应用端部效应改善的LS+NN模型进行日长变化预报

现有ΔLOD(Delta Length-Of-Day,日长变化)预报模式在进行周期项与残差项拟合分离时,通常没有考虑LS(Least Squares,最小二乘)拟合序列的端部效应,预报精度难以取得较大提高。针对端部效应现象,首先采用时间序列分析模型在ΔLOD序列两端进行数据延拓,构成一个新序列,然后用新序列求得LS外推模型系数,再结合LS外推模型和NN(Neural Network,神经网络)对原始ΔLOD序列进行预测。算例表明,在ΔLOD序列两端增加延拓数据,能有效改善LS拟合序列的端部效应;端部效应改善的LS+NN模型的预报精度明显优于常规LS+NN模型,精度最大提高了17.86%。该方法不仅适用于LS+NN模型,也适用于LS外推模型与其他模型的组合。