特開 2024-62551 予測装置、予測方法、学習装置、学習方法、およびプログラム

(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】P2024062551

(43)【公開日】2024-05-10

(54)【発明の名称】予測装置、予測方法、学習装置、学習方法、およびプログラム

(51)【国際特許分類】

   G06Q 10/04 20230101AFI20240501BHJP

   G06N 3/049 20230101ALI20240501BHJP

   E02B 3/00 20060101ALI20240501BHJP

【ＦＩ】

G06Q10/04

G06N3/04 190

E02B3/00

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2022170453

(22)【出願日】2022-10-25

(71)【出願人】

【識別番号】501203344

【氏名又は名称】国立研究開発法人農業・食品産業技術総合研究機構

(74)【代理人】

【識別番号】100161207

【弁理士】

【氏名又は名称】西澤 和純

(74)【代理人】

【識別番号】100188558

【弁理士】

【氏名又は名称】飯田 雅人

(74)【代理人】

【識別番号】100154852

【弁理士】

【氏名又は名称】酒井 太一

(72)【発明者】

【氏名】木村 延明

【テーマコード（参考）】

5L010

5L049

【Ｆターム（参考）】

5L010AA04

5L049AA04

(57)【要約】

【課題】リードタイムが長くなっても、調整池や河川の水位を高い精度で予測すること。
【解決手段】水位計によって計測された水位の時系列データを取得する取得部と、前記時系列データに基づく入力データを、水位の時系列データに基づく入力データが入力されると前記水位の将来値を出力するように学習された学習済みモデルに入力することによって、前記水位の将来値を予測する予測部と、を備え、前記入力データは、前記時系列データから前記水位の変化の周期性成分を抽出する処理を実行することによって得られた周期性データを少なくとも含む、予測装置。
【選択図】図１

【特許請求の範囲】

【請求項1】

水位計によって計測された水位の時系列データを取得する取得部と、
前記時系列データに基づく入力データを、水位の時系列データに基づく入力データが入力されると前記水位の将来値を出力するように学習された学習済みモデルに入力することによって、前記水位の将来値を予測する予測部と、を備え、
前記入力データは、前記時系列データから前記水位の変化の周期性成分を抽出する処理を実行することによって得られた周期性データを少なくとも含む、
予測装置。

【請求項2】

前記水位の変化の周期性成分を抽出する処理は、前記時系列データにフーリエ変換を施してピーク値を抽出し、抽出した前記ピーク値にフーリエ逆変換を施すことによって前記周期性データを取得する処理である、
請求項１に記載の予測装置。

【請求項3】

前記水位の変化の周期性成分を抽出する処理は、前記時系列データにフーリエ変換を施してピーク値を抽出し、抽出した前記ピーク値にフーリエ逆変換を施し、前記フーリエ逆変換に得られたデータを前記周期性成分にしたがって将来区間にわたって延長することによって前記周期性データを取得する処理である、
請求項１に記載の予測装置。

【請求項4】

前記入力データは、前記時系列データと前記周期性データとを含む、
請求項１から３のいずれか１項に記載の予測装置。

【請求項5】

コンピュータが、
水位計によって計測された水位の時系列データを取得し、
前記時系列データに基づく入力データを、水位の時系列データに基づく入力データが入力されると前記水位の将来値を出力するように学習された学習済みモデルに入力することによって、前記水位の将来値を予測し、
前記入力データは、前記時系列データから前記水位の変化の周期性成分を抽出する処理を実行することによって得られた周期性データを少なくとも含む、
予測方法。

【請求項6】

コンピュータに、
水位計によって計測された水位の時系列データを取得させ、
前記時系列データに基づく入力データを、水位の時系列データに基づく入力データが入力されると前記水位の将来値を出力するように学習された学習済みモデルに入力することによって、前記水位の将来値を予測させ、
前記入力データは、前記時系列データから前記水位の変化の周期性成分を抽出する処理を実行することによって得られた周期性データを少なくとも含む、
プログラム。

【請求項7】

水位計によって計測された水位の時系列データに基づく入力データが入力されると、前記水位の将来値を出力するように学習する学習装置であって、
前記入力データは、前記時系列データから前記水位の変化の周期性成分を抽出する処理を実行することによって得られた周期性データを少なくとも含む、
学習装置。

【請求項8】

コンピュータが、
水位計によって計測された水位の時系列データに基づく入力データが入力されると、前記水位の将来値を出力するように学習する学習方法であって、
前記入力データは、前記時系列データから前記水位の変化の周期性成分を抽出する処理を実行することによって得られた周期性データを少なくとも含む、
学習方法。

【請求項9】

コンピュータに、
水位計によって計測された水位の時系列データに基づく入力データが入力されると、前記水位の将来値を出力するように学習させるプログラムであって、
前記入力データは、前記時系列データから前記水位の変化の周期性成分を抽出する処理を実行することによって得られた周期性データを少なくとも含む、
プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、予測装置、予測方法、学習装置、学習方法、およびプログラムに関する。

【背景技術】

【0002】

従来、排水管理が行われている排水機場の調整池や河川の水位をリアルタイムで予測する技術が知られている。例えば、非特許文献１には、ＤＮＮ（deep neural network）によって河川の水位を予測する技術が開示されている。

【先行技術文献】

【非特許文献】

【0003】

【非特許文献1】一言 正之, 櫻庭 雅明, 清 雄一, 深層学習を用いた河川水位予測手法の開発, 土木学会論文集B1（水工学）, 2016, 72 巻, 4 号, p. I_187-I_192

【発明の概要】

【発明が解決しようとする課題】

【0004】

一般的に、ＤＮＮは、大量の教師データと十分な学習時間とを必要とする一方、一旦学習が完了すれば、迅速な予測が可能となるものである。しかしながら、従来のＤＮＮによる水位予測技術は、数時間先までの水位予測に関して、リードタイム（予測時間）が長くなるにつれて、その予測精度が低下する傾向があった。

【0005】

本発明は、このような事情を考慮してなされたものであり、リードタイムが長くなっても、調整池や河川の水位を高い精度で予測することができる予測装置、予測方法、学習装置、学習方法、およびプログラムを提供することを目的の一つとする。

【課題を解決するための手段】

【0006】

本発明の一態様に係る予測装置は、水位計によって計測された水位の時系列データを取得する取得部と、前記時系列データに基づく入力データを、水位の時系列データに基づく入力データが入力されると前記水位の将来値を出力するように学習された学習済みモデルに入力することによって、前記水位の将来値を予測する予測部と、を備え、前記入力データは、前記時系列データから前記水位の変化の周期性成分を抽出する処理を実行することによって得られた周期性データを少なくとも含むものである。

【0007】

前記水位の変化の周期性成分を抽出する処理は、前記時系列データにフーリエ変換を施してピーク値を抽出し、抽出した前記ピーク値にフーリエ逆変換を施すことによって前記周期性データを取得する処理であってもよい。

【0008】

前記水位の変化の周期性成分を抽出する処理は、前記時系列データにフーリエ変換を施してピーク値を抽出し、抽出した前記ピーク値にフーリエ逆変換を施し、前記フーリエ逆変換に得られたデータを前記周期性成分にしたがって将来区間にわたって延長することによって前記周期性データを取得する処理であってもよい。

【0009】

前記入力データは、前記時系列データと前記周期性データとを含んでもよい。

【0010】

本発明の一態様に係る学習装置は、水位計によって計測された水位の時系列データに基づく入力データが入力されると、前記水位の将来値を出力するように学習する学習装置であって、
前記入力データは、前記時系列データから前記水位の変化の周期性成分を抽出する処理を実行することによって得られた周期性データを少なくとも含むものである。

【発明の効果】

【0011】

本発明によれば、リードタイムが長くなっても、調整池や河川の水位を高い精度で予測することができる。

【図面の簡単な説明】

【0012】

【図1】予測装置１００の使用環境および構成の一例を示す図である。

【図2】予測装置１００によって実行される水位予測の概要を示す図である。

【図3】周期性データ１３４の取得方法の概要を説明するための図である。

【図4】時系列データ１３２にフーリエ変換を施した結果の一例を示す図である。

【図5】フーリエ逆変換によって得られた周期性データ１３４の一例を示す図である。

【図6】予測装置１００によって実行される処理の流れの一例を示すフローチャートである。

【図7】学習装置２００の構成の一例を示す図である。

【図8】変形例に係る周期性データ１３４の一例を示す図である。

【発明を実施するための形態】

【0013】

[概要]
以下、図面を参照し、本発明の実施形態に係る予測装置１００について説明する。図１は、予測装置１００の使用環境および構成の一例を示す図である。予測装置１００は、例えば、水位計１０と、送信機２０と協働して動作する。

【0014】

水位計１０は、例えば、排水機場の調整池に敷設されたパイプＰ上に設置され、当該調整池のある基準面からの水面の高さ（すなわち、水位）を時系列に計測するセンサーである。図１において、水位計１０は、圧力式水位計や静電容量式水位計などの接触式水位計として表されているが、本発明はそのような構成に限定されず、水位計１０は、電波式水位計や超音波式水位計などの非接触式水位計であっても良い。さらに、本実施形態において、水位計１０は調整池の水位を計測するものとして説明するが、本発明はそのような構成に限定されず、水位計１０は、例えば、河川の水位を測定するものであってもよい。

【0015】

送信機２０は、例えば、パイプＰ内を通る不図示のケーブルによって水位計１０と接続される。送信機２０は、水位計１０によって測定された調整池の水位の時系列データを、ネットワークＮＷを介して予測装置１００に送信する。ネットワークＮＷは、例えば、ＬＡＮ、ＷＡＮ、インターネット回線などの任意のネットワークであり、有線であっても無線であっても良い。また、水位計１０そのものが、送信機２０を備え、水位計１０と送信機２０とは一体化されていても良い。

【0016】

予測装置１００は、排水機場の調整池の水位の将来値を予測する、ウェブサーバなどのサーバ装置である。図２は、予測装置１００によって実行される水位予測の概要を示す図である。図２に示す通り、予測装置１００は、水位計１０によって測定された調整池の水位の時系列データ１３２と、時系列データ１３２から水位の変化の周期性成分を抽出する処理（詳細は後述する）を実行することによって得られた周期性データ１３４とを、学習済みモデル１３６に入力することによって、水位の将来値を取得する。

【0017】

時系列データ１３２は、例えば、１時間間隔で水位計１０によって測定された水位値を表し、そのうち、例えば、１～６時間前までに取得された１時間間隔の水位データが入力データとして学習済みモデル１３６に入力される。さらに、周期性データ１３４は、過去の所定期間（例えば、数年間）にわたって収集された時系列データ１３２から周期性成分を抽出する処理を実行することによって得られた水位の時系列データである。出力データは、例えば、１～６時間後までの１時間間隔の水位の将来値である。これら入力対象となる１～６時間前の水位値、および予測対象となる１～６時間後の水位値などの設定はあくまでも一例であり、より短い間隔（例えば、３０分間隔）やより長い間隔（例えば、１．５時間間隔）で水位値の入力および出力を行っても良い。

【0018】

学習済みモデル１３６は、例えば、長期間の連続データのトレンドを記憶しながら、急激な変化にも対応可能なアーキテクチャである長・短期記憶アーキテクチャ（ＬＳＴＭ：Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ）を水位予測モデルとして、上述した入力および出力に対応する時系列データ１３２および周期性データ１３４を教師データとして生成されるものである。すなわち、本実施形態において、学習済みモデル１３６は、水位の時系列データ１３２のみならず、水位の周期性データ１３４をさらに考慮して学習されたものである。これにより、従来のＤＮＮによる水位予測技術に比して、リードタイムが長くなっても、調整池や河川の水位を高い精度で予測することができる。以下、予測装置１００の機能について、さらに詳細に説明する。

【0019】

[機能構成]
予測装置１００は、例えば、データ取得部１１０と、水位予測部１２０と、記憶部１３０とを備える。データ取得部１１０と水位予測部１２０のそれぞれは、例えば、ＣＰＵ（Central Processing Unit）などのハードウェアプロセッサがプログラム（ソフトウェア）を実行することにより実現される。これらの構成要素のうち一部または全部は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）などのハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。プログラムは、予めＨＤＤ（Hard Disk Drive）やフラッシュメモリなどの記憶装置（非一過性の記憶媒体を備える記憶装置）に格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭなどの着脱可能な記憶媒体（非一過性の記憶媒体）に格納されており、記憶媒体がドライブ装置に装着されることでインストールされてもよい。記憶部１３０は、例えば、ＲＯＭ、フラッシュメモリ、ＳＤカード、ＲＡＭ、ＨＤＤ、レジスタ等によって実現される。記憶部１３０は、例えば、時系列データ１３２と、周期性データ１３４と、学習済みモデル１３６とを記憶する。

【0020】

データ取得部１１０は、送信機２０から、水位計１０によって測定された調整池の水位の時系列データをネットワークＮＷを介して受信し、時系列データ１３２として記憶部１３０に記憶する。データ取得部１１０は、さらに、記憶された最新の時系列データ１３２から水位の変化の周期性成分を抽出する処理、より具体的には、フーリエ変換（およびフーリエ逆変換）を実行することによって、周期性データ１３４を取得する。

【0021】

図３は、周期性データ１３４の取得方法の概要を説明するための図である。図３の左上部に示される時系列データ１３２のグラフにおいて、横軸は時間を表し、縦軸は水位を表す。データ取得部１１０は、まず、時系列データ１３２に対して、以下の式（１）に従って、フーリエ変換を施す。

【0022】

【数1】

【0023】

上記の式（１）において、ｆは、時系列データ１３２において時間に関する水位を示す関数を表し、Ｎは、フーリエ変換を施す時系列データ１３２のデータ数を表し、ωは振動数を表し、ｔは時間を表す。式（１）は、離散フーリエ変換（discrete Fourier transform）による計算式を表しているが、実際の算出には、高速フーリエ変換（fast Fourier transform）が用いられる。

【0024】

図４は、時系列データ１３２にフーリエ変換を施した結果の一例を示す図である。図４に示すグラフにおいて、横軸は振動数を表し、縦軸はスペクトル密度を表す。データ取得部１１０は、例えば、スペクトル密度が閾値Ｔｈ以上である振動数をピーク値として抽出する一方、スペクトル密度が閾値Ｔｈ未満である振動数はノイズとして除去する。他の方法として、例えば、データ取得部１１０は、事前に特定の振動数の範囲を規定し、規定した振動数の範囲に存在するスペクトル密度をピーク値として抽出してもよい。例えば、図４の場合、データ取得部１１０は、日周期に対応する振動数ω１と、半日周期に対応する振動数ω２とを抽出しているが、事前の検証による知見に基づいて、振動数ω１を含む第１範囲Ｒ１と、振動数ω２を含む第２範囲Ｒ２とを事前に規定し、これら範囲に含まれる振動数をピーク値として抽出する一方、それ以外の振動数についてはノイズとして除去しても良い。

【0025】

データ取得部１１０は、スペクトル密度のピーク値を抽出すると、次に、抽出したピーク値に対して、以下の式（２）に従って、フーリエ逆変換を施す。

【0026】

【数2】

【0027】

上記の式（２）において、Ｆは、式（１）のフーリエ変換によって得られたスペクトル密度を示す関数を表し、Ｎは、フーリエ逆変換を施す時系列データ１３２のデータ数を表し、ωは振動数を表し、ｔは時間を表す。データ取得部１１０は、フーリエ逆変換を施した結果として、周期性データ１３４を取得する。

【0028】

図５は、フーリエ逆変換によって得られた周期性データ１３４の一例を示す図である。図５に示す周期性データ１３４のうち、上部のグラフは振動数ω１に対応する日周期の水位を表し、下部のグラフは振動数ω２に対応する半日周期の水位を表す。データ取得部１１０は、以上のようにして、学習済みモデル１３６に入力する周期性データ１３４を得る。

【0029】

水位予測部１２０は、時系列データ１３２および周期性データ１３４が取得されると、これらデータを学習済みモデル１３６に入力することによって、水位の将来値を取得する。上述した通り、本実施形態において、水位予測部１２０は、例えば、１～６時間後までの１時間間隔の水位の将来値を取得する。このように、水位の時系列データ１３２のみならず、水位の周期性データ１３４をさらに考慮して学習された学習済みモデル１３６を用いて水位の将来値を予測することにより、リードタイムが長くなっても、調整池や河川の水位を高い精度で予測することができる。

【0030】

なお、上記の説明では、データ取得部１１０は、記憶部１３０に記憶された最新の時系列データ１３２に基づいて、学習済みモデル１３６に入力するための周期性データ１３４を導出するものとしたが、本発明はそのような構成に限定されない。例えば、データ取得部１１０は、定期的（例えば、日ごと）に周期性データ１３４を導出し、水位の予測時には、前回タイミング（例えば、前日）に導出された周期性データ１３４を学習済みモデル１３６に入力するものであってもよい。

【0031】

次に、図６を参照して、予測装置１００によって実行される処理の流れについて説明する。図６は、予測装置１００によって実行される処理の流れの一例を示すフローチャートである。本フローチャートに係る処理は、所定の制御サイクル（例えば、１時間ごと）で実行されてもよいし、予測装置１００の利用者が保持する端末装置からの指令に応じて実行されてもよい。

【0032】

まず、データ取得部１１０は、送信機２０から、水位計１０によって測定された調整池の水位の時系列データ１３２をネットワークＮＷを介して受信する（ステップＳ１００）。次に、データ取得部１１０は、水位の時系列データ１３２から水位の変化の周期性成分を抽出する処理、より具体的には、フーリエ変換（およびフーリエ逆変換）を実行することによって、水位の周期性データ１３４を取得する（ステップＳ１０２）。次に、水位予測部１２０は、時系列データ１３２および周期性データ１３４を学習済みモデル１３６に入力する（ステップＳ１０４）。次に、水位予測部１２０は、学習済みモデル１３６によって出力された水位の将来値を取得して、調整池の水位を予測する（ステップＳ１０６）。これにより、本フローチャートの処理が終了する。

【0033】

［学習装置］
次に、図７を参照して、本実施形態の学習済みモデル１３６を生成する学習装置２００について説明する。図７は、学習装置２００の構成の一例を示す図である。図７に示す通り、学習装置２００は、例えば、学習部２１０と、記憶部２２０と、を備える。記憶部２２０は、例えば、教師データ２２２と、ＬＳＴＭモデル２２４とを記憶する。学習部２１０は、例えば、ＣＰＵなどのハードウェアプロセッサがプログラム（ソフトウェア）を実行することにより実現される。学習部２１０のうち一部または全部は、ＬＳＩやＡＳＩＣ、ＦＰＧＡ、ＧＰＵなどのハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。プログラムは、予めＨＤＤやフラッシュメモリなどの記憶装置（非一過性の記憶媒体を備える記憶装置）に格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭなどの着脱可能な記憶媒体（非一過性の記憶媒体）に格納されており、記憶媒体がドライブ装置に装着されることでインストールされてもよい。記憶部２２０は、例えば、ＲＯＭ、フラッシュメモリ、ＳＤカード、ＲＡＭ、ＨＤＤ、レジスタ等によって実現される。

【0034】

教師データ２２２は、水位の時系列データ１３２と、時系列データ１３２から導出された所定期間（例えば、数年）にわたる周期性データ１３４とを含む。学習部２１０は、時系列データ１３２のうちの、例えば、１～６時間前までに取得された１時間間隔の水位データと、所定期間にわたる周期性データ１３４とが入力されると、１～６時間後までの１時間間隔の水位の将来値を出力するように、ＬＳＴＭモデル２２４を学習する。より具体的には、学習部２１０は、損失関数として、水位の予測値と観測値との間の二乗和誤差を最適化するように、例えば、確率的勾配降下法を用いてＬＳＴＭモデル２２４のパラメータを調整することによって、ＬＳＴＭモデル２２４を学習する。これにより、学習済みモデル１３６が生成される。

【0035】

なお、本実施形態では、予測装置１００と学習装置２００とが別体の装置として構成されているが、本発明はそのような構成に限定されず、予測装置１００と学習装置２００とは同体の情報処理装置として構成されてもよい。その場合、情報処理装置は、上述した予測装置１００と学習装置２００の機能部を全て備えることとなる。

【0036】

以上の通り説明した本実施形態によれば、水位計によって計測された水位の時系列データを取得し、時系列データに基づく入力データを、水位の時系列データに基づく入力データが入力されると水位の将来値を出力するように学習された学習済みモデルに入力することによって、水位の将来値を予測し、入力データは、時系列データから周期性成分を抽出する処理を実行することによって得られた周期性データを少なくとも含む。これにより、リードタイムが長くなっても、調整池や河川の水位を高い精度で予測することができる。

【0037】

［変形例］
上記の実施形態では、データ取得部１１０は、現時点までに得られた水位の時系列データ１３２にフーリエ変換（およびフーリエ逆変換）を施すことによって、周期性データ１３４を取得し、時系列データ１３２と周期性データ１３４とを学習済みモデル１３６に入力することによって、水位の将来値を予測している。しかし、本発明はそのような構成に限定されず、周期性データ１３４は、将来区間における周期性データを含んでも良い。

【0038】

図８は、変形例に係る周期性データ１３４の一例を示す図である。まず、データ取得部１１０は、上記で説明した同様の手法により、現時点までの時系列データ１３２にフーリエ変換を施してスペクトル密度の各ピーク値を抽出し、抽出したピーク値にフーリエ逆変換を施すことによって、時間に関する水位の単振動を得る。次に、データ取得部１１０は、フーリエ逆変換によって得られた単振動の波形を時間方向にシフト（延長）することによって将来区間における単振動を生成する。データ取得部１１０は、過去から現時点までの単振動と、将来区間における単振動とを合成することにより、変形例に係る周期性データ１３４を生成することができる。

【0039】

スペクトル図において複数のピーク値を抽出した結果、複数の振動数が群になった周期の場合には、データ取得部１１０は、複数の振動数に対応するピーク値から生成される各々の単振動を将来区間まで延長し、単純に線形的に重ね合わせて周期性データ１３４を生成することができる。このようにして生成された周期性データ１３４を教師データ２２２として用いて学習済みモデル１３６を生成することにより、水位予測部１２０は、水位に関する将来の周期性を考慮して、水位の将来値を予測することができる。

【0040】

以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。

【符号の説明】

【0041】

１０ 水位計
２０ 送信機
１００ 予測装置
１１０ データ取得部
１２０ 水位予測部
１３０、２２０ 記憶部
１３２ 時系列データ
１３４ 周期性データ
１３６ 学習済みモデル
２００ 学習装置
２１０ 学習部
２２２ 教師データ
２２４ ＬＳＴＭモデル
Ｐ パイプ
ＮＷ ネットワーク

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】