[发明专利]基于机器学习的电离层hmF2长期预测方法

说明书

本发明公开一种基于机器学习的电离层hmF2长期预测方法，包括：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；应用统计机器学习方法，建立电离层hmF2长期预测模型；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。本发明的方法可提升hmF2的长期预测精度，为空间天气预警、频率规划和预测高频传播条件等领域提供强有力的技术基础。

技术领域

本发明涉及无线电波技术领域，特别是涉及一种基于机器学习的电离层hmF2长期预测方法。

背景技术

电离层中存在大量自由电子，会影响无线电波的传播。电离层F2层峰值电子密度高度(hmF2)有助于研究和监测电离层特征，捕捉和观测电离层变化。估计和预测hmF2的长期变化趋势对高频通信，全球导航卫星系统(GNSS)，全球定位系统(GPS)无线电掩星和近地轨道(LEO)精确定轨应用具有重要作用。

hmF2可以通过电离层探测仪直接测量或利用测量的电离层其他参数(E区电子密度(foE)、F2层3000km处传播因子(M3000F2)和F2层临界频率(foF2))反演得到。在缺少测量条件或其他极端情况时，hmF2可通过物理模型，数学模型和经验模型等计算得到。其中，国际参考电离层(IRI)是最常见的经验模型，也是众所周知推荐的国际标准，该标准可以综合hmF2的全球空间分布特征提供较为平均的预测，然而也需要进一步提升预测精度。随着观测技术的不断发展和计算机技术的不断进步，电离层模型也在更新改进。因此，基于现有技术的不断进步，对电离层hmF2进行长期预测，以提升hmF2的长期预测精度，很有必要。

发明内容

本发明的目的是针对现有技术中的问题，而提供一种基于机器学习的电离层hmF2长期预测方法，本发明的方法可提升hmF2的长期预测精度，为空间天气预警、频率规划和预测高频传播条件等领域提供强有力的技术基础。

为实现本发明的目的所采用的技术方案是：

一种基于机器学习的电离层hmF2长期预测方法，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。

其中，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。

其中，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。

其中，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。

其中，采集hmF2观测数据的采样周期为60分钟。