一种在线学习的原子钟钟差预测方法及系统与流程

本发明涉及时间频率校准。更具体地，涉及一种在线学习的原子钟钟差预测方法及系统。

背景技术：

1、随着科技水平的不断进步，越来越多的实验室开始建设本地的时间标准。实验室本地时间标准的计算通常使用at1算法、algos算法和kalman算法，其中at1和algos这两种算法都需要预测下一时刻守时钟组中每台原子钟相对于纸面时的钟差。所以，如何精准的预测原子钟的钟差是十分重要的。但是，由于一些原子钟内部的物理结构对环境依赖较高，原子钟的状态和性能会受到周围环境影响，导致原子钟钟差数据发生突变。

2、目前，钟差预测的方法主要分为两个方向。第一个方向是采用一次/二次多项式模型进行钟差预测，该方法的局限性是无法进行精确预测。第二个方向是构建神经网络实现钟差预测，该方法的预测值较第一个方向的预测值更为精准。

3、然而，目前使用的神经网络训练方法，只通过历史时间序列内固定的一段时间训练得到权重文件，当原子钟状态发生改变时，该权重文件下的钟差预测值就会发生偏离。

4、因此，亟需解决在原子钟状态发生改变后快速精准的进行钟差预测这一问题。

技术实现思路

1、本发明的目的在于提供一种在线学习的原子钟钟差预测方法及系统，以解决现有技术存在的问题中的至少一个。

2、为达到上述目的，本发明采用下述技术方案：

3、本发明第一方面提供了一种在线学习的原子钟钟差预测方法，该方法包括

4、利用原始钟差数据生成离线训练集并训练预测模型的初始权重；

5、利用钟差采集设备和kafka将所述原始钟差数据发送到kafka的消息队列；

6、利用link消费当前时间窗口的所述原始钟差数据并输入所述预测模型进行在线训练生成预测值；

7、消费下一时间窗口的所述原始钟差数据，并计算所述预测值与所述下一时间窗口的所述原始钟差数据的偏离程度及更新权重；

8、将所述预测值与更新后的权重分别存入所述kafka作为备份数据。

9、可选地，所述利用钟差采集设备和kafka将所述原始钟差数据发送到kafka的消息队列包括

10、利用钟差采集设备采集原子钟之间的原始钟差数据；

11、利用所述原始钟差数据生成json格式数据包并将所述json格式数据包发送至kafka的原始数据分区；其中

12、所述json格式数据包设备发送时间戳和kafka接收时间戳。

13、可选地，所述利用flink消费当前时间窗口的所述原始钟差数据并输入所述预测模型进行在线训练生成预测值包括

14、利用所述flink通过时间窗口模式消费所述json格式数据包并反序列化为所述原始钟差数据的时间序列。

15、可选地，所述利用flink消费当前时间窗口的所述原始钟差数据并输入所述预测模型进行在线训练生成预测值还包括

16、将所述时间序列作为在线训练样本并通过所述flink载入所述预测模型。

17、可选地，所述消费下一时间窗口的所述原始钟差数据，并计算所述预测值与所述下一时间窗口的所述原始钟差数据的偏离程度及更新权重包括

18、在所述flink中创建用于暂存当前预测钟差的算子并将所述当前预测钟差数据存入所述flink的数据缓存中。

19、可选地，所述消费下一时间窗口的所述原始钟差数据，并计算所述预测值与所述下一时间窗口的所述原始钟差数据的偏离程度及更新权重还包括

20、按照所述设备发送时间戳的顺序与所述当前钟差预测数据一一对应关系，利用flink消费下一时间窗口的原始钟差数据。

21、可选地，所述消费下一时间窗口的所述原始钟差数据，并计算所述预测值与所述下一时间窗口的所述原始钟差数据的偏离程度及更新权重还包括

22、判断所述预测值与所述原始钟差数据的差值的绝对值是否大于0.01倍的所述预测值；

23、若大于，则当前时刻所述原始钟差数据出现跳变并计入无效在线训练样本，且不进行更新权重。

24、可选地，所述判断所述预测值与所述原始钟差数据的差值的绝对值是否大于0.01倍的所述预测值还包括

25、若不大于，则利用梯度下降算法对所述预测模型在线更新权重。

26、可选地，所述消费下一时间窗口的所述原始钟差数据，并计算所述预测值与所述下一时间窗口的所述原始钟差数据的偏离程度及更新权重还包括

27、通过所述预测模型的逻辑回归函数和所述梯度下降算法，当前时间窗口获得新的预测模型。

28、本发明第二方面提供了一种在线学习的原子钟钟差预测系统，该系统包括

29、初始训练模块，用于利用原始钟差数据生成离线训练集并训练预测模型的初始权重；

30、钟差采集设备和kafka模块，用于利用钟差采集设备和kafka将所述原始钟差数据发送到kafka的消息队列；

31、在线训练模块，用于利用实时流处理和flink消费当前时间窗口的所述原始钟差数据并输入所述预测模型进行在线训练生成预测值；

32、计算偏离程度及更新权重模块，用于消费下一时间窗口的所述原始钟差数据，并计算所述预测值与所述下一时间窗口的所述原始钟差数据的偏离程度及更新权重；

33、备份模块，用于将所述预测值与更新后的权重分别存入所述kafka作为备份数据。

34、本发明的有益效果如下：

35、本发明提供的一种在线学习的原子钟钟差预测方法，有效解决在原子钟状态发生改变时，实时地生产钟差预测结果的问题；并及时进行预测模型权重参数的更新，必要时能够回滚预测权重。

技术特征：

1.一种在线学习的原子钟钟差预测方法，其特征在于，该方法包括

2.根据权利要求1所述的在线学习的原子钟钟差预测方法，其特征在于，

3.根据权利要求2所述的在线学习的原子钟钟差预测方法，其特征在于，

4.根据权利要求3所述的在线学习的原子钟钟差预测方法，其特征在于，

5.根据权利要求4所述的在线学习的原子钟钟差预测方法，其特征在于，

6.根据权利要求4所述的在线学习的原子钟钟差预测方法，其特征在于，

7.根据权利要求6所述的在线学习的原子钟钟差预测方法，其特征在于，

8.根据权利要求6所述的在线学习的原子钟钟差预测方法，其特征在于，

9.根据权利要求8所述的在线学习的原子钟钟差预测方法，其特征在于，

10.一种在线学习的原子钟钟差预测系统，其特征在于，该系统包括

技术总结
本发明实施例公开一种在线学习的原子钟钟差预测方法及系统。在一具体实施方式中，该方法包括利用原始钟差数据生成离线训练集并训练预测模型的初始权重；利用钟差采集设备和Kafka将所述原始钟差数据发送到Kafka的消息队列；利用Flink消费当前时间窗口的所述原始钟差数据并输入所述预测模型进行在线训练生成预测值；消费下一时间窗口的所述原始钟差数据，并计算所述预测值与所述下一时间窗口的所述原始钟差数据的偏离程度及更新权重；将所述预测值与更新后的权重分别存入所述Kafka作为备份数据。该实施方式有效解决在原子钟状态发生改变时，实时地生产钟差预测结果的问题；并及时进行预测模型权重参数的更新，必要时能够回滚预测权重。

技术研发人员：王瑞皓,杨嘉明,张然,袁媛
受保护的技术使用者：北京无线电计量测试研究所
技术研发日：
技术公布日：2024/1/15