Дуйсек Бермагамбет Ерикулы, Магистрант, Школа информационных технологий и инженерии
ул. Толе би, 59, 050000, г. Алматы
Duisek Bermagambet Erikuly (corresponding author), Master student, School of Information Technology and Engineering
59, Tole bi street, Almaty, 050000
Сарсембин Даурен Диясович, Магистрант, Школа информационных технологий и инженерии
ул. Толе би, 59, 050000, г. Алматы
Sarsembin Dauren Diyasovich, Master student, School of Information Technology and Engineering
59, Tole bi street, Almaty, 050000
Абдуразак Куанышбек Абдуразакович, Магистрант, Школа информационных технологий и инженерии
ул. Толе би, 59, 050000, г. Алматы
Abdurazak Kuanyshbek Abdurazakovich, Master student, School of Information Technology and Engineering
59, Tole bi street, Almaty, 050000
База данных малых небесных тел NASA предоставляется Jet Propulsion Laboratory и представляет собой собранную информацию об астероидах и кометах, описывая их доступные для наблюдения и определения параметры, в том числе физические, также их классификацию и данные по количеству и длительности наблюдений. Множество этих небесных тех имеют неполное описание их свойств, что делает затруднительным предсказание их поведения и потенциальное взаимодействие с другими объектами в космосе, в том числе и рукотворными. Данное исследование предлагает решение определенной части проблем по исследованию астероидов путем нахождения предсказания диаметра астероидов, основываясь на информации из базы данных NASA и результатах работы методов машинного обучения по обработанным данным из изначального источника. Для этой работы были выбраны некоторые из наиболее часто используемых алгоритмов для реализации подобных моделей предсказания, такие как: KNN, linear regression, random forest, decision tree и gradient boosting. Использованные алгоритмы машинного обучения были оценены по результатам точности предсказании диаметра, скорости работы и показателям среднеквадратичных ошибок. Исследование поможет выбрать наиболее оптимальный подход для предсказания данного показателя астероидов, опишет процесс предварительной обработки данных для достижения лучших показателей модели и проанализирует корреляции между свойствами этих небесных тел.
The database of small celestial bodies NASA is provided by the Jet Propulsion Laboratory and represents the collected information about asteroids and comets, describing their parameters available for observation and determination, including physical ones, as well as their classification and data on the number and duration of observation. Many of these celestial techs have an incomplete description of their properties, which makes it difficult to predict their behavior and potential interaction with other objects in space, including man-made ones. This study proposes a solution to a certain part of the problems of asteroid exploration by finding a prediction of the diameter of asteroids based on information from the NASA database and the results of machine learning methods on processed data from the source. For this research, some of the most commonly used algorithms for implementing such prediction models have been selected, such as KNN, linear regression, random forest, decision trees, and gradient boosting. Applied machine learning algorithms were evaluated based on the results of diameter prediction accuracy, speed of training and prediction process, and square mean error rates. The study will help to choose the most optimal approach for predicting this feature of asteroids, describe the process of data pre-processing, while achieving the best performance of the model, and analyze the correlations between the properties of these celestial bodies.
The authors declare that there are no conflicts of interest present.