基于机器学习的低轨卫星高精度轨道预报

唐宇; 张伟; 李星星; 付元辰; 张柯柯

doi:10.13203/j.whugis20230411

您当前的位置：

首页 >

文章列表页 >

基于机器学习的低轨卫星高精度轨道预报

大地测量学与测量工程 | 更新时间：2026-11-05

- 基于机器学习的低轨卫星高精度轨道预报
- High-Accuracy Orbit Prediction of Low Earth Orbit Satellites Using Machine Learning Algorithms
- 武汉大学学报（信息科学版） 2025年50卷第11期页码：2373-2380
- 作者机构：
  
  武汉大学测绘学院，湖北武汉，430079
- 作者简介：
  
  唐宇，硕士生，研究方向为低轨卫星精密定轨。ytangSGG@whu.edu.cn
  李星星，博士，教授。xxli@sgg.whu.edu.cn
- 基金信息：
  
  国家重点研发计划(2021YFB2501102)
- DOI：10.13203/j.whugis20230411
  中图分类号： P228
- 收稿：2024-05-28，
  
  纸质出版：2025-11-05
- 稿件说明：
移动端阅览
唐宇,张伟,李星星，等.基于机器学习的低轨卫星高精度轨道预报[J].武汉大学学报（信息科学版）,2025,50(11):2373-2380.

TANG Yu,ZHANG Wei,LI Xingxing,et al.High-Accuracy Orbit Prediction of Low Earth Orbit Satellites Using Machine Learning Algorithms[J].Geomatics and Information Science of Wuhan University,2025,50(11):2373-2380.
唐宇,张伟,李星星，等.基于机器学习的低轨卫星高精度轨道预报[J].武汉大学学报（信息科学版）,2025,50(11):2373-2380. DOI：10.13203/j.whugis20230411

TANG Yu,ZHANG Wei,LI Xingxing,et al.High-Accuracy Orbit Prediction of Low Earth Orbit Satellites Using Machine Learning Algorithms[J].Geomatics and Information Science of Wuhan University,2025,50(11):2373-2380. DOI：10.13203/j.whugis20230411

摘要

高精度低轨卫星预报轨道是全球低轨导航增强应用的基础。目前应用较为广泛的动力学外推方法存在着受动力学模型精度影响大、预报误差累积快的问题。为弥补这一缺陷，将机器学习方法与动力学外推法结合以提升低轨卫星轨道预报精度，并对支持向量机（support vector machine

SVM）、反向传播（back propagation

BP）神经网络和长短期记忆（long short term memory

LSTM）神经网络3种机器学习方法在低轨卫星轨道预报中的适用性进行了深入分析。利用Sentinel-3A卫星2019-01-01—2019-07-14的数据集进行了预报时长为180 min的短期轨道预报实验，对模型最优参数进行了探究，基于各模型最优参数配置进行轨道预报实验。结果表明，3种机器学习方法均能有效提升低轨卫星轨道预报精度，提升效果在不同预报时长下存在明显差异。当轨道预报时间为20 min，LSTM神经网络模型对预报轨道的精度提升效果（38.1%）显著优于SVM（-0.1%）与BP（-1.2%），预报轨道精度可达1.07 cm（3D）。当预报时长大于40 min，SVM和BP模型的效果优于LSTM模型。在预报时长达到180 min时，SVM和BP模型仍可以实现6~7 cm的轨道预报精度，相比于传统动力学法提升了约50%。

Abstract

Objectives

Precise orbit prediction of low earth orbit (LEO) satellites is the foundation of LEO augmentation navigation. Due to the impact of non-conservative perturbation forces

conventional dynamic extrapolation method relies on high-accuracy dynamic models and suffer from rapid error accumulation.

Methods

We combine machine learning algorithms and dynamic integration method to improve the accuracy of LEO orbit prediction. Three machine learning models are analyzed

including support vector machine (SVM)

back propagation (BP) and long short term memory (LSTM) neural networks. To compare the performance of different machine learning algorithms in the high-accuracy orbit prediction

we process the orbit error time series of Sentinel-3A from January 1 to July 14

2019

with the dynamic features selected by extreme gradient boosting (XGBoost). The optimal input configuration parameters for each machine learning models are further investigated to exploit the potential of the models in the orbit prediction.

Results

The result shows that the performance of three machine learning models in the prediction varies from prediction time. When the prediction time is limited to 20 min

LSTM model presents the best performance with an accuracy improvement of 38.1%

which is evidently superior to SVM (-0.1%) and BP (-1.2%)

and the corresponding orbit accuracy is 1.07 cm (3D). For the prediction exceeding 40 min

SVM and BP models outperform LSTM. When the prediction time reaches 180 min

the predicted orbit can still achieve the accuracy around 6-7 cm with the employment of SVM/BP models.

Conclusion

Three models can effectively improve the orbit prediction accuracy of LEO satellites. LSTM model can achieve the best performance in ultra-short prediction (20 min)

while SVM and BP models are more suited to the prediction exceeding 40 min. Compared with the traditional orbit prediction method

the improvement of machine learning models is about 40%-50% overall.

关键词

Keywords

references

REID T G ， NEISH A M ， WALTER T F ， et al . Leveraging Commercial Broadband LEO Constellations for Navigating ［C］// The 29th International Technical Meeting of the Satellite Division of the Institute of Navigation （ION GNSS+ 2016）， Portland， Ore gon，USA， 2016 .

GE H B ， LI B F ， GE M R ， et al . Initial Assessment of Precise Point Positioning with LEO Enhanced Global Navigation Satellite Systems （LeGNSS）［J］. Remote Sensing ， 2018 ， 10 （ 7 ）： 984 .

LI X X ， MA F J ， LI X ， et al . LEO Constellation-Augmented Multi-GNSS for Rapid PPP Convergence ［J］. Journal of Geodesy ， 2019 ， 93 （ 5 ）： 749 - 764 .

曾添，隋立芬，贾小林，等 . 小型化LEO星座与BDS-3全星座联合定轨仿真［J］. 武汉大学学报（信息科学版）， 2022 ， 47 （ 1 ）： 61 - 68 .

ZENG Tian ， SUI Lifen ， JIA Xiaolin ， et al . Simulation of Combined Orbit Determination with a Small LEO Constellation and BDS-3 Full Constellation ［J］. Geomatics and Information Science of Wuhan University ， 2022 ， 47 （ 1 ）： 61 - 68 .

TENG Y H ， JIA X L ， PENG G . LEO Navigation Augmentation Constellation Design and Precise Point Positioning Performance Analysis Based on BDS-3 ［J］. Advances in Space Research ， 2023 ， 72 （ 6 ）： 1944 - 1960 .

常志巧，郝金明，张成军 . GPS精密星历的外推精度分析［J］. 测绘工程， 2006 ， 15 （ 2 ）： 27 - 29 .

CHANG Zhiqiao ， HAO Jinming ， ZHANG Chengjun . Precision Analysis of Orbit Prediction of GPS Satellites ［J］. Engineering of Surveying and Mapping ， 2006 ， 15 （ 2 ）： 27 - 29 .

GE H B ， LI B F ， GE M R ， et al . Improving Low Earth Orbit （LEO） Prediction with Accelerometer Data ［J］. Remote Sensing ， 2020 ， 12 （ 10 ）： 1599 .

PENG H ， BAI X L . Using Artificial Neural Network in Machine Learning Approach to Improve Orbit Prediction Accuracy ［C］// Space Flight Mechanics Meeting ， Kissimmee， Florida ， 2018 .

PENG H ， BAI X L . Improving Orbit Prediction Accuracy Through Supervised Machine Learning ［J］. Advances in Space Research ， 2018 ， 61 （ 10 ）： 2628 - 2646 .

曹磊 . 基于深度神经网络补偿模型的轨道预报技术［D］. 南京：南京航空航天大学， 2014 .

CAO Lei . Satellite Orbit Prediction Method based on Compensation Model by Using Deep Neural Network ［D］. Nanjing ： Nanjing University of Aeronautics and Astronautics ， 2014 .

杨先睿 . 基于深度学习的卫星轨道预报算法研究［D］. 哈尔滨：哈尔滨工业大学， 2019 .

YANG Xianrui . Research on Satellite Orbits Predicting Algorithm Based on Deep Learning ［D］. Harbin ： Harbin Institute of Technology ， 2019 .

张心宇，刘源，宋佳凝 . 基于LSTM神经网络的短期轨道预报［J］. 系统工程与电子技术， 2022 ， 44 （ 3 ）： 939 - 947 .

ZHANG Xinyu ， LIU Yuan ， SONG Jianing . Short-Term Orbit Prediction Based on LSTM Neural Network ［J］. Systems Engineering and Electronics ， 2022 ， 44 （ 3 ）： 939 - 947 .

孙轶轩，邵春福，计寻，等 . 基于ARIMA与信息粒化SVR组合模型的交通事故时序预测［J］. 清华大学学报（自然科学版）， 2014 ， 54 （ 3 ）： 348 - 353 .

SUN Yixuan ， SHAO Chunfu ， JI Xun ， et al . Urban Traffic Accident Time Series Prediction Model Based on Combination of ARIMA and Information Granulation SVR ［J］. Journal of Tsinghua University （Science and Technology）， 2014 ， 54 （ 3 ）： 348 - 353 .

RUMELHART D E ， MCCLELLAND J L ， GROUP P R . Parallel Distributed Processing： Explorations in the Microstructure of Cognition： Foundations ［M］. Cambridge ： The MIT Press ， 1986 .

陈志高，吴子豪，班亚，等 . 基于调和分析及VMD-BP神经网络的感潮河段流量预报［J］. 武汉大学学报（信息科学版）， 2023 ， 48 （ 8 ）： 1389 - 1397 .

CHEN Zhigao ， WU Zihao ， BAN Ya ， et al . Discharge Prediction in Tidal Reach Using Harmonic Analysis and VMD-BP Neural Network ［J］. Geomatics and Information Science of Wuhan University ， 2023 ， 48 （ 8 ）： 1389 - 1397 .

HOCHREITER S ， SCHMIDHUBER J . Long Short-Term Memory ［J］. Neural Computation ， 1997 ， 9 （ 8 ）： 1735 - 1780 .

杨丽，吴雨茜，王俊丽，等 . 循环神经网络研究综述［J］. 计算机应用， 2018 ， 38 （ S2 ）： 1 - 6 .

YANG Li ， WU Yuxi ， WANG Junli ， et al . Research on Recurrent Neural Network ［J］. Journal of Computer Applications ， 2018 ， 38 （ S2 ）： 1 - 6 .

The European Space Agency . Rise and Shine for Sentinel-3A ［EB/OL］（ 2016-01-14 ）. https：//www.esa.int/Applications/Observing_the_Earth/Copernicus/Sentinel-3/Rise_and_shine_for_Sentinel-3A https://www.esa.int/Applications/Observing_the_Earth/Copernicus/Sentinel-3/Rise_and_shine_for_Sentinel-3A .

LI X X ， HAN X J ， LI X ， et al . GREAT-UPD： An Open-Source Software for Uncalibrated Phase Delay Estimation Based on Multi-GNSS and Multi-Frequency Observations ［J］. GPS Solutions ， 2021 ， 25 （ 2 ）： 66 .

杨青，王晨蔚 . 基于深度学习LSTM神经网络的全球股票指数预测研究［J］. 统计研究， 2019 ， 36 （ 3 ）： 65 - 77 .

YANG Qing ， WANG Chenwei . A Study on Forecast of Global Stock Indices Based on Deep LSTM Neural Network ［J］. Statistical Research ， 2019 ， 36 （ 3 ）： 65 - 77 .

李占山，刘兆赓 . 基于XGBoost的特征选择算法［J］. 通信学报， 2019 ， 40 （ 10 ）： 101 - 108 .

LI Zhanshan ， LIU Zhaogeng . Feature Selection Algorithm Based on XGBoost ［J］. Journal on Communications ， 2019 ， 40 （ 10 ）： 101 - 108 .

王德运，张露丹，吴祈，等 . 基于机器学习算法的洪涝灾害风险评估：以宜昌市为例［J］. 长江流域资源与环境， 2023 ， 32 （ 8 ）： 1710 - 1723 .

WANG Deyun ， ZHANG Ludan ， WU Qi ， et al . Flood Risk Assessment Based on Machine Learning Algorithms： A Case Study of Yichang City ［J］. Resources and Environment in the Yangtze Basin ， 2023 ， 32 （ 8 ）： 1710 - 1723 .

The European Space Agency . Near Real-Time， Slow-Time Critical or Non-Time Critical ［EB/OL］. （ 2023-10-17 ） https：//sentinels.copernicus.eu/web/sentinel/user-guides/sentinel-3-altimetry/product-types/nrt-or-ntc https://sentinels.copernicus.eu/web/sentinel/user-guides/sentinel-3-altimetry/product-types/nrt-or-ntc .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

土壤水分机器学习遥感反演：进展与挑战

地磁暴期间低轨卫星实时精密定轨研究

广域特征优化的机载点云建筑屋顶边缘点提取方法

GRACE反演长江流域陆地水储量变化的机器学习降尺度方法研究

融合规则方法和机器学习的居民出行目的识别方法