Präzise Vorhersagen des Datenflusses auf kurze Sicht sind entscheidend, um die Effizienz der Datenübertragung in Netzwerken von Satelliten in niedriger Umlaufbahn zu verbessern. In einer komplexen Weltraumumgebung können jedoch Ausfälle von Sammlern, Übertragungsfehler und Speicherausfälle zu einem Verlust von Flusswerten führen. Unvollständige Zeitreihen des Flusses behindern eine effektive Datennutzung, was die Genauigkeit der Flussvorhersagen erheblich verringert. Um dieses Problem zu lösen, wird ein Modell zur Vorhersage des unvollständigen Fluss-Zeitreihen basierend auf der raumzeitlichen Korrelation vorgeschlagen. Das Modell ist in zwei Phasen unterteilt: die Wiederherstellung unvollständiger Zeitreihen unter Verwendung einer Methode zur Inferenz fehlender Daten und die Flussvorhersage auf der Grundlage der wiederhergestellten Zeitreihe. In der ersten Phase wird ein Modell zur Inferenz fehlender Daten basierend auf einem verbesserten Rauschunterdrückungs-Autoencoder vorgeschlagen. Insbesondere wird der Rauschunterdrückungs-Autoencoder mit einem Grasmann'schen Winkelsummenfeld kombiniert, um Übereinstimmung in verschiedenen Zeitintervallen herzustellen und strukturelle Muster aus der Zeitreihe zu extrahieren. Unter Verwendung der einzigartigen raumzeitlichen Korrelation des Flusses in Netzwerken von Satelliten in niedriger Umlaufbahn wurde die Methode zur Verbesserung der Initialisierung von fehlenden Werten des Rauschunterdrückungs-Autoencoders erheblich verbessert. In der zweiten Phase wird durch die Kombination von raumzeitlichen Flüssen der Satellitennetzwerke in niedriger Umlaufbahn ein Modell zur Flussvorhersage basierend auf einem Multi-Channel-Aufmerksamkeitsmechanismus eines faltenden neuronalen Netzes vorgeschlagen. Abschließend wird ein Multi-Universum-Optimierungsalgorithmus verwendet, um die optimale Parameterkombination des Modells auszuwählen und die ideale Struktur dieser Modelle zu realisieren. Die Experimente zeigen, dass das vorgeschlagene Modell die Basismodelle in Bezug auf die Genauigkeit der Flussvorhersage bei unterschiedlichen Datenverlustraten übertrifft, was die Wirksamkeit dieses Modells bestätigt.

Unvollständige Zeitreihen; Rauschunterdrückungs-Autoencoder (DAE); Raumzeitliche Korrelation; Verkehrsprognose; LEO-Satellitennetzwerke