航天器是由顶尖技术集合而成的具有复杂物理结构的系统,在军事应用、载人航天以及深空探测等领域有着重要的影响,建立一套预测系统有助于保障航天器在轨运行的可靠性、确保其长期健康工作、降低系统故障出现率、提高其运行寿命。航天器在轨运行时会产生大量的遥测数据,这些数据能够反映出航天器的在轨运行状态以及设备的状况。本文以航天器的遥测数据为研究对象,进行了以下研究工作:通过对近年来遥测数据预测方法的分析,总结了不同模型的特点。合作方提供的航天器遥测数据具有数据密集、数据变化缓慢的特点,对此本文构建了一套数据预处理流程,通过3σ原则进行野值剔除、使用KNN方法进行缺失值填补、通过数据归一化消除参数间的量纲差异、使用滑动窗口构建特征,并给出了预测模型的量化指标。对于支持向量回归机模型,本文使用遥测数据对该模型进行了训练与验证。为了改善SVR模型的预测性能,本文使用粒子群优化算法对SVR模型中的正则化常数C、间隔带大小ε以及高斯核函数中的σ三个超参数进行优化处理,提出了PSO-SVR组合预测模型。针对遥测数据中存在着周期信号堆叠的现象,本文使用经验模态分解EMD算法将原始数据分解成多个本征模态分量,接着使用序列模型对每一个本征模态分量进行分量预测,最后对每一个预测分量进行重构。在序列模型中,本文使用了长短时记忆网络LSTM模型,并通过正则化技术、Dropout方法、自适应学习率设置建立了EMD-LSTM模型。实验结果表明,使用SVR模型预测拟合优度指标为0.5563,PSO-SVR组合预测模型指标为0.8917,有较大程度的性能提升。使用LSTM模型的拟合优度指标为0.2473,EMD-LSTM模型预测指标为0.5658。