arXiv cs.AI· Jaeyong Lee, Seongjin Jeong, Yusang Park, Hyunho Hwang, Sangmin Han, Wonjae Shin·· 11 小时前AI 评分18
StarRTT：面向 Starlink LEO 卫星网络的无盲区 RTT 实时预测端到端框架
StarRTT: An End-to-End Real-Time Framework for Blind Zone-Free RTT Prediction in Starlink LEO Satellite Networks
AI 导读
StarRTT 是一个端到端实时框架，通过将每秒服务卫星识别与 RTT 预测结合，消除调度周期末识别造成的盲区。其 RT-LSTM 模型在严格实时回测中平均 MAE 为 1.405 ms，较 LSTM、StarNet 和 ASTM 分别降低 4.3%、11.6% 和 22.1%，调度时刻相对 LSTM 降幅达 12.5%。
正文 · AI 翻译
摘要：Starlink 等低地球轨道（LEO）卫星巨型星座由于轨道速度高，需要频繁切换，导致往返时延（RTT）出现大幅波动。准确的 RTT 预测可以缓解这些波动，但其根本上依赖于持续更新的服务卫星信息。现有的服务卫星识别方法通常仅在每个调度周期结束时完成识别，形成识别盲区，限制了实时预测。为克服这一局限，我们开发了 StarRTT，一个端到端实时框架，通过将逐秒的服务卫星识别与 RTT 预测相结合来消除盲区。在该框架内，我们提出了实时长短期记忆网络（RT-LSTM），一种基于 LSTM 的 RTT 预测模型，旨在同时捕捉非平稳的 RTT 演化以及服务卫星、用户终端和网关之间时变的几何关系。具体而言，历史 LSTM 编码历史 RTT 观测以及实时服务卫星和网关相对特征，而未来 LSTM 处理已识别服务卫星经两行轨道根数（TLE）传播得到的、直至下一调度时刻的未来特征。在严格的实时回测下，RT-LSTM 在全部 15 个预测时域和 15 个参考时隙索引上的平均绝对误差（MAE）为 1.405 ms，与现有基线模型 LSTM、StarNet 和基于注意力的时空模型（ASTM）相比，误差分别降低 4.3%、11.6% 和 22.1%。值得注意的是，在调度时刻，相对于 LSTM 的降低幅度达到 12.5%，凸显了在近期 RTT 观测有限时实时服务卫星信息带来的益处。
| 评论： | 15 页，5 幅图 |
| 主题： | 信息论（cs.IT）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.32540 [cs.IT] |
| （或 arXiv:2610.32540v1 [cs.IT] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.32540 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Wonjae Shin [查看邮箱]
[v1]
2026 年 10 月 23 日星期五 12:20:09 UTC（2,344 KB）
来源：arXiv cs.AI · arxiv.org