F_10.7指數(shù)作為大氣密度經(jīng)驗?zāi)Ｐ偷闹匾斎雲(yún)⒘?其預(yù)報精度直接影響航天器軌道預(yù)報精度.研究發(fā)現(xiàn),太陽活動表現(xiàn)出長時間尺度上平均11年和中短時間尺度平均27天的周期性變化特征.依據(jù)這一觀測事實,基于長短期記憶單元（Long Short-term Memory,LSTM）遞歸神經(jīng)網(wǎng)絡(luò)方法進行F_10.7指數(shù)未來27天的中期預(yù)報.利用一個連續(xù)長時段F_10.7數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),構(gòu)建LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練和預(yù)測模型,分別預(yù)測太陽活動高低年未來27天的F_10.7指數(shù).結(jié)果表明,太陽活動高年的第27天F_10.7指數(shù)預(yù)報平均相對誤差最優(yōu)可達10%以內(nèi),低年最優(yōu)可達2%以內(nèi). 

【文章來源】：空間科學(xué)學(xué)報. 2020,40(02)北大核心CSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

圖１?ＬＳＴＭ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??Ｆｉｇ．?１?ＬＳＴＭ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??

０００次平??均時間為４〇ｍｉｎ，而采用Ａｄａｄｅｌｔａ，算法訓(xùn)練平均時??間為３５?ｍｉｎ．因此，基于Ａｄａｍ梯度下降算法訓(xùn)練稍??慢，但預(yù)報誤差更小，趨近于１，綜合考慮選擇Ａｄａｍ??算法．當(dāng)學(xué)習(xí)率為０．００１時，誤差最小，因此這里學(xué)習(xí)??率設(shè)置為０．００１．當(dāng)訓(xùn)練到１０００次時誤差下降幅度??趨平，增加訓(xùn)練次數(shù)對提高預(yù)報精度幫助不大，因此??這里選擇訓(xùn)練次數(shù)為１０００．??２．３訓(xùn)練模型構(gòu)建與指數(shù)預(yù)測??預(yù)報過程包含數(shù)據(jù)選娶參數(shù)確定、神經(jīng)網(wǎng)絡(luò)預(yù)??報三個部分，具體過程如圖４所示．以ｐｙｔｈｏｎ作為??模型構(gòu)建語言，采用ｇｏｏｇｌｅ在２０１５年１１月研發(fā)的??第二代人工智能學(xué)習(xí)系統(tǒng)Ｔｅｎｓｏｒｆｌｏｗ庫；根據(jù)２．２節(jié)??確定的學(xué)習(xí)率、隱藏神經(jīng)元數(shù)、輸入量長度參數(shù)構(gòu)??建訓(xùn)練模型；利用２．１節(jié)選定的訓(xùn)練集對模型進行訓(xùn)??練，然后輸入測試集數(shù)據(jù)完成模型測試評估．??Ｔｒａｉｎｉｎｇ?ｔｉｍｅｓ??圖３不同學(xué)習(xí)率下Ａｄａｍ及Ａｄａｄｅｌｔａ梯度??下降算法訓(xùn)練后的誤差對比??Ｆｉｇ．?３?Ｅｒｒｏｒ?ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｔｒａｉｎｉｎｇ?ｂｅｔｗｅｅｎ?Ａｄａｍ?ａｎｄ??Ａｄａｄｅｌｔａ?ｇｒａｄｉｅｎｔ?ｄｅｓｃｅｎｔ?ａｌｇｏｒｉｔｈｍ?ｗｉｔｈ??ｄｉｆｆｅｒｅｎｔ?ｌｅａｒｎｉｎｇ?ｒａｔｅｓ??３結(jié)果評估??３．１評估指標(biāo)??參考ＳＷＰＣ和中科院空間環(huán)境預(yù)報中心官網(wǎng)上??的評估方法，選取３個評估量，分別為平均絕對誤??差Ｉｍａｅ、平均相對誤差Ｉｍｒｅ和均方根差Ｌｒｍｓｅ．??平均絕對誤差是全部單次預(yù)報值與觀測值偏差??絕對值的均值．平均絕對誤差能更好地反映預(yù)報值誤??差的實際情況．

■?Ｍｅａｓｕｒｅｄ??卜?ｏｒｅｃａｓｔ??１９９９??２０００??２００２??２００３??２００５??２００６??Ｄａｔｅ??１８４??為了檢驗本文方法對ｆ１ｑ．７指數(shù)中短期波動情??況的預(yù)測能力，隨機選擇１９９８，?１９９９，?２００２，?２００５年??的巧０．７數(shù)據(jù)進行測試，數(shù)據(jù)包含太陽活動低年、上升??下降年和高峰年．相關(guān)系數(shù)能夠檢驗預(yù)報方法的??適用性和穩(wěn)定性，因此利用預(yù)報結(jié)果與實測值的相關(guān)??性系數(shù)ｉ？表征此能力．圖９為各年度第２７天的朽０．７??指數(shù)預(yù)報情況．其中１９９８年預(yù)報結(jié)果與實測值的相??關(guān)性系數(shù)ｉ？最高，為０．６０，該年處于太陽活動水平??上升階段；２００５年最低，為０．４０，該年處于太陽活動??水平較低階段．在太陽活動高年和下降年，相關(guān)性系??數(shù)ｉ？范圍為０．４？０．５．因此，相對太陽活動低年，太??陽活動高年預(yù)報結(jié)果與實測值相關(guān)性更高，此時對??巧０．７指數(shù)波動的預(yù)測能力相對較強．因此，該方法??在太陽活動水平較高時具有一定適用性，能夠預(yù)測出??多數(shù)的波動情況，但是指數(shù)幅度預(yù)測的準(zhǔn)確性較差．??Ｃｈｉｎ．?Ｊ．?Ｓｐａｃｅ?Ｓｃｉ．空間科學(xué)學(xué)報?２０２０，?４０（２）??４結(jié)論??通過對Ｆ１Ｑ．７指數(shù)中期預(yù)報結(jié)果分析及與ＳＷ－??ＰＣ和文獻［７］預(yù)報結(jié)果的對比分析，得出如下結(jié)論．??（１）在太陽活動尚年，Ｆｌ〇．７指數(shù)預(yù)報誤差高于太??陽活動低年，未來１？２７天Ｆ１Ｑ．７指數(shù)預(yù)報誤差隨著??預(yù)報天數(shù)增加先升高后趨于穩(wěn)定．??（２）基于ＬＳＴＭ方法能夠較好地預(yù)測Ｆ１０．７指數(shù)??變化趨勢，第２７天Ｆｉａ７的預(yù)報值和實測值相關(guān)系??數(shù)在１９９９年最高，達到０．６．在太陽活

【參考文獻】：
期刊論文
[1]基于正則化LSTM模型的股票指數(shù)預(yù)測[J]. 任君,王建華,王傳美,王建祥.  計算機應(yīng)用與軟件. 2018(04)
[2]基于LSTM神經(jīng)網(wǎng)絡(luò)的用電量預(yù)測[J]. 徐堯強,方樂恒,趙冬華,王凱.  電力大數(shù)據(jù). 2017(08)
[3]基于深度學(xué)習(xí)的太陽10.7 cm射電流量日值的中期預(yù)報[J]. 王歆.  飛行器測控學(xué)報. 2017(02)
[4]太陽輻射指數(shù)F10.7的中期預(yù)報方法[J]. 汪宏波,熊建寧,趙長印.  天文學(xué)報. 2014(04)
[5]大氣阻力引起衛(wèi)星軌道衰減的數(shù)值模擬[J]. 尹凡,馬淑英,李晶,馮定華,王西京,周云良.  地球物理學(xué)報. 2013(12)
[6]太陽10.7cm射電流量中期預(yù)報模型研究（Ⅰ）[J]. 劉四清,鐘秋珍,溫靖,竇賢康.  空間科學(xué)學(xué)報. 2010(01)
[7]太陽F10.7指數(shù)準(zhǔn)27天振蕩的小波分析[J]. 馬瑞平,紀(jì)巧,徐寄遙.  空間科學(xué)學(xué)報. 2007(02)
[8]奇異譜分析在太陽10.7cm射電流量中期預(yù)測中的應(yīng)用[J]. 鐘秋珍,劉四清,何卷雄,龔建村.  空間科學(xué)學(xué)報. 2005(03)
[9]太陽10.7cm射電輻射流量預(yù)報方法初探[J]. 苗娟,劉四清,薛炳森,龔建村,王家龍.  空間科學(xué)學(xué)報. 2003(01)
[10]一種確定神經(jīng)網(wǎng)絡(luò)隱層節(jié)點數(shù)的新方法[J]. 張清良,李先明.  吉首大學(xué)學(xué)報(自然科學(xué)版). 2002(01)



本文編號：3429320