基于CEEMDAN 与TCN-Attention 的陆态网络GNSS高程时间序列多尺度预测

来源：大地测量与地球动力学杂志2025年第8期北京时间：

作者：罗亦泳, 占奥文, 冯小欢

单位：1 东华理工大学测绘与空间信息工程学院，南昌市广兰大道418号，330013

摘要：提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和时间卷积网络-注意力机制(temporal convolutional network-attention mechanism, TCN-Attention)算法的多尺度预测模型(简称C-TCN-A)，该模型可有效应用于GNSS高程时间序列缺失数据的插补和未来趋势的预测。该模型利用CEEMDAN对时间序列进行多尺度分解，然后基于TCN-Attention对不同尺度分量进行预测和重构得到预测结果。为验证模型的性能，选取12个观测站进行1 d与5 d预测，并与其他多种模型进行对比。结果表明，在1 d预测中，C-TCN-A的RMSE和MAE分别降低35%~40%和36%~41%，相关系数R提高25%~29%;在5 d预测中，C-TCN-A的RMSE和MAE分别降低20%~26%和20%~28%，相关系数R提高26%~33%。为验证模型的普适性，利用C-TCN-A对陆态网络99个观测站进行1 d与5 d预测。结果表明，RMSE和MAE指标总体上结果较好，误差分布集中，大多数误差小于4 mm; 预测精度存在一定的空间分布差异，西北地区效果最佳。

关键词：GNSS高程时间序列,陆态网络,改进经验模态分解,时间卷积网络

基金资助：国家自然科学基金(41861058)