由于电离层电子密度随时间变化,且空间分布不均匀,对不同频段的无线电波产生延缓和折射,因此电离层电子密度变化是影响短波通信、卫星通信、全球导航卫星系统和其他空间通信质量的一个主要因素,本文对全球电离层电子密度(Number of elec...由于电离层电子密度随时间变化,且空间分布不均匀,对不同频段的无线电波产生延缓和折射,因此电离层电子密度变化是影响短波通信、卫星通信、全球导航卫星系统和其他空间通信质量的一个主要因素,本文对全球电离层电子密度(Number of electron,Ne)的预测工作对短波通信设备三维射线实时追踪定位提供必要条件。本文采用国际电离层参考模型提供的2016年电离层Ne数据,根据数据的三维空间时间序列特征,搭建了自编码器和卷积长短期记忆(Convolutional Long Short-Term Memory Network,Conv LSTM)网络组成的网络结构,在不引入地球自转周期之外任何先验知识的条件下,对Ne数据进行深度学习并实现预测,首先通过实验对比了SGD、Adagrad、Adadelta、Adam、Adamax和Nadam六种优化算法的性能,又对比了三种预测策略的均方根误差(Root Mean Square Error, RMSE),1h-to-1h预测策略的全球平均RMSE为1.0 NEU(最大值的0.4%),1h-to-24h和24h-to-24h预测策略的全球平均RMSE为6.3 NEU(2.6%)。由实验结果得出以下结论,一是Nadam优化算法更适合电离层Ne的深度学习,二是1h预测策略的性能与之前类似的电离层TEC预测工作(RMSE高于1.5 TECU,最大值的1%)相比有竞争力,但预测时间太短且对数据的实时性要求较高,三是两种24h预测策略虽能实现长期预测但性能不理想,要实现三维空间时间序列的长期高精度预测需要进一步改善神经网络、模型结构和预测策略。展开更多
高效合理地决策未来月度计划期的铁路运用车分配方案对满足货运市场需求和节约空车调配成本具有重要意义。针对运用车分配方案所具备的时空特性,提出一种基于卷积长短期记忆神经网络并融合物理引导思想的铁路运用车分配预测方法。首先,...高效合理地决策未来月度计划期的铁路运用车分配方案对满足货运市场需求和节约空车调配成本具有重要意义。针对运用车分配方案所具备的时空特性,提出一种基于卷积长短期记忆神经网络并融合物理引导思想的铁路运用车分配预测方法。首先,通过主要影响因素识别,筛选出货运工作量类、货运组织水平类、货车运用属性类3类主要影响指标,并通过滑动窗口划分方法构造为模型输入。随后,构建基于PG-ConvLSTM(convolutional long short-term memory,ConvLSTM)网络的铁路运用车分配预测模型。模型以卷积长短期记忆神经网络作为主体框架,基于运用车分配的先验规律设计物理不一致项构造物理引导损失函数,并使用Hyperband算法优化模型网络层数与物理不一致项权重2项超参数。最后,使用MAE、RMSE与MAPE作为评价指标,并选用BP、CNN-LSTM、CNN-GRU与ConvLSTM网络模型作为对比,基于运用车分配实际数据进行实例分析。结果表明,PG-ConvLSTM模型评价指标MAE为0.0028,RMSE为0.0034,MAPE为7.22%,相比其他神经网络模型均为最优。PG-ConvLSTM模型得益于时空关联特征的同步提取机制,有效避免时空特征经卷积后再输入循环神经网络而丢失关键信息,从而具备更优的预测性能。物理引导损失函数对预测精度提升也具有积极作用。PG-ConvLSTM模型能够高效且准确地对运用车分配方案进行预测,可为实际运营中月度计划期运用车分配方案的制定提供参考。展开更多
文摘由于电离层电子密度随时间变化,且空间分布不均匀,对不同频段的无线电波产生延缓和折射,因此电离层电子密度变化是影响短波通信、卫星通信、全球导航卫星系统和其他空间通信质量的一个主要因素,本文对全球电离层电子密度(Number of electron,Ne)的预测工作对短波通信设备三维射线实时追踪定位提供必要条件。本文采用国际电离层参考模型提供的2016年电离层Ne数据,根据数据的三维空间时间序列特征,搭建了自编码器和卷积长短期记忆(Convolutional Long Short-Term Memory Network,Conv LSTM)网络组成的网络结构,在不引入地球自转周期之外任何先验知识的条件下,对Ne数据进行深度学习并实现预测,首先通过实验对比了SGD、Adagrad、Adadelta、Adam、Adamax和Nadam六种优化算法的性能,又对比了三种预测策略的均方根误差(Root Mean Square Error, RMSE),1h-to-1h预测策略的全球平均RMSE为1.0 NEU(最大值的0.4%),1h-to-24h和24h-to-24h预测策略的全球平均RMSE为6.3 NEU(2.6%)。由实验结果得出以下结论,一是Nadam优化算法更适合电离层Ne的深度学习,二是1h预测策略的性能与之前类似的电离层TEC预测工作(RMSE高于1.5 TECU,最大值的1%)相比有竞争力,但预测时间太短且对数据的实时性要求较高,三是两种24h预测策略虽能实现长期预测但性能不理想,要实现三维空间时间序列的长期高精度预测需要进一步改善神经网络、模型结构和预测策略。
文摘高效合理地决策未来月度计划期的铁路运用车分配方案对满足货运市场需求和节约空车调配成本具有重要意义。针对运用车分配方案所具备的时空特性,提出一种基于卷积长短期记忆神经网络并融合物理引导思想的铁路运用车分配预测方法。首先,通过主要影响因素识别,筛选出货运工作量类、货运组织水平类、货车运用属性类3类主要影响指标,并通过滑动窗口划分方法构造为模型输入。随后,构建基于PG-ConvLSTM(convolutional long short-term memory,ConvLSTM)网络的铁路运用车分配预测模型。模型以卷积长短期记忆神经网络作为主体框架,基于运用车分配的先验规律设计物理不一致项构造物理引导损失函数,并使用Hyperband算法优化模型网络层数与物理不一致项权重2项超参数。最后,使用MAE、RMSE与MAPE作为评价指标,并选用BP、CNN-LSTM、CNN-GRU与ConvLSTM网络模型作为对比,基于运用车分配实际数据进行实例分析。结果表明,PG-ConvLSTM模型评价指标MAE为0.0028,RMSE为0.0034,MAPE为7.22%,相比其他神经网络模型均为最优。PG-ConvLSTM模型得益于时空关联特征的同步提取机制,有效避免时空特征经卷积后再输入循环神经网络而丢失关键信息,从而具备更优的预测性能。物理引导损失函数对预测精度提升也具有积极作用。PG-ConvLSTM模型能够高效且准确地对运用车分配方案进行预测,可为实际运营中月度计划期运用车分配方案的制定提供参考。
