基于优化自注意力神经网络的卫星钟差短期预报

为了提高卫星钟差短期预报精度,有效利用钟差数据之间的依赖关系,实现深层隐含特征提取与并行化计算,提出了一种序列到序列的基于优化自注意力机制的神经网络钟差预报模型（Informer）。首先,对自注意力机制进行概率稀疏性优化,合理分配权重,给出详细的稀疏优化方法,降低模型的训练与预报时长;其次,引入麻雀优化算法进行超参数优化,得到神经网络的最优超参数;然后,给出Informer模型钟差预报的具体步骤;最后,将Informer模型与已有模型进行实验对比。实验结果表明：在计算效率方面,LSTM模型、Transformer模型和Informer模型在输入长度低于336个历元时运行时间大致相同;在预报时间方面,Informer模型优势明显;利用12 h的数据建模,与QP、GM以及LSTM模型相比,Informer模型3 h的预报精度分别提高了66.83%、79.78%、71.11%,6 h的预报精度分别提高了50.50%、70.84%、53.54%,12 h的预报精度分别提高了37.91%、60.12%和15.74%,验证了Informer模型在钟差短期预报中具有较高的准确性和稳定性。