信源驱动集成网络GNSS序列预测方法及装置

本发明涉及卫星导航，具体涉及一种信源驱动集成网络gnss序列预测技术方案。

背景技术：

1、全球卫星导航定位系统(global navigation satellite system,gnss)是重要的空间基础设施，连续运行的gnss基准站提供了高精度的坐标时间序列，为研究地球科学及工程应用提供了重要的基础数据。gnss坐标时间序列包含了关于地球表面位置、大气、地壳形变等多方面信息的复杂数据，通过对gnss坐标时间序列的处理分析及研究，可以获得有观测站运动的重要信息。

2、gnss坐标时间序列的高精度预测结果则坐标框架维持、大坝桥梁变形监测等有着重要的科学意义和实用价值。传统的预测方法是使用最小二乘方法将gnss坐标时间序列拟合为具有恒定的年和半年的振幅和相位、速度、阶跃以及噪声的函数，然而gnss时间序列存在周期不固定、振幅变化随机、噪声随时间变化等问题，导致该方法存在一定的局限性。深度学习是一种数据驱动模型，具有非常强的非线性学习能力，能够深度挖掘时间序列高维特征信息，为研究gnss坐标时间序列提供了新的思路。集成学习是人工智能算法的一种应用策略和思想，通过在数据集上构建多个模型，集成不同模型的建模结果，最终获得优于单个模型的回归或分类表现，不仅可以提高时间序列预测的精度，而且可以降低方差，提升鲁棒性。随着多种观测手段的发展，积累的海量数据为地球动力学提供了丰富的基础数据，充分利用多源数据对gnss基准站运动进行解释和补充，对提高观测数据利用价值，更好地将gnss坐标时间序列信息用于大地测量学与地球动力学研究具有重要意义。本发明人认为利用集成学习的思想，联合不同的神经网络算法，添加其他有效独立数据源作为gnss数据的补充输入，则能协助神经网络抓住时间序列本质形态部分核心，可以进一步提高建模预测精度和可靠性，从而进一步提高gnss坐标时间序列的预测精度。

3、然而，目前针对gnss坐标时间序列的深度学习预测方法存在着明显的局限性，这些方法主要依赖单一网络结构和单一数据源输入，使其难以充分捕捉时间序列的多样化信息。单一网络局限了对不同特征的学习能力，因而难以有效地处理复杂的时间序列关系；同时，只依赖单一数据源输入也会受到数据异常值等信息的影响，从而影响预测的稳定性和可靠性。

4、因此，发展一种能够兼顾gnss坐标时间序列信号产生来源的集成多个网络模型的预测技术方案，对于科研及工业需求都具有重要意义。

技术实现思路

1、为了解决上述技术问题，本发明提供一种能够处理gnss测站时间序列数据，且能够有效预测gnss时间序列的方案。

2、为了实现上述目的，本发明提出一种信源驱动集成网络gnss序列预测方法，包括以下步骤，

3、获取gnss测站的坐标时间序列观测值，按照时间顺序采用统一量纲进行排列，得到相应序列，记m是序列的总长度；获取其他环境负载数据，采用对应量纲排列，得到相应序列；记共t种数据源，各种数据源相应序列长度都为m；

4、构建用于处理多源数据输入的多轨同步滑动窗口，所述多轨同步滑动窗口，将同步滑动窗口并行排列组合形成多轨数据源，t即为多轨数，其中同步滑动窗口分为上层滑动窗口和下层滑动窗口，上层滑动窗口分为前置滑动窗口和后置滑动窗口，其中，下层滑动窗口长度α长度代表单次能够获得的子序列长度，上层前置窗口长度β表示单次获得的子序列有用长度，上层后置窗口长度γ＝a-β表示要预测的长度，用0进行替换；同步滑动窗口每次往后滑动一步，最终形成的完整子序列长度p满足p＝m-a+1；

5、将若干种环境负载数据作为补充数据与gnss坐标时间序列同时作为数据源输入，然后经过多轨同步滑动窗口进行预处理，选择长短期记忆网络lstm和深度自注意力网络dsann作为基网络，采用bagging，boosting，stacking三种方式作为加权策略，耦合两种神经网络结果，对比三种策略的预测结果，最终输出gnss序列预测最优结果。

6、而且，通过多轨同步滑动窗口构建的数据格式如下：

7、

8、其中，high和low分别表示同步滑动窗口的上层窗口和下层窗口，表示gnss测站的坐标时间序列观测值相应的上层单子序列，数据源种类var＝var1、var2、…、vart，表示第i个滑动窗口得到的矩阵，ογ表示由γ个0组成的1维矩阵；表示下层单子序列，指由下层low滑动窗口构建得到的下层单子序列。

9、而且，所述其他环境负载数据包括大气质量负载引起的位移序列atml、地表水文负载引起的位移序列hydl、非潮汐海洋负载引起的位移序列ntol，将gnss坐标时间序列、大气质量负载引起的位移序列atml、地表水文负载引起的位移序列hydl、非潮汐海洋负载引起的位移序列ntol4种数据源同时作为输入，采用多轨同步滑动窗口进行处理，则多轨滑动窗口的多轨数t＝4。

10、而且，同步滑动窗口的窗口长度α＝11，前置窗口保留值β＝10，后置窗口置γ＝1。

11、而且，lstm网络和dsann网络模型采用一层或多层网络实现。

12、另一方面，本发明还提供一种计算机装置/设备/系统，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现上述信源驱动集成网络gnss序列预测方法的步骤。

13、另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序/指令，其该计算机程序/指令被处理器执行时实现上述信源驱动集成网络gnss序列预测方法的步骤。

14、另一方面，本发明还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述信源驱动集成网络gnss序列预测方法的步骤。

15、本发明技术方案考虑gnss坐标时间序列的信号来源机制，创新性地提出了一种有效耦合长短期记忆网络和深度自注意力网络两种优势的集成网络模型，并通过采用bagging，boosting，stacking三种方式作为加权策略，利用环境负载效应精准调校模型，可以解决信源与时间序列的非线性依赖。与现有技术对比的优势在于，充分利用多数据源对gnss时间序列的约束性，有利于神经网络充分学习有效信息，避免异常值的影响，同时，多神经网络通过有效的网络集成和加权策略，可以有效弥补不同神经网络对学习特征的偏向性，从而提升gnss台站时间序列预测的准确率。本发明的创新还在于首次设计了一种多轨同步滑动窗口的数据处理方法，通过对序列结构的排列优化，解决了多源数据融合输入的难题，与现有处理策略对比优势在于，多轨同步滑动窗口的数据处理方法是一种整体处理策略，可以同步处理多维数据信息。本发明可以对gnss时间序列预测分析提供有力参考，能够有效地提高gnss台站时间序列预测的准确率。

16、本发明方案实施简单方便，实用性强，解决了相关技术存在的实用性低及实际应用不便的问题，能够提高用户体验，具有重要的市场价值。

技术特征：

1.一种信源驱动集成网络gnss序列预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述信源驱动集成网络gnss序列预测方法，其特征在于：通过多轨同步滑动窗口构建的数据格式如下：

3.根据权利要求1所述信源驱动集成网络gnss序列预测方法，其特征在于：所述其他环境负载数据包括大气质量负载引起的位移序列atml、地表水文负载引起的位移序列hydl、非潮汐海洋负载引起的位移序列ntol，将gnss坐标时间序列、大气质量负载引起的位移序列atml、地表水文负载引起的位移序列hydl、非潮汐海洋负载引起的位移序列ntol4种数据源同时作为输入，采用多轨同步滑动窗口进行处理，则多轨滑动窗口的多轨数t＝4。

4.根据权利要求1所述信源驱动集成网络gnss序列预测方法，其特征在于：同步滑动窗口的窗口长度α＝11，前置窗口保留值β＝10，后置窗口置γ＝1。

5.根据权利要求1所述信源驱动集成网络gnss序列预测方法，其特征在于：lstm网络和dsann网络模型采用一层或多层网络实现。

6.一种计算机装置/设备/系统，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于：所述处理器执行所述计算机程序以实现权利要求1至5所述信源驱动集成网络gnss序列预测方法的步骤。

7.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于：该计算机程序/指令被处理器执行时实现权利要求1至5所述信源驱动集成网络gnss序列预测方法的步骤。

8.一种计算机程序产品，包括计算机程序/指令，其特征在于：该计算机程序/指令被处理器执行时实现权利要求1至5所述信源驱动集成网络gnss序列预测方法的步骤。

技术总结一种信源驱动集成网络GNSS序列预测方法及装置，包括获取GNSS测站的坐标时间序列观测值、其他环境负载数据，采用对应量纲排列得到相应序列；构建用于处理多源数据输入的多轨同步滑动窗口，将同步滑动窗口并行排列组合形成多轨数据源，同步滑动窗口分为上层滑动窗口和下层滑动窗口，上层滑动窗口分为前置滑动窗口和后置滑动窗口；将若干种环境负载数据与GNSS坐标时间序列同时作为数据源输入，经过多轨同步滑动窗口进行预处理，选择LSTM和DSANN作为基网络，采用Bagging，Boosting，Stacking三种方式作为加权策略，耦合对比最终输出GNSS序列预测最优结果。本发明首次提出多轨同步滑动窗口数据处理和集成两种神经网络加权应用于GNSS时间序列预测中，有效提高GNSS台站时间序列预测准确率。技术研发人员：王健,李昭,姜卫平受保护的技术使用者：武汉大学技术研发日：技术公布日：2024/7/29