人工智能技术在研究电离层参数建模方面是一个新兴的研究方向,导航卫星定位系统的传输信号直接受到电离层变化的影响,因此电离层参数的预测在导航定位延迟修正上具有重要意义。本工作调研了该课题的研究背景和意义和主要研究方法,发现传统预测方法主要采用卡尔曼滤波预测,EMD分解方法,人工神经网络ANN方法等。这些方法将电离层参数预测建模为时间序列预测的问题,在周期性的趋势分量预测方面效果很好,但是在序列的细节部分预测精度普遍不高。针对现有模型存在的这些缺点,本文提出了门控注意力双向长短时记忆网络（Gated-Attention-BiLSTM）模型,该模型包括双向LSTM编码层、全局注意力层、门控机制层、以及输出层。首先将TEC电离层参数历史序列通过双向LSTM网络做位置编码,得到TEC参数轨迹上每个位置的嵌入表示,然后将编码后的输出做全局注意力机制,对序列上每个位置点做自适应加权,得到TEC参数的轨迹表示,然后将编码后的特征通过门控机制自适应学习每个特征的重要性。通过注意力机制和门控机制的结合,Gated-Attention-LSTM模型预测精度更高,更能兼顾时间序列的周期性部分和非周期性部分,在时间序列的细节预测上更能学习到内在的规律,具有预测误差小,工程实现方便的特点。从实验指标上对比,改进的模型相比卡尔曼滤波MSE提升了 85.85%,RMSE提升了 62.38%,MAPE 绝对提升了 3.8%;比 EMD 分解+LSTM 提升了 47.55%,RMSE 提升了 27.58%,MAPE绝对提升1.2%。实验表明四个评价指标本文提出的Gated-Attention-LSTM比传统方法卡尔曼滤波,EMD+LSTM模型效果预测精度提升明显,证明本文提出模型是有效的,在导航定位延迟修正上具有一定的实际意义。