基于LSTM神经网络的技术趋势外推：对太空探索舰船趋势分析

预测复杂领域如太空探索中的技术进步具有挑战性，due to技术、经济和政策因素之间的复杂相互作用。技术预测领域长期依赖定量趋势外推技术，如增长曲线(例如摩尔定律)和时间序列模型来预测技术进步。为评估这些方法的当前状态，我们进行了一项更新的系统综述(SLR)，纳入近期进展。该综述显示出一种趋势，即发展出基于机器学习的混合模型。鼓励我们开发的预测模型将长短期记忆(LSTM)神经网络与摩尔定律的扩展相结合，用于预测航天器寿命。航天器的运行寿命是航天器的重要工程特征，也是太空探索中技术进步的潜在代理指标。寿命建模取决于发射日期和其他预测因子。我们的建模分析在最近引入的开始时间结束时间积分(STETI)方法中引入了新进展。STETI解决了一个已知会偏向寿命分析的关键右删失问题：即最近的发射日期对应的航天器寿命较短，因此才能贡献寿命数据。较长寿命的航天器仍在运营中，因此不会贡献数据。这会系统性地扭曲寿命随发射日期变化的曲线，使最近发射日期的寿命估计偏低。STETI通过在将寿命表示为发射时间函数和将其建模为故障时间函数之间进行转换来缓解这种扭曲。结果为太空任务规划和政策决策提供了相关见解。