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％。