СРАВНЕНИЕ И АНАЛИЗ РАЗЛИЧНЫХ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ НА ПРЕДСКАЗАНИЯХ ДИАМЕТРОВ АСТЕРОИДОВ НА ОСНОВЕ БАЗЫ ДАННЫХ МАЛЫХ НЕБЕСНЫХ ТЕЛ NASA

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.

1. Alexandropoulos S.A., Kotsiantis S. and Vrahatis M. (2019) The Knowledge Engineering Review, 34, pp.1–33. https://doi.org/10.1017/S026988891800036X.

2. Altman E. (1968) The Journal of Finance, pp. 589–609.

3. Badescu. Asteroids: Prospective Energy and Material Resources. Springer Berlin, Heidelberg, 689 p.

4. Carruba V., Aljbaae S., Domingos R.C., Huaman M. and Barletta W. (2022) Celestial Mechanics and Dynamical Astronomy, 134, p. 36. https://doi.org/10.1007/s10569-022-10088-2.

5. Carruba V., Aljbaae S., Domingos R.C., Lucchini A. and Furlaneto P. (2020) Monthly Notices of the Royal Astronomical Society, 496(1), pp. 540–54. https://doi.org/10.1093/mnras/staa1463.

6. Chao H., Yue-hua M., Hai-bin Z. and Xiao-ping L. (2017) Chinese Astronomy and Astrophysics, 41(4), pp. 549– 557. https://doi.org/10.1016/j.chinastron.2017.11.006.

7. Chapman C. and Morrison D. (1994) Nature, 367, pp. 33–40. https://doi.org/10.1038/367033a0.

8. Dodge, The Concise Encyclopedia of Statistics, Springer, New York, 2008, 616 p.

9. Donnison J.R. and Sugden R.A. (1984) Monthly Notices of the Royal Astronomical Society, 210(3), pp. 673–682. https://doi.org/10.1093/mnras/210.3.673.

10. Emmanuel T., Maupong T. and Mpoeleng. (2021) Journal of Big Data, 8, 140 p. https://doi.org/10.1186/s40537021-00516-9.

11. Jet Propulsion Laboratory of California Institute of Technology, Small-Body Database Query. Retrieved May 3, 2023, from https://ssd.jpl.nasa.gov/tools/sbdb_query.html.

12. Kirch. Encyclopedia of Public Health, Springer, Dordrecht, 2008, 1600 p.

13. Kobayashi N., Oyamada Y., Mochizuki Y. and Ishikawa H., 14th IAPR International Conference on Machine Vision Applications (MVA) (Tokyo, 18-22 May 2015), p. 551–554.

14. Kotz S. and Johnson N. L. (1992) Breakthroughs in Statistics: Methodology and Distribution, Springer New York, NY, 600 p.

15. Lovric, International Encyclopedia of Statistical Science (Springer Berlin, Heidelberg), 79 p.

16. Sanchez P., Colombo C., Vasile M. and G. Radice. (2009) Journal of Guidance, Control and Dynamics, 32, pp. 121–142. https://doi.org/10.2514/1.36774.

17. Shang H., Wu X., Qiao D. and Huang X. (2018) Aerospace Science and Technology, 79, pp. 570–579. https://doi.org/10.1016/j.ast.2018.06.002.

18. Smirnov E.A. and Markov A.B. (2017) Monthly Notices of the Royal Astronomical Society, 469(2), pp. 2024–2031.https://doi.org/10.1093/mnras/stx999.

19. Steinbach M., Kumar V. and Tan P.-N. (2006) Introduction to Data Mining, Addison Wesley, Pearson, 165 p.

20. Wang, Y. (2023). Highlights in Science, Engineering and Technology, 39, pp. 201–208. https://doi.org/10.54097/hset.v39i.6527.