基于神经负二项回归的周度地震预测：单元离散度估计与尾部风险评估
地球物理
2026-05-21 v1 机器学习
机器学习
摘要
标准的地震weekly数量预测方法依赖于单一全局离散度假设的泊松分布。我们指出，该假设在中亚（2010-2024）的地震数据中被系统性违反，其中采用带边界校正的似然比检验强烈地拒绝泊松假设（p < 10^{-179}）。本文的主要贡献是EarthquakeNet架构，通过神经网络（空间嵌入+MLP）提供每个单元的过离散参数alpha的内生估计，无需显式指定空间协方差。与现有地震预测中典型假设单一全局alpha的负二项回归方法不同，本文的 per-cell 方案使模型能够识别地震聚类中的空间异质性，并通过预测分布的分位数构建概率风险感知警报。四个系统的步进评估（2018-2023）显示，相对于负二项GLM基线，平均pinball偏差（MPD）降低8.6%。在尾部 regime（Y >= 5）中，提出模型的连续排序概率得分（CRPS）比基线低12.5%，表明在极端事件预测中的校准显著改善。
引用
@article{arxiv.2605.21437,
title = {Neural Negative Binomial Regression for Weekly Seismicity Forecasting: Per-Cell Dispersion Estimation and Tail Risk Assessment},
author = {Alim Igilik},
journal= {arXiv preprint arXiv:2605.21437},
year = {2026}
}
备注
28 pages, 9 figures. Source code available at https://github.com/Al1mkaYandere/seismic-probabilistic-modeling