CN106154309A - 一种基于网络的地震12月内短期预测方法 - Google Patents
一种基于网络的地震12月内短期预测方法 Download PDFInfo
- Publication number
- CN106154309A CN106154309A CN201610484596.6A CN201610484596A CN106154309A CN 106154309 A CN106154309 A CN 106154309A CN 201610484596 A CN201610484596 A CN 201610484596A CN 106154309 A CN106154309 A CN 106154309A
- Authority
- CN
- China
- Prior art keywords
- earthquake
- value
- network
- months
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012417 linear regression Methods 0.000 claims abstract description 9
- 238000000611 regression analysis Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000009897 systematic effect Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 230000007935 neutral effect Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/01—Measuring or predicting earthquakes
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于网络的地震12月内短期预测方法，本方法建立在科学的地震目录基础之上，将地震的影响因子进行量化，通过线性回归的方式得出其中的规律，并将得出的规律进行神经网络的编辑，只要将未来可量化的地震影响因子输入，即可得出为了12个月内地震的预测值，本发明的预测方法科学有效，对于短期地震的预测具有良好的辅助作用。
Description
技术领域
本发明属于网络技术领域，特别涉及一种基于网络的地震12月内短期预测方法。
背景技术
从时间上来看，地震预测分为长期预测(10年以上)、中期预测(1年-10年)、短期预测(1年以内)、短临预测(1月之内，甚至几天之内)4类。地震预测是否准确，从严格意义上讲，是指时、空、强(时间、空间和强度)三要素的预测值均要在误差范围之内。目前，中长期地震预测取得了一定的进步，但是，短期地震预测水平还很低。地震的预测预报是当今人类面临的科学难题，更是一个关系国计民生的问题。据不完全统计，全球每年发生的地震约为500万次，对整个社会有着巨大影响。2008年5月12日，中国四川汶川发生里氏8.0级特大地震，给整个中国带来了巨大灾难，损失无法估计，世界为之震惊。地震预测受到各国政府与人民的广泛关注，尽管经过几十年的探索，至今仍是一个未突破的科学难题。
发明内容
本发明所要解决的问题是提供一种基于网络的地震12月内短期预测方法。
为了实现上述目的，本发明采取的技术方案为：
一种基于网络的地震12月内短期预测方法，包括如下步骤：
（1）确定研究区域：确定区域的经度范围和纬度范围；
（2）地震目录的收集及其预处理；
（3）利用地震目录求取地震参量和时变参量，获得相应的地震参量，其中，系统参数“时间步长”和“时间窗长”取值为“12个月”，计算12个地震参量，分别为反映大小地震的比例关系b值，地震空间集中度C值，地震危险度D值，地震强度因子Mf值，地震活动演化指数YH值，地震的频度N值；
（4）信息整理，将计算得到的地震参量和其他信息一起，按照规定格式整理，每行信息数据，分别包括：序号，时间，当前12个月的6个地震参量b值，C值，D值，Mf值，YH值，N值；当前12个月的6个时变参量未来12个月内最大震级；
（5）回归分析：用多元线性回归方法建立地震震级与地震参量之间的关系；
（6）神经网络模拟，根据下式计算各子样的回归分析值y′和回归偏差值Δy：y′i＝a0+a1·x1i+a2·x2i+a3·x3i+……+a12·x12i，Δyi＝yi-y′i，式中下标i表示子样序号，yi为子样值；然后，再将计算结果按照规定格式整理；每行信息包括16个数据，分别为：序号，时间，当前12个月的6个地震参量b值(x1)，C值(x2)，D值(x3)，Mf值(x4)，YH值(x5)，N值(x6)，当前12个月的6个时变参量值(x7)，值(x8)，值(x9)，值(x10)，值(x11)，值(x12)，未来12个月内最大震级回归值y′，回归偏差值Δy，
然后，利用神经网络BP算法进行训练，
f1)BP网络的输入层元素个数为13个，分别为：x1、x2、...、x12、y′，
f2)BP网络的隐含层元素个数为P个，P值计算公式为：P＝20+INT(S/10)，S为子样个数，
f3)BP网络的输出层元素个数为1个，为：Δy，
神经网络训练结束后，得到了该区域Δy的神经网络计算模型，该区域内地震震级回归偏差值Δy*均可根据该神经网络模型计算得到；
（7）计算地震预测的震级；
优选的，所述步骤（2）地震目录的收集及其预处理的具体内容包括：1)收集该区域的地震目录：要求时间为15年及15年以上；2)按照规定的数据格式要求整理地震目录；3)地震主余震的筛选：删除余震；4)删除余震之后，将主震目录保存；
优选的，所述步骤（3）地震参量的获得方式是通过中国地震局监测预报司研制的《基于GIS的地震分析预报系统》软件对区域地震主震目录进行处理。
优选的，所述步骤（5）回归分析建立方案如下：取当前12个月的6个地震参量b，C，D，Mf，YH，N值，6个时变参量作为线性回归的自变量，将以上12个自变量依次记为x1、x2、...、x12；取未来12个月的最大震级Ms作为因变量，将因变量记为y，具体回归模型公式为y＝a0+a1·x1+a2·x2+a3·x3+……+a12·x12。
优选的，所述步骤（6）得到的所有子样的相关信息按13×P×1的网络结构构成学习样本。
优选的，所述步骤（7）地震震级预测的计算公式为：y*＝y′+Δy*，式中，y′为回归分析值，根据回归模型公式计算；Δy*为回归偏差值，由神经网络模拟计算；y*为未来6个月内地震最大震级预测的计算结果。
有益效果：本发明提供了一种基于网络的地震12月内短期预测方法，本方法建立在科学的地震目录基础之上，将地震的影响因子进行量化，通过线性回归的方式得出其中的规律，并将得出的规律进行神经网络的编辑，只要将未来可量化的地震影响因子输入，即可得出为了12个月内地震的预测值，本发明的预测方法科学有效，对于短期地震的预测具有良好的辅助作用。
具体实施方式
实施例1：
一种基于网络的地震12月内短期预测方法，其加工工艺包括如下步骤：
（1）确定研究区域：确定区域的经度范围和纬度范围；
（2）地震目录的收集及其预处理，具体内容包括：1)收集该区域的地震目录：要求时间为15年及15年以上；2)按照规定的数据格式要求整理地震目录；3)地震主余震的筛选：删除余震；4)删除余震之后，将主震目录保存；
（3）利用地震目录求取地震参量和时变参量，通过中国地震局监测预报司研制的《基于GIS的地震分析预报系统》软件对区域地震主震目录进行处获得相应的地震参量，其中，系统参数“时间步长”和“时间窗长”取值为“12个月”，计算12个地震参量，分别为反映大小地震的比例关系b值，地震空间集中度C值，地震危险度D值，地震强度因子Mf值，地震活动演化指数YH值，地震的频度N值；
（4）信息整理，将计算得到的地震参量和其他信息一起，按照规定格式整理，每行信息数据，分别包括：序号，时间，当前12个月的6个地震参量b值，C值，D值，Mf值，YH值，N值；当前12个月的6个时变参量未来12个月内最大震级；
（5）回归分析：用多元线性回归方法建立地震震级与地震参量之间的关系，建立方案如下：取当前12个月的6个地震参量b，C，D，Mf，YH，N值，6个时变参量作为线性回归的自变量，将以上12个自变量依次记为x1、x2、...、x12；取未来12个月的最大震级Ms作为因变量，将因变量记为y，具体回归模型公式为y＝a0+a1·x1+a2·x2+a3·x3+……+a12·x12；
（6）神经网络模拟，根据下式计算各子样的回归分析值y′和回归偏差值Δy：y′i＝a0+a1·x1i+a2·x2i+a3·x3i+……+a12·x12i，Δyi＝yi-y′i，式中下标i表示子样序号，yi为子样值；然后，再将计算结果按照规定格式整理；每行信息包括16个数据，分别为：序号，时间，当前12个月的6个地震参量b值(x1)，C值(x2)，D值(x3)，Mf值(x4)，YH值(x5)，N值(x6)，当前12个月的6个时变参量值(x7)，值(x8)，值(x9)，值(x10)，值(x11)，值(x12)，未来12个月内最大震级回归值y′，回归偏差值Δy，
然后，所有子样的相关信息按13×P×1的网络结构构成学习样本，利用神经网络BP算法进行训练，
f1)BP网络的输入层元素个数为13个，分别为：x1、x2、...、x12、y′，
f2)BP网络的隐含层元素个数为P个，P值计算公式为：P＝20+INT(S/10)，S为子样个数，
f3)BP网络的输出层元素个数为1个，为：Δy，
神经网络训练结束后，得到了该区域Δy的神经网络计算模型，该区域内地震震级回归偏差值Δy*均可根据该神经网络模型计算得到；
（7）计算地震预测的震级，地震震级预测的计算公式为：y*＝y′+Δy*，式中，y′为回归分析值，根据回归模型公式计算；Δy*为回归偏差值，由神经网络模拟计算；y*为未来6个月内地震最大震级预测的计算结果。
经过以上工艺后，分别取出样品，测量结果如下：
| 预测正确率 | 误差范围 | 执行过程出错率 | 执行精度 | |
| 实施例1 | 73.1% | ±6.5% | 0.5‰ | 0.001 |
| 现有技术 | 55.8% | ±8.0% | 0.8‰ | 0.010 |
根据上述表格数据可以得出，当实施例1实施基于网络的地震12月内短期预测方法，与实检测正确率为73.1%，误差范围为±6.5%，执行出错率为0.5‰，执行精度为0.001，而现有技术标准与实检测正确率为55.8%，误差范围为±8.0%，执行出错率为0.8‰，执行精度为0.010，这表明本发明基于网络的地震12月内短期预测方法，方法的正确率高，误差范围小，执行的出错率低，执行的精度高，因此本发明具有显著的优越性。
本发明提供了一种基于网络的小电流接地系统故障选线方法，本方法建立在科学的地震目录基础之上，将地震的影响因子进行量化，通过线性回归的方式得出其中的规律，并将得出的规律进行神经网络的编辑，只要将未来可量化的地震影响因子输入，即可得出为了12个月内地震的预测值，本发明的预测方法科学有效，对于短期地震的预测具有良好的辅助作用。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种基于网络的地震12月内短期预测方法，其特征在于，其制备工艺包括：
（1）确定研究区域：确定区域的经度范围和纬度范围；
（2）地震目录的收集及其预处理；
（3）利用地震目录求取地震参量和时变参量，获得相应的地震参量，其中，系统参数“时间步长”和“时间窗长”取值为“12个月”，计算12个地震参量，分别为反映大小地震的比例关系b值，地震空间集中度C值，地震危险度D值，地震强度因子Mf值，地震活动演化指数YH值，地震的频度N值；
（4）信息整理，将计算得到的地震参量和其他信息一起，按照规定格式整理，每行信息数据，分别包括：序号，时间，当前12个月的6个地震参量b值，C值，D值，Mf值，YH值，N值；当前12个月的6个时变参量未来12个月内最大震级；
（5）回归分析：用多元线性回归方法建立地震震级与地震参量之间的关系；
（6）神经网络模拟，根据下式计算各子样的回归分析值y′和回归偏差值Δy：y′i＝a0+a1·x1i+a2·x2i+a3·x3i+……+a12·x12i，Δyi＝yi-y′i，式中下标i表示子样序号，yi为子样值；然后，再将计算结果按照规定格式整理；每行信息包括16个数据，分别为：序号，时间，当前12个月的6个地震参量b值(x1)，C值(x2)，D值(x3)，Mf值(x4)，YH值(x5)，N值(x6)，当前12个月的6个时变参量值(x7)，值(x8)，值(x9)，值(x10)，值(x11)，值(x12)，未来12个月内最大震级回归值y′，回归偏差值Δy，
然后，利用神经网络BP算法进行训练，
f1)BP网络的输入层元素个数为13个，分别为：x1、x2、...、x12、y′，
f2)BP网络的隐含层元素个数为P个，P值计算公式为：P＝20+INT(S/10)，S为子样个数，
f3)BP网络的输出层元素个数为1个，为：Δy，
神经网络训练结束后，得到了该区域Δy的神经网络计算模型，该区域内地震震级回归偏差值Δy*均可根据该神经网络模型计算得到；
（7）计算地震预测的震级。
2.一种加工权利要求1所述的基于网络的地震12月内短期预测方法，其特征在于：所述步骤（2）地震目录的收集及其预处理的具体内容包括：1)收集该区域的地震目录：要求时间为15年及15年以上；2)按照规定的数据格式要求整理地震目录；3)地震主余震的筛选：删除余震；4)删除余震之后，将主震目录保存。
3.一种加工权利要求1所述的基于网络的地震12月内短期预测方法，其特征在于：所述步骤（3）地震参量的获得方式是通过中国地震局监测预报司研制的《基于GIS的地震分析预报系统》软件对区域地震主震目录进行处理。
4.一种加工权利要求1所述的基于网络的地震12月内短期预测方法，其特征在于：所述步骤（5）回归分析建立方案如下：取当前12个月的6个地震参量b，C，D，Mf，YH，N值，6个时变参量作为线性回归的自变量，将以上12个自变量依次记为x1、x2、...、x12；取未来12个月的最大震级Ms作为因变量，将因变量记为y，具体回归模型公式为y＝a0+a1·x1+a2·x2+a3·x3+……+a12·x12。
5.一种加工权利要求1所述基于网络的地震12月内短期预测方法，其特征在于：所述步骤（6）得到的所有子样的相关信息按13×P×1的网络结构构成学习样本。
6.一种加工权利要求1所述的基于网络的地震12月内短期预测方法，其特征在于：所述步骤（7）地震震级预测的计算公式为：y*＝y′+Δy*，式中，y′为回归分析值，根据回归模型公式计算；Δy*为回归偏差值，由神经网络模拟计算；y*为未来6个月内地震最大震级预测的计算结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610484596.6A CN106154309A (zh) | 2016-06-29 | 2016-06-29 | 一种基于网络的地震12月内短期预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610484596.6A CN106154309A (zh) | 2016-06-29 | 2016-06-29 | 一种基于网络的地震12月内短期预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106154309A true CN106154309A (zh) | 2016-11-23 |
Family
ID=57350057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610484596.6A Withdrawn CN106154309A (zh) | 2016-06-29 | 2016-06-29 | 一种基于网络的地震12月内短期预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106154309A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971230A (zh) * | 2017-05-10 | 2017-07-21 | 中国石油大学(北京) | 基于深度学习的初至拾取方法及装置 |
| CN110045413A (zh) * | 2019-04-22 | 2019-07-23 | 中国地质大学（北京） | 一种地震短期预测方法和装置 |
| EP3889652A1 (en) * | 2020-03-30 | 2021-10-06 | Qingdao University Of Technology | Performance-level seismic motion hazard analysis method based on three-layer dataset neural network |
-
2016
- 2016-06-29 CN CN201610484596.6A patent/CN106154309A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971230A (zh) * | 2017-05-10 | 2017-07-21 | 中国石油大学(北京) | 基于深度学习的初至拾取方法及装置 |
| CN110045413A (zh) * | 2019-04-22 | 2019-07-23 | 中国地质大学（北京） | 一种地震短期预测方法和装置 |
| EP3889652A1 (en) * | 2020-03-30 | 2021-10-06 | Qingdao University Of Technology | Performance-level seismic motion hazard analysis method based on three-layer dataset neural network |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Reconstruction of GRACE total water storage through automated machine learning | |
| Xu et al. | Household carbon inequality in urban China, its sources and determinants | |
| Wu et al. | Hydrological drought instantaneous propagation speed based on the variable motion relationship of speed‐time process | |
| CN101699317A (zh) | 利用地震参量进行短期地震预测的神经网络方法 | |
| Pongracz et al. | Application of fuzzy rule-based modeling technique to regional drought | |
| Zuo et al. | Application of a hybrid method combining multilevel fuzzy comprehensive evaluation with asymmetric fuzzy relation analysis to mapping prospectivity | |
| Pasari | Stochastic modelling of earthquake interoccurrence times in Northwest Himalaya and adjoining regions | |
| Fernando et al. | Modified factor analysis to construct composite indices: illustration on urbanization index | |
| CN101853290A (zh) | 基于地理信息系统的气象服务效益评估方法 | |
| Modarres et al. | Modeling the relationship between climate oscillations and drought by a multivariate GARCH model | |
| CN107133686A (zh) | 基于时空数据模型的城市级pm2.5浓度预测方法 | |
| CN113378473A (zh) | 一种基于机器学习模型的地下水砷风险预测方法 | |
| CN106154309A (zh) | 一种基于网络的地震12月内短期预测方法 | |
| CN103308956B (zh) | 利用云气候学数据预判目标区域未来月平均云量的方法 | |
| Pham et al. | The impact of innovation activities on firm efficiency: Data envelopment analysis | |
| CN106154308A (zh) | 一种基于网络的地震12月内短期预测方法 | |
| Bruno et al. | FDI impact on firm performance in enlarged Europe: Evidence from a meta-regression analysis | |
| CN102880753B (zh) | 基于分形维数的土地利用空间特征尺度转换方法 | |
| Bhend et al. | Evaluation of simulated recent climate change in Australia | |
| He et al. | Numerical studies on forecast error correction of grapes model with variational approach | |
| Megeri et al. | Econometric study of urbanization and economic development | |
| CN110019167A (zh) | 一种中长期新能源资源资料库构建方法及系统 | |
| Tran et al. | How robust is the evidence on the impact of diasporas on institutional quality in home countries? | |
| Dhanya et al. | Probabilistic fling hazard Map of India and adjoined regions | |
| Li et al. | Estimating the economic loss caused by earthquake in Mainland China |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20161123 |