尽管存在大量地球轨道物体的历史数据，人工智能在空间域感知领域的应用仍然有限。为应对这一不足，2024年麻省理工学院ARCLab太空人工智能创新奖挑战参赛者开发用于表征地球静止轨道卫星行为模式的人工智能模型。该挑战赛重点开发能够对多元时间序列数据中的行为模式进行分类并检测关键转换事件的机器学习模型。挑战赛数据集包含2402条卫星轨迹，时间跨度为六个月，时间分辨率为两小时。这些数据基于模拟轨迹、矢量协方差消息数据和两行元数据，利用高保真卫星轨道预报器生成。该数据集具有多样化的操作行为和推进系统，为人工智能分析提供了坚实基础。挑战赛吸引了全球超过100支团队参与，提交作品超过350份，展示了多样化的人工智能方法，包括深度学习架构（卷积神经网络、长短期记忆网络、变换器）、梯度提升技术（XGBoost、CatBoost）以及混合模型。表现优异的团队证明了人工智能在行为模式表征方面的有效性，其中Hawaii2024团队采用卷积神经网络-长短期记忆网络混合方法在部分测试集上取得了0.952的F2分数，紧随其后的Millennial-IUP团队和QR_Is团队分别采用了带定制化转换标记的XGBoost方法和基于模型堆叠策略的梯度提升决策树方法。本文对该竞赛的数据集、评估方法和顶尖解决方案进行了分析。