基于改进组合机器学习的卫星遥测参数预测

V557.3; 对在轨卫星的运行状态进行监测、分析以及异常检测是卫星在轨运行管理的重要内容.预测卫星遥测参数序列的变化趋势,对卫星异常检测与处置、保障安全运行非常必要.针对目前对于周期性不明显且具有多种变化特征的遥测参数预测精确度不够的问题,本文引入对遥测参数的预测有辅助作用的因素作为协变量,提出了基于改进组合机器学习的预测模型.该模型使用全局模型和局部模型分别获取遥测参数序列的趋势特征和局部不规则波动特征,并采用改进的注意力机制捕获多维参数之间的关联关系,提高了预测精度.此模型可以提供点预测和区间预测的结果,为在轨卫星处置决策提供了更多输入.在科学卫星真实遥测数据集和时间序列公开数据集上验证...

Full description

Saved in:
Bibliographic Details
Published in空间科学学报 Vol. 43; no. 4; pp. 786 - 792
Main Authors 姜改新, 刘玉荣
Format Journal Article
LanguageChinese
Published 中国科学院国家空间科学中心 北京 100190 2023
中国科学院大学 北京 100049%中国科学院国家空间科学中心 北京 100190
Subjects
注意力机制
Attention mechanism
卫星遥测参数
机器学习
Prediction model
Machine learning
预测模型
Satellite telemetry parameters
Online AccessGet full text
ISSN0254-6124
DOI10.11728/cjss2023.04.2022-0057

Cover

More Information
Summary:V557.3; 对在轨卫星的运行状态进行监测、分析以及异常检测是卫星在轨运行管理的重要内容.预测卫星遥测参数序列的变化趋势,对卫星异常检测与处置、保障安全运行非常必要.针对目前对于周期性不明显且具有多种变化特征的遥测参数预测精确度不够的问题,本文引入对遥测参数的预测有辅助作用的因素作为协变量,提出了基于改进组合机器学习的预测模型.该模型使用全局模型和局部模型分别获取遥测参数序列的趋势特征和局部不规则波动特征,并采用改进的注意力机制捕获多维参数之间的关联关系,提高了预测精度.此模型可以提供点预测和区间预测的结果,为在轨卫星处置决策提供了更多输入.在科学卫星真实遥测数据集和时间序列公开数据集上验证了本文方法的有效性.
ISSN:0254-6124
DOI:10.11728/cjss2023.04.2022-0057