| 講演名 | 2021-11-26 ［ポスター講演］スマートブイデータを用いた漁種別漁獲量予測の検討 曹 聡(KDDI総合研究所), 宇都宮 栄二(KDDI総合研究所), 吉原 貴仁(KDDI総合研究所), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | IoTセンサーデータに基づく漁獲量予測はスマート漁業に向けた取り組みの一つとして，漁業ノウハウの属人化，漁業労働者不足などの課題解決が期待される．本検討では，ある漁場から収集した漁獲量データ，センサーデータと気象データに基づき，日単位の総漁獲量と魚種別漁獲量を予測する，ResNet Regressor とRandom Forest Regressor の2種類の機械学習モデルを構築した．特徴量と目的変数の関連性を分析し，総漁獲量より魚種別漁獲量を目的変数とする方が水温や気温などの環境データ(特徴量)に関連性が強いことが分かった．また，海上など厳しい環境で動作するIoTシステムでは，水温などのセンシング失敗によるデータ不足問題に対して，1）気象データを活用して補う方法(方法1)と2）複数の漁場のデータを活用する方法(方法2)を検討し，魚種別漁獲量予測に対する影響を検証した．方法1は全魚種に対し効果があり、アジの漁獲量を予測するResNet RegressorモデルでRMSEが22.12から18.26に低減した．方法2はアジ、キビナゴ、ウスバハギといった魚種に効果あった．アジの漁獲量を予測するRandom Forest RegressorモデルでRMSEが29.27から26.09に低減した． |
| 抄録(英) | Fish catch forecasting based on IoT(Internet of Things) data is an important theme for smart fishery, which is expected to solve the problems like know-how humanize and insufficient workers. In this paper, we build regression machine learning models (ResNet Regressor and Random Forest Regressor) based on sensor data and weather data to forecast fish catch weight from a local fishing ground in Japan. From the analysis of the relevance between features and weight target, we find that when compared with the total weight, weight target for each fish spices is more related to environment features like water temperature and atmospheric temperature. Otherwise, lack of enough data to train the model is also a big problem because the harsh environments often cause IoT system sensing failures. To solve the problem, 2 methods are discussed in this paper. The first method, train machine learning models to predict sensor values based on weather data, and use the prediction as missing data imputation. The second method, use data from several different fishing grounds. We conduct experiments to evaluated the above 2 methods for total weight and weights for some fish species. As a result, method 1 is effective for all fish species, especially effective for [Jack mackerel], which reduce the RMSE of ResNet Regressor form 22.12 to 18.26. Method 2 is effective for [Jack mackerel] [Silver-stripe round herring] and [Unicorn leatherjacket], also especially effective for [Jack mackerel], which reduce the RMSE of Random Forest Regressor form 29.27 to 26.09. |
| キーワード(和) | 漁獲量予測 / 魚種別漁獲量予測 / 機械学習 |
| キーワード(英) | Fish catch forecasting / Weight target for each fish spices / Machine learning |
| 資料番号 | SRW2021-46,SeMI2021-45,CNR2021-20 |
| 発行日 | 2021-11-18 (SRW, SeMI, CNR) |
| 研究会情報 | |
| 研究会 | SRW / SeMI / CNR |
|---|---|
| 開催期間 | 2021/11/25(から2日開催) |
| 開催地（和） | 機械振興会館 (予定) |
| 開催地（英） | Kikai-Shinko-Kaikan Bldg. |
| テーマ（和） | IoTワークショップ |
| テーマ（英） | IoT Workshop |
| 委員長氏名（和） | 野田 華子(アンリツ) / 山本 高至(京大) / 神原 誠之(奈良先端大) |
| 委員長氏名（英） | Hanako Noda(Anritsu) / Koji Yamamoto(Kyoto Univ.) / Masayuki Kanbara(NAIST) |
| 副委員長氏名（和） | 水谷 圭一(京大) / 斎藤 健太郎(東京電機大) / 沢田 浩和(NICT) / 門田 和也(日立) / 大和田 泰伯(NICT) / 村川 賀彦(京都工繊大) |
| 副委員長氏名（英） | Keiichi Mizutani(Kyoto Univ.) / Kentaro Saito(Tokyo Denki Univ.) / Hirokazu Sawada(NICT) / Kazuya Monden(Hitachi) / Yasunori Owada(NICT) / Yoshihiko Murakawa(Kyoto Inst. of Tech.) |
| 幹事氏名（和） | 村上 友規(NTT) / 佐々木 重信(新潟大) / 橋本 匡史(サイバー大) / 金井 謙治(早大) / 内山 彰(阪大) / 小林 優佳(東芝) / 西川 由理(パナソニック) |
| 幹事氏名（英） | Tomoki Murakami(NTT) / Shigenobu Sasaki(NIigata Univ.) / Masafumi Hashimoto(Cyber Univ.) / Kenji Kanai(Waseda Univ.) / Akira Uchiyama(Osaka Univ.) / Yuka Kobayashi(Toshiba) / Yuri Nishikawa(Panasonic) |
| 幹事補佐氏名（和） | 野田 聡人(南山大) / 勝間田 優樹(NTTドコモ) / 田谷 昭仁(青学大) / 中山 悠(東京農工大) / 星 祐太(NHK) / 大和 淳司(工学院大) |
| 幹事補佐氏名（英） | Akihito Noda(Nanzan Univ.) / Yuki Katsumata(NTT DOCOMO) / Akihito Taya(Aoyama Gakuin Univ.) / Yu Nakayama(Tokyo Univ. of Agri. and Tech.) / Yuta Hoshi(NHK) / Junji Yamato(Kogakuin Univ.) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Short Range Wireless Communications / Technical Committee on Sensor Network and Mobile Intelligence / Technical Committee on Cloud Network Robotics |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | ［ポスター講演］スマートブイデータを用いた漁種別漁獲量予測の検討 |
| サブタイトル（和） | |
| タイトル（英） | [Poster Presentation] Fish Catch Forecasting by Species using Smart Buoy Sensing Data |
| サブタイトル（和） | |
| キーワード(1)（和/英） | 漁獲量予測 / Fish catch forecasting |
| キーワード(2)（和/英） | 魚種別漁獲量予測 / Weight target for each fish spices |
| キーワード(3)（和/英） | 機械学習 / Machine learning |
| 第 1 著者 氏名（和/英） | 曹 聡 / Cong Cao |
| 第 1 著者 所属（和/英） | 株式会社KDDI総合研究所(略称：KDDI総合研究所) KDDI Research, Inc(略称：KDDI Research) |
| 第 2 著者 氏名（和/英） | 宇都宮 栄二 / utsunomiya eiji |
| 第 2 著者 所属（和/英） | 株式会社KDDI総合研究所(略称：KDDI総合研究所) KDDI Research, Inc(略称：KDDI Research) |
| 第 3 著者 氏名（和/英） | 吉原 貴仁 / yoshihara kiyohito |
| 第 3 著者 所属（和/英） | 株式会社KDDI総合研究所(略称：KDDI総合研究所) KDDI Research, Inc(略称：KDDI Research) |
| 発表年月日 | 2021-11-26 |
| 資料番号 | SRW2021-46,SeMI2021-45,CNR2021-20 |
| 巻番号（vol） | vol.121 |
| 号番号（no） | SRW-265,SeMI-266,CNR-267 |
| ページ範囲 | pp.65-67(SRW), pp.52-54(SeMI), pp.42-44(CNR), |
| ページ数 | 3 |
| 発行日 | 2021-11-18 (SRW, SeMI, CNR) |