尚教凱　賀寅　徐池　徐銘

摘要：研究中發(fā)現(xiàn)，將短波遠程通信中兩點間的可用頻率作為單特征輸入，利用長短期記憶人工神經(jīng)網(wǎng)絡(luò)（ISTM）可以實現(xiàn)對未來幾天短波頻率進行預(yù)測。該文對輸入的樣本數(shù)據(jù)存在缺失值條件下的情況進行分析，最終得到缺失值條件下該方法的應(yīng)用策略，對遠程短波通信保障具有重要意義。

關(guān)鍵詞：頻率預(yù)測;LSTM;缺失值

中圖分類號：TP319 文獻標識碼：A

文章編號：1009-3044（2020）09-0251-04

1 引言

短波通信一直是海上遠程通信不可缺少的手段?？茖W技術(shù)的不斷進步推動著短波通信向著建鏈速度更迅捷、數(shù)據(jù)傳輸容量更大的方向發(fā)展，但實現(xiàn)準確的短波通信頻率預(yù)測是制約著遠程短波通信質(zhì)量提升的關(guān)鍵問題。

現(xiàn)有的ITS-HF系列短波頻率預(yù)測軟件雖然能夠?qū)崿F(xiàn)復(fù)雜鏈路程序化，但該系列預(yù)測軟件的輸入條件過于苛刻，且局限性較強，在實際海上通信過程中的效果并不好。而短波頻率作為典型的非線性時間序列，有很多學者基于模糊小波、神經(jīng)網(wǎng)絡(luò)、混沌理論等算法對時間序列預(yù)測開展研究，任淑婷采用模糊小波神經(jīng)網(wǎng)絡(luò)方法對短波頻率進行預(yù)測，預(yù)測值與實際值的相對誤差在9%左右，但工程實現(xiàn)難度較大。

根據(jù)深度學習擅長提取非線性時間序列數(shù)據(jù)特征的特點，通過時間半年，間隔一小時的頻率樣本數(shù)據(jù)對長短期記憶人工神經(jīng)網(wǎng)絡(luò)（ ISTM）進行訓練，實現(xiàn)了對未來約20天每小時為間隔的點對點短波遠程通信頻率預(yù)測。在實際應(yīng)用過程中，收集樣本數(shù)據(jù)過程中存在出現(xiàn)數(shù)據(jù)缺失的可能，這種情況就不能滿足預(yù)測模型對樣本數(shù)據(jù)中時間間隔為一小時的訓練需求，那么出現(xiàn)這種缺失值時，該模型是否還能實現(xiàn)頻率預(yù)測？缺失比例是否對預(yù)測結(jié)果產(chǎn)生影響？

為進一步明確基于LSTM實現(xiàn)頻率預(yù)測方法對樣本數(shù)據(jù)的需求，本文對樣本數(shù)據(jù)存在缺失值的情況進行分析。

2 LSTM模型

3 缺失值處理

數(shù)據(jù)收集過程中出現(xiàn)缺失值存在以下幾個原因，一是沒有歷史經(jīng)歷，未積累過相關(guān)資源;二是有歷史經(jīng)歷，資源積累過程中因為設(shè)備原因出現(xiàn)缺少丟失，比如數(shù)據(jù)未存儲成功、設(shè)備故障導致某些數(shù)據(jù)未收集或者未傳遞到數(shù)據(jù)庫中;三是出現(xiàn)奇異樣本，不適合被調(diào)用，處理過程中被刪除。

缺失值的處理辦法包括填充和刪除，而填充的方法包括：

1）當調(diào)用的數(shù)據(jù)集中出現(xiàn)缺失值時，將所有缺失值用NULL進行填充，表示該項空值，不影響使用，

2）平均值填充。用該屬性其他值的平均值對該缺失項進行填充。

3）用最可能的值填充。本系統(tǒng)中頻率生成子模塊能夠根據(jù)一定數(shù)量的樣本進行頻率預(yù)測，當可通頻率存在缺失時，該預(yù)測值就是最可能的值，用預(yù)測值進行填充能夠補充缺失項。

為更好地明確缺失值對基于LSTM單特征輸入實現(xiàn)頻率預(yù)測的影響，本文對樣本數(shù)據(jù)中缺失值的處理辦法是刪除該項的整組數(shù)據(jù)。

4 仿真模型構(gòu)建

1）仿真環(huán)境

本文的仿真是在Python3.7環(huán)境下采用Python語言實現(xiàn)的，為滿足Python中numpy庫（Numerical Python，Python進行科學計算和大數(shù)據(jù)分析的基礎(chǔ)庫）導人數(shù)據(jù)要求，需要將仿真數(shù)據(jù)存儲為.csv或.xlsx格式文件。

2）仿真數(shù)據(jù)

由于數(shù)據(jù)需求量多，難以獲得能夠滿足算法訓練要求的實際數(shù)據(jù)，本文提取“亞大預(yù)測”模型預(yù)測結(jié)果中的兩點間最高可用頻率（Maximum Usable Frequency，MUF）替代短波可通頻率作為模型驗證的仿真數(shù)據(jù)。

數(shù)據(jù)由兩部分組成，一部分是由2014年8月31日0900至2015年3月1日0800的跨度半年，間隔1小時的時間，另一部分是北京市石景山區(qū)與福建省福州市臺江區(qū)兩點間通信的最高可用頻率的數(shù)值。以上兩部分組成了4368組該時刻最高可用頻率的樣本數(shù)據(jù)集合，如下表所示：

通過Python編程，在數(shù)據(jù)預(yù)處理過程中，對仿真數(shù)據(jù)進行缺失值處理，包括連續(xù)缺失、隨機缺失兩種方法，進行缺失值處理后繼續(xù)進行下一步。

3）為能夠驗證該模型的訓練效果，需要測試樣本與預(yù)測結(jié)果進行比對，因此，在仿真實現(xiàn)過程需要將預(yù)處理后的仿真數(shù)據(jù)劃分成訓練樣本集和測試樣本集兩部分。

4）確定能夠評估短波頻率預(yù)測效果的評價指標。這里選用均方根誤差（ RMSE）作為計算短波頻率預(yù)測值與測試值誤差的公式。

5）將整個仿真的結(jié)果可視化，便于觀察進行對比分析。這里使用Python中的matplotlib庫進行實現(xiàn)。

整個仿真實現(xiàn)流程如圖1所示：

5 仿真結(jié)果與分析

缺失值的情況分為連續(xù)缺失以及隨機缺失兩種，下面通過Python軟件對這兩種情況進行仿真，根據(jù)仿真結(jié)果進行總結(jié)分析。

5.1 連續(xù)缺失情況

在基于LSTM單特征輸入實現(xiàn)頻率預(yù)測的方法中，當需要調(diào)用的樣本數(shù)據(jù)集從中間部分連續(xù)缺失比例為12.5%時，運行結(jié)果如圖2所示。其中圖2（a）中的藍色部分為訓練區(qū)域，黃色部分為預(yù)測區(qū)域，橫軸代表日期，坐標間隔為1個月，縱軸代表頻率值，單位為MHz。圖2/b）中黃色線條為預(yù)測值，藍色線條為實際值.橫軸為日期，坐標間隔為6小時，縱軸為頻率值，單位為MHz。

當需要調(diào)用的樣本數(shù)據(jù)集從中間部分連續(xù)缺失比例為25%時，其預(yù)測值結(jié)果如圖3所示：

5.2 隨機缺失情況

當需要調(diào)用的樣本數(shù)據(jù)集中隨機缺失比例為1.25%時，其預(yù)測值結(jié)果如圖4所示：

當需要調(diào)用的樣本數(shù)據(jù)集中隨機缺失比例為2.5%時，其預(yù)測值結(jié)果如圖5所示：

當需要調(diào)用的樣本數(shù)據(jù)集中隨機缺失比例為15%時，其仿真結(jié)果如圖6所示：

當需要調(diào)用的樣本數(shù)據(jù)集中隨機缺失比例為20%時，其仿真結(jié)果如圖7所示：

當需要調(diào)用的樣本數(shù)據(jù)集中隨機缺失比例為25%時，其仿真結(jié)果如圖8所示：

基于LSTM單特征輸入實現(xiàn)頻率預(yù)測方法在缺失數(shù)據(jù)情況下的均方根誤差及運行時間如表2所示：

通過對以上圖表對比分析，可以總結(jié)如下：

（l）從2（a）中可以看出兩塊藍色部分中間的白色區(qū)域為樣本數(shù)據(jù)集中缺失部分，通過圖表觀察可以發(fā)現(xiàn)在單特征輸入頻率預(yù)測模型中連續(xù)出現(xiàn)缺失值與未出現(xiàn)缺失值時相比RMSE值偏大，模型運行時間稍少一些，但擬合效果較好，仍能夠滿足預(yù)測精度需求。

（2）隨機缺失數(shù)據(jù)情況下RMSE值比未出現(xiàn)缺失值時大，隨著隨機缺失數(shù)據(jù)增多，模型運行時間減少。

（3）當隨機缺失比例達到20%開始，預(yù)測精度難以滿足通信需求，因此當可通頻率資源庫中可提供的樣本數(shù)據(jù)集中隨機缺失比例達到20%以上時，單特征輸入頻率預(yù)測模型的預(yù)測結(jié)果不可靠。

6 結(jié)語

本文通過對樣本數(shù)據(jù)中的缺失值情況進行分析，總結(jié)得出當訓練樣本數(shù)量不少于3000組，時間間隔1小時，隨機缺失比例不高于20%的條件時，基于LSTM單特征輸入模型能夠用于實現(xiàn)短波頻率預(yù)測。

參考文獻：

[1]賀驍，劉蕓江，肖瑤，等.基于傳播損耗的短波自適應(yīng)快速建鏈[J].電訊技術(shù)，2014，54（3）：302-306.

[2]楊青彬，余毅敏，余奇，等.基于lTS軟件的短波頻率管理系統(tǒng)設(shè)計[J].電訊技術(shù)，2013，53（3）：249-253.

[3]田曉銘，張海勇，徐池，等.泛Kriging法在海上短波通信頻率預(yù)測中的應(yīng)用[J].電訊技術(shù)，2018，58（12）：1434-1440.

[4]黃少昆，王偉民，黃子洋，等，電離層F2層臨界頻率預(yù)測方法探討[J].氣象水文裝備，2009，4（20）：19-21.

[5]簡相超，鄭君里，混沌和神經(jīng)網(wǎng)絡(luò)相結(jié)合預(yù)測短波通信頻率參數(shù)[J].清華大學學報f自然科學版），2001，41（1）：16-19.

[6] Wang Y C.Short-term wind power forecasting by genetic algo-rithm of wavelet neural network[C]//2014 International Confer-ence on Information Science，Electronics and Electrical Engi-neering， April 26-28， 2014. Sapporo， Japan. IEEE， 2014：1752-1755，

[7]任淑婷，郭黎利.基于模糊小波神經(jīng)網(wǎng)絡(luò)的短波頻率預(yù)測[J].通信技術(shù)，201 1，44（4）：37-39.

[8]徐池，邱楚楚，李梁，等.海上短波通信頻率優(yōu)選技術(shù)現(xiàn)狀與分析[J].通信技術(shù)，2015，48（10）：1101-1105.

[9]尚教凱，張海勇，徐池，等.基于LSTM單特征輸入的短波可用預(yù)測研究[J].艦船電子工程，2019，39（11）：76-78，88.

[10]鄧建新，單路寶，賀德強，等.缺失數(shù)據(jù)的處理方法及其發(fā)展趨勢[J].統(tǒng)計與決策，2019（23）：28-34.

【通聯(lián)編輯：朱寶貴】