La precisión de la predicción orbital a medio y largo plazo de grandes vehículos espaciales en órbita baja está principalmente influenciada por la incertidumbre del entorno espacial y los cambios en la configuración en órbita. Los métodos tradicionales de predicción están limitados por errores en el modelo de densidad atmosférica y la aplicabilidad del coeficiente de arrastre, además de carecer de un modelado detallado del área frontal cambiante según la configuración. Este artículo propone un método inteligente de predicción orbital a medio y largo plazo para grandes vehículos espaciales transformables. El método introduce el concepto de coeficiente de arrastre falso, modelando de forma unificada la incertidumbre de la densidad atmosférica y el coeficiente de arrastre como un parámetro variable en el tiempo que puede aprenderse, construyendo un marco de predicción que fusiona un modelo dinámico de alta precisión con uno basado en datos; además, se proporciona un modelo de corrección del coeficiente de arrastre falso que representa explícitamente la relación cuantitativa entre el cambio en el área frontal y el coeficiente. Un experimento de simulación realizado sobre un gran vehículo espacial transformable en órbita demuestra que, en escenarios de múltiples transformaciones, el error en la predicción orbital del método propuesto es significativamente menor que los métodos tradicionales, mejorando eficazmente la precisión y adaptabilidad de la predicción a medio y largo plazo.

grandes vehículos espaciales; predicción orbital; coeficiente de arrastre; área frontal