前言：
{
这几天开始忙了，可能时间没有之前充裕，但是我尽量3天一更吧。
这篇论文的名称是《Machine Learning Predicts Laboratory Earthquakes》（机器学习预测实验室地震）[1]，读一读扩充一下视野。
}
正文：
{
在第一节，作者先介绍了经典的地震预测方法：基于地震的间隔时间来预测。但是，这种方法在最近的一段时间开始不靠谱了。而且受仪器进步的影响，最近10几年的发现了之前未被识别的地震新现象：慢滑移，低频地震和地球震颤[2]，这些新发现可能对预测地震有帮助。并且随着仪器越来越先进，也许最终我们能发现所有地震的先兆。
第二节的标题是材料与方法。在实验室中，当材料受力并接近失效时，它会显示出临界受力形态的相关特征，包括许多小的剪切失效，而从这种不稳定的状态可以推断出一次实验室地震。作者试图使用音频信号来预期失效剩余时间（即在最近一次失效前所剩的时间）。
在图1中，a部分的红线代表要预测的失效剩余时间；b部分的黑线代表用于训练的音频数据，黑线上面的虚线方框代表计算特征的移动窗口，黑线下面的三条线代表三种特征数据，每一个特征数据点由上面的音频数据根据对应的移动窗口而得到；c部分是预测用的随机森林，其对于每个移动窗口输出1000个决策树的预测的平均；d部分是结果对比，蓝线是预测值。
很显然，预测比较成功。不过图1只给出了部分特征数据，实际上作者一共计算过差不多100种特征数据（比如均值，方差，峰度和自相关性），并且之后做了特征筛选。
在[2]中，作者详细介绍了使用的特征和随机森林模型的结构。
使用的特征为：均值、方差、倾斜度、峰度、7个高阶矩、18个百分位数（1-9和91-99）、10个阈值特征（阈值分别为0.000000001、0.000000005、0.00000001、0.00000005、0.0000001和它们*-1）最大幅值和最小幅值、3个傅立叶频域特征（所属频段分别为19.65-20.65kHz、39.8-40.8kHz和80.1-81.1kHz）和2个自相关特征。更详细的特征信息请看[2]。另外，每个移动窗口的数据都被分为两份，所以对于每个训练数据点，都可以得到42*2=84个特征值。
随机森林模型的超参数是由基于3折交叉验证的网格搜索（我还不清楚网格搜索的意思，也许下一次的博客就介绍这个）得到的。随机森林包含1000个树，每个树的每个分支或叶子至少有30个样本，每次特征划分最多考虑40个特征。更详细的模型结构请看[2]。
在第三节，作者总结了实验。作者指出，上述模型只使用对应窗口中的数据来预测，而没有使用这前后的数据。作者发现，能够量化输入数据的幅度分布的统计数据（比如方差和高阶矩）对失效预测有很效果，其中方差在最初的时间（离地震还有点时间）是最强特征，替他特征在之后慢慢接近地震发生时间时也渐渐变得有用。
再放一张图。图4是由方差和峰值特征得到的随机森林模型（的输入输出）。
}
结语：
{
可以看到，作者在特征工程上还是下了功夫的，并没有使用深度学习。其实通过搜索（比如在谷歌学术里搜索“deep learning failure prediction”），你也能看到使用深度学习预测灾难或故障的例子，比如使用循环神经网络（门循环单元，GRUs）来预测心衰发作[3]，使用循环神经网络（长短期记忆，LSTM）来预测IT系统故障[4]。
很多都是自己的理解，如有错误欢迎指出。
参考资料：
{
[1] https://agupubs./doi/full/10.1002/GL074677
[2] https://agupubs./action/downloadSupplement?doi=10.1002%2FGL074677&file=grl56367-sup-0001-supinfo.pdf
[3] /docs/jamia.pdf
[4] https://sci-hub.tw//abstract/document/7840733
}
}
