CN116545495A - 一种应用于卫星网络的拓扑预测模型训练方法及预测方法 - Google Patents
一种应用于卫星网络的拓扑预测模型训练方法及预测方法 Download PDFInfo
- Publication number
- CN116545495A CN116545495A CN202310169381.5A CN202310169381A CN116545495A CN 116545495 A CN116545495 A CN 116545495A CN 202310169381 A CN202310169381 A CN 202310169381A CN 116545495 A CN116545495 A CN 116545495A
- Authority
- CN
- China
- Prior art keywords
- satellite network
- data
- satellite
- topology
- prediction 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 32
- 230000033001 locomotion Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- H04B7/18513—Transmission in a satellite or space-based system
-
- 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
- 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
- H04B7/18521—Systems of inter linked satellites, i.e. inter satellite service
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Astronomy & Astrophysics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明提出一种应用于卫星网络的拓扑预测模型训练方法，所述卫星网络包括多个卫星、多个终端以及多个地面站，所述拓扑预测模型包括时空学习层和全连接层，所述方法包括如下步骤：S1、获取目标区域内的卫星网络历史拓扑图数据，所述卫星网络历史拓扑图数据包括多个时刻连续的卫星网络拓扑图，每一时刻的卫星网络拓扑图包括多个节点和多条边，其中，节点表示终端、卫星或者地面站，任意两个节点之间有边表示该两个节点之间设置有链路；S2、基于步骤S1获取的卫星网络历史拓扑图数据训练所述拓扑预测模型直至收敛。本发明提出的方案采用权重记忆参数来代替巨大的存储消耗，极大的降低存储占用并保证了网络拓扑信息的完整性。
Description
技术领域
本发明涉及卫星通信技术领域，具体来说，卫星通信技术领域中的卫星网络拓扑研究，更具体地说，涉及一种应用于卫星网络的拓扑预测模型训练方法及预测方法。
背景技术
卫星通信网络被认为是通信技术的重要组成部分，具有大规模、广覆盖、低时延等优势，其目标是为全球用户提供无处不在的互联网接入服务。但是由于卫星通信网络中的卫星节点处于高速运动状态，使得卫星与地面站之间的星地链路以及卫星与卫星之间的星间链路通断频繁，还使得卫星网络拓扑高度复杂且具有强动态性，这就导致端到端业务传输路径难以构建，进而影响对卫星通信网络的管理。
为了能够更好地对卫星通信网络进行管理，研究人员提出可以根据卫星网络拓扑的时变特性进行卫星网络拓扑预测，并基于预测得到的卫星网络拓扑实现端到端链路的有效预测，端到端链路预测指的是预测两终端通过卫星网络通信时的完整链路。在获得端到端链路的有效预测的前提下，可以实现更好的端到端业务构建，从而更好的进行卫星通信网络的管理和应用。
针对卫星网络拓扑预测，研究者提出了多种方案，其中比较具有代表性的有如下几类：1、采用快照的方式存储一个周期变化的卫星网络拓扑图数据以预测某一时刻的卫星网络拓扑，但是当网络规模较大时，基于快照方法生成的子图数量与时间长度成正比，其存储空间与网络规模成正比，会产生存储空间占用量大的问题。2、采用遍历法预测某一时间的卫星网络拓扑，但是这类方案拓扑计算复杂度高，并且在获取某一时间的网络拓扑时，需要遍历所有时间段的卫星网络拓扑，时间开销大。3、可以基于获取到的不同时刻的星间链路以及星地链路数据对模型进行训练，以此构建链路预测模型进链路预测，但是该类方案未考虑用户链路的变化导致所获取的卫星网络拓扑信息不完整，影响链路预测的准确性。
尽管现有技术提出的方案能够地对卫星网络拓扑进行预测，但仍存在存储空间占用量大、拓扑计算复杂度高，且由于未考虑用户链路的变化导致所获取的卫星网络拓扑信息不完整等问题，从而不利于卫星网络拓扑预测。
发明内容
因此，本发明的目的在于克服上述现有技术的缺陷，提供一种应用于卫星网络的拓扑预测模型训练方法和一种应用于卫星网络的拓扑预测方法。
本发明的目的是通过以下技术方案实现的：
根据本发明的第一方面，提供一种应用于卫星网络的拓扑预测模型训练方法，所述卫星网络包括多个卫星、多个终端以及多个地面站，所述拓扑预测模型包括时空学习层和全连接层，所述方法包括如下步骤：S1、获取目标区域内的卫星网络历史拓扑图数据，所述卫星网络历史拓扑图数据包括多个时刻连续的卫星网络拓扑图，每一时刻的卫星网络拓扑图包括多个节点和多条边，其中，节点表示终端、卫星或者地面站，任意两个节点之间有边表示该两个节点之间设置有链路；S2、基于步骤S1获取的卫星网络历史拓扑图数据训练所述拓扑预测模型直至收敛。
在本发明的一些实施例中，所述时空学习层包括一个或多个时空学习模块，所述时空学习模块用于获取卫星网络拓扑图数据的空间特征和时空特征。
在本发明的一些实施例中，所述时空学习模块包括串联的一个图卷积模块、一个时间特征提取模块，其中，所述图卷积模块用于提取卫星网络拓扑图数据的空间特征，所述时间特征提取模块用于根据所述图卷积模块的输出与卫星网络拓扑图数据获取卫星网络拓扑图数据的时空特征。
优选的，所述时间特征提取模块采用长短时记忆网络、循环神经网络或者门控循环单元。
在本发明的一些实施例中，所述步骤S1包括：S11、将全球划分为不同的区域；S12、以步骤S11得到的所有区域中的任一区域作为目标区域，获取该目标区域内的卫星网络历史拓扑图数据。
在本发明的一些实施例中，所述步骤S2包括：S21、基于步骤S1得到的卫星网络历史图数据获取其对应的邻接矩阵集合；S22、按照预设的数据处理规则对步骤S21得到的邻接矩阵集合中的每个邻接矩阵进行处理，并以每个邻接矩阵的处理结果构建数据集；S23、基于步骤S22得到的数据集对所述拓扑预测模型进行训练直至收敛。
在本发明的一些实施例中，在步骤S22中，所述预设的数据处理规则为：将原始邻接矩阵与单位矩阵相加后进行对称归一化处理得到新的邻接矩阵；基于新的邻接矩阵构建与其对应的度矩阵；以新的邻接矩阵及其对应的度矩阵作为原始邻接矩阵的处理结果。
在本发明的一些实施例中，所述步骤S23包括：S231、从所述步骤S22获取的数据集中进行多次数据截取以获得多个样本组成训练集合，每次数据截取是从数据集中选择时刻连续的预设宽度的时间窗口内的卫星网络拓扑图对应的数据；S232、基于步骤S231获取的训练集合采用自监督学习训练所述拓扑预测模型直至模型收敛。
优选的，所述预设宽度为6。
根据本发明的第二方面，提供一种应用于卫星网络的拓扑预测方法，所述方法包括如下步骤：T1、获取卫星网络上一时刻网络拓扑数据；T2、采用如本发明第一方面所述方法训练的拓扑预测模型基于步骤T1获取的卫星网络上一时刻网络拓扑数据预测卫星网络下一时刻网络拓扑数据。
与现有技术相比，本发明的优点在于：
(1)将全球划分为不同的区域，充分考虑该区域内终端与卫星、地面站与卫星以及卫星与卫星之间的链路关系，以获取该区域内的卫星网络历史拓扑图数据，精确描述了该区域内的卫星、地面站以及终端之间的相互关系，进而有利于卫星资源分配。
(2)充分考虑了星间、星地以及用户链路数据，并采用星地、星间以及用户链路数据组成的数据集对神经网络模型进行训练以学习卫星网络历史拓扑图数据的时空动态特征，并以训练好的神经网络模型基于上一时刻的卫星网络拓扑图数据预测下一时刻的卫星网络拓扑，使得不需要存储所有时间段的卫星网络拓扑数据，只需存储训练好的模型的权重记忆化参数即可实现卫星网路拓扑预测，极大的降低存储占用并保证了网络拓扑信息的完整性。
附图说明
以下参照附图对本发明实施例作进一步说明，其中：
图1为本发明的卫星通信网络示例示意图；
图2为本发明的星间链路示例示意图；
图3为本发明实施例的拓扑预测模型结构示意图；
图4为根据本发明实施例的时空学习模块结构示意图；
图5为根据本发明实施例的时空学习模块结构示例示意图；
图6为本发明实施例的拓扑预测模型模型训练流程示意图。
具体实施方式
为了使本发明的目的，技术方案及优点更加清楚明白，以下通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
正如背景技术所提到的，现有技术提出的方案中存在存储空间占用量大、拓扑计算复杂度高，且由于未考虑用户链路(卫星与终端之间的链路)的变化导致所获取的卫星网络拓扑信息不完整等问题，从而不利于卫星网络拓扑预测。
针对以上缺陷，发明人研究发现，存储空间占用量大的原因在于现有技术方案中需要存储过多的历史时刻的卫星网络拓扑数据，拓扑计算复杂度高的原因在于现有技术方案中采用遍历法遍历所有时间段内的卫星网络拓扑数据，卫星网络拓扑信息不完整的原因在于没有考虑用户链路的变化。为了解决上述缺陷，本发明提出综合采用星地、星间以及用户链路数据训练神经网络模型的方案，通过采用卫星网络中完整的拓扑数据训练神经网络模型，使得不需要存储所有时间段的卫星网络拓扑数据即可实现卫星网路拓扑预测，极大的降低存储占用并保证了网络拓扑信息的完整性。概括来说，本发明以包含星地、星间以及用户链路的完整卫星网络拓扑图数据作为数据集训练神经网络模型至收敛，并采用训练好的模型基于上一时刻的卫星网络拓扑图数据预测下一时刻的卫星网络拓扑，使得不需要保存各个时间段的卫星网络拓扑图数据，只需要保存训练好的模型参数即可实现卫星网络拓扑预测，从而降低存储占用量以及计算复杂度。此外，由于训练过程中采用了包含星地、星间以及用户链路的完整卫星网络拓扑图数据，使得模型预测的卫星网络拓扑图数据能够保证卫星网络拓扑的完整性。
为了更好的理解本发明，下面结合附图和实施例详细说明本发明。
其中，为了方便理解，本发明从卫星通信网络、卫星通信网络的建链约束、拓扑预测模型的结构以及训练过程这几个方面来分别介绍本发明。
一、卫星通信网络
根据本发明的一个示例，如图1所示，其展示了卫星通信网络，其包括多个卫星、多个地面站以及多个终端(车载终端、机载终端、手持终端以及船载终端等)，其中，卫星与卫星之间可以建立星间链路、卫星与终端之间可以建立用户链路，以及卫星与地面站之间建立用户链路(馈电链路)。需要说明的是，图1所展示的卫星通信网络无法直接作为模型训练的数据使用，需要将其转化为卫星网络拓扑图后作进一步地处理。因此，需要先将卫星通信网络转换为与其对应的卫星网络拓扑图。根据图论的基本原理(图论作为现有技术，此处不做过多说明)，卫星通信网络对应的卫星网络拓扑图被表示为G＝(V,E(t))，vi∈V,ei,j(t)∈E(t)，其中，V表示节点集合，vi表示节点i，其代表卫星通信网络中的终端、卫星或者地面站；E(t)表示t时刻的边集合，两个节点之间有边则表示这两个节点之间设置有链路，ei,j(t)表示t时刻节点i(终端、地面站或者卫星)与节点j(终端、地面站或者卫星)之间的链路。虽然基于图论的基本原理可以将卫星通信网络转换为卫星网络拓扑图，但是由于不同时刻的卫星通信网络中的链路连接关系是不确定的，故在构建某一时刻的卫星通信网络对应的卫星网络拓扑图之前，需要确定该卫星通信网络中的链路连接关系，即确定该网络包括的所有星间链路、所有星地链路以及所有用户链路。由于卫星与终端、卫星或者地面站之间建立链路需要满足建链约束，因此想要确定卫星通信网络中的链路连接关系，只需根据建链约束判断卫星通信网络中两卫星之间是否存在星间链路、地面站与卫星之间是否存在星地链路以及终端与卫星之间是否存在用户链路即可。
二、卫星通信网络的建链约束
2.1、卫星与卫星之间建立星间链路的建链约束
两卫星之间想要建立星间链路，需要同时满足通信视距约束和相对运动约束。
其中，所谓通信视距约束是指两卫星连线不能经过地球，此时两卫星之间的通信视距不受遮挡。根据本发明的一个示例，如图2所示，图2(a)展示了相同轨道高度的两卫星之间的连线情况，图2(b)展示了不同轨道高度的两卫星之间的连线情况，以图2所展示的情况为例说明通信视距约束。需要说明的是，虽然图2(a)和图2(b)所展示的情况不同但均可以采用相同的通信视距约束条件判断两卫星之间连线是否经过了地球，所述通信视距约束条件为：
当β>90°时，两卫星之间的连线不经过地球，两卫星之间的通信视距不受遮挡；
当β≤90°时：
当β≤90°，且h>Re+Δh时，两卫星之间的连线不经过地球，两卫星之间的通信视距不受遮挡；其中，h表示两卫星连线中线的高度，表示地球圆心指向两卫星中位置较低卫星s1的矢量，/>表示地球圆心指向两卫星中位置较高卫星s2的矢量，α表示两卫星向量夹角，Δh表示两卫星连线到地球表面的垂直距离，β表示两卫星中位置较低卫星s1的仰角。
相对运动约束是指两卫星之间的相对运动速度必须要小于或等于两卫星中位置较低卫星的天线转动最大角速度，两卫星之间的相对运动速度按照如下方式计算：
其中，表示两卫星运动速度向量差值，/>表示两卫星中位置较高卫星s2的运动速度向量，/>和/>分别表示/>在x轴、y轴和z轴上的分量，/>表示两卫星中位置较低卫星s1的运动速度向量，/>和/>分别表示/>在x轴、y轴和z轴上的分量，γ表示两卫星之间的相对运动速度，/>表示两卫星中位置较低卫星s1的天线转动的最大角速度。
2.2、地面站与卫星之间建立星地链路的建链约束
一个地面站想要与一个卫星建立星地链路，需要该地面站与该卫星之间的仰角大于预设的仰角值。根据本发明的一个示例，预设的仰角值的范围在25°-40°。根据本发明的一个实施例，采用如下方式计算地面站与卫星之间的仰角：
其中，e表示地面站与卫星之间的仰角，表示地面站位置矢量，/>表示卫星的位置矢量。需要说明的是，地面站可以与多个卫星建立星地链路，根据本发明的一个示例，地面站最多可以同时接入8个卫星。
2.3、终端与卫星之间建立用户链路的建链约束
一个终端只能与一个卫星建立用户链路，但是终端可以接入的卫星不止一个。因此，终端与卫星之间建立用户链路，首先要满足终端与卫星之间的仰角大于预设的仰角值，再从所有满足条件的卫星中选择仰角最大的且距离最短的卫星。需要说明的是，预设的仰角值范围与仰角计算方式与前述星地链路中的内容一致，此处不再说明。
三、拓扑预测模型的结构
根据本发明的一个实施例，如图3所示，所述拓扑预测模型包括一个或多个时空学习模块，其中，如图4所示，每个时空学习模块包括串联的图卷积模块与时间特征提取模块，优选的，所述时间特征提取模块为长短时记忆网络(LSTM)、循环神经网络(RNN)或者门控循环单元(GRU)。为了简化描述，如图5所示，本发明的实施例中以GCN(两个图卷积层堆叠)和GRU构建的时空学习模块为例进行展开说明。需要说明的是，GCN中可以堆叠多个图卷积层，本发明对图卷积层的层数不作具体限制。
为了更好的理解，简单介绍一下训练过程中拓扑预测模型数据处理原理。由于拓扑预测模型包括一个或多个时空学习模块，且每个时空学习模块均包括GCN和GRU，因此本发明仅对GCN和GRU的数据处理原理分别进行说明。
3.1、GCN的数据处理原理
首先，采用提取输入数据的空间特征；其中，St表示t时刻的输入数据的空间特征，xt表示t时刻的输入数据(本发明中的输入数据为卫星网络拓扑图数据)，A表示xt的邻接矩阵，/>表示对/>进行归一化，表示邻接矩阵A与单位矩阵IN的和，/>为/>的度矩阵，/>表示分别表示第一层卷积层的权重矩阵，/>表示第二层卷积层的权重矩阵；fGCN()表示经GCN处理；
然后，将空间特征与原始输入数据拼接后输入GRU获取时空特征：
Ht＝tan h(fGRU([S,X]))
其中，Ht表示t时刻的输入数据的时空特征，tanh为双曲正切激活函数，S表示GCN提取的空间特征，X为原始输入数据，fGRU()表示数据经GRU处理。
3.2、GRU的数据处理原理
众所周知，GRU模型中有两个门：重置门和更新门。
其中，重置门决定了如何将新的输入信息与前面的记忆(输出)相结合，用公式可表示为：
rt＝σ(Wr·[ht-1,xt])
其中，rt表示重置门，Wr表示重置门权重矩阵，ht-1表示t-1时刻的时空特征，xt表示t时刻的输入数据，“·”为哈达玛积，σ(*)为sigmoid激活函数。
更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，也就是更新门帮助模型决定到底要将多少过去的信息传递到未来，简单来说就是用于更新记忆，用公式表示为：
zt＝σ(Wz·[ht-1,xt])
其中，zt表示更新门，Wz表示更新门权重矩阵，ht-1表示t-1时刻的时空特征，xt表示t时刻的输入数据，“·”为哈达玛积，σ(*)为sigmoid激活函数。
根据重置门、上一时刻的时空特征以及当前时刻的输入数据计算当前时刻的待定时空特征：
其中，表示t时刻的待定时空特征，tanh为双曲正切激活函数，Wh表示上一时刻对当前时刻的影响程度的权重矩阵，rt表示重置门，ht-1表示t-1时刻的时空特征，xt表示t时刻的输入数据。
根据更新门、待定时空特征以及上一时刻的时空特征计算当前时刻的时空特征：
其中，ht表示的t时刻的时空特征，zt表示更新门，ht-1表示t-1时刻的时空特征，表示t时刻的待定时空特征。
四、拓扑预测模型训练过程
根据本发明的一个实施例，如图6所示，拓扑预测模型模型训练过程包括步骤S1-S2，下面分别对步骤S1和S2进行说明。
在步骤S1中，获取目标区域内的卫星网络历史拓扑图数据，所述卫星网络历史拓扑图数据包括多个时刻连续的卫星网络拓扑图，每一时刻的卫星网络拓扑图包括多个节点和多条边，其中，节点表示终端、卫星或者地面站，任意两个节点之间有边表示该两个节点之间设置有链路。根据本发明的一个实施例，所述步骤S1包括如下步骤：S11、将全球划分为不同的区域；S12、以步骤S11得到的所有区域中的任一区域作为目标区域，获取该目标区域内的卫星网络历史拓扑图数据。
在步骤S2中，基于步骤S1获取的卫星网络历史拓扑图数据训练所述拓扑预测模型直至收敛。根据本发明的一个实施例，所述步骤S2包括步骤S21-S23，下面分别对步骤S21-S23进行说明。
在步骤S21中，基于步骤S1得到的卫星网络历史图数据获取其对应的邻接矩阵集合。
在步骤S22中，按照预设的数据处理规则对步骤S21得到的邻接矩阵集合中的每个邻接矩阵进行处理，并以每个邻接矩阵的处理结果构建数据集。根据本发明的一个实施例，所述预设的数据处理规则为：将原始邻接矩阵与单位矩阵相加后进行对称归一化处理得到新的邻接矩阵；基于新的邻接矩阵构建与其对应的度矩阵；以新的邻接矩阵及其对应的度矩阵作为原始邻接矩阵的处理结果。需要说明的是，按照预设的数据处理规则对邻接矩阵进行处理得到数据集后，将该数据集按照7:1:2划分训练集、验证集和测试集，并采用划分后的训练集对拓扑预测模型进行训练。
在步骤S23中，基于步骤S22得到的数据集对所述拓扑预测模型进行训练直至模型收敛。
根据本发明的一个实施例，所述步骤S23包括：S231、从所述步骤S22获取的数据集中进行多次数据截取以获得多个样本组成训练集合，每次数据截取是从数据集中选择时刻连续的预设宽度的时间窗口内的卫星网络拓扑图对应的数据；根据本发明的一个实施例，每次截取时从数据集中随机选取时间窗为T的数据和第T+1时间点的数据，其中，T为预设的时间窗口宽度，例如可以是6、7、8等，T+1时间点的数据作为模型预测中的真实对照值。S232、基于步骤S231获取的训练集合采用自监督学习训练所述拓扑预测模型直至模型收敛，根据本发明的一个实施例，训练过程中以MSE(均方误差)作为损失函数，使用Adam算法以1e-4为学习率更新权重。具体来说，训练时，每次将时间窗口为T的数据输入到模型中，获取模型输出的T+1时间点的预测值；然后利用损失函数计算T+1时间点的预测值与T+1时间点的真实值之间的误差；最后，基于误差采用Adam算法以1e-4为学习率更新权重。其中，Adam算法过程为：
先初始化梯度gn的一阶指数移动加权平均mn和二阶指数移动加权平均vn，mn是gn的一阶原点距的有偏估计，vn是gn的二阶原点距的有偏估计；然后不断进行梯度下降，直到模型参数θn收敛。其中：
采用如下方式计算第n轮迭代的梯度gn：
其中，f(θ)为损失函数，表示梯度算子，θn-1表示n-1轮的模型参数。
采用如下方式更新gn的一阶指数移动加权平均mn和二阶指数移动加权平均vn：
mn＝β1mn-1+(1-β1)gn
vt＝β2vn-1+(1-β2)gn
其中，β1和β2分别为一阶和二阶指数移动加权衰减率。
采用如下方式对进行gn的一阶指数移动加权平均mn和二阶指数移动加权平均vn进行偏差修正：
采用如下方式更新模型参数：
其中，α为学习率，选用1e-4；∈为一个较小的数值，防止出现分母为0的情况，一般取1e-8。
本发明的有益效果在于：
(1)将全球划分为不同的区域，充分考虑该区域内终端与卫星、地面站与卫星以及卫星与卫星之间的链路关系，以获取该区域内的卫星网络历史拓扑图数据，精确描述了该区域内的卫星、地面站以及终端之间的相互关系，进而有利于卫星资源分配。
(2)充分考虑了星间、星地以及用户链路数据，并采用星地、星间以及用户链路数据组成的数据集对神经网络模型进行训练以学习卫星网络历史拓扑图数据的时空动态特征，并以训练好的神经网络模型基于上一时刻的卫星网络拓扑图数据预测下一时刻的卫星网络拓扑，使得不需要存储所有时间段的卫星网络拓扑数据，只需存储训练好的模型的权重记忆化参数即可实现卫星网路拓扑预测，极大的降低存储占用并保证了网络拓扑信息的完整性。
需要说明的是，虽然上文按照特定顺序描述了各个步骤，但是并不意味着必须按照上述特定顺序来执行各个步骤，实际上，这些步骤中的一些可以并发执行，甚至改变顺序，只要能够实现所需要的功能即可。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以包括但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (12)
1.一种应用于卫星网络的拓扑预测模型训练方法，所述卫星网络包括多个卫星、多个终端以及多个地面站，其特征在于，所述拓扑预测模型包括时空学习层和全连接层，所述方法包括如下步骤：
S1、获取目标区域内的卫星网络历史拓扑图数据，所述卫星网络历史拓扑图数据包括多个时刻连续的卫星网络拓扑图，每一时刻的卫星网络拓扑图包括多个节点和多条边，其中，节点表示终端、卫星或者地面站，任意两个节点之间有边表示该两个节点之间设置有链路；
S2、基于步骤S1获取的卫星网络历史拓扑图数据训练所述拓扑预测模型直至收敛。
2.根据权利要求1所述的方法，其特征在于，所述时空学习层包括一个或多个时空学习模块，所述时空学习模块用于获取卫星网络拓扑图数据的空间特征和时空特征。
3.根据权利要求2所述的方法，其特征在于，所述时空学习模块包括串联的一个图卷积模块、一个时间特征提取模块，其中，所述图卷积模块用于提取卫星网络拓扑图数据的空间特征，所述时间特征提取模块用于根据所述图卷积模块的输出与卫星网络拓扑图数据获取卫星网络拓扑图数据的时空特征。
4.根据权利要求3所述的方法，其特征在于，所述时间特征提取模块采用长短时记忆网络、循环神经网络或者门控循环单元。
5.根据权利要求4所述的方法，其特征在于，所述步骤S1包括：
S11、将全球划分为不同的区域；
S12、以步骤S11得到的所有区域中的任一区域作为目标区域，获取该目标区域内的卫星网络历史拓扑图数据。
6.根据权利要求5所述的方法，其特征在于，所述步骤S2包括：
S21、基于步骤S1得到的卫星网络历史图数据获取其对应的邻接矩阵集合；
S22、按照预设的数据处理规则对步骤S21得到的邻接矩阵集合中的每个邻接矩阵进行处理，并以每个邻接矩阵的处理结果构建数据集；
S23、基于步骤S22得到的数据集对所述拓扑预测模型进行训练直至收敛。
7.根据权利要求6所述的方法，其特征在于，在步骤S22中，所述预设的数据处理规则为：
将原始邻接矩阵与单位矩阵相加后进行对称归一化处理得到新的邻接矩阵；
基于新的邻接矩阵构建与其对应的度矩阵；
以新的邻接矩阵及其对应的度矩阵作为原始邻接矩阵的处理结果。
8.根据权利要求7所述的方法，其特征在于，所述步骤S23包括：
S231、从所述步骤S22获取的数据集中进行多次数据截取以获得多个样本组成训练集合，每次数据截取是从数据集中选择时刻连续的预设宽度的时间窗口内的卫星网络拓扑图对应的数据；
S232、基于步骤S231获取的训练集合采用自监督学习训练所述拓扑预测模型直至模型收敛。
9.根据权利要求8所述的方法，其特征在于，所述预设宽度为6。
10.一种应用于卫星网络的拓扑预测方法，其特征在于，所述方法包括如下步骤：
T1、获取卫星网络上一时刻网络拓扑数据；
T2、采用如权利要求1-9任一所述方法训练的拓扑预测模型基于步骤T1获取的卫星网络上一时刻网络拓扑数据预测卫星网络下一时刻网络拓扑数据。
11.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序可被处理器执行以实现权利要求1-10任一所述方法的步骤。
12.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如权利要求1-10任一项所述方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310169381.5A CN116545495A (zh) | 2023-02-27 | 2023-02-27 | 一种应用于卫星网络的拓扑预测模型训练方法及预测方法 |
| PCT/CN2023/110157 WO2024178906A1 (zh) | 2023-02-27 | 2023-07-31 | 一种应用于卫星网络的拓扑预测模型训练方法及预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310169381.5A CN116545495A (zh) | 2023-02-27 | 2023-02-27 | 一种应用于卫星网络的拓扑预测模型训练方法及预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116545495A true CN116545495A (zh) | 2023-08-04 |
Family
ID=87449445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310169381.5A Pending CN116545495A (zh) | 2023-02-27 | 2023-02-27 | 一种应用于卫星网络的拓扑预测模型训练方法及预测方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN116545495A (zh) |
| WO (1) | WO2024178906A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117440135A (zh) * | 2023-12-20 | 2024-01-23 | 深圳市宇隆移动互联网有限公司 | 基于北斗卫星通信的图像传输方法及系统 |
| CN117650834A (zh) * | 2024-01-29 | 2024-03-05 | 南京理工大学 | 基于知识蒸馏的天地一体化网络时空流量预测方法 |
| CN117828292A (zh) * | 2023-12-20 | 2024-04-05 | 中国空间技术研究院 | 基于时空图卷积的卫星链路饱和度演化分析方法 |
| CN118574209A (zh) * | 2024-07-25 | 2024-08-30 | 中国人民解放军国防科技大学 | 卫星网络领导跟随一致性时钟同步方法、装置和设备 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108540204B (zh) * | 2018-03-22 | 2020-10-23 | 大连大学 | 利用快速收敛蚁群算法的卫星网络拓扑生成方法 |
| CN109523021B (zh) * | 2018-09-28 | 2020-12-11 | 浙江工业大学 | 一种基于长短时记忆网络的动态网络结构预测方法 |
| US11537852B2 (en) * | 2020-02-13 | 2022-12-27 | International Business Machines Corporation | Evolving graph convolutional networks for dynamic graphs |
| CN111884867A (zh) * | 2020-08-17 | 2020-11-03 | 南昌航空大学 | 基于循环生成式对抗网络的机会网络拓扑预测方法及装置 |
| CN114422370B (zh) * | 2021-12-22 | 2023-03-28 | 上海交通大学 | 基于时间片的leo卫星星座的网络拓扑构建方法及系统 |
-
2023
- 2023-02-27 CN CN202310169381.5A patent/CN116545495A/zh active Pending
- 2023-07-31 WO PCT/CN2023/110157 patent/WO2024178906A1/zh unknown
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117440135A (zh) * | 2023-12-20 | 2024-01-23 | 深圳市宇隆移动互联网有限公司 | 基于北斗卫星通信的图像传输方法及系统 |
| CN117440135B (zh) * | 2023-12-20 | 2024-03-08 | 深圳市宇隆移动互联网有限公司 | 基于北斗卫星通信的图像传输方法及系统 |
| CN117828292A (zh) * | 2023-12-20 | 2024-04-05 | 中国空间技术研究院 | 基于时空图卷积的卫星链路饱和度演化分析方法 |
| CN117650834A (zh) * | 2024-01-29 | 2024-03-05 | 南京理工大学 | 基于知识蒸馏的天地一体化网络时空流量预测方法 |
| CN117650834B (zh) * | 2024-01-29 | 2024-04-12 | 南京理工大学 | 基于知识蒸馏的天地一体化网络时空流量预测方法 |
| CN118574209A (zh) * | 2024-07-25 | 2024-08-30 | 中国人民解放军国防科技大学 | 卫星网络领导跟随一致性时钟同步方法、装置和设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024178906A1 (zh) | 2024-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116545495A (zh) | 一种应用于卫星网络的拓扑预测模型训练方法及预测方法 | |
| CN113346944B (zh) | 空天地一体化网络中时延最小化计算任务卸载方法及系统 | |
| CN111027686B (zh) | 一种滑坡位移的预测方法、装置及设备 | |
| CN111222628B (zh) | 循环神经网络训练优化方法、设备、系统及可读存储介质 | |
| Lee et al. | Dual-Memory Deep Learning Architectures for Lifelong Learning of Everyday Human Behaviors. | |
| CN113837361A (zh) | 一种空气污染物浓度预测方法及系统 | |
| CN117149434A (zh) | 基于双重延迟深度确定性策略梯度算法的多无人机辅助计算迁移方法 | |
| CN113643532B (zh) | 一种区域交通的预测方法以及设备 | |
| CN111541572B (zh) | 一种低约束条件的随机机会网络图的精确重构方法 | |
| CN115278698A (zh) | 基于动态用户分布预测的无人机基站动态部署方法及装置 | |
| CN114842436A (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
| JP2024103682A (ja) | 処理システム及び処理方法 | |
| CN112261609B (zh) | 毫米波车联网资源分配方法、装置、电子设备及存储介质 | |
| Dong et al. | Consensus variational Bayesian moving horizon estimation for distributed sensor networks with unknown noise covariances | |
| Akcin et al. | Decentralized data collection for robotic fleet learning: A game-theoretic approach | |
| Jiang et al. | Learning on the fly: An RNN-based online throughput prediction framework for UAV communications | |
| CN111753037A (zh) | 信息表征方法、装置、电子设备及存储介质 | |
| Su et al. | Buffer evaluation model and scheduling strategy for video streaming services in 5G-powered drone using machine learning | |
| Tian et al. | Deep Reinforcement Learning for Scheduling and Offloading in UAV‐Assisted Mobile Edge Networks | |
| Cong et al. | Research on Satellite Network Traffic Prediction Algorithm Based on Gray Wolf Algorithm Optimizing GRU and Spatiotemporal Analysis | |
| CN110633596A (zh) | 预测车辆方向角的方法和装置 | |
| Yuksek et al. | Federated Meta Learning for Visual Navigation in GPS-denied Urban Airspace | |
| CN118036714B (zh) | 基于集成学习算法的空域流量预测方法 | |
| Alam et al. | Variations in Multi-Agent Actor-Critic Frameworks for Joint Optimizations in UAV Swarm Networks: Recent Evolution, Challenges, and Directions | |
| Tang et al. | Topology Prediction Method for UAV Ad Hoc Network Based on ASTGCN |
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 |