轨道预测模型的训练方法、装置、存储介质及电子装置与流程
本发明实施例涉及计算机领域,具体而言,涉及一种轨道预测模型的训练方法、装置、存储介质及电子装置。
背景技术:
1、在相关技术中,空间目标智能轨道预报技术无法满足多样化轨道预报任务的高精度预报需求。
2、由此可知,相关技术中轨道预报任务精度还可以进一步提升。
技术实现思路
1、本发明实施例提供了一种轨道预测模型的训练方法、装置、存储介质及电子装置,以至少解决相关技术中存在的轨道预报任务精度低的问题。
2、根据本发明的一个实施例,提供了一种轨道预测模型的训练方法,包括:获取训练数据,其中,所述训练数据包括基于动力学模型确定空间目标的轨道所需的训练轨道参数数据、训练预报时长以及空间目标所在空间的训练空间环境特征序列,其中,所述训练预报时长为训练预测时刻与当前时刻的时间间隔;将所述训练数据输入至初始模型中,以通过所述初始模型中包括的输入层神经网络提取所述训练数据之间的关联特征;将所述关联特征输入至所述初始模型中包括的预测子模型中,以得到所述预测子模型的预测结果;基于所述预测结果以及星历数据确定目标损失值;基于所述目标损失值迭代更新所述初始模型的模型参数,得到轨道预测模型。
3、在一个示例性实施例中,将所述训练数据输入至所述初始模型中,以通过所述初始模型中包括的输入层神经网络提取所述训练数据之间的关联特征包括:将所述训练数据输入至所述输入层神经网络中包括的内部特征提取模型中,得到训练特征矩阵;将所述训练特征矩阵输入至所述输入层神经网络中包括的关联特征提取模型中,得到所述关联特征。
4、在一个示例性实施例中,将所述训练数据输入至所述输入层神经网络中包括的内部特征提取模型中,得到训练特征矩阵包括:将所述训练数据中包括的所述训练轨道参数数据输入至所述内部特征提取模型中,得到轨道特征矩阵;将所述训练数据中包括的所述训练预报时长输入至所述内部特征提取模型中,得到预报时长矩阵;将所述训练数据中包括的所述训练空间环境特征序列输入至所述内部特征提取模型中,得到空间环境特征矩阵;拼接所述轨道特征矩阵、所述预报时长矩阵以及所述空间环境特征矩阵得到所述训练特征矩阵。
5、在一个示例性实施例中,将所述关联特征输入至所述初始模型中包括的预测子模型中,以得到所述预测子模型的预测结果包括:将所述关联特征输入至所述预测子模型中包括的多个神经网络模型中,得到多个第一预报结果;将所述训练数据中包括的所述训练轨道参数数据以及所述训练预报时长输入至所述预测子模型中包括的多个轨道动力学模型中,得到多个第二预报结果;确定多个所述第一预报结果以及多个所述第二预报结果的第一权重;基于多个所述第一预报结果、多个所述第二预报结果以及所述第一权重确定加权和值;将所述加权和值确定为所述预测结果。
6、在一个示例性实施例中,确定多个所述第一预报结果以及多个所述第二预报结果的第一权重包括:拼接所述关联特征、所述多个所述第一预报结果以及多个所述第二预报结果,得到拼接数据;将所述拼接数据输入至所述初始模型中包括的门控神经网络中,得到权重向量;对所述权重向量进行加权,得到所述第一权重。
7、在一个示例性实施例中,对所述权重向量进行加权,得到所述第一权重包括:按照逐步松弛的正则化算法对所述权重向量进行加权,得到所述第一权重。
8、在一个示例性实施例中,基于所述目标损失值迭代更新所述初始模型的模型参数,得到轨道预测模型包括:基于所述目标损失值迭代更新所述输入层神经网络的第一模型参数、所述预测子模型的第二模型参数以及所述初始模型中包括的门控神经网络的第三模型参数;在满足退出训练条件的情况下,将更新了所述第一模型参数、所述第二模型参数以及所述第三模型参数的所述初始模型确定为所述轨道预测模型。
9、在一个示例性实施例中,所述训练空间环境特征序列包括历史空间环境特征序列以及未来空间环境特征序列。
10、在一个示例性实施例中,在基于所述目标损失值迭代更新所述初始模型的模型参数,得到轨道预测模型之后,所述方法还包括:获取基于动力学模型确定空间目标的轨道所需的目标轨道参数数据、目标预报时长以及所述空间目标所在空间的目标空间环境特征序列,其中,所述目标预报时长为目标预测时刻与当前时刻的时间间隔;将所述目标轨道参数数据、所述目标预报时长以及所述目标空间环境特征序列输入至所述轨道预测模型中,以预测所述空间目标在所述目标预测时刻的运行轨道。
11、根据本发明的另一个实施例,提供了一种轨道预测模型的训练装置,包括第一存储器、第一处理器以及存储在所述第一存储器上并可在所述第一处理器上运行的第一计算机程序,所述第一处理器执行所述第一计算机程序时实现如下操作:获取训练数据,其中,所述训练数据包括基于动力学模型确定空间目标的轨道所需的训练轨道参数数据、训练预报时长以及空间目标所在空间的训练空间环境特征序列,其中,所述训练预报时长为训练预测时刻与当前时刻的时间间隔;将所述训练数据输入至初始模型中,以通过所述初始模型中包括的输入层神经网络提取所述训练数据之间的关联特征;将所述关联特征输入至所述初始模型中包括的预测子模型中,以得到所述预测子模型的预测结果;基于所述预测结果以及星历数据确定目标损失值;基于所述目标损失值迭代更新所述初始模型的模型参数,得到轨道预测模型。
12、根据本发明的又一个实施例,还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中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
13、根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
14、根据本发明的又一个实施例,还提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现本申请各个实施例中所述方法的步骤。
15、通过本发明,可以先获取包括基于动力学模型确定空间目标的轨道所需的训练轨道参数数据、训练预测时刻与当前时刻的时间间隔以及空间目标所在空间的训练空间环境特征序列的训练数据,将训练数据输入至初始网络模型中包括的输入层神经网络可以提取训练数据之间的关联特征,再将关联特征输入至初始网络模型中包括的预测子模型可以得到预测结果。通过预测结果和星历数据可以确定出目标损失函数,利用目标损失函数对初始模型的模型参数进行不断的更新,可以得到一个精准的轨道预测模型,可以缩小预测结果与真实星历数据的差异,以达到更高的预报精度。由于分别构建了包含输入层神经网络以及预测子模型的初始模型,并在训练数据中引入了辅助信息(即空间目标所在空间的训练空间环境特征序列),可以实现轨道预测模型对环境、时间、参数以及子模型结果的全方位感知,因此,可以解决轨道预报任务精度低的问题,达到提高轨道预报任务精度的效果。
1.一种轨道预测模型的训练方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,将所述训练数据输入至所述初始模型中,以通过所述初始模型中包括的输入层神经网络提取所述训练数据之间的关联特征包括:
3.根据权利要求2所述的方法,其特征在于,将所述训练数据输入至所述输入层神经网络中包括的内部特征提取模型中,得到训练特征矩阵包括:
4.根据权利要求1所述的方法,其特征在于,将所述关联特征输入至所述初始模型中包括的预测子模型中,以得到所述预测子模型的预测结果包括:
5.根据权利要求4所述的方法,其特征在于,确定多个所述第一预报结果以及多个所述第二预报结果的第一权重包括:
6.根据权利要求5所述的方法,其特征在于,对所述权重向量进行加权,得到所述第一权重包括:
7.根据权利要求1所述的方法,其特征在于,基于所述目标损失值迭代更新所述初始模型的模型参数,得到轨道预测模型包括:
8.根据权利要求1所述的方法,其特征在于,所述训练空间环境特征序列包括历史空间环境特征序列以及未来空间环境特征序列。
9.根据权利要求1所述的方法,其特征在于,在基于所述目标损失值迭代更新所述初始模型的模型参数,得到轨道预测模型之后,所述方法还包括:
10.一种轨道预测模型的训练装置,其特征在于,包括第一存储器、第一处理器以及存储在所述第一存储器上并可在所述第一处理器上运行的第一计算机程序,所述第一处理器执行所述第一计算机程序时实现如下操作:
11.一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中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至9任一项中所述的方法。
12.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至9任一项中所述的方法。
13.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至9任一项中所述方法的步骤。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com