表紙タイトルtest (HGPゴシックE 44pt)

Size: px

Start display at page:

Download "表紙タイトルtest (HGPゴシックE 44pt)"

ゆきひらわたぬき
5 years ago
Views:

1 第1回ちかすいネット 21年11月2日(土) 人工知能による水理水文の予測技術ひとことまさゆき日本工営株一言正之 1

2 自己紹介学歴職歴 25年月 27年月 27年4月 21年4月東大学部卒業登坂研東大修士卒業登坂研日本工営株式会社就職東大論文博士取得登坂先生地下水移流分散実験数値解析洪水予測日本工営中央研究所にて勤務 1年目主な業務経歴など洪水予測システム開発土砂災害予測システム開発津波高潮洪水氾濫浸水想定など 2

3 発表概要 1 人工知能とは? 2 機械学習の基礎知識ニューラルネットワーク 4 洪水予測への活用例 5 深層学習 ( ディープラーニング ) おわりに

4 人工知能の発展 17年チェス AIがチャンピオンに勝利 21年将棋 AIがプロに勝利 21年囲碁 AIがトッププロに勝利 22X年エンジニア AIにより失職 4

5 人工知能の歴史黎明期図の出典松尾豊人工知能は人間を超えるかディープラーニングの先にあるもの角川EPUB選書 2 エキスパートシステムインターネットビッグデータ計算機のパワーアップ 5

6 人工知能とはレベル分類の出典松尾豊人工知能は人間を超えるかディープラーニングの先にあるもの角川EPUB選書 2 レベル1 単純な制御プログラムエアコンの温度制御洗濯機の水量制御とかエセ人工知能レベル2 古典的な人工知能ルンバチェスソフトレベル機械学習を取り入れた人工知能ここまではほぼ実用化自動運転検索エンジンメールフィルタ将棋ソフトレベル4 ディープラーニングを取り入れた人工知能囲碁ソフト Google Photosとか画像判別人工知能分野の研究開発投資が過熱ここからは研究投資段階バブルの可能性も

7 7 発表概要 1 人工知能とは? 2 機械学習の基礎知識ニューラルネットワーク 4 洪水予測への活用例 5 深層学習 ( ディープラーニング ) おわりに

8 8 機械学習とは? 分類回帰のテクニック + α

9 回帰と分類 x 回帰気温から電力需要を予測現在までの株価の動きから将来の株価を予測 y x2 分類 x1 使用単語からスパムメールを分類雨量の累積/強度から土砂災害の発生非発生を分類

10 機械学習の例観測データ真の関係時間潮位データ日射量データのような周期データを想定 1

11 11 機械学習の例一次関数による当てはめ ( 二乗誤差の最小化 ) 観測データ真の関係多項式 ( 観測データ ) 学習結果時間全然あってない時間 8 1

12 機械学習の例三次関数観測データ真の関係多項式 ( 観測データ ) 学習結果時間良い感じ時間 8 1

13 1 機械学習の例五次関数観測データ真の関係多項式 ( 観測データ ) 学習結果時間ちょっと怪しい時間 8 1

14 14 機械学習の例六次関数観測データ真の関係多項式 ( 観測データ ) 学習結果時間とても変時間 8 1

15 機械学習の例データに無理やり合わせるのではなくデータの真の関係を表現 ( 汎化 ) することが重要単純すぎるモデルではデータ間の関連が表現できず学習が不十分となる ( 一次関数の例 ) 学習をしすぎると過学習 ( オーバーフィッティング ) となりかえって悪化する ( 六次関数の例 ) データはたくさんあった方が良い学習用データと検証用データは分ける交差検証など

16 1 発表概要 1 人工知能とは? 2 機械学習の基礎知識ニューラルネットワーク 4 洪水予測への活用例 5 深層学習 ( ディープラーニング ) おわりに

17 ニューラルネットワークとは Artificial Neural Network ANN 脳機能に見られる特性を数学的に表現したモデル入力層 x1 中間層1 出力層重み係数 w(1)1,1 x2 xi 中間層2 出力値 w(1)j,i w(1)j,i 図の出典熊沢逸夫学習とニューラルネットワーク森北出版 18 17

18 ニューラルネットワークの概要 1 各ネットワークに入力値 x が与えられる 2 入力値 x と重み係数 w の積を足し合わせて次の素子への入力 u とする活性化関数により各素子からの出力を計算する ( f(u)=z ) 4 素子からの出力 z を次のネットワークへの入力 u とする入力データ上流の雨量水位など以下順に出力層まで値が伝達される x 1 x 2 x I 入力層中間層 1 中間層 2 出力層 w (1) 重み係数 1,1 :: w (1) j,i :: w (1) J,I 出力値出力値 =u (L) x : 入力値 u : 素子への層入力 w : 重み係数 b : バイアス z : 素子からの出力値 f(u) : 活性化関数 1 ( ここではシグモイド関数 f ( u) 1 exp u を用いた ) 入力値 u b i x 1 x I I i1 w (l) j,1 : : : u j f(u j ) w (l) j,i w 重み係数 ji x 中間素子 (l+1) 層,j 番目 i z f u u1 x1 b1 z1 u, x, b, z, u J xi bj zj w11wi1 f ( u1) W,f(u) w ( ) J1wJI f uj z j 活性化関数出力値 1 1 exp u u Wx b z f(u) 18

19 ニューラルネットワークの学習手順学習とは ANNの出力と観測値との誤差を最小化する重み係数wijの最適化入力層目的関数E E w 1 2 N d n y xn ; w 2 n 1 (2)第 l 層 E wi( L ) En w(jil ) xk1 y ( x) d (j l ) zi(l 1) ()δ に関する漸化式 (jl ) ただし (l 1) k 中間層2 出力層重み係数 w1,1 x2 誤差逆伝搬法による E の計算 (1)最下層 x1 中間層1 出力値 wi,j wk1,k2 (jl ) E u (jl ) w (l 1) kj f u (jl ) k E w は下流から順に計算可能 E が求まる勾配降下法により重み更新 w t 1 w t E E 目的関数二乗誤差 d 教師データ観測値勾配降下法 y ネットワークの最終出力 ε 学習係数 1

20 2 発表概要 1 人工知能とは? 2 機械学習の基礎知識ニューラルネットワーク 4 洪水予測への活用例 5 深層学習 ( ディープラーニング ) おわりに

21 洪水予測の背景頻発する洪水氾濫災害 2. 東海豪雨死者1名 27億円 24.7 新潟福島豪雨 1名 21棟 28.7 都賀川水難事故 5名 28.8 雑司ヶ谷下水道事故 5名 2.7 九州北部豪雨名 17棟 2. 鬼怒川 25名写真出典国土交通省webページ台風第１８号及び第１７号による大雨平成27年月関東東北豪雨等に係る被害状況等について TEC-FORCEフォトギャラリー温暖化による水害リスクの増大国交省社会資本整備審議会 28 洪水氾濫災害への対応ダムや堤防など治水施設が整備されてきた同時に避難のためのソフト対策が進められている全国1の一級河川に洪水予測システムが導入済ただし適切な避難行動につながらない場合も多い 21

22 22 洪水予測システムとは? 水位を予測するシステム ( はん濫予測 ) 1 分に一回 (5 日常時 ) レーダ雨量予測メッシュ雨量観測水位などを受信して時間先までの予測水位を配信洪水予報河川では国による洪水の情報提供が義務 ( 水防法 ) 全国の河川事務所 ( 国交省 ) で洪水予測システムを整備

洪水予測の課題と目標洪水予測の課題実災害時には洪水予測情報は住民の適切な避難行動につながっていない場合が多い河川管理者市町村長らにとっても避難勧告等の発令判断は容易でない余儀なく実現困難な勧告名古屋市 18万人に避難指示勧告実時間洪水予測の目標実際の避難者は45人避難率.

23 洪水予測の課題と目標洪水予測の課題実災害時には洪水予測情報は住民の適切な避難行動につながっていない場合が多い河川管理者市町村長らにとっても避難勧告等の発令判断は容易でない余儀なく実現困難な勧告名古屋市 18万人に避難指示勧告実時間洪水予測の目標実際の避難者は45人避難率.4% 洪水氾濫に対する適切な避難に結び付けるそのためには常総市避難指示の出し遅れ ①迷わず判断するための予測精度を確保する ②避難に間に合うためのリードタイムを確保する目標とされるリードタイムや精度は河川や地域の状況によって異なる精度評価方法不確実性の評価方法や情報提供方法も将来の重要な研究課題 2

24 実時間洪水予測の手法大分類小分類長所時系列解析線形回帰 AR モデル構築が簡便 ARMA ARIMA など計算が簡易統計手法機械学習 ANN SVM など計算過程がブラックボックスデータが多く必要最新の知見を反映実用化の実績が少なく適用性発展性が不明計算が簡単降雨-流出の非線形性を表現できないタンクモデル計算が比較的簡単様々な流出波形を表現できるパラメータの物理性が弱い貯留関数計算が比較的簡単全国の洪水予測システムで実績パラメータの物理性が弱い単位図法物理モデルその他降雨-流出の非線形性を表現できない非線形性を含めた高い表現能力豊富な使用実績その他ファジィ事例ベースなど概念モデル短所分布型モデルモデル構築チューニング降雨-流出の過程を最も詳細に表現が大変フィードバックが地形データや降雨分布などを反映容易でない概念モデルを分布させたモデルなど様々な手法が考えられるニューラルネットワーク Artificial Neural Network ANN は研究実績が豊富深層学習など新たな手法による精度向上も期待される 24

25 対象流域とデータ大淀川流域宮崎県樋渡ひわたし地点流域面積 81km2 幹川延長 52km 大きなダム等が存在しない予測地点観測水位データが豊富 1 214年の間の上位24洪水を水水DBより水位雨量データ取得ピークから72時間前 48時間後までの 1時間分を1洪水とする 24洪水 1=24セットのデータ欠測が少なく氾濫危険水位.2m を超えた4洪水を精度検証対象とした 25

26 水位雨量データの定義 R(t-4) R(t-) R(t-2) R(t-1) R(t) R(t+1) R(t+2) 雨量 (mm/h) 水位 (m) ΔH 1 (t) ΔH 2 (t) H(t) H(t-4) H(t-) H(t-2) H(t-1) 4h 前 h 前 2h 前 1h 前現在 (t) 1h 後 2h 後データは 1 時間ごと観測所ごとに上記の時系列データが定義される時刻雨量 R(t): 時刻 (t-1)~(t) の一時間に降った雨量 (mm/h) 水位変化 ΔH n (t) が予測対象 2

27 27 入出力データの例 (1 時間予測 ) R(t-4) R(t-) R(t-2) R(t-1) R(t) 雨量 (mm/h) R(t+1) R(t+2) Δ H 樋渡 H 樋渡 Δ H 上流雨 -4h -h -2h -1h 水位 (m) 現 +1h +2h +h ΔH 1 (t) ΔH 2 (t) +4h +5h +h H(t-4) 4h 前 H(t-) h 前 H(t-2) 2h 前 H(t-1) 1h 前 H(t) 現在 (t) 1h 後 2h 後上図に加え各水位観測所 (5 地点 ) の水位変化 ΔH が入力データとなる時刻雨量 R(t) は各雨量観測所 (14 地点 ) 分が全て入力データとなる

28 入出力データの例 (2 時間予測 ) R(t-4) R(t-) R(t-2) R(t-1) R(t) 雨量 (mm/h) R(t+1) R(t+2) Δ H 予 H 予 Δ H 上雨 -4h -h -2h -1h 水位 (m) 現 +1h +2h +h ΔH 1 (t) ΔH 2 (t) +4h +5h +h H(t-4) 4h 前 H(t-) h 前 H(t-2) 2h 前 H(t-1) 1h 前 H(t) 現在 (t) 1h 後 2h 後上図に加え各水位観測所 (5 地点 ) の水位変化 ΔH が入力データとなる時刻雨量 R(t) は各雨量観測所 (14 地点 ) 分が全て入力データとなる未来時刻の水位データは使わない雨量データは実績値を代用 28

29 ANN の条件設定予測時刻ごとに ANN を作成入力データ : 時刻水位 (1 地点 2 時間分 ) 水位変化 (5 地点時間分 ) 時刻雨量 (14 地点 5 時間分 ) 計 87 データ予測時間に応じて入力データの時刻を設定 ( 右図 ) その他の条件設定はケーススタディ項目設定内容ケース数中間素子数学習回数 1,2,4, 個 4,1,,1 回ドロップアウト率.1,.,.5 Total 48 説明は後述 4 入力種別地点時刻時刻水位樋渡 -1, 1 時間の水位変化時刻雨量 Δ H 樋渡 H 樋渡 Δ H 上流雨 -4h -h -2h -1h 現 +1h +2h +h +4h +5h +h 入出力データの一覧流域内 5 地点流域内 14 地点 -2,-1, t-5,t-4,t-,t-2,t-1 Δ H 予 H 予 Δ H 上雨 -4h -h -2h -1h 現 +1h +2h +h +4h +5h +h 出力樋渡の水位変化 Δ H 予 H 予 Δ H 上雨 -4h -h -2h -1h 現 +1h +2h +h +4h +5h +h 1 時間予測 2 時間予測時間予測未来時刻の降雨には実績雨量を当てはめる ( 雨量誤差は考えない降雨完全予測 ) 2

30 精度検証の手順洪水番号ピーク時刻 25// : 17//1 1: 24/8/ 11: 1/8/1 22: 1//2 21: 21/7/ : 211//2 14: 1//14 22: 1/8/1 4: 24/1/2 11: 1//1 11: 1/8/ : 27/7/14 1: 1// 1: //25 17: 1/7/18 21: 2/8/8 : 1/7/27 2: 214/7/1 1: 2// 1: 21//2 2: 214/8/ 1: 1/7/7 14: 1/8/17 17: 樋渡水位検証データ学習データモデルの適切な評価のため学習データと検証データは分離交差検証検証手順 ① 24洪水中 2洪水で学習 ② 残りの1洪水で検証以下上記①②を同様に繰り返し対象洪水上位4洪水について精度検証

31 精度検証の手順洪水番号ピーク時刻 25// : 17//1 1: 24/8/ 11: 1/8/1 22: 1//2 21: 21/7/ : 211//2 14: 1//14 22: 1/8/1 4: 24/1/2 11: 1//1 11: 1/8/ : 27/7/14 1: 1// 1: //25 17: 1/7/18 21: 2/8/8 : 1/7/27 2: 214/7/1 1: 2// 1: 21//2 2: 214/8/ 1: 1/7/7 14: 1/8/17 17: 樋渡水位検証データ学習データモデルの適切な評価のため学習データと検証データは分離交差検証検証手順 ① 24洪水中 2洪水で学習 ② 残りの1洪水で検証以下上記①②を同様に繰り返し対象洪水上位4洪水について精度検証 1

32 精度検証の手順洪水番号ピーク時刻 25// : 17//1 1: 24/8/ 11: 1/8/1 22: 1//2 21: 21/7/ : 211//2 14: 1//14 22: 1/8/1 4: 24/1/2 11: 1//1 11: 1/8/ : 27/7/14 1: 1// 1: //25 17: 1/7/18 21: 2/8/8 : 1/7/27 2: 214/7/1 1: 2// 1: 21//2 2: 214/8/ 1: 1/7/7 14: 1/8/17 17: 樋渡水位検証データ学習データモデルの適切な評価のため学習データと検証データは分離交差検証検証手順 ① 24洪水中 2洪水で学習 ② 残りの1洪水で検証以下上記①②を同様に繰り返し対象洪水上位4洪水について精度検証 2

33 24/8/2 11: 24/8/2 17: 24/8/2 2: 24/8/ 5: 24/8/ 11: 24/8/ 17: 24/8/ 2: 25//5 : 25//5 : 25//5 21: 25// : 25// : 25// : 25// 21: 水位 (m) 雨量 (mm/h) 水位 (m) 雨量 (mm/h) 1//28 21: 1//2 : 1//2 : 1//2 : 1//2 21: 1// : 1// : 1/7/1 22: 1/8/1 4: 1/8/1 1: 1/8/1 1: 1/8/1 22: 1/8/2 4: 1/8/2 1: 水位 (m) 雨量 (mm/h) 水位 (m) 雨量 (mm/h) 予測計算結果 (1~ 時間予測 ) ~ 時間予測まで再現性は高い 25 年 ( 期間最大洪水 ) でやや過大評価の傾向高水時の学習データが不足しているためか今後の課題

34 4 発表概要 1 人工知能とは? 2 機械学習の基礎知識ニューラルネットワーク 4 洪水予測への活用例 5 深層学習 ( ディープラーニング ) おわりに

35 ニューラルネットワークの課題たくさんの観測所の中でどこのデータが重要か? 各観測所で何時間分のデータが必要か? 方法 1: 人間の判断で設定方法 2: あらゆるデータをモデルに入力して後はモデルの学習能力に任せるいずれの方法も複雑な問題では限界がある予測地点 5

36 ディープラーニングとは? ニューラルネットワークの学習方法の一つ深い階層のネットワークの総称従来のニューラルネットワークよりも学習能力が高いとされている

37 ディープラーニングの既往研究 Hinton 2 事前学習により過学習を起こさず多層ANNの学習が可能に Bengio 2 Vincent 21 自己符号化器の開発 Seide (211) 音声認識のコンテストで深層学習を用いた手法が優勝 Krizhevsky (2) 画像認識の世界大会で深層学習を用いたソフトが優勝など上記以外の分野へは適用例が少なく未知の領域河川水位予測にANN深層学習を適用した研究は報告されておらず本研究にてモデルの構築適用を試みる 7

38 深層ネットワークの ( 従来の ) 課題学習とは : ANN の出力と観測値との誤差を最小化する重み係数 w ij の最適化入力層中間層 1 中間層 2 出力層目的関数 E : 誤差逆伝搬法による E の計算 (1) 最下層 : E w d n yxn; w n1 n ( l) ( l1) (2) 第 l 層 : j zi ただし w E w ( L) i ( l) ji E y( x) d 1 2 N 2 ( l) ( l) j E u j x 1 x 2 x K1 重み係数 w 1,1 :: w i,j :: w K1,K2 出力値 ()δ に関する漸化式 E w ( l) j ( l1) k w f u k は下流から順に計算可能 E が求まる ( l1) kj ( l) j 勾配降下法により重み更新 t 1 w w t E E : 目的関数 ( 二乗誤差 ) y : ネットワークの最終出力 d : 教師データ ( 観測値 ) ε: 学習係数階層の深いネットワークでは目的関数の微分値 E の算出が困難 ( 勾配消失問題 ) 8

39 ディープラーニングの概要入力層 x1 深層ネットワーク第2,層で折り返した自己符号化器中間層2 はじめに深層ネットワークを小さなネットワーク自己符号化器に分割する自己符号化器を順次学習しその時の重み係数を深層ネットワークの初期値とする事前学習出力層重み係数 w1,1 x2 xk1 第1,2層で折り返した自己符号化器中間層1 出力値 wi,j wk1,k2 x1 y1 x1 x2 x2 xn yn x1 xn xn 従来の学習手法では乱数に最終層の重みよって重み係数の初期値を設定はランダムに初期化 x1 xn 自己符号化器 Bengio 2): 入力と出力ができるだけ同じになるようなネットワーク他にもわざとノイズを与えたり様々な工夫が取り入れられた

40 深層学習による洪水予測計算の実施計算設定条件のケーススタディケース番号学習回数各層の素子数ドロップアウト率(p) デノイジング自己符号化器 True False その他の条件一覧種別学習データ期間学習データ種類入力降雨データセット数バッチサイズ予測時間モーメンタム学習率デノイジングの加算ノイズ観測所名 1 214の上位24洪水樋渡水位上流水位変化時間雨量実績雨量を予測雨量に見立てた完全予測データ時間時間.5 初期値.1としてAdaGradで自動設定平均分散%の正規乱数 4

41 モデルの性能比較 ①ディープラーニング ②ニューラルネットワーク従来型 ③線形回帰 ④分布型粒子フィルタモデル状態量を粒子フィルタで補正 ⑤分布型誤差スライド分布型の計算結果に補正値を上乗せ現時刻の観測水位-計算水位を補正値とした Rainfall (Rader) Rainfall seepage Surface flow Channel flow River inflow Surface flow (mesh height) Surface water hs Z1 Z 2 Unsaturated zone Unsaturated infiltration Discharge Saturated zone Channel flow Unsaturated infiltration Subsurface flow Z n hg Hg H s Base rock layer Base level 41

42 深層学習分布型 + 粒子フィルタ ANN 層 4 8 分布型 + スライド補正線形相関水位 m 雨量 mm/h RMSE (m) 4 雨量 mm/h 雨量 mm/h 1/8/2 1: 1/8/2 4: 1/8/1 22: 2 雨量 mm/h 1/8/2 1: 1/8/2 4: 1/8/1 22: 1/8/1 1: 1/8/1 1: 1/8/1 4: 1/7/1 22: RMSE (m) 1/8/2 1: 1/8/2 4: 1/8/1 22: 1/8/1 1: 1/8/1 1: 1/8/1 4: 1/7/1 22: 雨量 mm/h 2 雨量 mm/h 8 1/8/2 1: 1/8/2 1: 1/8/2 4: 1 1/8/2 4: 4 1/8/1 22: 1/8/1 1: 2 1/8/1 1: 1/8/1 22: 線形相関 1/8/1 1: 2 1/8/1 1: 8 1/8/1 1: 分布型 + スライド補正 1 1/8/1 4: 1/8/1 1: 4 1/8/1 4: ANN 層 1/7/1 22: 8 水位 m 1 1/7/1 22: 水位 m 水位 m 4 雨量 mm/h 水位 m 分布型 + 粒子フィルタ 2 雨量 mm/h 1// : 1// : 深層学習 8 雨量 mm/h 1// : 1// : 1//2 21: 雨量 mm/h 1// : 1// : 1//2 21: 4 1/8/1 4: 1// : 1// : 1//2 21: 1//2 : 1//2 : 流域平均雨量樋渡実績水位予測水位精度評価は点線区間内 1/7/1 22: 1//2 21: 1//2 : 1//2 : 1//2 : 1// : 1// : 1//2 : 1//2 21: 1//2 : 1//2 : 1//2 : 1//2 : 1//2 : 1//2 : 1//2 : 1//2 : 水位 m 1//2 : 1//28 雨量 mm/h 21: 1 1//28 21: 水位 m 8 1//28 21: 水位 m 4 1//28 21: 水位 m 2 1//28 21: 水位 m 各手法の精度比較 1 1洪水分布型, スライド補正分布型, 粒子フィルタ分布型, スライド補正分布型, 粒子フィルタ 1 ＡＮＮ層深層学習なし水位相関深層学習 1時間予測 2時間予測時間予測 4時間予測 5時間予測時間予測 1 ＡＮＮ層深層学習なし水位相関深層学習 1時間予測 2時間予測時間予測 4時間予測 5時間予測時間予測 1 深層学習が最も良くついで層ANN 分布型相関モデルは精度悪い 1 深層学習と層ANNが同程度分布型相関モデルは精度悪い 42

43 // 21: 25// : 4 8 深層学習 4 8 分布型 + 粒子フィルタ ANN 層 4 8 分布型 + スライド補正線形相関 2 水位 m 雨量 mm/h RMSE (m) 雨量 mm/h 4 雨量 mm/h 25// 21: 25// : 25// : 25// : 25//5 21: 25//5 : 25//5 : 雨量 mm/h 25// 21: 25// : 25// : 25// : 25//5 21: 25//5 : 25//5 : 2 RMSE (m) 8 水位 m 雨量 mm/h 2 雨量 mm/h 25// 21: 25// 21: 4 25// : 25// : // : 2 25// : // : 25//5 21: 25//5 21: 25//5 : 4 25// : 1 25// : 線形相関 4 25// : 2 25//5 : 分布型 + スライド補正 25//5 : 24/8/ 2: 24/8/ 17: 24/8/ 11: 1 25//5 : ANN 層 2 水位 m 8 水位 m 水位 m 雨量 mm/h 4 雨量 mm/h 雨量 mm/h 雨量 mm/h 24/8/ 2: 24/8/ 17: 24/8/ 11: 分布型 + 粒子フィルタ 2 雨量 mm/h 24/8/ 24/8/ 2: 2: 24/8/ 24/8/ 17: 17: 24/8/ 24/8/ 11: 11: 24/8/ 5: 深層学習 25//5 21: 24/8/ 2: 24/8/ 17: 24/8/ 11: 24/8/ 5: 24/8/2 2: 水位 m 25//5 : 24/8/ 24/8/ 5: 5: 24/8/2 2: 24/8/2 17: 24/8/2 11: 25//5 : 24/8/ 2: 24/8/ 17: 24/8/ 11: 24/8/ 5: 24/8/ 5: 24/8/2 24/8/2 2: 2: 24/8/2 2: 24/8/2 17: 水位 m 24/8/2 2: 24/8/2 24/8/2 17: 17: 24/8/2 11: 24/8/2 17: 水位 m 水位 m 24/8/2 17: 24/8/2 24/8/2 11: 11: 24/8/2 11: 水位 m 24/8/2 11: 水位 m 各手法の精度比較 24 25洪水分布型, スライド補正分布型, 粒子フィルタ分布型, スライド補正分布型, 粒子フィルタ 24 ＡＮＮ層深層学習なし水位相関深層学習 1時間予測 2時間予測時間予測 4時間予測 5時間予測時間予測 25 ＡＮＮ層深層学習なし水位相関深層学習 1時間予測 2時間予測時間予測 4時間予測 5時間予測時間予測 24 深層学習が最も良くついで層ANN 長時間予測では粒子フィルタ 25 粒子フィルタが最も良く他は同程度層ANNは精度悪い 4

44 各手法の精度比較 4洪水平均 1. 分布型, スライド補正 1.4 分布型, 粒子フィルタ RMSE (m) ＡＮＮ層深層学習なし水位相関深層学習時間予測 2時間予測時間予測 4時間予測 5時間予測時間予測 1 時間予測まで深層学習モデルの精度が最も高い予測時間が長くなると分布型粒子フィルタも優位になってくる 44

45 他の検証事例 ( 従来型 ANN とディープラーニングの比較 ) 45

46 他流域の事例水位観測所雨量観測所予測地点予測地点予測地点予測地点予測地点水位観測所雨量観測所予測地点予測地点名樋渡日の出橋小貝川水海道大仁水位観測所雨量観測所雨量流域名流域面積上流の水位観測所数観測所数大淀川遠賀川小貝川狩野川

47 1//2 : 1// : 1//2 21: 1// : 水位 (m) 水位 (m) 水位 (m) 水位 (m) 1// : 21/7/1 : 21/7/1 : 25//5 : 25//5 : 1// : 21/7/1 : 21/7/1 : 25//5 : 25//5 : 雨量 (mm/h) 21/7/1 : 21/7/1 : 25//5 21: 雨量 (mm/h) 25//5 21: 21/7/1 21: 21/7/1 21: 25// : 25// : 21/7/14 : 21/7/14 : 25// : 25// : 水位 (m) 1//28 21: 21/7/14 : 21/7/14 : 25// : 25// : 1//2 : 21/7/14 : 21/7/14 : 25// 21: 25// 21: 水位 (m) 1//2 : 1//28 21: 21/7/14 21: 21/7/14 21: 1//2 : 1//2 : 雨量 (mm/h) 雨量 (mm/h) 雨量 (mm/h) 雨量 (mm/h) 1//2 21: 水位 (m) 水位 (m) 水位 (m) 水位 (m) 1//2 24/1/8 : 7: 1// : 18/8/5 1: 18/8/5 1: 24/1/8 7: 1//2 : 1// : 1//2 21: 18/8/5 1: 18/8/5 1: 24/1/8 1: 24/1/8 1: 1// : 雨量 (mm/h) 18/8/ 1: 18/8/ 1: 24/1/ 7: 24/1/ 7: 1// : 18/8/ 1: 18/8/ 1: 24/1/ 1: 24/1/ 1: 雨量 (mm/h) 18/8/7 1: 18/8/7 1: 24/1/1 7: 24/1/1 7: 18/8/7 1: 18/8/7 1: 24/1/1 1: 24/1/1 1: 雨量 (mm/h) 雨量 (mm/h) 雨量 (mm/h) 雨量 (mm/h) 47 他流域の事例 ( 従来型 ANN との比較 ) 樋渡期間最大洪水 8.5 小貝川水海道期間最大洪水流域平均雨量 2 樋渡実績水位深層学習 4 予測水位深層学習深層学習流域平均雨量樋渡実績水位予測水位 ANN( 従来型 ) ANN( 従来型 ) ANN( 従来型 ) ANN( 従来型 ) 日の出橋期間最大洪水流域平均雨量樋渡実績水位予測水位深層学習深層学習大仁期間最大洪水 ANN( 従来型 ) ) ANN( 従来型 ) ) 2 4 深層学習 8 1 流域平均雨量樋渡実績水位予測水位

48 他流域の事例従来型ANNとの比較水位観測所雨量観測所.8 予測地点予測地点予測地点.7 深層学習.25 ANN 従来型洪水平均樋渡..2 水位観測所雨量観測所.1.8 深層学習.2 ANN 従来型.24 RMSE (m) RMSE (m) 予測地点深層学習 ANN 従来型.. 予測地点 1時間予測 2時間予測時間予測 4時間予測 5時間予測時間予測.7.4 小貝川水海道. 1時間予測 2時間予測時間予測 4時間予測 5時間予測時間予測. 4洪水平均.5.1 予測地点 ANN 従来型 RMSE (m) RMSE (m). 深層学習.2 洪水平均日の出橋洪水平均大仁水位観測所雨量観測所.14 1時間予測 2時間予測時間予測 4時間予測 5時間予測時間予測 1時間予測 2時間予測時間予測 4時間予測 5時間予測時間予測複雑な条件観測データが多数河道網の形が複雑等では深層学習の効果が高い単純な条件観測データが少ない河道網が単純等では深層学習の効果がでにくい 48

49 4 発表概要 1 人工知能とは? 2 機械学習の基礎知識ニューラルネットワーク 4 洪水予測への活用例 5 深層学習 ( ディープラーニング ) おわりに

50 今後の課題期間最大洪水のピーク水位付近で精度低下が見られた ANNを始めとする統計モデルによる予測では学習経験のない高水位の事象に対する適用性が不明とされている高水位の予測精度向上は課題として非常に重要物理型の流出モデルとの組合せにより入力層を工夫することで適用性向上の余地がある // 21: 25// : 8 25// : 25// : 25//5 21: 25//5 : 4 RMSE (m) //5 : 水位 m 雨量 mm/h 分布型, スライド補正分布型, 粒子フィルタ 25 ＡＮＮ層深層学習なし 1. 水位相関.8 深層学習時間予測 2時間予測時間予測 4時間予測 5時間予測時間予測大淀川における深層学習モデルの計算結果期間最大の洪水ピーク付近で予測が過大評価他の手法に比べても精度が劣る 5

51 まとめ今後に向けてディープラーニングを適用した洪水予測モデルは他の手法に比べ最も高い精度を示した人工知能への期待を原動力に深層学習を中心に技術革新が進んでいる今後も最新の技術をキャッチしていくとともに様々な分野への展開を図りたい現在の取り組み例 - 下水道の劣化予測式 - 高潮のリアルタリム予測モデル - 斜面崩壊予測モデル 51

52 下水道の劣化予測 52

53 相関係数 5 下水道の劣化予測説明変数管径 (mm) 路線延長 (m) 取付管本数スパン内の管本数経過年数土被り (m) 目的変数劣化数の合計管の腐食上下方向のたるみ管の破損管のクラック管の継手ズレ浸入水取付け管の突出し樹木根侵入..5.4 線形回帰ニューラルネットワークサポートベクターマシン線形回帰ニューラルネットワークサポートベクターマシン

54 潮位偏差 (m) 高潮のリアルタイム予測説明変数気圧台風との距離位置 ( 東西南北 ) 目的変数予測地点の潮位偏差過去の大量のシミュレーション結果を学習して台風情報から瞬時に高潮潮位をリアルタイムに予測する相関係数 :.85 RMSE:.18 予測地点潮位線形 ( 予測地点潮位 ) y =.4x +.18 R² = 予測偏差 (m) 54

斜面崩壊の予測説明変数累積雨量雨量強度斜面勾配地質植生集水面積地形因子目的変数斜面崩壊の有無図の出典六甲砂防事務所webページ http://www.kkr.

55 斜面崩壊の予測説明変数累積雨量雨量強度斜面勾配地質植生集水面積地形因子目的変数斜面崩壊の有無図の出典六甲砂防事務所webページ er/history/h2/h2-index.php 過去の斜面崩壊履歴を学習して降雨状況による崩壊の有無をリアルタイムに予測する 55

56 5 以上ご静聴ありがとうございました

57 参考文献一言正之ニューラルネットワークと物理型モデルを用いた実時間洪水予測の精度向上に関する研究,東京大学博士論文 21. 一言正之櫻庭雅明清雄一深層学習を用いた河川水位予測手法の開発水工学論文集 Vol. 21. 一言正之桜庭雅明深層学習の適用によるニューラルネットワーク洪水予測の精度向上河川技術論文集 Vol 杉本泰亮一言正之機械学習を取り入れた下水道管路の劣化予測モデルに関する検討第54回土木計画学研究講演集 21 57

平成 29 年 7 月 20 日滝川タイムライン検討会気象台資料気象庁札幌管区気象台 Sapporo Regional Headquarters Japan Meteorological Agency 大雨警報 ( 浸水害 ) 洪水警報の基準改正表面雨量指数の活用による大雨警報 ( 浸水害 )

平成 29 年 7 月 20 日滝川タイムライン検討会気象台資料気象庁札幌管区気象台 Sapporo Regional Headquarters Japan Meteorological Agency 大雨警報 ( 浸水害 ) 洪水警報の基準改正表面雨量指数の活用による大雨警報 ( 浸水害 ) 平成 29 年 7 月 2 日滝川タイムライン検討会気象台資料大雨警報 ( 浸水害 ) 洪水警報の基準改正表面雨量指数の活用による大雨警報 ( 浸水害 ) の改善と危険度分布の提供表面雨量指数の概要大雨警報 ( 浸水害 ) 大雨注意報の基準と危険度分布の表示表面雨量指数導入による大雨警報 ( 浸水害 ) の改善効果精緻化した流域雨量指数の活用による洪水警報の改善と危険度分布の提供流域雨量指数の概要とその精緻化