特許 7515169 落雷位置標定システムによる落雷検知の真偽を確認するための確認装置、確認方法及び確認プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-07-04

(45)【発行日】2024-07-12

(54)【発明の名称】落雷位置標定システムによる落雷検知の真偽を確認するための確認装置、確認方法及び確認プログラム

(51)【国際特許分類】

   G01W 1/16 20060101AFI20240705BHJP

   G01R 29/08 20060101ALI20240705BHJP

【ＦＩ】

G01W1/16 C

G01R29/08 E

【請求項の数】 9

(21)【出願番号】P 2020177813

(22)【出願日】2020-10-23

(65)【公開番号】P2022068960

(43)【公開日】2022-05-11

【審査請求日】2023-09-13

(73)【特許権者】

【識別番号】000144991

【氏名又は名称】株式会社四国総合研究所

(74)【代理人】

【識別番号】100124039

【弁理士】

【氏名又は名称】立花 顕治

(74)【代理人】

【識別番号】100170542

【弁理士】

【氏名又は名称】桝田 剛

(72)【発明者】

【氏名】新居 浩治

【審査官】福田 裕司

(56)【参考文献】

【文献】特開２０１７－１５６１５８（ＪＰ，Ａ）

【文献】特開２０１８－１９８０５３（ＪＰ，Ａ）

【文献】特開２００４－３３３４５３（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０１Ｗ １／１６

Ｇ０１Ｒ ２９／０８

(57)【特許請求の範囲】

【請求項1】

落雷位置標定システムによる落雷の検知に際して生成される落雷位置標定データを取得するデータ取得部と、
機械学習により訓練済みの判定モデルを使用して、取得された落雷位置標定データに基づき、前記落雷の検知が確報か誤報かを判定する判定部と、
判定の結果に関する情報を出力する出力部と、
を備え、
前記落雷位置標定データは、前記落雷の検知において前記落雷位置標定システムの各落雷センサが落雷を捕捉した方位角と前記落雷位置標定システムの中央処理装置の解析により前記各落雷センサの測定データから導出された落雷の位置の各落雷センサに対する角度との角度差を示す方位角差データを含むように構成される、
落雷位置標定システムによる落雷検知の真偽を確認するための確認装置。

【請求項2】

前記落雷位置標定データは、前記落雷位置標定システムの各落雷センサによる落雷の測定データを含むように構成される、
請求項１に記載の確認装置。

【請求項3】

前記測定データは、前記各落雷センサが落雷を捕捉した方位角及び信号強度の測定値により構成される、
請求項２に記載の確認装置。

【請求項4】

前記落雷位置標定データは、前記落雷位置標定システムの中央処理装置の解析により前記各落雷センサの前記測定データから導出される落雷の解析データを更に含むように構成される、
請求項２又は３に記載の確認装置。

【請求項5】

落雷位置標定システムによる落雷の検知に際して生成された学習用落雷位置標定データ及び前記学習用落雷位置標定データにおける前記落雷の検知が確報か誤報かの真値を示す正解ラベルの組み合わせによりそれぞれ構成される複数の学習データセットを取得するデータ取得部と、
取得された複数の学習データセットを使用して、判定モデルの機械学習を実施する学習処理部であって、前記機械学習は、前記各学習データセットについて、前記学習用落雷位置標定データに基づき落雷の検知が確報か誤報かを前記判定モデルを使用して判定した結果が前記正解ラベルにより示される真値に適合するように前記判定モデルを訓練することにより構成される、学習処理部と、
を備え、
前記学習用落雷位置標定データは、前記落雷の検知において前記落雷位置標定システムの各落雷センサが落雷を捕捉した方位角と前記落雷位置標定システムの中央処理装置の解析により前記各落雷センサの測定データから導出された落雷の位置の各落雷センサに対する角度との角度差を示す方位角差データを含むように構成される、
モデル生成装置。

【請求項6】

前記学習用落雷位置標定データは、前記落雷位置標定システムの各落雷センサによる落雷の測定データを含むように構成される、
請求項５に記載のモデル生成装置。

【請求項7】

前記判定モデルは、ニューラルネットワークにより構成される、
請求項５又は６に記載のモデル生成装置。

【請求項8】

コンピュータが、
落雷位置標定システムによる落雷の検知に際して生成される落雷位置標定データを取得するステップと、
機械学習により訓練済みの判定モデルを使用して、取得された落雷位置標定データに基づき、前記落雷の検知が確報か誤報かを判定するステップと、
判定の結果に関する情報を出力するステップと、
を実行し、
前記落雷位置標定データは、前記落雷の検知において前記落雷位置標定システムの各落雷センサが落雷を捕捉した方位角と前記落雷位置標定システムの中央処理装置の解析により前記各落雷センサの測定データから導出された落雷の位置の各落雷センサに対する角度との角度差を示す方位角差データを含むように構成される、
落雷位置標定システムによる落雷検知の真偽を確認するための確認方法。

【請求項9】

コンピュータに、
落雷位置標定システムによる落雷の検知に際して生成される落雷位置標定データを取得するステップと、
機械学習により訓練済みの判定モデルを使用して、取得された落雷位置標定データに基づき、前記落雷の検知が確報か誤報かを判定するステップと、
判定の結果に関する情報を出力するステップと、
を実行させ、
前記落雷位置標定データは、前記落雷の検知において前記落雷位置標定システムの各落雷センサが落雷を捕捉した方位角と前記落雷位置標定システムの中央処理装置の解析により前記各落雷センサの測定データから導出された落雷の位置の各落雷センサに対する角度との角度差を示す方位角差データを含むように構成される、
落雷位置標定システムによる落雷検知の真偽を確認するための確認プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、落雷位置標定システムによる落雷検知の真偽を確認するための確認装置、確認方法及び確認プログラムに関する。

【背景技術】

【0002】

近年、落雷の位置を特定するために、落雷位置標定システム（ＬＬＳ：Lightning Location System）が用いられている。落雷位置標定システムは、複数の落雷センサ及び中央処理装置を備えることで、落雷により発生する電磁波を捕捉して、得られた電磁波の測定結果から落雷の位置を導出するように構成されたシステムである。例えば、特許文献１には、落雷位置標定システムを利用して、落雷事故点を標定する方法が提案されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２００４－３３３４５３号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

各電力会社（送配電会社）は、送電の系統運用の他、送電線の耐雷設計のための基礎資料を得る目的で、落雷位置標定システムを保有している。従来、観測員が、落雷を目視で観測し記録していたため、基礎資料を得るのにコストがかかっていたが、落雷位置標定システムを利用することで、そのコストを抑えることができる。しかしながら、この落雷位置標定システムには、次のような問題点があることを本件発明者は見出した。

【0005】

すなわち、落雷位置標定システムを使用して四国内の落雷を検知（標定）したデータを検証したところ、年間に落雷を検知した日数が過去の平均に比べて２～３倍程度増えていることが判明した。落雷位置標定システムの標定方法では、複数の位置が標定位置に該当し得ることから、他の地域の落雷を対象地域内の落雷と誤検知する可能性があること、落雷センサが高性能になり、遠方で発生した落雷の電磁波を捕捉可能になったこと等が誤検知の要因と考えられる。このような落雷の過検出が積み重なると、実際の件数よりも随分と多く落雷が発生していると誤り、送電線の耐雷設計（最適化）に悪影響を及ぼしてしまう可能性がある。

【0006】

本発明は、一側面では、このような事情を鑑みてなされたものであり、その目的は、落雷位置標定システムによる落雷の検知が確報であるか誤報であるかの真偽を確認するための技術を提供することである。

【課題を解決するための手段】

【0007】

本発明は、上述した課題を解決するために、以下の構成を採用する。

【0008】

すなわち、本発明の一側面に係る確認装置は、落雷位置標定システムによる落雷検知の真偽を確認するための装置であって、落雷位置標定システムによる落雷の検知に際して生成される落雷位置標定データを取得するデータ取得部と、機械学習により訓練済みの判定モデルを使用して、取得された落雷位置標定データに基づき、前記落雷の検知が確報か誤報かを判定する判定部と、判定の結果に関する情報を出力する出力部と、を備える。

【0009】

落雷は、雲の中に溜まった電気が雲の外に放出されることで生じる現象である。そのため、本件発明者は、落雷位置標定システムにより検知された落雷の位置及び時刻の天気情報により、その落雷の検知が確報であるか誤報であるかを確認可能であると考えた。すなわち、検知された落雷の位置及び時刻に雨雲が存在しない場合、その落雷の検知は誤報である可能性が極めて高い。検知された落雷の位置及び時刻に雨雲が存在するが、雨雲のレベルが低い場合も、その落雷の検知は誤報である可能性が高い。一方で、検知された落雷の位置及び時刻に雨雲が存在し、雨雲のレベルが高い場合、その落雷の検知は確報である可能性が高い。このように、天気情報を利用すれば、落雷位置標定システムの落雷検知が確報であるか誤報であるかを高い精度で検証することは可能である。

【0010】

ただし、過去のデータを検証する場面等、検知された落雷の位置及び時刻（又はその近傍）の天気情報を常に手に入れられるとは限らない。そこで、本件発明者は、更に研究を進めて、落雷位置標定システムの落雷検知を検証する方法を検討し、一定の条件下で誤報が生じているのではないかと考えるに至った。この観点から、本件発明者は、落雷位置標定システムによる落雷の検知に際して生成される落雷位置標定データ（例えば、各落雷センサの測定データ等）の特徴を機械学習モデルに学習させることで、落雷位置標定データに基づいて落雷の検知が確報であるか誤報であるかを判定する能力を獲得した訓練済みモデルを生成できるのではないかと考えた。そして、本件発明者は、後述する実験例の結果に示されるとおり、学習用の落雷位置標定データを使用した機械学習により、落雷位置標定システムによる落雷の検知が確報であるか誤報であるかを比較的に高精度で判定可能な訓練済みの判定モデルを生成可能であることを見出した。したがって、当該構成によれば、訓練済みの判定モデルを利用することで、落雷位置標定システムによる落雷の検知が確報であるか誤報であるかを確認することができる。

【0011】

上記一側面に係る確認装置において、前記落雷位置標定データは、前記落雷位置標定システムの各落雷センサによる落雷の測定データを含むように構成されてよい。また、上記一側面に係る確認装置において、前記測定データは、前記各落雷センサが落雷を捕捉した方位角及び信号強度の測定値により構成されてよい。また、上記一側面に係る確認装置において、前記落雷位置標定データは、前記落雷位置標定システムの中央処理装置の解析により前記各落雷センサの前記測定データから導出される落雷の解析データを更に含むように構成されてよい。また、上記一側面に係る確認装置において、前記落雷位置標定データは、前記落雷の検知において前記落雷位置標定システムの各落雷センサが落雷を捕捉した方位角と前記落雷位置標定システムの中央処理装置の解析により前記各落雷センサの測定データから導出された落雷の位置の各落雷センサに対する角度との角度差を示す方位角差データを含むように構成されてよい。当該各構成によれば、落雷位置標定システムによる落雷の検知が確報であるか誤報であるかを適切に確認することができる。なお、落雷位置標定データは、これらのうちの複数種類のデータを含むように構成されてよく、これにより、落雷位置標定システムによる落雷の検知が確報であるか誤報であるかを検証する精度を高めることができる。

【0012】

また、本発明の一側面に係るモデル生成装置は、落雷位置標定システムによる落雷の検知に際して生成された学習用落雷位置標定データ及び前記学習用落雷位置標定データにおける前記落雷の検知が確報か誤報かの真値を示す正解ラベルの組み合わせによりそれぞれ構成される複数の学習データセットを取得するデータ取得部と、取得された複数の学習データセットを使用して、判定モデルの機械学習を実施する学習処理部であって、前記機械学習は、前記各学習データセットについて、前記学習用落雷位置標定データに基づき落雷の検知が確報か誤報かを前記判定モデルを使用して判定した結果が前記正解ラベルにより示される真値に適合するように前記判定モデルを訓練することにより構成される、学習処理部と、を備える。当該構成によれば、落雷位置標定システムによる落雷の検知が確報であるか誤報であるかを検証する能力を獲得した訓練済みの判定モデルを生成することができる。そして、この訓練済みの判定モデルによれば、落雷位置標定システムによる落雷の検知が確報であるか誤報であるかを確認することができる。

【0013】

上記一側面に係るモデル生成装置において、前記学習用落雷位置標定データは、前記落雷位置標定システムの各落雷センサによる落雷の測定データを含むように構成されてよい。また、上記一側面に係るモデル生成装置において、前記学習用落雷位置標定データは、前記落雷の検知において前記落雷位置標定システムの各落雷センサが落雷を捕捉した方位角と前記落雷位置標定システムの中央処理装置の解析により前記各落雷センサの測定データから導出された落雷の位置の各落雷センサに対する角度との角度差を示す方位角差データを含むように構成されてよい。また、上記一側面に係るモデル生成装置において、前記判定モデルは、ニューラルネットワークにより構成されてよい。当該各構成によれば、落雷位置標定システムによる落雷の検知が確報であるか誤報であるかを検証する能力を獲得した訓練済みの判定モデルを適切に生成することができる。

【0014】

上記各形態に係る確認装置及びモデル生成装置それぞれの別の態様として、本発明の一側面は、以上の各構成要素の全部又はその一部を実現する情報処理方法であってもよいし、プログラムであってもよいし、このようなプログラムを記憶した、コンピュータその他装置、機械等が読み取り可能な記憶媒体であってもよい。ここで、コンピュータ等が読み取り可能な記憶媒体とは、プログラム等の情報を、電気的、磁気的、光学的、機械的、又は、化学的作用によって蓄積する媒体である。

【0015】

例えば、本発明の一側面に係る、落雷位置標定システムによる落雷検知の真偽を確認するための確認方法は、コンピュータが、落雷位置標定システムによる落雷の検知に際して生成される落雷位置標定データを取得するステップと、機械学習により訓練済みの判定モデルを使用して、取得された落雷位置標定データに基づき、前記落雷の検知が確報か誤報かを判定するステップと、判定の結果に関する情報を出力するステップと、を実行する、情報処理方法である。

【0016】

また、例えば、本発明の一側面に係る、落雷位置標定システムによる落雷検知の真偽を確認するための確認プログラムは、コンピュータに、落雷位置標定システムによる落雷の検知に際して生成される落雷位置標定データを取得するステップと、機械学習により訓練済みの判定モデルを使用して、取得された落雷位置標定データに基づき、前記落雷の検知が確報か誤報かを判定するステップと、判定の結果に関する情報を出力するステップと、を実行させるためのプログラムである。

【発明の効果】

【0017】

本発明によれば、落雷位置標定システムによる落雷の検知が確報であるか誤報であるかの真偽を確認することができる。

【図面の簡単な説明】

【0018】

【図1】図１は、本発明が適用される場面の一例を模式的に例示する。

【図2】図２は、実施の形態に係る確認装置のハードウェア構成の一例を模式的に例示する。

【図3】図３は、実施の形態に係るモデル生成装置のハードウェア構成の一例を模式的に例示する。

【図4】図４は、実施の形態に係る確認装置のソフトウェア構成の一例を模式的に例示する。

【図5】図５は、実施の形態に係るモデル生成装置のソフトウェア構成の一例を模式的に例示する。

【図6】図６は、実施の形態に係るモデル生成装置の処理手順の一例を示すフローチャートである。

【図7】図７は、実施の形態に係る確認装置の処理手順の一例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】

【0019】

以下、本発明の一側面に係る実施の形態（以下、「本実施形態」とも表記する）を、図面に基づいて説明する。ただし、以下で説明する本実施形態は、あらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良や変形を行うことができることは言うまでもない。つまり、本発明の実施にあたって、実施形態に応じた具体的構成が適宜採用されてもよい。なお、本実施形態において登場するデータを自然言語により説明しているが、より具体的には、コンピュータが認識可能な疑似言語、コマンド、パラメータ、マシン語等で指定される。

【0020】

§１ 適用例
図１は、本実施形態に係る確認システム１００の適用場面の一例を模式的に例示する。図１に示されるとおり、本実施形態に係る確認システム１００は、確認装置１及びモデル生成装置２を備えており、機械学習により訓練済みの判定モデル５を生成し、生成された訓練済みの判定モデル５を使用して、落雷位置標定システム７による落雷の検知の真偽を確認するように構成される。

【0021】

落雷位置標定システム７は、複数（一般的には、４台以上）の落雷センサ７１及び中央処理装置７５を備えている。各落雷センサ（ＬＳ：Lightning Sensor、方向探知局：ＤＦ局）７１は、ＬＦ帯域（１ｋＨｚ～３５０ｋＨｚ）のアンテナを備え、落雷により発生する電磁波を測定するように構成されている。中央処理装置（ＴＬＰ：Total Lightning Processor、位置解析局：ＰＡ局）７５は、各落雷センサ７１により得られる落雷の測定データを解析し、落雷の位置を標定する（解析データを生成する）ように構成される。

【0022】

落雷が発生すると、各落雷センサ７１は、落雷の電磁波を捕捉したことに応じて、落雷の放電点に対する方位角、電磁波の信号強度等の測定データを捕捉時刻に関連付けて生成する。そして、中央処理装置７５が、各落雷センサ７１から得られる測定データを解析することで、落雷の標定位置を導出する。解析方法には、例えば、ＭＤＦ（Magnetic Direction Finding）方式、ＴＯＡ（Time Of Arrive）方式、ＩＭＰＡＣＴ（IMProved Accuracy from Combined Technology）方式等の方法が存在する。また、中央処理装置７５は、落雷の標定位置の導出精度を高めるために、各方式の演算で生じる誤差を最小にする最適化処理を実行可能に構成される場合がある。

【0023】

本実施形態に係る確認装置１は、このような落雷位置標定システム７による落雷検知の真偽を確認するためのコンピュータである。具体的に、確認装置１は、落雷位置標定システム７による落雷の検知に際して生成される落雷位置標定データ１２１を取得する。落雷位置標定データ１２１は、落雷位置標定システム７により落雷を検知し、落雷の位置を標定する処理内で又は当該処理に関連して生成される任意のデータを含んでよい。一例として、落雷位置標定データ１２１は、各落雷センサ７１による落雷の測定データ、中央処理装置７５の解析により生成される解析データ、及び各落雷センサ７１が落雷を捕捉した方位角と中央処理装置７５により導出された落雷の位置の各落雷センサ７１に対する角度との角度差を示す方位角差データの少なくともいずれかを含むように構成されてよい。確認装置１は、機械学習により訓練済みの判定モデル５を使用して、取得された落雷位置標定データ１２１に基づき、落雷位置標定システム７による当該落雷の検知が確報か誤報かを判定する。そして、確認装置１は、判定の結果に関する情報を出力する。

【0024】

一方、本実施形態に係るモデル生成装置２は、上記確認装置１で使用する訓練済みの判定モデル５の生成処理を実行するように構成されたコンピュータである。具体的に、モデル生成装置２は、落雷位置標定システム７による落雷の検知に際して生成された学習用落雷位置標定データ３１及び学習用落雷位置標定データ３１における落雷の検知が確報か誤報かの真値を示す正解ラベル３２の組み合わせによりそれぞれ構成される複数の学習データセット３０を取得する。そして、モデル生成装置２は、取得された複数の学習データセット３０を使用して、判定モデル５の機械学習を実施する。機械学習を実施することは、各学習データセット３０について、学習用落雷位置標定データ３１に基づき落雷の検知が確報か誤報かを判定モデル５を使用して判定した結果が正解ラベル３２により示される真値に適合するように判定モデル５を訓練することにより構成される。これにより、モデル生成装置２は、訓練済みの判定モデル５を生成することができる。生成された訓練済みの判定モデル５は、任意のタイミングで確認装置１に提供されてよい。

【0025】

以上のとおり、本実施形態では、落雷位置標定システム７による落雷の検知が確報か誤報かを判定するのに、機械学習により生成された訓練済みの判定モデル５を使用し、かつ落雷位置標定システム７による落雷の検知に際して生成される落雷位置標定データ１２１を判定モデル５の説明変数に採用する。本実施形態によれば、このような構成を採用することにより、落雷位置標定システム７による落雷の検知が確報か誤報かの真偽を確認することができる。

【0026】

なお、図１の例では、確認装置１及びモデル生成装置２は、ネットワークを介して互いに接続されている。ネットワークの種類は、例えば、インターネット、無線通信網、移動通信網、電話網、専用網等から適宜選択されてよい。ただし、確認装置１及びモデル生成装置２の間でデータをやりとりする方法は、このような例に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。例えば、確認装置１及びモデル生成装置２の間では、記憶媒体を利用して、データがやりとりされてよい。

【0027】

また、図１の例では、確認装置１及びモデル生成装置２は、それぞれ別個のコンピュータにより構成されている。しかしながら、本実施形態に係る確認システム１００の構成は、このような例に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。例えば、確認装置１及びモデル生成装置２は一体のコンピュータであってもよい。また、例えば、確認装置１及びモデル生成装置２のうちの少なくとも一方は、複数台のコンピュータにより構成されてもよい。

【0028】

§２ 構成例
［ハードウェア構成］
＜確認装置＞
図２は、本実施形態に係る確認装置１のハードウェア構成の一例を模式的に例示する。図２に示されるとおり、本実施形態に係る確認装置１は、制御部１１、記憶部１２、通信インタフェース１３、入力装置１４、出力装置１５、及びドライブ１６が電気的に接続されたコンピュータである。なお、図２では、通信インタフェースを「通信Ｉ／Ｆ」と記載している。以降の図でも同様の表記を用いる。

【0029】

制御部１１は、ハードウェアプロセッサの一例であるＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等を含み、プログラム及び各種データに基づいて情報処理を実行するように構成される。記憶部１２は、メモリの一例であり、例えば、ハードディスクドライブ、ソリッドステートドライブ等で構成される。本実施形態では、記憶部１２は、確認プログラム８１、学習結果データ２２５等の各種情報を記憶する。

【0030】

確認プログラム８１は、落雷位置標定システム７による落雷の検知が確報か誤報かの確認に関する後述の情報処理（図７）を確認装置１に実行させるためのプログラムである。確認プログラム８１は、当該情報処理の一連の命令を含む。学習結果データ２２５は、訓練済みの判定モデル５に関する情報を示す。詳細は後述する。

【0031】

通信インタフェース１３は、例えば、有線ＬＡＮ（Local Area Network）モジュール、無線ＬＡＮモジュール等であり、ネットワークを介した有線又は無線通信を行うためのインタフェースである。確認装置１は、通信インタフェース１３を利用して、他の情報処理装置（例えば、モデル生成装置２）との間で、ネットワークを介したデータ通信を実行することができる。

【0032】

入力装置１４は、例えば、マウス、キーボード等の入力を行うための装置である。また、出力装置１５は、例えば、ディスプレイ、スピーカ等の出力を行うための装置である。ユーザ等のオペレータは、入力装置１４及び出力装置１５を利用することで、確認装置１を操作することができる。

【0033】

ドライブ１６は、例えば、ＣＤドライブ、ＤＶＤドライブ等であり、記憶媒体９１に記憶されたプログラム等の各種情報を読み込むためのドライブ装置である。記憶媒体９１は、コンピュータその他装置、機械等が、記憶されたプログラム等の各種情報を読み取り可能なように、当該プログラム等の情報を、電気的、磁気的、光学的、機械的又は化学的作用によって蓄積する媒体である。上記確認プログラム８１及び学習結果データ２２５の少なくともいずれかは、記憶媒体９１に記憶されていてもよい。確認装置１は、この記憶媒体９１から、上記確認プログラム８１及び学習結果データ２２５の少なくともいずれかを取得してもよい。なお、図２では、記憶媒体９１の一例として、ＣＤ、ＤＶＤ等のディスク型の記憶媒体を例示している。しかしながら、記憶媒体９１の種類は、ディスク型に限られなくてもよく、ディスク型以外であってもよい。ディスク型以外の記憶媒体として、例えば、フラッシュメモリ等の半導体メモリを挙げることができる。ドライブ１６の種類は、記憶媒体９１の種類に応じて任意に選択されてよい。

【0034】

なお、確認装置１の具体的なハードウェア構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部１１は、複数のハードウェアプロセッサを含んでもよい。ハードウェアプロセッサは、マイクロプロセッサ等で構成されてよい。記憶部１２は、制御部１１に含まれるＲＡＭ及びＲＯＭにより構成されてもよい。通信インタフェース１３、入力装置１４、出力装置１５及びドライブ１６の少なくともいずれかは省略されてもよい。確認装置１は、複数台のコンピュータで構成されてもよい。この場合、各コンピュータのハードウェア構成は、一致していてもよいし、一致していなくてもよい。また、確認装置１は、提供されるサービス専用に設計された情報処理装置の他、汎用のサーバ装置、汎用のＰＣ（Personal Computer）、マイクロコンピュータ等であってよい。

【0035】

＜モデル生成装置＞
図３は、本実施形態に係るモデル生成装置２のハードウェア構成の一例を模式的に例示する。図３に示されるとおり、本実施形態に係るモデル生成装置２は、制御部２１、記憶部２２、通信インタフェース２３、入力装置２４、出力装置２５、及びドライブ２６が電気的に接続されたコンピュータである。

【0036】

モデル生成装置２の制御部２１～ドライブ２６及び記憶媒体９２はそれぞれ、上記確認装置１の制御部１１～ドライブ１６及び記憶媒体９１それぞれと同様に構成されてよい。制御部２１は、ハードウェアプロセッサの一例であるＣＰＵ、ＲＡＭ、ＲＯＭ等を含み、プログラム及びデータに基づいて各種情報処理を実行するように構成される。記憶部２２は、例えば、ハードディスクドライブ、ソリッドステートドライブ等で構成される。本実施形態では、記憶部２２は、機械学習プログラム８２、複数の学習データセット３０、学習結果データ２２５等の各種情報を記憶する。

【0037】

機械学習プログラム８２は、訓練済み判定モデル５の生成（判定モデル５の機械学習）に関する後述の情報処理（図６）をモデル生成装置２に実行させるためのプログラムである。機械学習プログラム８２は、当該情報処理の一連の命令を含む。複数の学習データセット３０は、訓練済みの判定モデル５の生成に使用される。学習結果データ２２５は、機械学習プログラム８２を実行した結果として生成されてよい。機械学習プログラム８２及び学習結果データ２２５の少なくともいずれかは、記憶媒体９２に記憶されていてもよい。また、モデル生成装置２は、機械学習プログラム８２及び学習結果データ２２５の少なくともいずれかを記憶媒体９２から取得してもよい。

【0038】

なお、モデル生成装置２の具体的なハードウェア構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部２１は、複数のハードウェアプロセッサを含んでもよい。ハードウェアプロセッサは、マイクロプロセッサ等で構成されてよい。記憶部２２は、制御部２１に含まれるＲＡＭ及びＲＯＭにより構成されてもよい。通信インタフェース２３、入力装置２４、出力装置２５、及びドライブ２６の少なくともいずれかは省略されてもよい。モデル生成装置２は、複数台のコンピュータで構成されてもよい。この場合、各コンピュータのハードウェア構成は、一致していてもよいし、一致していなくてもよい。また、モデル生成装置２は、提供されるサービス専用に設計された情報処理装置の他、汎用のサーバ装置、汎用のＰＣ等であってもよい。

【0039】

［ソフトウェア構成］
＜確認装置＞
図４は、本実施形態に係る確認装置１のソフトウェア構成の一例を模式的に例示する。確認装置１の制御部１１は、記憶部１２に記憶された確認プログラム８１をＲＡＭに展開する。そして、制御部１１は、ＲＡＭに展開された確認プログラム８１に含まれる命令をＣＰＵにより解釈及び実行して、各構成要素を制御する。これにより、図４に示されるとおり、本実施形態に係る確認装置１は、データ取得部１１１、判定部１１２、及び出力部１１３をソフトウェアモジュールとして備えるコンピュータとして動作する。

【0040】

データ取得部１１１は、落雷位置標定システム７による落雷の検知に際して生成される落雷位置標定データ１２１であって、真偽を検証する対象となる落雷検知の落雷位置標定データ１２１を取得するように構成される。判定部１１２は、学習結果データ２２５を保持していることで、機械学習により訓練済みの判定モデル５を備えている。判定部１１２は、訓練済みの判定モデル５を使用して、取得された落雷位置標定データ１２１に基づき、落雷位置標定システム７による当該落雷の検知が確報か誤報かを判定するように構成される。出力部１１３は、判定の結果に関する情報を出力するように構成される。

【0041】

（判定モデル）
判定モデル５は、機械学習により調整可能な演算パラメータを有する機械学習モデルにより構成される。判定モデル５に使用する機械学習モデルの構成及び種類はそれぞれ、実施の形態に応じて適宜選択されてよい。図４に示されるとおり、本実施形態では、判定モデル５は、ニューラルネットワークにより構成される。これにより、判定モデル５を比較的に簡単に実装可能である。

【0042】

具体的な構成の一例として、判定モデル５は、全結合型ニューラルネットワークにより構成されており、入力層５１、１つ以上の中間（隠れ）層５２、及び出力層５３を備えている。中間層５２の数は、実施の形態に応じて適宜選択されてよい。或いは、中間層５２は省略されてもよい。判定モデル５の層の数は、実施の形態に応じて適宜選択されてよい。

【0043】

本実施形態では、判定モデル５の入力層５１には、落雷位置標定データ１２１等の情報が入力され、落雷検知が確報か誤報かを判定した結果が出力層５３から出力される。しかしながら、各推論処理を実行可能であれば、判定モデル５の入出力の形式は、このような例に限定されなくてよい。例えば、入力層５１は、上記以外の他の情報が更に入力されるように構成されてよい。また、出力層５３は、上記以外の他の情報を更に出力するように構成されてよい。

【0044】

各層５１～５３は、１又は複数のニューロン（ノード）を備える。各層５１～５３に含まれるニューロンの数は、特に限定されなくてよく、実施の形態に応じて適宜選択されてよい。図４の例では、各層５１～５３に含まれる各ニューロンは、隣接する層の全てのニューロンと結合される。ただし、各ニューロンの結合関係は、このような例に限定されなくてよく、実施の形態に応じて適宜決定されてよい。例えば、各ニューロンは、隣接する層の特定のニューロンと接続されたり、隣接する層以外の層のニューロンと接続されたりしてもよい。

【0045】

各層５１～５３の各結合には、重み（結合荷重）が設定される。各ニューロンには閾値が設定されており、基本的には、各入力と各重みとの積の和が閾値を超えているか否かによって各ニューロンの出力が決定される。閾値は、活性化関数により表現されてもよい。この場合、各入力と各重みとの積の和を活性化関数に入力し、活性化関数の演算を実行することで、各ニューロンの出力が決定される。活性化関数の種類は任意に選択されてよい。各層５１～５３に含まれる各ニューロン間の結合の重み及び各ニューロンの閾値は、判定モデル５の演算処理に利用される演算パラメータの一例である。

【0046】

判定部１１２は、訓練済みの判定モデル５の入力層５１に対象の落雷位置標定データ１２１を入力して、訓練済みの判定モデル５の順伝播の演算処理を実行する（すなわち、各層５１～５３に含まれる各ニューロンの発火判定を入力側から順に実行する）ように構成される。判定部１１２は、この順伝播の演算処理の実行結果として、落雷位置標定システム７による当該落雷の検知が確報か誤報かを判定した結果を示す情報を出力層５３から取得するように構成される。

【0047】

＜モデル生成装置＞
図５は、本実施形態に係るモデル生成装置２のソフトウェア構成の一例を模式的に例示する。モデル生成装置２の制御部２１は、記憶部２２に記憶された機械学習プログラム８２をＲＡＭに展開する。そして、制御部２１は、ＲＡＭに展開された機械学習プログラム８２に含まれる命令をＣＰＵにより解釈及び実行して、各構成要素を制御する。これにより、本実施形態に係るモデル生成装置２は、データ取得部２１１、学習処理部２１２、及び保存処理部２１３をソフトウェアモジュールとして備えるコンピュータとして動作する。

【0048】

データ取得部２１１は、判定モデル５の機械学習に使用するための複数の学習データセット３０を取得するように構成される。各学習データセット３０は、学習用落雷位置標定データ３１及び正解ラベル３２の組み合わせにより構成される。学習用落雷位置標定データ３１は、落雷位置標定システム７による落雷の検知に際して生成されたものであり、上記落雷位置標定データ１２１と同種のデータである。正解ラベル３２は、学習用落雷位置標定データ３１における落雷の検知が確報か誤報かの真値を示すように構成される。真値は、観測員による観測結果により得られてもよいし、上記のとおり、天気情報に基づいて特定されてもよい。

【0049】

学習処理部２１２は、取得された複数の学習データセット３０を使用して、判定モデル５の機械学習を実施するように構成される。機械学習を実施することは、各学習データセット３０について、学習用落雷位置標定データ３１に基づき落雷の検知が確報か誤報かを判定モデル５を使用して判定した結果が正解ラベル３２により示される真値に適合するように判定モデル５を訓練することにより構成される。機械学習の方法は、判定モデル５に使用する機械学習の種類に応じて適宜選択されてよい。保存処理部２１３は、機械学習の結果（すなわち、生成された訓練済みの判定モデル５）に関する情報を学習結果データ２２５として生成するように構成される。学習結果データ２２５は、訓練済みの判定モデル５を再生するための情報を含むように適宜構成されてよい。そして、保存処理部２１３は、生成された学習結果データ２２５を所定の記憶領域に保存する。

【0050】

（判定モデルの機械学習）
図５に示されるとおり、本実施形態に係る判定モデル５は、ニューラルネットワークにより構成される。本実施形態に係る判定モデル５の機械学習では、学習処理部２１２は、各学習データセット３０の学習用落雷位置標定データ３１を入力層５１に入力し、判定モデル５の順伝播の演算処理を実行する。この演算処理の結果、学習処理部２１２は、学習用落雷位置標定データ３１に基づいて、落雷位置標定システム７による落雷の検知が確報か誤報かを判定した結果を出力層５３から取得する。学習処理部２１２は、取得された判定結果及び対応する正解ラベル３２により示される真値の間の誤差を算出する。学習処理部２１２は、各学習データセット３０について、算出される誤差が小さくなるように、判定モデル５の各演算パラメータの値の調整を繰り返す。これにより、訓練済みの判定モデル５を生成することができる。

【0051】

保存処理部２１３は、上記機械学習により生成された訓練済みの判定モデル５を再生するための学習結果データ２２５を生成する。訓練済みの判定モデル５を再生可能であれば、学習結果データ２２５の構成は、特に限定されなくてよく、実施の形態に応じて適宜決定されてよい。例えば、学習結果データ２２５は、上記機械学習の調整により得られた判定モデル５の各演算パラメータの値を示す情報を含んでもよい。場合によって、学習結果データ２２５は、判定モデル５の構造を示す情報を更に含んでもよい。判定モデル５の構造は、例えば、ニューラルネットワークにおける入力層から出力層までの層の数、各層の種類、各層に含まれるニューロンの数、隣接する層のニューロン同士の結合関係等により特定されてよい。保存処理部２１３は、生成された学習結果データ２２５を所定の記憶領域に保存する。

【0052】

＜その他＞
確認装置１及びモデル生成装置２の各ソフトウェアモジュールに関しては後述する動作例で詳細に説明する。なお、本実施形態では、確認装置１及びモデル生成装置２の各ソフトウェアモジュールがいずれも汎用のＣＰＵによって実現される例について説明している。しかしながら、上記ソフトウェアモジュールの一部又は全部が、１又は複数の専用のプロセッサにより実現されてもよい。すなわち、上記各モジュールは、ハードウェアモジュールとして実現されてもよい。また、確認装置１及びモデル生成装置２それぞれのソフトウェア構成に関して、実施形態に応じて、適宜、ソフトウェアモジュールの省略、置換及び追加が行われてもよい。

【0053】

§３動作例
［モデル生成装置］
図６は、本実施形態に係るモデル生成装置２による判定モデル５の機械学習に関する処理手順の一例を示すフローチャートである。ただし、以下のモデル生成装置２の処理手順は、一例に過ぎず、各ステップは可能な限り変更されてよい。また、以下のモデル生成装置２の処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

【0054】

（ステップＳ５０１）
ステップＳ５０１では、制御部２１は、データ取得部２１１として動作し、判定モデル５の機械学習に使用するための複数の学習データセット３０を取得する。

【0055】

各学習データセット３０は、適宜生成されてよい。確報か誤報かの確認が済んだ落雷の検知に際して、落雷位置標定システム７において生成された落雷位置標定データを学習用落雷位置標定データ３１として取得してよい。確報か誤報かの確認は、観測員による目視により行われてもよいし、或いは、天気情報（例えば、雨雲が存在しているか否か）に基づいて行われてもよい。そして、この確認により特定される確報か誤報かの真値を示す正解ラベル３２を、得られた学習用落雷位置標定データ３１に手動的に又は機械的に関連付ける。これらの処理により、各学習データセット３０を生成することができる。

【0056】

なお、落雷位置標定システム７による落雷の検知は、各落雷センサ７１の配置に依存し得るため、真偽を確認する推論対象の落雷位置標定システム７より学習用落雷位置標定データ３１を収集するのが好ましい。また、学習用落雷位置標定データ３１は、推論時に取得する落雷位置標定データ１２１と同種のデータになるように構成される。学習用落雷位置標定データ３１は、落雷位置標定システム７の各落雷センサ７１による落雷の測定データを含むように構成されてよい。学習用の測定データは、各落雷センサ７１が落雷を捕捉した方位角及び信号強度の測定値により構成されてよい。学習用落雷位置標定データ３１は、落雷位置標定システム７の中央処理装置７５の解析により各落雷センサ７１の測定データから導出される落雷の解析データを更に含むように構成されてよい。学習用の解析データは、落雷の標定位置（緯度、経度）及び強度（電流値）の解析値を含むように構成されてよい。学習用落雷位置標定データ３１は、落雷の検知において落雷位置標定システム７の各落雷センサ７１が落雷を捕捉した方位角と落雷位置標定システム７の中央処理装置７５の解析により各落雷センサ７１の測定データから導出された落雷の位置の各落雷センサ７１に対する角度との角度差を示す方位角差データを含むように構成されてよい。学習用落雷位置標定データ３１は、各落雷センサ７１の測定データ、中央処理装置７５の解析データ、及び方位角差データの少なくともいずれかを含むように構成されてよい。学習用落雷位置標定データ３１は、これらのうちの複数種類のデータ（例えば、全てのデータ）を含むように構成されてよい。

【0057】

各学習データセット３０は、コンピュータの動作により自動的に生成されてもよいし、或いは少なくとも部分的にオペレータの操作を含むことで手動的に生成されてもよい。また、各学習データセット３０の生成は、モデル生成装置２により行われてもよいし、モデル生成装置２以外の他のコンピュータにより行われてもよい。各学習データセット３０をモデル生成装置２が生成する場合、制御部２１は、自動的に又はオペレータの操作により手動的に上記生成処理を実行することで、学習データセット３０を取得する。一方、各学習データセット３０を１又は複数の他のコンピュータが生成する場合、制御部２１は、例えば、ネットワーク、記憶媒体９２等を介して、学習データセット３０を取得する。一部の学習データセット３０をモデル生成装置２が生成し、その他の学習データセット３０を１又は複数の他のコンピュータが生成してもよい。

【0058】

取得する学習データセット３０の件数は、実施の形態に応じて適宜決定されてよい。複数の学習データセット３０を取得すると、制御部２１は、次のステップＳ５０２に処理を進める。

【0059】

（ステップＳ５０２）
ステップＳ５０２では、制御部２１は、学習処理部２１２として動作し、複数の学習データセット３０を使用して、判定モデル５の機械学習を実施する。この機械学習において、制御部２１は、各学習データセット３０について、学習用落雷位置標定データ３１に基づき落雷の検知が確報か誤報かを判定モデル５を使用して判定した結果が正解ラベル３２により示される真値に適合するように判定モデル５を訓練する。

【0060】

機械学習の処理の一例として、まず、制御部２１は、機械学習の処理対象となる判定モデル５を構成するニューラルネットワークを用意する。ニューラルネットワークの構造、各ニューロン間の結合の重みの初期値、及び各ニューロンの閾値の初期値は、テンプレートにより与えられてもよいし、或いはオペレータの入力により与えられてもよい。また、再学習を行う場合、制御部２１は、過去の機械学習により得られた学習結果データに基づいて、判定モデル５を用意してもよい。

【0061】

次に、制御部２１は、各学習データセット３０の学習用落雷位置標定データ３１を訓練データ（入力データ）として使用し、正解ラベル３２を正解データ（教師信号、ラベル）として使用して、判定モデル５の訓練処理を実行する。この訓練処理には、確率的勾配降下法、ミニバッチ勾配降下法等が用いられてよい。

【0062】

訓練処理の一例として、制御部２１は、各学習データセット３０の学習用落雷位置標定データ３１を入力層５１に入力し、判定モデル５の順伝播の演算処理を実行する。この演算処理の結果、制御部２１は、学習用落雷位置標定データ３１に基づいて、落雷位置標定システム７による落雷の検知が確報か誤報かを判定した結果に対応する出力値を判定モデル５の出力層５３から取得する。制御部２１は、各学習データセット３０について、得られた出力値と対応する正解ラベル３２により示される真値との間の誤差を算出する。誤差（損失）の算出には、損失関数が用いられてよい。誤差の計算に利用する損失関数の種類は、実施の形態に応じて適宜選択されてよい。

【0063】

次に、制御部２１は、算出された誤差の勾配を算出する。制御部２１は、誤差逆伝播法により、算出された誤差の勾配を用いて、判定モデル５の各演算パラメータの値の誤差を出力側から順に算出する。制御部２１は、算出された各誤差に基づいて、判定モデル５の各演算パラメータの値を更新する。各演算パラメータの値を更新する程度は、学習率により調節されてよい。学習率は、オペレータの指定により与えられてもよいし、プログラム内の設定値として与えられてもよい。

【0064】

制御部２１は、上記一連の更新処理により、各学習データセット３０について、算出される誤差の和が小さくなるように、判定モデル５の各演算パラメータの値を調整する。例えば、規定回数実行する、算出される誤差の和が閾値以下になる等の所定の条件を満たすまで、制御部２１は、上記一連の更新処理による判定モデル５の各演算パラメータの値の調整を繰り返してもよい。

【0065】

この機械学習の結果、制御部２１は、落雷位置標定データ１２１に基づいて、落雷位置標定システム７による落雷の検知が確報か誤報かを判定する能力を獲得した訓練済みの判定モデル５を生成することができる。判定モデル５の機械学習が完了すると、制御部２１は、次のステップＳ５０３に処理を進める。

【0066】

（ステップＳ５０３）
ステップＳ５０３では、制御部２１は、保存処理部２１３として動作し、生成された訓練済みの判定モデル５を示す学習結果データ２２５を生成する。上記のとおり、判定タスクの演算処理を実行するための情報を保持可能であれば、学習結果データ２２５の構成は適宜決定されてよい。一例として、制御部２１は、判定モデル５の構造及び上記調整により得られた各演算パラメータの値を示す情報により構成された学習結果データ２２５を生成してよい。そして、制御部２１は、生成された学習結果データ２２５を所定の記憶領域に保存する。

【0067】

所定の記憶領域は、例えば、制御部２１内のＲＡＭ、記憶部２２、外部記憶装置、記憶メディア又はこれらの組み合わせであってよい。記憶メディアは、例えば、ＣＤ、ＤＶＤ等であってよく、制御部２１は、ドライブ２６を介して記憶メディアに学習結果データ２２５を格納してもよい。外部記憶装置は、例えば、ＮＡＳ（Network Attached Storage）等のデータサーバであってよい。この場合、制御部２１は、通信インタフェース２３を利用して、ネットワークを介してデータサーバに学習結果データ２２５を格納してもよい。また、外部記憶装置は、例えば、外部インタフェース（不図示）を介してモデル生成装置２に接続された外付けの記憶装置であってもよい。

【0068】

学習結果データ２２５の保存が完了すると、制御部２１は、本動作例に係る判定モデル５の機械学習に関する処理手順を終了する。

【0069】

なお、生成された学習結果データ２２５は、任意のタイミングで確認装置１に提供されてよい。例えば、制御部２１は、ステップＳ５０３の処理として又は当該処理とは別に、学習結果データ２２５を確認装置１に転送してもよい。確認装置１は、これを受信することで、学習結果データ２２５を取得してもよい。また、例えば、確認装置１は、通信インタフェース１３を利用して、モデル生成装置２又はデータサーバにネットワークを介してアクセスすることで、学習結果データ２２５を取得してもよい。また、例えば、確認装置１は、記憶媒体９１を介して、学習結果データ２２５を取得してもよい。また、例えば、学習結果データ２２５は、確認装置１に予め組み込まれてもよい。

【0070】

更に、制御部２１は、上記ステップＳ５０１～ステップＳ５０３の処理を定期又は不定期に繰り返すことで、学習結果データ２２５を更新又は新たに生成してもよい。この繰り返しの際に、学習データセット３０の少なくとも一部の変更、修正、追加、削除等が適宜実行されてよい。そして、制御部２１は、更新された又は新たに生成された学習結果データ２２５を任意の方法で確認装置１に提供してもよい。これにより、確認装置１の保持する学習結果データ２２５を更新してもよい。

【0071】

［確認装置］
図７は、本実施形態に係る確認装置１の処理手順の一例を示すフローチャートである。以下の確認装置１の処理手順は、落雷位置標定システム７による落雷検知の真偽を確認するための確認方法の一例である。ただし、以下の確認装置１の処理手順は、一例に過ぎず、各ステップは可能な限り変更されてよい。また、以下の確認装置１の処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

【0072】

（ステップＳ１０１）
ステップＳ１０１では、制御部１１は、データ取得部１１１として動作し、落雷位置標定システム７による落雷の検知に際して生成される落雷位置標定データ１２１であって、真偽を検証する対象となる落雷検知の落雷位置標定データ１２１を取得する。取得経路は、実施の形態に応じて適宜選択されてよい。制御部１１は、ネットワーク、記憶媒体９１、他のコンピュータ等を介して、落雷位置標定システム７より対象の落雷位置標定データ１２１を取得してよい。

【0073】

上記のとおり、落雷位置標定データ１２１は、上記学習用落雷位置標定データ３１と同種のデータになるように構成される。落雷位置標定データ１２１は、落雷位置標定システム７の各落雷センサ７１による落雷の測定データを含むように構成されてよい。測定データは、各落雷センサ７１が落雷を捕捉した方位角及び信号強度の測定値により構成されてよい。落雷位置標定データ１２１は、落雷位置標定システム７の中央処理装置７５の解析により各落雷センサ７１の測定データから導出される落雷の解析データを更に含むように構成されてよい。解析データは、落雷の標定位置（緯度、経度）及び強度（電流値）の解析値を含むように構成されてよい。また、落雷位置標定データ１２１は、落雷の検知において落雷位置標定システム７の各落雷センサ７１が落雷を捕捉した方位角と落雷位置標定システム７の中央処理装置７５の解析により各落雷センサ７１の測定データから導出された落雷の位置の各落雷センサ７１に対する角度との角度差を示す方位角差データを含むように構成されてよい。落雷位置標定データ１２１は、各落雷センサ７１の測定データ、中央処理装置７５の解析データ、及び方位角差データの少なくともいずれかを含むように構成されてよい。落雷位置標定データ１２１は、これらのうちの複数種類のデータ（例えば、全てのデータ）を含むように構成されてよい。なお、方位角の測定値、信号強度の測定値、標定位置（緯度、経度）の値、強度（電流値）の値、方位角差の値等の落雷位置標定データ（落雷位置標定データ１２１、学習用落雷位置標定データ３１）を構成する各値には、それぞれにより得られたそのままの値が用いられてもよいし、例えば、平均値、標準偏差、最小値、最大値等の統計量に変換された値が用いられてもよい。また、落雷位置標定データが複数種類の値を含むように構成される場合、各値の尺度が共通になるように、標準化処理により各値は正規化されてもよい。落雷位置標定データは、画像により表現されてもよい。落雷位置標定データ１２１を取得すると、制御部１１は、次のステップＳ１０２に処理を進める。

【0074】

（ステップＳ１０２）
ステップＳ１０２では、制御部１１は、判定部１１２として動作し、学習結果データ２２５を参照して、訓練済みの判定モデル５を設定する。そして、制御部１１は、訓練済みの判定モデル５を使用して、取得された落雷位置標定データ１２１に基づき、落雷位置標定システム７による当該落雷の検知が確報か誤報かを判定する。具体的に、制御部１１は、取得された落雷位置標定データ１２１を訓練済みの判定モデル５の入力層５１に入力し、訓練済みの判定モデル５の順伝播の演算処理を実行する。これにより、制御部１１は、落雷位置標定システム７による当該落雷の検知が確報か誤報かを判定した結果を示す情報を訓練済みの判定モデル５の出力層５３から取得する。落雷検知の真偽の判定が完了すると、制御部１１は、次のステップＳ１０３に処理を進める。

【0075】

（ステップＳ１０３）
ステップＳ１０３では、制御部１１は、出力部１１３として動作し、判定の結果に関する情報を出力する。

【0076】

出力先及び出力する情報の内容はそれぞれ、実施の形態に応じて適宜決定されてよい。一例として、制御部１１は、ステップＳ１０２により得られた判定の結果をそのまま出力装置１５に出力してもよい。また、制御部１１は、得られた判定の結果に基づいて、何らかの情報処理を実行してもよい。情報処理は、例えば、判定の結果に応じてメッセージを選択する（落雷の検知が誤報であると判定された場合に、その落雷の検知に関する情報を目視確認するように指示するメッセージを選択する等）ことであってよい。この場合、制御部１１は、判定の結果に基づいて情報処理を実行した結果（例えば、判定の結果に応じて選択されたメッセージ）を判定の結果に関する情報として出力してもよい。また、出力先は、出力装置１５に限られなくてよい。その他の一例として、制御部１１は、他のコンピュータの出力装置に判定の結果に関する情報を出力してもよい。

【0077】

判定の結果に関する情報の出力が完了すると、制御部１１は、本動作例に係る処理手順を終了する。なお、制御部１１は、ステップＳ１０１～ステップＳ１０３の一連の情報処理を繰り返し実行してもよい。繰り返すタイミングは、例えば、新たな落雷位置標定データが得られたタイミング等、実施の形態に応じて適宜決定されてよい。これにより、確認装置１は、上記落雷の検知の真偽を確認する推論タスクを繰り返し遂行するように構成されてよい。

【0078】

［特徴］
以上のとおり、本実施形態では、モデル生成装置２は、ステップＳ５０１及びステップＳ５０２の機械学習の処理において、落雷位置標定システム７による落雷の検知に際して生成される落雷位置標定データを説明変数に採用するように判定モデル５を構成する。確認装置１は、ステップＳ１０２の処理において、この機械学習により生成された訓練済みの判定モデル５を使用する。本実施形態では、このような構成を採用することにより、落雷位置標定システム７による落雷の検知が確報か誤報かの真偽を確認することができる。また、本実施形態では、落雷位置標定データ（落雷位置標定データ１２１、学習用落雷位置標定データ３１）を、各落雷センサ７１の測定データ、中央処理装置７５の解析データ、及び方位角差データの少なくともいずれかを含むように構成することで、落雷位置標定システム７による落雷の検知が確報か誤報かを適切に確認することができる。また、落雷位置標定データ（落雷位置標定データ１２１、学習用落雷位置標定データ３１）を、これらのうちの複数種類のデータを含むように構成することで、落雷位置標定システム７による落雷の検知が確報か誤報かを検証する制度を高めることができる。

【0079】

§４ 変形例
以上、本発明の実施の形態を詳細に説明してきたが、前述までの説明はあらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良又は変形を行うことができることは言うまでもない。例えば、以下のような変更が可能である。なお、以下では、上記実施形態と同様の構成要素に関しては同様の符号を用い、上記実施形態と同様の点については、適宜説明を省略した。以下の変形例は適宜組み合わせ可能である。

【0080】

＜４．１＞
上記実施形態では、判定モデル５には、全結合型ニューラルネットワークが用いられている。しかしながら、判定モデル５に用いられるニューラルネットワークの種類は、このような例に限定されなくてよく、実施の形態に応じて適宜選択されてよい。その他の一例として、判定モデル５には、例えば、畳み込みニューラルネットワーク等の他の種類のニューラルネットワークが用いられてよい。また、判定モデル５は、例えば、畳み込み層、プーリング層、正規化層、ドロップアウト層等の他の種類の層を含んでもよい。

【0081】

また、上記実施形態では、判定モデル５には、機械学習モデルとしてニューラルネットワークが用いられている。しかしながら、判定モデル５に用いられる機械学習モデルの種類は、ニューラルネットワークに限られなくてよく、実施の形態に応じて適宜選択されてよい。機械学習の方法は、機械学習モデルの種類に応じて適宜選択されてよい。その他の一例として、判定モデル５には、例えば、サポートベクタマシン、決定木モデル等の機械学習モデルが用いられてよい。

【0082】

＜４．２＞
また、落雷の検知の真偽を単純に検証する場合には、落雷位置標定データの代わりに、天気情報を直接的に使用してもよい。つまり、上記ステップＳ１０１では、確認装置１は、落雷位置標定システム７により検知された落雷の位置及び時刻又はその近傍の天気情報（例えば、雨雲レベルを示す情報、雲が存在するか否かを示す情報（一例として、晴れ、曇り等の天気情報）等）を取得してよい。近傍の範囲は、落雷の標定位置及び時刻に雲が存在するか否かを評価可能なように適宜決定されてよい。なお、天気情報は、例えば、天気予報の情報を提供するウェブページ等から適宜取得されてよい。

【0083】

上記ステップＳ１０２では、確認装置１は、取得された天気情報に基づいて、落雷の検知が確報か誤報かを判定してもよい。この判定処理は、上記実施形態と同様に訓練済みの判定モデルを使用するように構成されてもよいし、或いは訓練済みの判定モデルを使用しないように構成されてよい。本変形例における訓練済みの判定モデルは、入力データを落雷位置標定データに代えて天気情報を用いることで構成可能である。訓練済みの判定モデルを使用する場合、確認装置１は、上記ステップＳ１０２と同様の処理により、取得された天気情報に基づいて、落雷の検知が確報か誤報かを判定することができる。

【0084】

一方、訓練済みの判定モデルを使用しない場合には、上記確認システム１００においてモデル生成装置２は省略されてよい。この場合の判定方法の一例として、確認装置１は、天気情報により示される雨雲レベルが閾値未満である場合に、落雷の検知が誤報であると判定してもよい。一方、天気情報により示される雨雲レベルが閾値を超えている場合に、確認装置１は、落雷の検知が確報であると判定してもよい。なお、天気情報により示される雨雲レベルが閾値と等しい場合について、落雷の検知が確報であると判定するか誤報であると判定するかは適宜選択されてよい。その他の一例として、落雷の検知が確報であると判定する範囲及び誤報であると判定する範囲がそれぞれ設けられてよく、その間の範囲に雨雲レベルが属する場合には、確認装置１は、落雷の検知が確報か誤報か不明であると判定し、目視により確認するようにオペレータに促すように構成されてよい。

【0085】

そして、上記ステップＳ１０３では、確認装置１は、上記実施形態と同様に、判定の結果に関する情報を出力してよい。以上のとおり、落雷位置標定データの代わりに天気情報を利用する点に関する構成を除き、本変形例に係る確認システムは、上記実施形態と同様に構成されてよい。本変形例によれば、天気情報を利用して、落雷位置標定システム７による落雷の検知が確報か誤報かを簡易的に検証することができる。なお、確認システムは、落雷位置標定データと共に天気情報を利用するように構成されてもよい。

【0086】

§５ 実験例
上記実施形態における確認方法の有効性を検証するために、以下の実験例に係る判定モデルを生成した。ただし、本発明は、以下の実験例に限定されるものではない。

【0087】

まず、四国内を監視する落雷位置標定システム（５台の落雷センサ及び中央処理装置を備える）から、学習用及び検証用の落雷位置標定データとして、２０１０年１月１日から２０１９年１２月３１日までの各落雷センサの測定データ（方位角及び信号強度の測定値）及び中央処理装置の解析データ（緯度、経度、及び電流値）、並びに２０１８年１月１日から２０１９年１２月３１日までの方位角差データを取得した。また、ヤフー株式会社のウェブサイトから落雷の検知時刻及び標定位置の天気情報（雨雲レベルを０～８で評価）を取得し、取得された落雷位置標定データのうち、雨雲レベルが０のものを誤報のデータに振り分け、雨雲レベルが８のものを確報のデータに振り分けた。

【0088】

第１実験例に係る判定モデルとして、６４５０個の演算パラメータを有する３層のニューラルネットワークを用意した（出力層は、誤報か確報かを２クラス分類で出力するように構成した）。測定データ、解析データ及び方位角差データによりそれぞれ構成される６００件の落雷位置標定データ（誤報のデータが３００件、確報のデータが３００件）のうち４２０件の落雷位置標定データを学習用落雷位置標定データとして使用して、上記実施形態と同様の機械学習により、第１実験例に係る訓練済みの判定モデルを生成した。そして、残りの１８０件の落雷位置標定データを評価用に使用して、第１実験例に係る判定モデルの判定精度を検証した。

【0089】

また、第２実験例に係る判定モデルとして、６１３０個の演算パラメータを有する３層のニューラルネットワークを用意した。入力データの情報が少なくなるのに応じて演算パラメータの数を変更した点を除き、第２実験例に係る判定モデルには、第１実験例と同様の構成を採用した。測定データ及び解析データによりそれぞれ構成される１７２１６件の落雷位置標定データ（誤報のデータが８６０８件、確報のデータが８６０８件）のうち１２０５１件の落雷位置標定データを学習用落雷位置標定データとして使用して、上記実施形態と同様の機械学習により、第２実験例に係る訓練済みの判定モデルを生成した。そして、残りの５１６５件の落雷位置標定データを評価用に使用して、第２実験例に係る判定モデルの判定精度を検証した。

【0090】

また、第３実験例に係る判定モデルとして、５６１８個の演算パラメータを有する３層のニューラルネットワークを用意した。入力データの情報が更に少なくなるのに応じて演算パラメータの数を変更した点を除き、第３実験例に係る判定モデルには、第１実験例及び第２実験例と同様の構成を採用した。方位角差データによりそれぞれ構成される８３０件の落雷位置標定データ（誤報のデータが４１５件、確報のデータが４１５件）のうち５８１件の落雷位置標定データを学習用落雷位置標定データとして使用して、上記実施形態と同様の機械学習により、第３実験例に係る訓練済みの判定モデルを生成した。そして、残りの２４９件の落雷位置標定データを評価用に使用して、第３実験例に係る判定モデルの判定精度を検証した。

【0091】

【表1】

【0092】

表１は、各実験例に係る判定モデルの判定精度を検証した結果を示す。第１実験例によれば、９４．９９％の精度で、落雷位置標定データに基づいて、落雷の検知が確報か誤報かを判定することができた。方位角差データのみを使用した第３実験例でも、８８．７５％の精度で、落雷の検知が確報か誤報かを判定することができた。これらの結果から、落雷位置標定データに基づいて、落雷の検知が確報か誤報かを判定可能であることを検証することができた。

【符号の説明】

【0093】

１…確認装置、
１１…制御部、１２…記憶部、１３…通信インタフェース、
１４…入力装置、１５…出力装置、１６…ドライブ、
８１…確認プログラム、９１…記憶媒体、
１１１…データ取得部、１１２…判定部、１１３…出力部、
１２１…落雷位置標定データ、
２…モデル生成装置、
２１…制御部、２２…記憶部、２３…通信インタフェース、
２４…入力装置、２５…出力装置、２６…ドライブ、
８２…機械学習プログラム、９２…記憶媒体、
２１１…データ取得部、２１２…学習処理部、
２１３…保存処理部、
２２５…学習結果データ、
３０…学習データセット、
３１…学習用落雷位置標定データ、３２…正解ラベル、
５…判定モデル、
５１…入力層、５２…中間（隠れ）層、５３…出力層、
７…落雷位置標定システム、
７１…落雷センサ、７５…中央処理装置

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】