随着卫星技术的发展，空间目标与日俱增，空间目标碰撞风险评估与预警规避成为人们关注和研究的热点；准确的空间碎片轨道数据库是空间目标预警和碰撞风险评估的基础。美国空军空间司令部维护着4万多个编目目标的轨道信息，并以TLE根数形式发布，为重建原始精密轨道，必须采用与其相配套的SGP4/SDP4预报模型。由于空间目标测轨数据多源异质及摄动力模型不精确的原因，定轨后轨道预报误差表现出极为复杂的时空变化特征，使得现有物理或解析建模方法难以准确揭示隐藏的或不显著的轨道误差演化信号。而机器学习算法，能有效解决小样本、高维数、非线性等问题，在数据挖掘、模式识别等领域显示了强大优势，为空间碎片轨道误差演化规律的精准挖掘提供了新思路。更重要的是，已编目空间目标的TLE数据近乎每天更新，长期的历史轨道数据为开展碎片轨道误差演化分析提供了数据基础。本文将从实验出发，以现有空间目标编目库为数据基础，利用Larets，ZY-1 02E，Lares-2，COSMOS 2461 (GLONASS)等四颗卫星30天的TLE数据，每组TLE预测14天，构建历史轨道预报误差数据集；利用随机森林回归和支持向量回归算法建立TLE轨道预报误差模型，进行超参数调优；然后利用第31天TLE数据进行轨道预报，获得14天的轨道预报，并作为新的样本数据输入机器学习模型，预报该时段的轨道预报误差，进行模型性能评定与精度分析，实现对TLE轨道预报的补偿以改善TLE轨道预报精度。相关成果可为我国空间目标编目库建设，空间目标预警提供理论技术支持。
 

空间碎片,机器学习,轨道预报