一种基于深度学习的地震预测方法和系统

摘要

本申请适用于地震预测技术领域，提供了一种基于深度学习的地震预测方法和系统，所述方法包括：将预设范围内用于地震预测的地声数据处理为矩阵序列，所述矩阵序列中包括按照时间顺序排列的多个矩阵；按照所述时间顺序，依次将所述多个矩阵输入到预设的预测模型中，得到所述预设模型输出的输出矩阵，所述输出矩阵包括多行数据；通过卷积计算提取所述输出矩阵的特征；采用注意力机制，为所述输出矩阵的每行数据赋予不同的权重，得到所述输出矩阵的加权特征；将所述输出矩阵的加权特征输入到所述预测模型中，得到所述预设范围内的地震预测结果。通过上述方法，能够提高地震预测的准确性。

权利要求

1.一种基于深度学习的地震预测方法，其特征在于，包括：将预设范围内用于地震预测的地声数据处理为矩阵序列，所述矩阵序列中包括按照时间顺序排列的多个矩阵，所述地声数据为在所述预设范围内预设时间周期内各个记录点监测到的地声的各个频段的数据；

按照所述时间顺序，依次将所述多个矩阵输入到预设的预测模型中，得到所述预设模型输出的输出矩阵，所述输出矩阵包括多行数据；

通过卷积计算提取所述输出矩阵的特征；

采用注意力机制，为所述输出矩阵的每行数据赋予不同的权重，得到所述输出矩阵的加权特征；

将所述输出矩阵的加权特征输入到所述预测模型中，得到所述预设范围内的地震预测结果。

2.如权利要求1所述的方法，其特征在于，所述地声数据包括多个记录点的地声数据，所述将预设范围内用于地震预测的地声数据处理为矩阵序列，包括：针对每个时间点，将在所述时间点采集到的所述多个记录点的地声数据，处理为一个矩阵；

按照所述每个时间点的先后顺序，将处理得到的多个矩阵组合成所述矩阵序列。

3.如权利要求1所述的方法，其特征在于，所述按照所述时间顺序，依次将所述多个矩阵输入到预设的预测模型中，得到所述预设模型输出的输出矩阵，包括：将所述矩阵序列中的第一个矩阵输入到所述预测模型中；

采用所述预测模型对所述第一个矩阵进行数据处理，得到第一输出结果；

将所述矩阵序列中的第二个矩阵输入到所述预测模型中；

根据所述第一输出结果和所述第二个矩阵获得连接数据；

采用所述预测模型对所述连接数据进行处理，得到第二输出结果，直到得到与所述矩阵序列中的每个矩阵对应的输出结果；

将全部输出结果，组合成所述输出矩阵。

4.如权利要求3所述的方法，其特征在于，所述预测模型包括遗忘门、输入门和输出门，所述采用所述预测模型对所述第一个矩阵进行数据处理，得到第一输出结果，包括：采用所述遗忘门对所述第一个矩阵中的数据进行丢弃处理，获得保留数据；

采用所述输入门从所述保留数据中获取待处理数据；

采用所述输出门对所述待处理数据进行处理，得到所述第一输出结果。

5.如权利要求3所述的方法，其特征在于，所述输出矩阵的每行用于表征一个记录点，所述输出矩阵的每列用于表征一个时间点，所述通过卷积计算提取所述输出矩阵的特征，包括：

针对每个记录点，分别对所述记录点在多个时间点采集的地声数据进行卷积计算，得到所述预设范围内各个记录点的分布特征，所述分布特征包括所述各个记录点的空间特征以及在所述每个记录点采集到的地声数据的时序关系。

6.如权利要求5所述的方法，其特征在于，所述采用注意力机制，为所述输出矩阵的每行数据赋予不同的权重，得到所述输出矩阵的加权特征，包括：基于所述各个记录点的分布特征，分别计算每个记录点的数据影响权重；

将所述每个记录点的数据影响权重与对应的输出矩阵的每行相乘，得到所述输出矩阵的加权特征。

7.如权利要求1‑6任一项所述的方法，其特征在于，所述将所述输出矩阵的加权特征输入到所述预测模型中，得到所述预设范围内的地震预测结果，包括：获取所述预测模型对所述矩阵序列进行处理输出的最后一个输出结果；

将所述最后一个输出结果与所述加权特征进行融合，得到融合数据；

采用所述预测模型对所述融合数据进行计算，得到所述预设范围内的地震预测结果。

8.一种基于深度学习的地震预测系统，其特征在于，包括：地声数据处理模块，用于将预设范围内用于地震预测的地声数据处理为矩阵序列，所述矩阵序列中包括按照时间顺序排列的多个矩阵，所述地声数据为在所述预设范围内预设时间周期内各个记录点监测到的地声的各个频段的数据；

地声矩阵获取模块，用于按照所述时间顺序，依次将所述多个矩阵输入到预设的预测模型中，得到所述预设模型输出的输出矩阵，所述输出矩阵包括多行数据；

特征提取模块，用于通过卷积计算提取所述输出矩阵的特征；

加权特征获取模块，用于采用注意力机制，为所述输出矩阵的每行数据赋予不同的权重，得到所述输出矩阵的加权特征；

地震预测结果获取模块，用于将所述输出矩阵的加权特征输入到所述预测模型中，得到所述预设范围内的地震预测结果。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。

说明书

一种基于深度学习的地震预测方法和系统

技术领域

[0001] 本申请属于地震预测技术领域，尤其涉及一种基于深度学习的地震预测方法和系统。

背景技术

[0002] 地震预报能够在地震发生之前，使人们有所防备，避免带来大的人员伤亡。

[0003] 现有的地震预测方法，大都基于地磁进行预测，一方面获取地磁数据的一般比较复杂，另一方面，基于地磁数据的预测方法，要么过于复杂难以应用，要么过于简单而无法
获得准确的信息。

[0004] 进行地震预测时，用于地震预测的数据对地震预测的影响程度一般是不同的，但是现有的预测方法往往都忽视了这一点，造成地震预测结果误差较大。

发明内容

[0005] 本申请实施例提供了一种基于深度学习的地震预测方法、系统、终端设备及介质，可以提高地震预测的准确性。

[0006] 第一方面，本申请实施例提供了一种基于深度学习的地震预测方法，包括：

[0007] 将预设范围内用于地震预测的地声数据处理为矩阵序列，所述矩阵序列中包括按照时间顺序排列的多个矩阵；

[0008] 按照所述时间顺序，依次将所述多个矩阵输入到预设的预测模型中，得到所述预设模型输出的输出矩阵，所述输出矩阵包括多行数据；

[0009] 通过卷积计算提取所述输出矩阵的特征；

[0010] 采用注意力机制，为所述输出矩阵的每行数据赋予不同的权重，得到所述输出矩阵的加权特征；

[0011] 将所述输出矩阵的加权特征输入到所述预测模型中，得到所述预设范围内的地震预测结果。

[0012] 第二方面，本申请实施例提供了一种基于深度学习的地震预测系统，包括：

[0013] 地声数据处理模块，用于将预设范围内用于地震预测的地声数据处理为矩阵序列，所述矩阵序列中包括按照时间顺序排列的多个矩阵；

[0014] 地声矩阵获取模块，用于按照所述时间顺序，依次将所述多个矩阵输入到预设的预测模型中，得到所述预设模型输出的输出矩阵，所述输出矩阵包括多行数据；

[0015] 特征提取模块，用于通过卷积计算提取所述输出矩阵的特征；

[0016] 加权特征获取模块，用于采用注意力机制，为所述输出矩阵的每行数据赋予不同的权重，得到所述输出矩阵的加权特征；

[0017] 地震预测结果获取模块，用于将所述输出矩阵的加权特征输入到所述预测模型中，得到所述预设范围内的地震预测结果。

[0018] 第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实
现如上述第一方面所述的方法。

[0019] 第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的方
法。

[0020] 第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中所述的方法。

[0021] 本申请实施例与现有技术相比存在的有益效果是：在本申请实施例中，可以为采集到的地声数据赋予不同权重，并采用加权后的数据进行地震预测。上述权重可以是基于
注意力机制，通过模型训练得到的。由于注意力机制在本质上是关注重要信息，忽略无关信
息，因此采用注意力机制为地声数据赋予权重，能够有效反映历史数据对地震预测的不同
程度的影响，使得对预测结果影响较大的历史地震数据被分配到更大的权重，影响较小的
数据则分配到较小的权重。本申请实施例兼顾了不同数据对地震预测结果的影响程度的不
同，提高了地震预测的准确性。

附图说明

[0022] 为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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本申请的一些
实施例，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，还可以根据这些附
图获得其他的附图。

[0023] 图1是本申请一实施例提供的一种基于深度学习的地震预测方法的流程示意图；

[0024] 图2是本申请另一实施例提供的一种基于深度学习的地震预测方法的流程示意图；

[0025] 图3是本申请又一实施例提供的一种基于深度学习的地震预测方法的流程示意图；

[0026] 图4是本申请实施例提供的一种基于深度学习的地震预测系统的结构示意图；

[0027] 图5是本申请实施例提供的一种终端设备的结构示意图。

具体实施方式

[0028] 以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体
细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、电路以及
方法的详细说明，以免不必要的细节妨碍本申请的描述。

[0029] 应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、
步骤、操作、元素、组件和/或其集合的存在或添加。

[0030] 还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

[0031] 如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确
定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响
应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

[0032] 另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

[0033] 在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书
中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、
“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是
所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变
形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

[0034] 在进行地震预测时，传统时间序列预报模型如自回归（Autoregressive，AR）模型、滑动平均（Moving Average，MA）模型以及自回归滑动平均（Autoregressive Moving 
Average，ARMA）模型等都是线性模型，并不能满足实际应用的需求。因而可以采用非线性模
型，比如深度学习算法进行地震预测。本发明提供了一种基于深度学习的地震预测方法，该
方法能够根据地声数据预测地震强度和地理位置。

[0035] 图1是本申请一实施例提供的一种基于深度学习的地震预测方法的流程示意图。本实施例的执行主体为终端设备。如图1所示，所述方法可以包括：

[0036] S101，将预设范围内用于地震预测的地声数据处理为矩阵序列，所述矩阵序列中包括按照时间顺序排列的多个矩阵。

[0037] 具体地，上述地声数据可以为预设范围内各个记录点的地声，记录点是指检测地震数据的地方，记录点的位置可以用经纬度表示。地声可以为采用多分量地震监测系统在
各个记录点监测到的地声的各个频段的数据。本方法中采用的地声数据可以为各个频段的
地声数据，也可以为一个频段的地声数据，比如低频地声值。

[0038] 具体地，用于地震预测的地声数据可以为预设范围内预设时间周期内的数据。在预设时间周期内，可以多次采集到各个记录点的地声数据，以及各个记录点的地震数据。针
对每次数据时间点，可以将多个记录点的地震数据处理为一个矩阵，将这些矩阵按照时间
顺序排列，组合成矩阵序列。

[0039] S102，按照所述时间顺序，依次将所述多个矩阵输入到预设的预测模型中，得到所述预设模型输出的输出矩阵，所述输出矩阵包括多行数据。

[0040] 具体地，按照时间顺序，将各个矩阵依次输入到预设的预测模型中，然后得到每个矩阵对应的输出结果，再将输出结果组合成对应的输出矩阵。

[0041] 具体地，上述预测模型可以采用深度学习算法，例如可以采用循环神经网络算法。

[0042] 优选地，上述预测模型可以为长短期记忆网络（LongShort ‑TermMemory，LSTM）。在长短期记忆网络中，每输入一个变量，可以得到一个对应的输出变量。将矩阵序列中的每
个矩阵按照时间顺序依次输入到长短期记忆网络中，分别得到每个矩阵的输出结果，然后
将所有矩阵的输出结果组合起来，得到输出矩阵。具体地，当矩阵序列中的第一个矩阵输入
到长短期记忆网络中时，长短期记忆网络可以对第一个矩阵序列进行处理，得到输出结果，
输出结果中包含了第一个矩阵的信息；当矩阵序列中的第二个矩阵输入到长短期记忆网络
中时，第二个矩阵和第一个矩阵的输出结果连接成新的向量，长短期记忆网络可以对新的
向量进行处理，得到输出结果，输出结果中包含了第二个矩阵的信息；以此类推，当矩阵输
入到长短期记忆网络中时，该矩阵与上一个矩阵的输出结果连接成新的向量，长短期记忆
网络可以对新的向量进行处理，得到输出结果，输出结果中包含了该矩阵的信息。采用长短
期记忆网络，可以避免神经网络在迭代后期梯度消失，从而能提高地震预测的准确度。

[0043] 这样，将矩阵序列中的每个矩阵都输入到预测模型中后，可以将每个矩阵对应的输出结果组合成输出矩阵，这个输出矩阵中包含了矩阵序列中所述有矩阵所携带的信息。

[0044] S103，通过卷积计算提取所述输出矩阵的特征。

[0045] 具体地，输出矩阵可以包括多行，输出矩阵中的每行表征一个处理后的地声数据，对输出矩阵进行卷积计算，从而获取到矩阵中每个参数的特征，相当于获取每个用于进行
地震预测的地声数据的特征。

[0046] S104，采用注意力机制，为所述输出矩阵的每行数据赋予不同的权重，得到所述输出矩阵的加权特征。

[0047] 具体地，用于地震预报的数据对地震预测结果的影响是不同的。例如，用于预报的地声数据距离预测的地震事件越近，对地震预测的结果影响力越大。但是这一特征在神经
网络，例如长短期记忆网络中并不能体现出来。基于此，本实施例中采用了注意力机制，为
每个用于地震预测的数据赋予了不同的权重，从而使得用于地震预测的不同数据对地震预
测的结果的具有不同的影响力。注意力机制可以从众多信息中选择出对当前任务目标更关
键的信息，因此，采用注意力机制，可以使得对地震预测影响更大的数据具有更高的权重，
从而能在地震预测中关注重要信息，忽略无关信息。

[0048] 具体地，可以根据输出矩阵每行的特征，为输出矩阵每行分配不同的权重，相当于为每个地声数据分配了不同的权重。然后将输出矩阵的每行分别与所对应的权重相乘，得
到输出矩阵的加权特征。

[0049] S105，将所述输出矩阵的加权特征输入到所述预测模型中，得到所述预设范围内的地震预测结果。

[0050] 具体地，将输出矩阵的加权特征输入到预测模型中，预测模型根据输出矩阵中所携带的不同权重的各个地声数据，然后进行计算，得到预设范围内的地震预测结果。

[0051] 在本申请中，相当于先采用预测模型对地声数据进行预处理，得到一个包含所有地声数据信息的输出矩阵，再采用注意力机制为输出矩阵中的每个地声数据赋予不同的权
重值，从而使得每个地声数据在地震预测过程中的影响程度不同，突出对地震预测影响更
大的地声数据，忽略其中无关的信息，使得预报结果更加准确。

[0052] 图2是本申请一实施例提供的一种基于深度学习的地震预测方法的流程示意图。如图2所示，所述方法可以包括：

[0053] S201，将预设范围内用于地震预测的地声数据处理为矩阵序列，所述矩阵序列中包括按照时间顺序排列的多个矩阵。

[0054] 在进行地震预测之前，可以对长短期记忆网络进行训练，从而建立地震预测模型和地震动烈度系数计算模块。示例性地，可以获取预设范围内包括多个记录点过去一年内
每天的地声数据和地震状况的本数据集，然后将数据集划分为训练集和验证集。

[0055] 长短期记忆网络中可以通过门（gates）结构实现添加或者删除信息。门选择性地让信息通过，通过一个sigmoid的神经层和逐点相乘来实现。sigmoid层输出的向量每个元
素都大于0小于1，表示让对应信息通过的权重（或者占比）。0表示“不让任何信息通过”，1表
示“让所有信息通过”。长短期记忆网络可以通过遗忘门、输入门和输出门进行数据处理。长
短期记忆网络的每个门都包括对应的计算公式，用于决定数据信息的保留、遗弃和更新。在
进行训练时，每次输入训练数据后，可以将输出结果与对应的验证数据进行比较，从而调整
长短期记忆网络中各个门的计算公式，然后输入下一个训练数据，在根据下一个输出结果
和对应的验证数据再次更新长短期记忆网络。长短期记忆网络属于循环神经网络，通过加
入输入门、遗忘门和输出门，使得网络自循环的权重可以变化，从而能够保留长时间的信
息。

[0056] 在进行地震预测时，用于地震预测的地声数据的时间不同，对地震结果的影响也不同；地声数据采集的记录点不同，对地震结果的影响也不同。换言之，地声数据在各个维
度上的数据，对地震预测结果的影响一般是不同的。基于此，可以赋予每个地声数据不同的
权重，从而提高地震预测的准确度。

[0057] 具体地，预设范围中可以包括多个记录点，每个记录点均可以检测到地声数据，可以获取每个记录点在各个时间点的地声数据。然后对于每个时间点，将各个记录点的地声
数据处理为一个矩阵，将这些矩阵按照时间点的先后顺序，组合成矩阵序列。例如，可以检
测半径100公里范围内每天的地声数据，然后将每天的地声数据处理为一个矩阵。

[0058] S202，按照所述时间顺序，依次将所述多个矩阵输入到预设的预测模型中，得到所述预设模型输出的输出矩阵，所述输出矩阵包括多行数据。

[0059] 在一个示例中，当矩阵序列中的第一个矩阵输入到长短期记忆网络中时，可以得到一个维度为m的列向量h_i；若矩阵序列中共有w个矩阵，则可以得到w个列向量，将这些列
向量按照时间顺序可以组合为一个输出矩阵H={h_t‑w，h_t‑w+1， ...，h_t‑1}。该输出矩阵
中的每列用于表征一个时间点，每行用于表征一个记录点。

[0060] S203，针对每个记录点，分别对所述记录点在多个时间点采集的地声数据进行卷积计算，得到所述预设范围内各个记录点的分布特征，所述分布特征包括所述各个记录点
的空间特征以及在所述每个记录点采集到的地声数据的时序关系。

[0061] 具体地，针对输出矩阵的每行，采用预设的卷积算法计算其特征，由于输出矩阵的每行表征一个记录点，相当于对每个记录点在多个时间点的地声数据进行卷积计算。卷积
处理后，不仅能够得到时序关系，还能够提取空间特征。相当于将状态与状态之间的切换换
成了卷积计算。

[0062] S204，基于所述各个记录点的分布特征，分别计算每个记录点的数据影响权重。

[0063] 具体地，利用sigmoid函数（该函数输出0到1之间的值）对矩阵H进行归一化，得到注意力权重，便于选择多变量：

[0064] αi= sigmoid(f(HiC，ht))

[0065] 其中，αi表示第i行的权重，HiC表示输出矩阵H的第i行的特征，ht表示t时刻的列向量。

[0066] S205，将所述每个记录点的数据影响权重与对应的输出矩阵的每行相乘，得到所述输出矩阵的加权特征。

[0067] 具体地，利用注意力权重，对矩阵H每行做加权求和，得到向量vt：

[0068]

[0069] 向量vt即为输出矩阵的加权特征。

[0070] S206，将所述输出矩阵的加权特征输入到所述预测模型中，得到所述预设范围内的地震预测结果。

[0071] 具体地，将输出矩阵的加权特征作为预测模型的输入，最终获得预测结果。地震预测结果中可以包括每个记录点的地震状况；也可以是该预设范围内是否会发生地震以及地
震的震中位置。

[0072] 在本实施例中，是基于每个记录点进行数据采集和建模的，对每个记录点的数据进行卷积计算，提取每个记录点的空间特征和时序特征，然后基于每个记录点的时间特征
和空间特征，赋予每个记录点不同的权重，相当于在地震预测过程中既考虑了不同记录点
对地震预测结果的影响不同，又兼顾了不同时间点的地声数据对地震预测结果的影响不
同，相当于赋予了每个地声数据不同的影响权重，从而突出了重要信息，忽略了次要信息，
提高了地震预测的准确度和效率。

[0073] 图3是本申请一实施例提供的一种基于深度学习的地震预测方法的流程示意图。如图3所示，所述方法可以包括：

[0074] S301，将预设范围内用于地震预测的地声数据处理为矩阵序列，所述矩阵序列中包括按照时间顺序排列的多个矩阵。

[0075] S302，按照所述时间顺序，依次将所述多个矩阵输入到预设的预测模型中，得到所述预设模型输出的输出矩阵，所述输出矩阵包括多行数据。

[0076] S303，通过卷积计算提取所述输出矩阵的特征。

[0077] S304，采用注意力机制，为所述输出矩阵的每行数据赋予不同的权重，得到所述输出矩阵的加权特征。

[0078] 本实施例中的S301‑S304与前述实施例中的S101‑104相似，可以相互参考，在此不赘述。

[0079] S305，获取所述预测模型对所述矩阵序列进行处理输出的最后一个输出结果。

[0080] 具体地，将矩阵输入到长短期记忆网络中时，该矩阵与上一个矩阵的输出结果连接成新的向量，长短期记忆网络可以对新的向量进行处理，得到输出结果，由此可以可见，
每个矩阵的输出结果中都携带着前面所有的矩阵的信息。因此，最后一个矩阵的输出结果
相当于包含着所有矩阵的输出结果。此步骤中获取该矩阵序列得到的最后一个输出矩阵进
行最后的处理，相当于考虑到了所有的地声数据，使得结果能够更加准确。

[0081] S306，将所述最后一个输出结果与所述加权特征进行融合，得到融合数据。

[0082] 具体地，最后一个输出结果为一个列向量，加权特征为一个向量，可以将两个向量相乘，从而得到融合数据。

[0083] S307，采用所述预测模型对所述融合数据进行计算，得到所述预设范围内的地震预测结果。

[0084] 具体地，将该融合数据输入到已经训练好的长短期记忆网络预测模型中，得到最后的地震预测结果。

[0085] 在本实施例中，最后一个输出结果中已经包含了对数据进行处理后的所有数据信息，不会忽略掉长时间信息；另一方面，加权特征放大了对预测结果影响更大的数据，利用
二者的融合数据进行最后的预测，可以提高地震预测的准确度。

[0086] 图4是本申请一实施例提供的一种基于深度学习的地震预测系统的结构示意图，如图4所示，所述系统包括：

[0087] 地声数据处理模块41，用于将预设范围内用于地震预测的地声数据处理为矩阵序列，所述矩阵序列中包括按照时间顺序排列的多个矩阵；

[0088] 地声矩阵获取模块42，用于按照所述时间顺序，依次将所述多个矩阵输入到预设的预测模型中，得到所述预设模型输出的输出矩阵，所述输出矩阵包括多行数据；

[0089] 特征提取模块43，用于通过卷积计算提取所述输出矩阵的特征；

[0090] 加权特征获取模块44，用于采用注意力机制，为所述输出矩阵的每行数据赋予不同的权重，得到所述输出矩阵的加权特征；

[0091] 地震预测结果获取模块45，用于将所述输出矩阵的加权特征输入到所述预测模型中，得到所述预设范围内的地震预测结果。

[0092] 上述地声数据处理模块41可以包括：

[0093] 矩阵获取子模块，用于针对每个时间点，将在所述时间点采集到的所述多个记录点的地声数据，处理为一个矩阵；

[0094] 矩阵序列确定子模块，用于按照所述每个时间点的先后顺序，将处理得到的多个矩阵组合成所述矩阵序列。

[0095] 上述地声数据处理模块41包括：

[0096] 第一输入子模块，用于将所述矩阵序列中的第一个矩阵输入到所述预测模型中；

[0097] 第一输出子模块，用于采用所述预测模型对所述第一个矩阵进行数据处理，得到第一输出结果；

[0098] 第二输入子模块，用于将所述矩阵序列中的第二个矩阵输入到所述预测模型中；

[0099] 数据连接子模块，用于根据所述第一输出结果和所述第二个矩阵获得连接数据；

[0100] 第二输出子模块，用于采用所述预测模型对所述连接数据进行处理，得到第二输出结果，直到得到与所述矩阵序列中的每个矩阵对应的输出结果；

[0101] 输出矩阵确定子模块，用于将全部输出结果，组合成所述输出矩阵。

[0102] 上述第一输出子模块可以包括：

[0103] 遗忘处理单元，用于采用所述遗忘门对所述第一个矩阵中的数据进行丢弃处理，获得保留数据；

[0104] 输入处理单元，用于采用所述输入门从所述保留数据中获取待处理数据；

[0105] 输出处理单元，用于采用所述输出门对所述待处理数据进行处理，得到所述第一输出结果。

[0106] 上述特征提取模块43可以包括：

[0107] 特征计算子模块，用于针对每个记录点，分别对所述记录点在多个时间点采集的地声数据进行卷积计算，得到所述预设范围内各个记录点的分布特征，所述分布特征包括
所述各个记录点的空间特征以及在所述每个记录点采集到的地声数据的时序关系。

[0108] 上述加权特征获取模块44包括：

[0109] 权重计算子模块，用于基于所述各个记录点的分布特征，分别计算每个记录点的数据影响权重；

[0110] 加权特征确定子模块，用于将所述每个记录点的数据影响权重与对应的输出矩阵的每行相乘，得到所述输出矩阵的加权特征。

[0111] 上述地震预测结果获取模块45包括：

[0112] 最后一个输出结果确定子模块，用于获取所述预测模型对所述矩阵序列进行处理输出的最后一个输出结果；

[0113] 融合数据获取子模块，用于将所述最后一个输出结果与所述加权特征进行融合，得到融合数据；

[0114] 地震预测结果获取子模块，用于采用所述预测模型对所述融合数据进行计算，得到所述预设范围内的地震预测结果。

[0115] 图5为本申请一实施例提供的终端设备的结构示意图。如图5所示，该实施例的终端设备5包括：至少一个处理器50（图5中仅示出一个）、存储器51以及存储在所述存储器51
中并可在所述至少一个处理器50上运行的计算机程序52，所述处理器50执行所述计算机程
序52时实现上述任意各个方法实施例中的步骤。

[0116] 该终端设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的举例，并不构成对终端设备5的限定，可以包括比图示更多或更少的
部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备
等。

[0117] 所称处理器50可以是中央处理单元(CentralProcessingUnit，CPU)，该处理器50还可以是其他通用处理器、数字信号处理器 (DigitalSignalProcessor，DSP)、专用集成电
路  (ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列 (Field‑
ProgrammableGateArray，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、
分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器
等。

[0118] 所述存储器51在一些实施例中可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51在另一些实施例中也可以是所述终端设备5的外部存储
设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡（SmartMediaCard，SMC），安全
数字（SecureDigital，SD）卡，闪存卡（FlashCard）等。进一步地，所述存储器51还可以既包
括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储操作系统、
应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序
代码等。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。

[0119] 需要说明的是，上述系统/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此
处不再赘述。

[0120] 所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的
功能单元、模块完成，即将所述系统的内部结构划分成不同的功能单元或模块，以完成以上
描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可
以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的
单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单
元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统
中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0121] 本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步
骤。

[0122] 本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端执设备行时实现可实现上述各个方法实施例中的步骤。

[0123] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方
法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程
序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个
方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以
为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可
以包括：能够将计算机程序代码携带到拍照系统/终端设备的任何实体或系统、记录介质、
计算机存储器、只读存储器（ROM，Read‑OnlyMemory）、随机存取存储器（RAM，
RandomAccessMemory）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟
或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信
号和电信信号。

[0124] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

[0125] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟
以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员
可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出
本申请的范围。

[0126] 在本申请所提供的实施例中，应该理解到，所揭露的系统/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的系统/网络设备实施例仅仅是示意性的，例如，所
述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如
多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另
一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，系统
或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

[0127] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个
网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目
的。

[0128] 以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各
实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改
或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应
包含在本申请的保护范围之内。