本发明钟差数据预测，尤其涉及一种卫星钟差预报方法及系统。
背景技术：
1、星载原子钟的精度的高低直接决定着卫星导航系统的导航、定位和授时的质量。由于星载原子钟的物理特性比较复杂，并且受外界因素的影响较大，使得钟差数据在大部分情况下无法利用单一预报模型进行精密预报工作，使得建立高精度的钟差预报模型较为困难。因此，综合各模型的优势和特点，探索适应能力更强、稳定性更高、预报效果更好的预报模型是未来钟差预报的研究重要方向。
2、通过研究发现，钟差数据在时间序列上具有连续性、周期性、随机性和非线性性，其中数据的随机性和非线性特征对精度影响较大，为此，许多学者将适用于非线性处理的神经网络引入到钟差预报中，如：emd-svm、小波神经网络(wavelet neural network wnn)、思维进化算法优化bp神经网络(mea-bp)、径向基函数(radial basis function rbf)神经网络、循环神经网络优化长短时记忆模型(rnn-lstm)等，这些模型取得较好的预报精度。虽然这些模型能够捕捉到钟差数据的非线性关系，但难以有效地提取钟差数据的长期依赖关系，且计算复杂度较高，因此如何提升卫星钟差预报性能成为一个亟待解决的问题。
3、上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
1、本发明的主要目的在于提供了一种卫星钟差预报方法及系统，旨在解决如何提升卫星钟差预报性能的技术问题。
2、为实现上述目的，本发明提供了一种卫星钟差预报方法，所述卫星钟差预报方法包括：
3、对同一卫星的钟差数据进行一次差处理，获得相位数据，并将所述相位数据转换为频率数据；
4、通过中位数法从所述频率数据中剔除异常历元，得到频率残缺数据，并基于所述异常历元通过拉格朗日插值方法对所述频率残缺数据进行补全处理，获得一次差分钟差数据序列；
5、将所述一次差分钟差数据序列输入至iboa-cnn-gru预报模型中进行反归一化和反差分处理，得到卫星钟差预报数据，所述iboa-cnn-gru预报模型为通过改进的boa算法对cnn-gru组合模型进行超参数优化后所得到的模型。
6、可选地，所述将所述一次差分钟差数据序列输入至iboa-cnn-gru预报模型中进行反归一化和反差分处理，得到卫星钟差预报数据的步骤之前，包括：
7、基于参数上界值和参数下界值确定cnn-gru组合模型内超参数对应的多组优势种群，并根据多组优势种群通过适应度函数确定局部超参数；
8、基于一次差分钟差数据训练集和所述局部超参数对cnn-gru组合模型进行训练，获得iboa-cnn-gru组合模型；
9、通过损失函数确定所述iboa-cnn-gru组合模型的输出结果对应的均方根误差；
10、若所述均方根误差小于或等于预设误差阈值，且所述局部超参数为全局最优参数，则将所述iboa-cnn-gru组合模型作为iboa-cnn-gru预报模型。
11、可选地，基于参数上界值和参数下界值确定cnn-gru组合模型内超参数对应的多组优势种群的步骤，包括：
12、基于参数上界值和参数下界值确定cnn-gru组合模型内超参数对应的多组种群，所述超参数包括隐藏单元数、初始学习率及l2正则化参数；
13、通过适应度函数从多组种群中选取多组优势种群。
14、可选地，所述通过适应度函数从多组种群中选取多组优势种群的步骤，包括：
15、通过适应度函数分别确定各组种群对应的适应度值；
16、所述适应度函数为：
17、
18、式中，xm为种群，f(xm)为xm对应的适应度值，m为预测种群数量，为xm种群内第i个数据的预测值，li为xm种群内第i个数据的真实值；
19、从多组种群中选取所述适应度值小于预设适应阈值对应的多组待优化种群；
20、通过局部搜索算法分别对多组待优化种群进行调整，获得多组调整后的种群，并确定各组调整后的种群对应的适应度值；
21、根据各组调整后的种群对应的适应度值和各组待优化种群对应的适应度值确定多组优势种群。
22、可选地，所述通过损失函数确定所述iboa-cnn-gru组合模型的输出结果对应的均方根误差的步骤之后，包括：
23、若所述均方根误差小于或等于预设误差阈值，且所述局部超参数不为全局最优参数，则根据迭代规则通过最小爬山法和模式蚁群算法对多组种群进行迭代更新，并返回所述通过适应度函数从多组种群中选取多组优势种群的步骤。
24、可选地，所述根据迭代规则通过最小爬山法和模式蚁群算法对多组种群进行迭代更新的步骤，包括：
25、基于多组优势种群根据评分公式构建贝叶斯网络结构；
26、根据所述贝叶斯网络结构通过最小爬山法和模式蚁群算法从多组优势种群中选取多组候选种群；
27、按照迭代规则根据多组候选种群对多组种群进行迭代更新。
28、可选地，所述基于多组优势种群根据评分公式构建贝叶斯网络结构的步骤，包括：
29、根据多组优势种群确定多个父节点；
30、根据多个父节点通过评分公式确定父节点集合；
31、所述评分公式为：
32、
33、式中，xi为优势种群，xj为父节点，θ为评分中的参数，n为拓扑网络结构中的个体数量，πi为父节点集合，p为xi在πi下的似然函数，d为xi内的超参数；
34、基于所述父节点集合构建贝叶斯网络结构。
35、可选地，所述根据所述贝叶斯网络结构通过最小爬山法和模式蚁群算法从多组优势种群中选取多组候选种群的步骤，包括：
36、对所述贝叶斯网络结构进行调整，基于调整后的贝叶斯网络结构通过最小爬山法根据多组优势种群确定多个优异解；
37、基于多个优异解构建信息素矩阵，并通过模式蚁群算法对所述信息素矩阵进行调整；
38、根据调整后的信息素矩阵确定多组候选种群。
39、此外，为实现上述目的，本发明还提出一种卫星钟差预报系统，所述卫星钟差预报系统包括：
40、数据处理模块，用于对同一卫星的钟差数据进行一次差处理，获得相位数据，并将所述相位数据转换为频率数据；
41、所述数据处理模块，还用于通过中位数法从所述频率数据中剔除异常历元，得到频率残缺数据，并基于所述异常历元通过拉格朗日插值方法对所述频率残缺数据进行补全处理，获得一次差分钟差数据序列；
42、模型运行模块，用于将所述一次差分钟差数据序列输入至iboa-cnn-gru预报模型中进行反归一化和反差分处理，得到卫星钟差预报数据，所述iboa-cnn-gru预报模型为通过改进的boa算法对cnn-gru组合模型进行超参数优化后所得到的模型。
43、此外，为实现上述目的，本发明还提出一种基于卫星钟差预报设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的卫星钟差预报程序，所述卫星钟差预报程序配置为实现如上文所述的卫星钟差预报方法的步骤。
44、此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有卫星钟差预报程序，所述卫星钟差预报程序被处理器执行时实现如上文所述的卫星钟差预报方法的步骤。
45、本发明首先对同一卫星的钟差数据进行一次差处理，获得相位数据，并将相位数据转换为频率数据，然后通过中位数法从频率数据中剔除异常历元，得到频率残缺数据，基于异常历元通过拉格朗日插值方法对频率残缺数据进行补全处理，获得一次差分钟差数据序列，之后将一次差分钟差数据序列输入至iboa-cnn-gru预报模型中进行反归一化和反差分处理，得到卫星钟差预报数据，iboa-cnn-gru预报模型为通过改进的boa算法对cnn-gru组合模型进行超参数优化后所得到的模型。本发明将具有很强的序列特征提取能力的卷积神经网络与具有长期记忆结构的gru相结合，利用cnn的卷积与池化操作来自动提取钟差数据的空间向量，挖掘数据中的时序特征，通过对预测结果进行精确度判别，解决模型的预测误差累积问题，之后利用gru提取钟差数据的时间特征，通过很少的计算量提升模型性能，发挥该模型的数据挖掘能力，将两模型的优点相结合，建立cnn-gru组合模型，利用贝叶斯算法进行组合模型的超参数优化，有效地跳出局部极值针对超参数难以选择的问题，保证算法的全局收敛性。
1.一种卫星钟差预报方法，其特征在于，所述卫星钟差预报方法包括以下步骤：
2.如权利要求1所述的方法，其特征在于，所述将所述一次差分钟差数据序列输入至iboa-cnn-gru预报模型中进行反归一化和反差分处理，得到卫星钟差预报数据的步骤之前，包括：
3.如权利要求2所述的方法，其特征在于，基于参数上界值和参数下界值确定cnn-gru组合模型内超参数对应的多组优势种群的步骤，包括：
4.如权利要求3所述的方法，其特征在于，所述通过适应度函数从多组种群中选取多组优势种群的步骤，包括：
5.如权利要求3所述的方法，其特征在于，所述通过损失函数确定所述iboa-cnn-gru组合模型的输出结果对应的均方根误差的步骤之后，包括：
6.权利要求5所述的方法，其特征在于，所述根据迭代规则通过最小爬山法和模式蚁群算法对多组种群进行迭代更新的步骤，包括：
7.如权利要求6所述的方法，其特征在于，所述基于多组优势种群根据评分公式构建贝叶斯网络结构的步骤，包括：
8.如权利要求7所述的方法，其特征在于，所述根据所述贝叶斯网络结构通过最小爬山法和模式蚁群算法从多组优势种群中选取多组候选种群的步骤，包括：
9.一种卫星钟差预报系统，其特征在于，所述卫星钟差预报系统包括：
