本研究では，予測時間の迅速性などの観点からリアルタイム予測に利用される長・短期記憶(LSTM)を対象に，モデルに関する不確実性を可視化するために，LSTMにベイズ推定の代替手法を導入したベイジアンニューラルネットワーク(BNN)を構築した．本モデルは低平地の排水管理に利用される遊水池の水位予測に適用された．BNN構築のために，ネットワーク内のノードをランダムに切り替える手法であるMonte Carloドロップアウト(MC Dropout)とサンプリング手法であるStochastic Gradient Langevin Dynamics(SGLD)の2つの代替手法を採用した．MC Dropoutでは最適なドロップアウト率(＝0.3)を選定し，従来型モデルと比較して，予測時間が短い場合に，期間最大洪水時の排水期間で約 10%の予測精度の改善が見られた．SGLDも同様な結果であった．確信区間を含めた両手法の予測結果の比較では，特にピーク水位付近でMC Dropoutの方が幅広でスムーズな時間変化を示した．
