LEOSTP：面向LEO卫星网络的时空流量预测框架

随着下一代移动通信网络的发展和低地球轨道（LEO）卫星的商业繁荣，全球覆盖的卫星网络正逐渐成为海量用户接入和无缝连接的关键基础设施。准确的流量预测对于维持卫星网络中的服务质量（QoS）和资源分配效率至关重要。然而，现有方法难以有效应对LEO网络的三大挑战：卫星跨区域移动导致的高度复杂时间动态、多卫星协作中的多变量依赖性，以及由用户分布、人类活动强度和局部地理环境驱动的强空间异质性。本文提出LEO卫星流量预测器（LEOSTP）框架，一种基于扩散模型的端到端模型，通过联合利用历史流量模式和相应服务区域的上下文特征来预测未来卫星流量。该框架由两个核心模块组成：1) 通用流量特征提取器模块，将扩散过程与Transformer架构相结合，对流量本身的多尺度时间特征进行建模。2) 外部条件编码器模块，通过基于Transformer的编码器将人口分布、兴趣点（POI）分布和当地时间等地理语义信息整合到预测过程中。通过这种方式，模型捕捉了外部环境与流量动态之间的深层关联。基于大规模模拟星座数据的实验结果表明，LEOSTP在预测精度上显著优于ARIMA和SVR等传统统计模型，以及LSTM和Transformer等经典序列模型。