基于偏最小二乘算法的BDS-2/BDS-3卫星钟差短期预报

摘要

针对机器学习算法在卫星钟差短期预报应用中训练数据量最佳确定、算法有效性评估研究较少的问题,以武汉大学IGS数据中心连续15d33颗事后BDS-2/BDS-3精密卫星钟差产品为例,基于钟差相位数据的偏最小二乘(PLS)、基于钟差相位数据一次差分的偏最小二乘(DPLS)、长短期记忆网络(LSTM)模型进行了BDS-2/BDS-3卫星钟差短期预报。实验结果表明:首先,选择第15天数据为测试样本,前14天距第15天最近的连续n d数据为训练样本时,n为8时,PLS模型预报性能达到最优;n为1、3、8时DPLS预报性能达到相对最优;n为11时LSTM预报性能最优;PLS、DPLS模型的预报效率较优,而LSTM预报效率较差,最大预报耗时分别为0.25s、0.90s、198.65min;随着测试样本的增加,LSTM模型的预报耗时显著增加,而其他两个模型预报耗时基本没有变化;其次,连续14d的短期预报(当前1天为训练样本,后1天为测试样本)结果表明,DPLS较PLS与LSTM模型,6h预报时长下,均方根误差(RMS)分别提升了31.26%、39.66%,极差(Range)分别改善了26.34%、40.30%,24h预报时长下,RMS分别提升了33.48%、42.68%,Range分别改善了29.77%、42.95%。