【技术实现步骤摘要】
本专利技术涉及卫星钟差预报，尤其涉及一种基于arima与灰色预报模型的顾及随机项的gps卫星钟差预报方法。
技术介绍
1、自上世纪70年代美国开始建设gps系统以来，gps系统日益完善，服务性能逐步提高，gps卫星星载原子钟随着技术的发展，在不同的时期原子钟性能也不断改善；卫星导航系统是一个基于时间测量的系统，其高精度的定位、导航和授时服务是基于精确的时频产品；
2、星载原子钟作为卫星导航系统的有效载荷核心之一和系统测距的星上时间基准，其性能影响着导航系统的定位导航服务质量；
3、在全球卫星导航系统中，星载原子钟的钟差预报在优化导航电文中的钟差参数、满足实时动态精密单点定位的需求和提供卫星自主导航所需的先验信息方面具有重要作用；
4、然而星载原子钟在轨运行期间受所处的太空环境复杂和自身的不稳定等因素影响，其输出的钟差时间序列由确定部分和不确定部分组成；由于星载原子钟非常敏感极易受到外界和自身因素变化的影响而很难掌握其复杂细致的变化规律。现有技术中应用较多的卫星钟差预报方法，有二次多项式模型(quadratie polynomial model，qpm)、灰色预报模型(gray model，gm(1，1))、最小二乘支持向量机模型、人工神经网络模型、卡尔曼滤波模型；现有技术的局限性在于，面对卫星钟差数据中呈非平稳变化趋势的随机项，即输入的钟差时间序列中的不确定项，现有技术手段，无法准确的提供卫星钟差值，从而影响基于卫星钟差预报的卫星系统时间同步工作；
5、现有技术无法顾及由于白噪声调
6、因此，本领域技术人员致力于开发一种基于arima与灰色预报模型的顾及随机项的gps卫星钟差预报方法，旨在解决现有技术中存在的缺陷问题。
技术实现思路
1、有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题是目前现有技术中，面对卫星钟差数据中呈非平稳变化趋势的随机项，即输入的钟差时间序列中的不确定项，如白噪声调相、白噪声调频、闪变噪声调相、闪变噪声调频和随机游走调频噪声，现有技术手段，无法准确的提供卫星钟差值，从而无法进行准确的gps卫星钟差预报。
2、为实现上述目的，本专利技术一种基于arima与灰色预报模型的顾及随机项的gps卫星钟差预报方法，包括如下步骤：
3、步骤1、卫星钟差观测数据预处理；
4、步骤2、采用gm(1,1)预报模型提取经过步骤1预处理后的数据的卫星钟差序列的趋势项；
5、步骤3、采用arima预报模型对gm(1,1)模型的模型残差建模；
6、步骤4、将步骤2得到的趋势项序列和步骤3得到的的随机项序列对应相加，即得到卫星钟差序列最终的预报值；
7、所述步骤1、gps卫星钟差观测数据的数值相对较大，往往容易掩盖其中所含有的粗差等异常数据；
8、所述步骤1、在在分析和处理钟差数据异常之前，对于获得的原始gps卫星钟差观测数据，要进行相频数据转换；
9、所述步骤1完成相频数据转换后的频率数据作为描述频率源内部参数的基本观测量，可以方便地用于源数据异常值判断和处理；
10、所述步骤1进行gps卫星钟差观测数据预处理所处理的异常数据主要有：相位跳变、频率跳变、数据间断、数据粗查；
11、所述步骤1对于相位数据的跳变，则是对跳变前后讲行分段预报，在频率稳定性分析的时候剔除相位跳变点；
12、所述步骤1对于频率跳变的处理，也是将频率跳变前后分成两段进行处理，剔除相关的频率跳变点；
13、所述步骤1对于数据间断的处理，可以对原始相位或频率数据进行绘图分析、估计频率漂移的大小时需要在丢失数据的时刻插入该断点数据；
14、所述步骤1对于数据粗查的处理，可以采用中位数方法和抗差估计方法；
15、步骤2、采用gm(1,1)预报模型提取经过步骤1预处理后的数据的卫星钟差序列的趋势项；
16、所述步骤2在经过gm(1,1)预报模型得到gps卫星钟差序列的趋势项后，对所得到的趋势项进行外推预报；
17、所述步骤2中的灰色系统理论中gm(1,1)预报模型是是由一个仅包含单变量的一阶微分方程所构成的预报模型；
18、所述步骤2采用gm(1,1)预报模型可以设序列为：
19、x(0)＝{x(0)(1),x(0)(2),…,x(0)(n)}
20、所述步骤2对上述预设的序列进行一次累加后，即可得到新的序列，如下：
21、
22、所述步骤2，对进行累加的x(1)序列建立一阶微分方程，即可得如下方程式：
23、
24、所述一阶微分方程式中，参数ɑ为发展系数；参数为灰作用量；
25、所述步骤2对建立一阶微分方程进行离散化，可以得到矩阵方程，所得到的矩阵方程如下：
26、
27、所述步骤2中，对矩阵方程可利用最小二乘法得到矩阵方程的最小二乘解，所述最小二乘解如下：
28、
29、所述步骤2中，将得到的最小二乘解代入对累加序列建立的一阶微分方程，则可得到预报模型；
30、所述预报模型如下：
31、
32、所述步骤2的预报模型式中，κ为参与预报序列的个数；
33、步骤3、采用arima预报模型对gm(1,1)模型的模型残差建模；
34、所述步骤3采用arima预报模型对gm(1,1)模型的模型残差建模即是对gps卫星钟差的随机项部分进行建模；
35、所述步骤3、在完成对gps卫星钟差的随机项部分进行建模后，对建模结果进行外推预报；
36、所述步骤3中所采用的arima(p，d，q)预报模型可以直接适用于平稳时间序列的预报；对于非平稳时间序列的则需要转换为平稳时间序列；
37、所述步骤3中，对于非平稳时间序列，需要进行d次差分将非平稳时间序列转化为平稳时间序列然后对平稳时间序列进行模型定阶和模型参数的估计；
38、所述步骤3中在完成对非平稳时间序列的模型定阶和模型参数的估计后，还需选择合适的模型阶数，以建立arima模型进行预报；
39、所述步骤3中，设有一非平稳时间序列zt，经过d次差分运算已经转化为平稳时间序列xt，然后对序列xt建立arma(p，q)模型，则可以定义为下式：
40、xt＝φ1xt-1+φ2xt-2+…+φpxt-p+εt-θ1εt-1-θ2εt-2-…--θqεt-q
41、式中，当p＝0时，上式为ma(q)模型，当q＝0时，上式为ar(p)模型；
42、所述步骤3中，可以根据时间序列散点图、自相关函数、偏相关函数和adf单位根检验其方差、趋势变化规律从而对序列的平稳性进行识别；
本文档来自技高网...【技术保护点】
1.一种基于ARIMA与灰色预报模型的顾及随机项的GPS卫星钟差预报方法，其特征在于，包括如下步骤：
2.如权利要求1所述顾及随机项的GPS卫星钟差预报方法，其特征在于，
3.如权利要求1所述顾及随机项的GPS卫星钟差预报方法，其特征在于，
4.如权利要求1所述顾及随机项的GPS卫星钟差预报方法，其特征在于，
5.如权利要求1所述顾及随机项的GPS卫星钟差预报方法，其特征在于，
6.如权利要求1所述顾及随机项的GPS卫星钟差预报方法，其特征在于，
7.如权利要求1所述顾及随机项的GPS卫星钟差预报方法，其特征在于，
8.如权利要求1所述顾及随机项的GPS卫星钟差预报方法，其特征在于，
9.如权利要求1所述顾及随机项的GPS卫星钟差预报方法，其特征在于，
10.如权利要求1所述顾及随机项的GPS卫星钟差预报方法，其特征在于，
【技术特征摘要】
1.一种基于arima与灰色预报模型的顾及随机项的gps卫星钟差预报方法，其特征在于，包括如下步骤：
2.如权利要求1所述顾及随机项的gps卫星钟差预报方法，其特征在于，
3.如权利要求1所述顾及随机项的gps卫星钟差预报方法，其特征在于，
4.如权利要求1所述顾及随机项的gps卫星钟差预报方法，其特征在于，
5.如权利要求1所述顾及随机项的gps卫星钟差预报方法，其特...
【专利技术属性】
技术研发人员：于烨，贾维敏，金伟，赵建伟，李义红，王连锋，
申请(专利权)人：中国人民解放军火箭军工程大学，
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。