买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：桂林电子科技大学

摘要：本发明提供一种基于贝叶斯优化多机器学习算法的最大余震预测方法，根据地震学原理将地震分为不同类型进行处理，通过分析主震与余震之间的关系后建立了主震‑余震序列用于最大余震的训练和预测。针对不同地震类型，分别使用LightGBM、SVM、RF训练并使用贝叶斯优化算法结合五折交叉验证的方法寻找模型最优超参数，最终得到最大余震震级的组合预测模型。本发明在预测流程上简单，需要的参数量少，针对不同类型地震的余震均有较好的预测效果，适用性强，准确度高，与经典的Bath定律相比，约95％的结果优于Bath定律。

主权项：1.一种基于贝叶斯优化多机器学习算法的最大余震预测方法，其特征在于，包括以下步骤：步骤S1：获取全球地震事件的矩张量地震目录数据集，使用地震特征参数对地震分类，根据地震类型对数据集分类，在后续步骤中每种类型的地震数据相互独立，针对不同类型地震数据进行训练和验证。步骤S2：根据原始矩张量地震目录现有特征结合地震学原理构建新的特征，将新特征加入数据集中。步骤S3：构建主余震序列。主余震序列具体构建过程如下：步骤S301：通过统计分析方法计算得到主震筛选范围U、主余震距离差的空间尺度s、主余震时间差的时间尺度T，将当前数据集中所有震级在U范围内的地震作为主震，生成主震集合M；步骤S302：根据S301中的主震集合M＝{mi，m2，...，mn}，其中每个mi表示一个主震，具体形式为一个1×n维矩阵n为特征个数，每次取出M中首个没有访问到的地震数据作为主震，初始时，选择第一个地震数据m1作为主震；步骤S303：对于每个主震mi和其他地震ejej在格式上与mi相同，计算时间差Δtij，震级差ΔMij和距离dij；步骤S304：如果ΔMij0，Δtij≤T且dij≤S，则认为ej是mi的余震，将ej加入mi的余震集合；步骤S305：从满足条件的余震集合中，选择震级最大的余震作为mi的最大余震，记作ai；步骤S306：将mi和其最大余震ai拼接结合，形成一个主震-余震对mi，ai；步骤S307：重复步骤S302至S306，直到M中所有地震均被迭代过，将主震-余震对mi，ai组合成一个序列，得到主余震序列。步骤S4：对步骤S3中生成好的主余震序列数据进行归一化处理，并将主余震序列划分分训练集、验证集、测试集。步骤S5：使用斯皮尔曼相关系数分析主震特征和余震最大震级之间的相关性，进行特征参数选择。步骤S501：设定特征集合W＝{w1，w2，...，wn}，其中每个wi代表一个特征，设定目标变量为最大余震的震级Y；步骤S502：对于集合W中的每个特征wi和预测目标最大余震震级Y，对其数据点进行排名；步骤S503：对于每个特征wi和预测目标最大余震震级Y，计算排名差的平方。设dij为特征wi在第j个数据点的排名和Y在第j个数据点的排名之间差的平方；步骤S504：对于每个特征wi使用如下公式计算其与Y的斯皮尔曼相关系数ρi，其中n是wi的数据点的数量； 步骤S505：基于计算得出的斯皮尔曼相关系数，选择与Y相关性较强，即|ρi|较大的特征。步骤S6：使用S5中特征选择后的数据分别使用LightGBM、SVM支持向量机、RF随机森林算法训练模型，使用贝叶斯优化算法对三种算法模型的超参数进行优化，得到优化后训练好的最大余震预测模型BO-LightGBM、BO-SVM、BO-RF。步骤S7：使用步骤S4中处理好的验证集与测试集对S6中训练好的模型进行性能评估。对于步骤S1中的不同类型地震，选择性能最优的模型作为该类型地震的最大余震震级预测模型，得到可以根据地震类型自动选择模型的组合预测模型LAPM-POML。步骤S8：对当前采集获取到的地震数据进行最大余震震级预测。具体步骤如下：步骤S801：根据步骤S1中的划分方法确定当前地震类型；步骤S802：对采集获取到的当前地震数据依据步骤S2中特征构造的方法得到新的构造特征的值；步骤S803：使用步骤S4中的归一化方法对当前地震数据进行处理并依据步骤S5所选择的特征生成输入数据；步骤S804：根据当前地震所属类型通过预测模型LAPM-POML选择步骤S7中处理当前地震类型性能最优的模型，将S803中生成的输入数据输入所选择的模型，得到预测结果。

全文数据：

权利要求：

百度查询： 桂林电子科技大学 一种基于贝叶斯优化多机器学习算法的最大余震预测方法