CN116578569B - 卫星时空轨迹数据关联分析方法 - Google Patents
卫星时空轨迹数据关联分析方法 Download PDFInfo
- Publication number
- CN116578569B CN116578569B CN202310850370.3A CN202310850370A CN116578569B CN 116578569 B CN116578569 B CN 116578569B CN 202310850370 A CN202310850370 A CN 202310850370A CN 116578569 B CN116578569 B CN 116578569B
- Authority
- CN
- China
- Prior art keywords
- satellite
- space
- time
- track
- intention
- 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.)
- Active
Links
- 238000012097 association analysis method Methods 0.000 title abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012546 transfer Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 101100256916 Caenorhabditis elegans sid-1 gene Proteins 0.000 description 1
- 101100256918 Caenorhabditis elegans sid-2 gene Proteins 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2246—Trees, e.g. B+trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及卫星时空轨迹数据关联分析方法，卫星数据分析领域。方法包括：获取卫星原始轨迹信息并进行预处理，得到具有变轨信息的卫星轨迹模型；利用TB树对卫星轨迹模型进行卫星轨迹索引，得到具有时空关系的TB树；依据预设时空关系类型对TB树进行时空关系查询，得到符合预设时空关系类型的卫星集合；对预设的卫星时空轨迹训练样本集进行意图判别，依据判别结果进行卫星战略意图模型训练，生成卫星战略意图模型；将卫星集合输入卫星战略意图模型进行意图预测，获得卫星原始轨迹信息对应的战略意图。本申请可以快速对卫星轨迹进行分析，数据处理速度快，能有效预测出卫星轨迹的战略意图。
Description
技术领域
本发明涉及卫星数据分析领域，尤其涉及一种可以分析卫星战略意图的卫星时空轨迹数据关联分析方法。
背景技术
随着全球卫星数量不断提升，太空竞争成为国家战略，卫星的轨迹信息可以实时获取，这是一笔价值巨大的数据财富，通过分析其他国家的卫星轨迹可以很好的支撑其太空战略意图，所以卫星的时空轨迹数据关联分析尤其重要。
现有技术分析卫星轨迹时，多用于对卫星的轨道优化和姿态调整，鲜有分析卫星轨迹的战略意图的技术，且在聚类分析卫星轨迹时没有考虑多个卫星在时空上的分布聚类性，存在轨迹分析耗时较长，数据处理速度较慢的问题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种卫星时空轨迹数据关联分析方法，有助于解决目前卫星轨迹分析技术耗时较长，数据处理速度较慢，以及未对卫星战略意图进行分析的问题。
本发明的目的是通过以下技术方案来实现的：
本发明提供了一种卫星时空轨迹数据关联分析方法，包括：
获取卫星原始轨迹信息；
对所述卫星原始轨迹信息进行预处理，得到具有变轨信息的卫星轨迹模型；
利用TB树对卫星轨迹模型进行卫星轨迹索引，得到具有时空关系的TB树；
依据预设时空关系类型对所述TB树进行时空关系查询，得到符合预设时空关系类型的卫星集合；
对预设的卫星时空轨迹训练样本集进行意图判别，依据判别结果进行卫星战略意图模型训练，生成卫星战略意图模型；
将所述卫星集合输入所述卫星战略意图模型进行意图预测，获得卫星原始轨迹信息对应的战略意图。
进一步地，所述对所述卫星原始轨迹信息进行预处理，得到具有变轨信息的卫星轨迹模型，具体包括以下子步骤：
S101：依据所述卫星原始轨迹信息中连续的n个卫星信息条目，构建出卫星信息轨道j；所述卫星信息条目包含卫星ID、卫星类型、卫星变轨时刻、卫星的欧式空间坐标；
S102：对卫星信息轨道j进行轨道形状判断，若卫星信息轨道j是轨道形状则进入步骤S104，否则进入步骤S103；
S103：利用连续的n-1个卫星信息条目构建卫星信息轨道j-1，进入步骤S102；
S104：记录正好构建轨道形状的卫星变轨时刻，将此卫星变轨时刻对应的欧式空间坐标转换为变轨后的第一空间坐标；
S105：收集卫星运行期间的多次变轨形成的第一空间坐标，构建卫星变轨坐标集，并结合卫星变轨坐标集、卫星ID、卫星类型和卫星变轨时刻生成具有变轨信息的卫星轨迹模型。
进一步地，所述利用TB树对卫星轨迹模型进行卫星轨迹索引，得到具有时空关系的TB树，具体包括：
利用TB树对卫星轨迹模型进行卫星轨迹索引；
基于卫星轨迹模型中的第一空间坐标，按照卫星变轨时刻的先后顺序依次构建卫星的时空轨迹，并将每个时空轨迹逐个插入到TB树中；
将TB树对应的叶节点链接入对应的卫星ID，得到具有时空关系的TB树。
进一步地，所述依据预设时空关系类型对所述TB树进行时空关系查询，得到符合预设时空关系类型的卫星集合，具体包括：
依据预设时空关系类型为查询条件，对所述TB树进行时空关系查询，得到符合预设时空关系类型的卫星ID集合；
依据卫星ID集合中的卫星ID，为每个卫星ID对应的每个空间坐标点计算一个分数；
将所有卫星ID对应空间坐标点的分数归一化为一个权重分布，并进行加权求和，获得第一向量序列。
进一步地，所述对预设的卫星时空轨迹训练样本集进行意图判别，依据判别结果进行卫星战略意图模型训练，生成卫星战略意图模型，具体包括：
人工对预设的卫星时空轨迹训练样本集进行卫星轨迹的意图判别，获得意图判别结果P；
依据判别结果P构建出卫星信息轨道与意图判别结果P之间的映射关系；
将映射关系输入自回归模型进行训练，训练完成生成卫星战略意图模型。
本发明的有益效果：本发明提供了一种卫星时空轨迹数据关联分析方法，方法通过获取卫星原始轨迹信息进行预处理，得到具有变轨信息的卫星轨迹模型；利用TB树对卫星轨迹模型进行卫星轨迹索引，得到具有时空关系的TB树；依据预设时空关系类型对所述TB树进行时空关系查询，得到符合预设时空关系类型的卫星集合；对预设的卫星时空轨迹训练样本集进行意图判别，依据判别结果进行卫星战略意图模型训练，生成卫星战略意图模型；最后将卫星集合输入所述卫星战略意图模型，获得卫星原始轨迹信息对应的战略意图。本申请对通过卫星原始轨迹信息进行预处理，构建具有变轨信息的卫星轨迹模型，可以清晰地描述卫星轨迹，反应卫星变轨的整个过程，同时提高了卫星轨迹数据的分析处理速度。同时，本申请利用专门索引物体轨迹的索引结构TB树来索引卫星的变轨信息，然后基于TB树进行对应聚类条件的时空关系查询，得出的卫星结果即为满足既定聚类特征的结果，降低数据处理的时长，利用索引高效完成了卫星时空轨迹的数据关联分析。此外，本申请通过训练生成卫星战略意图模型来分析卫星的时空轨迹和时空关系，可以根据卫星原始轨迹信息快速获得对应卫星群组的战略意图。
附图说明
图1是本发明的一种卫星时空轨迹数据关联分析方法流程图。
实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。
参照图1所示，图1示出了一种星时空轨迹数据关联分析方法，包括：
S1：获取卫星原始轨迹信息；
S2：对所述卫星原始轨迹信息进行预处理，得到具有变轨信息的卫星轨迹模型；
S3：利用TB树对卫星轨迹模型进行卫星轨迹索引，得到具有时空关系的TB树；
S4：依据预设时空关系类型对所述TB树进行时空关系查询，得到符合预设时空关系类型的卫星集合；
S5：对预设的卫星时空轨迹训练样本集进行意图判别，依据判别结果进行卫星战略意图模型训练，生成卫星战略意图模型；
S6：将所述卫星集合输入所述卫星战略意图模型进行意图预测，获得卫星原始轨迹信息对应的战略意图。
进一步地，在一个实施例中，所述对所述卫星原始轨迹信息进行预处理，得到具有变轨信息的卫星轨迹模型，具体包括以下子步骤：
S101：依据所述卫星原始轨迹信息中连续的n个卫星信息条目，构建出卫星信息轨道j。
其中，卫星信息条目包含卫星ID、卫星类型、卫星变轨时刻、卫星的欧式空间坐标；
S102：对卫星信息轨道j进行轨道形状判断，若卫星信息轨道j是轨道形状则进入步骤S104，否则进入步骤S103。
S103：利用连续的n-1个卫星信息条目构建卫星信息轨道j-1，进入步骤S102。
S104：记录正好构建轨道形状的卫星变轨时刻，将此卫星变轨时刻对应的欧式空间坐标转换为变轨后的第一空间坐标。
S105：收集卫星运行期间的多次变轨形成的第一空间坐标，构建卫星变轨坐标集，并结合卫星变轨坐标集、卫星ID、卫星类型和卫星变轨时刻生成具有变轨信息的卫星轨迹模型。
在具体实践过程中，卫星一直为绕地飞行的飞行器，因此它的轨迹模型与地面飞机模型不同。因此，本申请所生成的卫星轨迹模型卫星轨迹模型组成如下：
。在模型中，/>为卫星唯一标识，即卫星ID，/>为卫星类型，/>为一个卫星变轨双坐标集合，其中每个元素为/>。/>中，/>为变轨的时刻，/>为变轨后距离地心的距离，/>为卫星绕地平面与赤道夹角，/>为卫星绕地平面与地轴夹角，/>为在/>时刻卫星/>的欧式空间坐标。
在生成卫星轨迹模型的过程中，本申请获取到的卫星原始轨迹信息为条目化，可以看作一个卫星原始轨迹数据集，意思为卫星/>的类型为/>，其在时刻/>的欧式空间位置为/>。
然后利用连续的个卫星信息条目，构建卫星信息轨道/>。其中，/>具体是由/>这样的数据构成的，即一系列时空点数据。
对卫星信息轨道的轨道形状进行判断，若卫星信息轨道不是轨道形状，则进入下一个轨道的构建过程，否则转入后续空间坐标转换过程。其中，轨道形状为完整的圆形或椭圆形，因此在判断轨道形状时，可通过卫星信息轨道/>的轨道形状是不是完整的圆形或椭圆形来判断。
在下一个轨道的构建过程中，利用连续的卫星信息条目，构建卫星信息轨道/>，/>，再将卫星信息轨道/>反馈至上述的轨道形状判断过程进行形状判断。
对卫星的空间坐标进行转换，记录正好构建轨道形状的时刻，/>即为卫星轨迹模型中的变轨时刻，将此时刻/>对应的欧式空间坐标/>转换为变轨后的空间坐标/>。
将上述空间坐标转换所计算得到的数据构建一个卫星变轨坐标集。
不断重新获取卫星信息条目构建卫星信息轨道进行形状判断和坐标转换；
通过不断判断变轨，最终生成轨迹模型。
数据预处理，原始的卫星数据中是没有显式地标记出在何时变轨的，因此生成轨迹模型主要是计算出卫星何时变轨，处理好的数据是变轨时间点和变轨后的空间坐标，这样才能作为TB树（一种索引结构）的输入，变轨信息（时间点与空间坐标）也是判断卫星集合的时空关系与战略意图的重要数据。
进一步地，在一个实施例中，所述利用TB树对卫星轨迹模型进行卫星轨迹索引，得到具有时空关系的TB树，具体包括：
利用TB树对卫星轨迹模型进行卫星轨迹索引；
基于卫星轨迹模型中的第一空间坐标，按照卫星变轨时刻的先后顺序依次构建卫星的时空轨迹，并将每个时空轨迹逐个插入到TB树中；
将TB树对应的叶节点链接入对应的卫星ID，得到具有时空关系的TB树。
在具体实践过程中，本申请所使用的TB树参照现有技术实现，具体为Pfoser D ,Jensen C S , Theodoridis Y . Novel Approaches to the Indexing of MovingObject Trajectories[C]// Very Large Data Bases. 2000.。
本申请利用TB树将卫星轨迹模型进行索引，将集合中每个元素（即空间坐标）取出，构建轨迹，即，将构建出的轨迹数据逐个插入TB树中，形成索引结构。其中，上述构建轨迹，生成索引结构的过程可以参照现有技术（Pfoser D, Jensen C S , Theodoridis Y . Novel Approaches to the Indexing of MovingObject Trajectories[C]// Very Large Data Bases. 2000.）实现，本申请在此不再赘述。
索引构建完毕后将对应的叶节点（即轨迹数据）链接入对应的卫星唯一标识。其中，插入TB树中的轨迹数据就带有/>，这里指的链接是通过/>向存储该卫星详细信息的记录条目。
由上述本实施例提供的内容可以看出，将卫星轨迹模型通过TB树进行索引，方便用户进行时空关系查询，即给定一个时空关系（如成格子排列），可以查找到符合这种时空关系的所有卫星（最终结果是卫星ID集合）。
进一步地，在一个实施例中，所述依据预设时空关系类型对所述TB树进行时空关系查询，得到符合预设时空关系类型的卫星集合，具体包括：
依据预设时空关系类型为查询条件，对所述TB树进行时空关系查询，得到符合预设时空关系类型的卫星ID集合。其中，预设时空关系类型可以自行定义，例如：三个卫星呈一个三角形。
依据卫星ID集合中的卫星ID，为每个卫星ID对应的每个空间坐标点计算一个分数；
将所有卫星ID对应空间坐标点的分数归一化为一个权重分布，并进行加权求和，获得第一向量序列。
在具体实践过程中，按照卫星战略意图模型中的时空关系类型进行时空查询TB树，即时空关系类型为查询条件，输入TB树，TB树输出查询结果。
依据查询结果的表示为每个空间坐标点计算一个分数，这个分数只与点本身的编码有关。
其中，查询结果的表示具体是卫星的一系列空间坐标点集合，如<sid1,x1,y1,t1,x2,y2,t2…,xn,yn,tn>,<sid2,x1,y1,t1,x2,y2,t2…,xm,ym,tm>。
将所有空间坐标点的分数会被归一化为一个权重分布去进行加权求和，获得一个向量序列作为查询结果的总结，该向量序列用于后续卫星战略意图分析。
进一步地，在一个实施例中，所述对预设的卫星时空轨迹训练样本集进行意图判别，依据判别结果进行卫星战略意图模型训练，生成卫星战略意图模型，具体包括：
人工对预设的卫星时空轨迹训练样本集进行卫星轨迹的意图判别，获得意图判别结果P；
依据判别结果P构建出卫星信息轨道与意图判别结果P之间的映射关系；
将映射关系输入自回归模型进行训练，训练完成生成卫星战略意图模型。
在具体实践过程中，卫星战略意图模型描述如下，。
其中，是一个特定时空关系卫星集合，集合中每个元素为/>。
在每个集合元素中，/>为时刻，/>为一系列卫星标识，/>为时空关系类型，即在/>时刻，卫星/>组成了/>时空关系。/>为意图，表示在不同时刻一系列卫星组织成不同的时空关系，这些不同的时空关系共同表达着意图/>。
给定一组集合，由人工将每组集合/>判别出对应的意图/>。基于判别出对应的意图/>构建映射/>，利用自回归模型进行训练映射/>。训练完毕后生成卫星战略意图模型/>。
具体的，有了卫星ID集合的结果，就可以进行机器学习，专家可以给出样本数据，比如（卫星1，卫星2，卫星3）+三角形：干扰意图，注意这里不能仅仅是时空关系来判断意图，因为卫星有类型功能区别，不同类型的卫星形成同一时空关系其意图是不同的。将（卫星1，卫星2，卫星3）+三角形：干扰意图，这种对应关系构建机器学习的映射模型，即卫星战略意图模型。实际应用时，将当前的处理好的卫星集合ID+时空关系输入卫星战略意图模型，就可以预测出卫星变轨对应的意图。
进一步地，在一个实施例中，将所述卫星集合输入所述卫星战略意图模型进行意图预测，获得卫星原始轨迹信息对应的战略意图，具体为：
将第一向量序列根据每个时刻，构建卫星时空轨迹样本集。
基于卫星时空轨迹样本集，根据映射关系/>生成对应的向量/>。
通过卫星战略意图模型，根据向量/>，求得意图/>；
反馈意图，即为当前根据既定的查询条件（时空关系查询）判断出的意图。
其中，意图跟应用有关，卫星集的时空关系可以表达出如接力通信意图、干扰其他卫星意图、摧毁意图等。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种卫星时空轨迹数据关联分析方法，其特征在于，包括：
获取卫星原始轨迹信息；
对所述卫星原始轨迹信息进行预处理，得到具有变轨信息的卫星轨迹模型，包括以下子步骤：
S101：依据所述卫星原始轨迹信息中连续的n个卫星信息条目，构建出卫星信息轨道j；所述卫星信息条目包含卫星ID、卫星类型、卫星变轨时刻、卫星的欧式空间坐标；
S102：对卫星信息轨道j进行轨道形状判断，若卫星信息轨道j是轨道形状则进入步骤S104，否则进入步骤S103；
S103：利用连续的n-1个卫星信息条目构建卫星信息轨道j-1，进入步骤S102；
S104：记录正好构建轨道形状的卫星变轨时刻，将此卫星变轨时刻对应的欧式空间坐标转换为变轨后的第一空间坐标；
S105：收集卫星运行期间的多次变轨形成的第一空间坐标，构建卫星变轨坐标集，并结合卫星变轨坐标集、卫星ID、卫星类型和卫星变轨时刻生成具有变轨信息的卫星轨迹模型；
利用TB树对卫星轨迹模型进行卫星轨迹索引，得到具有时空关系的TB树；
依据预设时空关系类型对所述TB树进行时空关系查询，得到符合预设时空关系类型的卫星集合；
对预设的卫星时空轨迹训练样本集进行意图判别，依据判别结果进行卫星战略意图模型训练，生成卫星战略意图模型；
将所述卫星集合输入所述卫星战略意图模型进行意图预测，获得卫星原始轨迹信息对应的战略意图。
2.根据权利要求1所述的卫星时空轨迹数据关联分析方法，其特征在于，所述利用TB树对卫星轨迹模型进行卫星轨迹索引，得到具有时空关系的TB树，具体包括：
利用TB树对卫星轨迹模型进行卫星轨迹索引；
基于卫星轨迹模型中的第一空间坐标，按照卫星变轨时刻的先后顺序依次构建卫星的时空轨迹，并将每个时空轨迹逐个插入到TB树中；
将TB树对应的叶节点链接入对应的卫星ID，得到具有时空关系的TB树。
3.根据权利要求1所述的卫星时空轨迹数据关联分析方法，其特征在于，所述依据预设时空关系类型对所述TB树进行时空关系查询，得到符合预设时空关系类型的卫星集合，具体包括：
依据预设时空关系类型为查询条件，对所述TB树进行时空关系查询，得到符合预设时空关系类型的卫星ID集合；
依据卫星ID集合中的卫星ID，为每个卫星ID对应的每个空间坐标点计算一个分数；
将所有卫星ID对应空间坐标点的分数归一化为一个权重分布，并进行加权求和，获得第一向量序列。
4.根据权利要求1所述的卫星时空轨迹数据关联分析方法，其特征在于，所述对预设的卫星时空轨迹训练样本集进行意图判别，依据判别结果进行卫星战略意图模型训练，生成卫星战略意图模型，具体包括：
人工对预设的卫星时空轨迹训练样本集进行卫星轨迹的意图判别，获得意图判别结果P；
依据判别结果P构建出卫星信息轨道与意图判别结果P之间的映射关系；
将映射关系输入自回归模型进行训练，训练完成生成卫星战略意图模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310850370.3A CN116578569B (zh) | 2023-07-12 | 2023-07-12 | 卫星时空轨迹数据关联分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310850370.3A CN116578569B (zh) | 2023-07-12 | 2023-07-12 | 卫星时空轨迹数据关联分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116578569A CN116578569A (zh) | 2023-08-11 |
| CN116578569B true CN116578569B (zh) | 2023-09-12 |
Family
ID=87543491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310850370.3A Active CN116578569B (zh) | 2023-07-12 | 2023-07-12 | 卫星时空轨迹数据关联分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116578569B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116992294B (zh) * | 2023-09-26 | 2023-12-19 | 成都国恒空间技术工程股份有限公司 | 卫星测控训练评估方法、装置、设备及存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101446628A (zh) * | 2007-11-26 | 2009-06-03 | 联发科技股份有限公司 | 用于预测gnss卫星轨迹延伸数据的方法及装置 |
| CN107220285A (zh) * | 2017-04-24 | 2017-09-29 | 中国科学院计算技术研究所 | 面向海量轨迹点数据的时空索引构建方法 |
| CN109195114A (zh) * | 2018-10-23 | 2019-01-11 | 济南浪潮高新科技投资发展有限公司 | 一种基于天基物联网的运动轨迹跟踪方法及系统 |
| CN110203422A (zh) * | 2019-05-31 | 2019-09-06 | 中国人民解放军63729部队 | 针对面目标区域探测的快速响应卫星轨道设计方法 |
| CN111694032A (zh) * | 2020-05-09 | 2020-09-22 | 杭州电子科技大学 | 一种基于聚类的大规模轨迹数据的快速地图匹配方法 |
| WO2021134169A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
| CN113742536A (zh) * | 2021-09-17 | 2021-12-03 | 上海交通大学 | 一种面向轨迹流数据的连续范围查询的方法和系统 |
| CN113783600A (zh) * | 2021-08-31 | 2021-12-10 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 巨型低轨互联网星座路由方法 |
| CN113850838A (zh) * | 2021-09-18 | 2021-12-28 | 深圳市唯特视科技有限公司 | 船舶航行意图获取方法、装置、计算机设备及存储介质 |
| CN114095931A (zh) * | 2022-01-24 | 2022-02-25 | 之江实验室 | 星地通信中基于稀疏轨迹时空特征的接入检测方法和装置 |
| CN115441932A (zh) * | 2022-08-30 | 2022-12-06 | 中国电信股份有限公司 | 针对接入卫星的切换控制方法、装置、介质及电子设备 |
| CN115685265A (zh) * | 2023-01-04 | 2023-02-03 | 湖南卫导信息科技有限公司 | 卫星导航云仿真系统、方法、装置、电子设备及存储介质 |
| CN116417072A (zh) * | 2023-03-10 | 2023-07-11 | 广州芳禾数据有限公司 | 基于安全多方计算的敏感数据安全关联分析方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220058922A1 (en) * | 2020-08-20 | 2022-02-24 | Rutgers, The State University Of New Jersey | Computer-based systems configured for space object orbital trajectory predictions and methods thereof |
-
2023
- 2023-07-12 CN CN202310850370.3A patent/CN116578569B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101446628A (zh) * | 2007-11-26 | 2009-06-03 | 联发科技股份有限公司 | 用于预测gnss卫星轨迹延伸数据的方法及装置 |
| CN107220285A (zh) * | 2017-04-24 | 2017-09-29 | 中国科学院计算技术研究所 | 面向海量轨迹点数据的时空索引构建方法 |
| CN109195114A (zh) * | 2018-10-23 | 2019-01-11 | 济南浪潮高新科技投资发展有限公司 | 一种基于天基物联网的运动轨迹跟踪方法及系统 |
| CN110203422A (zh) * | 2019-05-31 | 2019-09-06 | 中国人民解放军63729部队 | 针对面目标区域探测的快速响应卫星轨道设计方法 |
| WO2021134169A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
| CN111694032A (zh) * | 2020-05-09 | 2020-09-22 | 杭州电子科技大学 | 一种基于聚类的大规模轨迹数据的快速地图匹配方法 |
| CN113783600A (zh) * | 2021-08-31 | 2021-12-10 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 巨型低轨互联网星座路由方法 |
| CN113742536A (zh) * | 2021-09-17 | 2021-12-03 | 上海交通大学 | 一种面向轨迹流数据的连续范围查询的方法和系统 |
| CN113850838A (zh) * | 2021-09-18 | 2021-12-28 | 深圳市唯特视科技有限公司 | 船舶航行意图获取方法、装置、计算机设备及存储介质 |
| CN114095931A (zh) * | 2022-01-24 | 2022-02-25 | 之江实验室 | 星地通信中基于稀疏轨迹时空特征的接入检测方法和装置 |
| CN115441932A (zh) * | 2022-08-30 | 2022-12-06 | 中国电信股份有限公司 | 针对接入卫星的切换控制方法、装置、介质及电子设备 |
| CN115685265A (zh) * | 2023-01-04 | 2023-02-03 | 湖南卫导信息科技有限公司 | 卫星导航云仿真系统、方法、装置、电子设备及存储介质 |
| CN116417072A (zh) * | 2023-03-10 | 2023-07-11 | 广州芳禾数据有限公司 | 基于安全多方计算的敏感数据安全关联分析方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 一种面向民航的北斗卫星轨迹定位拟合方法;罗银辉 等;《现代计算机 》;27-33 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116578569A (zh) | 2023-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Analysis and forecasting of the carbon price using multi—resolution singular value decomposition and extreme learning machine optimized by adaptive whale optimization algorithm | |
| Shen et al. | Generative adversarial learning towards fast weakly supervised detection | |
| CN116578569B (zh) | 卫星时空轨迹数据关联分析方法 | |
| CN107220277A (zh) | 基于手绘草图的图像检索算法 | |
| CN106779087A (zh) | 一种通用机器学习数据分析平台 | |
| CN108596335A (zh) | 一种基于深度强化学习的自适应众包方法 | |
| CN110046656A (zh) | 基于深度学习的多模态场景识别方法 | |
| CN107240122A (zh) | 基于时空连续相关滤波的视频目标跟踪方法 | |
| CN103945533A (zh) | 基于大数据的无线实时位置定位方法 | |
| CN109002492B (zh) | 一种基于LightGBM的绩点预测方法 | |
| CN101324926B (zh) | 一种面向复杂模式分类的特征选择方法 | |
| CN106022614A (zh) | 一种基于最近邻聚类的神经网络数据挖掘方法 | |
| CN110490052A (zh) | 基于级联多任务学习的人脸检测及人脸属性分析方法及系统 | |
| CN109767128A (zh) | 基于机器学习的成像卫星自主任务规划方法 | |
| CN103488790A (zh) | 基于加权borda计数法的多元时间序列相似分析方法 | |
| CN106096327B (zh) | 基于Torch监督式深度学习的基因性状识别方法 | |
| Chen et al. | Study on fusion clustering and improved YOLOv5 algorithm based on multiple occlusion of Camellia oleifera fruit | |
| CN111369535A (zh) | 一种细胞检测方法 | |
| CN105046323A (zh) | 一种正则化rbf网络多标签分类方法 | |
| CN115050014A (zh) | 一种基于图像文本学习的小样本番茄病害识别系统及方法 | |
| CN111814880A (zh) | 一种基于贝叶斯最优化XGBoost算法的疲劳预测方法 | |
| CN106203321A (zh) | 一种步态识别方法及系统 | |
| CN103605493A (zh) | 基于图形处理单元的并行排序学习方法及系统 | |
| CN105741143A (zh) | 一种基于负荷特性及其聚类分析的电力商品定价模型建立方法 | |
| CN111160635A (zh) | 一种基于ReliefF算法的区域物流需求影响因素预测方法 |
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 |