一种基于机器学习算法的区域/单站ZTD组合预测模型

杨旭; 何祥祥; 王媛媛; 谭福临; 陈雄川

doi:10.12265/j.gnss.2021072902

一种基于机器学习算法的区域/单站ZTD组合预测模型

doi: 10.12265/j.gnss.2021072902

杨旭^{1, 2, 3,},
何祥祥^{1, 2, 3, ,},
王媛媛^{1, 2, 3},
谭福临^{1, 2, 3},
陈雄川⁴

1.
安徽理工大学矿区环境与灾害协同监测煤炭行业工程研究中心, 安徽淮南 232001
2.
安徽理工大学矿山采动灾害空天地协同监测与预警安徽普通高校重点实验室, 安徽淮南 232001
3.
安徽理工大学空间信息与测绘工程学院, 安徽淮南 232001
4.
自然资源部大地测量数据处理中心, 西安 710054

基金项目: 矿山环境与灾害空天地协同监测煤炭行业工程研究中心2020年度开放基金项目(KSXTJC202005)；安徽省教育厅自然科学重点项目(KJ2020A0311)；安徽理工大学人才引进科研启动基金项目；安徽省教育厅大学生创新创业训练计划项目(S202010361264，S202010361266，S202110361254)；安徽省重点研究与开发计划(202104a07020014)；安徽省科技重大专项项目(202103a05020026)

详细信息

作者简介:
杨旭：(1989—)，男，博士，讲师，主要研究方向为精密定位、大气误差建模、最优估计理论

何祥祥：(1998—)，男，主要研究方向为机器学习、大气误差建模

通讯作者:
何祥祥E-mail: 962477706@qq.com

中图分类号: P228
计量
- 文章访问数: 352
- HTML全文浏览量: 146
- PDF下载量: 34
- 被引次数: 0
出版历程
- 收稿日期: 2021-07-29
- 网络出版日期: 2022-02-23

A regional/single station ZTD combined forecasting model based on machine learning algorithm

YANG Xu^{1, 2, 3
,},
HE Xiangxiang^{1, 2, 3
, ,},
WANG Yuanyuan^{1, 2, 3},
TAN Fulin^{1, 2, 3},
CHEN Xiongchuan⁴

1.
Coal Industry Engineering Research Center of Mining Area Environmental and Disaster Cooperative Monitoring, Anhui University of Science and Technology, Huainan 232001, China
2.
Key Laboratory of Aviation-aerospace-ground Cooperative Monitoring and Early Warning of Coal Mining-induced Disasters of Anhui Higher Education Institutes, Anhui University of Science and Technology, Huainan 232001, China
3.
School of Geomatics, Anhui University of Science and Technology, Huainan 232001, China
4.
Geodetic Data Processing Center, Ministry of Natural Resources, Xi’an 710054, China

摘要

摘要: 针对天顶对流层总延迟(ZTD)具有一定的时空变化特性，提出了一种基于BP神经网络、长短期记忆网络(LSTM)算法的区域/单站ZTD组合预测模型. 以连续14天香港连续运行参考站(CORS)网络18个监测站观测数据为例，利用BP神经网络、LSTM及本文算法进行了区域、单站及二者组合ZTD预测模型研究. HKWS测站的预测结果表明：利用前13天数据预报第14天数据，区域、单站、组合模型ZTD预测的均方根误差（RMSE）分别为10.2 mm、10.4 mm、8.5 mm，组合模型相对于区域、单站模型预测精度分别提升了17.2%、18.4%.
- 区域对流层延迟建模 /
- BP神经网络 /
- 长短期记忆网络(LSTM) /
- 连续运行参考站(CORS) /
- 组合模型
Abstract: Aiming at the temporal and spatial characteristics of zenith tropospheric total delay (ZTD), a combined regional/single station ZTD prediction model based on BP neural network and long-term memory network (LSTM) algorithm is proposed. Taking the observation data of 18 stations in Hong Kong continuously operating reference stations (CORS) network for 14 consecutive days as an example, the regional, single station and combined ZTD prediction models are studied by using BP neural network, LSTM and the algorithm proposed in this paper. The prediction results of HKWS station show that the root mean square error (RMSE) of regional, single station and combined ZTD prediction models are 10.2 mm, 10.4 mm and 8.5 mm respectively, and the prediction accuracy of the combined model is improved by 17.2% and 18.4% compared with the regional model and the single station model, respectively.
- regional troposphere delay modeling /
- BP neural network /
- long-term memory network (LSTM) /
- continuously operating reference stations (CORS) /
- combined model

HTML全文

图 1 LSTM内部原理图

下载: 全尺寸图片幻灯片

图 2 3种模型在HKWS测站ZTD预测结果

下载: 全尺寸图片幻灯片

图 3 3种模型在HKWS测站ZTD预测残差对比

下载: 全尺寸图片幻灯片

表 1 归一化前后的部分数据

状态	X/m	Y/m	Z/m	t/s	ZTD/m
归一化前	–2 148 744.471 0	4 426 641.183 0	4 044 655.828 0	1 177 632 000	2.355 0
	–2 399 063.310 0	5 389 237.639 0	2 417 326.854 0	1 177 718 400	2.546 0
	–2 405 183.571 0	5 392 541.616 0	2 403 645.525 0	1 177 718 400	2.586 0
	–2 418 092.946 0	5 374 658.131 0	2 430 428.980 0	1 177 718 400	2.595 0
	–2 402 484.687 0	5 395 262.242 0	2 400 726.757 0	1 177 722 000	2.518 0
归一化后	–0.548 4	–1.000 0	0.650 7	–1.000 0	0.428 5
	–0.713 9	0.714 9	–0.979 5	–0.857 1	0.745 1
	–0.718 0	0.720 8	–0.993 2	–0.857 1	0.815 5
	–0.726 5	0.688 9	–0.966 4	–0.857 1	0.829 8
	–0.716 2	0.725 6	–0.996 1	–0.851 2	0.701 4
注：归一化后数据为无量纲的数据.

下载: 导出CSV

表 2 标准化前后的ZTD m

原始ZTD	标准化后ZTD
2.553 8	–1.829 1
2.567 9	–1.220 0
2.577 8	–0.788 6
2.608 4	0.531 6
2.628 3	1.393 1
2.674 0	3.366 0
注：标准化后数据为无量纲的数据.

下载: 导出CSV

表 3 3种模型预测ZTD的RMSE和Bias mm

模型	RMSE	Bias
区域ZTD模型	10.2	2.40
单站ZTD模型	10.4	–2.60
区域/单站ZTD模型	8.5	–0.07

下载: 导出CSV

参考文献(14)

[1]	陈阳, 胡伍生. 一种基于遗传算法和BP神经网络的对流层延迟改正模型[J]. 测绘工程, 2018, 27(3): 46-52.
[2]	丁茂华, 胡伍生. 一种优化的基于神经网络的经验ZTD模型[J]. 测绘通报, 2017(1): 22-25,52.
[3]	王勇, 张立辉, 杨晶. 基于BP神经网络的对流层延迟预测研究[J]. 大地测量与地球动力学, 2011, 31(3): 134-137.
[4]	肖恭伟, 欧吉坤, 刘国林, 等. 基于改进的BP神经网络构建区域精密对流层延迟模型[J]. 地球物理学报, 2018, 61(8): 3139-3148. DOI: 10.6038/cjg2018L0565
[5]	时瑶佳, 吴飞, 朱海, 等. 基于Keras平台的LSTM模型的对流层延迟预测[J]. 全球定位系统, 2020, 45(6): 115-122.
[6]	邱春荣. 基于BP神经网络的多传感器数据融合方法[J]. 长沙民政职业技术学院学报, 2018, 25(2): 130-131. DOI: 10.3969/j.issn.1671-5136.2018.02.035
[7]	陈映果. 基于图像处理技术的非接触式心率检测算法研究[D]. 福建: 华侨大学, 2015.
[8]	唐跃, 徐曲, 柯波, 等. 基于交叉验证的矿岩爆破块度SVM模型优选研究[J]. 爆破, 2018, 35(3): 74-79. DOI: 10.3963/j.issn.1001-487X.2018.03.012
[9]	凡陈玲, 张顺平, 李宇骁, 等. 气敏元件阵列评定P25光催化降解甲醛效率的研究[J]. 传感技术学报, 2012, 25(3): 297-301. DOI: 10.3969/j.issn.1004-1699.2012.03.003
[10]	周志华. 机器学习[M]. 北京: 清华大学出版社, 2016.
[11]	俞祝良. 人工智能技术发展概述[J]. 南京信息工程大学学报(自然科学版), 2017, 9(3): 297-304.
[12]	张玉清, 董颖, 柳彩云, 等. 深度学习应用于网络空间安全的现状、趋势与展望[J]. 计算机研究与发展, 2018, 55(6): 1117-1142. DOI: 10.7544/issn1000-1239.2018.20170649
[13]	郭峰, 王斌, 刘敏. 基于BP神经网络的时间序列预测研究[J]. 价值工程, 2010, 29(35): 128-129. DOI: 10.3969/j.issn.1006-4311.2010.35.094
[14]	高忠华. 基于BP神经网络的发动机机体工时定额研究[J]. 价值工程, 2015, 34(3): 18-19.

施引文献

资源附件(0)

访问统计

点击查看大图

图(3) / 表(3)

计量

文章访问数: 352
HTML全文浏览量: 146
PDF下载量: 34
被引次数: 0

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

一种基于机器学习算法的区域/单站ZTD组合预测模型

doi: 10.12265/j.gnss.2021072902

作者简介:
杨旭：(1989—)，男，博士，讲师，主要研究方向为精密定位、大气误差建模、最优估计理论

何祥祥：(1998—)，男，主要研究方向为机器学习、大气误差建模

通讯作者:
何祥祥E-mail: 962477706@qq.com

计量

A regional/single station ZTD combined forecasting model based on machine learning algorithm

计量

目录

留言板

一种基于机器学习算法的区域/单站ZTD组合预测模型

doi: 10.12265/j.gnss.2021072902

作者简介: 杨旭：(1989—)，男，博士，讲师，主要研究方向为精密定位、大气误差建模、最优估计理论 何祥祥：(1998—)，男，主要研究方向为机器学习、大气误差建模

通讯作者: 何祥祥E-mail: 962477706@qq.com

计量

出版历程

A regional/single station ZTD combined forecasting model based on machine learning algorithm

计量

出版历程

目录

作者简介:
杨旭：(1989—)，男，博士，讲师，主要研究方向为精密定位、大气误差建模、最优估计理论

何祥祥：(1998—)，男，主要研究方向为机器学习、大气误差建模

通讯作者:
何祥祥E-mail: 962477706@qq.com