黃孝增

(中山市測繪工程有限公司，廣東 中山528405)

一、引 言

目前，國內(nèi)外學(xué)者對鐘差模型的預(yù)報已有大量的研究。在短期預(yù)報時通常采取二次項(xiàng)擬合模型;而在長期預(yù)報時，基于灰色模型的鐘差預(yù)報法是一種比較好的方法。但這兩種預(yù)報模型僅僅是在鐘差的趨勢項(xiàng)上建立鐘差的函數(shù)模型，而不考慮鐘差的隨機(jī)部分。針對鐘差隨機(jī)項(xiàng)的建模，目前主要采用時間序列模型來進(jìn)行。

本文利用傳統(tǒng)的預(yù)報模型二次多項(xiàng)式與灰色模型提取鐘差中的隨機(jī)項(xiàng)，利用時間序列模型ARMA、AIRMA對鐘差隨機(jī)進(jìn)行建模分析，在一定程度上提高了預(yù)報模型的精度，解決了預(yù)報滯后的問題。

二、GPS衛(wèi)星鐘差預(yù)報理論方法

1．二次多項(xiàng)式模型

該模型是將二次冪函數(shù)作為擬合的目標(biāo)函數(shù)，對已知的鐘差數(shù)據(jù)進(jìn)行擬合，并估計參數(shù)a0、a1、a2，從而得到擬合后的鐘差模型

式中，Xi為鐘差;a0、a1和a2分別為鐘差、鐘速和鐘漂。

2．灰色模型

設(shè)X(1)=(x(1)(1)，x(1)(2)，…，x(1)(n))，其中，X(1)為X(0)的1-AGO序列，Z(1)為X(1)的緊鄰均值生成序列，z(1)(k)=0．5x(1)(k)+0．5x(1)(k－1)

對于GM(1，1)模型

通過對模型求解可得

3．ARMA模型

由于IGS提供的精密星歷是等間隔排列的時間序列，可以通過時間序列分析對精密鐘差建立盡可能合適的統(tǒng)計模型，而大量的時間序列觀測樣本都表現(xiàn)為趨勢性、周期性和隨機(jī)性，因此，每個時間序列或經(jīng)過適當(dāng)函數(shù)變換的時間序列，可以表示成3個部分的疊加，如下

式中，Tt是趨勢項(xiàng);St是周期項(xiàng);Rt是隨機(jī)噪聲項(xiàng);時間序列Xt是三者的疊加。通常認(rèn)為趨勢項(xiàng)Tt是時間t的實(shí)值函數(shù)，是非隨機(jī)的，隨機(jī)噪聲項(xiàng)Rt是本文重點(diǎn)考慮的部分，通過ARMA模型來進(jìn)行建模。

如果序列Xt的當(dāng)前值不僅與自身的過去值有關(guān)，還與其進(jìn)入系統(tǒng)的外部干擾存在一定的依存關(guān)系，則在用模型刻畫這種動態(tài)特征時，模型中既包括自身的滯后項(xiàng)，也包括過去的外部干擾，這種模型叫作自回歸滑動平均模型(autoregressive-moving average model)，即ARMA(p，q)模型，一般形式為

式中，φ1，φ2，…，φp為自回歸系數(shù)，θ1，θ2，…，θp為移動平均系數(shù)。

對模型參數(shù)進(jìn)行矩陣估計后，可解得

三、基于ARMA模型的鐘差預(yù)報

通過上面3步建立好模型后，就可以對數(shù)據(jù)進(jìn)行處理。第一階段使用傳統(tǒng)模型對GPS鐘差進(jìn)行建模，提取趨勢項(xiàng)。

1．短期預(yù)報

本次數(shù)據(jù)是在IGS官網(wǎng)下載的名為igs16770．clk_30s的鐘差數(shù)據(jù)，鐘差數(shù)據(jù)為2012年2月26日1整天24 h的數(shù)據(jù)。短期預(yù)報對于二次多項(xiàng)式，采用2012年2月26日0時—6時共6 h的數(shù)據(jù)建模預(yù)測未來6 h的鐘差，即6時—12時的鐘差。灰色模型則采用15個初始?xì)v元的數(shù)據(jù)。本算例對ASG03和ASG17兩顆衛(wèi)星進(jìn)行分析。G03號衛(wèi)星采用MA(1)模型，G17號衛(wèi)星則采用ARMA(3，1)模型。如圖1、圖2所示。

圖1 G03衛(wèi)星短期預(yù)報對比

圖2 G17衛(wèi)星短期預(yù)報對比

通過對比圖，可以對模型的擬合程度有一個大致了解，為了更加直觀地表示出幾個模型之間的精度，采用表格的方式對上述模型作精度評估，見表1。

通過表1的對比分析可以看出，基于時間序列分解的鐘差預(yù)報模型，其預(yù)報精度明顯高于傳統(tǒng)的預(yù)報模型精度，究其原因是因?yàn)闀r間序列模型在建模過程中充分考慮了鐘差數(shù)據(jù)中的隨機(jī)項(xiàng)，因而數(shù)據(jù)的擬合程度更高，誤差更小。

表1 短期預(yù)報精度統(tǒng)計

2．長期預(yù)報

與短期期預(yù)報類似，長期預(yù)報對于二次多項(xiàng)式，采用2012年2月26日0時—6時整共6 h數(shù)據(jù)建模，預(yù)測未來42 h的鐘差，即6時到2月27日24時整的鐘差。灰色模型分析精密鐘差數(shù)據(jù)，兩個歷元之間的鐘差數(shù)據(jù)差值比較大，因此灰色模型長期預(yù)報采用30個初始?xì)v元值，以保證模型的精確度。

與短期預(yù)報一樣，利用Eviews時間序列軟件建模，G03號衛(wèi)星采用AR(1)模型，G17號衛(wèi)星則采用ARMA(3，1)模型。如圖3、圖4、表2所示。

圖3 G17衛(wèi)星鐘差長期預(yù)報模型

圖4 G03衛(wèi)星長期預(yù)報模型對比

通過表2的對比分析發(fā)現(xiàn)，基于時間序列模型具有可行性，它提高了傳統(tǒng)預(yù)報模型的精度，同樣可以應(yīng)用于實(shí)際中的GPS高精度的定位。

3．基于時間序列的小結(jié)

由算例結(jié)果對比表1和表2，說明了二次多項(xiàng)式模型在短期預(yù)報中相對灰色模型具有優(yōu)勢，而灰色模型則在長期模型中比二次多項(xiàng)式模型的精度更高。在時間序列分解模型，將鐘差分解為趨勢項(xiàng)和隨機(jī)項(xiàng)，利用傳統(tǒng)預(yù)報模型提取趨勢項(xiàng)，再用時間序列模型對剩下的隨機(jī)項(xiàng)建模分析，最終得到了更加理想的鐘差預(yù)報模型。

表2 長期預(yù)報精度統(tǒng)計表

四、結(jié)論與展望

本文主要研究的是GPS鐘差預(yù)報，傳統(tǒng)的GPS鐘差預(yù)報模型只考慮鐘差的趨勢項(xiàng)，沒有其中的隨機(jī)項(xiàng)，本文在傳統(tǒng)預(yù)報模型的基礎(chǔ)上，用時間序列模型ARMA對隨機(jī)項(xiàng)建模分析。

在短期預(yù)報中，采用了3種方法進(jìn)行預(yù)測:①二次多項(xiàng)式，利用6 h鐘差數(shù)據(jù)預(yù)報未來6 h鐘差;②灰色模型，利用15個初始?xì)v元數(shù)據(jù)，預(yù)報未來6 h數(shù)據(jù);③與基于時間序列分解的預(yù)報方法(趨勢項(xiàng)由二次多項(xiàng)式提取)。

在長期預(yù)報中，同樣采用3種預(yù)報模型:①二次多項(xiàng)式，利用6 h鐘差數(shù)據(jù)，預(yù)報未來42 h鐘差數(shù)據(jù);②灰色模型，采用30個初始?xì)v元數(shù)據(jù)，預(yù)報未來42 h鐘差;③基于時間序列分解模型(趨勢項(xiàng)由灰色模型提取)。

通過算例得出了以下幾個結(jié)論:①二次多項(xiàng)式模型在短期預(yù)報中較灰色模型預(yù)報精度高;②灰色模型在長期預(yù)報中較二次多項(xiàng)式精度高;③基于時間序列模型的模型精度達(dá)到了0．01 ns以上精度;④基于時間序列的鐘差模型可以在實(shí)際中得以應(yīng)用。

［1］ 王黎明，王連．應(yīng)用時間序列分析［M］．上海:復(fù)旦大學(xué)出版社，2009．

［2］ 黨耀國，劉思峰．灰色預(yù)測與決策模型研究［M］．北京:科學(xué)出版社，2009．

［3］ 劉勍，溫志賢．MATLAB基礎(chǔ)及應(yīng)用［M］．南京:東南大學(xué)出版社，2011．

［4］ 徐紹銓，張華海．GPS測量原理與應(yīng)用［M］．武漢:武漢大學(xué)出版社，2008．

［5］ 張書畢．測量平差［M］．徐州:中國礦業(yè)大學(xué)出版社，2008．

［6］ 鄭作亞，陳永奇．灰色模型修正及其在實(shí)時GPS衛(wèi)星鐘差預(yù)報中的應(yīng)用研究［J］．天文學(xué)報，2008，7(3):306-319．

［7］ 劉思峰．灰色系統(tǒng)理論及其應(yīng)用［M］．北京科學(xué)出版社，2010．

［8］ 飛思科技產(chǎn)品研發(fā)中心．MATLAB7基礎(chǔ)與提高［M］．北京:電子工業(yè)出版社，2005．

［9］ 陳正生，呂志平．基于時間序列分解的GPS鐘差預(yù)報［J］．測繪科學(xué)，2011，36(3):116-118．

［10］ 劉曉剛，吳曉平，趙等．幾種時間預(yù)報模型的鐘差長期預(yù)報效果分析［J］．測繪通報，2011(1):15-17．