【技术实现步骤摘要】
本专利技术涉及预测领域，尤其涉及一种基于大数据的地震速度预测方法及系统。
技术介绍
1、地震，作为一种破坏力极强的自然灾害，历来给人类社会带来了难以估量的生命和财产损失。尽管当前科技水平已经取得了显著进步，我们仍无法直接阻止地震的发生。然而，准确的地震预测，特别是地震速度的预测，能够为我们提供宝贵的逃生时间，从而有效降低地震灾害的损失。
2、传统的地震预测方法多依赖于地震学家的经验以及有限的地震数据，其预测精度和实时性均受到很大限制。近年来，随着大数据技术的快速发展，其在各个领域的应用都取得了显著成效。特别是在地震预测领域，大数据技术的应用为地震预测提供了新的可能性。
3、目前地震速度预测方法还存在诸多挑战。一方面，地震数据的获取和整合难度较大，数据质量参差不齐；另一方面，现有的地震预测模型对于地震速度的预测精度和实时性仍有待提高。因此，本研究旨在构建一种基于大数据的地震速度预测方法，以提高地震预测的准确性和实时性，为地震防灾减灾工作提供有力支持。
技术实现思路
1、本专利技术的目的是要提供一种基于大数据的地震速度预测方法。
2、为达到上述目的，本专利技术是按照以下技术方案实施的：
3、本专利技术包括以下步骤：
4、获取地震的历史数据和地质数据，对所述历史数据和所述地质数据进行预处理；
5、根据反演模型对所述历史数据进行全波形反演获得传播参数，根据影响度对所述传播参数进行选择获得速变参数；
6、采用
7、根据所述变速度构建地震速度预测模型，根据速度误差优化所述地震速度预测模型；
8、将待预测数据输入优化后的所述地震速度预测模型，输出预测速度。
9、进一步的，根据反演模型对所述历史数据进行全波形反演获得传播参数的方法，包括：
10、采用有限单元法进行重力梯度正演，计算观测点的引力位：
11、
12、其中万有引力常数为h，横坐标q纵坐标为u地下介质在观测点(q,u)产生的重力值为δg(q,u)，剖分后观测点的横坐标为λ，剖分后观测点的纵坐标为τ，剖分后观测点坐标的地下介质密度为φ(λ,τ)；
13、计算重力异常的垂直分量和重力梯度的垂直分量：
14、
15、
16、其中重力异常的垂直分量为gu，重力梯度张量的垂直分量为kuu；
17、计算核函数矩阵：
18、
19、其中核函数矩阵为s，计算模拟地震信号：
20、
21、其中d时刻的模拟地震信号稳定常数为a，调权参数为初始地震信号为fo，自然长水为e，构建目标函数，表达式为：
22、
23、f(d)＝f(d)+ωe{f(d)}
24、其中目标函数为d时刻地震信号为f(d)，d时刻地震信号f(d)的实部为f(d)，d时刻地震信号f(d)的虚部为e{f(d)}，虚数单位为ω，d时刻模拟地震信号的实部为d时刻模拟地震信号f(d)的虚部为
25、计算反演梯度：
26、
27、其中反演梯度为ε，重力梯度的观测值为重力梯度的模拟值为
28、采用反演梯度根据目标函数值优化反演模型，直到目标函数值为最小则停止优化；
29、将历史数据输入优化后的反演模型，输出传播参数。
30、进一步的，根据影响度对所述传播参数进行选择获得速变参数的方法，包括：
31、对传播参数进行归一化，将归一化后的传播参数构造决策矩阵；
32、计算传播参数的重要性：
33、
34、其中第s个传播参数的调整因子为ps，第s个传播参数与地震速度的相关性为传播参数的数量为第c个传播参数与地震速度的相关性为
35、根据归一化后的传播参数和重要性计算决策值：
36、
37、其中归一化后的第s个传播参数为gs，第s个传播参数的决策值为cs；
38、根据决策值构建规范决策矩阵，计算正负理想解的灰色关联度：
39、
40、
41、其中第i行y列正理想解的灰色关联度为第i行y列负理想解的灰色关联度为第y列的传播参数重要性为第i行y列的决策值为ciy，第i行的传播参数为zi，传播参数zi出现的概率为h(zi)，分辨系数为ζ；
42、计算影响度：
43、
44、其中第一权重为第二权重为第y列的负决策值为第y列的正决策值为第i行传播参数的正影响度为
45、根据影响度进行降序排序，将影响度大于0.507的传播参数输出为速变参数。
46、进一步的，根据所述速变参数和所述变因数据对地震速度进行修正获得变速度的方法，包括：
47、
48、其中d+1时刻的变速度为d时刻的地震速度为vd，第j个速变参数为第j个速变参数的权重为速变参数的数量为σ，衰减率为ξ。
49、进一步的，根据所述变速度构建地震速度预测模型的方法，包括：
50、根据变速度构建目标函数，表达式为：
51、
52、其中目标函数为d时刻的变速度为d时刻的预测变速度为损失函数为调整常数为a，控制权重为
53、根据目标函数构建地震速度预测模型，地震速度预测模型包括随机森林算法、生成对抗网络、循环神经网络算法、粒子群优化算法；
54、随机森林算法将地震历史数据按照5:2划分为训练数据和测试数据；
55、生成对抗网络通过比较训练数据和正常地质数据的对比，获得异常数据；
56、循环神经网络算法学习异常数据的速度规律，根据速度规律预测地震速度；
57、粒子群优化算法根据测试数据的预测地震速度与实际地震数据的误差调整循环神经网络算法的超参数。
58、进一步的，根据速度误差优化所述地震速度预测模型的方法，包括：
59、对搜索子种群进行混沌映射，表达式为：
60、
61、其中0到1的混沌随机数为b，第w+1个维度为εw+1，第w个维度为εw；
62、计算搜索子的位置：
63、
64、其中1到2的随机数为v1，探索阶段第t次迭代第a个搜索子第w个维度的搜索子位置为第t次迭代第a个搜索子第w个维度的搜索子位置为第t次迭代第a个搜索子第t迭代第w个维度的搜索子种类为da,w(t)，0到1的第一随机数为r1；
65、更新搜索子位置：
66、
67、
68、
69、其中探索阶段第t次迭代第a个搜索子第w个维度更新后的位置为飞行参数为γ，第一正态分布随机数为κ，第二正态分布随机数为ι，第一正态本文档来自技高网...
【技术保护点】
1.一种基于大数据的地震速度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于大数据的地震速度预测方法，其特征在于，根据反演模型对所述历史数据进行全波形反演获得传播参数的方法，包括：
3.根据权利要求1所述一种基于大数据的地震速度预测方法，其特征在于，根据影响度对所述传播参数进行选择获得速变参数的方法，包括：
4.根据权利要求1所述一种基于大数据的地震速度预测方法，其特征在于，根据所述速变参数和所述变因数据对地震速度进行修正获得变速度的方法，包括：
5.根据权利要求1所述一种基于大数据的地震速度预测方法，其特征在于，根据所述变速度构建地震速度预测模型的方法，包括：
6.根据权利要求1所述一种基于大数据的地震速度预测方法，其特征在于，根据速度误差优化所述地震速度预测模型的方法，包括：
7.一种基于大数据的地震速度预测系统，其特征在于，包括：
【技术特征摘要】
1.一种基于大数据的地震速度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于大数据的地震速度预测方法，其特征在于，根据反演模型对所述历史数据进行全波形反演获得传播参数的方法，包括：
3.根据权利要求1所述一种基于大数据的地震速度预测方法，其特征在于，根据影响度对所述传播参数进行选择获得速变参数的方法，包括：
4.根据权利要求1所述一种基于大数据的地震速度预测方法...
【专利技术属性】
技术研发人员：雷光，陈双贵，闫万生，杨磊，杨龙，张瑜，周扬，肖世堂，张磊，高鹏，柴文锐，杜建清，王常亚，缪鹏琼，王亚红，孙点峰，欧阳斌，马克博，赵雨欣，
申请(专利权)人：甘肃省地震局中国地震局兰州地震研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。