Time Series and Data Science Preprocessing Approaches for Earthquake Analysis

Abstract

Time series are frequently used today to analyze data that changes over time and to predict future trends. Usage areas of time series data include many applications such as financial market forecasts, weather forecasts, sales forecasts, medical diagnostics and stock management. Among the methods, there are techniques such as autoregressive integration, moving average, long-short-term memory neural network, time series condensation, wavelet transform and Frequency Domain. These techniques are chosen depending on the characteristics of the time series data and their intended use. For example, the ARIMA model is used for variable variance and non-stationary time series, while the LSTM model may be more suitable for capturing long-term dependencies. In this article, it has been tried to prove that time series based artificial intelligence systems can be built on fault movements, which are very difficult to predict on earthquake time series data, and it is quite possible to get useful results. In particular, deep learning methods are among the prominent methods in the article. Deep learning methods are used to detect complex structures and analyze large datasets to produce accurate results. These methods include multilayer perceptrons, long-short-term memory neural network, and radial-based function network. It is also emphasized that factors such as the selection of features used in earthquake prediction, data preprocessing, feature engineering and correct model selection are also important. As a result, the use of artificial intelligence techniques on earthquake time series data has great potential in estimating earthquake risk. Deep learning methods perform better, especially for large datasets, and more accurate results can be obtained with the right model selection. However, factors such as data preprocessing and feature selection also need to be considered.

Keywords

• API
• Data Science
• Earthquake

Deprem Analizi için Zaman Serileri ve Veri Bilimi Ön İşleme Yaklaşımları

Öz

Zaman serileri günümüzde zaman içinde değişen verileri analiz etmek ve gelecekteki eğilimleri tahmin etmek için sık biçimde kullanılır. Zaman serisi verilerinin kullanım alanları arasında finansal piyasa tahminleri, hava durumu tahminleri, satış tahminleri, tıbbi teşhisler ve stok yönetimi gibi birçok uygulama yer almaktadır. Yöntemler arasında ise otoregresif entegrasyon hareketli ortalama, uzun-kısa vadeli bellekli sinir ağı, zaman serisi yoğunlaştırması, dalgacık dönüşümü ve Frekans Domaini gibi teknikler yer almaktadır. Bu teknikler, zaman serisi verilerinin özelliklerine ve kullanım amaçlarına bağlı olarak seçilir. Örneğin, ARIMA modeli, değişken varyanslı ve durağan olmayan zaman serileri için kullanılırken, LSTM modeli, uzun vadeli bağımlılıkları yakalamak için daha uygun olabilir. Bu makale, deprem zaman serisi verileri üzerinde tahmin etmesi oldukça güç olan fay hareketleri üzerine zaman serisi tabanlı yapay zeka sistemleri kurgulanabileceğini ve faydalı sonuçlar almanın oldukça mümkün olduğu kanıtlanmaya çalışılmıştır. Özellikle, makalede öne çıkan yöntemler arasında derin öğrenme yöntemleri yer almaktadır. Derin öğrenme yöntemleri, karmaşık yapıları algılamak ve doğru sonuçlar üretmek için büyük veri kümelerini analiz etmek için kullanılır. Bu yöntemler arasında, çok katmanlı perceptronlar, uzun-kısa vadeli bellekli sinir ağı ve radyal bazlı fonksiyon ağı yer almaktadır. Ayrıca, deprem tahmininde kullanılan özelliklerin seçimi, veri ön işleme, özellik mühendisliği ve doğru model seçimi gibi faktörlerin de önemli olduğu vurgulanmaktadır. Sonuç olarak, deprem zaman serisi verileri üzerinde yapay zeka tekniklerinin kullanımı, deprem riskinin tahmin edilmesinde büyük bir potansiyele sahiptir. Derin öğrenme yöntemleri, özellikle büyük veri kümeleri için daha iyi performans gösterir ve doğru model seçimi ile daha doğru sonuçlar elde edilebilir. Ancak, veri ön işleme ve özellik seçimi gibi faktörlerin de dikkate alınması gerekmektedir.

Anahtar Kelimeler

• API
• Veri Bilimi
• Deprem

References

1. A. Raiyani, A, A. Lathigara, M. Mehta. Usage of time series forecasting model in Supply chain sales prediction. In IOP Conference Series: Materials Science and Engineering (Vol. 1042, No. 1, p. 012022) Publishing. 2020.
2. Q. Wen, T. Zhou, C. Zhang, W. Chen, Z. Ma, Z. Yan, L. Sun. Transformers in time series: A survey. arXiv preprint arXiv:2202.07125. 2022.
3. U. Özkaya, Ş. Öztürk. Gaussian Regression Models for Day-Level Forecasting of COVID-19 in European Countries. Understanding COVID-19: The Role of Computational Intelligence, 339-356.2022.
4. Z. Zheng, Z. Wu, Y. Chen, C. Guo, F. Marinello. Instability of remote sensing based ecological index (RSEI) and its improvement for time series analysis. Science of the Total Environment, 814, 152595. 2022.
5. Y. Xie, M. Ebad Sichani, J. E Padgett, R. DesRoches. The promise of implementing machine learning in earthquake engineering: A state-of-the-art review. Earthquake Spectra, 36(4), 1769-1801. 2020.
6. Online, available: koeri.boun.edu.tr/sismo/2/06-subat-2023-ml7-5-ekinozu-kahramanmaras-depremi/
7. H. Shah, R. Ghazali, N. M. Nawi. Using artificial bee colony algorithm for MLP training on earthquake time series data prediction. arXiv preprint arXiv:1112.4628. 2021
8. S. M. Mousavi, W. L. Ellsworth, W. Zhu, L. Y. Chuang, G. C. Beroza, G. Earthquake transformer—an attentive deep-learning model for simultaneous earthquake detection and phase picking. Nature communications, 11(1), 3952. 2020.

9. Online, available: www.analog.com/en/analog-dialogue/articles/understanding-the-fundamentals-of-earthquake-signal-sensing-networks.html
10. W. McKinney. Python for Data Analysis. "O'Reilly Media, Inc.".2022.
11. N. Zhang, X. Xu, L. Tao, H. Yu, H. Ye, X. Xie ,H. Chen, H. Deepke: A deep learning based knowledge extraction toolkit for knowledge base population. arXiv preprint arXiv:2201.03335. 2022.
12. J. Santos, A. N. Catapang, E. D. Reyta. Understanding the fundamentals of earthquake signal sensing networks. Analog Dialogue, 53(4). 2019.
13. M. Akpınar, N. Yumuşak. Günlük temelli orta vadeli şehir doğal gaz talebinin tek değişkenli istatistik teknikleri ile tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 35(2), 725-742. 2020.