CN110907984A - 一种基于自回归移动平均模型的震前红外长波辐射异常信息探测方法 - Google Patents
一种基于自回归移动平均模型的震前红外长波辐射异常信息探测方法 Download PDFInfo
- Publication number
- CN110907984A CN110907984A CN201911148417.1A CN201911148417A CN110907984A CN 110907984 A CN110907984 A CN 110907984A CN 201911148417 A CN201911148417 A CN 201911148417A CN 110907984 A CN110907984 A CN 110907984A
- Authority
- CN
- China
- Prior art keywords
- olr
- infrared
- value
- sequence
- earthquake
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 35
- 230000005855 radiation Effects 0.000 title claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 16
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract 9
- 238000007689 inspection Methods 0.000 claims description 9
- 238000012300 Sequence Analysis Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000000700 time series analysis Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013112 stability test Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/01—Measuring or predicting earthquakes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于自回归移动平均模型时序预测模型(ARIMA)的震前红外长波辐射(OLR)异常信息探测方法，该方法预测参考背景值的精度要明显优于经典的时序预测模型，特别是时序预测精度成为预测性能一项重要评判指标，时间序列预测模型拟合效果的好坏直接关系着预测结果精度的高低，该结果将会对后续红外OLR异常信息探测造成重要影响。此外，针对经典时序预测模型方法在确定上下阈值方面存在缺陷的问题，本方法给出了一种较为合理的阈值确定策略，由此利用高精度的参考背景值和合理的上下阈值所探测出异常结果和得出的结论则更加合理。
Description
技术领域
本发明涉及地震预测领域，具体涉及一种基于自回归移动平均模型(ARIMA)的震前红外红外长波辐射(OLR)异常信息探测方法。
背景技术
自前苏联学者分析中亚地区卫星红外遥感图像时意外发现中强地震前存在热异常现象以来，红外热异常变化与地震的关系逐渐得到各国学者的重视，并被期望能够用作短临地震的预报。大量的震例和统计分析表明，大地震在发生的前几天或前一个月的时间里，震区及其附近的红外长波辐射(OLR)均出现不同程度的OLR异常，其特征主要表现在震前一个月内红外OLR有明显的增加趋势。目前常用红外OLR异常信息探测方法有距平法、涡度分析法、指数平滑法等。
目前常用红外OLR异常信息探测方法虽具有一定的合理性，但其只考虑了红外OLR序列数据的固有属性，而未顾及其不确定性成分，因而经典的方法预测红外OLR背景值的精度相对比较低。此外，由于经典探测方法在红外OLR异常提取方法上众多，导致同一地震的分析结果各式各样甚至互相矛盾，缺乏合理的统一标准，尤其在确定背景值的阈值时，探测结果的好坏直接关系着预测精度的高低，很容易导致探测错误，而一旦探测错误其将对后续探测结果造成重要影响。
发明内容
针对现有技术中存在的问题，本发明的目的在于提供一种基于ARIMA时序预测模型法的震前红外OLR异常信息探测方法，该方法用ARIMA时序预测模型法能够较好地顾及其不确定性成分，以此得到更为准确的红外OLR参考背景值。
为实现上述目的，本发明采用以下技术方案：
一种基于ARIMA时序预测模型法的震前红外OLR异常信息探测方法，所述方法包括如下步骤：
1)选取大地震且距震中最近且距震前第3至15个月，间隔为1个月的红外OLR建模数据；
2)基于步骤1)中所选震前第3至15个月共13个月的红外OLR建模数据建立时间序列数据，利用时间序列分析法对序列周期进行判别，对该序列进行周期差分运算，直至使其变成平稳序列，并对其进行检验；
3)基于步骤2)中得到的平稳序列，利用ARIMA时序预测模型对其进行拟合和显著性检验，并将通过该检验的建立一个时序红外OLR短期预测模型；
4)利用步骤3)中建立的短期预测模型采用时间序列交叉验证法对其进行建模预测震前1个月的建模背景值，以发震前的时间点为起始点，5天为时间间隔，第30天为终止点。将得到的参考背景值与真实观测值作差，统计得到所占百分比在95％以上的残差值Δ，以此不受扰动正常期参考背景值的残差值Δ作为上下阈值；
5)基于步骤4)中建模预测得到的最佳建模预测区间结果，选取该区间的震前红外OLR样本数据，对新选取的样本数据中的异常数据进行剔除，并利用相邻正常数据内插替换该处异常数据，并利用建立的短期预测模型进行预测得到建模背景值P；
6)计算探测上下阈值L＝P±Δ；
7)将该时期得到的实际观测值与阈值作差得到异常探测结果，超出此范围即为异常扰动。
进一步，步骤1)中确定大地震的具体方法为：依据地震震级，当震级大于7.0时即可确定为大地震；选取震中或者震中附近的红外长波辐射数据。
进一步，步骤2)中确定建立的红外OLR序列中周期和平稳检验的具体方法为：依据时间序列分析法中自相关图(ACF)和偏自相关图(PACF)来判别其序列周期；依据单位根(P值)检验方法，当P值<0.05，表明该序列为平稳序列。
进一步，步骤3)中确定利用ARIMA时序预测模型对其进行拟合后通过显著性检验的具体方法为：依据时间序列分析法中白噪声检验法，当白噪声其值大于0.05，表明拟合的模型的残差是白噪声。
进一步，步骤4)中所占百分比在95％以上的残差值指的是观测值与真值偏差的平方与观测次数比值的平方根RMSE，其用来衡量观测值同真值之间的偏差,能够很好地反映出预测结果的精密程度，计算公式如下：
其中，N是样本量，yt是时间t的时间序列中红外OLR观测值，
是时间t的时间序列中红外OLR预测值。
进一步，步骤5)中对新选取的样本数据中的异常数据进行剔除的具体方法为：依据震中或者震中附近NOAA格网点红外OLR数据为空值，认为数据异常。
本发明具有以下有益技术效果：
本申请的方法预测背景值的精度要明显优于经典的ETS、TBATS、NNAR、
和Holt-Winters等时序预测模型法，特别是经典方法的预测结果存在较大***偏差，该缺陷将会对后续红外OLR异常信息探测造成重要影响。此外，针对经典方法在确定上下阈值方面存在缺陷的问题，本方法给出了一种较为合理的阈值确定策略，由此利用高精度的背景值和合理的上下阈值所探测出异常结果和得出的结论则更加合理。
附图说明
图1为本发明实施例的流程图。
具体实施方式
下面，参考附图，对本发明进行更全面的说明，附图中示出了本发明的示例性实施例。然而，本发明可以体现为多种不同形式，并不应理解为局限于这里叙述的示例性实施例。而是，提供这些实施例，从而使本发明全面和完整，并将本发明的范围完全地传达给本领域的普通技术人员。
如图1所示，本发明提供了一种基于ARIMA时序预测模型法的震前红外OLR异常信息探测方法，所述方法包括如下步骤：
1)选取大地震且距震中最近且距震前第3至15个月，间隔为1个月的红外OLR建模数据；
2)基于步骤1)中所选震前第3至15个月共13个月的红外OLR建模数据建立时间序列数据，利用时间序列分析法对序列周期进行判别，对该序列进行周期差分运算，直至使其变成平稳序列，并对其进行检验；
3)基于步骤2)中得到的平稳序列，利用ARIMA时序预测模型对其进行拟合和显著性检验，并将通过该检验的建立一个时序红外OLR短期预测模型；
4)利用步骤3)中建立的短期预测模型采用时间序列交叉验证法对其进行建模预测震前1个月的建模背景值，以发震前的时间点为起始点，5天为时间间隔，第30天为终止点。将得到的参考背景值与真实观测值作差，统计得到所占百分比在95％以上的残差值Δ，以此不受扰动正常期参考背景值的残差值Δ作为上下阈值；
5)基于步骤4)中建模预测得到的最佳建模预测区间结果，选取该区间的震前红外OLR样本数据，对新选取的样本数据中的异常数据进行剔除，并利用相邻正常数据内插替换该处异常数据，并利用建立的短期预测模型进行预测得到建模背景值P；
6)计算探测上下阈值L＝P±Δ；
7)将该时期得到的实际观测值与阈值作差得到异常探测结果，超出此范围即为异常扰动。
其中，步骤1)中确定大地震的具体方法为：依据地震震级，当Ms>7.0时即可确定为大地震；红外OLR数据的位置为震中或者震中附近NOAA格网点。
步骤2)中确定建立的红外OLR序列中周期和平稳检验的具体方法为：依据时间序列分析法中自相关图(ACF)和偏自相关图(PACF)来判别其序列周期；依据单位根(P值)检验方法，当P值<0.05，表明该序列为平稳序列。
步骤3)中确定利用ARIMA时序预测模型对其进行拟合后通过显著性检验的具体方法为：依据时间序列分析法中白噪声检验法，当白噪声其值大于0.05，表明拟合的模型的残差是白噪声。
步骤4)中所占百分比在95％以上的残差值指的是观测值与真值偏差的平方与观测次数比值的平方根RMSE，其用来衡量观测值同真值之间的偏差,能够很好地反映出预测结果的精密程度，计算公式如下：
其中，N是样本量，yt是时间t的时间序列中红外OLR观测值，
是时间t的时间序列中红外OLR预测值。
步骤5)中对新选取的样本数据中的异常数据进行剔除的具体方法为：依据震中或者震中附近NOAA格网点红外OLR数据为空值，认为数据异常。
本发明步骤2)中所涉及的ARIMA时序预测模型方法为本领域的公知常识，在此不再赘述。
上面所述只是为了说明本发明，应该理解为本发明并不局限于以上实施示例，符合本发明思想的各种变通形式均在本发明的保护范围之内。
Claims (6)
1.一种基于自回归移动平均模型时序预测模型的震前红外长波辐射异常信息探测方法，其特征在于，所述方法包括如下步骤：
1)选取震级大于7.0级且距震中最近且距震前第3至15个月，间隔为1个月的红外OLR建模数据；
2)基于步骤1)中所选震前第3至15个月共13个月的红外OLR建模数据建立时间序列数据，利用时间序列分析法对序列周期进行判别，对该序列进行周期差分运算，直至使其变成平稳序列，并对其进行检验；
3)基于步骤2)中得到的平稳序列，利用ARIMA时序预测模型对其进行拟合和显著性检验，并将通过该检验的建立一个时序红外OLR短期预测模型；
4)利用步骤3)中建立的短期预测模型采用时间序列交叉验证法对其进行建模预测震前1个月的建模背景值，以发震前的时间点为起始点，5天为时间间隔，第30天为终止点。将得到的参考背景值与真实观测值作差，统计得到所占百分比在95％以上的残差值Δ，以此不受扰动正常期参考背景值的残差值Δ作为上下阈值；
5)基于步骤4)中建模预测得到的最佳建模预测区间结果，选取该区间的震前红外OLR样本数据，对新选取的样本数据中的异常数据进行剔除，并利用相邻正常数据内插替换该处异常数据，并利用建立的短期预测模型进行预测得到建模背景值P；
6)计算探测上下阈值L＝P±Δ；
7)将该时期得到的实际观测值与阈值作差得到异常探测结果，超出此范围即为异常扰动。
2.根据权利要求1所述的ARIMA时序预测模型法的震前红外OLR异常信息探测方法，其特征在于，步骤1)中确定大地震的具体方法为：依据地震震级，当震级大于7.0级时确定为大地震；红外OLR数据的位置为震中或者震中附近NOAA格网点。
3.根据权利要求1所述的ARIMA时序预测模型法的震前红外OLR异常信息探测方法，其特征在于，步骤2)中确定建立的红外OLR序列中周期和平稳检验的具体方法为：依据时间序列分析法中自相关图(ACF)和偏自相关图(PACF)来判别其序列周期；依据单位根(P值)检验方法，当P值<0.05，表明该序列为平稳序列。
4.根据权利要求1所述的ARIMA时序预测模型法的震前红外OLR异常信息探测方法，其特征在于，步骤3)中确定利用ARIMA时序预测模型对其进行拟合后通过显著性检验的具体方法为：依据时间序列分析法中白噪声检验法，当白噪声其值大于0.05，表明拟合的模型的残差是白噪声。
5.根据权利要求1所述的ARIMA时序预测模型法的震前红外OLR异常信息探测方法，其特征在于，步骤4)中所占百分比在95％以上的残差值指的是观测值与真值偏差的平方与观测次数比值的平方根RMSE，其用来衡量观测值同真值之间的偏差,能够很好地反映出预测结果的精密程度，计算公式如下：
其中，N是样本量，yt是时间t的时间序列中红外OLR观测值，
是时间t的时间序列中红外OLR预测值。
6.根据权利要求1所述的ARIMA时序预测模型法的震前红外OLR异常信息探测方法，其特征在于，步骤5)中对新选取的样本数据中的异常数据进行剔除的具体方法为：依据震中或者震中附近NOAA格网点红外OLR数据为空值，认为数据异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911148417.1A CN110907984A (zh) | 2019-11-21 | 2019-11-21 | 一种基于自回归移动平均模型的震前红外长波辐射异常信息探测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911148417.1A CN110907984A (zh) | 2019-11-21 | 2019-11-21 | 一种基于自回归移动平均模型的震前红外长波辐射异常信息探测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110907984A true CN110907984A (zh) | 2020-03-24 |
Family
ID=69818251
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911148417.1A Pending CN110907984A (zh) | 2019-11-21 | 2019-11-21 | 一种基于自回归移动平均模型的震前红外长波辐射异常信息探测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110907984A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361476A (zh) * | 2021-07-02 | 2021-09-07 | 中国地震局地震预测研究所 | 一种基于人工智能技术的张衡一号震前异常信号识别方法 |
| CN113420422A (zh) * | 2021-05-31 | 2021-09-21 | 济南浪潮数据技术有限公司 | 一种告警日志占比预测方法、***、设备以及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103455708A (zh) * | 2013-07-24 | 2013-12-18 | 安徽省电力科学研究院 | 基于卫星及气象信息的输电线路灾害监测与风险评估平台 |
| CN104730577A (zh) * | 2015-03-04 | 2015-06-24 | 曾雄飞 | 一种基于共振包监测数据的地震预测方法 |
| CN107390262A (zh) * | 2017-07-07 | 2017-11-24 | 中国地震局地震预测研究所 | 一种基于指数平滑法的震前电离层tec异常探测方法 |
| US20190107638A1 (en) * | 2014-02-02 | 2019-04-11 | Ertha Space Technologies | Earthquake Forecast Device |
-
2019
- 2019-11-21 CN CN201911148417.1A patent/CN110907984A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103455708A (zh) * | 2013-07-24 | 2013-12-18 | 安徽省电力科学研究院 | 基于卫星及气象信息的输电线路灾害监测与风险评估平台 |
| US20190107638A1 (en) * | 2014-02-02 | 2019-04-11 | Ertha Space Technologies | Earthquake Forecast Device |
| CN104730577A (zh) * | 2015-03-04 | 2015-06-24 | 曾雄飞 | 一种基于共振包监测数据的地震预测方法 |
| CN107390262A (zh) * | 2017-07-07 | 2017-11-24 | 中国地震局地震预测研究所 | 一种基于指数平滑法的震前电离层tec异常探测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张小红等: "自回归移动平均模型的电离层总电子含量短期预报", 《测绘学报》 * |
| 翟笃林: "时序预测模型在震前电离层电子浓度总含量和红外长波辐射异常探测中的应用", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113420422A (zh) * | 2021-05-31 | 2021-09-21 | 济南浪潮数据技术有限公司 | 一种告警日志占比预测方法、***、设备以及介质 |
| CN113361476A (zh) * | 2021-07-02 | 2021-09-07 | 中国地震局地震预测研究所 | 一种基于人工智能技术的张衡一号震前异常信号识别方法 |
| CN113361476B (zh) * | 2021-07-02 | 2023-07-25 | 中国地震局地震预测研究所 | 一种基于人工智能技术的张衡一号震前异常信号识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103759758A (zh) | 一种基于机械角度和刻度识别的汽车仪表指针的位置检测方法 | |
| CN111367959B (zh) | 一种零时滞非线性扩展Granger因果分析方法 | |
| CN108692711B (zh) | 基于低空探空火箭的海洋数据处理的实现方法 | |
| CN110907984A (zh) | 一种基于自回归移动平均模型的震前红外长波辐射异常信息探测方法 | |
| CN114463947B (zh) | 一种基于时空网络卷积模型的对流性致灾强风预警预报方法 | |
| CN114490622A (zh) | 基于气候态范围阈值的自动化海洋温盐观测数据质量控制方法和*** | |
| CN111998918A (zh) | 一种误差校正方法、误差校正装置及流量传感*** | |
| CN110553631B (zh) | 一种关于水位流量关系的水位测量系列误差分析方法 | |
| CN113282576A (zh) | 一种气象数据质量控制方法 | |
| CN112766301A (zh) | 一种采油机示功图相似性判断方法 | |
| JP5034021B2 (ja) | 波浪推定方法、システム及びプログラム | |
| CN113095579B (zh) | 一种耦合伯努利-伽马-高斯分布的日尺度降水预报校正方法 | |
| CN115854999A (zh) | 基于场景自适应的h-adcp断面平均流速自校正方法 | |
| Cole et al. | The use of flow duration curves as a data quality tool | |
| CN112711052B (zh) | 基于连续t检验的GNSS坐标序列阶跃探测改进方法及*** | |
| CN115545112B (zh) | 一种大量地下水实时自动监测数据自动识别和处理的方法 | |
| WO2015194235A1 (ja) | 抜取データ処理装置、抜取データ処理方法及びコンピュータプログラム | |
| Wang et al. | A forecast cycle–based evaluation for tropical cyclone rapid intensification forecasts by the operational HWRF Model | |
| CN112116014A (zh) | 一种配电自动化设备测试数据离群值检测方法 | |
| CN114511225A (zh) | 一种断面识别方法、装置、设备以及存储介质 | |
| CN113569202B (zh) | 统一基准订正的河流流量全量程测量不确定度计算方法 | |
| CN114781713B (zh) | 基于卫星反演降水产品的雨量站网优化方法及装置 | |
| Van Bijnen et al. | Application and results of automatic validation of sewer monitoring data | |
| WO2022217568A1 (zh) | 一种耦合伯努利-伽马-高斯分布的日尺度降水预报校正方法 | |
| CN115291528B (zh) | 模型不确定性等级确定方法、装置、***及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200324 |
|
| WD01 | Invention patent application deemed withdrawn after publication |