一种短期电离层TEC组合预报方法

一种短期电离层tec组合预报方法
技术领域
1.本发明涉及电离层技术领域，尤其涉及一种短期电离层tec组合预报方法。


背景技术：

2.电离层是地球高层大气的重要组成部分，高度大致在距离地面60-1000km的区域，是空间天气的重要研究区域，电离层中有着大量的自由电子和离子，对研究电离层时空变化规律、卫星导航定位以及电磁信号传播等领域有重要的意义。电离层总电子含量(total electric content，tec)可以直接表征电离层磁爆对卫星导航的影响，是表征电离层状态的重要物理参数之一。
3.目前电离层tec预报模型主要有灰色模型、时间序列分析法、神经网络模型、经验模型等。经验模型常用于长时期内tec预报，但预报精度不够理想。非线性神经网络模型可较好反映tec的非线性、非平稳性及周期性等特点，可当发生磁暴时电离层总电子含量受太阳风高能粒子影响导致异常扰动，其非平稳性与非线性特征比磁平静期明显增强，也增加了电离层tec预报的难度。
4.为提高单一神经网络模型预报精度，部分学者采取先分解再预测的策略建立预报模型，广泛采用编码解码器、经验模态分解、集合经验模态分解、改进的集合经验模态分解、小波分解、经验小波分解、经验正交分解等分解模型对电离层tec原始时间序列数据进行分解，再结合神经网络模型对各分量分别预测，但此方法在处理非线性时序数据或存在一定的局限性，如经验模态分解的模态混叠问题。
5.进一步地，人们使用长短期记忆(long-shortterm memory，lstm)神经网络模型解决了在反向传播过程中出现梯度爆炸、消失等缺点，然而单一lstm模型易受冗余信息、难以完全利用时间、空间特征信息等因素影响，无法很好地表示tec时间序列的动态变化规律，导致电离层tec值的预报精度较低。


技术实现要素：

6.本发明的目的在于提供一种短期电离层tec组合预报方法，在奇异谱分析基础上，融合长短期记忆神经网络模型构建短期电离层组合预报改进模型，精确预报电离层tec值。
7.为实现上述目的，本发明提供了一种短期电离层tec组合预报方法，包括下列步骤：
8.选定研究区域，获取区域内电离层gim数据，并按历元提取tec值；
9.所述tec值分组重构为趋势项分量、周期项分量和噪声残差项分量；
10.将所述趋势项分量、所述周期项分量和所述噪声残差项分量分别划分为训练集和测试集，用于ssa-lstmnn模型训练，直至训练结果符合要求；
11.使用训练好的ssa-lstmnn模型进行预测，获得最终的tec预报值；
12.评估ssa-lstmnn模型的预报性能，并与单一lstm模型预报在不同地磁活动情况下进行预报精度分析。
13.其中，选定研究区域后，获取地磁活动指数dst，再以所述地磁活动指数dst值为参考，分别从太阳活动低年、太阳活动高年选取地磁活动平静期和地磁磁暴期作为研究时间段，获得区域内电离层gim数据。
14.其中，在所述tec值分组重构为趋势项分量、周期项分量和噪声残差项分量的过程中，首先选取合适的嵌入维度m值构造轨迹矩阵x，并进行svd分解，通过计算svd分解得到的奇异值贡献率的大小将所述tec值分组重构为趋势项分量、周期项分量和噪声残差项分量。
15.其中，划分为训练集和测试集时，需要将所述趋势项分量、所述周期项分量和所述噪声残差项分量进行零均值归一化处理。
16.其中，所述ssa-lstmnn模型为基于奇异谱分析法且融合长短期记忆神经网络模型构建的短期电离层组合预报改进模型，包括ssa处理部分、序列输入层、lstm层、全连接层和回归输出层，其中lstm层包含输入层、隐藏层和输出层架构。
17.其中，评估ssa-lstmnn模型的预报性能的过程，具体为根据tec预报值和gnss中心发布的电离层gim数据，利用均方根误差和相对精度评估所述ssa-lstmnn模型的预报性能。
18.本发明提供了一种短期电离层tec组合预报方法，构建了一种以奇异谱分析基础并融合长短期记忆神经网络模型的短期电离层组合预报改进模型，通过输入处理后的区域电离层总电子含量数据对短期电离层组合预报改进模型进行训练，训练成功后再结合tec预报值和gnss中心发布的电离层gim数据进行性能评估，最终形成了tec值的预测方法，同时充分考虑电离层tec时空特性，还提高了tec值的预报精度。
附图说明
19.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
20.图1是本发明的一种短期电离层tec组合预报方法的流程示意图。
21.图2是本发明的ssa-lstmnn模型结构示意图。
22.图3是本发明的具体实施例的ssa重构分量示意图。
23.图4是本发明的具体实施例的磁平静期格网点p4、p6和磁暴期格网点p3、p5的tec预报结果与euref参考真实值对比图。
具体实施方式
24.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
25.本发明中相关的背景技术以及术语包括奇异谱分析法(singular spectrum analysis，ssa)是一种处理非线性时间序列数据且与经验正交函数相联系的主成分分析。ssa分解的空间结构与时间尺度密切相关，更适合于研究周期振荡行为而且细节分量分析方面具有优势，可以较好地从tec序列中提取其趋势项、周期项、噪声残差项信息，从而进行对时间序列进行分析或去噪。
26.请参阅图1，本发明提出了一种短期电离层tec组合预报方法，包括下列步骤：
27.s1：选定研究区域，获取区域内电离层gim数据，并按历元提取tec值；
28.s2：所述tec值分组重构为趋势项分量、周期项分量和噪声残差项分量；
29.s3：将所述趋势项分量、所述周期项分量和所述噪声残差项分量分别划分为训练集和测试集，用于ssa-lstmnn模型训练，直至训练结果符合要求；
30.s4：使用训练好的ssa-lstmnn模型进行预测，获得最终的tec预报值；
31.s5：评估ssa-lstmnn模型的预报性能，并与单一lstm模型预报在不同地磁活动情况下进行预报精度分析。
32.选定研究区域后，获取地磁活动指数dst，再以所述地磁活动指数dst值为参考，分别从太阳活动低年、太阳活动高年选取地磁活动平静期和地磁磁暴期作为研究时间段，获得区域内电离层gim数据。
33.在所述tec值分组重构为趋势项分量、周期项分量和噪声残差项分量的过程中，首先选取合适的嵌入维度m值构造轨迹矩阵x，并进行svd分解，通过计算svd分解得到的奇异值贡献率的大小将所述tec值分组重构为趋势项分量、周期项分量和噪声残差项分量。
34.划分为训练集和测试集时，需要将所述趋势项分量、所述周期项分量和所述噪声残差项分量进行零均值归一化处理。
35.所述ssa-lstmnn模型为基于奇异谱分析法且融合长短期记忆神经网络模型构建的短期电离层组合预报改进模型，包括ssa处理部分、序列输入层、lstm层、全连接层和回归输出层，其中lstm层包含输入层、隐藏层和输出层架构。
36.评估ssa-lstmnn模型的预报性能的过程，具体为根据tec预报值和gnss中心发布的电离层gim数据，利用均方根误差和相对精度评估所述ssa-lstmnn模型的预报性能。
37.进一步的，本发明结合具体实施例与执行步骤作详细说明：
38.步骤s1：选定研究区域，获取区域内电离层gim数据，并按历元提取tec值；
39.在本发明实施例中，采用icsu-wds数据中心提供的地磁活动指数dst数据，磁暴等级分类参考地磁强暴度等级标准文件(gb/t 31160-2014)和noaa空间天气预报中心；采用euref提供的电离层gim数据，时空分辨率为0.5
°×
0.5
°×
15min，研究区域范围为15
°
w～25
°
e，35
°
n～62
°
n，磁暴期时间段为2015年doy(day of year，年积日)050-079、磁平静期时间段为2020年doy173-202。
40.步骤s2：所述tec值分组重构为趋势项分量、周期项分量和噪声残差项分量；
41.具体执行步骤如下：
42.步骤201、嵌入(构建轨迹矩阵x)
43.euref(euref permanent gnss network)提供的电离层tec时间序列可表示为s＝(s1，s2，s3，...，sn)，n为时间序列长度。则如式(1)所示轨迹矩阵xm
×
k：
[0044][0045]
式中，x为m
×
k维hankel矩阵，k＝n-m+1，m为窗口长度，为整数且取值范围为2≤m≤n/2，窗口长度设置为时序数据周期的整数倍，一般不超过n/3。
[0046]
步骤202、奇异值分解(svd)
[0047]
x可形成m阶矩阵a＝xxt，λ1，λ2，...，λd为矩阵a非零特征值，且满足λ1＞λ2＞...＞λd，为矩阵x的奇异值。u1，u2，...，ud为矩阵a的特征值对应的标准正交化特征向量，ui为矩阵x的左奇异向量。设向量vi为矩阵x的右奇异向量，轨迹矩阵x可分解若干个与其结构相同的初等矩阵e，rank(e)＝1，即x＝e1+e2+e3+...+ed，初等矩阵d＝rank(x)。
[0048]
步骤203、分组
[0049]
分组可根据分析目标结合初等矩阵贡献率将初等矩阵划分为k个不相交的子集，则轨迹矩阵表示为
[0050]
步骤204、重构(对角平均化)
[0051]
分组得到的每个矩阵都可通过对角平均化转换为长度为n的新时间序列，新时间序列之和为原始电离层tec时间序列数据，定义z＝x
ik
，z1，z2，...，zn为z经过对角平均化所得到的序列，设m
*
＝min(n，k)，k
*
＝max(l，k)且n＝m+k-1，若m＜k，则z
*ij
＝z
ij
；反之z
*ij
＝z
ji
。对角平均化公式为：
[0052][0053]
步骤s3：将所述趋势项分量、所述周期项分量和所述噪声残差项分量分别划分为训练集和测试集，用于ssa-lstmnn模型训练，直至训练结果符合要求；
[0054]
s301、对经ssa分解重构后的tec各分量进行零均值归一化，给予原始数据的均值和标准差进行数据的标准化。经过处理的数据符合标准正态分布，即均值为0，标准差为1；
[0055]
s302、ssa-lstmnn电离层短期预报模型包括ssa处理部分、序列输入层、lstm层、全连接层、回归输出层，在lstm层架构包含输入层、隐藏层和输出层；参照模型误差范围使用tec各分量数据训练ssa-lstmnn模型，在训练过程中不断调整模型参数以达到模型误差范围要求；lstmnn模型神经元添加3个“门”(输入门、遗忘门、输出门)的结构来替换rnn神经元改进长期序列预测：输入门通过确定在单元格状态中需要记住哪些新信息来处理输入，遗忘门从单元格状态中删除不重要的信息，输出门提取存储在单元格状态中的信息，实现选择记忆反馈的误差函数随梯度下降的修正参数从而实现时间上的记忆功能，并防止梯度消失。lstmnn忘记门、输入门、记忆单元状态和输出门，定义为：
[0056]it
＝σ(wi×
[h
t-1
，x
t
]+bi)
[0057]ft
＝σ(wf×
[h
t-1
，x
t
]+bf)
[0058]yt
＝σ(wy×
[h
t-1
，x
t
]+by)
[0059]
[0060][0061]ot
＝tanh(c
t
)
×yt
[0062]
式中：i
t
，f
t
，y
t
分别代表t时刻的输入门、遗忘门、输出门；o
t
和分别代表t时刻神经元经过输出门的输出结果和当前输入的单元状态；x
t
表示输入信息；h
t-1
表示隐藏层状态；c
t-1
表示上一时刻的单元状态；c
t
表示更新后的神经元状态信息；w为lstm层之间的权系数；b为偏置项；σ为sigmoid激活函数，值域(0，1)；tanh为双曲正切激活函数。
[0063]
步骤s4：使用训练好的ssa-lstmnn模型进行预测，获得最终的tec预报值；
[0064]
具体的，将tec数据经ssa分解重构得到的趋势项分量、周期项分量和噪声残差项分量分别使用训练好的lstmnn模型进行预测，最后各分量预测结果叠加得到最终的tec预报值；
[0065]
所用数据为两时间段各30天时间尺度数据：用前27天tec值预报后3天的tec值，实验数据和预报结果数据的时间分辨率均为15min。各重构分量分别使用最终训练好的ssa-lstmnn进行预测，最后各分量预测结果叠加得到最终的tec预报值；模型的隐藏层数为8、以adam为优化器防止过拟合，损失函数为均方差损失，初始学习率为0.02；lstm神经网络模型。
[0066]
步骤s5：评估ssa-lstmnn模型的预报性能，并与单一lstm模型预报在不同地磁活动情况下进行预报精度分析。
[0067]
根据预报的tec和gnss中心发布的电离层gim数据，利用均方根误差、相对精度评估ssa-lstmnn模型的预报性能，并与单一lstm模型预报在不同地磁活动情况下进行预报精度分析。
[0068][0069][0070]
式中，tec
p
为模型预测值；tecr为euref提供的参考值；n为预报tec数据长度。
[0071]
本实施例中，根据dst数据选取太阳活动较低年份的磁平静期(2020年doy173-202)、太阳活动较高年份的磁暴期(2015年doy 050-079)，利用euref电离层gim文件提取欧洲区域范围内p1(35.5
°
n，10
°
w)、p2(35.5
°
n，0
°
)、p3(35.5
°
n，10
°
e)、p4(35.5
°
n，20
°
e)、p5(61.5
°
n，10
°
w)、p6(61.5
°
n，0
°
)、p7(61.5
°
n，10
°
e)、p8(61.5
°
n，20
°
e)八个格网点处的电离层tec数据；
[0072]
图3展示了根据电离层tec数据的长度、电离层周期变化规律确定嵌入维度m的取值为96，计算经奇异值分解(svd)降序排列得到的奇异值的贡献率，重构得到的趋势项、周期项、噪声残差项；
[0073]
图4展示了tec时序数据经ssa分解重构得到的趋势项、周期项、噪声残差项分量预报结果叠加得到的tec最终结果与实际值的对比图，可以看出本发明提出的电离层短期组合预报模型能够有效提高电离层tec的预报精度；
[0074]
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。