近日，中国科学院国家授时中心研究团队实现了一种基于长短期记忆（LSTM）网络并结合最小二乘和多项式曲线拟合的中长期日长变化（LOD）和世界时（UT1-UTC）预报算法。

精确的LOD和UT1-UTC数据在深空探测、卫星导航等领域具有重要的作用。但地球自转同时受到多种激发源和异常事件的影响，这也给EOP的预报带来了困难。常规的EOP预报基于最小二乘拟合并使用自回归模型预测拟合残差。在预报跨度增加时，存在精度下降较快的问题。该算法在LODR序列的拟合阶段引入多项式曲线拟合进行长期趋势项的去除，同时使用LSTM网络对拟合残差进行预报。有效提升了中长期LOD和UT1-UTC的预报精度。图1 和图2 分别给出了该方法（Case 3）与国际地球自转与参考系服务组织IERS（Case 1）的LOD和UT1-UTC预报精度对比。实验结果表明，该方法的中长期预报精度显著提高。LOD和UT1-UTC的预报精度相比IERS分别最高提升49.5%和59.2%。

相关研究成果以《Improved LOD and UT1-UTC Prediction Using Least Squares Combined with Polynomial CURVE Fitting》发表在学术期刊Remote Sensing。

图1 不同方法LOD预报精度对比

图2 不同方法UT1预报精度对比