具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

根据本发明，地心运动预测涉及地心运动时间序列分析和地心运动人工智能预报，以下将对其过程进行说明。

1、地心运动时间序列分析

时间序列即为一段随时间变化的数列，时间序列分析的任务是提取这段序列的代表性信息，诸如时间序列的周期，振幅及长期性变化等，以为地心运动的预报提供支撑。但是不同时间序列具有不同的性质，其中混杂的噪声也不相同，为了更加有效的提取信息，采用高精度的经验模态分解分析方法，识别地心运动的周期项和振幅项等信息具体内容如下：

(1)经验模态分解(Empirical mode decomposition，EMD)的本质是对非平稳信号进行平稳化，将信号按照不同尺度的波动逐级分解，产生一系列代表不同特征的序列，即若干个特征尺度由小到大依次增大的本征模态函数(Intrinsicl Mode Function，IMF)分量及一个趋势项。每个IMF分量都是一个非线性平稳序列，具有时间上的局域化特征，并且必须满足两个条件：整个序列的极值点数目等于过零点的数目或者最多差一个；由局部极大值或者极小值分别构成的包络线的平均值为0。

(2)通过详细的分解过程可知，EMD算法无需任何先验值，根据数据本身，按照由高频到低频的顺序依次分解，含有高频成分的IMF分量首先被分离出来，自适应完成了整个滤波过程。

2、地心运动人工智能预报

地心运动时间序列是由各种周期项、趋势项以及噪声项组成的，性质复杂，具有非线性、非平稳的特征。ARMA方法更适用于平稳序列的短期预报，而SSA方法能较好地处理和预测具有周期震荡的信号。因此，将SSA和ARMA方法组合并进行预测可以弥补单一方法的缺点，提高预测精度。

SSA+ARMA预测的主体思想是对长期项以及周期项用SSA进行外推预测，残差项用ARMA进行预测，将两者预测值相加作为最后时间序列的预测值。

下面将以示例的方式详细描述本发明的实施方案。

图1示出了本发明实施例提供的地心运动人工智能预测方法的流程图。参照图1，预测方法包括：

步骤S101：利用EMD算法对原始地心运动的时间序列进行分解重构，获得新时间序列；

步骤S103：求解新时间序列的周期和对应的振幅；以及

步骤S105：基于周期和对应的振幅，利用SSA和ARMA组合模型对地心运动的周期项进行预测。

具体地，步骤S101(利用EMD算法对原始地心运动的时间序列进行分解重构，获得新时间序列)如以下所示：

首先，利用EMD算法对原始地心运动时间序列进行分解，获得多个IMF分量以及趋势项。

图2(a)至图2(c)为地心运动时间序列EMD不同方向的分解图(以2007-2017年的地心运动为例)，其示出了三个方向的原始时间序列(Signal)和分解出的各IMF分量与趋势项(res)，其中图2(a)代表X方向分解图，图2(b)代表Y方向分解图，图2(c)代表Z方向分解图。

然后，确定多个IMF分量中的噪声项，并将其剔除。由于EMD分解过程是按照频率从高到低进行的，噪声信号通常表现为高频特征，因此，需要确定噪声与有用信号分界的本征模态分量，然后可以将该分界的本征模态分量及其之前的IMF分量确定为噪声项(高频项)。可以通过计算每个IMF分量与原始序列的相关性来判定噪声对原序列的支配强度，以确定分界本征模态分量，从而确定噪声项。

确定噪声项的步骤如下：

(1)计算所有IMF分量与原始序列的相关系数(如表1和图3所示)；

(2)将满足预定条件的IMF分量确定为分界本征模态分量；以及

(3)将该分界本征模态分量及其之前的IMF分量确定为噪声项。

在本发明中，相关系数的计算公式如下：

式中，r为相关系数，σ_ij为IMF分量和原始序列的协方差，σ_i为IMF分量的标准差，σ_j为原始序列的标准差。

在本发明中，预定条件可以是指相关系数为局部极小值，相应地，将满足预定条件的IMF分量确定为分界本征模态分量可以是指以下情况：根据相关系数局部最小值原则，寻找一系列相关系数中的局部极小值；以及将局部极小值对应的IMF分量确定为噪声项与有用信号的分界IMF分量。

以下表1示出了各个方向所有IMF分量与原始序列的相关系数，图3更清楚地示出了各个方向所有IMF分量与始序列的相关系数的变化。

表1三个方向各个IMF分量相关系数统计表

结合表1和图3可知，三个方向高频项与低频项的分界层均集中在第2个IMF分量；X方向上与原序列一致性较好的是第4个IMF分量，相关系数将近0.9；Y和Z方向上与原序列一致性较好的是第4、7个IMF分量，相关系数达0.6以上；并且同一个IMF分量对应的三个方向的相关系数也不相同，这也说明此方法是根据原始序列的自身特征进行分解。由此可知，EMD算法在分解重构过程中没有设定基函数等先验值判定高频项的分界值而是根据时间序列的特征自适应的进行。

此处，以局部极小值作为预定条件来确定分界IMF分量(例如，确定第2个IMF分量为分界IFM分量，从而确定第1个IMF分量和第2个IMF分量为噪声项)，但应注意的是，在本发明中，预定条件不限于上述条件，还可以是指其它的条件。可选地，预定条件可以是相关系数的大小小于设定阈值等。

最后，对剔除噪声项之后的剩余IMF分量进行重构，获得相对“干净”的地心运动时间序列。

具体地，步骤S103(求解新时间序列的周期和对应的振幅)如以下所示：

对上述重构的相对“干净”的2007-2017年地心运动时间序列进行快速傅里叶变换，计算功率谱密度，绘制频谱图进行功率谱分析，识别周期并计算各周期的贡献率大小，最后通过最小二乘拟合求长期变化量及各周期对应的振幅。

功率谱密度为周期对应的谱密度与各周期谱密度之和的比值。图4示出了X、Y和Z三个方向的功率谱密度图(采样频率为7d)。表2示出了使用EMD方法重构地心运动变化时间序列前后各个周期的贡献率统计结果。

表2利用EMD重构时间序列前后的周期贡献率统计

从图4中可以看出，三个方向上在0.019Hz上(对应一年的周期)均有较高的能量出现，说明三个方向存在明显的周年变化。但Y和Z方向在低频部分也存较大的能量，这说明这两个方向还存在较明显的长期变化项，并且Z方向更为明显。从表2可以看出，在利用EMD方法重构时间序列后，各主要周期的贡献率均有所提高，经计算，X、Y和Z三个方向周期贡献率平均提高了12.3％、16.7％和6.3％，说明EMD方法可以抑制高频信息，提高周期贡献率，使得周期性特征的识别更加明显准确。另外，还可以看出，Z方向上的长周期变化趋势较X和Y方向更为明显，其趋势项的贡献率在各周期贡献率中最高。在识别周期基础上，利用最小二乘拟合地心运动时间序列各周期对应的振幅以及长期项变化值。表3示出了振幅和相位值。

表3地心运动周期性变化的振幅和相位

从表3中可以看出，周年项与半周年项对应的振幅均为毫米级，并且周年项的振幅大于半年振幅，这与前人研究成果基本一致。X、Y和Z方向的周年项振幅均为各周期对应振幅的最大值，分别为2.32mm、1.89mm和2.07mm。但Z方向中周期贡献率最大的是4004天，接近于本论文的研究时间跨度，说明Z方向的趋势项较明显，这与功率谱密度图中在低频处出现了高谱密度现象吻合。但Z方向的周年变化贡献率与长期趋势的贡献率仅相差1.5％左右，可以认为在Z方向上也存在比较明显的周年变化。同时由表2-表3得出，三个方向的半年项均较弱的，其中X和Y方向上还存在4-6个月的震荡。

具体地，步骤S105(基于周期和对应的振幅，利用SSA和ARMA组合模型对地心运动的周期项进行预测)如以下所示：

地心运动时间序列是由各种周期项、趋势项以及噪声项组成的，性质复杂，具有非线性、非平稳的特征。ARMA方法更适用于平稳序列的短期预报，而SSA方法能较好的处理和预测具有周期震荡的信号。因此，将SSA和ARMA方法组合并进行预测可以弥补单一方法的缺点，提高预测精度。

SSA+ARMA预测的主体思想是对长期项以及周期项用SSA进行外推预测，残差项用ARMA进行预测，将两者预测值相加作为最后时间序列的预测值。

参照图5，具体的实施步骤如下所示：

(1)如果要预测长度为n的时间序列，那么将n个0值加到原序列(长度为N)的末尾处，构成长度为N+n的新序列；

(2)对新序列(长度为N+n)进行SSA分解，选取第一个分量(RC1)末尾处的n个值作为预测值，对原序列进行替换，形成一个新的序列，重复该过程直到两次分解的RC1之间差值小于阈值；

(3)在步骤(2)完成之后，再对时间序列进行SSA分解，通过叠加RC1和RC2末尾处的n个值作为预测值来获得一个新序列，重复该过程直到两次分解的RC1+RC2差值小于阈值；

(4)重复上述过程，直到用k个RCs替换预测数据，那么此时新序列末尾的n个值即为SSA的预测值RCP；

(5)剩余的RCs包含其他较弱的周期项和噪声信息，在这里使用ARMA算法对剩余RCs项进行预测；以及

(6)将SSA预测值和ARMA预测值相加，就可以得到最后的预测值。

图6为本发明实施例提供的地心运动人工智能预测系统。参照图6，该系统600包括：

分解重构模块601，用于利用EMD算法对原始地心运动的时间序列进行分解重构，获得新时间序列；

信息求解模块603，用于求解新时间序列的周期和对应的振幅；以及

预测模块605，用于基于周期和对应的振幅，利用SSA和ARMA组合模型对地心运动的周期项进行预测。

由以上可知，系统600的各个模块601至605可以分别执行参照上述实施例描述的地心运动人工智能预测方法中的各个步骤，此处将不再对其细节进行描述。

本发明通过采用EMD算法对地心运动的时间序列进行分解重构，使得能够有效地识别地心运动的周期项；另外，通过构建地心运动人工智能预报模型，即以SSA和ARMA组合模型对地心运动的周期项进行长期、中期和短期预报，实现了地心运动1mm的预报精度。

另一方面，本发明提供了一种电子设备。如图7所示，电子设备700包括处理器701、存储器702、通信接口703和通信总线704。

其中，处理器701、存储器702、通信接口703通过通信总线704完成相互间的通信；

处理器701用于调用存储器702中的计算机程序，处理器701执行计算机程序时实现如上所述的本发明实施例所提供的地心运动人工智能预测方法的步骤。

此外，上述存储器中的计算机程序可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干计算机程序以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如上所述的本发明实施例所提供的地心运动人工智能预测方法的步骤。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

最后应说明的是：以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。