A CNN-BiLSTM Model with Attention Mechanism for Earthquake Prediction
Parisa Kavianpour, Mohammadreza Kavianpour, Ehsan Jahani, Amin Ramezani
地震作为自然现象,在历史上不断造成人类生命的破坏和丧失。 地震预测是任何社会计划的一个重要方面,可以增强公众的准备,并在很大程度上减少损害。 然而,由于地震的随机性以及实现地震预测高效和可靠的模型的挑战,迄今为止的努力是不够的,并且需要新的方法来解决这个问题。 意识到这些问题,本文提出了基于注意力机制(AM)、卷积神经网络(CNN)和双向长短期记忆(BiLSTM)模型的新型预测方法,可以根据该地区的地震目录预测中国大陆每个地区的地震数量和最大震级。 该模型利用LSTM和CNN的关注机制,更好地关注有效的地震特征,并产生更准确的预测。 首先,将零序保持技术应用于地震数据的预处理,使模型的输入数据更加恰当。 其次,为了有效利用空间信息,减少输入数据的尺寸,CNN用于捕捉地震数据之间的空间依赖关系。 第三,Bi-LSTM层用于捕获时间依赖关系。 第四,引入AM层以突出其重要功能,以实现更好的预测性能。 结果表明,与其他预测方法相比,建议的方法具有更好的性能和概括能力。
Earthquakes, as natural phenomena, have continuously caused damage and loss of human life historically. Earthquake prediction is an essential aspect of any society's plans and can increase public preparedness and reduce damage to a great extent. Nevertheless, due to the stochastic character of earthquakes and the challenge of achieving an efficient and dependable model for earthquake prediction, efforts have been insufficient thus far, and new methods are required to solve this problem. Aware of...