【技術實現步驟摘要】
本申請涉及導航定位，尤其涉及一種基于深度學習的對流層延遲預測方法、裝置、設備及介質。
技術介紹
1、天頂對流層延遲(zenith?tropospheric?delay,ztd)是影響gnss(globalnavigation?satellite?system,gnss)高精度定位的關鍵因素之一，通過計算準確的天頂對流層延遲，排除天頂對流層延遲導致的誤差，有利于提高定位的精度。
2、目前，可以通過對流層模型來計算天頂對流層延遲，并在定位過程中利用計算得到的天頂對流層延遲進行誤差改正。然而，多數對流層模型的精度有限，且多數模型需要基于歷史數據進行預測，以得到天頂對流層延遲的長期變化趨勢，但是這類模型沒有考慮到變化快速的大氣情況，也就難以反映對流層延遲的短期變化，且在不同的區域進行預測時，預測精度的波動較大，例如在某些濕延遲zwd(zenith?wet?delay,zwd)受水汽影響較大的地區，這些經驗模型的精度會下降，從而限制了實時精密單點定位的快速解算和ztd反演水汽的準確度。
3、此外，一些對流層模型還可以引入大量的外部參數以提高模型的預測精度，但是這類模型的復雜計算過程會導致時間成本的增加，在快速變化的大氣環境下，不能及時的輸出預測結果，導致實際應用的效率較低。
4、由此，目前缺乏一種能夠高效、快速、高精度的預測天頂對流層延遲的方法，難以在復雜多變的環境下為定位提供實時、精確的天頂對流層延遲，影響高精度定位的時效性。
技術實現思路
1、本申請實
2、第一方面，本申請實施例提供一種基于深度學習的對流層延遲預測方法，包括：
3、獲取歷史時段的對流層延遲時間序列，將所述對流層延遲時間序列輸入訓練好的對流層延遲預測模型；
4、通過傅里葉分析將所述歷史時段的對流層延遲時間序列分解為周期序列和包含趨勢項的殘差序列，并對所述周期序列進行擬合；
5、通過所述對流層延遲預測模型結合所述包含趨勢項的殘差序列進行預測，輸出在預測時段內包含趨勢項的殘差序列；
6、將所述預測時段內包含趨勢項的殘差序列與擬合后的周期序列相結合，輸出所述預測時段內的對流層延遲時間序列。
7、在第一方面的一種可選方案中，所述輸出所述預測時段內的天頂對流層延遲數據之后，還包括：
8、基于所述預測時段內的對流層延遲時間序列進行定位；
9、將各個時刻的天頂對流層延遲輸入偽距單點定位觀測方程或精密單點定位觀測方程中，輸出所述對應時刻的定位結果。
10、在第一方面的一種可選方案中，所述通過傅里葉分析將所述天頂對流層延遲數據分解為周期序列和包含趨勢項的殘差序列之后，還包括：
11、對所述包含趨勢項的殘差序列中的每個殘差值進行歸一化處理，得到標準化后的歸一化數據；
12、基于所述標準化后的歸一化數據執行所述通過所述對流層延遲預測模型結合所述包含趨勢項的殘差序列進行預測的步驟，輸出預測結果；
13、對所述預測結果進行與所述歸一化處理對應的反歸一化處理，輸出在預測時段內包含趨勢項的殘差序列。
14、在第一方面的一種可選方案中，所述通過所述對流層延遲預測模型結合所述包含趨勢項的殘差序列進行預測，輸出在預測時段內包含趨勢項的殘差序列，包括：
15、將所述包含趨勢項的殘差序列輸入所述訓練好的對流層延遲預測模型的卷積層中，通過所述卷積層提取得到數據特征，并執行交換維度操作交換所述數據特征的時間特征維度和變量特征維度，輸出交換維度后的特征向量；
16、將所述交換維度后的特征向量輸入所述訓練好的對流層延遲預測模型的注意力機制層中，獲取所述注意力機制層輸出的注意力矩陣；
17、將所述注意力矩陣輸入所述訓練好的對流層延遲預測模型的線性層中，基于所述注意力矩陣進行預測，輸出所述預測時段內各個時刻的趨勢特征和殘差特征；
18、交換所述預測時段內各個時刻的所述趨勢特征和殘差特征的時間維度和變量維度，輸出所述預測時段內包含趨勢項的殘差序列。
19、在第一方面的一種可選方案中，所述獲取歷史時段的對流層延遲時間序列，包括：
20、按照預設的時間間隔將所述歷史時段劃分為多個時刻組成的時間序列，獲取每個時刻的歷史對流層延遲數據；
21、確定缺失歷史對流層延遲數據的待插值時刻，基于待插值時刻的相鄰時刻的歷史對流層延遲數據進行插值計算，得到所述待插值時刻的歷史對流層延遲數據；
22、輸出所述歷史時段的對流層延遲時間序列。
23、在第一方面的一種可選方案中，所述對流層延遲預測模型的訓練過程包括：
24、基于至少一個觀測設備在預設時段內采集的對流層延遲時間序列生成訓練集、驗證集；
25、在每個訓練周期內將所述訓練集輸入所述對流層延遲預測模型進行訓練，以使所述對流層延遲預測模型學習到包含趨勢項的殘差項與時刻之間的映射關系；
26、將所述驗證集輸入訓練后的對流層延遲預測模型中，根據所述對流層延遲預測模型的輸出結果與所述驗證集的對應參數計算對應訓練周期的均方根誤差；
27、若連續預設數目個訓練周期的均方根誤差的數值的變化量小于預設閾值，則終止訓練過程，輸出所述訓練好的對流層延遲預測模型。
28、第二方面，本申請實施例還提供一種基于深度學習的對流層延遲預測裝置，包括：
29、數據輸入模塊，用于獲取歷史時段的對流層延遲時間序列，將所述對流層延遲時間序列輸入訓練好的對流層延遲預測模型；
30、數據處理模塊，用于通過傅里葉分析將所述歷史時段的對流層延遲時間序列分解為周期序列和包含趨勢項的殘差序列，并對所述周期序列進行擬合；
31、預測模塊，用于通過所述對流層延遲預測模型結合所述包含趨勢項的殘差序列進行預測，輸出在預測時段內包含趨勢項的殘差序列；
32、所述預測模塊還用于將所述預測時段內包含趨勢項的殘差序列與擬合后的周期序列相結合，輸出所述預測時段內的對流層延遲時間序列。
33、第三方面，本申請實施例還提供一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現本申請實施例第一方面或第一方面的任意一種實現方式提供的方法。
34、第四方面，本申請還提供一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現本申請實施例第一方面或第一方面的任意一種實現方式提供的方法。
35、本申請一些實施例提供的技術方案帶來的有益效果至少包括：
36、本申請實施例提供的一種基于深度學習的對流層延遲預測方法、裝置、設備及介質，通過將傅里葉分析將對流層延遲時間序列中的周期序列分離出來，僅將包含趨勢項的殘差序列輸入到訓練本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的對流層延遲預測方法，其特征在于，包括：
2.根據權利要求1所述的一種基于深度學習的對流層延遲預測方法，其特征在于，所述輸出所述預測時段內的天頂對流層延遲數據之后，還包括：
3.根據權利要求1所述的一種基于深度學習的對流層延遲預測方法，其特征在于，所述通過傅里葉分析將所述天頂對流層延遲數據分解為周期序列和包含趨勢項的殘差序列之后，還包括：
4.根據權利要求1或3所述的一種基于深度學習的對流層延遲預測方法，其特征在于，所述通過所述對流層延遲預測模型結合所述包含趨勢項的殘差序列進行預測，輸出在預測時段內包含趨勢項的殘差序列，包括：
5.根據權利要求1所述的一種基于深度學習的對流層延遲預測方法，其特征在于，所述獲取歷史時段的對流層延遲時間序列，包括：
6.根據權利要求1所述的方法，其特征在于，所述對流層延遲預測模型的訓練過程包括：
7.一種基于深度學習的對流層延遲預測裝置，其特征在于，包括：
8.一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，
9.一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1至6任一項所述方法的步驟。
...【技術特征摘要】
1.一種基于深度學習的對流層延遲預測方法，其特征在于，包括：
2.根據權利要求1所述的一種基于深度學習的對流層延遲預測方法，其特征在于，所述輸出所述預測時段內的天頂對流層延遲數據之后，還包括：
3.根據權利要求1所述的一種基于深度學習的對流層延遲預測方法，其特征在于，所述通過傅里葉分析將所述天頂對流層延遲數據分解為周期序列和包含趨勢項的殘差序列之后，還包括：
4.根據權利要求1或3所述的一種基于深度學習的對流層延遲預測方法，其特征在于，所述通過所述對流層延遲預測模型結合所述包含趨勢項的殘差序列進行預測，輸出在預測時段內包含趨勢項的殘差序列，包括：
5.根據權...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。