[发明专利]一种结合电离层层析技术的电离层TEC组合预测方法

说明书

一种结合电离层层析技术的电离层TEC组合预测方法。其包括利用电离层层析算法求取预测区域的电离层电子密度、计算垂直方向的总电子含量VTEC，利用IRI模型计算预测区域的VTEC；基于上述两种VTEC构建组合预测模型，实现模型训练，模型预测、模型测试结果以及模型的精度分析；本发明效果：首先利用长短期记忆LSTM模型对层析垂直总电子含量VTEC进行预测，进一步利用BP神经网络对LSTM模型与IRI模型的预测结果进行非线性拟合，由此改善了单一预测模型的弊端，较好地实现了对电离层垂直总电子含量VTEC的时序预测。

技术领域

本发明属于电离层探测技术领域，特别是涉及一种基于电离层层析技术的电离层TEC预测方法。

背景技术

在利用无线电信号进行高精度测速、定位以及其它工作的系统中，必须消除电离层引起的时延和折射误差，这些误差是与电离层中总电子含量成正比的；利用电离层电子含量(TEC)的实测值来消除上述系统的误差是最准确的，但是在诸多无线电系统的设计和需求中，或者在缺失TEC实测值时，必须采用某种电离层模式计算所需的电离层TEC，进而估算出电离层引起的误差。

目前，在利用经验模型预测电离层TEC的研究中，国际参考电离层IRI(International Reference Ionosphere)模型是最有效且被广泛认可接受的电离层经验模型，该模型基于电离层、非相干散射雷达、卫星资料、探空火箭资料等，融汇了多个大气参数模型，能够描述电离层电子密度、垂直总电子含量、电子温度、离子组成、离子温度等诸多参数。由于驱动IRI模型的电离层指数IG12、太阳黑子指数R12均为月平均值，这导致了单一的IRI模型不能满足对高时间分辨率和高精度的电离层TEC预测值的需求。

电离层层析作为一种全天候、大范围的电离层探测技术，具有费用低、操作简单、探测范围广等诸多优势，对于电离层不同尺度结构变化及全球电离层环境监测具有重要意义。随着电离层层析技术的发展，层析反演的精度也随之提高，反演结果渐渐靠近理想状态。因此将电离层层析反演得到的垂直总电子含量VTEC作为预测的样本数据是极具意义的。

随着神经网络的发展，诸多学者将深度学习与神经网络模型应用到对电离层TEC的预测工作中。袁天娇等利用星际太阳风参数与太阳活动指数、地磁活动指数、电离层总电子含量格点化地图数据，首次基于一种能处理时间序列的深度学习递归神经网络(Recurrent Neural Network,RNN)，建立提前24h的单站电离层TEC预报模型。吉长东等运用总体经验模态分解和深度学习长短期记忆神经网络，构建了EEMD-LSTM预测模型。张富彬等采用编码器-解码器结构配合卷积优化的长短时记忆(long short memory,LSTM)模型实现了全球电离层TEC预测。但是上述预测方法均存在随着预测时间的增加，预测精度也会随之下降的现象。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于电离层层析技术的电离层TEC预测方法。

为了达到上述目的，本发明提供的基于结合电离层层析技术的电离层TEC组合预测方法包括按顺序进行的下列步骤：

1)基于GPS观测数据，利用电离层层析算法求取预测区域的电离层电子密度x；

2)利用步骤1)中得到的电离层电子密度x，获得基于电离层层析算法的垂直总电子含量VTEC序列T₁,T₂,...,T_n；

3)对步骤2)中得到的基于电离层层析算法的垂直总电子含量VTEC序列T₁,T₂,…,T_n进行标准化处理，然后分为训练集与测试集，并训练拟合LSTM模型，利用迭代预测的方法获得基于训练集的预测垂直总电子含量VTEC序列及基于测试集的预测垂直总电子含量VTEC序列；