基于多源数据的GNSS高程预测

来源：大地测量与地球动力学杂志2024年第12期北京时间：

作者：张凯选, 袁浩

单位：1 辽宁工程技术大学测绘与地理科学学院，辽宁省阜新市玉龙路88号，123000],figList:[{captionCn:LSTM模型结构,magId:2a114e59-7626-4482-bc47-6d318e3de706,labelCn:图1,pptUrl:20241213/ddclydqdlx-44-12-1293-1.jpg.ppt,labelEn:Fig. 1,figUrl:20241213/ddclydqdlx-44-12-1293-1.jpg,titleEn:Fig. 1 LSTM model structure,titleCn:图1 LSTM模型结构,id:Fig1,captionEn:LSTM model structure,thumbnailUrl:20241213/thumbnail/ddclydqdlx-44-12-1293-1.jpg},{captionCn:GNSS高程预测流程,magId:1452f180-50d4-4778-b765-d3555490b954,labelCn:图2,pptUrl:20241213/ddclydqdlx-44-12-1293-2.jpg.ppt,labelEn:Fig. 2,figUrl:20241213/ddclydqdlx-44-12-1293-2.jpg,titleEn:Fig. 2 GNSS elevation prediction flow chart,titleCn:图2 GNSS高程预测流程,id:Fig2,captionEn:GNSS elevation prediction flow chart,thumbnailUrl:20241213/thumbnail/ddclydqdlx-44-12-1293-2.jpg},{captionCn:4种模型预测结果RMSE值对比,magId:4f158376-6cae-4688-a529-64b7d84ff6d5,labelCn:图3,pptUrl:20241213/ddclydqdlx-44-12-1293-3.jpg.ppt,labelEn:Fig. 3,figUrl:20241213/ddclydqdlx-44-12-1293-3.jpg,titleEn:Fig. 3 Comparison of RMSE values of prediction results of four models,titleCn:图3 4种模型预测结果RMSE值对比,id:Fig3,captionEn:Comparison of RMSE values of prediction results of four models,thumbnailUrl:20241213/thumbnail/ddclydqdlx-44-12-1293-3.jpg},{captionCn:4种模型预测结果MAE值对比,magId:2f854c87-2bf2-48a5-9390-3b8bd0fb22aa,labelCn:图4,pptUrl:20241213/ddclydqdlx-44-12-1293-4.jpg.ppt,labelEn:Fig. 4,figUrl:20241213/ddclydqdlx-44-12-1293-4.jpg,titleEn:Fig. 4 Comparison of MAE values of prediction results of four models,titleCn:图4 4种模型预测结果MAE值对比,id:Fig4,captionEn:Comparison of MAE values of prediction results of four models,thumbnailUrl:20241213/thumbnail/ddclydqdlx-44-12-1293-4.jpg},{captionCn:4种模型预测结果$P_{Y \\hat{Y}}$值对比,magId:3773e41a-77de-4831-8285-c69af06bc5f7,labelCn:图5,pptUrl:20241213/ddclydqdlx-44-12-1293-5.jpg.ppt,labelEn:Fig. 5,figUrl:20241213/ddclydqdlx-44-12-1293-5.jpg,titleEn:Fig. 5 Comparison of $P_{Y \\hat{Y}}$ values of prediction results of four models,titleCn:图5 4种模型预测结果$P_{Y \\hat{Y}}$值对比,id:Fig5,captionEn:Comparison of $P_{Y \\hat{Y}}$ values of prediction results of four models,thumbnailUrl:20241213/thumbnail/ddclydqdlx-44-12-1293-5.jpg},{captionCn:预测结果对比,magId:77f514e2-6e44-4151-a860-63af3c8cf554,labelCn:图6,pptUrl:20241213/ddclydqdlx-44-12-1293-6.jpg.ppt,labelEn:Fig. 6,figUrl:20241213/ddclydqdlx-44-12-1293-6.jpg,titleEn:Fig. 6 Comparison of prediction results,titleCn:图6 预测结果对比,id:Fig6,captionEn:Comparison of prediction results,thumbnailUrl:20241213/thumbnail/ddclydqdlx-44-12-1293-6.jpg}

摘要：提出一种改进的自适应噪声完全集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise, ICEEMDAN)、核主成分分析(kernel principal component analysis, KPCA)和长短期记忆网络(long short-term memory, LSTM)的组合预测模型，以提高GNSS高程时间序列的预测精度。考虑大气压力、地表温度和水文负载对站点位移的影响，首先使用ICEEMDAN对多源环境序列进行分解，降低其非平稳性；然后使用KPCA提取关键影响因子，减少数据冗余与相关性，降低输入维度；最后利用LSTM模型对多维时间序列集GNSS高程时间序列进行建模，实现对GNSS高程的预测。对4个GNSS站点6 000组历元数据进行测试的结果显示，ICEEMDAN-KPCA-LSTM模型在预测GNSS高程时间序列时，RMSE和MAE分别比其他模型降低32.8%~35.3%和34.2%~42.1%，皮尔森相关系数提高11.6%~14.3%，表明该组合预测模型具有更好的预测性能。

关键词：GNSS高程预测,ICEEMDAN,KPCA,LSTM,影响因素