CN116170066A - 一种面向低轨卫星物联网的负载预测方法 - Google Patents

一种面向低轨卫星物联网的负载预测方法 Download PDF

Info

Publication number
CN116170066A
CN116170066A CN202310433954.0A CN202310433954A CN116170066A CN 116170066 A CN116170066 A CN 116170066A CN 202310433954 A CN202310433954 A CN 202310433954A CN 116170066 A CN116170066 A CN 116170066A
Authority
CN
China
Prior art keywords
satellite
things
internet
load
formula
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.)
Granted
Application number
CN202310433954.0A
Other languages
English (en)
Other versions
CN116170066B (zh
Inventor
洪涛
彭文滔
焦传伟
张更新
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.)
Nanjing Royal Communication Information Technology Co ltd
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Royal Communication Information Technology Co ltd
Nanjing University of Posts and Telecommunications
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 Nanjing Royal Communication Information Technology Co ltd, Nanjing University of Posts and Telecommunications filed Critical Nanjing Royal Communication Information Technology Co ltd
Priority to CN202310433954.0A priority Critical patent/CN116170066B/zh
Publication of CN116170066A publication Critical patent/CN116170066A/zh
Application granted granted Critical
Publication of CN116170066B publication Critical patent/CN116170066B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/06—Authentication
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H04W28/0925—Management thereof using policies
    • H04W28/095—Management thereof using policies based on usage history, e.g. usage history of devices
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Security & Cryptography (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Astronomy & Astrophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种面向低轨卫星物联网的负载预测方法，属于卫星通信技术领域，方法包括：由物联网终端根据其身份ID生成对应的RM序列作为导频，并以免授权的形式在卫星信道上传输包含所述导频和数据的数据包；根据所述导频，由卫星端对接收的数据包进行身份检测；基于身份检测结果，计算卫星端的接入负载，并将所述接入负载作为机器学习的历史接入负载量；获取由所述历史接入负载量、低轨卫星轨道信息和地球自转信息驱动的多输入LSTM神经网络预测模型，并利用所述多输入LSTM神经网络预测模型获取负载预测结果。该方法能够在低轨卫星物联网场景下实现负载预测。

Description

一种面向低轨卫星物联网的负载预测方法
技术领域
本发明涉及一种面向低轨卫星物联网的负载预测方法，属于卫星通信技术领域。
背景技术
物联网（Internet of Things，IoT）作为一种新兴通信技术，能够使“物”在任何时间、任何地点与任何人或任何“物”相互连接起来，从而智能化的实现“物”与“物”的通信功能。
随着物联网应用的迅速发展，多种多样的物联网业务也将覆盖山区、沙漠、海洋、高空等更广泛的区域，但由于受到环境等因素的限制，地面网络难以覆盖这些地理区域。为了弥补上述地面网络中存在的不足，卫星物联网系统因其具有覆盖范围广、不受天气、地理环境等因素限制且系统稳定性较高等优点逐渐被广泛应用。同时，在各种卫星系统中，低轨卫星系统因其相对较低的运行轨道高度，因此具有较低的传播时延及传播损耗，更加符合物联网低功耗、广覆盖的愿景，从而被主要应用于卫星物联网系统中。
在大规模物联网通信场景中，由于通信资源受限，终端的海量连接必然导致严重的网络拥塞，这会大大降低通信系统的性能。为了有效缓解网络拥塞，需要根据网络状态对随机接入过程进行控制优化，以提升系统整体的吞吐量，但是对于低轨卫星高动态的场景，卫星的网络状态会随着时间和空间的不同而发生剧烈的变化，因此，有必要对低轨卫星物联网接入负载进行预测。
发明内容
本发明的目的在于提供一种面向低轨卫星物联网的负载预测方法，能够在低轨卫星物联网场景下实现负载预测。
为达到上述目的，本发明提供如下技术方案：
一种面向低轨卫星物联网的负载预测方法，包括：
由物联网终端根据其身份ID生成对应的RM序列作为导频，并以免授权的形式在卫星信道上传输包含所述导频和数据的数据包；
根据所述导频，由卫星端对接收的数据包进行身份检测；
基于身份检测结果，计算卫星端的接入负载，并将所述接入负载作为机器学习的历史接入负载量；
获取由所述历史接入负载量、低轨卫星轨道信息和地球自转信息驱动的多输入LSTM神经网络预测模型，并利用所述多输入LSTM神经网络预测模型获取负载预测结果。
进一步的，由物联网终端根据其身份ID生成对应的RM序列作为导频包括：
将物联网终端的身份ID映射成矩阵-向量对；
利用所述矩阵-向量对生成RM序列作为导频；
其中，将物联网终端的身份ID映射成矩阵-向量对包括：
将物联网终端的身份ID映射成二进制数组；
将所述二进制数组转换为对称矩阵，并计算获取列向量，由所述对称矩阵和列向量共同构成矩阵-向量对。
进一步的，所述数据包包括单数据包和异步多数据包，所述身份检测包括单数据包检测和异步多数据包碰撞检测；
其中，所述单数据包检测包括：
将卫星端接收的RM序列划分为等长的两个子序列，并计算所述子序列的元素共轭积；
对所述元素共轭积进行WHT变换，获取WHT变换向量；
搜索所述WHT变换向量的最大值以恢复所述RM序列对应的对称矩阵的一列信息；
利用所述RM序列的嵌套结构，继续拆解所述RM序列，逐层恢复所述RM序列对应的对称矩阵的各列信息，并结合各列信息恢复物联网终端的身份ID；
所述异步多数据包碰撞检测包括：
对所述异步多数据包进行初始化设置；
获取每个异步多数据包的传输时延；
根据所述传输时延，采用迭代法进行异步多数据包碰撞检测和信道估计，并采用交叉验证残差法终止迭代，获取碰撞重数和物联网终端的身份ID。
进一步的，所述接入负载的计算公式如公式（1）所示：
Figure SMS_1
（1）
公式（1）中，
Figure SMS_3
为卫星端的接入负载，/>
Figure SMS_7
为第/>
Figure SMS_9
个卫星子信道，/>
Figure SMS_4
为卫星子信道总数，
Figure SMS_6
为第/>
Figure SMS_10
个卫星子信道中无碰撞的数据包个数，/>
Figure SMS_11
为第/>
Figure SMS_2
个卫星子信道中异步碰撞的数据包个数，/>
Figure SMS_5
为第/>
Figure SMS_8
个卫星子信道中的碰撞重数。
进一步的，获取由所述历史接入负载量、低轨卫星轨道信息和地球自转信息驱动的多输入LSTM神经网络预测模型，并利用所述多输入LSTM神经网络预测模型获取负载预测结果包括：
将低轨卫星轨道信息和地球自转信息联合转换为卫星星下点的经纬度信息，对所述历史接入负载量和卫星星下点的经纬度信息进行归一化处理，并将经过归一化处理的数据划分为训练集和测试集；
设置超参数，利用所述训练集和测试集对获取的多输入LSTM神经网络预测模型进行训练，通过训练对所述超参数进行优化，获取训练好的多输入LSTM神经网络预测模型；
将所述训练好的多输入LSTM神经网络预测模型发送至卫星端，基于卫星端接收的数据包，利用所述训练好的多输入LSTM神经网络预测模型，获取负载预测结果，并采用平均绝对百分比误差作为评价指标，对所述负载预测结果进行评价。
进一步的，所述卫星星下点的经纬度信息的计算公式如公式（2）所示：
Figure SMS_12
（2）/>
公式（2）中，
Figure SMS_14
为卫星星下点的经度，/>
Figure SMS_16
为卫星星下点的纬度，/>
Figure SMS_18
为轨道倾角，/>
Figure SMS_15
为卫星与升交点之间的角距，/>
Figure SMS_17
为0时刻的升交点经度，/>
Figure SMS_19
为地球自转角速度，/>
Figure SMS_20
为/>
Figure SMS_13
时刻。
进一步的，所述归一化处理包括：对所述历史接入负载量和卫星星下点的经纬度信息构成的原始输入数据进行归一化处理，使所述原始输入数据落在区间
Figure SMS_21
内，所述归一化处理的公式如公式（3）所示：
Figure SMS_22
（3）
公式（3）中，
Figure SMS_23
为经过归一化处理的数据，/>
Figure SMS_24
为原始输入数据，/>
Figure SMS_25
为原始输入数据的最小值，/>
Figure SMS_26
为原始输入数据的最大值。
进一步的，将经过归一化处理的数据的前80%的数据划分为训练集，后20%的数据划分为测试集，所述训练集的表达式如公式（4）所示：
Figure SMS_27
（4）
公式（4）中，
Figure SMS_28
为训练集，/>
Figure SMS_29
为经过归一化处理的数据的前80%的数据，/>
Figure SMS_30
、/>
Figure SMS_31
、/>
Figure SMS_32
为/>
Figure SMS_33
时刻对应的卫星星下点的经度、纬度、接入负载；
所述测试集的表达式如公式（5）所示：
Figure SMS_34
（5）
公式（5）中，
Figure SMS_35
为测试集，/>
Figure SMS_36
为经过归一化处理的数据的后20%的数据。
进一步的，所述超参数包括损失函数、优化器、批大小、训练轮数和隐藏层节点数，通过训练对所述超参数进行优化包括如下步骤：
S1：设置初始训练周期
Figure SMS_37
为1，设置初始计数器/>
Figure SMS_38
为1，设置初始误差/>
Figure SMS_39
为第一次迭代的误差值；
S2：令
Figure SMS_40
；
S3：计算误差
Figure SMS_41
，若判断/>
Figure SMS_42
成立，则令/>
Figure SMS_43
，并进入S4，否则，令/>
Figure SMS_44
，令/>
Figure SMS_45
，并进入S4；
S4：若判断
Figure SMS_46
成立，则进入S5，否则，结束训练；
S5：若判断
Figure SMS_47
成立，则结束训练，完成优化，否则，返回S2；
其中，
Figure SMS_48
为用于监测训练的耐心值，/>
Figure SMS_49
为最大训练周期；
优化目标的表达式如公式（6）所示：
Figure SMS_50
（6）
公式（6）中，
Figure SMS_51
为超参数的索引，/>
Figure SMS_52
为超参数的集合，/>
Figure SMS_53
为最佳网络模型参数。
进一步的，采用平均绝对百分比误差作为评价指标，对所述负载预测结果进行评价包括：
设置回溯窗口为40；
以40个历史接入负载量预测下一个时间点的接入负载，以此类推，在下一个时间点计算预测值与真实值的误差；
统计100个时间点的平均绝对百分比误差
Figure SMS_54
，并判断/>
Figure SMS_55
，若
Figure SMS_56
成立，则对所述多输入LSTM神经网络预测模型进行重新训练，直到
Figure SMS_57
为止。
与现有技术相比，本发明的有益效果是：
本发明所提供的面向低轨卫星物联网的负载预测方法，考虑了低轨卫星接入负载的空时二维特性，通过多输入LSTM神经网络预测模型获取负载预测结果，能够提高负载预测精度。异步免授权传输协议能够适应星地时延较大、物联网终端能力较弱的大规模传输场景。选用RM序列作为导频，充分发挥了RM序列的特性：首先，RM序列可支撑的用户数量级大，能够满足大规模的连接请求；其次，RM序列与物联网终端身份ID具有一一对应关系；最后，RM序列的相关特性还能够用来设计具有低计算复杂度的检测算法，以实现异步多数据包的碰撞检测，非常适合于低轨卫星物联网场景。
附图说明
图1是本发明实施例提供的面向低轨卫星物联网的负载预测方法流程图；
图2是本发明实施例提供的异步多数据包碰撞检测中成功检测概率随信噪比变化的曲线示意图；
图3是本发明实施例提供的多输入LSTM神经网络预测模型的负载预测值、单输入LSTM神经网络预测模型的负载预测值与真实值的对比情况示意图；
图4是本发明实施例提供的多输入LSTM神经网络预测模型的负载预测值与单输入LSTM神经网络预测模型的负载预测值的平均绝对百分比误差对比情况示意图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
下面详细描述本专利的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利，而不能理解为对本专利的限制。在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
图1是本发明实施例一提供的一种面向低轨卫星物联网的负载预测方法流程图，本流程图仅仅示出了本实施例方法的逻辑顺序，在互不冲突的前提下，在本发明其它可能的实施例中，可以以不同于图1所示的顺序完成所示出或描述的步骤。
参见图1，本实施例的方法具体包括如下步骤：
步骤一：由物联网终端根据其身份ID生成对应的RM序列作为导频，并以免授权的形式在卫星信道上传输包含导频和数据的数据包；
一个长度为
Figure SMS_58
的RM序列由一个/>
Figure SMS_59
的二进制对称矩阵/>
Figure SMS_60
和一个/>
Figure SMS_61
的列向量/>
Figure SMS_62
生成，物联网终端的身份ID为/>
Figure SMS_63
。/>
由物联网终端根据其身份ID生成对应的RM序列作为导频包括如下步骤：
步骤①：将物联网终端的身份ID映射成矩阵-向量对；
将物联网终端的身份ID映射成矩阵-向量对包括如下步骤：
（1）将物联网终端的身份ID映射成二进制数组；
将
Figure SMS_64
映射成二进制数组，二进制数组的长度为/>
Figure SMS_65
，二进制数组的表达式为/>
Figure SMS_66
。
（2）将二进制数组转换为对称矩阵，并计算获取列向量，由对称矩阵和列向量共同构成矩阵-向量对；
对称矩阵
Figure SMS_67
的表达式为：
Figure SMS_68
其中，
Figure SMS_69
为RM序列的阶数，/>
Figure SMS_70
为第/>
Figure SMS_71
个发生碰撞的数据包。
列向量
Figure SMS_72
的组成式为：
Figure SMS_73
其中，
Figure SMS_74
为列向量中的第/>
Figure SMS_75
项。
物联网终端
Figure SMS_76
通过身份ID映射获取的矩阵-向量对为/>
Figure SMS_77
。
步骤②：利用矩阵-向量对生成RM序列作为导频；
利用物联网终端
Figure SMS_78
通过身份ID映射获取的矩阵-向量对/>
Figure SMS_79
生成RM序列作为导频序列，导频序列的表达式如公式（7）所示：
Figure SMS_80
（7）
公式（7）中，
Figure SMS_81
为导频序列，/>
Figure SMS_82
为导频序列中的第/>
Figure SMS_83
个符号，/>
Figure SMS_84
为虚数单位，/>
Figure SMS_85
为
Figure SMS_86
的/>
Figure SMS_87
位二进制表达式。
步骤二：根据导频，由卫星端对接收的数据包进行身份检测；
卫星端接收到的信号的表达式如公式（8）所示：
Figure SMS_88
（8）
公式（8）中，
Figure SMS_89
为卫星端接收到的信号，/>
Figure SMS_90
为发生碰撞的数据包总数，/>
Figure SMS_91
为第/>
Figure SMS_92
个发生碰撞的数据包与卫星之间的信道系数，/>
Figure SMS_93
为第/>
Figure SMS_94
个发生碰撞的数据包发送的信号，该信号包含导频和数据，/>
Figure SMS_95
为加性高斯白噪声。
数据包包括单数据包和异步多数据包，身份检测包括单数据包检测和异步多数据包碰撞检测。
其中，单数据包检测包括如下步骤：
步骤A：将卫星端接收的RM序列划分为等长的两个子序列，并计算子序列的元素共轭积；
子序列分别为
Figure SMS_96
和/>
Figure SMS_97
，子序列/>
Figure SMS_98
和/>
Figure SMS_99
的元素共轭积的计算公式如公式（9）所示：
Figure SMS_100
（9）
公式（9）中，
Figure SMS_102
为子序列/>
Figure SMS_107
和/>
Figure SMS_111
的第/>
Figure SMS_103
个符号的元素共轭积，/>
Figure SMS_106
为子序列/>
Figure SMS_110
的第/>
Figure SMS_114
个符号，/>
Figure SMS_101
为子序列/>
Figure SMS_105
的第/>
Figure SMS_109
个符号，/>
Figure SMS_113
为信道系数，/>
Figure SMS_104
为对称矩阵的/>
Figure SMS_108
阶子矩阵确定的Walsh序列的第/>
Figure SMS_112
项，/>
Figure SMS_115
为等效噪声。
步骤B：对元素共轭积进行WHT变换，获取WHT变换向量；
WHT变换向量的表达式如公式（10）所示：
Figure SMS_116
（10）
公式（10）中，
Figure SMS_117
为WHT变换向量，/>
Figure SMS_118
为子序列/>
Figure SMS_119
和/>
Figure SMS_120
的元素共轭积，
Figure SMS_121
为/>
Figure SMS_122
阶Hadamard矩阵。
步骤C：搜索WHT变换向量的最大值以恢复RM序列对应的对称矩阵的一列信息；
步骤D：利用RM序列的嵌套结构，继续拆解RM序列，逐层恢复RM序列对应的对称矩阵的各列信息，并结合各列信息恢复物联网终端的身份ID。
异步多数据包碰撞检测包括如下步骤：
步骤a：对异步多数据包进行初始化设置；
步骤b：获取每个异步多数据包的传输时延；
传输时延的表达式如公式（11）所示：
Figure SMS_123
（11）
公式（11）中，
Figure SMS_124
为传输时延，/>
Figure SMS_125
为/>
Figure SMS_126
的可取值，/>
Figure SMS_127
为/>
Figure SMS_128
的可取值的最大值。
步骤c：根据传输时延，采用迭代法进行异步多数据包碰撞检测和信道估计，并采用交叉验证残差法终止迭代，获取碰撞重数和物联网终端的身份ID。
在本实施例中，对异步多数据包碰撞检测进行仿真，异步多数据包碰撞检测仿真参数的设置如表1所示：
表1 异步多数据包碰撞检测仿真参数设置
Figure SMS_129
如图2所示，为信噪比在-3dB到15dB范围内，分别对异步数据包二、三、四重碰撞的成功检测概率。
步骤三：基于身份检测结果，计算卫星端的接入负载，并将接入负载作为机器学习的历史接入负载量；
接入负载的计算公式如公式（1）所示：
Figure SMS_130
（1）
公式（1）中，
Figure SMS_133
为卫星端的接入负载，/>
Figure SMS_136
为第/>
Figure SMS_139
个卫星子信道，/>
Figure SMS_132
为卫星子信道总数，
Figure SMS_135
为第/>
Figure SMS_138
个卫星子信道中无碰撞的数据包个数，/>
Figure SMS_140
为第/>
Figure SMS_131
个卫星子信道中异步碰撞的数据包个数，/>
Figure SMS_134
为第/>
Figure SMS_137
个卫星子信道中的碰撞重数。
步骤四：获取由历史接入负载量、低轨卫星轨道信息和地球自转信息驱动的多输入LSTM神经网络预测模型，并利用多输入LSTM神经网络预测模型获取负载预测结果；
获取由历史接入负载量、低轨卫星轨道信息和地球自转信息驱动的多输入LSTM神经网络预测模型，并利用多输入LSTM神经网络预测模型获取负载预测结果包括如下步骤：
步骤Ⅰ：将低轨卫星轨道信息和地球自转信息联合转换为卫星星下点的经纬度信息，对历史接入负载量和卫星星下点的经纬度信息进行归一化处理，并将经过归一化处理的数据划分为训练集和测试集；
卫星星下点的经纬度信息的计算公式如公式（2）所示：
Figure SMS_141
（2）
公式（2）中，
Figure SMS_143
为卫星星下点的经度，/>
Figure SMS_145
为卫星星下点的纬度，/>
Figure SMS_147
为轨道倾角，/>
Figure SMS_144
为卫星与升交点之间的角距，/>
Figure SMS_146
为0时刻的升交点经度，/>
Figure SMS_148
为地球自转角速度，/>
Figure SMS_149
为/>
Figure SMS_142
时刻。
归一化处理包括：对历史接入负载量和卫星星下点的经纬度信息构成的原始输入数据进行归一化处理，使原始输入数据落在区间
Figure SMS_150
内，归一化处理的公式如公式（3）所示：
Figure SMS_151
（3）
公式（3）中，
Figure SMS_152
为经过归一化处理的数据，/>
Figure SMS_153
为原始输入数据，/>
Figure SMS_154
为原始输入数据的最小值，/>
Figure SMS_155
为原始输入数据的最大值。
将经过归一化处理的数据的前80%的数据划分为训练集，后20%的数据划分为测试集，训练集的表达式如公式（4）所示：
Figure SMS_156
（4）
公式（4）中，
Figure SMS_157
为训练集，/>
Figure SMS_158
为经过归一化处理的数据的前80%的数据，/>
Figure SMS_159
、/>
Figure SMS_160
、/>
Figure SMS_161
为/>
Figure SMS_162
时刻对应的卫星星下点的经度、纬度、接入负载。
测试集的表达式如公式（5）所示：
Figure SMS_163
（5）
公式（5）中，
Figure SMS_164
为测试集，/>
Figure SMS_165
为经过归一化处理的数据的后20%的数据。
步骤Ⅱ：设置超参数，利用训练集和测试集对获取的多输入LSTM神经网络预测模型进行训练，通过训练对超参数进行优化，获取训练好的多输入LSTM神经网络预测模型；
超参数包括损失函数、优化器、批大小、训练轮数和隐藏层节点数，通过训练对超参数进行优化包括如下步骤：
S1：设置初始训练周期
Figure SMS_166
为1，设置初始计数器/>
Figure SMS_167
为1，设置初始误差/>
Figure SMS_168
为第一次迭代的误差值；
S2：令
Figure SMS_169
；
S3：计算误差
Figure SMS_170
，若判断/>
Figure SMS_171
成立，则令/>
Figure SMS_172
，并进入S4，否则，令/>
Figure SMS_173
，令/>
Figure SMS_174
，并进入S4；
S4：若判断
Figure SMS_175
成立，则进入S5，否则，结束训练；
S5：若判断
Figure SMS_176
成立，则结束训练，完成优化，否则，返回S2。
其中，
Figure SMS_177
为用于监测训练的耐心值，/>
Figure SMS_178
为最大训练周期。
优化目标的表达式如公式（6）所示：
Figure SMS_179
（6）
公式（6）中，
Figure SMS_180
为超参数的索引，/>
Figure SMS_181
为超参数的集合，/>
Figure SMS_182
为最佳网络模型参数。
步骤Ⅲ：将训练好的多输入LSTM神经网络预测模型发送至卫星端，基于卫星端接收的数据包，利用训练好的多输入LSTM神经网络预测模型，获取负载预测结果，并采用平均绝对百分比误差作为评价指标，对负载预测结果进行评价；
采用平均绝对百分比误差作为评价指标，对负载预测结果进行评价包括如下步骤：
步骤ⅰ：设置回溯窗口为40；
步骤ⅱ：以40个历史接入负载量预测下一个时间点的接入负载，以此类推，在下一个时间点计算预测值与真实值的误差；
步骤ⅲ：统计100个时间点的平均绝对百分比误差
Figure SMS_183
，并判断
Figure SMS_184
，若/>
Figure SMS_185
成立，则对多输入LSTM神经网络预测模型进行重新训练，直到/>
Figure SMS_186
为止。
在本实施例中，对多输入LSTM神经网络预测模型进行仿真，多输入LSTM神经网络预测模型仿真参数的设置如表2所示：
表2 多输入LSTM神经网络预测模型仿真参数设置
Figure SMS_187
如图3所示，为多输入LSTM神经网络预测模型的负载预测值、单输入LSTM神经网络预测模型的负载预测值与真实值的对比情况。以横坐标150这点来看，真实负载量为282，多输入预测负载量为270，而单输入预测负载量为214，可见单输入预测负载量的误差较大。
如图4所示，为多输入LSTM神经网络预测模型的负载预测值与单输入LSTM神经网络预测模型的负载预测值的平均绝对百分比误差对比情况，由图4可知，多输入LSTM神经网络预测模型的平均预测误差降低了约5%。
本实施例提供的面向低轨卫星物联网的负载预测方法，能够在低轨卫星物联网场景下实现负载预测。异步免授权传输协议能够适应星地时延较大、物联网终端能力较弱的大规模传输场景。构建多输入LSTM神经网络预测模型，考虑了低轨卫星接入负载的空时二维特性，能够提高预测精度。RM序列可支撑的用户数量级大，能够满足大规模的连接请求；RM序列与物联网终端身份ID具有一一对应关系；RM序列的相关特性还能够用来设计具有低计算复杂度的检测算法，以实现异步多数据包的碰撞检测，非常适合于低轨卫星物联网场景，因此，选用RM序列作为导频，充分发挥了RM序列的特性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种面向低轨卫星物联网的负载预测方法，其特征在于，包括：
由物联网终端根据其身份ID生成对应的RM序列作为导频，并以免授权的形式在卫星信道上传输包含所述导频和数据的数据包；
根据所述导频，由卫星端对接收的数据包进行身份检测；
基于身份检测结果，计算卫星端的接入负载，并将所述接入负载作为机器学习的历史接入负载量；
获取由所述历史接入负载量、低轨卫星轨道信息和地球自转信息驱动的多输入LSTM神经网络预测模型，并利用所述多输入LSTM神经网络预测模型获取负载预测结果。
2.根据权利要求1所述的面向低轨卫星物联网的负载预测方法，其特征在于，由物联网终端根据其身份ID生成对应的RM序列作为导频包括：
将物联网终端的身份ID映射成矩阵-向量对；
利用所述矩阵-向量对生成RM序列作为导频；
其中，将物联网终端的身份ID映射成矩阵-向量对包括：
将物联网终端的身份ID映射成二进制数组；
将所述二进制数组转换为对称矩阵，并计算获取列向量，由所述对称矩阵和列向量共同构成矩阵-向量对。
3.根据权利要求1所述的面向低轨卫星物联网的负载预测方法，其特征在于，所述数据包包括单数据包和异步多数据包，所述身份检测包括单数据包检测和异步多数据包碰撞检测；
其中，所述单数据包检测包括：
将卫星端接收的RM序列划分为等长的两个子序列，并计算所述子序列的元素共轭积；
对所述元素共轭积进行WHT变换，获取WHT变换向量；
搜索所述WHT变换向量的最大值以恢复所述RM序列对应的对称矩阵的一列信息；
利用所述RM序列的嵌套结构，继续拆解所述RM序列，逐层恢复所述RM序列对应的对称矩阵的各列信息，并结合各列信息恢复物联网终端的身份ID；
所述异步多数据包碰撞检测包括：
对所述异步多数据包进行初始化设置；
获取每个异步多数据包的传输时延；
根据所述传输时延，采用迭代法进行异步多数据包碰撞检测和信道估计，并采用交叉验证残差法终止迭代，获取碰撞重数和物联网终端的身份ID。
4.根据权利要求1所述的面向低轨卫星物联网的负载预测方法，其特征在于，所述接入负载的计算公式如公式（1）所示：
Figure QLYQS_1
（1）
公式（1）中，
Figure QLYQS_3
为卫星端的接入负载，/>
Figure QLYQS_7
为第/>
Figure QLYQS_9
个卫星子信道，/>
Figure QLYQS_2
为卫星子信道总数，/>
Figure QLYQS_8
为第/>
Figure QLYQS_10
个卫星子信道中无碰撞的数据包个数，/>
Figure QLYQS_11
为第/>
Figure QLYQS_4
个卫星子信道中异步碰撞的数据包个数，/>
Figure QLYQS_5
为第/>
Figure QLYQS_6
个卫星子信道中的碰撞重数。/>
5.根据权利要求1所述的面向低轨卫星物联网的负载预测方法，其特征在于，获取由所述历史接入负载量、低轨卫星轨道信息和地球自转信息驱动的多输入LSTM神经网络预测模型，并利用所述多输入LSTM神经网络预测模型获取负载预测结果包括：
将低轨卫星轨道信息和地球自转信息联合转换为卫星星下点的经纬度信息，对所述历史接入负载量和卫星星下点的经纬度信息进行归一化处理，并将经过归一化处理的数据划分为训练集和测试集；
设置超参数，利用所述训练集和测试集对获取的多输入LSTM神经网络预测模型进行训练，通过训练对所述超参数进行优化，获取训练好的多输入LSTM神经网络预测模型；
将所述训练好的多输入LSTM神经网络预测模型发送至卫星端，基于卫星端接收的数据包，利用所述训练好的多输入LSTM神经网络预测模型，获取负载预测结果，并采用平均绝对百分比误差作为评价指标，对所述负载预测结果进行评价。
6.根据权利要求5所述的面向低轨卫星物联网的负载预测方法，其特征在于，所述卫星星下点的经纬度信息的计算公式如公式（2）所示：
Figure QLYQS_12
（2）
公式（2）中，
Figure QLYQS_14
为卫星星下点的经度，/>
Figure QLYQS_17
为卫星星下点的纬度，/>
Figure QLYQS_19
为轨道倾角，/>
Figure QLYQS_15
为卫星与升交点之间的角距，/>
Figure QLYQS_16
为0时刻的升交点经度，/>
Figure QLYQS_18
为地球自转角速度，/>
Figure QLYQS_20
为/>
Figure QLYQS_13
时刻。
7.根据权利要求5所述的面向低轨卫星物联网的负载预测方法，其特征在于，所述归一化处理包括：对所述历史接入负载量和卫星星下点的经纬度信息构成的原始输入数据进行归一化处理，使所述原始输入数据落在区间
Figure QLYQS_21
内，所述归一化处理的公式如公式（3）所示：
Figure QLYQS_22
（3）
公式（3）中，
Figure QLYQS_23
为经过归一化处理的数据，/>
Figure QLYQS_24
为原始输入数据，/>
Figure QLYQS_25
为原始输入数据的最小值，/>
Figure QLYQS_26
为原始输入数据的最大值。
8.根据权利要求5所述的面向低轨卫星物联网的负载预测方法，其特征在于，将经过归一化处理的数据的前80%的数据划分为训练集，后20%的数据划分为测试集，所述训练集的表达式如公式（4）所示：
Figure QLYQS_27
（4）
公式（4）中，
Figure QLYQS_28
为训练集，/>
Figure QLYQS_29
为经过归一化处理的数据的前80%的数据，/>
Figure QLYQS_30
、/>
Figure QLYQS_31
、/>
Figure QLYQS_32
为/>
Figure QLYQS_33
时刻对应的卫星星下点的经度、纬度、接入负载；/>
所述测试集的表达式如公式（5）所示：
Figure QLYQS_34
（5）
公式（5）中，
Figure QLYQS_35
为测试集，/>
Figure QLYQS_36
为经过归一化处理的数据的后20%的数据。
9.根据权利要求5所述的面向低轨卫星物联网的负载预测方法，其特征在于，所述超参数包括损失函数、优化器、批大小、训练轮数和隐藏层节点数，通过训练对所述超参数进行优化包括如下步骤：
S1：设置初始训练周期
Figure QLYQS_37
为1，设置初始计数器/>
Figure QLYQS_38
为1，设置初始误差/>
Figure QLYQS_39
为第一次迭代的误差值；
S2：令
Figure QLYQS_40
；
S3：计算误差
Figure QLYQS_41
，若判断/>
Figure QLYQS_42
成立，则令/>
Figure QLYQS_43
，并进入S4，否则，令/>
Figure QLYQS_44
，令/>
Figure QLYQS_45
，并进入S4；
S4：若判断
Figure QLYQS_46
成立，则进入S5，否则，结束训练；
S5：若判断
Figure QLYQS_47
成立，则结束训练，完成优化，否则，返回S2；
其中，
Figure QLYQS_48
为用于监测训练的耐心值，/>
Figure QLYQS_49
为最大训练周期；
优化目标的表达式如公式（6）所示：
Figure QLYQS_50
（6）
公式（6）中，
Figure QLYQS_51
为超参数的索引，/>
Figure QLYQS_52
为超参数的集合，/>
Figure QLYQS_53
为最佳网络模型参数。
10.根据权利要求5所述的面向低轨卫星物联网的负载预测方法，其特征在于，采用平均绝对百分比误差作为评价指标，对所述负载预测结果进行评价包括：
设置回溯窗口为40；
以40个历史接入负载量预测下一个时间点的接入负载，以此类推，在下一个时间点计算预测值与真实值的误差；
统计100个时间点的平均绝对百分比误差
Figure QLYQS_54
，并判断/>
Figure QLYQS_55
，若
Figure QLYQS_56
成立，则对所述多输入LSTM神经网络预测模型进行重新训练，直到
Figure QLYQS_57
为止。/>
CN202310433954.0A 2023-04-21 2023-04-21 一种面向低轨卫星物联网的负载预测方法 Active CN116170066B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310433954.0A CN116170066B (zh) 2023-04-21 2023-04-21 一种面向低轨卫星物联网的负载预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310433954.0A CN116170066B (zh) 2023-04-21 2023-04-21 一种面向低轨卫星物联网的负载预测方法

Publications (2)

Publication Number Publication Date
CN116170066A true CN116170066A (zh) 2023-05-26
CN116170066B CN116170066B (zh) 2023-09-19

Family

ID=86413437

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310433954.0A Active CN116170066B (zh) 2023-04-21 2023-04-21 一种面向低轨卫星物联网的负载预测方法

Country Status (1)

Country Link
CN (1) CN116170066B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116980941A (zh) * 2023-09-22 2023-10-31 南京邮电大学 低轨卫星物联网终端参数配置方法、装置及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6609002B1 (en) * 1999-09-15 2003-08-19 Hrl Laboratories, Llc Method and apparatus for predictive QoS routing for broad band low earth satellite networks
CN112188520A (zh) * 2020-09-11 2021-01-05 哈尔滨工业大学（深圳） 基于神经网络负载预测的卫星物联网传输控制方法与系统
CN112819236A (zh) * 2021-02-07 2021-05-18 南京邮电大学 一种基于神经网络的低轨卫星物联网活跃终端预测方法
CN114374427A (zh) * 2022-01-19 2022-04-19 苏州全时空信息技术有限公司 软件定义的中低轨卫星网络中控制器动态部署方法及系统
CN114867128A (zh) * 2022-05-05 2022-08-05 南京邮电大学 一种卫星物联网随机接入自适应方法、装置及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6609002B1 (en) * 1999-09-15 2003-08-19 Hrl Laboratories, Llc Method and apparatus for predictive QoS routing for broad band low earth satellite networks
CN112188520A (zh) * 2020-09-11 2021-01-05 哈尔滨工业大学（深圳） 基于神经网络负载预测的卫星物联网传输控制方法与系统
CN112819236A (zh) * 2021-02-07 2021-05-18 南京邮电大学 一种基于神经网络的低轨卫星物联网活跃终端预测方法
CN114374427A (zh) * 2022-01-19 2022-04-19 苏州全时空信息技术有限公司 软件定义的中低轨卫星网络中控制器动态部署方法及系统
CN114867128A (zh) * 2022-05-05 2022-08-05 南京邮电大学 一种卫星物联网随机接入自适应方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
茆习文; 王海涛; 张更新: "卫星物联网负载量估计及预测", 光通信研究, pages 1 - 8 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116980941A (zh) * 2023-09-22 2023-10-31 南京邮电大学 低轨卫星物联网终端参数配置方法、装置及设备
CN116980941B (zh) * 2023-09-22 2023-12-22 南京邮电大学 低轨卫星物联网终端参数配置方法、装置及设备

Also Published As

Publication number Publication date
CN116170066B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN112910811B (zh) 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置
CN112911608B (zh) 一种面向边缘智能网络的大规模接入方法
CN116170066B (zh) 一种面向低轨卫星物联网的负载预测方法
CN115358487A (zh) 面向电力数据共享的联邦学习聚合优化系统及方法
Liu et al. Deep learning-based spectrum sensing in space-air-ground integrated networks
CN103888391A (zh) 基于双Sigmoid混沌神经网络的信号盲检测方法
CN112910806A (zh) 基于深度神经网络的联合信道估计及用户激活检测方法
CN113965233A (zh) 一种基于深度学习的多用户宽带毫米波通信资源分配方法及系统
CN115278693A (zh) 基于行驶状态优先级和场景模拟的cvn频谱调度方法及系统
CN108631817B (zh) 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法
CN114204971A (zh) 一种迭代的聚合波束成形设计和用户设备选择方法
US20230362039A1 (en) Neural network-based channel estimation method and communication apparatus
CN116128070B (zh) 基于无线空中计算和多比特量化压缩感知的联邦学习方法
Kalade et al. Using sequence to sequence learning for digital bpsk and qpsk demodulation
Yuan et al. Channel estimation and pilot design for uplink sparse code multiple access system based on complex-valued sparse autoencoder
CN112087275B (zh) 基于生灭过程和粘性隐马尔可夫模型的合作频谱感知方法
CN114268348A (zh) 一种基于深度强化学习的无蜂窝大规模mimo功率分配方法
Diamantaras Blind channel identification based on the geometry of the received signal constellation
CN111541472B (zh) 低复杂度机器学习辅助鲁棒预编码方法及装置
CN112115637B (zh) Noma系统模型构建、优化方法、电子设备、存储介质
CN113037409B (zh) 基于深度学习的大规模mimo系统信号检测方法
CN104955059B (zh) 基于贝叶斯网络的蜂窝网基站状态时变模型建立方法
CN114630446A (zh) 一种低轨卫星物联网的大规模免授权随机接入方法
CN114337883A (zh) 协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统
Nagao et al. A Study on Path Loss Modeling using ResNet and Pre-Training with Free Space Path Loss

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