278 / 2023-10-08 12:44:59

一种基于RBF神经网络与改进LSTM算法的区域/单站ZTD组合预测模型

区域对流层延迟建模；RBF神经网络；LSTM；组合模型

大气水汽是预测全球气候变化、降雨和灾害性天气的重要信息源，也是北斗/GNSS等对地观测系统的重要误差源。天顶对流层延迟（ZTD）在大气水汽反演、GNSS精密定位等应用中扮演了重要角色。针对天顶对流层总延迟(ZTD)具有一定的时空变化特性，实时ZTD建模应用广泛，常规BP模型存在局部最优、LSTM模型依赖较长历史数据等问题，提出了一种精度高、效率高、适合在线建模的基于k-means聚类算法辅助的RBF神经网络（K-RBF）与参数实时更新的LSTM（R-LSTM）机器学习算法的区域/单站ZTD组合预测模型（KR-RBF-LSTM）。以连续90天美国加利福尼亚州南部的13个IGS站ZTD数据（5min采样间隔）为例，利用K-RBF、R-LSTM及本文所提算法KR-RBF-LSTM进行了区域、单站及二者组合ZTD预测模型研究，实时/近实时预测结果表明：13个测站K-RBF的均方根误差（RMSE），平均绝对误差（MAE），决定系数（R2）和模型训练耗费时间(TTC)分别为8.35mm，6.89mm，0.61，4.78s，较常规BP模型的精度与效率有了一定的提升；WHC1测站R-LSTM的RMES、MAE、R2，TTC分别为6.74mm，5.92mm，0.98，0.18s，较LSTM分别改善了67.43%，66.42%，63.33%，97.70%，24组不同历史观测数据的对比实验表明该实时更新模型在小样本的时间预测中具有很强的适用性和准确性；13个测站KR-RBF-LSTM的RMES、MAE分别为4.37mm、3.64mm，较K-RBF分别改善了47.70%，47.20%、较R-LSTM，RMES、MAE28.48%，31.29%，组合模型较好的考虑了ZTD的时空变化特征。