留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于GA-BP的中欧GNSS电离层误差建模与精度分析

蒋磊 孙蕊 刘正午 徐成 梁的达 胡德振

蒋磊,孙蕊,刘正午,等. 基于GA-BP的中欧GNSS电离层误差建模与精度分析[J]. 北京航空航天大学学报,2023,49(6):1533-1542 doi: 10.13700/j.bh.1001-5965.2021.0476
引用本文: 蒋磊,孙蕊,刘正午,等. 基于GA-BP的中欧GNSS电离层误差建模与精度分析[J]. 北京航空航天大学学报,2023,49(6):1533-1542 doi: 10.13700/j.bh.1001-5965.2021.0476
JIANG L,SUN R,LIU Z W,et al. Modeling and accuracy analysis of GNSS ionospheric error in EU-China based on GA-BP[J]. Journal of Beijing University of Aeronautics and Astronautics,2023,49(6):1533-1542 (in Chinese) doi: 10.13700/j.bh.1001-5965.2021.0476
Citation: JIANG L,SUN R,LIU Z W,et al. Modeling and accuracy analysis of GNSS ionospheric error in EU-China based on GA-BP[J]. Journal of Beijing University of Aeronautics and Astronautics,2023,49(6):1533-1542 (in Chinese) doi: 10.13700/j.bh.1001-5965.2021.0476

基于GA-BP的中欧GNSS电离层误差建模与精度分析

doi: 10.13700/j.bh.1001-5965.2021.0476
基金项目: 国家自然科学基金(42174025,41974033);工信部民用飞机专项科研项目(MJ-2020-S-03);江苏省自然科学基金(BK20211569);江苏省“六大人才高峰”项目(KTHY-014)
详细信息
    通讯作者:

    E-mail:rui.sun@nuaa.edu.cn

  • 中图分类号: P352

Modeling and accuracy analysis of GNSS ionospheric error in EU-China based on GA-BP

Funds: National Natural Science Foundation of China (42174025,41974033); European Union's Horizon 2020 research and innovation programme under grant agreement NO 875154 GreAT (MJ-2020-S-03); Natural Science Foundation of Jiangsu Province (BK20211569); Jiangsu provincial Six Talent Peaks Project (KTHY-014)
More Information
  • 摘要:

    电离层误差是全球卫星导航系统 (GNSS)的主要误差来源之一,改正电离层误差的关键在于确定电离层的总电子含量(TEC)。针对现有电离层误差改正模型中存在的经验模型精度较低、球谐函数模型计算繁琐及其他模型存在的计算效率不足等问题,提出了基于遗传算法优化反向传播神经网络(GA-BP)的中欧GNSS电离层误差建模方法,并对模型精度进行了评估。通过国际GNSS服务组织(IGS)提供的TEC数据训练所提模型,挖掘了基于GA-BP模型的GNSS电离层TEC预测规则,并对不同时间和位置处的TEC值进行了短期、中期和长期预测。实验结果表明:基于GA-BP的电离层误差模型的短期预测均方根误差(RMSE)在不同纬度位置相比于自回归移动平均(ARIMA)模型分别提高了67.61%、36.33%、73.68%;在中期预测过程中的提升比例分别达到54.07%、22.36%、78.48%;在长期预测过程中的提升比例分别达到45.53%、43.78%、48.50%,能够更好地预测和拟合TEC随时间的变化情况。

     

  • 图 1  基于GA-BP的GNSS电离层误差建模方法流程

    Figure 1.  Modeling algorithm of GNSS ionospheric error based on GA-BP

    图 2  各模型短期(1周)预测结果对比

    Figure 2.  Comparison of short-term (one week) prediction results of each model

    图 3  各模型中期(1月)预测结果对比

    Figure 3.  Comparison of medium-term (one month) prediction results of each model

    图 4  各模型长期(1年)预测结果对比

    Figure 4.  Comparison of long-term (one year) prediction results of each model

    表  1  各数据集样本数量

    Table  1.   Number of samples per dataset

    数据集样本数量样本总数
    低纬度中纬度高纬度
    训练集28 49628 49628 49685 488
    测试集47454745474514235
    下载: 导出CSV

    表  2  实验设计

    Table  2.   Experimental design

    实验模型实验1实验2实验3
    Klobuchar分别在3个不同纬度点处分别在3个不同纬度点处分别在3个不同纬度点处
    ARIMA利用各模型预测利用各模型预测利用各模型预报
    GA-BP未来1周的TEC变化未来1月的TEC变化未来1年的TEC变化
    下载: 导出CSV

    表  3  各模型短期(1周)预测精度对比

    Table  3.   Comparison of short-term (one week) prediction accuracy of each model

    预测模型RMSE/TECU
    低纬度中纬度高纬度
    Klobuchar105.48114.1971.21
    ARIMA11.302.672.85
    GA-BP3.661.700.75
    下载: 导出CSV

    表  4  GA-BP模型短期(1周)预测精度提升率

    Table  4.   Improvement rate of short-term (one week) prediction accuracy of GA-BP model %

    类型RMSE提升率
    低纬度中纬度高纬度
    相对Klobuchar模型的提升率96.5398.5198.95
    相对ARIMA模型的提升率67.6136.3373.68
    下载: 导出CSV

    表  5  各模型中期(1月)预测精度对比

    Table  5.   Comparison of medium-term (one month) prediction accuracy of each model

    预测模型RMSE/TECU
    低纬度中纬度高纬度
    Klobuchar105.07113.7670.92
    ARIMA14.503.313.95
    GA-BP6.662.570.85
    下载: 导出CSV

    表  6  GA-BP模型中期(1月)预测精度提升率

    Table  6.   Improvement rate of medium-term (one month) prediction accuracy of GA-BP model %

    类型RMSE提升率
    低纬度中纬度高纬度
    相对Klobuchar模型的提升率93.6697.7498.80
    相对ARIMA模型的提升率54.0722.3678.48
    下载: 导出CSV

    表  7  各模型长期(1年)预测精度对比

    Table  7.   Comparison of long-term (one year) prediction accuracy of each model

    预测模型RMSE/TECU
    低纬度中纬度高纬度
    Klobuchar103.5398.2367.95
    ARIMA10.526.674.33
    GA-BP5.733.752.23
    下载: 导出CSV

    表  8  GA-BP模型长期(1年)预测精度提升率

    Table  8.   Improvement rate of long-term (one year) prediction accuracy of GA-BP model %

    类型RMSE提升率
    低纬度中纬度高纬度
    相对Klobuchar模型的提升率94.4796.1896.72
    相对ARIMA模型的提升率45.5343.7848.50
    下载: 导出CSV
  • [1] 王松寒. 区域电离层延迟改正及预报模型研究[D]. 南京: 东南大学, 2016.

    WANG S H. Research on the delay correction model and forecasting model of regional ionosphere[D]. Nanjing: Southeast University, 2016(in Chinese).
    [2] 张小红, 李征航, 蔡昌盛. 用双频GPS观测值建立小区域电离层延迟模型研究[J]. 武汉大学学报(信息科学版), 2001, 26(2): 140-143.

    ZHANG X H, LI Z H, CAI C S. Study on regional ionospheric model using dual-frequency GPS measurements[J]. Geomatics and Information Science of Wuhan University, 2001, 26(2): 140-143(in Chinese).
    [3] 魏传军. 基于地基GNSS观测数据的电离层延迟改正研究[D]. 西安: 长安大学, 2014.

    WEI C J. Study of ionospheric delay correction based on ground-based GNSS observations[D]. Xi’an: Changan University, 2014(in Chinese).
    [4] 李涌涛, 赵昂, 李建文, 等. 单站区域电离层TEC建模及精度分析[J]. 武汉大学学报(信息科学版), 2022, 47(1): 69-78.

    LI Y T, ZHAO A, LI J W, et al. Regional ionospheric TEC modeling and accuracy analysis based on observations from a station[J]. Geomatics and Information Science of Wuhan University, 2022, 47(1): 69-78(in Chinese).
    [5] 张小红, 任晓东, 吴风波, 等. 自回归移动平均模型的电离层总电子含量短期预报[J]. 测绘学报, 2014, 43(2): 118-124.

    ZHANG X H, REN X D, WU F B, et al. Short-term TEC prediction of ionosphere based on ARIMA model[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(2): 118-124(in Chinese).
    [6] 唐宏, 唐诗华, 陈雨田, 等. Holt-Winters与ARIMA模型在电离层总电子含量预报中的比较[J]. 桂林理工大学学报, 2019, 39(4): 905-911.

    TANG H, TANG S H, CHEN Y T, et al. Comparison of Holt-Winters and ARIMA models for TEC forecasting[J]. Journal of Guilin University of Technology, 2019, 39(4): 905-911(in Chinese).
    [7] 张禄. 基于时间序列、神经网络、灰色和组合预测对电离层TEC的预测研究[D]. 南京: 南京信息工程大学, 2012.

    ZHANG L. Based on the time series, neural network, grey and combination forecasting of ionospheric tec forecast research[D]. Nanjing: Nanjing University of Information Science & Technology, 2012(in Chinese).
    [8] 谢劭峰, 陈军, 黄良珂, 等. 基于Holt-Winters的电离层总电子含量预报[J]. 大地测量与地球动力学, 2017, 37(1): 72-76.

    XIE S F, CHEN J, HUANG L K, et al. Ionospheric TEC prediction based on Holt-Winters models[J]. Journal of Geodesy and Geodynamics, 2017, 37(1): 72-76(in Chinese).
    [9] 陈鹏, 姚宜斌, 吴寒. 利用时间序列分析预报电离层TEC[J]. 武汉大学学报(信息科学版), 2011, 36(3): 267-270.

    CHEN P, YAO Y B, WU H. TEC prediction of ionosphere based on time series analysis[J]. Geomatics and Information Science of Wuhan University, 2011, 36(3): 267-270(in Chinese).
    [10] 刘先冬, 宋力杰, 杨晓晖, 等. 基于小波神经网络的电离层TEC短期预报[J]. 海洋测绘, 2010, 30(5): 49-51.

    LIU X D, SONG L J, YANG X H, et al. Predicting shortdated ionospheric TEC based on wavelet neural network[J]. Hydrographic Surveying and Charting, 2010, 30(5): 49-51(in Chinese).
    [11] 李淑慧. 基于混沌理论的GPS电离层预测研究[D]. 北京: 中国地质大学(北京), 2010.

    LI S H. GPS ionospheric prediction research based on chaotic theory[D]. Beijing: China University of Geosciences (Beijing), 2010(in Chinese).
    [12] 张富彬, 周晨, 王成, 等. 基于深度学习的全球电离层TEC预测[J]. 电波科学学报, 2021, 36(4): 553-561.

    ZHANG F B, ZHOU C, WANG C, et al. Global ionospheric TEC prediction based on deep learning[J]. Chinese Journal of Radio Science, 2021, 36(4): 553-561(in Chinese).
    [13] 袁天娇, 陈艳红, 刘四清, 等. 基于深度学习递归神经网络的电离层总电子含量经验预报模型[J]. 空间科学学报, 2018, 38(1): 48-57. doi: 10.11728/cjss2018.01.048

    YUAN T J, CHEN Y H, LIU S Q, et al. Prediction model for ionospheric total electron content based on deep learning recurrent neural network[J]. Chinese Journal of Space Science, 2018, 38(1): 48-57(in Chinese). doi: 10.11728/cjss2018.01.048
    [14] 李淑慧, 彭军还, 徐伟超, 等. 利用神经网络预报短期电离层TEC变化[J]. 测绘科学, 2013, 38(1): 8-9.

    LI S H, PENG J H, XU W C, et al. Short-term ionospheric TEC change prediction by neural network[J]. Science of Surveying and Mapping, 2013, 38(1): 8-9(in Chinese).
    [15] 李征航, 黄劲松. GPS测量与数据处理[M]. 武汉: 武汉大学出版社, 2005.

    LI Z H, HUANG J S. GPS surveying and data processing[M]. Wuhan: Wuhan University Press, 2005(in Chinese).
    [16] 李萍, 曾令可, 税安泽, 等. 基于MATLAB的BP神经网络预测系统的设计[J]. 计算机应用与软件, 2008, 25(4): 149-150.

    LI P, ZENG L K, SHUI A Z, et al. Design of forecast of back propagation neural network based on MATLAB[J]. Computer Applications and Software, 2008, 25(4): 149-150(in Chinese).
    [17] 边霞, 米良. 遗传算法理论及其应用研究进展[J]. 计算机应用研究, 2010, 27(7): 2425-2429.

    BIAN X, MI L. Development on genetic algorithm theory and its applications[J]. Application Research of Computers, 2010, 27(7): 2425-2429(in Chinese).
  • 加载中
图(4) / 表(8)
计量
  • 文章访问数:  235
  • HTML全文浏览量:  66
  • PDF下载量:  20
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-08-19
  • 录用日期:  2021-12-13
  • 网络出版日期:  2022-01-25
  • 整期出版日期:  2023-06-30

目录

    /

    返回文章
    返回
    常见问答