通过监督机器学习提升轨道预测精度
地球与行星天体物理
2018-03-16 v1 计算工程、金融与科学
机器学习
机器学习
摘要
由于缺乏空间环境状况与在轨空间物体（RSOs）本体特征等信息，当前仅基于物理模型的轨道预测可能无法达到避撞所需精度，并已导致卫星碰撞。本文提出一种比现有方法精度更高的 RSO 轨迹预测方法。受机器学习（ML）理论启发——该理论通过基于大量观测数据学习模型且无需显式建模空间物体与空间环境即可进行预测——所提 ML 方法将基于物理的轨道预测算法与侧重于减小预测误差的基于学习的过程相集成。利用基于仿真的空间编目环境作为测试平台，本文展示了所提 ML 方法的三种泛化能力：1）该 ML 模型可用于改善同一 RSO 在学习过程中不可用但训练数据具有相同时间间隔的轨道信息；2）该 ML 模型可用于改善同一 RSO 在未来历元的预测；3）基于某 RSO 的 ML 模型可应用于其他具有某些共同特征的 RSO。
引用
@article{arxiv.1801.04856,
title = {Improving Orbit Prediction Accuracy through Supervised Machine Learning},
author = {Hao Peng and Xiaoli Bai},
journal= {arXiv preprint arXiv:1801.04856},
year = {2018}
}
备注
30 pages, 21 figures, 4 tables, Preprint submitted to Advances in Space Research, on December 14, 2017