A Hybrid Computational Method Based on Convex Optimization for Outlier Problems: Application to Earthquake Ground Motion Prediction

摘要

Statistical modelling plays a central role for any prediction problem of interest. However, predictive models may give misleading results when the data contain outliers. In many real-world applications, it is important to identify and treat the outliers without direct elimination. To handle such issues, a hybrid computational method based on conic quadratic programming is introduced and employed on earthquake ground motion dataset. This method aims to minimize the impact of the outliers on regression estimators as well as handling the nonlinearity in the dataset. Results are compared against widely used parametric and nonparametric ground motion prediction models.%Daugelis praktinių prognozavimo uždavinių sprendžiami statistinio modeliavimo metodu. Tačiau prognostiniai modeliai gali duoti klaidingų rezultatų esant išskirtims. Daugelyje praktinių uždavinių svarbu neeliminuoti išskirčių - jas identifikuoti ir nagrinėti. Tam ir skirtas hibridinis metodas, pagrįstas kūginiu kvadratiniu programavimu, kuris pritaikytas nagrinėti žemės drebėjimo duomenims. Šiuo metodu siekiama minimizuoti išskirčių įtaką regresijos įverčiams, taip pat atsižvelgti į duomenų netiesiškumus. Gauti rezultatai palyginti su rezultatais, gautais plačiai taikomais parametriniais ir neparametriniais žemės drebėjimo prognozavimo metodais.