集成奇异谱分析与ARIMA模型预测日长变化

作者：雷雨; 赵丹宁; 蔡宏兵; 徐劲松

来源：武汉大学学报(信息科学版), 2023, 48(12): 2040-2048.

DOI：10.13203/j.whugis20210256

• 地球自转
• 日长变化
• 预报
• 奇异谱分析
• 差分自回归滑动平均

高精度的日长（length of day,LOD）变化ΔLOD预报值在深空探测器跟踪、卫星自主导航和气候预测等领域具有重要作用。针对ΔLOD复杂的时变特性，首先，利用奇异谱分析（singular spectrum analysis,SSA）方法提取ΔLOD时间序列中的趋势项、周年项与半周年项等主成分，并基于SSA迭代插值算法对主成分进行外推；其次，采用差分自回归滑动平均（autoregressive integrated moving average,ARIMA）模型对扣除主成分的剩余项进行建模预测；最后，将SSA主成分外推值与ARIMA预测值相加获得ΔLOD预报值。选取国际地球自转与参考系服务组织发布的2000-01-01—2001-12-31的ΔLOD数据进行1～365 d跨度的预报实验，并将SSA+ARIMA预报结果与反向传播神经网络、广义回归神经网络和高斯过程等机器学习方法的预报结果进行对比分析。结果表明，SSA+ARIMA方法的预报精度优于几种机器学习方法，特别是中长期预报精度优势更为显著，其中，对于1～30 d短期和30～365 d中长期的预报，SSA+ARIMA方法的平均绝对预报误差相对于机器学习方法最大分别降低了39%和61%。

• 单位
  江苏师范大学; 宝鸡文理学院; 西安邮电大学