利用时间序列分析预报电离层TEC

以IGS发布的电离层总电子含量(total electron content,TEC)数据为样本,利用时间序列分析进行预报。将TEC时间序列分解为趋势项、周期项和随机项的组合,并利用相关系数和偏相关系数确定模型阶数。对IGS提供的2008年TEC数据进行预报分析,结果表明,采用时间序列分析能达到较高精度,预报7 d时的平均相对精度为87.75%,预报精度大于60%的预报值占所有预报值的95%以上,预报精度大于85%的预报值占所有预报值的72.6%,95.3%的预报残差小于±3 TECU。     

基于CEEMD的电离层TEC组合预报模型

针对单一电离层总电子含量(TEC)预报模型存在的缺陷，如受外界因素干扰较大、预报精度随预报时间的增加明显降低等，本文提出一种基于补充集合经验模态分解(CEEMD)电离层TEC组合预报模型。该模型实现电离层TEC预报的关键途径为：首先，利用CEEMD对TEC原始序列进行自适应分解，得到具有不同频率的分量并依据分量复杂度分析结果进行重构；其次，使用广义回归神经网络(GRNN)模型对高频分量进行建模与预报，使用Holt-Winters模型对低频分量进行建模与预报；最后，重构高频分量预报结果与低频分量预报结果得到电离层TEC预报值。根据太阳活动选取两段不同年积日、不同纬度电离层TEC序列进行实验，结果表明本文提出组合预报模型较单一的Holt-Winters模型、GRNN模型预报精度更高，在太阳活动平静期预报结果的平均相对精度为92.83%,在太阳活动剧烈期预报结果的平均相对精度为84.35%,对于长时间TEC预报也具有较好的效果，稳定性高。     

自回归移动平均模型的电离层总电子含量短期预报

摘 要：本文在充分考虑乘积性季节模型的情况下,利用差分法对电离层总电子含量（Total Electron Content,TEC）样本序列进行平稳化处理后,采用时间序列分析中的求和自回归移动平均模型（简称ARIMA,Autoregressive Integrated Moving Average)对TEC值序列进行预报分析。以欧洲定轨道中心（CODE）提供的2008-2012年电离层TEC值为样本数据,分析了该方法在电离层平静期、活跃期预报高、中、低不同纬度电离层TEC值的精度以及TEC样本数据的长短对预报精度的影响等。实验结果表明：在电离层平静期和活跃期预报6天的平均相对精度可达83.3%和86.6%;而平均预报残差分别为0.18±1.9TECU和0.69±2.6TECU,其中预报残差小于3TECU分别达到90%和81%以上;而且两个时期都具有纬度越高相对精度越低而绝对精度越高的规律。此外,预报精度会随TEC样本序列长度增加而提高,但40天左右为其最佳样本长度,如超过此长度,其精度会逐渐降低;而相同样本数据的预报精度会随预报长度的增加而减小,初期并不明显,但超过30天其相对精度将随时间明显降低。     

利用 ARMA 模型短期预报北极地区电离层 T EC

北极地区电离层结构分布较为特殊,存在梯度变化。利用时间序列分析中的自回归移动平均模型(Autoregressive Moving Average,ARMA)对欧洲定轨中心(CODE)发布的北纬67.5°~87.5°以及利用反距离加权插值法得到的90°的格网数据逐点进行建模,分别利用7d、10d、20d、30d、40d、50d的电离层TEC值为样本数据采用线性最小方差法进行预报分析。结果表明:90%以上的预报绝对误差小于3TECU,预报精度随TEC样本序列长度的增加而提高,但样本序列增加到一定值后,相对精度提高不大;相同样本数据的预报精度随预报时间长度的增加而降低,起初不是很明显,超过20d后精度降低明显且波动幅度较大。尽管北极地区存在梯度变化,ARMA模型在北极地区具有较高的预报精度,是一种比较理想的预报方法。     

EEMD-Holt-Winters的电离层TEC预报模型

利用IGS中心提供的全球电离层TEC数据,建立集合经验模态分解与Holt-Winters组合的预报模型。根据地磁活动情况,选取地磁平静时段和地磁活跃时段的低、中纬度TEC序列,分别采用EEMD-Holt-Winters组合模型和单一Holt-Winters模型进行建模预报。实验结果表明,地磁平静期文中模型的相对精度最优可达91.71%,均方根误差最优可达1.54 TECu,地磁活跃期文中模型的相对精度最优可达86.83%,均方根误差最优可达2.18 TECu,预报结果较单一模型有显著提高。     

时间序列分析在电离层短期预报中的应用

根据IGS提供的2012年TEC数据,在得到TEC值残差序列的基础上,利用谱分析去掉周期项和Matlab工具箱去掉趋势项并采用平滑算法去噪后,对随机项进行时间序列分析。目前,电离层格网点的预报均建立在原始TEC上,阐述了采用差分后的TEC值进行预报的方法,以减少日变化周期项的影响。根据AR（p）模型预报的结果加上周期项和趋势项后,再加上前一天对应时段的TEC值与IGS发布的数据比较,结果表明,该方法利用短期IGS发布的TEC值进行电离层预报能取得较高的精度。     

BP神经网络模型的电离层预报精度评估

针对电离层电子总含量(total electron content,TEC)时间序列高噪声、非线性和非平稳的动态序列的特点，基于反向传播神经网络(back propagation neural network,BPNN)模型对欧洲定轨中心(Centre for Orbit Determination in Europe,CODE)提供的电离层格网(global ionosphere maps,GIM)数据产品中低纬度、中纬度、高经纬格网点TEC数据和对应的时间点、经纬度、太阳射电通量F10.7数据、赤道地磁活动指数Dst、全球地磁活动指数Kp数据进行样本训练并进行电离层预报.结果表明：基于BPNN模型能够较好地预报低纬度、中纬度和高纬度电离层TEC数值，平均相对精度分别到达了90.5%、88.7%、85.35%，残差均值分别为1.505 TECU、1.595 TECU、1.885 TECU，平均均方根误差(root mean square error,RMSE)值分别为1.94 TECU、2.13 TECU、3.08 TECU.     

利用BP神经网络改进电离层短期预报模型

电离层总电子含量TEC(Total Electron Content)是电离层的一个重要特征参数。对TEC的预报也已经成为电离层研究的一个热点。根据JS CORS中心提供的GPS观测数据,建立了区域实时多站多项式模型;并分别以模型计算得到的南京地区的电离层电子含量数据和苏州地区的电离层电子含量数据为样本,采用时间序列和BP神经网络融合模型进行了预报。结果表明,采用融合模型在短期预报中能够取得较好的效果,精度比时间序列模型提高20%左右。     

应用半参数AR模型的电离层TEC建模与预测

本文基于时间序列分析的DDS(Dynamic Data System)建模法,对季节性的电离层总电子含量(TEC)时间序列观测值平稳化后建立自回归AR模型,提出以半参数AR模型对普通AR模型精化,并利用半参数AR模型对电离层TEC预报。实例分析表明:利用半参数AR模型对电离层TEC进行预报,在短期内半参数模型预报效果优于普通AR模型,但随着预报时间变长,则半参数模型预报精度明显下降,其预报效果则不如普通的AR模型。     

全球电离层TEC的轮胎调和分析与预报

将轮胎调和分析引入电离层TEC的模型化过程中,建立了基于轮胎调和分析的电离层TEC球谐系数模型,并对该模型进行详细的验证和分析。结果表明,本文模型计算精度高,系数截断为15阶时,恢复误差全年统计不超过4%,且除南、北极区外球谐模型具有很好的适用性。然后对该模型系数的时间序列特性进行了函数估计：引入逐级余差建模方法,使用趋势函数、功率谱分析、ARMA模型对球谐系数的时间序列进行分析,找出了模型系数时间序列变化的规律,构建了预报模型,实现了基于模型系数的预报,并对预报系数的精度变化问题和系数本身短期预报的数据积累时间进行分析,最终通过TEC的预报,验证了模型的精度。