尚教凱　賀寅　徐池　徐銘

摘要：研究中發(fā)現(xiàn)，將短波遠(yuǎn)程通信中兩點(diǎn)間的可用頻率作為單特征輸入，利用長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)（ISTM）可以實(shí)現(xiàn)對(duì)未來(lái)幾天短波頻率進(jìn)行預(yù)測(cè)。該文對(duì)輸入的樣本數(shù)據(jù)存在缺失值條件下的情況進(jìn)行分析，最終得到缺失值條件下該方法的應(yīng)用策略，對(duì)遠(yuǎn)程短波通信保障具有重要意義。

關(guān)鍵詞：頻率預(yù)測(cè);LSTM;缺失值

中圖分類號(hào)：TP319 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）09-0251-04

1 引言

短波通信一直是海上遠(yuǎn)程通信不可缺少的手段?？茖W(xué)技術(shù)的不斷進(jìn)步推動(dòng)著短波通信向著建鏈速度更迅捷、數(shù)據(jù)傳輸容量更大的方向發(fā)展，但實(shí)現(xiàn)準(zhǔn)確的短波通信頻率預(yù)測(cè)是制約著遠(yuǎn)程短波通信質(zhì)量提升的關(guān)鍵問(wèn)題。

現(xiàn)有的ITS-HF系列短波頻率預(yù)測(cè)軟件雖然能夠?qū)崿F(xiàn)復(fù)雜鏈路程序化，但該系列預(yù)測(cè)軟件的輸入條件過(guò)于苛刻，且局限性較強(qiáng)，在實(shí)際海上通信過(guò)程中的效果并不好。而短波頻率作為典型的非線性時(shí)間序列，有很多學(xué)者基于模糊小波、神經(jīng)網(wǎng)絡(luò)、混沌理論等算法對(duì)時(shí)間序列預(yù)測(cè)開(kāi)展研究，任淑婷采用模糊小波神經(jīng)網(wǎng)絡(luò)方法對(duì)短波頻率進(jìn)行預(yù)測(cè)，預(yù)測(cè)值與實(shí)際值的相對(duì)誤差在9%左右，但工程實(shí)現(xiàn)難度較大。

根據(jù)深度學(xué)習(xí)擅長(zhǎng)提取非線性時(shí)間序列數(shù)據(jù)特征的特點(diǎn)，通過(guò)時(shí)間半年，間隔一小時(shí)的頻率樣本數(shù)據(jù)對(duì)長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)（ ISTM）進(jìn)行訓(xùn)練，實(shí)現(xiàn)了對(duì)未來(lái)約20天每小時(shí)為間隔的點(diǎn)對(duì)點(diǎn)短波遠(yuǎn)程通信頻率預(yù)測(cè)。在實(shí)際應(yīng)用過(guò)程中，收集樣本數(shù)據(jù)過(guò)程中存在出現(xiàn)數(shù)據(jù)缺失的可能，這種情況就不能滿足預(yù)測(cè)模型對(duì)樣本數(shù)據(jù)中時(shí)間間隔為一小時(shí)的訓(xùn)練需求，那么出現(xiàn)這種缺失值時(shí)，該模型是否還能實(shí)現(xiàn)頻率預(yù)測(cè)？缺失比例是否對(duì)預(yù)測(cè)結(jié)果產(chǎn)生影響？

為進(jìn)一步明確基于LSTM實(shí)現(xiàn)頻率預(yù)測(cè)方法對(duì)樣本數(shù)據(jù)的需求，本文對(duì)樣本數(shù)據(jù)存在缺失值的情況進(jìn)行分析。

2 LSTM模型

3 缺失值處理

數(shù)據(jù)收集過(guò)程中出現(xiàn)缺失值存在以下幾個(gè)原因，一是沒(méi)有歷史經(jīng)歷，未積累過(guò)相關(guān)資源;二是有歷史經(jīng)歷，資源積累過(guò)程中因?yàn)樵O(shè)備原因出現(xiàn)缺少丟失，比如數(shù)據(jù)未存儲(chǔ)成功、設(shè)備故障導(dǎo)致某些數(shù)據(jù)未收集或者未傳遞到數(shù)據(jù)庫(kù)中;三是出現(xiàn)奇異樣本，不適合被調(diào)用，處理過(guò)程中被刪除。

缺失值的處理辦法包括填充和刪除，而填充的方法包括：

1）當(dāng)調(diào)用的數(shù)據(jù)集中出現(xiàn)缺失值時(shí)，將所有缺失值用NULL進(jìn)行填充，表示該項(xiàng)空值，不影響使用，

2）平均值填充。用該屬性其他值的平均值對(duì)該缺失項(xiàng)進(jìn)行填充。

3）用最可能的值填充。本系統(tǒng)中頻率生成子模塊能夠根據(jù)一定數(shù)量的樣本進(jìn)行頻率預(yù)測(cè)，當(dāng)可通頻率存在缺失時(shí)，該預(yù)測(cè)值就是最可能的值，用預(yù)測(cè)值進(jìn)行填充能夠補(bǔ)充缺失項(xiàng)。

為更好地明確缺失值對(duì)基于LSTM單特征輸入實(shí)現(xiàn)頻率預(yù)測(cè)的影響，本文對(duì)樣本數(shù)據(jù)中缺失值的處理辦法是刪除該項(xiàng)的整組數(shù)據(jù)。

4 仿真模型構(gòu)建

1）仿真環(huán)境

本文的仿真是在Python3.7環(huán)境下采用Python語(yǔ)言實(shí)現(xiàn)的，為滿足Python中numpy庫(kù)（Numerical Python，Python進(jìn)行科學(xué)計(jì)算和大數(shù)據(jù)分析的基礎(chǔ)庫(kù)）導(dǎo)人數(shù)據(jù)要求，需要將仿真數(shù)據(jù)存儲(chǔ)為.csv或.xlsx格式文件。

2）仿真數(shù)據(jù)

由于數(shù)據(jù)需求量多，難以獲得能夠滿足算法訓(xùn)練要求的實(shí)際數(shù)據(jù)，本文提取“亞大預(yù)測(cè)”模型預(yù)測(cè)結(jié)果中的兩點(diǎn)間最高可用頻率（Maximum Usable Frequency，MUF）替代短波可通頻率作為模型驗(yàn)證的仿真數(shù)據(jù)。

數(shù)據(jù)由兩部分組成，一部分是由2014年8月31日0900至2015年3月1日0800的跨度半年，間隔1小時(shí)的時(shí)間，另一部分是北京市石景山區(qū)與福建省福州市臺(tái)江區(qū)兩點(diǎn)間通信的最高可用頻率的數(shù)值。以上兩部分組成了4368組該時(shí)刻最高可用頻率的樣本數(shù)據(jù)集合，如下表所示：

通過(guò)Python編程，在數(shù)據(jù)預(yù)處理過(guò)程中，對(duì)仿真數(shù)據(jù)進(jìn)行缺失值處理，包括連續(xù)缺失、隨機(jī)缺失兩種方法，進(jìn)行缺失值處理后繼續(xù)進(jìn)行下一步。

3）為能夠驗(yàn)證該模型的訓(xùn)練效果，需要測(cè)試樣本與預(yù)測(cè)結(jié)果進(jìn)行比對(duì)，因此，在仿真實(shí)現(xiàn)過(guò)程需要將預(yù)處理后的仿真數(shù)據(jù)劃分成訓(xùn)練樣本集和測(cè)試樣本集兩部分。

4）確定能夠評(píng)估短波頻率預(yù)測(cè)效果的評(píng)價(jià)指標(biāo)。這里選用均方根誤差（ RMSE）作為計(jì)算短波頻率預(yù)測(cè)值與測(cè)試值誤差的公式。

5）將整個(gè)仿真的結(jié)果可視化，便于觀察進(jìn)行對(duì)比分析。這里使用Python中的matplotlib庫(kù)進(jìn)行實(shí)現(xiàn)。

整個(gè)仿真實(shí)現(xiàn)流程如圖1所示：

5 仿真結(jié)果與分析

缺失值的情況分為連續(xù)缺失以及隨機(jī)缺失兩種，下面通過(guò)Python軟件對(duì)這兩種情況進(jìn)行仿真，根據(jù)仿真結(jié)果進(jìn)行總結(jié)分析。

5.1 連續(xù)缺失情況

在基于LSTM單特征輸入實(shí)現(xiàn)頻率預(yù)測(cè)的方法中，當(dāng)需要調(diào)用的樣本數(shù)據(jù)集從中間部分連續(xù)缺失比例為12.5%時(shí)，運(yùn)行結(jié)果如圖2所示。其中圖2（a）中的藍(lán)色部分為訓(xùn)練區(qū)域，黃色部分為預(yù)測(cè)區(qū)域，橫軸代表日期，坐標(biāo)間隔為1個(gè)月，縱軸代表頻率值，單位為MHz。圖2/b）中黃色線條為預(yù)測(cè)值，藍(lán)色線條為實(shí)際值.橫軸為日期，坐標(biāo)間隔為6小時(shí)，縱軸為頻率值，單位為MHz。

當(dāng)需要調(diào)用的樣本數(shù)據(jù)集從中間部分連續(xù)缺失比例為25%時(shí)，其預(yù)測(cè)值結(jié)果如圖3所示：

5.2 隨機(jī)缺失情況

當(dāng)需要調(diào)用的樣本數(shù)據(jù)集中隨機(jī)缺失比例為1.25%時(shí)，其預(yù)測(cè)值結(jié)果如圖4所示：

當(dāng)需要調(diào)用的樣本數(shù)據(jù)集中隨機(jī)缺失比例為2.5%時(shí)，其預(yù)測(cè)值結(jié)果如圖5所示：

當(dāng)需要調(diào)用的樣本數(shù)據(jù)集中隨機(jī)缺失比例為15%時(shí)，其仿真結(jié)果如圖6所示：

當(dāng)需要調(diào)用的樣本數(shù)據(jù)集中隨機(jī)缺失比例為20%時(shí)，其仿真結(jié)果如圖7所示：

當(dāng)需要調(diào)用的樣本數(shù)據(jù)集中隨機(jī)缺失比例為25%時(shí)，其仿真結(jié)果如圖8所示：

基于LSTM單特征輸入實(shí)現(xiàn)頻率預(yù)測(cè)方法在缺失數(shù)據(jù)情況下的均方根誤差及運(yùn)行時(shí)間如表2所示：

通過(guò)對(duì)以上圖表對(duì)比分析，可以總結(jié)如下：

（l）從2（a）中可以看出兩塊藍(lán)色部分中間的白色區(qū)域?yàn)闃颖緮?shù)據(jù)集中缺失部分，通過(guò)圖表觀察可以發(fā)現(xiàn)在單特征輸入頻率預(yù)測(cè)模型中連續(xù)出現(xiàn)缺失值與未出現(xiàn)缺失值時(shí)相比RMSE值偏大，模型運(yùn)行時(shí)間稍少一些，但擬合效果較好，仍能夠滿足預(yù)測(cè)精度需求。

（2）隨機(jī)缺失數(shù)據(jù)情況下RMSE值比未出現(xiàn)缺失值時(shí)大，隨著隨機(jī)缺失數(shù)據(jù)增多，模型運(yùn)行時(shí)間減少。

（3）當(dāng)隨機(jī)缺失比例達(dá)到20%開(kāi)始，預(yù)測(cè)精度難以滿足通信需求，因此當(dāng)可通頻率資源庫(kù)中可提供的樣本數(shù)據(jù)集中隨機(jī)缺失比例達(dá)到20%以上時(shí)，單特征輸入頻率預(yù)測(cè)模型的預(yù)測(cè)結(jié)果不可靠。

6 結(jié)語(yǔ)

本文通過(guò)對(duì)樣本數(shù)據(jù)中的缺失值情況進(jìn)行分析，總結(jié)得出當(dāng)訓(xùn)練樣本數(shù)量不少于3000組，時(shí)間間隔1小時(shí)，隨機(jī)缺失比例不高于20%的條件時(shí)，基于LSTM單特征輸入模型能夠用于實(shí)現(xiàn)短波頻率預(yù)測(cè)。

參考文獻(xiàn)：

[1]賀驍，劉蕓江，肖瑤，等.基于傳播損耗的短波自適應(yīng)快速建鏈[J].電訊技術(shù)，2014，54（3）：302-306.

[2]楊青彬，余毅敏，余奇，等.基于lTS軟件的短波頻率管理系統(tǒng)設(shè)計(jì)[J].電訊技術(shù)，2013，53（3）：249-253.

[3]田曉銘，張海勇，徐池，等.泛Kriging法在海上短波通信頻率預(yù)測(cè)中的應(yīng)用[J].電訊技術(shù)，2018，58（12）：1434-1440.

[4]黃少昆，王偉民，黃子洋，等，電離層F2層臨界頻率預(yù)測(cè)方法探討[J].氣象水文裝備，2009，4（20）：19-21.

[5]簡(jiǎn)相超，鄭君里，混沌和神經(jīng)網(wǎng)絡(luò)相結(jié)合預(yù)測(cè)短波通信頻率參數(shù)[J].清華大學(xué)學(xué)報(bào)f自然科學(xué)版），2001，41（1）：16-19.

[6] Wang Y C.Short-term wind power forecasting by genetic algo-rithm of wavelet neural network[C]//2014 International Confer-ence on Information Science，Electronics and Electrical Engi-neering， April 26-28， 2014. Sapporo， Japan. IEEE， 2014：1752-1755，

[7]任淑婷，郭黎利.基于模糊小波神經(jīng)網(wǎng)絡(luò)的短波頻率預(yù)測(cè)[J].通信技術(shù)，201 1，44（4）：37-39.

[8]徐池，邱楚楚，李梁，等.海上短波通信頻率優(yōu)選技術(shù)現(xiàn)狀與分析[J].通信技術(shù)，2015，48（10）：1101-1105.

[9]尚教凱，張海勇，徐池，等.基于LSTM單特征輸入的短波可用預(yù)測(cè)研究[J].艦船電子工程，2019，39（11）：76-78，88.

[10]鄧建新，單路寶，賀德強(qiáng)，等.缺失數(shù)據(jù)的處理方法及其發(fā)展趨勢(shì)[J].統(tǒng)計(jì)與決策，2019（23）：28-34.

【通聯(lián)編輯：朱寶貴】