摘要：针对电离层总电子含量（TEC）值的时序变化通常呈现非线性和随机性的问题，提出一种结合完全集合经验模态分解（CEEMDAN）和基于卷积神经网络和长短时记忆网络的时空网络（CNN-LSTM）神经网络的TEC预测模型：采用分解、预测和重构的方法，结合CEEMDAN在时间序列分解上和CNN-LSTM在预测精度上的优势，对电离层TEC值进行短期预测；然后利用国际全球卫星导航系统服务组织（IGS）中心发布的2019和2023年4个季节，以及分布在中高低纬度的6个格网点的TEC格网数据进行实验分析。实验结果表明，CEEMDAN-CNN-LSTM组合模型的预测结果能很好地反映电离层TEC的时间变化特性，在2019年太阳活动低年和2023年太阳活动高年的预测精度均方根误差（RMSE）相较于长短时记忆（LSTM）网络模型可分别平均提升2.62个TECu和10.44个TECu，相较于CNN-LSTM模型可提升1.85个TECu和7.23个TECu。
文章目录
0 引言
1 预测模型基本原理
1.1 CEEMDAN分解模型
1.2 CNN-LSTM
1.3 CEEMDAN组合CNN-LSTM的电离层预测模型
2 实验与与结果分析
2.1 数据选取及评级指标
2.2 结果分析
3 结束语
