来源：期刊VIP网 时间：
作者：王建敏;孙廷松;孙建宇;李胜旗;
单位：辽宁工程技术大学测绘与地理科学学院;陕西彬长煤业有限责任公司;
摘要：针对非线性卫星钟差序列在预报过程中精度不高的问题，该文利用长短时记忆神经网络(LSTM)具有良好的数据回归特点与自注意力(Informer)神经网络模型在长时间序列预报中降低运算复杂度特性，提出了一种基于LSTM回归数据在Informer网络预报的组合模型。贝叶斯优化(BO)具有调参迭代次数少特点，通过BO优化LSTM模型和Informer模型超参数，可以有效解决两种模型参数设置问题。同时，将LSTM-Informer、BO-LSTM、BO-Informer、单一LSTM模型的预报精度进行对比。实验结果表明，LSTM-Informer模型精度相较LSTM、BO-LSTM、BO-Informer模型分别提升16.6%～93.1%、9.2%～92.5%、1.1%～89.2%;由此验证LSTM-Informer组合模型对于一次差分的非线性钟差序列进行预报的可行性。
关键词：钟差预报;;长短时记忆;;贝叶斯;;自注意力机制
基金资助：国家自然科学基金面上项目(41474020)
