基于LSTM神经网络与GNSS历史观测数据的TEC预报方法

摘要

本申请涉及空间环境预测技术领域，尤其涉及一种基于LSTM神经网络与GNSS历史观测数据的TEC预报方法，包括：获取待预报区域在周期内的TEC关系参数；TEC关系参数包括以下参数中的至少一种：太阳辐射指数和地磁指数；将TEC关系参数输入预先训练的LSTM神经网络预测模型，得到待预报区域在周期内的TEC预报结果；LSTM神经网络预测模型为时间序列预测模型，TEC预报结果的时间分辨率为小时，和/或，天。且本申请中在LSTM神经网络预测模型的训练过程中基于多种方式评估预测效果；评估方式包括：基于多种评估指数进行评估和基于标准模型预测结果进行评估。本申请中的技术方案采用LSTM神经网络对TEC进行预测，通过LSTM神经网络更容易捕获时间序列的长期变化特征，预报结果更准确。

说明书

技术领域

本申请涉及空间环境预测技术领域，尤其涉及一种基于LSTM（Long Short-TermMemory，长短期记忆网络）神经网络与GNSS（Global Navigation Satellite System，全球导航卫星系统）历史观测数据的TEC（Total Electron Content，电离层电子总含量）预报方法。

背景技术

电离层与人类生存环境有着密切关系，影响着人们的生产生活。电离层处于复杂的日地空间环境中，受太阳极紫外辐射、高能粒子、太阳风、行星际磁场等各方面的作用和影响。近年来基于无线电技术的全球卫星导航系统成功地应用于许多行业，例如地理数据采集、高精度测量以及车辆监控和导航服务等等。而地球电离层可以导致相对于真空环境的附加延迟，所以电离层的扰动将对导航、定位、授时等以无线电传播为基础的空间应用系统的精度造成严重影响。目前现有技术中还不能有效地解决电离层引起的信号延迟问题，所以正确描述电离层及其扰动已经成为导航遥感以及相关领域的热点方向。而TEC则是卫星时代开始之后最常用的也是最重要的电离层参数。采用GNSS观测获取电离层TEC参数是当前使用最为广泛的方法之一。

现有的IRI（International Reference Ionosphere，国际参考电离层）经验模型，以太阳辐射指数和地磁活动指数作为输入，模拟生成TEC的预报结果，但是这些模拟结果往往与观测结果有较大的差异。

发明内容

为至少在一定程度上克服相关技术中的IRI经验模型的模拟结果与观测结果有较大差异的问题，本申请提供一种基于LSTM神经网络与GNSS历史观测数据的TEC预报方法。

本申请的方案如下：

一种基于LSTM神经网络与GNSS历史观测数据的TEC预报方法，包括：

获取待预报区域在周期内的TEC关系参数；所述TEC关系参数包括以下参数中的至少一种：太阳辐射指数和地磁指数；

将所述TEC关系参数输入预先训练的LSTM神经网络预测模型，得到待预报区域在周期内的TEC预报结果；所述LSTM神经网络预测模型为时间序列预测模型，所述TEC预报结果的时间分辨率为小时，和/或，天；

其中，所述LSTM神经网络预测模型在训练过程中基于多种方式评估预测效果；评估方式包括：基于多种评估指数进行评估和基于标准模型预测结果进行评估。

优选地，所述方法还包括：

获取GNSS历史观测数据作为样本数据；

对所述样本数据进行插值与平滑处理；

筛选待预报区域的样本数据中的太阳辐射指数、地磁指数和TEC数据作为待处理数据集；其中，太阳辐射指数和地磁指数作为训练时的输入数据，TEC数据作为训练时的输出数据；

将所述待处理数据集进行归一化处理，得到待划分数据集；

将所述待划分数据集划分为训练集、验证集和测试集；

在Pytorch深度学习框架下搭建LSTM神经网络，基于预设迭代次数，通过所述训练集和所述验证集训练所述LSTM神经网络。

优选地，所述方法还包括：

在所述LSTM神经网络训练完成后，基于多种评估指数对所述LSTM神经网络的预测结果进行评估；所述评估指数至少包括：在训练集上的损失、在验证集上的损失、均方误差、预测值和真实值的差值平均值、预测值和真实值的误差百分比和标准差。

优选地，所述方法还包括：

在所述LSTM神经网络训练完成后，基于IRI经验模型的预测结果对所述LSTM神经网络的预测结果进行评估。

优选地，所述方法还包括：

根据训练集中数据的时间分辨率设定迭代次数。

优选地，根据训练集中数据的时间分辨率设定迭代次数，包括：

若训练集中数据的时间分辨率为小时，则迭代次数设定为第一数值；

若训练集中数据的时间分辨率为天，则迭代次数设定为第二数值，且所述第二数值小于所述第一数值。

优选地，将所述待划分数据集划分为训练集、验证集和测试集，包括：

将所述待划分数据集的前95%划分为训练集和验证集，将所述待划分数据集的后5%划分为测试集；且使所述验证集占所述训练集的15%。

优选地，基于IRI经验模型的预测结果对所述LSTM神经网络的预测结果进行评估，包括：

将LSTM神经网络的预测结果、IRI经验模型的预测结果与TEC真实值录入坐标系，得到第一对比展示图；

将LSTM神经网络的预测结果和IRI经验模型的预测结果分别与TEC真实值的差值录入坐标系，得到第二对比展示图；

将LSTM神经网络的预测结果和IRI经验模型的预测结果分别与TEC真实值的误差百分比录入坐标系，得到第三对比展示图；

根据所述第一对比展示图、所述第二对比展示图和所述第三对比展示图对所述LSTM神经网络的预测结果进行评估。

本申请提供的技术方案可以包括以下有益效果：本申请中的基于LSTM神经网络与GNSS历史观测数据的TEC预报方法，包括：获取待预报区域在周期内的TEC关系参数；TEC关系参数包括以下参数中的至少一种：太阳辐射指数和地磁指数；将TEC关系参数输入预先训练的LSTM神经网络预测模型，得到待预报区域在周期内的TEC预报结果；LSTM神经网络预测模型为时间序列预测模型，TEC预报结果的时间分辨率为小时，和/或，天。本申请中的技术方案采用LSTM神经网络对TEC进行预测，由于TEC属于时间变化特征的空间环境参数，通过LSTM 神经网络更容易捕获时间序列的长期变化特征，预报结果更准确。且本申请中在LSTM神经网络预测模型的训练过程中基于多种方式评估预测效果；评估方式包括：基于多种评估指数进行评估和基于标准模型预测结果进行评估。本申请中通过多种评估方式来对训练得到的LSTM神经网络预测模型进行择优筛选，使得最终得到的LSTM神经网络预测模型具有更好的预测性能。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是本申请一个实施例提供的一种基于LSTM神经网络与GNSS历史观测数据的TEC预报方法的流程示意图；

图2是本申请一个实施例提供的一种基于LSTM神经网络与GNSS历史观测数据的TEC预报方法中训练LSTM神经网络模型的流程示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

图1是本申请一个实施例提供的一种基于LSTM神经网络与GNSS历史观测数据的TEC预报方法的流程示意图，参照图1，一种基于LSTM神经网络与GNSS历史观测数据的TEC预报方法，包括：

S11：获取待预报区域在周期内的TEC关系参数；TEC关系参数包括以下参数中的至少一种：太阳辐射指数和地磁指数；

S12：将TEC关系参数输入预先训练的LSTM神经网络预测模型，得到待预报区域在周期内的TEC预报结果；LSTM神经网络预测模型为时间序列预测模型，TEC预报结果的时间分辨率为小时，和/或，天；

其中，LSTM神经网络预测模型在训练过程中基于多种方式评估预测效果；评估方式包括：基于多种评估指数进行评估和基于标准模型预测结果进行评估。

需要说明的是，本实施例中的技术方案涉及空间环境预测技术领域，具体为LSTM神经网络在TEC预测中的应用。

需要说明的是，待预报区域可以为以省、市、县为单位的地表区域，也可以为卫星任务环境或子午地基台站上空环境。

需要说明的是，TEC关系参数优选为太阳辐射指数和地磁指数，在其他实施例中也可以选用其他参数作为LSTM神经网络预测模型的输入。

需要说明的是，LSTM 是RNN（Recurrent Neural Network，循环神经网络）的一个变种，它解决了RNN训练过程中出现的梯度弥散和梯度爆炸问题。相较于原始的RNN，LSTM的每个细胞单元都有三个门结构，它们分别是输入门、遗忘门和输出门。这些“门”起到了选择信息通过的作用。

数据进入LSTM 网络后，首先会经过输入门，它决定哪些新的信息“输入”到当前的状态，然后经过遗忘门，它会“遗忘”掉一些不重要的信息，最后经过输出门，它决定哪些信息会被“输出”到下一个细胞单元，LSTM 更容易捕获时间序列的长期变化特征。

可以理解的是，本实施例中的基于LSTM神经网络与GNSS历史观测数据的TEC预报方法，包括：获取待预报区域在周期内的TEC关系参数；TEC关系参数包括以下参数中的至少一种：太阳辐射指数和地磁指数；将TEC关系参数输入预先训练的LSTM神经网络预测模型，得到待预报区域在周期内的TEC预报结果；LSTM神经网络预测模型为时间序列预测模型，TEC预报结果的时间分辨率为小时，和/或，天。本实施例中的技术方案采用LSTM神经网络对TEC进行预测，由于TEC属于时间变化特征的空间环境参数，通过LSTM 神经网络更容易捕获时间序列的长期变化特征，预报结果更准确。且本实施例中在LSTM神经网络预测模型的训练过程中基于多种方式评估预测效果；评估方式包括：基于多种评估指数进行评估和基于标准模型预测结果进行评估。本实施例中通过多种评估方式来对训练得到的LSTM神经网络预测模型进行择优筛选，使得最终得到的LSTM神经网络预测模型具有更好的预测性能。

图2是本申请一个实施例提供的一种基于LSTM神经网络与GNSS历史观测数据的TEC预报方法中训练LSTM神经网络模型的流程示意图，参照图2，方法还包括：

S21：获取GNSS历史观测数据作为样本数据；

S22：对样本数据进行插值与平滑处理；

S23：筛选待预报区域的样本数据中的太阳辐射指数、地磁指数和TEC数据作为待处理数据集；其中，太阳辐射指数和地磁指数作为训练时的输入数据，TEC数据作为训练时的输出数据；

S24：将待处理数据集进行归一化处理，得到待划分数据集；

S25：将待划分数据集划分为训练集、验证集和测试集；

S26：在Pytorch深度学习框架下搭建LSTM神经网络，基于预设迭代次数，通过训练集和验证集训练LSTM神经网络模型。

在具体实践中，获取2000年1月1日至今期间的全球GNSS观测数据作为样本数据。

可以理解的是，本实施例中对样本数据进行插值与平滑处理，以便消除空缺数据的影响。

在具体实践中，以广东省为例，需要筛选以北纬20°至26°、东经109°至118°的空间范围内的样本数据中的太阳辐射指数、地磁指数和TEC数据作为待处理数据集。

可以理解的是，数据归一化常用于机器学习的预处理阶段，当数据集的特征间具有不同的值范围时，数据归一化非常必要，数据归一化的目的是使特征具有相同的度量尺度。

可以理解的是，根据数据量的大小划分训练集、验证集和测试集，训练集和验证集用于输入LSTM网络进行训练。设置待划分数据集中的前95%为训练数据，验证集占训练数据的15%，其余部分为训练集，测试集为待划分数据集的后5%。

在Pytorch深度学习框架下搭建LSTM神经网络，并基于预设迭代次数，通过训练集和验证集训练LSTM神经网络模型。

在迭代次数方面，根据训练集中数据的时间分辨率设定迭代次数，包括：

若训练集中数据的时间分辨率为小时，则迭代次数设定为第一数值；

若训练集中数据的时间分辨率为天，则迭代次数设定为第二数值，且所述第二数值小于所述第一数值。

在具体实践中，训练集中数据的时间分辨率为小时，则迭代次数设定为200次，若训练集中数据的时间分辨率为天，则迭代次数设定为230次。

若训练集中数据的时间分辨率为小时，本实施例中可以训练得到输出结果的时间分辨率为小时的第一类LSTM神经网络预测模型；若训练集中数据的时间分辨率为天，本实施例中可以训练得到输出结果的时间分辨率为天的第二类LSTM神经网络预测模型；本实施例中也可以将第一类LSTM神经网络预测模型和第二类LSTM神经网络预测模型进行结合得到输出结果的时间分辨率同时包括小时和天的第三类LSTM神经网络预测模型。

可以理解的是，由于第一类LSTM神经网络预测模型和第二类LSTM神经网络预测模型的训练集不同，对应的最优解的迭代次数也不同。

在具体实践中，以广东为例，广东地区的第二类LSTM神经网络预测模型比第一类LSTM神经网络预测模型表现地更好一些，本实施例中可以根据第一类LSTM神经网络预测模型和第二类LSTM神经网络预测模型在待预测区域的表现来确定选用哪类LSTM神经网络预测模型。

需要说明的是，方法还包括：

在LSTM神经网络训练完成后，基于多种评估指数对LSTM神经网络的预测结果进行评估；评估指数至少包括：在训练集上的损失、在验证集上的损失、均方误差、预测值和真实值的差值平均值、预测值和真实值的误差百分比和标准差。

可以理解的是，本实施例中通过多种评估方式来对训练得到的LSTM神经网络预测模型进行择优筛选，使得最终得到的LSTM神经网络预测模型具有更好的预测性能。

需要说明的是，方法还包括：

在LSTM神经网络训练完成后，基于IRI经验模型的预测结果对LSTM神经网络的预测结果进行评估。

基于IRI经验模型的预测结果对LSTM神经网络的预测结果进行评估，具体包括：

将LSTM神经网络的预测结果、IRI经验模型的预测结果与TEC真实值录入坐标系，得到第一对比展示图；

将LSTM神经网络的预测结果和IRI经验模型的预测结果分别与TEC真实值的差值录入坐标系，得到第二对比展示图；

将LSTM神经网络的预测结果和IRI经验模型的预测结果分别与TEC真实值的误差百分比录入坐标系，得到第三对比展示图；

根据第一对比展示图、第二对比展示图和第三对比展示图对LSTM神经网络的预测结果进行评估。

在具体实践中，通过第一对比展示图和第二对比展示图可以确认模型输出的预测值的变化趋势。通过第二对比展示图可以确认LSTM神经网络的预测结果和IRI经验模型的预测结果分别与TEC真实值的差值，在LSTM神经网络的预测结果与TEC真实值的差值在-15～15之间时，表示预测效果良好。

通过第三对比展示图可以确认LSTM神经网络的预测结果和IRI经验模型的预测结果分别与TEC真实值的误差百分比，在LSTM神经网络的预测结果与TEC真实值的误差百分比在10%到40%之间时，表示预测效果良好。

可以发现广东地区小时平均TEC的真实值和预测值的误差百分比大部分在10%到40%之间，预测效果良好。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。