CN112862159A - 电离层的总电子含量预测方法、装置、设备及存储介质 - Google Patents

电离层的总电子含量预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112862159A
CN112862159A CN202110040079.0A CN202110040079A CN112862159A CN 112862159 A CN112862159 A CN 112862159A CN 202110040079 A CN202110040079 A CN 202110040079A CN 112862159 A CN112862159 A CN 112862159A
Authority
CN
China
Prior art keywords
data
model
prediction
time sequence
tec
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
CN202110040079.0A
Other languages
English (en)
Other versions
CN112862159B (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 CN202110040079.0A priority Critical patent/CN112862159B/zh
Publication of CN112862159A publication Critical patent/CN112862159A/zh
Application granted granted Critical
Publication of CN112862159B publication Critical patent/CN112862159B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种电离层的总电子含量预测方法、装置、设备及存储介质。所述方法包括：对第n周期内所述电离层的第一总电子含量TEC时间序列进行平稳性检验，得到所述第一TEC时间序列的平稳性参数；其中，所述n为大于或等于1的正整数；根据所述第一TEC时间序列的平稳性参数，确定处理所述第一TEC时间序列的目标模型；基于所述目标模型预测第m周期内的第二TEC时间序列，得到所述第m周期内的所述电离层的TEC预测值，其中，所述m为大于所述n的正整数。

Description

电离层的总电子含量预测方法、装置、设备及存储介质
技术领域
本发明涉及电离层预测技术领域，尤其涉及一种电离层的总电子含量预测方法、装置、设备及存储介质。
背景技术
电离层对于无线电通信、卫星导航、定位、授时及地震预报等具有非常重要的作用；电离层的总电子含量(Total Electric Content，TEC)是非常重要的电离层物理参量之一。建立电离层的TEC预测模型不仅为研究电离层的物理特性提供模型基础，也对研究地震异常探测等具有重要意义。
相关技术中，由于电离层复杂的时空变化特性、以及缺乏对电离层TEC变化规律的把握，电离层的TEC预测模型存在预测精度低、模型参数优化较为困难等问题，难以满足电离层TEC预测所需要的精度要求。
发明内容
本发明实施例提供一种电离层的总电子含量预测方法、装置、设备及存储介质。本发明实施例的技术方案是这样实现的：
第一方面，本发明实施例提供一种电离层的总电子含量预测方法，包括：
对第n周期内所述电离层的第一总电子含量TEC时间序列进行平稳性检验，得到所述第一TEC时间序列的平稳性参数；其中，所述n为大于或等于1的正整数；
根据所述第一TEC时间序列的平稳性参数，确定处理所述第一TEC时间序列的目标模型；
基于所述目标模型预测第m周期内的第二TEC时间序列，得到所述第m周期内的所述电离层的TEC预测值，其中，所述m为大于所述n的正整数。
可选地，所述根据所述第一TEC时间序列的平稳性参数，确定处理所述第一TEC时间序列的目标模型，包括：
若所述第一TEC时间序列的平稳性参数不满足第一条件，将第一预测模型确定为处理所述第一TEC时间序列的目标模型；其中，所述第一预测模型为基于特征分类的时间序列模型；
和/或，
若所述第一TEC时间序列的平稳性参数满足第一条件，将第二预测模型确定为处理所述第一TEC时间序列的目标模型；其中，所述第二预测模型为基于模态分解的时间序列模型。
可选地，所述若所述第一TEC时间序列的平稳性参数不满足第一条件，将第一预测模型确定为处理所述TEC时间序列的目标模型，包括：
若所述第一TEC时间序列的平稳性参数不满足第一条件，按照获取时间，将所述第一TEC时间序列分为第一数据和第二数据；
根据所述第一数据，得到第一初始模型；
根据所述第二数据对所述第一初始模型进行模型参数校正，得到所述第一预测模型。
可选地，所述根据所述第一数据，得到初始模型，包括：
基于分类子模型对所述第一数据进行线性拟合，得到第一拟合数据；
基于特征分析子模型对所述第一拟合数据进行拟合，得到第一初始模型。
可选地，所述根据所述第二数据对所述第一初始模型进行模型参数校正，得到所述第一预测模型，包括：
基于所述第一初始模型对所述第二数据进行预测，得到第一预测数据；
根据所述第一预测数据和第二数据，确定所述第一预测数据对应的第一相关系数；所述第一相关系数指示所述第二数据和所述第一预测数据的相关性程度；
根据所述第一相关系数，确定所述第一初始模型对应的TEC预测值的预测精度；
若所述预测精度小于预设范围，对所述第一初始模型进行模型参数校正；
将调整后的第一初始模型确定为所述第一预测模型。
可选地，所述根据所述第一预测数据和第二数据，确定所述第一预测数据对应的第一相关系数，包括：
基于所述第一预测数据和所述第二数据，确定所述第一预测数据对应的绝对差值；
对所述第一预测数据对应的绝对差值进行自相关检验，确定所述第一预测数据对应的第一相关系数。
可选地，所述若所述第一TEC时间序列的平稳性参数满足第一条件，将第二预测模型确定为处理所述第一TEC时间序列的目标模型，包括：
若所述第一TEC时间序列的平稳性参数满足第一条件，按照获取时间，将所述第一TEC时间序列确定为第三数据和第四数据；
根据所述第三数据，得到第二初始模型；
根据所述第四数据对所述第二初始模型进行模型参数校正，得到所述第二预测模型。
可选地，所述根据所述第三数据，得到第二初始模型，包括：
对所述第三数据进行模态分解，得到所述第三数据对应的第一子数据和多个第二子数据，其中，所述第一子数据用于指示所述第三数据的变化趋势；所述多个第二子数据分别用于指示所述第三数据的多个频域特征；
基于回归子模型，对所述第三数据对应的第一子数据和多个第二子数据进行拟合，得到所述第二初始模型。
可选地，所述基于回归子模型，对所述第三数据对应的第一子数据和多个第二子数据进行拟合，得到所述第二初始模型，包括：
基于所述回归子模型，对所述第三数据对应的第一子数据和多个第二子数据进行拟合，得到所述第三数据对应的多个预测模型；
基于所述多个预测模型对应的模型参数，确定所述多个预测模型对应的赤池信息准则(Akaike Information Criterion，AIC)值；
根据所述多个预测模型对应的AIC值，确定所述第二初始模型。
可选地，所述根据所述第四数据对所述第二初始模型进行模型参数校正，得到所述第二预测模型，包括：
对所述第四数据进行模态分解，得到第四数据对应的第一子数据和多个第二子数据；
基于所述第二初始模型，分别对所述第四数据对应的第一子数据和多个第二子数据进行预测，得到所述第四数据对应的第二预测数据；
根据所述第二预测数据和所述第四数据，确定所述第二预测数据对应的第二相关系数；所述第二相关系数指示所述第四数据与所述第二预测数据的相关性程度；
基于所述第二相关系数，确定所述第二初始模型对应的TEC预测值的预测精度；
若所述预测精度小于预设范围，对所述第二初始模型进行模型参数校正；
将校正后的第二初始模型确定为第二预测模型。
可选地，所述根据所述第二预测数据和所述第四数据，确定所述第二预测数据对应的第二相关系数，包括：
基于所述第二预测数据和第四数据，确定所述第二预测数据对应的绝对差值；
对所述第二预测数据对应的绝对差值进行自相关检验，确定所述第二预测数据对应的所述第二相关系数。
可选地，所述对第n周期内所述电离层的第一总电子含量TEC时间序列进行平稳性检验，得到所述第一TEC时间序列的平稳性参数，包括：
对所述电离层的第一TEC时间序列进行滤波处理，得到初始数据；
根据所述初始数据，确定所述第一TEC时间序列的平稳性参数；其中，所述平稳性参数用于指示所述初始数据的变化趋势。
可选地，所述对所述电离层的第一TEC时间序列进行滤波处理，包括：
基于所述第一TEC时间序列，确定所述第一TEC时间序列对应的绝对偏差中位数(Median Absolute Deviation，MAD)；
基于所述第一TEC时间序列对应的MAD值，对所述第一TEC时间序列进行滤波处理。
第二方面，本发明实施例提供一种电离层的总电子含量预测装置，包括：
检验模块，用于对第n周期内所述电离层的第一总电子含量TEC时间序列进行平稳性检验，得到所述第一TEC时间序列的平稳性参数；其中，所述n为大于或等于1的正整数；
模型确定模块，用于根据所述第一TEC时间序列的平稳性参数，确定处理所述第一TEC时间序列的目标模型；
预测模块，用于基于所述目标模型预测第m周期内的第二TEC时间序列，得到所述第m周期内的所述电离层的TEC预测值，其中，所述m为大于所述n的正整数。
第三方面，本发明实施例提供一种电子设备，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现如前述一个或多个技术方案提供的电离层的总电子含量预测方法。
第四方面，本发明实施例提供一计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有可执行指令，所述可执行指令被处理器执行时，实现如前述一个或多个技术方案提供的电离层的总电子含量预测方法。
本发明实施例提供的电离层的总电子含量预测方法、装置、设备及存储介质，通过对第n周期内所述电离层的第一TEC时间序列进行平稳性检验，得到所述第一TEC时间序列的平稳性参数；其中，所述n为大于或等于1的正整数；根据所述第一TEC时间序列的平稳性参数，确定处理所述第一TEC时间序列的目标模型；基于所述目标模型预测第m周期内的第二TEC时间序列，得到所述第m周期内的所述电离层的TEC预测值，其中，所述m为大于所述n的正整数。
如此，通过对第一TEC时间序列进行平稳性检验，确定第一TEC时间序列在时域上的联系性，根据所述第n周期的第一TEC时间序列的平稳性确定出能够用于处理第m周期的所述第一TEC时间序列的目标模型，从而能够充分利用历史数据，确定更为适合且更为准确处理TEC时间序列的目标模型。采用这种方法确定的目标模型处理第m周期的第一TEC时间序列，能够提高电离层的TEC预测的准确性。
附图说明
图1是本发明实施例提供的一种电离层的总电子含量预测方法的流程示意图；
图2是本发明实施例提供的一种RF-Prophet模型确定方法的流程示意图；
图3是Prophet模型的构建流程示意图；
图4是本发明实施例提供的一种电离层的总电子含量预测装置的结构示意图；
图5是本发明实施例提供的一种电离层的总电子含量的预测方法的流程示意图；
图6是本发明实施例提供的三种时间序列滤波方法的滤波结果示意图；
图7是本发明实施例提供的一种平稳的第一TEC时间序列的分布图；
图8是本发明实施例提供的一种不平稳的第一TEC时间序列的分布图；
图9是本发明实施例提供的单位根检验的EViews软件界面示意图；
图10是本发明实施例提供的一种平稳TEC时间序列的单位根检验结果示意图；
图11是本发明实施例提供的一种不平稳TEC时间序列的单位根检验结果示意图；
图12是本发明实施例提供的根据频谱划分构造经验小波的示意图；
图13是本发明实施例提供的所述第三数据的信号分解图；
图14是本发明实施例提供的一种确定所述ARMA模型AIC值的EViews软件界面示意图；
图15是本发明实施例提供的ARMA(2,2)模型的输出指标示意图；
图16是本发明实施例提供的ARMA(3,3)模型的输出指标示意图；
图17是本发明实施例提供的ARMA(4,4)模型的输出指标示意图；
图18是本发明实施例提供的所述第四数据对应的经验尺度分量、经验小波分量与预测值的对比图；
图19为本发明实施例提供的单一ARMA模型和EWT-ARMA模型的预测值对比图；
图20是本示例提供的EWT-ARMA模型对应的残差序列的D-W检验示意图；
图21是本示例提供的单一ARMA模型对应的残差序列的D-W检验值示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本发明实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。
在一些实施例中，采用的短期预测方法可包括：经典数学统计法和人工智能法；但由于电离层复杂的时空变化特性，导致经典数学统计方法难以得到理想的预测效果；而人工智能法受主观因素影响，缺乏客观理论依据，稳定性较差。
在另一些实施例中，灰色预测模型在短期预测中运用较广，但无法精确地预测具有非线性特征的TEC数据。而人工神经网络在电离层非线性预测中具有较高的预测精度，但其预测参数的选取较为复杂，网络算法优化较为困难。基于自回归滑动平均模型(Autoregressive Moving Average Model，ARMA)的预测方法较为简单，但其在极值点附近的预测精度较差。张禄分别使用了时间序列、神经网络、灰色预测等模型对电离层TEC进行预测并根据TEC周期变化特征进行优化，效果较好；然而，采用单一的预测模型难以满足电离层总电子含量预测所需要的精度要求，由于缺乏对TEC数据变化规律的把握，难以从本质上取得较高的预测精度，往往会在电离层变化剧烈的预测点产生较大的误差。
本发明实施例提供一种电离层的总电子含量预测方法，图1是本发明实施例提供的一种电离层的总电子含量预测方法的流程示意图，如图1所示，包括以下步骤：
步骤101，对第n周期内所述电离层的第一总电子含量TEC时间序列进行平稳性检验，得到所述第一TEC时间序列的平稳性参数；其中，所述n为大于或等于1的正整数；
步骤102，根据所述第一TEC时间序列的平稳性参数，确定处理所述第一TEC时间序列的目标模型；
步骤103，基于所述目标模型预测第m周期内的第二TEC时间序列，得到所述第m周期内的所述电离层的TEC预测值，其中，所述m为大于所述n的正整数。
在本发明实施例中，总电子含量TEC是指所述电离层内带电粒子的数量。需要说明的是，电离层是地球上空热层中被太阳辐射电离的部分，其中充斥着大量的带电粒子；电离层是空间电波信号的起伏散射介质，会引起信号的幅度衰减、相位延迟等，是卫星导航信号的总要空间测距误差来源。
所述时间序列是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。在本发明实施例中，将第n个周期内获取到的电离层TEC值，按其获取时间的先后顺序进行排列得到所述第一TEC时间序列；
在步骤101中，所述平稳性检验是用于确定所述时间序列中的各个观测值在时间维度上是否为随机分布。若所述第一TEC时间序列对应的平稳性参数指示所述第一TEC时间序列为平稳时间序列，说明所述第一TEC时间序列内的各个观测值在时间维度上为随机分布；若所述第一TEC时间序列对应的平稳性参数指示所述第一TEC时间序列为不平稳时间序列，说明所述述第一TEC时间序列内的各个观测值在时间维度上呈现明显的增长或降低的变化趋势。
其中，所述平稳性参数可包括：方差、协方差和/或单位根概率等。例如，所述平稳性参数为单位根概率，若所述第一TEC时间序列对应的单位根概率小于设定阈值，确定所述第一TEC时间序列不存在单位根，说明所述第一TEC时间序列为平稳时间序列；若所述第一TEC时间序列对应的单位根概率大于设定阈值，确定所述第一TEC时间序列存在单位根，说明所述第一TEC时间序列为不平稳时间序列。
在实际应用中，通常采用线性回归模型对时间序列进拟合，建立所述时间序列对应的回归模型，并基于所述时间序列对应的回归模型对时间序列进行预测。
但是若所述时间序列为不平稳时间序列时，通过线性回归模型对不平稳时间序列进行拟合，可能会得到伪回归模型，通过所述伪回归模型对时间序列进行预测，容易得到错误的预测结果。
因而，本发明实施例根据所述第一TEC时间序列对应的平稳性参数，确定所述第一TEC时间序列的平稳性。在所述第一TEC时间序列为平稳时间序列时，对所述第一TEC时间序列进行拟合回归，确定所述第一TEC时间序列的各个观测值之间的关系；基于所述第一TEC时间序列的各个观测值之间的关系，确定所述第一TEC时间序列对应的目标模型；从而利用所述目标模型准确的预测下一时间周期内的TEC值，提高对电离层的TEC预测准确性。
在一些实施例中，若根据所述第一TEC时间序列的平稳性参数确定出所述第一TEC时间序列为不平稳时间序列，对所述第一TEC时间序列进行平稳处理；并基于处理后的第一TEC时间序列，确定处理所述处理后的第一TEC时间序列的目标模型。
在实际应用中，若所述第一TEC时间序列的平稳性参数指示所述第一TEC时间序列为不平稳时间序列，可通过对所述第一TEC时间序列进行平稳处理，将所述第一TEC时间序列转换为平稳时间序列，进而对所述转换后的第一TEC时间序列进行拟合回归，得到目标模型。
在步骤104中，根据确定的目标模型，对未来的第m个周期内的第二TEC时间序列进行预测，得到第二TEC时间序列对应的预测值。
在一些实施例，m＝n+a，a的取值可为1或2等正整数。
示例性地，m＝n+1。基于上一周期电离层的第一TEC时间序列，确定处理所述第一TEC时间序列的目标模型，根据所述目标模型预测下一周期的第二TEC时间序列；由于目标模型的训练数据的获取时间与待预测数据的获取时间相近，电离层变化规律较为稳定，因而，基于所述目标模型对下一周期电离层的TEC预测的准确性更高。
可选地，所述步骤101，包括：
对所述电离层的第一TEC时间序列进行滤波处理，得到初始数据；
根据所述初始数据，确定所述第一TEC时间序列的平稳性参数。
在本发明实施例中，所述平稳性参数可为用于指示所述初始数据的变化波动情况的参数；例如，所述平稳性参数可为方差、均值和协方差；或者所述平稳性参数为单位根概率等参数，这里不进行具体限制。
例如，获取到一个时间周期内的电离层的第一TEC时间序列，先对电离层的第一TEC时间序列进行滤波处理，滤除所述第一TEC时间序列中的噪声数据，得到初始数据；确定所述初始数据的方差、均值和协方差；将所述初始数据的方差、均值和协方差确定为所述第一TEC时间序列的平稳性参数；若所述初始数据的方差、均值为与时间无关的常数，并且协方差为与时间间隔有关、与时间无关的常数，确定所述第一TEC时间序列为平稳时间序列。
可选地，所述对所述电离层的第一TEC时间序列进行滤波处理，包括：
基于所述第一TEC时间序列，确定所述第一TEC时间序列对应的绝对偏差中位数MAD；
基于所述第一TEC时间序列对应的MAD值，对所述第一TEC时间序列进行滤波处理。
在本发明实施例中，由于电离层的TEC时间序列受地磁影响、太阳活动和地理位置的影响，会不可避免的产生一些粗大误差值，需要对TEC时间序列进行滤波处理，去除所述TEC时间序列内的粗大误差值，以获得更加精确的观测值。
所述滤波处理可为去除所述TEC时间序列中TEC观测值的异常值，示例性地，滤除TEC时间序列中大于滤波阈值的TCE观测值，以获取更加精确的观测值。其中，所述滤波阈值可根据实际需求进行设置。
所述基于所述第一TEC时间序列，确定所述第一TEC时间序列对应的绝对偏差中位数MAD，包括：
确定所述第一TEC时间序列对应的中位数；
根据所述第一TEC时间序列和所述第一TEC时间序列对应的中位数，确定所述第一TEC时间序列对应的绝对偏差序列；
确定所述绝对偏差序列对应的中位数为所述所述第一TEC时间序列对应的绝对偏差中位数MAD。
在一些实施例中，所述绝对偏差中位数MAD的计算公式如下所示：
MAD＝median(|Xi-median(X)|) (1)
其中，Xi表示时间序列中的第i个观测值；i＝1,2,3,…n；所述n为所述时间序列中观测值的个数；所述median()为取中位数的函数。
所述基于所述第一TEC时间序列对应的MAD值，对所述第一TEC时间序列进行滤波处理，包括：
根据所述第一TEC时间序列对应的MAD值，确定滤波阈值；
确定所述第一TEC时间序列中各个观测值与所述第一TEC时间序列的均值之间的差值；
将所述第一TEC时间序列中各个观测值对应的差值，与所述滤波阈值进行比对；
若所述观测值对应的差值大于所述滤波阈值，从所述第一TEC时间序列中滤除所述观测值。
在实际应用中，所述滤波阈值可根据第一TEC时间序列的MAD值以及实际需求进行设置；作为一种示例，将所述滤波阈值确定为3*1.4826*MAD。如此，滤波阈值与3倍中误差接近，但不等于3倍中误差。
可选地，所述步骤102包括:
若所述第一TEC时间序列的平稳性参数不满足第一条件，将第一预测模型确定为处理所述第一TEC时间序列的目标模型；其中，所述第一预测模型为基于特征分类的时间序列模型；
和/或，
若所述第一TEC时间序列的平稳性参数满足第一条件，将第二预测模型确定为处理所述第一TEC时间序列的目标模型；其中，所述第二预测模型为基于模态分解的时间序列模型。
在本发明实施例中，若所述第一TEC时间序列的平稳性参数满足第一条件，所述第一TEC时间序列为平稳的时间序列；若所述第一TEC时间序列的平稳性参数不满足第一条件，所述第一TEC时间序列为不平稳的时间序列。
所述第一条件可根据所述平稳性参数进行设置，例如，所述平稳性参数为均值、方差和协方差时，所述第一条件可设置为时间序列的均值和方差为与时间无关的常数，且时间序列的协方差为与时间间隔相关，与时间无关的常数。
在实际应用中，根据第一TEC时间序列的平稳性参数，确定所述第一TEC时间序列的平稳性；若第一TEC时间序列为不平稳的时间序列，将第一预测模型确定为目标模型。若第一TEC时间序列为平稳的时间序列，将第二预测模型确定为目标模型。
可选地，所述若所述第一TEC时间序列的平稳性参数不满足第一条件，将第一预测模型确定为处理所述TEC时间序列的目标模型，包括：
若所述第一TEC时间序列的平稳性参数不满足第一条件，按照获取时间，将所述第一TEC时间序列分为第一数据和第二数据；
根据所述第一数据，得到第一初始模型；
根据所述第二数据对所述第一初始模型进行模型参数校正，得到所述第一预测模型。
在实际应用中，可根据第一TEC时间序列中各个观测值的获取时间，将第一TEC时间序列分为第一数据和第二数据。例如，若所述第一TEC时间序列的获取时间的跨度为30天，根据获取时间，将前20天的观测值确定为第一数据，将后10天的观测值确定为第二数据。
基于第一数据，构建所述第一TEC时间序列对应的第一初始模型；并基于第二数据，对所述第一初始模型的模型参数进行优化，基于优化后的模型参数构建第一预测模型。
可选地，所述根据所述第一数据，得到初始模型，包括：
基于分类子模型对所述第一数据进行线性拟合，得到第一拟合数据；
基于特征分析子模型对所述第一拟合数据进行拟合，得到第一初始模型。
在实际应用中，通过所述分类子模型对非线性的第一数据进行线性拟合，得到所述第一数据对应的分类子模型，基于所述第一数据对应的分类子模型，得到线性的第一拟合数据；将所述第一拟合数据作为特征变量；通过特征分析子模型对所述特征变量进行拟合，得到所述特征变量对应的特征分析子模型，将所述特征变量对应的特征分析子模型确定为第一初始模型。
所述分类子模型和特征分析子模型可根据实际情况进行确定，在此不做限定。
示例性地，所述分类子模型可包括：随机森林(Random Forest，RF)模型，所述特征分析子模型可包括：时间序列预测模型(The Prophet Forecasting Model，Prophet模型)。如图2所示，图2是本发明实施例提供的一种RF-Prophet模型确定方法的流程示意图。
对时间跨度为n天的第一TEC时间序列进行划分，将前t天的观测值作为第一数据，将后n-t天的观测值作为第二数据；通过RF模型对第一数据建立所述第一数据对应的RF模型，并进行线性拟合得到第一拟合数据；将第一拟合数据作为特征变量，通过Prophet模型对所述特征变量进行拟合，得到所述特征变量对应的拟合数据，并基于所述特征变量对应的拟合数据建立所述特征变量对应的RF-Prophet初始模型。可通过RF-Prophet初始模型预测后n-t天的TEC值，得到后n-t天的TEC预测值，基于后n-t天的TEC预测值和第二数据，确定所述第一TEC时间序列对应的RF-Prophet模型。
需要说明的是，RF模型由决策树发展而来，通常用在回归与分类的问题中，是基于引导聚集(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。
所述Prophet模型是一种可分析时间序列的新模型，包括处理时间序列数据中的异常值和缺失值，以及对时间序列进行长短期预测并研究变化规律。Prophet模型的本质是基于广义加法模型并对时间序列进行贝叶斯曲线拟合。Prophet模型在电离层异常探测、市场销量研究、空气质量分析等领域都有成功的应用案例。所述Prophet模型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。
图3是Prophet模型的构建流程示意图，如图3所示，所述Prophet模型的构建过程包括四个步骤：建立模型、预测精度确定、表现问题和可视化反馈预测结果。利用所述Prophet模型进行预测时，循环执行上述四个步骤，根据实际需求对所述Prophet模型的模型参数进行调整，并基于调整后的模型进行自动预测，使得所述Prophet模型相比于传统的时间序列模型有更好的灵活性和适用性。
可选地，所述根据所述第二数据对所述第一初始模型进行模型参数校正，得到所述第一预测模型，包括：
基于所述第一初始模型对所述第二数据进行预测，得到第一预测数据；
根据所述第一预测数据和第二数据，确定所述第一预测数据对应的第一相关系数；
根据所述第一相关系数，确定所述第一初始模型对应的TEC预测值的预测精度；
若所述预测精度小于预设范围，对所述第一初始模型进行模型参数校正；
将调整后的第一初始模型确定为所述第一预测模型。
在本发明实施例中，所述第一相关系数是用于指示所述第二数据和所述第一预测数据的相关性程度的参数；所述第一相关系数可根据实际情况进行设置。例如，皮尔森相关性系数或斯皮尔曼相关性系数等。
在一些实施例中，可根据所述第一预测数据和第二数据，确定所述第一预测数据对应的均方根误差(Root Mean Squared Error，RMSE)和平均绝对误差(Mean AbsoluteError，MAE)；
根据所述第一预测数据对应的RMSE值和MAE值，确定所述第一初始模型对应的TEC预测值的预测精度。
其中，所述RMSE和所述MAE的计算公式如下所示：
Figure BDA0002895485820000151
Figure BDA0002895485820000152
其中，所述
Figure BDA0002895485820000161
为所述第一预测数据中的第i个预测值；所述xi为所述第二数据中的第i个观测值；所述n为第二数据中观测值的个数。
在实际应用中，若所述第一预测数据对应的RMSE值和MAE值越小，确定所述第一初始模型对应的TEC预测值的预测精度越高；若所述第一预测数据对应的RMSE值和MAE值越大，确定所述第一初始模型对应的TEC预测值的预测精度越低。
可选地，所述根据所述第一预测数据和第二数据，确定所述第一预测数据对应的第一相关系数，包括：
基于所述第一预测数据和所述第二数据，确定所述第一预测数据对应的绝对差值；
对所述第一预测数据对应的绝对差值进行自相关检验，确定所述第一预测数据对应的第一相关系数。
在本发明实施例中，根据所述第一预测数据和所述第二数据之间的差值，构建残差序列，对所述残差序列进行自相关检验，将所述残差序列的自相关检验结果，确定为第一预测数据对应的第一相关系数。
所述绝对差值△的计算公式如下：
Figure BDA0002895485820000162
其中，所述
Figure BDA0002895485820000163
为第一预测数据中的第i个预测值，所述xi为第二数据中的第i个观测值；i＝1,2,3…n，n为第一TEC时间序列中观测值的个数。
在实际应用中，若所述第一预测数据与所述第二数据对应的残差序列为白噪声序列，确定所述第一初始模型的预测精度较高。因而，可通过对第一预测数据与所述第二数据对应的残差序列进行自相关检验，确定所述残差序列是否为白噪声序列。
例如，可对所述第一预测数据和所述第二数据对应的残差序列的绝对值进行杜宾-瓦特森检验(D-W检验)，将所述第一预测数据对应的D-W值确定为所述第一预测数据对应的第一相关系数。若所述第一预测数据对应的D-W值越接近2，说明所述第一预测数据和所述第二数据对应的残差序列为白噪声序列，此时，所述第一预测模型的预测精度较高。若所述第一预测数据对应的D-W值小于2或所述D-W值为2至4之间的值，说明所述第一预测数据和所述第二数据对应的残差序列存在正相关性或负相关性，此时，所述第一预测模型的预测精度较低。
可选地，所述若所述第一TEC时间序列的平稳性参数满足第一条件，将第二预测模型确定为处理所述第一TEC时间序列的目标模型，包括：
若所述第一TEC时间序列的平稳性参数满足第一条件，按照获取时间，将所述第一TEC时间序列确定为第三数据和第四数据；
根据所述第三数据，得到第二初始模型；
根据所述第四数据对所述第二初始模型进行模型参数校正，得到所述第二预测模型。
在实际应用中，可根据第一TEC时间序列中各个观测值的获取时间，将第一TEC时间序列分为第三数据和第四数据。例如，若所述第一TEC时间序列的获取时间的跨度为30天，根据获取时间，将前20天的观测值确定为第三数据，将后10天的观测值确定为第四数据。
基于第三数据，构建所述第一TEC时间序列对应的第二初始模型；并基于第二数据，对所述第二初始模型的模型参数进行优化，基于优化后的模型参数构建第二预测模型。
可选地，所述根据所述第三数据，得到第二初始模型，包括：
对所述第三数据进行模态分解，得到所述第三数据对应的第一子数据和多个第二子数据；
基于回归子模型，对所述第三数据对应的第一子数据和多个第二子数据进行拟合，得到所述第二初始模型。
在本发明实施例中，所述第一子数据用于指示所述第三数据的变化趋势；所述多个第二子数据分别用于指示所述第三数据的多个频域特征。通过对所述第三数据进行模态分解，将所述第三数据分解为具有不同特征的多个分量。
示例性地，可对所述第三数据进行经验小波变换(Empirica Wavelet Transform，EWT)，将所述第三数据分解为一个经验尺度分量和多个经验小波分量。需要说明的是，所述EWT分解是根据信号的频谱特征建立一组经验小波滤波器组，通过所述一组经验小波滤波器组提取所述信号的不同模态。
通过所述回归子模型对所述第三数据对应的多个分量进行拟合，得到所述第三数据对应的拟合数据；基于所述第三数据对应的拟合数据，建立第三数据对应的预测模型。
可选的，所述基于回归子模型，对所述第三数据对应的第一子数据和多个第二子数据进行拟合，得到所述第二初始模型，包括：
基于所述回归子模型，对所述第三数据对应的第一子数据和多个第二子数据进行拟合，得到所述第三数据对应的多个预测模型；
基于所述多个预测模型对应的模型参数，确定所述多个预测模型对应的赤池信息准则AIC值；
根据所述多个预测模型对应的AIC值，确定所述第二初始模型。
在实际应用中，由于对所述第三数据进行模态分解，所述第三数据中的每一个观测值都被分解为对应的第一子数据和多个第二子数据；通过所述回归子模型对所述第三数据中各个观测值对应的第一子数据和多个第二子数据进行拟合，通过所述各个观测值对应的第一子数据和多个第二子数据的拟合数据，能够得到多个预测模型。需要从所述多个预测模型中，确定出最优预测模型。
需要说明的是，所述模态分解是指将所述第三数据中的各个观测值分解为不同频率特征的模态分量数据。例如，可对所述第三数据进行EWT分解，将所述第三数据中的各个观测值分解为一个经验尺度分量和多个经验小波分量。或者，可对第三数据进行经验模态分解，将所述第三数据中的各个观测值分解为多个内涵模态分量。
本发明实施例根据赤池信息准则AIC，确定所述第三数据对应的多个预测模型的AIC值；根据所述多个预测模型对应的AIC值，从所述多个预测模型中选择出最优预测模型，将所述最优预测模型，确定为所述第二初始模型。
所述赤池信息准则AIC的计算公式如下所示：
Figure BDA0002895485820000191
其中，所述n为第三数据中观测值的个数；所述
Figure BDA0002895485820000192
是所述第三数据对应的第一子数据和多个第二子数据的方差
Figure BDA0002895485820000193
的预测值；所述p和所述q为所述第三数据对应的预测模型的模型参数。
所述根据所述多个预测模型对应的AIC值，确定所述第二初始模型，包括：
根据所述多个预测模型对应的AIC值，确定最小AIC值；
将所述最小AIC值对应的预测模型确定为所述第二初始模型。
在实际应用中，所述回归子模型可根据实际情况进行确定，在此不做限定。
示例性地，所述回归子模型为ARMA模型。对时间跨度为n天的第一TEC时间序列进行划分，将前t天的观测值作为第三数据，将后n-t天的观测值作为第四数据；对所述第三数据进行EWT分解，得到所述第三数据对应的一个经验尺度分量和多个经验小波分量；其中，所述经验尺度分量用于指示所述第三数据的变化趋势；所述多个经验小波分量分别用于指示所述第三数据的不同频域特征。通过ARMA模型对第三数据对应的一个经验尺度分量和多个经验小波分量进行拟合，得到所述第三数据对应的拟合数据；基于所述第三数据对应的拟合数据，得到所述第三数据对应的多个预测模型。根据赤池信息准则AIC，确定所述第三数据对应的多个预测模型的AIC值；根据所述多个预测模型对应的AIC值，确定出最小AIC值，将所述最小AIC值对应的预测模型确定为所述EWT-ARMA初始模型。可通过EWT-ARMA初始模型预测后n-t天的TEC值，得到后n-t天的TEC预测值，基于后n-t天的TEC预测值和第四数据，确定所述第一TEC时间序列对应的EWT-ARMA模型。
可选地，所述根据所述第四数据对所述第二初始模型进行模型参数校正，得到所述第二预测模型，包括：
对所述第四数据进行模态分解，得到第四数据对应的第一子数据和多个第二子数据；
基于所述第二初始模型，分别对所述第四数据对应的第一子数据和多个第二子数据进行预测，得到所述第四数据对应的第二预测数据；
根据所述第二预测数据和所述第四数据，确定所述第二预测数据对应的第二相关系数；
基于所述第二相关系数，确定所述第二初始模型对应的TEC预测值的预测精度；
若所述预测精度小于预设范围，对所述第二初始模型进行模型参数校正；
将校正后的第二初始模型确定为第二预测模型。
所述基于所述第二初始模型，分别对所述第四数据对应的第一子数据和多个第二子数据进行预测，得到所述第四数据对应的第二预测数据，包括：
基于所述第二初始模型，分别对所述第四数据对应的第一子数据和多个第二子数据进行预测，得到所述第四数据对应的第一子数据的预测值和所述第四数据对应的多个第二子数据的预测值；
对所述第四数据对应的第一子数据的预测值和所述多个第二子数据的预测值进行重构，得到所述第四数据对应的第二预测数据。
在实际应用中，可通过将第四数据对应的第一子数据的预测值和所述多个第二子数据的预测值相加，得到所述第四数据对应的TEC预测值。
在本发明实施例中，所述第二相关系数是用于指示所述第四数据与所述第二预测数据的相关性程度的参数；所述第二相关系数可根据实际情况进行设置。例如，均方根误差RMSE或平均绝对误差MAE等。
可选地，所述根据所述第二预测数据和所述第四数据，确定所述第二预测数据对应的第二相关系数，包括：
基于所述第二预测数据和第四数据，确定所述第二预测数据对应的绝对差值；
对所述第二预测数据对应的绝对差值进行自相关检验，确定所述第二预测数据对应的所述第二相关系数。
在本发明实施例中，根据所述第二预测数据和所述第四数据之间的差值，构建残差序列，对所述残差序列进行自相关检验，将所述残差序列的自相关检验结果，确定为第二预测数据对应的第二相关系数。
在实际应用中，若所述第二预测数据与所述第四数据对应的残差序列为白噪声序列，确定所述第二初始模型的预测精度较高。因而，可通过对第一预测数据与所述第二数据对应的残差序列进行自相关检验，确定所述残差序列是否为白噪声序列。
下面，本发明实施例提供一种电离层的总电子含量预测装置40，如图4所示，图4是本发明实施例提供的一种电离层的总电子含量预测装置的结构示意图。所述装置包括：
检验模块41，用于对第n周期内所述电离层的第一总电子含量TEC时间序列进行平稳性检验，得到所述第一TEC时间序列的平稳性参数；其中，所述n为大于或等于1的正整数；
模型确定模块42，用于根据所述第一TEC时间序列的平稳性参数，确定处理所述第一TEC时间序列的目标模型；
预测模块43，用于基于所述目标模型预测第m周期内的第二TEC时间序列，得到所述第m周期内的所述电离层的TEC预测值，其中，所述m为大于所述n的正整数。
可选地，所述模型确定模块42用于：
若所述第一TEC时间序列的平稳性参数不满足第一条件，将第一预测模型确定为处理所述第一TEC时间序列的目标模型；其中，所述第一预测模型为基于特征分类的时间序列模型；
和/或，
若所述第一TEC时间序列的平稳性参数满足第一条件，将第二预测模型确定为处理所述第一TEC时间序列的目标模型；其中，所述第二预测模型为基于模态分解的时间序列模型。
可选地，所述模型确定模块42，包括：
第一处理模块4201，用于若所述第一TEC时间序列的平稳性参数不满足第一条件，按照获取时间，将所述第一TEC时间序列分为第一数据和第二数据；
第一构建模块4202，用于根据所述第一数据，得到第一初始模型；
第一校正模块4203，用于根据所述第二数据对所述第一初始模型进行模型参数校正，得到所述第一预测模型。
可选地，所述第一构建模块4202，用于：
基于分类子模型对所述第一数据进行线性拟合，得到第一拟合数据；
基于特征分析子模型对所述第一拟合数据进行拟合，得到第一初始模型。
可选地，第一校正模块4203，用于：
基于所述第一初始模型对所述第二数据进行预测，得到第一预测数据；
根据所述第一预测数据和第二数据，确定所述第一预测数据对应的第一相关系数；所述第一相关系数指示所述第二数据和所述第一预测数据的相关性程度；
根据所述第一相关系数，确定所述第一初始模型对应的TEC预测值的预测精度；
若所述预测精度小于预设范围，对所述第一初始模型进行模型参数校正；
将调整后的第一初始模型确定为所述第一预测模型。
可选地，第一校正模块4203，具体用于：
基于所述第一预测数据和所述第二数据，确定所述第一预测数据对应的绝对差值；
对所述第一预测数据对应的绝对差值进行自相关检验，确定所述第一预测数据对应的第一相关系数。
可选地，所述模型确定模块42，包括：
第二确定模块4211，用于若所述第一TEC时间序列的平稳性参数满足第一条件，按照获取时间，将所述第一TEC时间序列确定为第三数据和第四数据；
第二构建模块4212，用于根据所述第三数据，得到第二初始模型；
第二校正模块4213，用于根据所述第四数据对所述第二初始模型进行模型参数校正，得到所述第二预测模型。
可选地，所述第二构建模块4212，用于：
对所述第三数据进行模态分解，得到所述第三数据对应的第一子数据和多个第二子数据，其中，所述第一子数据用于指示所述第三数据的变化趋势；所述多个第二子数据分别用于指示所述第三数据的多个频域特征；
基于回归子模型，对所述第三数据对应的第一子数据和多个第二子数据进行拟合，得到所述第二初始模型。
可选地，所述第二构建模块4212，具体用于：
基于所述回归子模型，对所述第三数据对应的第一子数据和多个第二子数据进行拟合，得到所述第三数据对应的多个预测模型；
基于所述多个预测模型对应的模型参数，确定所述多个预测模型对应的赤池信息准则AIC值；
根据所述多个预测模型对应的AIC值，确定所述第二初始模型。
可选地，所述第二校正模块4213，用于：
对所述第四数据进行模态分解，得到第四数据对应的第一子数据和多个第二子数据；
基于所述第二初始模型，分别对所述第四数据对应的第一子数据和多个第二子数据进行预测，得到所述第四数据对应的第二预测数据；
根据所述第二预测数据和所述第四数据，确定所述第二预测数据对应的第二相关系数；所述第二相关系数指示所述第四数据与所述第二预测数据的相关性程度；
基于所述第二相关系数，确定所述第二初始模型对应的TEC预测值的预测精度；
若所述预测精度小于预设范围，对所述第二初始模型进行模型参数校正；
将校正后的第二初始模型确定为第二预测模型。
可选地，所述第二校正模块4213，具体用于：
基于所述第二预测数据和第四数据，确定所述第二预测数据对应的绝对差值；
对所述第二预测数据对应的绝对差值进行自相关检验，确定所述第二预测数据对应的所述第二相关系数。
可选地，所述检验模块43，用于：
对所述电离层的第一TEC时间序列进行滤波处理，得到初始数据；
根据所述初始数据，确定所述第一TEC时间序列的平稳性参数；其中，所述平稳性参数用于指示所述初始数据的变化趋势。
可选地，所述检验模块43，具体用于：
基于所述第一TEC时间序列，确定所述第一TEC时间序列对应的绝对偏差中位数MAD；
基于所述第一TEC时间序列对应的MAD值，对所述第一TEC时间序列进行滤波处理。
结合本发明上述实施例，下面将说明本发明实施例在一个实际的应用场景中的示例性应用。
本发明实施例提供一种电离层的总电子含量的预测方法，如图5所示，图5是本发明实施例提供的一种电离层的总电子含量的预测方法的流程示意图。包括：
步骤501，获取所述第n周期内的所述电离层的第一TEC时间序列；
步骤502，对所述第一TEC时间序列进行滤波处理，并对所述第一TEC时间序列进行平稳性检验；
在实际应用中，可通过绝对偏差中位数MAD法，确定所述第一TEC时间序列的MAD值；根据所述第一TEC时间序列的MAD值，并确定预设阈值；根据所述预设阈值，对所述第一TEC时间序列进行滤波。
作为示例，选用GPS站点位移残差时间序列作为待处理的时间序列，分别采用基于5倍中误差的时间序列滤波方法、基于3倍中误差的时间序列滤波方法和基于MAD法的时间序列滤波方法对所述待处理的时间序列进行滤波。如图6所示，图6是本发明实施例提供的三种时间序列滤波方法的滤波结果示意图。其中，标号61所示为基于5倍中误差的时间序列滤波方法；标号62所示为基于3倍中误差的时间序列滤波方法；标号63所示为基于MAD法的时间序列滤波方法，所述预设阈值为3*1.4826*MAD。
为了更好的验证本发明实施例所提供的基于MAD法的时间序列滤波方法的优势，本发明实施例利用所述图6所涉及的三种滤波方法对不同时间序列进行滤波，并确定所述三种滤波方法对应的粗大误差滤除率(百分比)。若所述滤波方法对应的粗大误差滤除率越大，所述滤波方法对所述粗大误差的滤波效果越好。如表1所示，表1为所述三种滤波方法对不同时间序列滤波的结果对比表。
表1所述三种滤波方法对不同时间序列滤波的结果对比表
时间序列名称 5倍中误差法的结果 3倍中误差法的结果 MAD法的结果
ALIC 1.28 2.36 3.90
ASC1 0.46 1.39 1.39
BJFS 0.37 0.78 0.65
BRFT 0.43 0.59 0.99
BRMU 0.19 0.42 0.78
CEDU 0.40 1.01 1.53
COCO 1.04 1.92 3.20
CRO1 0.51 1.01 1.32
DARW 0.91 1.49 2.62
DAV1 0.92 2.17 4.04
DGAR 0.07 0.07 0.28
DRAO 0.18 0.33 0.30
DUM1 0.03 0.05 0.38
GLPS 0.16 0.78 0.70
GOLD 0.20 1.02 0.85
在实际应用中，对滤波处理后的第一TEC时间序列进行平稳性检验，确定所述第一TEC时间序列对应的平稳性。
例如，可根据所述第一TEC时间序列的分布特性，确定所述第一TEC时间序列对应的平稳性；若所述第一TEC时间序列折线图围绕一个常数上下波动，则所述第一TEC时间序列为平稳的时间序列；如图7所示，图7是本发明实施例提供的一种平稳的第一TEC时间序列的分布图。若所述第一TEC时间序列折线图有明显的增长或下降趋势，则所述第一TEC时间序列为不平稳的时间序列；如图8所示，图8是本发明实施例提供的一种不平稳的第一TEC时间序列的分布图。
在一些实施例中，可通过对第一TEC时间序列进行单位根检验，若所述第一TEC时间序列存在单位根，确定所述第一TEC时间序列为不平稳的时间序列；若所述第一TEC时间序列不存在单位根，确定所述第一TEC时间序列为平稳的时间序列。
示例性地，可通过EViews软件对第一TEC时间序列进行单位根检验。如图9所示，图9是本发明实施例提供的单位根检验的EViews软件界面示意图。在EViews软件界面输入或选择待检验的第一TEC时间序列，执行对所述待检验的第一TEC时间序列进行单位根检验，并根据输出的所述单位根检验值ADF_Prob，确定所述第一TEC时间序列的平稳性。
若所述第一TEC时间序列对应的ADF_Prob值小于预设检验阈值(如0.05)，确定所述第一TEC时间序列为平稳的时间序列；若所述第一TEC时间序列对应的ADF_Prob值大于所述预设检验阈值，确定所述第一TEC时间序列为不平稳的时间序列。如图10和图11所示，图10是本发明实施例提供的一种平稳TEC时间序列的单位根检验结果示意图；其中标号101所示为所述平稳TEC时间序列对应的ADF_Prob值。图11是本发明实施例提供的一种不平稳TEC时间序列的单位根检验结果示意图；其中标号111所示为所述不平稳TEC时间序列对应的ADF_Prob值。
步骤503，若所述第一TEC时间序列为不平稳时间序列，基于所述第一TEC时间序列建立RF-Prophet初始模型；
示例性地，若所述第一TEC时间序列为不平稳时间序列，基于所述第一TEC时间序列建立RF-Prophet初始模型，包括：
按照获取时间，将时间跨度为n天的所述第一TEC时间序列分为第一数据和第二数据；其中，第一数据为前t天的第一TEC时间序列；第二数据为后n-t天的第一TEC时间序列；
通过RF模型，对所述第一数据建立所述第一数据对应的RF模型，并基于第一数据对应的RF模型，得到第一拟合数据；
将所述第一拟合数据作为特征变量，通过Prophet模型对所述特征变量进行拟合，得到所述特征变量对应的拟合数据；并基于所述拟合数据，建立RF-Prophet初始模型；
步骤504，若所述第一TEC时间序列为平稳时间序列，基于所述第一TEC时间序列建立EWT-AMRA初始模型；
示例性地，若所述第一TEC时间序列为平稳时间序列，对所述第一TEC时间序列进行EWT分解，得到第一TEC时间序列对应的一个经验尺度和多个经验小波分量。
具体地，可按照获取时间，将时间跨度为n天的所述第一TEC时间序列分为第一数据和第二数据；其中，第三数据为前t天的第一TEC时间序列；第四数据为后n-t天的第一TEC时间序列；
对所述第三数据进行EWT分解，得到所述第三数据对应的一个经验尺度分量和多个经验小波分量；
需要说明的是，所述EWT模态分解的具体过程，包括：
对信号进行傅里叶变换，得到支撑区间[0,π]的傅里叶频谱F(ω)；
对所述傅里叶频谱F(ω)进行自适应分割，将频谱分解为N个频带，确定N-1个分界频率；其中，N为大于1的正整数；
根据所述分界频率构造经验小波
Figure BDA0002895485820000271
确定经验尺度函数和经验小波函数；
对
Figure BDA0002895485820000272
进行反傅里叶变换，得到不同特征的模态分量。
如图12所示，图12是本发明实施例提供的根据频谱划分构造经验小波的示意图。其中ωn为相邻频带之间的边界，ω0＝0，ωN＝π，以ωn为中心可以定义一个宽度为Tn＝2τn的过渡带，如图12阴影部分所示。其中，各频带根据边界可表示为Λn＝[ωn-1,ωn]，
Figure BDA0002895485820000273
所述经验小波由经验尺度函数
Figure BDA0002895485820000274
和经验小波函数
Figure BDA0002895485820000275
构造，其中，所述经验尺度函数
Figure BDA0002895485820000276
和经验小波函数
Figure BDA0002895485820000277
如下所示：
Figure BDA0002895485820000281
Figure BDA0002895485820000282
其中，所述τn和β(x)可表达为：
Figure BDA0002895485820000283
重构的原始信号可表达为：
Figure BDA0002895485820000284
其中，*为卷积运算，所述
Figure BDA0002895485820000285
为傅里叶变换后的近似系数，所述
Figure BDA0002895485820000286
为傅里叶变换后的细节系数。
第一TEC时间序列x(t)通过经验小波变换分解为N+1个模态分量，其中，所述N+1个模态分量包含1个代表信号整体变化趋势的经验尺度分量f0(t)，N个代表原时间序列中不同频域特征的经验小波分量fk(t)，简化形式如下式：
Figure BDA0002895485820000287
其中，所述f0(t)为经验尺度分量，所述fi(t)为第i个经验小波分量，所述n为经验小波分量的个数。
作为示例，本发明实施例选用IGS提供的2h时间分辨率的电离层格网店上的数据对组合模型进行实验分析，选择2018年年积日1-30(45°N,60°W)的一组短期电离层TEC时间序列进行具体分析。
先将前25天的TEC数据确定为第三数据，对所述第三数据进行EWT分解，得到1个经验尺度分量f0和5个经验小波分量f1-f5。如表2所示，表2是所述第三数据(部分)对应的经验尺度分量和经验小波分量的对比表。
表2所述第三数据(部分)对应的经验尺度分量和经验小波分量的对比表
时间 第三数据 f0 f1 f2 f3 f4 f5
2018-1-1 2:00 4.8 5.5467 -0.1996 -0.5957 0.1198 -0.0161 -0.0037
2018-1-1 4:00 4.9 5.5477 -0.5477 0.1038 -0.2042 0.0148 0.0120
2018-1-1 6:00 5.2 5.5502 -1.0336 0.7350 -0.0190 0.0483 -0.0222
2018-1-1 8:00 5 5.5546 -1.3386 0.5777 0.2524 -0.1235 0.0310
2018-1-1 10:00 4.2 5.5619 -1.1896 -0.2656 -0.0761 0.1235 -0.0313
2018-1-1 12:00 3.9 5.5730 -0.4966 -0.9420 -0.2514 -0.0097 0.0144
2018-1-1 14:00 5.5 5.5889 0.5893 -0.7030 0.1468 -0.1551 0.0252
2018-1-1 16:00 7.9 5.6107 1.7246 0.3140 0.1968 0.2436 -0.0864
2018-1-1 18:00 9.1 5.6395 2.5061 1.1574 -0.1817 -0.1660 0.1592
2018-1-1 20:00 8.9 5.6760 2.6291 0.9478 -0.0931 -0.0457 -0.2268
2018-1-1 22:00 8.2 5.7208 2.0070 -0.2379 0.1773 0.2468 0.2700
2018-1-2 0:00 4.7 5.7742 0.8040 -1.3383 -0.0485 -0.2859 -0.2736
2018-1-2 2:00 4.2 5.8359 -0.6248 -1.2478 -0.1356 0.1253 0.2321
2018-1-2 4:00 4.4 5.9055 -1.8677 0.0840 0.2116 0.1213 -0.1525
2018-1-2 6:00 4.8 5.9819 -2.5425 1.4669 0.0612 -0.2703 0.0526
2018-1-2 8:00 4.9 6.0639 -2.4994 1.5235 -0.3747 0.2109 0.0437
2018-1-2 10:00 4.4 6.1497 -1.7598 0.0741 0.0404 0.0042 -0.1140
2018-1-2 12:00 4.5 6.2373 -0.5430 -1.5447 0.5129 -0.1968 0.1442
2018-1-2 14:00 5.4 6.3245 0.8142 -1.7113 -0.1600 0.2058 -0.1326
2018-1-2 16:00 7.7 6.4090 1.9469 -0.1760 -0.6023 -0.0234 0.0903
2018-1-2 18:00 10.7 6.4883 2.5498 1.5799 0.2820 -0.1918 -0.0371
2018-1-2 20:00 11.7 6.5605 2.4489 1.7839 0.6289 0.2436 -0.0061
为了更清楚的呈现所述第三数据对应的经验尺度分量f0和经验小波分量f1-f5的特征，如图13所示，图13是本发明实施例提供的所述第三数据的信号分解图。根据所述图13可知，所述第三数据分解的分量呈现出从低频到高频变化的特点，且所述第三数据的能量分解后主要集中在经验尺度分量f0和经验小波分量f1、f2。
在得到第三数据对应的一个经验尺度和多个经验小波分量后，可通过ARMA模型对第三数据对应的一个经验尺度分量和多个经验小波分量进行拟合，得到所述第三数据对应的拟合数据；基于所述第三数据对应的拟合数据，得到所述第三数据对应的预测模型。
需要说明的是，通过ARMA模型进行拟合的具体过程如下：
设xt(t＝1,2,3,…n)为所述TEC时间序列，对于任意的t，满足：
Figure BDA0002895485820000301
其中，xt是由1个经验尺度分量f0(t)和N个经验小波分量fk(t)组成，即xt＝{fk(t)，k＝0,1,2,…N}；ε＝{εt,t＝0,±1,…±N}是均值为0，方差为δ2的白噪声序列。
xt表示滑动平均序列ARMA(p,q)的过程，其中，p为移动模型(AR)的阶数，q为滑动模型(MA)的阶数，当p＝0时，所述模型为MA(q)模型；当q＝0时，所述模型为AR(p)模型。
引进后移算子B，式(11)可表达为：
Bxt＝xt-1,Bkxt＝xt-k (12)
记算子多项式为：
Figure BDA0002895485820000302
θ(B)＝1-θ1B-θ2B2-…θqBq (14)
则式(12)可表示为：
Figure BDA0002895485820000303
由于所述第三数据为时间序列，基于所述第三数据对应的拟合数据，可能会得到所述第三数据对应的多个预测模型；需要从所述多个预测模型中确定出最优预测模型。
可采用AIC定阶准则，选定所述最优预测模型的模型参数p和q满足以下表达式：
Figure BDA0002895485820000304
其中，n为所述第三数据的观测值的个数，所述
Figure BDA0002895485820000305
是所述白噪声序列ε的方差
Figure BDA0002895485820000306
的预测值。
本发明实施例根据所述多个预测模型对应的AIC值，确定出最小AIC值；将最小AIC值对应的预测模型确定为EWT-ARMA初始模型。
在实际应用中，可通过Eviews软件确定所述多个模型对应的AIC值。如图14所示，图14是本发明实施例提供的一种确定所述ARMA模型AIC值的EViews软件界面示意图。通过在EViews软件界面输入或选择待检验的第一TEC时间序列，并输入多个预测模型参数；示例性地，所述多个预测模型参数分别为tec ar(1)ar(2)ma(1)ma(2)、tec ar(1)ar(2)ar(3)ma(1)ma(2)ma(3)和tec ar(1)ar(2)ar(3)ar(4)ma(1)ma(2)ma(3)ma(4)，其对应的模型分别为ARMA(2,2)，ARMA(3,3)，ARMA(4,4)。
如图15、图16和图17所示，图15是本发明实施例提供的ARMA(2,2)模型的输出指标示意图；其中标号151所示为ARMA(2,2)模型对应的AIC值。图16是本发明实施例提供的ARMA(3,3)模型的输出指标示意图；其中标号161所示为ARMA(3,3)模型对应的AIC值。图17是本发明实施例提供的ARMA(4,4)模型的输出指标示意图；其中标号171所示为ARMA(4,4)模型对应的AIC值。根据模型ARMA(2,2)，ARMA(3,3)和ARMA(4,4)对应的AIC值，将最小AIC值对应的模型即ARMA(3,3)确定为EWT-ARMA初始模型。
步骤505，基于所述RF-Prophet初始模型预测第二数据对应的TEC预测值；基于所述第二数据对应的TEC预测值和所述第二数据，对所述RF-Prophet初始模型进行模型参数校正，得到所述RF-Prophet预测模型；和/或，基于所述EWT-ARMA初始模型预测所述第四数据对应的第二预测值，根据所述第四数据和所述第二预测值，对所述EWT-ARMA初始模型进行模型参数校验，得到EWT-ARMA预测模型。
示例性地，以2008年3月1日至2008年3月22日获取到的TEC时间序列作为第一数据；以2013年3月1日至2013年3月22日获取到的TEC时间序列作为第二数据。通过RF模型对所述第一数据进行拟合，得到第一拟合数据；通过Prophet模型对第一拟合数据进行拟合，得到第二拟合数据。如表3所示，表3是基于所述RF模型和所述Prophet模型的拟合值对比表。基于所述第二拟合数据，建立所述RF-Prophet初始模型；基于所述RF-Prophet初始模型对所述第二数据进行预测，得到第一预测值。如表4所示，表4是基于RF-Prophet初始模型的第一预测值对比表。根据所述第一预测值与所述第二数据，对所述RF-Prophet初始模型进行模型参数校正，得到RF-Prophet预测模型。
表3基于所述RF模型和所述Prophet模型的拟合值对比表
时间 第一数据 第一拟合数据 第二拟合数据
2008-3-1 4.7 7.1 5.7
2008-3-2 2.1 8.7 6.1
2008-3-3 2.7 7.4 6.1
2008-3-4 6.3 6.9 6.2
2008-3-5 9.5 6.1 6.0
2008-3-6 10.9 7.8 6.3
2008-3-7 9.9 9.1 6.3
2008-3-8 8.9 7.8 6.2
2008-3-9 9.5 8.5 6.7
2008-3-10 9.3 7.4 6.7
2008-3-11 11.8 6.3 6.8
2008-3-12 9.2 7.0 6.6
2008-3-13 10.9 8.3 6.9
2008-3-14 14.3 8.3 6.9
2008-3-15 9.1 8.1 6.8
2008-3-16 10.1 8.6 7.3
2008-3-17 5.7 7.9 7.3
2008-3-18 6.3 6.2 7.4
2008-3-19 3.1 7.3 7.2
2008-3-20 3.7 9.0 7.5
2008-3-21 4.3 9.9 7.5
2008-3-22 5.9 8.0 7.5
表4基于RF-Prophet初始模型的第一预测值对比表
时间 第二数据 第一预测值
2013-3-1 5.7 6.023530393
2013-3-2 6.2 5.765038788
2013-3-3 5.6 5.991868654
2013-3-4 7.5 5.914081123
2013-3-5 5.2 5.786715474
2013-3-6 7.2 6.208765215
2013-3-7 8.7 6.129025068
2013-3-8 10.3 6.169647672
2013-3-9 5 5.907854213
2013-3-10 4.3 6.133414826
2013-3-11 12.1 6.0568311
2013-3-12 7 5.933548984
2013-3-13 7.7 6.362912803
2013-3-14 10.8 6.294006214
2008-3-15 11.8 6.349198216
2008-3-16 8.4 6.105845694
2008-3-17 13.1 6.353766566
2008-3-18 7.2 6.303423041
2008-3-19 6.7 6.210122435
2008-3-20 8.2 6.67298132
2008-3-21 3.7 6.640763879
2008-3-22 7 6.735433536
示例性地，本发明实施例选用IGS提供的2h时间分辨率的电离层格网店上的数据对组合模型进行实验分析，选择2018年年积日1-30(45°N,60°W)的一组短期电离层TEC时间序列进行具体分析。
将后5天的TEC数据确定为第四数据，对所述第四数据进行EWT分解，得到1个经验尺度分量f0和5个经验小波分量f1-f5。如表5所示，表5是所述第四数据(部分)对应的经验尺度分量和经验小波分量表。通过ARMA(3,3)模型分别对所述第四数据的各个分量进行预测，得到所述各个分量的预测值。如表6所示，表6是第四数据(部分)对应的所述经验尺度分量和经验小波分量的预测数据表。
表5所述第四数据(部分)对应的经验尺度分量和经验小波分量表
时间 f0 f1 f2 f3 f4 f5
2018-1-26 2:00 6.0582 -0.2562 -1.6149 -0.2144 0.0725 0.0483
2018-1-26 4:00 6.0596 -1.6855 -0.3089 0.0802 0.0025 -0.0683
2018-1-26 6:00 6.0559 -2.5714 1.2388 0.2435 -0.0371 0.0644
2018-1-26 8:00 6.0469 -2.7077 1.5204 0.0227 -0.0136 -0.0380
2018-1-26 10:00 6.0329 -2.1064 0.3198 -0.3132 0.0815 -0.0008
2018-1-26 12:00 6.0142 -0.9747 -1.1357 -0.0714 -0.0594 0.0384
2018-1-26 14:00 5.9914 0.3572 -1.4252 0.3859 -0.0649 -0.0620
2018-1-26 16:00 5.9653 1.5315 -0.3180 0.0529 0.1732 0.0645
2018-1-26 18:00 5.9369 2.2536 1.0492 -0.4115 -0.1368 -0.0461
2018-1-26 20:00 5.9071 2.3587 1.3316 0.0048 -0.0337 0.0140
2018-1-26 22:00 5.8772 1.8425 0.2975 0.3648 0.1813 0.0212
2018-1-27 0:00 5.8483 0.8535 -0.9848 -0.0503 -0.1604 -0.0490
2018-1-27 2:00 5.8215 -0.3471 -1.2430 -0.2655 -0.0062 0.0624
2018-1-27 4:00 5.7978 -1.4496 -0.2621 0.0462 0.1445 -0.0603
2018-1-27 6:00 5.7782 -2.1700 0.9400 0.1648 -0.1111 0.0471
2018-1-27 8:00 5.7631 -2.3204 1.1638 0.0037 -0.0511 -0.0312
2018-1-27 10:00 5.7531 -1.8576 0.2233 -0.1073 0.1552 0.0211
2018-1-27 12:00 5.7482 -0.8977 -0.9061 -0.0612 -0.0713 -0.0229
2018-1-27 14:00 5.7483 0.3092 -1.0976 0.0996 -0.1255 0.0380
2018-1-27 16:00 5.7528 1.4433 -0.1949 0.0888 0.2233 -0.0626
2018-1-27 18:00 5.7610 2.1996 0.8716 -0.1125 -0.0952 0.0891
2018-1-27 20:00 5.7719 2.3732 1.0448 -0.0818 -0.1543 -0.1090
表6第四数据(部分)对应的所述经验尺度分量和经验小波分量的预测数据表
Figure BDA0002895485820000331
Figure BDA0002895485820000341
为了更清楚的呈现所述第四数据对应的经验尺度分量f0和经验小波分量f1-f5与所述分量的预测值之间的对比，如图18所示，图18是本发明实施例提供的所述第四数据对应的经验尺度分量、经验小波分量与预测值的对比图。根据所述图18可知，经验尺度分量f0和经验小波分量f1、f2的预测效果较好，预测值与实际值的偏差较小，经验小波分量f3-f5预测效果较差，但是由于经验小波分量f3-f5所占能量比重较小，不会对最终预测结果产生较大影响。
在实际应用中，可直接对所述EWT-ARMA初始模型预测得到的第四数据对应的经验尺度分量、经验小波分量的预测值进行相加，得到所述第四数据对应的第二预测值。
为了更好的验证本发明实施例所提供的所述EWT-ARMA模型的优势，本发明实施例选用单一ARMA模型和所述EWT-ARMA模型，分别对2018年年积日26-30(45°N,60°W)的一组短期电离层TEC时间序列进行预测，并将所述单一ARMA模型和所述EWT-ARMA模型的预测值和所述实际值进行对比。如表7所示，表7是单一ARMA模型和EWT-ARMA模型的预测值对比表。
表7单一ARMA模型和EWT-ARMA模型的预测值对比表
Figure BDA0002895485820000342
Figure BDA0002895485820000351
为了更清楚的呈现所述单一ARMA模型和所述EWT-ARMA模型的预测值和所述实际值之间的对比，如图19所示，图19为本发明实施例提供的单一ARMA模型和EWT-ARMA模型的预测值对比图。根据所述图19可知，采用单一ARMA模型进行预测时在极值点附近的偏差较大；而采用本发明实施例所提供的EWT-ARMA模型进行预测，得到的预测值与实际值趋势较好，在极值点附近的偏差小于所述单一ARMA模型预测时在极值点附件的偏差。
在确定出所述RF-Prophet初始模型和所述EWT-ARMA初始模型后，确定所述RF-Prophet初始模型和/或所述EWT-ARMA初始模型的预测精度，若所述预测精度小于预设范围，确定所述RF-Prophet初始模型和/或所述EWT-ARMA初始模型的预测精度较低；对所述RF-Prophet初始模型和/或所述EWT-ARMA初始模型进行模型参数校正，确定RF-Prophet预测模型和/或所述EWT-ARMA预测模型。
示例性地，可使用基于残差绝对值△的D-W检验以及RMSE作为所述RF-Prophet初始模型和/或所述EWT-ARMA初始模型预测精度的判断标准。
所述基于残差序列绝对值△的D-W检验值和RMSE值能够比较好的反映所述预测模型的预测效果；如果采用的预测模型是准确的，则模型的预测值与真值之差所产生的残差序列应为白噪声序列；由于白噪声序列是无自相关性的序列，其D-W检验值越靠近2；若残差序列自身存在正相关性，其D-W检验值将小于2；若残差序列自身存在负相关性，其D-W检验值将在2～4之间。
若残差序列的D-W检验值越靠近2，所述预测数据与实际数据计算的RMSE的值越小，表明预测模型的预测精度越高；反之，则表示预测模型的预测精度越低。
例如，本发明实施例选用单一ARMA模型和所述EWT-ARMA模型，分别对2018年年积日26-30(45°N,60°W)的一组短期电离层TEC时间序列进行预测；所述EWT-ARMA模型生成的预测数据与实际数据计算的RMSE值为0.55，单独用ARMA模型预测的RMSE值为1.26，则代表所述EWT-ARMA模型精度更高，能达到更好的预测结果。
又例如，如图20、图21所示，图20是本示例提供的EWT-ARMA模型对应的残差序列的D-W检验示意图；标号201所示为所述EWT-ARMA模型对应的残差序列的D-W检验值。图21是本示例提供的单一ARMA模型对应的残差序列的D-W检验值示意图；标号211所示为所述单一ARMA模型对应的残差序列的D-W检验值。根据所述图20和图21可知，所述EWT-ARMA模型对应的残差序列的D-W检验值更接近2，则说明所述EWT-ARMA模型精度更高。
本发明实施例还提供一种电子设备，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现如前述一个或多个技术方案提供的电离层的总电子含量预测方法。
下面对本发明实施例提供的一种电子设备的硬件结构做详细说明，电子设备包括但不限于服务器或终端。可选的，所述电子设备可进一步包括至少一个通信接口，电子设备中的各个组件通过总线系统耦合在一起，可理解，总线系统用于实现这些组件之间的连接通信。总线系统除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。
可以理解，存储器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旨在包括但不限于这些和任意其它适合类型的存储器。
本发明实施例中的存储器用于存储各种类型的数据以所述电子设备的操作。这些数据的示例包括：用于在所述电子设备上操作的任何计算机程序，实现本发明实施例方法的程序可以包含在存储器中。
上述本发明实施例揭示的方法可以应用于处理器中，或者由处理器实现。处理器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，处理器读取存储器中的信息，结合其硬件完成前述方法的步骤。
在示例性实施例中，所述电子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，ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、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，用于执行上述方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备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系统，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耦合、或直接耦合、或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、机械的或其它形式的。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方案的目的。另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本发明实施例还提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行后，并执行前述一个或多个技术方案提供的电离层的总电子含量预测方法，例如，可执行如图1所示的方法。
本发明实施例提供的计算机存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。可选为，所述计算机存储介质可为非瞬间存储介质。这里的非瞬间存储介质又可以称为非易失性存储介质。
在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，Hyper TextMarkup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
以上所述，仅为本发明的实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本发明的保护范围之内。

Claims (16)

1.一种电离层的总电子含量预测方法，其特征在于，包括：
对第n周期内所述电离层的第一总电子含量TEC时间序列进行平稳性检验，得到所述第一TEC时间序列的平稳性参数；其中，所述n为大于或等于1的正整数；
根据所述第一TEC时间序列的平稳性参数，确定处理所述第一TEC时间序列的目标模型；
基于所述目标模型预测第m周期内的第二TEC时间序列，得到所述第m周期内的所述电离层的TEC预测值，其中，所述m为大于所述n的正整数。
2.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TEC时间序列的平稳性参数，确定处理所述第一TEC时间序列的目标模型，包括：
若所述第一TEC时间序列的平稳性参数不满足第一条件，将第一预测模型确定为处理所述第一TEC时间序列的目标模型；其中，所述第一预测模型为基于特征分类的时间序列模型；
和/或，
若所述第一TEC时间序列的平稳性参数满足第一条件，将第二预测模型确定为处理所述第一TEC时间序列的目标模型；其中，所述第二预测模型为基于模态分解的时间序列模型。
3.根据权利要求2所述的方法，其特征在于，所述若所述第一TEC时间序列的平稳性参数不满足第一条件，将第一预测模型确定为处理所述TEC时间序列的目标模型，包括：
若所述第一TEC时间序列的平稳性参数不满足第一条件，按照获取时间，将所述第一TEC时间序列分为第一数据和第二数据；
根据所述第一数据，得到第一初始模型；
根据所述第二数据对所述第一初始模型进行模型参数校正，得到所述第一预测模型。
4.根据权利权利要求3所述的方法，其特征在于，所述根据所述第一数据，得到初始模型，包括：
基于分类子模型对所述第一数据进行线性拟合，得到第一拟合数据；
基于特征分析子模型对所述第一拟合数据进行拟合，得到第一初始模型。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第二数据对所述第一初始模型进行模型参数校正，得到所述第一预测模型，包括：
基于所述第一初始模型对所述第二数据进行预测，得到第一预测数据；
根据所述第一预测数据和第二数据，确定所述第一预测数据对应的第一相关系数；所述第一相关系数指示所述第二数据和所述第一预测数据的相关性程度；
根据所述第一相关系数，确定所述第一初始模型对应的TEC预测值的预测精度；
若所述预测精度小于预设范围，对所述第一初始模型进行模型参数校正；
将调整后的第一初始模型确定为所述第一预测模型。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第一预测数据和第二数据，确定所述第一预测数据对应的第一相关系数，包括：
基于所述第一预测数据和所述第二数据，确定所述第一预测数据对应的绝对差值；
对所述第一预测数据对应的绝对差值进行自相关检验，确定所述第一预测数据对应的第一相关系数。
7.根据权利要求2所述的方法，其特征在于，所述若所述第一TEC时间序列的平稳性参数满足第一条件，将第二预测模型确定为处理所述第一TEC时间序列的目标模型，包括：
若所述第一TEC时间序列的平稳性参数满足第一条件，按照获取时间，将所述第一TEC时间序列确定为第三数据和第四数据；
根据所述第三数据，得到第二初始模型；
根据所述第四数据对所述第二初始模型进行模型参数校正，得到所述第二预测模型。
8.根据权利要求7所述的方法，其特征在于，所述根据所述第三数据，得到第二初始模型，包括：
对所述第三数据进行模态分解，得到所述第三数据对应的第一子数据和多个第二子数据，其中，所述第一子数据用于指示所述第三数据的变化趋势；所述多个第二子数据分别用于指示所述第三数据的多个频域特征；
基于回归子模型，对所述第三数据对应的第一子数据和多个第二子数据进行拟合，得到所述第二初始模型。
9.根据权利要求8所述的方法，其特征在于，所述基于回归子模型，对所述第三数据对应的第一子数据和多个第二子数据进行拟合，得到所述第二初始模型，包括：
基于所述回归子模型，对所述第三数据对应的第一子数据和多个第二子数据进行拟合，得到所述第三数据对应的多个预测模型；
基于所述多个预测模型对应的模型参数，确定所述多个预测模型对应的赤池信息准则AIC值；
根据所述多个预测模型对应的AIC值，确定所述第二初始模型。
10.根据权利要求8所述的方法，其特征在于，所述根据所述第四数据对所述第二初始模型进行模型参数校正，得到所述第二预测模型，包括：
对所述第四数据进行模态分解，得到第四数据对应的第一子数据和多个第二子数据；
基于所述第二初始模型，分别对所述第四数据对应的第一子数据和多个第二子数据进行预测，得到所述第四数据对应的第二预测数据；
根据所述第二预测数据和所述第四数据，确定所述第二预测数据对应的第二相关系数；所述第二相关系数指示所述第四数据与所述第二预测数据的相关性程度；
基于所述第二相关系数，确定所述第二初始模型对应的TEC预测值的预测精度；
若所述预测精度小于预设范围，对所述第二初始模型进行模型参数校正；
将校正后的第二初始模型确定为第二预测模型。
11.根据权利要求10所述的方法，其特征在于，所述根据所述第二预测数据和所述第四数据，确定所述第二预测数据对应的第二相关系数，包括：
基于所述第二预测数据和第四数据，确定所述第二预测数据对应的绝对差值；
对所述第二预测数据对应的绝对差值进行自相关检验，确定所述第二预测数据对应的所述第二相关系数。
12.根据权利要求1所述的方法，其特征在于，所述对第n周期内所述电离层的第一总电子含量TEC时间序列进行平稳性检验，得到所述第一TEC时间序列的平稳性参数，包括：
对所述电离层的第一TEC时间序列进行滤波处理，得到初始数据；
根据所述初始数据，确定所述第一TEC时间序列的平稳性参数；其中，所述平稳性参数用于指示所述初始数据的变化趋势。
13.根据权利要求12所述的方法，其特征在于，所述对所述电离层的第一TEC时间序列进行滤波处理，包括：
基于所述第一TEC时间序列，确定所述第一TEC时间序列对应的绝对偏差中位数MAD；
基于所述第一TEC时间序列对应的MAD值，对所述第一TEC时间序列进行滤波处理。
14.一种电离层的总电子含量预测装置，其特征在于，包括：
检验模块，用于对第n周期内所述电离层的第一总电子含量TEC时间序列进行平稳性检验，得到所述第一TEC时间序列的平稳性参数；其中，所述n为大于或等于1的正整数；
模型确定模块，用于根据所述第一TEC时间序列的平稳性参数，确定处理所述第一TEC时间序列的目标模型；
预测模块，用于基于所述目标模型预测第m周期内的第二TEC时间序列，得到所述第m周期内的所述电离层的TEC预测值，其中，所述m为大于所述n的正整数。
15.一种电子设备，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现如权利要求1-13任一项所述的电离层的总电子含量预测方法。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有可执行指令，所述可执行指令被处理器执行时，实现如权利要求1-13任一项所述的电离层的总电子含量预测方法。
CN202110040079.0A 2021-01-13 2021-01-13 电离层的总电子含量预测方法、装置、设备及存储介质 Active CN112862159B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110040079.0A CN112862159B (zh) 2021-01-13 2021-01-13 电离层的总电子含量预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110040079.0A CN112862159B (zh) 2021-01-13 2021-01-13 电离层的总电子含量预测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112862159A true CN112862159A (zh) 2021-05-28
CN112862159B CN112862159B (zh) 2023-04-28

Family

ID=76003209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110040079.0A Active CN112862159B (zh) 2021-01-13 2021-01-13 电离层的总电子含量预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112862159B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113406609A (zh) * 2021-06-04 2021-09-17 哈尔滨工业大学 一种天波雷达探测电离层突发异常结构方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014011792A1 (en) * 2012-07-12 2014-01-16 California Institute Of Technology Ionospheric slant total electron content analysis using global positioning system based estimation
CN104992054A (zh) * 2015-06-19 2015-10-21 东南大学 基于时间序列二维化的电离层垂直总电子含量预报方法
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
CN108564229A (zh) * 2018-04-26 2018-09-21 广东省广业科技集团有限公司 一种基于arima模型的工业污水进水量预测的方法
CN109190979A (zh) * 2018-09-03 2019-01-11 深圳市智物联网络有限公司 一种工业物联网数据分析方法、系统及相关设备
CN109189762A (zh) * 2018-09-03 2019-01-11 深圳市智物联网络有限公司 一种工业物联网数据分析方法、系统及相关设备
CN109587713A (zh) * 2018-12-05 2019-04-05 广州数锐智能科技有限公司 一种基于arima模型的网络指标预测方法、装置及存储介质
CN111160646A (zh) * 2019-12-30 2020-05-15 北京航空航天大学 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
CN111581803A (zh) * 2020-04-30 2020-08-25 北京航空航天大学 一种全球电离层电子含量的克里金代理模型算法
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
CN111967679A (zh) * 2020-08-20 2020-11-20 江苏师范大学 基于tcn模型的电离层总电子含量预报方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014011792A1 (en) * 2012-07-12 2014-01-16 California Institute Of Technology Ionospheric slant total electron content analysis using global positioning system based estimation
CN104992054A (zh) * 2015-06-19 2015-10-21 东南大学 基于时间序列二维化的电离层垂直总电子含量预报方法
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
CN108564229A (zh) * 2018-04-26 2018-09-21 广东省广业科技集团有限公司 一种基于arima模型的工业污水进水量预测的方法
CN109190979A (zh) * 2018-09-03 2019-01-11 深圳市智物联网络有限公司 一种工业物联网数据分析方法、系统及相关设备
CN109189762A (zh) * 2018-09-03 2019-01-11 深圳市智物联网络有限公司 一种工业物联网数据分析方法、系统及相关设备
CN109587713A (zh) * 2018-12-05 2019-04-05 广州数锐智能科技有限公司 一种基于arima模型的网络指标预测方法、装置及存储介质
CN111160646A (zh) * 2019-12-30 2020-05-15 北京航空航天大学 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
CN111581803A (zh) * 2020-04-30 2020-08-25 北京航空航天大学 一种全球电离层电子含量的克里金代理模型算法
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
US10852439B1 (en) * 2020-04-30 2020-12-01 Beihang University Global ionospheric total electron content prediction system
CN111967679A (zh) * 2020-08-20 2020-11-20 江苏师范大学 基于tcn模型的电离层总电子含量预报方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TANG R ET AL: "The Comparison of Predicting Storm-time Ionospheric TEC by Three Methods: ARIMA, LSTM, and Seq2Seq", 《ATMOSPHERE》 *
李秀海等: "应用半参数AR模型的电离层TEC建模与预测", 《测绘科学》 *
武文俊等: "利用时间序列模型预报电离层TEC", 《时间频率学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113406609A (zh) * 2021-06-04 2021-09-17 哈尔滨工业大学 一种天波雷达探测电离层突发异常结构方法
CN113406609B (zh) * 2021-06-04 2022-11-29 哈尔滨工业大学 一种天波雷达探测电离层突发异常结构方法

Also Published As

Publication number Publication date
CN112862159B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
Hassani et al. Forecasting European industrial production with singular spectrum analysis
Patterson et al. Multivariate singular spectrum analysis for forecasting revisions to real-time data
CN110309603B (zh) 一种基于风速特性的短期风速预测方法及系统
Li et al. Multi-step least squares support vector machine modeling approach for forecasting short-term electricity demand with application
CN113284001B (zh) 用电量预测方法、装置、计算机设备和存储介质
Rahim Applications of multitaper spectral analysis to nonstationary data
CN110991815A (zh) 一种台区电力能量调度方法及系统
CN112396231A (zh) 针对时空数据的建模方法、装置、电子设备及可读介质
Keune et al. Multivariate probabilistic analysis and predictability of medium-range ensemble weather forecasts
Clémençon et al. Mass volume curves and anomaly ranking
CN115758876A (zh) 一种风速和风向预报准确率方法、系统及计算机设备
CN112862159B (zh) 电离层的总电子含量预测方法、装置、设备及存储介质
CN105303051A (zh) 一种空气污染物浓度预测方法
Bui et al. A statistical data-filtering method proposed for short-term load forecasting models
Huang et al. A decomposition‐based multi‐time dimension long short‐term memory model for short‐term electric load forecasting
Bopp et al. An exponential–gamma mixture model for extreme Santa Ana winds
Başakin et al. Monthly river discharge prediction by wavelet fuzzy time series method
Li et al. The area prediction of western North Pacific Subtropical High in summer based on Gaussian Naive Bayes
CN114564487B (zh) 预报预测相结合的气象栅格数据更新方法
Irie Bayesian dynamic fused lasso
CN111382891B (zh) 短期负荷预测方法和短期负荷预测装置
Bruzda The wavelet scaling approach to forecasting: Verification on a large set of Noisy data
MANUSOV et al. Analysis of electricity consumption forecasting methods for the coal industry.
US20230334283A1 (en) Prediction method and related system
Lewis et al. Entropy criterion for surrogate timeseries data generation via non-parametric dimensionality reduction

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