科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对机器学习算法在卫星钟差短期预报应用中训练数据量最佳确定、算法有效性评估研究较少的问题，以武汉大学IGS数据中心连续15 d 33颗事后BDS-2/BDS-3精密卫星钟差产品为例，基于钟差相位数据的偏最小二乘(PLS)、基于钟差相位数据一次差分的偏最小二乘(DPLS)、长短期记忆网络(LSTM)模型进行了BDS-2/BDS-3卫星钟差短期预报。实验结果表明：首先，选择第15天数据为测试样本，前14天距第15天最近的连续n d数据为训练样本时，n为8时，PLS模型预报性能达到最优；n为1、3、8时DPLS预报性能达到相对最优；n为11时LSTM预报性能最优；PLS、DPLS模型的预报效率较优，而LSTM预报效率较差，最大预报耗时分别为0.25 s、0.90 s、198.65 min;随着测试样本的增加，LSTM模型的预报耗时显著增加，而其他两个模型预报耗时基本没有变化；其次，连续14 d的短期预报(当前1天为训练样本，后1天为测试样本)结果表明，DPLS较PLS与LSTM模型，6 h预报时长下，均方根误差(RMS)分别提升了31.26%、39.66%,极差(Range)分别改善了26.34%、40.30%,24 h预报时长下，RMS分别提升了33.48%、42.68%,Range分别改善了29.77%、42.95%。
- 单位
