郭忠臣，孙 朋，李致春

宿州学院环境与测绘工程学院，安徽宿州,234000

极移在卫星导航、大地测量等领域具有重要作用，但当前观测技术并不能实时获得高精度极移观测量[1]。为了实时得到高精度极移观测量，越来越多的方法被应用到极移预报中，当前主要有最小二乘外推法(Least squares extrapolation model)、神经网络模型(Neural networks)、卡尔曼滤波(Kalman filter)和最小二乘联合自回归模型(Least squares extrapolation of the harmonic model and autoregressive prediction，LS+AR模型)等[2-6]。地球自转参数预测方案比较大会战(EOP PCC)活动证实没有任何一种方法适合所有跨度的极移预报，但LS+AR模型在极移短期预报方面精度较优[7]。

LS+AR模型在进行极移预报时，首先通过对极移序列构建LS模型，然后对LS拟合的残差项构建AR模型，LS模型与AR模型的预报值之和即为最终预报值。但LS+AR模型在预报时，并没有完全顾及模型与极移序列的适应性，在一定程度上影响了预报结果的精度[8]。本文从增强数据的平稳性以及与模型的适应性方面考虑，对传统LS+AR模型预报极移的方式进行改进，实验结果表明，改进后的模型预报精度较LS+AR模型具有一定提高。

1 LS+AR模型

1.1 LS模型

极移主要受趋势项和周期项影响，其中周期项主要有Chandler项、周年项和半周年项，由参考文献[9-11]可知，极移序列的LS模型可构造成：

(1)

其中,ai为趋势项拟合系数，bi、ci、di为周期项的振幅，P1、P2、P3分别为Chandler项、周年项和半周年项的周期，t为时间。

将式(1)化简成：L=BX，即可通过最小二乘原理计算参数X。

1.2 AR模型

AR模型主要针对平稳时间序列构建模型，模型适应度越高，则建模预报效果相对越好。AR模型基本形式可表示为[9]：