基于DOA-BP神经网络的电离层TEC短期预测

doi:10.7527/S1000-6893.2023.28707

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于DOA-BP神经网络的电离层TEC短期预测

倪育德, 闫苗玉, 刘瑞华()

中国民航大学电子信息与自动化学院，天津 300300

收稿日期:2023-03-16 修回日期:2023-05-11 接受日期:2023-06-12 出版日期:2024-02-25 发布日期:2023-06-27
通讯作者: 刘瑞华 E-mail:rhliu_cauc@163.com
基金资助:
国家自然科学基金(U2233215)

Short-term prediction of ionospheric TEC based on DOA-BP neural network

Yude NI, Miaoyu YAN, Ruihua LIU()

School of Electronic Information and Automation，Civil Aviation Unversity of China，Tianjin 300300，China

Received:2023-03-16 Revised:2023-05-11 Accepted:2023-06-12 Online:2024-02-25 Published:2023-06-27
Contact: Ruihua LIU E-mail:rhliu_cauc@163.com
Supported by:
National Natural Science Foundation of China(U2233215)

摘要/Abstract

摘要：

影响全球导航卫星系统（GNSS）所需导航性能（RNP）的最大误差源之一是电离层延迟，该延迟与电离层总电子含量（TEC）成正比，因此TEC的准确预测直接影响到GNSS的RNP。探索性地使用2021年提出的澳洲野犬优化算法（DOA）优化反向传播（BP）神经网络，构建DOA-BP神经网络TEC短期预测模型，以欧洲定轨中心（CODE）提供的电离层TEC值作为数据集，训练、测试DOA-BP TEC短期预测模型，实现全球范围和中国区域不同电离层格网点处TEC值的高精度短期预测，并将预测结果分别与传统BP神经网络模型、麻雀搜索算法（SSA）优化的BP神经网络模型（SSA-BP）预测的TEC值进行对比分析，结果表明，相较传统BP模型，DOA-BP模型的TEC预测精度明显提高，且相比其他优化模型（如SSA-BP模型），预测的TEC精度也占一定优势，能准确反映全球不同时空下电离层TEC的变化特征，可作为电离层TEC短期预测的一种新方法。

关键词: 电离层, 总电子含量（TEC）, 澳洲野犬优化算法（DOA）, 反向传播（BP）神经网络, 短期预测

Abstract:

One of the largest error sources affecting the Required Navigation Performance （RNP） of the Global Navigation Satellite System （GNSS） is ionospheric delay. This delay is proportional to the Total Electron Content （TEC） of the ionosphere， so the accurate forecasting of TEC directly affects the RNP of GNSS. The Dingo Optimization Algorithm （DOA） proposed in 2021 was used to optimize the Back Propagation （BP） neural network， and a TEC short-term forecasting model was constructed based on the DOA-BP neural network. Using the ionospheric grid dot TEC values provided by the Center for Orbit Determination in Europe （CODE） as the data sets， the forecasting model was trained and tested to achieve high precision short-term forecasting of TEC values at different ionospheric grid points globally and in China. The predicted TEC values were compared with those predicted by the traditional BP neural network model and Sparrow Search Algorithm （SSA） optimized BP neural network model. It was found that compared with the traditional BP model， the DOA-BP model has significantly improved the forecasting accuracy of TEC. Compared with other optimized models （such as SSA-BP model）， the DOA-BP model can also obtain better forecasting accuracy of TEC. The results show that the DOA-BP model can accurately reflect the change characteristics of ionospheric TEC in different time and space around the world， and can be used as a new method for short-term forecasting of ionospheric TEC.

Key words: ionosphere, total electron content （TEC）, dingo optimization algorithm （DOA）, back propagation （BP） neural network, short-term prediction

中图分类号:

V249.3

倪育德, 闫苗玉, 刘瑞华. 基于DOA-BP神经网络的电离层TEC短期预测[J]. 航空学报, 2024, 45(4): 328707-328707.

Yude NI, Miaoyu YAN, Ruihua LIU. Short-term prediction of ionospheric TEC based on DOA-BP neural network[J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(4): 328707-328707.

图/表 14

图 1

图 2

图 3

表 1

图 4

图 5

图 6

表 2

图 7

表 3

表 4

图 8

图 9

表 5

3种模型电离层TEC预测值与CODE-TEC值的绝对误差百分比统计

模型	百分比
模型	$Δ$ <1 TECU	$Δ$ <2 TECU	$Δ$ <5 TECU	$Δ$ >6 TECU
BP	35.69	60.37	89.71	6.83
SSA-BP	36.75	61.88	91.92	5.15
DOA-BP	37.94	63.02	92.44	4.72

表 5

参考文献 35

1	ICAO. Annex 10-aeronautical telecommunications Volume Ι radio navigation aids （six edition）［S］. Montreal Canada： International Civil Aviation Organization， 2018： 24-30.
2	李琛，周晨，王君明，等. 基于经验电离层模型的短波时差定位理论分析［J］. 系统工程与电子技术， 2023， 45（7）： 1911-1919.
	LI C， ZHOU C， WANG J M， et al. Theoretical analysis of shortwave TDOA geolocation based on empirical ionospheric model［J］. Systems Engineering and Electronics， 2023， 45（7）： 1911-1919 （in Chinese）.
3	FELTENS J， SCHAER S. IGS Products for the Ionosphere［C］∥Proceeding of the IGS AC Workshop. Piscataway： IEEE Press， 1998： 2345-2356.
4	FELTENS J. The activities of the ionosphere working group of the international GPS service （IGS）［J］. GPS Solutions， 2003， 7（1）： 41-46.
5	倪育德，陈楚佳. 基于HHT的Ⅱ/Ⅲ类GBAS基准站故障检测［J］. 信号处理， 2020， 36（7）： 1075-1084.
	NI Y D， CHEN C J. The fault detection of CAT Ⅱ/Ⅲ GBAS reference stations using Hilbert-Huang transform［J］. Journal of Signal Processing， 2020， 36（7）： 1075-1084 （in Chinese）.
6	熊波，李肖霖，王宇晴，等. 基于长短时记忆神经网络的中国地区电离层TEC预测［J］. 地球物理学报， 2022， 65（7）： 2365-2377.
	XIONG B， LI X L， WANG Y Q， et al. Prediction of ionospheric TEC over China based on long and short-term memory neural network［J］. Chinese Journal of Geophysics， 2022， 65（7）： 2365-2377 （in Chinese）.
7	陈秀德，贾小林，朱永兴，等. 不同电离层格网产品的精度分析［J］. 大地测量与地球动力学， 2017， 37（8）： 849-855.
	CHEN X D， JIA X L， ZHU Y X， et al. Analysis the accuracy of different ionospheric grid products［J］. Journal of Geodesy and Geodynamics， 2017， 37（8）： 849-855 （in Chinese）.
8	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）.
9	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.
	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）.
10	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）.
11	高清文，赵国忱. CEEMD与GRNN神经网络电离层TEC预报模型［J］. 全球定位系统， 2021， 46（4）： 76-84.
	GAO Q W， ZHAO G C. Ionospheric TEC forecast model of based on CEEMD and GRNN［J］. GNSS World of China， 2021， 46（4）： 76-84 （in Chinese）.
12	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.
	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）.
13	TEBABAL A， RADICELLA S M， NIGUSSIE M， et al. Local TEC modelling and forecasting using neural networks［J］. Journal of Atmospheric and Solar-Terrestrial Physics， 2018， 172： 143-151.
14	TANG R X， ZENG F T， CHEN Z， et al. The comparison of predicting storm-time ionospheric TEC by three methods： ARIMA， LSTM， and Seq2Seq［J］. Atmosphere， 2020， 11（4）： 316.
15	汤俊，钟正宇，李垠健，等. 基于SSA-Elman神经网络的电离层TEC短期预报模型［J］. 大地测量与地球动力学， 2022， 42（4）： 378-383.
	TANG J， ZHONG Z Y， LI Y J， et al. Short-term prediction model of ionospheric TEC based on SSA-elman neural network［J］. Journal of Geodesy and Geodynamics， 2022， 42（4）： 378-383 （in Chinese）.
16	XIONG P， ZHAI D L， LONG C， et al. Long short-term memory neural network for ionospheric total electron content forecasting over China［J］. Space Weather， 2021， 19（4）： 345-356.
17	ILUORE K， LU J Y. Long short-term memory and gated recurrent neural networks to predict the ionospheric vertical total electron content［J］. Advances in Space Research， 2022， 70（3）： 652-665.
18	LI Q F， YANG D， FANG H X. Two hours ahead prediction of the TEC over China using a deep learning method［J］. Universe， 2022， 8（8）： 405.
19	LIU G Y， GAO W， ZHANG Z X， et al. Prediction of ionospheric TEC based on the NARX neural network［J］. Mathematical Problems in Engineering， 2021， 2021： 1-10.
20	GAO X， YAO Y B. A storm-time ionospheric TEC model with multichannel features by the spatiotemporal ConvLSTM network［J］. Journal of Geodesy， 2023， 97（1）： 9.
21	LEE S J， JI E Y， MOON Y J， et al. One-day forecasting of global TEC using a novel deep learning model［J］. Space Weather， 2021， 19（1）： 2020SW002600.
22	XIA G Z， LIU Y， WEI T F， et al. Ionospheric TEC forecast model based on support vector machine with GPU acceleration in the China region［J］. Advances in Space Research， 2021， 68（3）： 1377-1389.
23	LEI D X， LIU H J， LE H J， et al. Ionospheric TEC prediction base on attentional BiGRU［J］. Atmosphere， 2022， 13（7）： 1039.
24	YANG D， LI Q F， FANG H X， et al. One day ahead prediction of global TEC using Pix2pixhd［J］. Advances in Space Research， 2022， 70（2）： 402-410.
25	XU Z Z， WANG W M， WANG B. Ionosphere TEC prediction based on Chaos［C］∥ISAPE. Piscataway： IEEE Press， 2013： 458-460.
26	陆建华，王斌，胡伍生. 利用BP神经网络改进电离层短期预报模型［J］. 测绘科学技术学报， 2017， 34（1）： 1-4.
	LU J H， WANG B， HU W S. Improved prediction model of ionospheric TEC by BP neural network［J］. Journal of Geomatics Science and Technology， 2017， 34（1）： 1-4 （in Chinese）.
27	黄文喜，祝芙英，翟笃林，等. BP神经网络和ARMA模型在中纬度TEC短期预测中的对比分析［J］. 大地测量与地球动力学， 2021， 41（3）： 262-267.
	HUANG W X， ZHU F Y， ZHAI D L， et al. Comparative analysis of BP neural network and ARMA model in short-term prediction of mid-latitude TEC［J］. Journal of Geodesy and Geodynamics， 2021， 41（3）： 262-267 （in Chinese）.
28	SONG R， ZHANG X M， ZHOU C， et al. Predicting TEC in China based on the neural networks optimized by genetic algorithm［J］. Advances in Space Research， 2018， 62（4）： 745-759.
29	DABBAKUTI J R K K， BHAVYA LAHARI G. Application of singular spectrum analysis using artificial neural networks in TEC predictions for ionospheric space weather［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2019， 12（12）： 5101-5107.
30	PERAZA-VÁZQUEZ H， PEÑA-DELGADO A F， ECHAVARRÍA-CASTILLO G， et al. A bio-inspired method for engineering design optimization inspired by dingoes hunting strategies［J］. Mathematical Problems in Engineering， 2021， 2021： 1-19.
31	ALMAZÁN-COVARRUBIAS J H， PERAZA-VÁZQUEZ H， PEÑA-DELGADO A F， et al. An improved dingo optimization algorithm applied to SHE-PWM modulation strategy［J］. Applied Sciences， 2022， 12（3）： 992.
32	BURTON R K， MCPHERRON R L， RUSSELL C T. An empirical relationship between interplanetary conditions andDst ［J］. Journal of Geophysical Research， 1975， 80（31）： 4204-4214.
33	张强，赵齐乐. 武汉大学IGS电离层分析中心全球电离层产品精度评估与分析［J］. 地球物理学报， 2019， 62（12）： 4493-4505.
	ZHANG Q， ZHAO Q L. Evaluation and analysis of the global ionosphere maps from Wuhan University IGS Ionosphere Associate Analysis Center［J］. Chinese Journal of Geophysics， 2019， 62（12）： 4493-4505 （in Chinese）.
34	LIU L B， WAN W X， NING B Q， et al. Climatology of the mean total electron content derived from GPS global ionospheric maps［J］. Journal of Geophysical Research： Space Physics， 2009， 114（A6）： 2009JA014244.
35	LI Z S， YUAN Y B， WANG N B， et al. SHPTS： towards a new method for generating precise global ionospheric TEC map based on spherical harmonic and generalized trigonometric series functions［J］. Journal of Geodesy， 2015， 89（4）： 331-345.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

纬度带	范围	训练集样本数量	测试集样本数量
HL	60°~90°N，60°~90°S	2 119 920	192 720
ML	30°~60°N，30°~60°S	2 312 640	210 240
LL	0°~30°N，0°~30°S	2 409 000	219 000

时刻	评估指标	BP	SSA-BP	DOA-BP
00：00：00	R_RMSE， P， C	2.33， 29.29%， 0.967	1.84， 26.06%， 0.980	1.24， 13.00%， 0.990
06：00：00	R_RMSE， P， C	7.42， 23.57%， 0.954	6.14， 19.06%， 0.961	3.59， 11.41%， 0.987
12：00：00	R_RMSE， P， C	3.49， 26.55%， 0.954	2.77， 23.07%， 0.966	1.65， 12.97%， 0.986
18：00：00	R_RMSE， P， C	1.58， 56.59%， 0.903	1.39， 44.70%， 0.926	0.82， 27.91%， 0.974

纬度带	评估指标	BP	SSA-BP	DOA-BP
HL	R_RMSE， P， C	3.09， 54.65%， 0.885	3.27， 48.05%， 0.876	1.48， 26.09%， 0.973
ML	R_RMSE， P， C	3.77， 25.09%， 0.901	3.19， 21.07%， 0.928	1.86， 11.98%， 0.976
LL	R_RMSE， P， C	5.93， 17.98%， 0.932	5.02， 15.11%， 0.950	4.86， 8.66%， 0.949

年积日		评估指标	BP	SSA-BP	DOA-BP
平静日	196	R_RMSE， P， C	4.25， 32.90%， 0.951	4.40， 31.19%， 0.942	2.08， 15.63%， 0.989
	197	R_RMSE， P， C	4.63， 35.74%， 0.938	3.90， 29.73%， 0.956	2.25， 17.17%， 0.986
	198	R_RMSE， P， C	3.57， 25.97%， 0.960	3.06， 21.77%， 0.970	2.48， 12.48%， 0.978
	199	R_RMSE， P， C	4.21， 26.22%， 0.956	3.59， 22.15%， 0.966	2.09， 12.54%， 0.989
扰动日	200	R_RMSE， P， C	5.55， 37.43%， 0.904	4.62， 31.41%， 0.933	3.65， 15.89%， 0.968

[1]	王飞, 韩翔宇. 基于分形插值的空中交通流量短期预测[J]. 航空学报, 2022, 43(9): 325585-325585.
[2]	郭欣;倪晋麟;苏卫民;刘国岁. 天波超视距雷达的发展[J]. 航空学报, 2002, 23(6): 495-500.
[3]	宋茂忠;王永澄. 电离层对单频卫星导航系统伪距差分定位的影响[J]. 航空学报, 1995, 16(5): 628-631.

基于DOA-BP神经网络的电离层TEC短期预测

Short-term prediction of ionospheric TEC based on DOA-BP neural network

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 35

相关文章 3

编辑推荐

Metrics

本文评价