ИСТИНА

На сегодняшний день методы машинного обучения являются распространенным инструментом для анализа данных различной природы, поиска закономерностей в них, прогнозирования эволюции параметров этих данных во времени и т.д. Предметом исследования настоящей работы являются наборы орбитальных элементов (TLE, two-line elements set (описание формата см. [3])) околоземных космических объектов, предоставляемые для открытого использования ресурсом space-track.org [4]. Целью работы является попытка кластеризации наборов орбитальных элементов в соответствии с реальными данными о группировках космических аппаратов, также классификация объектов, соответствующих вновь полученным наборам данных и попытке предсказать поведение орбит и прочих параметров космических аппаратов с течением времени. В работе сравниваются точности классификации с использованием моделей машинного обучения из библиотек python scikit-learn [1, 5] и catboost [7] для мультиклассификации. Исследуется возможность кластеризации спутников по их орбитальным параметрам в группировки и оценивается качество полученной кластеризации по имеющимся параметрам спутника. Исследуется вопрос о корреляции параметров TLE с принадлежностью спутника группировке. Другой задачей является попытка предсказать параметры движения и орбиты космического аппарата: первую и вторую производные от среднего движения и частоту обращения. Схожая задача по уточнению значений орбитальных элементов рассматривается в работе [2]. Исследуются данные за весь 2021 год и строится прогноз на первые 2 недели или месяц 2022 года. Сравниваются точности прогноза с реальными данными с помощью различных метрик (cм. [5]), подбираются разные параметры сезонности и ширины окна предыдущих значений, по которым строится предсказание параметров орбиты КА. Сопоставляются результаты работы моделей SARIMA [6] и Boosting’a, а также исследуются их возможные комбинации с целью уменьшить ошибку предсказания. Осуществляется попытка предобработки исходных данный за год, их сглаживание и фильтрация от выбросов для более достоверного прогноза на ближайший месяц.