一种电离层总电子含量的时序预测方法技术

本发明专利技术提出一种电离层总电子含量的时序预测方法，所述方法包括：步骤一：获得不同时空环境下的全球电离层

【技术实现步骤摘要】
一种电离层总电子含量的时序预测方法


[0001]本专利技术属于卫星导航电离层预测
，具体涉及一种电离层总电子含量的时序预测方法
。

技术介绍

[0002]电离层是卫星信号传播到地面必经的空域，其中存在着大量的自由电子和离子，严重影响着无线电波信号传播的效率和质量，是卫星导航定位中最大的误差源，能引起百米级的误差，也是通信
、
测控和遥感等领域中必须要考虑和消除的影响
。
研究电离层不仅有利于认识电离层的物理特性和探寻克服电离层影响的方法，还有利于推动地球空间科学领域和电离层实际应用的研究与发展
。
随着
GNSS
卫星星座的发展和完善，电离层探测手段不断增多，为电离层的进一步研究提供了多种有效途径
。
近年来，随着人工智能技术的发展，神经网络因其能够描述复杂的非线性输入输出关系，被广大学者应用于电离层参数预测中，长短时记忆网络
(Long Short
‑
term Memory
，
LSTM)
能够解决
RNN
模型在训练较长序列存在梯度消失和梯度爆炸问题常被应用于电离层
TEC
预测模型中，但该模型每一个
TEC
值都依赖于它前一步的
TEC
值，因此必须从前向后必须逐个计算，每一次都只能前进一步；目前很少有人将
Transformer
模型运用在电离层总电子含量时序预测领域，
Transformer
模型自身也存在一定缺点，该模型使用位置编码的形式间接表示时间，并没有对输入数据进行时间纬度的建模，位置编码中存在的问题使得模型并不使用时间序列预测，导致传统的
Transformer
模型对
TEC
数据的建模效果并不理想，需要对传统的
Transformer
模型进行时间维度进行建模，提高位置预测精度
。
[0003]鉴于以上问题，利用
Transformer
模型的注意力机制，获得每个
TEC
值和其他
TEC
值之间的相关性，并通过多头注意力机制提高模型的计算效率，将
Transformer
模型的输出作为
LSTM
模型的输入，使用
LSTM
模型在时间维度上进行建模，对获得的全局信息在时间维度上进行学习，提高
TEC
预测精度，提出一种
Transformer
‑
LSTM
相结合的电离层总电子含量时序预测方法
。

技术实现思路

[0004]为了克服现有技术中存在的问题，本专利技术提供一种一种电离层总电子含量的时序预测方法，包括如下步骤
。
[0005](1)
获取电离层预测所需数据并处理；
[0006](2)
构建
Transformer
‑
LSTM
模型；
[0007](3)
使用多个评价指标对实验效果进行评价反馈
。
[0008]进一步的，所述步骤
(1)
中对电离层数据集进行预处理的具体步骤如下：
[0009](1.1)
获得不同时空环境下的全球电离层
TEC
格网
(GIM)
数据，所述
GIM
数据包括至少一个完整太阳周期的
GIM
数据；
[0010](1.2)
根据
GIM
图，提取对应特征值；
[0011](1.3)
获取电离层电子浓度反演相关的多个参数；
[0012](1.4)
将特征值与相关参数进行整合，得到用于模型训练的数据集，并根据4：1的比例分为训练数据集和测试数据集；
[0013](1.5)
对训练数据集和测试数据集进行数据预处理
。
[0014](1.6)
对预处理后的数据进行
Embedding
层操作
。
[0015]进一步的，所述步骤
(1.2)
中描述本专利技术所使用的数据集的特征值和步骤
(1.3)
中描述本专利技术所使用的数据集的相关参数的具体步骤如下：
[0016]采集的电离层数据集的特征值包括提取到的年月日
、
世界时
、
地理经纬度以及电子浓度信息；获取电离层电子浓度反演相关参数包括一下至少一种：地磁
Kp
指数
、
地磁
Dst
指数
、
太阳辐射通量
F10.7、
太阳黑子数
SSN。
[0017]进一步的，所述步骤
(1.4)
中对特征值与相关参数进行处理整合，得到用于模型训练的数据集的具体步骤如下：
[0018]将不同时间
、
不同地理经纬度时的电子浓度大小与地磁
Kp
指数
、
地磁
Dst
指数
、
太阳辐射通量
F10.7、
太阳黑子数
SSN
等相关参数进行异常值处理，将超出正常范围的数据
(
如负值和过大值
)
进行剔除
。
然后，对数据进行归一化处理，使其在一定范围内波动，以保证数据的稳定性和一致性，整合完成后得到数据集
。
[0019]进一步的，所述步骤
(1.5)
中描述的数据预处理的具体步骤如下：
[0020]将训练数据集和测试数据集进行标准化和归一化处理
。
[0021]进一步的，所述步骤
(1.6)
的对预处理后的数据进行
Embedding
层操作的具体步骤如下：
[0022]将预处理后的数据映射到连续的低维向量空间中，降低神经网络的参数数量和计算复杂度，同时保持数据的表征能力，捕捉数据之间的关系和模式
。
[0023]进一步的，所述步骤
(2)
中构建
Transformer
‑
LSTM
模型的具体步骤如下：
[0024](2.1)
构建
Transformer
‑
LSTM
预测模型；
[0025](2.2)
训练
Transformer
‑
LSTM
预测模型
[0026](2.3)
输入测试数据到训练好的预测模型进行预测
TEC
值
。
[0027]进一步的，所述步骤
(2.1)
的构建
Transfor本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种电离层总电子含量的时序预测方法，其特征在于，所述方法包括以下步骤：步骤一：获得不同时空环境下的全球电离层
TEC
格网数据与电离层电子浓度反演相关的多个参数数据并进行预处理；步骤二：构建
Transformer
‑
LSTM
模型，所述
Transformer
‑
LSTM
模型包括
Transformer
模块和与所述
Transformer
模块相连的
LSTM
模块；将各类所述数据输入所述
Transformer
模块，建立
Transformer
训练模型，提取各类所述数据的全局特征；将所述全局特征数据输入所述
LSTM
模块，利用所述
LSTM
模块，对所述全局特征数据进行训练，并建立
LSTM
训练模型，输出预测
TEC
值
。
步骤三：将预测的所述
TEC
值与真实值比较，使用多个评价指标对实验效果进行评价反馈
。2.
根据权利要求1所述的电离层总电子含量时序预测方法，其特征在于，所述步骤一具体为：
(1.1)
获得不同时空环境下的全球电离层
TEC
格网
(GIM)
数据，所述
GIM
数据包括至少一个完整太阳周期的
GIM
数据；
(1.2)
根据
GIM
图，提取对应特征值；
(1...

【专利技术属性】
技术研发人员：纪元法，郭文韬，孙希延，贾茜子，张振国，
申请(专利权)人：南宁桂电电子科技研究院有限公司，
类型：发明
国别省市：