一种基于STL-LSTM混合模型的低轨卫星钟差短期预报方法

【版权声明】本文为对发表于《测绘工程》期刊的论文《一种基于STL-LSTM混合模型的低轨卫星钟差短期预报方法》的解读和介绍。原始论文的完整版权和所有内容归《测绘工程》所有。为尊重版权，请务必通过下方官方链接访问和下载原始论文。

链接：一种基于STL-LSTM混合模型的低轨卫星钟差短期预报方法https://kns.cnki.net/kcms2/article/abstract?v=krTYG2tdvzrkjznMpjIeS7iT1L6QOTyGXFD8eEkxN-un7ZW5dK_lmhtrNzmRTj5aonIOH-RyIwvSqqHZJBxNQTqN50o0ZjvXJUMaHeBIMEx3bJhIAgUd2zuSjQyHnUdnb-6an0zf7KrIOVDKQ1yW3_cBCM49QM5G_8qDdzTjhUmZxoW47F1K2A==&uniplatform=NZKPT&language=CHS

引文格式：杨恒颀,郑秀伦,李萌萌,等.一种基于STL-LSTM混合模型的低轨卫星钟差短期预报方法[J/OL].测绘工程,1-10[2025-10-22].https://link.cnki.net/urlid/23.1394.TF.20250930.0858.002.

大家好，今天我想为大家解读一下我在《测绘工程》上发表的一篇论文《一种基于STL-LSTM混合模型的低轨卫星钟差短期预报方法》。我会尽力让大家理解这项工作的核心思想和价值，但所有详细的证据、数据和严谨的方法都在原始论文中。

1.研究背景和问题

随着低轨卫星星座的迅猛发展，其在增强全球导航卫星系统、实现快速精密定轨以及独立授时等领域展现出巨大潜力。与传统的导航卫星相比，低轨卫星运行轨道低、动力学环境更为复杂，且通常搭载成本更低、稳定度相对较差的星载原子钟（如晶振或小型化原子钟），这使得其钟差序列表现出更为显著的非平稳性和更强的非线性特征。一方面，低轨卫星更短的轨道周期（通常约90-120分钟）导致其钟差所受的环境扰动（如温度、磁场变化）频率更高、规律更复杂；另一方面，为满足大规模星座的实时自主运行需求，对钟差预报模型的计算效率和快速更新能力提出了远比传统应用场景更为苛刻的要求。

当前，传统的二次多项式等线性预报模型难以有效捕捉低轨卫星钟差中的复杂动态，预报误差增长迅速。而直接应用深度学习模型（如LSTM）虽能提升非线性拟合能力，但往往需要大量历史数据且计算负担重，难以适应低轨卫星星座对模型轻量化与快速响应的需求。更为关键的是，现有方法通常将钟差序列作为一个整体进行建模，未能有效分离并差异化处理其中蕴含的快速变化的周期项、复杂趋势项及随机噪声，导致模型容易过拟合或学习效率低下。

因此，本研究聚焦于低轨卫星钟差的高效、高精度预报问题。核心科学问题在于：如何构建一个既能充分挖掘钟差序列内部时变规律，又能满足星上有限计算资源约束的轻量化预报模型？ 为解决此问题，我们提出了一种结合季节性趋势分解与长短期记忆网络的混合预报框架。

2.研究思路与方法

钟差序列通常包含复杂的时序特征，直接使用单一模型进行预测难度较大。本研究采用“分解-预测-集成”的策略，核心思想是利用季节性-趋势分解方法（STL）将复杂的原始钟差序列分解为具有不同物理意义的子序列。具体而言，STL将序列分解为趋势项、周期项和残差项三个部分。趋势项反映钟差的长期变化规律，周期项体现如地球自转等引起的周期性波动，而残差项则包含了难以用趋势和周期解释的随机噪声及复杂非线性动态。通过这种分解，可以降低原始序列的非平稳性，使后续建模更具针对性。

模型首先对原始钟差数据进行STL分解。之后，对分解出的三个分量分别进行外推预测。对于相对平滑、规律性强的趋势项和周期项，通常可以采用简单高效的线性方法（如多项式拟合）或周期性外推进行预测。而对于蕴含复杂模式的残差项，则引入长短期记忆网络（LSTM）进行建模。LSTM凭借其强大的记忆能力和处理长期依赖关系的特性，能够有效捕捉残差序列中的非线性动态和临时性波动，从而实现对这一最难预测分量的精准拟合。

在完成对各分量的独立预测后，模型将趋势项、周期项和残差项的预测结果进行加和，重构得到原始钟差序列的最终预测值。值得注意的是，文中提到预测目标为“钟差的一阶差分”。这意味着上述整个STL分解与LSTM建模的过程是针对钟差的一阶差分序列进行的。最终重构出的预测值即是未来时刻的钟差一阶差分，通过累加操作即可得到绝对的钟差预测值。这种设计有助于进一步平稳数据，提升模型的预测性能。

3.研究结果的意义

本次实验在建模过程中，有意采用了相对较少的历史观测数据。这一设计主要基于星载原子钟在轨实时预报的实际工程需求。与传统的地面钟差预报追求长期精度不同，星载环境下的预报更侧重于模型的敏捷性与对最新状态的快速响应能力。使用较少的数据进行建模，可以显著降低模型训练的计算负荷，从而极大地加快模型的更新频率。这意味着，在轨设备能够近乎实时地依据最新的钟差状态重新训练和调整模型参数，确保预报模型始终与原子钟当前的工作状态保持高度同步。

这种高频更新机制带来的直接优势体现在短期预报效果的显著提升上。由于模型能够快速吸收并学习钟差序列中最新的变化特征（例如，因空间环境温度波动或突发干扰引起的短期波动），它对于接下来几个样本点（短期）的预报会更加精准。模型不会过多地被陈旧的历史长期趋势所束缚，而是将学习重心放在近期动态上，从而使其在短期预报中表现出更优的适应性和准确性。因此，这种“小样本、快更新”的策略，有效平衡了计算效率与预报精度，特别适用于对实时性要求极高的星载设备自主导航与守时应用。