JP5090954B2 - 発雷予測装置およびその方法、プログラム - Google Patents

発雷予測装置およびその方法、プログラム Download PDF

Info

Publication number
JP5090954B2
JP5090954B2 JP2008031984A JP2008031984A JP5090954B2 JP 5090954 B2 JP5090954 B2 JP 5090954B2 JP 2008031984 A JP2008031984 A JP 2008031984A JP 2008031984 A JP2008031984 A JP 2008031984A JP 5090954 B2 JP5090954 B2 JP 5090954B2
Authority
JP
Japan
Prior art keywords
lightning
data
prediction
value
entries
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.)
Active
Application number
JP2008031984A
Other languages
English (en)
Other versions
JP2009192311A (ja
Inventor
浩史 佐藤
聡 杉山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2008031984A priority Critical patent/JP5090954B2/ja
Publication of JP2009192311A publication Critical patent/JP2009192311A/ja
Application granted granted Critical
Publication of JP5090954B2 publication Critical patent/JP5090954B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、機械学習を用いて気象データを元に発雷を直前に予測する方法、特に発雷予測のための機械学習の訓練データを作成して用いる発雷予測装置およびその方法、プログラムに関する。
従来の発雷予測では、雷センサを用いて直前の発雷位置を知り、気象レーダを用いて雷雲（積乱雲）の動きを知り、それらを組み合わせて次の発雷位置を予測する方法や（非特許文献１）、気象レーダにより解析した雷雲パターンを過去の発雷時のパターンと照らし合わせ、その類似度が高い場合に発雷するとみなす方法がとられている（非特許文献２）。
また、数値予報による気圧面毎の温度や湿度などから大気安定度を計算し、不安定な場合に発雷可能性が高いと判断する方法もある（非特許文献３）。
株式会社フランクリンジャパン：「Lightning Scope」（登録商標）http://www.fjc.co.jp/service/cs/ 木瀬若桜ほか「複数のセンサデータを用いた事例検索による発雷予測支援方式」信学論Ｂ．Ｖｏｌ．Ｊ８３−Ｂ，Ｎｏ．１１，ｐｐ．１５９８−１６０７（２０００−１１） 大野久雄 著「雷雨とメソ気象」（東京堂出版）第５章第４節
しかしながら、従来の技術における雷センサを使う方法は当然ながら雷センサを必要とするが、一機数千万円程度する上、標定には最低３機が必要となるので、簡単に導入できるものではなかった。
また、雷情報を提供する商用サービスもあるが、リアルタイムでそれらを受けるためには月に百万円単位の費用がかかるので、いずれにせよ安価ではない。
また、発雷が始まらないと次が予測できないため、積乱雲が発達した直後の最初の発雷を予測することが出来ないという問題もある。
また、過去の雷雲パターンと照らし合わせる方法については、上述の「最初の発雷を予測できない」という問題はないが、独自に気象レーダを運用しなければ入手できない特殊なデータを必要としているため、実施が難しく、あくまでも「予測支援」なので、人間による雷発生予測の手助けとしてしか使えなかった。
また、大気安定度を使う方法は、数時間単位での大ざっぱな発雷予測であり、さらにあくまでもポテンシャルを測る手段でしかなく、発雷というより積乱雲の出来やすさを見ているに過ぎないため、発雷を直前に正確に予測することはできなかった。さらに、元となる数値予測自体も観測結果ではなく予報結果であり、位置精度も粗いので、結果もおおまかなものでしかなかった。
また、コンピュータに学習させる「機械学習（Machine learning）」を使った分類問題という観点で雷予測を考えると、雷は全体から見れば頻度の非常に小さい気象現象であり、コンピュータによる機械学習をするために必要な訓練データのバランスが悪くなりがち、すなわち、発雷した事例と比較して発雷しない事例が圧倒的に多くなるので、そのまま学習しても分類器が発雷しない事例に強く引きずられ、結果として高い精度が出ない、という問題があった。
また、精度良く予測できたとしても、予測の元データとなるリアルタイムの気象データの受信が遅れた場合、予測のリードタイムが短くなり、予測情報の価値が著しく下がるという問題もあった。
本発明は上述の課題に鑑みてなされたものであり、その目的は、機械学習後の予測において雷データを必要とせず、高価な雷センサの設置の必要がなく、また、雷現況情報の受信契約を不要にすることにある。
また、機械学習後の予測において雷データを参考にせずに、その雷雲の最初の発雷を予測することにある。
また、一般的に安価に入手可能な気象データのみを入力として、独自のレーダなどの設置を不要にすることにある。
また、気象レーダによるエコー値を予測に用いて、雷も同様の精度で直前に正確に予測することにある。
また、予測対象時刻の前後、予測対象領域の周辺の気象データも利用して、隣の領域で発生した雷雲による対象領域への落雷なども予測することにある。
また、訓練データのバランスをとるための手段を提供して、機械学習時に正例と負例をバランスよく学習させ、予測精度を向上させることにある。
また、訓練データのバランスをとる際に、積乱雲の発達の度合いという発雷に直接的なデータに沿ってエントリ数を調整して、価値の高いエントリを重点的に学習させ、結果として分類器の精度を向上させることにある。
また、機械学習手法としてＳＶＭを採用して、汎化性の高い分類を可能とすることにある。
また、発雷を予測する前にパターン変化予測を行って、予測のリードタイムをより稼ぐことにある。
課題を解決するために、請求項１に記載の本発明は、メッシュ状に区切られた複数の領域ごとに発雷を直前に予測するための発雷予測装置において、前記領域のそれぞれごとに過去の時系列に沿って気象状況を記録した気象データに基づいて生成されたエントリと、前記エントリの総数において積乱雲の発達の度合いと正相関のある値が所定の閾値未満のエントリを除外することにより足切りして生成した訓練データと、前記訓練データを用いてコンピュータにより機械学習を実行して得た学習結果に基づいて構成され、現在の気象データにおける前記積乱雲の発達の度合いと正相関のある値が前記閾値未満である場合には、発雷可能性無しと判断し、当該値が前記閾値以上である場合には、前記現在の気象データに対して、前記学習結果を用いて発雷を予測する分類器と、を備え、前記訓練データと正解データとの対応付けにおいて、一つの前記領域に対して隣接する他の領域と、時間軸上で前後に隣接する他の領域の過去の気象データと、が共に前記正解データが多対１対応として前記対応付けされている。
また、請求項２に記載の本発明は、メッシュ状に区切られた複数の領域ごとに発雷を直前に予測するための発雷予測装置において、前記領域のそれぞれごとに過去の時系列に沿って気象状況を記録した気象データに基づいて生成されたエントリと、前記エントリの総数において積乱雲の発達の度合いと正相関のある値が所定の閾値未満のエントリを除外することにより足切りして生成した訓練データと、前記訓練データを用いてコンピュータにより機械学習を実行して得た学習結果に基づいて構成され、現在の気象データにおける前記積乱雲の発達の度合いと正相関のある値が前記閾値未満である場合には、発雷可能性無しと判断し、当該値が前記閾値以上である場合には、前記現在の気象データに対して、前記学習結果を用いて発雷を予測する分類器と、を備え、現在の気象データの一部もしくは全部にパターン変化予測を適用し、その予測結果を前記分類器へ入力する。
また、請求項３に記載の本発明は、請求項１または２において、前記機械学習の手法としてＳＶＭ（Support Vector Machine）を用いる。
また、請求項４に記載の本発明は、メッシュ状に区切られた複数の領域ごとに発雷を直前に予測するための発雷予測方法において、前記領域のそれぞれごとに過去の時系列に沿って気象状況を記録した気象データに基づいたエントリを生成するステップと、前記エントリの総数において積乱雲の発達の度合いと正相関のある値が所定の閾値未満のエントリを除外することにより足切りして訓練データを生成するステップと、前記訓練データを用いてコンピュータにより機械学習を実行して得た学習結果に基づいて、現在の気象データにおける前記積乱雲の発達の度合いと正相関のある値が前記閾値未満である場合には、発雷可能性無しと判断し、当該値が前記閾値以上である場合には、前記現在の気象データに対して、前記学習結果を用いて発雷を予測するための分類器を構成するステップと、を有し、前記訓練データと正解データとの対応付けにおいて、一つの前記領域に対して隣接する他の領域と、時間軸上で前後に隣接する他の領域の過去の気象データと、が共に前記正解データが多対１対応として前記対応付けされている。
また、請求項５に記載の本発明は、メッシュ状に区切られた複数の領域ごとに発雷を直前に予測するための発雷予測方法において、前記領域のそれぞれごとに過去の時系列に沿って気象状況を記録した気象データに基づいたエントリを生成するステップと、前記エントリの総数において積乱雲の発達の度合いと正相関のある値が所定の閾値未満のエントリを除外することにより足切りして訓練データを生成するステップと、前記訓練データを用いてコンピュータにより機械学習を実行して得た学習結果に基づいて、現在の気象データにおける前記積乱雲の発達の度合いと正相関のある値が前記閾値未満である場合には、発雷可能性無しと判断し、当該値が前記閾値以上である場合には、前記現在の気象データに対して、前記学習結果を用いて発雷を予測するための分類器を構成するステップと、を有し、現在の気象データの一部もしくは全部にパターン変化予測を適用し、その予測結果を前記分類器へ入力する。
また、請求項６に記載の本発明は、請求項４または５において、前記機械学習の手法としてＳＶＭ（Support Vector Machine）を用いる。
また、請求項７に記載の本発明は、メッシュ状に区切られた複数の領域ごとに発雷を直前にコンピュータを用いて予測させるための発雷予測プログラムであって、前記領域のそれぞれごとに過去の時系列に沿って気象状況を記録した気象データに基づいたエントリを生成するステップと、前記エントリの総数において積乱雲の発達の度合いと正相関のある値が所定の閾値未満のエントリを除外することにより足切りして訓練データを生成するステップと、前記訓練データを用いてコンピュータにより機械学習を実行して得た学習結果に基づいて、現在の気象データにおける前記積乱雲の発達の度合いと正相関のある値が前記閾値未満である場合には、発雷可能性無しと判断し、当該値が前記閾値以上である場合には、前記現在の気象データに対して、前記学習結果を用いて発雷を予測するための分類器を構成するステップと、をコンピュータに実行させ、前記訓練データと正解データとの対応付けにおいて、一つの前記領域に対して隣接する他の領域と、時間軸上で前後に隣接する他の領域の過去の気象データと、が共に前記正解データが多対１対応として前記対応付けされている。
また、請求項８に記載の本発明は、メッシュ状に区切られた複数の領域ごとに発雷を直前にコンピュータを用いて予測させるための発雷予測プログラムであって、前記領域のそれぞれごとに過去の時系列に沿って気象状況を記録した気象データに基づいたエントリを生成するステップと、前記エントリの総数において積乱雲の発達の度合いと正相関のある値が所定の閾値未満のエントリを除外することにより足切りして訓練データを生成するステップと、前記訓練データを用いてコンピュータにより機械学習を実行して得た学習結果に基づいて、現在の気象データにおける前記積乱雲の発達の度合いと正相関のある値が前記閾値未満である場合には、発雷可能性無しと判断し、当該値が前記閾値以上である場合には、前記現在の気象データに対して、前記学習結果を用いて発雷を予測するための分類器を構成するステップと、をコンピュータに実行させ、現在の気象データの一部もしくは全部にパターン変化予測を適用し、その予測結果を前記分類器へ入力する。
本発明によれば、機械学習後の予測において雷データを必要としないので、高価な雷センサの設置が必要がなく、また、雷現況情報の受信契約の必要がなくなる。
また、機械学習後の予測において雷データを参考にしないので、その雷雲の最初の発雷を予測できる。
また、一般的に安価に入手可能な気象データのみを入力としているので、独自のレーダなどを設置する必要がなくなる。
また、気象レーダによるエコー値を予測に用いた場合は、このデータが現在１０分間隔で配信されており位置精度も１ｋｍ単位なので、雷も同様の精度で直前に正確に予測することができる。
また、予測対象時刻の前後、予測対象領域の周辺の気象データも利用するので、隣の領域で発生した雷雲による対象領域への落雷なども予測することができる。
また、訓練データのバランスをとるための手段を提供しているので、機械学習時に正例と負例をバランスよく学習することができ、予測精度を向上させることができる。
また、訓練データのバランスをとる際に、積乱雲の発達の度合いという発雷に直接的なデータに沿ってエントリ数を調整するので、価値の高いエントリを重点的に学習することができ、結果として分類器の精度を向上させることができる。
また、機械学習手法としてＳＶＭを採用しているので、汎化性の高い分類が可能になる。
また、発雷を予測する前にパターン変化予測を行っているので、予測のリードタイムをより稼ぐことができる。
＜第１の実施の形態＞
本発明の実施の形態では、気象業務支援センタが提供している過去の一般的な気象データ（降水データおよび数値予報データなど）および、雷情報提供会社などが提供する過去の雷情報（発雷の位置、時刻、特性などが収録されている）を用いて、正解ラベル付き訓練データを作成し、「教師あり機械学習（Supervised learning）」の手法を適用して発雷を予測するための分類器を作成する。
この分類器にしたがって、気象業務支援センタなどよりリアルタイムで配信される気象データ、および、その気象データをパターン変化予測にかけた結果を入力として用い、発雷予測を行う。
なお、「機械学習」とはサンプリングした多数のデータについて解析を行い、その解析結果に基づいて対象となるデータ群における規則性を抽出するための技術であり、コンピュータを用いて人間が備える学習能力と同様の機能を実現するためのシステムや方法、プログラムである。
最初に図１に示すのは、本発明の実施の形態を説明するための全体の処理フローである。
図１のように、まず学習を行い、その後、予測を繰り返す、といった順になる。必要に応じて学習をし直したりすることもできる。発雷の予測のための機械学習が開始されると（Ｓ１）、図２を参照して後述する学習フローが実行される（Ｓ２）。この学習結果に基づいて図３を参照して後述する発雷の予測フローを実行する（Ｓ３）。予測フローが終了するまで繰り返され、終了後は機械学習も終了する（Ｓ４、Ｓ５）。
次の図２は、図１中に示したＳ２の学習フローを説明するためのフローチャートを示している。
この図２に示す「教師あり機械学習」の学習フローでは、教師すなわち正解ラベルのついた訓練データが必要となる。本実施の形態においては、ある領域のある時刻の、周辺および前後のメッシュの気象データ群と、その領域でその時刻に発雷があったかどうかのペアが訓練データの１エントリとなる。
まず学習フローが開始されると（Ｓ１０）、データの入力がされる（Ｓ１１）。この際に入力されるデータは気象データ群である。次にＳ１１にて入力された気象データ群に対応する正解ラベルが付与される（Ｓ１２）。ここで付与される正解ラベルは気象データ群におけるメッシュで区切られた領域ごとの発雷の有無と時刻のデータである。
次に、足切り処理が行われる（Ｓ１３）。この足切り処理は正解ラベルが付与された訓練データの中から、後述するように、エコー頂高度がある一定値より低い場合を訓練データから削除する処理を行う。次にＳＶＭ（サポートベクターマシン：Support vector machine）学習を行う（Ｓ１４）。そして学習結果が出力され（Ｓ１５）、学習フローが終了する（Ｓ１６）。
また、図３は、図１中に示した予測フローを説明するためのフローチャートを示している。
この図３において予測フローが開始されると（Ｓ２０）、データの入力がされる（Ｓ２１）。ここで入力されるデータは発雷の予測対象であり観測された気象データ群である。次にパターン変化予測が入力された気象データ群に対して実行される（Ｓ２２）。パターン変化予測の方法としては、たとえば単位時間前のデータと現在のデータの変化を認識し、その変化量を現在のデータに適用する、といった技術である。そしてエコー頂高度がある一定値より低い場合を訓練データから削除して足切り処理を行う（Ｓ２３）。
次に、後述の分類器にて発雷予測を行う（Ｓ２４）。発雷の予測結果が出力され（Ｓ２５）、予測フローが終了する（Ｓ２６）。
次の図４は、本実施の形態の処理フローにおける、各データと各処理との関連を説明するための説明図を示している。この図４には、説明のための構成として、過去気象データＤＢ１と、過去の雷データ２と、過去の気象データ３と、正解ラベル付き訓練データ４と、機械学習のステップＳ３０と、学習結果５と、気象データ６と、分類器７と、予測結果８と、が示されている。
この構成において、雷データ２には、一般に時刻と位置（緯度経度）および雷の電流データなどが羅列してある。従って、この雷データを参照しながら対象のメッシュ（地理的な領域）において発雷があったかどうかを判定すれば良い。
また、図４に示す学習結果５は、コンピュータ上のファイルデータとして得られる。これを分類器（ソフトウェア）７に読み込ませ、分類処理を行うこととなる。
本実施の形態では、気象データ３として図５（ａ）に示す「エコー強度（気象レーダーで観測される換算降水強度）」と図５（ｂ）に示す「エコー頂高度（気象レーダーで観測される降水エコーの高さ）」の２つを採用する。３つ以上になっても考え方は同様である。これらは両者とも安価にリアルタイムに入手することができる。
入力する気象データ３としては、対象となるメッシュＸのエコー強度、エコー頂高度、メッシュＸの周辺メッシュのエコー強度の平均値、エコー頂高度の平均値、それぞれの値の１０分前からの差分、を用いることとする。なお、上で「時刻」と書いているが、実際は瞬間ではなくある単位時間（たとえば１０分間）を意味する。以下簡単のため「時刻」と表現するが同様である。
次に、過去の気象データ３より、ある領域、ある時刻の周辺メッシュの各値を抽出し整列させる。その領域でその時刻に発雷があれば正例（＋１）、なければ負例（−１）のラベルを貼り付ける。同様の処理を繰り返すことで、正解ラベル付きの訓練データ４の候補となる。
また、発雷はデータ全体から見ればまれな事象なので、一般には負例（−１）が圧倒的に多くなる。訓練データに含まれる正例（＋１）と負例（−１）の比率は同程度の方が良いとされており、このままでは効果的な学習に支障をきたす可能性がある。
一般に積乱雲が発達すればするほど発雷が起きる可能性が高い。たとえば、エコー頂高度（降水粒子が存在する最高度すなわち積乱雲の高さ）の値が大きければ発雷が起きる可能性が高い。
このエコー頂高度がある一定値、たとえば５（ｋｍ）より小さい場合、発雷はまず起きないとみなし、訓練データから削除する。図６の斜線が施された行がこれにあたる。これが図７に示す足切り処理である。まず、足切り処理が開始されると（Ｓ４０）、エントリの取出しが行われる（Ｓ４１）。ここで取出したエントリについてエコー頂高度は閾値以上か否かが判断される（Ｓ４２）。なお、ここでいう閾値はたとえば前述の５（ｋｍ）といった値である。ここでの判断でエコー頂高度が閾値以下である場合は、未判断のエントリが残っているか否かが判断される（Ｓ４３）。ここで、未判断のエントリが残っている場合は再びＳ４１以降の処理を再実行する。
また、Ｓ４２の判断でエコー頂高度が閾値以上である場合は訓練データへこのエントリを追加する（Ｓ４４）。その後Ｓ４３へ処理が進み、ここで未判断のエントリが残っていないと判断されると足切り処理が終了する（Ｓ４５）。
なお、この足切り処理で例示した“５”という閾値は、経験的な値でも統計的に出した値でも構わない。ここではエコー頂高度を使っているが、積乱雲の発達の度合いと正相関のある値ならば同様の効果が期待できる。たとえばエコー強度でもよい。このように足切りを行った訓練データをＳＶＭ学習にかける。このＳＶＭ学習により、正例と負例を二分する超平面すなわち分類器７が学習され構築される。
図８に示すのは、この分類器７を構成する超平面の概念図である（「超」平面のため、正確な図は描けない）。なお、ＳＶＭ学習にはソフトマージンという考え方があり、必ずしも超平面が正例と負例を完全には二分せず、そこに多少の妥協を入れることができる。本実施の形態においては、これについてはどちらを選択してもよい。以上が学習フェーズ（Ｓ２、Ｓ３０）である。
次に、予測対象となる領域に対し、その周辺や前後も含めたメッシュ領域にそれぞれ気象データ６を入力する。たとえば１０分後を予測する場合、これらデータの１０分後の値をパターン変化予測を用いて求める。その際、現在と過去のデータを入力とする。たとえば１０分前と現在のデータから、１０分後のデータを予測する、などができる。図９はこの概念図であって、四角い升目の一つが領域を指している。また、ハッチングされた領域が発雷の予測される領域である。なお、パターン予測のために入力する気象データ６にはエコー強度とエコー頂高度を含んでおり、その両方か、あるいはいずれか一方を用いてもよい。
ここで実行するパターン変化予測は、一般に、単位時間前のデータと現在のデータの変化を認識し、その変化量を現在のデータに適用するものが多い。高度なものだと、流体力学の方程式により変化を予測するものもある。たとえば、Dynamics Texture法（文献：境野英朋ほか、“流体モデルによる時系列レーダパターン変化の予測方法”、電子情報通信学会論文、ｖｏｌ．Ｊ８２−Ａ，ｎｏ．４，ｐｐ．５５０−５６２，１９９９）などが適用できる。なお、ここで実行するパターン予測は、「パターン予測した結果の変化量を得る」場合と「変化量をパターン予測する」場合のどちらをも含んでいる。
次に、この１０分後を予測したデータ組に対し、図１０に示す足切り処理および分類を行う。図１０に示すように、まず、足切り処理が開始されると（Ｓ５０）、予測対象となる気象データが入力される（Ｓ５１）。次に、入力された気象データに対してエコー頂高度は閾値以上であるか否かが判断される（Ｓ５２）。ここで閾値とは、たとえば図６に示したエコー頂高度のうち５（ｋｍ）といった値が設定される。この閾値と比較して気象データに含まれるエコー頂高度が低い場合は発雷可能性無しと判断され（Ｓ５４）、予測結果として出力され（Ｓ５５）、発雷予測における足切り処理が終了する（Ｓ５６）。また、Ｓ５２においてエコー頂高度が閾値以上である場合は、分類器７により発雷予測処理が実行され（Ｓ５３）、その結果が出力される（Ｓ５５）。
なお、この分類には事前に学習しておいた分類器７を適用する。分類器７では、そのデータ組が正例と判断されるか負例と判断されるかに応じて、その領域で雷が発生するかどうかを判断する。以上で、雷予測のフローの説明を終える（Ｓ３、Ｓ２３）。
＜第２の実施の形態＞
第１の実施の形態にて説明した分類器７で構成された予測エンジンたる発雷予測部１１が中心となっている。しかし実際のサービス運用においては、図１１に示すように気象データ受信部１０、発雷予測部１１、予測結果解釈部１２、予測結果変換部１３、予測結果配信部１４なども合わせて運用されることを想定している。
まず、気象データ受信部１０は、気象業務支援センタなどから気象データの配信を受け、必要に応じてデータ形式の変換などを行う。
次に、予測結果解釈部１２は、分類器７が予測した結果を元に発雷による災害発生の可能性や規模を計算し、警報などを出す必要性を判断する。
予測結果変換部１３は、予測結果や前記の予測結果解釈部１３の解釈結果を必要に応じて画像や文章に変換する。
予測結果配信部１４は、前記の予測結果変換部１３の変換結果をウェブサーバや警報メール送信サーバなどを通じて配信する。
また、予測結果配信部１４からの配信を受けて、ユーザ側での処理として、雷サージに敏感なコンピュータシステムを停止したり、電源系統をバッテリーや自家発電に切り替えるなどの処理およびその自動化も想定している。
また、本実施の形態は発雷の予測としているが、雷のように全体からの頻度が小さい現象、たとえば雹や地震などにも適用可能である。その場合、積乱雲の発達の度合いと相関のある値に対応するものがあればそれを利用すればよい。
また、本実施の形態では、概して「発雷」予測と称したが、訓練データへの正解ラベル付与において、「発雷」を雲放電（いわゆる雲間雷）や、対地放電（いわゆる対地雷／落雷）、または、正極雷、負極雷などに限定することで、それらに限定した予測も可能となる。
訓練データおよび予測時の入力データでは気象データをその要素としたが、実際はそのデータを観測した地域の特徴や、その時刻、日時または季節なども要素となりうる。
同様に、その時刻、その領域、および時間軸での前後、その周辺地域のデータに加えて、それらデータ間でのなんらかの演算結果（たとえば差分など）も要素となりうる。
このように本発明の実施の形態においては、運用を安価に抑えるために、安価に入手可能なデータのみを用いて予測を行っている。また、発雷の始まりを予測するために、雷現況情報に頼らずに気象データのみから予測を行っている。
また、高い精度で予測するために、時間精度、位置精度の高いデータを中心に入力として使用している。
また、機械学習を正例と負例の両方に対して効率よく行うために、前処理で、訓練データから発雷しないエントリを減らし、訓練データのバランスを良くしている。
また、汎化性能を上げるためにＳＶＭを採用し、そしてリードタイムをかせぐために、パターン変化予測を合わせて使用している。
以上説明した本発明の実施の形態によれば、機械学習後の予測において雷データを必要としないので、高価な雷センサの設置が必要がなく、また、雷現況情報の受信契約をする必要がない。
また、機械学習後の予測において雷データを参考にしないので、観測した発雷を頼りに次を予測する手法と違い、その雷雲の最初の発雷を予測できる可能性がある。
また、一般的に安価に入手可能な気象データのみを入力としているので、独自のレーダなどを設置する必要がない。
また、発雷予測に用いるデータの代表的なものとして気象レーダによるエコー値があるが、このデータは現在１０分間隔で配信されており、位置精度も１〜２．５ｋｍ単位なので、雷も同様の精度で直前に正確に予測することができる。
また、予測対象時刻の前後、予測対象領域の周辺の気象データも利用するので、隣の領域で発生した雷雲による対象領域への落雷なども予測することができる。
また、訓練データのバランスをとるための手段を提供しているので、機械学習時に正例と負例をバランスよく学習することができ、結果として精度が向上する。
また、訓練データのバランスをとる際に、積乱雲の発達の度合いという発雷に直接的なデータに沿ってエントリ数を調整するので、価値の高いエントリを重点的に学習することができ、結果として分類器の精度が向上する。
また、機械学習手法としてＳＶＭを採用しているので、汎化性の高い分類が可能になる。
また、発雷を予測する前にパターン変化予測を行っているので、予測のリードタイムをより稼ぐことができる。
本発明の第１の実施の形態を説明するための全体の処理フローを示す。 本発明の第１の実施の形態を説明するための学習フローを示す。 本発明の第１の実施の形態を説明するための予測フローを示す。 本実施の第１の形態の処理フローにおける、各データと各処理との関連を説明するための説明図を示す。 気象データの一例を示す。 訓練データの一例を示す。 機械学習における足切り処理を説明するための処理フローを示す。 分類器を構成する超平面の概念図を示す。 メッシュ領域を説明するための説明図を示す。 発雷予測における足切り処理を説明するための処理フローを示す。 本発明の第２の実施の形態を説明するための全体の処理フローを示す。
符号の説明
１…過去気象データＤＢ
２…過去の雷データ
３…過去の気象データ
４…訓練データ
５…学習結果
６…気象データ
７…分類器
８…予測結果

Claims (8)

  1. メッシュ状に区切られた複数の領域ごとに発雷を直前に予測するための発雷予測装置において、
    前記領域のそれぞれごとに過去の時系列に沿って気象状況を記録した気象データに基づいて生成されたエントリと、
    前記エントリの総数において積乱雲の発達の度合いと正相関のある値が所定の閾値未満のエントリを除外することにより足切りして生成した訓練データと、
    前記訓練データを用いてコンピュータにより機械学習を実行して得た学習結果に基づいて構成され、現在の気象データにおける前記積乱雲の発達の度合いと正相関のある値が前記閾値未満である場合には、発雷可能性無しと判断し、当該値が前記閾値以上である場合には、前記現在の気象データに対して、前記学習結果を用いて発雷を予測する分類器と、
    を備え、
    前記訓練データと正解データとの対応付けにおいて、
    一つの前記領域に対して隣接する他の領域と、時間軸上で前後に隣接する他の領域の過去の気象データと、が共に前記正解データが多対１対応として前記対応付けされている
    ことを特徴とする発雷予測装置。
  2. メッシュ状に区切られた複数の領域ごとに発雷を直前に予測するための発雷予測装置において、
    前記領域のそれぞれごとに過去の時系列に沿って気象状況を記録した気象データに基づいて生成されたエントリと、
    前記エントリの総数において積乱雲の発達の度合いと正相関のある値が所定の閾値未満のエントリを除外することにより足切りして生成した訓練データと、
    前記訓練データを用いてコンピュータにより機械学習を実行して得た学習結果に基づいて構成され、現在の気象データにおける前記積乱雲の発達の度合いと正相関のある値が前記閾値未満である場合には、発雷可能性無しと判断し、当該値が前記閾値以上である場合には、前記現在の気象データに対して、前記学習結果を用いて発雷を予測する分類器と、
    を備え、
    現在の気象データの一部もしくは全部にパターン変化予測を適用し、その予測結果を前記分類器へ入力する
    ことを特徴とする発雷予測装置。
  3. 前記機械学習の手法としてＳＶＭ（Support Vector Machine）を用いること
    を特徴とする請求項１または２に記載の発雷予測装置。
  4. メッシュ状に区切られた複数の領域ごとに発雷を直前に予測するための発雷予測方法において、
    前記領域のそれぞれごとに過去の時系列に沿って気象状況を記録した気象データに基づいたエントリを生成するステップと、
    前記エントリの総数において積乱雲の発達の度合いと正相関のある値が所定の閾値未満のエントリを除外することにより足切りして訓練データを生成するステップと、
    前記訓練データを用いてコンピュータにより機械学習を実行して得た学習結果に基づいて、現在の気象データにおける前記積乱雲の発達の度合いと正相関のある値が前記閾値未満である場合には、発雷可能性無しと判断し、当該値が前記閾値以上である場合には、前記現在の気象データに対して、前記学習結果を用いて発雷を予測するための分類器を構成するステップと、
    を有し、
    前記訓練データと正解データとの対応付けにおいて、
    一つの前記領域に対して隣接する他の領域と、時間軸上で前後に隣接する他の領域の過去の気象データと、が共に前記正解データが多対１対応として前記対応付けされている
    ことを特徴とする発雷予測方法。
  5. メッシュ状に区切られた複数の領域ごとに発雷を直前に予測するための発雷予測方法において、
    前記領域のそれぞれごとに過去の時系列に沿って気象状況を記録した気象データに基づいたエントリを生成するステップと、
    前記エントリの総数において積乱雲の発達の度合いと正相関のある値が所定の閾値未満のエントリを除外することにより足切りして訓練データを生成するステップと、
    前記訓練データを用いてコンピュータにより機械学習を実行して得た学習結果に基づいて、現在の気象データにおける前記積乱雲の発達の度合いと正相関のある値が前記閾値未満である場合には、発雷可能性無しと判断し、当該値が前記閾値以上である場合には、前記現在の気象データに対して、前記学習結果を用いて発雷を予測するための分類器を構成するステップと、
    を有し、
    現在の気象データの一部もしくは全部にパターン変化予測を適用し、その予測結果を前記分類器へ入力する
    ことを特徴とする発雷予測方法。
  6. 前記機械学習の手法としてＳＶＭ（Support Vector Machine）を用いること
    を特徴とする請求項４または５に記載の発雷予測方法。
  7. メッシュ状に区切られた複数の領域ごとに発雷を直前にコンピュータを用いて予測させるための発雷予測プログラムであって、
    前記領域のそれぞれごとに過去の時系列に沿って気象状況を記録した気象データに基づいたエントリを生成するステップと、
    前記エントリの総数において積乱雲の発達の度合いと正相関のある値が所定の閾値未満のエントリを除外することにより足切りして訓練データを生成するステップと、
    前記訓練データを用いてコンピュータにより機械学習を実行して得た学習結果に基づいて、現在の気象データにおける前記積乱雲の発達の度合いと正相関のある値が前記閾値未満である場合には、発雷可能性無しと判断し、当該値が前記閾値以上である場合には、前記現在の気象データに対して、前記学習結果を用いて発雷を予測するための分類器を構成するステップと、
    をコンピュータに実行させ、
    前記訓練データと正解データとの対応付けにおいて、
    一つの前記領域に対して隣接する他の領域と、時間軸上で前後に隣接する他の領域の過去の気象データと、が共に前記正解データが多対１対応として前記対応付けされている
    ことを特徴とする発雷予測プログラム。
  8. メッシュ状に区切られた複数の領域ごとに発雷を直前にコンピュータを用いて予測させるための発雷予測プログラムであって、
    前記領域のそれぞれごとに過去の時系列に沿って気象状況を記録した気象データに基づいたエントリを生成するステップと、
    前記エントリの総数において積乱雲の発達の度合いと正相関のある値が所定の閾値未満のエントリを除外することにより足切りして訓練データを生成するステップと、
    前記訓練データを用いてコンピュータにより機械学習を実行して得た学習結果に基づいて、現在の気象データにおける前記積乱雲の発達の度合いと正相関のある値が前記閾値未満である場合には、発雷可能性無しと判断し、当該値が前記閾値以上である場合には、前記現在の気象データに対して、前記学習結果を用いて発雷を予測するための分類器を構成するステップと、
    をコンピュータに実行させ、
    現在の気象データの一部もしくは全部にパターン変化予測を適用し、その予測結果を前記分類器へ入力する
    ことを特徴とする発雷予測プログラム。
JP2008031984A 2008-02-13 2008-02-13 発雷予測装置およびその方法、プログラム Active JP5090954B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2008031984A JP5090954B2 (ja) 2008-02-13 2008-02-13 発雷予測装置およびその方法、プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2008031984A JP5090954B2 (ja) 2008-02-13 2008-02-13 発雷予測装置およびその方法、プログラム

Publications (2)

Publication Number Publication Date
JP2009192311A JP2009192311A (ja) 2009-08-27
JP5090954B2 true JP5090954B2 (ja) 2012-12-05

Family

ID=41074468

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2008031984A Active JP5090954B2 (ja) 2008-02-13 2008-02-13 発雷予測装置およびその方法、プログラム

Country Status (1)

Country Link
JP (1) JP5090954B2 (ja)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6707016B2 (ja) * 2016-11-25 2020-06-10 株式会社日立ビルシステム エレベータ制御装置、及び制御情報生成装置
JP2019045403A (ja) * 2017-09-06 2019-03-22 国立研究開発法人宇宙航空研究開発機構 雷脅威情報の提供装置、雷脅威情報の提供方法及びプログラム
JP6994735B2 (ja) * 2018-02-08 2022-01-14 国立研究開発法人防災科学技術研究所 雷危険度判定装置
JP6949332B2 (ja) * 2018-02-08 2021-10-13 国立研究開発法人防災科学技術研究所 雷危険度判定装置
CN110717608A (zh) * 2018-06-27 2020-01-21 阿里巴巴集团控股有限公司 数据预测方法和数据预测装置
JPWO2020183862A1 (ja) * 2019-03-12 2021-03-18 株式会社東芝 発雷推定装置、システムおよび方法
CN110989040B (zh) * 2019-11-29 2021-11-30 张烨方 一种基于切片处理的人工智能雷电临近预警方法及***
CN111913048B (zh) * 2020-06-15 2023-04-28 宁波大学 一种自动告警的智能避雷***
CN113780377B (zh) * 2021-08-26 2024-01-19 重庆理工大学 基于物联网数据在线学习的降雨等级预测方法及***
CN115294745B (zh) * 2022-05-23 2023-09-29 电子科技大学 一种基于神经网络与数据差分的锂电池热失控分层预警方法
CN115494507B (zh) * 2022-11-21 2023-02-14 南京气象科技创新研究院 基于星载双频降水雷达和微波成像仪的闪电识别方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001201576A (ja) * 2000-01-18 2001-07-27 Nippon Telegr & Teleph Corp <Ntt> 気象画像検索方法および装置およびこの方法を記録した記録媒体
JP2003090887A (ja) * 2001-09-20 2003-03-28 Ffc:Kk 落雷による瞬時電圧低下予測システムおよび予測方法
JP4723771B2 (ja) * 2001-09-25 2011-07-13 日本無線株式会社 発雷判定システム及び発雷判定方法
JP2005181004A (ja) * 2003-12-17 2005-07-07 Tokyo Electric Power Co Inc:The 雷事故予報通知方法及び装置
JP4480630B2 (ja) * 2005-06-06 2010-06-16 日本電信電話株式会社 雷位置予測方法及び雷位置予測システム
JP4431988B2 (ja) * 2005-07-15 2010-03-17 オムロン株式会社 知識作成装置および知識作成方法
JP4054046B2 (ja) * 2006-03-10 2008-02-27 日本電信電話株式会社 意見性判定データベース作成方法及び装置及びプログラム及び意見性判定方法及び装置及びプログラム及びコンピュータ読み取り可能な記録媒体

Also Published As

Publication number Publication date
JP2009192311A (ja) 2009-08-27

Similar Documents

Publication Publication Date Title
JP5090954B2 (ja) 発雷予測装置およびその方法、プログラム
JP5090955B2 (ja) 発雷予測装置およびその方法、プログラム
Ohba et al. Differences in climate change impacts between weather patterns: possible effects on spatial heterogeneous changes in future extreme rainfall
US11598900B2 (en) Weather-driven multi-category infrastructure impact forecasting
Almeida et al. PV power forecast using a nonparametric PV model
Thorarinsdottir et al. Probabilistic forecasts of wind speed: Ensemble model output statistics by using heteroscedastic censored regression
Carneiro et al. Review on photovoltaic power and solar resource forecasting: current status and trends
KR101761707B1 (ko) 능동형 정보수집 스크립트 및 수치모형을 이용한 태풍해일 자동 예측 방법
US9945980B2 (en) System, method and program product for providing infrastructure centric weather forecasts
US20150253463A1 (en) Generating an Ensemble of Forecasting Models
Chen et al. A statistical downscaling model for forecasting summer rainfall in China from DEMETER hindcast datasets
US20130085673A1 (en) System, method and program product for providing populace centric weather forecasts
Khan et al. Prediction of heat waves over Pakistan using support vector machine algorithm in the context of climate change
CN113496310A (zh) 基于深度学习模型的大气污染物预测方法和***
Ganske et al. Identification of extreme storm surges with high-impact potential along the German North Sea coastline
Chowdhury et al. Evaluation of CMIP5 and CORDEX derived wave climate in Indian Ocean
Optis et al. Quantifying sensitivity in numerical weather prediction‐modeled offshore wind speeds through an ensemble modeling approach
KR102477509B1 (ko) 기상 예측 정보 생성 방법 및 이를 수행하기 위한 컴퓨팅 장치
Pai et al. Long range forecast on south west monsoon rainfall using artificial neural networks based on clustering approach
CN115391746B (zh) 针对气象要素数据的插值方法、装置、电子设备及介质
Yang et al. Scenario-based hazard trees for depicting resolution of hurricane uncertainty over time
Okada et al. Development of a wind power ramp forecasting system via meteorological pattern analysis
KR102168427B1 (ko) 지역별 공간 특성이 반영되는 규모 상세화 방법
Barthelmie et al. Challenges in predicting power output from offshore wind farms
Dorji et al. Predicting summer monsoon of Bhutan based on SST and teleconnection indices

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20100308

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20120118

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20120214

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20120412

RD03 Notification of appointment of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7423

Effective date: 20120509

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20120511

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20120911

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20120913

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20150921

Year of fee payment: 3

R150 Certificate of patent or registration of utility model

Ref document number: 5090954

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

Free format text: JAPANESE INTERMEDIATE CODE: R150

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350