地球极移参数高精度双差分LS+AR预报方法研究

提出基于双差分最小二乘LS+AR模型的高精度极移参数预报方法。首先,对极移数据进行双差分处理,用以增强数据平稳性,获取差分极移数据,并采用LS方法对差分极移数据进行拟合,获取极移残差数据;其次,利用AR模型对极移残差数据进行预报;然后,综合LS外推预报值与AR模型预报值获取差分极移预报值;最后,对差分极移预报结果进行逆双差分处理,获取高精度的极移预报值。将该方法应用于实际极移参数预报中,结果表明,1d的极移X分量(PMX)预报精度优于0.25mas,极移Y分量(PMY)预报精度优于0.2mas。将该预报结果与国际EOP_PCC预报结果对比表明,极移短期预报精度与EOP_PCC预报结果相当,1d的预报精度略优于EOP_PCC预报结果。     

最小二乘外推与ARIMA(P,1,0)组合模型在极移短期预报中的应用

将ARIMA（P,1,0）模型应用到极移随机性部分序列的预报中,提出了利用最小二乘外推与ARIMA（P,1,0）的组合模型来对整体极移序列进行短期预报。并与其他方法对极移1～5天的短期预报精度进行了对比,结果证明了该模型在极移短期预报上的有效性与优越性。     

利用LS+AR模型和激发函数预报地球自转参数

分别采用LS+AR组合模型和包含大气角动量、海洋角动量的流体激发函数对地球自转参数进行长期预报。数值实验表明,激发函数预报精度优于LS+AR组合模型,其中大气角动量激发函数预报精度优于海洋角动量激发函数。     

最优非负变权组合模型在卫星钟差预报中的应用

针对单一卫星钟差预报模型自身存在的缺陷,提出基于二次多项式、灰色GM（1,1）和ARIMA等三种单一模型的最优非负变权组合预报模型。通过与各单一模型和经典权组合模型进行对比分析表明,该模型预报残差RMS值最小,精度更高,能够根据各模型预报效果赋予不同的权值,在一定程度上综合了多种单一模型的优点,可降低预报风险,提高模型预报的可靠性。     

火星极移时变分析与预报北大核心CSCD

火星极移属于火星定向参数,通过对火星极移时间序列周期项进行研究,可以更加深入地了解火星内部结构及大气和潮汐运动的特征与规律。利用NASA提供的NP.ang和NP.ds火星极移序列进行时变分析与预报,时变分析使用快速傅里叶变换(fast Fourier transform,FFT)进行处理。结果表明,NP.ang与NP.ds两组数据的周期项长度基本一致,且与火星年具有很强的相关性。短期预报结果表明,使用差分整合移动平均自回归(autoregressive integrated moving average,ARIMA)模型对NP.ds进行20 d内的短期预报是一个可行的思路;中长期预报结果表明,使用最小二乘外推模型进行NP.ds数据的中长期预报是可行的,且使用准确度更高的周期项进行最小二乘外推模型的拟合,可以显著提高对NP.ds的中长期预报精度。本文研究结果可为火星极移的预报研究提供参考。     

一种顾及钟差周期误差和随机特性的卫星钟差预报方法

提出一种顾及钟差周期误差和随机特性的卫星钟差预报方法。首先通过比较二次多项式加1、2、3、4个主要周期误差的模型,取其优者求得钟差预报的拟合值;然后针对拟合残差值的随机特性采用灰色模型进行建模,求得拟合值残差预报值;最后,将其与之前求得的预报值相结合得到最终的钟差预报值。采用IGS的15 min精密钟差数据进行实验,结果表明,在短期预报中,加2个主要周期误差的模型预报性能最好,并且新模型的预报精度优于常用算法。     

基于小波分解与GA-LSSVM的GPS可降水量短临预报

针对GPS可降水量时间序列具有非线性、非平稳性的特征，研究一种基于小波分解（WD）、遗传算法（GA）和最小二乘支持向量机（LSSVM）的GPS可降水量短临预报方法。先采用小波分解将GPS可降水量时间序列分解成便于预报的低频分量和高频分量；然后利用遗传算法优化LSSVM参数，进而对各分量建立预报模型；再将各分量预报结果进行叠加重构得到最终预报结果。选取两组数据进行实验，并将预报结果分别与LSSVM和遗传小波神经网络（GA-WNN）预报结果进行对比。结果表明，该组合模型具有良好的泛化能力，可有效解决神经网络易陷于局部极小的问题，提高了全局预报精度。     

一种获取不确定度的方法在位错模型中的应用

针对带不确定性的平差算法（least-square with uncertainty，ULS）中不确定度的选择问题，提出类L曲线法，并在位错模型中进行实验，解算位错参数。通过与LS和TLS的解算结果进行比较发现，ULS的解具有更高的精度，最高优于LS和TLS近60%。     

加权总体最小二乘和RBF神经网络的三维坐标转换

分析部分变量误差加权总体最小二乘法（PWTLS）、加权总体最小二乘法（WTLS）和最小二乘法（LS）在三维坐标转换模型参数求解中的应用与影响,提出PWTLS与RBF神经网络组合的坐标转换方法。结果表明,当三维坐标转换模型系数矩阵中同时存在常数元素和重复元素时,PWTLS方法计算的单位权中误差和内符合精度均优于LS方法,且源坐标改正数较WTLS方法更加合理。PWTLS+RBF组合方法能够使PWTLS的求解参数得到有效使用,提高坐标转换精度。     

基于一次差分预报原理的常用钟差预报模型效果分析

基于15 d的精密卫星钟差数据,从不同角度全面分析6种常用钟差预报模型（LP模型、QP模型、GM模型、SA模型、ARIMA模型、KF模型）基于钟差一次差分预报原理的预报效果,得到以下结论：1）采用钟差一次差分预报原理,可以提高LP模型、SA模型、GM模型及KF模型对于GPS卫星钟差的3 h预报精度,提高QP模型和ARIMA模型对于ⅡF Rb钟的3 h预报精度,提高LP模型和GM模型在6 h和12 h预报中的精度,提高ARIMA模型在6 h、12 h和24 h预报中的精度;2）基于钟差一次差分预报原理的预报结果与卫星及其星载钟类型有关,对于GPS BLOCK ⅡF Rb钟,该预报原理可以提高6种模型的短期预报精度,特别是对GM模型、LP模型和ARIMA模型预报效果的改善最为显著;3）对于3 h和6 h的预报,采用钟差一次差分预报原理的LP模型（DLP模型）对应的RMS值都最小,即DLP模型的预报精度最高,说明钟差一次差分数据更适合一次多项式模型的短期预报。     

������ת��������Ԥ����������ʵ��

????????????仯???????????LS??AR??????????????????????????????????ERP????????????????????в???????????????в????н??в??????????????AR??????ERP?????????ERP??????1??10?????????????????????????????????     

����LS+ARģ�͵�LODԤ������������Ӱ�����

????????LS+AR????????仯??LOD?????????????????????LOD?????????????LOD?в?????????????????????з???????????????????LOD??????У?????????????????18.6???9.3???????????????????????????????????????????????????????????????????????     

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...     

���ڽؾ�������GM��1��1��ģ���ڼ���Ԥ���е�Ӧ��

????GM??1??1???????????????ж????????????????????????????????????????????μ????????????????????????????????????????????????????GM??1??1???????????????????????????????Ч???????????     

�����ŵ����Լ��ƶ���Ԥ����Ӱ��

??????????????????????????????????ò????????г?????м?????????о???????????????????г?????17~19??????????????????????????????????????????????????     

基于GM(1,1)+AR模型的钟差短期预报改进算法研究

针对传统GM(1,1)+AR组合模型的缺点,提出一种可及时更新建模序列和增强数据间相关性的循环式钟差预报模型,在预报过程中根据预报时刻的不同实时调整AR模型阶数。考虑到原始钟差建模序列长度会对预报精度造成影响,分别使用2 h、6 h、12 h和24 h的钟差序列构建模型。实验结果表明,改进模型的预报精度较传统方法有一定提高,且预报结果更稳定;使用不同长度的钟差序列构建模型对预报结果有一定影响,其中二次多项式模型受原始序列长度的影响较大,改进模型受影响较小。     

����ARģ�͵��Ϻ������������Ԥ�����

????AR?????????????????????????????????????AIC?????AR????????????????????,AR??4?????????????????????AR(4)???????????δ??10???????????????????