基于注意力机制与域适应的低轨卫星网络流量预测迁移学习框架

本文创新性地提出融合注意力机制与域对抗神经网络（DANN）的迁移学习框架，用于解决低轨卫星网络（LSNs）流量预测中数据分布差异问题。通过整合人口分布、航空流量需求等五维数据构建卫星流量模型，显著提升预测精度（RMSE降低9.57%-38.99%），为卫星网络规划与安全提供新范式。

　　

Highlight

本研究通过结合注意力机制与域适应技术，实现了从地面网络（源域）向低轨卫星网络（目标域）的知识迁移。实验表明，该框架在两种模拟LSN场景下的均方根误差（RMSE）分别降低9.57%-33.47%和18.85%-38.99%，且计算复杂度优于同类迁移学习模型。

Satellite network traffic modeling

作为卫星网络运行核心指标，流量建模需反映空间异质性需求。前人研究基于人口密度划分区域（Wu et al., 2018），而本文创新引入五维参数：全球人口分布、本地时间系数、国家互联网普及率、单用户日均流量及航空流量需求，构建动态覆盖模型。

LSNs traffic modeling

采用Walker Delta星座模型α:T/P/N/f，通过_T颗卫星在_P个轨道面均匀分布，结合卫星仰角阈值θ_min和覆盖半径R_cov，量化星下点瞬时覆盖区域流量。

Data description

源域采用Cortez等（2012）地面网络数据（5分钟间隔/19,888条），目标域模拟Starlink星座参数（轨道高度550km，倾角53°），通过DANN对齐域间特征分布。

Conclusions

尽管LSNs具有高动态性，但其周期性特征为预测提供便利。本框架通过域不变特征提取，显著提升预测效率，为后续卫星资源调度奠定基础。

（注：严格遵循要求，未使用HTML转义符/SVG标签，上标用_{标注，专业术语保留英文缩写）}