Прогностична модель стану GNSU з використанням аналізу великих даних та нейронних мереж
Анотація
Це дослідження спрямоване на створення прогностичної моделі для глобальних навігаційних супутникових систем (GNNS) шляхом поєднання аналізу великих даних і вдосконалених нейронних мереж. Вирішення проблем виходить на перший план, коли ми плануємо підвищити надійність і стійкість систем супутникової навігації за допомогою аналітики даних і використання історичних даних і даних у реальному часі. Методологія: Методології дослідження охоплюють інтеграцію наборів даних супутникової телеметрії, навколишнього середовища та історичної системи, включаючи обробку та систематичний збір даних. Аналіз великих даних використовується для виявлення прихованих шаблонів у даних GNSS, крім того, нейронні мережі, зокрема мережі глибокого навчання, навчені розпізнавати складні нелінійні шаблони, які, можливо, можуть бути симптомами проблеми. Результат: модель демонструє певний ступінь збоїв на ранній стадії, що дозволяє нам застосувати проактивний підхід до проблеми, що зменшує час простою та оптимізує систему в цілому. Якісна оцінка включає такі критерії, як точність, коефіцієнт точності, запам’ятовування та оцінка F1, які демонструють здатність моделей прогнозувати не за допомогою GNSS. За своїм дизайном модель узгоджується з розвитком технологій GNSS і створює нові перешкоди, які необхідно подолати, тому вона залишатиметься корисною в мінливих умовах. Висновок: це дослідження чітко показує, що заповнення прогалин може бути можливим рішенням, за допомогою якого супутникові навігаційні системи будуть вбудовані з можливостями прогнозування незалежно від технологічного середовища, що швидко розвивається. Результати також демонструють способи застосування GNSS для розробки нових технологій навігаційних послуг, наприклад, у секторах транспорту, гірничодобувної промисловості та сільського господарства. Модель не потребує моніторингу та вдосконалення, а адаптація до нових проблем надзвичайно важлива для постійної масштабованості та надійності GNSS.
Посилання
O. Yanchuk and R. Shulgan, "Prognostic evaluation of the impact of restricted horizon visibility on the accuracy of position (coordinates) obtained with GNSS based on empirical data," Geodesy and Cartography, vol. 46, pp. 67-74, 2020.
F. Z. Hdidou, S. Mordane, P. Moll, J.-F. Mahfouf, H. Erraji, and Z. Dahmane, "Impact of the variational assimilation of ground-based GNSS zenith total delay into AROME-Morocco model," Tellus A: Dynamic Meteorology and Oceanography, vol. 72, pp. 1-13, 2020.
T. M. Nguyen, C. H. Lee, Y. Chen, G. S. Team, S. Behseta, D. Shen, et al., "Innovative Multicarrier Broadband Waveforms for Future GNSS Applications–A System Overview," in 2023 IEEE/ION Position, Location and Navigation Symposium (PLANS), 2023, pp. 952-967.
E. Shehaj, S. Leroy, K. Cahoy, A. Geiger, L. Crocetti, G. Moeller, et al., "GNSS Radio Occultation Climatologies mapped by Machine Learning and Bayesian Interpolation," Atmospheric Measurement Techniques Discussions, vol. 2023, pp. 1-24, 2023.
M. Slavchev, A. Stoycheva, and G. Gerova, "Comparative analysis of convective processes and the intense precipitation using numerical weather model and GNSS meteorology method."
