我院22级研究生王浩然在中科院一区TOP期刊《GPS Solutions》上发表电离层时空预测模型最新研究成果

论文主要内容如下：

电离层延迟是全球卫星导航系统定位误差的重要来源之一。电离层总电子含量（TEC）预测可有效修正电离层延迟，提升导航定位精度。当前基于深度学习的TEC预测模型存在两大问题：一是堆叠式网络结构导致细粒度特征丢失，从而引起模型预测性能下降；二是超参数优化依赖传统手动或网格搜索方法，效率低下，深度学习模型无法达到最优性能。针对这两个问题，王浩然同学提出了一个名CGAOA-STRA-BiConvLSTM的全自动深度学习框架。该框架包含一个用于TEC时空预测的深度学习模型STRA-BiConvLSTM和一个优化该模型的群智能优化算法CGAOA。其中，STRA-BiConvLSTM模型采用多分支、跳层的结构设计，每个分支用于提取不同粒度的特征。同时包含注意力分支对不同粒度的特征进行自适应加权。CGAOA算法为在原始的算术优化算法（AOA）上添加了混沌映射机制和高斯变异机制，这种改进可以有效降低原始AOA算法陷入局部最优的风险。实验证明，改进的CGAOA算法优化性能显著优于原始AOA、网格搜索、随机搜索和贝叶斯搜索算法。采用CGAOA优化后的STRA-BiConvLSTM模型显著优于目前5种主流的TEC时空预测模型。

该成果为全球电离层建模与实时预报提供了高效工具，尤其适用于极端空间天气条件下的导航增强。同时，该论文中的STRA-BiConvLSTM也可以应用于其它时空预测任务中；CGAOA算法可以用于解决其它优化问题。

论文信息

Liu, H., Wang, H., Le, H. et al. CGAOA-STRA-BiConvLSTM: An automated deep learning framework for global TEC map prediction. GPS Solut 29, 55 (2025). https://doi.org/10.1007/s10291-025-01814-y