Development of real-time seismic intensity prediction method using IoT sensors and machine learning

使用物联网传感器和机器学习开发实时地震烈度预测方法

基本信息

批准号：
22K04635
负责人：
金亜伊
金额：
$ 2.5万
依托单位：
Yokohama City University
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
2022
资助国家：
日本
起止时间：
2022-04-01 至 2025-03-31
项目状态：
未结题

来源：
https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22K04635/
关键词：
リアルタイム震度震度予測機械学習 LSTM IoT 防災加速度センサー

项目摘要

今年度は防災科学技術研究所で展開するK-netの既存観測点データと深層学習の一種であるLong-short term memory(LSTM)を用いてリアルタイム震度（Ir）の予測モデルの構築を試みた.具体的にはある時刻から現在までの時系列データを用いてターゲット観測点の現在のIrを予測するモデル（0秒先モデル）と, ターゲット観測点のIrの将来予測の可能性の検証のために8秒先を予測するモデル（8秒先モデル）を構築した. 8秒先モデルの予測結果を入力観測点の距離で重み付けした時間ごとの加重平均値, PLUM法を模した入力観測点の最大値と比較したところ, MAE, RMSEともに本研究で構築したモデルの予測の精度が高いという結果が得られた. しかしながらIrのおおまかな形状は再現できているものの詳細を見てみると大きな外れ値も散見された. 上記の予測誤差の大きな原因の一つは訓練データ不足と考えられるので, その検証のために模擬データを作成してデータ拡張を試みた. ここでは上記期間のデータのうち欠損しているものを久保, 功刀（2022）によるIrの立ち上がりから最大震度に達するまでの形状の予測式と司, 翠川(1999)及び翠川他(1999)の強震動予測式を組み合わせて合成し, 訓練データとした.　その結果、さらに予測誤差が小さくなり、データ拡張による予測精度の向上が認められた. また, 上記訓練データのすべてを模擬データで置き換えたところ, 観測データと混ぜ合わせた時よりもやや予測精度が向上するという結果になった. この結果は訓練に大量の模擬データがあれば観測データの少ない地域でもIrの予測が可能であると言うことを示唆している.

今年，我们尝试利用国家防灾和长短期记忆（LSTM）（一种深度学习）开发的现有K-net观测点数据来构建实时地震烈度（Ir）预测模型具体来说，有一个模型，利用从某个时间到现在的时间序列数据来预测目标观测点的当前Ir（0秒提前模型），为了验证预测目标观测点未来Ir的可能性，我们构建了一个提前预测8秒的模型（8秒提前模型）。提前8秒模型的预测结果通过输入的距离进行加权模仿PLUM方法将每个模型的加权平均值与输入观测点的最大值进行比较时，我们发现本研究构建的模型对于MAE和RMSE的预测精度都很高。然而，虽然成功地再现了 Ir 的大致形状，但当我们查看细节时，我们发现到处都有一些较大的异常值。上述预测误差的主要原因之一被认为是缺乏训练数据，因此我们为了验证这一点，我们尝试通过创建模拟数据来扩展数据。这里，使用 Kubo 预测 Ir 从上升到最大地震烈度的形状的公式计算了上述时期的缺失数据。和 Kunuta (2022) 和 Tsukasa，将Midorikawa（1999）和Midorikawa等（1999）的强地震动预测公式合并合成为训练数据，结果进一步减小了预测误差，并且通过扩展观察到预测精度得到了提高。当将上述所有训练数据替换为模拟数据时，与与观测数据混合时相比，预测精度略有提高。这一结果表明，如果使用大量模拟数据进行训练，即使在观测数据很少的区域也可以预测 Ir。