[發明專利]一種航天器遙測數據預測方法

在審

• 申請號: 202210617604.5
• 申請日: 2022-06-01
• 公開（公告）號: CN114925116A
• 公開（公告）日: 2022-08-19
• 發明（設計）人: 馮冰清;郭小紅;郭棟;張炎;郭文明;李佩鈺;鐘曉歌;李肖瑛
• 申請（專利權）人: 中國西安衛星測控中心
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06F17/18;G06Q10/04;G06Q50/30
• 代理公司: 西安亞信智佳知識產權代理事務所(普通合伙) 61241
• 代理人: 劉雯

本發明是關于一種航天器遙測數據預測方法。包括：獲取待預測的遙測數據的歷史監測數據，對不平穩的歷史監測數據進行至少一階的差分運算使其平穩；計算平穩的歷史監測數據的自相關系數和偏自相關系數；根據自相關系數和偏自相關系數確定ARIMA模型中p、q的取值，ARIMA模型中d的值為進行差分運算的階數；從歷史監測數據首端開始，以設定的取樣窗口為取樣單位，以設定的滑動步數逐次滑動取樣窗口進行取樣獲得多個取樣歷史監測數據組；逐個計算前后相鄰兩取樣歷史監測數據組對應的ARIMA模型的參數向量之間的變化值；比較變化值與預設閾值的關系逐步確定最后一個取樣歷史監測數據組對應的ARIMA模型的參數，從而得到最新ARIMA模型，進行航天器遙測數據預測。

技術領域

本公開實施例涉及航天器遙測數據預測技術領域，尤其涉及一種航天器遙測數據預測方法。

背景技術

隨著時間序列應用日益增多，時間序列預測研究獲得了越來越多的關注。傳統時間序列預測技術是通過統計時間序列前后數值之間的相關性，并依據相關系數構造預測模型，其主要應用是對時間序列進行多步點預測，如Box-Jenkins模型、ARCH模型等等。由于時間序列數據在不斷增長，當時間序列服從的分布發生變化時Box-Jenkins模型對序列的擬合程度會大大降低，預測結果也會出現較大誤差。

時間序列預測在各個領域的應用也至關重要，基于航天器遙測數據趨勢分析技術，可以提前推斷航天器在未來時間的狀態。而針對航天器各分系統的超長時序遙測參數序列，在趨勢分析方面，航天器在軌運行過程的周期性或變周期特征限制了AR模型預測、指數平滑預測等常用預測方法的使用效果。由于航天器在軌多圈次繞近似橢圓軌道運行的特殊性，無論是測控網外測數據還是航天器攜帶設備獲取的遙測數據，相當部分遙測數據都有間歇性的變化特征。無論是Weierstrass第一逼近定理、第二逼近定理，還是單獨基于時間序列分析領域典型的AR模型、ARMA模型、Kalman預報和指數平滑預報等經典算法，都很難逼近或完整地描述時序數據序列所呈現的變化規律，進而不能有效對這類遙測數據實現覆蓋整個周期的狀態預測和趨勢分析。

因此，有必要改善上述相關技術方案中存在的一個或者多個問題。

需要說明的是，在上述背景技術部分公開的信息僅用于加強對本公開的背景的理解，因此可以包括不構成對本領域普通技術人員已知的現有技術的信息。

發明內容

本公開的目的在于提供一種航天器遙測數據預測方法，進而至少在一定程度上克服由于相關技術的限制和缺陷而導致的一個或者多個問題。

本公開，提供一種航天器遙測數據預測方法，包括：

獲取待預測的遙測數據的歷史監測數據，判斷歷史監測數據的平穩性，對不平穩的歷史監測數據進行至少一階的差分運算使其平穩；

計算平穩的歷史監測數據的自相關系數和偏自相關系數；

根據自相關系數和偏自相關系數確定ARIMA(Autoregressive IntegratedMoving Average mode，差分整合移動平均自回歸模型)模型中p、q的取值獲得ARIMA模型：y_t＝c+a₁y_t-1+…+a_py_t-p+ξ_t+b₁ξ_t-1+b₂ξ_t-2+…+b_qξ_t-q，其中，a₁,…,a_p為自回歸模型系數，b₁,…b_q為移動平均模型系數，c為常量，P為自回歸模型滯后階數，q為移動平均模型滯后階數，y_t為平穩的歷史監測數據，ξ_t為具有零均值、同方差的獨立分布白噪聲序列；