JPH10239452A - 降雨降雪予測装置 - Google Patents
降雨降雪予測装置Info
- Publication number
- JPH10239452A JPH10239452A JP9043502A JP4350297A JPH10239452A JP H10239452 A JPH10239452 A JP H10239452A JP 9043502 A JP9043502 A JP 9043502A JP 4350297 A JP4350297 A JP 4350297A JP H10239452 A JPH10239452 A JP H10239452A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- rainfall
- predicted
- snowfall
- value
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
(57)【要約】
【課題】 気象レーダーの新たなエコーパターンの発生
時やエコーパターンの移動が激しい場合にも精度の良い
降雨降雪予測装置を提供する。 【解決手段】 任意の時間間隔をおいて計測された２つ
の気象レーダー画像の複数の組を神経回路網モデルに学
習させ、学習後の神経回路網モデルを用いて、一定時間
後の予測値を求めこの予測値を人力としてさらにその後
の予測値を繰り返し求める第１の予測手段と、任意の時
間間隔をおいて計測された２つの気象レーダー画像か
ら、その画像中のエコーパターンの移動ベクトルを計算
し、この移動ベクトルと予測時間をもとに、一定時間後
の降雨降雪量を予測する第２の予測手段と、前記２つの
予測値と気象レーダーから得られる実測値と、予測開始
後の経過時間及び移動ベクトルを比較評価して、上記で
得られた予測値の出力制御を行う第３の予測手段によ
り、精度の良い降雨降雪量の予測結果を得る。
時やエコーパターンの移動が激しい場合にも精度の良い
降雨降雪予測装置を提供する。 【解決手段】 任意の時間間隔をおいて計測された２つ
の気象レーダー画像の複数の組を神経回路網モデルに学
習させ、学習後の神経回路網モデルを用いて、一定時間
後の予測値を求めこの予測値を人力としてさらにその後
の予測値を繰り返し求める第１の予測手段と、任意の時
間間隔をおいて計測された２つの気象レーダー画像か
ら、その画像中のエコーパターンの移動ベクトルを計算
し、この移動ベクトルと予測時間をもとに、一定時間後
の降雨降雪量を予測する第２の予測手段と、前記２つの
予測値と気象レーダーから得られる実測値と、予測開始
後の経過時間及び移動ベクトルを比較評価して、上記で
得られた予測値の出力制御を行う第３の予測手段によ
り、精度の良い降雨降雪量の予測結果を得る。
Description
【０００１】
【発明の属する技術分野】本発明は、計測された気象レ
ーダー画像から気象のダイナミクスを学習する神経回路
網モデルを有する気象予測装置に関する。
ーダー画像から気象のダイナミクスを学習する神経回路
網モデルを有する気象予測装置に関する。
【０００２】
【従来の技術】従来、計測された気象レーダー画像を神
経回路網モデルに与えることにより降雨降雪域を表すエ
コーパターンの動きを学習させ、学習後の神経回路網モ
デルを用いて気象レーダー画像を予測する方式／装置が
考案されていた（例えば、特開平７−２０２５５号公報
「並列計算型気象レーダー画像予測装置」、特開平７−
６３８６１号公報「並列計算型気象降雨レーダー画像予
測装置」、特開平７−１２８４５６号公報「非線形並列
計算型気象レーダー画像予測装置」）。
経回路網モデルに与えることにより降雨降雪域を表すエ
コーパターンの動きを学習させ、学習後の神経回路網モ
デルを用いて気象レーダー画像を予測する方式／装置が
考案されていた（例えば、特開平７−２０２５５号公報
「並列計算型気象レーダー画像予測装置」、特開平７−
６３８６１号公報「並列計算型気象降雨レーダー画像予
測装置」、特開平７−１２８４５６号公報「非線形並列
計算型気象レーダー画像予測装置」）。
【０００３】これらの装置では、積和計算ユニットを持
つ神経回路網モデルに、計測されたレーダー画像を与え
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、気象レーダー画像の各格子点におけ
る一定時間後の降雨降雪量を予測し、この予測値を入力
として再度神経回路網モデルを用いた一定時間後の降雨
降雪量を予測することを繰り返すことで、数時間程度先
までの予測値を求めている。
つ神経回路網モデルに、計測されたレーダー画像を与え
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、気象レーダー画像の各格子点におけ
る一定時間後の降雨降雪量を予測し、この予測値を入力
として再度神経回路網モデルを用いた一定時間後の降雨
降雪量を予測することを繰り返すことで、数時間程度先
までの予測値を求めている。
【０００４】これらの装置では、気象のダイナミクスを
学習させるためには一定時間分の気象レーダー画像を神
経回路網モデルに与える必要があり、降雨降雪開始時の
ような十分な気象レーダー画像データーが得られていな
い段階では、神経回路網モデルの学習が十分に行われて
いないために十分な予測精度が得られないという欠点が
ある。また、気象レーダー画像中のエコーパターンの移
動速度が早い場合には、神経回路網モデルを用いて得ら
れた予測結果を入力として再度予測処理を繰り返すこと
から予測時間が長くなると十分な精度が得られないとい
う欠点がある。また、特開平８−５０１８１号公報「降
雨移動予測装置」では、気象レーダー画像から「複数の
手法」で移動ベクトルを推定し、その結果に基づいて
「最適移動ベクトル」を求めるという概念を核とした降
雨予測装置が公開されている。
学習させるためには一定時間分の気象レーダー画像を神
経回路網モデルに与える必要があり、降雨降雪開始時の
ような十分な気象レーダー画像データーが得られていな
い段階では、神経回路網モデルの学習が十分に行われて
いないために十分な予測精度が得られないという欠点が
ある。また、気象レーダー画像中のエコーパターンの移
動速度が早い場合には、神経回路網モデルを用いて得ら
れた予測結果を入力として再度予測処理を繰り返すこと
から予測時間が長くなると十分な精度が得られないとい
う欠点がある。また、特開平８−５０１８１号公報「降
雨移動予測装置」では、気象レーダー画像から「複数の
手法」で移動ベクトルを推定し、その結果に基づいて
「最適移動ベクトル」を求めるという概念を核とした降
雨予測装置が公開されている。
【０００５】その最適な移動ベクトルの算出は「複数の
移動ベクトルに基づいて現在の最適ベクトルを求める
際、各移動ベクトルを直交する２方向に分解して前記２
方向成分を求め、各移動ベクトルのうち最も多い成分に
より最適移動ベクトルを求める」という方法によるもの
である。
移動ベクトルに基づいて現在の最適ベクトルを求める
際、各移動ベクトルを直交する２方向に分解して前記２
方向成分を求め、各移動ベクトルのうち最も多い成分に
より最適移動ベクトルを求める」という方法によるもの
である。
【０００６】
【発明が解決しようとする課題】本発明の目的は、上記
のような気象レーダー画像を用いた降雨降雪予測装置に
おいて、新たなエコーパターンの発生時やエコーパター
ンの移動が激しい場合にも適応でき、上記のような移動
ベクトルの成分分解や、ヒストグラム（最も多い成分の
算出）も用いることなく、予測精度の良い降雨降雪予測
装置を提供することにある。
のような気象レーダー画像を用いた降雨降雪予測装置に
おいて、新たなエコーパターンの発生時やエコーパター
ンの移動が激しい場合にも適応でき、上記のような移動
ベクトルの成分分解や、ヒストグラム（最も多い成分の
算出）も用いることなく、予測精度の良い降雨降雪予測
装置を提供することにある。
【０００７】
【課題を解決するための手段】本発明の降雨降雪予測装
置は、神経回路網モデルに気象レーダー画像を与えて気
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、降雨降雪量の短時間予測を行う装置におい
て、任意の時間間隔をおいて計測された二つの気象レー
ダー画像の複数の組を神経回路網モデルに学習させ、学
習後の神経回路網モデルを用いて、短時間後の降雨降雪
量予測を行う第１の予測手段と任意の時間間隔をおいて
計測された二つの気象レーダー画像から、該気象レーダ
ー画像中のエコーパターンの移動ベクトルを計算し、こ
の移動ベクトルから、短時間後の降雨降雪量を予測する
第２の予測手段から得られる降雨降雪情報の予測値と、
気象レーダーから得られる降雨降雪情報の実測値と、予
測開始後の経過時間及び移動ベクトルを比較評価して、
上記予測手段から得られた予測降雨降雪量の予測値とし
て出力制御を行う第３の予測手段を有することを特徴と
する。
置は、神経回路網モデルに気象レーダー画像を与えて気
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、降雨降雪量の短時間予測を行う装置におい
て、任意の時間間隔をおいて計測された二つの気象レー
ダー画像の複数の組を神経回路網モデルに学習させ、学
習後の神経回路網モデルを用いて、短時間後の降雨降雪
量予測を行う第１の予測手段と任意の時間間隔をおいて
計測された二つの気象レーダー画像から、該気象レーダ
ー画像中のエコーパターンの移動ベクトルを計算し、こ
の移動ベクトルから、短時間後の降雨降雪量を予測する
第２の予測手段から得られる降雨降雪情報の予測値と、
気象レーダーから得られる降雨降雪情報の実測値と、予
測開始後の経過時間及び移動ベクトルを比較評価して、
上記予測手段から得られた予測降雨降雪量の予測値とし
て出力制御を行う第３の予測手段を有することを特徴と
する。
【０００８】また、前記第３の予測手段は、前記第１の
予測手段と第２の予測手段に対して、予測対象とするレ
ーダー画像を入力し、各々の予測値を求め、実測画像と
の予測精度の比較を行い、第１の予測手段の予測精度
が、第２の予測手段の予測精度よりも良くなるまでの予
測開始からの経過時間を求める処埋を大量のレーダー画
像について行う評価手段と、前記評価手段により得られ
た経過時間をしきい値とし、予測開始から前記しきい値
に達するまでは、第２の予測手段による予測値を予測降
雨降雪量として出力し、前記しきい値を越える時刻以降
を第１の予測手段による予測値を予測降雨降雪量として
出力する制御手段を含む。
予測手段と第２の予測手段に対して、予測対象とするレ
ーダー画像を入力し、各々の予測値を求め、実測画像と
の予測精度の比較を行い、第１の予測手段の予測精度
が、第２の予測手段の予測精度よりも良くなるまでの予
測開始からの経過時間を求める処埋を大量のレーダー画
像について行う評価手段と、前記評価手段により得られ
た経過時間をしきい値とし、予測開始から前記しきい値
に達するまでは、第２の予測手段による予測値を予測降
雨降雪量として出力し、前記しきい値を越える時刻以降
を第１の予測手段による予測値を予測降雨降雪量として
出力する制御手段を含む。
【０００９】また、前記第３の予測手段は、前記第１の
予測手段と第２の予測手段に対して、予測対象とするレ
ーダー画像を入力し、各々の予測値を求め、実測画像と
の予測精度の比較を行い、予測精度のより良好な予測手
段の予測値を適用領域表に編集する編集手段と、前記適
用領域表に基づき、経過時間と共に該当予測手段の予測
値を予測降雨降雪量として出力する制御手段を含む。
予測手段と第２の予測手段に対して、予測対象とするレ
ーダー画像を入力し、各々の予測値を求め、実測画像と
の予測精度の比較を行い、予測精度のより良好な予測手
段の予測値を適用領域表に編集する編集手段と、前記適
用領域表に基づき、経過時間と共に該当予測手段の予測
値を予測降雨降雪量として出力する制御手段を含む。
【００１０】更に、前記第３の予測手段に、第１の予測
手段と第２予測手段に対して、予測対象とするレーダー
画像を入力して得られる各々の予測値を一定時間分蓄積
する蓄積手段と、前記一定時間の経過後に得られる実測
値を用いて、ＣＳＩ値を各時刻毎に算定する算定手段
と、Ｎ個の点を通るＬａｇｒａｎｇｅの式で与えられる
次数Ｎ−１の補間多項式により予測時刻と各時刻におけ
るそれぞれのＣＳＩ値を通る次数Ｎ−１の補間多項式
を、前記予測値に対して求める算式手段と、前記補間多
項式を用いて、任意時間後のＣＳＩ値を予測し、この予
測結果により予測値を補間値として出力する補間手段を
含むものでもよい。
手段と第２予測手段に対して、予測対象とするレーダー
画像を入力して得られる各々の予測値を一定時間分蓄積
する蓄積手段と、前記一定時間の経過後に得られる実測
値を用いて、ＣＳＩ値を各時刻毎に算定する算定手段
と、Ｎ個の点を通るＬａｇｒａｎｇｅの式で与えられる
次数Ｎ−１の補間多項式により予測時刻と各時刻におけ
るそれぞれのＣＳＩ値を通る次数Ｎ−１の補間多項式
を、前記予測値に対して求める算式手段と、前記補間多
項式を用いて、任意時間後のＣＳＩ値を予測し、この予
測結果により予測値を補間値として出力する補間手段を
含むものでもよい。
【００１１】更に、前記第３の予測手段は、第１の予測
手段と第２の予測手段の起動と停止の制御を行うこと
で、必要な予測手段のみを動作させるものでもよい。
手段と第２の予測手段の起動と停止の制御を行うこと
で、必要な予測手段のみを動作させるものでもよい。
【００１２】更にまた、前記予測精度は、相対応する実
測画像と予測画像の領域について、「共に降雨の領域」
の「共に降雨の領域」と「実測と予測の降雨領域の相反
する２つの領域」との和に対する比率で定義される的中
率を示すＣＳＩ値を用いてもよい。
測画像と予測画像の領域について、「共に降雨の領域」
の「共に降雨の領域」と「実測と予測の降雨領域の相反
する２つの領域」との和に対する比率で定義される的中
率を示すＣＳＩ値を用いてもよい。
【００１３】また、前記第３の予測手段は、第１の予測
手段と第２予測手段に対して、予測対象とするレーダー
画像を入力して得られる各々の予測値を一定時間分蓄積
する蓄積手段と、前記一定時間の経過後に得られる実測
値を用いて、ＣＳＩ値を各時刻毎に算定する算定手段
と、Ｎ個の点を通るＬａｇｒａｎｇｅの式で与えられる
次数Ｎ−１の補間多項式により予測時刻と各時刻におけ
るそれぞれのＣＳＩ値を通る次数Ｎ−１の補間多項式
を、前記予測値に対して求める算式手段と、前記補間多
項式を用いて、任意時間後のＣＳＩ値を予測し、この予
測結果により予測値を補間値として出力する補間手段
と、前記補間多項式を用いた予測値が前記第２の予測手
段の予測値と比較して前記予測精度が高ければ該予測値
を予測降雨降雪量として出力する制御手段を含む第３の
予測手段でもよい。
手段と第２予測手段に対して、予測対象とするレーダー
画像を入力して得られる各々の予測値を一定時間分蓄積
する蓄積手段と、前記一定時間の経過後に得られる実測
値を用いて、ＣＳＩ値を各時刻毎に算定する算定手段
と、Ｎ個の点を通るＬａｇｒａｎｇｅの式で与えられる
次数Ｎ−１の補間多項式により予測時刻と各時刻におけ
るそれぞれのＣＳＩ値を通る次数Ｎ−１の補間多項式
を、前記予測値に対して求める算式手段と、前記補間多
項式を用いて、任意時間後のＣＳＩ値を予測し、この予
測結果により予測値を補間値として出力する補間手段
と、前記補間多項式を用いた予測値が前記第２の予測手
段の予測値と比較して前記予測精度が高ければ該予測値
を予測降雨降雪量として出力する制御手段を含む第３の
予測手段でもよい。
【００１４】
【発明の実施の形態】本発明の実施例について図面を参
照して説明する。図１は本予測装置の一実施例の構成図
であり。本装置は、神経回路網モデル予測機構１０１、
相互相関モデル予測機構１０２、出力制御機構１０３か
ら構成される。
照して説明する。図１は本予測装置の一実施例の構成図
であり。本装置は、神経回路網モデル予測機構１０１、
相互相関モデル予測機構１０２、出力制御機構１０３か
ら構成される。
【００１５】神経回路網モデル予測機構１０１は、一定
時間（ｈ）毎に到着する気象レーダーからのエコーパタ
ーンについて、神経回路網モデルにより、ある時刻Ｔと
Ｔ＋ｈの対のエコーパターンの学習を複数回行い、この
学習終了後の神経回路網モデルを用いて、一定時間
（ｈ）先の予測値を求め、得られた予測値を入力として
再度一定時間先（ｈ、合計で２ｈ先）の予測を行うこと
を繰り返すことで、任意の時点の予測値を得る。本機構
内で動作する神経回路網モデルは、１層の入力層、複数
の中間層、１層の出力層を持つ層状のネットワークを構
成し、各層はユニット、重み、バイアス値から構成され
る。ユニットは前の層のユニットの出力値（Ｎ個）と該
ユニットが持つ重みの積和を求め、バイアス値を加算し
た値を出力する。入力層、中間層、出力層の構成、ユニ
ットの積和の計算方法は様々な手法が適用可能であり、
本発明で限定するものではない。本機構は得られた予測
値３０１を出力制御機構１０３に転送する。
時間（ｈ）毎に到着する気象レーダーからのエコーパタ
ーンについて、神経回路網モデルにより、ある時刻Ｔと
Ｔ＋ｈの対のエコーパターンの学習を複数回行い、この
学習終了後の神経回路網モデルを用いて、一定時間
（ｈ）先の予測値を求め、得られた予測値を入力として
再度一定時間先（ｈ、合計で２ｈ先）の予測を行うこと
を繰り返すことで、任意の時点の予測値を得る。本機構
内で動作する神経回路網モデルは、１層の入力層、複数
の中間層、１層の出力層を持つ層状のネットワークを構
成し、各層はユニット、重み、バイアス値から構成され
る。ユニットは前の層のユニットの出力値（Ｎ個）と該
ユニットが持つ重みの積和を求め、バイアス値を加算し
た値を出力する。入力層、中間層、出力層の構成、ユニ
ットの積和の計算方法は様々な手法が適用可能であり、
本発明で限定するものではない。本機構は得られた予測
値３０１を出力制御機構１０３に転送する。
【００１６】相互相関モデル予測機構１０２は、一定時
間（ｈ）毎に到着する気象レーダーからのエコーパター
ンについて、任意の時間間隔（ΔＴ）をおいた２枚のエ
コーパターンから、例えば参考文献１で示される方法に
より、相互相関値を計算し、相互相関値を最大にする移
動ベクトルを求める。この移動ベクトルを用いて、任意
の時間後の予測値を得る。相互相関値の算定にあたって
は、気象レーダーがカバーする全領域を１つとして算定
する方法、全領域を任意の複数領域に分割し、各領域に
ついて移動ベクトルを算定したものを合成する方法が適
用可能であり、本発明は任意の線形予測手法と組み合わ
せることができる。本機構は得られた予測値及び移動ベ
クトル３０２を出力制御機構１０３に転送する。 「参考文献１：遊馬芳雄、菊池克弘、今久、”簡易気象
レーダーによるエコーの移動速度について”、北海道大
学地球物理学研究報告、４４、ｐｐ．２３〜３４」 出力制御機構１０３は、実測画像２０１及び神経回路網
モデル予測機構１０１、相互相関モデル予測機構１０２
から転送された各々の予測結果３０１、３０２を用い
て、最終的な予測画像２０２を、予測地域、予測時期、
使用可能な計算機パワー等を考慮して、以下のいずれか
の方法により決定する。
間（ｈ）毎に到着する気象レーダーからのエコーパター
ンについて、任意の時間間隔（ΔＴ）をおいた２枚のエ
コーパターンから、例えば参考文献１で示される方法に
より、相互相関値を計算し、相互相関値を最大にする移
動ベクトルを求める。この移動ベクトルを用いて、任意
の時間後の予測値を得る。相互相関値の算定にあたって
は、気象レーダーがカバーする全領域を１つとして算定
する方法、全領域を任意の複数領域に分割し、各領域に
ついて移動ベクトルを算定したものを合成する方法が適
用可能であり、本発明は任意の線形予測手法と組み合わ
せることができる。本機構は得られた予測値及び移動ベ
クトル３０２を出力制御機構１０３に転送する。 「参考文献１：遊馬芳雄、菊池克弘、今久、”簡易気象
レーダーによるエコーの移動速度について”、北海道大
学地球物理学研究報告、４４、ｐｐ．２３〜３４」 出力制御機構１０３は、実測画像２０１及び神経回路網
モデル予測機構１０１、相互相関モデル予測機構１０２
から転送された各々の予測結果３０１、３０２を用い
て、最終的な予測画像２０２を、予測地域、予測時期、
使用可能な計算機パワー等を考慮して、以下のいずれか
の方法により決定する。
【００１７】なお、以下の方法は、「神経回路モデル」
によって予測した予測値の推移から得られる降雨降雪量
の移動ベクトルと、「任意の手段」によって予測した降
雨降雪量の移動ベクトルとを「比較」することによっ
て、いずれかの予測値のみの選択や両者の荷重平均、し
きい値処理などの組み合わせ処理を行う技術を核として
降雨降雪量を予測するもので、公知の「複数の移動ベク
トルに基づいて現在の最適ベクトルを求める際、各移動
ベクトルを直交する２方向に分解して前記２方向成分を
求め、各移動ベクトルのうち最も多い成分により最適移
動ベクトルを求める」という方法による移動ベクトルの
成分分解や、ヒストグラム（最も多い成分の算出）を用
いる方法ではない。
によって予測した予測値の推移から得られる降雨降雪量
の移動ベクトルと、「任意の手段」によって予測した降
雨降雪量の移動ベクトルとを「比較」することによっ
て、いずれかの予測値のみの選択や両者の荷重平均、し
きい値処理などの組み合わせ処理を行う技術を核として
降雨降雪量を予測するもので、公知の「複数の移動ベク
トルに基づいて現在の最適ベクトルを求める際、各移動
ベクトルを直交する２方向に分解して前記２方向成分を
求め、各移動ベクトルのうち最も多い成分により最適移
動ベクトルを求める」という方法による移動ベクトルの
成分分解や、ヒストグラム（最も多い成分の算出）を用
いる方法ではない。
【００１８】方法１：神経回路網モデル予測機構１０１
と相互相関モデル予測機構１０２に対して、予測対象と
するレーダー画像を入力し、各々の予測値を求め、実測
画像との比較を行い、前者の予測精度が、後者の予測精
度よりも良くなるまでの予測開始からの経過時間を求め
る処埋を大量のレーダー画像について評価する。この結
果得られた経過時間をしきい値とし、予測開始からこの
時間が経過するまでは、相互相関モデル予測機構１０２
の予測値を最終予測画像とし、その後は神経回路網モデ
ル予測機構１０１の予測値を最終予測画像とする。
と相互相関モデル予測機構１０２に対して、予測対象と
するレーダー画像を入力し、各々の予測値を求め、実測
画像との比較を行い、前者の予測精度が、後者の予測精
度よりも良くなるまでの予測開始からの経過時間を求め
る処埋を大量のレーダー画像について評価する。この結
果得られた経過時間をしきい値とし、予測開始からこの
時間が経過するまでは、相互相関モデル予測機構１０２
の予測値を最終予測画像とし、その後は神経回路網モデ
ル予測機構１０１の予測値を最終予測画像とする。
【００１９】さらに、出力制御機構１０３は、制御情報
３０３を用いて、神経回路網モデル予測機構１０１と相
互相関モデル予測機構１０２の起動、停止の制御を行う
ことで、必要な予測機構のみが動作するように制御す
る。
３０３を用いて、神経回路網モデル予測機構１０１と相
互相関モデル予測機構１０２の起動、停止の制御を行う
ことで、必要な予測機構のみが動作するように制御す
る。
【００２０】なお、予測精度の比較は以下で定義される
ＣＳＩ（Ｃｒｉｔｉｃａｌ Ｓｕｃｃｅｓｓ Ｉｎｄｅ
ｘ）を用いて行うが、誤差二乗和など任意の評価基準を
用いることも可能である。
ＣＳＩ（Ｃｒｉｔｉｃａｌ Ｓｕｃｃｅｓｓ Ｉｎｄｅ
ｘ）を用いて行うが、誤差二乗和など任意の評価基準を
用いることも可能である。
【００２１】
【数１】 ここで Ｎ１１：実測画像が降雨領域で予測画像も降雨領域 Ｎ１０：実測画像が降雨領域で無い領域、予測画像は降
雨領域 Ｎ０１：実測画像が降雨領域で、予測画像は降雨領域で
無い領域 方法２：上記と同様に、予測対象のレーダー画像を用い
た事前分析により、相互相関モデル予測機構１０２から
得られる移動ベクトルと、神経回路網モデル予測機１０
１と相互相関モデル予測機構１０２の予測値と実測画像
との比較を行うことにより、移動ベクトルと２つの予測
機構の適用領域表を求め、この適用領域表に基づき、最
終予測画像２０２を得る。
雨領域 Ｎ０１：実測画像が降雨領域で、予測画像は降雨領域で
無い領域 方法２：上記と同様に、予測対象のレーダー画像を用い
た事前分析により、相互相関モデル予測機構１０２から
得られる移動ベクトルと、神経回路網モデル予測機１０
１と相互相関モデル予測機構１０２の予測値と実測画像
との比較を行うことにより、移動ベクトルと２つの予測
機構の適用領域表を求め、この適用領域表に基づき、最
終予測画像２０２を得る。
【００２２】さらに、出力制御機構１０３は、制御情報
３０３を用いて、神経回路網モデル予測機構１０１の起
動、停止の制御を行うことで、予測計算負荷の削減を図
ることを可能とする。
３０３を用いて、神経回路網モデル予測機構１０１の起
動、停止の制御を行うことで、予測計算負荷の削減を図
ることを可能とする。
【００２３】なお、予測精度の比較は上記と同様ＣＳＩ
を用いて行うが、そのほかの評価関数を用いることも方
法１と同様に可能である。
を用いて行うが、そのほかの評価関数を用いることも方
法１と同様に可能である。
【００２４】方法３：神経回路網モデル予測機構１０１
と相互相関モデル予測機構１０２に対して、予測対象と
するレーダー画像を入力して得られる各々の予測値３０
１及び３０２を一定時間（ｘ1 、ｘ2 、・・・ｘn ）分
蓄積する。次にこの時間が経過後に得られる実測値を用
いて、前述のＣＳＩ値を各時刻毎に算定する。
と相互相関モデル予測機構１０２に対して、予測対象と
するレーダー画像を入力して得られる各々の予測値３０
１及び３０２を一定時間（ｘ1 、ｘ2 、・・・ｘn ）分
蓄積する。次にこの時間が経過後に得られる実測値を用
いて、前述のＣＳＩ値を各時刻毎に算定する。
【００２５】Ｎ個の点ｙ1 ＝Ｆ（ｘ1 ）、ｙ2 ＝Ｆ（ｘ
2 ）、・・・ｙN ＝Ｆ（ｘn ）を通る次数Ｎ−１の補間
多項式は、以下のＬａｇｒａｎｇｅの式で与えられるこ
とが知られている。
2 ）、・・・ｙN ＝Ｆ（ｘn ）を通る次数Ｎ−１の補間
多項式は、以下のＬａｇｒａｎｇｅの式で与えられるこ
とが知られている。
【００２６】
【数２】 上記の式に従い、予測時刻Ｘ1 、Ｘ2 、・・・Ｘn と各
時刻におけるＣＳＩ値ＣＳＩ1 、ＣＳＩ2 、．．．ＣＳ
Ｉn を通る次数Ｎ−１の補間多項式を、予測値３０１と
予測値３０２に対して求める。この補間多項式を用い
て、任意時間後のＣＳＩ値を予測し、この予測結果によ
り、より良い精度を出力すると期待できる予測機構の予
測結果を最終予測結果となるように出力制御する。補間
多項式を用いた評価結果が得られるまでの間は無条件に
相互相関モデル予測機構１０２の予測値を最終予測画像
２０２とする。
時刻におけるＣＳＩ値ＣＳＩ1 、ＣＳＩ2 、．．．ＣＳ
Ｉn を通る次数Ｎ−１の補間多項式を、予測値３０１と
予測値３０２に対して求める。この補間多項式を用い
て、任意時間後のＣＳＩ値を予測し、この予測結果によ
り、より良い精度を出力すると期待できる予測機構の予
測結果を最終予測結果となるように出力制御する。補間
多項式を用いた評価結果が得られるまでの間は無条件に
相互相関モデル予測機構１０２の予測値を最終予測画像
２０２とする。
【００２７】なお、本実施例では、神経回路網モデル予
測機構、相互相関モデル予測機構の２つを用いて説明し
たが他の予測機構を併用して出力制御を行うこと、各予
測機構から得られる予測値を選択出力するばかりではな
く、加重平均するような出力制御を行うことへも容易に
拡張できる。
測機構、相互相関モデル予測機構の２つを用いて説明し
たが他の予測機構を併用して出力制御を行うこと、各予
測機構から得られる予測値を選択出力するばかりではな
く、加重平均するような出力制御を行うことへも容易に
拡張できる。
【００２８】
【発明の効果】従来の神経回路網モデルを用いた降雨降
雪予測装置では、降雨降雪開始時など神経回路網モデル
が十分な実レーダー画像の学習を終了するまで、もしく
は、計測レーダー画像中のエコーパターンの移動が早い
場合には、精度の良い予測結果が得られないという欠点
があった。
雪予測装置では、降雨降雪開始時など神経回路網モデル
が十分な実レーダー画像の学習を終了するまで、もしく
は、計測レーダー画像中のエコーパターンの移動が早い
場合には、精度の良い予測結果が得られないという欠点
があった。
【００２９】本発明では、神経回路網モデルを用いた予
測手段と、任意の時間間隔をおいて得られたレーダー画
像から相互相関値の計算を行い求めた移動ベクトルを用
いて予測する手段と、これら複数の予測値の精度を評価
し、最終予測値の出力制御を行う第三の手段により、神
経回路網モデルでは十分な精度が得られない場合にも精
度良い予測結果を得ることができる。
測手段と、任意の時間間隔をおいて得られたレーダー画
像から相互相関値の計算を行い求めた移動ベクトルを用
いて予測する手段と、これら複数の予測値の精度を評価
し、最終予測値の出力制御を行う第三の手段により、神
経回路網モデルでは十分な精度が得られない場合にも精
度良い予測結果を得ることができる。
【図１】本発明の降雨降雪予測装置の一実施例のブロッ
ク図である。
ク図である。
１０１ 神経回路網モデル予測機構 １０２ 相互相関モデル予測機構 １０３ 選択出力機構 ２０１ 実測画像（入力データ） ２０２ 予測画像（出力データ） ３０１ 神経回路網モデル予測機構が出力する予測値 ３０２ 相互相関モデル予測機構が出力する予測値と
移動ベクトル ３０３ 出力制御機構が予測機構を制御する制御情報
移動ベクトル ３０３ 出力制御機構が予測機構を制御する制御情報
───────────────────────────────────────────────────── フロントページの続き (72)発明者 渡辺 浩一 神奈川県横浜市中区山下町223番１ エ ヌ・ティ・ティ・ソフトウェア株式会社内 (72)発明者 時岡 正浩 神奈川県横浜市中区山下町223番１ エ ヌ・ティ・ティ・ソフトウェア株式会社内
Claims (7)
- 【請求項１】 神経回路網モデルに気象レーダー画像を
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、降雨降雪量の短時間予測を行う装
置において、 任意の時間間隔をおいて計測された二つの気象レーダー
画像の複数の組を神経回路網モデルに学習させ、学習後
の神経回路網モデルを用いて、短時間後の降雨降雪量予
測を行う第１の予測手段と任意の時間間隔をおいて計測
された二つの気象レーダー画像から、該気象レーダー画
像中のエコーパターンの移動ベクトルを計算し、この移
動ベクトルから、短時間後の降雨降雪量を予測する第２
の予測手段から得られる降雨降雪情報の予測値と、気象
レーダーから得られる降雨降雪情報の実測値と、予測開
始後の経過時間及び移動ベクトルを比較評価して、上記
予測手段から得られた予測降雨降雪量の予測値として出
力制御を行う第３の予測手段を有することを特徴とする
降雨降雪予測装置。 - 【請求項２】 前記第３の予測手段が、 前記第１の予測手段と第２の予測手段に対して、予測対
象とするレーダー画像を入力し、各々の予測値を求め、
実測画像との予測精度の比較を行い、第１の予測手段の
予測精度が、第２の予測手段の予測精度よりも良くなる
までの予測開始からの経過時間を求める処埋を大量のレ
ーダー画像について行う評価手段と、 前記評価手段により得られた経過時間をしきい値とし、
予測開始から前記しきい値に達するまでは、第２の予測
手段による予測値を予測降雨降雪量として出力し、前記
しきい値を越える時刻以降を第１の予測手段による予測
値を予測降雨降雪量として出力する制御手段を含む第３
の予測手段を有する請求項１記載の降雨降雪予測装置。 - 【請求項３】 前記第３の予測手段が、 前記第１の予測手段と第２の予測手段に対して、予測対
象とするレーダー画像を入力し、各々の予測値を求め、
実測画像との予測精度の比較を行い、予測精度のより良
好な予測手段の予測値を適用領域表に編集する編集手段
と、 前記適用領域表に基づき、経過時間と共に該当予測手段
の予測値を予測降雨降雪量として出力する制御手段を含
む第３の予測手段を有する請求項１記載の降雨降雪予測
装置。 - 【請求項４】 前記第３の予測手段が、 第１の予測手段と第２の予測手段の起動と停止の制御を
行うことで、必要な予測手段のみを動作させる第３の予
測手段を有する請求項１〜３の何れかに記載の降雨降雪
予測装置。 - 【請求項５】 前記予測精度が、 相対応する実測画像と予測画像の領域について、「共に
降雨の領域」の「共に降雨の領域」と「実測と予測の降
雨領域の相反する２つの領域」との和に対する比率で定
義される的中率を示すＣＳＩ値を用いて予測精度とする
請求項２または３記載の降雨降雪予測装置。 - 【請求項６】 前記第３の予測手段が、 第１の予測手段と第２予測手段に対して、予測対象とす
るレーダー画像を入力して得られる各々の予測値を一定
時間分蓄積する蓄積手段と、 前記一定時間の経過後に得られる実測値を用いて、ＣＳ
Ｉ値を各時刻毎に算定する算定手段と、 Ｎ個の点を通るＬａｇｒａｎｇｅの式で与えられる次数
Ｎ−１の補間多項式により予測時刻と各時刻におけるそ
れぞれのＣＳＩ値を通る次数Ｎ−１の補間多項式を、前
記予測値に対して求める算式手段と、 前記補間多項式を用いて、任意時間後のＣＳＩ値を予測
し、この予測結果により予測値を補間値として出力する
補間手段と、 前記補間多項式を用いた予測値が前記第２の予測手段の
予測値と比較して前記予測精度が高ければ該予測値を予
測降雨降雪量として出力する制御手段を含む第３の予測
手段を有する請求項１記載の降雨降雪予測装置。 - 【請求項７】 前記第３の予測手段が、 第１の予測手段と第２予測手段に対して、予測対象とす
るレーダー画像を入力して得られる各々の予測値を一定
時間分蓄積する蓄積手段と、 前記一定時間の経過後に得られる実測値を用いて、ＣＳ
Ｉ値を各時刻毎に算定する算定手段と、 Ｎ個の点を通るＬａｇｒａｎｇｅの式で与えられる次数
Ｎ−１の補間多項式により予測時刻と各時刻におけるそ
れぞれのＣＳＩ値を通る次数Ｎ−１の補間多項式を、前
記予測値に対して求める算式手段と、 前記補間多項式を用いて、任意時間後のＣＳＩ値を予測
し、この予測結果により予測値を補間値として出力する
補間手段を含む第３の予測手段を有する請求項２または
３記載の降雨降雪予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9043502A JPH10239452A (ja) | 1997-02-27 | 1997-02-27 | 降雨降雪予測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9043502A JPH10239452A (ja) | 1997-02-27 | 1997-02-27 | 降雨降雪予測装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH10239452A true JPH10239452A (ja) | 1998-09-11 |
Family
ID=12665506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP9043502A Pending JPH10239452A (ja) | 1997-02-27 | 1997-02-27 | 降雨降雪予測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH10239452A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009129159A (ja) * | 2007-11-22 | 2009-06-11 | Hitachi Ltd | 時系列予測システム |
| CN107292386A (zh) * | 2016-04-11 | 2017-10-24 | 福特全球技术公司 | 使用深度学习的基于视觉的雨水检测 |
| JP2019125251A (ja) * | 2018-01-18 | 2019-07-25 | ヤフー株式会社 | 情報処理装置、データ構造、情報処理方法、およびプログラム |
-
1997
- 1997-02-27 JP JP9043502A patent/JPH10239452A/ja active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009129159A (ja) * | 2007-11-22 | 2009-06-11 | Hitachi Ltd | 時系列予測システム |
| CN107292386A (zh) * | 2016-04-11 | 2017-10-24 | 福特全球技术公司 | 使用深度学习的基于视觉的雨水检测 |
| JP2019125251A (ja) * | 2018-01-18 | 2019-07-25 | ヤフー株式会社 | 情報処理装置、データ構造、情報処理方法、およびプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khosravi et al. | Prediction intervals to account for uncertainties in travel time prediction | |
| Candela et al. | Propagation of uncertainty in bayesian kernel models-application to multiple-step ahead forecasting | |
| CN107396322B (zh) | 基于路径匹配与编码译码循环神经网络的室内定位方法 | |
| Zhang | Recursive prediction of traffic conditions with neural network models | |
| CN110223517A (zh) | 基于时空相关性的短时交通流量预测方法 | |
| Zhang et al. | Simulation of an adaptive model based on AIC and BIC ARIMA predictions | |
| CN106933649A (zh) | 基于移动平均和神经网络的虚拟机负载预测方法及系统 | |
| Duret et al. | Traffic state estimation based on Eulerian and Lagrangian observations in a mesoscopic modeling framework | |
| CN106970370A (zh) | 基于混沌神经网络的雷达多目标跟踪优化方法 | |
| CN107967803A (zh) | 基于多源数据及变权重组合预测模型的交通拥堵预测方法 | |
| CN103743401A (zh) | 基于多模型航迹质量的异步融合方法 | |
| Egea et al. | Assessment of reward functions for reinforcement learning traffic signal control under real-world limitations | |
| Corchardo et al. | Neuro-adaptation method for a case-based reasoning system | |
| EP3783538A1 (en) | Analysing interactions between multiple physical objects | |
| JPH10239452A (ja) | 降雨降雪予測装置 | |
| JP7751532B2 (ja) | 人流予測装置、人流予測プログラム、および、人流予測方法 | |
| JPH09257951A (ja) | 気象予測装置 | |
| JP5023325B2 (ja) | リカレントニューラルネットワークを用いた不規則時系列データの学習・予測方法 | |
| CN119439316B (zh) | 一种基于物理约束的临近降雨预测方法 | |
| Shi et al. | Applications of artificial neural networks to the nonlinear combination of forecasts | |
| Box et al. | An automated signalized junction controller that learns strategies from a human expert | |
| JPH08271649A (ja) | 気象予測装置 | |
| Tseng et al. | Using a fuzzy piecewise regression analysis to predict the nonlinear time-series of turbulent flows with automatic change-point detection | |
| CN116307151A (zh) | 充电站充电负荷预测方法、存储介质以及电子设备 | |
| Schmied et al. | Analysis and adaptive estimation of human car following behavior for advanced driver assistance systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20040128 |