基于GPT3和改进注意力LSTM-MHA的区域ZTD预测模型

来源：大地测量与地球动力学杂志2026年第4期北京时间：

作者：蔡成林, 赵婕, 关文绘, 秦懿

单位：1 湘潭大学自动化与电子信息学院, 湘潭, 411105,2 湘潭大学数学与计算科学学院, 湘潭, 411105,3 成都国星通信有限公司, 成都, 611731

摘要：针对常用的ZTD预测模型中经验模型精度较低, 气象参数模型精度受限于气象参数的问题, 提出一种结合长短期记忆网络的改进多头注意力机制(LSTM-MHA)的区域ZTD预测模型, 基于第三代全球气压和气温模型(GPT3)数据与站点经纬度、高程、年积日、小时进行建模。选取欧洲地区26个连续运行参考站(CORS)2023年的ZTD数据作为参考值, 与GPT3模型、LSTM模型、CNN模型进行对比实验。结果显示, LSTM-MHA模型结果平均偏差接近于0, 均方根误差和平均绝对误差分别为13.43 mm和12.4 mm, 精度相比于GPT3、CNN、LSTM模型分别提高60.8%、55.2%、53.3%。通过评估LSTM-MHA模型在不同距离和不同预测时长下的性能发现, 所提方法在稀疏站点群和长时预测中均表现稳定, 适合区域多站点预测任务。

关键词：对流层延迟,多头注意力机制,长短期记忆网络,区域建模,气象参数模型

基金资助：国家重点研发计划(2020YFA0713501)