一种航天器遥测数据预测方法技术

本发明专利技术是关于一种航天器遥测数据预测方法。包括：获取待预测的遥测数据的历史监测数据，对不平稳的历史监测数据进行至少一阶的差分运算使其平稳；计算平稳的历史监测数据的自相关系数和偏自相关系数；根据自相关系数和偏自相关系数确定ARIMA模型中p、q的取值，ARIMA模型中d的值为进行差分运算的阶数；从历史监测数据首端开始，以设定的取样窗口为取样单位，以设定的滑动步数逐次滑动取样窗口进行取样获得多个取样历史监测数据组；逐个计算前后相邻两取样历史监测数据组对应的ARIMA模型的参数向量之间的变化值；比较变化值与预设阈值的关系逐步确定最后一个取样历史监测数据组对应的ARIMA模型的参数，从而得到最新ARIMA模型，进行航天器遥测数据预测。进行航天器遥测数据预测。进行航天器遥测数据预测。

【技术实现步骤摘要】
一种航天器遥测数据预测方法


[0001]本公开实施例涉及航天器遥测数据预测
，尤其涉及一种航天器遥测数据预测方法。

技术介绍

[0002]随着时间序列应用日益增多，时间序列预测研究获得了越来越多的关注。传统时间序列预测技术是通过统计时间序列前后数值之间的相关性，并依据相关系数构造预测模型，其主要应用是对时间序列进行多步点预测，如Box
‑
Jenkins模型、ARCH模型等等。由于时间序列数据在不断增长，当时间序列服从的分布发生变化时Box
‑
Jenkins模型对序列的拟合程度会大大降低，预测结果也会出现较大误差。
[0003]时间序列预测在各个领域的应用也至关重要，基于航天器遥测数据趋势分析技术，可以提前推断航天器在未来时间的状态。而针对航天器各分系统的超长时序遥测参数序列，在趋势分析方面，航天器在轨运行过程的周期性或变周期特征限制了AR模型预测、指数平滑预测等常用预测方法的使用效果。由于航天器在轨多圈次绕近似椭圆轨道运行的特殊性，无论是测控网外测数据还是航天器携带设备获取的遥测数据，相当部分遥测数据都有间歇性的变化特征。无论是Weierstrass第一逼近定理、第二逼近定理，还是单独基于时间序列分析领域典型的AR模型、ARMA模型、Kalman预报和指数平滑预报等经典算法，都很难逼近或完整地描述时序数据序列所呈现的变化规律，进而不能有效对这类遥测数据实现覆盖整个周期的状态预测和趋势分析。
[0004]因此，有必要改善上述相关技术方案中存在的一个或者多个问题。
[0005]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0006]本公开的目的在于提供一种航天器遥测数据预测方法，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
[0007]本公开，提供一种航天器遥测数据预测方法，包括：
[0008]获取待预测的遥测数据的历史监测数据，判断历史监测数据的平稳性，对不平稳的历史监测数据进行至少一阶的差分运算使其平稳；
[0009]计算平稳的历史监测数据的自相关系数和偏自相关系数；
[0010]根据自相关系数和偏自相关系数确定ARIMA(Autoregressive Integrated Moving Average mode，差分整合移动平均自回归模型)模型中p、q的取值获得ARIMA模型：y
t
＝c+a1y
t
‑1+
…
+a
p
y
t
‑
p
+ξ
t
+b1ξ
t
‑1+b2ξ
t
‑2+
…
+b
q
ξ
t
‑
q
，其中，a1,
…
,a
p
为自回归模型系数，b1,
…
b
q
为移动平均模型系数，c为常量，P为自回归模型滞后阶数，q为移动平均模型滞后阶数，y
t
为平稳的历史监测数据，ξ
t
为具有零均值、同方差的独立分布白噪声序列；
[0011]从历史监测数据首端开始，以设定的取样窗口为取样单位，以设定的滑动步数逐
次滑动取样窗口进行取样获得多个取样历史监测数据组；
[0012]逐个采用多个取样历史监测数据组，计算ARIMA模型的参数向量；
[0013]逐个计算前后相邻两取样历史监测数据组对应的ARIMA模型的参数向量之间的变化值；当变化值小于预设阈值时，后一取样历史监测数据组对应的ARIMA模型的参数延用前一取样历史监测数据组对应的ARIMA模型的参数；当变化值大于预设阈值时，后一取样历史监测数据组对应的ARIMA模型的参数更新为计算得到的参数，如此直至确定最后一个取样历史监测数据组对应的ARIMA模型的参数，从而得到最新ARIMA模型；
[0014]采用最新ARIMA模型进行航天器遥测数据预测。
[0015]本公开中，获取的待预测的遥测数据的历史监测数据的长度至少大于100。
[0016]本公开中，当获取的历史监测数据具有系统误差时，判断历史监测数据的平稳性前还需要对获得的历史监测数据进行预处理；
[0017]其中，对历史监测数据进行预处理的方式与系统误差类型相关。
[0018]本公开中，从历史监测数据首端开始，以设定的取样窗口为取样单位，以设定的滑动步数逐次滑动取样窗口进行取样获得多个取样历史监测数据组的步骤之前，还包括：
[0019]设定历史监测数据的取样窗口和滑动步数。
[0020]本公开中，设定历史监测数据的取样窗口和滑动步数的步骤，包括：
[0021]预设N组数据不同的取样窗口和滑动步数的组合(W，S)，其中，W为取样窗口的取样个数，S为滑动步数；
[0022]根据历史监测数据，分别以N组(W，S)滑动取样计算ARIMA模型的参数向量变化值均值，得到N组参数向量变化值均值；
[0023]比较N组参数向量变化值均值，将最大参数向量变化值均值对应的(W，S)数据设定为历史监测数据的取样窗口和滑动步数。
[0024]本公开中，计算ARIMA模型的参数向量的方法为：
[0025]采用最小二乘法估计ARIMA模型参数，得到ARIMA模型的参数向量：θ＝{a1,
…
,a
p
,b1,
…
b
q
}。
[0026]本公开中，逐个计算前后相邻两取样历史监测数据组对应的ARIMA模型的参数向量之间的变化值的步骤之前，还包括：
[0027]判断前后相邻两取样历史监测数据组对应的ARIMA模型的参数向量维数是否相同；
[0028]当不同时，进行维数补齐使得前后相邻两参数向量维数相同。
[0029]本公开中，维数补齐的方式为采用数值0补充前后相邻两参数向量中相对缺少的参数值。
[0030]本公开中，通过公式dis(θ
i
,θ
i+1
)＝||θ
i
‑
θ
i+1
||2或dis(θ
i
,θ
i+1
)＝|θ
i
‑
θ
i+1
|计算前后相邻两取样历史监测数据组对应的ARIMA模型的参数向量之间的变化值，其中θ
i
表示前一取样历史监测数据组对应的ARIMA模型的参数向量，θ
i+1
表示后一取样历史监测数据组对应的ARIMA模型的参数向量。
[0031]本公开中，还包括：
[0032]当预测的航天器遥测数据获得对应的实际监测数据后，将获得的实际监测数据补充至所述历史监测数据中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种航天器遥测数据预测方法，其特征在于，包括：获取待预测的遥测数据的历史监测数据，判断历史监测数据的平稳性，对不平稳的历史监测数据进行至少一阶的差分运算使其平稳；计算平稳的历史监测数据的自相关系数和偏自相关系数；根据自相关系数和偏自相关系数确定ARIMA模型中p、q的取值，获得ARIMA模型：y
t
＝c+a1y
t
‑1+
…
+a
p
y
t
‑
p
+ξ
t
+b1ξ
t
‑1+b2ξ
t
‑2+
…
+b
q
ξ
t
‑
q
，其中，a1,
…
,a
p
为自回归模型系数，b1,
…
b
q
为移动平均模型系数，c为常量，P为自回归模型滞后阶数，q为移动平均模型滞后阶数，y
t
为平稳的历史监测数据，ξ
t
为具有零均值、同方差的独立分布白噪声序列；从历史监测数据首端开始，以设定的取样窗口为取样单位，以设定的滑动步数逐次滑动取样窗口进行取样获得多个取样历史监测数据组；逐个采用多个取样历史监测数据组，计算ARIMA模型的参数向量；逐个计算前后相邻两取样历史监测数据组对应的ARIMA模型的参数向量之间的变化值；当变化值小于预设阈值时，后一取样历史监测数据组对应的ARIMA模型的参数延用前一取样历史监测数据组对应的ARIMA模型的参数；当变化值大于预设阈值时，后一取样历史监测数据组对应的ARIMA模型的参数更新为计算得到的参数，如此直至确定最后一个取样历史监测数据组对应的ARIMA模型的参数，从而得到最新ARIMA模型；采用最新ARIMA模型进行航天器遥测数据预测。2.根据权利要求1航天器遥测数据预测方法，其特征在于，获取的待预测的遥测数据的历史监测数据的长度至少大于100。3.根据权利要求1航天器遥测数据预测方法，其特征在于，当获取的历史监测数据具有系统误差时，判断历史监测数据的平稳性前还需要对获得的历史监测数据进行预处理；其中，对历史监测数据进行预处理的方式与系统误差类型相关。4.根据权利要求1航天器遥测数据预测方法，其特征在于，从历史监测数据首端开始，以设定的取样窗口为取样单位，以设定的滑动步数逐次滑动取样窗口进行取样获得多个取样历史监测数据组的步骤之前，还包...

【专利技术属性】
技术研发人员：冯冰清，郭小红，郭栋，张炎，郭文明，李佩钰，钟晓歌，李肖瑛，
申请(专利权)人：中国西安卫星测控中心，
类型：发明
国别省市：