来源：期刊VIP网 时间：
作者：时文斌;蒋涛;罗力;章传银;王伟;
单位：中国测绘科学研究院;北京房山人卫激光国家野外科学观测研究站;辽宁省自然资源事务服务中心;
摘要：针对基于物理参数的GNSS时间序列预测需要输入预测时刻的物理特征，这些未来时刻的特征取值通常很难获取的问题，该文引入深度学习模型TimesNet,以消除对未来时刻的物理特征输入的依赖，并选取10个连续运行基准站(CORS)站点的周解大地高时序开展预测实验。实验结果表明，TimesNet在不同站点的均方根误差(RMSE)保持在2～9 mm,在同一站点3—12个月内预测精度波动幅度小于3 mm,说明该模型在长时序预测时具有更强的鲁棒性；此外，数据的离散特性会对预测精度和模型参数的敏感性产生显著影响。总体而言，TimesNet模型在周解大地高时序数据的预测中表现出较为理想的效果。
关键词：TimesNet;;深度学习;;连续运行参考站;;时序分析;;时序预测
基金资助：国家重点研发计划资助项目(2021YFB3900200,2021YFB390023);; 中国测绘科学研究院基本科研业务费项目(AR2405)
