[论文解读] Prediction of GNSS Phase Scintillations: A Machine Learning Approach

Kara D. Lamb, Garima Malhotra+8 more|arXiv (Cornell University)|Oct 3, 2019

GNSS positioning and interference参考文献 10被引用 9

一句话总结

该论文提出了一种新颖的深度学习方法，通过使用自定义损失函数和掩码数据处理方法，提前1小时预测GNSS相位闪烁，以应对极端稀疏性和缺失值问题。该方法将预测任务视为回归问题，从而改善幅度估计，实现了最先进的TSS值0.64，相比以往基于分类的方法在技能得分上提升了0.15。

ABSTRACT

A Global Navigation Satellite System (GNSS) uses a constellation of satellites around the earth for accurate navigation, timing, and positioning. Natural phenomena like space weather introduce irregularities in the Earth's ionosphere, disrupting the propagation of the radio signals that GNSS relies upon. Such disruptions affect both the amplitude and the phase of the propagated waves. No physics-based model currently exists to predict the time and location of these disruptions with sufficient accuracy and at relevant scales. In this paper, we focus on predicting the phase fluctuations of GNSS radio waves, known as phase scintillations. We propose a novel architecture and loss function to predict 1 hour in advance the magnitude of phase scintillations within a time window of plus-minus 5 minutes with state-of-the-art performance.

研究动机与目标

• 为了提高高纬度地区GNSS相位闪烁的预测能力，这些地区受空间天气影响，导致电离层不规则性。
• 为了解决相位闪烁事件极端稀疏的问题，该问题使得标准回归模型失效。
• 处理GNSS接收机时间序列中由于硬件和测量误差导致的22%缺失数据。
• 通过将闪烁预测视为回归任务而非二元分类任务，超越现有最先进方法。
• 开发一种能够准确预测高强度相位闪烁发生时间和幅度的模型。

提出的方法

• 模型使用120分钟历史窗口内的40个特征（包括太阳风、IMF、地磁指数以及电离层总电子含量/闪烁数据）作为输入。
• 为每个特征附加一个二值掩码，以指示缺失值（NaN），从而将输入维度加倍，以保留数据质量信息。
• 使用自定义损失函数，结合平均绝对误差（MAE）与动态范围惩罚项，以匹配真实闪烁序列的均值和方差。
• 动态范围惩罚项定义为 λ(DynRange(Y) - DynRange(X))，其中 DynRange(X) = max(X) - min(X)，λ = 0.1 为性能最优选择。
• 采用一维卷积神经网络架构，通过减小滤波器尺寸形成瓶颈结构，在最终预测前过滤噪声。
• 模型在75,000分钟的数据（2015–2016年）上进行训练，并在加拿大高纬度电离层网络（CHAIN）的75,000分钟未见数据上进行测试。

实验结果

研究问题

• RQ1 机器学习模型能否以比现有基于分类的方法更高的准确性，提前1小时预测GNSS相位闪烁？
• RQ2 深度学习模型如何有效处理相位闪烁事件的极端稀疏性问题，其中仅有0.0091%的样本超过0.1阈值？
• RQ3 一种惩罚不匹配动态范围的自定义损失函数在多大程度上能改善对高强度闪烁事件的预测？
• RQ4 与简单插补或忽略缺失值相比，引入缺失数据的二值掩码如何提升模型性能？
• RQ5 将闪烁预测视为回归任务是否能在技能得分和幅度估计方面优于二元分类？

主要发现

• 该模型实现了0.64的总技能得分（TSS），显著优于先前最先进方法的0.49。
• 即使绝对幅度预测存在2–3分钟的偏差，该模型仍成功捕捉了相位闪烁的时间峰值行为。
• 尽管仅将0.0091%的样本预测为闪烁，该模型表现出强大的预测能力，在海德克技能得分上达到0.34。
• 带有动态范围惩罚的自定义损失函数通过鼓励模型匹配真实闪烁序列的均值和方差，提升了泛化能力。
• 该模型对22%的缺失数据具有鲁棒性，因为二值掩码机制在训练过程中有效保留了数据质量信息。
• 结果表明，整合额外的物理数据源（如极光图像）可能进一步提升预测性能。