注册

StarRTT 框架实现星链 LEO 卫星 RTT 无盲区实时预测

论文AI 评分 62/100arXiv cs.AI
AI 聚合

本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。

针对星链等低轨巨型星座因高速运动频繁切换卫星、导致往返时延（RTT）波动的问题，研究者提出端到端实时框架 StarRTT，把每秒一次的 serving satellite 识别与 RTT 预测合并，消除既有方法只在调度周期末完成识别所造成的识别盲区。框架内的 RT-LSTM 用历史 LSTM 编码历史 RTT 观测与实时卫星、网关相对特征，用未来 LSTM 处理经 TLE 推演的未来特征直至下一调度时刻。严格实时回测下，15 个预测时域与 15 个参考时隙索引平均 MAE 为 1.405 ms，较 LSTM、StarNet、ASTM 分别降低 4.3%、11.6%、22.1%，调度时刻相对 LSTM 降幅达 12.5%。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

盲区从何而来

低轨巨型星座的卫星轨道速度高，用户终端需要频繁切换服务卫星，往返时延随之出现明显波动。要提前预测这种波动，前提是持续获得当前服务卫星的信息。既有识别方法通常要等到每个调度周期结束才给出结果，这段时间里服务卫星身份处于未知状态，形成识别盲区，实时预测因此受限。StarRTT 的思路是把识别与预测放进同一个端到端流程，按秒更新服务卫星身份，使预测模型始终拿到最新的服务卫星信息，而不是周期末的滞后结果。

双 LSTM 的分工

框架内的 RT-LSTM 由两部分构成。历史 LSTM 接收历史 RTT 观测值，以及实时的服务卫星与网关相对特征，用来刻画非平稳的时延演变。未来 LSTM 则处理已识别服务卫星的未来特征，这些特征由两行轨道根数（TLE）推演得到，时间范围延伸到下一个调度时刻。两者结合，模型既利用近期实测时延，也利用卫星几何关系随时间变化的信息。论文指出，在近期 RTT 观测有限的情况下，实时服务卫星信息带来的收益更明显，这也是调度时刻误差降幅更大的原因。

回测结果与对比

在严格实时回测条件下，RT-LSTM 在全部 15 个预测时域与 15 个参考时隙索引上的平均绝对误差为 1.405 ms。与三个基线相比，误差分别比 LSTM 低 4.3%、比 StarNet 低 11.6%、比 ASTM 低 22.1%。单独看调度时刻这一节点，相对 LSTM 的降幅达到 12.5%。论文共 15 页、含 5 幅图，归入信息论与人工智能分类，编号 arXiv:2610.32540，提交时间为 2026 年 10 月 23 日。

为什么值得看

低轨卫星网络时延预测的实时性瓶颈被具体量化，做卫星通信与网络优化的读者可看其方法与回测设置。

信源1 家

  1. [1]arXiv cs.AI一手信源StarRTT: An End-to-End Real-Time Framework for Blind Zone-Free RTT Prediction in Starlink LEO Satellite Networks

关键事实

  • StarRTT 将每秒一次的 serving satellite 识别与 RTT 预测集成在同一端到端框架中，以消除识别盲区[1]

  • RT-LSTM 由历史 LSTM 与未来 LSTM 组成，后者处理经 TLE 推演的未来特征直至下一调度时刻[1]

  • 实时回测中平均 MAE 为 1.405 ms，覆盖 15 个预测时域与 15 个参考时隙索引[1]

  • 相比 LSTM、StarNet、ASTM，误差分别降低 4.3%、11.6%、22.1%[1]

  • 在调度时刻相对 LSTM 的误差降幅为 12.5%[1]

相关 · 论文

北大孙仲联合IBM等发布综述，重新定义现代模拟计算

11月3日 周二·AI 72

OpenAI 自 GPT-5.6 起部署激活分类器监控模型输出

11月3日 周二·AI 78

OpenAI 推出 LifeVal 基准，衡量 AI 完成日常事务的能力

11月2日 周一·AI 72

ALPS：分层规划让LLM模拟学生保持长期行为一致

11月1日 周日·AI 62

本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。

去论坛讨论