基于机器学习的ERP中长期预报方法研究

来源：大地测量与地球动力学杂志2026年第5期北京时间：

作者：张思晨, 周善石, 郭睿, 李晓杰

单位：1 中国科学院上海天文台, 上海, 200030,2 中国科学院大学天文与空间科学学院, 北京, 100049,3 北京卫星导航定位中心, 北京, 100094

摘要：目前, 地球自转参数(ERP)的中长期预测(预测时长超过30 d)精度仅能达到毫角秒量级, 与天体测量学所要求的微角秒量级以及空间大地测量学所需的毫米量级存在显著差距, 难以满足实际需求。本文系统评估了4种深度学习模型(BP、RNN、LSTM和Transformer)在ERP短中长期预报中的性能, 重点关注长期预测。实验结果表明, 在180 d预测中, Transformer模型极移预测精度较传统方法提升43.8%, 日长变化(LOD)预测误差也降至0.27 ms; UT1-TAI预测中, BP模型精度最佳, RMSE为7.83 ms。该研究可为解决北斗系统自主运行中的ERP中长期预报难题提供参考。

关键词：地球自转参数(ERP),深度学习,长期预报,极移,UT1-UTC

基金资助：中国科学技术委员会基础强化计划技术领域基金(2024-JCJQ-JJ-0336)