一种地震短期预测方法和装置

摘要

本发明实施例公开了一种地震短期预测方法和装置，以解决现有技术中由于大多短期预测都是根据经验预测而缺乏完备的科学依据，主要侧重地震的发震趋势，缺乏地震三要素的数值量化预报，进而很难实现准确的预测短期内地震的发生而导致的不能及时为地震减灾工作提供准确的参考建议的问题。该方法利用大量的历史地震记录数据，结合分析地质结构特点，从时间和空间两个维度，综合运用数据挖掘和机器学习方法，对该区域及与其具有发震时空关联关系的区域在未来一个月内的地震进行预测，从而实现为各区域的地震减灾工作提供参考。

权利要求

1.一种地震短期预测方法，其特征在于，包括如下步骤：

获取地震带内的地震历史数据，并对所述地震历史数据进行预处理；其中，所述预处理包括筛选、聚类处理和去噪运算，所述地震历史数据包括发震时间、震源经度、震源纬度、震源深度、震级和震级类型；

以预设的时间窗和时间步长为参量，对运算后的地震历史数据计算获得多个基本地震活动性参量；

将所述基本地震活动性参量作为输入参量，输入至预先训练的繁衍进化网络模型，计算得出在所述时间窗或时间步长的时间范围内的最大发震震级；

对运算后的地震历史数据计算获得多个基本地震活动性参量具体包括如下步骤：以断裂带为分类标准，对所述去噪运算后的地震历史数据采用分类算法进行分类运算，获得分类样本量最大的地震历史数据，并将由所述分类样本量最大的地震历史数据所确定的区域记为目标区域；

对分类运算后的地震历史数据计算获得多个基本地震活动性参量。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括，对所述目标区域以外的其他断裂带区域，以所述预先设置的时间窗或时间步长为参量计算获得的地震时间序列，采用地震时间序列匹配方法，计算获得与所述目标区域空间上有发震联系的区域；其中，所述地震时间序列包括时间窗或时间步长、发震时间、震源经度、震源纬度、震源深度、所述目标区域内的最大发震震级。

3.根据权利要求1或2所述的方法，其特征在于，所述将所述基本地震活动性参量作为输入参量，输入至预先训练的繁衍进化网络模型，计算得出在所述时间窗或时间步长的时间范围内的最大发震震级，具体包括如下步骤：计算所述基本地震活动性参量两两之间的相关性；

采用因子分析法，以损失信息量不超过10％为标准，将所述基本地震活动性参量综合为若干个非线性相关的公共因子作为输入参量，输入至预先训练的繁衍进化网络模型，计算得出在所述时间窗或时间步长的时间范围内的最大发震震级。

4.根据权利要求3所述的方法，其特征在于，所述聚类处理采用k-means算法，所述分类算法采用KNN算法，所述因子分析法采用主成分分析算法；

所述预设的时间窗和时间步长均设置为1个月；

所述基本地震活动性参量包括：地震频度N、地震响应比Y、地震活动度S、地震b值、地震η值、地震活动性指数A(b)值、地震演化指数YH值、地震空间集中度C值、地震危险度D值、地震强度因子Mf值、地震非均匀度GL值、算法复杂度AC值、地震A值。

5.一种地震短期预测装置，其特征在于，包括：预处理模块、第一计算模块和模型计算模块；其中，所述预处理模块用于获取地震带内的地震历史数据，并对所述地震历史数据进行预处理；其中，所述预处理包括筛选、聚类处理和去噪运算，所述地震历史数据包括发震时间、震源经度、震源纬度、震源深度、震级和震级类型；

第一计算模块用于以预设的时间窗和时间步长为参量，对运算后的地震历史数据计算获得多个基本地震活动性参量；

模型计算模块用于将所述基本地震活动性参量作为输入参量，输入至预先训练的繁衍进化网络模型，计算得出在所述时间窗或时间步长的时间范围内的最大发震震级；

所述第一计算模块包括分类运算模块和第二计算模块；其中，

所述分类运算模块用于以断裂带为分类标准，对所述去噪运算后的地震历史数据采用分类算法进行分类运算，获得分类样本量最大的地震历史数据，并将由所述分类样本量最大的地震历史数据所确定的区域记为目标区域；

所述第二计算模块用于对分类运算后的地震历史数据计算获得多个基本地震活动性参量。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括地震时间序列匹配计算模块；其中，所述地震时间序列匹配计算模块用于对所述目标区域以外的其他断裂带区域，以所述预先设置的时间窗或时间步长为参量计算获得的地震时间序列，采用地震时间序列匹配方法，计算获得与所述目标区域空间上有发震联系的区域；其中，所述地震时间序列包括时间窗或时间步长、发震时间、震源经度、震源纬度、震源深度、所述目标区域内的最大发震震级。

7.根据权利要求5或6所述的装置，其特征在于，模型计算模块还包括相关性计算模块、因子分析模块和繁衍进化网络模块；

其中，所述相关性计算模块用于计算所述基本地震活动性参量两两之间的相关性；

因子分析模块用于以损失信息量不超过10％为标准，将所述基本地震活动性参量综合为若干个非线性相关的公共因子作为输入参量；

繁衍进化网络模块用于将输入参量输入至预先训练的繁衍进化网络模型，计算得出在所述时间窗或时间步长的时间范围内的最大发震震级。

8.根据权利要求7所述的装置，其特征在于，所述聚类处理采用k-means算法，所述分类算法采用KNN算法，所述因子分析模块采用主成分分析算法；

所述预设的时间窗和时间步长均设置为1个月；

所述基本地震活动性参量包括：地震频度N、地震响应比Y、地震活动度S、地震b值、地震η值、地震活动性指数A(b)值、地震演化指数YH值、地震空间集中度C值、地震危险度D值、地震强度因子Mf值、地震非均匀度GL值、算法复杂度AC值、地震A值。

说明书

一种地震短期预测方法和装置

技术领域

[0001] 本发明实施例涉及地震预测方法的技术领域，具体涉及一种地震短期预测方法和装置。

背景技术

[0002] 地震是一种自然现象，更是一种地质灾害。它的破坏力极强，给人类社会造成了巨大的人员伤亡和经济损失。由于地震孕育和发震过程都十分复杂，同时地球内部的不可勘测性，因此，地震预测仍然是一个世界性的难题。

[0003] 我国地处欧亚板块、太平洋板块和印度洋板块交界处，因此，我国是世界上地震多发国之一。近年来，我国更是陆续发生了一系列强震：2010年青海玉树7.1级地震，2013年四川庐山7.0级地震，2014年新疆于田7.3级地震，2017年四川九寨沟7.0级地震、新疆精河县6.6级地震等，说明我国新的一个地震活跃期已经来临，地震预测的研究变得更加迫切。

[0004] 地震预报按照预测时间尺度来看分别有：10年以上的长期预测，此种预测主要采用地质方法实现，该方法主要利用地震地质特征、地形地貌、构造活动性及地壳形变特征等来分析某一区域地震活动的空间分布和强度；1-10年的中期预报，此种地震预测主要采用统计方法来实现，该方法主要利用数理统计的手段对现有的地震数据进行统计分析，从而寻找规律；1年以内的短临预报，此种地震预测主要采用地震前兆方法来实现，地震发震前往往伴随着一些周围环境的异常变化，如地球重力场的变化、电磁场的浮动，抑或是地壳、空气中某些化学成分的含量变化，或者是高空电离层的异动，这些都是地震前兆。因为越长的时间跨度越能有充足的数据来分析研究规律性的内容，所以中长期预报相对于短临预报要容易，经过全世界各国的努力，目前地震中长期预报已经取得了一定的进展和成果，但是短临预报还是仅仅依靠经验前兆进行预报，并没有什么实质性的进展。

发明内容

[0005] 为了实现对地震的短期预测功能，本发明实施例提供一种地震短期预测方法和装置，以解决现有技术中由于大多短期预测都是根据经验预测而缺乏完备的科学依据，主要侧重地震的发震趋势，缺乏地震三要素的数值量化预报，进而很难实现准确的预测短期内地震的发生而导致的不能及时为地震减灾工作提供准确的参考建议的问题。该方法利用大量的历史地震记录数据，结合分析地质结构特点，从时间和空间两个维度，综合运用数据挖掘和机器学习方法，对该区域及与其具有发震时空关联关系的区域在短期内的地震进行数值量化预测，从而实现为各区域的地震减灾工作提供准确的参考建议。

[0006] 为了实现上述目的，本发明实施例提供的技术方案具体如下：

[0007] 根据本发明实施例的第一方面提供了，一种地震短期预测方法，其特征在于，包括如下步骤：

[0008] 获取地震带内的地震历史数据，并对所述地震历史数据进行预处理；其中，所述预处理包括筛选、聚类处理和去噪运算，所述地震历史数据包括发震时间、震源经度、震源纬度、震源深度、震级和震级类型；

[0009] 以预设的时间窗和时间步长为参量，对运算后的地震历史数据计算获得多个基本地震活动性参量；

[0010] 将所述基本地震活动性参量作为输入参量，输入至预先训练的繁衍进化网络模型，计算得出在所述时间窗或时间步长的时间范围内的最大发震震级。

[0011] 进一步的，对运算后的地震历史数据计算获得多个基本地震活动性参量具体包括如下步骤：

[0012] 以断裂带为分类标准，对所述去噪运算后的地震历史数据采用分类算法进行分类运算，获得分类样本量最大的地震历史数据，并将由所述分类样本量最大的地震历史数据所确定的区域记为目标区域；

[0013] 对分类运算后的地震历史数据计算获得多个基本地震活动性参量。

[0014] 进一步的，所述方法还包括，对所述目标区域以外的其他断裂带区域，以所述预先设置的时间窗或时间步长为参量计算获得的地震时间序列，采用地震时间序列匹配方法，计算获得与所述目标区域空间上有发震联系的区域；其中，所述地震时间序列包括时间窗或时间步长、发震时间、震源经度、震源纬度、震源深度、所述目标区域内的最大发震震级。

[0015] 进一步的，所述将所述基本地震活动性参量作为输入参量，输入至预先训练的繁衍进化网络模型，计算得出在所述时间窗或时间步长的时间范围内的最大发震震级，具体包括如下步骤：

[0016] 计算所述基本地震活动性参量两两之间的相关性；

[0017] 采用因子分析法，以损失信息量不超过10％为标准，将所述基本地震活动性参量综合为若干个非线性相关的公共因子作为输入参量，输入至预先训练的繁衍进化网络模型，计算得出在所述时间窗或时间步长的时间范围内的最大发震震级。

[0018] 进一步的，所述聚类处理采用k-means算法，所述分类算法采用KNN算法，所述因子分析法采用主成分分析算法；

[0019] 预设的时间窗和时间步长均设置为1个月；

[0020] 所述基本地震活动性参量包括：地震频度N、地震响应比Y、地震活动度S、地震b值、地震η值、地震活动性指数A(b)值、地震演化指数YH值、地震空间集中度C值、地震危险度D值、地震强度因子Mf值、地震非均匀度GL值、算法复杂度AC值、地震A值。

[0021] 本发明实施例另一方面还提供一种地震短期预测装置，其特征在于，包括：预处理模块、第一计算模块和模型计算模块；其中，

[0022] 所述预处理模块用于获取地震带内的地震历史数据，并对所述地震历史数据进行预处理；其中，所述预处理包括筛选、聚类处理和去噪运算，所述地震历史数据包括发震时间、震源经度、震源纬度、震源深度、震级和震级类型；

[0023] 第一计算模块用于以预设的时间窗和时间步长为参量，对运算后的地震历史数据计算获得多个基本地震活动性参量；

[0024] 模型计算模块用于将所述基本地震活动性参量作为输入参量，输入至预先训练的繁衍进化网络模型，计算得出在所述时间窗或时间步长的时间范围内的最大发震震级。

[0025] 进一步的，所述第一计算模块包括分类运算模块和第二计算模块；其中，[0026] 所述分类运算模块用于以断裂带为分类标准，对所述去噪运算后的地震历史数据采用分类算法进行分类运算，获得分类样本量最大的地震历史数据，并将由所述分类样本量最大的地震历史数据所确定的区域记为目标区域；

[0027] 所述第二计算模块块用于对分类运算后的地震历史数据计算获得多个基本地震活动性参量。

[0028] 进一步的，所述装置还包括地震时间序列匹配计算模块；其中，所述地震时间序列匹配计算模块用于对所述目标区域以外的其他断裂带区域，以所述预先设置的时间窗或时间步长为参量计算获得的地震时间序列，采用地震时间序列匹配方法，计算获得与所述目标区域空间上有发震联系的区域；其中，所述地震时间序列包括时间窗或时间步长、发震时间、震源经度、震源纬度、震源深度、所述目标区域内的最大发震震级。

[0029] 进一步的，模型计算模块还包括相关性计算模块和因子分析模块和繁衍进化网络模块；

[0030] 其中，所述相关性计算模块用于计算所述基本地震活动性参量两两之间的相关性；

[0031] 因子分析模块用于以损失信息量不超过10％为标准，将所述基本地震活动性参量综合为若干个非线性相关的公共因子作为输入参量；

[0032] 繁衍进化网络模块用于将输入参量输入至预先训练的繁衍进化网络模型，计算得出在所述时间窗或时间步长的时间范围内的最大发震震级。

[0033] 进一步的，所述聚类处理采用k-means算法，所述分类算法采用KNN算法，所述因子分析模块采用主成分分析算法；

[0034] 所述预设的时间窗和时间步长均设置为1个月；

[0035] 所述基本地震活动性参量包括：地震频度N、地震响应比Y、地震活动度S、地震b值、地震η值、地震活动性指数A(b)值、地震演化指数YH值、地震空间集中度C值、地震危险度D值、地震强度因子Mf值、地震非均匀度GL值、算法复杂度AC值、地震A值。

[0036] 本发明实施例具有如下优点：针对现有技术存在的技术问题，提出一种地震短期预测方法，该方法首先对获取的地震带内的地震历史数据，进行预处理；特别的，所述预处理包括对地震带范围内的地震历史数据进行初步筛选，将地震带范围以外的点视为孤立点或者异常点舍去，为后续的计算减轻了负担，并调整数据格式、统一数据时间，利用聚类处理对筛选的地震历史数据做进一步的处理，以最大类的均值作为标准值，对聚类后的数据进行去噪处理，使得后续计算得出的短期地震预测结果更加准确；进一步的，对预处理后的数据以预设的时间窗或时间步长为参量，对预处理运算后的地震历史数据进行进一步的处理，获得多个基本地震活动性参量，在保证后续计算准确的基础之上，减少数据的计算成本，最后将所述基本地震活动性参量作为输入参量，输入至预先训练的繁衍进化网络模型，计算得出在所述时间窗或时间步长的时间范围内的最大发震震级。经过上述步骤的计算以及设置的时间参数，实现了对地震三要素的数值量化预测，并经过对数据的多次筛选，在减少计算成本的基础上，进而实现短期内地震的准确预测，从而及时为地震减灾工作提供更为准确的参考意见。

[0037] 进一步的，本发明以断裂带为分类标准，对预处理后的地震历史数据采用分类算法进行分类运算，获得分类样本量最大的地震历史数据，并将由所述分类样本量最大的地震历史数据所确定的区域记为目标区域。基于断裂带的运动是诸多地震发震的根本原因，所以以断裂带为标准，对预处理后的数据进行进一步的分类，并将分类样本量最大的地震历史数据作为主要研究的对象，使得后续计算结果更为准确。

[0038] 进一步的，本发明实施例还对所述目标区域以外的其他断裂带区域，以所述预先设置的时间窗或时间步长为参量计算获得的地震时间序列，采用地震时间序列匹配方法，计算获得与所述目标区域空间上有发震联系的区域。利用大量已发生的地震历史数据，全面研究分析大量的地震历史数据，采用繁衍进化网络有效处理地震爆发的高度非线性问题，在进行时间维度上的地震震级量化预报的基础上，再采用地震时间序列匹配方法从空间维度上研究区域间的发震规律，从而实现大范围的进行地震时空关联的短期预测。

[0039] 更进一步的，为了排除多重相关性对预测结果的影响，本发明利用因子分析法，在损失数据信息不超过10％的基础上，将数据信息综合为若干个非线性相关的公共因子来作为繁衍进化网络模型的输入数据，大大减少了计算成本，提高了计算效率。

[0040] 本发明还提供一种地震短期预测装置，包括：预处理模块、第一计算模块和模型计算模块；其中，

[0041] 所述预处理模块用于获取地震带内的地震历史数据，并对所述地震历史数据进行预处理；其中，所述预处理包括筛选、聚类处理和去噪运算，所述地震历史数据包括发震时间、震源经度、震源纬度、震源深度、震级和震级类型；

[0042] 第一计算模块用于以预设的时间窗和时间步长为参量，对运算后的地震历史数据计算获得多个基本地震活动性参量；

[0043] 模型计算模块用于将所述基本地震活动性参量作为输入参量，输入至预先训练的繁衍进化网络模型，计算得出在所述时间窗或时间步长的时间范围内的最大发震震级。

[0044] 所述第一计算模块包括分类运算模块和第二计算模块；其中，

[0045] 所述分类运算模块用于以断裂带为分类标准，对所述去噪运算后的地震历史数据采用分类算法进行分类运算，获得分类样本量最大的地震历史数据，并将由所述分类样本量最大的地震历史数据所确定的区域记为目标区域；

[0046] 所述分类运算模块用于对分类运算后的地震历史数据计算获得多个基本地震活动性参量。

[0047] 所述装置还包括地震时间序列匹配计算模块；其中，所述地震时间序列匹配计算模块用于对所述目标区域以外的其他断裂带区域，以所述预先设置的时间窗或时间步长为参量计算获得的地震时间序列，采用地震时间序列匹配方法，计算获得与所述目标区域空间上有发震联系的区域；其中，所述地震时间序列包括时间窗或时间步长、发震时间、震源经度、震源纬度、震源深度、所述目标区域内的最大发震震级。

[0048] 模型计算模块还包括相关性计算模块、因子分析模块和繁衍进化网络模块；其中，所述相关性计算模块用于计算所述基本地震活动性参量两两之间的相关性；因子分析模块用于以损失信息量不超过10％为标准，将所述基本地震活动性参量综合为若干个非线性相关的公共因子作为输入参量；繁衍进化网络模块用于将输入参量输入至预先训练的繁衍进化网络模型，计算得出在所述时间窗或时间步长的时间范围内的最大发震震级[0049] 该装置利用大量已发生的地震历史数据，全面研究分析大量的地震历史数据，采用繁衍进化网络有效处理地震爆发的高度非线性问题，在进行时间维度上的地震震级量化预报的基础上，再采用地震时间序列匹配方法从空间维度上研究区域间的发震规律，从而实现大范围的进行地震时空关联的短期预测。

附图说明

[0050] 为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。

[0051] 本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

[0052] 图1为本发明实施例1提供的一种地震短期预测方法的流程框图；

[0053] 图2为本发明实施例2提供的一种优选的地震短期预测方法流程框图；

[0054] 图3为本发明实施例3提供的一种地震短期预测装置的结构框图；

[0055] 图4为本发明实施例3提供的一种优选的地震短期预测装置的结构框图。

具体实施方式

[0056] 以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0057] 参见图1，是本发明实施例1提供的一种地震短期预测方法的流程框图，包括如下步骤：

[0058] 获取地震带内的地震历史数据，并对所述地震历史数据进行预处理；其中，所述预处理包括筛选、聚类处理和去噪运算，所述地震历史数据包括发震时间、震源经度、震源纬度、震源深度、震级和震级类型；

[0059] 以预设的时间窗和时间步长为参量，对运算后的地震历史数据计算获得多个基本地震活动性参量；

[0060] 将所述基本地震活动性参量作为输入参量，输入至预先训练的繁衍进化网络模型，计算得出在所述时间窗或时间步长的时间范围内的最大发震震级。

[0061] 利用Mapsis软件确定地震带区域的经度范围和纬度范围，并以地震带区域为范围对数据进行筛选；根据需求，对原始数据中的无关属性、冗余项进行约简，对地震震级强度类型属性进行选择，优选的属性包括年、月、日、时、分、秒、震源经度、震源纬度、震源深度、震级及震级类型。

[0062] 上述预设的时间窗和时间步长可以根据用户需求来进行设定，可以设定到数天内，优选的，根据本发明实施例的需求，时间窗和时间步长均设置为一个月；

[0063] 上述聚类处理现有技术中多种多样，根据不同的计算需求，优选的，本发明实施例采用k-means算法对地震历史数据进行聚类，调整数据格式并统一时间戳，取聚类运算中的最大类的均值作为标准值，以该标准值再采用k-means算法找出偏离期望值的数据视为噪声异常点舍去，确保后期计算结果的准确性。

[0064] 地震带是地震活动性参量的统计单元，地震带内的数据的大量性以及预测需要，往往地震活动性参量也是多种多样的，但大量不同的地震活动性参量并不利于统计和计算，优选的，本发明实施例利用Mapsis软件根据预先开发的软件计算出13个基本地震活动性参量，需要说明的是，也可以采用其他方式计算获得基本地震活动性参量，不限于使用Mapsis软件。

[0065] 优选的，本发明实施例选择13个基本地震活动参数，包括：地震频度N、地震响应比Y、地震活动度S、地震b值、地震η值、地震活动性指数A(b)值、地震演化指数YH值、地震空间集中度C值、地震危险度D值、地震强度因子Mf值、地震非均匀度GL值、算法复杂度AC值、地震A值。

[0066] 需要说明的是，考虑到数据的可用性和记录保存的准确性，本发明上述实施例的地震历史数据包括地震带内从1976年至2018年的地震数据。

[0067] 上述繁衍进化网络模型是一种将遗传进化模型和神经网络模型结合使用的一种神经网络模型，通过该模型可以计算出本发明实施例需要的最大地震震级，具体计算步骤如下：

[0068] a.首先确定好算法的输入参量是几个非线性相关的公共因子，输出量是相应每个时间窗内的发震最大震级。

[0069] b.为了使进化出的神经网络尽可能的小，所以初始化神经网络为只有输入参量连着输出量。

[0070] c.对于繁衍进化网络来说，每个神经网络的基因分为两个部分：节点基因即该节点位属哪一层、链接基因即该节点与其他节点的链接情况。生成神经网络并用其进行预测，同时利用适应度函数计算该基因的fitness。然后不断选择变异，使得到较高的fitness的基因便是我们想要的模型基因。

[0071] d.其中要单独创建一个config文件存放繁衍进化网络的配置参数，如population的数量，迭代次数，fitness的训练极限值等。

[0072] e.经过一定的迭代进化便得到winner来作为输出模型。

[0073] f.通过计算预测值和真实值间的均值和方差来评估模型结果。

[0074] 针对现有技术存在的技术问题，提出一种地震短期预测方法，该方法首先对获取的地震带内的地震历史数据，进行预处理；特别的，所述预处理包括对地震带范围内的地震历史数据进行初步筛选，将地震带范围以外的点视为孤立点或者异常点舍去，为后续的计算减轻了负担，并调整数据格式、统一数据时间，利用聚类处理对筛选的地震历史数据做进一步的处理，以最大类的均值作为标准值，对聚类后的数据进行去噪处理，使得后续计算得出的短期地震预测结果更加准确；进一步的，对预处理后的数据以预设的时间窗和时间步长为参量，对预处理运算后的地震历史数据进行进一步的处理，获得多个基本地震活动性参量，在保证后续计算准确的基础之上，减少数据的计算成本，最后将将所述基本地震活动性参量作为输入参量，输入至预先训练的繁衍进化网络模型，计算得出在所述时间窗或时间步长的时间范围内的最大发震震级。经过上述步骤的计算以及设置的时间参数，实现了对地震三要素的数值量化预报，并经过对数据的多次筛选，在减少计算成本的基础上，进而实现短期内地震的准确预测，从而及时为地震减灾工作提供更为准确的参考意见。

[0075] 参见图2，为本发明实施例一种优选的实施方式，在实施例1的实施方案的基础之上，该优选的实施方式包括如下步骤，

[0076] 获取地震带内的地震历史数据，并对所述地震历史数据进行预处理；

[0077] 以预设的时间窗和时间步长为参量，以断裂带为分类标准，对所述去噪运算后的地震历史数据采用分类算法进行分类运算，获得分类样本量最大的地震历史数据，并将由所述分类样本量最大的地震历史数据所确定的区域记为目标区域；

[0078] 对分类运算后的地震历史数据计算获得多个基本地震活动性参量；

[0079] 计算所述基本地震活动性参量两两之间的相关性；

[0080] 采用因子分析法，以损失信息量不超过10％为标准，将所述基本地震活动性参量综合为若干个非线性相关的公共因子作为输入参量，输入至预先训练的繁衍进化网络模型，计算得出在所述时间窗或时间步长的时间范围内的最大发震震级；

[0081] 对所述目标区域以外的其他断裂带区域，以所述预先设置的时间窗或时间步长为参量计算获得的地震时间序列，采用地震时间序列匹配方法，计算获得与所述目标区域空间上有发震联系的区域。

[0082] 上述断裂带的运动是诸多地震发震的根本原因，所以本发明实施例以断裂带为标准，以断裂带区域的地震数据为研究对象，本发明实施例利用分类算法对预设的标准对断裂带内的地震数据进行分类算法运算，选择出数据量最大的断裂带内的数据为待研究的数据，并将由所述分类样本量最大的地震历史数据所确定的区域记为目标区域；优选的，本发明实施例上述分类算法采用邻近算法KNN(k-NearestNeighbor)。上述采用因子分析法，优选的，采用主成分分析算法。

[0083] 上述与目标区域在空间上有发震联系的区域的获得，可通过一下方式计算获得：将创建的地震时间序列两两分别在时间间隔为一天、两天、三天内进行匹配计算，计算出相应的支持数和支持度，其中支持数从数量上说明了两个序列的相关性，支持度从概率的角度显示了序列间的关联关系。支持数和支持度高的地震序列对应的两个区域间具有较强的空间发震联系。最终就获得了未来一个月内强震发震危险区。

[0084] 针对现有技术存在的技术问题，提出一种地震短期预测方法，该方法在对地震历史数据进行更为准确筛选和去噪的基础上进一步以断裂带为分类标准，对预处理后的地震历史数据采用分类算法进行分类运算，获得分类样本量最大的地震历史数据，并将由所述分类样本量最大的地震历史数据所确定的区域记为目标区域。基于断裂带的运动是诸多地震发震的根本原因，所以以断裂带为标准，对预处理后的数据进行进一步的分类，并将分类样本量最大的地震历史数据作为主要研究的对象，使得后续计算结果更为准确；然后更进一步的，为了排除多重相关性对预测结果的影响，本发明利用因子分析法，在损失数据信息不超过10％的基础上，将数据信息综合为若干个非线性相关的公共因子来作为繁衍进化网络模型的输入数据，大大减少了计算成本，提高了计算效率；最后对所述目标区域以外的其他断裂带区域，以所述预先设置的时间窗或时间步长为参量计算获得的地震时间序列，采用地震时间序列匹配方法，计算获得与所述目标区域空间上有发震联系的区域。利用大量已发生的地震历史数据，全面研究分析大量的地震历史数据，采用繁衍进化网络有效处理地震爆发的高度非线性问题，在进行时间维度上的地震震级量化预报的基础上，再采用地震时间序列匹配方法从空间维度上研究区域间的发震规律，从而实现大范围的进行地震时空关联的短期预测。

[0085] 参见图3，为本发明实施例3提供的一种地震短期预测装置的结构框图，包括：预处理模块、第一计算模块和模型计算模块；其中，

[0086] 所述预处理模块用于获取地震带内的地震历史数据，并对所述地震历史数据进行预处理；其中，所述预处理包括筛选、聚类处理和去噪运算，所述地震历史数据包括发震时间、震源经度、震源纬度、震源深度、震级和震级类型；

[0087] 第一计算模块用于以预设的时间窗和时间步长为参量，对运算后的地震历史数据计算获得多个基本地震活动性参量；

[0088] 模型计算模块用于将所述基本地震活动性参量作为输入参量，输入至预先训练的繁衍进化网络模型，计算得出在所述时间窗或时间步长的时间范围内的最大发震震级。

[0089] 参见图4，为本发明实施例3提供的一种优选的地震短期预测装置的结构框图，预处理模块、第一计算模块和模型计算模块；其中，所述第一计算模块包括分类运算模块和第二计算模块；所述分类运算模块用于以断裂带为分类标准，对所述去噪运算后的地震历史数据采用分类算法进行分类运算，获得分类样本量最大的地震历史数据，并将由所述分类样本量最大的地震历史数据所确定的区域记为目标区域；所述分类运算模块用于对分类运算后的地震历史数据计算获得多个基本地震活动性参量。所述装置还包括地震时间序列匹配计算模块；其中，所述地震时间序列匹配计算模块用于对所述目标区域以外的其他断裂带区域，以所述预先设置的时间窗或时间步长为参量计算获得的地震时间序列，采用地震时间序列匹配方法，计算获得与所述目标区域空间上有发震联系的区域；其中，所述地震时间序列包括时间窗或时间步长、发震时间、震源经度、震源纬度、震源深度、所述目标区域内的最大发震震级；

[0090] 模型计算模块还包括相关性计算模块、因子分析模块和繁衍进化网络模块；其中，所述相关性计算模块用于计算所述基本地震活动性参量两两之间的相关性；因子分析模块用于以损失信息量不超过10％为标准，将所述基本地震活动性参量综合为若干个非线性相关的公共因子作为输入参量；繁衍进化网络模块用于将输入参量输入至预先训练的繁衍进化网络模型，计算得出在所述时间窗或时间步长的时间范围内的最大发震震级。所述聚类处理采用k-means算法，所述因子分析模块采用KNN算法，所述因子分析法采用主成分分析算法；

[0091] 所述预设的时间窗和时间步长均设置为1个月；所述基本地震活动性参量包括：地震频度N、地震响应比Y、地震活动度S、地震b值、地震η值、地震活动性指数A(b)值、地震演化指数YH值、地震空间集中度C值、地震危险度D值、地震强度因子Mf值、地震非均匀度GL值、算法复杂度AC值、地震A值。

[0092] 虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。