基于灰色预测和SVＲ算法的地震预测及可视化

来源：SCI期刊网 分类：电子论文 时间：2022-02-08 11:50 热度：

摘 要：摘要: 地震数据具有样本离散、有限的特点，因此预测下一次地震发生的时间、位置和震级是非常困难的任务。针对数据的特点，联合采用了灰色预测与支持向量机回归算法，对四川省的地震数

　　摘要: 地震数据具有样本离散、有限的特点，因此预测下一次地震发生的时间、位置和震级是非常困难的任务。针对数据的特点，联合采用了灰色预测与支持向量机回归算法，对四川省的地震数据进行分析，并构建了相应的灰度模型以对震级进行预测。在此基础上预测得到 2020 年四川省可能发生地震的频次和平均震级，以及最大一次地震的经纬度、深度，并建立了地震可视化系统以展示预测的地震结果。

　　关键词: 地震预测; 灰色预测算法; 支持向量回归; 可视化

　　0 引言

　　地震是一种能给人类社会生活带来严重危害的自然现象。我国地处各大板块的交界地带，时常遭受板块间的碰撞和挤压，是世界上受地震影响最大的国家之一。地震发生所带来的损失巨大，可以说是各种自然灾害之首[1]，地震因其毁灭性的影响而引起人们的注意。2008 年 5 月 12 日的四川省“汶川大地震”之后，为了更好地减轻和避免地震灾害给人类社会带来的严重影响，地震预测越来越受到社会各界的重视。

　　地震发生过程中会产生地震波，主要是由于地壳快速地释放能量过程所造成震动，其危害巨大。近年来，不少研究者将支持向量回归和灰色预测算法引入到地震预测的研究中。一种具有高度自适应能力的非线性动力系统———支持向量机被引入地震综合预测研究中，该方法适用于小样本事件，能够很好地建立起输入与输出之间的非线性不确定的复杂关系。朱海宁运用改进的支持向量机回归算法对我国大陆地区发生的最大震级进行分析与预测[2]; 王炜等运用支持向量机在地震综合预测中的初步应用，通过建模预测来研究中国地震，把非线性空间的问题转换到线性空间，降低了算法的复杂度[3-7]。支持向量机克服了传统方法中存在的不足，同时还具备良好的预测能力，适合地震离散数据的建模和预测研究。

　　地震事件具有较强的随机性，但对某一区域的地震孕育发展过程中，各地震事件之间又有其内在联系，是一个典型的灰色系统。刘丰常根据灰色系统理论的动态( GM) 模型，对湖南省的地震活动状态进行数字逼近，并研究预测了其未来三年的地震活动的趋势，效果较为满意[8]; 刘思峰等采用灰色系统理论在地震预报研究中进行初步应用，且已初步表明，这种方法在中长期预报中可以使用[9-11]; 盛涛等构建仿真模型，验证了基于 SVR 的震级预测方法比 BP 神经网络具有更高的预测精度和可靠性[12]。Zhao Xiangwei 等提出了解决当前地震预测遇到的瓶颈问题的可能方案，建立了统一的框架及科学的预测模型[13]。G.Asencio-Cortes 等基于回归算法和大数据云基础设施对美国加利福尼亚州进行未来 7 d 内的地震预测，得到了较有希望的结果，表明回归算法的优势[14]。V.V.Adushkin 等根据 1997—2018 年亚洲地区 52 次大地震前后记录的地球大气扰动数据，认为重力内波振幅可以用于预报即将到来的地震事件的短期迹象，但仍没有回归算法来得好[15]。

　　本文对地震数据预测的特点和流程进行分析，结合信息网络技术和现代管理的思想，利用先进的互联网技术，推动地震预测的研究，在 SQL 和 Python 的基础上，运用灰色预测和支持向量回归算法来预测，实现了地震数据的查询、信息发布、成果展示和信息共享服务，为地震研究提供全方位的服务，也使得信息获取更加便捷，提高查询效率。

　　1 数据来源

　　本文的数据来源于中国地震台网和全球地震历史数据查询网，通过爬虫采集分析了 2009— 2019 年全球的地震数据。本文着重研究四川省的地震数据，因而首先将世界地震数据中四川省的数据筛选出来，数据范围为 2008 年 12 月 29 日至 2019 年 6 月 30 日，总共 42 686 条数据。

　　2 地震数据预测及可视化

　　2.1 灰色预测算法

　　灰色预测法是一种预测灰色系统的预测方法。灰色预测通过鉴别系统要素之间发展趋势的相异程度，对原始数据进行处理来寻找系统变动的规律，生成有较强规律性的数据序列; 在建立灰色预测模型之前，需要对原始时间序列进行数据处理形成生成列，然后建立相应的微分方程模型，来预测事物未来发展趋势的状况。

　　GM 模型是一种灰色预测模型，G 表示 grey( 灰色) ，M 表示 model( 模型) 。灰色预测即运用灰色系统理论，对一定方位内的变化、与时间相关的灰色过程的预测。灰色预测拥有少量数据就可作系统分析，建立模型及预测未来的特点，因而适合用于地震数据预测过程中。

　　2.2 支持向量回归算法

　　支持向量回归( support vector regression，SVR) 的样本点最终只有一类，它的目标是使所有的样本点离超平面的总偏差最小。而回归方法指的是寻找若干变量之间统计关系的一种方法，利用所找的关系对某一个变量作未来某一时刻的估计，即预报值。

　　对于回归问题，给出训练样本 ( x1，y1 ) ，( x2，y2 ) ，…，( xn，yn { } ) ，yi ∈ R，目标是找到一个函数 f( x) = ωT x + b，使得其与 y 尽可能地接近，ω、b 是待确定的参数。在这个模型中，只有当 f( x) = y 时，损失才为零，而 SVR 的回归假设所能容忍的 f( x) 与 y 之间最多有 ε 的偏差，当且仅当 f( x) 与 y 的差别绝对值大于 ε 时，才计算损失。

　　如果数据离回归函数的偏差 | yi - ωT xi - b | < ε ，则认为是被预测正确的，所以约束条件是保证更多的数据点能够落在接受的精度范围内，即 | yi - ωT xi - b | < ε 。

　　支持向量回归模型可用于连续型目标变量的预测分析，这使得它在探寻变量之间的关系、评估趋势、做出预测等科学领域应用中极具吸引力。

　　2.3 地震数据预测及可视化

　　本文首先构建 Scrapy 框架( 图 1) 来获取所需要研究的数据; 接着基于 Django 框架与数据库连接，将数据传到前端，进行绘图实现可视化操作; 绘图在前端进行，Python 请求数据库，再将数据传给前端，同一个框架里面设计多个网页，将数据传到 Python———数据库( MySql) 进行筛选———前端 Html5+CSS+JavaScript———运用灰色预测算法和支持向量回归算法对四川省地震数据的分析与预测实现最终目的。

　　图 2 为 Django 核心框架示意图，在 Django 中，控制器接受用户输入的部分由框架自行处理，所以 Django 里更关注的是模型( Model) 、模板( Template) 和视图( Views) ，称为 MTV 模式; 使用该框架可以快速开发所需要的可视化系统。

　　2.3.1 基于灰色预测与 SVR 算法的地震预测

　　采用四川省 2008—2019 年地震数据作为训练集，测试集则为四川省 2020 年的地震数据。利用灰色预测算法和支持向量回归算法共同预测，从而得出以下结果。

　　在表 1 中，运用了 2009 年至 2019 年四川省最大的一次地震的经纬度、深度、频次、平均震级及其震级作为本文的训练数据，基于灰色预测算法得到 2020 年预测出四川省可能发生的最大一次地震 longitude = 103. 48°、latitude = 28. 94°、depth = 16. 03 km、frequency = 114. 14 次，avg _ M = 3.50 km。

　　基于支持向量回归算法得到，2020 年四川省最大震级为 5.85 km。

　　图 3 为四川省 2009—1019 年实际震级与实际所预测震级的对比图，蓝色折线图中 y 为实际震级，红色折线图的 y_ pred 是实际所预测出来的四川省地震的震级。

　　表 2 所示为 2009 年至 2019 年某个经纬度( 地区) 所对应的实际震级与预测震级，以及两者之间的震级差.可以看出预测的震级与实际震级之间相差不大，结果与实际值符合较好，所以用灰色预测和支持向量回归算法来预测 2020 年四川省的最大地震是比较理想的。因此可以运用这两种算法来预测世界发生的地震情况。

　　2 地震数据可视化

　　可视化流程: 用户提交请求( url) →Django 中路由系统识别并分配→调用相应 view.py 文件和对应函数→ 函数接受 POST 请求并调用 Mysql 数据库→数据库按条件筛选数据并返回→Django 进行处理并转递给 html→html \css\javascript 实现绘图、可视化显示( 图 4) 。

　　图 4 和图 5 地震数据可视化系统可以实现与用户的交互，用户可对地震发生时间、发生地震位置、震级进行数据筛选，输出绘制散点图、时间—每年地震次数折线图、各震级环形图; 只需要输入经纬度范围( 建议 10°之间，区域过大会导致预测效果不理想) ，通过灰色预测和支持向量回归算法进行预测，预测结果输出相应列表，并在世界地图中绘制所预测出来的地震地点。

　　3 结论

　　鉴于地震预测一直以来受到的关注，分析了灰色预测算法、支持向量机回归算法作为研究地震预测的优势，并利用这两种算法共同对四川省地震数据进行预测，从而得到 2020 年四川省可能发生地震的频次和平均震级，以及最大一次地震的经纬度、深度。此外，通过可视化形式直观清晰展示了预测的结果。综上，结合运用这两种算法的方式，可扩展用于预测世界发生的地震情况，在现有条件下提供了一个具有良好准确度的地震预测方式。——论文作者：游 佳，杨 鑫，刘议丹，黄培煌

　　参考文献

　　[1]姚为民.马尔可夫更新过程在地震预测中的应用[D].合肥: 安徽大学，2014.

　　[2]朱海宁.基于改进支持向量机回归的地震预测方法研究[D].合肥: 安徽大学，2016.

　　[3]王炜，林命週，马钦忠，等.支持向量机及其在地震预报中的应用前景[J].西北地震学报，2006，28( 1) : 78-84.

　　[4]罗娜.数据挖掘中的新方法: 支持向量机[J].软件导刊，2008，7( 10) : 30 -31.

　　[5]李新军.基于支持向量机的建模预测研究[D].天津: 天津大学，2004.

　　[6]蒋淳，魏雪丽，陆远忠，等.支持向量机在地震综合预测中的初步应用[J].中国地震，2006，22( 3) : 303-310.

　　[7]于波.支持向量回归方法在震级预测中的应用[J].防灾科技学院学报，2007，9( 1) : 59-62.

　　[8]刘丰常.用灰色系统模型预测地震趋势[J].华南地震，1988，8( 3) : 62-64.

　　[9]刘思峰，党耀国，方志耕.灰色系统理论及其应用[M].3 版.北京: 科学技术出版社，2004: 56-59.

　　[10]李仲谋.灰色系统理论在地震预报研究中的初步应用[J].地震学刊，1986( 4) : 27-31，98.

　　[11]王学萌，罗建军.灰色系统预测决策建模程序集[M].北京: 科学普及出版社，1986: 95-98.

　　[12]盛涛，谢异同，曲高峰.基于 SVR 算法与 BP 神经网络的地震预测对比研究[J].长江大学学报( 自然科学版) ，2009，6( 1) : 63-64，87.

　　[13]ZHAO X W，PAN S，SUN Z C，et al.Advances of satellite remote sensing technology in earthquake prediction[J]. Natural Hazards Review，2021，22( 1) : 03 120 001-03 120 013.

　　[14]ASENCIO-CORTES G，MORALES-EETEBAN A，SHANG X，et al.Earthquake prediction in california using regression algorithms and cloud-based big data infrastructure[J]. Computers and Geosciences，2018，115: 198-210.

　　[15]ADUSHKIN V V，NIFADIEV V I，CHEN B B，et al.Characteristics of internal gravity waves and earthquake prediction[J]. Doklady Earth Sciences，2020，493( 2) : 632-635.

文章名称：基于灰色预测和SVＲ算法的地震预测及可视化

文章地址：http://www.sciqk.com/lwfw/dzlw/12768.html