一种改正LS+AR模型提高短期极移预报精度的方法

最小二乘(Least Squares,LS)与自回归(Auto Regressive,AR)联合(LS+AR)模型在极移预报(polar motion,PM)中存在以下问题:最小二乘拟合的内部残差值较好而LS外推的残差值较大;LS拟合残差序列是非线性的,故根据预报历元前的残差序列建立的AR模型可能并不适用于待预报的残差序列,存在不匹配预报的情况.针对这两个问题,通过以下方法进行解决:首先对LS拟合数据两端点附加约束条件使其固定到LS拟合曲线上,因此在两端点附近的拟合值与观测值十分接近;然后选取与LS外推残差序列变化趋势接近的内推残差序列作为AR模型的建模对象,进行残差预报.通过实例表明该方法能够有效地提高LS+AR模型在短期极移预报的精度.此外,通过与RLS(Robustified Least Squares)+AR、RLS+ARIMA(Auto Regressive Integrated Moving Average)和LS+ANN(Artificial Neural Network)模型的预报结果对比,证明了该方法在极移预报中的可行性.实例证明了所提出的方法在短期预报中可以取得良好的预报结果,尤其在1–10d超短期的极移预报上可以获得与国际最好预报精度相当的预报结果.