Paikannussatelliittien rataennustukset koneoppimisen avulla

Hahl, Konstantin

Paikannussatelliittien rataennustukset koneoppimisen avulla

Hahl, Konstantin (2019)

Avaa tiedosto

Hahl.pdf (1.783Mt)

Lataukset:

Hahl, Konstantin

2019

Teknis-luonnontieteellinen
Tekniikan ja luonnontieteiden tiedekunta - Faculty of Engineering and Natural Sciences

This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.

Hyväksymispäivämäärä

2019-05-17

Näytä kaikki kuvailutiedot

Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tty-201905101589

Tiivistelmä

Satelliittipaikannuksen välttämättömyys on, että paikannussatelliitien sijainnit tunnetaan paikannushetkenä. Tätä varten satelliitit lähettävät tietoa radoistaan käyttäjille kuuden sekunnin mittaisina viesteinä 30 sekunnin intervallilla. Paikannuksen aloittamiseksi käyttäjän on siis odotettava ratatietojen vastaanottamista. Tätä odotusaikaa voidaan lyhentää lataamalla satelliittien ratatiedot internetin välityksellä, mutta kaikilla paikannuslaitteilla ei ole tähän mahdollisuutta, kuten tavallisella auton navigaattorilla tai urheilukellolla. Toinen tapa lyhentää odotusaikaa on ennustaa paikannussatelliittien radat laitteella. Kun laite aloittaa paikannuksen, pystytään satelliittien sijainnit selvittämään edellisillä paikannuskerroilla tehtyjen rataennustusten avulla. Rataennustusten tarkkuus luonnollisesti huononee ennustusajan pidentyessä, mutta riittävään tarkkuuteen päästään vielä muutaman viikon mittaisilla ennustuksilla.
Tässä diplomityössä tutkitaan, miten koneoppimista voidaan hyödyntää paikannussatelliittien ratojen ennustuksessa, jota tehdään paikannuslaitteella. Tarkoituksena on tuottaa paikannuslaitteille avusteparametreja, joilla pystytään parantamaan laitteella tehtäviä satelliittien rataennustuksia. Parametrien tulisi olla tiedostokoiltaan tarpeeksi pienikokoisia sekä pitkäikäisiä, jotta niiden lähettäminen laitteelle olisi kannattavaa. Ehtona on myös, että parametrien lisäksi laite hyödyntää vain reaaliaikaista lähetysefemeridiä (broadcast ephemeris), eli internetyhteyttä parametrien vastaanottamisen jälkeen ei ole mahdollisuutta käyttää eikä tallettaa laitteeseen aikaisemmin vastaanotettuja efemeridejä.
Ongelmaa on lähestytty siten, että pyritään löytämään koneoppimisen avulla käytössä olevasta ennustusmallista mallinnettavia virheitä. Rataennustuksen virheestä tehdään korjausmalli, jonka funktiona on vain lähetysefemerideistä saatuja parametreja. Laitteella tehdystä ennustuksesta voidaan näin ollen poistaa korjausmallin ennustama virhe, jolloin saadaan parempi ennustus laitteelle. Tarkoitus on selvittää, miten malli suoriutuu 14 vuorokauden mittaisissa ennustuksissa.
Työssä havaittiin, että käytetyjen rataennustusten virhe on selvästi aikariippuvainen. Korjausmallin syötteenä on ainoastaan satelliitin tunnistenumero sekä aika kolmessa eri muodossa: vuodenaika, vuorokaudenaika sekä GPS-sekunti. Mallin ulostulon parametrit on pyritty tasapainottamaan ennustustarkkuuden ja parametrien määrän välillä.
Koneoppimisen metodina on käytetty satunnaista metsää (random forest), joka on nykystandardeilla täysin varteenotettava vaihtoehto sovelluksissa neuroverkkojen ohella. Sen etuna neuroverkkoihin on huomattavasti nopeampi opetusaika sekä se ettei se ole neuroverkkojen tapaan "musta laatikko", vaan korjausmallin rakennetta voidaan tarkastella yksityiskohtia myöten.
Mallilla saadaan parannettua ennustustarkkuutta huomattavasti. Jokainen virhekomponentti (radiaali-, tangentiaali- ja normaalivirhe) saadaan noin puolitettua 14 vuorokauden ennustuksissa, sekä parametreja voidaan tuottaa laitteelle tarpeeksi ajoissa tulevaisuuden ennustuksia varten.

Kokoelmat

Opinnäytteet - ylempi korkeakoulututkinto [39218]