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。     

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。     

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...     

用小波分析与灰色支持向量机预测高铁变形

针对高铁变形监测数据的非线性特征，构建一种基于小波与灰色支持向量机的高铁变形预测组合模型。利用小波分析获取不同时频尺度上的随机序列和近似序列，通过嵌入维数的确定和高低频数据的相关性分析，将重构后的随机序列作为遗传算法优化SVR模型的输入，对近似序列则采用灰色支持向量机来描述其演变特征，最后将二者预测结果进行耦合叠加，得到小波灰色支持向量机的组合模型预测结果。以贵广高铁实测数据为例，将均方差、平均绝对误差、平均绝对相对误差作为评判指标对预测效果进行评价，结果表明该模型较好地拟合了近似分量，同时避免了细节分量的过拟合，为高铁变形预测提供了新途径。     

基于KF-LSTM组合模型的短期电离层TEC预测

针对电离层总电子含量(TEC)时间序列非线性、非平稳性等特点,提出以卡尔曼滤波对电离层TEC数据进行预处理为基础,融合长短期记忆神经网络模型,构建KF-LSTM短期电离层组合模型预测TEC的方法,并利用该模型预测2016年和2018年4个时段的高、中、低纬度及赤道地区36个格网点提前1 d的电离层TEC。结果表明,KF-LSTM组合模型预测效果优于传统BP神经网络模型和单纯的LSTM模型。在赤道地区,其预测效果与C1PG模型相当;在15°～75°N地区,其预测效果优于C1PG模型。     

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。     

华北地区GPS基准站坐标时间序列噪声特征研究

利用华北地区GPS连续运行基准站网络2008-08~2013-04观测数据,分析36个基准站坐标时间序列的噪声特征。利用区域堆栈滤波方法对GPS单日解坐标时间序列进行共性误差剔除,使用极大似然估计准则定量估计坐标时间序列的噪声特性,并分析有色噪声对测站计算速度的影响。结果表明,华北地区GPS基准站坐标时间序列的共性误差在N、E和U方向分别约为1 mm、1 mm和3 mm,且共性误差具有类似闪烁噪声的特性;共性误差剔除前,坐标时间序列的噪声特性可以用可变白噪声加闪烁噪声模型或可变白噪声加幂律噪声模型来描述;共性误差剔除后降低了坐标时间序列噪声中闪烁噪声的成分,突出了本地效应部分噪声,坐标时间序列的噪声特性可以用可变白噪声加闪烁噪声和随机漫步噪声模型或可变白噪声加幂律噪声模型来描述;最优噪声模型计算的速度误差比仅考虑可变白噪声所计算的速度误差增大5~8倍;剔除共性误差,可使测站速度的精度获得40%左右的提高。     

变形观测数据时间序列建模中的几个问题

针对在变形观测数据时间序列建模中所遇到的问题,对变形观测数据时间序列建模中的数据预处理、模型选择、模型定阶与系统稳定性检验等问题进行了研究,提出了分析数据趋势项提取的AR模型方法,编写了C语言计算程序,实现了样条函数插值方法、周期项提取的差值法,建立ARMA分析模型,对变形预测数据与实际观测数据进行了比较.结果表明:该方法的正确性以及时间序列分析方法在变形数据处理与分析中的适用性与可行性.     

基于PPLN的时序数据组合预测模型

针对观测数据时间序列,综合组合预测与投影寻踪学习网络的优点,提出一种新的预测模型.即采用静态预测法提取多组趋势项部分,自回归模型提取周期项部分,将它们都作为投影寻踪学习网络的输入部分,然后利用PPLN具有逼近复杂非线性函数的能力,通过网络学习与训练解决传统方法定权困难的问题.沉降预测的实验结果表明,与传统的曲线拟合法、变权重组合预测法相比较,该预测模型精度更高、具有实用性.     

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。     

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...     

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。