卫星是一种结合多种尖端技术研制出来的大型多功能复杂系统,其对国家和民族的发展具有重要的影响。由于卫星故障往往伴随着对应部件参数值的异常,分析卫星遥测数据的未来趋势、了解卫星关键参数的变化规律,对于卫星异常的提前发现具有非常重要的意义。时间序列预测技术是一种广泛应用于研究关键参数未来趋势的有效方法。基于此,本文在研究现有的时间序列预测技术的基础上,结合卫星时序数据的特点,展开了对卫星时序数据中关键参数预测问题的研究。本文的主要研究内容如下:第一,对当今时间序列预测领域中应用较为广泛的几种常见模型进行了深入研究,主要包括神经网络模型、支持向量回归机、相关向量机、灰色预测等模型。它们各有优缺点,其中神经网络能够以任意精度逼近非线性系统,但是存在过拟合、局部极值、收敛慢等缺点。支持向量机能够有效解决小样本、高维、非线性映射问题,但是模型中的自由参数设置困难。相关向量机能够获得概率输出,但同样存在参数设置的问题。灰色预测模型仅适应特定规律的非负数列。第二,卫星时序数据具有数据量大、数据密集、数据变化缓慢、存在野值等特点。在此基础上,结合航天领域专家的建议,我们提出了卫星数据的预处理流程,包括野值处理、数据压缩、数据转换、数据归一化四个步骤。经过处理后的数据更适合后续的预测研究。第三,将粒子群优化算法(PSO)的搜索能力和支持向量回归机(SVR)优秀的非线性映射性能相结合,提出将PSO-SVR组合模型用于卫星姿态的短期预测。其中PSO用于解决SVR中参数的设置问题,包括惩罚系数、不敏感参数、核函数参数。采用卫星姿态控制系统中的真实数据验证PSO-SVR组合模型的有效性,并与BP神经网络、GM(1,1)、残差修正GM(1,1)的对比实验表明本文所提方法更适合卫星姿态预测。第四,相关向量机(RVM)是基于贝叶斯框架下的学习算法,能够获得概率形式的输出。本文借鉴前人对PSO-RVM模型的研究成果,提出一种改进PSO-RVM的区间预测方法。其中PSO算法同样用于解决参数设置的问题,此处为核函数参数。选择某卫星一次电源系统中IN1、VN1作为研究对象,实验结果表明PSO-RVM具有与PSO-SVR相当甚至更高的预测精度,且效率高、模型更稀疏,能够获得较准确的预测区间。本文提出的相关预测方法能够为卫星监测提供一定的辅助作用,为卫星时序数据中的预测研究提供一定的参考和借鉴。