本发明公开一种新的地震预测模型的构建方法,属于数学与计算机科学领域。
背景技术:
1、地震是地球上最具破坏性的自然灾害之一,对人民的生命和财产构成重大威胁。科学界一直在积极研究地震预报问题,但对此领域的了解仍然有限。与降雨或飓风等可以进行一定程度准确预测的自然现象不同,目前并没有一个统一的机制来预测下一次大地震将在何时何地发生。科学界对于地震预报存在不同的观点。一些研究表明地震无法可靠地预测,而其他研究提出了预测未来地震事件的各种方法。
2、已经有人尝试通过一些可观测信号使用诊断前兆来预测地震,但到目前为止,还没有出现成功且可靠的预测方案。目前,地震预报主要基于既定的地震定律的。其中传染病型余震序列(etas)模型最为常用,该模型将古腾堡-里希特定律、乌苏定律和大森定律纳入霍克斯过程。在该模型中,过去发生的超过一定震级的地震根据相同的规律触发后续地震。经由证明,etas模型在预测准确性方面优于其他模型,但在解释地震的某些基本特征方面仍然存在局限性。此外,与地震活动相关的统计物理特征仍有待探索。
3、人工智能和大数据的发展引起了各行业的广泛关注,其中机器学习是全球增长最快的技术之一;在地质和地球科学研究中,地震预报一直是最具挑战性的问题之一;自20世纪90年代以来,机器学习已被用于地震预报。近年来,许多成功的深度学习模型在地震预报方面取得了重大突破,主要利用卷积神经网络(cnn)和长短期记忆网络(lstm);基于cnn和lstm的研究,通过结合两种模型的框架提出了卷积长短期记忆(convlstm);convlstm比其他用于地震预测深度学习模型更准确,但仍有可改进的余地。
4、目前,大多数地震预报模型都单一依赖于统计模型或深度学习模型进。一些研究考虑了由etas模型的强度函数训练的深度学习模型;然而,他们忽略了真实的地震目录来训练模型;因此,本发明提出了一种称为cl-etas的新型地震预测模型,具有重要的理论研究意义和较高的推广应用价值。
技术实现思路
1、本发明的目的在于提供一种新的地震预测模型的构建方法,结合传染病行余震序列(etas)模型和深度学习模型得到新的地震预测模型,名为cl-etas模型,具体包括以下步骤:
2、(1)使用etas模型生成结合数据作为训练集:用第一天的历史数据使用etas模型预测第二天的数据,重复多次,得到多个etas模型预测结果,用第一天的真实数据加上etas预测出的第二天的数据,得到的便是一个训练预测第三天的模型所需要的结合数据,随着时间的推移依次重复不断生产新的结合数据。
3、(2)数据预处理:将这些新的结合数据重新编号组合成一个个矩阵作为训练集;具体来说,矩阵的行表示空间数据,即经度与纬度,矩阵的列表示震级数据,随后把矩阵按时间顺序排列,产生处理后的时空矩阵数据。
4、(3)训练模型:重复上述生成数据以及数据预处理的过程,输入并开始训练convlstm,最终得到训练好的模型即为cl-etas模型。
5、本发明所述etas模型将古腾堡-里希特、乌苏和大森定律结合成霍克斯(点)过程,使得过去的每一次地震(超过一定震级)都会根据相同的定律触发其他地震。
6、本发明步骤(1)中etas模型为常规模型,该模型假设地震事件是一个时空随机点过程,其中每次余震都可能引发进一步的余震;每个一定震级以上的事件都是从古腾堡-里希特分布中独立选择的;在地点x、y处时间t的条件概率λ由下式给出,可采用下式表示:
7、
8、式中:λ—为条件概率;x、y—为空间位置;t—为时间;ht—为历史进程;μ—为背景强度;ti—为过去事件的时间;k(mi)—为触发能力对幅度的依赖性;mi—为过去事件的震级;g(t-ti)—遵循大森定律;f(x-xi,y-yi,mi)—为空间核函数。
9、触发能力对幅度的依赖性由乌苏定律给出:
10、k(mi)=a exp(α(mi-mw)) (2)
11、式中:a—为零滞后时的地震发生率;mw—地震的震级阈值;α—为生产力参数。
12、g(t-ti)遵循大森定律:
13、
14、式中:c、p—为大森定律的参数;
15、余震的空间聚类是通过引入空间核函数f(x-xi,y-yi,mi)来实现的:
16、
17、ζ=d exp[γm(mi-mw)] (4)
18、式中:ζ—表示为触发事件和被触发事件之间的距离取决于触发事件的大小;q,d,γm—为估计参数。
19、优选的,本发明步骤(3)中convlstm,可采用下式表示:
20、
21、
22、
23、
24、ht=ot tanh(ct)
25、式中:t—时刻;t-1—上一时刻;it—为t时刻的输入门;ft—为t时刻的遗忘门;ot—为t时刻的输出门;ct—为t时刻的细胞状态;ct-1—为t-1时刻的细胞状态;ht—为t时刻的隐藏状态;ht-1—为t-1时刻的隐藏状态;bi,bf,bc,bo—分别为输入门偏差,遗忘门偏差,细胞状态偏差,输出门偏差;wxi,whi,wci—分别为输入门的特征数量权重,隐藏状态权重,细胞状态权重;wxf,whf,wcf—分别为遗忘门的特征数量权重,隐藏状态权重,细胞状态权重;wxc,whc—分别为细胞状态的特征数量权重,隐藏状态权重;wxo,who,wco—分别为输出门的特征数量权重,隐藏状态权重,细胞状态权重;xt—为t时刻输入特征的数量;σ—sigmoid激活函数;tanh—为激活函数;*—为卷积运算;—为哈达玛乘积。
26、本发明的有益效果:
27、(1)本发明所述方法结合统计模型和深度学习模型提出了一种新颖的模型,在预测地震发生次数,震级以及空间分布方面有了极大的改进与提升。
28、(2)本发明所述方法为地震预测问题提供了一种新颖、有效且通用的解决方案,具有重要的理论研究意义和较高的推广应用价值。
1.一种新的地震预测模型的构建方法,其特征在于,具体包括以下步骤:
2.根据权利要求1所述新的地震预测模型的构建方法,其特征在于:步骤(1)中etas模型可采用下式表示:
3.根据权利要求1所述新的地震预测模型的构建方法,其特征在于:步骤(3)中convlstm,可采用下式表示: