地?zé)岙惓Ｅc地震關(guān)系密切。地?zé)釘?shù)據(jù)是典型的時(shí)間序列數(shù)據(jù),研究其變化規(guī)律是檢測(cè)異常數(shù)據(jù)的前提。傳統(tǒng)的時(shí)間序列分析方法主要以線性方法為主,其擬合精度有限。根據(jù)地?zé)釙r(shí)間序列數(shù)據(jù)的特點(diǎn),論文采用LSTM模型對(duì)毛埡溫泉泉水溫度4年觀測(cè)數(shù)據(jù)進(jìn)行建模,并將實(shí)驗(yàn)結(jié)果與傳統(tǒng)的AR方法、ARMA方法進(jìn)行了對(duì)比。實(shí)驗(yàn)結(jié)果表明,在毛埡溫泉泉水溫度數(shù)據(jù)集上,LSTM方法預(yù)測(cè)的均方根誤差RSME明顯小于AR和ARMA方法。論文研究為地震前兆數(shù)據(jù)預(yù)測(cè)拓寬了思路。

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

圖1 LSTM神經(jīng)網(wǎng)絡(luò)及其展開(kāi)結(jié)構(gòu)

地震前兆數(shù)據(jù)屬于典型的時(shí)間序列數(shù)據(jù)，相鄰的數(shù)據(jù)具有很強(qiáng)的相關(guān)性，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)無(wú)法描述并記住這種相關(guān)性，長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)允許信息的持久化，是處理時(shí)間序列問(wèn)題的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。LSTM基本結(jié)構(gòu)如圖1所示。其中等號(hào)左側(cè)為L(zhǎng)STM網(wǎng)絡(luò)結(jié)構(gòu)。....

圖2 LSTM處理單元詳細(xì)結(jié)構(gòu)

然后更新?tīng)顟B(tài)變量ct的值，具體如公式(6)所示:式中，*運(yùn)算符為向量的Hadamard積運(yùn)算。

圖3 數(shù)據(jù)平穩(wěn)化處理

ADF檢驗(yàn)結(jié)果表明，理塘埡溫泉泉水溫度數(shù)據(jù)為非平穩(wěn)過(guò)程，在建模之前首先要進(jìn)行差分處理，將其變?yōu)槠椒�(wěn)過(guò)程。差分計(jì)算公式如下:式中，Δ為差分算子，xt為時(shí)間序列t時(shí)刻的觀測(cè)數(shù)據(jù)。

圖4 基于LSTM的理塘毛埡溫泉水溫預(yù)測(cè)結(jié)果

從圖4～6以及表1可以看出，在準(zhǔn)確率方面，3種方法的觀測(cè)值與預(yù)測(cè)值均十分接近。但是在穩(wěn)健性方面，采用LSTM模型預(yù)測(cè)時(shí)，RMSE值最小，為0.90256;采用AR模型預(yù)測(cè)時(shí)，RMSE為0.9645;采用ARMA模型預(yù)測(cè)時(shí)，RMSE為0.9558，這說(shuō)明在準(zhǔn)確率相近的情況下，LST....

本文編號(hào)：4024886