摘要
地震预测是地球科学界的一个重要课题。有人提出了几种模型来预测下一次地震的发生时间。然而，所有这些方法都是基于传统的机器学习算法。近年来，在各种数据处理任务中，基于深度学习的模型相对于传统机器学习模型取得了突破性的成果。因此，在本文中，我们提出并分析了不同的基于深度学习的模型来预测下一次地震的时间。据我们所知，这是第一次利用深度学习来预测地震。我们对所提出的模型进行了实验，并在平均绝对误差(MAE)测量方面进行了比较。通过不同的实验，我们发现GRU-Conv1D模型比其他模型获得更好的MAE值。
关键字
深度学习 LSTM 格勒乌 Conv-GRU GRU-Conv参考
-
1.
-
2.Rouet-Leduc，B.，Hulbert，C.，Lubbers，N.，Barros，K.，Humphreys，C.J.，＆Johnson，P. A.（2017）。机器学习预测实验室地震。《地球物理研究快报, 44（18），9276-9282。谷歌学术搜索
-
3.Rouet-Leduc, B.， Hulbert, C.， Bolton, D. C.， Ren, C. X.， Riviere, J.， Marone, C.等人(2018)。在实验室中根据地震信号估计断层摩擦。《地球物理研究快报, 45（3），1321-1329。谷歌学术搜索
-
4.Rouet-Leduc, B.， Hulbert, C.， & Johnson, P. A.(2019)。机器学习揭示的卡斯卡迪亚俯冲带的连续颤振。自然地球科学， 12（1），75。谷歌学术搜索
-
5.Hulbert, C.， Rouet-Leduc, B.， Johnson, P. A.， Ren, C. X.， Rivière, J.， Bolton, d.c.， et al.(2019)。机器学习揭示的快地震和慢地震的相似性。自然地球科学， 12(1), 69。谷歌学术搜索
-
6.Hochreiter，S.，＆Schmidhuber，J.（1997）。长短短期记忆。神经计算, 9(8), 1735 - 1780。谷歌学术搜索
-
7.Cho，K.，VanMerriënboer，B.，古尔克里，C.，Bahdanau，D.，Bougares，F.，Schwenk，H.，＆Bengio，Y。（2014）。使用RNN编码器解码器进行学习短语表示，用于统计机器翻译。arXiv预印本arXiv: 1406.1078。
-
8.
-
9.陈涛，& Guestrin, C.(2016)。Xgboost:一个可扩展的树增强系统。在第22届ACM SIGKDD国际知识发现和数据挖掘会议(页785 - 794)。ACM。谷歌学术搜索
-
10。陈志明，杨德勇，王海涛，陈绍建。、黄W.-K。， & Woo, w -c。(2015)。卷积LSTM网络:一种用于降水预报的机器学习方法。在神经信息处理系统的进展(页802 - 810)。谷歌学术搜索
-
11.Ballas，N.，Yao，L.，Pal，C.，＆Courville，A.（2015）。深入了解卷积网络，用于学习视频表示。arXiv预印本arXiv: 1511.06432。
-
12.张哲，Robinson, D.， & Tepper, J.(2018)。使用基于卷积-格鲁的深度神经网络检测twitter上的仇恨言论。在欧洲语义网会议(页745 - 760)。beplay登入施普林格。谷歌学术搜索
-
13.柔术,a(1995)。小波概论。IEEE计算科学与工程， 2(2)、50 - 61。谷歌学术搜索
-
14.Kingma，D.P.，＆Ba，J。（2014）。亚当：随机优化的方法。arXiv预印本arXiv: 1412.6980。
-
15.Ketkar，N.（2017）。Keras介绍。在使用Python进行深度学习(页97 - 111)。beplay登入施普林格。谷歌学术搜索
-
16.Ioffe, S.， & Szegedy, C.(2015)。批归一化:通过减少内部协变量偏移来加速深度网络训练。arXiv预印本arXiv: 1502.03167。
-
17.gloria, X.， & Bengio, Y.(2010)。理解训练深度前馈神经网络的困难。在第十三届人工智能和统计国际会议论文集(页249 - 256)。谷歌学术搜索
-
18.他，K.，张，X.，任，S.，＆Sun，J.（2015）。深入研究整流器：超越人类级别在想象中的分类上的性能。在IEEE计算机视觉国际会议论文集(页1026 - 1034)。谷歌学术搜索
版权信息
©施beplay登入普林格Nature Singapore Pte Ltd. 2021