[发明专利]一种F10.7指数的预测方法及设备

说明书

本申请涉及F10.7指数预测技术领域，尤其涉及一种F10.7指数的预测方法及设备，方法，包括：获取上一周期的历史F10.7指数作为输入数据；将输入数据输入预先训练的预测模型，得到当前周期的预测F10.7指数；其中，预测模型基于SCINet网络和经验模态分解进行训练。因经验模态分解是依据数据自身的时间尺度特征来进行信号分解，无需预先设定任何基函数，是一种时频域信号处理方式，所以经验模态分解在处理非平稳及非线性数据上具有明显的优势，适合分析非线性非平稳的信号序列。SCINet网络是当前深度学习在时间序列预测中较为出色的模型，通过结合上述两种技术手段，本申请中的预测模型在训练时所付出的时间成本相对现有技术中的其他模型更低。

技术领域

本申请涉及F10.7指数预测技术领域，尤其涉及一种F10.7指数的预测方法及设备。

背景技术

F10.7指数即太阳10.7 cm射电流量，是反映太阳整体活动的重要指标。现有技术中可用的F10.7指数的预测都是基于统计模型或传统的机器学习模型，例如中科院空间环境预报中心采用54阶自回归系统进行未来的太阳10.7cm射电流量预报；英国地质调查局当前采用的是自回归-移动平均混合模型（ARIMA）模型进行预报；法国CLS机构用的是多频外插非递归的神经网络结构。但是现有技术中用于预测F10.7指数的模型在进行训练时，需要付出的时间成本较高。

发明内容

为至少在一定程度上克服相关技术中用于预测F10.7指数的模型在进行训练时，需要付出的时间成本较高的问题，本申请提供一种F10.7指数的预测方法及设备。

本申请的方案如下：

根据本申请实施例的第一方面，提供一种F10.7指数的预测方法，包括：

获取上一周期的历史F10.7指数作为输入数据；

将所述输入数据输入预先训练的预测模型，得到当前周期的预测F10.7指数；其中，所述预测模型基于SCINet网络和经验模态分解进行训练。

优选地，所述方法还包括：

获取历史F10.7指数作为样本数据；

根据所述样本数据训练所述预测模型。

优选地，根据所述样本数据训练所述预测模型，包括：

对所述样本数据进行筛选；

对筛选后的样本数据进行经验模态分解，得到多个本征模函数和一个残差；

将全部本征模函数和残差输入SCINet网络，输出各本征模函数和残差对应的预测结果；

综合本征模函数和残差对应的预测结果，得到最终预测结果。

优选地，对所述样本数据进行筛选，包括：

对所述样本数据标注出极值点；

将所述样本数据中的极大值点进行连接，构成上包络线；将所述样本数据中的极小值点进行连接，构成下包络线；

确定上包络线和下包络线之间的样本数据的标准偏差；

建立循环，判断标准偏差是否小于预设阈值；

若标准偏差小于预设阈值，结束循环，输出上包络线和下包络线之间的样本数据作为筛选后的样本数据。

优选地，所述方法还包括：

若标准偏差不小于预设阈值，执行循环，直至上包络线和下包络线之间的样本数据的标准偏差小于预设阈值。

优选地，获取历史F10.7指数作为样本数据后，所述方法还包括：

对所述样本数据进行数据清洗。

优选地，所述数据清洗包括：

对所述样本数据基于周期内的平均值进行缺失值填补。

根据本申请实施例的第二方面，提供一种F10.7指数的预测设备，包括：

处理器和存储器；