一种基于ARIMA模型的地震预测方法技术

本发明专利技术提供了一种基于ARIMA模型的地震预测方法，属于地震预测技术领域，本发明专利技术从分析地震序列自身时间变化规律的视角出发，基于能较为容易获取的地震目录数据，将地震发生时刻按震级提取，得到不同震级的地震序列，计算地震发生的时间间隔，使用季节性ARIMA模型分析发震时间间隔长短的周期变化，得到其长、中、短周期大小，拟合出各周期对应的最佳模型，再使用模型预测发震间隔，得出后续地震的发震时刻。本发明专利技术解决和优化了其他方法无法捕捉地震发生时间周期性变化规律不足的问题，预测精度较其他方法有较为明显的提升。较其他方法有较为明显的提升。较其他方法有较为明显的提升。

【技术实现步骤摘要】
一种基于ARIMA模型的地震预测方法


[0001]本专利技术属于地震预测
，尤其涉及一种基于ARIMA模型的地震预测方法。

技术介绍

[0002]天然构造地震，即地壳断裂活动引发的地震，通常会造成较大的影响，甚至人员伤亡和财产损失。由于其发生规律的高度复杂性和随机性，目前国内外对于该类地震预测的研究，多集中于对断裂构造带影响区域的地震概率危险性评价分析。但随着社会经济的发展和公众需求，对该类地震发生时刻的预测准确性有着越来越高的要求，地震危险性评价已不能满足需要，进而促使对地震发生时刻的预测成为地震研究领域的热点和难点。
[0003]鉴于构造地震发生的地质学原理和机制，并据地震目录数据的统计分析，不同震级的地震发生时刻间隔都明显呈现出不同时长的周期。基于此，有学者尝试使用SVM、LSTM或传统回归模型等方法对发震时刻进行预测，但捕捉发震周期大小和预测效果并不理想。另有学者使用倍周期叠加黄金分割法进行验证性预测，但由于其并不是依据发震时间本身的周期性变化特征，因此也难以得到发震周期规律，导致预测结果误差较大。
[0004]ARIMA模型，即求和自回归移动平均模型，是一种时间序列分析方法，可有效用于地震研究。有学者使用ARIMA模型，通过对某历史地震震前地球物理数据信息异常变化的分析和识别，如电离层、电磁和地声、地热的异常变化等，确定异常标准，依据异常出现的时间对发震时间进行预测。通常情况下，异常持续出现的第15天左右即会发震，故这类方法具有较高准确度，但也有一些局限：(1)需要对相关地球物理特征实施不间断的实时监测，要求基础数据的数量多、质量高，预测、预报或预警结果的发布受到较为严格的时间限制；(2)由于预测依据是某历史地震震前地球物理特征的异常变化，故异常标准的通用性、可移植性不高，对于较大范围断裂系统的构造地震更是无能为力。
[0005]目前，仅有极少数学者曾使用ARIMA模型通过分析地震序列自身变化的角度来预测地震震级、频次和发震时间，其中对于震级和频次的预测可达较高准确度(误差为0.6％
‑
9.4％)，但对于发震时间的预测准确度还处于较低水平(误差为0.9
‑
1.8年)。

技术实现思路

[0006]针对现有技术中的上述不足，本专利技术提供的一种基于ARIMA模型的地震预测方法，解决和优化了其他方法无法捕捉地震发生时间周期性变化规律不足的问题，预测精度较其他方法有较为明显的提升。
[0007]为了达到以上目的，本专利技术采用的技术方案为：
[0008]本方案提供一种基于ARIMA模型的地震预测方法，包括以下步骤：
[0009]S1、计算准备：根据目标断裂带区域内的天然地震目录数据，得到某震级大小及以上的发震时刻间隔序列，并将发震时刻间隔序列划分为ARIMA模型的拟合训练集和预测验证集；
[0010]S2、周期性和趋势性分析：根据拟合训练集，对发震时刻间隔序列进行周期性和趋
势性分析，确定发震时刻间隔序列周期长短范围以及ARIMA模型采用的类型；
[0011]S3、ARIMA模型拟合：根据步骤S2确定的结果，对ARIMA模型进行拟合，选取具有最优平稳拟合优度的短、中、长周期ARIMA模型；
[0012]S4、ARIMA模型预测：根据预测验证集，利用ARIMA模型进行地震预测。
[0013]本专利技术的有益效果是：本专利技术从分析地震序列自身时间变化规律的视角出发，基于能较为容易获取的地震目录数据，将地震发生时刻按震级提取，得到不同震级的地震序列，计算地震发生的时间间隔，使用季节性ARIMA模型分析发震时间间隔长短的周期变化，得到其长、中、短周期大小，拟合出各周期对应的最佳模型，再使用模型预测发震间隔，得出后续地震的发震时刻。在基础地震目录数据量足够的情况下，该方法能使发震时刻的预测准确度达到30天左右误差精度，即便基础数据较少也能使预测准确度有40％左右的提升，同时还能获取地震发生的周期性规律，从而可实现针对有不同周期性变化发震时刻的精准预测，满足提升地震发生时刻预测准确度的需求。
[0014]进一步地，所述步骤S1包括以下步骤：
[0015]S101、获取目标断裂带区域内的天然地震目录数据，提取每次地震的信息；
[0016]S102、设定需预测发震时刻的地震震级大小；
[0017]S103、根据地震震级大小，从提取的每次地震信息中获取发震时刻，得到某震级大小及以上的地震发生序列；
[0018]S104、根据地震发生序列中相邻前后两次地震的发震时刻，计算发震时刻间隔，得到某震级大小及以上的发震时刻间隔序列；
[0019]S105、将发震时刻间隔序列按比例划分为ARIMA模型的拟合训练集和预测验证集。
[0020]上述进一步方案的有益效果是：本专利技术通过使用易于获取的地震目录，按震级大小筛选感兴趣的历史地震事件，经计算，将发震时刻转换为更能体现地震发生周期性特征的发震时刻间隔，为后续地震发生时间的周期性和趋势性分析提取以及ARIMA模型的拟合与预测做好数据准备。
[0021]再进一步地，所述步骤S2包括以下步骤：
[0022]S201、利用不同周期中心移动平均法，对拟合训练集进行去除周期和提取趋势的处理；
[0023]S202、根据去除周期结果，确定发震时刻间隔序列短、中、长周期的范围，并根据提取的趋势，确定ARIMA模型采用的类型。
[0024]上述进一步方案的有益效果是：从发震时刻间隔序列中分析提取出地震发生时间的周期大小范围和趋势规律，并据此确定采用ARIMA模型的类型(季节加法模型或季节乘法模型)以及模型中的季节参数，确保ARIMA模型能尽量准确地捕捉到发震时刻间隔中蕴含的复杂周期性(嵌套的短、中、长周期)和趋势性规律，以保证和提升模型的预测精度。
[0025]再进一步地，所述步骤S3包括以下步骤：
[0026]S301、计算拟合训练集的自相关系数ACF和偏自相关系数PACF；
[0027]S302、根据自相关系数ACF和偏自相关系数PACF的非季节性拖尾、截尾性质和季节性拖尾、截尾性质，分别确定ARIMA模型的非季节性自回归系数多项式阶数p、非季节性移动平均系数多项式阶数q、季节性自回归系数式多项式阶数P以及季节性移动平均系数多项式阶数Q；
[0028]S303、设定ARIMA模型的非季节性差分以及季节性差分，得到若干个ARIMA模型；
[0029]S304、根据步骤S2确定的结果，利用拟合训练集对所有ARIMA模型进行拟合；
[0030]S305、计算ARIMA模型拟合的发震时刻间隔值与真实值的残差，并对残差序列进行白噪声LB检验，选取通过检验的ARIMA模型；
[0031]S306、计算ARIMA模型的平稳拟合优度，在通过检验的ARIMA模型中，选取具有最优平稳拟合优度的短、中、长周期ARIMA模型。
[0032]上述进一步方案的有益效果是：使用发震时刻间隔序列，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ARIMA模型的地震预测方法，其特征在于，包括以下步骤：S1、计算准备：根据目标断裂带区域内的天然地震目录数据，得到某震级大小及以上的发震时刻间隔序列，并将发震时刻间隔序列划分为ARIMA模型的拟合训练集和预测验证集；S2、周期性和趋势性分析：根据拟合训练集，对发震时刻间隔序列进行周期性和趋势性分析，确定发震时刻间隔序列周期长短范围以及ARIMA模型采用的类型；S3、ARIMA模型拟合：根据步骤S2确定的结果，对ARIMA模型进行拟合，选取具有最优平稳拟合优度的短、中、长周期ARIMA模型；S4、ARIMA模型预测：根据预测验证集，利用ARIMA模型进行地震预测。2.根据权利要求1所述的基于ARIMA模型的地震预测方法，其特征在于，所述步骤S1包括以下步骤：S101、获取目标断裂带区域内的天然地震目录数据，提取每次地震的信息；S102、设定需预测发震时刻的地震震级大小；S103、根据地震震级大小，从提取的每次地震信息中获取发震时刻，得到某震级大小及以上的地震发生序列；S104、根据地震发生序列中相邻前后两次地震的发震时刻，计算发震时刻间隔，得到某震级大小及以上的发震时刻间隔序列；S105、将发震时刻间隔序列按比例划分为ARIMA模型的拟合训练集和预测验证集。3.根据权利要求2所述的基于ARIMA模型的地震预测方法，其特征在于，所述步骤S2包括以下步骤：S201、利用不同周期中心移动平均法，对拟合训练集进行去除周期和提取趋势的处理；S202、根据去除周期结果，确定发震时...

【专利技术属性】
技术研发人员：薛源，叶秋吟，胡丹，曾文骏，杨静，饶敏，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：