基于Transformer模型的EOP参数与F10.7短期预报方法

摘要: 本发明属于空间环境监测领域,具体地说是基于transformer模型的eop参数与f10.7短期预报方法。背景技术:1、地球定向参数(earthorientat...
基于Transformer模型的EOP参数与F10.7短期预报方法

本发明属于空间环境监测领域,具体地说是基于transformer模型的eop参数与f10.7短期预报方法。

背景技术:

1、地球定向参数(earth orientation parameters,eop)描述了地球自转轴在空间中的指向变化,主要包括极移(polar motion,pm)和地球自转参数ut1-utc,其精确预报对于卫星导航、航天器定轨和深空探测等空间任务具有重要支撑作用。空间天气(spaceweather,sw)参数中的太阳辐射通量f10.7是衡量太阳活动水平的重要指标,地磁ap指数则反映了地磁活动的剧烈程度,两者均是影响航天器轨道衰减和空间环境安全的关键因素。当前,针对eop参数和sw参数的预报方法多采用最小二乘外推结合自回归残差修正、奇异谱分析、卡尔曼滤波等传统时间序列分析手段,这些方法在各自的适用场景中均取得了一定效果。近年来,深度学习技术也被逐步引入上述参数的预报研究中,其中长短期记忆网络和transformer模型均展现出良好的应用前景。

2、然而,现有技术中尚缺乏一种能够将eop参数与sw参数纳入同一框架进行联合预报的方法。实际物理过程中,太阳活动水平(以f10.7表征)的变化会影响地球高层大气密度和地磁场状态,进而对地球自转速率和极移产生微弱但可观测的贡献,两类参数之间存在物理上的耦合关系。现有方法通常将eop和sw参数作为相互独立的预报任务分别处理,未能充分利用两者之间的潜在关联信息,也增加了业务化部署时的模型维护成本。此外,现有方法在预处理环节中对数据中蕴含的多尺度周期特征挖掘不够充分,难以同时有效处理eop的刚体地球自转信号与sw参数中源自太阳活动的准周期信号。针对上述问题,本发明提供一种基于transformer模型的eop参数与f10.7短期预报方法,旨在将两类参数纳入统一的预报框架中进行联合建模与预报。

技术实现思路

1、为了解决上述技术问题,本发明提供基于transformer模型的eop参数与f10.7短期预报方法,以解决现有技术中缺乏将eop参数与sw参数纳入同一框架进行联合预报,导致两类参数之间的物理耦合信息未能被充分利用,且业务化部署需维护多个独立模型的问题。

2、本发明提供基于transformer模型的eop参数与f10.7短期预报方法,包括以下步骤:

3、步骤一,获取地球定向参数eop和空间天气sw参数的历史时序数据,所述eop参数包括极移x分量、极移y分量和ut1-utc,所述sw参数包括太阳辐射通量f10.7、观测太阳辐射通量obsf10.7和地磁ap指数;

4、步骤二,对所述历史时序数据进行特征工程预处理,所述预处理依次包括对地磁ap指数的对数变换、基于修正儒略日的时间特征编码、基于快速傅里叶变换的周期特征提取、一阶差分去趋势处理以及z-score归一化处理,生成多维度特征序列;

5、步骤三,构建基于transformer编码器-解码器架构的初始预报模型,所述编码器和解码器包含基于缩放点积注意力的自注意力机制和前馈网络;

6、步骤四,将所述多维度特征序列按时间顺序划分为训练集、验证集和测试集,采用所述训练集对所述初始预报模型进行训练,对于eop参数采用huber损失函数计算预报值与真实值之间的损失,对于sw参数采用均方误差损失函数计算损失,采用adamw优化器结合余弦退火重启学习率调度策略更新模型参数,当模型在验证集上的损失函数值连续30次迭代后未降低时终止训练,得到训练好的预报模型;

7、步骤五,将待预报时刻前固定时间窗口内的历史数据经所述步骤二预处理后输入所述训练好的预报模型,所述模型输出eop参数和sw参数的7天和30天短期预报结果。

8、优选的,所述步骤二中,对地磁ap指数的对数变换公式为:

9、

10、其中,为原始ap指数值,为对数变换后的值。

11、优选的,所述步骤二中,一阶差分去趋势处理的公式为:

12、

13、其中,为时刻的目标参数原始值,为时刻的目标参数原始值,为差分后的序列值。

14、优选的,所述步骤二中,z-score归一化处理的公式为:

15、

16、其中,为待归一化的特征值,为该特征的均值,为该特征的标准差,为归一化后的特征值。

17、优选的,所述步骤二中,所述周期特征提取针对eop参数和sw参数分别选取典型周期组合:

18、对于eop参数,所述典型周期包括13.7天、27.0天、182.6天、365.25天、432.1天、3210天、3745天和7490天;

19、对于sw参数,所述典型周期包括13.7天、27.0天、182.6天、365.25天、3210天、3745天、154天和4018天;

20、对各个典型周期分别计算正弦编码特征和余弦编码特征。

21、优选的,所述步骤三中,所述transformer编码器和解码器采用正弦余弦位置编码对输入序列注入位置信息,位置编码的计算公式为:

22、

23、

24、其中,为序列中数据点的位置索引,为维度索引,为transformer模型的维度参数。

25、优选的,所述步骤四中,对于地磁ap指数的预报,采用长短期记忆网络与transformer双模型集成策略,分别训练lstm模型和transformer模型,将两者的预报结果按等权重加权平均作为最终的ap指数预报值,集成公式为:

26、

27、其中,为lstm模型的预报值,为transformer模型的预报值。

28、优选的,所述步骤四中,huber损失函数的计算公式为:

29、

30、其中,为预报值与真实值之间的误差,为预设的超参数。

31、优选的,所述步骤四中,采用迁移学习策略实现预报时长从7天到30天的扩展:先在7天预报任务上训练模型至收敛并保存模型权重,然后将保存的权重作为初始参数,在30天预报任务上继续进行微调训练,得到30天预报模型。

32、优选的,所述步骤四中,采用如下方式设置训练参数:adamw优化器的权重衰减系数设为量级,余弦退火重启学习率调度的初始周期设为30轮,周期倍增因子设为2,最小学习率设为量级;所述训练集、验证集和测试集按时间顺序以80%、10%、10%的比例划分,且不进行随机打乱。

33、与现有技术相比,本发明具有如下有益效果:

34、通过构建融合时间特征编码、傅里叶周期特征与一阶差分去趋势的多步骤预处理流程,将天文和空间环境中蕴含的物理先验知识有效嵌入深度学习模型,实现了对eop参数和sw参数中共振周期、季节变化、太阳活动等多尺度耦合特征的系统性提取与表达,从而显著增强了模型对复杂时序数据中周期性规律的感知和利用能力。

35、本发明通过采用基于transformer编码器-解码器架构的统一预报模型,利用其自注意力机制对序列长程依赖关系的天然建模优势,实现了极移x分量、极移y分量、ut1-utc以及f10.7、obsf10.7、地磁ap指数等多个目标参数的同步预报,避免了为每个参数单独设计和训练模型的繁琐流程,同时通过针对eop稳定参数采用huber损失、针对sw参数采用均方误差损失的差异化训练策略,兼顾了不同物理参数的各自特性。

36、本发明通过引入迁移学习策略,利用transformer模型固有的序列长度无关性,将在7天预报任务中学习到的周期特征表示和注意力权重分布有效迁移至30天预报任务,以较小的微调代价实现了预报时长的成倍扩展,既保持了中期预报的精度稳定性,又大幅降低了重新训练模型所带来的时间成本和数据需求,为eop和sw参数的中短期业务化预报提供了一套高效可行的技术方案。