采用机器学习预测地震的基础研究：

• 1. 研究人员采用回归算法和云计算能力，分析测试1970-2017年的加州地震数据，试图实现7天内预测地震震级，得到较好的结果。
  Asencio–Cortés, G., Morales–Esteban, A., Shang, X., & Martínez–Álvarez, F. (2018). Earthquake prediction in California using regression algorithms and cloud-based big data infrastructure. Computers & Geosciences, 115, 198–210. https://doi.org/10.1016/j.cageo.2017.10.011

• 2. 作者分析研究了近期发表的84篇采用人工智能预测地震的学术论文，对这些方法进行了分类分析，提出选择方法的标准和现存的挑战。
  Banna, Md. H. A., Taher, K. A., Kaiser, M. S., Mahmud, M., Rahman, Md. S., Hosen, A. S. M. S., & Cho, G. H. (2020). Application of Artificial Intelligence in Predicting Earthquakes: State-of-the-Art and Future Challenges. IEEE Access, 8, 192880–192923. https://doi.org/10.1109/ACCESS.2020.3029859

• 3. 研究人员应用基于时间卷积注意力长短期记忆网络预测地震发生的时间、震级和地点，采用日本1900年至2021年的地震数据做训练和测试，得到了有希望实用的预测结果。
  Berhich, A., Belouadha, F.-Z., & Kabbaj, M. I. (2023). An attention-based LSTM network for large earthquake prediction. Soil Dynamics and Earthquake Engineering, 165, 107663. https://doi.org/10.1016/j.soildyn.2022.107663

• 4. 在实验室模拟板块俯冲破裂过程，研究人员采用人工智能预测“地震“发生的时间和大小，认为监测板块系统的时空压力变化十分关键。
  Corbi, F., Sandri, L., Bedford, J., Funiciello, F., Brizzi, S., Rosenau, M., & Lallemand, S. (2019). Machine Learning Can Predict the Timing and Size of Analog Earthquakes. Geophysical Research Letters, 46(3), 1303–1311. https://doi.org/10.1029/2018GL081251

• 5. 伊朗研究人员采用观测大气微量元素密度预测地震的震级和每月发生数量，测试结果显示预测震级96%准确率，预测地震数量78%准确率。
  Hajikhodaverdikhan, P., Nazari, M., Mohsenizadeh, M., Shamshirband, S., & Chau, K. (2018). Earthquake prediction with meteorological data by particle filter-based support vector regression. Engineering Applications of Computational Fluid Mechanics, 12(1), 679–688. https://doi.org/10.1080/19942060.2018.1512010

• 6. 研究人员发现地震孕震期间电磁波的释放比其它前兆更有普遍性，分析研究欧洲电磁放射台网 (INFREP) 的数据，显示可能预测5级以上的地震。
  Kachakhidze, M., Kachakhidze-Murphy, N., Khvitia, B., & Ramishvili, G. (2019). Large Earthquake Prediction Methods. Open Journal of Earthquake Research, 08(04), 239–254. https://doi.org/10.4236/ojer.2019.84014

• 7. 研究人员对比分析了八种应用机器学习实现地震短期预测的方法，测试结果显示其中三种预测方法比较有效。
  Mallouhy, R., Jaoude, C. A., Guyeux, C., & Makhoul, A. (2019). Major earthquake event prediction using various machine learning algorithms. In 2019 International Conference on Information and Communication Technologies for Disaster Management (ICT-DM) (pp. 1–7). Paris, France: IEEE. https://doi.org/10.1109/ICT-DM47966.2019.9032983

• 8. 作者分析了1994-2019年间77篇应用人工智能预测地震的方法，认为由于目前这些方法的参数较少、模型简单，采用更简单的、传统的物理统计方法和结论也可以得出相似的预测结果。
  Mignan, A., & Broccardo, M. (2020). Neural Network Applications in Earthquake Prediction (1994–2019): Meta-Analytic and Statistical Insights on Their Limitations. Seismological Research Letters, 91(4), 2330–2342. https://doi.org/10.1785/0220200021

• 9. 作者分析研究了2017-2021年间31项应用人工智能预测地震的方法和研究结果，提出最有希望的人工智能预测地震方法。
  Ridzwan, N. S. M., & Yusoff, S. H. Md. (2023). Machine learning for earthquake prediction: a review (2017–2021). Earth Science Informatics. https://doi.org/10.1007/s12145-023-00991-z

• 10. 研究人员认为板块运动导致地震具有全球性特征，因此采用全球不同区域的地震时空特征和LSTM方法来学习，模拟测试显示较好结果。
  Wang, Q., Guo, Y., Yu, L., & Li, P. (2020). Earthquake Prediction Based on Spatio-Temporal Data Mining: An LSTM Network Approach. IEEE Transactions on Emerging Topics in Computing, 8(1), 148–158. https://doi.org/10.1109/TETC.2017.2699169

基于地动监测交通的基础研究：

• 1. 日本九州大学研究人员采用地震仪数据，应用人工智能对车辆进行分类的应用，提取三种不同尺寸车辆和振动噪声的特征。
  Ahmad, A. B., & Tsuji, T. (2021). Traffic Monitoring System Based on Deep Learning and Seismometer Data. Applied Sciences, 11(10), 4590. https://doi.org/10.3390/app11104590

• 2. 美国莱斯大学研究人员利用声波传感器记录车辆行驶噪音，通过分析声波模型来估计车辆的速度、轴距长度及轮胎的轮距。
  Cevher, V., Chellappa, R., & McClellan, J. H. (2009). Vehicle Speed Estimation Using Acoustic Wave Patterns. IEEE Transactions on Signal Processing, 57(1), 30–47. https://doi.org/10.1109/tsp.2008.2005750

• 3. 美国科学家在加州的一条公路旁垂直方向布110米光纤电缆记录交通噪音，利用噪音信号为地面至地下20米深的区域做速度结构成像，监测水含量和结冰状况。
  Dou, S., Lindsey, N., Wagner, A. M., Daley, T. M., Freifeld, B., Robertson, M., et al. (2017). Distributed Acoustic Sensing for Seismic Monitoring of The Near Surface: A Traffic-Noise Interferometry Case Study. Scientific Reports, 7(1). https://doi.org/10.1038/s41598-017-11986-4

• 4. 美国威斯康星大学麦迪逊分校的研究人员介绍了他们在分布式无线声音传感器网络中对移动车辆类型进行分类，包括数据收集过程、特征提取和预处理步骤以及基线分类器的开发。
  Duarte, M. F., & Hen Hu, Y. (2004). Vehicle classification in distributed sensor networks. Journal of Parallel and Distributed Computing, 64(7), 826–838. https://doi.org/10.1016/j.jpdc.2004.03.020

• 5. 美国加州大学圣地亚哥分校研究人员采用5200个地震仪覆盖7×10公里的区域，监测交通、火车、飞机与城市的振动信号，认为地震仪有可能用于监测交通。
  Riahi, N, and Gerstoft, P. (2015). The seismic traffic footprint: Tracking trains, aircraft, and cars seismically. Geophys. Res. Lett., 42, 2674– 2681. https://doi.org/10.1002/2015GL063558

• 6. 印度新德里科学与创新研究院的研究人员采用地震仪记录汽车行驶信号，研究检测汽车通过的算法，试图提高车辆检测准确率。
  Ghosh, R., Akula, A., Kumar, S., & Sardana, H. K. (2015). Time–frequency analysis based robust vehicle detection using seismic sensor. Journal of Sound and Vibration, 346, 424–434. https://doi.org/10.1016/j.jsv.2015.02.011

• 7. 美国德克萨斯大学奥斯汀分校的研究人员将埋在地下三尺深的三分量地震仪应用于探测和分类各种车辆，开发了自动车辆分类算法。根据发动机中的气缸数量、车轴数量、发动机类型（燃气或柴油）及其相对重量对车辆进行分类。
  Gramann, R. A., Bennett, M. B., & O’Brien, T. D. (1999). Vehicle and personnel detection using seismic sensors. SPIE Proceedings, 3577. https://doi.org/10.1117/12.336952

• 8. 土耳其耶迪特佩大学的研究人员利用在无线传感器网络中运行的地震传感器，开发了一种用于脚步识别、车辆和雨水检测的实时算法。该方法利用慢速和快速自适应阈值来消除静态和动态噪声，以检查是否存在干扰。
  Koç, G., & Yegin, K. (2013b). Footstep and Vehicle Detection Using Slow and Quick Adaptive Thresholds Algorithm. International Journal of Distributed Sensor Networks, 9(10), 783604. https://doi.org/10.1155/2013/783604