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

想象一下，我们的头顶上方充满了被称为“卫星”的小型高速机器人。它们不仅仅是漂浮的照相机；它们是复杂的机器，需要通过“进食”能量来完成工作，比如拍照或发送信号。它们从太阳那里获取食物，但太阳并不总是照在它们身上。当它们飞入地球阴影区时，必须依靠电池运行，就像你忘记带充电器时的手机一样。对于地面上控制这些机器人的操作员来说，最大的挑战在于：在要求卫星执行一项耗能巨大的新任务之前，准确知道还剩多少“电池汁液”。如果要求过多，卫星可能会“晕倒”并导致任务失败。

长期以来，弄清楚这个问题就像是通过观察云朵来猜测天气并祈祷好运一样。经验丰富的操作员会利用他们的直觉和多年的记忆来判断卫星是否有足够的电量。但记忆可能是模糊的，不同的人可能会做出不同的判断。这篇论文介绍了一种解决这个难题的新方法，它使用一个从六年历史中学习的“数字大脑”。它结合了两种聪明的数学方法：一种用于发现重复模式（如日出日落），另一种用于学习混乱的剩余细节。其目标是将一种模糊的感觉转化为一份清晰的、书面的清单，明确列出当前卫星可以安全执行哪些任务。

---

卫星的能量困境

认识一下 LAPAN-IPB，这是一颗在印度尼西亚上空 500 公里处运行的卫星。它是一颗极轨卫星，这意味着它在南北极上方穿梭，每天绕地球飞行约 15 圈。每当它飞越印度尼西亚时，都会有一个短暂的窗口期——大约 10 到 15 分钟——与地面站进行通信。在这短短的窗口期内，地面操作员可以向它发送新指令，例如“拍摄这张森林的照片”或“扫描海洋”。

但问题在于：卫星是靠电池运行的。在这些短暂的窗口期之间，它会在黑暗中（食区）飞行，依靠储存的能量生存。如果电池电量过低，而操作员发送了一个消耗过多电量的指令，卫星可能会崩溃或失去功能。

多年来，印度尼西亚国家研究与创新署（BRIN）的操作员必须根据“隐性知识”做出这些生死攸关的决定。这是一种高级说法，意思就是“基于经验的直觉”。如果一名操作员在那里工作了十年，他可能会知道：“噢，今天的电池看起来有点低，所以我们跳过那个沉重的相机任务吧。”但如果一名新操作员接手，他们就不会有这种经验。他们可能会猜错，或者两个操作员会对同一个情况产生分歧。这里没有书面规则，没有清晰的审计追踪，也无法证明为什么做出某项决策。

这个新的“数字副驾驶”

这篇论文描述了一个旨在取代这种猜测、采用数据驱动的推荐引擎的新系统。把它想象成一个副驾驶，它读取卫星的生命体征，并向操作员递上一份排序后的安全任务清单。该系统利用六年的数据（从 2019 年 1 月到 2024 年 12 月）构建而成，其中包括超过 25,000 条关于卫星电池电压和电流的记录。

研究人员将问题分解为三个主要步骤，使用了传统统计学与现代深度学习的巧妙结合。

1. 预测未来电压
首先，系统需要预测在卫星下次与地面通信时的电池电压。为此，他们使用了一个“混合”模型。想象你在预测潮汐。你知道潮汐会呈现规律性的起伏循环（这是容易的部分）。但有时，风暴或强风会意外改变水位（这是困难的部分）。

研究人员使用了一个名为 SARIMAX 的统计模型来处理电池充放电过程中规律且可预测的循环。然后，他们使用了一个深度学习模型（具体称为 LSTM）来处理那些混乱且不可预测的剩余部分。通过将两者结合，他们得到了非常精确的预测。在测试数据上，这个混合模型的平均误差仅为 0.1042 V（伏特）。考虑到电池电压通常在 16 到 17 伏特左右波动，这一精度是非常惊人的。

2. 学习“能量指纹”
接下来，系统需要了解每项特定任务消耗多少能量。该卫星有 20 种不同类型的任务（如“拍照”、“扫描海洋”等），每种任务都会开启不同的开关并使用不同数量的功率。

研究人员训练了一个 随机森林 分类器（一种类似于决策树团队的机器学习类型）来识别每项任务的“能量指纹”。他们观察了过去任务期间的电池电流和电压，以了解每项任务的“感觉”。然而，他们必须非常小心。卫星在单次 15 分钟的通过过程中会多次发送数据。如果他们将每一个数据点都视为一个独立的教训，计算机就会感到困惑，认为它正在从 25,000 个不同的事件中学习，而实际上它只是在反复看到同一个事件。他们通过将数据分组为“通过过程”（passes）解决了这个问题，从而让计算机从 6,833 个独特的事件中学习，而不是从 25,000 个混乱的重复数据中学习。

结果如何？计算机学会了以很高的准确度识别这 20 种任务类型，其预测准确率约为 82%，并且在处理罕见的、较不常见的任务时也表现出色。

3. 安全检查与排序
最后，系统将所有内容整合在一起。它获取预测的未来电压，并将其与每项任务的“安全阈值”进行比较。这些阈值从何而来？研究人员使用了一种被称为 Tukey 上界（Tukey upper fence） 的巧妙统计技巧。想象你有一堆数据，展示了过去成功运行特定任务时电池电压有多高。Tukey 上界会找到这堆数据中的“安全上限”。如果预测电压高于此限值，则该任务是安全的。

为了确保这些限值可靠，他们通过两种方式进行了检查：一次使用原始数据，另一次使用机器学习模型的内部逻辑。他们发现，对于所有 20 项任务，两种方法几乎完美吻合（差异小于 0.0843 V，这比预测误差本身还要小）。这意味着安全限值是非常稳固的。

结果：一份清晰的排序列表

当卫星即将与地面建立联系时，系统会进行快速计算。它预测电池电压，将其与 20 个安全限值进行对比，然后输出一份排序列表。

• 可行任务： 这些是电池肯定可以处理的任务。
• 排序： 系统不仅仅回答“是”或“否”。它根据**能量裕度（energy margin）**对“是”的任务进行排序。能量裕度是预测电压与安全限值之间的差值。
  • 一个拥有巨大裕度的任务（例如 +0.77 V）是非常安全的。
  • 一个拥有微小裕度的任务（例如 +0.02 V）在技术上是可能的，但具有风险，就像在走钢丝。

这为操作员提供了一个清晰的、基于证据的起点。与其靠猜，他们可以清楚地看到：“任务 A 有巨大的缓冲空间，但任务 B 已经很接近极限了。”如果电池电量较低，系统可能会说：“今天只有这三个低功耗任务是安全的。”如果电池电量充足，它可能会说：“你可以做几乎任何事，但任务 C 是最稳妥的选择。”

为什么这很重要

这里最大的收获不仅在于数学运算奏效了，更在于整个过程现在是可复现且可审计的。以前，如果任务失败了，你无法确定是因为操作员做出了错误的判断，还是因为卫星仅仅是运气不好。现在，每一项决策都有六年数据的支持，并且有一套清晰的文档规则。

这个系统并不是要取代人类操作员；它是赋予了他们一种“超能力”。它将一种模糊的感觉转化为一份精确的、经过排序的选项清单，确保无论谁在值班，卫星都能得到最好的照顾。研究人员发现，这种方法稳定、可靠，并已准备好帮助 LAPAN-IPB 卫星在未来几年内安全持续飞行。