一种专为 GNSS 位置时间序列预测设计的机器学习算法及其在离群值与异常检测及地震预测中的应用
信号处理
2020-06-17 v1
摘要
我们提出一种简单而高效的专为 GNSS 位置时间序列预测设计的监督机器学习算法。该算法包含四个步骤。第一，从时间序列中减去其均值。第二，去除时间序列中的趋势。第三，使用小波分离高频与低频。第四，导出若干频率，并利用单位矩阵与正弦、余弦函数的乘积，求得隐藏层与输出层之间的权重。该算法考虑了观测精度的作用。我们给出了对全球三千个 GNSS 站位置时间序列的大规模研究。考察了十七种不同的机器学习算法。以严格的 Theta 统计方法为基准检验了这些算法的精度水平。结果表明，除速度更快外，我们所提方法是最精确的机器学习算法。给出了该算法的两个应用。在第一个应用中，表明可利用所提算法检测并剔除时间序列中的离群值与异常。在大规模研究中，将十种其他时间序列离群值检测方法与该算法比较。研究显示所提算法在离群值检测上精确率高约 3.22%。在第二个应用中，考察了该算法对地震预测的适用性。给出了 2011 年东北（Tohoku）地震的案例研究。表明仅基于 845 个 GEONET 站各自的时间序列，该地震本可在发生前约 2 小时被预测。与四项不同研究的比较显示了在地震时间预测上的改进。
引用
@article{arxiv.2006.09067,
title = {A specifically designed machine learning algorithm for GNSS position time series prediction and its applications in outlier and anomaly detection and earthquake prediction},
author = {M. Kiani},
journal= {arXiv preprint arXiv:2006.09067},
year = {2020}
}