基于时空相关性的卫星流量迁移预测

doi:10.7527/S1000-6893.2024.30938

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于时空相关性的卫星流量迁移预测

焦阳¹, 陆雨婷¹, 许拔², 欧阳键¹()

^1.南京邮电大学通信与信息工程学院，南京 210003
^2.国防科技大学第六十三研究所，南京 210007

收稿日期:2024-07-12 修回日期:2024-08-05 接受日期:2024-09-02 出版日期:2024-09-19 发布日期:2024-09-18
通讯作者: 欧阳键 E-mail:ouyangjian@njupt.edu.cn
基金资助:
基础加强计划技术领域基金(2019-JCJQ-JJ-226)

Transfer prediction of satellite traffic based on spatiotemporal correlation

Yang JIAO¹, Yuting LU¹, Ba XU², Jian OUYANG¹()

^1.School of Communication and Information Engineering，Nanjing University of Posts and Telecommunications，Nanjing 210003，China
^2.Sixty-third Research Institute，National University of Defense Technology，Nanjing 210007，China

Received:2024-07-12 Revised:2024-08-05 Accepted:2024-09-02 Online:2024-09-19 Published:2024-09-18
Contact: Jian OUYANG E-mail:ouyangjian@njupt.edu.cn
Supported by:
Basic Strengthening Plan Technology Field Fund Project(2019-JCJQ-JJ-226)

摘要/Abstract

摘要：

准确预测卫星与地面用户之间的流量可确保卫星在面对用户需求和环境动态变化时稳定运行，从而保障卫星通信系统的高效运作。传统机器学习方法在预测目标卫星流量时需要拥有充足的历史样本数据。然而，面对节假日大规模人口流动引起的不同卫星服务区域之间的流量潮汐现象，传统机器学习方法由于缺乏目标卫星流量潮汐历史数据存在无法有效预测的问题。为此，提出了一种基于时空相关性的卫星流量迁移预测方法，该方法首先利用角度条件识别空间上的邻近卫星，并通过计算时滞Pearson相关系数量化不同卫星之间流量的时空相关性，进而构建源卫星流量数据集。其次，利用共有模式学习器动态调整源卫星流量数据集中各流量样本的迁移权重，并采用基于加权迁移的长短期记忆网络优化迁移学习过程，提升迁移模型对目标卫星流量的预测能力。仿真结果表明，所提方法可以有效预测目标卫星流量的动态变化。

关键词: 卫星流量预测, 迁移学习, 时空相关性, 长短期记忆网络, 流量潮汐

Abstract:

Accurately predicting the traffic between satellites and ground users is crucial for stable operation of the satellite in response to changes of user demand and environment， thus maintaining efficient performance of the satellite communication system. Traditional machine learning methods require ample historical sample data to predict the traffic of target satellites. However， during major holidays， large-scale population movements can create tidal phenomena in traffic between different satellite service areas. Traditional methods struggle to address this issue due to the absence of historical tidal data specific to the target satellites. To address this issue， this paper presents a satellite traffic migration prediction method based on spatiotemporal correlation. The method initially identifies spatially adjacent satellites using angular conditions and quantifies the spatiotemporal correlation of traffic between different satellites by calculating the time-lagged Pearson correlation coefficient， thereby constructing a source satellite traffic dataset. Subsequently， a common pattern learner is used to dynamically adjust the transfer weights of traffic samples in the source domain dataset. A weighted transfer long short-term memory network is then employed to optimize the transfer learning process， enhancing the model’s ability to predict traffic for the target satellite. Simulations demonstrate that the proposed method can effectively forecast dynamic changes in target satellite traffic.

Key words: satellite traffic prediction, transfer learning, spatiotemporal correlation, LSTM, traffic tides

中图分类号:

V474.2⁺1

焦阳, 陆雨婷, 许拔, 欧阳键. 基于时空相关性的卫星流量迁移预测[J]. 航空学报, 2025, 46(4): 330938.

Yang JIAO, Yuting LU, Ba XU, Jian OUYANG. Transfer prediction of satellite traffic based on spatiotemporal correlation[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(4): 330938.

图/表 9

图 1

图 2

图 3

图 4

表 1

图 5

表 2

图 6

图 7

参考文献 33

1	安建平，李建国，于季弘，等. 空天通信网络关键技术综述［J］. 电子学报， 2022， 50（2）： 470-479.
	AN J P， LI J G， YU J H， et al. Key technologies of space-air-ground communication networks： A survey［J］. Acta Electronica Sinica， 2022， 50（2）： 470-479 （in Chinese）.
2	GUO H Z， LI J Y， LIU J J， et al. A survey on space-air-ground-sea integrated network security in 6G［J］. IEEE Communications Surveys & Tutorials， 2022， 24（1）： 53-87.
3	喻思琪，张小红，郭斐，等. 卫星导航进近技术进展［J］. 航空学报， 2019， 40（3）： 022200.
	YU S Q， ZHANG X H， GUO F， et al. Recent advances in precision approach based on GNSS［J］. Acta Aeronautica et Astronautica Sinica， 2019， 40（3）： 022200 （in Chinese）.
4	AL-HRAISHAWI H， CHOUGRANI H， KISSELEFF S， et al. A survey on nongeostationary satellite systems： the communication perspective［J］. IEEE Communications Surveys & Tutorials， 2023， 25（1）： 101-132.
5	KAWAMOTO Y， TAKAHASHI M， VERMA S， et al. Traffic-prediction-based dynamic resource control strategy in HAPS-mounted MEC-assisted satellite communication systems［J］. IEEE Internet of Things Journal， 2024， 11（8）： 13824-13836.
6	ZHANG B， WU Y F， ZHAO B Y， et al. Progress and challenges in intelligent remote sensing satellite systems［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2022， 15： 1814-1822.
7	LI N， HU L， DENG Z L， et al. Research on GRU neural network satellite traffic prediction based on transfer learning［J］. Wireless Personal Communications， 2021， 118（1）： 815-827.
8	LI R P， ZHAO Z F， ZHENG J C， et al. The learning and prediction of application-level traffic data in cellular networks［J］. IEEE Transactions on Wireless Communications， 2017， 16（6）： 3899-3912.
9	MIAO Y， BAI X H， CAO Y X， et al. A novel short-term traffic prediction model based on SVD and ARIMA with blockchain in industrial Internet of things［J］. IEEE Internet of Things Journal， 2023， 10（24）： 21217-21226.
10	WEI G L， LI W Y， DING D R， et al. Stability analysis of covariance intersection-based Kalman consensus filtering for time-varying systems［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2020， 50（11）： 4611-4622.
11	ELDEEB E， SHEHAB M， ALVES H. A learning-based fast uplink grant for massive IoT via support vector machines and long short-term memory［J］. IEEE Internet of Things Journal， 2022， 9（5）： 3889-3898.
12	CHEN B B， LIN R H， ZOU H. A short term load periodic prediction model based on GBDT［C］∥2018 IEEE 18th International Conference on Communication Technology （ICCT）. Piscataway： IEEE Press， 2018： 1402-1406.
13	SHEN W X， ZHANG H X， GUO S S， et al. Time-wise attention aided convolutional neural network for data-driven cellular traffic prediction［J］. IEEE Wireless Communications Letters， 2021， 10（8）： 1747-1751.
14	MA X S， ZHENG B， JIANG G H， et al. Cellular network traffic prediction based on correlation ConvLSTM and self-attention network［J］. IEEE Communications Letters， 2023， 27（7）： 1909-1912.
15	潘成胜，王羽夫，杨力. 基于改进LSTM算法的天地一体化信息网络流量预测［J］. 天地一体化信息网络， 2020， 1（2）： 57-65.
	PAN C S， WANG Y F， YANG L. Traffic prediction of space-integrated-ground information network based on improved LSTM algorithm［J］. Space-Integrated-Ground Information Networks，2020， 1（2）： 57-65 （in Chinese）.
16	TEDJOPURNOMO D A， BAO Z F， ZHENG B H， et al. A survey on modern deep neural network for traffic prediction： trends， methods and challenges［J］. IEEE Transactions on Knowledge and Data Engineering， 2022， 34（4）： 1544-1561.
17	PAN S J， YANG Q. A survey on transfer learning［J］. IEEE Transactions on Knowledge and Data Engineering， 2010， 22（10）： 1345-1359.
18	ZHUANG F Z， QI Z Y， DUAN K Y， et al. A comprehensive survey on transfer learning［J］. Proceedings of the IEEE， 2021， 109（1）： 43-76.
19	NIU S T， LIU M， LIU Y X， et al. Distant domain transfer learning for medical imaging［J］. IEEE Journal of Biomedical and Health Informatics， 2021， 25（10）： 3784-3793.
20	ZHANG K， LIU Q， QIAN H， et al. EATN：An efficient adaptive transfer network for aspect-level sentiment analysis［J］. IEEE Transactions on Knowledge and Data Engineering， 2023， 35（1）： 377-389.
21	于功也，蔡伟东，胡明辉，等. 故障机理与领域自适应混合驱动的机械故障智能迁移诊断［J］. 航空学报， 2023， 44（2）： 426800.
	YU G Y， CAI W D， HU M H， et al. Intelligent migration diagnosis of mechanical faults driven by hybrid fault mechanism and domain adaptation［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（2）： 426800 （in Chinese）.
22	唐伦，周鑫隆，吴婷，等. 基于集成深度神经网络流量预测的动态网络切片迁移算法［J］. 电子与信息学报， 2023， 45（3）： 1074-1082.
	TANG L， ZHOU X L， WU T， et al. Dynamic network slice migration algorithm based on ensemble deep neural network traffic prediction［J］. Journal of Electronics & Information Technology， 2023， 45（3）： 1074-1082 （in Chinese）.
23	HU D L， CHEN L， FANG H X， et al. Spatio-temporal trajectory similarity measures： a comprehensive survey and quantitative study［J］. IEEE Transactions on Knowledge and Data Engineering， 2024， 36（5）： 2191-2212.
24	覃继前，徐宁辉，梁月吉. 不同卫星高度角对GPS/GLONASS/BDS/Galileo融合定位的影响［J］. 全球定位系统， 2021， 46（2）： 62-68.
	QIN J Q， XU N H， LIANG Y J. The influence of different satellite altitude angles on GPS/GLONASS/BDS/Galileo fusion positioning［J］. GNSS World of China， 2021， 46（2）： 62-68 （in Chinese）.
25	COSCIA M. Pearson correlations on complex networks［J］. Journal of Complex Networks， 2021， 9（6）： cnab036.
26	CAKAJ S， KAMO B， LALA A， et al. The coverage analysis for low earth orbiting satellites at low elevation［J］. International Journal of Advanced Computer Science and Applications， 2014， 5（6）： 359-382.
27	LIU C L， HSAIO W H， TU Y C. Time series classification with multivariate convolutional neural network［J］. IEEE Transactions on Industrial Electronics， 2019， 66（6）： 4788-4797.
28	HE T， MAO H， YI Z. Subtraction gates： Another way to learn long-term dependencies in recurrent neural networks［J］. IEEE Transactions on Neural Networks and Learning Systems， 2022， 33（4）： 1740-1751.
29	YU Y， SI X S， HU C H， et al. A review of recurrent neural networks： LSTM cells and network architectures［J］. Neural Computation， 2019， 31（7）： 1235-1270.
30	BI J， XU K Y， YUAN H T， et al. Network attack prediction with hybrid temporal convolutional network and bidirectional GRU［J］. IEEE Internet of Things Journal， 2024， 11（7）： 12619-12630.
31	JIN R B， CHEN Z H， WU K Y， et al. Bi-LSTM-based two-stream network for machine remaining useful life prediction［J］. IEEE Transactions on Instrumentation and Measurement， 2022， 71： 3511110.
32	JIN K， WI J， LEE E， et al. TrafficBERT： Pre-trained model with large-scale data for long-range traffic flow forecasting［J］. Expert Systems with Applications， 2021， 186： 115738.
33	YU Y， YAO M B， HUANG J P， et al. When process analysis technology meets transfer learning： a model transfer strategy between different spectrometers for quantitative analysis［J］. IEEE Transactions on Instrumentation and Measurement， 2024， 73： 2507619.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

参数	设定值
LSTM层1神经元个数	64
正则化层1正则化系数	0.7
LSTM层2神经元个数	128
正则化层2正则化系数	0.7
损失函数	MSE损失
优化器	Adam
批处理大小	128
迭代轮次	150

模型	铱星星座（s：L2-6时空相关流量，t：L2-6）
模型	MAE	RMSE	R²
目标域LSTM	0.040 9	0.057 7	0.723 1
联合LSTM	0.031 8	0.051 3	0.821 8
预训练微调	0.035 4	0.053 7	0.776 3
Tradaboost	0.030 8	0.050 9	0.837 3
WTLSTM	0.028 3	0.044 3	0.851 0

[1]	刘子超, 王江, 王鹏, 林德福, 何智川. 时间约束多导弹协同制导律[J]. 航空学报, 2024, 45(S1): 730607-730607.
[2]	崔江, 周凡, 陈永凡, 于立, 张卓然. 一种基于GAMF-CNN的航空发电机整流器故障诊断技术[J]. 航空学报, 2024, 45(24): 330398-330398.
[3]	强碧瑶, 史恺宁, 任军学, 史耀耀. 基于实例迁移学习的跨工况刀具剩余寿命预测[J]. 航空学报, 2024, 45(13): 629038-629038.
[4]	于功也, 蔡伟东, 胡明辉, 刘文才, 马波. 故障机理与领域自适应混合驱动的机械故障智能迁移诊断[J]. 航空学报, 2023, 44(2): 426800-426800.
[5]	罗皓文, 何绍溟, 金天宇, 刘子超. 基于迁移学习的角度约束时间最短制导算法[J]. 航空学报, 2023, 44(19): 328400-328400.
[6]	王莲子, 汪玲, 朱岱寅. 结合迁移学习基于全卷积神经网络的ISAR自聚焦算法[J]. 航空学报, 2023, 44(17): 328172-328172.
[7]	聂同攀, 曾继炎, 程玉杰, 马梁. 面向飞机电源系统故障诊断的知识图谱构建技术及应用[J]. 航空学报, 2022, 43(8): 625499-625499.
[8]	王育鹏, 吕帅帅, 杨宇, 李嘉欣, 王叶子. 基于域自适应的复合材料结构损伤识别方法[J]. 航空学报, 2022, 43(6): 526752-526752.
[9]	江波, 屈若锟, 李彦冬, 李诚龙. 基于深度学习的无人机航拍目标检测研究综述[J]. 航空学报, 2021, 42(4): 524519-524519.
[10]	初未萌, 杨今朝, 邬树楠, 吴志刚. 基于LSTM的空间机器人系统惯性张量在轨辨识[J]. 航空学报, 2021, 42(11): 524615-524615.
[11]	徐舟, 曲长文, 何令琪. 基于迁移学习的SAR目标超分辨重建[J]. 航空学报, 2015, 36(6): 1940-1952.

基于时空相关性的卫星流量迁移预测

Transfer prediction of satellite traffic based on spatiotemporal correlation

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 33

相关文章 11

编辑推荐

Metrics

本文评价