基于极限学习机的极移中长期预报

传统的极移预报多是基于最小二乘外推和自回归等线性模型,但极移包含了复杂的非线性成分,线性模型的预报效果往往不甚理想。将一种新型神经网络极限学习机(Extreme Learning Machine, ELM)用于极移中长期预报。首先利用最小二乘外推模型对极移序列进行拟合,获得趋势项外推值,然后采用极限学习机对最小二乘拟合残差进行预报,最终的极移预报值为趋势项外推值与残差预报值之和。将极限学习机的预报结果同反向传播(Back Propagation, BP)神经网络与地球定向参数预报比较活动(Earth Orientation Parameters Prediction Comparison Campaign, EOP PCC)的预报结果进行对比,结果表明,极限学习机用于极移中长期预报是高效可行的。