日长变化预报模型的训练方法、日长变化预报方法及装置

摘要

本申请公开了一种日长变化预报模型的训练方法、日长变化预报方法及装置。所述训练方法包括：基于预设拟合算法对第一历史日长变化序列进行拟合，并基于得到的第一拟合曲线确定第一拟合残差序列和第一目标时间点的日长外推值，第一拟合残差序列包括多个第一历史时间点各自对应的拟合残差；基于第一目标时间点的日长外推值及日长实际值，确定第一目标时间点对应的拟合残差；基于与第一拟合残差序列匹配的嵌入维数及延迟时间，对第一拟合残差序列进行相空间重构，得到第一相空间表示；以第一相空间表示作为训练样本、以第一目标时间点对应的拟合残差作为训练样本对应的标签，对日长变化预报模型进行训练。

说明书

技术领域

本申请涉及计算机技术领域，尤其涉及一种日长变化预报模型的训练方法、日长变化预报方法及装置。

背景技术

地球自转速率变化，长期变化表现为地球自转速度缓慢变小，周期项由几天到几十年不等，这种现象被称为日长(Length of Day)变化。日长变化是一种重要的地球自转参数(Earth Rotation Parameters，ERP)，是地球参考系和天球参考系之间相互转换的必要参数，在深空探测、深空卫星导航和卫星定位等领域有着重要应用。地球自转运动受到海洋、大气洋流、地壳、地核和地幔等综合作用的影响，呈现出复杂的非线性变化，但由空间测量技术获取的日长变化却不能实时得到。

深空探测及空间导航等领域的高速发展对日长变化的需求日益增加，因此，亟需一种针对日长变化的高精度预报方案。

发明内容

本申请实施例的目的是提供一种日长变化预报模型的训练方法、日长变化预报方法及装置，用于实现日长变化的高精度预报。

为了实现上述目的，本申请实施例采用下述技术方案：

第一方面，本申请实施例提供一种日长变化预报模型的训练方法，包括：

基于预设拟合算法对第一历史日长变化序列进行拟合，并基于得到的第一拟合曲线确定第一拟合残差序列和第一目标时间点的日长外推值，其中，所述第一历史日长变化序列包括多个第一历史时间点的日长实际值，所述第一拟合残差序列包括所述多个第一历史时间点各自对应的拟合残差；

基于所述第一目标时间点的日长外推值及日长实际值，确定所述第一目标时间点对应的拟合残差；

基于与所述第一拟合残差序列匹配的嵌入维数及延迟时间，对所述第一拟合残差序列进行相空间重构，得到第一相空间表示；

以所述第一相空间表示作为训练样本、以所述第一目标时间点对应的拟合残差作为所述训练样本对应的标签，对所述日长变化预报模型进行训练。

可以看出，本申请实施例中，利用日长变化序列通常包含有明显的线性趋势项和主要周期项的特点，基于预设拟合算法对第一历史日长变化序列进行拟合，得到的第一拟合曲线能够反映出日长变化趋势，进而能够用于进行日长预测；其次，考虑日长变化序列还具有明显的非线性特征，而预设拟合算法无法充分利用日长变化序列的非线性特征，仅依据第一拟合曲线进行日长变化预报所得的预报结果精度不高，对此，利用各个时间点的日长拟合值和日长实际值之间的残差能够反映出拟合精度，基于第一拟合曲线进行外推得到第一目标时间点的日长外推值，并基于第一目标时间点的日长外推值和日长实际值，确定第一目标时间点对应的拟合残差，利用包括多个第一历史时间点的日长拟合值与日长实际值之间的残差的第一拟合残差序列及第一目标时间点对应的拟合残差训练日长变化预报模型，使日长变化预报模型能够充分学习第一历史日长变化序列的非线性特征，从而能够进行残差预报，而后利用日长变化预报模型预报的残差和基于预设拟合算法拟合外推得到的日长外推值，即可得到准确的日长预报值；进一步，考虑到日长变化时间序列具有总体呈现确定性但又具有随机性的特点，在对日长变化预报模型进行训练时，还基于与第一拟合残差序列匹配的嵌入维数及延迟时间，对第一拟合曲线与第一历史日长变化序列之间的拟合残差进行相空间重构，可以挖掘出第一历史日长变化序列中隐藏的规律，得到的相空间表示保留了第一历史日长变化序列中更多潜在特征信息，而后，利用得到的相空间表示作为训练样本、以第一目标时间点对应的拟合残差作为训练样本对应的标签，对日长变化预报模型进行训练，有利于日长变化预测模型学习更多知识，进一步提高日长变化预测模型的残差预报准确率，从而实现对日长变化的高精度预报。

第二方面，本申请实施例提供一种日长变化预报方法，包括：

基于预设拟合算法对第二历史日长变化序列进行拟合，并基于得到的第二拟合曲线确定第二拟合残差序列和第二目标时间点的日长外推值，其中，所述第二历史日长变化序列包括多个第二历史时间点的日长实际值，所述第二拟合残差序列包括所述多个第二历史时间点各自对应的拟合残差；

基于与所述第二拟合残差序列匹配的嵌入维数和延迟时间，对所述第二拟合残差序列进行相空间重构，得到第三相空间表示；

将所述第三相空间表示输入预先训练的日长变化预报模型，以得到所述第二目标时间点的预报残差，所述日长变化预报模型是基于第一拟合残差序列的第一相空间表示和第一目标时间点的拟合残差进行训练得到的，所述第一拟合残差序列为对第一历史日长变化序列进行拟合得到，第一目标时间点的拟合残差为基于所述第一目标时间点的日长外推值及日长实际值确定，所述第一目标时间点的日长外推值为对所述第一历史日长变化序列进行拟合和外推得到；

基于所述第二目标时间点的日长外推值及预报残差，确定所述第二目标时间点的日长预报值。

可以看出，本申请实施例中，利用日长变化序列通常包含有明显的线性趋势项和主要周期项的特点，基于预设拟合算法对第二历史日长变化序列进行拟合，得到的第二拟合曲线能够反映出日长变化趋势，进而基于第二拟合曲线进行外推得到第二目标时间点的日长外推值；其次，考虑日长变化序列还具有明显的非线性特征，而预设拟合算法无法充分利用日长变化序列的非线性特征，仅依据第一拟合曲线进行日长变化预报所得的预报结果精度不高，而训练出的日长变化预报模型能够基于历史时间点的拟合残差准确预报未来时间点的残差，对此，基于包括多个第二历史时间点的日长拟合值与日长实际值之间的残差的第二拟合残差序列和日长变化预报模型，即可得到第二目标时间点的预报残差，而后基于第二目标时间点的预报残差和日长外推值，即可准确预报第二目标时间点的日长；此外，考虑到日长变化时间序列具有总体呈现确定性但又具有随机性的特点，在利用日长变化预报模型进行残差预报时，还基于与第二拟合残差序列匹配的嵌入维数及延迟时间，对第二拟合残差序列进行相空间重构，可以挖掘出第二历史日长变化序列中隐藏的规律，得到的相空间表示保留了第二历史日长变化序列中更多潜在特征信息，而后，将得到的相空间表示输入日长变化预报模型，使得得到的第二目标时间点的预报残差更准确，从而实现对日长变化的高精度预报。

第三方面，本申请实施例提供一种日长变化预报模型的训练装置，包括：

第一拟合模块，用于基于预设拟合算法对第一历史日长变化序列进行拟合，并基于得到的第一拟合曲线确定第一拟合残差序列和第一目标时间点的日长外推值，其中，所述第一历史日长变化序列包括多个第一历史时间点的日长实际值，所述第一拟合残差序列用于表示所述第一拟合曲线与所述第一历史日长变化序列之间的拟合残差；

第一确定模块，用于基于所述第一目标时间点的日长外推值及日长实际值，确定所述第一目标时间点对应的拟合残差；

第一重构模块，用于基于与所述第一拟合残差序列匹配的嵌入维数及延迟时间，对所述第一拟合残差序列进行相空间重构，得到第一相空间表示；

训练模块，用于以所述第一相空间表示作为训练样本、以所述第一目标时间点对应的拟合残差作为所述训练样本对应的标签，对所述日长变化预报模型进行训练。

第四方面，本申请实施例提供一种日长变化预报装置，包括：

第二拟合模块，用于基于预设拟合算法对第二历史日长变化序列进行拟合，并基于得到的第二拟合曲线确定第二拟合残差序列和第二目标时间点的日长外推值，其中，所述第二历史日长变化序列包括多个第二历史时间点的日长实际值，所述第二拟合残差序列用于表示所述第二拟合曲线与所述第二历史日长变化序列之间的拟合残差；

第二重构模块，用于基于与所述第二拟合残差序列匹配的嵌入维数和延迟时间，对所述第二拟合残差序列进行相空间重构，得到第三相空间表示；

第一预报模块，用于将所述第三相空间表示输入预先训练的日长变化预报模型，以得到所述第二目标时间点的预报残差，所述日长变化预报模型是基于第一拟合残差序列的第一相空间表示和第一目标时间点的拟合残差进行训练得到的，所述第一拟合残差序列为对第一历史日长变化序列进行拟合得到，第一目标时间点的拟合残差为基于所述第一目标时间点的日长外推值及日长实际值确定，所述第一目标时间点的日长外推值为对所述第一历史日长变化序列进行拟合和外推得到；

第二预报模块，用于基于所述第二目标时间点的日长外推值及预报残差，确定所述第二目标时间点的日长预报值。

第五方面，本申请实施例提供一种电子设备，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如第一方面或第二方面所述的方法。

第六方面，本申请实施例提供一种计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如第一方面或第二方面所述的方法。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请的一个实施例提供的一种日长变化预报模型的训练方法的流程示意图；

图2为本申请的另一个实施例提供的一种日长变化预报模型的训练方法的流程示意图；

图3为本申请的一个实施例提供的一种日长变化预报模型的结构示意图；

图4为本申请的一个实施例提供的一种日长变化预报方法的流程示意图；

图5为本申请的另一个实施例提供的一种日长变化预报方法的流程示意图；

图6为本申请的一个实施例提供的一种日长变化预报模型的训练装置的结构示意图；

图7为本申请的一个实施例提供的一种日长变化预报装置的结构示意图；

图8为本申请的一个实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应理解，这样使用的数据在适当情况下可以互换，以便本申请实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，本说明书和权利要求书中“和/或”表示所连接对象的至少其中之一，字符“/”一般表示前后关联对象是一种“或”的关系。

为了实现对日长变化的高精度预报，本申请实施例旨在提供一种日长变化预报模型的训练方案，利用日长变化序列通常包含有明显的线性趋势项和主要周期项的特点，基于预设拟合算法对第一历史日长变化序列进行拟合，得到的第一拟合曲线能够反映出日长变化趋势，进而能够用于进行日长预测；其次，考虑日长变化序列还具有明显的非线性特征，而预设拟合算法无法充分利用日长变化序列的非线性特征，仅依据第一拟合曲线进行日长变化预报所得的预报结果精度不高，对此，利用各个时间点的日长拟合值和日长实际值之间的残差能够反映出拟合精度，基于第一拟合曲线进行外推得到第一目标时间点的日长外推值，并基于第一目标时间点的日长外推值和日长实际值，确定第一目标时间点对应的拟合残差，利用包括多个第一历史时间点的日长拟合值与日长实际值之间的残差的第一拟合残差序列及第一目标时间点对应的拟合残差训练日长变化预报模型，使日长变化预报模型能够充分学习第一历史日长变化序列的非线性特征，从而能够进行残差预报，而后利用日长变化预报模型预报的残差和基于预设拟合算法拟合外推得到的日长外推值，即可得到准确的日长预报值；进一步，考虑到日长变化时间序列具有总体呈现确定性但又具有随机性的特点，在对日长变化预报模型进行训练时，还基于与第一拟合残差序列匹配的嵌入维数及延迟时间，对第一拟合曲线与第一历史日长变化序列之间的拟合残差进行相空间重构，可以挖掘出第一历史日长变化序列中隐藏的规律，得到的相空间表示保留了第一历史日长变化序列中更多潜在特征信息，而后，利用得到的相空间表示作为训练样本、以第一目标时间点对应的拟合残差作为训练样本对应的标签，对日长变化预报模型进行训练，有利于日长变化预测模型学习更多知识，进一步提高日长变化预测模型的残差预报准确率，从而实现对日长变化的高精度预报。

本申请实施例还提供一种日长变化预报方案，利用日长变化序列通常包含有明显的线性趋势项和主要周期项的特点，基于预设拟合算法对第二历史日长变化序列进行拟合，得到的第二拟合曲线能够反映出日长变化趋势，进而基于第二拟合曲线进行外推得到第二目标时间点的日长外推值；其次，考虑日长变化序列还具有明显的非线性特征，而预设拟合算法无法充分利用日长变化序列的非线性特征，仅依据第一拟合曲线进行日长变化预报所得的预报结果精度不高，而训练出的日长变化预报模型能够基于历史时间点的拟合残差准确预报未来时间点的残差，对此，基于包括多个第二历史时间点的日长拟合值与日长实际值之间的残差的第二拟合残差序列和日长变化预报模型，即可得到第二目标时间点的预报残差，而后基于第二目标时间点的预报残差和日长外推值，即可准确预报第二目标时间点的日长；此外，考虑到日长变化时间序列具有总体呈现确定性但又具有随机性的特点，在利用日长变化预报模型进行残差预报时，还基于与第二拟合残差序列匹配的嵌入维数及延迟时间，对第二拟合残差序列进行相空间重构，可以挖掘出第二历史日长变化序列中隐藏的规律，得到的相空间表示保留了第二历史日长变化序列中更多潜在特征信息，而后，将得到的相空间表示输入日长变化预报模型，使得得到的第二目标时间点的预报残差更准确，从而实现对日长变化的高精度预报。

应理解，本申请实施例提供的日长变化预报模型的训练方法和日长变化预报模型均可以由电子设备或安装在电子设备中的软件执行，具体可以由终端设备或服务端设备执行。

以下结合附图，详细说明本申请各实施例提供的技术方案。

请参见图1，为本申请的一个实施例提供的一种日长变化预报模型的训练方法的流程示意图，该方法可以包括如下步骤：

S102，基于预设拟合算法对第一历史日长变化序列进行拟合，并基于拟合得到的第一拟合曲线确定第一拟合残差序列和第一目标时间点的日长外推值。

其中，第一历史日长变化序列包括多个第一历史时间点的日长实际值。由于日长变化序列通常包含有明显的线性趋势项和主要周期项，基于预设拟合算法对第一历史日长变化序列进行拟合，即可得到能够反映出日长变化趋势的第一拟合曲线。

其中，第一拟合残差序列包括多个第一历史时间点各自对应的拟合残差，第一历史时间点对应的拟合残差用于表示第一历史时间点的日长实际值与第一历史时间点在第一拟合曲线上对应的日长拟合值之间的差值。

在上述S102中，基于第一拟合曲线进行外推，即可得到第一目标时间点的日长外推值，以及针对各个第一历史时间点，基于该第一历史时间点在第一拟合曲线上对应的日长拟合值与该第一历史时间点的日长实际值之间的差值，即可得到该第一历史时间点对应的拟合残差；进一步，基于各个第一历史时间点对应的拟合残差，即可生成第一拟合残差序列。

考虑到固体潮和海潮是地球自转变化的主要激发因素之一，为了获得更加精确的日长预报结果，可选地，如图2所示，在对第一历史日长变化序列进行拟合之前，还可以扣除第一历史日长变化序列中的谐潮项，以得到不受谐潮项影响的第一历史日长变化序列，即修正后的第一历史日长变化序列，具体而言，第一历史日长变化序列中的谐潮项可依据IERS2010规范扣除。相应地，在上述S102中，基于预设拟合算法对修正后的第一历史日长变化序列进行拟合，得到第一拟合曲线。

进一步，在基于拟合得到的第一拟合曲线得到第一拟合残差序列之后，还可对第一拟合残差序列进行归一化处理，具体采用的归一化处理方法可以包括本领域常用的各种归一化方法，本申请实施例对此不作限定。

实际应用中，预设拟合算法可以采用本领域任意适当的、能够对时间序列进行拟合的算法，具体可根据实际需要进行选择，本申请实施例对此不作限定。可选地，考虑到最小二乘法(Least squares，LS)可以较好地提取时间序列中的周期成分，而第一历史日长变化序列包含有明显的主要周期项，基于此，预设拟合算法可以包括最小二乘法，从而能够更准确地对第一历史日长变化序列拟合，有利于提高外推精度。具体而言，利用最小二乘法对第一历史日长变化序列进行外推的具体实现如下公式(1)所示：

其中，f(t)表示时间点t的日长外推值，a

S104，基于第一目标时间点的日长外推值及日长实际值，确定第一目标时间点对应的拟合残差。

具体而言，可将第一目标时间点的日长外推值与日长实际值之间的差值，确定为第一目标时间点对应的拟合残差。

S106，基于与第一拟合残差序列匹配的嵌入维数和延迟时间，对第一拟合残差序列进行相空间重构，得到第一相空间表示。

相空间的实质是根据一组有限长度的时间序列来构造的可恢复原始动力系统的状态空间，在相空间中，任意分量的演化过程，都是由与之相关的其他分量影响的。因此，在重构的相空间中，每个分量的变化过程都隐藏着整个系统的演化信息。

在本申请实施例中，考虑到日长变化时间序列具有总体呈现确定性但又具有随机性的特点，在对日长变化预报模型进行训练时，还基于与第一拟合残差序列匹配的嵌入维数及延迟时间，对第一拟合曲线与第一历史日长变化序列之间的拟合残差进行相空间重构，从而挖掘出第一历史日长变化序列中隐藏的规律，使得得到的相空间表示保留了第一历史日长变化序列中更多潜在特征信息，有利于使日长变化预报模型能够学习更多知识，进而有利于提高日长变化预报模型的预报准确率，实现对日长变化的高精度预报。此外，延迟时间和嵌入维数关乎重构空间的质量，进而关乎的后续日长变化预报模型的预报精度，为此，基于与第一拟合残差序列匹配的嵌入维数和延迟时间，对第一拟合残差序列进行相空间重构，使得得到高质量的第一相空间表示。

在一种可选的实现方式中，为对第一拟合残差序列进行高质量的相空间重构，上述S106具体可实现为：针对第一拟合残差序列中的各个拟合残差，基于与第一拟合残差序列匹配的嵌入维数及延迟时间，将该拟合残差重构为相空间中的向量表示，进一步，基于第一拟合残差序列中各个拟合残差在相空间中的向量表示，生成第一相空间表示。

例如，以第一拟合残差序列{x

在本申请实施例中，与第一拟合残差序列匹配的嵌入维数和延迟时间可通过任意适当的方式确定，具体可根据实际需要进行选择，本申请实施例对此不作限定。在一种可选的实现方式中，考虑到嵌入维数和延迟时间具有强相关性，为了准确确定出与第一拟合残差序列匹配的嵌入维数和延迟时间，可采用C-C算法确定嵌入维数和延迟时间。具体而言，上述S106可以包括：

S161，将第一拟合残差序列拆分为多个互不相交的子序列。

具体而言，仍以上述第一拟合残差序列{x

其中，x

S162，基于多个互不相交的子序列，确定第一拟合残差序列的关联积分。

其中，第一拟合残差序列的关联积分表示相空间中任意两个子序列之间的距离小于半径r的概率。

具体而言，第一拟合残差序列的关联积分可通过如下公式(4)确定：

其中，C(m,N,r,τ)第一拟合残差序列的关联积分，||X

S163，基于关联积分，确定第一拟合残差序列的检验统计量函数及检验统计量偏差函数。

具体而言，第一拟合残差序列的检验统计量函数如下公式(5)所示：

其中，S(m,N,r,τ)表示第一拟合残差序列的检验统计量函数，r表示嵌入维数，r表示半径，N表示第一拟合残差序列的长度，τ表示延迟时间，C

S164，基于检验统计量函数和多个候选嵌入维数，确定第一拟合残差序列的检验统计量均值和检验统计量偏差均值。

其中，第一拟合残差序列的检验统计量均值用于表示第一拟合残差序列在各个候选嵌入维数对应的检验统计量的平均值，第一拟合残差序列的检验统计量偏差均值用于表示第一拟合残差序列在各个候选嵌入维数对应的检验统计量偏差的平均值。

根据BDS(Brock-Dechert-Scheinkman)统计理论，如果时间序列{x

ΔS(m,τ)＝max{S(m,r

其中，ΔS(m,τ)表示检验统计量偏差，其表示了S(m,r,τ)～τ对所有半径r的检验统计量偏差中的最大值。

应用BDS统计得到S中各参数的合理取值，一般取N＝3000、m＝2～5、r＝k·σ/2、k≤3，σ是该序列的均方差。故可得最终得到检验统计量均值和检验统计量偏差均值如下：

其中，

S165，基于检验统计量均值和/或检验统计量偏差均值，确定与第一拟合残差序列匹配的延迟时间。

具体而言，可以将

S166，基于延迟时间与嵌入维数之间的预设映射关系以及与第一拟合残差序列匹配的延迟时间，确定与第一拟合残差序列匹配的嵌入维数。

具体而言，延迟时间与嵌入维数之间的预设映射关系可以为：τ

本申请实施例在此示出了上述S106的一种具体实现方式。当然，应理解，上述S106也可以采用其他的方式实现，本申请实施例对此不作限定。

由于混沌系统对运动初始状态比较敏感，随着时间的更迭混沌时间序列长期变得逐步不可预测，而混沌序列又是确定性和随机性有机统一的时间序列，其运动的状态在初期发散较小，所以混沌又短期可预测。基于此，在本申请的另一个实施例中，如图2所示，在上述S106之前，还对第一拟合残差序列进行混沌特性判断，以识别第一拟合残差序列是否属于混沌时间序列，进而在第一拟合残差序列为混沌时间序列的情况下，基于与第一拟合残差序列匹配的嵌入维数及延迟时间，对第一拟合残差序列进行相空间重构，以便挖出第一历史日长变化序列中更多隐藏的规律，使得得到的相空间表示能够保留第一历史日长变化序列中更多潜在特征信息，进一步提高日长变化预报模型的预报准确率。

本申请实施例中，可采用任意适当的方式判断第一拟合残差序列是否为混沌时间序列，具体可根据实际需要进行选择，本申请实施例对此不作限定。由于Lyapunov指数表征的是动力系统在相空间中相邻点之间在轨道中演化的规律，该指数大于0则表示轨道发散，基于此，如图2所示，在一种可选的实现方式中，可以对第一拟合残差序列的Lyapunov指数进行混沌判别。具体而言，可基于预设嵌入维数和预设延迟时间，对第一拟合残差序列进行相空间重构，得到第二相空间表示；接着，基于最小数据量法和第二相空间表示，确定第一拟合残差序列的Lyapunov指数；进一步，基于第一拟合残差序列的Lyapunov指数，确定第一拟合残差序列是否为混沌时间序列。

更为具体地，若第一拟合残差序列的Lyapunov指数中存在大于0的Lyapunov指数或者最大Lyapunov指数大于0，则可确定第一拟合残差序列为混沌时间序列。

需要说明的是，基于最小数据量法和第二相空间表示，确定第一拟合残差序列的Lyapunov指数，可采用本领域常用的各种方式实现，在此不再详细说明。

S108，以第一相空间表示作为训练样本、以第一目标时间点对应的拟合残差作为训练样本对应的标签，对日长变化预报模型进行训练。

考虑日长变化序列还具有明显的非线性特征，而预设拟合算法无法充分利用日长变化序列的非线性特征，仅依据第一拟合曲线进行日长变化预报所得的预报结果精度不高，对此，可以第一相空间表示作为训练样本、以第一目标时间点对应的拟合残差作为训练样本对应的标签，对日长变化预报模型进行训练，使得日长变化预报模型能够充分学习第一历史日长变化序列的非线性特征，从而能够进行残差预报，而后利用日长变化预报模型预报的残差和基于预设拟合算法拟合外推得到的日长外推值，即可得到准确的日长预报值。

在一种可选的实现方式中，如图2所示，上述S108具体可实现为：

S181，将训练样本输入日长变化预报模型，以得到第一目标时间点的预报残差。

将第一相空间表示输入日长变化预报模型，由日长变化预报模型基于第一相空间表示进行残差预报，即可得到第一目标时间点的预报残差。其中，第一目标时间点的预报残差用于表示第一目标时间点的日长预报值与日长实际值之间的偏差，其能够反映针对第一目标时间点进行日长预报的精度。

S182，基于第一目标时间点的预报残差和训练样本对应的标签，确定日长变化预报模型的预报损失。

其中，日长变化预报模型的预报损失用于表征日长变化预报模型针对输入的训练样本输出的预报残差与输入的训练样本对应的标签之间的差异，其可以表征日长预报模型的残差预报精度。

具体而言，由于第一目标时间点的预报残差是以相空间表示的，为准确确定日长变化预报模型的预报损失，可将第一相空间表示对应的标签进行相空间重构，进而基于第一目标时间点的预报残差及第一相空间表示对应的标签各自对应的相空间表示，确定日长变化预报模型的预报损失。

例如，与上述对第一拟合残差序列进行相空间重构的方式类似，第一相空间表示T如下所示：

类似地，可得到第一相空间表示对应的标签的相空间表示，即：

其中，D表示第一相空间表示对应的标签的相空间表示，N表示第一拟合残差序列的长度，τ表示延迟时间。

需要说明的是，实际应用中，日长变化预报模型的预报损失可基于平均绝对误差(Mean Absolute Error，MAE)表示、绝对误差(Absolute Error，AE)等表示，也即：

AE

其中，p

可以理解的是，利用相空间重构的训练样本及其对应的标签同时具备了出传统的递推模式(即每一次预报的结果均需要上一步预报的预报值作为输入数据)和间隔模式(即在预报时采用降采样处理的间隔数据进行预报)的优点，即在预报过程中仅需要训练得到一个日长变化预报模型便可以实现序列的多步预报，具有较高的预报效率，以及训练的日长变化预报模型较为简单，可以迅速收敛，预报速率较快等，并且延迟时间和嵌入维数可以根据公式求解得到，大大减少了人为参与网络训练的过程，提高了网络的自主预报和自适应能力。

S183，基于日长变化预报模型的预报损失，优化日长变化预报模型的模型参数。

其中，日长变化预报模型的模型参数具体可以包括但不限于：日长变化预报模型中各网络层中的节点数量、不同网络层中节点之间的连接关系及连接权值、各网络层中的节点对应的阈值等。

为得到高预报精度的日长变化预报模型，可采用误差反向传播(BackPropagation，BP)算法，基于日长变化预报模型的预报损失，调整日长变化预报模型的模型参数。

更为具体地，在调整日长变化预报模型的模型参数时，可基于日长变化预报模型的预报损失和各网络层当前的相关参数，采用误差反向传播算法确定各网络层引起的预报损失；然后，以使日长变化预报模型的预报损失下降为目标，逐层调整各网络层的相关参数。

需要说明的是，上述过程仅为一次调整过程，实际应用中，可能需要进行多次调整，因而可重复上述步骤S181至S183多次，直到满足预设训练停止条件，由此得到最终的日长变化预报模型。其中，预设训练停止条件可以是日长变化预报模型的预报损失小于预设损失阈值，或者，也可以是调整次数达到预设次数等，本申请实施例对此不作限定。

本申请实施例在此示出了上述S108的一种具体实现方式。当然，应理解，上述S108也可以采用其他的方式实现，本申请实施例对此不作限定。

本申请实施例中，日长变化预报模型可以具有任意适当结构的结构，具体可以根据实际需要进行设置，本申请实施例对此不作限定。考虑到反向传播神经网络在非线性序列预报中有着天然的优势，在一种可选的实现方式中，日长变化预报模型可以包括反向传播神经网络，具体而言，如图3所示，日长变化预报模型可以包括输入层、输出层和隐含层。

为了在满足预报精度的条件下，尽可能减少隐含层中的神经元数量，从而尽量训练出结构紧凑的网络结构，在上述S108之前，上述实施例所述的方法还可以包括：基于与第一拟合残差序列匹配的延迟时间，确定反向传播神经网络中输入层及输出层各自包含的神经元个数；基于输入层及输出层各自包含的神经元个数，确定反向传播神经网络中隐含层包含的神经元个数；基于反向传播神经网络中输入层、输出层及隐含层各自包含的神经元个数，构建日长变化预报模型。

具体而言，为准确提取第一相空间表示中隐藏的非线性特征，可将输入层中的神经元个数确定为与延迟时间相等，进一步可基于输入层中的神经元个数确定输出层中的神经元个数，例如，如图3所示，第一相空间表示的延迟时间为τ，则可确定输入层中的神经元个数为τ；由于隐含层中的神经元个数与输入层中的神经元个数及输出层中的神经元个数存在相关性，因而可确定隐含层中的神经元个数为

本申请实施例提供的日长变化预报模型的训练方法，利用日长变化序列通常包含有明显的线性趋势项和主要周期项的特点，基于预设拟合算法对第一历史日长变化序列进行拟合，得到的第一拟合曲线能够反映出日长变化趋势，进而能够用于进行日长预测；其次，考虑日长变化序列还具有明显的非线性特征，而预设拟合算法无法充分利用日长变化序列的非线性特征，仅依据第一拟合曲线进行日长变化预报所得的预报结果精度不高，对此，利用各个时间点的日长拟合值和日长实际值之间的残差能够反映出拟合精度，基于第一拟合曲线进行外推得到第一目标时间点的日长外推值，并基于第一目标时间点的日长外推值和日长实际值，确定第一目标时间点对应的拟合残差，利用包括多个第一历史时间点的日长拟合值与日长实际值之间的残差的第一拟合残差序列及第一目标时间点对应的拟合残差训练日长变化预报模型，使日长变化预报模型能够充分学习第一历史日长变化序列的非线性特征，从而能够进行残差预报，而后利用日长变化预报模型预报的残差和基于预设拟合算法拟合外推得到的日长外推值，即可得到准确的日长预报值；进一步，考虑到日长变化时间序列具有总体呈现确定性但又具有随机性的特点，在对日长变化预报模型进行训练时，还基于与第一拟合残差序列匹配的嵌入维数及延迟时间，对第一拟合曲线与第一历史日长变化序列之间的拟合残差进行相空间重构，可以挖掘出第一历史日长变化序列中隐藏的规律，得到的相空间表示保留了第一历史日长变化序列中更多潜在特征信息，而后，利用得到的相空间表示作为训练样本、以第一目标时间点对应的拟合残差作为训练样本对应的标签，对日长变化预报模型进行训练，有利于日长变化预测模型学习更多知识，进一步提高日长变化预测模型的残差预报准确率，从而实现对日长变化的高精度预报。

基于本申请上述实施例所示的日长变化预报模型的训练方法，训练得到的日长变化预报模型可用于预报日长变化。下面对基于日长变化预报模型的应用过程进行详细说明。

本申请实施例还提供一种日长变化预报方法，能够基于图1所示方法训练出的日长变化预报模型进行日长变化预报。请参见图4，为本申请的一个实施例提供的一种日长变化预报方法的流程示意图，该方法可以包括如下步骤：

S402，基于预设拟合算法对第二历史日长变化序列进行拟合，并基于拟合得到的第二拟合曲线确定第二拟合残差序列和第二目标时间点的日长外推值。

其中，第二历史日长变化序列包括多个第二历史时间点的日长实际值。由于日长变化序列通常包含有明显的线性趋势项和主要周期项，基于预设拟合算法对第二历史日长变化序列进行拟合，即可得到能够反映出日长变化趋势的第二拟合曲线。

其中，第二拟合残差序列包括多个第二历史时间点各自对应的拟合残差，第二历史时间点对应的拟合残差用于表示第二历史时间点的日长实际值与第二历史时间点在第二拟合曲线上对应的日长拟合值之间的差值。

上述S402的具体实现方式与上述S102的具体实现方式相似，具体可参见上述S102的描述，在此不再详细说明。

考虑到固体潮和海潮是地球自转变化的主要激发因素之一，为了获得更加精确的预报结果，可选地，如图5所示，在对第二历史日长变化序列进行拟合之前，还可以扣除第二历史日长变化序列中的谐潮项，以得到不受谐潮项影响的第二历史日长变化序列，即修正后的第二历史日长变化序列，具体而言，第二历史日长变化序列中的谐潮项可依据IERS2010规范扣除。相应地，在上述S402中，基于预设拟合算法对修正后的第二历史日长变化序列进行拟合，得到第二拟合曲线。

进一步，在基于拟合得到的第二拟合曲线得到第二拟合残差序列之后，还可对第一拟合残差序列进行归二化处理，具体采用的归一化处理方法可以包括本领域常用的各种归一化方法，本申请实施例对此不作限定。

实际应用中，预设拟合算法可以采用本领域任意适当的、能够对时间序列进行拟合的算法，具体可根据实际需要进行选择，本申请实施例对此不作限定。可选地，考虑到最小二乘法(Least squares，LS)可以较好地提取时间序列中的周期成分，而第一历史日长变化序列包含有明显的主要周期项，基于此，预设拟合算法可以包括最小二乘法，从而能够更准确地对第一历史日长变化序列拟合，有利于提高外推精度。

S404，基于与第二拟合残差序列匹配的其嵌入维数和延迟时间，对第二拟合残差序列进行相空间重构，得到第三相空间表示。

上述S404的具体实现方式与上述S106的具体实现方式相似，具体可参见上述S106的描述，在此不再详细说明。

由于混沌系统对运动初始状态比较敏感，随着时间的更迭混沌时间序列长期变得逐步不可预测，而混沌序列又是确定性和随机性有机统一的时间序列，其运动的状态在初期发散较小，所以混沌又短期可预测。基于此，在本申请的另一个实施例中，如图5所示，在上述S404之前，还对第二拟合残差序列进行混沌特性判断，以识别第二拟合残差序列是否属于混沌时间序列，进而在第二拟合残差序列为混沌时间序列的情况下，基于与第二拟合残差序列匹配的嵌入维数及延迟时间，对第二拟合残差序列进行相空间重构，以便挖出第二历史日长变化序列中更多隐藏的规律，使得得到的相空间表示能够保留第二历史日长变化序列中更多潜在特征信息，进一步提高日长变化预报模型的预报准确率。

本申请实施例中，对第二拟合残差序列进行混沌性判别的方式，与上述图1所示实施例中对第一拟合残差序列进行混沌特性判别的方式类似，具体可参见上述图1所示实施例中对第一拟合残差序列进行混沌特性判别的具体实现方式，在此不再详细说明。

S406，将第三相空间表示输入预先训练的日长变化预报模型，以得到第二目标时间点的预报残差。

其中，日长变化预报模型是基于第一拟合残差序列的第一相空间表示和第一目标时间点的拟合残差进行训练得到的，所述第一拟合残差序列为对第一历史日长变化序列进行拟合得到，第一目标时间点的拟合残差为基于所述第一目标时间点的日长外推值及日长实际值确定，所述第一目标时间点的日长外推值为对所述第一历史日长变化序列进行拟合和外推得到。

第二目标时间点的预报残差用于表征第二目标时间点的日长预报值与日长实际值之间的偏差。由于报训练出的日长变化预报模型能够基于历史时间点的拟合残差准确预报未来时间点的残差，对此，将第三相空间表示输入日长变化预报模型，即可得到第二目标时间点的预报残差。

S408，基于第二目标时间点的日长外推值及预报残差，确定第二目标时间点的日长预报值。

具体而言，如图5所示，将第二目标时间点的日长外推值与预报残差相加，即可得到第二目标时间点的日长预报值。

可选地，如图5所述，考虑到固体潮和海潮是地球自转变化的主要激发因素之一，为了获得更加精确的日长预报结果，在将第二目标时间点的日长外推值与预报残差相加之后，还可在所得结果中增加第二历史日长变化序列中的谐潮项，将增加谐潮项之后的结果确定为第二目标时间点的日长预报值。

本申请实施例提供的日长变化预报方法，利用日长变化序列通常包含有明显的线性趋势项和主要周期项的特点，基于预设拟合算法对第二历史日长变化序列进行拟合，得到的第二拟合曲线能够反映出日长变化趋势，进而基于第二拟合曲线进行外推得到第二目标时间点的日长外推值；其次，考虑日长变化序列还具有明显的非线性特征，而预设拟合算法无法充分利用日长变化序列的非线性特征，仅依据第一拟合曲线进行日长变化预报所得的预报结果精度不高，而训练出的日长变化预报模型能够基于历史时间点的拟合残差准确预报未来时间点的残差，对此，基于包括多个第二历史时间点的日长拟合值与日长实际值之间的残差的第二拟合残差序列和日长变化预报模型，即可得到第二目标时间点的预报残差，而后基于第二目标时间点的预报残差和日长外推值，即可准确预报第二目标时间点的日长；此外，考虑到日长变化时间序列具有总体呈现确定性但又具有随机性的特点，在利用日长变化预报模型进行残差预报时，还基于与第二拟合残差序列匹配的嵌入维数及延迟时间，对第二拟合残差序列进行相空间重构，可以挖掘出第二历史日长变化序列中隐藏的规律，得到的相空间表示保留了第二历史日长变化序列中更多潜在特征信息，而后，将得到的相空间表示输入日长变化预报模型，使得得到的第二目标时间点的预报残差更准确，从而实现对日长变化的高精度预报。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

此外，与上述图1所示的日长变化预报模型的训练方法相对应地，本申请实施例还提供一种日长变化预报模型的训练装置。请参见图6，为本申请的一个实施例提供的一种日长变化预报模型的训练装置的结构示意图，该装置600包括：

第一拟合模块610，用于基于预设拟合算法对第一历史日长变化序列进行拟合，并基于得到的第一拟合曲线确定第一拟合残差序列和第一目标时间点的日长外推值，其中，所述第一历史日长变化序列包括多个第一历史时间点的日长实际值，所述第一拟合残差序列用于表示所述第一拟合曲线与所述第一历史日长变化序列之间的拟合残差；

第一确定模块620，用于基于所述第一目标时间点的日长外推值及日长实际值，确定所述第一目标时间点对应的拟合残差；

第一重构模块630，用于基于与所述第一拟合残差序列匹配的嵌入维数及延迟时间，对所述第一拟合残差序列进行相空间重构，得到第一相空间表示；

训练模块640，用于以所述第一相空间表示作为训练样本、以所述第一目标时间点对应的拟合残差作为所述训练样本对应的标签，对所述日长变化预报模型进行训练。

本申请实施例提供的日长变化预报模型的训练装置，利用日长变化序列通常包含有明显的线性趋势项和主要周期项的特点，基于预设拟合算法对第一历史日长变化序列进行拟合，得到的第一拟合曲线能够反映出日长变化趋势，进而能够用于进行日长预测；其次，考虑日长变化序列还具有明显的非线性特征，而预设拟合算法无法充分利用日长变化序列的非线性特征，仅依据第一拟合曲线进行日长变化预报所得的预报结果精度不高，对此，利用各个时间点的日长拟合值和日长实际值之间的残差能够反映出拟合精度，基于第一拟合曲线进行外推得到第一目标时间点的日长外推值，并基于第一目标时间点的日长外推值和日长实际值，确定第一目标时间点对应的拟合残差，利用包括多个第一历史时间点的日长拟合值与日长实际值之间的残差的第一拟合残差序列及第一目标时间点对应的拟合残差训练日长变化预报模型，使日长变化预报模型能够充分学习第一历史日长变化序列的非线性特征，从而能够进行残差预报，而后利用日长变化预报模型预报的残差和基于预设拟合算法拟合外推得到的日长外推值，即可得到准确的日长预报值；进一步，考虑到日长变化时间序列具有总体呈现确定性但又具有随机性的特点，在对日长变化预报模型进行训练时，还基于与第一拟合残差序列匹配的嵌入维数及延迟时间，对第一拟合曲线与第一历史日长变化序列之间的拟合残差进行相空间重构，可以挖掘出第一历史日长变化序列中隐藏的规律，得到的相空间表示保留了第一历史日长变化序列中更多潜在特征信息，而后，利用得到的相空间表示作为训练样本、以第一目标时间点对应的拟合残差作为训练样本对应的标签，对日长变化预报模型进行训练，有利于日长变化预测模型学习更多知识，进一步提高日长变化预测模型的残差预报准确率，从而实现对日长变化的高精度预报。

可选地，所述第一重构模块包括：

第一重构子模块，用于针对所述第一拟合残差序列中的各个拟合残差，基于与所述第一拟合残差序列匹配的嵌入维数及延迟时间，将所述拟合残差重构为相空间中的向量表示；

第一生成子模块，用于基于所述第一拟合残差序列中的各个拟合残差在相空间中的向量表示，生成所述第一相空间表示。

可选地，所述装置600还包括：

拆分子模块，用于在所述重构模块基于与所述第一拟合残差序列匹配的嵌入维数及延迟时间，对所述第一拟合残差序列进行相空间重构之前，将所述第一拟合残差序列拆分为多个互不相交的子序列；

关联积分确定子模块，用于基于所述多个互不相交的子序列，确定所述第一拟合残差序列的关联积分；

第一统计子模块，用于基于所述关联积分，确定所述第一拟合残差序列的检验统计量函数及检验统计量偏差函数；

第二统计子模块，用于基于所述检验统计量函数和多个候选嵌入维数，确定所述第一拟合残差序列的检验统计量均值和检验统计量偏差均值，其中，所述检验统计量均值用于表示所述第一拟合残差序列在各个候选嵌入维数对应的检验统计量的平均值，所述检验统计量偏差均值用于表示所述第一拟合残差序列在各个候选嵌入维数对应的检验统计量偏差的平均值；

延迟时间确定子模块，用于基于所述检验统计量均值和/或所述检验统计量偏差均值，确定与所述第一拟合残差序列匹配的延迟时间；

嵌入维数确定子模块，用于基于延迟时间与嵌入维数之间的预设映射关系以及与所述第一拟合残差序列匹配的延迟时间，确定与所述第一拟合残差序列匹配的嵌入维数。

可选地，所述装置600还包括：

第三重构模块，用于在所述第一重构模块基于与所述第一拟合残差序列匹配的嵌入维数及延迟时间，对所述第一拟合残差序列进行相空间重构之前，基于预设嵌入维数和预设延迟时间，对所述第一拟合残差序列进行相空间重构，得到第二相空间表示；

指数确定模块，用于基于最小数据量法和所述第二相空间表示，确定所述第一拟合残差序列的Lyapunov指数；

混沌判别模块，用于基于所述第一拟合残差序列的Lyapunov指数，确定所述第一拟合残差序列是否为混沌时间序列；

所述第一重构模块，用于若所述第一拟合残差序列为混沌时间序列，则基于与所述第一拟合残差序列匹配的嵌入维数及延迟时间，对所述第一拟合残差序列进行相空间重构。

可选地，所述训练模块包括：

残差预报子模块，用于将所述训练样本输入所述日长变化预报模型，以得到所述第一目标时间点的预报残差；

损失确定子模块，用于基于所述第一目标时间点的预报残差和所述训练样本对应的标签，确定所述日长变化预报模型的预报损失；

优化子模块，用于基于所述日长变化预报模型的预报损失，优化所述日长变化预报模型的模型参数。

可选地，所述日长变化预报模型包括反向传播神经网络；

所述装置600还包括：

第一神经元确定子模块，用于在所述训练模块以所述第一相空间表示作为训练样本、以所述第一目标时间点对应的拟合残差作为所述训练样本对应的标签，对所述日长变化预报模型进行训练之前，基于与第一拟合残差序列匹配的延迟时间，确定所述反向传播神经网络中输入层及输出层各自包含的神经元个数；

第二神经元确定子模块，用于基于所述输入层及输出层各自包含的神经元个数，确定所述反向传播神经网络中隐含层包含的神经元个数；

构建子模块，用于基于所述反向传播神经网络中输入层、输出层及隐含层各自包含的神经元个数，构建所述日长变化预报模型。

可选地，所述预设拟合算法包括最小二乘法。

显然，本申请实施例提供的日长变化预报模型的训练装置可以作为上述图1所示的日长变化预报模型的训练方法的执行主体，因此能够实现日长变化预报模型的训练方法在图1所实现的功能。由于原理相同，在此不再重复说明。

此外，与图4所示的日长变化预报方法相对应地，本申请实施例还提供一种日长变化预报装置。请参见图7，为本申请的一个实施例提供的一种日长变化预报装置的结构示意图，该装置700可以包括：

第二拟合模块710，用于基于预设拟合算法对第二历史日长变化序列进行拟合，并基于得到的第二拟合曲线确定第二拟合残差序列和第二目标时间点的日长外推值，其中，所述第二历史日长变化序列包括多个第二历史时间点的日长实际值，所述第二拟合残差序列用于表示所述第二拟合曲线与所述第二历史日长变化序列之间的拟合残差；

第二重构模块720，用于基于与所述第二拟合残差序列匹配的嵌入维数和延迟时间，对所述第二拟合残差序列进行相空间重构，得到第三相空间表示；

第一预报模块730，用于将所述第三相空间表示输入预先训练的日长变化预报模型，以得到所述第二目标时间点的预报残差，所述日长变化预报模型是基于第一拟合残差序列的第一相空间表示和第一目标时间点的拟合残差进行训练得到的，所述第一拟合残差序列为对第一历史日长变化序列进行拟合得到，第一目标时间点的拟合残差为基于所述第一目标时间点的日长外推值及日长实际值确定，所述第一目标时间点的日长外推值为对所述第一历史日长变化序列进行拟合和外推得到；

第二预报模块740，用于基于所述第二目标时间点的日长外推值及预报残差，确定所述第二目标时间点的日长预报值。

本申请实施例提供的日长变化预报装置，利用日长变化序列通常包含有明显的线性趋势项和主要周期项的特点，基于预设拟合算法对第二历史日长变化序列进行拟合，得到的第二拟合曲线能够反映出日长变化趋势，进而基于第二拟合曲线进行外推得到第二目标时间点的日长外推值；其次，考虑日长变化序列还具有明显的非线性特征，而预设拟合算法无法充分利用日长变化序列的非线性特征，仅依据第一拟合曲线进行日长变化预报所得的预报结果精度不高，而训练出的日长变化预报模型能够基于历史时间点的拟合残差准确预报未来时间点的残差，对此，基于包括多个第二历史时间点的日长拟合值与日长实际值之间的残差的第二拟合残差序列和日长变化预报模型，即可得到第二目标时间点的预报残差，而后基于第二目标时间点的预报残差和日长外推值，即可准确预报第二目标时间点的日长；此外，考虑到日长变化时间序列具有总体呈现确定性但又具有随机性的特点，在利用日长变化预报模型进行残差预报时，还基于与第二拟合残差序列匹配的嵌入维数及延迟时间，对第二拟合残差序列进行相空间重构，可以挖掘出第二历史日长变化序列中隐藏的规律，得到的相空间表示保留了第二历史日长变化序列中更多潜在特征信息，而后，将得到的相空间表示输入日长变化预报模型，使得得到的第二目标时间点的预报残差更准确，从而实现对日长变化的高精度预报。

显然，本申请实施例提供的日长变化预报装置可以作为上述图4所示的日长变化预报方法的执行主体，因此能够实现日长变化预报方法在图4所实现的功能。由于原理相同，在此不再重复说明。

图8是本申请的一个实施例电子设备的结构示意图。请参考图8，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成日长变化预报模型的训练装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：

基于预设拟合算法对第一历史日长变化序列进行拟合，并基于得到的第一拟合曲线确定第一拟合残差序列和第一目标时间点的日长外推值，其中，所述第一历史日长变化序列包括多个第一历史时间点的日长实际值，所述第一拟合残差序列用于表示所述第一拟合曲线与所述第一历史日长变化序列之间的拟合残差；

基于所述第一目标时间点的日长外推值及日长实际值，确定所述第一目标时间点对应的拟合残差；

基于与所述第一拟合残差序列匹配的嵌入维数及延迟时间，对所述第一拟合残差序列进行相空间重构，得到第一相空间表示；

以所述第一相空间表示作为训练样本、以所述第一目标时间点对应的拟合残差作为所述训练样本对应的标签，对所述日长变化预报模型进行训练。

或者，处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成日长变化预报装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：

基于预设拟合算法对第二历史日长变化序列进行拟合，并基于得到的第二拟合曲线确定第二拟合残差序列和第二目标时间点的日长外推值，其中，所述第二历史日长变化序列包括多个第二历史时间点的日长实际值，所述第二拟合残差序列用于表示所述第二拟合曲线与所述第二历史日长变化序列之间的拟合残差；

基于与所述第二拟合残差序列匹配的嵌入维数和延迟时间，对所述第二拟合残差序列进行相空间重构，得到第三相空间表示；

将所述第三相空间表示输入预先训练的日长变化预报模型，以得到所述第二目标时间点的预报残差，所述日长变化预报模型是基于第一拟合残差序列的第一相空间表示和第一目标时间点的拟合残差进行训练得到的，所述第一拟合残差序列为对第一历史日长变化序列进行拟合得到，第一目标时间点的拟合残差为基于所述第一目标时间点的日长外推值及日长实际值确定，所述第一目标时间点的日长外推值为对所述第一历史日长变化序列进行拟合和外推得到；

基于所述第二目标时间点的日长外推值及预报残差，确定所述第二目标时间点的日长预报值。

上述如本申请图1所示实施例揭示的日长变化预报模型的训练装置执行的方法或者上述如本申请图4所示实施例揭示的日长变化预报装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

该电子设备还可执行图1的方法，并实现日长变化预报模型的训练装置在图1所示实施例的功能，或者，该电子设备还可执行图4的方法，并实现日长变化预报装置在图4所示实施例的功能，本申请实施例在此不再赘述。

当然，除了软件实现方式之外，本申请的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1所示实施例的方法，并具体用于执行以下操作：

基于预设拟合算法对第一历史日长变化序列进行拟合，并基于得到的第一拟合曲线确定第一拟合残差序列和第一目标时间点的日长外推值，其中，所述第一历史日长变化序列包括多个第一历史时间点的日长实际值，所述第一拟合残差序列用于表示所述第一拟合曲线与所述第一历史日长变化序列之间的拟合残差；

基于所述第一目标时间点的日长外推值及日长实际值，确定所述第一目标时间点对应的拟合残差；

基于与所述第一拟合残差序列匹配的嵌入维数及延迟时间，对所述第一拟合残差序列进行相空间重构，得到第一相空间表示；

以所述第一相空间表示作为训练样本、以所述第一目标时间点对应的拟合残差作为所述训练样本对应的标签，对所述日长变化预报模型进行训练。

或者，能够使该便携式电子设备执行图4所示实施例的方法，并具体用于执行以下操作：

基于预设拟合算法对第二历史日长变化序列进行拟合，并基于得到的第二拟合曲线确定第二拟合残差序列和第二目标时间点的日长外推值，其中，所述第二历史日长变化序列包括多个第二历史时间点的日长实际值，所述第二拟合残差序列用于表示所述第二拟合曲线与所述第二历史日长变化序列之间的拟合残差；

基于与所述第二拟合残差序列匹配的嵌入维数和延迟时间，对所述第二拟合残差序列进行相空间重构，得到第三相空间表示；

将所述第三相空间表示输入预先训练的日长变化预报模型，以得到所述第二目标时间点的预报残差，所述日长变化预报模型是基于第一拟合残差序列的第一相空间表示和第一目标时间点的拟合残差进行训练得到的，所述第一拟合残差序列为对第一历史日长变化序列进行拟合得到，第一目标时间点的拟合残差为基于所述第一目标时间点的日长外推值及日长实际值确定，所述第一目标时间点的日长外推值为对所述第一历史日长变化序列进行拟合和外推得到；

基于所述第二目标时间点的日长外推值及预报残差，确定所述第二目标时间点的日长预报值。

总之，以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。