迁移学习流量预测框架

预测误差降38.99%

融合注意力与领域对抗，从地面网络迁移知识解决低轨卫星流量预测的数据不足问题。

张艳 · Yong, Wang · Qingsong, Zhao · Yadi, Zhai · 林志 · Zhao, Luda · 胡以华

Engineering Applications of Artificial Intelligence 2025

参数信息

RMSE降幅（场景一）

9.57 %

RMSE降幅（场景二）

18.85 %

技术优势

误差降幅达38.99%

结合注意力机制与领域对抗网络，提取域不变特征，在两个模拟场景中RMSE相较基线最多降低38.99%，显著提升预测准确性。

算得更省

与其他迁移学习模型相比，该框架计算复杂度更低，有利于在资源受限的星载平台上部署。

应用场景

• 低轨卫星网络运营：提前预测卫星覆盖区流量，优化波束调度和路由规划，降低拥塞风险。
• 卫星网络安全：检测流量异常模式，为入侵检测和安全预警提供数据支撑。
• AI网络优化：利用迁移学习解决星上数据稀缺，提升AI驱动的网络资源分配效率。