Статті

Емпіричне порівняння п’яти архітектур глибокого навчання для прогнозування часових рядів GNSS-даних

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №5 2025

Останнє оновлення: 25 жовтня 2025

Опубліковано: 30 листопада -0001

Перегляди: 1759

Authors:

Тронг Гія Нгуєн, orcid.org/0009-0006-0765-245X, Ханойський університет гірничої справи та геології, Факультет геоматики та землеустрою, м. Ханой, Соціалістична Республіка В’єтнам; Ханойський університет гірничої справи та геології, Група дослідників із геодезії та навколишнього середовища, м. Ханой, Соціалістична Республіка В’єтнам

Тін Дюк Ле, orcid.org/0000-0002-0022-3453, Ханойський університет гірничої справи та геології, Факультет геоматики та землеустрою, м. Ханой, Соціалістична Республіка В’єтнам

Лонг Куок Нгуєн*, orcid.org/0000-0002-4792-3684, Ханойський університет гірничої справи та геології, Факультет геоматики та землеустрою, м. Ханой, Соціалістична Республіка В’єтнам; Ханойський університет гірничої справи та геології, Група дослідників із інновацій для сталого та відповідального гірничого господарства (ISRM), м. Ханой, Соціалістична Республіка В’єтнам, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2025, (5): 122 - 131

https://doi.org/10.33271/nvngu/2025-5/122

Abstract:

Мета. Це дослідження має на меті запропонувати ефективну модель глибокого навчання для аналізу часових рядів GNSS-даних.

Методика. Було досліджено п’ять моделей глибокого навчання з використанням алгоритму оптимізації Adam і функції втрат MSE: CNN (Conv1D), GRU, Transformer, Seq2seq та SimpleRNN. Ефективність прогнозування моделей була оцінена на основі даних із трьох CORS-станцій у В’єтнамі: HYEN, BTRI і CTHO. Моделі були розроблені з використанням функції оптимізації Adam, функції втрат MSE й розміру пакету 16.

Результати. Загалом результати прогнозування для всіх моделей були низькими. Зокрема, модель Seq2seq досягла найнижчого значення RMSE для даних компонента Up зі станції HYEN. Модель Transformer виявилася непридатною для аналізу GNSS-даних у часовому вимірі, а модель SimpleRNN показала слабку ефективність на даних станції HYEN. Водночас запропонована модель CNN(Conv1D)-RF, що інтегрує модель RF із CNN(Conv1D), продемонструвала високу точність прогнозування: RMSE = 0,4 мм, MAE = 0,07 мм і коефіцієнт детермінації R² = 99,8 % при використанні лише компонента Up як вхідних даних. При включенні всіх трьох компонентів (N, E і Up) максимальне значення RMSE становило 0,92 мм.

Наукова новизна. У цьому дослідженні представлена модель CNN(Conv1D)-RF ‒ нова інтеграція моделі RF із CNN(Conv1D) для аналізу GNSS-даних.

Практична значимість. Запропонована модель демонструє високу точність прогнозування, що свідчить про її потенційне застосування для аналізу точності GNSS-даних у різних практичних сферах.

Ключові слова: глибоке навчання, часові ряди GNSS, машинне навчання, алгоритм

References.

1. Gill, S. K., Weston, N. D., & Smith, D. A. (2015). NOAA guidance document for determination of vertical land motion at water level stations using GPS technology, 18. https://doi.org/10.25607/OBP-147

2. Hu, B., Chen, J., & Zhang, X. (2019). Monitoring the Land Subsidence Area in a Coastal Urban Area with InSAR and GNSS. Sensors, 19(14), 3181. https://doi.org/10.3390/s19143181

3. Pipitone, C., Maltese, A., Lo Brutto, M., & Dardanelli, G. (2023). A Review of Selected Applications of GNSS CORS and Related Experiences at the University of Palermo (Italy). Remote Sensing, 15(22), 5343. https://doi.org/10.3390/rs15225343

4. Jones, C. E., An, K., Blom, R. G., Kent, J. D., Ivins, E. R., & Bekaert, D. (2016). Anthropogenic and geologic influences on subsidence in the vicinity of New Orleans, Louisiana. Journal of Geophysical Research: Solid Earth, 121(5), 3867-3887. Portico. https://doi.org/10.1002/2015jb012636

5. Leveson, I. (2009). Socio-Economic Benefits Study: Scoping the Value of CORS and GRAV-D. Retrieved from https://repository.library.noaa.gov/view/noaa/55545

6. Ige, A. O., & Sibiya, M. (2024). State-of-the-Art in 1D Convolutional Neural Networks: A Survey. IEEE Access, 12, 144082-144105. https://doi.org/10.1109/access.2024.3433513

7. Rizvi, S. M. H. (2021). Time Series Deep learning for Robust Steady-State Load Parameter Estimation using 1D-CNN. Arabian Journal for Science and Engineering, 47(3), 2731-2744. https://doi.org/10.1007/s13369-021-05782-6

8. Weerakody, P. B., Wong, K. W., Wang, G., & Ela, W. (2021).
A review of irregular time series data handling with gated recurrent neural networks. Neurocomputing, 441, 161-178. https://doi.org/10.1016/j.neucom.2021.02.046

9. Bi, J., Zhu, Z., & Meng, Q. (2021). Transformer in Computer Vision. 2021 IEEE International Conference on Computer Science, Electronic Information Engineering and Intelligent Control Technology (CEI), 178-188. https://doi.org/10.1109/cei52496.2021.9574462

10.      Ahmed, S., Nielsen, I. E., Tripathi, A., Siddiqui, S., Ramachandran, R. P., & Rasool, G. (2023). Transformers in Time-Series Analysis: A Tutorial. Circuits, Systems, and Signal Processing, 42(12), 7433-7466. https://doi.org/10.1007/s00034-023-02454-8

11.      Chen, Z., Ma, M., Li, T., Wang, H., & Li, C. (2023). Long sequence time-series forecasting with deep learning: A survey. Information Fusion, 97, 101819. https://doi.org/10.1016/j.inffus.2023.101819

12.      Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016). Deep learning, 1(2). Retrieved from https://www.deeplearningbook.org/

13.      Chollet, F., & Chollet, F. (2021). Deep learning with Python. Simon and Schuster. Retrieved from https://www.pressreader.com/books/b/deep-learning-with-python-23518

14.      Siemuri, A., Kuusniemi, H., Elmusrati, M. S., Valisuo, P., & Shamsuzzoha, A. (2021). Machine Learning Utilization in GNSS – Use Cases, Challenges and Future Applications. 2021 International Conference on Localization and GNSS (ICL-GNSS), 1-6. https://doi.org/10.1109/icl-gnss51451.2021.9452295

15.      Loli Piccolomini, E., Gandolfi, S., Poluzzi, L., Tavasci, L., Cascarano, P., & Pascucci, A. (2019). Recurrent neural networks applied to GNSS time series for denoising and prediction. 26^th International Symposium on Temporal Representation and Reasoning, 10-1. https://doi.org/10.4230/LIPIcs.TIME.2019.10

16.      Kiani, M. (2020). A precise machine learning aided algorithm for land subsidence or upheave prediction from GNSS time series. preprint arXiv:2006. 03772. https://doi.org/10.48550/arXiv.2006.03772

17.      Kiani, M. (2020). On GNSS residual position time series prediction and analysis using radial basis function networks machine learning. Second international conference on Development of Materials engineering technology, mining, and geology. Retrieved from https://www.researchgate.net/publication/344853610

18.      Kiani, M. (2020). On the suitability of generalized regression neural networks for GNSS position time series prediction for geodetic applications in geodesy and geophysics. arXiv preprint arXiv:2005.11106. https://doi.org/10.48550/arXiv.2005.11106

19.      Wang, J., Jiang, W., Li, Z., & Lu, Y. (2021). A New Multi-Scale Sliding Window LSTM Framework (MSSW-LSTM): A Case Study for GNSS Time-Series Prediction. Remote Sensing, 13(16), 3328. https://doi.org/10.3390/rs13163328

20.      Wen, T., Ou, G., Tang, X., Zhang, P., & Wang, P. (2021). A Novel Long Short-Term Memory Predicted Algorithm for BDS Short-Term Satellite Clock Offsets. International Journal of Aerospace Engineering, 2021, 1-16. https://doi.org/10.1155/2021/4066275

21.      Crocetti, L., Schartner, M., & Soja, B. (2021). Discontinuity Detection in GNSS Station Coordinate Time Series Using Machine Learning. Remote Sensing, 13(19), 3906. https://doi.org/10.3390/rs13193906

22.      Ruttner, P., Hohensinn, R., D’Aronco, S., Wegner, J. D., & Soja, B. (2021). Modeling of Residual GNSS Station Motions through Meteorological Data in a Machine Learning Approach. Remote Sensing, 14(1), 17. https://doi.org/10.3390/rs14010017

23.      Chen, H., Lu, T., Huang, J., He, X., Yu, K., Sun, X., Ma, X., & Huang, Z. (2023). An Improved VMD-LSTM Model for Time-Varying GNSS Time Series Prediction with Temporally Correlated Noise. Remote Sensing, 15(14), 3694. https://doi.org/10.3390/rs15143694

24.      Li, Z., Lu, T., Yu, K., & Wang, J. (2023). Interpolation of GNSS Position Time Series Using GBDT, XGBoost, and RF Machine Learning Algorithms and Models Error Analysis. Remote Sensing, 15(18), 4374. https://doi.org/10.3390/rs15184374

25.      Xie, Y., Wang, J., Li, H., Dong, A., Kang, Y., Zhu, J., Wang, Y., & Yang, Y. (2024). Deep Learning CNN-GRU Method for GNSS Deformation Monitoring Prediction. Applied Sciences, 14(10), 4004. https://doi.org/10.3390/app14104004

26.      Khorrami, F., Ejigu, Y. G., Näränen, J., Raja-Halli, A., & Nordman, M. (2024). Exploring Non-tidal Atmospheric Loading Deformation Correction in GNSS Time Series Analysis Using GAMIT/GLOBK Software. International Association of Geodesy Symposia. https://doi.org/10.1007/1345_2024_272

27.      Jadon, A., Patil, A., & Jadon, S. (2024). A comprehensive survey of regression-based loss functions for time series forecasting. Lecture Notes in Networks and Systems, 998, 117-147. https://doi.org/10.1007/978-981-97-3245-6_9

28.      Wang, J., Nie, G., Gao, S., Wu, S., Li, H., & Ren, X. (2021). Landslide Deformation Prediction Based on a GNSS Time Series Analysis and Recurrent Neural Network Model. Remote Sensing, 13(6), 1055. https://doi.org/10.3390/rs13061055

29.      Gao, W., Li, Z., Chen, Q., Jiang, W., & Feng, Y. (2022). Modelling and prediction of GNSS time series using GBDT, LSTM and SVM machine learning approaches. Journal of Geodesy, 96(10). https://doi.org/10.1007/s00190-022-01662-5

• < Попередня
• Наступна >