基于深度学习GRU模型的电离层总电子含量预报

发布时间：2021-10-09 11:59

　　针对TEC时间序列高噪声、非平稳、包含了线性和非线性的动态序列的特性,以IGS提供的2015年时间间隔为1 h的全年电离层TEC值为序列样本数据,基于深度学习GRU模型,建立一种提前24 h的电离层TEC值预报模型,包括模型的结构设计、模型训练和预测过程的实现算法。实验结果显示,GRU模型能很好地反映电离层TEC的变化特性,在低、中、高纬度地区平均预报残差分别为2.30个TECu、1.29个TECu和2.02个TECu,预测平均相对精度分别为88.5%、87.5%和78%。 

【文章来源】：测绘与空间地理信息. 2020,43(S1)

【文章页数】：4 页

【部分图文】：

RNN模型及循环层内部结构图

GRU模型结构示意图

1)首先将原始TEC时间序列F0={f1,f1，…，f1}划分为训练集Ftr={f1,f1，…，fm}和测试集Fte={f1,f1，…，f1}。然后对训练集中的元素ft进行Z-score标准化(均值为0，标准差为1)得到标准化后的训练集为Ftr"={f1",f2"，…，fm"}，标准化公式为:式中，μ为原始TEC时间序列的均值;σ为原始TEC时间序列的标准差;t满足1≤t≤m。

【参考文献】：
期刊论文
[1]GRU神经网络短期电力负荷预测研究[J]. 周莽,高僮,李晨光,姜辰龙.  科技创新与应用. 2018(33)
[2]GRU递归神经网络对股票收盘价的预测研究[J]. 黎镭,陈蔼祥,李伟书,梁伟琪,杨思桐.  计算机与现代化. 2018(11)
[3]基于深度学习递归神经网络的电离层总电子含量经验预报模型[J]. 袁天娇,陈艳红,刘四清,龚建村.  空间科学学报. 2018(01)
[4]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生.  北京航空航天大学学报. 2018(04)
[5]基于Holt-Winters的电离层总电子含量预报[J]. 谢劭峰,陈军,黄良珂,吴丕团,秦旭元,刘立龙.  大地测量与地球动力学. 2017(01)
[6]电离层总电子数预报方法研究[J]. 王建敏,黄佳鹏,祝会忠,马天明.  测绘科学. 2016(12)
[7]2015年4月20日花莲MW6.4级地震震前电离层TEC异常[J]. 曹华东,郭金运,李旺,高昭良,吴增铭.  地球物理学进展. 2016(05)
[8]自回归移动平均模型的电离层总电子含量短期预报[J]. 张小红,任晓东,吴风波,芦琪.  测绘学报. 2014(02)
[9]利用EMD方法改进电离层TEC预报模型[J]. 汤俊,姚宜斌,陈鹏,张顺.  武汉大学学报(信息科学版). 2013(04)
[10]震前电离层TEC异常探测新方法[J]. 张小红,任晓东,吴风波,陈玉阳.  地球物理学报. 2013(02)

博士论文
[1]模糊神经网络的性能及其学习算法研究[D]. 何春梅.南京理工大学 2010



本文编号：3426330