集成奇异谱分析与 ARIMA 模型预测日长变化.
- Resource Type
- Article
- Authors
- 雷 雨; 赵丹宁; 蔡宏兵; 徐劲松
- Source
- Geomatics & Information Science of Wuhan University. Dec2023, Vol. 48 Issue 12, p2040-2048. 9p.
- Subject
- *BOX-Jenkins forecasting
*ROTATION of the earth
*SPECTRUM analysis
- Language
- Chinese
- ISSN
- 1671-8860
高精度的日长(length of day,LOD)变化 ΔLOD 预报值在深空探测器跟踪、卫星自主导航和气候预测等领域具有 重要作用。针对 ΔLOD 复杂的时变特性,首先,利用奇异谱分析(singular spectrum analysis,SSA)方法提取 ΔLOD 时间序 列中的趋势项、周年项与半周年项等主成分,并基于 SSA 迭代插值算法对主成分进行外推;其次,采用差分自回归滑动平 均(autoregressive integrated moving average,ARIMA)模型对扣除主成分的剩余项进行建模预测;最后,将 SSA 主成分外 推值与 ARIMA 预测值相加获得 ΔLOD 预报值。选取国际地球自转与参考系服务组织发布的 2000-01-01—2001-12-31 的 ΔLOD 数据进行 1~365 d 跨度的预报实验,并将 SSA+ARIMA 预报结果与反向传播神经网络、广义回归神经网络和 高斯过程等机器学习方法的预报结果进行对比分析。结果表明,SSA+ARIMA 方法的预报精度优于几种机器学习方 法,特别是中长期预报精度优势更为显著,其中,对于 1~30 d 短期和 30~365 d 中长期的预报,SSA+ARIMA 方法的平 均绝对预报误差相对于机器学习方法最大分别降低了 39% 和 61%。 [ABSTRACT FROM AUTHOR]