Application of Improved Model Based on LSTM in Ionospheric TEC Forecast

电离层延迟是全球卫星导航定位中重要的误差源之一, 提高电离层总电子含量(Total Electron Content, TEC)预报精度对改善卫星导航定位精度极其重要. 本文联合滑动窗口(Sliding Window)和长短时记忆(Long Short-Term Memory, LSTM))神经网络, 以滑动窗口算法对输入序列数据集不断更新并测试不同输入序列长度对应模型的精度, 最后以预测值来更新输入数据序列的最后10%, 进而构建TEC预报模型. 验证结果表明, 该模型在平静期和磁暴期预测残差绝对值小于5 TECU的比例均达85%以上, 较传统LSTM模型对应值占比增加了49%, 71%, 均方根误差(RMSE)低31%, 35%; 其预报结果的平均绝对误差(MAE)减少25%, 32%; SLSTM模型预测结果的RMSE均值、MAE均值均比传统LSTM模型、BP模型小.