CN112561351B - 用于评估中继卫星系统中的任务申请的方法及装置 - Google Patents

用于评估中继卫星系统中的任务申请的方法及装置 Download PDF

Info

Publication number
CN112561351B
CN112561351B CN202011517533.9A CN202011517533A CN112561351B CN 112561351 B CN112561351 B CN 112561351B CN 202011517533 A CN202011517533 A CN 202011517533A CN 112561351 B CN112561351 B CN 112561351B
Authority
CN
China
Prior art keywords
task application
learning model
application
task
user task
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011517533.9A
Other languages
English (en)
Other versions
CN112561351A (zh
Inventor
王磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
32039 Unit Of Chinese Pla
Original Assignee
32039 Unit Of Chinese Pla
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 32039 Unit Of Chinese Pla filed Critical 32039 Unit Of Chinese Pla
Priority to CN202011517533.9A priority Critical patent/CN112561351B/zh
Publication of CN112561351A publication Critical patent/CN112561351A/zh
Application granted granted Critical
Publication of CN112561351B publication Critical patent/CN112561351B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Radio Relay Systems (AREA)

Abstract

本发明提供了一种用于评估中继卫星系统中的任务申请可满足性的方法及系统，所述方法包括：接收所述中继卫星系统的用户提出的用户任务申请，并且获取所述用户任务申请的特征量；将所述特征量输入到预先用中继卫星运控系统的集中式任务规划真实结果数据训练好的机器学习模型，通过所述预先训练好的机器学习模型对所述用户任务申请的可满足性进行评估，其中，所述特征量是指与所述用户任务申请的任务相对应的参量，所述可满足性是指所述中继卫星系统能否满足所述用户任务申请的任务需求。根据本发明的方法及装置，可以对用户提交的任务申请的可满足性进行快速、准确的评估，并且可提高中继卫星系统的任务规划效率和每一个用户自身任务规划工作效率。

Description

用于评估中继卫星系统中的任务申请的方法及装置
技术领域
本发明涉及卫星资源分配技术领域，具体而言，涉及一种卫星通信网络技术领域，尤其是涉及一种用于评估中继卫星系统中的任务申请的方法及装置。
背景技术
一般而言，中继卫星系统可以包括用于在地面用户与用户目标之间提供实时测控和数据服务的一个或多个中继卫星。中继卫星通常部署于地球静止轨道或大椭圆轨道，从上到下覆盖用户目标，是空间信息高速传输的核心基础设施。
对于这样的中继卫星系统而言，由于中继卫星资源属于多用户共用的有限空间服务资源，为了满足中继卫星系统安全且稳定运行的要求，避免多卫星、多用户的调度冲突问题，中继卫星系统的运行管理中心(在下文中，称为“运管中心”)需要对卫星资源进行统一调度。
目前的中继卫星系统运管中心采取集中、统一的任务规划与调度计算模式。具体来说，运管中心收集所有用户提交的任务申请后，对收集到的所有任务申请开展统一的分析和调度，然后再调度结果分别反馈各个用户，用户仅掌握各自提交的任务申请及其调度结果。在这种模式下，由于中继卫星系统同时服务于多用户，运管中心需要汇总所有用户的任务申请，对所有用户进行统一的调度试算，这里，所有用户处于平等的地位，运管中心无法实现与用户频繁交互试算结果，也无法及时指导用户调整任务申请，以提升可满足概率，因此用户从提交任务申请到获取调度反馈结果会存在相当长的延迟时间，该延迟时间会根据不同用户任务规划特点长达数小时、甚至数天。
因此，由于运管中心的调度反馈结果的滞后性，导致不仅用户无法及时调整中继卫星任务申请以提高可满足概率，而且因为用户自身任务规划活动与调度反馈结果密切相关，这样的滞后性还会降低整个系统任务规划工作效率。
发明内容
鉴于现有的中继卫星系统无法快速、准确地评估中继卫星系统中的任务申请的可满足性以提高全局工作效率，本发明提供一种用于评估中继卫星系统中的任务申请的方法及装置，其通过将用户任务申请的特征量作为输入量输入到预先训练好的机器学习模型中，从而能够快速且准确地评估中继卫星系统中的任务申请的可满足性，提升任务申请的满足概率和全系统任务规划的工作效率。
根据本发明的第一方面，提供一种用于评估中继卫星系统中的任务申请的方法，所述方法包括：接收所述中继卫星系统的用户提出的用户任务申请，并且获取所述用户任务申请的特征量；将所述特征量输入到预先训练好的机器学习模型，通过所述预先训练好的机器学习模型对所述用户任务申请的可满足性进行评估，其中，所述特征量是指与所述用户任务申请的任务相对应的参量，所述可满足性是指所述中继卫星系统能否满足所述用户任务申请的任务需求。
在一些实施例中，可以通过以下方式训练机器学习模型：获取历史任务规划周期中的历史任务申请以及与所述历史任务申请对应的历史可满足性评估结果数据；基于所述历史任务申请获取所述历史任务申请的历史特征量数据；利用所述历史特征量数据和所述历史可满足性评估结果数据训练机器学习模型，其中，所述历史任务规划周期是指在开始训练机器学习模型前的预定时间段。
在一些实施例中，利用所述历史特征量数据和所述历史可满足性评估结果数据训练机器学习模型的步骤可以包括：将历史特征量数据输入机器学习模型，确定机器学习模型输出的可满足性评估结果数据与对应于历史特征量数据的历史可满足性评估结果数据之间的相似度；比较所述相似度与预定相似度阈值的大小；当所述相似度小于所述预定相似度阈值时，基于所述相似度调整机器学习模型的连接权值和/或节点阈值；当所述相似度大于或等于所述预定相似度阈值时，将当前的机器学习模型作为训练好的机器学习模型，其中，所述连接权值可以是指所述机器学习模型的运算节点之间的权重，所述节点阈值可以是指所述机器学习模型的节点的预设阈值参数。
在一些实施例中，所述特征量可以包括以下项中的至少一项：每个用户任务申请的优先级、每个用户任务申请的时间窗口松紧度、每个用户任务申请的持续时长、每个用户任务申请的时间窗口重叠度、每个用户任务申请的可用天线类型、每个用户任务申请的位于多星重叠覆盖区域以及每个用户任务申请的可用时间窗口数量。
在一些实施例中，所述方法还可以包括：当所述用户任务申请的可满足性评估结果表示所述中继卫星系统不满足当前用户任务申请的需求时，调整用户任务申请并获取调整后的用户任务申请的特征量，并将调整后的用户任务申请的特征量输入到预先训练好的机器学习模型，通过所述预先训练好的机器学习模型对调整后的用户任务申请的可满足性进行评估；当所述用户任务申请的可满足性评估结果表示所述中继卫星系统满足当前用户任务申请的需求时，反馈当前用户任务申请的可满足性评估结果。
总的来说，本发明的用于评估中继卫星系统中的任务申请的方法利用中继卫星系统任务规划周期性以及相邻周期内系统任务特征分布基本稳定的特点，获得具有机器学习模型以及机器学习模型参数的误差逆向传播求解方法，得到逼近现有的运管中心对任务申请输入与可满足性输出结果之间的映射关系，从而实现对用户提交的任务申请的可满足性的快速评估。
根据本发明的第二方面，提供一种用于评估中继卫星系统中的任务申请的装置，所述装置包括：获取单元，接收所述中继卫星系统的用户提出的用户任务申请，并且获取所述用户任务申请的特征量；处理单元，将所述特征量输入到预先训练好的机器学习模型，通过所述预先训练好的机器学习模型对所述用户任务申请的可满足性进行评估，其中，所述特征量是指与所述用户任务申请的任务相对应的参量，所述可满足性是指所述中继卫星系统能否满足所述用户任务申请的需求。
在一些实施例中，所述处理单元可以通过以下方式训练机器学习模型：获取历史任务规划周期中的历史任务申请以及与所述历史任务申请对应的历史可满足性评估结果数据；基于所述历史任务申请获取所述历史任务申请的历史特征量数据；利用所述历史特征量数据和所述历史可满足性评估结果数据训练机器学习模型，其中，所述历史任务规划周期是指在开始训练机器学习模型前的预定时间段。
在一些实施例中，所述处理单元可以当所述用户任务申请的可满足性评估结果表示所述中继卫星系统不满足当前用户任务申请的需求时，调整用户任务申请并获取调整后的用户任务申请的特征量，并将调整后的用户任务申请的特征量输入到预先训练好的机器学习模型，通过所述预先训练好的机器学习模型对调整后的用户任务申请的可满足性进行评估；所述处理单元可以当所述用户任务申请的可满足性评估结果表示所述中继卫星系统满足当前用户任务申请的需求时，反馈当前用户任务申请的可满足性评估结果。
根据本发明的第三方面，提供一种电子装置，所述电子装置可以包括：处理器；存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现根据本发明的用于评估中继卫星系统中的任务申请的方法。
根据本发明的第四方面，提供一种存储有计算机程序的计算机可读存储介质，当所述计算机程序被处理器执行时实现根据本发明的用于评估中继卫星系统中的任务申请的方法。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了根据本发明示例性实施例的用于评估中继卫星系统中的任务申请的方法的流程图；
图2示出了根据本发明示例性实施例的训练机器学习模型的步骤的流程图；
图3示出了根据本发明示例性实施例的训练机器学习模型的示意性结构图；
图4示出了根据本发明示例性实施例的用于评估中继卫星系统中的任务申请的装置的示意框图；
图5示出了表示根据本发明的一个示例性实施例的中继卫星系统中的任务申请的评估结果的准确率的示意图；
图6示出了表示根据本发明的另一示例性实施例的中继卫星系统中的任务申请的评估结果的准确率的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其他的特征。
本发明中的术语“用户”可以指代请求或订购服务的个人、实体或工具，或其任意组合。本发明中的术语“卫星系统”可以指代提供服务或促成服务的提供的实体或工具，或其任意组合。例如，用户可以是操作员、控制终端、地面管理中心等。
本发明的一个方面涉及一种用于评估中继卫星系统中的任务申请的方法。该方法可以通过利用预先训练好的机器学习模型对用户提交的任务申请的可满足性进行评估，并且该方法的评估过程的速度快，评估结果的准确率高，可提高整体的资源调度效率。此外，该方法可以训练机器学习模型，以优化任务申请的可满足性评估结果的准确率和评估速度，并且在该方法的机器学习模型训练中，能够基于用户自身任务需求输入而逼近任务需求输入与可满足性结果输出之间的复杂映射关系，从而实现准确的评估。
值得注意的是，由于中继卫星系统同时服务于多用户，因此在本发明提出申请之前，现有的运管中心需要汇总所有用户申请信息并进行统一调度，但是鉴于用户间所属任务信息隐私安全，运管中心不会将所有任务申请具体信息在全系统中公开，需要分别针对各个用户进行可满足性试算，这使得无法与各个用户频繁交互试算结果以提升满足率，使得运管中心无法简单高效地与用户信息交互；另一方面，中继卫星系统任务申请的输入与可满足性评估的输出结果之间的映射关系极为复杂，不宜直接得到数学方程表征的闭式描述。
然而，本发明提供的用于评估卫星系统中的任务申请的方法可以利用训练好的机器学习模型对任务申请的可满足性实施快速评估，并且可以及时根据评估结果与用户进行频繁交互试算，以提高满足率。因此，通过训练好的机器学习模型，本发明的用于评估中继卫星系统中的任务申请的方法可以为用户快速、准确地提供任务申请的评估结果。
图1示出了根据本发明示例性实施例的用于评估中继卫星系统中的任务申请的方法的流程图。
这里，所述方法可以通过在电子装置中用于评估中继卫星系统中的任务申请的装置来实现，也可完全通过计算机程序来实现，例如，所述方法可通过安装在电子装置中的用于评估中继卫星系统中的任务申请的应用来执行，或者通过电子装置的操作系统中实现的功能程序来执行。作为示例，所述电子装置可以是个人计算机、服务器、平板电脑、智能手机等具有人工智能运算功能的电子装置。
如图1所示，在步骤S1中，接收中继卫星系统的用户提出的用户任务申请，并且获取用户任务申请的特征量，其中，特征量可以是指与用户任务申请的任务相对应的参量。这里，用户任务申请可以是中继卫星系统的用户向中继卫星系统提出的请求资源分配的任务需求具体来说，可以从中继卫星系统的用户操作的电子终端、与用户操作的电子终端相关联的信息发送装置或任意其他可发送用户任务请求的装置来接收用户提出的用户任务申请。
作为示例，特征量可以包括以下项中的至少一项：每个用户任务申请的优先级、每个用户任务申请的时间窗口松紧度、每个用户任务申请的持续时长、每个用户任务申请的时间窗口重叠度、每个用户任务申请的可用天线类型、每个用户任务申请的位于多星重叠覆盖区域以及每个用户任务申请的可用时间窗口数量。特征量的数量和类型可以根据实际应用需要而改变，例如，特征量可以包括上面所提到的项中的全部，也可以包括上面所提到的项中的任意一项或任意多项的组合。此外，特征量不限于上面所提到的各项，其也可以根据实际需要是能够表征用户任务申请的其他特征量。
具体来说，特征量可以通过下面的式(1)来表示：
{Fi＝＜qi,ui,pi,oi,ki,ci,mi,xi＞|Fi∈F,i＝1,2,...,N}， (1)
其中，F可以表示当前场景中的所有任务申请的特征量的集合，i可以表示任务申请，N可以表示任务申请的总数量。
在上述式(1)中，qi可以表示任务申请i的优先级，其是表征任务内容重要程度或权重的参量。任务申请i优先级为qi且可以满足qi≥1。
ui可以表示任务申请i的时间窗口松紧度，其属于时间域特征量。根据任务在时间域的急迫程度，任务实际开始时刻距可用时间窗口前沿可能存在一定时间长度的延迟。对此，可以利用任务持续时长pi与可用时间窗口
Figure GDA0003238351270000081
的时长跨度的比值描述任务在时间域的急迫程度，该比值被定义为时间窗口松紧度。时间窗口松紧度具体表示为：
Figure GDA0003238351270000082
其中，ui∈(0,1]。ui越大表明任务i开始时刻在其时间窗口内可滑动范围越小，ui＝1表明任务不允许推迟。
pi可以表示任务申请i的持续时长，其属于时间域特征量。任务时长是任务的关键特征属性，不同类型任务时长可能差异较大。
oi可以表示任务申请i的时间窗口重叠度，即，与其他任务时间窗口在时间域的重叠度，其属于时间域特征量。oi越大表明包含任务申请i的时间窗口与其他任务时间窗口冲突程度越高，这说明当前时段任务时间窗口分布密度较大，也就意味着当前时段系统冲突消解压力也较大。
ki可以表示任务申请i的可用天线类型，其属于频域特征量。作为示例，在本发明的方法应用于中继中继卫星系统的示例中，ki可以表示能够支持任务申请i的中继中继卫星星间链路天线类型。具体来说，单个中继中继卫星可能装载多种类型的星间链路天线执行中继任务，具体选择何种类型天线由用户目标中继终端的工作频段和数传速率来决定。例如，每个中继卫星装载2副性能相同的单址天线(工作于S和K频段)和1副多址相控阵天线(工作于S频段)。
ci可以表示任务申请i的位于多星重叠覆盖区域，即，任务申请i的时间窗口位于ci个中继卫星重叠覆盖区域，其属于空间域特征量。作为示例，中继卫星系统的空间段通常包括多个高轨道中继卫星，若任务申请i的时间窗口分布在双星重叠覆盖区域内，则ci＝2；若任务申请i的时间窗口仅处于单个中继卫星覆盖区域内，则ci＝1。
mi可以表示任务申请i的可用时间窗口数量，其属于时间域特征量。该特征量的值不仅与承载任务i的用户目标及中继卫星的轨道位置相关，而且与用户的弹性需求有关，mi＞1表明任务申请i可以在多个备选时间窗口中选择其一规划执行。
xi可以是任务申请i可满足性标识，xi＝1表示任务申请i可被中继卫星系统满足执行；xi＝-1表示任务申请i不可被满足执行。
尽管在上面的描述中，通过7个特征量来表征提交到中继卫星系统中的任务申请的任务内容或任务特性，但是在本发明中，特征量的数量和类型可以根据实际应用需要而改变，例如，特征量的数量可以大于7个或小于7个，特征量的类型可以根据应用场景的不同、用户任务内容或任务特性的不同或者用户任务申请中携带的特定要求而改变。
优选地，如上所述，在本发明的方法应用于中继卫星系统的场景中，选择上面提到的7个特征量来表征用户任务申请对于平衡可满足性的评估速度和评估结果的准确性而言是有利的。
此外，在中继卫星系统的场景中，上面提到的7个特征量对任务申请可满足性的影响程度可以是依次下降的。
此外，用于表征用户任务申请的特征量可以直接基于用户任务申请获得，也可以基于用户任务申请并结合当前中继卫星系统的状态或特点来获得，例如，可以考虑中继卫星系统中的多星服务区域的当前占用状态、时间窗口的可用性和分布情况等方面来基于用户任务申请获得对可满足性评估有影响的间接特征量。作为示例，上述实施例中的特征量ci可以是根据用户提交的轨道数量结合当前中继卫星系统的轨道分布而计算得出的。
返回参考图1，在步骤S2中，将特征量输入到预先训练好的机器学习模型，通过预先训练好的机器学习模型对用户任务申请的可满足性进行评估，其中，可满足性是指中继卫星系统能否满足用户任务申请的任务。
具体来说，可将特征量作为预先训练好的机器学习模型的输入，通过机器学习模型对用户任务申请的可满足性进行评估，从而从机器学习模型输出可满足性评估结果。由于对于可满足性的评估结果可以仅输出满足和不满足两种结果，因此，机器学习模型的输出层可仅设置一个节点，对此，将在下面描述机器学习模型的具体训练过程时详细说明。
这里提到的预先训练好的机器学习模型的具体训练过程将在下文中参照图2和图3详细描述。
此外，如图1所示，可选地，所述方法还可以在步骤S2后包括如下步骤：
当用户任务申请的可满足性评估结果表示中继卫星系统不满足当前用户任务申请的需求时，可以反馈当前用户任务申请的可满足性评估结果(即，不可满足)，例如可以将不可满足的评估结果反馈给提交当前用户任务申请的用户，用户可以选择调整用户任务申请以进行再次评估，具体来说，在步骤S3中，调整用户任务申请并获取调整后的用户任务申请的特征量，并将调整后的用户任务申请的特征量输入到预先训练好的机器学习模型，通过预先训练好的机器学习模型对调整后的用户任务申请的可满足性进行评估。
当用户任务申请的可满足性评估结果表示中继卫星系统满足当前用户任务申请的需求时，在步骤S4中，反馈当前用户任务申请的可满足性评估结果。
具体来说，在通过预先训练好的机器学习模型对用户任务申请的可满足性进行评估之后，若机器学习模型输出的可满足性评估结果未能满足用户需求，则用户可以通过调整任务申请的特征量，然后返回到步骤S1进行迭代计算评估，直至机器学习模型输出的可满足性评估结果满足用户需求。
例如，用户当前提交的任务申请中包含的持续时长为30分钟，但是通过预训练的机器学习模型进行可满足性评估的结果显示当前任务申请无法被满足，则用户可以对持续时长进行调整、例如调整为20分钟，并将调整后的特征量再次输入到预训练的机器学习模型中，若调整后的任务申请仍无法满足，则用户可以再次调整持续时长，直至评估结果显示可被满足为止。
如此，在可满足性评估结果不满足用户需求的情况下，用户可以选择性地调整任务申请的特征量，及时调整任务模式，以适应于利用当前中继卫星系统的资源调度。
本发明的用于评估中继卫星系统中的任务申请的方法可以用于评估用户任务申请的可满足性，并且还可以进一步地通过反馈可满足性评估结果来指导用户对任务申请进行调整以达到可满足的结果，当评估结果表示当前的用户任务申请可满足时，用户可以向中继卫星系统正式提出任务申请。如此，极大地提高了用户任务申请的可满足概率，并且该评估过程可以在用户向中继卫星系统提交申请之前作为预处理过程，其可以针对不同的用户分别应用，并且其评估速度快、准确性高，可以大大减少中继卫星系统的试错概率，提高用户和中继卫星系统双方的工作效率。
图2示出了根据本发明示例性实施例的训练机器学习模型的步骤的流程图。
具体来说，可以通过以下方式训练机器学习模型：
在步骤S21中，获取历史任务规划周期中的历史任务申请以及与历史任务申请对应的历史可满足性评估结果数据，其中，历史任务规划周期是指在开始训练机器学习模型前的预定时间段。
作为示例，可以从中继卫星系统的运管中心的数据库中收集所有用户在之前的任务规划周期中提交的任务申请作为历史任务申请，并且收集与这样的历史任务申请对应的可满足性评估结果作为历史可满足性评估结果数据，从而获得历史任务申请与历史可满足性评估结果数据的对应关系。然而，获取历史任务规划周期中的历史任务申请以及与所述历史任务申请对应的历史可满足性评估结果数据的方式不限于从运管中心的数据库中收集，也可以从其他外部数据库或存储装置输入到机器学习模型中。
优选地，历史任务规划周期可以根据中继卫星系统的历史数据来确定。具体来说，由于中继卫星系统在运行期间可以积累多个任务申请及其可满足性计算结果，并且在相当长的时间段内任务分布特征基本保持稳定，因此，根据中继卫星系统的历史数据确定历史任务规划周期可以确定优选的历史任务规划周期，从而使得利用这样的历史任务规划周期训练得到的机器学习模型在评估过程中对输入的用户任务申请的适应性较好。然而，历史任务规划周期的确定方式不限于此，其也可以是根据实际应用需要而设置的任意预定时间段。
在步骤S22中，基于历史任务申请获取历史任务申请的历史特征量数据。
这里，历史特征量可以是指与历史任务申请的任务相对应的参量。在训练过程中采用的历史特征量可以与如上面描述的在评估过程中的特征量相同或相似，这里将不再赘述。
在步骤S23中，利用历史特征量数据和历史可满足性评估结果数据训练机器学习模型。例如，将历史特征量数据作为机器学习模型的输入，将历史可满足性评估结果数据作为机器学习模型的输出，对机器学习模型的进行训练。
优选地，步骤S23可以包括如下步骤：
首先，将历史特征量数据输入机器学习模型，确定机器学习模型输出的可满足性评估结果数据与对应于历史特征量数据的历史可满足性评估结果之间的相似度。
然后，比较相似度与预定相似度阈值的大小。
当相似度小于预定相似度阈值时，基于相似度调整机器学习模型的连接权值和/或节点阈值。
当相似度大于或等于预定相似度阈值时，将当前的机器学习模型作为训练好的机器学习模型。
在训练过程中，相似度越大，机器学习模型越稳定、精确度越高。
这里，节点阈值是指当通过机器学习模型中一个运算节点的信息超过某一个值时，该运算节点将被激活，从而作用于下一个运算节点。通常，在开始训练过程之前会预先设置机器学习模型中的各运算节点阈值参数，然后根据相似度，使用反向传播算法调整机器学习模型中的各个节点阈值，以提高训练学习的性能和效果，相应地，机器学习模型的节点阈值的准确度随着训练机器学习模型的次数的增多而增大。类似地，连接权值可以表示机器学习模型的各运算节点之间的权重，通常，会预先设置机器学习模型中的各运算节点之间的权重的初始值，然后根据相似度，使用反向传播算法调整机器学习模型中的各运算节点之间权重，以提高训练学习的性能和效果，相应地，机器学习模型的连接权值的准确度会随着训练机器学习模型的次数的增多而增大。
在本发明中，当相似度小于预定相似度阈值时，可以基于相似度仅调整机器学习模型的连接权值或仅调整机器学习模型的节点阈值来使相似度逼近预定相似度阈值，也可以对机器学习模型的连接权值和节点阈值二者都进行调整，以达到更高的精确度。
接下来，在通过现有的调整方式调整机器学习模型的连接权值和/或节点阈值之后，可以返回执行步骤S231，继续将获取的历史特征量数据(例如，之前输入过机器学习模型的历史特征量数据或者未曾输入过机器学习模型的历史特征量数据)输入机器学习模型，继续确定机器学习模型输出的可满足性评估结果数据与对应于历史特征量数据的历史可满足性评估结果数据之间的相似度。重复上述步骤直至相似度大于或者等于预定相似度阈值，直到得到训练好的机器学习模型为止。
为了更透彻地理解本发明，下面将参照图4以机器学习模型为多层前馈神经网络模型为例，对本发明的机器学习模型的训练过程进行具体阐述。应理解，图4所示的机器学习模型训练过程仅为示例，其所列举的模型结构、节点数量、特征量数量仅为示例，本发明不限于此。
以上面式(1)中给出的任务申请的特征量模型作为输入为例，并且具体地将输入层节点数量设置为7个、将输出层节点数量设置为1个，并且输入层、输出层之间可包括一个包含9个节点的隐层，具体训练过程如下：
步骤一，进行训练初始化。例如，对连接权值wi,j、vj,1和节点阈值πj、θ1赋予区间(-1,1)内的随机量作为初始的连接权值和节点阈值。这里，wi,j表示输入层节点ai到隐层节点bj之间的连接权值，vj,1表示隐层节点bj到输出层节点y1之间的连接权值，πj表示隐层节点bj的节点阈值，θ1表示输出层节点y1的节点阈值。
步骤二，从历史特征量数据中选取特征量样本
Figure GDA0003238351270000151
将对应于该历史特征量数据的历史可满足性评估结果作为输出阈值r1 n，并且将特征量样本和输出阈值提供给机器学习模型。这里，n代表特征量样本编号，其中，n＝1,2,...,K，K为特征量样本的总数量，
Figure GDA0003238351270000152
可以表示编号为n的特征量样本的输入层节点ai。此外，输出阈值r1 n可用于获得相似度。
步骤三，输入特征量样本
Figure GDA0003238351270000153
连接权值wi,j和节点阈值πj计算隐层节点输入sj，并且通过传递函数f计算隐层节点输出bj，隐层节点输入sj和隐层节点输出bj可以通过下面的式(2)和式(3)得到：
Figure GDA0003238351270000154
bj＝f(sj),j＝1,2,…,h1 (3)
其中，
Figure GDA0003238351270000155
这里，h1为隐层的节点数量，h2为输入层的节点数量。在本实施例中，h1＝9，h2＝7。此外，上面的式(2)和式(3)可对K个特征量样本中的每个特征量样本均适用，因此这里将输入层节点
Figure GDA0003238351270000156
简化表示为输入层节点ai，这一点在下面的式子中作类似处理。
步骤四，利用隐层节点输出bj、连接权值vj,1和节点阈值θ1计算输出层节点输入zj，通过传递函数g计算输出层节点实际输出y1，输出层节点输入zj和输出层节点实际输出y1可以计算通过下面的式(4)和式(5)表示：
Figure GDA0003238351270000161
y1＝g(zj),j＝1,2,...,h2 (5)
其中，g(zj)＝zj。
步骤五，利用输出阈值r1和机器学习模型的实际输出y1，计算编号为n的特征量样本的输出层节点一般化误差
Figure GDA0003238351270000162
输出层节点一般化误差
Figure GDA0003238351270000163
可以通过下面的式(6)来得到：
Figure GDA0003238351270000164
步骤六，利用连接权值vj,1、输出层节点一般化误差
Figure GDA0003238351270000165
和隐层节点输出bj，计算编号为n的特征量样本的隐层节点一般化误差
Figure GDA0003238351270000166
隐层节点一般化误差
Figure GDA0003238351270000167
可以通过下面的式(7)来表示：
Figure GDA0003238351270000168
上面的输出层节点一般化误差
Figure GDA0003238351270000169
和隐层节点一般化误差
Figure GDA00032383512700001610
可以表征机器学习模型输出的可满足性评估结果与对应于历史特征量数据的历史可满足性评估结果数据之间的相似度。
步骤七，利用隐层节点输出bj和输出层节点一般化误差
Figure GDA00032383512700001611
修正连接权值vj,1和节点阈值θ1，连接权值vj,1和节点阈值θ1可以通过下面的式(7)和式(8)来修正：
Figure GDA00032383512700001612
Figure GDA00032383512700001613
其中，常数
Figure GDA0003238351270000171
表示机器学习模型训练的预定学习速率，作为示例，其可设置为0.1。
步骤八，根据输入层节点输入
Figure GDA0003238351270000172
和隐层节点一般化误差
Figure GDA0003238351270000173
修正连接权值wi,j和节点阈值πj，连接权值wi,j和节点阈值πj可以通过下面的式(9)和式(10)来修正：
Figure GDA0003238351270000174
Figure GDA0003238351270000175
步骤九，选取下一个训练样本输入机器学习模型，返回至步骤三，直到N个样本训练完毕。
步骤十，若机器学习模型的总误差达到精度要求，则训练结束；否则返回步骤三，重新开始学习，直至机器学习模型的总误差达到精度要求为止。作为示例，精度要求可以设置为0.001。
总的来说，机器学习模型的训练过程是不断修正连接权值和节点阈值以使误差函数沿负梯度方向下降的过程，从而提高机器学习模型的评估速度以及评估结果的准确率。在本发明中，可以利用较少数量的特征量作为机器学习模型的输入，从而优化评估速度。
优选地，对于中继卫星系统的应用而言，考虑中继卫星系统的运行管理特点来构建机器学习模型，挖掘实际历史数据，研究任务申请输入与统一规划及调度计算结果的特征关系，从而训练得到符合期望的性能评估指标的机器学习模型。这里提到的性能评估指标将在下文中详细描述。
尽管上面以优选的示例性实施例的方式阐述了将多层前馈神经网络模型作为机器学习模型来进行训练的过程，但是在本发明中，机器学习模型也可以是其他形式的学习模型，只要能够利用历史特征量数据和历史可满足性评估结果数据进行训练即可。
根据本发明的方法可以作为单独的评估系统来使用，也可以与现有的中继卫星系统的运管中心的统一任务规划和调度计算结合使用，例如作为运管中心的前端评估方法。
例如，如上所述，在机器学习模型的训练阶段，可以从运管中心的数据库收集历史评估结果数据作为标准评估结果，以训练机器学习模型的准确率。
另外，根据本发明的方法也可以作为运管中心统一任务规划和调度的预评估，以减小运管中心的工作量、提高运管中心的工作效率。具体来说，在通过本发明的方法利用预先训练好的机器学习模型进行评估后，用户可以基于预评估的评估结果向运管中心提交正式任务申请，运管中心可以根据预评估的评估结果对每个任务规划周期内的任务申请进行统一任务规划和调度计算，并将集中规划调度计算结果反馈给各个用户，由此大大提高了运管中心的资源分配效率，减小运管中心的调度运算压力。
本发明的另一方面涉及一种用于评估中继卫星系统中的任务申请的装置。图4示出了根据本发明示例性实施例的用于评估中继卫星系统中的任务申请的装置的示意框图。
如图4所示，根据本发明示例性实施例的用于评估中继卫星系统中的任务申请的装置包括获取单元100和处理单元200。
获取单元100接收中继卫星系统的用户提出的用户任务申请，并且获取用户任务申请的特征量，其中，特征量可以是指与用户任务申请的任务相对应的参量。
处理单元200将特征量输入到预先训练好的机器学习模型，通过预先训练好的机器学习模型对用户任务申请的可满足性进行评估，其中，可满足性是指中继卫星系统能否满足用户任务申请的需求。
优选地，处理单元200可以通过以下方式训练机器学习模型：
获取历史任务规划周期中的历史任务申请以及与历史任务申请对应的历史可满足性评估结果数据，其中，历史任务规划周期是指在开始训练机器学习模型前的预定时间段；
基于历史任务申请获取历史任务申请的历史特征量数据；
利用历史特征量数据和历史可满足性评估结果数据训练机器学习模型。
获取单元100和处理单元200可执行的机器可读指令，可以执行如上述图1至图3所示的方法实施例中的用于评估中继卫星系统中的任务申请的方法的步骤，具体实现方式可参见上面描述的方法实施例，在此不再赘述。
本发明实施例还提供一种电子装置，电子装置包括处理器和存储器。存储器存储有计算机程序。当所述计算机程序被处理器执行时，电子装置可以执行如上述图1至图3所示的方法实施例中的用于评估中继卫星系统中的任务申请的方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本发明实施例还提供一种存储有计算机程序的计算机可读存储介质，当所述计算机程序被处理器执行时可以执行如上述图1至图3所示的方法实施例中的用于评估中继卫星系统中的任务申请的方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上面描述了根据本发明的用于评估中继卫星系统中的任务申请的方法及装置，对于该方法及装置，可以通过计算中继卫星系统任务申请可满足性评估结果的准确率PA获得本发明的方法及装置的性能评估指标，准确率PA可以通过下面的式(11)表示：
Figure GDA0003238351270000201
其中，N1,1表示被本发明的方法/装置和现有中继卫星系统运管中心统一任务调度计算方法均确定为可满足执行的任务申请数量，N-1,-1表示被本发明的方法/装置和现有中继卫星系统运管中心统一任务调度计算方法均确定为不可满足执行的任务申请数量，N为任务申请的总数量。这里，角标中的“1”表示可满足，角标中的“-1”表示不可满足。
利用上述准确率PA的式(11)，下面参照图5和图6，以中继中继卫星系统为例，具体示出分别在用户任务申请为单优先级情况下和在用户任务申请为双优先级情况下的中继卫星系统中的任务申请的评估结果的准确率的示意图。
具体来说，采用本发明的方法及装置对单优先级情况下的任务申请进行可满足性的评估结果如图5所示。
作为示例，可以为每个任务规划周期随机生成400个任务申请，并且所有任务优先级相同。任务规划周期时长跨度可以设置为86400秒。中继卫星系统资源配置为2个中继卫星(例如，东星和西星)，每个中继卫星配置2副单址天线和1副多址天线。
机器学习模型的每组数据包括两个部分：任务申请的特征量值；该任务申请的实际满足结果。这里，特征量可以分别设定为七元组特征量和六元组特征量两种情况，以得到不同数量的特征量对评估准确率的影响。例如，在本实施例中，七元组特征量如上面描述的式(1)中给出的特征量模型，而六元组特征量为从七元组特征量中去除时间窗口松紧度得到的特征量模型。
可以将学习训练阶段和测试评估阶段总共设置有30个任务规划周期，从而生成30个任务规划周期的数据，其中，前20个周期的数据作为机器学习模型的训练数据，后10个周期的数据为测试数据。
作为示例，本发明提出的基于机器学习模型的中继任务申请可满足性评估方法可以在MATLAB 2015a环境下实现，实现程序可以运行在Intel(R)Core(TM)i5-3210M 2.5GHz、4GB内存的计算机上，但不限于此，也可以利用其他环境和电子装置来实现。
基于上述数据得到如图5所示的可满足性的评估结果，其中，纵轴表示每个任务规划周期中的任务申请可满足性评估结果平均准确率，横轴表示任务规划周期。
可以看出，在七元组特征量输入预测的情况下，如图5的实线所示，平均评估准确率大于80％，10个周期的平均评估准确率平均值达到85.1％，可见，单优先级情况下的中继卫星系统任务申请可满足性评估结果较为准确。
此外，通过减少机器学习模型输入的节点数，得到六元组特征量输入预测的情况下的可满足性评估结果平均准确率。如图5的虚线所示，在从特征量输入节点中去除时间窗口松紧度输入节点的情况下，平均评估准确率下降约18.3％，由此可以判断出时间窗口松紧度对当前的任务申请的评估结果准确率的影响程度。类似地，除了时间窗口松紧度外，也可以从七元组特征量中分别单独去除其他特征量，以分别得到各个特征量对当前的任务申请的评估结果准确率的影响。作为示例，在上述情况下，时间窗口松紧度可以比其他特征量对评估准确率影响大，因此时间窗口松紧度特征量可以作为评估中继任务申请可满足性的重要影响输入。此外，在单优先级情况下，由于所有任务优先级相同，因此可不考虑优先级节点的影响。
采用本发明的方法及装置对双优先级情况下的任务申请进行可满足性的评估结果如图6所示。
与单优先级的情况参数设置类似，可以为每个任务规划周期随机生成400个任务申请，任务规划周期时长跨度可以设置为86400秒。中继卫星系统资源配置为2个中继卫星(例如，东星和西星)，每个中继卫星配置2副单址天线和1副多址天线。同样地，可以将学习训练阶段和测试评估阶段总共设置有30个任务规划周期，从而生成30个任务规划周期的数据，其中，前20个周期的数据作为机器学习模型的训练数据，后10个周期的数据为测试数据。
与单优先级的情况不同的是，在双优先级情况下，可以将高优先级和低优先级的任务申请数量分别设置为总任务申请数量的50％。
机器学习模型的每组数据包括两个部分：任务申请的特征量值；该任务申请的实际满足结果。这里，特征量可以分别设定为七元组特征量和六元组特征量两种情况，以得到不同数量的特征量对评估准确率的影响。例如，在本实施例中，七元组特征量如上面描述的式(1)中给出的特征量模型，而六元组特征量为从七元组特征量中去除时间窗口松紧度得到的特征量模型。
基于上述数据得到如图6所示的可满足性的评估结果，其中，纵轴表示每个任务规划周期中的任务申请可满足性评估结果平均准确率，横轴表示任务规划周期。
可以看出，所有任务申请的平均评估准确率(如三角形标记所示)达到85.2％，其中，高优先级任务申请的平均评估准确率(如正方形标记所示)高于低优先级任务申请的平均评估准确率(如星形标记所示)。由此可见，本发明的方法及装置对于所有任务申请均可以达到较高的评估准确率，特别是可以更好地支持高优先级任务，这表明本发明的方法及装置的可靠性较高。
本发明的方法及装置对单优先级情况下的中继卫星系统任务申请的可满足性评估的平均评估准确率的平均值达到85.1％，对双优先级情况下的中继卫星系统任务申请的可满足性评估的平均评估准确率的平均值达到85.2％。可以看出，本发明可在满足用户需求同时，有效提升全中继卫星系统任务规划工作效率。
此外，进一步地，在特征量中，任务申请的优先级和任务申请的时间窗口松紧度这两个特征量对评估准确性影响较大。因此，在应用本发明的方法及装置时，可以根据实际准确率的要求而选择对评估准确性影响较大的特征量作为输入，并且可以减少一个或多个对评估准确性影响较小的特征量，从而提高训练和评估速度。
根据本发明的用于评估中继卫星系统中的任务申请的方法及装置，通过将用户任务申请的特征量作为输入量输入到预先训练好的机器学习模型中，可以对用户提交的任务申请的可满足性进行快速、准确的评估，并且可提高中继卫星系统的整体资源调度效率。
此外，根据本发明的用于评估中继卫星系统中的任务申请的方法及装置，可以通过训练机器学习模型来优化任务申请的可满足性评估结果的准确率和评估速度。
此外，根据本发明的用于评估中继卫星系统中的任务申请的方法及装置，可以基于用户提交的任务申请获取任务申请的时、空、频等维度的特征量，从而对任务申请的可满足性进行快速评估。
此外，根据本发明的用于评估中继卫星系统中的任务申请的方法及装置，可以利用数量较少的特征量作为机器学习模型的输入，优化评估速度。
此外，根据本发明的用于评估中继卫星系统中的任务申请的方法及装置，可以根据用户任务申请的可满足性评估结果调整用户任务申请的输入特征量，以实现与用户之间的高效交互。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种用于评估中继卫星系统中的任务申请的方法，其特征在于，所述方法包括：
接收所述中继卫星系统的用户提出的所有用户任务申请，并且获取每个用户任务申请的特征量；
将获取到的全部特征量输入到预先训练好的深度学习模型，通过所述预先训练好的深度学习模型对每一个用户任务申请的可满足性进行评估，
其中，所述预先训练好的深度学习模型为用中继卫星运控系统的集中式任务规划真实结果数据训练的，
其中，针对每个用户任务申请，所述特征量是指与该用户任务申请相对应的参量，所述可满足性是指所述中继卫星系统能否满足该用户任务申请的任务需求，
其中，所述特征量为：
每个用户任务申请的优先级、每个用户任务申请的时间窗口松紧度、每个用户任务申请的持续时长、每个用户任务申请的时间窗口重叠度、每个用户任务申请的可用天线类型、每个用户任务申请的位于多星重叠覆盖区域以及每个用户任务申请的可用时间窗口数量；
其中，所述可用天线类型为中继卫星星间链路天线类型；
其中，所述时间窗口松紧度为
Figure FDA0003281600130000011
pi为任务持续时长，
Figure FDA0003281600130000012
为可用时间窗口的时长跨度，所述时间窗口松紧度为任务在时间域的急迫程度。
2.根据权利要求1所述的方法，其特征在于，通过以下方式训练深度学习模型：
获取历史任务规划周期中的历史任务申请以及与所述历史任务申请对应的中继卫星运控系统的集中式任务规划真实结果数据；
基于所述历史任务申请获取所述历史任务申请的历史特征量数据；
利用所述历史特征量数据和所述中继卫星运控系统的集中式任务规划真实结果数据训练深度学习模型，
其中，所述历史任务规划周期是指在开始训练深度学习模型前的预定时间段。
3.根据权利要求2所述的方法，其特征在于，利用所述历史特征量数据和所述中继卫星运控系统的集中式任务规划真实结果数据训练深度学习模型的步骤包括：
将历史特征量数据输入深度学习模型，确定深度学习模型输出的中继卫星运控系统的集中式任务规划真实结果数据与对应于历史特征量数据的历史中继卫星运控系统的集中式任务规划真实结果数据之间的相似度；
比较所述相似度与预定相似度阈值的大小；
当所述相似度小于所述预定相似度阈值时，基于所述相似度调整深度学习模型的连接权值和/或节点阈值；
当所述相似度大于或等于所述预定相似度阈值时，将当前的深度学习模型作为训练好的深度学习模型，
其中，所述连接权值是指所述深度学习模型的运算节点之间的权重，所述节点阈值是指所述深度学习模型的节点的预设阈值参数。
4.根据权利要求1至3中的任一项所述的方法，其特征在于，所述方法还包括：
针对每个用户任务申请，当该用户任务申请的可满足性快速评估结果表示所述中继卫星系统不满足该用户任务申请的需求时，调整该用户任务申请并获取调整后的用户任务申请的特征量，并将调整后的用户任务申请的特征量输入到预先训练好的深度学习模型，通过所述预先训练好的深度学习模型对调整后的用户任务申请的可满足性进行评估；
当该用户任务申请的可满足性快速评估结果表示所述中继卫星系统满足该用户任务申请的需求时，反馈该用户任务申请的可满足性评估结果。
5.一种用于评估中继卫星系统中的任务申请的装置，其特征在于，所述装置包括：
获取单元，接收所述中继卫星系统的用户提出的所有用户任务申请，并且获取每个用户任务申请的特征量；
处理单元，将获取到的全部特征量输入到预先训练好的深度学习模型，通过所述预先训练好的深度学习模型对每一个用户任务申请的可满足性进行评估，
其中，所述预先训练好的深度学习模型为用中继卫星运控系统的集中式任务规划真实结果数据训练的，
其中，针对每个用户任务申请，所述特征量是指与该用户任务申请相对应的参量，所述可满足性是指所述中继卫星系统能否满足该用户任务申请的任务需求，
其中，所述特征量为：
每个用户任务申请的优先级、每个用户任务申请的时间窗口松紧度、每个用户任务申请的持续时长、每个用户任务申请的时间窗口重叠度、每个用户任务申请的可用天线类型、每个用户任务申请的位于多星重叠覆盖区域以及每个用户任务申请的可用时间窗口数量；
其中，所述可用天线类型为中继卫星星间链路天线类型；
其中，所述时间窗口松紧度为
Figure FDA0003281600130000031
pi为任务持续时长，
Figure FDA0003281600130000032
为可用时间窗口的时长跨度，所述时间窗口松紧度为任务在时间域的急迫程度。
6.根据权利要求5所述的装置，其特征在于，所述处理单元通过以下方式训练深度学习模型：
获取历史任务规划周期中的历史任务申请以及与所述历史任务申请对应的中继卫星运控系统的集中式任务规划真实结果数据；
基于所述历史任务申请获取所述历史任务申请的历史特征量数据；
利用所述历史特征量数据和所述中继卫星运控系统的集中式任务规划真实结果数据训练深度学习模型，
其中，所述历史任务规划周期是指在开始训练深度学习模型前的预定时间段。
7.根据权利要求5或6所述的装置，其特征在于，所述处理单元针对每个用户任务申请，当该用户任务申请的可满足性评估结果表示所述中继卫星系统不满足该用户任务申请的需求时，调整该用户任务申请并获取调整后的用户任务申请的特征量，并将调整后的用户任务申请的特征量输入到预先训练好的深度学习模型，通过所述预先训练好的深度学习模型对调整后的用户任务申请的可满足性进行评估；
所述处理单元当该用户任务申请的可满足性评估结果表示所述中继卫星系统满足该用户任务申请的需求时，反馈该用户任务申请的可满足性评估结果。
8.一种电子装置，其特征在于，所述电子装置包括：
处理器；
存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现根据权利要求1至4中的任一项所述的用于评估中继卫星系统中的任务申请的方法。
9.一种存储有计算机程序的计算机可读存储介质，其特征在于，当所述计算机程序被处理器执行时实现根据权利要求1至4中的任一项所述的用于评估中继卫星系统中的任务申请的方法。
CN202011517533.9A 2020-12-21 2020-12-21 用于评估中继卫星系统中的任务申请的方法及装置 Active CN112561351B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011517533.9A CN112561351B (zh) 2020-12-21 2020-12-21 用于评估中继卫星系统中的任务申请的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011517533.9A CN112561351B (zh) 2020-12-21 2020-12-21 用于评估中继卫星系统中的任务申请的方法及装置

Publications (2)

Publication Number Publication Date
CN112561351A CN112561351A (zh) 2021-03-26
CN112561351B true CN112561351B (zh) 2021-11-16

Family

ID=75031186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011517533.9A Active CN112561351B (zh) 2020-12-21 2020-12-21 用于评估中继卫星系统中的任务申请的方法及装置

Country Status (1)

Country Link
CN (1) CN112561351B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187848B (zh) * 2023-02-23 2024-01-30 安徽星太宇科技有限公司 基于数据分析的遥感载荷综合效能评估系统
CN117370766A (zh) * 2023-12-07 2024-01-09 中国电子科技集团公司第五十四研究所 一种基于深度学习的卫星任务规划方案评估方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108832989A (zh) * 2018-05-07 2018-11-16 哈尔滨工程大学 用于中低轨微小卫星的任务在线动态规划终端及规划方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019127945A1 (zh) * 2017-12-26 2019-07-04 佛山科学技术学院 基于结构化神经网络的成像任务可调度性预测方法
CN111176565B (zh) * 2019-12-25 2024-04-19 三星（中国）半导体有限公司 确定应用的存储负载的方法和设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108832989A (zh) * 2018-05-07 2018-11-16 哈尔滨工程大学 用于中低轨微小卫星的任务在线动态规划终端及规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"一种基于ＤＣＳＰ模型的遥感卫星任务";马红梅等;《制导与引信》;20180315;第39卷(第1期);第40-43页 *

Also Published As

Publication number Publication date
CN112561351A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
US10360517B2 (en) Distributed hyperparameter tuning system for machine learning
CN113326126B (zh) 任务处理方法、任务调度方法、装置及计算机设备
US20180341894A1 (en) Innovative satellite scheduling method based on genetic algorithms and simulated annealing and related mission planner
US20200296002A1 (en) Methods and Apparatus for Communication Network
US10678594B2 (en) System and method for optimizing resource allocation using GPU
CN112561351B (zh) 用于评估中继卫星系统中的任务申请的方法及装置
Pfister et al. Learning stable and predictive structures in kinetic systems
US20220188851A1 (en) Multi-objective distributional reinforcement learning for large-scale order dispatching
US20210192555A1 (en) Model-based deep reinforcement learning for dynamic pricing in an online ride-hailing platform
US10963802B1 (en) Distributed decision variable tuning system for machine learning
Brunato et al. Combining intelligent heuristics with simulators in hotel revenue management
CN112181659B (zh) 云仿真内存资源预测模型构建方法与内存资源预测方法
US20220036411A1 (en) Method and system for joint optimization of pricing and coupons in ride-hailing platforms
CN115564152A (zh) 基于stirpat模型的碳排放量预测方法及装置
CN117237053B (zh) 一种机票分销平台及其控制方法
CN109801021A (zh) 模型生成方法及装置、信息获取方法及装置
Li et al. PTMB: An online satellite task scheduling framework based on pre-trained Markov decision process for multi-task scenario
CN117311998A (zh) 一种大模型部署方法及系统
CN114581220B (zh) 数据处理方法、设备及分布式计算系统
Jiang et al. Multi-agent bandit with agent-dependent expected rewards
Suvorova et al. The use of Markov decision processes for Australian naval aviation training schedules
CN108037979A (zh) 基于含隐变量贝叶斯网的虚拟机性能下降评估方法
Başoğlu et al. Optimally stratified importance sampling for portfolio risk with multiple loss thresholds
CN105894136A (zh) 一种品类库存量的预测方法和预测装置
CN112016673A (zh) 一种基于优化lstm的移动设备用户认证方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant