利用基于Transformer的深度学习模型提升BDS-3卫星时钟偏差预测精度

《IEEE Aerospace and Electronic Systems Magazine》：Enhancing BDS-3 Satellite Clock Bias Prediction Using Transformer-Based Deep Learning Model

卫星钟偏移（SCB）预测模型SCITrans基于Transformer架构和SCI模块，通过下采样时间序列提取时序特征并捕捉长程依赖，在BDS-3 PPP中实现14分钟收敛至15厘米精度。实验显示其1-12小时预测RMSE分别为0.052ns、0.108ns、0.143ns、0.166ns，30天8站分析3D RMS达8.5-46.3厘米。

　　

摘要：

卫星时钟偏差（SCB）显著影响基于卫星的定位、导航和授时（PNT）服务的准确性。虽然国际GNSS服务（IGS）提供具有精确SCB预测的实时服务（RTS）产品，但由于网络中断或问题，这些产品可能无法使用。为了解决这个问题，我们提出了SCITrans，这是一个基于深度学习的离线高精度SCB预测模型。SCITrans结合了Transformer架构、反向数据嵌入以及样本卷积和交互（SCI）模块。该模型利用降采样时间序列的时间不变性，有效提取SCB序列的时间特征，同时增强了对长期依赖关系的捕捉能力。在涉及BDS-3 SCB预测的实验中，SCITrans模型在1小时、3小时、6小时和12小时的预测范围内分别实现了0.052纳米、0.108纳米、0.143纳米和0.166纳米的均方根误差（RMSE）值。单个卫星的训练和预测总时间最长为163秒。在BDS-3运动学精确点定位（PPP）中，基于SCITrans的解决方案在14分钟内可达到15厘米的精度。对八个站点进行30天的分析显示，9小时会话的3D RMS误差范围为8.5至46.3厘米。