改进的GM-AR组合模型在电离层TEC预报中的应用

电离层总电子含量(TEC)是影响GPS导航定位精度的重要因素之一。因此对于电离层总电子含量的研究及准确预测可以大大提高GPS的定位精度。由于灰色预测模型在理论上可以进行中长期预测,但实际应用中随着时间的推移,其预测精度会随之下降,为解决这一问题,对GM(1,1)模型进行改进,并将改进后的GM(1,1)模型与时间序列模型组合。利用改进的GM-AR模型进行TEC预报,预报的精度比两种方法单独预测的精度有较大提高,并应用实例证明该方法的可行性。     

基于CEEMD的电离层TEC组合预报模型

针对单一电离层总电子含量(TEC)预报模型存在的缺陷，如受外界因素干扰较大、预报精度随预报时间的增加明显降低等，本文提出一种基于补充集合经验模态分解(CEEMD)电离层TEC组合预报模型。该模型实现电离层TEC预报的关键途径为：首先，利用CEEMD对TEC原始序列进行自适应分解，得到具有不同频率的分量并依据分量复杂度分析结果进行重构；其次，使用广义回归神经网络(GRNN)模型对高频分量进行建模与预报，使用Holt-Winters模型对低频分量进行建模与预报；最后，重构高频分量预报结果与低频分量预报结果得到电离层TEC预报值。根据太阳活动选取两段不同年积日、不同纬度电离层TEC序列进行实验，结果表明本文提出组合预报模型较单一的Holt-Winters模型、GRNN模型预报精度更高，在太阳活动平静期预报结果的平均相对精度为92.83%,在太阳活动剧烈期预报结果的平均相对精度为84.35%,对于长时间TEC预报也具有较好的效果，稳定性高。     

利用神经网络预报短期电离层TEC变化

利用神经网络,基于IGS提供的(40°N,115°E)网格点TEC数据,本文构造了该点处提前一天的TEC预报模型。神经网络模型的预测目标是待预测日一天内的12个TEC数值。输入参数包括预测日前一日的太阳黑子数、地磁Kp指数、预测日前27天的太阳黑子数三角函数拟合参数,以及预测日前2天16个Kp指数的多项式拟合参数。实验结果表明训练后的神经网络模型可以反映出不同季节的TEC周日变化以及地磁暴情况下的TEC特征。     

利用BP神经网络改进电离层短期预报模型

电离层总电子含量TEC(Total Electron Content)是电离层的一个重要特征参数。对TEC的预报也已经成为电离层研究的一个热点。根据JS CORS中心提供的GPS观测数据,建立了区域实时多站多项式模型;并分别以模型计算得到的南京地区的电离层电子含量数据和苏州地区的电离层电子含量数据为样本,采用时间序列和BP神经网络融合模型进行了预报。结果表明,采用融合模型在短期预报中能够取得较好的效果,精度比时间序列模型提高20%左右。     

太阳黑子数对电离层总电子含量的影响

针对太阳活动影响电离层变化的问题,该文利用2000年到2020年太阳黑子数和IGS组织提供的全球电离层总电子含量(TEC)格网数据,借助数理统计、相关系数及时间序列等方法,研究了太阳黑子数与电离层TEC之间的关系.实验结果表明:①两者之间的相关性具有分段变化的性质,分段变化由太阳黑子数的临界点L决定,因此确定了太阳黑子数与TEC日均值相关性的分段函数,并给出了太阳黑子数临界点L;②太阳黑子数的变化会引起电离层TEC值的变化,而这个变化具有1～3 d的滞后性,其中电离层TEC日均值滞后于太阳黑子数2d最为明显;③太阳黑子数和电离层TEC值具有明显的相关性,但太阳黑子数与电离层TEC值之间年相关性强弱不均.     

自回归移动平均模型的电离层总电子含量短期预报

摘 要：本文在充分考虑乘积性季节模型的情况下,利用差分法对电离层总电子含量（Total Electron Content,TEC）样本序列进行平稳化处理后,采用时间序列分析中的求和自回归移动平均模型（简称ARIMA,Autoregressive Integrated Moving Average)对TEC值序列进行预报分析。以欧洲定轨道中心（CODE）提供的2008-2012年电离层TEC值为样本数据,分析了该方法在电离层平静期、活跃期预报高、中、低不同纬度电离层TEC值的精度以及TEC样本数据的长短对预报精度的影响等。实验结果表明：在电离层平静期和活跃期预报6天的平均相对精度可达83.3%和86.6%;而平均预报残差分别为0.18±1.9TECU和0.69±2.6TECU,其中预报残差小于3TECU分别达到90%和81%以上;而且两个时期都具有纬度越高相对精度越低而绝对精度越高的规律。此外,预报精度会随TEC样本序列长度增加而提高,但40天左右为其最佳样本长度,如超过此长度,其精度会逐渐降低;而相同样本数据的预报精度会随预报长度的增加而减小,初期并不明显,但超过30天其相对精度将随时间明显降低。     

EEMD-RBF神经网络的电离层TEC预报模型

利用中、低纬度电离层总电子含量,首次建立基于集合经验模态分解与径向基函数神经网络组合模型的电离层TEC预报模型。同时,根据地磁指数的变化特征,对低纬度电离层TEC值进行磁暴日的预报建模。实验结果表明,文中提出的方法在平静日连续5 d和磁暴日连续5 d的预测上,预报效果有明显改善。     

应用半参数AR模型的电离层TEC建模与预测

本文基于时间序列分析的DDS(Dynamic Data System)建模法,对季节性的电离层总电子含量(TEC)时间序列观测值平稳化后建立自回归AR模型,提出以半参数AR模型对普通AR模型精化,并利用半参数AR模型对电离层TEC预报。实例分析表明:利用半参数AR模型对电离层TEC进行预报,在短期内半参数模型预报效果优于普通AR模型,但随着预报时间变长,则半参数模型预报精度明显下降,其预报效果则不如普通的AR模型。     

电离层TEC的预测模型

电离层总电子含量（TEC）的精确预报对提高GNSS导航精度,保障无线电空间远程通讯具有重要作用。分析了IGS发布的电离层格网点总电子含量（TEC）的时间序列特点,基于时间序列分析理论,以AR模型对格网点TEC随机时间序列平稳化后建模和预报。实例分析表明,研究的预报技术和方法是可行的。     

利用时间序列分析预报电离层TEC

以IGS发布的电离层总电子含量(total electron content,TEC)数据为样本,利用时间序列分析进行预报。将TEC时间序列分解为趋势项、周期项和随机项的组合,并利用相关系数和偏相关系数确定模型阶数。对IGS提供的2008年TEC数据进行预报分析,结果表明,采用时间序列分析能达到较高精度,预报7 d时的平均相对精度为87.75%,预报精度大于60%的预报值占所有预报值的95%以上,预报精度大于85%的预报值占所有预报值的72.6%,95.3%的预报残差小于±3 TECU。