Шымкент
master student, Department of Information systems and modeling
Shymkent
Шымкент
corresponding author, PhD, Professor, Department of Information systems and modeling
Shymkent
Шымкент
candidate of technical science, Professor, Department of Computer science
Shymkent
Шымкент
candidate of technical science, Associate Professor, Department of Information systems and modeling
Shymkent
Куала-Лумпур
PhD, Associate Professor, Faculty of Computer Science and Information Technology
Kuala Lumpur
Интерпретация сейсмических волновых данных в режиме реального времени имеет важное значение для мониторинга динамики сигналов и выявления аномальной активности. Однако прогнозирование сейсмических амплитуд остаётся сложной задачей, поскольку сейсмические сигналы характеризуются высокой изменчивостью, шумом и нестационарностью. В данном исследовании представлен автоматизированный, устойчивый к пропускам конвейер прогнозирования амплитуд сейсмических сигналов на минутном уровне в реальном времени на основе волновых данных IRIS FDSN, а также строгое, статистически обоснованное сравнение семи моделей прогнозирования: наивной модели (persistence), ARIMA, Ridge-регрессии, HistGradientBoosting, стандартной GRU, LSTM и регуляризованной GRU, основанной на физических принципах (PI-GRU), которая добавляет в функцию потерь ограничения временной гладкости и штраф за нереалистичный рост амплитуды. Модели были оценены на 81 независимом, неперекрывающемся окне прогнозирования, отобранном из непрерывного 91-дневного периода наблюдений, для четырёх горизонтов (5, 15, 30 и 60 минут); оценка включала парные непараметрические тесты статистической значимости, количественное абляционное исследование и тестирование устойчивости к шуму и пропускам данных, а основные результаты были дополнительно проверены при альтернативной peak-priority агрегации сигнала. Классические модели, в особенности Ridge-регрессия и HistGradientBoosting, показали статистически значимо более низкую ошибку прогнозирования по сравнению со всеми нейросетевыми моделями (тесты Фридмана и Уилкоксона с поправкой Холма, p<0.0001) и продемонстрировали устойчивость к синтетическому шуму и пропускам данных, тогда как предложенная модель PI-GRU, вопреки ожиданиям, показала наихудший результат среди всех моделей и не позволила получить более сглаженные траектории прогноза по сравнению с нерегуляризованной базовой GRU. Мы сообщаем об этом как о честном отрицательном результате, не скрывая его: в текущей конфигурации рассмотренная в этой работе физически обоснованная регуляризация не демонстрирует преимущества в точности или устойчивости по сравнению с классическими методами машинного обучения. Основным вкладом данной работы являются сам автоматизированный конвейер прогнозирования в реальном времени и воспроизводимая, строгая методология оценки, а также конкретные, проверяемые гипотезы относительно того, почему нейросетевые модели показали худший результат и как это можно улучшить в дальнейшей работе.
Real-time interpretation of seismic waveform data is essential for monitoring signal dynamics and detecting abnormal activity. However, forecasting seismic amplitudes remains challenging because seismic signals are highly variable, noisy, and non-stationary. This study presents an automated, gap-aware real-time forecasting pipeline for minute-level seismic signal amplitudes built on IRIS FDSN waveform data, together with a rigorous, statistically grounded comparison of seven forecasting models: Naive persistence, ARIMA, Ridge regression, HistGradientBoosting, a standard Gated Recurrent Unit (GRU), an LSTM, and a physics-inspired regularized GRU (PI-GRU) that adds temporal smoothness and amplitude-growth constraints to the training loss. Models were evaluated on 81 independently sampled, non-overlapping forecasting windows drawn from a continuous 91-day observation period across four horizons (5, 15, 30, and 60 minutes), using paired non-parametric significance testing, a quantitative ablation study, and noise- and missing-data robustness testing, and the main findings were additionally verified under an alternative peak-priority signal aggregation. Classical models, particularly Ridge regression and HistGradientBoosting, achieved significantly lower forecasting error than every neural model tested (Friedman and Holm-corrected Wilcoxon tests, p<0.0001) and were robust to synthetic noise and missing data, while the proposed PI-GRU was, contrary to expectation, the weakest-performing model overall and did not produce smoother forecast trajectories than an unregularized baseline GRU. We report this as an honest negative result: as currently configured, the physics-inspired regularization examined here does not demonstrate an accuracy or stability advantage over classical machine learning baselines for this task. The principal contributions of this work are the automated real-time forecasting pipeline itself and a reusable, rigorous evaluation methodology, together with specific, testable hypotheses - concerning hyperparameter tuning, training budget, and calibration of the physics-inspired constraint - for why the neural models underperformed and how this might be addressed in future work.
The authors declare that there are no conflicts of interest present.