[發明專利]一種F10.7指數的預測方法及設備

在審

• 申請號: 202310134273.4
• 申請日: 2023-02-20
• 公開（公告）號: CN116011680A
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 張坤;王世金;王漢風;左平兵;黃延實
• 申請（專利權）人: 哈爾濱工業大學（深圳）（哈爾濱工業大學深圳科技創新研究院）;深圳星地孿生科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08;G06N3/0464
• 代理公司: 北京細軟智谷知識產權代理有限責任公司 11471
• 代理人: 趙越

本申請涉及F10.7指數預測技術領域，尤其涉及一種F10.7指數的預測方法及設備，方法，包括：獲取上一周期的歷史F10.7指數作為輸入數據；將輸入數據輸入預先訓練的預測模型，得到當前周期的預測F10.7指數；其中，預測模型基于SCINet網絡和經驗模態分解進行訓練。因經驗模態分解是依據數據自身的時間尺度特征來進行信號分解，無需預先設定任何基函數，是一種時頻域信號處理方式，所以經驗模態分解在處理非平穩及非線性數據上具有明顯的優勢，適合分析非線性非平穩的信號序列。SCINet網絡是當前深度學習在時間序列預測中較為出色的模型，通過結合上述兩種技術手段，本申請中的預測模型在訓練時所付出的時間成本相對現有技術中的其他模型更低。

技術領域

本申請涉及F10.7指數預測技術領域，尤其涉及一種F10.7指數的預測方法及設備。

背景技術

F10.7指數即太陽10.7?cm射電流量，是反映太陽整體活動的重要指標。現有技術中可用的F10.7指數的預測都是基于統計模型或傳統的機器學習模型，例如中科院空間環境預報中心采用54階自回歸系統進行未來的太陽10.7cm射電流量預報；英國地質調查局當前采用的是自回歸-移動平均混合模型（ARIMA）模型進行預報；法國CLS機構用的是多頻外插非遞歸的神經網絡結構。但是現有技術中用于預測F10.7指數的模型在進行訓練時，需要付出的時間成本較高。

發明內容

為至少在一定程度上克服相關技術中用于預測F10.7指數的模型在進行訓練時，需要付出的時間成本較高的問題，本申請提供一種F10.7指數的預測方法及設備。

本申請的方案如下：

根據本申請實施例的第一方面，提供一種F10.7指數的預測方法，包括：

獲取上一周期的歷史F10.7指數作為輸入數據；

將所述輸入數據輸入預先訓練的預測模型，得到當前周期的預測F10.7指數；其中，所述預測模型基于SCINet網絡和經驗模態分解進行訓練。

優選地，所述方法還包括：

獲取歷史F10.7指數作為樣本數據；

根據所述樣本數據訓練所述預測模型。

優選地，根據所述樣本數據訓練所述預測模型，包括：

對所述樣本數據進行篩選；

對篩選后的樣本數據進行經驗模態分解，得到多個本征模函數和一個殘差；

將全部本征模函數和殘差輸入SCINet網絡，輸出各本征模函數和殘差對應的預測結果；

綜合本征模函數和殘差對應的預測結果，得到最終預測結果。

優選地，對所述樣本數據進行篩選，包括：

對所述樣本數據標注出極值點；

將所述樣本數據中的極大值點進行連接，構成上包絡線；將所述樣本數據中的極小值點進行連接，構成下包絡線；

確定上包絡線和下包絡線之間的樣本數據的標準偏差；

建立循環，判斷標準偏差是否小于預設閾值；

若標準偏差小于預設閾值，結束循環，輸出上包絡線和下包絡線之間的樣本數據作為篩選后的樣本數據。

優選地，所述方法還包括：

若標準偏差不小于預設閾值，執行循環，直至上包絡線和下包絡線之間的樣本數據的標準偏差小于預設閾值。

優選地，獲取歷史F10.7指數作為樣本數據后，所述方法還包括：

對所述樣本數據進行數據清洗。

優選地，所述數據清洗包括：

對所述樣本數據基于周期內的平均值進行缺失值填補。

根據本申請實施例的第二方面，提供一種F10.7指數的預測設備，包括：

處理器和存儲器；