JP7650161B2 - Weather forecasting equipment - Google Patents
Weather forecasting equipment Download PDFInfo
- Publication number
- JP7650161B2 JP7650161B2 JP2021022772A JP2021022772A JP7650161B2 JP 7650161 B2 JP7650161 B2 JP 7650161B2 JP 2021022772 A JP2021022772 A JP 2021022772A JP 2021022772 A JP2021022772 A JP 2021022772A JP 7650161 B2 JP7650161 B2 JP 7650161B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- weather
- simulation
- interval time
- learning
- 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
Links
- 238000004088 simulation Methods 0.000 claims description 70
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000010801 machine learning Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、気象予測装置に関する。 The present invention relates to a weather forecasting device.
従来、高層ビル等の建設時に風環境の評価を行う演算を機械学習させることが可能な風環境学習装置が知られている（例えば、特許文献１）。特許文献１の風環境学習装置は、過去調査対象データと過去調査結果データとの関係を学習する。 Conventionally, there is known a wind environment learning device that can perform machine learning to perform calculations to evaluate the wind environment when constructing a high-rise building or the like (for example, Patent Document 1). The wind environment learning device of Patent Document 1 learns the relationship between data on past survey subjects and data on past survey results.
また、風速情報と風向情報を含む詳細な風速分布を取得可能な、風速分布推定装置が知られている（例えば、特許文献２）。特許文献２の風速分布推定装置は、建物の形状情報を含む建物情報データ、風向データ、及び、建物情報データ及び風向データに対応する教師データとしての風速分布データを、学習データとして深層学習された学習モデルを備え、当該学習モデルに風速分布の推定対象となる建物情報データと風向データを入力して風速分布を推定する。 There is also a known wind speed distribution estimation device that can acquire detailed wind speed distribution including wind speed information and wind direction information (for example, Patent Document 2). The wind speed distribution estimation device of Patent Document 2 is equipped with a learning model in which building information data including building shape information, wind direction data, and wind speed distribution data as teacher data corresponding to the building information data and wind direction data are deep-learned as learning data, and the building information data and wind direction data that are the subject of wind speed distribution estimation are input to the learning model to estimate the wind speed distribution.
上記特許文献１及び２に開示されているような機械学習モデルによって将来の気象データを予測する際には、学習用データを用いて機械学習モデルを予め学習させる必要があり、過去の気象データを学習用データとして予め用意する必要がある。特許文献２には、一つの学習データから複数の学習データを生成する点が開示されている（例えば、段落［００４０］等）。特許文献２には、学習データを切り出すことが記載されており、元となる学習データは過去に取得されたデータであることが推察される。 When predicting future weather data using machine learning models such as those disclosed in Patent Documents 1 and 2, it is necessary to train the machine learning model in advance using training data, and past weather data must be prepared in advance as training data. Patent Document 2 discloses generating multiple training data from one training data (for example, paragraph [0040], etc.). Patent Document 2 describes extracting training data, and it is inferred that the original training data is data obtained in the past.
このため、従来技術では、機械学習モデルを用いて気象データを予測する際には過去のデータを用意する必要がある、という課題がある。 As a result, conventional technology has the problem that when predicting weather data using a machine learning model, it is necessary to prepare past data.
本発明は上記事実を考慮して、機械学習モデルを用いて気象データを予測する際に、シミュレーションによって得られたデータを用いて機械学習モデルを学習させ、気象データを予測することを目的とする。 Taking the above facts into consideration, the present invention aims to predict weather data using a machine learning model by training the machine learning model using data obtained by simulation.
上記目的を達成するために、本発明の気象予測装置は、所定のシミュレーションモデルに、領域内の解析対象時間のうちの第１区間時間の各時刻について流入境界データを入力して、気象をシミュレーションすることにより、前記領域内の前記第１区間時間の第１気象データを表すシミュレーションデータを生成するシミュレーション部と、前記流入境界データと前記シミュレーションデータと、の組み合わせを学習用データとして設定し、設定された前記学習用データに基づいて、学習用モデルを機械学習させることにより、前記流入境界データから、前記解析対象時間のうちの前記第１区間時間より後の第２区間時間の気象データを表す第２気象データを予測するための学習済みモデルを生成する学習部と、前記学習部により生成された前記学習済みモデルに対して、前記第２区間時間において、流入境界データを入力することにより、前記第２区間時間に対応する前記第２気象データを予測する予測部と、を有する。これにより、機械学習モデルを用いて気象データを予測する際に、シミュレーションによって得られたデータを用いて機械学習モデルを学習させ、気象データを予測することを可能とする。 In order to achieve the above object, the weather forecasting device of the present invention has a simulation unit that inputs inflow boundary data for each time of a first interval time in an analysis target time in a region into a predetermined simulation model and simulates weather to generate simulation data representing first weather data for the first interval time in the region; a learning unit that sets a combination of the inflow boundary data and the simulation data as learning data and performs machine learning on a learning model based on the set learning data to generate a trained model for predicting second weather data representing weather data for a second interval time after the first interval time in the analysis target time from the inflow boundary data; and a prediction unit that inputs inflow boundary data in the second interval time into the trained model generated by the learning unit to predict the second weather data corresponding to the second interval time. This makes it possible to train the machine learning model using data obtained by simulation when predicting weather data using a machine learning model, and predict weather data.
また、本発明の気象予測装置において、前記学習部は、前記学習モデルを、建物にかかる風圧データ及び街区の風速データの少なくとも一方を予測するように学習した前記学習済みモデルを生成し、前記予測部によって前記建物にかかる風圧データ及び街区の風速データの少なくとも一方を予測する、こともできる。これにより、風圧データ及び風速データに関する予測をすることができる。 In addition, in the weather forecasting device of the present invention, the learning unit can generate the trained model by training the learning model to predict at least one of the wind pressure data on a building and the wind speed data on a city block, and can predict at least one of the wind pressure data on the building and the wind speed data on a city block by the prediction unit. This makes it possible to make predictions regarding the wind pressure data and the wind speed data.
また、本発明の気象予測装置において、前記シミュレーションデータ、及び前記第２気象データには、風速データ、風向データ、気温データ、湿度データ、日射量データ、気圧データ、及び降水量データが少なくとも一つ以上含まれる、ようにすることもできる。これにより、多様な気象データを対象に予測をすることができる。 In addition, in the weather forecasting device of the present invention, the simulation data and the second weather data can include at least one of wind speed data, wind direction data, temperature data, humidity data, solar radiation data, atmospheric pressure data, and precipitation data. This makes it possible to make predictions based on a variety of weather data.
本発明によれば、機械学習モデルを用いて気象データを予測する際に、シミュレーションによって得られたデータを用いて機械学習モデルを学習させ、気象データを予測する、という効果が得られる。 According to the present invention, when predicting weather data using a machine learning model, the machine learning model is trained using data obtained by simulation, and the weather data is predicted.
［本発明の実施形態］
以下、図面を参照して、本発明の実施形態の監視システムについて説明する。
[Embodiments of the present invention]
A monitoring system according to an embodiment of the present invention will now be described with reference to the drawings.
本発明の実施形態の前提及び概要を説明する。街区又は建物に対する風速及び風圧等の気象データの予測には、ＣＦＤ（Computational Fluid Dynamics）によるシミュレーションが用いられている。しかし、ＣＦＤによるシミュレーションは計算コストが高いという問題があり、実用に際して課題がある。例えば、ＣＦＤでは非常に細かい格子間隔でのシミュレーションが求められるため、大型計算機などの計算リソースが必要である。また、大型計算機を有していても、計算領域又はメッシュ数によっては計算完了まで非常に多くの時間が必要である。このようなＣＦＤの手法に対して、機械学習の手法は計算コストの課題を回避することができるが、上述したように学習に必要な過去のデータを予め用意して学習を行う必要があるという課題がある。 The premise and overview of the embodiment of the present invention will be described. Simulations using CFD (Computational Fluid Dynamics) are used to predict meteorological data such as wind speed and wind pressure on city blocks or buildings. However, CFD simulations have the problem of high calculation costs, which poses challenges in practical use. For example, CFD requires simulations with very fine grid spacing, so calculation resources such as large computers are necessary. Even if a large computer is available, it can take a very long time to complete the calculation depending on the calculation area or number of meshes. In contrast to such CFD methods, machine learning methods can avoid the problem of calculation costs, but as described above, there is a problem in that past data required for learning must be prepared in advance before learning.
本発明の実施形態では、解析対象時間のうちの最初の一部の時間（以下、第１区間時間）についてＣＦＤによるシミュレーションを行い、ＣＦＤの入力及びシミュレーション結果を学習用データとして機械学習によって学習済みモデルを生成する。そして、解析対象時間の残りの時間（以下、第２区間時間）について学習済みモデルを用いて予測をすることにより、計算コストを低減すると共に計算時間を短縮することができる。計算時間の短縮により、建築の設計にいちはやく反映が行える利点がある。また、運用によっては大型計算機が不要になる場合もある。 In an embodiment of the present invention, a CFD simulation is performed for the first portion of the analysis time (hereinafter, the first interval time), and a trained model is generated by machine learning using the CFD input and simulation results as learning data. Then, by using the trained model to make predictions for the remaining time of the analysis time (hereinafter, the second interval time), it is possible to reduce calculation costs and calculation time. The shortened calculation time has the advantage that it can be reflected in the building design as soon as possible. Also, depending on the operation, a large computer may not be necessary.
本発明の実施形態の手法（以下、本手法）では、第１区間時間では、ＣＦＤによるシミュレーションによって気象データ（以下、第１気象データという）の予測をする。第２区間時間では、ＣＦＤの結果で学習した機械学習のモデルによって気象データ（以下、第２気象データという）の予測をする。ＣＦＤのシミュレーションで街区の風速、及び街区に存在する建物に対する風圧を解析する場合について説明する。図１は、ＣＦＤによるシミュレーションを行い、風速及び風圧の気象データを予測し、学習用データとする場合のイメージ図である。ＣＦＤのシミュレーションでは、解析対象の領域（建物が存在する街区）と、領域に対応した流入境界面を設定する。流入境界面は格子間隔で設定される。流入境界面に対する入力データとして、流入境界データを入力する。流入境界データは、風速データ及び風向データ等のデータ種別ごとの予報値又は実測値を用いればよく、経時的に変化する値である。そして、所定の格子間隔で解析を行い、街区における風速データ、風向データ、及び風圧データをシミュレーションする。シミュレーションにおける格子間隔は、流入境界面の格子間隔から、対象とする建物の付近への接近に応じては小さくしていく等、シミュレーション状況に応じて適宜定められる。ここでは、入力データからシミュレーションに用いる入力値を作成してもよい。例えば、解析対象の計算を行う前に、別の計算として、シミュレーション上でラフネスブロックを模擬的に生成し、ラフネスブロックに乱れ成分を持たない一様流を流して乱れ成分を持った変動風を作成する。そして、変動風のデータを入力値として街区といった解析対象の領域のシミュレーションを行ってもよい。なお、ＣＦＤのシミュレーション手法は一例であり、他の入力及び出力態様であってもよい。そして、図１に示した例のように、ＣＦＤのシミュレーションの入力及びシミュレーションデータを学習用データとして機械学習を行う。 In the method of the embodiment of the present invention (hereinafter, this method), in the first interval time, weather data (hereinafter, referred to as first weather data) is predicted by a CFD simulation. In the second interval time, weather data (hereinafter, referred to as second weather data) is predicted by a machine learning model learned from the results of CFD. A case where the wind speed of a block and the wind pressure on buildings in the block are analyzed by a CFD simulation will be described. FIG. 1 is an image diagram of a case where a CFD simulation is performed, weather data of wind speed and wind pressure are predicted, and the data is used for learning. In the CFD simulation, the area to be analyzed (a block in which buildings exist) and an inflow boundary surface corresponding to the area are set. The inflow boundary surface is set at a grid interval. Inflow boundary data is input as input data for the inflow boundary surface. The inflow boundary data is a value that changes over time, and may be a forecast value or an actual measurement value for each data type, such as wind speed data and wind direction data. Then, an analysis is performed at a predetermined grid interval, and the wind speed data, wind direction data, and wind pressure data in the block are simulated. The grid spacing in the simulation is appropriately determined according to the simulation situation, for example, by decreasing the grid spacing of the inflow boundary surface as the target building approaches. Here, input values used in the simulation may be created from input data. For example, before performing calculations for the analysis target, roughness blocks are simulated in a simulation as a separate calculation, and a uniform flow without turbulence components is passed through the roughness blocks to create fluctuating wind with turbulence components. Then, a simulation of the analysis target area, such as a city block, may be performed using the fluctuating wind data as input values. Note that the CFD simulation method is one example, and other input and output modes may be used. Then, as in the example shown in FIG. 1, machine learning is performed using the CFD simulation input and simulation data as learning data.
図２は、従来手法の解析対象時間を一律にＣＦＤで予測を行う場合と、本手法の解析対象時間を第１区間時間と第２区間時間とに分割して予測する場合の想定である。図２に示す例では、従来手法の解析対象時間は全てＣＦＤで予測を行うのに対して、本手法では、解析対象時間を、第１区間時間が１／４程度、第２区間時間が３／４程度としている。なお、第１区間時間、及び第２区間時間は一例であり、状況に応じて適宜、各区間時間の長さを変更して実施することができる。また、第１気象データ、及び第２気象データの予測対象のデータ種別は同じでもよいし、学習済みモデルによって予測する第２気象データはデータ種別を絞り込んでもよい。 Figure 2 shows an example of a case where the analysis time in the conventional method is uniformly predicted by CFD, and a case where the analysis time in the present method is divided into a first interval time and a second interval time for prediction. In the example shown in Figure 2, the analysis time in the conventional method is predicted entirely by CFD, whereas in the present method, the analysis time is set to about 1/4 for the first interval time and about 3/4 for the second interval time. Note that the first interval time and the second interval time are merely examples, and the length of each interval time can be changed as appropriate depending on the situation. The data types of the prediction targets of the first weather data and the second weather data may be the same, or the data type of the second weather data predicted by the trained model may be narrowed down.
図３は、本発明の実施形態に係る気象予測装置の構成を示すブロック図である。図３に示すように、気象予測装置１００は、機能的には、シミュレーション部１１０と、学習部１１２と、モデル記憶部１１４と、予測部１１６を備えている。気象予測装置１００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、各処理ルーチンを実現するためのプログラム等を記憶したＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、データを一時的に記憶するＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、記憶手段としてのメモリ、及びネットワークインタフェース等を含んだコンピュータにより実現される。 Figure 3 is a block diagram showing the configuration of a weather forecasting device according to an embodiment of the present invention. As shown in Figure 3, the weather forecasting device 100 functionally comprises a simulation unit 110, a learning unit 112, a model storage unit 114, and a prediction unit 116. The weather forecasting device 100 is realized by a computer including a CPU (Central Processing Unit), a ROM (Read Only Memory) that stores programs for implementing each processing routine, a RAM (Random Access Memory) that temporarily stores data, a memory as a storage means, and a network interface.
シミュレーション部１１０は、ＣＦＤのシミュレーションモデルに、領域内の解析対象時間のうちの第１区間時間の各時刻について流入境界データを入力して、気象をシミュレーションする。これにより、シミュレーション部１１０は、領域内の第１区間時間の第１気象データを表すシミュレーションデータを生成する。シミュレーションデータの一例としては、例えば上述したような街区の風速データ、風向データ、及び建物の風圧データである。また、入力にその他の気象情報のデータ種別を用いて、シミュレーションデータとして、気温データ、湿度データ、日射量データ、気圧データ、及び降水量データを含むように生成してもよい。シミュレーションデータはこれらのデータうちの一部であってもよい。なお、気象予測装置１００では、第１区間時間においては、シミュレーション部１１０で生成したシミュレーションデータ（第１気象データ）を予測結果として出力する。 The simulation unit 110 inputs inflow boundary data for each time of the first interval time of the analysis target time in the region into the CFD simulation model to simulate the weather. As a result, the simulation unit 110 generates simulation data representing the first weather data for the first interval time in the region. An example of the simulation data is the wind speed data, wind direction data, and wind pressure data of the building as described above. In addition, by using other types of weather information data for input, the simulation data may be generated to include temperature data, humidity data, solar radiation data, air pressure data, and precipitation data. The simulation data may be a part of these data. In addition, in the weather forecasting device 100, the simulation data (first weather data) generated by the simulation unit 110 is output as a prediction result for the first interval time.
学習部１１２は、第１区間期間の流入境界データとシミュレーションデータと、の組み合わせを学習用データとして設定し、設定された学習用データに基づいて、学習済みモデルを生成し、モデル記憶部１１４に格納する。学習済みモデルは、シミュレーション部１１０の第１区間期間のシミュレーションで用いた流入境界データ、及びシミュレーションデータから、学習用モデルを機械学習させることにより生成する。学習用モデルのニューラルネットワークの一例を図４に示す。図４の例に示すように、学習用モデルは、流入境界データを入力層への入力とし、領域について求めたい出力が出力層から求まるように構成する。流入境界データとしては、ＣＦＤのシミュレーションに用いた入力条件を用いればよく、入力条件は、例えば、風速、風向、気温、湿度、日射量、気圧、及び降水量の各種データを設定する。領域について求めたい出力（第２気象データ）は、例えば、風速、風向、気温、湿度、日射量、気圧、降水量、及び風圧の各種データを設定する。学習部１１２は、これらの入力条件を用いて求めたＣＦＤのシミュレーションデータ（第１気象データ）の結果の出力となるように、中間層のパラメータを機械学習させる。 The learning unit 112 sets a combination of the inflow boundary data and the simulation data for the first interval as learning data, generates a learned model based on the set learning data, and stores it in the model storage unit 114. The learned model is generated by machine learning the learning model from the inflow boundary data used in the simulation of the first interval by the simulation unit 110 and the simulation data. An example of a neural network for the learning model is shown in FIG. 4. As shown in the example of FIG. 4, the learning model is configured so that the inflow boundary data is input to the input layer, and the output to be obtained for the region is obtained from the output layer. As the inflow boundary data, it is sufficient to use the input conditions used in the CFD simulation, and the input conditions are, for example, various data such as wind speed, wind direction, temperature, humidity, solar radiation, air pressure, and precipitation. As the output (second weather data) to be obtained for the region, for example, various data such as wind speed, wind direction, temperature, humidity, solar radiation, air pressure, precipitation, and wind pressure are set. The learning unit 112 performs machine learning on the parameters of the intermediate layer so that the output is the result of CFD simulation data (first weather data) obtained using these input conditions.
学習済みモデルは、解析対象時間のうちの第１区間時間より後の第２区間時間の気象データを表す第２気象データを予測するためのモデルとして学習する。例えば、学習部１１２における学習処理自体は、第１区間時間のシミュレーションデータの生成に応じて学習処理を行い、シミュレーションに関する所定の条件を満たした場合に第１区間時間における学習が完了したものとすればよい。シミュレーションに関する所定の条件は、例えば、シミュレーション部１１０のシミュレーション開始から一定時間経過、及びシミュレーション回数等である。本実施形態では、少なくとも、建物にかかる風圧データ及び街区の風速データを第２気象データとして予測するように学習した学習済みモデルを生成する。学習済みモデルの予測対象の第２気象データは、風圧データ及び風速データのいずれかであってもよい。また、学習済みモデルの予測対象の第２気象データは、シミュレーション部１１０と同様に、気温データ、湿度データ、日射量データ、気圧データ、及び降水量データを含んでもよい。第２気象データはこれらのデータうちの一部であってもよい。 The trained model is trained as a model for predicting second weather data representing weather data for a second interval time after the first interval time of the analysis target time. For example, the training process in the training unit 112 itself may be performed in response to the generation of simulation data for the first interval time, and training for the first interval time may be completed when a predetermined condition related to the simulation is satisfied. The predetermined condition related to the simulation may be, for example, a certain time has elapsed since the start of the simulation by the simulation unit 110, the number of simulations, etc. In this embodiment, a trained model is generated that has been trained to predict at least wind pressure data on a building and wind speed data on a block as second weather data. The second weather data to be predicted by the trained model may be either wind pressure data or wind speed data. In addition, the second weather data to be predicted by the trained model may include temperature data, humidity data, solar radiation data, air pressure data, and precipitation data, similar to the simulation unit 110. The second weather data may be a part of these data.
モデル記憶部１１４には、学習部１１２により学習された学習済みモデルが格納される。 The model memory unit 114 stores the trained model trained by the training unit 112.
予測部１１６は、モデル記憶部１１４に格納されている学習済みモデルに対して、第２区間時間において、流入境界データを入力することにより、第２区間時間に対応する第２気象データを予測し、出力する。 The prediction unit 116 inputs inflow boundary data for the second interval time into the trained model stored in the model storage unit 114, thereby predicting and outputting second weather data corresponding to the second interval time.
次に、本発明の実施形態の作用について説明する。図５は、本発明の実施形態に係る気象予測装置１００における気象予測処理を示すフローチャートである。気象予測装置１００のＣＰＵがＲＯＭからプログラム及び各種データを読み出して実行することにより、ＣＰＵが、気象予測装置１００の各部としての処理を実行する。なお、気象予測装置１００の気象予測処理は、予め定められた解析対象時間について行われ、処理ステップの段階に応じて、第１区間時間及び第２区間時間に分けられる。 Next, the operation of an embodiment of the present invention will be described. FIG. 5 is a flowchart showing weather forecast processing in the weather forecasting device 100 according to an embodiment of the present invention. The CPU of the weather forecasting device 100 reads and executes programs and various data from the ROM, and the CPU executes processing as each part of the weather forecasting device 100. Note that the weather forecast processing of the weather forecasting device 100 is performed for a predetermined analysis target time, and is divided into a first interval time and a second interval time according to the stage of the processing step.
ステップＳ１００では、シミュレーション部１１０が、領域内の第１区間時間の第１気象データを表すシミュレーションデータを生成する。シミュレーションデータの生成は、ＣＦＤのシミュレーションモデルに、領域内の解析対象時間のうちの第１区間時間の各時刻について流入境界データを入力して、気象をシミュレーションすることにより行う。また、シミュレーションデータ（第１気象データ）は第１区間時間の予測結果として扱う。 In step S100, the simulation unit 110 generates simulation data representing the first weather data for the first interval time within the region. The simulation data is generated by inputting inflow boundary data for each time of the first interval time within the analysis target time within the region into a CFD simulation model and simulating the weather. In addition, the simulation data (first weather data) is treated as a prediction result for the first interval time.
ステップＳ１０２では、学習部１１２が、ステップＳ１００で用いた第１区間期間の流入境界データとシミュレーションデータと、の組み合わせを学習用データとして設定する。 In step S102, the learning unit 112 sets the combination of the inflow boundary data for the first interval period used in step S100 and the simulation data as learning data.
ステップＳ１０４では、学習部１１２が、設定された学習用データに基づいて、学習用モデルを機械学習させることにより、学習済みモデルを生成し、モデル記憶部１１４に格納する。なお、繰り返しにおいて、学習済みモデルを再学習して生成する。 In step S104, the learning unit 112 generates a trained model by machine learning the learning model based on the set learning data, and stores the trained model in the model storage unit 114. Note that in each repetition, the trained model is retrained and generated.
ステップＳ１０６では、シミュレーションに関する所定の条件を満たすか否かを判定する。条件を満たす場合にはステップＳ１０８へ移行し、条件を満たしていない場合にはステップＳ１００に戻って、シミュレーション及び学習を繰り返す。なお、解析対象時間において、ステップＳ１００でシミュレーションを開始（解析対象時間が開始）してからステップＳ１０８へ移行するまでが、第１区間時間に関する処理であり、移行後から解析対象時間の終了までが第２区間時間に関する処理である。 In step S106, it is determined whether or not a predetermined condition related to the simulation is satisfied. If the condition is satisfied, the process proceeds to step S108, and if the condition is not satisfied, the process returns to step S100 and the simulation and learning are repeated. Note that, in the analysis target time, the process from the start of the simulation in step S100 (start of the analysis target time) to the transition to step S108 is related to the first interval time, and the process from the transition to the end of the analysis target time is related to the second interval time.
ステップＳ１０８では、予測部１１６が、モデル記憶部１１４に格納されている学習済みモデルに対して、第２区間時間において、流入境界データを入力することにより、第２区間時間に対応する第２気象データを予測し、出力する。以降、第２区間時間の間、第２気象データを予測することを適宜実行する。 In step S108, the prediction unit 116 inputs the inflow boundary data for the second interval time into the trained model stored in the model storage unit 114, thereby predicting and outputting the second weather data corresponding to the second interval time. Thereafter, prediction of the second weather data is appropriately performed during the second interval time.
以上、説明したように、本発明の実施形態に係る気象予測装置１００によれば、機械学習モデルを用いて気象データを予測する際に、シミュレーションによって得られたデータを用いて機械学習モデルを学習させ、気象データを予測することができる。 As described above, according to the weather forecasting device 100 of an embodiment of the present invention, when predicting weather data using a machine learning model, the machine learning model can be trained using data obtained by simulation to predict weather data.
なお、本発明は、上述した実施の形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。 The present invention is not limited to the above-described embodiment, and various modifications and applications are possible without departing from the spirit of the invention.
例えば、解析対象時間において、第１区間時間の後に、第２区間時間の学習済みモデルによる予測だけを行う場合について説明したが、これに限定されるものではない。例えば、解析対象時間の間に、第１区間時間と、第２区間時間を交互になるようにし、シミュレーション及び学習（第１気象データによる予測）、並びに学習済みモデルによる予測（第２気象データによる予測）を交互に実行するようにしてもよい。また、交互に実行する条件として、気象条件の変動を定めて、第２区間時間の間に変動が生じた場合に入れ替えるようにしてもよい。気象条件の変動とは、風速データ、及び風向データ等の気象データの実測値が一定以上変化した場合である。これにより、気象条件の変動に応じて、ＣＦＤのシミュレーションデータを適宜、反映した学習済みモデルを生成し、予測を行うことができる。 For example, the case where only prediction is made using the trained model for the second interval time after the first interval time in the analysis time has been described, but the present invention is not limited to this. For example, the first interval time and the second interval time may be alternated during the analysis time, and simulation and learning (prediction using the first weather data) and prediction using the trained model (prediction using the second weather data) may be alternated. In addition, a change in weather conditions may be set as a condition for alternating, and switching may be performed if a change occurs during the second interval time. A change in weather conditions is when the actual measured values of weather data such as wind speed data and wind direction data change by a certain amount or more. This allows a trained model that appropriately reflects CFD simulation data to be generated and predictions to be made according to changes in weather conditions.
１００ 気象予測装置
１１０ シミュレーション部
１１２ 学習部
１１４ モデル記憶部
１１６ 予測部
100 Weather forecasting device 110 Simulation unit 112 Learning unit 114 Model storage unit 116 Prediction unit
Claims (3)
前記流入境界データと前記シミュレーションデータと、の組み合わせを学習用データとして設定し、設定された前記学習用データに基づいて、学習用モデルを機械学習させることにより、前記流入境界データから、前記解析対象時間のうちの前記第１区間時間より後の第２区間時間の気象データを表す第２気象データを予測するための学習済みモデルを生成する学習部と、
前記学習部により生成された前記学習済みモデルに対して、前記第２区間時間において、流入境界データを入力することにより、前記第２区間時間に対応する前記第２気象データを予測する予測部と、
を含み、
前記学習部は、前記学習用モデルを、解析対象の領域である前記領域の建物の各々の壁面にかかる風圧データ及び街区の風速データを予測するように学習した前記学習済みモデルを生成し、
前記予測部によって前記建物の各々の壁面にかかる風圧データ及び街区の風速データを予測する、気象予測装置。 a simulation unit which, when simulating weather by inputting into a predetermined simulation model inflow boundary data for each time of a first interval time within an analysis target time in an area, the inflow boundary data being forecast values or actual measured values for each data type of wind speed data and wind direction data and values that change over time , sets the grid spacing of the inflow boundary surface in the simulation to be smaller according to the approach to the target building by a separate calculation before performing calculation of the analysis target, inputs the inflow boundary data, and generates simulation data representing the first weather data for the first interval time in the area by simulating the area to be analyzed of a city block;
a learning unit that sets a combination of the inflow boundary data and the simulation data as learning data, and performs machine learning on a learning model based on the set learning data, thereby generating a trained model for predicting, from the inflow boundary data, second weather data representing weather data for a second interval time subsequent to the first interval time of the analysis target time;
A prediction unit that predicts the second weather data corresponding to the second interval time by inputting inflow boundary data for the second interval time into the trained model generated by the learning unit;
Including,
the learning unit generates the trained model by training the learning model to predict wind pressure data acting on each wall surface of a building in the area that is an analysis target area and wind speed data in a city block;
A weather forecasting device, wherein the prediction unit predicts wind pressure data acting on each wall of the building and wind speed data for the block.
請求項１に記載の気象予測装置。 The simulation data and the second meteorological data include at least one of wind speed data, wind direction data, temperature data, humidity data, solar radiation data, atmospheric pressure data, and precipitation data.
The weather forecasting device according to claim 1 .
3. The weather forecasting device of claim 1 or 2, wherein when a weather change occurs during the second interval time within the analysis time, the simulation unit generates simulation data using the first weather data for the first interval time using actual measured values for the inflow boundary data, and the learning unit generates a learned model and the prediction unit predicts the second weather data, thereby alternately processing the first interval time and the second interval time.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021022772A JP7650161B2 (en) | 2021-02-16 | 2021-02-16 | Weather forecasting equipment |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021022772A JP7650161B2 (en) | 2021-02-16 | 2021-02-16 | Weather forecasting equipment |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022124878A JP2022124878A (en) | 2022-08-26 |
| JP7650161B2 true JP7650161B2 (en) | 2025-03-24 |
Family
ID=82941635
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021022772A Active JP7650161B2 (en) | 2021-02-16 | 2021-02-16 | Weather forecasting equipment |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7650161B2 (en) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7262694B1 (en) * | 2022-09-15 | 2023-04-21 | 鹿島建設株式会社 | Flow field prediction device, learning device, flow field prediction program and learning program |
| WO2024214192A1 (en) * | 2023-04-11 | 2024-10-17 | 日本電信電話株式会社 | Training device, estimation device, training method, estimation method, and program |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002048878A (en) | 2000-08-02 | 2002-02-15 | Nagoya Electric Works Co Ltd | Method and apparatus for estimating road surface temperature or road surface condition |
| JP2011105106A (en) | 2009-11-16 | 2011-06-02 | National Maritime Research Institute | Wind pressure factor estimating program, wind pressure factor estimating device and operation control method of structure |
| US20130110558A1 (en) | 2011-10-26 | 2013-05-02 | Sean Maher | Method and system for estimating economic losses from wind storms |
| JP2018004568A (en) | 2016-07-07 | 2018-01-11 | 株式会社熊谷組 | Estimation method of wind speed distribution around building using neural network, and estimation device of wind speed distribution around building |
| JP2019067074A (en) | 2017-09-29 | 2019-04-25 | 清水建設株式会社 | Wind environment learning device, wind environment evaluation system, wind environment learning method and wind environment evaluation method |
| CN109934422A (en) | 2019-04-25 | 2019-06-25 | 中国人民解放军国防科技大学 | A neural network wind speed prediction method based on time series data analysis |
| JP2019179014A (en) | 2018-03-30 | 2019-10-17 | 株式会社熊谷組 | Wind state prediction method |
| JP2020091171A (en) | 2018-12-05 | 2020-06-11 | 株式会社Ihi | Weather forecast system, weather forecast method, and weather forecast program |
| JP2020118536A (en) | 2019-01-23 | 2020-08-06 | 大成建設株式会社 | Wind velocity distribution estimation device and wind velocity distribution estimation method |
| JP2020135243A (en) | 2019-02-15 | 2020-08-31 | オムロン株式会社 | Model generator, predictor, model generator, and model generator |
| US20200372349A1 (en) | 2019-05-20 | 2020-11-26 | ClimateAI, Inc. | Systems and methods of data preprocessing and augmentation for neural network climate forecasting models |
-
2021
- 2021-02-16 JP JP2021022772A patent/JP7650161B2/en active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002048878A (en) | 2000-08-02 | 2002-02-15 | Nagoya Electric Works Co Ltd | Method and apparatus for estimating road surface temperature or road surface condition |
| JP2011105106A (en) | 2009-11-16 | 2011-06-02 | National Maritime Research Institute | Wind pressure factor estimating program, wind pressure factor estimating device and operation control method of structure |
| US20130110558A1 (en) | 2011-10-26 | 2013-05-02 | Sean Maher | Method and system for estimating economic losses from wind storms |
| JP2018004568A (en) | 2016-07-07 | 2018-01-11 | 株式会社熊谷組 | Estimation method of wind speed distribution around building using neural network, and estimation device of wind speed distribution around building |
| JP2019067074A (en) | 2017-09-29 | 2019-04-25 | 清水建設株式会社 | Wind environment learning device, wind environment evaluation system, wind environment learning method and wind environment evaluation method |
| JP2019179014A (en) | 2018-03-30 | 2019-10-17 | 株式会社熊谷組 | Wind state prediction method |
| JP2020091171A (en) | 2018-12-05 | 2020-06-11 | 株式会社Ihi | Weather forecast system, weather forecast method, and weather forecast program |
| JP2020118536A (en) | 2019-01-23 | 2020-08-06 | 大成建設株式会社 | Wind velocity distribution estimation device and wind velocity distribution estimation method |
| JP2020135243A (en) | 2019-02-15 | 2020-08-31 | オムロン株式会社 | Model generator, predictor, model generator, and model generator |
| CN109934422A (en) | 2019-04-25 | 2019-06-25 | 中国人民解放军国防科技大学 | A neural network wind speed prediction method based on time series data analysis |
| US20200372349A1 (en) | 2019-05-20 | 2020-11-26 | ClimateAI, Inc. | Systems and methods of data preprocessing and augmentation for neural network climate forecasting models |
Non-Patent Citations (3)
| Title |
|---|
| 今野 雅 他，風環境のＣＦＤ解析に対する直交格子自動生成－解適合格子を用いた計算効率の良い格子の自動生成（その２），日本建築学会環境系論文集，2007年07月，第617号，31-38頁 |
| 佐々木 亮冶 他，ニューラルネットワークを用いた建物壁面風圧予測，西松建設技報，2024年10月08日，Vol.30，pp.119-120，https://www.nishimatsu.co.jp/solution/report/pdf/vol30/g030_25.pdf |
| 加藤 優輝，畳み込みニューラルネットワークを用いたビル風予測手法の開発ー単体建物を対象とした風速分布予測－，熊谷組技術研究報告，2016年12月，第75号，pp.69-74 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2022124878A (en) | 2022-08-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111783209B (en) | Self-adaptive structure reliability analysis method combining learning function and kriging model | |
| CN115859781A (en) | Flow Field Prediction Method Based on Attention and Convolutional Neural Network Codec | |
| CN113449919B (en) | Power consumption prediction method and system based on feature and trend perception | |
| CN119989887A (en) | A method for solving fluid mechanics equations based on physical information neural network | |
| CN112001110A (en) | Structural damage identification monitoring method based on vibration signal space real-time recursive graph convolutional neural network | |
| Zhang et al. | Probabilistic machine learning approach for structural reliability analysis | |
| CN112906757B (en) | Model training method, optical power prediction method, device, equipment and storage medium | |
| JP7650161B2 (en) | Weather forecasting equipment | |
| CN111428419A (en) | Suspended sediment concentration prediction method and device, computer equipment and storage medium | |
| US20250156610A1 (en) | Cfd automation method for optimal flow analysis over blades using reinforcement learning, cfd flow analysis method for blades, and cfd flow analysis device for blades | |
| CN120597778B (en) | A Method and System for Simulating High-Temperature Deformation of Rock Mass Based on Deep Learning-Based Perifield Dynamics | |
| CN115983148A (en) | A CFD simulation cloud map prediction method, system, electronic equipment and medium | |
| CN119004385A (en) | Multi-condition information fusion type layered prediction method for wake flow of fan array | |
| CN112926758A (en) | Short-term wind speed prediction method and system | |
| CN117436318A (en) | Smart building management methods and systems based on the Internet of Things | |
| Zargar et al. | Deep learning in early-stage structural performance prediction: assessing morphological parameters for buildings | |
| CN118094977A (en) | Fender structural strength evaluation method and system for new energy automobile | |
| CN119578269B (en) | Bridge structure time-varying fire response prediction method and system based on GNN and GRU | |
| CN119623354B (en) | Wind load numerical simulation-based wind resistance design method and system for large-span warehouse structure | |
| Chronis et al. | Generative fluid dynamics: integration of fast fluid dynamics and genetic algorithms for wind loading optimization of a free form surface | |
| Wang et al. | Physics-Informed Generative Adversarial Networks (GANs) for Fast Prediction of High-Resolution Indoor Air Flow Field. | |
| Arida et al. | building energy modeling using artificial Neural Networks | |
| CN119476014A (en) | A pedestrian flow modeling and real-time simulation method, system, device and medium | |
| JP2025021791A (en) | Wind speed and pressure prediction system | |
| CN118586251A (en) | A method and system for evaluating performance of wing-shaped cages based on cable dynamics |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231221 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240626 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240702 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240821 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20241105 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20241227 |
|
| 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: 20250304 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20250311 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7650161 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |