[發(fā)明專利]一種地震前兆數(shù)據(jù)異常檢測方法

有效

• 申請?zhí)枺?/td>: 201811219615.8
• 申請日: 2019-03-21
• 公開（公告）號: CN109738939B
• 公開（公告）日: 2022-06-21
• 發(fā)明（設(shè)計）人: 蔡寅
• 申請（專利權(quán)）人: 蔡寅
• 主分類號: G01V1/00
• 分類號: G01V1/00;G01V1/30
• 代理公司: 北京和信華成知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11390
• 代理人: 胡劍輝

本發(fā)明提出了一種地震前兆數(shù)據(jù)異常檢測方法，所述方法包括：獲取歷史地震前兆數(shù)據(jù)集，進行數(shù)據(jù)預(yù)處理，將預(yù)處理后的數(shù)據(jù)集分為訓(xùn)練集、驗證集和測試集三個子集；構(gòu)建LSTM?RNN預(yù)測模型；將所述訓(xùn)練集中的數(shù)據(jù)作為輸入，進行所述預(yù)測模型的訓(xùn)練；用所述驗證集的數(shù)據(jù)，檢查訓(xùn)練過程中誤差變化情況；根據(jù)所述損失函數(shù)，設(shè)定異常觸發(fā)閾值；用測試集中數(shù)據(jù)對預(yù)測模型進行測試，根據(jù)對測試集中異常數(shù)據(jù)的識別率，對所述超參數(shù)的值進行調(diào)整；利用預(yù)測模型進行地震前兆數(shù)據(jù)異常檢測。本方法能夠?qū)Φ卣鹎罢讛?shù)據(jù)中的各類異常進行識別并進行清晰描述與準確區(qū)分，并能夠識別出人工不易覺察的異常信息。

技術(shù)領(lǐng)域

本發(fā)明涉及地震數(shù)據(jù)檢測領(lǐng)域，特別是指一種地震前兆數(shù)據(jù)異常檢測方法。

背景技術(shù)

地震前兆的觀測和前兆異常的識別是地震預(yù)報的基礎(chǔ)。地震預(yù)報是根據(jù)地震前觀測數(shù)據(jù)的異常變化對未來地震發(fā)展趨勢進行的綜合判定。因此，地震預(yù)報是高度依賴于觀測技術(shù)與數(shù)據(jù)處理方法的交差學(xué)科。自2008年汶川8.0級與2011年日本9.0級地震之后，大量學(xué)者通過前兆觀測數(shù)據(jù)的分析，揭示了數(shù)據(jù)異常變化與地震孕育發(fā)生的關(guān)系。總結(jié)各類前兆數(shù)據(jù)異常主要可以分為趨勢轉(zhuǎn)折與高頻擾動。趨勢轉(zhuǎn)折是觀測數(shù)據(jù)在自身正常周期性變化過程中的趨勢異常變化。高頻擾動則是指觀測數(shù)據(jù)突然出現(xiàn)的高頻率、大振幅的異常數(shù)據(jù)，且規(guī)律性不明顯。在實際觀測過程中，這兩類異常往往疊加出現(xiàn)，增加了對異常判定的復(fù)雜度。同時，受到觀測臺站周邊地質(zhì)構(gòu)造、觀測環(huán)境等多種因素的影響，觀測數(shù)據(jù)的正常動態(tài)變化形態(tài)往往是多種多樣的，同一觀測臺站在不同地震前的異常數(shù)據(jù)特征也不盡相同。

目前前兆數(shù)據(jù)分析的方式以分析預(yù)報人員的經(jīng)驗積累與直觀檢測為主，配合一些以統(tǒng)計學(xué)為基礎(chǔ)的數(shù)學(xué)方法，通過對數(shù)據(jù)的變化形態(tài)的判斷與歸納，外推確定是否是存在異常數(shù)據(jù)。經(jīng)驗?zāi)B(tài)分解、小波變換等數(shù)字信號處理方法也被用于異常數(shù)據(jù)的提取，這些方法將觀測數(shù)據(jù)由時間域轉(zhuǎn)換到頻率域，從信號的細節(jié)角度對數(shù)據(jù)進行深入分析，捕捉異常。上述各種方法僅適用于某一類的異常識別，然而在實際觀測過程中，各類異常往往疊加出現(xiàn)，現(xiàn)有方法難以完成對各類異常的統(tǒng)一識別、清晰描述與準確區(qū)分。因此，提出一種新的地震前兆數(shù)據(jù)異常檢測方法是非常有必要的。

發(fā)明內(nèi)容

本發(fā)明提出一種地震前兆數(shù)據(jù)異常檢測方法，以實現(xiàn)對地震前兆數(shù)據(jù)的異常進行清晰準確的識別。

本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：所述方法包括：

S1、地震前兆數(shù)據(jù)處理；查詢數(shù)據(jù)庫，獲取已存儲的歷史地震前兆數(shù)據(jù)集，根據(jù)指令進行數(shù)據(jù)預(yù)處理，將預(yù)處理后的數(shù)據(jù)集分為訓(xùn)練集、驗證集和測試集三個子集；

S2、構(gòu)建LSTM-RNN預(yù)測模型；所述預(yù)測模型分為輸入層、隱藏層及輸出層；其中，所述訓(xùn)練集作為預(yù)測模型的輸入；所述隱藏層為多層，相鄰之間采用全連接的方式；所述輸出層為一個全連接層，其神經(jīng)元的個數(shù)與需要向后預(yù)測的數(shù)據(jù)長度一致，采用線性激活方式；在所述預(yù)測模型中采用均方誤差作為損失函數(shù)；

S3、訓(xùn)練預(yù)測模型；將所述訓(xùn)練集中的數(shù)據(jù)作為輸入，通過指令運用通過時間的反向傳播算法，進行所述預(yù)測模型的訓(xùn)練，其中，首先初步設(shè)定預(yù)測模型超參數(shù)的初始值，然后使用貝葉斯優(yōu)化去尋找超參數(shù)的最優(yōu)解；

S4、預(yù)測模型參數(shù)調(diào)整；根據(jù)所述損失函數(shù)，設(shè)定異常觸發(fā)閾值；用測試集中數(shù)據(jù)對預(yù)測模型進行測試，根據(jù)對測試集中異常數(shù)據(jù)的識別率，對所述超參數(shù)的值進行調(diào)整，直到對測試集中異常數(shù)據(jù)識別的誤差值和所觸發(fā)的非異常數(shù)據(jù)的數(shù)量都達到期望值時結(jié)束；

S5、保存預(yù)測模型；用所述驗證集的數(shù)據(jù)，檢查訓(xùn)練過程中誤差變化情況，當訓(xùn)練集與驗證集的誤差均達到最小期望值時結(jié)束，保存預(yù)測模型及損失函數(shù)；

S6、利用預(yù)測模型進行地震前兆數(shù)據(jù)預(yù)測；輸入當前的地震前兆數(shù)據(jù)至所述預(yù)測模型，輸出預(yù)測值，根據(jù)程序指令與異常觸發(fā)閾值進行比較，判定是否為異常數(shù)據(jù)。

優(yōu)選的，所述數(shù)據(jù)預(yù)處理為對地震前兆數(shù)據(jù)進行zero-mean標準化處理。