CN114528978A - 电离层tec的预测方法、装置、设备及存储介质 - Google Patents
电离层tec的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114528978A CN114528978A CN202210088284.9A CN202210088284A CN114528978A CN 114528978 A CN114528978 A CN 114528978A CN 202210088284 A CN202210088284 A CN 202210088284A CN 114528978 A CN114528978 A CN 114528978A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- prediction
- preset
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003062 neural network model Methods 0.000 claims abstract description 65
- 239000005433 ionosphere Substances 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000012795 verification Methods 0.000 claims abstract description 32
- 230000000694 effects Effects 0.000 claims abstract description 29
- 239000010410 layer Substances 0.000 claims description 76
- 238000012216 screening Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 5
- 239000002356 single layer Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/03—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers
- G01S19/07—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers providing data for correcting measured positioning data, e.g. DGPS [differential GPS] or ionosphere corrections
- G01S19/072—Ionosphere corrections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种电离层TEC的预测方法、装置、设备及存储介质,通过获取目标空间环境数据和目标电离层数据,目标空间环境数据包括地磁数据和太阳活动数据;对目标空间环境数据和目标电离层数据按照预设时间间隔进行分组,得到目标数据集,目标数据集包括训练集、验证集和预测集;利用训练集和验证集,对预设LSTM神经网络模型进行调优,直至预设LSTM神经网络模型达到预设收敛条件,得到电离层TEC预测模型;利用电离层TEC预测模型,对预测集进行预测,得到目标时间段内的电离层TEC。以采用实测数据进行预测,考虑太阳活动和地磁活动,能够更好的用于低纬度和极地等电离层高动态变化区域,使模型能够自适应于不同时间段的电离层TEC预测。
Description
技术领域
本申请涉及电离层研究技术领域,尤其涉及一种电离层TEC的预测方法、装置、设备及存储介质。
背景技术
电离层电离浓度总含量(TEC)为重要的电离层参数,对电离层物理的理论研究及电离层电波传播的应用研究具有重要意义。目前,电离层TEC的预测方法主要有基于经验模型的预测方法和基于实测数据的数学建模方法。
其中,经验模型包括Klobuchar模型、Bent模型和IRI模型等,其根据电离层的结构和物理性质,通过大量观测数据建立得到,但是通常用于长期预测,预测精度较低。数学建模方法包括ARMA模型、自相关分析法和混沌时间序列预测法等,通过对一段时间内的散点实测数据采用多项式、球谐模型等方法进行建模,以获取单点时序序列,再利用该时序序列采用数学方法进行预测,在短期预测方面具有较高的预测精度,但是其难以使原始实测数据的建模与预测同步,而导致电离层的空间特征丢失,从而难以兼顾建模精度和预测精度。
发明内容
本申请提供了一种电离层TEC的预测方法、装置、设备及存储介质,以解决当前电离层TEC预测方法难以兼顾建模精度和预测精度的技术问题。
为了解决上述技术问题,本申请实施例提供了一种电离层TEC的预测方法,包括:
获取目标空间环境数据和目标电离层数据,目标空间环境数据包括地磁数据和太阳活动数据;
对目标空间环境数据和目标电离层数据按照预设时间间隔进行分组,得到目标数据集,目标数据集包括训练集、验证集和预测集;
利用训练集和验证集,对预设LSTM神经网络模型进行调优,直至预设LSTM神经网络模型达到预设收敛条件,得到电离层TEC预测模型;
利用电离层TEC预测模型,对预测集进行预测,得到目标时间段内的电离层TEC。
本实施例通过获取目标空间环境数据和目标电离层数据,以采用实测数据进行预测,顾及电离层的空间特征,从而兼顾建模与预测的精度,同时采用地磁数据和太阳活动数据作为输入参数,考虑太阳活动和地磁活动,能够更好的用于低纬度和极地等电离层高动态变化区域;再将分段建模法引入了LSTM网络中,对目标空间环境数据和目标电离层数据按照预设时间间隔进行分组,得到目标数据集,目标数据集包括训练集、验证集和预测集,以使模型调优时无需考虑时序建模,降低建模误差和提高建模精度;以及利用训练集和验证集,对预设LSTM神经网络模型进行调优,直至预设LSTM神经网络模型达到预设收敛条件,得到电离层TEC预测模型,从而使模型能够自适应于不同时间段的电离层TEC预测,提高预测精度;最后利用电离层TEC预测模型,对预测集进行预测,得到目标时间段内的电离层TEC,实现兼顾建模精度和预测精度。
在一实施例中,获取目标空间环境数据和目标电离层数据,包括
获取空间环境数据和单站GPS数据;
对空间环境数据进行筛选,得到目标空间环境数据;
根据单站GPS数据,确定高度角大于预设角度的目标电离层数据。
在一优选实施例中,对空间环境进行筛选,得到目标空间环境数据,包括:
利用皮尔逊相关系数法或弗雷歇相关系数法,计算地磁数据和太阳活动数据的皮尔逊相关系数或弗雷歇相关系数;
根据皮尔逊相关系数或弗雷歇相关系数,对地磁数据和太阳活动数据进行筛选,得到目标空间环境数据。
在一优选实施例中,根据单站GPS数据,确定高度角大于预设角度的目标电离层数据,包括:
根据单站GPS数据,计算单层投影的TEC值和穿刺点;
根据TEC值和穿刺点,选取高度角大于预设角度的目标电离层数据。
在一实施例中,利用训练集和验证集,对预设LSTM神经网络模型进行调优,直至预设LSTM神经网络模型达到预设收敛条件,得到电离层TEC预测模型,包括:
利用训练集,对预设LSTM神经网络模型进行训练,以更新预设LSTM神经网络模型的模型变量,得到第一LSTM神经网络模型;
利用验证集,对第一LSTM神经网络模型进行测试,若第一LSTM神经网络模型的验证集损失函数等于预设LSTM神经网络模型的模型变量、模型变量的变化量为第一预设值,以及模型变量的调优周期为第二预设值时,则判定第一LSTM神经网络模型达到预设收敛条件,得到电离层TEC预测模型。
在一实施例中,利用电离层TEC预测模型,对预测集进行预测,得到目标时间段内的电离层TEC之后,还包括:
计算电离层TEC的平均绝对误差和绝对均方误差;
根据平均绝对误差和绝对均方误差,确定电离层TEC预测模型的建模精度和预测精度。
第二方面,本申请实施例提供一种电离层TEC的预测装置,包括:
获取模块,用于获取目标空间环境数据和目标电离层数据,目标空间环境数据包括地磁数据和太阳活动数据;
分组模块,用于对目标空间环境数据和目标电离层数据按照预设时间间隔进行分组,得到目标数据集,目标数据集包括训练集、验证集和预测集;
调优模块,用于利用训练集和验证集,对预设LSTM神经网络模型进行调优,直至预设LSTM神经网络模型达到预设收敛条件,得到电离层TEC预测模型;
预测模块,用于利用电离层TEC预测模型,对预测集进行预测,得到目标时间段内的电离层TEC。
在一实施例中,调优模块,包括:
训练模块,用于利用训练集,对预设LSTM神经网络模型进行训练,以更新预设LSTM神经网络模型的模型变量,得到第一LSTM神经网络模型;
测试模块,用于利用验证集,对第一LSTM神经网络模型进行测试,若第一LSTM神经网络模型的验证集损失函数等于预设LSTM神经网络模型的模型变量、模型变量的变化量为第一预设值,以及模型变量的调优周期为第二预设值时,则判定第一LSTM神经网络模型达到预设收敛条件,得到电离层TEC预测模型。
第三方面,本申请实施例提供一种计算机设备,包括处理器和存储器,存储器用于存储计算机程序,计算机程序被处理器执行时实现如第一方面的电离层TEC的预测方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其存储有计算机程序,计算机程序被处理器执行时实现如第一方面的电离层TEC的预测方法。
需要说明的是,上述第二方面至第四方面的有益效果请参见第一方面的相关描述,在此不再赘述。
附图说明
图1为本申请实施例提供的电离层TEC的预测方法的流程示意图;
图2为本申请实施例提供的电离层TEC的预测装置的结构示意图;
图3为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如相关技术记载,经验模型包括Klobuchar模型、Bent模型和IRI模型等,其根据电离层的结构和物理性质,通过大量观测数据建立得到,但是通常用于长期预测,预测精度较低。数学建模方法包括ARMA模型、自相关分析法和混沌时间序列预测法等,通过对一段时间内的散点实测数据采用多项式、球谐模型等方法进行建模,以获取单点时序序列,再利用该时序序列采用数学方法进行预测,在短期预测方面具有较高的预测精度,但是一方面,其难以使原始实测数据的建模与预测同步,而导致电离层的空间特征丢失,从而难以兼顾建模精度和预测精度。另一方面,电离层对太阳活动和近地空间的变化很敏感,具有复杂的时空分布特性,其分布特征取决于地理位置(如极地和极光带、中高纬度和赤道地区)、太阳活动水平、地磁活动情况等多种因素,仅单因素建模难以描述电离层的高动态性。
为此,本申请一实施例提供一种电离层TEC的预测方法,通过获取目标空间环境数据和目标电离层数据,以采用实测数据进行预测,顾及电离层的空间特征,从而兼顾建模与预测的精度,同时采用地磁数据和太阳活动数据作为输入参数,考虑太阳活动和地磁活动,能够更好的用于低纬度和极地等电离层高动态变化区域;再将分段建模法引入了LSTM网络中,对目标空间环境数据和目标电离层数据按照预设时间间隔进行分组,得到目标数据集,目标数据集包括训练集、验证集和预测集,以使模型调优时无需考虑时序建模,降低建模误差和提高建模精度;以及利用训练集和验证集,对预设LSTM神经网络模型进行调优,直至预设LSTM神经网络模型达到预设收敛条件,得到电离层TEC预测模型,从而使模型能够自适应于不同时间段的电离层TEC预测,提高预测精度;最后利用电离层TEC预测模型,对预测集进行预测,得到目标时间段内的电离层TEC,实现兼顾建模精度和预测精度。
请参照图1,为本申请实施例提供的一种电离层TEC的预测方法的流程示意图。本申请实施例的电离层TEC的预测方法可应用于计算机设备,该计算机设备包括但不限于智能手机、笔记本电脑、平板电脑、桌上型计算机、物理服务器和云服务器等设备。本实施例的电离层TEC的预测方法包括步骤S101至步骤S104,详述如下:
步骤S101,获取目标空间环境数据和目标电离层数据,所述目标空间环境数据包括地磁数据和太阳活动数据。
在本步骤中,目标空间环境数据具体可包括但不限于Kp、Ap、Dst、F107和SSN。其中Ap指数是全球的全日地磁扰动强度的指数,称为行星性等效日幅度。在中低纬度的测站使用的地磁指数称之为Dst指数,该指数每小时量测一次,最主要是量测地磁水平分量的强度变化。常用的太阳活动指数包括太阳黑子数SSN及10.7厘米射电辐射通量F10.7。目标电离层数据为基于单站GPS数据(即单站GNSS实测数据)确定的GPS-TEC数据。
步骤S102,对所述目标空间环境数据和所述目标电离层数据按照预设时间间隔进行分组,得到目标数据集,所述目标数据集包括训练集、验证集和预测集;
在本步骤中,整合目标空间环境数据和所述目标电离层数据,得到输入数据集,其包括但不限于Ap、Dst、F10.7、SSN、经度和纬度。示例性地,以30分钟间隔划分数据集,一天一共48个数据集,每个数据集划分3组来进行网络训练,其中训练集:验证集:预测集=16:1:1。
本步骤通过在输入到模型进行模型处理之前,对数据按照时间间隔进行分组,从而能够在LSTM网络引入分段建模法,使得模型建模时无需考虑数据时序,进而降低误差和提高建模精度。
步骤S103,利用所述训练集和所述验证集,对预设LSTM神经网络模型进行调优,直至所述预设LSTM神经网络模型达到预设收敛条件,得到电离层TEC预测模型;
在本步骤中,长短期记忆(Long Short-Term Memory,LSTM)神经网络模型是一种时间循环神经网络,其改善了RNN中存在的长期依赖问题;LSTM的表现通常比时间递归神经网络及隐马尔科夫模型(HMM)更好;作为非线性模型,LSTM可作为复杂的非线性单元用于构造更大型深度神经网络。
步骤S104,利用所述电离层TEC预测模型,对所述预测集进行预测,得到目标时间段内的电离层TEC。
在本步骤中,通过电离层TEC预测模型,根据预测集中的目标空间环境数据和所述目标电离层数据,预测未来目标时间段内的电离层TEC,具有较高预测精度。
在一实施例中,在图1所示实施例的基础上,上述步骤S101,包括:
获取空间环境数据和单站GPS数据;
对所述空间环境数据进行筛选,得到所述目标空间环境数据;
根据所述单站GPS数据,确定高度角大于预设角度的所述目标电离层数据。
在本实施例中,为了消除数据之间量纲的影响,对数据进行归一化处理。
可选地,所述对所述空间环境进行筛选,得到所述目标空间环境数据,包括:
利用皮尔逊相关系数法或弗雷歇相关系数法,计算所述地磁数据和太阳活动数据的皮尔逊相关系数或弗雷歇相关系数;
根据所述皮尔逊相关系数或弗雷歇相关系数,对所述地磁数据和太阳活动数据进行筛选,得到所述目标空间环境数据。
在本可选实施例中,当目标空间环境数据的时间分辨率一致时,采用皮尔逊相关系数法进行筛选,当地磁数据集和太阳活动数据集的系数大于0.5时,采用皮尔逊相关系数法和弗雷歇相关系数法之一进行筛选;当目标空间环境数据的时间分辨率不一致时,采用弗雷歇相关系数法进行筛选,其中弗雷歇系数值越小表明两者越相关。
可选地,所述根据所述单站GPS数据,确定高度角大于预设角度的所述目标电离层数据,包括:
根据所述单站GPS数据,计算单层投影的TEC值和穿刺点;
根据所述TEC值和穿刺点,选取高度角大于预设角度的所述目标电离层数据。
在本可选实施例中,对单站GPS数据进行预处理,即根据所述单站GPS数据,计算单层投影的TEC值和穿刺点,并选取高度角大于15°的电离层数据点。可以理解的是,高度角和穿刺点位置可基于现有公式计算得到,本实施例重点在于选取高度角大于15°的电离层数据。
在一实施例中,在图1所示实施例的基础上,上述步骤S103,包括:
利用所述训练集,对所述预设LSTM神经网络模型进行训练,以更新所述预设LSTM神经网络模型的模型变量,得到第一LSTM神经网络模型;
利用所述验证集,对所述第一LSTM神经网络模型进行测试,若所述第一LSTM神经网络模型的验证集损失函数等于所述预设LSTM神经网络模型的模型变量、所述模型变量的变化量为第一预设值,以及所述模型变量的调优周期为第二预设值时,则判定所述第一LSTM神经网络模型达到预设收敛条件,得到所述电离层TEC预测模型。
在本实施例中,建立预设LSTM神经网络的自适应超参数,以测试集损失函数valloss最小时作为早停依据。可选地,具体超参数设置如下表所示。
可选地,Earlystopping表示适时停止参数:当监视的变量(模型变量)停止改善时,停止训练,即Monitor(模型变量)=Val_loss,min_delta(模型变量中符合改进的最小变化)=0,patience(产生受模型变量但没有改善的时期数,即上述调优周期)=40。
可选地,验证集损失函数,采用的是MSE损失函数。MSE(mean squared error),即均方误差,可以看做是一种L2损失,也是一种最常用的回归损失函数,MSE是求预测值与真实值之间距离的平方和。
在一实施例中,在图1所示实施例的基础上,上述步骤S104之后,还包括:
计算所述电离层TEC的平均绝对误差和绝对均方误差;
根据所述平均绝对误差和所述绝对均方误差,确定所述电离层TEC预测模型的建模精度和预测精度。
在本实施例中,平均绝对误差(Mean Absolute Error,MAE)是绝对误差的平均值,平均绝对误差能更好地反映预测值误差的实际情况。可选地,绝对均方误差(RMSE)为均方根误差是均方误差的算术平方根,可选地,
进一步地,计算平均绝对误差和绝对RMSE后,将其与CODE数据和IRI数据对比。其中,电离层分析中心-欧洲定轨中心(Center for Orbit Determination in Europe,CODE)提供的全球电离层TEC格网(GIM),CODE-GIM精度约为4.0~4.5TECu。IRI(Internation Reference Ionosphere国际参考电离层)数据:是国际公认和推荐的电离层参数气候规范标准,它是利用全球电离层测站以及卫星观测数据建立的电离层经验模型,是一个能够计算给定位置和给定时间电离层的电子密度、电子温度、离子温度、离子成分等参数的经验模型,被广泛应用于电离层研究区域。随着新数据和新建模方法的出现,IRI模型不断升级,最新版本为IRI2016。
为了执行上述方法实施例对应的电离层TEC的预测方法,以实现相应的功能和技术效果。参见图2,图2示出了本申请实施例提供的一种电离层TEC的预测装置的结构框图。为了便于说明,仅示出了与本实施例相关的部分,本申请实施例提供的电离层TEC的预测装置,包括:
获取模块201,用于获取目标空间环境数据和目标电离层数据,所述目标空间环境数据包括地磁数据和太阳活动数据;
分组模块202,用于对所述目标空间环境数据和所述目标电离层数据按照预设时间间隔进行分组,得到目标数据集,所述目标数据集包括训练集、验证集和预测集;
调优模块203,用于利用所述训练集和所述验证集,对预设LSTM神经网络模型进行调优,直至所述预设LSTM神经网络模型达到预设收敛条件,得到电离层TEC预测模型;
预测模块204,用于利用所述电离层TEC预测模型,对所述预测集进行预测,得到目标时间段内的电离层TEC。
在一实施例中,所述调优模块203,包括:
训练模块,用于利用所述训练集,对所述预设LSTM神经网络模型进行训练,以更新所述预设LSTM神经网络模型的模型变量,得到第一LSTM神经网络模型;
测试模块,用于利用所述验证集,对所述第一LSTM神经网络模型进行测试,若所述第一LSTM神经网络模型的验证集损失函数等于所述预设LSTM神经网络模型的模型变量、所述模型变量的变化量为第一预设值,以及所述模型变量的调优周期为第二预设值时,则判定所述第一LSTM神经网络模型达到预设收敛条件,得到所述电离层TEC预测模型。
在一实施例中,所述获取模块201,包括:
获取单元,用于获取空间环境数据和单站GPS数据;
筛选单元,用于对所述空间环境数据进行筛选,得到所述目标空间环境数据;
确定单元,用于根据所述单站GPS数据,确定高度角大于预设角度的所述目标电离层数据。
在一优选实施例中,所述筛选单元,包括:
第一计算子单元,用于利用皮尔逊相关系数法或弗雷歇相关系数法,计算所述地磁数据和太阳活动数据的皮尔逊相关系数或弗雷歇相关系数;
筛选子单元,用于根据所述皮尔逊相关系数或弗雷歇相关系数,对所述地磁数据和太阳活动数据进行筛选,得到所述目标空间环境数据。
在一优选实施例中,所述确定单元,包括:
第二计算子单元,用于根据所述单站GPS数据,计算单层投影的TEC值和穿刺点;
选取子单元,用于根据所述TEC值和穿刺点,选取高度角大于预设角度的所述目标电离层数据。
在一实施例中,所述电离层TEC的预测装置,还包括:
计算模块,用于计算所述电离层TEC的平均绝对误差和绝对均方误差;
确定模块,用于根据所述平均绝对误差和所述绝对均方误差,确定所述电离层TEC预测模型的建模精度和预测精度。
上述的电离层TEC的预测装置可实施上述方法实施例的电离层TEC的预测方法。上述方法实施例中的可选项也适用于本实施例,这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容,在本实施例中,不再进行赘述。
图3为本申请一实施例提供的计算机设备的结构示意图。如图3所示,该实施例的计算机设备3包括:至少一个处理器30(图3中仅示出一个)处理器、存储器31以及存储在所述存储器31中并可在所述至少一个处理器30上运行的计算机程序32,所述处理器30执行所述计算机程序32时实现上述任意方法实施例中的步骤。
所述计算机设备3可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器30、存储器31。本领域技术人员可以理解,图3仅仅是计算机设备3的举例,并不构成对计算机设备3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),该处理器30还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31在一些实施例中可以是所述计算机设备3的内部存储单元,例如计算机设备3的硬盘或内存。所述存储器31在另一些实施例中也可以是所述计算机设备3的外部存储设备,例如所述计算机设备3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括所述计算机设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
另外,本申请实施例还提供一种计算机可读存储介质,所述计算机可读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时实现上述任意方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在计算机设备上运行时,使得计算机设备执行时实现上述各个方法实施例中的步骤。
在本申请所提供的几个实施例中,可以理解的是,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意的是,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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计算机设备执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、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。
以上所述的具体实施例,对本申请的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本申请的具体实施例而已,并不用于限定本申请的保护范围。特别指出,对于本领域技术人员来说,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种电离层TEC的预测方法,其特征在于,包括:
获取目标空间环境数据和目标电离层数据,所述目标空间环境数据包括地磁数据和太阳活动数据;
对所述目标空间环境数据和所述目标电离层数据按照预设时间间隔进行分组,得到目标数据集,所述目标数据集包括训练集、验证集和预测集;
利用所述训练集和所述验证集,对预设LSTM神经网络模型进行调优,直至所述预设LSTM神经网络模型达到预设收敛条件,得到电离层TEC预测模型;
利用所述电离层TEC预测模型,对所述预测集进行预测,得到目标时间段内的电离层TEC。
2.如权利要求1所述的电离层TEC的预测方法,其特征在于,所述获取目标空间环境数据和目标电离层数据,包括
获取空间环境数据和单站GPS数据;
对所述空间环境数据进行筛选,得到所述目标空间环境数据;
根据所述单站GPS数据,确定高度角大于预设角度的所述目标电离层数据。
3.如权利要求2所述的电离层TEC的预测方法,其特征在于,所述对所述空间环境进行筛选,得到所述目标空间环境数据,包括:
利用皮尔逊相关系数法或弗雷歇相关系数法,计算所述地磁数据和太阳活动数据的皮尔逊相关系数或弗雷歇相关系数;
根据所述皮尔逊相关系数或弗雷歇相关系数,对所述地磁数据和太阳活动数据进行筛选,得到所述目标空间环境数据。
4.如权利要求2所述的电离层TEC的预测方法,其特征在于,所述根据所述单站GPS数据,确定高度角大于预设角度的所述目标电离层数据,包括:
根据所述单站GPS数据,计算单层投影的TEC值和穿刺点;
根据所述TEC值和穿刺点,选取高度角大于预设角度的所述目标电离层数据。
5.如权利要求1所述的电离层TEC的预测方法,其特征在于,所述利用所述训练集和所述验证集,对预设LSTM神经网络模型进行调优,直至所述预设LSTM神经网络模型达到预设收敛条件,得到电离层TEC预测模型,包括:
利用所述训练集,对所述预设LSTM神经网络模型进行训练,以更新所述预设LSTM神经网络模型的模型变量,得到第一LSTM神经网络模型;
利用所述验证集,对所述第一LSTM神经网络模型进行测试,若所述第一LSTM神经网络模型的验证集损失函数等于所述预设LSTM神经网络模型的模型变量、所述模型变量的变化量为第一预设值,以及所述模型变量的调优周期为第二预设值时,则判定所述第一LSTM神经网络模型达到预设收敛条件,得到所述电离层TEC预测模型。
6.如权利要求1所述的电离层TEC的预测方法,其特征在于,所述利用所述电离层TEC预测模型,对所述预测集进行预测,得到目标时间段内的电离层TEC之后,还包括:
计算所述电离层TEC的平均绝对误差和绝对均方误差;
根据所述平均绝对误差和所述绝对均方误差,确定所述电离层TEC预测模型的建模精度和预测精度。
7.一种电离层TEC的预测装置,其特征在于,包括:
获取模块,用于获取目标空间环境数据和目标电离层数据,所述目标空间环境数据包括地磁数据和太阳活动数据;
分组模块,用于对所述目标空间环境数据和所述目标电离层数据按照预设时间间隔进行分组,得到目标数据集,所述目标数据集包括训练集、验证集和预测集;
调优模块,用于利用所述训练集和所述验证集,对预设LSTM神经网络模型进行调优,直至所述预设LSTM神经网络模型达到预设收敛条件,得到电离层TEC预测模型;
预测模块,用于利用所述电离层TEC预测模型,对所述预测集进行预测,得到目标时间段内的电离层TEC。
8.如权利要求7所述的电离层TEC的预测装置,其特征在于,所述调优模块,包括:
训练模块,用于利用所述训练集,对所述预设LSTM神经网络模型进行训练,以更新所述预设LSTM神经网络模型的模型变量,得到第一LSTM神经网络模型;
测试模块,用于利用所述验证集,对所述第一LSTM神经网络模型进行测试,若所述第一LSTM神经网络模型的验证集损失函数等于所述预设LSTM神经网络模型的模型变量、所述模型变量的变化量为第一预设值,以及所述模型变量的调优周期为第二预设值时,则判定所述第一LSTM神经网络模型达到预设收敛条件,得到所述电离层TEC预测模型。
9.一种计算机设备,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至6任一项所述的电离层TEC的预测方法。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的电离层TEC的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210088284.9A CN114528978A (zh) | 2022-01-24 | 2022-01-24 | 电离层tec的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210088284.9A CN114528978A (zh) | 2022-01-24 | 2022-01-24 | 电离层tec的预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114528978A true CN114528978A (zh) | 2022-05-24 |
Family
ID=81623050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210088284.9A Pending CN114528978A (zh) | 2022-01-24 | 2022-01-24 | 电离层tec的预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114528978A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341356A (zh) * | 2022-12-19 | 2023-06-27 | 湖北珞珈实验室 | 一种附加约束站的电离层总电子含量预测系统及方法 |
CN116643294A (zh) * | 2023-06-01 | 2023-08-25 | 中南大学 | 基于双系数及双序列的电离层扰动探测方法、装置及介质 |
-
2022
- 2022-01-24 CN CN202210088284.9A patent/CN114528978A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341356A (zh) * | 2022-12-19 | 2023-06-27 | 湖北珞珈实验室 | 一种附加约束站的电离层总电子含量预测系统及方法 |
CN116341356B (zh) * | 2022-12-19 | 2024-01-12 | 湖北珞珈实验室 | 一种附加约束站的电离层总电子含量预测系统及方法 |
CN116643294A (zh) * | 2023-06-01 | 2023-08-25 | 中南大学 | 基于双系数及双序列的电离层扰动探测方法、装置及介质 |
CN116643294B (zh) * | 2023-06-01 | 2024-02-09 | 中南大学 | 基于双系数及双序列的电离层扰动探测方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111045046B (zh) | 一种基于narx的短期电离层预报方法及装置 | |
US10883829B2 (en) | Systems and methods for GNSS SNR probabilistic localization and 3-D mapping | |
Raeder et al. | DART/CAM: An ensemble data assimilation system for CESM atmospheric models | |
CN114528978A (zh) | 电离层tec的预测方法、装置、设备及存储介质 | |
CN110568459B (zh) | 基于igs和cors站的区域电离层tec实时监测方法 | |
Okoh et al. | A neural network‐based ionospheric model over Africa from Constellation Observing System for Meteorology, Ionosphere, and Climate and Ground Global Positioning System observations | |
CN108732559B (zh) | 一种定位方法、装置、电子设备及可读存储介质 | |
CN111581803B (zh) | 一种全球电离层电子含量的克里金代理模型构建方法 | |
WO2015179704A2 (en) | Positioning using non-line-of-sight signals | |
CN109448124B (zh) | 用于河道的水质模拟方法和装置 | |
Shin et al. | The local ensemble transform Kalman filter (LETKF) with a global NWP model on the cubed sphere | |
CN114430294B (zh) | 一种对geo卫星的对地波束校准方法、装置、电子设备及存储介质 | |
Del Rio Amador et al. | Predicting the global temperature with the Stochastic Seasonal to Interannual Prediction System (StocSIPS) | |
CN111505740A (zh) | 气象预测方法、装置、计算机设备和存储介质 | |
CN110568458B (zh) | 一种基于gnss的电离层vtec闭环测试系统及方法 | |
CN115327662A (zh) | 一种基于统计学习的区域电离层tec预测方法 | |
Hoffman et al. | A collocation study of atmospheric motion vectors (AMVs) compared to Aeolus wind profiles with a feature track correction (FTC) observation operator | |
Walach et al. | Super dual auroral radar network expansion and its influence on the derived ionospheric convection pattern | |
Hodyss et al. | Inaccuracies with multimodel postprocessing methods involving weighted, regression-corrected forecasts | |
Ünal et al. | Performance of IRI-based ionospheric critical frequency calculations with reference to forecasting | |
Mallet et al. | Minimax filtering for sequential aggregation: Application to ensemble forecast of ozone analyses | |
Parker et al. | Modelling the main ionospheric trough using the Electron Density Assimilative Model (EDAM) with assimilated GPS TEC | |
Gong et al. | Least‐squares collocation modelling of regional ionospheric TEC for accelerating real‐time single‐frequency PPP convergence | |
Salamon et al. | How real are observed trends in small correlated datasets? | |
Dehvari et al. | Improving IRI-2016 global total electron content maps using ELM neural network |
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 |