JP7374010B2 - 風速分布推定装置及び風速分布推定方法 - Google Patents

Description

本発明は、風速分布推定装置及び風速分布推定方法に関する。

従来より、例えば高層建築物の周辺におけるビル風等の風環境を評価することが行われている。風環境は、例えば風洞実験や数値流体解析により、風速分布として評価されることがある。
風洞実験においては、評価の対象となる建物を再現した模型に風を当て、模型の周りの風速等を模型に設けられたセンサで測定することにより、建物周辺の風環境、風速分布が評価される。特許文献１には、風洞実験時に使用される風速測定装置が開示されている。
数値流体解析においては、コンピュータ上に評価の対象となる建物をモデリングし、これに対して、離散化・モデル化された流体運動に関する方程式を適用することによって、風速の近似解が計算される。特許文献２には、流体解析の結果を基にした風環境予測方法が開示されている。

一般に、建物の周りに形成される風速分布は、当該建物の形状や風向以外に、当該建物の周辺の建物群にも影響される。このため、風速分布を評価する領域を広くすればするほど、風速分布を正確に評価することができる。
しかし、風洞実験においては、評価対象領域が広大になると、相応の大きさの風洞装置や、多くの建物の模型が必要となる。
また、数値流体解析においては、一般に市街地を対象とした解析では大規模な３次元計算となるため、計算時間が相応にかかる。したがって、評価対象領域が広大になると、非常に多くの計算時間を要する。
このように、風洞実験や数値流体解析においては、広い領域の風速分布を、コストや計算時間等の観点で容易に、かつ正確に、評価することが難しい。

上記のような風洞実験や数値流体解析に加え、特に近年、ニューラルネットワークにより風速分布を評価する試みが行われている。
例えば特許文献３には、ニューラルネットワークによる風速分布の評価に関する、建物周辺の風速分布推定装置が開示されている。
特許文献３の風速分布推定装置は、推定する高さ情報を表わす高さ画像と、建物の断面形状情報を表わす形状画像と、風向き情報を表わす風向き画像とを入力する入力手段と、建物周辺の風速分布を表す画像である風速分布画像を作成する風速分布画像作成手段とを備えている。風速分布画像作成手段は、高さ画像と形状画像と風向き画像とを入力画像とし、風速分布画像を出力画像とする畳み込みニューラルネットワークから構成されている。
ニューラルネットワークを用いた場合には、汎用的なコンピュータで評価装置を実現可能であり、風洞実験のような大掛かりな装置は不要である。また、一般に数値流体解析より計算時間が高速である。このため、風洞実験や数値流体解析と比べると、コストや計算時間の観点においては、広い領域の風速分布を、より容易に評価することができる可能性がある。

しかし、ニューラルネットワークにより広い領域の風速分布を評価しようとした場合においては、機械学習器を学習させるための学習データ、すなわち、広い領域における風速分布を計測した実験データ（例えば、計測データ、数値流体解析による詳細な解析結果）を、十分に用意するのが難しい。実験データの数が少ない場合であっても、評価の対象となる領域が狭小であれば、例えば実験データを当該領域の大きさに合わせて任意の場所で切り出すことによって、学習データを増やすことができる。しかし、評価対象領域が広くなると、切り出すことで生成される学習データの数も低減する。
したがって、ニューラルネットワークを用いた場合には、広い領域の風速分布を評価するに際し、学習データを十分に用意できないために機械学習器を十分に学習させることができず、評価精度が低減する可能性がある。

広い評価対象領域を複数の狭小の個別領域に分割し、その各々に対して風速分布を評価して、評価結果を結合することにより、広い領域の風速分布を評価することも、理論的には可能である。
この場合においては、各個別領域における風速分布は、それぞれ独立して評価される。単純に境界線によって評価対象領域を分割すると、境界線を挟んだ２つの地点の各々は異なる評価対象領域に属するため、境界線を挟んだ地点間で風速分布の評価値の差が大きくなる可能性がある。したがって、評価結果を結合する際に、境界線において個別領域間で風速分布が連続しない。
特に、各個別領域の風速分布を評価するに際し、境界線すなわち個別領域の外縁よりも外側の建物に関する情報は、評価時には与えられないために、考慮されない。したがってこれらの建物の影響は、評価に反映されない。このため、個別領域の外縁近傍においては、風速分布の推定精度が低減しがちである。
このような理由に因り、単純に境界線によって評価対象領域を分割した場合には、境界線近傍における評価精度が低減する。

特開２０１４－４８１２０号公報 特開２０１８－１６５８８４号公報 特開２０１８－４５６８号公報

本発明が解決しようとする課題は、広い領域における風速分布を、容易に、かつ精度よく推定可能な、風速分布推定装置及び風速分布推定方法を提供することである。

本発明は、上記課題を解決するため、以下の手段を採用する。すなわち、本発明は、建物周辺の風速分布を推定する、風速分布推定装置であって、前記風速分布の推定対象となる全体領域を、互いに重複する重複部を有するように、複数の個別領域へと分割する、全体領域分割部と、複数の前記個別領域内の前記風速分布を推定する、風速分布推定部と、前記個別領域の各々に対し、前記重複部に含まれる地点である重複地点ごとに、個別に重みが設定されている、重み設定部と、前記重複地点の、前記重みと前記風速分布の推定結果を基に、当該重複地点の風速が調整された推定結果を算出する、推定結果調整部と、前記調整された推定結果を基に、複数の前記個別領域内の前記風速分布の前記推定結果を結合して、前記全体領域の前記風速分布の推定結果を生成する、推定結果結合部と、を備えている、風速分布推定装置を提供する。
また、本発明は、建物周辺の風速分布を推定する、風速分布推定方法であって、前記風速分布の推定対象となる全体領域を、互いに重複する重複部を有するように、複数の個別領域へと分割し、複数の前記個別領域内の前記風速分布を推定し、前記個別領域の各々に対し、前記重複部に含まれる地点である重複地点ごとに、個別に設定された重みと、前記風速分布の推定結果を基に、当該重複地点の風速が調整された推定結果を算出し、前記調整された推定結果を基に、複数の前記個別領域内の前記風速分布の前記推定結果を結合して、前記全体領域の前記風速分布の推定結果を生成する、風速分布推定方法を提供する。
上記のような構成によれば、風速分布の推定対象となる全体領域が複数の個別領域へと分割され、これら複数の個別領域の各々に対して風速分布が推定され、複数の推定結果が結合されて、全体領域の風速分布の推定結果が生成される。
すなわち、広い領域を小さい個別領域へと分割し、この各々に対して風速分布を推定するため、比較的容易に、広い領域の風速分布を推定可能である。
ここで、全体領域は、互いに重複する重複部を有するように、複数の個別領域へと分割される。すなわち、全体領域を個別領域へと分割するに際し、単純に一つの境界線で区画せず、隣接する個別領域が互いに共通の重複部を有するように分割する。この状態において、個別領域の推定結果を全体領域の推定結果として結合する際に、個別領域の各々に対して重複地点ごとに適切に設定された重みを基に、各個別領域の推定結果が調整される。このため、個別領域間の不連続性が緩和される。
更に、重複部は、互いに隣接する複数の個別領域に、異なる方向から含まれている。このため、各個別領域において外縁近傍に位置する重複部の推定精度が、外縁より外側に位置する建物の情報の欠落により低減しているとしても、これらの建物は、当該重複部を挟んで隣接する他の個別領域内に位置しているため、上記の欠落した情報は、この隣接する個別領域における、風速分布の推定に反映されている。したがって、個別領域の推定結果を全体領域の推定結果として結合する際に、重複部の周囲に位置する全ての建物に関する情報が、重複部の推定結果に反映されて調整される。これにより、単純に評価対象領域を、重複部を設けずに境界線で分割した場合に比べると、個別領域の外縁近傍の推定精度の低下を抑制可能である。
上記のような理由に因り、広い領域のほぼ全域において、風速分布の推定精度を高めることができる。

本発明の一態様においては、前記推定結果調整部は、前記重複地点の各々に対し、当該重複地点に設定された前記重みの総和を計算し、当該重複地点に設定された前記重みの各々に対して当該重みを前記重みの総和により除算した後に当該重複地点における前記推定結果を乗算した乗算値を計算し、当該乗算値の総和を計算することで、前記重複地点の前記調整された推定結果を算出する。
上記のような構成によれば、上記のような風速分布推定装置を適切に実現可能である。

本発明によれば、広い領域における風速分布を、容易に、かつ精度よく推定可能な、風速分布推定装置及び風速分布推定方法を提供することができる。

本発明の実施形態における風速分布推定装置のブロック図である。 上記風速分布推定装置における機械学習器の模式的な説明図である。 上記機械学習器の入力となる建物情報データの説明図である。 上記風速分布推定装置における全体領域分割部の説明図である。 上記機械学習器の学習が終了した学習モデルの模式的な説明図である。 上記風速分布推定装置における重み設定部において設定される重みの説明図である。 上記風速分布推定装置を用いた風速分布推定方法のフローチャートである。 上記風速分布推定装置における風速推定結果である。

本発明は、複数の建物群を含む市街地を対象とする、風速情報と風向情報を含む市街地風環境の推定装置、およびその推定方法である。具体的には、市街地を形成する分割エリアごとに、風速情報と風向情報を含む詳細な風速分布を取得し、各分割エリアを一部重複させることで、市街地における詳細な風速分布を推定する。
以下、本発明の実施形態について図面を参照して詳細に説明する。
図１は、本実施形態における風速分布推定装置のブロック図である。
本実施形態における風速分布推定装置１は、上記のように、任意の建物において、建物周辺の風速分布を推定する装置である。風速分布推定装置１は、例えばパーソナルコンピュータ等の情報処理装置である。風速分布推定装置１は、学習部２０、風速分布推定部２１、及び学習モデルパラメータ記憶部２２を備えている。風速分布推定装置１は、更に、全体領域分割部５０、重み設定部５１、推定結果調整部５２、及び推定結果結合部５３を備えている。
これら風速分布推定装置１の構成要素のうち、学習部２０、風速分布推定部２１、全体領域分割部５０、推定結果調整部５２、及び推定結果結合部５３は、例えば上記情報処理装置内のＣＰＵにより実行されるソフトウェア、プログラムであってよい。また、学習モデルパラメータ記憶部２２と重み設定部５１は、上記情報処理装置内外に設けられた半導体メモリや磁気ディスクなどの記憶装置により実現されていてよい。学習部２０は、例えばＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）によって処理される。

後に説明するように、風速分布推定部２１は、建物の形状情報を含む建物情報データ３１と風向データ３２が入力されると、これに対応する風速分布を推定する。この推定を効果的に行うために、風速分布推定部２１は、特に本実施形態においては、学習部２０に設けられた機械学習器２４を機械学習することにより生成された学習モデル２５を備えている。より詳細には、学習部２０は、学習データ２を機械学習器２４に入力して機械学習を行い、風速分布の推定に関する学習モデルパラメータを生成する。
すなわち、風速分布推定装置１は大別して、風速分布の学習と、風速分布の推定の、２通りの動作を行う。説明を簡単にするために、以下ではまず、風速分布の学習時における、風速分布推定装置１の各構成要素の説明をした後に、風速分布の推定時での各構成要素の挙動について説明する。
なお、風速分布推定装置１は、後に説明するように、例えば一辺が２５０ｍ以上の、広い領域の風速分布を推定する。このような広い領域の風速分布を精度よく推定するために、風速分布推定装置１は、風速分布の推定時には、広い領域（全体領域）を複数のより小さい個別領域に分割し、各個別領域において風速分布を推定して、これらの推定結果を結合する。すなわち、風速分布の推定時には、風速分布推定装置１には広い全体領域が入力されるが、実際に風速分布を推定する学習モデル２５には、分割された個別領域が入力される。したがって、機械学習器２４には、後に個別領域として説明される、例えば一辺が２５０ｍより小さい領域に相当する情報が、学習データ２として入力される。

風速分布の学習時には、上記のように、例えば一辺が２５０ｍより小さい領域に相当する情報である学習データ２を基に、学習部２０が機械学習器２４を機械学習させる。この機械学習器２４が深層学習されることにより、学習モデル２５が生成される。図２は、機械学習器２４の模式的な説明図である。学習データ２は、建物情報データ３、風向データ４、及び教師データとしての風速分布データ５を備えている。
建物情報データ３は、建物の外形に関する情報を有するデータであり、建物形状画像６と建物高さ画像７を備えている。図３（ａ）と図３（ｂ）は、それぞれ、建物形状画像６と建物高さ画像７の説明図である。
建物形状画像６は、任意の地域を俯瞰した状態における、建物の形状を表現する画像である。より詳細には、建物形状画像６においては、建物に相当する部分である建物部分６ａ内の画素と、建物に相当しない部分である非建物部分６ｂ内の画素とが、異なる画素値を有するように設定されている。本実施形態においては、建物形状画像６は１チャンネルの画像であり、建物部分６ａと非建物部分６ｂは、それぞれ黒と例えば白等の画素値の最大値に相当する色、例えば画素値（輝度値）が８ビットで表現される場合においては０と２５５で表現されている。
以降、この建物形状画像６をはじめとした本実施形態における各画像において、横に延在する軸線方向をＸ方向、水平面内でＸ方向に直交して縦に延在する軸線方向をＹ方向、及び水平面に直交する軸線方向をＺ方向と呼称する。

建物高さ画像７は、建物形状画像６内に表現されたものと同一の地域を俯瞰した状態における、建物の高さを表現する画像である。より詳細には、建物高さ画像７においては、例えば道路や地表等の建物に相当しない部分である非建物部分７ｂを高さが０ｍの基準面としたときに、建物に相当する建物部分７ａ内の画素が、当該画素が含まれる建物の高さに相当する画素値を有するように設定されている。本実施形態においては、建物高さ画像７は１チャンネルの画像であり、非建物部分７ｂは黒、例えば０で表現されている。また、建物部分７ａは中間色、例えば１以上の画素値で表現されている。特に本実施形態においては、建物部分７ａ内の画素は、画素値が、当該画素が含まれる建物の高さと同じ値となるように設定されている。例えば画素値が８ビットで表現される場合においては、高さが１０ｍの建物に相当する建物部分７ａ内の画素は画素値が１０となり、高さが３５ｍの建物に相当する建物部分７ａ内の画素は画素値が３５となっている。高さが２５５ｍの建物に相当する建物部分７ａ内の画素は、画素値が最大値すなわち２５５となっている。
建物高さ画像７は、上記のように建物形状画像６内に表現されたものと同一の地域を表現する画像であるため、建物形状画像６と同じ解像度を備えている。
風速分布推定装置１において風速分布を推定する対象として、例えば画素値が８ビットで表現される場合において、２５５ｍを超える高層建築物が多いことが想定される場合には、例えば０から最も高い建物の高さの値の範囲を、画素値の範囲すなわち０から２５５の範囲へと変換し、これを建物高さ画像７の画素値として用いてもよい。

風向データ４は、風向に関する情報を有するデータである。より詳細には、風向データ４は、既に説明した建物情報データ３内に表現された地域内の建物あるいは建物群に対して、地域外から吹き込む風の風向を表現するデータである。風向は、建物情報データ３における地域内の地点に依らず、地域内の全ての地点において一意に定められている。
風向データ４は、上記のように風向を表現するものであり、なおかつ全ての地点において値が一意であるため、１つのベクトルと見做すことができる。風向データ４は、このベクトルを建物情報データ３におけるＸ方向及びＹ方向の各々に成分分解した際の、Ｘ方向における成分値を１チャンネルの画像として表現した風向Ｘ成分画像８と、Ｙ方向における成分値を１チャンネルの画像として表現した風向Ｙ成分画像９を備えている。例えば、風向Ｘ成分画像８は、ベクトルが成分分解されたＸ方向上での成分値に対応する画素値に、全画素の画素値が設定された画像とすることができる。また、風向Ｙ成分画像９は、ベクトルが成分分解されたＹ方向上での成分値に対応する画素値に、全画素の画素値が設定された画像とすることができる。

風向を、例えばある２次元の座標系において、原点を上流としたときの下流への風の吹く方向すなわちベクトルと考えた場合には、これを成分分解して得られた各軸線方向における成分値は、ベクトルの方向によっては負の値を取り得る。このため、風向Ｘ成分画像８及び風向Ｙ成分画像９において風向を表現するに際し、上記のように負の値を取り得る、成分分解して得られた成分値を、０から画素値の最大値までの正の値の範囲に、例えば画素値が８ビットで表現される場合においては、０から２５５の値の画素値の範囲に変換する必要がある。本実施形態においては、成分値が０の場合には画素値を画素値の取り得る値の範囲の中心値、例えば１２８とし、正の値の場合には画素値を１２９から２５５までの範囲内の値とし、及び負の値の場合には画素値を０から１２７までの範囲内の値としている。
例えば、建物情報データ３におけるＸ方向及びＹ方向により形成される座標系において、西からの風の場合には、原点を上流とするとＸ軸上の正の方向への風向となるため、Ｘ方向上での成分値が正の値となりＹ方向上での成分値が０となる。したがって、風向Ｘ成分画像８は、全ての画素の画素値が画素値の最大値、例えば２５５に設定された、例えば白一色の画像となり得る。また、風向Ｙ成分画像９は、全ての画素の画素値が画素値の取り得る値の範囲の中心値、例えば１２８に設定された、特定の中間色一色の画像となり得る。逆に、東からの風の場合には、原点を上流とするとＸ軸上の負の方向への風向となるため、Ｘ方向上での成分値が負の値となりＹ方向上での成分値が０となる。したがって、風向Ｘ成分画像８は全ての画素の画素値が画素値の最小値、例えば０に設定された、黒一色の画像となり、風向Ｙ成分画像９は全ての画素の画素値が例えば１２８に設定された、特定の中間色一色の画像となり得る。

風速分布データ５は、建物情報データ３内に表現された地域における、風速の分布に関する情報、すなわち建物の周囲の各地点における風速に関するデータである。風速分布データ５は、建物情報データ３と風向データ４に対応して得られるデータであり、建物の形状や高さに関する情報と、建物情報データ３内に表現された地域に吹き込む風に関する情報が与えられた際に、これらを基に一意に決定される。
特に本実施形態においては、風速分布データ５は各地点における風向に関する情報をも含む。このために、風速分布データ５が風向に関する情報を保持し得るように、風速分布データ５は、それぞれが１チャンネルの画像である、風速分布Ｘ成分画像１０、風速分布Ｙ成分画像１１、及び風速分布Ｚ成分画像１２を備えている。風速分布Ｘ成分画像１０は、各画素の画素値が、建物情報データ３内に表現された地域内の当該画素に対応する地点における風向及び風速を表現するベクトルを、建物情報データ３におけるＸ方向とＹ方向、及びＺ方向の各々に成分分解した際の、Ｘ方向における成分値に相当する値に設定された画像である。風速分布Ｙ成分画像１１及び風速分布Ｚ成分画像１２は、同様に、各画素の画素値が、Ｙ方向及びＺ方向の各々における成分値に相当する値に設定された画像である。各画素に対応する地点が建物の場合には、当該画素の画素値は無風に相当する値に設定されている。

上記のように、風速分布データ５は風向に関する情報を含むため、風向データ４の場合と同様に、風速の各軸線方向における成分値は必ずしも正の値とはならず、風向によっては、すなわち正の値となり得る方向とは反対側の方向に風が吹く場合には、成分値は負の値となる。画像においてこのような正負の値を表現し得るように、本実施形態においては、想定し得る最大風速の正値を画素値の最大値、例えば画素値が８ビットで表現される場合においては２５５に対応させ、無風すなわち風速ゼロの場合を画素値の取り得る値の範囲の中心値、例えば１２８に対応させ、更に、最大風速の負値を画素値の最小値より１大きい値、例えば１に対応させている。建物形状画像６の建物部分６ａに相当する画素は、画素値の最小値、例えば０に設定される。このうえで、最大風速の負値から最大風速の正値までの範囲内の風速を画素値の取り得る値の範囲の最小値より１大きい値から最大値までの値に対応付けし、この対応関係に基づいて、各画素の画素値が、当該画素において情報として保持するべき風速に対応する値となるように設定されている。
学習データ２の各画像は、本実施形態においては実際には、学習部２０に入力される際に、各画素の値を画素値の最大値、例えば２５５により除算して、０から１までの値の範囲へと基準化されて用いられる。

機械学習器２４を機械学習する際に、建物情報データ３と風向データ４は機械学習器２４への入力として使用される。この際の機械学習器２４の出力である学習時推定結果１５は、建物情報データ３と風向データ４に対応する風速分布データ５と比較され、この比較結果を基に機械学習器２４が機械学習される。このように、風速分布データ５は機械学習における正解値すなわち教師データとして使用され、機械学習器２４は風速分布データ５に近い学習時推定結果１５を出力するように学習される。
既に説明したように、建物情報データ３、風向データ４、及び教師データとしての風速分布データ５の各々は、画像である。したがって、風速分布データ５と比較される学習時推定結果１５も当然画像である。このため、本実施形態においては、機械学習器２４は、画像を入出力とした場合の処理と相性の良い全層畳み込みネットワーク（Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ、以下ＦＣＮと記載する）により実現されている。ＦＣＮは、以下に説明するように、全結合層を備えず、畳み込み層において処理、生成された特徴マップを直接、転置畳み込み層への入力とするものである。

図２に示されるように、機械学習器２４は、畳み込み処理部２７と転置畳み込み処理部２８を備えている。畳み込み処理部２７は、直列に接続された、複数の畳み込み層２７ａ、２７ｂ、２７ｃを備えている。転置畳み込み処理部２８は、同様に直列に接続された、複数の転置畳み込み層２８ｃ、２８ｂ、２８ａを備えている。模式的に示された図２においては、畳み込み層と転置畳み込み層の数はそれぞれ３となるように図示されているが、これら畳み込み層と転置畳み込み層の数は３に限られない。
学習部２０は、建物情報データ３と風向データ４を初段の畳み込み層２７ａへ入力する。既に説明したように、本実施形態においては、建物情報データ３の建物形状画像６と建物高さ画像７、及び風向データ４の風向Ｘ成分画像８と風向Ｙ成分画像９の各々は、１チャンネルの画像として実現されている。したがって、建物形状画像６、建物高さ画像７、風向Ｘ成分画像８、及び風向Ｙ成分画像９は、これら４枚の１チャンネルの画像が１枚の４チャンネルの画像として結合された学習時入力データ１４として、機械学習器２４へ入力される。

畳み込み層２７ａは、所定の数のフィルタを備えている。機械学習器２４は、各フィルタに対し、これを学習時入力データ１４上に位置付け、フィルタ内の学習時入力データ１４の各画素の画素値に対して、フィルタ内に画素位置に対応して設定された重みを付けて和を計算することで、畳み込みフィルタ処理を実行する。これにより、畳み込み層２７ａにおける１つの画素の画素値が演算される。機械学習器２４は、フィルタを学習時入力データ１４上で所定の解像度刻みで移動させつつ、このような畳み込みフィルタ処理を実行することで複数の画素値を演算し、これを並べて、フィルタに対応した１枚の画像を生成する。
機械学習器２４は、この処理を、全てのフィルタに対して実行し、フィルタの数に応じた特徴マップを生成する。
特徴マップに対しては、必要に応じて、バッチ正規化処理やプーリング処理、活性化関数が実行される。
畳み込み層２７ａにおいて生成された特徴マップは、次段の畳み込み層２７ｂの入力画像となる。

畳み込み層２７ｂにおいては、畳み込み層２７ａにおいて生成された特徴マップに対して、畳み込み層２７ａと同様に、畳み込みフィルタ処理が実行される。畳み込み層２７ｂは、所定の数のフィルタを備えており、これらを用いて畳み込みフィルタ処理を実行し、更に必要に応じてバッチ正規化処理やプーリング処理を実行することで、フィルタの数に応じた所定の数の特徴マップを生成する。
畳み込み層２７ｃにおいては、畳み込み層２７ｂにおいて生成された特徴マップに対して、畳み込みフィルタ処理が実行される。畳み込み層２７ｃは、所定の数のフィルタを備えており、これらを用いて畳み込みフィルタ処理を実行し、更に必要に応じてバッチ正規化処理やプーリング処理を実行することで、フィルタの数に応じた所定の数の特徴マップを生成する。
各畳み込み層２７ａ、２７ｂ、２７ｃにおけるフィルタの重みは、機械学習により調整される。
畳み込み層２７ｃにおいて生成された特徴マップは、転置畳み込み処理部２８の転置畳み込み層２８ｃへの入力となる。

転置畳み込み処理部２８は、畳み込み処理部２７と対称的な構造となっている。すなわち、学習時入力データ１４は畳み込み処理部２７により低次元に圧縮されたが、転置畳み込み処理部２８においては、低次元に圧縮された状態から拡大し、復元されるように動作する。より詳細には、畳み込み層２７ｃに対応する転置畳み込み処理を実行する転置畳み込み層２８ｃ、畳み込み層２７ｂに対応する転置畳み込み処理を実行する転置畳み込み層２８ｂ、及び畳み込み層２７ａに対応する転置畳み込み処理を実行する転置畳み込み層２８ａを順に経ることで、出力データが生成される。
転置畳み込み処理部２８すなわち機械学習器２４の出力データは、本実施形態においては、入力された学習時入力データ１４内の建物情報データ３と風向データ４に対応する、建物情報データ３内に表現された地域における風速、風向の学習時推定結果１５である。学習時推定結果１５は、風速分布データ５と同様に、建物情報データ３内に表現された地域内の各地点における、Ｘ方向、Ｙ方向、及びＺ方向の各々に対応して成分分解された風速、風向情報が格納された、３枚の１チャンネルの画像であり、これが１枚の３チャンネルの画像として出力される。

機械学習器２４では、学習時推定結果１５における推定結果が、入力された学習時入力データ１４に対応する風速分布データ５すなわち教師データに近い値となるように、機械学習が行われる。このために、学習部２０は、学習時入力データ１４に対応する風速分布データ５と、当該学習時入力データ１４を入力した際の出力である学習時推定結果１５を画素単位で比較して、例えば各画素間の画素値の差分の２乗誤差をコスト関数として計算する。
その上で、このコスト関数を小さくするように、誤差逆伝搬法等により、各フィルタの重みの値等を調整することで、機械学習器２４が機械学習される。
結果として、機械学習器２４は、学習時入力データ１４が入力されたときに、これに含まれる建物情報データ３と風向データ４に対応する風速分布データ５に近い学習時推定結果１５を出力するように学習される。

学習部２０は、学習が終了すると、調整が終了した各フィルタの重みの値等のパラメータを、学習モデルパラメータとして、学習モデルパラメータ記憶部２２に記憶する。学習モデルパラメータ記憶部２２に記憶された学習モデルパラメータは、後に説明する風速分布推定部２１において取得され、風速分布を推定する学習モデル２５が構築される。
すなわち、学習部２０は、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される、適切な学習パラメータが学習された学習済みの学習モデル２５を生成するものである。

次に、風速分布の推定時での各構成要素の挙動について説明する。
既に説明したように、風速分布推定装置１は、風速分布の推定時には、広い領域（全体領域）を複数の個別領域に分割し、各個別領域において風速分布を推定して、これらの推定結果を結合する。したがって、風速分布の推定時における風速分布推定装置１への入力データである推定時入力データ３０は、例えば一辺が２５０ｍ以上の、広い全体領域に相当する情報である。推定時入力データ３０は、実際に風速分布の推定対象となる地域及び風向が情報として格納された、建物情報データ３１と風向データ３２である。建物情報データ３１は、建物形状画像３３と建物高さ画像３４を備えており、これらの各々は、全体領域に対応するため画像がより大きい点を除けば、学習時に学習データ２として使用された建物形状画像６及び建物高さ画像７と同様に構成されている。風向データ３２は、風向Ｘ成分画像３５と風向Ｙ成分画像３６を備えており、これらの各々は、全体領域に対応するため画像がより大きい点を除けば、学習時に学習データ２として使用された風向Ｘ成分画像８及び風向Ｙ成分画像９と同様に構成されている。建物形状画像３３、建物高さ画像３４、風向Ｘ成分画像３５、及び風向Ｙ成分画像３６は、それぞれが１チャンネルの画像であり、推定時入力データ３０は、これら４枚の１チャンネルの画像が１枚の４チャンネルの画像として結合された画像データである。
推定時入力データ３０の各画像は、本実施形態においては実際には、学習時と同様に、風速分布推定部２１に入力される際に、各画素の値を画素値の最大値、例えば２５５により除算して、０から１までの値の範囲へと基準化されて用いられる。

全体領域分割部５０は、風速分布の推定対象となる全体領域を、互いに重複する重複部を有するように、複数の個別領域へと分割する。より正確には、全体領域分割部５０は、全体領域に相当する画像である推定時入力データ３０を、個別領域に相当する画像である個別入力データへと、個別領域が互いに重複するように分割する。
図４は、全体領域分割部５０の説明図である。説明を簡単にするために、全体領域ＧＲに相当する推定時入力データ３０は、解像度が横方向Ｘと縦方向Ｙの双方において２０画素であり、これから、解像度が横方向Ｘと縦方向Ｙの双方において８画素の、個別領域ＬＲに相当する個別入力データを切り出して分割する場合を説明する。実際には、推定時入力データ３０と個別入力データの双方は、上記よりも大きな解像度を備えている。
以下の説明においては、全体領域ＧＲと記載したときにはこれに対応する推定時入力データ３０をともに示し、個別領域ＬＲと記載したときにはこれに対応する個別入力データをともに示すものとする。また、全体領域ＧＲまたは個別領域ＬＲを画像としてみたときの、これら画像内の画素の位置を、当該画像の左上の画素を原点（０、０）としたときの座標値、すなわち（横方向Ｘにおける画素の座標値、縦方向Ｙにおける画素の座標値）として示す。

全体領域分割部５０は、まず、図４（ａ）に示されるように、個別領域ＬＲの左上の原点（０、０）に位置する画素を、全体領域ＧＲの原点（０、０）と一致させたときの個別領域ＬＲ１を、個別入力データとして、全体領域ＧＲすなわち推定時入力データ３０から切り出して分割する。
次に、全体領域分割部５０は、図４（ｂ）に示されるように、個別領域ＬＲ１から一定の、横方向Ｘのストライド（移動量、本実施形態においては４画素）だけ、個別領域ＬＲを横方向Ｘに移動させる。これにより、個別領域ＬＲの原点を、全体領域ＧＲの（４、０）に位置せしめて、この状態における個別領域ＬＲ２を、全体領域ＧＲから切り出して分割する。
横方向Ｘのストライドの大きさは、個別領域ＬＲの横方向Ｘの解像度よりも小さく設定されている。より詳細には、横方向Ｘのストライドの大きさは、個別領域ＬＲの横方向Ｘの解像度の半分以下とするのが望ましい。これにより、個別領域ＬＲ１と個別領域ＬＲ２は、互いに重複する重複部ＯＲ（ＯＲ１）を有するように、全体領域ＧＲから分割されている。
全体領域分割部５０は更に、図４（ｃ）に示されるように、個別領域ＬＲ２から横方向Ｘのストライドだけ、個別領域ＬＲを横方向Ｘに移動させ、この状態における個別領域ＬＲ３を、全体領域ＧＲから切り出して分割する。個別領域ＬＲ２と個別領域ＬＲ３は、互いに重複する重複部ＯＲ２を有するように、全体領域ＧＲから分割されている。
同様に、全体領域分割部５０は、図４（ｄ）に示されるように、個別領域ＬＲ３から横方向Ｘのストライドだけ、個別領域ＬＲを横方向Ｘに移動させ、この状態における個別領域ＬＲ４を、全体領域ＧＲから切り出して分割する。

図４（ｄ）に示されるように、全体領域ＧＲの最上段において、個別領域ＬＲの移動と分割が終了すると、全体領域分割部５０は、個別領域ＬＲを縦方向Ｙに移動させる。すなわち、全体領域分割部５０は、図４（ｅ）に示されるように、図４（ａ）に示される個別領域ＬＲ１から一定の、縦方向Ｙのストライド（本実施形態においては４画素）だけ、個別領域ＬＲを縦方向Ｙに移動させる。これにより、個別領域ＬＲの原点を、全体領域ＧＲの（０、４）に位置せしめて、この状態における個別領域ＬＲ５を、全体領域ＧＲから切り出して分割する。
縦方向Ｙのストライドの大きさは、個別領域ＬＲの縦方向Ｙの解像度よりも小さく設定されている。より詳細には、縦方向Ｙのストライドの大きさは、個別領域ＬＲの縦方向Ｙの解像度の半分以下とするのが望ましい。これにより、個別領域ＬＲ１と個別領域ＬＲ５は、互いに重複する重複部ＯＲ３を有するように、全体領域ＧＲから分割されている。
次に、全体領域分割部５０は、図４（ｆ）に示されるように、個別領域ＬＲ５から横方向Ｘのストライドだけ、個別領域ＬＲを横方向Ｘに移動させる。これにより、個別領域ＬＲの原点を、全体領域ＧＲの（４、４）に位置せしめて、この状態における個別領域ＬＲ６を、全体領域ＧＲから切り出して分割する。
個別領域ＬＲ５と個別領域ＬＲ６は、互いに重複する重複部ＯＲ４を有するように、全体領域ＧＲから分割されている。また、上下に隣り合う個別領域ＬＲ２と個別領域ＬＲ６は、互いに重複する重複部ＯＲ５を有するように、全体領域ＧＲから分割されている。
同様に、全体領域分割部５０は、図４（ｇ）に示されるように、個別領域ＬＲ６から横方向Ｘのストライドだけ、個別領域ＬＲを横方向Ｘに移動させ、この状態における個別領域ＬＲ７を、全体領域ＧＲから切り出して分割する。

このように、全体領域ＧＲ上で個別領域ＬＲを横方向Ｘ及び縦方向Ｙに移動させつつ切り出すことで、全体領域分割部５０は全体領域ＧＲすなわち推定時入力データ３０から、個別領域ＬＲすなわち個別入力データを分割する。図４の例においては、全体領域ＧＲから１６個の個別領域ＬＲが分割される。図４（ｈ）には、最後に分割される個別領域ＬＲ１６が示されている。

次に、風速分布推定部２１は、学習モデルパラメータ記憶部２２から学習モデルパラメータを取得し、学習モデル２５を構築する。図５は、学習モデル２５の模式的な説明図である。風速分布推定部２１は、この学習モデル２５を、例えばＣＰＵ上でプログラムとして実行することで、風速分布を推定する。
風速分布推定部２１は、学習モデル２５に、上記のように生成した個別領域ＬＲ１～ＬＲ１６の各々に対応する個別入力データを順次入力し、各個別領域ＬＲに相当する風速分布を推定する。

より詳細には、風速分布推定部２１が学習モデル２５に個別入力データを入力すると、学習モデル２５は、畳み込み層２７ａ、２７ｂ、２７ｃと、及び転置畳み込み層２８ｃ、２８ｂ、２８ａを順に辿りながら、畳み込み処理及び転置畳み込み処理を実行する。最終的に転置畳み込み層２８ａから、推定時入力データ３０に対応する個別画像が出力される。
個別画像は、学習時推定結果１５と同様に、建物情報データ３１内に表現された地域内の各地点における、Ｘ方向、Ｙ方向、及びＺ方向の各々に対応して成分分解された風速、風向情報が格納された、３枚の１チャンネルの画像であり、これが１枚の３チャンネルの画像として出力される。
風速分布推定部２１は、各個別入力データに対応する個別画像の各々に対し、個別画像からＸ方向、Ｙ方向、及びＺ方向の各々に対応する１チャンネルの画像、すなわち各方向に対応して成分分解された風速、風向情報であるＸ成分個別画像、Ｙ成分個別画像、及びＺ成分個別画像を抽出する。

風速分布推定部２１は、Ｘ成分個別画像、Ｙ成分個別画像、及びＺ成分個別画像の各々の情報を合成して、個別推定結果画像（個別領域内の風速分布の推定結果）を生成する。個別推定結果画像は、Ｘ成分個別画像、Ｙ成分個別画像、及びＺ成分個別画像と同等の解像度を備えた画像である。風速分布推定部２１は、Ｘ成分個別画像、Ｙ成分個別画像、及びＺ成分個別画像の互いに対応する画素の各々に対し、これら画像の各々から画素値、すなわち当該画素に対応する地点における風向風速のＸ成分値、Ｙ成分値、及びＺ成分値の各々に対応する値を取得し、これらの各々をベクトルとして、Ｘ方向、Ｙ方向、及びＺ方向の３つの軸線方向により形成される３次元座標系上で合成する。風速分布推定部２１は、合成により生成されたベクトルの大きさを基に風速を、及び向きを基に風向を計算する。風速分布推定部２１は、全画素に関して風速及び風向情報を計算し、これらをまとめて一つの画像すなわち個別推定結果画像を生成する。
このようにして、風速分布推定部２１は、個別領域ＬＲすなわち個別入力データの各々に対し、当該個別領域ＬＲに含まれる複数の地点（例えば図４各図における一つの画素）の各々における風速を推定して、個別領域ＬＲ内の風速分布を個別推定結果画像として推定する。
図４を用いた例においては、１６個の個別領域ＬＲ１～ＬＲ１６の各々に対応する、１６個の個別推定結果画像が出力される。

上記のように出力された、個別領域ＬＲ内の風速分布の推定結果である個別推定結果画像に対しては、次に説明する重み設定部５１に設定されている重みが、推定結果調整部５２において適用される。
図６は、個別領域ＬＲに対して設けられる重みを、３次元曲面を有する重み関数Ｗで表示した一例である。重み関数Ｗは、横方向Ｘまたは縦方向Ｙから視たときに、正規分布の確率密度関数の形状となるように設定されている。確率密度関数は、その中央値が、個別領域ＬＲの横方向Ｘ及び縦方向Ｙの各々における中心に位置するように設定されている。また、確率密度関数の定義域は、標準偏差の－２倍から２倍までの間として設けられており、この定義域が、個別領域ＬＲの横方向Ｘ及び縦方向Ｙの領域と一致するように、確率密度関数は設けられている。これにより、正規分布として実現される確率密度関数の９５％程度が、個別領域ＬＲに対応付けて設けられる。

重みが、上記のような重み関数Ｗに基づいて、個別領域ＬＲに対応されて設定された結果、個別領域ＬＲの中心に近く位置する地点ほど重みの値が大きくなり、外縁に近く位置する地点ほど重みの値が小さくなる。例えば、個別領域ＬＲの横方向Ｘ及び縦方向Ｙの双方において中心に位置する地点ＰＡにおいては、値ＶＡとして示されるように、１の重みが対応付けられている。また、個別領域ＬＲの横方向Ｘ及び縦方向Ｙの双方において外縁に位置する地点ＰＢにおいては、値ＶＢとして示されるように、０に近い例えば０．１の重みが対応付けられている。更に、地点ＰＡと地点ＰＢの中間に位置する地点ＰＣにおいては、これらの間の、例えば０．６等の値が対応付けられている。

個別領域ＬＲ１～ＬＲ１６の各々においては、個別に上記のような重み関数Ｗが設定されている。本実施形態においては、個別領域ＬＲ１～ＬＲ１６の各々に対し、同一の重み関数Ｗが設定されている。このため、全体領域ＧＲ上に位置する同一の地点であっても、それが重複部ＯＲに含まれた重複地点である場合には、当該重複地点に対応する重みが、当該重複地点が属する個別領域ＬＲ１～ＬＲ１６によって異なる。
例えば、図４に示される地点Ｐ１は、個別領域ＬＲ１のみに属する。したがって、地点Ｐ１は重複地点ではない。また、地点Ｐ１は、個別領域ＬＲ１の、横方向Ｘ及び縦方向Ｙの双方において外縁に位置しているため、個別領域ＬＲ１における地点Ｐ１の重みは、例えば０．１と、小さい値となる。

また、図４に示される地点Ｐ２は、２つの個別領域ＬＲ１、ＬＲ２に属する、重複地点である。
この地点Ｐ２は、個別領域ＬＲ１において、縦方向Ｙにおいては外縁に位置しているものの、横方向Ｘにおいては中心に位置しているため、０．１よりは大きいが１よりは小さい、例えば０．３等の重みの値を取り得る。
また、地点Ｐ２は、横方向Ｘ及び縦方向Ｙの双方において個別領域ＬＲ２の外縁に位置しているため、個別領域ＬＲ２における地点Ｐ２の重みは、例えば０．１と、小さい値となる。

更に、図４に示される地点Ｐ３は、４つの個別領域ＬＲ１、ＬＲ２、ＬＲ５、ＬＲ６に属する、重複地点である。
この地点Ｐ３は、個別領域ＬＲ１の横方向Ｘ及び縦方向Ｙの双方において外縁に位置しているため、個別領域ＬＲ１における地点Ｐ３の重みは、例えば０．１と、小さい値となる。
また、地点Ｐ３は、個別領域ＬＲ２において、縦方向Ｙにおいては外縁に位置しているものの、横方向Ｘにおいては中心に位置しているため、０．１よりは大きいが１よりは小さい、例えば０．３等の重みの値を取り得る。個別領域ＬＲ５においても、同様な理由で、地点Ｐ３の重みは、例えば０．３等の値となる。
更に、地点Ｐ３は、個別領域ＬＲ６においては横方向Ｘ及び縦方向Ｙの双方においてその中心に位置しているため、個別領域ＬＲ６における地点Ｐ３の重みは、例えば１と、大きな値となる。
このように、各重複地点においては、これが属する個別領域ＬＲによって、それぞれ異なる値が重みとして設定されている。

上記のように、重み設定部５１においては、重複部ＯＲに含まれる地点である重複地点の各々に対し、個別領域ＬＲごとに、個別に重みが設定されている。
また、重み設定部５１においては、複数の個別領域ＬＲの各々において、正規分布の確率密度関数の中央値を当該個別領域ＬＲの中心に位置付けたときに、当該個別領域ＬＲ内の地点に対応する位置における確率密度関数の値が、当該地点における重みとして設定されている。

推定結果調整部５２は、各個別領域ＬＲの各々において重み設定部５１に設定された、各重複地点の重みを基に、重複地点を含む各地点の推定結果を調整する。
より詳細には、推定結果調整部５２は、重複地点を含む各地点の各々に対し、まず、個別領域ＬＲの各々において当該地点に設定された重みの総和ＳＬを計算する。次に、推定結果調整部５２は、個別領域ＬＲの各々において、当該地点に設定された重みを重みの総和ＳＬで除算した除算値と、当該地点における風速の推定結果、すなわち個別推定結果画像における対応する画素の画素値とを乗算した乗算値である、個別領域調整値ＬＶを計算する。最後に、推定結果調整部５２は、個別領域ＬＲの各々における個別領域調整値ＬＶの総和を計算し、これを当該地点の、風速が調整された推定結果として算出する。

例えば、図４に示される地点Ｐ１は、重複地点ではなく、個別領域ＬＲ１のみに属する。この個別領域ＬＲ１における地点Ｐ１の重みを例えば０．１とすると、推定結果調整部５２は、まず、重みの総和ＳＬとして０．１を計算する。次に、推定結果調整部５２は、個別領域ＬＲ１における地点Ｐ１の重み０．１を重みの総和ＳＬで除算した除算値と、地点Ｐ１における風速の推定結果Ｖ１、すなわち個別領域ＬＲ１に対応する個別推定結果画像における地点Ｐ１の風速推定結果Ｖ１とを乗算して、個別領域調整値ＬＶを計算する。この場合においては、除算値は０．１／０．１＝１となるため、個別領域調整値ＬＶはＶ１となる。最後に、推定結果調整部５２は、個別領域ＬＲの各々における個別領域調整値ＬＶの総和としてＶ１の値を計算し、これを地点Ｐ１の、風速が調整された推定結果として算出する。
すなわち、重複地点ではない地点Ｐにおいては、当該地点Ｐを含む個別領域ＬＲに対応する個別推定結果画像において、当該地点Ｐに対して算出された風速が、そのまま、風速が調整された推定結果として算出される。

また、図４に示される地点Ｐ２は、重複地点であり、２つの個別領域ＬＲ１、ＬＲ２に属する。個別領域ＬＲ１における地点Ｐ２の重みを例えば０．３とし、個別領域ＬＲ２における地点Ｐ２の重みを例えば０．１とすると、推定結果調整部５２は、まず、重みの総和ＳＬとして０．３＋０．１＝０．４を計算する。次に、推定結果調整部５２は、個別領域ＬＲ１に対応する個別推定結果画像における、地点Ｐ２の風速の推定結果Ｖ２１を用いて、個別領域ＬＲ１における個別領域調整値ＬＶ２１を、ＬＶ２１＝Ｖ２１×（０．１／０．４）と計算する。また、推定結果調整部５２は、個別領域ＬＲ２に対応する個別推定結果画像における、地点Ｐ２の風速の推定結果Ｖ２２を用いて、個別領域ＬＲ２における個別領域調整値ＬＶ２２を、ＬＶ２２＝Ｖ２２×（０．３／０．４）と計算する。最後に、推定結果調整部５２は、個別領域ＬＲ１、ＬＲ２の各々における個別領域調整値ＬＶ２１、ＬＶ２２の総和として値Ｖ２＝ＬＶ２１＋ＬＶ２２を計算し、これを地点Ｐ２の、風速が調整された推定結果として算出する。

更に、図４に示される地点Ｐ３は、重複地点であり、４つの個別領域ＬＲ１、ＬＲ２、ＬＲ５、ＬＲ６に属する。個別領域ＬＲ１、ＬＲ２、ＬＲ５、ＬＲ６の各々における地点Ｐ３の重みを例えば０．１、０．３、０．３、１とすると、推定結果調整部５２は、まず、重みの総和ＳＬとして０．１＋０．３＋０．３＋１＝１．７を計算する。次に、推定結果調整部５２は、個別領域ＬＲ１、ＬＲ２、ＬＲ５、ＬＲ６の各々に対応する個別推定結果画像における、地点Ｐ３の風速の推定結果Ｖ３１、Ｖ３２、Ｖ３５、Ｖ３６を用いて、個別領域ＬＲ１、ＬＲ２、ＬＲ５、ＬＲ６の各々における個別領域調整値ＬＶ３１、ＬＶ３２、ＬＶ３５、ＬＶ３６を、それぞれ、ＬＶ３１＝Ｖ３１×（０．１／１．７）、ＬＶ３２＝Ｖ３２×（０．３／１．７）、ＬＶ３５＝Ｖ３５×（０．３／１．７）、ＬＶ３６＝Ｖ３６×（１／１．７）と計算する。最後に、推定結果調整部５２は、個別領域ＬＲ１、ＬＲ２、ＬＲ５、ＬＲ６の各々における個別領域調整値ＬＶ３１、ＬＶ３２、ＬＶ３５、ＬＶ３６の総和として値Ｖ３＝ＬＶ３１＋ＬＶ３２＋ＬＶ３５＋ＬＶ３６を計算し、これを地点Ｐ３の、風速が調整された推定結果として算出する。

地点Ｐ２、Ｐ３により例示したように、複数の個別領域ＬＲに含まれる重複地点については、各個別領域ＬＲに対応する個別推定結果画像における当該地点Ｐの風速の推定結果が、重みを付けられて平均化される。この際に用いられる重みは、図６を用いて説明したように、各個別領域ＬＲの中央付近が大きく、外縁付近が小さくなるような関数Ｗにより実装されている。これにより、風速分布の推定精度が低減する要因となる、個別領域ＬＲの外縁付近の影響が小さくなる。
また、地点Ｐごとに重複回数、すなわち地点Ｐが属する個別領域ＬＲの数が異なっている。このため、平均化する際に用いる重みを、重みの総和ＳＬにより各個別領域ＬＲの重みを除算することにより基準化された値としている。
このようにして、推定結果調整部５２は、重複地点Ｐ２、Ｐ３を含む地点Ｐ１、Ｐ２、Ｐ３の各々に対し、個別領域ＬＲの各々における当該地点Ｐ１、Ｐ２、Ｐ３の重みと風速の推定結果ＬＶ１、ＬＶ２１、ＬＶ２２、ＬＶ３１、ＬＶ３２、ＬＶ３５、ＬＶ３６を基に、当該地点Ｐ１、Ｐ２、Ｐ３の風速の調整された推定結果Ｖ１、Ｖ２、Ｖ３を算出する。

推定結果結合部５３は、推定結果調整部５２において調整された推定結果を基に、複数の個別領域ＬＲ内の風速分布の推定結果を結合して、全体領域ＧＲの風速分布の推定結果を生成する。
より詳細には、推定結果結合部５３は、全体領域ＧＲに対応する、推定時入力データ３０と同一の解像度（例えば図４の例示によると横方向Ｘと縦方向Ｙにともに２０画素）の、推定結果結合画像（全体領域ＧＲの風速分布の推定結果）５４を生成する。推定結果結合画像５４においては、各画素に、当該画素に対応する地点Ｐに関して推定結果調整部５２によって計算された、風速の調整された推定結果Ｖ１、Ｖ２、Ｖ３が格納されている。
推定結果結合部５３は、推定結果結合画像５４を外部へ出力する。

次に、図１～図６、及び図７を用いて、上記の風速分布推定装置１を用いた風速分布推定方法を説明する。図７（ａ）は風速分布の学習時のフローチャートであり、図７（ｂ）は風速分布の推定時のフローチャートである。
まず、風速分布の学習時における、風速分布推定装置１の各構成要素の動作を説明する。
学習部２０は、建物情報データ３と風向データ４を学習時入力データ１４として機械学習器２４の畳み込み処理部２７へ入力して、学習時推定結果１５を出力する。
学習部２０は、入力された学習時入力データ１４に対応する風速分布データ５を取得し、風速分布データ５すなわち教師データと学習時推定結果１５を画素単位で比較して、例えば各画素間の画素値の差分の２乗誤差をコスト関数として計算する。
その上で、このコスト関数を小さくするように、誤差逆伝搬法等により、各フィルタの重みの値等を調整することで、機械学習器２４が機械学習される（ステップＳ１）。
学習部２０は、学習が終了すると、調整が終了した各フィルタの重みの値等のパラメータを、学習モデルパラメータとして、学習モデルパラメータ記憶部２２に記憶する（ステップＳ３）。

次に、風速分布の推定時での各構成要素の挙動について説明する。
前提として、風速分布推定装置１では、推定対象とする全体領域ＧＲが風速分布推定部２１で推定可能な領域より大きい場合は、複数の個別領域ＬＲに分割し、各個別領域において風速分布を推定する。よって、推定したい領域（全体領域ＧＲ）が個別領域ＬＲと同等または個別領域より小さい場合は、複数に分割する必要はない。
全体領域分割部５０は、風速分布の推定対象となる全体領域を、互いに重複する重複部を有するように、複数の個別領域ＬＲへと分割し、個別入力データを生成する（ステップＳ１１）。
風速分布推定部２１は、学習モデルパラメータ記憶部２２から学習モデルパラメータを取得し、学習モデル２５を構築する（ステップＳ１３）。
風速分布推定部２１は、学習モデル２５に、個別領域ＬＲの各々に対応する個別入力データを順次入力し、各個別領域ＬＲに相当する風速分布を推定して、個別推定結果画像を生成する（ステップＳ１５）。
推定結果調整部５２は、重複地点を含む各地点の各々に対し、まず、個別領域ＬＲの各々において当該地点に設定された重みの総和ＳＬを計算する。次に、推定結果調整部５２は、個別領域ＬＲの各々において、当該地点に設定された重みを重みの総和ＳＬで除算した除算値と、当該地点における風速の推定結果、すなわち個別推定結果画像における対応する画素の画素値とを乗算した乗算値である、個別領域調整値ＬＶを計算する。最後に、推定結果調整部５２は、個別領域ＬＲの各々における個別領域調整値ＬＶの総和を計算し、これを当該地点の、風速が調整された推定結果として算出する。
推定結果結合部５３は、推定結果調整部５２において調整された推定結果を基に、複数の個別領域ＬＲ内の風速分布の推定結果を結合して、全体領域ＧＲの風速分布の推定結果である、推定結果結合画像５４を生成する（ステップＳ１７）。

次に、上記の風速分布推定装置１及び風速分布推定方法の効果について説明する。

本実施形態の風速分布推定装置１は、建物周辺の風速分布を推定する、風速分布推定装置１であって、風速分布の推定対象となる全体領域ＧＲを、互いに重複する重複部ＯＲを有するように、複数の個別領域ＬＲへと分割する、全体領域分割部５０と、複数の個別領域ＬＲ内の風速分布を推定する、風速分布推定部２１と、個別領域ＬＲの各々に対し、重複部ＯＲに含まれる地点Ｐである重複地点ごとに、個別に重みが設定されている、重み設定部５１と、重複地点の、重みと風速分布の推定結果を基に、当該重複地点の風速が調整された推定結果を算出する、推定結果調整部５２と、調整された推定結果を基に、複数の個別領域ＬＲ内の風速分布の推定結果を結合して、全体領域の風速分布の推定結果５４を生成する、推定結果結合部５３と、を備えている。
また、本実施形態の風速分布推定方法は、建物周辺の風速分布を推定する、風速分布推定方法であって、風速分布の推定対象となる全体領域ＧＲを、互いに重複する重複部ＯＲを有するように、複数の個別領域ＬＲへと分割し、複数の個別領域ＬＲ内の風速分布を推定し、個別領域ＬＲの各々に対し、重複部ＯＲに含まれる地点Ｐである重複地点ごとに、個別に設定された重みと、風速分布の推定結果を基に、当該重複地点の風速が調整された推定結果を算出し、調整された推定結果を基に、複数の個別領域ＬＲ内の風速分布の推定結果を結合して、全体領域ＧＲの風速分布の推定結果５４を生成する。
上記のような構成によれば、風速分布の推定対象となる全体領域ＧＲが複数の個別領域ＬＲへと分割され、これら複数の個別領域ＬＲの各々に対して風速分布が推定され、複数の推定結果が結合されて、全体領域ＧＲの風速分布の推定結果５４が生成される。
すなわち、広い領域ＧＲを小さい個別領域ＬＲへと分割し、この各々に対して風速分布を推定するため、比較的容易に、広い領域の風速分布を推定可能である。
ここで、全体領域ＧＲは、互いに重複する重複部ＯＲを有するように、複数の個別領域ＬＲへと分割される。すなわち、全体領域ＧＲを個別領域ＬＲへと分割するに際し、単純に一つの境界線で区画せず、隣接する個別領域ＬＲが互いに共通の重複部ＯＲを有するように分割する。この状態において、個別領域ＬＲの推定結果を全体領域ＧＲの推定結果として結合する際に、個別領域ＬＲの各々に対して重複地点ごとに適切に設定された重みを基に、各個別領域ＬＲの推定結果が調整される。このため、個別領域ＬＲ間の不連続性が緩和される。
更に、重複部ＯＲは、互いに隣接する複数の個別領域ＬＲに、異なる方向から含まれている。このため、各個別領域ＬＲにおいて外縁近傍に位置する重複部ＯＲの推定精度が、外縁より外側に位置する建物の情報の欠落により低減しているとしても、これらの建物は、当該重複部ＯＲを挟んで隣接する他の個別領域ＬＲ内に位置しているため、上記の欠落した情報は、この隣接する個別領域ＬＲにおける、風速分布の推定に反映されている。したがって、個別領域ＬＲの推定結果を全体領域ＧＲの推定結果として結合する際に、重複部ＯＲの周囲に位置する全ての建物に関する情報が、重複部ＯＲの推定結果に反映されて調整される。これにより、単純に評価対象領域を、重複部ＯＲを設けずに境界線で分割した場合に比べると、個別領域ＬＲの外縁近傍の推定精度の低下を抑制可能である。
上記のような理由に因り、広い領域のほぼ全域において、風速分布の推定精度を高めることができる。

また、推定結果調整部は、重複地点の各々に対し、当該重複地点に設定された重みの総和を計算し、当該重複地点に設定された重みの各々に対して当該重みを重みの総和により除算した後に当該重複地点における推定結果を乗算した乗算値を計算し、乗算値の総和を計算することで、重複地点の調整された推定結果を算出する。
上記のような構成によれば、上記のような風速分布推定装置１を適切に実現可能である。

また、重み設定部５１では、正規分布の確率密度関数の中央値を個別領域ＬＲの各々の中心に位置付けたときに、当該個別領域内の地点Ｐに対応する位置における確率密度関数の値が、当該地点Ｐにおける重みとして設定されている。
既に説明したように、複数の個別領域ＬＲに含まれる重複地点については、各個別領域ＬＲに対応する個別推定結果画像における当該地点Ｐの風速の推定結果が、重みを付けられて平均化される。この際に用いられる重みは、各個別領域ＬＲの中央付近が大きく、外縁付近が小さくなるような関数により実装されると、風速分布の推定精度が低減する個別領域ＬＲの外縁付近の影響が小さくなる。
したがって、上記のような構成によれば、上記のような風速分布推定装置１を適切に実現可能である。

図８は、３次元の建物情報と、上記実施形態における風速分布推定装置１によって出力された、推定結果結合画像５４を重ねた一例である。この図８に示されるように、上記実施形態の構成によれば、広い領域のほぼ全域において値に連続性のある風速分布を出力することができる。

なお、本発明の風速分布推定装置及び風速分布推定方法は、図面を参照して説明した上述の実施形態に限定されるものではなく、その技術的範囲において他の様々な変形例が考えられる。

例えば、上記実施形態においては、機械学習器２４及び学習モデル２５としてＦＣＮを用いたが、推定精度が損なわれないのであれば、他の構造のニューラルネットワークを使用してもかまわない。
また、ＦＣＮの構造は、図２及び図５を用いて説明した上記の構造に限られず、他の構造を備えていてもよい。例えば、上記実施形態においては、畳み込み処理部２７及び転置畳み込み処理部２８はともに３層構造とした模式的な例を用いて説明したが、各々の層数は３以外であってもよいし、畳み込み処理部２７の層数と転置畳み込み処理部２８の層数が異なっていてもよい。
更には、上記実施形態においては、風速分布推定部２１は、全層畳み込みネットワークに基づいた学習モデル２５により個別領域ＬＲの風速分布を推定した。しかし、風速分布推定部２１は、風洞実験や数値流体解析によって、個別領域ＬＲの風速分布を推定しても構わない。

また、上記実施形態においては、学習データ２としては、個別入力データと同等の、小さい領域に相当する解像度の画像が用いられた。この学習データ２自体も、何らかのより広い領域のデータを、全体領域分割部５０と同様の要領で切り出して分割することで、生成されていてもよい。
また、上記実施形態においては、横方向Ｘ及び縦方向Ｙのストライドは、個別領域ＬＲの横方向Ｘ及び縦方向Ｙの解像度の半分以下とするのが望ましいと説明した。実際には、ストライドを小さくすればするほど、各地点の重複回数、すなわち地点Ｐが属する個別領域ＬＲの数が増加し、重みを付けられて平均化される対象が増加するため、個別領域ＬＲ間の不連続性が、より緩和される。ただし、ストライドを小さくすることにより風速分布推定装置１における処理内容も増加するため、実際にはストライドの大きさは、処理速度と精度の双方を考慮して決定するのが望ましい。

これ以外にも、本発明の主旨を逸脱しない限り、上記実施形態で挙げた構成を取捨選択したり、他の構成に適宜変更したりすることが可能である。

１ 風速分布推定装置 ５１ 重み設定部
２ 学習データ ５２ 推定結果調整部
５ 風速分布データ ５３ 推定結果結合部
２１ 風速分布推定部 ５４ 推定結果結合画像（全体領域の風速分布の推定結果）
２４ 機械学習器 ＧＲ 全体領域
２５ 学習モデル ＯＲ 重複部
３０ 推定時入力データ ＬＲ 個別領域
５０ 全体領域分割部 Ｗ 重み関数（重み）

Claims (2)

1. 建物周辺の風速分布を推定する、風速分布推定装置であって、
   前記風速分布の推定対象となる全体領域を、互いに重複する重複部を有するように、複数の個別領域へと分割する、全体領域分割部と、
   複数の前記個別領域内の前記風速分布を推定する、風速分布推定部と、
   前記個別領域の各々に対し、前記重複部に含まれる地点である重複地点ごとに、個別に重みが設定されている、重み設定部と、
   前記重複地点の、前記重みと前記風速分布の推定結果を基に、当該重複地点の風速が調整された推定結果を算出する、推定結果調整部と、
   前記調整された推定結果を基に、複数の前記個別領域内の前記風速分布の前記推定結果を結合して、前記全体領域の前記風速分布の推定結果を生成する、推定結果結合部と、
   を備え、
   前記推定結果調整部は、前記重複地点の各々に対し、当該重複地点に設定された前記重みの総和を計算し、当該重複地点に設定された前記重みの各々に対して当該重みを前記重みの総和により除算した後に当該重複地点における前記推定結果を乗算した乗算値を計算し、当該乗算値の総和を計算することで、前記重複地点の前記調整された推定結果を算出する、風速分布推定装置。
2. 建物周辺の風速分布を推定する、風速分布推定方法であって、
   前記風速分布の推定対象となる全体領域を、互いに重複する重複部を有するように、複数の個別領域へと分割し、
   複数の前記個別領域内の前記風速分布を推定し、
   前記個別領域の各々に対し、前記重複部に含まれる地点である重複地点ごとに、個別に設定された重みと、前記風速分布の推定結果を基に、前記重複地点の各々に対し、当該重複地点に設定された前記重みの総和を計算し、当該重複地点に設定された前記重みの各々に対して当該重みを前記重みの総和により除算した後に当該重複地点における前記推定結果を乗算した乗算値を計算し、当該乗算値の総和を計算することで、当該重複地点の風速が調整された推定結果を算出し、
   前記調整された推定結果を基に、複数の前記個別領域内の前記風速分布の前記推定結果を結合して、前記全体領域の前記風速分布の推定結果を生成する、風速分布推定方法。
   

Images