基于机器学习与时序深度学习的航天器碰撞风险预测

利用航天器交会预警消息构建事件级时序，比较树模型与深度序列模型，分析风险数值预测和高风险事件识别的不同目标。

• 技术与任务机器学习 · 时序与信号
• 应用方向信息与人工智能 · 工程与智能制造

项目亮点

• 为什么先按事件组织消息
• 静态模型与时序模型学什么
• 误差更小是否代表更会识别危险

数据与任务

一次航天器交会往往会陆续收到多条预警消息，风险判断也随观测更新。这个项目研究怎样从距离交会尚有两天时可用的信息出发，预测后续风险，并比较数值误差与高风险识别效果。

先说清楚，它到底在做什么

ESA 数据包含 162,634 条 CDM 消息、13,154 次事件和 103 个字段。按交会前两天截断可用消息后，形成 11,942 个可评价事件，再按事件划分训练、验证和测试，避免同一交会的消息混入不同集合。

搞懂它，你能在面试里讲清楚什么

为什么先按事件组织消息

一条消息只是同一次交会中的一个观察时点。按事件分组、明确截断时间，才能让输入对应实际提前预警场景，并避免未来消息泄漏到预测中。

静态模型与时序模型学什么

树模型使用汇总特征，GRU 和 TCN 处理消息随时间的变化。融合与风险门控尝试利用不同路线提供的信息，实验保留最新概率等直接基线作为参照。

误差更小是否代表更会识别危险

XGBoost 在风险回归上达到 RMSE 5.106，但高风险 F2 为 0.194；最新概率基线的 RMSE 为 8.158、高风险 F2 为 0.783。两类指标并列后，可以讨论回归拟合与危险事件召回对应的不同目标。

怎样阅读实验与配图

真实交会序列、模型结构和性能对比图呈现从持续更新的消息到事件级预测的过程。项目用于离线风险建模与方法学习，结果按数据集事件与预警截断协议解释。

面试与答辩可以怎样准备

为什么同一次交会的不同消息不能随机分到训练和测试？

预警提前量会怎样改变可用输入？

RMSE 与高风险 F2 为什么可能给出不同的模型排序？

配套讲解材料围绕整体思路、关键步骤与结果解读展开，并提供面试问答与简历表达参考。准备时可以先按流程说明输入和输出，再选一个样例解释方法，最后用结果图回答具体问题。简历描述结合实际参与内容调整，配图可以放入 PPT 模板组织汇报。

配套资料

技术文档从任务背景、数据组织讲到模型与实验，再结合图表解释结果，包含面试问答和项目表达参考。下面展示正文选页，便于了解讲解内容与图文组织。

代码覆盖数据处理、核心方法和实验分析。下面是实际源码中的关键函数节选，可以结合文档中的流程与公式阅读，再沿输入、计算与输出理解具体实现。

适合谁

航空航天、控制、统计与时序机器学习方向。 项目资料可用于学习、选题交流与面试答辩准备；沿着数据、方法、实验和解释逐步掌握，形成能够独立讲清楚的项目经历。