論文の概要: Recurrent Convolutional Neural Networks help to predict location of
Earthquakes
- arxiv url: http://arxiv.org/abs/2004.09140v3
- Date: Wed, 3 Jun 2020 14:13:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-11 17:43:45.235773
- Title: Recurrent Convolutional Neural Networks help to predict location of
Earthquakes
- Title（参考訳）: リカレント畳み込みニューラルネットワークは地震の位置を予測するのに役立つ
- Authors: Roman Kail, Alexey Zaytsev, Evgeny Burnaev
- Abstract要約: 地震の中期予測に対する現代のニューラルネットワークアーキテクチャの適用性について検討する。
我々のディープニューラルネットワークモデルには、地震と空間的依存関係を考慮に入れた畳み込み部の間の時間依存性を考慮に入れた繰り返し部(LSTM)がある。
日本の地震に関する歴史的データでは、我々のモデルは、品質指標のROC AUC $0.975$とPR AUC $0.0890$で、地震の発生を10ドルから60ドルまで予測するが、2.09cdot 103$は見当たらない。
- 参考スコア（独自算出の注目度）: 13.734133563641858
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We examine the applicability of modern neural network architectures to the
midterm prediction of earthquakes. Our data-based classification model aims to
predict if an earthquake with the magnitude above a threshold takes place at a
given area of size $10 \times 10$ kilometers in $10$-$60$ days from a given
moment. Our deep neural network model has a recurrent part (LSTM) that accounts
for time dependencies between earthquakes and a convolutional part that
accounts for spatial dependencies. Obtained results show that neural
networks-based models beat baseline feature-based models that also account for
spatio-temporal dependencies between different earthquakes. For historical data
on Japan earthquakes our model predicts occurrence of an earthquake in $10$ to
$60$ days from a given moment with magnitude $M_c > 5$ with quality metrics ROC
AUC $0.975$ and PR AUC $0.0890$, making $1.18 \cdot 10^3$ correct predictions,
while missing $2.09 \cdot 10^3$ earthquakes and making $192 \cdot 10^3$ false
alarms. The baseline approach has similar ROC AUC $0.992$, number of correct
predictions $1.19 \cdot 10^3$, and missing $2.07 \cdot 10^3$ earthquakes, but
significantly worse PR AUC $0.00911$, and number of false alarms $1004 \cdot
10^3$.
- Abstract（参考訳）: 地震の中期予測に対する現代のニューラルネットワークアーキテクチャの適用性について検討する。
データに基づく分類モデルは、与えられた瞬間から10～60ドルの日数で10 \times 10$kmの範囲で、閾値を超える規模の地震が起こるかどうかを予測することを目的としています。
我々のディープニューラルネットワークモデルには、地震と空間的依存関係を考慮に入れた畳み込み部の間の時間依存性を考慮に入れた繰り返し部(LSTM)がある。
その結果、ニューラルネットワークに基づくモデルが、地震間の時空間依存性も考慮したベースライン特徴ベースモデルに匹敵することがわかった。
日本の地震に関する歴史的データでは、我々のモデルは、品質指標のROC AUC $0.975$とPR AUC $0.0890$で地震の発生を10ドルから60ドルまで予測し、1.18 \cdot 10^3$で正確な予測を行い、2.09 \cdot 10^3$地震を見逃し、192 \cdot 10^3$誤報を発生させる。
roc auc $0.992$、正確な予測回数は1.19 \cdot 10^3$、地震は2.07 \cdot 10^3$であるが、pr auc $0.00911$、偽アラームの数は1004 \cdot 10^3$である。
関連論文リスト
- EarthquakeNPP: Benchmark Datasets for Earthquake Forecasting with Neural Point Processes [0.0]
我々は,NPPの地震データに対するテストを容易にするベンチマークデータセットの集合であるSmassNPPを紹介する。
データセットは1971年から2021年までのカリフォルニアの小さな、あるいは大きなターゲット領域をカバーする。
ベンチマーク実験では,3つの分割時間NPPをETASと比較し,空間的,時間的ログ的いずれにおいてもETASよりも優れていないことを確認した。
論文 参考訳（メタデータ） (2024-09-27T16:06:17Z) - Fast Information Streaming Handler (FisH): A Unified Seismic Neural Network for Single Station Real-Time Earthquake Early Warning [56.45067876391473]
既存のEEWアプローチは、フェーズの選択、位置推定、大きさ推定を独立したタスクとして扱い、統一されたフレームワークを欠いている。
我々は高速情報ストリーミングハンドラー(FisH)と呼ばれる新しい統合型地震波ニューラルネットワークを提案する。
FisHは、リアルタイムストリーミング地震データを処理し、位相選択、位置推定、大きさ推定をエンドツーエンドで同時生成するように設計されている。
論文 参考訳（メタデータ） (2024-08-13T04:33:23Z) - Estimating Earthquake Magnitude in Sentinel-1 Imagery via Ranking [5.71478837100808]
本稿では,地震の規模を計量学習問題として推定する。
我々は、Sentinel-1衛星画像から地震の大きさを推定し、さらにペアのサンプルをランク付けするためにモデルを訓練する。
実験の結果,従来の回帰のみに基づく手法に比べて最大30%以上のMAEの改善が得られた。
論文 参考訳（メタデータ） (2024-07-25T15:35:44Z) - Bayesian Inference with Deep Weakly Nonlinear Networks [57.95116787699412]
我々は,完全連結ニューラルネットワークによるベイズ推定が解けることを示す物理レベルの厳密さを示す。
我々はモデルエビデンスを計算し、任意の温度で1/N$で任意の順序に後続する手法を提供する。
論文 参考訳（メタデータ） (2024-05-26T17:08:04Z) - Generalized Neural Networks for Real-Time Earthquake Early Warning [22.53592578343506]
我々は,任意の局分布を持つ任意の場所で発生した地震をニューラルネットワークトレーニングのために,データ組換え法を用いて生成する。
訓練されたモデルは、地震検出とパラメータ評価のための異なる監視装置を備えた様々な地域に適用することができる。
我々のモデルは、最初のトリガーステーションから4秒以内に地震の位置とマグニチュードを確実に報告し、平均誤差は2.6-6.3 kmと0.05-0.17である。
論文 参考訳（メタデータ） (2023-12-23T10:45:21Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Predicting the Stability of Hierarchical Triple Systems with
Convolutional Neural Networks [68.8204255655161]
本稿では,階層型三重項の安定性を予測する畳み込みニューラルネットワークモデルを提案する。
すべてのトレーニングされたモデルは公開されており、純粋な$N$-bodyメソッドよりも200ドルの速さで階層的な3重システムの安定性を予測することができる。
論文 参考訳（メタデータ） (2022-06-24T17:58:13Z) - Datamodels: Predicting Predictions from Training Data [86.66720175866415]
本稿では,モデルクラスの振る舞いを学習データの観点から分析するための概念的枠組みであるデータモデリングについて述べる。
単純な線形データモデルであっても、モデル出力をうまく予測できることが示される。
論文 参考訳（メタデータ） (2022-02-01T18:15:24Z) - OKSP: A Novel Deep Learning Automatic Event Detection Pipeline for
Seismic Monitoringin Costa Rica [0.0938460348620674]
コスタリカにおける地震モニタリングのための新しい自動地震検出パイプラインであるOKSPを紹介する。
OKSPは100%抜本的であり、精度は82%であり、F1スコアは0.90である。
この試みは、深層学習手法を用いてコスタリカの地震を自動的に検出する最初の試みであり、近い将来、地震監視ルーチンがAIアルゴリズムによって完全に実行されることを実証する。
論文 参考訳（メタデータ） (2021-09-06T20:24:49Z) - Real-time Earthquake Early Warning with Deep Learning: Application to
the 2016 Central Apennines, Italy Earthquake Sequence [26.349354722386526]
深層学習技術は、地震相ピックの代わりに完全な地震波形から震源情報を抽出する可能性を提供する。
我々は,地震を同時に検出し,震源パラメータを推定する,新しい深層学習型地震早期警報システムを開発した。
我々は,2016年イタリア中部アペニン地震(Mw 6.0)とそれに続く連続地震(Mw 6.0)に本システムを適用した。
論文 参考訳（メタデータ） (2020-06-02T01:27:25Z) - Neural Networks and Value at Risk [59.85784504799224]
リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。
株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。
はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
論文 参考訳（メタデータ） (2020-05-04T17:41:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。