CN119415964A 空间碎片轨道预测模型训练方法及空间碎片轨道预测方法 （中国科学院国家天文台）

空间碎片轨道预测模型训练方法及空间碎本发明提供了一种空间碎片轨道预测模型在不同时刻的预测状态向量与基准状态向量之使初始随机森林模型建立空间碎片的轨道参数2根据所述历史轨道数据，提取出所述空间碎片在不同时刻的预测对所述多维特征数据集进行数据降维处理，将其中的多维特征向量变换至低维空间，设定主参考时刻，其中，所述空间碎片在所述主参考时刻的状态向响应于将N个时刻中的任意一个时刻设定为主参考时刻，分别提取出在所述主参考时采用网格搜索算法确定所述初始随机森林模型的最优参将降维后的样本数据集输入配置最优参数组合后的5.根据权利要求4所述的方法，其特征在于，所述初始随机森林模型配置有多个决策对降维后的样本数据集中的多维特征向量和标签进行打乱操作，3将打乱操作后的样本数据集按照指定的比例随机划分为训练集将所述训练集通过有放回的方式随机划分为多个子样本集，其中利用随机子空间方法，为每个决策树从所述利用所述测试集，通过多个指标独立评估每个决策树的预测结果与真实值之间的差将所述当前轨道数据输入空间碎片轨道预测模型，预测得到所述空间碎片的轨道参其中，所述空间碎片轨道预测模型根据权利要求1～9中45法确定初始随机森林模型的最优参数组合，并将最优参数组合配置于初始随机森林模型历史数据，并采用机器学习随机森林算法建立短期预测模型来分析空间碎片的短期演化，6[0019]图1示意性示出了根据本发明实施例的空间碎片轨道预测模型训练方法的流程[0021]图3示意性示出了根据本发明实施例在U方向的误差数真实值与预测值之间的散[0022]图4示意性示出了根据本发明实施例在N方向的误差数真实值与预测值之间的散[0023]图5示意性示出了根据本发明实施例在W方向的误差数真实值与预测值之间的散[0024]图6示意性示出了根据本发明实施例的空间碎片轨道预测模型训练方法的原理[0025]图7示意性示出了根据本发明实施例的空间碎片轨道预测模型训练装置的结构框[0026]图8示意性示出了根据本发明实施例的适于实现空间碎片轨道预测模型训练方法7[0039]对多维特征数据集进行数据降维处理，将其中的多维特征历史数据，并采用机器学习随机森林算法建立短期预测模型来分析空间碎片的短期演[0043]图1示意性示出了根据本发明实施例的空间碎片轨道预测模型训练方法的流程8[0044]如图1所示，该实施例的空间碎片轨道预测模型训练方法例如可以包括操作S1~残差为从任意一个时刻到主参考时刻的预测状态向量与基准状[0056]响应于将N个时刻中的任意一个时刻设定为主参考时刻，分别提取出在主参考时[0059]计算空间碎片从第N_1个时刻到第N个时刻的预测状态向量，然后利用该第N_1个9[0060]进一步计算空间碎片从第N_2个时刻到第N个时刻的预测状态向量减去第N个时刻时刻到第N_1个时刻的预测状态向量减去第N_[0063]上述状态向量的残差是基于地心坐标系下计算的，从星体坐标系中的位置iw=(U,N,W)到地心平赤道坐标系中的位置之间的转换如下：[0067]目标在地心平赤道坐标系中的位置可以通过其瞬时开普[0069]考虑到计算能力有限，在本实施例中选择了200个具有最多数据的数据文件进行2[0108]经过处理，原始样本总体中的七个属性特征由可以表达其总体信息超过85%的三[0112]将降维后的样本数据集输入配置最优参数组合后的初始随机森林模型中进行训[0113]随机森林模型是一种利用多棵树对样本进行训练并预测的分类器。在机器学习[0115]将待寻优的5个参数罗列成网格形式，以交叉验证的方式支持最优参数组合的筛[0117]p*=argmaxf(p)[0119]若组合包含两个最优参数pi与，两参数取值范围分别为(Dim,Din)和(p⃞=pimin+(A-1)(pmax-pimin)/M输出使其最大的参数组合作为本实施例超参数[0123]本实施例基于超参数优化算法对随机森林模型中影响决策树复杂度及抽样方式[0129]将打乱操作后的样本数据集按照指定的比例随机划分为[0150]利用测试集，通过多个指标独立评估每个决策树的预测结果与真实值之间的差采表示数据的平均值。[0161]RMSE和MAE参数可以反应参数真实值与预测值之间的[0162]在本实施例中，基于273546条训练数据集和68386条实验验证数据集对空间碎片[0165]图3示意性示出了根据本发明实施例在U方向的误差数真实值与预测值之间的散[0168]散点图可以直观地对预测数据与真实数据之间的差异和预测值之间存在显著的线性相关性，预测精度高；而RMSE和MAE参数精度也分别达到了[0174]图4示意性示出了根据本发明实施例在N方向的误差数真实值与预测值之间的散[0176]预测所得N方向误差绝大部分数据分布在0[0177]散点图可以直观地对预测数据与真实数据之间的差异和[0180]皮尔逊相关系数可以反映模型预测值与真实值之间的线性相关性，本实验预测N[0183]图5示意性示出了根据本发明实施例在W方向的误差数真实值与预测值之间的散[0185]散点图可以直观地对预测数据与真实数据之间的差异和[0188]从定量精度验证指标来看，本实验构建的随机森林预测模型具有较高的预测精实值之间良好的线性相关性；而从两类误差验证指标来看，模型精度也达到0.0092和够在探测设备资源有限的情况下最大限度发挥设备探测效能，快速准确掌握空间碎片信[0194]图6示意性示出了根据本发明实施例的空间碎片轨道预测模型训练方法的原理[0205]将降维处理后的样本数据按照4:1的划分比例，随机划分为训练集与测试集，其[0212]图7示意性示出了根据本发明实施例的空间碎片轨道预测模型训练装置的结构框[0215]提取模块720用于根据历史轨道数据，提取出空间碎片在不同时刻的预测状态向[0217]数据降维模块740用于对多维特征数据集进行数据降维处理，将其中的多维特征[0218]训练模块750用于利用降维后的样本数据集，通过机器学习算法训练初始随机森路（ASIC或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结生成模块730、数据降维模块740和训练模块750中的至少一个可以至少被部分地实现为硬[0222]图8示意性示出了根据本发明实施例的适于实现空间碎片轨道预测模型训练方法例的方法流程的不同动作的单一处理单元或以存储在除ROM802和存储部分808以外的一个或多个存储器中。处理器801也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操其上读出的计算机程序根据需要被安装入存被安装。在该计算机程序被处理器801执行时，执行本发明实施例的系统中限定的上述功以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。[0229]例如，根据本发明的实施例，计算机可读存储介质可以包括上文描述的ROM