基于Patch-Transformer的近地轨道卫星轨道预测方法

时间：2026年5月25日

来源：Aerospace Science and Technology

编辑推荐：

廖嘉豪|徐浩|罗宇飞|孟云鹤中山大学人工智能学院（珠海校区），中国珠海519082摘要空间环境的不确定性对低地球轨道（LEO）卫星实现高精度的中长期轨道预测构成了重大挑战。本文提出了一种基于伪阻力系数预测的Patch-Transformer神经网络轨道预测方法。首先，通过引入伪阻

廖嘉豪|徐浩|罗宇飞|孟云鹤

中山大学人工智能学院（珠海校区），中国珠海519082

摘要

空间环境的不确定性对低地球轨道（LEO）卫星实现高精度的中长期轨道预测构成了重大挑战。本文提出了一种基于伪阻力系数预测的Patch-Transformer神经网络轨道预测方法。首先，通过引入伪阻力系数，将轨道预测问题重新表述为时间序列分析任务。然后开发Patch-Transformer网络来模拟空间环境参数与伪阻力系数之间的非线性映射关系。最后，将预测的伪阻力系数与轨道动力学模型结合，以实现高精度的中长期轨道预测。基于实测数据进行的实验表明，所提出的方法显著提高了LEO卫星轨道预测的准确性和可靠性。此外，本研究还考察了Patch-Transformer的两个关键参数——回望窗口和补丁长度，并分析了它们在不同空间环境条件下的影响，为参数选择提供了物理上可解释的见解。

引言

近年来，商业航天活动的快速增长和卫星发射数量的增加使得LEO环境变得拥挤，给空间态势感知和轨道预测带来了前所未有的挑战。根据北美航空航天防御司令部的数据，到2024年，已编目的空间物体超过47,000个，包括卫星、航天器和碎片[1]。同时，涉及近地物体的碰撞事件频率急剧上升。NASA的数据报告显示，仅2024年12月就发生了大约19,000起碰撞事件（包括碎片、活动载荷和大型星座事件），几乎是2023年同期记录数量的两倍[2]。因此，准确及时的中长期轨道预测对于降低碰撞风险和确保空间活动的安全与可持续性至关重要。

传统的轨道预测方法通常包括两个阶段：轨道确定和轨道预测。前者使用观测数据计算精确的轨道参数，后者结合外部扰动来预测未来的位置和速度。对于LEO卫星而言，预测误差主要源于对非保守力（特别是大气阻力）建模的不准确[3]。大气阻力建模的精度取决于大气密度，而大气密度会随着高度、太阳活动和地磁扰动而动态变化[4]。现有的大气模型难以捕捉这些变化，且空间环境参数难以预测，这使得大气阻力成为LEO卫星轨道预测中的一个主要不确定性来源。人工智能（AI）技术的快速发展，加上新型在轨数据采集技术提供的更丰富、更精细的观测数据[5]、[6]、[7]、[8]，推动了基于AI的轨道预测方法的发展和应用，以应对上述挑战。

一种主要方法是使用监督学习进行传播误差补偿，其中机器学习模型用于识别传统模型预测误差中的模式。具体来说，彭和白广泛探索了高斯过程、支持向量机和人工神经网络来提高预测精度，证实了机器学习的有效性[9]、[10]、[11]、[12]。在此基础上，最近的进展将机器学习与扩展卡尔曼滤波相结合以提高精度[13]、[14]。此外，李等人使用极端梯度提升（XGBoost）和卷积神经网络来纠正二线元素（TLE）数据中的误差[15]，而黄等人将轨道分离与XGBoost和卡尔曼滤波相结合[16]。林等人关注轨道状态数据的时间序列特性，开发了一种基于Bi-LSTM的误差补偿方法，明确模拟了时间依赖性，表现出优于非时间建模方法的性能[17]。

另一种方法是改进大气阻力模型，研究表明，改进的阻力模型显著提高了预测性能[18]、[19]、[20]、[21]。最近的进展表明，通过数据驱动和机器学习方法可以提高大气阻力建模的准确性。大气阻力建模的关键是大气密度，而基于物理模型的大气密度计算在很大程度上取决于空间环境参数（如太阳辐射通量指数F10.7和地磁指数Ap）的预测。郝等人提出了一种VMD-LSTM混合模型，显著提高了F10.7的短期预测精度[22]，而沃伦等人使用线性回归改进了长期预测[23]。吴等人使用Elman循环神经网络基于太阳风数据实现了Ap的预测[24]。在密度模型校准方面，张等人应用LSTM校准了NRLMSISE-00模型，并为CHAMP和GRACE卫星取得了显著成果[25]。坂井等人将机器学习与物理扰动相结合，提高了NRLMSISE-00的性能[26]。此外，研究阻力系数也是一个重要方向。保罗等人开创了一种随机深度学习方法来估计阻力系数的不确定性[27]。Cimmino等人开发了一种基于回归的弹道系数估计方法[28]，陈等人使用Bi-LSTM进行单变量阻力系数预测，并将其应用于轨道预测[29]。

基于现有研究的分析，可以通过以下两种方式提高轨道预测的准确性：基于历史误差建模的数据驱动补偿方法和基于物理机制的大气阻力模型改进方法。然而，这两种方法都有局限性。前者受到误差模式不确定性的限制，限制了机器学习模型的泛化能力，并且在处理长序列轨道状态数据时面临算法复杂性和计算资源需求的挑战。后者受到空间环境中长期预测不准确性的限制，以及由于其时变性和复杂性导致的大气密度建模不完整。因此，本文提出了一种基于伪阻力系数和Patch-Transformer神经网络的智能轨道预测方法。主要贡献如下。

引入伪阻力系数作为多因素耦合的代理变量，将复杂的大气阻力建模转化为可学习的时间序列分析任务，从而避免了机器学习模型直接处理长序列轨道状态数据的难度。

建立多变量空间环境参数与伪阻力系数之间的映射关系。与直接使用伪阻力系数进行单变量时间序列预测相比，特征维度的扩展提高了模型对复杂空间环境的表示能力。

开发了受PatchTST[30]启发的Patch-Transformer模型。Transformer的注意力机制用于发现不同时间点空间环境参数的依赖性。同时，添加了补丁模块以增强空间环境的局部信息表示。与假设通道独立的PatchTST不同，本文采用通道混合模式来处理不同空间环境参数之间的关系。

本文的其余部分组织如下。第2节介绍了卫星轨道动力学模型、传统预测方法的局限性以及伪阻力系数的概念。第3节详细介绍了基于伪阻力系数和Patch-Transformer神经网络的轨道预测框架。第4节展示了实验结果和分析。最后，第5节总结了本文。

章节片段

轨道预测方法

本章概述了轨道预测的理论基础、传统方法的局限性以及潜在的改进措施。首先介绍了卫星的轨道动力学模型，强调了大气阻力的扰动效应及其在LEO中的主导作用。接下来，分析了传统轨道预测方法的缺点，特别是由于参数建模解耦导致的中长期预测中的误差累积。

基于Patch-Transformer的伪阻力系数预测

本章首先介绍了基于伪阻力系的轨道预测框架。然后描述了Patch-Transformer神经网络，该网络旨在捕捉时间依赖性，同时有效平衡局部和全局特征。最后，提供了定量指标来评估伪阻力系数预测和轨道预测结果的性能。

仿真环境和数据集描述

实验使用了四颗真实卫星的星历数据，这些卫星的轨道高度范围从400公里到600公里，数据收集时间分别为2022年7月至12月（SAT1和SAT2）和2024年2月至6月（SAT3和SAT4）。在观测期间，所有卫星都保持了稳定的姿态，未进行任何机动操作。更多细节见表1。空间环境参数（包括太阳活动指数和地磁指数）来源于