一种基于时间序列干预模型的UT1-UTC预报方法

一种基于时间序列干预模型的ut1-utc预报方法
技术领域
1.本发明属于测绘科学与技术技术领域，具体而言，特别涉及一种基于时间序列干预模型的ut1-utc预报方法。


背景技术：

2.地球自转参数erp包括极移、ut1-utc/lod，是实现卫星精密定轨的重要参数。高精度erp预报是改善导航卫星高精度自主定轨、深空航天器自主定位精度的重要因素，如申请号为cn201610440584.3的一种自适应匹配的地球自转参数预报方法：使用该发明能够实现erp预报所需的几类关键参数的自适应匹配，提高erp预报精度。该发明采用ls ar(least square auto-regressive)方法进行erp预报，并给出了erp预报时间序列训练长度经验设置准则；采用差分方法提高erp残差的平稳性，并引入卡方检验方法，通过计算卡方值，定量评估pmx、pmy和ut1-utc残差的分布特性，并给出了卡方值与差分阶次的对应关系经验准则；最后在erp残差的ar预报中，给出了ar模型的模型阶数确定方法，从而实现自适应匹配的erp预报，并提高了预报精度。
3.但是上述技术方案并未考虑到厄尔尼诺和拉尼娜现象等干预事件对epr预报的影响。尤其是地球自转速率ut1-utc，受厄尔尼诺/拉尼娜现象等影响严重，在厄尔尼诺和拉尼娜现象发生期间将影响ut1-utc发生大幅震荡。基于此，我们从分析厄尔尼诺和拉尼娜现象对ut1-utc短期影响的角度出发，提出一种基于时间序列干预模型的ut1-utc预报方法。


技术实现要素：

4.本发明的目的是针对厄尔尼诺和拉尼娜现象等干预事件对epr预报的影响，提出了一种基于时间序列干预模型的ut1-utc预报方法，充分顾及了厄尔尼诺或拉尼娜现象(enso)对地球自转速率ut1-utc的影响，构建了相应的时间序列干预模型，能够显著改善ut1-utc的短期预报精度。
5.本发明的技术方案是一种基于时间序列干预模型的ut1-utc预报方法，包括如下操作步骤：
6.1、一种基于时间序列干预模型的ut1-utc预报方法，其特征在于：包括如下操作步骤：
7.s1：ut1-utc数据预处理，包括去除跳秒和地球简谐潮汐项，获取预处理后的ut1-utc平稳序列；
8.s2：基于预处理后的ut1-utc平稳序列，进行最小二乘ls拟合，获取ls拟合模型，以及ls拟合残差；
9.s3：基于ls拟合残差，进行自回归ar拟合，获取ar拟合模型，以及ar拟合残差；
10.s4:当干预事件，厄尔尼诺或拉尼娜现象(enso)发生,基于ar拟合残差，建立干预模型；
11.s5:将ls拟合模型、ar拟合模型、干预模型相加，获取ut1-utc预报平稳序列；
12.s6：在ut1-utc预报平稳序列基础上，加上跳秒和地球简谐潮汐项，获取ut1-utc预报最终序列。
13.6、根据权利要求1所述的一种基于时间序列干预模型的ut1-utc预报方法，其特征在于：对于所述步骤s1中的ut1-utc数据来说，跳秒的存在使数据不符合平稳性标准，先去掉跳秒，通过潮汐改正模去掉地球简谐潮汐项，减少预报模型误差，地球简谐潮汐项模型为：
[0014][0015]
式(1)中由《2010年iers公约》给出。
[0016]
7、根据权利要求2所述的一种基于时间序列干预模型的ut1-utc预报方法，其特征在于：对于所述步骤s2中基于预处理后的ut1-utc平稳序列，进行最小二乘ls拟合，获取ls拟合模型、以及ls拟合残差，对于ut1-utc来说，主要的周期项为18.6年周期项、9.3年周期项、周年周期项、半周年周期项、1/3周年周期项，ls拟合模型为：
[0017][0018]
式(2)中，a0为常数项，a1为趋势项a2为加速度项，k为参与最小二乘拟合的主要周期数量，ri是第i个周期项的周期值，ai和bi是模型拟合参数，ei零均值的白噪声，t为utc时间。
[0019]
8、根据权利要求3所述的一种基于时间序列干预模型的ut1-utc预报方法，其特征在于：所述步骤s3中基于ls拟合残差，进行自回归ar拟合，获取ar拟合模型，以及ar拟合残差，ar拟合模型为：
[0020][0021]
式(3)中p是ar模型阶数，ji是ar模型的模型参数，e
t
为t时刻的白噪声。
[0022]
9、根据权利要求4所述的一种基于时间序列干预模型的ut1-utc预报方法，其特征在于：所述步骤s4中当干预事件，厄尔尼诺或拉尼娜现象(enso)发生时，基于ar拟合残差，建立干预模型，在考虑单一干预的情况下，干预事件的影响逐渐开始，并短暂影响的干预模型为：
[0023][0024]
其中δ为模型系数，ω为常数项，b为延迟算子。
[0025]
本发明的优点和有益效果：
[0026]
本发明首先对ut1-utc序列预处理，获得ut1-utc平稳序列；其次对ut1-utc平稳序列进行最小二乘ls拟合；再基于ls拟合残差，进行自回归ar模型拟合；然后基于ar模型拟合残差，建立干预模型；最后，将ls拟合模型、ar拟合模型、干预模型等相加，获取ut1-utc预报最终序列。考虑了干预事件，如厄尔尼诺或拉尼娜现象(enso)的影响，基于ar拟合残差，建
立了影响逐渐开始，并短暂影响的干预模型。充分顾及了厄尔尼诺或拉尼娜现象(enso)对地球自转速率ut1-utc的影响，构建了相应的时间序列干预模型，能够显著改善ut1-utc的短期预报精度，预报30天，相对非干预模型，提高程度达到0.02-0.2ms。
附图说明
[0027]
图1为本发明一种基于时间序列干预模型的ut1-utc预报方法的方案示意图；
[0028]
图2为iers 14c04 ut1-utc解算产品图；
[0029]
图3为2001年至2020年nino3.4指数图；
[0030]
图4为非干预模型和干预模型在在2-30天预报时长的精度比较图。
具体实施方式
[0031]
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0032]
首先对ut1-utc序列预处理，获得ut1-utc平稳序列；其次对ut1-utc平稳序列进行最小二乘ls拟合；再基于ls拟合残差，进行自回归ar模型拟合；然后基于ar模型拟合残差，建立干预模型；最后，将ls拟合模型、ar拟合模型、干预模型等相加，获取ut1-utc预报最终序列。
[0033]
考虑了干预事件，如厄尔尼诺或拉尼娜现象(enso)的影响，基于ar拟合残差，建立了影响逐渐开始，并短暂影响的干预模型。按照如下操作步骤实现：
[0034]
1、一种基于时间序列干预模型的ut1-utc预报方法，其特征在于：包括如下操作步骤：
[0035]
s1：ut1-utc数据预处理，包括去除跳秒和地球简谐潮汐项，获取预处理后的ut1-utc平稳序列；
[0036]
s2：基于预处理后的ut1-utc平稳序列，进行最小二乘ls拟合，获取ls拟合模型，以及ls拟合残差；
[0037]
s3：基于ls拟合残差，进行自回归ar拟合，获取ar拟合模型，以及ar拟合残差；
[0038]
s4:当干预事件，厄尔尼诺或拉尼娜现象(enso)发生,基于ar拟合残差，建立干预模型；
[0039]
s5:将ls拟合模型、ar拟合模型、干预模型相加，获取ut1-utc预报平稳序列；
[0040]
s6：在ut1-utc预报平稳序列基础上，加上跳秒和地球简谐潮汐项，获取ut1-utc预报最终序列。
[0041]
10、根据权利要求1所述的一种基于时间序列干预模型的ut1-utc预报方法，其特征在于：对于所述步骤s1中的ut1-utc数据来说，跳秒的存在使数据不符合平稳性标准，先去掉跳秒，通过潮汐改正模去掉地球简谐潮汐项，减少预报模型误差，地球简谐潮汐项模型为：
[0042]
[0043]
式(1)中由《2010年iers公约》给出。
[0044]
11、根据权利要求2所述的一种基于时间序列干预模型的ut1-utc预报方法，其特征在于：对于所述步骤s2中基于预处理后的ut1-utc平稳序列，进行最小二乘ls拟合，获取ls拟合模型、以及ls拟合残差，对于ut1-utc来说，主要的周期项为18.6年周期项、9.3年周期项、周年周期项、半周年周期项、1/3周年周期项，ls拟合模型为：
[0045][0046]
式(2)中，a0为常数项，a1为趋势项a2为加速度项，k为参与最小二乘拟合的主要周期数量，ri是第i个周期项的周期值，ai和bi是模型拟合参数，ei零均值的白噪声，t为utc时间。
[0047]
12、根据权利要求3所述的一种基于时间序列干预模型的ut1-utc预报方法，其特征在于：所述步骤s3中基于ls拟合残差，进行自回归ar拟合，获取ar拟合模型，以及ar拟合残差，ar拟合模型为：
[0048][0049]
式(3)中p是ar模型阶数，ji是ar模型的模型参数，e
t
为t时刻的白噪声。
[0050]
13、根据权利要求4所述的一种基于时间序列干预模型的ut1-utc预报方法，其特征在于：所述步骤s4中当干预事件，厄尔尼诺或拉尼娜现象(enso)发生时，基于ar拟合残差，建立干预模型，在考虑单一干预的情况下，干预事件的影响逐渐开始，并短暂影响的干预模型为：
[0051][0052]
其中δ为模型系数，ω为常数项，b为延迟算子。
[0053]
为了验证该方法的可行性，从iers(international earth rotation and reference systems service)下载的eop iers 14c04产品。此产品包括极移x和y、ut1-utc和lod实测结果。数据时间是从1982年1月1日到2019年12月31日，数据的时间间隔为1天。图2为iers 14c04的1982年到2020年ut1-utc解算产品，产品呈现锯齿状是由于跳秒的存在。
[0054]
本发明采用nino3.4产品来评估enso现象。nino3.4是一种基于海面温度的指标，当nino3.4指数连续的5个月的平均值超过 0.4℃或者连续的6个月的平均值低于-0.4℃，则认为发生了enso事件。nino3.4指数每月会给出上月的平均值以代表这一个月的nino3.4指数，如图3。
[0055]
以ls ar模型作为参考(即非干预模型)，对2001年到2020年共19年的数据，进行滑动窗口为7天的建模预报，将非干预模型和干预模型预报结果与实测值进行对比，并通过计算平均绝对误差mae来评定精度。结果如表1和图4所示。
[0056]
表1非干预模型和干预模型在2-30天预报时长的精度比较
[0057][0058][0059]
从表1和图4结果可以看出，相比未使用干预模型时，干预模型精度更高，预报跨度2～30天的提升幅度在0.02～0.2ms左右。
[0060]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。