一种基于时空关联信息挖掘的太阳风速度预测方法

技术领域

本发明属于太阳风速度预测技术领域，具体涉及一种基于时空关联信息挖掘的太阳风速度预测方法。

背景技术

太阳风是指从太阳上层大气射出的超声速等离子体带电粒子流，其充满了我们整个太阳系，通常以200-800km/s的速度进行高速运动。与地球上的空气不同的是，组成太阳风的物质不是气体的分子，而是由更简单的比原子还小一个层次的基本粒子——质子和电子等组成，但是，它们流动时所产生的效应与空气流动十分相似，所以科学界称它为太阳风。

而地磁场会把绝大部分的太阳风阻挡在地球之外，但是，仍然会有少数漏网分子闯进来，尽管它们仅是一小部分，但还是会给地球带来一系列破坏。首先，它会干扰地球的磁场，使地球磁场的强度发生明显的变动；并且，其还会影响地球的高层大气，破坏地球电离层的结构，使其丧失反射无线电波的能力，造成我们的无线电通信中断；此外，其还会影响大气臭氧层的化学变化，并逐层往下传递，直到地球表面，使地球的气候发生反常的变化，甚至还会进一步影响到地壳，引起火山的爆发和地震。

因此，人们普遍认为，由于越来越多的现代技术暴露于空间环境，空间天气影响已成为对人类社会的巨大威胁，其中，地磁风暴是最具破坏力的太空天气影响之一，而对近地环境太阳风状况进行可靠的预测，可以减轻空间天气对人类生产生活的影响，并且，其对于保障近地空间区域的航天活动安全、导航与无线电系统的正常工作、地面重要电力网络系统的安全和建立有效的空间天气预报体系均有着重要的意义。

发明人发现了现有的用于预测周围太阳风状况的方法，主要是基于物理模型的方法，其通过检测太阳表面日冕面积的大小，判断当前太阳处于何种状态；还有一种是基于人工观测的方法，由大量的观测员对太阳的活动进行实时监测，通过他们的经验知识对太阳每个时刻的状态进行判断。但是，之前的模型都是简单计算出冕洞的面积对速度进行预测，并没有考虑从冕洞的形状、大小等其他因素，而这些因素与太阳风速度之间同样存在着隐含关系；而且，现有的有关太阳风参数预测的模型，大部分都是基于人工设计的指标建立太阳风参数与这些指标之间的非线性关系进而进行预测，其没有考虑到日冕活动与太阳风之间的隐式关系；此外，随着技术的发展，观测太阳的卫星不断增加、对于太阳的物理量的监测设备也日益完善，相关数据不断涌现，而目前现存人工观测或者手工提取特征的方法需要大量的人力物力，人工处理的效率很低，无法满足大数据时代的要求。

因此，亟需一种新型的太阳风速度预测方法以解决上述问题。

发明内容

本发明的目的在于：针对现有技术的不足，提供一种基于时空关联信息挖掘的太阳风速度预测方法，其运行速度快，准确率高，预测的可行性高。

为了实现上述目的，本发明采用如下技术方案：

一种基于时空关联信息挖掘的太阳风速度预测方法，包括：

S1、预处理太阳表面图片，根据太阳风影响因素构建数据训练集；

S2、采用GRU模型对所述数据训练集进行预测实验，输出预测得到的太阳风速度。

其中，在时间序列长度为T的随时间变化的RNN的展开结构中，往往存在梯度消失问题，导致它能够处理一定的短期依赖，但无法处理长期依赖，而所述GRU模型能够通过引入门操作减少了梯度消失和梯度爆炸的可能，使得其既能够处理短期依赖问题，又能处理长期依赖问题，并且，其将忘记门和输入门合成了一个单一的更新门，使得参数量更小，训练速度更快，且不容易过拟合。

进一步地，所述S1中预处理太阳表面图片的过程包括：将太阳表面图片转换为灰度图片，计算灰度图片中的像素值，并将像素值小于预设阈值的灰度图片的数据记为area输入所述数据训练集。

进一步地，所述太阳风影响因素包括太阳风速度、太阳风温度、太阳风密度、太阳风压力、场矢量的均方根标准偏差和日冕物质抛射因素。

进一步地，所述S1中构建数据训练集的过程包括：当所述数据训练集的数据中存在异常值，采用三阶B样条曲线插值的方法进行填充处理，其中，B样条曲线的总方程为：

进一步地，所述S1中构建数据训练集的过程包括：根据均值和标准差对所述数据训练集的数据进行标准化，使经过处理的数据符合标准正态分布，通过标准化，能够消除指标之间的量纲影响，并解决了数据指标之间的可比性问题，同时，原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。

进一步地，所述S2的预测实验的过程包括：采用特征注意力向量和时间注意力向量判断所述数据训练集中的各个数据之间的关联性，并且，还可以通过对加权后的向量求和以逼近最后的目标值。

进一步地，所述S1中还包括：通过太阳风磁场、等离子体数据、高能质子通量、地磁活动性指数和太阳活动指数，构建低分辨率OMNI数据集，其中，所述S1中构建的数据训练集中的太阳风速度、太阳风温度、太阳风密度、太阳风压力和场矢量的均方根标准偏差这五个数据均可来源自所述低分辨率OMNI数据集。

进一步地，所述S1中的太阳表面图片通过大气成像组件进行采集，其中，所述大气成像组件(AIA)能够对多种波长的太阳大气进行成像，以将太阳表面变化与内部变化联系起来，并且，其数据中每10秒包含10个波长的太阳图像。

进一步地，所述S1还包括：计算所述大气成像组件的0131波段图片中冕洞的像素值之和，并引入冕洞特征。

本发明的有益效果在于：本发明利用深度学习将太阳表面图片进行适当分割，从而能够学习到更丰富的信息，同时，其还可以对复杂的关系进行建模，即可以采用深度学习的方法对日冕活动和太阳风参数之间的复杂关系进行建模，与传统的预测方法相比，这种基于太阳表面观测到的空间信息和时间信息相结合的方法，其特征利用率高，准确率也更高，同时，本发明采用GRU作为预测网络，其预测速度快，避免了梯度消失现象的发生，保障了太阳风速度预测的高可行性。

附图说明

图1为本发明的流程图。

图2为本发明的数据结构图。

具体实施方式

如在说明书及权利要求当中使用了某些词汇来指称特定组件，本领域技术人员应可理解，制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接受的误差范围内，本领域技术人员能够在一定误差范围内解决技术问题，基本达到技术效果。

在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、水平”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

以下结合附图1～2和具体实施例对本发明作进一步详细说明，但不作为对本发明的限定。

一种基于时空关联信息挖掘的太阳风速度预测方法，如图1～2所示，包括：

S1、预处理太阳表面图片，根据太阳风影响因素构建数据训练集，其中，太阳风影响因素包括太阳风速度(Bulk speed)、太阳风温度(Proton temperature)、太阳风密度(Proton density)、太阳风压力(Flow Pressure)、场矢量的均方根标准偏差(sigma-B)和日冕物质抛射因素(ICME)，sigma-B的计算公式为：

S2、采用GRU模型对数据训练集进行预测实验，输出预测得到的太阳风速度。

并且，S1步骤中预处理太阳表面图片的过程包括：将太阳表面图片转换为灰度图片，计算灰度图片中的像素值，并将像素值小于预设阈值的灰度图片的数据记为area输入数据训练集，而像素值小于预设阈值的灰度图片的数据作为冕洞面积数据，同时，将像素值大于或等于预设阈值的灰度图片的数据舍弃。

优选地，S1步骤中构建数据训练集的过程包括：当数据训练集的时间序列数据中存在异常值，采用三阶B样条曲线插值的方法进行填充处理，其中，B样条曲线的总方程为：

并且，在S1步骤中，当需要预测t小时之后的速度时，由于太阳风传播到观测点的平均时间为96h，所以，为了获得精确的冕洞面积数据，冕洞面积数据的选择可以为距离预测点96h之前的位置前后各10小时的数据，并将该数据输入数据训练集，其余数据的输入长度均为n，对冕洞面积数据采取补零方式使其长度也为n，以达到数据对应的效果。

优选地，S1步骤中构建数据训练集的过程包括：根据均值和标准差对数据训练集的数据进行标准化，使经过处理的数据符合标准正态分布，通过标准化，能够消除指标之间的量纲影响，并解决了数据指标之间的可比性问题，同时，原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价，而符合标准正态分布时，其均值为0，方差为1，公式为：

优选地，S2步骤的预测实验的过程包括：采用特征注意力向量和时间注意力向量判断数据训练集中的各个数据之间的关联性，并且，还可以通过对加权后的向量求和以逼近最后的目标值，同时，在深度学习中，注意力可以广泛的借助重要性权重向量来实现。

优选地，S1步骤中还包括：通过太阳风磁场、等离子体数据、高能质子通量、地磁活动性指数和太阳活动指数，构建低分辨率OMNI数据集，低分辨率OMNI数据集包含小时分辨率的太阳风磁场和等离子体数据，这些数据可来自地心轨道和地球L1拉格朗日点～225Re附近轨道上的许多航天器，其中，S1步骤中构建的数据训练集中的太阳风速度、太阳风温度、太阳风密度、太阳风压力和场矢量的均方根标准偏差这五个数据均可来源自该低分辨率OMNI数据集，并且，还可以使用NASA发布的低分辨率OMNI数据集。

优选地，S1步骤中的太阳表面图片可通过大气成像组件进行采集，其中，大气成像组件(AIA)能够对多种波长的太阳大气进行成像，以将太阳表面变化与内部变化联系起来，并且，其数据中每10秒包含10个波长的太阳图像。

优选地，S1步骤还包括：计算大气成像组件的0131波段图片中冕洞的像素值之和，并引入冕洞特征。

显然，本发明利用深度学习将太阳表面图片进行适当分割，从而能够学习到更丰富的信息，同时，其可以采用深度学习的方法对日冕活动和太阳风参数之间的复杂关系进行建模，与传统的预测方法相比，其特征利用率高，准确率也更高，同时，本发明采用GRU作为预测网络，其预测速度快，不仅避免了梯度消失现象的发生，还保障了太阳风速度预测具有高可行性。

根据上述说明书的揭示和教导，本发明所属领域的技术人员还能够对上述实施方式进行变更和修改。因此，本发明并不局限于上述的具体实施方式，凡是本领域技术人员在本发明的基础上所作出的任何显而易见的改进、替换或变型均属于本发明的保护范围。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本发明构成任何限制。