基于有限递归和深度学习的地磁ap指数中期预报方法与流程

1.本技术涉及地磁爆预报技术领域，特别涉及一种基于有限递归和深度学习的地磁ap指数中期预报方法、装置、设备、可读存储介质和计算机程序产品。


背景技术：

2.地磁爆是指地球磁场突然剧烈变化的现象，通常会伴随着太阳风暴和日冕物质抛射等高能粒子事件。地磁爆对于现代社会的电力设施、卫星通讯等基础设施都可能造成影响。因此，地磁爆预测的准确性、可靠性变得越来越重要。目前，领域内已有的地磁爆ap指数的预测模型主要包括两大类：基于物理规律的解析模型和基于机器学习（或深度学习）方法的时序模型。
3.对于基于物理规律的解析模型，由于地磁场系统的复杂性导致解析模型往往比较复杂，而对地磁场影响最大的日冕物质喷发现象的不确定性更降低了解析模型在磁爆期预测的准确性。
4.对于基于机器学习（或深度学习）方法的时序模型，目前可用的机器学习（或深度学习）算法在做单步长与测试时，其准确度往往比较好，但是，在做多步长（即中长期）预测时，却面临着各种困难。以下简要列举一些可采用的多步长或称中长期预测方法的处理方式和存在的弊端。
5.1）递归法单步预测递归法是通过历史值进行单步预测，做出预测后将预测值当作下一阶段的历史值继续进行单步预测。递归法主要优点有两个：
①
单量单步预测准确度比较高；
②
只需要训练一个模型，便可通过递归的方法进行单量的多步长的预测。
6.但是，递归法的缺点也很明显：输出值必须可以填补下一时刻缺失的输入值，对于ap指数这种需要很多参数共同预测的量来说，无法进行多步长递归预测。
7.2）直接预测直接预测本质上是单步预测。使用直接预测的方法进行步长为n的多步长预测，实际上是建立n个单值预测模型，分别专门对1到n的步长时间后的单值进行预测。
8.使用中发现直接预测的缺点：
①
需要训练的模型数过多；
②
随着n的增加，t+n时刻要预测的量与前n个时刻的所有输入量之间的实际关联性越来越低（t+1到t+n之间输入参数的信息缺失)，因此模型预测的准确度急速下降，直接预测一般只在短期内（1-3步）有效。
9.3）单量的多步预测通过一个模型直接输出同一个量未来多步的预测值，输出值按照时间顺序排列，前面的值优先预测，同时会参与到后面值的预测中。这种方法优势在于减少了需要训练模型的数量，同时后面时刻的预测利用到了前面时刻的预测信息。存在的缺点是：
①
模型要同时输出多个值，意味着每个值的准确度都会下降；
②
除了要预测的量，其他的输入参数在t到t+n之间的信息无法被利用。
10.4）递归法多变量单步预测
递归法多变量单步预测一次预测多个变量，存在的缺点是：
①
模型要同时输出多个值，意味着每个值的准确度都会下降；
②
多个变量误差累计加倍，模型性能迅速下降。
11.基于目前已有的预测手段，对地磁爆ap指数预测的准确度还存在较大提升空间，需要对预测工具进行优化升级。


技术实现要素：

12.针对现有技术中存在的技术问题，本技术提出了一种基于有限递归和深度学习的地磁ap指数中期预报方法、装置、设备、可读存储介质和计算机程序产品，能够解决至少一种技术问题。
13.本技术实施例提供一种基于有限递归和深度学习的地磁ap指数中期预报方法，包括：获取ap指数预测模型，所述ap指数预测模型是基于行星性等效日幅度ap指数、太阳射电通量f10.7、太阳活动区特征和地磁扰动等效行星性幅度ap指数的历史值，其为对第一神经网络模型进行训练后生成；分别获取ap指数、f10.7和太阳活动区特征的多个步长的预测值，其中，ap指数的多个步长的预测值由预设的ap指数预测模型生成，f10.7的多个步长的预测值由预设的f10.7预测模型生成，太阳活动区特征的多个步长的预测值由预设的太阳活动区预测模型生成；预测ap指数时，将ap指数、f10.7、太阳活动区特征和ap指数的历史值输入所述ap指数预测模型，得到模型输出的ap指数的预测值；将所述ap指数的预测值作为下一个步长的ap指数的输入值，连同ap指数、f10.7和太阳活动区特征的下一个步长的预测值，以及ap指数、ap指数、f10.7和太阳活动区特征的历史值，均输入所述ap指数预测模型，得到模型输出的ap指数的新的预测值；经过多轮迭代预测，得到多个步长的ap指数预测值。
14.可选地，根据本技术实施例的方法，所述第一神经网络模型包括transformer模型；所述历史值包括k个步长的历史测量值，k≥16，单个步长l的取值为1≤l≤6。
15.可选地，根据本技术实施例的方法，所述预设的ap指数预测模型包括长短时记忆网络lstm模型；所述ap指数预测模型的训练数据包括ap指数、f10.7、太阳活动区特征、太阳x射线的连续多日的历史值，模型的输出值为ap指数的单日预测值；所述ap指数预测模型包括三个子模型，三个子模型分别用于预测未来第一日、未来第二日和未来第三日的ap指数。
16.可选地，根据本技术实施例的方法，所述预设的f10.7预测模型包括长短时记忆网络lstm模型；所述f10.7预测模型的训练数据包括f10.7的连续多日的历史值，模型的输出值为f10.7的单日预测值；采用迭代方式预测多个步长的f10.7，将前一轮lstm模型输出的f10.7预测值添加至下一轮的输入值中，直至得到预定数量的f10.7预测值。
17.可选地，根据本技术实施例的方法，所述预设的太阳活动区预测模型包括太阳活
动区插值模型；所述太阳活动区插值模型的处理过程包括：获取第n-4天、第n-3天、第n-2天和第n-1天的太阳活动区域对第n天的ap指数的影响因子；获取第n-3天、第n-2天和第n-1天的太阳活动区域对第n+1天的ap指数的影响因子；获取第n-2天和第n-1天的太阳活动区域对第n+2天的ap指数的影响因子；将获取的影响因子作为太阳活动区的特征值，添加至插值模型中；通过线性插值方法对插值模型中的太阳活动区的特征值进行补全，以获取第n天对第n+1天，以及第n天和第n+1天对第n+2天的ap指数影响因子，其中对缺失值取前一天的值或者取前m天的平均值；得到太阳活动区插值模型，用于生成太阳活动区特征的单日预测值。
18.可选地，根据本技术实施例的方法，所述多个步长的ap指数预测值包括r个步长ap指数预测值，r≥24。
19.可选地，根据本技术实施例的方法，对所述第一神经网络模型进行训练时，将训练数据进行五等分，其中四份作为训练数据集，一份作为测试数据集，分别实施训练，训练完毕后，生成五个ap指数预测模型；预测时，分别通过五个ap指数预测模型进行预测，并将得到的五个预测值的平均值作为ap指数的预测值。
20.本技术实施例提供一种基于有限递归和深度学习的地磁ap指数中期预报装置，包括：第一获取模块，用于获取ap指数预测模型，所述ap指数预测模型是基于行星性等效日幅度ap指数、太阳射电通量f10.7、太阳活动区特征和地磁扰动等效行星性幅度ap指数的历史值，其为对第一神经网络模型进行训练后生成；第二获取模块，用于分别获取ap指数、f10.7和太阳活动区特征的多个步长的预测值，其中，ap指数的多个步长的预测值由预设的ap指数预测模型生成，f10.7的多个步长的预测值由预设的f10.7预测模型生成，太阳活动区特征的多个步长的预测值由预设的太阳活动区预测模型生成；以及预测处理模块，用于在预测ap指数时，将ap指数、f10.7、太阳活动区特征和ap指数的历史值输入所述ap指数预测模型，得到模型输出的ap指数的预测值；还用于将所述ap指数的预测值作为下一个步长的ap指数的输入值，连同ap指数、f10.7和太阳活动区特征的下一个步长的预测值，以及ap指数、ap指数、f10.7和太阳活动区特征的历史值，均输入所述ap指数预测模型，得到模型输出的ap指数的新的预测值；以及用于经过多轮迭代预测，得到多个步长的ap指数预测值，并输出任务规划结果。
21.本技术还提出一种电子设备，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；所述电子设备执行所述计算机程序指令时实现如上所述的方法。
22.本技术还提出一种计算机可读存储介质，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如上所述的方法。
23.本技术还提出一种计算机程序产品，其包括计算机程序指令，所述计算机程序指令被处理器执行时实现如上所述的方法。
24.本技术的实施例通过使用多个模型进行组合预测，使用到的模型包括f10.7预测模型、ap指数预测模型和太阳活动区插值模型，以递归的方式实现了对地磁ap指数24时间步长的中期预测，可用于对地磁爆提前三天的预测，预测结果准确度高。
附图说明
25.为了更清楚地说明本技术实施例的技术方案，以下对本技术实施例中的附图作简单介绍。
26.图1是本技术实施例的基于有限递归和深度学习的地磁ap指数中期预报方法的流程图。
27.图2是本技术实施例的太阳活动区特征缺失的示意图。
28.图3是本技术实施例的太阳活动区的特征样例的示意图。
29.图4是本技术实施例的ap指数预测模型的示意图。
30.图5是本技术实施例的用ap指数预测模型预测未来3日的输入参数值的示意图。
31.图6是本技术实施例的基于有限递归法和深度学习预测未来3日ap指数的示意图。
32.图7是本技术实施例的基于有限递归和深度学习的地磁ap指数中期预报装置的结构框图。
33.图8是用来实现本技术实施例的基于有限递归和深度学习的地磁ap指数中期预报方法的电子设备的示意图。
具体实施方式
34.以下将参考若干示例性实施方式来描述本技术的原理和精神。应当理解，提供这些实施方式的目的是为了使本技术的原理和精神更加清楚和透彻，使本领域技术人员能够更好地理解进而实现本技术的原理和精神。本文中提供的示例性实施方式仅是本技术的一部分实施方式，而不是全部的实施方式。基于本文中的实施方式，本领域普通技术人员在不付出创造性劳动前提下所获得的所有其他实施方式，都属于本技术保护的范围。
35.本技术的实施例涉及终端设备和/或服务器。本领域技术人员知晓，本技术的实施方式可以实现为一种系统、装置、设备、方法、计算机可读存储介质或计算机程序产品。因此，本公开可以具体实现为以下至少一种形式：完全的硬件、完全的软件，或者硬件与软件结合的形式。根据本技术的实施方式，本技术请求保护一种基于牛顿插值公式及霍纳法则的大规模卫星轨道计算方法方法、装置、电子设备及计算机可读存储介质。
36.在本文中，诸如第一、第二、第三之类的用语，仅用来将一个实体（或操作）与另一个实体（或操作）区分开来，而不在于要求或暗示这些实体（或操作）之间存在任何顺序或关联。
37.以下对本技术实施例中可能涉及的概念和技术术语等相关内容进行简要描述。
38.地磁爆通常是由太阳黑子活动引发的。太阳黑子是太阳表面自然形成的暗斑，是太阳磁场的产物。当在太阳表面上出现太阳黑子时，会向太阳圈层射出能量非常高的带电粒子流，即为太阳风。当太阳风里的带电粒子流到达地球附近时，会对地磁场产生影响，引起全球范围剧烈的地磁扰动，这种现象就称之为地磁爆。地磁爆对人类生活的影响是多方面的。首先，地磁爆会破坏大气层中的电离层，致使卫星的姿态发生变化，从而影响无线电
通信和卫星通信。其次，地球附近的导航系统会受到地磁爆的巨大干扰，给飞机、船只等交通设施带来安全隐患。另外，地磁爆还会引起电网中的电流、电压异常增大或突然降低，使得变压器使用寿命缩短，甚至会使其烧毁而造成永久损坏。
39.以下简要描述本技术实施例可能涉及到的相关参数：1）ap指数ap指数既是本技术要预测的指数，又称为地磁扰动等效行星性幅度，单位为2nt，每3小时产生一个新的ap值。根据相关标准，ap值大于39对应着磁暴期。ap指数的最大值为400。
40.2）ap指数ap指数是全球的全日地磁扰动强度的指数，又称为行星性等效日幅度，是衡量地磁活动级别的指标，每天产生一个新的ap值，是每天当中8个ap值的平均值，因此ap的精准预测值，对于ap的预测有着非常重要的指标性作用。
41.3）f10.7f10.7即10.7cm太阳射电通量。f10.7的测量是在地面以2800兆赫兹为中心的100兆赫频带上，在一个小时内测定的太阳射电辐射强度的平均值，每日更新一个值。f10.7与太阳表面的活动紧密相关，同样存在着11年和27天的长短周期性变化规律，是表征太阳活动的重要指数，而地磁场扰动与太阳的活跃水平存在着强关联性。
42.f10.7历史记录包含观测值和调整值（1au），考虑到太阳对地磁的影响与地日距离有关系，本技术可直接采用f10.7的观测值作为输入参数。
43.4）太阳活动区特征空间天气预报中心将前一天的观测到的太阳活动区图片数据整理为每日报告。我们将所有的历史日报数据整理为表格形式的数据。在数据中太阳活动区可分为两种类型：第一类为可见黑子群的太阳活动区，第二类为h-α波段存在光斑但不可见黑子群的太阳活动区。
44.经过特征工程后，我们每天可以得到太阳活动区对ap指数的20个整体影响因子，这20个因子分别表示着1-4天前的不同类型太阳活动区对ap值的影响情况。
45.5）太阳x射线太阳x射线也是太阳活跃程度的一个重要表征，通常在太阳大的耀斑爆发过程中，相比较其它波段的电磁辐射，x射线波段的辐射相对于耀斑发生之前会有几个量级的增强。可从高斯卫星数据中提取长波通量（0.1-0.8nm）和短波通量（0.05-0.4nm），作为两个独立的参数分别进行计算。
46.图1是本技术实施例的基于有限递归和深度学习的地磁ap指数中期预报方法的流程图。该方法包括以下步骤：s101，获取ap指数预测模型，所述ap指数预测模型是基于行星性等效日幅度ap指数、太阳射电通量f10.7、太阳活动区特征和地磁扰动等效行星性幅度ap指数的历史值，其为对第一神经网络模型进行训练后生成；s102，分别获取ap指数、f10.7和太阳活动区特征的多个步长的预测值，其中，ap指数的多个步长的预测值由预设的ap指数预测模型生成，f10.7的多个步长的预测值由预设的f10.7预测模型生成，太阳活动区特征的多个步长的预测值由预设的太阳活动区预测模
型生成；s103，预测ap指数时，将ap指数、f10.7、太阳活动区特征和ap指数的历史值输入所述ap指数预测模型，得到模型输出的ap指数的预测值；s104，将所述ap指数的预测值作为下一个步长的ap指数的输入值，连同ap指数、f10.7和太阳活动区特征的下一个步长的预测值，以及ap指数、ap指数、f10.7和太阳活动区特征的历史值，均输入所述ap指数预测模型，得到模型输出的ap指数的新的预测值；s105，经过多轮迭代预测，得到多个步长的ap指数预测值。
47.采用本技术实施例的基于有限递归和深度学习的地磁ap指数中期预报方法，通过使用多个模型进行组合预测，以递归的方式实现了对地磁ap指数24时间步长的中期预测，能够用于对地磁爆提前三天的预测，预测结果准确度高。
48.基于本技术的一些实施例，在步骤s101中，首先，可获取行星性等效日幅度ap指数、f10.7、太阳活动区特征和地磁扰动等效行星性幅度ap指数的历史值。作为一种示例，历史值可为多个步长所对应的测量值。例如，获取历史值跨度为4天（步长为3小时/步，4天=32个时间步长）的各个参数的历史测量值。基于这些历史值，对预定的第一神经网络模型进行训练，生成ap指数预测模型。
49.作为一种示例，第一神经网络模型可采用transformer模型。transformer模型是一种神经网络模型，通常认为transformer模型通过跟踪序列数据中的关系来学习上下文并因此学习含义。可选地，在训练transformer模型时，训练数据可采用k个步长的历史测量值，其中k≥16，单个步长l的取值范围为1≤l≤6。例如，k=24，l=3小时，指采用24个步长（单个步长为3小时）的历史测量值（作为真实值）训练transformer模型，训练完毕后得到ap指数预测模型。
50.为了通过前述的ap指数预测模型来预测ap指数，还需要ap指数、f10.7和太阳活动区特征的多个步长的预测值。
51.基于本技术的实施例，ap指数的多个步长的预测值可由预设的“ap指数预测模型”生成，f10.7的多个步长的预测值可由预设的“f10.7预测模型”生成，太阳活动区特征的多个步长的预测值可由预设的“太阳活动区预测模型”生成。以下对本技术实施例中可采用的各参数的预测模型进行具体说明。
52.（一）ap指数预测模型ap指数预测模型可由长短时记忆网络lstm模型训练生成，训练数据包括ap指数、f10.7、太阳活动区特征、太阳x射线的连续多日的历史值。根据需要，可训练多个预测子模型，分别用于预测未来指定日期的ap指数。
53.举例来讲，将ap指数、f10.7、太阳活动区特征、太阳x射线的历史值（例如连续27日的历史值）输入lstm结构进行训练，训练完毕后即生成ap指数预测模型，该模型采用了直接预测的策略，模型的输出为ap的单日预测值。
54.此外，根据预测需求还可选择合适的训练数据，训练多组模型，例如训练三组不同的ap指数预测模型，作为三个预测子模型，分别对未来一日、二日和三日的ap值进行预测，联合完成ap指数的预测任务。
55.（二）f10.7预测模型f10.7预测模型可由长短时记忆网络lstm模型训练生成，训练数据为f10.7的连续
多日（例如连续270日）的历史值，训练完毕后，模型的输出值为f10.7的单日预测值。
56.其中，f10.7预测模型的输入参数可视为输出参数（f10.7预测值）的历史值，因此训练一组f10.7预测模型后，可采用迭代方式预测多个步长的f10.7，也就是，将前一轮的预测值作为下一轮新增的输入值，通过迭代的方法对多时间步长后的f10.7进行预测，得到多个预测值，达到联合预测的效果。
57.（三）太阳活动区预测模型太阳表面的磁场是一个复杂的领域，通常认为，太阳表面存在五种基础磁场（扩散磁场、动力学磁场、压缩磁场、高度磁场、包裹磁场），这些基础磁场类型之间存在相互作用和复杂的耦合关系，共同参与了太阳的磁活动和不同尺度上的太阳爆发现象，表现为太阳活动区特征，可通过太阳活动区数据描述。
58.在本领域，从太阳活动区数据，可以提取出当日太阳表面五种基础磁场类型的活动区域对未来1-4日ap指数的影响因子。
59.在本技术的实施例中，假设需要预测未来3日的太阳活动区特征，可根据其中每一天的前4日的太阳活动区特征对该日的ap指数的影响因子，用于预测该日的太阳活动区特征。
60.为方便描述，将要预测的未来3日中第一天记为第n天，第二天记为第n+1天，第三天记为第n+2天，由于时间原因产生的太阳活动区特征缺失情况，如图2示意性示出太阳活动区特征缺失图。
61.太阳活动区特征的多个步长的预测值由预设的太阳活动区预测模型生成。所述预设的太阳活动区预测模型包括太阳活动区插值模型；所述太阳活动区插值模型的处理过程包括：获取第n-4天、第n-3天、第n-2天和第n-1天的太阳活动区域对第n天的ap指数的影响因子；获取第n-3天、第n-2天和第n-1天的太阳活动区域对第n+1天的ap指数的影响因子；获取第n-2天和第n-1天的太阳活动区域对第n+2天的ap指数的影响因子；将获取的影响因子作为太阳活动区的特征值，添加至插值模型中；通过线性插值方法对插值模型中的太阳活动区的特征值进行补全，以获取第n天对第n+1天，以及第n天和第n+1天对第n+2天的ap指数影响因子，其中对缺失值取前一天的值或者取前m天的平均值；得到太阳活动区插值模型，用于生成太阳活动区特征的单日预测值。
62.图3是本技术实施例的太阳活动区的特征样例的示意图。如图3所示为太阳活动区的特征样例，其中alpha1-alpha4列分别表示前1-4天alpha磁场类型活动区域对当日的影响因子。在本实施例中，以图中的曲线为例，当拥有1月5日之前的活动区数据时，实际拥有的特征为曲线以上。在本实施例中，插值算法为对缺失值取上一天的值，数学公式可以表示为：
63.其中，为第t天的特征值；为第t+1天的特征值。
64.在另一些实施例中，插值算法为对缺失值取前3天的平均值，数学公式可以表示为：
65.其中，为第t-2天的特征值；为第t-1天的特征值；为第t天的特征值；
为第t+1天的特征值。
66.基于本技术的实施例，预测下一个步长的ap指数时，将ap指数、f10.7、太阳活动区特征和ap指数的历史值输入所述ap指数预测模型，得到模型输出的ap指数的预测值。图4是本技术实施例的ap指数预测模型的示意图。对第一神经网络模型进行训练后生成ap指数预测模型，在本实施例中，ap指数预测模型采用了transformer结构，如图4所示，虚线框表示模型的输入参数，即ap值、f10.7、太阳活动区特征以及ap值的历史值，输入值的时间跨度为一般32个步长（步长 = 3小时/步），也就是4天。其中，图4中的lable对应着模型的输出，也就是下一刻的ap指数预测值。
67.对所述第一神经网络模型进行训练时，采用了集成算法进行联合预测，具体方法为将训练数据进行五等分，其中四份作为训练数据集，一份作为测试数据集，分别实施训练，训练完毕后，生成五个ap指数预测模型；预测时，分别通过五个ap指数预测模型进行预测，并将得到的五个预测值的平均值作为ap指数的预测值。在本实施例中，在预测时，五个模型进行等权重联合预测，数学公式可以表示为：
68.其中，为第i个模型预测的值；为最终的预测结果。
69.图5是本技术实施例的用ap指数预测模型预测未来3日的输入参数值的示意图。分别使用ap指数预测模型、f10.7预测模型对未来3天的ap指数、f10.7进行预测，使用太阳活动区插值模型对太阳活动区特征进行补全。经过参数的预测和补全以后，数据情况如图5所示，包括历史区间和预测期间，历史区间的跨度为4天，即32步长，历史区间包括各有32步长的f10.7、ap指数、太阳活动区特征值、ap指数；预测期间的跨度为3天，即24步长，包括已有的24步长的f10.7、ap指数和太阳活动区特征值的预测值。图6是本技术实施例的基于有限递归法和深度学习预测未来3日ap指数的示意图。在本实施例中，采用有限递归法对ap指数进行预测，如图6所示，此时ap指数预测模型的输入数据区间对应图中实线框1中的历史区间值，历史区间的时间跨度为4天32个时间步长。ap可预测区间为用实线框2表示的待预测区间中“待预测”的第一个步长，其对应着3小时1个时间步长，即一个ap值。
70.基于本技术的实施例，将所述ap指数的预测值作为下一个步长的ap指数的输入值，连同ap指数、f10.7和太阳活动区特征的下一个步长的预测值，以及ap指数、ap指数、f10.7和太阳活动区特征的历史值，均输入所述ap指数预测模型，得到ap指数预测模型输出的ap指数的新的预测值。在本实施例中，在ap指数预测模型做完第一次预测后，如图6所示，会得到实线框中的一个ap预测值。将其作为下一时间步长的一个输入值，便可进行下一个步长的预测。
71.基于本技术的实施例，经过多轮迭代预测，得到多个步长的ap指数预测值。在本实施例中，如图6所示，就是实线框1和实线框2都沿箭头方向移动了一个步长。以此类推，经过24步预测，就完成了对ap指数的三天预测，即24步后实线框2移出预测区间。通过有限递归法，使用一组模型便实现了对未来三天的ap指数的递归式预测，即实现了对ap指数进行24步长中期预测。
72.本发明的基于有限递归和深度学习的地磁ap指数中期预报方法相比于直接预测
的方法，更充分的利用了历史数据和短期预测数据，具体体现在以下几个方面：
①
ap的预测值隐含了x射线的信息；
②
太阳活动区特征的利用更充分，直接法只能利用图2中最左侧的关联特征（n-1到n-4天对n天的影响因子），而本发明方法利用到了图2中全部的关联特征（n+1，n+2天相关的影响因子）；
③
对后一步的预测，用到了前一步的预测结果（包括ap、ap、f10.7的预测值）。
73.因此，本发明对ap指数的预测具有更高的准确性，且随着预测步长的增加，这种准确性优势会越发明显。
74.本发明的基于有限递归和深度学习的地磁ap指数中期预报方法相比于单量多步预测的方法具备更高的准确性，具体原因如下：
①
ap模型更专注于单步的预测；
②
输入参数使用了两个优秀模型（f10.7预测模型、ap预测模型）的短期预测结果。
75.因此，本发明对ap指数的预测相比于单量多步预测的方法具备更高的准确性。
76.通过对模型整体的设计，实现了有限区间内的递归式的预测，在保证预测准确性的基础上极大的降低了模型（中期24步预测模型）的整体复杂度。具体对比参考如下：
①
本发明做24步预测，仅需要1组模型；深度学习模型可以学习到非常复杂的模式和规律；可以自动提取特征，减少了手动特征工程的需要；
②
直接预测方法做24步预测，需要24组模型；
③
单量多步预测方法做24步预测，需要输出24个值，意味着算法需要设计更复杂的loss函数；
④
普通递归法无法用于本例。
77.与本技术的方法实施例对应地，本技术还提供一种基于有限递归和深度学习的地磁ap指数中期预报装置，如图7所示，基于有限递归和深度学习的地磁ap指数中期预报装置100包括：第一获取模块110，用于获取ap指数预测模型，所述ap指数预测模型是基于行星性等效日幅度ap指数、太阳射电通量f10.7、太阳活动区特征和地磁扰动等效行星性幅度ap指数的历史值，其为对第一神经网络模型进行训练后生成；第二获取模块120，用于分别获取ap指数、f10.7和太阳活动区特征的多个步长的预测值，其中，ap指数的多个步长的预测值由预设的ap指数预测模型生成，f10.7的多个步长的预测值由预设的f10.7预测模型生成，太阳活动区特征的多个步长的预测值由预设的太阳活动区预测模型生成；以及预测处理模块130，用于预测下一个步长的ap指数时，将ap指数、f10.7、太阳活动区特征和ap指数的历史值输入所述ap指数预测模型，得到模型输出的ap指数的预测值；还用于将所述ap指数的预测值作为下一个步长的ap指数的输入值，连同ap指数、f10.7和太阳活动区特征的下一个步长的预测值，以及ap指数、ap指数、f10.7和太阳活动区特征的历史值，均输入所述ap指数预测模型，得到模型输出的ap指数的新的预测值；以及用于经过多轮迭代预测，得到多个步长的ap指数预测值，并输出任务规划结果。
78.本技术实施例中的电子设备可以是用户终端设备，可以是服务器，还可以是其他计算设备，也可以是云端服务器。图8示出本技术实施例的电子设备的硬件结构示意图，该
电子设备可以包括处理器601以及存储有计算机程序指令的存储器602，处理器601执行计算机程序指令时实现上述任一实施例方法的流程或功能。
79.具体地，处理器601可以包括中央处理器（cpu），或者特定集成电路（application specific integrated circuit ，asic），或者可以被配置成实施本技术实施例的一个或多个集成电路。存储器602可以包括用于数据或指令的大容量存储器。举例来说，存储器602可以是以下至少一者：硬盘驱动器（hard disk drive，hdd）、只读存储器（rom），随机存取存储器（ram）、软盘驱动器、闪存、光盘、磁光盘、磁带、通用串行总线（universal serial bus，usb）驱动器或其他物理/有形的存储器存储设备。又如，存储器602可包括可移除或不可移除（或固定）的介质。再如，存储器602可在综合网关容灾设备的内部或外部。存储器602可以是非易失性固态存储器。换句话说，通常存储器602包括编码有计算机可执行指令的有形（非暂态）计算机可读存储介质（如存储器设备），并且当该软件被执行（如由一个或多个处理器执行）时，可执行本技术实施例的方法所描述的操作。处理器601通过读取并执行存储器602中存储的计算机程序指令，实现上述实施例中任一种方法的流程或功能。
80.在一个示例中，图8所示的电子设备还可包括通信接口603和总线610。其中，处理器601、存储器602、通信接口603通过总线610连接并完成相互间的通信。通信接口603主要用于实现本技术实施例中各模块、装置、单元和/或设备之间的通信。总线610包括硬件、软件或两者皆有，可将在线数据流量计费设备的部件彼此耦接在一起。举例来说，总线可包括以下至少一者：加速图形端口（agp）或其他图形总线、增强工业标准架构（eisa）总线、前端总线（fsb）、超传输（ht）互连、工业标准架构（isa）总线、无限带宽互连、低引脚数（lpc）总线、存储器总线、微信道架构（mca）总线、外围组件互连（pci）总线、pci-express（pci-x）总线、串行高级技术附件（sata）总线、视频电子标准协会局部（vlb）总线或其他合适的总线。总线610可包括一个或多个总线。尽管本技术实施例描述或示出了特定的总线，但本技术实施例可考虑任何合适的总线或互连方式。
81.结合上述实施例中的方法，本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令，该计算机程序指令被处理器执行时实现上述实施例中任一种方法的流程或功能。
82.另外，本技术实施例还提供一种计算机程序产品，该计算机程序产品上存储有计算机程序指令，该计算机程序指令被处理器执行时实现上述实施例中任一种方法的流程或功能。
83.以上示例性地描述了本技术实施例的方法、装置、系统和计算机程序产品的流程图和/或框图，并描述了相关的各个方面。应当理解，流程图和/或框图中的每个方框或其组合，可以由计算机程序指令实现，也可以由执行指定功能或动作的专用硬件来实现，还可由专用硬件和计算机指令的组合来实现。例如，这些计算机程序指令可被提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，以形成一种机器可使得经由这种处理器执行的这些指令使能对流程图和/或框图中的每个方框或其组合中指定的功能/动作的实现。这种处理器可以是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。
84.本技术实施例的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（asic）、适当的固件、
插件、功能卡等等；当以软件方式实现时，是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在存储器中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
85.需说明，本技术并不局限于上文所描述或在图中示出的特定配置和处理。以上所述仅为本技术的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，所描述的系统、设备、模块或单元的具体工作过程，可以参考方法实施例中的对应过程，不需再赘述。应理解，本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。

技术特征：
1.一种基于有限递归和深度学习的地磁ap指数中期预报方法，其特征在于，包括：获取ap指数预测模型，所述ap指数预测模型是基于行星性等效日幅度ap指数、太阳射电通量f10.7、太阳活动区特征和地磁扰动等效行星性幅度ap指数的历史值，其为对第一神经网络模型进行训练后生成；分别获取ap指数、f10.7和太阳活动区特征的多个步长的预测值，其中，ap指数的多个步长的预测值由预设的ap指数预测模型生成，f10.7的多个步长的预测值由预设的f10.7预测模型生成，太阳活动区特征的多个步长的预测值由预设的太阳活动区预测模型生成；预测ap指数时，将ap指数、f10.7、太阳活动区特征和ap指数的历史值输入所述ap指数预测模型，得到模型输出的ap指数的预测值；将所述ap指数的预测值作为下一个步长的ap指数的输入值，连同ap指数、f10.7和太阳活动区特征的下一个步长的预测值，以及ap指数、ap指数、f10.7和太阳活动区特征的历史值，均输入所述ap指数预测模型，得到模型输出的ap指数的新的预测值；经过多轮迭代预测，得到多个步长的ap指数预测值。2.根据权利要求1所述的方法，其特征在于，所述第一神经网络模型包括transformer模型；所述历史值包括k个步长的历史测量值，k≥16，单个步长l的取值为1≤l≤6。3.根据权利要求1所述的方法，其特征在于，所述预设的ap指数预测模型包括长短时记忆网络lstm模型；所述ap指数预测模型的训练数据包括ap指数、f10.7、太阳活动区特征、太阳x射线的连续多日的历史值，模型的输出值为ap指数的单日预测值；所述ap指数预测模型包括三个子模型，三个子模型分别用于预测未来第一日、未来第二日和未来第三日的ap指数。4.根据权利要求1所述的方法，其特征在于，所述预设的f10.7预测模型包括长短时记忆网络lstm模型；所述f10.7预测模型的训练数据包括f10.7的连续多日的历史值，模型的输出值为f10.7的单日预测值；采用迭代方式预测多个步长的f10.7，将前一轮lstm模型输出的f10.7预测值添加至下一轮的输入值中，直至得到预定数量的f10.7预测值。5.根据权利要求1所述的方法，其特征在于，所述预设的太阳活动区预测模型包括太阳活动区插值模型；所述太阳活动区插值模型的处理过程包括：获取第n-4天、第n-3天、第n-2天和第n-1天的太阳活动区域对第n天的ap指数的影响因子；获取第n-3天、第n-2天和第n-1天的太阳活动区域对第n+1天的ap指数的影响因子；获取第n-2天和第n-1天的太阳活动区域对第n+2天的ap指数的影响因子；将获取的影响因子作为太阳活动区的特征值，添加至插值模型中；通过线性插值方法对插值模型中的太阳活动区的特征值进行补全，以获取第n天对第n+1天，以及第n天和第n+1天对第n+2天的ap指数影响因子，其中对缺失值取前一天的值或者取前m天的平均值；得到太阳活动区插值模型，用于生成太阳活动区特征的单日预测值。
6.根据权利要求1所述的方法，其特征在于，所述多个步长的ap指数预测值包括r个步长ap指数预测值，r≥24。7.根据权利要求1所述的方法，其特征在于，对所述第一神经网络模型进行训练时，将训练数据进行五等分，其中四份作为训练数据集，一份作为测试数据集，分别实施训练，训练完毕后，生成五个ap指数预测模型；预测时，分别通过五个ap指数预测模型进行预测，并将得到的五个预测值的平均值作为ap指数的预测值。8.一种基于有限递归和深度学习的地磁ap指数中期预报装置，其特征在于，包括：第一获取模块，用于获取ap指数预测模型，所述ap指数预测模型是基于行星性等效日幅度ap指数、太阳射电通量f10.7、太阳活动区特征和地磁扰动等效行星性幅度ap指数的历史值，其为对第一神经网络模型进行训练后生成；第二获取模块，用于分别获取ap指数、f10.7和太阳活动区特征的多个步长的预测值，其中，ap指数的多个步长的预测值由预设的ap指数预测模型生成，f10.7的多个步长的预测值由预设的f10.7预测模型生成，太阳活动区特征的多个步长的预测值由预设的太阳活动区预测模型生成；以及预测处理模块，用于在预测ap指数时，将ap指数、f10.7、太阳活动区特征和ap指数的历史值输入所述ap指数预测模型，得到模型输出的ap指数的预测值；还用于将所述ap指数的预测值作为下一个步长的ap指数的输入值，连同ap指数、f10.7和太阳活动区特征的下一个步长的预测值，以及ap指数、ap指数、f10.7和太阳活动区特征的历史值，均输入所述ap指数预测模型，得到模型输出的ap指数的新的预测值；以及用于经过多轮迭代预测，得到多个步长的ap指数预测值，并输出任务规划结果。9.一种电子设备，其特征在于，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；所述电子设备执行所述计算机程序指令时实现如权利要求1-7中任一项所述的方法。10.一种计算机可读存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-7中任一项所述的方法。

技术总结
本申请公开了一种基于有限递归和深度学习的地磁ap指数中期预报方法和装置，包括：获取ap指数预测模型；分别获取Ap指数、F10.7和太阳活动区特征的多个步长的预测值；预测ap指数时，将Ap指数、F10.7、太阳活动区特征和ap指数的历史值输入所述ap指数预测模型，得到模型输出的ap指数的预测值；将其作为下一个步长的ap指数的输入值，连同Ap指数、F10.7和太阳活动区特征的下一个步长的预测值，以及ap指数、Ap指数、F10.7和太阳活动区特征的历史值，均输入所述ap指数预测模型，得到模型输出的ap指数的新的预测值；经过多轮迭代预测，得到多个步长的ap指数预测值。利用本申请能够实现地磁ap指数中期预报。中期预报。中期预报。


技术研发人员：于嘉宁 欧阳晓平 沈自才 王月 马新 鲍子臻 姜丙凯
受保护的技术使用者：数字太空（北京）智能技术研究院有限公司
技术研发日：2023.09.06
技术公布日：2023/10/15