Метод интеллектуального анализа данных для прогнозирования значений полосы когерентности изменяющегося трансионосферного радиоканала
Суточный ход полосы когерентности трансионосферного канала раскладывается на тренд, сезонность и остаток; тренд выделяется фильтром Ходрика — Прескотта, выбросы остатка — изолирующим лесом, а прогноз строит XGBoost на сдвигах ряда. Сдвиги с вычитанием дают около 11 % точности и −8 МГц СКО, обработка компонент — ещё 4 % КД и −2 МГц; лучший результат — КД 90 % и СКО 11,1 МГц на 70-дневной выборке.
⚙ Анализ подготовлен с участием модели, возможны неточности.
Оригинальная публикация
Открыть работу →Проблема и актуальность
Широкополосные сигналы в спутниковой связи повышают скорость передачи, помехоустойчивость и энергетическую скрытность, но неоднородная ионосфера вносит частотную дисперсию и вынуждает ограничивать полосу канала. Степень искажений оценивают, сравнивая полосу канала с полосой когерентности — предельной полосой, в пределах которой дисперсией можно пренебречь. Полоса когерентности определяется полным электронным содержанием (ПЭС) ионосферы, которое меняется с временем суток, сезоном, геомагнитной обстановкой и солнечной активностью, поэтому в её суточном ходе появляются выбросы. Для машинного прогноза не хватает дополнительных предикторов; авторы предлагают использовать большой объём данных навигационных приёмников сети ГНСС.
Цель и гипотеза
Цель — прогнозирование значений полосы когерентности на основе интеллектуального анализа данных. Гипотеза явно не сформулирована; по смыслу проверяется, что разложение ряда с обработкой выбросов и признаки-сдвиги повышают точность прогноза XGBoost.
Материалы и методы
Полоса когерентности выражена через полное электронное содержание N_t: B_k = √(c f³ / (π k N_t)), где k = 80,5 м³/с², c — скорость света, f — частота. Суточный ход раскладывается на тренд, сезонную составляющую и вариации. Тренд выделяется фильтром Ходрика — Прескотта, вариационный ряд — разность исходного ряда, тренда и сезонной компоненты, поэтому постоянных составляющих в нём нет. Наибольшие отклонения вариационного ряда ищутся изолирующим лесом (Isolation Forest): отсчёты, которые изолируются за меньшее число разбиений случайных деревьев, относятся к аномальным, и затем аппроксимируются.
Прогноз строит XGBoost. Признаками служат сдвиги ряда — lag, просто сдвиг, и lag_diff, сдвиг с вычитанием. Для обучения были данные за 100 дней начиная с 15 августа 2021 года; сравнивались выборки 30, 50, 70 и 100 дней и число сдвигов до 150 — с вычитанием и без. Метрики — коэффициент детерминации (КД) и СКО.
Результаты
Обработка компонент ряда, по оценке авторов, точнее аппроксимирует резкие скачки полосы когерентности. С ростом числа сдвигов к 150 снижаются и КД, и СКО, поэтому число сдвигов ограничено 150. Наилучшие результаты для всех выборок лежат в диапазоне 50–80 сдвигов. Лучший результат — КД 90 % и СКО 11,1 МГц — показала 70-дневная выборка со сдвигами с вычитанием, наихудшие — 50-дневная. Признаки-сдвиги повысили точность прогноза примерно на 11 % и снизили СКО на 8 МГц, обработка тренда и вариаций повысила КД на 4 % и снизила СКО на 2 МГц.
Выводы авторов
Решена задача интеллектуальной обработки суточных вариаций полосы когерентности для прогноза. Разложение ряда на тренд, сезонность и вариации с фильтром Ходрика — Прескотта и изолирующим лесом и признаки-сдвиги с вычитанием повышают точность прогноза XGBoost. Работа поддержана грантом РНФ № 22-19-00073.
Ограничения
Полоса когерентности пропорциональна f^(3/2), но частота, для которой пересчитан ряд, не указана, как и источник ПЭС — станция или сеть ГНСС, шаг ряда и горизонт прогноза; не описано и деление на обучающую и тестовую части. Поэтому 50–80 сдвигов нельзя перевести в часы, а СКО 11,1 МГц — сопоставить с другими работами.
Роль фильтра Ходрика — Прескотта описана противоречиво: в методах — как сглаживание долгосрочных циклических компонент, в заключении — как аппроксимация краткосрочных вариаций от неоднородностей ионосферы. Изолирующий лес назван алгоритмом случайного леса, хотя это отдельный ансамбль изолирующих деревьев. «Повышение точности на 11 %» не уточнено — проценты КД или относительная величина.
Рис. 1 показывает, что фильтрация аномалий заменяет провалы исходного ряда гладкой кривой — в первые часы 19 октября исходный ряд опускается до 265 МГц, а отфильтрованный поднимается до 305 МГц, — но не обсуждается, артефакт это или реальная ионосферная особенность. Не сказано также, считалась ли СКО по исходному или по отфильтрованному ряду: во втором случае часть выигрыша от обработки компонент заложена в саму мишень. Рис. 2 сводит 16 рядов с КД в процентах и СКО в мегагерцах на одну ось, что затрудняет чтение.
Новизна
Заявлено применение к ряду полосы когерентности декомпозиции с фильтром Ходрика — Прескотта и изолирующим лесом и модели XGBoost на сдвигах с вычитанием.
Эвристики
- [явно] Если выбросы ищутся в ряду с сильной суточной периодичностью — то сначала вычесть тренд и сезонность и искать аномалии в остатке, где нет постоянных составляющих.
- [явно] Если прогнозная модель не знает о динамике ряда — то добавлять признаки-сдвиги с вычитанием (разности), а не только сами сдвиги.
- [явно] Если число сдвигов растёт — то подбирать его по метрикам на каждой выборке: здесь лучшие результаты для всех выборок лежат в диапазоне 50–80 сдвигов.
- [реконструкция] Если прогнозируемая величина пересчитывается из другой (здесь полоса когерентности из ПЭС) — то указывать параметры пересчёта, иначе результат нельзя воспроизвести и сравнить.
- [реконструкция] Если обработка выбросов улучшает метрику — то проверять метрику и по исходному ряду, иначе улучшение может быть заложено в саму мишень.
Одной фразой: Разложение суточного хода полосы когерентности на тренд, сезонность и остаток с изолирующим лесом и признаки-сдвиги с вычитанием дают XGBoost прогноз с КД до 90 % и СКО 11,1 МГц, но частота пересчёта, шаг ряда и горизонт прогноза остаются неуказанными.