張小紅，任曉東，吳風波，蘆 琪

武漢大學 測繪學院，湖北 武漢430079

1 引 言

電離層與人類生活息息相關，其變化對定位導航、遠程通信、航空航天、天氣預報等具有重要影響［1－4］。電離層的時空分布及變化與地球運動、太陽活動、地磁場變化等諸多因素密切相關，觀測并預報電離層中的總電子含量（TEC）及其時空分布已成為電離層研究中的一個重要課題，在單頻GPS實時導航定位、震前電離層擾動探測等研究中具有重要應用。目前常用的電離層模型Klobuchar、Bent、IRI等經驗模型因使用方便且計算簡單而被廣泛應用，但這些模型都是基于統(tǒng)計經驗，對電離層預報結果并不十分理想。常用單頻接收機采用的Klobuchar模型在一天內只能預報出電子含量的50%～60%［5］，且對夜間的預報具有明顯的不合理性；IRI模型的預報精度也只有60%左右，并且由于探測資料在時間分布和地域跨度上的局限，使得結果在不同地區(qū)相差較大。因此，國內外學者先后建立了精度較高的電離層預報模型，如神經網絡模型、時間序列模型［6－15］等，并取得了豐富的研究成果。其中，時間序列模型與其他模型相比具有樣本數(shù)據要求少、建模理論完善、計算過程相對簡單、外延性好以及短期電離層預報精度高等優(yōu)勢［12－16］。自文獻［10］提出了以IGS電離層資料為樣本利用時間序列方法預報全球電離層TEC以來，雖有少量學者也利用時間序列模型分析預報電離層TEC值并且取得了一定成果，但大多數(shù)研究都是基于電離層平靜期的TEC值，而對于包含有電離層活躍期TEC值的預報效果卻鮮有人提及。此外，已有研究在用時間序列模型分析電離層時，一般都只考慮到殘差項中周期性與短期相關性的相加性模型，而忽略了乘積性季節(jié)模型的可能性。TEC時間序列在很多情況下都更適合用乘積性季節(jié)模型來模擬。

基于此，本文利用CODE提供的高精度電離層TEC資料，采用時間序列模型的分析方法，考慮乘積性季節(jié)模型，對不同電離層環(huán)境下（電離層平靜期和活躍期）和不同緯度地區(qū)預報性能和精度，同時重點分析了影響該方法預報精度的因素，如TEC樣本數(shù)據長度對預報精度的影響以及相同TEC樣本數(shù)據預測不同天數(shù)對預測精度的影響。

2 時間序列法（ARIMA模型）預報電離層TEC

電離層TEC的變化與地理位置、季節(jié)、地方時以及太陽和地球的活動有密切關系。因此，其TEC值具有明顯的年周期變化、季周期變化、日周期變化和隨機波動。而時間序列分析可以對一組有序數(shù)據進行觀察、研究，找到它的變化發(fā)展規(guī)律，能夠較好地預測其走勢。

利用時間序列法預報電離層TEC值的基本流程是先獲得由CODE提供的TEC值作為樣本序列，然后判斷序列的平穩(wěn)性，如果序列不平穩(wěn)則先進行平穩(wěn)化處理；得到平穩(wěn)序列后通過自相關函數(shù)和偏自相關函數(shù)表現(xiàn)的性質選定模型并定好階以完成建模過程；建模完成后進行顯著性檢驗，看所選模型是否顯著有效；最后，在所有通過檢驗的模型中按照一定準則選擇相對最優(yōu)模型，進行序列的預測。根據TEC值序列明顯的周期性，對TEC序列進行以步長為周期長度S的差分運算，根據觀測時序圖、觀測序列的自相關函數(shù)等來判別其周期S，按式（1）進行季節(jié)差分

一般情況下，經一次季節(jié)差分和一次正常差分后，原序列觀測值能夠轉化為平穩(wěn)時間序列z（t）。若不能，則繼續(xù)差分直到平穩(wěn)。對差分平穩(wěn)序列可用ARIMA（求和自回歸移動平均）模型進行擬合［12］。ARIMA模型又可分為ARIMA（p，d，q）模型和 ARIMA（p，d，q）×（P，D，Q）S乘積季節(jié)模型。普通ARIMA（p，d，q）模型可表示為式（3）—式（6）

式中，xt為零均值平穩(wěn)序列；d表示d階差分；εt表示零均值白噪聲序列；Φ（B）為平穩(wěn)可逆ARMA（p，q）模型的自回歸系數(shù)多項式；Θ（B）為平穩(wěn)可逆ARMA（p，q）模型的移動平滑系數(shù)多項式；非負整數(shù)p稱為自回歸階數(shù)，非負整數(shù)q稱為滑動平均階數(shù)；實參φ1、φ2、…、φp稱為自回歸系數(shù)，實參θ1、θ2、…、θq稱為滑動平均系數(shù)［18－20］。

通常情況下，普通的ARIMA模型已經能夠模擬出比較準確的模型，但還是有部分序列不能理想模擬。對于有短期相關性和季節(jié)效應之間具有復雜關聯(lián)性的情況，短期相關性和季節(jié)效應不能簡單地、可加性地提取，此時須用乘積季節(jié)模型。其季節(jié)相關性可采用以周期步長為單位的ARIMA（p，d，q）模型提取，這樣的序列則適合采用 ARIMA（p，d，q）×（P，D，Q）S乘積季節(jié)模型進行擬合，其完整表達如式（7）—式（9）

在分析過程中，應根據TEC值的時間序列具體表現(xiàn)出來的性質挑選模型，然后進行模型的檢核，反復嘗試，直到找出最佳模型。通常情況下，同一個時間序列可以構造多個顯著有效的擬合模型。為了解決這個問題，引入AIC準則和SBC準則作為判斷標準選擇相對最優(yōu)模型，即在通過檢驗的模型中使得AIC或SBC函數(shù)值達到最小的模型。

AIC準則是擬合精度和參數(shù)個數(shù)的加權函數(shù)。其中，中心化ARMA（p，q）模型的AIC函數(shù)為

非中心化ARMA（p，q）模型的AIC函數(shù)為

SBC是AIC的改進，理論已經證明，SBC準則是最優(yōu)模型的真實階數(shù)的相合估計［14－15］。中心化ARMA（p，q）模型的SBC函數(shù)為

我們所做的思想政治教材也好，上的思想政治課也好，都不是針對某一個學生或者某一種學生的，而是針對絕大部分學生進行的。這是課堂教育的弊端，在短時間內我們也無法進行改正。這樣的廣泛性的思想政治教育，往往不能夠達到最好的效果。每個學生的思想問題以及所需要接受的思想政治教育都不一樣，所以說我們需要的是有針對性的教育。校園文化是一個立體化的環(huán)境，它包括的方面很多，學生完全可以根據自身的需求，去融入其中，并且在不知不覺中完成自我的教育，這是課堂教育所無法比擬的。

非中心化ARMA（p，q）模型的SBC函數(shù)為

3 試驗分析

本文利用CODE提供的高精度全球電離層TEC數(shù)據作為樣本序列，選取電離層平靜期、活躍期不同地理緯度的TEC數(shù)據采用ARIMA模型進行短期預報，其預報結果與CODE所提供TEC值（作為真實值）進行比較，得到預報精度。為了考察預報結果的精度，筆者采用相對精度Prel和絕對精度Pabs｛Iave，σ｝

式中，Δave為預報值與真值的平均殘差；σ為預報殘差的中誤差；Ipre為預報的電離層TEC值；Iigs為IGS發(fā)布的TEC值；n為預報的數(shù)據量。

3.1 不同環(huán)境下的預報精度分析

在利用時間序列分析進行電離層TEC預測時，對于包含電離層處于活躍時期數(shù)據的預報結果鮮有人提及，因此筆者對電離層活躍程度如何影響預報結果進行了分析探討，得出一些具有參考價值的結果。

對電離層活躍期的預報分析，筆者選取2010年 年 積 日 為 47—60 日（2010－02－16—2010－03－01）、227—240日（2010－08－15—2010－08－25）兩個時 段 內 高 緯 度（70°N，115°E）、中 緯 度（40°N，115°E）和低緯度（10°N，115°E）電離層格網TEC數(shù)據；對電離層平靜期的電離層預報分析，筆者選取2012－03－06—2012－03－14、2011－09－09—2011－09－22、2010－08－01—2010－08－14、2008－02－01—2008－02－14 這 4 個 時 段 IGS 提 供 的 高 緯度（75°N，125°E）、中緯度（45°N，125°E）和低緯度（5°N，125°E）的格網 TEC數(shù)據，4段數(shù)據包含了春夏秋冬的情況，且電離層活躍期持續(xù)較長。然后，用前8d的TEC值預報后6d的TEC值，并與發(fā)布的真實值作比較，其結果如圖1和圖2所示。

圖1為2010－02－24—2010－03－01不同緯度的預測結果與實際觀測結果的對比圖，圖中橫坐標軸表示預測歷元，其中每2h一個歷元；縱坐標軸表示TEC值，單位為TECU；紅色（TEC－PRE）代表預測值，黑色（TEC－IGS）表示IGS提供的實際觀測值。圖2為預測結果與實際觀測結果之差的散點圖，即殘差散點圖，其中橫坐標軸表示預測歷元；縱坐標軸為預測值與真實值之差，單位為TECU。其中，圖2中的藍色三角形、紅色圓形、黑色正方形分別代表高、中、低緯度每個歷元的預報殘差。

由圖1和圖2可以看出，在電離層平靜期與活躍期，利用基于ARIMA模型的時間序列分析法預測得到的TEC值與實際觀測值在高、中、低緯度均符合的較好，并且在大多數(shù)情況下，預報殘差在3TECU以內，與IGS本身提供TEC值精度相當。且預報殘差會隨緯度的增加而減小。對比電離層平靜期和電離層活躍期，電離層活躍期預報精度要稍差一些，特別是在低緯度地區(qū)，其殘差值明顯要差于平靜期。

由表1的殘差統(tǒng)計結果可以看出，電離層平靜期的預報結果將近50%的數(shù)據預報殘差在1TECU內，90%的預報殘差在3TECU內；而電離層活躍期預報殘差小于1TECU的占44.0%，與電離層平靜期相差不大，而預報殘差大于3TECu的則為20%，比平靜期的10%大兩倍，說明在電離層活躍期由于電離層的不穩(wěn)定性導致時間序列法對其建模存在一定偏差，從而使得預報結果相對較差。但總體來說，時間序列方法具有較高預報精度，是一種比較理想的預測方法。

由表2給出的電離層平靜期精度統(tǒng)計表可知，不同緯度預報值的相對精度有著較大差異，低緯度最高，中緯度、高緯度次之；而對于絕對精度（即平均殘差值和中誤差），高緯度地區(qū)明顯要優(yōu)于中、低緯度。造成不同緯度相對精度和絕對精度恰好相反是由于在低緯度地區(qū)受太陽影響，其本身電離層TEC值較大，從而導致即使預報殘差較大，其相對精度也會比較高，而高緯度地區(qū)則恰好相反。

表2 電離層平靜期預測值的絕對精度和相對精度統(tǒng)計表Tab.2 The predicted values’absolute accuracy and relative accuracy in ionospheric quiet period

結合表3電離層活躍期的預報精度統(tǒng)計表，采用包含活躍期的數(shù)據作為樣本序列來進行預測時，其相對精度比平靜期雖然略高，但預報殘差要比平靜期預報大。這是由于相對精度的計算結果在一定程度取決于基值相的太大，相同或相近的預報殘差，若基值不同，相對精度會有較大差異；而活躍期的基值一般都比平靜期的基值要大，所以即使殘差較大，仍可保持略高的相對精度。由此可以判斷，殘差項的比較比相對精度的比較更有說服力。因此，可以認為，包含活躍期的數(shù)據做樣本序列來預報電離層TEC值序列預報精度不如完全采用平靜期數(shù)據做樣本序列進行預報的精度，但差異并不是太大。

表3 電離層活躍期預測絕對精度與相對精度統(tǒng)計表Tab.4 The predicted values’absolute accuracy and relative accuracy in ionospheric active period

3.2 預測精度的影響因素分析

以往研究中雖然介紹了相關基于ARIMA模型的電離層預報方法，但是卻沒有較為全面的分析預測結果精度的影響因素，使得無法使用最佳的預報方式得到最好預報結果。因此，筆者對影響該方法預報精度的影響因素做了重點分析。其包括兩方面：一方面是所采用樣本數(shù)據的長短對預報結果的影響（即多少天的樣本數(shù)據才是最佳樣本數(shù)據），而另一方面，筆者分析了該方法利用同樣的樣本數(shù)據預報數(shù)天，分析其最大預測長度。以便后續(xù)為運用該方法提供重要參考。

首先，筆者取2009年年積日70—126CODE提供的高緯度（75°N，125°E）、中緯度（45°N，125°E）和低緯度（5°N，125°E）的格網 TEC數(shù)據作為序列樣本進行時間序列分析，采用7－7（即利用7d的數(shù)據來預測之后7d的 TEC結果）、10－7、20－7、30－7、40－7、50－7 6種模式來研究預報所采用天數(shù)對預報結果的影響，圖3給出了6種方式預測的相對精度對比圖。

由圖3可以看出，樣本序列的長度對預測精度有一定影響，在最初，樣本序列的增長能夠很明顯地提高預測相對精度；但隨著樣本繼續(xù)增長，到一定長度后變化不再明顯；超過一定長度后，隨著樣本序列的增長，預報精度開始下降。由圖可以看出，30d左右為最佳樣本序列長度，如果再增加樣本長度對相對精度不會有明顯的提高。

然后，筆者利用2010年年積日為227—240日（10°N，115°E）的TEC樣本序列向后預報50d，分析了該方法預測精度隨著預報天數(shù)增加的變化規(guī)律，圖4給出了預報精度隨時間的變化圖（給出的為每天12個時段的平均相對精度），其結果如圖4所示，其中橫坐標軸表示預報的預報天數(shù)；縱坐標軸為預報的相對精度。

由圖4可以看出，隨著預報時間的增加，預報精度大致呈現(xiàn)下降的趨勢。但是預測長度在前30d左右平均相對精度差不多都在80%以上，且在前10d平均相對精度在90%左右，而超過30d預報的相對精度明顯下降，隨時間增加相對精度衰減越快。預報初期之所以出現(xiàn)精度逐漸增加的現(xiàn)象，跟其電離層異常有一定關系，導致預報初期的3～5d精度較低，而后來逐漸恢復正常。

4 結 論

基于ARIMA模型的方法是基于數(shù)學方法的預報，使用較簡單且預測結果較為理想，以分析該方法在不同電離層狀況下的預測性能和影響該方法精度的因素分析。經大量試驗，分析得到如下結論：

（1）該方法在預報電離層TEC中是可行的而且有較大的應用價值。其預測的平均相對精度可達83%；而平均絕對精度（即殘差）為0.18 TECU，其中殘差值小于3TECU的占到90%以上。

（2）無論是在電離層活躍期還是平靜期，該方法均能得到較好的預測結果。兩者預報的相對精度基本相當，而電離層活躍期相對于平靜期的預報絕對精度要稍差，但也屬于較為理想的精度范圍。

（3）該方法預測時所采用的樣本數(shù)據長度和預報時間長度，都會造成預報精度的差異。其規(guī)律是：預報所采用的天數(shù)（即TEC樣本數(shù)據長短）對結果有較明顯的影響。在一定范圍內，當預報所采用的天數(shù)較多時，結果的可靠性也就較強，達到的精度更高；但隨著樣本序列增加到一定值（約30d左右）后，其相對精度提高不大。而同樣的TEC樣本數(shù)據，一般預測時間越長精度越低，而前30d其精度波動幅度不大，但是超過30d，則精度會隨時間出現(xiàn)明顯的衰減。

圖1 電離層平靜期（左圖）與活躍期（右圖）在不同緯度的TEC預報結果Fig.1 TEC forecast result comparison at different latitudes in ionospheric quiet period

圖2 電離層平靜期（左圖）與活躍期（右圖）在不同緯度的預報殘差Fig.2 Predicted residual value at different latitudes in ionospheric quiet period

圖3 6種預測模式的相對精度對比圖Fig.3 Comparison figure of the six predicting patterns’relative accuracy

圖4 預報50d每天的平均相對精度統(tǒng)計圖Fig.4 Everyday’s average relative accuracy statistical figure of predictions in 50days

［1］ CAI Changsheng，GAO Jingxiang，LI Zhenghang.Monitoring Seasonal Variations of Ionospheric TEC U－sing GPS Measurements［J］.Geomatics and Information Science of Wuhan University，2006，31（5）：451－453.（蔡昌盛，高井祥，李征航.利用GPS監(jiān)測電離層總電子含量的季節(jié)性變化［J］.武漢大學學報：信息科學版，2006，31（5）：451－453.）

［2］ YUAN Yunbin.Study on Theories and Methods of Correcting Ionospheric Delay and Monitoring Ionosphere Based on GPS［D］.Wuhan：Institute of Geodesy and Geophysics of the Chinese Academy of Sciences，2002.（袁運斌.基于GPS的電離層監(jiān)測及延遲改正理論與方法的研究［D］.武漢：中國科學院測量與地球物理研究所，2002.）

［3］ MENG Yang，AN Jiachun，WANG Zemin，et al.Spatial Distribution of Antarctic Ionosphere TEC Based on GPS［J］.Acta Geodaetica et Cartographica Sinica，2011，40（1）：37－40.（孟泱，安家春，王澤民，等.基于 GPS的南極電離層電子總含量空間分布特征研究［J］.測繪學報，2011，40（1）：37－40.）

［4］ BHUYAN P K，BORAH R R .TEC Derived from GPS Network in India and Comparison with the IRI［J］.Advances in Space Research，2007，39（5）：830－840.

［5］ RUAN Rengui，WU Xianping，F(xiàn)ENG Laiping，et al.Single－Frequency Precise Point Positioning with Simultaneous Ionospheric Delay Estimation［J］.Acta Geodaetica et Cartographica Sinica，2012，41（4）：490－495.（阮仁桂，吳顯平，馮來平，等.同時估計電離層延遲的單頻精密單點定位方法［J］.測繪學報，2012，41（4）：490－495.）

［6］ FAN Guoqing，WANG Wei，XI Xiaoning.Modeling of Ionosphere VTEC Using Generalized Regression Neural Network［J］.Acta Geodaetica et Cartographica Sinica，2010，39（1）：16－21.（范國清，王威，郗曉寧.基于廣義回歸神經網絡的電離層VTEC建模［J］.測繪學報，2010，39（1）：16－21.）

［7］ RATNAM V D，DINESH V B，TEJASWI B，et al.TEC Prediction Model Using Neural Networks over a Low Latitude GPS Station［J］.International Journal of Soft Computing and Engineering，2012，2（2）：2231－2307.

［8］ HABARULEMA J B.A Feasibility Study into Total Electron Content Prediction Using Neural Networks［D］.Grahamstown：Rhodes University，2008.

［9］ HABARULEMA J B，MCKINNELL L A，CILLIERS P J.Prediction of Global Positioning System Total Electron Content Using Neural Networks over South Africa［J］.Journal of Atmospheric and Solar－terrestrial Physics，2007，69（15）：1842－1850.

［10］ LIU Xiandong，SONG Lijie，YANG Xiaohui，et al.Predicting Shortdated Ionospheric TEC Based on Wavelet Neural Network［J］.Hydrographic Surveying and Charting，2010，30（5）：49－51.（劉先冬，宋力杰，楊曉暉.基于小波神經網絡的電離層TEC短期預報［J］.海洋測繪，2010，30（5）：49－51.）

［11］ AKYILMAZ O，ARSLAN N.An Experiment of Predicting Total Electron Content（TEC）by Fuzzy Inference Systems［J］.Earth，Planets，and Space，2008，60（9）：967－972.

［12］ LI Zhigang，CHENG Zongyi，F(xiàn)ENG Chugang，et al.A Study of Prediction Models for Ionosphere［J］.Chinese Journal of Geophysics，2007，50（2）：327－337.（李志剛，程宗頤，馮初剛，等.電離層預報模型研究［J］.地球物理學報，2007，50（2）：327－337.）

［13］ ERDOGAN H，ARSLAN N.Identification of Vertical Total Electron Content by Time Series Analysis［J］.Digital Signal Processing，2009，19（4）：740－749.

［14］ LI Xiuhai，GUO Dazhi.Prediction of Ionospheric Total Electron Content Based on Semiparametric Autoregressive Model［J］.Science of Surveying and Mapping，2011（2）：149－151.（李秀海，郭達志.基于半參數(shù)AR模型的電離層TEC建模與預測［J］.測繪科學，2011（2）：149－151.）

［15］ LI Xiuhai，GUO Dazhi.Modeling and Prediction of Ionospheric Total Electron Content by Time Series A－nalysis［C］∥International Conference on Advanced Computer Control.Shenyang：［s.n.］，2010：375－379.

［16］ LI S H，PENG J H.Time Series Analysis and Prediction on Ionospheric VTEC Data［C］∥CPGPS 2009：Proceedings of Global Navigation Satellite System：Technology Innovation and Application，2009：155－161.

［17］ KRANKOWSKI A.Wavelet Analysis and Forecasting of VTEC Obtained with GPS Observations over European Latitudes［J］.Journal of Atmospheric and Solar－Terrestrial Physics，2005.67（12）：1147－1156.

［18］ JAMES D H.Time Series Analysis［M］.New Jersey：Princeton University Press，1994.

［19］ WANG Yan.Application of Time Series Analysis［M］.2nd.Beijing：People＇s University of China Press，2008.（王燕.應用時間序列分析［M］.2版.北京：中國人民大學出版社，2008.）

［20］ HE Shuyuan.Application of Time Series Analysis［M］.Beijing：Beijing University Press，2007.（何書元.應用時間序列分析［M］.北京：北京大學出版社，2007.）