留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

ARIMA-SVR组合模型在卫星遥测参数预测中的应用

顾昕雨 肖志刚

顾昕雨, 肖志刚. ARIMA-SVR组合模型在卫星遥测参数预测中的应用[J]. 空间科学学报, 2022, 42(2): 306-312. doi: 10.11728/cjss2022.02.210106002
引用本文: 顾昕雨, 肖志刚. ARIMA-SVR组合模型在卫星遥测参数预测中的应用[J]. 空间科学学报, 2022, 42(2): 306-312. doi: 10.11728/cjss2022.02.210106002
GU Xinyu, XIAO Zhigang. Research on the Application of ARIMA-SVR Combination Model in Satellite Telemetry Parameter Prediction (in Chinese). Chinese Journal of Space Science, 2022, 42(2): 306-312. DOI: 10.11728/cjss2022.02.210106002
Citation: GU Xinyu, XIAO Zhigang. Research on the Application of ARIMA-SVR Combination Model in Satellite Telemetry Parameter Prediction (in Chinese). Chinese Journal of Space Science, 2022, 42(2): 306-312. DOI: 10.11728/cjss2022.02.210106002

ARIMA-SVR组合模型在卫星遥测参数预测中的应用

doi: 10.11728/cjss2022.02.210106002
基金项目: 中国科学院科学卫星任务运控技术项目资助 (Y829141A9S)
详细信息
    作者简介:

    顾昕雨:E-mail:guxinyu_gab@163.com

  • 中图分类号: V474

Research on the Application of ARIMA-SVR Combination Model in Satellite Telemetry Parameter Prediction

  • 摘要: 为辅助卫星在轨运行提供决策分析支持,结合卫星遥测参数的时间序列特性,利用一种ARIMA-SVR组合预测方法,通过对卫星遥测参数进行预测,判定实际遥测数据是否处于正常范围。该组合模型利用ARIMA模型对预处理后的数据进行线性拟合,并利用SVR模型对数据的非线性部分进行补偿。以KX09卫星星敏A的温度遥测数据为基础,分别利用组合模型对短期及中期星敏A温度进行预测,得出短期和中期均方根误差(RMSE)分别为0.768和0.968,相比单一ARIMA模型,短中期RMSE分别提高46.2%和16.4%。此外,对该卫星陀螺B的x轴角速度进行了短中期预测:短期预测中,组合模型比单一ARIMA模型的RMSE提高71.2%;中期预测中,组合模型比单一ARIMA模型的RMSE提高64.2%。实验结果表明,ARIMA-SVR组合模型为保证卫星在轨正常运行提供了有效的决策分析支持。

     

  • 图  1  基于ARIMA-SVR组合模型的卫星遥测数据预测建模流程

    Figure  1.  Modeling process of satellite telemetry data prediction based on ARIMA-SVR combination model

    图  2  2020年9月20日21:53 LT至2020年9月21日04:43 LT KX09星敏A温度变化

    Figure  2.  Temperature change of KX09 star sensor A from 20 September 2020 21:53 LT to 21 September 2020 04:43 LT

    图  3  星敏A温度短期数据的自相关与偏相关结果

    Figure  3.  Autocorrelation function and partial autocorrelation function of short-term temperature data of the star sensor A

    图  4  2020年9月20-21日ARIMA模型预测结果

    Figure  4.  Results of ARIMA model prediction on 20-21 September 2020

    图  5  2020年9月20日三种SVR核函数拟合效果

    Figure  5.  Fitting effect of three SVR kernel functions on 20 September 2020

    图  6  短期温度序列的PSO适应度函数曲线

    Figure  6.  PSO fitness function curve of short-term temperature series

    图  7  2020年9月20-21日SVR模型残差预测结果

    Figure  7.  Results of SVR model residual prediction on 20-21 September 2020

    图  8  2020年9月20-21日ARIMA-SVR组合模型预测结果

    Figure  8.  Results of ARIMA-SVR combinational model prediction on 20-21 September 2020

    图  9  陀螺B的x轴角速度短期时序

    Figure  9.  Short-term timing diagram of x-axis angular velocity of Gyro B

    表  1  三种核函数的RMSE值对比

    Table  1.   Comparison of RMSE of three kernel functions

    核函数RMSE
    RBF0.936
    Linear1.532
    Poly1.533
    下载: 导出CSV

    表  2  PSO算法参数设置

    Table  2.   Parameter setting of PSO algorithm

    参数名称数值
    粒子数量 100
    粒子维度 2
    最大迭代次数 500
    局部学习因子 2
    全局学习因子 2
    惯性因子 0.8
    参数最大值 15
    参数最小值 0.001
    下载: 导出CSV

    表  3  温度预测结果RMSE统计

    Table  3.   RMSE statistics of prediction results of temperature

    模型RMSE
    短期中期
    ARIMA1.4281.159
    ARIMA-SVR0.7680.968
    下载: 导出CSV

    表  4  角速度预测结果RMSE统计

    Table  4.   RMSE statistics of prediction results of angular velocity

    模型RMSE
    短期中期
    ARIMA2.7083.181
    ARIMA-SVR0.7791.138
    下载: 导出CSV
  • [1] 任国恒. 同步卫星遥测数据相关性分析与研究[D]. 西安: 西安工业大学, 2011

    REN Guoheng. Correlation Analysis and Research on the Telemetry Data of Synchronous Satellites[D]. Xi’an: Xi’an Technological University, 2011
    [2] 余文艳. 机器学习在有效载荷PHM系统中的应用研究[D]. 北京: 中国科学院大学(中国科学院国家空间科学中心), 2018

    YU Wenyan. Application and Research of Machine Learning in Payload PHM System[D]. Beijing: University of Chinese Academy of Sciences (National Space Science Center, the Chinese Academy of Sciences), 2018
    [3] ZHANG G P, PATUWO B E, HU M Y. A simulation study of artificial neural networks for nonlinear time-series forecasting[J]. Computers & Operations Research, 2001, 28(4): 381-396
    [4] DONATE J P, LI X D, SÁNCHEZ G G, et al. Time series forecasting by evolving artificial neural networks with genetic algorithms, differential evolution and estimation of distribution algorithm[J]. Neural Computing and Applications, 2013, 22(1): 11-20 doi: 10.1007/s00521-011-0741-0
    [5] 朱俊鹏, 赵洪利, 杜鑫, 等. 长短时记忆神经网络在卫星轨道预报中的研究[J]. 兵器装备工程学报, 2017, 38(10): 127-132 doi: 10.11809/scbgxb2017.10.026

    ZHU Junpeng, ZHAO Hongli, DU Xin, et al. Application of long short-term memory neural network to orbit prediction of satellite[J]. Journal of Ordnance Equipment Engineering, 2017, 38(10): 127-132 doi: 10.11809/scbgxb2017.10.026
    [6] 任国恒, 朱变, 朱海. 马特拉算法在遥测数据短期预测中的应用[J]. 武汉工程大学学报, 2014, 36(2): 73-78 doi: 10.3969/j.issn.1674-2869.2014.02.014

    REN Guoheng, ZHU Bian, ZHU Hai. Application of Mallat algorithm in short-term forecasting of telemetry data[J]. Journal of Wuhan Institute of Technology, 2014, 36(2): 73-78 doi: 10.3969/j.issn.1674-2869.2014.02.014
    [7] 刘家庆, 张弘鹏, 郭希海, 等. 基于SVR残差修正的光伏发电功率预测模型[J]. 电力工程技术, 2020, 39(5): 146-151

    LIU Jiaqing, ZHANG Hongpeng, GUO Xihai, et al. Prediction model of photovoltaic power generation based on SVR residual correction[J]. Electric Power Engineering Technology, 2020, 39(5): 146-151
    [8] 黄红梅. 应用时间序列分析[M]. 北京: 清华大学出版社, 2016

    HUANG Hongmei. Applied Time Series Analysis[M]. Beijing: Tsinghua University Press, 2016
    [9] 张森, 石为人, 石欣, 等. 基于偏最小二乘回归和SVM的水质预测[J]. 计算机工程与应用, 2015, 51(15): 249-254 doi: 10.3778/j.issn.1002-8331.1308-0117

    ZHANG Sen, SHI Weiren, SHI Xin, et al. Water quality prediction based on partial least squares and Support Vector Machine[J]. Computer Engineering and Applications, 2015, 51(15): 249-254 doi: 10.3778/j.issn.1002-8331.1308-0117
    [10] LUO Xueke, HE Yunxiao, LIU Peng, et al. Water quality prediction using an ARIMA-SVR hybrid model[J]. Journal of Yangtze River Scientific Research Institute, 2020, 37(10): 21-27 doi: 10.11988/ckyyb.201908087
    [11] 周志华. 机器学习[M]. 北京: 清华大学出版社, 2016

    ZHOU Zhihua. Machine Learning[M]. Beijing: Tsinghua University Press, 2016
    [12] 向超. 基于ARIMA-SVR组合模型的动力煤价格预测与实证研究[D]. 北京: 对外经济贸易大学, 2019

    XIANG Chao. Prediction and Research of Steam Coal Price Based on ARIMA and SVR Model[D]. Beijing: University of International Business and Economics, 2019
  • 加载中
图(9) / 表(4)
计量
  • 文章访问数:  37
  • HTML全文浏览量:  28
  • PDF下载量:  4
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-01-06
  • 录用日期:  2021-01-28
  • 修回日期:  2021-11-13
  • 网络出版日期:  2022-05-25

目录

    /

    返回文章
    返回