一种商业低轨航天器机动预测建模与分析方法

摘要: 本发明涉及商业低轨航天器机动预测,是一种商业低轨航天器机动预测建模与分析方法。背景技术:1、随着商业低轨巨型星座的快速部署与在轨航天器规模的持续扩大,空间目标数...
一种商业低轨航天器机动预测建模与分析方法

本发明涉及商业低轨航天器机动预测,是一种商业低轨航天器机动预测建模与分析方法。

背景技术:

1、随着商业低轨巨型星座的快速部署与在轨航天器规模的持续扩大,空间目标数量呈指数级增长,航天器轨道维持、碰撞规避等常态化机动行为日益频繁。准确预判航天器的未来机动行为,是在轨卫星运营管理、空间碎片风险预警与空间交通秩序管控的核心技术需求。

2、现有技术主要集中于航天器机动的事后检测,即通过分析历史轨道数据识别已经发生的机动事件。例如,基于轨道根数残差、卡尔曼滤波残差或统计分布检验的方法,能够从复杂背景噪声中区分自然衰减段与主动机动段。然而,这类方法本质上是对历史既定行为的被动识别,无法满足在轨运营与空间交通管理中事前主动预判的核心需求。

3、在机动预测领域,现有方法多基于传统轨道动力学模型,通过外推轨道演化趋势预测机动触发阈值。但低轨航天器受大气密度剧烈波动的影响,轨道衰减具有强非平稳性,且不同批次、不同轨道高度的卫星采用差异化的轨道维持策略,传统动力学模型难以准确拟合人为控制与环境摄动耦合的复杂非线性关系,存在预测精度低、泛化能力差的问题。

4、此外,部分基于机器学习的预测方法存在以下缺陷:一是特征工程不完善,未能充分融合航天器微观动力学状态与宏观历史控制策略;二是模型超参数优化依赖网格搜索或随机搜索,计算开销大且易陷入局部最优;三是未考虑输入时序长度对预测性能的影响,无法在预警时效性与预测精度之间取得平衡;四是缺乏对不同轨道壳层、不同批次卫星的兼容性,难以支撑巨型星座批量卫星的常态化运维监测。

技术实现思路

1、本发明为了能够同时实现机动触发时间与机动量级的高精度双目标预测,具备良好的泛化能力与提前预警特性,适用于商业低轨巨型星座批量卫星的机动行为预判,公开了一种商业低轨航天器机动预测建模与分析方法。

2、本发明提供了以下技术方案:

3、一种商业低轨航天器机动预测建模与分析方法,所述方法包括以下步骤:

4、步骤1:接收商业航天器的拟平均半长轴序列、时间序列及机动段、自然衰减段标签,遍历所有机动段,记录每一次变轨的起始时间、结束时间、机动净效果及相邻机动的时间间隔,构建历史机动行为数据库;

5、步骤2:以自然衰减段内的每个数据点为当前观测时刻,构造六维基础特征向量,并通过滑动窗口机制扩充为十维强化特征矩阵,对所有高度类特征进行相对化归一化处理;

6、步骤3:为每个观测时刻标定距下一次机动的时间y1_timetonext与下一次机动的净变轨量y2_nextmagnitude,形成监督学习数据集;

7、步骤4:分别构建针对y1和y2的两个独立随机森林回归模型,采用贝叶斯优化算法进行超参数寻优,基于袋外误差评估计算特征重要性,采用top-k策略保留核心特征,重构轻量级预测模型;

8、步骤5:分别采用48小时、72小时、96小时的历史观测数据作为模型输入,评估模型性能,确定最佳输入时间长度;

9、步骤6:采用最佳输入时间窗口的历史数据,输入优化后的轻量级随机森林模型,输出目标航天器未来24小时内的机动触发时间与机动量级预测结果。

10、优选地,六维基础特征向量包括:

11、x1_timesincelast为累计机动停火时间,x1_timesincelast记录了从上一次机动结束点到当前观测点所经历的时间长度;

12、x2_cumulativedecay为累计衰减量,x2_cumulativedecay计算卫星自上一次机动结束以来半长轴累积衰减的数值,反映了航天器轨道能量的亏损程度,是触发轨道高度维持阈值的直接动力学依据;

13、x3_recentdecayrate为近期衰减率,x3_recentdecayrate用于确定卫星受到的阻力大小时刻受大气密度的动态波动影响,通过计算当前数据点前一个短期自由衰减时间窗口内的拟平均半长轴下降斜率,动态量化了当前空间环境的恶劣程度与局部阻尼强度;

14、x4_histmeanperiod为历史平均机动周期,x4_histmeanperiod用于确定历史机动数据库中提取的机动间隔均值,展示目标航天器在长周期内表现出的宏观任务规划偏好与变轨频率基线;

15、x5_histmeanmagnitude为历史平均机动量,x5_histmeanmagnitude用于确定历史机动数据库中提取的变轨增量均值,确定卫星控制系统单次推力操作的典型能量注入级别;

16、x6_currentaltitude为当前拟平均半长轴,x6_currentaltitude提取当前观测点的拟平均半长轴数值,提供明确的空间位置坐标基准。

17、优选地,滑动窗口机制扩充特征的具体方法为:

18、针对表征轨道能量状态的累计衰减量x2_cumulativedecay与当前拟平均半长轴x6_currentaltitude,分别向前提取当前时间序列前一分钟和前两分钟的的历史数据,通过特征拼接,原本的六维基础特征被扩充为包含十个维度的强化特征矩阵。

19、优选地,贝叶斯优化算法优化的超参数包括决策树数量、叶子节点最小样本数、节点分裂特征采样数;

20、贝叶斯优化算法对参数进行自动化精细调优,以超参数作为优化对象,贝叶斯优化利用高斯过程作为代理模型,根据已评估参数组合的表现,动态构建目标函数,包括预测误差的后验概率分布,结合期望改善采集函数,在探索未知参数区域与开发当前已知最优区域之间取得平衡,以最少的迭代次数逼近全局最优解;

21、应用于下一次机动时间y1_timetonext与下一次机动变轨量y2_nextmagnitude的两个独立回归模型中,确保各自的物理评估指标皆达到最优状态。

22、优选地,top-k特征优选策略仅保留排名最靠前的k个核心特征,构建轻量级的降维数据集并重新训练模型,top-k特征优选策略中k值取5。

23、优选地,最佳输入时间窗口确定为72小时。

24、优选地,引入了均方根误差rmse与平均绝对误差mae两项评价指标对全量特征模型与精简模型进行对比度量,当精简模型在测试集上能够展现出优于或等同于全量模型的误差表现,则说明优选特征已充分涵盖了预测所需的核心信息,剔除尾部冗余特征降低维度并提升运算效率。

25、优选地,评估模型性能的指标包括正检率、误检率、漏检率、预测误差均值及预测误差标准差。

26、一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以用于实现一种商业低轨航天器机动预测建模与分析方法。

27、一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现一种商业低轨航天器机动预测建模与分析方法。

28、本发明具有以下有益效果:

29、本发明融合了商业低轨航天器微观瞬时动力学状态与宏观历史控制策略,通过滑动窗口机制捕捉轨道演化的短期记忆效应,能够准确表征低轨轨道衰减的累积特性与动态趋势。

30、本发明采用高度类特征的相对化归一化处理,消除了不同轨道壳层与不同批次卫星的量纲差异,使模型能够兼容异构卫星数据,适用于巨型星座的批量监测。

31、本发明通过贝叶斯超参数优化实现全局最优参数配置,结合top-k特征优选策略剔除冗余噪声,在降低计算开销的同时,有效抑制了过拟合,机动量级预测误差收敛至米级。

32、本发明确定72小时为最佳输入时间窗口,在保证96.7%以上正检率的同时,提供约2分钟的提前预警缓冲,且能够在目标卫星入轨或大范围变轨后快速重启预测流程,满足空间态势感知的实时性需求。