CNN-LSTM钟差预测模型

120分钟误差低于0.02ns

将CNN与LSTM混合，通过残差学习捕捉LEO星载钟差的非线性与高频特征，预测精度显著优于单一深度模型和传统方法。

Yang, Zhixin · Yousi, Zheng · 钦伟瑾 · 唐菲菲 · 刘汇 · Bin, Wang

Measurement: Journal of the International Measurement Confederation 2026

参数信息

预测残差RMSE

0.020 ns

钟差RMSE (GRACE-C)

4.469 ns

钟差RMSE (GRACE-D)

4.096 ns

相对LSTM提升

17.27 %

相对CNN提升

44.30 %

相对Transformer提升

6.70 %

相对SA提升

30.04 %

相对QP提升

79.33 %

技术优势

长弧段误差增长更慢

重建后钟差RMSE随预测时间增长更慢，且在更长弧段保持较低，因为CNN先提取局部特征、LSTM再建模时序依赖。

提升幅度最高达86.99%

相比二次多项式拟合，GRACE-D卫星钟差预测精度提升86.99%；相比Transformer提升58.31%，残差学习策略有效。

残差建模有效

基于二次多项式拟合残差训练模型并重建，显著提升预测精度，说明混合模型更擅长捕捉高频残差。

应用场景

• 低轨卫星增强导航：为低轨星座提供高精度星载钟差预测，支撑LEO增强导航电文生成。
• 实时精密定位：实时补偿低轨卫星钟差，减少定位解算中的时间同步误差。