融合VMD和XGBoost算法的GNSS高程时间序列预测方法

P228; 针对传统GNSS高程时间序列预测模式存在特征选取不完善、稳定性差等问题,本文提出了 一种融合VMD和XGBoost算法的预测模型.该模型通过多个VMD子模型得到重构信号,再将其作为特征输入XGBoost模型中进行原始时间序列的预测.为了验证预测模型的性能,试验选取4个观测站高程时间序列数据进行预测试验,试验结果表明,VMD模型能够准确地提取特征信息.与VMD-CNN-LSTM模型相比,VMD-XGBoost模型预测结果的MAE值降低了 19.74％～35.90％,RMSE值降低了22.22％～31.14％,预测结果具有更高的稳定性且与原始时间序列呈较强相关性,可以较好地预测出 目标...

Full description

Saved in:
Bibliographic Details
Published in测绘学报 Vol. 52; no. 8; pp. 1235 - 1244
Main Authors 鲁铁定, 李祯, 贺小星, 周世健
Format Journal Article
LanguageChinese
Published 东华理工大学测绘工程学院,江西南昌330013 01.12.2023
自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室,江西南昌330013%东华理工大学测绘工程学院,江西南昌330013%江西理工大学土木与测绘工程学院,江西赣州341000%南昌航空大学,江西南昌330063
Subjects
时间序列
预测
XGBoost
GNSS
forecasting
time series
VMD
Online AccessGet full text
ISSN1001-1595
DOI10.11947/j.AGCS.2023.20220052

Cover

More Information
Summary:P228; 针对传统GNSS高程时间序列预测模式存在特征选取不完善、稳定性差等问题,本文提出了 一种融合VMD和XGBoost算法的预测模型.该模型通过多个VMD子模型得到重构信号,再将其作为特征输入XGBoost模型中进行原始时间序列的预测.为了验证预测模型的性能,试验选取4个观测站高程时间序列数据进行预测试验,试验结果表明,VMD模型能够准确地提取特征信息.与VMD-CNN-LSTM模型相比,VMD-XGBoost模型预测结果的MAE值降低了 19.74％～35.90％,RMSE值降低了22.22％～31.14％,预测结果具有更高的稳定性且与原始时间序列呈较强相关性,可以较好地预测出 目标时间序列.因此,该预测模型可应用于GNSS高程时间序列预测.
ISSN:1001-1595
DOI:10.11947/j.AGCS.2023.20220052