[发明专利]基于深度循环神经网络的全球电离层电子总含量预测方法

说明书

本发明公开了一种基于深度循环神经网络的全球电离层电子总含量预测方法，包括训练阶段和预测阶段，训练阶段包括：1、采集全球电离层电子总含量热力图，经调整水平位置后构成原始图像序列；2、构建训练样本集；3、构建基于深度循环神经网络的全球电离层电子总含量预测模型，并利用训练样本集进行训练；预测阶段包括：4、每天采集K张全球电离层电子总含量热力图，连续采集t天；对采集的图像调整像素的水平位置，建立预测样本，将预测样本作为全球电离层电子总含量预测模型的输入，得到预测热力图；5、对预测热力图进行经度排序，得到预测的全球电离层电子总含量热力图。该方法结合了电离层在空间和时间上的变化，充分有效的利用现有观测数据，提高了预测精度。

技术领域

本发明属于电离层探测领域，特别是涉及一种基于深度循环神经网络的预测全球电离层电子总含量的方法。

背景技术

电离层作为地球空间环境的重要组成部分，其中电离层电子含量是其重要的物理特征参数，不仅需要研究电离层电子含量的时空变化规律，还需对其进行预报。目前对电离层电子含量预报按照预报时长不同可分为长周期预报和短周期预报。这些预报方法是利用某一地理位置观测到的电子含量时间序列数据建立数学模型进行预报。电离层电子含量变化不仅是在时间维度上而且在空间上连续变化的，传统方法只考虑了电离层电子含量在时间上的变化，忽略了空间上的相互关联性，因此需要充分利用电离层电子含量观测数据，分析其时空变化并对其进行预报，高精度的电离层电子含量预报模型将对电离层相关研究具有重要意义。

发明内容

发明目的：本发明旨在提供一种全球电离层电子总含量预测方法，该方法能够显著提高预测精度。

技术方案：本发明采用如下技术方案：

基于深度循环神经网络的全球电离层电子总含量预测方法，包括训练阶段和预测阶段，所述训练阶段包括：

(1)每天以等时间间隔采集K张全球电离层电子总含量热力图，连续采集N天；对采集的每幅图像，根据每个像素点所在的地方时调整水平位置，使纵坐标相同的像素点所在的地方时沿横轴正向增大；根据采集顺序构成原始图像序列S＝{Pic_k,n}，k＝1,2,…,K，n＝1,2,…,N；

(2)构建训练样本集，所述训练样本集中的第m个样本s_m包括输入样本数据和输出样本数据，其中输入样本数据包括原始图像序列S中从第m天开始的t天的原始图像序列，以及所述t天原始图像序列构成的t-1天的图像一次差分序列；输出样本数据为S中第m+t天的原始图像序列；t为大于2的整数；

(3)构建基于深度循环神经网络的全球电离层电子总含量预测模型，所述模型包括原始热力图支路、差分热力图支路、卷积子网；

所述原始热力图支路和差分热力图支路均为结构相同的深度循环神经网络，所述深度循环神经网络包括依次连接的第一卷积长短时记忆网络、膨胀卷积长短时记忆网络、第二卷积长短时记忆网络；

所述原始热力图支路的输入为t天的原始图像序列，输出为根据输入预测的一天K张热力图序列；所述差分热力图支路的输入为t-1天的图像一次差分序列，输出为预测的一天K张的差分热力图序列；

所述卷积子网将差分热力图支路输出的差分热力图恢复为热力图数据，将恢复的热力图数据与原始热力图支路输出的热力图序列堆叠为双通道图像序列，对堆叠的双通道图像序列进行卷积，得到预测的全球电离层电子总含量热力图；

采用训练样本集对所述全球电离层电子总含量预测模型进行训练：将训练样本的输入样本数据中的t天的原始图像序列作为全球电离层电子总含量预测模型原始热力图支路的输入，t-1天的图像一次差分序列作为差分热力图支路的输入，将得到的预测结果与训练样本中输出样本数据对比计算误差，将误差反向传播修正模型中的待求参数，经过迭代训练得到了最终的全球电离层电子总含量预报模型；

所述预测阶段包括：