[发明专利]一种地震前兆数据异常检测方法

说明书

本发明提出了一种地震前兆数据异常检测方法，所述方法包括：获取历史地震前兆数据集，进行数据预处理，将预处理后的数据集分为训练集、验证集和测试集三个子集；构建LSTM‑RNN预测模型；将所述训练集中的数据作为输入，进行所述预测模型的训练；用所述验证集的数据，检查训练过程中误差变化情况；根据所述损失函数，设定异常触发阈值；用测试集中数据对预测模型进行测试，根据对测试集中异常数据的识别率，对所述超参数的值进行调整；利用预测模型进行地震前兆数据异常检测。本方法能够对地震前兆数据中的各类异常进行识别并进行清晰描述与准确区分，并能够识别出人工不易觉察的异常信息。

技术领域

本发明涉及地震数据检测领域，特别是指一种地震前兆数据异常检测方法。

背景技术

地震前兆的观测和前兆异常的识别是地震预报的基础。地震预报是根据地震前观测数据的异常变化对未来地震发展趋势进行的综合判定。因此，地震预报是高度依赖于观测技术与数据处理方法的交差学科。自2008年汶川8.0级与2011年日本9.0级地震之后，大量学者通过前兆观测数据的分析，揭示了数据异常变化与地震孕育发生的关系。总结各类前兆数据异常主要可以分为趋势转折与高频扰动。趋势转折是观测数据在自身正常周期性变化过程中的趋势异常变化。高频扰动则是指观测数据突然出现的高频率、大振幅的异常数据，且规律性不明显。在实际观测过程中，这两类异常往往叠加出现，增加了对异常判定的复杂度。同时，受到观测台站周边地质构造、观测环境等多种因素的影响，观测数据的正常动态变化形态往往是多种多样的，同一观测台站在不同地震前的异常数据特征也不尽相同。

目前前兆数据分析的方式以分析预报人员的经验积累与直观检测为主，配合一些以统计学为基础的数学方法，通过对数据的变化形态的判断与归纳，外推确定是否是存在异常数据。经验模态分解、小波变换等数字信号处理方法也被用于异常数据的提取，这些方法将观测数据由时间域转换到频率域，从信号的细节角度对数据进行深入分析，捕捉异常。上述各种方法仅适用于某一类的异常识别，然而在实际观测过程中，各类异常往往叠加出现，现有方法难以完成对各类异常的统一识别、清晰描述与准确区分。因此，提出一种新的地震前兆数据异常检测方法是非常有必要的。

发明内容

本发明提出一种地震前兆数据异常检测方法，以实现对地震前兆数据的异常进行清晰准确的识别。

本发明的技术方案是这样实现的：所述方法包括：

S1、地震前兆数据处理；查询数据库，获取已存储的历史地震前兆数据集，根据指令进行数据预处理，将预处理后的数据集分为训练集、验证集和测试集三个子集；

S2、构建LSTM-RNN预测模型；所述预测模型分为输入层、隐藏层及输出层；其中，所述训练集作为预测模型的输入；所述隐藏层为多层，相邻之间采用全连接的方式；所述输出层为一个全连接层，其神经元的个数与需要向后预测的数据长度一致，采用线性激活方式；在所述预测模型中采用均方误差作为损失函数；

S3、训练预测模型；将所述训练集中的数据作为输入，通过指令运用通过时间的反向传播算法，进行所述预测模型的训练，其中，首先初步设定预测模型超参数的初始值，然后使用贝叶斯优化去寻找超参数的最优解；

S4、预测模型参数调整；根据所述损失函数，设定异常触发阈值；用测试集中数据对预测模型进行测试，根据对测试集中异常数据的识别率，对所述超参数的值进行调整，直到对测试集中异常数据识别的误差值和所触发的非异常数据的数量都达到期望值时结束；

S5、保存预测模型；用所述验证集的数据，检查训练过程中误差变化情况，当训练集与验证集的误差均达到最小期望值时结束，保存预测模型及损失函数；

S6、利用预测模型进行地震前兆数据预测；输入当前的地震前兆数据至所述预测模型，输出预测值，根据程序指令与异常触发阈值进行比较，判定是否为异常数据。

优选的，所述数据预处理为对地震前兆数据进行zero-mean标准化处理。