論文の概要: Earthquake Magnitude and b value prediction model using Extreme Learning
Machine
- arxiv url: http://arxiv.org/abs/2301.09756v1
- Date: Mon, 23 Jan 2023 23:27:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-25 14:37:16.475891
- Title: Earthquake Magnitude and b value prediction model using Extreme Learning
Machine
- Title(参考訳): エクストリームラーニングマシンを用いた地震マグニチュードとb値予測モデル
- Authors: Gunbir Singh Baveja and Jaspreet Singh
- Abstract要約: パラメトリック特徴および非パラメトリック特徴を計算し、非パラメトリック特徴をパラメトリック特徴を用いて算出した。
グテンベルク・リヒター法則、全再帰法、地震エネルギー放出法を用いて、9ドルの地震特性を計算した。
このモデルは堅牢であることが証明され、早期警告システムで実装できる。
- 参考スコア(独自算出の注目度): 2.8935588665357077
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Earthquake prediction has been a challenging research area for many decades,
where the future occurrence of this highly uncertain calamity is predicted. In
this paper, several parametric and non-parametric features were calculated,
where the non-parametric features were calculated using the parametric
features. $8$ seismic features were calculated using Gutenberg-Richter law, the
total recurrence, and the seismic energy release. Additionally, criterions such
as Maximum Relevance and Maximum Redundancy were applied to choose the
pertinent features. These features along with others were used as input for an
Extreme Learning Machine (ELM) Regression Model. Magnitude and time data of $5$
decades from the Assam-Guwahati region were used to create this model for
magnitude prediction. The Testing Accuracy and Testing Speed were computed
taking the Root Mean Squared Error (RMSE) as the parameter for evaluating the
mode. As confirmed by the results, ELM shows better scalability with much
faster training and testing speed (up to a thousand times faster) than
traditional Support Vector Machines. The testing RMSE came out to be around
$0.097$. To further test the model's robustness -- magnitude-time data from
California was used to calculate the seismic indicators which were then fed
into an ELM and then tested on the Assam-Guwahati region. The model proves to
be robust and can be implemented in early warning systems as it continues to be
a major part of Disaster Response and management.
- Abstract(参考訳): 地震予知は、この極めて不確実な災害の発生が予測される数十年間、困難な研究領域であった。
本稿では,パラメトリック特徴と非パラメトリック特徴を計算し,非パラメトリック特徴をパラメトリック特徴を用いて計算した。
グテンベルク・リヒター法(英語版)、総再発量、地震エネルギー放出量を用いて8ドルの地震特性を計算した。
さらに,適切な特徴を選択するために,最大妥当性や最大冗長性などの基準が適用された。
これらの特徴は他の機能とともに、エクストリームラーニングマシン(ELM)回帰モデルの入力として使用された。
Assam-Guwahati地域のマグニチュード・アンド・タイムデータを用いて、このモデルを用いてマグニチュード予測を行った。
テスト精度とテスト速度は、モードを評価するパラメータとしてRoot Mean Squared Error (RMSE)を用いて計算された。
結果が確認したように、EMMは従来のSupport Vector Machinesよりもはるかに高速なトレーニングとテスト速度(最大1000倍高速)でスケーラビリティを示している。
RMSEのテストは0.097ドル程度だった。
モデルのロバスト性をさらにテストするために、カリフォルニアからのマグニチュードタイムデータを使用して地震計を計算し、elmに供給し、その後、アッサム=グワハティ地域でテストした。
このモデルは堅牢であることが証明されており、災害対応と管理の主要な部分であり続けているため、早期警告システムで実装することができる。
関連論文リスト
- Storm Surge Modeling in the AI ERA: Using LSTM-based Machine Learning
for Enhancing Forecasting Accuracy [0.7149367973754319]
LSTMに基づくディープラーニングネットワーク機械学習アーキテクチャを提案する。
本研究の全体的な目標は,物理モデルのシステム的誤差を予測し,シミュレーション結果の精度を向上させることである。
論文 参考訳(メタデータ) (2024-03-07T13:19:38Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - Forecasting the 2016-2017 Central Apennines Earthquake Sequence with a
Neural Point Process [0.0]
本研究では,短期地震活動予測にフレキシブル・ポイント・プロセス・モデルを適用することができるか検討する。
本研究では, 時間的ニューラルモデルを用いて, 震度閾値以上の地震を予測できることを示す。
論文 参考訳(メタデータ) (2023-01-24T12:15:12Z) - Multi-Hour Ahead Dst Index Prediction Using Multi-Fidelity Boosted
Neural Networks [0.0]
外乱嵐時(Dst)指数は、リング電流強度のプロキシとして広く使用されている。
1時間から6時間のリードタイムで$Dst$を予測する新しいモデルを提案する。
論文 参考訳(メタデータ) (2022-09-26T10:38:07Z) - Machine learning based surrogate modeling with SVD enabled training for
nonlinear civil structures subject to dynamic loading [0.0]
本稿では,地震を予測するための機械学習に基づく代理モデルフレームワークを提案する。
1階建てと3階建ての建物のピーク応答をうまく予測するために、このフレームワークを用いて検証する。
論文 参考訳(メタデータ) (2022-06-12T11:57:58Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳(メタデータ) (2022-05-04T04:23:38Z) - Deep learning for laboratory earthquake prediction and autoregressive
forecasting of fault zone stress [3.6894467064214456]
実験室では、摩擦性スティックスリップ現象が地震と地震のサイクルに類似している。
近年の研究では, 断層帯の音響放射を用いて, 機械学習が地震のいくつかの側面を予測できることが示されている。
本研究では,室内地震予測と自己回帰予測のための深層学習(DL)手法を実証する。
論文 参考訳(メタデータ) (2022-03-24T19:38:32Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳(メタデータ) (2021-04-11T12:14:04Z) - SLOE: A Faster Method for Statistical Inference in High-Dimensional
Logistic Regression [68.66245730450915]
実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。
私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
論文 参考訳(メタデータ) (2021-03-23T17:48:56Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳(メタデータ) (2020-04-21T23:09:55Z) - Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。
地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
論文 参考訳(メタデータ) (2020-02-05T10:11:26Z)
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。