基于差分序列分析极移不规则变化及对模型拟合的影响

通过对近52年的极移数据进行二阶差分,发现极移不规则变化的活跃程度存在明显的分段特征。其中活跃部分大约持续6 100d,与地震的近6 500d的长活动周期以及章动的18.6a周期较接近;然后以ARMA模型为例,选取状况不同的4个不规则变化时段的极移数据进行模型的拟合与预报,并进行对比。结果表明:1若拟合数据处于活跃期,建模及预报的精度相对于处于平静期时较差;2拟合数据同时包含活跃期与平静期,拟合的残差出现病态分布,模型建立不成功;3拟合精度相当的不同模型,预测数据处于平静期要比处于活跃期时精度要好。     

对分量进行联合解算的极移预报方法研究

为了提高极移预报的精度,该文提出结合极移的两个分量进行统一求解的极移联合预报方法:将极移的两个分量组成一个观测方程,并采用LS+AR模型对联合分量的确定项与随机项进行拟合。实验结果表明,文中采用的联合预报方法可以提高极移的预报精度。     

基于1962至2022年极移观测值的时序分析及长期预报研究

极移参数（polar motion,PM）是地球定向参数（earth orientation parameter,EOP）的重要组成部分,在天文大地测量、卫星的导航定位以及卫星的自主定轨等领域有重要的应用。本文首先利用国际地球自转服务（international earth rotation and reference systems service,IERS）提供的极移观测值进行极移时间序列频谱分析及周期项的提取。结果表明,快速傅里叶变换与离散傅里叶变换周期项提取到的周期项基本无差异,但极移X、Y分量时变分析结果存在差异。此外,本文将正弦逼近应用到极移参数的预报,对于长时间尺度的极移参数预报最小二乘外推模型效果最佳,但预报模型精度易受到周期项提取结果的影响;最小二乘外推模型在极移正向预报和反推拟合效果相近,借助正弦逼近方法可以一定程度上增强模型拟合效果。上述研究结果可为地球自转参数的预报研究提供参考。     

基于优化残差组合的北斗卫星短期钟差预报研究

为解决传统模型因使用卫星钟差一次差分序列而导致预报精度差的问题，进一步提升预报精度，提出一种优化残差组合对卫星钟差一次差分序列进行预报的方法.该方法首先根据北斗卫星钟差序列的特点，利用四分位法(IQR)代替中位数法对一次差分序列进行预处理，然后利用自回归滑动平均模型(ARMA)将经过预处理后的卫星钟差一次差分序列分成趋势项和残差随机项，接着利用极限学习机(ELM)模型对残差部分进行建模预测，最后将ARMA模型的预测结果和ELM神经网络的残差预测结果求和后进行差分还原.结果表明：当卫星钟差呈非线性时，组合模型的预报精度比传统模型提升了38.2%，在北斗卫星钟差短期预报中具有一定的可行性.     

利用小波分解改进极移预报模型

为进一步提高极移预报精度，将小波分解引入极移预报中。首先利用小波分解对极移序列进行分解，分离低频分量与高频分量，然后对低频分量建立最小二乘外推模型，获得极移序列的趋势项外推值与残差序列，最后采用自回归（autoregressive，AR）模型对高频分量与残差序列之和进行预报，最终极移的预报值为最小二乘外推值与AR模型预报值之和。结果表明，小波分解可以明显改善最小二乘外推与AR组合模型的极移预报精度，尤其对于中长期预报改善更为明显。     

改进的MEEMD-ARMA残差修正组合预测模型

针对改进集总平均经验模态分解(MEEMD)的端点效应、分解分量过多以及自回归滑动平均(ARMA)模型在极值点附近预测效果不好,该文提出一种改进的MEEMD与ARMA残差修正组合预测模型。采用支持向量机(SVM)进行数据延拓,样本熵为分解分量合并尺度以及残差修正预测值,较好地解决MEEMD的端点效应和分解分量过多的问题,提高ARMA模型预测值在极值点附近的精度。利用国际GNSS服务(IGS)提供的2015年年积日为135~164d不同经纬度电离层总电子含量数据,用3种模型对5d内的数据进行预测。实验结果表明:改进模型很好地抑制了端点效应,合理地减少了MEEMD分量,提高了极值点附近的预测精度,且整体精度得到大幅提升。     

利用LS_AR模型对极移参数的中长期预报

为了满足深空探测器自主导航定位对极移参数中长期预报的需求,阐述了基于LS_AR模型的极移参数中长期预报和精度评定的原理,提出了4种改进方案对LS_AR模型的构建进行优化,并利用IERS提供的1990～1996年的极移参数的时间序列检验4种优化方案,得到了最优的预报模型,在400 d跨度上,其预报结果的平均绝对误差比未优化的模型小3 mas左右。     

基于LS+AR模型的极移预报及其周期项影响分析

采用LS+AR预报模型的对极移进行预报,深入分析极移数据中钱德勒项和周年项对预报精度的影响。计算结果显示,极移数据中各周期项具有时变性特点,将已知观测数据确定出的周期项应用到极移预报中会明显提高预报精度。因此,建议在进行极移预报之前首先应进行时间序列分析,确定已有数据的各周期项,在极移预报中加以考虑。     

一种建筑沉降叠加预测方法

针对高层建筑的沉降监测与趋势预报问题,结合时间序列分析方法,该文提出一种基于ARMA的趋势项和随机项叠加预测法,把沉降监测时间序列数据分解为趋势项与随机项,分别建立趋势回归函数模型与随机项ARMA模型,叠加进行沉降量的预报,并通过上海外滩某高层建筑的沉降监测实例,研究并比较了该方法与传统的ARIMA差分预测法对建筑沉降预报精度的影响。实验结果表明:基于ARMA的趋势项和随机项叠加预测法在沉降预报中精度优于基于ARIMA的差分预测法。该方法利用趋势回归函数的保持作用,克服了传统的时间序列ARIMA模型在长期预测中精度不高的问题,并且随着预测步长的增加,优势更加明显。     

时间序列分析在变形监测数据处理中的应用

在变形监测数据处理中,为了提高预报的精度,本文引入了时间序列分析中的ARMA模型,通过工程实例对该模型的预报精度进行检测,该工程实例的变形监测数据共有30期,本文通过前25期的数据进行ARMA建模并对第26至30期的变形量进行预报,与相应的实际观测值进行对比求差。对比结果显示预报结果良好,一步预报最大残差值在1mm,时间序列分析方法在变形监测数据处理领域应用效果良好。