基于神经网络的信息外推方法、装置、设备及存储介质

本发明涉及高精度定位，尤其涉及一种基于神经网络的信息外推方法、装置、设备及存储介质。

背景技术：

1、现阶段进行单频精密单点定位（precise point positioning，ppp）的过程中，大气延迟改正参数是否准确对定位精度和收敛时间有着至关重要的影响，一个高精度的大气延迟改正可以将定位精度从分米级提升到厘米级，将收敛时间缩短到分钟级别，现阶段对单频ppp中的气象延迟处理方法主要是利用物理或数学模型进行估计或直接使用上一历元的数据作为当前历元的初值进行计算，但是大气变化快速且复杂，利用简单物理或数学模型无法精确描述其变化情况，复杂模型会增加大量的计算负载，影响定位时效性，直接使用上一历元数据进行计算更是忽略了大气变化的影响，无法获得一个满足定位精度的大气延迟初值。

技术实现思路

1、本发明的主要目的在于提供一种基于神经网络的信息外推方法、装置、设备及存储介质，旨在解决现有技术中在大气变化复杂情况下，利用简单物理或数学模型无法精确描述其变化情况，复杂模型会增加大量的计算负载，影响定位时效性，定位精度较差的技术问题。

2、第一方面，本发明提供一种基于神经网络的信息外推方法，所述基于神经网络的信息外推方法包括以下步骤：

3、获取大气信息历史序列，并使用k临近算法补齐所述大气信息历史序列中缺失的时间点数据；

4、对补齐的序列进行方差定权，获得方差数据，将所述方差数据输入至预设神经网络模型中进行训练，获得训练结果，并对所述训练结果进行广播；

5、获取历史气象信息，将所述历史气象信息与广播接收到的目标数据进行结合，获得历史预报信息，并将所述历史预报信息输入至所述预设神经网络模型中，获得输出信息，并将所述输出信息进行外推。

6、可选地，所述获取大气信息历史序列，并使用k临近算法补齐所述大气信息历史序列中缺失的时间点数据，包括：

7、获取大气信息历史序列，从所述大气信息历史序列中获得待插值点周围的历史大气延迟数据；

8、利用k临近算法计算所述历史大气延迟数据对应的插值数据，根据所述插值数据补齐所述大气信息历史序列中缺失的时间点数据。

9、可选地，所述利用k临近算法计算所述历史大气延迟数据对应的插值数据，根据所述插值数据补齐所述大气信息历史序列中缺失的时间点数据，包括：

10、获取所述历史大气延迟数据中各待插值点周围的已知点数据；

11、根据所述已知点数据利用k临近算法计算各已知点的欧氏距离和反距离，将欧式距离和反距离进行加权估计，获得各待插值点对应的插值数据；

12、根据所述插值数据补齐所述大气信息历史序列中缺失的时间点数据。

13、可选地，所述根据所述插值数据补齐所述大气信息历史序列中缺失的时间点数据，包括：

14、根据所述插值数据对已有数据附近的缺失值进行插值，插值完成后通过递归补齐所述大气信息历史序列中缺失的整个区域和时间段的时间点数据。

15、可选地，所述对补齐的序列进行方差定权，获得方差数据，将所述方差数据输入至预设神经网络模型中进行训练，获得训练结果，并对所述训练结果进行广播，包括：

16、获取历史气象信息估计结果，根据所述历史气象信息估计结果按照时间和解算进度对补齐的序列进行方差定权；

17、对定权序列中的数据野值进行剔除，获得方差数据；

18、将所述方差数据输入至预设神经网络模型中进行训练，获得训练结果，并对所述训练结果进行广播。

19、可选地，所述对定权序列中的数据野值进行剔除，获得方差数据，包括：

20、根据预设置信度和预设自由度计算野值判断阈值，根据所述野值判断阈值确定所述定权序列中的数据野值，相应的，通过下述公式获得数据野值：

21、

22、其中，g为野值估计值，yi为计算结果，为数据均值，n为数据个数，s为数据方差，t为野值置信度，n为预置自由度，tα/(2n)，n-2为预置置信度；

23、将所述数据野值从所述定权序列中剔除，获得方差数据。

24、可选地，所述将所述方差数据输入至预设神经网络模型中进行训练，获得训练结果，并对所述训练结果进行广播，包括：

25、提取所述方差数据中对流层延迟的周期项系数，利用最小二乘法获取所述周期项系数对应的残差项；

26、利用预设神经网络模型对所述残差项进行预报，将预报数据与原始周期信号结合，获得对流层预报模型；

27、将所述方差数据中电离层延迟中的周期项数据进行剔除，获得残差数据；

28、将所述残差数据输入至所述预设神经网络模型进行训练，获得电离层训练数据，将所述电离层训练数据与所述周期项数据结合，获得电离层预报模型；

29、将所述对流层预报模型和所述电离层预报模型作为训练结果，并对所述训练结果进行广播。

30、第二方面，为实现上述目的，本发明还提出一种基于神经网络的信息外推装置，所述基于神经网络的信息外推装置包括：

31、序列获取模块，用于获取大气信息历史序列，并使用k临近算法补齐所述大气信息历史序列中缺失的时间点数据；

32、训练广播模块，用于对补齐的序列进行方差定权，获得方差数据，将所述方差数据输入至预设神经网络模型中进行训练，获得训练结果，并对所述训练结果进行广播；

33、外推模块，用于获取历史气象信息，将所述历史气象信息与广播接收到的目标数据进行结合，获得历史预报信息，并将所述历史预报信息输入至所述预设神经网络模型中，获得输出信息，并将所述输出信息进行外推。

34、第三方面，为实现上述目的，本发明还提出一种基于神经网络的信息外推设备，所述基于神经网络的信息外推设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于神经网络的信息外推程序，所述基于神经网络的信息外推程序配置为实现如上文所述的基于神经网络的信息外推方法的步骤。

35、第四方面，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于神经网络的信息外推程序，所述基于神经网络的信息外推程序被处理器执行时实现如上文所述的基于神经网络的信息外推方法的步骤。

36、本发明提出的基于神经网络的信息外推方法，通过获取大气信息历史序列，并使用k临近算法补齐所述大气信息历史序列中缺失的时间点数据；对补齐的序列进行方差定权，获得方差数据，将所述方差数据输入至预设神经网络模型中进行训练，获得训练结果，并对所述训练结果进行广播；获取历史气象信息，将所述历史气象信息与广播接收到的目标数据进行结合，获得历史预报信息，并将所述历史预报信息输入至所述预设神经网络模型中，获得输出信息，并将所述输出信息进行外推，能够极大的提高定位精度和收敛时间，能够降低计算负载，提高了定位时效性，提升了定位精度，提升了基于神经网络的信息外推的速度和效率。

技术特征：

1.一种基于神经网络的信息外推方法，其特征在于，所述基于神经网络的信息外推方法包括：

2.如权利要求1所述的基于神经网络的信息外推方法，其特征在于，所述获取大气信息历史序列，并使用k临近算法补齐所述大气信息历史序列中缺失的时间点数据，包括：

3.如权利要求2所述的基于神经网络的信息外推方法，其特征在于，所述利用k临近算法计算所述历史大气延迟数据对应的插值数据，根据所述插值数据补齐所述大气信息历史序列中缺失的时间点数据，包括：

4.如权利要求3所述的基于神经网络的信息外推方法，其特征在于，所述根据所述插值数据补齐所述大气信息历史序列中缺失的时间点数据，包括：

5.如权利要求1所述的基于神经网络的信息外推方法，其特征在于，所述对补齐的序列进行方差定权，获得方差数据，将所述方差数据输入至预设神经网络模型中进行训练，获得训练结果，并对所述训练结果进行广播，包括：

6.如权利要求5所述的基于神经网络的信息外推方法，其特征在于，所述对定权序列中的数据野值进行剔除，获得方差数据，包括：

7.如权利要求5所述的基于神经网络的信息外推方法，其特征在于，所述将所述方差数据输入至预设神经网络模型中进行训练，获得训练结果，并对所述训练结果进行广播，包括：

8.一种基于神经网络的信息外推装置，其特征在于，所述基于神经网络的信息外推装置包括：

9.一种基于神经网络的信息外推设备，其特征在于，所述基于神经网络的信息外推设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于神经网络的信息外推程序，所述基于神经网络的信息外推程序配置为实现如权利要求1至7中任一项所述的基于神经网络的信息外推方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有基于神经网络的信息外推程序，所述基于神经网络的信息外推程序被处理器执行时实现如权利要求1至7中任一项所述的基于神经网络的信息外推方法的步骤。

技术总结
本发明公开了一种基于神经网络的信息外推方法、装置、设备及存储介质，所述方法通过获取大气信息历史序列，并使用K临近算法补齐所述大气信息历史序列中缺失的时间点数据；对补齐的序列进行方差定权，获得方差数据，将所述方差数据输入至预设神经网络模型中进行训练，获得训练结果，并对所述训练结果进行广播；获取历史气象信息，将所述历史气象信息与广播接收到的目标数据进行结合，获得历史预报信息，并将所述历史预报信息输入至所述预设神经网络模型中，获得输出信息，并将所述输出信息进行外推，能够极大的提高定位精度和收敛时间，能够降低计算负载，提高了定位时效性，提升了定位精度，提升了基于神经网络的信息外推的速度和效率。

技术研发人员：彭文杰,姚宜斌,褚睿韬,孔建,许超钤
受保护的技术使用者：武汉大学
技术研发日：
技术公布日：2024/1/11