CN112612822A - 一种北斗坐标时间序列的预测方法、装置、设备和存储介质 - Google Patents

一种北斗坐标时间序列的预测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN112612822A
CN112612822A CN202011460302.9A CN202011460302A CN112612822A CN 112612822 A CN112612822 A CN 112612822A CN 202011460302 A CN202011460302 A CN 202011460302A CN 112612822 A CN112612822 A CN 112612822A
Authority
CN
China
Prior art keywords
data
fitting
prediction
coordinate time
weight factor
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
CN202011460302.9A
Other languages
English (en)
Other versions
CN112612822B (zh
Inventor
舒颖
闵阳
曹成度
滕焕乐
吴石军
马龙
郑跃
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.)
China Railway Siyuan Survey and Design Group Co Ltd
Original Assignee
China Railway Siyuan Survey and Design Group Co Ltd
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 China Railway Siyuan Survey and Design Group Co Ltd filed Critical China Railway Siyuan Survey and Design Group Co Ltd
Priority to CN202011460302.9A priority Critical patent/CN112612822B/zh
Publication of CN112612822A publication Critical patent/CN112612822A/zh
Application granted granted Critical
Publication of CN112612822B publication Critical patent/CN112612822B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种北斗坐标时间序列的预测方法、装置、设备和存储介质，包括：对北斗坐标时间序列的原始数据插值处理，获得初始数据；分解初始数据，获得第一数据、第二数据、第三数据和第四数据；分别对第一数据、第二数据、第三数据和第四数据进行拟合预测，获得第一数据的第一拟合数据和第一预测数据、第二数据的第二拟合数据和第二预测数据、第三数据的第三拟合数据和第三预测数据以及第四数据的第四拟合数据和第四预测数据；根据第一拟合数据、第二拟合数据、第三拟合数据、第四拟合数据、第一预测数据、第二预测数据、第三预测数据、第四预测数据确定坐标时间序列的拟合参数和预测参数；基于拟合参数和/或预测参数评估拟合预测的精度。

Description

一种北斗坐标时间序列的预测方法、装置、设备和存储介质
技术领域
本发明涉及卫星导航技术领域，尤其涉及一种北斗坐标时间序列的预测方法、装置、设备和存储介质。
背景技术
北斗卫星导航系统(BDS)是我国独立自主发展的全球卫星导航系统，于2012年底免费公开向亚太地区提供服务。近年来不断累积的北斗坐标数据为大地测量学和地球动力学研究提供了丰富的基础数据，也为全球导航卫星系统(GNSS)坐标时间序列的研究提供了坚实的数据支撑。北斗坐标时间序列的精确预测，对建筑物的变形监测、气候气象预测、区域内地壳形变等研究具有重要意义。已有的研究指出GNSS坐标时间序列在三个方向上都有明显的周期运动，其中高程方向上的季节性变化最为显著。由于北斗坐标时间序列中噪声模型的组成不单一，使得建立高精度北斗坐标时间序列预测模型的难度较大。
目前，已有诸多学者在GNSS坐标时间序列的拟合与预测领域进行了广泛的研究。冯胜涛等使用最小二乘拟合高程坐标时间序列，能够较好的减弱阶跃的影响并体现时序的变化趋势；李霞等在GNSS变形监测中使用LSTM神经网络，有较高的准确性与稳定性；戴海亮等将小波多尺度分解与奇异谱结合，对坐标时间序列有良好的自适应性且能够更加准确的提取有用的信息；张明敏等通过对比实验得到ARMA模型对高程坐标的预测能力较多项式周期模型有显著的提升。上述研究促进了GNSS坐标时间序列的研究发展，但针对北斗坐标的长期预测模型，仍存在以下不足：①现阶段时间序列模型多存在建模复杂、稳定性差、无法动态调整模型参数等缺陷；②模型对坐标数据的要求较高，建模精度容易受粗差影响，以及未顾及数据缺失的不利影响；③构建的模型缺乏长期规模预测能力，在预测时需要滚动预测才能保持模型精度，增加了模型的操作难度与运行时间。而目前尚无有效解决方案。
发明内容
有鉴于此，本发明实施例期望提供一种北斗坐标时间序列的预测方法、装置、设备和存储介质。
本发明实施例的技术实施例是这样实现的：
本发明实施例提供一种北斗坐标时间序列的预测方法，所述方法包括：
对所述北斗坐标时间序列对应的原始数据进行插值处理，获得初始数据；
分解所述初始数据，获得第一数据、第二数据、第三数据和第四数据；所述第一数据表征所述北斗坐标时间序列中非周期部分数据的变化趋势；所述第二数据表征所述北斗坐标时间序列中各种周期性变化的数据；所述第三数据表征所述北斗坐标时间序列中非规律性的节假日效应的数据；所述第四数据表征所述北斗坐标时间序列中无法预测的波动数据；
分别对所述第一数据、所述第二数据、所述第三数据和所述第四数据进行拟合预测，获得所述第一数据对应的第一拟合数据和第一预测数据、所述第二数据对应的第二拟合数据和第二预测数据、所述第三数据对应的第三拟合数据和第三预测数据以及所述第四数据对应的第四拟合数据和第四预测数据；
根据所述第一拟合数据、所述第二拟合数据、所述第三拟合数据和所述第四拟合数据确定所述北斗坐标时间序列对应的拟合参数；以及根据所述第一预测数据、所述第二预测数据、所述第三预测数据和所述第四预测数据确定所述北斗坐标时间序列对应的预测参数；
基于所述拟合参数和/或所述预测参数评估所述北斗坐标时间序列拟合预测的精度。
在上述方案中，所述分别对所述第一数据、所述第二数据、所述第三数据和所述第四数据进行拟合预测，获得所述第一数据对应的第一拟合数据和第一预测数据、所述第二数据对应的第二拟合数据和第二预测数据、所述第三数据对应的第三拟合数据和第三预测数据以及所述第四数据对应的第四拟合数据和第四预测数据，包括：
采用第一模型分别对所述第一数据、所述第二数据和所述第三数据进行拟合预测，获得所述第一数据对应的第一拟合数据和第一预测数据、所述第二数据对应的第二拟合数据和第二预测数据以及所述第三数据对应的第三拟合数据和第三预测数据；
采用第二模型对所述第四数据进行拟合预测，获得所述第四数据对应的第四拟合数据和第四预测数据；所述第一模型和所述第二模型不同。
在上述方案中，所述根据所述第一拟合数据、所述第二拟合数据、所述第三拟合数据和所述第四拟合数据确定所述北斗坐标时间序列对应的拟合参数；以及根据所述第一预测数据、所述第二预测数据、所述第三预测数据和所述第四预测数据确定所述北斗坐标时间序列对应的预测参数，包括：
获得所述第一拟合数据、所述第二拟合数据、所述第三拟合数据和所述第四拟合数据分别对应的第一拟合权重因子、第二拟合权重因子、第三拟合权重因子和第四拟合权重因子；
根据所述第一拟合权重因子、所述第二拟合权重因子、所述第三拟合权重因子、所述第四拟合权重因子以及所述第一拟合数据、所述第二拟合数据、所述第三拟合数据、所述第四拟合数据确定所述北斗坐标时间序列对应的拟合参数；
获得所述第一预测数据、所述第二预测数据、所述第三预测数据和所述第四预测数据分别对应的第一预测权重因子、第二预测权重因子、第三预测权重因子和第四预测权重因子；
根据所述第一预测权重因子、所述第二预测权重因子、所述第三预测权重因子、所述第四预测权重因子以及所述第一预测数据、所述第二预测数据、所述第三预测数据、所述第四预测数据确定所述北斗坐标时间序列对应的预测参数。
在上述方案中，所述基于所述拟合参数和/或所述预测参数评估所述北斗坐标时间序列拟合预测的精度，包括：
基于所述拟合参数和所述原始数据确定所述拟合参数对应的第一均方根误差和第一平均绝对误差；
根据所述第一均方根误差和所述第一平均绝对误差评估所述北斗坐标时间序列拟合预测的精度；和/或，
基于所述预测参数和所述原始数据确定所述预测参数对应的第二均方根误差和第二平均绝对误差；
根据所述第二均方根误差和所述第二平均绝对误差评估所述北斗坐标时间序列拟合预测的精度。
在上述方案中，所述对所述北斗坐标时间序列对应的原始数据进行插值处理，获得初始数据，包括：
获得所述北斗坐标时间序列对应的原始数据；
采用第三模型对所述原始数据进行插值处理，获得所述初始数据。
在上述方案中，所述方法还包括：
根据所述原始数据、所述拟合参数和所述预测参数确定相关系数；所述相关系数表征所述原始数据分别与所述拟合参数和所述预测参数的相关性程度；
在所述相关系数满足预设范围的情况下，确定所述北斗坐标时间序列拟合预测的精度高；
在所述相关系数不满足所述预设范围的情况下，调整所述第一模型和/或所述第二模型的参数。
在上述方案中，所述根据所述原始数据、所述拟合参数和所述预测参数确定相关系数，包括：
基于所述原始数据和所述拟合参数确定第一相关系数；所述第一相关系数表征所述原始数据与所述拟合参数的相关性程度；
根据所述原始数据和所述预测参数确定第二相关系数；所述第二相关系数表征所述原始数据与所述预测参数的相关性程度。
本发明实施例提供一种北斗坐标时间序列的预测装置，所述装置包括：获得单元、拟合单元、确定单元和评估单元，其中：
所述获得单元，用于对所述北斗坐标时间序列对应的原始数据进行插值处理，获得初始数据；分解所述初始数据，获得第一数据、第二数据、第三数据和第四数据；所述第一数据表征所述北斗坐标时间序列中非周期部分数据的变化趋势；所述第二数据表征所述北斗坐标时间序列中各种周期性变化的数据；所述第三数据表征所述北斗坐标时间序列中非规律性的节假日效应的数据；所述第四数据表征所述北斗坐标时间序列中无法预测的波动数据；
所述拟合单元，用于分别对所述获得单元获得的所述第一数据、所述第二数据、所述第三数据和所述第四数据进行拟合预测，获得所述第一数据对应的第一拟合数据和第一预测数据、所述第二数据对应的第二拟合数据和第二预测数据、所述第三数据对应的第三拟合数据和第三预测数据以及所述第四数据对应的第四拟合数据和第四预测数据；
所述确定单元，用于根据所述拟合单元获得的所述第一拟合数据、所述第二拟合数据、所述第三拟合数据和所述第四拟合数据确定所述北斗坐标时间序列对应的拟合参数；以及根据所述拟合单元获得的所述第一预测数据、所述第二预测数据、所述第三预测数据和所述第四预测数据确定所述北斗坐标时间序列对应的预测参数；
所述评估单元，用于基于所述确定单元确定的所述拟合参数和/或所述预测参数评估所述北斗坐标时间序列拟合预测的精度。
在上述方案中，所述拟合单元，还用于采用第一模型分别对所述第一数据、所述第二数据和所述第三数据进行拟合预测，获得所述第一数据对应的第一拟合数据和第一预测数据、所述第二数据对应的第二拟合数据和第二预测数据以及所述第三数据对应的第三拟合数据和第三预测数据；采用第二模型对所述第四数据进行拟合预测，获得所述第四数据对应的第四拟合数据和第四预测数据；所述第一模型和所述第二模型不同。
在上述方案中，所述确定单元，还用于获得所述第一拟合数据、所述第二拟合数据、所述第三拟合数据和所述第四拟合数据分别对应的第一拟合权重因子、第二拟合权重因子、第三拟合权重因子和第四拟合权重因子；根据所述第一拟合权重因子、所述第二拟合权重因子、所述第三拟合权重因子、所述第四拟合权重因子以及所述第一拟合数据、所述第二拟合数据、所述第三拟合数据、所述第四拟合数据确定所述北斗坐标时间序列对应的拟合参数；获得所述第一预测数据、所述第二预测数据、所述第三预测数据和所述第四预测数据分别对应的第一预测权重因子、第二预测权重因子、第三预测权重因子和第四预测权重因子；根据所述第一预测权重因子、所述第二预测权重因子、所述第三预测权重因子、所述第四预测权重因子以及所述第一预测数据、所述第二预测数据、所述第三预测数据、所述第四预测数据确定所述北斗坐标时间序列对应的预测参数。
在上述方案中，所述评估单元，还用于基于所述拟合参数和所述原始数据确定所述拟合参数对应的第一均方根误差和第一平均绝对误差；根据所述第一均方根误差和所述第一平均绝对误差评估所述北斗坐标时间序列拟合预测的精度；和/或，基于所述预测参数和所述原始数据确定所述预测参数对应的第二均方根误差和第二平均绝对误差；根据所述第二均方根误差和所述第二平均绝对误差评估所述北斗坐标时间序列拟合预测的精度。
在上述方案中，所述获得单元，还用于获得所述北斗坐标时间序列对应的原始数据；采用第三模型对所述原始数据进行插值处理，获得所述初始数据。
在上述方案中，所述装置还包括调整单元，
所述确定单元，还用于根据所述原始数据、所述拟合参数和所述预测参数确定相关系数；所述相关系数表征所述原始数据分别与所述拟合参数和所述预测参数的相关性程度；在所述相关系数满足预设范围的情况下，确定所述北斗坐标时间序列拟合预测的精度高；
所述调整单元，用于在所述相关系数不满足所述预设范围的情况下，调整所述第一模型和/或所述第二模型的参数。
在上述方案中，所述确定单元，还用于基于所述原始数据和所述拟合参数确定第一相关系数；所述第一相关系数表征所述原始数据与所述拟合参数的相关性程度；根据所述原始数据和所述预测参数确定第二相关系数；所述第二相关系数表征所述原始数据与所述预测参数的相关性程度。
本发明实施例提供一种北斗坐标时间序列的预测设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述所述方法的任一步骤。
本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述所述方法的任一步骤。
本发明实施例提供的一种北斗坐标时间序列的预测方法、装置、设备和存储介质，其中，包括：对所述北斗坐标时间序列对应的原始数据进行插值处理，获得初始数据；分解所述初始数据，获得第一数据、第二数据、第三数据和第四数据；所述第一数据表征所述北斗坐标时间序列中非周期部分数据的变化趋势；所述第二数据表征所述北斗坐标时间序列中各种周期性变化的数据；所述第三数据表征所述北斗坐标时间序列中非规律性的节假日效应的数据；所述第四数据表征所述北斗坐标时间序列中无法预测的波动数据；分别对所述第一数据、所述第二数据、所述第三数据和所述第四数据进行拟合预测，获得所述第一数据对应的第一拟合数据和第一预测数据、所述第二数据对应的第二拟合数据和第二预测数据、所述第三数据对应的第三拟合数据和第三预测数据以及所述第四数据对应的第四拟合数据和第四预测数据；根据所述第一拟合数据、所述第二拟合数据、所述第三拟合数据和所述第四拟合数据确定所述北斗坐标时间序列对应的拟合参数；以及根据所述第一预测数据、所述第二预测数据、所述第三预测数据和所述第四预测数据确定所述北斗坐标时间序列对应的预测参数；基于所述拟合参数和/或所述预测参数评估所述北斗坐标时间序列拟合预测的精度；实现了对北斗坐标时间序列的建模和预测，有助于研究北斗坐标时间序列的长期变化与规律，具有显著的经济效益和社会效益。
附图说明
图1为本发明实施例北斗坐标时间序列的预测方法实现流程示意图；
图2为本发明实施例北斗坐标时间序列的预测方法中原始数据的示意图；
图3为本发明实施例北斗坐标时间序列的预测方法中趋势项、假日项、以周为周期的周期项和以年为周期的周期项的示意图；
图4为本发明实施例北斗坐标时间序列的预测方法中残差项的示意图；
图5为本发明实施例北斗坐标时间序列的预测方法中Elman模型的示意图；
图6为本发明实施例北斗坐标时间序列的预测方法中Elman模型的流程示意图；
图7为本发明实施例北斗坐标时间序列的预测方法中随机森林模型算法的流程示意图；
图8为本发明实施例北斗坐标时间序列的预测装置的组成结构示意图；
图9为本发明实施例中北斗坐标时间序列的预测设备的一种硬件实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对发明的具体技术方案做进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例提出一种北斗坐标时间序列的预测方法，该方法应用于北斗坐标时间序列的预测设备，该方法所实现的功能可以通过北斗坐标时间序列的预测设备中的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，该计算设备至少包括处理器和存储介质。
图1为本发明实施例北斗坐标时间序列的预测方法实现流程示意图，如图1所示，该方法包括：
步骤S101：对所述北斗坐标时间序列对应的原始数据进行插值处理，获得初始数据。
本发明实施例中，对所述北斗坐标时间序列对应的原始数据进行插值处理，获得初始数据可以为采用预设模型对所述北斗坐标时间序列对应的原始数据进行插值处理，获得初始数据；其中，所述原始数据可以为不同方向的坐标时间序列对应的数据，例如，东、南、西、北、垂直等方向中的至少一个方向的坐标时间序列对应的数据；所述初始数据可以为在原始数据中的坐标时间序列中存在缺失值的情况，插入缺失值获得的数据；所述预设模型可以为任意的模型，在此不做限定。作为一种示例，该预设模型可以为预测模型(TheProphet Forecasting Model，Prophet模型)。
为了方便理解，这里示例说明，图2为本发明实施例北斗坐标时间序列的预测方法中原始数据的示意图；如图2所示，示例出北(North)、东(East)、垂直(又称高程，记为Up)三个方向坐标时间序列对应的原始数据，横坐标为时间，例如年份，2000年至2010年；纵坐标为位移(Displacement/mm)。
鉴于北斗基站的坐标时间序列包含着测站的长期线性变化趋势，以及测站受地球物理效应等外界因素影响造成的非线性变化，使测站位置产生周期性的震荡变化。所以当坐标时间序列中存在缺失值时，传统的插值方法无法兼顾时间序列的周期变化。在北斗坐标数据处理中数据缺失是一种常见的情况，不同的缺失情况对北斗坐标时间序列的分析会产生不同的影响。而考虑到Prophet模型能够对数据中大量潜在的突变点进行识别与监测，再对趋势变化的幅度做稀疏先验，并且Prophet模型采用的傅立叶级数可构造适应周期性变化的模型，这使得Prophet模型在拟合时间序列的同时，能够得到适应时间序列周期变化的插值数据，能够为进一步的数据处理与分析提供良好的基础。因此，可以利用Prophet模型对所述北斗坐标时间序列对应的原始数据进行插值处理，获得初始数据。
为了更好验证利用Prophet模型对所述北斗坐标时间序列对应的原始数据进行插值处理的优势，示例一个模拟实验，假设北斗基站包含东、北、高程三个方向连续10年共3653天的数据。图2示例出了北斗基站点在三个方向上的原始数据，将各方向时间序列随机剔除5％、10％、15％的原始数据，再分别采用拉格朗日模型、三次样条模型与Prophet模型对缺失数据进行插值，示例出采用Prophet模型对原始数据进行插值前后结果的情况，表一为采用Prophet模型对原始数据进行插值前后结果的情况，没有示例采用拉格朗日模型、三次样条模型对原始数据进行插值前后结果的情况，可参照表一的情形，在此不再示例说明。并将三种方法得到的插值数据与缺失的原始数据进行对比分析，并采用均方根误差(RMSE)与平均绝对误差(MAE)作为插值精度的评判标准。这里示例出北斗基站高程方向三种模型分别插值精度的对比，表二为北斗基站高程方向三种模型分别插值精度的对比，如表二所示，根据采用Prophet模型对原始数据进行插值的RMSE与MAE的值比采用拉格朗日模型和三次样条模型对原始数据进行插值的RMSE与MAE的值小，说明采用Prophet模型对原始数据进行插值的精度更高。
Figure BDA0002831300230000101
Figure BDA0002831300230000111
表一 为采用Prophet模型对原始数据进行插值前后结果的情况
Figure BDA0002831300230000112
Figure BDA0002831300230000121
表二 为北斗基站高程方向三种模型分别插值精度的对比
本实施例中通过利用Prophet模型对北斗坐标时间序列进行插值，该模型可以克服了传统插值方法的缺陷与限制，其具备的预测能力使得其在处理缺失值与异常值时的鲁棒性极强；当坐标时间序列中存在缺失值时，Prophet模型能够较好的确定北斗坐标时间序列中的组成成分，并能同时对具有多个季节性的周期数据进行模拟，从而得到的插值数据能够较好的契合时间序列的变化规律。
步骤S102：分解所述初始数据，获得第一数据、第二数据、第三数据和第四数据；所述第一数据表征所述北斗坐标时间序列中非周期部分数据的变化趋势；所述第二数据表征所述北斗坐标时间序列中各种周期性变化的数据；所述第三数据表征所述北斗坐标时间序列中非规律性的节假日效应的数据；所述第四数据表征所述北斗坐标时间序列中无法预测的波动数据。
本实施例中，分解所述初始数据，获得第一数据、第二数据、第三数据和第四数据可以为采用预设模型分解所述初始数据，获得第一数据、第二数据、第三数据和第四数据。其中，所述预设模型可以为任意的模型，在此不做限定。作为一种示例，该预设模型可以为Prophet模型。选用Prophet模型主要考虑到Prophet的主要功能是用来时间序列的拟合平滑以及函数预测。此外，对与具有趋势变化和大异常值的日常周期数据处理效果较好，并且可对多个季节性周期数据同时模拟。
所述第一数据表征所述北斗坐标时间序列中非周期部分数据的变化趋势，也可以理解为时间序列中的分段线性增长或逻辑增长等非周期变化的趋势项，可以称为趋势项，记为g(t)；所述第二数据表征所述北斗坐标时间序列中各种周期性变化的数据；其中，所述各种周期性变化的数据可以为以周、月、季度或年作为单位周期性变化的数据，可以称为周期项或季节项，记为s(t)；所述第三数据表征所述北斗坐标时间序列中非规律性的节假日效应的数据，也可以理解为假期或特殊原因导致的对某天或多天内不规则的变化影响，对于北斗基站来说，这种特殊变动一般来自于地壳运动或者板块运动或者其他观测原因产生的阶跃，会使基站坐标时间序列有明显的突变，可以称为假日项或特殊变动项，记为h(t)；所述第四数据表征所述北斗坐标时间序列中无法预测的波动数据，可以理解为未预测到的随机趋势，可以称为残差项，记为ε(t)。换句话说，所述第一数据可以为趋势项数据，所述第二数据可以为周期项或季节项数据，所述第三数据可以为假日项数据，所述第四数据可以为残差项项数据。
为了方便理解，这里示例说明，将初始数据记为y(t)，第一数据、第二数据、第三数据和第四数据分别记为g(t)、s(t)、h(t)、ε(t)；分解所述初始数据，获得第一数据、第二数据、第三数据和第四数据可以为将y(t)分解为g(t)、s(t)、h(t)、ε(t)；可以记为：
y(t)＝g(t)+s(t)+h(t)+ε(t) (1)
其中，y(t)为时间序列在t时刻的取值；g(t)为时间序列中的分段线性增长或逻辑增长等非周期变化的趋势项；s(t)为时间序列中各种周期性变化的季节项或称周期项；h(t)为非规律性的节假日效应；∈t为残差项，表示无法预测的波动。
为了方便理解，这里示例出在式(1)中g(t)的两种可能形式，如公式(2)和公式(3)所示：
Figure BDA0002831300230000131
g(t)＝(k+a(t)τσ)t+(b+a(t)τγ) (3)
其中，C(t)表示增长的上限，k为增长率，b为偏移量，a(t)为指示函数，取0或1，σ和γ表示拐点对趋势函数的斜率和偏移量影响的大小。
为了方便理解，这里示例出在式(1)中s(t)的一种可能形式，如公式(4)所示：
Figure BDA0002831300230000132
其中，P表示时间周期，当P＝7时代表以周为周期，P＝365.25时代表以年为周期。an和bn表示需要学习的参数。由傅里叶级数的性质可知，当N越大时能表示的周期性越复杂，默认N＝10为以年为单位的周期性变化，N＝3时以周为单位的周期性变化。
为了方便理解，这里示例出在式(1)中h(t)的一种可能形式，如公式(5)所示：
h(t)＝Z(t)k (5)
其中，Z(t)＝[1(t∈D1)，…1(t∈DL)]表示节假日的时长，κ表示整体趋势的改变程度。
由于式(1)中ε(t)为未预测到的随机趋势，需要根据实际情况进行确定，在此不再示例出可能形式。
为了更好理解，这里示例出一种实际应用场景。分解所述初始数据，获得第一数据、第二数据、第三数据和第四数据可以为采用Prophet模型自带的分解功能，将时间跨度为n天的初始数据中坐标时间序列(Sn)分解为趋势项(trendn)、以周为周期的周期项(weeklyn)、以年为周期的周期项(yearlyn)以及残差项(errorn)。由于假日项或特殊变动项，表示假期或特殊原因导致的对某天或多天内不规则的变化影响，对于北斗基站来说，这种特殊变动一般来自于地壳运动或者板块运动或者其他观测原因产生的阶跃，会使基站坐标时间序列有明显的突变，如果查明对应日期确实有地震或者其他观测原因产生的特殊变动，需要用户加入，这里示例出初始数据中没有加入假日项的情形，采用Prophet模型将北斗基站高程方向坐标时间序列分解为：(1)由逻辑回归函数或分段线性函数拟合的趋势项；(2)基于傅立叶级数构建的以周为周期的周期项和以年为周期的周期项；(3)将初始坐标时间序列减去趋势项、以周为周期的周期项和以年为周期的周期项的三个主要成分就得到残差项。表三为采用Prophet模型分解初始数据，如表三所示。
Figure BDA0002831300230000141
Figure BDA0002831300230000151
表三 为采用Prophet模型分解初始数据
为了更好理解，在北斗基站初始数据坐标时间序列中手动加入日期为2008-01-13','2009-01-03','2010-01-24','2011-01-08'的假日项。这里示例出北斗坐标时间序列中趋势项、假日项、以周为周期的周期项和以年为周期的周期项的示意图，图3为本发明实施例北斗坐标时间序列的预测方法中趋势项、假日项、以周为周期的周期项和以年为周期的周期项的示意图，如图3所示，横坐标为时间，纵坐标为数据；图4为本发明实施例北斗坐标时间序列的预测方法中残差项的示意图，如图4所示，横坐标为时间，纵坐标为残差项中的残差序列值。
步骤S103：分别对所述第一数据、所述第二数据、所述第三数据和所述第四数据进行拟合预测，获得所述第一数据对应的第一拟合数据和第一预测数据、所述第二数据对应的第二拟合数据和第二预测数据、所述第三数据对应的第三拟合数据和第三预测数据以及所述第四数据对应的第四拟合数据和第四预测数据。
本实施例中，分别对所述第一数据、所述第二数据、所述第三数据和所述第四数据进行拟合预测，获得所述第一数据对应的第一拟合数据和第一预测数据、所述第二数据对应的第二拟合数据和第二预测数据、所述第三数据对应的第三拟合数据和第三预测数据以及所述第四数据对应的第四拟合数据和第四预测数据可以为采用预设模型分别对所述第一数据、所述第二数据、所述第三数据和所述第四数据进行拟合预测，获得所述第一数据对应的第一拟合数据和第一预测数据、所述第二数据对应的第二拟合数据和第二预测数据、所述第三数据对应的第三拟合数据和第三预测数据以及所述第四数据对应的第四拟合数据和第四预测数据。其中，所述预设模型可以根据实际情况进行确定，在此不做限定，作为一种示例，所述预设模型至少可以包括第一模型和第二模型。可以采用第一模型分别对所述第一数据、所述第二数据和所述第三数据进行拟合预测，获得所述第一数据对应的第一拟合数据和第一预测数据、所述第二数据对应的第二拟合数据和第二预测数据以及所述第三数据对应的第三拟合数据和第三预测数据；以及采用第二模型对所述第四数据进行拟合预测，获得所述第四数据对应的第四拟合数据和第四预测数据；其中，所述第一模型可以为神经网络模型(Elman neural network model，Elman)；所述第二模型可以为随机森林模型(Random Forest)。
步骤S104：根据所述第一拟合数据、所述第二拟合数据、所述第三拟合数据和所述第四拟合数据确定所述北斗坐标时间序列对应的拟合参数；以及根据所述第一预测数据、所述第二预测数据、所述第三预测数据和所述第四预测数据确定所述北斗坐标时间序列对应的预测参数。
本实施例中，根据所述第一拟合数据、所述第二拟合数据、所述第三拟合数据和所述第四拟合数据确定所述北斗坐标时间序列对应的拟合参数可以为获得所述第一拟合数据、所述第二拟合数据、所述第三拟合数据和所述第四拟合数据分别对应的第一拟合权重因子、第二拟合权重因子、第三拟合权重因子和第四拟合权重因子；根据所述第一拟合权重因子、所述第二拟合权重因子、所述第三拟合权重因子、所述第四拟合权重因子以及所述第一拟合数据、所述第二拟合数据、所述第三拟合数据、所述第四拟合数据确定所述北斗坐标时间序列对应的拟合参数。其中，所述第一拟合权重因子、所述第二拟合权重因子、所述第三拟合权重因子和所述第四拟合权重因子可以根据实际情况进行确定，在此不做限定。
根据所述第一预测数据、所述第二预测数据、所述第三预测数据和所述第四预测数据确定所述北斗坐标时间序列对应的预测参数可以为获得所述第一预测数据、所述第二预测数据、所述第三预测数据和所述第四预测数据分别对应的第一预测权重因子、第二预测权重因子、第三预测权重因子和第四预测权重因子；根据所述第一预测权重因子、所述第二预测权重因子、所述第三预测权重因子、所述第四预测权重因子以及所述第一预测数据、所述第二预测数据、所述第三预测数据、所述第四预测数据确定所述北斗坐标时间序列对应的预测参数。其中，所述第一预测权重因子、所述第二预测权重因子、所述第三预测权重因子、所述第四预测权重因子可以根据实际情况进行确定，在此不做限定。
步骤S105：基于所述拟合参数和/或所述预测参数评估所述北斗坐标时间序列拟合预测的精度。
本实施例中，基于所述拟合参数和/或所述预测参数评估所述北斗坐标时间序列拟合预测的精度可以为仅基于所述拟合参数评估所述北斗坐标时间序列拟合预测的精度，也可以为仅基于所述预测参数评估所述北斗坐标时间序列拟合预测的精度，还可以为同时基于所述拟合参数和所述预测参数评估所述北斗坐标时间序列拟合预测的精度。
作为一种示例，基于所述预测参数评估所述北斗坐标时间序列拟合预测的精度可以为基于所述拟合参数和所述原始数据确定所述拟合参数对应的第一均方根误差和第一平均绝对误差，根据所述第一均方根误差和所述第一平均绝对误差评估所述北斗坐标时间序列拟合预测的精度。基于所述预测参数评估所述北斗坐标时间序列拟合预测的精度可以为基于所述预测参数和所述原始数据确定所述预测参数对应的第二均方根误差和第二平均绝对误差；根据所述第二均方根误差和所述第二平均绝对误差评估所述北斗坐标时间序列拟合预测的精度。基于所述拟合参数和所述预测参数评估所述北斗坐标时间序列拟合预测的精度可以为基于所述拟合参数、所述预测参数和所述原始数据确定所述拟合参数对应的第一均方根误差和第一平均绝对误差以及所述预测参数对应的第二均方根误差和第二平均绝对误差；根据第一均方根误差、第一平均绝对误、所述第二均方根误差和所述第二平均绝对误差评估所述北斗坐标时间序列拟合预测的精度。
本发明实施例提供的北斗坐标时间序列的预测方法，通过在分解所述初始数据，获得第一数据、第二数据、第三数据和第四数据；分别对所述第一数据、所述第二数据、所述第三数据和所述第四数据进行拟合预测，获得所述第一数据对应的第一拟合数据和第一预测数据、所述第二数据对应的第二拟合数据和第二预测数据、所述第三数据对应的第三拟合数据和第三预测数据以及所述第四数据对应的第四拟合数据和第四预测数据；根据所述第一拟合数据、所述第二拟合数据、所述第三拟合数据和所述第四拟合数据确定所述北斗坐标时间序列对应的拟合参数；以及根据所述第一预测数据、所述第二预测数据、所述第三预测数据和所述第四预测数据确定所述北斗坐标时间序列对应的预测参数；基于所述拟合参数和/或所述预测参数评估所述北斗坐标时间序列拟合预测的精度；实现了对北斗坐标时间序列的建模和预测，有助于研究北斗坐标时间序列的长期变化与规律，具有显著的经济效益和社会效益。
在本发明的一种可选实施例中，所述分别对所述第一数据、所述第二数据、所述第三数据和所述第四数据进行拟合预测，获得所述第一数据对应的第一拟合数据和第一预测数据、所述第二数据对应的第二拟合数据和第二预测数据、所述第三数据对应的第三拟合数据和第三预测数据以及所述第四数据对应的第四拟合数据和第四预测数据，包括：
采用第一模型分别对所述第一数据、所述第二数据和所述第三数据进行拟合预测，获得所述第一数据对应的第一拟合数据和第一预测数据、所述第二数据对应的第二拟合数据和第二预测数据以及所述第三数据对应的第三拟合数据和第三预测数据；
采用第二模型对所述第四数据进行拟合预测，获得所述第四数据对应的第四拟合数据和第四预测数据；所述第一模型和所述第二模型不同。
本实施例中，所述第一模型和所述第二模型可以根据实际情况进行确定，在此不做限定。作为一种示例，所述第一模型可以为；所述第二模型可以为随机森林模型。
采用第一模型分别对所述第一数据、所述第二数据和所述第三数据进行拟合预测，获得所述第一数据对应的第一拟合数据和第一预测数据、所述第二数据对应的第二拟合数据和第二预测数据以及所述第三数据对应的第三拟合数据和第三预测数据可以为采用第一模型分别对所述第一数据、所述第二数据和所述第三数据建立所述第一数据对应的第一模型、所述第二数据对应的第一模型和所述第三数据对应的第一模型，再根据所述第一数据对应的第一模型、所述第二数据对应的第一模型和所述第三数据对应的第一模型进行拟合预测，得到所述第一数据对应的第一拟合数据和第一预测数据、所述第二数据对应的第二拟合数据和第二预测数据以及所述第三数据对应的第三拟合数据和第三预测数据。
为了方便理解，这里示例所述第一模型为Elman模型，又称为Elman神经网络模型，该Elman模型一般由输入层、中间层(隐含层)、承接层和输出层4部分组成，如图5所示，图5为本发明实施例北斗坐标时间序列的预测方法中Elman模型的示意图。
Elman神经网络的数学表达式为：
x(k)＝f(ω1(u(k-1))+ω2xc(k)) (6)
xc(k)＝x(k-1) (7)
y(k)＝g(ω3x(k)) (8)
其中，ω1为输入层到隐含层的权值，ω2为承接层到隐含层的权值，ω3为隐含层到输出层的权值；u(k-1)为神经网络的输入，x(k)为隐含层的输出，xc(k)为承接层的输出，y(k)为神经网络的输出。g为输出层的传递函数，是隐含层输出的线性组合，f为隐含层的传递函数，一般为S型函数(Sigmoid函数)，表达式为：
f(x)＝(1+e-x)-1 (9)
Elman神经网络采用传统算法修正权值，判断算法是否结束的误差函数表达式为：
Figure BDA0002831300230000201
其中tk为期望输出，当预测结果与真实值差值的均方误差(MSE)超过0.03时，重新设置相关参数进行计算，如神经网络训练的次数以及输入层、输出层和中间层的神经元个数，直至均方误差(MSE)的值小于0.03。
为了方便理解，这里示例出北斗坐标时间序列的预测方法中Elman模型的流程示意图，图6为本发明实施例北斗坐标时间序列的预测方法中Elman模型的流程示意图，如图6所示。
在所述第一数据为趋势项数据的情形下，采用Elman模型对趋势项数据建立趋势项数据对应的Elman模型，并进行拟合预测，得到趋势项数据对应的拟合数据和预测数据，所述拟合数据可以记为trendt，所述预测数据可以记为trendk，其中，t+k＝n；n为时间跨度为n天；
在所述第二数据为以周为周期的周期项和以年为周期的周期项数据的情形下，采用Elman模型对趋势项数据建立以周为周期的周期项和以年为周期的周期项数据对应的Elman模型，并进行拟合预测，得到以周为周期的周期项和以年为周期的周期项分别对应的拟合数据和预测数据，所述拟合数据可以分别记为weeklyt和yearlyt，所述预测数据可以分别记为weeklyk和yearlyk，其中，t+k＝n；n为时间跨度为n天；
在所述第三数据为假日项数据的情形下，采用Elman模型对假日项数据建立假日项数据对应的Elman模型，并进行拟合预测，得到假日项数据对应的拟合数据和预测数据，所述拟合数据可以记为holidayst，所述预测数据可以记为holidaysk，其中，t+k＝n；n为时间跨度为n天。
采用第二模型对所述第四数据进行拟合预测，获得所述第四数据对应的第四拟合数据和第四预测数据可以为采用第二模型对所述第四数据建立所述第四数据对应的第二模型，对所述第四数据对应的第二模型进行拟合预测，获得所述第四数据对应的第四拟合数据和第四预测数据。
为了方便理解，这里示例第二模型为随机森林模型，该随机森林模型由决策树发展而来，通常用在回归与分类的问题中，是基于Bagging(可生产多个决策树分类器)的一种集成学习算法。从原始训练样本集n中有放回地重复随机抽取k个样本生成新的训练样本集合，然后根据自助样本集生成k个分类树组成RF，最终的分类结果按照决策树的投票而确定。组成一个随机森林时，每当有一个新的样本输入，随机森林中的每一棵决策树会独立进行判断并投票，进行类别归类，最终判定票数最多的一类即为输出结果。图7为本发明实施例北斗坐标时间序列的预测方法中随机森林模型算法的流程示意图，如图7所示。随机森林模型的预测步骤可以为：
①构建原始数据样本集N并使用Boostrap重采样的方法从中抽取n个训练样本集。
②从决策树的M个总特征属性中随机选取m个特征作为子集，且m＜M。并在m个样本特征中选取一个最优特征来进行决策树的子树划分。其中，特征变量个数m需要通过交叉验证来确定一个合适的值使得模型的泛化能力得到加强。
③每个决策树进行分裂直到生长到最大，不对其进行剪枝操作。树的随机生长能够避免预测数据的过度拟合。且每个决策树之间保持相互独立。
④将生成的多个分类决策树组成一个随机森林，并将其看作一个整体。由随机森林对检验集进行投票并根据少数服从多数的原则得到最终的预测值。在回归问题中，将每颗树的预测值等权叠加，并求得均值作为最终预测值。
在所述第四数据为残差项数据的情形下，采用随机森林模型对残差项数据建立残差项数据对应的随机森林模型，并进行拟合预测，得到残差项数据对应的拟合数据和预测数据，所述拟合数据可以记为errort，所述预测数据可以记为errork，其中，t+k＝n；n为时间跨度为n天；
在实际应用中，可以按照上述随机森林模型流程示意图的过程，将时间跨度为n天的残差项坐标数据划分为训练样本集和测试样本集，前t天作为训练样本集，后k天作为测试测试集，且t+k＝n。使用随机森林模型拟合训练样本集，并将得到的拟合数据看作新的特征变量，对产生的特征变量建立预测模型，得到残差项的拟合数据与预测数据。
在本发明的一种可选实施例中，所述根据所述第一拟合数据、所述第二拟合数据、所述第三拟合数据和所述第四拟合数据确定所述北斗坐标时间序列对应的拟合参数；以及根据所述第一预测数据、所述第二预测数据、所述第三预测数据和所述第四预测数据确定所述北斗坐标时间序列对应的预测参数，包括：
获得所述第一拟合数据、所述第二拟合数据、所述第三拟合数据和所述第四拟合数据分别对应的第一拟合权重因子、第二拟合权重因子、第三拟合权重因子和第四拟合权重因子；
根据所述第一拟合权重因子、所述第二拟合权重因子、所述第三拟合权重因子、所述第四拟合权重因子以及所述第一拟合数据、所述第二拟合数据、所述第三拟合数据、所述第四拟合数据确定所述北斗坐标时间序列对应的拟合参数；
获得所述第一预测数据、所述第二预测数据、所述第三预测数据和所述第四预测数据分别对应的第一预测权重因子、第二预测权重因子、第三预测权重因子和第四预测权重因子；
根据所述第一预测权重因子、所述第二预测权重因子、所述第三预测权重因子、所述第四预测权重因子以及所述第一预测数据、所述第二预测数据、所述第三预测数据、所述第四预测数据确定所述北斗坐标时间序列对应的预测参数。
本实施例中，所述第一拟合权重因子、所述第二拟合权重因子、所述第三拟合权重因子和所述第四拟合权重因子分别对应的值可以相同也可以不同。所述第一拟合权重因子、所述第二拟合权重因子、所述第三拟合权重因子和所述第四拟合权重因子可以根据实际情况进行确定，在此不做限定。该实际情况可以为拟合数据与原始数据的关系，例如，拟合数据与原始数据的比值；也可以为用户进行设置，例如，均设为1。
所述第一预测权重因子、所述第二预测权重因子、所述第三预测权重因子、所述第四预测权重因子分别对应的值可以相同也可以不同。所述第一预测权重因子、所述第二预测权重因子、所述第三预测权重因子、所述第四预测权重因子可以根据实际情况进行确定，在此不做限定。该实际情况可以为预测数据与原始数据的关系，例如，预测数据与原始数据的比值；也可以为用户进行设置，例如，均设为1。
获得所述第一拟合数据、所述第二拟合数据、所述第三拟合数据和所述第四拟合数据分别对应的第一拟合权重因子、第二拟合权重因子、第三拟合权重因子和第四拟合权重因子可以为获得所述第一拟合数据对应的第一拟合权重因子、所述第二拟合数据对应的第二拟合权重因子、所述第三拟合数据对应的第三拟合权重因子和所述第四拟合数据对应的第四拟合权重因子。根据所述第一拟合权重因子、所述第二拟合权重因子、所述第三拟合权重因子、所述第四拟合权重因子以及所述第一拟合数据、所述第二拟合数据、所述第三拟合数据、所述第四拟合数据确定所述北斗坐标时间序列对应的拟合参数可以为将所述第一拟合权重因子、所述第二拟合权重因子、所述第三拟合权重因子、所述第四拟合权重因子以及所述第一拟合数据、所述第二拟合数据、所述第三拟合数据、所述第四拟合数据采用预设算法进行运算以确定所述北斗坐标时间序列对应的拟合参数。该预设算法可以根据实际情况进行确定，在此不做限定。作为一种示例，该预设算法可以为分别将拟合数据与对应的拟合权重因子相乘再相加。为了方便理解，将所述第一拟合权重因子、所述第二拟合权重因子、所述第三拟合权重因子、所述第四拟合权重因子分别记为k1、k2、k3、k4；所述第一拟合数据可以记为trendt、所述第二拟合数据可以记为weeklyt和yearlyt、所述第三拟合数据可以记为holidayst、所述第四拟合数据可以记为errort；所述拟合参数可以记为S拟合；则S拟合＝k1trendt+k2weeklyt+k2yearlyt+k3holidayst+k4errort。在实际应用中，所述拟合参数可以为等权相加的结果，即k1＝k2＝k3＝k4＝1；则S拟合＝trendt+weeklyt+yearlyt+holidayst+errort；另外，由于假日项，表示假期或特殊原因导致的对某天或多天内不规则的变化影响，对于北斗基站来说，这种特殊变动一般来自于地壳运动或者板块运动或者其他观测原因产生的阶跃，会使基站坐标时间序列有明显的突变，这种情况在实际应用中比较少见，一般情况下可以不考虑此项，则holidayst＝0，此时S拟合＝trendt+weeklyt+yearlyt+errort。为了更好理解，选用北斗基站2008-2013年的高程坐标数据作为实验数据，该数据的采样间隔为1/365.25年，采样频率为1/365.25HZ。将2008年1月1日至2012年12月31日的每日数据作为训练样本集，2013年1月1日至2013年12月31日的数据作为测试样本集。表四为北斗基站高程方向时间序列等权相加拟合结果表，如下表四所示。
Figure BDA0002831300230000241
Figure BDA0002831300230000251
表四 为北斗基站高程方向时间序列等权相加拟合结果表
获得所述第一预测数据、所述第二预测数据、所述第三预测数据和所述第四预测数据分别对应的第一预测权重因子、第二预测权重因子、第三预测权重因子和第四预测权重因子可以为获得所述第一预测数据对应的第一预测权重因子、所述第二预测数据对应的第二预测权重因子、所述第三预测数据对应的第三预测权重因子、所述第四预测数据对应的第四预测权重因子。
根据所述第一预测权重因子、所述第二预测权重因子、所述第三预测权重因子、所述第四预测权重因子以及所述第一预测数据、所述第二预测数据、所述第三预测数据、所述第四预测数据确定所述北斗坐标时间序列对应的预测参数可以为将所述第一预测权重因子、所述第二预测权重因子、所述第三预测权重因子、所述第四预测权重因子以及所述第一预测数据、所述第二预测数据、所述第三预测数据、所述第四预测数据采用预设算法进行运算以确定所述北斗坐标时间序列对应的预测参数。其中，所述预设算法可以根据实际情况进行确定，在此不做限定。作为一种示例，所述预设算法可以为分别将预测数据与对应的预测权重因子相乘再相加。为了方便理解，将所述第一预测权重因子、所述第二预测权重因子、所述第三预测权重因子、所述第四预测权重因子分别记为m1、m2、m3、m4；所述第一预测数据可以记为trendk、所述第二预测数据可以记为weeklyk和yearlyk、所述第三预测数据可以记为holidaysk、所述第四预测数据可以记为errork；所述拟合参数可以记为S预测；则S预测＝m1trendk+m2weeklyk+m2yearlyk+m3holidaysk+m4errork。在实际应用中，所述预测参数可以为等权相加的结果，即m1＝m2＝m3＝m4＝1；则S预测＝trendk+weeklyk+yearlyk+holidaysk+errork；另外，由于假日项，表示假期或特殊原因导致的对某天或多天内不规则的变化影响，对于北斗基站来说，这种特殊变动一般来自于地壳运动或者板块运动或者其他观测原因产生的阶跃，会使基站坐标时间序列有明显的突变，这种情况在实际应用中比较少见，一般情况下可以不考虑此项，则holidaysk＝0，此时S预测＝trendk+weeklyk+yearlyk+errork。为了更好理解，选用北斗基站2008-2013年的高程坐标数据作为实验数据，该数据的采样间隔为1/365.25年，采样频率为1/365.25HZ。将2008年1月1日至2012年12月31日的每日数据作为训练样本集，2013年1月1日至2013年12月31日的数据作为测试样本集。表五为北斗基站高程方向时间序列等权相加预测结果表，如下表五所示。
Figure BDA0002831300230000261
Figure BDA0002831300230000271
表五 为北斗基站高程方向时间序列等权相加预测结果表
在本发明的一种可选实施例中，所述基于所述拟合参数和/或所述预测参数评估所述北斗坐标时间序列拟合预测的精度，包括：
基于所述拟合参数和所述原始数据确定所述拟合参数对应的第一均方根误差和第一平均绝对误差；
根据所述第一均方根误差和所述第一平均绝对误差评估所述北斗坐标时间序列拟合预测的精度；和/或，
基于所述预测参数和所述原始数据确定所述预测参数对应的第二均方根误差和第二平均绝对误差；
根据所述第二均方根误差和所述第二平均绝对误差评估所述北斗坐标时间序列拟合预测的精度。
本实施例中，基于所述拟合参数和所述原始数据确定所述拟合参数对应的第一均方根误差和第一平均绝对误差可以为基于所述拟合参数和所述原始数据计算所述拟合参数对应的第一均方根误差(RMSE)和第一平均绝对误差(MAE)。为了方便理解，这里示例说明，RMSE与MAE可以为：
Figure BDA0002831300230000281
g表示拟合参数对应的值序列；h表示原始数据对应的值序列；n表示时间，即时间跨度为n天，i表示时间跨度n天中的某一天。
根据所述第一均方根误差和所述第一平均绝对误差评估所述北斗坐标时间序列拟合预测的精度可以为根据所述第一均方根误差对应值的大小和所述第一平均绝对误差对应值的大小评估所述北斗坐标时间序列拟合预测的精度。在实际应用中，RMSE、MAE指标对异常点较敏感，当偏差过大的拟合值越少，则RMSE、MAE的值越小，表示北斗坐标时间序列拟合预测的精度越高，即模型的精度越高；反之，则表示北斗坐标时间序列拟合预测的精度越低，即模型的精度越低。以本发明实施例示例数据为例，在RMSE的值小于4，MAE的值小于3的情况下，则代表所述北斗坐标时间序列拟合预测的精度较高，即模型精度较高，能达到较好的预测结果。
本实施例中，基于所述预测参数和所述原始数据确定所述预测参数对应的第二均方根误差和第二平均绝对误差可以为基于所述预测参数和所述原始数据计算所述预测参数对应的第二均方根误差(RMSE)和第二平均绝对误差(MAE)。为了方便理解，这里示例说明，RMSE与MAE可以为：
Figure BDA0002831300230000282
g表示预测参数对应的值序列；h表示原始数据对应的值序列；n表示时间，即时间跨度为n天，i表示时间跨度n天中的某一天。
根据所述第二均方根误差和所述第二平均绝对误差评估所述北斗坐标时间序列拟合预测的精度可以为根据所述第二均方根误差对应值的大小和所述第二平均绝对误差对应值的大小评估所述北斗坐标时间序列拟合预测的精度。在实际应用中，RMSE、MAE指标对异常点较敏感，当偏差过大的预测值越少，则RMSE、MAE的值越小，表示北斗坐标时间序列拟合预测的精度越高，即模型的精度越高；反之，则表示北斗坐标时间序列拟合预测的精度越低，即模型的精度越低。以本发明实施例示例数据为例，在RMSE的值小于4，MAE的值小于3的情况下，则代表所述北斗坐标时间序列拟合预测的精度较高，即模型精度较高，能达到较好的预测结果。
在实际应用中，可以仅使用所述第一均方根误差和所述第一平均绝对误差评估所述北斗坐标时间序列拟合预测的精度；也可以仅使用所述第二均方根误差和所述第二平均绝对误差评估所述北斗坐标时间序列拟合预测的精度；还可以同时使用所述第一均方根误差、所述第一平均绝对误、所述第二均方根误差和所述第二平均绝对误差评估所述北斗坐标时间序列拟合预测的精度。
在本发明的一种可选实施例中，所述对所述北斗坐标时间序列对应的原始数据进行插值处理，获得初始数据，包括：
获得所述北斗坐标时间序列对应的原始数据；
采用第三模型对所述原始数据进行插值处理，获得所述初始数据。
本实施例中，获得所述北斗坐标时间序列对应的原始数据可以为利用北斗基站获取不同方向的坐标时间序列对应的原始数据；其中，不同方向可以为东、南、西、北、垂直等方向；所述原始数据可以为不同方向中的至少一个方向的坐标时间序列对应的位移情况，作为一种示例，该坐标时间序列可以为年份例如2000年至2010年。
采用第三模型对所述原始数据进行插值处理，获得所述初始数据可以为采用Prophet模型对所述原始数据进行插值处理，获得插值处理后的所述初始数据。
在本发明的一种可选实施例中，所述方法还包括：
根据所述原始数据、所述拟合参数和所述预测参数确定相关系数；所述相关系数表征所述原始数据分别与所述拟合参数和所述预测参数的相关性程度；
在所述相关系数满足预设范围的情况下，确定所述北斗坐标时间序列拟合预测的精度高；
在所述相关系数不满足所述预设范围的情况下，调整所述第一模型和/或所述第二模型的参数。
本实施例中，根据所述原始数据、所述拟合参数和所述预测参数确定相关系数可以为根据所述原始数据、所述拟合参数和所述预测参数通过预设算法计算相关系数。该预设算法可以根据实际情况进行确定，在此不做限定。作为一种示例，可以基于所述原始数据和所述拟合参数确定第一相关系数；所述第一相关系数表征所述原始数据与所述拟合参数的相关性程度；可以根据所述原始数据和所述预测参数确定第二相关系数；所述第二相关系数表征所述原始数据与所述预测参数的相关性程度。所述相关系数可以为斯皮尔曼相关性系数(spearman correlation coefficient)，记为rxy，所述原始数据记为x，所述拟合参数和所述预测参数均记为y，则rxy可以为：
Figure BDA0002831300230000301
其中，n表示时间，即时间跨度为n天，k表示时间跨度n天中的某一天，
Figure BDA0002831300230000302
和
Figure BDA0002831300230000303
均表示平均值。
在所述相关系数满足预设范围的情况下，确定所述北斗坐标时间序列拟合预测的精度高；其中，所述预设范围可以根据实际情况进行确定，在此不做限定。为了方便理解，这里以所述相关系数为斯皮尔曼相关系数进行示例说明，表6为相关系数对应的值域等级，如表6所示。一般情况相关系数的绝对值越接近1表示其相关程度越大，预设范围一般为相关系数的绝对值接近1的范围；在所述相关系数满足预设范围的情况下，确定所述北斗坐标时间序列拟合预测的精度高可以为在所述相关系数在(0.6，1)的范围的情况下，确定所述北斗坐标时间序列拟合预测的精度高。
Figure BDA0002831300230000304
Figure BDA0002831300230000311
表6为相关系数对应的值域等级
在所述相关系数不满足所述预设范围的情况下，调整所述第一模型和/或所述第二模型的参数；其中，所述第一模型、所述第二模型可以根据实际情况进行确定，在此不做限定。作为一种示例，所述第一模型可以为Elman模型；所述第二模型可以为随机森林模型。
在所述相关系数不满足所述预设范围的情况下，调整所述第一模型和/或所述第二模型的参数可以为在所述相关系数不满足(0.6，1)的范围的情况下，调整所述Elman模型的参数和/或所述随机森林模型的参数。换句话说，在所述相关系数满足(0.0，0.6)的情况下，调整所述Elman模型的参数和/或所述随机森林模型的参数。
在实际应用中，可以在所述相关系数小于0.6的情况下，重新设置所述Elman模型的参数，该参数可以为神经网络训练的次数，输入层、输出层和中间层的神经元个数等；和/或重新设置随机森林模型的参数，该参数可以为mtry(节点中用于二叉树的最佳变量个数)、ntree(随机森林所包含的最佳决策树数目)，和OOB(袋外误差率)；从而重新计算拟合预测数据和原始数据的相关性，以得到最好的预测效果。
在本发明的一种可选实施例中，所述根据所述原始数据、所述拟合参数和所述预测参数确定相关系数，包括：
基于所述原始数据和所述拟合参数确定第一相关系数；所述第一相关系数表征所述原始数据与所述拟合参数的相关性程度；
根据所述原始数据和所述预测参数确定第二相关系数；所述第二相关系数表征所述原始数据与所述预测参数的相关性程度。
本实施例中，基于所述原始数据和所述拟合参数确定第一相关系数可以为基于所述原始数据和所述拟合参数计算第一相关系数；所述第一相关系数表征所述原始数据与所述拟合参数的相关性程度可以理解为所述第一相关系数越大，所述原始数据与所述拟合参数的相关性程度越高，所述第一相关系数越小，所述原始数据与所述拟合参数的相关性程度越小。
为了方便理解，这里示例说明，所述第一相关系数可以为斯皮尔曼相关性系数，记为rxy，所述原始数据记为x，所述拟合参数记为y，则rxy可以为：
Figure BDA0002831300230000321
其中，n表示时间，即时间跨度为n天，k表示时间跨度n天中的某一天，
Figure BDA0002831300230000322
和
Figure BDA0002831300230000323
均表示平均值。
根据所述原始数据和所述预测参数确定第二相关系数可以为基于所述原始数据和所述预测参数计算第二相关系数；所述第二相关系数表征所述原始数据与所述预测参数的相关性程度可以理解为所述第二相关系数越大，所述原始数据与所述预测参数的相关性程度越高，所述第二相关系数越小，所述原始数据与所述预测参数的相关性程度越小。
为了方便理解，这里示例说明，所述第二相关系数可以为斯皮尔曼相关性系数，记为rxy，所述原始数据记为x，所述预测参数记为y，则rxy可以为：
Figure BDA0002831300230000324
其中，n表示时间，即时间跨度为n天，k表示时间跨度n天中的某一天，
Figure BDA0002831300230000325
和
Figure BDA0002831300230000326
均表示平均值。
通过采用本发明实施例提供的北斗坐标时间序列的预测方法，可以利用多种时间序列拟合预测的模型，针对北斗坐标时间序列不同分解项的特性采用不同的模型进行拟合预测，开创了一种北斗坐标时间序列预测新方法。
本实施例提出又一种北斗坐标时间序列的预测装置，图8为本发明实施例北斗坐标时间序列的预测装置的组成结构示意图，如图8所示，所述装置200包括：获得单元201、拟合单元202、确定单元203和评估单元204，其中：
所述获得单元201，用于对所述北斗坐标时间序列对应的原始数据进行插值处理，获得初始数据；分解所述初始数据，获得第一数据、第二数据、第三数据和第四数据；所述第一数据表征所述北斗坐标时间序列中非周期部分数据的变化趋势；所述第二数据表征所述北斗坐标时间序列中各种周期性变化的数据；所述第三数据表征所述北斗坐标时间序列中非规律性的节假日效应的数据；所述第四数据表征所述北斗坐标时间序列中无法预测的波动数据；
所述拟合单元202，用于分别对所述获得单元201获得的所述第一数据、所述第二数据、所述第三数据和所述第四数据进行拟合预测，获得所述第一数据对应的第一拟合数据和第一预测数据、所述第二数据对应的第二拟合数据和第二预测数据、所述第三数据对应的第三拟合数据和第三预测数据以及所述第四数据对应的第四拟合数据和第四预测数据；
所述确定单元203，用于根据所述拟合单元202获得的所述第一拟合数据、所述第二拟合数据、所述第三拟合数据和所述第四拟合数据确定所述北斗坐标时间序列对应的拟合参数；以及根据所述拟合单元获得的所述第一预测数据、所述第二预测数据、所述第三预测数据和所述第四预测数据确定所述北斗坐标时间序列对应的预测参数；
所述评估单元204，用于基于所述确定单元203确定的所述拟合参数和/或所述预测参数评估所述北斗坐标时间序列拟合预测的精度。
在其他的实施例中，所述拟合单元202，还用于采用第一模型分别对所述第一数据、所述第二数据和所述第三数据进行拟合预测，获得所述第一数据对应的第一拟合数据和第一预测数据、所述第二数据对应的第二拟合数据和第二预测数据以及所述第三数据对应的第三拟合数据和第三预测数据；采用第二模型对所述第四数据进行拟合预测，获得所述第四数据对应的第四拟合数据和第四预测数据；所述第一模型和所述第二模型不同。
在其他的实施例中，所述确定单元203，还用于获得所述第一拟合数据、所述第二拟合数据、所述第三拟合数据和所述第四拟合数据分别对应的第一拟合权重因子、第二拟合权重因子、第三拟合权重因子和第四拟合权重因子；根据所述第一拟合权重因子、所述第二拟合权重因子、所述第三拟合权重因子、所述第四拟合权重因子以及所述第一拟合数据、所述第二拟合数据、所述第三拟合数据、所述第四拟合数据确定所述北斗坐标时间序列对应的拟合参数；获得所述第一预测数据、所述第二预测数据、所述第三预测数据和所述第四预测数据分别对应的第一预测权重因子、第二预测权重因子、第三预测权重因子和第四预测权重因子；根据所述第一预测权重因子、所述第二预测权重因子、所述第三预测权重因子、所述第四预测权重因子以及所述第一预测数据、所述第二预测数据、所述第三预测数据、所述第四预测数据确定所述北斗坐标时间序列对应的预测参数。
在其他的实施例中，所述评估单元204，还用于基于所述拟合参数和所述原始数据确定所述拟合参数对应的第一均方根误差和第一平均绝对误差；根据所述第一均方根误差和所述第一平均绝对误差评估所述北斗坐标时间序列拟合预测的精度；和/或，基于所述预测参数和所述原始数据确定所述预测参数对应的第二均方根误差和第二平均绝对误差；根据所述第二均方根误差和所述第二平均绝对误差评估所述北斗坐标时间序列拟合预测的精度。
在其他的实施例中，所述获得单元201，还用于获得所述北斗坐标时间序列对应的原始数据；采用第三模型对所述原始数据进行插值处理，获得所述初始数据。
在其他的实施例中，所述装置还包括调整单元，
所述确定单元203，还用于根据所述原始数据、所述拟合参数和所述预测参数确定相关系数；所述相关系数表征所述原始数据分别与所述拟合参数和所述预测参数的相关性程度；在所述相关系数满足预设范围的情况下，确定所述北斗坐标时间序列拟合预测的精度高；
所述调整单元，用于在所述相关系数不满足所述预设范围的情况下，调整所述第一模型和/或所述第二模型的参数。
在其他的实施例中，所述确定单元203，还用于基于所述原始数据和所述拟合参数确定第一相关系数；所述第一相关系数表征所述原始数据与所述拟合参数的相关性程度；根据所述原始数据和所述预测参数确定第二相关系数；所述第二相关系数表征所述原始数据与所述预测参数的相关性程度。
以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明装置实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。
需要说明的是，本发明实施例中，如果以软件功能模块的形式实现上述的北斗坐标时间序列的预测方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术实施例本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台北斗坐标时间序列的预测设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本发明实施例不限制于任何特定的硬件和软件结合。
对应地，本发明实施例提供一种北斗坐标时间序列的预测设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例提供的北斗坐标时间序列的预测方法中的步骤。
对应地，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例提供的北斗坐标时间序列的预测方法中的步骤。
这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明存储介质和设备实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。
需要说明的是，图9为本发明实施例中北斗坐标时间序列的预测设备的一种硬件实体结构示意图，如图9所示，该北斗坐标时间序列的预测设备300的硬件实体包括：处理器301和存储器302，可选地，所述北斗坐标时间序列的预测设备300还可以包括通信接口302。
可以理解，存储器303可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器303旨在包括但不限于这些和任意其它适合类型的存储器。
上述本发明实施例揭示的方法可以应用于处理器301中，或者由处理器301实现。处理器301可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器301中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器301可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器301可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器303，处理器301读取存储器303中的信息，结合其硬件完成前述方法的步骤。
在示例性实施例中，北斗坐标时间序列的预测设备可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable LogicDevice)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现，用于执行前述方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个观测量，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其他形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例的目的。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明实施例上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术实施例本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台北斗坐标时间序列的预测设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
本发明是实例中记载的一种北斗坐标时间序列的预测方法、装置、设备和存储介质只以本发明所述实施例为例，但不仅限于此，只要涉及到该一种北斗坐标时间序列的预测方法、装置、设备和存储介质均在本发明的保护范围。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上所述，仅为本发明的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (16)

1.一种北斗坐标时间序列的预测方法，其特征在于，所述方法包括：
对所述北斗坐标时间序列对应的原始数据进行插值处理，获得初始数据；
分解所述初始数据，获得第一数据、第二数据、第三数据和第四数据；所述第一数据表征所述北斗坐标时间序列中非周期部分数据的变化趋势；所述第二数据表征所述北斗坐标时间序列中各种周期性变化的数据；所述第三数据表征所述北斗坐标时间序列中非规律性的节假日效应的数据；所述第四数据表征所述北斗坐标时间序列中无法预测的波动数据；
分别对所述第一数据、所述第二数据、所述第三数据和所述第四数据进行拟合预测，获得所述第一数据对应的第一拟合数据和第一预测数据、所述第二数据对应的第二拟合数据和第二预测数据、所述第三数据对应的第三拟合数据和第三预测数据以及所述第四数据对应的第四拟合数据和第四预测数据；
根据所述第一拟合数据、所述第二拟合数据、所述第三拟合数据和所述第四拟合数据确定所述北斗坐标时间序列对应的拟合参数；以及根据所述第一预测数据、所述第二预测数据、所述第三预测数据和所述第四预测数据确定所述北斗坐标时间序列对应的预测参数；
基于所述拟合参数和/或所述预测参数评估所述北斗坐标时间序列拟合预测的精度。
2.根据权利要求1所述的方法，其特征在于，所述分别对所述第一数据、所述第二数据、所述第三数据和所述第四数据进行拟合预测，获得所述第一数据对应的第一拟合数据和第一预测数据、所述第二数据对应的第二拟合数据和第二预测数据、所述第三数据对应的第三拟合数据和第三预测数据以及所述第四数据对应的第四拟合数据和第四预测数据，包括：
采用第一模型分别对所述第一数据、所述第二数据和所述第三数据进行拟合预测，获得所述第一数据对应的第一拟合数据和第一预测数据、所述第二数据对应的第二拟合数据和第二预测数据以及所述第三数据对应的第三拟合数据和第三预测数据；
采用第二模型对所述第四数据进行拟合预测，获得所述第四数据对应的第四拟合数据和第四预测数据；所述第一模型和所述第二模型不同。
3.根据权利要求1所述的方法，其特征在于，所述根据所述第一拟合数据、所述第二拟合数据、所述第三拟合数据和所述第四拟合数据确定所述北斗坐标时间序列对应的拟合参数；以及根据所述第一预测数据、所述第二预测数据、所述第三预测数据和所述第四预测数据确定所述北斗坐标时间序列对应的预测参数，包括：
获得所述第一拟合数据、所述第二拟合数据、所述第三拟合数据和所述第四拟合数据分别对应的第一拟合权重因子、第二拟合权重因子、第三拟合权重因子和第四拟合权重因子；
根据所述第一拟合权重因子、所述第二拟合权重因子、所述第三拟合权重因子、所述第四拟合权重因子以及所述第一拟合数据、所述第二拟合数据、所述第三拟合数据、所述第四拟合数据确定所述北斗坐标时间序列对应的拟合参数；
获得所述第一预测数据、所述第二预测数据、所述第三预测数据和所述第四预测数据分别对应的第一预测权重因子、第二预测权重因子、第三预测权重因子和第四预测权重因子；
根据所述第一预测权重因子、所述第二预测权重因子、所述第三预测权重因子、所述第四预测权重因子以及所述第一预测数据、所述第二预测数据、所述第三预测数据、所述第四预测数据确定所述北斗坐标时间序列对应的预测参数。
4.根据权利要求3所述的方法，其特征在于，所述基于所述拟合参数和/或所述预测参数评估所述北斗坐标时间序列拟合预测的精度，包括：
基于所述拟合参数和所述原始数据确定所述拟合参数对应的第一均方根误差和第一平均绝对误差；
根据所述第一均方根误差和所述第一平均绝对误差评估所述北斗坐标时间序列拟合预测的精度；和/或，
基于所述预测参数和所述原始数据确定所述预测参数对应的第二均方根误差和第二平均绝对误差；
根据所述第二均方根误差和所述第二平均绝对误差评估所述北斗坐标时间序列拟合预测的精度。
5.根据权利要求1所述的方法，其特征在于，所述对所述北斗坐标时间序列对应的原始数据进行插值处理，获得初始数据，包括：
获得所述北斗坐标时间序列对应的原始数据；
采用第三模型对所述原始数据进行插值处理，获得所述初始数据。
6.根据权利要求2所述的方法，其特征在于，所述方法还包括：
根据所述原始数据、所述拟合参数和所述预测参数确定相关系数；所述相关系数表征所述原始数据分别与所述拟合参数和所述预测参数的相关性程度；
在所述相关系数满足预设范围的情况下，确定所述北斗坐标时间序列拟合预测的精度高；
在所述相关系数不满足所述预设范围的情况下，调整所述第一模型和/或所述第二模型的参数。
7.根据权利要求6所述的方法，其特征在于，所述根据所述原始数据、所述拟合参数和所述预测参数确定相关系数，包括：
基于所述原始数据和所述拟合参数确定第一相关系数；所述第一相关系数表征所述原始数据与所述拟合参数的相关性程度；
根据所述原始数据和所述预测参数确定第二相关系数；所述第二相关系数表征所述原始数据与所述预测参数的相关性程度。
8.一种北斗坐标时间序列的预测装置，其特征在于，所述装置包括：获得单元、拟合单元、确定单元和评估单元，其中：
所述获得单元，用于对所述北斗坐标时间序列对应的原始数据进行插值处理，获得初始数据；分解所述初始数据，获得第一数据、第二数据、第三数据和第四数据；所述第一数据表征所述北斗坐标时间序列中非周期部分数据的变化趋势；所述第二数据表征所述北斗坐标时间序列中各种周期性变化的数据；所述第三数据表征所述北斗坐标时间序列中非规律性的节假日效应的数据；所述第四数据表征所述北斗坐标时间序列中无法预测的波动数据；
所述拟合单元，用于分别对所述获得单元获得的所述第一数据、所述第二数据、所述第三数据和所述第四数据进行拟合预测，获得所述第一数据对应的第一拟合数据和第一预测数据、所述第二数据对应的第二拟合数据和第二预测数据、所述第三数据对应的第三拟合数据和第三预测数据以及所述第四数据对应的第四拟合数据和第四预测数据；
所述确定单元，用于根据所述拟合单元获得的所述第一拟合数据、所述第二拟合数据、所述第三拟合数据和所述第四拟合数据确定所述北斗坐标时间序列对应的拟合参数；以及根据所述拟合单元获得的所述第一预测数据、所述第二预测数据、所述第三预测数据和所述第四预测数据确定所述北斗坐标时间序列对应的预测参数；
所述评估单元，用于基于所述确定单元确定的所述拟合参数和/或所述预测参数评估所述北斗坐标时间序列拟合预测的精度。
9.根据权利要求8所述的装置，其特征在于，所述拟合单元，还用于采用第一模型分别对所述第一数据、所述第二数据和所述第三数据进行拟合预测，获得所述第一数据对应的第一拟合数据和第一预测数据、所述第二数据对应的第二拟合数据和第二预测数据以及所述第三数据对应的第三拟合数据和第三预测数据；采用第二模型对所述第四数据进行拟合预测，获得所述第四数据对应的第四拟合数据和第四预测数据；所述第一模型和所述第二模型不同。
10.根据权利要求8所述的装置，其特征在于，所述确定单元，还用于获得所述第一拟合数据、所述第二拟合数据、所述第三拟合数据和所述第四拟合数据分别对应的第一拟合权重因子、第二拟合权重因子、第三拟合权重因子和第四拟合权重因子；根据所述第一拟合权重因子、所述第二拟合权重因子、所述第三拟合权重因子、所述第四拟合权重因子以及所述第一拟合数据、所述第二拟合数据、所述第三拟合数据、所述第四拟合数据确定所述北斗坐标时间序列对应的拟合参数；获得所述第一预测数据、所述第二预测数据、所述第三预测数据和所述第四预测数据分别对应的第一预测权重因子、第二预测权重因子、第三预测权重因子和第四预测权重因子；根据所述第一预测权重因子、所述第二预测权重因子、所述第三预测权重因子、所述第四预测权重因子以及所述第一预测数据、所述第二预测数据、所述第三预测数据、所述第四预测数据确定所述北斗坐标时间序列对应的预测参数。
11.根据权利要求10所述的装置，其特征在于，所述评估单元，还用于基于所述拟合参数和所述原始数据确定所述拟合参数对应的第一均方根误差和第一平均绝对误差；根据所述第一均方根误差和所述第一平均绝对误差评估所述北斗坐标时间序列拟合预测的精度；和/或，基于所述预测参数和所述原始数据确定所述预测参数对应的第二均方根误差和第二平均绝对误差；根据所述第二均方根误差和所述第二平均绝对误差评估所述北斗坐标时间序列拟合预测的精度。
12.根据权利要求8所述的装置，其特征在于，所述获得单元，还用于获得所述北斗坐标时间序列对应的原始数据；采用第三模型对所述原始数据进行插值处理，获得所述初始数据。
13.根据权利要求9所述的装置，其特征在于，所述装置还包括调整单元，
所述确定单元，还用于根据所述原始数据、所述拟合参数和所述预测参数确定相关系数；所述相关系数表征所述原始数据分别与所述拟合参数和所述预测参数的相关性程度；在所述相关系数满足预设范围的情况下，确定所述北斗坐标时间序列拟合预测的精度高；
所述调整单元，用于在所述相关系数不满足所述预设范围的情况下，调整所述第一模型和/或所述第二模型的参数。
14.根据权利要求13所述的装置，其特征在于，所述确定单元，还用于基于所述原始数据和所述拟合参数确定第一相关系数；所述第一相关系数表征所述原始数据与所述拟合参数的相关性程度；根据所述原始数据和所述预测参数确定第二相关系数；所述第二相关系数表征所述原始数据与所述预测参数的相关性程度。
15.一种北斗坐标时间序列的预测设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7任一项所述方法中的步骤。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法中的步骤。
CN202011460302.9A 2020-12-11 2020-12-11 一种北斗坐标时间序列的预测方法、装置、设备和存储介质 Active CN112612822B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011460302.9A CN112612822B (zh) 2020-12-11 2020-12-11 一种北斗坐标时间序列的预测方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011460302.9A CN112612822B (zh) 2020-12-11 2020-12-11 一种北斗坐标时间序列的预测方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN112612822A true CN112612822A (zh) 2021-04-06
CN112612822B CN112612822B (zh) 2023-04-28

Family

ID=75233499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011460302.9A Active CN112612822B (zh) 2020-12-11 2020-12-11 一种北斗坐标时间序列的预测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN112612822B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113219499A (zh) * 2021-04-07 2021-08-06 中铁第四勘察设计院集团有限公司 位置时间序列的异常探测方法、装置及计算机存储介质
CN113486287A (zh) * 2021-06-15 2021-10-08 中铁第四勘察设计院集团有限公司 一种卫星站速度的估计方法、装置、设备和存储介质
CN113484882A (zh) * 2021-06-24 2021-10-08 武汉大学 多尺度滑动窗口lstm的gnss序列预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2002228814A1 (en) * 2000-11-09 2002-07-25 International Business Machines Corporation System and method for building a time series model
CN110398753A (zh) * 2019-06-28 2019-11-01 武汉大学 Gnss测站坐标时间序列周期性探测方法及系统
CN111563776A (zh) * 2020-05-08 2020-08-21 国网江苏省电力有限公司扬州供电分公司 一种基于K近邻异常检测和Prophet模型的电量分解和预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2002228814A1 (en) * 2000-11-09 2002-07-25 International Business Machines Corporation System and method for building a time series model
CN110398753A (zh) * 2019-06-28 2019-11-01 武汉大学 Gnss测站坐标时间序列周期性探测方法及系统
CN111563776A (zh) * 2020-05-08 2020-08-21 国网江苏省电力有限公司扬州供电分公司 一种基于K近邻异常检测和Prophet模型的电量分解和预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
滕金玲等: "基于Prophet的生姜价格预测研究", 《中国农机化学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113219499A (zh) * 2021-04-07 2021-08-06 中铁第四勘察设计院集团有限公司 位置时间序列的异常探测方法、装置及计算机存储介质
CN113486287A (zh) * 2021-06-15 2021-10-08 中铁第四勘察设计院集团有限公司 一种卫星站速度的估计方法、装置、设备和存储介质
CN113486287B (zh) * 2021-06-15 2023-07-04 中铁第四勘察设计院集团有限公司 一种卫星站速度的估计方法、装置、设备和存储介质
CN113484882A (zh) * 2021-06-24 2021-10-08 武汉大学 多尺度滑动窗口lstm的gnss序列预测方法及系统

Also Published As

Publication number Publication date
CN112612822B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
Huber et al. Adaptive shrinkage in Bayesian vector autoregressive models
CN112612822B (zh) 一种北斗坐标时间序列的预测方法、装置、设备和存储介质
CN109615226B (zh) 一种运营指标异常监测方法
Marshall et al. A comparative study of Markov chain Monte Carlo methods for conceptual rainfall‐runoff modeling
Hutchinson et al. ANUSPLIN version 4.4 user guide
Schmidt et al. Comparison of polynomial models for land surface curvature calculation
CN111563706A (zh) 一种基于lstm网络的多变量物流货运量预测方法
Zechar et al. Simple smoothed seismicity earthquake forecasts for Italy
Hennemuth et al. Statistical methods for the analysis of simulated and observed climate data: applied in projects and institutions dealing with climate change impact and adaptation
CN110045413B (zh) 一种地震短期预测方法和装置
Bogner et al. Machine learning techniques for predicting the energy consumption/production and its uncertainties driven by meteorological observations and forecasts
Farmer et al. A comparison of methods to predict historical daily streamflow time series in the southeastern United States
Majone et al. Analysis of high streamflow extremes in climate change studies: how do we calibrate hydrological models?
Fry et al. Identifying streamgage networks for maximizing the effectiveness of regional water balance modeling
Tyralis et al. On the prediction of persistent processes using the output of deterministic models
Louzis Steady‐state modeling and macroeconomic forecasting quality
Sweeney et al. Statistical challenges in estimating past climate changes
Kiran et al. A Mahalanobis distance‐based automatic threshold selection method for peaks over threshold model
Hontoria et al. An improved method for obtaining solar irradiation data at temporal high-resolution
Chung et al. Accurate prediction of electricity consumption using a hybrid CNN-LSTM model based on multivariable data
Karozis et al. A deep learning approach for spatial error correction of numerical seasonal weather prediction simulation data
Rubinetti et al. Robust decadal hydroclimate predictions for Northern Italy based on a twofold statistical approach
CN117408167A (zh) 基于深度神经网络的泥石流灾害易发性预测方法
Spezia et al. Periodic multivariate normal hidden Markov models for the analysis of water quality time series
Sabourin et al. Combining regional estimation and historical floods: A multivariate semiparametric peaks‐over‐threshold model with censored data

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