基于深度学习的多步预测方法在太阳风速度预测上的应用

为对近地环境太阳风状况进行可靠预测,引入基于深度学习的多步预测方法来预测在太阳与地球之间的拉格朗日点1(L1)处距离输入观测数据序列未来24、48、72、96 h的太阳风速度.采用SDO的图像数据提取冕洞面积等特征信息,并从NASA OMNIWEB数据集提取其他输入特征,形成多变量的时序数据作为太阳风速度预测的输入信息,输出未来某时刻附近几个小时的太阳风速度.预测过程中分别采用单一LSTM模型、编解码器LSTM模型和CNN-LSTM编解码器模型3种深度学习预测模型作为基模型,融合多步输出端数据进行对比分析.实验表明,多步预测相较于单步输出预测,对未来24、48、72、96 h的太阳风速度预测的相关系数和精度均有所提高,其中单一LSTM模型对于未来24 h太阳风速度的多步预测结果最佳——与观测数据的相关系数为0.789,均方根误差为62.469 km/s,平均绝对误差为46.476 km/s.