CN114826372A - 一种基于线性回归的卫星通信系统态势预测方法 - Google Patents
一种基于线性回归的卫星通信系统态势预测方法 Download PDFInfo
- Publication number
- CN114826372A CN114826372A CN202210282018.XA CN202210282018A CN114826372A CN 114826372 A CN114826372 A CN 114826372A CN 202210282018 A CN202210282018 A CN 202210282018A CN 114826372 A CN114826372 A CN 114826372A
- Authority
- CN
- China
- Prior art keywords
- linear regression
- satellite communication
- communication system
- situation
- regression model
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/1851—Systems using a satellite or space-based relay
- H04B7/18519—Operations control, administration or maintenance
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/1851—Systems using a satellite or space-based relay
- H04B7/18513—Transmission in a satellite or space-based system
Abstract
本发明公开了一种基于线性回归的卫星通信系统态势预测方法,该方法根据卫星通信系统实际情况确定多元线性回归模型,基于大量卫星通信系统历史态势数据训练线性回归模型,基于线性回归模型估算未来卫星通信系统态势指标进行态势预测,辅助管理人员和使用人员进行决策。
Description
技术领域
本发明涉及卫星通信领域,特别是涉及一种卫星通信系统态势预测方法。
背景技术
卫星通信系统的通信质量等态势情况与自然环境、设备配置、资源使用情况等因素息息相关,现有的卫星通信系统往往针对已经发生的业务进行态势分析,或者凭借专家经验历史数据形成认为的态势估计,缺乏对态势的自动化、流程化预测能力。随着机器学习领域的发展,线性回归在处理预测问题时性能稳定、操作简便,被广泛应用于经济金融、气象预报、房地产等领域。在卫星通信领域,通过对相关论文、专利的研究,发现线性回归曾用于卫星通信中诸多实际问题,例如解决TCP拥塞控制问题中,通过对往返时延数据进行线性回归分析,实现对往返时延的动态调整,提高网络资源利用率;在抗干扰性能评估中,将呼通率指标拟合成干扰功率和干扰带宽的函数关系,评估不同干扰条件下的呼通率指标,作为决策的重要参考和依据;在解决卫星通信系统信关站抗雨衰问题中,通过线性回归模型预测不同信关站的雨衰值,为信关站间的切换提供依据;在解决低轨卫星移动通信业务的频谱占用度预测问题中,通过对实际卫星站点的频谱监测数据进行多元线性回归分析,实现了对频段占用度的预测。以上方法证明了线性回归方法对于解决卫星通信中的拥塞控制、抗干扰、抗雨衰、资源利用分析等实际问题是适用的,但没有站在卫星通信系统网络管理角度,对卫星通信系统整体态势情况进行预测。
发明内容
为解决上述问题,本发明提供了一种基于线性回归的卫星通信系统态势预测方法,该方法从卫星通信系统运维管理角度出发,重点解决依据卫星通信系统采集到的数据,例如雨衰检测数据、干扰检测数据等进行态势预测的问题,确保能够基于历史数据对未来卫星通信系统态势进行估算,为管理人员和使用人员决策提供数据支撑。
本发明所采用的技术方案是:
一种基于线性回归的卫星通信系统态势预测方法,包括以下步骤:
(1)获取卫星系统的参数种类、参数数量以及参数的历史数据库;
(2)根据参数数量确定多元线性回归模型:y=a1x1+a2x2+…+amxm,其中,m为参数数量,xm表示第m个参数,am为待定系数,Y为态势指标;
(3)将历史数据库中的数据带入多元线性回归模型进行训练,求解出各待定系数,得到多元线性回归模型;
(4)将未来一段时间的参数值输入步骤(3)得到的多元线性回归模型中,得到态势指标Y的预测值,完成卫星通信系统态势预测。
进一步的,步骤(3)中,通过最小二乘法或梯度下降法求解出各待定系数。
与现有技术相比,本发明的有益效果在于:
本发明站在卫星通信系统态势角度,联合多元自变量参数,进行分析,相比现有单独分析拥塞控制、抗干扰能力、雨衰切换问题等方法,考虑的自变量更加全面,通过多元线性回归对卫星通信系统整体态势进行预测分析。
附图说明
图1为基于线性回归的卫星通信系统态势预测方法运行流程图。
图2为基于线性回归的卫星通信系统态势预测方法原理图。
具体实施方式
下面结合附图对本发明做进一步说明。
一种基于线性回归的卫星通信系统态势预测方法,该方法根据卫星通信系统实际情况确定多元线性回归模型,基于大量卫星通信系统历史态势数据训练线性回归模型,基于线性回归模型估算未来卫星通信系统态势指标进行态势预测,辅助管理人员和使用人员进行决策。其中,训练线性回归模型时,首先选取多元线性回归模型y=a1x1+a2x2+…+amxm,原则是根据卫星通信系统可收集到的数据种类确定m取值;之后确定需要计算的参数为A=[a1,a2,…,am]T;然后训练关于样本点(X,Y)的n个卫星通信系统历史态势数据,通过最小二乘法或梯度下降法得出参数,其中X=[x1n,x2n,…,xmn],Y=[yn];最后确定线性回归模型Y=ATX。
该态势预测方法是基于根据确定的线性回归模型Y=ATX,给定未来一段时间的X值,通过线性回归模型计算出态势指标Y的预测值,辅助管理人员和使用人员进行决策。
以下为以更具体的例子:
如图1和2所示,一种基于线性回归的卫星通信系统态势预测方法,包括以下步骤:
(1)选取多元线性回归模型
多元线性回归模型为y=a1x1+a2x2+…+amxm,其中xm表示卫星通信系统实际采集到的数据类别,m表示共有几类数据,例如采集到的三类数据,分别为雨衰检测数据、干扰检测数据、频谱监测数据,则选取m=3;am是多元线性回归模型待求解的参数;y是态势量化值,可以选用通信质量等指标表示。以m=3为例,选取的线性回归模型为y=a1x1+a2x2+a3x3。
(2)基于历史数据训练线性回归模型
选取n个历史数据点,即(X1,y1),(X2,y2),…,(Xn,yn),其中向量Xn=[x1n,x2n,x3n]T,构成矩阵X为:
X为m行n列矩阵,向量Y=[y1,y2,…,yn]T,假设(Xn,yn)为线性相关,待求解的参数向量为A=[a1,a2,a3]T,通过最小二乘法计算A的值为:
A=(XXT)-1XY
通过计算,确定a1,a2,a3的取值后即可得出线性回归模型y=a1x1+a2x2+a3x3,即Y=XTA。
(3)基于线性回归模型进行态势预测与辅助决策
基于线性回归模型,通过给定未来的一组参数配置X未来,即可得出:
Y未来=X未来 TA
在得到基于未来的参数配置下的态势指标Y未来后,可管理人员和使用人员研判Y未来是否符合预期要求:
1)若符合,则直接采用X未来参数配置;
2)若不符合要求,则重新调整X未来=[x1未来,x2未来,x3未来]T中的一个或多个参数值,再通过线性回归模型计算未来的态势指标,评估参数调整后的态势指标能否达到预期要求。
通过线性回归模型进行态势预测能够帮助管理人员和使用人员更好的操作卫星通信系统以达到预期的能力效果。
Claims (2)
1.一种基于线性回归的卫星通信系统态势预测方法,其特征在于,包括以下步骤:
(1)获取卫星系统的参数种类、参数数量以及参数的历史数据库;
(2)根据参数数量确定多元线性回归模型:y=a1x1+a2x2+…+amxm,其中,m为参数数量,xm表示第m个参数,am为待定系数,Y为态势指标;
(3)将历史数据库中的数据带入多元线性回归模型进行训练,求解出各待定系数,得到多元线性回归模型;
(4)将未来一段时间的参数值输入步骤(3)得到的多元线性回归模型中,得到态势指标Y的预测值,完成卫星通信系统态势预测。
2.根据权利要求1所述的一种基于线性回归的卫星通信系统态势预测方法,其特征在于,步骤(3)中,通过最小二乘法或梯度下降法求解出各待定系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210282018.XA CN114826372A (zh) | 2022-03-22 | 2022-03-22 | 一种基于线性回归的卫星通信系统态势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210282018.XA CN114826372A (zh) | 2022-03-22 | 2022-03-22 | 一种基于线性回归的卫星通信系统态势预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114826372A true CN114826372A (zh) | 2022-07-29 |
Family
ID=82531344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210282018.XA Pending CN114826372A (zh) | 2022-03-22 | 2022-03-22 | 一种基于线性回归的卫星通信系统态势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114826372A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116886174A (zh) * | 2023-08-21 | 2023-10-13 | 中国人民解放军战略支援部队航天工程大学 | 一种用于卫星通信系统抗干扰效能评估方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103746750A (zh) * | 2013-08-23 | 2014-04-23 | 西华大学 | 无线电监测电磁态势预测系统 |
WO2016033973A1 (zh) * | 2014-09-05 | 2016-03-10 | 中兴通讯股份有限公司 | 一种资源占用量的预测方法与预测系统 |
US20160171680A1 (en) * | 2014-12-16 | 2016-06-16 | The Board of Trustees of the Land Stanford Junior University | Systems and Methods for Satellite Image Processing to Estimate Crop Yield |
CN106446506A (zh) * | 2016-08-26 | 2017-02-22 | 航天东方红卫星有限公司 | 一种多方法组合的小卫星状态自主智能预测方法 |
WO2018007907A1 (en) * | 2016-07-07 | 2018-01-11 | Telefonaktiebolaget Lm Ericsson (Publ) | Smart data cap avoidance with personalized predictions based on linear regression or historical usage alpha- generation patterns |
CA3045501A1 (en) * | 2016-12-22 | 2018-06-28 | Myriota Pty Ltd | System and method for generating extended satellite ephemeris data |
CN112583465A (zh) * | 2021-01-11 | 2021-03-30 | 南京凯瑞得信息科技有限公司 | 一种卫星通信系统高可靠切换方法和系统 |
CN112911664A (zh) * | 2021-02-03 | 2021-06-04 | 凯睿星通信息科技(南京)股份有限公司 | 一种基于概率排序的低轨卫星切换方法 |
-
2022
- 2022-03-22 CN CN202210282018.XA patent/CN114826372A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103746750A (zh) * | 2013-08-23 | 2014-04-23 | 西华大学 | 无线电监测电磁态势预测系统 |
WO2016033973A1 (zh) * | 2014-09-05 | 2016-03-10 | 中兴通讯股份有限公司 | 一种资源占用量的预测方法与预测系统 |
US20160171680A1 (en) * | 2014-12-16 | 2016-06-16 | The Board of Trustees of the Land Stanford Junior University | Systems and Methods for Satellite Image Processing to Estimate Crop Yield |
WO2018007907A1 (en) * | 2016-07-07 | 2018-01-11 | Telefonaktiebolaget Lm Ericsson (Publ) | Smart data cap avoidance with personalized predictions based on linear regression or historical usage alpha- generation patterns |
CN106446506A (zh) * | 2016-08-26 | 2017-02-22 | 航天东方红卫星有限公司 | 一种多方法组合的小卫星状态自主智能预测方法 |
CA3045501A1 (en) * | 2016-12-22 | 2018-06-28 | Myriota Pty Ltd | System and method for generating extended satellite ephemeris data |
CN112583465A (zh) * | 2021-01-11 | 2021-03-30 | 南京凯瑞得信息科技有限公司 | 一种卫星通信系统高可靠切换方法和系统 |
CN112911664A (zh) * | 2021-02-03 | 2021-06-04 | 凯睿星通信息科技(南京)股份有限公司 | 一种基于概率排序的低轨卫星切换方法 |
Non-Patent Citations (2)
Title |
---|
QING LI等: "A Method to Improve the GCC Series of Phenology Cameras Based on Histogram Features Using Multiple Linear Regression", IGARSS 2019 - 2019 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM * |
郭卿: "基于情感分析的股指预测技术的研究与实现", 国优秀硕士学位论文全文数据库信息科技辑 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116886174A (zh) * | 2023-08-21 | 2023-10-13 | 中国人民解放军战略支援部队航天工程大学 | 一种用于卫星通信系统抗干扰效能评估方法 |
CN116886174B (zh) * | 2023-08-21 | 2024-02-09 | 中国人民解放军战略支援部队航天工程大学 | 一种用于卫星通信系统抗干扰效能评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101572623B (zh) | 基于主客观组合评价的网络性能综合评价方法 | |
CN109872003B (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
Laiho et al. | Advanced analysis methods for 3G cellular networks | |
CN109359385A (zh) | 一种服务质量评估模型的训练方法及装置 | |
CN110232203B (zh) | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 | |
CN105357691A (zh) | Lte无线网络用户感知监测方法和系统 | |
CN108199928A (zh) | 一种多维电力通信网流量预测方法及系统 | |
CN103840988A (zh) | 一种基于rbf神经网络的网络流量测量方法 | |
CN106484971A (zh) | 一种排水管网监测点的自动识别方法 | |
CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、系统及电子设备 | |
CN112116149B (zh) | 一种考虑预报不确定性关联演化特征的多站中长期径流滚动概率预测方法 | |
CN111294812A (zh) | 一种资源扩容规划的方法及系统 | |
CN107547269A (zh) | 基于farima的智能变电站通信流量阈值模型的构建方法 | |
CN114826372A (zh) | 一种基于线性回归的卫星通信系统态势预测方法 | |
CN108600965A (zh) | 一种基于客人位置信息的客流数据预测方法 | |
CN106803797A (zh) | 一种基于网络参数的VoIP话音质量客观评价方法 | |
CN115048815B (zh) | 一种基于数据库的电力业务智能仿真管理系统及方法 | |
JP2023504103A (ja) | モデル更新システム、モデル更新方法及び関連装置 | |
CN109508788A (zh) | 一种基于arma模型的sdn流量预测方法 | |
Christodoulou et al. | A risk analysis framework for evaluating structural degradation of water mains in urban settings, using neurofuzzy systems and statistical modeling techniques | |
CN115730852A (zh) | 一种化工企业土壤污染管控方法及系统 | |
CN111901134A (zh) | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 | |
CN108566255A (zh) | 基于多任务学习的时间相关mimo系统信道预测方法 | |
CN109740890A (zh) | 一种质量影响因素相关性分析方法 | |
CN110337081B (zh) | 室内分布系统中局部故障的监控方法、装置及存储介质 |
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 |