CN111932017A - 一种适合于单站电离层tec的短期预报方法 - Google Patents
一种适合于单站电离层tec的短期预报方法 Download PDFInfo
- Publication number
- CN111932017A CN111932017A CN202010811893.3A CN202010811893A CN111932017A CN 111932017 A CN111932017 A CN 111932017A CN 202010811893 A CN202010811893 A CN 202010811893A CN 111932017 A CN111932017 A CN 111932017A
- Authority
- CN
- China
- Prior art keywords
- tec
- data
- short
- sequence
- 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.)
- Pending
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 28
- 239000005433 ionosphere Substances 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 230000000737 periodic effect Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 238000012937 correction Methods 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 abstract description 3
- 230000000877 morphologic effect Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000000926 separation method Methods 0.000 abstract description 2
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 235000015842 Hesperis Nutrition 0.000 description 1
- 235000012633 Iberis amara Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000003574 free electron Substances 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明公开的一种适合于单站电离层TEC的短期预报方法，涉及空间天气与环境技术领域。该短期预报方法步骤为：首先，获取观测点TEC数据集，并对数据进行差分、标准化的预处理；然后，标注TEC训练数据集，构建并训练基于单变量序列的混合神经网络TEC短期预报系统；最后，输入TEC数据运行模型，输出序列，并采用反标准化和反差分技术还原数据，输出预测TEC结果和评估模型性能。本发明结合深度学习网络ConvLSTM和BiLSTM，有效提取序列的时空特征和周期性逐日变化特征，能够为以无线电为传播信标的空间应用系统用户提供较为准确的电离层折射修正值，有利于建立有效的空间异常天气监测与预警机制，同时为空间天气和空间环境的形态分析提供数据支撑。
Description
技术领域
本发明涉及空间天气与环境技术领域，具体涉及一种适合于单站电离层TEC的短期预报方法。
背景技术
距离地球表面60km以上的电离层由于含有大量的自由电子和离子，使穿越其中的电磁波改变传播速度，发生反射或折射，从而会在其空间信息传输链路上产生附加时延，降低遥感遥测、导航定位等各类空间系统的服务性能。特别是磁暴或电离层爆等空间天气异常情况下，容易导致较为严重的后果。电离层附加时延通常可以归结为卫星至接收机视线方向上的电子浓度总含量TEC，因此，准确预测电离层TEC一直是空间天气预报系统和模式研究中的难点和热点问题。
为了能够实现电离层结构相对真实的描述，国内外学者一直致力于开发全球或区域电离层模型，最具代表性的国际参考电离层模型IRI。IRI模型是由空间研究委员会和国际无线电科学协会共同发起的国际性项目，它利用全球范围内的电离层探测仪、非相干散射雷达和卫星火箭上探测设备提供的数据不断地进行自身完善和更新，输入地磁(理)经度、纬度、时间、太阳辐射通量等相关参数，模型能够输出电离层参数TEC。IRI模式运行速度快，具有一定的预报能力，但只能描述电离层的“平均”状态和“气候学”特征，通常情况下能够改正电离层时延的60％，理想情况下达到80％。而中国南部低纬地区处于赤道北驼峰内，电离层TEC时空变化较为复杂，且IRI模型所采用的中国区域历史数据较少，因此，IRI模型在该区域的预测性能相对不高。
全球定位系统GPS投入使用以来，利用GPS双频观测数据开展TEC相关研究，使其快速发展。其中，美国喷气动力实验室JPL和欧洲定轨中心CODE利用全球范围的双频GPS接收机观测数据，分别采用卡尔曼滤波、球谐函数方法开展全球电离层TEC地图绘制，全球或类似的局部TEC地图绘制具有良好的现报能力，为电离层形态结构分析提供了可靠的数据。但其缺乏预报能力，难以对灾难性空间环境给出预警。
此外，人工神经网络由于强大的非线性能力，在空间天气预报领域得到了一定的应用。特别是近几年，人工智能技术和计算机硬件设备的飞速发展，深度学习突破了传统神经网络的限制，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据潜在的分布式特征，在图像处理、语音信号分析、人机对话等领域取得突破性的进展。目前，部分学者将深度学习技术应用于TEC参数预报，尝试构建不同的网络模型架构，取得了一些有意义的结果。
给定某一观测点，电离层参数TEC的大小与地方时、太阳活动和地磁活动等因素密切相关。因此，TEC历史数据、太阳黑子数、太阳辐射通量F10.7指数、行星际等效三小时幅度Ap指数以及磁暴期间环电流变化的Dst指数等表征空间环境的物理参数通常作为神经网络模型输入层特征量。但是，这些特征量对模型输出结果的影响不尽明确，且部分特征量之间存在较大相关性，会对模型的预测速度和精度产生不利的影响。此外，表征太阳活动和地磁活动的各类参数也需要实时更新，由此建立的TEC预测模型难以在实际应用中加以推广实施。
因此，鉴于以上问题，有必要提出一种基于单变量序列端到端的神经网络TEC短期预报方法，以提高预报的可用性和准确性。
发明内容
有鉴于此，本发明公开了一种适合于单站电离层TEC的短期预报方法。电离层TEC是典型的随时间和空间变化的物理量，且具有明显的逐日变化。因此，端到端的神经模型由卷积长短时记忆神经网络ConvLSTM、双向长短时记忆网络BiLSTM组成，将单变量TEC时间序列转化为多个子时间序列，并以卷积形式ConvLSTM数进行信息编码。ConvLSTM网络从序列输入到状态转换到预测输出的过程中都有卷积结构，有利于捕捉序列数据中隐藏的时空信息。利用BiLSTM对预测点历史TEC数据进行处理，提取其周期性逐日变化特征，从而实现较高精度的提前24h电离层TEC预报。本发明不仅能够为以无线电为传播信标的各类空间系统用户提供电离层折射修正误差参数，同时可以为灾害性空间天气设立预警机制提供有力数据支撑。
根据本发明的目的提出的一种适合于单站电离层TEC的短期预报方法，包括以下步骤：
步骤一：利用双频GPS观测数据，采用球谐函数获取预测位置的垂直TEC数据。
步骤二：将预测位置处的垂直TEC数据进行差分：
式中：I(j)为垂直TEC，j＝2，4，6，…22LT。
步骤三：将差分后的数据在[-1 1]的范围内进行标准化处理，并划分为训练集和测试集。
步骤四：标注训练集，即采用滑动切分技术将训练数据转换为输入序列和输出序列的形式。
步骤五：构建基于ConvLSTM-BiLSTM的电离层TEC短期预报模型。
步骤六：采用随机梯度优化算法适应矩估计Adam和误差反向传播算法训练TEC短期预报模型，即分批对所有样本进行训练，根据损失函数对每个参数梯度的一阶矩估计和二阶矩估计动态调整参数的学习速率和学习步长，确定每次沿梯度反方向移动的距离，不断更新神经网络模型的权重，直至损失函数趋于稳定值。
步骤七：输入TEC测试数据并运行模型，输出为一个长度为12的序列，并采用反标准化和反差分技术将输出序列还原，即获取地方时00，02，04，…22时的电离层TEC预测值。
步骤八：将预测值和真实观测值进行比较，计算均方误差、相对误差和绝对误差分布，评估模型预测性能。
步骤九：选取不同地理位置的观测点，重复测试，全面评估模型预测性能。
优选的，步骤一中，获取垂直TEC数据的时间分辨率为2h，每天获取12个TEC数据。
优选的，步骤三中，测试集为全部数据的后12行，其余为训练集；
优选的，步骤四中，TEC训练集滑动切分方式为：利用一个宽为48的滑动窗口将数据切分为若干片段，每个片段中输入序列为连续3天的TEC观测值，输出序列为第4天的TEC值；每个输入序列又划分为3×12的子时间序列，作为ConvLSTM网络的输入参数进行信息编码。
优选的，步骤五中，电离层TEC短期预报模型网络的结构依次为输入层、编码-预测层和输出层；编码-预测层包括ConvLSTM和BiLSTMCNN，其中，ConvLSTM用于提取数据隐藏的时空特征，BiLSTM用于提取TEC序列数据的周期特性；BiLSTM主要由1个双向长短时记忆网络BiLSTM和2个全连接层组成，BiLSTM输出结果的每个时间步长用相同的全连接层操作，以完成LSTM网络不同长度的输入序列和输出序列之间的转换。
优选的，步骤六中，损失函数采用均方误差MSE评估模型性能，一次训练所取的样本数设为270。
与现有技术相比，本发明公开的一种适合于单站电离层TEC的短期预报方法的优点是：
1.该预报方法结合深度学习网络ConvLSTM和BiLSTM，有效提取序列的时空特征和周期性逐日变化特征，能够为以无线电为传播信标的空间应用系统用户提供较为准确的电离层折射修正值，有利于建立有效的空间异常天气监测与预警机制，进一步提升的服务性能，同时为空间天气和空间环境的形态分析提供数据支撑。
2.该预报方法利用单变量TEC历史数据构建TEC短期预报模型，无需随时间更新的太阳活动指数和地磁活动指数等物理量作为特征输入量，实际工程应用视角下具有卓越的可行性和可操作性。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单的介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域中的普通技术人员来说，在不付出创造性劳动的前提下，还可根据这些附图获得其他附图。
图1为电离层TEC短期预报流程图。
图2为端到端神经网络模型流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做简要说明。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，均属于本发明保护的范围。
图1-图2示出了本发明较佳的实施例，对其进行了详细的剖析。
如图1所示的一种适合于单站电离层TEC的短期预报方法，包括以下步骤：
步骤一：利用双频GPS观测数据，采用球谐函数获取预测位置的垂直TEC数据，时间分辨率为2h，每天获取12个TEC数据。
步骤二：考虑到TEC数据中观测噪声以及季节因素的扰动，将预测位置处的垂直TEC数据进行差分：
式中：Iv(j)为垂直TEC，j＝2，4，6，…22LT。
步骤三：将差分后的数据在[-1 1]的范围内进行标准化处理，并划分为训练集和测试集，测试集为全部数据的后12行，其余为训练集；
步骤四：标注训练集，即采用滑动切分技术将TEC训练数据转换为输入序列和输出序列的形式。具体的，TEC训练序列数据集滑动切分方式为：利用一个宽为48的滑动窗口将数据切分为若干片段，每个片段中输入序列为连续3天的TEC观测值，输出序列为第4天的TEC值。每个输入序列又划分为3×12的子时间序列，作为ConvLSTM网络的输入参数进行信息编码。
步骤五：构建基于ConvLSTM-BiLSTM的电离层TEC短期预报模型。具体的，如图2所示，电离层TEC短期预报模型网络的结构依次为输入层、编码-预测层和输出层。编码-预测层包括ConvLSTM和BiLSTMCNN，其中，ConvLSTM用于提取数据隐藏的时空特征，其主要参数设置是卷积层为2D，特征图个数64，内核大小为1×3，激活函数为Relu。为防止训练过程梯度发散，加快收敛速度，采用批量标准化BatchNormalization优化训练网络，进一步利用Flatten层将上一层多维输出一维化，实现从卷积层到全连接层的过渡。BiLSTM用于提取TEC序列数据的周期特性，主要由1个双向长短时记忆网络BiLSTM和2个全连接层组成。BiLSTM网络主要参数设置为神经元个数为200，激活函数为Relu，第一个全连接层神经元个数为200，激活函数为Relu，第二个全连接层的神经元个数为1，激活函数为线性函数。BiLSTM输出结果的每个时间步长用相同的全连接层操作，以完成LSTM网络不同长度的输入序列和输出序列之间的转换。
步骤六：采用随机梯度优化算法适应矩估计Adam和误差反向传播算法训练TEC短期预报模型，即分批对所有样本进行训练，根据损失函数对每个参数梯度的一阶矩估计和二阶矩估计动态调整参数的学习速率和学习步长，确定每次沿梯度反方向移动的距离，不断更新神经网络模型的权重，直至损失函数趋于稳定值。损失函数采用均方误差MSE评估模型性能，一次训练所取的样本数设为270。
步骤七：模型的结构和参数设置好以后，输入TEC测试数据并运行模型，输出为一个长度为12的序列，再采用反标准化和反差分技术将输出序列还原，即获取地方时00，02，04，…22时的电离层TEC预测值。其中，反标准化和反差分技术计算方法为：反标准化：Id＝Io·μ+σ，式中：Io分别为模型输出值，μ和σ分别为原始数据的均值和方差，Id为反标准化处理得到的结果。反差分技术：Id(j)+Ir(-j)j＝1，2，...12，式中：Ir为原始数据。
步骤八：将预测值和真实观测值进行比较，计算均方误差、相对误差和绝对误差分布，评估模型预测性能。具体的，均方误差计算方法为：
相对误差计算方法为：
绝对误差计算方法为：ae＝|If-IO|；式中：If为模型输出的预测TEC，Io为由球谐函数得到的真实TEC观测值，n是预测数目。
步骤九：由于电离层TEC的变化不仅与地方时有关，同时也与空间位置密切相关，选取不同地理位置的观测点，重复测试，全面评估模型预测性能。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现和使用本发明。对这些实施例的多种修改方式对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神和范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种适合于单站电离层TEC的短期预报方法，其特征在于，包括以下步骤：
步骤一：利用双频GPS观测数据，采用球谐函数获取预测位置的垂直TEC数据；
步骤二：将预测位置处的垂直TEC数据进行差分：
式中：I(j)为垂直TEC，j＝2，4，6，…22LT；
步骤三：将差分后的数据在[-1 1]的范围内进行标准化处理，并划分为训练集和测试集；
步骤四：标注训练集，即采用滑动切分技术将训练数据转换为输入序列和输出序列的形式；
步骤五：构建基于ConvLSTM-BiLSTM的电离层TEC短期预报模型；
步骤六：采用随机梯度优化算法适应矩估计Adam和误差反向传播算法训练TEC短期预报模型，即分批对所有样本进行训练，根据损失函数对每个参数梯度的一阶矩估计和二阶矩估计动态调整参数的学习速率和学习步长，确定每次沿梯度反方向移动的距离，不断更新神经网络模型的权重，直至损失函数趋于稳定值；
步骤七：输入TEC测试数据并运行模型，输出为一个长度为12的序列，并采用反标准化和反差分技术将输出序列还原，即获取地方时00，02，04，…22时的电离层TEC预测值；
步骤八：将预测值和真实观测值进行比较，计算均方误差、相对误差和绝对误差分布，评估模型预测性能；
步骤九：选取不同地理位置的观测点，重复测试，全面评估模型预测性能。
2.根据权利要求1所述的一种适合于单站电离层TEC的短期预报方法，其特征在于，步骤一中，获取垂直TEC数据的时间分辨率为2h，每天获取12个TEC数据。
3.根据权利要求1所述的一种适合于单站电离层TEC的短期预报方法，其特征在于，步骤三中，测试集为全部数据的后12行，其余为训练集。
4.根据权利要求1所述的一种适合于单站电离层TEC的短期预报方法，其特征在于，步骤四中，TEC训练集滑动切分方式为：利用一个宽为48的滑动窗口将数据切分为若干片段，每个片段中输入序列为连续3天的TEC观测值，输出序列为第4天的TEC值；每个输入序列又划分为3×12的子时间序列，作为ConvLSTM网络的输入参数进行信息编码。
5.根据权利要求1所述的一种适合于单站电离层TEC的短期预报方法，其特征在于，步骤五中，电离层TEC短期预报模型网络的结构依次为输入层、编码-预测层和输出层；编码-预测层包括ConvLSTM和BiLSTMCNN，其中，ConvLSTM用于提取数据隐藏的时空特征，BiLSTM用于提取TEC序列数据的周期特性；BiLSTM主要由1个双向长短时记忆网络BiLSTM和2个全连接层组成，BiLSTM输出结果的每个时间步长用相同的全连接层操作，以完成LSTM网络不同长度的输入序列和输出序列之间的转换。
6.根据权利要求1-5任一项所述的一种适合于单站电离层TEC的短期预报方法，其特征在于，步骤六中，损失函数采用均方误差MSE评估模型性能，一次训练所取的样本数设为270。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010811893.3A CN111932017A (zh) | 2020-08-13 | 2020-08-13 | 一种适合于单站电离层tec的短期预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010811893.3A CN111932017A (zh) | 2020-08-13 | 2020-08-13 | 一种适合于单站电离层tec的短期预报方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111932017A true CN111932017A (zh) | 2020-11-13 |
Family
ID=73311243
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010811893.3A Pending CN111932017A (zh) | 2020-08-13 | 2020-08-13 | 一种适合于单站电离层tec的短期预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111932017A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700007A (zh) * | 2020-12-30 | 2021-04-23 | 千寻位置网络有限公司 | 电离层电子含量预报模型的训练方法、预报方法及装置 |
| 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 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101403790A (zh) * | 2008-11-13 | 2009-04-08 | 浙江师范大学 | 单频gps接收机的精密单点定位方法 |
| CN110146904A (zh) * | 2019-05-14 | 2019-08-20 | 江苏师范大学 | 一种适用于区域电离层tec的精确建模方法 |
| CN110377969A (zh) * | 2019-06-27 | 2019-10-25 | 东南大学 | 一种基于elm的区域电离层延迟实时建模方法 |
| CN110909447A (zh) * | 2019-10-19 | 2020-03-24 | 中国电波传播研究所（中国电子科技集团公司第二十二研究所） | 一种高精度电离层区域短期预报方法 |
| CN111045046A (zh) * | 2019-12-03 | 2020-04-21 | 东南大学 | 一种基于narx的短期电离层预报方法及装置 |
-
2020
- 2020-08-13 CN CN202010811893.3A patent/CN111932017A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101403790A (zh) * | 2008-11-13 | 2009-04-08 | 浙江师范大学 | 单频gps接收机的精密单点定位方法 |
| CN110146904A (zh) * | 2019-05-14 | 2019-08-20 | 江苏师范大学 | 一种适用于区域电离层tec的精确建模方法 |
| CN110377969A (zh) * | 2019-06-27 | 2019-10-25 | 东南大学 | 一种基于elm的区域电离层延迟实时建模方法 |
| CN110909447A (zh) * | 2019-10-19 | 2020-03-24 | 中国电波传播研究所（中国电子科技集团公司第二十二研究所） | 一种高精度电离层区域短期预报方法 |
| CN111045046A (zh) * | 2019-12-03 | 2020-04-21 | 东南大学 | 一种基于narx的短期电离层预报方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| 夏吉业;张海勇;徐池;贺寅;: "基于CNN-BiLSTM的短波通信频率预测研究", 通信技术, no. 06, 10 June 2020 (2020-06-10), pages 7 - 14 * |
| 李淑慧;彭军还;徐伟超;杨红磊;: "利用神经网络预报短期电离层TEC变化", 测绘科学, no. 01, 20 January 2013 (2013-01-20), pages 12 - 13 * |
| 赵四方;马启原;李铁楠;: "基于LSTM网络的短波天波信道分析及预测", 舰船电子工程, no. 12, 20 December 2019 (2019-12-20), pages 70 - 75 * |
| 陶晔: "基于长短期记忆网络的气象预测研究", 《中国优秀硕士学位论文全文数据库》, 15 April 2020 (2020-04-15), pages 009 - 84 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700007A (zh) * | 2020-12-30 | 2021-04-23 | 千寻位置网络有限公司 | 电离层电子含量预报模型的训练方法、预报方法及装置 |
| CN112700007B (zh) * | 2020-12-30 | 2023-06-20 | 千寻位置网络有限公司 | 电离层电子含量预报模型的训练方法、预报方法及装置 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107688906B (zh) | 多方法融合的输电线路气象要素降尺度分析系统及方法 | |
| CN113936142A (zh) | 一种基于深度学习的降水临近预报方法及装置 | |
| CN107193060B (zh) | 一种多路径台风风暴潮快速预测方法及系统 | |
| CN110986747A (zh) | 一种滑坡位移组合预测方法及系统 | |
| CN113344291B (zh) | 城市内涝淹没范围的预报方法、装置、介质和设备 | |
| CN111160646A (zh) | 一种基于深度学习框架的全球电离层总电子含量预测方法 | |
| CN114091764A (zh) | 气象预报要素订正方法、装置、计算机设备和存储介质 | |
| CN115393540A (zh) | 基于深度学习的三维海洋环境场的智能融合方法及系统 | |
| CN111797573A (zh) | 一种基于深度学习技术的电离层电子浓度总含量时序预测方法 | |
| Tao et al. | Real-time multipath mitigation in multi-GNSS short baseline positioning via CNN-LSTM method | |
| CN111932017A (zh) | 一种适合于单站电离层tec的短期预报方法 | |
| CN112946784B (zh) | 一种基于深度学习的SuperDARN雷达对流图短期预报方法 | |
| CN114091756A (zh) | 一种基于泰森多边形的乡镇级海啸风险评估方法 | |
| CN110471131B (zh) | 高空间分辨率的精细化大气水平能见度自动预报方法及系统 | |
| Fan et al. | A comparative study of four merging approaches for regional precipitation estimation | |
| CN113139327B (zh) | 一种基于gru网络模型的电离层tec单点预测方法及系统 | |
| Harpham et al. | A Bayesian method for improving probabilistic wave forecasts by weighting ensemble members | |
| CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
| CN114089443B (zh) | 一种基于tec积分量及季节变化系数的uhf频段电离层闪烁事件预报方法 | |
| Zhang et al. | Pixel-CRN: A new machine learning approach for convective storm nowcasting | |
| CN113625356A (zh) | 一种适用于单站电离层tec实时异常监测方法 | |
| Ballari et al. | Spatial Association to Characterize The Climate Teleconnection Patterns In Ecuador Based On Satellite Precipitation Estimates | |
| Zhou et al. | A station-data-based model residual machine learning method for fine-grained meteorological grid prediction | |
| CN116384284B (zh) | 一种赤潮网格化预报方法及系统 | |
| Ji | Fingerprint map construction based on multi-chain interpolation |
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 |