电离层TEC预测方法及装置和计算机设备制造方法及图纸

本申请涉及一种电离层TEC预测方法及装置和计算机设备。所述方法包括：获取电离层数据集；将所述电离层数据集划分为多个数据子集，多个所述数据子集分别为训练数据集、验证数据集和测试数据集，且分别对各所述数据子集进行标准化与归一化；根据数据特性和实际需求确定步长；根据所述步长和标准化与归一化后的各所述数据子集生成电离层TEC预测模型；根据所需预测时段的长度，确定预测窗口大小；根据所述预测窗口大小和所述电离层TEC预测模型滑动预测所述所需预测时段的电离层TEC。采用上述方法，可实时根据实际需求调整不同的步长，进而生成电离层TEC预测模型对所需预测时段的电离层TEC进行预测，能够实现适用于步长发生变化的情形。的情形。的情形。

【技术实现步骤摘要】
电离层TEC预测方法及装置和计算机设备


[0001]本申请涉及电离层
，特别是涉及一种电离层TEC预测方法及装置和计算机设备。

技术介绍

[0002]电离层是地球近地空间环境的重要组成部分，对其时空变化规律及物理机制的研究具有十分重要的意义。电离层总电子含量(Total Electric Contents，TEC)是表征电离层状态的重要物理参数之一，对其进行准确的建模及预测有助于在科学研究和工程活动中进一步认识电离层，从而更好地避免电离层危害以及利用电离层价值。
[0003]近年来计算机技术快速发展，由于神经网络能够很好地学习复杂的非线性关系，利用深度学习对电离层TEC进行建模与预测受到了越来越多学者的青睐。长短期记忆网络(Long Short
‑
Term Memory，LSTM)是常见的一种循环神经网络，其不仅克服了人工神经网络无法将上一时刻状态作为下一时刻输入的缺点，还解决了传统循环神经网络梯度爆炸以及由梯度消失引起的长期依赖问题，这使得LSTM能够具有长期“记忆”。然而现有基于LSTM进行电离层TEC预测的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电离层TEC预测方法，其特征在于，所述方法包括：获取电离层数据集；将所述电离层数据集划分为多个数据子集，多个所述数据子集分别为训练数据集、验证数据集和测试数据集，且分别对各所述数据子集进行标准化与归一化；根据数据特性和实际需求确定步长，所述步长包括输入序列步长、输出序列步长和输入输出滞后步长；根据所述步长和标准化与归一化后的各所述数据子集生成电离层TEC预测模型；根据所需预测时段的长度，确定预测窗口大小；根据所述预测窗口大小和所述电离层TEC预测模型滑动预测所述所需预测时段的电离层TEC。2.根据权利要求1所述的方法，其特征在于，所述电离层数据集包括电离层TEC和特征变量数据；所述获取电离层数据集，包括：获取预设区域的预设时段的电离层GIM数据和所述特征变量数据；从所述电离层GIM数据中提取所述电离层TEC。3.根据权利要求2所述的方法，其特征在于，各所述数据子集分别包括所述电离层TEC和所述特征变量数据；所述分别对各所述数据子集进行标准化与归一化，包括：对所述训练数据集的所述电离层TEC进行标准化，且对所述训练数据集的所述特征变量数据进行归一化；根据对所述训练数据集进行标准化的参数分别对所述验证数据集和所述测试数据集对应的所述电离层TEC进行标准化；根据对所述训练数据集进行归一化的参数分别对所述验证数据集和所述测试数据集对应的所述特征变量数据进行归一化。4.根据权利要求1所述的方法，其特征在于，所述根据所述步长和标准化与归一化后的各所述数据子集生成电离层TEC预测模型，包括：以所述输入序列步长、所述输出序列步长和所述输入输出滞后步长为依据分别划分标准化与归一化后的各所述数据子集，以分别生成各所述数据子集对应的输入样本序列和输出样本序列；根据多个所述输入样本序列和多个所述输出样本序列生成所述电离层TEC预测模型。5.根据权利要求4所述的方法，其特征在于，所述根据多个所述输入样本序列和多个所述输出样本序列生成所述电离层TEC预测模型，包括：确定LSTM模型和模型超参数；将所述训练数据集的所述输入样本序列和所述输出样本序列放入...

【专利技术属性】
技术研发人员：黄炜昭，陈远，黄林超，吴新桥，吉丽娅，叶颖，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：