CN116451848A - 一种基于时空注意力机制的卫星遥测数据预测方法及装置 - Google Patents
一种基于时空注意力机制的卫星遥测数据预测方法及装置 Download PDFInfo
- Publication number
- CN116451848A CN116451848A CN202310322136.3A CN202310322136A CN116451848A CN 116451848 A CN116451848 A CN 116451848A CN 202310322136 A CN202310322136 A CN 202310322136A CN 116451848 A CN116451848 A CN 116451848A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- satellite
- time sequence
- telemetry
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000007246 mechanism Effects 0.000 title claims abstract description 60
- 238000012360 testing method Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000013136 deep learning model Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000002123 temporal effect Effects 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 9
- 238000005065 mining Methods 0.000 description 5
- 241001123248 Arma Species 0.000 description 4
- 238000004880 explosion Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时空注意力机制的卫星遥测数据预测方法及装置，涉及卫星工程技术领域。所述方法是在获取目标卫星在历史多个时间戳的卫星遥测数据后，先根据这些历史大数据得到多个包含有连续多行时间序列数据以及在时序上位于其后的另一连续多行时间序列数据的样本数据，然后将多个样本数据划分成训练集和测试集，并应用于对基于时空注意力机制和LSTM网络的深度学习模型的训练和测试，得到测试通过的未来数据预测模型，最后将目标卫星在最近连续多个时间戳的卫星遥测数据整理成待测输入数据，输入该未来数据预测模型，可得到目标卫星在未来连续多个时间戳的卫星遥测数据，如此可通过捕捉时间依赖性和多参数关联性的特征，提高预测精度。
Description
技术领域
本发明属于卫星工程技术领域，具体涉及一种基于时空注意力机制的卫星遥测数据预测方法及装置。
背景技术
遥测数据(Telemetry Data)作为地面人员了解卫星在轨运行状态的主要依据,包含有许多反映设备的功能以及性能的变化的客观规律和知识，可以预测卫星平台和负载的运行趋势。然而，卫星遥测数据作为一种重要时序数据，本身具有维度高、参数间关系复杂和数据量大等特点，使得研究人员在分析卫星遥测数据内在规律时存在着众多的挑战，主要体现在：(1)数据特征难以表示，即一颗卫星中有成千上万的卫星遥测数据变量，遥测数据中存在异常值，并且遥测数据存在采集时间间隔不均匀等问题；(2)数据难以解耦，即卫星系统高度复杂，众多子系统之间关联关系紧密，使得特征提取的参数序列不准确。因此对卫星遥测数据的数据变化规律分析成为了研究的难点。
时间序列预测(Time Series Prediction)作为数据挖掘和人工智能的重要分支之一，已广泛应用于各个领域。时间序列数据是指按照时间顺序排列的，随时间变化的且相互关联的，并具有趋势性、周期性以及非平稳性等特点的数据序列，由此可以通过研究历史数据的变化趋势，来评估和预测未来的数据。工业界需要通过传感器产生的时间序列数据来判断复杂系统的协作状态；交通行业需要根据交通流量的时间序列数据调整交通控制措施；股市需要根据历史股价信息等时间序列数据来预测股价走势，如此若将时间序列预测方法与卫星工程相结合来对遥测数据进行分析预测并得到卫星的运行趋势，将会有助于卫星在轨任务的平稳运行和异常预警。文献研究表明，目前时间预测方法可以分为诸如自回归移动平均(Autoregressive Moving Average，ARMA)模型等的数理统计方法、诸如逻辑回归等的机器学习模型和支持向量机(Support Vector Machine,SVM)等。然而，卫星遥测数据具有数据量庞大和数据耦合性强的特点，以往经典的方法无法做到精准预测。
近些年来，随着大数据和人工智能的飞速发展，神经网络模型逐步应用在趋势预测中，像深度神经网络(Deep Neural Networks,简称DNN)、循环神经网络(RecurrentNeural Network,RNN)和长短期记忆网络(Long Short-Term Memory，LSTM)等，其中，DNN是通过逐层特征映射，将现有空间样本的特征映射到另一个特征空间，以此来学习对现有输入具有更好的特征表达；RNN作为基本的时序网络，融合了深度网络的信息整合能力，在自然语言处理(Natural Language Processing，NLP)和时间序列分析中得到了很好的突破，但是随着输入/输出序列长度的增加，其处理能力逐渐降低，并且在训练过程中产生梯度消失和爆炸；为了解决RNN网络的局限性，提出了LSTM网络，该网络的隐藏层被门控循环单元(Gate Recurrent Unit,GRU)替换，并且过滤和提取特征信息，提高预测精度。
目前，时间序列预测方法众多，包括了经典的数理统计方法和机器学习算法，但是不同方法的适用范围不同并存在着不同的技术缺陷。
传统的时间序列预测建模方法主要有ARMA模型和ARIMA(AutoregressiveIntegrated Moving Average，差分整合移动平均自回归，又称整合移动平均自回归)模型，其中，ARMA模型只适用于平稳数据；而ARIMA模型能处理非平稳数据，即先需要对数据进行差分，待得到差分结果后再进行训练建模操作，此模型简单，在一定程度上针对线性模型有较好的预测特性，但是对于非线性模型不适用，无法拟合出数据间的非线性关系，使得在数据间存在非线性相关特性时无法达到预期的预测效果。另外，ARMA模型和ARIMA模型只支持单变量预测，处理不了多变量预测的情况。
机器学习模型也可应用于时间序列预测，这类方法通常将时序问题转化为监督学习，人工选择特征并设定样本值和标签值，选择合适的算法(例如支持向量机或XGBOOST集成学习等)进行建模预测，该方法能解决大多数复杂的时序预测问题。但此方法也存在一定的局限性，即面对大数据量下的时序数据，需要在特征工程处理上花费大量的时间，整个过程较为复杂和繁琐。
与传统的时间序列方法相比，经典LSTM提高了预测性能，解决了RNN模型训练过程中梯度消失和爆炸的问题。然而，它面临着一定的挑战：目前现有的方法已经很好地处理了一步预测，但是多步预测的过程能力却非常弱。在实际的告警应用中，设备监控和异常预警都需要提前预测各部件的状态，因此该研究方法对于多步时间序列预测具有重要意义。由于高维序列数据中存在不确定的群相关性，这种相关性也会影响未来值，然而现有的单个RNN模型和LSTM模型均挖掘能力弱，没法挖掘这种隐藏变量相关性来提高预测准确性。
如今，随着人工智能技术的快速发展，LSTM网络的提出相比较以往的时间序列预测方法有了很大的突破，能捕捉中长期数据的时间依赖，提高预测精度。对于卫星遥测数据而言，影响预测趋势的结果不单单是是挖掘出历史数据的时序依赖关系，而参数变量间的非线性耦合关系也可能影响后续数据的走势。然而RNN和LSTM等深度学习模型仅可用于时间序列预测和捕获数据的时间相关性，即无论是RNN还是LSTM，预测模型的本质是基于隐马尔可夫假设的，一般认为，当前时间数据与历史时间有关，也就是说：时间序列在时间维度上具有明确而强烈的依赖性。典型的RNN模型容易产生过程短期依赖性，同时也能够产生消失的辐射或爆炸梯度。LSTM模型可以更好地克服这个涉及辐射或爆炸梯度的问题，它引入了GRU单元，其目的是有选择地选择和过滤一些历史信息，并学习关键特征以获得更好的预测性能。例如，Yao等人提出了使用CNN和RNN模型进行ime系列预测；Liu等利用LSTM模型挖掘低频风速的时间隐藏特征进行预测；Che等人改进了GRU模型，将其组合成一个深度模型结构，提取时间序列中的时间相关性并获得更好的预测结果。然而，标准网络预测有一些局限性：当序列长度变长时，模型无法处理时间依赖性。同时，标准方法拟合输入输出的等距序列，换句话说，模型无法自适应处理变长序列，当步长向量逐渐增大时，其预测精度较低。
目前的时间序列预测方法旨在挖掘多变量序列的时间关系，并针对基线方法的不断创新，实现最优预测精度。然而，它很少关注每个参数变量的空间c或相关性，导致无法反映数据本身很明显参数之间所存在的不同相关性，而这种参数相关性的联合作用会影响数据的预测性能，使得无法对具有大量卫星遥测数据变量的卫星未来遥测数据进行精准预测。
基于上述观点，如何在模型训练中捕捉变量关系，以提高在原点基础上对卫星未来遥测数据的预测精度，是本领域技术人员亟需研究的课题。
发明内容
本发明的目的是提供一种基于时空注意力机制的卫星遥测数据预测方法、装置、计算机设备及计算机可读存储介质，用以解决现有时间序列预测方法无法对具有大量卫星遥测数据变量的卫星未来遥测数据进行精准预测的问题。
为了实现上述目的，本发明采用以下技术方案：
第一方面，提供了一种基于时空注意力机制的卫星遥测数据预测方法，包括：
获取目标卫星在历史多个时间戳的卫星遥测数据；
将所述目标卫星在历史多个时间戳的卫星遥测数据整理成多行时间序列数据，其中，所述多行时间序列数据与所述历史多个时间戳一一对应，所述多行时间序列数据中的各行时间序列数据包含有依次排序的且多个遥测参量在对应历史时间戳的原始值；
根据所述多行时间序列数据，按照如下方式获取多个样本数据：将在时序上的连续M行时间序列数据作为模型输入数据，以及将在所述时序上位于所述连续M行时间序列数据之后的连续N行时间序列数据作为模型输出数据，得到一个包含有所述模型输入数据和所述模型输出数据的样本数据，其中，M表示大于2的预设正整数，N表示大于等于1的预设正整数；
将所述多个样本数据划分成训练集和测试集；
应用所述训练集和所述测试集对基于时空注意力机制和长短期记忆LSTM网络的深度学习模型依次进行训练和测试，得到测试通过的未来数据预测模型，其中，所述时空注意力机制用于捕捉卫星遥测数据的时序依赖特征和所述多个遥测参量之间的关联关系特征；
将所述目标卫星在最近连续M个时间戳的卫星遥测数据整理成连续M行时间序列数据形式的待测输入数据；
将所述待测输入数据输入所述未来数据预测模型，输出得到所述目标卫星在未来连续N个时间戳的卫星遥测数据。
基于上述发明内容，提供了一种基于历史大数据的卫星未来遥测数据预测模型训练及应用方案，即在获取目标卫星在历史多个时间戳的卫星遥测数据后，先根据这些历史大数据得到多个包含有连续多行时间序列数据以及在时序上位于其后的另一连续多行时间序列数据的样本数据，然后将多个样本数据划分成训练集和测试集，并应用于对基于时空注意力机制和LSTM网络的深度学习模型的训练和测试，得到测试通过的未来数据预测模型，最后将所述目标卫星在最近连续多个时间戳的卫星遥测数据整理成待测输入数据，输入所述未来数据预测模型，可得到所述目标卫星在未来连续多个时间戳的卫星遥测数据，如此通过结合时空注意力机制和LSTM网络，不但可以核心地解决可变序列长度的时间依赖性问题，还可以实现共同挖掘变量之间的相关性以提高多元时间序列数据的预测性能的目的，进而可以通过捕捉时间依赖性和多参数关联性的特征，更好地学习出历史数据的规律性并且提前预知数据的走势，提高预测精度，便于实际应用和推广。
在一个可能的设计中，在根据所述多行时间序列数据获取多个样本数据之前，所述方法还包括：
采用特征归一化方式将所述多行时间序列数据中的所述多个遥测参量的原始值处理为在区间(-1,1)内取值的归一化数值。
在一个可能的设计中，采用特征归一化方式将所述多行时间序列数据中的所述多个遥测参量的原始值处理为在区间(-1,1)内取值的归一化数值，包括：
针对所述多行时间序列数据中各个原始值，按照如下公式计算得到对应的归一化数值：
式中，xscaled_ij表示与所述多行时间序列数据中第i行且第j列原始值对应的归一化数值，xij表示所述多行时间序列数据中第i行且第j列的原始值，xmax_j表示所述多行时间序列数据中第j列的最大原始值，xmin_j表示所述多行时间序列数据中第j列的最小原始值，max取值为1，min取值为-1。
在一个可能的设计中，所述时空注意力机制包括有自注意力机制和空间注意力机制；
所述自注意力机制用于按照如下方式捕捉卫星遥测数据的时序依赖特征：
式中，outputtemporal表示维度为Batchsize×Inputdim×dimw的时间注意力分数，Attentionscore表示分数矩阵，i和j分别表示正整数，si表示在矩阵S中的第i个元素，sj表示在所述矩阵S中的第j个元素，n表示在所述矩阵S中的元素总数，e表示自然对数的底数，Xinput表示维度为Batchsize×Seqlen×Inputdim的输入数据，Wq表示在向量想要查询的关联性角度上的权重参数矩阵，Wk表示在向量自身特征角度上的权重参数矩阵，Wv表示在向量的利用价值角度上的权重参数矩阵，Batchsize表示在所述输入数据中所述模型输入数据的总数，Seqlen＝M，Inputdim表示所述多个遥测参量的参量总数，dimw表示预先设定的注意力输出维度，T表示矩阵转置符号；
所述空间注意力机制用于按照如下方式捕捉所述多个遥测参量之间的关联关系特征：
式中，outputspatial表示维度为Batchsize×Inputdim×dimw的空间注意力分数，Wi表示第一权重参数矩阵，Wj表示第二权重参数矩阵，K′表示所述多个遥测参量的总数，rij表示所述多个遥测参量中第i个遥测参量与第j个遥测参量之间的相关系数，w表示维度为K′×K′的相关系数矩阵，表示xi的平均值，/>表示xj的平均值；
所述时空注意力机制用于按照如下公式得到最终的注意力分数outputspatial,temporal：
outputspatial,temporal＝ηtemporal*outputtemporal+ηspatial*outputspatial
式中，ηtemporal表示在时间注意力角度上的预设权重系数，ηspatial表示在空间注意力角度上的预设权重系数，并有ηtemporal+ηspatial＝1。
在一个可能的设计中，ηtemporal和ηspatial分别取值为0.5。
在一个可能的设计中，将所述多个样本数据划分成训练集和测试集，包括：
按照8：2的划分比例，将所述多个样本数据划分成训练集和测试集。
在一个可能的设计中，在所述深度学习模型的训练和测试过程中，损失函数采用平均绝对误差函数或均方根误差函数。
第二方面，提供了一种基于时空注意力机制的卫星遥测数据预测装置，包括有历史数据获取模块、时序数据整理模块、样本数据获取模块、样本集划分模块、模型训练测试模块、待测数据获取模块和未来数据预测模块；
所述历史数据获取模块，用于获取目标卫星在历史多个时间戳的卫星遥测数据；
所述时序数据整理模块，通信连接所述历史数据获取模块，用于将所述目标卫星在历史多个时间戳的卫星遥测数据整理成多行时间序列数据，其中，所述多行时间序列数据与所述历史多个时间戳一一对应，所述多行时间序列数据中的各行时间序列数据包含有依次排序的且多个遥测参量在对应历史时间戳的原始值；
所述样本数据获取模块，通信连接所述时序数据整理模块，用于根据所述多行时间序列数据，按照如下方式获取多个样本数据：将在时序上的连续M行时间序列数据作为模型输入数据，以及将在所述时序上位于所述连续M行时间序列数据之后的连续N行时间序列数据作为模型输出数据，得到一个包含有所述模型输入数据和所述模型输出数据的样本数据，其中，M表示大于2的预设正整数，N表示大于等于1的预设正整数；
所述样本集划分模块，通信连接所述样本数据获取模块，用于将所述多个样本数据划分成训练集和测试集；
所述模型训练测试模块，通信连接所述样本集划分模块，用于应用所述训练集和所述测试集对基于时空注意力机制和长短期记忆LSTM网络的深度学习模型依次进行训练和测试，得到测试通过的未来数据预测模型，其中，所述时空注意力机制用于捕捉卫星遥测数据的时序依赖特征和所述多个遥测参量之间的关联关系特征；
所述待测数据获取模块，用于将所述目标卫星在最近连续M个时间戳的卫星遥测数据整理成连续M行时间序列数据形式的待测输入数据；
所述未来数据预测模块，分别通信连接所述模型训练测试模块和所述待测数据获取模块，用于将所述待测输入数据输入所述未来数据预测模型，输出得到所述目标卫星在未来连续N个时间戳的卫星遥测数据。
第三方面，本发明提供了一种计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意可能设计所述的卫星遥测数据预测方法。
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意可能设计所述的卫星遥测数据预测方法。
第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意可能设计所述的卫星遥测数据预测方法。
上述方案的有益效果：
(1)本发明创造性提供了一种基于历史大数据的卫星未来遥测数据预测模型训练及应用方案，即在获取目标卫星在历史多个时间戳的卫星遥测数据后，先根据这些历史大数据得到多个包含有连续多行时间序列数据以及在时序上位于其后的另一连续多行时间序列数据的样本数据，然后将多个样本数据划分成训练集和测试集，并应用于对基于时空注意力机制和LSTM网络的深度学习模型的训练和测试，得到测试通过的未来数据预测模型，最后将所述目标卫星在最近连续多个时间戳的卫星遥测数据整理成待测输入数据，输入所述未来数据预测模型，可得到所述目标卫星在未来连续多个时间戳的卫星遥测数据，如此通过结合时空注意力机制和LSTM网络，不但可以核心地解决可变序列长度的时间依赖性问题，还可以实现共同挖掘变量之间的相关性以提高多元时间序列数据的预测性能的目的，进而可以通过捕捉时间依赖性和多参数关联性的特征，更好地学习出历史数据的规律性并且提前预知数据的走势，提高预测精度，便于实际应用和推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本申请实施例提供的基于时空注意力机制的卫星遥测数据预测方法的流程示意图。
图2为本申请实施例提供的基于时空注意力机制的卫星遥测数据预测装置的结构示意图。
图3为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍，显而易见地，下面关于附图结构的描述仅仅是本发明的一些实施例，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。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。
应当理解，尽管本文可能使用术语第一和第二等等来描述各种对象，但是这些对象不应当受到这些术语的限制。这些术语仅用于区分一个对象和另一个对象。例如可以将第一对象称作第二对象,并且类似地可以将第二对象称作第一对象，同时不脱离本发明的示例实施例的范围。
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A、单独存在B或者同时存在A和B等三种情况；又例如，A、B和/或C，可以表示存在A、B和C中的任意一种或他们的任意组合；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A或者同时存在A和B等两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
实施例：
如图1所示，本实施例第一方面提供的且基于时空注意力机制的卫星遥测数据预测方法，可以但不限于由具有一定计算资源的计算机设备执行，例如由平台服务器、个人计算机(Personal Computer，PC，指一种大小、价格和性能适用于个人使用的多用途计算机；台式机、笔记本电脑到小型笔记本电脑和平板电脑以及超级本等都属于个人计算机)、智能手机、个人数字助理(Personal Digital Assistant，PDA)或可穿戴设备等电子设备执行。如图1所示，所述卫星遥测数据预测方法，可以但不限于包括有如下步骤S1～S7。
S1.获取目标卫星在历史多个时间戳的卫星遥测数据。
在所述步骤S1中，所述目标卫星即为进行未来遥测数据预测的目标对象，可以但不限于为气象卫星或广播卫星等。所述卫星遥测数据为现有卫星工程术语，可以通过现有常规手段获取得到。
S2.将所述目标卫星在历史多个时间戳的卫星遥测数据整理成多行时间序列数据，其中，所述多行时间序列数据与所述历史多个时间戳一一对应，所述多行时间序列数据中的各行时间序列数据包含有依次排序的且多个遥测参量在对应历史时间戳的原始值。
在所述步骤S2中，所述多行时间序列数据中的一行时间序列数据即表示一帧的时序数据,所述多个遥测参量的具体内容为现有卫星工程的公知常识。所述多行时间序列数据中的某行时间序列数据可以但不限于整理成如下格式：(time,x1,x2,…,xk,…,xK)，其中，time表示与所述某行时间序列数据对应的历史时间戳，k表示正整数，K表示所述多个遥测参量的总数，xk表示所述多个遥测参量中第k个遥测参量在与所述某行时间序列数据对应的历史时间戳的原始值。
S3.根据所述多行时间序列数据，按照如下方式获取多个样本数据：将在时序上的连续M行时间序列数据作为模型输入数据，以及将在所述时序上位于所述连续M行时间序列数据之后的连续N行时间序列数据作为模型输出数据，得到一个包含有所述模型输入数据和所述模型输出数据的样本数据，其中，M表示大于2的预设正整数，N表示大于等于1的预设正整数。
在所述步骤S3中，M即表示给定窗口大小，所述连续M行时间序列数据即为给定历史遥测数据，所述连续N行时间序列数据即为与所述连续M行时间序列数据对应的且需要预测后续数据的数据标签，进而可以得到多个所述样本数据。另外，由于所述多个遥测参量中有些遥测参量是无单位的，而又有些遥测参量是有不同量纲单位的，为了后续能够统一输入模型中，因此对他们的原始值进行无量纲化及归一化的处理是十分必要的,即优选的,在根据所述多行时间序列数据获取多个样本数据之前，所述方法还包括但不限于有：采用特征归一化方式将所述多行时间序列数据中的所述多个遥测参量的原始值处理为在区间(-1,1)内取值的归一化数值。前述特征归一化方式可以采用最常用的特征归一化方法MinMaxScaler和StandardScaler，即具体的，采用特征归一化方式将所述多行时间序列数据中的所述多个遥测参量的原始值处理为在区间(-1,1)内取值的归一化数值，包括但不限于有：针对所述多行时间序列数据中各个原始值，按照如下公式计算得到对应的归一化数值：
式中，xscaled_ij表示与所述多行时间序列数据中第i行且第j列原始值对应的归一化数值，xij表示所述多行时间序列数据中第i行且第j列的原始值，xmax_j表示所述多行时间序列数据中第j列的最大原始值，xmin_j表示所述多行时间序列数据中第j列的最小原始值，max取值为1，min取值为-1。
S4.将所述多个样本数据划分成训练集和测试集。
在所述步骤S4中，所述训练集(Training Set)用于训练深度学习模型，即通过训练集的数据确定拟合曲线的参数；所述测试集(Test Set)是用于测试已经训练好的模型的精确度。因为在训练模型的时候，参数全是根据现有训练集里的数据进行修正及拟合，有可能会出现过拟合的情况，即这个参数仅对训练集里的数据拟合比较准确，如果出现一个新数据需要利用模型预测结果，准确率可能就会很差。所以测试集的作用是为了对学习器的泛化误差进行评估，即进行实验测试以判别学习器对新样本的判别能力，同时以测试集的测试误差作为泛化误差的近似。考虑在分配训练集和测试集的时候，如果测试集的数据越小，对模型的泛化误差的估计将会越不准确，因此需要在划分数据集的时候进行权衡，优选的，可按照8：2的划分比例，将所述多个样本数据划分成训练集和测试集。
S5.应用所述训练集和所述测试集对基于时空注意力机制和长短期记忆LSTM网络的深度学习模型依次进行训练和测试，得到测试通过的未来数据预测模型，其中，所述时空注意力机制用于捕捉卫星遥测数据的时序依赖特征和所述多个遥测参量之间的关联关系特征。
在所述步骤S5中，所述LSTM网络用于训练和计算在所述训练集和所述测试集上的误差，所述时空注意力机制“Spatial-Temporal-Attention”是基于经典的自注意力机制“Self-Attention”的创新。经典的所述自注意力机制“Self-Attention”应用于时序预测的优势在于它不仅解决了可变长输入输出序列的适用性问题，同时在保留LSTM网络预测能力的基础上，学习和关联全局的时序关系。所述自注意力机制“Self-Attention”的过程是将输入序列映射到新的向量矩阵集合(Q,K,V)中,并且计算出每个向量的时间注意力分数。虽然所述自注意力机制“Self-Attention”作为时间序列预测的方法能捕捉序列的全局时间依赖，并且结合LSTM网络和所述自注意力机制“Self-Attention”进行时间序列预测的方法在众多复杂的工业数据的时间序列预测场景中，可以解决中长期时间序列的局部时间依赖问题，但是就卫星整体结构而言，由于是在不同的任务模式下各部件存在着不同的相关关系共同作用维持着卫星在轨任务的平稳运行，使得在这种多任务模式下拟用经典的相关性分析算法分析其不确定的关联关系存在着很大的局限性：(1)需要足够的先验知识，无法做到全面分析卫星各部件的关系；(2)需要耗费研究人员大量的人力和物力成本。因此针对高维遥测数据而言，挖据数据间的隐藏相关性同样重要，即需要引入了空间注意力机制“Spatial-Attention”挖掘多变量时间序列数据的隐藏相关性。具体地，所述时空注意力机制包括有自注意力机制和空间注意力机制。
所述自注意力机制用于按照如下方式捕捉卫星遥测数据的时序依赖特征：
式中，outputtemporal表示维度为Batchsize×Inputdim×dimw的时间注意力分数，Attentionscore表示分数矩阵，i和j分别表示正整数，si表示在矩阵S中的第i个元素，sj表示在所述矩阵S中的第j个元素，n表示在所述矩阵S中的元素总数，e表示自然对数的底数，Xinput表示维度为Batchsize×Seqlen×Inputdim的输入数据，Wq表示在向量想要查询的关联性角度上的权重参数矩阵，Wk表示在向量自身特征角度上的权重参数矩阵，Wv表示在向量的利用价值角度上的权重参数矩阵，Batchsize表示在所述输入数据中所述模型输入数据的总数，Seqlen＝M，Inputdim表示所述多个遥测参量的参量总数，dimw表示预先设定的注意力输出维度，T表示矩阵转置符号。前述公式的推导过程及公式符号含义可以参照现有自注意力机制的原理常规推导得到，以及前述的时间注意力分数可以通过常规训练方式训练得到。
所述空间注意力机制用于按照如下方式捕捉所述多个遥测参量之间的关联关系特征：
式中，outputspatial表示维度为Batchsize×Inputdim×dimw的空间注意力分数，Wi表示第一权重参数矩阵，Wj表示第二权重参数矩阵，K′表示所述多个遥测参量的总数，rij表示所述多个遥测参量中第i个遥测参量与第j个遥测参量之间的相关系数，w表示维度为K′×K′的相关系数矩阵，表示xi的平均值，/>表示xj的平均值。
所述时空注意力机制用于按照如下公式得到最终的注意力分数outputspatial,temporal：
outputspatial,temporal＝ηtemporal*outputtemporal+ηspatial*outputspatial
式中，ηtemporal表示在时间注意力角度上的预设权重系数，ηspatial表示在空间注意力角度上的预设权重系数，并有ηtemporal+ηspatial＝1。
由此基于前述的时空注意力机制“Spatial-Temporal-Attention”，不但可以核心地解决可变序列长度的时间依赖性问题，还可以实现共同挖掘变量之间的相关性以提高多元时间序列数据的预测性能的目的，进而可以通过捕捉时间依赖性和多参数关联性的特征，更好地学习出历史数据的规律性并且提前预知数据的走势，提高预测精度。此外，通过大量验证时间和相关性分量的权重分配实验，发现与基线模型相比，在相同比例下的性能会更好，即优选的，ηtemporal和ηspatial分别取值为0.5，也即outputspatial,temporal＝Mean(outputtemporal,outputspatial)，其中，Mean()表示求平均值函数。
所述长短期记忆网络(Long Short Term Memory Networks,LSTM)是众多循环神经网络(Recurrent Neural Networks,RNN)当中的一个变体，它弥补了人工神经网络(Artificial Neural Network,ANN)所存在的梯度消失、梯度爆炸和长期记忆能力不足等问题，使得循环神经网络能够真正有效地利用长时间的时序信息(即LSTM网络有着更复杂的记忆单元，能够对长时间跨度的时间序列保持良好的记忆，因此基于LSTM网络的深度学习模型在时间序列的预测问题上有着突出的表现，是近年来机器学习领域的研究热点)，进而在本实施例中是结合时空注意力机制和长短期记忆LSTM网络来搭建待训练验证的深度学习模型。考虑通常MAE(Mean Absolute Error，平均绝对误差，指的是模型的预测值与真实值误差的平均值)和RMSE(Root Mean Square Error，均方根误差，指的是模型预测值与真实值之间的样本标准差)越小，模型泛化能力越好，因此在所述深度学习模型的训练和测试过程中，损失函数优选采用平均绝对误差函数或均方根误差函数。
S6.将所述目标卫星在最近连续M个时间戳的卫星遥测数据整理成连续M行时间序列数据形式的待测输入数据。
在所述步骤S6中，所述待测输入数据的具体获取方式，可以参照前述步骤S1～S3，于此不再赘述。此外，也同样需要采用特征归一化方式将所述待测输入数据中的所述多个遥测参量的原始值处理为在区间(-1,1)内取值的归一化数值。
S7.将所述待测输入数据输入所述未来数据预测模型，输出得到所述目标卫星在未来连续N个时间戳的卫星遥测数据。
在所述步骤S7中，由于模型输出数据是在区间(-1,1)内取值的归一化数值，因此需要采用与特征归一化方式相逆的还原处理方式将该模型输出数据中的归一化数值，还原处理为所述多个遥测参量的原始值，进而得到正确的所述目标卫星在未来连续N个时间戳的卫星遥测数据。
由此基于前述步骤S1～S7所描述的且基于时空注意力机制的卫星遥测数据预测方法，提供了一种基于历史大数据的卫星未来遥测数据预测模型训练及应用方案，即在获取目标卫星在历史多个时间戳的卫星遥测数据后，先根据这些历史大数据得到多个包含有连续多行时间序列数据以及在时序上位于其后的另一连续多行时间序列数据的样本数据，然后将多个样本数据划分成训练集和测试集，并应用于对基于时空注意力机制和LSTM网络的深度学习模型的训练和测试，得到测试通过的未来数据预测模型，最后将所述目标卫星在最近连续多个时间戳的卫星遥测数据整理成待测输入数据，输入所述未来数据预测模型，可得到所述目标卫星在未来连续多个时间戳的卫星遥测数据，如此通过结合时空注意力机制和LSTM网络，不但可以核心地解决可变序列长度的时间依赖性问题，还可以实现共同挖掘变量之间的相关性以提高多元时间序列数据的预测性能的目的，进而可以通过捕捉时间依赖性和多参数关联性的特征，更好地学习出历史数据的规律性并且提前预知数据的走势，提高预测精度，便于实际应用和推广。
如图2所示，本实施例第二方面提供了一种实现第一方面所述的卫星遥测数据预测方法的虚拟装置，包括有历史数据获取模块、时序数据整理模块、样本数据获取模块、样本集划分模块、模型训练测试模块、待测数据获取模块和未来数据预测模块；
所述历史数据获取模块，用于获取目标卫星在历史多个时间戳的卫星遥测数据；
所述时序数据整理模块，通信连接所述历史数据获取模块，用于将所述目标卫星在历史多个时间戳的卫星遥测数据整理成多行时间序列数据，其中，所述多行时间序列数据与所述历史多个时间戳一一对应，所述多行时间序列数据中的各行时间序列数据包含有依次排序的且多个遥测参量在对应历史时间戳的原始值；
所述样本数据获取模块，通信连接所述时序数据整理模块，用于根据所述多行时间序列数据，按照如下方式获取多个样本数据：将在时序上的连续M行时间序列数据作为模型输入数据，以及将在所述时序上位于所述连续M行时间序列数据之后的连续N行时间序列数据作为模型输出数据，得到一个包含有所述模型输入数据和所述模型输出数据的样本数据，其中，M表示大于2的预设正整数，N表示大于等于1的预设正整数；
所述样本集划分模块，通信连接所述样本数据获取模块，用于将所述多个样本数据划分成训练集和测试集；
所述模型训练测试模块，通信连接所述样本集划分模块，用于应用所述训练集和所述测试集对基于时空注意力机制和长短期记忆LSTM网络的深度学习模型依次进行训练和测试，得到测试通过的未来数据预测模型，其中，所述时空注意力机制用于捕捉卫星遥测数据的时序依赖特征和所述多个遥测参量之间的关联关系特征；
所述待测数据获取模块，用于将所述目标卫星在最近连续M个时间戳的卫星遥测数据整理成连续M行时间序列数据形式的待测输入数据；
所述未来数据预测模块，分别通信连接所述模型训练测试模块和所述待测数据获取模块，用于将所述待测输入数据输入所述未来数据预测模型，输出得到所述目标卫星在未来连续N个时间戳的卫星遥测数据。
本实施例第二方面提供的前述装置的工作过程、工作细节和技术效果，可以参见第一方面所述的卫星遥测数据预测方法，于此不再赘述。
如图3所示，本实施例第三方面提供了一种执行如第一方面所述的卫星遥测数据预测方法的计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面所述的卫星遥测数据预测方法。具体举例的，所述存储器可以但不限于包括随机存取存储器(Random-Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output，FIFO)和/或先进后出存储器(First Input Last Output，FILO)等等；所述处理器可以但不限于采用型号为STM32F105系列的微处理器。此外，所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例第三方面提供的前述计算机设备的工作过程、工作细节和技术效果，可以参见第一方面所述的卫星遥测数据预测方法，于此不再赘述。
本实施例第四方面提供了一种存储包含如第一方面所述的卫星遥测数据预测方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面所述的卫星遥测数据预测方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等计算机可读存储介质，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。
本实施例第四方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果，可以参见如第一方面所述的卫星遥测数据预测方法，于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面所述的卫星遥测数据预测方法。其中，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于时空注意力机制的卫星遥测数据预测方法，其特征在于，包括：
获取目标卫星在历史多个时间戳的卫星遥测数据；
将所述目标卫星在历史多个时间戳的卫星遥测数据整理成多行时间序列数据，其中，所述多行时间序列数据与所述历史多个时间戳一一对应，所述多行时间序列数据中的各行时间序列数据包含有依次排序的且多个遥测参量在对应历史时间戳的原始值；
根据所述多行时间序列数据，按照如下方式获取多个样本数据：将在时序上的连续M行时间序列数据作为模型输入数据，以及将在所述时序上位于所述连续M行时间序列数据之后的连续N行时间序列数据作为模型输出数据，得到一个包含有所述模型输入数据和所述模型输出数据的样本数据，其中，M表示大于2的预设正整数，N表示大于等于1的预设正整数；
将所述多个样本数据划分成训练集和测试集；
应用所述训练集和所述测试集对基于时空注意力机制和长短期记忆LSTM网络的深度学习模型依次进行训练和测试，得到测试通过的未来数据预测模型，其中，所述时空注意力机制用于捕捉卫星遥测数据的时序依赖特征和所述多个遥测参量之间的关联关系特征；
将所述目标卫星在最近连续M个时间戳的卫星遥测数据整理成连续M行时间序列数据形式的待测输入数据；
将所述待测输入数据输入所述未来数据预测模型，输出得到所述目标卫星在未来连续N个时间戳的卫星遥测数据。
2.根据权利要求1所述的卫星遥测数据预测方法，其特征在于，在根据所述多行时间序列数据获取多个样本数据之前，所述方法还包括：
采用特征归一化方式将所述多行时间序列数据中的所述多个遥测参量的原始值处理为在区间(-1,1)内取值的归一化数值。
3.根据权利要求2所述的卫星遥测数据预测方法，其特征在于，采用特征归一化方式将所述多行时间序列数据中的所述多个遥测参量的原始值处理为在区间(-1,1)内取值的归一化数值，包括：
针对所述多行时间序列数据中各个原始值，按照如下公式计算得到对应的归一化数值：
式中，xscaled_ij表示与所述多行时间序列数据中第i行且第j列原始值对应的归一化数值，xij表示所述多行时间序列数据中第i行且第j列的原始值，xmax_j表示所述多行时间序列数据中第j列的最大原始值，xmin_j表示所述多行时间序列数据中第j列的最小原始值，max取值为1，min取值为-1。
4.根据权利要求1所述的卫星遥测数据预测方法，其特征在于，所述时空注意力机制包括有自注意力机制和空间注意力机制；
所述自注意力机制用于按照如下方式捕捉卫星遥测数据的时序依赖特征：
式中，outputtemporal表示维度为Batchsize×Inputdim×dimw的时间注意力分数，Attentionscore表示分数矩阵，i和j分别表示正整数，si表示在矩阵S中的第i个元素，sj表示在所述矩阵S中的第j个元素，n表示在所述矩阵S中的元素总数，e表示自然对数的底数，Xinput表示维度为Batchsize×Seqlen×Inputdim的输入数据，Wq表示在向量想要查询的关联性角度上的权重参数矩阵，Wk表示在向量自身特征角度上的权重参数矩阵，Wv表示在向量的利用价值角度上的权重参数矩阵，Batchsize表示在所述输入数据中所述模型输入数据的总数，Seqlen＝M，Inputdim表示所述多个遥测参量的参量总数，dimw表示预先设定的注意力输出维度，T表示矩阵转置符号；
所述空间注意力机制用于按照如下方式捕捉所述多个遥测参量之间的关联关系特征：
式中，outputspatial表示维度为Batchsize×Inputdim×dimw的空间注意力分数，Wi表示第一权重参数矩阵，Wj表示第二权重参数矩阵，K′表示所述多个遥测参量的总数，rij表示所述多个遥测参量中第i个遥测参量与第j个遥测参量之间的相关系数，w表示维度为K′×K′的相关系数矩阵，表示xi的平均值，/>表示xj的平均值；
所述时空注意力机制用于按照如下公式得到最终的注意力分数outputspatial,temporal：
outputspatial,temporal＝ηtemporal*outputtemporal+ηspatial*outputspatial
式中，ηtemporal表示在时间注意力角度上的预设权重系数，ηspatial表示在空间注意力角度上的预设权重系数，并有ηtemporal+ηspatial＝1。
5.根据权利要求1所述的卫星遥测数据预测方法，其特征在于，ηtemporal和ηspatial分别取值为0.5。
6.根据权利要求1所述的卫星遥测数据预测方法，其特征在于，将所述多个样本数据划分成训练集和测试集，包括：
按照8：2的划分比例，将所述多个样本数据划分成训练集和测试集。
7.根据权利要求1所述的卫星遥测数据预测方法，其特征在于，在所述深度学习模型的训练和测试过程中，损失函数采用平均绝对误差函数或均方根误差函数。
8.一种基于时空注意力机制的卫星遥测数据预测装置，其特征在于，包括有历史数据获取模块、时序数据整理模块、样本数据获取模块、样本集划分模块、模型训练测试模块、待测数据获取模块和未来数据预测模块；
所述历史数据获取模块，用于获取目标卫星在历史多个时间戳的卫星遥测数据；
所述时序数据整理模块，通信连接所述历史数据获取模块，用于将所述目标卫星在历史多个时间戳的卫星遥测数据整理成多行时间序列数据，其中，所述多行时间序列数据与所述历史多个时间戳一一对应，所述多行时间序列数据中的各行时间序列数据包含有依次排序的且多个遥测参量在对应历史时间戳的原始值；
所述样本数据获取模块，通信连接所述时序数据整理模块，用于根据所述多行时间序列数据，按照如下方式获取多个样本数据：将在时序上的连续M行时间序列数据作为模型输入数据，以及将在所述时序上位于所述连续M行时间序列数据之后的连续N行时间序列数据作为模型输出数据，得到一个包含有所述模型输入数据和所述模型输出数据的样本数据，其中，M表示大于2的预设正整数，N表示大于等于1的预设正整数；
所述样本集划分模块，通信连接所述样本数据获取模块，用于将所述多个样本数据划分成训练集和测试集；
所述模型训练测试模块，通信连接所述样本集划分模块，用于应用所述训练集和所述测试集对基于时空注意力机制和长短期记忆LSTM网络的深度学习模型依次进行训练和测试，得到测试通过的未来数据预测模型，其中，所述时空注意力机制用于捕捉卫星遥测数据的时序依赖特征和所述多个遥测参量之间的关联关系特征；
所述待测数据获取模块，用于将所述目标卫星在最近连续M个时间戳的卫星遥测数据整理成连续M行时间序列数据形式的待测输入数据；
所述未来数据预测模块，分别通信连接所述模型训练测试模块和所述待测数据获取模块，用于将所述待测输入数据输入所述未来数据预测模型，输出得到所述目标卫星在未来连续N个时间戳的卫星遥测数据。
9.一种计算机设备，其特征在于，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如权利要求1～7中任意一项所述的卫星遥测数据预测方法。
10.一种计算机可读存储介质，其特征在于,所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如权利要求1～7中任意一项所述的卫星遥测数据预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310322136.3A CN116451848A (zh) | 2023-03-29 | 2023-03-29 | 一种基于时空注意力机制的卫星遥测数据预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310322136.3A CN116451848A (zh) | 2023-03-29 | 2023-03-29 | 一种基于时空注意力机制的卫星遥测数据预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116451848A true CN116451848A (zh) | 2023-07-18 |
Family
ID=87132992
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310322136.3A Pending CN116451848A (zh) | 2023-03-29 | 2023-03-29 | 一种基于时空注意力机制的卫星遥测数据预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116451848A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116680647A (zh) * | 2023-08-04 | 2023-09-01 | 中科星图测控技术股份有限公司 | 一种用预处理数据建lstm网络进行卫星数据检测方法 |
| CN117471502A (zh) * | 2023-10-31 | 2024-01-30 | 北京华云星地通科技有限公司 | 一种定位源参数异常检测和修正方法、系统及电子设备 |
| CN117650834A (zh) * | 2024-01-29 | 2024-03-05 | 南京理工大学 | 基于知识蒸馏的天地一体化网络时空流量预测方法 |
| CN118133691A (zh) * | 2024-05-07 | 2024-06-04 | 中国民航大学 | 一种飞行参数预测模型构建方法、电子设备和存储介质 |
-
2023
- 2023-03-29 CN CN202310322136.3A patent/CN116451848A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116680647A (zh) * | 2023-08-04 | 2023-09-01 | 中科星图测控技术股份有限公司 | 一种用预处理数据建lstm网络进行卫星数据检测方法 |
| CN117471502A (zh) * | 2023-10-31 | 2024-01-30 | 北京华云星地通科技有限公司 | 一种定位源参数异常检测和修正方法、系统及电子设备 |
| CN117471502B (zh) * | 2023-10-31 | 2024-04-02 | 北京华云星地通科技有限公司 | 一种定位源参数异常检测和修正方法、系统及电子设备 |
| CN117650834A (zh) * | 2024-01-29 | 2024-03-05 | 南京理工大学 | 基于知识蒸馏的天地一体化网络时空流量预测方法 |
| CN117650834B (zh) * | 2024-01-29 | 2024-04-12 | 南京理工大学 | 基于知识蒸馏的天地一体化网络时空流量预测方法 |
| CN118133691A (zh) * | 2024-05-07 | 2024-06-04 | 中国民航大学 | 一种飞行参数预测模型构建方法、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111178456B (zh) | 异常指标检测方法、装置、计算机设备和存储介质 | |
| CN112783940B (zh) | 基于图神经网络的多源时序数据故障诊断方法和介质 | |
| CN109816221B (zh) | 项目风险决策方法、装置、计算机设备和存储介质 | |
| CN116451848A (zh) | 一种基于时空注意力机制的卫星遥测数据预测方法及装置 | |
| Li et al. | Multi-step forecasting of ocean wave height using gate recurrent unit networks with multivariate time series | |
| CN112685950B (zh) | 一种海洋时序观测数据的异常检测方法、系统和设备 | |
| CN111582551A (zh) | 风电场短期风速预测方法、系统及电子设备 | |
| CN117132135B (zh) | 基于数字孪生的城市信息化管理系统及方法 | |
| CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 | |
| CN113807951A (zh) | 一种基于深度学习的交易数据趋势预测方法和系统 | |
| Li et al. | Application of ARIMA and LSTM in relative humidity prediction | |
| CN114399073A (zh) | 一种基于深度学习的海洋表面温度场预测方法 | |
| Wang et al. | A transformer-based multi-entity load forecasting method for integrated energy systems | |
| CN114399101A (zh) | 基于tcn-bigru的燃气负荷预测方法和装置 | |
| Mathieu et al. | Nonparametric monitoring of sunspot number observations | |
| Yu et al. | MAG: A novel approach for effective anomaly detection in spacecraft telemetry data | |
| CN117540336A (zh) | 时间序列预测方法、装置及电子设备 | |
| CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
| CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及系统 | |
| CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
| Laurini et al. | Regular variation and extremal dependence of GARCH residuals with application to market risk measures | |
| Iqbal et al. | Markovian descriptors based stochastic analysis of large-scale climate indices | |
| Dupree et al. | Time forecasting satellite light curve patterns using Neural Networks | |
| Lu et al. | Development of the Abnormal Tension Pattern Recognition Module for Twisted Yarn Based on Deep Learning Edge Computing. | |
| Singh et al. | LSTM-based approach to monitor operator situation awareness via HMI state prediction |
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 |