基于Prophet-XGBoost模型的GNSS高程时间序列预测

针对GNSS时间序列非平稳性和非线性等特点,通过分析XGBoost模型与Prophet模型的适用性与特点,构建Prophet-XGBoost预测模型。该模型先通过Prophet模型对GNSS原始时间序列进行分解,然后通过XGBoost模型进行分部预测,等权相加得到预测结果。实验选用ALGO、ALRT、BRST三个IGS站U分量日坐标时间序列数据,采用MAE和RMSE作为评价指标。结果表明,与单一的XGBoost模型和Prophet模型相比,Prophet-XGBoost模型的MAE和RMSE值均得到一定程度优化,说明该模型具备有效性,可用于GNSS时间序列预测。     

Prophet模型在GNSS坐标时间序列中的插值分析

针对GNSS坐标时间序列中存在数据缺失的问题,提出将Prophet模型应用于GNSS坐标时间序列的插值中。设计不同的数据随机缺失比例和连续缺失长度,使用Prophet模型、拉格朗日法和三次样条法进行对比实验。结果表明,Prophet模型在GNSS坐标时间序列中具有更高的插值精度并能够保持较好的稳定性,且对于连续缺失的数据插值有着明显的优势。     

顾及大气角动量的Prophet-VAR日长变化预报方法

针对日长变化参数序列中蕴含的复杂非线性特征会严重影响其预报精度的问题,同时为探讨引入大气角动量序列是否有助于提升预报精度,提出一种Prophet拟合外推联合向量自回归(vector autoregression,VAR)残差补偿的组合模型用于日长预报.选用2008～2020年的日长变化参数序列进行实验,同时设计不顾及大...     

Prophet-Elman残差改正电离层TEC短期预报模型

针对电离层TEC非线性、非平稳的特点,建立一种基于Prophet与Elman神经网络相结合的残差改正电离层短期预报模型。利用该模型对IGS提供的不同太阳活动程度期间的电离层TEC时间序列进行建模预报。结果显示,改正模型能够反映电离层TEC的变化特征,在太阳活动低年和太阳活动高年预报的平均相对精度分别为92.9%和92.2%,均方根误差分别为0.94 TECu和1.77 TECu,精度较Prophet-Elman模型及单一Elman模型有显著提高。     

不同组合方法对GPS高程拟合的影响

针对平面拟合、二次曲面拟合和GA-BP神经网络3种模型的各自特点和适用范围,为综合各模型优点、提高高程拟合的精度与可靠性,对比分析了不同非线性组合和线性组合方法,即RBF神经网络组合、加权最小二乘支持向量机（WLSSVM）组合和最优加权组合、最优非负变权组合等对GPS高程拟合精度的影响。理论分析和算例结果表明,不同组合方法对GPS高程拟合精度的影响不同,WLSSVM组合和最优非负变权组合的拟合效果较好,可靠性较强|最优非负变权组合能较好地控制残差极值,有效减小误差区间,且转换精度较高。     

海潮模型对陆态网络GNSS观测的影响

选取FES2004、NAO.99b、FES2014b、EOT20、GOT4.10c、TPXO9.5a海潮模型分别对253个陆态网络GNSS测站进行海潮负荷位移(ocean tide loading displacement, OTLD)改正,分析未模型化或模型不准确的OTLD对陆态网络GNSS高程时间序列和天顶对流层延迟(zenith tropospheric delay, ZTD)估计的影响。结果表明,OTLD影响越大,不同海潮模型改正对GNSS高程时间序列的w_RMS改善效果和差异越明显,改善效果最高可达52%以上,最大差异可达11%;海潮模型差异造成的GNSS最大混叠信号振幅约为4 mm,对应周期主要为14.8 d、365 d; OTLD与ZTD偏差存在准线性关系,使用的海潮模型实用性越好,两者线性关系越明显;FES2014b模型对GNSS高程时间序列的w_RMS、混叠周期、ZTD估计的OTLD改正效果均最优。     

结构振动数据数学模型的线性与非线性刻划

对振动测试数据评价参数的数学反演使用时间序列的线性和非线性模型进行了建模,计算结果表明非线性的ＳＥＴＡＲ模型描述测试数据所反映的物理过程比线性ＡＲＭＡＸ模型更趋于合理、全面和客观。非线性ＳＥＴＡＲ模型能较深刻描述被测体系的振动机理和物理行为,为下一步振动数据评判奠定了基础     

一种基于MAD改进的GNSS高程时间序列粗差探测方法

针对GNSS高程时间序列中不可避免地含有粗差,以及在非线性、不平稳性的高程时间序列中粗差难以探测的问题,在传统MAD方法基础上,构建一种引入小波分析的WT-MAD粗差探测方法.利用模拟数据和LHAZ、BJFS、TWTF三个IGS站的实测高程数据进行实验,将WT-MAD法与基于最小二乘的3σ法、IQR法和MAD法进行对比...     

基于SBAS-InSAR与Prophet模型的引黄济青沿线地表形变监测与预测北大核心CSCD

基于38景Sentinel-1 SAR影像,利用SBAS-InSAR技术获取2019-02-2021-10引黄济青沿线地表形变的分布、量级及时空演化特征等信息;然后,使用形变梯度分析引黄济青沿线地表的稳定性;最后,利用Prophet模型对引黄济青沿线若干特征点的地表形变进行预测。研究表明,SBAS-InSAR能够获取引黄济青沿线及其周边区域大范围、长时间序列的地表形变情况,横纵剖面线形变梯度值比较大的区域与地表形变严重区高度吻合;基于SBAS-InSAR的监测结果,利用Prophet模型能够对形变较小的特征点进行较好的模拟和预测。     

基于SSA-Sn法的GNSS坐标时间序列粗差探测

针对GNSS高程坐标时间序列中含有粗差、高程坐标时间序列不平稳、非线性变化导致异常值探测困难等问题,提出一种奇异谱分析SSA与S_n估计量相结合的粗差探测方法。利用实验模拟数据和实测数据分别对该方法的探测效果同常规3σ法和MAD法进行对比,结果表明,SSA-S_n粗差探测方法的总体探测效果更好,能够满足GNSS坐标时间序列高可靠性的需求。     

基于EWT-Prophet方法的地表沉降预测

针对地表沉降预测研究中单一传统方法预测精度较低、预测过程不稳定等问题,提出一种经验小波变换(EWT)与Prophet预测模型相结合的优化预测方法.以江西省上饶市德兴矿区为例,采用30景哨兵1号影像进行SBAS-InSAR沉降研究,并获取该区域研究时段内的沉降时序数据.首先对原始沉降时序数据进行EWT自适应分解,分解产生...     

���SSA��ARMAģ��Ԥ�������TEC

???????????TEC????????????????????SSA????????TEC????У???SSA??????????????????ARMA???????????????????????????????IGS????2010??????TEC?????????飬???????????????????????5 d??TEC????????????92%???????ARMA??????4%??     

基于SBAS-InSAR和GM-SVR的居民区形变监测与预测

采用合成孔径雷达时序分析方法,利用2016-12～2017-05(12 d为一个周期)连续13景哨兵卫星雷达影像对淮南矿区内的居民区杨聚庄进行形变监测。根据矿区形变特征,提出一种基于灰色支持向量机（GM-SVR）的组合预测模型对矿区形变进行预测,并与传统的单一灰色模型和支持向量机预测模型进行对比。结果表明,时序InSAR技术和GM-SVR模型的结合,可以实现对矿区形变的快速监测和灾害预防,为矿区灾害监测与预警提供了一种可靠手段。     

GPS坐标时间序列中地表环境负载效应区域特征分析

选取全球417个IGS测站2000~2012年环境负载数据分析非潮汐海洋、大气、积雪和土壤湿度等负载对GPS测站时间序列位移的影响以及与测站地理位置之间的联系。研究表明,大气压力对GPS时间序列位移的影响最大,U方向最大达到20 mm,积雪负载的影响最小。4种负载对GPS时间序列高程方向的影响可达cm级,且大气及非潮汐海洋负载呈现显著的区域性特征。     

库岸滑坡地下水位时间序列混沌特征识别与PSO-LSSVM模型预测

地下水位预测对滑坡稳定性分析具有重要意义,三峡库区库岸滑坡地下水位时间序列在季节性强降雨和周期性库水位涨落等诸多因素影响下呈现混沌特征。在对地下水位序列进行相空间重构的基础上,采用饱和关联维数法和最大Lyapunov指数法对其混沌特征进行验证。再用预测性能优秀的最小二乘支持向量机(LSSVM)模型对其进行预测,并用粒子群算法优化选取LSSVM模型的参数,以克服LSSVM模型参数选取困难的缺点。以三峡库区三舟溪滑坡前缘STK-1水文孔日平均地下水位序列为例进行了混沌分析,分别运用粒子群优化的LSSVM模型(PSO-LSSVM)和BP神经网络模型对STK-1水文孔地下水位进行了预测。结果表明库岸滑坡地下水位序列存在混沌特征,PSO-LSSVM模型预测结果的均方根误差为0.193m,拟合优度为0.815,说明预测效果较理想,且PSO-LSSVM模型预测精度高于BP网络模型,具有较强的实用性。