一種基于Bi-GRU的衛星對地觀測任務可調度性預測方法

陳浩 羅棕 杜春 彭雙 李軍

摘? ?要：針對現有衛星觀測任務可調度性預測模型難以建模長時間間隔的觀測任務依賴關系的問題，提出一種基于雙向門控循環單元（Bidirectional Gated Recurrent Unit，Bi-GRU）的衛星對地觀測任務可調度性預測模型. 該模型以衛星歷史規劃方案作為學習樣本，能夠以較低計算代價較高準確率地預測出對地觀測任務集合中可以被響應的子集. 該模型首先通過多層全連接感知機神經網絡提取任務屬性間的關聯關系，然后采用多組多層雙向門控循環單元組成的循環神經網絡提取觀測任務與其前驅及后繼觀測任務序列的潛在時序特征，最后融合各組雙向門控循環單元的預測結果，從而利用觀測任務之間的正向與反向信息依賴關系提升任務可調度性預測準確度. 實驗結果表明，與現有主流預測模型相比，本文提出方法在準確率、精確率、召回率和F1分數等指標上分別提升了2.27%、2.36%、3.45%和2.37%.

關鍵詞：對地觀測衛星;任務可調度性;循環神經網絡;預測;雙向門控循環單元

中圖分類號：TP391? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標志碼：A

A Prediction Method for Schedulability of

Satellite Earth Observation Task Based on Bi-GRU

CHEN Hao，LUO Zong，DU Chun，PENG Shuang?，LI Jun

（College of Electronic Science and Technology，National University of Defense Technology，Changsha 410073，China）

Abstract：Considering that the existing prediction models of satellite observation task schedulability are difficult to model the potential dependencies between observation tasks with long time interval， a novel predictive model for satellite earth observation task schedulability based on Bidirectional Gated Recursive Unit （Bi-GRU） network is proposed. The model can learn from the historical satellite observation task scheduling results and forecast the observation task scheduling result accurately without a time-consuming scheduling computation. Firstly，the model adopts a multi-layer fully connected forward neural network to extract the relationship between the features of observation tasks. Then，a multi-group and multi-layer Bi-GRU network is designed to formulate the temporal features between the current task and its precursors and successors in task sequence bi-directionally. Lastly，the outputs of Bi-GRU groups are fused in order to enhance the accuracy of the prediction result. The experimental results show that，compared with the state-of-the-art approaches，the accuracy， precision， recall and F1 score of the proposed method are improved by 2.27%， 2.36%， 3.45% and 2.37%， respectively.

Key words：earth observation satellite;task schedulability;recurrent neural network;predict;Bidirectional Gated Recurrent Unit（Bi-GRU）

隨著成像衛星技術的不斷發展，社會各領域對成像衛星的使用需求也越來越多，由于衛星資源有限，無法滿足所有對地觀測需求，導致觀測需求沖突經常發生. 衛星任務規劃是從眾多的衛星對地觀測請求中選出一個無沖突子集，使得觀測收益最大化. 已有研究表明，衛星任務規劃是一個典型的NP-hard問題[1-2]，目前尚沒有多項式時間快速算法，大規模情況下，衛星任務規劃具有龐大的解空間，通過隨機搜索得到初始解的方法，需要較長的求解路徑，規劃計算費時費力[3]. 而衛星繞地球飛行，軌跡和任務均呈現周期性特點，可見歷史規劃方案對當前方案的制定有較大借鑒意義. 如果把歷史規劃方案看作訓練數據，這就使得通過構建機器學習模型，從而準確預測當前規劃方案成為了可能，這就是衛星成像任務可調度性預測問題. 通過預測得到衛星成像調度結果的方法計算量低，能夠快速獲得任務可調度性. 此外預測結果不僅能初步表達最終調度結果、供操作員估算長期規劃效益，還能為規劃算法提供高價值的初始解. 因而，衛星成像任務可調度性預測問題受到了學者的廣泛關注.

Wang等[4]、Tinker等[5]提出基于案例學習的衛星觀測任務規劃方法，利用衛星規劃歷史數據集進行無監督學習，通過與已知的實例進行比對完成衛星任務規劃. 與無監督學習方法相比，監督學習方法具有針對性更強、預測計算更快、泛化能力更好的優點. 鑒于此，Li等[6]提出基于魯棒性決策樹和集成支持向量機的成像觀測任務預測方法，取得了較好的預測效果，但從深度學習視角來看，其預測精度尚有提升空間. 白國慶[7]、劉嵩[8]等提出基于全連接（fully-connected）BP神經網絡的成像衛星可調度性預測方法，設計了一種由協同任務分配組件、任務調度組件、特征提取組件以及任務可調度性預測組件所構成的組件化求解架構，采用變隱含層節點的集成反向傳播神經網絡集成技術求解成像任務可調度性問題，預測準確率達到85%以上. 邢立寧等[9]針對星上任務可調度性預測問題，在分析實際影響成像衛星任務執行因素（如任務重疊度、任務收益、氣象信息等）的基礎上，設計了一種基于BP神經網絡的預測方法，在衛星狀況正常的情況下具有83%的預測準確率. BP神經網絡訓練方法成熟，但沒有考慮成像衛星任務可調度性預測問題中成像任務為時序任務的特點，難以建立相隔較遠的兩個成像任務之間的潛在依賴關系. 隨著深度學習的興起，循環神經網絡受到了越來越多的關注. 相關研究表明[10-11] ，循環神經網絡（Recurrent Neural Network，RNN）能模仿短期記憶特性，尤其適合對時序數據進行處理.

由于循環神經網絡在時序數據處理上比普通神經網絡性能更優，Peng等[12]針對星上任務調度問題，提出了基于長短記憶網絡（Long Short-Term Memory，LSTM）的觀測任務可調度性實時預測方法，其使用兩個LSTM網絡來實現特征提取，再使用一個前饋BP神經網絡實現衛星自主規劃，但每次僅能決策一個對地觀測任務是否執行. 連續的決策是一個多次序貫決策過程，該過程容易導致誤差積累，從而使得預測精確度隨時間的推移而下降.

本文提出一種基于雙向門控循環單元[13-14]

（Bidirectional Gated Recurrent Unit，Bi-GRU）的成像衛星觀測任務可調度性預測模型，該方法可以有效觀測建模前后任務之間的潛在相互影響，從而一次性實現對多個觀測任務可調度性的準確預測.

1? ?問題描述與分析

1. 1? ?相關定義

為了便于描述衛星對地觀測任務可調度性預測問題，現作如下定義.

定義1? ?觀測任務：衛星對單個地面目標進行一次有效觀測，也稱為成像任務. 每個觀測任務包含多種任務特征，相關符號記為：xi = 〈 f1，f2，…，fn〉，其中f* 為任務特征，n為特征總數，i為觀測任務的編號.

定義2? ?觀測任務序列：觀測任務按照觀測時間窗口開始時間的先后順序排成的序列，相關符號記為：X = {xi|i∈[1，N]，N∈Z+}，N為序列長度. 此外定義{x1，…，xi-1}為xi的前驅任務序列，{xi+1，…，xN}為xi的后繼任務序列.

定義3? ?成像方案：通過衛星任務規劃系統計算得出的衛星對地成像的觀測方案.

定義4? ?觀測任務xi的可調度性預測結果記為yi，衛星任務規劃系統真實計算結果記為y′

i .“yi = 1”表示模型預測xi進入成像方案，“yi = 0”則表示模型預測xi未進入成像方案. 同理“y′

i = 1”表示衛星任務規劃系統將xi列入成像方案，“y′

i = 0”表示衛星任務規劃系統未將xi列入成像方案. 此外定義觀測任務序列X對應的預測結果為Y={yi|i∈[1，N]，N∈Z+}，對應的系統規劃結果為Y′ = {y′

i|i∈[1，N]，N∈Z+}.

1. 2? ?問題分析

衛星對地觀測任務可調度性預測問題可以描述為：利用衛星任務規劃系統的歷史規劃數據Strain = {〈Xi，Y′

i〉|i∈[1，M]，M∈Z+}訓練模型，模擬任務規劃系統的映射關系，預測觀測任務序列集合Stest = {Xi|i∈[1，m]，m∈Z+}的可調度性.

利用歷史規劃數據預測衛星對地觀測任務的規劃結果實質是一個監督學習過程，而監督學習過程包括特征提取與選擇、學習與訓練、分類與識別. 衛星在空間軌道上圍繞地球做周期性運動，與地面目標之間并非時時可見，只有在觀測時間窗口內才可能對該目標實施觀測. 除觀測時間窗口約束條件之外，衛星受到其他約束條件的制約，如星上存儲容量、星上能量、衛星動作切換時間、觀測任務重疊度等等. 因此，在對衛星觀測任務進行可調度性預測時，需要考慮眾多影響因素. 參考文獻[7-12，15-16]中關于成像衛星任務規劃建模約束條件，本文主要考慮以下影響因素和約束條件.

1）優先級：觀測任務的等級，代表觀測任務的收益，優先級越高的觀測任務越優先考慮列入成像方案. 觀測任務xi的優先級記為pi∈[1，40]，優先級40為最高優先級. 本文定義任務規劃優化目標為觀測任務的收益（Fvalue）最大化：

Fvalue = maxyi pi? ? ? ? ?（1）

2）觀測持續時間：觀測任務xi的觀測時間窗口開始時間ts

i與結束時間te

i之間的時間間隔. 中低軌衛星對地面目標的觀測時間窗口非常短，通常只有幾秒鐘到幾十秒鐘. 觀測持續時間過短影響觀測任務有效性，過長則會引起資源的損耗，本文定義觀測持續時間di∈[10，59].

3）衛星動作切換時間：成像方案中前一觀測任務xi的觀測結束時間te

i與后一觀測任務xj的觀測起始時間ts

j的間隔需要不低于衛星動作切換所用時間tij：

ts

j - te

i ≥ tij? ? ? ? （2）

4）任務沖突度：與觀測任務xi發生觀測時間窗口重疊的其他觀測任務的數量. 觀測任務的任務沖突度越高，任務規劃難度越大.

5）存儲消耗：衛星執行觀測任務所消耗的星上存儲空間. 記衛星在t時刻的存儲空間為m（t），執行觀測任務xi的存儲消耗為mi，mmax、mmin分別為衛星存儲空間上限和下限. 存儲消耗滿足約束條件：

m（ts

i） + mi ≤ mmax，mi ≥ 0? ? ? ?（3）

6）能量消耗：衛星執行觀測任務所消耗的星上能量. 記衛星在時刻t的能量值為e（t），在執行觀測任務xi時衛星能量消耗為ei，emax、emin分別為衛星能量上限和下限. 能量消耗值ei滿足約束條件：

e（ts

i） - ei ≤ emin? ? ? ? ?（4）

此外，本文還考慮衛星能量補充的情況：在成像方案相鄰任務xi與xj的任務間隙，記光照條件下的能量補充為eij，滿足約束條件：

e（te

i） + eij ≤ emax? ? ? ? ?（5）

考慮到傳感器切換時間Ts（i，j）、衛星能量補充eij都與相鄰任務之間的時間間隔有關，而任務沖突度與觀測時間間隔、觀測持續時間有關. 因此本文選取優先級、觀測持續時間、觀測時間間隔、能量變化、存儲變化作為輸入特征.

2? ?模型分析

2. 1? ?Bi-GRU簡介

循環神經網絡（Recurrent Neural Network，RNN）是一類以序列數據為輸入，在序列的演進方向進行遞歸且所有節點（循環單元）按鏈式連接的遞歸神經網絡[14]. 由于標準的RNN模型存在梯度消失或梯度爆炸等問題，一些學者提出LSTM[17-18]和GRU[19-20]等門控遞歸神經網絡以增強RNN的可用性. 通常情況下GRU和LSTM的性能相似，但是GRU 參數更少，因此更容易收斂. GRU中每個單元都可以通過重置門和更新門來控制信息的流動，并且在每個時間步都可以將所有的內存內容完全暴露出來. 此外，GRU的輸出是為了實現以前的內存狀態和新的候選內存狀態之間的平衡.

Bi-GRU的基本思想是將規則GRU中的神經元分為前向層和后向層，分別代表正的時間方向和負的時間方向. 通過使用這種結構，很容易捕獲到來自過去和未來的輸入信息對當前狀態的影響.

從機器學習視角來看，衛星對地觀測任務可調度性預測是一個關于時序數據的“多對多”的二分類問題. 模型在預測某個觀測任務是否列入成像方案時，需要考察該任務的前驅任務序列和后繼任務序列對當前任務可調度性的影響. 利用GRU的短時記憶能力，能夠很好地建模當前任務與其前驅任務集合或者與后續任務集合之間的潛在關系. 因此，我們采用了雙向GRU（Bi-GRU）作為基本單元來構建預測模型，以期能夠讓模型從兩個前后方向對當前任務的前驅/后繼任務集合依賴性進行建模，以提升預測精準度.

2.2? ?模型構建

模型結構如圖1所示. 基于Bi-GRU網絡的衛星對地觀測任務可調度性預測模型（Earth Observation Satellite Task Prediction based on Bi-GRU，OTPre）由3個部分組成，分別是MLP（Multilayer Perceptron）層、Deep Bi-GRU層、分類層.

2.2.1? ?MLP層

由圖1可知，N × 5維的觀測任務序列X首先進入MLP層處理，經過L1次非線性變換得到矩陣UMLP. 輸入特征的非線性映射可以實現特征的精細劃分，對時序特征提取和分類判斷產生深遠的影響. 相關計算公式如下：

UMLP = f（WL1…f（W1X + b1） + bL1）? ? ? ? ?（6）

式中：W*、b*分別代表每一層的權重矩陣和偏置向量; f為ReLU激活函數. 最后將MLP層的輸出矩陣傳遞到Deep Bi-GRU層.

2.2.2? ?Deep Bi-GRU層

由圖1可知，Deep Bi-GRU層由N個Deep Bi-GRU單元組成，每個Deep Bi-GRU包含4層Bi-GRU單元，每個Bi-GRU單元包含前向GRU單元和后向GRU單元，每個GRU單元包含hsize個隱含節點. 每個GRU單元的輸入信息來自兩方面，一是來自同一隱含層中前向（后向）GRU傳過來的信息[h][→]（i）

t-1（[h][←]（i）

t+1）;二是來自上一層傳遞過來的信息h（i-1）

t? ? ? ?=[[h][→]（i-1）

t? ? ? ?;[h][←]（i-1）

t? ? ? ?].

[h][→]i

t = g（[W][→]（i）? h（i-1）

t? ? ? ? + [V][→]（i） [h][→]（i）

t-1 + [b][→]（i） ）? ? ? （7）

[h][←]i

t = g（[W][←]（i）? h（i-1）

t? ? ? ? + [V][←]（i） [h][→]（i）

t+1 + [b][←]（i） ）? ? ? （8）

zt = [[h][→]（L）

t? ?;[h][←]（L）

t? ?]? ? ? ? ? （9）

式中：g（）表示GRU輸出;[h][→]i

t、[h][←]i

t分別表示第t個Deep Bi-GRU單元的第i層Bi-GRU單元的前向GRU、后向GRU的輸出;[ ]表示兩個向量進行向量特征拼接;[h][→]（L）

t? ?∈R，[h][←]（L）

t? ?∈R，zt∈R. 最后將Deep Bi-GRU層的輸出Z = {z1，z2，…，zN}接入到分類層.

2.2.3? ?分類層

由圖1可知，分類層由L2個全連接層組成，負責將Deep Bi-GRU層的輸出Z映射為預測概率. 相關計算公式為：

P（Y|X）=softmax（f（W′

L2…f（W′

1Z+b′

1）+b′

L2））

（10）

式中：W′

*、b′

*分別代表每一層的權重矩陣和偏置向量;f為ReLU激活函數. 觀測任務xi的最終預測結果yi的計算公式為：

yi = 0←if P（yi = 0|X）≥P（yi = 1|X）

yi = 1←if P（yi = 0|X） < P（yi = 1|X）? ? ? ? （11）

2. 3? ?模型訓練

為了訓練模型，本文采用交叉熵作為損失函數：

FLoss = -[][X∈Strain]P（y′

j = i，X）log（P（yj = i|X））

（12）

由于本文提出的網絡模型內部參數較多，所以選擇Adam優化算法來求取使得損失函數最小的最優解. Adam優化算法[21]同時具備AdaGrad和RMSProp算法的優點，適用于解決含大規模數據和參數的優化問題，計算高效且所需的內存少. 如算法1所示，模型輸入訓練數據集Strain和訓練總迭代次數J;步驟1～2對迭代計數參數j、ω進行初始化;步驟3從訓練數據選取樣本數據;步驟4～5利用初始化的參數計算樣本數據的初始化預測結果[Y][～]（0）

和平均損失函數值C（0）

;步驟6～12對模型進行梯度計算、模型參數更新、預測結果更新、平均損失函數值更新. 將損失函數取最小值的模型參數進行保存，重復上述步驟直到迭代循環結束.

算法1? ?模型訓練過程

Input：Strain //訓練數據集

J//訓練總迭代次數

Output：損失函數最小的模型參數ωbest

1. Initialize j//訓練迭代次數j

2. Initialize ω//初始化模型參數ω

3. 從訓練集中選取S個樣本

Sample = {〈X1，Y′

1〉，…，〈Xs，Y′

s〉}

4. [Y][～]（0）

k←OTPre（Xk |ω（0）

）//計算初始樣本集預測結果

5. C（0）

←FLoss（Yk，[Y][～]（0）

k|Xk，ω（0）

）//初始化損失函數值

6. for j = 1，…，J do

7. g ← [Δ]θFLoss（Yk，[Y][～]（ j-1）

k? ? |Xk，ω（ j-1）

）//計算梯度

8. Δω ← Adam（g|Xk，ω（ j）

）//計算更新

9.? ω（ j）

← ω（ j-1）

+ Δω//更新參數

10. [Y][～]（ j）

k ← OTPre（Xk |ω（ j）

）//更新預測結果

11. C（ j）

← FLoss（Yk，[Y][～]（ j）

k? |Xk，ω（ j）

）

//更新模型損失函數值

12. if Minimum（C（0）

，…，C（ j-1）

） > C（ j）

then ωbest ← ω（ j）

14.? ? ?end if

15. end for

3? ?實驗仿真及結果分析

3.1? ?實驗平臺及數據準備

本實驗程序在PyCharm 2019.03編譯器上使用Python+TensorFlow編寫，計算機配置為Inter（R） Core（TM） i7-9750H CPU @2.60GHz ，內存為8.0 GB，操作系統為Windows10.

本次實驗使用STK軟件計算觀測任務的觀測時間窗口，使用1.2節所述約束條件構建衛星任務規劃模型并使用遺傳算法作為求解算法，計算結果作為觀測任務的系統規劃結果. 本次實驗數據集時間從2017-04-01T 00：00：00～2017-04-01T 23：59：59，共有4 791組觀測任務序列，每個觀測任務序列中包含100個觀測任務，其中訓練數據占比60%，驗證數據占比20%，測試數據占比20%.

3.2? ?模型參數測試

模型參數設置與實驗效果之間存在緊密的聯系，為了得出模型最佳輸出結果，分別對MLP層、全連接層數和Deep Bi-GRU的層數、GRU隱含節點數的實驗效果進行了測試. MLP層數對比了層數0、1、2、3;Deep Bi-GRU層數對比了參數3、4、5;隱含節點數對比了參數20、25、30;最后得出MLP層L1為2、全連接層L2為3、Deep Bi-GRU層數為4、隱含節點數為20時模型分類準確率最高，平均預測準確率為92.21%.

3.3? ?Baseline及評價準則

為了評估模型的實驗性能，將本文提出模型OTPre與廣泛使用和最成功的傳統機器學習分類模型支持向量機（SVM）、隨機森林（RF）、文獻[6]提出的穩健決策樹和標準支持向量機模型（SVM-RF）進行了性能比較. 此外，為了與文獻[7-9]提出的模型進行性能比較，本文還選用MLP、GRU模型作為BaseLine，其中MLP層數設置為7層、GRU參數參照模型OTPre設置. 采用機器學習領域中普遍使用準確率、精確率、召回率、F1值對上述模型進行評價.

3.4? ?計算結果

表1為各個模型預測結果的準確率、精確率、召回率、F1值. 從表1可以看出，與SVM、RF、SVM-RF、MLP相比，本文所提出的方法在各項指標中表現出較為明顯的優勢，在準確率、精確率、召回率、F1值上分別平均高出6.95%、7.66%、10.11%、7.38%，這是因為這些模型難以建立相隔較遠的兩個成像任務之間的潛在依賴關系，對受多元約束（如存儲消耗約束、能量消耗約束）影響的任務關聯關系缺乏必要記憶. 而模型OTPre能更好地捕捉到這種潛在的依賴關系，從而取得了更好的預測效果.

模型OTPre與GRU相比，在準確率、精確率、召回率、F1值上分別高出2.27%、2.36%、3.45%、2.37%，說明雙向循環神經網絡各方面的預測能力更好，更適合衛星對地觀測任務可調度性預測問題求解.

3.5? ?任務特征測試

本文選用優先級、觀測持續時間、任務沖突度來測試任務特征與預測準確率之間的趨勢關系.

3.5.1? ?優先級

圖2（a）表示模型OTPre、GRU、SVM-RF的觀測任務優先級與預測準確率之間的趨勢關系，通過分析可以得出以下結論.

1）優先級12～40的觀測任務呈現優先級越高，預測準確率越高的變化趨勢，這是因為在任務規劃時優先級越高的觀測任務，實際被列入成像方案的概率越高，預測更加容易.

2）優先級1～11的觀測任務呈現出優先級越高，預測準確率越低的變化趨勢，這是因為優先級越低的觀測任務，實際未列入成像方案的概率越大，預測更為容易. 因此，介于高優先級與低優先級之間的觀測任務（中優先級的觀測任務）預測更加困難. 如圖2（b）所示，優先級11是所有優先級中實際規劃上的觀測任務數量與實際未規劃上的觀測任務數量比值最接近1 ∶ 1.

3）3種模型表現的趨勢關系比較相似，均呈現出“V”字型，拐點都在優先級11附近.

4）模型性能優良與模型對于中優先級觀測任務的預測能力有關，模型學習能力越強，對中等優先級觀測任務預測更加準確.

3.5.2? ?觀測持續時間

圖3（a）表示模型OTPre、GRU、SVM-RF的觀測持續時間與預測準確率之間的趨勢關系. 通過分析可以得出以下結論.

1）通過分析圖3（a）可以得出，在相同觀測持續時間的前提下，模型OTPre的預測準確率要高于GRU、SVM-RF模型，說明本文提出的模型針對本文場景具有更加優越的性能.

2）預測準確率曲線整體呈現觀測持續時間越長，預測準確率越低，這種趨勢隨著模型預測性能的提升而呈現弱化的趨勢.

3）預測準確率通常與觀測任務實際規劃情況有關，與優先級表現的趨勢關系相似. 通過分析圖3（b）可得，隨著觀測持續時間的增加，實際列入成像方案的任務數量與實際未列入成像方案的任務數量的比值越接近1 ∶ 1. 這是因為獲取同等收益的情況下觀測持續時間越長，消耗資源越多，需要綜合衡量是否規劃的獲益與資源消耗，判斷和預測都更加復雜.

4）模型性能優良與模型對于高觀測持續時間的觀測任務的預測能力有關，模型學習能力越強，對高任務觀測持續時間的觀測任務預測更加準確.

3.5.3? ?任務沖突度

圖4（a）表示在模型OTPre、GRU、SVM-RF中任務沖突度與預測準確率之間的趨勢關系;圖4（b）表示在不同任務沖突度的條件下，實際列入成像方案的觀測任務和實際未列入成像方案的觀測任務所占比例. 通過分析可以得到以下結論：

1）通過分析圖4（a）可以得出，在相同任務沖突度的前提下，模型OTPre在預測沖突的觀測任務的準確率最高，其次是GRU模型，最后是SVM-RF模型，這說明循環神經網絡模型更適合衛星成像任務規劃問題，可以對沖突的觀測任務信息進行記憶. 同時也說明雙向循環神經網絡模型比單向循環神經網絡模型預測沖突觀測任務的能力更強.

2）通過分析圖4（a）可以得出，模型OTPre相比于GRU、SVM-RF模型在任務沖突度為0時的預測準確率比較接近，但是在任務沖突度≥1時的預測準確率具有更明顯的優勢. 這說明OTPre模型可以更好地學習到任務的沖突特征. 當預測序列沖突任務數量越多，OTPre模型與GRU模型相比具有更加明顯的優勢.

3）由圖4（a）可知，OTPre模型在任務沖突度為1時的預測準確率要比任務沖突度為0時的預測準確率更高，這說明OTPre模型能夠有效發現相鄰任務觀測時間窗的沖突，并根據任務的特征進行準確決策.

4） 由圖4（a）可知，高任務沖突度（任務沖突度≥2）的預測準確率要明顯低于低任務沖突度（任務沖突度≤1）的預測準確率. 這是因為高任務沖突度的觀測任務數量更多，而實際列入成像計劃的比例更少，如圖4（b）所示，正確預測高任務沖突度的任務難度更高.

4? ?結? ?論

本文提出了一種基于Bi-GRU的衛星觀測任務可調度性預測模型，該模型能夠有效預測建模前后觀測任務之間的潛在依賴關系，充分考慮觀測任務前后之間的影響，一次性預測多個觀測任務的可調度性. 實驗中與SVM、RF、SVM-RF、MLP、GRU等可調度性預測模型進行對比，本文提出的實驗模型在準確率、精確率、召回率和F1值等指標上均表現更優. 此外還測試了任務特征對預測準率趨勢的關系.本文針對的是單星對地觀測任務可調度性預測問題，下一步研究方向：

1）將本文模型預測結果作為初始解應用于任務規劃系統中，研究初始解的質量對規劃算法性能的影響.

2）利用多星任務規劃經驗數據，通過機器學習方法學習多星任務規劃算法，實現對多星任務規劃的預測.

參考文獻

[1]? ? CHEN H，YANG S，LI J，et al. Exact and heuristic methods for observing task-oriented satellite cluster agent team formation[J]. Mathematical Problems in Engineering，2018，2018：1—23.

[2]? ? LI Y Q，WANG R X，LIU Y，et al. Satellite range scheduling with the priority constraint：an improved genetic algorithm using a station ID encoding method[J]. Chinese Journal of Aeronautics，2015，28（3）：789—803.

[3]? ? 莊曉東，孟慶春，高云，等. 復雜環境中基于人工勢場優化算法的最優路徑規劃[J]. 機器人，2003，25（6）：531—535.

ZHUANG X D，MENG Q C，GAO Y，et al. Optimal path planning complex environments based on optimization of artificial potential field[J]. Robot，2003，25（6）：531—535. （In Chinese）

[4]? ? WANG C，CHEN H，ZHAI B R，et al. Satellite observing mission scheduling method based on case-based learning and a genetic algorithm [C]//2016 IEEE 28th International Conference on Tools with Artificial Intelligence （ICTAI）. San Jose，California，USA：IEEE，2016：627—634.

[5]? ? TINKER P，FOX J，GREEN C，et al. Analogical and case-based reasoning for predicting satellite task schedulability[C]//International Conference on Case-Based Reasoning. Heidelberg：Springer，2005：566—578.

[6]? ? LI J，JING N，HU W，et al. A satellite schedulability prediction algorithm for EO SPS[J]. Chinese Journal of Aeronautics，2013，26（3）：705—716.

[7]? ? 白國慶，陳英武，楊振宇，等. 基于集成BP神經網絡的成像衛星任務可調度性預測方法[C]//第二屆高分辨率對地觀測學術年會. 北京：中國宇航學會，2013：1—9.

BAI G Q，CHEN Y W，YANG Z Y，et al.? Schedulability prediction method for imaging satellite missions based on integrated BP neural network [C]//The Second High Resolution Earth Observation Academic Conference. Beijing：Chinese Society of Astronautics，2013：1—9. （In Chinese）

[8]? ? 劉嵩，白國慶，陳英武. 地球觀測網絡成像任務可調度性預測方法[J]. 宇航學報，2015，36（5）：583—588.

LIU S，BAI G Q，CHEN Y W. Prediction method for imaging task schedulability of earth observation network[J]. Journal of Astronautics，2015，36（5）：583—588. （In Chinese）

[9]? ? 邢立寧，王原，何永明，等. 基于BP神經網絡的星上任務可調度性預測方法[J]. 中國管理科學，2015，23（S1）：117—124.

XING L N，WANG Y，HE Y M，et al. An earth observation satellite task schedulability prediction method based on BP artificial network[J]. Chinese Journal of Management Science，2015，23（S1）：117—124.（In Chinese）

[10]? FERN?NDEZ S，GRAVES A，SCHMIDHUBER J. Sequence labelling in structured domains with hierarchical recurrent neural networks[C]//IJCAI07：Proceedings of the 20th International Joint Conference on Artifical Intelligence. Hyderabad：AAAI，2007：774—779.

[11]? LIU Y，HUA J，LI X G，et al. Chinese syllable-to-character conversion with recurrent neural network based supervised sequence labelling [C]//2015 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference（APSIPA）. Hong Kong，China：IEEE，2015：350—353.

[12]? PENG S，CHEN H，DU C，et al. Onboard observation task planning for an autonomous earth observation satellite using long short-term memory[J]. IEEE Access，2018，6：65118—65129.

[13]? XU C Y，SHEN J Z，DU X，et al. An intrusion detection system using a deep neural network with gated recurrent units[J]. IEEE Access，2018，6：48697—48707.

[14]? SHEN Z，BAO W，HUANG D S. Recurrent neural network for predicting transcription factor binding sites[J]. Scientific Reports，2018，8（1）：15270.

[15]? WU G H，WANG H L，PEDRYCZ W，et al. Satellite observation scheduling with a novel adaptive simulated annealing algorithm and a dynamic task clustering strategy[J]. Computers & Industrial Engineering，2017，113：576—588.

[16]? CHEN H，LI J，JING N，et al. User-oriented data acquisition chain task planning algorithm for operationally responsive space satellite[J]. Journal of Systems Engineering and Electronics，2016，27（5）：1028—1039.

[17]? HOCHREITER S，SCHMIDHUBER J. Long short-term memory[J]. Neural Computation，1997，9（8）：1735—1780.

[18]? GERS F A，SCHMIDHUBER J，CUMMINS F. Learning to forget：continual prediction with LSTM[J]. Neural Computation，2000，12（10）：2451—2471.

[19]? CHO K，VAN MERRIENBOER B，BAHDANAU D，et al. On the properties of neural machine translation：encoder-decoder approaches[C] // Proceedings of SSST-8，Eighth Workshop on Syntax，Semantics and Structure in Statistical Translation. Doha：Association for Computational Linguistics，2014：103—111.

[20]? CHUNG J，GULCEHRE C，CHO K H，et al. Empirical evaluation of gated recurrent neural networks on sequence modeling[C] // Conference and Workshop on Neural Information Processing Systems. Montreal：MIT Press，2014.

[21]? KINGMA D，BA J. Adam：a method for stochastic optimization[C] //The 3rd International Conference for Learning Representations. San Diego：Elsevier，2015.