基于台站数据实时更新的区域地震动预测方法及系统

本发明属于地震工程领域，具体涉及一种基于台站数据实时更新的区域地震动预测方法及系统。

背景技术：

1、地震是对人类社会构成巨大威胁的自然灾害之一。准确的地震运动预测，是地震后灾害快速评估、紧急资源调度以及关键基础设施（如高速铁路、电网、油气管道和医院）安全控制的核心基础。在地震发生后的新地震发生过程中，在尽可能短的时间内进行尽可能准确的地面震动预测，能够为震后的各类救援工作提供数据支撑。

2、目前，常见的地震过程的地震动预测方案，主要包括如下几类：

3、第一类为传统的经验地震动预测方程方案；这类方案基于拟合历史强地震数据以获得固定的泛函关系，计算效率较高；但是这类方案依赖统计推广和函数形式的固化，单次地震的源特异性或局部场地效应的特性描述能力严重不足，且普遍存在系统性预测偏差。

4、第二类为物理前向仿真方案；该类方案通过数值模拟求解地震波传播方程，能够准确捕捉地震破裂动力学和三维速度结构效应；但是，该类方案需要大量计算资源和精确的源参数校准，预测过程通常需要数小时甚至数天，因此无法满足地震后快速响应的时效要求。

5、第三类为机器学习驱动地震动预测模型方案；该类方案具备强大的非线性拟合能力；但是，该类方案采用的是“静态离线训练”方式，而且方案模型部署后观测数据无法在持续不断的新地震事件涌入时进行自适应调整，方案的实时性和准确性都较差。

技术实现思路

1、本发明的目的之一在于提供一种可靠性高、精确性好且实时性好的基于台站数据实时更新的区域地震动预测方法。

2、本发明的目的之二在于提供一种实现所述基于台站数据实时更新的区域地震动预测方法的系统。

3、本发明提供的这种基于台站数据实时更新的区域地震动预测方法，包括如下步骤：

4、s1. 获取历史地震数据信息；

5、s2. 根据步骤s1获取的数据信息，采用梯度增强决策树构建基础地面运动预测初始模型并进行训练，得到基础地面运动预测模型；

6、s3. 当地震发生时，获取地震过程的观测数据；

7、s4. 根据步骤s3获取的数据信息，计算得到发生地震的漂移得分；

8、s5. 根据步骤s4得到的漂移得分，对步骤s2得到的基础地面运动预测模型进行更新，得到近实时地面运动预测模型；

9、s6. 采用步骤s5得到的近实时地面运动预测模型，进行地震过程的近实时地震动预测。

10、步骤s1所述的获取历史地震数据信息，具体包括如下步骤：

11、获取历史地震数据信息；所述的数据信息包括震级数据信息、震中深度数据信息、震中范围数据信息、30米平均剪切波速度数据信息、场地类别标签、峰值地面加速度、峰值地面速度和仪器强度值；

12、对获取的数据信息进行预处理；所述的预处理包括缺失数据填补和重复数据删除。

13、步骤s2所述的根据步骤s1获取的数据信息，采用梯度增强决策树构建基础地面运动预测初始模型并进行训练，得到基础地面运动预测模型，具体包括如下步骤：

14、根据步骤s1获取的数据信息，构建地震输入特征和地震输出特征；其中，地震输入特征包括预处理后的震级数据、震中深度数据、震中范围数据、30米平均剪切波速度数据和场地类别标签；地震输出特征包括预处理后的峰值地面加速度、峰值地面速度和/或仪器强度值；

15、将构建的地震输入特征和地震输出特征作为基础数据集；

16、采用梯度增强决策树构建基础地面运动预测初始模型；

17、采用基础数据集，对构建的基础地面运动预测初始模型进行训练，得到基础地面运动预测模型，同时保存基础地面运动预测模型的树结构、叶节点权重、特征重要性参数和特征分布基准参数。

18、步骤s3所述的当地震发生时，获取地震过程的观测数据，具体包括如下步骤：

19、当地震发生时，获取地震过程的观测数据；所述的观测数据包括震级数据、震中深度数据、震中范围数据、30米平均剪切波速度数据、场地类别标签、峰值地面加速度、峰值地面速度和仪器强度值；其中，震级数据、震中深度数据、震中范围数据、30米平均剪切波速度数据和场地类别标签用于计算漂移得分和作为模型输入特征，峰值地面加速度、峰值地面速度和仪器强度值用于模型增量更新时的梯度计算；

20、对获取的数据进行预处理，以构建增量数据集。

21、步骤s4所述的根据步骤s3获取的数据信息，计算得到发生地震的漂移得分，具体包括如下步骤：

22、根据步骤s3获取的数据信息，计算得到增量数据集的种群稳定性指数：

23、

24、式中为分箱数量；为第 i 个分箱中实际样本占比；为第 i 个分箱中期望样本占比；

25、采用如下算式计算得到发生地震的漂移得分：

26、

27、式中为特征变量数量；为第 k 个特征变量的重要性权重；为表示基准数据在第 i 个区间中的占比。

28、步骤s5所述的根据步骤s4得到的漂移得分，对步骤s2得到的基础地面运动预测模型进行更新，得到近实时地面运动预测模型，具体包括如下步骤：

29、设定漂移阈值；

30、对步骤s4得到的漂移得分进行判定：

31、若，则判定为轻度特征漂移，并对步骤s2得到的基础地面运动预测模型进行基于叶节点优化策略的模型更新；

32、若，则判定为重度特征漂移，并对步骤s2得到的基础地面运动预测模型进行基于树结构展开策略的模型更新；

33、若，则判定为处于轻度特征漂移与重度特征漂移的临界状态，并对步骤s2得到的基础地面运动预测模型进行基于叶节点优化策略的模型更新。

34、所述的对步骤s2得到的基础地面运动预测模型进行基于叶节点优化策略的模型更新，具体包括如下步骤：

35、对步骤s2得到的基础地面运动预测模型，冻结所有决策树的结构和分类规则，并保持模型的决策边界不变；

36、将步骤s3得到的增量数据集输入到基础地面运动预测模型中，记录每个决策树中的叶节点的归属，并统计每个叶节点所包含的增量样本数量；

37、采用如下算式对叶节点的权重值进行更新：

38、

39、

40、式中为第j个叶节点的更新后的权重值；为设定的原权重值的权重系数；为第j个叶节点的更新前的权重值；为设定的更新权重值的权重系数；为更新权重值；为第j个叶节点的新增样本一阶梯度之和；第 j 个叶节点的新增样本二阶梯度之和；为设定的正则化系数；

41、完成对步骤s2得到的基础地面运动预测模型的更新。

42、所述的对步骤s2得到的基础地面运动预测模型进行基于树结构展开策略的模型更新，具体包括如下步骤：

43、对步骤s2得到的基础地面运动预测模型，冻结模型的所有参数和树状结构，并保留模型的历史知识；

44、将步骤s3得到的增量数据集输入到基础地面运动预测模型中，并得到模型的预测结果和伪残差；其中，伪残差采用梯度提升算法的负梯度计算方法获得，具体包括如下步骤：

45、设当前已集成的预测模型函数为，构建损失函数为；

46、在第 t 次迭代中每个训练样本i的伪残差 定义为损失函数对当前预测值的负一阶导数（即负梯度），表示为；

47、以伪残差作为目标值，采用增量数据集对新的回归树模型进行训练；所述的回归树模型采用cart回归树；在每轮次的训练过程中，添加决策树，并通过计算得到的正则化项控制被训练的回归树的复杂度，并设定被训练的回归树的最大叶数的范围和每片叶子的最小样本数的范围；

48、添加决策树对回归树进行训练的过程，具体包括以下步骤：

49、计算每个增量样本i的一阶梯度和二阶梯度：

50、

51、

52、对于平方误差损失函数，则，；

53、构建新的回归树，将样本划分到不同的叶节点；对于该新树的第 j 个叶节点，设定其包含的样本索引集合为，则采用加权公式计算该叶节点的最优权重：

54、

55、式中为设定的正则化系数；

56、其中，采用如下算式计算得到正则化项：

57、

58、式中为第 q 棵树的正则化项；为设定的叶节点惩罚系数；为第 q 棵树的叶节点数量；为设定的正则化系数；为第 q 棵树的叶节点权重向量；表示的范数；

59、最后，将训练后的回归树模型与基础地面运动预测模型进行叠加，完成对步骤s2得到的基础地面运动预测模型的更新。

60、本发明还提供了一种实现所述基于台站数据实时更新的区域地震动预测方法的系统，包括数据获取模块、模型构建模块、数据观测模块、漂移计算模块、模型更新模块和地震动预测模块；数据获取模块、模型构建模块、数据观测模块、漂移计算模块、模型更新模块和地震动预测模块依次串接；数据获取模块用于获取历史地震数据信息，并将数据信息上传模型构建模块；模型构建模块用于根据接收到的数据信息，根据获取的数据信息，采用梯度增强决策树构建基础地面运动预测初始模型并进行训练，得到基础地面运动预测模型，并将数据信息上传数据观测模块；数据观测模块用于根据接收到的数据信息，当地震发生时，获取地震过程的观测数据，并将数据信息上传漂移计算模块；漂移计算模块用于根据接收到的数据信息，根据获取的数据信息，计算得到发生地震的漂移得分，并将数据信息上传模型更新模块；模型更新模块用于根据接收到的数据信息，根据得到的漂移得分，对得到的基础地面运动预测模型进行更新，得到近实时地面运动预测模型，并将数据信息上传地震动预测模块；地震动预测模块用于根据接收到的数据信息，采用得到的近实时地面运动预测模型，进行地震过程的近实时地震动预测。

61、本发明提供的这种基于台站数据实时更新的区域地震动预测方法及系统，通过采用梯度增强决策树构建基础预测模型，并根据地震发生时的具体数据对得到的基础预测模型进行更新和应用，不仅实现了地震过程的近实时地震动的预测，而且可靠性更高，精确性更好，实时性更好。