Прогнозирование траекторий динамических систем на длительный период методами машинного обучения

В последние 10-20 лет для анализа поведения траекторий динамических систем на больших интервалах времени широко используются методы машинного обучения. Прогнозирование поведения реальных систем, как правило, не допускает прямого использования асимпотических методов в силу наличия множества действующих сил и невозможности точно измерить как действующие силы, так и параметры самой системы. Тем не менее, развитые в последнее время методы Uncertainty Quantification, Surrogate modelling, Blind Source Separation и другие совместно с различными методами машинного обучения зачастую справляются с задачей прогнозирования траекторий на длительный период.
В докладе будет рассказано о применении метода редукции размерности к прогнозированию траекторий спутников глобальных навигационных систем.