Page 96 - 2024年第55卷第8期

图 ８ 地震发生第 １０ｓ的三种虚拟传感器感知信号与物理传感器信号对比
５．２ ＴＦ层对地震长时序预测精度的改进效果分析 通过对比 ＴＦＡ － Ｓｅｑ２Ｓｅｑ和无 ＴＦ层改进的虚拟传
感器在不同时序长度下的预测精度，分析所提出 ＴＦ层对长时序预测精度的改进效果。图 ９展示了在
２
不同时序长度输入时，ＴＦＡ － Ｓｅｑ２Ｓｅｑ和 Ａ － Ｓｅｑ２Ｓｅｑ的 Ｒ、ＭＳＥ、ＭＡＥ和 ＲＭＳＥ。其中，ＴＦＡ － Ｓｅｑ２Ｓｅｑ在
２
输入输出时序长度为 １０００、１５００和 ２０００的情况下均能保持 Ｒ ＞０．９５且 ＭＳＥ＜０．０１，ＴＦＡ － Ｓｅｑ２Ｓｅｑ预
测的时序长度为 １５００和 ２０００时性能几乎一致；而无 ＴＦ层改进的 Ａ － Ｓｅｑ２Ｓｅｑ仅能在输入输出序列长
２
度低于 １５０时保持 Ｒ＞０．９，且其在序列长度为 １００时的预测精度依然低于 ＴＦＡ － Ｓｅｑ２Ｓｅｑ。其原因是基
于 ＬＳＴＭ、ＧＲＵ及基于此类模型的 Ｓｅｑ２Ｓｅｑ一般仅能在短时序预测中保持较高的精度，难以完成超过
２００个时间步的时序预测任务。对于地震信号感知任务，加速度传感器的采样率通常在 １００～２００Ｈｚ，显
然此类模型难以适用。而采用 ＴＦ层改进后，基于 ＴＦＡ － Ｓｅｑ２Ｓｅｑ的虚拟传感器可以在输入输出的序列
长度为 ２０００时保持很高的性能，即可以在 ２００Ｈｚ采样率的场景下提前预测 ５～１０ｓ的地震信号，具有显
著优势。

图 ９ 不同时序长度对虚拟传感器精度的影响

５．３ 注意力机制的改进效果分析 为分析注意力机制对虚拟传感器的结果影响，导出了 ＴＦＡ － Ｓｅｑ２Ｓｅｑ
虚拟传感器注意力权重用于结果分析，其中第 １０ｓ和第 ２０ｓ的注意力权重如图 １０所示。从中可看出，
虚拟传感器对三个方向的地震加速度信号的注意力权重完全不同，且权重较大的时间步都呈现出集中
在某一个时段的情况。其原因是虚拟传感器在获取物理传感器检测的信号后分析出其中某一时刻出现
远超正常数值的加速度，进而对其赋予较高的注意力权重，使其对后续时间序列预测结果的影响更
大。此外，物理传感器在三个方向监测到的地震峰值加速度（ ＰＧＡ）的出现时刻不同，导致了图 １０中
同一时刻各个方向的虚拟传感器注意力权重的不同。

— ９ ７ —
４