一种滤波分解序列的卫星遥测数据预测方法技术

本发明专利技术公开了一种滤波分解序列的卫星遥测数据预测方法，采用HP滤波法将原始遥测数据分解，得到趋势项和波动项。其中，趋势项用于表示中长期预测中的趋势性问题，波动项用于表示短期预测中的季节性、周期性和不规则变动性问题。本发明专利技术分别分析趋势项和波动项的预测结果，将两者的预测结果相加，得到卫星遥测数据的最终预测结果，能够消除遥测数据中趋势性和波动性的影响，对卫星遥测数据进行短期和中长期预测，提高预测精度与准确度；适用于具有趋势和波动特性叠加的复杂规律遥测模拟量参数预测，通过序列分解，消除了趋势与波动之间的相互影响，区别于现有的遥测数据预测方法，能够实现对遥测数据的短期和中长期预测。够实现对遥测数据的短期和中长期预测。够实现对遥测数据的短期和中长期预测。

【技术实现步骤摘要】
一种滤波分解序列的卫星遥测数据预测方法


[0001]本专利技术涉及卫星遥测数据预测
，具体涉及一种滤波分解序列的卫星遥测数据预测方法。

技术介绍

[0002]卫星遥测数据反映了星上各设备在轨运行的状态。通过对遥测数据进行分析和预测，不仅可以发现各设备性能退化程度，而且可以根据预测数据进行故障预警，对降低卫星的在轨运行风险、确保卫星长期安全可靠运行具有重要意义。
[0003]由于卫星面临复杂的空间环境,影响遥测参数变化的空间因素较多,加上卫星自身运行轨道的影响,这些诸多不确定性因素与卫星各部件相互作用,使遥测数据呈现复杂规律的波动，使得基于物理机理的预测方法较为困难。遥测数据可以看作是具有复杂特征的时间序列，其变化规律是序列的各种统计特征(趋势性、季节性、周期性和不规则变动)的叠加，因此可以考虑利用时间序列分析的工具进行预测，而不必考虑实际物理作用过程和空间因素的影响。寻找合适的预测方法，尽可能精确的刻画遥测数据的趋势性和波动性规律，提高预测精度，使之能有效进行中长期预测，具有重要理论意义和应用价值。
[0004]目前，常见的遥测数据预测方法有如曲线拟合法、小波分析法、灰色系统预测法、神经网络等，这些方法多适用于单一或者平稳趋势的短期预测，未能充分考虑实际数据的季节性和波动性特点，对于中长期预测往往精度不够甚至预测发散。如今存在一种卫星遥测数据趋势分析方法，主要是建立sin函数和FFT运算模型实现趋势分析，但此方法仅适用于平稳和周期性遥测参数的趋势分析，不能对其它复杂变动趋势的参数进行准确预测。还有一种基于Kalman(卡尔曼)滤波的遥测数据预测方法，主要解决卫星测试过程中的实时性和自动化判读需求，对在轨实际遥测数据的复杂规律的中长期预测存在局限性。
[0005]HP(Hodrick
‑
Prescott普雷斯科特)滤波法是一种常见的时间序列分析工具，已应用于经济运行分析、能源预测等领域，是一种可以将时间序列进行分解的数学方法，因此可应用于具有趋势和波动叠加特点的遥测模拟量参数中长期高精度预测，但目前还未见将HP滤波法引入卫星遥测数据预测方法中。
[0006]因此，目前需要一种方法，可以结合HP滤波法，完成短期和中长期的卫星遥测数据预测，提高预测精度和准确度。

技术实现思路

[0007]有鉴于此，本专利技术提供了一种滤波分解序列的卫星遥测数据预测方法，能够消除遥测数据中趋势性和波动性的相互影响，对卫星遥测数据进行短期和中长期预测，提高预测精度与准确度。
[0008]为实现上述专利技术目的，本专利技术的技术方案为：
[0009]一种滤波分解序列的卫星遥测数据预测方法，具体步骤包括：
[0010]步骤一、卫星采集原始遥测数据；对原始遥测数据进行滤波，将原始遥测数据分解
成趋势项和波动项。
[0011]步骤二、对趋势项进行建模，得到趋势项预测结果。
[0012]对波动项，首先检验其平稳性，确认平稳后，对波动项的差分序列进行分析，进而得到波动项数据预测结果。
[0013]步骤三、将趋势项预测结果和波动项数据预测结果叠加，得到最终预测结果。
[0014]进一步的，采用HP滤波法对原始遥测数据进行滤波。
[0015]进一步的，对原始遥测数据进行滤波的过程中，采用的平滑参数从原始遥测数据的频次、趋势的平滑程度和有利于波动项建模的角度，通过试算筛选确定。
[0016]进一步的，对趋势项进行建模，得到趋势项预测结果，具体方式为：
[0017]对趋势项进行二次指数平滑建模，即：将趋势项进行第一次指数平滑，得到一次指数平滑序列；对趋势项进行第二次指数平滑，得到二次指数平滑序列。
[0018]根据一次指数平滑序列和二次指数平滑序列，进而得到趋势预测结果。
[0019]进一步的，对波动项，首先检验其平稳性，确认平稳后，对波动项的差分序列进行分析，进而得到波动项数据预测结果，具体方式为：
[0020]检验波动项的平稳性，当波动项不平稳时，对其进行差分运算直至平稳，并记下最后一次运算得到的差分序列；当波动项平稳时，直接对波动项进行差分运算，得到其差分序列。
[0021]对差分序列进行季节性分析，确定ARIMA模型的阶数；根据阶数和差分序列的平稳时间序列，建立季节型ARIMA模型。
[0022]根据季节型ARIMA模型，得到波动项预测结果。
[0023]有益效果：
[0024]1、本专利技术提出一种针对卫星遥测数据的预测方法，采用HP滤波法将原始遥测数据分解，得到趋势项和波动项。其中，趋势项用于表示中长期预测中的趋势性问题，波动项用于表示短期预测中的季节性、周期性和不规则变动性问题。本专利技术分别分析趋势项和波动项的预测结果，将两者的预测结果相加，得到卫星遥测数据的最终预测结果，能够消除遥测数据中趋势性和波动性的影响，对卫星遥测数据进行短期和中长期预测，提高预测精度与准确度；适用于具有趋势和波动特性叠加的复杂规律遥测模拟量参数预测，通过序列分解，消除了趋势与波动之间的相互影响，区别于现有的遥测数据预测方法，能够实现对遥测数据的短期和中长期预测。
[0025]2、本专利技术根据趋势项和波动项的不同特点分别采用二次指数平滑建模和季节型ARIMA模型预测，既有效地拟合了原数据的趋势性，也降低了季节性对趋势性的影响，又较好地刻画了数据的波动性，从而极大地提高了预测精度。
[0026]3、在预测过程中，本专利技术方法对趋势项进行二次指数平滑建模，得到其预测结果，二次指数平滑方法对存在线性趋势的数据预测效果良好，能够较好的追踪趋势数据的变化，提高预测精度。
[0027]4、在预测过程中，本专利技术方法对波动项采用季节性分析和季节型ARIMA模型来得到其预测结果。首先，对波动项进行差分运算，对其差分序列进行季节性分析，得到季节型ARIMA模型的阶数，进而预测结果，提高预测精度。
[0028]5、本专利技术在使用HP滤波法时，滤波过程中采用的平滑参数从原始遥测数据的频
域、趋势的平滑程度和有利于波动项建模的角度，通过试算筛选确定，可用来指导参数选择和模型识别，有利于后续的建模预测。
[0029]6、本专利技术针对的遥测模拟数据的参数应用范围广，仅仅依据数据本身的变化规律，能在较长时间跨度内实现优于单个遥测分层值的高精度预测。
附图说明
[0030]图1为本专利技术的方法流程图。
[0031]图2为预测结果与实际数据对比及相对误差图。
具体实施方式
[0032]下面结合附图并举实施例，对本专利技术进行详细描述。
[0033]如图1所示，本专利技术提供了一种滤波分解序列的卫星遥测数据预测方法，具体步骤包括：
[0034]步骤一、卫星采集原始遥测数据Y＝{y1,y2,...,y
t
,...,y
N
}，其中y
t
为原始遥测数据的第t个数据，t＝1,2,...,N，N为数据个数。然后，采用HP滤波本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滤波分解序列的卫星遥测数据预测方法，其特征在于，具体步骤包括：步骤一、卫星采集原始遥测数据；对原始遥测数据进行滤波，将所述原始遥测数据分解成趋势项和波动项；步骤二、对趋势项进行建模，得到趋势项预测结果；对波动项，首先检验其平稳性，确认平稳后，对波动项的差分序列进行分析，进而得到波动项数据预测结果；步骤三、将趋势项预测结果和波动项数据预测结果叠加，得到最终预测结果。2.如权利要求1所述的方法，其特征在于，采用HP滤波法对原始遥测数据进行滤波。3.如权利要求1或2所述的方法，其特征在于，对原始遥测数据进行滤波的过程中，采用的平滑参数从原始遥测数据的频次、趋势的平滑程度和有利于波动项建模的角度，通过试算筛选确定。4.如权利要求1所述的方法，其特征在于，所述对趋势项进行建模，得到趋势项预...

【专利技术属性】
技术研发人员：李志强，李鸿飞，张香燕，杨慧，田华东，李晗，张芸香，戴雪扬，邱瑞，周进锋，
申请(专利权)人：北京空间飞行器总体设计部，
类型：发明
国别省市：