[发明专利]基于TCN模型的电离层总电子含量预报方法

说明书

本发明公开的基于TCN模型的电离层总电子含量预报方法，涉及电离层总电子含量预报技术领域。所述预报方法包括以下步骤：首先，获取数据，将其划分为训练集和测试集，并进行归一化处理；然后，确定TCN神经网络的拓扑结构，初始化TCN网络的权重，对模型中参数进行调节；接着，将训练集批量输入电离层TEC预报模型中，计算有效历史长度的输出误差，同时将误差反向传播以更新TCN预测模型参数，直至寻找到最优参数，完成训练；最后，输入测试集数据，获得TEC预测结果，并将预测结果与观测数据进行比较，评估预测模型的有效性。本发明由于TCN卷积特性，可以更好的捕捉电离层电子含量的时空特性，在一定程度上提高了电离层总电子含量预报的准确性，增强了实时性。

技术领域

本发明涉及电离层总电子含量预报技术领域，具体涉及一种基于卷积神经网络TCN模型的电离层总电子含量预报方法。

背景技术

电离层是地球大气层的重要组成部分，位于地面60km以上至磁顶层之间，电离层含有大量的自由电子和离子，会影响无线电波的传播。

电离层总电子含量(total electric contents,TEC)是电离层重要参数之一，电离层总电子含量决定着电离层对卫星信号的影响程度。因此，对于电波传播的修正和电离层理论研究具有重要的意义。

已知卫星信号频率时，只需要确定传播路径上的TEC，就可以计算出电离层延迟。双频或者多频用户可以根据卫星观测值组成无线电层延迟线性组合，最大限度地消除或者削弱电离层延迟。但是，由于双频或者多频GNSS接收机的价格远远高于单频接收机，实际应用中仍然以单频用户GNSS用户居多，单频用户一般无法通过自身测得数据获得电离层延迟，通常需要借助电离层TEC模型对电离层延迟进行评估、改正。

目前，电离层TEC的预报模型研究已经从传统的统计学和计量经济学模型，例如国际参考电离层(International Reference Ionosphere,IRI)、指数平滑模型、自回归移动平均模型ARMA、相似预报法、自相关分析法等建模方法，逐渐发展成处理非线性输入输出关系与时变性问题上更具有优势、学习能力更强的神经网络模型。特别是，近年来计算机硬件技术和人工智能技术的飞速发展，深度学习网络取代以BP为代表的传统神经网络，在空间天气预报领域得到了一定的应用。其中，长短时记忆网络LSTM及其变体GRU由于其良好的序列学习和序列转换能力在电离层TEC预报中显示了良好的性能。但LSTM和GRU主要是随着时间推移进行顺序处理,无法完全解决梯度消失或梯度爆炸的问题，同时，需要大量内存存储多个单元的部分结果，计算时间长，实际工程应用中很难满足实时性需求。此外，电离层TEC不仅与时间变化有关，同时与空间位置密切相关。因此，需要进一步提取时空变化特征，达到更为准确、快速的预测结果。

发明内容

有鉴于此，本发明公开了基于TCN模型的电离层总电子含量预报方法，不仅能为广大单频GNSS用户提供电离层折射修正参数，同时也能为电离层空间环境分析研究提供大量的数据支撑。

根据本发明的目的提出的一种基于TCN模型的电离层总电子含量预报方法，包括以下步骤：

步骤一：获取电离层TEC数据、太阳辐射通量值F10.7以及地磁活动指数Ap，并将TEC转换为高时间分辨率序列。

步骤二：将转换后的TEC时间序列、太阳辐射通量值F10.7和地磁活动指数Ap划分为训练集和测试集，继而对训练集中的数据进行零均值标准化处理。

步骤三：确定TCN神经网络的拓扑结构，并初始化TCN网络的权重，对模型中参数进行调节。

步骤四：将训练集批量地输入电离层TEC预报模型中，计算有效历史长度的输出误差，并将误差通过反向传播来更新TCN预测模型权重参数，直至到达最大迭代次数或者准确率、误差率达到最优值；