基于溶解氡数据和长短期记忆网络的地震预报

发布时间：2024-04-21 05:03

　　溶解气氡浓度异常为可靠地震前兆,通过对历史观测数据进行建模,预测溶解气氡未来趋势,是快速检测溶解气氡浓度异常、研究震-氡机制的前提。溶解气氡浓度数据为典型的时间序列数据,传统的时间序列预测技术主要为自回归(AR)方法和自回归滑动平均(ARMA)方法。这些方法以线性方法为主,其拟合精度有限。采用目前最流行的深度学习技术长短期记忆(LSTM)模型对姑咱地震台、西昌地震台和雅安地震台一段时间内连续观测的溶解气氡日观测数据集溶解气氡浓度数据进行建模,采用90%的数据作为训练数据训练LSTM网络,10%的数据作为预测数据,采用均方根误差评价指标来评价模型的效果。在三种数据集上,LSTM的预测误差均方根误差均明显低于AR和ARMA方法。该结果表明,LSTM的预测精度高于传统的AR、ARMA方法。

【文章页数】：7 页

【部分图文】：

图1姑咱地震台水化溶解气氡数据差分前后对比

图1以姑咱地震台溶解气氡观测数据为例,显示了原始数据和差分之后数据对照图。其中图1(a)为某段时间溶解气氡浓度原始观测数据,可以看出,原始观测数据具有明显的周期性变化,随着时间的变化,数据的均值呈周期性变化,为非平稳数据。图1(b)为进行差分处理之后的数据,可以看出,经过差分处理....

图2LSTM神经网络及其展开结构

溶解气氡数据是一种时间序列数据,长短期记忆网络是一种特殊的循环神经网络(recurrentneuralnetwork,RNN),能够从历史时间序列中发现规律,对未来时间序列进行预测。LSTM基本结构如图2所示,LSTM的展开结构可以看出,最初时刻,LSTM处理单元A接受输入数....

图3LSTM处理单元详细结构

从图2可以看出,在LSTM神经网络中核心部分为LSTM处理单元A。LSTM处理单元A详细结构如图3所示。从图3中可以看出,LSTM处理单元包含三个“门”的结构:遗忘门、输入门和输出门,这三个门结构对应的激活向量分别为ft、it和ot。单元状态ct贯穿于三个“门”结构之间。整体上....

图4基于LSTM的溶解气氡预测实验流程

原始数据经过缺失数据、平稳性检验、差分处理之后,对数据进行建模并预测,然后进行反差分处理,并统计误差。实验流程如图4所示。论文中所选择的三个原始数据均缺失数据较少,采用最近邻方法进行缺失数据处理之后,如图5所示。

本文编号：3960445