基于邻星相关性的低轨巨型星座网络业务量预测方法及系统
本发明涉及低轨巨型星座业务量预测，特别地，涉及一种基于邻星相关性的低轨巨型星座网络业务量预测方法及系统、电子设备、计算机可读取的存储介质。
背景技术：
1、低轨巨型星座网络具有高速动态时变拓扑、网络去中心化等特点，其业务量预测问题对于有效实现卫星网络负载均衡、提高网络性能、增强卫星网络稳定性与高效性等具有重要意义。目前，对于业务量预测问题主要集中的地面网络，例如，文献“wang s,nie l,li g,et al.a multitask learning-based network traffic prediction approach forsdn-enabled industrial internet of things[j].ieee transactions on industrialinformatics,2022,18(11):7475-7483”提出了一种基于软件定义网络(sdn)的工业物联网多任务学习网络流量预测方法，根据网络流量的空间和时间特征来预测网络流量。但是，传统地面的业务量预测方法对于网络拓扑高速移动变化的低轨巨型星座网络并不完全适用，因为传统地面业务量预测方法中，基站固定不动，业务量变化是由于基站附近用户行为习惯变化导致的，而卫星业务量变化主要是由于卫星运动，其覆盖域内用户不断变化，因而卫星覆盖域内业务量随卫星运动不断变化，因此，传统的地面网络业务量预测方法无法预测这种变化。
2、另外，现有的卫星网络业务量预测方法只适用于单颗卫星的业务量预测，例如，文献“luo y,ning q,chen b,et al.software defined network-based multipath state-aware routing with traffic prediction in satellite network[j].transactions onemerging telecommunications technologies,2023,34(9):e4819.”提出了基于软件定义的网络多路径状态感知路由来对卫星网络流量进行预测。因为由于昼夜变化与地球自转等因素，会使得卫星覆盖域内业务量与星下点位置产生时变特性，且星座中的卫星存在星间链路，星座中的卫星既可以是报文始发点、目的点，也可以是中继点，但无论是哪一身份，都存在业务量上的动态变化，因此现有的卫星网络业务量预测方法进行网络预测会忽略星座的这些特性，对星座中飞抵同一位置的邻星业务量间的相关性考虑不足。因此，传统的单颗卫星的业务量预测精度较低，预测时效性较差，无法应对低轨巨型星座网络中的动态网络变化。
技术实现思路
1、本发明提供了一种基于邻星相关性的低轨巨型星座网络业务量预测方法及系统、电子设备、计算机可读取的存储介质，可以基于基准卫星在当前位置的真实网络业务量来准确预测后续飞抵该位置的其余卫星的网络业务量。
2、根据本发明的一个方面，提供一种基于邻星相关性的低轨巨型星座网络业务量预测方法，包括以下内容：
3、获取基准卫星在目标位置处的网络业务量；
4、将基准卫星在目标位置处的网络业务量输入至训练好的多变量时间序列预测模型中，得到低轨巨型星座内的其余卫星与基准卫星之间的网络业务量偏差预测值；
5、基于其余每颗卫星的网络业务量偏差预测值和基准卫星的网络业务量计算得到其余每颗卫星在目标位置处的网络业务量预测值。
6、进一步地，所述多变量时间序列预测模型的训练过程包括以下内容：
7、获取昼夜变化下低轨巨型星座内所有卫星的网络业务量历史数据，选择星座中任一颗卫星作为基准卫星，并获取基准卫星在目标位置处的网络业务量历史数据；
8、设定基准卫星所处轨道的升交点经度偏差和抵达目标点时间偏差均为零，并构建样本数据，其中，样本数据包括采样时间、升交点经度偏差、抵达目标点时间偏差和网络业务量偏差，采样时间表示网络业务量的昼夜变化时刻，升交点经度偏差表示星座中其余卫星所处轨道的升交点与基准卫星所处轨道的升交点之间的经度偏差，抵达目标点时间偏差表示其余卫星运行至目标位置的时刻与基准卫星运行至目标位置的时刻之间的时间偏差，网络业务量偏差表示每颗卫星与其前一颗卫星在目标位置处的网络业务量之间的差值；
9、采用长短时记忆网络构建多变量时间序列预测模型，并以采集时间、升交点经度偏差和抵达目标点时间偏差作为输入、以网络业务量偏差作为输出对多变量时间序列预测模型进行迭代训练，直至模型收敛。
10、进一步地，在模型的迭代训练过程中，分别预测在先异轨更新后同轨迭代机制和先同轨迭代后异轨更新机制下的网络业务量偏差预测结果，并基于下式计算星座中任一颗卫星飞抵目标位置时的网络业务量预测值：
11、fji-predict＝α(f00-real+∑jδfji+∑iδfji)+β(f00-real+∑iδfj′i+∑jδfj′i)
12、其中，fji-predict表示第j条轨道上的第i颗卫星的网络业务量预测值，f00-real表示基准卫星在目标位置处的网络业务量真实值，∑jδfji表示第j条轨道上的第i颗卫星在先异轨更新后同轨迭代机制下的异轨更新过程的网络业务量偏差预测值之和，∑iδfji表示第j条轨道上的第i颗卫星在先异轨更新后同轨迭代机制下的同轨迭代过程的网络业务量偏差预测值之和，∑iδfj′i表示第j条轨道上的第i颗卫星在先同轨迭代后异轨更新机制下的同轨迭代过程的网络业务量偏差预测值之和，∑jδfj′i表示第j条轨道上的第i颗卫星在先同轨迭代后异轨更新机制下的异轨更新过程的网络业务量偏差预测值之和，α和β表示加权系数，且α+β＝1；
13、然后，计算每颗卫星飞抵目标位置时的网络业务量预测值与其在目标位置处的网络业务量真实值之间的均方误差，不断迭代更新模型参数，直至均方误差满足精度要求。
14、进一步地，对于同轨道面内的卫星，所述得到低轨巨型星座内的其余卫星与基准卫星之间的网络业务量偏差预测值的过程包括以下内容：
15、设定升交点经度偏差为零，采用单步预测模式并不断迭代抵达目标点时间偏差值，得到同轨道面内的后续卫星在飞抵目标位置时的网络业务量偏差预测值。
16、进一步地，对于异轨道面内的卫星，所述得到低轨巨型星座内的其余卫星与基准卫星之间的网络业务量偏差预测值的过程包括以下内容：
17、采用单步预测模式分别在先异轨更新后同轨迭代机制、先同轨迭代后异轨更新机制下进行预测，得到两个网络业务量偏差预测值，再进行加权求和得到最终的网络业务量偏差预测值。
18、另外，本发明还提供一种基于邻星相关性的低轨巨型星座网络业务量预测系统，包括：
19、基准数据获取模块，用于获取基准卫星在目标位置处的网络业务量；
20、模型预测模块，用于将基准卫星在目标位置处的网络业务量输入至训练好的多变量时间序列预测模型中，得到低轨巨型星座内的其余卫星与基准卫星之间的网络业务量偏差预测值；
21、网络业务量计算模块，用于基于其余每颗卫星的网络业务量偏差预测值和基准卫星的网络业务量计算得到其余每颗卫星在目标位置处的网络业务量预测值。
22、进一步地，还包括：
23、历史数据获取模块，用于获取昼夜变化下低轨巨型星座内所有卫星的网络业务量历史数据，选择星座中任一颗卫星作为基准卫星，并获取基准卫星在目标位置处的网络业务量历史数据；
24、样本数据构建模块，用于设定基准卫星所处轨道的升交点经度偏差和抵达目标点时间偏差均为零，并构建样本数据，其中，样本数据包括采样时间、升交点经度偏差、抵达目标点时间偏差和网络业务量偏差，采样时间表示网络业务量的昼夜变化时刻，升交点经度偏差表示星座中其余卫星所处轨道的升交点与基准卫星所处轨道的升交点之间的经度偏差，抵达目标点时间偏差表示其余卫星运行至目标位置的时刻与基准卫星运行至目标位置的时刻之间的时间偏差，网络业务量偏差表示每颗卫星与其前一颗卫星在目标位置处的网络业务量之间的差值；
25、模型训练模块，用于采用长短时记忆网络构建多变量时间序列预测模型，并以采集时间、升交点经度偏差和抵达目标点时间偏差作为输入、以网络业务量偏差作为输出对多变量时间序列预测模型进行迭代训练，直至模型收敛。
26、进一步地，在模型的迭代训练过程中，分别预测在先异轨更新后同轨迭代机制和先同轨迭代后异轨更新机制下的网络业务量偏差预测结果，并基于下式计算星座中任一颗卫星飞抵目标位置时的网络业务量预测值：
27、fji-predict＝α(f00-real+∑jδfji+∑iδfji)+β(f00-real+∑iδfj′i+∑jδfj′i)
28、其中，fji-predict表示第j条轨道上的第i颗卫星的网络业务量预测值，f00-real表示基准卫星在目标位置处的网络业务量真实值，∑jδfji表示第j条轨道上的第i颗卫星在先异轨更新后同轨迭代机制下的异轨更新过程的网络业务量偏差预测值之和，∑iδfji表示第j条轨道上的第i颗卫星在先异轨更新后同轨迭代机制下的同轨迭代过程的网络业务量偏差预测值之和，∑iδfj′i表示第j条轨道上的第i颗卫星在先同轨迭代后异轨更新机制下的同轨迭代过程的网络业务量偏差预测值之和，∑jδfj′i表示第j条轨道上的第i颗卫星在先同轨迭代后异轨更新机制下的异轨更新过程的网络业务量偏差预测值之和，α和β表示加权系数，且α+β＝1；
29、然后，计算每颗卫星飞抵目标位置时的网络业务量预测值与其在目标位置处的网络业务量真实值之间的均方误差，不断迭代更新模型参数，直至均方误差满足精度要求。
30、另外，本发明还提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如上所述的方法的步骤。
31、另外，本发明还提供一种计算机可读取的存储介质，用于存储基于邻星相关性进行低轨巨型星座网络业务量预测的计算机程序，所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
32、本发明具有以下有益效果：
33、本发明的基于邻星相关性的低轨巨型星座网络业务量预测方法，只需获取基准卫星在目标位置处的网络业务量，即可预测得到低轨巨型星座内的其余卫星在飞抵目标位置时与基准卫星之间的网络业务量偏差预测值，从而得到其余卫星在目标位置处的网络业务量。本发明的预测方法充分利用了邻星网络业务量之间的时间相关性，考虑了星座中前序卫星的业务量真实值与偏差值将会对后续卫星飞抵目标位置时的真实业务量偏差值产生影响，从而基于基准卫星在当前位置的真实网络业务量来预测后续飞抵该位置的其余卫星的网络业务量，相比于现有技术需要针对所有卫星单独进行预测，大大降低了大规模卫星网络业务量预测的计算复杂度。并且，基准卫星的选取可任意指定，大大增强了低轨巨型星座网络业务量预测的灵活性。
34、另外，本发明的基于邻星相关性的低轨巨型星座网络业务量预测系统同样具有上述优点。
35、除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
技术特征：
1.一种基于邻星相关性的低轨巨型星座网络业务量预测方法，其特征在于，包括以下内容：
2.如权利要求1所述的基于邻星相关性的低轨巨型星座网络业务量预测方法，其特征在于，所述多变量时间序列预测模型的训练过程包括以下内容：
3.如权利要求2所述的基于邻星相关性的低轨巨型星座网络业务量预测方法，其特征在于，在模型的迭代训练过程中，分别预测在先异轨更新后同轨迭代机制和先同轨迭代后异轨更新机制下的网络业务量偏差预测结果，并基于下式计算星座中任一颗卫星飞抵目标位置时的网络业务量预测值：
4.如权利要求2所述的基于邻星相关性的低轨巨型星座网络业务量预测方法，其特征在于，对于同轨道面内的卫星，所述得到低轨巨型星座内的其余卫星与基准卫星之间的网络业务量偏差预测值的过程包括以下内容：
5.如权利要求3所述的基于邻星相关性的低轨巨型星座网络业务量预测方法，其特征在于，对于异轨道面内的卫星，所述得到低轨巨型星座内的其余卫星与基准卫星之间的网络业务量偏差预测值的过程包括以下内容：
6.一种基于邻星相关性的低轨巨型星座网络业务量预测系统，其特征在于，包括：
7.如权利要求6所述的基于邻星相关性的低轨巨型星座网络业务量预测系统，其特征在于，还包括：
8.如权利要求7所述的基于邻星相关性的低轨巨型星座网络业务量预测系统，其特征在于，在模型的迭代训练过程中，分别预测在先异轨更新后同轨迭代机制和先同轨迭代后异轨更新机制下的网络业务量偏差预测结果，并基于下式计算星座中任一颗卫星飞抵目标位置时的网络业务量预测值：
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如权利要求1～5任一项所述的方法的步骤。
10.一种计算机可读取的存储介质，用于存储基于邻星相关性进行低轨巨型星座网络业务量预测的计算机程序，其特征在于，所述计算机程序在计算机上运行时执行如权利要求1～5任一项所述的方法的步骤。
技术总结
本发明公开了一种基于邻星相关性的低轨巨型星座网络业务量预测方法及系统，其只需获取基准卫星在目标位置处的网络业务量，即可预测得到后续卫星在飞抵目标位置时与基准卫星之间的网络业务量偏差预测值，从而得到后续卫星在目标位置处的网络业务量。该方法充分利用了邻星网络业务量之间的时间相关性，考虑了星座中前序卫星的业务量真实值与偏差值将会对后续卫星飞抵目标位置时的真实业务量偏差值产生影响，从而基于基准卫星在当前位置的真实网络业务量来预测后续飞抵该位置的其余卫星的网络业务量，大大降低了大规模卫星网络业务量预测的计算复杂度。并且，基准卫星的选取可任意指定，大大增强了低轨巨型星座网络业务量预测的灵活性。
技术研发人员：龚李赠,陈全,杨磊,赵勇,陈小前,尹政龙,杨华果,李佳奇,吴帅
受保护的技术使用者：中国人民解放军国防科技大学
技术研发日：
技术公布日：2024/9/23