新たな予測手法を基礎としたリアルタイム波浪予測モデルの開発

新たなリアルタイム波浪予測モデルとして、ガウス過程回帰をベースとした予測モデルを構築した。使用したプログラミング言語はPythonであり、その中のライブラリを利用してモデルを構築した。ガウス過程回帰から出力する予測値の滑らかさを表すカーネル関数には、既往文献の調査から選定した様々な関数（計7つ）を適用し、感度実験を行うとともに最も観測をよく表す関数を最終的に利用するカーネル関数として採用した。ガウス過程回帰による予測モデルを構築後、既往研究で作成されたニューラルネットワークモデルおよび数値シミュレーションモデルと精度の比較を行った。その結果、ニューラルネットワークモデルや数値シミュレーションモデルよりも全体的に高い精度で予測が行えることを確認した。ただし、予測精度には季節変化があり、ガウス過程回帰モデルでは比較的波高の低い夏季の精度は高いが波高の高い冬季ではニューラルネットワークモデルに比べて精度が低いことがわかった。また、ガウス過程回帰モデルから出力される予測値の信頼度（正確には不信頼度）を表す標準偏差と実際の誤差との関係を調べたところ、明確な相関が確認できた。これによって、標準偏差を予測値の精度を考える上での一つの指標とできることがわかった。さらに、ガウス過程回帰モデルとニューラルネットワークモデルから出力された予測値を合成し、一つのより精度の高い予測値を得ることにも取り組んだ。その際、ガウス過程回帰モデルから出力される標準偏差を重みとして付加し合成することで、予測値を最適化することができそれぞれのモデルの単独での予測よりも精度が向上することを確認した。以上の結果を2022年度海岸工学講演会で発表した。また、現在はここまでの成果を国際ジャーナルへの投稿へ向けて執筆中である。

新たなリアルタイム波浪予測モデルとして、ガウス過程回帰をベースとした予測モデルを構築した。使用したプログラミング言語はPythonであり、その中のライブラリを利用してモデルを構築した。ガウス過程回帰から出力する予測値の滑らかさを表すカーネル関数には、既往文献の調査から選定した様々な関数（計7つ）を適用し、感度実験を行うとともに最も観測をよく表す関数を最終的に利用するカーネル関数として採用した。ガウス過程回帰による予測モデルを構築後、既往研究で作成されたニューラルネットワークモデルおよび数値シミュレーションモデルと精度の比較を行った。その結果、ニューラルネットワークモデルや数値シミュレーションモデルよりも全体的に高い精度で予測が行えることを確認した。ただし、予測精度には季節変化があり、ガウス過程回帰モデルでは比較的波高の低い夏季の精度は高いが波高の高い冬季ではニューラルネットワークモデルに比べて精度が低いことがわかった。また、ガウス過程回帰モデルから出力される予測値の信頼度（正確には不信頼度）を表す標準偏差と実際の誤差との関係を調べたところ、明確な相関が確認できた。これによって、標準偏差を予測値の精度を考える上での一つの指標とできることがわかった。さらに、ガウス過程回帰モデルとニューラルネットワークモデルから出力された予測値を合成し、一つのより精度の高い予測値を得ることにも取り組んだ。その際、ガウス過程回帰モデルから出力される標準偏差を重みとして付加し合成することで、予測値を最適化することができそれぞれのモデルの単独での予測よりも精度が向上することを確認した。以上の結果を2022年度海岸工学講演会で発表した。また、現在はここまでの成果を国際ジャーナルへの投稿へ向けて執筆中である。