基于LR-MS-TCN的BSTAR参数校正及低地球轨道空间物体轨道预测精度提升方法

《IEEE Access》：BSTAR Parameter Correction and Improved Orbit Prediction Accuracy for Low-Earth Orbit Space Objects Based on LR-MS-TCN

　　

摘要：

低地球轨道（LEO）卫星的快速增长加剧了轨道拥堵和碰撞风险，因此精确的轨道预测对于空间态势感知和任务安全至关重要。大气阻力（通过双线元素（TLE）集中的BSTAR参数表示）主导了800公里以下LEO目标的轨道不确定性。然而，传统的统计方法和浅层神经网络在处理长序列非线性时变扰动以及长预测范围内的误差累积方面存在困难。为了解决这些问题，本研究提出了一种局部残差多尺度时间卷积网络（LR-MS-TCN）模型，用于BSTAR参数校正，以提高LEO轨道预测的准确性。该模型集成了多尺度特征融合模块，以提取不同时间尺度上的扰动特征；采用扩张的因果TCN主干网络来捕捉长期时间依赖性；并引入了带有门控融合机制的局部残差补偿分支，以增强对当前时刻附近短期敏感变化的表示能力。实验使用了FENGYUN-3A卫星16年的TLE数据，以MAE和RMSE作为评估指标。结果表明，该模型在24小时、48小时、72小时和96小时的预测范围内分别实现了3D RMSE改进1.6%、17.1%、23.7%和27.6%，性能优于MSF-TCN、PlainTCN、SingleScaleTCN、LSTM和GRU。该模型在平静天气、风暴和强地磁暴条件下均保持稳定性能，并在FENGYUN-3B卫星上表现出良好的跨目标泛化能力。LR-MS-TCN模型有效提高了BSTAR参数校正的准确性和长预测范围内的轨道稳定性，为高精度LEO轨道预测提供了一种可靠的数据驱动方法。