M.S. 環境農学 · 2025 Environmental Agriculture · 2025

九州大学 Kyushu University

B.S. 応用統計学 · 2019 Applied Statistics · 2019

長春大学 Changchun University

劉リュウ淵茹エンジョ Yuanru Liu

Yuanru Liu （刘渊茹）劉淵茹 · 刘渊茹

深層学習による降雨予測・時系列データ解析を研究してきました。
2025 年 9 月に九州大学大学院修士課程修了／応用統計学のバックグラウンドから機械学習へ。 I research deep learning for rainfall prediction and time-series data analysis.
M.S. from Kyushu University (Sept 2025); bridging applied statistics and machine learning.

九州大学大学院生物資源環境科学府・数理モデリング学研究室 Graduate School of Bioresource and Bioenvironmental Sciences, Kyushu University · Mathematical Modeling Lab
指導教員: Advisor: Assoc. Prof. Ton Viet Ta

✉ Email ⌨ GitHub 📄 論文Publications

🙋 自己紹介🙋 About Me

九州大学大学院生物資源環境科学府にて、Ton Viet Ta 准教授指導のもと数理モデリング学研究室に所属し、2025 年 9 月に修士課程を修了。学部では応用統計学を専攻し、そのバックグラウンドを活かして深層学習による降雨予測・時系列データ解析に取り組んできました。

研究テーマの実装にとどまらず、Web アプリ・デスクトップアプリ まで含めたエンドツーエンドの開発経験を有しています。博士課程への進学を準備中です。

I completed my M.S. in September 2025 at the Mathematical Modeling Lab, Graduate School of Bioresource and Bioenvironmental Sciences, Kyushu University, under the supervision of Associate Professor Ton Viet Ta. With an undergraduate background in Applied Statistics, I have applied that foundation to deep learning for rainfall prediction and time-series data analysis.

Beyond model development, I deliver research through full end-to-end implementations — including both web and desktop applications. I am currently preparing PhD program applications.

Research workflow: data → preprocessing → modeling → visualization → app deployment — **研究フロー** — 気象データの前処理・特徴量設計から深層学習モデル設計、可視化、そして Web / Desktop アプリの実装までの全体像。 **Research workflow** — from preprocessing and feature engineering of meteorological data, through deep learning model design and visualization, to deployment as web/desktop applications.

🎓 学歴🎓 Education

2023.10 – 2025.09

修士課程M.S. ，九州大学大学院生物資源環境科学府 環境農学専攻（数理モデリング学研究室） , Department of Environmental Agriculture, Graduate School of Bioresource and Bioenvironmental Sciences, Kyushu University (Mathematical Modeling Lab)
指導教員: Advisor: Assoc. Prof. Ton Viet Ta
2022.10 – 2023.09

研究生Research Student ，九州大学大学院生物資源環境科学府環境農学専攻（数理モデリング学研究室） , Department of Environmental Agriculture, Graduate School of Bioresource and Bioenvironmental Sciences, Kyushu University (Mathematical Modeling Lab)
2015.09 – 2019.06

学士 (理学)B.S. in Science ，長春大学 (中国) 理学部応用統計学科 , Department of Applied Statistics, College of Science, Changchun University, China

🏆 受賞・奨学金🏆 Honors & Awards

2015 – 2018

一等奨学金（3 年連続受賞）First-Class Scholarship (3 consecutive years) ／長春大学 / Changchun University
学部在学中、応用統計学科にて 3 年連続で一等奨学金を受賞。 Awarded the First-Class Scholarship for three consecutive years during undergraduate studies in Applied Statistics.

📰 最新📰 News

2026.05 論文 RainNet-MT を CMC – Computers, Materials & Continua に投稿、査読中。 Submitted manuscript RainNet-MT to CMC – Computers, Materials & Continua; under review.
2026 博士課程プログラムへの出願準備中。 Preparing PhD program applications.
継続中Ongoing 降雨予測モデル RainNet-MT の Web / Desktop アプリケーション開発・改良。 Continued development of the RainNet-MT web and desktop applications.

📄 論文📄 Publications

査読中 / Under Review Under Review

Yuanru Liu, Ton Viet Ta. RainNet-MT: A Multi-Task Deep Learning Framework for Simultaneous Rainfall Occurrence and Intensity Prediction. Manuscript under review at CMC – Computers, Materials & Continua, 2026.

RainNet-MT model architecture: Multi-Scale Conv1D + Bidirectional GRU + Attention + cascaded Binary/Intensity heads — **RainNet-MT モデル構造** — Multi-Scale Conv1D Block と Bidirectional GRU、Attention Layer を経て、降水有無を判定する *Binary Head* と降水強度を予測する *Intensity Head* を直列に配置したマルチタスク・アーキテクチャ。 **RainNet-MT architecture** — multi-scale Conv1D + bidirectional GRU + attention, with a cascaded *binary head* (rainfall occurrence) and *intensity head* (rainfall amount) for multi-task prediction.

🎤 学会活動🎤 Academic Activities

2024.11 – 12 The Workshop on Interdisciplinary Sciences (WIS 2024)
2024.11.28 – 12.01 ／九州大学伊都キャンパス＋九重共同研修所／ 聴講参加（発表なし） Nov 28 – Dec 1, 2024 / Kyushu University Ito Campus & Kuju Training Center / Attended (no presentation)
2023.09 The Workshop on Interdisciplinary Sciences (WIS 2023)
2023.09.14 – 09.15 ／九州大学伊都キャンパス／ 聴講参加（発表なし） Sep 14 – 15, 2023 / Kyushu University Ito Campus / Attended (no presentation)

💻 主要プロジェクト💻 Selected Projects

研究成果を論文発表だけでなく実用化まで届けることを意識しており、同一研究テーマに対して複数のフロントエンド（Web / Desktop）を実装しています。 I am intentional about taking research all the way to usable software, implementing the same model behind multiple frontends (web + desktop).

🌧️ RainNet-MT

マルチタスク深層学習による降雨予測フレームワーク Multi-Task Deep Learning Framework for Rainfall Prediction

論文査読中 Paper Under Review

修士研究のフラッグシップ・プロジェクト。降雨の発生有無と降水強度を単一モデルで同時に予測するマルチタスク深層学習フレームワークの提案・実装。論文を CMC – Computers, Materials & Continua 誌へ投稿（査読中）。研究を 3 つの実装形態で届けています。 The flagship project of my Master's research. A multi-task deep learning framework that jointly predicts rainfall occurrence and rainfall intensity from a single model. Manuscript under review at CMC – Computers, Materials & Continua. Delivered in three forms.

RainNet-MT inference flow: first predict occurrence; if rain, classify intensity as light / medium / heavy — **推論フロー** — 入力データに対し、まず**降水の有無**を判定。降水ありの場合のみ**降水強度**（弱雨 / 中雨 / 強雨）を出力する Cascaded 構成。 **Inference flow** — the model first decides **whether it will rain**; only when rain is detected does it output the **intensity class** (light / medium / heavy) — a cascaded design.

🌐 Web アプリWeb App

Flask による Python バックエンド + HTML/CSS/JS フロントエンド。REST API 連携。

Flask Python backend + HTML/CSS/JS frontend, connected via REST API.

Python · Flask · HTML/CSS/JS · PyTorch

🖥️ デスクトップアプリDesktop App

PyQt5 によるネイティブ GUI。モデルロード、リアルタイム推論、結果可視化を統合。

PyQt5 native GUI integrating model loading, real-time inference, and result visualization.

Python · PyQt5 · PyTorch

📄 論文Paper

マルチタスク損失設計と気象データへの適用。査読中。

Multi-task loss design and meteorological application. Under review.

CMC, 2026

☁️ クラウドへの本番デプロイ実装 ☁️ Production Deployment on AWS

研究を論文だけで終わらせず、本番想定のクラウドシステムとして実装。Amazon EC2 上で ①Flask API → ②cron スケジューラ → ③Weather Data Fetcher → ④RainNet-MT 推論モデル → ⑤通知判断 の 5 段階パイプラインを稼働、Amazon RDS (MySQL) に予測結果を保存。Raspberry Pi ベースの IoT センサークラスター（温湿度・風速・照度）からのリアルタイム観測と外部 Weather API (JMA / OpenWeather) の双方を入力に統合し、Amazon SNS を経由して降雨通知を自前の Web / Desktop アプリへ配信、CloudWatch で全プロセスをロギング。コスト最適化のため、後にさくらのレンタルサーバへ一部を移行する判断も自ら実施。 Took the research beyond a paper and implemented a production-style cloud system. Amazon EC2 hosts a 5-stage pipeline: ①Flask API → ②cron scheduler → ③Weather Data Fetcher → ④RainNet-MT inference → ⑤Notification Judgement; predictions persist to Amazon RDS (MySQL). A Raspberry Pi-based IoT sensor cluster (T/RH, wind speed, illuminance) streams real-time observations alongside external Weather APIs (JMA / OpenWeather); Amazon SNS publishes rainfall alerts to my own Web / Desktop applications; CloudWatch logs every stage. Later migrated parts of the stack to Sakura Rental Server for cost optimization.

AWS deployment architecture: EC2 + Flask + RainNet-MT + cron + RDS + SNS + CloudWatch + VPC — **AWS デプロイ構成図** — RainNet-MT 降雨予測通知システムのクラウド実装。EC2・RDS・CloudWatch・SNS・VPC を用いた本番想定の構成。 **AWS deployment architecture** — production-style cloud implementation of the RainNet-MT rainfall notification system using EC2, RDS, CloudWatch, SNS, and VPC.

AWS EC2 (Ubuntu) Amazon RDS (MySQL) CloudWatch SNS VPC Flask · REST API cron IoT Sensors Sakura Rental Server

🌬️ BreathFlow — 自然換気のための IoT センシング試作BreathFlow — IoT Sensing Prototype for Natural Ventilation

窓まわりの IoT センシングを自作・データ収集中。Edge-AI による行動誘導は今後の構想（現在は中断中）。 Window-side IoT sensing built and collecting data; the edge-AI nudging layer is a planned next step (currently on hold).

試作中 Prototype

現代の住宅快適性は常時稼働する空調に依存し、エネルギーを浪費するうえ住人を判断ループから外している。本プロジェクトは「窓」を一級のアクチュエータとして捉え直す試み。現段階では Arduino をデータ収集ノードとした 2 つの自作 IoT モジュール（①窓開度を測る超音波モジュール、②風速・T/RH・CO2・PM・MRT の環境モジュール）でセンシングを進めている。今後は ESP32（TinyML）または Raspberry Pi をエッジ推論ノードに採用し、LSTM 残差融合で自然換気の換気量 (ACH) と快適性軌跡 (PMV / 適応モデル) を推定。窓が空調より優位な瞬間に「窓を半開で 10 分」のような具体的で時限つきのナッジをモバイルアプリから配信する Human-in-the-loop CPS へ拡張する計画。 Modern indoor comfort is dominated by always-on HVAC — energy-hungry and removing the resident from the loop. BreathFlow reframes the window as a first-class actuator. Current stage: two custom IoT modules with Arduino acting as the data-collection node (① ultrasonic window-aperture sensor, ② wind / T-RH / CO2 / PM / MRT stack) — sensing hardware built, data collection in progress. Planned next: migrate the inference node to ESP32 (TinyML) or Raspberry Pi and run a residual-fusion LSTM that infers achievable air-change rate and forecasts comfort trajectory (PMV / adaptive); a context-aware mobile companion would then deliver a concrete, time-bound nudge ("half-open for 10 min") when the window beats the AC, closing the loop into a human-in-the-loop CPS.

BreathFlow 7-layer system flowchart — IoT sensing, state estimation, multi-criteria decision, LSTM demand, intervention, user, adaptation loop — **システム全体フロー** — IoT センシングから多基準判断、LSTM 需要モデル、モバイルナッジ、ユーザー行動、適応モデル更新までを閉ループで設計。 **System flowchart** — closed-loop pipeline from IoT sensing through multi-criteria decision, LSTM demand model, mobile nudge, user action, and per-household model adaptation.

Window aperture sensor module mounted on window frame — **① 窓開度モジュールWindow Module**
超音波で開度を計測 Ultrasonic aperture sensor

Window-status module and IEQ sensor stack assembled on the windowsill — **② 環境センサ群Environment Stack**
風速・T/RH・CO2・PM・MRT Wind · T/RH · CO2 · PM · MRT

Dual-module sensing architecture: window aperture sensor and IEQ stack feeding a physics-based estimator and LSTM residual fusion to ACH — **③ 推定アーキテクチャEstimation**
物理式 + LSTM 残差融合で ACH 推定（提案） Physics + LSTM residual → ACH (proposed)

エッジ AIEdge AI コンテキスト認識 HCIContext-aware HCI 行動変容Behaviour change 住宅サステナビリティResidential sustainability

🧂 塩生産プロセス・モニタリングSalt Production Monitoring

Arduino × IoT センサーによる組込み環境モニタリング Arduino-based embedded environmental monitoring

Hardware Hardware

ハードウェア × 組込みの練習プロジェクト。Arduino Uno で複数センサーを統合し、屋外塩田に設置して SD カードに記録するモニタリング。設計 → 制作 → 設置 → 記録まで一貫して実施。 A hardware & embedded practice project: an Arduino Uno integrating several sensors, deployed outdoors at a salt field, logging to an SD card. Carried through end-to-end: design → build → deploy → record.

Wiring and circuit design diagram — **① 設計Design**
回路・配線図 Circuit & wiring

Hardware assembly on workbench — **② 制作Build**
ハードウェア組立 Hardware assembly

Field installation at outdoor salt production site — **③ 現場設置Deploy**
屋外塩田で設置 Outdoor field install

Recorded sensor data on SD card — **④ 記録Output**
SD に記録 Data on SD

Arduino Uno C++ DHT11 DS18B20 QS-FS01 SD Card

🖼️ CNN Image Classification

PyTorch による畳み込みニューラルネットワークの実装と学習。データ前処理から評価までのエンドツーエンドな ML パイプライン。

CNN implementation and training in PyTorch — full end-to-end ML pipeline from data preprocessing to evaluation.

Python · PyTorch

📦 その他のリポジトリMore on GitHub

統計解析・データ可視化・学習用スクリプトなど、その他の小規模プロジェクト。

Statistical analysis, data visualization, and learning scripts — additional small-scale work.

github.com/liuyuanru123

🧑‍🏫 アルバイト経験🧑‍🏫 Part-time Experience

教える経験を通じて、数学的基礎と教育・コミュニケーション能力を実践的に磨いてきました。理論的な深層学習研究の土台として、今後も重視している部分です。 Teaching has kept my mathematical foundations active while building pedagogy and communication — qualities I intend to draw on for theory-oriented deep-learning research.

2022 – 2025

📐 微分方程式講師（院試対策）Differential Equations Instructor — Graduate-Entrance-Exam Prep ／私塾 / Cram school
日本の大学院入試（院試）レベルの 常微分方程式・偏微分方程式 を担当。学部の標準カリキュラムを超える内容を体系的に説明する経験により、深層学習の理論研究で必要となる 数学的基礎（解析学・線形代数を含む）を実践的に維持・強化。 Taught ordinary and partial differential equations at the level of Japanese graduate-school entrance exams (院試) — content well beyond standard undergraduate calculus. Systematically explaining this material kept the mathematical foundation (analysis and linear algebra included) needed for theory-oriented ML / DL research sharp and active.
2022 – 2025

🗣️ TOEIC 講師TOEIC Instructor ／私塾 / Cram school
TOEIC 受験対策の指導を担当。語学運用力と教育・解説能力の両面を実践。（自身の TOEIC 805 取得経験を活かす：2021 年 11 月取得。） Taught TOEIC preparation — practical training in both language fluency and pedagogy. (Drawing on my own TOEIC 805 score, taken Nov 2021.)
2022 – 2025

🏪 セブン-イレブン7-Eleven ／アルバイト / Part-time
接客・日常業務を通じた日本語の実務経験。 Customer service in a Japanese-language work environment.

🛠️ スキル🛠️ Skills

研究とエンジニアリングの両面にバランスよく取り組んでいます。 I work with intention across both research and engineering.

🔬 研究・学術系 🔬 Research & Academic

機械学習・深層学習ML & Deep Learning

PyTorch · TensorFlow · Keras · scikit-learn

マルチタスク学習 · 時系列モデル · CNN · GRU · Attention Multi-task learning · time-series models · CNN · GRU · Attention

データ分析・統計Data & Statistics

NumPy · Pandas · SciPy · statsmodels

手法: 回帰分析・時系列分析・仮説検定・多変量解析・ベイズ統計 Methods: regression · time-series · hypothesis testing · multivariate · Bayesian

データ可視化Visualization

Matplotlib · Seaborn

語学Languages (Human)

中国語 (母語) · 日本語 (JLPT N2, 2021 年 1 月取得) · 英語 (TOEIC 805, 2021 年 11 月取得) Chinese (Native) · Japanese (JLPT N2, taken Jan 2021) · English (TOEIC 805, taken Nov 2021)