[发明专利]一种基于CNN和LSTM预测地磁Kp指数的方法

说明书

本发明公开了一种基于CNN和LSTM预测地磁Kp指数的方法，具体步骤如下：步骤(1)数据预处理，获取若干年的地磁Kp指数的初始数据，并采用平均值填充方法对数据缺失值进行填充；之后通过数据滑动平均消除数据白噪声，再将数据分为训练集T和验证集V；步骤(2)构造CNN+LSTM神经网络模型；步骤(3)构造LSTM网络输入；步骤(4)构建模型损失函数，通过反向传播算法对网络模型参数不断优化；步骤(5)采用网格搜索法对所构建的CNN+LSTM网络进行训练；步骤(6)验证模型。本发明通过CNN提取数据的局部特征，并组合抽象成高层特征，通过LSTM提取数据之间的时间关联性，进一步提升预测准确度。

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种基于CNN和LSTM预测地磁Kp指数的方法。

背景技术

地磁活动是受太阳风影响很大的空间天气中的一种重要现象.地磁环境发生变化时，特别是巨大磁暴期间，电离层、高层大气和高能粒子环境都会出现强烈的响应，空间环境变得非常恶劣，会对各种航天器以及宇航员安全构成极大威胁。Kp指数即“行星际小时磁情指数”，通过计算磁纬在48度和63度之间的全球13个地磁台站k指数的加权平均值得到。它与3小时时段内地磁扰动有近似对数关系，是衡量近地空间全球磁扰动强度的重要指标之一。Kp指数用于描述由太阳风和磁层相互耦合所产生的全球地磁扰动的程度。在空间物理学术研究和空间天气业务服务方面有着较为广泛的应用。作为全球地磁活动指数，Kp有自身的缺陷，通常最终公布的Kp指数会有数周的延迟，且Kp指数也不适用于研究较小时间尺度的问题。

CNN由多层感知机演变而来，隶属于前馈神经网络。CNN所具有局部连接和权值共享的特性，使得该网络需要的参数更少，进而降低了模型的复杂度，提高了训练速度。CNN适合作用于空间上的抽象及泛化。1997年，Hochreater和Schmidhuber最先提出了LSTM网络，该网络是递归神经网络(Recurrent Neural Network，RNN)的改进和延伸。LSTM解决了RNN在数据训练过程中梯度消失或爆炸的问题，在时间序列的拟合和预测方面有着很高的精度，目前已被广泛应用于语音识别、图片描述、自然语言处理等诸多领域。

现有方法中也采用神经网络进行预测地磁Kp指数，使用该方法时，多以太阳风参数为输入，预测精度与太阳活动的剧烈程度有着较大关系，无法对Kp指数进行实时、稳定的高精度预测。

发明内容

针对现有技术的不足，本发明提供一种基于CNN和LSTM预测地磁Kp指数的方法，具有较强的泛化能力，实现较高的预测精度。

为解决上述技术问题，本发明的技术方案如下：一种基于CNN和LSTM预测地磁Kp指数的方法，所述预测方法的具体步骤如下：

步骤(1)数据预处理，获取若干年地磁Kp指数的初始数据，并采用平均值填充方法对数据缺失值进行填充；之后通过数据滑动平均消除数据白噪声，再将数据分为训练集T和验证集V；

步骤(2)构造CNN+LSTM神经网络模型，首先使用两层CNN提取地磁Kp指数中的高级特征，特征进行融合后重新提取新特征，CNN层之后接入Dropout层，丢弃部分神经元，防止网络过拟合，之后接入三层LSTM网络，利用LSTM来提取Kp数据时间上的关联性，使用修正线性单元Relu函数作为激活函数，最终将LSTM的输入接入到全连接层，得到预测结果；

步骤(3)构造LSTM网络输入，采用滑动窗口方法，从训练集T中提取长度为m的连续数据，m即为每组数据输入长度，同时将第m+1个数据作为这组数据的标签，之后将窗口向后滑动n位，n为滑动窗口的长度，最终将提取到的数据作为CNN+LSTM网络的训练数据；

步骤(4)构建模型损失函数，采用MSE+MAE作为网络的损失函数，通过反向传播算法对网络模型参数不断优化，同时采用early stopping策略，防止网络过拟合；也可以根据实际情况选用其他的损失函数。