Application of LSTM Neural Network in <i>F</i><sub>10.7</sub> Solar Radio Flux Mid-term Forecast

Xu Yang, Yaguang Zhu, Shenggao Yang, Xijing Wang, Qiuzhen ZhongChinese 2020 · DOI

Abstract

<i>F</i><sub>10.7</sub>指数作为大气密度经验模型的重要输入参量,其预报精度直接影响航天器轨道预报精度.研究发现,太阳活动表现出长时间尺度上平均11年和中短时间尺度平均27天的周期性变化特征.依据这一观测事实,基于长短期记忆单元(Long Short-term Memory,LSTM)递归神经网络方法进行<i>F</i><sub>10.7</sub>指数未来27天的中期预报.利用一个连续长时段<i>F</i><sub>10.7</sub>数据作为训练数据,构建LSTM神经网络训练和预测模型,分别预测太阳活动高低年未来27天的<i>F</i><sub>10.7</sub>指数.结果表明,太阳活动高年的第27天<i>F</i><sub>10.7</sub>指数预报平均相对误差最优可达10%以内,低年最优可达2%以内.
BibTeX
@inproceedings{yang2020application,
  author = {Xu Yang and Yaguang ZHU and Shenggao YANG and Xijing WANG and Qiuzhen Zhong},
  title = {{Application of LSTM Neural Network in \&lt;i\&gt;F\&lt;/i\&gt;\&lt;sub\&gt;10.7\&lt;/sub\&gt; Solar Radio Flux Mid-term Forecast}},
  booktitle = {Chinese},
  year = {2020},
  doi = {10.11728/cjss2020.02.176},
}

Loading related content...

Figure