JPH08106448A - 気象予測装置 - Google Patents

Abstract

(57)【要約】 【目的】気象レーダ画像を系統的に分類・管理し，各ク
ラスタごとのレーダ画像を用いて学習した神経回路網モ
デルの重みを利用することにより，新たに計測されたレ
ーダ画像の学習時間を短縮する。また，不等間隔の予測
時刻におけるレーダ画像を少ない計算量により求めるこ
とを目的とする。 【構成】入力部100 からのレーダ画像を，パターン分類
用神経回路網モデルを用いてパターン分類する(201) 。
その結果から該当するクラスタで過去に作成された学習
・予測部203 で使用する神経回路網モデルの重みを得
て，初期値として設定し，再学習する。また，パターン
分類されたクラスタごとに最適な重みを作成し，データ
ベース部202 に登録して利用する。また，予測時間を表
す指標を，レーダ画像と共に学習・予測部203 の神経回
路網モデルの入力とする。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は，気象レーダ画像を神経
回路網モデルに与えてパターン認識，学習させることに
より，過去のレーダ画像を系統的に分類し，効率的に降
雨量，降雪量などの気象学的特徴量，および，天候に左
右される商品の売り上げ個数等を予測する気象予測装置
に関するものである。

【０００２】

【従来の技術】まず初めに，本発明が適用できる神経回
路網モデルの一例を挙げる。ここでは，階層型神経回路
網モデルを典型例として用いるが，回帰結合をもつ神経
回路網モデルなど，他の形式のモデルにも適用できる。

【０００３】図２は，階層型神経回路網モデルの一例を
示す図である。階層型神経回路網モデルは，１層の入力
層，複数層の中間層，１層の出力層からなる層状のネッ
トワークモデルであり，各層はユニット，重み，バイア
スから構成される。

【０００４】ユニットは，前層のユニットの出力値（ｘ
_i （ｉ＝１，２，…，Ｌ，Ｌ：前層のユニット数）と重
み（ｗ_i ，ｉ：重みの番号）の積の総和，および，バイ
アス（ｂ_i ，ｉ：ユニットの番号）を加算した値を入力
値として受け，入力値にある非線形変換（ｆ（・））を
施した値（ｙ）を出力し，この出力値を次層のユニット
へ伝達する構造をもつ（式(1) ）。

【０００５】ただし，ここでは，入力層のユニットの入
出力変換関数は線形，入力層以外の層のユニットの非線
形変換関数ｆ（・）は，典型例であるシグモイド関数を
用いる（式(1) ）が，モデルに応じて他の変換関数を用
いることも考えられる。

【０００６】 ｙ＝ｆ（ｘ） ＝１／｛１−exp(−Σｗ_i ｘ_i ＋ｂ_i ）｝ …… (1) 〔Σはｉ＝１からＬまでの総和〕 従来の気象予測装置では，計測されたレーダ画像を神経
回路網モデルに与えることにより，雲の動き（気象ダイ
ナミックス）を学習させ，学習後の神経回路網モデルを
用いてレーダ画像を予測する手法が提案されていた。例
えば，特願平５−１６０５３０号の「並列計算型気象レ
ーダ画像予測装置」，特願平５−２１３８３０号の「並
列計算型降雨レーダ画像予測装置」，および，特願平５
−２７４０６５号の「非線形並列計算型降雨レーダ画像
予測装置」では，計測されたレーダ画像を積和計算ユニ
ットをもつ神経回路網モデルに与えて，気象ダイナミッ
クスを学習させ，学習後の神経回路網モデルを用いて降
雨，降雪などを予測している。

【０００７】しかしながら，過去のレーダ画像に基づい
て系統的にレーダ画像を分類し，かつ，これを利用する
手段は用いられていない。また，リアルタイムに予測す
るために，神経回路網モデルの学習における計算量をさ
らに低減する必要があるが，これに対する手段などは用
いられていない。

【０００８】

【発明が解決しようとする課題】本発明は，計測された
レーダ画像を自動的にパターン認識することにより，計
測レーダ画像を過去のレーダ画像のパターン分類結果に
基づいて系統的に分類するための判断基準となる指標を
自動的に生成することを目的とする。また，認識された
クラスタに属するレーダ画像を用いて学習させた学習後
の神経回路網モデルの重みを再設定することにより，新
たに計測されたレーダ画像の学習時間を短縮することを
目的とする。

【０００９】さらに本発明は，前述のレーダ画像のパタ
ーン認識結果に基づき，新たに計測されたレーダ画像お
よび分類された各クラスタに属するレーダ画像を用いて
学習させ，学習後の神経回路網モデルの重みなどの学習
結果をデータベースに登録することにより，これらのデ
ータの再利用を容易にすることを目的とする。

【００１０】さらにまた本発明は，特定の構造をもつ神
経回路網モデルを用いることにより，一回の前向きの計
算のみにより，任意時刻の気象を予測し，予測に要する
計算量を削減することを目的とする。また，不等間隔の
予測時間におけるレーダ画像を少ない計算量により求め
ることを目的とする。

【００１１】

【課題を解決するための手段】請求項１記載の気象予測
装置における第１の手段では，計測されたレーダ画像の
パターン認識を行うために神経回路網モデルを用いる。
この神経回路網モデルは入力としてレーダ画像，出力と
してレーダ画像を分類した各クラスタへの類似度を用い
る。パターン分類用神経回路網モデルは，人間が決定し
たレーダ画像の各クラスタへの類似度などを参考に学習
させ，作成しておく。レーダ画像のクラスタは，雲量や
雲の形などに応じて種々定めることができる。

【００１２】また，第２の手段では，第１の手段により
得られた認識結果に基づき，計測されたレーダ画像と類
似したレーダ画像をもつクラスタに属する神経回路網モ
デルの学習後の重みを初期値として，学習用の神経回路
網モデルに設定し，再学習させる。

【００１３】請求項２記載の気象予測装置における第３
の手段では，計測されたレーダ画像と類似したレーダ画
像をもつクラスタに属するレーダ画像を神経回路網モデ
ルに与えて学習させ，学習後の重みをそのクラスタの最
適重みとして登録する。または，パターン認識の結果，
計測されたレーダ画像がいずれのクラスタにも属さない
場合，新たにクラスタを追加する。この際，追加された
クラスタに対する神経回路網モデルの最適重みを，他の
クラスタの最適重みを利用して平均値操作等により生成
する。どのクラスタにも属さないか否かは，既存のクラ
スタに対する最大の類似度と所定の閾値との比較により
決定することができる。

【００１４】請求項３記載の第４の手段では，レーダ画
像をパターン分類する際のクラスタの個数（クラスタ
数）の上限を予め指定すると，神経回路網モデルの学習
機能を利用してクラスタ数を変更することにより，レー
ダ画像，学習後の神経回路網モデルの重みの値などをも
つデータベースの規模を拡大，縮小する。この際，デー
タベースに登録されていないパターンをもつレーダ画像
が入力された場合，新たにクラスタを追加し，指定され
た上限まで追加することができる。

【００１５】また，データベースの規模が大きくなり過
ぎた場合，レーダ画像のパターンが似ているクラスタ同
士を統合することによりクラスタ数を減少させる。請求
項４記載の気象予測装置の第５の手段では，神経経路網
モデルの入力としてレーダ画像以外に，予測時間を表す
指標を与え，出力として，入力側で与えた予測時間後の
レーダ画像を得るようにする。

【００１６】第６の手段では，第５の手段により求めら
れたレーダ画像を，再度，神経回路網モデルの入力値と
して与え，更に先の時刻におけるレーダ画像を予測す
る。この繰り返しにより，不等間隔の時刻におけるレー
ダ画像を少ない繰り返し計算により求める。

【００１７】請求項４記載の気象予測装置に用いる神経
回路網モデルとして，階層型神経回路網モデルを用いた
場合，中間層のユニットの入出力特性は次式（式(2) ）
のように記述される。ただし，ｔは神経回路網モデルが
出力するレーダ画像の予測時間を表す指標とする。

【００１８】 ｙ＝ｆ（ｘ，ｔ） ＝１／｛１−exp(−Σｗ_i ｘ_i −ｗ_i+1 ｔ＋ｂ_i ）｝ …… (2) 〔Σはｉ＝１からＬ（Ｌ：前層のユニット数）までの総
和〕

【００１９】

【作用】請求項１記載の気象予測装置の第１，２の手段
では，レーダ画像をパターン認識することにより，気象
のパターンを自動識別することを可能にする。また，パ
ターン認識の結果に基づいて過去のレーダ画像をデータ
ベース化することにより，これらのレーダ画像を系統的
に分類・管理する手間を簡略化できる。

【００２０】請求項２，３記載の気象予測装置の第３，
４の手段では，上記のデータベースを利用することによ
り，神経回路網モデルを再学習させる際に与える重みの
初期値決定を自動化することが可能となる。また，再学
習に要する学習時間も，パターン分類されたクラスタご
とに行われることになるため短縮される。

【００２１】請求項４記載の気象予測装置の第５の手段
では，予測時間を表す指標をレーダ画像と共に神経回路
網モデルに与えることにより，任意の時刻のレーダ画像
を予測することが可能となる。第６の手段では，第５の
手段を繰り返し実行することにより，不等間隔の時刻に
おけるレーダ画像を少ない計算量で予測することが可能
となる。

【００２２】

【実施例】本発明による気象予測装置の一実施例を図面
により説明する。図１は，請求項１〜３記載の気象予測
装置の一実施例を示すブロック図であり，図中の１００
は入力部，２００はデータ処理部，３００は出力部を表
す。

【００２３】入力部１００は，降雨・降雪領域を計測す
る気象レーダ１０１，神経回路網モデルの学習，パター
ン認識，予測に必要となる情報を読み込むためのファイ
ル読み込み装置１０２からなる。

【００２４】データ処理部２００は，計測されたレーダ
画像のパターンを識別するパターン認識部２０１，過去
のレーダ画像，および，学習後の神経回路網モデルの最
適重みなどを系統的に分類，管理するデータベース部２
０２，気象ダイナミックスを学習し，レーダ画像を予測
する学習・予測部２０３からなる。

【００２５】入力部１００の気象レーダ１０１を用いて
計測されたレーダ画像を入力し，データ処理部２００に
転送する。また，ファイル読み込み装置１０２から，学
習に必要な学習率などの値を読み込み，パターン認識部
２０１，学習・予測部２０３に転送する。

【００２６】パターン認識部２０１は，入力部１００か
ら転送されるレーダ画像をパターン分類用神経回路網モ
デルに入力し，その画像がデータベース内のどのクラス
タに属するかを判定する指標を出力する。

【００２７】データベース部２０２は，パターン認識部
２０１の判定結果に基づき，入力されたレーダ画像と類
似したパターンをもつクラスタに，新たにそのレーダ画
像を追加する。また，そのクラスタに属する最適重み，
および，過去のレーダ画像を学習・予測部２０３に転送
する。

【００２８】学習・予測部２０３では，データベース部
２０２から転送される最適重みを重みの初期値として気
象予測用神経回路網モデルに設定し，入力部１００から
転送されるレーダ画像，および，データベース部２０２
から転送される過去のレーダ画像を用いて再学習する。
再学習の終了後，神経回路網モデルの重みを固定して，
レーダ画像が計測された以降の時刻におけるレーダ画像
を予測し，予測結果を出力部３００に転送する。出力部
３００では，予測結果をディスプレイなどに表示する。

【００２９】本発明の請求項１〜請求項３記載の気象予
測装置に用いる神経回路網モデルは，例えば図２に示す
ようなモデルを用い，入出力としてレーダ画像を取り扱
う。これに対し，請求項４記載の気象予測装置に用いる
神経回路網モデルでは，図３に示すように，入力側に予
測する時刻に関する情報（ｔ）を入力する。この時間情
報に基づいて，神経回路網モデルは入出力間に形成する
写像の時間間隔（入出力間のレーダ画像の時間間隔）を
任意に変更することが可能となる。

【００３０】図４は，請求項４記載の気象予測装置の一
実施例のブロック図である。図中，図１と同符号のもの
は図１に示すものと同様であり，２０４は入力となるレ
ーダ画像を切り替える入力切替え部，２０５は予測時間
を指定する予測時間指定部を表す。

【００３１】この実施例の場合，通常，入力切替え部２
０４は気象レーダ１０１により計測したレーダ画像を学
習・予測部２０３への入力として選択するように設定さ
れている。予測時間指定部２０５は，予測する時刻に関
する情報ｔをレーダ画像とともに学習・予測部２０３に
与える。この結果，固定時間間隔ではなく，学習した時
刻に応じた任意の時間後の予測が可能になる。例えば学
習時に５分から最大３０分までの予測時間を表す指標を
与えて学習した場合，３０分までは１回の神経回路網モ
デルへの入力で予測結果を得ることができる。３０分よ
り先の時刻のレーダ画像を予測する場合には，学習・予
測部２０３により予測した３０分後のレーダ画像を入力
切替え部２０４を介して学習・予測部２０３に与え，必
要な次の予測時間を指定して学習・予測部２０３による
予測を繰り返すことにより，不等間隔の時刻におけるレ
ーダ画像を少ない計算量で予測する。

【００３２】請求項１〜請求項３記載の気象予測装置で
は，神経回路網モデルが形成する入出力間の写像は，固
定の時間間隔でしか形成できなかった。例えば，入力す
るレーダ画像の時刻に対して５分後の予測レーダ画像を
出力するように学習させた場合，３０分後，２時間後の
レーダ画像を予測するためには，各々，６回，２４回の
繰り返し操作が必要となる。

【００３３】これに対して，請求項４記載の気象予測装
置を用いると，３０分後，２時間後のレーダ画像を予測
するために，最大予測時間が例えば３０分として学習し
たモデルを用いた場合，各々，１回，４回の繰り返し操
作のみにより予測が可能となる。

【００３４】上記実施例において，例えば天候に左右さ
れる商品の売上げ個数の実績を，レーダ画像とともに神
経回路網モデルに学習させることにより，商品の売上げ
個数を予測するような応用も可能である。

【００３５】

【発明の効果】請求項１記載の気象予測装置の第１の手
段によって，初めにパターン分類用神経回路網モデルを
作成する際に人間の判断基準を学習することが可能であ
るため，計測されたレーダ画像と過去のレーダ画像との
類似度など，人間の判断基準に近い基準により自動的に
検出することが可能となる。

【００３６】また，第２の手段によって，第１の手段に
よるパターン認識の結果に基づき，計測されたレーダ画
像に類似したクラスタに属する神経回路網モデルの学習
後の重みを，再学習用神経回路網モデルに再設定するこ
とにより，重みの初期値決定を自動化し，かつ，再学習
に要する学習時間を短縮することが可能となる。

【００３７】請求項２記載の気象予測装置では，第３の
手段を用いることにより，ある特定のクラスタに対する
最適な重みを，系統的に分類された過去のレーダ画像を
利用して神経回路網モデルを学習させずに作成すること
が可能となる。

【００３８】請求項３記載の第４の手段を用いれば，レ
ーダ画像のパターン分類する際のクラスタの個数を神経
回路網モデルの学習機能を利用して変更することが可能
となり，レーダ画像，および，学習後の神経回路網モデ
ルの重みの値などを管理するデータベースの規模を自動
的に拡大，縮小することが可能となる。

【００３９】請求項４記載の気象予測装置では，第５の
手段を用いることにより，任意の時刻のレーダ画像を予
測することが可能となる。また，一回の前向きの計算の
みにより予測できるため，予測に要する計算量，予測処
理時間を削減することが可能となる。また，第６の手段
を用いることにより，任意の時刻のレーダ画像を繰り返
し予測することが可能となるため，不等間隔の予測時刻
におけるレーダ画像を少ない計算量により求めることが
可能となる。

【図面の簡単な説明】

【図１】請求項１〜３記載の気象予測装置の一実施例の
ブロック図である。

【図２】請求項１〜３記載の気象予測装置に用いる神経
回路網モデルの一例を示す図である。

【図３】請求項４記載の気象予測装置に用いる神経回路
網モデルの一例を示す図である。

【図４】請求項４記載の気象予測装置の一実施例のブロ
ック図である。

【符号の説明】

１００ 入力部 １０１ 気象レーダ １０２ ファイル読み込み装置 ２００ データ処理部 ２０１ パターン認識部 ２０２ データベース部 ２０３ 学習・予測部 ３００ 出力部

Claims (4)

【特許請求の範囲】
1. 【請求項１】 神経回路網モデルに気象レーダ画像を与
   えて気象ダイナミックスを学習させ，学習後の神経回路
   網モデルを用いて降雨，降雪などの天候の短時間予測を
   行う気象予測装置において，(1) 計測されたレーダ画像
   をパターン分類用の神経回路網モデルに与えて，過去の
   レーダ画像の分類基準に基づいたパターン認識をし，レ
   ーダ画像をパターン分類する第１の手段と，(2) 計測さ
   れたレーダ画像のパターン認識結果に基づき，計測され
   たレーダ画像のパターンと類似したパターンをもつ過去
   のレーダ画像を用いて作成された気象予測用の神経回路
   網モデルの重みを初期値として気象予測用の神経回路網
   モデルに設定し，再学習させる第２の手段とを有するこ
   とを特徴とする気象予測装置。
2. 【請求項２】 請求項１記載の気象予測装置において，
   前記第１の手段によりパターン分類された特定のクラス
   タに属するレーダ画像を気象予測用の神経回路網モデル
   に与えて学習させ，これらのレーダ画像に含まれる気象
   ダイナミックスを表現するためにそのクラスタに対して
   最適な重みを作成する，または，どのクラスタにも属さ
   ない場合には，新たにクラスタを作成し，そのクラスタ
   に応じた神経回路網モデルの最適重みを生成する第３の
   手段を有することを特徴とする気象予測装置。
3. 【請求項３】 請求項２記載の気象予測装置において，
   前記第１の手段によるパターン認識の結果に基づき，前
   記第３の手段により作成された神経回路網モデルの重
   み，および，学習に用いたレーダ画像をデータベースへ
   登録して管理するとともに，クラスタの追加または統合
   によりデータベースの規模を自動的に拡大・縮小する第
   ４の手段を有することを特徴とする気象予測装置。
4. 【請求項４】 請求項１，請求項２または請求項３記載
   の気象予測装置において，(1) 気象予測用の神経回路網
   モデルにレーダ画像を与えるとともに予測時間を表す指
   標を与え，任意の時刻のレーダ画像を予測する第５の手
   段と，(2) 予測したレーダ画像を繰り返し神経回路網モ
   デルに与えることにより，更に，先の任意の時刻のレー
   ダ画像を予測する第６の手段とを有することを特徴とす
   る気象予測装置。