[发明专利]多尺度注意力机制的GNSS序列预测方法及系统

说明书

本发明提供一种多尺度注意力机制的GNSS序列预测方法及系统，包括获取GNSS台站坐标时间序列观测值，按照统一量纲排序；采用不同尺度的滑动窗口构建多尺度滑动窗口，构建新的子序列集；注意力机制网络构建，搭建多个注意力网络模型，对每个子序列集分为训练集和测试集，对每一个注意力网络训练和优化；多模型预测，用每个注意力网络预测，最终加权得到最终的预测结果。本发明首次将多尺度滑动窗口与注意力机制网络结合应用于GNSS时间序列预测中，能够有效地提高GNSS台站序列预测的准确率。

技术领域

本发明属于卫星导航技术领域，具体涉及一种多尺度注意力机制的GNSS序列预测方法及系统。

背景技术

全球卫星导航定位系统(Global Navigation Satellite System,GNSS)是重要的空间基础设施，因其成本较低且便捷实用，在大坝或桥梁变形监测、区域或全球坐标框架维持、地壳板块运动监测中有着广泛的应用。

连续不断累积的GNSS观测数据通过GAMIT、GIPSY、Bernese、PANDA等专业软件解算后，可以得到高精度的测站坐标时间序列。GNSS坐标时间序列包含了丰富的信息，其中既包含了可以通过地球物理效应解释的运动趋势和变化，也包含了一些难以解释未模型化的噪声或其他未知因素影响的变化。通过对时间序列的分析研究，可以获得测站的位置、速度、趋势等具有价值的数据。

随着人工智能的进一步发展，以深度学习技术为代表的最新方法为GNSS时间序列分析提供了新的参考。传统的预测分析方法主要是基于地球物理机制的理解进行建模，通过线性项、周期性和阶跃信息进行拟合。深度学习神经网络方法能够通过数据本身进行挖掘特征。注意力机制的网络主要应用于自然语言处理中，由于注意力机制网络模型复杂，算法是当下最先进模型，所以在GNSS时间序列分析和预测中研究非常少，本发明人认为充分利用注意力机制网络算法的处理序列信息优势提供了一种新的研究方式。多尺度滑动窗口优势在于能够同时处理和考虑不同的尺度信息，现有研究基本只是考虑单一尺度。本发明人将多尺度滑动窗口和注意力机制进行结合应用于GNSS台站坐标时间序列预测中，多尺度滑动窗口是计算机视觉图像处理领域，注意力机制网络是自然语言处理领域，将两方面方式充分结合，既能发挥注意力网络的数据挖掘功能，又能充分利用多尺度滑动窗口的优势，针对GNSS时间序列能进行较好的预测。

对GNSS测站的坐标时间序列进行预测研究，对于坐标框架维持、变形监测研究、地震预警分析等都具有极为深远的意义。然而当下较为常用的预测方法主要是传统的线性与周期进行拟合预测，由于台站实际情况复杂，传统的预测方法并未能很好地解决拟合问题，预测误差会进一步扩大。当数据量不足时，无法拟合出正确的曲线，无法进行预测。

因此，发展一种能够根据GNSS台站数据本身特征的预测方法，避免人为选择处理数据特征，对于科研和工业需求都具有重要的意义。

发明内容

为了解决上述技术问题，本发明提供一种能够处理GNSS测站时间序列数据，且能够有效预测GNSS时间序列的方案。

本发明所采用的技术方案包括一种多尺度注意力机制的GNSS序列预测方法，包括以下步骤：

步骤1，获取GNSS测站的坐标时间序列观测值，按照时间顺序采用统一量纲进行排列，序列为x₁,x₂,x₃,...,x_m-2,x_m-1,x_m，记做X_m；其中m是序列的总长度；

步骤2，设使用n个不同的单一尺度滑动窗口进行组合，形成新的子序列集Y_n；单一尺度滑动窗口构建方式是采用两个同样大小的滑动窗口异步同时形成，构建方式为，设当前构建新的子序列集Y_p尺度为Scale，异步间隔为Step，两个窗口每次同时滑动1步，构建的数据格式如下：

作为新的子序列集Y_p