CN114970341A - 基于机器学习的低轨卫星轨道预报精度提升模型建立方法 - Google Patents

基于机器学习的低轨卫星轨道预报精度提升模型建立方法 Download PDF

Info

Publication number
CN114970341A
CN114970341A CN202210551541.8A CN202210551541A CN114970341A CN 114970341 A CN114970341 A CN 114970341A CN 202210551541 A CN202210551541 A CN 202210551541A CN 114970341 A CN114970341 A CN 114970341A
Authority
CN
China
Prior art keywords
orbit
data
model
input characteristic
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210551541.8A
Other languages
English (en)
Other versions
CN114970341B (zh
Inventor
翟敏
呼延宗泊
张大鹏
刘硕
马鹏斌
刘斌
樊恒海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Xian Satellite Control Center
Original Assignee
China Xian Satellite Control Center
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Xian Satellite Control Center filed Critical China Xian Satellite Control Center
Priority to CN202210551541.8A priority Critical patent/CN114970341B/zh
Publication of CN114970341A publication Critical patent/CN114970341A/zh
Application granted granted Critical
Publication of CN114970341B publication Critical patent/CN114970341B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Medical Informatics (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明是关于一种基于机器学习的低轨卫星轨道预报精度提升模型建立方法。包括：采用精密数值外推软件生成全动力学模型下的轨道真值数据XTrue，预设动力学模型下的轨道估计数据XEst和轨道预测数据XPre；根据XTrue和XPre得到轨道真值误差，根据XEst和XPre得到轨道相对预报误差；基于XGBoost模型，以轨道真值误差为目标变量确定预设输入特征变量，并进行归一化处理；将归一化处理后的预设输入特征变量和目标变量利用XGBoost模型进行分析，选取决定系数R2最大的预设输入特征变量组合，作为关键输入特征变量；根据归一化处理后的关键输入特征变量和目标变量对XGBoost模型进行超参数寻优，得到最优超参数；将关键输入特征变量、目标变量和最优超参数输入XGBoost模型进行训练，获得预报精度提升模型。

Description

基于机器学习的低轨卫星轨道预报精度提升模型建立方法
技术领域
本公开实施例涉及航天测控及人工智能技术领域，尤其涉及一种基于机器学习的低轨卫星轨道预报精度提升模型建立方法。
背景技术
在人造卫星观测过程中，经常出现由于云团遮蔽或经过亮星等暂时无法继续跟踪目标的情况。等到目标再次出现时，精度高而视场小的观测设备就会丢失目标。虽然也可以使用视场大而精度低的辅助观测设备来人工发现目标，并将其修正到主观测设备的视场中去，但由于人造卫星在视场中运动速度较快，人工发现并修正的办法并不理想。
如果能利用已有的测量数据对目标的运动轨迹进行短期预测，就可以引导主观测设备在目标重新出现后继续跟踪，传统的轨道预测方法通常基于精确的动力学模型和数值积分器，卫星轨道预报精度极大程度上来依赖于动力学模型的精度。
然而，通常来说，对于物理世界的有限了解使得在对物理世界的不同摄动力建模的过程中，总是存在误差，对于人类来说，对物理世界的了解是有限的，这意味着对不同摄动力的建模总是存在误差。例如，大气引力模型的准确性对于低地轨道卫星的轨道预测精度至关重要，而现有的大气引力模型的准确性还不够高。
因此，有必要改善上述相关技术方案中存在的一个或者多个问题。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种基于机器学习的低轨卫星轨道预报精度提升模型建立方法，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本公开的第一方面，提供一种基于机器学习的低轨卫星轨道预报精度提升模型建立方法，包括：
采用精密数值外推软件生成全动力学模型下的轨道真值数据XTrue，预设动力学模型下的轨道估计数据XEst和轨道预测数据XPre，其中，当前时刻的轨道预测数据XPre为前一时刻的轨道估计数据XEst外推得到的，当前时刻的轨道估计数据XEst是基于前一时刻的轨道估计数据XEst根据实际观测数据改进后得到的；
根据轨道真值数据XTrue和轨道预测数据XPre得到轨道真值误差，根据轨道估计数据XEst和轨道预测数据XPre得到轨道相对预报误差；
基于XGBoost(eXtreme Gradient Boosting极端梯度提升)模型，以轨道真值误差为目标变量确定预设输入特征变量，并对所述预设输入特征变量和所述目标变量进行归一化处理；
将归一化处理后的所述预设输入特征变量和所述目标变量利用XGBoost模型进行分析，以决定系数R2作为判断依据，选取决定系数R2最大的预设输入特征变量组合，作为关键输入特征变量；
使用网格搜索方法，根据归一化处理后的所述关键输入特征变量和所述目标变量对所述XGBoost模型进行超参数寻优，得到最优超参数；
将所述关键输入特征变量、所述目标变量和所述最优超参数输入所述XGBoost模型进行训练，获得预报精度提升模型。
本公开一实施例中，根据轨道真值数据XTrue和轨道预测数据XPre得到轨道真值误差，根据轨道估计数据XEst和轨道预测数据XPre得到轨道相对预报误差的步骤，包括：
根据每个预报时刻的轨道真值数据XTrue(ti)和轨道预测数据XPre(ti)，计算每个预报时刻的轨道真值误差e(ti)＝XTrue(ti)-XPre(ti；tj)；
根据每个预报时刻的轨道估计数据XEst(ti)和轨道预测数据XPre(ti；tj)，计算每个预报时刻的轨道相对预报误差ξ(ti)＝XEst(ti)-XPre(ti；tj)；
其中，ti和tj为相邻预报时刻且ti＞tj，XPre(ti；tj)表示ti时刻的轨道预测数据是根据tj时刻的轨道估计数据外推得到的
本公开一实施例中，所述预设输入特征变量包括：预报时间间隔Δt＝ti-tj，估计阻力系数Cd，在轨道六要素坐标系下表示的轨道相对预报误差ξCOE，在地心惯性坐标系下表示的轨道相对预报误差ξECI，在轨道六要素坐标系下表示的轨道估计数据
Figure BDA0003650181310000031
在地心惯性坐标系下表示的轨道估计数据
Figure BDA0003650181310000032
在轨道六要素坐标系下表示的轨道预测数据
Figure BDA0003650181310000033
在地心惯性坐标系下表示的轨道预测数据
Figure BDA0003650181310000034
本公开一实施例中，所述预报时间间隔Δt≤7天。
本公开一实施例中，对所述预设输入特征变量进行归一化处理的方法为：
采用公式
Figure BDA0003650181310000035
对所述预设输入特征变量Δt、Cd、ξCOE、ξECI、
Figure BDA0003650181310000036
进行最大最小化归一化处理。
本公开一实施例中使用网格搜索方法，根据归一化处理后的所述关键输入特征变量和所述目标变量对所述XGBoost模型进行超参数寻优，得到最优超参数，包括：
对所述XGBoost模型的关键超参数设置取值范围；
根据归一化处理后的所述关键输入特征变量和所述目标变量，采用网格搜索的方法，通过遍历不同的关键超参数对所述XGBoost模型进行训练；
以决定系数R2作为判断依据，选取决定系数R2最大的关键超参数作为最优超参数。
本公开一实施例中，将分析后的所述关键输入特征变量和所述目标变量输入所述XGBoost模型进行训练时，将损失函数选择为均方根误差函数。
本公开一实施例中，对所述目标变量进行归一化处理的方法包括：
采用公式
Figure BDA0003650181310000037
对所述目标变量进行最大最小化归一处理。
本公开一实施例中，所述目标输入特征变量集合中的目标输入特征变量为Δt、Cd、ξCOE、ξECI和
Figure BDA0003650181310000038
本公开一实施例中，还包括：采用公式
Figure BDA0003650181310000041
作为模型评估指标，对所述预报精度提升模型进行评估，其中，
Figure BDA0003650181310000042
为i个数据点的真值，
Figure BDA0003650181310000043
为第i个数据点的预测值。
本公开提供的技术方案可以包括以下有益效果：
本公开的实施例中，上述基于机器学习的低轨卫星轨道预报精度提升模型建立方法，基于XGBoost建立了轨道预报精度提升模型，能够对轨道预报误差进行估计，能够快速的估计得到相对于真轨道而言的轨道预报误差且估计精度较高，极好的提高了低轨卫星轨道预报的精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出本发明示例性实施例中基于机器学习的低轨卫星轨道预报精度提升模型建立方法流程图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本发明实施例的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
本示例实施方式中首先提供了一种基于机器学习的低轨卫星轨道预报精度提升模型建立方法。参考图1中所示，该基于机器学习的低轨卫星轨道预报精度提升模型建立方法可以包括：
步骤S101：采用精密数值外推软件生成全动力学模型下的轨道真值数据XTrue，预设动力学模型下的轨道估计数据XEst和轨道预测数据XPre，其中，当前时刻的轨道预测数据XPre为前一时刻的轨道估计数据XEst外推得到的，当前时刻的轨道估计数据XEst是基于前一时刻的轨道估计数据XEst根据实际观测数据改进后得到的；
步骤S102：根据轨道真值数据XTrue和轨道预测数据XPre得到轨道真值误差，根据轨道估计数据XEst和轨道预测数据XPre得到轨道相对预报误差；
步骤S103：基于XGBoost(eXtreme Gradient Boosting极端梯度提升)模型，以轨道真值误差为目标变量确定预设输入特征变量，并对所述预设输入特征变量和所述目标变量进行归一化处理；
步骤S104：将归一化处理后的所述预设输入特征变量和所述目标变量利用XGBoost模型进行分析，以决定系数R2作为判断依据，选取决定系数R2最大的预设输入特征变量组合，作为关键输入特征变量；
步骤S105：使用网格搜索方法，根据归一化处理后的所述关键输入特征变量和所述目标变量对所述XGBoost模型进行超参数寻优，得到最优超参数；
步骤S106：将所述关键输入特征变量、所述目标变量和所述最优超参数输入所述XGBoost模型进行训练，获得预报精度提升模型。
具体的，全动力学模型为考虑到全部动力学因素的模型，预设动力学模型为假设的，预设动力学模型得到的轨道数据相对于全动力学模型得到的轨道数据具有一定的误差。预设输入特征变量集合中包括所有的可能会与轨道真值误差有关的所有输入特征变量。网格搜索：一种调参手段，穷举搜索：在所有候选的参数选择中，通过循环遍历，尝试每一种可能性，表现最好的参数就是最终的结果。示例性的，采用精密数值外推软件可以外推生成4周的仿真数据来进行预报精度提升模型的建立，其中第1-3周数据作为训练集数据，第4周数据作为测试集数据，所有测试集中的轨道预报值基于训练集中的轨道估计值外推得到。其中，全动力学模型和预设动力学模型的参数可以如下表所示：
参数 真轨道模型 假定轨道模型
地球形状 WGS84 WGS84
球谐函数阶数 40*40 20*20
三体摄动 太阳、月亮、太阳系行星、冥王星 太阳、月亮、木星
大气阻力模型 NRLMSISE-00模型 NRLMSISE-00模型
上述基于机器学习的低轨卫星轨道预报精度提升模型建立方法，基于XGBoost建立了轨道预报精度提升模型，能够对轨道预报误差进行估计，能够快速的估计得到相对于真轨道而言的轨道预报误差且估计精度较高，极好的提高了低轨卫星轨道预报的精度。
下面，将参考图1对本示例实施方式中的上述基于机器学习的低轨卫星轨道预报精度提升模型建立方法的各个部分进行更详细的说明。
在一个实施例中，根据轨道真值数据XTrue和轨道预测数据XPre得到轨道真值误差，根据轨道估计数据XEst和轨道预测数据XPre得到轨道相对预报误差的步骤，包括：
根据每个预报时刻的轨道真值数据XTrue(ti)和轨道预测数据XPre(ti)，计算每个预报时刻的轨道真值误差e(ti)＝XTrue(ti)-XPre(ti；tj)；
根据每个预报时刻的轨道估计数据XEst(ti)和轨道预测数据XPre(ti)，计算每个预报时刻的轨道相对预报误差ξ(ti)＝XEst(ti)-XPre(ti；tj)；
其中，ti和tj为相邻预报时刻且ti＞tj，XPre(ti；tj)表示ti时刻的轨道预测数据是根据tj时刻的轨道估计数据外推得到的。
具体的，同一预报时刻得到的轨道真值数据减去轨道预测数据即为轨道预测数据与轨道真值数据之间的轨道真值误差，同一预报时刻得到的轨道估计数据减去轨道预测数据即为轨道估计数据与轨道预测数据之间的轨道相对预报误差。
在一个实施例中，所述预设输入特征变量包括：预报时间间隔Δt＝ti-tj，估计阻力系数Cd，在轨道六要素坐标系下表示的轨道相对预报误差ξCOE，在地心惯性坐标系下表示的轨道相对预报误差ξECI，在轨道六要素坐标系下表示的轨道估计数据
Figure BDA0003650181310000071
在地心惯性坐标系下表示的轨道估计数据
Figure BDA0003650181310000072
在轨道六要素坐标系下表示的轨道预测数据
Figure BDA0003650181310000073
在地心惯性坐标系下表示的轨道预测数据
Figure BDA0003650181310000074
在一个实施例中，所述预报时间间隔Δt≤7天。具体的，最大预报时间间隔不大于7天，适用于大多数低轨卫星的情况。
在一个实施例中，对所述预设输入特征变量进行归一化处理的方法为：
采用公式
Figure BDA0003650181310000075
对所述预设输入特征变量Δt、Cd、ξCOE、ξECI、
Figure BDA0003650181310000076
进行最大最小化归一化处理。
具体的，将预设输入特征变量Δt、Cd、ξCOE、ξECI、
Figure BDA0003650181310000077
Figure BDA0003650181310000078
中每个变量的最大值和最小值分别代入上述公式，分别获得所述各预设输入特征变量的归一化处理值。
在一个实施例中，使用网格搜索方法，根据归一化处理后的所述关键输入特征变量和所述目标变量对所述XGBoost模型进行超参数寻优，得到最优超参数，包括：
对所述XGBoost模型的关键超参数设置取值范围；
根据归一化处理后的所述关键输入特征变量和所述目标变量，采用网格搜索的方法，通过遍历不同的关键超参数对所述XGBoost模型进行训练；
以决定系数R2作为判断依据，选取决定系数R2最大的关键超参数作为最优超参数。
具体的，采用网格搜索(Grid Search)方法，寻找XGBoost模型的关键特征变量，由于目标变量轨道真值误差e有6维，因此需要训练6个模型进行预测，以ex方向为例进行说明，下表为ex方向的最优超参数：
Figure BDA0003650181310000079
Figure BDA0003650181310000081
在一个实施例中，将分析后的所述关键输入特征变量和所述目标变量输入所述XGBoost模型进行训练时，将损失函数选择为均方根误差函数。
在一个实施例中，对所述目标变量进行归一化处理的方法包括：
采用公式
Figure BDA0003650181310000082
对所述目标变量进行最大最小化归一处理。
具体的，将目标变量中的最大值和最小值分别代入上述公式，分别获得所述各预设输入特征变量的归一化处理值。
在一个实施例中，所述目标输入特征变量集合中的目标输入特征变量为Δt、Cd、ξCOE、ξECI、
Figure BDA0003650181310000083
在一个实施例中，还包括：采用公式
Figure BDA0003650181310000084
作为模型评估指标，对所述预报精度提升模型进行评估，其中，
Figure BDA0003650181310000085
为i个数据点的真值，
Figure BDA0003650181310000086
为第i个数据点的预测值。具体的，以公式
Figure BDA0003650181310000087
对预报精度提升模型进行评估时，计算得到的P的值越小，则表明预报精度提升模型精度越高。
上述基于机器学习的低轨卫星轨道预报精度提升模型建立方法，基于XGBoost建立了轨道预报精度提升模型，能够对轨道预报误差进行估计，能够快速的估计得到相对于真轨道而言的轨道预报误差且估计精度较高，极好的提高了低轨卫星轨道预报的精度。
需要理解的是，上述描述中的术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明实施例的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明实施例中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明实施例中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种基于机器学习的低轨卫星轨道预报精度提升模型建立方法，其特征在于，包括：
采用精密数值外推软件生成全动力学模型下的轨道真值数据XTrue，预设动力学模型下的轨道估计数据XEst和轨道预测数据XPre，其中，当前时刻的轨道预测数据XPre为前一时刻的轨道估计数据XEst外推得到的，当前时刻的轨道估计数据XEst是基于前一时刻的轨道估计数据XEst根据实际观测数据改进后得到的；
根据轨道真值数据XTrue和轨道预测数据XPre得到轨道真值误差，根据轨道估计数据XEst和轨道预测数据XPre得到轨道相对预报误差；
基于XGBoost模型，以轨道真值误差为目标变量确定预设输入特征变量，并对所述预设输入特征变量和所述目标变量进行归一化处理；
将归一化处理后的所述预设输入特征变量和所述目标变量利用XGBoost模型进行分析，以决定系数R2作为判断依据，选取决定系数R2最大的预设输入特征变量组合，作为关键输入特征变量；
使用网格搜索方法，根据归一化处理后的所述关键输入特征变量和所述目标变量对所述XGBoost模型进行超参数寻优，得到最优超参数；
将所述关键输入特征变量、所述目标变量和所述最优超参数输入所述XGBoost模型进行训练，获得预报精度提升模型。
2.根据权利要求1所述基于机器学习的低轨卫星轨道预报精度提升模型建立方法，其特征在于，根据轨道真值数据XTrue和轨道预测数据XPre得到轨道真值误差，根据轨道估计数据XEst和轨道预测数据XPre得到轨道相对预报误差的步骤，包括：
根据每个预报时刻的轨道真值数据XTrue(ti)和轨道预测数据XPre(ti)，计算每个预报时刻的轨道真值误差e(ti)＝XTrue(ti)-XPre(ti；tj)；
根据每个预报时刻的轨道估计数据XEst(ti)和轨道预测数据XPre(ti；tj)，计算每个预报时刻的轨道相对预报误差ξ(ti)＝XEst(ti)-XPre(ti；tj)；
其中，ti和tj为相邻预报时刻且ti＞tj，XPre(ti；tj)表示ti时刻的轨道预测数据是根据tj时刻的轨道估计数据外推得到的。
3.根据权利要求2所述基于机器学习的低轨卫星轨道预报精度提升模型建立方法，其特征在于，所述预设输入特征变量包括：预报时间间隔Δt＝ti-tj，估计阻力系数Cd，在轨道六要素坐标系下表示的轨道相对预报误差ξCOE，在地心惯性坐标系下表示的轨道相对预报误差ξECI，在轨道六要素坐标系下表示的轨道估计数据
Figure FDA0003650181300000021
在地心惯性坐标系下表示的轨道估计数据
Figure FDA0003650181300000022
在轨道六要素坐标系下表示的轨道预测数据
Figure FDA0003650181300000023
在地心惯性坐标系下表示的轨道预测数据
Figure FDA0003650181300000024
4.根据权利要求3所述基于机器学习的低轨卫星轨道预报精度提升模型建立方法，其特征在于，所述预报时间间隔Δt≤7天。
5.根据权利要求4所述基于机器学习的低轨卫星轨道预报精度提升模型建立方法，其特征在于，对所述预设输入特征变量进行归一化处理的方法为：
采用公式
Figure FDA0003650181300000025
对所述预设输入特征变量Δt、Cd、ξCOE、ξECI、
Figure FDA0003650181300000026
进行最大最小化归一化处理。
6.根据权利要求5所述基于机器学习的低轨卫星轨道预报精度提升模型建立方法，其特征在于，使用网格搜索方法，根据归一化处理后的所述关键输入特征变量和所述目标变量对所述XGBoost模型进行超参数寻优，得到最优超参数，包括：
对所述XGBoost模型的关键超参数设置取值范围；
根据归一化处理后的所述关键输入特征变量和所述目标变量，采用网格搜索的方法，通过遍历不同的关键超参数对所述XGBoost模型进行训练；
通过遍历不同的关键超参数对所述XGBoost模型进行训练；
以决定系数R2作为判断依据，选取决定系数R2最大的关键超参数作为最优超参数。
7.根据权利要求6所述基于机器学习的低轨卫星轨道预报精度提升模型建立方法，其特征在于，将分析后的所述关键输入特征变量和所述目标变量输入所述XGBoost模型进行训练时，将损失函数选择为均方根误差函数。
8.根据权利要求6所述基于机器学习的低轨卫星轨道预报精度提升模型建立方法，其特征在于，对所述目标变量进行归一化处理的方法包括：
采用公式
Figure FDA0003650181300000031
对所述目标变量进行最大最小化归一处理。
9.根据权利要求7所述基于机器学习的低轨卫星轨道预报精度提升模型建立方法，其特征在于，所述目标输入特征变量集合中的目标输入特征变量为Δt、Cd、ξCOE、ξECI和
Figure FDA0003650181300000032
10.根据权利要求1～8任一项所述基于机器学习的低轨卫星轨道预报精度提升模型建立方法，其特征在于，还包括：采用公式
Figure FDA0003650181300000033
作为模型评估指标，对所述预报精度提升模型进行评估，其中，
Figure FDA0003650181300000034
为i个数据点的真值，
Figure FDA0003650181300000035
为第i个数据点的预测值。
CN202210551541.8A 2022-05-18 2022-05-18 基于机器学习的低轨卫星轨道预报精度提升模型建立方法 Active CN114970341B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210551541.8A CN114970341B (zh) 2022-05-18 2022-05-18 基于机器学习的低轨卫星轨道预报精度提升模型建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210551541.8A CN114970341B (zh) 2022-05-18 2022-05-18 基于机器学习的低轨卫星轨道预报精度提升模型建立方法

Publications (2)

Publication Number Publication Date
CN114970341A true CN114970341A (zh) 2022-08-30
CN114970341B CN114970341B (zh) 2024-04-02

Family

ID=82984663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210551541.8A Active CN114970341B (zh) 2022-05-18 2022-05-18 基于机器学习的低轨卫星轨道预报精度提升模型建立方法

Country Status (1)

Country Link
CN (1) CN114970341B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117367436A (zh) * 2023-12-08 2024-01-09 中国西安卫星测控中心 一种星间相对测量线性时变误差的实时估计方法
CN117411683A (zh) * 2023-10-17 2024-01-16 中国人民解放军国防科技大学 基于分布式联邦学习的识别低轨卫星网络攻击方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8228230B1 (en) * 2010-04-07 2012-07-24 Stmicroelectronics S.R.L. Satellite orbit prediction method, receiving apparatus and navigation satellite system employing the method
CN111382514A (zh) * 2020-03-12 2020-07-07 上海航天控制技术研究所 一种基于监督学习的火星探测飞行轨道精确计算方法及系统
CN111428912A (zh) * 2020-03-02 2020-07-17 上海航天控制技术研究所 一种基于支持向量机的火星探测器轨道预测方法及系统
KR102226687B1 (ko) * 2019-11-20 2021-03-11 (주)위세아이텍 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법
CN113255225A (zh) * 2021-05-28 2021-08-13 北京理工大学 少样本元提升学习的列车运动状态估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8228230B1 (en) * 2010-04-07 2012-07-24 Stmicroelectronics S.R.L. Satellite orbit prediction method, receiving apparatus and navigation satellite system employing the method
KR102226687B1 (ko) * 2019-11-20 2021-03-11 (주)위세아이텍 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법
CN111428912A (zh) * 2020-03-02 2020-07-17 上海航天控制技术研究所 一种基于支持向量机的火星探测器轨道预测方法及系统
CN111382514A (zh) * 2020-03-12 2020-07-07 上海航天控制技术研究所 一种基于监督学习的火星探测飞行轨道精确计算方法及系统
CN113255225A (zh) * 2021-05-28 2021-08-13 北京理工大学 少样本元提升学习的列车运动状态估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张杉基;: "基于XGBoost的城市轨道交通短时客流预测", 青海交通科技, no. 01, 15 February 2020 (2020-02-15) *
朱俊鹏;赵洪利;杜鑫;蒋勇;: "长短时记忆神经网络在卫星轨道预报中的研究", 兵器装备工程学报, no. 10, 25 October 2017 (2017-10-25) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117411683A (zh) * 2023-10-17 2024-01-16 中国人民解放军国防科技大学 基于分布式联邦学习的识别低轨卫星网络攻击方法及装置
CN117367436A (zh) * 2023-12-08 2024-01-09 中国西安卫星测控中心 一种星间相对测量线性时变误差的实时估计方法
CN117367436B (zh) * 2023-12-08 2024-02-23 中国西安卫星测控中心 一种星间相对测量线性时变误差的实时估计方法

Also Published As

Publication number Publication date
CN114970341B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
CN109858647B (zh) 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法
CN114970341A (zh) 基于机器学习的低轨卫星轨道预报精度提升模型建立方法
CN110824915B (zh) 基于ga-dbn网络的废水处理智能监控方法及系统
CN111680870B (zh) 目标运动轨迹质量综合评估方法
CN116432543B (zh) 功率半导体模块剩余寿命预测方法、终端设备及存储介质
CN110795780A (zh) 一种基于XGBoost算法的斜拉桥有限元修正方法
Abudu et al. Modeling of daily pan evaporation using partial least squares regression
CN114398049A (zh) 一种离散制造车间数字孪生模型自适应动态更新方法
CN114881323A (zh) 基于深度神经网络的基坑降水区地下水位预测与更新方法
CN108961460B (zh) 基于稀疏esgp与多目标优化的故障预测方法及装置
CN104008433A (zh) 基于贝叶斯动态模型的中长期电力负荷预测方法
CN114692507A (zh) 基于堆叠泊松自编码器网络的计数数据软测量建模方法
CN109540089B (zh) 一种基于贝叶斯-克里金模型的桥面高程拟合方法
CN114528764A (zh) 基于整体优化的即时学习的软测量建模方法及装置
CN114117919A (zh) 基于样本协同表示的即时学习的软测量建模方法
CN115618743B (zh) 一种瞄准镜系统的状态评估方法及状态评估系统
CN112163632A (zh) 基于蝙蝠算法的半监督极限学习机在工业检测中的应用
CN113642785B (zh) 基于先验信息的空间碎片轨道长期预报方法、系统及设备
CN115359197A (zh) 一种基于空间自相关神经网络的地质曲面重构方法
CN113783186B (zh) 一种考虑配电网拓扑结构变化的电压预测方法
CN115577856A (zh) 一种变电工程造价预测与结余控制方法及系统
Packianather et al. Modelling neural network performance through response surface methodology for classifying wood veneer defects
CN114861555A (zh) 一种基于Copula理论的区域综合能源系统短期负荷预测方法
CN115017799A (zh) 基于em-dbn融合的无量测区太阳辐射估计方法
CN107977742B (zh) 一种中长期电力负荷预测模型的构建方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant