CN117454767A - 基于地震监测台网的城市出行强度评估方法及系统 - Google Patents
基于地震监测台网的城市出行强度评估方法及系统 Download PDFInfo
- Publication number
- CN117454767A CN117454767A CN202311468404.9A CN202311468404A CN117454767A CN 117454767 A CN117454767 A CN 117454767A CN 202311468404 A CN202311468404 A CN 202311468404A CN 117454767 A CN117454767 A CN 117454767A
- Authority
- CN
- China
- Prior art keywords
- data
- noise
- intensity
- model
- training
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 55
- 238000011156 evaluation Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 57
- 230000004927 fusion Effects 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于地震监测台网的城市出行强度评估方法及系统,所述方法包括:采用全国地震监测站网的连续观测数据,通过提取连续观测的信号特征,采用基于Catboost+LSTM的融合机器学习模型,进行城市出行强度的评估。通过本公开的处理方案,可以基于地震监测数据记录的噪声来获取城市出行强度。
Description
技术领域
本发明涉及出行强度评估技术领域,特别是涉及一种基于地震监测台网的城市出行强度评估方法及系统。
背景技术
地震记录是否为监测人类活动模式提供了一个新模式,通过地震信号对人类活动进行监测已被证实可行性(Diaz J,Ruiz M,Sanchez-Pastor PS,Romero P.UrbanSeismology:on the origin ofearth vibrations within a city.Sci Rep 2017,7(1):15296.),但是如何通过地震信号量化的表征人类活动的强度已被证明是具有挑战性的,因为数据集很大,监测网络是异构的,而且许多可能的噪声源可能在空间上变化,并在时间上重叠
目前,虽然很多大数据公司如Google、百度通过移动互联网大数据可以提供城市出行数据,但在获取数据的开放性,以及涉及隐私问题,通过地震仪得到的数据更加便捷和分析,更具有普适性,获取数据的开放性也更高于海量移动数据。
虽然百度等公司提供的城市出行数据获取难度较大,但基于已提供的2019年-2020年部分月份的中国城市出行强度数据,可以在部分区域将其作为模型训练的标签数据,建立起地震监测台网和出行的预估模型,并将其泛化到别的时间和空间上。目前相关研究成果,都是通过监测站网的能量变化,通过与飞机、移动出行数据对比,有比较好的匹配结果,但上述研究工作仅是从数据分析层面基于地震噪声能量的变化,仅证明了地震噪声与人类出行如飞机、移动大数据等具有强相关性,而如何进一步可以通过地震监测数据记录的噪声来获取城市出行强度,成为当前业界急需改进的目标。
发明内容
有鉴于此,本公开实施例提供一种基于地震监测台网的城市出行强度评估方法,至少部分解决现有技术中存在的问题。
第一方面,本公开实施例提供了一种基于地震监测台网的城市出行强度评估方法,所述方法包括以下步骤:
对监测台站的地震背景噪声数据进行清洗,根据位于预设阈值内的城市的经纬度坐标分别找到与其最近的台站进行匹配;
计算每个台站的基线噪声;将每个台站的噪声数据与其对应的基线噪声做差,得到每个台站的观测数据中包含的出行强度噪声特征;
基于已有城市出行强度标签和出行强度噪声特征数据训练融合预测模型进行训练,输出出行强度预测结果。
根据本公开实施例的一种具体实现方式,构建基线噪声提取方法,包括:基于噪声功率谱方法提取连续观测数据特征,计算24小时的多个频率对应的噪声值,通过特征相关性提取高相关性特征,对监测台站的地震背景噪声数据进行清洗。
根据本公开实施例的一种具体实现方式,所述融合预测模型包括CatBoost模型和LSTM模型;
所述方法还包括:随机均匀抽取80%的位于预设阈值内的完整城市数据作为训练集,输入融合预测模型进行训练,输出出行强度预测结果;
抽取剩下的10%位于预设阈值内的完整城市数据作为测试集,将其余的10%位于预设阈值内的完整城市数据作为验证集,对所述出行强度预测结果进行检测。
根据本公开实施例的一种具体实现方式,所述随机均匀抽取80%的位于预设阈值内的完整城市数据作为训练集,输入融合预测模型进行训练,输出出行强度预测结果,包括:
将所述训练集作为CatBoost模型的输入,经过CatBoost模型的训练,得到初步的连续输出值;
将所述初步的连续输出值输入到LSTM模型中进行训练,得到出行强度预测结果。
根据本公开实施例的一种具体实现方式,所述预设阈值为50km。
根据本公开实施例的一种具体实现方式,选取预设时间段的连续观测数据进行特征提取。
第二方面,本公开实施例提供了一种基于地震监测台网的城市出行强度评估系统,所述系统包括:
数据处理模块,被配置用于对监测台站的地震背景噪声数据进行清洗,根据位于预设阈值内的城市的经纬度坐标分别找到与其最近的台站进行匹配;以及,
计算每个台站的基线噪声;将每个台站的噪声数据与其对应的基线噪声做差,得到每个台站的观测数据中包含的出行强度噪声特征;
模型训练模块,被配置用于基于已有城市出行强度标签和出行强度噪声特征数据训练融合预测模型进行训练,输出出行强度预测结果。
根据本公开实施例的一种具体实现方式,所述模型训练模块还包括CatBoost模块和LSTM模块:
CatBoost模块,被配置用于将所述训练集作为CatBoost模型的输入,经过CatBoost模型的训练,得到初步的连续输出值;
LSTM模块,被配置用于将所述初步的连续输出值输入到LSTM模型中进行训练,得到出行强度预测结果。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有能够被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行时,使所述至少一个处理器前述第一方面或第一方面的任一实现方式中的任一项所述的基于地震监测台网的城市出行强度评估方法。
第四方面,本公开实施例还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令当由至少一个处理器执行时使所述至少一个处理器执行前述第一方面或第一方面的任一实现方式中的基于地震监测台网的城市出行强度评估方法。
第五方面,本公开实施例还提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的基于地震监测台网的城市出行强度评估方法。
本公开实施例中的基于地震监测台网的城市出行强度评估方法,在模型过拟合、数据噪声较大和训练速度慢等方面有较好的表现。并且,本申请首次通过机器学习方法实现了通过对地震监测台网记录的噪声数据来获取城市出行强度的特征,并可以获得较高精度的评估结果。对比百度、高德等,获取相关数据的便捷性更高,也不需要对海量数据进行实时采集分析计算,不涉及到公众数据隐私问题。
附图说明
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1为本公开实施例提供的一种基于地震监测台网的城市出行强度评估方法流程示意图;
图2为本公开实施例提供的一种基于地震监测台网的城市出行强度评估方法流程框图;
图3为本公开实施例提供的温州市真实出行强度和融合模型输出的城市出行强度对比示意图;
图4为本公开实施例提供的北海市真实出行强度和融合模型输出的城市出行强度对比示意图;
图5为本公开实施例提供的一种基于地震监测台网的城市出行强度评估系统结构示意图;以及
图6为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其他方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其他结构及/或功能性实施此设备及/或实践此方法。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
虽然百度数据用来预估出行有上述的问题,但是我们可以在部分区域将其作为模型训练的标签数据,建立起来地震监测台网和城市出行的预估模型,将其泛化到别的时间、别的空间。
基于地震噪声和城市移动出行数据训练了模型,该模型基于湖北省6个城市2020年1月-4月的地震噪声约15000条数据进行训练,标签采用从百度地图得到的城市出行强度。针对不同区域噪声源的频带和能量分布差异性情况,为了提升模型在不同区域的泛化能力,选择在模型过拟合、数据噪声较大和训练速度等方面有较好的表现的梯度提升回归树模型CatBoost,使用平衡的oblivious树作为基本预测器,进一步防止模型过拟合。并考虑城市出行趋势有一定时序趋势特征,选取CatBoost作为基准模型,将CatBoost的输出作为LSTM的输入,以捕捉到其中潜在的时序信息。采用CatBoost和LSTM建立融合模型UrbanTIEM(Urbantravel intensity Evaluationmodel)。
首先,对监测台站的地震背景噪声数据进行清洗,保留高相关且数据完整的台站,然后剔除掉距离现有台站距离均大于50km的城市,接着根据不同城市的经纬度坐标找到与其最近的台站。
由于不同台站传感器监测的噪声的值域不同,在数据预处理阶段计算不同台站的基线噪声(baseline noise),然后令各个台站噪声数据分别与所属基线噪声作差得到相对噪声。其次,考虑到数据的时序性,随机均匀抽取80%的完整城市数据作为训练集,将10%完整的城市数据作为测试集,剩下10%完整的城市数据作为验证集。最后,将测试集输入到融合模型中进行训练,具体先将乱序的完整城市样本作为CatBoost模型的输入,经过CatBoost的训练后,会得到初步的连续输出值,由于这些输出值保存着数据的时序性,因此我们直接把初步输出值输入到LSTM模型中进行训练从而得到最终的出行强度预测结果。
图1为本公开实施例提供的基于地震监测台网的城市出行强度评估方法流程的示意图。
如图1所示,在步骤S110处,对监测台站的地震背景噪声数据进行清洗,根据位于预设阈值内的城市的经纬度坐标分别找到与其最近的台站进行匹配。
在本发明实施例中,构建基线噪声提取方法,包括:基于噪声功率谱方法提取连续观测数据特征,计算24小时的多个频率对应的噪声值,通过特征相关性提取高相关性特征,对监测台站的地震背景噪声数据进行清洗。
更具体地,采用噪声功率谱方法,计算一天24小时的多个频率对应的噪声值(dB))。
噪声功率谱计算方法:
台站地动噪声功率谱密度(PSD)是描述台站环境地动噪声的重要参数,有时简称噪声功率谱。本发明其以小时为单位对记录的原始数据采用噪声功率谱算法计算连续波形数据的地脉动噪声,从50Hz周期开始至200s周期提取多频点噪声数据,不对原始观测数据进行任何滤波处理。本发明采用IRISDMC的标准算法对测震台网的连续波形记录数据计算功率谱密度(Peterson,1993),不进行任何事件或者干扰的去除工作,对于离散频率值fk=k/(N△t),k=1,2,…,N-1,傅里叶分量定义为:
其中,△t为采样间隔,N为该时间序列段中的采样点数,即N=Tr/△t,Yk为快速傅里叶变换算法(FFT)给出的离散傅里叶变换(DFT)分量。总功率谱密度估计值定义为:
对每一段数据,采用如下步骤计算其功率谱密度:
(1)以1小时为单位对进行预处理,从时间序列中去掉均值和趋势;
(2)应用汉宁(Hann)窗以减少谱泄漏;
(3)计算傅里叶变换,见式1;
(4)去掉仪器响应,得到以地动物理单位表示的频谱;
(5)应用1/3倍频程带宽高斯滤波器作用于傅里叶变换结果,按照式2计算PSD。
在本发明实施例中,所述预设阈值为50km。
接下来转到步骤S120。
在步骤S120处,计算每个台站的基线噪声;将每个台站的噪声数据与其对应的基线噪声做差,得到每个台站的观测数据中包含的出行强度噪声特征。
在本发明实施例中,选取预设时间段的连续观测数据进行特征提取。例如:采用了1月-3月0点-6点相对安静时间段的连续观测数据进行特征提取,构建了基线噪声提取特征方法。
更具体地,计算城市和与城市距离最近的台站间噪声关系时,不同的台站由于所处海拔高度不同、传感器灵敏度不同等原因导致所接收人文噪声的区间不同。为了不破坏信号的地球物理意义同时又能实现可行的预测方案,根据不同台站选取不同的基线噪声(baseline noise),然后将每个台站的绝对背景噪声与对应基线噪声做差得到最低噪声为0分贝的相对噪声,该操作对不同台站噪声的区间进行了有效“对齐”。例如,以2020年为例,可以选取2020年1-3月的最低噪声作为基线噪声。
接下来转到步骤S130。
在步骤S130处,基于已有城市出行强度标签和出行强度噪声特征数据训练融合预测模型进行训练,输出出行强度预测结果。
完整城市数据即地震监测连续数据和对应时间范围内的百度迁徙提供的城市出行数据。
在本发明实施例中,所述融合预测模型包括CatBoost模型和LSTM模型。所述方法还包括:随机均匀抽取80%的位于预设阈值内的完整城市数据作为训练集,输入融合预测模型进行训练,输出出行强度预测结果;
抽取剩下的10%位于预设阈值内的完整城市数据作为测试集,将其余的10%位于预设阈值内的完整城市数据作为验证集,对所述出行强度预测结果进行检测。
更具体地,虽然梯度提升树模型可以在无需调参的情况下获得较高的模型质量,但该模型难以捕捉到城市出行强度和对应台站噪声的时序信息。为此,我们提出了梯度提升树和LSTM进行结合的融合模型来预测城市出行强度,与单一模型相比能够更好的评估精度。
在分类问题中,LSTM模型的输入输出通常使用One-hot编码,并在输出时进行Softmax操作。而在回归问题中,输入输出则不能使用One-hot编码,而是直接将连续数据代入进行预测。在梯度提升树模型中,由于CatBoost拥有相比其他主流方法在处理噪声数据上的卓越性能(后续有实验证实),因此,我们选择融合CatBoost和LSTM作为预测出行强度的量化模型。其中,融合模型的训练流程如图2所示。
在本发明实施例中,所述随机均匀抽取80%的位于预设阈值内的完整城市数据作为训练集,输入融合预测模型进行训练,输出出行强度预测结果,包括:将所述训练集作为CatBoost模型的输入,经过CatBoost模型的训练,得到初步的连续输出值;将所述初步的连续输出值输入到LSTM模型中进行训练,得到出行强度预测结果。
更具体地,CatBoost作为融合模型中的基准模型。将CatBoost的输出作为LSTM的输入,以捕捉到其中潜在的时序信息。
为了体现我们从众多循环神经网络中选择LSTM的优势,我们对主流的三种循环神经网络,即RNN、GRU和LSTM分别进行融合模型实验。
每次从多个城市中选取20%的完整城市出行强度作为测试集,进行了200轮均匀随机采样,并使用平方损失函数计算误差,通过对比CatBoost与RNN、GRU以及LSTM三种主流时序循环神经网络在湖北省、山西省和河北省的测试数据(如表1所示)预测效果,其中CatBoost与LSTM融合模型在20%测试数据上的误差最低,因此,本申请选择CatBoost与LSTM的融合模型作为最终背景噪声量化模型。其中,各省出行强度数据所来源的城市及用于训练的噪声数量如表1所示。
表1:各个融合模型在2020年各省测试数据上的MSE误差(200轮均匀随机采样取平均)
完成模型训练后,采用不同城市的地震噪声数据输入模型,可以得到较好的结果,表明模型可以用于评估城市出行强度,如图3、图4所示。(其中,圆点为真实出行强度数据,方块点为模型输出的城市出行强度,分别为温州市、北海市)。
在本发明实施例中,所述方法还包括:抽取剩下的10%位于预设阈值内的完整城市数据作为测试集,将其余的10%位于预设阈值内的完整城市数据作为验证集,对所述出行强度预测结果进行检测。
图5示出了本发明提供的基于地震监测台网的城市出行强度评估系统500,包括数据处理模块510、模型训练模块520和测试模块530。
数据处理模块510用于对监测台站的地震背景噪声数据进行清洗,剔除与所述现有台站距离大于预设阈值的城市,得到位于预设阈值内的城市;
根据所述位于预设阈值内的城市的经纬度坐标分别找到与其最近的台站;以及,
计算每个台站的基线噪声;将每个台站的噪声数据与其对应的基线噪声做差,得到每个台站的相对噪声;
模型训练模块520用于随机均匀抽取80%的位于预设阈值内的完整城市数据作为训练集,输入融合预测模型进行训练,输出出行强度预测结果;
测试模块530用于抽取剩下的10%位于预设阈值内的完整城市数据作为测试集,将其余的10%位于预设阈值内的完整城市数据作为验证集,对所述出行强度预测结果进行检测。
在本发明实施例中,所述模型训练模块还包括CatBoost模块和LSTM模块:
CatBoost模块,被配置用于将所述训练集作为CatBoost模型的输入,经过CatBoost模型的训练,得到初步的连续输出值;
LSTM模块,被配置用于将所述初步的连续输出值输入到LSTM模型中进行训练,得到出行强度预测结果。
参见图6,本公开实施例还提供了一种电子设备60,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中的基于地震监测台网的城市出行强度评估方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的基于地震监测台网的城市出行强度评估方法。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的基于地震监测台网的城市出行强度评估方法。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取至少两个网际协议地址;向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求,其中,所述节点评价设备从所述至少两个网际协议地址中,选取网际协议地址并返回;接收所述节点评价设备返回的网际协议地址;其中,所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收包括至少两个网际协议地址的节点评价请求;从所述至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于地震监测台网的城市出行强度评估方法,其特征在于,所述方法包括以下步骤:
对监测台站的地震背景噪声数据进行清洗,根据位于预设阈值内的城市的经纬度坐标分别找到与其最近的台站进行匹配;
计算每个台站的基线噪声;将每个台站的噪声数据与其对应的基线噪声做差,得到每个台站的观测数据中包含的出行强度噪声特征;
基于已有城市出行强度标签和出行强度噪声特征数据训练融合预测模型进行训练,输出出行强度预测结果。
2.根据权利要求1所述的基于地震监测台网的城市出行强度评估方法,其特征在于,构建基线噪声提取方法,包括:基于噪声功率谱方法提取连续观测数据特征,计算24小时的多个频率对应的噪声值,通过特征相关性提取高相关性特征,对监测台站的地震背景噪声数据进行清洗。
3.根据权利要求1所述的基于地震监测台网的城市出行强度评估方法,其特征在于,所述融合预测模型包括CatBoost模型和LSTM模型;
所述方法还包括:随机均匀抽取80%的位于预设阈值内的完整城市数据作为训练集,输入融合预测模型进行训练,输出出行强度预测结果;
抽取剩下的10%位于预设阈值内的完整城市数据作为测试集,将其余的10%位于预设阈值内的完整城市数据作为验证集,对所述出行强度预测结果进行检测。
4.根据权利要求3所述的基于地震监测台网的城市出行强度评估方法,其特征在于,所述随机均匀抽取80%的位于预设阈值内的完整城市数据作为训练集,输入融合预测模型进行训练,输出出行强度预测结果,包括:
将所述训练集作为CatBoost模型的输入,经过CatBoost模型的训练,得到初步的连续输出值;
将所述初步的连续输出值输入到LSTM模型中进行训练,得到出行强度预测结果。
5.根据权利要求1所述的基于地震监测台网的城市出行强度评估方法,其特征在于,所述预设阈值为50km。
6.根据权利要求5所述的基于地震监测台网的城市出行强度评估方法,其特征在于,选取预设时间段的连续观测数据进行特征提取。
7.一种基于地震监测台网的城市出行强度评估系统,其特征在于,所述系统包括:
数据处理模块,被配置用于对监测台站的地震背景噪声数据进行清洗,根据位于预设阈值内的城市的经纬度坐标分别找到与其最近的台站进行匹配;以及,
计算每个台站的基线噪声;将每个台站的噪声数据与其对应的基线噪声做差,得到每个台站的观测数据中包含的出行强度噪声特征;
模型训练模块,被配置用于基于已有城市出行强度标签和出行强度噪声特征数据训练融合预测模型进行训练,输出出行强度预测结果。
8.根据权利要求7所述的基于地震监测台网的城市出行强度评估系统,其特征在于,所述模型训练模块还包括CatBoost模块和LSTM模块:
CatBoost模块,被配置用于将所述训练集作为CatBoost模型的输入,经过CatBoost模型的训练,得到初步的连续输出值;
LSTM模块,被配置用于将所述初步的连续输出值输入到LSTM模型中进行训练,得到出行强度预测结果。
9.一种电子设备,其特征在于,该电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有能够被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行时,使所述至少一个处理器执行如权利要求1至5中的任一项所述的基于地震监测台网的城市出行强度评估方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令当由至少一个处理器执行时使所述至少一个处理器执行如权利要求1至6中的任一项所述的基于地震监测台网的城市出行强度评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311468404.9A CN117454767A (zh) | 2023-11-07 | 2023-11-07 | 基于地震监测台网的城市出行强度评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311468404.9A CN117454767A (zh) | 2023-11-07 | 2023-11-07 | 基于地震监测台网的城市出行强度评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117454767A true CN117454767A (zh) | 2024-01-26 |
Family
ID=89592657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311468404.9A Pending CN117454767A (zh) | 2023-11-07 | 2023-11-07 | 基于地震监测台网的城市出行强度评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117454767A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022241802A1 (zh) * | 2021-05-19 | 2022-11-24 | 广州广电运通金融电子股份有限公司 | 复杂路网下的短时交通流量预测方法、存储介质和系统 |
WO2022247677A1 (zh) * | 2021-05-28 | 2022-12-01 | 南京师范大学 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其系统 |
CN115527365A (zh) * | 2022-08-31 | 2022-12-27 | 上海合本字节数字科技有限公司 | 基于人工神经网络的城市出行活动预测方法及装置 |
CN116884211A (zh) * | 2023-07-05 | 2023-10-13 | 中央民族大学 | 一种交通序列预测方法、装置、电子设备及存储介质 |
-
2023
- 2023-11-07 CN CN202311468404.9A patent/CN117454767A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022241802A1 (zh) * | 2021-05-19 | 2022-11-24 | 广州广电运通金融电子股份有限公司 | 复杂路网下的短时交通流量预测方法、存储介质和系统 |
WO2022247677A1 (zh) * | 2021-05-28 | 2022-12-01 | 南京师范大学 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其系统 |
CN115527365A (zh) * | 2022-08-31 | 2022-12-27 | 上海合本字节数字科技有限公司 | 基于人工神经网络的城市出行活动预测方法及装置 |
CN116884211A (zh) * | 2023-07-05 | 2023-10-13 | 中央民族大学 | 一种交通序列预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
XIN LU ET AL: "Prediction of High-Speed Traffic Flow around City Based on BO-XGBoost Model", SYMMETRY, vol. 15, no. 7, 20 July 2023 (2023-07-20), pages 1 - 17 * |
陈建忠等: "基于生成对抗和图卷积网络的含缺失值交通流预测模型", 公路交通科技, vol. 40, no. 9, 30 September 2023 (2023-09-30), pages 205 - 214 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kong et al. | MyShake: A smartphone seismic network for earthquake early warning and beyond | |
Michelini et al. | INSTANCE–the Italian seismic dataset for machine learning | |
Iannaccone et al. | A prototype system for earthquake early-warning and alert management in southern Italy | |
Colombelli et al. | Test of a threshold‐based earthquake early‐warning method using Japanese data | |
EA027299B1 (ru) | Системы и способы оптимального суммирования сейсмических данных | |
Cuéllar et al. | A fast earthquake early warning algorithm based on the first 3 s of the P‐wave coda | |
CN113886181B (zh) | 应用于AIOps故障预警的动态阈值预测方法、设备及介质 | |
CN113419222B (zh) | 基于雷达信号提取桥梁振动频率的方法及系统 | |
CN112487604A (zh) | 海洋重力仪输出数据长时间非线性漂移补偿方法 | |
CN117275209B (zh) | 一种基于分布式光纤声波传感的监测预警方法以及相关装置 | |
Zuccolo et al. | Comparing the performance of regional earthquake early warning algorithms in Europe | |
Kong et al. | Toward global earthquake early warning with the myshake smartphone seismic network, part 1: Simulation platform and detection algorithm | |
Cofré et al. | End-to-End LSTM-based earthquake magnitude estimation with a single station | |
CN117332324A (zh) | 管道漏损检测方法、装置、电子设备及存储介质 | |
CN117454767A (zh) | 基于地震监测台网的城市出行强度评估方法及系统 | |
CN115935142A (zh) | 一种基于短周期密集台阵城市背景噪声的成像方法及装置 | |
Marmureanu et al. | Vrancea earthquake early warning system: first tests to add location capabilities | |
Elsayed et al. | Eqconvmixer: A deep learning approach for earthquake location from single-station waveforms | |
Chen et al. | A comparison of operational modal parameter identification methods for a multi-span concrete motorway bridge | |
JP5562237B2 (ja) | 地球の表面におけるストーム活動をリアルタイムで監視する方法および装置 | |
CN104570118A (zh) | 一种基于双因素的自动识别与去除工业干扰的方法 | |
Tu et al. | Application of a net-based baseline correction scheme to strong-motion records of the 2011 M w 9.0 Tohoku earthquake | |
Ding et al. | MEMS-based seismic intensity instrument for earthquake early warning | |
CN116381773B (zh) | 一种在地震预报中归一化混杂数据的方法及装置 | |
CN114399355B (zh) | 基于用户转化率的信息推送方法、装置和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |