CN110990462A - 一种用于提高电离层foF2机器学习精度的时间序列数据处理方法 - Google Patents

Abstract

本发明涉及一种用于提高电离层foF2机器学习精度的时间序列数据处理方法，通过提取电离层foF2时间序列在不同时间尺度上的变化规律，将原始时间序列根据半天、一天、半年、一年、十一年周期特性拆分为五组时间序列，同时将原始时间序列向前移动一个时刻，得到第六组序列，将所有六组序列作为机器学习输入参数，当前时刻的foF2观测值作为机器学习输出，训练模型实现下一时刻的foF2预测；结果表明，在相同机器学习超参数条件下，本发明采用的方法具有更高的foF2预测精度。

Description

一种用于提高电离层foF2机器学习精度的时间序列数据处理 方法

技术领域

本发明属于空间天气学领域，尤其涉及一种用于提高电离层foF2机器学习 精度的时间序列数据处理方法。

背景技术

电离层受太阳周期性变化、地磁活动及粒子输运的共同作用，其分层结构 处于动态变化中，是一种非均匀色散各向异性且具有特殊电磁效应的媒质。短 波经电离层调制后呈现出复杂的电磁学规律。

F2层临界频率(foF2)是表征电离层特性最重要的参数之一，反应了电离 层对短波反射起主要作用的F2层的电子密度变化情况，foF2的准确预测可辅助 计算短波天波在未来一段时间的可用频率，对短波在突发自然灾害中的应急通 信具有重要现实意义。foF2的建模预测通常采用机器学习的方法，已经有文献 论述了方法的有效性，常规处理方法需要将表征foF2变化规律的太阳黑子数、 太阳10.7cm射电流量、地磁Ap指数等参数作为机器学习的输入，而这些参数 的测量、校正和更新需要持续一定时间，难以满足foF2预测的工程化应用。为 了避免多参数建模，有文献用基于机器学习的时间序列方法实现了foF2的预测， 但是对历史foF2序列仅作短期的平滑、差分处理，导致机器学习效率不高，预 测准确度有限。

发明内容

本发明的目的是提供一种用于提高电离层foF2机器学习精度的时间序列数 据处理方法，解决foF2建模中常用的机器学习方法存在的模型精度不够高的问 题。

为了解决上述问题，本发明所采用的技术方案是：

一种用于提高电离层foF2机器学习精度的时间序列数据处理方法，包括以 下步骤：

第一步、获取foF2历年观测的月24小时中值数据序列，记为 f(t)＝{f(t₁),f(t₂),f(t₃),…,f(t_n)}，其中t为最小时间粒度(小时)，整个序列含所有 观测年中每个月24小时的foF2参数值；

第二步、根据foF2 12小时变化规律、1天变化规律、半年变化规律1年变 化规律和11年变化规律，将数据序列拆分为五列。记t_hd为12小时，即第一列 为f₁(t)＝{f(t₁-t_hd),f(t₂-t_hd),f(t₃-t_hd),…,f(t_n-t_hd)}；第二列为 f₂(t)＝{f(t₁-2t_hd),f(t₂-2t_hd),f(t₃-2t_hd),…,f(t_n-2t_hd)}；第三列为 f₃(t)＝{f(t₁-6·2t_hd),f(t₂-6·2t_hd),f(t₃-6·2t_hd),…,f(t_n-6·2t_hd)}；第四列为 f₄(t)＝{f(t₁-12·2t_hd),f(t₂-12·2t_hd),f(t₃-12·2t_hd),…,f(t_n-12·2t_hd)}；第五列为 f₅(t)＝{f(t₁-11·12·2t_hd),f(t₂-11·12·2t_hd),f(t₃-11·12·2t_hd),…,f(t_n-11·12·2t_hd)}；

第三步、将原始序列f(t)＝{f(t₁),f(t₂),f(t₃),…,f(t_n)}向前平移一个时刻t_h，t_h＝1小时，得到第六列时间序列为f₆(t)＝{f(t₁-t_h),f(t₂-t_h),f(t₃-t_h),…,f(t_n-t_h)}；

第四步、以前三步所得的六列foF2序列作为机器学习模型的输入，当前时 刻(原始序列)f_out(t)＝{f(t₁),f(t₂),f(t₃),…,f(t_n)}作为机器学习的输出序列；

第五步、对所有序列进行归一化：f_new(t)＝f_n(t)/max[f(t)]；

第六步、设定机器学习超参数，将第五步所得序列带入机器学习模型进行 训练；

第七步、训练结束，输出下一时刻的foF2预测值，记为f(t+1)，存档训练后 的机器学习模型。

与现有技术相比，本发明的有益效果是：

本发明方法在不获取与foF2相关的太阳黑子数、太阳10.7cm射电流量、 地磁Ap指数等参数前提下，基于foF2时间序列特性，将序列按半天、一天、 半年、一年、十一年变化规律拆分为五组序列，并将原始序列向前平移一个时 刻形成第六组序列，共六维特征的序列作为机器学习输入、以当前时刻foF2作 为机器学习输出。如此作foF2时间序列数据处理，可在相同机器学习超参数条 件下，获得更好的序列预测精度。

具体实施方式

下面通过具体实施方式对本发明作进一步详细说明。其中不同实施方式中 类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描 述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的 认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材 料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显 示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本 领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中 的描述以及本领域的一般技术知识即可完整了解相关操作。

本发明涉及一种用于提高电离层foF2机器学习精度的时间序列预处理方 法，包括以下步骤：

第一步、获取foF2历年观测的月24小时中值数据序列，记为 f(t)＝{f(t₁),f(t₂),f(t₃),…,f(t_n)}，其中t为最小时间粒度(小时)，整个序列含所有 观测年中每个月24小时的foF2参数值；

第二步、根据foF2 12小时变化规律、1天变化规律、半年变化规律1年变 化规律和11年变化规律，将数据序列拆分为五列。记t_hd为12小时，即第一列 为f₁(t)＝{f(t₁-t_hd),f(t₂-t_hd),f(t₃-t_hd),…,f(t_n-t_hd)}；第二列为 f₂(t)＝{f(t₁-2t_hd),f(t₂-2t_hd),f(t₃-2t_hd),…,f(t_n-2t_hd)}；第三列为 f₃(t)＝{f(t₁-6·2t_hd),f(t₂-6·2t_hd),f(t₃-6·2t_hd),…,f(t_n-6·2t_hd)}；第四列为 f₄(t)＝{f(t₁-12·2t_hd),f(t₂-12·2t_hd),f(t₃-12·2t_hd),…,f(t_n-12·2t_hd)}；第五列为 f₅(t)＝{f(t₁-11·12·2t_hd),f(t₂-11·12·2t_hd),f(t₃-11·12·2t_hd),…,f(t_n-11·12·2t_hd)}；

第三步、将原始序列f(t)＝{f(t₁),f(t₂),f(t₃),…,f(t_n)}向前平移一个时刻t_h，t_h＝1小时，得到第六列时间序列为f₆(t)＝{f(t₁-t_h),f(t₂-t_h),f(t₃-t_h),…,f(t_n-t_h)}；

第四步、以前三步所得的六列foF2序列作为机器学习模型的输入，当前时 刻(原始序列)f_out(t)＝{f(t₁),f(t₂),f(t₃),…,f(t_n)}作为机器学习的输出序列；

第五步、对所有序列进行归一化：f_new(t)＝f_n(t)/max[f(t)]；

第六步、设定机器学习超参数，将第五步所得序列带入机器学习模型进行 训练；

第七步、训练结束，输出下一时刻的foF2预测值，记为f(t+1)，存档训练后的 机器学习模型。

下面介绍一个具体的实施例：

以位于日本的YAMAGAWA电离层观测站foF2参数的机器学习建模预测为例， 说明发明的有效性。

foF2序列含1971-1990年共20年月24小时中值数据，常规时间序列数据 处理方法是使用foF2前n(n一般为1～3)个值预测下一时刻值，此处经实验， 使用前1时刻预测下一时刻时机器学习建模效果较好。利用python的 scikit-learn库调用机器学习模型，使用1971-1989年数据进行训练，1990年 数据进行测试。设置相同的模型参数，对比本文方法。以平均平方误差(MSE)、 均方根误差(RMSE)、相关系数(R)表征预测准确度。结果如表1-3所示，本 文方法的三个误差指标都优于普通时间序列。

表1两种序列处理方法相同机器学习模型foF2预测与实测MSE对比

表2两种序列处理方法相同机器学习模型foF2预测与实测RMSE对比

表3两种序列处理方法相同机器学习模型foF2预测与实测R对比

Claims (1)

1.一种用于提高电离层foF2机器学习精度的时间序列数据处理方法，包括以下步骤：

第一步、获取foF2历年观测的月24小时中值数据序列，记为f(t)＝{f(t₁),f(t₂),f(t₃),…,f(t_n)}，其中t为最小时间粒度(小时)，整个序列含所有观测年中每个月24小时的foF2参数值；

第二步、根据foF2 12小时变化规律、1天变化规律、半年变化规律1年变化规律和11年变化规律，将数据序列拆分为五列。记t_hd为12小时，即第一列为f₁(t)＝{f(t₁-t_hd),f(t₂-t_hd),f(t₃-t_hd),…,f(t_n-t_hd)}；第二列为f₂(t)＝{f(t₁-2t_hd),f(t₂-2t_hd),f(t₃-2t_hd),…,f(t_n-2t_hd)}；第三列为f₃(t)＝{f(t₁-6·2t_hd),f(t₂-6·2t_hd),f(t₃-6·2t_hd),…,f(t_n-6·2t_hd)}；第四列为f₄(t)＝{f(t₁-12·2t_hd),f(t₂-12·2t_hd),f(t₃-12·2t_hd),…,f(t_n-12·2t_hd)}；第五列为f₅(t)＝{f(t₁-11·12·2t_hd),f(t₂-11·12·2t_hd),f(t₃-11·12·2t_hd),…,f(t_n-11·12·2t_hd)}；

第三步、将原始序列f(t)＝{f(t₁),f(t₂),f(t₃),…,f(t_n)}向前平移一个时刻t_h，t_h＝1小时，得到第六列时间序列为f₆(t)＝{f(t₁-t_h),f(t₂-t_h),f(t₃-t_h),…,f(t_n-t_h)}；

第四步、以前三步所得的六列foF2序列作为机器学习模型的输入，当前时刻(原始序列)f_out(t)＝{f(t₁),f(t₂),f(t₃),…,f(t_n)}作为机器学习的输出序列；

第五步、对所有序列进行归一化：f_new(t)＝f_n(t)/max[f(t)]；

第六步、设定机器学习超参数，将第五步所得序列带入机器学习模型进行训练；

第七步、训练结束，输出下一时刻的foF2预测值，记为f(t+1)，存档训练后的机器学习模型。