一、基本信息
- 标题：Self-similar traffic prediction for LEO satellite networks based on LSTM
- 作者：Yan Zhang, Yong Wang, Haotong Cao, Yihua Hu, Zhi Lin, Kang An, Dong Li
- 关键词：LEO satellite networks, self-similar traffic, traffic prediction, LSTM, attention mechanism
- doi：10.1049/cmu2.12863
二、文章概述
本文针对低轨（LEO）卫星网络流量预测问题，分析了卫星流量的自相似特性，提出一种基于改进长短期记忆网络（LSTM）的预测模型。该模型引入注意力机制以捕捉流量序列的长期依赖关系，并结合早停机制防止过拟合。通过在两个真实流量数据集（ec_data和uk_data）上的实验，对比LSTM、GRU、Seq2Seq等模型，验证了改进LSTM模型的优越性，为卫星网络流量规划提供了理论基础。
三、研究背景
LEO卫星网络因低时延、广覆盖优势成为全球通信热点，但高动态性、复杂性及流量自相似性（长相关性、非线性）给流量预测带来挑战。传统模型（如ARMA、FARIMA）难以处理非线性和长记忆特性，现有AI模型（如GRU、Seq2Seq）未充分考虑卫星流量的自相似特征，且存在计算复杂或预测精度不足问题。准确的流量预测是实现流量均衡与资源管理的关键，因此需构建基于自相似特性的高效预测模型。
四、研究思路
- 提出研究问题：针对LEO卫星网络流量的自相似性及传统模型预测精度不足问题，探索改进LSTM模型在流量预测中的应用。
- 构建研究框架：先分析卫星流量自相似性（通过Hurst指数验证），再
