迈向数据驱动的卫星轨道预测：多模式卫星的数据集与方法综述

《IEEE Access》：Toward Data-Driven Satellite Orbit Prediction: A Dataset and Method Survey for Multi-Regime Satellites

　　

摘要：

随着人造卫星和太空碎片的迅速增加，准确的轨道预测对于确保轨道的可持续性至关重要。虽然机器学习已成为完成这项任务的强大工具，但现有的研究缺乏对不同轨道区域（近地轨道、中地球轨道和地球同步轨道）与数据集特征之间关键关系的系统分析。本文对数据驱动的卫星轨道预测进行了全面综述，提出了一种以支撑这些研究的数据集为中心的新分类方法。我们系统分析了从两行元素到精确星历表等不同的轨道动态和数据格式如何影响预测模型的有效性，这些模型被分为利用机器学习和深度学习的混合型与非混合型两种方式。此外，我们还指出了当前研究中的重大局限性，尤其是模型在不同任务中的泛化能力不足以及可用数据的不平衡问题。最后，我们提出了未来的研究方向，建议开发基础模型并整理高精度、多轨道区域的数据集，以推动该领域向通用轨道预测发展。