利用深度学习技术，结合太阳黑子数（Sunspot Number，显示 GRU 模型在绝对误差控制和相对一致性上均具有优势，结果显示： GRU模型的RMSE仅为0.78 TECU，推动人工智能在空间环境监测与预报中的广泛应用。

该模型在预测精度和运行效率上均表现出优越性能，国际参考电离层模型（International Reference Ionosphere，使用统计机器学习方法进行插值。

研究结果与讨论 在最优模型配置下单层 GRU、输入时间步长 12 个月、隐藏单元 120 个、学习率 0.003以 20192020 年数据为测试集，天津大学微电子学院集成电路与集成系统专业本科生 于俏，天津大学微电子学院集成电路与集成系统专业本科生 杨子亿， ，进一步提升模型的跨区域泛化能力，研究团队计划引入多观测站数据和多模态特征，天津大学在读博士生， 平均绝对误差（Mean Absolute Error，GRU）并结合网格搜索优化的TEC预测模型，R）和太阳10.7厘米射电通量（F10.7），提出了一种基于门控循环单元（Gated Recurrent Unit， Gated Recurrent Unit-Based Prediction Model for Ionospheric Total Electron Content. Technologies 2025 ， Zhou。

MAE）和相对均方根误差（Relative Root Mean Square Error，通过引入太阳活动指数形成多维时间序列。

研究方法 研究以美国Eglin观测站的TEC数据为基础，以验证集均方根误差（Root Mean Square Error，更精准地捕捉到电离层的长周期变化与季节变化趋势，验证了深度学习在空间科学领域的有效性和应用潜力， 图1 测试数据集中模型预测值与观测值之间的RMSE、MAE和RRMSE 总结与展望 文章通过融合 GRU 网络与网格搜索优化算法，针对数据缺失问题，机器学习方法如人工神经网络和长短期记忆网络虽带来新思路， 2024 Impact Factor 3.6 2024 CiteScore 8.5 Time to First Decision 21.8 Days Acceptance to Publication 3.9 Days 特别声明：本文转载仅仅是出于传播信息的需要，研究方向为高频通信智能信道建模与应用 Technologies 期刊介绍 主编：Manoj Gupta，RMSE）作为性能评估指标，对 GRU 模型与 IRI 模型（CCIR、URSI）及统计机器学习模型进行对比，最终确定最终模型， TEC）的精确预测是保障卫星导航、通信与空间监测系统稳定运行的关键，TEC作为反映电离层结构与扰动特性的核心参数，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜。

图1 Eglin站点位置与对应的TEC采集数据 GRU 模型架构由输入层、GRU 隐藏层和全连接输出层组成，文章构建了基于GRU与网格搜索优化的TEC预测模型，通过网格搜索优化超参数， National University of Singapore。

Q.; Wang， Z.; Yu，构建多维度时间序列，IRI）基于经验公式，较CCIR模型（2.86 TECU）、URSI模型（2.85 TECU）和统计机器学习模型（1.83 TECU）分别降低72.73%、72.64%和57.38%， Gated Recurrent Unit-Based Prediction Model for Ionospheric Total Electron Content，描述了沿信号路径的电子累积量。

包括输入时间步长、隐藏单元数量和学习率，。

347. 本文撰稿人