基于BiLSTM模型的BDS-3短期钟差预报精度研究

P258; 提出了一种改进的北斗钟差预测模型,将传统的单向长短期记忆神经网络(LSTM)扩展为双向长短期记忆网络(BiLSTM),引入了3种自适应匹配超参数的算法提高钟差数据短期预报的精度.首先,对LSTM进行优化,建立BiLSTM模型,介绍了超参数的3种选择方案(粒子群搜索(PSO)、麻雀搜索(SSA)和贝叶斯搜索(BOA)),并给出了相应的适用范围.然后,详细介绍基于超参数优化BiLSTM模型的钟差预报的步骤.最后,利用GFZ卫星钟差数据,从不同轨道类型、5 min采样间隔、15 min采样间隔等方面进行了1、6和12 h的单天和多天预报对比试验,并进行了相应模型的时间复杂度分析.试验结果...

Full description

Saved in:
Bibliographic Details
Published in:测绘学报 2024, Vol.53 (1), p.65-78
Main Authors: 潘雄, 黄伟凯, 赵万卓, 张思莹, 张龙杰, 金丽宏
Format: Article
Language:Chinese
Online Access:Get full text
Tags: Add Tag
No Tags, Be the first to tag this record!
Description
Summary:P258; 提出了一种改进的北斗钟差预测模型,将传统的单向长短期记忆神经网络(LSTM)扩展为双向长短期记忆网络(BiLSTM),引入了3种自适应匹配超参数的算法提高钟差数据短期预报的精度.首先,对LSTM进行优化,建立BiLSTM模型,介绍了超参数的3种选择方案(粒子群搜索(PSO)、麻雀搜索(SSA)和贝叶斯搜索(BOA)),并给出了相应的适用范围.然后,详细介绍基于超参数优化BiLSTM模型的钟差预报的步骤.最后,利用GFZ卫星钟差数据,从不同轨道类型、5 min采样间隔、15 min采样间隔等方面进行了1、6和12 h的单天和多天预报对比试验,并进行了相应模型的时间复杂度分析.试验结果表明,采用超参数方案优化后的BiLSTM模型在进行1、6和12h预报时,相较于二次多项式模型、灰色模型、长短期记忆神经网络的模型和BiLSTM模型,平均精度可分别提升86.21％、83.32％、69.99％和55.17％.在3种优化方案中,使用PSO算法对IGSO类型卫星的优化效果较好;使用BOA算法对MEO类型卫星的钟差优化效果较好;使用SSA算法在整体上优化效果最好.虽然经过超参数优化后的BiLSTM模型训练时间相对常用模型较长,但预报速度较快,总体上能够满足实时预报时间要求.
ISSN:1001-1595
DOI:10.11947/j.AGCS.2024.20230082