[发明专利]多尺度滑动窗口LSTM的GNSS序列预测方法及系统

权利要求书

1.一种多尺度滑动窗口LSTM的GNSS序列预测方法，其特征在于，结合滑动窗口与LSTM循环神经网络，基于滑动窗口避免数据插值问题，通过LSTM网络对非平稳时间序列进行训练拟合，包括首先对GNSS时间序列构建滑动窗口并进行数据变换，然后将数据区分为训练集和测试集，根据滑动窗口的设定构建LSTM网络，训练集的数据利用LSTM循环神经网络进行训练，将训练拟合好的模型应用于测试集，根据测试集的实际情况再进行调整LSTM的模型，最后采用训练好的LSTM模型对GNSS台站时间序列进行预测；

实现过程包括以下步骤：

步骤1，获取GNSS台站的坐标时间序列观测值，按照时间顺序采用统一量纲进行排列，设依次为x₁,x₂,x₃,...,x_m-2,x_m-1,x_m，记为X_m；其中，m是GNSS时间序列的长度；

步骤2，将多个不同的单一尺度滑动窗口进行组合，构建多尺度滑动窗口，形成新的子序列集；所述单一尺度滑动窗口构建方式为，

设尺度滑动窗口的前部分长度为length_x，后部分长度为length_y，构建的数据格式如下：

其中，X₁'_{,length_x},Y₁'_{,length_y}代表第1个输入训练的数据，X₁'_{,length_x}是输入值，Y₁'_{,length_y}为对应预测真值；X'_{2,length_x}，Y₂'_{,length_y}代表第2个输入训练的数据，X'_{2,length_x}是输入值，Y₂'_{,length_y}为对应预测真值；…；X'_{n,length_x}，Y_n'_{,length_y}代表第n个输入训练的数据，X'_{n,length_x}是输入值，Y_n'_{,length_y}为对应预测真值；n代表当前滑动窗口能建立的训练数据个数；

第1个尺度滑动窗口的前部分长度为length_x1，后部分长度为length_y1，其中um-length_y1，每次滑动一个单元量，依次进行构建数据，构建的数据格式如：

其中，代表采用第1个尺度滑动窗口的第1个输入训练的数据，是输入值，为对应预测真值；代表第1个尺度下的第2个输入训练的数据，是输入值，为对应预测真值；…；代表第1个尺度下的第u个输入训练的数据，是输入值，为对应预测真值；u代表第1个尺度下滑动窗口能建立的训练数据个数；

第2个尺度滑动窗口的前部分长度为length_x2，后部分长度为length_y2，其中pm-length_y2，每次滑动一个单元量，依次进行构建数据；构建的数据格式如：

其中，代表采用第2个尺度滑动窗口的第1个输入训练的数据，是输入值，为对应预测真值；代表第2个尺度下的第2个输入训练的数据，是输入值，为对应预测真值；…；代表第2个尺度下的第p个输入训练的数据，是输入值，为对应预测真值；p代表第2个尺度下滑动窗口能建立的训练数据个数；

……

第k个尺度滑动窗口的前部分长度为length_xk，后部分长度为length_yk，其中qm-length_yk，每次滑动一个单元量，依次进行构建数据；构建的数据格式如：

其中，代表采用第k个尺度滑动窗口的第1个输入训练的数据，是输入值，为对应预测真值；代表第k个尺度下的第2个输入训练的数据，是输入值，为对应预测真值；…；代表第k个尺度下的第q个输入训练的数据，是输入值，为对应预测真值；q代表第k个尺度下滑动窗口能建立的训练数据个数；

步骤3，LSTM循环神经网络多模型构建，实现方式为，设多尺度滑动窗口中尺度总数为k，根据相应滑动窗口的子序列集数目建立对应数量的LSTM循环神经网络，得到k个LSTM子网络模型；

将相应子序列数据集分为训练集和测试集，对每一个LSTM子网络模型训练及优化；

步骤4，多模型构建预测，使用每一个LSTM子网络模型进行预测，得到的子网络预测结果1记为r₁、子网络预测结果2记为r₂、…、子网络预测结果k记为r^k，

最终的GNSS序列预测结果R为每个子网络预测结果的加权值，计算公式如下，

R＝r₁×w₁+r₂×w₂+...+r_k×w_k

w₁+w₂+w₃+...+w_k-1+w_k＝1

其中，w₁、w₂、…、w^k_-1、w^k为每个子网络预测结果的权重值。