一种基于组合模型的震源定位方法及系统技术方案

本发明专利技术公开了一种基于组合模型的震源定位方法及系统，包括：采集历史震源数据，获取用于震源定位的若干特征数据，构建第一训练集；将第一训练集输入到XGBoost预测模型进行训练，获取第一预测震源位置；基于第一训练集的时序特征，生成基于时序序列的第二训练集；将第二训练集输入到LSTM预测模型进行训练，获取第二预测震源位置；基于历史震源数据的真实震源位置，通过第一预测震源位置和第二预测震源位置，分别获取基于第一预测震源位置的第一权重，以及基于第二预测震源位置的第二权重，进而构建用于震源定位的LSTM

【技术实现步骤摘要】
一种基于组合模型的震源定位方法及系统


[0001]本专利技术涉及震源定位
，尤其涉及一种基于组合模型的震源定位方法及系统。

技术介绍

[0002]微震定位是基于微震事件产生的弹性波进行震源定位的过程，其中，该弹性波不断向外延伸，形成圆形波阵面(在波的传播过程中，振动相位相同的点连成的面称为波阵面)。进行微震定位时，以各传感器位置为圆心，以介质波速乘以旅行时间得到的距离值为半径画圆，各圆将相交于一点，此点即为微震震源发生位置。
[0003]现有技术中，通过深度学习模型进行样本分类识别后进而进行微震定位，虽然能够对特征进行有效提取并识别，增强了定位的准确性，但是，由于只使用深度学习模型造成样本特征的单一化，从而使得定位结果并不客观，因此，急需一种基于组合模型的震源定位方法及系统，用于基于组合模型的方式进行震源定位的技术设计，通过考虑数据的多元化，在进一步增强了震源定位技术的准确性。

技术实现思路

[0004]为了针对现有技术中存在的技术问题，本专利技术的目的是提供一种基于组合模型的震源定位方法及系统，通过组合模型进行震源定位，增强了震源定位技术的适用性以及准确性，并未该技术的发展提供了新的技术方向。
[0005]为了实现上述技术目的，本专利技术提供了一种基于组合模型的震源定位方法，包括以下步骤：
[0006]采集历史震源数据，获取用于震源定位的若干特征数据，构建第一训练集；
[0007]将第一训练集输入到XGBoost预测模型进行训练，获取第一预测震源位置；
[0008]基于第一训练集的时序特征，生成基于时序序列的第二训练集；
[0009]将第二训练集输入到LSTM预测模型进行训练，获取第二预测震源位置；
[0010]基于历史震源数据的真实震源位置，通过第一预测震源位置和第二预测震源位置，分别获取基于第一预测震源位置的第一权重，以及基于第二预测震源位置的第二权重；
[0011]基于XGBoost预测模型和第一权重，以及LSTM预测模型和第二权重，构建用于震源定位的LSTM
‑
XGBoost组合模型。
[0012]优选地，在构建第一训练集和第二训练集的过程，分别对第一训练集和第二训练集进行归一化处理后，作为预测模型的训练集。
[0013]优选地，在获取若干特征数据的过程中，特征数据包括发震时间、震源经度、震源纬度、震源深度、震级和震级类型。
[0014]优选地，在获取第一权重的过程中，第一权重表示为：
[0015][0016]其中，w1表示第一权重，y表示真实震源位置，y1表示第一预测震源位置，y2表示第二预测震源位置。
[0017]优选地，在获取第二权重的过程中，第二权重表示为：
[0018][0019]优选地，在构建LSTM
‑
XGBoost组合模型的过程中，采用Pearson相关系数法分析第一训练集中各项特征对于震源位置的影响程度，获取不同震源数据采集位置相对于震源位置的采集距离作为重要指标；
[0020]通过LSTM
‑
XGBoost组合模型获取震源位置，并根据获取的震源位置对应的采集距离，动态调整第一权重和第二权重后，通过LSTM
‑
XGBoost组合模型进行震源定位。
[0021]优选地，在获取采集距离作为重要指标的过程中，将第一训练集中的各项特征，输入到Pearson相关系数公式中，得到各项特征与其它特征的相关系数数据；
[0022]将相关系数数据通过热力图方式实现可视化分析，通过分析得出采集距离与震源位置的强正相关关系，并将采集距离作为重要指标对LSTM
‑
XGBoost组合模型进行动态权重调整。
[0023]本专利技术公开了一种基于组合模型的震源定位系统，包括：
[0024]数据采集模块，用于采集历史震源数据，获取用于震源定位的若干特征数据，构建第一训练集；
[0025]第一预测模块，用于将第一训练集输入到XGBoost预测模型进行训练，获取第一预测震源位置；
[0026]数据处理模块，用于基于第一训练集的时序特征，生成基于时序序列的第二训练集；
[0027]第二预测模块，用于将第二训练集输入到LSTM预测模型进行训练，获取第二预测震源位置；
[0028]数据分析模块，用于基于历史震源数据的真实震源位置，通过第一预测震源位置和第二预测震源位置，分别获取基于第一预测震源位置的第一权重，以及基于第二预测震源位置的第二权重；
[0029]震源定位模块，用于基于XGBoost预测模型和第一权重，以及LSTM预测模型和第二权重，构建用于震源定位的LSTM
‑
XGBoost组合模型。
[0030]本专利技术公开了以下技术效果：
[0031]1、本专利技术建立的LSTM
‑
XGBoost组合模型相比于单一预测模型在面对震源定位时有着更低误差能量占比，从整体准确度角度分析，本专利技术设计的组合模型的准确度最高，鲁棒性能更好。
[0032]2、本专利技术通过动态权值组合算法在不同测量位置下赋予不同权值再对其进行加权组合，避免了以往静态权值法在特征寻优上趋于中间化的问题。
附图说明
[0033]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施
例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0034]图1为本专利技术所述的方法流程示意图；
[0035]图2为本专利技术所述的系统结构示意图。
具体实施方式
[0036]下为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0037]如图1
‑
2所示，本专利技术提供了一种基于组合模型的震源定位方法，包括以下步骤：
[0038]采集历史震源数据，获取用于震源定位的若干特征数据，构建第一训练集；
[0039]将第一训练集输入到XGBoost预测模型进行训练，获取第一预测震源位置；
[0040]基于第一训练集的时序特征，生成基于时序序列的第二训练集；
[0041]将第二训练集输入到LSTM预测模型进行训练，获取第二预测震源位置；
[0042]基于历史震源数据的真实震源位置，通过第一预测震源位本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于组合模型的震源定位方法，其特征在于，包括以下步骤：采集历史震源数据，获取用于震源定位的若干特征数据，构建第一训练集；将所述第一训练集输入到XGBoost预测模型进行训练，获取第一预测震源位置；基于所述第一训练集的时序特征，生成基于时序序列的第二训练集；将所述第二训练集输入到LSTM预测模型进行训练，获取第二预测震源位置；基于所述历史震源数据的真实震源位置，通过所述第一预测震源位置和所述第二预测震源位置，分别获取基于所述第一预测震源位置的第一权重，以及基于所述第二预测震源位置的第二权重；基于所述XGBoost预测模型和所述第一权重，以及所述LSTM预测模型和所述第二权重，构建用于震源定位的LSTM
‑
XGBoost组合模型。2.根据权利要求1所述一种基于组合模型的震源定位方法，其特征在于：在构建第一训练集和第二训练集的过程，分别对所述第一训练集和所述第二训练集进行归一化处理后，作为预测模型的训练集。3.根据权利要求2所述一种基于组合模型的震源定位方法，其特征在于：在获取若干特征数据的过程中，所述特征数据包括发震时间、震源经度、震源纬度、震源深度、震级和震级类型。4.根据权利要求3所述一种基于组合模型的震源定位方法，其特征在于：在获取第一权重的过程中，所述第一权重表示为：其中，w1表示第一权重，y表示真实震源位置，y1表示第一预测震源位置，y2表示第二预测震源位置。5.根据权利要求4所述一种基于组合模型的震源定位方法，其特征在于：在获取第二权重的过程中，所述第二权重表示为：6.根据权利要求5所述一种基于组合模型的震源定位方法，其特征在于：在构建LSTM
‑
XGBoost组合模型的过程中，采用Pearson相关系数法分析所述第一训练集中各项特征对于震源...

【专利技术属性】
技术研发人员：朱玮，
申请(专利权)人：中南大学，
类型：发明
国别省市：