基于偏最小二乘算法的ＢＤＳ－２／ＢＤＳ－３卫星钟差短期预报

针对机器学习算法在卫星钟差短期预报应用中训练数据量最佳确定、算法有效性评估研究较少的问题,以 武汉大学ＩＧＳ数据中心连续１５ｄ３３颗事后ＢＤＳ－２／ＢＤＳ－３精密卫星钟差产品为例,基于钟差相位数据的偏最小二乘 （ＰＬＳ）、基于钟差相位数据一次差分的偏最小二乘（ＤＰＬＳ）、长短期记忆网络（ＬＳＴＭ）模型进行了ＢＤＳ－２／ＢＤＳ－３卫星 钟差短期预报。实验结果表明：首先,选择第１５天数据为测试样本,前１４天距第１５天最近的连续ｎ　ｄ数据为训练 样本时,ｎ 为８时,ＰＬＳ模型预报性能达到最优;ｎ 为１、３、８时ＤＰＬＳ预报性能达到相对最优;ｎ 为１１时ＬＳＴＭ 预报 性能最优;ＰＬＳ、ＤＰＬＳ模型的预报效率较优,而ＬＳＴＭ 预报效率较差,最大预报耗时分别为０．２５ｓ、０．９０ｓ、 １９８．６５ｍｉｎ;随着测试样本的增加,ＬＳＴＭ 模型的预报耗时显著增加,而其他两个模型预报耗时基本没有变化;其次, 连续１４ｄ的短期预报（当前１天为训练样本,后１天为测试样本）结果表明,ＤＰＬＳ较ＰＬＳ与ＬＳＴＭ 模型,６ｈ预报时 长下,均方根误差（ＲＭＳ）分别提升了３１．２６％、３９．６６％,极差（Ｒａｎｇｅ）分别改善了２６．３４％、４０．３０％,２４ｈ预报时长 下,ＲＭＳ分别提升了３３．４８％、４２．６８％,Ｒａｎｇｅ分别改善了２９．７７％、４２．９５％。