基于小波的混合深度学习模型的太阳黑子数多尺度预测

《Scientific Reports》：Multiscale prediction of sunspot number using a wavelet-based hybrid deep learning model

　　

摘要

太阳黑子数（SSN）是太阳活动最长的连续定量记录之一，被广泛用作太阳变率的替代指标。准确的 SSN 预测对于太阳周期研究和空间天气应用至关重要，但由于准周期性的\(\sim\)11 年太阳周期以及太阳磁活动的多尺度、非线性演化，这仍然是一项挑战。在本研究中，我们提出了一种多尺度混合模型，用于预测 13 个月平滑的 SSN，使用 1750–2025 年的数据。三级离散小波变换（DWT）将 SSN 序列分解为一个近似分量和三个细节分量，然后分别由基于 Inception 的卷积神经网络（InceptionCNN）和双向长短期记忆网络（BiLSTM）建模，最后进行重组。一步超前预测实验在测试集上显示出强劲的预测性能，实现了 1.35 的均方根误差（RMSE）、1.14 的平均绝对误差（MAE）、2.36% 的平均绝对百分比误差（MAPE）以及\(R^2\) 为 0.9997。此外，递归回溯实验表明，与一个月递归模型相比，对近似分量使用 12 个月输出（cA-12 递归模型）可以提高长周期递归稳定性并减少累积误差。cA-12 递归模型的 132 个月预测表明，太阳活动极小期将在 2030 年 4 月左右出现，这与当前正在进行的第 25 太阳周期的预期基本一致。