Data-Driven Mission Recommendation for LEO Satellites using Random Forest and Hybrid Deep Learning Forecasting

空の上に、私たちのすぐ上で、小さな高速ロボットである人工衛星が飛び交っていると想像してみてください。これらは単なる浮いているカメラではありません。写真を撮ったり信号を送ったりといった仕事をこなすために、エネルギーを「食べる」必要がある複雑な機械なのです。彼らは太陽から食べ物をもらいますが、太陽が常に彼らを照らしているわけではありません。地球の影に入ると、彼らはスマートフォンの充電器を忘れた時のように、バッテリーに頼ることになります。地上でこれらのロボットを制御する人々にとっての大きな課題は、新しいエネルギー消費の激しいタスクを依頼する前に、バッテリーの「ジュース（残量）」が正確にどれくらい残っているかを知ることです。もし要求が多すぎれば、人工衛星は意識を失い、そのミッションに失敗してしまうかもしれません。

長い間、これを予測することは、雲を見て天気を推測し、運に任せるようなものでした。経験豊富なオペレーターは、直感や長年の記憶を使って、人工衛星に十分な電力があるかどうかを判断してきました。しかし、記憶は曖昧になることがありますし、人によって判断も異なります。この論文は、6年間の歴史から学習する「デジタル脳」を使用して、このパズルを解く新しい方法を紹介しています。これは、繰り返されるパターン（日の出と日の入りのようなもの）を見つける数学と、乱雑な残りカスを学習する数学を組み合わせたものです。目標は、漠然とした感覚を、今まさに人工衛星が安全に実行できるタスクの明確なリストへと変えることです。

---

人工衛星のエネルギー問題

インドネシアの上空500キロメートルを周回しているLAPAN-IPBに出会いましょう。これは極軌道衛星であり、北極と南極の上を猛スピードで駆け抜け、1日に約15回地球を周回しています。インドネシアの上空を通過するたびに、地上局と通信できる短いウィンドウ（時間枠）――約10分から15分――が得られます。この極めて短いウィンドウの間に、地上オペレーターは「この森林の写真を撮れ」や「海洋をスキャンせよ」といった新しい指示を送信することができます。

しかし、ここには落とし穴があります。人工衛星はバッテリーで動いています。これらの短い通信ウィンドウの間、衛星は暗闇（食）の中にあり、蓄えられたエネルギーで生活しています。もしバッテリーが低すぎる状態で、オペレーターが電力を使いすぎるコマンドを送ってしまうと、人工衛星はクラッシュしたり、機能を失ったりする可能性があります。

長年、インドネシア国立研究イノベーション庁（BRIN）のオペレーターたちは、こうした生死を分ける決断を「暗黙知」に基づいて行わなければなりませんでした。それは、「経験に基づいた直感」という格好の良い言い方です。例えば、10年の経験を持つオペレーターなら、「ああ、今日はバッテリーが少し低そうだから、重いカメラのミッションは見送ろう」と判断できるかもしれません。しかし、新しいオペレーターが交代した場合、彼らにはその経験がありません。彼らは予測を誤るかもしれませんし、あるいは二人のオペレーターが同じ状況に対して意見を戦わせることもあるでしょう。そこには明確なルールブックも、明確な監査証跡もなく、なぜその決定が下されたのかを証明する方法もありませんでした。

新しい「デジタル副操縦士」

この論文は、その推測に代わる、データ駆動型の推奨エンジンとして設計された新しいシステムについて記述しています。人工衛星のバイタルサインを読み取り、オペレーターに安全なタスクのランキングリストを手渡す「副操縦士」を想像してみてください。このシステムは、6年間のデータ（2019年1月から2024年12月まで）を用いて構築されており、そこには人工衛星のバッテリー電圧と電流に関する25,000件以上の記録が含まれています。

研究者たちは、古典的な統計学と現代的なディープラーニングを巧みに組み合わせ、問題を3つの主要なステップに分解しました。

1. 未来の電圧を予測する
まず、システムは次に人工衛星が地上と通信する時に、バッテリー電圧がどうなっているかを予測する必要があります。これを行うために、彼らは「ハイブリッド」モデルを使用しました。潮の満ち引きを予測することを想像してみてください。潮は規則的なサイクルで上がったり下がったりします（それが簡単な部分です）。しかし、時には嵐や強風によって、予想外に水位が変わることがあります（それが難しい部分です）。

研究者たちは、バッテリーの充電と放電の規則的で予測可能なサイクルを扱うために、SARIMAXと呼ばれる統計モデルを使用しました。そして、予測不可能な乱雑な残りカスを把握するために、ディープラーニングモデル（具体的にはLSTMと呼ばれるもの）を使用しました。これらを組み合わせることで、非常に正確な予測を実現しました。テストデータにおいて、このハイブリッドモデルは平均誤差わずか 0.1042 V（ボルト）で電圧を予測することができました。バッテリー電圧は通常16〜17ボルト付近を推移するため、これは驚異的な精度です。

2. 「エネルギーの指紋」を学習する
次に、システムは特定のミッションがどれだけのエネルギーを使用するかを知る必要があります。人工衛星には20種類の異なるミッション（「写真を撮る」「海洋をスキャンする」など）があり、それぞれが異なるスイッチをオンにし、異なる量の電力を消費します。

研究者たちは、ランダムフォレスト分類器（決定木のチームとして機能する機械学習の一種）に、各ミッションの「エネルギーの指紋」を認識させるように学習させました。彼らは、過去のミッション中のバッテリー電流と電圧を観察し、それぞれのミッションがどのような「感覚」を持っているかを確認しました。しかし、注意が必要でした。人工衛星は1回の15分間のパス（通過）の間に、データを何度も送信します。もしすべてのデータポイントを個別のレッスンとして扱ってしまうと、コンピュータは混乱し、実際には同じイベントを何度も見ているだけなのに、25,000件の異なるイベントを学習していると勘違いしてしまいます。彼らはデータを「パス（通過）」ごとにグループ化することでこの問題を解決し、25,000件の混乱を招く重複データの代わりに、6,833件のユニークなイベントから学習するようにしました。

結果はどうでしょうか？コンピュータは、20種類のミッションを高い精度で識別することを学習しました。ミッションの種類を約**82%**の確率で正しく予測でき、さらに発生頻度の低い珍しいミッションに対しても優れた性能を発揮しました。

3. 安全チェックとランキング
最後に、システムはこれらすべてを統合します。予測された未来の電圧を取り込み、それを20のミッションそれぞれの「安全閾値」と比較します。これらの閾値はどこから来たのでしょうか？研究者たちは、**テューキーの極値（Tukey upper fence）**と呼ばれる巧妙な統計的手法を使用しました。データの山を想像してください。ある特定のミッションが過去に正常に実行された際、バッテリー電圧がどの程度高かったかを示すデータの集まりがあるとします。テューキーの極値は、その山の「安全な上限」を見つけ出します。予測電圧がこの上限よりも高ければ、そのミッションは安全です。

これらの限界値が信頼できるものであることを確認するために、彼らは2つの方法で検証を行いました。一つは生データを用いた方法、もう一つは機械学習モデルの内部ロジックを用いた方法です。その結果、20のミッションすべてにおいて、両方の手法がほぼ完璧に一致していることが分かりました（差は 0.0843 V 未満であり、これは予測誤差自体よりも小さい値です）。これは、安全限界が極めて堅牢であることを意味しています。

結果：明確でランク付けされたリスト

人工衛星が地上との通信を行う直前、システムは素早い計算を実行します。バッテリー電圧を予測し、それを20の安全限界と比較して、ランク付けされたリストを出力します。

• 実行可能なミッション (Feasible Missions): バッテリーが確実に処理できるタスクです。
• ランキング: システムは単に「はい」か「いいえ」を答えるだけではありません。システムは、エネルギー・マージン（余裕）に基づいて「はい」のミッションをランク付けします。
  • マージンが大きいミッション（例：+0.77 V）は、非常に安全です。
  • マージンが小さいミッション（例：+0.02 V）は、技術的には可能ですが、綱渡りのようにリスクを伴います。

これにより、オペレーターには明確でエビデンスに基づいた出発点が与えられます。直感に頼るのではなく、「ミッションAは大きなバッファを持っていて安全だが、ミッションBはギリギリである」といったことが分かります。バッテリーが少ない場合、システムは「本日はこれら3つの低電力タスクのみが安全です」と告げるかもしれません。バッテリーが満タンであれば、「ほとんどのことは可能ですが、ミッションCが最も安全な選択です」と言うかもしれません。

なぜこれが重要なのか

ここでの最大の成果は、単に数学が機能することではありません。プロセスが再現可能であり、監査可能になったことです。以前は、ミッションが失敗した場合、それがオペレーターの判断ミスによるものなのか、それとも人工衛星が単に運が悪かっただけなのかを判断できませんでした。現在では、すべての決定が6年間のデータと明確に文書化されたルールによって裏付けられています。

このシステムは人間のオペレーターに取って代わるものではありません。彼らに「スーパーパワー」を与えるものです。漠然とした感覚を、精密にランク付けされた選択肢のリストへと変えることで、誰がシフトに入ったとしても、人工衛星が最高のケアを受けられることを保証します。研究者たちは、このアプローチが安定しており、信頼性が高く、LAPAN-IPB人工衛星が今後数年間にわたって安全に飛行し続けるための助けとなる準備ができていることを明らかにしました。