柳一航 沈航先

摘? 要：為探究區(qū)域交通事故時空特征，精準(zhǔn)預(yù)測事故嚴(yán)重程度，給交通運輸主管部門提供決策支持，以英國交通事故統(tǒng)計數(shù)據(jù)作為研究基礎(chǔ)，首先，將交通事故時空特征數(shù)據(jù)轉(zhuǎn)化為網(wǎng)格化數(shù)據(jù)，并對空間特征進行二維卷積，利用時間特征合并二維卷積為三維卷積，解決網(wǎng)格沖突問題；其次，利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）、長短期記憶人工神經(jīng)網(wǎng)絡(luò)（LSTM）模型的工作原理建立Stacking模型的基學(xué)習(xí)器和元學(xué)習(xí)器；最后，輸出結(jié)果傳入分類與回歸樹（CART），構(gòu)建完整的事故嚴(yán)重程度預(yù)測集成學(xué)習(xí)模型。研究結(jié)果表明，集成學(xué)習(xí)模型較單一模型對預(yù)測效果更優(yōu)，其AUC比CNN、LSTM和Conv-LSTM單一模型預(yù)測分別提升0.02、0.04和0.01；最終決策樹選擇中，CART決策樹比隨機森林（RF）和梯度提升決策樹（GBDT）預(yù)測效果更優(yōu)；預(yù)測結(jié)果在時間緯度上，“嚴(yán)重事故”事件占比較實際低3.95%，在空間緯度上，預(yù)測熱力區(qū)域在0.5～1區(qū)間范圍內(nèi)與實際接近。

關(guān)鍵詞：交通安全；交通事故；事故嚴(yán)重程度預(yù)測；機器學(xué)習(xí)；集成學(xué)習(xí)模型

中圖分類號：U491.3? ? ? 文獻標(biāo)志碼：A? ? ? ? ? 文章編號：2095-2945（2024）08-0028-08

Abstract： In order to explore the spatio-temporal characteristics of regional traffic accidents， accurately predict the severity of accidents， and provide decision support to the competent departments of transportation. Based on the British traffic accident statistical data， firstly， the spatio-temporal characteristic data of traffic accidents are transformed into gridded data， and the spatial features are convoluted in two dimensions， and the temporal features are combined into two-dimensional convolution into three-dimensional convolution to solve the grid conflict problem; secondly， the basic learner and meta-learner of Stacking model are established using the working principle of convolutional neural network （CNN） and long-term and short-term memory artificial neural network （LSTM） model. Finally， the output results are passed into the classification and regression tree （CART） to build a complete integrated learning model for accident severity prediction. The results show that the prediction effect of integrated learning model is better than that of single model， and its AUC is 0.02， 0.04 and 0.01 higher than that of CNN， LSTM and Conv-LSTM single model， respectively， and in the final decision tree selection， CART decision tree is better than random forest （RF） and gradient lifting decision tree （GBDT）. In terms of time latitude， the proportion of "serious accident" events is 3.95% lower than that of reality. In terms of spatial latitude， the predicted thermal area is close to the reality in the range of 0.5～1.

Keywords： traffic safety; traffic accident; accident severity prediction; machine learning; integrated learning model

根據(jù)世界衛(wèi)生組織2018年《全球道路安全現(xiàn)狀報告》顯示，每年約有135萬人死于道路交通事故[1]。由道路交通事故導(dǎo)致的死亡已經(jīng)成為全球人員死亡的第八大原因，交通安全問題已然成為需重點關(guān)注的全球性公共健康問題。事實上，交通事故的發(fā)生雖受諸多因素影響，但仍有跡可循，基于道路交通事故歷史數(shù)據(jù)開展事故安全評估研究（包括影響因素、評價模型、事故預(yù)測等）對降低道路交通事故的發(fā)生率和嚴(yán)重程度，提升道路交通安全管理水平等具有重要意義。

國內(nèi)外學(xué)者針對于交通事故的安全評估研究主要集中于事故嚴(yán)重程度的預(yù)測和影響因素的辨識，研究方法大致為三類。第一類是傳統(tǒng)預(yù)測方法，包括統(tǒng)計回歸法[2]、Logit模型[3]等，主要適用于樣本量較少、短期數(shù)據(jù)變化的情況，模型較為簡單，存在針對于隨機性較大、可靠性不強等問題；第二類是利用機器學(xué)習(xí)方法，包括隨機森林[4]、GBRT[5]、XGboost[6]等決策樹算法，適用于高維數(shù)據(jù)處理，但存在對特定數(shù)據(jù)集依賴較強的問題；第三類是基于深度學(xué)習(xí)的事故嚴(yán)重程度預(yù)測，包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）[7]、長短期記憶網(wǎng)絡(luò)（LSTM）[8]等深度學(xué)習(xí)算法，這些模型應(yīng)用場景較為特定，如CNN常用于圖像方面，LSTM往往應(yīng)用于存在時間序列特征的數(shù)據(jù)中。

對于事故空間空間分布，國內(nèi)外學(xué)者主要采用2種方式，其中一部分學(xué)者多借助地理信息系統(tǒng)（GIS）等空間分析技術(shù)，尋找交通事故在空間上的集群特征，如通過熱點分析[8]、密度分析、聚類分析[9]等手段尋找城市交通事故熱點時空分布特性；另一部分學(xué)者從數(shù)理統(tǒng)計交通辨別事故發(fā)生特征，如早晚高峰、季節(jié)和具體路段等[10]，或利用機器學(xué)習(xí)和深度學(xué)習(xí)算法預(yù)測事故發(fā)生黑點[11-13]。這些分析方法更注重微觀層面解決實際問題，往往對其他事故特征因素考慮較少，難以做到對區(qū)域整體的預(yù)測。

綜合上述分析，現(xiàn)有的交通事故嚴(yán)重程度預(yù)測方法較為全面，但在算法應(yīng)用層面多以單一模型進行擬合，少采用模型組合的方式預(yù)測事故嚴(yán)重程度。理論上，組合模型相比于單一模型具有一定的優(yōu)勢。單一模型具有唯一的模型結(jié)構(gòu)和全局固定的模型參數(shù)，但對于某一數(shù)據(jù)子集并不一定是最優(yōu)的模型結(jié)構(gòu)和最優(yōu)的模型參數(shù)。對于組合模型，在模型訓(xùn)練時可以在不同的數(shù)據(jù)子集中選取更優(yōu)的局部預(yù)測模型，相比于單一的并且具有全局固定模型參數(shù)的預(yù)測模型，具有更多的靈活性和適應(yīng)性，很有可能在全局表現(xiàn)出更優(yōu)的預(yù)測精度和預(yù)測穩(wěn)定性。同時，現(xiàn)有的交通事故嚴(yán)重程度預(yù)測方法對于事故空間分布多偏向于微觀層面，缺少從整個區(qū)域?qū)用娴念A(yù)測模型。因此，本文根據(jù)不同模型的應(yīng)用特征，構(gòu)建了一種基于集成學(xué)習(xí)模型的交通事故嚴(yán)重程度預(yù)測方法，充分考慮時間、空間和其他可能影響事故發(fā)生的特征數(shù)據(jù)，發(fā)揮組合模型對不同特征數(shù)據(jù)的應(yīng)用效能，深度挖掘區(qū)域道路交通事故數(shù)據(jù)，提升事故嚴(yán)重程度的預(yù)測精度。

1? 交通事故嚴(yán)重程度預(yù)測模型

1.1? 問題定義

在正式選用方法建立模型之前，首先根據(jù)所要研究的問題，給出一些本文中所要使用的名稱和變量的定義。本文的目標(biāo)在于基于時空特征對交通事故的嚴(yán)重程度進行預(yù)測，因此通過給出一些對所需要用到的諸如網(wǎng)格單元、時間單元等自定義變量的基本的定義，逐步給出本文所要研究的“基于集成學(xué)習(xí)模型的交通事故嚴(yán)重程度預(yù)測”問題的具體含義。

首先，給出網(wǎng)格單元和時間單元的定義。

定義1：（網(wǎng)格單元）設(shè)一個區(qū)域分布在一定經(jīng)緯度范圍內(nèi)，則經(jīng)度范圍可以被劃分為m個等長的區(qū)間，緯度范圍可以被劃分為n個等長的區(qū)間。位于第i個（i=1，2，3，…，m）經(jīng)度區(qū)間和第j個緯度區(qū)間（j=1，2，3，…，n）的所有經(jīng)緯度所組成的集合稱為第ij個網(wǎng)格單元，記作uij。

定義2：（時間單元）設(shè)一類事件區(qū)域分布在一定時間范圍內(nèi)，則時間范圍可以被劃分為m個等長的區(qū)間（時間段）。位于第i個（i=1，2，3，…，m）時間區(qū)間的所有時間點所組成的集合稱為第i個時間單元，記作tui。

其次，一個事件有許多影響因素，把這些影響因素稱之為特征。為了運用現(xiàn)有代數(shù)學(xué)方法研究這些影響因素，將其排列為矩陣。一般，為了能夠用量化方法研究這些特征，往往會把這些特征數(shù)值化，得到一個數(shù)值矩陣。下面給出這種本文中專用矩陣的定義。

定義3：（事件特征矩陣）設(shè)一類事件有m個需要研究的影響因素e1，e2，…，em，這些影響因素均有n條觀測記錄，則e1，e2，…，em均為n維列向量。我們稱m×n維矩陣E=[e1，e2，…，em]為事件的特征矩陣。

定義4：（學(xué)習(xí)器）設(shè)有一個映射f：（E0，T，E）→P，其中E0為待預(yù)測事件中用作訓(xùn)練集部分的事件特征矩陣，T為待預(yù)測事件中訓(xùn)練集部分已經(jīng)觀測到的值，E為待預(yù)測事件中需要預(yù)測（作為測試集）的部分的事件特征矩陣。P為f的輸出，即通過學(xué)習(xí)器f產(chǎn)生的預(yù)測值。如果P中有一半以上的值與實際情況相符，則稱f為一個弱學(xué)習(xí)器。

下面，給出本文中所使用的“集成學(xué)習(xí)模型”的大致思路。

定義5：（集成學(xué)習(xí)模型）設(shè)一個模型g由多個學(xué)習(xí)器f1，f2，…，fn組成。g為一個映射（E0，T，E）→P。下列等式

（1）

成立，其中Ei為第i個模型中用作測試集而輸入的事件特征矩陣，Pi為第i個模型的輸出，Ti為第i個模型中認(rèn)為已經(jīng)觀測到的待預(yù)測事件的標(biāo)簽，則稱g為由多個學(xué)習(xí)器f1，f2，…，fn組合而成的集成學(xué)習(xí)模型。

因為本文的研究方面突出了交通事故的時空特性，故專門定義了一類包含時空特征的時間，以區(qū)別于一般的事件，方便后續(xù)研究。下面給出定義，具體說明本文中把什么叫做“具有時空特征的事件”。

定義6：（具有時空特征的事件）設(shè)待研究事件的事件特征矩陣為E，且該事件具有時間特征和空間特征。設(shè)該事件被劃分了m×n個網(wǎng)格單元和p個時間單元，若對于？坌1≤i≤m，１≤j≤n，１≤k≤p，有uij∈E，tuk∈E，其中i、j、k均為正整數(shù)，則稱該事件具有時空特征。

最后，綜合上面的定義，可以給出本文所要研究的問題的一般定義了。

定義7：（基于集成學(xué)習(xí)模型的交通事故嚴(yán)重程度時空預(yù)測）對于一類交通事故事件，其需要預(yù)測的特征為其嚴(yán)重程度。“嚴(yán)重程度”這一特征被作為一個標(biāo)簽，有幾個代表了不同程度的已數(shù)量化的取值，且此標(biāo)簽預(yù)測值P=g（E0，T1，E）。選擇合適的集成學(xué)習(xí)模型g的問題稱作基于集成學(xué)習(xí)模型的交通事故嚴(yán)重程度時空預(yù)測問題。

根據(jù)定義7中“基于集成學(xué)習(xí)模型的交通事故嚴(yán)重程度時空預(yù)測”的含義，便可以對本文研究的預(yù)測類問題作出模型的建立了。

依據(jù)之前對數(shù)據(jù)集的處理方法，可見數(shù)據(jù)集中需要預(yù)測的“Accident Severity”特征，即“交通事故嚴(yán)重程度”特征只有0和1兩個取值，即“不太嚴(yán)重”和“嚴(yán)重”。因此，與其作一個普通的預(yù)測，不如將此類問題轉(zhuǎn)化為一個針對性更強的二分類問題。

為了避免“特征工程”問題，在分類的過程中并不全部使用其中所有的特征。因為本文是基于時空特征對交通事故嚴(yán)重程度進行預(yù)測的，所以起初把數(shù)據(jù)集中的交通事故按照空間特征（經(jīng)緯度）分為網(wǎng)格單元。年（取2020）、月、日、時和分等能夠合并的時間特征將按照操作系統(tǒng)標(biāo)準(zhǔn)轉(zhuǎn)化為時間戳，并按照時間戳劃分為許多個時間單元。

為了應(yīng)用集成學(xué)習(xí)方法，以此來提高模型的分類精度，首先從單模型的建立開始。本文中運用的單模型包括CNN網(wǎng)絡(luò)、LSTM網(wǎng)絡(luò)和Conv-LSTM網(wǎng)絡(luò)，其基本原理和在本文中的具體配置都已經(jīng)在前文中敘述完畢。由于集成學(xué)習(xí)也基本服從“木桶理論”，可以知道集成學(xué)習(xí)的精度會受限于精度較低的那個模型，況且只有2個精度相近的模型，才能組建出精度有所提高的模型。其集成后的在測試完單模型以后，將根據(jù)單模型的表現(xiàn)來決定挑選何種模型來組建集成學(xué)習(xí)模型。

1.2? 研究思路

對于交通事故嚴(yán)重程度的時空預(yù)測問題，傳統(tǒng)的機器學(xué)習(xí)算法存在參數(shù)尋優(yōu)困難和對高維度數(shù)據(jù)易過擬合的問題。針對此問題，本文提出基于集成學(xué)習(xí)模型的交通事故嚴(yán)重程度的時空預(yù)測模型。模型首先對多源交通事故特征數(shù)據(jù)集進行正態(tài)化處理，隨后構(gòu)建以CNN網(wǎng)絡(luò)為基學(xué)習(xí)器，以LSTM網(wǎng)絡(luò)為元學(xué)習(xí)器的Stacking模型的具體運行機制，最后選取CART決策樹輸出最終預(yù)測結(jié)果。具體模型結(jié)構(gòu)如圖1所示。

1.3? CNN模型

為匹配數(shù)據(jù)集中數(shù)據(jù)集特征，本文全連接層設(shè)置輸入一維張量為5，二維張量為31，以及128個神經(jīng)元；卷積層一維張量為112，二維張量為64，并不對邊界進行全零填充。并設(shè)定卷積層的激活函數(shù)為ReLU函數(shù)；為使神經(jīng)網(wǎng)絡(luò)自動減少特征數(shù)量，同時加快訓(xùn)練速度，本文匯聚層一維張量設(shè)置為2，二維張量為1，并在匯聚層中添加了2個卷積核，其尺寸均為1，匯聚層的結(jié)構(gòu)簡圖如圖2所示[14]。

在匯聚后，采用20%的丟棄率進行正則化處理，并把二維數(shù)據(jù)轉(zhuǎn)化為一維數(shù)據(jù)，即壓平處理。輸出層包含第二個全連接層和第三個全連接層，激活函數(shù)采用Sigmoid函數(shù)，整體結(jié)構(gòu)如圖3所示。

1.4? LSTM模型

LSTM模型具有時序性特征，而交通事故的發(fā)生往往在一段時間內(nèi)能夠體現(xiàn)時序性特征，因此本文選取6個時間戳長度作為時間序列輸入，輸出層仍然包括2個全連接層，第一個全連接層采用ReLU函數(shù)進行激活，并利用20%的丟棄率對第一個全連接層的結(jié)果進行正則化。對于第二個全連接層激活函數(shù)，本文采用Sigmoid函數(shù)[15-17]。LSTM輸出層整體結(jié)構(gòu)如圖4所示。

1.5? Stacking模型

Stacking模型包括基學(xué)習(xí)器（Base-Learning Model）和元學(xué)習(xí)器（Meta-Learning Model）兩個部分[18]，通過基學(xué)習(xí)器的輸出結(jié)果整合后傳入元學(xué)習(xí)器，最后得到元學(xué)習(xí)器的結(jié)果，其基本架構(gòu)如圖5所示。

1.6? 評價指標(biāo)

由于事故嚴(yán)重程度預(yù)測屬于二分類問題，因此本文選適用于二分類問題模型的AUC（Area Under Curve）作為評價指標(biāo)。AUC值表現(xiàn)模型的擬合能力，AUC值為受試者操作特征曲線（receiver operating characteris-tic，ROC）下圍成的面積，其值越接近于1，預(yù)測模型真實性越高[19-20]，計算見式（2）。

式中：M和N分別為正樣本和負(fù)樣本的數(shù)量；rank？滋表示第μ條樣本的序號。

2? 交通事故影響因素的選擇

2.1? 數(shù)據(jù)來源

本文采用2020年英國統(tǒng)計的英國一年內(nèi)所有道路交通事故信息，共計129 983條。剔除不完整數(shù)據(jù)、無法識別數(shù)據(jù)和明顯錯誤數(shù)據(jù)，共選取交通事故樣本數(shù)據(jù)129 081條。數(shù)據(jù)集將“交通事故的嚴(yán)重程度”劃分為嚴(yán)重事故和一般事故兩類。其中，嚴(yán)重事故為人員重傷和死亡事故，共發(fā)生104 871起，占比達81.2%；其他事故為一般事故，共發(fā)生24 210起，占比18.8%。

為進一步探究事故嚴(yán)重程度和空間分布特征，根據(jù)數(shù)據(jù)集中經(jīng)緯度數(shù)據(jù)和交通事故嚴(yán)重程度數(shù)據(jù)，繪制交通事故嚴(yán)重程度熱力圖，如圖6所示。英國的交通事故嚴(yán)重地區(qū)主要集中在英國東南部地區(qū)，而愛爾蘭地區(qū)的交通事故往往不是很嚴(yán)重。英國北部地區(qū)交通事故嚴(yán)重地區(qū)不是很集中，但是交通事故嚴(yán)重程度比南部地區(qū)略大。

2.2? 特征變量

英國交通事故數(shù)據(jù)集即包含事故經(jīng)緯度、事故傷亡人數(shù)、發(fā)生時間、道路類型、光照條件和天氣狀況等30個特征，具體特征變量見表1。

3? 模型評估結(jié)果與檢驗

3.1? 偏態(tài)數(shù)據(jù)集的正態(tài)化

為保證數(shù)據(jù)集呈現(xiàn)正態(tài)分布，提升模型運算效率，對特征變量進行博克斯-考克斯（Box-Cox）變換，以Latitude（緯度）特征為例，Box-Cox變換之前后的頻率分布直方圖、頻率密度分布曲線、正態(tài)密度擬合曲線和正態(tài)分布曲線的對比圖，如圖7、圖8所示。通過似然估計，Latitude特征所選用的？姿為-6.239 5。

3.2? 數(shù)據(jù)集預(yù)處理

由于“一般事故”類型樣本只占總體樣本的15.4%，本文采用上采樣（Oversampling）不均衡數(shù)據(jù)進行處理，即對小樣本數(shù)據(jù)進行多份復(fù)制，并分別利用CNN、LSTM和Conv-LSTM網(wǎng)絡(luò)測試其AUC表現(xiàn)，且每次測試時都隨機采樣數(shù)據(jù)集，并采用5-折交叉驗證，檢驗結(jié)果如圖9所示。通過AUC測試結(jié)果表明，當(dāng)樣本復(fù)制5份后，3種模型網(wǎng)絡(luò)ACU性能均達到最佳。

（a）? 頻率分布直方圖、頻率密度分布曲線和正態(tài)密度擬合曲線

（b）? 正態(tài)分布曲線

（a） 頻率分布直方圖、頻率密度分布曲線和正態(tài)密度擬合曲線

（b）? 正態(tài)分布曲線

3.3? CNN、LSTM和Conv-LSTM網(wǎng)絡(luò)的調(diào)優(yōu)

本文首先對構(gòu)建的CNN、LSTM和Conv-LSTM網(wǎng)絡(luò)進行時間切分的步長的調(diào)整。本文設(shè)定時間切分步長的搜索空間為{3，4，5，6，7，8}測試其AUC表現(xiàn)，驗證結(jié)果如圖10所示。

通過AUC測試結(jié)果表明，CNN網(wǎng)絡(luò)在時間切分步長為7時AUC結(jié)果最佳，LSTM和Conv-LSTM網(wǎng)絡(luò)在時間切分步長為6時AUC結(jié)果最佳，因此本文選取時間切分步長為6作為模型預(yù)測參數(shù)。

采取同樣的方法，利用網(wǎng)格搜索的方法，設(shè)定學(xué)習(xí)率的搜索空間為{0.1，0.15，0.2，0.25}搜索，發(fā)現(xiàn)CNN網(wǎng)絡(luò)和Conv-LSTM網(wǎng)絡(luò)的學(xué)習(xí)率分別為0.15和0.2時，其AUC表現(xiàn)最佳，分別為0.70和0.73。LSTM網(wǎng)絡(luò)中學(xué)習(xí)率為0.2時，其AUC表現(xiàn)為0.70，與學(xué)習(xí)率設(shè)置為0.15時相差無幾，因此學(xué)習(xí)率設(shè)置為0.2。

3.4? Stacking模型調(diào)優(yōu)

為保證集成模型的性能最優(yōu)，在未傳入決策樹之前，按照調(diào)整好的超參數(shù)把基學(xué)習(xí)器和元學(xué)習(xí)器進行堆疊，并與單個基學(xué)習(xí)器進行對比，其AUC表現(xiàn)見表2，小提琴圖如圖11所示。

由于CNN和Conv-LSTM網(wǎng)絡(luò)的性質(zhì)較為相似（都有卷積的性質(zhì)），所以堆疊后效果一般，而CNN和LSTM網(wǎng)絡(luò)性質(zhì)差異較大，所以堆疊后預(yù)測精度較高。因此，本文Stacking模型采用以CNN網(wǎng)絡(luò)為基學(xué)習(xí)器，LSTM網(wǎng)絡(luò)為元學(xué)習(xí)器的組合模型。

3.5? 集成學(xué)習(xí)模型調(diào)優(yōu)

本文將Stacking模型輸出結(jié)果作為輸入傳給決策樹模型，分別測試隨機森林（RF）、梯度提升決策樹（GBDT）和分類與回歸樹（CART）3種決策樹模型。本文采用網(wǎng)格搜索法，獲取決策樹模型最優(yōu)超參數(shù)，最終參數(shù)設(shè)置見表3。經(jīng)30次測試取平均值后，采用Stacking模型和CART決策樹集成擬合效果最佳，其AUC為0.74，模型對比如圖12所示。

4? 交通事故嚴(yán)重程度預(yù)測對比

在時間維度上，從全年和各季度預(yù)測結(jié)果上看，預(yù)測的“嚴(yán)重事故”整體數(shù)量較實際偏低。從全年角度，“嚴(yán)重事故”較實際低3.95%；從各季度來看，二季度和四季度預(yù)測效果較好，分別較實際低1.58%和1.65%，一季度和三季度預(yù)測較實際分別低6.5%和6.23%。全年和各季度預(yù)測結(jié)果和實際結(jié)果對比情況如圖13所示。

在空間維度上，將事故嚴(yán)重程度密度區(qū)域進行歸一化處理，繪制實際交通事故嚴(yán)重程度熱力圖和預(yù)測熱力圖，如圖14所示?？梢园l(fā)現(xiàn)，預(yù)測后范圍在0.8～0.9的熱力區(qū)域減少，而范圍在0.6～0.7的熱力區(qū)域增加，說明模型整體預(yù)測的事故嚴(yán)重程度偏低。

（a）? 原始交通事故嚴(yán)重程度熱力圖

（b）? 預(yù)測交通事故嚴(yán)重程度熱力圖

5? 結(jié)束語

1）充分考慮影響因素難以選擇和對高維度數(shù)據(jù)易過擬合的問題，結(jié)合交通事故時間、空間特征，提出以CNN網(wǎng)絡(luò)為基學(xué)習(xí)器，LSTM網(wǎng)絡(luò)為元學(xué)習(xí)器的集成學(xué)習(xí)模型架構(gòu)，形成交通事故嚴(yán)重程度的時空預(yù)測模型。

2）在模型選擇過程中，本文嘗試將CNN、LSTM和Conv-LSTM模型采用多種方式進行組合，并與單個基學(xué)習(xí)模型進行對比，最終發(fā)現(xiàn)CNN和LSTM模型組合后預(yù)測效果最佳，說明根據(jù)數(shù)據(jù)特征分別選擇合適模型進行組合后，整體預(yù)測效果有所提升。

3）將建立好的Stacking模型預(yù)測結(jié)果輸入RF、GBDT和CART決策樹，通過驗證發(fā)現(xiàn)CART作為輸出決策樹預(yù)測效果最佳，由此構(gòu)建了整個集成學(xué)習(xí)模型。

4）從時間緯度和空間緯度來看，本文構(gòu)建的集成學(xué)習(xí)模型對“嚴(yán)重事故”的預(yù)測相對偏低，存在影響事故嚴(yán)重程度的特征變量不足等原因，下一步應(yīng)加強對事故發(fā)生形態(tài)、事故發(fā)生的車輛類型、交叉口類型和信號控制方法等因素的挖掘。

參考文獻：

[1] ZHANG Y L．World health organization releases“Global Road Safety Status Report 2018”[J]．Chinese Journal of Disaster Medicine，2019，7（2）：100.

[2] ABDEL-ATY M，UDDIN N，PANDE A， et al. Predicting free-way crashes from loop detector data by matched case-control logistic regression[J].Transportation Res-earch Record， 2004，7（189）：88-95.

[3] 靳文舟，姚尹杰.多因素耦合作用下的車輛群事故傷害程度估計[J].鄭州大學(xué)學(xué)報（工學(xué)版），2021，42（3）：1-7.

[4] PARSA A B， MOVAHEDI A， TAGHIPOUR H， et al. Toward safer highways， application of XGBoost and SHAP for real-time accident detection and feature analysis[J]. Accident Analysis & Prevention， 2020（136）：1-8.

[5] 楊文忠，張志豪，柴亞闖，等.基于GBRT模型的交通事故預(yù)測[J].新疆大學(xué)學(xué)報（自然科學(xué)版），2020，37（1）：36-43.

[6] SUN Z， WANG J， CHEN Y， et al. Influence factors on injury severity of traffic accidents and differences in urban functional zones： the empirical analysis of Beijing[J]. International journal of environmental research and public health， 2018，15（12）：2722-2738.

[7] 王慶榮，魏怡萌，朱昌鋒，等.基于時空圖卷積網(wǎng)絡(luò)的交通事故風(fēng)險預(yù)測研究[J].計算機工程，2022，48（11）：22-29.

[8] LE K G， LIU P， LIN L T. Determining the road traffic accident hotspots using GIS-based temporal-spatial statistical analytic techniques in Hanoi， Vietnam[J]. Geo-spatial Information Science， 2020，23（2）：153-164.

[9] BENEDEK J， CIOBANU S M， MAN T C. Hotspots and social background of urban traffic crashes： A case study in Cluj-Napoca （Romania）[J]. Accident Analysis & Prevention， 2016（87）：117-126.

[10] 劉堯，王穎志，王立君，等．交通事故的時空熱點分析[J]．浙江大學(xué)學(xué)報（理學(xué)版），2020，47（1）：52－59．

[11] 張光南，鐘俏婷，楊清玄．交通違法事故時空分布特征及其影響因素——以廣州市為例[J]．交通運輸系統(tǒng)工程與信息，2019，19（3）：208－214．

[12] 田準(zhǔn)，張生瑞．優(yōu)化經(jīng)驗貝葉斯事故黑點識別與排序方法[J]．長安大學(xué)學(xué)報（自然科學(xué)版），2019，39（5）：115－126．

[13] 萬明，吳倩，嚴(yán)利鑫，等.道路交通安全研究的現(xiàn)狀與熱點分析[J].交通信息與安全，2022，40（2）：11-21，37.

[14] ZHANG M，LI T，ZHU R，et al. Traffic accident's severity prediction： a deep-learning approach-based cnn network[J].IEEE access， 2019（7）：39897-39910.

[15] 張志豪，楊文忠，袁婷婷，等.基于LSTM神經(jīng)網(wǎng)絡(luò)模型的交通事故預(yù)測[J].計算機工程與應(yīng)用，2019，55（14）：249-253，259.

[16] PAN Z B，TANG J，TJAHJADI T ，et al. A novel rapid method for viewshed computation on DEM through max-pooling and min-expected Height[J].ISPRS International Journal of Geo-Information，2020，9（11）.

[17] ZHOU Z，HUANG K，QIU Y，et al. Morphology extraction of fetal electrocardiogram by slow-fast LSTM network[J].Biomedical Signal Processing and Control，2021，68（5）：102664.

[18] 李朝輝，殷銘，王曉倩，等.雙機制Stacking集成模型在短時交通流量預(yù)測中的應(yīng)用[J].科學(xué)技術(shù)與工程，2021，21（11）：4648-4655.

[19] 劉星良，單玨，劉唐志，等.基于交通流穩(wěn)定性系數(shù)的高速公路交通事故實時風(fēng)險預(yù)測[J].交通信息與安全，2022，40（4）：71-81.

[20] 呂通通，張湛，陸林軍，等.基于互信息貝葉斯網(wǎng)絡(luò)的交通事故嚴(yán)重程度分析[J].交通信息與安全，2021，39（6）：36-43.

近年來，隨著我國的石油勘探工作向復(fù)雜油氣藏[1]發(fā)展，對地下地質(zhì)體速度求取精度的要求越來越高，儲層預(yù)測的需求也日益增加。塔里木油田自2021年以來，平均每年負(fù)責(zé)近20多個儲層預(yù)測數(shù)據(jù)的質(zhì)控工作，每個儲層預(yù)測項目包括15個以上過程成果數(shù)據(jù)體需要質(zhì)控，工作量巨大。傳統(tǒng)的人工質(zhì)控方式存在質(zhì)控過程繁瑣化、質(zhì)控結(jié)果主觀化、質(zhì)控效率低等問題。為此，本文提出了一種基于分布式處理的儲層預(yù)測質(zhì)控系統(tǒng)。本系統(tǒng)在確保數(shù)據(jù)在傳輸過程中的安全性和完整性的同時，提高處理效率和保證結(jié)果質(zhì)量。

傳統(tǒng)的儲層預(yù)測項目通常由單獨的承包商來閉環(huán)處理其對應(yīng)的儲層預(yù)測全流程工作，包括巖石物理、正演模擬以及特殊處理及屬性分析等其他過程[2]。其中，特殊處理主要用于儲層預(yù)測數(shù)據(jù)增強，而其他過程則用于信息分析和解釋。工區(qū)閉環(huán)的處理模式能滿足一般的石油勘探工作，但其存在“木桶效應(yīng)”，在探索成熟區(qū)域鄰近區(qū)及新區(qū)時，面臨著解釋周期不可控以及結(jié)果質(zhì)量低等問題[3]。

儲層預(yù)測數(shù)據(jù)的安全傳輸方面，由于儲層預(yù)測數(shù)據(jù)[4]的保密性，確保項目雙方網(wǎng)絡(luò)通暢的同時，需要保障數(shù)據(jù)在傳輸過程中的安全性和完整性。虛擬專用網(wǎng)絡(luò)（Virtual Private Network，VPN）是一種通過在客戶機與網(wǎng)關(guān)之間建立加密的點對點連接的虛擬技術(shù)，可以確保數(shù)據(jù)在經(jīng)過網(wǎng)絡(luò)傳輸時的安全性。然而，對于非頁面端的數(shù)據(jù)訪問，傳統(tǒng)的質(zhì)控平臺通常依賴額外的應(yīng)用軟件進行轉(zhuǎn)換，無法實現(xiàn)端到端的安全傳輸。

針對以上原因，本文基于儲層預(yù)測數(shù)據(jù)分布式處理新模式，結(jié)合GeoEast-iEco[5]數(shù)據(jù)解釋和處理平臺，構(gòu)建了網(wǎng)頁端一體化智能質(zhì)控平臺。該平臺實現(xiàn)了儲層預(yù)測數(shù)據(jù)處理的在線質(zhì)控功能，能夠一鍵生成質(zhì)檢表和質(zhì)量控制報告，并支持質(zhì)控項目的在線作業(yè)。同時，平臺建立了三級質(zhì)檢在線管理等功能，實現(xiàn)了儲層預(yù)測質(zhì)控流程的一體化和智能化。此外，通過建立項目專用的內(nèi)部網(wǎng)絡(luò)部署，遠(yuǎn)程用戶可以獲得安全接入地址，確保數(shù)據(jù)訪問的安全性和保密性。

1? 儲層預(yù)測數(shù)據(jù)質(zhì)控新模式

隨著勘探工作的持續(xù)進行，所面臨的工作環(huán)境日益復(fù)雜，其難度也在不斷增加[6]。為了更有效地質(zhì)控這些數(shù)據(jù)，本文提出了一種基于分布式處理平臺的儲層預(yù)測質(zhì)控系統(tǒng)。這種系統(tǒng)通過將儲層預(yù)測全流程劃分為5個工序、15個質(zhì)控任務(wù)，實現(xiàn)了儲層預(yù)測質(zhì)控流程的一體化和智能化。

1.1? 儲層預(yù)測數(shù)據(jù)分布式處理

在本系統(tǒng)中，儲層預(yù)測包括5個主要步驟：巖石物理、正演模擬、特殊處理及屬性分析、疊后反演和疊前反演。在巖石物理階段，采用先進的數(shù)據(jù)清洗和校正技術(shù)，以確保數(shù)據(jù)的質(zhì)量和準(zhǔn)確性。在正演模擬、特殊處理及屬性分析階段，利用大數(shù)據(jù)技術(shù)和分布式計算框架，處理儲層預(yù)測數(shù)據(jù)。在其他解釋階段，對數(shù)據(jù)進行深入學(xué)習(xí)和復(fù)雜的數(shù)據(jù)分析，以更準(zhǔn)確地獲取層速度等信息。最后，在質(zhì)控階段，使用基于分布式處理平臺的儲層預(yù)測質(zhì)控系統(tǒng)，監(jiān)控和控制數(shù)據(jù)處理的質(zhì)量和效率。

1.2? 儲層預(yù)測質(zhì)控系統(tǒng)處理技術(shù)與精度要求

儲層預(yù)測質(zhì)控系統(tǒng)基于分布式處理平臺，實現(xiàn)了儲層預(yù)測的全流程質(zhì)控。系統(tǒng)在每個處理階段設(shè)置質(zhì)控點，并通過質(zhì)控任務(wù)對數(shù)據(jù)解釋進行監(jiān)控和優(yōu)化。通過這種方式，保證數(shù)據(jù)解釋質(zhì)量的同時，提高項目周轉(zhuǎn)的效率。

根據(jù)多年的儲層預(yù)測項目經(jīng)驗[7]，針對塔里木盆地的實際勘探場景，本文在儲層預(yù)測數(shù)據(jù)分布式處理的基礎(chǔ)上，制定了總體處理技術(shù)要求和過程質(zhì)控要求，并從定性和定量2方面對工作精度要求制定了具體的質(zhì)控標(biāo)準(zhǔn)。針對塔里木盆地的實際場景需求，結(jié)合以往的儲層預(yù)測經(jīng)驗[8]，制定了適用于該地區(qū)的儲層預(yù)測質(zhì)控流程，并梳理了重點試驗參數(shù)。此外，還統(tǒng)一規(guī)定了相應(yīng)的測試范圍和區(qū)域的基準(zhǔn)參數(shù)[9]。表1展示了儲層預(yù)測技術(shù)的部分要求，從而保障儲層預(yù)測的高質(zhì)量，對各個質(zhì)控模塊的實現(xiàn)進行具體化和模塊化。

1.3? 過程質(zhì)控要求

對于儲層預(yù)測數(shù)據(jù)，以往質(zhì)控方式人為主觀判斷的因素較多，對質(zhì)控結(jié)果存在一定程度干擾。通過三級質(zhì)檢的方式，可以極大降低人為因素所帶來的影響，以改善抽檢的質(zhì)量[10]。為了確保儲層預(yù)測的高質(zhì)量，針對每個項目采用三級質(zhì)檢的方式完成項目檢驗，明確規(guī)定各個任務(wù)的關(guān)鍵步驟的檢驗點，制定合格標(biāo)準(zhǔn)以及不同級別的抽檢率標(biāo)準(zhǔn)，具體質(zhì)檢流程如下。

一級質(zhì)檢：由項目承包商自行進行自檢，確保自檢率達到100%。

二級質(zhì)檢：由項目監(jiān)督方進行抽檢，抽檢率不低于工序中定義的抽檢率要求。

三級質(zhì)檢：由專業(yè)化小組進行抽檢，抽檢率不低于工序中定義的抽檢率要求。

同時，對每個質(zhì)控點賦予不同的權(quán)重，以便根據(jù)各個質(zhì)控點的考核情況進行綜合量化評價。按照從上到下逐級抽檢的方式，最終的合格率將根據(jù)三級質(zhì)檢的合格率相乘得出。

2? 智能質(zhì)控平臺建設(shè)

基于儲層預(yù)測數(shù)據(jù)分布式處理的組織模式，在降低勘探工作難度的同時，縮短了整體工作周期。然而，在質(zhì)控方面，傳統(tǒng)的質(zhì)控工作由于沒有統(tǒng)一的處理軟件，數(shù)據(jù)需要在不同平臺軟件之間進行傳輸[11]，造成資源浪費的同時，也大大影響了工作人員的質(zhì)控效率以及項目的進度。同時，現(xiàn)有的質(zhì)檢方式大都采用線下的方式進行，這導(dǎo)致了質(zhì)控流程冗長、數(shù)據(jù)遷移困難等問題。為了解決以上問題，本文基于儲層預(yù)測數(shù)據(jù)分布式處理的組織模式搭建一體化智能質(zhì)控平臺，以實現(xiàn)儲層預(yù)測數(shù)據(jù)處理項目的在線遠(yuǎn)程質(zhì)控，保障整個質(zhì)控流程的質(zhì)量和效率。

2.1? 總體設(shè)計

一體化智能質(zhì)控平臺的搭建從數(shù)據(jù)載入、功能構(gòu)建、用戶定制以及應(yīng)用效果四個方面進行考慮。在數(shù)據(jù)載入方面，對于GeoEast-iEco平臺所處理的數(shù)據(jù)進行在線載入，而其他處理軟件則需要離線載入；在功能構(gòu)建方面，實現(xiàn)質(zhì)檢進度管理、質(zhì)控報告及質(zhì)檢記錄等功能；在用戶定制方面，實現(xiàn)項目承包商、監(jiān)督方以及監(jiān)督用戶聯(lián)合保障質(zhì)檢；在應(yīng)用效果方面，實現(xiàn)在線遠(yuǎn)程質(zhì)控、質(zhì)控結(jié)果展示和定量評價。

2.2? 技術(shù)框架

為了提高儲層預(yù)測數(shù)據(jù)質(zhì)控的效率，本文基于GeoEast-iEco平臺搭建了一個并行計算結(jié)構(gòu)，該結(jié)構(gòu)包括存儲層、資源管理與作業(yè)調(diào)度層、并行框架層、質(zhì)檢算法層以及交互層。

在存儲層方面，采用了多維度動態(tài)道頭索引機制、緩存機制以及分布式讀寫機制，以實現(xiàn)高速數(shù)據(jù)讀取的能力。資源管理與作業(yè)調(diào)度層利用集群資源管理技術(shù)，確保算法能夠快速執(zhí)行。并行框架層負(fù)責(zé)批量計算各類質(zhì)檢模塊。質(zhì)檢算法層則負(fù)責(zé)進行質(zhì)檢的定量計算。最后，交互層采用GeoToolkit組件[12]為用戶提供各類地震成像展示、質(zhì)檢報告生成等交互功能。

通過這樣的并行計算結(jié)構(gòu)，能夠提高儲層預(yù)測數(shù)據(jù)處理的效率，使得儲層預(yù)測數(shù)據(jù)的質(zhì)檢工作更加高效準(zhǔn)確。

為確保儲層預(yù)測數(shù)據(jù)的安全性和完整性，采取了一系列安全措施。首先，部署了一個專用的內(nèi)部網(wǎng)絡(luò)，使甲方員工能夠安全地訪問乙方公司的內(nèi)部質(zhì)控平臺服務(wù)器和Geoeast服務(wù)器，同時滿足甲方質(zhì)檢員異地訪問的需求。

在實現(xiàn)這一目標(biāo)時，乙方公司在公網(wǎng)IP上部署一個VPN路由器[13]，以便快速、便捷地實現(xiàn)異地用戶對乙方公司內(nèi)網(wǎng)的訪問。不論用戶是在手機終端還是其他區(qū)域局域網(wǎng)用戶，都可以通過PPTP/L2TP協(xié)議進行訪問，并且訪問數(shù)據(jù)會進行加密，直接進入公司內(nèi)網(wǎng)的質(zhì)控平臺服務(wù)器，從而實現(xiàn)協(xié)同工作。

通過這樣的安全措施，能夠確保儲層預(yù)測數(shù)據(jù)在項目雙方網(wǎng)絡(luò)中的暢通無阻，同時保證數(shù)據(jù)的安全性和完整性。用戶可以安心地進行遠(yuǎn)程訪問，并參與質(zhì)控工作。

2.3? 質(zhì)控作業(yè)批處理

對于質(zhì)控作業(yè)的批處理，基于MapReduce框架[14]Map階段負(fù)責(zé)對數(shù)據(jù)進行分塊處理，而Reduce階段負(fù)責(zé)數(shù)據(jù)的歸并處理。通過這種方式，可以有效地完成質(zhì)控作業(yè)的批處理。

用戶可以通過前端界面監(jiān)管作業(yè)參數(shù)和狀態(tài)，查看儲層預(yù)測數(shù)據(jù)和質(zhì)控項目的展示等功能。通過這個前端網(wǎng)頁，用戶可以方便地管理和監(jiān)控質(zhì)控作業(yè)的進度，并且查看相關(guān)數(shù)據(jù)和項目的展示。

3? 實現(xiàn)效果

3.1? 全量質(zhì)控

根據(jù)質(zhì)控指標(biāo)以及定量檢測質(zhì)控要求，從點、線、面及切片4個維度對儲層預(yù)測數(shù)據(jù)進行效果的對比分析。圖1的左側(cè)展示了執(zhí)行波場分離后的Z分量在去噪前后時的對比，圖的右側(cè)展示了Z分量[15]在去噪前后的單炮信噪比，從圖中可以看出，Z分量的噪聲在去噪后從53.88%降低為44.07%，而信號占比從45.61%提高到55.32%?；谂幚硭惴K和內(nèi)置信噪比計算模塊，實現(xiàn)儲層預(yù)測數(shù)據(jù)的快速信噪比分析計算；同時在Web前端頁面，實現(xiàn)分布式遠(yuǎn)程信噪比分析計算功能，滿足了儲層預(yù)測數(shù)據(jù)處理解釋過程質(zhì)量控制對信噪比分析計算的需求。

在測井時獲得的曲線，可反映出不同巖性、層位特征，相同區(qū)域測井曲線反映了本區(qū)域的地質(zhì)特征，具有一定的規(guī)律性，通過定性展示特定區(qū)域的聯(lián)井曲線可以對測井曲線質(zhì)量進行定性質(zhì)控。圖2展示了巖石物理質(zhì)控中的測井曲線[16]圖，其中，數(shù)據(jù)源為縱波層速度、橫波層速度、密度曲線等，可以定性分析測井曲線特征與巖性的吻合程度，為后續(xù)處理解釋工作提供了質(zhì)量參考。

3.2? 三級質(zhì)檢在線管理

經(jīng)由本平臺創(chuàng)建的質(zhì)控項目支持三級質(zhì)檢的線上管理，質(zhì)控項目信息包括油田質(zhì)檢人員、項目承包人員以及專業(yè)監(jiān)督人員，由甲方提供質(zhì)檢需求，乙方進行質(zhì)控意見的在線反饋，數(shù)據(jù)經(jīng)由內(nèi)部專用網(wǎng)絡(luò)進行存儲和轉(zhuǎn)發(fā)，并通過質(zhì)控平臺查看相關(guān)質(zhì)控數(shù)據(jù)報告以進行在線審核。

3.3? 質(zhì)控報告在線生成

傳統(tǒng)的質(zhì)控記錄工作通常是線下進行的，工作人員需要依賴專業(yè)軟件來記錄質(zhì)檢數(shù)據(jù)，例如質(zhì)檢數(shù)量、合格率等，并且需要進行線下的人工簽字。為了解決這個問題，智能質(zhì)控平臺構(gòu)建了一個網(wǎng)頁端的系統(tǒng)，可以在線生成質(zhì)檢記錄和質(zhì)控報告。

針對質(zhì)檢過程的在線記錄，系統(tǒng)能夠自動獲取質(zhì)檢用戶的信息以及所有的操作，并生成質(zhì)檢記錄表。在這個過程中，系統(tǒng)會完成定量質(zhì)控，而質(zhì)檢人員則負(fù)責(zé)定性判斷。質(zhì)檢表中的關(guān)鍵字段由平臺根據(jù)相應(yīng)的數(shù)據(jù)自動生成，這不僅提高了質(zhì)控處理的效率，也避免了人為主觀因素的影響。

另外，針對質(zhì)控報告的在線生成，平臺會將質(zhì)控點的處理數(shù)據(jù)進行存儲，并按照指定的模板生成相應(yīng)的質(zhì)控報告文檔。報告中會說明檢驗標(biāo)準(zhǔn)以及質(zhì)控結(jié)果是否合格，從而簡化了工作人員的報告流程。

4? 結(jié)束語

通過對儲層預(yù)測數(shù)據(jù)分布式處理組織模式的探索，成功地制定了質(zhì)控處理技術(shù)體系，并在此基礎(chǔ)上搭建了一體化智能質(zhì)控平臺。平臺實現(xiàn)了在線質(zhì)控、遠(yuǎn)程質(zhì)控、三級質(zhì)檢在線管理、質(zhì)控報告和質(zhì)檢記錄的在線生成等功能，大大提高了質(zhì)量和效率。研究結(jié)果表明，智能質(zhì)控平臺對于改善質(zhì)控流程、提升效率和質(zhì)量具有重大價值。后續(xù)將進一步探索這個領(lǐng)域，包括利用深度學(xué)習(xí)技術(shù)如ResNet和GAN等深度神經(jīng)網(wǎng)絡(luò)，來提高質(zhì)控處理結(jié)果的精度。

參考文獻：

[1] 滕吉文，司薌，王玉辰.我國化石能源勘探，開發(fā)潛能與未來[J].石油物探，2021，60（1）：1-12.

[2] 李虹，蔡希玲，王學(xué)軍，等.海量地震數(shù)據(jù)處理方案與技術(shù)發(fā)展趨勢[J].中國石油勘探，2014，19（4）：48-55.

[3] 李鐵柱，韓文娜，王鐵成.VSP數(shù)據(jù)管理質(zhì)量控制方法探討[J].中國信息界，2012（10）：41-43.

[4] HORNBY B E， YU J， SHARP J A， et al. VSP： Beyond time-to-depth[J]. The Leading Edge， 2006，25（4）：446-452.

[5] 王子蘭，王仕儉，李素閃，等.GeoEast處理解釋一體化應(yīng)用[J].天然氣工業(yè)，2007（S1）：222-224.

[6] WANG X-W， QIN G-S， ZHAO W-F， et al. The application of forward modeling technique in seismic acquisition de-sign[J]. Progress in Geophysics， 2012，27（2）：642-650.

[7] WANG H， LI M， SHANG X. Current developments on micro-seismic data processing[J]. Journal of Natural Gas Science and Engineering， 2016（32）：521-537.

[8] 王喜雙，趙邦六，董世泰，等.油氣工業(yè)地震勘探大數(shù)據(jù)面臨的挑戰(zhàn)及對策[J].中國石油勘探，2014，19（4）：43.

[9] LONGDE S， CHAOLIANG F， LIMING S， et al. Innovation and prospect of geophysical technology in the exploration of deep oil and gas[J]. Petroleum Exploration and Development， 2015，42（4）：454-465.

[10] 郭樹祥，王立歆，韓文功.疊前地震數(shù)據(jù)優(yōu)化處理技術(shù)分析[J].石油物探，2006，45（5）：497-502.

[11] 冷廣升.地震數(shù)據(jù)采集質(zhì)量控制方法研究與應(yīng)用[J].中國煤炭地質(zhì)，2010，22（S1）：67-72，76.

[12] BALOVNEV O， BODE T， BREUNIG M， et al. The story of the GeoToolKit-an object-oriented geodatabase kernel system[J]. GeoInformatica， 2004，8（1）：5-47.

[13] SINGH K K V， GUPTA H. A New Approach for the Se-curity of VPN[C]//Proceedings of the Second International conference on Information and Communication Technology for Competitive Strategies， 2016：1-5.

[14] DEAN J， GHEMAWAT S. MapReduce： simplified data processing on large clusters[J]. Communications of the ACM， 2008，51（1）：107-113.

[15] LU J， WANG Y， CHEN J， et al. P-and S-mode separation of three-componentdata[J]. Exploration Geophysics， 2019，50（4）：430-448.

[16] MATEEVA A， ZWARTJES P. Depth calibration of DAS channels： A new data-driven method[C]//79th EAGE Conference and Exhibition 2017，2017：1-5.