Seismic Data Forecasting: A Sequence Prediction or a Sequence Recognition Task

دراين مقاله، برزاشگر وفقي چند-متغيره با اسپلاين (مارس) براي پيش بيني زلزله بر اساس دو راهكار معمول در يادگيري دنباله، استفاده شده است. در سناريوي اول، كار به عنوان يك مساله-ي پيش بيني تعريف شده است، و مدل مارس به عنوان يك پيش بيني كننده استفاده شده است. در سناريوي دوم، همان كار از ديدگاه بازشناسي دنباله مورد بررسي قرار گرفته و مدل مارس، اين بار، به عنوان يك دسته بندي كننده ي دودويي به به كار رفته است كه نتايج آن مي تواند براي پيش بيني يك زلزله استفاده شود. نتايج اعمال روش ها به خوشه اي از داده هاي زلزله شناسي بر روي حلقه ي آتش اقيانوس آرام مشخص مي سازد كه مارس به عنوان دسته بندي كننده عملكرد بهتري از پيش بيني كننده ي مارس دارد. در واقع، در حالي كه هر دو راهكار عملي هستند، اما بهترين نتايج زماني حاصل مي شود كه مساله ي پيش بيني زلزله به عنوان يك كاربرد بازشناسي دنباله در نظر گرفته شود.

In this paper, the multivariate adaptive regression splines (MARS) is employed to predict earthquake events based on two common approaches in sequence learning. In the first scenario, the task is defined as a sequence prediction problem, and consequently the MARS model is used as a predictor. In the second scenario, the same task is considered as a sequence recognition problem and the model of MARS, this time, is used as a binary classifier with results that could alternatively help to predict an earthquake event. Forecasting results of applying the methods to a cluster of seismic data on pacific ring of fire indicate that MARS as a binary classifier outperforms the predictor MARS. In fact, while both approaches are plausible, the best results are achieved when the earthquake prediction problem is considered as a sequence recognition task.