DOI QR코드

DOI QR Code

Deep Learning-Based Spatio-Temporal Earthquake Prediction

딥러닝 기반의 시공간 지진 예측

  • Received : 2023.02.07
  • Accepted : 2023.03.14
  • Published : 2023.03.31

Abstract

Predicting earthquakes is difficult due to the complexity of the systems underlying tectonic phenomena and incomplete understanding of the interactions among tectonic settings, tectonic stress, and crustal components. The Korean Peninsula is located in a stable intraplate region with a low average seismicity of M 2.3. As public interest in the earthquake grows, we analyzed earthquakes on the Korean Peninsula by attempting to predict spatio-temporal earthquake patterns and magnitudes using Facebook's Prophet model based on deep learning, and here we discuss seismic distribution zones using DBSCAN, a cluster analysis method. The Prophet model predicts future earthquakes in Chungcheongbuk-do, Gyeonggi-do, Seoul, and Gyeongsangbuk-do.

지진은 지체 구조, 지구조 응력, 지각 성분 및 구성 요소 간의 상호 작용을 통해 발생하는 복잡한 현상으로 이해하기 매우 어려운 시스템이기 때문에 예측하기가 쉽지 않다. 우리나라는 평균 M 2.3의 비교적 안전한 지역으로 볼 수 있으나 지진에 대한 대중의 관심이 높아짐에 따라, 한반도의 지진현상을 분석하기 위하여 딥러닝 기반의 Facebook's Prophet 모델을 이용한 시간에 따른 지진패턴의 변화 및 공간과 규모에 따른 지진예측을 시도하였다. 또한, 진앙분포도 군집분석 방법인 DBSCAN과 비교 및 토의하였다. Prophet 지진 예측 모델링 결과 향후 경상북도뿐만 아니라 충청북도, 경기도 및 서울권역에서 지진이 발생할 것으로 예측되었다.

Keywords

서론

지진은 지각의 에너지가 방출되면서 지구 표면에서 발생하는 진동이나 충격파로 움직이는 판에 의해 가해지는 압력에 의해 생성된 에너지에 의해 발생한다. 지진은 특히 진앙에 가까운 지역에서 건물 붕괴 및 산사태 등 심각한 위험과 피해를 야기할 수 있으며 영향을 최소화하기 위해 정부와 주변 지역사회의 주요한 관심사가 되어야 한다. 지진을 분석하는 데 있어 완화와 대비는 여전히 매우 낮으며 계획적이고 체계적인 로드맵이 없다. 지진은 지체 구조, 구조 응력 및 구성 요소 간의 상호 작용을 통해 새로운 현상과 장애를 일으키는 복잡한 시스템이기 때문에 예측하기 어렵기 때문이다.

확률론적 지진재해도 분석을 위한 지진원에 대한 개념은 Cornell(1968)에 의해 도입되었으며 지진원은 일반적으로 점지진원, 선 지진원 및 면적 지진원으로 분류된다(Anderson and Trifunac, 1978). 점 지진원은 과거에 지진이 발생했던 지점에서 지진이 발생할 것으로 정의되며, 선 지진원은 활성단층과 같이 어떤 선상을 따라 지진이 발생할 것으로 정의된다. 면적 지진원은 지진원내의 모든 지점에서 지진발생 깊이, 지진발생 기작, 규모별 지진 발생률 및 최대 지진이 균일한 범위의 공간으로 규정된다. 국내에서는 원전 부지의 지진 안전성 평가를 위한 다수의 지진지체구조도 모델이 제시되었다. 국내의 여러 연구자들에 의해 제안된 지진지체구조도는 다양하나, 지진 및 구조지질 관련 자료의 불충분으로 대부분은 지질 구조도와 유사하다(Kim et al., 2017). Korea Institute of Nuclear Safety(KINS, 2010)는 한반도와 한반도 주변의 지각 두께, 지열류 및 해저지형 분포자료를 이용하여 5개의 구조구로 구성되는 지진지체구조 모델을 제안하였으나 지진활동과 관련된 자료들이 단지 참고로만 사용되었다는 점에서 진정한 의미의 지진지체구조 모델로 보기 어렵다. Geological Society of Korea(GSK, 2016)는 원전의 지진 안전성을 평가하기 위하여 한반도와 인접 지역의 지진활동 특성과 지구물리학적 자료 및 구조 지질학 및 활성단층을 기반으로 3개의 지진지체구조 모델을 작성하였으며, 각 구조구별로 발생 가능한 최대지진을 산정하였다. 기술한 바와 같이 균일한 지진활동도를 갖는 면적 지진원을 설정하기 위한 누구나 인정할 수 있는 객관적이고 합리적인 기법은 존재하지 않는다(Kim et al., 2017). 지진원 설정을 위해서는 지진학적, 지구물리학적 및 지질학적 자료 등 다수의 자료가 병합 되어야 하나, 이들 자료가 모든 지역에서 지진원을 분할할 수 있을 정도로 충분치 않으며, 이들 자료에 대한 해석이 연구자에 따라 다르며 분할방법도 주관적일 수밖에 없다(Weatherill and Burton, 2009). 지진원 설정에 있어서 가장 중요한 자료는 현재의 지진활동을 반영하는 진앙분포도이다. 이 진앙분포도에서 개개의 진앙들을 하나의 점 자료로 간주하여 이들을 그룹화하는 지진원을 설정하는 연구들로 Fuzzy cluster analysis(Ansari et al., 2015), Monte Carlo simulation(Ansari et al., 2015), triclustering(Martinez-Alvarez et al., 2015), K-means cluster analysis(Weatherill and Burton, 2009; Kim et al., 2017), density-based spatial clustering of applications with noise(DBSCAN)을 이용한 군집분석이 보고되었다(Scitovski, 2018; Fan and Xu, 2019; Bountzis et al., 2021).

기존의 지구통계학적 지진 연구방법으로 국내외적으로 군집분석을 이용한 연구들이 보고되었으며, 단지 진앙분포도만을 이용하였지만 수많은 논문에서 입증되었다시피 방법 자체는 통계학적으로 객관성이 충분하다고 할 수 있다. 그러나 딥러닝을 이용한 지진 데이터에서 직접적으로 시공간적으로 예측한 연구 논문은 국내외적으로 보고된 것이 없다. 우리나라는 평균 M 2.3의 비교적 안전한 지역으로 볼 수 있으나 최근 2016년 지진과 2017년 지진에서 M 2보다 강한 지진 발생 건수는 각각 254건(2016년), 223건(2017년)이었다. 2016년 9월 12일 경상북도 경주에서 M 5.8 지진이 발생해 지금까지 발생한 지진 중 가장 강력한 지진으로 기록되었다. 2017년 11월 15일 경상북도 포항에서 M 5.4 지진이 발생하였으며 우리나라에서 두 번째로 강한 지진이었다. 과거 한반도의 모든 지진에 비해 가장 큰 사회적 및 경제적 피해를 입었으며 연 이은 강진 및 여진으로 지진에 대한 대중의 관심이 높아짐에 따라, 이 연구에서는 한반도의 지진현상을 분석하기 위하여 딥러닝 기반의 Facebook’s Prophet 모델을 이용한 시간에 따른 지진패턴의 변화 및 공간과 규모에 따른 지진예측을 시도하였고 진앙분포도 군집분석 방법인 DBSCAN과 비교 및 토의하였다.

지진 데이터 분석

우리나라는 총 264개의 지진 측정소가 있으며 관측소의 종류는 95개의 광대역 지진계, 27개의 단주기 지진계, 142개의 가속도계로 분류된다. 기상청에서 제공하는 지진 데이터(https://data.kma.go.kr/)는 규모 2.0 이상의 지진데이터와 규모 2.0 미만의 미소지진 데이터를 분류하여 제공한다. 계측이 시작된 1978년 8월부터 2022년 8월까지 규모 2.0 이상의 한반도의 지진 규모와 위치 데이터를 활용하였다. 수집된 데이터는 지진의 날짜, 규모, 진앙(km), 위도 및 경도를 포함한다. 데이터 세트 중에서 지진의 위치나 규모에 대한 누락된 정보가 있는 데이터 세트가 제거되고 분석하였다. 1978년 8월부터 2022년 8월까지 2,074개의 지진이 발생하였으며 2018년도부터 2022까지는 391개, 2008년부터 2017년까지는 917개, 1998년도부터 2007년까지는 397개, 1988년부터 1997년까지는 206개, 1978년부터 1987년까지는 163개의 지진이 발생하였다(Fig. 1). 2000년도 이후로 지진이 급격하게 증가하는 양상을 보이며(Fig. 2) M 2.1 지진이 가장 많이 발생하였다(Fig. 3). Fig. 4는 2016년도와 2017년도의 지진이 가장 많이 발생한 것을 보여주며 kernel density estimation을 통해 경상북도 지역에 지진이 집중해서 발생하였고(Fig. 5), 경상북도 다음으로 충청남도, 경상남도 순으로 지진이 많이 발생하였다(Fig. 6).

JJGHBG_2023_v33n1_1_f0001.png 이미지

Fig. 1. Earthquake history in Korea: (a) all earthquakes 1978-2022 (2,074), (b) recent earthquakes, 2018-2022 (391), and older earthquakes by decade: (c) 2008-2017 (917), (d) 1998-2007 (397), (e) 1988-1997 (206), and (f) 1978-1987 (163).

JJGHBG_2023_v33n1_1_f0002.png 이미지

Fig. 2. Magnitudes of earthquakes from 1978 to 2022 with respect to time.

JJGHBG_2023_v33n1_1_f0003.png 이미지

Fig. 3. Frequency of earthquakes from 1978 to 2022 by magnitude.

JJGHBG_2023_v33n1_1_f0004.png 이미지

Fig. 4. Annual count (blue) and 10-year moving average (red) of earthquakes from 1978 to 2022.

JJGHBG_2023_v33n1_1_f0005.png 이미지

Fig. 5. Spatial distribution of earthquakes plotted using kernel density estimation from 1978 to 2022.

JJGHBG_2023_v33n1_1_f0006.png 이미지

Fig. 6. Earthquake history by city and province from 1978 to 2022.

Prophet 알고리즘

기존의 예측 모델은 시간적 순서가 존재하는 시계열 데이터를 분석하기 위해서 규칙적인 패턴을 파악하여 모델링하는 방법이 주로 사용되어 왔다. 특히, 시계열 분석을 통한 예측에서는 수치 모델링 및 통계적 모델링 등이 사용되어 왔으며 현재 인공지능 기술을 포함한 다양한 종류의 시계열 예측 기법이 제안되고 있다. 기존의 연구는 다중 회귀분석, 주성분 회귀 분석뿐만 아니라 인공 지능 기술인 심층신경망(deep neural network, DNN)을 사용하여 예측모형이 개발되어 왔다. 또한 다양한 예측 모형간의 예측 정확도를 비교하여, 심층신경망을 활용한 예측모형이 가장 뛰어난 예측 성능을 보이는 것으로 보고되었다. Facebook’s Prophet 모델(Taylor and Letham, 2018; Asha et al., 2020; Thiyagarajan et al., 2020; Xie et al., 2021; Kirpich et al., 2022; Wolff et al., 2022; Zhao et al., 2022)은 기본적으로 3개의 요소를 가지는 가산모델(additive model)로 구성되어 있다. Prophet 모델은 먼저 시간 데이터의 각종 특징을 임베딩(embedding)하여 s(t) 추정을 하고, 나머지 데이터를 사용하여 구간별 선형회귀분석을 진행한 후 최종 모델을 완성한다. Prophet 모델의 특징은 기본적으로 가산모델을 따르고 있지만 이벤트(event) 등 새로운 외부 변화가 있을 때 모델을 쉽게 다시 훈련시킬 수 있다는 점에 있다. 그리고 기존의 확률론적이고 이론적인 모델 기반 접근법인 ARIMA(auto regressive integrated moving average) 모델과 다르게 경험적 규칙(heuristic rule)을 사용 하고 있으며 결측 데이터와 추세 이동에 강하며 일반적으로 특이치 데이터를 모델링 하는 것에 강력한 성능을 보인다. 또한, 시계열 데이터의 정상성 및 정규성 등과 같은 엄격한 통계적 요구가 필요하지 않으며 인공지능 기반의 시계열 예측과 비교하여 모델링에 소요되는 시간이 적다는 장점이 있다.

Prophet을 이용한 지진 예측

기상청에서 제공하는 지진 데이터에서 1978년부터 2022년 8월까지 M 2.0 이상의 데이터 중 진앙 데이터는 2015년 이후부터 제공되어 2015년 1월부터 2022년 8월까지 데이터를 사용하였다. Facebook’s Prophet 모델을 사용하여 지진데이터에 대하여 학습 및 예측을 수행하였다. Table 1은 지진 예측 모델링에 사용한 변수 개요로 경도, 위도, 진앙 및 규모를 도시화 하였다. Fig. 7은 경도, 위도, 진앙 및 규모를 학습한 도표이며 Fig. 8은 2021년부터 2023년까지 시계열 지진 예측 결과를 시각화하였다. Fig. 9는 2022년 9월부터 2022년 12월까지 해양 지진을 포함한 실제 지진 데이터와 예측 결과를 맵핑하였으며, Fig. 10은 해양 지진을 제외한 2022년 10월부터 2022년 12월까지 실제 지진 데이터와 예측 결과를 맵핑하였다. Prophet 모델링을 시도한 시점(2022년 9월) 이후에 충북 괴산군 M 4.1 지진이 발생(2022년 10월 29일 08:27) 하였다. Table 2는 Prophet 모델을 이용한 2022년 10월 지진 예측 결과와 2022년 10월 29일 충청북도 괴산군에서 발생한 M 4.1 지진을 도표화하였다. 충북 괴산군 M 4.1 지진과 Prophet 모델을 이용한 2022년 10월 지진 예측 결과를 진앙과의 거리로 비교하였을 때 최소 26.056 km (2022년 10월 22일), 최대 105.587 km (2022년 10월 31일) 차이를 보였다(Table 2). 또한 2022년 10월 29일 지진 예측 결과는 63.966 km의 차이를 보였다(Table 2). Fig. 11은 2023년 1월부터 2023년 9월까지 Prophet 모델을 이용한 지진 예측 결과를 맵핑하였다. Prophet 모델링 결과 2023년에는 경상북도 뿐만 아니라 충청북도, 경기도, 및 서울권역에서 지진이 발생할 것으로 예측되었다(Fig. 11).

Table 1. Overview of variables used in seismic prediction modeling

JJGHBG_2023_v33n1_1_t0001.png 이미지

JJGHBG_2023_v33n1_1_f0007.png 이미지

Fig. 7. Training of historical earthquake data from 2015 to 2022 using Prophet: (a) magnitude, (b)epicenter, (c) latitude, and (d) longitude.

JJGHBG_2023_v33n1_1_f0008.png 이미지

Fig. 8. Earthquakes in 2021 to 2023 predicted using Prophet: (a) magnitude, (b) epicenter, (c) latitude, and (d) longitude.

JJGHBG_2023_v33n1_1_f0009.png 이미지

Fig. 9. Maps plotting actual (green) and predicted (red) earthquakes (including at sea) by month from September to December, 2022.

JJGHBG_2023_v33n1_1_f0010.png 이미지

Fig. 10. Maps plotting actual (green) and predicted (red) earthquakes (a) October 2022, (b) November 2022, (c) December.

Table 2. Distances between actual and predicted earthquakes

JJGHBG_2023_v33n1_1_t0002.png 이미지

JJGHBG_2023_v33n1_1_t0003.png 이미지

JJGHBG_2023_v33n1_1_f0011.png 이미지

Fig. 11. Predicted earthquakes from January to September, 2023.

결과 및 토의

딥러닝 기반의 Prophet 모델링결과와 DBSCAN 지진 진앙분포도 군집분석을 비교 및 토의하고자 한다. 지진 진앙분포도를 분할하는 방법으로 적용한 DBSCAN 방법은 밀도에 기초하여 군집을 분류하는 군집분석의 한 방법으로, 지진 분석에 적용한 사례가 있다(Scitovski, 2018; Fan and Xu, 2019; Bountzis et al., 2021). Fig. 12는 최소 군집 객체수(minpts)는 200으로 고정하고 최대 반경(eps) (a) 60 km, (b) 70 km, (c) 80 km 및 (d) 100 km로 적용하여 모델링을 수행한 결과이다. 1978년부터 2022년 8월까지 데이터를 사용하였으며 Fig. 12a는 경상북도 지역에 집중되어 있다. 이는 2016년 9월 12일 경상북도 경주에서 M 5.8 지진과 2017년 11월 15일 경상북도 포항에서 M 5.4 지진에 의한 강진 및 여진에 의한 지진 데이터가 누적된 결과로 판단된다(Fig. 2, 4, 5 and 6). Fig. 12b는 최대 반경 70 km에서 Eurasian plate와 Amurian plate의 경계부(Hasterok et al., 2022; https://github.com/dhasterok/global_tectonics)에서 두 번째 구간 군집이 나타났으며, 최대 반경 80 km 및 100 km에서 Eurasian plate와 Amurian plate의 경계부를 따라 구간 군집이 더욱 선명하게 보여준다(Fig. 12c and d). Prophet 지진 예측 모델링에서는 향후 경상북도 뿐만 아니라 충청북도, 경기도 및 서울권역에서 지진이 발생할 것으로 예측되었으며 Eurasian plate와 Amurian plate의 경계부에서 지진이 점차적으로 증가될 것으로 판단된다.

JJGHBG_2023_v33n1_1_f0012.png 이미지

Fig. 12. DBSCAN clustering analysis of max distance (a) 60, (b) 70, (c) 80, and (d) 100 km.

간단하며 빠른 시계열 예측이라는 Prophet 모델의 장점이 분명히 존재하지만 우리나라의 데이터가 다소 부족하고, 복잡한 지체구조 시스템의 지진을 예측하기에는 이 연구는 실험적 연구로 보는 것이 타당하다. 그러나 시계열 모델링에 강력한 성능을 보이는 Facebook’s Prophet 모델뿐만 아니라 기존의 신경망 모델인 RNN(recurrent neural network) 및 LSTM(long short-term memory) 모델 등과 함께 적용한다면 모델의 정확성을 향상시킬 수 있을 것이다. 추후 연구로는 Prophet 모델을 구성하는 세 가지 요소 중에서 ‘h(t)’의 불규칙적으로 영향을 미치는 이벤트에 중점을 맞추어 학습을 진행하고 단기 예측 및 장기 예측과 함께 지진 사례와 연관성 분석 및 개별 변수의 상관관계를 학습에 활용하는 다변량 분석을 수행하는 것도 시도할 예정이다. 뿐만아니라 지진학적, 지구물리학적 및 구조지질학적 다양한 자료를 정량적으로 결합시키는 방법도 모색할 예정이다.

결론

한반도의 지진현상을 분석하기 위하여 딥러닝 기반의 Facebook’s Prophet 모델을 이용한 시간에 따른 지진패턴의 변화 및 공간과 규모에 따른 지진예측을 시도하였고 진앙분포도 군집분석 방법인 DBSCAN과 비교 및 토의하였다. 지진이 발생한 그리드 구간의 지진 빈도를 보면 기존의 지진패턴은 경상북도 지역에 집중된다. 그러나 충북 괴산군 M 4.1 지진 발생(2022년 10월 29일 08:27)과 Prophet 모델을 비교해 보았을 때 2022년 10월 지진 예측 결과와 실제 진앙과의 거리는 최소 26 km 최대 105 km 차이를 보였다. 또한 2022년 10월 29일 지진 예측 결과는 63 km의 차이를 보였다. 2023년에는 서울, 경기도 및 충청도 지역에서 향후 발생하는 것으로 나타났다. DBSCAN은 밀도 기반 군집화 방식으로, 임의의 지진 데이터를 중심으로 주변 공간을 탐색하기 위한 반경과 군집으로 인정하기 위한 반경 내 최소 지진 데이터 개수를 사용한다. 반경 내에 최소 지진 데이터 개수 이상의 지진 데이터가 존재하면 군집을 형성하고 이웃 지진 데이터를 중심으로도 동일한 검사를 실시하여 군집을 확장해 나가는 DBSCAN 모델링결과, 최대 반경 70 km에서 Eurasian Plate와 Amurian Plate의 경계부에서 두 번째 구간 군집이 나타났다. 또한, 최대 반경 80 km 및 100 km에서 Eurasian Plate와 Amurian Plate의 경계부를 따라 구간 군집이 더욱 선명하게 보여주었다. 기존의 지진지체구조구 구분은 대부분 주요 지질구조선 또는 주요 단층선(선구조선)을 경계로 하여 이루어졌다. DBSCAN 모델링은 단순히 지진분포에 따라 이루어졌으므로 단층이나 지질경계와는 무관하며, 큰 지진을 핵으로 하여 나누어져 있다고 할 수 있다. 정량적인 방법으로 기존의 지진지체구조구 모델과의 비교를 위해서는 특정의 부지를 상정하여 기존의 모델과 이 연구에서의 모델에 의한 최대지진가속도 값 등에 대한 비교가 수행 되어야 할 것으로 판단된다. 이 연구에서는 지진 자료 중 계기지진의 진앙분포만을 사용하였으나 지진학적, 지구물리학적 및 구조지질학적 다양한 자료를 정량적으로 결합시키는 방법이 요구된다.

사사

본 연구는 산림청(한국임업진흥원) 산림과학기술 연구개발사업(2021348B10-2323-CD01)의 지원에 의하여 이루어진것입니다.

References

  1. Anderson, J.G., Trifunac, M.D., 1978, Uniform risk functionals for characterization of strong earthquake ground motion, Bulletin of the Seismological Society of America, 68, 205-218.
  2. Ansari, A., Firuzi, E., Etemadseed, L., 2015, Delineation of seismic sources in probabilistic seismic-hazard analysis using fuzzy cluster analysis and Monte Carlo simulation, Bulletin of Seismological Society of America, 105, 2174-2191. https://doi.org/10.1785/0120140256
  3. Asha, J., Rishidas, S., SanthoshKumar, S., Reena, P., 2020, Analysis of temperature prediction using random forest and facebook prophet algorithms, International Conference on Innovative Data Communication Technologies and Application, Part of the Lecture Notes on Data Engineering and Communications Technologies Book Series, 46, 432-439.
  4. Bountzis, P., Kostoglou, A., Papadimitriou, E., Karakostas, V., 2021, Іdentification of spatiotemporal seismicity clusters in central Ionian Islands (Greece), Physics of the Earth and Planetary Interiors, 312, 106675.
  5. Cornell, C.A., 1968, Engineering seismic risk analysis, Bulletin of Seismological Society of America, 58, 1583-1606. https://doi.org/10.1785/BSSA0580051583
  6. Fan, Z., Xu, X., 2019, Application and visualization of typical clustering algorithms in seismic data analysis, Procedia Computer Science, 151, 171-178. https://doi.org/10.1016/j.procs.2019.04.026
  7. GSK (Geological Society of Korea), 2016, Investigation and research of maximum earthquake for nuclear power plant sites (I), Technical Report to Korea Hydro & Nuclear Power Co., Seoul, Korea, 427p (in Korean).
  8. Hasterok, D., Halpin, J.A., Collins, A.S., Hand, M., Kreemer, C., Gard, M.G., Glorie, S., 2022, New maps of global geological provinces and tectonic plates, Earth-Science Reviews, 231, 104069.
  9. Kim, S.K., Jeon, J.S., Jun, M.S., 2017, Seismotectonic zoning by K-means clustering analysis in the Korean Peninsula, Journal of the Geological Society of Korea, 53(5), 703-714 (in Korean with English abstract). https://doi.org/10.14770/jgsk.2017.53.5.703
  10. KINS (Korea Institute of Nuclear Safety), 2010, Technological development for geological seismic safety evaluation basis of NPP sites, 68p (in Korean).
  11. Kirpich, A., Shishkin, A., Weppelmann, T.A., Tchernov, A.P., Skums, P., Gankin, Y., 2022, Excess mortality in Belarus during the COVID-19 pandemic as the case study of a country with limited non-pharmaceutical interventions and limited reporting, Scientific Reports, 12, 5475.
  12. Martinez-Alvarez, F., Gutierrez-Aviles, D., Morales-Esteban, A., Reys, J., Amaro-Mellado, J.L., Rubio-Escudero, C., 2015, A novel method for seismogenic zoning based on triclustering: Application to the Iberian Peninsula, Entropy, 17, 5000-5021. https://doi.org/10.3390/e17075000
  13. Scitovski, S., 2018, A density-based clustering algorithm for earthquake zoning, Computers and Geosciences, 110, 90-95. https://doi.org/10.1016/j.cageo.2017.08.014
  14. Taylor, S.J., Letham, B., 2018, Forecasting at scale, The American Statistician, 72(1), 37-45. https://doi.org/10.1080/00031305.2017.1380080
  15. Thiyagarajan, K., Kodagoda, S., Ulapane, N., Prasad, M., 2020, A temporal forecasting driven approach using facebook's prophet method for anomaly detection in sewer air temperature sensor system, Proceedings of the 2020 15th IEEE Conference on Industrial Electronics and Applications (ICIEA), Kristiansand, Norway.
  16. Weatherill, G., Burton, P.W., 2009, Delineation of shallow seismic source zones using K-means cluster analysis, with application to the Aegean region, Geophysical Journal International, 176, 565-588. https://doi.org/10.1111/j.1365-246X.2008.03997.x
  17. Wolff, J., Klimke, A., Marschollek, M., Kacprowski, T., 2022, Forecasting admissions in psychiatric hospitals before and during Covid-19: A retrospective study with routine data, Scientific Reports, 12, 15912.
  18. Xie, C., Wen, H., Yang, W., Cai, J., Zhang, P., Wu, R., Li, M., Huang, S., 2021, Trend analysis and forecast of daily reported incidence of hand, foot and mouth disease in Hubei, China by Prophet model, Scientific Reports, 11, 1445.
  19. Zhao, D., Zhang, R., Zhang, H., He, S., 2022, Prediction of global omicron pandemic using ARIMA, MLR, and Prophet models, Scientific Reports, 12, 18138.