利用Transformer预测LEO卫星网络中的自相似用户流量需求

在本文中，我们提出使用基于 Transformer 的模型来满足下一代低地球轨道（LEO）卫星网络中用户流量需求预测的需求。考虑到 LEO 卫星星座，我们提出了预测在轨卫星需求以利用高粒度动态波束跳变的必要性。我们采用具有二阶自相似特征的流量数据集。鉴于该流量数据集，分数自回归积分滑动平均（FARIMA）模型被视为基准预测方案。然而，LEO 卫星受限的星上处理能力，结合 FARIMA 的本质特性——需为每个输入序列拟合新模型，促使我们探索替代方案。作为替代方案，我们考虑了一种利用 Transformer 和概率稀疏自注意力机制的预训练概率时序模型。该方案在不同时间粒度下进行了研究，具有不同的序列长度和预测长度。最后，我们提供了广泛的模拟结果，其中基于 Transformer 的方案在某些交通条件下使用均方误差作为性能指标时，实现了高达百分之六的预测精度提升。