留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于机器学习相似度算法的Kp指数预报

王子思禹 师立勤 刘四清 钟秋珍 陈艳红 闫晓辉 石育榕 何欣燃

王子思禹, 师立勤, 刘四清, 钟秋珍, 陈艳红, 闫晓辉, 石育榕, 何欣燃. 基于机器学习相似度算法的Kp指数预报[J]. 空间科学学报, 2022, 42(2): 199-205. doi: 10.11728/cjss2022.02.210316030
引用本文: 王子思禹, 师立勤, 刘四清, 钟秋珍, 陈艳红, 闫晓辉, 石育榕, 何欣燃. 基于机器学习相似度算法的Kp指数预报[J]. 空间科学学报, 2022, 42(2): 199-205. doi: 10.11728/cjss2022.02.210316030
WANG Zisiyu, SHI Liqin, LIU Siqing, ZHONG Qiuzhen, CHEN Yanhong, YAN Xiaohui, SHI Yurong, HE Xinran. Kp Index Prediction Based on Similarity Algorithm of Machine Learning (in Chinese). Chinese Journal of Space Science, 2022, 42(2): 199-205. DOI: 10.11728/cjss2022.02.210316030
Citation: WANG Zisiyu, SHI Liqin, LIU Siqing, ZHONG Qiuzhen, CHEN Yanhong, YAN Xiaohui, SHI Yurong, HE Xinran. Kp Index Prediction Based on Similarity Algorithm of Machine Learning (in Chinese). Chinese Journal of Space Science, 2022, 42(2): 199-205. DOI: 10.11728/cjss2022.02.210316030

基于机器学习相似度算法的Kp指数预报

doi: 10.11728/cjss2022.02.210316030
基金项目: 国家自然科学基金项目资助 (42074224)
详细信息
    作者简介:

    王子思禹:E-mail:wangzisiyu@bytedance.com

  • 中图分类号: P353

Kp Index Prediction Based on Similarity Algorithm of Machine Learning

  • 摘要: 基于机器学习中的相似度算法,建立了在历史太阳风数据中寻找与当前太阳风特征相近事例的推荐模型,用来预报地磁Kp指数。使用1998-2019年间随机选择的120个太阳风事例作为测试数据集,该模型能够推荐得到历史上与输入太阳风造成相似地磁影响的太阳风事例,最优事例的Kp指数与实际值的均方根误差为0.79,相关系数为0.93。本文的推荐模型不仅能获得推荐的太阳风事例的地磁Kp指数用作预报,还可以给出太阳风特征参数按时间序列变化情况对比,让预报员可以更好地结合自身经验进行预报。

     

  • 图  1  动态时间规整算法原理

    Figure  1.  Principle of DTW

    图  2  推荐模型测试结果

    Figure  2.  Test results of the recommanded model

    图  3  2001年第90天03:00 UT太阳风与2003年第324天11:00 UT太阳风参数变化的对比

    Figure  3.  Comparison of solar wind parameters at 03:00 UT on the 90th day in 2001 and 11:00 UT on the 324th day in 2003

    表  1  XGBoost对太阳风特征参数评分结果

    Table  1.   Scores of feature parameters using XGBoost

    参数vBzNBTBy
    评分1647850794724474400
    下载: 导出CSV

    表  2  本文模型与现有典型模型比较

    Table  2.   Comparison between the model proposed in this paper and the existing typical models

    模型输入量提前时间/h相关系数均方根误差
    Costello[4]v, B, Bz10.75
    Boberg[5]v, N, Bz30.770.99
    APL[6]v, N, B, Bz, Kp10.92
    Bala Model 1[7]Boyle index, Kp10.8630.71
    Model 2Boyle index, Kp20.8540.82
    Model 3Boyle index10.8521.12
    Model 4Boyle index30.8451.12
    Liuyang Model[3]v, N, B, By, Bz, d$\phi $/dt, n1/2v21~3.50.880.65
    本文推荐模型v, Bz1~30.930.79
    下载: 导出CSV

    表  3  不同Kp指数下三个最相似事例的距离与平均Kp误差

    Table  3.   Distances of 3 recommanded cases and Kp error in different Kp indexes

    Kp测试事例
    个数
    Top1
    (平均距离4.45)
    Kp平均绝对误差
    Top2
    (平均距离5.08)
    Kp平均绝对误差
    Top3
    (平均距离5.47)
    Kp平均绝对误差
    030.701.431.23
    1110.460.550.71
    250.380.240.24
    390.810.430.48
    4120.781.811.33
    5200.661.121.36
    6200.900.730.85
    7130.510.520.57
    8240.571.130.98
    930.230.881.68
    下载: 导出CSV
  • [1] KNIPP D J, MCQUADE M, KIRKPATRICK D. Understanding Space Weather and The Physics Behind it[M]. McGraw-Hill, 2011: 744
    [2] 吕刚, 张伟. 基于深度学习的推荐系统应用综述[J]. 软件工程, 2020, 23(2): 5-8 doi: 10.19644/j.cnki.issn2096-1472.2020.02.002

    LV Gang, ZHANG Wei. Survey of deep learning applied in recommendation system[J]. Software Engineering, 2020, 23(2): 5-8 doi: 10.19644/j.cnki.issn2096-1472.2020.02.002
    [3] 刘杨, 罗冰显, 刘四清, 等. 基于神经网络方法的Kp预报模型[J]. 载人航天, 2013, 19(2): 70-80 doi: 10.3969/j.issn.1674-5825.2013.02.011

    LIU Yang, LUO Bingxian, LIU Siqing, et al. Kp forecast models based on neural networks[J]. Manned Spaceflight, 2013, 19(2): 70-80 doi: 10.3969/j.issn.1674-5825.2013.02.011
    [4] COSTELLO K A. Moving the Rice MSFM Into a Real-time Forecast Mode Using Solar Wind Driven Forecast Modules[D]. Houston: Rice University, 1998
    [5] BOBERG F, WINTOFT P, LUNDSTEDT H. Real time Kp predictions from solar wind data using neural networks[J]. Physics and Chemistry of the Earth, Part C:Solar, Terrestrial & Planetary Science, 2000, 25(4): 275-280
    [6] WING S, JOHNSON J R, JEN J, et al. Kp forecast models[J]. Journal of Geophysical Research, 2005, 110(A4): A04203 doi: 10.1029/2004JA010500
    [7] BALA R, REIFF P H, LANDIVAR J E. Real-time prediction of magnetospheric activity using the Boyle index[J]. Space Weather, 2009, 7(4): S04003 doi: 10.1029/2008SW000407
    [8] CHEN T Q, GUESTRIN C. XGBoost: a scalable tree boosting system[C]//Proceedings of the 22 nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco: ACM, 2016
    [9] 李占山, 刘兆赓. 基于XGBoost的特征选择算法[J]. 通信学报, 2019, 40(10): 101-108 doi: 10.11959/j.issn.1000-436x.2019154

    LI Zhanshan, LIU Zhaogeng. Feature selection algorithm based on XGBoost[J]. Journal on Communications, 2019, 40(10): 101-108 doi: 10.11959/j.issn.1000-436x.2019154
    [10] 涂传诒, 宗秋刚, 周煦之. 日地空间物理学[M]. 2版. 北京: 科学出版社, 2020

    TU Chuanyi, ZONG Qiugang, ZHOU Xuzhi. Solar-Terrestrial Space Physics[M]. 2 nd ed. Beijing: Science Press, 2020
    [11] KINGMA D P, BA J. ADAM: a method for stochastic optimization[C]//Proceedings of the 3 rd International Conference on Learning Representations. San Diego: ICLR, 2015
    [12] VAN DER HEIJDEN F, DUIN R P, DE RIDDER D. Classification, Parameter Estimation and State Estimation: An Engineering Approach Using MATLAB[M]. Hoboken: Wiley, 2004
    [13] 倪庆千, 乔冀瑜, 连宗凯. 改进K-means聚类剪枝的DTW动态手势识别方法[J]. 现代计算机, 2020(27): 20-25 doi: 10.3969/j.issn.1007-1423.2020.27.004

    NI Qingqian, QIAO Jiyu, LIAN Zongkai. Improved K-means clustered pruning and DTW dynamic gesture recognition method[J]. Modern Computer, 2020(27): 20-25 doi: 10.3969/j.issn.1007-1423.2020.27.004
  • 加载中
图(3) / 表(3)
计量
  • 文章访问数:  92
  • HTML全文浏览量:  28
  • PDF下载量:  33
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-03-15
  • 录用日期:  2021-05-21
  • 修回日期:  2021-12-19
  • 网络出版日期:  2022-05-25

目录

    /

    返回文章
    返回