[論文レビュー] A CNN-BiLSTM Model with Attention Mechanism for Earthquake Prediction

Parisa Kavianpour, Mohammadreza Kavianpour+2 more|arXiv (Cornell University)|Dec 26, 2021

Earthquake Detection and Analysis被引用数 25

ひとこと要約

本論文は、CNN-BiLSTMモデルにアテンション機構を組み込み、中国本土における月次の地震発生回数と最大マグニチュードを予測する手法を提案する。ZOH前処理と9つの地域区分を用い、いくつかのベースライン手法と比較する。

ABSTRACT

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 these issues, this paper proposes a novel prediction method based on attention mechanism (AM), convolution neural network (CNN), and bi-directional long short-term memory (BiLSTM) models, which can predict the number and maximum magnitude of earthquakes in each area of mainland China-based on the earthquake catalog of the region. This model takes advantage of LSTM and CNN with an attention mechanism to better focus on effective earthquake characteristics and produce more accurate predictions. Firstly, the zero-order hold technique is applied as pre-processing on earthquake data, making the model's input data more proper. Secondly, to effectively use spatial information and reduce dimensions of input data, the CNN is used to capture the spatial dependencies between earthquake data. Thirdly, the Bi-LSTM layer is employed to capture the temporal dependencies. Fourthly, the AM layer is introduced to highlight its important features to achieve better prediction performance. The results show that the proposed method has better performance and generalize ability than other prediction methods.

研究の動機と目的

• 被害と死傷者を減らすために、正確でタイムリーな地震予測の必要性を動機づける。
• 地域の地震データにおける空間的・時間的依存性を捉えるハイブリッドCNN-BiLSTM-AMアーキテクチャを開発する。
• 予測を改善するために、影響力のある特徴を強調するアテンション機構を組み込む。
• ZOH preprocessingを用いてデータを前処理して、モデルの頑健性と一般化能力を高める。
• 中国本土を9つのサブリージョンに分割した月次の地震データでモデルを評価し、ベースライン手法と比較する。

提案手法

• 月次地震データから空間的特徴を抽出するために1次元CNNを使用。
• 抽出された特徴の時系列依存性を学習するためにBiLSTM層を適用。
• 予測のために影響力のある特徴を加重するアテンション機構を組み込む。
• ゼロ階保持前処理を用いてゼロ値の影響を緩和する。
• 月次の発生回数とマグニチュードの最終予測を生成するために全結合層を使用する。
• Min-Maxスケーリングで正規化されたデータを用い、MSE損失、Adam optimizerで、150エポック、バッチサイズ32で学習する。

実験結果

リサーチクエスチョン

• RQ1 CNN-BiLSTM-AMモデルは、月次の地震発生回数と月次最大マグニチュードを同時に予測できるか？
• RQ2 アテンション機構は、重要な特徴を強調することで予測精度を向上させるか？
• RQ3 ゼロ階保持前処理がモデルの性能と一般化に与える影響は何か？
• RQ4 中国本土を9つの地域に分割することは、今後のイベントの予測能力と局所化にどう影響するか？
• RQ5 提案手法は、地震統計の予測において、従来の浅い機械学習や他のDLモデルとどう比較されるか？

主な発見

• 提案された CNN-BiLSTM-AM 手法は、比較対象の方法よりも性能と一般化能力が優れる。
• モデルアーキテクチャは、CNNとBiLSTMコンポーネントを通じて空間-時間的特徴を効果的に抽出し、アテンションによって重要な特徴を強調する。
• ZOH前処理は、トレーニングの頑健性と予測精度を向上させる。
• 次の地震発生事象の地域別予測レンジを評価するために、9つの地域区分が用いられている。
• 比較対象モデルには SVM、DT、RF、MLP、CNN、LSTM、そして CNN-BiLSTM が含まれ、提案手法はこれらのベースラインと比較評価されている。