【技术实现步骤摘要】
本专利技术涉及电离层电子含量预测，具体为一种基于人工智能技术的的电离层tec含量预测方法。
技术介绍
1、总电子含量（total electron content，tec）是电离层研究中的重要物理参数之一，在电波传播修正和电离层理论研究等方面具有重要意义。通过确定信号传播路径上的tec，可以计算电离层延迟，因此tec也用于描述卫星信号的电离层延迟。双频或多频用户可以利用卫星观测值组合来消除或减弱电离层延迟，而单频用户通常需要借助电离层tec模型来评估和修正电离层延迟，因为他们无法通过自身测量数据获取电离层延迟。在全球导航卫星系统（gnss）中，不同的gnss系统采用不同的电离层模型。例如，gps系统和北斗卫星导航系统使用klobuchar模型来修正电离层延迟，欧洲卫星导航系统galileo的单频用户采用nequick模型修正电离层延迟。然而，这些模型的精度有限，例如klobuchar模型只能修正电离层延迟的50%~60%。目前，主流的电离层模型无法满足越来越多人对高精度定位的需求。
技术实现思路
1、本专利技术的目的在于提供一种基于人工智能技术的电离层tec含量预测方法，以解决的问题。
2、为实现上述目的，本专利技术提供如下技术方案：包括s1：历史tec数据和辅助输入数据的解算与处理s2：建模s3：参数优化，s4：电离层tec预测效果评价；
3、s1步骤：在s1步骤中，我们利用中国地壳运动观测网络（cmonoc）的gps数据，从双频观测值中提取了垂直tec值
4、s2步骤：经过步骤s1的数据预处理后，在ed-lstme模型中，我们使用lstm层从历史tec数据和辅助输入数据中提取代表性特征。通过一个或多个lstm层实现解码器组件，将内部表示转换为正确的输出序列。因此，编码器模型的固定大小的输出通过解码器进行读取。ed-lstme模型通过lstm层从历史tec数据和辅助输入数据中提取代表性特征。网络的输出使用timedistributed包装器中的稠密层，而repeatvector层作为编码和解码部分的适配器（repeatvector可以在输出序列的每个时间步骤上将固定长度的向量重复一次）。我们使用keras实现了ed-lstme模型，keras是一个开源的深度学习框架，使用tensorflow作为后端。先前的研究表明，太阳活动和地磁活动会影响tec的变化，并且使用辅助太阳和地磁活动指数数据可以潜在地提高预测性能。具体而言，将所有选定的gps站点的时间滞后历史数据和当前的太阳通量指数kp以及地磁活动指数ap连接起来，形成输入序列输入到lstm层中（图1中的"main inputs"）。编码器lstm层处理输入序列，并通过单元状态向量生成过去输入序列的总结。经过n次递归更新后，编码器lstm层将整个输入序列转换为最终的单元状态向量。然后，编码器将向量传递给解码器lstm，解码器lstm将其作为序列生成的初始单元状态。解码器lstm然后递归生成输出序列。随后，通过使用一个或多个全连接层（图1中的"fcs"）获得合并特征的进一步表示。最后，基于全连接层产生预测输出。
5、s3步骤：在参数优化的过程中，调整ed-lstme模型的参数可以获得更好的结果，包括每个lstm层中的神经元数量、每个全连接层中的神经元数量、训练的轮数（epochs）和批量大小（batch size）。由于本研究旨在讨论不同时间粒度下的tec预测，不同粒度下的最佳滑动窗口大小（包括时间滞后和预测时长）不同，因此需要优化参数lag（输入的时间滞后长度）和horizon（输出的预测时长长度；即每15分钟一个，每小时4个等）。
6、s4步骤，基于步骤s3构建的模型，评估了提出的模型与其他算法的性能，并进行了比较，这些算法包括经典的ed-lstm、普通lstm、深度神经网络(dnn)、自回归移动平均(arima)和iri 2016模型。通过超参数优化，选择了最佳参数以确保选择稳健的方法。使用四个不同的统计指标（rmse、r2、mae和相关系数ρ）评估了各种模型的性能。
7、与现有技术相比，本专利技术提出的ed-lstme模型在预测电离层总电子含量方面表现出显着的优势。通过考虑太阳辐射和地磁活动数据，该模型能够自动提取有用的内在特征并提高预测性能。在实验证明，该模型在不同的地理位置、季节和地磁活动条件下都能准确预测tec，并在对比试验中优于其他统计模型。这证实了利用辅助数据可以显著提高预测性能，该模型在不同条件下的预测结果优于其他现有模型。
本文档来自技高网...【技术保护点】
1.一种基于人工智能技术的电离层TEC含量预测方法，其特征在于包括，S1：历史TEC数据和辅助输入数据的解算与处理S2：扩展编码解码长短期记忆扩展神经网络的建立S3：扩展编码解码长短期记忆扩展神经网络的参数优化，S4：扩展编码解码长短期记忆扩展神经网络的预测效果评价；
2.根据权利要求1所述的一种基于人工智能技术的电离层TEC含量预测方法，其特征在于：
3.根据权利要求2所述的一种基于人工智能技术的电离层TEC含量预测方法，其特征在于：每个LSTM层中的神经元数量为300；每个FC层中的神经元数量为300；批量为128；训练的周期数为50；输入的时滞长度为一天；输出的预测范围长度为3小时；建模数据预处理时采用卡尔曼滤波算法进行剔除异常值和补全缺失值。
【技术特征摘要】
1.一种基于人工智能技术的电离层tec含量预测方法，其特征在于包括，s1：历史tec数据和辅助输入数据的解算与处理s2：扩展编码解码长短期记忆扩展神经网络的建立s3：扩展编码解码长短期记忆扩展神经网络的参数优化，s4：扩展编码解码长短期记忆扩展神经网络的预测效果评价；
2.根据权利要求1所述的一种基于人工智能技术的电离层tec含...
【专利技术属性】
技术研发人员：熊攀，陈江河，
申请(专利权)人：中国地震局地震预测研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。