溶解氣氡濃度異常為可靠地震前兆,通過(guò)對(duì)歷史觀測(cè)數(shù)據(jù)進(jìn)行建模,預(yù)測(cè)溶解氣氡未來(lái)趨勢(shì),是快速檢測(cè)溶解氣氡濃度異常、研究震-氡機(jī)制的前提。溶解氣氡濃度數(shù)據(jù)為典型的時(shí)間序列數(shù)據(jù),傳統(tǒng)的時(shí)間序列預(yù)測(cè)技術(shù)主要為自回歸(AR)方法和自回歸滑動(dòng)平均(ARMA)方法。這些方法以線性方法為主,其擬合精度有限。采用目前最流行的深度學(xué)習(xí)技術(shù)長(zhǎng)短期記憶(LSTM)模型對(duì)姑咱地震臺(tái)、西昌地震臺(tái)和雅安地震臺(tái)一段時(shí)間內(nèi)連續(xù)觀測(cè)的溶解氣氡日觀測(cè)數(shù)據(jù)集溶解氣氡濃度數(shù)據(jù)進(jìn)行建模,采用90%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)訓(xùn)練LSTM網(wǎng)絡(luò),10%的數(shù)據(jù)作為預(yù)測(cè)數(shù)據(jù),采用均方根誤差評(píng)價(jià)指標(biāo)來(lái)評(píng)價(jià)模型的效果。在三種數(shù)據(jù)集上,LSTM的預(yù)測(cè)誤差均方根誤差均明顯低于AR和ARMA方法。該結(jié)果表明,LSTM的預(yù)測(cè)精度高于傳統(tǒng)的AR、ARMA方法。

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

圖1姑咱地震臺(tái)水化溶解氣氡數(shù)據(jù)差分前后對(duì)比

圖1以姑咱地震臺(tái)溶解氣氡觀測(cè)數(shù)據(jù)為例,顯示了原始數(shù)據(jù)和差分之后數(shù)據(jù)對(duì)照?qǐng)D。其中圖1(a)為某段時(shí)間溶解氣氡濃度原始觀測(cè)數(shù)據(jù),可以看出,原始觀測(cè)數(shù)據(jù)具有明顯的周期性變化,隨著時(shí)間的變化,數(shù)據(jù)的均值呈周期性變化,為非平穩(wěn)數(shù)據(jù)。圖1(b)為進(jìn)行差分處理之后的數(shù)據(jù),可以看出,經(jīng)過(guò)差分處理....

圖2LSTM神經(jīng)網(wǎng)絡(luò)及其展開(kāi)結(jié)構(gòu)

溶解氣氡數(shù)據(jù)是一種時(shí)間序列數(shù)據(jù),長(zhǎng)短期記憶網(wǎng)絡(luò)是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrentneuralnetwork,RNN),能夠從歷史時(shí)間序列中發(fā)現(xiàn)規(guī)律,對(duì)未來(lái)時(shí)間序列進(jìn)行預(yù)測(cè)。LSTM基本結(jié)構(gòu)如圖2所示,LSTM的展開(kāi)結(jié)構(gòu)可以看出,最初時(shí)刻,LSTM處理單元A接受輸入數(shù)....

圖3LSTM處理單元詳細(xì)結(jié)構(gòu)

從圖2可以看出,在LSTM神經(jīng)網(wǎng)絡(luò)中核心部分為L(zhǎng)STM處理單元A。LSTM處理單元A詳細(xì)結(jié)構(gòu)如圖3所示。從圖3中可以看出,LSTM處理單元包含三個(gè)“門(mén)”的結(jié)構(gòu):遺忘門(mén)、輸入門(mén)和輸出門(mén),這三個(gè)門(mén)結(jié)構(gòu)對(duì)應(yīng)的激活向量分別為ft、it和ot。單元狀態(tài)ct貫穿于三個(gè)“門(mén)”結(jié)構(gòu)之間。整體上....

圖4基于LSTM的溶解氣氡預(yù)測(cè)實(shí)驗(yàn)流程

原始數(shù)據(jù)經(jīng)過(guò)缺失數(shù)據(jù)、平穩(wěn)性檢驗(yàn)、差分處理之后,對(duì)數(shù)據(jù)進(jìn)行建模并預(yù)測(cè),然后進(jìn)行反差分處理,并統(tǒng)計(jì)誤差。實(shí)驗(yàn)流程如圖4所示。論文中所選擇的三個(gè)原始數(shù)據(jù)均缺失數(shù)據(jù)較少,采用最近鄰方法進(jìn)行缺失數(shù)據(jù)處理之后,如圖5所示。

本文編號(hào)：3960445