[发明专利]基于机器学习的电离层hmF2长期预测方法

权利要求书

1.基于机器学习的电离层hmF2长期预测方法，其特征在于，包括：

A、对采集到的hmF2观测数据以及太阳活动指数数据进行预处理，形成hmF2原始数据集，将hmF2原始数据集分离成训练数据集、验证数据集和测试数据集；

B、应用统计机器学习方法，建立电离层hmF2长期预测模型；

C、基于训练数据集对建立的电离层hmF2长期预测模型进行训练，考虑模型精度，确定电离层hmF2长期预测模型后用验证数据集验证，并用测试数据集进行测试。

2.根据权利要求1所述基于机器学习的电离层hmF2长期预测方法，其特征在于，所述太阳活动指数数据包括波长为10.7厘米太阳射电波通量F10.7；太阳黑子数R；紫外线波段中最强的单线Lyman-α。

3.根据权利要求1所述基于机器学习的电离层hmF2长期预测方法，其特征在于，对hmF2观测数据以及太阳活动指数数据进行预处理，包括：

通过处理hmF2观测数据，得到hmF2月中值数据，对hmF2月中值数据进行分析，观察时间变化特性，根据时间变化特性确定训练模型集合；确定建模过程中数据的采样周期和存储格式；根据太阳活动指数的数据，获得对应的12月滑动平均值。

4.根据权利要求3所述基于机器学习的电离层hmF2长期预测方法，其特征在于，所述训练模型集合包括所有将被训练的电离层hmF2长期预测模型。

5.根据权利要求3所述基于机器学习的电离层hmF2长期预测方法，其特征在于，采集hmF2观测数据的采样周期为60分钟。

6.根据权利要求3所述基于机器学习的电离层hmF2长期预测方法，其特征在于，采集到hmF2观测数据后，按照时间顺序存储每一月份hmF2全天24小时月中值，形成了标准化的hmF2建模数据，即观测站点对应一个标准化建模数据文件，第一行存储第一年第1个月份24小时hmF2月中值，第二行存储第一年第2个月份24小时hmF2月中值，依序存储至最后一年最后一月24小时hmF2月中值，形成“年数*12，24”的建模数据矩阵，保存为标准化的hmF2建模数据文件；同时将太阳射电通量F10.7、紫外线波段中最强的单线Lyman-α的12月滑动平均值保存为标准化的数据文件。

7.根据权利要求1所述基于机器学习的电离层hmF2长期预测方法，其特征在于，所述建立电离层hmF2长期预测模型，包括：

考虑hmF2月中值数据与太阳活动相关性以及电离层特征参数的年、半年、季节的变化，对于给定的地理坐标和当地时间，确定输出参数hmF2和输入参数之间可能的映射关系，定义电离层hmF2长期预测模型如下：

式中，q为F10.7的12个月滑动平均值，或太阳黑子R的12个月滑动平均值，或是Lyman-α的12月滑动平均值，m是月份，a与太阳活动指数直接相关，表示太阳活动指数的变化特性，三角函数中的b用于表示年、半年、季节和月的周期变化特性，b＝1，2，3，4分别代表12个月、6个月、3个月和1个月，分母12代表季节周期的最大值，A和B分别是a与b的最大数值，θ_a,b和μ_a,b是模型的超参数。

8.根据权利要求1所述基于机器学习的电离层hmF2长期预测方法，其特征在于，步骤C中，所述的基于训练数据集对建立的电离层hmF2长期预测模型进行训练，考虑模型精度，确定电离层hmF2长期预测模型后用验证数据集验证，并用测试数据集进行测试，包括：

步骤C1：利用最小二乘法方法LS下的回归分析，对步骤B中所建立的所有的电离层hmF2长期模型进行训练，模型中的A和B的值，A＝1，2，3，4、B＝1，2，3，4；当A和B的值确定后，通过最小二乘法确定模型中的超参数θ_a,b和μ_a,b；

步骤C2：使用验证数据集对不同A、B的值的情况下和不同太阳活动指数下建立的模型进行验证；考虑相对均方根误差RRMSE，最终确定hmF2的长期预测模型中A＝1，B＝1，输入的太阳活动指数为R的12个月滑动平均值，即：