一种用于溯源比对守时系统的钟差预测方法及系统与流程

1.本技术涉及到时间频率计量领域，具体而言，涉及一种用于溯源比对守时系统的钟差预测方法及系统。


背景技术：

2.随着社会技术的不断进步，高精度时间基准在导航定位，电力传输，城市交通，信息通信方面发挥着越来越重要的作用。要想拥有稳定准确的本地高精度时间基准，一个可靠的守时钟组是坚定的基础和重要的前提。守时系统的基本组成部分有：原子钟组子系统、溯源比对子系统、钟差测量子系统和控制子系统。原子钟组子系统由氢钟和铯钟组成，负责产生原始时频信号；钟差测量子系统由多通道计数器组成，负责测量参考钟与钟组内其他原子钟的钟差；溯源比对子系统由一台或多台共视接收机组成，负责获取本地时间与gnss的钟差；控制子系统由相位微跃计组成，负责根据获取到的钟差信号对本地时间物理信号依据调整策略进行频率和相位调整，从而使得本地时间与gnss时间同步。
3.对于溯源子系统来说，该子系统基于采用共视溯源比对技术，通过部署在一级守时机构的接收机a和部署在用户守时实验室的接收机b同时监测与gnss的时差而后基于a，b站间的数据传输链路，将接收机的共视文件汇聚于守时实验室的计算机，最后采用加权平均的方法获得gnss_a与gnss_b的时差值。但是接收机a的工作异常和a、b两接收机之间的网络断开都会使用户的守时实验室无法解算得到钟差数据，从而导致本地时间基准无法溯源，最后造成本地时间信号跑偏。


技术实现要素：

4.本技术实施例提供了一种用于溯源比对守时系统的钟差预测方法及系统，以至少解决共视溯源时，由于一级守时机构共视文件获取失败，导致本地时间基准无法及时溯源的问题。
5.根据本技术的一个方面，提供了一种用于溯源比对守时系统的钟差预测方法，包括：判断获取上级共视文件是否成功，其中，所述上级共视文件用于溯源对比守时系统；在获取所述上级共视文件失败的情况下，对钟差数据进行预测，得到预测出的钟差数据，其中，所述钟差数据是使用机器学习模型预测得到的，所述机器学习模型使用真实的钟差数据进行训练的，训练之后的所述机器学习模型用于根据真实的钟差数据输出预测的钟差数据；将预测出的钟差数据提交至所述溯源对比守时系统。
6.进一步地，还包括：在获取所述上级共视文件成功的情况下，采集当前完整时间窗口的钟差数据，使用采集到的当前完整时间窗口的钟差数据对所述机器学习模型中的权重进行更新。
7.进一步地，所述机器学习模型至少是使用上一完整时间窗口内的钟差数据进行训练和验证过的。
8.进一步地，在判断获取上级共视文件是否成功之前，所述方法还包括：将上一完整
时间窗口中的真实钟差数据分为训练集、验证集和测试集；使用训练数据进行多轮训练，每一轮训练之后，均对得到的机器学习模型使用验证集进行验证和调整；在所述多轮训练结束之后，使用所述测试集对训练得到的机器学习模型进行测试评估。
9.进一步地，根据6比2比2的时序长度对真实钟差数据进行划分以构建所述训练集、验证集和测试集。
10.进一步地，所述机器学习模型是通过如下步骤训练的：初始化搭建由膨胀因果卷积网络、正则化网络、全卷积网络、残差网络组成的钟差序列预测模型的编码器和解码器结构，并进行滑动窗口大小等初始参数分配；对搭建的初始模型使用训练集进行训练得到所述机器学习模型。
11.根据本技术的另一个方面，还提供了一种用于溯源比对守时系统的钟差预测系统，包括：判断模块，用于判断获取上级共视文件是否成功，其中，所述上级共视文件用于溯源对比守时系统；预测模块，用于在获取所述上级共视文件失败的情况下，对钟差数据进行预测，得到预测出的钟差数据，其中，所述钟差数据是使用机器学习模型预测得到的，所述机器学习模型使用真实的钟差数据进行训练的，训练之后的所述机器学习模型用于根据真实的钟差数据输出预测的钟差数据；提交模块，用于将预测出的钟差数据提交至所述溯源对比守时系统。
12.进一步地，还包括：训练模块，用于在获取所述上级共视文件成功的情况下，采集当前完整时间窗口的钟差数据，使用采集到的当前完整时间窗口的钟差数据对所述机器学习模型中的权重进行更新。
13.进一步地，所述机器学习模型至少是使用上一完整时间窗口内的钟差数据进行训练和验证过的。
14.进一步地，所述训练模块用于：将上一完整时间窗口中的真实钟差数据分为训练集、验证集和测试集；使用训练数据进行多轮训练，每一轮训练之后，均对得到的机器学习模型使用验证集进行验证和调整；在所述多轮训练结束之后，使用所述测试集对训练得到的机器学习模型进行测试评估。
15.进一步地，根据6比2比2的时序长度对真实钟差数据进行划分以构建所述训练集、验证集和测试集。
16.进一步地，所述机器学习模型是通过如下步骤训练的：初始化搭建由膨胀因果卷积网络、正则化网络、全卷积网络、残差网络组成的钟差序列预测模型的编码器和解码器结构，并进行滑动窗口大小等初始参数分配；对搭建的初始模型使用训练集进行训练得到所述机器学习模型。
17.在本技术实施例中，采用了判断获取上级共视文件是否成功，其中，所述上级共视文件用于溯源对比守时系统；在获取所述上级共视文件失败的情况下，对钟差数据进行预测，得到预测出的钟差数据，其中，所述钟差数据是使用机器学习模型预测得到的，所述机器学习模型使用真实的钟差数据进行训练的，训练之后的所述机器学习模型用于根据真实的钟差数据输出预测的钟差数据；将预测出的钟差数据提交至所述溯源对比守时系统。通过本技术解决了共视溯源时，由于一级守时机构共视文件获取失败，导致本地时间基准无法及时溯源的问题，从而提高了实际应用中钟差预测的精确度。
附图说明
18.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
19.图1是根据本技术实施例的时序卷积网络模型的钟差序列预测流程图。
20.图2是根据本技术实施例的神经网络模型架构示意图。
21.图3是根据本技术实施例的用于溯源比对守时系统的钟差预测方法的流程图。
具体实施方式
22.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
23.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
24.在本实施例中提供了一种用于溯源比对守时系统的钟差预测方法，图3是根据本技术实施例的用于溯源比对守时系统的钟差预测方法的流程图，下面对图3中涉及到的步骤进行说明。
25.步骤s302，判断获取上级共视文件是否成功，其中，所述上级共视文件用于溯源对比守时系统；
26.步骤s304，在获取所述上级共视文件失败的情况下，对钟差数据进行预测，得到预测出的钟差数据，其中，所述钟差数据是使用机器学习模型预测得到的，所述机器学习模型使用真实的钟差数据进行训练的，训练之后的所述机器学习模型用于根据真实的钟差数据输出预测的钟差数据；
27.步骤s306，将预测出的钟差数据提交至所述溯源对比守时系统。
28.通过上述步骤解决了共视溯源时，由于一级守时机构共视文件获取失败，导致本地时间基准无法及时溯源的问题，从而提高了实际应用中钟差预测的精确度。
29.在上述步骤中，在获取所述上级共视文件成功的情况下，采集当前完整时间窗口的钟差数据，使用采集到的当前完整时间窗口的钟差数据对所述机器学习模型中的权重进行更新。
30.此时，所述机器学习模型至少是使用上一完整时间窗口内的钟差数据进行训练和验证过的。
31.在训练机器学习模型的时候，可以将上一完整时间窗口中的真实钟差数据分为训练集、验证集和测试集(例如，可以根据6比2比2的时序长度对真实钟差数据进行划分以构建所述训练集、验证集和测试集)；使用训练数据进行多轮训练，每一轮训练之后，均对得到的机器学习模型使用验证集进行验证和调整；在所述多轮训练结束之后，使用所述测试集对训练得到的机器学习模型进行测试评估。
32.下面结合可选的实施例进行说明，在本可选实施例中提供了一种用于溯源比对守时系统的钟差预测方法，使用离线与在线结合的时序卷积深度学习模型，基于相位微跃计钟差调整策略划分的上一时间窗口的完整数据，在线预测溯源比对守时系统下一时刻的钟差，通过判断下一时刻溯源比对守时系统的共视文件数据获取情况，针对性补充溯源比对
守时系统缺失的钟差数据或通过对冲反向传播对当前线上深度模型进行在线学习，微调权重参数。同时采集当前完整时间窗口的钟差数据，进行离线状态下的模型权重更新，为下一时间窗口的钟差预测准备预训练模型。
33.该本实施例中特征选择与数据预处理模块首先基于当前待预测时刻所在的时间窗口获取钟差数据，而后结合3sigma法则对异常点进行剔除，最后对数据进行归一化完成特征选择与数据预处理。训练验证测试数据集构建模块对上述预处理后的钟差数据基于6比2比2的时序长度比例进行划分，构建出训练集、验证集与测试集。
34.网络搭建与参数分配模块首先初始化搭建由膨胀因果卷积网络、正则化网络、全卷积网络、残差网络组成的钟差序列预测模型，并进行初始参数分配。在本实施例中，时序卷积网络模型的钟差序列预测流程主要包括如下模块：特征选择与数据预处理模块、训练验证测试数据集构建模块、网络搭建与参数分配模块、模型训练验证与网络调整与评估模块、线上导入模型进行预测模块，模型训练验证与网络调整与评估模块对网络搭建与参数分配模块搭建的初始模型使用训练验证测试数据集构建模块构建的训练集进行训练，训练5轮后进行一次验证并保存一次当前训练的网络权重结果，共计60轮，训练轮次结束后通过验证集对网络模型的预测准确率进行计算，查找钟差预测的最优解，判定是否进行再次训练、或对网络搭建与参数分配模块进行网络与参数微调、或进行测试集评估，评估结果未满足离线模型预定指标时需重新进行特征选择与数据预处理模块与训练验证测试数据集构建模块，增删其他时间窗口的钟差数据进行预处理与数据集搭建。
35.线上导入模型进行预测模块使用模型训练验证与网络调整与评估模块中测试集评估后满足预定离线学习指标的模型与权重参数对当前溯源比对守时系统中的钟差实时流进行处理，输出下一时刻的钟差数据的预测值，针对性补充溯源比对守时系统缺失的钟差数据或通过对冲反向传播对当前线上深度模型进行在线学习，微调权重参数。同时采集当前完整时间窗口的钟差数据，进行离线状态下的模型权重更新，为下一时间窗口的钟差预测准备预训练模型。
36.其线上深度学习模型面向实时钟差数据流并非始终进行在线学习，当溯源比对守时系统获取上级共视文件失败时，其所输出的钟差预测值将作为补充数据提交至守时系统；当溯源比对守时系统获取上级共视文件成功时，其使用系统获取的钟差真实值作为在线学习的数据真值，通过对冲反向传播进行在线模型的训练，并更新权重参数，实现精确模拟相同时间窗口内钟差数据规律的在线微调。
37.其离线深度学习模型进行预训练或权重更新时使用待预测时刻上一个完整时间窗口的钟差数据进行训练、验证、测试数据划分仅为本方案所提的实施例之一，包括但不限于使用特征选择中相似性较高的其他时间窗口中的钟差数据对离线模型的数据进行调整、扩充，或对相似性较低的部分数据进行裁剪，或使用历史预测数据作为未来轮次离线模型权重更新的可用数据。
38.其基于相位微跃计的钟差调整策略对溯源守时系统实时钟差数据流划分的时间窗口大小并不固定，其可行的实施例为钟差调整周期t与钟差调整等级h的乘积，以完整覆盖所有调整方案产生的所有钟差周期，或设置其他可行的窗口大小。
39.下面结合图1和图2进行说明。本实施例时序卷积网络模型的钟差序列预测流程主要包括特征选择与数据预处理模块、训练验证测试数据集构建模块，网络搭建与参数分配
模块、模型训练验证与网络调整与评估模块、线上导入模型进行预测模块共计五大模块。特征选择与数据预处理模块基于当前预测时刻的前60天内钟差序列数据，结合正态分布对钟差点的偏离值进行过滤，完成特征选择与数据预处理；训练验证测试数据集构建模块基于6比2比2的时序长度比例对特征选择后的特征选择与数据预处理模块钟差序列数据进行划分，分别构建训练集、验证集与测试集；网络搭建与参数分配模块首先初始化搭建由膨胀因果卷积网络、正则化网络、全卷积网络、残差网络组成的钟差序列预测模型的编码器、解码器结构，并进行滑动窗口大小等初始参数分配；模型训练验证与网络调整与评估模块对网络搭建与参数分配模块搭建的初始模型使用训练验证测试数据集构建模块构建的训练集进行训练，每训练5轮后进行一次验证并保存一次当前训练的网络权重结果，共计60轮，训练轮次结束后使用验证集对离线模型的预测准确率进行计算，查找钟差预测的最优解，判定是否进行再次训练、或对网络搭建与参数分配模块进行网络与参数微调、或进行测试集评估，评估结果未满足离线学习预定指标时需重新进行特征选择与数据预处理模块与训练验证测试数据集构建模块，增删其他时间窗口的钟差数据进行预处理与数据集搭建；线上导入模型进行预测模块使用模型训练验证与网络调整与评估模块中测试集评估后满足离线学习预定指标的模型与权重参数对当前溯源比对守时系统中的钟差实时流进行处理，输出下一时刻钟差数据的预测值，针对性补充溯源比对守时系统缺失的钟差数据或通过对冲反向传播对当前线上深度模型进行在线学习，微调权重参数。同时采集当前完整时间窗口的钟差数据，进行离线状态下的模型权重更新，为下一时间窗口的钟差预测准备预训练模型。
40.特征选择与数据预处理模块包含数据准备、特征选择、数据预处理共三步骤，工作流程位于钟差序列预测流程的第一步。训练验证测试数据集构建模块包含构建训练集、验证集、测试集共一步骤，工作流程位于钟差序列预测流程的第二步。网络搭建与参数分配模块包含搭建时间卷积网络、初始化网络参数共两步骤，工作流程位于钟差序列预测流程的第三步。模型训练验证与网络调整与评估模块包含模型训练验证、网络调整与测试集评估共两步骤，工作流程位于钟差序列预测流程的第四步。线上导入模型进行预测模块包含线上导入模型预测t 1时刻钟差值、补充溯源比对守时系统t 1时刻的缺失钟差、通过在线学习进行t 2时刻的权重微调、基于tn时间窗口的数据进行离线权重更新共四步骤，工作流程位于钟差序列预测流程的第五步。
41.图1是根据本技术实施例的时序卷积网络模型的钟差序列预测流程图，在图1中，预测流程开始后，首先检测当前时间窗口，构建当前窗口下的离线数据集：执行特征选择与数据预处理，按合适的特征条件准备数据，构建离线训练、验证、测试集；同时进行离线学习：初始化网络参数，并执行模型训练验证，根据是否为拟合最优解进行离线测试集评估或再次训练，满足离线预设指标后，进行离线模型权重更新(仅当此时间窗口为初始窗口时，为完成离线模型预训练)；随后线上导入离线模型权重，开始在线预测与学习：输出预测值，判断溯源比对守时系统是否存在数据缺失、补充缺失值或进行在线学习，微调在线权重并进行线上更新。最后判断是否结束，否则重新接入钟差实时流进行在线预测，是则结束流程，开启下一时间窗口。
42.图2是根据本技术实施例的神经网络模型架构示意图，如图2所示，输入数据经过输入层后，同时进入由膨胀因果卷积与由批标准化层、激活层组成的正则化层级联的网络，
与一维全卷积网络后，组合两个分支输出的特征向量进入全连接层，从而产生输出。
43.在另一个可选实施方式中，提供了一种用于溯源比对守时系统的钟差预测方法，该方法使用离线学习与在线学习相结合的时序卷积深度模型针对性补充溯源比对守时系统任意时刻潜在的缺失钟差，通过离线预训练与权重更新避免单一批量深度学习模型在相位微跃计的不同钟差调整周期内获取到钟差信息特征可靠性差、失准甚至无效的问题、保证钟差预测线上的健壮性；通过在线学习精确模拟相同时间窗口内钟差数据的变化规律，提高实际应用中钟差预测的精确度。
44.其中，其在线深度学习模型面向实时钟差数据流，当溯源比对守时系统获取上级共视文件失败时，其所输出的钟差预测值将作为补充数据提交至守时系统；当溯源比对守时系统获取上级共视文件成功时，将进行在线学习与权重微调。其离线深度学习模型使用单个或多个经特征选择后合适的时间窗口钟差数据、或历史预测数据进行预训练与权重更新，其数据量与类型组成存在多个可行实施例。
45.本实施例中，基于相位微跃计的钟差补偿策略设置溯源比对守时系统实时钟差数据流的时间窗口，通过不同时间窗口进行离线模型更新，其窗口大小的具体划分存在多个可行实施例。
46.本实施例中的网络组成有多种形式，例如，可以由膨胀因果卷积网络、正则化网络、全卷积网络、残差网络组成的时间卷积网络具有合适的预测效率与轻量化程度，适用于组建离线与在线学习结合的钟差预测模型。
47.基于本实施例中的网络，在本实施例中可以采用如下步骤：(1)设当前时刻为t，当前时刻所在时间窗口为tn。获取当前待预测时刻t 1的上一时间窗口tn-1的完整钟差数据，通过3sigma法则对其钟差数据进行异常点剔除和归一化，完成数据预处理；
48.(2)用上述预处理后的目标时间序列构造出离线深度学习模型的训练集、验证集与测试集；
49.(3)搭建由膨胀因果卷积网络、正则化网络、全卷积网络、残差网络组成的钟差序列预测模型，并进行模型的初始参数分配；
50.(4)使用步骤(2)构造的训练集对步骤(3)搭建的钟差序列预测模型进行训练，训练结束后通过验证集对网络模型的预测准确率进行计算，判定预测值是否满足离线学习预定指标，若不满足则对步骤(3)中的模型进行网络与参数微调，直至预测结果满足预定指标后，将此模型作为线上预测与在线学习的的预训练模型；
51.(5)线上导入步骤(4)经过离线学习获得的预训练模型，输出t 1时刻钟差数据的预测值，补充溯源比对守时系统t 1时刻的缺失钟差或通过在线学习进行t 2时刻的权重微调、基于tn时间窗口的数据进行离线权重更新。
52.在本实施例中，提供一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行以上实施例中的方法。
53.上述程序可以运行在处理器中，或者也可以存储在存储器中(或称为计算机可读介质)，计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可
编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
54.这些计算机程序也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤，对应与不同的步骤可以通过不同的模块来实现。
55.该本实施例中就提供了这样的一种装置或系统。该系统被称为用于溯源比对守时系统的钟差预测系统，包括：判断模块，用于判断获取上级共视文件是否成功，其中，所述上级共视文件用于溯源对比守时系统；预测模块，用于在获取所述上级共视文件失败的情况下，对钟差数据进行预测，得到预测出的钟差数据，其中，所述钟差数据是使用机器学习模型预测得到的，所述机器学习模型使用真实的钟差数据进行训练的，训练之后的所述机器学习模型用于根据真实的钟差数据输出预测的钟差数据；提交模块，用于将预测出的钟差数据提交至所述溯源对比守时系统。
56.该系统或者装置用于实现上述的实施例中的方法的功能，该系统或者装置中的每个模块与方法中的每个步骤相对应，已经在方法中进行过说明的，在此不再赘述。
57.例如，还包括：训练模块，用于在获取所述上级共视文件成功的情况下，采集当前完整时间窗口的钟差数据，使用采集到的当前完整时间窗口的钟差数据对所述机器学习模型中的权重进行更新。可选地，所述机器学习模型至少是使用上一完整时间窗口内的钟差数据进行训练和验证过的。
58.又例如，所述训练模块用于：将上一完整时间窗口中的真实钟差数据分为训练集、验证集和测试集；使用训练数据进行多轮训练，每一轮训练之后，均对得到的机器学习模型使用验证集进行验证和调整；在所述多轮训练结束之后，使用所述测试集对训练得到的机器学习模型进行测试评估。可选地，根据6比2比2的时序长度对真实钟差数据进行划分以构建所述训练集、验证集和测试集。
59.通过上述实施例解决了共视溯源时，由于一级守时机构共视文件获取失败，导致本地时间基准无法及时溯源的问题，从而提高了实际应用中钟差预测的精确度。
60.以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。