等の確率分布を含むので、予測観測データは、観測値等の予測における不確かさを内包する。そして、不確かさを含んだ予測観測データに基づいて算出された予測観測データ分布には、予測対象の観測値等の分散が表されているので、予測観測データ分布を指標予測モデルに入力することにより、精度の高い指標を得ることが可能となる。
【0076】
以上、本発明をその実施形態に基づいて詳細に説明した。しかし、本発明は上記実施形態に限定されるものではない。本発明は、その要旨を逸脱しない範囲で様々な変形が可能である。
【0077】
以下、本発明の要旨を示す。
［１］
気象に関する所定の指標を予測する気象予測装置であって、
特定の気象を表すパラメータである気象パラメータを予報の対象とし、前記指標の予測の対象の時点である予測対象時における、少なくとも予測対象の気象パラメータを含む１以上の前記気象パラメータを予報した予報データを複数含む予測対象予報データを取得する予測対象予報データ取得部と、
前記予測対象予報データを予測モデルに入力することにより、前記予測対象時における予測対象の前記気象パラメータに関する予測観測データを取得する予測観測データ取得部であって、前記予測観測データは、前記気象パラメータの複数の観測値若しくは該観測値に基づく所定の解析値、又は、前記観測値若しくは前記解析値の確率分布を含む、予測観測データ取得部と、
前記予測観測データに基づいて、前記観測値又は前記解析値の確率分布である予測観測データ分布を算出する観測値分布算出部と、
前記予測観測データ分布を指標予測モデルに入力することにより、気象に関する指標を取得する指標取得部であって、前記指標予測モデルは、各々が気象に関する所定の指標に対応する２以上のクラスに、前記予測観測データ分布により表される前記予測観測データを分類する分類モデルからなる、指標取得部と、を備え、
前記予測モデルは、
所定の統計解析手法に基づいて、複数の予報データを説明変数として観測データを目的変数として機械学習により生成された回帰モデルであって、
前記予報データは、予報の対象の時点である予報対象時における、少なくとも予測対象の前記気象パラメータを含む１以上の前記気象パラメータを予報したデータであり、
前記観測データは、前記予報対象時における前記予測対象の前記気象パラメータの観測値又は該観測値に基づく所定の解析値である、
気象予測装置。
［２］
前記予測観測データ取得部は、モンテカルロドロップアウト手法により、前記予測観測データを取得する。
［１］に記載の気象予測装置。
［３］
前記予測モデルは、ガウス過程回帰に基づいて構成されたモデルであり、
前記予測観測データ取得部は、前記観測値又は前記解析値の確率分布を含む前記予測観測データを取得する、
［１］に記載の気象予測装置。
［４］
前記予測観測データ分布は、前記観測値又は前記解析値の平均値及び標準偏差により表される、
［１］～［３］のいずれかに記載の気象予測装置。
［５］予測モデルの具体例限定、列挙。
前記予測モデルは、ガウス過程、ランダムフォレスト、サポートベクターマシン及びニューラルネットワークのいずれかにより構成される回帰モデルである、
［１］～［４］のいずれかに記載の気象予測装置。
［６］
前記指標予測モデルは、所与の閾値に基づいて前記予測観測データ分布を分類する分類モデル及びサポートベクターマシンにより構成される分類モデルのいずれかである、
［１］～［５］のいずれかに記載の気象予測装置。
［７］
前記予測対象の気象パラメータは、降水量であり、
前記予報データは、少なくとも降水量の予報を含み、
前記指標予測モデルは、降水量に関する所与の閾値に基づいて、前記予測対象時が雨季及び乾季のいずれかに該当するかを示す指標を出力する、
［１］～［６］のいずれかに記載の気象予測装置。
［８］
気象に関する所定の指標を予測する気象予測装置における気象予測方法であって、
特定の気象を表すパラメータである気象パラメータを予報の対象とし、前記指標の予測の対象の時点である予測対象時における、少なくとも予測対象の気象パラメータを含む１以上の前記気象パラメータを予報した予報データである予測対象予報データを取得する予測対象予報データ取得ステップと、
前記予測対象予報データを予測モデルに入力することにより、前記予測対象時における予測対象の前記気象パラメータに関する予測観測データを取得する予測観測データ取得ステップであって、前記予測観測データは、前記気象パラメータの複数の観測値若しくは該観測値に基づく所定の解析値、又は、前記観測値若しくは前記解析値の確率分布を含む、予測観測データ取得ステップと、
前記予測観測データに基づいて、前記観測値又は前記解析値の確率分布である予測観測データ分布を算出する観測値分布算出ステップと、
前記予測観測データ分布を指標予測モデルに入力することにより、気象に関する指標を取得する指標取得ステップであって、前記指標予測モデルは、各々が気象に関する所定の指標に対応する２以上のクラスに前記予測観測データ分布により表される前記予測観測データを分類する分類モデルからなる、指標取得ステップと、を有し、
前記予測モデルは、
所定の統計解析手法に基づいて、予報データを説明変数として観測データを目的変数として機械学習により生成された回帰モデルであって、
前記予報データは、予報の対象の時点である予報対象時における、少なくとも予測対象の前記気象パラメータを含む１以上の前記気象パラメータを予報したデータであり、
前記観測データは、前記予報対象時における前記予測対象の前記気象パラメータの観測値又は該観測値に基づく所定の解析値である、
気象予測方法。
［１］
気象に関する所定の指標を予測する気象予測装置であって、
特定の気象を表すパラメータである気象パラメータを予報の対象とし、前記指標の予測の対象の時点である予測対象時における、少なくとも予測対象の気象パラメータを含む１以上の前記気象パラメータを予報した予報データを複数含む予測対象予報データを取得する予測対象予報データ取得部と、
前記予測対象予報データを予測モデルに入力することにより、前記予測対象時における予測対象の前記気象パラメータに関する予測観測データを取得する予測観測データ取得部であって、前記予測観測データは、前記気象パラメータの複数の観測値若しくは該観測値に基づく所定の解析値、又は、前記観測値若しくは前記解析値の確率分布を含む、予測観測データ取得部と、
前記予測観測データに基づいて、前記観測値又は前記解析値の確率分布である予測観測データ分布を算出する観測値分布算出部と、
前記予測観測データ分布を指標予測モデルに入力することにより、気象に関する指標を取得する指標取得部であって、前記指標予測モデルは、各々が気象に関する所定の指標に対応する２以上のクラスに、前記予測観測データ分布により表される前記予測観測データを分類する分類モデルからなる、指標取得部と、を備え、
前記予測モデルは、
所定の統計解析手法に基づいて、複数の予報データを説明変数として観測データを目的変数として機械学習により生成された回帰モデルであって、
前記予報データは、予報の対象の時点である予報対象時における、少なくとも予測対象の前記気象パラメータを含む１以上の前記気象パラメータを予報したデータであり、
前記観測データは、前記予報対象時における前記予測対象の前記気象パラメータの観測値又は該観測値に基づく所定の解析値である、
気象予測装置。
［２］
前記予測観測データ取得部は、モンテカルロドロップアウト手法により、前記予測観測データを取得する。
［１］に記載の気象予測装置。
［３］
前記予測モデルは、ガウス過程回帰に基づいて構成されたモデルであり、
前記予測観測データ取得部は、前記観測値又は前記解析値の確率分布を含む前記予測観測データを取得する、
［１］に記載の気象予測装置。
［４］
前記予測観測データ分布は、前記観測値又は前記解析値の平均値及び標準偏差により表される、
［１］～［３］のいずれかに記載の気象予測装置。
［５］予測モデルの具体例限定、列挙。
前記予測モデルは、ガウス過程、ランダムフォレスト、サポートベクターマシン及びニューラルネットワークのいずれかにより構成される回帰モデルである、
［１］～［４］のいずれかに記載の気象予測装置。
［６］
前記指標予測モデルは、所与の閾値に基づいて前記予測観測データ分布を分類する分類モデル及びサポートベクターマシンにより構成される分類モデルのいずれかである、
［１］～［５］のいずれかに記載の気象予測装置。
［７］
前記予測対象の気象パラメータは、降水量であり、
前記予報データは、少なくとも降水量の予報を含み、
前記指標予測モデルは、降水量に関する所与の閾値に基づいて、前記予測対象時が雨季及び乾季のいずれかに該当するかを示す指標を出力する、
［１］～［６］のいずれかに記載の気象予測装置。
［８］
気象に関する所定の指標を予測する気象予測装置における気象予測方法であって、
特定の気象を表すパラメータである気象パラメータを予報の対象とし、前記指標の予測の対象の時点である予測対象時における、少なくとも予測対象の気象パラメータを含む１以上の前記気象パラメータを予報した予報データである予測対象予報データを取得する予測対象予報データ取得ステップと、
前記予測対象予報データを予測モデルに入力することにより、前記予測対象時における予測対象の前記気象パラメータに関する予測観測データを取得する予測観測データ取得ステップであって、前記予測観測データは、前記気象パラメータの複数の観測値若しくは該観測値に基づく所定の解析値、又は、前記観測値若しくは前記解析値の確率分布を含む、予測観測データ取得ステップと、
前記予測観測データに基づいて、前記観測値又は前記解析値の確率分布である予測観測データ分布を算出する観測値分布算出ステップと、
前記予測観測データ分布を指標予測モデルに入力することにより、気象に関する指標を取得する指標取得ステップであって、前記指標予測モデルは、各々が気象に関する所定の指標に対応する２以上のクラスに前記予測観測データ分布により表される前記予測観測データを分類する分類モデルからなる、指標取得ステップと、を有し、
前記予測モデルは、
所定の統計解析手法に基づいて、予報データを説明変数として観測データを目的変数として機械学習により生成された回帰モデルであって、
前記予報データは、予報の対象の時点である予報対象時における、少なくとも予測対象の前記気象パラメータを含む１以上の前記気象パラメータを予報したデータであり、
前記観測データは、前記予報対象時における前記予測対象の前記気象パラメータの観測値又は該観測値に基づく所定の解析値である、
気象予測方法。
【符号の説明】
【0078】
１０ 予測モデル生成装置
１１ 予報データ取得部
１２ 観測データ取得部
１３ 予測モデル生成部
１４ モデル出力部
１５ 予報データ記憶部
１６ 観測データ記憶部
１７ 予測モデル記憶部
２０ 気象予測装置
２１ 予測対象予報データ取得部
２２ 予測観測データ取得部
２３ 観測値分布算出部
２４ 指標取得部
２５ 指標出力部
２６ 予測対象予報データ記憶部
ｄ１１ 学習用予報データ
ｄ１２ 観測データ
ｄ２１ 予測対象予報データ
ｄ２２ 予測観測データ
ｄ２３ 予測観測データ分布
ｄ２４ 指標
Ｍ１ 予測モデル
Ｍ２ 指標予測モデル
Ｐ１ プログラム
１１ 予報データ取得部
１２ 観測データ取得部
１３ 予測モデル生成部
１４ モデル出力部
１５ 予報データ記憶部
１６ 観測データ記憶部
１７ 予測モデル記憶部
２０ 気象予測装置
２１ 予測対象予報データ取得部
２２ 予測観測データ取得部
２３ 観測値分布算出部
２４ 指標取得部
２５ 指標出力部
２６ 予測対象予報データ記憶部
ｄ１１ 学習用予報データ
ｄ１２ 観測データ
ｄ２１ 予測対象予報データ
ｄ２２ 予測観測データ
ｄ２３ 予測観測データ分布
ｄ２４ 指標
Ｍ１ 予測モデル
Ｍ２ 指標予測モデル
Ｐ１ プログラム
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】