一种基于混沌理论和LSTM的GPS高程时间序列预测方法
发布时间：2021-07-10 21:31
为了进一步提高全球定位系统（GPS）进行噪声分析或形变监测的可靠性,根据高程时间序列的特点,提出1种基于混沌理论和长短期记忆神经网络（LSTM）的混合预测模型:对时间序列进行经验模态分解（EMD）并降噪,去除序列包含的白噪声部分;求取时间序列的延迟时间,嵌入维数以及李雅普诺夫指数,证明GPS高程站心坐标时间序列具有混沌特性;然后重构序列相空间;最后将相空间每1维特征向量作为LSTM的时间步输入网络进行训练,建立预测模型。实验结果表明,该方法能够提高预测的可靠性,且模型具有一定的泛化能力。
【文章来源】：导航定位学报. 2020,8(01)CSCD
【文章页数】：9 页
【部分图文】：
均方根误差（RMSE）对比
[10]则结合了混沌理论重构的多特征时间序列和GRNN方法，同时提高了RMSE和MAPE，说明了多特征预测的有效性。本文方法同样利用混沌理论构建多特征，但采用了LSTM进行预测：得到的MAPE为2.82%，说明预测值与真值相对误差小；而RMSE仅为0.0012，说明预测结果中异常点较少，其对应的观测值物理意义为站心坐标预测值与真值间的平均误差为1.2mm，这能够满足GPS静态数据后处理的精度要求、在所列方法中，预测效果为最佳。各方法对SHAO站30d最佳的滚动预测效果图见图11。图11SHAO站30d预测效果由图11可知：LSTM方法和LSTM+CNN方法预测点拟合的整体趋势较为平缓，对于序列的局部变化难以及时做出调整进行预测；而文献[10]和本文方法由于使用了多特征，使得预测结果对于单调性以及凹凸性发生变化的点更为敏感，预测的趋势更为准确。这也说明了为什么本文方法在训练时，虽然误差总体较小，但波动较大。2.3模型的泛化能力分析为说明本文提出的预测方法具有较好的泛化能力，本文针对WUHN站、LHAS站、BJFS站、XJSS站分别做了4种方法的预测实验，预测效果如图12所示。
1.9完成的。2.1预测模型的训练综合前文的分析，结合图1可知，重构后的时间序列共有2340d，每1天的数据有4个维度，实验选取了前2310d数据作为训练数据，剩余部分作为测试数据，并且通过网格搜索法选取预测模型超参数，最终选定隐层数量为32层，每1隐层中的LSTM神经元为30个，训练轮数为500轮，学习率为0.001，批尺寸为64个。模型的输入为重构后序列的第1~2309d数据，与之对应的输出标签为原始时间序列中第2~2310d数据，训练过程中各方法的损失函数收敛情况如图8所示。图8损失函数收敛由图8可知，在训练集上，所有方法的loss收敛都很快。其中LSTM方法的loss最大，收敛后有一定的波动，LSTM+CNN的loss较之更低，且较稳定。本文方法与文献[10]方法的loss大小明显小于前2种方法，说明在训练集上更容易学到序列的变化模式，效果优于前2种方法；不同在于本文方法loss波动较大，但总体看来loss略低于
【参考文献】：
期刊论文
[1]基于随机森林的长短期记忆网络气温预测[J]. 陶晔,杜景林. 计算机工程与设计. 2019(03)
[2]基于VMD和GRNN的混沌时间序列预测[J]. 杨洪军,徐娟娟,刘杰. 计算机仿真. 2019(03)
[3]基于数据挖掘的长短期记忆网络模型油井产量预测方法[J]. 谷建伟,周梅,李志涛,贾祥军,梁颖. 特种油气藏. 2019(02)
[4]时间序列预测方法综述[J]. 杨海民,潘志松,白玮. 计算机科学. 2019(01)
[5]GPS/PWV时间序列特征提取方法的研究[J]. 胡广保,叶世榕,张彦祥,夏朋飞,夏凤雨. 大地测量与地球动力学. 2019(01)
[6]GNSS坐标时间序列分析理论与方法及展望[J]. 姜卫平,王锴华,李昭,周晓慧,马一方,马俊. 武汉大学学报(信息科学版). 2018(12)
[7]基于灰色RBF神经网络的空气质量预测[J]. 方彦. 中国科技信息. 2018(22)
[8]长江上游径流混沌动力特性及其集成预测研究[J]. 周建中,彭甜. 长江科学院院报. 2018(10)
[9]缺失GPS时间序列的神经网络补全[J]. 尹玲,尹京苑,孙宪坤,梁诗明,宋先月,陈晨. 测绘科学技术学报. 2018(04)
[10]HHT-EEMD用于IGS站高程时间序列分析[J]. 施闯,牛玉娇,魏娜,楼益栋,张双成. 大地测量与地球动力学. 2018(07)
硕士论文
[1]GPS坐标时间序列中信号与噪声分析[D]. 李振宇.长安大学 2017
[2]基于混沌时间序列的航站楼离港旅客流量预测[D]. 郭圆圆.哈尔滨工业大学 2013
本文编号：3276701
【文章来源】：导航定位学报. 2020,8(01)CSCD
【文章页数】：9 页
【部分图文】：
均方根误差（RMSE）对比
[10]则结合了混沌理论重构的多特征时间序列和GRNN方法，同时提高了RMSE和MAPE，说明了多特征预测的有效性。本文方法同样利用混沌理论构建多特征，但采用了LSTM进行预测：得到的MAPE为2.82%，说明预测值与真值相对误差小；而RMSE仅为0.0012，说明预测结果中异常点较少，其对应的观测值物理意义为站心坐标预测值与真值间的平均误差为1.2mm，这能够满足GPS静态数据后处理的精度要求、在所列方法中，预测效果为最佳。各方法对SHAO站30d最佳的滚动预测效果图见图11。图11SHAO站30d预测效果由图11可知：LSTM方法和LSTM+CNN方法预测点拟合的整体趋势较为平缓，对于序列的局部变化难以及时做出调整进行预测；而文献[10]和本文方法由于使用了多特征，使得预测结果对于单调性以及凹凸性发生变化的点更为敏感，预测的趋势更为准确。这也说明了为什么本文方法在训练时，虽然误差总体较小，但波动较大。2.3模型的泛化能力分析为说明本文提出的预测方法具有较好的泛化能力，本文针对WUHN站、LHAS站、BJFS站、XJSS站分别做了4种方法的预测实验，预测效果如图12所示。
1.9完成的。2.1预测模型的训练综合前文的分析，结合图1可知，重构后的时间序列共有2340d，每1天的数据有4个维度，实验选取了前2310d数据作为训练数据，剩余部分作为测试数据，并且通过网格搜索法选取预测模型超参数，最终选定隐层数量为32层，每1隐层中的LSTM神经元为30个，训练轮数为500轮，学习率为0.001，批尺寸为64个。模型的输入为重构后序列的第1~2309d数据，与之对应的输出标签为原始时间序列中第2~2310d数据，训练过程中各方法的损失函数收敛情况如图8所示。图8损失函数收敛由图8可知，在训练集上，所有方法的loss收敛都很快。其中LSTM方法的loss最大，收敛后有一定的波动，LSTM+CNN的loss较之更低，且较稳定。本文方法与文献[10]方法的loss大小明显小于前2种方法，说明在训练集上更容易学到序列的变化模式，效果优于前2种方法；不同在于本文方法loss波动较大，但总体看来loss略低于
【参考文献】：
期刊论文
[1]基于随机森林的长短期记忆网络气温预测[J]. 陶晔,杜景林. 计算机工程与设计. 2019(03)
[2]基于VMD和GRNN的混沌时间序列预测[J]. 杨洪军,徐娟娟,刘杰. 计算机仿真. 2019(03)
[3]基于数据挖掘的长短期记忆网络模型油井产量预测方法[J]. 谷建伟,周梅,李志涛,贾祥军,梁颖. 特种油气藏. 2019(02)
[4]时间序列预测方法综述[J]. 杨海民,潘志松,白玮. 计算机科学. 2019(01)
[5]GPS/PWV时间序列特征提取方法的研究[J]. 胡广保,叶世榕,张彦祥,夏朋飞,夏凤雨. 大地测量与地球动力学. 2019(01)
[6]GNSS坐标时间序列分析理论与方法及展望[J]. 姜卫平,王锴华,李昭,周晓慧,马一方,马俊. 武汉大学学报(信息科学版). 2018(12)
[7]基于灰色RBF神经网络的空气质量预测[J]. 方彦. 中国科技信息. 2018(22)
[8]长江上游径流混沌动力特性及其集成预测研究[J]. 周建中,彭甜. 长江科学院院报. 2018(10)
[9]缺失GPS时间序列的神经网络补全[J]. 尹玲,尹京苑,孙宪坤,梁诗明,宋先月,陈晨. 测绘科学技术学报. 2018(04)
[10]HHT-EEMD用于IGS站高程时间序列分析[J]. 施闯,牛玉娇,魏娜,楼益栋,张双成. 大地测量与地球动力学. 2018(07)
硕士论文
[1]GPS坐标时间序列中信号与噪声分析[D]. 李振宇.长安大学 2017
[2]基于混沌时间序列的航站楼离港旅客流量预测[D]. 郭圆圆.哈尔滨工业大学 2013
本文编号：3276701
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/3276701.html
