汤 俊 李垠健 钟正宇 高 鑫

1 华东交通大学土木建筑学院，南昌市双港东大街808号，330013 2 华东交通大学土木工程国家实验教学示范中心，南昌市双港东大街808号，330013

电离层总电子含量(TEC)是研究电离层结构特征的重要参数，其变化趋势具有非线性、不平稳性及周期性等特点。准确预报TEC变化对卫星导航定位、航天器的控制和安全及自然灾害探测具有重要意义。

电离层TEC预报模型主要分为经验模型和数理统计模型，经验模型是根据电离层的结构和物理性质通过大量观测资料建立的，通常用于长期预报，预报精度较低[1-2]；而数理统计模型是通过数学方法对TEC时间序列进行拟合建立的，在短期预报领域精度较高[3-9]。

随着人工智能的兴起，研究人员发现，深度学习在电离层TEC预报领域具有得天独厚的优势[10-12]。长短期记忆(LSTM)神经网络通过独特的设计避免了长期依赖问题，特别适合处理和预报长时间的TEC序列，但单一的神经网络预报模型难以完全利用时间信息，易受冗余信息影响导致预报误差偏大。因此，本文利用经验正交函数(empirical orthogonal function，EOF)有效分解时间特征与空间特征的特性[13]，与LSTM神经网络相结合构建一种新的电离层TEC预报模型，简称EOF-LSTM模型。

1 模型原理

1.1 EOF分解

EOF分解是一种分析矩阵数据结构特征并提取主要信息的方法，在因子场统计组合、动力模型参数化、因子时间序列分析中已得到广泛应用，在统计预报领域往往作为统计组合的基础[14]。EOF分解可以将场的时间序列分解为不随时间变化的空间特征和随时间变化的时间系数，继而通过方差贡献率剔除冗余信息，提取集中在若干个模态分量的主要信息。……