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

• Forecasting Geoffective Events from Solar Wind Data and Evaluating the Most Predictive Features through Machine Learning Approaches [0.0]
  本研究では,機械学習技術を利用した地磁気障害の予測について検討した。 この問題は,SYM-H地磁気活動指数の50ドルnT未満の低下を事前に1時間予測することを目的とした2値分類としてアプローチされている。 地磁気嵐の発生を適切に予測するためのニューラルネットワークの最適性能を示す。
  論文  参考訳（メタデータ） (2024-03-14T20:13:26Z)
• 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)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)
• 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。