CN111045046A - 一种基于narx的短期电离层预报方法及装置 - Google Patents

一种基于narx的短期电离层预报方法及装置 Download PDF

Info

Publication number
CN111045046A
CN111045046A CN201911217627.1A CN201911217627A CN111045046A CN 111045046 A CN111045046 A CN 111045046A CN 201911217627 A CN201911217627 A CN 201911217627A CN 111045046 A CN111045046 A CN 111045046A
Authority
CN
China
Prior art keywords
tec
narx
time
term
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911217627.1A
Other languages
English (en)
Other versions
CN111045046B (zh
Inventor
潘树国
张正协
高成发
高旺
喻国荣
赵涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201911217627.1A priority Critical patent/CN111045046B/zh
Publication of CN111045046A publication Critical patent/CN111045046A/zh
Application granted granted Critical
Publication of CN111045046B publication Critical patent/CN111045046B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/35—Constructional details or hardware or software details of the signal processing chain
    • G01S19/37—Hardware or software details of the signal processing chain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于NARX的短期电离层预报方法及装置，该方法首先从历史TEC数据文件中获得连续一段时间内的TEC格网数据；然后根据观测站的经纬度，通过双线性内插的方式获取该段时间内的单点TEC时间序列；再建立NARX神经网络模型，利用TEC时间序列对NARX模型进行训练，输入参数包括TEC时间序列和外部时间参数的时间序列，输出为下一时刻的TEC预测值；最后根据训练完成的NARX模型进行实时预测，获得未来时刻的TEC预测值。使用本发明提出的方法，能够提高电离层TEC的预测精度，应用于GNSS定位中可以提高定位精度。

Description

一种基于NARX的短期电离层预报方法及装置
技术领域
本发明涉及全球导航卫星系统(Global Navigation Satellite System，GNSS)卫星定位方法，特别涉及基于具有外部输入的非线性自回归神经网络(NonlinearAutoregressive with Exogenous input，NARX)的短期电离层预报方法及装置。
背景技术
电离层是近地空间的重要组成部分，分布在距离地表60～1000km的范围内。由于受到太阳辐射和多种宇宙射线的影响，使得这部分中的大气分子电离产生大量的自由电子。自由电子在大气中的分布十分复杂且无序，使得穿越其中的电磁波信号造成不同程度的干扰，包括折射、散射、反射和吸收等。由于电离层是形成是太阳辐射与地球大气的共同作用，从大的时间尺度分析，太阳活动情况，地球的自转、公转以及大气运动，造成了电离层周期性的变化趋势。但从小尺度分析，电离层在短时间常伴随着随机变化，复杂多变。
在GNSS应用中，卫星信号通过电离层时产生的延迟误差是GNSS主要的误差源之一，很大程度上制约着GNSS高精度定位的发展。长时间以来，学者们不断尝试对电离层变化、分布进行更加准确的描述，建立更加精确的电离层经验模型或数学模型。电离层总电子含量(Total Electron Contents，TEC)是表征电离层电磁活动程度的重要参数，在某一点处的TEC意为自由电子在电磁波信号传播路径上的积分，所以通常使用TEC作为表征电离层活跃程度以及延迟误差的量化指标。
考虑到电离层短期变化具有明显的非线性特征，有学者尝试使用人工神经网络的方法应用于电离层短期预报中。现有的神经网络预测方法存在以下两点不足：第一点是对输入参数的要求较高，需要一段时间内大量的太阳黑子数、地磁Kp、Ap指数以及太阳F10.7指数等数据，这些数据在获取时不能一次性全部得到，从而限制了神经网络方法的使用；另一点是没有充分考虑到电离层TEC的时间变化特性，导致预测结果精度不足，且不能进行多步预测。本发明构造了一种基于TEC时间序列分析的NARX神经网络，输入参数选用与TEC变化密切相关的时间参数，在实验中表现出更高的精度以及更强的泛化能力。
发明内容
发明目的：针对短期电离层TEC预报精度不足的问题，提出了一种基于NARX的短期电离层预报方法及装置，建立了TEC预测模型，能够有效提高电离层TEC预测精度。
技术方案：为实现上述发明目的，本发明采用如下技术方案：
一种基于NARX的短期电离层预报方法，包括以下步骤：
(1)从历史TEC数据文件中获得连续一段时间内的TEC格网数据；
(2)根据观测站的经纬度，通过双线性内插的方式获取该段时间内的单点TEC时间序列；
(3)建立NARX神经网络模型，利用TEC时间序列对NARX模型进行训练，输入参数包括TEC时间序列和外部时间参数的时间序列，输出为下一时刻的TEC预测值；
(4)根据训练完成的NARX模型进行实时预测，获得未来时刻的TEC预测值。
在优选的实施方案中，所述步骤(1)中从国际GNSS服务(International GNSSService，IGS)服务器下载历史TEC数据文件，获得连续120天的TEC格网数据。该数据文件被称为全球电离层格网数据(Global Ionosphere Map，GIM)，由IGS和其他组织分布在全球的约200基站观测值统一解算得到。
在优选的实施方案中，所述步骤(2)中根据观测站的经纬度，通过双线性内插的方式获取单点TEC时间序列，表示为：
Figure BDA0002299928090000021
式中，TEC(φ,λ)表示纬度为φ，经度为λ处的TEC，TEC(φi,λi),(i＝0,1)表示在电离层格网文件中，内插点临近的4个格网点处的TEC值。
在优选的实施方案中，所述步骤(3)中建立NARX神经网络模型，利用TEC时间序列对NARX模型进行训练，输入参数包括TEC时间序列和外部时间参数的时间序列，输出为下一时刻的TEC预测值，表示为：
TEC(t)＝f(TEC(t-1),...,TEC(t-nd),x(t-1),...,x(t-nd))
Figure BDA0002299928090000022
式中，TEC(t)表示网络模型输出的预测值，TEC(t-1),TEC(t-2),…,TEC(t-nd)表示输入的TEC历史时间序列，x(t-1),x(t-2),…,x(t-nd)表示输入的外部时间参数历史时间序列，f表示神经网络的非线性映射函数，nd表示输入延迟阶数，h表示地方时，D表示年积日，S表示季节的虚拟变量，用1234表示春夏秋冬，t表示时刻。
在优选的实施方案中，所述步骤(3)中NARX神经网络包括输入层、隐含层和输出层，其中隐含层数为1，隐含层节点数为20，节点激活函数选择tanh。
在优选的实施方案中，所述步骤(4)利用根据训练完成的NARX模型进行实时预测，获得未来时刻的TEC预测值，可表示为：
Figure BDA0002299928090000031
式中，
Figure BDA0002299928090000032
表示t+1时刻的预测TEC值。
基于相同的发明构思，发明公开的一种基于NARX的短期电离层预报装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的基于NARX的短期电离层预报方法。
有益效果：本发明的基于NARX的短期电离层预报方法，首先历史TEC数据文件中获得连续一段时间内的TEC格网数据；然后根据观测站的经纬度，通过双线性内插的方式获取该段时间内的单点TEC时间序列；再建立NARX神经网络模型，利用TEC时间序列对NARX模型进行训练，输入参数包括TEC时间序列和外部时间参数的时间序列，输出为下一时刻的TEC预测值；最后根据训练完成的NARX模型进行实时预测，获得未来时刻的TEC预测值。使用本发明提出的方法，能够提高电离层TEC的预测精度，应用于GNSS定位中可以提高定位精度。
附图说明
图1是NARX神经网络结构图；
图2是格网内插点示意图；
图3是TEC年度变化曲线；
图4是武汉地区TEC预测残差图(2011-S数据)；
图5是武汉地区TEC预测残差图(2011-A数据)；
图6是武汉地区TEC预测残差图(2017-S数据)；
图7是武汉地区TEC预测残差图(2017-A数据)；
图8是三种不同预测方法的预测结果对比图。
具体实施方式
下面结合附图和具体实施例对本发明作更进一步的说明。
如图1所示，本发明实施例公开一种基于NARX的短期电离层预报方法，主要包括以下步骤：
步骤1)从IGS FTP服务器下载历史TEC数据文件，获得连续120天的TEC格网数据。该数据文件被称为GIM，由IGS和其他组织分布在全球的约200基站观测值统一解算得到。
步骤2)根据观测站的经纬度，通过双线性内插的方式获取连续120天的单点TEC时间序列，表示为：
Figure BDA0002299928090000041
式中，TEC(φ,λ)表示纬度为φ，经度为λ处的TEC，TEC(φi,λi),(i＝0,1)表示在电离层格网文件中，内插点临近的4个格网点处的TEC值，格网点与内插点位置如图2所示。
步骤3)建立NARX神经网络模型，利用TEC时间序列对NARX模型进行训练，输入参数包括TEC时间序列和外部时间参数的时间序列，输出为下一时刻的TEC预测值，表示为：
TEC(t)＝f(TEC(t-1),...,TEC(t-nd),x(t-1),...,x(t-nd)) (2)
Figure BDA0002299928090000042
式中，TEC(t)表示网络模型输出的预测值，TEC(t-1),TEC(t-2),…,TEC(t-nd)表示系统输入的历史时间序列，x(t-1),x(t-2),…,x(t-nd)表示系统外部输入的历史时间序列，f表示神经网络的非线性映射函数，nd表示输入延迟阶数，h表示地方时，D表示年积日，S表示季节的虚拟变量，用1234表示春夏秋冬，t表示时刻。针对不同类别的时间信息，利用不同周期的三角函数将输入信息归化至[-1,1]。设置延迟向量的长度为两天，当采样率为2h时，nd＝24。NARX网络结构如图1所示，包括输入层，隐含层与输出层。图中TDL(tappeddelay line)表示输出的时间延迟量，将输出值转换为由当前输出和延迟输出组成的时间序列，隐含层数为1，隐含层节点数选择为20，激活函数选择tanh。
步骤4)根据训练完成的NARX模型进行实时预测，能够获得未来的TEC预测值，可表示为：
Figure BDA0002299928090000043
式中，
Figure BDA0002299928090000044
表示t+1时刻的预测TEC值。
基于相同的发明构思，发明实施例公开的一种基于NARX的短期电离层预报装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该计算机程序被加载至处理器时实现上述的基于NARX的短期电离层预报方法。
为体现本发明方法的效果和优势，下面根据实测数据进行实验验证。数据采集自IGS发布的2011年(高年)和2017年(低年)的全球电离层格网数据，时间间隔2小时，格网大小2.5°×5°。选取北半球三个纬度差异大，经度基本相同的测站分析纬度对电离层预测结果的影响，分别为北京(Beijing，BJ)，武汉(Wuhan，WH)和三亚(Sanya，SY)。根据TEC格网数据内插得到三个站点天顶方向的TEC，并求取日平均值，得到年TEC变化曲线，如图3所示。根据图3所示TEC不同活跃程度，将TEC划分为四个时段的数据集，分别为2011-S，2011-A，2017-S和2017-A，具体如表1所示。
Figure BDA0002299928090000051
本发明同样采用了其他预测方法或产品进行对比实验，并使用同样的数据集。差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model，ARIMA)是一种常用的处理时间序列的一种自回归模型，预测产品是由欧洲定轨中心(Centre for Orbit Determination in Europe，CODE)提前2天发布的电离层预测产品(C2PG)。
使用本发明提出的方法，对四组数据进行了预测实验。由于篇幅原因，以武汉地区为例，TEC预测残差如图4至图7所示。从图中可以看出2011年预测残差曲线浮动明显高于2017年，说明在电离层活跃期预测效果不如平静期。对比几种预测方法，NARX的残差曲线更平稳，在0值附近浮动范围更小，较少出现残差明显偏大的点，说明NARX的预测精度最高
三种方法对比实验结果如图8所示。从图8可以看出，在电离层活跃期，NARX的预测精度最高，平均2.519TECU，其次是ARIMA3.723TECU，C2PG最差，为4.459TECU；在电离层平静期，NARX精度依然最高1.772TECU，C2PG和ARIMA的精度相当，分别为2.235TECU和2.293TECU。说明NARX的预测精度是优于其他两种方法的，提高了TEC预测精度。

Claims (7)

1.一种基于NARX的短期电离层预报方法，其特征在于，包括以下步骤：
(1)从历史TEC数据文件中获得连续一段时间内的TEC格网数据；
(2)根据观测站的经纬度，通过双线性内插的方式获取该段时间内的单点TEC时间序列；
(3)建立NARX神经网络模型，利用TEC时间序列对NARX模型进行训练，输入参数包括TEC时间序列和外部时间参数的时间序列，输出为下一时刻的TEC预测值；
(4)根据训练完成的NARX模型进行实时预测，获得未来时刻的TEC预测值。
2.根据权利要求1所述的基于NARX的短期电离层预报方法，其特征在于，所述步骤(1)中从IGS服务器下载历史TEC数据文件，获得连续120天的TEC格网数据；所述数据文件为GIM。
3.根据权利要求1所述的基于NARX的短期电离层预报方法，其特征在于，所述步骤(2)中根据观测站的经纬度，通过双线性内插的方式获取单点TEC时间序列，表示为：
Figure FDA0002299928080000011
式中，TEC(φ,λ)表示纬度为φ，经度为λ处的TEC，TEC(φi,λi),(i＝0,1)表示在电离层格网文件中，内插点临近的4个格网点处的TEC值。
4.根据权利要求1所述的基于NARX的短期电离层预报方法，其特征在于，所述步骤(3)中建立NARX神经网络模型，利用TEC时间序列对NARX模型进行训练，输入参数包括TEC时间序列和外部时间参数的时间序列，输出为下一时刻的TEC预测值，表示为：
TEC(t)＝f(TEC(t-1),...,TEC(t-nd),x(t-1),...,x(t-nd))
Figure FDA0002299928080000012
式中，TEC(t)表示网络模型输出的预测值，TEC(t-1),TEC(t-2),…,TEC(t-nd)表示输入的TEC历史时间序列，x(t-1),x(t-2),…,x(t-nd)表示输入的外部时间参数历史时间序列，f表示神经网络的非线性映射函数，nd表示输入延迟阶数，h表示地方时，D表示年积日，S表示季节的虚拟变量，用1234表示春夏秋冬，t表示时刻。
5.根据权利要求4所述的基于NARX的短期电离层预报方法，其特征在于，所述步骤(3)中NARX神经网络包括输入层、隐含层和输出层，其中隐含层数为1，隐含层节点数为20，节点激活函数选择tanh。
6.根据权利要求4所述的基于NARX的短期电离层预报方法，其特征在于，所述步骤(4)利用根据训练完成的NARX模型进行实时预测，获得未来时刻的TEC预测值，表示为：
Figure FDA0002299928080000021
式中，
Figure FDA0002299928080000022
表示t+1时刻的预测TEC值。
7.一种基于NARX的短期电离层预报装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-6任一项所述的基于NARX的短期电离层预报方法。
CN201911217627.1A 2019-12-03 2019-12-03 一种基于narx的短期电离层预报方法及装置 Active CN111045046B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911217627.1A CN111045046B (zh) 2019-12-03 2019-12-03 一种基于narx的短期电离层预报方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911217627.1A CN111045046B (zh) 2019-12-03 2019-12-03 一种基于narx的短期电离层预报方法及装置

Publications (2)

Publication Number Publication Date
CN111045046A true CN111045046A (zh) 2020-04-21
CN111045046B CN111045046B (zh) 2021-10-19

Family

ID=70233331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911217627.1A Active CN111045046B (zh) 2019-12-03 2019-12-03 一种基于narx的短期电离层预报方法及装置

Country Status (1)

Country Link
CN (1) CN111045046B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111651941A (zh) * 2020-04-30 2020-09-11 北京航空航天大学 一种全球电离层电子总含量预测的算法
CN111814855A (zh) * 2020-06-28 2020-10-23 东南大学 基于残差seq2seq神经网络的全球电离层电子总含量预测方法
CN111932017A (zh) * 2020-08-13 2020-11-13 江苏师范大学 一种适合于单站电离层tec的短期预报方法
CN112083444A (zh) * 2020-08-19 2020-12-15 中国民用航空总局第二研究所 一种计及等离子体泡的低纬度机场电离层短时预测方法
CN112287607A (zh) * 2020-11-13 2021-01-29 华东交通大学 一种多尺度电离层tec预测方法
CN113379107A (zh) * 2021-05-26 2021-09-10 江苏师范大学 基于lstm和gcn的区域电离层tec预报方法
CN113960634A (zh) * 2021-10-21 2022-01-21 华北电力大学（保定） 一种基于经验正交函数的实时电离层tec建模方法
CN115575978A (zh) * 2022-11-23 2023-01-06 中国矿业大学(北京) 用户端的格网电离层延迟校正方法、装置及接收机
US20230017707A1 (en) * 2021-07-15 2023-01-19 Qualcomm Incorporated Ionosphere Grid History and Compression for GNSS Positioning
CN117056732A (zh) * 2023-10-11 2023-11-14 山东科技大学 一种顾及非各向同性的narx对流层延迟格网预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2161808C2 (ru) * 1999-02-01 2001-01-10 Государственное предприятие Ленинградская атомная электростанция им. В.И. Ленина Способ определения электронной концентрации в заданной области ионосферы и устройство для его осуществления
US20060229813A1 (en) * 2005-03-30 2006-10-12 Tobiska William K Ionospheric forecast system (IFS)
CN101419274A (zh) * 2008-12-08 2009-04-29 北京航空航天大学 电离层延迟误差的获取方法及系统
CN104483690A (zh) * 2015-01-05 2015-04-01 中国科学院重庆绿色智能技术研究院 一种gnss三频精密单点定位模糊度固定方法
CN105785409A (zh) * 2015-12-24 2016-07-20 广州市中海达测绘仪器有限公司 Rtk定位精度的预报方法及系统
CN107085626A (zh) * 2017-03-17 2017-08-22 东南大学 一种基于bp‑多项式模型融合的区域电离层垂直总电子含量建模方法
WO2017167791A1 (en) * 2016-04-01 2017-10-05 Centre National D'etudes Spatiales Improved gnss receiver using velocity integration

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2161808C2 (ru) * 1999-02-01 2001-01-10 Государственное предприятие Ленинградская атомная электростанция им. В.И. Ленина Способ определения электронной концентрации в заданной области ионосферы и устройство для его осуществления
US20060229813A1 (en) * 2005-03-30 2006-10-12 Tobiska William K Ionospheric forecast system (IFS)
CN101419274A (zh) * 2008-12-08 2009-04-29 北京航空航天大学 电离层延迟误差的获取方法及系统
CN104483690A (zh) * 2015-01-05 2015-04-01 中国科学院重庆绿色智能技术研究院 一种gnss三频精密单点定位模糊度固定方法
CN105785409A (zh) * 2015-12-24 2016-07-20 广州市中海达测绘仪器有限公司 Rtk定位精度的预报方法及系统
WO2017167791A1 (en) * 2016-04-01 2017-10-05 Centre National D'etudes Spatiales Improved gnss receiver using velocity integration
CN107085626A (zh) * 2017-03-17 2017-08-22 东南大学 一种基于bp‑多项式模型融合的区域电离层垂直总电子含量建模方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
CHUANHUA ZHAO等: "Ionosphere TEC Short-term Forecast Based On Frequency Spectrum Analysis", 《第三届中国卫星导航学术年会电子文集—S08卫星导航模型与方法》 *
DINIBEL PÉREZ BELLO等: "Comparison of adaptive neuro-fuzzy inference system and recurrent neural network in vertical total electron content forecasting", 《NEURAL COMPUTING AND APPLICATIONS》 *
DR.D. VENKAT RATNAM等: "IMPLEMENTATION OF IONOSPHERIC PREDICTION ALGORITHM BASED ON HUANG HILBERT TRANSFORM", 《2014 INTERNATIONAL CONFERENCE ON SIGNAL PROPAGATION AND COMPUTER TECHNOLOGY (ICSPCT 2014) 》 *
M. R. COGOLLO等: "Are Neural Networks Able To Forecast Nonlinear Time Series With Moving Average Components", 《IEEE LATIN AMERICA TRANSACTIONS》 *
刘立龙等: "基于小波－ARIMA电离层短期总电子含量预报", 《桂林理工大学学报》 *
吉长东等: "自回归神经网络的电离层总电子含量预报", 《导航定位学报》 *
张禄: "基于时间序列、神经网络、灰色和组合预测对电离层TEC的预测研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *
田祥雨等: "BP神经网络和ARIMA模型的变权组合电离层TEC预报", 《桂林技工大学学报》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111651941B (zh) * 2020-04-30 2022-05-17 北京航空航天大学 一种全球电离层电子总含量预测的算法
CN111651941A (zh) * 2020-04-30 2020-09-11 北京航空航天大学 一种全球电离层电子总含量预测的算法
CN111814855A (zh) * 2020-06-28 2020-10-23 东南大学 基于残差seq2seq神经网络的全球电离层电子总含量预测方法
CN111932017A (zh) * 2020-08-13 2020-11-13 江苏师范大学 一种适合于单站电离层tec的短期预报方法
CN112083444A (zh) * 2020-08-19 2020-12-15 中国民用航空总局第二研究所 一种计及等离子体泡的低纬度机场电离层短时预测方法
CN112083444B (zh) * 2020-08-19 2021-06-08 中国民用航空总局第二研究所 一种计及等离子体泡的低纬度机场电离层短时预测方法
CN112287607A (zh) * 2020-11-13 2021-01-29 华东交通大学 一种多尺度电离层tec预测方法
CN112287607B (zh) * 2020-11-13 2022-09-02 华东交通大学 一种多尺度电离层tec预测方法
CN113379107A (zh) * 2021-05-26 2021-09-10 江苏师范大学 基于lstm和gcn的区域电离层tec预报方法
CN113379107B (zh) * 2021-05-26 2023-12-19 江苏师范大学 基于lstm和gcn的区域电离层tec预报方法
US20230017707A1 (en) * 2021-07-15 2023-01-19 Qualcomm Incorporated Ionosphere Grid History and Compression for GNSS Positioning
US11686850B2 (en) * 2021-07-15 2023-06-27 Qualcomm Incorporated Ionosphere grid history and compression for GNSS positioning
CN113960634A (zh) * 2021-10-21 2022-01-21 华北电力大学（保定） 一种基于经验正交函数的实时电离层tec建模方法
CN113960634B (zh) * 2021-10-21 2023-07-25 华北电力大学（保定） 一种基于经验正交函数的实时电离层tec建模方法
CN115575978A (zh) * 2022-11-23 2023-01-06 中国矿业大学(北京) 用户端的格网电离层延迟校正方法、装置及接收机
CN117056732A (zh) * 2023-10-11 2023-11-14 山东科技大学 一种顾及非各向同性的narx对流层延迟格网预测方法
CN117056732B (zh) * 2023-10-11 2023-12-15 山东科技大学 一种顾及非各向同性的narx对流层延迟格网预测方法

Also Published As

Publication number Publication date
CN111045046B (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
CN111045046B (zh) 一种基于narx的短期电离层预报方法及装置
Bilitza et al. The International Reference Ionosphere 2012–a model of international collaboration
CN110568459B (zh) 基于igs和cors站的区域电离层tec实时监测方法
Elvidge et al. Using the local ensemble transform Kalman filter for upper atmospheric modelling
Okoh et al. A neural network‐based ionospheric model over Africa from Constellation Observing System for Meteorology, Ionosphere, and Climate and Ground Global Positioning System observations
Habarulema et al. Application of neural networks to South African GPS TEC modelling
Zus et al. Systematic errors of mapping functions which are based on the VMF1 concept
Lee et al. One‐day forecasting of global TEC using a novel deep learning model
CN113379107A (zh) 基于lstm和gcn的区域电离层tec预报方法
Shin et al. The local ensemble transform Kalman filter (LETKF) with a global NWP model on the cubed sphere
Liu et al. Assessment of NeQuick and IRI-2016 models during different geomagnetic activities in global scale: Comparison with GPS-TEC, dSTEC, Jason-TEC and GIM
Habarulema A contribution to TEC modelling over Southern Africa using GPS data
Ssessanga et al. On imaging South African regional ionosphere using 4D‐var technique
Lean et al. Continuous data assimilation for global numerical weather prediction
CN114528978A (zh) 电离层tec的预测方法、装置、设备及存储介质
Petry et al. First results of operational ionospheric dynamics prediction for the Brazilian Space Weather program
Reid et al. A‐CHAIM: Near‐real‐time data assimilation of the high latitude ionosphere with a particle filter
Sivavaraprasad et al. A novel hybrid Machine learning model to forecast ionospheric TEC over Low-latitude GNSS stations
Chen et al. Real-Time Ionosphere Prediction Based on IGS Rapid Products Using Long Short-Term Memory Deep Learning
Chen et al. A novel ionospheric mapping function modeling at regional scale using empirical orthogonal functions and GNSS data
Thilakan et al. Towards monitoring CO 2 source-sink distribution over India via inverse modelling: Quantifying the fine-scale spatiotemporal variability of atmospheric CO 2 mole fraction
Guoyan et al. Prediction of ionospheric TEC based on the NARX neural network
Liu et al. The Impact of Different Mapping Function Models and Meteorological Parameter Calculation Methods on the Calculation Results of Single‐Frequency Precise Point Positioning with Increased Tropospheric Gradient
Wang et al. Global ionospheric maps forecasting based on an adaptive autoregressive modeling of grid point VTEC values
Ünal et al. Performance of IRI-based ionospheric critical frequency calculations with reference to forecasting

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant