Mamba-LSTM钟差预测模型
短时预测误差减半
将Mamba的高效序列建模与LSTM的时序记忆能力结合，在BDS-3卫星钟差预测中同时提升精度与稳定性。
Yihao, Cai · Hengyi, Yue · Tu, Yuan · Wu, Mengjie
Sensors 2026
参数信息
- 6 h预测平均RMSE
- 41.7 %
- 6 h预测平均RMSE
- 50.4 %
- 24 h预测平均RMSE
- 48 %
- 24 h预测平均RMSE
- 54.7 %
- 12 h预测平均RMSE
- 59.6 %
- 24 h预测平均RMSE
- 63.1 %
- 12 h预测平均RMSE
- 52.4 %
- 24 h预测平均RMSE
- 56.2 %
技术优势
短期误差降四成
Mamba-LSTM融合Mamba的高效序列建模与LSTM的时序记忆，6小时预测RMSE较Mamba降低41.7%，较LSTM降低50.4%。
长期稳定性更好
24小时长期预测中，RMSE较Mamba降低48%，较LSTM降低54.7%，缓解误差随时间累积的问题。
中期全面超越传统网络
12小时预测RMSE较BP降低59.6%，较CNN降低52.4%，超越传统BP和CNN模型。
应用场景
- 高精度定位：提供更准确的钟差改正，提升BDS-3高精度定位的精度。
- 实时精密单点定位：降低实时PPP中的钟差预测误差，缩短收敛时间。
- 卫星定轨：提升定轨中钟差修正的精度，间接改善轨道参数。
- 导航电文优化：为导航电文提供更可靠的钟差预报值，优化参数设计。