一种数据驱动的太阳10.7厘米射电流量长期预报方法技术

本发明专利技术提供了一种数据驱动的太阳10.7厘米射电流量长期预报方法，首先学习差分阶数和季节差分阶数，然后学习自回归阶数、滑动平均阶数、季节自回归阶数和季节滑动平均阶数，最终通过学习获得模型系数，利用学习好的模型预测未来的F10.7年均值。本发明专利技术提出的F10.7长期预报方法是一种纯数据驱动的方法，克服了人工经验预报对专家知识依赖性强、时效性差、自主性弱等缺点，能够在探火、探月、空间站保障等重大航天任务中提供自主、及时、有效的F10.7长期预报值。预报值。预报值。

【技术实现步骤摘要】
一种数据驱动的太阳10.7厘米射电流量长期预报方法


[0001]本专利技术属于空间环境监测预报领域，涉及一种太阳活动指数——10.7厘米射电流量的长期预报方法。

技术介绍

[0002]灾害性太空环境事件是威胁航天装备安全、影响电子信息装备正常运行的核心环境因素，是遂行航天发射、太空攻防、在轨航天器管理等各类航天任务关注的重要空间环境信息。太阳爆发剧烈活动是灾害性太空环境事件发生的根源，因此及时了解、掌握太阳活动现状和发展趋势是预防灾害性太空环境事件、减小其对我航天任务影响的重要前提。在表征太阳活动水平的众多参数中，10.7厘米射电流量(F10.7)扮演着十分重要的角色，是综合衡量太阳色球、过渡区和日冕极紫外辐射强度的一种常用指数，被人们广泛研究。同时，F10.7也是大气密度模型和电离层模式的重要输入参数，影响着卫星定轨和导航通信等设备的正常运行。因此，一直以来F10.7预报方法的研究是太空环境应用研究和业务预报的重要课题。
[0003]目前，多数关于F10.7预报的研究都聚焦在中短期预报中(一般为提前27天或者45天的预报)。美国业务型太阳活动预报软件包SOLAR2000太阳大气辐射模型中包含有基于时间序列分析的F10.7中期预报模型。SOLAR2000的第一代F10.7的中期预报模型直接采用取代的方法，在第一代改进版中加入了线性预报技术，对其他波段的辐射指数也是采用线性预报技术。中国科学院空间环境研究预报中心刘四清等人采用时间序列模型，以预报时刻之前的730天资料为基础，提出了54阶自回归模型(Autor/>‑
Regressive，AR)进行F10.7的中期预报。该模型平均误差为太阳活动低年5％、活动高年15％，与美国空军的预报结果精度基本相当。该模型现在也是中国科学院空间中心空间环境日常预报业务的基础方法。此外，中国的研究人员将小波分析、奇异谱分析、人工神经网络等方法应用到F10.7序列的周期分析中，并将自回归模型与奇异谱分析方法相结合试用于F10.7的中期预报。
[0004]相比之下，对F10.7长期预报(未来11年甚至更长时间的预报)的研究相对较少，主要有两类方法。第一类方法为人工经验预报，每一个新太阳活动周开始的时候，国际相关机构会组织该领域知名专家召开专题会议，每位专家结合自身知识经验对未来一个活动周的太阳活动水平进行预报，最后专家组讨论形成最终预报结果对外发布，预报的参数包括太阳黑子数和F10.7等。此类方法的优点是集成了全世界优秀的领域专家，因此准确率相对较高；其缺点是主观性强、专家知识依赖性强，时效性差，自主性弱。第二类方法为模式预报，主要以美国空间天气预报中心给出的计算公式为主。此类方法简单明了，可以对任意时间长度做出预报且计算速度快，但由于该公式只是固定参数的简单周期函数，其准确度很低且不能反应不同太阳活动周之间的差异性。
[0005]随着我国空间站建设进程的不断推进以及探月、探火等深空探测任务的深入发展，对F10.7长期预报的需求不断增加，对其预报精度和时效性的要求也日益提高，亟需一种F10.7长期预报方法，能够满足我国航天任务日益增长的需求，有效克服现有两类方法的
缺点。

技术实现思路

[0006]为了克服现有技术的不足，本专利技术提供一种数据驱动的太阳10.7厘米射电流量长期预报方法，能够利用F10.7历史观测数据，预测未来一个太阳活动周(11年)的F10.7值，无需专家知识也能保证一定准确率，提高预报的自主性、时效性，有效支援相关航天任务。
[0007]本专利技术解决其技术问题所采用的技术方案包括以下步骤：
[0008](1)设置差分阶数d的初始值为0，并对原始时间序列进行ADF检验；如果ADF检验结果为FALSE，则表明数据无需差分，返回d＝0，学习结束；如果检验结果为TRUE，则表明需要进行一次差分，对序列进行差分操作并设置d＝1；对差分后的序列继续进行ADF检验，若结果为FALSE，返回当前d；若结果为TRUE，对当前序列再进行一次差分并设置d值加1；重复对序列进行ADF检验直到检验结果为FALSE，返回当前d值；
[0009]设置季节差分阶数D的初始值为0，并对原始序列进行CH检验；如果CH检验结果为FALSE，则表明数据无需差分，返回D＝0，学习结束；如果检验结果为TRUE，则表明需要进行一次差分，对序列进行差分操作并设置D＝1；对差分后的序列继续进行CH检验，若结果为FALSE，返回当前D；若结果为TRUE，对当前序列再进行一次差分并设置D值加1；重复对序列进行CH检验直到检验结果为FALSE，返回当前D值；
[0010](2)采用信息判据有学习自回归阶数p、滑动平均阶数q、季节自回归阶数P和季节滑动平均阶数Q，其中，L为观测数据的似然值，n为数据中样本点的个数，选择使得AIC
c
最小的一组值，即
[0011](3)对原始时间序列进行d阶差分和D阶季节性差分，得到的时间序列记作{y
t
}，其ARIMA模型中包含下列参数：
[0012]a1,a2,...,a
p
[0013]α1,α2,...,α
P
[0014]b1,b2,...,b
q
[0015]β1,β2,...,β
Q
[0016]其中，a1至a
p
为非季节性自回归系数，α1至α
P
为季节性自回归系数，b1和b
q
为非季节性滑动平均系数，β1和β
Q
为季节性滑动平均系数；
[0017](4)利用学习好的模型预测未来的F10.7年均值。
[0018]所述的步骤(1)中，采用The Phillips
–
Perron test或Dickey Pantula test替代ADF或CH作为单位根检验的方式。
[0019]所述的步骤(2)首先设置各个参数的取值范围，分别为p∈[0,10]，q∈[0,10]，P∈[0,2]，Q∈[0,2]，且所有参数均为整数。
[0020]所述的步骤(2)采用网格搜索法、随机搜索或贝叶斯优化方法学习参数。
[0021]所述的步骤(3)采用最大似然估计或者最小二乘法学习获得模型系数，具体计算
过程表示为a1,a2,...,a
p
,α1,α2,...,α
P
,b1,b2,...,b
q
,β1,β2,
…
,其中，y
t
为真实观测值，为模型预测值，n为观测值个数。
[0022]所述的步骤(4)采用递归调用的方式预测未来多年的数值，即先预测未来一年，然后将该预测值作为模型的新输入预测未来第二年，以此类推。
[0023]本专利技术的有益效果是：提出的F10.7长期预报方法是一种纯数据驱动的方法，克服了人工经验预报对专家知识依赖性强、时效性差、自主性弱等缺点，能够在探火、探月、空间站保障等重大航天任务中提供自主、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据驱动的太阳10.7厘米射电流量长期预报方法，其特征在于，包括以下步骤：(1)设置差分阶数d的初始值为0，并对原始时间序列进行ADF检验；如果ADF检验结果为FALSE，则表明数据无需差分，返回d＝0，学习结束；如果检验结果为TRUE，则表明需要进行一次差分，对序列进行差分操作并设置d＝1；对差分后的序列继续进行ADF检验，若结果为FALSE，返回当前d；若结果为TRUE，对当前序列再进行一次差分并设置d值加1；重复对序列进行ADF检验直到检验结果为FALSE，返回当前d值；设置季节差分阶数D的初始值为0，并对原始序列进行CH检验；如果CH检验结果为FALSE，则表明数据无需差分，返回D＝0，学习结束；如果检验结果为TRUE，则表明需要进行一次差分，对序列进行差分操作并设置D＝1；对差分后的序列继续进行CH检验，若结果为FALSE，返回当前D；若结果为TRUE，对当前序列再进行一次差分并设置D值加1；重复对序列进行CH检验直到检验结果为FALSE，返回当前D值；(2)采用信息判据有学习自回归阶数p、滑动平均阶数q、季节自回归阶数P和季节滑动平均阶数Q，其中，L为观测数据的似然值，n为数据中样本点的个数，选择使得AIC
c
最小的一组值，即(3)对原始时间序列进行d阶差分和D阶季节性差分，得到的时间序列记作{y
t
}，其ARIMA模型中包含下列参数：a1,a2,...,a
p
α1,α2,...,α
P
b1,b2,...,b
q
β1,β2,...,β
Q
其中，a1至a
p
为非季节性自回归系数，α1至α
P...

【专利技术属性】
技术研发人员：崔瑞飞，姜宇，杨升高，李强，张日伟，田超，胡斯惠，郭兴亮，刘永杰，
申请(专利权)人：中国西安卫星测控中心，
类型：发明
国别省市：